一种超声心动图分割算法的制作方法

本发明涉及数字图像处理领域，特别是一种超声心动图分割算法。

背景技术：

由于超声成像设备的成本低和便携性，超声心动图是心脏左心室可视化首选的一种医疗成像方式。通常，心脏病专家对左心室超声成像进行分析并对左心室收缩末期和舒张末期阶段心内膜边界进行分割，然后用它来提供一个心功能的定量分析来诊断心脏病。临床上多采用手动分割的方法，无法用于自动化参数采集,时间耗费长且过程乏味，而所分割结果也会因人而异。另外基于主动轮廓模型的算法是得到研究人员关注的一种方法，许多方法基于该算法理论的基础上进行了改进和应用。

技术实现要素：

有鉴于此，本发明的目的是提出一种超声心动图分割算法，能够自动分割超声心动左心室，同时具有较好的准确性和鲁棒性。

本发明采用以下方案实现：一种超声心动图分割算法，具体包括以下步骤：

步骤s1：对图像进行模糊聚类操作，通过反复迭代优化目标函数实现模糊c均值聚类；

步骤s2：采用水平集方法对步骤s1得到的模糊聚类的结果进行二次分割；

步骤s3：设计可变形状限制模型，引入左心室形状的先验知识，对roi区进行拟合计算约束分割形状的演变，得到预期的平滑闭合轮廓。

进一步地，所述步骤s1具体包括以下步骤：

步骤s11：初始化聚类中心：

v＝{v1.v2,...vc}；

步骤s12：计算隶属函数：

其中，vm与vk均为v中元素；n表示图像中所含的像素点数，in为图像中某一具体的像素点，l为模糊加权指数，用于控制分割的模糊程度。

步骤s13：更新聚类中心vi：

其中，为第n个像素对第m类的隶属度，l为模糊加权指数。

步骤s14：判断步骤s13计算出的聚类中心vi是否收敛，若未收敛，返回步骤s11。

进一步地，所述步骤s2具体包括以下步骤：

步骤s21：:设聚类的输出为：

rk:{rk＝μnk,n＝x*ny+y}；

其中，rk表示，μnk表示，x表示，y表示，ny表示；

步骤s22：初始化水平集函数：

φ0(x,y)＝-4ε(0.5-bk)；

其中，ε为调节狄拉克函数的一个常量，bk为源自rk的一幅二值图像，bk＝rk≥b0；b0为可调节的阈值常量，0＜b0＜1；

步骤s23：将水平集二次分割的结果b'k作为下一步骤中可变形状限制模型拟合的输入数据。

进一步地，设形状的中心坐标为(xc,yc)，并且用nl个标志点表示形状：其中，标志点pk到中心位置的距离为dk，中心位置到pk的方向向量为θk，设得到标志点pk的坐标表示为：

假设轮廓上的任意点q到中心的方向为θq，距离为dq，即dq被看做是θq的函数：dq＝η(θq)。

本发明首先设计了模糊聚类的方法，结合空间信息实现自适应优化的过程，避免中间的形态学操作，实现了对图像的自动粗分割，降低噪声的影响，并将其结果作为水平集分割操作的控制参数，用于控制水平集的演变过程。然后用水平集法对超声图像进行二次分割，进一步降低噪声的影响并得到相对明朗的轮廓线。由于边界模糊和像素的不均匀性导致的欠分割和分割过度的问题普遍存在且极难避免，最后引入左心室形状的先验知识对roi区域进行拟合计算约束分割形状的演变，得到预期的平滑闭合轮廓，同时极大提高了分割的准确性和鲁棒性。

与现有技术相比，本发明有以下有益效果：

1、本发明与现有的一些方案相比较，具有更好的分割准确性和鲁棒性，极大的抑制了超声图像中的斑点噪声等固有特性对分割结果的影响。

2、本发明所设计的模型和算法框架实现了自动分割的过程，同时能够达到较高分割准确性，使得方法具备可重复性，可进行扩展应用，并且自动分割的过程极大的减轻了医生手动分割的工作负担，对于临床辅助诊断应用具备十分重要的实际价值。

3.本发明中的自动分割算法框架中每个模块功能清晰，实现较为简单，且运行过程中通过简化计算，极大的降低了时间复杂度，实现了自动准确的分割，同时亦具备实时性能。

附图说明

图1为本发明实施例的方法流程示意图。

图2为本发明实施例中算法分割实现示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

如图1所示，本实施例提供了一种超声心动图分割算法，首先设计了模糊聚类的方法，结合空间信息实现自适应优化的过程，避免中间的形态学操作，实现了对图像的自动粗分割，降低噪声的影响，并将其结果作为水平集分割操作的控制参数，用于控制水平集的演变过程。然后用水平集法对超声图像进行二次分割，进一步降低噪声的影响并得到相对明朗的轮廓线。由于边界模糊和像素的不均匀性导致的欠分割和分割过度的问题普遍存在且极难避免，最后引入左心室形状的先验知识对roi区域进行拟合计算约束分割形状的演变，得到预期的平滑闭合轮廓，同时极大提高了分割的准确性和鲁棒性。具体的算法过程如下：

1、模糊聚类法的初始分割。

首先对图像进行模糊聚类操作，通过反复迭代优化目标函数j[u,v]来实现模糊c均值聚类(fcm)，执行步骤如下：

(1)初始化聚类中心：v＝{v1.v2,...vc}；

(2)计算隶属函数：

(3)更新聚类中心：

(4)重复以上步骤，直至步骤(3)收敛。

fcm算法在图像分割中得到了广泛的应用，并且在许多分割问题上获得较好的效果。传统方法往往通过计算像素与聚类中心的距离来进行分类，若像素越接近聚类中心，μmn的值越大，反之越小。那么对于含有大量噪声和伪影的超声图像而言，我们在这基础上结合空间信息，充分利用像素的邻域特性，使之展现出更好的鲁棒性。那么新的隶属函数为：其中p和q为两个控制参数，hmn是一个变量，包含了空间的信息：其中nn表示以图像像素n为中心的局部窗口。隶属函数μmn和聚类中心vm通常按照步骤(2)和步骤(3)进行计算。本提案中设置聚类中心m＝4，且将聚类输出的边界图rk作为水平集演化的控制参数，实现自动分割且能够对轮廓变化进行控制。

2、基于水平集的二次分割

水平集方法和fcm算法都是一种通用的计算模型，可以适用于解决多尺寸的问题。如果我们简单的将其应用于医学图像的分割，效果却是不尽人意，但是在一些特定的情况下，通过不断优化可以实现更好的性能。本实施例将模糊聚类方法和水平集思想相结合，进一步优化分割精度，空间模糊聚类的结果将用于初始化水平集分割，估计控制参数并调节水平集演化。水平集的初始化过程得到简化，极大的减少了计算量。本实施例中模糊聚类的实验结果可以直接运用于水平集函数的演化，在fcm输出的结果中，选取出有用的数据，假设聚类的输出为：rk:{rk＝μnk,n＝x*ny+y}，那么水平集函数的初始化则为：

φ0(x,y)＝-4ε(0.5-bk)；

其中是调节狄拉克函数的一个常量。狄拉克函数的定义如下：

bk表示的是源自rk的一幅二值图像：bk＝rk≥b0；

其中b0为可调节的阈值常量(0＜b0＜1)。受益于fcm方法的相结合，在某种意义上bk能够近似我们所感兴趣的部分，大致描绘图像的全局轮廓。水平集二次分割的结果b'k将作为下一部分中可变形状限制模型拟合的输入数据，限制最终分割的左心室形状，形成精确且平滑的闭合轮廓。

3、可变的形状限制模型设计

超声图像中的斑点噪声、灰度值不均以及伪影往往造成了边界泄露甚至错误分割。因此为了实现超声心动图左心室的精确分割并且得到光滑闭合的轮廓，我们结合三次样条曲线原理提出了可变的形状限制模型进行拟合操作。与主动轮廓模型不同的是，本提案所提出的模型不需要记录轮廓上所有点，只要限制一定数量的标志点，即可拟合其他的数据点且根据不同的图像自适应的改变形状，具备一定的健壮性。

设形状的中心坐标为(xc,yc)，并且用nl个标志点表示形状：其中，标志点pk到中心位置的距离为dk，中心位置到pk的方向向量为θk，设得到标志点pk的坐标表示为：

假设轮廓上的任意点q到中心的方向为θq，距离为dq，即dq被看做是θq的函数：dq＝η(θq)。

因此以上的近似运算，即本实施例所设计的可变形状限制模型，该模型的关键在于中心坐标以及标志点的参数求解，最终可以得到本实施例所期望的理想轮廓。

如图2所示，图2为本发明实施例所做的实验示意图，具体所使用的超声心动图分辨率为96dpi，即像素间距离为0.2646mm，另外模型中标志点nl设置为7。那么如图2中所示，(a)为原始超声心动图像，且像素为636432；(b)为经过模糊聚类算法输出初始分割结果；(c)为经过水平集二次分割输出的结果中所提取的全局图像二值边界图，并将其作为形状限制模型的输入；(d)为选取roi并生成数据点，然后进入可变形状模型的拟合操作；(e)将图像数据自动生成坐标信息，在二维坐标中直观展示轮廓拟合的效果；(f)所示为最终输出的超声心动图左心室分割的结果。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。