发明内容
为了克服现有技术存在的不足,本发明的首要目的在于提供一种腹部软组织核磁图像分割的方法。该方法提高了核磁图像分割算法的鲁棒性,使得分割结果更加准确。
本发明的另一目的在于提供用于所述腹部软组织核磁图像分割的方法的腹部软组织核磁图像分割系统。
本发明的目的通过以下技术方案实现:一种腹部软组织核磁图像分割的方法,包括以下步骤:
(1)在待分割区域选择一个种子点,采用区域增长算法(region growing)在所述待分割的区域进行预分割,得到预分割区域;
(2)采用形态学算子对所述预分割区域进行膨胀和腐蚀操作,在预分割区域内外形成一个初始分割轮廓;
(3)将形状模板集与初始分割轮廓进行配准后,再进行核主成分分析,然后通过统计模型获得先验形状信息;
(4)在核磁图像分割模型的能量函数的数据项上结合所述先验形状信息,建立能量函数;
(5)运用kernel Graph cuts算法,在所述初始分割轮廓进行分割,得到目标轮廓。
所述步骤(1)中,种子点为手动选择;采用区域增长算法以所选择的种子点为初始点执行区域增长;
所述步骤(2)中,膨胀操作和腐蚀操作采用相同大小的结构元素模板;
所述步骤(3)中的先验形状信息,通过以下步骤得到:
(301)通过以下公式将形状模板集与初始分割轮廓进行配准:
Ej=(Xi-M(sj,θj)[Xj]-tj)TW(Xi-M(sj,θj)[Xj]-tj)
其中,Xi为其中一个形状模板,现从模板集中取任意模板Xj,经过平移tj,放大、旋转M(sj,θj)[Xj]计算,然后使得目标误差评价函数Ej达到最小值,即为最终配准结果,其Ej计算是通过最小二乘优化算法得到,W为加权矩阵,M(sj,θj)为放大和旋转矩阵;
(302)利用以下公式进行核主成分分析计算得到先验形状信息:
其中,图像空间S中的样本集{x
1,K,x
N},这些形状模板均为二值图像,用0和1来表示目标轮廓的形状信息,并将模板数据用列向量表示;将图像数据训练集X通过非线性映射φ映射到高维空间,通过KPCA提取特征后形成了一个高维的特征空间F;给定一个样本x,在高维空间F的映射为φ(x),并计算出高维特征空间F上的投影Pφ(x),其逆映射为
,即为所求的先验形状信息;
β为高维空间F的映射φ(x)在每个成分上的投影,
为特征向量,c=[11Κ1]
T是N×1维的单位向量。
所述配准只允许旋转、缩放和平移操作。
所述步骤(4)包括以下步骤:
(402)令数据项表示为像素归属目标和背景的惩罚程度,用Pp(O),Pp(B)分别表示在像素p处,形状信息在数据项上属于前景和背景的惩罚,得到新的数据项,如下所示:
Rp(O)=(1-η)·JK(Ip,μO)+η·Pp(O)
Rp(B)=(1-η)·JK(Ip,μB)+η·Pp(B)
其中,η为介于0和1之间的权重系数,由于逆映射值
也是介于0和1之间的数,因此可直接用
的值来表示P
p(O),则(1-P
p(O))即为P
p(B)的值;J
K(I
p,μ
O)和J
K(I
p,μ
B)分别代表核图割模型将图像数据空间I映射到高维的核空间J后替代原图切割模型的数据项。
(402)平滑项沿用核图割算法原来的项,其能量函数为:
其中,μl是无监督多参数的图割算法中的参数,可由K均值聚类算法产生。δ是每个像素点标号为前景或背景的惩罚。l∈L是要分割区域的标号,L为总的区域数。p∈Rl为属于某个分割区域的像素点。r(δ(p),δ(q))是领域D内的平滑项。JK(Ip,μO)和JK(Ip,μB)分别代表核图割模型将图像数据空间I映射到高维的核空间J后替代原图切割模型的数据项。令l只能为O或B,即只能为前景或背景,多区域的kernel graph cuts转化为二值分割。
所述形状模板集为人体同一位置的同一方向的核磁图像,不同的模板之间不存在刚性的位置变换和旋转缩放的联系。
一种用于所述的腹部软组织核磁图像分割的方法的腹部软组织核磁图像分割系统,包括以下部分:
预分割模块:在待分割区域选择一个种子点,种子点为手动选择,主要在分割区域内部选择,采用区域增长算法(region growing)以所选择的种子点为初始点执行区域增长,,在所述待分割的区域进行预分割,得到预分割区域;
膨胀腐蚀模块:用于采用形态学算子对所述预分割区域进行膨胀和腐蚀操作,在预分割区域内外形成一个初始分割轮廓;
KPCA训练模块:用于将形状模板集与初始分割轮廓进行配准后,再进行核主成分分析,通过统计模型获得先验形状信息;
能量函数模块:用于在核磁图像分割模型的能量函数的数据项上结合所述先验形状信息,建立能量函数;
kernel Graph cuts分割模块:运用kernel Graph cuts算法,在所述初始分割轮廓进行分割而得到目标轮廓;
所述预分割模块与膨胀腐蚀模块连接,能量函数模块分别与膨胀腐蚀模块、KPCA训练模块、kernel Graph cuts分割模块连接。
本发明相对于现有技术具有如下的优点及有益效果:
(1)本发明采用区域增长算法在待分割的区域进行预分割后采用形态学算子进行膨胀腐蚀操作对预分割结果进一步处理,使预分割结果形成一个初始分割轮廓;然后将形状模板集与初始分割轮廓进行配准后,再进行核主成分分析,通过统计模型获得先验形状信息;在核磁图像分割模型的能量函数的数据项上结合所述先验形状信息,建立能量函数;运用kernel Graph cuts算法,在所述初始分割轮廓进行分割而得到目标轮廓;有效提高了算法的鲁棒性,使得分割结果更加精确。
(2)本发明能实现半自动分割,所用装置简单,有效提高了核磁图像分割算法的鲁棒性,使得分割结果更加精确,可以应用于大多数的核磁图像分割,分割结果能够满足临床要求。
具体实施方式
下面结合实施例和附图对本发明作进一步详细的描述,但是本发明的保护范围并不限于此。
实施例1
运用腹部软组织核磁图像分割的方法分割肝脏组织的方法,如图1所示,包括以下步骤:
(1)在肝脏内部选择一个种子点,种子点为手动选择,主要在分割区域内部选择,采用区域增长算法以所选择的种子点为初始点执行区域增长,在肝脏内部进行预分割,得到预分割区域;待分割的肝脏核磁图像如图2中(a)所示,其预分割结果如图3中(a)所示;从图3中(a)可以看出,肝脏内部存在很多孤立的区域没有被分割出来。
(2)采用形态学算子对所述预分割区域进行膨胀和腐蚀操作,在预分割区域内外形成一个初始分割轮廓;膨胀操作和腐蚀操作均采用相同大小的结构元素模板;结果如图4中(a)所示;从图4中(a)可以看出,经形态学算子处理后得到的分割轮廓比较接近真实的肝脏轮廓了,但是还存在边缘泄露,分割不够准确。
(3)将形状模板集与初始分割轮廓进行配准后,再进行核主成分分析,通过统计模型获得先验形状信息;形状模板集为选取30张不同人的同一位置的腹部横断面核磁图像、由专家手工分割出的肝脏组织;不同的模板之间不存在刚性的位置变换和旋转缩放的联系;先验形状信息,通过以下步骤得到:
(301)通过以下公式将形状模板集与初始分割轮廓进行配准:
Ej=(Xi-M(sj,θj)[Xj]-tj)TW(Xi-M(sj,θj)[Xj]-tj)
其中,Xi为其中一个形状模板,现从模板集中取任意模板Xj,经过平移tj,放大、旋转M(sj,θj)[Xj]计算,然后使得目标误差评价函数Ej达到最小值,即为最终配准结果,其Ej计算是通过最小二乘优化算法得到,W为加权矩阵,M(sj,θj)为放大和旋转矩阵;
(302)利用以下公式进行核主成分分析计算得到先验形状信息:
其中,图像空间S中的样本集{x
1,K,x
N},这些形状模板均为二值图像,用0和1来表示目标轮廓的形状信息,并将模板数据用列向量表示;将图像数据训练集X通过非线性映射φ映射到高维空间,通过KPCA提取特征后形成了一个高维的特征空间F;给定一个样本x,在高维空间F的映射为φ(x),并计算出高维特征空间F上的投影Pφ(x),其逆映射为
,即为所求的先验形状信息;
β为高维空间F的映射φ(x)在每个成分上的投影,
为特征向量,c=[11Κ1]
T是N×1维的单位向量。
配准后的统计形状轮廓如图5中(a)所示,虚线为模板集的轮廓,实线为腐蚀操作后的初始分割轮廓;肝脏经KPCA训练后得到的先验形状信息的结果如图6中(a)所示,即为先验的形状模板;
(4)在核磁图像分割模型的能量函数的数据项上结合所述先验形状信息,建立能量函数;
所述步骤(4)包括以下步骤:
(401)令数据项表示为像素归属目标和背景的惩罚程度,用Pp(O),Pp(B)分别表示在像素p处,形状信息在数据项上属于前景和背景的惩罚,得到新的数据项,如下所示:
Rp(O)=(1-η)·JK(Ip,μO)+η·Pp(O)
Rp(B)=(1-η)·JK(Ip,μB)+η·Pp(B)
其中,η为介于0和1之间的权重系数,由于逆映射值
也是介于0和1之间的数,因此可直接用
的值来表示P
p(O),则(1-P
p(O))即为P
p(B)的值;J
K(I
p,μ
O)和J
K(I
p,μ
B)分别代表核图割模型将图像数据空间I映射到高维的核空间J后替代原图切割模型的数据项。
(402)平滑项沿用核磁图像分割算法原来的项,其能量函数为:
其中,μl是无监督多参数的图割算法中的参数,可由K均值聚类算法产生。δ是每个像素点标号为前景或背景的惩罚。l∈L是要分割区域的标号,L为总的区域数。p∈Rl为属于某个分割区域的像素点。r(δ(p),δ(q))是领域D内的平滑项。JK(Ip,μO)和JK(Ip,μB)分别代表核图割模型将图像数据空间I映射到高维的核空间J后替代原图切割模型的数据项。
令l只能为O或B,即只能为前景或背景,多区域的kernel graph cuts转化为二值分割。
(5)运用kernel Graph cuts算法,在所述初始分割轮廓进行分割,得到目标轮廓,结果如图7中(a)所示;从图7中(a)可以看出,经本方法分割得到的肝脏核磁图像能够准确分割出肝脏的边界,分割结果准确。
用于所述的腹部软组织核磁图像分割的方法的腹部软组织核磁图像分割系统,包括以下部分:
预分割模块:在待分割区域选择一个种子点,种子点为手动选择,主要在分割区域内部选择,采用区域增长算法(region growing)以所选择的种子点为初始点执行区域增长,在所述待分割的区域进行预分割,得到预分割区域;
膨胀腐蚀模块:用于采用形态学算子对所述预分割区域进行膨胀和腐蚀操作,在预分割区域内外形成一个初始分割轮廓;
KPCA训练模块:用于将形状模板集与初始分割轮廓进行配准后,再进行核主成分分析,通过统计模型获得先验形状信息;
能量函数模块:用于在核磁图像分割模型的能量函数的数据项上结合所述先验形状信息,建立能量函数;
kernel Graph cuts分割模块:运用kernel Graph cuts算法,在所述初始分割轮廓进行分割而得到目标轮廓;
所述预分割模块与膨胀腐蚀模块连接,能量函数模块分别与膨胀腐蚀模块、KPCA训练模块、kernel Graph cuts分割模块连接。
实施例2
运用腹部软组织核磁图像分割的方法分割肾脏组织的方法,包括以下步骤:
(1)在肾脏内部选择一个种子点,种子点为手动选择,主要在分割区域内部选择,采用区域增长算法以所选择的种子点为初始点执行区域增长,在肾脏内部进行预分割,得到预分割区域;待分割的肾脏核磁图像如图2中(b)所示,其预分割结果如图3中(b)和(c)所示;从图3中(b)和(c)可以看出,肾脏内部存在很多孤立的区域没有被分割出来。
(2)采用形态学算子对所述预分割区域进行膨胀和腐蚀操作,在预分割区域内外形成一个初始分割轮廓;膨胀操作和腐蚀操作均采用相同大小的结构元素模板;结果如图4中(b)和(c)所示;从图4中(b)和(c)可以看出,经形态学算子处理后得到的分割轮廓比较接近真实的肾脏轮廓了,但是还存在边缘泄露,分割不够准确。
(3)将形状模板集与初始分割轮廓进行配准后,再进行核主成分分析,通过统计模型获得先验形状信息;形状模板集为选取30张不同人的同一位置的腹部横断面核磁图像、由专家手工分割出的肾脏组织;不同的模板之间不存在刚性的位置变换和旋转缩放的联系;先验形状信息,通过以下步骤得到:
(301)通过以下公式将形状模板集与初始分割轮廓进行配准:
Ej=(Xi-M(sj,θj)[Xj]-tj)TW(Xi-M(sj,θj)[Xj]-tj)
其中,Xi为其中一个形状模板,现从模板集中取任意模板Xj,经过平移tj,放大、旋转M(sj,θj)[Xj]计算,然后使得目标误差评价函数Ej达到最小值,即为最终配准结果,其Ej计算是通过最小二乘优化算法得到,W为加权矩阵,M(sj,θj)为放大和旋转矩阵;
(302)利用以下公式进行核主成分分析计算得到先验形状信息:
其中,图像空间S中的样本集{x
1,K,x
N},这些形状模板均为二值图像,用0和1来表示目标轮廓的形状信息,并将模板数据用列向量表示;将图像数据训练集X通过非线性映射φ映射到高维空间,通过KPCA提取特征后形成了一个高维的特征空间F;给定一个样本x,在高维空间F的映射为φ(x),并计算出高维特征空间F上的投影Pφ(x),其逆映射为
,即为所求的先验形状信息;
β为高维空间F的映射φ(x)在每个成分上的投影,
为特征向量,c=[11Κ1]
T是N×1维的单位向量。
配准后的统计形状轮廓如图5中(b)和(c)所示,虚线为模板集的轮廓,实线为腐蚀操作后的初始分割轮廓;肾脏经KPCA训练后得到的先验形状信息的结果如图6中(b)和(c)所示,即为先验的形状模板;
(4)在核磁图像分割模型的能量函数的数据项上结合所述先验形状信息,建立能量函数;
所述步骤(4)包括以下步骤:
(401)令数据项表示为像素归属目标和背景的惩罚程度,用Pp(O),Pp(B)分别表示在像素p处,形状信息在数据项上属于前景和背景的惩罚,得到新的数据项,如下所示:
Rp(O)=(1-η)·JK(Ip,μO)+η·Pp(O)
Rp(B)=(1-η)·JK(Ip,μB)+η·Pp(B)
其中,η为介于0和1之间的权重系数,由于逆映射值
也是介于0和1之间的数,因此可直接用
的值来表示P
p(O),则(1-P
p(O))即为P
p(B)的值;J
K(I
p,μ
O)和J
K(I
p,μ
B)分别代表核图割模型将图像数据空间I映射到高维的核空间J后替代原图切割模型的数据项。
(402)平滑项沿用核磁图像分割算法原来的项,其能量函数为:
其中,μl是无监督多参数的图割算法中的参数,可由K均值聚类算法产生。δ是每个像素点标号为前景或背景的惩罚。l∈L是要分割区域的标号,L为总的区域数。p∈Rl为属于某个分割区域的像素点。r(δ(p),δ(q))是领域D内的平滑项。JK(Ip,μO)和JK(Ip,μB)分别代表核图割模型将图像数据空间I映射到高维的核空间J后替代原图切割模型的数据项。令l只能为O或B,即只能为前景或背景,多区域的kernel graph cuts转化为二值分割。
(5)运用kernel Graph cuts算法,在所述初始分割轮廓进行分割,得到目标轮廓,结果如图7中(b)和(c)所示;从图7中(b)和(c)可以看出,经本方法分割得到的肾脏核磁图像能够准确分割出肾脏的边界,分割结果准确。
对比实施例
将形态学分割算法、正则化水平集分割算法(DRLSE)和图割算法(KGC)与本发明用到的分割方法比较,结果如图8所示;从图8中可以看出,没有加入KPCA先验形状信息,在膨胀操作后的轮廓内执行KGC算法的分割结果不能准确分割出肝脏的边界,产生了许多的误分割,本发明方法分割得到的轮廓比较准确。
为了更加客观评价本文分割方法效果,本发明采用概率边缘指数(probabilistic rand index,PRI)和变化信息(variation of information,VI)来定量的度量分割效果。PRI是用来检验实际分割结果和参考分割结果之间属性共生一致性的度量,PRI值越大,说明实际分割结果与参考结果之间的属性共生一致性越好。VI是利用参考分割结果的熵、实际分割结果的熵、参考分割结果与实际分割结果之间的联合熵3个分量来衡量实际分割结果相对参考分割结果的信息变化,VI值越小,说明实际分割结果相对参考分割结果信息变化越少,实际分割结果越接近参考分割结果。本发明所用的参考分割结果是经过专家分割后的肝脏核磁图像。表1中的四种分割算法分别对应图8中的四种分割结果,从表1中的数据可以看出,比较四种分割算法对肝脏和肾脏的分割结果,本发明所提出的分割方法的PRI值最大,VI值最小,分割效果最好。
表1各种分割算法对肝脏和肾脏分割后PRI和VI值
需要指出的是,在所有形状模板进行KPCA训练之前,必须保证和待分割的图像是已经配准好的,而且形状模板之间没有刚性的变换和旋转缩放的联系,这样才能确保训练出的先验数据能正确引导分割算法的执行。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。