一种基于形状相关性活动轮廓模型的超声图像分割方法
【专利摘要】本发明公开了一种基于形状相关性活动轮廓模型的超声图像分割方法，包括以下步骤：步骤1：针对连续超声图像中病灶区域形状变化之间的相关性信息进行挖掘并构建形状相关性的低秩模型；步骤2：构建基于低秩约束的活动轮廓模型；步骤3：构建基于增广拉格朗日的优化算法用于快速计算分割结果。本发明解决了传统的基于有监督统计学习的分割方法在训练集不足和面对超声图像中病灶区域边缘模糊和病灶区域形状形变的情况下分割结果不准确的结果。
【专利说明】一种基于形状相关性活动轮廓模型的超声图像分割方法
【技术领域】
[0001] 本发明属于计算机辅助治疗中有关超声图像处理领域，具体涉及一种基于形状相 关性活动轮廓模型的超声图像分割方法，是针对软组织的超声图像序列分割方法。
【背景技术】
[0002] -个准确且高效的超声图像分割方法对于提高计算机辅助治疗的效率具有重要 意义。目前面临的挑战主要有两个：
[0003] (1)相较于CT和MRI图像，超声图像普遍具有低信噪比和图像灰度分布不均匀的 特点从而造成目标边缘轮廓模糊不清；
[0004] (2)另一个潜在挑战是软组织受挤压造成形变，反映在超声图像上就是目标区域 的形状变化较大；
[0005] 这些原因造成了一些传统的分割方法都不能在以上情况下得到理想的结果。
【发明内容】
[0006] 为了解决上述的技术问题，本发明提供了一种基于形状相关性活动轮廓模型的超 声图像分割方法。
[0007] 本发明所采用的技术方案是：一种基于形状相关性活动轮廓模型的超声图像分割 方法，其特征在于，包括以下步骤：
[0008] 步骤1 :针对连续超声图像序列中病灶区域形状变化之间的相关性信息进行挖掘 并构建形状相关性的低秩模型；形状的相关性信息主要指在一个超声图像序列中病灶区域 的轮廓形状的变化在统一的坐标系统下具有一定的相似性；
[0009] 步骤2 :构建基于低秩约束的活动轮廓模型；
[0010] 步骤3 :构建基于增广拉格朗日的优化算法用于快速计算分割结果。
[0011] 作为优选，步骤1中所述的低秩模型为：
[0012] C,. =MCl +Γ，VC,.e{Ci,C2,…，CJ, / _I(1)
[0013] 其中Ci. = [X1,...,XmJ1,...，凡feK2w，（Xi,y)表示轮廓中标志点的坐标,M是线性 变换矩阵，该矩阵的元素包含了 ：缩放、旋转、切错和翻转变换，T表示平移向量；
[0014] 公式⑴转换成：
[0015] [C1,...,CJt = [Φ!,...,Φη]Ψ(2)
[0016] 其中：〇C 。1 1，和分别表示M L〇cIx 〇 cIy 〇 1」mitl 和T的元素，C1〔和C11ERsi表示向量C1的前一半和后一半；因矩阵Ψ的列空间的维度至多 为6,故矩阵[C1, ...，Cn]为低秩矩阵。
[0017] 作为优选，步骤2中所述的构建基于低秩约束的活动轮廓模型，其具体实现过程 为将图像序列中病灶形状相关性的低秩性，将其低秩约束融入到公式（3)所示的传统的活 动轮廓模塑中，
【权利要求】
1. 一种基于形状相关性活动轮廓模型的超声图像分割方法，其特征在于，包括以下步 骤： 步骤1 :针对连续超声图像序列中病灶区域形状变化之间的相关性信息进行挖掘并构 建形状相关性的低秩模型； 步骤2 :构建基于低秩约束的活动轮廓模型； 步骤3 :构建基于增广拉格朗日的优化算法用于快速计算分割结果。
2. 根据权利要求1所述的基于形状相关性活动轮廓模型的超声图像分割方法，其特征 在于：步骤1中所述的低秩模型为： ?. = MC1+Γ, V ?. e {C1，C2，…，c J，? 矣 1 '(i) 其中(^.=[11,...，?>!1，...，.1，",『€]^"，^7)表示轮廓中标志点的坐标，]\1是线性变换 矩阵，该矩阵的元素包含了 ：缩放、旋转、切错和翻转变换，T表示平移向量； 公式⑴转换成： = [Φ"···，Φη]Ψ (2)
其中 和分别表示M和T的 ;4 元素，IT表示向量^的前一半和后一半；因矩阵ψ的列空间的维度至多为6,故 矩阵[C1, ...，Cn]为低秩矩阵。
3. 根据权利要求1所述的基于形状相关性活动轮廓模型的超声图像分割方法，其特 征在于：步骤2中所述的构建基于低秩约束的活动轮廓模型，其具体实现过程为将图像序 列中病灶形状相关性的低秩性，将其低秩约束融入到公式（3)所示的传统的活动轮廓模型 I
其中，I表示图像，C表示分割的区域轮廓，Ω i表示分割区域内部，Ω2表示分割区域 之外的区域，β表示系数； 公式（3)的优化方程如下：
其中X= [fi(Ci)，...，fn(Cn)]，λ表示形似系数，E表示分割误差的轮廓信息，D表示 初始化的分割轮廓，fi (Ci)为每一张超声图像中活动轮廓模型的能量方程用于轮廓的演化， 如下式所示：
其中01和Ω2分别表示轮廓内外的区域，μ 1和μ2分别表示区域内外的强度的均值； 利用公式（6): 呰|4+率I1 ，subject to X+E=D C6) 将公式⑷中的求矩阵X的秩转化为求矩阵X的核范数，I |E| I1转化为I |E| I1范数。
4. 根据权利要求3所述的基于形状相关性活动轮廓模型的超声图像分割方法，其特征 在于：步骤3中所述的构建基于增广拉格朗日的优化算法用于快速计算分割结果，是利用 公式（6)构建基于增广拉格朗日的优化算法用于快速计算分割结果，其具体实现过程包括 以下子步骤： 步骤3. 1 :手动定义超声图像序列中目标区域的初始化轮廓； 步骤3. 2 :根据公式（5)计算每帧超声图像中目标区域的分割轮廓； 步骤3. 3 :根据公式（6)采用拉格朗日乘子法对步骤3. 2中的分割轮廓进行优化； 步骤3. 4 :当其超声图像分割值小于设定的阈值时，返回步骤3. 3 ; 步骤3. 5 :收敛以后的轮廓即为目标区域分割的轮廓区域。
【文档编号】G06T7/00GK104376571SQ201410719890
【公开日】2015年2月25日 申请日期:2014年12月1日 优先权日:2014年12月1日
【发明者】何发智, 倪波, 陈晓 申请人:武汉大学