[發明專利]一種基于點距離函數形狀約束的半自動醫學圖像分割方法

有效

• 申請號: 201710388382.3
• 申請日: 2017-05-27
• 公開（公告）號: CN107240114B
• 公開（公告）日: 2019-11-12
• 發明（設計）人: 劉海蓉;李旭;楊孝平;向妮
• 申請（專利權）人: 南京林業大學
• 主分類號: G06T7/149
• 分類號: G06T7/149
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 唐紅;肖明芳

本發明公開一種基于點距離函數形狀約束的半自動醫學圖像分割方法，包括以下步驟：選取待處理醫學圖像，并定義圖像中平面上N點距離函數；將點距離函數的形狀約束融入到變分框架，得到基于點距離函數形狀約束的活動輪廓模型；求解活動輪廓模型；求解梯度流方程，得到圖像的分割。本發明能夠靈活地描述如圓、類圓、橢圓、超橢圓、曲邊三角形、曲邊四邊形和心形等形狀，能夠有效地分割帶有邊界缺失的醫學圖像，并且不需要建立目標形狀數據庫或者優化形狀參數。

技術領域

本發明屬于醫學圖像處理技術領域，具體涉及一種基于點距離函數形狀約束的半自動醫學圖像分割方法。

背景技術

醫學圖像中，常常存在各種原因引起的圖像數據缺失的情況，表現在圖像上為器官、組織和病灶的邊界缺失。此時，僅利用圖像的灰度信息很難分割出感興趣的組織或者器官輪廓。針對目標圖像數據丟失的圖像分割，現有一種常有的分割方法是結合圖像的先驗形狀信息。

現有圖像分割中先驗形狀的表示方法主要有兩種：

一種是通過建立目標形狀的數據庫，利用數據分析(如聚類、機器學習等方法)得到目標先驗形狀的表示方法，此種方法的缺陷是建立目標先驗形狀數據庫需要耗費大量的人力物力，并且對于大部分試驗而言，這樣的數據庫往往很難得到；

另一種圖像先驗形狀的表示方法是利用待分割目標所具有的共有的形狀特征，將目標的先驗形狀用參數化的曲線或曲面來描述，該方法需要估計先驗形狀的參數。

Cootes等人提出了一種主動形狀模型(ASM)。主動形狀模型的基本思想是以目標物體的輪廓作為訓練樣本，用點分布模型(point-distribution model)進行描述，構造樣本的先驗模型。點分布模型主要體現了訓練集的平均形狀和變形方式。在先驗模型建立后，ASM方法通過灰度匹配搜索過程尋找圖像中的目標輪廓，在迭代搜索的同時調整先驗模型的參數，使模型與目標物體邊界吻合。Leventon等[5]是第一個提出將形狀先驗信息融合到變分框架中來實現圖像分割的。隨后，Chen等人[6]將心臟的先驗形狀融入到GAC模型中得到：

上式中第一項為幾何測地活動輪廓線的水平集形式，第二項為待分割目標的先驗形狀約束項。其中C^*為一條曲線，代表待分割目標的先驗形狀。ν,R,T分別表示伸縮、旋轉和平移參數。d(C^*,(x,y))表示點(x,y)與曲線C^*的距離。形狀約束項約束分割曲線的形狀，使其通過伸縮、旋轉或平移能夠逼近給定的先驗形狀C^*，并且在能量泛函的約束下與幾何測地活動輪廓線分割的結果達到一個平衡，得到分割結果。Saroul等人提出基于Rayleigh分布和以廣義超橢圓為先驗形狀的超聲前列腺組織分割模型；但是超橢圓隱函數中有許多形狀參數要隨著水平集的演化而優化，使算法的計算時間和計算量大大增加。

[1]X.Bresson,S.Esedoglu,P.Vandergheynst,J.-P.Thiran and S.Osher,Fastglobal minimization of the active contour/snake model[J],Journal ofMathematical Imaging and Vision,2007,28:151-167.

[2]J.Huang,X.Yang and Y.Chen.A fast algorithm for global minimizationof maximum likelihood based on ultrasound image segmentation[J].InverseProblems and Imaging,2011,5(3):645-657.