一种磁共振延迟增强序列心肌分割方法技术

本发明专利技术涉及一种磁共振延迟增强序列心肌分割方法，包括以下几个步骤：第一步，事先构建一组心脏图谱；第二步，将图谱与待分割的延迟增强序列图像配准；第三步，根据配准后的图谱信息初始化多组分高斯混合模型中的各参数；第四步，计算每个像素点属于各组分的后验概率；第五步，更新对高斯混合模型中各组分参数的估计值；第六步，演化耦合水平集模型中的两条轮廓；第七步，重新估计每一分类的先验概率；第八步，重复四到七步直至算法收敛，对耦合水平集模型中的内轮廓求取凸包进行插值得到最终分割结果。与现有技术相比，本发明专利技术具有不需要依赖其他序列信息、实现方便、应用灵活等优点。

【技术实现步骤摘要】
一种磁共振延迟增强序列心肌分割方法
本专利技术涉及一种图像处理
，尤其是涉及一种基于多组分高斯混合模型和耦合水平集的磁共振延迟增强序列心肌分割方法。
技术介绍
随着核磁共振技术的发展，其对心脏的成像质量和成像速度都得到了极大的提升，在相关的医学临床实践和研究中得到了越来越广泛的应用。其中，延迟增强序列通过给心肌梗塞病人注射造影剂，可以使心肌梗死区域的信号增强，直观地看到梗死区域的位置、大小，其可靠性已经得到验证。为了利用延迟增强序列定量地对病人心肌活性进行分析，制定相应的治疗计划，通常首先需要对心肌进行分割。然而，目前有关延迟增强序列处理的研究大量集中在已知心肌轮廓的基础上，如何区分梗死区和正常心肌。利用了包括阈值法、区域增长法、分水岭算法、高斯混合模型、水平集方法等多种方法以期更好地区分梗死区。而实际上，临床上目前主要还是依靠医生手动勾勒出心肌轮廓，耗费大量的时间，并且不同医生勾勒的差异也会给定量的分析比较带来困难。因此，开发可用于延迟增强序列的自动的心肌算法具有重要意义。磁共振图像中的心肌分割的困难通常包括心脏形状变化大、心脏边缘模糊以及可能存在运动造成的伪影等。除此之外，延迟增强序列本身的特点，又给分割增加了如下三点挑战：1)由于梗死区域的存在，心肌的灰度分布是不均匀的，而很多分割算法都是基于目标区域灰度均匀的假设构建的；2)心肌梗死区域的灰度、大小、分布等都存在很大的不确定性，任何先验的假设都可能使算法失去一般性；3)心肌的灰度分布与周围组织重叠。例如，正常心肌的灰度可能与肝或肺重叠，而梗死区域的灰度与血池常常非常相似。经过对现有文献的检索发现，现有的延迟增强序列心肌分割大多使用了磁共振电影序列及其分割结果作为先验信息。然后直接通过图像配准或构建三维模型将先验信息匹配到延迟增强序列，在此基础上再构建模型进行更精细的优化得到最终的分割结果。这些算法大多存在两类问题：一是电影序列的心肌分割虽然已经有了大量的研究，但其作为先验信息，任何分割错误会被引入到后续的分割过程中，因此分割过程比较繁琐，通常需要人工监督。二是优化模型比较粗糙或加入了一定的先验假设，难以适应心肌梗塞病人的各种复杂情形。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种不需要依赖其他序列信息、实现方便、应用灵活、稳定可靠、适用于实际临床的基于多组分高斯混合模型和耦合水平集的磁共振延迟增强序列心肌分割方法。本专利技术的目的可以通过以下技术方案来实现：一种磁共振延迟增强序列心肌分割方法，其特征在于，包括以下步骤：第一步，构建一组心脏短轴图像图谱，包含心脏的灰度图像以及相应的左心室血池、心肌、背景的分割结果；第二步，通过图像配准，将图谱中灰度图像匹配到待分割的延迟增强序列图像，同时将相同的图像配准作用于图谱中的分割结果，将分割结果也匹配到待分割的延迟增强序列图像；第三步，构建多组分高斯混合模型，将待分割的延迟增强序列图像像素分为三类：左心室血池、心肌以及背景；每一类像素的灰度分布用多个组分去模拟，每一组分为一个高斯模型；根据配准后的图谱信息初始化多组分高斯混合模型中的各参数，包括各组分的均值、方差，各组分的混合比例以及各分类的先验概率；第四步，利用期望最大化算法迭代求解多组分高斯混合模型的参数，取所有像素点的灰度值及所属组分作为完全数据；依据目前对参数的估计，在已知每个像素点灰度值的基础上，计算每个像素点属于各组分的后验概率；第五步，依据上一步得到的后验概率，通过最大化似然函数的条件期望，更新对高斯混合模型中各组分参数的估计值；第六步，基于图像灰度信息、后验概率信息以及心肌厚度约束，构建包含耦合水平集内外两条轮廓的能量函数，通过最小化能量函数演化两条轮廓；第七步，基于演化后的耦合水平集模型中两条轮廓的位置，重新估计每一像素属于每一分类的先验概率；第八步，重复四到七步直至算法收敛，对耦合水平集模型中的内轮廓求取凸包，并进行插值得到最终分割结果。所述的第四步中第(t+1)次循环的后验概率piC(t+1)计算公式为：其中，πiL(t)和δLC(t)分别是上一次循环中对分类L的先验概率和组分C的混合比例的估计，φiC(t)是依据上一次循环估计的参数，计算得到的像素i的灰度值属于组分C的高斯概率。所述的第五步中第(t+1)次循环各参数的估计式为：其中，yi代表像素i的灰度值，N为像素总数，μC(t+1)、σC(t+1)分别代表第(t+1)次循环时对应于组分C的高斯分布的均值和标准差，δLC(t+1)代表第(t+1)次循环时组分C的混合比例。所述的第六步中的耦合水平集模型中的两条轮廓演化所依据的公式为：其中，λ和υ为代表权重的可调参数，φ1和φ2分别为内外轮廓的水平集函数，piLV代表像素i属于分类LV的后验概率，piMyo代表像素i属于分类Myo的后验概率，pib代表像素i属于分类b的后验概率，Gσ为高斯核函数，Y为所有像素点的灰度值，μ1，μ2为依赖两轮廓间相对距离的参数。所述的第七步中第(t+1)次循环时先验概率πiL(t+1)估计式为：其中，βi为归一化项，α为可调节参数，为第(t+1)次循环时像素i到由耦合水平集的两条轮廓围成的相应点集的欧氏距离。与现有技术相比，本专利技术具有以下优点：(1)将多组分高斯混合模型与耦合水平集有效地结合起来，在充分分析图像中的灰度值信息的同时，基于心肌的形状特点加入有较高灵活度的空间形状限制，使算法具有较好的准确性和稳定性；(2)不需要使用电影序列及相应的心肌分割结果，简化了分割流程环节的繁琐，减少了需要分析的数据量，应用更加灵活，也避免了作为先验信息的电影序列的分割与后续延迟增强序列分割之间的衔接中可能存在的问题；(3)用计算机实现的自动分割方法，有效了降低了工作量。附图说明图1为本专利技术的流程图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。实施例本实施例在CPU为PentuimE52002.5GHZ，显卡为NVIDIAGeforceGT240，内存为2.0GB的计算机中实现，实现方式为Matlab。本实施例的实施流程如图1所示。第一步，事先构建一组心脏短轴图像图谱，包含心脏的灰度图像以及相应的左心室血池、心肌、背景的分割结果；第二步，通过图像配准，将图谱中灰度图像匹配到待分割的延迟增强序列图像，同时将相同的变换作用于图谱中的分割结果，将分割结果也匹配到待分割图像；第三步，根据配准后的图谱信息将待分割图像像素初始化为三类：左心室血池、心肌及背景，分别用1个、2个、3个高斯分布去拟合这三类像素的灰度分布。初始化多组分高斯混合模型中的各参数，包括各组分的均值、方差，各组分的混合比例以及各分类的先验概率；第四步，利用期望最大化算法迭代求解多组分高斯混合模型的参数，取所有像素点的灰度值及所属组分作为完全数据。首先依据目前对参数的估计，在已知每个像素点灰度值的基础上，计算每个像素点属于各组分的后验概率；第五步，依据上一步得到的后验概率，通过最大化似然函数的条件期望，更新对高斯混合模型中各组分参数的估计值；第六步，基于图像灰度信息、后验概率信息以及心肌厚度约束，构建包含耦合水平集内外两条轮廓的能量函数，通过最小化能量函数演化两条轮廓；第七步，基于演化后的耦合水平集模型中两条轮廓的本文档来自技高网...

【技术保护点】
一种磁共振延迟增强序列心肌分割方法，其特征在于，包括以下步骤：第一步，构建一组心脏短轴图像图谱，包含心脏的灰度图像以及相应的左心室血池、心肌、背景的分割结果；第二步，通过图像配准，将图谱中灰度图像匹配到待分割的延迟增强序列图像，同时将相同的图像配准作用于图谱中的分割结果，将分割结果也匹配到待分割的延迟增强序列图像；第三步，构建多组分高斯混合模型，将待分割的延迟增强序列图像像素分为三类：左心室血池、心肌以及背景；每一类像素的灰度分布用多个组分去模拟，每一组分为一个高斯模型；根据配准后的图谱信息初始化多组分高斯混合模型中的各参数，包括各组分的均值、方差，各组分的混合比例以及各分类的先验概率；第四步，利用期望最大化算法迭代求解多组分高斯混合模型的参数，取所有像素点的灰度值及所属组分作为完全数据；依据目前对参数的估计，在已知每个像素点灰度值的基础上，计算每个像素点属于各组分的后验概率；第五步，依据上一步得到的后验概率，通过最大化似然函数的条件期望，更新对高斯混合模型中各组分参数的估计值；第六步，基于图像灰度信息、后验概率信息以及心肌厚度约束，构建包含耦合水平集内外两条轮廓的能量函数，通过最小化能量函数演化两条轮廓；第七步，基于演化后的耦合水平集模型中两条轮廓的位置，重新估计每一像素属于每一分类的先验概率；第八步，重复四到七步直至算法收敛，对耦合水平集模型中的内轮廓求取凸包，并进行插值得到最终分割结果。...

【技术特征摘要】
1.一种磁共振延迟增强序列心肌分割方法，其特征在于，包括以下步骤：第一步，构建一组心脏短轴图像图谱，包含心脏的灰度图像以及相应的左心室血池、心肌、背景的分割结果；第二步，通过图像配准，将图谱中灰度图像匹配到待分割的延迟增强序列图像，同时将相同的图像配准作用于图谱中的分割结果，将分割结果也匹配到待分割的延迟增强序列图像；第三步，构建多组分高斯混合模型，将待分割的延迟增强序列图像像素分为三类：左心室血池、心肌以及背景；每一类像素的灰度分布用多个组分去模拟，每一组分为一个高斯模型；根据配准后的图谱信息初始化多组分高斯混合模型中的各参数，包括各组分的均值、方差，各组分的混合比例以及各分类的先验概率；第四步，利用期望最大化算法迭代求解多组分高斯混合模型的参数，取所有像素点的灰度值及所属组分作为完全数据；依据目前对参数的估计，在已知每个像素点灰度值的基础上，计算每个像素点属于各组分的后验概率；第五步，依据上一步得到的后验概率，通过最大化似然函数的条件期望，更新对高斯混合模型中各组分参数的估计值；第六步，基于图像灰度信息、后验概率信息以及心肌厚度约束，构建包含耦合水平集内外两条轮廓的能量函数，通过最小化能量函数演化两条轮廓；第七步，基于演化后的耦合水平集模型中两条轮廓的位置，重新估计每一像素属于每一分类的先验概率；第八步，重复四到七步直至算法收敛，对耦合水平集模型中的内轮廓求取凸包，并进行插值得到最终分割结果；所述的第七步中...

【专利技术属性】
技术研发人员：庄吓海，刘洁，顾力栩，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31