一种基于主动轮廓模型的颅骨剥离方法

摘要

本发明公开了一种基于主动轮廓模型的颅骨剥离方法，包括步骤1：获取原始三维医学图像数据及脑模板数据；步骤2：对三维医学图像数据进行预处理；步骤3：将脑模板数据配准到原始医学图像数据空间；步骤4：基于主动轮廓模型进行金字塔图像分割；步骤5：实现颅骨剥离。本发明可以快速实现颅骨剥离，且保证其精确度，以帮助医生更好地分析大脑其他组织结构。且此方法适用性广，不局限于MR图像，同样也适用于CT图像。

权利要求

1.一种基于主动轮廓模型的颅骨剥离方法，其特征在于，包括：步骤1：获取原始三维医学图像数据及脑模板数据；

步骤2：对三维医学图像数据进行预处理；

步骤3：将脑模板数据配准到原始医学图像数据空间；

步骤4：基于主动轮廓模型进行金字塔图像分割；

步骤5：实现颅骨剥离；

所述步骤4中的主动轮廓算法基于曲线演化的思想，通过自动寻找图像中感兴趣区域的边界来实现分割，为提升分割算法的效率和准确性，采用金字塔图像分割思想，从粗糙到细致地处理图像，其具体方法为：步骤4.1：构建图像金字塔；通过对原始图像进行多次降采样，生成一系列不同分辨率的图像，每一层图像都是上一层图像的1/4大小，直到达到所需的分辨率或金字塔的最底层；

步骤4.2：分割金字塔底层；构建初始轮廓，使用主动轮廓算法对最底层金字塔做初始分割；

步骤4.3：金字塔上采样；将步骤4.2中分割结果上采样到高分辨率；通过插值方法来完成；

步骤4.4：分割结果融合；将上采样后的分割结果与高分辨率的图像进行融合，得到更精确的分割结果；

步骤4.5：迭代；重复进行步骤4.2至步骤4.4，将融合后的分割结果作为下一层金字塔的输入，直到达到金字塔的顶层；

步骤4.6：输出最终分割结果；在金字塔的顶层得到最终的分割结果。

2.根据权利要求1所述的一种基于主动轮廓模型的颅骨剥离方法，其特征在于，所述三维医学图像数据为颅脑MRI序列，为待分割的原始图像序列；所述脑模板数据包括脑模板图像序列及对应的掩膜标签和模板的头颅掩膜区域；脑模板图像序列为一标准常规颅脑MRI序列，掩膜标签为对应的颅骨剥离后的大脑区域掩膜数据，头颅掩膜区域为常规颅脑序列对应的脑部区域掩膜。

3.根据权利要求2所述的一种基于主动轮廓模型的颅骨剥离方法，其特征在于，所述步骤2的具体方法为：步骤2.1：将步骤1中所涉及到的图像数据进行重采样，重采样后的数据为各向同性，且体素大小一致；

步骤2.2：使用头颅掩膜区域数据对脑模板图像进行预分割；头颅掩膜区域为脑部区域的掩膜，是二值图像，脑部区域为1，背景为0，将头颅掩膜区域和脑模板图像进行与运算，在脑模板图像中保留脑部区域，其他区域置0，以减少后续图像处理所需的运算量；

步骤2.3：将原始图像和脑模板图像的灰度值映射到0‑255区间，统一压缩灰度区间，减少图像内存占用，减少运算量。

4.根据权利要求3所述的一种基于主动轮廓模型的颅骨剥离方法，其特征在于，所述步骤3为通过模板匹配，获得原始图像大脑区域的Mask图像，具体方法为：步骤3.1：将原始图像设为基准的参考图像，将脑模板图像设为移动图像，通过图像配准，使脑模板图像与原始图像进行对齐；

步骤3.2：获取步骤3.1中配准的变换模型；

步骤3.3：基于步骤3.2中的变换模型，将掩膜标签变换到原始图像空间。

5.根据权利要求4所述的一种基于主动轮廓模型的颅骨剥离方法，其特征在于，所述步骤4中主动轮廓算法的具体方法为：步骤4‑1：初始化轮廓；以步骤3中变换后的掩膜标签作为初始化轮廓；

步骤4‑2：定义能量函数；能量函数包括内部能量和外部能量，以曲率能量项作为内部能量函数；外部能量函数为基于图像梯度的能量项；

步骤4‑3：优化能量函数；通过迭代的方式优化能量函数，调整轮廓的形状；迭代过程中，根据能量函数的最小值来更新轮廓的位置；

步骤4‑4：定义停止条件；定义迭代停止的条件，包括迭代次数达到阈值、轮廓收敛或能量函数的变化小于某个阈值。

6.根据权利要求5所述的一种基于主动轮廓模型的颅骨剥离方法，其特征在于，所述步骤5中实现颅骨剥离，具体为基于步骤4中的轮廓分割结果提取掩膜，并生成颅骨剥离图像，实现颅骨剥离。

说明书

一种基于主动轮廓模型的颅骨剥离方法

技术领域

[0001] 本发明属于医学图像处理技术领域，涉及到一种基于主动轮廓模型的颅骨剥离方法。

背景技术

[0002] 核磁共振成像（MRI）具有空间分辨率高、软组织对比度高、成像参数多、信息量大、非侵入、低损伤等优点，在各级医疗机构、科研院所以及企业研发机构得到了广泛应用，并成为了脑组织疾病诊断与治疗、脑神经科学研究与实验领域常用研究手段之一。

[0003] 由于脑组织具有体积较小，组织间边缘模糊，所以直接对脑部的某个区域研究很困难。脑MRI通常能够详细的覆盖整个大脑的神经解剖学信息，在此基础上用核磁共振图像分割的目的是提取医生需要研究的特定区域，医生可以通过分割出的区域对组织、器官进行仔细的观察和诊断，并据此制定有效的治疗方案，从而有效的提高疾病诊断的正确率。

[0004] 而在分析颅脑中的特定组织或结构时，颅骨的存在会对其识别产生一定的影响，而且颅骨的存在也会对增加后续的各种图像处理的运算量。因此为了后续的脑组织分割及各种图像处理更加准确、快速，有必要对颅骨进行剥离。

发明内容

[0005] 为解决上述问题，本发明公开了一种基于主动轮廓模型的颅骨剥离方法。

[0006] 具体方案如下：

[0007] 一种基于主动轮廓模型的颅骨剥离方法，包括：

[0008] 步骤1：获取原始三维医学图像数据及脑模板数据；

[0009] 步骤2：对三维医学图像数据进行预处理；

[0010] 步骤3：将脑模板数据配准到原始医学图像数据空间；

[0011] 步骤4：基于主动轮廓模型进行金字塔图像分割；

[0012] 步骤5：实现颅骨剥离。

[0013] 进一步地，所述三维医学图像数据为颅脑MRI序列，为待分割的原始图像OriImage序列；所述脑模板数据包括脑模板图像TemplateImage序列及对应的掩膜标签LabelMask和模板的头颅掩膜区域AreaMask。脑模板图像TemplateImage序列为一标准常规颅脑MRI序列，掩膜标签LabelMask为对应的颅骨剥离后的大脑区域掩膜Mask数据，头颅掩膜区域AreaMask为常规颅脑序列对应的脑部区域掩膜Mask。

[0014] 进一步地，所述步骤2中图像预处理，具体方法为：

[0015] 步骤2.1：将步骤1中所涉及到的图像数据进行重采样，重采样后的数据为各向同性，且体素大小一致；

[0016] 步骤2.2：使用头颅掩膜区域AreaMask数据对脑模板图像TemplateImage进行预分割。头颅掩膜区域AreaMask为脑部区域的掩膜Mask，是二值图像，脑部区域为1，背景为0，将头颅掩膜区域AreaMask和脑模板图像TemplateImage进行与运算，在脑模板图像TemplateImage中保留脑部区域，其他区域置0，以减少后续图像处理所需的运算量；

[0017] 步骤2.3：将原始图像OriImage和脑模板图像TemplateImage的灰度值映射到0‑255区间，统一压缩灰度区间，有利于减少图像内存占用，且能减少运算量。

[0018] 进一步地，所述步骤3中所述脑模板数据配准到原始医学图像数据空间，其目的为通过模板匹配，获得原始图像大脑区域的Mask图像，具体方法为：

[0019] 步骤3.1：将原始图像OriImage设为基准的参考图像(fixedImage)，将脑模板图像TemplateImage设为移动图像(movingImage)，通过图像配准，使脑模板图像TemplateImage与原始图像OriImage进行对齐；

[0020] 步骤3.2：获取步骤3.1中配准的变换模型；

[0021] 步骤3.3：基于步骤3.2中的变换模型，将掩膜标签LabelMask变换到原始图像OriImage空间。

[0022] 进一步地，所述步骤4中主动轮廓算法对大脑轮廓进行分割。主动轮廓算法基于曲线演化的思想，通过自动寻找图像中感兴趣区域的边界来实现分割，为提升分割算法的效率和准确性，可采用金字塔图像分割思想，从粗糙到细致地处理图像，其具体方法为：

[0023] 步骤4.1：构建图像金字塔；通过对原始图像进行多次降采样，生成一系列不同分辨率的图像，每一层图像都是上一层图像的1/4大小，直到达到所需的分辨率或金字塔的最底层；

[0024] 步骤4.2：分割金字塔底层；构建初始轮廓，使用主动轮廓算法对最底层金字塔做初始分割；

[0025] 步骤4.3：金字塔上采样；将步骤4.2中分割结果上采样到较高分辨率。这可以通过插值方法，如双线性插值或最近邻插值等来完成；

[0026] 步骤4.4：分割结果融合；将上采样后的分割结果与高分辨率的图像进行融合，得到更精确的分割结果；

[0027] 步骤4.5：迭代；重复进行步骤4.2至步骤4.4，将融合后的分割结果作为下一层金字塔的输入，直到达到金字塔的顶层；

[0028] 步骤4.6：输出最终分割结果；在金字塔的顶层得到最终的分割结果。

[0029] 进一步地，所述步骤4中主动轮廓算法对大脑轮廓进行分割。主动轮廓算法具体实现方法为：

[0030] 步骤4‑1：初始化轮廓：以步骤3中变换后的掩膜标签LabelMask作为初始化轮廓；

[0031] 步骤4‑2：定义能量函数：能量函数一般包括内部能量和外部能量，以曲率能量项作为内部能量函数；外部能量函数为基于图像梯度的能量项；

[0032] 步骤4‑3：优化能量函数：通过迭代的方式优化能量函数，调整轮廓的形状；迭代过程中，根据能量函数的最小值来更新轮廓的位置；

[0033] 步骤4‑4：定义停止条件：定义迭代停止的条件，如迭代次数达到阈值、轮廓收敛或能量函数的变化小于某个阈值等。

[0034] 进一步地，所述步骤5中实现颅骨剥离，具体为基于步骤4中的轮廓分割结果提取掩膜Mask，并生成颅骨剥离图像，实现颅骨剥离。

[0035] 本发明的有益效果在于：应用本发明的技术方案，可以快速实现颅骨剥离，且保证其精确度，以帮助医生更好地分析大脑其他组织结构。且此方法适用性广，不局限于MR图像，同样也适用于CT图像。

附图说明

[0036] 图1为本发明的流程示意图。

[0037] 图2为本发明中待分割的原始图像OriImage序列示意图。

[0038] 图3为本发明中脑模板图像TemplateImage示意图。

[0039] 图4 为本发明中脑模板图像TemplateImage与其对应的掩膜标签LabelMask融合效果示意图。

[0040] 图5 为本发明中脑模板图像TemplateImage与其对应的头颅掩膜区域AreaMask融合效果示意图。

[0041] 图6 为本发明中分割后的大脑轮廓示意图。

[0042] 图7为本发明中基于轮廓生成的mask示意图。

[0043] 图8 为本发明中生成的mask与原始图像融合显示示意图。

[0044] 图9 为本发明中颅骨剥离后的大脑组织示意图。

[0045] 图10为本发明中基于颅脑CT数据颅骨剥离的融合显示效果图。

具体实施方式

[0046] 下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。

[0047] 本发明提供了一种基于主动轮廓模型的颅骨剥离方法，具体流程如图1所示，包括：

[0048] 步骤1：获取原始三维医学图像数据及脑模板数据。所述三维医学图像数据为颅脑MRI序列，为待分割的原始图像OriImage序列，如图2所示；所述脑模板数据包括脑模板图像TemplateImage序列（如图3所示）及对应的掩膜标签LabelMask（其与脑模板图像TemplateImage的融合显示图如图4所示）和模板的头颅掩膜区域AreaMask（其与脑模板图像TemplateImage的融合显示图如图5所示）。脑模板图像序列为一标准常规颅脑MRI序列，掩膜标签LabelMask为对应的颅骨剥离后的大脑区域掩膜Mask数据，头颅掩膜区域AreaMask为常规颅脑序列对应的脑部区域掩膜Mask。

[0049] 步骤2：对三维医学图像数据进行预处理，具体方法为：

[0050] 步骤2.1：将步骤1中所涉及到的图像数据进行重采样，重采样后的数据为各向同性，且体素大小一致，体素大小（长、宽、高）可设为（1,1,1），即重采样的3D图像数据分辨率为(1,1,1)；

[0051] 步骤2.2：使用头颅掩膜区域AreaMask数据对脑模板图像TemplateImage进行预分割。头颅掩膜区域AreaMask为脑部区域的掩膜Mask，是二值图像，脑部区域为1，背景为0，将头颅掩膜区域AreaMask和脑模板图像TemplateImage进行与运算，在脑模板图像TemplateImage中保留脑部区域，其他区域置0，以减少后续图像处理所需的运算量；

[0052] 步骤2.3：将原始图像OriImage和脑模板图像TemplateImage的灰度值映射到0‑255区间，统一压缩灰度区间，有利于减少图像内存占用，且能减少运算量。具体计算方法为：

[0053] 获取图像的最大灰度值max和最小灰度值min；

[0054] 计算缩放因子dFactor，

[0055] ；

[0056] ；

[0057] 其中，pixel_val为当前像素的灰度值，nPixelVal计算得到的新的像素灰度值，(int)为取整操作。

[0058] 步骤3：将脑模板数据配准到原始医学图像数据空间，其目的为通过模板匹配，获得原始图像大脑区域的Mask图像，具体方法为：

[0059] 步骤3.1：将原始图像OriImage设为基准的参考图像(fixedImage)，将脑模板图像TemplateImage设为移动图像(movingImage)，通过图像配准，使T脑模板图像emplateImage与原始图像OriImage进行对齐。可以采用金字塔图像配准方式进行图像配准。 其思想为使用一种粗糙的尺度对少量的图像像素进行处理,然后在下一层使用一种精确的尺度, 并用上一层的结果对其参数进行初始化. 迭代该过程, 直到达到最精确的尺度。这种由粗到细, 在大尺度上看整体, 在小尺度上看细节的方法能够极大程度地提高配准成功率；

[0060] 在配准中，采用Mattes Mutual Information（Mattes互信息，MMI）来度量图像相似性，其求解公式为：

[0061]

[0062] 其中，A和B是待比较的两幅图像，N是采样点的数量， 表示第i个采样点在两幅图像中的像素值， 表示 在两幅图像中同时出现的概率， 表示 在B中出现的概率；

[0063] 采用VersorRigid3DTransformOptimizer作为优化器，其作用为作用是通过最小化图像之间的差异来寻找最佳的变换参数，以将源图像和目标图像对准。它使用梯度下降法来搜索最优参数，并通过反向传播来计算梯度。设置每次迭代中最大步长为0.05，设置最小步长为0.005，设置最大迭代步数为500；

[0064] 步骤3.2：获取步骤1中配准的变换模型，记为transformModel；

[0065] 步骤3.3：基于步骤3.2中的变换模型，将掩膜标签LabelMask变换到原始图像OriImage空间，计算方式为：

[0066]

[0067] 其中 为 基于变换模型得到的新的mask；

[0068] 步骤3.4：此外，为提高配准的精度和效率，可通过先采用刚性配准后仿射配准或非刚性配准的策略，刚性变换（如平移、旋转和缩放）是一种比较简单的变换模型，它可以处理图像之间的整体几何差异。通过先进行刚性配准，可以更好地对齐图像的整体结构，使得后续的配准任务更加容易和准确。仿射变换是一种比刚性变换更灵活的变换模型，它除了平移、旋转和缩放外，还可以进行剪切和错切等变换操作。通过在刚性配准后进行仿射配准，可以更好地处理图像之间的局部形变和细微差异，提高配准的精度。通过先进行刚性配准，再进行仿射配准，可以逐步处理图像的整体结构和局部形变，提高配准的效果。

[0069] 步骤4：使用主动轮廓算法对大脑轮廓进行分割。进一步地，所述步骤4中主动轮廓算法对大脑轮廓进行分割。主动轮廓算法基于曲线演化的思想，通过自动寻找图像中感兴趣区域的边界来实现分割，为提升分割算法的效率和准确性，可采用金字塔图像分割思想，从粗糙到细致地处理图像，其具体方法为：

[0070] 步骤4.1：构建图像金字塔。通过对原始图像进行多次降采样，生成一系列不同分辨率的图像，每一层图像都是上一层图像的1/4大小，直到达到所需的分辨率或金字塔的最底层；

[0071] 步骤4.2：分割金字塔底层。构建初始轮廓，使用主动轮廓算法对最底层金字塔做初始分割；

[0072] 步骤4.3：金字塔上采样。将步骤4.2中分割结果上采样到较高分辨率。这可以通过插值方法，如双线性插值或最近邻插值等来完成；

[0073] 步骤4.4：分割结果融合：将上采样后的分割结果与高分辨率的图像进行融合，得到更精确的分割结果；

[0074] 步骤4.5：迭代：重复进行步骤4.2至步骤4.4，将融合后的分割结果作为下一层金字塔的输入，直到达到金字塔的顶层；

[0075] 步骤4.6：输出：最终分割结果：在金字塔的顶层得到最终的分割结果。

[0076] 在本实施例中，步骤4中主动轮廓算法对大脑轮廓进行分割。主动轮廓算法是一种基于能量最小化的图像分割方法。它的基本思想是将一个初始轮廓放置在图像中，并通过调整轮廓的形状和位置来逐步逼近目标边界，从而实现图像分割。主动轮廓算法为一种算法思想，有多种具体算法形态，此处以Chan‑Vese(CV)水平集分割算法为例，水平集算法的优点在于它能够自适应地调整轮廓的形状和拓扑结构，从而在处理具有复杂形状和不规则边界的图像时具有较高的精度和鲁棒性。其具体实现步骤为：

[0077] 步骤4‑1：初始化轮廓：以步骤3中变换后的掩膜标签LabelMask的轮廓作为初始化轮廓，从掩膜标签LabelMask中提取轮廓可使用边缘提取算法（如Canny边缘检测算法）；

[0078] 步骤4‑2：定义能量函数：能量函数一般包括内部能量和外部能量，以曲率能量项作为内部能量函数；外部能量函数为基于图像梯度的能量项；

[0079] 其能量函数为：

[0080]

[0081] 其中，E表示能量函数，c1和c2是两个不同的灰度值，φ是水平集函数，μ、ν、λ1和λ2是权重参数，I是输入图像，R1和R2是分割区域。Length(φ)表示轮廓的长度，可以通过计算水平集函数的梯度模长来得到；

[0082] 表示分割区域的面积，可以通过计算水平集函数大于0和小于0的像素数量来得到；

[0083] RegionTerm(I, R)表示基于图像亮度的能量项，可以通过计算分割区域内的灰度均值和图像灰度值的差平方来得到。该项用于推动轮廓向图像中灰度变化较大的区域移动；

[0084] 步骤4‑3：优化能量函数：通过迭代的方式优化能量函数，调整轮廓的形状。迭代过程中，根据能量函数的最小值来更新轮廓的位置；

[0085] 步骤4‑4：定义停止条件：定义迭代停止的条件，如迭代次数达到阈值、轮廓收敛或能量函数的变化小于某个阈值等。一种可行的参数设置方案为：设置最大迭代次数为400；设置迭代停止的均方根误差阈值为0.02；设置曲率项的系数为1；设置传播项的系数为1；设置平流项的系数为1。

[0086] 步骤5，输出分割结果，实现颅骨剥离。具体方法为：

[0087] 步骤5.1：对步骤4中最终分割得到的轮廓进行上采样到分辨率与原始图像OriImage一致，上采样后的轮廓与原始图像OriImage融合显示效果如图6所示；

[0088] 步骤5.2：生成与原始图像OriImage尺寸一致的mask图像数据，并初始化为0；

[0089] 步骤5.3：以轮廓的重心为种子点，通过区域生长方法获得颅骨剥离后的大脑mask图像数据，轮廓内部像素灰度值置为1，生成的mask图像如图7所示，mask图像与原始图像OriImage融合显示效果如图8所示；

[0090] 步骤5.4：将mask与原始图像OriImage进行与操作，只保留mask区域对应的原始图像OriImage的原始灰度值，其他区域像素值均为0，完成颅骨剥离，颅骨剥离后的图像如图9所示。

[0091] 本专利所实现方法不局限于MR图像，同样也使用与颅脑CT图像，基于颅脑CT图像的颅骨剥离效果如图10所示。