一种CT中盆腔器官自动分割的方法

摘要

本发明公开了一种CT中盆腔器官自动分割的方法，包括以下步骤：基于训练数据库的模型建立过程：建立用于分割过程的形变模型和层次聚类模型，所述形变模型通过主成分分析方法基于训练数据库建立，所述层次聚类模型是将训练数据库中的设定幅前列腺CT中的器官划分为五个区域，且每个区域根据划分后的设定幅前列腺CT均建立基于外形的层次聚类模型；分割过程：在局部分割过程中，以形变模型为轮廓的变形指导，根据每个区域的层次聚类集群模型找到该区域的最佳分割轮廓，然后将五个区域的最佳分割轮廓重新组合，作为全局分割的最初轮廓；在全局分割过程中，通过与局部分割同样的分割方法对全局分割的最初轮廓进行分割与调整，得到最终的分割图像。

说明书

技术领域

本发明涉及图像处理领域，尤其涉及一种CT中盆腔器官自动分割的方法。

背景技术

在现今社会，由于不健康的生活习惯，前列腺疾病已经成为困扰男性的主要疾病之一。 在前列腺疾病的治疗当中，前列腺的3D-CT是医生获取患者具体病情的主要手段之一，同时 也是在临床治疗过程中提高治疗效果和治疗精度的主要依靠。而要想运用前列腺CT进行精确 的临床治疗就必须将其中各个组织的轮廓精确的勾画出来，这一过程一般由医生手动完成。

但是这个过程大概要花费15-20分钟，而且不同医生之间对同一幅CT中组织器官轮廓的 勾画差异很大。而前列腺CT中主要分为前列腺、膀胱和直肠这三大部分，其中膀胱和直肠状 态的不稳定性将加深这一差异并大大影响医生的工作效率(主要表现在膀胱是满的或空的； 直肠是充满气体还是排泄物)。这就导致了医生对前列腺CT中器官轮廓的勾画工作不仅费时， 而且由于手动勾画的不稳定性将导致精确治疗过程中一些不可预估的问题。在近几年虽然已 经有一些对前列腺CT进行分割从而勾画出器官轮廓的方法，但是由于CT图像的软组织对比 度不足这一特点以及上面提到的盆腔器官形态的多变性，这些方法目前都无法应用到临床治 疗当中去。

发明内容

本发明的目的就是为了解决上述问题，提供一种CT中盆腔器官自动分割的方法，它通过 结合以基于人口的CT数据库计算出的基于外形的层次聚类模型和形变模型来自动精确地对 前列腺CT进行分割，从而实现前列腺、膀胱和直肠这三大主要器官的轮廓勾画，这样既保证 了器官勾画的稳定性也节省了医生的工作时间。

为了实现上述目的，本发明采用如下技术方案：

一种CT中盆腔器官自动分割的方法，包括以下步骤：

基于训练数据库的模型建立过程:建立用于分割过程的形变模型和层次聚类模型，所述形 变模型通过主成分分析方法基于训练数据库建立，所述层次聚类模型是将训练数据库中的设 定幅前列腺CT中的器官划分为五个区域，且每个区域根据划分后的设定幅前列腺CT均建立 基于外形的层次聚类模型；

分割过程包括局部分割过程和全局分割过程：

在局部分割过程中，以形变模型为轮廓的变形指导，根据每个区域的层次聚类集群模型 找到该区域的最佳分割轮廓，然后将五个区域的最佳分割轮廓重新组合，作为全局分割的最 初轮廓；

在全局分割过程中，通过与局部分割同样的分割方法对全局分割的最初轮廓进行分割与 调整，得到最终的分割图像。

所述盆腔器官包括前列腺、膀胱和直肠。

一种CT中盆腔器官自动分割的方法，包括以下步骤：

步骤(1)：对选定的训练数据库中的设定幅前列腺CT图像进行参数化处理，得到简化后 的三角形网格图像；

步骤(2)：建立形变模型：计算出训练数据库中设定幅CT图像的平均图像，并运用主成 分分析的方法对步骤(1)参数化处理后的简化后的三角形网格图像进行计算，从而构建出能 代表前列腺、膀胱和直肠形变规律的形变模型；

步骤(3)：建立基于外形的层次聚类模型：在步骤(2)得到的平均图像上，将前列腺、 膀胱和直肠分别划分为五个区域，通过平均图像与步骤(1)参数化处理之前的设定幅前列腺 CT图像之间的形变配准，将在平均图像上的区域划分模式分别转化到步骤(1)参数化处理 之前的设定幅前列腺CT图像上；然后根据训练数据库为每一个区域建立基于外形的层次聚类 模型；(一种便于查找的树形模型)；

步骤(4)：在得到待分割CT图像后，首先选择预先医生已勾画的前列腺CT图像作为参 考图像，其中参考图像与待分割的CT图像应为同一患者的CT：先将平均图像上的区域划分 模式通过形变配准转化到参考图像中，再通过同样的形变配准方法将参考图像中五个区域的 轮廓转化到待分割的CT图像中，作为各个区域的初始分割轮廓；

步骤(5)：对待分割CT图像进行局部分割：根据步骤(3)计算出的层次聚类模型和步 骤(4)的初始分割轮廓，以步骤(2)中得到的形变模型为指导，计算出待分割CT图像中五 个区域中每个区域最佳的分割轮廓，局部分割过程分为初步分割与轮廓调整两步；

步骤(6)：对待分割CT的全局分割过程的初始图像进行全局分割：将步骤(5)局部分 割完毕的五个区域轮廓组合在一起形成一幅新的CT图像，新的CT图像就作为待分割CT的全 局分割过程的初始分割轮廓；然后依据初始分割轮廓，采用与步骤(5)相同的初步分割过程 与轮廓调整过程对待分割CT图像完成全局分割；

步骤(7)：全局分割完毕后，导出前列腺、膀胱和直肠都已经勾画完毕的前列腺CT图像。

所述步骤(1)的参数化处理是指：

先将设定幅CT图像转化为经典三角形网格图像，然后运用五次迭代的拉普拉斯算法对得 到的参数化图像进行平滑处理，最后对平滑处理后的图像进行向下采样，使得采样后的图像 的三角形网格的数量下降到之前的10％，采样后的图像称之为简化后的三角形网格图像。

所述步骤(2)的形变模型是指15个形变模型。

所述步骤(2)中，形变模型的构建过程是：

在参数化处理过后，数据库中每幅CT图像都用一个形状向量来表示 首先求得平均图像：

$p_0=\frac{1}{N}{\Sigma }_{i=1}^N{p}_i;$

其中，p_i表示数据库中第i幅CT图像，表示第一个顶点的坐标向量，表示第D 个顶点的坐标向量，表示三维空间中所有实数坐标，N＝50；p₀表示平均图像

然后，求得N幅CT图像的协方差矩阵C：

$C=\frac{1}{N-1}{\Sigma }_{i=1}^N\left(p_i-p_0\right)·{\left(p_i-p_0\right)}^T;$

形状模型p表示为：

$p=p_0+{\Sigma }_{n=1}^N{\psi }_n{q}_n,\left|\right|q_n\left|\right|=1;$

其中，q_n是协方差矩阵C的特征向量，λ_n是对应的特征值，而ψ_n是在0到λ_n之间随机分 布的加权系数。n＝1，…，N，n表示数据库中第n个图像。

为了减少形变模型的个数以提高分割效率，选中其中的M个形变模型，并计算在使用这 M个模型时的平均残留误差R^[M]：

$P^{\left[M\right]}=p_0+\underset{n=1}{\overset{M}{\Sigma }}{\psi }_n{q}_n,\left|\right|q_n\left|\right|=1$

e^[M]=p^[M]-p

$R^{\left[M\right]}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}\left(\frac{1}{D}\underset{l=1}{\overset{D}{\Sigma }}\right|\left|e_{i,j}^{\left[M\right]}\right|\left|\right)$

其中是第i幅图像中第j个顶点的三维向量。

经过反复计算后，选定M＝15，此时的形变模型可以代表95％以上的器官形变规律，并且 此时平均残留误差R^[M]接近于0。

所述95％以上是指95.2％。

所述步骤(3)中，层次聚类模型的建立方法是：

在医学图像分割领域，医生对器官轮廓的勾画一直作为器官自动分割方法的评判标准， 先让设定位(30位以上)医生根据前列腺、膀胱和直肠的形变规律以及前列腺、膀胱和直肠 的解剖学知识，在步骤(2)得出的平均图像当中将前列腺、膀胱和直肠三个器官的轮廓分别 划分为五个小区域，

针对每个医生，都需要将每个器官的五个小区域均按照从1到5来随机编号，并将每个 器官中拥有相同编号的三个小区域作为一个大区域看待；大区域的编号与三个小区域相同； 在计算出所有的大区域组成方式下分割的精确度后(每个小区域的编号方式有5×4×3×2× 1=120种，大区域就有120×120×120种组成方式)，选取精确度最高的大区域组成方式 作为当前医生区域划分方式的分割精确度，

当所有设定位医生的大区域的器官分割精确度均计算完毕时，选取大区域的器官分割精 确度最高的两个医生的大区域划分轮廓进行形变配准，根据两个医生的精确度从低到高的划 分轮廓对应的形变向量场的变化，计算形变向量场变化过程中出现的所有划分轮廓器官分割 精确度，最终选定精确度最高的区域为最终的区域划分；

在平均图像上得到区域划分后，通过形变配准将区域划分模式转化到训练数据库中的设 定幅前列腺CT上，最后根据设定幅图像中的区域轮廓，使用MATLAB工具箱提供的SL层次聚 类算法给每个区域建立一个树形的层次聚类模型。

所述步骤(5)中,局部分割过程是：

局部分割过程在模型中的每一层都分为初步分割过程与轮廓调整过程两步，并且五个区 域的分割过程是同时进行的；

初步分割过程：

结合评估函数与步骤(2)得到的形变模型来对初步分割进行指导与判定，

所述评估函数是，根据待分割的CT图像与步骤(4)中的参考图像之间的区域轮廓内外 像素强度的方向梯度差，来判断图像的当前分割轮廓是否符合真实情况。

所述方向梯度差的计算方法为：将对步骤(4)得到的初始分割轮廓c_k其中，k＝1...5，进 行一个5厘米的扩大和收缩处理，当k＝1时，分别得到扩大后的第一初始轮廓c_1，ext和收缩后 的初始轮廓c_1，int。根据步骤(2)得到的形变模型，分割后的第一轮廓表示为：

$c_1^{*}\left(P\right)=c_1+T·P$

其中c₁是第一初始分割轮廓，{T_j＝q_j}_{j=1，…，M}是对应的形变向量{P_j}_{j＝1，…，M}的权重，将会 随着权重的变化而变化。和也将依照分割结果而发生变化。为变形后的 第一初始轮廓、为变形后的经过收缩的第一初始轮廓，为变形后的经过扩大 的第一初始轮廓，T表示加权系数、P表示形变模型。

为了判断出最佳的分割轮廓，初步分割过程中的评估函数E被表示为：

$\left(\begin{array}{c}E=\Sigma \left(|I_{ref}\left(C_{ref}\right)-I_{val}\left(C_{val}\right)|\right)\\ =\underset{j=1}{\overset{T}{\Sigma }}\left(\right|\left(I_R\left(c_{1,j}\right)-I_R\left(c_{1,\mathrm{int},j}\right)\right)-\left(I_V\left(c_{1,j}^{*}\left(p\right)\right)-I_V\left(c_{1,\mathrm{int},j}^{*}\left(p\right)\right)\right)|\\ +\left|\right(I_R\left(c_{1,j}\right)-I_R\left(c_{1,\mathrm{ex}t,j}\right))-(I_V\left(c_{1,j}^{*}\left(p\right)\right)-I_V\left(c_{1,ext,j}^{*}\left(p\right)\right)\left)\right|)\end{array}\right)$

其中，I_R(c)表示参考图像根据顶点计算出的强度，I_v(c)表示分割后图像根据顶点计算出的 强度；

(I_R(c_1，j)-I_R(c_1，int，j))表示参考图像的第一轮轮廓与收缩后第一轮廓之间的方向梯度差在第 j个顶点处的值；

(I_R(c_1，j)-I_R(c_1，ext，j))表示参考图像的第一轮轮廓与扩大后第一轮廓之间的方向梯度差在第 j个顶点处的值；

表示待分割图像的第一轮轮廓与收缩后第一轮廓之间的方向梯 度差在第j个顶点处的值；

和表示待分割图像的第一轮轮廓与扩大后第一轮廓之间的方向 梯度差在第j个顶点处的值；

I_ref(C_ref)是参考图像的方向梯度差；

I_val(C_val)是待分割图像的方向梯度差；

I_R(c_1，j)是参考图像中第一初始轮廓第j点的像素强度；

I_R(c_1，int，j)是参考图像中收缩后第一轮廓第j点的像素强度；

是待分割图像第一初始轮廓第j点的像素强度；

是待分割图像收缩后第一轮廓第j点的像素强度；

I_R(c_1，ext，j)是参考图像中扩大后第一轮廓第j点的像素强度；

是待分割图像中扩大后第一轮廓第j点的像素强度。

在评估函数取到最小值的时候，分割效果达到最佳：

P^*=argmin(E|P)P_i∈[-3σ_i，3σ_i]

σ_i是特征值λ_i的平方根，通过P_i在间隔[-3σ_i，3σ_i]上的不断变化，最终找到最小的E，此时的P^*就是最佳分割时的加权形变向量。E表示评估函数的值，P表示总的15个形变模型，P_i表示第 i个形变模型，i＝1…15。

在最佳分割时的加权形变向量被找到后，初步分割过程就完成了；此时通过分割后的图 像与层次聚类模型在这一层的图像的区域轮廓之间的相似性测度，来找到这一层中相似性测 度最大的区域轮廓，并把区域轮廓转换到待分割图像中去。

轮廓调整过程：

评估函数E被表示为：

E=E_similarity+αE_curvature+βE_overlap

其中

E_similarity=H(V)+H(R)-H(V，R)

$E_{Curvature}=\frac{1}{V}{\int }_0^X{\int }_0^Y{\int }_0^Z[{\left(\frac{{\partial }^{2}T}{\partial x^2}\right)}^2+{\left(\frac{{\partial }^{2}T}{\partial y^2}\right)}^2+{\left(\frac{{\partial }^{2}T}{\partial z^2}\right)}^2+2{\left(\frac{{\partial }^{2}T}{\partial xy}\right)}^2+2{\left(\frac{{\partial }^{2}T}{\partial xz}\right)}^2+2{\left(\frac{{\partial }^{2}T}{\partial yz}\right)}^2]d_x{d}_y{d}_z$

$E_{Overlap}=\frac{Volume({\mathrm{PO}}_1\cup {\mathrm{PO}}_2)}{Volume({\mathrm{PO}}_1\cup {\mathrm{PO}}_2)}$

E_similarity表示待分割CT图像与参考图像在在分割区域上的相似度、E_curvature表示区域轮廓 的平滑度、E_overlap表示区域轮廓中不同盆腔器官之间的重合度。

在五个轮廓调整过程完成后，经过调整的区域轮廓就作为待分割图像在树形模型这一层 的最终分割结果。然后分割过程将进入下一层并继续，直到在最后一层找到经过调整的最相 似的区域轮廓。在在分割区域廓被找到后，局部分割过程就完全结束。

所述步骤(6)的全局分割分为初步分割过程与轮廓调整过程两步，具体方法与步骤(5) 相同。

所述步骤(6)中，全局分割的过程为：

在全局分割过程中，先将局部分割后的五个区域轮廓组合在一起作为待分割CT的全局分 割过程中的初始分割轮廓：

$c^{*}\left(P\right)=\underset{r=1}{\overset{5}{\Sigma }}{c}_r^{*}\left(P\right)$

全局分割也同样分为初步分割和轮廓调整两个过程。在待分割CT中的器官轮廓都完成调 整后，对这幅前列腺CT的器官轮廓自动分割就完成。

本发明的有益效果是：

本发明以平均12.2s的时间精确的完成了前列腺CT中主要器官的勾画工作，而这个过程 由医生手工来做的话将需要15-20分钟。而且使用这个自动分割方法还避免了人工勾画的不 稳定性。

此外，与其他类似方法相比，本发明是同时对前列腺、膀胱和直肠进行分割，而其他方 法只是分割作为主要区域的前列腺。其中分层集群模型的建立大大提高了分割的精确度，所 以本发明的分割结果能更好反映出前列腺及其周边组织的生理状态，从而对临床治疗进行更 加精确指导，而且对这三个主要器官的同时勾画也大大节省了医生的工作时间。

附图说明

图1为本发明方法流程图；

图2(a)和图2(b)为在平均图像上的区域划分示意图；

图3为待分割CT的局部分割过程以及之后的区域组合示意图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

通过基于人口的前列腺CT数据库，建立指导分割的形变模型以及用于增强分割精确度的 层次聚类模型。其中形变模型的建立使用主成分分析与多元统计的方法；而基于外形的层次 聚类模型的建立是根据盆腔器官的解剖结构与形变特点将其划分为五个区域，并给每个区域 分别建立层次聚类模型以便于使用。在分割过程中，以形变模型为轮廓的变形指导，根据每 个区域的层次聚类模型找到该区域的最佳分割轮廓，然后将五个区域的轮廓重新组合作为全 局分割的最初轮廓，最后通过与局部分割同样的分割方法对这个轮廓进行分割与调整得到最 终的分割图像。在经过自动分割的前列腺CT中，前列腺、膀胱和直肠的轮廓都已经被精确的 勾画出来，可以用来帮助医生进行前列腺疾病的精确临床治疗。具体步骤如图1所示：

步骤(1)：对选定的训练数据库中的50幅前列腺CT进行参数化处理，先将这50幅CT 图像转化为经典的三角形网格形式，然后运用五次迭代的拉普拉斯算法对得到的参数化图像 进行平滑，最后对其进行向下采样使得三角形网格的数量下降到原来的10％。

步骤(2)：运用主成分分析的方法根据训练数据库计算出能代表盆腔器官95％以上形变 规律的15个形变模型。

步骤(3)：在50幅CT的平均图像上将主要组织器官划分为5个区域，通过平均图像与 50幅CT之间的形变配准将区域划分模式分别转化到50幅CT图像上。然后根据训练数据库 建立每一个区域的层次聚类模型。(图2(a)和图2(b))

所述步骤(3)中，层次聚类模型的建立方法是：

在医学图像分割领域，医生对器官轮廓的勾画一直作为器官自动分割方法的评判标准， 先让设定位(30位及其以上)医生根据前列腺、膀胱和直肠的形变规律以及前列腺、膀胱和 直肠的解剖学知识，在步骤(2)得出的平均图像当中将前列腺、膀胱和直肠三个器官的轮廓 分别划分为五个小区域，

针对每个医生，都需要将每个器官的五个小区域均按照从1到5来随机编号(例如：前 列腺编号：前列腺1、前列腺2、前列腺3、前列腺4、前列腺5，膀胱编号：膀胱1、膀胱2、 膀胱3、膀胱4、膀胱5，直肠编号：直肠1、直肠2、直肠3、直肠4、直肠5)，并将每个器 官中拥有相同编号的三个小区域作为一个大区域看待(例如：将前列腺1、膀胱1和直肠1 作为大区域一，将前列腺2、膀胱2和直肠2作为大区域二，依次类推)；在计算出所有的大 区域组成方式下分割的精确度后(每个小区域的编号方式有 5×4×3×2×1＝120种，大区域就有120×120×120种组成方式)，选取精确度最高的 大区域组成方式作为当前医生区域划分方式的分割精确度，

当所有设定位(例如30位)医生的大区域的器官分割精确度均计算完毕时，选取大区域 的器官分割精确度最高的两个医生(例如：甲医生、乙医生)的大区域划分轮廓进行形变配 准，根据两个医生(例如：甲医生、乙医生)的精确度从低到高的划分轮廓对应的形变向量 场的变化，计算形变向量场变化过程中出现的所有划分轮廓器官分割精确度，最终选定精确 度最高的区域为最终的区域划分；

在平均图像上得到区域划分后，通过形变配准将区域划分模式转化到训练数据库中的设 定幅前列腺CT上，最后根据设定幅图像中的区域轮廓，使用MATLAB工具箱提供的SL层次聚 类算法给每个区域建立一个树形的层次聚类模型。

步骤(4)：选定与待分割的CT出自同一个患者的已勾画CT作为参考图像。先将平均图 像上的区域划分模式通过形变配准转化到参考图像中，再通过同样的方法将参考图像中五个 区域的轮廓转化到待分割的CT中，作为初始分割轮廓。

步骤(5)：根据步骤(3)计算出的层次聚类模型，计算出待分割CT中每个区域最佳的 分割轮廓(五个区域同时进行)，这一局部分割过程从模型的第一层开始一直到有着相应区域 50个原始轮廓的最后一层，在每一层中都要经过一个初步分割和一个轮廓调整过程。这两个 过程都以步骤(2)中计算出的形变模型为指导，分别使用不同的评价函数来判断何时分割轮 廓为最佳。(图3)

局部分割过程从层次聚类模型的第一层开始，一直到有着相应区域设定个原始轮廓的最 后一层，在每一层中都要经过初步分割过程和轮廓调整过程；

初步分割过程和轮廓调整过程都以步骤(2)中计算出的形变模型为指导，分别使用不同 的评价函数来判断何时分割轮廓为最佳；

步骤(6)：将分割完毕的五个区域组合在一起形成一幅新的CT图像，这幅经过初步勾画 的图像就作为待分割CT全局分割的初始图像。全局分割同样分为初步分割与轮廓调整两步， 具体方法与第五步相同。

步骤(7)：全局分割完毕后，导出前列腺、膀胱和直肠都已经勾画完毕的前列腺CT图像。

15个形变模型是使用基于多元统计的主成分分析算法得出的。在参数化后，每幅CT图 像都已被表示为其中D是指的每幅CT的顶点个数。先计算出 50幅图像的平均矩阵p₀，再计算出协方差矩阵C，根据协方差矩阵的特征向量和特征值，就 可以把形状向量的变形运动表示为：

$p=p_0+\underset{n=1}{\overset{N}{\Sigma }}{\psi }_n{q}_n,\left|\right|q_n\left|\right|=1$

其中，q_n是协方差矩阵C的特征向量，λ_n是对应的特征值，而ψ_n是加权系数，在0到λ_n之间 随机分布。

为了减少形变模型的个数，随机选取其中的M个模型得到下式：

$P^{\left[M\right]}=p_0+\underset{n=1}{\overset{M}{\Sigma }}{\psi }_n{q}_n,\left|\right|q_n\left|\right|=1$

并计算两种情况下的误差：

e^[M]=p^[M]-p

最终得到平均残留误差：

$R^{\left[M\right]}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}\left(\frac{1}{D}\underset{l=1}{\overset{D}{\Sigma }}\right|\left|e_{i,j}^{\left[M\right]}\right|\left|\right)$

从M＝1开始计算不同模型选取情况下的残留误差，并计算此时形变模型所能体现的形变规律 占总体的百分比，并发现在M＝15的时候，残留误差R^[M]接近于0，而且此时的形变模型可以 代表盆腔器官95％以上的形变规律。

在局部和全局分割过程中，就用这15个形变模型来代表变化后的形状向量：

$c_1^{*}\left(P\right)=c_1+T·P$

并借助评价函数E来确定什么时候的分割轮廓与待分割CT的真实情况相匹配。在初步分割中 这个评价函数E是根据变形后的轮廓内外的像素强度差与参考图像的轮廓内外的像素强度差 之间的差异来判断的，认为在差异最小的时候，变形后的轮廓最接近器官真实的轮廓。所以 评价函数E被表示为：

$\left(\begin{array}{c}E=\Sigma \left(|I_{ref}\left(C_{ref}\right)-I_{val}\left(C_{val}\right)|\right)\\ =\underset{j=1}{\overset{T}{\Sigma }}\left(\right|\left(I_R\left(c_{1,j}\right)-I_R\left(c_{1,\mathrm{int},j}\right)\right)-\left(I_V\left(c_{1,j}^{*}\left(p\right)\right)-I_V\left(c_{1,\mathrm{int},j}^{*}\left(p\right)\right)\right)|\\ +\left|\right(I_R\left(c_{1,j}\right)-I_R\left(c_{1,\mathrm{ex}t,j}\right))-(I_V\left(c_{1,j}^{*}\left(p\right)\right)-I_V\left(c_{1,ext,j}^{*}\left(p\right)\right)\left)\right|)\end{array}\right)$

其中I_R(c)和I_v(c)分别表示参考图像和分割后图像根据顶点计算出的强度。(I_R(C_1，j)- IRc1，int，j和IRc1，j-IRc1，ext，j表示参考图像的方向梯度差在第j个顶点处的值。 和是分割后图像在第j个顶点处 的值。

而在轮廓调整过程中，这个评价函数是用来对选中的轮廓进行调整的：

E=E_similarity+αE_curvature+βE_overlap

其中E_similarity用来判定与参考图像之间的相似程度，αE_Curvature用来判定轮廓的平滑程度， 因为盆腔器官的实际轮廓都是平滑的，βE_Overlap用来确定变形后的器官轮廓之间是否发生重 叠。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限 制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付 出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。