CN1647117A - 利用稳定的射线扩散进行三维医学构造的分割 - Google Patents

Abstract

提供一种用于从CT和MR图像中分割3D构造的方法。该方法是基于通过带有平滑约束的平均变换分析而进行的3D射线扩散。射线扩散由于其具有的计算高效性而被用来引导渐进面，形状先验信息也被引入到该方法中以实现稳定收敛。该方法包括以下步骤：接收3D图像数据(302)；在显示装置上显示3D图像数据(304)；通过在构造中放置一个籽源而在3D图像数据中选择构造(306)；从籽源起始多条射线以形成一个面(308)；确定多条射线的每条的速度函数(310，312)；通过以多条射线的每条的速度函数为基础来扩散多条射线而逐渐推进所述面(316)；使多条射线收敛于构造的边界上(318)；以及当所有的射线已经收敛于构造的边界上时分割出所述构造。

Description

利用稳定的射线扩散进行三维医学构造的分割

相关申请的交叉参考

本申请要求享有于2002年4月14日申请的序列号为第60/373,684号的美国临时专利申请的优先权，由此该优先权申请被引入本申请中以作参考。

技术领域

本发明大体上涉及计算机影象及成像系统，更具体地说，涉及一种用于利用稳定的射线扩散来分割例如器官、动脉瘤及脑瘤等三维医学构造的系统及方法。

背景技术

从CT(计算机断层成像)和MR(磁共振成像)中将三维(3D)构造分割出来历来是一个既困难又耗时的问题。目标表面的准确定位受到存在的由部分体积效应和图像获取设备所产生的显著噪声水平的影响。另外，在3D空间中进行处理意味着计算复杂性的增加，这使得大多数的二维(2D)分割算法向3D扩展是不实际的。

可变形的模型已经普遍地用于3D医学图像分割中。如果能正确地进行初始化的话，这些方法能够产生良好的分割结果。一般而言，如果可变形模型在靠近目标边界处被初始化，而且如果它们是几乎对称地离开边界的话，那么可变形模型就工作良好。然而，可变形模型的初始化通常是一项困难的任务，这是因为通过利用2D显示装置必须在3D数据内生成3D模型。另外，目前的可变形模型方法在计算方面也是很昂贵的。这是由于采用水平调整方法(level setmethods)的情况下需要增加另外的维度，或者采用清楚表面渐进技术(explicit surface evolution techniques)的情况下需要进行昂贵的参量再初始化。

发明内容

本发明提供了一种稳定和高效的用于从CT和MR图像中分割3D构造的方法。该方法是基于通过带有平滑约束的平均变换分析而进行的3D射线扩散。射线扩散由于其具有的计算高效性而被用来引导渐进表面。另外，非参量分析和形状先验信息被引入到该方法中以实现稳定收敛。

按照本发明的一个方面，提供了一种用于从三维(3D)图像中分割构造的方法。该方法包括以下步骤：接收3D图像数据；在显示装置上显示3D图像数据；通过在构造中放置一个籽源而在3D图像数据中选择构造；从籽源起始多条射线以形成一个面；确定多条射线的每条的速度函数；通过以多条射线的每条的速度函数为基础来扩散这多条射线而逐渐推进所述面；使这多条射线收敛于构造的边界上；以及当所有的多条射线已经收敛于构造的边界上时分割出所述构造。该方法进一步包括确定所分割出的构造的体积的步骤。

按照本发明的另一个方面，该方法中所述逐渐推进所述面的步骤包括对多条射线的每条进行平均变换分析以识别出图像间断处，图像间断处确定构造的边界。而且，进行平均变换分析包括以下步骤：确定对于多条射线的每条的联合空间-强度域，联合空间-强度域对于沿多条射线的每条上的各个像素而言包括至少一个位置值和至少一个强度值；以可能密度为基础划分域以识别间断处；以及确定多条射线的每条的置换矢量，置换矢量是单条射线上的一点与这条射线上的一个间断处之间的空间距离，其中如果这条射线的置换矢量大于一个预定值，这条射线的速度就增大，如果这条射线的置换矢量小于这个预定值，这条射线的速度就降低。

按照本发明的另一个方面，该方法中所述逐渐推进所述面的步骤包括对渐进表面施加平滑约束。施加平滑约束包括基于相邻射线而对所述许多条射线中的一条射线的速度函数进行过滤，还包括基于形状先验信息对渐进面施加平均曲率。

按照本发明的再一个方面，可被机器读取的程序存储装置可触知地体现一个被机器执行的指令程序以实施用于从三维(3D)图像中分割构造的包括以下步骤的方法：接收3D图像数据；在显示装置上显示3D图像数据；通过在构造中放置一个籽源而在3D图像数据中选择构造；从籽源起始多条射线以形成一个面；确定多条射线的每条的速度函数；通过以多条射线的每条的速度函数为基础来扩散这多条射线而逐渐推进所述面；使这多条射线收敛于构造的边界上；以及当所有的多条射线已经收敛于构造的边界上时分割出所述构造。

按照本发明的另一个方面，提供了一种用于从三维(3D)图像中分割构造的系统。该系统包括一个用于接收3D图像数据的输入装置；一个用显示3D图像数据的显示装置；一个用于通过在构造中放置籽源以从3D图像数据中选择构造的光标控制装置；以及一个用于从3D图像数据中分割构造的处理器。所述处理器从籽源起始多条射线以形成一个面，确定多条射线的每条的速度函数，通过以多条射线的每条的速度函数为基础来扩散这多条射线而逐渐推进所述面，使这多条射线收敛于构造的边界上，以及当所有的多条射线已经收敛于构造的边界上时分割出所述构造。另外，光标控制装置是一个鼠标，用户通过对构造进行点击而将籽源放置于所述构造内。

附图说明

通过下面结合附图的详细描述将使本发明的上述及其它目的、特性和优点更加清楚，附图有：

图1(a)，1(b)，和1(c)是显示本发明中所述利用射线扩散来分割医学构造的方法的几幅视图，其中图1(a)是包含有一个用箭头所指的动脉瘤的人体躯干CT图像视图，图1(b)是混杂于原始数据中的被检测动脉瘤的视图，以及图1(c)是被分割出的动脉瘤的视图；

图2是本发明中所述的用于利用射线扩散来分割医学构造的一种示例性系统的方框图；以及

图3是本发明中所述的用于利用射线扩散来分割医学构造的方法的流程图。

具体实施方式

下面将结合附图对本发明的优选实施例进行描述。为了避免纠缠于不必要的细节而使本发明不清楚，所以在下面的描述中将对公知的功能或构造不进行详细的描述。

本发明提供一种有效、稳定、用户界面友好的方法，该方法用于从对比增强的CT或MR数据中对例如动脉瘤等三维(3D)医学构造进行交互式分割。该方法的主要创新在于通过平均变换分析结合平滑约束来使边界扩散。因此，本发明中所述方法在以下两种情况下都是稳定的：(1)在数据中存在异常值(2)丢失了数据结构，例如存在有不能被很好确定或遗失的表面。第一种特性是通过平均变换来确保的，然而第二种是通过在边界平滑上使用先验信息来获得的。而且，由于计算有效率的框架是基于射线扩散，因此整个过程是很快的，允许进行实时的人机对话(在Penthium III 1 Ghz计算机平台上的时间在10秒钟以下)。

图1显示了本发明中所述方法的可视性情况。图1(a)显示了多平面重排(MPRs)及立体再现的原始对比增强CTA(CE-CTA)图像。这一数据组中包含有一个动脉瘤，在图中这一动脉瘤用一个箭头指示出。另外，MPRs(正交视图)是以这一病变为中心的。实现本发明中所述方法的系统允许放射学家从不同的可视性图中快速地发现其中包含的病变。紧接着的下一步是量化这些病变。本方法的目的是提供一种机理以便于用户通过简单地在团状结构上进行点击，就能够快速地测出这些团状结构的体积。在本例中，用户在例如动脉瘤这样的感兴趣区域上进行点击，3D射线扩散算法就可检测出结构的边界并计算出其体积。图1(b)显示的是被检测出的与原始数据混在一起的动脉瘤(腔边界)，图1(c)显示的是被分割出的动脉瘤(腔边界)。

本发明中特别是相对于由X射线计算机断层成像过程而产生的数据来进行描述的，但是本发明中所述方法同样可以被应用于任何其它的医疗3D图像数据，包括由磁共振成像(MRI)、正子发射断层成像、超声成像等等所产生的数据。

应理解为可以以硬件、软件、固件、特别目的处理器、或者是它们之间的组合等不同的方式来实施本发明。在一个实施例中，本发明是以软件形式来实现的，所述软件以一个应用程序的形式可触知地体现于一个程序存储装置中。所述应用程序可以被加载于一种包含例如图2中所示那样的任何合适体系结构的机器中，且可被所述机器所执行。优选地情况是，在计算机平台上提供机器200，所述计算机平台具有诸如一个或多个中央处理单元(CPU)202、一个随机存取存储器(RAM)204、一个只读存储器(ROM)206，以及诸如键盘208等输入/输出(I/O)界面，以及光标控制装置(例如鼠标)210和显示装置212。所述计算机平台还包括一个操作系统和微指令代码。这里所描述的各种过程和功能或者可以作为微指令代码的一部分或者可以作为应用程序(或者二者间的结合)的一部分，所述微指令代码或所述应用程序是通过操作系统被执行的。另外，也可以将例如另外的数据存储装置214和打印装置等其它各种外设连接到计算机平台上。而且，可以将例如X射线机或MRI机等扫描装置216耦合到机器200上以用于收集图像数据。

应进一步理解为，因为纵使结合附图所描述的构成系统的一些部件以及一些方法步骤可以以软件的形式来实现，所以系统部件(或过程步骤)之间的实际连接可以有所不同，这将取决于本发明被编程的方式。根据这里所提供的有关本发明的教导，本领域中的普通技术人员将能够设想出这些以及类似的有关本发明的实施或构造方式。

参见图3，图中提供了一种用于分割3D医学构造的方法。一开始，通过上面所述的例如X射线、MRI等各种方式来采集3D图像数据(步骤302)。一旦采集到3D图像数据，就如图1(a)所示在例如显示器等显示装置上以多平面重排(MPRs)及立体再现(步骤304)的方式将3D图像数据可视化。按照本发明所述分割方法，用户通过在其中放置单一籽源来具体使一个构造被分割出来，例如通过用鼠标或者其它任何公知的光标控制装置来点击所述医学构造(步骤306)。接着就会通过来自籽源点的射线扩散而自动产生出边界表面(步骤308)。

通过平均变换分析(步骤312)和平滑约束(步骤310)所确定的象力来引导所述扩散。梯度上升的平均变换可以在有噪声的情况下准确定位所述构造的边缘，且具有良好的基于本地操作码的计算特性，所谓本地操作码也就是指在计算中仅使用来自其小邻域的信息，这样就可避免扩展计算也就是数倍于各个体素的计算量。优选地，该方法采用一个用于平滑约束的平均曲率，然而也可采用例如平均高斯曲率等本领域中公知的其它几何平滑技术。平滑约束处理(步骤310)受医学构造的先验知识影响(步骤314)。

通过更新各个射线的速度函数来逐渐推进边界面(步骤316)，如上所述也就是通过平均变换分析和应用平滑约束(步骤310)。面被逐渐推进直到所有的射线收敛于将被分割的构造的边界表面上(步骤318)。否则，就会起动产生新的射线并向边界面扩散(步骤322)。一旦所有的射线已经收敛，则就可确定出构造并将其从原始3D图像数据中分割出来(步骤320)。另外，一旦构造被分割出来，那么该构造的物理维度及其体积也就可以被确定出来了。

现在将在下面的内容中对本发明所述方法进行细节性的描述。

1.3D体分割的变形表面

基于变形表面是如何被表示的可以将可变形的基于模型的分割算法分成清楚算法和模糊算法。在清楚算法中，是以三角网(triangular mesh)、超二次曲面及其他复杂形状来表示变形表面的。在模糊算法中，表示变形表面的常用选择是水平集方法(levelset method)。水平集方法已经是很普遍的了，这是因为它们具有拓扑地灵活性且能表示复杂形状而无需任何计算上的费用大的再参量化步骤。水平集方法的一个主要缺点在于其计算的复杂性，这是由于为了模拟需要另外的嵌入式表面。为了克服复杂性，提出了窄带水平集演化。然而，这些方法仍旧不足够快以实现实时立体分割。类似地，已经提出了快速推进算法(fast marching methods)用于模拟例如一个表面等单向面。这种快速推进算法不需要任何另外的表面，但是它局限于模拟一个方向流，也就是没有曲率平滑，因此该方法在分割中的使用是相当有限的。因此，本发明中所述方法采用的是射线扩散来进行快速图像分割。

1.1射线扩散

用3D表面ψ(ξ，η，t)＝(x(ξ，η，t)，y(ξ，η，t)，z(ξ，η，t))来表示前沿，其中x、y和z表示笛卡儿坐标，ξ，η是表示表面的参数，t表示时间。前沿改善由以下公式决定：

$\left\{\begin{array}{c}\frac{\∂\mathrm{\ψ}(s,t)}{\∂t}=S(x,y,z)N\\ \mathrm{\ψ}(\mathrm{\ξ},\mathrm{\η},0)={\mathrm{\ψ}}_0(\mathrm{\ξ},\mathrm{\η})\end{array}\right.---\left(1\right)$

其中ψ₀(ξ，η)＝(x(ξ，η，0)，y(ξ，η，0)，z(ξ，η，0))表示起始表面，N表示单位正交矢量，S(x，y，z)表示点(x，y，z)处射线的速度。

本发明中所述方法是基于借助正交矢量而实现的清楚边沿扩散。对边界进行采样，且各个采样点的改善通过重写以矢量方式表示的镜象方程(Eikonal equation)来及时实现，所述镜象方程也就是：

$\left\{\begin{array}{c}{x}_t=S(x,y,z)\frac{N_x}{\left|\right|N\left|\right|}\\ y_t=S(x,y,z)\frac{N_y}{\left|\right|N\left|\right|}\\ z_t=S(x,y,z)\frac{N_z}{\left|\right|N\left|\right|}\end{array}\right.---\left(2\right)$

由于物理坐标系随着扩散波前而移动，所以这种展开是拉格朗日解法。

通常，将射线扩散应用于面渐进已经受到限制。由于波前法线可能相碰撞(冲击波波阵面的形成)，该方法也由于采样点的累积密度而显示出计算的不稳定性，这样就需要特别的维护，例如对波前进行再参量化。而且对拓扑变化也不容易控制，而需要一个外部程序。

为了分割在医学图像中发现的诸如动脉瘤及脑瘤等团状构造，本发明所述方法采用了来自单一点源的射线扩散法。事实上，射线扩散是非常合适的，这是由于其具有快速的特点，也不必要进行拓扑变化，在扩散过程中也没有冲击波形式，而且来自单一点源的射线也不会互相碰撞。

注意到速度函数S(x，y，z)在分割结果的质量方面具有重要作用。在本发明所述方法中，射线的速度S(x，y，z)取决于图像信息和形状先验信息。具体地，该方法中利用

其中S₀(x，y，z)检测图像间断处，S₁(x，y，z)表示形状先验信息，常数

用来平衡这两项间的关系，其中β的取值范围在0到1之间，0表示没有平滑，1表示大量的平滑。

1.2间断的稳定测量：平均变换分析

通常，图像梯度用来将变形模型引导到目标边界。然而，图像梯度对噪声具有不稳定性，数据中的异常值也会极大地影响结果。对这一问题的解决办法是采用间断性的稳定测量。

本发明所述方法是基于利用在以下文献中公开的核密度估计法(kernel density estimation)来表示的图像数据：D.Comaniciu，P.Meer：“Mean Shift：A Robust Approach towardFeature Space Analysis”，IEEE Trans.Pattern Analysis MachineIntell.，Vol.24，No.5，603-619，2002，这一文献中的内容作为参考而引入到本申请中。考虑一个1维加强轮廓，例如从一个灰度级图像中获得的一条射线。沿着该射线的各个像素以其位置x和强度值I为特征。因此，包含N个像素的输入射线被表示成一个2维点集合{x_i，I_i}i＝1，...，N.所构造成的这一2维空间被称为联合空间-强度域。注意到这种构造可推广用于标准灰度级图像数据(3维空间中有2维是坐标值有1维是强度值)、色彩数据(5维空间中有2维是坐标值有3维是色彩值)、多模态数据、或者图像序列。

识别图像间断处的任务简化了按照在这一空间中所估计的可能性强度来划分联合空间。分割数也就是密度图中的间隔值是由初始密度的峰值(众数值)的个数来决定的。利用反复的平均变换过程来发现联合空间中的众数值，并规定各个数据点等于其邻域中的一个众数值。用{x_i ^*，I_i ^*}来表示与{x_i，I_i}相关的众数值，其中i＝1，...，N。由于众数值勾划出了具有高集中度相似数据的区域，因此可以确保对异常值的稳定性。

令{d_i＝x_i ^*-x_i}_{i＝1，...，N}等于从一点到给其指定的众数值处的定向空间距离。(在下文中，这一值被称为置换矢量。)置换矢量总是指向从间断处离开的方向，且置换矢量在扩散技术中起关键作用。用于找到置换矢量的重复性的基于平均变换的算法如下：

对于每个i＝1，...，N

1.初始化k＝1且令(x^k _i，I^k _i，d_i)＝(x_i，I_i，0)，其中k是离散时间，迭代数

2.计算

$X_i^{k+1}=\frac{{\mathrm{\Σ}}_{j=1}^M{x}_j{e}^{\frac{-{(x_i^k-x_j)}^2}{2{\mathrm{\σ}}_x^2}}{e}^{\frac{-{(I_i^k-I_j)}^2}{2{\mathrm{\σ}}_i^2}}}{{\mathrm{\Σ}}_{j=1}^M{e}^{\frac{-{(x_i^k-x_j)}^2}{2{\mathrm{\σ}}_x^2}}{e}^{\frac{-{(I_i^k-I_j)}^2}{2{\mathrm{\σ}}_i^2}}}$

$I_i^{k+1}=\frac{{\mathrm{\Σ}}_{j=1}^M{I}_j{e}^{\frac{-{(x_i^k-x_j)}^2}{{2\mathrm{\σ}}_x^2}}{e}^{\frac{-{(I_i^k-I_j)}^2}{{2\mathrm{\σ}}_i^2}}}{{\mathrm{\Σ}}_{j=1}^M{e}^{\frac{-{(x_i^k-x_j)}^2}{{2\mathrm{\σ}}_x^2}}{e}^{\frac{-{(I_i^k-I_j)}^2}{{2\mathrm{\σ}}_i^2}}}---\left(4\right)$

直到收敛。

3.令(x^* _i，I^* _i)＝(x^k+1 _i，I^k+1 _i)

4.令d_i＝(x_i，-x_i)

其中⑨_x和⑨_i分别是空间和强度域中高斯核的带宽。

现在可将速度项中的第一部分确定为：

$S_0(x,y,z)=\frac{f(x,y,z)}{1.0+|\▿d(x,y,z){|}^2}---\left(5\right)$

通过叠加由置换矢量所提供的信息可获得函数d(x，y，z)。对于一个沿着射线的给定位置，当相应的置换矢量指向射出方向时，d(x，y，z)是正的，当矢量指向籽源点时，d(x，y，z)就是负的。项f(x，y，z)由下式确定：

$f(x,y,z)=\left\{\begin{array}{cc}-\mathrm{sign}\left(d(x,y,z)\right)& \mathrm{if}|\&dtri;d(x,y,z)|<\mathrm{threshold}\\ 1& \mathrm{else}\end{array}\right.----\left(6\right)$

其中d(x，y，z)的梯度也就是d(x，y，z)沿着射线被计算出。如果单条射线的置换矢量梯度的绝对值大于一个预定值，且置换矢量的符号为负，则该单条射线从籽源到边界扩散，如果单条射线的置换矢量梯度的绝对值大于一个预定值，且置换矢量的符号为正，则该单条射线从边界外指向边界扩散。如果单条射线的置换矢量梯度的绝对值小于一个预定值，则该条射线从籽源到边界传播。在这一公式中，当射线远离边界时，射线自由地向目标边界扩散，而在临近边界的区域内射线的扩散速度减慢。如果一条射线跨越过边界，则它会返回到边界处。参数阈值由从置换错误的密度函数计算所得的统计测量值所确定。假设置换函数中的小梯度(小于阈值)位置不属于任何目标部分。

1.3平滑约束

例如噪声、数据错误等等与丢失数据相关的问题在医学构造的分割过程中是常见的。丢失数据的解决办法是通过在扩展表面上施加平滑约束来开发先验知识。在本方法中，我们利用了两种类型的平滑约束，一种是在相邻射线的速度上，另一种是在波前的本地曲率上。

这样，通过利用邻域内的速度信息来对射线的速度函数S₀(x，y，z)进行过滤。另外，速度项S₁(x，y，z)通过利用由S₁(x，y，z)＝(K₁+K₂)/2所给定的平均曲率而对波前施加平滑处理，其中K₁和K₂是基本曲率。然而，也可采用例如传统的平均高斯曲率等其它几何平滑技术。

1.4实施

对于射线的初始化，本发明所述方法利用了这样一种算法：这种算法通过使用正八面体的几个部分而提供一个球面上等距离分布点的近似值。用(1，0，0)，(-1，0，0)，(0，1，0)，(0，-1，0)，(0，0，1)和(0，0，-1)六个点对正八面体进行初始化，相邻点之间的连接给出单位球的第一基本三角。在再分过程中，通过在每条边的中间处各设置一个新点且将其投影到单位球上并将相邻点连接起来而将每个三角形再分成四个新的三角形。然后射线就从籽源点沿由单位球的近似值所给定的方向射出。观察到在初始扩散中，射线数量少是必然的。然而，当来自籽源点的射线距离变大时，射线之间的距离也会变大。这相应于占据更大区域的各个三角形。

在这种实施方式中，当三角形变得大于一个预定值，也就是两条相邻射线的端点间的空间距离变得大于一个预定值时，则会通过在每条边的中间处各布置一条新射线(即：在两条相邻射线之间起始一条新的射线)且将其投影到单位球上并将相邻点连接起来而将每个三角形再分成四个新的三角形。

为了估算射线当前位置处的表面曲率，本方法采用了下面算法：计算第一矩阵S

$\left(\frac{1}{2N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{n}_i{n}_i^1\right)+\frac{1}{2}\&infin;---\left(7\right)$

其中N是邻粒子数，n_i表示到第i个邻粒子的当前位置的矢量，p表示到所考虑射线的当前位置的矢量。正定矩阵S被称为结构张量或散布矩阵。一种基本的分量分析提供了S的特征值⑨₁μ⑨₂μ⑨₃和特征向量v₁，v₂，v₃。相应于最大特征值⑨₁的特征向量v₁是沿标准切线方向的。其它两个特征向量指向基本曲率的方向。虽然相应的特征值⑨₂和⑨₃已经给出了在这些方向上的弯曲程度的估计值，但是它们没有给出其取向的信息。因此，对于每个邻粒子，本方法还要计算邻粒子矢量和基本曲率矢量的点积。然后用π/2与标准切向矢量和连接p与邻粒子的矢量之间角度之差乘以这一系数。对于凸形区域而言加权角度差之和为正，对于凹形区域而言加权角度差之和为负。因此，基本曲率的最终计算公式为：

$K_1={\mathrm{\&Sigma;}}_{i=1}^N\frac{|v_2\&CenterDot;n_i|}{\left|v_2\right|\left|n_i\right|}(\arccos \left(\frac{v_i\&CenterDot;(n_i-p)}{\left|v_1\right||n_i-p|}\right)-\frac{\mathrm{\&pi;}}{2})---\left(8\right)$

$K_2={\mathrm{\&Sigma;}}_{i=1}^N\frac{|v_3\&CenterDot;n_i|}{\left|v_3\right|\left|n_i\right|}(\arccos \left(\frac{v_i\&CenterDot;(n_i-p)}{\left|v_1\right||n_i-p|}\right)-\frac{\mathrm{\&pi;}}{2}).---\left(9\right)$

其中K₁是曲率的最小弯曲特征值，K₂是曲率的最大弯曲特征值。然后将K₁和K₂平均而得到平均曲率。

本发明提供了一种用户界面友好的3D立体分割方法。该分割方法是非常快速的，这是由于采用了射线扩散。第二，基于平均变换的分析使得该方法对于在CT和MR图像中存在异常值的情况仍具有稳定性。第三，例如平滑约束等形状先验信息的采用意味着该方法中降低了对丢失数据也就是不能被很好确定或者丢失表面的灵敏度。第四，该方法对用户而言是友好的，这是由于常常只需对3D医学构造进行一次点击就足够了。

虽然已经结合上述一些优选实施例对本发明进行了展示和描述，但是对于本领域技术人员而言将理解为可以在不背离由所附权利要求所确定的本发明范围与实质的前提下而对其中的形式和细节进行各种变化。

Claims (23)

1.一种用于从三维(3D)图像中分割构造的方法，该方法包括以下步骤：

接收3D图像数据；

在显示装置上显示3D图像数据；

通过在构造中放置一个籽源而在3D图像数据中选择构造；

从籽源起始多条射线以形成一个面；

确定所述多条射线的每条的速度函数；

通过以所述多条射线的每条的速度函数为基础来扩散所述多条射线而逐渐推进所述面；

使所述多条射线收敛于构造的边界上；以及

当所有的所述多条射线已经收敛于构造的边界上时分割出所述构造。

2.如权利要求1所述方法，进一步包括确定所分割出的构造的体积的步骤。

3.如权利要求1所述方法，其中逐渐推进所述面的步骤包括对所述多条射线的每条进行平均变换分析以识别出图像间断处，图像间断处确定构造的边界。

4.如权利要求3所述方法，其中进行平均变换分析包括以下步骤：

为所述多条射线的每条确定联合空间-强度域，联合空间-强度域对于沿所述多条射线的每条上的各个像素而言包括至少一个位置值和至少一个强度值；

以可能密度为基础划分域以识别间断处；以及

确定所述多条射线的每条的置换矢量，置换矢量是单条射线上的一点与这条射线上的一个收敛点之间的距离。

5.如权利要求4所述方法，其中如果单条射线的置换矢量梯度的绝对值大于一个预定值，且置换矢量的符号为负，则该单条射线从籽源到边界被扩散，并且如果单条射线的置换矢量梯度的绝对值大于一个预定值，且置换矢量的符号为正，则该单条射线从边界外指向边界被扩散。

6.如权利要求4所述方法，其中如果单条射线的置换矢量梯度的绝对值小于一个预定值，则该条射线从籽源到边界被扩散。

7.如权利要求3所述方法，其中逐渐推进所述面的步骤包括对渐进面施加平滑约束。

8.如权利要求7所述方法，其中施加平滑约束包括基于相邻射线而对所述多条射线中的一条射线的速度函数进行过滤。

9.如权利要求7所述方法，其中施加平滑约束包括基于形状先验信息对渐进面施加平均曲率。

10.如权利要求1所述方法，其中在逐渐推进步骤期间，如果所述许多条射线中的任意两条相邻射线之间的空间距离变得大于一个预定距离时，则在这两条相邻射线之间起始另外一条射线。

11.如权利要求1所述方法，其中选择步骤包括用一个计算机鼠标在构造上进行点击。

12.一种可被机器读取的程序存储装置，该存储装置可触知地体现一个被机器执行的指令程序以实施用于从三维(3D)图像中分割构造的包括以下步骤的方法：

接收3D图像数据；

在显示装置上显示3D图像数据；

通过在构造中放置一个籽源而在3D图像数据中选择构造；

从籽源起始多条射线以形成一个面；

确定所述多条射线的每条的速度函数；

通过以所述多条射线的每条的速度函数为基础来扩散所述多条射线而逐渐推进所述面；

使所述多条射线收敛于构造的边界上；以及

当所有的所述多条射线已经收敛于构造的边界上时分割出所述构造。

13.如权利要求12所述程序存储装置，进一步包括确定所分割出的构造的体积的步骤。

14.如权利要求12所述程序存储装置，其中逐渐推进所述面的步骤包括对所述多条射线的每条进行平均变换分析以识别出图像间断处，图像间断处确定构造的边界。

15.如权利要求14所述程序存储装置，其中进行平均变换分析包括以下步骤：

为所述多条射线的每条确定联合空间-强度域，联合空间-强度域对于沿多条射线的每条上的各个像素而言包括至少一个位置值和至少一个强度值；

根据可能密度划分域以识别间断处；以及

确定所述多条射线的每条的置换矢量，置换矢量是单条射线上的一点与这条射线上的一个收敛点之间的空间距离。

16.如权利要求15所述程序存储装置，其中如果单条射线的置换矢量梯度的绝对值大于一个预定值，且置换矢量的符号为负，则该单条射线从籽源到边界被扩散，并且如果单条射线的置换矢量梯度的绝对值大于一个预定值，且置换矢量的符号为正，则该单条射线从边界外指向边界被扩散。

17.如权利要求15所述程序存储装置，其中如果单条射线的置换矢量梯度的绝对值小于一个预定值，则该条射线从籽源到边界被扩散。

18.如权利要求14所述程序存储装置，其中逐渐推进所述面的步骤包括对渐进面施加平滑约束。

19.如权利要求18所述程序存储装置，其中施加平滑约束包括基于一条相邻射线而对所述多条射线中的一条射线的速度函数进行过滤。

20.如权利要求18所述程序存储装置，其中施加平滑约束包括基于形状先验信息对渐进面施加平均曲率。

21.一种用于从三维(3D)图像中分割构造的系统，该系统包括：

一个用于接收3D图像数据的输入装置；

一个用显示3D图像数据的显示装置；

一个用于通过在构造中放置籽源以从3D图像数据中选择构造的光标控制装置；以及

一个用于从3D图像数据中分割构造的处理器。

22.如权利要求21所述系统，其中所述处理器从籽源起始多条射线以形成一个面，确定所述多条射线的每条的速度函数，通过以所述多条射线的每条的速度函数为基础来扩散所述多条射线而逐渐推进所述面，使所述多条射线收敛于构造的边界上，以及当所有的所述多条射线已经收敛于构造的边界上时分割出所述构造。

23.如权利要求21所述系统，其中光标控制装置是一个鼠标，用户通过对构造进行点击而将籽源放置于所述构造内。

Images