专利名称：基于组合稀疏模型的先验形状建模方法
技术领域：
本发明基于组合稀疏模型的先验形状建模方法属于医学图像分割技术领域，涉及的是一种医学图像分割中的先验形状建模方法，特别是三维医学图像分割中具有个体适应性的器官先验形状的获取方法。
背景技术：
医学图像分割是一个非常具有挑战性的课题。由于低信噪比、低对比度、以及不同软组织之间边界模糊、存在采·样伪影、局部体效应、空间混叠等因素使医学图像中存在许多不确定干扰，所以医学图像分割具有很强的针对性，使得医学图像分割至今都没有统一的标准和普遍适用的规则。医学图像分割经历了一个由传统的区域增长算法、边界检测算法发展到水平集算法和基于分类和聚类的方法等算法的过程，由于医学图像的特殊性，上述算法进行医学图像分割时容易出现欠分割和过分割，目前基于模型如先验形状的医学图像分割方法逐渐流行起来。值得注意的是，人体器官如肝脏、肾脏、心脏等都有很显著的形状特征，不同病人的同种器官在形状上具有很大的相似性，使用先验形状的方法可以有效解决区域边界模糊带来的误分割问题，因而可以使用先验形状来辅助提取感兴趣区域。对目前所使用的先验形状模型进行考察发现，尽管先验形状在医学图像分割中可以有效排除噪声干扰，具有很强的鲁棒性，对先验形状的建模却不是一件容易的事。这里主要存在着三个问题
第一，如何对复杂的形状变化进行建模。有些器官的形状个体差异较大，变化较复杂，无法用一个参数概率分布来对它建模。Cootes和Taylor在1997年提出了用高斯混合模型来表达形状变化的解决方法，而多重学习技术(Manifold learning techniques)通过对非线性形状先验知识进行学习，也可用来在一定程度上解决这个问题，Yan和Kruecker等人还提出了将形状分解为子空间进行建模的方法。但是，对于形状比较复杂，个体间差异较大的情况，使用参数概率分布的方法建模还是无法对形状分布进行准确的描述。第二，如何处理非高斯误差。形状中的离群点(如错误或者缺失的标记点)往往会偶然存在，并不服从高斯分布，构建的形状模型必须对这些误差具有较高的鲁棒性。Duta和Sonka提出了一个利用概率分布模型的方差信息来检测离群点的方法，并且通过临近点的位置对离群点进行校正。Fischler和Bolles通过对几种方法的比较发现,RANSAC(randomsample consensus)是一种比较有效的减小离群点的影响方法。第三，如何保留局部细节信息。形状模型应当针对不同的图像数据具有适应性，能够保留该图像中存在的局部细节信息。常规的方法是利用主成分分析(PCA)提取主成分以后剩余的部分作为局部细节信息，Davatzikos等人将形状模型分解为几个独立的子部分，通过层次建模的方法来捕捉局部细节，因为局部细节常出现在训练样本中的一部分形状上，具有更小的方差。现有的绝大多数形状建模方法都专注于解决上述一个或者两个问题，而对于同时有效地处理上述三个问题，对医学图像的分割具有十分重要的意义。
发明内容
本发明的目的在于提出一种基于组合稀疏模型的先验形状建模方法，以克服现有的先验形状建模技术中的不足，使其在对医学图像中不同个体之间的待分割器官进行先验形状模型建模时，克服用参数概率分布等方法的不足，更有效地表示复杂的形状变化，而且在对非高斯误差具有很高的鲁棒性的同时，能够有效地保留形状中的局部细节信息。本发明目的通过下述技术方案实现一种基于组合稀疏模型的先验形状建模方法，采用先验形状建模，针对特定的组织器官建立一个由临床数据收集而来的形状库，该形状库由来自不同病人的图像数据的已经分割好的形状组成，以建立这些病人的相应器官的金标准，其通过以下步骤实现
步骤I :通过对金标准表面上点的采样，将形状表面做网格化的预处理，形状库中的网格化后的形状为模型的训练数据；
步骤2 :将网格化后的形状用稀疏形状组合模型表示，形状库中的每个形状，其对应网格上所有顶点的坐标排列成一个列向量，整个形状库得到一个矩阵D ；
步骤3 :对稀疏形状组合模型进行最优化求解得到相应参数；
步骤4 :将求解得到的参数，通过反变换得到所需的先验形状，
其步骤2中，采用一个基本假设，即经过适当的空间位置校正，任意一个待处理的形状y，都能近似表示成形状库中的形状的线性组合，线性组合无法表示出的部分，即线性组合表示结果与该器官的实际形状的差异，则视为噪声e，用
Z = R1,X2,...表示各个形状的组合系数，通过如下函数作为最优化建模函数和e的值通过使如下损失函数最小化得到
权利要求
1.一种基于组合稀疏模型的先验形状建模方法，采用先验形状建模，针对特定的组织器官建立一个由临床数据收集而来的形状库，该形状库由来自不同病人的图像数据的已经分割好的形状组成，以建立这些病人的相应器官的金标准，其特征在于，通过以下步骤实现 步骤I:通过对金标准表面上点的采样，将形状表面做网格化的预处理，形状库中的网格化后的形状为模型的训练数据； 步骤2 :将网格化后的形状用稀疏形状组合模型表示，形状库中的每个形状，其对应网格上所有顶点的坐标排列成一个列向量，整个形状库得到一个矩阵D ； 步骤3 :对稀疏形状组合模型进行最优化求解得到相应参数； 步骤4 :将求解得到的参数，通过反变换得到所需的先验形状， 其步骤2中，将一个待处理的形状y近似表示成形状库中的形状的线性组合，线性组合无法表示出的部分，即线性组合表示结果与该器官的实际形状的差异，则视为噪声e，用= Z2,...,表示各个形状的组合系数，；^和e值通过使如下损失函数最小化得到
2.根据权利要求I所述的基于组合稀疏模型的先验形状建模方法，其特征在于所述的将形状表面做网格化的预处理是指将要建立的某一特定的组织器官的形状库，通过对临床数据的收集，将大量病人的三维图像中的特定的组织器官由临床专家手工分割出来，以建立这些病人的相应器官的金标准，金标准被认为是与实际的器官完全吻合的，得到的金标准是一个二值图像，为了反映形状信息，只需要将金标准的表面提取出来，通过对金标准表面上点的采样，得到一系列标记点和三角形面片组成的网格表面，即以网格表示形状，特定的组织器官对应的网格由网格上每个顶点的空间坐标和顶点之间的拓扑关系决定，通过Prcrustes分析完成在对形状进行稀疏组合表示之前的预处理。
3.根据权利要求I所述的基于组合稀疏模型的先验形状建模方法，其特征在于，最优化求解目标函数的方法为所述的形状库中的第i个形状，其对应网格上所有顶点的坐标依据这些顶点的拓扑结构按顺序排列成一个列向量，记做JT,其中n是顶点数量与坐标维数的乘积，当形状库中包含k个形状，那么该形状库表示成矩阵D的形式D = WA…X] ,同时形状库之外的一个待处理的形状也表不成列向量； 当形状库中的形状为k>n的情况，输入形状能被训练数据的稀疏线性组合表示，用公式2体现
4.根据权利要求I或3所述的基于组合稀疏模型的先验形状建模方法，其特征在于所述的最优化求解方法为以下两个步骤 步骤3. I :通过形状的Procrustes分析来估计参数#,并通过Procrustes分析将形状y的空间位置、方向和尺寸进行一系列的刚体变换而使它与形状库中的平均图像有最佳匹配，得到新的形状
5.根据权利要求I至4所述的基于组合稀疏模型的先验形状建模方法用于肝脏图像分割中对先验形状的建模，在计算机环境中运行，其特征在于， 步骤I选择计算机运行环境为在CPU为Intel (R) Core 13-2100 3. IOGHz内存为·2. OGB的计算机中实现，编程语目为C++ ； 步骤2在肝脏图像分割中对先验形状的建模方法 1)、首用VTK三维图形图像处理类库将初始肝脏形状表面转化为网格化表示，网格化后的形状为模型的训练数据，同时将每个肝脏形状转化成按每个标记点的坐标排列成的一维列向量表示，整个肝脏形状库表示成一个矩阵D，其中每一列对应一个训练形状； 2)通过Procrustes分析将待处理的肝脏形状朝形状库里面的肝脏形状对齐，消除位置、大小和方向上的不一致，并且将该变换对应向量的参数5记录下来，本步骤设定好公式4中的两个稀疏数.. 和儿2 ,建立公式4所对应的最优化方程，通过形状的Procrustes分析来估计参数,从而得到新的形状T 二 Tiys 0),这样公式4中就只剩下X未知； Procrustes分析的过程通过VTK提供的函数来实现； 3)、使用快速迭代收缩阈值算法(FastIterative Shrinkage ThresholdingAlgorithm, FISTA)对公式5中对应的线性逆问题求最优解a，这样公式4中待定的参数和e都求解出来，从而得到肝脏形状库中形状的最优线性组合Dx ； 4)、将形状库中肝脏形状的稀疏线性组合的最优线性组合的结果^按照参数所对应的逆变换将组合形状变 换回输入形状对应的原空间，即得到的输出形状作为该病人肝脏的先验形状。
全文摘要
本发明基于组合稀疏模型的先验形状建模方法，属于医学图像分割技术领域，采用先验形状建模，针对特定的组织器官建立一个由临床数据收集而来的形状库，该形状库由来自不同病人的图像数据的已经分割好的形状组成，以建立这些病人的相应器官的金标准，步骤为步骤1通过对金标准表面上点的采样，将形状表面做网格化的预处理，形状库中的网格化后的形状为模型的训练数据；步骤2将网格化后的形状用稀疏形状组合模型表示，形状库中的每个形状，其对应网格上所有顶点的坐标排列成一个列向量，整个形状库得到一个矩阵D；步骤3对稀疏形状组合模型进行最优化求解得到相应参数；步骤4将求解得到的参数，通过反变换得到所需的先验形状。
文档编号G06K9/62GK102760236SQ20121007427
公开日2012年10月31日 申请日期2012年3月20日 优先权日2012年3月20日
发明者顾力栩 申请人:苏州迪凯尔医疗科技有限公司