CN109003278A - 一种改进的基于主动形状模型的ct图像主动脉分割方法 - Google Patents

Abstract

本发明公开了一种改进的基于主动形状模型的CT图像主动脉分割方法，采用支持向量机和主动形状模型相结合的分割提取方法，优点为能够实现对主动脉夹层病患CT图像中主动脉区域的精确分割提取，解决了现有算法中模型与实际分割目标存在较大差异时而导致误差的问题；过程为：(1)从主动脉患者CT图像中选取样本构建训练集，对训练集中主动脉区域进行特征点标记；(2)将样本标记的特征点构建形状向量并进行归一化配准；(3)对向量降维以确定主样本成分，构建统计形状模型；(4)以特征点为中心的方阵进行灰度采样，建立纹理模型；(5)模型进行训练过程中构建支持向量机分类器；(6)计算标记点集到目标轮廓的概率，寻找最佳匹配位置。

Description

一种改进的基于主动形状模型的CT图像主动脉分割方法

技术领域

本发明属于医学图像处理技术领域；涉及一种改进的基于主动形状模型的CT图像主动脉分割提取方法；可用于针对人体胸腹腔CT扫描图像中主动脉区域的自动分割提取。

背景技术

主动脉夹层是目前较为凶险的一类心血管疾病，其主要原因为高血压造成的主动脉壁内膜破裂，血流沿内膜与中层之间纵向剥离而形成的壁内血肿，一旦出现血管壁破裂，抢救十分困难，危险性远高于脑梗塞、心肌梗死和恶性肿瘤等高危病情；目前电子计算机断层扫描(Computed Tomography，CT)成为主动脉夹层手术中最重要的诊断方式，但是由于每位主动脉夹层病患的CT扫描图像较多，一般为500～1000张，一般心血管内科大夫需要逐幅分析病人的CT扫描图像信息，该工作需要大量临床经验，同时存在一定误差从而易导致贻误最佳治疗时机；因此国内外医疗诊断设备开发者通常利用主动脉夹层病患胸腹腔CT扫描图像序列，通过图像处理方法进行主动脉外轮廓三维重建，以辅助医师对患者主动脉三维空间结构有较为立体全面的认识，详细掌握其血肿位置及大小等情况，其中重建过程中最重要的是准确分割主动脉区域；由于主动脉在不同个体中的位置及形状差异较大，且存在周围其他脏器组织的干扰，使得CT图像中精确地分割提取主动脉区域较为困难；目前针对于医学CT图像的分割算法主要有基于区域、边界及形状模型的方法；其中基于区域的分割方法的主要优点是简单、高效，但对于不同目标区域间灰度差异不明显的图像，较难取得满意的分割结果；基于边界的方法对边缘明显且噪声小的图像分割效果较好，但是对噪声敏感，对于边缘复杂的图像容易得到伪边缘或不连续边缘；基于主动形状模型算法的优点为无需选取感兴趣区域，直接输入整幅CT图像即可实现分割提取，在实际应用中较为广泛，但当目标分割部分区域与训练的主动脉模型有较大差异时，存在一定的误差；因此开发出一种适用于人体胸腹腔CT图像中各种主动脉区域结构的自动精确提取算法是难点。

发明内容

本方法的突出优点是能够实现对主动脉夹层病患CT扫描图像中主动脉区域的精确分割提取，较好地避免了当现有的主动形状模型算法中构建的模型与实际需要收敛目标轮廓存在很大差异时而导致误分割情况；本发明采用的技术方案为一种基于支持向量机(Support Vector Machine，SVM)和主动形状模型(Active Shape Models，ASM)相结合的主动脉区域分割提取方法，包括下列步骤：

(1)从获取的CT图像序列中选取部分样本构建训练集，对样本中的主动脉区域进行特征点标记；

(2)将步骤(1)中的每个样本标记的特征点构建形状向量，随后针对所有样本构建的形状向量进行归一化配准；

(3)对步骤(2)中配准后的形状向量通过主成分分析法来降维以确定主样本成分，构建统计形状模型；

(4)以每一个标记的特征点为中心的方阵进行灰度采样，建立主动脉区域的灰度纹理模型；

(5)在对步骤(4)中建立的灰度纹理模型进行训练过程中构建SVM分类器；

(6)利用步骤(5)中构建的SVM分类器计算标记点集中到目标轮廓的概率，通过最大化标记点集中到目标位置的概率，最小化目标与模型的马氏距离，为每个标记点找到最佳匹配位置，最终收敛得到主动脉区域轮廓。

步骤(1)中，针对CT图像序列主动脉区域特点，选取样本的主动脉弓部建立主动脉弓部训练集，选取降主动脉部分建立降主动脉训练集；采用(x_ij，y_ij)表示每个训练集中标记点的坐标位置，其中i表示第i幅图像，j表示该图像上第j个标记点；设在每张CT样本图像上均标记有n个点，则形状向量X_i可由所有标记点的集合表示出来，表达式为X_i＝(x_i1，y_i1，x_i2，y_i2，...x_in，y_in)^T；

步骤(2)中，对所有CT图像训练样本进行主动脉轮廓点标记后，得到形状向量，所有形状向量构成形状向量训练样本集{X₁，X₂，...，X_N}，N表示样本集中共N幅图像；由于不同CT图像样本中主动脉弓、降主动脉的形状和位置差异较大，因此构建主动脉模型库之前需将训练样本集中的所有形状向量进行归一化配准；首先选择训练样本集中的典型CT图像作为基准样本，然后将其他样本形状与基准样本进行比对，当所有样本与基准样本间的差异均小于设定阈值时，形状向量的归一化配准完成；

步骤(3)中，采用主成分分析法来进行维数降低以确定出主样本成分，设主动脉统计形状模型为 是平均形状向量，Φ是由选取的前k个特征值计算得到的特征向量构成的矩阵，表示为Φ＝(φ₁，φ₂，...，φ_k)；B是形状向量在主分量上的投影系数，表示为B＝(b₁，b₂，...，b_k)^T，将形状参数b_i控制在范围内，以确保模型在有效范围内；

步骤(4)中，以每一个标记点为中心的方阵进行灰度采样，构建灰度向量g_ij，再对训练样本集中各标记点灰度向量g_ij的均值及协方差进行计算；

步骤(5)中，训练得到函数将任一输入数据x按该函数进行分类，其中 0≤α_i≤C是支持向量(SV)，其中b∈R，K(x_i，x_j)为核函数；

步骤(6)中，搜索匹配函数为F(x_ij，y_ij)＝ω₁f(G_j)+ω₂(1-P(i，j))；利用构建的SVM分类器计算标记点集中到目标轮廓的概率P(i，j)，允许轮廓的演变基于模型轮廓标记点集中到目标轮廓的概率最大化和目标轮廓与模型马氏距离最小化的结合，为每个标记点找到最佳匹配位置，拟合得到最佳轮廓。

本发明与现有技术相比较具有如下优点：

1.本发明解决了由主动脉夹层病患的CT扫描图像存在较大差异时，通过常用图像分割算法中对CT 图像序列中主动脉区域进行提取的结果易产生较大误差的问题，从而为后续提取主动脉三维重建奠定了良好的基础。

2.本发明将SVM与ASM两种算法结合，利用SVM分类器将CT图像中主动脉区域轮廓的像素点进行分类，再结合ASM算法进行目标区域搜索匹配，提取出真实主动脉区域；本发明中方法实验结果更加准确可靠，适应性及鲁棒性好，是一种具有较高应用前景的CT图像自动分割准确提取算法。

附图说明

图1为本发明的算法流程图；

图2为样本集图像中主动脉区域的特征点标记结果；(a)为主动脉弓部特征点标记；(b)为降主动脉特征点标记；

图3为训练样本集归一化配准结果；(a)为主动脉弓部配准前训练样本集；(b)为主动脉弓部配准后训练样本集；(c)为降主动脉配准前训练样本集；(d)为降主动脉配准后训练样本集；

图4为主动脉区域形状模型初始化与最终迭代结果；(a)为初始形状模型；(b)为最终收敛结果；

图5为采用本发明方法与传统ASM分割方法对CT图像中主动脉区域分割提取结果；红色曲线代表传统ASM方法提取的主动脉区域轮廓，蓝色曲线代表本发明算法提取到的主动脉区域轮廓；(a)为主动脉弓分割对比结果；(b)为降主动脉分割提取结果。由结果可知本发明算法准确度高，相比于传统算法更加接近真实主动脉区域。

具体实施方式

本发明的算法流程图如图1所示，首先从主动脉病患CT扫描图像序列中选取部分样本构建训练集，对样本中的主动脉区域进行特征点标记；其中每张CT图像的标记点构成一个形状向量，随后对所有构建的形状向量归一化配准；为简化高维数据计算，对配准后的数据采用主成分分析法来降维以确定出主样本成分，构建统计形状模型；之后将降维后的数据建立灰度纹理模型；在训练过程中建立SVM分类器；利用SVM分类器计算标记点集合中目标轮廓概率P(i，j)，允许轮廓的演变基于模型轮廓标记点集合中到目标轮廓的概率最大化和目标轮廓与模型马氏距离最小化的结合，为每个标记点找到最佳匹配位置，得到最终的主动脉区域分割结果；下面结合附图，对本发明技术方案的具体实施过程进行详细描述。

1.从CT序列中选取部分样本构建训练集并对样本中的主动脉区域进行特征点标记

针对主动脉弓部CT图像序列建立主动脉弓部训练集，降主动脉序列建立降主动脉训练集；为准确表示出主动脉区域形状，通过一组标记点来表示，按照标记点选取原则，对能够明确表达出主动脉轮廓边缘信息的地方进行标记；图2分别给出了主动脉弓部和降主动脉的标记点分布；(x_ij，y_ij)表示每个标记点的坐标位置，其中i表示第i幅图像，j表示该图像上第j个标记点。假设在每幅CT图像上都标记有n个点，则形状向量X_i可以由所有标记点的集合表示，n代表标记点个数。

X_i＝(x_i1，y_i1，x_i2，y_i2，…，x_in，y_in)^T

2.对构建主动脉区域形状向量进行归一化配准

对所有作为训练样本的CT图像进行主动脉区域轮廓标记后，则每幅CT图像得到一个形状向量，由一组主动脉夹层病患的CT图像序列可构成形状向量样本集{X₁，X₂，...，X_N}，N表示样本集中形状向量个数。由于不同CT样本图像上主动脉弓、降主动脉的形状和位置差异较大，因此构建主动脉模型库之前需要将训练集中的所有形状向量进行归一化配准；选择训练集中一幅图像作为基准样本，尺度缩放、旋转平移其他样本形状使之与基准样本对齐，当所有样本与基准样本间差异均小于设定阈值时，形状向量的归一化配准完成；两组训练集的配准结果如图3所示；在未进行配准前所有样本对应形状向量相关性较差，配准后各形状向量统一对齐在同一基准下，为后续主动脉区域的统计形状模型的构建奠定基础，图中的横纵坐标代表标记点在CT图像上对应的坐标值；

3.对归一化配准后的形状向量降维以确定出主样本成分统计形状模型

为简化高维数据计算，利用主成分分析法来降维以确定出主样本成分；首先计算平均形状向量：

N代表样本总数，X_i为每个样本长度为2n的形状向量；训练集中所有形状向量的协方差矩阵为：

求解矩阵的特征值λ_i和特征向量φ_i之后降序排列特征值，在排序后的特征值中选取前k个特征向量作为主成分用来描述训练集主要形状分布，特征值满足条件：

最终主动脉统计形状模型可表示为：

为平均形状向量，Φ为由选取的k个特征值计算得到的特征向量构成的矩阵。Φ＝(φ₁，φ₂，...，φ_k)，B为形状向量在主分量上的投影系数，表示为B＝(b₁，b₂，...，b_k)^T，将形状参数b_i控制在范围内，以确保模型在有效范围内。

4.建立主动脉区域的灰度纹理模型

为在目标图像中搜索到真实主动脉区域轮廓，还需构建其灰度纹理模型；本发明中除了获取标记点所在曲线上的灰度值信息，还需以每一个标记点为中心的方阵进行灰度值采样构建灰度向量g_ij；需要分别计算训练样本集中每一个标记点的灰度向量g_ij的均值及协方差S_j，计算方法为：

5.建立SVM分类器

在样本集中构建SVM分类器；设训练集为{(x_i，y_i)，i＝1，2，...，n}，其中x_i为输入样本数据，x_i∈R_n，y_i为输出数据，y_i∈R，R＝{-1，+1}，n为输入样本数，其规范形式的最优超平面须满足下面的约束条件：

ωφ(x)+b＝0

b为常数，b∈R，ω为样本法向量，φ(x)是输入空间映射到高维线性空间的特征映射的内积；SVM分类器将寻找最优超平面的任务转换为典型的二次规划问题，表示如下：

ξ表示x_i允许偏离的偏差量；C为惩罚因子，用于控制寻找间隔最大的最优超平面和保证数据点偏差量最小二者之间的权重；最优二次规划问题可转换为对偶优化问题：

0≤α_i≤C为支持向量，0＜α_j＜C为标准支持向量(NSV)。

N_NSV是标准支持向量数，K(x_i，x_j)为核函数；通过训练求得α_i，b，K(x_i，x_j)；SVM训练器作为分类器可以将任一输入数据x按函数f(x)进行分类：

6.结合马氏距离匹配函数搜索各标记点对应的最佳匹配点实现主动脉区域轮廓提取

在目标图像中为每一个标记点寻找最佳匹配点，将基于模型轮廓标记点集中到目标轮廓的概率最大化和目标轮廓与模型马氏距离最小化两种方法结合；使得主动脉轮廓匹配演化由以下步骤组成：

1)用平均形状初始化主动脉形状模型；

2)找到每一个主动脉轮廓标记点并将其移动到该标记点的匹配目标点，其搜索标准与匹配准则是轮廓标记点集中到目标轮廓的概率的最大化和新轮廓与主动形状模型之间的马氏距离的最小化；采用多分辨率搜索策略，匹配函数表示为：

F(x_ij，y_ij)＝ω₁f(G_j)+ω₂(1-P(i，j))

ω为加权系数，f(G_j)是第j个标记点马氏距离匹配函数，P(i，j)是标记点集中到主动脉目标区域轮廓的概率；马氏距离越小，概率越大，此匹配函数越小，当该匹配函数取最小值时即搜索到最佳的匹配点；

3)第一次计算形状模型参数B_new，将形状模型匹配到新的匹配点处，并且限制形状参数的值在

4)利用更新标记点，更新主动脉形状模型；

5)重复步骤2)到4)，直到预定义的I_max时间；

实验过程如图4所示，先将训练好的初始形状模型加载到待分割提取图像区域中，通过调节旋转角度、 x轴偏移、y轴偏移等参数，将初始位置放置在合理位置；然后进行主动形状模型的自动迭代搜索过程，搜索时间约2s；图5为采用本发明方法与传统ASM分割方法对CT图像中主动脉区域分割提取结果，图中红色曲线代表传统ASM方法收敛得到的主动脉区域轮廓，蓝色曲线代表本发明算法迭代收敛的目标轮廓；可见本发明方法收敛快速准确、主动脉区域分割性能高，为之后的主动脉夹层的提取和主动脉三维模型的建立奠定了基础。

Claims (1)

1.一种改进的基于主动形状模型的CT图像主动脉分割提取方法，包括下列步骤：

(1)从获取的CT图像序列中选取部分样本构建训练集，对样本中的主动脉区域进行特征点标记；

(2)将步骤(1)中的每个样本标记的特征点构建形状向量，随后针对所有样本构建的形状向量进行归一化配准；

(3)对步骤(2)中配准后的形状向量通过主成分分析法来降维以确定主样本成分，构建统计形状模型；

(4)以每一个标记的特征点为中心的方阵进行灰度采样，建立主动脉区域的灰度纹理模型；

(5)在对步骤(4)中建立的灰度纹理模型进行训练过程中构建SVM分类器；

(6)利用步骤(5)中构建的SVM分类器计算标记点集中到目标轮廓的概率，通过最大化标记点集中到目标位置的概率，最小化目标与模型的马氏距离，为每个标记点找到最佳匹配位置，最终收敛得到主动脉区域轮廓。

步骤(1)中，针对CT图像序列主动脉区域特点，选取样本的主动脉弓部建立主动脉弓部训练集，选取降主动脉部分建立降主动脉训练集；采用(x_ij，y_ij)表示每个训练集中标记点的坐标位置，其中i表示第i幅图像，j表示该图像上第j个标记点；设在每张CT样本图像上均标记有n个点，则形状向量X_i可由所有标记点的集合表示出来，表达式为X_i＝(x_i1，y_i1，x_i2，y_i2，...x_in，y_in)^T；

步骤(2)中，对所有CT图像训练样本进行主动脉轮廓点标记后，得到形状向量，所有形状向量构成形状向量训练样本集{X₁，X₂，...，X_N}，N表示样本集中共N幅图像；由于不同CT图像样本中主动脉弓、降主动脉的形状和位置差异较大，因此构建主动脉模型库之前需将训练样本集中的所有形状向量进行归一化配准；首先选择训练样本集中的典型CT图像作为基准样本，然后将其他样本形状与基准样本进行比对，当所有样本与基准样本间的差异均小于设定阈值时，形状向量的归一化配准完成；

步骤(3)中，采用主成分分析法来进行维数降低以确定出主样本成分，设主动脉统计形状模型为 是平均形状向量，Φ是由选取的前k个特征值计算得到的特征向量构成的矩阵，表示为Φ＝(φ₁，φ₂，...，φ_k)；B是形状向量在主分量上的投影系数，表示为B＝(b₁，b₂，...，b_k)^T，将形状参数b_i控制在范围内，以确保模型在有效范围内；

步骤(4)中，以每一个标记点为中心的方阵进行灰度采样，构建灰度向量g_ij，再对训练样本集中各标记点灰度向量g_ij的均值及协方差进行计算；

步骤(5)中，训练得到函数将任一输入数据x按该函数进行分类，其中0≤α_i≤C是支持向量(SV)，其中b∈R，K(x_i，x_j)为核函数；

步骤(6)中，搜索匹配函数为F(x_ij，y_ij)＝ω₁f(G_j)+ω₂(1-P(i，j))；利用构建的SVM分类器计算标记点集中到目标轮廓的概率p(i，j)，允许轮廓的演变基于模型轮廓标记点集中到目标轮廓的概率最大化和目标轮廓与模型马氏距离最小化的结合，为每个标记点找到最佳匹配位置，拟合得到最佳轮廓。