[發(fā)明專利]基于組合稀疏模型的先驗形狀建模方法

有效

• 申請?zhí)枺?/td>: 201210074274.6
• 申請日: 2012-03-20
• 公開（公告）號: CN102760236A
• 公開（公告）日: 2012-10-31
• 發(fā)明（設(shè)計）人: 顧力栩
• 申請（專利權(quán)）人: 蘇州迪凱爾醫(yī)療科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T7/00
• 代理公司: 上海東亞專利商標代理有限公司 31208
• 代理人: 董梅

1.一種基于組合稀疏模型的先驗形狀建模方法，采用先驗形狀建模，針對特定的組織器官建立一個由臨床數(shù)據(jù)收集而來的形狀庫，該形狀庫由來自不同病人的圖像數(shù)據(jù)的已經(jīng)分割好的形狀組成，以建立這些病人的相應(yīng)器官的金標準，其特征在于，通過以下步驟實現(xiàn)：

步驟1：通過對金標準表面上點的采樣，將形狀表面做網(wǎng)格化的預(yù)處理，形狀庫中的網(wǎng)格化后的形狀為模型的訓(xùn)練數(shù)據(jù)；

步驟2：將網(wǎng)格化后的形狀用稀疏形狀組合模型表示，形狀庫中的每個形狀，其對應(yīng)網(wǎng)格上所有頂點的坐標排列成一個列向量，整個形狀庫得到一個矩陣D；

步驟3：對稀疏形狀組合模型進行最優(yōu)化求解得到相應(yīng)參數(shù)；

步驟4：將求解得到的參數(shù)，通過反變換得到所需的先驗形狀，

其步驟2中，將一個待處理的形狀y近似表示成形狀庫中的形狀的線性組合，線性組合無法表示出的部分，即線性組合表示結(jié)果與該器官的實際形狀的差異，則視為噪聲e，用????????????????????????????????????????????????表示各個形狀的組合系數(shù)，和e值通過使如下?lián)p失函數(shù)最小化得到：

?????????公式1

其中是一個按照參數(shù)對y進行空間位置變換的運算，它將y對齊到形狀庫D中的平均形狀，表示向量的L1范數(shù)，和分別控制了和e的稀疏程度，通過松弛化處理，是一個連續(xù)而且具有凸性的函數(shù)，通過對上式的求解計算出和，用代替y，再將它按照變換的反變換進行變換，以作為y的先驗形狀。

2.根據(jù)權(quán)利要求1所述的基于組合稀疏模型的先驗形狀建模方法，其特征在于：所述的將形狀表面做網(wǎng)格化的預(yù)處理是指：將要建立的某一特定的組織器官的形狀庫，通過對臨床數(shù)據(jù)的收集，將大量病人的三維圖像中的特定的組織器官由臨床專家手工分割出來，以建立這些病人的相應(yīng)器官的金標準，金標準被認為是與實際的器官完全吻合的，得到的金標準是一個二值圖像，為了反映形狀信息，只需要將金標準的表面提取出來，通過對金標準表面上點的采樣，得到一系列標記點和三角形面片組成的網(wǎng)格表面，即以網(wǎng)格表示形狀，特定的組織器官對應(yīng)的網(wǎng)格由網(wǎng)格上每個頂點的空間坐標和頂點之間的拓撲關(guān)系決定，通過Prcrustes分析完成在對形狀進行稀疏組合表示之前的預(yù)處理。

3.根據(jù)權(quán)利要求1所述的基于組合稀疏模型的先驗形狀建模方法，其特征在于，最優(yōu)化求解目標函數(shù)的方法為：所述的形狀庫中的第i個形狀，其對應(yīng)網(wǎng)格上所有頂點的坐標依據(jù)這些頂點的拓撲結(jié)構(gòu)按順序排列成一個列向量，記做，其中n是頂點數(shù)量與坐標維數(shù)的乘積，當形狀庫中包含k個形狀，那么該形狀庫表示成矩陣D的形式，同時形狀庫之外的一個待處理的形狀也表示成列向量；

當形狀庫中的形狀為k>n的情況，輸入形狀能被訓(xùn)練數(shù)據(jù)的稀疏線性組合表示，用公式2體現(xiàn)：

?,???????????公式2

其中表示向量的L0范數(shù)，即向量中非零元素的個數(shù)，k1是預(yù)先定義的稀疏數(shù)；

在模型中將誤差看作一個稀疏向量：，于是公式2修正為：

???????,????公式3

其中k2是誤差e的稀疏數(shù)；

由于L0范數(shù)的非連續(xù)性，因此通過L1范數(shù)松弛處理將公式3變?yōu)椋?/p>

??????公式4

其中和分別控制了和e的稀疏程度，通過松弛化處理，?是一個連續(xù)而且具有凸性的函數(shù)，為最終的最優(yōu)化目標函數(shù)。

4.根據(jù)權(quán)利要求1或3所述的基于組合稀疏模型的先驗形狀建模方法，其特征在于：所述的最優(yōu)化求解方法為以下兩個步驟：

步驟3.1：通過形狀的Procrustes分析來估計參數(shù)，并通過Procrustes分析將形狀y的空間位置、方向和尺寸進行一系列的剛體變換而使它與形狀庫中的平均圖像有最佳匹配，得到新的形狀；

步驟3.2：對下述線性逆問題求最優(yōu)解：

?????????????公式5

通過快速迭代收縮閾值算法（Fast?Iterative?Shrinkage?Thresholding?Algorithm，F(xiàn)ISTA），使用FISTA求出使上述函數(shù)達到最優(yōu)化條件相應(yīng)的和e；

從最優(yōu)化條件相應(yīng)的和e得到形狀庫中形狀的最優(yōu)線性組合,將按照參數(shù)對應(yīng)的逆變換進行變換，將組合形狀變換回輸入形狀對應(yīng)的原空間，即得到該形狀y的先驗形狀。

5.根據(jù)權(quán)利要求1至4所述的基于組合稀疏模型的先驗形狀建模方法用于肝臟圖像分割中對先驗形狀的建模，在計算機環(huán)境中運行，其特征在于，

步驟1選擇計算機：運行環(huán)境為在CPU為Intel（R）?Core?i3-2100?3.10GHz內(nèi)存為2.0GB的計算機中實現(xiàn)，編程語言為C++；

步驟2在肝臟圖像分割中對先驗形狀的建模方法：

1）、首用VTK三維圖形圖像處理類庫將初始肝臟形狀表面轉(zhuǎn)化為網(wǎng)格化表示，網(wǎng)格化后的形狀為模型的訓(xùn)練數(shù)據(jù)，同時將每個肝臟形狀轉(zhuǎn)化成按每個標記點的坐標排列成的一維列向量表示，整個肝臟形狀庫表示成一個矩陣D，其中每一列對應(yīng)一個訓(xùn)練形狀；

2）通過Procrustes分析將待處理的肝臟形狀朝形狀庫里面的肝臟形狀對齊，消除位置、大小和方向上的不一致，并且將該變換對應(yīng)向量的參數(shù)記錄下來，本步驟設(shè)定好公式4中的兩個稀疏數(shù)和，建立公式4所對應(yīng)的最優(yōu)化方程，通過形狀的Procrustes分析來估計參數(shù)，從而得到新的形狀，這樣公式4中就只剩下未知；

Procrustes分析的過程通過VTK提供的函數(shù)來實現(xiàn)；

3）、使用快速迭代收縮閾值算法（Fast?Iterative?Shrinkage?Thresholding?Algorithm，F(xiàn)ISTA）對公式5中對應(yīng)的線性逆問題求最優(yōu)解，這樣公式4中待定的參數(shù)和e都求解出來，從而得到肝臟形狀庫中形狀的最優(yōu)線性組合；

4）、將形狀庫中肝臟形狀的稀疏線性組合的最優(yōu)線性組合的結(jié)果按照參數(shù)所對應(yīng)的逆變換將組合形狀變換回輸入形狀對應(yīng)的原空間，即得到的輸出形狀作為該病人肝臟的先驗形狀。