[發明專利]一種基于局部熵和水平集算法的顱內出血區域三維分割方法

有效

• 申請號: 202010102528.5
• 申請日: 2020-02-19
• 公開（公告）號: CN111325727B
• 公開（公告）日: 2023-06-16
• 發明（設計）人: 王詩言;周田;楊路;曾茜;吳華東
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 趙榮之

1.一種基于局部熵和水平集算法的顱內出血區域三維分割方法，其特征在于：該方法具體包括以下步驟：

S1：輸入多幀MRI圖像；

S2：初始化水平集函數，設置參數懲罰項系數μ和高斯核函數K_σ的大小；

S3：計算局部熵和自適應長度項系數，根據推導式迭代計算全局和局部項的均值；具體包括以下步驟：

S31：根據局部描述子設置局部數據項及全局項，得到自適應權重模型；

S32：將自適應長度項系數定義為v＝λ*h+l，其中，λ為一個正常數，l為一個很小的正常數，避免v過早為零，h為局部熵，表達式為其中f(x,y)是點(x,y)的灰度值，p是該點在區域Ω的灰度值概率分布；能量函數中的長度項表達式為：E_l＝(λ*h+l)length(V)，V為演化曲面；

S4：利用計算出的局部熵作為自適應權重模型調整全局項和局部項的權重，利用計算出的自適應長度項系數來改變曲面演化速度；

曲面V的能量泛函為：

E＝(1-w)E_global(V,d₁,d₂)+wE_local(V,f₁,f₂)+E_l+E_ρ

其中，w表示全局項和局部項的權重，E_global(V,d₁,d₂)表示全局數據項，E_local(V,f₁,f₂)表示局部數據項，E_ρ為距離正則項，其表達式為：其中，μ為參數懲罰項系數，是正常數，φ為水平集函數；

S5：利用梯度下降法演化水平集函數，對圖像進行三維分割。

2.根據權利要求1所述的一種基于局部熵和水平集算法的顱內出血區域三維分割方法，其特征在于，所述步驟S31具體包括：

S311：(1)結合全局信息和局部信息，數據項分為全局項和局部項，其中全局項利用全局信息，計算前景和背景之間的相似性，當相似性最小時，即全局能量項最小時，得到的分割結果最好；

E_global(V,d₁,d₂)＝∫∫_in(V)|I(x,y,z)*K_σ-d₁|²dxdydz+∫∫_out(V)|I(x,y,z)*K_σ-d₂|²dxdydz

其中，E_global(V,d₁,d₂)表示全局數據項，V表示演化曲面，I(x,y,z)表示在點(x,y,z)處的灰度值，K_σ為高斯核函數，d₁、d₂表示曲面內外的灰度值，in(V)、out(V)表示曲面內外的區域；

(2)局部項利用局部信息，采用統計每個小領域中的信息，再統計每個領域的信息，保證曲面在演化過程中有效利用圖像信息，驅使曲面向邊界靠近；

E_local(V,f₁,f₂)＝∫∫K_σ|I(x,y,z)*-f₁|²dzdydx+∫∫K_σ|I(x,y,z)*-f₂|²dzdydx

其中，E_local(V,f₁,f₂)表示局部數據項，f₁、f₂分別表示局部區域曲面內外灰度均值；

S312：計算歸一化局部熵，定義為表示全局項和局部項的權重，其中，f(x,y)是點(x,y)的灰度值，p是該點在區域Ω的灰度值概率分布；

S313：根據計算的歸一化局部熵來演化曲面，數據項表達式為：E_data＝(1-w)E_global(V,d₁,d₂)+wE_local(V,f₁,f₂)，即為局部項和全局項的權重自適應模型；當曲面處于均勻區域時，遠離邊界，w趨向于0，此時全局項起主導作用；當曲面處于不均勻時，w∈(0,1]，此時局部項逐漸開始起作用。

3.根據權利要求2所述的一種基于局部熵和水平集算法的顱內出血區域三維分割方法，其特征在于，所述步驟S5具體包括：

S51：總能量函數引入水平集函數：

其中，H(x)是Heaviside函數，實際上，Heaviside函數近似于H_ε(x)，其定義如下：Dirac函數為：其中ε為正常數；

S52：最小化水平集函數得到：

其中，e₁＝(1-w)[-|I(x,y,z)*K_σ-d₁|²+|I(x,y,z)*K_σ-d₂|²]，e₂＝w[-∫K_σ|I(x,y,z)-f₁|²dxdydz+∫K_σ|I(x,y,z)-f₂|²dxdydz]；

S53：對于得到的能量泛函，利用梯度下降法進行求解，然后固定水平集函數，用歐拉-拉格朗日方程求解變量的迭代方程：

S54：更新變量的迭代方程來更新水平集函數，直到水平集函數達到收斂，得到分割結果。