CN111462159A - 一种基于ct图像的变形模型的肝脏自动分割方法 - Google Patents
一种基于ct图像的变形模型的肝脏自动分割方法 Download PDFInfo
- Publication number
- CN111462159A CN111462159A CN202010257719.9A CN202010257719A CN111462159A CN 111462159 A CN111462159 A CN 111462159A CN 202010257719 A CN202010257719 A CN 202010257719A CN 111462159 A CN111462159 A CN 111462159A
- Authority
- CN
- China
- Prior art keywords
- liver
- image
- deformation model
- model
- deformation
- 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.)
- Pending
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种基于CT图像的变形模型的肝脏自动分割方法,包括:步骤1,构建肝脏图谱、基于稀疏表示变形模型SRDM,所述肝脏图谱包括灰度图像、与灰度图像对应的标注图像;步骤2,对待分割的目标图像进行肝脏图谱配准,构建将肝脏图谱的灰度图像对齐到目标图像的非刚性变换模型;步骤3,利用稀疏表示变形模型SRDM对步骤2中的非刚性变换模型正则化;步骤4,利用正则化后的变换模型,将肝脏图谱的标注图像传播到目标图像,得到初始分割结果;步骤5,对于存在较大分割误差的数据,对初始分割结果进行细分割。通过本方案获得了接近于半自动分割方法的分割精度,且实验结果可重复。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种基于CT图像的变形模型的肝脏自动分割方法。
背景技术
目前,肝脏的分割方式一般为基于主动形状模型(ASM)的肝脏半自动分割方法,虽然,这些方法能够对肝脏组织进行有效的分割,但是,在肝脏形状的初始化阶段需要人工的控制与交互,需要人为地在门静脉和肝静脉主分支处各手动选择一个种子点来对肝脏血管进行粗分割,还需要人为地在门静脉和肝静脉入口处手动截断泄露的邻近器官。这就使得整个方法无法实现自动的肝脏分割批处理,而且半自动分割方法存在的一个主要不足是分割结果会受到人为因素的影响,进而影响分割结果的可重复性。现有基于图谱的分割方法仍存在以下两个主要缺点:(1)构建的肝脏图谱容易偏向于所选择初始模板图像的特定解剖结构;(2)在肝脏图谱灰度图像对齐到目标图像时容易产生较大的配准误差,特别是表现在分割与具有相似灰度值的器官相邻和含有较大病灶的肝脏病例上。
为了避免上述现象的出现,在稀疏表示理论的基础上,提出了一个基于图谱的肝脏自动分割方法。肝脏图谱包括了图谱的灰度图像和对应的标注图像。基于图谱方法主要利用肝脏图谱灰度图像到目标图像的非刚性配准来达到自动分割肝脏的目的。
发明内容
本发明的目的是提供一种基于CT图像的变形模型的肝脏自动分割方法,将其应用于具有挑战性的肝脏CT图像自动分割,以解决上述现有技术存在的问题,获得接近于半自动分割方法的分割精度,且实验结果可重复。
为实现上述目的,本发明提供了如下方案:本发明提供一种基于CT图像的变形模型的肝脏自动分割方法,包括如下步骤:
步骤1,构建肝脏图谱、基于稀疏表示变形模型SRDM,所述肝脏图谱包括灰度图像、与灰度图像对应的标注图像;
步骤2,对待分割的目标图像进行肝脏图谱配准,构建将肝脏图谱的灰度图像对齐到目标图像的非刚性变换模型;
步骤3,利用稀疏表示变形模型SRDM对步骤2中的非刚性变换模型正则化;
步骤4,利用正则化后的变换模型,将肝脏图谱中的标注图像传播到目标图像,得到初始分割结果;
步骤5,对于存在较大分割误差的数据,对初始分割结果进行细分割。
优选地,所述肝脏图谱的构建中,采用最小变形目标方法来获取初始的平均模板,然后采用迭代的方法来构建肝脏图谱。
优选地,基于稀疏表示变形模型SRDM的构建方法为:将肝脏图谱的灰度图像非刚性地配准到处理后的训练图像,来获取用于构建变形模型的非刚性变换,然后通过求解稀疏优化问题来对肝脏的先验变形进行建模。
优选地,采用基于B样条的自由变形模型来完成所有的非刚性图像配准。
优选地,所述稀疏优化问题采用最小角回归-同伦算法来求解。
优选地,所述步骤5中,使用可变形的Simplex网格方法进行细分割。
本发明公开了以下技术效果:本发明提出了一个基于CT图像的变形模型的肝脏自动分割方法,本发明对传统基于图谱分割方法进行了以下两个方面的改进:
(1)提出了一个迭代的方法来构建肝脏图谱;
(2)提出了一个基于稀疏表示的变形模型。本发明在40组临床腹部CT图像上对提出的分割方法行了大量的测试,并且与相应的传统方法进行了比较。实验结果表明,当肝脏图谱的灰度图像对齐到目标图像会产生较大配准误差时,基于提出变形模型的图谱分割方法显著地比传统方法更精确,而且对于过分割和欠分割误差都具有很强的鲁棒性,特别是表现在分割与具有相似灰度值的器官相邻和含有较大病灶的挑战性肝脏病例上。因此,本发明提出的全自动的分割方法能够在无需人工参与的条件下,获得接近于半自动分割方法的分割精度,且实验结果可重复,从而验证了本发明方法的有效性、先进性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明流程示意图;
图2为本发明提出的迭代方法构建的肝脏图谱的灰度图像(第一行)和对应的标注图像(第二行);
图3为基于非正则化自由变形模型和提出的稀疏表示的变形模型方法在具有挑战性病例上的肝脏分割结果比较图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1-3,本发明提供一种基于CT图像的变形模型的肝脏自动分割方法,在训练阶段中,将构建在基于图谱的肝脏分割方法中需要使用到的两个模型:肝脏图谱、新提出的基于稀疏表示变形模型SRDM。在测试阶段中,当输入一幅待分割的CT图像时,首先寻找将肝脏图谱的灰度图像对齐到目标图像的非刚性变换,并依据训练得到的变形模型对这一非刚性变换进行正则化;然后利用正则化后的非刚性变换将肝脏图谱的标注图像传播到目标图像,就得到了初始的分割结果;最后再使用可变形Simplex网格方法对获取的初始结果进行进一步细分割。
具体步骤如下:
步骤1,构建肝脏图谱,为了避免最终生成的肝脏图谱偏向于所选择初始模板图像的特定解剖结构,本发明提出一个迭代方法来构建肝脏图谱,并采用最小变形目标方法来获取初始的平均模板。
(1)假设有一组K幅经过了预处理的训练图像{Ii|i=1,...,K}和它们对应的二值分割结果图像{Li|i=1,...,K}。首先从训练图像中选择一个与平均肝脏形状最为接近的作为初始模板图像(比如I1),并将其它所有训练图像和对应的二值图像通过仿射变换配准并重新采样到该模板图像。然后计算出将初始模板图像I1对齐到其它所有训练图像的平均非刚性变换:
在理想的情况下,MDT1就可以直接作为最终构建的肝脏图谱。但是,由于采用的非刚性配准算法具有保持拓扑结构的性质,MDT1仍然会偏向于所选择初始模板图像I1的特定形状。因此,本发明将MDT1定义为初始的平均模板,并采用迭代的方法来构建最终的肝脏图谱,具体的迭代过程如上述算法所示。所有的非刚性图像配准均采用了基于B样条的自由变形模型。通过上述迭代过程,可以得到一组K幅对齐了的训练样本图像{Ii′|i=1,...,K}和它们对应的二值分割结果图像{Li′|i=1,...,K}。这样,最终构建的肝脏图谱就可定义为所有对齐后训练数据的平均值:
首先将所有训练图像{Ii|i=1,...,K}通过仿射变换配准并重新采样到初始模板图像I1,然后就可以通过将肝脏图谱的灰度图像非刚性地配准到这些处理后的训练图像,来获取用于构建变形模型的非刚性变换。同样采用了基于B样条的自由变形模型来完成所有的非刚性图像配准。通过上述过程就得到了一组K个用于训练的非刚性变换{Ti|i=1,...,K}。对于基于B样条的自由变形模型,它的非刚性变换结果Ti可以用B样条所有三维控制点构成的矢量Ci=(x1,y1,z1,…,xN,yN,zN)T来表示,其中N为三维B样条控制点的总个数。再通过按列的方式堆叠所有用于训练的非刚性变换{Ci|i=1,...,K}就可以得到一个变形库
因此,本发明提出一个新的基于稀疏表示变形模型来解决传统基于图谱分割方法在肝脏图谱的灰度图像对齐到目标图像时会产生较大配准误差的问题,使用提出的变形模型SRDM对这些配准误差进行校正,即将得到的非刚性变换正则化为变形库中现有训练非刚性变换的稀疏线性组合。输入的非刚性变换具有与输入的形状同样的两个稀疏性质,即:a、输入的非刚性变换可以近似地表示为变形库中现有训练非刚性变换的稀疏线性组合;b、输入的非刚性变换可能包含稀疏的粗差。因此,与稀疏形状组合模型一样,可以通过求解以下稀疏优化问题来对肝脏的先验变形知识进行建模,得到变形模型SRDM:
其中,为需要进行正则化的输入非刚性变换,为包含了K个训练非刚性变换的变形库(也称为字典),和分别表示输入非刚性变换y的线性组合系数和稀疏粗差,‖v‖1=∑i|vi|和‖v‖2分别为矢量v的l1范数和二范数,λ1>0和λ2>0是两个分别对x和e的稀疏性进行控制的正则化参数。当上述公式中的稀疏优化问题得到求解时,正则化后的输入非刚性变换y就可以表示为即变形库中现有训练非刚性变换的稀疏线性组合。
上述步骤中使用公式为本专利提出的变形模型SRDM的稀疏优化目标函数。由于l1范数具有使结果稀疏的特点,这个优化问题将会得到最稀疏的解,即和中的大部分元素为零。其中,e用来显式地对稀疏的粗差进行建模,l2范数用来平滑输入非刚性变换中小而稠密的高斯噪声。因此,本发明提出的变形模SRDM对于大的稀疏粗差和小而稠密的高斯噪声都具有很强的鲁棒性。在已经提出的众多稀疏优化方法中,综合考虑到算法的效率和鲁棒性,本发明采用了最小角回归-同伦算法来求解公式中的稀疏优化问题。该算法每次迭代的计算复杂度为O(NK),而且能够保证稳定地恢复出公式3中的x和e。
步骤4,采用最大类间方差法对变换后的肝脏图谱标注图像进行阈值操作,接着进行开运算并去除非连通区域,再进行闭运算来填充小的孔洞,就获得了初始的分割结果Lt0。由于获取的初始分割结果Lt0在一些内凹区域(比如门静脉入口处)和狭长、细窄区域(比如肝脏左叶和右叶末端)仍然存在较大的分割误差。
步骤5,对于存在较大分割误差的数据,再使用可变形Simplex网格方法对其进行进一步细分割,这样就得到了最终的肝脏分割结果Lt。
本发明还公开了一种基于CT图像的变形模型的肝脏自动分割系统,包括肝脏图谱模块,用于构建肝脏图谱的灰度图像和对应的标注图像;
基于稀疏表示变形模型模块,用于得到基于稀疏表示变形模型,并依据所述变形模型对非刚性变换进行正则化;
图谱配准模块,用于将待分割的CT图像进行图谱配准,即将肝脏图谱的灰度图像对齐到目标图像;
非刚性变换正则化模块,用于将图谱配准后的肝脏图谱进行非刚性变换正则化;
标注传播模块,用于将正则化后的非刚性变换的肝脏图谱的标注图像传播到目标图像,得到初始的分割结果;
可变形Simplex网格方法模块,用于对初始结果进行细分割;
所述构建肝脏图谱模块和构建基于稀疏表示变形模型的模块构成训练阶段,图谱配准模块、非刚性变换正则化模块、标注传播模块、可变形Simplex网格方法模块构成测试阶段。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (6)
1.一种基于CT图像的变形模型的肝脏自动分割方法,其特征在于:包括如下步骤:
步骤1,构建肝脏图谱、基于稀疏表示变形模型SRDM,所述肝脏图谱包括灰度图像、与灰度图像对应的标注图像;
步骤2,对待分割的目标图像进行肝脏图谱配准,构建将肝脏图谱的灰度图像对齐到目标图像的非刚性变换模型;
步骤3,利用稀疏表示变形模型SRDM对步骤2中的非刚性变换模型正则化;
步骤4,利用正则化后的变换模型,将肝脏图谱中的标注图像传播到目标图像,得到初始分割结果;
步骤5,对于存在较大分割误差的数据,对初始分割结果进行细分割。
2.根据权利要求1所述的基于CT图像的变形模型的肝脏自动分割方法,其特征在于:所述肝脏图谱的构建中,采用最小变形目标方法来获取初始的平均模板,然后采用迭代的方法来构建肝脏图谱。
3.根据权利要求1所述的基于CT图像的变形模型的肝脏自动分割方法,其特征在于:基于稀疏表示变形模型SRDM的构建方法为:将肝脏图谱的灰度图像非刚性地配准到处理后的训练图像,来获取用于构建变形模型的非刚性变换,然后通过求解稀疏优化问题来对肝脏的先验变形进行建模。
4.根据权利要求3所述的基于CT图像的变形模型的肝脏自动分割方法,其特征在于:采用基于B样条的自由变形模型来完成所有的非刚性图像配准。
5.根据权利要求3所述的基于CT图像的变形模型的肝脏自动分割方法,其特征在于:所述稀疏优化问题采用最小角回归-同伦算法来求解。
6.根据权利要求1所述的基于CT图像的变形模型的肝脏自动分割方法,其特征在于:所述步骤5中,使用可变形的Simplex网格方法进行细分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010257719.9A CN111462159A (zh) | 2020-04-03 | 2020-04-03 | 一种基于ct图像的变形模型的肝脏自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010257719.9A CN111462159A (zh) | 2020-04-03 | 2020-04-03 | 一种基于ct图像的变形模型的肝脏自动分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111462159A true CN111462159A (zh) | 2020-07-28 |
Family
ID=71680256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010257719.9A Pending CN111462159A (zh) | 2020-04-03 | 2020-04-03 | 一种基于ct图像的变形模型的肝脏自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462159A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020969A (zh) * | 2012-12-25 | 2013-04-03 | 中国科学院深圳先进技术研究院 | 一种ct图像肝脏分割的处理方法及系统 |
CN107203998A (zh) * | 2016-03-18 | 2017-09-26 | 北京大学 | 一种对锥束ct图像进行牙列分割的方法 |
-
2020
- 2020-04-03 CN CN202010257719.9A patent/CN111462159A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020969A (zh) * | 2012-12-25 | 2013-04-03 | 中国科学院深圳先进技术研究院 | 一种ct图像肝脏分割的处理方法及系统 |
CN107203998A (zh) * | 2016-03-18 | 2017-09-26 | 北京大学 | 一种对锥束ct图像进行牙列分割的方法 |
Non-Patent Citations (1)
Title |
---|
史长发: "基于稀疏表示和低秩恢复的肝脏CT图像分割算法研究", 《中国博士学位论文全文数据库医药卫生科技辑(月刊)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Volumetric memory network for interactive medical image segmentation | |
CN110310287B (zh) | 基于神经网络的危及器官自动勾画方法、设备和存储介质 | |
WO2021203795A1 (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
CN113516659B (zh) | 一种基于深度学习的医学影像自动分割方法 | |
WO2019178702A9 (en) | Systems and methods for polygon object annotation and a method of training an object annotation system | |
CN104424629A (zh) | 一种x光胸片肺部分割方法和装置 | |
CN109509193B (zh) | 一种基于高精度配准的肝脏ct图谱分割方法及系统 | |
CN112184888A (zh) | 三维血管建模的方法及装置 | |
CN113450396B (zh) | 基于骨骼特征的三维/二维图像配准方法及装置 | |
Xiong et al. | Mapping histological slice sequences to the allen mouse brain atlas without 3D reconstruction | |
Gerogiannis et al. | The mixtures of Student’s t-distributions as a robust framework for rigid registration | |
CN113362310A (zh) | 一种基于无监督学习的医学图像肝脏分割方法 | |
Jin et al. | Object recognition in medical images via anatomy-guided deep learning | |
CN116245892B (zh) | 图像处理模型生成方法、图像处理方法及装置 | |
CN115294086A (zh) | 医学影像分割方法、分割模型训练方法、介质及电子设备 | |
CN117237322A (zh) | 一种基于医学图像的器官分割建模方法及终端 | |
CN113269754A (zh) | 用于运动估计的神经网络系统和方法 | |
Somasundaram et al. | Straightening of highly curved human chromosome for cytogenetic analysis | |
CN110378910B (zh) | 基于图谱融合的腹腔多器官分割方法及装置 | |
CN111462159A (zh) | 一种基于ct图像的变形模型的肝脏自动分割方法 | |
Chen et al. | A modified graph cuts image segmentation algorithm with adaptive shape constraints and its application to computed tomography images | |
Zhou et al. | The line-and block-like structures extraction via ingenious snake | |
Alvén et al. | Shape-aware label fusion for multi-atlas frameworks | |
CN112581513B (zh) | 锥束计算机断层扫描图像特征提取与对应方法 | |
CN112508844B (zh) | 一种基于弱监督的大脑磁共振图像分割方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200728 |
|
RJ01 | Rejection of invention patent application after publication |