CN103606148A - 一种磁共振脊柱影像混合分割方法和装置 - Google Patents

Abstract

本发明公开了一种磁共振脊柱影像混合分割方法和装置，以快速实现对MR脊柱影像中脊柱的准确分割。所述方法包括：通过对脊柱初始轮廓已定位的脊柱影像进行重采样，构造脊柱的多阶金字塔图像；针对脊柱的多阶金字塔图像中每一阶金字塔图像，通过特征点的提取标定脊柱影像中待分割椎体；采用混合分割模型对标定的脊柱影像中待分割椎体进行分割，得到待分割椎体的图像。一方面，本发明不仅可以实现对MR脊柱影像中脊柱的准确分割，而且降低了分割所消耗的时间，另一方面，采用混合分割模型对标定的脊柱影像中待分割椎体进行分割，使得分割的目标最大程度地保留了原始信息，获得较高的图像质量。

Description

一种磁共振脊柱影像混合分割方法和装置

技术领域

本发明涉及医学图像处理领域，具体涉及一种磁共振脊柱影像混合分割方法和装置。

背景技术

通过磁共振（Magnetic Resonance，MR）得到的脊柱影像，其中丰富的医学信息可为临床疾病的诊断提供准确可靠的依据，因此，准确快速的脊柱分割在临床脊柱疾病的定性定量分析中具有重大意义。然而，手动分割脊柱的方法因其费时费力，并且可重复性和一致性较低而不被广泛使用，从而，自动分割方法渐渐成为业界研究的热点。

现有的一种分割脊柱方法是主动外观模型（Active Appearance Model，AAM）分割算法。所谓AAM分割算法，是采用一条由n个控制点组成的连续闭合曲线作为snake模型，能量函数作为匹配度的评价函数，具体地，首先将模型设定在目标对象预估位置的周围，再通过不断迭代使能量函数最小化，当内外能量达到平衡时即得到目标对象的边界与特征。

现有的另一种分割脊柱方法是主动形状模型（Active Shape Model，ASM）分割算法。所谓ASM分割算法，是指利用参数化的采样形状来构成对象形状模型，并利用基本元素分析（Principal Component Analysis，PCA）方法建立描述形状特征点的运动模型，再利用一组参数来控制形状特征点的位置变化，从而获得当前对象的形状。

虽然，AAM分割算法和ASM分割算法在医学图像分割的应用中可以较大程度地保留图像的原始信息，但两种分割算法均存在各自的劣势。例如，AAM分割算法相对于ASM分割算法而言，速度较慢且对待分割物体定位不准，而ASM分割算法在脊椎椎体的分割过程中对待分割物体的轮廓勾画存在一定的困难。

发明内容

本发明实施例提供一种磁共振脊柱影像混合分割方法和装置，以快速实现对MR脊柱影像中脊柱的准确分割。

本发明实施例提供一种磁共振脊柱影像混合分割方法，所述方法包括：

通过对脊柱初始轮廓已定位的脊柱影像进行重采样，构造脊柱的多阶金字塔图像；

针对所述脊柱的多阶金字塔图像中每一阶金字塔图像，通过特征点的提取标定所述脊柱影像中待分割椎体；

采用混合分割模型对所述标定的脊柱影像中待分割椎体进行分割，得到所述待分割椎体的图像。

本发明另一实施例提供一种磁共振脊柱影像混合分割装置，所述装置包括：

金字塔图像构造模块，用于通过对脊柱初始轮廓已定位的脊柱影像进行重采样，构造脊柱的多阶金字塔图像；

标定模块，用于针对所述脊柱的多阶金字塔图像中每一阶金字塔图像，通过特征点的提取标定所述脊柱影像中待分割椎体；

分割模块，用于采用混合分割模型对所述标定的脊柱影像中待分割椎体进行分割，得到所述待分割椎体的图像。

从上述本发明实施例可知，一方面，由于是通过对脊柱初始轮廓已定位的脊柱影像进行重采样，构造脊柱的多阶金字塔图像，因此建立了由粗到细的分割策略的基础，按照此分割策略，不仅可以实现对MR脊柱影像中脊柱的准确分割，而且降低了分割所消耗的时间，提高了方法的执行效率，另一方面，由于椎体所在区域的像素所携带的灰度信息和纹理信息非常丰富、重要，而混合分割模型有机结合了外观模型和纹理模型这两种模型各自的特点，因此，采用混合分割模型对标定的脊柱影像中待分割椎体进行分割，使得分割的目标最大程度地保留了原始信息，获得较高的图像质量。

附图说明

图1是本发明实施例提供的磁共振脊柱影像混合分割方法的基本流程示意图；

图2是本发明实施例提供的磁共振脊柱影像混合分割装置逻辑结构示意图；

图3是本发明另一实施例提供的磁共振脊柱影像混合分割装置逻辑结构示意图；

图4是本发明另一实施例提供的磁共振脊柱影像混合分割装置逻辑结构示意图；

图5是本发明另一实施例提供的磁共振脊柱影像混合分割装置逻辑结构示意图；

图6是本发明另一实施例提供的磁共振脊柱影像混合分割装置逻辑结构示意图。

具体实施方式

本发明实施例提供一种磁共振脊柱影像混合分割方法，包括：通过对脊柱初始轮廓已定位的脊柱影像进行重采样，构造脊柱的多阶金字塔图像；针对所述脊柱的多阶金字塔图像中每一阶金字塔图像，通过特征点的提取标定所述脊柱影像中待分割椎体；采用混合分割模型对所述标定的脊柱影像中待分割椎体进行分割，得到所述待分割椎体的图像。本发明实施例还提供相应的磁共振脊柱影像混合分割装置。以下分别进行详细说明。

本发明实施例的磁共振脊柱影像混合分割方法的基本流程可参考图1，主要包括如下步骤S101至步骤S103：

S101，通过对脊柱初始轮廓已定位的脊柱影像进行重采样，构造脊柱的多阶金字塔图像。

在本发明实施例中，脊柱初始轮廓的定位可以通过先构建训练集的统计平均外形，然后通过数据配准实现。具体地，通过ITK-SNAP交互式分割软件，构建训练集的统计平均外形。在本发明一个实施例中，训练集的统计平均外形可以通过采用1.5T的磁共振扫描仪，对25位正常人的脊椎MR数据进行扫描获得，其中，1.5T的磁共振扫描仪的脉冲序列重复时间为500ms，层厚为3mm，矩阵大小为512×512。在获得了训练集的统计平均外形后，可以依靠人工手动选取椎体的4个顶点，完成椎体的定位。最后，将该定位的椎体与训练集中的数据进行配准，进行初始轮廓的检测与提取。

在本发明实施例中，对脊柱初始轮廓已定位的脊柱影像进行重采样，构造脊柱的多阶金字塔图像可以是：通过多尺度局部梯度模型对脊柱初始轮廓已定位的脊柱影像进行重采样，构造脊柱的多阶金字塔图像。在本发明实施例中，脊柱的多阶金字塔图像可以是脊柱的三阶金字塔图像、五阶金字塔图像或七阶金字塔图像等更高阶金字塔图像。以三阶金字塔图像为例，第一阶金字塔图像为最低阶金字塔图像，第二阶金字塔图像为较高阶金字塔图像，第三阶金字塔图像为最高阶金字塔图像；五阶金字塔图像和七阶金字塔图像等更高阶金字塔图像的阶数与三阶金字塔图像的阶数定义类似。

具体地，作为本发明一个实施例，通过对脊柱初始轮廓已定位的脊柱影像进行重采样，构造脊柱的多阶金字塔图像包括：对最低阶金字塔图像进行重采样，使得所述最低阶金字塔图像对应的二维矩阵缩小为原二维矩阵的二分之一得到阶数相对较高的金字塔图像；对所述阶数相对较高的金字塔图像进行重采样，使得所述阶数相对较高的金字塔图像对应的二维矩阵缩小为原二维矩阵的二分之一得到阶数相对更高的金字塔图像。以三阶金字塔图像为例，脊柱初始轮廓已定位的脊柱影像为脊柱的多阶金字塔图像中最低阶金字塔图像即三阶金字塔图像中的第一阶金字塔图像，通过对脊柱初始轮廓已定位的脊柱影像进行重采样，构造脊柱的三阶金字塔图像可以是：对脊柱的最低阶金字塔图像进行重采样，使得所述脊柱的最低阶金字塔图像对应的二维矩阵缩小为原二维矩阵的二分之一得到第二阶金字塔图像；对所述第二阶金字塔图像进行重采样，使得所述第二阶金字塔图像对应的二维矩阵缩小为原二维矩阵的二分之一得到第三阶金字塔图像。

S102，针对脊柱的多阶金字塔图像中每一阶金字塔图像，通过特征点的提取标定所述脊柱影像中待分割椎体。

由于多阶金字塔图像中，其阶数越高，分辨率越低，而低分辨率图像中每一个像素所携带的灰度信息非常丰富，相邻像素之间图像灰度差异较大，可较准确地确定脊柱初始轮廓；进一步地，通过阶数逐渐降低、分辨率不断提升，可逐步实现对脊柱影像的精确分割。因此，在本发明实施例中，针对脊柱的多阶金字塔图像中每一阶金字塔图像，通过特征点的提取标定脊柱影像中待分割椎体可以是：从所述脊柱的多阶金字塔图像中的最高阶金字塔图像开始，针对所述脊柱的多阶金字塔图像中每一阶金字塔图像，通过特征点的提取标定所述脊柱影像中待分割椎体。S102的后续步骤也是从所述脊柱的多阶金字塔图像中的最高阶金字塔图像开始，最高阶金字塔图像处理完毕后，从所述脊柱的多阶金字塔图像中的次最高阶金字塔图像开始，直至所述脊柱的多阶金字塔图像中最低阶金字塔图像处理完毕。

作为本发明一个实施例，针对所述脊柱的多阶金字塔图像中每一阶金字塔图像，通过特征点的提取标定所述脊柱影像中待分割椎体，包括如下步骤S1021至步骤S1023：

S1021，将每一阶金字塔图像与统计平均外形或上一高阶金字塔图像的分割结果对齐。

在本发明实施例中，可以通过普式分析（调整参数p(s，θ，t)）将每一阶金字塔图像与训练集的统计平均外形或上一高阶金字塔图像的分割结果对齐。具体地，将最高阶金字塔图像P_T与所述统计平均外形对齐，将阶数低于所述最高阶金字塔图像P_T一阶的金字塔图像P₂与所述最高阶金字塔图像P_T的分割结果对齐，以及将阶数低于所述金字塔图像P₂一阶的金字塔图像与所述金字塔图像P₂的分割结果对齐。以多阶金字塔图像是三阶金字塔图像为例，通过普式分析（调整参数p(s，θ，t)）将每一阶金字塔图像与统计平均外形或上一高阶金字塔图像的分割结果对齐即：将第三阶金字塔图像与训练集的统计平均外形对齐，将第二阶金字塔图像与第三阶金字塔图像的分割结果对齐，以及将第一阶金字塔图像与第二阶金字塔图像的分割结果对齐。

在上述实施例中，所谓对齐，是指使每一阶金字塔图像与训练集的统计平均外形或上一高阶金字塔图像在外形上两者之间的ProerusteS距离最小。对齐操作可以用t(x，y，s，θ)参数表示，其中x、y、s和θ分别表示x方向的平移、y方向的平移、缩放和旋转尺寸。对齐可以通过以下1）、2）、3）和4）的操作来实现，即，1）计算图像中椎体的中心；2）对图像中椎体的外形进行缩放操作，以达到相同的尺寸；3）针对图像中经过缩放操作的椎体的外形，对齐这两个外形的重心；4）针对图像中经过缩放操作的椎体的外形，对齐这两个外形的转向。

S1022，通过对主分量的分析，将所述每一阶金字塔图像投影至子空间以将所述每一阶金字塔图像的维数降至r维。

在本发明实施例中，主分量满足

其中，d为所述每一阶金字塔图像的维数，其中，每一阶金字塔图像是d×d阶的矩阵，λ_k为每一阶金字塔图像协方差矩阵的特征值，α为[0.900，0.995]之间的任一数值，例如，α可以取为0.980。经过对每一阶金字塔图像的维数降低至r维的操作，得到新的样本新的样本矢量为：

其中，φ_X为X的协方差矩阵的特征向量构成的矩阵，b_X的不同值代表了不同的样本，b_X的维数为r。

S1023，采用预置的阈值λ_cut提取特征点标定待分割椎体的边缘。

阈值λ_cut为预先设置的值，可用于提取脊柱影像较为明显的特征点。在本发明实施例中，可以预置阈值λ_cut为0.003，共提取64个特征点。作为本发明一个实施例，可通过最小描述长度算法标定待分割椎体的边缘。

需要说明的是，每提取特征点、标定待分割椎体的边缘后判断F_MDL是否收敛，即，通过改变上述b_X的维数r的值，若由r相邻取值得到的两个F_MDL的差异小于0.01，则判断F_MDL收敛。若F_MDL不收敛，则重复上述步骤S1021至步骤S1023，直至F_MDL收敛或者迭代次数达到预设值，例如迭代次数达到30次，在本发明实施例中， $F_{\mathrm{MDL}}=\underset{k=1}{\overset{d}{\mathrm{\&Sigma;}}}{\mathrm{\&theta;}}_d,$ 其中， ${\mathrm{\&theta;}}_d=\left\{\begin{array}{cc}1+\frac{{\mathrm{\&lambda;}}_k}{{\mathrm{\&lambda;}}_{\mathrm{cut}}},& \frac{{\mathrm{\&lambda;}}_k}{{\mathrm{\&lambda;}}_{\mathrm{cut}}}\&GreaterEqual;1\\ \frac{{\mathrm{\&lambda;}}_k}{{\mathrm{\&lambda;}}_{\mathrm{cut}}},& \frac{{\mathrm{\&lambda;}}_k}{{\mathrm{\&lambda;}}_{\mathrm{cut}}}<1\end{array}\right..$

S103，采用混合分割模型对所述标定的脊柱影像中待分割椎体进行分割，得到待分割椎体的图像。

具体地，采用混合分割模型对所述标定的脊柱影像中待分割椎体进行分割，得到待分割椎体的图像包括如下步骤S1031至步骤S1033：

S1031，构建由外观模型S和纹理模型g表示的混合分割模型。

由于外观模型S和纹理模型g在分割图像时有其各自优点，因此，在本发明实施例中，可以首先构建由外观模型S和纹理模型g表示的混合分割模型，其中，外观模型S表示为

纹理模型g表示为

在上述两种模型的表示式中，为外观特征归一化后的平均外观向量，Q_s为外观模型的特征矩阵，

为外观模型S覆盖的区域的纹理特征归一化为g_s后的平均纹理向量，外观模型S覆盖的区域即前述实施例S1023中由特征点标定的待分割椎体的边缘围成的区域，Q_g为纹理模型的特征矩阵，c为混合分割模型的外观模型参数。

S1032，计算纹理特征的误差E_i，即E_i=|g_s-g_m|²，其中，g_m为混合分割模型的外观模型参数c更新之前根据得到的纹理模型。

S1033，将混合分割模型的外观模型参数c更新为c′-jδ_c后，根据步骤S1031和步骤S1032重新计算纹理特征的误差

需要说明的是，由于椎体的位置相对固定，因此无需对姿态参数进行调整即不进行姿态参数的迭代，只需要更新混合分割模型的外观模型参数c，如此进一步减少了分割算法耗费的时间。

将混合分割模型的外观模型参数c更新即c=c′-jδ_c，其中，c′为混合分割模型的外观模型参数c更新前的值，j为初始值为1的约束参数，δ_c为混合分割模型的外观模型参数c的变化值，δ_c=R_cδ_g，R_c为对外观模型S覆盖的区域包含的图像信息进行线性回归得到的参数，δ_g=g_s-g_m。经过步骤S1033，若

大于E_i，即混合分割模型的外观模型参数c更新后所得纹理特征的误差大于混合分割模型的外观模型参数c更新前所得纹理特征的误差，则通过更新约束参数j重复上述S1031至步骤S1033，直至混合分割模型的外观模型参数c更新后所得纹理特征的误差与混合分割模型的外观模型参数c更新前所得纹理特征的误差的绝对差值小于预设值例如10^-6，对本阶金字塔图像的分割才算完成。

在本发明实施例中，更新约束参数j的过程为使j=p×j₁，其中，p为缩放倍数，j₁为约束参数j每次被更新前的值，典型地，p可以取为0.5，。

从上述本发明实施例提供的磁共振脊柱影像混合分割方法可知，一方面，由于是通过对脊柱初始轮廓已定位的脊柱影像进行重采样，构造脊柱的多阶金字塔图像，因此建立了由粗到细的分割策略的基础，按照此分割策略，不仅可以实现对MR脊柱影像中脊柱的准确分割，而且降低了分割所消耗的时间，提高了方法的执行效率，另一方面，由于椎体所在区域的像素所携带的灰度信息和纹理信息非常丰富、重要，而混合分割模型有机结合了外观模型和纹理模型这两种模型各自的特点，因此，采用混合分割模型对标定的脊柱影像中待分割椎体进行分割，使得分割的目标最大程度地保留了原始信息，获得较高的图像质量。

下面对用于执行上述磁共振脊柱影像混合分割方法的本发明实施例的磁共振脊柱影像混合分割装置进行说明，其基本逻辑结构参考附图2。为了便于说明，附图2示例的磁共振脊柱影像混合分割装置仅仅示出了与本发明实施例相关的部分，主要包括金字塔图像构造模块201、标定模块202和分割模块203，各模块详细说明如下：

金字塔图像构造模块201，用于通过对脊柱初始轮廓已定位的脊柱影像进行重采样，构造脊柱的多阶金字塔图像。

在本实施例中，脊柱初始轮廓的定位可以通过先构建训练集的统计平均外形，然后通过数据配准实现。具体地，通过ITK-SNAP交互式分割软件，构建训练集的统计平均外形。在本发明一个实施例中，训练集的统计平均外形可以通过采用1.5T的磁共振扫描仪，对25位正常人的脊椎MR数据进行扫描获得，其中，1.5T的磁共振扫描仪的脉冲序列重复时间为500ms，层厚为3mm，矩阵大小为512×512。在获得了训练集的统计平均外形后，可以依靠人工手动选取椎体的4个顶点，完成椎体的定位。最后，将该定位的椎体与训练集中的数据进行配准，进行初始轮廓的检测与提取。

在本实施例中，金字塔图像构造模块201对脊柱初始轮廓已定位的脊柱影像进行重采样，构造脊柱的多阶金字塔图像可以是：通过多尺度局部梯度模型对脊柱初始轮廓已定位的脊柱影像进行重采样，构造脊柱的多阶金字塔图像。在本实施例中，脊柱的多阶金字塔图像可以是脊柱的三阶金字塔图像、五阶金字塔图像或七阶金字塔图像。以三阶金字塔图像为例，第一阶金字塔图像为最低阶金字塔图像，第二阶金字塔图像为较高阶金字塔图像，第三阶金字塔图像为最高阶金字塔图像；五阶金字塔图像和七阶金字塔图像的阶数与三阶金字塔图像的阶数定义类似。

标定模块202，用于针对所述脊柱的多阶金字塔图像中每一阶金字塔图像，通过特征点的提取标定所述脊柱影像中待分割椎体。

分割模块203，用于采用混合分割模型对所述标定的脊柱影像中待分割椎体进行分割，得到所述待分割椎体的图像。

需要说明的是，以上附图2示例的磁共振脊柱影像混合分割装置的实施方式中，各功能模块的划分仅是举例说明，实际应用中可以根据需要，例如相应硬件的配置要求或者软件的实现的便利考虑，而将上述功能分配由不同的功能模块完成，即将所述磁共振脊柱影像混合分割装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。而且，实际应用中，本实施例中的相应的功能模块可以是由相应的硬件实现，也可以由相应的硬件执行相应的软件完成，例如，前述的金字塔图像构造模块，可以是具有执行前述通过对脊柱初始轮廓已定位的脊柱影像进行重采样，构造脊柱的多阶金字塔图像的硬件，例如金字塔图像构造器，也可以是能够执行相应计算机程序从而完成前述功能的一般处理器或者其他硬件设备；再如前述的标定模块，可以是具有执行前述针对所述脊柱的多阶金字塔图像中每一阶金字塔图像，通过特征点的提取标定所述脊柱影像中待分割椎体功能的硬件，例如标定器，也可以是能够执行相应计算机程序从而完成前述功能的一般处理器或者其他硬件设备（本说明书提供的各个实施例都可应用上述描述原则）。

附图2示例的磁共振脊柱影像混合分割装置中，脊柱初始轮廓已定位的脊柱影像为所述脊柱的多阶金字塔图像中最低阶金字塔图像，金字塔图像构造模块201可以包括第一采样单元301和第二采样单元302，如附图3所示本发明另一实施例提供的磁共振脊柱影像混合分割装置，其中：

第一采样单元301，用于对所述最低阶金字塔图像进行重采样，使得所述最低阶金字塔图像对应的二维矩阵缩小为原二维矩阵的二分之一得到阶数相对较高的金字塔图像；

第二采样单元302，用于对所述阶数相对较高的金字塔图像进行重采样，使得所述阶数相对较高的金字塔图像对应的二维矩阵缩小为原二维矩阵的二分之一得到阶数相对更高的金字塔图像。

附图2示例的标定模块202可以包括分割结果对齐单元401、投影单元402和特征点提取单元403，如附图4所示本发明另一实施例提供的磁共振脊柱影像混合分割装置，其中：

分割结果对齐单元401，用于将所述每一阶金字塔图像与统计平均外形或上一高阶金字塔图像的分割结果对齐。

投影单元402，用于通过对主分量的分析，将所述每一阶金字塔图像投影至子空间以将所述每一阶金字塔图像的维数降低至r维，所述主分量满足

所述d为所述每一阶金字塔图像的维数，所述λ_k为所述每一阶金字塔图像协方差矩阵的特征值，所述α为[0.900，0.995]之间的任一数值。

每一阶金字塔图像是d×d阶的矩阵，λ_k为每一阶金字塔图像协方差矩阵的特征值，α为[0.900，0.995]之间的任一数值，例如，α可以取为0.980。经过对每一阶金字塔图像的维数降低至r维的操作，得到新的样本新的样本矢量为：

其中，φ_X为X的协方差矩阵的特征向量构成的矩阵，b_X的不同值代表了不同的样本，b_X的维数为r。

特征点提取单元403，用于采用预置的阈值λ_cut提取特征点以标定所述待分割椎体的边缘。

分割结果对齐单元401、投影单元402和特征点提取单元403依次重复执行，直至F_MDL收敛或者迭代次数达到预设值，所述

所述 ${\mathrm{\&theta;}}_d=\left\{\begin{array}{cc}1+\frac{{\mathrm{\&lambda;}}_k}{{\mathrm{\&lambda;}}_{\mathrm{cut}}},& \frac{{\mathrm{\&lambda;}}_k}{{\mathrm{\&lambda;}}_{\mathrm{cut}}}\&GreaterEqual;1\\ \frac{{\mathrm{\&lambda;}}_k}{{\mathrm{\&lambda;}}_{\mathrm{cut}}},& \frac{{\mathrm{\&lambda;}}_k}{{\mathrm{\&lambda;}}_{\mathrm{cut}}}<1\end{array}\right..$

可以预置阈值λ_cut为0.003，共提取64个特征点。作为本发明一个实施例，可通过最小描述长度算法标定待分割椎体的边缘。

需要说明的是，每提取特征点、标定待分割椎体的边缘后判断F_MDL是否收敛，即，通过改变上述b_X的维数r的值，若由r相邻取值得到的两个F_MDL的差异小于0.01，则判断F_MDL收敛。若F_MDL不收敛，则分割结果对齐单元401、投影单元402和特征点提取单元403依次重复执行，直至F_MDL收敛或者迭代次数达到预设值，例如迭代次数达到30次。

附图4示例的分割结果对齐单元401可以包括第一对齐单元501、第二对齐单元502和第三对齐单元503，如附图5所示本发明另一实施例提供的磁共振脊柱影像混合分割装置，其中：

第一对齐单元501，用于将最高阶金字塔图像P_T与所述统计平均外形对齐；

第二对齐单元502，用于将阶数低于所述最高阶金字塔图像P_T一阶的金字塔图像P₂与所述最高阶金字塔图像P_T的分割结果对齐；以及

第三对齐单元503，用于将阶数低于所述金字塔图像P₂一阶的金字塔图像与所述金字塔图像P₂的分割结果对齐。

在附图4或附图5示例的磁共振脊柱影像混合分割装置中，分割结果对齐单元401可以通过普式分析（调整参数p(s，θ，t)）将每一阶金字塔图像与训练集的统计平均外形或上一高阶金字塔图像的分割结果对齐。以多阶金字塔图像是三阶金字塔图像为例，分割结果对齐单元401通过普式分析（调整参数p(s，θ，t)）将每一阶金字塔图像与统计平均外形或上一高阶金字塔图像的分割结果对齐，即：第一对齐单元501将第三阶金字塔图像与训练集的统计平均外形对齐，第二对齐单元502将第二阶金字塔图像与第三阶金字塔图像的分割结果对齐，以及第三对齐单元503将第一阶金字塔图像与第二阶金字塔图像的分割结果对齐。

在上述附图4或附图5示例的磁共振脊柱影像混合分割装置中，所谓对齐，是指使每一阶金字塔图像与训练集的统计平均外形或上一高阶金字塔图像在外形上两者之间的ProerusteS距离最小。对齐操作可以用t(x，y，s，θ)参数表示，其中x、y、s和θ分别表示x方向的平移、y方向的平移、缩放和旋转尺寸。对齐可以通过以下1）、2）、3）和4）的操作来实现，即，1）计算图像中椎体的中心；2）对图像中椎体的外形进行缩放操作，以达到相同的尺寸；3）针对图像中经过缩放操作的椎体的外形，对齐这两个外形的重心；4）针对图像中经过缩放操作的椎体的外形，对齐这两个外形的转向。

附图2示例的分割模块203可以包括模型构建单元601、误差计算单元602和误差重计算单元603，如附图6所示本发明另一实施例提供的磁共振脊柱影像混合分割装置，其中：

模型构建单元601，用于构建由外观模型S和纹理模型g表示的混合分割模型，所述外观模型S表示为所述纹理模型g表示为所述为外观特征归一化后的平均外观向量，所述Q_s为外观模型的特征矩阵，所述

为所述外观模型S覆盖的区域的纹理特征归一化为g_s后的平均纹理向量，所述所述外观模型S覆盖的区域为所述待分割椎体的边缘围成的区域，所述Q_g为纹理模型的特征矩阵，所述c为所述混合分割模型的外观模型参数；

误差计算单元602，用于计算纹理特征的误差E_i，所述E_i=|g_s-g_m|²，所述g_m为所述混合分割模型的外观模型参数c更新之前根据

得到的纹理模型；

误差重计算单元603，用于将所述混合分割模型的外观模型参数c更新为c′-jδ_c后，根据所述模型构建单元601和误差计算单元602重新计算所述纹理特征的误差

所述c′为所述混合分割模型的外观模型参数c更新前的值，所述j为初始值为1的约束参数，所述δ_c为所述混合分割模型的外观模型参数c的变化值，所述δ_c=R_cδ_g，所述R_c为对所述外观模型S覆盖的区域包含的图像信息进行线性回归得到的参数，所述δ_g=g_s-g_mδ_g=g_s-g_m。

若所述

大于所述E_i，即混合分割模型的外观模型参数c更新后所得纹理特征的误差大于混合分割模型的外观模型参数c更新前所得纹理特征的误差，则通过更新所述约束参数j，所述模型构建单元601、误差计算单元602和误差重计算单元603重复执行，直至所述

与所述E_i的绝对差值小于预设值，所述更新所述约束参数j过程为j=p×j₁，所述p为缩放倍数，所述j₁为所述约束参数j每次被更新前的值。

需要说明的是，由于椎体的位置相对固定，因此无需对姿态参数进行调整即不进行姿态参数的迭代，只需要误差重计算单元603更新混合分割模型的外观模型参数c，如此进一步减少了分割算法耗费的时间。

由于多阶金字塔图像中，其阶数越高，分辨率越低，而低分辨率图像中每一个像素所携带的灰度信息非常丰富，相邻像素之间图像灰度差异较大，可较准确地确定脊柱初始轮廓；进一步地，通过阶数逐渐降低、分辨率不断提升，可逐步实现对脊柱影像的精确分割。因此，在上述附图2至附图6任一示例的磁共振成像的脊柱影像混合分割装置中，标定模块202具体用于从所述脊柱的多阶金字塔图像中的最高阶金字塔图像开始，针对所述脊柱的多阶金字塔图像中每一阶金字塔图像，通过特征点的提取标定所述脊柱影像中待分割椎体。标定模块202的后续模块也是从所述脊柱的多阶金字塔图像中的最高阶金字塔图像开始，最高阶金字塔图像处理完毕后，从所述脊柱的多阶金字塔图像中的次最高阶金字塔图像开始，直至所述脊柱的多阶金字塔图像中最低阶金字塔图像处理完毕。

需要说明的是，上述装置各模块/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其带来的技术效果与本发明方法实施例相同，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁盘或光盘等。

以上对本发明实施例所提供的磁共振脊柱影像混合分割方法和装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (12)

1.一种磁共振脊柱影像混合分割方法，其特征在于，所述方法包括：

通过对脊柱初始轮廓已定位的脊柱影像进行重采样，构造脊柱的多阶金字塔图像；

针对所述脊柱的多阶金字塔图像中每一阶金字塔图像，通过特征点的提取标定所述脊柱影像中待分割椎体；

采用混合分割模型对所述标定的脊柱影像中待分割椎体进行分割，得到所述待分割椎体的图像。

2.根据权利要求1所述的方法，其特征在于，所述脊柱初始轮廓已定位的脊柱影像为所述脊柱的多阶金字塔图像中最低阶金字塔图像；

所述通过对脊柱初始轮廓已定位的脊柱影像进行重采样，构造脊柱的多阶金字塔图像，包括：

对所述最低阶金字塔图像进行重采样，使得所述最低阶金字塔图像对应的二维矩阵缩小为原二维矩阵的二分之一得到阶数相对较高的金字塔图像；

对所述阶数相对较高的金字塔图像进行重采样，使得所述阶数相对较高的金字塔图像对应的二维矩阵缩小为原二维矩阵的二分之一得到阶数相对更高的金字塔图像。

3.根据权利要求1所述的方法，其特征在于，所述针对所述脊柱的多阶金字塔图像中每一阶金字塔图像，通过特征点的提取标定所述脊柱影像中待分割椎体，包括如下步骤S1021至步骤S1023：

S1021，将所述每一阶金字塔图像与统计平均外形或上一高阶金字塔图像的分割结果对齐；

S1022，通过对主分量的分析，将所述每一阶金字塔图像投影至子空间以将所述每一阶金字塔图像的维数降低至r维，所述主分量满足

所述d为所述每一阶金字塔图像的维数，所述λ_k为所述每一阶金字塔图像协方差矩阵的特征值，所述α为[0.900，0.995]之间的任一数值；

S1023，采用预置的阈值λ_cut提取特征点标定所述待分割椎体的边缘；

重复上述步骤S1021至步骤S1023，直至F_MDL收敛或者迭代次数达到预设值，所述 $F_{\mathrm{MDL}}=\underset{k=1}{\overset{d}{\mathrm{\&Sigma;}}}{\mathrm{\&theta;}}_d,$ 所述 ${\mathrm{\&theta;}}_d=\left\{\begin{array}{cc}1+\frac{{\mathrm{\&lambda;}}_k}{{\mathrm{\&lambda;}}_{\mathrm{cut}}},& \frac{{\mathrm{\&lambda;}}_k}{{\mathrm{\&lambda;}}_{\mathrm{cut}}}\&GreaterEqual;1\\ \frac{{\mathrm{\&lambda;}}_k}{{\mathrm{\&lambda;}}_{\mathrm{cut}}},& \frac{{\mathrm{\&lambda;}}_k}{{\mathrm{\&lambda;}}_{\mathrm{cut}}}<1\end{array}\right..$

4.根据权利要求3所述的方法，其特征在于，所述将所述每一阶金字塔图像与统计平均外形或上一高阶金字塔图像的分割结果对齐，包括：

将最高阶金字塔图像P_T与所述统计平均外形对齐；

将阶数低于所述最高阶金字塔图像P_T一阶的金字塔图像P₂与所述最高阶金字塔图像P_T的分割结果对齐；以及

将阶数低于所述金字塔图像P₂一阶的金字塔图像与所述金字塔图像P₂的分割结果对齐。

5.根据权利要求1所述的方法，其特征在于，所述采用混合分割模型对所述标定的脊柱影像中待分割椎体进行分割，得到所述待分割椎体的图像，包括如下步骤S1031至步骤S1033：

S1031，构建由外观模型S和纹理模型g表示的混合分割模型，所述外观模型S表示为

所述纹理模型g表示为所述

为外观特征归一化后的平均外观向量，所述Q_s为外观模型的特征矩阵，所述

为所述外观模型S覆盖的区域的纹理特征归一化为g_s后的平均纹理向量，所述外观模型S覆盖的区域为所述待分割椎体的边缘围成的区域，所述Q_g为纹理模型的特征矩阵，所述c为所述混合分割模型的外观模型参数；

S1032，计算纹理特征的误差E_i，所述E_i=|g_s-g_m|²，所述g_m为所述混合分割模型的外观模型参数c更新之前根据

得到的纹理模型；

S1033，将所述混合分割模型的外观模型参数c更新为c′-jδ_c后，根据所述步骤S1031和步骤S1032重新计算所述纹理特征的误差

所述c′为所述混合分割模型的外观模型参数c更新前的值，所述j为初始值为1的约束参数，所述δ_c为所述混合分割模型的外观模型参数c的变化值，所述δ_c=R_cδ_g，所述R_c为对所述外观模型S覆盖的区域包含的图像信息进行线性回归得到的参数，所述δ_g=g_s-g_m；

若所述

大于所述E_i，则通过更新所述约束参数j重复所述S1031至步骤S1033，直至所述

与所述E_i的绝对差值小于预设值，所述更新所述约束参数j过程为j=p×j₁，所述p为缩放倍数，所述j₁为所述约束参数j每次被更新前的值。

6.根据权利要求1至5任意一项所述的方法，其特征在于，所述针对所述脊柱的多阶金字塔图像中每一阶金字塔图像，通过特征点的提取标定所述脊柱影像中待分割椎体为：

从所述脊柱的多阶金字塔图像中的最高阶金字塔图像开始，针对所述脊柱的多阶金字塔图像中每一阶金字塔图像，通过特征点的提取标定所述脊柱影像中待分割椎体。

7.一种磁共振脊柱影像混合分割装置，其特征在于，所述装置包括：

金字塔图像构造模块，用于通过对脊柱初始轮廓已定位的脊柱影像进行重采样，构造脊柱的多阶金字塔图像；

标定模块，用于针对所述脊柱的多阶金字塔图像中每一阶金字塔图像，通过特征点的提取标定所述脊柱影像中待分割椎体；

分割模块，用于采用混合分割模型对所述标定的脊柱影像中待分割椎体进行分割，得到所述待分割椎体的图像。

8.根据权利要求7所述的装置，其特征在于，所述脊柱初始轮廓已定位的脊柱影像为所述脊柱的多阶金字塔图像中最低阶金字塔图像，所述金字塔图像构造模块包括：

第一采样单元，用于对所述最低阶金字塔图像进行重采样，使得所述最低阶金字塔图像对应的二维矩阵缩小为原二维矩阵的二分之一得到阶数相对较高的金字塔图像；

第二采样单元，用于对所述阶数相对较高的金字塔图像进行重采样，使得所述阶数相对较高的金字塔图像对应的二维矩阵缩小为原二维矩阵的二分之一得到阶数相对更高的金字塔图像。

9.根据权利要求7所述的装置，其特征在于，所述标定模块包括：

分割结果对齐单元，用于将所述每一阶金字塔图像与统计平均外形或上一高阶金字塔图像的分割结果对齐；

投影单元，用于通过对主分量的分析，将所述每一阶金字塔图像投影至子空间以将所述每一阶金字塔图像的维数降低至r维，所述主分量满足

所述d为所述每一阶金字塔图像的维数，所述λ_k为所述每一阶金字塔图像协方差矩阵的特征值，所述α为[0.900，0.995]之间的任一数值；

特征点提取单元，用于采用预置的阈值λ_cut提取特征点以标定所述待分割椎体的边缘；

所述分割结果对齐单元、投影单元和特征点提取单元依次重复执行，直至F_MDL收敛或者迭代次数达到预设值，所述

所述 ${\mathrm{\&theta;}}_d=\left\{\begin{array}{cc}1+\frac{{\mathrm{\&lambda;}}_k}{{\mathrm{\&lambda;}}_{\mathrm{cut}}},& \frac{{\mathrm{\&lambda;}}_k}{{\mathrm{\&lambda;}}_{\mathrm{cut}}}\&GreaterEqual;1\\ \frac{{\mathrm{\&lambda;}}_k}{{\mathrm{\&lambda;}}_{\mathrm{cut}}},& \frac{{\mathrm{\&lambda;}}_k}{{\mathrm{\&lambda;}}_{\mathrm{cut}}}<1\end{array}\right..$

10.根据权利要求9所述的装置，其特征在于，所述分割结果对齐单元包括：

第一对齐单元，用于将最高阶金字塔图像P_T与所述统计平均外形对齐；

第二对齐单元，用于将阶数低于所述最高阶金字塔图像P_T一阶的金字塔图像P₂与所述最高阶金字塔图像P_T的分割结果对齐；以及

第三对齐单元，用于将阶数低于所述金字塔图像P₂一阶的金字塔图像与所述金字塔图像P₂的分割结果对齐。

11.根据权利要求7所述的装置，其特征在于，所述分割模块包括：

模型构建单元，用于构建由外观模型S和纹理模型g表示的混合分割模型，所述外观模型S表示为

所述纹理模型g表示为

所述

为外观特征归一化后的平均外观向量，所述Q_s为外观模型的特征矩阵，所述为所述外观模型S覆盖的区域的纹理特征归一化为g_s后的平均纹理向量，所述所述外观模型S覆盖的区域为所述待分割椎体的边缘围成的区域，所述Q_g为纹理模型的特征矩阵，所述c为所述混合分割模型的外观模型参数；

误差计算单元，用于计算纹理特征的误差E_i，所述E_i=|g_s-g_m|²，所述g_m为所述混合分割模型的外观模型参数c更新之前根据

得到的纹理模型；

误差重计算单元，用于将所述混合分割模型的外观模型参数c更新为c′-jδ_c后，根据所述模型构建单元和误差计算单元重新计算所述纹理特征的误差

所述c′为所述混合分割模型的外观模型参数c更新前的值，所述j为初始值为1的约束参数，所述δ_c为所述混合分割模型的外观模型参数c的变化值，所述δ_c=R_cδ_g，所述R_c为对所述外观模型S覆盖的区域包含的图像信息进行线性回归得到的参数，所述δ_g=g_s-g_mδ_g=g_s-g_m；

若所述

大于所述E_i，则通过更新所述约束参数j，所述模型构建单元、误差计算单元和误差重计算单元重复执行，直至所述

与所述E_i的绝对差值小于预设值，所述更新所述约束参数j过程为j=p×j₁，所述p为缩放倍数，所述j₁为所述约束参数j每次被更新前的值。

12.根据权利要求7至11任意一项所述的装置，其特征在于，所述标定模块具体用于从所述脊柱的多阶金字塔图像中的最高阶金字塔图像开始，针对所述脊柱的多阶金字塔图像中每一阶金字塔图像，通过特征点的提取标定所述脊柱影像中待分割椎体。

Images