一种基于先验局部统计与动态轮廓模型的人体器官重建方法技术

本发明专利技术公开了一种基于先验局部统计与动态轮廓模型的人体器官重建方法，包括以下步骤：(1)初始化水平集函数；(2)使用高斯滤波约束水平集函数；(3)分别计算C1和C2；(4)分别计算和(5)进化水平集函数；(6)如果φ(x)＞0，则设置φ(x)＝1，其余设置φ(x)＝‑1；(7)检查水平集函数的进化过程是否收敛，如果收敛则结束；否则返回步骤(2)。本发明专利技术构造了一个新的λ‑SPF函数，适用范围更加广泛，采用了二值选择和高斯滤波约束水平集方法(SBGFRLS)，时间效率相较于其它算法大幅提高。本发明专利技术提出的方法兼备分割精度高与速度快的优点，适合用于器官重建的流程中。

【技术实现步骤摘要】

本专利技术涉及一种算法，具体是一种基于先验局部统计与动态轮廓模型的人体器官重建方法。
技术介绍
近几年，随着三维打印技术的成熟，三维打印机越来越广泛地应用到人们的生产与生活当中。在医学领域，三维打印机可以被用来以相对较低的成本打印某些组织或器官，帮助病人恢复健康。例如，可以通过打印假肢来帮助肢体残障人士重新获得行动能力。通常，打印器官需要经过一系列复杂的步骤。首先，通过仪器获得包含器官的医学图像，通常是CT切片图像。然后，使用图像分割算法从医学切片图像中提取出真实的器官组织。接着，使用三维重建技术把一系列分割出的器官部分重建为三维模型。最后，使用三维打印机打印三维模型。在一般情况下，我们希望重建出高精度的三维模型以打印出高质量的器官，而图像分割算法提取组织的精度越高，重建的三维模型的精度就越高。因此，对于器官重建，图像分割算法的高精确度是至关重要的。与此同时，由于重建器官要利用大量的医学切片图像，处理这些图像的总计算量是十分庞大的，因此建立一次三维模型通常会占用很长时间。在实际应用中，希望这一过程尽可能地高效，而现有的高精度图像分割算法处理一张图像往往需要大量的时间，这对于通常要处理几百张图像的器官重建过程来说是难以接受的。因此，人们对分割算法的精度与高效同时有着较高的需求。为了解决这一难题，需要设计一种兼顾精度与高效的图像分割算法。当今图像分割技术从提出到现在有一百多年历史，期间产生了大量的经典模型与算法。从广义角度来讲，图像分割技术利用图像的颜色信息，试图把人们感兴趣的目标区域提取出来。通常，一张图像会被分割成两部分：前景和背景。其中前景是人们希望得到的部分，理想情况下应当是目标区域，而背景是剩下的部分。这两个部分会使图像上出现一条或多条曲线，我们把这些曲线称为期望的目标边界。分割图像的方法有很多，其中比较经典的方法有阈值分割法(Threshold_method)，变形模型法(Deformable model)和图论模型法(Graph_model)。近二十年间，一种属于变形模型法的，被称为动态轮廓模型(ACM:Active Contour Model)的方法被广泛地应用到图像分割中。动态轮廓模型利用图像中的信息不断改变一条曲线的形状，从而获得目标区域。它以一条初始曲线作为轮廓，根据图像信息不断更新轮廓曲线，减小其与目标区域边界的误差，把这一过程称为演化(evolve)，最后使得轮廓曲线到达目标区域的边界，将目标分割出来。动态轮廓模型一般被分为两大类，一类是基于边界的模型(edge-based model)，另一类是基于区域的模型(region-based model)。基于边界的模型通常利用图像的梯度信息，将轮廓收敛到目标边界。在这一类模型中，最经典的是测地线(GAC:Geometric Active Contour)模型。测地线模型中通常包含两项控制轮廓演化的因子。其中一项被称为边界停止项，它通过评估图像的梯度信息，使得轮廓在达到目标边界时终止演化。另一项被称为膨胀力(balloon force)，它被用来驱动轮廓的收缩与扩张，使得当初始轮廓被设置在远离目标边界的位置时，模型仍然可以把轮廓演化到目标边界。然而，测地线模型具有一些自身的缺陷。第一，边界停止项对梯度较小的弱边界是很不敏感的，这会使得轮廓越过这些边界而产生错误的分割结果。第二，膨胀力这一项在测地线模型中为常量，它的作用范围是全局的，因此，比较难选择一个合适值的膨胀力，使得轮廓在演化过程中能够不被图像局部噪声阻碍，并且不会越过某些梯度较小的目标区域的弱边界。基于区域的模型是一种利用区域灰度的统计信息来演化轮廓的模型。相比基于边界的模型，它有不少优点。第一，基于区域的模型受到噪声的影响非常小。第二，基于区域的模型可以分割出较弱边缘甚至没有明显边缘的目标区域。第三，基于区域的模型的最终结果对初始轮廓敏感程度较小，通常不需让初始轮廓包围目标区域。尽管基于区域的模型有诸多优点，但它们一般只考虑全局信息，不考虑局部信息，因此不能分割颜色不均匀的目标区域。基于区域模型中最经典的是由Vese和Chan提出的C-V模型。就在最近几年，一个将边界模型和区域模型结合起来的新模型受到了人们的关注，这个模型称为SPF模型，由Zhang等人在2010年提出。SPF模型是测地线模型和C-V模型的融合体，Zhang等人在测地线模型的基础上，构建了一个被称为SPF(Signed Pressure Force)函数来替换测地线模型中的边界停止函数(ESF:Edge Stopping Function)，从而得到SPF模型。这个SPF函数利用轮廓内部的区域灰度统计信息和轮廓外部的区域灰度统计信息来驱动模型对轮廓的演化，而这属于基于区域模型的特性。另外，Zhang等人利用了一个新的水平集演化方法来实现对轮廓的演化过程，这个方法被称为二值选择和高斯滤波约束水平集方法(SBGFRLS:Selective Binary and Gaussian Filtering Regularized Level Set)。该方法的一大特点就是时间效率非常高，比其它方法速度要快几十倍。然而，SPF模型也存在自己的缺点。第一，由于SPF函数的缺陷，SPF模型只有在图像满足一个特定条件下才能得到有意义的分割结果，这个特定条件在Zhang的工作中提到。第二，SPF模型中仍然存在继承自测地线模型的常数膨胀力，因此，SPF模型也会面临如何选择合适的膨胀力的值来保障分割结果的精度。
技术实现思路
本专利技术的目的在于提供一种基于先验局部统计与动态轮廓模型的人体器官重建方法，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术提供如下技术方案：一种基于先验局部统计与动态轮廓模型的人体器官重建方法，包括以下步骤：(1)按下式初始化水平集函数φ： φ ( x , t = 0 ) = 1 , x ∈ Ω 1 - 1 , x ∈ Ω 2 ]]>本文档来自技高网...

【技术保护点】
一种基于先验局部统计与动态轮廓模型的人体器官重建方法，其特征在于，包括以下步骤：(1)按下式初始化水平集函数φ：φ(x,t=0)=1,x∈Ω1-1,x∈Ω2]]>其中Ω1是手工标注的轮廓内部区域,Ω2是余下的轮廓外部区域；(2)根据下式使用高斯滤波约束水平集函数：φ＝φ*Gσ，k其中Gσ，k是标准差为σ的高斯滤波函数，并且只考虑高斯中心处的部分以减少计算量；(3)根据下式分别计算c1和c2：c1=∫ΩH(φ)I(x)dx∫ΩH(φ)dx,]]>c2=∫Ω(1-H(φ))I(x)dx∫Ω(1-H(φ))dx]]>其中c1和c2都是常数，它们分别是轮廓内部区域灰度的平均值和轮廓外部区域灰度的平均值；(4)根据下式分别计算和：C1Loc(x)=K*H(φ)I(x)K*H(φ)]]>C2Loc(x)=K*(1-H(φ))I(x)K*(1-H(φ))]]>其中，和是两个常量，是轮廓内部区域的局部权重灰度平局值，是轮廓外部区域的局部灰度加权平局值；(5)根据下式进化水平集函数：φt=λ-SPF(x)·LIDF(x)|▿φ|,x∈Ω.;]]>(6)如果φ(x)＞0，则设置φ(x)＝1，其余设置φ(x)＝‑1；(7)检查水平集函数的进化过程是否收敛，如果收敛则结束；否则返回步骤(2)。...

【技术特征摘要】
1.一种基于先验局部统计与动态轮廓模型的人体器官重建方法，其特征在于，包括以下步骤：(1)按下式初始化水平集函数φ： φ ( x , t = 0 ) = 1 , x ∈ Ω 1 - 1 , x ∈ Ω 2 ]]>其中Ω1是手工标注的轮廓内部区域,Ω2是余下的轮廓外部区域；(2)根据下式使用高斯滤波约束水平集函数：φ＝φ*Gσ，k其中Gσ，k是标准差为σ的高斯滤波函数，并且只考虑高斯中心处的部分以减少计算量；(3)根据下式分别计算c1和c2： c 1 = ∫ Ω H ( φ ) I ( x ) d x ∫ Ω H ( φ ) d x , ]]> c 2 = ∫ Ω ( 1 - H ( φ ) ) I ( x ) d x &I...

【专利技术属性】
技术研发人员：吴怀宇，吴挺，程维昊，时磊，
申请(专利权)人：北京三体高创科技有限公司，吴怀宇，
类型：发明
国别省市：北京;11