自动食管分割的概率最小路径制造技术

提出了一种通过只定义两个端点而依据图像数据的食管分割。用周围结构作为高级约束来构建形状和外观模型。利用贝叶斯公式对在先形状信息积分用于新食管的分割。这允许自动地选择一个合适的模型。在假定了端点的情况下，最短路径算法便根据贝叶斯公式提供最优食管。

【技术实现步骤摘要】

本专利技术涉及医学图像中的对象的分割。尤其涉及应用贝叶斯方法的食管分割。
技术介绍
左心房(LA)导管消融术已经成为导致中风的心房颤动的标准治疗方法。近些年，有一些发生心房-食管瘘的报告，这是左心房后壁消融的一种并发症，通常会导致死亡。术前CT能提供有关食管相对于左心房位置的有用的信息，这些能被用于在设计消融术的同时降低心房-食管瘘的风险。在病人未处于全麻且食管在消融过程中可能移动的情况下，提取的食管形状和它沿向前/向后方向的位置，虽怀疑精度较低，但仍能有助于医生的消融判断。这种限制可以通过应用直接根据介入CT提取出食管的方法来减小，而且由于这种数据是在过程中获得的，因此较少发生食管移动的问题。应用标准技术的食管分割因其只有在几个切片中可视而是不可能办到的。但是，专家仍能以良好的置信度猜测出它的位置。这是可能的，由于他并不仅仅依赖于食管的可视部分，还依赖于前后关系，也即周围结构。如图1所示，食管(101、102作为它的端点)、左心房和主动脉它们各自的位置都受到适当的约束。关注这些高级知识能够显著改进这种分割的稳固性和可靠性。因此，在医学图像中食管分割需要改进方法。
技术实现思路
本专利技术的一方面提供了一种新的方法和系统来处理包括食管、主动脉和左心房的图像数据，其中使用一个或多个训练图像(trainingimages)。根据本专利技术的另一方面，提供了一种用一个或多个训练图像来处理包括食管、主动脉和左心房的图像的方法，包括在该图像中对主动脉和左心房进行分割；根据所述一个或多个训练图像和在所述图像中的主动脉及左心房的分割，在所述图像中确定该食管的一个中心线；而且，相对于该食管中心线生成一个外边界。根据本专利技术的又一方面，依据一个或多个训练图像的食管中心线，确定出图像一元素成为相对于按参考被配准的主动脉和左心房位置的食管中心线的一部分的第一概率，其中该食管中心线是相对于按同一参考被配准的所述一个或多个训练图像中的主动脉和左心房的被配准的分割的一种中心线；确定出食管估算中心线相对于所述一个或多个训练图像亮度直方图具有一亮度直方图的第二概率；将所述第一概率和第二概率组合成一个单项；并将该单项进行优化。所述第一概率可被表达为pC(x|{C1,...,CN})=Πi=1Np(x|Ci);]]>以及所述第二概率可被表达为p(I|{C1,...,CN})=Πi=1Np(I|Ci)]]>。所述第一概率和第二概率被组合为 。根据本专利技术的另一方面，提供了一种方法，它将所述第一概率和第二概率的组合表达为一个能量项 ；它用了食管的两个端点；且应用最小路径算法用所述两个端点最小化所述的能量项。对于在食管中检测到的气孔，该能量项可被调整。根据本专利技术的又一方面，提供了一种用于确定出食管外边界的方法，包括将食管的外边界定义为一系列椭圆切片；将这些椭圆的中心预置在食管的中心线上；根据椭圆的内部和外部的亮度似然性，把每一个切片中的椭圆的基于范围的判据表达为一个能量项；在相邻椭圆之间添加正则化；将每个椭圆的所有能量项组合成一个组合能量表达式；并最小化该组合能量表达式。根据本专利技术的一方面，还提供了一种使用一个或多个训练图像能够处理包含有食管、主动脉和左心房的图像的系统，它包括一个处理器，以及在该处理器上可操作的应用软件。所述应用软件能够执行这里所描述的所有方法。附图说明图1所示为一幅图像，突出了食管、LA和主动脉的相对位置。图2示例性示出根据本专利技术一个方面执行的一系列步骤。图3所示为表面简化的实施例。图4所示为相对一个参考主动脉和LA配准的食管的实施例。图5示例性示出根据本专利技术一个方面执行的一系列步骤。图6所示为平滑或未平滑的食管直方图的实施例。图7所示为气孔检测和对应的新的成本函数的实施例。图8所示为在不同视图中的提取的食管中心线的两个实施例。图9所示为食管表面提取的第一实施例。图10所示为食管表面提取的第二实施例。图11所示为食管表面提取的不同轴视图的实施例。图12所示为显示应用本专利技术方法的定量结果的第一图表。图13所示为显示应用本专利技术方法的定量结果的第二图表。图14示例性示出用于执行根据本专利技术的另一方面所描述的步骤的计算机系统。具体实施例方式例如，在图像数据中非常少的工作会考虑在不同结构之间建立空间相关性的模型。一个是Kapur在1999，MIT人工智能实验室，T.Kapur的“Model-based three-dimensional medical imagesegmentation”PhD论文中提出的“距离模型”。在这篇文献中，作者构建了在假定体素与其它结构之间的欧几里德距离的情况下，该体素属于一结构的条件概率模型。该模型与基于Markov随机场的组织分类器联合，用于MR脑图像中的几个结构的分割。该模型适用于分类脑组织，而与食管有关的结构的分割则要求一种更受限制的方法。它不应基于结构之间的距离，而应基于它们的相对位置。为此，所有相关的图像都需要依据所选择的锚定(anchor)或主要结构被配准。这将提供一个参考基础，在其上相对于所述初级结构便能了解那些二级结构的位置。在本专利技术中，所述锚定结构是左心房(LA)和主动脉，而二级结构是食管。这样建模的主要原因是初级结构比二级结构能更容易地被提取。将提供一种方法，该方法在确立食管位置时试图模拟医生的方法。该分割方法是本专利技术的一个方面，包括三步骤(1)在左心房和主动脉定义的参考基础中根据一个训练集对食管的相对位置和外观建模；(2)求步骤1的模型积分概率公式，它允许应用最小路径算法有效地自动提取食管中心线；以及(3)延长该中心线以提取食管外表面。这三部分的详细描述在下文提供。食管在CT图像中很难看到，而像主动脉和LA等相邻的结构能清楚地看到。而且，这两个结构和食管的相对位置是高度相关的。类似于依据已知的可视结构来定位更“隐蔽”结构的专家，作为本专利技术一个方面的该方法将掌握食管相对于主动脉和LA的相对位置。然后所述方法将先验地使用这些信息来分割新的图像。这里作为本专利技术的一个方面提出的方法将不仅掌握空间信息还掌握食管的外观。为此，作为示例性实施例，对一组20个训练图像的所有三个结构均进行了标注。在2005年10月IEEE(中国北京)ICCV 2005会刊，I，259~265页中的H.Lombaert，Y.Sun，L.Grady和C.Xu.的“Amultilevel banded graph cuts method for fast imagesegmentation”中提出的分割方法被用于提取LA和主动脉，以及专家被原来人工地分割食管。所述训练图像需要与同一个参考对齐。一种基于图像的直接配准肯定不适合，因为食管相对于周围结构的空间分布将被丢掉。这样，最好根据参考结构主动脉和LA来配准每个图像。因此，需要估算只基于表面的体素方式配准。例如，用最近点迭代算法能首先估算出严格变换，这在1992年IEEE Trans.Pattern Anal.Mach.Intell.14(2)的239~256页，P.J.Besl和N.D.McKay的“A method forregistration of 3-d shapes”中有阐述。密集非严格映射按如下方式便能得到采用基于诸如在1本文档来自技高网...

【技术保护点】
用一个或多个训练图像处理包括第一对象以及一个或多个其它对象的图像的方法，包括：在该图像中对所述一个或多个其它对象进行分割；根据所述一个或多个训练图像以及该图像中的所述一个或多个其它对象的分割，在该图像中确定出所述第一对象的中 心线；以及相对于所述第一对象中心线生成外边界。

【技术特征摘要】
...

【专利技术属性】
技术研发人员：M鲁森，C徐，Y拜，
申请(专利权)人：美国西门子医疗解决公司，
类型：发明
国别省市：US[美国]