專利名稱：用于分割磁共振心臟圖像中左心室的變化的方法
技術領域：
一般而言，本發明針對用于分割心臟圖像的系統和方法。具體地說，本發明針對一種使用將視覺信息和解剖學約束結合的輪廓傳播模型來分割心臟左心室的系統和方法。視覺信息包含基于梯度向量流的邊界部分，和根據反映不同組織特性的全局明暗度屬性來區分心臟輪廓/區域的區域部分。根據心臟輪廓的相對距離，解剖學約束將連接心臟輪廓的傳播。
背景醫學圖像處理是一個不斷增長的應用領域。磁共振成像(MRI)可用于提供心臟隨時間變化的三維圖像，該圖像可用于診斷。該心臟圖像可用通用計算機視覺技術進行處理。可是，這些技術不能充分利用其它領域現有技術的優點，如生理學，心臟病學等等。
在醫學圖像分析中心臟分割是一個大家都盡力研究的課題，因為該成果有很強的診斷功能。在醫學結構的分割中，準確和精確是兩個重要的需求，因此，開發了各種用于分割的邊界驅動方法。這些方法基于邊界圖像的產生和連續結構的提取，該連續結構準確說明了邊界信息。
例如，大家所熟知的“蛇”型模型是一種領先的框架，該框架是重要的邊界驅動圖像分割技術的基礎(參看如，國際計算機視覺雜志1988年第一期321-332頁，Kass等人的“SnakesActive Contour Models(蛇型活動輪廓模型)”)。簡要地說，蛇型模型涉及能量最小化技術，該技術尋求基于曲線的目標函數的最低勢能。該函數是邊界圖像驅動引力項和說明曲線的期望的內部特性的項之間的折衷。根據最初的蛇型模型，需恢復的結構涉及在二維或三維空間中的一組點，所述空間在滿足某些內部特性的約束的同時，局部朝向期望的圖像特性的變形。盡管該最初方法可得到顯著的效果，但是該方法對于噪音或物理破壞的數據很敏感。
建議在最初的蛇型框架上使用可變形模板和參數化的蛇型模型如B型樣條和活動外形來克服其在噪聲數據上的較差性能。因此，在分割過程之前，使用一定數量的訓練實例來建立外形模型。該模型涉及很少參數，可以表達相當大的一組全局和局部變形。在普通模型可以描述相當大部分的符合條件的分割解的情況下，使用這些方法可以提高分割性能。可是，這些模型對于初始條件相當敏感。
“近視”是常被用來描述蛇型模型對初始條件的依賴性的術語。該蛇型模型基于很局部的信息，因此初始條件必須和最佳解足夠接近。建議使用氣囊力(ballon force)使該模型脫離于初始條件。中心思想是引入一個不斷擴展或收縮初始結構的恒力。很明顯，在初始結構或者環繞著需恢復的區域，或者被要分割的區域完全包圍的條件下，這一部分對最初的模型有好處。可是，對于一般醫學圖像分割應用而言，這一條件卻不容易被滿足。
為了克服這些約束，也考慮并廣泛研究局部/全局信息的使用。演進的輪廓用來定義由兩個區域組成的圖像劃分。內部區域是指要被恢復的區域，外部區域是指所述圖像的其余部分(背景)。然后，使用全局同質局部屬性來區分重要區域和背景。可以使用連續概率密度函數為這些特性建立模型，該函數被根據最新分割圖自動更新。
基于邊界的醫學圖像分割技術的演進形成了一組模塊，所述模塊使得初始結構(點集)向著期望的圖像特性變形。基于這些考慮，很明顯該分割結果將必然依賴于初始結構確定的參數化(位置、控制點數等等)。另外，用于重新對演進中的結構參數化的技術也將在分割過程中起重要作用。盡管使用各種技術來處理這些問題，但是這種依賴性對于圖像分割方法來說是不正常的。
使用水平集表示作為用于演進的界面的一種可選的(針對拉格朗日)技術。這些表示對于計算機視覺中變化框架的實施來說是一個共同的選擇。使用連續的更高維的零水平集函數表示該演進的輪廓。這種表示可以是固有的，性質的，免參數和拓撲的。使用用于演進界面的水平集方法導致了用于圖像分割的邊界驅動方法的擴展。
正如該領域內所熟知的，測地活動輪廓是指作為針對最初蛇型模型的幾何可選方案被引入的最優化框架。這一模型的主要優點在于它隱含的參數化，所述隱含的參數化可導致拓撲變化(合并/分離)的自然處理(通過水平集)。
還有一種措施是使用水平集表示實施將邊界驅動流和全局區域明暗度信息以及它們的實現加以組合。然后，分割程序變得相當獨立，不受初始條件的約束。當可以使用全局區域信息處理任意初始條件時，可以通過水平集表示來處理拓撲變化。在結構非常復雜并且是由多個部分組成的醫學圖像處理中，上述方法非常重要。可是，當需要處理噪聲和不完全數據時，所述方法仍然遭受穩健性的困擾。另外，這些方法不能充分利用如下的現有形狀知識的優點，該知識可以從與要被分割的醫學結構有關的生理學中獲得。
為解決該約束，已經作出了一些努力。例如，現有形狀知識已經被引入到測地活動輪廓模型。在另一種方法中，將一個形狀影響項和邊界及區域驅動的視覺信息組合起來，以便進一步增加基于水平集的方法針對噪聲和不完全數據的穩健性。人們可以要求使用蛇型模型和可變形模板滿足該目的。
許多醫學應用都包含同時提取以約束方式(生理學)被置于圖像平面中的多個結構。根據感興趣結構的相對位置，這些高級(抽象)約束可被轉換成低級分割模塊。例如，根據大腦的一些物理屬性，一種用于皮層分割的方法考慮到兩個輪廓的約束(連接)傳播。
如上所述，磁共振成像(MRI)提供了心臟隨時間變化的三維成像法(imagery)。為幫助診斷疾病，內科醫生們對識別心室，心內膜和心外膜很感興趣。另外，測量心動周期不同階段的心室血量，心室壁質量，心室壁運動和壁厚特性是一項富有挑戰的任務。左心室特別重要，因為它將含氧血從心臟泵到整個身體的遠距離組織。
有一些用于心臟分割的方法。例如，Argus是一種西門子通過MRease工作站商品化的心臟磁共振MR分析包，該工作站連接在磁共振“MAGNETOM”系統上。該系統可自動執行3D/4D數據集的分割(不同時間的體積切片)。該分割算法包含三個不同模塊并且在如下參考文獻中有所闡述，所述文獻即在2001年加拿大Vancouver的IEEE計算機視覺國際會議，M.Jolly的“Combining Edge Region and ShapeInformation to Segment the Left Ventricle in Cardiac MRImages(將邊緣區域和形狀信息合成以分割在心臟磁共振圖像中的左心室)”。自動定位模塊能夠最大辨別地近似確定出新圖像中的心肌層位置。該系統通過使心臟正負例子分布的Kullbach距離最大化來獲悉心臟的灰度級方面(被建立成馬爾可夫鏈模型)。局部變形過程從一個近似輪廓開始，并使用Dijktra的最短路徑算法對它進行變形。在近似輪廓周圍的遞增尺寸的搜索空間內多次迭代地施加該算法，因此加強了好的邊緣而弱化了模糊邊緣。然后使用圖形切割算法以便最終選擇作為心內膜的一部分的最好的邊緣片。通過將樣條曲線擬合到由Dijsktra的算法勾畫出的邊緣點，來獲得心外膜。最后傳播模塊負責針對局部變形提供一個近似的起點。
發明簡述本發明針對用于分割心臟圖像的系統和方法，特別針對心臟的左心室。優選地，使用一種水平集方法來分割磁共振MR心臟圖像，所述方法以兩個心臟輪廓的連接傳播為基礎。一種優選的分割方法將視覺信息和解剖學約束結合起來。優選地，該視覺信息是通過(i)基于梯度向量流的邊界部分和(ii)如下區域項表示的，該區域項根據反映不同組織屬性的全局明暗度屬性來區別心臟輪廓/區域。根據心臟輪廓的相對距離，使用解剖學約束來連接心臟輪廓的傳播。優選地根據一種快速穩定的數值逼近方案，優選地是附加算子分離，使用水平集方法實現作為結果的運動方程。
本發明的一個方面，用于分割心臟圖像的方法包含接收心臟圖像，使用梯度向量流邊界方法確定心臟圖像中一個或多個輪廓的邊界信息，和確定區域信息以便根據全局明暗度參數區分心臟圖像中的區域。當應用解剖學約束以便根據輪廓的相對距離來連接輪廓傳播時，應用一種合成邊界和區域信息的傳播模型，以便將每個輪廓傳播到心臟圖像中的目標邊界。
本發明的另一方面，該目標邊界包含心臟左心室的心內膜和心外膜。
本發明的另一方面，該傳播模型的邊界部分優選地以使用梯度向量流擴展測地活動輪廓模型為基礎。
本發明的另一方面，該傳播模型包含邊界分割模型，區域模型和連接函數的加權的集成。
本發明的另一方面，解剖學約束包含如下的活動連接函數，該活動連接函數用于保存演進的輪廓的確定拓撲。
在以下對優選實施例的詳細描述和附圖中，將闡述本發明的這些和那些方面，特征和優點，或將變得很清晰。
附圖簡述

圖1a和1b是心臟圖像的例圖，其中圖1a是描述左心室的一部分的心臟圖像例圖，圖1b說明了左心室的感興趣的輪廓。
圖2是根據本發明的一個實施例，用于分割心臟圖像的系統的方框圖。
圖3a，b，c是說明一種根據本發明的邊界分割方法的例圖，其中圖3a是描述左心室的心臟圖像的例圖，圖3b是說明圖像中檢測到的邊緣(如邊緣檢測器所檢測的)的例圖，和圖3c是說明圖像的梯度向量流表示的例圖。
圖4是說明基于概率密度的區域分割方法的例圖。
圖5是根據本發明的一個實施例，用于分割心臟圖像的方法的流程圖。
圖6(a)-6(h)是說明根據本發明，在分割過程期間傳播兩個輪廓以集中心內膜和心外膜邊界的例圖。
優選實施例的詳細描述一般而言，本發明針對用于磁共振MR成像法的心臟分割。目的在于恢復左心室，特別是如下心肌層，心肌層是在心外膜(即心包膜(心臟周圍的囊)的最內層)和心內膜(排列在心臟空洞上的薄內膜)之間的區域。圖1中示出了根據本發明的分割應用的前后關系。
圖1a是心臟的二維圖像例圖，具體地說是顯示左心室橫截面的二維心臟切片。圖1中的暗環描述了組成左心室壁的心肌層(肌肉)。根據本發明的一個優選實施例，作為一種三形態圖像分割應用(i)心內膜RI，(ii)心肌層RO-RI，(iii)背景I-RO，分割方法基于如圖1b所示的兩個演進界面，心內膜(RI-內輪廓)或心肌層內壁(以I表示)和心外膜(RO-外輪廓)或心肌層外壁(以O表示)。我們回憶RO是心外膜區域，也包括心內膜區域。
盡管磁共振MR成像法的質量優于其它醫學形式(CT，超聲波等等)，但是和該考慮的應用有關的視覺信息可能會導致誤解，物理損壞，有時會不完全。因此，假如處理時不考慮專用約束，它就可能導致非最佳效果。有以下幾個原因。一是因為心內膜中乳突狀肌肉的存在。如圖1中清楚地顯示，盡管該乳突狀肌肉是心內膜的一部分，但它們涉及不同的視覺屬性。結果，邊界(因為很強的邊緣)和區域(因為明暗度不一致)驅動的分割模塊將不能將該肌肉恢復為心內膜的一部分。
右心室的明暗度特性和心肌層的明暗度特性不同，因此可以很容易地檢測共同邊界。可是，區別心肌層和非心臟部分(根據視覺信息)不總是可行的。和乳突狀肌肉情況相反，一些心臟實體和心外膜之間沒有任何邊界。因此，邊界以及全局明暗度驅動的模塊可能不能提供近似的分割圖。
根據本發明的一個優選實施例，為了解決上述局限性和物理損壞視覺信息，作以下假設(1)兩個心臟輪廓，心內膜和心外膜都是平滑的；(2)心外膜(除了乳突狀肌肉外)和心肌層的明暗度特性非常不同，沿著它們的邊界存在很強的不連續性(高梯度)；和(3)如圖1b所示，內輪廓(I)和外輪廓(O)之間法線方向(測地路徑)上的距離相對恒定。
一般而言，根據本發明的系統和方法包含一種三形態分割框架，該框架確定兩個輪廓，心內膜輪廓和心外膜輪廓的傳播。在示例應用中，感興趣區域(ROI)包含心內膜和心外膜輪廓之間的區域，即心肌層(如圖1b中示出)。
根據本發明的一個優選實施例的分割過程是基于集成視覺信息和解剖學約束的幾何流的。優選地，該視覺信息是通過(i)邊界驅動的部分和(ii)基于全局區域的分割模塊表達的。和傳統的分割方法不同，根據本發明的分割過程優選地使用雙向流，該雙向流不受初始條件影響，并可從任一側捕獲對象邊界。區域部分包含分組模塊，該模塊優選地區別心外膜，心內膜和背景之間的明暗度特性。通過EM算法全局地評估這些特性并自動更新它們。
優選地，使用解剖學約束來處理具有易誤解的視覺信息的感興趣區域的部分。特別地，基于心臟解剖學的先驗知識，使用連接模型來約束心外膜和心內膜輪廓的相對位置。優選地，采用一種快速穩定的數值技術，附加算子分離，使用水平集表示來實現作為結果的運動方程。極好的試驗結果驗證了根據本發明的分割過程的優點和準確性。
需要理解的是這里描述的根據本發明的系統和方法可以以不同形式的硬件，軟件，固件，專用計算機，或其組合來實現。優選地，本發明采用作為應用的如下軟件來實現，所述軟件包含如下程序指令，所述程序指令確實地被包括在一個或多個程序存儲設備(如，軟磁盤，RAM，CD ROM，ROM等等)上，并可由包含合適體系結構的任何設備或機器加以執行。另外還需了解，因為附圖中描述的組成系統的模塊和方法步驟優選地通過軟件執行，所以根據本發明被編程的方式不同，系統部件之間的實際連接(或過程步驟的流程)會有所不同。根據這里的描述，本領域的普通技術人員將能夠想到本發明的這些和類似的實現和配置。
圖2是根據本發明的一個實施例，用于分割心臟圖像的系統10的方框圖。需要了解，盡管這里描述的優選實施例針對分割心臟左心室，但是本發明的原理可以與其它解剖部分有關的圖像分割方法一起實現。
系統10處理心臟圖像數據11，該數據優選地使用MRI方法捕獲。使用MRI捕獲的該視覺信息在MR序列中是高質量且很準確的。該系統10包含一種多形態分割框架，該框架基于兩個輪廓，心內膜輪廓和心外膜輪廓的傳播。由邊界分割模塊12和區域/明暗度分割模塊13處理心臟圖像數據11。
在一個優選實施例中，該邊界驅動分割模塊11實施如下的邊界模型，該邊界模型是眾所周知的測地活動輪廓模型的擴展，該模型用于確定最好地考慮了希望的圖像特性的最小長度測地曲線。傳統測地活動輪廓的關鍵局限性在于它高度依賴于初始條件。根據本發明，為克服該局限性，該測地活動輪廓流與二維邊界域，即GVF(梯度向量流)相集成。該二維邊界域是指與如下最佳流相類似的結構，所述最佳流指向到達心臟邊界所遵循的方向。如以下論證的，本發明的邊界驅動分割模塊12的作為結果的流保證了演進界面的規律性，并且能夠從任何一側都可到達心臟邊界。
該區域/明暗度分割模塊13產生全局/局部信息，以更使得邊界驅動分割過程12的性能更穩健。優選地，使用區域項來提供如下分割圖，所述分割圖最好使用某些先驗技術對圖像特性進行分組(所述區域項例如在希臘Corfu的IEEE國際計算機視覺會議926-932頁Paragios等人的“Geodesic Active Regions for SupervisedTexture Segmentation(IEEE用于受監督的紋理分割的測地活動區域)”中所描述的，在此引入以供參考)。優選地，根據觀察的圖像密度函數(柱狀圖)和期望值最小化(EM)算法來確定這樣的特性。這一區域部分的最小化導致了幾何流，該幾何流可處理噪聲/損壞數據，并且不受初始條件影響。
另外，因為由所述應用(如乳突狀肌肉)的性質所提供的易誤解的視覺信息，該系統10還包含解剖學模塊15，該模塊實施連接函數，以約束心內膜和心外膜界面的相對位置。這一約束的實施導致了如下雙向流，該雙向流以法線方向傳播心臟輪廓，其中該傳播將它們的距離保持在一些給定的限值內。
每個系統部分12，13和15都趨向于通過根據各自基礎模型部分產生作用力來傳播一些輪廓。換句話說，對于輸入的心臟圖像的每個相關像素而言，每個模型(邊界，區域，解剖學的)將與由該模型確定的優先測量相關聯，該優先測量將用于使得所述傳播沿著法線方向朝著最佳解驅動。
該系統包含集成模塊14，該模塊集成數據驅動(視覺信息)和解剖學約束，并導致用于左心室分割的最終幾何流。更具體地說，在一個優選實施例中，作為結果的幾何流的解是通過在同一平臺上集成模型(邊界，區域，解剖學的)而獲得的，在該平臺上所述解包含這些模型的加權合成。
作為結果的解包含兩個輪廓，一個對應內輪廓(心內膜)，一個對應外輪廓(心外膜)。圖像再現單元16用來根據圖像數據11再現估計的輪廓。
邊界部分根據本發明的優選實施例，以下詳細描述了邊界驅動模塊12和基礎模型。
邊界驅動分割模塊12優選地實施作為測地活動輪廓模型的擴展的模型。該測地活動輪廓假定一些邊界信息的存在。根據該模型，該考慮的應用的最佳分割圖由兩個界面(一個對應心內膜和一個對應心外膜)而加以確定，所述兩個界面最小化以下的目標函數 其中RI(c)，RO(c)分別是心內膜和心外膜邊界的平面參數，g()是正單調遞減函數(如高斯函數)。
使用變分計算和用于使上述函數最小化的梯度下降法，可以獲得以下運動方程(位置u)，以便使心內膜和心外膜向著最佳解傳播 其中NI和NO分別是該演進的內界面和外界面的內向法線，K是曲率。
獲得的運動方程(2)有簡單的解釋。它們將(兩個)初始輪廓向著由曲率效應約束的心臟邊界收縮。這種流可以通過使用水平集表示來加以實現。作為結果的流可以適應拓撲的變化，而不需要初始條件處在最佳解的鄰區(它們可以遠到滿足一些具體約束)。由測地活動輪廓流的性質強加這些約束。該數據驅動項傾向于使得所述界面向著心臟邊界收縮(或者假如初始條件保守的話則使之擴展)。因此，初始輪廓必須完全在需恢復的區域內，或者必須包圍該區域。這一要求降低了傳統測地活動輪廓模型的可用性。
將要理解的是，根據本發明的一個實施例，通過使用GVF(梯度向量流)，可以解決傳統測地活動輪廓模型的這一局限性。在美國專利申請系列號No.＿＿(代理人文檔號2001P09086US)，名為“GradientVector Flow Fast Geodesic Active Contour(梯度向量流快速測地活動輪廓)”中詳細討論了GVF，該申請同此案一起提出，在此共同指定并被引入以供參考。簡要地說，GVF涉及用來從任意一側捕獲心臟邊界并可處理凹面區域的二維區域的定義。為引入該流，首先定義基于連續邊緣的信息空間。優選地，高斯邊緣檢測器(零平均值，σE方差)是基于以下梯度圖像實現的g(p)=12πσEe-|▿(Gσ*I)(p)|22σE2,f(p)=1-g(p)--(3)]]>其中[Gσ*I]表示高斯內核同輸入的卷積(平滑)。
GVF涉及二維邊界驅動域[v(p)＝(a(p)，b(p))，p＝(x，y)]，通過最小化以下目標函數可恢復該二維邊界驅動域E(v)=∫∫μ(ax2+ay2+bx2+by2)+|▿f|2|v▿f|2dxdy--(4)]]>其中μ是合成參數。大家可以試著解釋該函數當缺少邊界信息[|f|≈0]時，能量受控于該域的偏導數，導致該域和平滑圖的擴散。另一方面，當觀測到邊界空間上的變化[|f|很大]時，控制能量的項值是第二位的，導致v＝f。在美國Puerto Rico的IEEE計算機視覺和模式識別會議66-71頁Xu等人的“Gradient Vector FlowA newExternal Force for Snakes(梯度向量流蛇型模型的新外力”)上可以找到詳細解釋。
最初的GVF目標函數的一個局限在于并不直接使用邊界信息(邊界梯度影響流)。結果，因為邊界信息的擴散，強邊緣和弱邊緣可以對該域具有相似的貢獻(假定它們的梯度是可比的)。具有優勢的是，根據本發明，為解決這種局限，將目標函數(4)作以下修改E(v)=∫∫μ(ax2+ay2+bx2+by2)+f|▿f|2|v-▿f|2dxdy]]>
(5)這種修改可以導致能夠克服弱(噪聲)邊緣的擴散方程，并保證邊界信息的合理擴散，其中強邊界可以補償弱邊界產生的流。
使用變分計算可以將目標函數(5)最小化，得到以下擴散方程dvdt(p)=m▿2v(p)-f(p)(v(p)-▿f(x,y))|▿f(p)|2--(6)]]>方程(6)優選地用于估算梯度向量流。根據該偏微分方程(PDE)(6)，將首先在具有重要邊界信息的圖像位置中定義/估算該域，并將該域逐漸傳播到遠離該邊界的區域。當該流收斂時，該域將包含關于最優地到達心臟邊界所遵循的方向的信息。然后，人們可以將GVF域規一化[v^(p)=v(p)|v(p)|].]]>作為結果的二維流和光學流類似，可以用于定義一種新的邊界驅動外力。由該部分提供的信息主要是有前后關系的，通常可以從任意一側指向心臟邊界。在圖3中描述了GVF。具體地說，圖3a是輸入圖像的例圖，圖3b說明了由邊緣檢測器檢測到的相應的邊界信息，圖3c說明了相應的梯度向量流。
在上面提到的Xu等人的“Gradient Vector FlowA new ExternalForce for Snakes(梯度向量流蛇型模型的新外力)”中建議了基于蛇型的雙向幾何流的基礎域。和最初的蛇型模型相比，他們的方法表現出很多優點，而與此同時又都有重要的局限性拉格朗日實現。可是，如果給定應用環境，側這不是一個重要限制。事實上，根據本發明，左心室分割問題涉及凸起的單種子區域(心外膜，心內膜)的恢復，因此不要求對拓撲變化進行處理(這是拉格朗日方法的局限性)。
應當理解，根據本發明的一種分割方法方便地使得能夠改變演進的界面的拓撲。優選地，使用多種子可以更好地初步估計心內膜和心外膜的全局/區域明暗度特性。因此，可以取得準確的分割結果。
另外，如以下進一步詳細解釋的，解剖學約束優選地基于心內膜和心外膜界面之間的距離，使用水平集表示是一種用于估計該距離的優選方法。另外，心臟輪廓的幾何屬性可以通過這種水平集表示被進行性質上的估計。
記住，該規一化的GVF涉及到達目標邊界所遵循的方向。因此，如果給定該演進界面的最新位置，則到達心臟邊界的最佳軌跡(從視圖的環境來看)將沿著GVF的方向移動。
基于上述討論，根據本發明的一個實施例的分割方法確定了一種用于心內膜和心外膜的、按照該規一化的GVF的(、基于測地活動輪廓的)前后傳播，其中該傳播發生在法線方向，并且基于在給定位置[u]的界面法線和GVF向量的內積 該運動方程式(7)沿著指向輪廓邊界的方向，移動左心室的內界和外界(即心內膜，心外膜)的輪廓。該運動方程沿著基于邊界位置的兩個方向中的一個移動輪廓。更具體地說，對該運動方程(7)作以下解釋。當GVF指向外且法線向量有相同或相反的方向時，該演進的界面最大地擴展。相反，當GVF指向內且單位法線向量有相同或相反方向時，該心臟輪廓最大地收縮。另外，當GVF與法線相切時，界面位置不被更新。
運動方程(7)不考慮視覺信息。GVF的規一化引起了前后邊界驅動的信息。高梯度和強邊緣的像素涉及與在這一信息不存在的地方的具有高梯度和強邊緣的相類似的實體。在測地活動輪廓流的例子之后，我們可引入以下的圖像驅動的邊界信息 當邊界信息不存在時，設計好的流表現出一種前后關系的傳播，這一傳播能夠從任意一側到達心臟邊界。另一方面，因為假定已經恢復心臟邊界是部分令人滿意的(強邊緣)，所以圖像驅動邊界信息的存在會降低GVF的共享。
內部約束是蛇型模型和其它邊界驅動分割流的關鍵部分。這些約束可以保證演進界面的規律性和用于實現該相應流的許多方法的穩定性。
根據本發明的基于GVF的邊界分割流不考慮這種類型的約束。事實上，人體心臟是一個物質實體，該物質實體包含時間和空間上的平滑結構。如果沒有觀察到不正常的條件，則這一先驗知識就被投入到和由內部約束產生的模塊相類似的低水平分割模塊中。在測地活動輪廓的例子之后，彎曲部分優選地用來施加內部約束，并將先驗的抽象知識轉化成低水平分割模塊(使用心臟形狀的先驗模型約束可以是引入這一知識的更合適的方式)。在以下方程中，基于輪廓是平滑的這一假設，施加約束 其中α是一個合成常數。項(1-α)KI(u)強加了一個約束，即輪廓是平滑的，項α(v^(u)·NI(u))]]>表示輪廓向著輪廓邊界的移動。
概括來說，通過結合測地活動輪廓和梯度向量流，根據本發明的一個實施例的邊界驅動心臟分割方法可以方便地處理任意初始條件，并能處理拓撲變化。
統計區域部分以下是對根據本發明優選實施例的區域/明暗度模塊13和基礎模型的詳細討論。一般而言，基于區域/明暗度的分割方法優選地依賴于空間定位特征和屬性的一致性。根據本發明，左心室分割問題滿足這一準則。該區域/明暗度模塊13之后的中心思想是使用演進界面來定義如下圖像劃分，該圖像劃分相對于某個分組準則來說是最佳的。在醫學成像中，觀測到的明暗度取決于相應的被映射的組織的屬性。
另外，對于左心室的MR序列而言，假定存在三種群體(i)血液(亮)，(ii)肌肉(灰)和(iii)充滿空氣的肺(深灰)。這些群體的特性隨著空間和時間而變化，但是它們的明暗度屬性可以被相當好地區別開來。因此，觀察到的心外膜區域的分布(柱狀圖)可以認為是三部分的混合模型(假定是高斯型的)。假定pI表示心內膜密度函數，pO表示心肌層密度函數，pB表示心臟器官的其余部分(背景)的密度函數。那么，我們定義p(I)＝PIpI(I)+POpO(I)+PBpB(I)(10)其中PI，PO和PB是心內膜，心肌層和背景的假設的先驗概率。可以使用期望值最大化原則來估算該基礎模型的未知參數。圖4是根據三個假設，說明視覺信息的統計學模型(柱狀圖)的例圖。給定一個心臟圖像，該圖像的希望區域被通過計算該區域的柱狀圖來加以處理，以便獲得密度。在一個實施例中，我們假定心內膜是亮的，肌肉是灰的，而背景是黑的(如圖4a所示)。在圖4b的示例柱狀圖中，曲線C1是在圖像中觀察到的總體數據，曲線C4代表用于心內膜的假設，曲線C3代表用于心肌層的假設，曲線C2代表用于背景的假設。
概率密度函數是基于區域的劃分模塊13的基礎。后驗分割概率的最大化可以被認為是最優化準則E(∂RI,∂RO)=]]> 其中r()是正單調遞減函數，如高斯型的。在方程(11)中定義的模型被用于區別不同的部分。對于本領域的普通技術人員來說，該定義的模型的解釋是很顯然的。視覺信息必須最大地支持分割圖。因此，和一些視覺信息相關聯的一個給定的像素，當且僅當它被根據不同假設[pI，pO，pB]的概率法則分配到最有可能的標簽時，才有助于目標函數的最低勢能。這種分配最小化地給目標函數添加負載。
使用Stokes定理，變分計算和梯度下降方法，可以獲得以下運動方程(該方程將能量方程(11)最小化)
(12)該流(公式12)朝向分割圖(沿著法線方向)收縮或擴展演進界面，更好地說明了心外膜和心肌層的期望的密度屬性。另外，它可以看作是自適應的氣囊力，該氣囊力根據觀察到的圖像特性使得演進界面收縮或膨脹。
實現該區域/明暗度模塊13的好處是明顯的因為該基于區域的流起到了數據驅動的自適應氣囊力的作用，因此該建議的方法較少依賴初始條件。可是，由于易誤解的視覺信息(由于該應用的性質，心外膜和背景之間基于明暗度的區分容易進行)，可能取得次于最佳結果的結果。
根據本發明，區域驅動流的結果(圖2的模塊13)和基于邊界GVF的分割模塊(圖2的模塊12)(經由圖2的模塊14)被集成起來，得到以下運動方程 其中β和ε是合成參數。
這些方程包含三項第一項是分組部分，該部分根據要恢復的區域的全局明暗度屬性加以估算。該項說明了心肌層的同質性。第二項是內在部分，該部分保持了演進界面的規律性。最后一項是邊界吸引部分，該部分從任意一側向著心肌層邊界傳播心臟輪廓。
解剖學部分以下是根據本發明的優選實施例，對圖2的解剖學模型15的詳細討論。
由于心臟組織的屬性，視覺信息可能提供易誤解的分割結果。純粹基于圖像/數據驅動技術的分割方法沒有充分利用和感興趣的醫學結構有關的先驗知識(如心臟生理學)。根據本發明的另一方面，解剖學的先驗知識優選地被用作分割過程的一個部分。
在一個實施例中，使用解剖學驅動的低水平分割過程來約束心外膜和心內膜之間的相對位置。事實上，演進界面涉及作為物質實體的一部分的心臟部分，心臟結構。假定它們的位置和它們在時間和空間上的演進是連續的，并且是符合心臟的運動。
根據本發明的一個實施例，解剖學模型假定心外膜和心內膜之間的距離在空間上(切片)和時間上(心臟周期的實例)是變化的。通過確定該距離在時間和空間上的演進，該模塊根據它們的最短(測地)路徑連接該演進界面。為方便這一約束限制的引入，將忽視心內膜心外膜距離在時間上的演進。
考慮來自心內膜或心外膜輪廓上的一個像素(x，y)。假如d(RI，RO)是(x，y)和該演進界面之間的最小歐幾里得距離，那么-((x，y)∈RI)→ d(RI(x，y)，RO)＝d((，y)，RO)，(14)((x，y)∈RO)→d(RIRO(x，y))＝d((x，y)，RI)(15)在美國Santa Barbara的IEEE計算機視覺和模式識別會議708-715頁Zeng等人的“Volumetric Layer Segmentation UsingCoupled Surfaces Propagation(使用連接表面傳播的體積層分割)”中，建議在皮層分割中使用一個被動連接項，取得了顯著的結果。該方法后面的中心思想是引入一個連接函數，該連接函數用于在皮層輪廓的距離超過可接受的限值時，就停止它們的傳播。可是，這是一種嚴格的限制，并不演進心臟輪廓，而且代表一種消極的行為。
根據本發明的一個優選實施例，使用一種活動連接模塊，該模塊滿足用于心內膜(內輪廓)的以下條件(i)假如用于給定像素的從心外膜的距離在可接受的限制[m≤d(RI(u)，RO)≤M]內，那么就滿足所述約束，不會采取行動；(ii)假如這一距離低于可接受的最小值[d(RI(u)，RO)＜m]，那么心內膜離心外膜非常近，并且心內膜必須收縮以保持距離約束；和(iii) 假如這一距離超出可接受的最大值[d(RI(u)，RO)＞M]，那么心內膜就遠離心外膜，并且心內膜必須擴展以滿足所述距離約束。
基于這一公式化，根據本發明的一個實施例的用于心內膜界面的連接函數優選地定義如下 對心內膜(外輪廓)使用相同的推理，可以獲得類似的條件(i)假如[m≤d(RI，RO(u))≤M]，那么滿足所述約束，并且不采取任何行動；(ii)假如[d(RI，RO(u))＜m]，那么心外膜離心內膜非常近，并且心外膜必須擴展以保持距離約束；和(iii)假如[d(RI，RO(u)＞M]，那么心外膜遠離心內膜，并且心外膜必須收縮以滿足所述約束。
基于這些條件，根據本發明的另一個實施例的連接函數針對心外膜界面(外部輪廓)被定義成如下 優選地實現(在圖2的解剖學模塊15中)連接函數(16)和(17)，以提供一個活動解剖學模型，該活動解剖學模型將心臟輪廓之間的距離保持在一些可接受的限值內。該模型提供了一種活動的傳播力，該作用力沿著法線方向朝著滿足一系列符合本發明的距離要求的位置局部演進心臟輪廓，如下 該連接函數(18)提供許多優點。例如，該連接函數可以對所希望的分割算法提供強的貢獻或柔性貢獻。另外，就恢復滿足所述約束的演進界面的拓撲而言，該連接函數扮演了一個主動的角色。這和傳統方法(Zeng等人)相反，傳統方法定義了一種嚴格的約束，該約束減少了可接受的拓撲/解的集合。
完全模型應當理解，本發明將數據驅動(視覺信息)流和解剖學約束結合起來，以提供用于左心室分割的幾何流。根據本發明的分割模型不涉及最優化準則，但是這樣的模型充分利用了該應用框架的優點，并且使視覺信息的輸出最大化。根據本發明的一個實施例，用于分割的一個完全模型優選地被定義如下 其中(是合成參數。這些幾何流包含四種不同的作用力，這些作用力都沿著法線的方向作用(i)說明演進界面的內部屬性的基于曲率的項；(ii)向著其真實邊界傳播心臟輪廓的邊界驅動雙向作用力；(iii)說明心臟區域同質性的明暗度驅動區域作用力；和(iv)和心內膜和心外膜的位置有關的解剖學約束。
實現問題拉格朗日方法是實現幾何流的統一中公共方法。這些技術采用一小組(控制)點來表達演進界面(可使用關于兩個連續點之間的距離的統一取樣規則)。然后根據運動方程更新該控制點的位置。
在過去的十年期間，關于用于實現這些技術的數值方法取得了巨大的進步。因此，它們是許多有良好性能的基于蛇型模型的醫學圖像分割技術的基礎。可是，上述這些技術在各種方面還有限制。
例如，改變所述演進界面的拓撲是拉格朗日技術的一個主要的局限性。已經提出了一些方法來克服這一局限性，為涉及曲線和表面的幾何流提供良好的性能，但是上述方法卻不能推廣到更高維。另一個局限性是估計幾何屬性如該演進表面的法線和曲率。通常需重新對演進結構參數化。根據取樣規則進行重新參數化。因此該界面特性的估計高度地依賴于這一規則。
水平集表示是在拉格朗日方法的候選項，(參看，例如計算物理學雜志79期，12-29頁，Osher等人的“Fronts Propagating WithCurvature-Dependent SpeedAlgorithms based on theHamilton-Jacobi Formulation“以由曲率決定的速度進行的前向傳播基于Hamilton-Jacobi公式的算法”，在此引入以供參考)。該方法后面的中心思想是將該演進界面RI(u；t)，RO(u；t)如下表示為更高維函數[φI，φO]的零水平集 [RI(u)，RO(u)]的這種表示是隱含的，無參數的和固有的。另外，它們是無拓撲的，因為零水平集的不同拓撲不意味著[φI，φO]的不同拓撲。
我們考慮一個幾何流的最簡單的形式∂∂t∂Rx(u,t)=Fx(K∂Rx(u,t))N(u,t)--(21)]]>這一幾何流沿著根據取決于界面幾何屬性(即曲率)的某個標量函數F的法線方向演進初始輪廓。(嵌入的)函數φ的基本導數得出以下水平集流ddtφx(u,t)=Fx(K∂Rx(u,t))|▿φx(u,t)|--(22)]]>其中N=▿φ|▿φ|.]]>這一水平集流的解與嵌入的函數φ的選擇無關。離演進界面的帶符號的(signed) 歐幾里得距離是φ的公共選擇。
優選地，該水平集表示用于實現心臟分割流。唯一需要處理的問題涉及用于連續估算心外膜和心內膜的演進界面之間距離的機制。通過將帶符號的歐幾里得距離當作嵌入函數可以解決這一問題。這一選擇反映了該演進界面之間的最短距離。根據本發明的一個實施例，將心臟分割流投影到該水平集空間優選地如下進行 可是連接項的定義涉及在該定義流的數值實現期間可能引起不穩定性的問題的間斷函數。為解決該問題，我們考慮一個和一個初始函數有同樣屬性的平滑函數 需要注意，最終模型包含幾個參數(α，β，ε，γ，δ，m，M)。當然，不同信息驅動的分割模塊的使用可能提高作為結果的算法的性能。可是，將它們恰當地集成可能是一個問題，對我們的方法來說也是一樣。
基于試驗，已經確定該區域/明暗度信息是最可靠的視覺源(β＝0.5)。邊界部分也有穩定的行為(這說明了明暗度信息的不連續性)(ε＝0.2)。另外，必須加強該演進界面的規律性(α＝0.25)。對于嚴格的限值來說，解剖學模塊是柔性的(γ＝0.3)。根據考慮的切片的空間位置定義距離限值限制。中間心臟切片對應左心室的最大體積，因此該限值盡可能地寬(m＝4，M＝8，δ＝2)。
現在，我們處在開發自動方法來確定解剖學模塊參數的過程中。在左心室的大多數部位種可以合適地提取心肌層。因此，和心肌層有類似的視覺屬性的乳突狀肌肉和結構相對于演進的心臟輪廓之間距離而言可以可外露層。基于穩健性統計學的方法可用于恢復這一距離的平均值和可變性，導致了解剖學約束在空間上和時間上的自動測量。
數值實現用于實現該建議框架的快速的穩健的數值方法優選地基于所述的熟知的附加算子分離(AOS)方案，如，例如I EEE圖像處理學報1998年第7期398-410頁Weickert等人的“″Efficient and ReliableScheme For Non-Linear Diffusion and Filtering(非線性擴散和過濾的有效可靠方案)”中描述的，該文在此引入以供參考。在計算機視覺比例空間原理國際會議(1999)34-35頁Goldenber g等人的“Fast Geodesic Active Contours(快速測地活動輪廓)”中，已經成功地使用水平集方法在平面曲線演進中應用了該技術。
在計算機視覺中使用PDE(偏微分方程)的一個局限性是低效率。經典的數值逼近是不穩定，這導致了耗時的方法。這是由于需要用于保證穩定演進和收斂到該PDE的短時間步驟而導致的。在以上結合的Weichert等人的文章中介紹了一種克服該局限性的方法，該方法被有效地用于為各種PDE提供一種穩定的數值方法。
為了說明起見，通過假定以下形式的擴散方程來考慮一維情況tu＝div(g(|u|)u)(25)然后，該擴散方程可以作如下離散tu＝x(g(|u|)xu)(26)得到以下迭代方案
其中I是單位矩陣，τ是時間步驟。盡管該系統使用前次迭代的值顯式地更新u值，但是當時間步驟受上界約束時并不穩定。我們可以考慮使用半隱方案 該方案具有穩定的行為，但是在計算上很開銷很大。該AOS技術涉及該半隱方案的以下修改um+1＝[I-τ4(um)]-1um(29)附加算子分離的具有一些優勢屬性，因為它是(i)穩定的；(ii)滿足離散的非線性擴散的所有準則；(iii)具有低的復雜度(和像素數目成線性)；和(iv)可以很容易地向更高維擴展。因此，優選地將AOS方案和這里描述的用于左心室的分割的水平集運動方程一起加以應用。
為進一步降低水平集傳播所需的計算費用，該AOS方案可以有效地結合窄帶方法(參看，如計算物理學雜志118期(1995)269-277頁Adalsteinsson等人的“A Fast Level Set Method For PropagatingInterfaces(用于傳播界面的快速水平集方法)，該文在此引入以供參考)。該方法的性質在于只在一個有限的帶寬內執行該水平集的傳播。根據該傳播的輪廓的最新位置定義該帶寬。因此顯著減少了感興趣區域，從而顯著地降低了計算的復雜度。該方法需要頻繁地重新初始化該水平集表示(距離函數)，可以使用快速行進算法有效地進行(參看，如劍橋大學出版社1996年J.Sethian的“Level Set Methods(水平集方法)，在此引入以供參考)。參考IEEE解剖學控制學報40期(1995)1528-1538頁J.Tsitsiklis的“Efficient AlgorithmsFor Globally Optimal Trajectories(用于全局最佳軌跡的有效算法)”，提出了在自動控制區域的類似算法。
結論，試驗結果概括地說，本發明提供了用于分割MR心臟圖像中的左心室的幾何流。我們的方法是基于在規律性，邊界，區域和解剖驅動作用力的影響下的兩條曲線(心臟輪廓)的傳播。該框架使用了無參數曲線，并使用水平集表示來實現。幾個MR心臟序列被用于驗證我們的已經導致成功的試驗結果的方法。
圖5是根據本發明的一個實施例，用于分割心臟圖像的方法的流程圖。圖6(a)到6(h)是說明傳播兩個輪廓，心內膜(內輪廓)和心外膜(外輪廓)以便將該輪廓收斂到左心室的心肌層的期望的內邊界和外邊界的例圖。
參考圖5，根據本發明的一個實施例的分割過程開始于接收圖像數據(步驟20)。該圖像數據包含在MRI采集期間一給定時間所捕獲的幾個二維切片。例如，圖6(a)-(h)中的每一個都描述了在一給定時間，在三維體積的一給定深度上捕獲的同一二維圖像。為這些初始輪廓選擇初始的任意條件，并再現這些初始輪廓(步驟21)。例如，圖6(a)說明了初始(任意)的內輪廓和外輪廓，它們被(經由分割過程)向著圖6(h)示出的最終解傳播。優選地，初始的內輪廓在心內膜之內。
為捕獲用于分割的視覺信息，例如使用方程(6)確定該圖像的梯度向量流(步驟22)。然后，根據GVF確定邊界項(步驟23)。如上所述，對于每個像素，GVF的收斂產生了一個(從該像素)指向朝著心臟邊界的方向的向量(參看圖3c)。同時(假定并行處理)，使用和該圖像有關的柱狀圖數據確定概率密度(步驟24)。如上所述，每個概率密度都和感興趣的區域和假設有關，這允許該圖像的像素基于預定的準則分組。通過像素的分組確定區域項，以便描繪圖像中的結構和區域。例如，正如以上參考圖4所提到的，心肌層，心內膜和背景區域被區別開來，并從那里確定輪廓。
接下來，使用集成的傳播模型處理邊界和區域數據(視覺信息)，該傳播模型應用連接函數(解剖學約束)來迭代地確定實際輪廓邊界(步驟27)。例如，方程(19)的傳播模型優選地用于確定左心室心肌層的內外壁(心內膜和心外膜)的實際邊界。換句話說，從初始的任意輪廓開始，該輪廓以這樣的方式傳播，以至于在滿足應用于完全傳播模型的解剖學約束的同時，來考慮邊界和區域信息。隨著迭代過程的進行，在圖像上可以再現輪廓的被更新位置，如圖6a-h中所示。重復該過程(步驟26-27)，直到存在解的收斂(步驟28中的肯定結果)為止。對需處理的每個圖像切片重復該分割過程(步驟21-28)。對于一個三維實現來說，通過逐片使用該二維方法(圖5)，并且將該結果放在一起，可以恢復三維分割圖。
概括地說，根據本發明的幾何流模型和分割過程的各種新穎的特征包含(i)使用和初始條件無關的新穎的柔性外部邊界項；(ii)將邊界驅動的和基于區域的信息分割模塊集成起來；(iii)使用應用的前后關系來定義如下傳播約束，該傳播限制可處理物理損壞和不完全數據；(iv)使用關于PDE的數值技術的最新發展來穩健穩健地且高收斂率地實現獲得的運動方程。
該分割算法的擴展包括使用連接的表面傳播的三維分割。我們期望在水平集框架中可以容易地進行這樣的擴展。實現三維流的這些表示的使用在視覺和圖像處理著作中已經是標準技術(現有技術)。
在本發明的其他實施例中，在水平集能量框架中使用該傳播模型可以實現形狀優先(參看，如哥本哈根2002年計算機視覺歐洲會議第二卷78-92頁Paragios等人的“Shape Priors for Level SetRepresentations(水平集表示的形狀優先)”，該文在此引入以供參考)。有幾個問題和該目的有關。第一是形狀表示的選擇，第二是訓練取樣的記錄，第三是優先項本身。
另外，在醫學圖像分析中圖像記錄是一個關鍵部分。像皮層，心臟心室，腎等等這樣的結構是很感興趣的。相對于一些現有模型或它們先前的狀態(過去的成像法)記錄這些結構是有很強診斷力的令人感興趣的應用。為了這個目的，我們將樂于把記錄和分割問題結合起來。分割醫學結構，并同時對照先前狀態將它們記錄下來是一個需要考慮的具有挑戰性的方向。
盡管在此參考附圖描述了用以說明的實施例，應當了解本發明不限于這些精確的實施例，本領域的技術人員在不背離本發明范圍的情況下可以進行各種改變和修改。
權利要求
1.一種用于分割心臟圖像的方法，包含如下步驟接收心臟圖像；使用梯度向量流邊界方法，確定心臟圖像中的一個或多個輪廓的邊界信息；根據全局明暗度參數確定區域信息，以區別心臟圖像中的區域；和在心臟圖像中應用組合邊界和區域信息的傳播模型，以便將每個輪廓傳播至目標邊界，同時應用解剖學約束以便根據所述輪廓的相對距離連接所述輪廓的傳播。
2.如權利要求1所述的方法，進一步包含為所述輪廓選擇任意初始條件的步驟。
3.如權利要求1所述的方法，其中所述目標邊界包含心臟左心室的心內膜和心外膜。
4.如權利要求1所述的方法，其中所述傳播模型的邊界部分基于使用梯度向量流的測地活動輪廓模型的擴展。
5.如權利要求1所述的方法，其中所述傳播是使用可處理拓撲變化的水平集表示來實現的。
6.如權利要求5所述的方法，其中水平集傳播是使用附加算子分離方法來實現的。
7.如權利要求1所述的方法，其中所述傳播模型包含對邊界分割模型，區域模型和連接函數的加權集成。
8.如權利要求1所述的方法，其中應用傳播模型的步驟包含將約束應用到所述傳播模型的邊界部分，所述模型基于所述目標邊界的物理性質。
9.如權利要求8所述的方法，其中所述邊界部分的約束包含平滑度約束。
10.如權利要求1所述的方法，其中確定區域信息的步驟包含施加數據驅動的自適應氣囊作用力，以收縮或膨脹所述演進輪廓，所述演進輪廓基于觀察到的圖像特性。
11.如權利要求1所述的方法，其中所述解剖學約束包含一個活動連接函數，所述活動連接函數保持所述演進輪廓的確定拓撲。
12.如權利要求1所述的方法，進一步包含如下步驟在分割過程期間在心臟圖像上再現輪廓傳播。
13.一種可由機器讀取的程序存儲設備，該程序存儲設備具體包含可由所述機器執行的指令的程序，用以執行分割心臟圖像的方法步驟，所述方法步驟包含接收心臟圖像；使用梯度向量流邊界方法，確定心臟圖像中一個或多個輪廓的邊界信息；根據全局明暗度參數確定區域信息，以區別心臟圖像中的區域；和在心臟圖像中應用組合邊界和區域信息的傳播模型，以便將每個輪廓傳播至目標邊界，同時應用解剖學約束以便根據所述輪廓的相對距離連接所述輪廓的傳播。
14.如權利要求13的程序存儲設備，進一步包含用于執行為所述輪廓選擇任意初始條件的步驟的指令。
15.如權利要求13所述的程序存儲設備，其中所述目標邊界包含心臟左心室的心內膜和心外膜。
16.如權利要求13所述的程序存儲設備，其中所述傳播模型的邊界部分基于使用梯度向量流的測地活動輪廓模型的擴展。
17.如權利要求13所述的程序存儲設備，其中所述傳播是使用可處理拓撲變化的水平集表示來實現的。
18.如權利要求17所述的程序存儲設備，其中水平集傳播是使用附加算子分離方法來實現的。
19.如權利要求13所述的程序存儲設備，其中所述傳播模型包含對邊界分割模型，區域模型和連接函數的加權集成。
20.如權利要求13所述的程序存儲設備，其中應用傳播模型的指令包含將約束應用到所述傳播模型的邊界部分的指令，所述模型基于所述目標邊界的物理性質。
21.如權利要求20所述的程序存儲設備，其中所述邊界部分的約束包含平滑度約束。
22.如權利要求13所述的程序存儲設備，其中確定區域信息的指令包含施加數據驅動的自適應氣囊作用力以收縮或膨脹所述演進輪廓的指令，所述演進輪廓基于觀察到的圖像特性。
23.如權利要求13所述的程序存儲設備，其中所述解剖學約束包含一個活動連接函數，所述函數保持所述演進輪廓的確定拓撲。
24.如權利要求13所述的程序存儲設備，進一步包含在分割過程期間在心臟圖像上再現輪廓傳播的指令。
全文摘要
一種系統和方法，用于分割心臟圖像，具體而言，使用集成視覺信息和解剖學約束的輪廓傳播模型來分割心臟的左心室。所述視覺信息包含基于梯度向量流的邊界部分和根據反映不同組織屬性的全局明暗度屬性來區別心臟輪廓/區域的區域部分。所述解剖學約束根據心臟輪廓的相對距離來連接心臟輪廓的傳播。所述傳播模型包含對邊界分割模型，區域模型和連接函數的加權集成。
文檔編號A61B5/00GK1524247SQ02810121
公開日2004年8月25日 申請日期2002年5月17日 優先權日2001年5月17日
發明者N·帕拉伊奧斯, V·拉梅斯, N 帕拉伊奧斯, 匪 申請人:西門子共同研究公司