一種前列腺超聲圖像自動精確分割方法技術

前列腺超聲圖像自動精確分割方法，屬于計算機輔助診斷領域。該方法使用通過各向異性擴散構建的多尺度空間，通過Gabor濾波提取各個尺度下前列腺超聲圖像的紋理特征。同時，使用非參數核密度估計方法構建前列腺形狀空間，并通過均值漂移（meanshift）在形狀空間內進行搜索。在紋理特征和形狀空間的雙重約束下，得到前列腺輪廓的粗分割。最后，使用活動輪廓模型（activecontourmodels），結合方向梯度，自適應探測范圍，求精分割結果，最后穩健地得到前列腺超聲圖像的精確分割。該方法解決了超聲圖像對比度低，斑點噪聲、陰影區域對分割干擾大的問題；實現前列腺超聲圖像精確分割；可以適應各個廠商生產的不同型號超聲機，對超聲成像系統參數設置不敏感。

【技術實現步驟摘要】
一種前列腺超聲圖像自動精確分割方法
本專利技術涉及計算機輔助診斷領域，具體涉及圖像分割技術。
技術介紹
超聲醫學（UltrasonicMedicine）是醫學影像學（MedicalImageology）的一個重要組成部分，和CT、MRI、同位素掃描（RadioisotopeScan）共同被稱為現在醫學影像診斷的四項主要檢查方法。對前列腺輪廓的準確提取，是計算機參與一系列輔助分析的基礎。然而人工邊界提取十分費時，同時，受限于人的經驗、相關知識以及注意力，分析結果可能多變且不準確。所以，用計算機實現自動前列腺超聲圖像的輪廓提取，不僅具有理論研究價值，對于推動醫療技術的發展，較早發現病變，及時提供治療，降低死亡率，減輕病人痛苦，也具有十分重要的意義。早在2003年，東南大學羅立民教授提出了一種超聲波多尺度非線性的自適應邊界檢測方法，首先對超聲圖像進行多尺度分解，然后用非線性軟閾值法抑制斑點噪聲之后用小波變換重建圖像最后使用基于“窄條”的線性邊界檢測方法對已經將降噪的圖像進行處理。但由于區域增長過程的時間開銷，其計算量較大。同年，Mohamed等提出了一種使用gabor濾波提取紋理的分割方法。此外，局部二值模式（LocalBinaryPattern）提取紋理特征也廣泛應用到了超聲圖像分割中。兩年后，北京交通大學阮秋琦教授提出了一種提出了一種超聲圖像去噪與邊緣增強算法:可以在去除噪聲的同時,保持重要的邊緣、局部細節和超聲回聲亮條。雖然對抑制噪聲增強邊界有較好的效果,但沒有將其應用到對圖像的分割和邊緣檢測中。英屬哥倫比亞大學Badiei等人于2006年提出了一種通過用戶交互，由用戶提供6個輸入點，來控制橢圓形變，從而尋找前列腺邊緣的方法。這種方法簡單高效，對一般形狀的前列腺有較好的效果，而對于形變比較嚴重，形狀不規則的目標，則難以達到理想的效果。同年，南京理工大學夏德深教授提出了一種先驗形狀參數活動輪廓模型，并將其應用在醫學圖像分割中,通過引入一種非距離性的先驗形狀力場，構建一種新的能反映先驗形狀的參數活動輪廓模型,新的先驗形狀活動輪廓模型避免了曲線之間距離的計算，減少了模型的復雜性.但是該模型在處理圖像之前需要人工定義活動輪廓模型的初始曲線。加拿大西安大略大學Nanayakkara等人在中提出了另一種新算法，使用域知識，結合模糊集的思想，利用一系列基于區域自適應算子，對離散動態輪廓（DiscreteDynamicContour，DDC）模型進行了改進，它不僅可以擴大DDC在非邊界區域的檢測范圍，同時能增強其在目標輪廓附近的穩定性，起到很好的自適應效果。然而，這種方法沒有考慮超聲圖像中由陰影導致的邊界丟失問題，從而使得DDC模型在這類區域使用很大的探測范圍，導致了不準確的分割結果。華中科技大學謝長生教授于2007年提出了多尺度形態學操作和模糊聚類技術相結合的圖像分割方法.首先使用了多尺度形態學濾波器提取超聲圖像的亮和暗特征,然后根據這些特征的尺度特性進行加權,從而實現了超聲圖像對比度增強和噪聲抑制的目的.然后,使用模糊聚類技術對增強后的超聲圖像進行分割.該方法對醫學超聲圖像的增強和邊緣檢測有一定的效果但對于特定器官的處理效果欠佳。2010年，哈爾濱工業大學唐降龍教授提出了一種結合全局概率密度差異與局部灰度擬合的主動輪廓模型對超聲圖像進行分割的方法.該方法分別在原始超聲圖像與預處理圖像上利用了圖像的全局和局部信息.在原始圖像上,利用各區域的灰度分布,并結合超聲圖像的背景知識對圖像的全局信息建模。飛利浦北美研究院Yang等人也于2010年提出了一種新的思路，使用部分活動輪廓模型（PartialActiveShapeModels）來處理邊界丟失的問題，使用在結合離散可形變模型（DiscreteDeformableModel）進一步對分割結果求精。該方法使用未經預處理的圖像，沒有進一步挖掘圖像中蘊含的信息（如紋理特性）。同時超聲圖像信噪比、對比度都較低，直接在原始圖像上進行處理，難以得到較好的處理結果。另外，該方法對目標形狀的建模也有一定局限性，因為主成分分析（PrincipalComponentAnalysis）只能去除訓練集中不同維度的線性相關性，對于現實數據存在的普遍相關相關性難以徹底去除，故在訓練集合很接近高斯分布的時候能很好模擬它，對于一些復雜分布則難以取得良好的效果。
技術實現思路
本專利技術為了解決超聲圖像對比度低，斑點噪聲、陰影區域對分割干擾大的，沒有臨床實用的前列腺超聲圖像自動分割輔助系統，而提出了一種前列腺超聲圖像自動精確分割方法。本專利技術使用通過各向異性擴散構建的多尺度空間，通過Gabor濾波提取各個尺度下前列腺超聲圖像的紋理特征。同時，使用非參數核密度估計方法構建前列腺形狀空間，并通過均值漂移（meanshift）在形狀空間內進行搜索。在紋理特征和形狀空間的雙重約束下，得到前列腺輪廓的粗分割。最后，使用活動輪廓模型（activecontourmodels），結合方向梯度，自適應探測范圍，求精分割結果，最后穩健地得到前列腺超聲圖像的精確分割。本專利技術的前列腺超聲圖像自動精確分割方法步驟如下所示：步驟一：基于一個數據集的學習樣本圖片，使用各向異性擴散方法，構建出尺度空間。由超聲圖像專家手工精確分割，使用Gabor濾波在不同方向、不同頻率以及不同尺度下提取超聲圖像輪廓邊緣的紋理特征；步驟二：自動初始化起始輪廓模型，從最粗糙的尺度開始，由學習提取的紋理特征和模型輪廓邊緣的方向梯度特征作為引導，結合由核密度估計構建的形狀空間，共同在子空間約束下尋找目標輪廓，進行初步分割，具體實現步驟為：步驟A：模型輪廓上的每一個控制點，都在法向方向上考察臨近的坐標點，考慮法線上點紋理特征和方向梯度特征的共同作用，該控制點移向作用最強點的位置；步驟B：每一個控制點獨立移動過后，模型的形狀可能已經被破壞，此時，通過核密度估計方法，考察當前模型形狀是否在形狀空間之內，如果是，則進入步驟A，否則進入步驟C；步驟C：對當前形狀使用均值漂移算法，使其向核密度高的方向移動，直到其核密度估計值滿足形狀空間要求；步驟D：考察當前是否在最精細一級的尺度下操作，是則進入步驟三，否則切換到更精細一級尺度，進入步驟A；步驟三：對原始超聲圖像使用均值偏移算法平滑，結合顯著點監測算法，使用步驟二的輸出形狀為初始形狀，使用活動輪廓模型進一步求精分割結果，得到最后的前列腺超聲圖像精確分割結果。附圖說明圖1本專利技術方法的流程框圖；圖2是本專利技術的控制點法向運動示意圖；圖3是本專利技術的自適應探測距離示意圖；圖4是本專利技術步驟二的輸出結果示意圖；圖5是本專利技術的最終分割示意圖，與圖4對應；圖6是本專利技術的最終分割結果與專家分割結果的對比示意圖，其中虛線為專家分割結果，實線為本專利技術的分割結果。具體實施方式結合圖1說明本實施方式，本實施方式的步驟如下：步驟一：基于一個數據集的學習樣本圖片，使用各向異性擴散方法，構建出尺度空間。由超聲圖像專家手工精確分割，使用Gabor濾波在不同方向、不同頻率以及不同尺度下提取超聲圖像輪廓邊緣的紋理特征；步驟二：自動初始化起始輪廓模型，從最粗糙的尺度開始，由學習提取的紋理特征和模型輪廓邊緣的方向梯度特征作為引導，結合由核密度估計構建的形狀空間，共同本文檔來自技高網...

【技術保護點】
前列腺超聲圖像自動精確分割方法，該方法使用通過各向異性擴散構建的多尺度空間，通過Gabor濾波提取各個尺度下前列腺超聲圖像的紋理特征；同時，使用非參數核密度估計方法構建前列腺形狀空間，并通過均值漂移（mean？shift）在形狀空間內進行搜索；在紋理特征和形狀空間的雙重約束下，得到前列腺輪廓的粗分割；最后，使用活動輪廓模型（active？contour？models），結合方向梯度，自適應探測范圍，求精分割結果，最后穩健地得到前列腺超聲圖像的精確分割。

【技術特征摘要】
1.前列腺超聲圖像自動精確分割方法，該方法使用通過各向異性擴散構建的多尺度空間，通過Gabor濾波提取各個尺度下前列腺超聲圖像的紋理特征；同時，使用非參數核密度估計方法構建前列腺形狀空間，并通過均值漂移（meanshift）在形狀空間內進行搜索；在紋理特征和形狀空間的雙重約束下，得到前列腺輪廓的粗分割；最后，使用活動輪廓模型（activecontourmodels），結合方向梯度，自適應探測范圍，求精分割結果，最后穩健地得到前列腺超聲圖像的精確分割；其特征在于它的步驟如下：步驟一：基于一個數據集的學習樣本圖片，使用各向異性擴散方法，構建出尺度空間；由超聲圖像專家手工精確分割，使用Gabor濾波在不同方向、不同頻率以及不同尺度下提取超聲圖像輪廓邊緣的紋理特征；步驟二：自動初始化起始輪廓模型，從最粗糙的尺度開始，由學習提取的紋理特征和模型輪廓邊緣的方向梯度特征作為引導，結合由核密度估計構建的形狀空間，共同在子空間約束下尋找目標輪廓，進行初步分割，具體實現步驟為：步驟A：模型輪廓上的每一個控制點，都在法向方向上考察臨近的坐標點，考慮法線上點紋理特征和方向梯度特征的共同作用，該控制點移向作用最強點的位置；步驟B：每一個控制點獨立移動過后，模型的形狀可能已經被破壞，此時，通過核密度估計方法，考察當前模型形狀是否在形狀空間之內，如果是，則進入步驟A，否則進入步驟C；步驟C：對當前形狀使用均值漂移算法，使其向核密度高的方向移動，直到其核密度估計值滿足形狀空間要求；步驟D：考察當前是否在最精細一級的尺度下操作，是則進入步驟三，否則切換到更精細一級尺度，進入步驟A；步驟三：對原始超聲圖像使用均值偏移算法平滑，使用步驟二的輸出形狀為初始形狀，使用活動輪廓模型進一步求精分割結果，得到最后的前列腺超聲圖像精確分割結果。2.根據權利要求1所述的前列腺超聲圖像自動精確分割方法，其特征在于步驟一，對學習數據集輪廓上的每一個控制點編號，則每一個形狀輪廓可以表示為一個維空間內的一個點：(1)Gabor濾波的實部為(2)其中(3)(4)符號表示正弦曲線的波長因子，表示Gabor...

【專利技術屬性】
技術研發人員：劉怡光，李永忠，吳鵬飛，
申請(專利權)人：劉怡光，
類型：發明
國別省市：