CN109712152A - 基于矢量值活动轮廓模型的多模态医学图像分割方法 - Google Patents

Abstract

本发明公开一种基于矢量值活动轮廓模型的多模态医学图像分割方法，第一、利用功能结构信息和解剖结构信息两种多模态信息，对异常组织区域进行分割。由于每种模态都有其自身的信号特征，所以在建模过程中，既考虑单模态自身的信息，又考虑多模态的混合信息，上述二者结合能够处理背景及其内部结构复杂的多模态医学图像；第二、利用二维矢量场的形式对不同模态图像建模，利用边缘信息对图像分割结果进一步加以约束；实验结果证明了本发明可以分割对比度低、结构复杂的多模态医学图像且有效地提高了分割算法的精度和效率。

Description

基于矢量值活动轮廓模型的多模态医学图像分割方法

技术领域

本发明涉及医学图像处理领域，尤其是一种基于矢量值活动轮廓模型的多模态医学图像分割方法。

背景技术

在临床医疗的检测中，医生需要通过图像中精确的病灶位置及其形状对病情进行诊断，对异常组织区域的快速和准确分割是一项重要但具有挑战性的任务。

常见的医学图像有（Computed Tomography）CT图像、正电子放射层析成像（Positron Emission Tomography）PET图像、核磁共振（Magnetic Resonance Imaging）MR图像。CT成像原理是由X线束对人体检查部位处具有一定厚度的层面进行扫描，经数字转换器转为数字信号，最后输入计算机进行处理。CT图像虽然具有分辨率高、成像速度快等优点，但针对具体问题（如乳房、心脏）仍需要采用某种特殊技术去解决，不具有普适性。PET图像是把具有正电子发射的同位素标记药物注入人体内，这些药物在参与人体的生理代谢过程中发生湮灭效应以此来确定病灶位置。PET图像虽然大大降低辐射损害、迅速便捷适用于大范围常规检查，但其图像分辨率较低、噪声大、缺少信息结构，无法准确定位病灶。MR图像是利用原子核自旋运动的特点，在外加磁场内经计算转换之后显示在屏幕上。MR图像分辨率高，采用灰阶成像，具有流空效应并可以对运动器官成像。但采样密集度的改变常常会导致图像的退化，即在病灶组织与正常组织的密度无明显差别时，并不能快速准确的分割出病灶区域。虽然目前已有用于上述医学图像以分割异常组织区域的各种多模态方法，但由于受到医学成像设备、不均匀关照以及射线能量散射等外界因素的影响，在获取医学数字图像的过程中常常会出现噪声、弱边缘以及灰度分布不均匀的异质现象，给图像分割带来了一定的难度。

活动轮廓模型是将能量泛函最小化以得到非正常组织区域，由于多模态医学图像包含更丰富的信息，目前已经成为研究热点。近年来，矢量活动轮廓模型因其良好的鲁棒性和完备的理论基础受到关注，该方法通过计算各通道的能量泛函，利用欧氏空间对所有能量值进行综合处理，主要分为两类：其中一类构造能量泛函时结合了一些图像特征信息，如上下文信息和信息熵等；另一类是结合了活动轮廓模型和其它方法，如图割方法、模糊理论和马尔可夫随机场的方法等。上述方法将不同的图像模态视为相互作用的区域，结合多特征和方法组合的形式都会增加算法的计算复杂度。此外，现有方法都是将每个模态的信息单独实现，最后利用某种方式将上述信息加以集成。由于多模态医学图像中的每个模态都有自己的特点，同时也可以与其它模态相结合，因此每个模态的单独实现可能会导致分割结果不精确。

发明内容

本发明是为了解决现有技术所存在的上述技术问题，提供一种基于矢量值活动轮廓模型的多模态医学图像分割方法。

本发明的技术解决方案是：一种基于矢量值活动轮廓模型的多模态医学图像分割方法，其特征在于依次按照如下步骤进行：

步骤1.初始化水平集函数 以及多模态医学图像；

步骤2.计算多模态医学图像的混合平均强度信息：

(1)

其中，表示直接运算，每个混合强度作如下定义：

(2)

所述为水平集函数的Heaviside函数；为多模态医学图像所在区域；

步骤3.建立基于区域的能量泛函：

(3)

步骤4.通过梯度下降流方法，得到最终的曲线演化形式：

(4)

其中，为水平集函数的Dirac函数；

步骤5. 根据黎曼几何，将多模态医学图像看作是维欧式空间中以为参数的超曲面，所述；

步骤6. 给出多模态医学图像曲线上任意方向的弧长微元如下：

(5)

步骤7.根据式（5），可得：

(6)

其中，

(7)

步骤8.得到极值和对应的边缘引导函数分别为

(8)

和

； (9)

步骤9. 利用机器学习算法计算多模态医学图像的先验概率分数，；

步骤10. 构造最优的概率得分分类器：

(10)

所述是和先验概率分数正相关的前景概率得分，采用加权或者最大化的形式对先验概率分数，进行处理得到概率得分；

步骤11.以最大化方式为例，构造基于边缘信息的矢量值能量泛函为：

（11）

步骤12.结合所述区域和边缘两种信息，多模态医学图像异常组织区域的矢量值活动轮廓模型：

（12）

其中，和是正的加权常数，满足。

本发明与现有技术相比，具有以下优点：第一、利用功能结构信息和解剖结构信息两种多模态信息，对异常组织区域进行分割。由于每种模态都有其自身的信号特征，所以在建模过程中，既考虑单模态自身的信息，又考虑多模态的混合信息，上述二者结合能够处理背景及其内部结构复杂的多模态医学图像；第二、利用二维矢量场的形式对不同模态图像建模，利用边缘信息对图像分割结果进一步加以约束；实验结果证明了本发明可以分割对比度低、结构复杂的多模态医学图像且有效地提高了分割算法的精度和效率。

附图说明

图1~图4为本发明实施例和其它文献图像分割的实验结果图。

图5为本发明实施例使用不同初始化方法进行图像分割的结果比较图。

图6 为本发明实施例使用不同的局部参数进行图像分割的结果比较图。

图7为本发明实施例增加机器学习先验概率值进行图像分割的结果比较图。

具体实施例

从数学理论上讲，不同模态医学图像可以看作是从成像空间到感知空间的映射，因此，结合基于区域和边缘信息可以更好地对病灶区域进行分割，本发明提出了一种新的多模态医学图像异常组织区域的矢量值活动轮廓方法。

基于矢量的区域活动轮廓多模态医学图像信息提取是利用功能结构信息和解剖结构信息两种多模态信息，对异常组织区域进行分割。由于每种模态都有其自身的信号特征，所以在建模过程中，既考虑单模态自身的信息，又考虑多模态的混合信息，得到多模态图像病灶区域信息；

基于矢量的边缘活动轮廓多模态医学图像信息提取是采用二维矢量场的形式对不同模态图像建模，利用边缘信息对图像分割结果进一步加以约束，直到演化能量函数达到极小值为止，从而得到多模态图像病灶边缘信息；

具体方法依次按照如下步骤进行：

步骤1.初始化水平集函数以及多模态医学图像；

步骤2.计算多模态医学图像的混合平均强度信息：

(1)

其中，表示直接运算，每个混合强度作如下定义：

(2)

所述为水平集函数的Heaviside函数；为多模态医学图像所在区域；

步骤3.建立基于区域的能量泛函：

(3)

步骤4.通过梯度下降流方法，得到最终的曲线演化形式：

(4)

其中，为水平集函数的Dirac函数；

步骤5. 根据黎曼几何的相关知识，将多模态医学图像看作是维欧式空间中以为参数的超曲面，所述；

步骤6. 给出多模态医学图像曲线上任意方向的弧长微元如下：

(5)

步骤7.根据式（5），可得：

(6)

其中，

(7)

步骤8.得到极值和对应的边缘引导函数分别为

(8)

和

； (9)

步骤9. 利用K最近邻、支持向量机等机器学习算法计算多模态医学图像的先验概率分数，；

步骤10.考虑到概率分类是临床医学图像数据分类不可缺少的环节，构造最优的概率得分分类器：

(10)

所述是和先验概率分数正相关的前景概率得分，采用加权或者最大化的形式对先验概率分数，进行处理得到概率得分；

步骤11.以最大化方式为例，构造基于边缘信息的矢量值能量泛函为：

（11）

从数学理论上讲，不同模态医学图像可以看作是从成像空间到感知空间的映射，具体定义为：

这里，函数是基于水平集函数的从不同成像方式到能量泛函的映射函数；

步骤12. 结合所述区域和边缘两种信息，多模态医学图像异常组织区域的矢量值活动轮廓模型：

（12）

其中，和是正的加权常数，满足。

为了充分利用多模态信息，本发明既利用了单模态医学图像的信息，又结合了所有模态的共同信息。

实验：

将本发明与其它文献对医学图像分割的结果进行对比，结果如图1~4所示

图1中（a）对比文献1所对应PET图像分割结果；（b）对比文献1所对应CT图像分割结果；（c）本发明实施例对应PET图像分割结果；（d）本发明实施例对应CT图像分割结果；（e）真实值。

图2中（a）对比文文献1所对应MR图像分割结果；（b）对比文献1所对应CT图像分割结果；（c）本发明对应MR图像分割结果；（d）本发明对应CT图像分割结果；（e）真实值。

图3中(a)对比文献2所对应PET图像分割结果；(b)对比文献2所对 应CT图像分割结果；(c)对比文献3所对应PET图像分割结果；(d)对比 文献3所对应CT图像分割结果；(e)本发明对应PET图像分割结果；(f)本 发明对应CT图像分割结果；(g)真实值。

图4中(a)对比文献4所对应MR图像分割结果；(b)对比文献4所对 应CT图像分割结果；(c)对比文献5所对应MR图像分割结果；(d)对比文 献5所对应CT图像分割结果；(e)本发明对应MR图像分割结果；(f)本发 明对应CT图像分割结果；(g)真实值。

对比文献1为：《A hybrid active contour model based on global and localinformation for medical image segmentation》

对比文献2为：《Juxta-vascular pulmonary nodule aegmentation in PET-CTimaging based on an LBF active contour model with information entropy andjoint vector》

对比文献3为：《An active contour model based on local fitted images forimage segmentation》

对比文献4为：《Joint segmentation of anatomical and functional images:applications in quantification of lesions from PET, PET-CT, MRI-PET, and MRI-PET-CT images》

对比文献5为：《Simultaneous vector-valued image segmentation and intensitynonuniformity correction using variational level set combined with Markovrandom field modeling》

图5为本发明实施例使用不同初始化方法进行图像分割的结果比较图。

图5从左至右依次为初始化；初始化A对应的分割结果；初始化B对应的分割结果；初始化C对应的分割结果；真实值。

所述初始化是演化曲线的初始轮廓位置；

所述初始化A、B、C为图5中最左图像中被标注的不同初始轮廓位置。

图6 为本发明实施例使用不同的局部参数进行图像分割的结果比较图。

图6中从左至右依次为 、 、、真实值。

图7为本发明实施例增加机器学习先验概率值进行图像分割的结果比较图。

模拟实验结果表明，所提出模型能够有效地分割多模态图像的异常组织区域，提高了分割精度和效率。

Claims (1)

1.一种基于矢量值活动轮廓模型的多模态医学图像分割方法，其特征在于依次按照如下步骤进行：

步骤1.初始化水平集函数以及多模态医学图像；

步骤2.计算多模态医学图像的混合平均强度信息：

(1)

其中，表示直接运算，每个混合强度作如下定义：

(2)

所述为水平集函数的Heaviside函数；为多模态医学图像所在区域；

步骤3.建立基于区域的能量泛函：

(3)

步骤4.通过梯度下降流方法，得到最终的曲线演化形式：

(4)

其中，为水平集函数的Dirac函数；

步骤5. 根据黎曼几何，将多模态医学图像看作是维欧式空间中以为参数的超曲面，所述；

步骤6. 给出多模态医学图像曲线上任意方向的弧长微元如下：

(5)

步骤7.根据式（5），可得：

(6)

其中，

(7)

步骤8.得到极值和对应的边缘引导函数分别为

(8)

和

； (9)

步骤9. 利用机器学习算法计算多模态医学图像的先验概率分数 ，；

步骤10. 构造最优的概率得分分类器：

(10)

所述是和先验概率分数正相关的前景概率得分，采用加权或者最大化的形式对先验概率分数，进行处理得到概率得分；

步骤11.以最大化方式为例，构造基于边缘信息的矢量值能量泛函为：

（11）

步骤12.结合所述区域和边缘两种信息，多模态医学图像异常组织区域的矢量值活动轮廓模型：

（12）

其中，和是正的加权常数，满足。