基于标定点检测和形状灰度模型匹配的医学图像分割方法技术

本发明专利技术公开了一种基于标定点检测和形状灰度模型匹配的医学图像分割方法，属于医学影像分析技术领域。该方法首先基于大量的样本图像及其标注结果，构建同时具有形状与灰度信息的参数化图谱；基于卷积神经网络创建解剖学特征点检测模型，并利用样本图像及其标注结果对模型进行训练；利用形状灰度模型的匹配与神经网络的预测结果，实现图谱与目标图像之间的高精度配准以及器官映射。本发明专利技术利用了图像区域的变形场表征模型的形状变化、引入了对灰度信息的建模以及解剖特征点的引导，在保证分割精度的同时提升了算法的鲁棒性，使其能够适用于不同噪声条件与对比度的医学图像。不同噪声条件与对比度的医学图像。不同噪声条件与对比度的医学图像。

【技术实现步骤摘要】
基于标定点检测和形状灰度模型匹配的医学图像分割方法


[0001]本专利技术属于医学影像分析
，具体涉及一种基于标定点检测和形状灰度模型匹配的医学图像分割方法，主要适用于不同类型医学图像的自动化分析。

技术介绍

[0002]医学图像是当前临床诊断与治疗的主要依据，也是医学研究的一种重要手段。随着计算机技术与医学成像技术的不断发展，医学图像的数据量激增；因此需要一种快速、精准、自动化程度高且适用于多个场景的医学图像分割方法，帮助医生以及研究人员快速定位目标的感兴趣区域，进而辅助临床诊断与医学研究。对于临床诊断领域，患者的体形差异、成像模态的选择、成像仪器的不同，都会影响最终的成像结果；而对于医学研究中最为常用的微型计算机断层扫描(micro
‑
computed tomography，micro
‑
CT)，则还会受到小动物姿态变化与放射剂量的影响。上述的各原因使最终得到的图像数据在器官分布、图像对比度以及噪声水平上都有着显著的差异，也使得对多种类型的医学图像进行精确分割成为了一个巨大的挑战。基于统计形状模型匹本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于标定点检测和形状灰度模型匹配的医学图像分割方法，其特征在于，该方法包括以下步骤：步骤A：构建同时具有形状与灰度信息的参数化图谱：步骤B：基于卷积神经网络创建一个解剖学特征点检测模型，利用图像数据及其标注结果对解剖学特征点检测模型进行训练；步骤C：利用解剖学特征点检测模型的预测结果与模型参数的拟合，实现图谱与目标图像的配准与器官映射。2.根据权利要求1所述的一种基于标定点检测和形状灰度模型匹配的医学图像分割方法，其特征在于，所述步骤A的具体步骤如下：步骤A1，解剖学特征点标定获取大量样本图像，并对样本图像进行解剖学特征点的标注，样本图像及其标注结果作为后续参数化图谱构建以及特征点检测模型训练的训练集；步骤A2，平均图像计算在训练集中随机选取一幅图像作为初始参考图像，其余图像则通过非线性变形配准的方式变换至参考图像，并获取对应的空间变换以计算平均逆变换；将平均逆变换作用至整个训练集并取平均，获得初步的平均图像；将初步的平均图像设置为新的参考图像重复上述流程直至收敛即可；经收敛后得到的平均图像需要对其进行解剖学特征点的标定；同时还需要对其进行精准的器官分割；步骤A3，形状建模首先，利用非线性变形将步骤A2得到的平均图像配准至每个训练样本，并对每个配准后的训练样本构建形状向量；具体地，设s
i
＝[p
i
,l
i
]∈R
(N+K)
×3为训练样本i对应的形状向量；其中，p
i
∈R
N
×3为平均图像配准至训练样本i后的所有像素点的三维坐标集合，像素点个数共N个；l
i
∈R
K
×3为样本图像中所有解剖学特征点的三维坐标集合，解剖学特征点共K个；而后，使用主成分分析方法对形状向量的集合进行特征的提取，得到的形状模型表示如下：其中，表示训练集的平均形状；为主成分分析得到的形状特征向量矩阵，M代表从训练集中学习到的M种变形场变化模式；b
s
∈R
M
为形状参数；s∈R
(N+K)
×3表示当前的模型形状；步骤A4，灰度建模设g
i
∈R
N
为p
i
对应的灰度向量，代表了平均图像中各个像素在训练样本i中的对应位置处的像素灰度值；使用主成分分析方法对灰度向量的集合进行特征的提取，得到的灰度模型表示如下：其中，表示平均图像中每个像素的灰度值；为主成分分析得到的灰度特征向量矩阵，其中的M个特征向量代表从训练集中学习到的M种灰度变化模式；b
g
∈R
M
为灰度参数；g∈R
N
表示当前的模型灰度值。3.根据权利要求1或2所述的一种基于标定点检测和形状灰...

【专利技术属性】
技术研发人员：王洪凯，吴昊天，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：