專利名稱：基于概率分布和連續(xù)最大流的主動脈瓣超聲圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像處理技術(shù)領(lǐng)域，尤其是涉及一種基于概率分布和連續(xù)最大流的主動脈瓣超聲圖像分割方法。
背景技術(shù)：
醫(yī)學(xué)超聲成像由于其特有的優(yōu)點，如實時性、無損傷性、可重復(fù)性、靈敏度高、成本低，而受到廣泛的關(guān)注。在基于醫(yī)學(xué)超聲圖像的主動脈瓣的臨床診斷和治療中，根據(jù)病人不同的病理情況，需要提取主動脈瓣的信息，其重要的一項手段就是圖像分割。圖像分割結(jié)果的好壞直接影響病變組織結(jié)構(gòu)的定位、定量、定性分析，三維重建等后續(xù)操作以及圖像引導(dǎo)手術(shù)、腫瘤放射治療等所采取治療規(guī)劃的準(zhǔn)確性。但是，由于主動脈瓣的醫(yī)學(xué)超聲圖像存在以下特征，使得其分割成為一個困難棘手的問題1)超聲圖像分辨率、對比度低；2)超聲圖像固有的斑點噪聲的影響；3)超聲圖像回波紋理特性；4)主動脈瓣開放和閉合時造成的三 個瓣葉的移動；5)瓣葉和瓣環(huán)嚴(yán)重鈣化造成的偽影。在傳統(tǒng)的醫(yī)學(xué)圖像分割領(lǐng)域里，基于像素灰度的不連續(xù)性和相似性，其可以分為基于邊緣檢測的分割方法和基于區(qū)域的分割方法。前者在處理超聲圖像獲取邊緣信息時容易產(chǎn)生間斷或者偽邊緣，不能形成理想的閉合曲線，需要進(jìn)一步處理以獲得目標(biāo)輪廓。后者中基于區(qū)域生長的方法，其分割結(jié)果與種子點的選擇有很大關(guān)系，同時對噪聲很敏感，容易形成孔狀或不連續(xù)的區(qū)域。近年來，隨著新技術(shù)的發(fā)展，醫(yī)學(xué)超聲圖像也相繼出現(xiàn)了新的方法，如動態(tài)規(guī)劃模型、主動輪廓模型、水平集方法等。動態(tài)規(guī)劃模型是為解決多節(jié)段決策問題最優(yōu)化而提出的。它是將邊緣檢測問題看成一個優(yōu)化問題，通過求解全局最優(yōu)解獲得最終的分割結(jié)果。但其運算量較大，同時因噪聲影響會產(chǎn)生較多的偽邊緣，從而難以得到較好的結(jié)果。主動輪廓模型即snake模型，通過構(gòu)建合適的內(nèi)部能量函數(shù)和外部能量函數(shù)來約束目標(biāo)輪廓線的運動。其缺點是分割結(jié)果對初始曲線的位置和形狀較為敏感，難以分割凹陷區(qū)域處的目標(biāo)，同時容易陷入局部最優(yōu)解，而無法獲得理想的目標(biāo)輪廓。水平集方法的核心是把η維曲線描述為(η+1)維的水平集，主要理論基礎(chǔ)是曲線演化理論和零水平集的思想。大部分水平集模型都是通過求解偏微分方程進(jìn)行數(shù)值實現(xiàn)的，這就造成了一個計算量較大的問題，另外難以確定合適的速度函數(shù)。目前，在臨床診斷和治療中，應(yīng)用較為廣泛的分割方法是基于閾值的分割方法和基于醫(yī)生手動分割的方法。閾值分割方法原理簡單、操作方便，但是由于上述的超聲圖像中固有的斑點噪聲和紋理特性的影響，其分割結(jié)果十分不佳，難以為臨床治療提供精確有效的指導(dǎo)信息?；卺t(yī)生手動分割的方法，由于醫(yī)生具有長期的臨床實踐經(jīng)驗，所分割出來的結(jié)果是可以進(jìn)一步用于臨床診斷治療的，但因其工作量大、耗費時間長，也不具有較好的應(yīng)用價值
發(fā)明內(nèi)容
本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種穩(wěn)定可靠，且實現(xiàn)方便，適用于實際臨床的基于概率分布和連續(xù)最大流的主動脈瓣超聲圖像分割方法。本發(fā)明的目的可以通過以下技術(shù)方案來實現(xiàn)一種基于概率分布和連續(xù)最大流的主動脈瓣超聲圖像分割方法，其特征在于，包括以下幾個步驟第一步，采集人體主動脈瓣短軸的醫(yī)學(xué)超聲圖像數(shù)據(jù)，選擇一個連續(xù)完整的心動周期，等間隔地提取五幀先驗圖像，其中每幀先驗圖像會代表一個心動周期內(nèi)的不同相位；第二步，手動分割上述五幀先驗圖像，并計算每幀分割結(jié)果的包圍盒，取其中最大的包圍盒為后續(xù)過程使用；第三步，根據(jù)先驗圖像分割結(jié)果各自的獨立中心點，計算得到先驗圖像的一個綜 合中心點，以像素點的灰度值為橫軸、以像素點與綜合中心點的距離為縱軸，由上述五幀先驗圖像的分割結(jié)果構(gòu)建一個二維灰度-距離直方圖；第四步，由上述二維灰度-距離直方圖計算獲得綜合概率估計函數(shù)，即計算每個像素點在一定的灰度以及與綜合中心點一定的距離條件下屬于前景的條件概率，擁有高灰度值并且距離綜合中心點較近的像素點屬于前景的概率高，反之，擁有高灰度值但距離綜合中心點較遠(yuǎn)的像素點屬于背景區(qū)域的概率高；第五步，對上述五幀先驗圖像，分別計算其各自單獨的概率估計函數(shù)，即計算每個像素點在一定的灰度以及與自身獨立中心點一定的距離條件下屬于前景的條件概率，同樣，擁有高灰度值并且距離綜合中心點較近的像素點屬于前景的概率高，反之，擁有高灰度值但距離綜合中心點較遠(yuǎn)的像素點屬于背景區(qū)域的概率高；第六步，根據(jù)上一步已獲得的單獨概率估計函數(shù)，對五幀先驗圖像，分別計算其各自最能代表前景和背景的像素灰度值；第七步，對于當(dāng)前待分割圖像，利用綜合概率估計函數(shù)求取其獨立的概率估計圖，并采用大津算法對概率估計圖進(jìn)行預(yù)處理，保留前景區(qū)域；第八步，對上述前景區(qū)域和五幀先驗圖像的手動分割結(jié)果分別進(jìn)行相似度測量，找到先驗圖像中與當(dāng)前待分割圖像相似度測量值最高的圖像，記該圖像為Ism ;第九步，根據(jù)Ism在第六步中已經(jīng)獲得的最能代表前景和背景的像素灰度值構(gòu)建能量方程，確立能量方程中的數(shù)據(jù)項和平滑項，采用連續(xù)最大流算法進(jìn)行圖像分割，獲得主動脈瓣短軸在一個心動周期內(nèi)所有幀圖像的分割結(jié)果。所述的第四步中的綜合概率估計函數(shù)為P(x) = P(F(x) I R(x)J(x))=-
Μ 尸(Λ W JW)其中，P(Fi)是像素點屬于前景的概率，P(R，I)是灰度值為I、與綜合中心點距離為R的像素點屬于前景的概率，η是先驗圖像的個數(shù)，此處η = 5，F(xiàn)代表圖像前景區(qū)域。所述的第五步中的單獨的概率估計函數(shù)為
. T, P(FnR(x),I(x))Pi(X)=P(FiiX) I R(x)J(x)) = ~
F(KiX)1I(X))其中，i = 1，2，3，4，5，分別代表上述五幀先驗圖像。
所述的第六步中的最能代表各先驗圖像的前景和背景的像素灰度值4

權(quán)利要求
1.一種基于概率分布和連續(xù)最大流的主動脈瓣超聲圖像分割方法，其特征在于，包括以下幾個步驟 第一步，采集人體主動脈瓣短軸的醫(yī)學(xué)超聲圖像數(shù)據(jù)，選擇一個連續(xù)完整的心動周期，等間隔地提取五幀先驗圖像，其中每幀先驗圖像會代表一個心動周期內(nèi)的不同相位； 第二步，手動分割上述五幀先驗圖像，并計算每幀分割結(jié)果的包圍盒，取其中最大的包圍盒為后續(xù)過程使用； 第三步，根據(jù)先驗圖像分割結(jié)果各自的獨立中心點，計算得到先驗圖像的一個綜合中心點，以像素點的灰度值為橫軸、以像素點與綜合中心點的距離為縱軸，由上述五幀先驗圖像的分割結(jié)果構(gòu)建一個二維灰度-距離直方圖； 第四步，由上述二維灰度-距離直方圖計算獲得綜合概率估計函數(shù)，即計算每個像素點在一定的灰度以及與綜合中心點一定的距離條件下屬于前景的條件概率，擁有高灰度值并且距離綜合中心點較近的像素點屬于前景的概率高，反之，擁有高灰度值但距離綜合中心點較遠(yuǎn)的像素點屬于背景區(qū)域的概率高； 第五步，對上述五幀先驗圖像，分別計算其各自單獨的概率估計函數(shù)，即計算每個像素點在一定的灰度以及與自身獨立中心點一定的距離條件下屬于前景的條件概率，同樣，擁有高灰度值并且距離綜合中心點較近的像素點屬于前景的概率高，反之，擁有高灰度值但距離綜合中心點較遠(yuǎn)的像素點屬于背景區(qū)域的概率高； 第六步，根據(jù)上一步已獲得的單獨概率估計函數(shù)，對五幀先驗圖像，分別計算其各自最能代表前景和背景的像素灰度值； 第七步，對于當(dāng)前待分割圖像，利用綜合概率估計函數(shù)求取其獨立的概率估計圖，并采用大津算法對概率估計圖進(jìn)行預(yù)處理，保留前景區(qū)域； 第八步，對上述前景區(qū)域和五幀先驗圖像的手動分割結(jié)果分別進(jìn)行相似度測量，找到先驗圖像中與當(dāng)前待分割圖像相似度測量值最高的圖像，記該圖像為Ism ; 第九步，根據(jù)Ism在第六步中已經(jīng)獲得的最能代表前景和背景的像素灰度值構(gòu)建能量方程，確立能量方程中的數(shù)據(jù)項和平滑項，采用連續(xù)最大流算法進(jìn)行圖像分割，獲得主動脈瓣短軸在一個心動周期內(nèi)所有幀圖像的分割結(jié)果。
2.根據(jù)權(quán)利要求I所述的一種基于概率分布和連續(xù)最大流的主動脈瓣超聲圖像分割方法，其特征在于，所述的第四步中的綜合概率估計函數(shù)為 P(X)=P(F(x)! R(Xim)=- 其中，P(Fi)是像素點屬于前景的概率，P(R，I)是灰度值為I、與綜合中心點距離為R的像素點屬于前景的概率，η是先驗圖像的個數(shù)，此處η = 5，F(xiàn)代表圖像前景區(qū)域。
3.根據(jù)權(quán)利要求2所述的一種基于概率分布和連續(xù)最大流的主動脈瓣超聲圖像分割方法，其特征在于，所述的第五步中的單獨的概率估計函數(shù)為 其中，i = 1，2，3，4，5，分別代表上述五幀先驗圖像。
4.根據(jù)權(quán)利要求I所述的一種基于概率分布和連續(xù)最大流的主動脈瓣超聲圖像分割方法，其特征在于，所述的第六步中的最能代表各先驗圖像的前景和背景的像素灰度值
5.根據(jù)權(quán)利要求I所述的一種基于概率分布和連續(xù)最大流的主動脈瓣超聲圖像分割方法，其特征在于，所述的第八步中的相似度測量SM ρ€Λ 其中，P代表像素點的位置，A代表第二步中所求出的最大包圍盒的區(qū)域，Dp和Ip代表待分割圖像像素點與獨立中心點的距離和其灰度值，0和<代表先驗圖像i中對應(yīng)像素點與獨立中心點的距離和其灰度值，SMi越大，則相似度越高。
6.根據(jù)權(quán)利要求I所述的一種基于概率分布和連續(xù)最大流的主動脈瓣超聲圖像分割方法，其特征在于，所述的第九步中的能量方程為
全文摘要
本發(fā)明涉及一種基于概率分布和連續(xù)最大流的主動脈瓣超聲圖像分割方法，包括以下幾個步驟第一步，采集人體主動脈瓣短軸的醫(yī)學(xué)超聲圖像數(shù)據(jù)，等間隔地提取五幀先驗圖像；第二步，分割五幀先驗圖像；第三步，構(gòu)建二維灰度-距離直方圖；第四步，由二維灰度-距離直方圖計算獲得綜合概率估計函數(shù)；第五步，分別計算其各自單獨的概率估計函數(shù)；第六步，對五幀先驗圖像，分別計算其各自最能代表前景和背景的像素灰度值；第七步，對于當(dāng)前待分割圖像，求取其獨立的概率估計圖；第八步，對上述前景區(qū)域和五幀先驗圖像的手動分割結(jié)果分別進(jìn)行相似度測量；第九步，獲得分割結(jié)果。與現(xiàn)有技術(shù)相比，本發(fā)明具有穩(wěn)定可靠、實現(xiàn)方便、適用于實際臨床等優(yōu)點。
文檔編號G06T7/00GK102881021SQ20121041449
公開日2013年1月16日 申請日期2012年10月25日 優(yōu)先權(quán)日2012年10月25日
發(fā)明者顧力栩, 聶媛媛, 羅哲 申請人:上海交通大學(xué)