通过基于由K均值聚类初始化的强度直方图临界值设定的体素分类来进行3D分割

摘要

本发明涉及重新安排图像中体素的聚类图，旨在减少子聚类分散。包括两个或多个聚类级别的该聚类图与各个聚类级别内体素的分布一起被显示给用户。目的在于使得用户能够评估聚类图的质量并且基于该评估来改变所述体素的分布。这样的分布变化将导致该聚类图的更新。本申请公开了这样一种方法，其通过根据其强度对体素进行聚类(借助由强度直方图的多临界值设定实现的重复的重新初始化)，对例如3D医学图像(CT，MR)进行分割。

说明书

技术领域

本发明涉及用于评估和重新安排图像中的体素(voxel)的聚类图(clustermap)的方法和设备。

背景技术

聚类算法使得图像中类似的区域成组。通常通过定义区域来实现聚类，其中邻近体素具有类似的值。这些体素然后被组合，形成聚类，参考D.L.Pham等人的“Current Methods in Medical Imaging”，Annu.Rev.Biomed.Eng.2000.02：315-37。因此，聚类图将原始图像的准连续(quasi-continuous)值减小到更少数目的级别，从而形成聚类图。这在图1中描述，该图示出了三个聚类级别(即，聚类级别A、B和C)的示例。可以单独显示或在原始拓扑数据上叠加所得到的图，参考A.T.Agoston等人的“Intensity-modulatedparametric mapping for simultaneous display of rapid dynamic andhigh-spatial-resolution breast MR imaging data”，Imaging and TherapeuticTechnology 21，217，2001。聚类图广泛用于各种应用，一个显著和重要的示例是放射治疗计划(RTP)，参考L.Xing等人的Inverse planning for functionalimage-guided intensity modulated radiation therapy”，Phys.Med.Biol.47，3567，2002.

通过诸如K-均值算法这样简单和基本的聚类算法来实现聚类图通常会导致裂成片的聚类101(由图1中虚线圆所标记的)以及分离的聚类102-104。

在诸如RTP的应用中，分割和分离是主要的问题。对于有效剂量计划，必须要将聚类区域的数目减少到最小，以避免分割的和分离的聚类。有几种形态分割算法可以实现该目的，例如“腐蚀”和“膨胀”、距离变换，参考Milan Sonka与J.Michael Fitzpatrick的Handbook of Medical Imaging，第2卷。图2示出了在应用适当的聚类算法之后从图1中的聚类图所得到的“简化的聚类图”。图2仅包含单个聚类级别C，该聚类级别C是在将图1中的裂成片的聚类101合并成单个聚类并且消除分离的聚类之后所得到的。

存在各种方式和算法可以实现所描述的聚类图简化，并且因此可能获得不同的结果。由于这样的聚类图简化总是导致初始图像信息的丢失，因此评估所执行的修改是很重要的。特别是在医学环境中，有强大且还简单的评估工具是至关紧要的。一方面，治疗计划必须不能基于安排不当的聚类数据，另一方面，复杂的方法将不会被临床环境所接受。

发明内容

本发明的目的是，通过提供使得能够手动或自动地影响聚类的方法，针对子聚类分散来改进现有的聚类简化方法。

根据一个方面，本发明涉及一种用于重新安排图像中体素的聚类图的方法，该聚类图是由对所述图像应用聚类算法而得到的，其中该聚类图包括至少两个聚类级别，所述聚类算法还用于确定该聚类图内体素的分布、并且确定用来将该分布分成至少两个分布域的至少一个边界参数，其中每个分布域反映单个聚类级别的体素的分布，该方法包括：

提供指示至少一个更新后的边界参数的输入值，其中该边界参数指示所述分布域的更新后的数目(population)，以及

根据所述分布域的更新后的数目，重新计算所述聚类级别。

通过以这种方式改变边界参数，聚类边界也将被改变，由此可以重新安排聚类图。举个例子，如果25％的体素分布属于分布域A，45％的体素分布属于分布域B，而30％的体素分布属于分布域C，并且这些输入值的结果并未导致获得可接受的聚类图，则可以提供新的输入值。这些输入值可以例如是：30％属于A，40％属于B，而30％属于C。然后，基于更新后的数目，重新计算聚类级别。这可以被视为是一种迭代方法，这是由于如果更新后的聚类图仍不可接受，则可以提供新的输入值并且对该更新后的聚类图进行重新更新直到该聚类图的质量是可接受的为止。

在一个实施例中，在评估聚类图之后，由用户提供输入值，其中该评估是基于同时观察聚类图和所述体素的分布。这使得用户能够交互地监控并影响聚类，由此很容易评估所获得的聚类图是可接受的还是不可接受的。

在一个实施例中，在评估聚类图之后，自动提供输入值。由此，子聚类分散(即，例如利用其大小进行加权的子聚类中心的方差(variance))将会被最小化。这可能包括形态(生长/收缩)操作。还可以结合用户的交互监控来使用这样的自动过程。

在一个实施例中，所述至少两个聚类级别和分布域由不同的颜色组分(color component)来表征，其中相同的颜色组分被用于一个聚类级别和反映该聚类级别内体素的分布的分布域。这样的可视化使得能够很容易并且用户友好地评估所实现的聚类。

在一个实施例中，聚类图内体素的分布是直方图(histogram)。

在另一个实施例中，直方图柱条(bars)还包含来自邻域(neighboringdomain)的颜色组分，从而也包括了来自邻域的体素，因此获得了邻接域之间的部分重叠。由此，由于直方图不会成为阶梯式的，所以可以获得更好的聚类。

在一个实施例中，所应用的聚类算法是K-均值算法，并且其中，分布域的更新后的数目导致了针对每个聚类级别的更新后的聚类中心。当实现诸如K-均值算法这样的聚类算法以用于计算聚类图时，边界的移动将导致属于所述聚类的聚类中心的移位。因此，在一个实施例中，后续的对聚类级别的重新安排可以包括基于更新后的聚类中心来重新计算聚类图。通常，K-均值算法分两步运行，第一步骤是为每个聚类级别估算聚类中心的步骤，其中该聚类中心是该聚类中所有体素的平均；并且第二步骤是其中执行实际的聚类计算的步骤。在该第二步骤中，确定到邻近体素的距离，并且基于该距离来评估哪些体素属于同一聚类级别。因此，在一个实施例中，根据分布域的更新后的数目来重新安排聚类级别的步骤包括基于更新后的聚类中心来确定更新后的聚类图，即该第二步骤包括重新计算聚类级别的迭代。

根据另一个方面，本发明涉及一种计算机程序产品，当该产品在计算机上运行时，其用于命令处理单元执行上述方法步骤。

根据再一个方面，本发明涉及一种用于重新安排图像中体素的聚类图的设备，该聚类图是由对所述图像应用聚类算法而得到的，其中该聚类图包括至少两个聚类级别，所述聚类算法还用于确定该聚类图内体素的分布、并且确定用来将该分布分成至少两个分布域的至少一个边界参数，其中每个分布域反映单个聚类级别的体素的分布，该设备包括：

输入装置，用于接收指示至少一个更新后的边界参数的输入值，其中该边界参数指示所述分布域的更新后的数目，以及

处理器，用于根据所述分布域的更新后的数目来重新计算所述聚类级别。

本发明的各个方面都可以与任何其他方面相结合。从下面所述的实施例中，本发明的这些和其他方面将得以被阐明且变得显而易见。

附图说明

参考附图，仅通过示例的方式描述了本发明的各实施例，其中：

图1示出了具有三个聚类级别的典型聚类图，

图2示出了从图1得到的简化聚类，

图3示出了说明根据本发明的方法的实施例的流程图，

图4和5示出了聚类图和体素分布的示例，

图6示出了应用聚类算法的实施例，其中在域分布中的直方图柱条可能部分重叠，

图7示出了根据本发明的用于交互性地评估和重新安排图像中体素的聚类图的设备的实施例。

具体实施方式

图3示出了一个流程图，该流程图说明了根据本发明的用于交互性地评估和重新安排图像中体素的聚类图的方法。

这样的聚类图是通过聚类算法来实现的，所述聚类算法例如K-均值算法、QT聚类算法、模糊c-均值聚类算法和已在文献中提及的其他类型的算法，参考Milan Sonka与J.Michael Fitzpatrick的Handbook of MedicalImaging，第2卷。如先前在背景技术中提及的，通过这样的算法实现聚类图通常导致裂成片的聚类105(图1中描述的区域101内所示)和分离的聚类102-104。如图1所示的聚类是共享某共同特性的体素，该共同特性通常基于邻近性(proximity)，即预先定义的距离度量。标记为A、B和C的区域是聚类级别，其中为每个聚类级别分配一种特定颜色，例如A可能是黑色，B可能是蓝色，C可能是红色。

举个例子，如果对该图像应用K-均值算法，则计算分成两个步骤。在第一步骤，初始扫描该图象中的体素并且基于此来计算每个聚类的中心。在第二步骤，确定所述聚类中心，并且所述算法基于聚类参数(在这种情况下是距离参数)将每个点分配给这样的聚类——其中心离该点最近。然后重新计算所述聚类中心，即执行迭代，直到满足某收敛标准为止。通常，重复该过程直到该分配不再改变为止。

如在背景技术中提及的，将聚类区域的数目减少到最小以避免分割和分离的聚类是非常重要的，并且为了解决这个问题，已开发了几种形态分割算法，如在Milan Sonka和J.Michael Fitzpatrick的Handbook of MedicalImaging，第2卷中所描述的。图2示出了通过这样的分割算法获得的结果，其中仅获得一个聚类级别201，即属于同一聚类级别的分割的区域105已被组合成一个大的聚类级别，并且已消除分离的聚类102-104。

参考图3中的流程图，在第一步骤(S1)301，对图像应用聚类算法。如果应用K-均值算法，则其初始扫描图像中的所有体素，确定聚类中心并且将每个点分配给这样的聚类——其中心离该点最近，然后重新计算所述中心直到该分配不再改变为止。因此该计算的结果是包括两个或多个聚类级别的聚类图(例如，如图1所示)。在下文中，将假定聚类级别数是3，标记为A、B和C。并且，该计算的结果也是各个聚类级别内体素的分布。例如在图4中示出了这样的分布的示例，其中该分布被分成由边界参数404-405分离开的相应的分布域401-403，其中每个分布域示出了每个聚类级别的体素的分布。这将在后面更详细地讨论。

在一个实施例中，所得到的聚类图和所述聚类级别内体素的分布被同时可视化。这使得例如可能是技师或医生的用户能够评估聚类的质量(S2)303。这样的评估的结果可能是用户观察到该分布是不合理的。举个例子，初始分布的结果可能是20％的体素属于聚类级别A、55％的体素属于聚类级别B，而25％的体素属于聚类级别C。

通过移动边界参数404-405(S3)305，用户可以影响分布域401-403，并由此影响所述聚类级别中体素的数目，例如45％的体素属于聚类级别B而35％的体素属于聚类级别C。边界参数的这种变化可以导致新的聚类中心被创建(在应用K-均值算法的情况下)。因此，计算出新的聚类中心并且基于其来确定新的更新后的聚类图(S4)307。

在一个实施例中，以同一颜色显示所述聚类级别和相关联的分布域401-403，这使得评估步骤更简单和更用户友好。

在另一个实施例中，通过例如在聚类过程中考虑方差来自动评估聚类的质量，其中基于自动评估来定义新的边界参数或参数。例如，这优选地作为迭代单元被执行，以使得该方差在预定义的临界值之下。

图4和5示出了聚类图400的示例和体素的分布(在该实施例中是直方图406)。在一个实施例中，聚类图400包括三种聚类级别：聚类级别A 407(即与黑色相关联)、聚类级别B 409(即与蓝色相关联)和聚类级别C 408(即与红色相关联)。该直方图406示出了每个聚类级别的分布，分布域401示出了聚类级别A中体素的分布，分布域402示出了聚类级别B中体素的分布，分布域403示出了聚类级别C中体素的分布。边界参数404-405标记出所应用的聚类算法的临界值。每个直方图柱条表示例如原始图像的特定颜色信息值，并且其高度指示属于该灰度值的体素数。

在另一个实施例中，十字线410用来提供聚类图400和该聚类图400内体素的分布406之间的联系。因此，通过移动该十字线(例如用鼠标功能)到聚类级别C，箭头411紧随着并同时指向具有同一颜色信息值的直方图柱条。

因此，例如通过向用户同时显示聚类图和所述体素分布，用户可以很容易评估该聚类图是可接受的还是不可接受的。这通常基于用户的经验。

图5示出了通过向右移动边界参数405(例如通过鼠标点击或选择新的水平坐标值)的可能效果，由此增加了属于聚类级别B 409的体素的数目并且减少了属于聚类级别C 408的体素的数目。由于这样的数目变化导致聚类参数的变化，因此将重新计算聚类图400。如之前所提及的，在应用K-均值聚类算法的情况下，数目变化通常导致聚类级别中心的变化。因此，必须重新计算中心。在所述聚类级别中心是不同的情况下，所述聚类级别将内在地发生变化，例如以图5所示的方式。因此，通过以那种方式移动边界参数405，间接地重新定义了聚类中心。

图6示出了应用聚类算法的实施例，其中域分布401-403中的直方图柱条可能部分重叠601。这意指单个直方图柱条(例如在聚类级别B 409和C之间的边界上)表示来自聚类级别B和C的体素，即包含蓝色和红色。这导致两个相邻分布之间的边界不会如图4所示的那样不连贯。这可以导致当改变边界参数405时实现更好的聚类。如图5所示，在图4中改变所述边界参数的结果可以导致非常好的聚类，其中形成了单个聚类级别C408。

图7示出了根据本发明的用于交互性地评估和重新安排图像中体素的聚类图的设备700的实施例，其中设备700包括监视器704、输入装置(I_M)702、处理器(P)703并且在一个实施例中还有存储器706。监视器704用于向用户701同时显示聚类图和该聚类图中体素的分布。输入装置(I_M)702用于从用户接收指示更新后的边界参数的输入。因此，该输入装置可以包括键盘、鼠标、语音识别系统等，这使得用户701能够改变分布域之间的边界(参考图4中的404和405)。然后，所接收的输入被转换成边界参数。举个例子，如图4所示的边界参数404、405可以分别示出35％和65％(即，＜35％属于聚类级别A，＜65％属于聚类级别B，而＞65％属于聚类级别C)。因此通过键盘命令，用户可以将其修改为45％和60％，或仅改变所述边界参数中的一个。存储器706存储所应用的聚类算法，其中基于所接收的边界参数705，处理器(P)703将更新后的边界参数705告知给该聚类算法。结果是，基于更新后的参数，至少部分地重新运行该聚类算法。

在自动确定所述边界参数的情况下，处理器(P)703还用于，通过例如计算每个聚类级别内的方差来评估聚类图的质量，以及基于此来确定是否应当定义新的边界参数。

为了解释而非限制性的目的，阐述了所公开的实施例的某些具体细节，从而提供对本发明的清楚和透彻的理解。然而，本领域的技术人员应该理解，可以在与这里所阐述的细节不确切地一致的其他实施例中实现本发明，而不显著偏离本公开的精神和范围。此外，在这样的上下文中并且为了简洁和清楚，还省略了对公知的装置、电路和方法的详细描述，以避免不必要的细节和可能的混淆。

参考符号被包括在权利要求中，然而包含参考符号仅为了清楚的目的，而不应该被解释为限制了权利要求的范围。