一种基于先验局部统计与动态轮廓模型的人体器官重建方法与流程

本发明涉及一种算法，具体是一种基于先验局部统计与动态轮廓模型的人体器官重建方法。
背景技术：
：近几年，随着三维打印技术的成熟，三维打印机越来越广泛地应用到人们的生产与生活当中。在医学领域，三维打印机可以被用来以相对较低的成本打印某些组织或器官，帮助病人恢复健康。例如，可以通过打印假肢来帮助肢体残障人士重新获得行动能力。通常，打印器官需要经过一系列复杂的步骤。首先，通过仪器获得包含器官的医学图像，通常是CT切片图像。然后，使用图像分割算法从医学切片图像中提取出真实的器官组织。接着，使用三维重建技术把一系列分割出的器官部分重建为三维模型。最后，使用三维打印机打印三维模型。在一般情况下，我们希望重建出高精度的三维模型以打印出高质量的器官，而图像分割算法提取组织的精度越高，重建的三维模型的精度就越高。因此，对于器官重建，图像分割算法的高精确度是至关重要的。与此同时，由于重建器官要利用大量的医学切片图像，处理这些图像的总计算量是十分庞大的，因此建立一次三维模型通常会占用很长时间。在实际应用中，希望这一过程尽可能地高效，而现有的高精度图像分割算法处理一张图像往往需要大量的时间，这对于通常要处理几百张图像的器官重建过程来说是难以接受的。因此，人们对分割算法的精度与高效同时有着较高的需求。为了解决这一难题，需要设计一种兼顾精度与高效的图像分割算法。当今图像分割技术从提出到现在有一百多年历史，期间产生了大量的经典模型与算法。从广义角度来讲，图像分割技术利用图像的颜色信息，试图把人们感兴趣的目标区域提取出来。通常，一张图像会被分割成两部分：前景和背景。其中前景是人们希望得到的部分，理想情况下应当是目标区域，而背景是剩下的部分。这两个部分会使图像上出现一条或多条曲线，我们把这些曲线称为期望的目标边界。分割图像的方法有很多，其中比较经典的方法有阈值分割法(Threshold_method)，变形模型法(Deformablemodel)和图论模型法(Graph_model)。近二十年间，一种属于变形模型法的，被称为动态轮廓模型(ACM:ActiveContourModel)的方法被广泛地应用到图像分割中。动态轮廓模型利用图像中的信息不断改变一条曲线的形状，从而获得目标区域。它以一条初始曲线作为轮廓，根据图像信息不断更新轮廓曲线，减小其与目标区域边界的误差，把这一过程称为演化(evolve)，最后使得轮廓曲线到达目标区域的边界，将目标分割出来。动态轮廓模型一般被分为两大类，一类是基于边界的模型(edge-basedmodel)，另一类是基于区域的模型(region-basedmodel)。基于边界的模型通常利用图像的梯度信息，将轮廓收敛到目标边界。在这一类模型中，最经典的是测地线(GAC:GeometricActiveContour)模型。测地线模型中通常包含两项控制轮廓演化的因子。其中一项被称为边界停止项，它通过评估图像的梯度信息，使得轮廓在达到目标边界时终止演化。另一项被称为膨胀力(balloonforce)，它被用来驱动轮廓的收缩与扩张，使得当初始轮廓被设置在远离目标边界的位置时，模型仍然可以把轮廓演化到目标边界。然而，测地线模型具有一些自身的缺陷。第一，边界停止项对梯度较小的弱边界是很不敏感的，这会使得轮廓越过这些边界而产生错误的分割结果。第二，膨胀力这一项在测地线模型中为常量，它的作用范围是全局的，因此，比较难选择一个合适值的膨胀力，使得轮廓在演化过程中能够不被图像局部噪声阻碍，并且不会越过某些梯度较小的目标区域的弱边界。基于区域的模型是一种利用区域灰度的统计信息来演化轮廓的模型。相比基于边界的模型，它有不少优点。第一，基于区域的模型受到噪声的影响非常小。第二，基于区域的模型可以分割出较弱边缘甚至没有明显边缘的目标区域。第三，基于区域的模型的最终结果对初始轮廓敏感程度较小，通常不需让初始轮廓包围目标区域。尽管基于区域的模型有诸多优点，但它们一般只考虑全局信息，不考虑局部信息，因此不能分割颜色不均匀的目标区域。基于区域模型中最经典的是由Vese和Chan提出的C-V模型。就在最近几年，一个将边界模型和区域模型结合起来的新模型受到了人们的关注，这个模型称为SPF模型，由Zhang等人在2010年提出。SPF模型是测地线模型和C-V模型的融合体，Zhang等人在测地线模型的基础上，构建了一个被称为SPF(SignedPressureForce)函数来替换测地线模型中的边界停止函数(ESF:EdgeStoppingFunction)，从而得到SPF模型。这个SPF函数利用轮廓内部的区域灰度统计信息和轮廓外部的区域灰度统计信息来驱动模型对轮廓的演化，而这属于基于区域模型的特性。另外，Zhang等人利用了一个新的水平集演化方法来实现对轮廓的演化过程，这个方法被称为二值选择和高斯滤波约束水平集方法(SBGFRLS:SelectiveBinaryandGaussianFilteringRegularizedLevelSet)。该方法的一大特点就是时间效率非常高，比其它方法速度要快几十倍。然而，SPF模型也存在自己的缺点。第一，由于SPF函数的缺陷，SPF模型只有在图像满足一个特定条件下才能得到有意义的分割结果，这个特定条件在Zhang的工作中提到。第二，SPF模型中仍然存在继承自测地线模型的常数膨胀力，因此，SPF模型也会面临如何选择合适的膨胀力的值来保障分割结果的精度。技术实现要素：本发明的目的在于提供一种基于先验局部统计与动态轮廓模型的人体器官重建方法，以解决上述
背景技术：
中提出的问题。为实现上述目的，本发明提供如下技术方案：一种基于先验局部统计与动态轮廓模型的人体器官重建方法，包括以下步骤：(1)按下式初始化水平集函数φ：φ(x,t=0)=1,x∈Ω1-1,x∈Ω2]]>其中Ω1是手工标注的轮廓内部区域,Ω2是余下的轮廓外部区域；(2)根据下式使用高斯滤波约束水平集函数：φ＝φ*Gσ，k其中Gσ，k是标准差为σ的高斯滤波函数，并且只考虑高斯中心处的部分以减少计算量；(3)根据下式分别计算c1和C2：c1=∫ΩH(φ)I(x)dx∫ΩH(φ)dx,]]>c2=∫Ω(1-H(φ))I(x)dx∫Ω(1-H(φ))dx]]>其中c1和C2都是常数，它们分别是轮廓内部区域灰度的平均值和轮廓外部区域灰度的平均值；(4)根据下式分别计算和C1Loc(x)=K*H(φ)I(x)K*H(φ)]]>C2Loc(x)=K*(1-H(φ))1(x)K*(1-H(φ))]]>其中，和是两个常量，是轮廓内部区域的局部权重灰度平局值，是轮廓外部区域的局部灰度加权平局值；(5)根据下式进化水平集函数：φt=λ-SPF(x)·LIDF(x)|▿φ|,x∈Ω.;]]>(6)如果φ(x)＞0，则设置φ(x)＝1，其余设置φ(x)＝-1；(7)检查水平集函数的进化过程是否收敛，如果收敛则结束；否则返回步骤(2)。作为本发明进一步的方案：所述动态轮廓模型由λ-SPF函数和局部灰度差值力(LIDF)构成。与现有技术相比，本发明的有益效果是：(1)构造了一个新的λ-SPF函数，该函数是在Zhang提出的SPF函数中引入先验信息参数λ。先验信息的引入使得新模型不会存在SPF模型所受到的条件限制，于是，新模型的适用范围更加广泛。(2)构造了一个具有局部自适应能力的驱动力，称为局部灰度差值力(LIDF)。局部灰度差值力在新模型中起到促进轮廓演化的作用，但与常量膨胀力不同，它能够根据局部的灰度统计信息，使演化自动停止在目标区域的弱边界处。局部灰度差值力能够区分弱边界和噪声，而一般的边界停止函数不能做到这一点。并且局部灰度差值力在复原目标球的形状上也有更好的效果。基于新模型的算法在实现过程中采用了二值选择和高斯滤波约束水平集方法(SBGFRLS)，时间效率相较于其它算法大幅提高。通过实验，可以看到新模型能得到比其它一些先进方法更好的分割结果，并且在速度上有非常明显的优势。(3)本发明提出的方法兼备分割精度高与速度快的优点，适合用于器官重建的流程中。附图说明图1为基于先验局部统计与动态轮廓模型的人体器官重建方法的实验中实验CT切片图像。图2为基于先验局部统计与动态轮廓模型的人体器官重建方法的实验中SPF模型初始化轮廓图。图3为基于先验局部统计与动态轮廓模型的人体器官重建方法的实验中SPF模型分割结果图。图4为基于先验局部统计与动态轮廓模型的人体器官重建方法的实验中的动态轮廓模型的分割结果。图5为基于先验局部统计与动态轮廓模型的人体器官重建方法的实验中约束距离水平集演化(DRLSE)模型初始化轮廓图。图6为基于先验局部统计与动态轮廓模型的人体器官重建方法的实验中约束距离水平集演化(DRLSE)模型分割结果图。图7为基于先验局部统计与动态轮廓模型的人体器官重建方法的实验中的动态轮廓模型的分割结果。图8为基于先验局部统计与动态轮廓模型的人体器官重建方法的实验中三个模型在测试数据上实验结果图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。请参阅图1～8，本发明实施例中，一种基于先验局部统计与动态轮廓模型的人体器官重建方法，提出的模型主要由λ-SPF函数和局部灰度差值力(LIDF)所构成。对于一个给定的图像I，其所在区域为Ω,C-V模型的数学形式被表示为最小化一个能量函数，该能量函数如下：其中λ1＞0和λ2＞0为固定参数，表示轮廓曲线内部区域，表示轮廓曲线外部区域。C1和C2都是常数，它们分别是轮廓内部区域灰度的平均值和轮廓外部区域灰度的平均值；在最小化过程中，通过下列表达式来不断求解更新这两个值：c1=∫ΩH(φ)I(x)dx∫ΩH(φ)dx,]]>c2=∫Ω(1-H(φ))I(x)dx∫Ω(1-H(φ))dx;]]>C-V模型通过利用轮廓内部与轮廓外部的灰度平均值来驱动演化，而不是使用图像的梯度信息。因此C-V模型可以分割出没有明显边界的目标区域，并且分割结果受初始轮廓位置的影响较小。在提出局部灰度差值力之前，我们先提出局部灰度差(LID:LocalIntensityDifference)：LID(x)=||C1Loc(x)-C2Loc(x)||22]]>其中，和是两个常量，是轮廓内部区域的局部权重灰度平局值，是轮廓外部区域的局部灰度加权平局值；在轮廓演化过程中，通过下式求解：C1Loc(x)=K*H(φ)I(x)K*H(φ)]]>C2Loc(x)=K*(1-H(φ))I(x)K*(1-H(φ))]]>其中，和是两个常量，是轮廓内部区域的局部权重灰度平局值，是轮廓外部区域的局部灰度加权平局值。在测地线模型的基础上，我们将原有的边界停止函数替换为λ-SPF函数，并将常量膨胀力α替换为局部灰度差值力LIDF。根据尺度空间理论，在进化过程中可以使用高斯滤波来约束水平集函数：φ＝φ*Gσ，k其中Gσ，k是标准差为σ的高斯滤波函数，并且只考虑高斯中心处的部分以减少计算量。整个算法的步骤流程可以按如下顺序列出了：(1)按下式初始化水平集函数φ：φ(x,t=0)=1,x∈Ω1-1,x∈Ω2]]>其中Ω1是我们手工标注的轮廓内部区域,Ω2是余下的轮廓外部区域；(2)根据下式使用高斯滤波约束水平集函数：φ＝φ*Gσ，k其中Gσ，k是标准差为σ的高斯滤波函数，并且只考虑高斯中心处的部分以减少计算量；(3)根据下式分别计算C1和C2：c1=∫ΩH(φ)I(x)dx∫ΩH(φ)dx,]]>c2=∫Ω(1-H(φ))I(x)dx∫Ω(1-H(φ))dx]]>其中C1和C2都是常数，它们分别是轮廓内部区域灰度的平均值和轮廓外部区域灰度的平均值；(4)根据下式分别计算和C1Loc(x)=K*H(φ)I(x)K*H(φ)]]>C2Loc(x)=K*(1-H(φ))I(x)K*(1-H(φ))]]>其中，和是两个常量，是轮廓内部区域的局部权重灰度平局值，是轮廓外部区域的局部灰度加权平局值；(5)根据下式进化水平集函数：φt=λ-SPF(x)·LIDF(x)|▿φ|,x∈Ω.;]]>(6)如果φ(x)＞0，则设置φ(x)＝1，其余设置φ(x)＝1-；(7)检查水平集函数的进化过程是否收敛，如果收敛则结束；否则返回步骤(2)。实验结果：实验所使用的平台为搭载了Corei73.40GHz处理器，8.00GB内存的个人计算机。操作系统为Windows7的64位版本。实验中的算法由Matlab7.1.4所实现。在整个实验中，用于约束水平集的高斯滤波函数Gσ，k中的参数设置是不变的，其中标准差σ＝1，宽度k＝3。λ-SPF函数中参数λ的设置与测试图像相关，在本实验数据集上，为取得最佳效果，λ设置在0.5到0.8之间。局部灰度差(LID)中的核函数K统一采用高斯核，对于不同测试图像，高斯核的标准差σK设置不同，宽度R根据标准差设置。局部灰度差值力(LIDF)中的参数,α，β和ω设置与测试图像相关，在本实验的测试数据集上，为达到最佳效果，α设置在5到10之间，β设置在1000左右，ω设置在0.2到0.5左右。实验所使用的测试数据均为CT切片图像，由计算机断层扫描技术扫描人体横截面所得到。图像均为灰度图，分辨率为256*256像素。如图1所示。实验所要得到的分割结果是灰度较高的骨骼部分。其中，图片中有黑色无意义的部分，手工标注出掩码图片用来在算法运行中忽略掉黑色无意义部分。切片图像中除去黑色无意义部分外，剩下的为人体组织和小部分位于人体组织下方的呈弧线形的床体。人体组织中，大部分为脂肪组织，中间灰度较高的是人体骨骼。可以看到，某些骨骼的边缘并不很明显，尤其是盆骨。因此，目标区域有大量的弱边界，这会考察图像分割算法处理弱边界的能力。脂肪组织中可以看到一些灰度稍高的肌肉组织和其它组织部分。这些组织可以被视为影响分割结果的噪声。因此，将CT图像中的骨骼部分完整地分割出来对于现有的图像分割算法是很有挑战性的。图2-4展示了部分实验中SPF模型与本发明提出的模型的比较结果。图2展示的是初始化轮廓的设置。图3是SPF模型的分割结果。图4是本发明提出的模型的分割结果。可以看出，SPF模型在分割这两张图像时失败了，其收敛后的轮廓距离目标非常远。其中的原因是引理1所描述的限制条件未能满足。很明显，骨骼中一些软骨部分与脂肪组织的灰度接近，于是不等式不能被满足。在收敛后轮廓附近的区域内，SPF函数的值都小于0。因此在实验中，SPF模型的膨胀力项α不管设置多大的值，都不能推动轮廓达到目标边界。而本发明提出的模型由于引入了先验信息λ，并通过有效地设置其值，动态轮廓被成功推动到目标区域的真实边界上。对于本发明模型的参数设置为λ＝0.8，α＝7.5，β＝1000，ω＝0.15。对于第一行上的测试图像，本发明模型仅需70步收敛，对于第二行上的测试图像，仅需80步收敛。图5-7展示了部分实验中约束距离水平集演化(DRLSE)模型与本发明提出的模型的比较结果。图5展示的是初始化轮廓的设置。图6是约束距离水平集演化(DRLSE)模型的分割结果。图7是本发明提出的模型的分割结果。约束距离水平集演化(DRLSE)模型是基于边界的模型，其利用图像梯度信息得到目标区域，并且通过轮廓包围面积的约束作为一种驱动力。然而在实验结果中，约束距离水平集演化(DRLSE)模型得到的收敛轮廓越过了一些弱边界。在第一行上的实验结果图中的显现十分明显，这是由于在越过弱边界后，目标区域内部分灰度分布很均匀，导致没有梯度阻碍轮廓演化，使得最终收敛后的轮廓严重变形。在第二行上的实验结果图中，可以看到一些骨骼边角被越过了，但由于内部梯度的存在，使得最终结果还可以让人接受。本发明提出的模型的效果相对约束距离水平集演化(DRLSE)模型要更好，基本上所有弱边界都保留了，收敛后的轮廓形状让人满意。并且在时间效率上，本发明的模型处理一张图像用0.4秒，而DRLSE模型则要40秒。效率优势明显。对于第一行上的测试图像，本发明模型的参数设置为λ＝0.8，α＝7.5，β＝1000，ω＝0.15，本发明模型需100步收敛。对于第二行上的测试图像，本发明模型的参数设置为λ＝0.7，α＝5，β＝1000，ω＝0.2，本发明模型需80步收敛。接下来是完整的实验对比结果，在这里我们用F分数(F-score)来衡量图像分割结果的优劣。其中F分数的定义为：F-score=2TP2TP+FP+FN]]>其中,TP表示真阳性(TruePositive)区域面积，即正确分割出的区域面积，其中包括目标区域和背景区域。FP表示假阳性(FalsePositive)区域面积，即没有分割出的目标区域面积。FN表示假阴性(FalseNegative)区域面积，即误分割为目标区域的背景区域面积。从F分数的定义来看，其值在[0，1]之间，并且分数越高表示分割效果越好。实验中使用了9张人体不同部位，并相对难以分割的CT图像作为测试图像，而作为对比参照的标准结果(GroundTruth)图像是由人工手动标注出来，与本发明提出方法相对比的其它方法为约束距离水平集演化(DRLSE)模型法和SPF模型法。汇总结果由图8表示,本发明提出方法的F分数曲线在每一张测试图像上均高于其他两种方法。对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。当前第1页1 2 3