CN109509193B - 一种基于高精度配准的肝脏ct图谱分割方法及系统 - Google Patents

Abstract

本发明公开了一种基于高精度配准的肝脏CT图谱分割方法及系统，涉及医学影像处理技术领域。本发明首先对肝体的形状进行统计建模，依此对局部配准的代价函数施加约束，改善配准的质量。然后通过配准所得形变场进行标签映射，学习多个图谱中的目标先验形状，形成最终的分割结果。该方法可摆脱影像自身给分割带来的固有限制，提高分割结果的精度，实现快速、精准、自动的肝脏分割。

Description

一种基于高精度配准的肝脏CT图谱分割方法及系统

技术领域

本发明涉及医学影像处理技术领域，具体是涉及一种基于高精度配准的肝脏CT图谱分割方法及系统。

背景技术

原发性肝癌在我国具有很高的发病率和死亡率。计算机断层扫描(ComputedTomography,CT)技术由于具有扫描时间短、解剖信息精确、分辨率高等优点，被广泛地应用于肝癌的诊断与治疗。准确地提取出肝体组织是计算机辅助诊断的一项基础性工作，也是三维可视化、定量分析、手术规划的重要先决条件。目前临床上肝脏的分割仍然依靠经验手工完成，这不仅耗时费力而且可重复性较差。因此精准自动化肝脏分割对于减轻医生的工作强度、提高诊断的速度和准确度都有极大的帮助。

对肝脏CT影像实施自动分割是一项具有挑战性的工作。其难点在于：肝脏自身结构复杂，个体间形状差异较大；肿瘤病灶导致组织表面灰度分布不一致；与邻接器官心脏、胃和肾脏等灰度值相似，边界比较模糊。近些年来，国内外学者在此领域提出了许多方法，主要包括图割、水平集、统计形状模型和多图谱分割等。图割以图论为基础，采用后验概率估计和像素灰度构建能量函数，通过最大流最小割的形式获得最终的分割结果。这种方法通常需要人工交互给出目标和背景的先验区域，才能获得满意的分割效果。水平集方法主要依靠初始轮廓构造零水平集函数，以迭代的形式更新符号距离场。最终收敛到期望的目标轮廓，对于三维体数据来说计算量较大。

发明内容

本发明的目的是为了克服上述背景技术的不足，提供一种基于高精度配准的肝脏CT图谱分割方法及系统，提高分割结果的精度，实现快速、精准、自动的肝脏分割。

第一方面，提供一种基于高精度配准的肝脏CT图谱分割方法，包括以下步骤：

构建所有图谱的统计形状模型；

在局部配准的代价函数中加入统计形状模型的先验信息对互信息度量进行约束；

采用配准所得形变场的逆阵对图谱的标签影像进行形变得到多个近似分割结果；

对近似分割结果进行图谱筛选和标签融合，得到最终的分割结果。

根据第一方面，在第一方面的第一种可能的实现方式中，所述构建所有图谱的统计形状模型，包括以下步骤：

在所有图谱中随机选择一个作为参考图谱，对其标签影像采用等值面提取算法获取特征点，构成参考图谱的形状特征点集；

在获取参考图谱的形状特征点集后，将剩余图谱和参考图谱通过仿射模型分别进行配准，统一到参考图谱的坐标系下；

采用自由形变模型对剩余图谱标签影像和参考图谱标签影像分别进行配准，通过配准所得形变场将参考图谱的形状特征点集进行传递，获取剩余图谱中对应的形状特征点集合；

设有n个图谱{X_i：i＝1...n}，每个图谱X_i中包含m个形状特征点，将它们的坐标连接成特征向量表示为p＝[p₁₁，p₂₁，p₃₁，p₁₂，p₂₂，p₃₂，…，p_1m，p_2m，p_3m]，则所有图谱的平均形状向量表示为：

协方差矩阵表示为：

根据第一方面，在第一方面的第二种可能的实现方式中，所述在局部配准的代价函数中加入统计形状模型的先验信息对互信息度量进行约束，具体包括以下步骤：

所述代价函数为

E＝-MI+ω·M(μ) (3)

其中MI为互信息度量，ω为权重因子，μ为形变参数，M(μ)为先验信息，M(μ)计算公式为：

其中T_μ(·)为形变模型，p_ref为参考图谱形状向量，

和S^-1分别为所有图谱的平均形状向量和协方差矩阵的逆阵。

根据第一方面，在第一方面的第三种可能的实现方式中，所述在局部配准的代价函数中加入统计形状模型的先验信息对互信息度量进行约束，还包括以下步骤：采用梯度下降法优化代价函数；

M(μ)的梯度表达式为：

根据第一方面，在第一方面的第四种可能的实现方式中，所述在局部配准的代价函数中加入统计形状模型的先验信息对互信息度量进行约束，还包括以下步骤：当图谱的数量小于形状向量的维度时，将协方差矩阵S正则化：

S′＝(1-β)S+βσ²I (7)

其中β∈(0，1]，σ²为预估的方差值，I为单位矩阵。

根据第一方面，在第一方面的第五种可能的实现方式中，所述对近似分割结果进行图谱筛选和标签融合，得到最终的分割结果，具体包括以下步骤：

定义比值r_i进行筛选，设定筛选阈值

筛选出

的图谱；

其中F为参考图谱标签影像，A′_i为当前形变后图谱，Ω表示图像的特定区域，NMI为归一化互信息度量，A′_j表示NMI值最大的形变图谱；

用A_p表示筛选后的图谱集合，对于每一个近似分割结果L′_i，采用标签投票的方法融合成一幅最终的分割结果；

其中C为所有种类的标签值集合，c为图谱标签所属种类的标签值；δ[·]为冲激响应函数；L(x)为像素x的标签归属。

第二方面，提供一种基于高精度配准的肝脏CT图谱分割系统，包括：

模型构建模块，其用于构建所有图谱的统计形状模型；

约束优化模块，其用于在局部配准的代价函数中加入统计形状模型的先验信息对互信息度量进行约束；

分割处理模块，其用于采用配准所得形变场的逆阵对图谱的标签影像进行形变得到多个近似分割结果；对近似分割结果进行图谱筛选和标签融合，得到最终的分割结果。

根据第二方面，在第二方面的第一种可能的实现方式中，所述模型构建模块构建所有图谱的统计形状模型，包括以下步骤：

在所有图谱中随机选择一个作为参考图谱，对其标签影像采用等值面提取算法获取特征点，构成参考图谱的形状特征点集；

在获取参考图谱的形状特征点集后，将剩余图谱和参考图谱通过仿射模型分别进行配准，统一到参考图谱的坐标系下；

采用自由形变模型对剩余图谱标签影像和参考图谱标签影像分别进行配准，通过配准所得形变场将参考图谱的形状特征点集进行传递，获取剩余图谱中对应的形状特征点集合；

设有n个图谱{X_i：i＝1...n}，每个图谱X_i中包含m个形状特征点，将它们的坐标连接成特征向量表示为p＝[p₁₁，p₂₁，p₃₁，p₁₂，p₂₂，p₃₂，…，p_1m，p_2m，p_3m]，则所有图谱的平均形状向量表示为：

协方差矩阵表示为：

根据第二方面，在第二方面的第二种可能的实现方式中，所述约束优化模块在局部配准的代价函数中加入统计形状模型的先验信息对互信息度量进行约束，具体包括以下步骤：

所述代价函数为

E＝-MI+ω·M(μ) (3)

其中MI为互信息度量，ω为权重因子，μ为形变参数，M(μ)为先验信息，M(μ)计算公式为：

其中T_μ(·)为形变模型，p_ref为参考图谱形状向量，

和S^-1分别为所有图谱的平均形状向量和协方差矩阵的逆阵。

根据第二方面，在第二方面的第三种可能的实现方式中，所述约束优化模块在局部配准的代价函数中加入统计形状模型的先验信息对互信息度量进行约束，还包括以下步骤：采用梯度下降法优化代价函数；

M(μ)的梯度表达式为：

与现有技术相比，本发明的优点如下：

本发明首先对肝体的形状进行统计建模，依此对局部配准的代价函数施加约束，改善配准的质量。然后通过配准所得形变场进行标签映射，学习多个图谱中的目标先验形状，形成最终的分割结果。该方法可摆脱影像自身给分割带来的固有限制，提高分割结果的精度，实现快速、精准、自动的肝脏分割。

具体有如下优点和有益效果：

1.对肝体目标形状进行学习，约束传统互信息的形变场，减少局部极值，提高配准质量。

2.结合多个图谱的肝体形状特点，有策略地实施融合，实现肝体组织的自动高精度分割。

3.利用公开数据集提供的40例临床腹部CT影像进行验证，对于边界较为模糊、存在肿瘤影响的情况，能进行快速准确的分割。

附图说明

图1是本发明实施例的肝脏CT影像示例；

图2是本发明实施例的整体自动分割框架图；

图3是本发明实施例的统计形状模型构建流程图；

图4是本发明实施例的高精度配准流程图；

图5是本发明实施例的与传统互信息的配准精度相比较的箱线图，其中*代表有明显提高；

图6是本发明实施例的最终的肝脏分割结果图示例，其中左起第一竖行为待分割影像，第二竖行为专业医师分割，第三竖行为本方法分割。

具体实施方式

下面结合附图及具体实施例对本发明作进一步的详细描述。

实施例1：

本发明实施例公开了一种基于高精度配准的肝脏CT图谱分割方法，本发明实施例所使用的影像数据来自SLIVER07数据集和IRCAD数据集的肝脏CT扫描。为确保统计形状模型训练时图谱集样本量足够，这里将两个数据集进行合并，共40幅影像。每幅单层切片大小均为512x512，像素尺寸范围为0.56～0.87mm；切片层数范围为64～388层，切片厚度范围为0.7～5mm。

以下结合附图和实例对本发明做进一步描述。本发明实施例中基于高精度配准的肝脏CT图谱分割方法的整体自动分割框架如图2所示，具体实施步骤包括：

S1、构建所有图谱的统计形状模型；

S2、在局部配准的代价函数中加入统计形状模型的先验信息对互信息度量进行约束；

S3、采用配准所得形变场的逆阵对图谱的标签影像进行形变得到多个近似分割结果；对近似分割结果进行图谱筛选和标签融合，得到最终的分割结果。

其中，步骤S1构建所有图谱的统计形状模型，如图3所示，通过全局仿射模型将所有图谱统一到某个参考坐标系下，同时使用等值面提取算法获得能代表肝体的形状特征点，构成肝体形状特征向量。采用局部自由形变模型建立参考图谱与其余图谱之间的对应形变场，通过该形变场实现形状特征点的自动传递。计算所有图谱在参考坐标系下的平均形状特征向量及协方差估计矩阵，完成统计形状模型的构建。

在包含40幅影像的图谱集中任意选择一幅作为参考图谱，对其标签影像采用等值面提取算法获取特征点。这些特征点来自构成肝体轮廓的三角面片网格，数目比较庞大，将使得后续处理过程的复杂度大大增加。需进一步采用三角面片消减法，选取消减比率为0.98，得到约300个特征点，构成代表肝体形状的特征点集。

在获取参考图谱的形状特征点集后，还需在剩余图谱中找到对应的特征点集合，依此来构造统计形状模型。首先将剩余图谱和参考图谱通过仿射模型分别进行配准，从而统一到参考图谱的坐标系下。然后采用自由形变模型对剩余图谱标签和参考图谱标签影像分别进行配准，通过配准结果形变场将参考图谱的形状特征点集进行传递，获取剩余图谱中对应的肝体形状特征点集合。

统计形状模型的构建实际上是在某参考坐标系下对图谱集中所有图谱肝体形状的表达过程。该图谱集中含有n＝40个样本{X_i：i＝1...n}，每个样本中包含约300个肝体形状特征点。将它们的x，y，z轴坐标作为向量元素，可得到约900维的形状向量。则该图谱集的平均形状向量可表示为

协方差矩阵表示为：

步骤S2在局部配准的代价函数中加入统计形状模型的先验信息对互信息度量进行约束，如图4所示，为了获得高质量的配准，全局和局部形变模型相结合的方法被采用。同时，在局部精配的代价函数中加入统计形状模型先验信息对互信息度量进行约束。整个配准过程均采用梯度下降法优化形变场参数。

本发明实施例采用leave-one-out交叉验证法进行实验。对于数据集中的每幅影像，将其作为待分割影像(在配准中为浮动影像)，剩余39幅作为图谱(在配准中为参考影像)，共执行40x39次配准。首先采用全局的仿射变换模型，对影像进行平移、旋转、缩放等变换，使两幅影像中的肝体大致处于同一空间位置上。然后通过局部的自由形变模型，采用网格控制点对肝体部位进行拉伸，达到高质量的对齐。其中全局的配准结果被用作于局部配准的初始参数。

传统互信息(Mutual Information，MI)在基于像素的配准中是应用最为广泛的相似性度量之一，然而面对肝脏CT影像的挑战(如图1所示)，容易陷入局部极值，难以获得高精度结果。由于每次配准实验中的图谱都可以获得统计形状模型的先验知识，可将其对互信息施加约束，减少局部极值，提高配准精度。此种混合代价函数可表示为

所述代价函数为

E＝-MI+ω·M(μ) (3)

其中MI为互信息度量，ω为权重因子，μ为形变参数，M(μ)为先验信息，M(μ)计算公式为：

其中T_μ(·)为形变模型，p_ref为参考图谱形状向量，

和S^-1分别为所有图谱的平均形状向量和协方差矩阵的逆阵。M(μ)是变换后的形状与平均形状的马氏距离，该约束项的物理意义是在配准中期望待分割影像的肝体形状更接近于统计模型的平均形状。

本发明实施例首先对肝体的形状进行统计建模，依此对局部配准的代价函数施加约束，改善配准的质量。然后通过配准所得形变场进行标签映射，学习多个图谱中的目标先验形状，形成最终的分割结果。该方法可摆脱影像自身给分割带来的固有限制，提高分割结果的精度，实现快速、精准、自动的肝脏分割。

在配准的优化过程中，梯度下降法容易被采纳使用，因此需要代价函数相对于形变参数μ的梯度解析表达式。公式(3)中约束项的梯度表达式为

实验中使用300次迭代进行参数寻优。

当图谱集中的样本数量小于形状向量的维度时，协方差矩阵S往往不可逆，需要将其进行正则化，有

S′＝(1-β)S+βσ²I (7)

其中β＝0.2，σ²＝1000，I为单位矩阵。

为了评价配准的精度，这里对浮动影像的标签V_g和形变后的参考影像的标签V_tr进行Dice重叠率计算，有

Dice＝0表示没有重叠，匹配失败；Dice＝1表示完全重叠，完美匹配。同时引入Wilcoxon测试来比较两种方法的差异性，当统计值p＜0.05被认为有明显的差异。

图5比较了本发明方法与传统互信息的配准结果，可以发现本方法有明显的提升，能获得更高的精度。

步骤S3获取配准所得形变场，采用形变场的逆阵对图谱的标签影像进行形变得到多个近似分割结果；对近似分割结果进行图谱筛选和标签融合，得到最终的分割结果，如图2所示，通过多个图谱与待分割影像的配准所得形变场，将图谱标签影像进行映射得到多个近似分割结果。采用图谱选择和标签融合策略学习多个结果中的目标形状，从而得到最终的分割结果。

(1)对于每个待分割影像，在获取配准形变场T_μ后，利用其逆阵

对该图谱的标签影像进行形变，获得近似分割结果。由于不是所有图谱都对最终的分割有利，这里定义一个比值r_i进行筛选，有

其中F为待分割影像，A′_i为形变后图谱，Ω表示图像的特定区域，NMI为归一化互信息度量。A′_j表示NMI值最大的形变图谱；设定一个阈值

取

的图谱进行标签融合。

(2)假设用A_p表示筛选后的图谱集合(本实验约为20幅)，对于每一个近似分割结果L′_i，采用一种标签投票的方法融合成一幅最终的分割结果。其过程可以描述为

其中c为某类的标签值，例如肝体c＝1，背景c＝0；C为所有种类的标签值集合；δ[·]为冲激响应函数；L(x)为像素x的标签归属。

(3)在本发明实施例的leave-one-out交叉验证法中，将数据集的40幅影像都进行了自动分割。

为了验证和评价分割的精度，这里对待分割影像的标签V_A和融合形变后的图谱的标签V_B进行Dice重叠率计算，有

Dice＝0表示没有重叠，分割失败；Dice＝1表示完全重叠，完美分割。

表1显示了它与Graph cut方法的结果对比，可以发现本方法有明显的优势。图6示例了采用本发明实施例方法的肝脏分割结果，可以发现它们比较接近期望边界(由专业医师分割)，具有较好的临床应用潜力。

表1分割结果对比

分割算法	Dice(mean±sd)
		Graph cut方法	0.87±5.44
本方法	0.93±2.67

实施例2：

本发明实施例公开了一种基于高精度配准的肝脏CT图谱分割系统，包括：

模型构建模块，其用于构建所有图谱的统计形状模型；

约束优化模块，其用于在局部配准的代价函数中加入统计形状模型的先验信息对互信息度量进行约束；

分割处理模块，其用于采用配准所得形变场的逆阵对图谱的标签影像进行形变得到多个近似分割结果；对近似分割结果进行图谱筛选和标签融合，得到最终的分割结果。

本实施例1的内容也适用于该系统，在此不再赘述。

其他内容本领域的技术人员可以对本发明实施例进行各种修改和变型，倘若这些修改和变型在本发明权利要求及其等同技术的范围之内，则这些修改和变型也在本发明的保护范围之内。

说明书中未详细描述的内容为本领域技术人员公知的现有技术。

Claims (8)

1.一种基于高精度配准的肝脏CT图谱分割方法，其特征在于，包括以下步骤：

构建所有图谱的统计形状模型；

在局部配准的代价函数中加入统计形状模型的先验信息对互信息度量进行约束；

采用配准所得形变场的逆阵对图谱的标签影像进行形变得到多个近似分割结果；

对近似分割结果进行图谱筛选和标签融合，得到最终的分割结果；

所述在局部配准的代价函数中加入统计形状模型的先验信息对互信息度量进行约束，具体包括以下步骤：

所述代价函数为

E＝-MI+ω·M(μ) (3)

其中MI为互信息度量，ω为权重因子，μ为形变参数，M(μ)为先验信息，M(μ)计算公式为：

其中T_μ(·)为形变模型，p_ref为参考图谱形状向量，

和S^-1分别为所有图谱的平均形状向量和协方差矩阵的逆阵。

2.如权利要求1所述的一种基于高精度配准的肝脏CT图谱分割方法，其特征在于：所述构建所有图谱的统计形状模型，包括以下步骤：

在所有图谱中随机选择一个作为参考图谱，对其标签影像采用等值面提取算法获取特征点，构成参考图谱的形状特征点集；

在获取参考图谱的形状特征点集后，将剩余图谱和参考图谱通过仿射模型分别进行配准，统一到参考图谱的坐标系下；

采用自由形变模型对剩余图谱标签影像和参考图谱标签影像分别进行配准，通过配准所得形变场将参考图谱的形状特征点集进行传递，获取剩余图谱中对应的形状特征点集合；

设有n个图谱{X_i:i＝1...n}，每个图谱X_i中包含m个形状特征点，将它们的坐标连接成特征向量表示为p＝[p₁₁,p₂₁,p₃₁,p₁₂,p₂₂,p₃₂,…,p_1m,p_2m,p_3m]，则所有图谱的平均形状向量表示为：

协方差矩阵表示为：

3.如权利要求1所述的一种基于高精度配准的肝脏CT图谱分割方法，其特征在于：所述在局部配准的代价函数中加入统计形状模型的先验信息对互信息度量进行约束，还包括以下步骤：采用梯度下降法优化代价函数；

M(μ)的梯度表达式为：

4.如权利要求1所述的一种基于高精度配准的肝脏CT图谱分割方法，其特征在于：所述在局部配准的代价函数中加入统计形状模型的先验信息对互信息度量进行约束，还包括以下步骤：当图谱的数量小于形状向量的维度时，将协方差矩阵S正则化：

S′＝(1-β)S+βσ²I (7)

其中β∈(0,1]，σ²为预估的方差值，I为单位矩阵。

5.如权利要求1所述的一种基于高精度配准的肝脏CT图谱分割方法，其特征在于：所述对近似分割结果进行图谱筛选和标签融合，得到最终的分割结果，具体包括以下步骤：

定义比值r_i进行筛选，设定筛选阈值

筛选出

的图谱；

其中F为参考图谱标签影像，A′_i为当前形变后图谱，Ω表示图像的特定区域，NMI为归一化互信息度量，A′_j表示NMI值最大的形变图谱；

用A_p表示筛选后的图谱集合，对于每一个近似分割结果L'_i，采用标签投票的方法融合成一幅最终的分割结果；

L(x)＝arg max_c∈Cl_c(x) (10)

其中C为所有种类的标签值集合，c为图谱标签所属种类的标签值；δ[·]为冲激响应函数；L(x)为像素x的标签归属。

6.一种基于高精度配准的肝脏CT图谱分割系统，其特征在于，包括：

模型构建模块，其用于构建所有图谱的统计形状模型；

约束优化模块，其用于在局部配准的代价函数中加入统计形状模型的先验信息对互信息度量进行约束；

分割处理模块，其用于采用配准所得形变场的逆阵对图谱的标签影像进行形变得到多个近似分割结果；对近似分割结果进行图谱筛选和标签融合，得到最终的分割结果；

所述约束优化模块在局部配准的代价函数中加入统计形状模型的先验信息对互信息度量进行约束，具体包括以下步骤：

所述代价函数为

E＝-MI+ω·M(μ) (3)

其中MI为互信息度量，ω为权重因子，μ为形变参数，M(μ)为先验信息，M(μ)计算公式为：

其中T_μ(·)为形变模型，p_ref为参考图谱形状向量，

和S^-1分别为所有图谱的平均形状向量和协方差矩阵的逆阵。

7.如权利要求6所述的一种基于高精度配准的肝脏CT图谱分割系统，其特征在于：所述模型构建模块构建所有图谱的统计形状模型，包括以下步骤：

在所有图谱中随机选择一个作为参考图谱，对其标签影像采用等值面提取算法获取特征点，构成参考图谱的形状特征点集；

在获取参考图谱的形状特征点集后，将剩余图谱和参考图谱通过仿射模型分别进行配准，统一到参考图谱的坐标系下；

采用自由形变模型对剩余图谱标签影像和参考图谱标签影像分别进行配准，通过配准所得形变场将参考图谱的形状特征点集进行传递，获取剩余图谱中对应的形状特征点集合；

设有n个图谱{X_i:i＝1...n}，每个图谱X_i中包含m个形状特征点，将它们的坐标连接成特征向量表示为p＝[p₁₁,p₂₁,p₃₁,p₁₂,p₂₂,p₃₂,…,p_1m,p_2m,p_3m]，则所有图谱的平均形状向量表示为：

协方差矩阵表示为：

8.如权利要求6所述的一种基于高精度配准的肝脏CT图谱分割系统，其特征在于：所述约束优化模块在局部配准的代价函数中加入统计形状模型的先验信息对互信息度量进行约束，还包括以下步骤：

采用梯度下降法优化代价函数；

M(μ)的梯度表达式为：

Images