CN104751457B - 一种新的基于变分能量的肝脏分割方法 - Google Patents
一种新的基于变分能量的肝脏分割方法 Download PDFInfo
- Publication number
- CN104751457B CN104751457B CN201510122577.4A CN201510122577A CN104751457B CN 104751457 B CN104751457 B CN 104751457B CN 201510122577 A CN201510122577 A CN 201510122577A CN 104751457 B CN104751457 B CN 104751457B
- Authority
- CN
- China
- Prior art keywords
- mrow
- liver
- msub
- image
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及医学图像处理领域，旨在提供一种新的基于变分能量的肝脏分割方法。该种新的基于变分能量的肝脏分割方法包括步骤：对CTA图像进行预处理，交互式获得初始化区域；确定图像中各像素点到各初始化区域的测地距离；确定图像中各像素点的特征邻域内的特征累积分布直方图以及区域表征项；优化新的变分能量模型，并分割肝脏；进行后处理，得到肝脏的轮廓。本发明的模型借助于测地距离来自适应地选择由初始化区域估计得来的灰度先验信息和区域特征先验信息，不仅可以有效地将健康的肝脏分割出来，而且当肝脏内部含有低灰度或者高灰度病变时，本发明方法也能准确地将病变肝脏分割出来。
Description
技术领域
本发明是关于医学图像处理领域，特别涉及一种新的基于变分能量的肝脏分割方法。
背景技术
目前，肝脏疾病是临床上发病概率比较高的疾病，直接威胁到人们的生命。所以肝脏疾病的准确诊断具有重要的医学意义，而肝脏提取和定量分析对肝脏疾病的诊断起到了决定性的作用。CT机，即计算机断层扫描机，是获得肝脏影像图片的常用设备。它利用人体器官对X射线的吸收能力各异的特性，摄取被检查部位的一系列平面灰度断层图像，医生则通过连续地查看这些图像来判断病灶的病变位置、特征、大小、同周围组织之间的关系等。但仅靠一系列灰度图像很难准确地诊断疾病以及制定恰当的治疗方案，而直接在CTA图像上，即CT血管造影图像上，人工描绘肝脏轮廓又是非常耗时、缺乏鲁棒性的，所以急需建立好的肝脏分割模型。非人工的肝脏分割方法有半自动和全自动两大类方法。半自动方法需要人机交互，全自动方法则不需要任何人工干预，然而半自动方法在临床应用上依然具有优势，特别是处理像肝脏这样形变各异的脏器。上述两类方法的典型代表有基于灰度的方法、概率图谱方法、水平集方法、区域增长方法、Active Shape model等，这些方法各有优缺点，但共有的问题是：(1)无法完全将肝脏同周围粘连组织分割开；(2)无法正确地分割含灰度病变的肝脏。为解决问题(1)彭佳林在其专利《CTA图像中肝脏血管增强及肝脏与血管同时分割的方法》中提出了混合变分模型，该模型利用由初始化区域估计得到的灰度信息和区域信息来分割肝脏，很好地解决了问题(1)，但依旧解决不了问题(2)。另外CTA图像的低对比度、高噪声、模糊边界的特性，使得克服问题(2)更具难度。
发明内容
本发明的主要目的在于克服现有技术中的不足，提供一种既适用于健康肝脏，又适用于存在低灰度或高灰度病变肝脏的肝脏分割方法。为解决上述技术问题，本发明的解决方案是：
提供一种新的基于变分能量的肝脏分割方法，用于对CTA图像，即计算机断层扫描血管造影图像中的肝脏进行分割，包括下列步骤：
步骤1：对CTA图像进行预处理，交互式获得初始化区域；
步骤2：确定图像中各像素点到各初始化区域的测地距离；
步骤3：确定图像中各像素点的特征邻域内的特征累积分布直方图以及区域表征项；
步骤4：优化新的变分能量模型，并分割肝脏；
步骤5：进行后处理，得到肝脏的轮廓；
所述步骤1的具体过程是：
假设输入的CTA图像I(x)为三维灰度图像数据，图像I(x)定义域为灰度范围为[0，N]，像素点为x＝(x1，x2，x3)；
对图像I(x)进行Laplace平滑，去除噪声；然后在肝脏内部初始化两块区域并计算两个区域的灰度均值和标准差和取
以上所述符号R3表示三维欧式空间，符号表示集合包含于，N表示自然数；
所述步骤2的具体过程是：
对图像I(x)中的每一像素点x，计算其到每个初始化区域的测地距离Di(x)：
其中，Λ是由所有从像素点t到像素点x的路径组成的集合，β是正参数，取值范围在0～1之间，是梯度算子，||表示模长，表示从t到x的路径上的曲线积分，ds表示曲线积分元，∈表示元素属于，s是指像素点，I(s)是指像素点s的灰度值；
所述步骤3的具体过程，分别进行如下处理：
步骤A：选取图像I(x)的灰度、纹理、局部灰度标准差作为图像的联合特征来描述区域表征项FI(x)；
步骤B：对图像I(x)的每一个像素点x，计算以x为中心的小邻域O(x)内FI(x)的累积分布直方图Fx；
步骤C：确定步骤1中形成的初始化区域内区域表征的累积分布直方图Fi，i＝1，2；
步骤D：确定基于区域的区域表征项Pi＝W(Fx，Fi)，i＝1，2，
其中，W(Fx，Fi)表示Fx与Fi之间的Wasserstein距离；
所述步骤4的具体过程是：
通过极小化如下的变分能量泛函得到最优的分割曲面C*，
所述f(x)为阈值函数，用来分割出肝脏以及肿瘤的大部分区域，具体形式如下：
其中H(x)为Heviside函数，
其中D(x)＝D2(x)-D1(x)，Di(i＝1，2)为步骤2计算所得；
所述势能函数P(x)＝H(D(x))P1(x)+(1-H(D(x)))P2(x)，Pi(x)(i＝1，2)为步骤3计算所得；
上述符号α，γ为正常数，取值范围分别为50～80和65～100，用于调节变分模型中各项的权重；Ωi表示曲面C的内部区域，这里曲面C表示任意一个可能的分割曲面，C*表示所有可能的分割曲面中的最优分割曲面；表示在封闭曲面C上的积分；表示在区域Ωi内的积分；ds表示曲面积分元；dΩ表示区域积分元；
步骤5的具体过程，分别进行如下处理：
步骤a：用Laplace算子光滑最优曲面C*；
步骤b：记C*的内部和外部区域分别为Ωin、Ωout，则Ωin∪Ωout＝Ω，定义如下函数：计算Ωin内图像I(x)的灰度均值m1和灰度标准差σ1；
步骤c：对二值函数χ(x)填洞得到新二值函数χ*(x)，从而可按如下方式得到肝脏区域Hliver(x)：
与现有技术相比，本发明的有益效果是：
本模型借助于测地距离来自适应地选择由初始化区域估计得来的灰度先验信息和区域特征先验信息，不仅可以有效地将健康的肝脏分割出来，而且当肝脏内部含有低灰度或者高灰度病变时，本发明方法也能准确地将病变肝脏分割出来。
附图说明
图1为本发明的操作流程图。
图2为示例三维体数据的第105层原图。
图3为第105层数据经本发明技术处理后的效果图。
图4为示例三维体数据的第76层原图。
图5为第76层数据经本发明技术处理后的效果图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
图1中是一种新的基于变分能量的肝脏分割方法的操作流程图，用于对CTA图像中的肝脏进行分割，具体过程如下：
1、输入肝脏CTA扫描图像I1，大小为512×512×151，调整窗宽窗位使得肝脏灰度范围主要介于0和350之间。对图像进行Laplace光滑后得到去噪图像I。初始化采用交互式软件，分别在肝脏内部初始化两块区域在实例中两初始化区域的灰度均值及标准差为取
2、对图像I(x)中的每一像素点x，计算其到每个初始化区域的测地距离：
其中，Λ是由所有从像素点t到像素点x的路径组成的集合，β在本实例中取为0.2，I(s)是指像素点s的灰度值。
3、计算每一像素点x的球形邻域Or(x)内的区域特征累积分布直方图Fx，其中球形邻域半径r在本实例中取作1；计算初始化区域内的区域特征累积直方图Fi(i＝1，2)
4、确定Fx与Fi之间的Wasserstein距离，W(Fx，Fi)。
5、为求解新的变分能量泛函，引入水平集函数，即符号距离函数，
其中dist(x，C(t)表示x到曲面C(t)的最短欧氏距离，t为时间变量。从而步骤5中的优化问题转化为求解下述偏微分方程：
该偏微分方程组可以采用半隐式有限差分格式求解，其中参数α，γ取值均为70。所述符号为散度符号，表示关于变量t的求导算子，是梯度算子，||表示模长。
经过上述步骤得到最优分割曲面C*，其内部和外部区域分别记为Ωin和Ωout，定义如下二值函数
计算Ωin内图像I(x)的灰度均值m1和灰度标准差σ1，本示例中m1＝107.4，σ1＝29.3。对函数χ(x)填洞得到新二值函数χ*(x)，按如下方式得到肝脏区域：
图2为示例三维体数据的第105层，图3为本发明技术分割出来的肝脏第105层效果图，其中肝脏边界用白线描画出。图4为示例三维体数据的第76层，可以看出肝脏内部存在明显的肿瘤，即灰度较暗处。图5为本发明技术分割出来的肝脏第76层效果图，肝脏边界用白线描画出。可以看出即使肝脏内部含有与肝脏灰度差别较大的肿瘤，本发明方法仍能将肝脏准确分割出来，并且不会将灰度与肝脏相近的软组织分到肝脏里面。
最后，需要注意的是，以上列举的仅是本发明的具体实施例。显然，本发明不限于以上实施例，还可以有很多变形。本领域的普通技术人员能从本发明公开的内容中直接导出或联想到的所有变形，均应认为是本发明的保护范围。
Claims (1)
1.一种新的基于变分能量的肝脏分割方法，用于对CTA图像，即计算机断层扫描血管造影图像中的健康肝脏以及存在低灰度或高灰度病变肝脏的肝脏进行分割，其特征在于，包括下列步骤：
步骤1：对CTA图像进行预处理，交互式获得初始化区域；
步骤2：确定图像中各像素点到各初始化区域的测地距离；
步骤3：确定图像中各像素点的特征邻域内的特征累积分布直方图以及区域表征项；
步骤4：优化新的变分能量模型，并分割肝脏；
步骤5：进行后处理，得到肝脏的轮廓；
所述步骤1的具体过程是：
假设输入的CTA图像I(x)为三维灰度图像数据，图像I(x)定义域为灰度范围为[0，N]，像素点为x＝(x1，x2，x3)；
对图像I(x)进行Laplace平滑，去除噪声；然后在肝脏内部初始化两块区域并计算两个区域的灰度均值和标准差和取
以上所述符号R3表示三维欧式空间，符号表示集合包含于，N表示自然数；
所述步骤2的具体过程是：
对图像I(x)中的每一像素点x，计算其到每个初始化区域的测地距离Di(x)：
其中，Λ是由所有从像素点t到像素点x的路径组成的集合，β是正参数，取值范围在0～1之间，是梯度算子，||表示模长，表示从t到x的路径上的曲线积分，ds表示曲线积分元，∈表示元素属于，s是指像素点，I(s)是指像素点s的灰度值；
所述步骤3的具体过程，分别进行如下处理：
步骤A：选取图像I(x)的灰度、纹理、局部灰度标准差作为图像的联合特征来描述区域表征项FI(x)；
步骤B：对图像I(x)的每一个像素点x，计算以x为中心的小邻域O(x)内FI(x)的累积分布直方图Fx；
步骤C：确定步骤1中形成的初始化区域内区域表征的累积分布直方图Fi，i＝1，2；
步骤D：确定基于区域的区域表征项Pi＝W(Fx，Fi)，i＝1，2，
其中，W(Fx，Fi)表示Fx与Fi之间的Wasserstein距离；
所述步骤4的具体过程是：
通过极小化如下的变分能量泛函得到最优的分割曲面C*，
所述f(x)为阈值函数，用来分割出肝脏以及肿瘤的大部分区域，具体形式如下：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>D</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mfrac>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>&eta;</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>&eta;</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mfrac>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>H</mi>
<mo>(</mo>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mfrac>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
<mo>(</mo>
<msub>
<mi>&eta;</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<mi>I</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&eta;</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mfrac>
<mo>,</mo>
</mrow>
其中H(x)为Heviside函数，
其中D(x)＝D2(x)-D1(x)，Di(i＝1，2)为步骤2计算所得；
所述势能函数P(x)＝H(D(x))P1(x)+(1-H(D(x)))P2(x)，Pi(x)(i＝1，2)为步骤3计算所得；
上述符号α，γ为正常数，取值范围分别为50～80和65～100，用于调节变分模型中各项的权重；Ωl表示曲面C的内部区域，这里曲面C表示任意一个可能的分割曲面，C*表示所有可能的分割曲面中的最优分割曲面；表示在封闭曲面C上的积分；表示在区域Ωl内的积分；ds表示曲面积分元；dΩ表示区域积分元；
步骤5的具体过程，分别进行如下处理：
步骤a：用Laplace算子光滑最优曲面C*：
步骤b：记C*的内部和外部区域分别为Ωin、Ωout，则Ωin∪Ωout＝Ω，定义如下函数：计算Ωin内图像I(x)的灰度均值m1和灰度标准差σ1；
步骤c：对二值函数χ(x)填洞得到新二值函数χ*(x)，从而可按如下方式得到肝脏区域Hliver(x)：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510122577.4A CN104751457B (zh) | 2015-03-19 | 2015-03-19 | 一种新的基于变分能量的肝脏分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510122577.4A CN104751457B (zh) | 2015-03-19 | 2015-03-19 | 一种新的基于变分能量的肝脏分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104751457A CN104751457A (zh) | 2015-07-01 |
| CN104751457B true CN104751457B (zh) | 2017-12-22 |
Family
ID=53591076
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510122577.4A Active CN104751457B (zh) | 2015-03-19 | 2015-03-19 | 一种新的基于变分能量的肝脏分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104751457B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106056596B (zh) * | 2015-11-30 | 2019-02-26 | 浙江德尚韵兴图像科技有限公司 | 基于局部先验信息和凸优化的全自动三维肝脏分割方法 |
| CN106204587B (zh) * | 2016-05-27 | 2019-01-08 | 浙江德尚韵兴图像科技有限公司 | 基于深度卷积神经网络和区域竞争模型的多器官分割方法 |
| CN112634273B (zh) * | 2021-03-10 | 2021-08-13 | 四川大学 | 一种基于深度神经网络的脑转移瘤分割系统及其构建方法 |
| CN116416166B (zh) * | 2023-06-12 | 2023-08-04 | 贵州省人民医院 | 一种肝活检数据分析方法及系统 |
| CN116740768B (zh) * | 2023-08-11 | 2023-10-20 | 南京诺源医疗器械有限公司 | 基于鼻颅镜的导航可视化方法、系统、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1080449A1 (en) * | 1998-05-29 | 2001-03-07 | Computerized Medical Systems, Inc. | Autosegmentation / autocontouring system and method |
| CN102609913A (zh) * | 2012-01-17 | 2012-07-25 | 浙江大学 | Cta图像中肝脏血管增强及肝脏与血管同时分割的方法 |
| CN103700068A (zh) * | 2012-01-17 | 2014-04-02 | 浙江大学 | 一种cta图像中肝脏与血管同时分割的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8577104B2 (en) * | 2010-06-25 | 2013-11-05 | Carestream Health, Inc. | Liver lesion segmentation |
-
2015
- 2015-03-19 CN CN201510122577.4A patent/CN104751457B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1080449A1 (en) * | 1998-05-29 | 2001-03-07 | Computerized Medical Systems, Inc. | Autosegmentation / autocontouring system and method |
| CN102609913A (zh) * | 2012-01-17 | 2012-07-25 | 浙江大学 | Cta图像中肝脏血管增强及肝脏与血管同时分割的方法 |
| CN103700068A (zh) * | 2012-01-17 | 2014-04-02 | 浙江大学 | 一种cta图像中肝脏与血管同时分割的方法 |
Non-Patent Citations (4)
| Title |
|---|
| A New Adaptive Variational Model for Liver Segmentation with Region Appearance Propagation;Jialin Peng 等;《Preprint》;20111231;第1,2,6-9页 * |
| A New Convex Variational Model for Liver Segmentation;Jialin Peng 等;《21st International Conference on Pattern Recognition (ICPR 2012)》;20121130;3574-3577 * |
| A region-apperance-based adaptive variatrional model for 3D liver segmentation;Jian Peng 等;《Medical physics》;20141231;第41卷(第4期);1-13 * |
| 变分能量方法及其在医学处理中的应用;彭佳林;《中国博士学位论文全文数据库》;20140815;I138-13 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104751457A (zh) | 2015-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104751457B (zh) | 一种新的基于变分能量的肝脏分割方法 | |
| CN106204587B (zh) | 基于深度卷积神经网络和区域竞争模型的多器官分割方法 | |
| CN109064476B (zh) | 一种基于水平集的ct胸片肺组织图像分割方法 | |
| CN104299216B (zh) | 基于多尺度各向异性分解和低秩分析的多模态医学图像融合方法 | |
| CN104318536B (zh) | Ct图像的校正方法及装置 | |
| US20170091574A1 (en) | Applications of automatic anatomy recognition in medical tomographic imagery based on fuzzy anatomy models | |
| CN106447645A (zh) | 增强ct图像中冠脉钙化检测及量化装置和方法 | |
| CN102609913B (zh) | Cta图像中肝脏血管增强及肝脏与血管同时分割的方法 | |
| CN102930552B (zh) | 基于对称结构减影的脑肿瘤自动提取方法 | |
| CN106056596B (zh) | 基于局部先验信息和凸优化的全自动三维肝脏分割方法 | |
| CN106023200A (zh) | 一种基于泊松模型的x光胸片图像肋骨抑制方法 | |
| WO2013131420A1 (zh) | 医学影像的目标区域边界确定装置和方法 | |
| CN107045721A (zh) | 一种从胸部ct图像中提取肺血管的方法及装置 | |
| Sezer et al. | Deep convolutional neural network-based automatic classification of neonatal hip ultrasound images: A novel data augmentation approach with speckle noise reduction | |
| CN104637056B (zh) | 基于稀疏表示的医学ct图像肾上腺肿瘤分割方法 | |
| CN104091309B (zh) | 一种平板x射线图像的均衡显示方法及系统 | |
| CN103035009A (zh) | 一种基于ct影像的肺结节边缘重建与分割方法 | |
| Heyde et al. | Anatomical image registration using volume conservation to assess cardiac deformation from 3D ultrasound recordings | |
| CN106910179A (zh) | 基于小波变换的多模态医学图像融合方法 | |
| CN106909947A (zh) | 基于Mean Shift算法的CT图像金属伪影消除方法及消除系统 | |
| CN103700068B (zh) | 一种cta图像中肝脏与血管同时分割的方法 | |
| CN105167798A (zh) | 一种冠状动脉cta影像中提取血管方法 | |
| Hong et al. | Automatic lung nodule matching on sequential CT images | |
| CN108961278B (zh) | 基于影像数据的腹壁肌肉分割的方法及其系统 | |
| Wang et al. | Automated lung segmentation in digital chest tomosynthesis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: 310012 Room 709, 710, 7-storey East Building, No. 90 Wensan Road, Xihu District, Hangzhou City, Zhejiang Province Patentee after: Zhejiang Deshang Yunxing Medical Technology Co., Ltd. Address before: 310027 18F-F (1806) No. 173 Yugu Road, Xihu District, Hangzhou City, Zhejiang Province Patentee before: ZHEJIANG DESHANG YUNXING IMAGE SCIENCE & TECHNOLOGY CO., LTD. |
|
| CP03 | Change of name, title or address |