主权项 |
一种基于帧间形状约束的GCV模型分割主动脉瓣超声图像序列方法,其特征在于包括以下步骤:a)获取一组连续的主动脉瓣超声图像序列,数量为M,并提取每一帧图像的扇形区域,非扇形区域的阈值为255;然后对每一帧图像进行维纳滤波;b)进行维纳滤波后,计算每一帧图像的梯度矢量流场,并且在各图像上均随机定义一个初始演化曲线;通过计算各所述初始演化曲线法向量方向与各所述梯度矢量流场方向夹角的余弦值,将梯度矢量流场作为能量约束项加入到CV模型框架,得到各图像的GCV模型;c)在第1帧图像上手动定义四个点,然后利用B样条插值形成闭合曲线,将该闭合曲线作为初始约束形状;然后利用形状比较函数将该初始约束形状作为能量约束项加入到第1帧图像的GCV模型中,然后最小化该GCV模型的能量泛函,得到第1帧图像的主动脉瓣分割结果;d)对第m帧图像的主动脉瓣分割结果进行滚球法滤波,得到的结果作为第m+1帧图像的非初始约束形状,然后利用形状比较函数将该非初始约束形状作为能量约束项加入到第m+1帧图像的GCV模型中,然后最小化该GCV模型的能量泛函,得到第m+1帧图像的主动脉瓣分割结果;其中,1≤m≤M‑1;其中,b)步所述将梯度矢量流场作为能量约束项加入到CV模型框架从而得到GCV模型的公式具体是:E<sup>gcv</sup>(φ,c<sub>1</sub>,c<sub>2</sub>)=E<sup>cv</sup>(φ,c<sub>1</sub>,c<sub>2</sub>)+αcos<n(φ),g>∫<sub>Ω</sub>H(φ)dxdy;其中,<img file="FDA0000963810700000011.GIF" wi="1530" he="183" />α的取值范围为0.3~1,φ表示演化曲线,n表示演化曲线φ的法向量方向,g表示超声图像的梯度矢量流方向,<img file="FDA0000963810700000012.GIF" wi="557" he="125" />取v=0,λ<sub>1</sub>=λ<sub>2</sub>=1;c)步所述将初始约束形状或d)步所述将非初始约束形状作为能量约束项加入到GCV模型的公式如下:<maths num="0001"><math><![CDATA[<mrow><mtable><mtr><mtd><mrow><mi>E</mi><mrow><mo>(</mo><mrow><mi>φ</mi><mo>,</mo><msub><mi>c</mi><mn>1</mn></msub><mo>,</mo><msub><mi>c</mi><mn>2</mn></msub></mrow><mo>)</mo></mrow><mo>=</mo><msup><mi>E</mi><mrow><mi>g</mi><mi>c</mi><mi>v</mi></mrow></msup><mrow><mo>(</mo><mrow><mi>φ</mi><mo>,</mo><msub><mi>c</mi><mn>1</mn></msub><mo>,</mo><msub><mi>c</mi><mn>2</mn></msub></mrow><mo>)</mo></mrow><mo>+</mo><msub><mi>βE</mi><mrow><mi>s</mi><mi>h</mi><mi>a</mi><mi>p</mi><mi>e</mi></mrow></msub><mrow><mo>(</mo><mi>φ</mi><mo>)</mo></mrow></mrow></mtd></mtr><mtr><mtd><mrow><mo>=</mo><mi>μ</mi><msub><mo>∫</mo><mi>Ω</mi></msub><mi>δ</mi><mrow><mo>(</mo><mi>φ</mi><mo>)</mo></mrow><mo>|</mo><mo>▿</mo><mi>φ</mi><mo>|</mo><mi>d</mi><mi>x</mi><mi>d</mi><mi>y</mi><mo>+</mo><mi>v</mi><msub><mo>∫</mo><mi>Ω</mi></msub><mi>H</mi><mrow><mo>(</mo><mi>φ</mi><mo>)</mo></mrow><mi>d</mi><mi>x</mi><mi>d</mi><mi>y</mi></mrow></mtd></mtr><mtr><mtd><mrow><mo>+</mo><msub><mi>λ</mi><mn>1</mn></msub><msub><mo>∫</mo><mi>Ω</mi></msub><mo>|</mo><mi>u</mi><mrow><mo>(</mo><mrow><mi>x</mi><mo>,</mo><mi>y</mi></mrow><mo>)</mo></mrow><mo>-</mo><msub><mi>c</mi><mn>1</mn></msub><msup><mo>|</mo><mn>2</mn></msup><mi>H</mi><mrow><mo>(</mo><mi>φ</mi><mo>)</mo></mrow><mi>d</mi><mi>x</mi><mi>d</mi><mi>y</mi><mo>+</mo><msub><mi>λ</mi><mn>2</mn></msub><msub><mo>∫</mo><mi>Ω</mi></msub><mo>|</mo><mi>u</mi><mrow><mo>(</mo><mrow><mi>x</mi><mo>,</mo><mi>y</mi></mrow><mo>)</mo></mrow><mo>-</mo><msub><mi>c</mi><mn>2</mn></msub><msup><mo>|</mo><mn>2</mn></msup><mrow><mo>(</mo><mrow><mn>1</mn><mo>-</mo><mi>H</mi><mrow><mo>(</mo><mi>φ</mi><mo>)</mo></mrow></mrow><mo>)</mo></mrow><mi>d</mi><mi>x</mi><mi>d</mi><mi>y</mi></mrow></mtd></mtr><mtr><mtd><mrow><mo>+</mo><mi>α</mi><mi>cos</mi><mo><</mo><mi>n</mi><mrow><mo>(</mo><mi>φ</mi><mo>)</mo></mrow><mo>,</mo><mi>g</mi><mo>></mo><msub><mo>∫</mo><mi>Ω</mi></msub><mi>H</mi><mrow><mo>(</mo><mi>φ</mi><mo>)</mo></mrow><mi>d</mi><mi>x</mi><mi>d</mi><mi>y</mi><mo>+</mo><mi>β</mi><msub><mo>∫</mo><mi>Ω</mi></msub><msup><mrow><mo>(</mo><mrow><mi>φ</mi><mo>-</mo><msub><mi>φ</mi><mi>B</mi></msub></mrow><mo>)</mo></mrow><mn>2</mn></msup><mi>d</mi><mi>x</mi><mi>d</mi><mi>y</mi></mrow></mtd></mtr></mtable><mo>;</mo></mrow>]]></math><img file="FDA0000963810700000021.GIF" wi="1429" he="359" /></maths>式中,E<sub>shape</sub>(φ)表示形状能量约束项,φ<sub>B</sub>表示c)步的初始约束形状或d)步的非初始约束形状,β的取值为0.05~0.2;然后使用Euler‑Lagrange方程最小化上述关于φ的能量泛函得:<img file="FDA0000963810700000022.GIF" wi="1556" he="164" />其最优解即为c)步所述第1帧图像的主动脉瓣分割结果或d)步所述第m+1帧图像的主动脉瓣分割结果。 |