[發明專利]基于組合稀疏模型的先驗形狀建模方法

有效

• 申請號: 201210074274.6
• 申請日: 2012-03-20
• 公開（公告）號: CN102760236A
• 公開（公告）日: 2012-10-31
• 發明（設計）人: 顧力栩
• 申請（專利權）人: 蘇州迪凱爾醫療科技有限公司
• 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

技術領域

本發明基于組合稀疏模型的先驗形狀建模方法屬于醫學圖像分割技術領域，涉及的是一種醫學圖像分割中的先驗形狀建模方法，特別是三維醫學圖像分割中具有個體適應性的器官先驗形狀的獲取方法。

背景技術

醫學圖像分割是一個非常具有挑戰性的課題。由于低信噪比、低對比度、以及不同軟組織之間邊界模糊、存在采樣偽影、局部體效應、空間混疊等因素使醫學圖像中存在許多不確定干擾，所以醫學圖像分割具有很強的針對性，使得醫學圖像分割至今都沒有統一的標準和普遍適用的規則。

醫學圖像分割經歷了一個由傳統的區域增長算法、邊界檢測算法發展到水平集算法和基于分類和聚類的方法等算法的過程，由于醫學圖像的特殊性，上述算法進行醫學圖像分割時容易出現欠分割和過分割，目前基于模型如先驗形狀的醫學圖像分割方法逐漸流行起來。值得注意的是,人體器官如肝臟、腎臟、心臟等都有很顯著的形狀特征，不同病人的同種器官在形狀上具有很大的相似性，使用先驗形狀的方法可以有效解決區域邊界模糊帶來的誤分割問題，因而可以使用先驗形狀來輔助提取感興趣區域。

對目前所使用的先驗形狀模型進行考察發現，盡管先驗形狀在醫學圖像分割中可以有效排除噪聲干擾，具有很強的魯棒性，對先驗形狀的建模卻不是一件容易的事。這里主要存在著三個問題：

第一，如何對復雜的形狀變化進行建模。有些器官的形狀個體差異較大，變化較復雜，無法用一個參數概率分布來對它建模。Cootes和Taylor在1997年提出了用高斯混合模型來表達形狀變化的解決方法，而多重學習技術(Manifold?learning?techniques)通過對非線性形狀先驗知識進行學習，也可用來在一定程度上解決這個問題，Yan和Kruecker等人還提出了將形狀分解為子空間進行建模的方法。但是，對于形狀比較復雜，個體間差異較大的情況，使用參數概率分布的方法建模還是無法對形狀分布進行準確的描述。

第二，如何處理非高斯誤差。形狀中的離群點（如錯誤或者缺失的標記點）往往會偶然存在，并不服從高斯分布，構建的形狀模型必須對這些誤差具有較高的魯棒性。Duta和Sonka提出了一個利用概率分布模型的方差信息來檢測離群點的方法，并且通過臨近點的位置對離群點進行校正。Fischler和Bolles通過對幾種方法的比較發現，RANSAC（random?sample?consensus）是一種比較有效的減小離群點的影響方法。

第三，如何保留局部細節信息。形狀模型應當針對不同的圖像數據具有適應性，能夠保留該圖像中存在的局部細節信息。常規的方法是利用主成分分析(PCA)提取主成分以后剩余的部分作為局部細節信息，Davatzikos等人將形狀模型分解為幾個獨立的子部分，通過層次建模的方法來捕捉局部細節，因為局部細節常出現在訓練樣本中的一部分形狀上，具有更小的方差。

現有的絕大多數形狀建模方法都專注于解決上述一個或者兩個問題，而對于同時有效地處理上述三個問題，對醫學圖像的分割具有十分重要的意義。

發明內容

本發明的目的在于提出一種基于組合稀疏模型的先驗形狀建模方法，以克服現有的先驗形狀建模技術中的不足,使其在對醫學圖像中不同個體之間的待分割器官進行先驗形狀模型建模時，克服用參數概率分布等方法的不足，更有效地表示復雜的形狀變化，而且在對非高斯誤差具有很高的魯棒性的同時，能夠有效地保留形狀中的局部細節信息。

本發明目的通過下述技術方案實現：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據收集而來的形狀庫，該形狀庫由來自不同病人的圖像數據的已經分割好的形狀組成，以建立這些病人的相應器官的金標準，其通過以下步驟實現：

步驟1：通過對金標準表面上點的采樣，將形狀表面做網格化的預處理，形狀庫中的網格化后的形狀為模型的訓練數據；

步驟2：將網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，其對應網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化求解得到相應參數；

步驟4：將求解得到的參數，通過反變換得到所需的先驗形狀，