专利名称：先验约束的均值平移分析的制作方法
技术领域：
本发明涉及用于数据阵列的先验约束的均值平移分析的系统和方法。
背景技术：
均值平移是一种用于分析具有核平滑函数表面的结构的通用的优化框架。均值平移过程是一种具有自动步长大小选择的自适应梯度上升算法并且收敛于函数表面的核平滑估计的模式。均值平移框架提供一种用于一般的数据聚类问题的有效的解决方案。参见K.Fukunaga的Introduction to Statistical PatternRecognition(Academic Press，San Diego，1990年)；Y.Cheng的Mean shift，modeseeking，and clustering(IEEE Trans.Pattern Anal.Machine Intell.，17(8)790-799，1995年)；D.Comaniciu和P.Meer的Mean shiftA robust approach toward featurespace analysis(IEEE Trans.Pattern Anal.Machine Intell.，24(5)603-619，2002年)。
均值平移算法的模式寻找特性已经被成功地应用于诸如跟踪和分割这样的广泛的视觉问题。参见D.Comanciu，V.Ramesh和P.Meer的Real-time tracking ofnon-rigid objects using mean shift(IEEE Conf.Computer Vision and PatternRecognition，第142-149页，2000年)；R.T.Collins的Mean-shift blob trackingthrough scale space(IEEE Conf.Computer Vision and Pattern Recognition，第11234-240页，2003年)；D.Comaniciu和P.Meer的Mean shift analysis and applications(Int.Conf.Computer Vision，第1197-1203页，1999年)；k.Okada，D.Comaniciu和A.Krishnan的Robust anisotropic Gaussian fitting for volumetric characterizationof pulmonary nodules in multislice CT(IEEE Trans.Medical Imaging，24(3)409-423，2005年)。不幸的是，这样的方法对待例如多模数据中的难以发现的弱模式存在困难。
发明内容
现有技术的这些和其他的缺点和不利之处通过用于先验约束的均值平移分析的示范性系统和方法而被克服。
用于对数据阵列进行先验约束的均值平移分析的示范性系统包括处理器、与所述处理器进行信号通信的用于接收至少一个数据阵列的输入适配器以及与所述处理器进行信号通信的用于对至少一个数据阵列进行先验约束的均值平移分析的先验约束单元。
用于对数据阵列进行先验约束的均值平移分析的示范性方法包括处理器接收初始化数据，相对于所述初始化数据选择初始点，响应于所述初始点利用先验约束的均值平移进行高斯拟合以分析结构，并且将所分析的结构设置为先验约束。
根据以下的应结合附图来阅读的示范性实施例的描述，本公开内容的这些和其它方面、特征和优点将变得显而易见。
本公开内容根据以下的示例性的图来教导用于先验约束的均值平移分析的系统和方法，其中图1显示根据本公开内容的说明性实施例的、用于先验约束的均值平移分析的系统的示意图；图2显示根据本公开内容的说明性实施例的、用于先验约束的均值平移分析的方法的流程图；图3显示根据本公开内容的说明性实施例的、针对合成双模情况的先验约束的均值平移的图形示意图；图4显示根据本公开内容的说明性实施例的、在一维(1D)双模数据情况下的先验约束的均值平移的图形示意图；图5显示根据本公开内容的说明性实施例的、按照返回抑制(IOR)算法的局部数据分析的图形示意图；图6显示根据本公开内容的说明性实施例的、利用二维(2D)合成数据进行估计的分两步的基于IOR的数据分析的图形示意图；以及图7显示根据本公开内容的说明性实施例的示范性结果的图形示意图。
具体实施例方式
提供了用于先验约束的均值平移分析的系统和方法。公开了一种先验约束的均值平移框架，用于合并来自独立源的先验信息和基于均值平移的数据驱动模式分析。当利用具有相应的高斯分布的数据点来表示所述先验信息时，修改后的均值平移模式探测器能够被拉向数据空间中被称为有吸引力的先验(attractive prior)的期望位置，或者从被称为排斥的先验(repulsive prior)的这种位置推开。利用通过构造二次下界和上界的变分优化方法，先验约束的均值平移步骤可以被理解为被称为密度或尺度空间均值平移的数据与在最佳线性无偏估计器(BLUE)的意义上的先验的信息融合。
提供了返回抑制(IOR)算法以便利用所公开的框架来分析多模数据的模式。除了在从后验估计器中导出数据驱动最大值方面的明显应用以外，上述方法提供对数据驱动均值平移算法的灵活控制，并且对于在计算机辅助诊断(CAD)和数据分析中的半自动分割任务来说是有用的。所公开的方法的这些方面利用肺结节的半自动分割的示范性应用来加以描述和说明。特别地，结果证明所述算法能够成功地分割困难的附着到壁上的情况。
如图1中所示，按照本公开内容的说明性实施例，用于先验约束的均值平移分析的系统概况地用附图标记100来表示。系统100包括至少一个处理器或中央处理单元(CPU)102，其与系统总线104进行信号通信。只读存储器(ROM)106、随机存取存储器(RAM)108、显示适配器110、I/O适配器112、用户接口适配器114、通信适配器128和成像适配器130同样与系统总线104进行信号通信。显示单元116通过所述显示适配器110与所述系统总线104进行信号通信。盘存储单元118、诸如例如磁盘或光盘存储单元通过所述I/O适配器112与所述系统总线104进行信号通信。鼠标120、键盘122以及眼球跟踪设备124通过所述用户接口适配器114与所述系统总线104进行信号通信。成像设备132通过所述成像适配器130与所述系统总线104进行信号通信。
先验约束单元170和返回抑制(IOR)单元180也被包括在系统100中，并且与CPU102和系统总线104进行信号通信。当先验约束单元170和返回抑制单元180被说明为与至少一个处理器或CPU102相耦合时，这些部件优选地以被存储在存储器106、108和118中的至少一个中的计算机程序代码来实施，其中所述计算机程序代码由CPU102执行。
在设备100的替代实施例中，计算机程序代码的一些或全部可以被存储在位于处理器芯片102上的寄存器中。另外，可以获得先验约束单元170和返回抑制单元180以及系统100的其它元件的各种替代配置和实施方案。
转到图2，用于先验约束的均值平移分析的方法概况地用附图标记200来表示。所述方法包括开始模块210，该开始模块将控制传递到第一输入模块212。所述第一输入模块212接收初始化数据并且把控制传递到功能模块214。所述功能模块214显示所接收到的数据并且将控制传递到第二输入模块216。所述第二输入模块216选择初始点Xp并且将控制传递到功能模块218。所述功能模块218利用先验约束的均值平移执行高斯拟合并且将控制传递到功能模块220。所述功能模块220又将所分析的结构设置为先验约束并且将控制传递到功能模块222。所述功能模块222执行拟合良好性并且将控制传递到判定模块224。所述判定模块224确定在Xp附近是否存在更多的结构，并且如果是这样，则将控制传递回功能模块218。如果不是，则判定模块将控制传递到功能模块226。功能模块226利用返回抑制(IOR)分析图像的模式并且将控制传递到结束模块228。
因此，所述算法利用初始化数据和初始点Xp，并且循环直至在Xp附近没有发现结构为止。它利用由先验排斥子(prior repeller)所约束的先验约束的均值平移来执行高斯拟合。它将第m个所分析的结构设置为第m+1个先验，并且基于卡方测量在首次迭代后执行拟合良好性测试。如果初始拟合被证实为良好的拟合，那么就不执行进一步的处理。这种基于IOR的算法导致一组位于Xp附近的斑点(blob)结构。
现在转到图3，在合成双模情况下的先验约束的均值平移的概念图概况地用附图标记300来表示。这里，示意性的点A表示排斥的或消极的先验约束。示意性的点B表示有吸引力的或积极的先验约束。轨迹310表明数据驱动的收敛，而轨迹312表明先验约束的收敛。
如图4中所示，在一维(1D)双模数据情况下的先验约束的均值平移概况地用附图标记400来表示。输入数据410由以-1和3为中心的两个高斯分量组成。具有0.5垂直偏移的曲线412显示出要针对每种情况优化的尺度空间函数。“x”迭代414在-3处被初始化。“+”416表示收敛。在上部左边，具有大的带宽的尺度空间均值平移(SSMS)420被显示。在上部右边，另一具有小的带宽的SSMS430被显示。在底部左边，变分吸引子约束(variational attractor-constrained)的均值平移440被显示。底部中间显示基于再取样的排斥子(repeller)约束的均值平移450。底部右边显示变分排斥子约束的均值平移460。
转到图5，通过返回抑制(IOR)的局部数据分析概况地用附图标记500来表示。这里，目标的中心和边界的特征在于拟合高斯的均值和协方差。通过尺度空间均值平移的均值的吸引盆地(basin)限定数据空间邻域，在该数据空间邻域中模型的近似是有效的。为了处理大量的目标尺寸，执行采用一组离散分析尺度的多尺度分析。针对每个分析尺度，中心和各向异性扩展通过均值平移过程来估计，在该均值平移过程之后利用高斯拟合进行模式分析。均值通过在点Xp附近所取样的大部分数据点利用尺度空间均值平移的收敛来估计。通过一组由L个标准化尺度空间导数所组成的线性矩阵方程的受约束的最小平方解来对所述扩展进行估计。所述导数沿着在所估计的中心附近的点上初始化的尺度空间均值平移的收敛轨迹被取样。上述尺度空间分析生成一组估计对。
一种基于稳定性的尺度/带宽选择方法采用Jensen-Shannon发散标准的标准形式来从这组中选择最稳定的估计，并且邻域参数被设置为1。所得到的多尺度高斯模型拟合解决方案i)通过用于利用均值平移收敛来去除异点(outlier)的稳健估计技术而相对于来自非目标的邻近结构的影响是稳健的，ii)通过采用对这种建模误差不敏感的基于稳定性的尺度选择标准而相对于数据的非高斯性(non-Gaussianity)是稳健的，以及iii)通过采用对最小平方方法的稳健扩展而相对于由于初始化Xp所引起的变化是稳健的。
现在转到图6，一种分两步的基于IOR的利用2D合成数据来估计的数据分析概况地用附图标记600来表示。从顶部左边至底部右边A)输入数据，B)来自初始点“+”的初始高斯拟合的结果，C)采用先验约束的MS的第二步骤正确捕获肿瘤的结果，D)采用与白噪声相同的数据和不同初始化的第二步骤的结果，E)初始权重，F)由排斥的先验所约束的权重。然而，当初始拟合按照量度失败时，排斥的先验被设置并且IOR算法的下一次迭代被执行。例如，可以采用两次迭代。
如图7中所示，八个说明性的例子概况地用附图标记700来表示。左边三列分别以三个正交横截面显示原始的失败的分割结果，而右边三列显示利用先验约束的分割结果。注意，原始的和目前的结果以同一体积的不同横截面示出，因此它们显得不同。
在优选实施例的操作过程中，均值平移框架的一般化通过为控制所述均值平移在何处收敛提供合并空间先验的机制来操作。所得到的方法(formulation)能够被用于合并其它的独立于数据样本的信息源。实施例可以例如包括，i)通过用户界面(UI)的在计算机辅助诊断(CAD)方面的用户辅助控制，ii)根据由领域专家提供的信息所构建的先验的合并，以及iii)通过后处理(post-process)收敛诊断的多模数据的递归分析。所公开的方法的关键优势在于检测多模数据中的难以发现的弱模式。均值平移通过相关的密度函数的核平滑来寻找数据模式。分析带宽可以被选择以便优化性能标准并且所述分析带宽通过诸如噪声、平滑度等的数据的全局统计特性来规定。因此，这样的平滑可以屏蔽位于较大模式附近的较小模式。小的或弱的模式在某些情况下诸如例如在CAD中对于检测附着到大的类似壁的或管状的结构上的凸形肿瘤或结节可能是非常重要的。本方法使均值平移算法能够检测这些弱模式。
返回参考图3，这样的情况利用邻近的弱模式和强模式的双模密度函数来示出。尽管在更接近所希望的模式处执行初始化，但是在最佳地选择带宽矩阵的情况下数据驱动的收敛将朝向较远的但是较强的模式。收敛的路径用实箭头标出。两种不同类型的先验被公开i)通过点A被描绘为椭圆和数据位置的排斥的先验，该排斥的先验将收敛推离数据驱动的收敛，和ii)通过点B描绘的有吸引力的先验，该有吸引力的先验将收敛拉向小目标模式。虚箭头显示用于所述先验约束的均值平移的、通向所希望的模式的收敛路径。利用数据点和该数据点周围的相应的置信区域或分布区域对这些先验进行建模。更具体地，这种分布被建模为高斯函数。这产生修改后的均值平移算法，它的每一步骤是数据密度均值平移和在最佳线性无偏估计器(BLUE)意义上的先验的信息融合。
存在几种可以通过构建先验而被合并的信息源。对于递归地分析所述多模数据来说根据数据本身自动构建这样的先验是极有意义的。为了实现这一任务，提出一种返回抑制(IOR)算法，该算法利用先验约束的均值平移算法递归地搜寻数据模式。在每种收敛模式中，执行稳健的高斯模型拟合以构建排斥的先验，这使IOR算法能够顺序地访问初始化点附近的所有的数据模式。这种算法与基于IOR的视觉注意模型相类似。所公开的方法被研发用于如被应用于高斯尺度空间的均值平移方法。在替代实施例中，可以使用更加通用的框架，诸如，例如包含高斯尺度空间。基于这里所提供的示范性实施例的描述，这些或其它修改以及实施例对于有关领域的那些普通技术人员来说将是显而易见的。
尺度空间均值平移本身以及自动尺度选择提供用于诸如医学图像分割、和尺度以及仿射不变特征检测的视觉问题的有力工具。所公开的框架的有用性针对肺肿瘤结节的半自动三维(3D)分割来说明。特别地，结果显示优选实施例能够成功地分割那些困难的、其它现有技术系统不能够分割的附着到壁上(wall-attached)的情况。
在接下来的部分中，本公开内容概述通用的均值平移框架，然后描述先验约束的均值平移方法。数据驱动的核密度估计被修改以便合并独立的先验，并且变分优化理论被用于构建似然函数的边界以便导出可证明收敛的类似模式寻找算法的均值平移。示范性问题领域、即肺肿瘤结节的半自动3D分割作为应用测试平台被引入。另外，基于IOR的数据分析算法被描述，该算法采用先验约束的均值平移来解决上述问题。对所述应用测试平台的经验评价显示所公开的方法在分割困难的附着到壁上的肺肿瘤结节方面的有用性。
这里，均值平移算法根据通用的均值平移框架被总结。核密度估计(KDE)或者Parzen窗口是一种用于估计与数据样本相关的生成概率分布的数据驱动的非参数技术。给定来自随机变量X的样本集，随机变量X的基本密度的核估计是具有相关带宽的函数。均值平移是一种常用的登山算法，用于迭代地寻找这种分布的模式以及按照所述模式对数据进行聚类。
根据优化理论的观点，均值平移是一种变分优化算法。对于具有凸轮廓的一类密度核而言，凸状特性产生密度的二次下界(quadratic lower bound)。然后，这些二次下界函数容易地被优化以导出在均值平移算法中的下一个位置，并且被保证从数据空间中的任何给定点向密度函数的局部最大值收敛。就Epanechnikov核而言，所述算法是著名的均值平移算法。就其它核、诸如高斯核而言，它导致加权的算术平均形式的均值平移步骤。
除了核密度估计以外，上面所讨论的均值平移框架能够被应用于利用核平滑所构建的通用函数类。因为高斯尺度空间也可以被解释为核平滑的函数族，所以可以在这个领域中导出均值平移算法。
具有正值的图像数据可以利用指示数据像素和/或体素位置的坐标来加以分析。高斯尺度空间提供具有初始条件的扩散方程的解。它采取具有高斯核的图像数据的卷积形式。尺度空间均值平移可以通过使利用轮廓的凸状所构建的二次下界最大化来导出，从而得到与尺度空间的空间梯度成比例的形式。
在离散化的数据空间上的迭代过程类似于密度均值平移被定义。根据定义，尺度空间均值平移向量能够被理解为采用具有正值的强度权重的均值平移。这样的加权均值平移向尺度空间L的局部最大值的收敛也被保证。
上述均值平移分析是数据驱动的。那就是说，它不是由任意的自上而下的先验知识来约束。这部分针对这样的知识确实可用的那些情况利用由高斯先验所约束的均值平移来研发模型。
传统或密度均值平移能够在下面的最大似然(ML)的意义上被解释。给定数据样本，核密度估计被用于预测X的似然分布。如果所述分布是单模的，那么均值平移算法能够被理解为ML估计器。在X的多模分布的情况下，每个局部最大似然位置能够被分析，并且ML估计能够被找到。在本公开内容中，将稍后讨论模式分析。
现在假设本实施例具有X的另一信息源。于是，在独立的条件下，来自该源的似然性能够被倍增以约束来自核密度估计器的似然性。通过将L(x；h)视为伪似然性来导出用于高斯尺度空间的受约束的均值平移公式。然而，结果能够容易地被扩展至一般的实际的似然性，例如原始的密度均值平移。
针对有吸引力的先验的情况，通过高斯分布给出X的这样的先验。这个先验能够被用于使解偏向或者将解引向数据空间中的预先构想的点。因此，本实施例将该先验称为有吸引力的先验。高斯尺度空间函数能够在离散化的数据空间中被改写为对N求和的高斯加权图像强度函数，其中N为数据点或像素的数目。通过将高斯尺度空间视为似然函数，本实施例利用所述先验用乘法修改似然性，从而得到受约束的尺度空间函数。当存在多个独立的先验时，可以通过顺序地采用相同的方法来确定似然函数。受约束的均值平移向量作为受约束的尺度空间似然性的变分二次边界优化器被导出。
相关的均值平移过程的收敛被保证。需要注意的是受约束的均值平移步骤等价于采用两个独立的高斯信息源的最佳线性无偏估计器(BLUE)。因此，每个所得出的步骤可以被解释为高斯先验与数据驱动的尺度空间均值平移的BLUE融和。与先验相关的本实施例的置信水平可以通过改变参数来加以控制。当本实施例减小一个参数的时候，先验的置信度增大。在最高置信度的情况下，解缩小为由先验所指示的最有可能的空间点。另一方面，当该参数增大时，先验的置信度降低。均值平移步骤收敛于原始的尺度空间均值平移步骤。
在一些情况下，可用的先验信息可以是消极的或排斥的先验的形式。那就是说，对于确定的参数而言取一些特定的值是不可能的。这样的先验能够被用于从给定点推开收敛。因此，本实施例把该先验称为排斥的先验并且利用在有限范围上被适当地截取和被标准化的积极的高斯先验以逆高斯形式来定义该先验。
为了合并排斥的先验，本实施例从数据再取样的理论中得到。合并先验的一种方式是再取样或者使权重与已经可用的数据相关联以便指示一些数据点比其它数据点更加可能出现的观念。这种使权重相关联的第二选择使我们定义通过先验知识被偏移的核密度估计。随着每次观察，关联先验导出的积极的权重。就具有多个先验的情况而言，本实施例可以定义多个权重。就单个排斥的高斯先验而言，修改后的尺度空间函数可以被导出。对于具有排斥的或消极的高斯约束的均值平移向量而言，显示均值平移步骤是直接的。
为采用这种形式的优化器步骤的均值平移过程保持收敛特性。另一方面，本实施例可以通过利用适当的标准化来处理伪似然性。因此，可以如上所述考虑用乘法约束核平滑的似然性，从而得到受约束的似然性。
变分优化不是直接的，因为不能通过利用指数核的凸特性确定第二负项的下界。事实上，对于所希望的变分变换来说需要指数的二次上界。这样的二次上界的分析表达式能够通过构建核函数的一阶泰勒级数展开来导出。于是，二次拉格朗日余项在自由变量的范围内被最大化以便得到该余项的二次上界。因为这个上界提供该负项的二次下界，所以本实施例能够导出均值平移方法以沿着与积极的先验情况类似的线路去寻找模式。
所导出的优化器步骤可以被解释为具有比有吸引力的情况更加复杂的均值和协方差项的两个高斯源的BLUE融合。注意，在当前点XQ渐进地远离位于点“a”处的先验时，所述均值平移步骤减少为数据驱动的尺度空间均值平移步骤和“a”的简化的BLUE融合。
返回参考图4，示出了在1D双模数据情况下的先验约束的均值平移。输入数据410由两个以-1和3为中心的高斯分量组成。具有0.5垂直偏移的实曲线412显示要针对每种情况被优化的函数。这个假想的例子显示利用有吸引力的和排斥的先验的先验约束的均值平移算法的1D模拟。1D双模图像数据示出与图3的情况相类似的情况。正如图中所示的那样，初始化的尺度空间均值平移收敛于较强的右峰值(上部左边)，遗漏能够利用更小的分析带宽发现的较弱的左峰值(上部右边)。采用相同的带宽，通过适当地设置有吸引力的(底部左边)和排斥的(底部中间和底部右边)的先验(用点划线示出)，先验约束的均值平移算法被控制以便收敛于较弱的峰值。
作为上述框架的实际应用，本实施例将所述先验约束的均值平移算法应用于半自动分割问题或者使用稳健的高斯拟合的半自动斑点分割。本实施例遵循稳健的尺度空间高斯拟合方法并且在下面简要地描述该方法。问题是分割由用户所放置的单个初始化标记Xp所粗略地指示的多元斑点状目标结构。这种分割通过在数据中发现斑点结构并且使用均值平移来稳健地拟合下面的基于高斯的模型的过程来提供。
返回参考图5，讨论采用返回抑制的局部数据分析。这里，目标的中心和边界的特征在于所拟合的高斯的均值和协方差。按照尺度空间均值平移的均值的吸引盆地限定数据空间邻域，在该数据空间邻域中模型的近似是有效的。为了处理大量的目标尺寸，执行采用一组离散分析尺度的多尺度分析。针对每个分析尺度，中心和各向异性扩展通过均值平移过程来估计，在该均值平移过程之后利用高斯拟合进行模式分析。均值通过在点Xp附近所取样的大部分数据点利用尺度空间均值平移的收敛来估计。通过一组由L个标准化尺度空间导数所组成的线性矩阵方程的受约束的最小平方解来对所述扩展进行估计。所述导数沿着在所估计的中心附近的点上初始化的尺度空间均值平移的收敛轨迹被取样。
上述尺度空间分析得到一组估计对。基于稳定性的尺度/带宽选择过程使用Jensen-Shannon发散标准的标准形式来从这组中选择最稳定的估计，并且邻域参数a被设置为1。所得到的多尺度高斯模型拟合解决方案i)通过用于利用均值平移收敛来去除异点的稳健估计技术而相对于来自非目标的邻近结构的影响是稳健的，ii)通过采用对这种建模误差不敏感的基于稳定性的尺度选择标准而相对于数据的非高斯性是稳健的，以及iii)通过采用对最小平方方法的稳健扩展而相对于由于初始化Xp所引起的变化是稳健的。
现在讨论采用返回抑制的局部数据分析。自动的数据和模式分析算法对于表示和处理多模数据中的结构来说是有用的。然而，如在背景技术中所讨论的那样，它们同样不能检测弱数据模式。在较早的部分中，本实施例公开了作为检测这些模式的解决方案的先验约束的均值平移。为了解决所述分析问题，本实施例公开一种新颖的、采用所述先验约束的均值平移的返回抑制(IOR)框架。在此想法是通过在均值平移收敛的连续点处成功地设置排斥的先验而重复地执行前述的基于高斯拟合的分割。本实施例采用前面所公开的基于再取样的排斥的先验。
在该上下文及其比较分析中变化的排斥的先验的使用也是令人感兴趣的。该过程从任意的初始点开始从模式遍历到模式，分析如图5中所示位于附近的所有斑点状数据结构。因为通过设置排斥的先验而阻止再访问每一个被检测到的模式，所以这种分析过程是有效的。这种IOR概念最初被提出用于视觉注意的计算模型。然而，基于神经网络的实施方案与本方法不同。
返回参考图2，接下来描述采用初始化数据和初始点Xp的算法。进行循环直至在Xp附近没有发现结构。利用由排斥子所约束的先验约束的均值平移执行高斯拟合，之后存储第m个所分析的结构并且设置第m+1个先验。这种基于IOR的算法得到一组所分析的位于Xp附近的斑点状结构。
在一种示范性的肺结节分割应用中，本实施例将基于IOR的局部数据分析的3D实施方案应用于肺结节的半自动分割。在过去几十年中，在肺结点的计算机辅助检测和分割方面朝着降低肺癌死亡率的方向做了大量的工作。最近，用于这个目的的更加复杂的解决方案已经被公开，该解决方案利用增强的计算机断层摄影(CT)扫描器的提高的图像质量和分辨率。然而，尽管有这些改善，但由于数据固有的复杂性，所述问题继续存在。例如，许多肺结节附着在其它的例如肺壁和血管之类的非目标的结构上或位于其它的例如肺壁和血管之类的非目标的结构附近。因为这些结构的强度值可能与结节的强度值相似，将结节与这样的结构分开是重要的。
在上面的部分中所描述的尺度空间高斯拟合解决方案通过合并几何约束来解决该问题，然而它仍然不能成功地分割如图5中所示邻近于或附着于邻近结构的许多结节。这些失败是由于目标结节位于肋骨附近所引起的，肋骨具有比结节高得多的强度值，因此错误地吸引尺度空间均值平移收敛。这正好是如图3中所示的情况，其中先验约束的均值平移框架被设计为有效的。本实施例公开了用于这种目的的基于IOR的解决方案。在第一次迭代以后，本实施例在步骤2之后执行基于卡方量度的拟合良好性测试。如果初始拟合被证实是良好的拟合，那么不执行进一步的处理。
返回参考图6，将描述利用2D综合或玩具数据来评价的分两步的基于IOR的数据分析。为了测试可行性，本实施例首先如图6中所示根据合成数据评价了系统的2D版本。模拟附着在壁上的结节的情况，针对肺壁利用阶跃函数来构建数据，针对骨头利用具有更高强度的大高斯来构建数据，以及针对附着在壁上的结节利用具有较低强度的小的被截的高斯来构建数据。结果证明我们的解决方案在如图6的中间行中所示存在较强模式、白噪声、以及初始化的变化的情况下正确地发现并分割困难的目标结构。
分两步的IOR数据分析算法的3D实施方案被应用于薄片(1.25mm切片厚度)胸部高分辨率计算机断层摄影(HRCT)图像的临床数据集，该数据集包括具有总共1310个结节的39个病人。数据采用多切片CT扫描器来记录并且是匿名的(anonymatized)。每个体积图像由在512×512点阵上的12位正值所组成。在所述设置之后实施高斯拟合算法。这导致106个被证实的失败病例。这些失败中的大多数是附着于壁的病例并且它们通过我们的采用先验约束的均值平移的数据分析解决方案被正确地分割。
返回参考图7，示出了这种病例的八个说明性例子。采用和没有采用排斥的先验的3D肿瘤分割果的8个例子被显示。每行显示每个例子的结果。左边三列分别以正交横截面显示初始失败的分割结果，而右边三列显示采用所述先验约束的分割结果。椭圆指示所估计的高斯的35％置信椭圆的图像平面交集。需要注意的是初始的和我们的结果以相同体积的不同横截面被示出，因此它们显得不同。
本公开内容已经介绍了一种新颖的用于将空间先验结合到基于均值平移的数据驱动的模式分析中的框架。本实施例将高斯形式的有吸引力的和排斥的先验引入到尺度空间均值平移框架中。本实施例也公开了两种新颖的、可证明收敛的、修改后的均值平移算法的实施例。变分优化技术被用于通过寻找高斯核的二次边界而导出所述算法。特别地，本实施例公开高斯核的新颖的二次上界。此外，本实施例公开一种基于利用先验约束的均值平移方法的IOR方法的模式分析算法。然后，这种算法被成功地应用于半自动3D肺肿瘤分割问题以分割困难的附着于壁的情况。另一个贡献是，结果显示所述先验约束的均值平移步骤可以被理解为用于尺度空间均值平移的数据和在最佳线性无偏估计器意义上先验的信息融合。
本公开内容提出一种用于将息数据驱动的静态分析与先验信息结合起来以便提供有效的和可用的视觉解决方案的通用框架。本公开内容的贡献是全面的，并且所公开的方法能够在替代的实施例中以至少下列方式被扩展i)在核密度估计域中定义先验约束的均值平移，ii)利用高斯的混合来对先验建模，iii)除分割以外的诸如跟踪的应用，以及iv)通过更新在每个收敛处的初始化使基于IOR的模式分析算法适于更加灵活的视觉搜索。
应理解的是本公开内容的教导能够以硬件、软件、固件、专用处理器或者其组合的各种形式来加以实施。更优选地，本公开内容的教导作为硬件和软件的结合被实施。
此外，软件优选地被实现为确实被包含在程序存储单元上的应用程序。所述应用程序可以被上载到包括任何适当结构的机器上并且由该机器执行。优选地，所述机器在具有诸如一个或多个中央处理单元(CPU)、随机存取存储器(RAM)以及输入/输出(I/O)接口之类的硬件的计算机平台上被实施。
计算机平台也可以包括操作系统和微指令代码。这里所描述的各种方法和功能可以是微指令代码的部分或者应用程序的部分、或者其任何组合，它们可以由CPU执行。另外，各种其它外围设备、例如额外的数据存储单元和打印机单元可以被连接到计算机平台上。
应进一步理解的是，因为在附图中所描绘的组成系统的部件和方法中的一些优选地以软件来实施，因此系统部件或者方法功能模块之间的实际连接可以根据本公开内容被编程的方式而不同。在此给定教导，有关领域中的普通技术人员将能够设想本公开内容的这些和相似的实施方案或者配置。
尽管说明性的实施例已经在这里参照附图加以描述了，但是应理解的是本公开内容并不局限于那些精确的实施例，并且相关领域中的普通技术人员可以在不脱离本公开内容的范围或者精神的情况下在其中实现各种改变和修改。所有这样的改变和修改都旨在被包括在如所附权利要求中所提出的本公开内容的范围内。
权利要求
1.一种用于数据阵列的先验约束的均值平移分析的方法(200)，包括接收(212)初始化数据；选择(216)相对于该初始化数据的初始点；响向应于该初始点利用先验约束的均值平移进行高斯拟合(218)以便分析结构；并且将所分析的结构设置(220)为先验约束。
2.如权利要求1所述的方法，进一步包括利用返回抑制(IOR)分析(226)所述数据阵列的模式。
3.如权利要求1所述的方法，进一步包括重复高斯拟合的步骤并且设置所分析的结构，直到在所述初始点附近不再发现结构。
4.如权利要求1所述的方法，进一步包括对所分析的结构执行(222)拟合良好性。
5.如权利要求1所述的方法，其中，先验约束是排斥的先验。
6.如权利要求1所述的方法，其中，先验约束是有吸引力的先验。
7.如权利要求1所述的方法，其中，所述数据阵列至少是一个二维图像并且先验约束至少是一维的。
8.如权利要求1所述的方法，其中，均值平移是具有自动步长大小选择的自适应梯度上升算法，该算法收敛于高斯函数表面的核平滑估计的模式。
9.如权利要求1所述的方法，其中，所述数据阵列包括三维计算机断层摄影(CT)数据并且所分析的结构指示肺结节。
10.如权利要求1所述的方法，其中，先验约束的均值平移步骤是利用通过二次下界和上界的构建的变分优化方法的、作为所述数据阵列与在最佳线性无偏估计器(BLUE)意义上的先验的信息融合的、密度或尺度空间类型的均值平移。
11.如权利要求9所述的方法，其中，密度均值平移在最大似然(ML)意义上被解释，其中核密度估计被用于预测似然分布，如果所述分布是单模的，那么均值平移算法包含最大似然估计器，或者如果所述分布是多模的，那么每个局部最大似然位置被分析并且最大似然估计被找到。
12.如权利要求1所述的方法，其中，所得到的多尺度高斯模型拟合解决方案相对于下列情况中的至少一个是稳健的i)通过用于利用均值平移收敛来去除异点的稳健估计技术而相对于来自非目标的邻近结构的影响是稳健的，ii)通过利用对这种建模误差不敏感的基于稳定性的尺度选择标准而相对于数据的非高斯性是稳健的，以及iii)通过利用对最小平方方法的稳健扩展而相对于由于所述初始点的初始化所引起的变化是稳健的。
13.如权利要求2所述的方法，其中，返回抑制被提供用于利用所公开的框架分析多模数据的模式，以便导出数据驱动的最大后验估计器，或者以便获得对用于计算机辅助诊断(CAD)和数据分析中的半自动分割任务的、数据驱动的均值平移算法的灵活控制。
14.如权利要求13所述的方法，其中，应用是肺结节的半自动分割，并且所述算法分割附着于壁的结节情况。
15.如权利要求2所述的方法，其中，返回抑制包括从所述初始点获得初始高斯拟合的结果的步骤，其中利用先验约束的均值平移(MS)的该步骤的结果捕获诊断数据集中的肺结节肿瘤。
16.如权利要求1所述的方法，其中，先验约束的均值平移方法利用所修改的数据驱动的核密度估计来结合独立先验和构建似然函数的边界的变分优化以便导出可证明收敛的例如模式寻找算法的均值平移。
17.一种用于先验约束的均值平移分析的系统(100)，包括处理器(102)；与该处理器进行信号通信的用于接收至少一个数据阵列的输入适配器(112，114，128，130)；和与该处理器进行信号通信的用于对所述至少一个数据阵列执行先验约束的均值平移分析的先验约束单元(170)。
18.如权利要求17所述的系统，进一步包括与该处理器进行信号通信的用于分析数据阵列的模式的返回抑制(IOR)单元(180)。
19.机器可读的程序存储设备，该程序存储设备确实地包含机器可执行的指令程序，该指令程序用于执行先验约束的均值平移分析的程序步骤，所述程序步骤包括接收初始化数据；选择相对于该初始化数据的初始点；响应于所述初始点利用先验约束的均值平移进行高斯拟合以分析结构；以及将所分析的结构设置为先验约束。
20.如权利要求19所述的程序存储设备，其中，所述程序步骤进一步包括利用返回抑制(IOR)分析数据阵列的模式。
全文摘要
提供用于数据阵列的先验约束的均值平移分析的系统(100)和方法(200)，所述系统包括处理器(102)、用于接收至少一个数据阵列的与处理器进行信号通信的输入适配器(112，114，128，130)、以及用于对至少一个数据阵列执行先验约束的均值平移分析的与处理器进行信号通信的先验约束单元(170)；并且所述方法包括接收(212)初始化数据、选择(216)相对于初始化数据的初始点、响应于该初始点利用先验约束的均值平移进行高斯拟合(218)以分析结构、并且将所分析的结构设置(220)为先验约束。
文档编号G06T5/00GK1971617SQ200610171969
公开日2007年5月30日 申请日期2006年3月24日 优先权日2005年3月25日
发明者K·奥卡达, A·克里什南, M·K·辛, V·拉姆什 申请人:西门子共同研究公司, 美国西门子医疗解决公司