[發明專利]一種基于主動輪廓模型的脊柱CT圖像自動定位分割方法

在審

• 申請號: 201711315308.5
• 申請日: 2017-12-12
• 公開（公告）號: CN108230301A
• 公開（公告）日: 2018-06-29
• 發明（設計）人: 劉曉;劉俠;陸進;甘權
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/194;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于主動輪廓模型的脊柱CT圖像自動定位分割方法，其特征在于包含以下步驟：

步驟1：讀取并顯示訓練集脊柱CT圖像好帶分割脊柱CT圖像；

步驟2：對脊柱CT圖像中的像素進行3D Haar-like特征向量的提取；

步驟3：根據步驟2提取的3D Haar-like特征，利用隨機森林算法確定椎骨的中心點；

步驟4：將模糊主動輪廓分割的初始輪廓置于步驟3確定的椎骨中心點處，并對脊柱CT圖像進行模糊主動輪廓分割；

步驟5：使用形態學閉運算進行曲線平滑，完成脊柱ＣＴ圖像的分割；

步驟6：輸出訓練好模型進行組合，得到完整的脊柱CT分割模型。

2.權利要求1所述的一種基于主動輪廓模型的脊柱CT圖像自動定位分割方法，其特征在于所述步驟2提取脊柱CT的像素的3D積分圖像和3D Haar-like特征具體表示為：

對ABCDEFGH立方體區域的體素的強度和可由下式計算：

。

3.權利要求1所述的一種基于主動輪廓模型的脊柱CT圖像自動定位分割方法，其特征在于步驟3具體包括以下幾個步驟內容：

A.隨機森林回歸

參與訓練的每個像素點定義為，其中是體素到標記椎骨中心點的距離，表示體素提取得到的3D Haar-like 特征，信息增益采用高斯模型密度分布，推廣到多元變量條件，獲得更一般的回歸信息增益：

其中是通過線性擬合計算得到的條件協方差矩陣，將隨機回歸森林中所有T棵決策樹的輸出計算得到距離圖譜，并取前100個結果作為回歸森林的輸出：

B.Mean-shift聚類

根據A中選擇距離圖譜中距離值最小的100個點進行Mean-shift 聚類分析，Mean-shift算法采用均勻核函數，bandwidth 取 8 個體素單元，這個過程產生了幾個聚類中心后，更好地得到了候選點；

C.隨機森林分類

對B中mean-shift聚類后得到幾個中心點待定點進行隨機森林分類，訓練像素點定義為，其中是基于體素得到的3D Haar-like 特征，是體素的類別標簽，隨機森林分類的目標函數：

其中，分別表示到達節點時的左、右子節點的樣本數據點，為左、右子節點的索引，表示樣本集中的樣本數量，分裂參數的函數，由中的訓練像素點對應的類別標記的標準經驗直方圖計算得到，信息熵表示為：

對T棵樹求后驗概率的平均值并將其作為分類的結果：

根據分類結果計算最終距離圖譜，并取誤差最小的結果作為隨機回歸分類森林輸出的椎骨中心點并標記。

4.權利要求1所述的一種基于主動輪廓模型的脊柱CT圖像自動定位分割方法，其特征在于步驟3具體包括以下幾個步驟內容：

A.初始輪廓

根據利3所述的一種基于主動輪廓模型的脊柱CT圖像自動定位分割方法，得到的椎骨中心點位置，將脊椎中心點作為模糊主動輪廓分割的初始輪廓L位置，并將初始輪廓置L于該椎骨中心處；

B.模糊能量函數

將隸屬度函數按照下式進行隸屬度初始化：

其中, 為之間的某個常數，局部的平均模糊能量函數有著如下定義：

其中,第1項是曲線內部的平均模糊能量，第2項是曲線外部的平均模糊能量，是一個由曲線膨脹和腐蝕操作構成的窄帶，它被表示為和區域之間的一條窄帶，與之間的區域表示為窄帶，與之間的區域表示為窄帶；

C.窄帶內某像素點灰度值為，隸屬度值為，按下式求得新隸屬度：

求解總能量差：

其中

若，將該點的替換為，否則保持不變；

D.所有像素在雅可比迭代法中進行窄帶遍歷，在更新隸屬度后，重新初始化隸屬函數，通過形態學運算平滑曲線，保留外凸；一直到不再為負值，完成分割。