CN103700089A - 一种三维医学图像多尺度异构特征的提取与分类方法 - Google Patents

Abstract

本发明提出了一种三维医学图像多尺度异构特征的提取与分类方法，通过将张量场构建、各向异性小波核函数定义、多尺度分析和自适应聚类进行有机结合，设计了一个统一的算法来实现这些多尺度、多级别异构特征的自动提取，分别给出了算法各个要素的数学定义及其计算方法，并对特征提取和分类结果进行了相应的分析。

Description

一种三维医学图像多尺度异构特征的提取与分类方法

技术领域

本发明涉及三维医学图像多尺度异构特征的提取与分类方法，具体涉及三维图像曲线、曲面、实体块等结构特征的自动提取与语义分类方法，通过将张量场构建、各向异性小波核函数定义、多尺度分析和自适应聚类进行有机结合，设计了一个统一的算法来实现这些多尺度、多级别异构特征的自动提取。

背景技术

三维医学图像多尺度异构特征的提取与分类方法相关方面为热核理论应用、图像特征提取和基于热扩散的图像处理三个方面。

在热核理论应用方面：

近年来，物理上的热核和热扩散理论在计算机图形图像处理领域受到了众多研究者的青睐，已在二维流形的多尺度特征提取、平滑处理以及形状检索等方面得到了广泛应用。其中，最重要的原因是：热核天然地蕴含了多尺度的性质，并具有等距变换不变性，这对图形或图像的鲁棒特征提取具有重要意义。如：文献提出了一种尺度不变的热核信号计算方法，并将其应用于形状检索，取得了较好的效果。同时，为了提高在大规模网格模型上进行热核计算的时间效率，文献提出了一种多分辨率的计算策略来加速热核信号的计算。

在图像的特征提取方面：

图像的局部特征可被看作是与周围领域具有显著不同、并表征特定物理意义的一种模态，他们一般蕴含丰富的信息并可通过一些微分量来进行验证。其中，现有的以Harris、Hessian、LOG以及DOG等算子为核心的图像特征提取算法的主要思想是：通过对图像的微分属性分析，提取某种物理量的局部极值，并将其作为特征。因此，这些算法一般对尺度变化、噪声和图像形变等因素都比较敏感。为了尽可能的解决这些问题，文献的实验证明：将Harris算子和Hessian算子相结合并辅以尺度选择，是提高图像特征提取鲁棒性的一个可行的策略，而且该方法已被文献推广到了三维情形。应该说，目前2D SIFT算法仍是最为稳定的二维图像特征提取算法，而且它的高维形式的扩展已经开始出现.

在基于热扩散理论的图像处理方面：

在过去的20年中，借助高斯核函数，热扩散理论在图像的多尺度分析领域被广为使用。但是，高斯核一般只能一个很小的邻域内刻画热扩散过程，因为其本质上等价于用各向同性的热传递系数作为权重对原始图像进行卷积处理。自从双边滤波方法被提出来用于边界保持的图像平滑和去噪处理以后，基于各向异性热传递理论的滤波器才开始在二维图像处理领域逐渐流行起来。特别值得指出的是，在二维流形上首先提出的热核信号已被推广用于三维流形，但是这种扩展尚没有考虑三维流形内部材质的差异性。这也是启发本发明直接在三维医学图像上研究各向异性热核的一个主要因素。

发明内容

DTI图像所包含的张量信息对器官结构特征的提取和可视化均具有重要意义，而临床常用的MRI,CT等标量医学图像并不自带张量信息。因此，本部分内容重点研究如何根据三维标量图像的几何信息，来构建描述局部结合结构的张量场。在此基础上，进一步研究如何将二维SIFT特征提取的思想进行扩展，实现三维医学影像数据多尺度几何特征的提取，并研究适用于三维医学数据非刚性等距形变的特征描述子，为配准等其他基于特征的三维医学图像应用提供底层的算法支持。

本发明提出一种三维医学图像多尺度异构特征的提取与分类方法,设计了一种鲁棒的三维图像异构结构特征自动提取、分类、过滤和可视化方法，该方法可同时处理多尺度点特征、多尺度曲面特征、多级别曲线特征和实体块特征，并在异构结构特征提取的基础上，给出了一种自适应的结构特征语义分类方法；基于三维图像局部黑塞矩阵的特征系统定义了一种通用的扩散张量，该张量能够解释图像的局部几何结构，辅助曲线种子点和实体块特征的提取，并可基于扩散张量的距离度量控制线特征的自动生长；基于扩散张量定义了一种数据相关的各向异性小波核函数，在图像的多尺度分析过程中，它可用于图像的各向异性卷积计算和图像的频带分解；基于点到局部拟合曲面的投影距离，提出了一种曲线候选种子点过滤方法，可有效去除由边界区域离散体素的锯齿而导致的伪种子点，同时，给出了基于CUDA的曲线并行生长算法。

附图说明

图1人体头部MRI三维图像异构特征的提取和分类结果。

图2为基于扩散张量和各向异性小波多尺度分析的三维图像异构特征分类算法流程图。

图3为结构张量、扩散张量及其物理意义的示意图。

图4为多尺度曲面特征的提取结果。

图5为多尺度曲面特征的语义分类。

图6为基于MLS局部曲面拟合的种子点过滤方法示意图。

图7为10%噪声扰动的人体头部MRI三维图像的多尺度异构结构特征分类结果。

图8为不同参数组合下的多级别曲线特征提取结果。

图9为婴儿头部MRI三维图像的多尺度异构结构特征分类结果。

图10为猴子头部多模态三维图像的多尺度异构结构特征分类结果。

具体实施方式

下面结合附图以及具体实施例进一步说明本发明。

一种基于三维医学图像多尺度异构特征的提取与分类方法，具体实施如下：

1.各向异性扩散张量场

1.1三维图像的微分属性分析

图像的特征提取和分类可借助微分几何理论来进行分析。给定三维图像，可将其定义为：I(p):Ω→R，Ω∈R³是图像的定义域，p=(x,y,z)代表三维图像中的一个体素，因此I(p₁)-I(p₂)表示体素p₁和p₂间的灰度/颜色差异。其中，源自图像微分分析的结构张量可紧凑的刻画图像局部材质变化的方向以及材质间的过渡变化关系。正如本发明在第二章所描述的，由图像的二阶导数构成的具有对称性质的黑塞矩阵H能够很好地表示曲面法线的变化情况，它的数学表达式为：

$H\left(p\right)=\left[\begin{array}{ccc}{I}_{\mathrm{xx}}\left(p\right)& I_{\mathrm{xy}}\left(p\right)& I_{\mathrm{xz}}\left(p\right)\\ I_{\mathrm{yx}}\left(p\right)& I_{\mathrm{yy}}\left(p\right)& I_{\mathrm{yz}}\left(p\right)\\ I_{\mathrm{zx}}\left(p\right)& I_{\mathrm{zy}}\left(p\right)& I_{\mathrm{zz}}\left(p\right)\end{array}\right]$

直观的讲，H最大特征值所对应的特征向量表征了不同材质间的最为迅速的转化方向，而最小特征值所对应的特征向量则表征了某种材质在图像内部的自身流动情况。给定单位向量n，A(p)=n^TH(p)n描述了材质沿n方向的变化快慢程度，当n与H(p)的最大特征向量方向相同时，它会取最大值。此时，n的方向也就是该点的梯度方向。因此，黑塞矩阵H也可用它的特征值(λ₁≥λ₂≥λ₃≥0)和特征向量给出频谱组合形式的表示：

这里e_k是特征值λ_k所对应的特征向量。

1.2基于加权移动最小二乘的微分计算

图像的上述微分属性可通过局部拟合的形式来进行计算。本发明采用迭代加权的移动最小二乘方法(RMLS)来对三维图像的二阶微分属性进行估计。给定二次单调基函数集合b，通过在每个体素p的周围局部拟合一个多项式函数f来对基函数的权重参数c进行迭代估计。

b=(1,x,y,z,xy,xz,yz,x²,y²,z²)^T,

c=(c¹,c_x,c_y,c_z,c_xy,c_xz,c_yz,c_xx,c_yy,c_zz)^T,

f_p(x,y,z)=b^T·c.

系数c的可借助于迭代的计算下列能量函数的最小值来实现。

$\underset{v\⩔N\left(p\right)}{\mathrm{\Σ}}{(f^n\left(v\right)-I\left(v\right))}^2{\mathrm{\ω}}_p^n\left(v\right),$

其中N(p)代表核函数ωⁿ _p的支持域，ωⁿ _p被初始化为高斯核函数：

${\mathrm{\ω}}_p^0\left(v\right)=\exp (-\frac{{(v-p)}^2}{{2\mathrm{\σ}}_s^2}).$

本发明对其进行迭代重加权计算，直至收敛为止。在迭代过程中，ωⁿ _p每次都以双边滤波核函数的形式进行重定义：

$w_p^n\left(v\right)=\exp (-\frac{{(v-p)}^2}{2{\mathrm{\σ}}_s^2}-\frac{{(f^{n-1}\left(v\right)-I\left(p\right))}^2}{{2\mathrm{\σ}}_i^2}).$

因此，最终得到的系数c本质上是对p处泰勒展开系数的一种鲁棒估计，其中二次函数项的系数恰恰对应于黑塞矩阵H中相应元素的值。

1.3各向异性扩散张量的构建

结构张量(如图3A所示)具有正交的特征向量，它的特征值反映了材质沿相应特征向量方向的变化速度。在图像的多尺度分析中，直接用结构张量来控制卷积权重将会导致跨材质时产生过度模糊，而同一材质区域内的平滑处理力度不够。这与本发明所期望的效果恰恰相反。因此，如图3B所示，本发明定义扩散张量为：

$D\left(p\right)={\widetilde{\mathrm{\λ}}}_1{e}_1{e}_1^T+{\widetilde{\mathrm{\λ}}}_2{e}_2{e}_2^T+{\widetilde{\mathrm{\λ}}}_3{e}_3{e}_3^T,$

其中，

${\widetilde{\mathrm{\λ}}}_i=\exp (-\frac{{\mathrm{\λ}}_i}{{\mathrm{\σ}}_d}),i=\mathrm{1,2,3},$

这里σ_d是一个参数变量用户控制材质间的扩散速度，并且0<e^λ1≤e^λ2≤e^λ3。如图3C所示，本质上本发明相当于在每个体素处都通过定义一个椭球来刻画材质间扩散的速度和方向。根据Rayleigh熵理论，从p出发沿e方向的扩散速度，可被看作沿这个方向的单位向量在该椭球上的投影长度，可用数学公式表示为：

$\mathrm{vel}(p,e)=\frac{e^{T}D\left(p\right)e}{e^{T}e}.$

因此，对处于某个实体块内的体素而言，它的每个扩散方向都同等显著；而对处于某边界面上的体素而言，位于该边界面切平面上的方式是扩散的主要方向；对处于某类边上的体素而言，只有沿着边所在方向的扩散占主导地位；对于孤立的体素或噪声而言，不存在扩散主方向，因为此时沿任意方向的扩散速度都接近于0。

2.多尺度点和曲面特征的提取与分类

给定三维图像，本发明首选提取它的多尺度点特征和曲面特征。其中，面特征的提取主要借助于基于各向异性小波核函数的多尺度分析来实现，它主要包括如下三个步骤：扩散张量加权的各向异性小波核函数构建，多尺度分析与特征提取，以及特征的自适应语义分类。

2.1各向异性小波核函数构建

本发明基于双边滤波核函数来构建数据相关的各向异性小波核函数。值得注意的是，与高斯核函数有着显著不同，双边滤波核函数摒弃了高斯核函数对图像局部变化总是比较缓慢的不合理假设，双边滤波器的权重计算一方面考虑了空间上的距离关系，另一方面也同时考虑了图像在灰度/颜色方面的差异。因此，双边滤波具有边界保持的优点，它的定义为：

$B\left(p\right)=\frac{1}{W_p}\underset{q\&Element;N\left(p\right)}{\mathrm{\&Sigma;}}{G}_{{\mathrm{\&sigma;}}_g}(p-q)G_{{\mathrm{\&sigma;}}_i}(I\left(p\right)-I\left(q\right))I\left(q\right),$

其中W_p=Σ_q∈N(p)G_σs(p-q)Gσ_i(I(p)-I(q))主要用于进行归一化处理，G_σ(x)=exp(-x²/σ²)是纯粹的高斯函数。实际上，图像除了具有边界结构等不连续信息外，其局部结构还具有方向性，而且视觉领域的研究已经表明：脊椎动物视网膜和视觉皮质中的细胞单元对物体的结构方向具有很强的选择性。因此，简单地使用双边滤波技术会造成图像局部结构方向信息的丢失。所以，本发明将基于扩散张量空间的距离度量引入到双边滤波核函数中，来构建一个数据相关的各向异性小波核函数，以用于图像的多尺度分析。给定两个相邻的体素p和q，首先给出它们在扩散张量空间的距离定义：

d_D(p,q)=exp(-(p-q)^T(w_pq(D(p)+D(q))^-1(p-q)),

其中w_pq会随着图像体素灰度的变化而变化，它的引入主要是为了修正图像的梯度。D(p)+D(q)项用于描述扩散率。因此，本发明的各向异性小波核函数可被定义为：

$\mathrm{\&Psi;}\left(p\right)=\frac{1}{W_p}\underset{q\&Element;N\left(p\right)}{\mathrm{\&Sigma;}}{G}_{{\mathrm{\&sigma;}}_s}(p-q)G_{{\mathrm{\&sigma;}}_k}\left(d_D(p,q)\right)I\left(q\right).$

这里σ_k是一个控制参数，一般被设置为D(p)和D(q)最大特征值的倒数。

2.2多尺度特征提取

该小波核函数具有良好的局部结构保持特性，可用它对原始图像进行子带分解，即分解为一个低频的近似子带和一个高频的细节子带。一般来说，只有一个层级的分解尚不足以提取图像的特征信息，因为图像中的特征可能会在不同的尺度下呈现，而且原始图像也极有可能存在一些高频噪声。因此，本发明采用类似于二进小波变化的方法来定义它的多尺度形式：

$I^{n+1}(p,{\mathrm{\&sigma;}}_s)=\frac{1}{W_p}\underset{q\&Element;N\left(q\right)}{\mathrm{\&Sigma;}}{\mathrm{\&omega;}}^n(p,q,{\mathrm{\&sigma;}}_s)G_{{\mathrm{\&sigma;}}_k}\left(d_D^n(p,q)\right)I^n\left(q\right),$

${\mathrm{\&omega;}}^n(x,{\mathrm{\&sigma;}}_s)=\left\{\begin{array}{cc}{G}_{{\mathrm{\&sigma;}}_s}\left(\right|\left|\frac{x}{2^n}\right|\left|\right)& \mathrm{if}\frac{x}{2^n}\&Element;Z^3\mathrm{and}\left|\right|\frac{x}{2^n}\left|\right|<m\\ 0& \mathrm{otherwise}\end{array}\right.$

这里n代表第n级分解，Wp与它在公式(3.12)中的含义相同，m是一个用于控制邻域大小的阈值。在迭代卷积过程中，为了提高计算效率，本发明一般只更新w_pq，而保持D(p)+D(q)的初始计算值。由于在小波核函数中所嵌入的高斯函数本身在空域和频域都具有紧支特性，因此，这保证了本发明的卷积操作可以在紧支域执行，而不至于产生较大的误差。所以，在实现过程中，每次都根据公式对近似子带迭代地进行下一层级的图像分解操作，并且在每一次迭代的卷积计算中，只考虑每个体素的一环领域。采用公式经过k+1次迭代后，可以得到对应于某个特定尺度的近似子带，而k个细节子带可分别通过各个相邻近似子带的差来得到。

I_ds(p,kσ)=I^k+1(p,σ)-I^k(p,σ).

由于点特征大都被定义为一些与几何、纹理或其他属性的局部极值点，而多尺度子带分解本质是对拉普拉斯算子的一种各向异性的近似，因此，如图1B所示，可以从跨尺度的细节子带中提取局部极值点来得到多尺度点特征，点的尺寸越大说明其所代表的特征所处的尺度越大。此外，对于曲面特征涞说，同样存在着尺度和细节层次的概念，如：皮质可看作一种具有不同厚度的曲面特征，而对于以主结构提取为目的的一些应用来说，过于细小的细节曲面特征则完全可以被忽略掉。实际上，在公式中，较大的n意味着较大的局部领域参与卷积处理，并且这时每个体素对曲面估计的影响将会降低，因而噪声所带来的影响将被极大地减弱，这非常类似于低通滤波。因而，在某种意义上，高频的细节一般与小尺度的特征相对应，而低频的细节更多的代表较大尺度的特征。如图4所示，基于分解的细节子带可以方便的获取图像的多尺度曲面特征，具体选择哪一个尺度或选择哪几个尺度的组合应该由用户根据实际应用来加以确定。

2.3特征的语义分类

至此，本发明已经得到了曲面的几何结构，但是他们还应进一步进行聚类以从语义层面区分那些结构类似但因材质不同而属于不同组织的曲面。图像自带的灰度/颜色信息为本发明提供了较好的线索，如皮肤及皮下组织一般比脑部组织具有更大的灰度值。本发明通过改进K-means算法来自适应地对曲面结构的进行材质类型的聚类分析。如图4所示，对每一个尺度，本发明用Si来表示曲面上相应位置的原始灰度值，本发明的聚类算法可被概括为如下几步：

(1)初始化：输入一个足够大的整数Ki来指明最大可能的分类数，输入每个类别之间所允许的最大灰度差Ic、用于确定迭代是否终止的类内灰度差ε，以及最大的迭代次数Qmax。然后根据Ki、Ic，通过从Si中随机的确定每类的平均灰度值并对其进行类间差别的验证，自适应的确定实际的分类数K(K≤Ki)。

(2)分配类别标志：按每类的平均灰度值，以升序对其进行排列，并为每个排序后的分类赋予唯一的类别编号。

(3)构建分类：对处于曲面上的每个体素，根据他们自身灰度与每类平均灰度之间的差别，为每一类选择选择与其差别最小的体素并将其分配到该类中。

(4)分类更新：根据当前每一类别中所包含的体素的灰度值，重新计算该类的平均灰度。

(5)测试终止条件：重复执行步骤(3)和(4)直到满足ε或Qmax所确定的终止条件。对应于图4，图11给出了相应曲面结构的语义分类结果，这里自适应确定的分类数K为4，Ic、ε、Qmax等参数的值则分别被设置为20、1和50。

3.块特征和多级别曲线特征的分类

3.1各向异性小波核函数构建

因为张量投票理论可以有效的处理显著特征并具有较好的鲁棒性，因此在计算机视觉中的分割和物体识别领域发挥着重要作用。受此启发，基于构建的扩散张量，本发明根据其主扩散方向及其与周围领域的关系，来区分某一个体素是属于块特征、曲线的候选种子点还是噪声。由于特征值间的相对差别对体素类型的区分极其重要，因此，为了进行一致处理，首先对特征值进行归一化：

${\stackrel{\&OverBar;}{\mathrm{\&lambda;}}}_i=\frac{{\widetilde{\mathrm{\&lambda;}}}_i}{\sqrt{{\widetilde{\mathrm{\&lambda;}}}_1^2+{\widetilde{\mathrm{\&lambda;}}}_2^2+{\widetilde{\mathrm{\&lambda;}}}_3^2}},i=\mathrm{1,2,3}.$

然后，根据归一化后的扩散张量特征值的特点，定义了如下的的标准来对体素的类型进行区分。实体块：λ₁，λ₂和λ₃都同等显著(>0.6)。曲线候选种子点:λ₃最为显著(>0.6)，λ₁和λ₂均接近于0。

噪声：λ₁，λ₂和λ₃都接近于0，并且它的主扩散方向与其领域的主扩散方向显著不同。对提取的实体块来说，本发明采用类似的自适应聚类算法来对其进行语义分类，图1E给出了块特征分类结果的一个实例。而对于曲线的候选种子点，本发明将对其进行进一步的过滤后用其来初始化曲线特征，并在扩散张量的控制下自动生长出相应的曲线特征。

3.2基于MLS局部曲面拟合的种子点过滤

如图6A所示，由于离散的体素在图像内部的边界处会出现锯齿效应，这会导致一些伪种子点也被一并提取出来。若用移动最小二乘法来对曲面进行局部二次拟合，那么这些伪种子点将会落在拟合的曲面上（它们到局部拟合曲面的投影距离非常小）。虽然曲线一般都是依附于曲面存在，但对于显著的曲线特征来说，它们到局部拟合曲面的投影距离将比锯齿状体素到拟合曲面的投影距离大的多，因此，可以基于这种分析来过滤掉那些伪种子点。如图6B所示，给定候选种子点s，根据分类后的曲面特征及当前种子点的灰度值，本发明可以很容易地的确定当前候选点应该投影到哪个曲面上。然后，根据在s的邻域选择出的相应曲面上的体素点集合P(灰色的点)，可以使用下列公式对该曲面进行局部拟合。

$e_{\mathrm{MLS}}(x,a)=\underset{p_i\&Element;P}{\mathrm{\&Sigma;}}{(<a,p_i>-<a,x>)}^2\mathrm{\&theta;}(x,p_i),$

其中是点

所穿过平面的法向量，t代表从点s到该平面的距离，而 则是高斯核函数。在上述能量公式中，每个点p_i∈P的权重由其到x的距离确定，整个能量公式可以度量该平面对点集P拟合的好坏。因此，本发明可以定义一个向量场：

n(x)=argmin_ae_MLS(x,a),

它由所有穿过x∈R3点的平面的法向量构成，而最终选择的平面应是对点集P的最佳拟合。假设l_x，n(x)是沿n(x)方向穿过点x的直线的集合，曲面的MLS局部拟合应由点x构成的集合来确定，并且点x应满足：

$x\&Element;{\arg \mathrm{local}\min }_{y\&Element;l_{x,n\left(x\right)}}{e}_{\mathrm{MLS}}(y,n\left(x\right))$

如图6B所示，假设n(x)是固定的，由于该能量函数是以x为变量的二次函数，因此，本发明可以很方便的找出它的极值点。这样，给定一个候选种子点s，通过对x和最佳匹配平面进行交替搜索，本发明便可计算出s在局部拟合曲面上的投影为位置x，进而得到它的投影距离。所以，通过去除那些投影距离小于3倍或大于10倍体素间距的候选种子点，本发明可最终得到曲线的实际种子点集合S_f。

3.3多级别曲线特征的自动生长

基于过滤得到的种子点，本发明可在扩散张量的控制下将曲线特征自动生长出来，生长过程可用如下公式来进行描述：

$\left\{\begin{array}{cc}c(v,t+1)={\arg \max }_q{d}_D(c(v,t),q),& q\&Element;{\mathrm{\&Omega;}}_{c(v,t)}\\ \mathrm{and}{d}_D(c(v,t),q)>d_D^{\mathrm{thr}},& \\ c(v,0)=v,& v\&Element;S_f,\\ c(v,0)=0& v\&Element;\mathrm{others},\end{array}\right.$

其中d_D是在公式中定义的扩散张量空间的距离度量，v∈R³代表体素的空间位置，Ω_v当前体素的一环领域集合，d^thr _D是控制所提取曲线特征显著水平的一个阈值，d^thr _D越大，所提取的曲线特征就越显著。

实际上，t代表曲线特征的提取是一个迭代生长的过程。因为本发明会同时得到大量的种子点，因此，若采用串行方式来对所有曲线进行生长，整个计算过程将具有难以接受的时间复杂度。所以，本发明采用CUDA来对其进行加速，这样所以的种子点可以同时并行的进行生长，从而极大地提高了计算效率。此外，其实无论对参数d^thr _D怎样进行调整，都会产生一些较短的曲线，这将使得曲线特征的提取结果显得较为杂乱。因此，对提取的曲线特征进行后处理以过滤掉那些细小的曲线是非常有必要的。因此，本发明在实际实现过程中设置了另外一个参数l_min来限制所提取曲线的弧长，这也要求本发明在曲线生长过程中能够将每一条曲线的生长路径进行全程记录。这样，通过调整参数d^thr _D和l_min，本发明便可提取多级别的曲线特征，其中图8给出了在不同参数组合下所提取的多级别曲线特征的一组实例。

Claims (5)

1.一种三维医学图像多尺度异构特征的提取与分类方法，其特征是：包含以下步骤:

（1）基于三维图像局部黑塞矩阵的特征系统定义一种通用的扩散张量，该张量能够解释图像的局部几何结构，辅助曲线种子点和实体块特征的提取，并可基于扩散张量的距离度量控制线特征的自动生长；

（2）基于扩散张量定义一种数据相关的各向异性小波核函数，在图像的多尺度分析过程中，用于图像的各向异性卷积计算和图像的频带分解；

（3）基于点到局部拟合曲面的投影距离，采用曲线候选种子点过滤方法，有效去除由边界区域离散体素的锯齿而导致的伪种子点，同时，采用了基于CUDA的曲线并行生长算法；

（4）设计了一种鲁棒的三维图像异构结构特征自动提取、分类、过滤和可视化方法，其可同时处理多尺度点特征、多尺度曲面特征、多级别曲线特征和实体块特征，并在异构结构特征提取的基础上，给出了一种自适应的结构特征语义分类方法。

2.根据权利要求1所述的三维医学图像多尺度异构特征的提取与分类方法，其特征是：所述的自适应的结构特征语义分类方法,具体如下：根据已经得到的曲面的几何结构，进一步进行聚类以从语义层面区分那些结构类似但因材质不同而属于不同组织的曲面；图像自带的灰度/颜色信息提供了线索；通过改进K-means算法来自适应地对曲面结构的进行材质类型的聚类分析；对每一个尺度，用Si来表示曲面上相应位置的原始灰度值，聚类算法可被概括为如下几步：

(1)初始化；(2)分配类别标志；(3)构建分类；(4)分类更新；(5)测试终止条件。

3.根据权利要求1所述的三维医学图像多尺度异构特征的提取与分类方法,其特征是：基于三维图像局部黑塞矩阵的特征系统定义了一种通用的扩散张量，定义的扩散张量为：

$D\left(p\right)={\widetilde{\mathrm{\&lambda;}}}_1{e}_1{e}_1^T+{\widetilde{\mathrm{\&lambda;}}}_2{e}_2{e}_2^T+{\widetilde{\mathrm{\&lambda;}}}_3{e}_3{e}_3^T,$

其中，

${\widetilde{\mathrm{\&lambda;}}}_i=\exp (-\frac{{\mathrm{\&lambda;}}_i}{{\mathrm{\&sigma;}}_d}),i=\mathrm{1,2,3},$

λ_i为矩阵特征值，其相应的特征向量可被记为e_i,这里σ_d是一个参数变量用户控制材质间的扩散速度，并且

相当于在每个体素处都通过定义一个椭球来刻画材质间扩散的速度和方向；其中，扩散张量由每个体素点处的黑塞矩阵的特征向量和特征值定义，它用于刻画局部几何结构；一方面，扩散张量自身的特征值能用于块特征和线特征的种子点的提取；另一方面，为了提取多尺度的面特征和点特征，扩散张量被用于辅助定义一个小波核函数，来执行各向异性的多尺度分析；该张量能够解释图像的局部几何结构，辅助曲线种子点和实体块特征的提取，并能基于扩散张量的距离度量控制线特征的自动生长。

4.根据权利要求1所述的三维医学图像多尺度异构特征的提取与分类方法,其特征是：基于扩散张量定义了一种数据相关的各向异性小波核函数,在图像的多尺度分析过程中，它用于图像的各向异性卷积计算和图像的频带分解。

5.根据权利要求1所述三维医学图像多尺度异构特征的提取与分类方法,其特征是：基于点到局部拟合曲面的投影距离中，采用了一种曲线候选种子点过滤方法，包括:用移动最小二乘法来对曲面进行局部二次拟合，这些伪种子点将会落在拟合的曲面上；虽然曲线一般都是依附于曲面存在，但对于显著的曲线特征来说，它们到局部拟合曲面的投影距离将比锯齿状体素到拟合曲面的投影距离大的多，因此，基于这种分析来过滤掉那些伪种子点。

Images