对所述边缘的平均路线，所述平均路线是从在形成所述边缘的边缘点处的 概率分布的平均计算的。
[0031] 如应从上文认识到的，两者方法本质上都利用图像中的噪声信号来进行图像处 理，尤其是进行分割或边缘不确定性可视化。两种方法能够被组合使用，从而对如由噪声信 号引导的/控制的分割产生的边缘不确定性进行可视化，但是两种方法中的任一个也能够 与另一个完全分离地以它们自己来使用。
【附图说明】
[0032] 现在将参考附图描述本发明的示范性实施例，其中：_
[0033] 图1示出了根据第一方面的图像处理装置；
[0034] 图2示出了根据第一方面的图像处理方法的流程图；
[0035] 图3示出了在MLIR重建图像中的噪声分布；
[0036] 图4示出了在已经根据不同方法重建的图像中噪声分布如何变化；
[0037] 图5示出了根据第二方面的图像处理装置；
[0038] 图6示意性示出了由图5的装置产生的图像，以及对图形用户界面的示意性绘 制；
[0039] 图7示出了图5中的装置的输入数据和输出数据；
[0040] 图8示出了根据第二方面的图像处理方法的流程图。
【具体实施方式】
[0041] 参考图1，示出了根据第一方面的具有用于利用图像頂中的噪声信息FX的装置 SEG的布置100。在其基本部件中，装置包括保存图像頂的数据库、具有输入端口IN和输 出端口OUT的分割器SEG。
[0042] 宽泛而言，分割器SEG在其输入端口IN处从数据库DB读入图像頂，以要在下文更 详细地描述的方式对所述图像进行图像处理，以在输出端口OUT处产生分割的图像，所述 分割的图像然后能够被绘制以便在监视器Μ上查看，或者以其他方式被进一步图像处理。 图像分割宽泛地说是将图像中的像素或体素分裂为片块的任务。片块通常表示并且概述为 感兴趣形状对象，例如，在医学背景下，血管或其他器官的图像足迹。
[0043] 如本文中提出的分割器SEG运行基于模型的分割算法，以通过使用图像特征搜索 和关于器官的形状的先验知识两者，来实现鲁棒的分割结果。这意味着，分割器利用了关于 要被分割的图像部分的近似形状的已有知识。通过将模型MOD包括到算法中，来表示关于 形状的该现有知识。更具体而言，在一个实施例中，模型可以表示由诸如相互连接的三角形 的网格单元构成的2D或3D网格。宽泛而言，算法操作为迭代地将初始模型网格MOD适配 到要被分割的图像頂中的图像特征。该适配是迭代过程，其在该实施例中能够被公式化为 由目标函数，尤其是能量函数E约束的优化过程。任选地，还存在可视化器UV，将在下文在 图5-图8处更详细地解释其目的。
[0044] 现在将参考图2中的流程图更详细地描述如由基于模型的分割器SEG实施的分割 方法。
[0045] 宽泛而言，如本文中提出的基于模型的分割方法不仅利用模型M0D，而且还利用对 要被分割的图像頂中的空间可变的噪声信号信息的明确规范（在图1中以符号方式被示 为FX)。
[0046] 在步骤S205处，i)图像頂被接收，而且ii)在图像中的不同位置上的噪声信号水 平空间分布的规范FX被接收。换言之，根据所提出的方法，不仅图像頂自身被馈送到分割 算法中，而且噪声的空间分布的估计被馈送到分割算法中，并且提出了在依据步骤S210的 分割期间使用该额外的（噪声水平）信息。
[0047] 噪声规范能够是经由局部方差的集合σi的，或者通过指定针对要被分割的图像 中的每个图像像素的概率密度或分布的参数化的族的。然而，也设想了其他形式的噪声信 息规范，只要它们适于捕获噪声在图像IM像素上的空间变化性。
[0048] 能够从数据库DB检索图像頂。根据一个实施例，图像是来自对象（患者，或其他 感兴趣对象）的由诸如X射线、CT或MRI的成像模态采集的投影图像的重建。在一个实施 例中，图像为如由重建器REC0N产生的MLIR重建，如将在下文参考图3、图4进一步更详细 地解释的。
[0049] 根据一个实施例，在图像上的噪声分布是非均匀的，亦即，噪声的量普遍在图像上 变化。换言之，存在具有噪声水平的显著差异的至少两个图像部分。
[0050] 在步骤S210处，基于模型的分割被应用到模型MOD。分割步骤包括迭代地将模型 MOD适配到不同的图像位置，以获得多个不同地适配的模型。模型适配是由在不同图像位置 处的不同噪声信号水平控制的。
[0051] 在步骤S215处，现在分割的图像被输出，其中，经适配的模型中的一个定义在图 像頂中的分割。概述经适配的模型的边界（其可以为2D表面，或者在更简单的情况下，2D 曲线）的在图像頂中的图像像素定义分割边界。经适配的模型边界在医学背景下可以定 义诸如肝脏等的感兴趣器官的轮廓。
[0052] 现在将更详细地解释在依据图2的步骤S210中的分割。在一个实施例中，在S210 处的基于模型的分割步骤能够以数学方式被表述为优化问题，其中能量代价函数（亦即， 目标函数）
[0053] E(v)= Eext(v) +aEint(v) (1)
[0054] 要被最小化（这并不失一般性，因为任何最大化都能够被表达为最小化）。
[0055] 下标ext和int分别指外部和内部能量。参数向量v指代理想的初始模型MOD的 网格的顶点位置的集合。外部向量通过对形成理想形状MOD的顶点的偏移将网格顶点朝图 像特征"吸引"，同时由a加权的内部能量保持如由MOD指定的形状。应用因子a以令两 个能量项可比较。首先，模型被刚性地（经由平移和/或旋转）配准在图像頂上。然后， 以如下方式应用非刚性适配。
[0056] 在一个实施例中，外部能量通过取决于图像頂中的梯度的图像特征函数的方式 来公式化。针对三角形的重心^，在其法向方向叫上使用具有间隔δ的21+1离散样本点， 来执行特征搜索，
[0057] c；=jδηj=-1,L, 1 (2)
[0058] 在每个采样点x/_ =i+c;.处，评价特征函数并最终选择目的点,所述目的点最 好地将特征值F和距离jδ组合到三角形的重心，例如：
[0059]
[0060] 具有距离加权因子D，加权因子D作用于惩罚远处的采样点以更好地权衡特征拟 合与距离。
[0061] 网格顶点到图像特征的吸引或偏移能够通过评价各个特征函数来实现，例如，就 在各自的网格三角形的位置处编码预期像素模式（在具有比如1-2_的半径的邻域中）的 灰度值模板。在一个实施例中，特征函数评价局部邻域中的图像梯度
[0062]
[0063]其中，参数s= {-1，+1}考虑预期梯度取向，在明亮背景上的暗对象之间分辨，反 之亦然。量》f指代向外指向的网格表面法向向量。局部网格法向与图像梯度之间的标量积 针对相等定向向量在幅度上是最大的。梯度响应受阈值g约束，方程式4中的分数项限制 具有非常大的梯度的位置的影响。换言之，围绕初始理想模型MOD的图像（空间）中的图 像特征通过依据方程式4的对基于梯度的图像特征函数F的局部评价来采样。在采样步骤 S处的图像特征采样沿顶点三角形的各自法线在各自的目的点处发生。引起高特征函数 响应的那些目的点然后被视为可能的候选目标点，模型MOD的顶点被偏移到其，以因此形 成变形的或经适配的模型。以这种方式，针对沿每个法线的多个目的点，得到多个不同地变 形/适配的模型。目标函数，在这种情况下为能量函数E，提供了用于决策多个不同地变形 /适配的模型中的何者最终定义受欢迎的分割的准则。然后通过在所述多个目的点上迭代 或循环来评价能量函数，以找到目的点的最优配置。最优目的点的集合然后定义分割的顶 点，其然后在步骤S215被输出。
[0064] 更详细地考虑能量目标函数，针对检测的的目的点'，在一个实施例中，以二次 方程式的形式给出外部能量项，
[0065]
[0066] 其中％允许在三角形中心方面对模型MOD的顶点v的表达，并且wi为加权因子。 Cxf-力W>)到在目的位置处的图像梯度上的投影使得能量对三角形在目标相切平面内的 移动不变，防止三角形在目的位置处变得"粘住"，并因此防止优化陷入局部极小值。权重Wl 能够根据各自目的点的特征值来选择，以在网格重配置/适配期间将最大影响给予最有前 景的点。换言之，最好地拟合模型MOD的形状特性的那些图像特征（如针对目的点中的每 个沿来自模型的它们的各自的法线测量的）将吸引较高的权重Wl。在一些实施例中，最有 前景的点可以意味着，相比于较不明显的边缘，非常明显的边缘是优选的。
[0067] EMt(v)中的每个被加数表示希望要分割的器官或对象的表面被定位于图像位置 MlV处的"证据"。其测量为了使模型点偏移到各自的点MlV需要耗费的偏移的量或"代价"。 本文中然后提出将在目的点处的所供应的噪声规范水平并入到分割过程中。在一个实 施例中，噪声水平以通过在每个图像点的局部方差测量的局部噪声水平σi的集合的形式 被指定。在一个实施例中，将各自的局部图像噪声信息并入到分割步骤S210中是通过如下 修改方程式5中的外部能量项来进行：
[0068]
[0069] 换言之，本文中提出使用噪声适配的权重，其不同地响应于不同的噪声水平。方程 式6描述如何控制迭代模型适配（由MlV给出）。使模型点MlV朝不同图像位置χΓ偏移， 其中，各自偏移动作的"力度"（如通过噪声修饰的权重实现的）随着在不同位置处的 〇7· 局部噪声信号水平相反地变化。偏移力度的变化通过对目标函数Ε的外部能量项应用噪声 水平相关权重来实现，以从而驱动对分割步骤的优化。
[0070] 也设想了以上的其他公式化，只要噪声水平相关权重被应用到表示或测量各自的 模型点到图像空间中的不同候选位置的吸引的水平的目标函数的项或该部分。
[0071] 例如，在依据方程式6的一个实施例中，较高的权重被给予噪声较小的图像位置， 并且较小的权重被给予高嘈杂图像点或区。换言之，方程式6被如此改造，使得相比于具有 低噪声水平的那些，优化过程较不信任高噪声图像点。又换言之，存在更愿意放弃如在初始 模型中实现的理想形状，而倾于在具有低噪声水平的候选目的点处的图像特征的倾向。相 反地，如果在预期朝其偏移的图像点处的噪声水平高，则优化过程被偏向为不使模型顶点 朝该点偏移，而是保持如由模型MOD定义的理想形状。
[0072] 针对外部能量使用噪声相关空间适配的（亦即，在图像平面上变化的）加权参数 Wl，非常不类似于先前所提出的，其中，加权参数α凭经验被选择为全局常量，其中，外部能 量仅取决于图像（"面"）值，而不考虑局部噪声信息。
[0073] 所提出的方法对具有高空间变化性的噪声分布的图像效果最好。只有这样，噪声 信息FX的选择性控制函数才在方程式6中来承担（cometobear)。
[0074] 已经发现，所提出的方法能够被有利地应用于的合适的图像是由诸如最大似然迭 代重建（MLIR)的迭代重建方法重建的图像。那些图像中的噪声水平分布被发现在图像内 强烈地变化。与滤波反投影图像相比，MLIR图像的不寻常的噪声分布体现在依据图3和图 4的图像范例中。在MLIR图像中，图像噪声仅（或者大部分）存在于强灰度值梯度处，而均 一图像区实质上是无噪声的。换言之，该性质能够由所提出的方法利用，以使用噪声水平作 为线索找到边缘区域并且沿边缘推进优化，但具有避免朝高嘈杂边缘自身中的点的模型适 配的倾向。在边缘自身中，保持内部能量项的形状的影响然后优先。
[0075] 图3从左到右示出了：人体模型、使用常规滤波反投影（FBP)的样本重建，以及使 用MLIR的样本重建。图3显示MLIR以因子2减小了均一背景区中的噪声，同时仍然锐利 地重建高对