基于Hough變換與幾何主動輪廓的醫學MR圖像分割方法
【技術領域】：
[0001] 本發明涉及圖像纂改技術領域，具體涉及基于Hough變換與幾何主動輪廓的醫學 MR圖像分割方法。
【背景技術】：
[0002] 對于左心室心肌的分割，主流方法是基于邊緣驅動的圖像分割方法。如：參數主動 輪廓模型（又稱Snake模型），水平集（LevelSet)模型，幾何活動輪廓模型及它們的改進 模型。但是MR圖像中常常出現乳突肌干擾及局部梯度極大值區域、弱邊緣、偽影等現象，給 基于邊緣的圖像分割方法帶來了困難。針對這些現象帶來的問題，許多先驗知識被引入基 于邊緣的圖像分割模型來提高模型的魯棒性。用的較多的是基于先驗知識的形狀約束和區 域信息，該算法在幾何活動輪廓模型的基礎上，綜合考慮了圖像的邊緣和區域信息及生理 結構約束，能夠對左心室的內外輪廓同時進行分割。
[0003] 但Paragios的方法也存在一些問題，他們采用GVF(GradientVectorFlow)代替 梯度場引導曲線演化到邊緣，這樣可以擴大模型的捕捉范圍。但是對于灰度不均勻的圖像、 有噪聲的圖像，GVF的性能將會受到影響，要么只能得到一個不十分理想的GVF場，要么目 標的結構可能被抹平。此時演化曲線將會從弱邊界處進入另一區域，造成邊界泄漏現象或 在區域內部梯度的局部極大值處及孤立的邊緣處停止演化，不能運動到真實的邊界。雖然 Paragios的方法加入了通過高斯混合模型擬合直方圖得到的區域信息，但是這種方法對具 有比較理想的三個峰值圖像擬合效果較好，且用來求解高斯混合模型的EM算法對于初始 的參數估計有一定的依賴性，可能停滯在某個局部最大值上。此外，Paragios的方法由于添 加的項數較多，曲線演化式較復，所以為了保證它的數值穩定性需要特殊的數值計算方法， 這樣使得數值計算復雜度更高。

【發明內容】
：
[0004] 針對上述問題，本發明要解決的技術問題是提供一種效果好、分析準確的基于 Hough變換與幾何主動輪廓的醫學MR圖像分割方法。
[0005] 本發明的一種基于Hough變換與幾何主動輪廓的醫學MR圖像分割方法，它包含以 下幾點：
[0006] 1、利用短軸圖像中左心室心肌的內外輪廓近似圓形的先驗形狀知識，先用Hough 變換自動定位左心室的初始輪廓，使初始輪廓較準確地定位于真實輪廓邊緣附近，然后再 在幾何活動輪廓模型的基礎上，利用由K-均值聚類對圖像中的目標進行粗分割所提供的 區域信息及心肌的生理結構約束，建立藕合的心肌內外輪廓曲線演化方程，對左心室的內 外輪廓同時進行自動分割；
[0007] 2、K-均值聚類算法
[0008] 聚類就是按一定的相似性度量準則將數據劃分成多組具有同類性質的子類，使得 子類內部的相似性大于類間的相似性；因此距離或相似性的度量是聚類算法的基礎。
[0009]K-均值聚類屬于無監督的學習方法，在圖像分割中的應用，一般是將圖像中目標 按灰度值分成不同的類，或者結合圖像直方圖來進行聚類分割圖像。在圖像像素點的特征 空間中進行聚類就是在此空間中發現特征相似的像素點組。根據初始聚類中心選擇方法的 不同，樣本分配規則的不同，質心計算方法的不同，停止標準的不同，有多個不同版本的算 法。Κ-均值算法在聚類的初始時，聚類中心一般是隨機產生的，聚類個數也是手工設定的。 對于初始聚類中心的選擇，它會對最終的結果產生很大的影響，一般有正面幾種方法：（1) 選擇特殊樣本；（2)選擇開始的Κ個樣本；（3)把所有樣本按距離排列，選擇將這些距離差 不多等分的樣本；(4)選擇使得類間距離最大樣本；
[0010] 3、左心室初始內外輪廓線的定位
[0011] 它可以根據近似物體模型的先驗知識，檢測并不知道精確形狀的物體；利用短軸 圖像上左心室心肌的內外輪廓類似圓形的先驗形狀知識，采用Hough變換估計左心室內外 輪廓；在左心室收縮過程中，當左心室的內輪廓由于乳突肌的影響不再近似圓形時，會出現 檢測不到左心室內輪廓的現象，所以用Hough變換檢測左心室的外輪廓，再利用外輪廓的 圓心結合由MR成像參數估計出的內輪廓半徑初始左心室輪廓；左心室內輪廓邊緣信息和 區域灰度一致性都比外輪廓要好，所以左心室內輪廓的分割對初始輪廓的依賴要小的多。
[0012] Hough變換可以識別部分變形或部分遮擋的物體，但是它的計算量也較大。為了減 少計算的復雜度，提高算法的準確度，可以利用長軸線與短軸平面的交點一定在心室內部， 且在左心室內外輪廓中心點的附近這個先驗知識。
[0013] 本發明先利用短軸圖像上左心室心肌的內外輪廓類似圓形的先驗形狀知識，采用 Hough變換估計左心室的初始輪廓，使初始輪廓較準確地定位于真實輪廓邊緣附近，然后再 在幾何主動輪廓模型的基礎上，利用K-均值聚類對圖像中的目標進行粗分割所提供的區 域信息及心肌的生理結構約束，建立耦合的心肌內外輪廓曲線演化方程，對左心室的內外 輪廓同時進行自動分割算法。
[0014] 使用Hough變換的原因是它的魯棒性強，對數據的不完全或噪聲不是非常敏感， 可以識別部分變形或部分遮擋的物體。用這樣的方法估計初始內外輪廓，可以使初始輪廓 較準確地定位于真實輪廓邊緣附近，便于后面的曲線演化收斂到正確輪廓，可以克服初始 輪廓對幾何主動輪廓模型分割結果的影響。對于左心室內外輪廓的分割，單純的基于邊緣 的圖像分割模型往往得不到理想的分割效果，所以許多先驗知識被引入模型來提高模型的 魯棒性。用的較多的是基于先驗知識的形狀約束和目標區域信息，心肌的生理結構約束可 以用來控制左心室內外輪廓的相對位置，而區域信息可以用來給圖像分割提供目標類別信 息。
[0015] 使用κ-均值聚類算法是因它作為一種基于平方誤差的聚類方法，算法簡單，聚類 速度快。而MR圖像區域灰度不一致且直方圖不是按左心室內膜以內區域、心肌區域、背景 區域形成理想三個峰值分布，因此，使用K-均值算法分類效果要優于高斯混合模型。
[0016] 本發明的有益效果：它有效地分割左心室內外輪廓，其他方法的分割結果則偏離 真實輪廓。而且通過比較還可以看出各個添加項的作用：內輪廓區域信息項；當曲線演化 到左心室內輪廓內部時，曲線將會膨脹；當曲線演化到內輪廓以外時，曲線將會收縮。該項 所起的作用相當于一個自適應的氣球力。心肌的生理結構約束項；控制左心室內外輪廓演 化曲線的相對位置，起著形狀約束的作用。
【具體實施方式】：
[0017] 本【具體實施方式】采用以下技術方案：它包含以下幾點：
[0018] 1、利用短軸圖像中左心室心肌的內外輪廓近似圓形的先驗形狀知識，先用Hough 變換自動定位左心室的初始輪廓，使初始輪廓較準確地定位于真實輪廓邊緣附近，然后再 在幾何活動輪廓模型的基礎上，利用由K-均值聚類對圖像中的目標進行粗分割所提供的 區域信息及心肌的生理結構約束，建立藕合的心肌內外輪廓曲線演化方程，對左心室的內 外輪廓同時進行自動分割。
[0019] 2、K-均值聚類算法
[0020] 聚類就是按一定的相似性度量準則將數據劃分成多組具有同類性質的子類，使得 子類內部的相似性大于類間的相似性。因此距離或相似性的度量是聚類算法的基礎。
[0021] K-均值聚類算法是一種最普遍的不斷迭代調整k個聚類質心的算法。它是一種基 于平方誤差的聚類方法，也是聚類算法中非常著名的一個硬聚類算法，該算法簡單，聚類速 度快。與其它聚類算法一樣，K-均值聚類也是一個迭代尋優的過程。
[0022] 假設要將樣本集數據X= {Xl，x2, . . .，xN}分成K個類，首先選擇一個K類的初始 劃分，計算這些類的均值向量μ，然后根據歐氏距離把剩余的每個樣本分配到類均值距離 它最近的一個劃分。
[0023] 重新計算被分配到每個類的樣本的均值向量，作為新的類中心。重復這一過程直 到均值向量收斂為止。
[0024] Κ-均值聚類算法的中心思想是最小化總的類內距離。所有的