CN102473309B - 轮廓提取装置以及程序 - Google Patents
轮廓提取装置以及程序 Download PDFInfo
- Publication number
- CN102473309B CN102473309B CN201080030463.2A CN201080030463A CN102473309B CN 102473309 B CN102473309 B CN 102473309B CN 201080030463 A CN201080030463 A CN 201080030463A CN 102473309 B CN102473309 B CN 102473309B
- Authority
- CN
- China
- Prior art keywords
- function
- mentioned
- energy
- repeatedly
- profile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明的目的在于提供能够使轮廓提取的准确性和计算成本妥当地平衡的技术。为了实现该目的,能量函数设定部设定能量函数,该能量函数由与动态曲线的状态对应地定义的多种能量项的线性加权和表示,被公式化为越接近待提取的轮廓的形状其值越小,反复运算处理部通过反复运算来使能量函数最小化。结束指示部设定辅助函数并设定判断函数,其中,该辅助函数被公式化为根据反复运算的反复次数而单调增加,该判断函数由该辅助函数和能量函数的线性和表示。而且,将反复运算的过程中判断函数出现极小值的时间点判断为反复运算处理的结束定时。
Description
技术领域
本发明涉及使用通过曲线反复变形收敛而提取轮廓的动态轮廓模型,来提取图像所包含的对象物的轮廓的技术。
背景技术
在医疗现场,通过使用超声波、X射线等对内脏、骨骼等中包含的病患部进行拍摄,从而进行各种检查、诊断。由此,能够在视觉上把握体内脏器等的信息,能够期待诊断精度的提高。
另一方面,在近些年,引用计算机的定量或自动地诊断的要求日益强烈,基于计算机的诊断支援(CAD:Computer-aided diagnosis)系统的研究渐趋盛行。为了进行基于计算机的诊断支援,从对患部进行拍摄而得到的图像准确地提取出诊断所需的信息、即脏器区域等就成为了重要课题。
作为从图像提取对象物的轮廓的方法,已知使用了水平集(Levelset)模型、蛇(Snakes)模型这类的动态轮廓模型(Active Contour Model)的方法。所谓动态轮廓模型是利用沿规定的变形趋势反复变形的曲线(动态曲线),对对象物的轮廓进行动态提取的方法。动态曲线的变形趋势通过作为定量地评价曲线的状态的值的、“动态曲线的能量”来规定。“动态曲线的能量”预先被定义为动态曲线在提取出对象物的轮廓的时间点为最小。因此,能够通过使动态曲线变形以使得动态曲线的能量为最小,来发现能量为最小的稳定状态,由此来提取对象物的轮廓。
换句话说,动态轮廓模型是定义动态曲线在提取出对象物的轮廓时为最小的能量函数,发现该能量函数为最小的稳定状态,由此来提取对象物的轮廓的方法。能量函数的最小化处理一般通过反复运算进行。
动态曲线的能量例如以下述(式1)的函数E的形式表示。
E=Wi*Ei+We*Ee …(式1)
即,能量函数E被定义为与动态曲线的状态对应地定义的多种能量项的线性加权和,作为能量项,例如可以采用由动态曲线本身的形状(例如平滑度)规定的能量项(内部能量项)Ei、由动态曲线和对象物的轮廓的一致度规定的能量项(外部能量项)Ee。但是,如上所述,需要将能量函数E定义为动态曲线在以适当的形状提取出对象物的轮廓时为最小,因此需要将各能量项公式化为动态曲线越接近目标形状其值越小。
例如,外部能量项Ee被公式化为动态曲线和对象物的轮廓的一致度越高其值越小。通过向能量函数E导入外部能量项Ee,能够使动态曲线以忠实提取对象物的轮廓的趋势变形。但是,若仅以外部能量项Ee规定能量函数E,则提取出的轮廓也忠实地再现图像中所出现的噪声等,因此对象物的形状反而难以把握。因此,将内部能量项Ei导入至能量函数E,该内部能量项Ei被公式化为动态曲线越平滑其值越小。通过向能量函数E导入内部能量项Ei,能够使动态曲线以使动态曲线自身的形状平滑的趋势变形。这样,通过向能量函数E导入内部能量项Ei和外部能量项Ee这2项,并使其适当地平衡,能够以适当的形状提取出对象物的轮廓。
但是,在能量函数E中,如何使多种能量项Ei、Ee平衡,取决于图像的状态、对象物的形状和对象物的平滑度等,不能一概而论。因此,分别对能量项Ei、Ee附加加权系数Wi、We,根据对象物的形状等对该值进行调整,由此来调整各能量项Ei、Ee的平衡。例如,若使内部能量项Ei的加权系数Wi增大,则能量函数E为最小值的时间点的动态曲线的形状更平滑。另一方面,若使外部能量项Ee的加权系数We增大,则能量函数E为最小值的时间点的动态曲线更加忠实地捕捉对象物的轮廓。这样,根据加权系数的值,作为结果而得到的曲线的状态发生改变。
例如,在专利文献1以及非专利文献1中,说明了动态轮廓模型的代表之一的蛇模型的概要。
专利文献1:日本特开平10-11588号公报
非专利文献1:美浓导彦、天野晃“Snakes:现在·过去·未来”信学技报,458(12),81-88,(1997)
如上所述,在动态轮廓模型中,通过反复运算等使预先设定的能量函数最小化,从而提取出对象物的轮廓。即,随着反复运算的反复次数的增加,能量函数像图3所示意性地表示的那样渐渐变小。与此对应,动态曲线的形状接近于对象物的轮廓。而且,如果多次反复至足够的次数,则能量函数收敛于某固定值。与此对应,动态曲线的形状也收敛于稳定状态,能够得到准确地提取对象物的轮廓的动态曲线。
因此,优选在动态轮廓模型中,持续进行反复运算直至能量函数完全收敛,从而获取能量函数完全收敛后的动态曲线。因为这里得到的动态曲线为最准确地提取出了对象物的轮廓的动态曲线。能量函数完全收敛前的动态曲线还在变形中,因此不能说准确地提取出了对象物的轮廓。
然而,一般来说,能量函数像图3所示那样,随着收敛的接近其变化也变得平稳,因此若要将其完全收敛,则必须进行足够次数的反复运算,花费大量的计算成本。
发明内容
该发明是鉴于该情况而完成的,目的在于提供能够使轮廓提取的准确性和计算成本妥当地平衡的技术。
为了解决上述课题,第1方式的轮廓提取装置使用动态轮廓模型来提取对象物的轮廓,具备:图像获取部,其获取对自然物进行拍摄而得到的对象图像;初始形状设定部,其设定动态曲线的初始形状,其中,该动态曲线用于提取上述对象图像所表示的对象物的轮廓;能量函数设定部,其设定能量函数,该能量函数由与上述动态曲线的状态对应地定义的多种能量项的线性加权和表示,被公式化为越接近待提取的轮廓的形状该能量函数的值就越小;反复运算部,其通过反复运算来使上述能量函数最小化;辅助函数设定部,其设定辅助函数,该辅助函数被公式化为根据上述反复运算的反复次数而变化;结束定时判断部,其基于上述反复运算的过程中的上述能量函数的变化和上述反复运算的过程中的上述辅助函数的变化,来判断结束上述反复运算的结束定时。
第2方式的轮廓提取装置为第1方式的轮廓提取装置,上述辅助函数是被公式化根据上述反复次数而单调增加的函数。
第3方式的轮廓提取装置为第2方式的轮廓提取装置,上述辅助函数是上述辅助函数的增加率随着上述反复次数而变大的函数。
第4方式的轮廓提取装置为第2方式或者第3方式的轮廓提取装置,上述结束定时判断部具备判定函数设定部,该判定函数设定部设定由上述能量函数和上述辅助函数的线性和表示的判断函数,将上述反复运算的过程中上述判断函数出现极小值的时间点判断为上述结束定时。
第5方式的轮廓提取装置为第2方式或者第3方式的轮廓提取装置,上述结束定时判断部将上述反复运算的过程中上述能量函数的值小于上述辅助函数的值的时间点判断为上述结束定时。
第6方式的程序被存储于计算机,通过被上述计算机执行来使上述计算机作为轮廓提取装置而发挥作用,其中,该轮廓提取装置使用动态轮廓模型来提取对象物的轮廓,上述轮廓提取装置具备:图像获取部,其获取对自然物进行拍摄而得到的对象图像;初始形状设定部,其设定动态曲线的初始形状,其中,该动态曲线用于提取上述对象图像所表示的对象物的轮廓;能量函数设定部,其设定能量函数,该能量函数由与上述动态曲线的状态对应地定义的多种能量项的线性加权和表示,被公式化为越接近应提取的轮廓的形状该能量函数的值越小;反复运算部,其通过反复运算使上述能量函数最小化;辅助函数设定部,其设定辅助函数,该辅助函数被公式化为根据上述反复运算的反复次数而变化;结束定时判断部,其基于上述反复运算的过程中的上述能量函数的变化和上述反复运算的过程中的上述辅助函数的变化,来判断结束上述反复运算的结束定时。
根据第1至第5方式的轮廓提取装置以及第6方式的程序中的任意一个,不仅根据反复运算过程中的能量函数的变化,还要根据反复运算过程中的辅助函数的变化来判断结束反复运算的结束定时。即,不仅根据作为轮廓提取的准确性的指标的能量函数的值,还要根据作为计算成本的指标的反复运算的反复次数来确定结束定时。由此,能够使轮廓提取的准确性和计算成本妥当地平衡。
特别是,根据第3方式的轮廓提取装置,辅助函数是其增加率根据反复次数而变大的函数,因此能够可靠地保证最低限度所需的轮廓提取的准确性,且能够防止计算成本过大。
特别是,根据第4方式的轮廓提取装置,设定由能量函数和辅助函数的线性和表示的判断函数。由反复运算过程中减小的能量函数和反复运算过程中单调增加的辅助函数的线性和表示的判断函数中会出现极小值,因此此处将该极小值出现的时间点判断为结束定时。根据该结构,能够以简易的结构确定出适当的结束定时。
特别是,根据第5方式的轮廓提取装置,将在反复运算过程中能量函数的值小于辅助函数的值的时间点判断为结束定时。即,反复运算的结束判断的基准值由辅助函数规定,该辅助函数被公式化为随着反复运算的反复次数而单调增加。根据该结构,随着反复运算的反复次数的增多,结束判断的基准变宽,因此即便能量函数不减少,也能够防止计算成本过大。
附图说明
图1是表示轮廓提取装置的硬件结构的框图。
图2是表示与轮廓提取功能相关的结构的框图。
图3是示意性地例示能量函数的图。
图4是示意性地例示辅助函数的图。
图5是示意地例示判断函数的图。
图6是表示轮廓提取装置中执行的处理的流程的图。
图7是示意性地表示对象图像数据以及针对对象图像数据而设定的初始动态曲线的图。
图8是示意性地表示在反复运算过程中变形的动态曲线的状态的图。
图9是表示与轮廓提取功能相关的结构的框图。
图10是表示轮廓提取装置中执行的处理的流程的图。
图11是用于说明结束指示部所执行的处理的图。
图12是用于说明使用了固定的基准值时的结束定时的图。
图13是用于说明使用了固定的基准值时的结束定时的图。
图14是用于说明使用了判定基准函数时的结束定时的图。
具体实施方式
<第1实施方式>
<1.硬件结构>
参照图1对该发明的第1实施方式涉及的轮廓提取装置1的硬件结构进行说明。图1是表示轮廓提取装置1的硬件结构的框图。
轮廓提取装置1使用动态轮廓模型来提取作为处理对象的图像数据(以下称作“对象图像数据”)所表示的对象物的轮廓。轮廓提取装置1由一般的计算机构成,构成为控制部2、显示部3、操作部4、输入部5以及存储部6连接至总线10。
控制部2例如由CPU构成,通过执行存储于存储部6的程序P来决定轮廓提取装置1整体的动作,并向轮廓提取装置1整体提供指令。
显示部3由液晶显示器等构成,并可视输出由控制部2生成的图像数据等。
操作部4由键盘、触摸面板或鼠标等构成,并根据用户的各种操作将各种指令信号发送至控制部2。
输入部5输入作为对象图像数据的图像数据。输入部5获取图像数据的方式可以是任意的。例如,可以从外部装置在线地接收图像数据,也可以通过读取来自DVD等可移动型的存储介质的数据或利用扫描仪的读取来获取图像数据。或者,还可以通过将图像数据存储到以网络连接的文件服务器等并将其读入来获取图像数据。所输入的图像数据存储在存储部6。但是,在该实施方式中,假定对象图像数据是拍摄自然物(例如,包括人在内的动物、植物以及风景等)而得到的图像数据。
此外,若使轮廓提取装置1与医疗用图像拍摄装置连接,则也能够将通过医疗用图像拍摄装置拍摄到的各种图像数据作为对象图像数据。例如,作为医疗用图像拍摄装置被广泛利用的装置之一,有超声波拍摄装置。超声波拍摄装置用2.5MHz~13.0MHz的超声波照射拍摄对象者的内脏等规定部位,并通过将其结果影像化来获取该部位的超声波图像。若使该超声波拍摄装置与轮廓提取装置1相连接,则能够经由输入部5输入由超声波拍摄装置拍摄到的表示拍摄对象者的内脏等的超声波图像,并将其作为对象图像数据。
存储部6例如由半导体存储器、硬盘等存储装置构成。存储部6中存储在控制部2执行的程序P、执行程序P时所需的信息、从输入部5输入的图像数据等各种信息。
<2.与轮廓提取相关的功能部>
轮廓提取装置1具备使用动态轮廓模型来提取对象图像数据所表示的对象物的轮廓的功能(轮廓提取功能)。其中,所谓动态轮廓模型如上所述,是一边使动态曲线变形一边对对象物的轮廓进行提取的方法。具体而言,通过下述方式对对象物的轮廓进行提取,即、定义动态曲线在提取出对象物的轮廓时最小的能量函数,通过反复运算进行该能量函数的最小化处理,找到能量函数的值为最小的稳定状态。
参照图2对用于实现轮廓提取功能的结构进行说明。图2是表示与轮廓提取功能相关的结构的框图。此外,下面适当地参照图3~图5。图3~图5中的各图是分别示意性地例示能量函数E、辅助函数F、判断函数G的图。
轮廓提取装置1作为与轮廓提取功能相关的结构,具备图像获取部11、初始形状设定部12、能量函数设定部13、反复运算处理部14以及结束指示部15。这些各部可以通过控制部2根据存储于存储部6的程序P进行运算处理来实现,也可以通过专用硬件来实现。
图像获取部11获取对象图像数据。例如,读出并获取存储于存储部6的图像数据中用户指定的图像数据作为对象图像数据。
初始形状设定部12设定动态曲线的初始形状。具体而言,例如,使对象图像数据显示在显示部3上,用户一边观察该显示画面一边将从操作部4输入的形状作为动态曲线的初始形状来受理。另外,也可以构成为将1个以上的初始形状的样本存储于存储部6,让用户选择存储的样本中的任意一个(或初始形状设定部12基于附加在对象图像数据的名称等自动选择),将选择出的样本作为动态曲线的初始形状读出。此外,动态曲线的初始形状可以为任意形状,但为了高效准确地进行轮廓提取的处理,优选尽量是与对象物的轮廓相近的形状。此外,以下将初始形状的动态曲线称作“初始动态曲线”。
能量函数设定部13设定能量函数E。能量函数E由与动态曲线的状态对应地定义的多种能量项的线性加权和表示。能量函数E所包含的能量项的个数以及各能量项的内容可以任意设定,但在该实施方式中,使用“内部能量项Ei”、“外部能量项Ee”这两种能量项来规定能量函数E。即,该实施方式的能量函数E为下述(式2)表示的函数。其中,在(式2)中,“Wi”、“We”分别表示附给内部能量项Ei和外部能量项Ee的加权系数。
E=Wi*Ei+We*Ee …(式2)
其中,能量函数E被公式化为越接近待提取的轮廓的形状该能量函数E的值就越小。即,内部能量项Ei以及外部能量项Ee被公式化为动态曲线越接近目标形状该内部能量项Ei以及外部能量项Ee的值就越小。例如,内部能量Ei被公式化为动态曲线越平滑内部能量Ei的值就越小。另外,外部能量Ee被公式化为动态曲线和对象物的轮廓的一致度越高该外部能量Ee的值就越小。
在能量函数E中,如何使内部能量项Ei和外部能量项Ee平衡是通过加权系数Wi、We来规定的。在该实施方式中,用户考虑作为对象物的轮廓可预测的形状、想要以何种形状来提取对象物的轮廓等,而决定加权系数Wi、We的值,将所决定的值预先(例如在轮廓提取装置1的初始设定时)输入至轮廓提取装置1。此时被用户输入的值被存储于存储部6,能量函数设定部13读出该值后设定能量函数E。应予说明,加权系数Wi、We的设定方法不限于此。例如,可以构成为与初始形状的样本对应地存储加权系数Wi、We的值,能量函数设定部13读取与选择出的初始形状的样本对应的加权系数Wi、We的值并设定能量函数E。
反复运算处理部14通过反复运算来进行能量函数E的最小化处理。即,通过反复运算,使动态曲线沿由能量函数E规定的变形趋势变形。而且,若从后述的结束定时判断部152接收到应该结束反复运算的指示(结束指示),则结束反复运算,并将此时的动态曲线获取为适当地提取对象物的轮廓后的动态曲线(以下称为“最终动态曲线”)。
结束指示部15在规定的定时向反复运算处理部14提供反复运算的结束指示。结束指示部15具备辅助函数设定部151和结束定时判断部152。
辅助函数设定部151设定被公式化为根据反复运算的反复次数(以下称作“运算次数”)而变化的函数(辅助函数F)。具体而言,设定被公式化为根据运算次数而单调增加的辅助函数F。因此,将运算次数表示为“n”时,辅助函数F成为下述(式3)所给出的函数。
F=f(n)(其中,n1<n2时,f(n1)<f(n2))…(式3)
此外,辅助函数F可以为任意形式的函数,只要是单调增加函数即可,但在该实施方式中,如图4所示,由增加率(斜率)根据运算次数而变大的函数规定。
结束定时判断部152基于反复运算过程中的能量函数E的移动和辅助函数F的移动,来判断结束反复运算的定时(结束定时)。结束定时判断部152具备判定函数设定部1521和极小值检测部1522。
判定函数设定部1521设定由能量函数E和辅助函数F的线性和表示的函数(判断函数G)。即,判断函数G成为下述(式4)所给出的函数。
G=E+F …(式4)
能量函数E是反复运算过程中减小的函数(参照图3)。另一方面,辅助函数F是反复运算过程中增加的函数(参照图4)。因此,如图5所示意性地表示的那样,判断函数G为具有极小值m的函数。
极小值检测部1522在执行反复运算期间,监视判断函数G的变化。如上所述,判断函数G在反复运算过程中的某一处具有极小值m。若极小值检测部22在反复运算过程中检测到该极小值m,则将该时间点判断为结束定时。
<3.轮廓提取处理的流程>
参照图6对轮廓提取装置1执行处理的流程进行说明。图6是表示轮廓提取装置1执行处理的流程图。此外,在以下说明中,适宜参照图3~图5以及图7、图8。图7(a)是示意性地表示对象图像数据的一个例子的图。图7(b)是示意性地表示针对图7(a)所示的对象图像数据所设定的初始动态曲线(初始动态曲线T(0))的一个例子的图。图8是示意性地表示在反复运算过程中变形的动态曲线的状态的图。特别是,图8(a)表示运算次数为n1次(参照图5)时的动态曲线T(n1)状态,图8(b)表示运算次数为n2次(参照图5)时的动态曲线T(n2)的状态,图8(c)表示运算次数为n3次(参照图5)时的动态曲线T(n3)的状态(其中,n1<n2<n3)。
<3-1.整体流程>
最初,对轮廓提取装置1所执行的处理的整体流程进行说明。首先,图像获取部11获取对象图像数据(步骤S1)。以下假设获取到图7(a)所示的超声波图像的图像数据Q作为对象图像数据。在超声波图像中,显示出较暗的血管区域,此处,该血管为待提取其轮廓的对象物。
接着,初始形状设定部12设定动态曲线的初始形状(初始动态曲线)(步骤S2)。当前对象物为血管,因此假设待提取的形状为管状。此处,考虑到这个,设定图7(b)所示那样的管状的初始动态曲线T(0)。
接着,能量函数设定部13设定能量函数E(步骤S3)。此处,假设设定上述(式2)所示的函数作为能量函数E。
接着,反复运算处理部14开始基于反复运算的能量函数E的最小化处理(步骤S4)。随着运算次数的增加而能量函数E的值减小(参照图5)。与此对应,在步骤S2中设定的初始动态曲线T(0)发生变形,接近对象物的轮廓(参照图8)。
反复运算处理部14持续反复运算直至从结束指示部15得到结束指示为止。若从结束指示部15得到结束指示(步骤S5为“是”),则反复运算处理部14结束反复运算(步骤S6)。此处得到的动态曲线作为最终动态曲线而获取。
<3-2.结束指示部15所执行的处理的流程>
接下来,对结束指示部15执行的处理的流程进行说明。在反复运算处理部14开始反复运算处理前,辅助函数设定部151设定辅助函数F(参照(式3)以及图4)(步骤S11)。
接着,判定函数设定部1521基于在步骤S3设定的能量函数E(参照(式2)以及图3)和在步骤S11设定的辅助函数F,来设定判断函数G(参照(式4)以及图5)(步骤S12)。
若反复运算处理部14开始反复运算处理(步骤S4),则极小值检测部1522开始对在步骤S12中设定的判断函数G的变化进行监视(步骤S13),若检测到判断函数G出现极小值m(步骤S14为“是”),则将该时间点判断为结束定时从而向反复运算处理部14发出结束指示(步骤S15)。
<4.效果>
如图8所示,在反复运算处理中,随着运算次数增加,动态曲线的形状发生变形而接近对象物的轮廓,运算次数越多就越准确地提取对象物的轮廓。因此,从轮廓提取的准确性这方面来看,优选如图5所示,持续进行反复运算直至能量函数E被完全收敛的运算次数n3,而将此时的动态曲线T(n3)获取为最终动态曲线。但多数情况下,能量函数E如图3所示那样,随着收敛的接近而变化变得平稳,因此若运算次数变大,则动态曲线所产生的变形与计算成本不平衡。另一方面,为了使计算成本减小,例如以比较少的运算次数n1结束反复运算,则能量函数E还未成为充分小的值,因此就会将未充分捕捉对象物的轮廓的动态曲线T(n1)获取为最终动态曲线。这样,在轮廓提取处理中,为了妥当地使轮廓提取的准确性和计算成本相平衡,结束反复运算处理的定时就变得重要。
在上述实施方式中,结束指示部15设定由动态曲线的能量函数E和随运算次数而变化的辅助函数F的线性和表示的判断函数G,使反复运算处理部14以该辅助函数F出现极小值m时的运算次数(n2)来结束反复运算处理。这样决定结束定时,就能够妥当地平衡轮廓提取的准确性和计算成本。
即,由于能量函数E的(虽未完全收敛)值在一定程度上变为较小的值,因此能够将充分准确地捕捉对象物的轮廓(虽并不完全)的动态曲线Tn2获取为最终动态曲线。而且,即便再持续反复运算处理,也不能够期待动态曲线发生与计算成本相匹配的形状变化,所以不进行那种非效率的运算处理。
另外,特别是,通过由增加率根据运算次数而变大的函数来规定辅助函数F,就能够可靠地保证最低限度所需的轮廓提取的准确性,也能够防止计算成本过大。
<第2实施方式>
对该发明的第2实施方式的轮廓提取装置1a进行说明。以下对与前面说明相同的结构要素以相同的参照附图标记来表示,并省略其说明。
<1.硬件结构>
轮廓提取装置1a的硬件结构与第1实施方式的轮廓提取装置1相同,因此省略其说明(参照图1)。
<2.与轮廓提取相关的功能部>
轮廓提取装置1a与第1实施方式的轮廓提取装置1相同,具备轮廓提取功能。参照图9对用于实现轮廓提取功能的结构进行说明。图9是表示与轮廓提取功能相关的结构的框图。以下适当参照图3~图4。
轮廓提取装置1a作为与轮廓提取功能相关的结构,具备上述的图像获取部11、初始形状设定部12、能量函数设定部13以及反复运算处理部14。另外,代替上述的结束指示部15而具备以下说明的结束指示部15a。这些各部可以通过控制部2根据存储于存储部6的程序P进行运算处理来实现,也可以通过专用硬件实现。
结束指示部15a在规定的定时向反复运算处理部14发出反复运算的结束指示。结束指示部15a具备上述的辅助函数设定部151。另外,代替上述的结束定时判断部152而具备以下说明的结束定时判断部152a。
结束定时判断部152a基于反复运算过程中的能量函数E的变化和辅助函数F的变化,来判断结束定时。结束定时判断部152a具备判定基准函数获取部1523和比较判断部1524。
判定基准函数获取部1523获取成为对在反复运算中能量函数E是否收敛进行判断的基准的值(基准值)进行规定的函数(判定基准函数H)。具体而言,获取辅助函数设定部151设定的辅助函数F作为判定基准函数H。即,判定基准函数H为下述(式5)所给出的函数。
H=F …(式5)
辅助函数F是在反复运算过程中增加的函数(参照图4)。因此,判定基准函数H也成为在反复运算过程中增加的函数。即,基准值随着反复运算不断地进行而增大。
比较判断部1524在执行反复运算期间对能量函数E的变化进行监视。而且,若能量函数E的值小于通过判定基准函数H(即辅助函数F)规定的基准值,则认为能量函数E收敛,将该时间点判断为结束定时。
<3.轮廓提取处理的流程>
参照图10对轮廓提取装置1a执行的处理的流程进行说明。图10是表示轮廓提取装置1a执行的处理的流程图。此外,在以下说明参照图11。图11是用于说明结束指示部所执行的处理的图。
<3-1.整体流程>
轮廓提取装置1a执行的处理的整体流程(步骤S1~步骤S6)与第1实施方式相同。
<3-2.结束指示部15a所执行的处理的流程>
对结束指示部15a所执行的处理的流程进行说明。在反复运算处理部14开始反复运算处理前,辅助函数设定部151设定辅助函数F(参照(式3)以及图4(步骤S21)。
接着,判定基准函数获取部1523获取在步骤S21设定的辅助函数F作为判定基准函数H(步骤S22)。
若反复运算处理部14开始反复运算处理(步骤S4),则比较判断部1524开始对在步骤S3设定的能量函数E的变化进行监视(步骤S23),若能量函数E的值小于通过判定基准函数H(即辅助函数F)规定的基准值(步骤S24为“是”),则认为能量函数E收敛,将该时间点判断为结束定时,向反复运算处理部14发出结束指示(图11)(步骤S25)。
<4.效果>
参照图12~图14对通过上述实施方式的轮廓提取装置1a得到的效果进行说明。图12~图14的各图例示了分别以不同方式变化的3种能量函数Ea、Eb、Ec。
如上所述,通过在反复运算处理中持续进行反复运算,直至能量函数E完全收敛,就能够以最准确的形状提取对象物的轮廓。然而,当判断能量函数E是否收敛时,有时会使用预先设定的基准值。换句话说,若能量函数E小于预先设定的基准值,则认为能量函数E收敛,在该时间点结束反复运算。
此处,若想要捕捉能量函数E完全收敛的时间点,则如图12所示,需要将该基准值设定为充分小的值H1。然而如上所述,一般地,随着能量函数E接近收敛,变化变得缓慢,因此使基准值减小所需的运算次数变得非常大,花费计算成本。
另一方面,为了抑制运算次数而减少计算成本,如图13所示,若将基准值设定为比较大的值H2,则根据能量函数E的变化状态,在能量函数E的值还远未达到收敛的状态下反复运算就结束了(例如,参照能量函数Ec的反复运算结束定时)。在该情况下,动态曲线还未充分捕捉到对象物的轮廓时反复运算就结束了。
在上述实施方式中,结束指示部15a将根据运算次数而变化的辅助函数F作为判定基准函数H来使用,若能量函数E的值小于通过该判定基准函数H规定的基准值,则使反复运算处理部14结束反复运算处理。在如此地决定的结束定时,能够妥当地平衡轮廓提取的准确性和计算成本。
即,如图14所示,运算次数较少时基准值为比较小的值,因此,只要能量函数E不成为充分小的值就不认为收敛。因此,能够避免动态曲线未充分捕捉对象物的轮廓时就结束反复运算处理的情况(例如参照能量函数Ec的反复运算结束定时)。
另一方面,随着运算次数增加,基准值渐渐变为较大的值,因此,若运算次数增加,则实际上即便为未完全收敛的能量函数E,也认为收敛而结束反复运算处理。因此,即便是在完全收敛前需要大量运算次数的能量函数E,也能够在运算次数变得过大前结束运算处理(例如,参照能量函数Eb的反复运算结束定时)。
此外,特别是,通过由增加率根据运算次数而变大的函数规定辅助函数F,能够可靠地保证最低限度所需的轮廓提取的准确性,也能够防止计算成本过大。
<变形例>
<1.第1变形例>
在上述各实施方式中,假设辅助函数F是由增加率根据运算次数而变大的函数规定的函数,但辅助函数可以为任意形式的函数,只要是单调增加函数即可。例如,可以为一次函数,也可以为二次函数。
特别是,通过设定与进行轮廓提取的目的(利用轮廓提取的应用)对应的辅助函数F,能够进行与各种目的(应用)对应的轮廓提取。
例如,若以较大的增加率的函数设定辅助函数F,则能够以较低的计算成本/较短的计算时间来确定出对象物的轮廓。因此,在要求可以粗略地以较低计算成本/较短的计算时间来确定对象物的轮廓的应用中,只要设定这样的辅助函数F即可。
另一方面,若以较小的增加率的函数设定辅助函数F,则能够准确地确定出对象物的轮廓。因此,在要求可以花费计算成本/计算时间来准确地进行确定的应用中,只要设定这样的辅助函数F即可。
<2.第2变形例>
第1实施方式的结束指示部15构成为使用判断函数G判断结束定时。此处所使用的判断函数G是由能量函数E和辅助函数F的线性和表示的函数,但也可以为由这些函数E、F的线性加权和表示的函数。例如,对辅助函数F附加加权系数的情况下,判断函数G成为下述(式6)所给出的函数。其中,在(式6)中,“Wf”表示对辅助函数F附加的加权系数。
G=E+Wf*F …(式6)
加权系数Wf的值是规定使轮廓提取的准确性和计算成本以何种程度平衡的值,优选根据以何种目的进行轮廓提取(在何种应用中进行轮廓提取)来设定。
例如,若将加权系数Wf的值设为比较大的值,则辅助函数F的影响变大。辅助函数F是在将反复运算的次数抑制成较小(即、使结束定时提前的方向)中发挥作用的因子,该情况下,能够抑制计算成本而迅速提取对象物的轮廓。因此,例如在可以粗略地提取对象物的轮廓而要求抑制计算成本并迅速提取的应用中利用轮廓提取时,只要将加权系数Wf的值设定为比较大的值即可。
另一方面,若将加权系数Wf的值设为比较小的值,则能量函数E的影响变大。该情况下,能够准确地提取对象物的轮廓。因此,例如在要求可以花费时间和计算成本但准确地提取对象物的轮廓的应用中利用轮廓提取时,只要将加权系数Wf的值设定为比较小的值即可。
这样,在该变形例中,通过调整加权系数Wf的值,能够进行与进行轮廓提取的目的(利用轮廓提取的应用)对应的轮廓提取。
<3.第3变形例>
第2实施方式的结束指示部15a构成为使用判定基准函数H来判断结束定时。在上述中,构成为直接将辅助函数F用作判定基准函数H,但也可以构成为使用对辅助函数F附加了系数的函数作为判定基准函数H。该情况下,判定基准函数H成为下述(式7)所给出的函数。其中,在(式7)中,“Wh”表示附加于辅助函数F的系数。
H=Wh*F …(式7)
系数Wh的值与上述加权系数Wf相同,是规定使轮廓提取的准确性和计算成本以何种程度平衡的值,优选根据以何种目的进行轮廓提取而设定。
例如,若将系数Wh的值设为比1大的值,则规定结束定时的基准值的值成为较大的值,因此结束定时提前。该情况下,能够抑制计算成本而迅速提取对象物的轮廓。因此,例如在可以粗略地提取对象物的轮廓而要求抑制计算成本并迅速提取的应用中利用轮廓提取时,只要将系数Wh的值设定为比1大的值即可。
另一方面,若将系数Wh的值设为比1小的值,则规定结束定时的基准值的值成为较小的值,因此结束定时延迟。该情况下,虽然花费了一定程度的计算成本,但能够准确地提取对象物的轮廓。因此,例如在可以花费时间和计算成本但要求准确地提取对象物的轮廓的应用中利用轮廓提取时,只要将加权系数Wh的值设定为比1小的值即可。
这样,在该变形例中,通过调整系数Wh的值,能够进行与进行轮廓提取的目的(利用轮廓提取的应用)对应的轮廓提取。
<4.第4变形例>
在上述各实施方式中,以能量函数E为反复运算的过程中减小的平滑的函数作为前提,本来,能量函数E应为那样的函数。但在实际的安装方式中,往往能量函数E会出现微小的偏差(噪声)。例如,在反复运算过程中进行再初始化处理时,能量函数E瞬间微增。在包含这种噪声的能量函数E中,可能会不能准确地决定结束定时。
为了避免此情况,从能量函数E获取去除了噪声的近似能量函数,使用该近似能量函数来代替能量函数E即可。获取近似能量函数的方法可以为任意方法。例如,可以以恒定的时间间隔对能量函数E的值进行抽样从而获取离散抽样数据,获取由所得到的值规定的曲线作为近似能量函数。另外,也可以获取以最小二乘法等近似能量函数E而得到的曲线作为近似能量函数。
<5.其他变形例>
上述各实施方式能够应用于使用各种动态轮廓模型(例如水平集模型、蛇模型等)来提取对象物的轮廓的轮廓提取装置。
附图标记说明
1、1a轮廓提取装置;2控制部;11图像获取部;12初始形状设定部;13能量函数设定部;14反复运算处理部;15、15a结束指示部;151辅助函数设定部;152、152a结束定时判断部;1521判定函数设定部;1522极小值检测部;1523判定基准函数获取部;1524比较判断部;P程序。
Claims (3)
1.一种轮廓提取装置,使用动态轮廓模型来提取对象物的轮廓,其特征在于,具备:
图像获取部,其获取拍摄自然物而得到的对象图像;
初始形状设定部,其设定动态曲线的初始形状,其中,该动态曲线用于提取上述对象图像所表示的对象物的轮廓;
能量函数设定部,其设定能量函数,该能量函数由与上述动态曲线的状态对应地定义的多种能量项的线性加权和表示,被公式化为越接近待提取的轮廓的形状该能量函数的值就越小;
反复运算部,其通过反复运算来使上述能量函数最小化;
辅助函数设定部,其设定辅助函数,该辅助函数被公式化为根据上述反复运算的反复次数而变化;和
结束定时判断部,其基于上述反复运算的过程中的上述能量函数的变化和上述反复运算的过程中的上述辅助函数的变化,来判断结束上述反复运算的结束定时,
上述辅助函数是被公式化为根据上述反复次数而单调增加的函数,
上述结束定时判断部具备判定函数设定部,该判定函数设定部设定由上述能量函数与上述辅助函数的线性和表示的判断函数,
将上述反复运算的过程中上述判断函数出现极小值的时间点判断为上述结束定时。
2.一种轮廓提取装置,使用动态轮廓模型来提取对象物的轮廓,其特征在于,具备:
图像获取部,其获取拍摄自然物而得到的对象图像;
初始形状设定部,其设定动态曲线的初始形状,其中,该动态曲线用于提取上述对象图像所表示的对象物的轮廓;
能量函数设定部,其设定能量函数,该能量函数由与上述动态曲线的状态对应地定义的多种能量项的线性加权和表示,被公式化为越接近待提取的轮廓的形状该能量函数的值就越小;
反复运算部,其通过反复运算来使上述能量函数最小化;
辅助函数设定部,其设定辅助函数,该辅助函数被公式化为根据上述反复运算的反复次数而变化;和
结束定时判断部,其基于上述反复运算的过程中的上述能量函数的变化和上述反复运算的过程中的上述辅助函数的变化,来判断结束上述反复运算的结束定时,
上述辅助函数是被公式化为根据上述反复次数而单调增加的函数,
上述结束定时判断部将上述反复运算的过程中上述能量函数的值小于上述辅助函数的值的时间点判断为上述结束定时。
3.根据权利要求1或2所述的轮廓提取装置,其特征在于,
上述辅助函数是上述辅助函数的增加率根据上述反复次数而变大的函数。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009162613 | 2009-07-09 | ||
JP2009-162613 | 2009-07-09 | ||
PCT/JP2010/054676 WO2011004640A1 (ja) | 2009-07-09 | 2010-03-18 | 輪郭抽出装置およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102473309A CN102473309A (zh) | 2012-05-23 |
CN102473309B true CN102473309B (zh) | 2014-09-24 |
Family
ID=43429065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201080030463.2A Expired - Fee Related CN102473309B (zh) | 2009-07-09 | 2010-03-18 | 轮廓提取装置以及程序 |
Country Status (5)
Country | Link |
---|---|
US (1) | US8532392B2 (zh) |
EP (1) | EP2453413A4 (zh) |
JP (1) | JP5299511B2 (zh) |
CN (1) | CN102473309B (zh) |
WO (1) | WO2011004640A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9875581B2 (en) * | 2014-10-31 | 2018-01-23 | The Regents Of The University Of California | Automated 3D reconstruction of the cardiac chambers from MRI or ultrasound |
KR101724338B1 (ko) * | 2015-09-15 | 2017-04-07 | 전자부품연구원 | 강인한 영역 분리 방법 및 이를 적용한 시스템 |
JP6204634B1 (ja) * | 2015-12-25 | 2017-09-27 | 楽天株式会社 | 形状弁別装置、形状弁別方法及び形状弁別プログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6031935A (en) * | 1998-02-12 | 2000-02-29 | Kimmel; Zebadiah M. | Method and apparatus for segmenting images using constant-time deformable contours |
CN1367455A (zh) * | 2002-03-25 | 2002-09-04 | 北京工业大学 | 基于样条思内克斯(Snakes)模型的中医舌象计算机分割方法 |
US6674905B1 (en) * | 1999-01-22 | 2004-01-06 | Canon Kabushiki Kaisha | Image processing method, image processing apparatus, and storage medium |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5594849A (en) * | 1991-08-09 | 1997-01-14 | Yale University | Biomedical magnetism imaging apparatus and method |
JPH05342353A (ja) | 1992-06-10 | 1993-12-24 | Oki Electric Ind Co Ltd | 輪郭抽出方法 |
JP3383072B2 (ja) | 1994-05-24 | 2003-03-04 | 株式会社東芝 | 画像処理方法及び画像処理装置 |
JP3850076B2 (ja) | 1996-04-24 | 2006-11-29 | 富士写真フイルム株式会社 | 動的輪郭抽出方法 |
CN1131495C (zh) * | 1996-08-29 | 2003-12-17 | 三洋电机株式会社 | 特征信息赋予方法及装置 |
JP2000339452A (ja) | 1999-05-27 | 2000-12-08 | Canon Inc | 画像抽出方法及び装置並びに記憶媒体 |
US7022073B2 (en) * | 2003-04-02 | 2006-04-04 | Siemens Medical Solutions Usa, Inc. | Border detection for medical imaging |
US7706610B2 (en) * | 2005-11-29 | 2010-04-27 | Microsoft Corporation | Segmentation of objects by minimizing global-local variational energy |
-
2010
- 2010-03-18 JP JP2011521847A patent/JP5299511B2/ja not_active Expired - Fee Related
- 2010-03-18 WO PCT/JP2010/054676 patent/WO2011004640A1/ja active Application Filing
- 2010-03-18 US US13/379,520 patent/US8532392B2/en not_active Expired - Fee Related
- 2010-03-18 EP EP10796951.1A patent/EP2453413A4/en not_active Withdrawn
- 2010-03-18 CN CN201080030463.2A patent/CN102473309B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6031935A (en) * | 1998-02-12 | 2000-02-29 | Kimmel; Zebadiah M. | Method and apparatus for segmenting images using constant-time deformable contours |
US6674905B1 (en) * | 1999-01-22 | 2004-01-06 | Canon Kabushiki Kaisha | Image processing method, image processing apparatus, and storage medium |
CN1367455A (zh) * | 2002-03-25 | 2002-09-04 | 北京工业大学 | 基于样条思内克斯(Snakes)模型的中医舌象计算机分割方法 |
Non-Patent Citations (3)
Title |
---|
Michael Kass等.Snakes:Active contour models.《International Journal of Computer Vision》.1988,第1卷(第4期),第321-331页. * |
Snake模型综述;李天庆等;《计算机工程》;20050531;第31卷(第9期);第1-3页 * |
李天庆等.Snake模型综述.《计算机工程》.2005,第31卷(第9期),第1-3页. |
Also Published As
Publication number | Publication date |
---|---|
WO2011004640A1 (ja) | 2011-01-13 |
EP2453413A4 (en) | 2015-03-18 |
JP5299511B2 (ja) | 2013-09-25 |
US8532392B2 (en) | 2013-09-10 |
JPWO2011004640A1 (ja) | 2012-12-20 |
CN102473309A (zh) | 2012-05-23 |
US20120099799A1 (en) | 2012-04-26 |
EP2453413A1 (en) | 2012-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2963574B1 (en) | Method and system for prediction of post-stenting hemodynamic metrics for treatment planning of arterial stenosis | |
US20180144244A1 (en) | Distributed clinical workflow training of deep learning neural networks | |
Entezami et al. | Damage localization under ambient excitations and non-stationary vibration signals by a new hybrid algorithm for feature extraction and multivariate distance correlation methods | |
US9173574B2 (en) | Mechanical health monitor apparatus and method of operation therefor | |
JP6616791B2 (ja) | 情報処理装置、情報処理方法およびコンピュータプログラム | |
JP6847787B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
CN102473309B (zh) | 轮廓提取装置以及程序 | |
US8983809B2 (en) | Method and system for patient-specific hemodynamic assessment of virtual stent implantation | |
JP2022525039A (ja) | 心臓インプラントの繰り返し荷重による故障を患者固有に予測する方法およびシステム | |
EP3942567A1 (en) | Population-level gaussian processes for clinical time series forecasting | |
JP6621117B1 (ja) | 画像処理装置、画像処理システム、および画像処理プログラム | |
CN111640107A (zh) | 一种致痫灶位置检测方法及装置 | |
JP2010252989A (ja) | 医用診断支援装置及びその制御方法 | |
US20240013920A1 (en) | Medical event prediction using a personalized dual-channel combiner network | |
JP6590386B1 (ja) | 画像処理装置、画像処理システム、および画像処理プログラム | |
JP5388564B2 (ja) | 糖尿病診療支援システム、コンピュータプログラム、及び記録媒体 | |
JP5557687B2 (ja) | 検査計画作成装置 | |
JP2020190791A (ja) | 画像処理装置、画像処理システム、および画像処理プログラム | |
JP6989841B2 (ja) | 教師情報付学習データ生成方法、機械学習方法、教師情報付学習データ生成システム及びプログラム | |
Zhu et al. | A computerized drug delivery control system for regulation of blood pressure | |
Ati | Knowledge capturing in autonomous system design for chronic disease risk assessment | |
TWI833251B (zh) | 失效模式分析系統及失效模式分析方法 | |
JP2020188839A (ja) | 画像処理装置、画像処理システム、および画像処理プログラム | |
JP7435749B2 (ja) | 推定プログラム、推定方法および情報処理装置 | |
US20220076827A1 (en) | Systems and methods for modelling a human subject |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140924 Termination date: 20200318 |