一种双模态成像信息联合建模及适应性分割方法技术

本发明专利技术公开了一种双模态成像信息联合建模及适应性分割方法，该方法建立单一目标双模态成像信息的联合模型，以适应性融合多模态成像信息。通过模型的一致性收敛，以实现对目标的鲁棒、准确分割。考虑到两类模态成像信息对目标性状表征的互补性，连续适应性调节跨模态信息在收敛过程中的重要性，以实现目标位置信息和结构信息的综合辨识，完成鲁棒、准确的成像信息适应性分割。像信息适应性分割。像信息适应性分割。

【技术实现步骤摘要】
一种双模态成像信息联合建模及适应性分割方法


[0001]本专利技术涉及多模态成像信息获取及处理方法，尤其涉及一种双模态成像信息联合建模及适应性分割方法。

技术介绍

[0002]多模态成像技术是当今成像计算领域的主要发展方向之一。通过对单一目标采用两种及以上多种模态成像，能够形成单一目标互补性的成像信息，以综合表征目标多方面特征，为目标的准确辨识提供基础。特别是针对目标成像检测，多模态成像能够综合表征目标的位置和结构信息，为鲁棒、准确的目标分割提供完整的线索。大量的研究业已证明多模态成像信息联合建模及适应性分割方法显著优于传统单一模态成像检测计算方法，能够较为准确的发现目标并抑制背景噪声信息。
[0003]在多模态成像信息获取研究中，应用最为广泛的为医学成像领域，尤以PET-CT成像为最成功典型。PET是一种分子水平功能成像技术，能描述病变组织与正常组织代谢功能上的差异。PET成像能有效检测人体组织的早期病变，已成为癌症早期诊断和治疗的重要工具。精确分割PET图像中的肿瘤区域对癌症治疗非常重要，它能确保在放疗过程中将放射剂量最大程度地作用于癌症组织，同时减少对周围正常组织和重要器官的伤害。然而，由于部分容积效应的影响，PET图像中的肿瘤边缘是模糊的，且PET图像具有高噪声和强度不均匀的特点，精确分割PET图像中的肿瘤区域非常困难。CT是一种解剖成像技术，提供人体的组织结构信息，比PET成像的分辨率高，但对比度低，单一模态的图像很难精确的分割出肿瘤位置。因此，PET模态成像表征目标的位置，CT模态成像表征目标的解决。

技术实现思路

[0004]专利技术目的：为了解决现有技术存在的问题，本专利技术的目的是公开一种能够适应性融合双模态成像信息以实现对于目标的鲁棒、准确分割，在目标分割的效率及准确率上具有明显的性能优势的多模态成像信息联合建模及适应性分割方法。
[0005]技术方案：一种双模态成像信息联合建模及适应性分割方法，其特征在于，包括如下内容：
[0006](1)获取目标的双模态成像信息，所述双模态成像信息包括目标的区域特征信息和结构特征信息，分别建立所述区域特征信息和结构特征信息的外部能量函数；
[0007](2)采用适应性加权策略对所述区域特征信息和结构特征信息的外部能量函数进行融合，形成用于目标分割的能量函数；
[0008](3)结合权重适应性优化及梯度下降策略对步骤(2)所得的能量函数进行优化，当能量函数达到收敛时，完成对目标的适应性分割。
[0009]具体的，步骤(1)中，定义区域特征信息为第一模态成像信息I1，定义结构特征信息为第二模态成像信息I2，采用如下公式建立区域特征信息的外部能量函数：
[0010][0011]其中，为水平集函数，I为第一模态成像信息I1和第二模态成像信息I2融合所得到的一幅图像，H(
·
)是Heaviside函数，g为边缘梯度函数，λ1、λ2为调节权重，m1、m2为第一模态成像信息I1显著性特征在水平集轮廓内、外的均值，定义如下：
[0012][0013][0014]其中，S(x，y)为第一模态成像信息I1基于全局对比度的显著性特征，(x，y)为显著性特征信息的空间坐标。
[0015]具体的，采用如下公式建立结构特征信息的外部能量函数：
[0016][0017]其中，β1,β2为调节权重，n1，n2为第二模态成像信息I2在水平集轮廓内、外的均值，定义如下：
[0018][0019][0020]其中，(x
′
,y
′
)为第二模态成像信息I2的空间坐标。
[0021]具体的，步骤(2)中，采用如下公式对所述区域特征信息和结构特征信息的外部能量函数进行融合：
[0022][0023]其中，θ1,θ2为区域特征信息、结构特征信息的外部能量函数的调节权重；
[0024]最终，用于目标分割的能量函数建模为：
[0025][0026]其中，为正则项，定义如下：
[0027][0028][0029][0030]其中，是长度正则项，是距离正则项。
[0031]进一步的，步骤(3)中，所述梯度下降策略为：
[0032][0033]其中，t为演化时间变量，为正则项，用于控制水平集函数收敛的正则性。
[0034]进一步的，步骤(3)中，所述权重适应性优化对能量函数进行优化的过程为：逐渐降低第一模态成像信息I1的能量函数的权重，逐渐提高第二模态成像信息I2的能量函数的权重：
[0035]θ1←
θ
1-tγ
[0036]θ2←
θ2+tγ
[0037]其中，γ为适应性调节步长，，当模型达到收敛时停止上述权重调制。
[0038]和现有技术相比，本专利技术的有益效果是：对于单一目标的双模态成像信息按照其成像机理的目标性状表征特性，分别发挥不同成像模态信息对目标位置和目标结构信息表征上的性能优势，实现目标空间位置及结构信息的准确辨识，形成鲁棒、准确的目标分割结果，在目标分割的效率及准确率上具有明显的性能优势。
附图说明
[0039]图1是本专利技术的一种双模态成像分隔流程图；
[0040]图2是本专利技术实施例的原始病人肺部肿瘤融合图像和PET图像；(a)为融合图像；(b)为PET图像；
[0041]图3是本专利技术实施例的PET图像显著性分析后得到的显著图；
[0042]图4是本专利技术实施例的最后的分割结果。
具体实施方式
[0043]下面结合说明书附图和具体实施例，进一步阐明本专利技术的技术方案。
[0044]以病人肺部肿瘤CT和PET双模态成像信息为实施例：
[0045]首先，选取肿瘤目标的PET图像(如图2(b)所示)，对其进行显著性分析，得到显著性特征S(x,y)。
[0046]对第一模态PET成像信息构造能量函数：
[0047][0048]其中，为水平集函数，I为PET-CT成像信息I1、I2融合所得到的一幅图像(如图2(a)所示)，H(
·
)是Heaviside函数，g为边缘梯度函数，λ1、λ2为调节权重，m1、m2为PET成像数据I1显著性特征在水平集轮廓内、外的均值，定义如下：
[0049][0050][0051]其中，S(x，y)为PET成像信息I1的显著性特征，(x，y)为显著性特征信息的空间坐标；图3是PET图像显著性分析后得到的显著图。
[0052]以CT成像信息表征目标的结构特征，构造第二模态成像信息能量函数：
[0053][0054]其中，β1,β2为调节权重，n1，n2为CT成像信息I2在水平集轮廓内、外的均值，定义如下：
[0055][0056][0057]其中，I2为CT成像信息，(x
′
,y
′
)为CT成像信息I2的空间坐标。
[0058]步骤二：对PET、CT双模态能量函数进行适应性加权本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种双模态成像信息联合建模及适应性分割方法，其特征在于，包括如下内容：(1)获取目标的双模态成像信息，所述双模态成像信息包括目标的区域特征信息和结构特征信息，分别建立所述区域特征信息和结构特征信息的外部能量函数；(2)采用适应性加权策略对所述区域特征信息和结构特征信息的外部能量函数进行融合，形成用于目标分割的能量函数；(3)结合权重适应性优化及梯度下降优化对步骤(2)所得的能量函数进行优化，当能量函数达到收敛时，完成对目标的适应性分割。2.根据权利要求1所述的双模态成像信息联合建模及适应性分割方法，其特征在于，步骤(1)中，定义区域特征信息为第一模态成像信息I1，定义结构特征信息为第二模态成像信息I2，采用如下公式建立区域特征信息的外部能量函数：其中，为水平集函数，I为第一模态成像信息I1和第二模态成像信息I2融合所得到的一幅图像，H(
·
)是Heaviside函数，g为边缘梯度函数，λ1、λ2为调节权重，m1、m2为第一模态成像信息I1显著性特征在水平集轮廓内、外的均值，定义如下：显著性特征在水平集轮廓内、外的均值，定义如下：其中，S(x，y)为第一模态成像信息I1基于全局对比度的显著性特征，(x，y)为显著性特征信息的空间坐标。3.根据权利要求1所述的双模态成像信息联合建模及适应性分割方法，其特征在于，采用如下公式建立结构特征信息的外部能量函数...

【专利技术属性】
技术研发人员：陈哲，邱楠，石小涛，邢坦，王慧斌，谭均军，
申请(专利权)人：三峡大学，
类型：发明
国别省市：