CN103473768A - 一种腹部软组织核磁图像分割的方法和装置 - Google Patents

Abstract

本发明公开了一种腹部软组织核磁图像分割的方法和装置。该方法包括：在目标轮廓附近初始化一个初始轮廓；采用形态学算子对所述初始轮廓进行膨胀和腐蚀操作，在待分割的所述目标轮廓内外形成一个带状闭合区域；对采集到的形状模板进行KPCA训练，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，在所述带状闭合区域进行分割而得到目标轮廓。本发明无需用户的交互即能实现半自动分割，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。

Description

一种腹部软组织核磁图像分割的方法和装置

技术领域

本发明涉及腹部核磁图像的器官组织分割算法领域，尤其涉及一种腹部软组织核磁图像分割的方法和装置。

背景技术

磁共振成像（magnetic resonance imaging，MRI）是利用射频（radio frequency，RF）电磁波对置于磁场中的含有自旋不为零的原子核的物质进行激发，发生核磁共振（nuclear magnetic resonance，NMR），用感应线圈采集磁共振信号，按一定数学方法进行处理而建立的一种数字图像。核磁共振信号强度与样品中氢核密度有关，人体2/3的重量为水分，不同组织还有水分子比例不同，则NMR信号强度也有差异，根据这个差异作为特征量来区分不同组织器官。MRI不仅能够提供软组织高对比度、高分辨率的图像，还可以得到任意层面断层，从而获得三维空间的虚拟人体；而且由于MRI不使用对人体有害的X射线和易引起过敏反应的造影剂，因此对人体没有损害，已经逐渐成为术前采集图像的主流成像设备。

由于核磁图像大部分存在噪声大、组织间边界模糊或缺失、灰度不均匀等特点，要分割出精确的组织边界很难。对于腹部的核磁图像，由于腹部器官大多是软组织，不同器官组织之间的灰度变化不大，个体之间脏器的形状差异加上呼吸运动和器官的蠕动等因素影响，存在非线性的形变，所以分割任务显得更加困难。

基于图割（Graph cuts）的分割技术将图像映射为网络图，把图像分割问题转化为对图的不同操作，利用最大流/最小切割定理，通过对网络图最小割的求解，实现对图像的分割。Boykov对Graph cuts算法作了详细的描述，并将其扩展到N维图像的分割中。Graph cuts算法多项式时间内的计算复杂度，可以快速有效的计算出能量函数的全局最小割。Graph cuts算法计算效率高，数学理论完备等优势，使其成为一种日益流行的新兴的分割工具。但是在Graph cuts算法分割执行之前需要手动选择前景/背景种子点，这个局限性影响了其应用范围。Boykov的文献提出了一种全自动的Graph cuts算法，利用K均值聚类算法产生Graph cuts需要的数据项的参数，然后通过核函数将其映射到高维核空间，再用Graph cuts算法来分割图像。该算法抗噪效果很好，能多区域无监督地分割图像，是一种通用型全自动分割算法。但是在核磁图像中往往不同的器官组织具有相似的灰度特性，全自动的仅仅依靠灰度信息来分割图像，很难区分出单独的目标组织，致使分割结果不能达到临床要求。Xu等人提出了基于活动轮廓的图割算法（Graph cuts based active contours）。该算法在目标边界附近给定一条初始轮廓线，采用形态学膨胀腐蚀操作得到一个环状区域，并以环状区域为界，内边界的所有像素点为源点，外边界对应图的汇点，运用多源多汇最小割原理把多源多汇最小割问题转化为单源单汇最小割问题。这样能针对图像中的感兴趣的区域分割目标对象，弥补了图割算法全局优化分割时的不足。当分割对象为核磁图像中的器官组织时，往往单纯依靠图像灰度信息的图割算法不能准确的分割出组织边界，因为核磁图像的边界有时很模糊，会出现边界泄露和大量的误分割，采用统计先验形状信息能很好的克服这个缺点。Malcolm等介绍了一种将基于核主成分分析（KPCA）的先验形状信息融入图割算法的分割模型。该模型能将图像中的多个相似目标中的某个特定的目标独立的分割出来，而不会产生干扰，在有遮挡情况下也不会发生边界泄露和误分割的现象，鲁棒性得到了很大的提高。和PCA相比，KPCA是一种非线性的方法，能提取数据的非线性特征，以及高阶的统计信息。应用该模型能分割出复杂的或有非线性形变的目标。

用KGC方法直接分割核磁图像时，也分割出了其他器官的边界，器官内部的血管也对分割结果产生了一定的影响，存在许多误分割，并不能得到完整的组织器官边界。加入了初始轮廓后，将分割限定在一定的区域范围之内，但是由于噪声和弱边界的影响，分割得到的结果并不理想。KPCA方法训练出的形状先验知识不但能处理一般的形变，而且对非线性的形变也能起到较好的效果，加入KPCA后分割的效果已然很好的逼近了真实的边界。除此之外，在核磁图像中人为的加入大量的噪声，甚至是边界缺失或存在遮挡物的情况下也能正确引导分割算法，得到准确的结果。

目前大多数图像分割算法，主要基于图像底层的知识，如图像的梯度、灰度信息等。一些经典的图像分割方法，如大津阈值法、聚类法、边缘检测法、区域增长法等。跟普通的分割算法相比，核磁图像分割算法需要更多的背景知识。核磁图像分割作为核磁图像分析处理的第一步，其分割结果的好坏关系到医生对疾病的诊断和治疗，当作为图像配准的依据时，更是尤为重要。核磁图像具有边界模糊、灰度分布不均匀、噪声大等特点，使得分割特定组织变得十分困难，因此应用各种高级和智能化的算法分割核磁图像成为当前研究的热点。

由于腹部的核磁图像软组织较多，不同组织间灰度信息十分相似，加上呼吸运动和脏器的蠕动等因素，形状变化复杂，因此分割难度大。腹部核磁图像的信息不仅从其灰度和表面中提取，而且，还与成像设备和医生的专业知识有关。掌握对人体组织的先验知识是设计有效算法的关键，并且对于不同的人或不同的位置，器官组织的大小和结构都不同，这就需要更加鲁棒和有效的分割算法。

申请号为201210123996的专利提出了一种软组织核磁图像自适应外力水平集自动分割及实现方法，但是需要人工交互选择初始轮廓，迭代执行使得算法计算效率不高，应用起来具有一定的局限性。

发明内容

针对现有的图像算法仅仅依靠图像的灰度信息来分割，不能得到理想的结果，而且医学图像的复杂性和不同组织间灰度变化不大的特性使得单独分割出某一特定组织变得十分的困难，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，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。

为达到上述目的，本发明解决其技术问题所采用的技术方案是，所述的一种腹部软组织核磁图像分割的方法，包括以下步骤：

（1）在目标轮廓附近初始化一个初始轮廓，所述初始轮廓为采集到的形状模板中的任意一个模板轮廓；

（2）采用形态学算子对所述初始轮廓进行膨胀和腐蚀操作，在待分割的所述目标轮廓内外形成一个带状闭合区域；

（3）对所述采集到的形状模板进行KPCA训练，通过统计模型获得先验形状信息；

优选的，所述采集到的形状模板为配准好的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。

具体的，所述步骤（3）中的先验形状信息，通过以下公式计算得到：

$\hat{x}=\frac{{\mathrm{\Σ}}_{i=1}^N{\widetilde{\mathrm{\γ}}}_i\left(\frac{1}{2}(2-{\left|\right|\mathrm{\φ}\left(x_i\right)-\mathrm{P\φ}\left(x\right)\left|\right|}^2)\right)x_i}{{\mathrm{\Σ}}_{i=1}^N{\widetilde{\mathrm{\γ}}}_i\left(\frac{1}{2}(2-{\left|\right|\mathrm{\φ}\left(x_i\right)-\mathrm{P\φ}\left(x\right)\left|\right|}^2)\right)}$

其中，φ(x)为给定点x在高维空间的映射，Pφ(x)为高维特征空间上的投影，S为图像空间，用来形成先验的形状信息，通过特征空间中非线性距离的一系列凸组合来近似估计。

（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；

具体的，所述步骤（4）还包括以下步骤：

（401）令数据项表示为像素归属目标和背景的惩罚程度，用P_p(O)，P_p(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：

R_p(O)＝(1-η)·J_K(I_p,μ_O)+η·P_p(O)

R_p(B)＝(1-η)·J_K(I_p,μ_B)+η·P_p(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；

（402）平滑项沿用核磁图像分割算法原来的项，其能量函数为：

$F_{\mathrm{\κ}}\left(\right\{{\mathrm{\μ}}_l\},\mathrm{\λ})=\underset{l\∈L}{\mathrm{\Σ}}\underset{p\∈R_l}{\mathrm{\Σ}}((1-\mathrm{\η})\·J_K(I_p,{\mathrm{\μ}}_l)+\mathrm{\η}\·R_p\left(l\right))+\mathrm{\α}\underset{\{p,q\}\∈N}{\mathrm{\Σ}}r(\mathrm{\λ}\left(p\right),\mathrm{\λ}\left(q\right))$

其中，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，在所述带状闭合区域进行分割，得到目标轮廓。

本发明的另一目的在于提供一种腹部软组织核磁图像分割的装置，包括：

初始化模块，用于在目标轮廓附近初始化一个初始轮廓，所述初始轮廓为采集到的形状模板中的任意一个模板轮廓；

膨胀腐蚀模块，用于采用形态学算子对所述初始轮廓进行膨胀腐蚀操作，在待分割的所述目标轮廓内外形成一个带状闭合区域；

KPCA训练模块：用于对所述采集到的形状模板进行KPCA训练，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，在所述带状闭合区域进行分割而得到目标轮廓；

所述初始化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。

与现有的核磁图像分割方法相比，本发明实施例具有如下优点：

1、算法实现简单，无需用户的交互即能实现自动分割，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；

2、提高了算法的鲁棒性，使得分割结果更加精确。

附图说明

图1是本发明实施例提供的一种腹部软组织核磁图像分割的方法流程图；

图2是本发明实施例提供的一种腹部软组织核磁图像分割装置的结构图；

图3是本发明实施例提供的训练模板图，其中上为肾脏的训练模板图，下为肝脏的训练模板图；

图4是本发明实施例提供的KPCA训练后得到的逆映射形状信息图，其中左为肝脏的逆映射形状信息图，右为肾脏的逆映射形状信息图；

图5是本发明实施例提供的膨胀腐蚀操作后，得到的逆映射形状信息图，其中左为肝脏的逆映射形状信息图，右为肾脏的逆映射形状信息图；

图6是本发明实施例提供的没有加入先验形状信息的KGC分割结果图，其中左为肝脏图，右为肾脏图；

图7是本发明实施例提供的带状区域分割后的结果图，其中左为肝脏图，右为肾脏图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例的目的之一，是提供一种腹部软组织核磁图像分割的方法，用于提高核磁图像分割算法的鲁棒性，使得分割结果更加精确。为达到上述目的，所述的腹部软组织核磁图像分割的方法，如图1所示，包括以下步骤：

对待分割腹部核磁图像S01，执行步骤S02：在目标轮廓附近初始化一个初始轮廓，所述初始轮廓为采集到的形状模板中的任意一个模板轮廓；

具体的，初始轮廓直接用形状模板中的任意一个模板轮廓，采用形态学的膨胀和腐蚀操作形成一个带状闭合区域，并且包含目标轮廓，然后分割执行时只需要对带状区域的图像数据执行分割算法。

具体的，肝脏和肾脏训练模板如图3所示，从原来的30张模板中选取了5张。

执行步骤S03，采用形态学算子对所述初始轮廓进行膨胀和腐蚀操作，在待分割的所述目标轮廓内外形成一个带状闭合区域S04；

具体的，如图5所示，在训练模板中找一个模板，其形状轮廓作为初始的轮廓，然后进行适当的膨胀和腐蚀操作，使得膨胀后的轮廓和腐蚀后的轮廓之间形成的带状区域包含目标轮廓，此区域即为待分割的图像区域。

执行步骤S13，对所述采集到的形状模板进行KPCA训练，通过统计模型获得先验形状信息S14；

具体的，待分割的核磁图像中的肝脏组织在医学上有一个大概的形状，但是由于病人的不同和设置参数的差异等原因，加上呼吸运动和脏器的蠕动等因素，形状变化复杂，因此需要对采集到的一系列的形状模板S12采用KPCA训练，通过统计模型获得形状先验信息。

具体的，如图4所示，为KPCA训练后得到的逆映射先验形状信息。

如图6所示为没有加入先验形状信息的KGC分割结果图。

从图4和图6的比较中我们可以看出，没有加入KPCA先验形状信息的分割结果不能准确分割出肝脏和肾脏的边界，产生了许多的误分割。实验结果显示本申请的方法分割的肝脏和肾脏轮廓相比较下得到了比较准确的结果。

为了更加客观评价本文分割算法效果，本发明实施例采用概率边缘指数(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、实际分割结果的熵和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。本文所用的参考分割结果是经过专家分割后的肝脏核磁图像。将经典的k-means和region growing分割算法也做了相关实验，用来和本文用到的分割算法比较。从表1中的数据可以看出，比较四种分割算法对肝脏的分割结果，本文所提出的分割方法的PRI值最大，VI值最小，是其中分割效果最好的算法。

表1分别采用KGC、KGC+KPCA分割算法对肝脏分割后PRI和VI值

所述采集到的形状模板为配准好的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。

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。

具体的，所述步骤（3）中的先验形状信息，通过以下公式计算得到：

$\hat{x}=\frac{{\mathrm{\Σ}}_{i=1}^N{\widetilde{\mathrm{\γ}}}_i\left(\frac{1}{2}(2-{\left|\right|\mathrm{\φ}\left(x_i\right)-\mathrm{P\φ}\left(x\right)\left|\right|}^2)\right)x_i}{{\mathrm{\Σ}}_{i=1}^N{\widetilde{\mathrm{\γ}}}_i\left(\frac{1}{2}(2-{\left|\right|\mathrm{\φ}\left(x_i\right)-\mathrm{P\φ}\left(x\right)\left|\right|}^2)\right)}$

其中，φ(x)为给定点x在高维空间的映射，Pφ(x)为高维特征空间上的投影，S为图像空间，

用来形成先验的形状信息，

通过特征空间中非线性距离的一系列凸组合来近似估计。

执行步骤S05，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；

具体的，所述步骤（4）还包括以下步骤：

（401）令数据项表示为像素归属目标和背景的惩罚程度，用P_p(O)，P_p(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：

R_p(O)＝(1-η)·J_K(I_p,μ_O)+η·P_p(O)

R_p(B)＝(1-η)·J_K(I_p,μ_B)+η·P_p(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；

（402）平滑项沿用核磁图像分割算法原来的项，其能量函数为：

$F_{\mathrm{\κ}}\left(\right\{{\mathrm{\μ}}_l\},\mathrm{\λ})=\underset{l\∈L}{\mathrm{\Σ}}\underset{p\∈R_l}{\mathrm{\Σ}}((1-\mathrm{\η})\·J_K(I_p,{\mathrm{\μ}}_l)+\mathrm{\η}\·R_p\left(l\right))+\mathrm{\α}\underset{\{p,q\}\∈N}{\mathrm{\Σ}}r(\mathrm{\λ}\left(p\right),\mathrm{\λ}\left(q\right))$

其中，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。

执行步骤S06：运用kernel Graph cuts算法，在所述带状闭合区域进行分割，得到目标轮廓。

本发明的另一目的在于提供一种腹部软组织核磁图像分割的装置，包括：

S002：初始化模块，用于在目标轮廓附近初始化一个初始轮廓，所述初始轮廓为采集到的形状模板中的任意一个模板轮廓；

具体的，所述采集到的形状模板为配准好的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。

S003：膨胀腐蚀模块，用于采用形态学算子对所述初始轮廓进行膨胀腐蚀操作，在待分割的所述目标轮廓内外形成一个带状闭合区域；

S013：KPCA训练模块：用于对所述采集到的形状模板进行KPCA训练，通过统计模型获得先验形状信息；

具体的，所述KPCA训练模块中的先验形状信息，通过以下公式计算得到：

$\hat{x}=\frac{{\mathrm{\Σ}}_{i=1}^N{\widetilde{\mathrm{\γ}}}_i\left(\frac{1}{2}(2-{\left|\right|\mathrm{\φ}\left(x_i\right)-\mathrm{P\φ}\left(x\right)\left|\right|}^2)\right)x_i}{{\mathrm{\Σ}}_{i=1}^N{\widetilde{\mathrm{\γ}}}_i\left(\frac{1}{2}(2-{\left|\right|\mathrm{\φ}\left(x_i\right)-\mathrm{P\φ}\left(x\right)\left|\right|}^2)\right)}$

其中，φ(x)为给定点x在高维空间的映射，Pφ(x)为高维特征空间上的投影，S为图像空间，

用来形成先验的形状信息，

通过特征空间中非线性距离的一系列凸组合来近似估计。

S005：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；

具体的所述能量函数模块中的能量函数，通过以下步骤建立：

令数据项表示为像素归属目标和背景的惩罚程度，用P_p(O)，P_p(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：

R_p(O)＝(1-η)·J_K(I_p,μ_O)+η·P_p(O)

R_p(B)＝(1-η)·J_K(I_p,μ_B)+η·P_p(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；

平滑项沿用核磁图像分割算法原来的项，其能量函数为： $F_{\mathrm{\κ}}\left(\right\{{\mathrm{\μ}}_l\},\mathrm{\λ})=\underset{l\∈L}{\mathrm{\Σ}}\underset{p\∈R_l}{\mathrm{\Σ}}((1-\mathrm{\η})\·J_K(I_p,{\mathrm{\μ}}_l)+\mathrm{\η}\·R_p\left(l\right))+\mathrm{\α}\underset{\{p,q\}\∈N}{\mathrm{\Σ}}r(\mathrm{\λ}\left(p\right),\mathrm{\λ}\left(q\right))$

其中，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。

S006：kernel Graph cuts分割模块：运用kernel Graph cuts算法，在所述带状闭合区域进行分割而得到目标轮廓；

所述初始化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。

本领域技术人员可以理解实施例中的系统中的模块可以按照实施例描述分布于实施例的系统中，也可以进行相应变化位于不同于本实施例的一个或多个系统中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台终端设备（可以是手机，个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。

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。

Claims (5)

1.一种腹部软组织核磁图像分割的方法，其特征在于，包括以下步骤：

（1）在目标轮廓附近初始化一个初始轮廓，所述初始轮廓为采集到的形状模板中的任意一个模板轮廓；

（2）采用形态学算子对所述初始轮廓进行膨胀和腐蚀操作，在待分割的所述目标轮廓内外形成一个带状闭合区域；

（3）对所述采集到的形状模板进行KPCA训练，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，在所述带状闭合区域进行分割，得到目标轮廓。

2.如权利要求1所述的腹部软组织核磁图像分割的方法，其特征在于，所述步骤（3）中的先验形状信息，通过以下公式计算得到：

$\hat{x}=\frac{{\mathrm{\Σ}}_{i=1}^N{\widetilde{\mathrm{\γ}}}_i\left(\frac{1}{2}(2-{\left|\right|\mathrm{\φ}\left(x_i\right)-\mathrm{P\φ}\left(x\right)\left|\right|}^2)\right)x_i}{{\mathrm{\Σ}}_{i=1}^N{\widetilde{\mathrm{\γ}}}_i\left(\frac{1}{2}(2-{\left|\right|\mathrm{\φ}\left(x_i\right)-\mathrm{P\φ}\left(x\right)\left|\right|}^2)\right)}$

其中，φ(x)为给定点x在高维空间的映射，Pφ(x)为高维特征空间上的投影，S为图像空间，

用来形成先验的形状信息，

通过特征空间中非线性距离的一系列凸组合来近似估计。

3.如权利要求1或2所述的腹部软组织核磁图像分割的方法，其特征在于，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P_p(O)，P_p(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：

R_p(O)＝(1-η)·J_K(I_p,μ_O)+η·P_p(O)

R_p(B)＝(1-η)·J_K(I_p,μ_B)+η·P_p(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；

（402）平滑项沿用核磁图像分割算法原来的项，其能量函数为：

$F_{\mathrm{\κ}}\left(\right\{{\mathrm{\μ}}_l\},\mathrm{\λ})=\underset{l\∈L}{\mathrm{\Σ}}\underset{p\∈R_l}{\mathrm{\Σ}}((1-\mathrm{\η})\·J_K(I_p,{\mathrm{\μ}}_l)+\mathrm{\η}\·R_p\left(l\right))+\mathrm{\α}\underset{\{p,q\}\∈N}{\mathrm{\Σ}}r(\mathrm{\λ}\left(p\right),\mathrm{\λ}\left(q\right))$

其中，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。

4.如权利要求1或2所述的腹部软组织核磁图像分割的方法，其特征在于，所述采集到的形状模板为配准好的、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。

5.一种用于权利要求1-4任一项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装置，其特征在于，包括以下部分：

初始化模块，用于在目标轮廓附近初始化一个初始轮廓，所述初始轮廓为采集到的形状模板中的任意一个模板轮廓；

膨胀腐蚀模块，用于采用形态学算子对所述初始轮廓进行膨胀腐蚀操作，在待分割的所述目标轮廓内外形成一个带状闭合区域；

KPCA训练模块：用于对所述采集到的形状模板进行KPCA训练，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，在所述带状闭合区域进行分割而得到目标轮廓；

所述初始化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。

Images