本发明涉及图像处理领域，尤其涉及一种医学成像的左心室分割方法、系统和计算机可能存储介质。
背景技术
心脏的医学成像，例如心脏磁共振成像(magneticresonanceimaging，mri)是医学辅助心血管诊疗的重要手段。左心室在心学管循环系统中起重要作用，通过左心室分割，量化左心室的体积、排血量等信息，可以有效诊断心血管疾病。
对于心脏医学成像的左心室分割任务，左心室内膜与外膜的边界与背景难以区分，使得左心室的分割成为医学图像分割的一个难点。现有的图像分割算法中，例如基于统计学的方法，基于信息论的方法，基于神经网络的方法等，在处理左心室分割时，或是达到的精度不理想或是计算复杂。
图像分割算法中要求目标区域与背景有明显的差异，但模板匹配算法无需要此条件，模板匹配算法只关注目标本身的像素或形状结构特征，使得模板匹配算法适用于处理左心室分割问题。模板匹配算法通常首先要选取一些搜索图像的典型图像作为模板，然后在搜索图像中对比所有可能和模板像的位置，但用此穷举方法处理方式耗费时间多，匹配速度较慢。
技术实现要素：
本发明的主要目的在于提供一种医学成像的左心室分割方法、系统和计算机可能存储介质，用于解决现有图像分割技术在分割边界模糊的图像时精度低、耗时多的技术问题。
为实现上述目的，本发明第一方面提供一种医学成像的左心室分割方法，所述方法包括：
利用心脏图像，构建左心室标准模板库；
构建粒子群，所述粒子群的每一个粒子为待分割图像中任意选取的像素位置，所述像素位置的局部区域为所述粒子对应的候选区域；
构建目标函数，通过求解所述目标函数得到每个所述粒子对应的候选区域与所述左心室标准模板库的偏离度；
根据所述每个粒子对应的候选区域与所述左心室标准模板库的偏离度，获取所述粒子群的最优粒子；
更新所述粒子群，依次获取每次更新后的粒子群的最优粒子，通过比较各个迭代的粒子群的最优粒子的偏离度大小，获取全局最优粒子并利用所述全局最优粒子确定所述左心室轮廓的边界，所述全局最优粒子为所述最优粒子中与所述左心室标准模板库相似度最大的最优粒子。
本发明第二方面提供一种医学成像的左心室分割系统，所述系统包括：
第一构建模块，用于利用心脏图像，构建左心室标准模板库；
第二构建模板，用于构建粒子群，所述粒子群的每一个粒子为待分割图像中任意选取的像素位置，所述像素位置的局部区域为所述粒子对应的候选区域；
第三构建模块，用于构建目标函数，通过求解所述目标函数得到每个所述粒子对应的候选区域与所述左心室标准模板库的偏离度；
第一获取模块，用于根据所述每个粒子对应的候选区域与所述左心室标准模板库的偏离度，获取所述粒子群的最优粒子；
第二获取模块，用于更新所述粒子群，依次获取每次更新后的粒子群的最优粒子，通过比较各个迭代的粒子群的最优粒子的偏离度大小，获取全局最优粒子并利用所述全局最优粒子确定所述左心室轮廓的边界，所述全局最优粒子为所述最优粒子中与所述左心室标准模板库相似度最大的最优粒子。
本发明第三方面提供一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下方法的步骤：
利用心脏图像，构建左心室标准模板库；
构建粒子群，所述粒子群的每一个粒子为待分割图像中任意选取的像素位置，所述像素位置的局部区域为所述粒子对应的候选区域；
构建目标函数，通过求解所述目标函数得到每个所述粒子对应的候选区域与所述左心室标准模板库的偏离度；
根据所述每个粒子对应的候选区域与所述左心室标准模板库的偏离度，获取所述粒子群的最优粒子；
更新所述粒子群，依次获取每次更新后的粒子群的最优粒子，通过比较各个迭代的粒子群的最优粒子的偏离度大小，获取全局最优粒子并利用所述全局最优粒子确定所述左心室轮廓的边界，所述全局最优粒子为所述最优粒子中与所述左心室标准模板库相似度最大的最优粒子。
本发明第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下所述方法的步骤：
利用心脏图像，构建左心室标准模板库；
构建粒子群，所述粒子群的每一个粒子为待分割图像中任意选取的像素位置，所述像素位置的局部区域为所述粒子对应的候选区域；
构建目标函数，通过求解所述目标函数得到每个所述粒子对应的候选区域与所述左心室标准模板库的偏离度；
根据所述每个粒子对应的候选区域与所述左心室标准模板库的偏离度，获取所述粒子群的最优粒子；
更新所述粒子群，依次获取每次更新后的粒子群的最优粒子，通过比较各个迭代的粒子群的最优粒子的偏离度大小，获取全局最优粒子并利用所述全局最优粒子确定所述左心室轮廓的边界，所述全局最优粒子为所述最优粒子中与所述左心室标准模板库相似度最大的最优粒子。
从上述本发明提供的技术方案可知，一方面，该方法构建粒子群，根据粒子群中各个粒子的候选区域与左心室标准模板库偏离度的大小，获取多个迭代的粒子群中偏离度最小的粒子，即获取了与左心室标准模板库相似度最高的粒子，再根据该粒子确定左心室轮廓的边界，得到我们要分割的心脏左心室区域，实现了心脏图像的左心室分割，该方法只关注左心室本身的轮廓结构，将左心室的轮廓从图像中分割出来的精度较高；另一方面，该方法利用粒子群来寻找最优粒子，因此该方法相对传统模板匹配算法采用的穷举处理方式，搜索的速度得到提高，从而使分割左心室耗时变少。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种医学成像的左心室分割方法的实现流程示意图；
图2为步骤101的细化步骤的流程示意图；
图3为步骤103的细化步骤的流程示意图；
图4为步骤105的细化步骤的流程示意图；
图5为本发明另一实施例提供的一种医学成像的左心室分割系统的结构示意图；
图6为第一构建模块的细化模块的结构示意图；
图7为第三构建模块的细化模块的结构示意图；
图8为第二获取模块的细化模块的结构示意图；
图9为本发明另一实施例提供的计算设备的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，而非全部实施例。基于本发明中的实施例，本领域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。
由于现有技术在分割边界模糊的图像时存在精度低、耗时多的技术问题。为了解决上述技术问题，本发明提出一种医学成像的左心室分割方法。
请参阅图1，为本发明实施例提供的一种医学成像的左心室分割方法的实现流程示意图，该方法包括以下步骤101至步骤105，以下详细说明：
步骤101、利用心脏图像，构建左心室标准模板库。
在本发明实施例中，心脏图像的成像为边界模糊的图像，作为本发明的一个实施例，采用的边界模糊的磁共振(magneticresonance，mr)心脏学习图像，本申请的技术也可用于其他边界模糊的图像中。其中，如图2所示，图2为步骤101的细化步骤的流程示意图，利用心脏图像，构建左心室标准模板库具体可以通过如下步骤201至步骤204实现：
步骤201、将心脏图像的左心室区域进行降采样处理，获得模板图像。
具体地，利用mr心脏学习图像，然后根据专家点分割出的左心室区域，进行降采样处理，即间隔采样，在图像的每行每列中，每隔k个像素取一个像素点，以此降低图像分辨率或缩小图像。其中，k的取值不作限定，但实际运用中常取2。
在本发明实施例中，将专家分割出的左心域区域采样降到的区域大小为20×20。
步骤202、将模板图像向量化。即采用列优化或行优化的方式将图像矩阵转化为列向量或行向量，以便后续建立模板矩阵库。在本发明实施例中，采用的是列优化的方法将20×20的图像矩阵转化为400×1的列向量。
步骤203、将向量化的模板图像归一化。
其中，归一化可以将不同维度的数据化为无量纲数据，并将数据限制在统一范围内。图像的归一化处理可以消除或减轻图像因光照强度和仿射变换造成的影响，减轻算法对图像噪声的敏感程度。
在本实施例中，采用0均值标准化，其中，0均值标准化的公式如下：
其中，x是左心室标准模板，x′是归一化后的数据，μx是x的均值，σx是x的标准差。
步骤204、再将归一化处理后的模板向量依次排列，得到模板库矩阵，该模板库矩阵为左心室标准模板库。
其中，经过将采样、向量化、归一化处理得到的模板向量依次排列得到的模板矩阵为t＝{t1,t2,…,tn}∈rd×n，ti∈rd，其中n为模板的个数，ti为模板矩阵中的向量，d是向量ti的维度，d＝400。
步骤102、构建粒子群，其中，该粒子群的每一粒子为待分割图像中任意选取的像素位置，该像素位置的局部区域为粒子对应的候选区域。
其中，粒子群中每一粒子为待分割图像中任意选取的像素位置，即，粒子群众的各个粒子是随机获取，且数量是有限的。另，构建粒子群的具体步骤为：在待分割图像中随机产生空间位置作为粒子，以每个随机粒子为中心，以预置大小为半径的圆形区域即为该粒子对应的候选区域。
其中，在每一个粒子的候选区域的轮廓上等间隔采样m个点,该m个点构成向量可以表示该粒子，该m个点为一个粒子对应的候选区域的轮廓所包含的点，其中，每个粒子候选区域最初轮廓均为圆形，随着后续粒子优化过程，逐渐调整这m个点的位置，形成不规则区域。
在本发明实施例中，获取每一个粒子的候选区域的轮廓上的点的数量为32个，32个点构成的向量即可描述该粒子，因此对于任意粒子，可用下述式子表述：
ω＝(x1,y1,x2,y2,…,xi,yi,…,x32,y32)τ(2)
其中，(xi,yi)为第i个关键点pi的坐标，ω表示任意粒子，τ表示矩阵转置。
步骤103、构建目标函数，通过求解该目标函数得到的每个粒子对应的候选区域与左心室标准模板库的偏离度。
为了获取每个粒子对于候选区域与左心室标准模板库的偏离度，需引入l1-范数约束，得到约束条件下最优化问题的解，即获取候选区域与左心室标准模板库的偏离度最小的粒子，具体地，如图3所示，图3为步骤103细化步骤的流程示意图，构建目标函数，通过求解该目标函数得到的每个粒子对应的候选区域与左心室标准模板库的偏离度可以通过步骤301至步骤304实现：
步骤301、构建稀疏约束的目标函数，该目标函数如下所示：
其中，y≈tα，y为每个粒子对应的候选区域，t是模板库，α＝[α1,…,αn]t，αi∈[0,1]，且
需要说明的是，对于每个粒子，其最初的候选区域与模板库中最多只有少数模板元素相似，因此，可以用少数模板元素加权组合表示，即：
y≈α1t1+α2t2+…+αntn(4)
其中，y∈rd，ti∈rd是模板库的第i列(第i个模板元素)，αi∈[0,1]，且
步骤302、解该目标函数，获得该目标函数最小化问题的最优解，该目标函数最小化问题的最优解为：
α*＝soft(y,λ/2)(5)
其中，α*为目标函数最优解的函数值，
其中，该最优解为对当前候选区域的分解系数，获取该最优解，后续利用该最优解构造区域y*，该区域y*与左心室标准模板库的误差可计算。
步骤303、根据最优解获取每个粒子对应候选区域与模板库的匹配误差数，该匹配误差数如下所示：
其中，ψ(y)为匹配误差数，y为粒子对应的候选区域。
需要说明的是，每个粒子对应的候选区域与模板库之间有一个匹配误差数，该匹配误差数越小，候选区域与标准模板越相似，其是目标的可能性越大。
步骤304、再根据匹配误差数获取每个粒子对应候选区域与模板库的偏离度，该偏离度的计算式如下所示：
其中，l为每个粒子对应候选区域与模板库的误差值，d为模板库的向量的维度，β为调节误差映射分布的参数。
通过计算上述公式(7)，可以获取每个粒子对应候选区域与模板库的误差值，误差值越小表明，该粒子对应候选区域与模板库的偏离度低，该粒子对应候选区域与模板库的相似度高。
步骤104、根据每个粒子对应的候选区域与左心室标准模板库的偏离度，获取该粒子群的最优粒子。
具体地，比较每个粒子对应的候选区域与左心室标准模板库的偏离度的大小，即比较每个粒子对应的候选区域与左心室标准模板库之间误差值l的大小，l越小，说明该粒子对应候选区域与模板库的相似度越高，获取当前粒子群中对应的候选区域与左心室标准模板库之间误差值最小的粒子，记录该粒子为最优粒子，用
步骤105、更新该粒子群，依次获取每次更新后粒子群的最优粒子，通过比较各个迭代的粒子群的最优粒子的偏离度大小，获取全局最优粒子并利用该全局最优粒子确定左心室轮廓的边界，其中，该全局最优粒子为最优粒子中与左心室标准模板库相似度最大的最优粒子。
其中，更新粒子群，各个粒子的候选区域会发生变化，更新粒子群的次数不作限定，在每次更新该粒子群后，相应地获取本次更新的粒子群的最优粒子，多次更新粒子群后，通过比较各个迭代的粒子群的最优粒子的偏离度大小，即可获取所有迭代的粒子群中对应的候选区域与左心室标准模板库偏离度最小的粒子，记录该粒子为全局最优粒子，所有迭代的粒子群中该全局最优粒子对应的候选区域与左心室标准模板库的相似度是最高。
另，利用该全局最优粒子，可勾勒出左心室边界轮廓，从而将左心室从心脏图像中分割出来，解决了心脏mr成像存在的左心室边界模糊的问题，勾勒出的左心室边界轮廓，用于左心室量化分析，辅助诊断心血管疾病。
进一步地，如图4所示，图4为步骤105的细化步骤的流程示意图，步骤105的细化步骤具体包括：
步骤401、记录粒子群当前的迭代数为t，获取第t代粒子群的最优粒子，记录当前迭代的粒子群的最优粒子为全局最优粒子，记录当前粒子群的迭代数与全局最优粒子所在粒子群的迭代数相差值为a，a为常数且初值为0。
其中，第t代粒子群为迭代数为t的粒子群，a为当前粒子群的迭代数与全局最优粒子所在粒子群的迭代数相差值，a的值表明该粒子群随着迭代数的增加，粒子群中最优粒子的偏离度连续增加的次数。
步骤402、更新粒子群，记录更新后的粒子群的迭代数为t+1，获取第t+1代粒子群的最优粒子。
步骤403、判断该第t+1代的粒子群的最优粒子的偏离度是否大于全局最优粒子的偏离度。
在判断第t+1代粒子群的最优粒子的偏离度是否大于全局最优粒子的偏离度时，具体是判断下列式子是否成立：
lt<lt+1(8)
其中，lt表示第t代粒子群的最优粒子对应的候选区域与左心室标准模板库之间误差值，上述式子成立，表明第t+1代粒子群的最优粒子对应的候选区域与左心室标准模板库之间的误差值大于第t代粒子群的最优粒子对应的候选区域与左心室标准模板库之间误差值，即第t+1代的粒子群的最优粒子的偏离度大于全局最优粒子的偏离度。
步骤404、若第t+1代的粒子群的最优粒子的偏离度大于该全局最优粒子的偏离度，则将a的值增加1，再判断增加1之后的a的值是否大于n，n为预置的值，若增加1之后的a的值大于n，则确定该第t代粒子群的最优粒子为全局最优粒子，执行步骤406，若增加1之后的a的值小于n，将t的值增加1，返回执行步骤402。
其中，n为常数，n为随着迭代数的增加粒子群中最优粒子的偏离度连续增加的次数的阈值，当a的值是大于n时，表明粒子群中最优粒子的偏离度连续增加的次数达到阈值时，可以认为在后续更新的粒子群的最优粒子的偏离度比全局最优粒子的偏离度大。当a的值是小于n时，还需继续更新粒子群，找到误差最小的全局最优粒子。
步骤405、若第t+1代的粒子群的最优粒子的偏离度小于全局最优粒子的偏离度时，将t的值增加1，返回执行步骤401。
即，当第t+1代的粒子群的最优粒子的偏离度是小于全局最优粒子的偏离度时，在第t+1代及其之前的粒子群的全局最优粒子为第t+1代的粒子群的最优粒子，因此，将t的值增加1，返回执行步骤401，继续寻找下一个全局最优粒子。
步骤406、利用graham扫描法确定包含全局最优粒子对应的m个特征点的最小凸包，在最小凸包的顶点之间进行样条插值，得到平滑轮廓，该平滑轮廓为左心室轮廓。
其中，该最优粒子的候选区域可用m个特征点表示，在本发明实施例中，每一个粒子的特征点为32个，可根据最优粒子对应的32个特征点，用graham扫描法确定包含这32个点的最小凸包，在该凸包的顶点之间进行样条插值，得到平滑轮廓，该轮廓即为左心室轮廓。
进一步地，步骤402中更新粒子群的具体步骤为：粒子群中每个粒子的状态根据粒子更新公式进行更新，该粒子更新公式如下：
ωt+1＝ωt+v(10)
其中，w,c1,c2为惯性常数，r1和r2为两个随机数，
其中，所有迭代中找到的最优粒子即为全局最优粒子，根据上述粒子更新公式更新粒子群中的各个粒子，粒子所对应的特征点的空间位置发生了变化，粒子所描述的候选区域也随之发生变化。
在本发明实施例中，经过更新的粒子所对应的32个特征点的空间位置发生了变化，粒子所描述的候选区域也随之发生变化。
需要说明的是，心血管疾病的成因十分复杂，其诊疗是医疗界公认的难题，虽然本发明通过上述附图1或者附图1至附图5示例的方法可以确定所述医学图像中左心室轮廓的边界，但其处理过程并不涉及诊疗方法，处理结果主要是对医学成像的识别具有参考意义，并不能直接作为心血管疾病的诊断结果，也不能据此就认为能够直接获得心血管疾病患者的健康状况。
从图1本发明实施例提供的医学成像的左心室分割方法可知，一方面，该医学成像的左心室分割方法构建粒子群，根据粒子群中各个粒子的候选区域与左心室标准模板库偏离度的大小，获取多个迭代的粒子群中偏离度最小的粒子，即获取了与左心室标准模板库相似度最高的粒子，再根据该粒子确定左心室轮廓的边界，得到我们要分割的心脏左心室区域，实现了心脏图像的左心室分割，该医学成像的左心室分割方法只关注左心室本身的轮廓结构，分割出来的精度较高；另一方面，该利用粒子群来寻找最优粒子，因此该方法相对传统模板匹配算法采用的穷举处理方式，搜索的速度得到提高，从而使分割左心室耗时变少。
请参阅图5，图5为本发明另一实施例提供的一种医学成像的左心室分割系统的结构示意图，该医学成像的左心室分割系统包括第一构建模块501、第二构建模块502、第三构建模块503、第一获取模块504和第二获取模块505：
第一构建模块501，用于利用心脏图像，构建左心室标准模板库。
在本发明实施例中，心脏图像的成像为边界模糊的图像，作为本发明的一个实施例，第一构建模块501采用的边界模糊的mr心脏学习图像，本申请的技术也可用于其他边界模糊的图像中。其中，如图6所示，图6为第一构建模块的细化模块的结构示意图，第一构建模块501具体包括采样模块601、向量化模块602、归一化模块603和排列模块604：
采样模块601，用于将心脏图像的左心室区域进行降采样处理，获得模板图像。
具体地，采样模块601利用mr心脏学习图像，然后根据专家点分割出的左心室区域，进行降采样处理，即间隔采样，在图像的每行每列中，每隔k个像素取一个像素点，以此降低图像分辨率或缩小图像。其中，k的取值不作限定，但实际运用中常取2。
在本发明实施例中，采样模块601将专家分割出的左心域区域采样降到的区域大小为20×20。
向量化模块602，用于将模板图像向量化。即向量化模块602采用列优化或行优化的方式将图像矩阵转化为列向量或行向量，以便后续建立模板矩阵库。在本发明实施例中，向量化模块602采用列优化的方法将20×20的图像矩阵转化为400×1的列向量。
归一化模块603，用于将向量化的模板图像归一化。
其中，归一化可以将不同维度的数据化为无量纲数据，并将数据限制在统一范围内。图像的归一化处理可以消除或减轻图像因光照强度、仿射变换造成的影响，减轻算法对图像噪声的敏感程度。
在本实施例中，归一化模块603采用0均值标准化将模板图像归一化，其中，0均值标准化的公式如下：
其中，x是左心室模板，x′是归一化后的数据，μx是x的均值，σx是x的标准差。
排列模块604，用于将归一化处理后的模板向量依次排列，得到模板库矩阵，该模板库矩阵为左心室标准模板库。
具体地，排列模块604将经过采样模块601采样、向量化模块602向量化、归一化模块603归一化处理后得到的模板向量依次排列得到的模板矩阵，得到的模板矩阵为t＝{t1,t2,…,tn}∈rd×n，ti∈rd，其中n为模板的个数，ti为模板矩阵中的向量，d是向量ti的维度，d＝400。
第二构建模板502，用于构建粒子群，其中，该粒子群的每一个粒子为待分割图像中任意选取的像素位置，该像素位置的局部区域为所述粒子对应的候选区域。
其中，粒子群中每一粒子为待分割图像中任意选取的像素位置，即，粒子群众的各个粒子是随机获取，且数量是有限的。其中，第二构建模板502的具体操作为：第二构建模板502在待分割图像中随机产生空间位置，以该随机空间位置为粒子，以每个随机粒子为中心，以预置大小为半径的圆形区域即为该粒子对应的候选区域。
其中，第二构建模板502还在每一个粒子的候选区域的轮廓上等间隔采样m个点,该m个点构成向量可以表示该粒子，该m个点为一个粒子对应的候选区域的轮廓所包含的点，其中，每个粒子候选区域最初轮廓均为圆形，随着后续粒子优化过程，逐渐调整这m个点的位置,形成不规则区域。
在本发明实施例中，第二构建模板502获取每一个粒子的候选区域的轮廓上的点的数量均为32个，32个点构成的向量即可描述该粒子，因此对于任意粒子，可用下述式子表述：
ω＝(x1,y1,x2,y2,…,xi,yi,…,x32,y32)τ
其中，(xi,yi)为第i个关键点pi的坐标，ω表示任意粒子，τ表示矩阵转置。
第三构建模块503，用于构建目标函数，通过求解目标函数得到每个粒子对应的候选区域与左心室标准模板库的偏离度。
其中，第三构建模块503为了获取每个粒子对于候选区域与左心室标准模板库的偏离度，引入l1-范数约束，得到约束条件下最优化问题的解，即获取候选区域与左心室标准模板库的偏离度最小的粒子，具体地，如图7所示，图7为第三构建模块的细化模块的结构示意图，第三构建模块503具体包括构建函数模块701、解析模块702、过渡模块703和获取偏离度模块704:
构建函数模块701，用于构建稀疏约束的目标函数，该目标函数如下式所示：
其中，y≈tα，y为每个粒子对应的候选区域，t是模板库，α＝[α1,…,αn]t，αi∈[0,1]，且
需要说明的是，对于每个粒子，其最初的候选区域与模板库中最多只有少数模板元素相似，因此，可以用少数模板元素加权组合表示，即：
y≈α1t1+α2t2+…+αntn
其中，y∈rd，ti∈rd是模板库的第i列(第i个模板元素)，αi∈[0,1]，且
解析模块702，用于解该目标函数，获得目标函数最小优化问题的最优解，该目标函数最小优化问题的最优解为：
α*＝soft(y,λ2)
其中，α*为目标函数最优解的函数值，
过渡模块703，用于根据最优解获取每个粒子对应候选区域与模板库的匹配误差数，该匹配误差数如下所示：
其中，ψ(y)为匹配误差数，y为粒子对应的候选区域；
需要说明的是，每个粒子对应的候选区域与模板库之间有一个匹配误差数，该匹配误差数越小，候选区域与标准模板越相似，其是目标的可能性越大。
获取偏离度模块704，用于根据匹配误差数获取每个粒子对应候选区域与模板库的偏离度，该偏离度的计算式如下式所示：
其中，l为每个粒子对应候选区域与所述模板库的匹配误差值，d为模板库的向量的维度，β为调节误差映射分布的参数。
获取偏离度模块704通过计算上述公式(7)，可以获取每个粒子对应候选区域与模板库的误差值，误差值越小表明，该粒子对应候选区域与模板库的偏离度低，该粒子对应候选区域与模板库的相似度高。
第一获取模块504，用于根据每个粒子对应的候选区域与左心室标准模板库的偏离度，获取该粒子群的最优粒子。
具体地，第一获取模块504比较每个粒子对应的候选区域与左心室标准模板库的偏离度的大小，即比较每个粒子对应的候选区域与左心室标准模板库之间误差值l的大小，l越小，说明该粒子对应候选区域与模板库的相似度越高，第一获取模块504获取当前粒子群中对应的候选区域与左心室标准模板库之间误差值最小的粒子，记录该粒子为最优粒子，用
第二获取模块505，用于更新粒子群，依次获取每次更新后的粒子群的最优粒子，通过比较各个迭代的粒子群的最优粒子的偏离度大小，获取全局最优粒子并利用该全局最优粒子确定左心室轮廓的边界，其中，该全局最优粒子为最优粒子中与左心室标准模板库相似度最大的最优粒子。
第二获取模块505在更新粒子群后，各个粒子的候选区域会发生变化，第二获取模块505更新粒子群的次数不作限定，在每次更新该粒子群后，相应地获取本次更新的粒子群的最优粒子，多次更新粒子群后，通过比较各个迭代的粒子群的最优粒子的偏离度大小，即可获取所有迭代的粒子群中对应的候选区域与左心室标准模板库偏离度最小的粒子，记录该粒子为全局最优粒子，所有迭代的粒子群中该全局最优粒子对应的候选区域与左心室标准模板库的相似度是最高。
另，第二获取模块505还利用该全局最优粒子，勾勒出左心室边界轮廓，从而将左心室从心脏图像中分割出来，解决了心脏mr成像存在的左心室边界模糊的问题，勾勒出的左心室边界轮廓，用于左心室量化分析，辅助诊断心血管疾病。
进一步地，如图8所示，图8为第二获取模块的细化模块的结构示意图，第二获取模块505的细化模块具体包括准备模块801、更新模块802、第一判断模块803、第二判断模块804、返回模块805和处理模块806：
准备模块801，用于记录粒子群当前的迭代数为t，获取第t代粒子群的最优粒子，记录当前迭代的粒子群的最优粒子为全局最优粒子，记录当前粒子群的迭代数与全局最优粒子所在粒子群的迭代数相差数为a，a为常数且初值为0。
其中，第t代粒子群为迭代数为t的粒子群，a为当前粒子群的迭代数与全局最优粒子所在粒子群的迭代数相差值，a的值表明该粒子群随着迭代数的增加，粒子群中最优粒子的偏离度连续增加的次数。
更新模块802，用于更新粒子群，记录更新后的粒子群的迭代数为t+1，获取第t+1代粒子群的最优粒子。
第一判断模块803、用于判断该第t+1代的粒子群的最优粒子的偏离度是否大于全局最优粒子的偏离度。
在第一判断模块803在判断第t+1代粒子群的最优粒子的偏离度是否大于全局最优粒子的偏离度时，第一判断模块803具体是判断下列式子是否成立：
lt<lt+1
其中，lt表示第t代粒子群的最优粒子对应的候选区域与左心室标准模板库之间误差值，上述式子成立，表明第t+1代粒子群的最优粒子对应的候选区域与左心室标准模板库之间的误差值大于第t代粒子群的最优粒子对应的候选区域与左心室标准模板库之间误差值，即第t+1代的粒子群的最优粒子的偏离度大于全局最优粒子的偏离度。
第二判断模块804、用于在第t+1代的粒子群的最优粒子的偏离度大于该全局最优粒子的偏离度时，则将a的值增加1，再判断增加1之后的a的值是否大于n，n为预置的值，若增加1之后的a的值大于n，则确定该第t代粒子群的最优粒子为全局最优粒子，跳至处理模块806，若增加1之后的a的值小于n，则将t的值增加1，返回更新模块802。
其中，n为常数，n为随着迭代数的增加粒子群中最优粒子的偏离度连续增加的次数的阈值，第二判断模块804判断结果为a大于n时，表明粒子群中最优粒子的偏离度连续增加的次数达到阈值，可以认为在后续更新的粒子群的最优粒子的偏离度比全局最优粒子的偏离度大。当a的值是小于n时，还需继续更新粒子群，找到误差最小的全局最优粒子。
返回模块805、用于在第t+1代的粒子群的最优粒子的偏离度时，将t的值增加1，返回准备模块801。
即，当第t+1代的粒子群的最优粒子的偏离度是小于全局最优粒子的偏离度时，在第t+1代及其之前的粒子群的全局最优粒子为第t+1代的粒子群的最优粒子，因此，将t的值增加1，返回准备模块801，准备模块801继续寻找下一个全局最优粒子。
处理模块806、用于利用graham扫描法确定包含全局最优粒子对应的m个特征点的最小凸包，在所述最小凸包的顶点之间进行样条插值，得到平滑轮廓，所述平滑轮廓为左心室轮廓。
其中，该最优粒子的候选区域可用m个特征点表示，在本发明实施例中，每一个粒子的特征点为32个，处理模块806可根据最优粒子对应的32个特征点，用graham扫描法确定包含这32个点的最小凸包，在该凸包的顶点之间进行样条插值，得到平滑轮廓，该轮廓即为左心室轮廓。
进一步地，在更新模块802更新粒子群的具体作用为：
更新模块802根据粒子更新公式将粒子群中每个粒子的状态进行更新，该粒子更新公式如下：
ωt+1＝ωt+v
其中，w,c1,c2为惯性常数，r1和r2为两个随机数，
其中，所有迭代中找到的最优粒子即为预置全局最优粒子，根据上述粒子更新公式更新粒子群中的各个粒子，粒子所对应的特征点的空间位置发生了变化，粒子所描述的候选区域也随之发生变化。
在本发明实施例中，经过更新模块802更新的粒子所对应的32个特征点的空间位置发生了变化，粒子所描述的候选区域也随之发生变化。
从图5本发明实施例提供医学成像的左心室分割系统可知，一方面，该医学成像的左心室分割系统的第二构建模板502构建粒子群，根据粒子群中各个粒子的候选区域与左心室标准模板库偏离度的大小，第二获取模块505获取多个迭代的粒子群中偏离度最小的粒子，即获取了与左心室标准模板库相似度最高的粒子，再根据该粒子确定左心室轮廓的边界，得到我们要分割的心脏左心室区域，实现了心脏图像的左心室分割，该医学成像的左心室分割系统只关注左心室本身的轮廓结构，无需将图像的背景与左心室本身的轮廓区分出来，因此，将左心室的轮廓从图像中分割出来的精度较高；另一方面，该医学成像的左心室分割系统利用粒子群来寻找最优粒子，因此该医学成像的左心室分割系统相对传统模板匹配算法采用的穷举处理方式，搜索的速度得到提高，从而使分割左心室耗时变少。
图9为本发明另一实施例提供的计算设备的结构示意图。如图9所示，该实施例的计算设备9包括：处理器901、存储器902以及存储在存储器902中并可在处理器901上运行的计算机程序903，例如医学成像的左心室分割方法的程序。处理器901执行计算机程序903时实现上述医学成像的左心室分割方法实施例中的步骤，例如图1所示的步骤101至步骤105。或者，处理器901执行计算机程序903时实现上述各装置实施例中各模块/单元的功能，例如图5所示第一构建模块501、第二构建模块502、第三构建模块503、第一获取模块504和第二获取模块505的功能。
示例性的，医学成像的左心室分割方法的计算机程序903主要包括：利用心脏图像，构建左心室标准模板库；构建粒子群，其中，该粒子群的每一粒子为待分割图像中任意选取的像素位置，该像素位置的局部区域为粒子对应的候选区域；构建目标函数，通过求解该目标函数得到的每个粒子对应的候选区域与左心室标准模板库的偏离度；根据每个粒子对应的候选区域与左心室标准模板库的偏离度，获取该粒子群的最优粒子；更新该粒子群，依次获取每次更新后粒子群的最优粒子，通过比较各个迭代的粒子群的最优粒子的偏离度大小，获取全局最优粒子并利用该全局最优粒子确定左心室轮廓的边界，其中，该全局最优粒子为最优粒子中与左心室标准模板库相似度最大的最优粒子。计算机程序903可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器902中，并由处理器901执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序903在计算设备9中的执行过程。例如，计算机程序903可以被分割成第一构建模块501、第二构建模块502、第三构建模块503、第一获取模块504和第二获取模块505(虚拟装置中的模块)的功能，各模块具体功能如下：第一构建模块501，用于利用心脏图像，构建左心室标准模板库；第二构建模板502，用于构建粒子群，其中，该粒子群的每一个粒子为待分割图像中任意选取的像素位置，该像素位置的局部区域为所述粒子对应的候选区域；第三构建模块503，用于构建目标函数，通过求解目标函数得到每个粒子对应的候选区域与左心室标准模板库的偏离度；第一获取模块504，用于根据每个粒子对应的候选区域与左心室标准模板库的偏离度，获取该粒子群的最优粒子；第二获取模块505，用于更新粒子群，依次获取每次更新后的粒子群的最优粒子，通过比较各个迭代的粒子群的最优粒子的偏离度大小，获取全局最优粒子并利用该全局最优粒子确定左心室轮廓的边界，其中，该全局最优粒子为最优粒子中与左心室标准模板库相似度最大的最优粒子。
计算设备9可包括但不仅限于处理器901、存储器902。本领域技术人员可以理解，图9仅仅是计算设备9的示例，并不构成对计算设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器901可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器902可以是计算设备9的内部存储单元，例如计算设备9的硬盘或内存。存储器902也可以是计算设备9的外部存储设备，例如计算设备9上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。进一步地，存储器902还可以既包括计算设备9的内部存储单元也包括外部存储设备。存储器902用于存储计算机程序以及计算设备所需的其他程序和数据。存储器902还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/计算设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，医学成像的左心室分割方法的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤，即，利用心脏图像，构建左心室标准模板库；构建粒子群，其中，该粒子群的每一粒子为待分割图像中任意选取的像素位置，该像素位置的局部区域为粒子对应的候选区域；构建目标函数，通过求解该目标函数得到的每个粒子对应的候选区域与左心室标准模板库的偏离度；根据每个粒子对应的候选区域与左心室标准模板库的偏离度，获取该粒子群的最优粒子；更新该粒子群，依次获取每次更新后粒子群的最优粒子，通过比较各个迭代的粒子群的最优粒子的偏离度大小，获取全局最优粒子并利用该全局最优粒子确定左心室轮廓的边界，其中，该全局最优粒子为最优粒子中与左心室标准模板库相似度最大的最优粒子。
其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
以上为对本发明所提供的一种医学成像的左心室分割方法、系统和计算机可能存储介质的描述，对于本领域的技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。