一种超声图像分割方法和系统的制作方法
【专利摘要】本发明适用于图像处理【技术领域】，尤其涉及一种超声图像分割方法和系统。所述方法包括以下步骤：将统计形状模型和采集到的指定器官的三维超声数据进行粗配准，得到初始化坐标变换参数；根据初始化坐标变换参数，利用基于粒子滤波的图像分割算法对三维超声数据进行迭代分割，所述统计形状模型是通过对多个高清晰度三维数据的手动分割结果进行训练得到的平均值与表征变化模态的一组特征向量的组合。这样，就避免了手动分割及半自动分割需要人工参与较多的问题，相比现有的全自动分割方法，本发明解决图像分辨率低以及图像模糊状态下分割的准确性问题。
【专利说明】一种超声图像分割方法和系统
【技术领域】
[0001]本发明属于图像处理【技术领域】，尤其涉及一种超声图像分割方法和系统。
【背景技术】
[0002]图像分割技术在图像导航、疾病诊断等多方面有着重要的意义。在图像导航中，只有较为精确的图像分割结果数据才能为导航过程提供良好的三维可视化环境，并且后续的路径规划功能等也立足于良好的分割结果。
[0003]在疾病诊断中，精确的分割结果能够让医生更好的观察脏器的形状，以及能提供脏器的某些特征指标以辅助医生诊断。目前的分割技术可以分为手动、半自动、全自动三类。手动分割依靠医生个人经验，需对三维图像数据的每一帧进行手动勾勒指定脏器的边缘，费时费力，工作负担重，而且由于主观性较强，就可能导致精确性太低的问题。半自动分割技术依赖较好的初始化，因此通常需要医生提供额外的信息，然后经由算法给出分割结果。虽然不需要大量的勾勒边缘之类的工作，但其依赖初始化，仍然需要人机交互，有可能对正常的手术流程造成干扰。而全自动分割技术则完全依靠算法处理图像得到指定脏器的分割结果，但是全自动技术往往存在准确性和稳定性等方面的问题，在图像质量差的情况下很难达到满意的分割效果。
【发明内容】
[0004]为了解决上述技术问题，本发明的目的在于提供一种超声图像分割方法。
[0005]本发明是这样实现的，一种超声图像分割方法，所述方法包括以下步骤:
[0006]将统计形状模型和采集到的指定器官的三维超声数据进行粗配准，得到初始化坐标变换参数；
[0007]根据初始化坐标变换参数，利用基于粒子滤波的图像分割算法对三维超声数据进行迭代分割，
[0008]所述统计形状模型是通过对多个高清晰度三维图像数据的手动分割结果进行训练得到的平均值与表征变化模态的一组特征向量的组合。
[0009]进一步地，所述统计形状模型的建立包括以下步骤:
[0010]通过高清晰度成像方法采集多个志愿者的指定器官部位的三维图像数据，并由专业人士进行手动分割；
[0011]对于每一个分割结果，进行表面重建，并网格化；
[0012]对于网格化后的每一个网格，从其顶点中各选取设定数量的顶点构成训练点集，所述训练集需满足:训练集中拥有相同下标的点--对应；
[0013]对训练点集进行主成分分析，得到训练集的平均值点集U以及其协方差矩阵的特征空间；
[0014]将构成所述特征空 间的特征向量按特征值大小排列，按顺序选择对应特征值大的多个特征向量，使得其对应特征值之和达到设定的阈值要求，所述训练集平均值点集u以及被选取的特征向量Vi共同构成统计形状模型。
[0015]进一步地，所述将统计形状模型和采集到的指定器官的三维超声数据进行粗配准，得到初始化坐标变换参数的步骤包括:
[0016]在三维超声数据中手动选取一个目测最接近感兴趣器官几何中心的点；
[0017]统计形状模型中训练集平均值的几何中心与该点之间的平移关系作为粗配准。
[0018]进一步地，所述根据初始化坐标变换参数，利用基于粒子滤波的图像分割算法对三维超声数据进行迭代分割的步骤包括:
[0019]步骤A、以初始化坐标变换参数为中心,在参数空间中选取多个点,作为粒子；
[0020]步骤B、对每一个粒子，按其所代表的坐标变换参数，对训练点集的平均值以及特征向量进行坐标变换，将变换后的特征向量乘以各自对应的权重，与变换后的训练点集平均值相加，得到对应于每个粒子的先验模型，在第一次循环中，各特征向量对应的权重均为0，以每个粒子对应的先验模型为种子点集，分别根据三维超声图像的灰度值信息，建立图，应用图形分割算法，通 过最小化给定目标函数，对图进行分割，并取得分割结果的表面点集;
[0021]步骤C、对于每个粒子的表面点集，分别与相应的先验模型进行配准，并计算其与相应先验模型的相似度，将所有的粒子根据相似度排序并进行重采样，选择出一个最佳的粒子，将最佳的粒子所对应的表面点集与对应的先验模型中平均值的差投影到对应的特征向量构成的空间上，计算出各特征向量的权重；
[0022]步骤D、计算前后两次循环得到的最佳粒子之间的变动率，如果小于设定阈值，就认为算法收敛，或循环超过设定次数，结束循环，否则，以最佳粒子作为步骤A中的初始化坐标变化参数，以步骤C中得到的权重作为步骤B中的各特征向量对应权重，回到步骤A重新执行。
[0023]本发明的另一目的在于提供一种超声图像分割系统，所述系统包括采集病人的指定器官的三维超声图像的超声图像采集系统以及对采集到的三维超声图像进行处理的图像处理系统，所述图像处理系统包括:
[0024]粗配准模块，用于将统计形状模型和采集到的指定器官的三维超声数据进行粗配准，得到初始化坐标变换参数；
[0025]迭代分割模块，用于根据初始化坐标变换参数，利用基于粒子滤波的图像分割算法对三维超声数据进行迭代分割，
[0026]所述统计形状模型是通过对多个高清晰度三维图像数据的手动分割结果进行训练得到的平均值与表征变化模态的一组特征向量的组合。
[0027]进一步地，所述超声图像分割系统还包括采集病人指定器官的三维图像用于建立统计形状模型的断层成像系统，所述图像处理系统还包括统计形状模型建立模块，所述统计形状模型建立模块包括:
[0028]三维图像手动分割编辑模块，用于接收专业人士对断层成像系统采集的多个志愿者的指定器官部位的三维图像数据的分割编辑；
[0029]网格化处理模块，用于对于每一个分割结果，进行表面重建，并网格化；
[0030]训练点集选取模块，用于对于网格化后的每一个网格，从其顶点中各选取设定数量的顶点构成训练点集，所述训练集需满足:训练集中拥有相同下标的点--对应；[0031]训练点集分析模块，用于对训练点集进行主成分分析，得到训练集的平均值点集u以及其协方差矩阵的特征空间；
[0032]特征向量选取模块，用于将构成所述特征空间的特征向量按特征值大小排列，按顺序选择对应特征值大的多个特征向量，使得其对应特征值之和达到设定的阈值要求，所述训练集平均值点集u以及被选取的特征向量Vi共同构成统计形状模型。
[0033]进一步地，所述粗配准模块还包括:
[0034]几何中心点选取输入模块，用于在三维超声数据中手动选取一个目测最接近感兴趣器官几何中心的点；
[0035]坐标变换关系计算模块，用于统计形状模型中训练集平均值的几何中心与该点之间的平移关系作为粗配准。
[0036]进一步地，所述迭代分割模块包括:
[0037]粒子选取模块，用于以初始化坐标变换参数为中心，在参数空间中选取多个点，作为粒子；
[0038]表面点集获取模块，用于对每一个粒子，按其所代表的坐标变换参数，对训练点集的平均值以及特征向量进行坐标变换，将变换后的特征向量乘以各自对应的权重，与变换后的训练点集平均值相加，得到对应于每个粒子的先验模型，在第一次循环中，各特征向量对应的权重均为0，以每个粒子对应的先验模型为种子点集，分别根据三维超声图像的灰度值信息，建立图，应用图形分割算法，通过最小化给定目标函数，对图进行分割，并取得分割结果的表面点集；
[0039]相似度配准模块，用于对于每个粒子的表面点集，分别与相应的先验模型进行配准，并计算其与相应先验模型的相似度，将所有的粒子根据相似度排序并进行重采样，选择出一个最佳的粒子，将最佳的粒子所对应的表面点集与对应的先验模型中平均值的差投影至IJ对应的特征向量构成的空间上，计算出各特征向量的权重；
[0040]最佳粒子变动率计算判断模块，用于计算前后两次循环得到的最佳粒子之间的变动率，如果小于设定阈值，就认为算法收敛，或循环超过设定次数，结束循环，否则，以最佳粒子作为粒子选取模块中的初始化坐标变化参数，以相似度配准模块中得到的权重作为表面点集获取模块中的各特征向量对应权重，回到粒子选取模块重新执行。
[0041]本发明采用统计形状模型与基于类粒子滤波模式的图像分割相结合的迭代方法对超声图像中的指定脏器进行分割。以统计模型作为先验知识，和图像灰度信息结合，采用粒子滤波的形式，对器官进行迭代分割。在迭代分割过程中充分利用统计模型提供的信息，在图像清晰度不高以及有感兴趣器官有边缘模糊的情况下仍能得到较为满意的效果。采用粒子滤波的形式，有效的避免局部最小值问题。这样，就避免了手动分割及半自动分割需要人工参与较多的问题，相比现有的全自动分割方法，本发明解决图像分辨率低以及图像模糊状态下分割的准确性问题。
【专利附图】
【附图说明】
[0042]图1是本发明实施例提供的超声图像分割方法的流程图；
[0043]图2是本发明实施例提供的统计形状模型的建立方法流程图；
[0044]图3是本发明实施例提供的图像迭代分割方法的实施流程图；[0045]图4是本发明实施例提供的超声图像分割系统的结构示意图。
【具体实施方式】
[0046]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0047]图1示出了本发明实施例提供的超声图像分割方法的流程，详述如下:
[0048]在步骤SlOl中，将统计形状模型和采集到的指定器官的三维超声数据进行粗配准，得到初始化坐标变换参数。
[0049]在本发明中，该统计形状模型是通过对多个高清晰度三维图像数据的手动分割结果进行训练得到的平均值与表征变化模态的一组特征向量的组合。
[0050]作为本发明的实施例，该步骤又包括:在三维超声数据中手动选取一个目测最接近感兴趣器官几何中心的点；以及统计形状模型中训练集平均值的几何中心与该点之间的平移关系作为粗配准。
[0051]本优选方案中采用如下方案:在三维超声数据中手动选取一个目测最接近感兴趣器官几何中心的点。统计形状模型中训练集平均值的几何中心与该点之间的平移关系作为粗配准。在此定义坐标系A到坐标系B的坐标变换参数空间，本优选方案中采用六维参数空间，分别为绕X轴旋转角度αχ，绕Y轴旋转角度αY，绕Z轴旋转角度(^，沿乂轴平移1')(，沿Y轴平移ΤY，沿Z轴平移Tz。其表示:将坐标系A按绕X轴旋转α χ，再绕旋转后的Y轴旋转αY，再按照旋转后的Z轴旋转Ciz，最后在旋转后的坐标系中分别沿X轴平移Tx，沿Y轴平移ΤY，沿Z轴平移Tz后与坐标系B重合。
[0052]在粗配准过程中，可以选取多个清晰且解剖位置明确的标志点，采用点集间的配准方法如ICP等方法进行粗配准。
[0053]在步骤S102中，根据初始化坐标变换参数，利用基于粒子滤波的图像分割算法对三维超声数据进行迭代分割。
[0054]图2示出了本发明实施例提供的统计形状模型的建立方法流程，详述如下:
[0055]在步骤S201中，通过高清晰度成像方法采集多个志愿者的指定器官部位的三维图像数据，并由专业人士进行手动分割。作为本发明的实施例，所述高清晰度成像方法为MRI 或 CT。
[0056]在步骤S202中，对于每一个分割结果，进行表面重建，并网格化。
[0057]在网格化中，本优选方案采用了三角网格，当然可以采用其他任何合适形状的网格。
[0058]在步骤S203中，对于网格化后的每一个网格，从其顶点中各选取设定数量的顶点构成训练点集，所述训练集需满足:训练集中拥有相同下标的点--对应。
[0059]在步骤S204中，对训练点集进行主成分分析(Principle ComponentAnalysis,PCA)，得到训练集的平均值点集u以及其协方差矩阵的特征空间。
[0060]在步骤S205中，将构成所述特征空间的特征向量按特征值大小排列，按顺序选择对应特征值大的多个特征向量，使得其对应特征值之和达到设定的阈值要求，所述训练集平均值点集u以及被选取的特征向量Vi共同构成统计形状模型。[0061]图3示出了本发明实施例提供的图像迭代分割方法的实施流程，详述如下:
[0062]在步骤S301中，以初始化坐标变换参数为中心，在参数空间中选取多个点，作为粒子。
[0063]在本优选方案中，对每一个参数，按以初始化坐标变换参数为均值的给定方差的正态分布，随机选取粒子点。在第一次循环中，以粗配准结果作为初始化坐标变换参数。
[0064]在步骤S302中，对每一个粒子，按其所代表的坐标变换参数，对训练点集的平均值以及特征向量进行坐标变换，将变换后的特征向量乘以各自对应的权重，与变换后的训练点集平均值相加，得到对应于每个粒子的先验模型，在第一次循环中，各特征向量对应的权重均为0，以每个粒子对应的先验模型为种子点集，分别根据三维超声图像的灰度值信息，建立图，应用图形分割算法，通过最小化给定目标函数，对图进行分割，并取得分割结果的表面点集。
[0065]在本优选方案中，图的构成方式如下:每个像素点都作为图的一个节点，相邻两个节点之间的通道容量与两节点灰度值之差的平方成反比。
[0066]在步骤S303中，对于每个粒子的表面点集，分别与相应的先验模型进行配准，并计算其与相应先验模型的相似度，将所有的粒子根据相似度排序并进行重采样，选择出一个最佳的粒子，将最佳的粒子所对应的表面点集与对应的先验模型中平均值的差投影到对应的特征向量构成的空间上，计算出各特征向量的权重。
[0067]在本优选方案中，配准方案采用ICP算法。本优选方案中，相似度的定义如下:对表面点集中的每个点Pi，寻找其在先验模型中的最近点Qi，计算两点间的L2距离Li2=(P1-屮)2。相似度定义为P =Σ Izli2，对所有点Pi。
[0068]在步骤S304中，计算前后两次循环得到的最佳粒子之间的变动率，如果小于设定阈值，就认为算法收敛，或循环超过设定次数，结束循环，否则，以最佳粒子作为步骤S301中的初始化坐标变化参数，以步骤S303中得到的权重作为步骤S302中的各特征向量对应权重，回到步骤S301重新执行。
[0069]图4示出了本发明实施例提供的超声图像分割系统的结构，该超声图像分割系统包括采集病人的指定器官的三维超声图像的超声图像采集系统I以及对采集到的三维超声图像进行处理的图像处理系统2，所述图像处理系统2包括:粗配准模块21以及迭代分割模块22。
[0070]为了配合人工输入，该超声图像分割系统还包括人机交互模块(图中未示出)。为了清晰显示分割后的图像结果，该超声图像分割系统还包括显示装置(图中未示出)，该显示装置可以显示分割后的图像结果。
[0071]该粗配准模块21将统计形状模型和采集到的指定器官的三维超声数据进行粗配准，得到初始化坐标变换参数；迭代分割模块22根据初始化坐标变换参数，利用基于粒子滤波的图像分割算法对三维超声数据进行迭代分割，所述统计形状模型是通过对多个高清晰度三维图像数据的手动分割结果进行训练得到的平均值与表征变化模态的一组特征向量的组合。
[0072]作为本发明的实施例，所述超声图像分割系统还包括采集病人指定器官的三维图像用于建立统计形状模型的断层成像系统3，所述图像处理系统还包括统计形状模型建立模块20，所述统计形状模型建立模块20包括:三维图像手动分割编辑模块201、网格化处理模块202、训练点集选取模块203、训练点集分析模块204以及特征向量选取模块205。
[0073]该三维图像手动分割编辑模块201接收专业人士对断层成像系统采集的多个志愿者的指定器官部位的三维图像数据的分割编辑；网格化处理模块202用于对于每一个分割结果，进行表面重建，并网格化；训练点集选取模块203用于对于网格化后的每一个网格，从其顶点中各选取设定数量的顶点构成训练点集，所述训练集需满足:训练集中拥有相同下标的点一一对应；训练点集分析模块204用于对训练点集进行主成分分析，得到训练集的平均值点集u以及其协方差矩阵的特征空间；特征向量选取模块205用于将构成所述特征空间的特征向量按特征值大小排列，按顺序选择对应特征值大的多个特征向量，使得其对应特征值之和达到设定的阈值要求，所述训练集平均值点集u以及被选取的特征向量Vi共同构成统计形状模型。
[0074]作为本发明的实施例，所述粗配准模块21还包括:几何中心点选取输入模块211以及坐标变换关系计算模块212。该几何中心点选取输入模块211用于在三维超声数据中手动选取一个目测最接近感兴趣器官几何中心的点；坐标变换关系计算模块212用于统计形状模型中训练集平均值的几何中心与该点之间的平移关系作为粗配准。
[0075]作为本发明的实施例，该迭代分割模块22包括:粒子选取模块221、表面点集获取模块222、相似度配准模块223以及最佳粒子变动率计算判断模块224。
[0076]粒子选取模块221用于以初始化坐标变换参数为中心，在参数空间中选取多个点，作为粒子；表面点集获取模块222用于对每一个粒子，按其所代表的坐标变换参数，对训练点集的平均值以及特征向量进行坐标变换，将变换后的特征向量乘以各自对应的权重，与变换后的训练点集平均值相加，得到对应于每个粒子的先验模型，在第一次循环中，各特征向量对应的权重均为0，以每个粒子对应的先验模型为种子点集，分别根据三维超声图像的灰度值信息，建立图，应用图形分割算法，通过最小化给定目标函数，对图进行分割，并取得分割结果的表面点集；相似度配准模块223用于对于每个粒子的表面点集，分别与相应的先验模型进行配准，并计算其与相应先验模型的相似度，将所有的粒子根据相似度排序并进行重采样，选择出一个最佳的粒子，将最佳的粒子所对应的表面点集与对应的先验模型中平均值的差投影到对应的特征向量构成的空间上，计算出各特征向量的权重；最佳粒子变动率计算判断模块224用于计算前后两次循环得到的最佳粒子之间的变动率，如果小于设定阈值，就认为算法收敛，或循环超过设定次数，结束循环，否则，以最佳粒子作为粒子选取模块中的初始化坐标变化参数，以相似度配准模块中得到的权重作为表面点集获取模块中的各特征向量对应权重，回到粒子选取模块重新执行。
[0077]对于本发明中的断层成像系统3，本优选方案采用的是核磁共振(MRI)成像，也可以采用CT等其他合适高清晰度高分辨率断层成像系统；本发明中的超声探头可以是二维超声探头，也可以是三维超声探头(即容积成像探头)，只要可以获取三维超声体数据的探头都可使用。
[0078]综上所述，本发明提供的分割方法要先建立统计形状模型。当然，也可以将已经做好的统计形状模型直接导入超声图像分割系统。这样就避免了每台设备都需要建立统计形状模型。本发明实施例分为两个阶段。建立统计形状模型的过程为:由专业人士对大量志愿者样本的高清晰扫描数据进行手动分割。将分割结果进行表面重建并网格化。在每一个网格中选择一定数量的顶点构成训练点集。训练点集须满足如下条件:点集中拥有相同下标的点--对应。对训练点集进行PCA (Principle Component Analysis)分析,得到训练
点集的平均值以及协方差矩阵的特征空间。从构成特征空间的向量中按对应特征值大小排序选取一系列特征向量，使其特征值之和大于一定阈值。训练点集的平均值以及被选取的特征向量构成统计形状模型。
[0079]对于图像分割方法按如下流程进行:一、初始化。按一定准则确定统计形状模型和三维超声图像间的粗略坐标变换参数，并定义参数空间。二、基于类粒子滤波模式的图像分割迭代分割算法。按如下步骤进行:1，以初始化坐标变换参数为中心，按一定标准在参数空间内选取一定数量的点，作为粒子。在第一次循环中，以步骤一中得到的坐标变换参数为初始化坐标变换参数。2、对每一个粒子,按其所代表的坐标变换参数,对训练点集的平均值以及特征向量进行坐标变换。将变换后的特征向量乘以各自对应的权重，与变换后的训练点集平均值相加，得到对应于每个粒子的先验模型。在第一次循环中，各特征向量对应的权重均为O。以每个粒子对应的先验模型为seed point set,分别根据三维超声图像的灰度值信息，以某种原则建立图，应用graph cut (图像分割)算法进行分割，并取得分割结果的表面点集。3，对2中得到的对应于每个粒子的表面点集，分别与相应的先验模型进行配准，并根据某种定义计算其与相应先验模型的相似度。将所有的粒子根据相似度排序并进行重采样，选择出一个最佳的粒子。将最佳的粒子所对应的表面点集与对应的先验模型的差投影到对应的特征向量构成的空间上，计算出各特征向量的权重。4，计算前后两次循环得到的最佳粒子之间的变动率，如果小于一定阈值，就认为算法收敛，或循环超过一定数量，结束循环。否则，以最佳粒子作为I中的初始化坐标变化参数，以3中得到的权重作为2中的各特征向量对应权重，回到I重新执行。[0080]以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
【权利要求】
1.一种超声图像分割方法，其特征在于，所述方法包括以下步骤: 将统计形状模型和采集到的指定器官的三维超声数据进行粗配准，得到初始化坐标变换参数； 根据初始化坐标变换参数，利用基于粒子滤波的图像分割算法对三维超声数据进行迭代分割， 所述统计形状模型是通过对多个高清晰度三维图像数据的手动分割结果进行训练得到的平均值与表征变化模态的一组特征向量的组合。
2.根据权利要求1所述的超声图像分割方法，其特征在于，所述统计形状模型的建立包括以下步骤: 通过高清晰度成像方法采集多个志愿者的指定器官部位的三维图像数据，并由专业人士进行手动分割； 对于每一个分割结果，进行表面重建，并网格化； 对于网格化后的每一个网格，从其顶点中各选取设定数量的顶点构成训练点集，所述训练集需满足:训练集中拥有相同下标的点--对应； 对训练点集进行主成分分析，得到训练集的平均值点集u以及其协方差矩阵的特征空间； 将构成所述特征空间的特征向量按特征值大小排列，按顺序选择特征值大的多个特征向量，使得其对应特征值之和达到设定的阈值要求，所述训练集平均值点集u以及被选取的特征向量Vi共同构成统计形状模型。
3.根据权利要求1所述的超声图像分割方法，其特征在于，所述将统计形状模型和采集到的指定器官的三维超声数据进行粗配准，得到初始化坐标变换参数的步骤包括: 在三维超声数据中手动选取一个目测最接近感兴趣器官几何中心的点； 统计形状模型中训练集平均值的几何中心与该点之间的平移关系作为粗配准。
4.根据权利要求1所述的超声图像分割方法，其特征在于，所述根据初始化坐标变换参数，利用基于粒子滤波的图像分割算法对三维超声数据进行迭代分割的步骤包括: 步骤A、以初始化坐标变换参数为中心,在参数空间中选取多个点，作为粒子； 步骤B、对每一个粒子，按其所代表的坐标变换参数，对训练点集的平均值以及特征向量进行坐标变换，将变换后的特征向量乘以各自对应的权重，与变换后的训练点集平均值相加，得到对应于每个粒子的先验模型，在第一次循环中，各特征向量对应的权重均为O ;以每个粒子对应的先验模型为种子点集，分别根据三维超声图像的灰度值信息，建立图，应用图形分割算法，通过最小化给定目标函数，对图进行分割，并取得分割结果的表面点集； 步骤C、对于每个粒子的表面点集，分别与相应的先验模型进行配准，并计算其与相应先验模型的相似度，将所有的粒子根据相似度排序并进行重采样，选择出一个最佳的粒子，将最佳的粒子所对应的表面点集与对应的先验模型中平均值的差投影到对应的特征向量构成的空间上，计算出各特征向量的权重； 步骤D、计算前后两次循环得到的最佳粒子之间的变动率，如果小于设定阈值，就认为算法收敛，或循环超过设定次数，结束循环，否则，以最佳粒子作为步骤A中的初始化坐标变化参数，以步骤C中得到的权重作为步骤B中的各特征向量对应权重，回到步骤A重新执行。
5.一种超声图像分割系统，其特征在于，所述系统包括采集病人的指定器官的三维超声图像的超声图像采集系统以及对采集到的三维超声图像进行处理的图像处理系统，所述图像处理系统包括: 粗配准模块，用于将统计形状模型和采集到的指定器官的三维超声数据进行粗配准，得到初始化坐标变换参数； 迭代分割模块，用于根据初始化坐标变换参数，利用基于粒子滤波的图像分割算法对三维超声数据进行迭代分割， 所述统计形状模型是通过对多个高清晰度三维图像数据的手动分割结果进行训练得到的平均值与表征变化模态的一组特征向量的组合。
6.根据权利要求5所述的超声图像分割系统，其特征在于，所述超声图像分割系统还包括采集病人指定器官的三维图像用于建立统计形状模型的断层成像系统，所述图像处理系统还包括统计形状模型建立模块，所述统计形状模型建立模块包括: 三维图像手动分割编辑模块，用于接收专业人士对断层成像系统采集的多个志愿者的指定器官部位的三维图像数据的分割编辑； 网格化处理模块，用于对于每一个分割结果，进行表面重建，并网格化； 训练点集选取模块，用于对于网格化后的每一个网格，从其顶点中各选取设定数量的顶点构成训练点集，所述 训练集需满足:训练集中拥有相同下标的点--对应； 训练点集分析模块，用于对训练点集进行主成分分析，得到训练集的平均值点集u以及其协方差矩阵的特征空间； 特征向量选取模块，用于将构成所述特征空间的特征向量按特征值大小排列，按顺序选择对应特征值大的多个特征向量，使得其对应特征值之和达到设定的阈值要求，所述训练集平均值点集U以及被选取的特征向量Vi共同构成统计形状模型。
7.根据权利要求5所述的超声图像分割系统，其特征在于，所述粗配准模块还包括: 几何中心点选取输入模块，用于在三维超声数据中手动选取一个目测最接近感兴趣器官几何中心的点； 坐标变换关系计算模块，用于统计形状模型中训练集平均值的几何中心与该点之间的平移关系作为粗配准。
8.根据权利要求5所述的超声图像分割系统，其特征在于，所述迭代分割模块包括: 粒子选取模块，用于以初始化坐标变换参数为中心，在参数空间中选取多个点，作为粒子; 表面点集获取模块，用于对每一个粒子，按其所代表的坐标变换参数，对训练点集的平均值以及特征向量进行坐标变换，将变换后的特征向量乘以各自对应的权重，与变换后的训练点集平均值相加，得到对应于每个粒子的先验模型，在第一次循环中，各特征向量对应的权重均为O ;以每个粒子对应的先验模型为种子点集，分别根据三维超声图像的灰度值信息，建立图，应用图形分割算法，通过最小化给定目标函数，对图进行分割，并取得分割结果的表面点集； 相似度配准模块，用于对于每个粒子的表面点集，分别与相应的先验模型进行配准，并计算其与相应先验模型的相似度，将所有的粒子根据相似度排序并进行重采样，选择出一个最佳的粒子，将最佳的粒子所对应的表面点集与对应的先验模型中平均值的差投影到对应的特征向量构成的空间上，计算出各特征向量的权重； 最佳粒子变动率计算判断模块，用于计算前后两次循环得到的最佳粒子之间的变动率，如果小于设定阈值，就认为算法收敛，或循环超过设定次数，结束循环，否则，以最佳粒子作为粒子选取模块中的初始化坐标变化参数，以相似度配准模块中得到的权重作为表面点集获取模 块中的各特征向量对应权重，回到粒子选取模块重新执行。
【文档编号】G06T7/00GK103903255SQ201210590387
【公开日】2014年7月2日 申请日期:2012年12月31日 优先权日:2012年12月31日
【发明者】陈垦, 李志成, 秦文健, 李凌, 辜嘉 申请人:中国科学院深圳先进技术研究院