一種基于動力學(xué)統(tǒng)計形狀模型的超聲圖像分割方法
【專利摘要】本發(fā)明公開了一種基于動力學(xué)統(tǒng)計形狀模型的超聲圖像分割方法，包括以下步驟：1：手動定義超聲圖像目標(biāo)區(qū)域的中心點；2：建立目標(biāo)區(qū)域輪廓的基于動力學(xué)統(tǒng)計形狀模型作為目標(biāo)區(qū)域的先驗?zāi)Ｐ停?：計算每個半徑的徑向特征輪廓模型作為目標(biāo)區(qū)域的似然概率模型；4：根據(jù)統(tǒng)計形狀模型和徑向特征輪廓模型將分割目標(biāo)區(qū)域的過程轉(zhuǎn)化為計算整個輪廓的最大后驗概率；5：更新每個角度的半徑的長度，形成新輪廓曲線；6：計算新輪廓曲線的最大后驗概率，當(dāng)其最大后驗概率的值小于設(shè)定的閾值時，回轉(zhuǎn)執(zhí)行所述的步驟5；7：收斂以后的新輪廓即為目標(biāo)區(qū)域分割的輪廓區(qū)域。本發(fā)明的方法只需要簡單的手動交互即可精確分割2維超聲圖像中子宮肌瘤的目標(biāo)區(qū)域。
【專利說明】一種基于動力學(xué)統(tǒng)計形狀模型的超聲圖像分割方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于醫(yī)學(xué)超聲圖像處理領(lǐng)域，涉及計算機輔助治療中有關(guān)超聲圖像處理的方法，具體涉及一種基于動力學(xué)統(tǒng)計形狀模型的超聲圖像分割方法，主要用于高強度超聲聚焦手術(shù)中對子宮肌瘤超聲圖像的分割。
【背景技術(shù)】
[0002]子宮肌瘤是一種常見的婦科疾，30歲左右的婦女的發(fā)病率為20% — 30%，高強度超聲聚焦(High Intensity Focused Ultrasound, HIFU)治療是一種新型的無創(chuàng)手術(shù),該治療方法的最大特點是無需外科手術(shù)只需要患者在手術(shù)臺上平躺，因此術(shù)后患者無需恢復(fù)以及沒有副作用。HIFU治療的過程分為術(shù)前規(guī)劃與術(shù)中定位兩個部分。
[0003](I)術(shù)前:由手術(shù)醫(yī)生操作一個超聲探頭在患者的腹部進行定位找到目標(biāo)的區(qū)域。
[0004](2)術(shù)中:手術(shù)醫(yī)生對超聲探頭形成的每一張超聲圖像中的目標(biāo)區(qū)域進行分割。該分割的區(qū)域作為高強度超聲聚焦的靶向目標(biāo)。
[0005]這個手動分割的過程是非常的費時而且低效率，因此希望能找到一種新的方法只需相對簡單的交互方式就能夠?qū)Τ晥D像中目標(biāo)區(qū)域進行精確的分割。但這個過程一直存在以下兩個方面的制約:
[0006](I)相較于CT和MRI圖像，超聲圖像普遍具有低信噪比和圖像灰度分布不均勻的特點從而造成目標(biāo)邊緣輪廓模糊不清；
[0007](2)請見圖1-1所示，為同一患者在不同時刻的子宮肌瘤的超聲成像；請見圖1-2所示，為不同的患者的子宮肌瘤成像；子宮肌瘤的形狀不像別的組織有相對固定的形狀，其外形是變化，每個人都不一樣，而且在手術(shù)過程中由于病人的呼吸造成腹腔的運動也會造成子宮肌瘤的外形發(fā)生一定的形變，反映在超聲圖像上就是目標(biāo)區(qū)域的形狀變化較大。
[0008]以上的這些特點為分割算法帶來了很大的困難。一些傳統(tǒng)的分割方法都不能在以上情況下得到理想的結(jié)果。一個準(zhǔn)確且高效的超聲圖像分割方法對于提高計算機輔助治療的效率具有重要意義。

【發(fā)明內(nèi)容】

[0009]為了解決上述的技術(shù)問題，提高HIFU手術(shù)的效率和治療效果，本發(fā)明提出的一種基于動力學(xué)統(tǒng)計形狀模型的超聲圖像分割方法。
[0010]本發(fā)明所采用的技術(shù)方案是:一種基于動力學(xué)統(tǒng)計形狀模型的超聲圖像分割方法，其特征在于，首先定義徑向時間序列作為超聲圖像目標(biāo)區(qū)域形狀的參數(shù)化表示模型，
[0011]Q= {Ir0,...，rN_J，Θ，{xc，yc}} (式壹)
[0012]其中，{x。，y。}表示目標(biāo)區(qū)域的中心點的坐標(biāo)，Irci,...，ivJ表示中心點到目標(biāo)區(qū)域邊緣的半徑的歐氏距離，Θ表示半徑之間的夾角；
[0013]基于上述定義，本發(fā)明的方法包括以下步驟:
[0014]步驟1:手動定義超聲圖像目標(biāo)區(qū)域的中心點；[0015]步驟2:建立目標(biāo)區(qū)域輪廓的統(tǒng)計形狀模型以及相對應(yīng)輪廓的徑向時間序列的先驗概率模型；
[0016]步驟3:計算每個半徑的徑向特征輪廓模型；
[0017]步驟4:計算整個輪廓的最大后驗概率；
[0018]步驟5:更新每個角度的半徑的長度，形成新輪廓曲線；
[0019]步驟6:計算新輪廓曲線的最大后驗概率，當(dāng)其最大后驗概率的值小于設(shè)定的閾值時，回轉(zhuǎn)執(zhí)行所述的步驟5;
[0020]步驟7:收斂以后的新輪廓即為目標(biāo)區(qū)域分割的輪廓區(qū)域。
[0021]作為優(yōu)選，步驟2中所述的建立目標(biāo)區(qū)域輪廓的統(tǒng)計形狀模型以及目標(biāo)區(qū)域輪廓相對于徑向時間序列的先驗概率，其具體實現(xiàn)包括以下子步驟:
[0022]步驟2.1:建立目標(biāo)區(qū)域輪廓的基于動力學(xué)統(tǒng)計形狀模型:
[0023]r (t+ Δ t) =r (t) +A (r (t)).dt+B (r (t)).Wt.dt (式威)
[0024]其中A(r (t))和B(r⑴)分別為確定項和隨機項，Wt是一個獨立的均值為零的噪聲項，r(t+At)和r(t)分別表示不同角度下半徑長度，dt表示角度偏移量；
[0025]步驟2.2:引入Fokker-Planck方程和隨機差分方程對訓(xùn)練集中超聲圖像中的目標(biāo)區(qū)域邊緣波動的概率進行統(tǒng)計分析，建立基于動力學(xué)統(tǒng)計形狀模型相對應(yīng)的目標(biāo)區(qū)域輪廓的先驗概率。
[0026]作為優(yōu)選，步驟2.2中所述的建立目標(biāo)區(qū)域的基于動力學(xué)統(tǒng)計形狀模型相對應(yīng)的目標(biāo)區(qū)域輪廓的先驗概率，具體實現(xiàn)包括以下子步驟:
[0027]步驟2.2.1:將訓(xùn)練集合說，...QJ中的半徑轉(zhuǎn)化為狀態(tài)空間R= {rmin, rmax}；
[0028]步驟2.2.2:將狀態(tài)空間R=Irmin, rmax}劃分為N個相同的寬度為Λ r的小區(qū)間，區(qū)間的中心點值為Ir1,...，rN};并建立相對應(yīng)的數(shù)組集合U1,..., χη} ο
[0029]步驟2.2.3:針對每個訓(xùn)練樣本Qp j e [I, N]，檢查每個半徑是否屬于區(qū)間
【權(quán)利要求】
1.一種基于動力學(xué)統(tǒng)計形狀模型的超聲圖像分割方法，其特征在于，首先定義徑向時間序列作為超聲圖像目標(biāo)區(qū)域形狀的參數(shù)化表示模型，
Q= {Ir。,...，rN_J，Θ，{xc, yj } (式壹) 其中，{xc, yc}表示目標(biāo)區(qū)域的中心點的坐標(biāo)，Irci,...，ivJ表示中心點到目標(biāo)區(qū)域邊緣的半徑的歐氏距離，θ表示半徑之間的夾角； 基于上述定義，本發(fā)明的方法包括以下步驟: 步驟1:手動定義超聲圖像目標(biāo)區(qū)域的中心點； 步驟2:建立目標(biāo)區(qū)域輪廓的統(tǒng)計形狀模型以及相對應(yīng)輪廓的徑向時間序列的先驗概率模型； 步驟3:計算每個半徑的徑向特征輪廓模型； 步驟4:計算整個輪廓的最大后驗概率； 步驟5:更新每個角度的半徑的長度，形成新輪廓曲線； 步驟6:計算新輪廓曲線的最大后驗概率，當(dāng)其最大后驗概率的值小于設(shè)定的閾值時，回轉(zhuǎn)執(zhí)行所述的步驟5 ； 步驟7:收斂以后的新輪廓即為目標(biāo)區(qū)域分割的輪廓區(qū)域。
2.根據(jù)權(quán)利要求1所述的基于動力學(xué)統(tǒng)計形狀模型的超聲圖像分割方法，其特征在于:步驟2中所述的建立目標(biāo)區(qū)域輪廓的統(tǒng)計形狀模型以及目標(biāo)區(qū)域輪廓相對于徑向時間序列的先驗概率，其具體實現(xiàn)包括以下子步驟: 步驟2.1:建立目標(biāo)區(qū)域輪廓的基于動力學(xué)統(tǒng)計形狀模型: r (t+ Δ t) =r (t) +A (r (t)).dt+B(r(t)).Wt.dt (式威) 其中A(Ht))和B(Ht))分別為確定項和隨機項，Wt是一個獨立的均值為零的噪聲項，Ht+At)和r(t)分別表示不同角度下半徑長度，dt表示角度偏移量； 步驟2.2:引入Fokker-Planck方程和隨機差分方程對訓(xùn)練集中超聲圖像中的目標(biāo)區(qū)域邊緣波動的概率進行統(tǒng)計分析，建立基于動力學(xué)統(tǒng)計形狀模型相對應(yīng)的目標(biāo)區(qū)域輪廓的先驗概率。
3.根據(jù)權(quán)利要求2所述的基于動力學(xué)統(tǒng)計形狀模型的超聲圖像分割方法，其特征在于:步驟2.2中所述的建立目標(biāo)區(qū)域的基于動力學(xué)統(tǒng)計形狀模型相對應(yīng)的目標(biāo)區(qū)域輪廓的先驗概率，具體實現(xiàn)包括以下子步驟: 步驟2.2.1:將訓(xùn)練集合(Q1,...Qn}中的半徑轉(zhuǎn)化為狀態(tài)空間R=Irmin,rmax}； 步驟2.2.2:將狀態(tài)空間R=Irmin,rmax}劃分為N個相同的寬度為Λ r的小區(qū)間，區(qū)間的中心點值為Ir1,...，rN};并建立相對應(yīng)的數(shù)組集合U1,..., χη} ο 步驟2.2.3:針對每個訓(xùn)練樣本％，j e [1，N]，檢查每個半徑&是否屬于區(qū)間
4.根據(jù)權(quán)利要求1所述的基于動力學(xué)統(tǒng)計形狀模型的超聲圖像分割方法，其特征在于:步驟3中所述的計算每個半徑的徑向特征輪廓模型，其具體實現(xiàn)包括以下子步驟: 步驟3.1:針對徑向時間序列中半徑與邊緣相交的標(biāo)記點Hii,沿著半徑方向由內(nèi)向外以等距離各采樣H個像素點，標(biāo)記為+ 步驟3.2:計算^的徑向灰度的梯度幅值作為ri的徑向特征輪廓:g; 二樹…扣,2"+,; 步驟3.3:針對每個半徑^的^，根據(jù)最大似然概率算法計算瑞利分布模型的參數(shù)并以此作為半徑與目標(biāo)區(qū)域邊緣相交的似然概率，
【文檔編號】G06T7/00GK103824306SQ201410113489
【公開日】2014年5月28日 申請日期:2014年3月25日 優(yōu)先權(quán)日:2014年3月25日
【發(fā)明者】何發(fā)智, 倪波, 孫俊, 陳曉 申請人:武漢大學(xué)