CN101111865A - 用于在心脏图像中分割左心室的系统和方法 - Google Patents

Abstract

提供一种用于分割左心室的感兴趣图像的方法。该方法包括根据感兴趣的磁共振图像中像素亮度的直方图来确定左心室的近似轮廓(102)和心肌响应图像(104)。根据多个能量函数确定左心室的多个候选闭合轮廓(106)。该方法从通过多幅图像的传播中确定模板(108)，并且根据候选轮廓和该模板之间的匹配技术来确定心内膜和心外膜(110)。该方法根据图形切割(112)确定心内膜轮廓并且根据对单一图像的候选轮廓的样条拟合(114)来确定心外膜轮廓，其中不存在模板(108)。

Description

用于在心脏图像中分割左心室的系统和方法

相关申请的交叉引用

本申请是于2001年10月4日提交的题为“System and Methodfor Segmenting the Left Ventricle in a Cardiac MR Image(用于在心脏MR图像中分割左心室的系统和方法)”的美国申请No.09/970,552的部分继续申请，所述文献的公开在此全文通过引用被纳入。

发明背景

1.技术领域

本公开涉及医学成像，并且尤其涉及从四维图像数据(时间和空间上的二维图像)中提取心肌。

2.相关技术讨论

心血管疾病在美国是死亡的主导原因。随着生活方式已经改变，这些年来死亡率已经下降，但是该下降也是由于诊断疾病的新技术的发展。这些技术中的一种是磁共振成像(MRI)，其提供了心脏的时变三维影像。为了帮助诊断疾病，医生对识别心室、心内膜和心外膜以及在心动周期上测量心室血容量(射血分数(ejectionfraction))和壁增厚属性的改变感兴趣。尤其对左心室感兴趣，由于其将氧合血泵出到整个人体的较远组织。

已经存在大量对医学图像分析的研究。分割这些图像尤其受到挑战。在九十年代早期，研究者意识到，在MR图像中追踪心脏壁运动可以用于表征有意义的功能改变。由S.R.Fleagle、D.R.Thedens、J.C.Ehrhardt、T.D.Scholz和D.J.Skorton的“Automated identificationof left ventricular borders from spin-echo resonance images(从自旋回波共振图像中自动识别左心室的边界)”(Investigative Radiology，26：295-303，1991)所建议的系统，在用户例如用鼠标指示了左心室腔的中心和感兴趣的区域之后，利用最小成本路径图形搜索方法来描绘心肌的边界。D.Geiger、A.Gupta、L.A.Costa和J.Vlontzos的“Dynamic programming for detecting，tracking，and matchingdeformable contours(动态编程用于检测、追踪和匹配可变形轮廓)”(IEEE Trans.PAMI，17(3)：294-302，1995)使用了动态编程方法以改进由用户指定的轮廓。A.Goshtasby和D.A.Turner的“Segmentation of cardiac cine MR images for extraction of right andleft ventricular chambers(分割心脏电影MR图像用于提取左和右心室腔)”(IEEE Trans.Medical Imaging，14(1)：56-64，1995)，建议了一种两步方法，所述两步方法组合了用以从图像中恢复血液的亮度阈值化以及利用弹性曲线描画强边缘的局部梯度。J.Weng、A.Singh和M.Y.Chiu的“Learning-based ventricle detection fromcardiac MR and CT images(从心脏MR和CT图像中基于学习的心室检测)”(IEEE Trans.Medical Imaging，16(4)：378-391，1997)，根据在学习阶段期间所估计的参数将阈值应用于图像以近似分割。

然而，不存在公知的系统或方法用于提供分析心脏图像的自适应技术。因此，需要一种在可变形模板(template)中组合边缘、区域和形状信息的心脏分割方法。

发明内容

根据本公开的实施例，一种用于分割左心室的感兴趣图像的方法包括根据候选心内膜轮廓的图形切割以及在不存在形状传播时对候选心外膜轮廓的样条拟合来确定心肌轮廓，以及将多个形状约束应用于候选心内膜轮廓和候选心外膜轮廓，以确定心肌轮廓，其中在存在形状传播时，通过包括感兴趣图像的序列中的多幅图像的形状传播来确定模板。

根据本公开的实施例，一种用于分割左心室的感兴趣图像的方法包括根据感兴趣图像中像素亮度的直方图确定心肌响应图像，根据多个能量函数确定多个候选轮廓，其中多个置信度值被分配给所述多个候选轮廓，以及将多个形状约束应用于候选心内膜轮廓和候选心外膜轮廓以确定心肌轮廓。

心肌轮廓基于包括感兴趣图像的序列中的多幅图像，其中心肌轮廓包括心内膜轮廓和心外膜轮廓。

该方法包括确定左心室的近似轮廓对，其中包括移除低于灰度阈值的连通分量(connected component)，并且确定灰度阈值之上的连通分量的特征。该方法还包括在灰度阈值之上的多个连通分量中确定最小偏心的、最圆形和最凸起的连通分量，将所确定的连通分量近似为对应于心内膜的定位的圆，并且确定心外膜的定位作为具有与对应于心内膜的定位的圆相同的中心和较大半径的圆。

根据像素强度的直方图确定心肌响应图像(myocardiumresponse image)还包括将高斯的混合拟合于像素强度的直方图以在图像中确定血液、肌肉和空气的部分。

对于每个候选闭合轮廓，该方法还包括定义围绕近似轮廓的搜索空间，定义源节点和汇节点的线，确定源节点和汇节点之间的最短路径，定义一个新源节点和多个新汇节点，以及确定该新源节点和新汇节点之间的最短路径。

候选心内膜轮廓和候选心外膜轮廓各自根据梯度幅度和利用梯度方向与轮廓方向的交叉积的方向的组合来确定。该方法包括根据输入图像中梯度方向和轮廓方向的正交叉积来确定第一候选心内膜轮廓，根据心肌图像中梯度方向和轮廓方向的负交叉积来确定第二候选心内膜轮廓，根据输入图像中梯度幅度来确定第一候选心外膜轮廓，以及根据心肌图像中梯度方向和轮廓方向的正交叉积来确定第二候选心外膜轮廓。

该方法还包括确定一对一匹配矩阵，其中心内膜轮廓和心外膜轮廓上的点被分配给多个模板点，其中模板点从通过多幅图像的传播被确定。

根据本公开的实施例，一种用于分割左心室的感兴趣图像的方法包括根据感兴趣图像中像素亮度的直方图确定心肌响应图像，根据多个能量函数确定多个候选轮廓，其中多个置信度值被分配给所述多个候选轮廓，根据候选心内膜轮廓的图形切割确定心肌轮廓，以及在不存在形状传播时对候选心外膜轮廓样条拟合，以及将多个形状约束应用于候选心内膜轮廓和候选心外膜轮廓以确定心肌轮廓，其中在存在形状传播时，通过包括感兴趣图像的序列中的多幅图像的形状传播来确定模板。

心肌轮廓包括心内膜轮廓和心外膜轮廓。

该方法包括确定左心室的轮廓对。该方法包括确定连通分量的特征，所述连通分量区别于非心脏组织，在多个区别于非心脏组织的连通分量中确定具有所需特征的连通分量，将所确定的连通分量近似为对应于心内膜定位的圆，以及确定心外膜的定位作为具有与对应于心内膜定位的圆相同的圆心和较大半径的圆。

根据像素亮度的直方图确定心肌响应图像还包括将高斯的混合拟合于像素亮度的直方图以在图像中确定血液、肌肉和空气的部分。

闭合轮廓包括多个候选轮廓，并且对于每个轮廓，还包括定义围绕近似轮廓的搜索空间，定义源节点和汇节点的线，确定源节点和汇节点之间的最短路径，定义一个新源节点和多个新汇节点，以及确定该新源节点和新汇节点之间的最短路径。

候选心内膜轮廓和候选心外膜轮廓各自根据梯度幅度和利用梯度方向与轮廓方向的交叉积的方向的组合来确定。该方法包括根据输入图像中梯度方向和轮廓方向的正交叉积来确定第一候选心内膜轮廓，根据心肌图像中梯度方向和轮廓方向的负交叉积来确定第二候选心内膜轮廓，根据输入图像中梯度幅度来确定第一候选心外膜轮廓，以及根据心肌图像中梯度方向和轮廓方向的正交叉积来确定第二候选心外膜轮廓。

图形切割还包括定义图形，其中每个节点对应于候选轮廓上置信像素之间的连通分量区域，并且确定中心节点和外侧节点之间的最小切割。

样条拟合还包括通过候选轮廓的点拟合样条。

根据本公开的实施例，提供一种机器可读的程序存储设备，有形地包含机器可执行的指令的程序以执行用于分割左心室的感兴趣图像的方法步骤。该方法包括根据感兴趣图像中像素亮度的直方图确定心肌响应图像，根据多个能量函数确定多个候选轮廓，其中多个置信度值被分配给所述多个候选轮廓，根据候选心内膜轮廓的图像切割确定心肌轮廓，以及在不存在形状传播(shape propagation)时对候选心外膜轮廓样条拟合，以及将多个形状约束应用于候选心内膜轮廓和候选心外膜轮廓以确定心肌轮廓，其中在存在形状传播时，通过包括感兴趣图像的序列中的多幅图像的形状传播来确定模板。

附图说明

下面将参考附图更详细地描述本公开的优选实施例：

图1是示出根据本公开的一个实施例的分割方法的流程图；

图2a示出根据本公开的一个实施例的输入图像；

图2b示出根据本公开的一个实施例利用高斯混合拟合的、图2a的输入图像的直方图；

图2c示出根据本公开的一个实施例的心肌响应图像。

图3a-b示出根据本公开的一个实施例的Dijkstra方法的两种通道的范例；

图4a-f示出根据本公开的一个实施例应用形状约束以恢复心肌轮廓的范例；

图5a-d示出根据本公开的一个实施例的图像切割的范例；

图6是示出在所有点、所有图像和所有患者上在真实轮廓和MR图像的分割轮廓之间的误差距离的累积分布；

图7a示出根据本公开的一个实施例的输入图像；

图7b示出根据本公开的一个实施例利用高斯混合拟合的、图2a的输入图像的直方图；

图7c示出根据本公开的一个实施例的心肌响应图像；以及

图8是示出在所有点、所有图像和所有患者上在真实轮廓和CT图像的分割轮廓之间的误差距离的累积分布；

具体实施方式

用于分割左心室的心脏图像的系统和/或方法可以以任何适当的商业心脏分析包来体现，诸如来自西门子(Siemens)的ARGUS心脏分析包，其提供了绘图工具和自动分割方法的完整系统，以允许医生描绘在患者数据集中每幅图像中的心肌，确定容量、射血分数，并且执行加厚分析。

参考图1，示出了根据本公开的一个实施例的方法，该方法根据感兴趣的磁共振图像中像素亮度的直方图来确定左心室102的近似轮廓和心肌响应图像104。该方法根据多个能量函数确定左心室的多个候选闭合轮廓106。此外，该方法知晓对感兴趣的磁共振图像是否存在形状信息108，并且能够应用所期望的方法以确定心肌图像。例如，在存在形状信息时，该方法从通过多幅磁共振图像的传播中确定模板，并且根据候选轮廓和模板之间的匹配技术来确定心内膜和心外膜。例如，匹配技术可以包括点模式匹配和形状匹配。该方法根据图像切割112确定心内膜轮廓并且根据对单一图像的候选轮廓的样条拟合(spling fitting)114来确定心外膜轮廓，其中不存在模板。

应当理解，本发明可以以硬件、软件、固件、专用处理机或其组合的各种形式来实施。在一个实施例中，本公开可以以软件形式被实施为有形体现在程序存储设备上的应用程序。该应用程序可以上载到包括任何适当结构的机器并且由其执行。优选地，该机器在计算机平台上被实施，所述计算机平台具有诸如一个或多个中央处理单元(CPU)、随机存取存储器(RAM)以及(多个)输入/输出(I/O)接口之类的硬件。该计算机平台还包括操作系统和微指令代码。在此所述的各种过程和功能可以是部分微指令代码或部分经由操作系统而执行的应用程序(或其组合)。另外，各种其它外围设备可以连接到计算机平台，诸如附加数据存储设备和打印设备。

还应当理解，由于在附图中所示的一些组成系统部件和方法步骤可以以软件形式被实施，系统部件(或过程步骤)之间的实际连接根据对本发明编程的方式而有所区别。给定在此所提供的本公开的教导，相关领域的普通技术人员将能够预期本发明的这些和相似实施和配置。

根据本公开的一个实施例，提供了一种方法，所述方法自动地在MR图像中左心室的位置处假设两个同心圆。然而，由于左心室的相对对称性和计算约束，该方法使用沿着穿过心室的四个横截面而不是整个区域的像素灰度值来确定特征集。自动定位方法描述在档案号No.99P9036US01的题为“Method for Learning-Based ObjectDetection in Cardiac Magnetic Resonance Image(用于在心脏磁共振图像中基于学习的对象检测方法)”中，并且其在此全文通过引用被纳入。

根据本公开的一个实施例，定位模仿了Markov过程。Markov分析着眼于一系列事件，并且分析要被另一事件跟随的事件的趋向，从而产生随机但相关的事件的新序列。根据本公开的一个实施例，在学习阶段，提供正的和负的范例并且该方法发现Markov过程的排序，其最大化在训练集中两类之间的分离(最小化Kullbach距离，其也公知为相对熵或交叉熵)。该方法包括检测阶段，在其期间扫描测试图像并且根据对数似然比(log-likelihood ratio)将每个位置分配给一类。

被分类为左心室的邻近方位被分成簇。该方法在灰度特性曲线(profile)中定义了八个凸出点作为四个横截面与心室医学轴的交叉点。从利用例如由Ramsay和Xi建议的曲线配准技术对准的训练范例特性曲线中建立平均特性曲线。每个簇候选的横截面被弯曲到相应平均特性曲线上。然后使用霍夫变换阵列累积图像中凸出点的位置，以投票赞成心肌中心线的最可能的中心方位和半径。

通常，用户分割一幅图像，例如在舒张末期(ED底部(base))最接近瓣膜的切片，并且将所分割的轮廓传播到ED阶段中所有切片(ED传播)。该ED轮廓可以被传播到收缩末期(ES)阶段(ES传播)以计算射血分数。对于更详细的分析，用户也可以利用时间上的传播将所有ED轮廓传播到所有阶段中的所有图像。

对于ED传播，可以使用上述的自动定位方法。然而，由于心室尺寸从模板图像中近似得知，可以将比例缩放搜索(scale search)限制到例如模板尺寸的0.85和1.15倍之间。该方法可以将用于心室位置的搜索空间限制到例如模板位置周围的30个像素。对于ES传播，该方法已知左心室的位置未改变，并且因而模板轮廓可以被按比例缩放。心内膜被按比例缩放0.6而心外膜被按比例缩放0.9。在时间上的传播的情况下，轮廓的位置和比例缩放都未显著改变。因此，该方法可以从一幅图像复制轮廓到下一幅。

在MR成像中，像素亮度取决于正被成像的组织的属性。如图2a中所示，在左心室的MR图像中，血液是亮的201，肌肉有些暗202，但是不如充气的肺那么暗203。该事实可以通过查看如图2b中所示的心肌周围区域的直方图来核实。该方法使用期望最大化(Expectation-Maximization，EM)方法而将三个高斯的混合拟合于直方图。然后，该方法创建心肌响应图像，其示出了像素属于对应于心肌的中间高斯(middle Gaussian)的概率。可从图2c中看出，左心室心肌204被加亮，而邻近器官(例如205)也被加亮。

为了补充区域分割的结果，该方法使用类似于Geiger的动态编程方法或Mortensen和Barrett的Dijkstra方法的主动轮廓公式化。这些图形理论方法相对于由Kass等人建议的梯度下降方法的优点是，其能够恢复能量函数的全局最佳值并且因而对初始轮廓方位不灵敏。

Geiger定义轮廓(p₁...p_n)的能量为：

$E(p_1...p_n)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{1}{\left|\right|\▿I\left(p_i\right)\left|\right|+\mathrm{\ϵ}}+\mathrm{\α}\underset{i=2}{\overset{n}{\mathrm{\Σ}}}|\stackrel{\→}{\▿}I\left(p_i\right)-\stackrel{\→}{\▿}I\left(p_{i-1}\right)|---\left(1\right)$

其中‖I(p_i)‖是幅度，而

是图像梯度在像素p处的方向。这相当于找到节点对应于像素的图形中的最短路径，并且两个邻近像素之间的链接成本被定义为：

$e(p_1,p_2)=\frac{1}{\left|\right|\▿I\left(p_2\right)\left|\right|+\mathrm{\ϵ}}+\mathrm{\α}|\stackrel{\→}{\▿}I\left(p_2\right)-\stackrel{\→}{\▿}I\left(p_1\right)|---\left(2\right)$

给定图像中近似轮廓，该方法在所述近似轮廓周围放置对称的搜索空间304并且定义连接到“伪”源节点的源节点306和汇节点308的线。然后Dijkstra方法找到伪源节点和汇节点302之一之间的最短路径。该方法定义在所恢复的轮廓中间的新单一源点312和邻近该源节点的一组汇节点310，并且实行Dijkstra方法的第二通道以产生闭合轮廓314。

为了组合由图像和心肌响应图像两者所提供的信息，Dijkstra方法利用两个不同的能量函数来实施。每一运行给出轮廓的不同候选点，以及基于每个点对总能量函数的贡献的置信度。一个能量函数组合梯度幅度和利用梯度方向与轮廓方向的交叉积的方向。在这种情况下，由Dijkstra过程顺时针建立轮廓，而图像梯度从亮指向暗。为了分别使外侧暗区域与内侧的亮区域分离和使外侧亮区域与内侧的暗区域分离，图像梯度和轮廓方向之间的交叉积的z分量应当分别是正的和负的。否则能量被设置为大的数。两个像素之间的链路成本是：

其中ε是小常数，例如0.001，以限制能量函数。E(I，z＞0)和E(H，z＜0)可以用于心内膜，其中I是输入图像，而H是心肌响应图像。对于心外膜，可以使用E(H，z＞0)。由于心肌外侧的I中的梯度方向在亮的右心室和暗的肺部之间翻转，可以使用E’(I)，其可以被定义为：

$e^{\′}(I,p_1,p_2)=\frac{1}{{\left|\right|\▿I\left(p_2\right)\left|\right|}^2+\mathrm{\ϵ}}---\left(4\right)$

不同的能量函数加亮心肌的不同特征。

Dijktra方法与各种能量函数一起被应用，并且所产生的轮廓上所有点是最终轮廓的候选点。当轮廓从一幅图像或在空间上或在时间上传播到下一幅时，合理的是假设轮廓的形状不剧烈地改变。基于该假设，该方法可以确定哪些轮廓的哪些部分是正确的。

例如由Duta等人建议的形状对准方法被用于在模板点A＝{A_j}_{j=1，...，a}的子集A’和候选测试点B＝{B_k}_{k＝1，...，b}的子集B’之间的对应。根据本公开的一个实施例，两个轮廓被认为是一个形状。给定A和B中的一对“相应”点，假定严格的相似性变换以对准轮廓。确定一对一匹配矩阵M以当距离小于阈值时，将每个点B分配给在A中其最接近的邻居。这允许下列等式：

$f\left(M\right)=\frac{1}{n^2}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_j[{(x_{A_j}-a{x}_{B_j}+c{y}_{B_j}-b)}^2+(y_{A_j}-a{y}_{B_j}+c{x}_{B_j}-d)]\frac{2}{n}---\left(5\right)$

其中n是对应的数量，而(a，b，c，d)是相似性变换的参数。加权w_j被设置为测试点B_j的置信度。目标是最小化f(M)。不可能评估所有可能的四组点，所以选择测试集中具有最大置信度的点的10％，并且与来自模板集中相同轮廓的点配对。本领域的普通技术人员根据本公开应意识到可以选择更大或更小的点集。

图4a示出了输入图像，而图4b示出了四个所恢复的轮廓401-404，其中较暗的点显示了较高的置信度。图4c示出了来自先前图像的分割的模板形状。图4d示出了用于最佳相似性变换的已建立的对应。形状约束允许该方法为心内膜407选择外侧候选点而不是描绘乳头肌406的内侧点，并且为心外膜405选择内侧候选点而不是描绘脂肪408的外侧点。一旦建立了对应，如图在4e中通过将模板点移动到它们相应的测试点而弯曲模板形状。使用由Xu等人建议的方法使轮廓平滑，这最小化收缩性。在图4f中示出了最终分割结果。

当需要一幅图像独立地、而不是在传播的背景下被分割时，对于系统而言没有形状信息可用。心内膜应当尽可能被推向远离中心，从而其描绘心肌而不是乳头肌，并且心外膜应当保持接近心内膜。为了增强这些约束，该方法以下列方式修改置信度值：

$C_{\mathrm{endo}}\left(p\right)=C_{\mathrm{endo}}\left(p\right){\left(\frac{d(p,\mathrm{\Ω})}{\underset{p}{\max d}(p,\mathrm{\Ω})}\right)}^3$

$C_{\mathrm{epl}}\left(p\right)=C_{\mathrm{epi}}\left(p\right){\left(\frac{d(p,\mathrm{endo})}{\underset{p}{\max d}(p,\mathrm{endo})}\right)}^3$

其中，Ω是置信度点团块的中心。

对于心内膜，该方法确定具有最大置信度的环。图5a示出了置信度图像的范例。定义例如在图5c中所示的图形，其中如图5b中所示，在候选轮廓上的置信度像素之间，每个节点对应于连通分量区域。两个节点之间边缘的加权与公共边界上像素的置信度成反比。于是，该方法确定中心节点和外侧节点之间的最小切割。使用最大流(max flow)方法确定最小切割。图5d示出了最终分割或心肌轮廓(示为暗的)的范例。

对于心外膜，该方法需要平滑轮廓，因为在心肌和肝脏之间不存在清楚边缘，并且右心室心肌看来似乎并入左心室心肌中。因此，该方法使样条拟合于两个候选轮廓的点。样条曲线起源于被用于创建平滑曲线的柔软条带。类似Bezier曲线，从分段式近似具有零、第一和第二阶连续性的立方多项式函数中来形成样条。B样条是特殊类型样条的范例。

为了测试我们的算法，对于总共458个分割的图像，已经收集了29个患者数据集以及由放射科医师对ED和ES阶段的手动分割。利用两个不同脉冲序列在西门子MAGNETOM系统上采集了图像。对于MR血管活动摄影术，传统上使用FLASH脉冲序列。西门子最近开拓了用于心脏电影(cine)成像的TrueFISP脉冲序列，其呈现了较高的对比噪音比，而不影响时间或空间分辨率。我们收集了22个TrueFISP患者和7个FLASH患者。我们的数据库提供大量的心脏形状、图像对比和边缘卷曲(crispness)。FLASH图像的难点是边界可能是模糊的。TrueFISP图像的挑战是，如此好地定义乳头肌，使得可能难以避免描绘它们。此外，用户可能不想描绘它们，而形状约束可以在该任务中帮忙。

该方法自动地分割所有数据库的ED和ES阶段。为了使自动轮廓A与真实轮廓B相比较，该方法为自动轮廓中的所有点a确定距离d(a，B)＝min_b∈B‖a-b‖。该方法还为真实轮廓中的所有点b确定d(b，A)。图6示出了在所有29个数据集的所有ED和ES图像上这些误差距离的累积分布。可以看出，一般地说，误差小于一个像素并且使五个或更多像素的误差小于时间的百分之五。

本公开建议了一种用于在心脏MR图像中分割左心室的方法。该方法组合边缘信息、从高斯的混合到直方图的EM拟合所获得的区域信息以及通过点模式匹配策略的形状信息。该方法可以被集成到例如来自西门子的ARGUS心脏分析包。

除了心脏MR图像，本公开的实施例可以扩展到计算机断层摄影(CT)图像。例如，对于左心室的全局定位，在单一图像分割和ED传播的情况下，使用自动定位技术用于MR和CT图像。对于MR图像，可以使用最大值鉴别方法。对于CT图像，可以使用阈值化方法。对于ES和时间上的传播，从先前图像中复制或缩放轮廓。

对于CT图像，检测任务使用通过采集物理现象(例如X射线)近似已知的组织灰度值。存储图像中的灰度。通过阈值化来隔离血液像素。该阈值可以从训练范例中确定，并且可以基于由CT扫描器或心脏分析包实施的测量单位。例如，用于西门子CT图像的灰度是1024+霍斯菲耳德氏单位(Hounsfield Unit，HU)，其中HU直接由CT扫描器输出，而空气为-1000HU，骨为1000HU。因而，用于消除血液像素的阈值可以是1211。在移除阈值之下的连通分量之后，确定对每个剩余的连通分量的特征。例如，偏心率是连通分量上最小和最大半径之间的比；凸度是连通分量包(hull)的面积之间的比；而凸包的圆度被定义为其周长的平方上的其面积的4π倍。根据这些所确定的特征寻求最小偏心的、最圆形的和最凸起的连通分量。最小偏心的、最圆形的和最凸起的连通分量近似为圆并且对应于心内膜的定位。心外膜的定位被确定为具有与心外膜的圆相同的中心和较大半径的圆。较大半径可以选择为预定数量的像素、或者例如毫米的其它测量单位，与心内膜相比较大，例如大10个像素。可以使用用于选择较大半径的其它方法，例如，手动选择。

对于CT图像中的ED传播，使用缩放。对于CT图像，一次采集整个容量并且因而在切片之间不存在漂移。因此选择比例缩放，例如，心内膜和心外膜都可以被缩放为切片向下0.8或者切片向上1.25。

对于CT图像的区域分割，灰度分布典型地从100变化到1600，然而对于MR图像，灰度分布从约0变化到700。CT图像(参见图7a)的直方图(参见图7b)示出了四个峰：肺部为暗色并且较好地与其它器官分离。在较亮的像素之中，存在脂肪和肝脏部分、肌肉和血液。EM方法被用于将四个高斯拟合于直方图。CT采集物理现象允许根据经验确定平均心肌灰度值。选择高斯具有最接近平均心肌灰度的峰。然后，根据像素属于中间高斯分布的概率，确定心肌响应图像(参见图7c)。

图8示出了CT图像的误差距离的累积分布。在图8中所示出的平均误差是2.5个像素。对于轮廓点的95％，误差小于15个像素。虽然CT图像中的误差看起来比对于MR图像而言糟糕(例如，比较图6和图8)，但是MR图像中像素的物理尺寸比在CT图像中约大3倍。因此，对于MR和CT图像，系统和方法的性能近似相同。

已经描述了组合可变形模板中的边缘、区域和形状信息的心脏分割的实施例，应当注意到，本领域技术人员根据上述教导可以进行修改和变型。因此应当理解，在所公开的本发明特定实施例中可以进行改变，所述改变处于由所附的权利要求限定的本发明范围和精神中。因而，已经用专利法要求的细节和特性描述了本发明，由专利证书所要求的和期望保护的内容在所附的权利要求中进行陈述。

Claims (21)

1.一种用于分割左心室的感兴趣图像的方法，包括：

根据候选心内膜轮廓的图形切割来确定心肌轮廓，以及在不存在形状传播时对候选心外膜轮廓样条拟合；以及

将多个形状约束应用于候选心内膜轮廓和候选心外膜轮廓，以确定心肌轮廓，其中在存在形状传播时，通过包括感兴趣图像的序列中的多幅图像的形状传播来确定模板。

2.一种用于分割左心室的感兴趣图像的方法，包括：

根据感兴趣图像中像素亮度的直方图来确定心肌响应图像；

根据多个能量函数确定多个候选轮廓，多个置信度值被分配给所述多个候选轮廓；以及

将多个形状约束应用于候选心内膜轮廓和候选心外膜轮廓以确定心肌轮廓。

3.根据权利要求2所述的方法，其中心肌轮廓基于包括感兴趣图像的序列中的多幅图像，其中心肌轮廓包括心内膜轮廓和心外膜轮廓。

4.根据权利要求2所述的方法，还包括确定左心室的近似轮廓对，包括：

移除低于灰度阈值的连通分量；以及

确定灰度阈值之上的连通分量的特征。

5.根据权利要求4所述的方法，还包括：

在灰度阈值之上的多个连通分量之中确定最小偏心的、最圆的和最凸起的连通分量；将所确定的连通分量近似为对应于心内膜的定位的圆；以及

将心外膜的定位确定为具有与对应于心内膜的定位的圆相同的中心和较大半径的圆。

6.根据权利要求2所述的方法，其中根据像素亮度的直方图确定心肌响应图像还包括将高斯的混合拟合于像素亮度的直方图以在图像中确定血液、肌肉和空气部分。

7.根据权利要求2所述的方法，其中对于每个候选闭合轮廓，该方法还包括：

定义围绕近似轮廓的搜索空间；

定义源节点和汇节点的线；

确定源节点和汇节点之间的最短路径；

定义一个新源节点和多个新汇节点；以及

确定该新源节点和新汇节点之间的最短路径。

8.根据权利要求2所述的方法，其中候选心内膜轮廓和候选心外膜轮廓各自根据梯度幅度和利用梯度方向与轮廓方向的交叉积的方向的组合来确定。

9.根据权利要求8所述的方法，还包括：

根据输入图像中梯度方向和轮廓方向的正交叉积来确定第一候选心内膜轮廓；

根据心肌图像中梯度方向和轮廓方向的负交叉积来确定第二候选心内膜轮廓；

根据输入图像中梯度幅度来确定第一候选心外膜轮廓；以及

根据心肌图像中梯度方向和轮廓方向的正交叉积来确定第二候选心外膜轮廓。

10.根据权利要求2所述的方法，还包括确定一对一匹配矩阵，其中心内膜轮廓和心外膜轮廓上的点被分配给多个模板点，其中模板点在通过多幅图像传播期间从先前图像中被确定。

11.一种用于分割左心室的感兴趣图像的方法，包括：

根据感兴趣图像中像素亮度的直方图确定心肌响应图像；

根据多个能量函数确定多个候选轮廓，多个置信度值被分配给所述多个候选轮廓；

根据候选心内膜轮廓的图形切割确定心肌轮廓，并且在不存在形状传播时对候选心外膜轮廓样条拟合；以及

将多个形状约束应用于候选心内膜轮廓和候选心外膜轮廓以确定心肌轮廓，其中在存在形状传播时，通过包括感兴趣图像的序列中的多幅图像的形状传播来确定模板。

12.根据权利要求11所述的方法，其中心肌轮廓包括心内膜轮廓和心外膜轮廓。

13.根据权利要求11所述的方法，还包括确定左心室的轮廓对。

14.根据权利要求13所述的方法，还包括：

确定连通分量的特征，所述连通分量区别于非心脏组织；

在多个区别于非心脏组织的连通分量中确定具有所需特征的连通分量；

将所确定的连通分量近似为对应于心内膜的定位的圆；以及

将心外膜的定位确定为具有与对应于心内膜定位的圆相同的中心和较大半径的圆。

15.根据权利要求11所述的方法，其中根据像素亮度的直方图确定心肌响应图像还包括将高斯的混合拟合于像素亮度的直方图以在图像中确定血液、肌肉和空气部分。

16.根据权利要求11所述的方法，其中闭合轮廓包括多个候选轮廓，并且对于每个轮廓，还包括：

定义围绕近似轮廓的搜索空间；

定义源节点和汇节点的线；

确定源节点和汇节点之间的最短路径；

定义一个新源节点和多个新汇节点；以及

确定该新源节点和新汇节点之间的最短路径。

17.根据权利要求11所述的方法，其中候选心内膜轮廓和候选心外膜轮廓各自根据梯度幅度和利用梯度方向与轮廓方向的交叉积的方向的组合来确定。

18.根据权利要求17所述的方法，还包括：

根据输入图像中梯度方向和轮廓方向的正交叉积来确定第一候选心内膜轮廓；

根据心肌图像中梯度方向和轮廓方向的负交叉积来确定第二候选心内膜轮廓；

根据输入图像中梯度幅度来确定第一候选心外膜轮廓；以及

根据心肌图像中梯度方向和轮廓方向的正交叉积来确定第二候选心外膜轮廓。

19.根据权利要求11所述的方法，其中图形切割还包括：

定义图形，其中每个节点对应于候选轮廓上的置信度像素之间的连通分量区域；以及

确定中心节点和外侧节点之间的最小切割。

20.根据权利要求11所述的方法，其中样条拟合还包括拟合通过候选轮廓的点的样条。

21.一种机器可读程序存储设备，有形地包含机器可执行指令的程序以执行用于分割左心室的感兴趣图像的方法步骤，该方法步骤包括：

根据感兴趣图像中像素亮度的直方图确定心肌响应图像；

根据多个能量函数确定多个候选轮廓，多个置信度值被分配给所述多个候选轮廓；

根据候选心内膜轮廓的图形切割确定心肌轮廓，并且在不存在形状传播时对候选心外膜轮廓样条拟合；以及

将多个形状约束应用于候选心内膜轮廓和候选心外膜轮廓以确定心肌轮廓，其中在存在形状传播时，通过包括感兴趣图像的序列中的多幅图像的形状传播来确定模板。

Images