[發明專利]三維圖割算法結合隨機游走算法的PET‐CT肺腫瘤分割方法

有效

• 申請號: 201610034539.8
• 申請日: 2016-01-19
• 公開（公告）號: CN105701832B
• 公開（公告）日: 2019-02-26
• 發明（設計）人: 陳新建;俞凱;向德輝;朱偉芳;石霏
• 申請（專利權）人: 蘇州大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/187
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 董建林;薛海霞

1.三維圖割算法結合隨機游走算法的PET‐CT肺腫瘤分割方法，包括如下步驟：

1)對原始PET圖像進行線性上采樣操作，并對PET和CT圖像進行仿射配準；并手動標定圖像的腫瘤種子點和非腫瘤種子點；

2)結合腫瘤種子點和非腫瘤種子點對PET圖像進行隨機游走算法分割，得到目標肺腫瘤區域的分割結果；

3)對于步驟2)中的隨機游走分割結果作形態學膨脹操作，得到完全包括目標肺腫瘤區域的前景目標區域Ro，除Ro以外的區域作為非肺腫瘤區域的背景區域Rb；

4)將前景目標區域Ro和背景區域Rb分別建立高斯混合模型，并用最大期望算法估計完善高斯混合模型參數；

5)根據前景目標區域及背景區域的高斯混合模型分別計算能量項并運用圖割算法得到最終分割結果；

步驟2)中，隨機游走算法基于圖的分割方法，在給定一部分種子點后能計算圖像中非種子點的像素點首次到達種子點的概率，通過將概率最大的一類像素點歸為目標區域從而得到最終的隨機游走分割結果；種子點為腫瘤種子點和非腫瘤種子點，非種子點為沒有被定義為腫瘤種子點或者非腫瘤種子點的像素點；

其中隨機游走算法中相鄰像素點之間的邊權重表示為：

w_ij＝exp(-β(g_i-g_j)²),

其中β為權重參數，g_i和g_j表示鄰接像素點i和j的灰度值；求解非種子點的像素點首次到達種子點的概率等同于求解組合狄利克雷問題，離散狄利克雷積分可以表示為：

其中x表示每個非種子點的像素點到達腫瘤種子點和非腫瘤的種子點的各自概率組成的矩陣，L是組合拉普拉斯矩陣，x_i為像素點i到達種子點的概率，x_j為像素點j到達種子點的概率，e_ij表示鄰接像素點i、j之間的一條邊，x^T表示每個非種子點的像素點到達腫瘤種子點和非腫瘤的種子點的各自概率組成的矩陣的轉置，w_ij為鄰接點i、j之間組成的邊e_ij的權重；

PET圖修改過的鄰接矩陣定義如下：

其中L_ij是PET圖修改過的鄰接矩陣，d_i＝∑w(e_ij)是頂點的度；w(e_ij)表示鄰接點i、j之間組成的邊e_ij的權重，∑w(e_ij)是指與當前像素點相鄰接的邊的權重和；adjacent表示像素點i、j是相鄰接的，otherwise表示像素點i、j不相鄰接且像素點i、j不是同一像素點；通過結合腫瘤種子點和非腫瘤種子點對PET圖像進行隨機游走算法分割，得到目標肺腫瘤區域的分割結果；在步驟2)中，通過結合用戶輸入的腫瘤種子點和非腫瘤種子點對PET圖像進行隨機游走算法分割，得到各個未標記的像素點分別對于所標記的腫瘤種子點和非腫瘤種子點的概率大小，當某一像素點屬于腫瘤種子點的概率大于0.5，則認為其屬于腫瘤，反之亦然；通過概率閾值0.5，最終得到目標肺腫瘤區域的分割結果；

步驟3)中，形態學膨脹操作是將隨機游走分割結果像素點接觸的一定相鄰背景像素點合并到目標前景當中，使得前景邊界向外部擴張；

步驟4)中，混合高斯模型定義如下：

其中k表示高斯混合模型中高斯函數的個數，K表示高斯混合模型中高斯函數總數，y表示每個像素點的灰度值，β_k代表每個高斯函數的權重，其中k為1、2、3…K；是高斯密度函數，μ_k和分別為均值和方差：

并采用最大期望算法來估計完善高斯混合模型參數，首先通過K‐means算法將前景目標區域和背景區域分別聚類成獨立的五個區域，并且得到初始各個類的參數，包括均值、方差以及權重，作為各個高斯分量的初始參數值；再通過EM算法，迭代計算最終參數，使得前景目標高斯混合模型和背景高斯混合模型參數最優，最終得到PET圖像的前景和背景混合高斯模型；

步驟5)中，圖割算法通過對能量的最小化得到全局最優解，將PET和CT圖像統一建圖，并根據PET和CT所提供的信息不同設置上下文代價能量項E_context，其中對于PET圖像的能量項設置為：

其中三個能量項分別為高斯混合模型能量項，梯度下降能量項和邊界代價能量項，u、v為PET圖像中的像素點，G_PET是PET圖像中鄰域點的集合，N_PET是PET圖像中鄰接邊的集合，f為每個像素點的標記，α、β、γ分別對應每個能量項的對應權重系數，f_u為PET圖像中u像素點的標記，f_v為PET圖像中v像素點的標記；

CT圖像的能量項設置為：

相應的其中三項能量項分別為高斯混合模型能量項，形狀約束能量項和邊界代價能量項；G_CT是CT圖像中鄰域點的集合，N_CT是CT圖像中鄰接邊的集合，f為每個像素點的標記，α’、β’、γ’分別對應每個能量項的對應權重系數，f_u'為CT圖像中u’像素點的標記，f_v'為CT圖像中v’像素點的標記；

上下文代價能量項設置為：

E_context(f)＝p(1-|N_u-N_u'|+q),

其中p是縮放因子，N_u和N_u'分別是PET和CT區域項的歸一化，q是PET和CT判定相反時的懲罰值；

通過上述的PET和CT圖的能量項，以及PET和CT判定相反時的懲罰值，運用最大流/最小割算法實現圖割算法，最終得到PET和CT圖的肺腫瘤分割結果。