一种基于核磁共振图像序列的图像分割重建方法及系统

摘要

本发明公开了一种基于核磁共振图像序列的图像分割重建方法及系统，本发明涉及图像分割重建领域，该方法包括获取核磁共振图像，并提取所述核磁共振图像的多个帧的参照图像，对每个所述参照图像的图像轮廓进行标注，获取轮廓标注信息；根据所述轮廓标注信息，通过形状插值，获取所述核磁共振图像的每帧图像的形状先验；根据所述轮廓标注信息和所述形状先验，通过粒子滤波，获取除所述参照图像之外的各帧图像的初始轮廓信息，其中所述初始轮廓信息包括所述各帧图像的正向粒子滤波结果和反向粒子滤波结果；根据所述正向粒子滤波结果和所述反向粒子滤波结果，通过距离插值，获取所述各帧图像的最终轮廓信息。

说明书

技术领域

本发明涉及图像分割重建领域，特别涉及一种基于核磁共振图像序列的图 像分割重建方法及系统。

背景技术

核磁共振成像可以通过磁场发射出的电子波来检测绘制物体内部的结构 图像，核磁共振成像被用于物体内部结构的成像，使其在科学研究中产生了重 要的作用。核磁共振图像获得了组织的内部图像之后，如何识别特定的组织成 为了一个迫切需要解决的问题。

例如基于核磁共振图像的肌肉组织图像分割重建的难点在于待分割的肌肉 组织与周围组织的分界不够清晰，无法利用图像的边缘特征来完成整个肌肉组 织的分割。现在主流的方法有以下几类：第一种方法是纯手工对每一帧肌肉的 轮廓进行勾画，这种方法需要操作者对被解剖物体的结构较为了解，同时这种 方法需要大量的手工交互操作；第二种方法是使用变形一般模型的方法，这种 方法需要提前标注少量帧的肌肉组织作为约束，然后从一个一般模型出发，根 据约束进行变形，这种方法不能够处理肌肉的拓扑形状变化；第三种方法是构 建形状先验的方法来解决肌肉组织的分割，其具体步骤为通过手工标记大量不 同人的或者同一人的某一块肌肉组织的形状，然后通过机器学习的方法来进行 训练构建一个形状先验，对于待分割的图像利用构建的形状先验进行分割，但 是这个方法基于一个假设，即待分割的肌肉组织必须与训练数据中手工标注的 数据在形状上是相似或者一致的，这个假设对于正常人的肌肉组织可能会工作 得比较好，但是对于肌肉萎缩数据的个体，由于萎缩肌肉的形态与正常肌肉形 态不同，所以结果会比较差。

现有方法不能解决针对需要分割重建的物体与其他物体分界不够清晰(例 如特定肌肉)的快速高精度分割重建同时保持肌肉的拓扑变化的问题，需要发 展一种能够处理复杂图像的分割重建方法。

发明专利“一种利用视频分割与粒子滤波实现多目标跟踪方法”，该发明 公开了一种利用视频分割与粒子滤波实现多目标跟踪方法，该方法包括建立系 统模型、建立目标运动模型与颜色模型和视频分割等步骤，该方法结合视频分 割与粒子滤波各自优点，实现了多目标跟踪，大大地提高跟踪速度与精度，本 发明充分利用测量与目标的关联程度，实现多目标在遮挡情况下运动跟踪。但 是该发明解决的问题是视频分割与粒子滤波实现的目标跟踪，该发明解决的仅 仅是跟踪问题，本发明使用的思路是使用双向跟踪完成3D重建，其与本发明 解决的问题不同。

发明专利“一种超声图像分割方法和系统”，该发明适用于图像处理技术 领域，尤其涉及一种超声图像分割方法和系统。所述方法包括以下步骤：将统 计形状模型和采集到的指定器官的三维超声数据进行粗配准，得到初始化坐标 变换参数；根据初始化坐标变换参数，利用基于粒子滤波的图像分割算法对三 维超声数据进行迭代分割，所述统计形状模型是通过对多个高清晰度三维数据 的手动分割结果进行训练得到的平均值与表征变化模态的一组特征向量的组 合。这样，就避免了手动分割及半自动分割需要人工参与较多的问题，相比现 有的全自动分割方法，该发明解决图像分辨率低以及图像模糊状态下分割的准 确性问题。但该发明解决的问题是使用超声图像来进行物体的分割与重建,这 种方法依赖于提前已知物体的统计形状和模型，但对于像萎缩肌肉之类的组 织，没有一个统一的形状，其与本发明解决的问题不同。

发明内容

针对现有技术的不足，本发明提出一种基于核磁共振图像序列的图像分割 重建方法及系统。

本发明提出一种基于核磁共振图像序列的图像分割重建方法，包括：

步骤1，获取核磁共振图像，并提取所述核磁共振图像的多个帧的参照图 像，对每个所述参照图像的图像轮廓进行标注，获取轮廓标注信息；

步骤2，根据所述轮廓标注信息，通过形状插值，获取所述核磁共振图像 的每帧图像的形状先验；

步骤3，根据所述轮廓标注信息和所述形状先验，通过粒子滤波，获取除 所述参照图像之外的各帧图像的初始轮廓信息，其中所述初始轮廓信息包括所 述各帧图像的正向粒子滤波结果和反向粒子滤波结果；

步骤4，根据所述正向粒子滤波结果和所述反向粒子滤波结果，通过距离 插值，获取所述各帧图像的最终轮廓信息。

所述的基于核磁共振图像序列的图像分割重建方法，所述步骤2还包括： 获取所述核磁共振图像的每帧图像的水平集。

所述的基于核磁共振图像序列的图像分割重建方法，通过以下公式获取所 述水平集：

${\Phi }_{\mathrm{shapeprior}}=\frac{d_2{\Phi }_{\mathrm{top}}+d_1{\Phi }_{\mathrm{bottom}}}{d}$

其中Φ_top,Φ_bottom分别为所述核磁共振图像的第一帧图像和最后一帧图像的 水平集,d为第一帧图像与最后一帧图像之间的距离,d₁,d₂分别为当前帧图像 与第一帧图像和最后一帧图像的距离。

所述的基于核磁共振图像序列的图像分割重建方法，所述步骤3包括：

步骤31，跟踪所述各帧图像的图像轮廓的全局运动；

步骤32，跟踪所述图像轮廓的局部变化；

步骤33，更新每个粒子的似然概率；

步骤34，将所述似然概率进行归一化。

所述的基于核磁共振图像序列的图像分割重建方法，所述步骤4通过以下 公式获取所述最终轮廓信息：

$X_t^{\mathrm{final}}=\frac{d_2{X}_t^{+}+d_1{X}_t^{-}}{d}$

其中为第t帧图像的所述最终轮廓信息，d₁为第t帧图像的图像轮廓 距离第一个被标注的所述参照图像的图像轮廓的距离，d₂为第t帧图像的图像 轮廓距离最后一个被标注的所述参照图像的图像轮廓的距离，分别为所 述正向粒子滤波结果和所述反向粒子滤波结果。

本发明还提出一种基于核磁共振图像序列的图像分割重建系统，包括：

轮廓标注模块，用于获取核磁共振图像，并提取所述核磁共振图像的多个 帧的参照图像，对每个所述参照图像的图像轮廓进行标注，获取轮廓标注信息；

获取形状先验模块，用于根据所述轮廓标注信息，通过形状插值，获取所 述核磁共振图像的每帧图像的形状先验；

获取初始轮廓信息模块，用于根据所述轮廓标注信息和所述形状先验，通 过粒子滤波，获取除所述参照图像之外的各帧图像的初始轮廓信息，其中所述 初始轮廓信息包括所述各帧图像的正向粒子滤波结果和反向粒子滤波结果；

获取最终轮廓信息模块，用于根据所述正向粒子滤波结果和所述反向粒子 滤波结果，通过距离插值，获取所述各帧图像的最终轮廓信息。

所述的基于核磁共振图像序列的图像分割重建系统，所述获取形状先验模 块还包括：用于获取所述核磁共振图像的每帧图像的水平集。

所述的基于核磁共振图像序列的图像分割重建系统，通过以下公式获取所 述水平集：

${\Phi }_{\mathrm{shapeprior}}=\frac{d_2{\Phi }_{\mathrm{top}}+d_1{\Phi }_{\mathrm{bottom}}}{d}$

其中Φ_top,Φ_bottom分别为所述核磁共振图像的第一帧图像和最后一帧图像的 水平集,d为第一帧图像与最后一帧图像之间的距离,d₁,d₂分别为当前帧图像 与第一帧图像和最后一帧图像的距离。

所述的基于核磁共振图像序列的图像分割重建系统，所述获取初始轮廓信 息模块包括：

用于跟踪所述各帧图像的图像轮廓的全局运动；

用于跟踪所述图像轮廓的局部变化；

用于更新每个粒子的似然概率；

用于将所述似然概率进行归一化。

所述的基于核磁共振图像序列的图像分割重建系统，所述获取最终轮廓信 息模块通过以下公式获取所述最终轮廓信息：

$X_t^{\mathrm{final}}=\frac{d_2{X}_t^{+}+d_1{X}_t^{-}}{d}$

其中为第t帧图像的所述最终轮廓信息，d₁为第t帧图像的图像轮廓 距离第一个被标注的所述参照图像的图像轮廓的距离，d₂为第t帧图像的图像 轮廓距离最后一个被标注的所述参照图像的图像轮廓的距离，分别为所 述正向粒子滤波结果和所述反向粒子滤波结果。

由以上方案可知，本发明的优点在于：

使用简单，只需要标注少量帧数据，即可完整恢复出整个物体的3D形态； 本发明使用粒子滤波，每一个粒子的轮廓使用水平集的零水平面表示，可以处 理物体的拓扑形状变化；本发明的精度很高,其分割的精度与纯手工标准的数 据作对比,误差小于4％；本发明具有良好的扩展性，其可以处理重建获得不规 则物体或组织的3D形态。

附图说明

图1为本发明的总体流程图；

图2为肌肉组织图像分割重建流程图；

图3为通过核磁共振获取的原始肌肉组织图像；

图4为进行轮廓标注之后的几帧肌肉组织图像；

图5为形状插值示意图；

图6为粒子滤波迭代过程与正向跟踪和反向跟踪示意图；

图7为肌肉组织图像进行分割重建后的3D图像。

其中附图标记为：

100为本发明的总体步骤，包括：

步骤101/102/103/104；

200为肌肉组织图像分割重建的步骤，包括：

步骤201/202/203/204/205。

具体实施方式

本发明的具体流程如下，如图1所示：

步骤101，获取核磁共振图像，并提取所述核磁共振图像的多个帧的参照 图像，对每个所述参照图像的图像轮廓进行标注，获取轮廓标注信息；

步骤102，根据所述轮廓标注信息，通过形状插值，获取所述核磁共振图 像的每帧图像的形状先验，获取所述核磁共振图像的每帧图像的水平集，并通 过以下公式获取水平集：

${\Phi }_{\mathrm{shapeprior}}=\frac{d_2{\Phi }_{\mathrm{top}}+d_1{\Phi }_{\mathrm{bottom}}}{d}$

其中Φ_top,Φ_bottom分别为所述核磁共振图像的第一帧图像和最后一帧图像的 水平集,d为第一帧图像与最后一帧图像之间的距离,d₁,d₂分别为当前帧图像 与第一帧图像和最后一帧图像的距离；

步骤103，根据所述轮廓标注信息和所述形状先验，通过粒子滤波，获取 除所述参照图像之外的各帧图像的初始轮廓信息，其中所述初始轮廓信息包括 所述各帧图像的正向粒子滤波结果和反向粒子滤波结果，但是由于通过步骤 102获得的形状先验仅仅是每一帧核磁共振图像的近似轮廓信息，所以需要使 用粒子滤波的方法来根据当前帧的图像来具体确定当前帧的轮廓是什么样子 的，所以步骤103还包括以下子步骤：

跟踪所述各帧图像的图像轮廓的全局运动；

跟踪所述图像轮廓的局部变化；

更新每个粒子的似然概率；

将所述似然概率进行归一化。

步骤104，根据所述正向粒子滤波结果和所述反向粒子滤波结果，通过距 离插值，获取所述各帧图像的最终轮廓信息，以下公式获取所述最终轮廓信息：

$X_t^{\mathrm{final}}=\frac{d_2{X}_t^{+}+d_1{X}_t^{-}}{d}$

其中为第t帧图像的所述最终轮廓信息，d₁为第t帧图像的图像轮廓 距离第一个被标注的所述参照图像的图像轮廓的距离，d₂为第t帧图像的图像 轮廓距离最后一个被标注的所述参照图像的图像轮廓的距离，分别为所 述正向粒子滤波结果和所述反向粒子滤波结果。

本发明的系统包括以下模块：

轮廓标注模块，用于获取核磁共振图像，并提取所述核磁共振图像的多个 帧的参照图像，对每个所述参照图像的图像轮廓进行标注，获取轮廓标注信息；

获取形状先验模块，用于根据所述轮廓标注信息，通过形状插值，获取所 述核磁共振图像的每帧图像的形状先验，获取所述核磁共振图像的每帧图像的 水平集，并通过以下公式获取水平集：

${\Phi }_{\mathrm{shapeprior}}=\frac{d_2{\Phi }_{\mathrm{top}}+d_1{\Phi }_{\mathrm{bottom}}}{d}$

其中Φ_top,Φ_bottom分别为所述核磁共振图像的第一帧图像和最后一帧图像的 水平集,d为第一帧图像与最后一帧图像之间的距离,d₁,d₂分别为当前帧图像 与第一帧图像和最后一帧图像的距离；

获取初始轮廓信息模块，用于根据所述轮廓标注信息和所述形状先验，通 过粒子滤波，获取除所述参照图像之外的各帧图像的初始轮廓信息，其中所述 初始轮廓信息包括所述各帧图像的正向粒子滤波结果和反向粒子滤波结果，但 是由于通过获取形状先验模块获得的形状先验仅仅是每一帧核磁共振图像的 近似轮廓信息，所以需要使用粒子滤波的方法来根据当前帧的图像来具体确定 当前帧的轮廓是什么样子的，所以获取初始轮廓信息模块还包括以下子用途：

跟踪所述各帧图像的图像轮廓的全局运动；跟踪所述图像轮廓的局部变 化；更新每个粒子的似然概率；将所述似然概率进行归一化。

获取最终轮廓信息模块，用于根据所述正向粒子滤波结果和所述反向粒子 滤波结果，通过距离插值，获取所述各帧图像的最终轮廓信息，以下公式获取 所述最终轮廓信息：

$X_t^{\mathrm{final}}=\frac{d_2{X}_t^{+}+d_1{X}_t^{-}}{d}$

其中为第t帧图像的所述最终轮廓信息，d₁为第t帧图像的图像轮廓 距离第一个被标注的所述参照图像的图像轮廓的距离，d₂为第t帧图像的图像 轮廓距离最后一个被标注的所述参照图像的图像轮廓的距离，分别为所 述正向粒子滤波结果和所述反向粒子滤波结果。

为了使本发明的目的、技术方案及优点更加清楚明白，以下以分割重建肌 肉组织图像为实施例，并结合附图，对本发明进行详细说明，应当理解，此处 所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图2所示，肌肉组织图像的分割重建方法包括如下步骤：

步骤201，获取原始肌肉组织MRI图像(核磁共振图像)，如图3所示；

步骤202，从原始肌肉组织MRI图像(核磁共振图像)上，获取几帧肌肉 组织图像，并对获取的每帧肌肉组织图像进行轮廓标注，如图4所示；

步骤203，根据轮廓标注信息，使用形状插值来获得所述原始肌肉组织图 像每一帧的形状先验，即通过形状插值来计算每一帧的水平集，通过以下公式 计算水平集，如图5所示：

${\Phi }_{\mathrm{shapeprior}}=\frac{d_2{\Phi }_{\mathrm{top}}+d_1{\Phi }_{\mathrm{bottom}}}{d}$

其中Φ_top,Φ_bottom表示的分别是原始肌肉组织图像的第一帧图像和原始肌肉 组织的最后一帧图像的水平集函数,d表示第一帧图像与最后一帧图像之间的 距离,d₁,d₂分别表示当前帧图像与第一帧图像和最后一帧图像的距离；

步骤204，如图6所示，从标注帧开始结合形状先验，使用粒子滤波来获 得从第一个被标注帧图像到最后一个被标注帧图像之间的各帧图像的标注结 果，但是由于通过步骤203获得的形状先验仅仅是每一帧原始肌肉组织图像的 近似轮廓信息，所以需要使用粒子滤波的方法来根据当前帧的图像来具体确定 当前帧的轮廓是什么样子的，所以步骤204还包括以下子步骤：

跟踪肌肉轮廓的全局运动，通过以下公式跟踪肌肉轮廓的全局运动：

A_t＝f_g(A_t-1)+u_g u_g～N(0,Σ_g)

A_t表示当前一帧图像的全局旋转信息，根据前一时刻的一帧图像的信息来 推断获得的，u_g表示噪声信息，u_g～N(0,Σ_g)表示噪声服从一个矩阵为0,协方 差为Σ_g的高斯分布，跟踪肌肉轮廓的全局运动是指一个一阶马尔科夫链的 过程，可以根据前一帧图像的肌肉轮廓信息来估计下一帧图像的轮廓变化。

跟踪肌肉轮廓的局部变化，肌肉轮廓的变化除了全局的旋转之外，还有局 部的变化，本发明使用水平集的梯度场来引导这种局部的零水平面变形，公式 如下：

C_t＝f_lμ_t+u_l u_l～N(0,Σ_l)

μ^k＝μ^k-1-α^k▽_μE_image(μ^k-1,Y)

E_image＝E_region+E_prior

E_region＝μ(∫_Ω|▽H(Φ)|dxdy)^p+v∫_ΩH(Φ)dxdy+λ₁∫_Ω|I-c₁|²H(Φ)dxdy +λ₂∫_Ω|I-c₂|²(1-H(Φ))dxdy

E_prior＝∫_ΩH(Φ)Φ₀dxdy

其中C_t表示经过全部变形和水平集的轮廓演化之后获得肌肉组织轮廓，μ_t表示经过几步水平集演化之后获得的水平集零水平面，f_l为轮廓演化函数,u_l为噪声项,表示服从一个均值为0,协方差矩阵为Σ_l的高斯分布,μ^k表示第k 次迭代的水平集轮廓函数,α表示衰减常数,Y表示原始图像，E_image表示当前图 像的水平集能量函数，E_region表示区域能量项,其中包括轮廓的长度，轮廓所包 围区域的大小，轮廓内的像素的均一程度和轮廓外像素的均一程度，E_prior代表 先验能量项,表示当前轮廓Φ与先验轮廓Φ₀之间的差异，I表示图像的灰度信 息,H(Φ)表示光滑函数,当水平集函数在当前像素值的值大于等于0时,其为 1,其余为0，μ,v,λ₁,λ₂表示权重项。

更新每一个粒子的似然概率，公式如下：

$p\left(Y_t\right|X_t)=p\left(Y_t\right|C_t)\propto e^{-E_{\mathrm{image}}(C_t,Y_t)}$

根据当前轮廓的能量与当前图像的匹配程度来确定当前轮廓是否是当前 图像的最终轮廓，使用一个能量函数来度量这种相似性，X_t表示当前粒子状 态,Y_t表示当前帧图像,C_t表示经过水平集演化之后的水平集轮廓，E_image表示当 前图像的水平集能量函数。

粒子似然概率做归一化，然后重新进行下一步预测，公式如下：

$w_t^i=\frac{e^{-E_{\mathrm{image}}(C_t^i,Y_t)}}{\underset{i=1}{\overset{N}{\Sigma }}{e}^{-E_{\mathrm{image}}(C_t^i,Y_t)}}$

根据当前粒子的能量对其做概率归一，使得所有粒子的概率和为1，E_image表示当前图像的水平集能量函数.N表示共计有N个粒子,Y_t表示第t帧的 原始图像,

步骤205,结合正向和反向粒子滤波结果，使用对应帧插值获得最后的标 注结果，如图7所示。

在正向和反向做了粒子滤波之后，本发明使用一个合并步骤把两个粒子滤 波的结果相结合，并得到最后的结果，公式如下：

$X_t^{\mathrm{final}}=\frac{d_2{X}_t^{+}+d_1{X}_t^{-}}{d}$

表示的是第t帧最后的轮廓，d₁,d₂分别表示当前帧轮廓距离第一个被 标注帧轮廓和最后一个被标注帧轮廓的距离，分别表示前向和后向的粒 子滤波标注结果。(共计有两个方向的粒子滤波,分别表示前向和后向， 步骤3表示的是一个方向的粒子滤波结果。)

通过以上步骤对肌肉组织图像进行分割重建。