一种基于统计形变模型的器官辅助定位分割方法
【技术领域】
[0001] 本发明属于医学影像领域，设及一种基于统计形变模型的器官辅助定位分割方 法。
【背景技术】
[0002] 医学图像分割在现代医学研究、临床诊断、病理分析和治疗方面有着极为重要的 作用，它是生物医学图像分析的先决条件，也是人类对于组织器官结构、功能认识的必要步 骤。但由于人体器官的多样性和复杂性，分割问题一直作为研究人员努力探究的热点问题。
[0003] 图像分割中常用的方法包括:边缘检测法，阔值分割法，区域生长法、活动轮廓模 型法等。但运些方法都有它们各自的局限性:边缘检测法是根据引起图像灰度变化的物理 过程来描述图像中灰度变化的过程，然而边缘定位与噪声滤除是两个相互矛盾的部分，很 难同时得到很好的解决；阔值分割法适用于目标和背景占据不同灰度级范围的图像，因此 会受到分割区域灰度对比度的限制；区域生长法可能由于噪声和灰度不均一导致空桐和过 分割;活动轮廓模型是一种自顶向下定位图像特征的机制，需要确定初始轮廓位置，因此分 割结果很大程度上受到初始轮廓的影响。在医学图像处理过程中成像设备分辨率的局限和 生物组织蠕动产生的伪影和噪声，都会导致一些器官组织边缘迷糊、分辨率低，运就给器官 分割造成了相当大的困难，并且单一的分割方法也都难W取得令人满意的效果。
[0004] 对此，近年来，基于先验知识的统计模型分割方法已被广泛应用于各种与图像相 关的领域中。上世纪九十年代Cootes等人提出了Active化ape Model,后又针对全局统计 模型进行了改进，提出多变量的混合模型用W替代初始的单一模型，避免了单个静态模型 的局限性，具有更高科学性，参见：Cootes T F，Hill A，Taylor C J，et aUhe use Of active shape models for locating structures in medical images，Information Processing in Medical Imaging Springer Berlin Heide化erg，1993:33-47.此夕h研究 者们从模型和算法角度均对统计形变模型在医学图像分割上的应用进行了深入探索研究。
[0005] 但就发展现况来看，仍存在一些缺陷：首先是先验模型的初始化问题，统计形变模 型的分割方法中，器官的初始化定位不易，若初始定位偏离真实形状越远越不易分割，使得 后续分割难度加大;其次是分割的自动化程度仍有待提高，需在保障分割精度的同时，更加 高效的完成器官分割。本发明主要针对W上两个问题，利用统计形变模型更高效、准确地分 割组织器官。
【发明内容】
[0006] 为了解决器官图像分割工作量大、复杂度高、效率低的问题，本发明提出了一种基 于统计形变模型的器官辅助定位分割方法。为了达到能够系统分割器官组织的目的，本发 明采用了基于统计形变模型的辅助定位分割方法，借由高对比度器官图像来辅助分割低对 比度器官图像，从而系统地完成器官图像的分割。
[0007] 为了实现上述目的，本发明采用的技术方案是：
[0008] -种基于统计形变模型的器官辅助定位分割方法，包括如下步骤：
[0009] (1)获取生物体CT数据；
[0010] (2)划分高、低对比度器官图像，在CT数据中选取训练样本提取相应的统计先验信 息；
[0011] (3)建立低对比度器官图像的统计形变模型；
[0012] (4)基于高、低对比度器官之间的相关性，借助高对比度器官辅助定位低对比度器 官的初始位置；
[0013] (5)在步骤(4)辅助定位的基础上，沿标记点法线方向进行器官的捜索分割。
[0014] 2.根据权利要求1所述的基于统计形变模型的器官辅助定位分割方法，其特征在 于:所述的步骤（1)，使用Micro-CT成像系统采集生物体多个角度的投影数据，利用滤波反 投影方法对投影数据进行重建，获取生物体=维CT体数据；
[0015] 所述的步骤(2)，根据X射线对生物体不同组织器官图像穿透能力的差异，将器官 图像分为高、低对比度器官图像;选取训练样本数据，对其中高、低对比度器官图像分别进 行分割，通过有限元剖分获取相应的=维点云数据;分别将高、低对比度器官的=维点云数 据进行相似性变换对齐配准;配准后求取两者的均值模型；
[0016] 所述的步骤(3)，计算步骤(2)中所得低对比度器官图像配准结果的协方差矩阵， 并进行特征分解，获得对应的特征值和特征向量，对特征值的绝对值降序排列，选取前t个 主成分，将主成分特征向量单位化处理，此时，低对比度器官的统计形变模型可被描述为其 均值模型与特征向量和形变参数的线性组合；
[0017] 所述的步骤(4)，选取待测样本，对其中高对比度器官阔值分割，有限元剖分后获 取=维点云数据;求解待测样本中高对比度器官与步骤(2)求得的相应均值模型之间的位 置形状变换；利用高对比度器官之间的变换辅助定位待测样本中低对比度器官的初始位 置；
[0018] 所述的步骤(5)，在待测数据中获取初始位置后，利用低对比度器官的统计形变模 型捜索查找边界点，使其逐渐往目标区域逼近，捜索的区域范围选定为每个边界点沿当前 轮廓的法线方向（即与该点相邻的两点连线的垂直方向上），直至捜寻到最佳匹配的变形模 型，完成最终分割。
[0019] 2.根据权利要求1所述的基于统计形变模型的医学图像分割方法，其特征在于:所 述步骤(2)的具体方法包括W下步骤：
[0020] (2a)根据X射线对生物体不同组织器官穿透能力的差异，将器官分为高、低对比度 器官，组织密度较大X射线不易透过的器官为高对比度器官，组织密度较小X射线穿透性较 大的器官为低对比度器官；
[0021] (2b)选取N个小鼠的=维体数据作为训练样本，对其中高、低对比度器官分别进行 分割，前者采用自动阔值分割，后者采用手动分割，并将分割结果进行有限元离散剖分，获 取相应的=维点云数据；
[0022] (2c)对步骤(2b)所得的高、低对比度器官=维点云数据在形状和位置上进行归一 化，分别选取基准模板将所有样本进行旋转、平移等相似性变换，得到两者对齐配准结果；
[0023] (2d)将步骤（2c)配准对齐后的结果求和平均，分别计算高对比度器官均值模型 玄"和低对比度器官均值模型充％
[0024]
[00剧其中，义,"(/= I, 2;. .JV为第i个高对比度器官对齐配准后的样本，不'二l，2，:…，游） 为第i个低对比度器官对齐配准后的样本，N为训练样本数，支K、玄％ JTf、义^均为K行 乘3列的矩阵，K为配准后单个样本=维点云中点的个数。
[0026] 3.根据权利要求1所述的基于统计形变模型的医学图像分割方法，其特征在于:所 述步骤(3)的具体方法包括W下步骤：
[0027] (3a)计算低对比度器官配准结果的协方差矩阵SS
[002引
[0029] SL为3K行乘3K列的矩阵，K为单个样本S维点云中点的个数。其中N为训练样本数， 宠 j或低对比度器官均值模型，A';'(/ = 1，2,…，.V巧低对比度器官对齐配准后的样本，T代表 矩阵的转置运算；
[0030] (36)对协方差矩阵5^进行特征分解，求解对应的特征值和特征向量，将特征值按 绝对值降序排列，选取前t(l^t^3K)个特征值，W确保能够反应样本变化的主要模式，将 主成分对应的特征向量单位化处理；
[0031] (3c)根据步骤(3b)所得，低对比度器官统计形变模型中的任意形状匀可描述为 其均值模型玄"与特征向量片和形变参数勺线性组合，即为
[0032]
[0033] 为了使形状变化限制在合理的范围内，形变参数6^需满足：
[0034]
[0035] 其中，A为第一主成分特征值。
[0036] 4.根据权利要求1所述的基于统计形变模型的医学图像分割方法，其特征在于:所 述步骤(4)的具体方法包括W下步骤：
[0037] (4a)选取M个小鼠的S维CT体数据作为待分割的测试样本，将待测