本发明涉及医学影像处理，特别是肿瘤三维边界的确定。
背景技术：
肝脏是维持人体生命活动重要且复杂的功能器官，肝脏病变多发，病变种类多，发病率高。计算机断层扫描(Computed Tomography，CT)图像已成为临床诊断中重要的常规手段之一，是肝脏疾病的重要检查手段。目前肝肿瘤治疗手段主要包括肿瘤切除、介入、放射治疗等，肿瘤切除是其中最有效的治疗方式。这些治疗手段都需要在术前精确了解肿瘤的数量、位置、大小和形状等信息，有助于肝脏肿瘤治疗方案的制定。但是肿瘤个体差异性大，肝脏肿瘤和肝脏实质界限模糊，肿瘤的位置、大小、形状、灰度以及纹理各异，很难研究出一种通用的肿瘤分割算法。人工手动分割需要具有解剖学知识和经验，而且主观性强，需要花费大量时间和精力。由于肿瘤边界模糊，表现差异性大等因素，大多数肝脏分割方法无法达到临床要求精度。
现有的全自动分割肝脏肿瘤方法，主要的流程是人工对训练数据进行特征提取、特征选择、设计分类器，通过监督学习或者非监督学习得到预测模型，根据此模型对测试数据进行预测。特征提取过程计算量大、耗时多，能不能选取好的特征很大程度上靠数据量、经验和运气。
技术实现要素：
有鉴于此，本发明提出了一种确定肿瘤三维边界的方法、装置和CT机。
根据本发明的第一方面，提供一种确定肿瘤三维边界的方法，包括：加载一特定受检对象的体层数据；接收从所述体层数据中选择的复数个断层图像；在各断层图像上确定肿瘤边界；接收所述肿瘤边界的标签，所述标签是对肿瘤的分类；在体素范围提取所述断层图像的特征，形成一特征池；从所述特征池选择最优特征；根据所述断层图像、所述肿瘤边界的标签、所述最优特征，训练一分类器；以所述分类器识别其他断层图像，从而确定对应的肿瘤边界；连接各断层图像的肿瘤边界，从而确定肿瘤的三维边界。
在一实施例中，所述的方法还包括：接收对所述三维边界的评价，若评价为负面，则转至接收从所述体层数据中选择的复数个断层图像。
根据本发明的第二方面，提供一种确定肿瘤三维边界的装置，包括：一数据加载单元，其加载一特定受检对象的体层数据；一断层图像选择单元，其接收从所述体层数据中选择的复数个断层图像；一边界确定单元，其在各断层图像上确定肿瘤边界；一标签单元，其接收所述肿瘤边界的标签，所述标签是对肿瘤的分类；一特征提取单元，其在体素范围提取所述断层图像的特征，形成一特征池；一特征选取单元，其从所述特征池选择最优特征；一分类器训练单元，其根据所述断层图像、所述肿瘤边界的标签、所述最优特征，训练一分类器；一边界识别单元，其以所述分类器识别其他断层图像，从而确定对应的肿瘤边界；一连接单元，其连接各断层图像的肿瘤边界，从而确定肿瘤的三维边界。
在一实施例中，所述的装置还包括一评价单元，其接收对所述三维边界的评价，若评价为负面，所述断层图像选择单元再次接收从所述体层数据中选择的复数个断层图像。
根据本发明的第三方面，提供一种CT机，包括一如上文所述的装置。
本发明提取的特征是针对每个病人的待分割肿瘤和正常组织特性选出来的，传统的方法是从多个病人的样本集选择出来的。因此相比多病人样本的特征选择，本发明的方法更加具有针对性。另外，从不同样本中选容易出现不同扫描参数甚至不同厂家的机器的情况，需要做特定的处理，而本发明的方法避免了这一问题。此外，医生每次对某个断层图像上的肿瘤分割/修改后，最终分割算法用的特征都不一样。这些特征是由医生的交互和计算机算法共同选择出来的。
附图说明
下面将通过参照附图详细描述本发明的优选实施例，使本领域的普通技术人员更清楚本发明的上述及其它特征和优点，附图中：
图1为根据本发明的第一实施例的确定肿瘤三维边界的方法的流程示意图。
图2A为一断层图像的例子。
图2B为图2A所示的断层图像经二层三维平稳小波变换的结果。
图3A至3C分别为多尺度球形度特征在平扫、动脉、门脉图像上的结果。
图4为根据本发明的第二实施例的确定肿瘤三维边界的装置的结构框图。
在上述附图中，所采用的附图标记如下：
100 方法 210 特征提取单元
208 标签单元 212 特征选取单元
200 装置 214 分类器训练单元
202 数据加载单元 216 边界识别单元
204 断层图像选择单元 218 连接单元
206 边界确定单元 220 评价单元
208 标签单元
S102、S104、
S106、S108、
S110、S112、 步骤
S114、S116、
S118、S120
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下举实施例对本发明进一步详细说明。
图1为根据本发明的第一实施例的确定肿瘤三维边界的方法100的流程示意图。如图1所示，方法100包括步骤S102、步骤S104、步骤S106、步骤S108、步骤S110、步骤S112、步骤S114、步骤S116和步骤S118。
在步骤S102中，加载一特定受检对象的体层数据。
在步骤S104中，接收从体层数据中选择的复数个断层图像。
在步骤S106中，在各断层图像上确定肿瘤边界。
在步骤S108中，接收肿瘤边界的标签，该标签是对肿瘤的分类。
在步骤S110中，在体素范围提取所述断层图像的特征，形成一特征池。可利用现有的提取特征的算法计算出密度、纹理、时间和形状等特征，并把它们级联成为一个属性向量。对于密度特征，比如均值特征，方差特征。纹理特征计算可以采用小波特征，即先将图像做多层三维小波变换，然后在每一个变换后的子代图像区域提取特征。小波变换是可分离的，因此可以用低频和高频一维滤波器先后在图像的三个维度上做卷积。图2A为一断层图像的例子。图2B为图2A所示的断层图像经二层三维平稳小波变换的结果，其中，第一行为一层平稳小波变换，第二行为二层平稳小波变换。对于三维图像，每一层小波变换可以获得8个子代。图2B列举了一些子代图像，其中第一列为三个方向的低频滤波，第二列为垂直于图像平面的方向低频滤波、图像平面内竖直方向低频滤波、图像平面内水平方向高频滤波。每层变换的不同子代当中有不同的纹理特征。时间特征往往和肿瘤的特性有关，比如，对于肝脏的原发性肿瘤，在CT扫描的三期图像往往体现出“快进快出”的特征，该特征可以用时间强度曲线衡量。对于某些特定的结构，形状特征方法往往能够给出结构的位置。比如用多尺度的海森矩阵的张量计算就可以用来度量图像中的特定结构。海森矩阵定义如下：
其中x＝(x,y,z)为三维空间中的体素位置，I为待处理的图像，σ为高斯卷积核大小即尺度。海森矩阵的特征值和特征向量为λ1(x),λ2(x),λ3(x)和令λ1(x)>λ2(x)>λ3(x)，那么该尺度下的球形度为
考虑到多个尺度的球形度特征，有如下公式
其中σmin和σmax为尺度计算的范围。图3A至3C分别为多尺度球形度特征在平扫、动脉、门脉上的结果。红颜色的区域为较高数值的特征，黄色的闭合曲线为医生手动勾勒的肿瘤边界。
在步骤S112中，从特征池选择针对该图像和该肿瘤的最优特征。上述属性向量具有高维度的特征，这些特征中有一些是冗余的。在分析冗余和信息增益之前，我们无法在一次特定的肿瘤分割中知晓哪一些特征是有用的。可采用一些特征选取和降维算法解决这一问题，例如主成分分析(Principal component analysis，PCA)。PCA可将属性向量投射至一个正交平面，从而将该属性向量转变为一个新的属性向量，这个新的属性向量将作为分类器的输入。经过PCA变换后，属性向量的维度降低了，获得了正交特征，有效地去除了特征中的冗余。
在步骤S114中，根据断层图像、肿瘤边界的标签、特征，训练一分类器。在本实施例中，可采用支持向量机(SVM)从标签过的训练数据集寻找最佳的超平面。这一过程可表示为求解下列具有约束条件的最优化问题：
其中，αi是拉格朗日乘子
yi是特征的标签，通常为-1(正常组织)，1(肿瘤)
xi是第i个属性向量
n是数据集大小
K(xi,xj)是核函数，它能将非线性特征映射到一个高维度空间，并且映射后的特征是经线性分类的。常用的非线性核有多项式核、高斯核、拉普拉斯核或Sigmoid核。例如，高斯核可表示为：
σ是高斯核的窗宽
在步骤S116中，以分类器识别其他断层图像，从而确定对应的肿瘤边界。将手动调整的区域拓展到其他层面，然后采用快速水平集计算方法，只需要对当前曲线上点进行分类，然后拓展边界。
在步骤S118中，连接各断层图像的肿瘤边界，从而确定肿瘤的三维边界。
在本实施例中，方法100还可包括步骤S120。在步骤S120中，接收对三维边界的评价，若评价为负面，则转至步骤S104。
图2为根据本发明的第二实施例的确定肿瘤三维边界的装置200的结构框图，该装置可以作为一CT机的一部分。如图2所示，装置200包括一数据加载单元202、一断层图像选择单元204、一边界确定单元206、一标签单元208、一特征提取单元210、一特征选取单元212、一分类器训练单元214、一边界识别单元216和一连接单元218。
数据加载单元202加载一特定受检对象的体层数据。
断层图像选择单元204接收从体层数据中选择的复数个断层图像。
边界确定单元206在各断层图像上确定肿瘤边界。
标签单元208接收肿瘤边界的标签，该标签是对肿瘤的分类。
特征提取单元210在体素范围提取断层图像的特征，形成一特征池。可利用现有的提取特征的算法计算出密度、纹理、时间和形状等特征，并把它们级联成为一个属性向量。对于密度特征，比如均值特征，方差特征。纹理特征计算可以采用小波特征，即先将图像做多层三维小波变换，然后在每一个变换后的子代图像区域提取特征。小波变换是可分离的，因此可以用低频和高频一维滤波器先后在图像的三个维度上做卷积。图2A为一断层图像的例子。图2B为图2A所示的断层图像经二层三维平稳小波变换的结果，其中，第一行为一层平稳小波变换，第二行为二层平稳小波变换。对于三维图像，每一层小波变换可以获得8个子代。图2B列举了一些子代图像，其中第一列为三个方向的低频滤波，第二列为垂直于图像平面的方向低频滤波、图像平面内竖直方向低频滤波、图像平面内水平方向高频滤波。每层变换的不同子代当中有不同的纹理特征。时间特征往往和肿瘤的特性有关，比如，对于肝脏的原发性肿瘤，在CT扫描的三期图像往往体现出“快进快出”的特征，该特征可以用时间强度曲线衡量。对于某些特定的结构，形状特征方法往往能够给出结构的位置。比如用多尺度的海森矩阵的张量计算就可以用来度量图像中的特定结构。海森矩阵定义如下：
其中x＝(x,y,z)为三维空间中的体素位置，I为待处理的图像，σ为高斯卷积核大小即尺度。海森矩阵的特征值和特征向量为λ1(x),λ2(x),λ3(x)和令λ1(x)>λ2(x)>λ3(x)，那么该尺度下的球形度为
考虑到多个尺度的球形度特征，有如下公式
其中σmin和σmax为尺度计算的范围。图3A至3C分别为多尺度球形度特征在平扫、动脉、门脉上的结果。红颜色的区域为较高数值的特征，黄色的闭合曲线为医生手动勾勒的肿瘤边界。
特征选取单元212从特征池选择针对该图像和该肿瘤的最优特征。上述属性向量具有高维度的特征，这些特征中有一些是冗余的。在分析冗余和信息增益之前，我们无法在一次特定的肿瘤分割中知晓哪一些特征是有用的。可采用一些特征选取和降维算法解决这一问题，例如主成分分析(Principal component analysis，PCA)。PCA可将属性向量投射至一个正交平面，从而将该属性向量转变为一个新的属性向量，这个新的属性向量将作为分类器的输入。经过PCA变换后，属性向量的维度降低了，获得了正交特征，有效地去除了特征中的冗余。
分类器训练单元214根据断层图像、肿瘤边界的标签、特征，训练一分类器。在本实施例中，可采用支持向量机(SVM)从标签过的训练数据集寻找最佳的超平面。这一过程可表示为求解下列具有约束条件的最优化问题：
其中，αi是拉格朗日乘子
yi是特征的标签，通常为-1(正常组织)，1(肿瘤)
xi是第i个属性向量
n是数据集大小
K(xi,xj)是核函数，它能将非线性特征映射到一个高维度空间，并且映射后的特征是经线性分类的。常用的非线性核有多项式核、高斯核、拉普拉斯核或Sigmoid核。例如，高斯核可表示为：
σ是高斯核的窗宽
边界识别单元216以分类器识别其他断层图像，从而确定对应的肿瘤边界。
连接单元218连接各断层图像的肿瘤边界，从而确定肿瘤的三维边界。将手动调整的区域拓展到其他层面，然后采用快速水平集计算方法，只需要对当前曲线上点进行分类，然后拓展边界。
在本实施例中，装置200还可包括一评价单元220，其接收对三维边界的评价，若评价为负面，断层图像选择单元204再次接收从体层数据中选择的复数个断层图像，并执行后续单元的任务。
本发明提取的特征是针对每个病人的肿瘤和正常组织特性选出来的，传统的方法是从多个病人的样本集选择出来的。因此相比多病人样本的特征选择，本发明的方法更加具有针对性。另外，从不同样本中选容易出现不同扫描参数甚至不同厂家的机器的情况，需要做特定的处理，而本发明的方法避免了这一问题。此外，医生每次对某个断层图像上的肿瘤分割/修改后，最终分割算法用的特征都不一样。这些特征是由医生的交互和计算机算法共同选择出来的。
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、改进等，均应包含在本发明的保护范围之内。