图像分割方法、手术导航设备、电子设备及存储介质与流程

本发明涉及手术导航领域，尤其涉及一种图像分割方法、手术导航设备、电子设备及存储介质。

背景技术

目前，在经鼻内镜颅底肿瘤微创切除手术中，临床医生需识别出内直肌和视神经等附着在眼眶上的重要组织器官，并使得手术器械避开这些器官。在计算机辅助诊断治疗方法中，对电子计算机断层扫描(computedtomography，ct)三维图像进行视神经和内直肌的分割，对于术前规划和手术导航至关重要。然而由于视神经和内直肌的图像在ct图像中成像对比度低、边缘模糊及图像噪声等原因，使得使用经典的基于灰度、基于对比度、基于边缘的目标分割方法无法得到视神经及内直肌图像，在ct图像中分割视神经和内直肌图像的图像分割效果比较差。

可见，现有的图像分割过程中存在视神经及内直肌图像分割效果比较差的问题。

技术实现要素：

本发明的目的在于提供一种图像分割方法、手术导航设备、电子设备及存储介质，解决现有的在ct图像中分割视神经及内直肌图像分割效果比较差的技术问题。

为解决上述技术问题，本发明提供了一种图像分割方法，包括：

构建视神经及内直肌的统计形状模型；

将所述统计形状模型向参考ct图像的视神经及内直肌粗分割模型进行拟合，得到所述参考ct图像的标准形状模型；

计算所述参考ct图像映射到目标ct图像的弹性形变场；

将所述弹性形变场作用于所述标准形状模型，得到所述目标ct图像的视神经及内直肌图像分割结果。

优选地，所述构建视神经及内直肌的统计形状模型包括：

从k张ct图像中分别标识出k张视神经及内直肌二维切面轮廓，所述k为正整数；

将所述k张视神经及内直肌二维切面轮廓进行融合处理，得到n张视神经及内直肌形状图像，所述n为小于k的正整数；

通过分组级弹性配准获取所述n张视神经及内直肌形状图像中具有形状对应关系的m个三维点云数据集，所述m个三维点云数据集具有相同的点数，且相同序列的点相对应，所述m为小于或等于n的正整数；

对所述m个三维点云数据集采用主成分分析法构建所述统计形状模型。

优选地，所述将所述统计形状模型向参考ct图像的视神经及内直肌图像的粗分割模型进行拟合，得到所述参考ct图像的标准形状模型之前，包括：

从所述k张ct图像选取所述参考ct图像；

对所述参考ct图像进行视神经及内直肌粗分割，得到所述参考ct图像的视神经及内直肌粗分割模型。

优选地，所述将所述统计形状模型向参考ct图像的视神经及内直肌粗分割模型进行拟合，得到所述参考ct图像的标准形状模型，包括：

基于所述参考ct图像中提取的目标视神经及内直肌边缘，获取所述统计形状模型中每个点到所述目标视神经及内直肌边缘的位移向量；

基于所述统计形状模型的特征矩阵及所述位移向量，获取所述参考ct图像的标准形状模型。

优选地，所述计算所述参考ct图像映射到目标ct图像的弹性形变场，包括：

采用归一化互信息量作为所述参考ct图像与所述目标ct图像之间的相似度测度，采用b样条函数作为形变函数，其中，所述归一化互信息量为：

其中，nmi(μ；i^ref，i^tar)为归一化互信息量，i^ref为参考ct图像，i^tar为目标ct图像，k为参考ct图像i^ref中的像素点，l为目标ct图像i^tar中的像素点，p为离散联合分布概率，pref为参考ct图像中像素的分布概率，及ptar为目标ct图像中像素的分布概率，μ为形变函数的参数；所述b样条函数为：其中xk为控制点，β3为b样条多项式，ρk为b样条的系数向量，σ为控制点间隔；

调整所述b样条函数的形变参数u，以获取所述归一化互信息量的最优值

将所述归一化互信息量的最优值所对应的所述b样条函数的最优形变参数u作为所述弹性形变场。

为解决上述技术问题，本发明还提供一种手术导航设备，包括：

构建模块，用于构建视神经及内直肌的统计形状模型；

拟合模块，用于将所述统计形状模型向参考ct图像的视神经及内直肌粗分割模型进行拟合，得到所述参考ct图像的标准形状模型；

计算模块，用于计算所述参考ct图像映射到目标ct图像的弹性形变场；

处理模块，用于将所述弹性形变场作用于所述标准形状模型，得到所述目标ct图像的视神经及内直肌图像分割结果。

优选地，所述构建模块包括：

识别子模块，用于从k张ct图像中分别标识出n张视神经及内直肌二维切面轮廓，所述k为正整数；

融合子模块，将所述k张视神经及内直肌二维切面轮廓进行融合处理，得到n张视神经及内直肌形状图像，所述n为小于k的正整数；

第一获取子模块，用于通过分组级弹性配准获取所述n张视神经及内直肌形状图像中具有形状对应关系的m个三维点云数据集，所述m个三维点云数据集具有相同的点数，且相同序列的点相对应，所述m为小于或等于n的正整数；

构建子模块，用于对所述m个三维点云数据集采用主成分分析法构建所述统计形状模型。

优选地，手术导航设备还包括：

选取模块，用于从所述k张ct图像选取所述参考ct图像；

粗分割模块，用于对所述参考ct图像进行视神经及内直肌粗分割，得到所述参考ct图像的视神经及内直肌粗分割模型。

优选地，所述拟合模块包括：

第二获取子模块，用于基于所述参考ct图像中提取的目标视神经及内直肌边缘，获取所述统计形状模型中每个点到所述目标视神经及内直肌边缘的位移向量；

第三获取子模块，用于基于所述统计形状模型的特征矩阵及所述位移向量，获取所述参考ct图像的标准形状模型。

优选地，所述计算模块包括：

第一处理子模块，用于采用归一化互信息量作为所述参考ct图像与所述目标ct图像之间的相似度测度，采用b样条函数作为形变函数，其中，所述归一化互信息量为：

其中，nmi(μ；i^ref，i^tar)为归一化互信息量，i^ref为参考ct图像，i^tar为目标ct图像，k为参考ct图像i^ref中的像素点，l为目标ct图像i^tar中的像素点，p为离散联合分布概率，pref为参考ct图像中像素的分布概率，及ptar为目标ct图像中像素的分布概率，μ为形变函数的参数；所述b样条函数为：其中xk为控制点，β3为b样条多项式，ρk为b样条的系数向量，σ为控制点间隔；

调整子模块，用于调整所述b样条函数的形变参数u，以获取所述归一化互信息量的最优值

第二处理子模块，用于将所述归一化互信息量的最优值所对应的所述b样条函数的最优形变参数u作为所述弹性形变场。

为解决上述技术问题，本发明提供了一种电子设备，包括：包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述的图像分割方法的步骤。

为解决上述技术问题，本发明提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的图像分割方法的步骤。

本发明提供的图像分割方法、手术导航设备、电子设备及存储介质，能够基于视神经及内直肌的统计形状模型，对目标ct图像进行视神经及内直肌图像分割，分割得到的视神经及内直肌图像比较准确，从而可以提高从ct图像中分割视神经及内直肌图像的分割效果，提高手术导航的安全性。

附图说明

图1为本发明提供的图像分割方法一实施例的流程图；

图2为本发明提供的图1所示的图像分割方法的步骤s1的一实施例的流程图；

图3为本发明提供的图像处理过程的示意图；

图4为本发明提供的图1所示的图像分割方法的步骤s2的一实施例的流程图；

图5为本发明提供的图1所示的图像分割方法的步骤s3的一实施例的流程图；

图6为本发明提供的图像分割方法的另一实施例的流程图；

图7为本发明提供的手术导航设备的一实施例的示意图；

图8为本发明提供的图7所示的手术导航设备的构建模块的一实施例的结构示意图；

图9为本发明提供的图7所示的手术导航设备的拟合模块的一实施例的结构图；

图10为本发明提供的图7所示的手术导航设备的计算模块的一实施例的结构图；

图11为本发明提供的手术导航设备的另一实施例的示意图；

图12为本发明提供的电子设备的一实施例的结构图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。

参见图1，图1为本发明提供的图像分割方法一实施例的流程图，图1所示的图像分割方法可以应用于手术导航设备，如图1所示，图像分割方法包括以下步骤：

步骤s1、构建视神经及内直肌的统计形状模型。

由于ct图像中的视神经和内直肌图像的灰度对比度低及边缘模糊等原因，传统的基于灰度和基于边缘的方法无法从目标ct图像中分割出视神经和内直肌图像，其中ct图像是指电子计算机断层扫描(computedtomography，ct)图像。通过构建视神经及内直肌的统计形状模型，可以对目标ct图像的视神经和内直肌图像进行有效的图像分割及图像提取。

在本实施例中，统计形状模型的构建，需要依据大量已标注视神经及内直肌图像边缘的ct图像，其中，标注视神经及内直肌图像边缘的准确度越高，构建的视神经及内直肌的统计形状模型的质量越好。具体来说，已标注视神经及内直肌图像边缘的ct图像为训练样本数据集，训练样本数据集的数量和质量决定统计形状模型的质量，训练样本数据集的数量越多，质量越好，统计形状模型的质量越好。

在本实施例中，对ct图像进行视神经和内直肌图像的标注，可以在医学图像处理软件平台(medicalimagingtoolkit，mitk)上进行。具体来说，可以根据ct图像中视神经和内直肌形状的连续边缘，描绘视神经和内直肌的二维切面轮廓；对多层切片进行融合处理，得到完整的视神经和内直肌的表面形状图像。

可选的，请参阅图2，图2为本发明提供的图1所示的图像分割方法的步骤s1的一实施例的流程图，如图2所示，该步骤s1可以包括以下步骤：

步骤s11、从k张ct图像中分别标识出k张视神经及内直肌二维切面轮廓，所述k为正整数；

步骤s12、将所述k张视神经及内直肌二维切面轮廓进行融合处理，得到n张视神经及内直肌形状图像，所述n为小于k的正整数；

步骤s13、通过分组级弹性配准获取所述n张视神经及内直肌形状图像中具有形状对应关系的m个三维点云数据集，所述m个三维点云数据集具有相同的点数，且相同序列的点相对应，所述m为小于或等于n的正整数；

步骤s14、对所述m个三维点云数据集采用主成分分析法构建所述统计形状模型。

在本实施例中，步骤s11可以在mitk上进行，通过mitk从k张ct图像中分别标识出k张视神经及内直肌二维切面轮廓。举例来说，可以参阅图3，图3所示为本发明提供的图像处理过程的示意图。如图3所述，视神经及内直肌二维切面轮廓301可以大概看出视神经和内直肌的形状轮廓，形状轮廓是二维的，不具有立体效果。

在本实施例中，步骤s12将所述k张视神经及内直肌二维切面轮廓进行融合处理，得到n张视神经及内直肌形状图像，视神经及内直肌形状图像为具有立体效果的形状图像，具体的，可以再次参阅图3，如图3中，视神经及内直肌形状图像302的个数可以为多个，且从视神经及内直肌形状图像302可以看出视神经及内直肌的立体形状，具有比较直观的显示效果。

在本实施例中，为了构建统计形状模型，需获得训练样本数据集的点对应关系，两个形状间的点对应关系可以通过形状间的弹性配准实现。对于大量训练样本数据集，无偏的点对应关系可通过分组级(group-wise)形状配准获得。

对于两组点云px和py，点云的弹性配准是找到一个确定的空间弹性变换模型模型参数为θ，使得描述两组点云的距离测度的目标函数达到最低值，其中，

形状数据间的两两配准为成对(pair-wise)配准，成对配准的目标函数为两个数据间的相似性。在本实施例中，获取训练样本数据集的形状对应关系，数据集中所有形状之间的相似性测度是需要求解的目标函数，目标函数表示为其中s＝{s1，s2，…，sn}，n为训练数据集中样本的数量，gij为数据集中第i和j个形状数据集之间的连接关系，所有形状数据集之间的连接关系用图模型来表示，因此分组级的配准通过图模型的引导实现，最终获得具有形状对应关系的数据集在本实施例中，所述图模型是计算机数据结构中常用的基础概念，例如，常用的图模型的表示方式是邻接矩阵。

请再次参阅图3，在获取n张视神经及内直肌形状图像后，采取点云弹性配准，通过分组级弹性配准获取所述n张视神经及内直肌形状图像中具有形状对应关系的m个三维点云数据集，形状对应关系即指：所述m个三维点云数据集具有相同的点数，且相同序列的点相对应，所述m为小于或等于n的正整数；并对所述m个三维点云数据集采用主成分分析法构建所述统计形状模型，其中，主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标即主成分，其中每个主成分都能够反映原始变量的大部分信息，且所含信息互不重复。

在本实施例中，统计形状模型的建立依赖于基于具有形状对应的训练样本数据集对于形状数据中的三维点云，点云数据按照点的索引顺序用向量v表示，n为训练样本数据集中每个子数据集中点的个数，子数据集为xyz为点的坐标值。其中：

采用主成分分析pca法构建统计形状模型，首先计算所有形状数据的平均向量且计算对应的协方差矩阵∑，

对∑进行特征值分解可获得max(m-1，3n)个特征向量φ和对应的特征值λ。对特征向量按照特征值降序排列，当满足则取前c个特征向量对形状数据进行建模，其中，r取值可以为0.95-0.98，具体的，可以根据以下公式：对形状数据进行建模，其中b＝{b1，b2，…，bc}为任意形状数据的向量参数化表示。

步骤s2、将所述统计形状模型向参考ct图像的视神经及内直肌粗分割模型进行拟合，得到所述参考ct图像的标准形状模型。

在本实施例中，可以通过mitk对参考tc图像进行视神经及内直肌粗分割，得到视神经及内直肌粗分割模型，将统计形状模型向ct图像的视神经及内直肌粗分割模型进行拟合，得到所述参考ct图像的标准形状模型。相较于视神经及内直肌粗分割模型，所述参考ct图像的标准形状模型的表面更加平滑，符合视神经和内直肌组织的真实情况。

可选的，请参阅图4，图4为本发明提供的图1所示的图像分割方法的步骤s2的一实施例的流程图。如图4所示，步骤s2可以包括以下步骤：

步骤s21、基于所述参考ct图像中提取的目标视神经及内直肌边缘，获取所述统计形状模型中每个点到所述目标视神经及内直肌边缘的位移向量；

步骤s22、基于所述统计形状模型的特征矩阵及所述位移向量，获取所述参考ct图像的标准形状模型。

在本实施例中，首先根据粗分割提取的参考ct图像中目标视神经及内直肌边缘，获得标准形状模型中的每个点到目标视神经及内直肌边缘的位移向量dv，其中，

dv＝(dxi1，dyi1，dzi1，dxi2，dyi2，dzi2，…，dxin，dyin，dzin)，再根据统计形状模型的特征矩阵φ，更新标准形状模型的参数b′＝b+db＝b+φ^tdv，其中，参数b是统计形状模型的参数。

这样，获取的参考ct图像的标准形状模型的表面更加平滑，符合视神经和内直肌组织的真实情况，能够增加后续视神经及内直肌图像分割的准确度。

步骤s3、计算所述参考ct图像映射到目标ct图像的弹性形变场。

在本实施例中，通过计算参考ct图像i^ref映射到目标ct图像i^tar的弹性形变场，并将形变场作用于标准形状模型，基于所述计算的弹性形变场对标准形状模型进行形变后，所获得的模型可作为目标ct图像的最终分割结果，即将形变后的模型作为所述目标ct图像的视神经及内直肌图像分割结果。弹性形变场可以通过三维图像弹性配准实现。

可选的，请参阅图5，图5为本发明提供的图1所示的图像分割方法的步骤s5的一实施例的流程图。如图5所示，步骤s3可以包括以下步骤：

步骤s31、采用归一化互信息量作为所述参考ct图像与所述目标ct图像之间的相似度测度，采用b样条函数作为形变函数，其中，所述归一化互信息量为：

nmi(μ；i^ref，i^tar)为归一化互信息量，i^ref为参考ct图像，i^tar为目标ct图像，k为参考ct图像i^ref中的像素点，l为目标ct图像i^tar中的像素点，p为离散联合分布概率，pref为参考ct图像中像素的分布概率，ptar为目标ct图像中像素的分布概率，μ为形变函数的参数；所述b样条函数为：其中xk为控制点，β³为b样条多项式，ρk为b样条的系数向量，σ为控制点间隔；

步骤s32、调整所述b样条函数的形变参数u，以获取所述归一化互信息量的最优值

步骤s33、将所述归一化互信息量的最优值所对应的所述b样条函数的最优形变参数u作为所述弹性形变场。

这样，根据归一化互信息量及b样条函数，可以获取精确度比较高的弹性形变场，提高视神经及内直肌图像分割的效果。

步骤s4、将所述弹性形变场作用于所述标准形状模型，得到所述目标ct图像的视神经及内直肌图像分割结果。

在本实施例中，通过计算参考ct图像i^ref映射到目标ct图像i^tar的弹性形变场，并将形变场作用于标准形状模型，基于所述计算的弹性形变场对标准形状模型进行形变后，所获得的模型作为目标ct图像的最终分割结果，这样，不直接对目标ct图像进行分割，而是通过弹性形变场作用于目标ct图像获取视神经及内直肌图像，可以避免由于视神经和内直肌图像在目标ct图像中成像对比度低、边缘模糊造成直接分割效果差的情况出现，将形变后的模型作为所述目标ct图像的视神经及内直肌图像分割结果，可以提高在目标ct图像中分割视神经及内直肌图像的效果。

本发明实施例提供的图像分割方法，能够基于视神经及内直肌的统计形状模型，对目标ct图像进行视神经及内直肌图像分割，分割得到的视神经及内直肌图像比较准确，从而可以提高从ct图像中分割视神经及内直肌图像的分割效果，提高手术导航的安全性。

参见图6，图6为本发明提供的图像分割方法一实施例的流程图，图6所示的图像分割方法可以应用于手术导航设备，如图6所示的图像分割方法与图1所示的图像分割方法相比，步骤s1-4的内容相同或相似，为避免重复，在此不做赘述，图6所示的图像分割方法与图1所示的图像分割方法的区别之处在于在步骤s2之前增加了步骤s101及s102，下面对步骤s101及s102进行详细描述：

步骤s101、从所述k张ct图像选取所述参考ct图像；

步骤s102、对所述参考ct图像进行视神经及内直肌粗分割，得到所述参考ct图像的视神经及内直肌粗分割模型。

在本发明实施例中，可以预先设置参考ct图像的选取条件，从k张图像中选择满足选取条件的ct图像作为参考ct图像，选取条件用于确保选取的参考ct图像的视神经及内直肌图像比较清晰。可以通过mitk对参考ct图像进行视神经及内直肌图像的粗分割，以获取参考ct图像的视神经及内直肌粗分割模型。

这样，可以快速的从参考ct图像中获取比较准确的视神经及内直肌粗分割模型，提高整体的数据处理效率。

本发明实施例提供的图像分割方法，能够基于视神经及内直肌的统计形状模型，对目标ct图像进行视神经及内直肌图像分割，分割得到的视神经及内直肌图像比较准确，从而可以提高从ct图像中分割视神经及内直肌图像的分割效果，提高手术导航的安全性。

本发明进一步提供一种手术导航设备。参见图7，图7为本发明提供的手术导航设备一实施例的结构图，如图7所示，手术导航设备700包括构建模块701、拟合模块702、计算模块703及处理模块704；构建模块701与拟合模块702连接，拟合模块702还与计算模块703连接，计算模块703还与处理模块704连接，其中：

构建模块701，用于构建视神经及内直肌的统计形状模型；

拟合模块702，用于将所述统计形状模型向参考电子计算机断层扫描ct图像的视神经及内直肌粗分割模型进行拟合，得到所述参考ct图像的标准形状模型；

计算模块703，用于计算所述参考ct图像映射到目标ct图像的弹性形变场；

处理模块704，用于将所述弹性形变场作用于所述标准形状模型，得到所述目标ct图像的视神经及内直肌图像分割结果。

由于ct图像中的视神经和内直肌图像的灰度对比度低及边缘模糊等原因，传统的基于灰度和基于边缘的方法无法从ct图像中分割出视神经和内直肌图像。通过构建视神经及内直肌的统计形状模型，可以对目标ct图像的视神经和内直肌图像进行有效的图像分割及图像提取。

在本实施例中，构建模块701构建统计形状模型，需要依据大量已标注视神经及内直肌图像边缘的ct图像，其中，标注视神经及内直肌图像边缘的准确度越高，构建的视神经及内直肌的统计形状模型的质量越好。具体来说，已标注视神经及内直肌图像边缘的ct图像为训练样本数据集，训练样本数据集的数量和质量决定统计形状模型的质量，训练样本数据集的数量越多，质量越好，统计形状模型的质量越好。

在本实施例中，对ct图像进行视神经和内直肌图像的标注，可以在mitk上进行。具体来说，可以根据ct图像中视神经和内直肌形状的连续边缘，描绘视神经和内直肌的二维切面轮廓；对多层切片进行融合处理，得到完整的视神经和内直肌的表面形状图像。

可选的，请参阅图8，图8为本发明提供的图7所示的构建模块的结构图，如图8所示，构建模块701包括：

识别子模块7011，用于从k张ct图像中分别标识出k张视神经及内直肌二维切面轮廓，所述k为正整数；

融合子模块7012，用于将所述k张视神经及内直肌二维切面轮廓进行融合处理，得到n张视神经及内直肌形状图像，所述n为小于k的正整数；

第一获取子模块7013，用于通过分组级弹性配准获取所述n张视神经及内直肌形状图像中具有形状对应关系的m个三维点云数据集，所述m个三维点云数据集具有相同的点数，且相同序列的点相对应，所述m为小于或等于n的正整数；

构建子模块7014，用于对所述m个三维点云数据集采用主成分分析法构建所述统计形状模型。

在本实施例中，识别子模块7011可以通过mitk从k张ct图像中分别标识出k张视神经及内直肌二维切面轮廓。举例来说，可以参阅图3，图3所示为本发明提供的图像处理过程的示意图。如图3所述，视神经及内直肌二维切面轮廓301可以大概看出视神经和内直肌的形状轮廓，形状轮廓是二维的，不具有立体效果。

在本实施例中，融合子模块7012将所述k张视神经及内直肌二维切面轮廓进行融合处理，得到n张视神经及内直肌形状图像，视神经及内直肌形状图像为具有立体效果的形状图像，具体的，可以再次参阅图3，如图3中，视神经及内直肌形状图像302的个数可以为多个，且从视神经及内直肌形状图像302可以看出视神经及内直肌的立体形状，具有比较直观的显示效果。

在本实施例中，为了构建统计形状模型，需获得训练样本数据集的点对应关系，两个形状间的点对应关系可以通过形状间的弹性配准实现。对于大量样本集，第一获取子模块7013可通过分组级(group-wise)形状配准获得无偏的点对应关系。

对于两组点云px和py，点云的弹性配准是找到一个确定的空间弹性变换模型模型参数为θ，使得描述两组点云的距离测度的目标函数达到最低值,

形状数据间的两两配准为成对(pair-wise)配准，成对配准的目标函数为两个数据间的相似性。在本实施例中，第一获取子模块7013获取形状训练样本数据集的形状对应关系，数据集中所有形状之间的相似性测度是需要求解的目标函数，目标函数表示为其中s＝{s1，s2，…，sn}，n为训练数据集中样本的数量，gij为数据集中第i和j个形状数据集之间的连接关系，所有形状数据集之间的连接关系用图模型来表示，因此分组级的配准通过图模型的引导实现，最终获得具有形状对应关系的数据集在本实施例中，所述图模型是计算机数据结构中常用的基础概念，例如，常用的图模型的表示方式是邻接矩阵。

请再次参阅图3，在获取n张视神经及内直肌形状图像后，第一获取子模块7013采取点云弹性配准，通过分组级弹性配准获取所述n张视神经及内直肌形状图像中具有形状对应关系的m个三维点云数据集，形状对应关系即指：所述m个三维点云数据集具有相同的点数，且相同序列的点相对应，所述m为小于或等于n的正整数；构建子模块7014对所述m个三维点云数据集采用主成分分析法构建所述统计形状模型，其中，主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标即主成分，其中每个主成分都能够反映原始变量的大部分信息，且所含信息互不重复。

在本实施例中，统计形状模型的建立依赖于基于具有形状对应的训练样本数据集对于形状数据中的三维点云，点云数据按照点的索引顺序用向量v表示，n为训练样本数据集中每个子数据集中点的个数，子数据集为xyz为点的坐标值。其中：

采用主成分分析pca法构建统计形状模型，首先计算所有形状数据的平均向量且计算对应的协方差矩阵∑，对∑进行特征值分解可获得max(m-1，3n)个特征向量φ和对应的特征值λ。对特征向量按照特征值降序排列，当满足则取前c个特征向量对形状数据进行建模，其中，r取值可以为0.95-0.98，具体的，可以根据以下公式：对形状数据进行建模，其中b＝{b1，b2，…，bc}为任意形状数据的向量参数化表示。

在本实施例中，拟合模块702可以用于通过mitk对参考ct图像进行视神经及内直肌粗分割，得到视神经及内直肌粗分割模型，拟合模块702还用于将统计形状模型向ct图像的视神经及内直肌粗分割模型进行拟合，得到所述参考ct图像的标准形状模型。相较于视神经及内直肌粗分割模型，所述参考ct图像的标准形状模型的表面更加平滑，符合视神经和内直肌组织的真实情况。

可选的，请参阅图9，图9为本发明提供的图7所示的拟合模块702的结构图。如图9所示，拟合模块702：

第二获取子模块7021，用于基于所述参考ct图像中提取的目标视神经及内直肌边缘，获取所述统计形状模型中每个点到所述目标视神经及内直肌边缘的位移向量；

第三获取子模块7022，用于基于所述统计形状模型的特征矩阵及所述位移向量，获取所述参考ct图像的标准形状模型。

在本实施例中，首先根据粗分割提取的参考ct中目标视神经及内直肌边缘，获得标准形状模型中的每个点到目标视神经及内直肌边缘的位移向量dv，其中，

dv＝(dxi1，dyi1，dzi1，dxi2，dyi2，dzi2，…，dxin，dyin，dzin，)，再根据统计形状模型的特征矩阵φ，更新标准形状模型的参数b＇＝b+db＝b+φtdv，其中，参数b是统计形状模型的参数。

这样，获取的参考ct图像的标准形状模型的表面更加平滑，符合视神经和内直肌组织的真实情况，能够增加后续视神经及内直肌图像分割的准确度。

在本实施例中，通过计算参考ct图像i^ref映射到目标ct图像i^tar的弹性形变场，并将形变场作用于标准形状模型，基于所述计算的弹性形变场对标准形状模型进行形变后，所获得的模型可作为目标ct图像的最终分割结果，即将形变后的模型作为所述目标ct图像的视神经及内直肌图像分割结果。弹性形变场可以通过三维图像弹性配准实现。

可选的，请参阅图10，图10为本发明提供的图7所示的计算模块703的结构图。如图10所示，计算模块703包括：

第一处理子模块7031，用于采用归一化互信息量作为所述参考ct图像与所述目标ct图像之间的相似度测度，采用b样条函数作为形变函数，其中，所述归一化互信息量为：

nmi(μ；i^ref，i^tar)为归一化互信息量，i^ref为参考ct图像，i^tar为目标ct图像，k为参考ct图像i^ref中的像素点，l为目标ct图像i^tar中的像素点，p为离散联合分布概率，pref为参考ct图像中像素的分布概率，ptar为目标ct图像中像素的分布概率，μ为形变函数的参数；所述b样条函数为：其中xk为控制点，β³为b样条多项式，ρk为b样条的系数向量，σ为控制点间隔；

调整子模块7032，用于调整所述b样条函数的形变参数u，以获取所述归一化互信息量的最优值

第二处理子模块7033，用于将所述归一化互信息量的最优值所对应的所述b样条函数的最优形变参数u作为所述弹性形变场。

这样，根据归一化互信息量及b样条函数，可以获取精确度比较高的弹性形变场，提高视神经及内直肌图像分割的效果。

在本实施例中，通过计算模块703计算参考ct图像i^ref映射到目标ct图像i^tar的弹性形变场，处理模块704将形变场作用于标准形状模型，基于所述计算的弹性形变场对标准形状模型进行形变后，所获得的模型作为目标ct图像的最终分割结果，这样，不直接对目标ct图像进行分割，而是通过弹性形变场作用于目标ct图像获取视神经及内直肌图像，可以避免由于视神经和内直肌图像在目标ct图像中成像对比度低、边缘模糊造成直接分割效果差的情况出现，将形变后的模型作为所述目标ct图像的视神经及内直肌图像分割结果，可以提高在目标ct图像中分割视神经及内直肌图像的效果。

本发明实施例提供的手术导航设备，能够基于视神经及内直肌的统计形状模型，对目标ct图像进行视神经及内直肌图像分割，分割得到的视神经及内直肌图像比较准确，从而可以提高从ct图像中分割视神经及内直肌图像的分割效果，提高手术导航的安全性。

参见图11，图11为本发明提供的手术导航设备的结构图，图11所示的手术导航设备，与图7所示的手术导航设备相比，构建模块701、拟合模块702、计算模块703及处理模块704的功能相同或相似，为避免重复，在此不做赘述，图11所示的手术导航设备，与图7所示的手术导航设备的区别之处在于增加了选取模块705及粗分割模块706，其中：

选取模块705，用于从所述k张ct图像选取所述参考ct图像；

粗分割模块706，用于对所述参考ct图像进行视神经及内直肌粗分割，得到所述参考ct图像的视神经及内直肌粗分割模型。

在本发明实施例中，可以预先设置参考ct图像的选取条件，从k张图像中选择满足选取条件的ct图像作为参考ct图像，选取条件用于确保选取的参考ct图像的视神经及内直肌图像比较清晰。可以通过mitk对参考ct图像进行视神经及内直肌图像的粗分割，以获取参考ct图像的视神经及内直肌粗分割模型。

这样，可以快速地从参考ct图像中获取比较准确的视神经及内直肌粗分割模型，提高整体的数据处理效率。

本发明实施例提供的手术导航设备，能够基于视神经及内直肌的统计形状模型，对目标ct图像进行视神经及内直肌图像分割，分割得到的视神经及内直肌图像比较准确，从而可以提高从ct图像中分割视神经及内直肌图像的分割效果，提高手术导航的安全性。

本发明进一步提供一种电子设备。参见图12，图12是本发明实施例提供的电子设备的结构图，如图12所示，电子设备1200包括：处理器1201、总线接口及收发机1202，其中：

处理器1201，用于构建视神经及内直肌的统计形状模型；将所述统计形状模型向参考ct图像的视神经及内直肌粗分割模型进行拟合，得到所述参考ct图像的标准形状模型；计算所述参考ct图像映射到目标ct图像的弹性形变场；将所述弹性形变场作用于所述标准形状模型，得到所述目标ct图像的视神经及内直肌图像分割结果。

可选的，所述处理器1201执行所述构建视神经及内直肌的统计形状模型包括：从k张ct图像中分别标识出k张视神经及内直肌二维切面轮廓，所述k为正整数；将所述k张视神经及内直肌二维切面轮廓进行融合处理，得到n张视神经及内直肌形状图像，所述n为小于k的正整数；通过分组级弹性配准获取所述n张视神经及内直肌形状图像中具有形状对应关系的m个三维点云数据集，所述m个三维点云数据集具有相同的点数，且相同序列的点相对应，所述m为小于或等于n的正整数；对所述m个三维点云数据集采用主成分分析法构建所述统计形状模型。

可选的，所述处理器1201，还用于从所述k张ct图像选取所述参考ct图像；对所述参考ct图像进行视神经及内直肌粗分割，得到所述参考ct图像的视神经及内直肌粗分割模型。

可选的，所述处理器1201执行所述将所述统计形状模型向参考ct图像的视神经及内直肌粗分割模型进行拟合，得到所述参考ct图像的标准形状模型，包括：基于所述参考ct图像中提取的目标视神经及内直肌边缘，获取所述统计形状模型中每个点到所述目标视神经及内直肌边缘的位移向量；基于所述统计形状模型的特征矩阵及所述位移向量，获取所述参考ct图像的标准形状模型。

可选的，所述处理器1201执行所述计算所述参考ct图像映射到目标ct图像的弹性形变场，包括：采用归一化互信息量作为所述参考ct图像与所述目标ct图像之间的相似度测度，采用b样条函数作为形变函数，其中，所述归一化互信息量为：

其中，nmi(μ；i^ref，i^tar)为归一化互信息量，i^ref为参考ct图像，i^tar为目标ct图像，k为参考ct图像i^ref中的像素点，l为目标ct图像i^tar中的像素点，p为离散联合分布概率，pref为参考ct图像中像素的分布概率，ptar为目标ct图像中像素的分布概率，μ为形变函数的参数；所述b样条函数为：其中xk为控制点，β3为b样条多项式，ρk为b样条的系数向量，σ为控制点间隔；

调整所述b样条函数的形变参数u，以获取所述归一化互信息量的最优值将所述归一化互信息量的最优值所对应的所述b样条函数的最优形变参数u作为所述弹性形变场。

在本发明实施例中，电子设备1200还包括：存储器1203。在图12中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器1201代表的一个或多个处理器和存储器1203代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机1202可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。处理器1201负责管理总线架构和通常的处理，存储器1203可以存储处理器1201在执行操作时所使用的数据。

本发明实施例还提供一种存储介质，存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述图像分割方法的实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述存储介质，如只读存储器(read-onlymemory，简称rom)、随机存取存储器(randomaccessmemory，简称ram)、磁碟或者光盘等。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。