本发明专利技术涉及医学图像分割技术领域，尤其对于核磁共振成像与扩散张量成像，对于一幅图像，在给定区域个数以后，通过对局部区域与全局区域作不相似性度量，得到划分的定量评价－能量范函，采用梯度下降找到对应极值的函数。基于ｌｅｖｅｌ ｓｅｔ框架，用隐函数描述对象的轮廓，在欧拉坐标系下更新全场，得到对应零ｌｅｖｅｌ ｓｅｔ的进化过程，基于这一框架的好处是拓扑自适应，数值计算稳定，求得间断解。对于图像驱动的速度场，提供归一化函数，使得计算可以在较大的时间步长下稳定，提高计算速度。该方法对于医学图像分割非常有效，尤其对于噪声较强的图像，得到的结果比普通方法好很多。该方法可以广泛应用于各种临床与基础研究。
【技术实现步骤摘要】
本专利技术涉及医学图像分割
，一种利用局部和全局区域不相似性度量的变分分割方法，基于level set框架，对医学图像数据进行处理。
技术介绍
随着现代技术的快速发展，各种非侵入成像手段被不断开发出来，这些技术的进步，使得人类探索大脑的奥秘，研究各种精神疾病的病理基础成为可能。由于大脑结构非常复杂，不同的组织，不同的子结构在组成上，功能上都极大的不同，因此需要把大脑按照不同的应用划分成不同的感兴趣区域，这就是脑图像分割，由分割对象的不同，脑图像分割可以分为组织分割，子结构分割，及病变组织分割。因为分割是几乎所有对大脑结构分析的基础，所以它在医学图像处理中起着非常重要的作用。现代图像处理学，计算机视觉已经发展了很多分割算法，大部分可以应用于医学图像领域，但是脑图像的分割问题要更为复杂，一是大脑本身形状的复杂，二是目前各种成像手段的限制，例如对MRI脑成像，有限的图像分辨率，部分容积效应，噪声，不均匀场，同种组织的信号不均匀性等都会使得分割问题变得非常难以处理。虽然可以由人工来进行处理，但是一般的脑成像数据都是三维，而且通常都是研究成组的数据，所以数据量是非常惊人的，另外不同的人分割的结果会有不同，而且精度有时也无法达到要求，因此基于图像信息的自动/半自动分割算法是迫切需要的。对图像分割算法研究有着大量的文献，然而由于图像分割问题是一个特异性的问题，也就是说对不同的目标，问题就可能完全不同，要具体问题具体分析，因此不存在一种完全普适的方法可以很好的解决分割问题。但是一些经典的，有效地算法还是存在的。目前对于医学图像，主流的分割算法基本上有两类，一类是把图像分割看作是分类问题，即图像的灰度及其它特征构成图像的特征空间，在这个空间内用有效的分类/聚类算法，例如模糊C均值方法，SVM，贝叶斯方法，马尔可夫场分割方法等，这类方法的一个缺陷就是对噪声比较敏感。另一大类方法是主动轮廓模型。首先初始化一个图像域中的轮廓，然后在给定速度场下向目标进化，最终达到目标边界的方法。根据进化过程所采用的信息的不同，可以基本分为边界驱动的方法，区域驱动的方法，先验信息驱动的方法。边界驱动的方法利用了图像的梯度信息来决定对应位置的轮廓速度的大小，因为用的是局部信息，因此对初始化和噪声非常敏感。基于区域的方法采用了全局的信息，类似于区域竞争，具有更鲁棒的特性。结合先验信息的方法效果最好，他们是在给予边界或者区域的方法上再加上几何形状的先验信息。但是先验知识得提取，训练是很难，关键的步骤，对于有的分割问题就没法得到这样的先验信息。我们的方法是一种区域驱动的方法，因为同时应用了每个像素的邻域的一阶和二阶矩信息，因此对于噪声污染很强以及扩散边界的问题比传统的基于区域的方法有更好的分割结果。参考文献C.Xu，D.L.Pham and J.L.Prince，Medical Image Segmentation UsingDeformable Models，Handbook of Medical Imaging-Volume2MedicalImage Processing and Analysis.Pp.129-174.SPIE Press May 2000.S.C Zhu and A.Yuille.Region CompetitionUnifying Snakes，RegionGrowing，and Bayes/MDL for Multiband Image Segmentation.IEEETransactions on Pattern Analysis and Machine Intelligence，18(9)884-900.T.F.Chan and L.A.Vese，Active contours without edges.IEEE Transactions onImage Processing.10(2)266-277.2001N.Paragios and R.Deriche.Geodesic Active Regions and Level Set Methodsfor Supervised Texture Segmentation.International Journal of Computer Vison，46(3)223-247，2002. N.Paragios.Geodesic Active Regions and Level Set methodsContributionsand Applications in Aritfical Vision.PhD thesis.Ecole Superiore en ScienceInformatique，Universite de Nice-Sophia Antipolis/INRIA.2000.C.Lenglet，M.Rousson，and R.Deriche，Segmentation of 3D ProbabilityDensity fields by surface evolutionApplication to Diffusion MRI.In Proc 7thIntl.Conf.on Medical Image Computing and Computer Assisted intervention，Saitn-Malo，France，September，2004
技术实现思路
一种对医学图像进行分割处理的方法，本专利技术应用于图像分析领域，尤其对于核磁共振成像与扩散张量成像，当然也包括其它模态的图像也适用。对于一幅图像，在给定区域个数(分割对象个数)以后，通过对局部区域(每个像素的邻域)与全局区域(图像域的一剖分，例如目标，背景)作不相似性度量(目前我们用J散度)，可以得到划分的定量评价-能量范函，对这个能量范函求极值，采用梯度下降或者其它优化算法找到对应极值的函数。本方法基于level set框架，用隐函数描述对象的轮廓，在欧拉坐标系下更新全场，从而得到对应零level set的进化过程，基于这一框架的好处是拓扑自适应，数值计算稳定，可以求得间断解。另外对于图像驱动的速度场，我们提供了归一化函数，从而使得计算可以在较大的时间步长下稳定，提高计算的速度。本专利技术的核心部分在于，我们提出了一种通过J散度(对称KL散度)来度量局部和全局区域相似度的变分分割方法(也就是一种能量最小化的方法)。这种方法是通过假设图像中每个区域(全局的图像区域和每个像素对应的局部区域)都满足某种分布，然后用信息论中度量随机变量分布不相似性准则来度量它们的相似性。这种方法由于包含了每个像素邻域的一阶和二阶矩信息，所以具有更广泛的区分不同区域的能力。因此对低信噪比图像可以有很好的分割效果。这个方法可以用于DTI图像的白质结构分割，MRI图像的子结构分割等，尤其在图像质量比较差的情况下，比其它现有的方法具有更鲁棒和更精确的结果。另外，因为对于所有区域都符合高斯分布的假设，以及J散度对于高斯分布存在着非常简洁的表达式，因此可以得到很简单的进化方程，使得整个计算的复杂度增加很小，但是效果大大的提高了。本专利技术方法的特征是，利用计算机设备，采用基于全局区域和局部区域不相似度量的变分主动轮廓模型(本文档来自技高网...
【技术保护点】
一种对医学图像进行分割处理的方法，其特征是，利用计算机设备，采用基于全局区域和局部区域不相似度量的变分主动轮廓模型，使用ｌｅｖｅｌｓｅｔ框架，对图像自动进行目标提取，变分分割方法，是轮廓函数的范函，基于某种准则建立对图像的定量化描述，然 后找到最优的轮廓，就找到了图像中物体的边界，对于一幅图像，在给定区域个数以后，通过对局部区域与全局区域作不相似性度量，用Ｊ散度，得到划分的定量评价－能量范函，对这个能量范函求极值，采用梯度下降算法找到对应极值的函数，基于ｌｅｖｅｌ ｓｅｔ框架，用隐函数描述对象的轮廓，在欧拉坐标系下更新全场，从而得到对应零ｌｅｖｅｌｓｅｔ的进化过程，基于这一框架的好处是拓扑自适应，数值计算稳定，可以求得间断解，另外对于图像驱动的速度场，提供归一化函数，其核心部分在于，提出 一种通过Ｊ散度来度量局部和全局区域相似度的变分分割方法，该方法是通过假设图像中每个区域都满足分布，然后用信息论中度量随机变量分布不相似性准则来度量它们的相似性，该方法包含每个像素邻域的一阶和二阶矩信息，具有区分不同区域的能力。
【技术特征摘要】
【专利技术属性】
技术研发人员：蒋田仔，朱万琳，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：11[中国|北京]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。