利用多通道特征在磁共振图像中分割肝脏的方法和系统的制作方法
【技术领域】
[0001] 本发明涉及医学图像中的肝脏分割，并且更具体而言，涉及利用多通道特征进行 磁共振图像中的自动肝脏分割。
【背景技术】
[0002] 医学图像中诸如肝脏的解剖结构的分割是许多临床工作流程中的基本构件。在医 学图像中手动圈定肝脏是一项具有挑战性且耗时的任务，并且肝脏的手动分割在用户之间 和用户内部存在极大的可变性。为所有医学成像模态所共有的是，由于整形器或器官的可 变性，肝脏分割问题是具有挑战性的。在计算机断层扫描（CT)图像中，图像的强度用常规 的Hounsf ield单位来测量，使其针对器官分割而更简单地依赖于器官的特定强度先验值。 相对而言，用于测量磁共振（MR)图像中强度的单位在不同扫描中是变化的，从而使不依赖 于这种全局强度线索进行MR图像的器官分割。因而，需要一种在MR图像中的全自动肝脏 分割方法。
【发明内容】
[0003] 本发明提供了一种利用多通道特征在磁共振（MR)图像中进行自动肝脏分割的方 法和系统。磁共振成像（MRI)检查可包括数个MR序列，每个序列被选定为提供有关感兴趣 组织的特定类型的信息，从而得到多通道MR图像。本发明的各实施方式提供了利用能够在 多通道MR图像的各个通道中获得信息的基于判别式学习的框架进行全自动肝脏分割。而 不是利用针对分割线索的单输入图像，本发明的各实施方式利用统计学分类器和肝脏形状 的训练数据库来建立来自多输入MR图像通道的特征与肝脏边界之间的关系。
[0004] 在一个实施方式中，在多通道MR图像中分割初始肝脏边界。基于从多通道MR图 像的多个通道中提取的特征，利用训练过的边界检测器来细化多通道MR图像中分割的初 始肝脏边界。
[0005] 通过参考下面的详细描述和附图，本发明的这些和其它优势对于本领域普通技术 人员而g是显而易见的。
【附图说明】
[0006] 图1示出了根据本发明的一个实施方式、利用多通道特征在多通道MR图像中进行 自动肝脏分割的方法；
[0007] 图2示出了利用MR Dixon协议采集的肝脏的示例性多通道MR图像；
[0008] 图3示出了肝脏边界细化的示例性概率图；
[0009] 图4示出了示例性肝脏分割结果；以及
[0010] 图5是能够实现本发明的计算机的高级框图。
【具体实施方式】
[0011] 本发明涉及一种利用多通道特征在磁共振（MR)图像中进行全自动肝脏分割的方 法。这里描述的本发明的各实施方式给出了对于肝脏分割方法的视觉理解。数字图像通常 由一个或多个物体（或形状）的数字表示组成。物体的数字表示在这里通常在识别和操作 物体方面描述。这种操作是计算机系统的内存或其它电路/硬件中完成的虚拟操作。因此， 应当理解的是，本发明的各实施方式可以利用存储在计算机系统中的数据在计算机系统中 执行。
[0012] 本发明的各实施方式涉及多通道MR图像中的全自动肝脏分割。MRI检查可包括多 个序列，每个序列被选择为提供特定类型的信息，从而产生多通道MR图像。多通道MR图像 由按向量求值的强度值构成，即每个体素的多标量强度值（一个通道对应一个标量）。不同 的MR通道侧重于不同的组织特性，其提供有关所描述的图像内容的附加信息。为了实现高 精度自动肝脏分割，本发明的各实施方式提供了用于融合多个输入MR通道中的线索的可 靠算法。特别地，本发明的各实施方式提供基于判别式学习的框架，其能够利用多通道MR 图像的各个通道中提供的信息。而不是利用针对分割线索的单输入图像，本发明的各实施 方式利用统计学分类器和肝脏形状的训练数据库来建立多个输入MR通道与肝脏边界之间 的关系。
[0013] 根据有益的实施方式，能够利用边缘空间学习（MSL)将复杂的学习任务分解为便 于管理的部分以用于姿态估计，其次是精密尺度边界定位以改善肝脏分割结果。不同于CT 或单通道MR，在流水线中的每个阶段，由于不同通道具有不同的特色部分，利用从多个输入 通道采样的特征。多通道特征能够更好地表示MR图像中肝脏的边界。
[0014] 图1示意了根据本发明的实施方式、利用多通道特征在多通道MR图像中进行自动 肝脏分割的方法。图1的方法将代表患者部分解剖结构的多通道MR图像数据进行变化，以 在MR图像数据中分割患者的肝脏。
[0015] 在步骤102,接收多通道MR图像。多通道MR图像是具有至少两通道MR图像数据 的图像。多通道MR图像由按向量求值的强度值构成，即每个体素的多标量强度值（一个通 道对应一个标量）。多通道MR图像可包括利用MR扫描器采集的MR通道，以及作为利用MR 扫描器采集的MR通道的线性组合产生的MR通道。多通道MR图像可直接从MR扫描器接收， 或者多通道MR图像可通过加载所存储的多通道MR图像数据来接收。
[0016] 在示例性实施方式中，能够在利用MR Dixon扫描协议采集的3D多通道MR图像中 分割肝脏。由于不同的化学环境，水组织和脂肪组织中的氢核针对一些MRI相关参数具有 不同的值，例如弛豫时间和共振频率（化学位移）。这些不同能够用于选择性地抑制或减小 脂肪结合的质子的信号。因而，基于弛豫和基于化学位移的方法能够用于脂肪抑制。
[0017] Dixon技术基于化学位移，即脂肪结合和水结合的质子的共振频率的不同。利用这 一技术，采集两幅图像：在第一幅图像中，来自脂肪质子的信号和来自水质子的信号是"同 相的"，而在第二幅图像中，来自脂肪质子的信号和来自水质子的信号是"反相的"。通过加 法计算，计算出单独的脂肪图像和水图像。水图像是同相和反相的和。脂肪图像通过从同 相图像中减去反相图像而生成。图2示出了示例性利用MR Dixon协议采集的肝脏的多通 道MR图像。如图2所示，图像202是同相图像，图像204是反相图像，图像206是水图像， 而图像208是脂肪图像。能够在图2中看到，反相图像204中器官之间的边界由脂肪的暗 线清楚地描绘出。反相图像204中的肾的实质比同相图像202中的看起来更为明亮。反相 图像204中的左侧肾脏比同相图像202中更易于看到。椎管在水图像206中更容易看到。 因此，不同部分在不同通道中更容易识别。根据有益的实施，包括反相图像和水图像的多通 道MR图像能够用于肝脏分割。虽然也能够使用其他通道，应当指出的是，在MR Dixon图像 中，使用多于两个通道是冗余的，这是由于仅存在两个原始通道（反相和同相），而另两个 通道（水和脂肪）是原始通道的线性组合。
[0018] 返回图1，在步骤104,基于从多通道MR图像的多个通道中提取的特征在多通道MR 图像中分割肝脏。可基于从多通道MR图像的多个通道提取的特征，利用判别式学习分割算 法来分割肝脏。特别地，利用从带有注释的训练数据提取的多通道特征来训练的一个或多 个训练过的判别式分类器，能够用于基于从所接收的多通道MR图像中提取的多通道特征 来检测所接收的多通道MR图像中的肝脏。
[0019] 在有益的实施方式中，基于从多通道MR图像的多个通道提取的特征，利用边缘空 间学习（MSL)分割来分割肝脏。虽然这里描述了利用MSL组合来自多通道的响应，本发明 并不限于此，并且其它基于机器学习的方法也能够用于组合来自多个通道的特征以分割肝 脏。在MSL中，一组判别式分类器用于以分类器评估序列来估计肝脏的姿态。基于MSL的3D 目标检测利用一系列利用带有注释的训练数据训练的判别式分类器来估计3D医学图像数 据中目标解剖结构的位置、取向、和大小。例如，用于基于MSL进行心室分割的方法在2011 年 3 月 29 日公开的、标题为"System and Method for Segmenting Chambers of a Heart in a Three Dimensional Image"的美国专利No.7, 916,919中详细描述，其通过引用合并 于此。为了利用MSL有效定位目标，利用递增维度在一系列边缘空间内进行参数估计。因 此，MSL的理论并不是直接在全相似变换空间内学习分类器，而是在一系列边缘空间中递增 地学习分类器。随着维度的增加，有效空间区域变得更受先前边缘空间分类器的限制。因 此，不是同时针对所有参数进行搜索，MSL将搜索空间分解为在位置、取向、和大小上的3D 搜索的后续估计。特别地，给定输入图像I，将肝脏的姿态P〇se(t，r，S)分解为位置t、取向 r、和大小s的估计值序列：
[0020] Pr (Pose 11) = Pr (t 11) Pr (r 11, t) Pr (s 11, t, r)
[