CN107230211B - 一种图像分割方法及系统 - Google Patents

一种图像分割方法及系统 Download PDF

Info

Publication number
CN107230211B
CN107230211B CN201710311691.0A CN201710311691A CN107230211B CN 107230211 B CN107230211 B CN 107230211B CN 201710311691 A CN201710311691 A CN 201710311691A CN 107230211 B CN107230211 B CN 107230211B
Authority
CN
China
Prior art keywords
edge
model
image
points
classifier
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
Application number
CN201710311691.0A
Other languages
English (en)
Other versions
CN107230211A (zh
Inventor
郭延恩
王晓东
沈建华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN201710311691.0A priority Critical patent/CN107230211B/zh
Priority to US15/710,815 priority patent/US10482604B2/en
Publication of CN107230211A publication Critical patent/CN107230211A/zh
Application granted granted Critical
Publication of CN107230211B publication Critical patent/CN107230211B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种图像分割方法，包括:获取图像数据；基于所述图像数据，重建图像，其中，所述图像包括一个或多个第一边缘，所述第一边缘具有多个点，获取点分类器，所述点分类器对所述第一边缘的多个点根据图像特征进行分类；获取一个模型，其中，所述模型包括与所述一个或多个第一边缘相对应的一个或多个第二边缘。

Description

一种图像分割方法及系统
【技术领域】
本发明涉及一种图像处理方法，尤其涉及一种基于概率的图像匹配分割方法及系统。
【背景技术】
随着人类生活水平的提高和预期寿命的延长，心血管疾病成为人类的头号死因，因此心血管疾病的早期诊断可有效降低病死率。了解心脏结构的影像学表现及其功能数据是正确诊断心脏疾病的重要前提，CT技术的发展，明显提高了时间分辨力，减少了心脏搏动伪影，在显示心脏细微结构方面显示出良好的应用潜力。
图像分割技术是图像分析环节的关键技术，其在影像医学中发挥着越来越大的作用。图像分割是提取影像图像中特殊组织的定量信息的不可缺少的手段，同时也是可视化实现的预处理步骤和前提。分割后的图像正被广泛应用于各种场合，如组织容积的定量分析，诊断，病变组织的定位，解剖结构的学习，治疗规划，功能成像数据的局部体效应校正和计算机指导手术。
CT图像经重建获得后，需要对图像上的心脏腔室进行定位识别。心脏腔室的定位识别需要进行心脏边缘检测。可变模型是心脏腔室分割领域较为通用的做法。心脏腔室模型是基于多套临床心脏腔室模型对应的图像数据平均得到。通过模型与图像的匹配得到匹配的图像。
【发明内容】
一种图像处理方法，包括:获取图像数据；基于所述图像数据，重建图像，其中，所述图像包括一个或多个第一边缘，所述第一边缘具有多个点，获取点分类器，所述点分类器对所述第一边缘的多个点根据图像特征进行分类；获取一个模型，其中，所述模型包括与所述一个或多个第一边缘相对应的一个或多个第二边缘。
可选的，所述图像特征包括锐利程度和所处位置。
可选的，所述方法进一步包括获取第一分类器，所述获取第一分类器包括：获取点分类器分类后的多个点，其中至少一部分所述分类器分类后的多个点位于第一边缘一定范围内；确定第一边缘一定范围内的分类器分类后的多个点为正样本；确定第一边缘一定范围以外的分类器分类后的多个点为负样本；对所述正样本和负样本进行分类；以及根据分类后的正样本和负样本获得训练后的第一分类器。
可选的，进一步包括匹配所述模型与所述重建后的图像；以及根据所述一个或多个第一边缘，调整所述模型的一个或多个第二边缘，所述调整所述模型的一个或多个第二边缘包括：确定所述第二边缘上的一个参考点；确定与所述参考点相对应的目标点；以及根据所述目标点，调整所述模型的第二边缘。
可选的，所述确定与所述参考点相对应的目标点包括：确定所述参考点的法线；获取步长和搜索范围；根据所述步长和搜索范围，沿法线确定一个或多个候选点；根据所述训练后的第一分类器，确定所述一个或多个候选点对应于所述第一边缘的概率；以及基于所述一个或多个候选点对应于所述第一边缘的概率，确定所述目标点。
可选的，所述图像数据包括脑部图像、颅骨图像、胸部图像、心脏图像、乳腺图像、腹部图像、肾脏图像、肝脏图像、骨盆图像、会阴部图像、肢体图像、脊椎图像或椎骨图像。
可选的，一个图像处理系统，包括:一个存储器，被配置为存储数据及指令；一个与存储器建立通信的处理器，其中，当执行存储器中的指令时，所述处理器被配置为：获取图像数据；基于所述图像数据，重建图像，其中，所述图像包括一个或多个第一边缘，所述第一边缘具有多个点，获取点分类器，所述点分类器对所述第一边缘的多个点根据图像特征进行分类；获取一个模型，其中，所述模型包括与所述一个或多个第一边缘相对应的一个或多个第二边缘。
可选的，所述处理器被进一步配置为：所述图像特征包括锐利程度和所处位置。
可选的，所述处理器被进一步配置为：获取第一分类器，所述获取第一分类器包括：获取点分类器分类后的多个点，其中至少一部分所述分类器分类后的多个点位于第一边缘一定范围内；确定第一边缘一定范围内的分类器分类后的多个点为正样本；确定第一边缘一定范围以外的分类器分类后的多个点为负样本；对所述正样本和负样本进行分类；以及根据分类后的正样本和负样本获得训练后的第一分类器。
可选的，所述处理器被进一步配置为：进一步包括匹配所述模型与所述重建后的图像；以及根据所述一个或多个第一边缘，调整所述模型的一个或多个第二边缘，所述调整所述模型的一个或多个第二边缘包括：确定所述第二边缘上的一个参考点；确定与所述参考点相对应的目标点；以及根据所述目标点，调整所述模型的第二边缘。
可选的，所述处理器被进一步配置为：所述确定与所述参考点相对应的目标点包括：确定所述参考点的法线；获取步长和搜索范围；根据所述步长和搜索范围，沿法线确定一个或多个候选点；根据所述训练后的第一分类器，确定所述一个或多个候选点对应于所述第一边缘的概率；以及基于所述一个或多个候选点对应于所述第一边缘的概率，确定所述目标点。
【附图说明】
图1是根据本申请的一些实施例所示的示例控制及处理系统的一种应用场景示意图；
图2是根据本申请的一些实施例所示的处理设备的一种示例系统配置的示意图；
图3是根据本申请的一些实施例所示的用于实施本申请中一些特定系统的一种示例移动设备示意图；
图4是根据本申请的一些实施例所示的示例处理设备的示意图；
图5是根据本申请的一些实施例所示的实施处理设备的示例性流程图；
图6是根据本申请的一些实施例所示的示例模型构建模块的示意图；
图7是根据本申请的一些实施例所示的构建平均模型的示例性流程图；
图8是根据本申请的一些实施例所示的示例训练模块的示意图；
图9是根据本申请的一些实施例所示的训练分类器的示例性流程图；
图10是根据本申请的一些实施例所示的示例模型匹配模块的结构示意图；
图11是根据本申请的一些实施例所示的匹配平均模型与重建的图像的示例性流程图；
图12是根据本申请的一些实施例所示的示例调整模块的结构示意图；
图13是根据本申请的一些实施例所示的调整模型的示例性流程图；
图14是根据本申请的一些实施例所示的确定目标点的示例性流程图；
图15是根据本申请的一些实施例所示的确定一个平均模型边缘点法线的示例性流程图；
图16是根据本申请的一些实施例所示的平均模型边缘点变换的示例性流程图；
图17是本申请的一个图像锐利程度示意图；
图18是本申请的一个图像边缘分类训练的实施例；
图19是本申请的一个模型网格分类的实施例；
图20是本申请的一个模型网格划分的实施例；
图21是本申请的基于关联因子的网格模型的实施例；
图22是基于锐利程度分类的图像边缘示例图；
图23是基于锐利程度分类的模型示例图；
图24是本实施例依据分类器获得的图像概率图实施例；
图25是经过霍夫变换后的平均网格模型和图像匹配的示例图；
图26是调整后精确匹配的图像腔室分割结果示例图；
图27A是未基于关联因子进行划分的图像分割图；以及
图27B是基于关联因子进行划分的图像分割图。
【具体实施方式】
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施的限制。
其次，本发明利用示意图进行详细描述，在详述本发明实施例时，为便于说明，所述示意图只是实例，其在此不应限制本发明保护的范围。
图1是根据本申请的一些实施例所示的示例控制及处理系统的一种应用场景示意图。如图1所示，控制及处理系统100包括一个成像设备110、一个数据库120和一个处理设备130。
成像设备110可以通过扫描一个目标物体生成图像。所述图像可以是各种医学图像。例如，头部图像、胸部图像、腹部图像、骨盆图像、会阴部图像、肢体图像、脊椎图像、椎骨图像等。其中，头部图像可以包括脑部图像、颅骨图像等。胸部图像可以包括整个胸部图像、心脏图像、乳腺图像等。腹部图像可以包括整个腹部图像、肾脏图像、肝脏图像等。心脏图像可以包括但不限于全方位数字化心脏图、数字化心脏层析X射线图、心脏相衬图、X射线影像(CR)图、多模态图像等。所述医学图像可以是二维图像或三维图像。所述医学图像的格式可以包括JPEG格式、TIFF格式、GIF格式、FPX格式等。所述医学图像可以存储在数据库120中，也可以传输至处理设备130进行图像处理。本申请将以心脏图像为例进行说明，但是本领域技术人员可以理解的是，本申请的方法也可以用于其它图像。
数据库120可以储存图像和/或图像相关的信息。所述图像和图像相关的信息可以由成像设备110和处理设备130提供，也可以从系统100外获取，例如，用户输入信息、从网络获取信息等。所述图像相关的信息可以包括处理图像的算法、样本、模型、参数、处理过程中的实时数据等。数据库120可以是层次式数据库、网络式数据库或关系式数据库。数据库120可以是本地数据库，也可以是远程数据库。数据库120或系统内其他存储设备可以将信息数字化后再利用以电、光或磁等方式工作的存储设备加以存储。在一些实施例中，数据库120或系统内其他存储设备可以是利用电能方式存储信息的设备，例如随机存储器(RAM)、只读存储器(ROM)等。随机存储器可以包括但不限于十进计数管、选数管、延迟线存储器、威廉姆斯管、动态随机存储器(DRAM)、静态随机存储器(SRAM)、晶闸管随机存储器(T-RAM)、零电容随机存储器(Z-RAM)等中的一种或多种的组合。只读存储器包括但不限于磁泡存储器、磁钮线存储器、薄膜存储器、磁镀线存储器、磁芯内存、磁鼓存储器、光盘驱动器、硬盘、磁带、非挥发性存储器(NVRAM)、相变化内存、磁阻式随机存储式内存、铁电随机存储内存、非挥发性静态随机存储器、可编程只读存储器、屏蔽式堆读内存、浮动连接门随机存储器、纳米随机存储器、赛道内存、可变电阻式内存、可编程金属化单元等中的一种或多种的组合。在一些实施例中，数据库120或系统内其他存储设备可以是利用磁能方式存储信息的设备，例如硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘、内存等。在一些实施例中，数据库120或系统内其他存储设备可以是利用光学方式存储信息的设备，例如CD、DVD等。在一些实施例中，数据库120可以是利用磁光方式存储信息的设备，例如磁光盘等。数据库120或系统内其他存储设备的存取方式可以是随机存储、串行访问存储、只读存储等中的一种或多种的组合。数据库120或系统内其他存储设备可以是非永久记忆存储器或永久记忆存储器。以上提及的存储设备只是列举了一些例子，数据库120可以使用的存储设备并不限于此。
数据库120可以是处理设备130的一部分，也可以是成像设备110的一部分，也可以独立于处理设备130和成像设备110存在。在一些实施例中，数据库120可以通过网络150与控制及处理系统100中的其他模块或设备连接。所述连接方式可以包括有线连接、无线连接或两者的结合。
处理设备130可以从成像设备110获取图像数据，也可以从数据库120获取图像数据。处理设备130可以对获取的图像实施多种处理。所述处理可以包括灰度直方图处理、归一化处理、几何变换、空间变换、图像平滑处理、图像增强处理、图像分割处理、图像变换处理、图像恢复、图像压缩、图像特征提取等。处理设备130可以将处理后的图像数据存储到数据库120，也可以传输到控制及处理系统100之外的设备上。
在一些实施例中，处理设备130可以包括一个或多个处理器、存储器等。例如，处理设备130可以包括中央处理器(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理器(GPU)、物理运算处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、控制器、微控制单元、处理器、微处理器、高级RISC机器处理器等中的一种或多种的组合。
在一些实施例中，控制及处理系统100还可以包括一个终端设备140。所述终端设备可以与成像设备110、数据库120和处理设备130进行信息交互。例如，所述终端设备140可以从处理设备130中获取处理后的图像数据。在一些实施例中，终端设备140可以从成像设备110获取图像数据，并将图像数据传输给处理设备130进行图像处理。所述终端设备140可以包括一个或多个输入设备、控制面板等。例如，所述输入设备可以包括键盘、触摸屏、鼠标、语音输入设备、扫描设备、信息识别设备(如人眼识别系统、指纹识别系统、脑监控系统等)、远程控制器等。
控制及处理系统100可以与网络150连接。所述网络150可以是无线网络，移动网络、有限网络或其它连接。其中，无线网络可以包括
Figure BDA0001287316690000081
WLAN、Wi-Fi、WiMax等。移动网络可以包括2G信号、3G信号、4G信号等。有线网络可以包括局域网(LAN)、广域网(WAN)、专有网络等。
控制及处理系统100中的数据库120和处理设备130可以通过云计算平台执行操作指令。云计算平台可以包括以数据存储为主的存储型云平台，以数据处理为主的计算型云平台以及计算和数据存储处理兼顾的综合云计算平台。例如，控制及处理系统100所产生的一些图像数据可以由云计算平台计算或存储。
需要注意的是，以上对控制及处理系统100的描述，仅为描述方便，并不能把本申请限制在所列举的实施例范围之内。
图2是根据本申请的一些实施例所示的处理设备的一种示例系统配置的示意图。如图2所示，处理设备130可以包括一个数据总线210、一个处理器220、一个只读存储器(ROM)230、一个随机存储器(RAM)240、一个通信端口250、一个输入/输出端口260、一个硬盘270和一个与输入/输出端口260相连的显示器280。所述处理设备130内各硬件之间的连接方式可以是有线的、无线的或两者的结合。任何一个硬件都可以是本地的、远程的或两者的结合。
数据总线210可以用于传输数据信息。在一些实施例中，处理设备130内各硬件之间可以通过所述数据总线210进行数据的传输。例如，处理器220可以通过所述数据总线210将数据发送到存储器或输入/输出端口260等其它硬件中。需要注意的是，所述数据可以是真正的数据，也可以是指令代码、状态信息或控制信息。在一些实施例中，数据总线210可以为工业标准(ISA)总线、扩展工业标准(EISA)总线、视频电子标准(VESA)总线、外部部件互联标准(PCI)总线等。
处理器220可以用于逻辑运算、数据处理和指令生成。在一些实施例中，处理器220可以从内部存储器中获取数据/指令，所述内部存储器可以包括只读存储器(ROM)、随机存储器(RAM)、高速缓冲存储器(Cache)(在图中未示出)等。在一些实施例中，处理器220可以包括多个子处理器，所述子处理器可以用于实现系统的不同功能。
只读存储器230用于处理设备130的加电自检、处理设备130中各功能模块的初始化、处理设备130的基本输入/输出的驱动程序等。在一些实施例中，只读存储器可以包括可编程只读存储器(PROM)、可编程可擦除只读存储器(EPROM)等。随机存储器240用于存放操作系统、各种应用程序、数据等。在一些实施例中，随机存储器240可以包括静态随机存储器(SRAM)、动态随机存储器(DRAM)等。
通信端口250用于连接操作系统与外部网络，实现它们之间的通信交流。在一些实施例中，通信端口250可以包括FTP端口、HTTP端口或DNS端口等。输入/输出端口260用于外部设备或电路与处理器210之间进行数据、信息的交换和控制。在一些实施例中，输入/输出端口260可以包括USB端口、PCI端口、IDE端口等。
硬盘270用于存储处理设备130所产生的或从处理设备130外所接收到的信息及数据。在一些实施例中，硬盘270可以包括机械硬盘(HDD)、固态硬盘(SSD)或混合硬盘(HHD)等。显示器280用于将系统130生成的信息、数据呈现给用户。在一些实施例中，显示器280可以包括一个物理显示器，如带扬声器的显示器、LCD显示器、LED显示器、OLED显示器、电子墨水显示器(E-Ink)等。
图3是根据本申请的一些实施例所示的用于实施本申请中一些特定系统的一种示例移动设备示意图。如图3所示，移动设备350可以包括一个终端设备150。在一些实施例中，用户可以通过移动设备350接收或发送与控制及处理系统100相关的信息。移动设备350可以包括智能手机、个人数码助理(PDA)、平板电脑、掌上游戏机、智能眼镜、智能手表、可穿戴设备、虚拟现实设备或显示增强设备等中的一种或多种。在一些实施例中，移动设备350可以包括一个或多个中央处理器(CPUs)358、一个或多个图像处理器(GPUs)356、一个显示器354、一个内存362、一个通讯平台352、一个存储器368和一个或多个输入/输出设备360。进一步地，移动设备350还可以包括一个系统总线、一个控制器等。如图3所示，CPU可以从存储模块368将移动设备操作系统(例如，iOS、Android、Windows Phone等)364和一个或多个应用366下载到内存362中。所述一个或多个应用366可以包括一个网页或其它用于接收和传递与控制及处理系统100相关的信息的移动应用软件(App)。用户可以通过输入/输出设备360获取或提供信息，所述信息可以进一步传输给控制及处理系统100和/或系统内的设备单元。
在本申请的实施例中，计算机硬件平台可以用作一个或多个元件(例如，控制及处理系统100及其内部的其它部分)的硬件平台，实施各种模块、单元以及它们的功能。所述硬件元件、操作系统和编程语言本质上都是传统的，本领域技术人员有可能将这些技术改编并应用于心脏图像模型建立和边缘分割。具有用户界面的计算机可以作为个人电脑(PC)、其它工作站或终端设备，适当编程的计算机也可以作为服务器。由于本领域技术人员对本申请中所使用的计算机设备的结构、编程和一般操作应该都很熟悉，因此，不再针对其它附图作相关具体解释。
图4是根据本申请的一些实施例所示的示例处理设备的示意图。处理设备130可以包括一个获取模块410、一个图像重建模块420、一个存储模块430、一个模型构建模块430、一个训练模块450、一个匹配模块460和一个调整模块470。所述处理设备130内各模块之间的连接方式可以是有线的、无线的或两者的结合。任何一个模块都可以是本地的、远程的或两者的结合。
存储模块430可以用于存储图像数据或信息，其功能可以通过图2中硬盘270、只读存储器230、随机存储器240等中的一种或多种的组合来实现。存储模块430可以存储处理设备130中其他模块或处理设备130之外的模块或设备的信息。存储模块430存储的信息可以包括成像设备110的扫描数据、用户输入的控制命令或参数信息、处理设备130中处理部分生成的中间数据或完整数据信息等。在一些实施例中，存储模块430可以将存储的信息发送给处理部分进行图像处理。在一些实施例中，存储模块430可以存储处理部分生成的信息，例如实时计算数据。存储模块430可以包括但不限于常见的各类存储设备如固态硬盘、机械硬盘、USB闪存、SD存储卡、光盘、随机存储器(RAM)或只读存储器(ROM)等。存储模块430可以是系统内部的存储设备，也可以是系统外部或外接的存储设备，如云存储服务器上的存储器。
获取模块410可以用于获取成像设备110采集的图像数据，数据库120存储的图像数据，或控制及处理系统100外部的数据，其功能可以通过图2中的处理器220来实现。所述图像数据可以包括成像设备110采集的图像数据、处理图像的算法、样本、模型、参数、处理过程中的实时数据等。在一些实施例中，获取模块410可以将获取到的图像数据或信息发送给图像重建模块420进行处理。在一些实施例中，获取模块410可以将获取到的处理图像的算法、参数等信息发送给模型构建模块440。在一些实施例中，获取模块410可以将获取到的图像数据或信息发送给存储模块370进行存储。在一些实施例中，获取模块410可以将获取到的样本、参数、模型、实时数据等信息发送给训练模块450、匹配模块460或调整模块470。在一些实施例中，获取模块410可以接收来自处理器220的一个数据获取指令，并完成相应的数据获取操作。在一些实施例中，获取模块410可以在获取图像数据或信息后对其进行预处理。
图像重建模块420可以用于构建一个医学影像，其功能可以由图2中的处理器220来实现。在一些实施例中，图像重建模块420可以从获取模块410或存储模块430中获取图像数据或信息，并根据所述图像数据或信息构建所述医学影像。所述医学影像可以是一个人体三维医学影像。所述图像数据可以包括不同时间、不同位置、不同角度的扫描数据。根据所述扫描数据，图像重建模块420可以计算出人体对应部位的特征或状态，如人体对应部位对射线的吸收能力、人体对应部位组织的密度等，从而构建出所述人体三维医学影像。进一步地，所述人体三维医学影像可以通过显示器280进行显示，或者通过存储模块430进行存储。在一些实施例中，所述人体三维医学影像也可以作为重建后的待处理图像发送给模型构建模块440进一步处理。
模型构建模块440可以用于建立目标物体的三维平均模型。在一些实施例中，所述目标物体可以是心脏，所述三维平均模型可以是基于多套参考模型构建的心脏腔室三维平均网格模型。在一些实施例中，模型构建模块440可以通过获取模块410、存储模块430、或用户输入的方式获取至少一个心脏腔室的参考模型及与参考模型相关的信息。所述与参考模型相关的信息可以包括图像的尺寸、像素、像素的空间位置等。在一些实施例中，模型构建模块440可以根据获取的至少一个心脏腔室的参考模型及与参考模型相关的信息对参考模型进行配准等预处理，使得所有参考模型的方向、比例等一致。所述预处理后的图像可以进一步通过手动或处理器自动标注的方式来标注腔室边缘，将心脏参考模型划分成数个子心脏腔室，并根据各个腔室的边缘点数据构建心脏腔室平均网格模型。模型构建模块440可以将构建的心脏腔室平均网格模型发送给存储模块430进行存储，也可以发送给训练模块450或匹配模块460进行进一步操作。在一些实施例中，模型构建模块440还可以根据多套参考模型数据确定平均模型上各个腔室之间的关系。例如，模型构建模块440可以构建关联因子矩阵，所述关联因子矩阵可以表示各个腔室对某一个或多个边缘数据点的影响。通过构建关联因子矩阵，可以改善腔室边界分离情形。模型构建模块440可以将构建的关联因子矩阵发送给存储模块430进行存储，也可以发送给匹配模块460或调整模块470用于运算处理。
训练模块450可以用于训练分类器。训练模块450可以将可能的边缘点划分到不同腔室类别中。例如，训练模块450可以将参考模型边缘附近一定范围的数据点分别划分到左心室、左心房、右心室、右心房、左心肌或主动脉六个腔室类别中。又例如，训练模块450可以基于腔室边缘的变化程度将参考模型边缘附近一定范围的数据点分别划分到左心室边缘、左心房锐利边缘、左心房非锐利边缘、右心室锐利边缘、右心室非锐利边缘、右心房锐利边缘、右心房非锐利边缘、主动脉边缘、左心肌锐利边缘和左心肌非锐利边缘10个腔室类别中。在一些实施例中，训练模块450可以通过存储模块430、模型构建模块440、或用户输入的方式获取至少一个心脏腔室的参考模型及与该参考模型相关的信息。所述与参考模型相关的信息可以包括参考模型中各个腔室的边缘点数据等。在一些实施例中，训练模块450可以根据腔室边缘附近的点与腔室边缘的距离将腔室边缘附近的点划分为正样本和负样本。在一些实施例中，所述正样本可以包括距离腔室边缘一定阈值范围内的数据点，所述负样本可以包括距离边缘较远以及空间中其它随机位置的数据点。在一些实施例中，训练模块450可以根据正负样本点训练参考模型或平均模型上腔室边缘附近的点，并获得一个或多个分类器。例如，训练模块450可以获取点分类器。所述点分类器对所述第一边缘的多个点根据图像特征进行分类。所述图像特征可以与锐利程度和所处位置相关。又例如，训练模块450可以获取第一分类器。所述第一分类器可以与所述点分类器相关。在一些实施例中，所述第一分类器可以根据点分类器分类后的多个点，将第一边缘一定范围内的点分类器分类后的多个点作为正样本，将第一边缘一定范围以外的点分类器分类后的多个点作为负样本。然后，对所述正样本和负样本进行分类，并根据分类后的正样本和负样本获得训练后的第一分类器。在一些实施例中，训练模块450可以利用Probabilistic Boosting-Tree(PBT)训练分类器。所述PBT可以包括两级PBT算法或多级PBT算法。训练模块450可以将训练好的分类器发送给存储模块430进行存储，也可以发送给调整模块470用于运算处理。
匹配模块460可以用于将待处理图像与模型构建模块440建立的平均模型进行匹配，构建与待处理图像对应的三维网格模型。所述待处理图像可以从图像重建模块420或存储模块430获取。在一些实施例中，匹配模块460可以通过霍夫变换等方法将平均模型匹配到待处理图像上，获得与待处理图像粗略匹配后的心脏腔室三维网格模型。匹配模块460可以通过获取模块410、存储模块430、或用户输入的方式获取所述霍夫变换所需要的参数等信息。匹配模块460可以将匹配后的心脏腔室三维网格模型发送给存储模块430进行存储，也可以发送给调整模块470进一步优化处理。
调整模块470可以用于优化模型，使模型更接近于真实的心脏(待处理心脏图像数据)。调整模块470可以从匹配模块460或存储模块430获取粗略匹配后的心脏腔室网格模型。在一些实施例中，调整模块470可以根据匹配后所得心脏模型上腔室边缘一定范围的数据点属于腔室边缘的概率确定最理想的心脏腔室边缘。调整模块470可以进一步精确调整心脏腔室三维网格模型。所述精确调整可以包括相似性变换、分段仿射变换和/或基于能量函数的微变等。在一些实施例中，调整模块470可以将精确调整所得的心脏腔室三维网格模型进行图像形式转换，得到心脏腔室边缘分割图(如图26所示)。调整模块470可以将精确调整后的心脏腔室模型或心脏腔室分割图发送给存储模块430进行存储，也可以发送给显示器280进行显示。
需要注意的是，上述对于处理设备130的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该设备的工作原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接，对实施上述设备的形式和细节上作各种修正和改变。例如，模型构建模块440和/或训练模块450可以去掉，或者与存储模块430合并。诸如此类的变形，均在本申请的保护范围之内。
图5是根据本申请的一些实施例所示的实施处理设备的示例性流程图。在步骤510中，可以获取图像数据。在一些实施例中，步骤510可以通过获取模块410实现。所述图像数据可以从成像设备110、数据库120或控制及处理系统100外部获得。所述图像数据可以包括CT、正电子放射层析成像技术(PET)、单光子辐射断层摄影(SPECT)、MRI(磁共振成像技术)、超声(Ultrasound)及其它医学影像设备采集的原始图像数据。在一些实施例中，所述图像数据可以是心脏或心脏的局部原始图像数据。在一些实施例中，步骤510可以包括对获取的心脏原始图像数据进行预处理，并将预处理后的原始图像数据发送给处理设备130中的图像重建模块420或存储模块430。所述预处理可以包括图像的畸变矫正、去噪、平滑、增强等。
在步骤520中，可以根据心脏图像数据重新构建心脏图像。该步骤可以由处理设备130中的图像重建模块420基于图像重建技术完成。所述心脏图像数据可通过获取模块410或存储模块430获取。所述心脏图像可以包括全方位数字化心脏图、数字化心脏层析X射线图、心脏相衬图、X射线心脏影像(CR)图、多模态心脏图像等。所述心脏图像可以是二维图像或三维图像。所述心脏图像的格式可以包括JPEG格式、TIFF格式、GIF格式、FPX格式等。所述图像重建技术可以包括解联立方程组法、傅里叶变换重建法、直接反投影重建法、滤波反投影重建法、傅立叶反投影重建法或卷积逆投影重建法、迭代重建法等。在一些实施例中，步骤520可以对获取的心脏图像数据进行预处理，并获得多个心脏截面图或投影图。在一些实施例中，获取的心脏图像数据或预处理后的心脏图像数据可以包括多个心脏截面图。图像重建模块420可以根据一系列心脏截面图提供的信息重新构建心脏图像或模型。所述心脏截面图提供的信息可以包括心脏不同部位的组织密度、对射线的吸收能力等信息。重新构建的心脏图像可以通过显示器280进行显示，或者通过存储模块430进行存储。重新构建的心脏图像也可以由处理设备130中的模型构建模块440进行进一步图像处理。
在步骤530中，可以构建一个三维心脏平均网格模型。该步骤可以由处理设备130中的模型构建模块440根据多个参考模型完成。步骤530可以通过模块410、存储模块430或用户输入的方式获取多个参考模型。在一些实施例中，步骤530可以包括对多个参考模型进行图像配准。所述图像配准可以包括基于灰度图像配准、基于变换域图像配准、基于特征图像配准等。其中，特征可以包括特征点、特征区域、特征边缘等。在一些实施例中，所述多个参考模型可以是经过用户标注过腔室边缘的心脏腔室分割数据或参考模型。所述平均模型可以包括Point Distribution Model(PDM)、Active Shape Model(ASM)、Active ContourModel(也称为Snakes)、Active Appearance Model(AAM)等计算得到的模型。在一些实施例中，步骤530可以包括根据多个参考模型上的腔室边缘数据确定所构建的平均模型上各个腔室之间的关系，并建立关联因子二维矩阵。在一些实施例中，三维心脏平均网格模型或含有关联因子信息的平均模型可以由处理器220直接发送给处理设备130中的存储模块430进行存储，或发送给匹配模块460进一步处理。
在步骤540中可以将心脏图像数据与三维心脏平均网格模型进行匹配。进一步地，所述匹配可以包括心脏图像数据中第一边缘点与三维心脏平均网格模型的匹配。在一些实施例中，步骤540可以由匹配模块460通过图像匹配方法完成。所述图像匹配方法可以包括基于NNDR的匹配方法、邻近特征点的搜索算法、基于霍夫变换的目标检测等。在一些实施例中，可以通过广义霍夫变换将模型构建模块440建立的心脏平均模型匹配到图像重建模块420处理得到的心脏图像数据上的第一边缘上，并得到匹配后的心脏模型。在一些实施例中，所述第一边缘上具有多个点，根据图像特征对第一边缘的多个点进行分类，获取点分类器。所述图像特征可以与锐利程度和所处位置相关。在一些实施例中，可以基于待匹配心脏图像数据上各点属于边缘的概率实施加权广义霍夫变换。所述概率可以根据训练模块450训练好的第一分类器，将待匹配的心脏图像数据上的每个点输入分类器计算得到。所述第一分类器可以基于点分类器获取。所述点分类器可以根据图像特征通过对第一边缘的多个点进行分类获取。在一些实施例中，可以根据所得待匹配心脏上各点的概率，构建一个待匹配心脏的边缘概率图。所述边缘概率图可以包括灰度梯度图、彩色梯度图(如图24所示)等。在一些实施例中，在计算待匹配心脏图像数据上的每个点作为边缘的概率前，可以对该心脏图像进行预处理。例如，可以将完全不可能是心脏边缘的部位排除，从而减小分类器的计算量。例如，对于CT图像而言，肌肉组织的CT值一般大于-50，那么可以将CT值小于-50的部位通过掩膜标记，使分类器不需要计算该部位的点。在一些实施例中，处理设备130中的匹配模块460可以将匹配后的心脏模型或三维心脏网格模型发送给存储模块430进行存储，也可以发送给调整模块470进一步优化处理。
在步骤550中，可以获得精确调整后的心脏腔室分割图。该步骤可以由处理设备130中的调整模块470完成。在一些实施例中，步骤550可以根据匹配后三维心脏网格模型上的腔室边缘确定边缘目标点。例如，在一些实施例中，可以根据匹配后三维心脏网格模型上的腔室边缘一定范围内的第二边缘点的概率确定边缘目标点。在一些实施例中，所述概率可以使用基于第二边缘点训练的第二分类器计算。在一些实施例中，所述概率可以调用基于多个参考模型或平均模型训练的第一分类器计算。在一些实施例中，步骤550可以基于确定的边缘目标点对三维心脏网格模型进行变形，从而得到腔室边缘进一步调整后的三维心脏网格模型。所述变形可以包括相似性变换、仿射变换及其它图像微变形方法等。例如，在一些实施例中，可以基于确定的边缘目标点依次进行相似性变换、分段仿射变换和/或基于能量函数的微变。在一些实施例中，处理设备130中的调整模块470可以将调整后的三维心脏网格模型通过掩膜(mask)转化为心脏腔室分割图像(如图26所示)。所述腔室分割图像的不同腔室可以用不同的颜色标注。在一些实施例中，处理设备130中的调整模块470可以将精确调整后的心脏腔室模型或心脏腔室分割图发送给存储模块430进行存储，也可以发送给显示器280进行显示。
需要注意的是，上述对于处理设备130进行腔室分割过程的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该设备的工作原理后，可能在不背离这一原理的情况下，对各个步骤的顺序进行任意调整，或者添加删除某些步骤。例如，构建平均模型530的步骤可以去掉。又例如，调整模块470可以只对网格模型进行上述几种变形中的一种或两种，或者采用其他形式的微变。诸如此类的变形，均在本申请的保护范围之内。
图6是根据本申请的一些实施例所示的示例模型构建模块的示意图。模型构建模块440可以包括一个获取单元610、一个配准单元620、一个标注单元630、一个模型生成单元640和一个关联因子生成单元650。所述模型构建模块440内各模块之间的连接方式可以是有线的、无线的或两者的结合。任何一个模块都可以是本地的、远程的或两者的结合。
获取单元610可以用于获取多个参考模型。获取单元610可以通过数据库120、控制及处理系统100外的存储设备或用户输入的方式获取上述信息。其功能可以通过图2中的处理器220来实现。在一些实施例中，所述多个参考模型可以包括一个病人在不同时间、不同位置、不同角度扫描的心脏图像数据。在一些实施例中，所述多套心脏数据可以包括不同病人在不同位置、不同角度扫描的心脏图像数据。一些实施例中，获取单元610也可以用于获取建模算法、参数等信息。获取单元610可以将获取的多个参考模型和/或其它信息发送给配准单元620、标注单元630、平均模型生成单元640或关联因子生成单元650。
配准单元620可以用于通过图像配准方法调整获取单元610所获取的多个参考模型，并使多个参考模型的位置、比例等一致。所述图像配准可以包括基于空间维数配准、基于特征配准、基于变换性质配准、基于优化算法配准、基于图像模态配准、基于主体配准等。在一些实施例中，配准单元620可以将多个参考模型配准到一个相同的坐标系中。配准单元620可以将配准后的多个参考模型发送给存储模块430进行存储，也可以发送给标注单元630和/或平均模型生成单元640进一步处理。
标注单元630可以用于标注多个参考模型的腔室边缘多个数据点(亦可称为点集)。所述多个数据点通过点分类器，根据包括锐利程度和所处位置的图像特征进行分类。所述心脏图像或模型可以是配准单元620进行图像配准后的多个参考模型，也可以是平均模型生成单元640构建的平均模型。例如，腔室边缘可以由用户在配准单元620进行图像配准后的多个参考模型上手动标注。又例如，腔室边缘可以由标注单元630根据明显不同的腔室边缘特征自动标注。在一些实施例中，标注单元630可以将多个参考模型中的整个心脏图像或模型按照腔室划分成六个部分，分别为左心室、左心房、右心室、右心房、心肌以及主动脉。在一些实施例中，标注单元630可以根据参考模型上腔室边缘的变化程度(亦被称为梯度)，将多个参考模型上的整个心脏图像或模型划分为锐利类和非锐利类。具体地，标注单元630可以把几个腔室的边缘点与外部相连或与外部变化程度较小的标记为锐利类，将与内部其它腔室相连或与外部变化程度较大的标记为非锐利类，如图17中的两个箭头所示。例如，标注单元630可以将多个参考模型上的整个心脏图像或模型划分为10个类别：左心室边缘、左心房锐利边缘、左心房非锐利边缘、右心室锐利边缘、右心室非锐利边缘、右心房锐利边缘、右心房非锐利边缘、主动脉边缘、左心肌锐利边缘和左心肌非锐利边缘(如图18所示)。在一些实施例中，标注单元630可以将多个参考模型配准至一个相同坐标系中，通过比较多个参考模型与平均模型生成单元640所得的平均模型上各点的位置，标注多个参考模型上的腔室边缘。例如，标注单元630可以将平均模型上与参考模型上对应点距离最近的点所属的类别作为参考模型上该点的类别。标注单元630可以将标注有腔室边缘点集的多个参考模型发送给存储模块430进行存储，也可以发送给训练模块450、平均模型生成单元640和/或关联因子生成单元650进一步处理或用于计算。
平均模型生成单元640可以用于构建三维心脏平均网格模型。在一些实施例中，平均模型生成单元640可以提取标注后的多个参考模型或平均模型中的腔室边缘，通过对每个参考模型或平均模型中的腔室边缘模型进行处理获得多个参考网格模型，并通过图像模型构建方法计算得到平均网格模型。所述图像模型构建方法可以包括Point DistributionModel(PDM)、Active Shape Model(ASM)、Active Contour Model(也称为Snakes)、ActiveAppearance Model(AAM)等。在一些实施例中，平均模型生成单元640可以将腔室标注后的整个心脏平均模型划分成六个独立的或者相互结合的子模型。例如，左心室模型、左心房模型、右心室模型、右心房模型、左心肌模型和主动脉模型等(如图20所示)。在一些实施例中，平均模型生成单元640可以提取多个腔室边缘，并确定多个腔室边缘上的控制点分布，通过连接控制点形成网络。在一些实施例中，平均模型生成单元640可以基于网格模型通过ASM建模方法得到心脏腔室的平均网格模型，以及相应的特征值、特征向量等模型参数。在一些实施例中，平均模型生成单元640可以在平均模型计算中加入关联因子对控制点的影响。例如，在ASM计算中，平均模型生成单元640可以利用加权平均(即Σ(Fi*Wi))来计算控制点的调整结果，其中，Fi为某个腔室的变形参数，Wi为该腔室对控制点的影响系数或权重值。通过所述基于关联因子的加权平均计算可以使得模型上控制点的调整受到多个腔室结果的影响，从而达到关联多个腔室的目的。平均模型生成单元640可以将得到的三维心脏平均网格模型发送给存储模块430进行存储或关联因子生成单元650用于计算。平均模型生成单元640也可以将得到的三维心脏平均网格模型发送给训练模块450和/或匹配模块460进一步处理。
关联因子生成单元650可以用于建立各腔室和平均网格模型上控制点的关系。在一些实施例中，所述关系可以是腔室和控制点作为行列的二维关联因子矩阵，矩阵的值可以表示各腔室对各控制点的影响系数或权重。在一些实施例中，所述矩阵的值可以是0-1之间的任意实数。
在一些实施例中，关联因子生成单元650可以根据网格模型上控制点的腔室归属，以及控制点与其它腔室的位置关系，建立关联因子矩阵。在一些实施例中，关联因子生成单元650可以根据控制点与其它腔室的距离计算关联因子的影响范围或影响系数。例如，关联因子生成单元650可以通过控制点距离其它腔室的最大距离控制关联因子影响系数的计算。在一些实施例中，关联因子生成单元650可以根据各腔室间的紧密程度来调整不同腔室间的影响范围和影响系数。如图21所示，网格控制点模型中，浅色的控制点表示只受到所在腔室的影响，而深色的腔室连接处则表示控制点受到多个连接的腔室影响，其中颜色越深代表受其他腔室影响越大。关联因子生成单元650可以将得到的二维关联因子矩阵发送给存储模块430进行存储，也可以发送给平均模型生成单元640和/或调整模块470用于加权计算。
需要注意的是，上述对于模型构建模块440的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该模块的工作原理后，可能在不背离这一原理的情况下，对该模块中各个单元进行任意组合，或者构成子系统与其他单元连接，对实施上述模块的形式和细节上作各种修正和改变。例如，配准单元620和/或标注单元630可以去掉，或者与获取单元610、存储模块430合并。又例如，所述多个参考模型或平均模型可以包括已经由用户进行边缘标注的心脏数据或模型。又例如，所述多个参考模型或平均模型可以包括已经进行粗略的或精细的腔室分割的心脏数据。诸如此类的变形，均在本申请的保护范围之内。
图7是根据本申请的一些实施例所示的构建平均模型的示例性流程图。在步骤710中，可以获取多个心脏参考模型。所述多个心脏参考模型可以通过数据库120、用户输入或控制及处理系统100外的存储设备获取。在一些实施例中，所述多个心脏参考模型可以包括一个病人在不同时间、不同位置、不同角度扫描的心脏图像数据。在一些实施例中，所述多个心脏参考模型可以包括不同病人在不同位置、不同角度扫描的心脏图像数据。在一些实施例中，所述多个心脏参考模型可以包括已经由专家进行边缘标注的心脏数据或模型。在一些实施例中，所述多个心脏参考模型可以包括已经进行粗略的或精细的腔室分割的心脏数据。
在步骤720中，可以对获取的多个参考模型进行图像配准。该步骤可以由模型构建模块440中的配准单元620完成。在一些实施例中，可以通过平移、旋转、缩放等方式将任意两个参考模型变换到同一坐标系中，并使得上述两个参考模型中对应于空间同一位置的点一一对应，从而实现信息融合。在一些实施例中，所述图像配准可以包括基于空间维数配准、基于特征配准、基于变换性质配准、基于优化算法配准、基于图像模态配准、基于主体配准等。其中，所述基于空间维数配准可以包括2D/2D配准、2D/3D配准或3D/3D配准。所述基于特征配准可以包括基于特征点(例如不连续点、图形的转折点、线交叉点等)配准、基于面区域(例如曲线、曲面等)配准、基于像素值配准、基于外部特征配准等。所述基于变换性质配准可以包括基于刚性变换配准、基于仿射变换配准、基于投影变换配准和/或基于曲线变换配准等。所述基于优化算法配准可以包括基于梯度下降法配准、基于牛顿法配准、基于Powell法配准、基于遗传算法配准等。所述基于图像模态配准可以包括基于单模态配准和/或基于多模态配准。所述基于主体配准可以包括基于来自同一病人的图像配准、基于来自不同病人图像配准和/或基于病人数据和图谱的配准。
在步骤730中，可以在配准后的多个参考模型上标注腔室边缘。该步骤730可以由模型构建模块440中的标注单元630完成。在一些实施例中，可以通过由用户在多个心脏参考模型上手动标注腔室边缘点，每个参考模型上形成的边缘点集可以将心脏划分成六个部分，分别为左心室、左心房、右心室、右心房、心肌和主动脉。在一些实施例中，可以按照腔室边缘相对于外部和内部的变化程度，将心脏划分为10个类别：左心室边缘、左心房锐利边缘、左心房非锐利边缘、右心室锐利边缘、右心室非锐利边缘、右心房锐利边缘、右心房非锐利边缘、主动脉边缘、左心肌锐利边缘和左心肌非锐利边缘(如图18所示)。所述锐利边缘可以指腔室的边缘与外部相连或变化不明显。所述非锐利的可以指腔室的边缘与内部或其它腔室相连或变化明显。
在步骤740中，可以确定多个参考模型上的控制点。该步骤可以由模型构建模块440中的平均模型生成单元640根据经过图像配准和腔室边缘标注的多个参考模型完成。在一些实施例中，可以根据多个参考模型的图像配准结果和腔室边缘标注信息确定每个腔室的轴。所述轴可以是腔室上任意指定的两点的连线方向。例如，所确定的轴可以是腔室上距离最远的两点的连线构成的长轴。在一些实施例中，可以分别提取多个参考模型标注后的腔室边缘，沿各个腔室上所确定的轴线的横截面方向对各个腔室进行切片，并根据横截面和曲面特征在切片边缘形成密集的点集，构成平均模型的点模型(如图19所示)。在一些实施例中，可以根据点模型确定各个腔室上的控制点。所述控制点可以是点模型上点集的子集。例如，所述子集越大，网格模型越大，心脏分割过程中的计算量越大，分割效果越好；所选用的子集越小，网格模型越小，心脏分割过程中的计算量越小，分割速度较快。在一些实施例中，腔室上控制点的数目可以变化。例如，在粗略分割阶段，控制点数目可以较少，从而快速定位到腔室边缘；在精细分割阶段，控制点数目可以较多，从而实现腔室边缘的精细分割。
在步骤750中，可以根据控制点构建心脏平均网格模型。在一些实施例中，步骤750可以根据控制点之间的关系将不同点连接成多边形网络。例如，在一些实施例中，可以通过连接相邻切片上的邻近控制点形成三角形网络。在一些实施例中，可以通过图像变形方法获得平均网格模型。所述图像变形方法可以包括Point Distribution Model(PDM)、ActiveShape Model(ASM)、Active Contour Model(也称为Snakes)、Active Appearance Model(AAM)等。例如，在一些实施例中，可以基于控制点构建的三角形网络通过ASM计算方法得到多个心脏参考模型的平均网格模型(如图20所示)。在一些实施例中，步骤750可以基于二维关联因子矩阵对控制点网格模型进行加权平均模型计算。例如，在ASM计算中，平均模型生成单元640可以利用加权平均(即Σ(Fi*Wi))来计算控制点的调整结果，其中，Fi为某个腔室的变形参数，Wi为该腔室对控制点的影响系数或权重值。
需要注意的是，上述对于模型构建模块440构建平均模型的过程的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该模块的工作原理后，可能在不背离这一原理的情况下，对各个步骤的顺序进行任意调整，或者添加删除某些步骤。例如，步骤710和步骤720可以合并。又例如，步骤730到步骤750可以循环多次。诸如此类的变形，均在本申请的保护范围之内。
图8是根据本申请的一些实施例所示的示例训练模块的示意图。训练模块450可以包括一个分类单元810和一个分类器生成单元820。所述模型构建模块440内各模块之间的连接方式可以是有线的、无线的或两者的结合。任何一个模块都可以是本地的、远程的或两者的结合。
分类单元810可以用于将多个参考模型或平均模型上的可能腔室边缘点划分到不同的腔室类别中。该功能可以通过处理器220实现。在一些实施例中，分类单元810可以根据标注单元630划分的腔室类别对参考模型或平均模型上可能的边缘点进行分类(如图22所示)。例如，分类单元810可以将参考模型或平均模型上腔室附近可能的边缘点划分到10个腔室类别中，分别是：左心室边缘、左心房锐利边缘、左心房非锐利边缘、右心室锐利边缘、右心室非锐利边缘、右心房锐利边缘、右心房非锐利边缘、主动脉边缘、左心肌锐利边缘和左心肌非锐利边缘。所述分类可以通过多种分类方法实现，包括但不限于决策树分类算法、贝叶斯(Bayes)分类算法、人工神经网络(ANN)分类算法、k-邻近(kNN)、支持向量机(SVM)、基于关联规则的分类算法、集成学习分类算法等。在一些实施例中，分类单元810可以根据腔室边缘附近的点与腔室边缘的距离将腔室边缘附近的点划分为正样本和负样本。例如，所述正样本可以是距离腔室边缘一定阈值范围内的数据点，所述负样本可以是距离边缘较远以及空间中其它随机位置的数据点。在一些实施例中，分类单元810可以将多个参考模型或平均模型上可能边缘点的分类结果或数据发送给存储模块430进行存储，也可以发送给分类器生成单元820进一步处理。
分类器生成单元820可以用于获取训练好的分类器。在一些实施例中，分类器生成单元820可以根据分类单元810划分的边缘点类别对多个参考模型或平均模型上的边缘点进行分类器训练，并得到训练好的分类器(如图23所示)。在一些实施例中，分类器生成单元820可以利用PBT训练分类器。在一些实施例中，训练好的分类器可以在接收到任意一个坐标点后，输出该坐标点对应的概率。所述概率是指某一点作为腔室边缘的概率。在一些实施例中，分类器生成单元820可以将训练好的分类器发送给存储模块430进行存储，也可以发送给匹配模块460和/或调整模块470用于计算。
需要注意的是，上述对于训练模块450的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该模块的工作原理后，可能在不背离这一原理的情况下，对该模块中各个单元进行任意组合，或者构成子系统与其他单元连接，对实施上述模块的形式和细节上作各种修正和改变。例如，分类单元810可以对多个参考模型或平均模型进行腔室划分，使划分后的腔室类别相对于标注划分的腔室类别更精细。诸如此类的变形，均在本申请的保护范围之内。
图9是根据本申请的一些实施例所示的训练分类器的示例性流程图。在步骤910，训练模块450中的分类单元810可以获取多个参考模型或平均模型中的样本点。在一些实施例中，训练模块450可以基于标注后的多个参考模型或平均模型上的腔室分割结果提取腔室边缘(如图22所示)，并将每个腔室边缘附近一定范围内的点作为正样本，距离腔室边缘较远以及空间中其它随机位置的点作为负样本。例如，所述腔室边缘一定范围可以是0.1cm、0.5cm、1cm、2cm等。
在步骤920，训练模块450中的分类单元810可以对获取的正负样本点进行分类。在一些实施例中，训练模块450可以按照分类方法将正负样本点添加到不同的腔室类别中。在一些实施例中，正样本可以是平均模型边缘一定范围内的点，负样本可以是一些平均模型边缘一定范围外的点。在一些实施例中，平均模型边缘的一定范围可以设置为零，此时正样本即为平均模型边缘点。在一些实施例中，正负样本可以基于锐利程度及样本点所处位置进行分类。在一些实施例中，样本点所处位置为正负样本所属腔室。例如，训练模块450可以根据标注的腔室类别，将正负样本点划分到10个腔室类别中：左心室边缘、左心房锐利边缘、左心房非锐利边缘、右心室锐利边缘、右心室非锐利边缘、右心房锐利边缘、右心房非锐利边缘、主动脉边缘、左心肌锐利边缘和左心肌非锐利边缘。所述分类方法可以包括决策树分类算法、贝叶斯(Bayes)分类算法、人工神经网络(ANN)分类算法、k-邻近(kNN)、支持向量机(SVM)、基于关联规则的分类算法、集成学习分类算法等。其中，决策树分类算法可以包括ID3、C4.5、C5.0、CART、PUBLIC、SLIQ、SPRINT算法等。贝叶斯分类算法可以包括朴素贝叶斯算法、TAN算法(tree augmented Bayes network))等。人工神经网络分类算法可以包括BP网络、径向基RBF网络、Hopfield网络、随机神经网络(例如Boltzmann机)、竞争神经网络(例如Hamming网络、自组织映射网络等)等。基于关联规则的分类算法可以包括CBA、ADT、CMAR等。集成学习分类算法可以包括Bagging、Boosting、AdpBoosting、PBT等。
在步骤930，训练模块450可以获取经过分类训练的分类器。在一些实施例中，训练模块450中的分类器生成单元820可以通过PBT算法训练上述样本点类别，并获得一个或多个训练好的分类器(如图23所示)。所述PBT可以包括两级PBT算法或多级PBT算法。在一些实施例中，所述分类器可以包括一个或多个以多个参考模型或平均模型边缘一定范围内的点为正样本训练得到的分类器(也称作“第一分类器”)。在一些实施例中，所述分类器可以包括一个或多个以待处理图像边缘一定范围内的点为正样本训练得到的分类器(也称作“第二分类器”)。
需要注意的是，上述对于训练模块450训练分类器的过程的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该模块的工作原理后，可能在不背离这一原理的情况下，对各个步骤的顺序进行任意调整，或者添加删除某些步骤。例如，步骤910和步骤920中可以不区分正样本和负样本，并直接对腔室边缘附近的所有点进行分类。又例如，正负样本点距离腔室边缘的最大距离可以是2cm。诸如此类的变形，均在本申请的保护范围之内。
图10是根据本申请的一些实施例所示的示例模型匹配模块的结构示意图。如图10所示，匹配模块460可以包括一个获取单元1010，一个图像点提取单元1020，一个霍夫变换单元1030和一个模型匹配单元1040。所述匹配模块460内各单元之间的连接方式可以是有线的、无线的或两者的结合。任何一个单元都可以是本地的、远程的或两者的结合。
获取单元1010可以获取图像。所述获取的图像为待处理图像。在一些实施例中，所述图像可以是基于图像数据重建的图像。所述重建的图像可以从处理设备130的其它模块中获取。例如，所述重建的图像可以是获取单元1010从图像重建模块420中获取。再例如，所述重建的图像可以是图像重建模块420重建图像后存储在存储模块430中的图像。在一些实施例中，所述图像可以是经由外部设备输入到系统中的图像。例如，外部设备通过通信端口250将图像输入到系统中。在一些实施例中，获取单元1010可以获取平均模型。所述平均模型可以是平均模型生成单元640生成的三维心脏平均网格模型。在一些实施例中，获取单元1010可以获取训练模块450训练好的第一分类器。所述第一分类器可以基于点分类器获取。
在一些实施例中，获取单元1010可以获取模型匹配模块460进行图像匹配时所需要的参数。例如，获取单元1010可以获取用于广义霍夫变换的参数。在一些实施例中，所述广义霍夫变换的参数可以基于三维平均网格模型及其腔室边缘控制点得到。例如，通过确定平均模型边缘的质心，计算平均模型边缘上所有控制点相对于质心的偏移量以及相对于质心的梯度方向，可以得到对应于各梯度方向的控制点的偏移量向量(下面称为梯度向量)。在一些实施例中，可以将平均模型置于x-y-z坐标系中，并确定各梯度向量在x-y-z坐标系下的坐标。在一些实施例中，各梯度向量的坐标可以转换为极坐标系下的坐标。具体地，可以将梯度向量在x-y平面的投影与x坐标轴的夹角作为第一个角度θ，取值范围为-180度到180度。可以将梯度向量与x-y平面的夹角作为第二个角度φ，取值范围为-90度到90度。在一些实施例中，可以对上述表示梯度向量的两个角度θ和φ进行离散化处理，获取如下所述表格(亦称为R-table)。在一些实施例中，可以将R-table上的偏移量进行缩放或者旋转不同的角度来检测不同大小或不同角度的形状。
梯度相关角度φ、θ 对应点的偏移量
0，90 (x0,y0,z0),(x3,y3,z3),…
0，80 (x2,y2,z2),(x5,y5,z5),…
… …
10,90 (x4,y4,z4),(x6,y6,z6),…
… …
像点提取单元1020可以获取待处理图像的边缘概率图。具体地，在一些实施例中，图像点提取单元1020可以通过将待处理图像上点的坐标输入获取单元1010获取的分类器中，计算得到待处理图像上各点作为腔室边缘的概率，并根据各点的概率分布得到待处理图像的边缘概率图。在一些实施例中，所述边缘概率图可以包括灰度梯度图、彩色梯度图(如图24所示)等。在一些实施例中，图像点提取单元1020可以将待处理图像边缘概率图上概率值大于一定阈值的点作为第一边缘点。所述阈值可以是0-1之间的任意实数，例如，0.3、0.5等。
模型匹配单元1030可以将平均模型匹配到待处理图像上。具体地，在一些实施例中，模型匹配单元1030可以通过加权广义霍夫变换将平均模型匹配到待处理图像的边缘概率图上。所述加权广义霍夫变换可以包括根据待处理图像上第一边缘点和R-table获取待处理图像上所有可能的边缘参考点，通过加权累加的方法求出所有边缘参考点的概率累加值，并将概率累加值最大的边缘参考点作为图像的质心。将模型质心到图像质心的变换参数作为模型的变换参数。所述边缘参考点可以通过待处理图像第一边缘点根据R-table中的参数进行坐标变换后得到。所述加权累加可以是将位于相同的边缘参考点(指第一边缘点根据R-table上的参数发生偏移后落到同一边缘参考点的行为)对应的第一边缘点概率累加的过程。根据获得的图像质心，可以依据变换参数将模型的质心变换至与图像质心重合的位置。所述变换参数可以包括旋转角度和缩放比例等。在一些实施例中，模型匹配单元1030可以根据确定的变换参数对模型上的点进行旋转、缩放处理等，从而得到与待处理图像匹配的模型(如图25所示)。
需要注意的是，上述对于模型匹配模块460的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该模块的工作原理后，可以在不背离这一原理的情况下，对该模块中各个单元进行任意组合，或者构成子系统与其他单元连接，对实施上述模块的形式和细节上作各种修正和改变。例如，图像点提取单元1020可以去掉，待处理图像的边缘概率图可以直接由训练模块450得到。诸如此类的变形，均在本申请的保护范围之内。
图11是根据本申请的一些实施例所示的匹配平均模型与重建的图像的示例性流程图。在步骤1110中，可以获取平均模型、待处理图像和训练好的第二分类器。在一些实施例中，所述平均模型可以是平均模型生成单元640基于多个参考模型通过图像模型构建方法得到的三维心脏平均网格模型。所述图像模型构建方法可以包括Point DistributionModel(PDM)、Active Shape Model(ASM)、Active Contour Model(也称为Snakes)、ActiveAppearance Model(AAM)等。步骤1110可以由获取单元1010实现。在一些实施例中，获取单元1010获取的待处理图像可以是图像重建模块420重建的图像。在一些实施例中，步骤1110可以获取基于平均模型的R-table。
在步骤1120中，可以确定广义霍夫变换的参数。具体地，在一些实施例中，步骤1110可以基于待处理图像的边缘概率图获取待处理图像的第一边缘点。所述第一边缘点可以是待处理图像边缘概率图上概率大于一定阈值的点，例如所述概率可以是0.3。在一些实施例中，所述边缘概率图可以通过将待处理图像上点的坐标输入获取单元1010获取的分类器中计算待处理图像上各点作为腔室边缘的概率，并根据各点的概率分布得到。在一些实施例中，可以计算待处理图像上第一边缘点梯度方向对应的角度θ和φ，并根据R-table确定第一边缘点的偏移量，以第一边缘点的坐标值和所有对应偏移量的差值作为所有可能边缘参考点的坐标值。进一步地，可以根据边缘参考点投票次数和对应第一边缘点的概率值对所有边缘参考点进行加权累加。所述加权累加可以是将位于同一边缘参考点对应的第一边缘点的概率累加。在一些实施例中，可以将概率累加值最大的边缘参考点所对应的R-table中的参数作为待处理图像的变换参数。所述变换参数可以包括旋转角度和缩放比例等。所述加权累加的方法用公式可以表示为：
Figure BDA0001287316690000311
其中，i为第一边缘点的索引，j为投票图像上被投票的可能边缘参考点的索引，p为每个第一边缘点的概率值，σ为0,1二值函数，即当第i个第一边缘点在第j个可能边缘参考点有投票
贡献时，该值为1，否则为0。
在步骤1130中，可以得到待处理图像对应的模型。具体地，可以基于所确定的加权广义霍夫变换参数，对待处理图像上的第一边缘点进行变换。例如，可以根据边缘参考点对应的R-table中的角度和缩放比例，变换待处理图像上第一边缘点的坐标，并把平均模型上的相应信息对应到待处理图像上，得到与平均网格模型对应的待处理图像。
图12是根据本申请的一些实施例所示的示例调整模块的结构示意图。如图12所示，所述调整模块470可以包括一个获取单元1210，一个目标点确定单元1220，一个模型变换单元1230。所述调整模块470内各单元之间的连接方式可以是有线的、无线的或两者的结合。任何一个单元都可以是本地的、远程的或两者的结合。
获取单元1210可以获取模型和训练好的第二分类器。具体地，获取单元1210可以获取模型上第二边缘点的坐标数据。在一些实施例中，所述模型的第二边缘点可以是模型上的控制点。在一些实施例中，获取单元1210可以获取训练模块450训练好的第二分类器。所述分类器可以是基于腔室及边缘锐利程度划分的10个腔室类别通过PBT分类算法训练得到10个分类器，例如左心室边缘、左心房锐利边缘、左心房非锐利边缘、右心室锐利边缘、右心室非锐利边缘、右心房锐利边缘、右心房非锐利边缘、主动脉边缘、左心肌锐利边缘和左心肌非锐利边缘。这是因为，某个腔室边缘内外两侧的灰度变化不明显，锐利程度较低，因此，未对其依据锐利程度分类。在一些实施例中，获取单元1210可以获取经过模型变换单元1230处理后的模型。
目标点确定单元1220可以确定模型上第二边缘点对应的目标点。以模型上的一个第二边缘点为例，目标点确定单元1220可以确定所述一个模型第二边缘点周围的多个候选点。在一些实施例中，目标点确定单元1220可以将确定的所述一个模型第二边缘点周围的多个候选点输入到获取单元1210获取的分类器中，确定所述一个模型第二边缘点及其周围多个候选点对应于图像边缘的概率，并根据所述概率确定所述一个模型第二边缘点的目标点。在一些实施例中，目标点确定单元1220可以确定模型上所有第二边缘点的对应目标点。
模型变换单元1230可以对模型进行调整。在一些实施例中，模型变换单元1230可以基于目标点确定单元1220所确定的目标点调整模型边缘点的位置。所述调整可以包括相似性变换、分段仿射变换和/或基于能量函数的微变等。在一些实施例中，模型变换单元1230可以重复多次调整模型，且每次的调整均需要重新确定目标点。具体地，在一些实施例中，模型变换单元1230可以判断模型调整后是否满足预设条件。例如，模型调整次数是否达到一定阈值。若模型调整次数达到一定阈值，则输出精确匹配的模型；若模型调整次数小于所述预设阈值，则发送信号至目标点确定单元1220，再次进行目标点的确定，然后由模型变换单元1230再次进行模型边缘点的变换。在一些实施例中，模型变换单元1230可以获得精确调整后的心脏腔室模型。所述精确调整后的心脏腔室模型可以与真实心脏非常接近。
需要注意的是，上述对于调整模块470的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该模块的工作原理后，可能在不背离这一原理的情况下，对该模块中各个单元进行任意组合，或者构成子系统与其他单元连接，对实施上述模块的形式和细节上作各种修正和改变。例如，模型变换单元1230可以预先设定循环次数，而不需要通过阈值判断来确定精确调整模块470的循环次数。诸如此类的变形，均在本申请的保护范围之内。
图13是根据本申请的一些实施例所示的调整模型的示例性流程图。在步骤1310中，可以获取模型上的第二边缘点和训练好的分类器。在一些实施例中，获取单元1210和获取单元1010获取的分类器不是同一类型。所述获取单元1010获取的分类器可以是训练模块450取平均网格模型边缘一定范围内的点为正样本训练得到。所述获取单元1210获取的分类器可以是取待处理图像边缘一定范围内的点为正样本训练得到。在一些实施例中，获取单元1010获取的分类器可以是第一分类器，获取单元1210获取的分类器可以是第二分类器。
在步骤1320中，可以基于第二分类器确定模型上第二边缘点的目标点。在一些实施例中，步骤1320可以将一个模型第二边缘点一定范围内的候选点输入到第二分类器中，并获得所述模型第二边缘点一定范围内的候选点属于图像边缘的概率。在一些实施例中，可以基于所确定的概率通过目标点确定单元1220确定所述一个模型第二边缘点的目标点。
在步骤1330中，可以基于确定的目标点将模型上的第二边缘点变换至目标点。在一些实施例中，步骤1330可以采用多种变换方式对模型第二边缘点进行变换。例如，可以通过模型变换单元1230采用相似性变化和仿射变换对模型第二边缘点进行修正。
在步骤1340中，可以判断调整结果是否满足预设条件。在一些实施例中，预设条件可以是调整次数是否达到一定阈值。在一些实施例中，所述阈值是可以调整的。当调整次数达到一定阈值时，进入步骤1350，并输出精确匹配后的模型；当调整次数小于一定阈值时，返回步骤1320，可以基于新的模型边缘点通过目标点确定单元1220确定新的模型边缘点对应的目标点。
图14是根据本申请的一些实施例所示的确定目标点的示例性流程图。流程1400可以是目标点确定单元1220实现。图14中是确定平均模型边缘上一点的相应目标点的过程，但是本领域技术人员应当理解的是，该方法可以用于获得多个边缘点对应的多个目标点。在一些实施例中，流程1400可以与步骤1320相对应。
在步骤1410中，可以确定一个平均模型边缘点的法线。在一些实施例中，所述法线的方向是由平均模型内部指向外部。具体的法线获取方法可以参见，例如，流程1500及其描述。
在步骤1420中，可以获取沿所述一个平均模型边缘点法线方向的步长及搜索范围。在一些实施例中，所述步长及搜索范围可以是预先设定好的值。在一些实施例中，所述步长及搜索范围可以是用户输入的。例如，用户可以由外部设备通过通信端口250输入到处理设备130中。在一些实施例中，所述搜索范围为以所述一个模型边缘点为起点，沿法线所在直线两个方向(向模型外侧或内侧)中至少一个方向的线段。
在步骤1430中，基于步长及搜索范围，可以确定一个或多个候选点。例如，搜索范围为10厘米，步长设置为1厘米，可以沿法线所在直线两个方向各确定10个点，共21个候选点(包括边缘点本身)。在一些实施例中，也可以确定步长和步数，并根据步长和步数确定候选点。例如，步长设置为0.5厘米，步数设置为3，可以沿法线所在直线两个方向各确定3个点，最远的候选点距离边缘点1.5cm，共7个候选点。
在步骤1440中，可以确定所述一个或多个候选点对应于图像边缘一定范围的概率。在一些实施例中，第二分类器是取图像边缘一定范围内的点为正样本训练得到。所述一定范围可以为一预设值由机器或用户设置。例如，所述预设值可以为1厘米。
在步骤1450中，可以基于所述一个或多个候选点对应于图像边缘一定范围的概率，确定所述一个或多个候选点中的一个为目标点。在一些实施例中，目标点可以基于以下函数获得：
Fi＝max(Pi-λ*di 2) (2)
其中，Pi为候选点对应于图像边缘一定范围的概率；di为候选点与所述一个平均模型边缘点的欧氏距离；λ为权重，是常量用以平衡距离与概率值的关系。
在一些实施例中，可以基于流程1400确定出多个模型边缘点的多个目标点，然后根据所述多个目标点对多个模型边缘点和模型进行变换。具体的变换过程可以参见，例如，图16及其描述。
图15是根据本申请的一些实施例所示的确定边缘点法线的示例性流程图。在一些实施例中，流程1500可以与步骤1420相对应。
在步骤1510中，可以根据平均模型的多个边缘点确定多个多边形。在一些实施例中，所述多个多边形可以通过连接所述多个边缘点形成。所述多个多边形可以为三角形、四边形、多边形等形状。在一些实施例中，根据多个边缘点确定多个多边形的过程也可被称为网格化处理。其中，所述多个多边形可以被称为网格，所述多个边缘点可以被称为节点。在一些实施例中，平均模型表面可能已经形成与所述平均模型边缘点对应的多个多边形，在此情况下，步骤1510可以被省略。
在步骤1520中，可以确定与一个平均模型边缘点的相邻的多个多边形。
在步骤1530中，可以确定所述多个多边形的所属平面对应的多个法线。在一些实施例中，所述多个多边形的所属平面对应的多个法线方向位于同侧(平均模型外侧或内侧)。在一些实施例中，所述多个多边形的所属平面对应的多个法线向量为单位向量。
在步骤1540中，可以基于所述多个法线确定所述边缘点的法线。在一些实施例中，可以将所述多个多边形对应的多个法线向量相加或者取平均。
图16是根据本申请的一些实施例所示的变换平均模型边缘点的示例性流程图。在一些实施例中，流程1600可以是模型变换单元1230实现。
在步骤1610中，可以对平均模型边缘点执行相似性变换。例如，可以将平均模型边缘点组成的网格作为一个整体，根据腔室边缘点确定的目标点方向，对平均模型整体进行变换，主要包括平移、旋转、缩放等操作。
在步骤1620中，可以对平均模型边缘点执行分段仿射变换。在一些实施例中，平均模型边缘点组成的网格可以被按照一定规则进行划分。例如，可以按照心脏腔室对心脏模型进行划分。如图24所示，模型网格可以依据腔室被划分为左心室、左心房、右心室、右心房、主动脉以及左心肌六个部分。在一些实施例中，分段仿射变换指的是将划分的各个部分的网格分别进行仿射变换。所述仿射变换可以指对各个部分的多个节点分别进行移动变换和形状变换。在一些实施例中，平均模型边缘点可能受到多个腔室的影响。平均模型边缘点受到不同腔室影响的作用可以以关联因子的形式表示出来。在进行仿射变换时，平均模型边缘点可以朝向目标点转换。在转换的过程中，平均模型边缘点由于受到多个腔室影响。关联因子会成为转换参数(如移动位移，变形比例等)的权重值。根据边缘点对应的目标点和关联因子，模型变换单元1230采用分段仿射变换将平均模型多段网格上的边缘点分别转换至其对应的位置。
在步骤1630中，可以对平均模型边缘点执行基于能量函数的微变。在一些实施例中，能量函数可以表示为：
Figure BDA0001287316690000371
其中，Eext为外部能量，表示当前点与检测到目标点的关系；Eint为内部能量，表示当前点与所述平均模型的一个边缘点的关系；α为权重，用来平衡内外部能量，不同腔室使用不同的权重；c表示各腔室。当当前点既接近目标点又接近所述平均模型的一个边缘点时，则能量函数最小，即求得最优坐标点。总能量E越小，结果越准确。
外部能量函数可以表示为：
Figure BDA0001287316690000372
其中，i为各；wi为各点所占的权重(即该点的可靠性)；当前点坐标为vi，经PBT分类器检测到的点为
Figure BDA0001287316690000373
Figure BDA0001287316690000374
为点的梯度(向量)，
Figure BDA0001287316690000375
为梯度值大小。内部能量函数可以表示为：
Eint＝∑i∑j∑kwi，k((vi-vj)-Taffine，k(mi-mj))2 (5)
其中，i为各点，j为点i的邻域(则vi-vj对应于当前点位置各三角形的边)；wi，k为关联因子(各腔室k对当前点i的因子)；mi，mj为平均模型上的点(由PDM/ASM求得)；mi-mj对应于mesh平均模型各三角形的边)，Taffine，k为各腔室k仿射变换PAT所求得的变换关系。其中，点坐标vi都是空间三维的。
经过加权广义霍夫变换、模型调整和模型变换，可以获得精确匹配的模型和图像。如图25所示，精确匹配后的模型心脏各腔室被清晰、明确地分割出来。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述发明披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质、或任何上述介质的组合。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (10)

1.一种图像分割方法，包括: 获取图像数据； 基于所述图像数据，重建图像，其中，所述图像包括一个或多个第一边缘，所述第一边缘具有多个点，获取点分类器，所述点分类器对所述第一边缘的多个点根据图像特征进行分类；
以及基于关联因子矩阵获取一个三维平均模型，其中，所述模型包括与所述一个或多个第一边缘相对应的一个或多个第二边缘；所述关联因子矩阵可以标识各个腔室对所述第一边缘的多个点的影响。
2.根据权利要求1所述的方法，其特征在于，所述图像特征包括锐利程度和所处位置。
3.根据权利要求1所述的方法，其特征在于，进一步包括获取第一分类器，所述获取第一分类器包括：获取所述点分类器分类后的多个点，其中至少一部分所述分类器分类后的多个点位于第一边缘一定范围内；确定所述第一边缘一定范围内的分类器分类后的多个点为正样本；确定所述第一边缘一定范围以外的分类器分类后的多个点为负样本；对所述正样本和负样本进行分类；以及根据分类后的正样本和负样本获得训练后的第一分类器。
4.根据权利要求3所述的方法，其特征在于，进一步包括匹配所述模型与所述重建后的图像；以及根据所述一个或多个第一边缘，调整所述模型的一个或多个第二边缘，所述调整所述模型的一个或多个第二边缘包括： 确定所述第二边缘上的一个参考点；确定与所述参考点相对应的目标点；以及根据所述目标点，调整所述模型的第二边缘。
5.根据权利要求4所述的方法，其特征在于，所述确定与所述参考点相对应的目标点包括： 确定所述参考点的法线； 获取步长和搜索范围； 根据所述步长和搜索范围，沿法线确定一个或多个候选点； 根据所述训练后的第一分类器，确定所述一个或多个候选点对应于所述第一边缘的概率；以及 基于所述一个或多个候选点对应于所述第一边缘的概率，确定所述目标点。
6.一个图像处理系统，包括: 一个存储器，被配置为存储数据及指令； 一个与存储器建立通信的处理器，其中，当执行存储器中的指令时，所述处理器被配置为： 获取图像数据； 基于所述图像数据，重建图像，其中，所述图像包括一个或多个第一边缘，所述第一边缘具有多个点，获取点分类器，所述点分类器对所述第一边缘的多个点根据图像特征进行分类；以及基于关联因子矩阵获取一个三维平均模型，其中，所述模型包括与所述一个或多个第一边缘相对应的一个或多个第二边缘；所述关联因子可以标识各个腔室对所述第一边缘的多个点的影响。
7.根据权利要求6所述的系统，其特征在于，所述处理器被进一步配置为：所述图像特征包括锐利程度和所处位置。
8.根据权利要求6所述的系统，其特征在于，所述处理器被进一步配置为：获取第一分类器，所述获取第一分类器包括：获取所述点分类器分类后的多个点，其中至少一部分所述分类器分类后的多个点位于第一边缘一定范围内；确定第一边缘一定范围内的分类器分类后的多个点为正样本；确定第一边缘一定范围以外的分类器分类后的多个点为负样本；对所述正样本和负样本进行分类；以及根据分类后的正样本和负样本获得训练后的第一分类器。
9.根据权利要求8所述的系统，其特征在于，所述处理器被进一步配置为：进一步包括匹配所述模型与所述重建后的图像；以及根据所述一个或多个第一边缘，调整所述模型的一个或多个第二边缘，所述调整所述模型的一个或多个第二边缘包括： 确定所述第二边缘上的一个参考点；确定与所述参考点相对应的目标点；以及根据所述目标点，调整所述模型的第二边缘。
10.根据权利要求9所述的系统，其特征在于，所述处理器被进一步配置为：所述确定与所述参考点相对应的目标点包括： 确定所述参考点的法线； 获取步长和搜索范围； 根据所述步长和搜索范围，沿法线确定一个或多个候选点； 根据所述训练后的第一分类器，确定所述一个或多个候选点对应于所述第一边缘的概率；以及 基于所述一个或多个候选点对应于所述第一边缘的概率，确定所述目标点。
CN201710311691.0A 2017-05-05 2017-05-05 一种图像分割方法及系统 Active CN107230211B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710311691.0A CN107230211B (zh) 2017-05-05 2017-05-05 一种图像分割方法及系统
US15/710,815 US10482604B2 (en) 2017-05-05 2017-09-20 Systems and methods for image processing

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710311691.0A CN107230211B (zh) 2017-05-05 2017-05-05 一种图像分割方法及系统

Publications (2)

Publication Number Publication Date
CN107230211A CN107230211A (zh) 2017-10-03
CN107230211B true CN107230211B (zh) 2021-07-16

Family

ID=59933268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710311691.0A Active CN107230211B (zh) 2017-05-05 2017-05-05 一种图像分割方法及系统

Country Status (1)

Country Link
CN (1) CN107230211B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3511866A1 (en) * 2018-01-16 2019-07-17 Koninklijke Philips N.V. Tissue classification using image intensities and anatomical positions
CN110110761A (zh) * 2019-04-18 2019-08-09 温州医科大学 基于机器视觉的眼前节断层图像的图像特征提取方法
CN115082343A (zh) * 2022-06-27 2022-09-20 上海联影医疗科技股份有限公司 一种图像控制点的确定方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102385751A (zh) * 2011-07-19 2012-03-21 中国科学院自动化研究所 基于分水岭变换及支持向量机分类的肝脏肿瘤区域分割方法
CN102436589A (zh) * 2010-09-29 2012-05-02 中国科学院电子学研究所 一种基于多类基元自主学习的复杂目标自动识别方法
CN102707864A (zh) * 2011-03-28 2012-10-03 日电（中国）有限公司 基于混合标记的对象分割方法和系统
CN102737379A (zh) * 2012-06-07 2012-10-17 中山大学 一种基于自适应学习的ct图像分割方法
CN104766340A (zh) * 2015-04-30 2015-07-08 上海联影医疗科技有限公司 一种图像分割方法
CN105574859A (zh) * 2015-12-14 2016-05-11 中国科学院深圳先进技术研究院 一种基于ct图像的肝脏肿瘤分割方法及装置
CN105719278A (zh) * 2016-01-13 2016-06-29 西北大学 一种基于统计形变模型的器官辅助定位分割方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436589A (zh) * 2010-09-29 2012-05-02 中国科学院电子学研究所 一种基于多类基元自主学习的复杂目标自动识别方法
CN102707864A (zh) * 2011-03-28 2012-10-03 日电（中国）有限公司 基于混合标记的对象分割方法和系统
CN102385751A (zh) * 2011-07-19 2012-03-21 中国科学院自动化研究所 基于分水岭变换及支持向量机分类的肝脏肿瘤区域分割方法
CN102737379A (zh) * 2012-06-07 2012-10-17 中山大学 一种基于自适应学习的ct图像分割方法
CN104766340A (zh) * 2015-04-30 2015-07-08 上海联影医疗科技有限公司 一种图像分割方法
CN105574859A (zh) * 2015-12-14 2016-05-11 中国科学院深圳先进技术研究院 一种基于ct图像的肝脏肿瘤分割方法及装置
CN105719278A (zh) * 2016-01-13 2016-06-29 西北大学 一种基于统计形变模型的器官辅助定位分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Non-deep CNN for Multi-Modal Image Classification and Feature Learning: An Azure-based Model;Sohini Roychowdhury等;《2016 IEEE International Conference on Big Data》;20170206;第2803-2812页 *
主动形体模型法在肝脏CT图像分割中的应用;凌华强等;《浙江工业大学学报》;20120831;第40卷(第4期);第1.1节、第2节第2-5段 *
基于机器学习的边缘检测方法研究;赵彤洲等;《湖北大学学报（自然科学版）》;20110930;第33卷(第9期);第1节、第2.1、2.3节 *

Also Published As

Publication number Publication date
CN107230211A (zh) 2017-10-03

Similar Documents

Publication Publication Date Title
CN107220965B (zh) 一种图像分割方法及系统
CN107424162B (zh) 一种图像分割方法及系统
CN112001925B (zh) 图像的分割方法、放射治疗系统、计算机设备和存储介质
US10482604B2 (en) Systems and methods for image processing
US9218542B2 (en) Localization of anatomical structures using learning-based regression and efficient searching or deformation strategy
EP3444781B1 (en) Image processing apparatus and image processing method
Xing et al. Lesion segmentation in ultrasound using semi-pixel-wise cycle generative adversarial nets
US8135189B2 (en) System and method for organ segmentation using surface patch classification in 2D and 3D images
CN111709485B (zh) 医学影像处理方法、装置和计算机设备
US11935246B2 (en) Systems and methods for image segmentation
CN107220984B (zh) 图像分割方法、图像分割系统及图像分割装置
US20220301224A1 (en) Systems and methods for image segmentation
Zheng et al. Deep learning based automatic segmentation of pathological kidney in CT: local versus global image context
CN107230211B (zh) 一种图像分割方法及系统
Jaffar et al. Ensemble classification of pulmonary nodules using gradient intensity feature descriptor and differential evolution
CN111080658A (zh) 基于可形变配准和dcnn的宫颈mri图像分割方法
Diamant et al. Chest radiograph pathology categorization via transfer learning
Alvén et al. Überatlas: fast and robust registration for multi-atlas segmentation
Mofrad et al. Classification of normal and diseased liver shapes based on spherical harmonics coefficients
Larsson et al. Deepseg: Abdominal organ segmentation using deep convolutional neural networks
CN113962957A (zh) 医学图像处理方法、骨骼图像处理方法、装置、设备
Casti et al. Cooperative strategy for a dynamic ensemble of classification models in clinical applications: the case of MRI vertebral compression fractures
Garg et al. State-of-the-art review of deep learning for medical image analysis
Gassman et al. Automated bony region identification using artificial neural networks: reliability and validation measurements
Pan Researches Advanced in Medical Image Analysis Based on Convolutional Neural Networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 201807 No. 2258 Chengbei Road, Jiading Industrial Zone, Jiading District, Shanghai.

Applicant after: Shanghai Lianying Medical Technology Co., Ltd

Address before: 201807 No. 2258 Chengbei Road, Jiading Industrial Zone, Jiading District, Shanghai.

Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd.

GR01 Patent grant
GR01 Patent grant