一种自动分割左心室内外膜的方法技术

本发明专利技术公开了一种自动分割左心室内外膜的方法，其步骤如下：1）选取需要处理图像；2）选用优化Mean Shift聚类算法对左心室图像进行预处理；3）用改进hough变换圆检测算法，对左心脏内腔定位，得到内外膜分割初始轮廓；4）用双水平模型分割图像内外膜；5）双水平集模型能量函数公式收敛性检查；6）得到分割内外膜轮廓分割效果图。本发明专利技术解决了人为设置分割初始位置问题，提高了内外膜的分割精度，降低了模型分割内外膜的时间，得到无边缘泄露且正则性良好的符合临床定义的内外膜轮廓。

【技术实现步骤摘要】
一种自动分割左心室内外膜的方法
本专利技术涉及医学图像处理技术，特别涉及一种自动分割左心室内外膜的方法。
技术介绍
近年来，心脏疾病死亡人数的不断增加，引发人们对心脏的更深探索。对左心室外膜准确的提取是进一步研究心脏左心室的重要基础。在临床应用方面，左心室外膜的准确分割能提供一些重要的左心室功能参数，利于医生定量分析左心室功能是否异常；在科学研究方面，左心室的分割是左心室三维建模的基础。一个心脏振动周期的图像数据量大，想在短时间内得到客观、精准的内外膜分割结果，就需要依赖优秀的算法和模型来对左心室进行自动的分割。当前在医学领域的计算机视觉技术，需解决:1.对DICOM格式的医学图像(当下医学影像存储、交换及传输的国际标准：CT、核磁共振图像和超声图像都是以该格式进行存储)的调用、去噪、平滑图像处理技术。2.使用优化Hough变换圆检测模型，对左心室进行定位，利用matlab工具箱函数提取检测圆边缘。3.利用新提出双阱势函数和各向异性梯度矢量流构建双水平集模型，由Hough变换定位内外膜初始位置，由双水平集模型完成左心室内外膜的分割。左心室内外膜的分割技术，其方法是利用图像基础信息进行处理，提取出符合临床定义的做心室内外膜。心室内外膜分割是心脏三维模型构建的基础，是心脏四维化显示的关键；提取内外膜的精度越高，对应的心脏功能参数就越准确，就能进一步辅助医生治疗。吸引越来越多国内外优秀学者投入到左心室内外膜分割的研究中来。近些年出现了多种左心室内外膜分割方法，可以大致将他们分为两类：基于主动轮廓模型分割法和基于水平集模型分割法。主动轮廓模型分割法主要包括基于边缘的主动轮廓模型和基于区域的主动轮廓模型。王元全等利用预测-校正改进的基于边缘主动轮廓模型，用外膜轮廓先验知识对模型预测结果进行校正分割[1]；段先华等提出融合滤波的基于区域的主动轮廓模型分割，提高了分割精度[2]；LeeHY等利用区域生长和迭代阈值法分割做心室内膜，用提取的内膜边界引导主动轮廓模型提取外膜[3]；朱锴等用结合K均值的自适应核函数带宽的MeanShift算法分割图像，区域生长法提取目标区域[4]。上述方法都只用到了图像的局部信息，没有考虑到图像全局信息的影响,而且半自动手动校正增加了人为主观因素影响，降低了模型方法分割效率。目前心血管疾病的预防和治愈率能力较弱，迫切的需要一种方法提高左心室内外膜分割精度，辅助医生判断，提高心血管疾病预防能力和治愈率。常用的水平集模型是无需反复初始化的经典水平集模型。王兴家等利用改进的耦合水平集分割算法[5]，利用心室图像间的结构相似性，定位模型演化的初始轮廓，完成心室膜分割。水平集算法是一种常用于医疗图像分割的变形模型算法，该模型有较好的拓扑变化能力、不需要精确的初始位置和有稳定的数值近似方法。但当分割图像边缘模糊，提取轮廓边缘正则性差，且分割精度较低；小梁肌和乳头肌和左心室心肌相连，分布于左心室腔室内，利用模型直接分割，会使分割结果不符合临床上定义小梁肌和乳头肌归属于心肌的要求。上述方法中，对于主动轮廓模型分割左心室内外膜有以下几点不足：①对初始化位置比较敏感，曲线拓扑结构在演化过程不会发生改变。②基于边缘和区域的模型分割，由于能量函数的非凸性，使曲线在演化过程中容易陷入局部极小值，导致分割失败。③预测矫正分割方法，手动干预较多，增加算法复杂度和人为主观因素影像，导致分割误差偏大。而对于水平集模型分割，目前虽然有所改进，但还存在一些问题：①改进的耦合水平集模型，利用图像之间结构相似性，定位获取左心室腔初始位置，分割出左心室有较好的完整性，但分割出心肌平均相似度较低仅有90％。②基于形状约束的水平集模型，初始位置需要手动定位，分割效果为满足腔室类圆形状，但导致分割结果错误划分小梁肌和乳头肌位置。③模型分别分割内外膜，效率较低。
技术实现思路
针对现有技术中存在的问题，本专利技术提供一种自动分割左心室内外膜的方法，以解决DRLSE水平集模型在模糊边界分割的低精确度，边缘正则性差和分割不符合临床要求的问题。本专利技术的目的是这样实现的。一种自动分割左心室内外膜的方法，其步骤如下：1)选取需要处理的左心室MRI图像，并输入图像；2)图像聚类处理，选用优化MeanShift聚类算法对左心室MRI图像进行预处理；由MeanShift向量的基本形式，在d维空间中n个样本点xi，i＝1,2,,n,则：上式中，Sh是一个半径h的球形区域，定义为：Sh＝(y|(y-x)(y-x)T≤h2)(2)引入核函数和增加样本权重来解决(1)式中存在问题；在核函数中引入高斯核函数：得到改进后的MeanShift聚类算法形式：其中，G(x)是单位核函数：其中，H是带宽矩阵，即正定的n×n矩阵；(4)式中ω(xi)≥0是添加的每个样本的权重；带宽矩阵H为：于是推出MeanShift概率密度梯度归一化函数：概率密度函数f(x)在d维空间内n个采样点xi，i＝1,2,…,n，则f(x)的核密度为：f(x)的梯度的核密度为：定义g(x)＝-k′(x)，G(x)＝g(||x||2)，推出：由上式可得，MeanShift向量就是右边第一个括号中与概率密度梯度函数成正比；则：化简上式，令当且仅当Mh(x)＝0时，得到新的圆心位置：定义在以x为圆心，h为半径，总的核密度为:其中，表示颜色信息，表示空间位置信息；3)内外膜定位，用改进hough变换圆检测算法，对左心室MRI图像内腔定位，得到左心室MRI图像内外膜分割初始轮廓；优化Hough变换圆检测算法，在对图像进行找圆定位时，对输入图像进行阈值处理，像素较大点连成区域设为前景区域，累加器先累加前景区域的像素点；利用图像边缘信息进行约束，沿着梯度方向的像素点首先进行投票；4)用双水平集模型分割左心室MRI内外膜；用基于ODRLSE模型的0水平集和k水平集融合的双水平集模型，同时分割左心室MRI图像内外膜；双水平集模型的能量函数公式为：其中：模型距离正则项,是模型边缘约束项,是模型演化速度控制项；保持双水平集模型演化过程中曲线的正则性；融合AGVF约束0水平集和k水平集朝着内外膜边缘及边缘凹陷处演化；约束模型曲线朝目标边缘速率；定义如下：且δ和H分别为狄拉克函数和赫维赛德函数：和边缘指定符公式为：式中：Gσ为标准偏差σ的高斯核函数，I的定义在整个图像区域；双水平集模型将水平集演化导出为梯度流，用优化距离正则化项和外部能量来最小化能量泛函，从而驱动水平集向内外膜边缘位置移动；5)对双水平集模型能量函数公式进行收敛性检查，若达到能量最小，分割结束；否则，重复步骤4)；6)得到左心室MRI图像分割内外膜轮廓分割效果图。本专利技术解决了人为设置分割初始位置问题，提高了内外膜的分割精度，降低了模型分割内外膜的时间，得到无边缘泄露且正则性良好的符合临床定义的内外膜轮廓。本专利技术用MeanShift聚类算法对图像进行预处理，增大了内外膜之间像素的对比度；Hough变换圆检测自动对初始位置进行定位，解决了之前手动定位的繁琐流程；检测初始位置距离内膜较近，减少了曲线演化时间，提高了分割效率；以分割内膜作为外膜分割的初始轮廓，正确处理了小梁肌和乳头肌的位置归属，使分割结果符合临床定义。附图说明图1是左心室内外膜分割流程图；图2是本本文档来自技高网...

【技术保护点】
1.一种自动分割左心室内外膜的方法，其步骤如下：1)选取需要处理的左心室MRI图像，并输入图像；2)图像聚类处理，选用优化Mean Shift聚类算法对左心室MRI图像进行预处理；由Mean Shift向量的基本形式，在d维空间中n个样本点xi，i＝1,2,…,n,则：

【技术特征摘要】
1.一种自动分割左心室内外膜的方法，其步骤如下：1)选取需要处理的左心室MRI图像，并输入图像；2)图像聚类处理，选用优化MeanShift聚类算法对左心室MRI图像进行预处理；由MeanShift向量的基本形式，在d维空间中n个样本点xi，i＝1,2,…,n,则：上式中，Sh是一个半径h的球形区域，定义为：Sh＝(y|(y-x)(y-x)T≤h2)(2)引入核函数和增加样本权重来解决(1)式中存在问题；在核函数中引入高斯核函数：得到改进后的MeanShift聚类算法形式：其中，G(x)是单位核函数：其中，H是带宽矩阵，即正定的n×n矩阵；(4)式中ω(xi)≥0是添加的每个样本的权重；带宽矩阵H为：于是推出MeanShift概率密度梯度归一化函数：概率密度函数f(x)在d维空间内n个采样点xi，i＝1,2,…,n，则f(x)的核密度为：f(x)的梯度▽f(x)的核密度为：定义g(x)＝-k′(x)，G(x)＝g(||x||2)，推出：由上式可得，MeanShift向量就是右边第一个括号中与概率密度梯度函数成正比；则：化简上式，令当且仅当Mh(x)＝0时，得到新的圆心位置：定义在以x为圆心，h为半径，总的核密度为:其中，表示颜色信息，表示空间位置信息；...

【专利技术属性】
技术研发人员：李军华，李林，
申请(专利权)人：南昌航空大学，
类型：发明
国别省市：江西,36