公开/公告号CN112184720A
专利类型发明专利
公开/公告日2021-01-05
原文格式PDF
申请/专利权人 首都医科大学附属北京同仁医院;北京理工大学;
申请/专利号CN202010891689.7
申请日2020-08-27
分类号G06T7/11(20170101);G06T7/00(20170101);G06K9/62(20060101);
代理机构11388 北京市中闻律师事务所;
代理人冯梦洪
地址 100730 北京市东城区东交民巷1号
入库时间 2023-06-19 09:26:02
技术领域
本发明涉及医学图像处理的技术领域，尤其涉及一种CT图像的内直肌和视神经分割方法，以及CT图像的内直肌和视神经分割系统。
背景技术
立体定向放射外科(Stereotactic Radiosurgery，SRS)和图像引导手术(Image-guided surgery，IGS)是颅底肿瘤治疗中常用的两种技术。由于骨密度高，在颅底手术的筹划阶段和术中，CT是主要的成像方式。在临床中，外科医生必须依靠丰富的临床经验，准确定位CT图像中的脑结构，避免手术器械对颅底关键结构(神经、眼球、眼眶内的肌肉等)造成损伤。然而，这种手术对病人来说是非常危险的。因此，CT图像中前视觉通路(视神经，视束和视交叉)和内直肌的自动分割对于提高手术的准确性和减少对其他解剖结构的损伤至关重要。
近年来，分割方法得到了广泛的发展，可以分为图谱配准和统计形状模型基础方法。Bekes等人提出了一种基于几何模型的方法来分割CT图像中的眼球，晶状体，视神经和视交叉。它需要交互选定种子点来初始化分割。Huo Y等人提出了一个多图谱配准分割过程，包括两个步骤：(1)骨结构仿射配准，以在目标和地图集中裁剪视觉通路区域，(2)裁剪区域的可变形配准。然而由于CT图像中软组织的低对比度，基于图谱配准的方法不能准确地分割视觉通路。Chen和Dawant使用多图谱配准的方法来分割头部和颈部器官。该方法允许目标体积最初与地图集对齐，然后通过为每个结构定义边界框来实现局部配准。Aghdasi等人应用预定义的解剖模型来分割视觉器官和MR图像中的一些脑结构。此外，一些研究表明，基于多图谱配准的方法可以提高视神经等较小结构的分割准确性。在过去的几十年中，基于模型的分割方法已被广泛开发用于前视觉通路分割。Nobel等人将可变形模型和图册配准与先前的局部强度相结合，以分割前视觉通路。统计形状模型包括主动外观模型和主动形状模型，对于解决CT图像质量差的结构的分割问题是有效的。总之，基于SSM(统计形状模型)的方法比基于图谱配准的方法更适合于图像质量差的情况。
在一些其他研究中，使用深度学习来分割颅底组织也很常见。Jose Dolz等人在MR图像中提取了增强特征，并提出了一种深度学习分类方案，用于视神经，视交叉和脑垂体的分割。Ren等人提出了交错3D-CNNs的策略，用于CT图像中的前视觉通路的分割。在医学图像分割领域，U-Net也得到了广泛的应用，并提供了准确的分割。然而，在数据量较为缺少的情况下，基于神经网络的方法不能准确地分割前视觉通路和内直肌。
先验知识在CT图像的分割中起到了重要作用。对于统计形状模型，可以将根据训练数据构建的模型视为先验信息。基于图谱配准的分割依赖于目标图像和先验信息的质量。虽然软组织(例如前视觉通路和内直肌)的CT图像存在许多缺陷，例如低对比度，模糊边缘和噪声。在这种情况下，即使提取的目标边界模糊和破碎，也可以通过拟合统计形状模型来获得分割。此外，与基于学习的方法不同，当训练集的大小很小时，基于统计形状模型的方法在分割中表现良好。由于MR数据中前视觉通路和内直肌的结构是完整的，因此可以作为先验信息来构建统计形状模型，以实现CT图像的准确分割。
发明内容
为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种CT图像的内直肌和视神经分割方法，其可以有效地定位CT中未清晰成像的视交叉和视神经束，可以有效地弥补多模态融合中缺乏局部信息的弱点而显著提高分割精度。
本发明的技术方案是：这种CT图像的内直肌和视神经分割方法，其包括以下步骤：
(1)构建统计形状模型：统计形状模型由训练数据集构成，其中前视觉通路和内直肌的形状是手动勾画的；
(2)基于MR/CT图像融合的分割：通过将统计形状模型拟合到MR图像的分割结果来获得参考MR图像的形状，通过弹性配准将CT图像与MR图像融合，以获得前视觉通路和内直肌的初始分割结果；
(3)多特征约束分割细化：从目标CT图像获得多特征约束表面，在将初始分割结果拟合到表面之后，分割在CT图像中不可见的结构，包括视束和视交叉。
本发明的MR数据集用于构建先验形状模型以辅助结构CT图像的分割，由于软组织CT成像的弱点，本发明可以有效地定位CT中未清晰成像的视交叉和视神经束；因为多特征约束曲面可以有效地弥补多模态融合中缺乏局部信息的弱点而显著提高分割精度。
还提供了CT图像的内直肌和视神经分割系统，其包括：
统计形状模型构建模块，其配置来训练数据集的形状对应关系，采用主成分分析构建训练形状的统计形状模型；
基于MR/CT图像融合的分割模块，其配置来通过将统计形状模型拟合到MR图像的分割结果来获得参考MR图像的形状，通过弹性配准将CT图像与MR图像融合，以获得前视觉通路和内直肌的初始分割结果；
多特征约束分割细化模块，其配置来从目标CT图像获得多特征约束表面，在将初始分割结果拟合到表面之后，分割在CT图像中不可见的结构，包括视束和视交叉。
附图说明
图1是根据本发明的CT图像的内直肌和视神经分割方法的流程图。
具体实施方式
如图1所示，这种CT图像的内直肌和视神经分割方法，其包括以下步骤：
(1)构建统计形状模型：统计形状模型由训练数据集构成，其中前视觉通路和内直肌的形状是手动勾画的；
(2)基于MR/CT图像融合的分割：通过将统计形状模型拟合到MR图像的分割结果来获得参考MR图像的形状，通过弹性配准将CT图像与MR图像融合，以获得前视觉通路和内直肌的初始分割结果；
(3)多特征约束分割细化：从目标CT图像获得多特征约束表面，在将初始分割结果拟合到表面之后，分割在CT图像中不可见的结构，包括视束和视交叉。
本发明的MR数据集用于构建先验形状模型以辅助结构CT图像的分割，由于软组织CT成像的弱点，本发明可以有效地定位CT中未清晰成像的视交叉和视神经束；因为多特征约束曲面可以有效地弥补多模态融合中缺乏局部信息的弱点而显著提高分割精度。
优选地，所述步骤(1)中，为了构建统计形状模型，训练数据集的形状对应关系：
形状对应表示为MR数据集中的形状点集之间的稠密映射，通过成对的非刚性配准获得两种形状的对应关系；对于MR数据集
其中N是训练数据的数量，d(.)是欧氏距离，g
所有形状之间的连接关系由图形模型表示，然后通过图形模型的指导实现分组级配准；
获得形状对应关系
优选地，所述步骤(1)中采用主成分分析构建训练形状的统计形状模型，对矩阵进行特征值分解，其中
其中P表示矢量化矩阵vec(P)，矢量化平均形状
优选地，所述步骤(2)中，从训练数据中随机选择参考MR图像I
其中D
优选地，所述步骤(2)中通过3D图像弹性配准获得将参考MR图像I
在获得优化变换后，获得MR和CT图像之间的变形场；然后，将参考形状变换为目标图像，以实现MR和CT图像的融合；相应的结果被视为前视觉通路和内直肌的初始化分割结果。
优选地，所述步骤(3)中前视觉通路和内直肌是对应于CT图像中的特定灰度窗口的软组织，根据该特征，通过设置适当的上阈值和下阈值获得良好的增强效果；然后利用双边滤波来减少增强图像中的噪声，并且采用Sobel算子来提取前视觉通路和内直肌的边界信息。
优选地，所述步骤(3)中，将视神经和内直肌模型拟合到多特征约束表面后，驱动视神经和视交叉模型；通过优化公式(3)驱动统计形状模型，使转换后的模型与多特征约束面之间的空间位置I
本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而所述的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。因此，与本发明的方法相对应的，本发明还同时包括一种CT图像的内直肌和视神经分割系统，该系统通常以与方法各步骤相对应的功能模块的形式表示。该系统包括：
统计形状模型构建模块，其配置来训练数据集的形状对应关系，采用主成分分析构建训练形状的统计形状模型；
基于MR/CT图像融合的分割模块，其配置来通过将统计形状模型拟合到MR图像的分割结果来获得参考MR图像的形状，通过弹性配准将CT图像与MR图像融合，以获得前视觉通路和内直肌的初始分割结果；
多特征约束分割细化模块，其配置来从目标CT图像获得多特征约束表面，在将初始分割结果拟合到表面之后，分割在CT图像中不可见的结构，包括视束和视交叉。
优选地，所述基于MR/CT图像融合的分割模块执行：从训练数据中随机选择参考MR图像I
优选地，所述多特征约束分割细化模块执行：
前视觉通路和内直肌是对应于CT图像中的特定灰度窗口的软组织，根据该特征，通过设置适当的上阈值和下阈值获得良好的增强效果；
然后利用双边滤波来减少增强图像中的噪声，并且采用Sobel算子来提取前视觉通路和内直肌的边界信息；
将视神经和内直肌模型拟合到多特征约束表面后，驱动视神经和视交叉模型；通过优化公式(3)驱动统计形状模型，使转换后的模型与多特征约束面之间的空间位置I
以下更详细地说明本发明。
本发明提出了一种基于多模态图像融合的解剖形状模型，用于CT图像中的低对比度前视觉通路和内直肌分割，详细流程如图1所示。首先，统计形状模型由训练数据集构成，其中前视觉通路和内直肌的形状是手动勾画的。其次，通过将统计形状模型拟合到MR图像的分割结果来获得参考MR图像的形状。然后，通过弹性配准将CT图像与MR图像融合，以获得前视觉通路和内直肌的初始分割结果。最后，从目标CT图像获得多特征约束表面。在将初始分割结果拟合到表面之后，还可以分割在CT图像中不可见的结构，包括视束和视交叉。
所提出的方法的贡献是两个方面：首先，MR数据集用于构建先验形状模型以辅助结构CT图像的分割。由于软组织CT成像的弱点，它可以有效地定位CT中未清晰成像的视交叉和视神经束。其次，多特征约束曲面可以有效地弥补多模态融合中缺乏局部信息的弱点。它有效地提高了分割精度。
(1)构建统计形状模型
为了构建统计形状模型，需要训练数据集的形状对应关系。形状对应可以表示为MR数据集中的形状点集之间的稠密映射。通过成对的非刚性配准可以获得两种形状的对应关系。对于MR数据集
其中N是训练数据的数量，d(.)是欧氏距离，g
其中P表示矢量化矩阵vec(P)，矢量化平均形状
(2)基于MR/CT图像融合的分割
从训练数据中随机选择参考MR图像I
其中D
通过3D图像弹性配准获得将参考MR图像I
在获得优化变换后，可以获得MR和CT图像之间的变形场。然后，将参考形状变换为目标图像，以实现MR和CT图像的融合。相应的结果被视为前视觉通路和内直肌的初始化分割结果。
(3)多特征约束分割细化
前视觉通路和内直肌是对应于CT图像中的特定灰度窗口的软组织。根据该特征，通过设置适当的上阈值和下阈值可以获得良好的增强效果。因此，图像得到增强。与原始CT图像中的前视觉通路和内直肌的对比度相比，增强图像中的前视觉通路和内直肌的对比度得到改善。然后利用双边滤波来减少增强图像中的噪声，并且采用Sobel算子来提取前视觉通路和内直肌的边界信息。连通域大小的约束可以有效地消除噪声的影响，并且距初始分割的约束可以确保大多数提取的表面属于前视觉通路和内直肌。
将视神经和内直肌模型拟合到多特征约束表面后，还可以驱动视神经和视交叉模型。通过优化公式(3)驱动统计形状模型，使转换后的模型与多特征约束面之间的空间位置I
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。
机译： 外科治疗早期儿童内直肌疝的方法
机译： CT图像的肿瘤自动分割方法及系统
机译： 从胸部CT图像中自动分割肺，支气管，肺血管图像的系统和方法
