專利名稱：用于分割磁共振心臟圖像中左心室的變化的方法
技術(shù)領(lǐng)域：
一般而言，本發(fā)明針對用于分割心臟圖像的系統(tǒng)和方法。具體地說，本發(fā)明針對一種使用將視覺信息和解剖學(xué)約束結(jié)合的輪廓傳播模型來分割心臟左心室的系統(tǒng)和方法。視覺信息包含基于梯度向量流的邊界部分，和根據(jù)反映不同組織特性的全局明暗度屬性來區(qū)分心臟輪廓/區(qū)域的區(qū)域部分。根據(jù)心臟輪廓的相對距離，解剖學(xué)約束將連接心臟輪廓的傳播。
背景醫(yī)學(xué)圖像處理是一個(gè)不斷增長的應(yīng)用領(lǐng)域。磁共振成像(MRI)可用于提供心臟隨時(shí)間變化的三維圖像，該圖像可用于診斷。該心臟圖像可用通用計(jì)算機(jī)視覺技術(shù)進(jìn)行處理?？墒牵@些技術(shù)不能充分利用其它領(lǐng)域現(xiàn)有技術(shù)的優(yōu)點(diǎn)，如生理學(xué)，心臟病學(xué)等等。
在醫(yī)學(xué)圖像分析中心臟分割是一個(gè)大家都盡力研究的課題，因?yàn)樵摮晒泻軓?qiáng)的診斷功能。在醫(yī)學(xué)結(jié)構(gòu)的分割中，準(zhǔn)確和精確是兩個(gè)重要的需求，因此，開發(fā)了各種用于分割的邊界驅(qū)動(dòng)方法。這些方法基于邊界圖像的產(chǎn)生和連續(xù)結(jié)構(gòu)的提取，該連續(xù)結(jié)構(gòu)準(zhǔn)確說明了邊界信息。
例如，大家所熟知的“蛇”型模型是一種領(lǐng)先的框架，該框架是重要的邊界驅(qū)動(dòng)圖像分割技術(shù)的基礎(chǔ)(參看如，國際計(jì)算機(jī)視覺雜志1988年第一期321-332頁，Kass等人的“SnakesActive Contour Models(蛇型活動(dòng)輪廓模型)”)。簡要地說，蛇型模型涉及能量最小化技術(shù)，該技術(shù)尋求基于曲線的目標(biāo)函數(shù)的最低勢能。該函數(shù)是邊界圖像驅(qū)動(dòng)引力項(xiàng)和說明曲線的期望的內(nèi)部特性的項(xiàng)之間的折衷。根據(jù)最初的蛇型模型，需恢復(fù)的結(jié)構(gòu)涉及在二維或三維空間中的一組點(diǎn)，所述空間在滿足某些內(nèi)部特性的約束的同時(shí)，局部朝向期望的圖像特性的變形。盡管該最初方法可得到顯著的效果，但是該方法對于噪音或物理破壞的數(shù)據(jù)很敏感。
建議在最初的蛇型框架上使用可變形模板和參數(shù)化的蛇型模型如B型樣條和活動(dòng)外形來克服其在噪聲數(shù)據(jù)上的較差性能。因此，在分割過程之前，使用一定數(shù)量的訓(xùn)練實(shí)例來建立外形模型。該模型涉及很少參數(shù)，可以表達(dá)相當(dāng)大的一組全局和局部變形。在普通模型可以描述相當(dāng)大部分的符合條件的分割解的情況下，使用這些方法可以提高分割性能?？墒?，這些模型對于初始條件相當(dāng)敏感。
“近視”是常被用來描述蛇型模型對初始條件的依賴性的術(shù)語。該蛇型模型基于很局部的信息，因此初始條件必須和最佳解足夠接近。建議使用氣囊力(ballon force)使該模型脫離于初始條件。中心思想是引入一個(gè)不斷擴(kuò)展或收縮初始結(jié)構(gòu)的恒力。很明顯，在初始結(jié)構(gòu)或者環(huán)繞著需恢復(fù)的區(qū)域，或者被要分割的區(qū)域完全包圍的條件下，這一部分對最初的模型有好處?？墒牵瑢τ谝话汜t(yī)學(xué)圖像分割應(yīng)用而言，這一條件卻不容易被滿足。
為了克服這些約束，也考慮并廣泛研究局部/全局信息的使用。演進(jìn)的輪廓用來定義由兩個(gè)區(qū)域組成的圖像劃分。內(nèi)部區(qū)域是指要被恢復(fù)的區(qū)域，外部區(qū)域是指所述圖像的其余部分(背景)。然后，使用全局同質(zhì)局部屬性來區(qū)分重要區(qū)域和背景?？梢允褂眠B續(xù)概率密度函數(shù)為這些特性建立模型，該函數(shù)被根據(jù)最新分割圖自動(dòng)更新。
基于邊界的醫(yī)學(xué)圖像分割技術(shù)的演進(jìn)形成了一組模塊，所述模塊使得初始結(jié)構(gòu)(點(diǎn)集)向著期望的圖像特性變形。基于這些考慮，很明顯該分割結(jié)果將必然依賴于初始結(jié)構(gòu)確定的參數(shù)化(位置、控制點(diǎn)數(shù)等等)。另外，用于重新對演進(jìn)中的結(jié)構(gòu)參數(shù)化的技術(shù)也將在分割過程中起重要作用。盡管使用各種技術(shù)來處理這些問題，但是這種依賴性對于圖像分割方法來說是不正常的。
使用水平集表示作為用于演進(jìn)的界面的一種可選的(針對拉格朗日)技術(shù)。這些表示對于計(jì)算機(jī)視覺中變化框架的實(shí)施來說是一個(gè)共同的選擇。使用連續(xù)的更高維的零水平集函數(shù)表示該演進(jìn)的輪廓。這種表示可以是固有的，性質(zhì)的，免參數(shù)和拓?fù)涞?。使用用于演進(jìn)界面的水平集方法導(dǎo)致了用于圖像分割的邊界驅(qū)動(dòng)方法的擴(kuò)展。
正如該領(lǐng)域內(nèi)所熟知的，測地活動(dòng)輪廓是指作為針對最初蛇型模型的幾何可選方案被引入的最優(yōu)化框架。這一模型的主要優(yōu)點(diǎn)在于它隱含的參數(shù)化，所述隱含的參數(shù)化可導(dǎo)致拓?fù)渥兓?合并/分離)的自然處理(通過水平集)。
還有一種措施是使用水平集表示實(shí)施將邊界驅(qū)動(dòng)流和全局區(qū)域明暗度信息以及它們的實(shí)現(xiàn)加以組合。然后，分割程序變得相當(dāng)獨(dú)立，不受初始條件的約束。當(dāng)可以使用全局區(qū)域信息處理任意初始條件時(shí)，可以通過水平集表示來處理拓?fù)渥兓?。在結(jié)構(gòu)非常復(fù)雜并且是由多個(gè)部分組成的醫(yī)學(xué)圖像處理中，上述方法非常重要?？墒牵?dāng)需要處理噪聲和不完全數(shù)據(jù)時(shí)，所述方法仍然遭受穩(wěn)健性的困擾。另外，這些方法不能充分利用如下的現(xiàn)有形狀知識(shí)的優(yōu)點(diǎn)，該知識(shí)可以從與要被分割的醫(yī)學(xué)結(jié)構(gòu)有關(guān)的生理學(xué)中獲得。
為解決該約束，已經(jīng)作出了一些努力。例如，現(xiàn)有形狀知識(shí)已經(jīng)被引入到測地活動(dòng)輪廓模型。在另一種方法中，將一個(gè)形狀影響項(xiàng)和邊界及區(qū)域驅(qū)動(dòng)的視覺信息組合起來，以便進(jìn)一步增加基于水平集的方法針對噪聲和不完全數(shù)據(jù)的穩(wěn)健性。人們可以要求使用蛇型模型和可變形模板滿足該目的。
許多醫(yī)學(xué)應(yīng)用都包含同時(shí)提取以約束方式(生理學(xué))被置于圖像平面中的多個(gè)結(jié)構(gòu)。根據(jù)感興趣結(jié)構(gòu)的相對位置，這些高級(抽象)約束可被轉(zhuǎn)換成低級分割模塊。例如，根據(jù)大腦的一些物理屬性，一種用于皮層分割的方法考慮到兩個(gè)輪廓的約束(連接)傳播。
如上所述，磁共振成像(MRI)提供了心臟隨時(shí)間變化的三維成像法(imagery)。為幫助診斷疾病，內(nèi)科醫(yī)生們對識(shí)別心室，心內(nèi)膜和心外膜很感興趣。另外，測量心動(dòng)周期不同階段的心室血量，心室壁質(zhì)量，心室壁運(yùn)動(dòng)和壁厚特性是一項(xiàng)富有挑戰(zhàn)的任務(wù)。左心室特別重要，因?yàn)樗鼘⒑跹獜男呐K泵到整個(gè)身體的遠(yuǎn)距離組織。
有一些用于心臟分割的方法。例如，Argus是一種西門子通過MRease工作站商品化的心臟磁共振MR分析包，該工作站連接在磁共振“MAGNETOM”系統(tǒng)上。該系統(tǒng)可自動(dòng)執(zhí)行3D/4D數(shù)據(jù)集的分割(不同時(shí)間的體積切片)。該分割算法包含三個(gè)不同模塊并且在如下參考文獻(xiàn)中有所闡述，所述文獻(xiàn)即在2001年加拿大Vancouver的IEEE計(jì)算機(jī)視覺國際會(huì)議，M.Jolly的“Combining Edge Region and ShapeInformation to Segment the Left Ventricle in Cardiac MRImages(將邊緣區(qū)域和形狀信息合成以分割在心臟磁共振圖像中的左心室)”。自動(dòng)定位模塊能夠最大辨別地近似確定出新圖像中的心肌層位置。該系統(tǒng)通過使心臟正負(fù)例子分布的Kullbach距離最大化來獲悉心臟的灰度級方面(被建立成馬爾可夫鏈模型)。局部變形過程從一個(gè)近似輪廓開始，并使用Dijktra的最短路徑算法對它進(jìn)行變形。在近似輪廓周圍的遞增尺寸的搜索空間內(nèi)多次迭代地施加該算法，因此加強(qiáng)了好的邊緣而弱化了模糊邊緣。然后使用圖形切割算法以便最終選擇作為心內(nèi)膜的一部分的最好的邊緣片。通過將樣條曲線擬合到由Dijsktra的算法勾畫出的邊緣點(diǎn)，來獲得心外膜。最后傳播模塊負(fù)責(zé)針對局部變形提供一個(gè)近似的起點(diǎn)。
發(fā)明簡述本發(fā)明針對用于分割心臟圖像的系統(tǒng)和方法，特別針對心臟的左心室。優(yōu)選地，使用一種水平集方法來分割磁共振MR心臟圖像，所述方法以兩個(gè)心臟輪廓的連接傳播為基礎(chǔ)。一種優(yōu)選的分割方法將視覺信息和解剖學(xué)約束結(jié)合起來。優(yōu)選地，該視覺信息是通過(i)基于梯度向量流的邊界部分和(ii)如下區(qū)域項(xiàng)表示的，該區(qū)域項(xiàng)根據(jù)反映不同組織屬性的全局明暗度屬性來區(qū)別心臟輪廓/區(qū)域。根據(jù)心臟輪廓的相對距離，使用解剖學(xué)約束來連接心臟輪廓的傳播。優(yōu)選地根據(jù)一種快速穩(wěn)定的數(shù)值逼近方案，優(yōu)選地是附加算子分離，使用水平集方法實(shí)現(xiàn)作為結(jié)果的運(yùn)動(dòng)方程。
本發(fā)明的一個(gè)方面，用于分割心臟圖像的方法包含接收心臟圖像，使用梯度向量流邊界方法確定心臟圖像中一個(gè)或多個(gè)輪廓的邊界信息，和確定區(qū)域信息以便根據(jù)全局明暗度參數(shù)區(qū)分心臟圖像中的區(qū)域。當(dāng)應(yīng)用解剖學(xué)約束以便根據(jù)輪廓的相對距離來連接輪廓傳播時(shí)，應(yīng)用一種合成邊界和區(qū)域信息的傳播模型，以便將每個(gè)輪廓傳播到心臟圖像中的目標(biāo)邊界。
本發(fā)明的另一方面，該目標(biāo)邊界包含心臟左心室的心內(nèi)膜和心外膜。
本發(fā)明的另一方面，該傳播模型的邊界部分優(yōu)選地以使用梯度向量流擴(kuò)展測地活動(dòng)輪廓模型為基礎(chǔ)。
本發(fā)明的另一方面，該傳播模型包含邊界分割模型，區(qū)域模型和連接函數(shù)的加權(quán)的集成。
本發(fā)明的另一方面，解剖學(xué)約束包含如下的活動(dòng)連接函數(shù)，該活動(dòng)連接函數(shù)用于保存演進(jìn)的輪廓的確定拓?fù)洹?br> 在以下對優(yōu)選實(shí)施例的詳細(xì)描述和附圖中，將闡述本發(fā)明的這些和那些方面，特征和優(yōu)點(diǎn)，或?qū)⒆兊煤芮逦?br> 附圖簡述

圖1a和1b是心臟圖像的例圖，其中圖1a是描述左心室的一部分的心臟圖像例圖，圖1b說明了左心室的感興趣的輪廓。
圖2是根據(jù)本發(fā)明的一個(gè)實(shí)施例，用于分割心臟圖像的系統(tǒng)的方框圖。
圖3a，b，c是說明一種根據(jù)本發(fā)明的邊界分割方法的例圖，其中圖3a是描述左心室的心臟圖像的例圖，圖3b是說明圖像中檢測到的邊緣(如邊緣檢測器所檢測的)的例圖，和圖3c是說明圖像的梯度向量流表示的例圖。
圖4是說明基于概率密度的區(qū)域分割方法的例圖。
圖5是根據(jù)本發(fā)明的一個(gè)實(shí)施例，用于分割心臟圖像的方法的流程圖。
圖6(a)-6(h)是說明根據(jù)本發(fā)明，在分割過程期間傳播兩個(gè)輪廓以集中心內(nèi)膜和心外膜邊界的例圖。
優(yōu)選實(shí)施例的詳細(xì)描述一般而言，本發(fā)明針對用于磁共振MR成像法的心臟分割。目的在于恢復(fù)左心室，特別是如下心肌層，心肌層是在心外膜(即心包膜(心臟周圍的囊)的最內(nèi)層)和心內(nèi)膜(排列在心臟空洞上的薄內(nèi)膜)之間的區(qū)域。圖1中示出了根據(jù)本發(fā)明的分割應(yīng)用的前后關(guān)系。
圖1a是心臟的二維圖像例圖，具體地說是顯示左心室橫截面的二維心臟切片。圖1中的暗環(huán)描述了組成左心室壁的心肌層(肌肉)。根據(jù)本發(fā)明的一個(gè)優(yōu)選實(shí)施例，作為一種三形態(tài)圖像分割應(yīng)用(i)心內(nèi)膜RI，(ii)心肌層RO-RI，(iii)背景I-RO，分割方法基于如圖1b所示的兩個(gè)演進(jìn)界面，心內(nèi)膜(RI-內(nèi)輪廓)或心肌層內(nèi)壁(以I表示)和心外膜(RO-外輪廓)或心肌層外壁(以O(shè)表示)。我們回憶RO是心外膜區(qū)域，也包括心內(nèi)膜區(qū)域。
盡管磁共振MR成像法的質(zhì)量優(yōu)于其它醫(yī)學(xué)形式(CT，超聲波等等)，但是和該考慮的應(yīng)用有關(guān)的視覺信息可能會(huì)導(dǎo)致誤解，物理損壞，有時(shí)會(huì)不完全。因此，假如處理時(shí)不考慮專用約束，它就可能導(dǎo)致非最佳效果。有以下幾個(gè)原因。一是因?yàn)樾膬?nèi)膜中乳突狀肌肉的存在。如圖1中清楚地顯示，盡管該乳突狀肌肉是心內(nèi)膜的一部分，但它們涉及不同的視覺屬性。結(jié)果，邊界(因?yàn)楹軓?qiáng)的邊緣)和區(qū)域(因?yàn)槊靼刀炔灰恢?驅(qū)動(dòng)的分割模塊將不能將該肌肉恢復(fù)為心內(nèi)膜的一部分。
右心室的明暗度特性和心肌層的明暗度特性不同，因此可以很容易地檢測共同邊界?？墒牵瑓^(qū)別心肌層和非心臟部分(根據(jù)視覺信息)不總是可行的。和乳突狀肌肉情況相反，一些心臟實(shí)體和心外膜之間沒有任何邊界。因此，邊界以及全局明暗度驅(qū)動(dòng)的模塊可能不能提供近似的分割圖。
根據(jù)本發(fā)明的一個(gè)優(yōu)選實(shí)施例，為了解決上述局限性和物理損壞視覺信息，作以下假設(shè)(1)兩個(gè)心臟輪廓，心內(nèi)膜和心外膜都是平滑的；(2)心外膜(除了乳突狀肌肉外)和心肌層的明暗度特性非常不同，沿著它們的邊界存在很強(qiáng)的不連續(xù)性(高梯度)；和(3)如圖1b所示，內(nèi)輪廓(I)和外輪廓(O)之間法線方向(測地路徑)上的距離相對恒定。
一般而言，根據(jù)本發(fā)明的系統(tǒng)和方法包含一種三形態(tài)分割框架，該框架確定兩個(gè)輪廓，心內(nèi)膜輪廓和心外膜輪廓的傳播。在示例應(yīng)用中，感興趣區(qū)域(ROI)包含心內(nèi)膜和心外膜輪廓之間的區(qū)域，即心肌層(如圖1b中示出)。
根據(jù)本發(fā)明的一個(gè)優(yōu)選實(shí)施例的分割過程是基于集成視覺信息和解剖學(xué)約束的幾何流的。優(yōu)選地，該視覺信息是通過(i)邊界驅(qū)動(dòng)的部分和(ii)基于全局區(qū)域的分割模塊表達(dá)的。和傳統(tǒng)的分割方法不同，根據(jù)本發(fā)明的分割過程優(yōu)選地使用雙向流，該雙向流不受初始條件影響，并可從任一側(cè)捕獲對象邊界。區(qū)域部分包含分組模塊，該模塊優(yōu)選地區(qū)別心外膜，心內(nèi)膜和背景之間的明暗度特性。通過EM算法全局地評估這些特性并自動(dòng)更新它們。
優(yōu)選地，使用解剖學(xué)約束來處理具有易誤解的視覺信息的感興趣區(qū)域的部分。特別地，基于心臟解剖學(xué)的先驗(yàn)知識(shí)，使用連接模型來約束心外膜和心內(nèi)膜輪廓的相對位置。優(yōu)選地，采用一種快速穩(wěn)定的數(shù)值技術(shù)，附加算子分離，使用水平集表示來實(shí)現(xiàn)作為結(jié)果的運(yùn)動(dòng)方程。極好的試驗(yàn)結(jié)果驗(yàn)證了根據(jù)本發(fā)明的分割過程的優(yōu)點(diǎn)和準(zhǔn)確性。
需要理解的是這里描述的根據(jù)本發(fā)明的系統(tǒng)和方法可以以不同形式的硬件，軟件，固件，專用計(jì)算機(jī)，或其組合來實(shí)現(xiàn)。優(yōu)選地，本發(fā)明采用作為應(yīng)用的如下軟件來實(shí)現(xiàn)，所述軟件包含如下程序指令，所述程序指令確實(shí)地被包括在一個(gè)或多個(gè)程序存儲(chǔ)設(shè)備(如，軟磁盤，RAM，CD ROM，ROM等等)上，并可由包含合適體系結(jié)構(gòu)的任何設(shè)備或機(jī)器加以執(zhí)行。另外還需了解，因?yàn)楦綀D中描述的組成系統(tǒng)的模塊和方法步驟優(yōu)選地通過軟件執(zhí)行，所以根據(jù)本發(fā)明被編程的方式不同，系統(tǒng)部件之間的實(shí)際連接(或過程步驟的流程)會(huì)有所不同。根據(jù)這里的描述，本領(lǐng)域的普通技術(shù)人員將能夠想到本發(fā)明的這些和類似的實(shí)現(xiàn)和配置。
圖2是根據(jù)本發(fā)明的一個(gè)實(shí)施例，用于分割心臟圖像的系統(tǒng)10的方框圖。需要了解，盡管這里描述的優(yōu)選實(shí)施例針對分割心臟左心室，但是本發(fā)明的原理可以與其它解剖部分有關(guān)的圖像分割方法一起實(shí)現(xiàn)。
系統(tǒng)10處理心臟圖像數(shù)據(jù)11，該數(shù)據(jù)優(yōu)選地使用MRI方法捕獲。使用MRI捕獲的該視覺信息在MR序列中是高質(zhì)量且很準(zhǔn)確的。該系統(tǒng)10包含一種多形態(tài)分割框架，該框架基于兩個(gè)輪廓，心內(nèi)膜輪廓和心外膜輪廓的傳播。由邊界分割模塊12和區(qū)域/明暗度分割模塊13處理心臟圖像數(shù)據(jù)11。
在一個(gè)優(yōu)選實(shí)施例中，該邊界驅(qū)動(dòng)分割模塊11實(shí)施如下的邊界模型，該邊界模型是眾所周知的測地活動(dòng)輪廓模型的擴(kuò)展，該模型用于確定最好地考慮了希望的圖像特性的最小長度測地曲線。傳統(tǒng)測地活動(dòng)輪廓的關(guān)鍵局限性在于它高度依賴于初始條件。根據(jù)本發(fā)明，為克服該局限性，該測地活動(dòng)輪廓流與二維邊界域，即GVF(梯度向量流)相集成。該二維邊界域是指與如下最佳流相類似的結(jié)構(gòu)，所述最佳流指向到達(dá)心臟邊界所遵循的方向。如以下論證的，本發(fā)明的邊界驅(qū)動(dòng)分割模塊12的作為結(jié)果的流保證了演進(jìn)界面的規(guī)律性，并且能夠從任何一側(cè)都可到達(dá)心臟邊界。
該區(qū)域/明暗度分割模塊13產(chǎn)生全局/局部信息，以更使得邊界驅(qū)動(dòng)分割過程12的性能更穩(wěn)健。優(yōu)選地，使用區(qū)域項(xiàng)來提供如下分割圖，所述分割圖最好使用某些先驗(yàn)技術(shù)對圖像特性進(jìn)行分組(所述區(qū)域項(xiàng)例如在希臘Corfu的IEEE國際計(jì)算機(jī)視覺會(huì)議926-932頁P(yáng)aragios等人的“Geodesic Active Regions for SupervisedTexture Segmentation(IEEE用于受監(jiān)督的紋理分割的測地活動(dòng)區(qū)域)”中所描述的，在此引入以供參考)。優(yōu)選地，根據(jù)觀察的圖像密度函數(shù)(柱狀圖)和期望值最小化(EM)算法來確定這樣的特性。這一區(qū)域部分的最小化導(dǎo)致了幾何流，該幾何流可處理噪聲/損壞數(shù)據(jù)，并且不受初始條件影響。
另外，因?yàn)橛伤鰬?yīng)用(如乳突狀肌肉)的性質(zhì)所提供的易誤解的視覺信息，該系統(tǒng)10還包含解剖學(xué)模塊15，該模塊實(shí)施連接函數(shù)，以約束心內(nèi)膜和心外膜界面的相對位置。這一約束的實(shí)施導(dǎo)致了如下雙向流，該雙向流以法線方向傳播心臟輪廓，其中該傳播將它們的距離保持在一些給定的限值內(nèi)。
每個(gè)系統(tǒng)部分12，13和15都趨向于通過根據(jù)各自基礎(chǔ)模型部分產(chǎn)生作用力來傳播一些輪廓。換句話說，對于輸入的心臟圖像的每個(gè)相關(guān)像素而言，每個(gè)模型(邊界，區(qū)域，解剖學(xué)的)將與由該模型確定的優(yōu)先測量相關(guān)聯(lián)，該優(yōu)先測量將用于使得所述傳播沿著法線方向朝著最佳解驅(qū)動(dòng)。
該系統(tǒng)包含集成模塊14，該模塊集成數(shù)據(jù)驅(qū)動(dòng)(視覺信息)和解剖學(xué)約束，并導(dǎo)致用于左心室分割的最終幾何流。更具體地說，在一個(gè)優(yōu)選實(shí)施例中，作為結(jié)果的幾何流的解是通過在同一平臺(tái)上集成模型(邊界，區(qū)域，解剖學(xué)的)而獲得的，在該平臺(tái)上所述解包含這些模型的加權(quán)合成。
作為結(jié)果的解包含兩個(gè)輪廓，一個(gè)對應(yīng)內(nèi)輪廓(心內(nèi)膜)，一個(gè)對應(yīng)外輪廓(心外膜)。圖像再現(xiàn)單元16用來根據(jù)圖像數(shù)據(jù)11再現(xiàn)估計(jì)的輪廓。
邊界部分根據(jù)本發(fā)明的優(yōu)選實(shí)施例，以下詳細(xì)描述了邊界驅(qū)動(dòng)模塊12和基礎(chǔ)模型。
邊界驅(qū)動(dòng)分割模塊12優(yōu)選地實(shí)施作為測地活動(dòng)輪廓模型的擴(kuò)展的模型。該測地活動(dòng)輪廓假定一些邊界信息的存在。根據(jù)該模型，該考慮的應(yīng)用的最佳分割圖由兩個(gè)界面(一個(gè)對應(yīng)心內(nèi)膜和一個(gè)對應(yīng)心外膜)而加以確定，所述兩個(gè)界面最小化以下的目標(biāo)函數(shù) 其中RI(c)，RO(c)分別是心內(nèi)膜和心外膜邊界的平面參數(shù)，g()是正單調(diào)遞減函數(shù)(如高斯函數(shù))。
使用變分計(jì)算和用于使上述函數(shù)最小化的梯度下降法，可以獲得以下運(yùn)動(dòng)方程(位置u)，以便使心內(nèi)膜和心外膜向著最佳解傳播 其中NI和NO分別是該演進(jìn)的內(nèi)界面和外界面的內(nèi)向法線，K是曲率。
獲得的運(yùn)動(dòng)方程(2)有簡單的解釋。它們將(兩個(gè))初始輪廓向著由曲率效應(yīng)約束的心臟邊界收縮。這種流可以通過使用水平集表示來加以實(shí)現(xiàn)。作為結(jié)果的流可以適應(yīng)拓?fù)涞淖兓恍枰跏紬l件處在最佳解的鄰區(qū)(它們可以遠(yuǎn)到滿足一些具體約束)。由測地活動(dòng)輪廓流的性質(zhì)強(qiáng)加這些約束。該數(shù)據(jù)驅(qū)動(dòng)項(xiàng)傾向于使得所述界面向著心臟邊界收縮(或者假如初始條件保守的話則使之?dāng)U展)。因此，初始輪廓必須完全在需恢復(fù)的區(qū)域內(nèi)，或者必須包圍該區(qū)域。這一要求降低了傳統(tǒng)測地活動(dòng)輪廓模型的可用性。
將要理解的是，根據(jù)本發(fā)明的一個(gè)實(shí)施例，通過使用GVF(梯度向量流)，可以解決傳統(tǒng)測地活動(dòng)輪廓模型的這一局限性。在美國專利申請系列號(hào)No.＿＿(代理人文檔號(hào)2001P09086US)，名為“GradientVector Flow Fast Geodesic Active Contour(梯度向量流快速測地活動(dòng)輪廓)”中詳細(xì)討論了GVF，該申請同此案一起提出，在此共同指定并被引入以供參考。簡要地說，GVF涉及用來從任意一側(cè)捕獲心臟邊界并可處理凹面區(qū)域的二維區(qū)域的定義。為引入該流，首先定義基于連續(xù)邊緣的信息空間。優(yōu)選地，高斯邊緣檢測器(零平均值，σE方差)是基于以下梯度圖像實(shí)現(xiàn)的g(p)=12πσEe-|▿(Gσ*I)(p)|22σE2,f(p)=1-g(p)--(3)]]>其中[Gσ*I]表示高斯內(nèi)核同輸入的卷積(平滑)。
GVF涉及二維邊界驅(qū)動(dòng)域[v(p)＝(a(p)，b(p))，p＝(x，y)]，通過最小化以下目標(biāo)函數(shù)可恢復(fù)該二維邊界驅(qū)動(dòng)域E(v)=∫∫μ(ax2+ay2+bx2+by2)+|▿f|2|v▿f|2dxdy--(4)]]>其中μ是合成參數(shù)。大家可以試著解釋該函數(shù)當(dāng)缺少邊界信息[|f|≈0]時(shí)，能量受控于該域的偏導(dǎo)數(shù)，導(dǎo)致該域和平滑圖的擴(kuò)散。另一方面，當(dāng)觀測到邊界空間上的變化[|f|很大]時(shí)，控制能量的項(xiàng)值是第二位的，導(dǎo)致v＝f。在美國Puerto Rico的IEEE計(jì)算機(jī)視覺和模式識(shí)別會(huì)議66-71頁Xu等人的“Gradient Vector FlowA newExternal Force for Snakes(梯度向量流蛇型模型的新外力”)上可以找到詳細(xì)解釋。
最初的GVF目標(biāo)函數(shù)的一個(gè)局限在于并不直接使用邊界信息(邊界梯度影響流)。結(jié)果，因?yàn)檫吔缧畔⒌臄U(kuò)散，強(qiáng)邊緣和弱邊緣可以對該域具有相似的貢獻(xiàn)(假定它們的梯度是可比的)。具有優(yōu)勢的是，根據(jù)本發(fā)明，為解決這種局限，將目標(biāo)函數(shù)(4)作以下修改E(v)=∫∫μ(ax2+ay2+bx2+by2)+f|▿f|2|v-▿f|2dxdy]]>
(5)這種修改可以導(dǎo)致能夠克服弱(噪聲)邊緣的擴(kuò)散方程，并保證邊界信息的合理擴(kuò)散，其中強(qiáng)邊界可以補(bǔ)償弱邊界產(chǎn)生的流。
使用變分計(jì)算可以將目標(biāo)函數(shù)(5)最小化，得到以下擴(kuò)散方程dvdt(p)=m▿2v(p)-f(p)(v(p)-▿f(x,y))|▿f(p)|2--(6)]]>方程(6)優(yōu)選地用于估算梯度向量流。根據(jù)該偏微分方程(PDE)(6)，將首先在具有重要邊界信息的圖像位置中定義/估算該域，并將該域逐漸傳播到遠(yuǎn)離該邊界的區(qū)域。當(dāng)該流收斂時(shí)，該域?qū)P(guān)于最優(yōu)地到達(dá)心臟邊界所遵循的方向的信息。然后，人們可以將GVF域規(guī)一化[v^(p)=v(p)|v(p)|].]]>作為結(jié)果的二維流和光學(xué)流類似，可以用于定義一種新的邊界驅(qū)動(dòng)外力。由該部分提供的信息主要是有前后關(guān)系的，通?？梢詮娜我庖粋?cè)指向心臟邊界。在圖3中描述了GVF。具體地說，圖3a是輸入圖像的例圖，圖3b說明了由邊緣檢測器檢測到的相應(yīng)的邊界信息，圖3c說明了相應(yīng)的梯度向量流。
在上面提到的Xu等人的“Gradient Vector FlowA new ExternalForce for Snakes(梯度向量流蛇型模型的新外力)”中建議了基于蛇型的雙向幾何流的基礎(chǔ)域。和最初的蛇型模型相比，他們的方法表現(xiàn)出很多優(yōu)點(diǎn)，而與此同時(shí)又都有重要的局限性拉格朗日實(shí)現(xiàn)?？墒?，如果給定應(yīng)用環(huán)境，側(cè)這不是一個(gè)重要限制。事實(shí)上，根據(jù)本發(fā)明，左心室分割問題涉及凸起的單種子區(qū)域(心外膜，心內(nèi)膜)的恢復(fù)，因此不要求對拓?fù)渥兓M(jìn)行處理(這是拉格朗日方法的局限性)。
應(yīng)當(dāng)理解，根據(jù)本發(fā)明的一種分割方法方便地使得能夠改變演進(jìn)的界面的拓?fù)?。?yōu)選地，使用多種子可以更好地初步估計(jì)心內(nèi)膜和心外膜的全局/區(qū)域明暗度特性。因此，可以取得準(zhǔn)確的分割結(jié)果。
另外，如以下進(jìn)一步詳細(xì)解釋的，解剖學(xué)約束優(yōu)選地基于心內(nèi)膜和心外膜界面之間的距離，使用水平集表示是一種用于估計(jì)該距離的優(yōu)選方法。另外，心臟輪廓的幾何屬性可以通過這種水平集表示被進(jìn)行性質(zhì)上的估計(jì)。
記住，該規(guī)一化的GVF涉及到達(dá)目標(biāo)邊界所遵循的方向。因此，如果給定該演進(jìn)界面的最新位置，則到達(dá)心臟邊界的最佳軌跡(從視圖的環(huán)境來看)將沿著GVF的方向移動(dòng)。
基于上述討論，根據(jù)本發(fā)明的一個(gè)實(shí)施例的分割方法確定了一種用于心內(nèi)膜和心外膜的、按照該規(guī)一化的GVF的(、基于測地活動(dòng)輪廓的)前后傳播，其中該傳播發(fā)生在法線方向，并且基于在給定位置[u]的界面法線和GVF向量的內(nèi)積 該運(yùn)動(dòng)方程式(7)沿著指向輪廓邊界的方向，移動(dòng)左心室的內(nèi)界和外界(即心內(nèi)膜，心外膜)的輪廓。該運(yùn)動(dòng)方程沿著基于邊界位置的兩個(gè)方向中的一個(gè)移動(dòng)輪廓。更具體地說，對該運(yùn)動(dòng)方程(7)作以下解釋。當(dāng)GVF指向外且法線向量有相同或相反的方向時(shí)，該演進(jìn)的界面最大地?cái)U(kuò)展。相反，當(dāng)GVF指向內(nèi)且單位法線向量有相同或相反方向時(shí)，該心臟輪廓最大地收縮。另外，當(dāng)GVF與法線相切時(shí)，界面位置不被更新。
運(yùn)動(dòng)方程(7)不考慮視覺信息。GVF的規(guī)一化引起了前后邊界驅(qū)動(dòng)的信息。高梯度和強(qiáng)邊緣的像素涉及與在這一信息不存在的地方的具有高梯度和強(qiáng)邊緣的相類似的實(shí)體。在測地活動(dòng)輪廓流的例子之后，我們可引入以下的圖像驅(qū)動(dòng)的邊界信息 當(dāng)邊界信息不存在時(shí)，設(shè)計(jì)好的流表現(xiàn)出一種前后關(guān)系的傳播，這一傳播能夠從任意一側(cè)到達(dá)心臟邊界。另一方面，因?yàn)榧俣ㄒ呀?jīng)恢復(fù)心臟邊界是部分令人滿意的(強(qiáng)邊緣)，所以圖像驅(qū)動(dòng)邊界信息的存在會(huì)降低GVF的共享。
內(nèi)部約束是蛇型模型和其它邊界驅(qū)動(dòng)分割流的關(guān)鍵部分。這些約束可以保證演進(jìn)界面的規(guī)律性和用于實(shí)現(xiàn)該相應(yīng)流的許多方法的穩(wěn)定性。
根據(jù)本發(fā)明的基于GVF的邊界分割流不考慮這種類型的約束。事實(shí)上，人體心臟是一個(gè)物質(zhì)實(shí)體，該物質(zhì)實(shí)體包含時(shí)間和空間上的平滑結(jié)構(gòu)。如果沒有觀察到不正常的條件，則這一先驗(yàn)知識(shí)就被投入到和由內(nèi)部約束產(chǎn)生的模塊相類似的低水平分割模塊中。在測地活動(dòng)輪廓的例子之后，彎曲部分優(yōu)選地用來施加內(nèi)部約束，并將先驗(yàn)的抽象知識(shí)轉(zhuǎn)化成低水平分割模塊(使用心臟形狀的先驗(yàn)?zāi)Ｐ图s束可以是引入這一知識(shí)的更合適的方式)。在以下方程中，基于輪廓是平滑的這一假設(shè)，施加約束 其中α是一個(gè)合成常數(shù)。項(xiàng)(1-α)KI(u)強(qiáng)加了一個(gè)約束，即輪廓是平滑的，項(xiàng)α(v^(u)·NI(u))]]>表示輪廓向著輪廓邊界的移動(dòng)。
概括來說，通過結(jié)合測地活動(dòng)輪廓和梯度向量流，根據(jù)本發(fā)明的一個(gè)實(shí)施例的邊界驅(qū)動(dòng)心臟分割方法可以方便地處理任意初始條件，并能處理拓?fù)渥兓?br> 統(tǒng)計(jì)區(qū)域部分以下是對根據(jù)本發(fā)明優(yōu)選實(shí)施例的區(qū)域/明暗度模塊13和基礎(chǔ)模型的詳細(xì)討論。一般而言，基于區(qū)域/明暗度的分割方法優(yōu)選地依賴于空間定位特征和屬性的一致性。根據(jù)本發(fā)明，左心室分割問題滿足這一準(zhǔn)則。該區(qū)域/明暗度模塊13之后的中心思想是使用演進(jìn)界面來定義如下圖像劃分，該圖像劃分相對于某個(gè)分組準(zhǔn)則來說是最佳的。在醫(yī)學(xué)成像中，觀測到的明暗度取決于相應(yīng)的被映射的組織的屬性。
另外，對于左心室的MR序列而言，假定存在三種群體(i)血液(亮)，(ii)肌肉(灰)和(iii)充滿空氣的肺(深灰)。這些群體的特性隨著空間和時(shí)間而變化，但是它們的明暗度屬性可以被相當(dāng)好地區(qū)別開來。因此，觀察到的心外膜區(qū)域的分布(柱狀圖)可以認(rèn)為是三部分的混合模型(假定是高斯型的)。假定pI表示心內(nèi)膜密度函數(shù)，pO表示心肌層密度函數(shù)，pB表示心臟器官的其余部分(背景)的密度函數(shù)。那么，我們定義p(I)＝PIpI(I)+POpO(I)+PBpB(I)(10)其中PI，PO和PB是心內(nèi)膜，心肌層和背景的假設(shè)的先驗(yàn)概率?？梢允褂闷谕底畲蠡瓌t來估算該基礎(chǔ)模型的未知參數(shù)。圖4是根據(jù)三個(gè)假設(shè)，說明視覺信息的統(tǒng)計(jì)學(xué)模型(柱狀圖)的例圖。給定一個(gè)心臟圖像，該圖像的希望區(qū)域被通過計(jì)算該區(qū)域的柱狀圖來加以處理，以便獲得密度。在一個(gè)實(shí)施例中，我們假定心內(nèi)膜是亮的，肌肉是灰的，而背景是黑的(如圖4a所示)。在圖4b的示例柱狀圖中，曲線C1是在圖像中觀察到的總體數(shù)據(jù)，曲線C4代表用于心內(nèi)膜的假設(shè)，曲線C3代表用于心肌層的假設(shè)，曲線C2代表用于背景的假設(shè)。
概率密度函數(shù)是基于區(qū)域的劃分模塊13的基礎(chǔ)。后驗(yàn)分割概率的最大化可以被認(rèn)為是最優(yōu)化準(zhǔn)則E(∂RI,∂RO)=]]> 其中r()是正單調(diào)遞減函數(shù)，如高斯型的。在方程(11)中定義的模型被用于區(qū)別不同的部分。對于本領(lǐng)域的普通技術(shù)人員來說，該定義的模型的解釋是很顯然的。視覺信息必須最大地支持分割圖。因此，和一些視覺信息相關(guān)聯(lián)的一個(gè)給定的像素，當(dāng)且僅當(dāng)它被根據(jù)不同假設(shè)[pI，pO，pB]的概率法則分配到最有可能的標(biāo)簽時(shí)，才有助于目標(biāo)函數(shù)的最低勢能。這種分配最小化地給目標(biāo)函數(shù)添加負(fù)載。
使用Stokes定理，變分計(jì)算和梯度下降方法，可以獲得以下運(yùn)動(dòng)方程(該方程將能量方程(11)最小化)
(12)該流(公式12)朝向分割圖(沿著法線方向)收縮或擴(kuò)展演進(jìn)界面，更好地說明了心外膜和心肌層的期望的密度屬性。另外，它可以看作是自適應(yīng)的氣囊力，該氣囊力根據(jù)觀察到的圖像特性使得演進(jìn)界面收縮或膨脹。
實(shí)現(xiàn)該區(qū)域/明暗度模塊13的好處是明顯的因?yàn)樵摶趨^(qū)域的流起到了數(shù)據(jù)驅(qū)動(dòng)的自適應(yīng)氣囊力的作用，因此該建議的方法較少依賴初始條件。可是，由于易誤解的視覺信息(由于該應(yīng)用的性質(zhì)，心外膜和背景之間基于明暗度的區(qū)分容易進(jìn)行)，可能取得次于最佳結(jié)果的結(jié)果。
根據(jù)本發(fā)明，區(qū)域驅(qū)動(dòng)流的結(jié)果(圖2的模塊13)和基于邊界GVF的分割模塊(圖2的模塊12)(經(jīng)由圖2的模塊14)被集成起來，得到以下運(yùn)動(dòng)方程 其中β和ε是合成參數(shù)。
這些方程包含三項(xiàng)第一項(xiàng)是分組部分，該部分根據(jù)要恢復(fù)的區(qū)域的全局明暗度屬性加以估算。該項(xiàng)說明了心肌層的同質(zhì)性。第二項(xiàng)是內(nèi)在部分，該部分保持了演進(jìn)界面的規(guī)律性。最后一項(xiàng)是邊界吸引部分，該部分從任意一側(cè)向著心肌層邊界傳播心臟輪廓。
解剖學(xué)部分以下是根據(jù)本發(fā)明的優(yōu)選實(shí)施例，對圖2的解剖學(xué)模型15的詳細(xì)討論。
由于心臟組織的屬性，視覺信息可能提供易誤解的分割結(jié)果。純粹基于圖像/數(shù)據(jù)驅(qū)動(dòng)技術(shù)的分割方法沒有充分利用和感興趣的醫(yī)學(xué)結(jié)構(gòu)有關(guān)的先驗(yàn)知識(shí)(如心臟生理學(xué))。根據(jù)本發(fā)明的另一方面，解剖學(xué)的先驗(yàn)知識(shí)優(yōu)選地被用作分割過程的一個(gè)部分。
在一個(gè)實(shí)施例中，使用解剖學(xué)驅(qū)動(dòng)的低水平分割過程來約束心外膜和心內(nèi)膜之間的相對位置。事實(shí)上，演進(jìn)界面涉及作為物質(zhì)實(shí)體的一部分的心臟部分，心臟結(jié)構(gòu)。假定它們的位置和它們在時(shí)間和空間上的演進(jìn)是連續(xù)的，并且是符合心臟的運(yùn)動(dòng)。
根據(jù)本發(fā)明的一個(gè)實(shí)施例，解剖學(xué)模型假定心外膜和心內(nèi)膜之間的距離在空間上(切片)和時(shí)間上(心臟周期的實(shí)例)是變化的。通過確定該距離在時(shí)間和空間上的演進(jìn)，該模塊根據(jù)它們的最短(測地)路徑連接該演進(jìn)界面。為方便這一約束限制的引入，將忽視心內(nèi)膜心外膜距離在時(shí)間上的演進(jìn)。
考慮來自心內(nèi)膜或心外膜輪廓上的一個(gè)像素(x，y)。假如d(RI，RO)是(x，y)和該演進(jìn)界面之間的最小歐幾里得距離，那么-((x，y)∈RI)→ d(RI(x，y)，RO)＝d((，y)，RO)，(14)((x，y)∈RO)→d(RIRO(x，y))＝d((x，y)，RI)(15)在美國Santa Barbara的IEEE計(jì)算機(jī)視覺和模式識(shí)別會(huì)議708-715頁Zeng等人的“Volumetric Layer Segmentation UsingCoupled Surfaces Propagation(使用連接表面?zhèn)鞑サ捏w積層分割)”中，建議在皮層分割中使用一個(gè)被動(dòng)連接項(xiàng)，取得了顯著的結(jié)果。該方法后面的中心思想是引入一個(gè)連接函數(shù)，該連接函數(shù)用于在皮層輪廓的距離超過可接受的限值時(shí)，就停止它們的傳播。可是，這是一種嚴(yán)格的限制，并不演進(jìn)心臟輪廓，而且代表一種消極的行為。
根據(jù)本發(fā)明的一個(gè)優(yōu)選實(shí)施例，使用一種活動(dòng)連接模塊，該模塊滿足用于心內(nèi)膜(內(nèi)輪廓)的以下條件(i)假如用于給定像素的從心外膜的距離在可接受的限制[m≤d(RI(u)，RO)≤M]內(nèi)，那么就滿足所述約束，不會(huì)采取行動(dòng)；(ii)假如這一距離低于可接受的最小值[d(RI(u)，RO)＜m]，那么心內(nèi)膜離心外膜非常近，并且心內(nèi)膜必須收縮以保持距離約束；和(iii) 假如這一距離超出可接受的最大值[d(RI(u)，RO)＞M]，那么心內(nèi)膜就遠(yuǎn)離心外膜，并且心內(nèi)膜必須擴(kuò)展以滿足所述距離約束。
基于這一公式化，根據(jù)本發(fā)明的一個(gè)實(shí)施例的用于心內(nèi)膜界面的連接函數(shù)優(yōu)選地定義如下 對心內(nèi)膜(外輪廓)使用相同的推理，可以獲得類似的條件(i)假如[m≤d(RI，RO(u))≤M]，那么滿足所述約束，并且不采取任何行動(dòng)；(ii)假如[d(RI，RO(u))＜m]，那么心外膜離心內(nèi)膜非常近，并且心外膜必須擴(kuò)展以保持距離約束；和(iii)假如[d(RI，RO(u)＞M]，那么心外膜遠(yuǎn)離心內(nèi)膜，并且心外膜必須收縮以滿足所述約束。
基于這些條件，根據(jù)本發(fā)明的另一個(gè)實(shí)施例的連接函數(shù)針對心外膜界面(外部輪廓)被定義成如下 優(yōu)選地實(shí)現(xiàn)(在圖2的解剖學(xué)模塊15中)連接函數(shù)(16)和(17)，以提供一個(gè)活動(dòng)解剖學(xué)模型，該活動(dòng)解剖學(xué)模型將心臟輪廓之間的距離保持在一些可接受的限值內(nèi)。該模型提供了一種活動(dòng)的傳播力，該作用力沿著法線方向朝著滿足一系列符合本發(fā)明的距離要求的位置局部演進(jìn)心臟輪廓，如下 該連接函數(shù)(18)提供許多優(yōu)點(diǎn)。例如，該連接函數(shù)可以對所希望的分割算法提供強(qiáng)的貢獻(xiàn)或柔性貢獻(xiàn)。另外，就恢復(fù)滿足所述約束的演進(jìn)界面的拓?fù)涠裕撨B接函數(shù)扮演了一個(gè)主動(dòng)的角色。這和傳統(tǒng)方法(Zeng等人)相反，傳統(tǒng)方法定義了一種嚴(yán)格的約束，該約束減少了可接受的拓?fù)?解的集合。
完全模型應(yīng)當(dāng)理解，本發(fā)明將數(shù)據(jù)驅(qū)動(dòng)(視覺信息)流和解剖學(xué)約束結(jié)合起來，以提供用于左心室分割的幾何流。根據(jù)本發(fā)明的分割模型不涉及最優(yōu)化準(zhǔn)則，但是這樣的模型充分利用了該應(yīng)用框架的優(yōu)點(diǎn)，并且使視覺信息的輸出最大化。根據(jù)本發(fā)明的一個(gè)實(shí)施例，用于分割的一個(gè)完全模型優(yōu)選地被定義如下 其中(是合成參數(shù)。這些幾何流包含四種不同的作用力，這些作用力都沿著法線的方向作用(i)說明演進(jìn)界面的內(nèi)部屬性的基于曲率的項(xiàng)；(ii)向著其真實(shí)邊界傳播心臟輪廓的邊界驅(qū)動(dòng)雙向作用力；(iii)說明心臟區(qū)域同質(zhì)性的明暗度驅(qū)動(dòng)區(qū)域作用力；和(iv)和心內(nèi)膜和心外膜的位置有關(guān)的解剖學(xué)約束。
實(shí)現(xiàn)問題拉格朗日方法是實(shí)現(xiàn)幾何流的統(tǒng)一中公共方法。這些技術(shù)采用一小組(控制)點(diǎn)來表達(dá)演進(jìn)界面(可使用關(guān)于兩個(gè)連續(xù)點(diǎn)之間的距離的統(tǒng)一取樣規(guī)則)。然后根據(jù)運(yùn)動(dòng)方程更新該控制點(diǎn)的位置。
在過去的十年期間，關(guān)于用于實(shí)現(xiàn)這些技術(shù)的數(shù)值方法取得了巨大的進(jìn)步。因此，它們是許多有良好性能的基于蛇型模型的醫(yī)學(xué)圖像分割技術(shù)的基礎(chǔ)。可是，上述這些技術(shù)在各種方面還有限制。
例如，改變所述演進(jìn)界面的拓?fù)涫抢窭嗜占夹g(shù)的一個(gè)主要的局限性。已經(jīng)提出了一些方法來克服這一局限性，為涉及曲線和表面的幾何流提供良好的性能，但是上述方法卻不能推廣到更高維。另一個(gè)局限性是估計(jì)幾何屬性如該演進(jìn)表面的法線和曲率。通常需重新對演進(jìn)結(jié)構(gòu)參數(shù)化。根據(jù)取樣規(guī)則進(jìn)行重新參數(shù)化。因此該界面特性的估計(jì)高度地依賴于這一規(guī)則。
水平集表示是在拉格朗日方法的候選項(xiàng)，(參看，例如計(jì)算物理學(xué)雜志79期，12-29頁，Osher等人的“Fronts Propagating WithCurvature-Dependent SpeedAlgorithms based on theHamilton-Jacobi Formulation“以由曲率決定的速度進(jìn)行的前向傳播基于Hamilton-Jacobi公式的算法”，在此引入以供參考)。該方法后面的中心思想是將該演進(jìn)界面RI(u；t)，RO(u；t)如下表示為更高維函數(shù)[φI，φO]的零水平集 [RI(u)，RO(u)]的這種表示是隱含的，無參數(shù)的和固有的。另外，它們是無拓?fù)涞模驗(yàn)榱闼郊牟煌負(fù)洳灰馕吨鳾φI，φO]的不同拓?fù)洹?br> 我們考慮一個(gè)幾何流的最簡單的形式∂∂t∂Rx(u,t)=Fx(K∂Rx(u,t))N(u,t)--(21)]]>這一幾何流沿著根據(jù)取決于界面幾何屬性(即曲率)的某個(gè)標(biāo)量函數(shù)F的法線方向演進(jìn)初始輪廓。(嵌入的)函數(shù)φ的基本導(dǎo)數(shù)得出以下水平集流ddtφx(u,t)=Fx(K∂Rx(u,t))|▿φx(u,t)|--(22)]]>其中N=▿φ|▿φ|.]]>這一水平集流的解與嵌入的函數(shù)φ的選擇無關(guān)。離演進(jìn)界面的帶符號(hào)的(signed) 歐幾里得距離是φ的公共選擇。
優(yōu)選地，該水平集表示用于實(shí)現(xiàn)心臟分割流。唯一需要處理的問題涉及用于連續(xù)估算心外膜和心內(nèi)膜的演進(jìn)界面之間距離的機(jī)制。通過將帶符號(hào)的歐幾里得距離當(dāng)作嵌入函數(shù)可以解決這一問題。這一選擇反映了該演進(jìn)界面之間的最短距離。根據(jù)本發(fā)明的一個(gè)實(shí)施例，將心臟分割流投影到該水平集空間優(yōu)選地如下進(jìn)行 可是連接項(xiàng)的定義涉及在該定義流的數(shù)值實(shí)現(xiàn)期間可能引起不穩(wěn)定性的問題的間斷函數(shù)。為解決該問題，我們考慮一個(gè)和一個(gè)初始函數(shù)有同樣屬性的平滑函數(shù) 需要注意，最終模型包含幾個(gè)參數(shù)(α，β，ε，γ，δ，m，M)。當(dāng)然，不同信息驅(qū)動(dòng)的分割模塊的使用可能提高作為結(jié)果的算法的性能?？墒?，將它們恰當(dāng)?shù)丶煽赡苁且粋€(gè)問題，對我們的方法來說也是一樣。
基于試驗(yàn)，已經(jīng)確定該區(qū)域/明暗度信息是最可靠的視覺源(β＝0.5)。邊界部分也有穩(wěn)定的行為(這說明了明暗度信息的不連續(xù)性)(ε＝0.2)。另外，必須加強(qiáng)該演進(jìn)界面的規(guī)律性(α＝0.25)。對于嚴(yán)格的限值來說，解剖學(xué)模塊是柔性的(γ＝0.3)。根據(jù)考慮的切片的空間位置定義距離限值限制。中間心臟切片對應(yīng)左心室的最大體積，因此該限值盡可能地寬(m＝4，M＝8，δ＝2)。
現(xiàn)在，我們處在開發(fā)自動(dòng)方法來確定解剖學(xué)模塊參數(shù)的過程中。在左心室的大多數(shù)部位種可以合適地提取心肌層。因此，和心肌層有類似的視覺屬性的乳突狀肌肉和結(jié)構(gòu)相對于演進(jìn)的心臟輪廓之間距離而言可以可外露層。基于穩(wěn)健性統(tǒng)計(jì)學(xué)的方法可用于恢復(fù)這一距離的平均值和可變性，導(dǎo)致了解剖學(xué)約束在空間上和時(shí)間上的自動(dòng)測量。
數(shù)值實(shí)現(xiàn)用于實(shí)現(xiàn)該建議框架的快速的穩(wěn)健的數(shù)值方法優(yōu)選地基于所述的熟知的附加算子分離(AOS)方案，如，例如I EEE圖像處理學(xué)報(bào)1998年第7期398-410頁Weickert等人的“″Efficient and ReliableScheme For Non-Linear Diffusion and Filtering(非線性擴(kuò)散和過濾的有效可靠方案)”中描述的，該文在此引入以供參考。在計(jì)算機(jī)視覺比例空間原理國際會(huì)議(1999)34-35頁Goldenber g等人的“Fast Geodesic Active Contours(快速測地活動(dòng)輪廓)”中，已經(jīng)成功地使用水平集方法在平面曲線演進(jìn)中應(yīng)用了該技術(shù)。
在計(jì)算機(jī)視覺中使用PDE(偏微分方程)的一個(gè)局限性是低效率。經(jīng)典的數(shù)值逼近是不穩(wěn)定，這導(dǎo)致了耗時(shí)的方法。這是由于需要用于保證穩(wěn)定演進(jìn)和收斂到該P(yáng)DE的短時(shí)間步驟而導(dǎo)致的。在以上結(jié)合的Weichert等人的文章中介紹了一種克服該局限性的方法，該方法被有效地用于為各種PDE提供一種穩(wěn)定的數(shù)值方法。
為了說明起見，通過假定以下形式的擴(kuò)散方程來考慮一維情況t(yī)u＝div(g(|u|)u)(25)然后，該擴(kuò)散方程可以作如下離散t(yī)u＝x(g(|u|)xu)(26)得到以下迭代方案
其中I是單位矩陣，τ是時(shí)間步驟。盡管該系統(tǒng)使用前次迭代的值顯式地更新u值，但是當(dāng)時(shí)間步驟受上界約束時(shí)并不穩(wěn)定。我們可以考慮使用半隱方案 該方案具有穩(wěn)定的行為，但是在計(jì)算上很開銷很大。該AOS技術(shù)涉及該半隱方案的以下修改um+1＝[I-τ4(um)]-1um(29)附加算子分離的具有一些優(yōu)勢屬性，因?yàn)樗?i)穩(wěn)定的；(ii)滿足離散的非線性擴(kuò)散的所有準(zhǔn)則；(iii)具有低的復(fù)雜度(和像素?cái)?shù)目成線性)；和(iv)可以很容易地向更高維擴(kuò)展。因此，優(yōu)選地將AOS方案和這里描述的用于左心室的分割的水平集運(yùn)動(dòng)方程一起加以應(yīng)用。
為進(jìn)一步降低水平集傳播所需的計(jì)算費(fèi)用，該AOS方案可以有效地結(jié)合窄帶方法(參看，如計(jì)算物理學(xué)雜志118期(1995)269-277頁Adalsteinsson等人的“A Fast Level Set Method For PropagatingInterfaces(用于傳播界面的快速水平集方法)，該文在此引入以供參考)。該方法的性質(zhì)在于只在一個(gè)有限的帶寬內(nèi)執(zhí)行該水平集的傳播。根據(jù)該傳播的輪廓的最新位置定義該帶寬。因此顯著減少了感興趣區(qū)域，從而顯著地降低了計(jì)算的復(fù)雜度。該方法需要頻繁地重新初始化該水平集表示(距離函數(shù))，可以使用快速行進(jìn)算法有效地進(jìn)行(參看，如劍橋大學(xué)出版社1996年J.Sethian的“Level Set Methods(水平集方法)，在此引入以供參考)。參考IEEE解剖學(xué)控制學(xué)報(bào)40期(1995)1528-1538頁J.Tsitsiklis的“Efficient AlgorithmsFor Globally Optimal Trajectories(用于全局最佳軌跡的有效算法)”，提出了在自動(dòng)控制區(qū)域的類似算法。
結(jié)論，試驗(yàn)結(jié)果概括地說，本發(fā)明提供了用于分割MR心臟圖像中的左心室的幾何流。我們的方法是基于在規(guī)律性，邊界，區(qū)域和解剖驅(qū)動(dòng)作用力的影響下的兩條曲線(心臟輪廓)的傳播。該框架使用了無參數(shù)曲線，并使用水平集表示來實(shí)現(xiàn)。幾個(gè)MR心臟序列被用于驗(yàn)證我們的已經(jīng)導(dǎo)致成功的試驗(yàn)結(jié)果的方法。
圖5是根據(jù)本發(fā)明的一個(gè)實(shí)施例，用于分割心臟圖像的方法的流程圖。圖6(a)到6(h)是說明傳播兩個(gè)輪廓，心內(nèi)膜(內(nèi)輪廓)和心外膜(外輪廓)以便將該輪廓收斂到左心室的心肌層的期望的內(nèi)邊界和外邊界的例圖。
參考圖5，根據(jù)本發(fā)明的一個(gè)實(shí)施例的分割過程開始于接收圖像數(shù)據(jù)(步驟20)。該圖像數(shù)據(jù)包含在MRI采集期間一給定時(shí)間所捕獲的幾個(gè)二維切片。例如，圖6(a)-(h)中的每一個(gè)都描述了在一給定時(shí)間，在三維體積的一給定深度上捕獲的同一二維圖像。為這些初始輪廓選擇初始的任意條件，并再現(xiàn)這些初始輪廓(步驟21)。例如，圖6(a)說明了初始(任意)的內(nèi)輪廓和外輪廓，它們被(經(jīng)由分割過程)向著圖6(h)示出的最終解傳播。優(yōu)選地，初始的內(nèi)輪廓在心內(nèi)膜之內(nèi)。
為捕獲用于分割的視覺信息，例如使用方程(6)確定該圖像的梯度向量流(步驟22)。然后，根據(jù)GVF確定邊界項(xiàng)(步驟23)。如上所述，對于每個(gè)像素，GVF的收斂產(chǎn)生了一個(gè)(從該像素)指向朝著心臟邊界的方向的向量(參看圖3c)。同時(shí)(假定并行處理)，使用和該圖像有關(guān)的柱狀圖數(shù)據(jù)確定概率密度(步驟24)。如上所述，每個(gè)概率密度都和感興趣的區(qū)域和假設(shè)有關(guān)，這允許該圖像的像素基于預(yù)定的準(zhǔn)則分組。通過像素的分組確定區(qū)域項(xiàng)，以便描繪圖像中的結(jié)構(gòu)和區(qū)域。例如，正如以上參考圖4所提到的，心肌層，心內(nèi)膜和背景區(qū)域被區(qū)別開來，并從那里確定輪廓。
接下來，使用集成的傳播模型處理邊界和區(qū)域數(shù)據(jù)(視覺信息)，該傳播模型應(yīng)用連接函數(shù)(解剖學(xué)約束)來迭代地確定實(shí)際輪廓邊界(步驟27)。例如，方程(19)的傳播模型優(yōu)選地用于確定左心室心肌層的內(nèi)外壁(心內(nèi)膜和心外膜)的實(shí)際邊界。換句話說，從初始的任意輪廓開始，該輪廓以這樣的方式傳播，以至于在滿足應(yīng)用于完全傳播模型的解剖學(xué)約束的同時(shí)，來考慮邊界和區(qū)域信息。隨著迭代過程的進(jìn)行，在圖像上可以再現(xiàn)輪廓的被更新位置，如圖6a-h中所示。重復(fù)該過程(步驟26-27)，直到存在解的收斂(步驟28中的肯定結(jié)果)為止。對需處理的每個(gè)圖像切片重復(fù)該分割過程(步驟21-28)。對于一個(gè)三維實(shí)現(xiàn)來說，通過逐片使用該二維方法(圖5)，并且將該結(jié)果放在一起，可以恢復(fù)三維分割圖。
概括地說，根據(jù)本發(fā)明的幾何流模型和分割過程的各種新穎的特征包含(i)使用和初始條件無關(guān)的新穎的柔性外部邊界項(xiàng)；(ii)將邊界驅(qū)動(dòng)的和基于區(qū)域的信息分割模塊集成起來；(iii)使用應(yīng)用的前后關(guān)系來定義如下傳播約束，該傳播限制可處理物理損壞和不完全數(shù)據(jù)；(iv)使用關(guān)于PDE的數(shù)值技術(shù)的最新發(fā)展來穩(wěn)健穩(wěn)健地且高收斂率地實(shí)現(xiàn)獲得的運(yùn)動(dòng)方程。
該分割算法的擴(kuò)展包括使用連接的表面?zhèn)鞑サ娜S分割。我們期望在水平集框架中可以容易地進(jìn)行這樣的擴(kuò)展。實(shí)現(xiàn)三維流的這些表示的使用在視覺和圖像處理著作中已經(jīng)是標(biāo)準(zhǔn)技術(shù)(現(xiàn)有技術(shù))。
在本發(fā)明的其他實(shí)施例中，在水平集能量框架中使用該傳播模型可以實(shí)現(xiàn)形狀優(yōu)先(參看，如哥本哈根2002年計(jì)算機(jī)視覺歐洲會(huì)議第二卷78-92頁P(yáng)aragios等人的“Shape Priors for Level SetRepresentations(水平集表示的形狀優(yōu)先)”，該文在此引入以供參考)。有幾個(gè)問題和該目的有關(guān)。第一是形狀表示的選擇，第二是訓(xùn)練取樣的記錄，第三是優(yōu)先項(xiàng)本身。
另外，在醫(yī)學(xué)圖像分析中圖像記錄是一個(gè)關(guān)鍵部分。像皮層，心臟心室，腎等等這樣的結(jié)構(gòu)是很感興趣的。相對于一些現(xiàn)有模型或它們先前的狀態(tài)(過去的成像法)記錄這些結(jié)構(gòu)是有很強(qiáng)診斷力的令人感興趣的應(yīng)用。為了這個(gè)目的，我們將樂于把記錄和分割問題結(jié)合起來。分割醫(yī)學(xué)結(jié)構(gòu)，并同時(shí)對照先前狀態(tài)將它們記錄下來是一個(gè)需要考慮的具有挑戰(zhàn)性的方向。
盡管在此參考附圖描述了用以說明的實(shí)施例，應(yīng)當(dāng)了解本發(fā)明不限于這些精確的實(shí)施例，本領(lǐng)域的技術(shù)人員在不背離本發(fā)明范圍的情況下可以進(jìn)行各種改變和修改。
權(quán)利要求
1.一種用于分割心臟圖像的方法，包含如下步驟接收心臟圖像；使用梯度向量流邊界方法，確定心臟圖像中的一個(gè)或多個(gè)輪廓的邊界信息；根據(jù)全局明暗度參數(shù)確定區(qū)域信息，以區(qū)別心臟圖像中的區(qū)域；和在心臟圖像中應(yīng)用組合邊界和區(qū)域信息的傳播模型，以便將每個(gè)輪廓傳播至目標(biāo)邊界，同時(shí)應(yīng)用解剖學(xué)約束以便根據(jù)所述輪廓的相對距離連接所述輪廓的傳播。
2.如權(quán)利要求1所述的方法，進(jìn)一步包含為所述輪廓選擇任意初始條件的步驟。
3.如權(quán)利要求1所述的方法，其中所述目標(biāo)邊界包含心臟左心室的心內(nèi)膜和心外膜。
4.如權(quán)利要求1所述的方法，其中所述傳播模型的邊界部分基于使用梯度向量流的測地活動(dòng)輪廓模型的擴(kuò)展。
5.如權(quán)利要求1所述的方法，其中所述傳播是使用可處理拓?fù)渥兓乃郊硎緛韺?shí)現(xiàn)的。
6.如權(quán)利要求5所述的方法，其中水平集傳播是使用附加算子分離方法來實(shí)現(xiàn)的。
7.如權(quán)利要求1所述的方法，其中所述傳播模型包含對邊界分割模型，區(qū)域模型和連接函數(shù)的加權(quán)集成。
8.如權(quán)利要求1所述的方法，其中應(yīng)用傳播模型的步驟包含將約束應(yīng)用到所述傳播模型的邊界部分，所述模型基于所述目標(biāo)邊界的物理性質(zhì)。
9.如權(quán)利要求8所述的方法，其中所述邊界部分的約束包含平滑度約束。
10.如權(quán)利要求1所述的方法，其中確定區(qū)域信息的步驟包含施加數(shù)據(jù)驅(qū)動(dòng)的自適應(yīng)氣囊作用力，以收縮或膨脹所述演進(jìn)輪廓，所述演進(jìn)輪廓基于觀察到的圖像特性。
11.如權(quán)利要求1所述的方法，其中所述解剖學(xué)約束包含一個(gè)活動(dòng)連接函數(shù)，所述活動(dòng)連接函數(shù)保持所述演進(jìn)輪廓的確定拓?fù)洹?br> 12.如權(quán)利要求1所述的方法，進(jìn)一步包含如下步驟在分割過程期間在心臟圖像上再現(xiàn)輪廓傳播。
13.一種可由機(jī)器讀取的程序存儲(chǔ)設(shè)備，該程序存儲(chǔ)設(shè)備具體包含可由所述機(jī)器執(zhí)行的指令的程序，用以執(zhí)行分割心臟圖像的方法步驟，所述方法步驟包含接收心臟圖像；使用梯度向量流邊界方法，確定心臟圖像中一個(gè)或多個(gè)輪廓的邊界信息；根據(jù)全局明暗度參數(shù)確定區(qū)域信息，以區(qū)別心臟圖像中的區(qū)域；和在心臟圖像中應(yīng)用組合邊界和區(qū)域信息的傳播模型，以便將每個(gè)輪廓傳播至目標(biāo)邊界，同時(shí)應(yīng)用解剖學(xué)約束以便根據(jù)所述輪廓的相對距離連接所述輪廓的傳播。
14.如權(quán)利要求13的程序存儲(chǔ)設(shè)備，進(jìn)一步包含用于執(zhí)行為所述輪廓選擇任意初始條件的步驟的指令。
15.如權(quán)利要求13所述的程序存儲(chǔ)設(shè)備，其中所述目標(biāo)邊界包含心臟左心室的心內(nèi)膜和心外膜。
16.如權(quán)利要求13所述的程序存儲(chǔ)設(shè)備，其中所述傳播模型的邊界部分基于使用梯度向量流的測地活動(dòng)輪廓模型的擴(kuò)展。
17.如權(quán)利要求13所述的程序存儲(chǔ)設(shè)備，其中所述傳播是使用可處理拓?fù)渥兓乃郊硎緛韺?shí)現(xiàn)的。
18.如權(quán)利要求17所述的程序存儲(chǔ)設(shè)備，其中水平集傳播是使用附加算子分離方法來實(shí)現(xiàn)的。
19.如權(quán)利要求13所述的程序存儲(chǔ)設(shè)備，其中所述傳播模型包含對邊界分割模型，區(qū)域模型和連接函數(shù)的加權(quán)集成。
20.如權(quán)利要求13所述的程序存儲(chǔ)設(shè)備，其中應(yīng)用傳播模型的指令包含將約束應(yīng)用到所述傳播模型的邊界部分的指令，所述模型基于所述目標(biāo)邊界的物理性質(zhì)。
21.如權(quán)利要求20所述的程序存儲(chǔ)設(shè)備，其中所述邊界部分的約束包含平滑度約束。
22.如權(quán)利要求13所述的程序存儲(chǔ)設(shè)備，其中確定區(qū)域信息的指令包含施加數(shù)據(jù)驅(qū)動(dòng)的自適應(yīng)氣囊作用力以收縮或膨脹所述演進(jìn)輪廓的指令，所述演進(jìn)輪廓基于觀察到的圖像特性。
23.如權(quán)利要求13所述的程序存儲(chǔ)設(shè)備，其中所述解剖學(xué)約束包含一個(gè)活動(dòng)連接函數(shù)，所述函數(shù)保持所述演進(jìn)輪廓的確定拓?fù)洹?br> 24.如權(quán)利要求13所述的程序存儲(chǔ)設(shè)備，進(jìn)一步包含在分割過程期間在心臟圖像上再現(xiàn)輪廓傳播的指令。
全文摘要
一種系統(tǒng)和方法，用于分割心臟圖像，具體而言，使用集成視覺信息和解剖學(xué)約束的輪廓傳播模型來分割心臟的左心室。所述視覺信息包含基于梯度向量流的邊界部分和根據(jù)反映不同組織屬性的全局明暗度屬性來區(qū)別心臟輪廓/區(qū)域的區(qū)域部分。所述解剖學(xué)約束根據(jù)心臟輪廓的相對距離來連接心臟輪廓的傳播。所述傳播模型包含對邊界分割模型，區(qū)域模型和連接函數(shù)的加權(quán)集成。
文檔編號(hào)A61B5/00GK1524247SQ02810121
公開日2004年8月25日 申請日期2002年5月17日 優(yōu)先權(quán)日2001年5月17日
發(fā)明者N·帕拉伊奧斯, V·拉梅斯, N 帕拉伊奧斯, 匪 申請人:西門子共同研究公司