CN104680529A - 基于形状先验和相似性约束的颈动脉内外壁自动分割方法 - Google Patents

Abstract

一种基于形状先验和相似性约束的颈动脉内外壁自动分割方法，所述分割方法包括如下步骤：1)通过SVM方法检测颈动脉内腔，得到内腔所在位置；2)使用各向异性的分割方法分割内壁；3)在分割内壁的基础上，结合外壁的特征学习回归模型，估算外壁大致位置，并构造概率模型；4)使用相似性约束算法分割外壁。本发明提供了一种自动方式、有效实现内外壁分割、精确度较高的基于形状先验和相似性约束的颈动脉内外壁自动分割方法。

Description

基于形状先验和相似性约束的颈动脉内外壁自动分割方法

技术领域

本发明涉及医学图像分割领域，尤其是一种颈动脉内外壁分割方法。

背景技术

医学图像分割是一个根据区域内的相似性以及区域间的不同把图像分割成若干区域的过程。而血管图像分割就是把血管结构从XRA、MRI、CT等医学图像中“提取”出来。考虑到血管图像本身的组织复杂性，成像模糊，对比度低等特性，传统的图像分割方法并不适用。

目前，血管分割方法主要有基于几何变形的水平集方法，测地线活动轮廓模型，基于主动轮廓模型的图割方法等等。现有的分割方法一般都需要用户提供背景和前景的种子点作为先验，不是自动分割方法，而且实现外壁分割的方法较少并且精确度不高。

发明内容

为了克服已有颈动脉分割方法的非自动方式、无法实现外壁分割、精确度不高的不足,本发明提供了一种自动方式、有效实现内外壁分割、精确度较高的基于形状先验和相似性约束的颈动脉内外壁自动分割方法。

本发明解决其技术问题所采用的技术方案是：

一种基于形状先验和相似性约束的颈动脉内外壁自动分割方法，所述分割方法包括如下步骤：

1)通过SVM(Support Vector Machine，支持向量机)方法检测颈动脉内腔，得到内腔所在区域，记为S₀区域；

2)使用各向异性的分割方法分割内壁，过程如下：

把步骤1)检测得到的S₀区域作为分割内壁的先验；

首先，在S₀区域内提取前景种子，在S₀区域外ROI(Region of Interest，感兴趣区域)内提取背景种子；计算S₀的最小直径d_min，然后用直径为1/2d_min的菱形形状腐蚀S₀直到收缩至区域里面的像素点被用作前景种子；使用同样的形状因子把S₀膨胀至把在区域外但在ROI内的像素点作为背景种子；

接下来，把前景和背景种子的灰度值作为特征来构建高斯混合模型，分别对应和通过下面的后验概率公式来计算：

$P_{\mathrm{LIB}}(y_p=f|C)=\frac{P\left(f_p\right|G_{\mathrm{fg}}^{\mathrm{LIB}})}{P\left(f_p\right|G_{\mathrm{fg}}^{\mathrm{LIB}})+P\left(f_p\right|G_{\mathrm{bg}}^{\mathrm{LIB}})}---\left(2\right)$

P_LIB(y_p＝b|C)＝1-P_LIB(y_p＝f|C)   (3)

其中，f_p表示像素p的特征向量；P_LIB(y_p＝f|C)和P_LIB(y_p＝f|C)分别表示像素p属于前景和背景的后验概率；

接着，使用各向异性的分割算法来分割内壁，能量函数如下：

E_LIB(y|C)＝

∑_p∈yD_LIB(y_p)+∑_(p，q)∈NV_LIB(y_p，y_q)+∑_(p，q)∈NS_LIB(y_p，y_q)   (4)

其中，D_LIB(y_p)是数据项被定义为D_LIB(y_p)＝-logP_LIB(y_p|C)，V_LIB(y_p，y_q)是平滑项被定义为V_LIB(y_p，y_q)＝exp(-(I_p-I_q)²/2σ²)；(p，q)∈N表示像素p和q是在一个邻域内，最后S_LIB(y_p，y_q)是一个约束项保证中心点C到像素p的路径上的点q和p拥有同样的标签，表示为：

$S_{\mathrm{LIB}}(y_p,y_q)=\left\{\begin{array}{cc}0& \mathrm{if}(p,q)\∈S*\left(\right\{c\∈C\left\}\right)\\ \∞& \mathrm{otherwise}\end{array}\right.---\left(5\right)$

其中，像素p和q属于不同的邻域M，q是p和中心点集的最近测地距离的路径上的相邻像素；

最后，最小化能量函数(4)，得到精确的内壁分割结果；

3)在分割内壁的基础上，结合外壁的特征学习回归模型，估算外壁大致位置，并构造概率模型；

首先，学习一个回归模型，将内壁的最大直径，平均直径、最小直径和内壁轮廓的力矩作为回归模型的特征，第(u+v)个力矩的计算公式为其中，i和j分别表示内壁轮廓中的某个像素的行和列；

通过这个回归模型估计颈动脉管壁的最大最小厚度，回归模型用如下公式表示：

F是特征向量t＝[t_max，t_min]和W是从训练样本中得到的参数集，t_max是测量得到的最大管壁厚度，同理，t_min是测量得到的最小管壁厚度，是S曲线函数；

通过回归模型估算出最大和最小外壁轮廓后，分别用表示，构造前景和背景两个高斯混合模型；介于(内壁)和之间的像素被看作是前景，在之外和的像素被看作是背景；此外，还构造了对应训练样本的高斯混合模型，结合两部分的高斯混合模型，通过以下公式计算一个像素点p属于前景还是背景的概率：

$\begin{array}{c}{P}_{\mathrm{AB}}(y_p=f|C)=\mathrm{\α}{P}_{\mathrm{AB}1}(y_p=f|C)+(1-\mathrm{\α})P_{\mathrm{AB}2}(y_p=f|C)=\\ \mathrm{\α}\frac{P\left(f_p\right|G_{\mathrm{fg}}^{\mathrm{AB}1})}{P\left(f_p\right|G_{\mathrm{fg}}^{\mathrm{AB}1})+P\left(f_p\right|G_{\mathrm{bg}}^{\mathrm{AB}1})}+(1-\mathrm{\α})\frac{P\left(f_p\right|G_{\mathrm{fg}}^{\mathrm{AB}2})}{P\left(f_p\right|G_{\mathrm{fg}}^{\mathrm{AB}2})+P\left(f_p\right|G_{\mathrm{bg}}^{\mathrm{AB}2})}\end{array}---\left(7\right)$

P_AB(y_p＝b|C)＝

α(1-P_AB1(y_p＝f|C))+(1-α)(1-P_AB2(y_p＝f|C))    (8)

其中，和i∈{1,2}，分别表示第i部分的前景和背景高斯混合模型。和i∈{1,2}，分别表示第i部分高斯混合模型对应的前景或背景概率，α表示第一部分所占的权重，通过公式(7)(8)计算得到的概率的负的对数即数据项；

4)使用相似性约束算法分割外壁，过程如下；

以分割得到的内壁C_l为基础，以每次一个像素的频率逐渐往外扩张；当第i次扩张时，如果C_i曲线上的像素点都被标记为前景，那么之前扩展的曲线C₀到C_i-1的轮廓都看作是前景；

对于第i次曲线上像素p，计算p的8邻域内的点与C_l的距离，并分为两种情况，第一种情况：邻域点与C_l的距离不大于p到C_l的距离，第二种情况：邻域点与C_l的距离大于p到C_l的距离；把符合第一种情况的邻域点标为前景区域，所以，如果当前曲线上某一点属于前景，那么整个曲线也属于前景；

相似性约束算法采用以下公式定义：

$S_{\mathrm{AB}}(y_p,y_q)=\left\{\begin{array}{cc}0& \mathrm{if}{d}_q\≤d_p\\ \∞& \mathrm{otherwise}\end{array}\right.$

其中，d_p和d_q表示像素p和q到C_l的距离，d_q是指像素q和C_l所有点的最小欧氏距离；

得到的S_AB和常规平滑项V_AB，还有步骤3)中的得到的数据项D_AB共同构成能量函数，能量函数最小时就得到了外壁的分割结果。

进一步，所述步骤1)中，得到内腔所在位置的过程如下：

首先统计每一个颈动脉训练样本的内腔位置，接着，采用两个涵盖内腔区域的矩形框作为ROI，其中一个表示左颈动脉内腔，另外一个表示右颈动脉内腔；分割内壁时，首先通过学习到的ROI来分割内壁，接着下一序列的ROI区域由上一幅相邻图像的分割结果确定；

对于给定的上一帧的分割结果内壁和外壁新的ROIO_i+1由的中心和的长和宽决定：

$C_{O_{i+1}}=C_{{\mathrm{\Ω}}_i^l},h_{O_{i+1}}=\mathrm{\η}\×h_{{\mathrm{\Ω}}_i^{\mathrm{\α}}},w_{O_{i+1}}=\mathrm{\η}\×w_{{\mathrm{\Ω}}_i^{\mathrm{\α}}}---\left(1\right)$

其中，η∈[1,1.5]是一个放大系数；

对于ROI，首先使用OTSU(最大类间方差法或大律法)对它二值化，所有连续的0值对应的区域被看作内腔；接着，使用HoG(Histogram of OrientedGradients，梯度方向直方图)特征训练一个两类的SVM(Support Vector Machine，支持向量机)分类器来辨别真的内腔；训练分类器时，把医生标定的内腔对应的最小外接矩形作为正样本，在分类时，采用形态学操作，当某块连通区域被分类器视为内腔时，这块区域肯定含有内腔。

本发明的有益效果主要表现在：基于形状先验和相似性约束的分割算法，既能准确分割颈动脉内外壁又能实现自动分割。

具体实施方式

下面对本发明作进一步描述。

一种基于形状先验和相似性约束的颈动脉内外壁自动分割方法，包括如下步骤：

1)通过SVM(Support Vector Machine，支持向量机)方法检测颈动脉内腔，得到内腔所在位置；

检测内腔位置的过程主要如下：在MR图像中，内腔区域有较为特殊的形状和灰度(接近圆形，灰度值较小)，而且位置相对固定，能比较容易的将它和其他组织区分并且获得内腔的大致位置。首先统计每一个颈动脉训练样本的内腔位置。接着，采用两个涵盖内腔区域的矩形框作为ROI。其中一个表示左颈动脉内腔，另外一个表示右颈动脉内腔。分割内壁时，首先通过学习到的ROI来分割内壁，接着下一序列的ROI区域由上一幅相邻图像的分割结果确定。

对于给定的上一帧的分割结果内壁和外壁新的ROIO_i+1由的中心和的长和宽决定：

$C_{O_{i+1}}=C_{{\mathrm{\Ω}}_i^l},h_{O_{i+1}}=\mathrm{\η}\×h_{{\mathrm{\Ω}}_i^{\mathrm{\α}}},w_{O_{i+1}}=\mathrm{\η}\×w_{{\mathrm{\Ω}}_i^{\mathrm{\α}}}---\left(1\right)$

其中η∈[1,1.5]是一个放大系数来确保当前序列的新ROI完全覆盖外壁。

对于ROI，首先使用OTSU(最大类间方差法或大律法)最大类间方差法对它二值化。所有连续的0值对应的区域被看作内腔。接着，使用HoGHistogram of Oriented Gradients，梯度方向直方图)特征训练一个两类的SVM(Support Vector Machine，支持向量机)分类器来辨别真的内腔。训练分类器时，把医生标定的内腔对应的最小外接矩形作为正样本。在分类时，通过多次膨胀和腐蚀等形态学操作来提高准确性。当某块连通区域被分类器视为内腔时，这块区域肯定含有内腔，并记为S₀区域。

2)使用一种各向异性的分割方法精确分割内壁；

把上一步骤检测得到的S₀区域作为精确分割内壁的先验。首先，在S₀区域内提取前景种子，在S₀区域外ROI区域内提取背景种子。具体过程如下：计算S₀的最小直径d_min，然后用直径为1/2d_min的菱形形状腐蚀S₀直到收缩至 区域里面的像素点被用作前景种子。使用同样的形状因子把S₀膨胀至把在区域外但在ROI内的像素点作为背景种子。接下来，把前景和背景种子的灰度值作为特征来构建高斯混合模型，分别对应和通过下面的后验概率公式来计算：

$P_{\mathrm{LIB}}(y_p=f|C)=\frac{P\left(f_p\right|G_{\mathrm{fg}}^{\mathrm{LIB}})}{P\left(f_p\right|G_{\mathrm{fg}}^{\mathrm{LIB}})+P\left(f_p\right|G_{\mathrm{bg}}^{\mathrm{LIB}})}---\left(2\right)$

P_LIB(y_p＝b|C)＝1-P_LIB(y_p＝f|C)   (3)

其中，f_p表示像素p的特征向量；P_LIB(y_p＝f|C)和P_LIB(y_p＝f|C)分别表示像素p属于前景和背景的后验概率。

接着，使用一种各向异性的分割算法来精确分割内壁，能量函数如下：

E_LIB(y|C)＝

∑_p∈yD_LIB(y_p)+∑_(p，q)∈NV_LIB(y_p，y_q)+∑_(p，q)∈NS_LIB(y_p，y_q)   (4)

其中，D_LIB(y_p)是数据项被定义为D_LIB(y_p)＝-logP_LIB(y_p|C)，V_LIB(y_p，y_q)是平滑项被定义为V_LIB(y_p，y_q)＝exp(-(I_p-I_q)²/2σ²)；(p，q)∈N表示像素p和q是在一个邻域内，通常是4邻域或8邻域，最后S_LIB(y_p，y_q)是一个约束项保证中心点C到像素p的路径上的点q和p拥有同样的标签，可以表示为：

$S_{\mathrm{LIB}}(y_p,y_q)=\left\{\begin{array}{cc}0& \mathrm{if}(p,q)\∈S*\left(\right\{c\∈C\left\}\right)\\ \∞& \mathrm{otherwise}\end{array}\right.---\left(5\right)$

其中，像素p和q属于不同的邻域M，q是p和中心点集的最近测地距离的路径上的相邻像素。

最后，最小化能量函数(4)，得到精确的内壁分割结果。

3)在分割内壁的基础上，结合外壁的特征学习回归模型，估算外壁大致位置，并构造概率模型；

首先学习一个回归模型，将内壁的最大直径，平均直径、最小直径和内壁轮廓的力矩作为回归模型的特征。第(u+v)个力矩的计算公式为其中，i和j分别表示内壁轮廓中的某个像素的行和列。

通过这个回归模型估计颈动脉管壁的最大最小厚度。回归模型可以用如下公式表示：

F是特征向量t＝[t_max，t_min]和W是从训练样本中得到的参数集，t_max是测量得到的最大管壁厚度，同理，t_min是测量得到的最小管壁厚度，是S曲线函数。

通过回归模型估算出最大和最小外壁轮廓后，分别用表示，构造前景和背景两个高斯混合模型。介于(内壁)和之间的像素被看作是前景，在之外和的像素被看作是背景。此外，还构造了对应训练样本的高斯混合模型。结合两部分的高斯混合模型，通过以下公式计算一个像素点p属于前景还是背景的概率：

$\begin{array}{c}{P}_{\mathrm{AB}}(y_p=f|C)=\mathrm{\α}{P}_{\mathrm{AB}1}(y_p=f|C)+(1-\mathrm{\α})P_{\mathrm{AB}2}(y_p=f|C)=\\ \mathrm{\α}\frac{P\left(f_p\right|G_{\mathrm{fg}}^{\mathrm{AB}1})}{P\left(f_p\right|G_{\mathrm{fg}}^{\mathrm{AB}1})+P\left(f_p\right|G_{\mathrm{bg}}^{\mathrm{AB}1})}+(1-\mathrm{\α})\frac{P\left(f_p\right|G_{\mathrm{fg}}^{\mathrm{AB}2})}{P\left(f_p\right|G_{\mathrm{fg}}^{\mathrm{AB}2})+P\left(f_p\right|G_{\mathrm{bg}}^{\mathrm{AB}2})}\end{array}---\left(7\right)$

P_AB(y_p＝b|C)＝

α(1-P_AB1(y_p＝f|C))+(1-α)(1-P_AB2(y_p＝f|C))    (8)

其中，和i∈{1,2}，分别表示第i部分的前景和背景高斯混合模型。和i∈{1,2}，分别表示第i部分高斯混合模型对应的前景或背景概率。α表示第一部分所占的权重，实验中设为0.25—0.55之间，通过公式(7)(8)计算得到的概率的负的对数即数据项。

4)使用新的相似性约束算法分割外壁；

基于相似性约束法的分割过程如下：以分割得到的内壁C_l为基础，以每次一个像素的频率逐渐往外扩张。当第i次扩张时，如果C_i曲线上的像素点都被标记为前景，那么之前扩展的曲线C₀到C_i-1的轮廓都看作是前景。具体步骤为：对于第i次曲线上像素p，计算p的8邻域内的点与C_l的距离，并分为两种情况。第一种情况：邻域点与C_l的距离不大于p到C_l的距离，第二种情况：邻域点与C_l的距离大于p到C_l的距离。把符合第一种情况的邻域点标为前景区域。所以，如果当前曲线上某一点属于前景，那么整个曲线也属于前景。

对于这种相似性约束算法，我们有以下公式定义S_AB：

$S_{\mathrm{AB}}(y_p,y_q)=\left\{\begin{array}{cc}0& \mathrm{if}{d}_q\≤d_p\\ \∞& \mathrm{otherwise}\end{array}\right.$

其中，d_p和d_q表示像素p和q到C_l的距离，d_q是指像素q和C_l所有点的最小欧氏距离。

得到的S_AB和常规平滑项V_AB，还有步骤3)中的得到的数据项D_AB共同构成能量函数，能量函数最小时就得到了外壁的分割结果。

Claims (2)

1.一种基于形状先验和相似性约束的颈动脉内外壁自动分割方法，其特征在于：所述分割方法包括如下步骤：

1)通过SVM方法检测颈动脉内腔，内腔所在区域，记为S₀区域；

2)使用各向异性的分割方法分割内壁，过程如下：

把步骤1)检测得到的S₀区域作为分割内壁的先验；

首先，在S₀区域内提取前景种子，在S₀区域外ROI区域内提取背景种子；计算S₀的最小直径d_min，然后用直径为1/2d_min的菱形形状腐蚀S₀直到收缩至区域里面的像素点被用作前景种子；使用同样的形状因子把S₀膨胀至把在区域外但在ROI内的像素点作为背景种子；

接下来，把前景和背景种子的灰度值作为特征来构建高斯混合模型，分别对应和通过下面的后验概率公式来计算：

$P_{\mathrm{LIB}}(y_p=f|C)=\frac{P\left(f_p\right|G_{\mathrm{fg}}^{\mathrm{LIB}})}{P\left(f_p\right|G_{\mathrm{fg}}^{\mathrm{LIB}})+P\left(f_p\right|G_{\mathrm{bg}}^{\mathrm{LIB}})}---\left(2\right)$

P_LIB(y_p＝b|C)＝1-P_LIB(y_p＝f|C)   (3)

其中，f_p表示像素p的特征向量；P_LIB(y_p＝f|C)和P_LIB(y_p＝f|C)分别表示像素p属于前景和背景的后验概率；

接着，使用各向异性的分割算法来分割内壁，能量函数如下：

E_LIB(y|C)＝

∑_p∈yD_LIB(y_p)+∑_(p，q)∈NV_LIB(y_p，y_q)+∑_(p，q)∈NS_LIB(y_p，y_q)   (4)

其中，D_LIB(y_p)是数据项被定义为D_LIB(y_p)＝-logP_LIB(y_p|C)，V_LIB(y_p，y_q)是平滑项被定义为V_LIB(y_p，y_q)＝exp(-(I_p-I_q)²/2σ²)；(p，q)∈N表示像素p和q是在一个邻域内，最后S_LIB(y_p，y_q)是一个约束项保中心点C到像素p的路径上的点q和p拥有同样的标签，表示为：

$S_{\mathrm{LIB}}(y_p,y_q)=\left\{\begin{array}{cc}0& \mathrm{if}(p,q)\∈S^{*}\left(\right\{c\∈C\left\}\right)\\ \∞& \mathrm{otherwise}\end{array}\right.---\left(5\right)$

其中，像素p和q属于不同的邻域M，q是p和中心点集的最近测地距离的路径上的相邻像素；

最后，最小化能量函数(4)，得到精确的内壁分割结果；

3)在分割内壁的基础上，结合外壁的特征学习回归模型，估算外壁大致位置，并构造概率模型；

首先，学习一个回归模型，将内壁的最大直径，平均直径、最小直径和内壁轮

廓的力矩作为回归模型的特征，第(u+v)个力矩的计算公式为

其中，i和j分别表示内壁轮廓中的某个像素的行和列；通过这个回归模型估计颈动脉管壁的最大最小厚度，回归模型用如下公式表示：

F是特征向量t＝[t_max，t_min]和W是从训练样本中得到的参数集，t_max是测量得到的最大管壁厚度，同理，t_min是测量得到的最小管壁厚度，是S曲线函数；

通过回归模型估算出最大和最小外壁轮廓后，分别用表示，构造前景和背景两个高斯混合模型；介于(内壁)和之间的像素被看作是前景，在之外和的像素被看作是背景；此外，还构造了对应训练样本的高斯混合模型，结合两部分的高斯混合模型，通过以下公式计算一个像素点p属于前景还是背景的概率：

$\begin{array}{c}{P}_{\mathrm{AB}}(y_p=f|C)=\mathrm{\α}{P}_{\mathrm{AB}1}(y_p=f|C)+(1-\mathrm{\α})P_{\mathrm{AB}2}(y_p=f|C)=\\ \mathrm{\α}\frac{P\left(f_p\right|G_{\mathrm{fg}}^{\mathrm{AB}1})}{P\left(f_p\right|G_{\mathrm{fg}}^{\mathrm{AB}1})+P\left(f_p\right|G_{\mathrm{bg}}^{\mathrm{AB}1})}+(1-\mathrm{\α})\frac{P\left(f_p\right|G_{\mathrm{fg}}^{\mathrm{AB}2})}{P\left(f_p\right|G_{\mathrm{fg}}^{\mathrm{AB}2})+P\left(f_p\right|G_{\mathrm{bg}}^{\mathrm{AB}2})}\end{array}---\left(7\right)$

P_AB(y_p＝b|C)＝

α(1-P_AB1(y_p＝f|C))+(1-α)(1-P_AB2(y_p＝f|C))   (8)

其中，和i∈{1,2}，分别表示第i部分的前景和背景高斯混合模型，和i∈{1,2}，分别表示第i部分高斯混合模型对应的前景或背景概率，α表示第一部分所占的权重，通过公式(7)(8)计算得到的概率的负的对数即数据项；

4)使用相似性约束算法分割外壁，过程如下；

以分割得到的内壁C_l为基础，以每次一个像素的频率逐渐往外扩张；当第i次扩张时，如果C_i曲线上的像素点都被标记为前景，那么之前扩展的曲线C₀到C_i-1的轮廓都看作是前景；

对于第i次曲线上像素p，计算p的8邻域内的点与C_l的距离，并分为两种情况，第一种情况：邻域点与C_l的距离不大于p到C_l的距离，第二种情况：邻域点与C_l的距离大于p到C_l的距离；把符合第一种情况的邻域点标为前景区域，所以，如果当前曲线上某一点属于前景，那么整个曲线也属于前景；

相似性约束算法采用以下公式定义：

$S_{\mathrm{AB}}(y_p,y_q)=\left\{\begin{array}{cc}0& \mathrm{if}{d}_q\≤d_p\\ \∞& \mathrm{otherwise}\end{array}\right.$

其中，d_p和d_q表示像素p和q到C_l的距离，d_q是指像素q和C_l所有点的最小欧氏距离；

得到的S_AB和常规平滑项V_AB，还有步骤3)中的得到的数据项D_AB共同构成能量函数，能量函数最小时就得到了外壁的分割结果。

2.如权利要求1所述的一种基于形状先验和相似性约束的颈动脉内外壁自动分割方法，其特征在于：所述步骤1)中，得到内腔所在位置的过程如下：

首先统计每一个颈动脉训练样本的内腔位置，接着，采用两个涵盖内腔区域的矩形框作为ROI，其中一个表示左颈动脉内腔，另外一个表示右颈动脉内腔；分割内壁时，首先通过学习到的ROI来分割内壁，接着下一序列的ROI区域由上一幅相邻图像的分割结果确定；

对于给定的上一帧的分割结果内壁和外壁新的ROI O_i+1由的中心和的长和宽决定：

$C_{O_{i+1}}=C_{{\mathrm{\Ω}}_i^l},h_{O_{i+1}}=\mathrm{\η}\×h_{{\mathrm{\Ω}}_i^{\mathrm{\α}}},w_{O_{i+1}}=\mathrm{\η}\×w_{{\mathrm{\Ω}}_i^{\mathrm{\α}}}---\left(1\right)$

其中，η∈[1,1.5]是一个放大系数；

对于ROI，首先使用OTSU最大类间方差法对它二值化，所有连续的0值对应的区域被看作内腔；接着，使用HoG特征训练一个两类的SVM分类器来辨别真的内腔；训练分类器时，把医生标定的内腔对应的最小外接矩形作为正样本，在分类时，采用形态学操作，当某块连通区域被分类器视为内腔时，这块区域肯定含有内腔，并记为S₀区域。