CN111127488A - 一种基于统计形状模型自动构建患者解剖结构模型的方法 - Google Patents

Abstract

本发明提供了一种基于统计形状模型自动构建患者解剖结构模型的方法，主要包括四个处理阶段，即：感兴趣区域的分割阶段、顶点收缩阶段、响应的建立阶段以及生成患者解剖结构模型阶段。本发明首先对输入数据进行预处理，增强感兴趣区域，并通过区域增长方法将感兴趣区域从特定患者的CT扫描图像中分割出来；然后将分割出来的感兴趣区域作为训练样本，并用三角形对训练样本进行网格化，通过顶点收缩策略对三角形网格进行迭代收缩；然后在模板样本和目标样本之间建立响应，并将模板样本和目标样本对齐，最后生成患者解剖结构的一般表达式。该方法可以有效的构建出患者解剖结构模型，从而帮助医疗专业人员快速对患者病情做出分析，为患者后续的治疗提供合理的方案。

Description

一种基于统计形状模型自动构建患者解剖结构模型的方法

技术领域

本发明属于医学图像处理技术领域，涉及一种自动构建患者解剖结构模型的方法。

背景技术

统计形状模型是近年来在国外兴起的一种新的医学图像模型，从形状群体中根据统计形状模型构建特定患者解剖结构模型在计算机辅助诊断的定量和定性分析、识别膝关节生物力学特征、虚拟重建面部缺损、手术计划和对齐术中导航等诸多医学图像处理领域都有着广泛的应用。有效的构建特定患者解剖结构模型可以帮助医疗专业人员更好地可视化数据并与三维成像方式(如计算机断层扫描(CT)或磁共振图像(MRI))的体积数据进行交互。与此同时，构建特定患者解剖结构模型可以降低误诊的风险，帮助医疗专业人员对患者的病情做出快速、准确的判断，从而有效的进行后续的治疗。

然而，如何在临床应用上有效的构建出特定患者解剖结构模型始终困扰着医疗工作者，这个过程中主要存在以下难点：(1)传统的构建特定患者解剖结构模型的方法多采用手动标记特征点，由于特征点数量过多，标记过程繁琐且耗时，很容易将伪点标记为特征点，导致标记特征点准确率低；(2)在构建特定患者解剖结构模型时，不能有效的在模板样本和目标样本之间建立响应；(3)构建出的特定患者解剖结构模型的性能较差，不能帮助医疗专业人员对患者病情做出准确分析，从而影响患者下一步的治疗计划。

发明内容

本发明的目的在于针对现有技术存在的问题，提供一种基于统计形状模型自动构建患者解剖结构模型的方法，该方法可以有效的构建出患者解剖结构模型，从而帮助医疗专业人员快速对患者病情做出分析，为患者后续的治疗提供合理的方案。

为此，本发明采用如下技术方案：

一种基于统计形状模型自动构建患者解剖结构模型的方法，包括如下步骤：

(1)针对某个待建立解剖结构模型的病患部位，输入N个不同患者该病患部位三维CT扫描图像作为输入数据，将CT扫描图像进行切片处理并对其进行图像增强，从而增强感兴趣区域；

(2)采用区域增长的方法将感兴趣区域从CT扫描图像中分割出来；

(3)通过Marching Cubes方法在保持切片间连接性的同时在感兴趣区域表面生成网格，在每个切片图像的感兴趣区域表面应用均值滤波器对其进行平滑，并将平滑后的切片图像感兴趣区域表面作为训练数据集Ω，Ω＝{S₁,S₂,…S_N}；

(4)任意选择训练数据集Ω中的一组图像，将其作为模板样本S₁并将其可视化；

(5)用三角形对S₁的可视化结果网格化，记录三角形表面的个数和三角形顶点个数，然后对Ω中的每组图像都用三角形进行网格化；

(6)用顶点收缩策略对S₁的三角形网格进行迭代收缩；并对训练数据集Ω中的剩余样本{S₂,S₃...S_N}按同样方式进行顶点收缩，并选择顶点收缩后的S₂作为目标样本；

(7)在对训练数据集Ω中的所有样本都进行顶点收缩后，将顶点收缩后的S₁分别和顶点收缩后的{S₂,S₃...S_N}进行配准并建立响应；并且采用B-spline free-formdeformation方法对S₁和S₂进行配准；

(8)然后通过Procrustes analysis使S₁和训练数据集Ω中其它样本进行对齐，从而消除样本由于旋转及尺度变化产生的影响；

(9)用正态分布θ来模拟患者解剖结构模型s的形状变化：

其中

是平均形状，C是协方差矩阵，S_n是经步骤(8)对齐处理后的样本图像；

(10)通过Principal component analysis来生成患者解剖结构模型s的一般表达式，将其表示为平均形状与主要变形模型之和：

其中u_m和e_m分别表示解剖结构模型s的第m个特征值和特征向量，变形模型指解剖结构模型s在不同特征值下的模型，M是主要变形模型的个数且其等于特征值的个数；由于特征向量在本质上是按照降序排列，因此：

u_m>u_m+1

当u_m快速衰减，最终的患者解剖结构模型s可以由前G个变形模型近似为：

并通过下式对G进行选取：

其中，P是计划用前G个变形模型来表示整个变形模型的百分比。

本发明方法主要包括四个处理阶段，即：感兴趣区域的分割阶段、顶点收缩阶段、响应的建立阶段以及生成患者解剖结构模型阶段。本发明首先对输入数据进行预处理，增强感兴趣区域，并通过区域增长方法将感兴趣区域从特定患者的CT扫描图像中分割出来；然后将分割出来的感兴趣区域作为训练样本，并用三角形对训练样本进行网格化，通过顶点收缩策略对三角形网格进行迭代收缩，在保证样本不失真的前提下有效地减少了三角形网格顶点的个数；三角形网格经过顶点收缩后，采用B-spline free-form deformation在模板样本和目标样本之间建立响应，并用Procrustes analysis将模板样本和目标样本对齐；最后通过Principal component analysis来生成患者解剖结构的一般表达式。

本发明的有益效果在于：

本发明以统计形状模型为基础，提出了新的患者解剖结构模型的构建方法，能够自动、快速的标记出特征点，通过顶点收缩策略在保证训练样本不失真的前提下有效的减少了三角形顶点的个数，从而减少了计算所需的时间。与此同时，成功的在模板样本和目标样本之间建立了响应，并最终构建出了性能较好的患者解剖结构模型，为医生对患者病情分析提供了有力的依据。

附图说明

图1是本发明方法的流程图；

图2是实施例中模板样本S₁的可视化结果；

图3是实施例中S₁网格化后的结果；

图4是实施例中S₁顶点收缩的示意图；

图5是实施例中S₁顶点收缩后的结果；

图6是实施例中模板样本S₁和目标样本S₂的配准过程；

图7是实施例中前G个变形模型来表示整个变形模型的百分比示意图；

图8是实施例中最终的患者解剖结构模型的可视化结果；

图9是实施例中不同标记点数量下患者解剖结构模型的性能比较；

图10是不同方法下患者解剖结构模型的性能比较。

具体实施方式

下面将结合附图与具体实施方式对本发明做进一步详细描述：

以左侧股骨为例，应用本发明方法构建患者解剖结构模型，具体包括如下步骤：

(1)输入30个不同患者骨盆的三维CT扫描图像作为输入数据，将CT扫描图像进行切片处理并对其进行图像增强，从而增强感兴趣的左侧股骨区域；CT图像分辨率在平面上为0.9mm，在切片之间为1.5mm；30个患者的信息见表1：

表1 30组左侧股骨图像的人体测量学与人口统计学信息

(2)采用区域增长的方法将感兴趣的左侧股骨区域从CT扫描图像中分割出来；

(3)通过Marching Cubes方法在保持切片间连接性的同时在感兴趣区域表面生成网格，在每个切片图像的感兴趣区域表面应用均值滤波器对其进行平滑，并将平滑后的切片图像感兴趣区域表面作为训练数据集Ω，Ω＝{S₁,S₂,…S_N}，N＝30；

(4)任意选择训练数据集Ω中的一组股骨图像001，将其作为模板样本S₁并将其可视化，结果见图2；

(5)用三角形对S₁的可视化结果网格化(结果见图3)，记录得到其三角形表面的个数为102080，三角形顶点个数为51042；然后对Ω中的其他样本图像都用三角形进行网格化，网格化后样本股骨图像中的三角形顶点个数在4432和78176之间，三角形表面个数在8840和156348之间；

(6)如图4所示，用顶点收缩策略对S₁的三角形网格进行迭代收缩，具体过程如下：

(6i)假设V_a表示S₁经过三角形网格化后的一个顶点，(V_a,V_b)表示一个点对，(V_a,V_b)→V_β表示将顶点V_a和V_b移动到一个新的顶点V_β处，而这个新顶点V_β是与V_a相连并将V_b删除；

(6ii)如此，将S₁经过三角形网格化后的一系列顶点收缩为一个顶点：(V₁,V₂,V₃,…V_k)→V_β，在这个过程中，每次迭代删除一个顶点；

(6iii)将点对(V_a,V_b)进行约束，以此在保证模板样本S₁不失真的前提下有效减少三角形网格顶点的个数，约束条件为：

(a)：V_a不是特殊的顶点；

(b)：(V_a,V_b)是边缘点对；

S₁顶点收缩后的结果如图5所示；

然后对训练数据集Ω中的剩余样本{S₂,S₃...S_N}按同样方式进行顶点收缩，并选择顶点收缩后的S₂作为目标样本；观察可知，经过顶点收缩后S₁的三角形表面个数由102080减少至13478，顶点个数由51042减少至6726，从而在保证股骨图像不失真的前提下有效的减少了顶点个数。

(7)在对训练数据集Ω中的所有样本都进行顶点收缩后，将顶点收缩后的S₁分别和顶点收缩后的{S₂,S₃...S_N}进行配准并建立响应；如图6所示，采用B-spline free-formdeformation方法对S₁和S₂进行配准，具体过程如下：

(7i)假定在S₁和S₂上各有L个标记点，S₁通过映射φ变形为S₂，φ满足以下关系式：

其中，P_i表示第i个标记点，B_i表示P_i对应的B-spline的基，u∈[0,1]^d表示参数值，d表示欧式空间的维度且d＝2,3；

(7ii)通过最小化下式将模板样本S₁配准到目标样本S₂：

Min(ω_deviation+λω_smooth+μω_landmarks)

式中的第一项ω_deviation表示变形后的模板样本φ(S₁)和目标样本S₂之间偏差的平方和：

其中，φ是由

定义的映射，

是S₁中的任意一点，

是S₂中最接近

的点；

式中的第二项ω_smooth是平滑项，其平滑系数λ应设置较大的初始值，然后逐渐减小，此处λ设置初始值为100，每次逐渐减10，且

式中的第三项ω_landmarks表示标记点的匹配误差，用于确保模板上的每个标记点都能映射到相应的目标标记点上，且

其中

是S₁和S₂间成对的标记点，系数μ为标记点的权重，此处μ取10；

(8)然后通过Procrustes analysis使S₁和训练数据集Ω中其它样本进行对齐，从而消除样本由于旋转及尺度变化产生的影响；

(9)用正态分布θ来模拟患者解剖结构模型s的形状变化：

其中

是平均形状，C是协方差矩阵，S_n是经步骤(8)对齐处理后的样本图像；

(10)通过Principal component analysis来生成患者解剖结构模型s的一般表达式，将其表示为平均形状与主要变形模型之和：

其中u_m和e_m分别表示解剖结构模型s的第m个特征值和特征向量，变形模型指解剖结构模型s在不同特征值下的模型，M是主要变形模型的个数且其等于特征值的个数；由于特征向量在本质上是按照降序排列，因此：

u_m>u_m+1

当u_m快速衰减，最终的患者解剖结构模型s可以由前G个变形模型精确的近似为：

且

其中，P是计划用前G个变形模型来表示整个变形模型的百分比。对30组左侧股骨我们选择P＝98.5％，计算可得其对应的变形模型个数G＝7，即可以用前7个变形模型来表示98.5％的变形模型。

采用上述方法，选择标记点数量分别为738、512和356的样本分别来构建患者左股骨解剖结构模型。与此同时，以模型的紧凑性、特异性、通用性和表示性四种性能指标作为评估标准，将球谱函数描述法(Spherical Harmonics Descriptors Method，SPHARM)、最小长度描述准则法(Minimum Description Length，MDL)、标记点滑动法(Landmark SlidingMethod，SLIDE)等方法与本发明方法进行对比验证，结果见图10。结果表明，本发明所提供方法能够有效的构建出患者解剖结构模型，并且模型性能优于SPHARM、MDL、SLIDE等方法。

本发明中，所述“采用区域增长的方法”、“Marching Cubes方法”、“三角形网格化”、“Procrustes analysis”、“Principal component analysis”等均为本领域已知的常规方法，故本发明未再展开解释说明。

Claims (6)

1.一种基于统计形状模型自动构建患者解剖结构模型的方法，其特征在于，包括如下步骤：

(1)针对某个待建立解剖结构模型的病患部位，输入N个不同患者该病患部位三维CT扫描图像作为输入数据，将CT扫描图像进行切片处理并对其进行图像增强，从而增强感兴趣区域；

(2)采用区域增长的方法将感兴趣区域从CT扫描图像中分割出来；

(3)通过Marching Cubes方法在保持切片间连接性的同时在感兴趣区域表面生成网格，在每个切片图像的感兴趣区域表面应用均值滤波器对其进行平滑，并将平滑后的切片图像感兴趣区域表面作为训练数据集Ω，Ω＝{S₁,S₂,…S_N}；

(4)任意选择训练数据集Ω中的一组图像，将其作为模板样本S₁并将其可视化；

(5)用三角形对S₁的可视化结果网格化，记录三角形表面的个数和三角形顶点个数，然后对Ω中的每组图像都用三角形进行网格化；

(6)用顶点收缩策略对S₁的三角形网格进行迭代收缩；并对训练数据集Ω中的剩余样本{S₂,S₃...S_N}按同样方式进行顶点收缩，并选择顶点收缩后的S₂作为目标样本；

(7)在对训练数据集Ω中的所有样本都进行顶点收缩后，将顶点收缩后的S₁分别和顶点收缩后的{S₂,S₃...S_N}进行配准并建立响应；并且采用B-spline free-form deformation方法对S₁和S₂进行配准；

(8)然后通过Procrustes analysis使S₁和训练数据集Ω中其它样本进行对齐，从而消除样本由于旋转及尺度变化产生的影响；

(9)用正态分布θ来模拟患者解剖结构模型s的形状变化：

其中

是平均形状，C是协方差矩阵，S_n是经步骤(8)对齐处理后的样本图像；

(10)通过Principal component analysis来生成患者解剖结构模型s的一般表达式，将其表示为平均形状与主要变形模型之和：

其中u_m和e_m分别表示解剖结构模型s的第m个特征值和特征向量，变形模型指解剖结构模型s在不同特征值下的模型，M是主要变形模型的个数且其等于特征值的个数；由于特征向量在本质上是按照降序排列，因此：

u_m>u_m+1

当u_m快速衰减，最终的患者解剖结构模型s可以由前G个变形模型近似为：

并通过下式对G进行选取：

其中，P是计划用前G个变形模型来表示整个变形模型的百分比。

2.根据权利要求1所述的一种基于统计形状模型自动构建患者解剖结构模型的方法，其特征在于，步骤(6)中，S₁的三角形网格进行迭代收缩的具体过程如下：

(6i)假设V_a表示S₁经过三角形网格化后的一个顶点，(V_a,V_b)表示一个点对，(V_a,V_b)→V_β表示将顶点V_a和V_b移动到一个新的顶点V_β处，而这个新顶点V_β是与V_a相连并将V_b删除；

(6ii)如此，将S₁经过三角形网格化后的一系列顶点收缩为一个顶点：(V₁,V₂,V₃,…V_k)→V_β，在这个过程中，每次迭代删除一个顶点；

(6iii)将点对(V_a,V_b)进行约束，以此在保证模板样本S₁不失真的前提下有效减少三角形网格顶点的个数，约束条件为：

(a)：V_a不是特殊的顶点；

(b)：(V_a,V_b)是边缘点对。

3.根据权利要求1所述的一种基于统计形状模型自动构建患者解剖结构模型的方法，其特征在于，步骤(7)中，采用B-spline free-form deformation方法对S₁和S₂进行配准的具体过程如下：

(7i)假定在S₁和S₂上各有L个标记点，S₁通过映射φ变形为S₂，φ满足以下关系式：

其中，P_i表示第i个标记点，B_i表示P_i对应的B-spline的基，u∈[0,1]^d表示参数值，d表示欧式空间的维度且d＝2,3；

(7ii)通过最小化下式将模板样本S₁配准到目标样本S₂：

Min(ω_deviation+λω_smooth+μω_landmarks)

式中的第一项ω_deviation表示变形后的模板样本φ(S₁)和目标样本S₂之间偏差的平方和：

其中，φ是由

定义的映射，

是S₁中的任意一点，

是S₂中最接近

的点；

式中的第二项ω_smooth是平滑项，其平滑系数λ应设置较大的初始值，然后逐渐减小，且

式中的第三项ω_landmarks表示标记点的匹配误差，用于确保模板上的每个标记点都能映射到相应的目标标记点上，且

其中

是S₁和S₂间成对的标记点，系数μ为标记点的权重。

4.根据权利要求3所述的一种基于统计形状模型自动构建患者解剖结构模型的方法，其特征在于，步骤(7)中，将变形后的模板样本φ(S₁)沿着顶点法线的方向投影到目标样本S₂上，从而在S₁和S₂之间建立响应；采用同样的方法分别在S₁和{S₃,S₄...S_N}之间建立响应。

5.根据权利要求3所述的一种基于统计形状模型自动构建患者解剖结构模型的方法，其特征在于，步骤(7ii)中，λ设置初始值为100，每次逐渐减10。

6.根据权利要求1所述的一种基于统计形状模型自动构建患者解剖结构模型的方法，其特征在于，步骤(1)中，N为15-60之间的整数。

Images