專利名稱：圖像中解剖結構分割與建模的方法及系統的制作方法
技術領域：
本發明涉及一種圖像中解剖結構分割的方法及系統，以及一種為分割結構建立3D 表面模型的方法及系統。具體應用的例子是醫學圖像中大腦腦室系統的分割與建模，例如 MR圖像和CT圖像。
背景技術：
如圖1所示，人類大腦腦室系統由4個互相聯絡的室組成，即左側腦室、右側腦室、 第三腦室和第四腦室。腦室內含有腦脊液(CSF)，周圍還有白質(WM)和灰質(GM)。位于大 腦中的兩個側腦室較大，呈C型，大約圍繞在基底節的背向。每一個側腦室通過前角、下角 和后角分別伸向額葉、顳葉和枕葉。側腦室均經室間孔與第三腦室(建立在中腦的中央) 相通，第三腦室經腦導水管(位于中腦內)與第四腦室(建立在后腦內)相通。圖中的縮 寫定義為AC:前連合(Anterior Commissure) ；BC 基底池(Basal Cistern)(腳間池)； CC:胼胝體(Corpus Callosum) ；CP 大腦腳(Cerebral Peduncle) ；CQ:四疊體(Corpora Quadrigemina) ； HP Hf T # (Hypophysis) ( Hf |/|) ； ICV i； H # E (Internal Cerebral Vein)(在橫裂內)；IS 下丘腦漏斗(Infundibular Stalk) ；LT 綜板(Lamina Terminal is) ；LV 胃(Lateral Ventricles) ；MI(Massa Intermedia) (
合)；MO 延髓(Medulla Oblongata) ；OC 視交叉(Optic Chiasma) ；PC 后連合(Posterior Commissure) ；PG:松果體(Pineal Gland) ；SP 透明隔(S印turn Lucidum) ；TC:灰結節 (Tuber Cinereum) ；TF 橫裂(Transverse Fissure)(位于胼胝體下的蛛網膜下隙)；V3 第 三腦室；V4:第四腦室。MR成像使得非侵入性地獲得人腦的3D圖像成為可能。由于CSF容量和腦室形狀 的變化通常與幾種內在和外在的病理有關，因此在MR圖像中對腦室系統的分割和量化尤 為重要。由于腦室手動分割方法消耗時間，具有主觀性和不可重復生產性(或者不可重復 性)，對于腦室分割提出了許多自動方法。一般而言，根據是否采用3D腦室模型，腦室分割 方法可歸類為基于模型方法或非基于模型方法。非基于模型方法，如強度界定[17]和區域增長[12，13，19]適用于腦室系統形狀 和大小變化的情況。但是，由于這些方法不采用腦室形狀的先驗知識，可能會產生從腦室 區域到非腦室區域的“泄露”。而且，由于圖像的不均勻性或者圖像中噪聲和部分容積偽影 (volume artifacts)的存在，這些方法可能會遺漏一些腦室區域。由于第三腦室的精確 邊界依賴于它們的形狀和拓撲約束以及與周圍物體的關系，所以當采用這些非基于模型方 法，第三腦室的準確分割尤其具有挑戰性。相反，基于模型方法，如圖譜扭曲[4]或幾何和參數模型變形[3，6，8]，采用顯式 或隱式模型作為腦室先驗知識的形狀模型。當模型與研究對象形狀之間的差別很小時，這 些方法對噪聲具有魯棒性，并能夠實現精確分割。但是，由于腦室形狀和大小具有很大差 異，要想實現適應于每一差異的模型變形，設計一個合理的能量或相似性函數非常困難。而且，這些方法中不可避免地存在局部最小化問題，將導致錯誤的分割。一般來說，圖像中解剖結構分割主要存在兩個難點。第一，由于部分容積效應，導 致被研究結構(如腦室系統)及其周圍組織(如灰質)之間出現過渡區域。如果這些過渡 區域被完全排除，該結構可能被欠分割或分裂成幾個不連接的部分。第二，被研究結構及其 周圍組織之間的一些界線很弱而在圖像中不易被檢測。因此，一些對象區域可能“泄露”(即 連接)至其他非對象區域。目前，沒有現成的方法可以檢測出過渡區域，并且同時防止對象 區域“泄露”至非對象區域
發明內容
本發明目的在于提供一種圖像中結構分割與建立3D表面模型的方法及系統。特別地，本發明提供了一種由大腦掃描數據組成的三維大腦掃描圖像中一個或多 個腦室的分割方法，該方法包括步驟(a)根據該圖像，配準一大腦模型，該大腦模型包括一個或多個腦室中每一個腦室 的一個或多個各自的腦室模型；從而形成大腦模型中的位置與大腦掃描圖像中各自位置的 對應關系；(b)根據所述對應關系，基于一個或多個腦室模型在圖像中確定一個或多個各自 的相關區域；(c)利用大腦掃描數據，在一個或多個相關區域上執行區域增長，用以形成表示各 自腦室的各自容量；以及(d)利用各自的容量，分割大腦掃描圖像。本發明可以進一步包括建立分割解剖結構的表面模型，以及編輯該表面模型以精 確地描述分割時丟失的特征和細節的步驟。步驟(c)可以包括生成形為連通區域的容量，在步驟(d)之前具有基于具體涉及 到腦室的解剖知識修剪所述容量的步驟。本發明可以表現為執行所述方法的計算機系統。該計算機系統可集成獲取圖像的 設備。本發明還可以表現為計算機程序產品，例如記錄有形計算機語言的介質，其包括供計 算機系統操作用以執行所述方法各步驟的程序指令。


僅參考以下附圖的例子，詳細說明本發明實施例，其中圖l(a)_(c)示出了人類大腦腦室系統的一個例子；圖2示出了本發明一實施例中系統的主要流程圖，包括方法步驟202和204 ；圖3示出了分割圖像中腦室系統的方法202的流程圖；圖4示出了根據方法202的分割輸出結果，生成精確的腦室結構的3D表面模型的 方法204的流程圖；圖5示出了本發明實施例提供的采用修正點修正表面模型的過程；圖6示出了利用方法202分割數據集IBSR-18中左側腦室得到的結果；圖7示出了利用方法202分割數據集IBSR-18中第三腦室得到的結果；圖8示出了利用方法202分割數據集IBSR-18中第四腦室得到的結果；
圖9示出了利用方法202從數據集BIL-20中4個不同的腦容量集中分割出的4 個腦室結構。
具體實施方式
參考圖2，示出了本發明一實施例的方法200的步驟，該方法用以生成腦室的3D表 面模型。方法200的輸入是一容量圖像。在步驟202中，容量圖像中的腦室被分割。在步 驟204中，建立每一個腦室的3D表面模型，并且編輯該3D表面模型，以提升其精確性。需 要注意的是，在其他實施例中，步驟204可以不在步驟202之后。此外，步驟204的方法并 非僅應用于方法200中，還可以有其他可能的應用，在3D建模的領域中，可以單獨執行或合 并執行。步驟202 在容量圖像中分割腦室參考圖3，示出了本發明一實施例的方法202的步驟，該方法用以生成表明腦室系 統的容量圖像。方法202的輸入是一容量圖像。在步驟302中，根據多個(如10個)可自動識別 的腦室標定點，將圖像重組到標準的塔萊拉什(Talairach)空間，該圖像的標準腦室模型 被扭曲。在步驟304中，采用變形的腦室模型為每一個腦室指定相關區域。在步驟308、310 和312中，側腦室、第三和第四腦室被分割。在步驟306a、306b和306c中執行遲滯性界定 (hysteric thresholding) ( S卩，具有滯后作用的界定)，用以生成包括部分腦室的CSF連通 區域，該CSF區域還包括極小的非腦室區域。步驟302 重組圖像給定一容量圖像I，通常采用塔萊拉什變換[9]將該圖像I重組到標準塔萊拉什空 間[14]，這樣根據解剖學知識能夠處理或理解該圖像。但是，當塔萊拉什標定點沒能自動定 位時，不能自動執行塔萊拉什變換。因此，在實施例中，采用基于腦皮層輪廓的配準方法重組圖像。大腦的皮層輪廓接 近于其皮層表面的凸殼。利用形態分析[11]自動提取出圖像中皮層輪廓S1，通過插入[8]3D TT(Talairach-Tournoux)大腦圖譜的2D數字電子版，生成3D塔萊拉什空間中的皮層輪廓 S2，采用3D TT大腦圖譜[8]中的腦室系統作為標準腦室容量模型。用三角網格表示輪廓S1和S2,分別在頂點標記標號為Q1和Q2。采用迭代最近 點(ICP)的方法[2]配準點集Q1至Q2,獲得一線性變換，用于將圖像重組到塔萊拉什空 間 ° 米用標準放射禾斗協議(http //www, grahamwideman. com/gw/brain/orientation/ orientterms. htm)定義塔萊拉什空間的坐標系統(xyz)，其原點定位于3D TT圖譜的前連 合，χ軸從對象的右邊延伸到左邊，y軸從對象的后面延伸到前面，ζ軸從對象的下面延伸到 上面。步驟304 指定相關區域在實施例中，為每一個部分腦室指定相關區域，首先要在圖像和3D TT圖譜中識別 出10個腦室標定點[7]。采用基于模型的半全局方法自動識別圖像中的10個腦室標定點， 作為本領域知識，采用醫學圖像理解環境(MIUE)工具[7，8]在3D TT圖譜中交互式的指定 這些標定點。
舉例來說，在每個側腦室中有4個標定點，它們是每個側腦室的最后側點、最優 點、額葉前外側極點以及后部中線交點。該標定點還包括第三腦室中的前部極點以及第四 腦室中的后部優越點。基于圖像中的10個腦室標定點和TT大腦圖譜，標準的腦室模型被配準到圖像中。 由于自動檢測到的標定點的位置可能并不精確[7，10]，可采用薄板樣條逼近方法[10]獲 得配準(或扭曲)函數。扭曲(或變形)的腦室容量模型被分成四個子容量=V1 (左側腦室)，V2 (右側腦 室)，V3 (第三腦室)和V4 (第四腦室和導水管)。根據公式(1)擴張相應的扭曲子容量Vi 得到每一部分腦室對應的相關區域Ω 0Ω. iiP|S(V,P)-<d0}-v0 =
‘1 (Pls(Vl5P)^dJ (i = 3,4)在公式(1)中，相關區域01至04分別用于分割左側腦室、右側腦室、第三和第 四腦室。S (Vi, P)表示體素P (P = (px，py，pz) e R3)至容量Vi邊界的有符號的最小歐式距 離，S(Vpp)為正值表示體素ρ位于容量\之外，s(Vi，p)為負值表示體素ρ位于容量Vi之 內。舉例來說，設Cltl為6mm，這樣每個區域正好足夠大到包括三種類型的腦組織灰質，白質 以及CSF，還包括相關的部分腦室。這使得在該區域內能隨后估計出相關部分腦室的界限。 另外，Vtl表示中間矢狀片。舉例來說，根據公式(2)設Vtl的厚度為8mm，從Q1和Ω2中排 除Vtl，以防止兩個側腦室“泄露”到跨半球的CSF，或者兩個側腦室“泄露”到彼此內。V0 = {ρ I -4 ^ χ ^ 4}(2)步驟306a，306b和306c 執行遲滯性界定盡管幾種方法[5，15，16，21]適用于從腦容量中分割出CSF區域，通常提取的CSF 區域不僅包括腦室區域，還包括一大部分非腦室區域。從大量互相連通的非腦室區域中分 割出腦室區域很困難。因此，這些方法可能不能定位腦室CSF和非腦室組織之間的過渡區 域，從而導致欠分割。盡管現有方法[20]適用于提取過渡區域，這些方法要么基于梯度，要 么基于局部熵。因此，它們很有可能提取一大部分非腦室CSF區域作為過渡區域。在實施例中，步驟304中指定的相關區域QJQ1至Ω4)被用作引導步驟306a， 306b和306c采集CSF連通區域X，該CSF連通區域包括與其對應的部分腦室。在步驟306a， 306b和306c中，根據以下子步驟，采用遲滯性界定采集區域Ω i對應的區域X 步驟1 在每一個區域Ω i中分別計算部分腦室的兩對強度界限。舉例來說，根據以下步驟執行上述步驟1。首先，根據體素的強度，利用模糊C均值方法[1]將區域中圖像的所有體素歸類為 5組。這5組代表三種類型的組織(GM，麗和CSF)以及兩個過渡區域CSF_GM(位于CSF和 GM之間)和GM_WM(位于GM和WM之間)。然后，將一個組k的強度g記為Uk (g)，將每一組的中心強度記為ck，(k = 1，2，...， 5)。為了不失一般性，假設C1 < C2 < ... c5，計算出兩個隸屬函數Uk和uk+1的交點gk，如 uk (gk)= +1^)，其中1^= 1，2，···，4。k組的最低界限tkL和最高界限tkH被分別設為g^ 和&，g0和g5被分別設為可能的強度最小值和最大值。 根據本領域知識，挑選出與CSF和CSF_GM所對應的兩組。舉例來說，在Tl-MR圖 像中，具有強度界限[ta，t1H]的第一組被選為CSF，具有強度界限[ta，t2H]的第二組被選為CSF_GM。包括CSF組的界限作為較窄界限[TU，TH1]中，包括CSF和CSF_GM組的界限作為較 寬界限[TL2, TH2]。也就是說，Tli = t1L, Tm = t1H, TL2 = min{t1L, t2L}, TH2 = max{t1H, t2H}。步驟2 根據較窄界限[Tu，TH1]，為每一 Ω i采集部分腦室對應的核心區域K。舉例來說，根據以下步驟執行上述步驟2。 首先，根據最低界限Tu和最高界限Tm對圖像I進行二值化，得到CSF組 {p I K I (P)彡ΤΗ1}。然后，根據6個相鄰體素的連通性，從CSF組中提取出最大連通區域 K。由于區域Qi是通過擴張變形的部分腦室而生成的，它與圖像中對應的部分腦室大致匹 配，自然的，區域K至少包括區域Ω中相關側腦室的主要部分。也就是說，根據區域03得 到的區域K包括第三腦室的主要部分，當根據每一個其他區域獲得區域K時，區域K是左側 腦室、右側腦室或第四腦室的主要部分。區域K被記為相關部分腦室的核心區域。步驟3 根據較寬界限[ΙΥ2，ΤΗ2]，區域K可自適應的擴張到包括過渡區域。在一個實施例中，采用基于區塊的邊界區域增長方法執行上述步驟3，可自適應的 擴張區域K使之包括部分腦室的過渡區域，同時防止區域K “泄露”到非腦室區域。如果容量內一邊界體素ρ的26個最接近的相鄰體素中至少一個q滿足qe Ω-K 且IY2彡I (q) ( TH2，那么該邊界體素P被認為是激活體素。根據26個相鄰體素的連通性， K中的邊界激活體素被分組形成邊界區塊集S2,…,民}，其中η表示區塊的數量。一個 區塊G中的所有體素與26個相鄰體素連接，兩個不同的區塊4和。(i Φ j)不相連接。分別對每一個區塊Si實施區域增長。最初Λο被設為Si，根據公式⑶由&k重復地 生成之k+I。在公式⑶中，N26(P)表示體素ρ的26個相鄰體素。= LKq I q e N26(P),TL2 么 I(q) ^ TH2，q e Ω} -(κυ)=0 akiJ)
權利要求
一種由大腦掃描數據組成的三維大腦掃描圖像中一個或多個腦室的分割方法，所述方法包括步驟(a)根據所述圖像配準一大腦模型，所述大腦模型包括一個或多個腦室中每一個腦室的一個或多個各自的腦室模型；從而形成大腦模型中的位置與大腦掃描圖像中各自位置的對應關系；(b)根據所述對應關系，基于一個或多個腦室模型在圖像中確定一個或多個各自的相關區域；(c)利用大腦掃描數據，在一個或多個相關區域上執行區域增長，用以形成表示各自腦室的各自容量；以及(d)利用各自的容量，分割所述大腦掃描圖像。
2.根據權利要求1所述的方法，其特征在于，步驟(a)包括子步驟 (i)將圖像重組到大腦模型的坐標系統；( )在重組圖像中識別與大腦模型中標定點對應的標定點；以及(iii)基于識別出的標定點，配準圖像的大腦模型。
3.根據權利要求2所述的方法，其特征在于，步驟(i)包括子步驟(iv)確定圖像中的第一皮層輪廓； (ν)確定大腦模型中的第二皮層輪廓；(Vi)配準第一皮層輪廓中的點與第二皮層輪廓中的點，以獲得線性變換；以及 (Vii)利用該線性變換，將圖像重組到大腦模型的坐標系統。
4.根據權利要求3所述的方法，其特征在于，在步驟(vi)中采用迭代最近點方法配準 所述點。
5.根據權利要求2-4任一項所述的方法，其特征在于，步驟(iii)包括子步驟(viii)利用薄板樣條逼近方法獲得配準函數；(ix)利用所述配準函數，基于識別出的標定點配準圖像的大腦模型。
6.根據前述任一項權利要求所述的方法，其特征在于，對于一個或多個相關區域中的 每一個，步驟(c)包括子步驟(X)分別計算一對較窄強度界限和一對較寬強度界限；(xi)根據該對較窄強度界限，確定相關區域的核心區域；(xii)根據該對較寬強度界限，擴張核心區域使之包括相關區域周圍的過渡區域，以形 成作為連通區域的所述容量。
7.根據權利要求6所述的方法，其特征在于，步驟(χ)包括子步驟(xiii)根據強度，對相關區域內的體素分組；(xiv)基于每一組與相鄰組的交點，為每一組計算一對強度界限；(xv)確定包括相關區域強度的組的強度界限對為該對較窄強度界限；以及(xvi)確定包括相關區域強度的組與包括過渡區域強度的組的強度界限對組合的上限 和下限，作為該對較寬強度界限。
8.根據權利要求6或7所述的方法，其特征在于，步驟(ii)包括子步驟(xvii)根據該對較窄強度界限對圖像進行二值化，得到一組；(xviii)根據6-相鄰體素連通性方法，從該組中提取出最大連通區域作為該核心區域。
9.根據權利要求6-8任一項所述的方法，其特征在于，步驟(iii)包括子步驟 (xix)確定核心區域的邊界激活體素；將邊界激活體素分組到邊界路徑將邊界激活體將邊界激活體素分組到邊界路徑； (XXi)對每個邊界路徑實施區域增長，以獲得擴張的邊界路徑； (XXii)擴張核心區域使之包括擴張的邊界路徑，以形成連通區域。
10.根據權利要求6-8任一項所述的方法，其特征在于，在步驟(d)之前包括一修剪步 驟，具體為通過對相應的腦室的處理步驟，從連通區域中去除體素。
11.根據權利要求10所述的方法，其特征在于，所述相關區域中的一個與側腦室對應， 該相關區域的修剪步驟包括以下步驟(xxiii)根據一中間矢狀片，定位連通區域的共同邊界體素集；(xxiv)利用共同邊界體素集的26-相鄰體素最大連通區域，生成第一新區域作為起始占.(XXV)重復地由前一個新區域生成后一個新區域，直至后一個新區域為空；以及 (XXVi)確定連通區域為共同邊界體素集與所述新區域之和。
12.根據權利要求10或11所述的方法，其特征在于，所述相關區域中的一個與第三腦 室對應，所述修剪步驟包括子步驟(xxvii)將連通區域投影到中間矢狀面上，獲得一投影圖像，其中該投影圖像中每一個 像素表示連通區域上沿著投影線到該像素的體素的個數；(xxviii)獲得投影圖像中將像素分成兩組的分組閾值；(xxix)從連通區域中去除值高于閾值的像素對應的體素。
13.根據權利要求10-12任一項所述的方法，其特征在于，所述修剪步驟包括子步驟 (XXX)識別圖像中的標定點；以及(XXXi)從連通區域中去除定位位置相對于標定點的體素。
14.根據權利要求10-13任一項所述的方法，其特征在于，所述修剪步驟包括子步驟(xxxii)在圖像的每一個切片上重復地定位8-相鄰體素連通區域，上述像素屬于所述 連通區域，直至下一個切片中體素與當前切片中體素的面積比率大于預設閾值；以及(xxxiii)確定所述8-相鄰體素連通區域的組合為C型泄漏分量；以及(xxxiv)從連通區域中去除該C型泄漏分量。
15.根據權利要求10-13任一項所述的方法，其特征在于，所述修剪步驟包括子步驟 (XXXV)識別在連通區域具有最大個數像素的圖像中的第一切片；(xxxvi)從第一切片開始，計算下一個切片在連通區域的像素個數的增量； (χχχν )識別在連通區域具有最大像素個數增量的切片為泄漏切片；以及 從從連通區域中去除從位于泄露切片之外的連通區域中去除體素。
16.根據權利要求10-13任一項所述的方法，其特征在于，所述修剪步驟包括子步驟 (xxxix)識別第一切片，所述第一切片在連通區域的像素個數高于前一個切片；以及 從從連通區域中從位于第一切片之外的連通區域中去除體素。
17.一種圖像中結構的3D表面模型的建立方法，所述方法包括步驟 根據權利要求1的方法分割所述結構；在3D空間中建立分割結構的3D表面模型，其中所述3D表面模型包括多個腦室；以及 重復地編輯所述3D表面模型(xxxxi)在3D表面模型遺漏特征之處，在3D表面模型上設置修正點；(xxxxii)計算修正點到3D表面模型中每一個頂點的距離；(xxxxiii)對于3D表面模型中的每一個頂點，如果修正點到3D表面模型中該頂點的距 離小于預設閾值，計算該頂點的對應點，該對應點位于修正點到頂點的線上，修正點到對應 點的距離為sin(nd(A，Pi)/2R)，其中d(A，Pi)為修正點到頂點Pi的距離，R為預設閾值。
18.—種包括用于執行權利要求1-17任一項所述方法的處理器的計算機系統。
19.一種計算機程序產品，為計算機可讀，包括供計算機系統中的處理器操作的指令， 使得處理器執行根據權利要求1-17任一項所述的方法。
全文摘要
本發明提供了一種三維大腦掃描圖像(如MR或CT)中一個或多個腦室的分割方法。該圖像被配準到大腦模型，為一個或多個腦室中每一個的腦室模型。基于腦室模型確定各自的相關區域。首先對相關區域實施區域增長過程得到對象區域，然后基于解剖學知識對其進行修剪。根據分割結構，在3D空間中建立一個或多個對象的3D表面模型。利用用戶在3D空間中選擇的表示丟失細節特征的修正點，編輯和改善3D表面。將被選點附近的3D表面區域平滑的向修正點扭曲，將修正路徑與3D表面的其余部分結合得到精確的解剖結構模型。
文檔編號G06T7/40GK101971213SQ200980107459
公開日2011年2月9日 申請日期2009年2月27日 優先權日2008年2月29日
發明者W·L·諾文斯基, 劉繼敏, 黃甦 申請人:新加坡科技研究局