[發(fā)明專(zhuān)利]人體肝臟特征建模及血管模型空間歸一方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201611196485.1
• 申請(qǐng)日: 2016-12-22
• 公開(kāi)（公告）號(hào): CN106846330A
• 公開(kāi)（公告）日: 2017-06-13
• 發(fā)明（設(shè)計(jì)）人: 張學(xué)昌;韓俊翔;鄭洲
• 申請(qǐng)（專(zhuān)利權(quán)）人: 浙江大學(xué)寧波理工學(xué)院
• 主分類(lèi)號(hào): G06T7/11
• 分類(lèi)號(hào): G06T7/11;G06T7/13;G06T7/181
• 代理公司: 寧波市鄞州甬致專(zhuān)利代理事務(wù)所(普通合伙)33228
• 代理人: 嚴(yán)波

技術(shù)領(lǐng)域

本發(fā)明涉及醫(yī)學(xué)圖像處理及三維數(shù)字化建模領(lǐng)域，具體的說(shuō)是一種人體肝臟特征建模及血管模型空間歸一方法，更詳細(xì)的講是一種肝臟多源信息圖像特征提取及三維模型重建和多介質(zhì)工況下肝臟血管模型與肝臟模型的空間坐標(biāo)歸一方法。

背景技術(shù)

肝臟是人體重要的器官之一，其復(fù)雜的管道解剖結(jié)構(gòu)及疾病的高發(fā)病率使肝臟手術(shù)成為普外科領(lǐng)域的重點(diǎn)和難點(diǎn)。個(gè)體化治療是目前醫(yī)療的發(fā)展趨勢(shì)，肝臟手術(shù)因其解剖變異，疾病的多樣性，針對(duì)每一位患者制定完善的手術(shù)方案是非常必要的。傳統(tǒng)的CT、MRI等影像學(xué)檢查方法可提供關(guān)于肝臟腫瘤浸潤(rùn)、重要管道走行的有效信息，然而器官的連續(xù)性、直觀性依然不能得到很好的解決，而一個(gè)具有高精度特征信息的肝臟三維模型則能夠?yàn)樾g(shù)前方案預(yù)演提供可靠保證。

肝臟三維建模的基礎(chǔ)數(shù)據(jù)來(lái)源于CT、MRI等醫(yī)學(xué)圖像，特征提取算法根據(jù)像素與其鄰域間的相似性和不連續(xù)性可分成基于邊緣的分割方法、基于區(qū)域的分割方法、基于特征空間的分割方法、基于能量泛函的分割方法。基于邊緣的分割方法通過(guò)檢測(cè)不同區(qū)域的邊緣來(lái)解決圖像分割問(wèn)題。基于區(qū)域的分割方法是將圖像按照相似性準(zhǔn)則分成不同的區(qū)域，如生長(zhǎng)種子法、分裂合并法等。基于特征空間分割方法將圖像分割問(wèn)題看成樣本在特征空間的聚類(lèi)問(wèn)題，具有類(lèi)似分布的樣本將被劃分為同一類(lèi)別，從而實(shí)現(xiàn)圖像的分割。常見(jiàn)的聚類(lèi)分割算法有C-Means算法和FCM算法。基于能量的分割方法是在活動(dòng)輪廓模型(Active Contour Model)基礎(chǔ)上發(fā)展出來(lái)的算法，定義一個(gè)能量泛函使得其自變量包括邊緣曲線(xiàn)和區(qū)域數(shù)據(jù)項(xiàng)，通過(guò)求解函數(shù)對(duì)應(yīng)的歐拉(Euler-Lagrange)方程來(lái)實(shí)現(xiàn)，能量達(dá)到最小時(shí)的曲線(xiàn)位置就是目標(biāo)的輪廓所在。活動(dòng)輪廓模型可以分為參數(shù)活動(dòng)輪廓模型(Parametric Active Contour Model)和幾何活動(dòng)輪廓模型(Geometric Active Contour Model)，其中，參數(shù)活動(dòng)輪廓模型是基于Lagrange框架，最具有代表的Kass等提出的Snake模型，該模型最早用于生物圖像分割領(lǐng)域。幾何活動(dòng)輪廓模型是基于曲線(xiàn)的幾何度量參數(shù)，能較好地處理拓?fù)浣Y(jié)構(gòu)的變化，水平集(Level Set)方法極大推動(dòng)了幾何活動(dòng)輪廓模型的發(fā)展。

水平集方法通過(guò)應(yīng)用圖像的梯度來(lái)終止曲線(xiàn)的演化，能量函數(shù)由邊緣停止項(xiàng)和控制曲線(xiàn)運(yùn)動(dòng)的驅(qū)動(dòng)力項(xiàng)構(gòu)成，該模型在弱邊界或者無(wú)邊界的地方變形曲線(xiàn)運(yùn)動(dòng)速度大，而邊界強(qiáng)度較強(qiáng)的地方變形曲線(xiàn)速度較慢甚至停止。時(shí)該類(lèi)方法對(duì)噪聲圖像具有一定的敏感性。邊緣分割方法能夠較好地分割強(qiáng)邊緣圖像，但由于其過(guò)于依賴(lài)目標(biāo)邊緣的梯度信息，因此對(duì)沒(méi)有明顯梯度變化邊緣的圖像分割效果并不理想。區(qū)域水平集分割方法則采用區(qū)域信息來(lái)引導(dǎo)曲線(xiàn)向目標(biāo)輪廓進(jìn)行逼近。最經(jīng)典的區(qū)域水平集方法是由Chan和Vese提出的Chan-Vese模型，用曲線(xiàn)的內(nèi)外灰度均值而不是邊緣梯度來(lái)促進(jìn)水平集的演化。Chan-Vese模型在分割梯度無(wú)意義或邊緣模糊的圖像上取得了極大的成功，該模型可以檢測(cè)內(nèi)部輪廓，并且對(duì)噪聲不敏感。在現(xiàn)實(shí)中醫(yī)學(xué)CT圖像、MRI圖像的灰度分布不均勻，傳統(tǒng)的Chan-Vese模型無(wú)法得到滿(mǎn)意的分割結(jié)果。

肝臟三維模型重建的另一個(gè)關(guān)鍵技術(shù)是其血管特征的坐標(biāo)歸一化，CT和MRI圖像在顯示組織方面各有不同，MRI圖像對(duì)于血管組織的顯示利于圖像的分割，而CT圖像對(duì)于肝實(shí)質(zhì)的顯示利于圖像的分割，因而，不同信息來(lái)源的CAD模型建立之后，需要進(jìn)行坐標(biāo)系歸一化處理，形成特征完整的肝臟模型，坐標(biāo)歸一算法分為內(nèi)特征信息與外特征信息兩類(lèi)，內(nèi)特征信息指不依賴(lài)于坐標(biāo)系的點(diǎn)云數(shù)據(jù)或CAD模型所固有的特性，如曲率、兩法矢向量之間的角度等。外特征信息與坐標(biāo)系統(tǒng)相關(guān)，如曲面點(diǎn)的切平面等。內(nèi)特征算法都是通過(guò)間接的方法達(dá)到點(diǎn)云數(shù)據(jù)或曲面的配準(zhǔn)，其算法特點(diǎn)：存貯量大，適用于點(diǎn)云數(shù)據(jù)及網(wǎng)格密度不是很大的表面匹配；配準(zhǔn)精度不高，適用于復(fù)雜場(chǎng)景中物體的識(shí)別；待配準(zhǔn)的表面點(diǎn)云數(shù)據(jù)及網(wǎng)格分辨率對(duì)算法的有效性有影響。外特征表示算法與坐標(biāo)系緊密相關(guān)，最常用的方法是點(diǎn)位標(biāo)簽法與最優(yōu)匹配法。外點(diǎn)表示法存在的不足：初始匹配位置對(duì)算法的收斂精度有影響；不明顯特征表面難以達(dá)到最佳收斂效果；外特征對(duì)應(yīng)關(guān)系的搜索及計(jì)算是算法的瓶頸所在。

本發(fā)明針對(duì)現(xiàn)有方法存在的不足，通過(guò)對(duì)醫(yī)學(xué)圖像的非線(xiàn)生灰度分離、多相水平集邊緣提取、種子點(diǎn)區(qū)域分割及多介質(zhì)人體肝臟建模及血管模型坐標(biāo)歸一，實(shí)現(xiàn)了高精度人體肝臟模型重建，為術(shù)前預(yù)演提供了數(shù)據(jù)保障。

發(fā)明內(nèi)容