一種圖像對稱結構的提取方法
【技術領域】
[0001] 本發明涉及醫學圖像處理領域，尤其涉及一種醫學圖像對稱結構的提取方法。
【背景技術】
[0002] 在醫學圖像處理中，圖像的線性對稱結構（如二維圖像的對稱線，三位圖像的對 稱面）的提取具有廣泛的應用。
[0003] 美國專利申請文件US5533143提出了一種檢測圖像是否對稱的方法，判斷準則主 要依靠圖像兩邊像素值之差是否為0。但是所述專利申請中，假設前提是圖像的對稱軸是 和通過圖像中心的一條垂直的中心線一致的，這顯然應用是很狹隘的。而且兩邊在差值為 〇也是很苛刻的條件，很容易受噪聲、病變等影響。
[0004] 美國專利申請文件US6263097提出以圖像兩邊像素灰度值的均方差為判斷準則， 不斷優化對稱線的角度來得到最后的對稱線。另一篇美國專利申請文件US7409085首先計 算出圖像質心（xc，yc)，選定一個搜索區域（_15mm〈 = [x-xc]〈 = 15mm，-2mm〈 = [y-yc]〈 =2mm，-20。〈 = β〈 = 20。），計算此區域內可能性最大的一條對稱線（x0，y0, β0)，再重 定義搜索區域（_3mm〈 = [x_x0]〈 = 3mm，_3mm〈 = [y-y0]〈 = 3mm，-3。〈= [β-β0]〈 = 3。），重復計算可能性最大的對稱線。顯然上述方法是基于遍歷尋找最優解的方法，與基于 迭代的最優化方法相比，在速度和準確性等方面都有著明顯的不足。
[0005] 文獻 Babak A. Ardekani, etc, 'Automatic Detection of the Mid-Sagittal Plane in3_D Brain Images'，IEEE transactions on medical imaging,vol.,16, N).6, Decemberl997.采用單純形下降法優化求解了 3D頭部圖像的對稱面，代價函數選取互相關 函數。考慮到醫學圖像的復雜性，并且代價函數一般為對稱面方程參數的非線性函數，單純 形法并不是非常適合的。
[0006] 美國專利申請文件US20070276219用優化方法尋找相互正交的三個面，其中第一 個平面為所求的對稱面。代價函數選取三個面與各自相平行的臨近數個面對應點的灰度熵 值，采用基于單純形的Nelder-Mead優化方法。美國專利US20117986823目的是為了保證從 多次掃描檢測出的對稱面的一致性（Consistent),把醫生（MR設備operator)標定的MSP 作為金標準，然后以互信息為代價函數衡量自動檢測的MSP同金標準的差異。實現上需要 專家檢測MSP，如果不同病人的MSP第一次掃描（localizer)均需人工檢測時，操作上會非 常麻煩。
【發明內容】
[0007] 本發明解決的問題是提供一種醫學圖像的對稱結構的提取方法，用以對醫學圖像 的對稱結構進行提取。
[0008] 為了解決上述問題，本發明提供了一種醫學圖像對稱結構的提取方法，包括：提 供醫學圖像及初始對稱，根據所述初始對稱將所述醫學圖像劃分為位于所述初始對稱兩側 的兩部分；基于所述兩側的像素信息建立基于對稱參數的目標函數；迭代優化計算對稱參 數，進而提取所述對稱參數對應的所述醫學圖像對稱結構。
[0009] 可選的，所述初始對稱包括初始中心線和初始中心面：若所述醫學圖像為二維圖 像，則所述初始中心線為對稱線方程x+k*y+c = 0,其中，k，c為待定的對稱參數；若所述醫 學圖像為三維圖形，則所述初始中心面為對稱面方程X = kiy+k2z+b，其中，Kl，K2，b為待定 的對稱參數。
[0010] 可選的，所述迭代優化包括：利用lucas-kanade算法、梯度下降法或者BFGS方法 對所述目標函數優化迭代。
[0011] 可選的，建立所述目標函數包括：基于所述兩側像素的均方差、互相關或者互信息 建立所述目標函數。
[0012] 可選的，基于所述目標函數計算對稱參數還包括：對所述目標函數進行泰勒展開， 以獲取增量目標函數。
[0013] 可選的，包括：通過迭代方法求解所述對稱參數，每次迭代中，獲取令所述增量目 標函數值最小對應的增量，并將所述增量后的對稱參數替換當前對稱參數，進行迭代優化。
[0014] 可選的，所述目標函數為C=E Plu[I(R(Pl|Q))-I(Pl)]2,其中，其中，I(P 1)為一 側的點P1的像素值，L為遍歷所述點P1所在一側的像素值，I (R(P1IQ))為與P1對稱的點 R(P11Q)的像素值，所述對稱為以當前對稱參數Q的對稱。
[0015] 可選的，通過迭代方法求解對稱參數Q，及每次迭代使得所述目標函數最小的增量 Λ Q，并令增量后的對稱參數Q+ △ Q替換當前對稱參數Q進行迭代優化。
[0016] 可選的，還包括采用泰勒展開對所述目標函數進行 展開：若所述醫學圖像為二維圖像，展開的目標函數表達式為
t其中，
b醫學圖像 在點R(P1IQ)的偏導數；若所述醫學圖像為三維圖像，則所述展開的目標函數為
^其圖像I在點 R(P1Iq)的偏導數。
[0017] 可選的，所述目標函數在AQ處具有極小值，即所述目標函數對AQ的偏導為0,若 所述醫學圖像為二維圖像，所述目標函數對AQ的偏導的表達式如下：
[0018]
突取 AQ = H 1S,其 中
?
[0019] 若所述醫學圖像為三維圖像，則所述目標函數對AQ的偏導的表達式如下
獲取AQ = H 1S,其中
[0020] 可選的，若所述醫學圖像為二維圖像，設像素沿對稱線x+k*y+c =〇的對稱點的變換為R(RX，Ry)，對于點P1U, y)則其對稱變換為：
x-k,*v-k"*z-h = 0的對稱占的亦拖為RiR . R . R ) ·對干占 njx，y，y，）則其對稱變換
i中 F = x-k^y-k^z-b，KF =1+V+k/，并可求得對稱變換Rx，Ry，Rz對參數kp k2, b的偏導數。
[0022] 可選的，所述迭代的終止條件為：當所述對稱參數的增量的模小于最小迭代步長 時或者迭代次數不小于最大迭代次數時，所述迭代終止。
[0023] 本發明對二維圖像選取對稱線方程x+k*y+c = 0,對于三維圖像選取對稱面方程X =kiy+k2z+b，借鑒類似圖像配準的迭代優化方法，利用對稱坐標方程將圖像分成位于對稱 線或對稱面兩側的左、右兩部分，基于兩邊像素點的目標函數作為代價函數進行優化迭代， 上述優化方法具有更加準確、快速的優點，并且魯棒性更好。
【附圖說明】
[0024] 圖1所示為本發明一個實施例的醫學圖像的對稱結構提取方法的方法流程示意 圖。
【具體實施方式】
[0025] 在下面的描述中闡述了很多具體細節以便于充分理解本發明。但是本發明能夠以 很多不同于在此描述的其它方式來實施，本領域技術人員可以在不違背本發明內涵的情況 下做類似推廣，因此本發明不受下面公開的具體實施的限制。
[0026] 其次，本發明利用示意圖進行詳細描述，在詳述本發明實施例時，為便于說明，所 述示意圖只是實例，其在此不應限制本發明保護的范圍。
[0027] 為了解決上述問題，本發明提供了一種醫學圖像對稱結構的提取方法，包括：提 供醫學圖像及初始對稱，根據所述初始對稱將所述醫學圖像劃分為位于所述初始對稱兩側 的兩部分；基于所述兩側的像素信息建立基于對稱參數的目標函數；迭代優化計算對稱參 數，進而提取所述對稱參數對應的所述醫學圖像對稱結構。建立所述目標函數包括：基 于所述兩側像素的均方差、互相關或者互信息建立所述目標函數。所述迭代優化包括利用 lucas-kanade算法、梯度下降法或者BFGS方法對所述目標函數優化迭代。
[0028] 進一步地，通過迭代方法求解所述對稱參數，每次迭代中，獲取令所述增量目標函 數的值最小對應的增量，并將所述增量后的對稱參數替換當前對稱參數，進行迭代優化。基 于所述目標函數計算對稱參數包括：對所述目標函數進行泰勒展開，以獲取增量目標函數。
[0029] 其中，所述初始對稱包括初始中心線和初始中心面：若所述醫學圖像為二維圖像， 則所述初始中心線為對稱線方程x+k*y+c = 0,其中，k，c為待定的對稱參數；若所述醫學 圖像為三維圖形，則所述初始中心面為對稱面方程X = kiy+k2z+b，其中，Kl，K2，b為待定的 對稱參數。
[0030] 所述目標函數為C=E P1eJI(R(P1Iq))-I (P1)]2,其中，其中，I(P1)為一側的點P1 的像素值，L為遍歷所述兩側中的其中一側的像素值，I (R(P1 Iq))為與P1對稱的點R(P1 |q) 的像素值，所述對稱為以當前對稱參數Q的對稱。
[0031] 具體地，通過迭代方法求解對稱參數Q包括：每次迭代獲取使得C = Σ Pl ^ [I (R(P11Q+ Λ Q)) -I (P1) ]2最小的增量Λ Q，通過求解獲取的增量后的對稱參數Q+ Λ Q 替換當前對稱參數Q，進行迭代優化。
[0032] 采用泰勒展開對所述目標函數進行優化：若所述醫學圖像為二維圖像，優化的目 標函數表達式為
醫學圖像在點R(P1IQ)的偏導數；若所述醫學圖像為三維圖像，則所述優化的目標函數 為
I圖像I在點 R(P1Iq)的偏導數。
[0033] 如圖1所示為本發明一個實施例的醫學圖像的對稱結構提取方法，包括：執行步 驟S1，輸入圖像，計算灰度質心并初始化參數；執行步驟S2,判斷像素點是否位于左側。所 述左側為位于當前對稱參數對應的對稱線或者對稱面的左側。
[0034] 上述判斷步驟S2中若為否，則執行步驟S3,輸入下一點像素點，并繼續后續的判 斷和方法流程，即執行步驟S2,判斷像素點是否位于左側。
[0035] 若所述判斷步驟S2為是，則執行步驟S4,計算原坐標點與對稱點灰度差，及圖像 在對稱點梯度，并將對稱變換對系數求偏導，累加 S及H矩陣，具體地，S，H矩陣將下述具體 實施例詳述。
[0036] 接著執行步驟S5,判斷像素是否遍歷完畢。若判斷為是，則執行步驟S6,求H逆矩 陣，并更新系數。若判斷為否，則執行步驟S3,輸入下一點像素點。并繼續執行步驟S3的后 續步驟，