【摘要】 本发明涉及一种医学图像分割方法，具体为手术规划系统中内脏及其内部血管的分割方法，该方法基于最小监督分类的三维内脏CT图像和其内部管状组织，制定肝实质、门静脉和肝静脉的图像分割方法，其应用统计和空间信息的方法，引入高可信点和基于灰度的快速行进的到达时间，获得分割结果，其假设在空间上相邻近的点是属于同一个人体器官，基于以上假设通过分类算法对图像进行分割计算，包括获得高斯混合分布模型参数的估计值，选取高可信点，计算出图像的灰度均值，用快速行进算法计算到达时间，得到三个组织分类的到达时间图像。本发明鲁棒性好，抗噪声干扰能力强；有效消除了累积误差；提高了分类的准确性；具有相当高的临床使用价值。 【专利类型】发明授权 【申请人】苏州迪凯尔医疗科技有限公司 【申请人类型】企业 【申请人地址】215000 江苏省苏州市江苏工业园区星湖街218号生物纳米园02幢303单元 【申请人地区】中国 【申请人城市】苏州市 【申请人区县】昆山市 【申请号】CN201210073236.9 【申请日】2012-03-20 【申请年份】2012 【公开公告号】CN102663416B 【公开公告日】2014-05-21 【公开公告年份】2014 【授权公告号】CN102663416B 【授权公告日】2014-05-21 【授权公告年份】2014.0 【IPC分类号】G06K9/62; G06T7/00 【发明人】顾力栩 【主权项内容】1.一种手术规划系统中内脏及其内部血管的分割方法，基于最小监督分类的三维内脏CT图像和其内部管状组织，制定肝实质、门静脉和肝静脉的图像分割方法，其特征在于，应用统计和空间信息的方法，引入高可信点和基于灰度的快速行进的到达时间，获得分割结果，按下述步骤：第一步，假设：属于同一个人体器官的点在医学图像中有相同或相近的灰度值，属于不同人体器官的点有不同的灰度值，首先假设不同人体器官的点的灰度值相近，并且假设在空间上相邻近的点是属于同一个人体器官的；第二步，基于以上假设通过分类算法进行计算：(1)获得高斯混合分布模型参数的估计值：先对一个待分割的三维内脏CT图像，分别选取肝实质、门静脉、肝静脉的种子点，计算出上述三类样本的均值和方差；然后，根据三维内脏CT图像的直方图中每个高斯分布定点的高度和该高斯分布的方差算得该高斯分布的面积；再后，根据各高斯分布的面积的比例设置每个高斯分布的权重，对所得高斯混合分布模型参数循环计算，得到最大的期望值，同时得到使得期望值最大的参数向量作为这个组织的实际参数的估计值；其中，获得高斯混合分布模型参数的估计值方法中：根据CT图像的直方图中每个高斯分布定点的高度和该高斯分布的方差来计算该高斯分布的面积，根据各高斯分布的面积的比例设置每个高斯分布的权重，CT图像的灰度直方图被视为一个高斯混合模型，即若干个高斯分布的加权和，其点x属于i类组织的概率 的一维数学公式为： 公式1为第个高斯分布在整个高斯混合模型中所占的比重；表示一个一维的高斯分布，其均值为，方差为；表示整个高斯混合模型的参数向量，包括各个高斯分布的均值、方差和权重，由数学公式2表示：公式2每一个高斯分布对应着CT图像中的一个组织分类，用期望值最大化算法来进行计算得到准确参数向量的估计值，假设一个由个高斯分布构成的高斯混合模型，给定的数据集中有个数据，分别是, ，引入隐性变量集C，若有，表示属于第个高斯分布，属于第个高斯分布的概率通过下述公式3计算得到： 公式3根据当前的参数向量，在给定的数据集上，对隐性数据计算对数似然率的期望值，用计算公式4表示： 公式4s.t. 然后，求出公式4的最大值，并找出使公式4达到最大值的值，采用的方式是首先根据公式4中的约束，引入拉格朗日算子λ，然后对公式进行求导，得到公式5： 公式5通过对以上公式的计算，得到当前循环中使期望值函数达到最大值的参数向量，在下一循环中，它将被当作固定值用以计算更好的参数向量，循环至最大的参数向量期望值；(2) 选取高可信点：先选择最左侧的高斯分布最左侧的点、最右侧的高斯分布最右侧的点和中间的高斯分布峰值附近的点，对于有交叠的相邻的两个高斯分布，首先计算出这两个高斯分布曲线的相交点作为界限，从两个界限之间限定的区域选取高可信点，阈值作用在两个界限之间的区域内；(3)分割：计算出肝实质、门静脉、肝静脉CT图像的灰度均值、速度图像，用快速行进算法计算到达时间，得到三个组织分类的到达时间图像，依据肝实质、门静脉、肝静脉三类不同的高可信点行进到未分类点的到达时间，根据一个设定的阈值选取新一批的高可信点，这些新的高可信点与步骤(2)的高可信点合并，得到新的高可信点，重复上述步骤，至到达循环终止条件，得到分割结果；其中，所述(3)分割中，对于每一个确定未分类点，用快速行进算法计算CT图像中的高可信点行进到未分类点的时间，速度函数用公式6表示： 公式6其中代表象素点，表示组织分类，，表示像素点χ的灰度值，表示第个分类中的高可信点的平均灰度值，当某个点的灰度值与某个分类的平均灰度值相等时，速度函数达到最大值1，当某个点的灰度值与某个分类的平均灰度值相差越大时，速度函数也会越小，这样，对于每一个分类来说，曲线在那些灰度值与该分类的平均灰度值较接近的点上运动较快，反之运动较慢，通过速度函数计算出到达时间图像不仅带有空间方面的信息，同时也带有灰度值方面的信息，到达时间通过快速行进算法来确定：将所有被曲线经过的时刻已经确定并且不再改变的网格点的集合记为A；被曲线经过的时刻都已经临时被计算出来，但是之后有可能会改变所有的像素点的集合记为T；那些被曲线经过的时刻还没有被计算的点的集合则记为F，设所有像素点组成的集合为U，U是A、T、F的并集且A、T、F两两交集为空，T集合中所有的点都是A集合中的点的邻居，快速行进算法循环地从T中找出具有最小时刻的点Xm，将点Xm移动到A中，并且对点Xm的邻域中不属于A的点记为X，将X的到达时间更新为点Xm，根据速度函数更新为点Xm的到达时间加上从点Xm到达点X的时间，如果点X属于F，则将点X移动到T中，直至到达循环终止条件，即T为空时停止循环；计算出到达时间图像之后，需要选取新的高可信点，即基于到达时间的迭代分类，故定义一个基于像素灰度值和到达的归属函数，用公式7和公式8表示： 公式7 公式8式中：是与像素点的灰度值有关的项，是与像素点的距离有关的项，表示点的灰度值，表示第个分类的平均灰度值，表示组织分类的总数，当达到最小值时，达到最大值，α是一个取值在0到1之间的权重因子，Dxc表示点到分类的距离，当Dxc达到期最小值时，达最大值，这一归属函数被应用到每一个确定还未分类的点上，然后根据一个事先设定的阈值选取新一批的高可信点，这些新的高可信点与上述步骤(2)的高可信点合并，得到新的高可信点，并带入下一次循环，如此循环直到所有的点都被分类，即得到图像分割的结果。 【当前权利人】苏州迪凯尔医疗科技有限公司 【当前专利权人地址】江苏省苏州市江苏工业园区星湖街218号生物纳米园02幢303单元 【专利权人类型】有限责任公司(自然人投资或控股) 【统一社会信用代码】9132059456434890XA 【引证次数】3.0 【他引次数】3.0 【家族引证次数】3.0 【家族被引证次数】20

未经允许不得转载：http://www.zhongzhencnc.com/1790672231.html