CN101849240A - 图像物体分割方法 - Google Patents

Abstract

图像中物体之间具有联系。图像包含了界定预设空间颗粒的数据，可用于分析物体。本发明提出了一种辨别图像物体属性方法中。在一实施方案中，本发明包括识别完全对应物体内部位置的数据值和不完全对应物体内部位置的额外数据值，其贡献之一是确定数据提供的属性，之二是确定额外数据值属性，本发明还包括找到来自于两种贡献中的物体属性。这些属性可能是体积，以及其它相关值，比如灰度强度值。

Description

图像物体分割方法

技术领域

本发明大体涉及图像数据分析，尤其是从图像数据中提取用图像数据表示的物体属性。

对相关申请的引用

本发明申请案主张2007年5月21日申请之美国临时专利申请案第60/931,126号，以及2008年2月19日申请之美国临时专利申请案第61/066,217号之权利，所有披露申请案一经引用便全文纳入，不排除任何部分。

背景技术

心脏疾病是发达国家导致死亡的主要原因。为了降低心脏死亡率、提高生活质量，人们发展大量诊断方法用于前瞻性地诊断和治疗心脏疾病。特别是测量和复查心脏功能指标，可以更加清楚地了解心脏功能、心脏疾病以及不同方法的疗效。考虑到左心室是心脏中把富氧血泵入大动脉以供应全身的部分，并且左心室图像和左心室功能测量提供了有关心脏健康的有价值信息，故左心室研究就变得尤其重要，

例如，左心室每搏输出量，即从左心室泵出经主动脉瓣进入主动脉的血液体积，是诊断心血管疾病、跟踪疗效的重要临床指标。左心室射血分数，即左心室每搏输出量与舒张末期容量比值，同样给医生提供了有关心脏功能和疗效的重要信息。心肌，包围左心室的结构，其参数也提供了重要的心脏功能指标。成像技术通过测定心肌质量、心肌厚度及其它参数，可对心肌进行研究和评价。

许多已有的成像***能够提供详细的心脏图像。比如，磁共振成像(MRI)，计算机断层扫描(CT)，超声，X光以及单光子发射计算机断层扫描(SPECT)都能提供心脏的图像。其中，大多数成像***都能获取被试的三维图像，不但可以捕捉其三维表面，还可以采集到其内部细节。

一幅图像可视为被称作“体素”的单元集合。体素就是一个结构单元，它对应于图像的某一特定区域，包括了颜色、灰度强度及其它特征信息。由于任何成像设备不可能具有无限的精确度，体素近似表示了被试位置特征。比如，尽管某一体素对应的区域显示出灰度强度变化，但由于成像设备不能分辨更小细节，可能将该体素的灰度强度值指定为成像设备测量到的该区域的灰度强度平均值。

[体素可以有任意的维数，但典型的是两维、三维或者四维，并且每一个维度可以是空间、时间或其他特征。在两维空间里，体素通常被称为像素，对应一幅两维图像的一个长方形区域。由于内部设置或物理限制，该长方形区域通常对应成像设备所能扫描到的最小区域，或者图像显示设备能够显示的最小区域。尽管像素表示被试一个长方形区域，但它在显示屏、文件或其他显示设备上可能被显示为一个点。在三维空间里，体素通常对应于被试的一个长方体部分。如果成像设备在一段时间内对被试扫描，体素还可以包括时间维度。

一般而言，三维图像由层层叠加构成，每一层是被试某一截面的空间两维图像。典型的情况是，层与层之间平行，并且有一个小的间距，因此所有的层就可以合理还原近似的被试。三维图像的体素具有长度，垂直层面测量，与连续的层面间的距离一致。考虑时间维度，每一层可以包括一系列帧，每一帧就是在某一特定时间下的层面，与电影胶片中的帧在原理上相似。通常用足够短的时间间隔去获取每一帧，以获得被试在该时间间隔的合理表示。

多维图像为医生提供了一个强有力的工具。他们可以看到一个时间段内的心脏及其内部结构，从而非常详细地观察心脏功能。例如，四维成像可以让医生看到从舒张期到收缩期的完整的心脏跳动，以便检查心脏功能正常，辨别任何问题或潜在问题，确定药物或其它治疗是否有效。

各种成像***除了提供详细图像外，还允许医生对相关被试图像进行重要测量。放射科医师或者技师能够查看心脏层面，描绘左心室或其它结构的轮廓，比如心脏每一层心肌。找到每一层描绘结构的区域，由于层间距已知，便可以估计物体的体积。此外，当每一层包括一系列的帧时，可以观察一个时间段内的体积，从而可以确定功能指标，如上述的射血参数。然而，这种方法计算一幅图像中物体的体积时，需要手工描绘每一层每一帧的轮廓，工作量非常大。手工描绘还受到手工错误和物理限制的影响，特别是如果图像中出现的轮廓不易定义或小到只有放大才能看见。

开发出图像处理***允许自动地或半自动地分割成像设备提供的图像。例如，人们提出了大量算法可以检测图像中的物体，从而减少了图像分析中所需的手工介入的数量。再如，人们利用提出的确定心脏图像左心室的算法确定一个种子，该种子是左心室血池中的一个点或几个灰度强度灰度值相似的点。该算法以种子为起点向外生长，搜索灰度强度值或其它属性与种子点的灰度强度值或其它属性接近的点。具有相似特征的点被分类为与左心室有关，而其它具有不同特征的点把分类为与左心室无关。

图像中种子点的灰度强度或其它属性用来定位其它结构。比如现有的确定心肌外边界(心外膜)的算法。这些算法通常使用已知的检测心肌方案中的一种，比如使用边缘检测算法找到心肌边缘。

确定心外膜的一种方法是利用主动轮廓模型(Active Contour Model，ACM)。使用ACM时，策略性的在图像上放置轮廓，比如靠近心内膜的地方。初始轮廓通常是一个形状，比如圆，通常与图像中物体的大致形状有关，也可以手绘初始轮廓。梯度计算或基于图像的其它计算，根据梯度迭代轮廓直到轮廓在目标边界停止。

现有的辨析图像数据心脏结构的方法通常是有效的，但是它们也有很多不足，心脏的某些特征通常使之恶化。一个不足之处就是现有方法不能精确的处理不规则结构。例如，左心室底部和顶部的外缘通常都是形状不规则的，不像左心室中间部分是大致的圆形。同时，要想获得期望的精确度，现有的算法仍需要大量的用户交互，这不仅降低了分析处理速度，也增加了相关的人员开支。

此外，现有的方法认为体素属于一个结构，没有考虑到体素可能与被试的一个区域有关，包含几个结构部分，从而导致任何的相关计算不精确。例如，左心室外表面体素可能是包含部分左心室和部分包裹左心室的心肌一块心脏区域，假设这种体素只是左心室或只是心肌的计算将会是不精确的。高精度测量在诊断病人时至关重要，尤其是那些患有或潜在患有像心力衰竭、冠状动脉疾病和血压控制不良等心肌病的病人，对那些服用有一定毒性的药物的病人也同样重要。心脏毒性药包括含有阿霉素的蒽环类抗癌药。其它疾病：包括病毒、细菌、真菌或寄生虫传染病，长期饮酒，糖尿病，甲状腺疾病，比如甲状腺机能亢进，维生素B1和B缺乏，基因缺损，都可能是心毒性的，需要小心监测射血分数。最后，现有的方法计算量大，通常需要专门设备以便能在合理的时间内执行所需的所有计算。

发明内容

图像中物体之间具有联系。图像包含了界定预设空间颗粒的数据，可用于分析物体。本发明提出了一种辨别图像物体属性的方法。在一实施方案中，本发明包括识别完全对应物体内部位置的数据值和不完全对应物体内部位置的额外数据值，其贡献之一是确定数据提供的属性，之二是确定额外数据值属性，本发明还包括找到来自于两种贡献中的物体属性。这些属性可能是体积，以及其它相关值，比如灰度强度值。

在又一实施方案中，本发明包括：确定一个或多个位于物体边缘的部分体素，即包括该物体的一部分和上述其它物体部分；利用一个或多个部分体素的初始属性估计被其包围的物体数量。

在又一实施方案中，本发明提供图像物体的体积计算，包括从物体内部一种子体素出发生长一个测试物体，基于具有一个接近种子体素值的共同属性值的一组体素计算该测试物体的体积，当生长率超出预设值时停止测试物体的生长。

在又一实施方案中，本发明提供对含有体素的图像物体的体积计算，该物体围绕另一个物体、并与一个或多个外部物体相邻，具有辨别不同于其它物体的属性，在物体内边界初始化一个轮廓。然后该轮廓发生变形并向外膨胀直至完全穿过与该物体特征相似的体素区域，从而形成了该物体的外边界以及包括该区域的内外边界间的一个范围。

在又一实施方案中，本发明包括辨别物体属性，其值不同于一个或多个物体相同或相似属性值，利用属性初始化一个物体轮廓并膨胀至完全穿过与该物体特征相似的体素区域，从而形成了该物体的外边界以及包括该区域的内外边界间的一个范围。本发明的实施方案是在物体内边界初始化轮廓，然后从轮廓处向外膨胀。一个替代的实施方案是在物体外边界初始化轮廓，然后从轮廓处向内膨胀。

在进一步的实施方案中，本发明用于识别含有体积的图像物体属性，包括确定体积初值，使用图像数据一个或多个属性值确定内外边界，利用物体内外边界提取物体，通过增长初始值至提取物体确定体积最终值。

附图说明

图1是表示获取图像、处理图像的原理图，与具体实施方案一致；

图2是显示图1环境下获取的一个图像层面与层面原点关系的原理图；

图3表示分割模块操作环境，用于分割图1环境下获取的图像物体；

图4显示了图1环境下获取的图像；

图5显示了图4的图像，并说明了一个体素的原点；

图6和图6(a)是流程图，表明了计算图4所示图像左心室体积的方法，与具体实施方案一致；

图7是图5中体素的侧面观，箭头表示与图6方法增长一致的方向；

图8显示了同一层图像，阴影部分表示确定的全血区域，与图6方法一致；

图9和图9(a)是同一层面在不同迭代下的显示，与图6中方法一致；

图10是一张曲线图，表明增长区域的体积变化，与图6方法一致；

图11是图10中体积的二阶导数曲线图；

图12是一张与模拟物壁厚有关的突破阈值曲线图，与图6方法一致；

图12(a)是图6方法中的一张模拟物图片；

图13用图例说明了血液统计值和心肌统计值间的关系；

图14是一张表格，显示不同分割方法结果；

图15是一张表格，显示不同分割方法结果；

图15(a)是一系列层面，显示了部分体素分割结果，与具体实施案例一致；

图16是一张可视流程图，表明分割图像物体的方法，与具体实施案例一致；

图17是一张流程图，说明了图16的方法，与具体实施案例一致；

图18是一系列展示线圈灵敏度结果的图像，与图16的方法一致；

图19(a)-19(h)用一系列的图像解释了图16的方法；

图19(i)是一张体素灰度强度直方图，与图16中方法一致；

图20(a)-20(g)是一系列显示纠正突破问题的图像，与图16的方法一致；

图21是一张表格，显示了不同方法的分割结果；

图22是一系列的曲线图，说明了不同分割方法的结果；

图23是一系列的曲线图，说明了不同分割方法的结果；

图24是一张表格，显示不同分割方法的结果；

图25是一系列的曲线图，说明了不同分割方法的结果；

图26是一张流程图，说明了图像物体分割方法，与具体实施案例一致；

图27(a)-27(e)用一系列的图片说明了图26的方法步骤；

图28用一系列的图像表明梯度场的修正，与图26的方法一致；

图29是一系列的图像，表明梯度场的修正，与图26的方法一致；

图30是一系列的图像，表明梯度场的修正，与图26的方法一致；

图31是一张表格，显示不同分割方法的结果；

图32是一张表格，显示不同分割方法的结果；

图33是一系列的曲线图，说明了不同分割方法的结果；

图34是一系列的曲线图，说明了不同分割方法的结果；

图35是一系列的图像，显示不同分割方法的结果。

具体实施方式

据上所述，左心室图像和功能指标提供了有关心脏健康的有价值的信息。然而，现有的用于确定分析心脏结构的算法在精确处理不规则结构发面存在困难，比如左心室底部和顶部外边界。同时，为了获得可接受精度，这些算法通常需要大量的手工介入，从而增加了成本。在临床实践中，人们认为手工追踪是量化心脏输出的黄金准则。然而，手工追踪工作量大耗时，而且其结果受观察者自身和观察者间的可变性影响。此外，像小梁肌和***肌(PTM)这些复杂的心脏结构使得精确详细地追踪左心室边界变得困难。人们已尝试对此自动处理，经证实，这些尝试不能完全让人满意。

接下来将会描述各种现有的发明实施方案。出于解释的目的，我们详细地解释了具体轮廓和细节以供彻底了解这些方案。然而，对那些熟悉这些技术的人来说，没有具体描述的发明实践是显而易见的。进一步说，省略或简化一些熟悉的特性会使被描述的实施方案清晰。

现在说明插图，其中相似的参考标号代表了涉及几幅图片的相似部分。图1显示了与实施方案一致的成像***20。该成像***20包括了一个扫描装置22，与控制CPU24通信并收其控制；一个操作站26，允许人为控制扫描装置22和控制CPU24；以及一个图像处理器，用于分析扫描装置22扫描的被试图像。

扫描装置22可以是有能力测量物体数据，比如人，的任何设备。在具体实施方案中，该扫描装置22是一台磁共振成像扫描仪，包括射频线圈30，x梯度32，y梯度34，以及z梯度36，受控于控制CPU。该扫描装置22通过其产生均一磁场包围被试体和射频线圈30发射无线电波进入被试开始工作。控制CPU控制x梯度32，y梯度34，以及z梯度36以确定被试***置。

总体来说，像22这样的扫描装置包括腔体38，从中延伸出扫描台40。一般情况下，病人42或其它被试躺在扫描台40上，通过机械操作被放进腔体38进行扫描。如图2所示，当病人42接受扫描时，扫描装置扫描病人的一个平面44以收集用于成像的数据，这幅图像是扫描平面44和病人42的相交面。比如，如图2所示，平面44垂直于病人42的长度，与该病人的胸腔相交以产生病人42的横断面图像。一般情况下，扫描平面44可以与病人42任意位置相交，该位置由x梯度32，y梯度34，以及z梯度决定。层面46是图2所示扫描结果，显示出左心室48，心肌50，有显示52以及病人42的其它结构。在具体实施方案中，层面46是相同位置不同时刻的众多图像中的一张。如前所述，这些层面被称为帧。

图3是成像***20的示意图，与实施方案一致。该成像***20包括硬件54，比如图1上述扫描装置22、控制CPU24、操作站26以及图像处理器28。如同位于操作站26上的一样，位于硬件54上的是操作***，比如UNIX操作***。在操作***58里装入成像和数据采集软件58，用来控制扫描装置22及将其测量转换成图像。通用电气的GE高级工作站就是一种成像/数据采集软件。除了图像采集软件之外，还包括了一个附件的模块，如分割模块60，在实施方案中式一个计算机程序或其它用于分析图像数据的装置。

值得注意的是，至此描述的每个程序、模块、功能计算单元，以及自动***执行的每一个步骤都在一个实施方案中执行，是通过计算机或计算设备(统称为“计算机”)从计算机可读媒介中阅读计算机可执行程序并执行上述指令实现的。计算机可读媒介是一种像磁盘、可读(写)光盘、电路、阵列及其它物理实体元素的物理存储媒介。在一替代的实施方案中，可以额外地或选择性地使用“临时的计算机可读媒介”，包括无线电、光转换(一般称为“光电转换”)、声音转换等等，不管人类是否觉察到。需要明白的是，“计算机可读媒介”不同于“临时的计算机可读媒介”。

图4显示了一张与实施方向一致的图像62。如其所示，图像62是被扫物体的一系列平行的两维图片层面64，层面间间距很小，比如1毫米。这些层面以心室中部层面66为起点，终止于心室顶部层面68。

图5显示了图像62及一个体素70。如其所示，该体素70代表了与中间层面71相关的左心室48的一个长方体形状的位置。在一实施方案中，该体素70包括了如扫描装置22测量的左心室48相关位置的灰度强度信息。图像62包括了一系列形状相似的体素。每个体素具有其对应位置的灰度强度值。图像62中的体素还包括了额外的或可选的灰度强度信息，这些体素携有的信息可以取决于获取该图像的设备类型。

如上所述，左心室的每搏输出量和射血分数是诊断心血管疾病和监测有心肌毒性药物疗效的重要临床指标。精确的左心室分割对正确量化来说十分重要；是否包括血液中的PTM结构在临床上有很大的数量偏差，对射血分数有影响。

在本发明的一实施方案中，引入了一种新颖的软分割技术。该技术考虑了小梁肌、***肌和部分体素，自动测量所有相位和用户指定层面的血液体积。除了假定心肌包围血池外，再无事先的形状信息假设。该技术估计了全血和全心肌信号统计值，然后基于体素靠近体素量化左心室血液容量。包括底部和顶部在内的所有层面都被分割，但是底部层面需要额外最少的用户介入。

采用GE Signa 1.5T扫描仪中的心脏电影序列SSFP扫描了大量的病人，成像参数是：重复时间3.4-4.5ms，回波时间1.1-1.9ms，翻转角55-60，矩阵大小192×192-256×256，图像维度256×256，接收机带宽125kHz，视野320×288-360×360，层厚6-8mm，层间距2-4mm。每个病人的左心室被成像6-10层，20-28个心脏相位。

在本发明的一实施方案中，如图6显示的那样，执行分割有如下6个步骤：1)(步骤74找种子)在用户选择的中部左心室层面上通过Hough变换估计左心室中心点，2)(步骤76找出初始体积)通过区域增长检测边缘估μ_b和σ_b，3)(步骤78灵敏度校正)对全血体素进行最小平方拟合以补偿线圈灵敏度变化，4)(步骤80迭代阈值化)估计μ_m，5)(步骤82体积生长和步骤84部分体积计算)对左心室腔内血液体素体积插值，以及6)(步骤86种子繁殖)繁殖分割种子点至其余层面/相位合适位置。据繁殖情况重复2-6步，直到所有的层面和相位，以及用户指定范围内的层面执行完毕。在一替代实施方案中，上述步骤的顺序可不同，总体而言，仅在需要时才一步接着一步进行。

步骤74找种子。首先在用户选择的心室中部层面执行Hough变换，以在左心室腔内确定描述全血体素的一点。也可手工选择一个或多个点作为种子，或其它能够找到左心室或其它目标物内体素的方法。针对其余的层面，在分割后采用种子繁殖技术(参见繁殖步骤86)。

步骤76找初始体积。从给定的种子点执行基于边界的区域生长(2D-8连接，3D-10连接)寻找几乎是全血的体素。图7示意了体素70的区域生长，那些垂直于体素70面的箭头生长发生的方向。除了图中显示的方向外，区域生长也可在在层面内沿对角线方向进行。图8是确定的全血区域88，它显示了一张原始图片90和一张经部分分割的图片88，并表示出其全血区域。如图所示，全血区域没有占据整个左心室48，这是因为左心室边界上的体素没被视为全部包含血液，以至于全血区域88没有包含这部分。计算全血样本区域的均值和标准差(μ_b和σ_b)，在下面的计算中，这些体素对体积的贡献都被考虑为全血的。

步骤78线圈灵敏度校正。对第2步中的样本体素灰度强度进行最小平方平面拟合，估计和补偿穿过左心室区域的线圈灵敏度变化。这个平面的上下界受限于观察样本全血体素的灰度强度范围。总体而言，根据具体的图像62采集设备采用任何校正技术，也可在合适的时候忽略校正，比如该设备类型不需要校正。

步骤80迭代阈值化。为了顾及心肌平均信号强度，使用地2步中的种子连续行基于阈值区域生长过程以在迭代过程中获得下降的阈值。生长区域最终会从心肌突破出去，涌向其它结构(比图脂肪组织、右心室、肌肉等)，引起生长体积二阶导数不连续，这个不连续可以用来检测区域生长在哪个阈值(喷出阈值)冲破了心肌边缘。

图6显示了步骤80迭代阈值化的具体实施方案。在此方案中，种子选择步骤80a确定种子，方法同步骤74。初始化步骤80b初始一个变量和一个阈值，每次迭代对此更新。区域生长步骤80c，从种子选择80a确定的种子进行生长。体积计算步骤80d通过累加已定区域的体素体积和计算生长区域的体积。变量检查步骤80e检查变量值以保证至少两个体素参与计算，然后进行更新步骤80f，为下一次迭代更新变量和阈值。

如果变量检查步骤80e能确定检查到的变量足够大，在体积率步骤80g中计算连续两次迭代的体积生长率。如果体积生长率没有突然发生变化，执行更新步骤80f。如果体积生长率突然发生变化，根据此时的阈值计算心肌平均值。

图9显示了迭代阈值化这一步的结果，左边是一张原始图像94，中间图像96是低于喷出阈值的原始图像生长区域，右边图像98是恰好在喷出阈值时的原始图像生长区域。如左心室48阴影部分所示，中间图像96仅检测到左心室48的部分生长区域。在喷出阈值时，生长区域已经捕捉到了部分右心室52，引起生长区域体积以很大的变化率突然变大。

图9(a)详细显示了穿过阈值的变化过程。左图显示在到达喷出阈值前几次迭代的左心室生长区域。越接近喷出阈值，更多的区域变成了左心室的一部分，包括左图所示的区域边缘上的体素，如图中浅色小点所示。一旦到达喷出阈值，右心室52被捕捉进来。

图10描绘了随阈值降低(同图中所示的x轴上的R值增加)的生长区域体积点，从中可见一个突然的体积变大。显而易见，区域的体积(以区域包含的体素数目表示)在0-2000之间缓慢变化，直到阈值降低到一定程度，区域体积跃变至超过8000个体素。同样易见的是，随着阈值继续降低，体积又增长缓慢直至又一个大致13000个体素的跃变，此时当区域突破到图像62中更多的结构，比如脂肪，肌肉，肝脏，以及心脏周围的其它部分。因此，在确定图像中具有一些不同于其它物体属性的任何物体时，迭代阈值是一种有效的方法。

图11用体积二阶导数的形式表示迭代阈值效果，由于区域生长是一个离散的过程，故这是一个二阶导数的离散模拟化。如图，阈值随横轴的增大而变小，一个大山坡102表示体积突然变大的点，这是体积在突破阈值时突然加速造成的。类似的，在陡峭山坡102右边的小山坡104与体积第二次跃变有关。

生长区域溢出到周围结构的对应阈值与均值、标准偏差以及心肌厚度密切相关，参见图12，它模拟了如图12(a)所示物体的基于阈值的区域生长，该物体的环形部分具有均匀分布强度，将其中心选为种子点。横轴表示壁厚，纵轴表示生长区域突破环形边界的阈值(突破阈值或泄漏阈值)，用均值和标注偏差表示。

由于横轴上的值无限增大，此模拟物的突破阈值收敛到0.2。可用一个固定常数，以标准偏差、阈值突破时覆盖期望心肌厚度范围的均值的形式，来估计这个距离，这对估计总体体积影响很小(参见附录)。在本实例中，选择0.9倍标准偏差的固定常数，用μ_b估计μ_m。从图13所示的含有23个样本图像的μ_b和μ_m的关系可知，这两个值相关性很好；这些样本图像来自于40个病人数据集，其中手工追踪了全血和全心肌体素，并排除对部分体素(与不全是血液的区域相关的体素)的测量。

左心室的总体积由下述求和公式确定：

$V=\underset{x}{\mathrm{\Σ}}h\left(x\right)\mathrm{\ω}\left(x\right)$

[公式1]

这里，V是体积，h(x)是左心室直方图，ω(x)是与灰度强度为x的体素相关的权重(体素中血容量百分比)，假设***没有噪声，一个好的点扩展函数如下，

$\mathrm{\ω}\left(x\right)=\frac{x-M}{B-M}$

[公式2]

这里的B和M分别代表全血和全心肌的信号强度值。

在考虑高斯噪声时，分别指定B和M为(μ_b-nσ_b)和(μ_b+nσ_b)，n＝2，这种指定保证了至少99.4％的全血和全心肌体素权重正确，剩余的0.6％用部分体积插值。

基于阈值(μ_b+σ_b)最后一次执行区域生长。除了第2步计算过的全血体素外，每一个生长的体素血容量都用公式2计算。

要确定下一层或下一时相的种子点，需要检查该图像中一个的11×11的窗口，其中心是上一层面分割的质心。计算窗口中每一个像素的能量函数，该函数基于该像素与窗口中心的距离和其与上一层面血液平均强度值：

$E\left(p\right)=\sqrt{{\left(\frac{2{\mathrm{\σ}}_{\mathrm{prev}}}{w-1}\right|p_{\mathrm{CoG}}-p\left|\right)}^2+{(I_{\mathrm{new}}\left(p\right)-{\mathrm{\μ}}_{\mathrm{prev}})}^2}$

[公式3]

其中，p是被估像素的位置，I_new(p)是被估像素的灰度强度值，p_CoG是前一次分割的质心，w＝11是窗口的宽度，σ/μ_prev是前一层面的σ/μ_b。能量最低的像素被选为下一个种子点，利用该种子点在新的图像上重复上述第2-6步。

在本发明的该实施方案中，由于复杂结构的模糊不能完整的重建出心肌轮廓形状，但利用信号的线性或其它组合和点扩展函数可以接近的重建出左心室的血容量。该方法已展示出一种精确量化体积的鲁棒性能，比起手工分割来时间大大缩短，并且在一个实际的时间内有能力捕捉到手工追踪者所不能获得的活体左心室的结构复杂性。

虽然在底部层面需要手工介入闭合心肌，但是可以跳过这些层面先完成其它所有层面和相位的自动分割。通过校正可以确定底部层面的收缩和舒张末期，而剩余的层面需要最小的用户帮助。这样的过程把每例需要手工输入的层面数量限定在2或更少(与每个末时相相关)。

错误估计心肌信号均值导致的体积错误约等于信号估计值错误、两个均值的差以及部分体素的比例。假设部分体积直方图是一个相对常数：

$\mathrm{Err}=\frac{E\left({\mathrm{\μ}}_m\right)-{\mathrm{\μ}}_m}{{\mathrm{\μ}}_b-{\mathrm{\μ}}_m}.\mathrm{PVP}$

这里，Err是相对误差，E(μ_m)是μ_m的估计值，PVP是部分体素占总体积的比例。由于比例因子(μ_b-μ_m)比单独的μ_m大平均2.5倍(从组A的23层面样本中估计)，E(μ_m)中的显著误差导致了总体积的不显著误差。例如，一个50％的心肌均值估计错误，部分体素占总体积的25％，大致等于一个5％的总体积错误。

图14中表1显示了一般的分割结果。手工测量的体积远远大于部分体积分割(PVS)的体积。PVS算法解释了部分体素的百分比体积。相对误差是手工分割结果减去PVS结果，正数代表手工分割值大于PVS值。

图15中表2显示了来自不同实验组的平均分割结果。手工分割方法1将PTM包括在血液体积内，方法2排除了PTM。PVS算法解释了部分体素的百分比体积贡献。相对误差是从手工分割结果中减去PVS结果，正数代表手工分割值大于PVS值。

图15(a)显示了PVS分割结果。最上面一行，排除最后一列，显示了手工分割结果，一个细细的轮廓围绕左心室伸展。第二行，排除最后一列，显示了PVS决定的左心室。每张图像中部强度均匀，对应左心室的全血体素。在每个均匀区域的边缘，每个体素据其血含量的不同而具有不同的灰度强度值。第三行，排除最后一列，详细的显示了这种效果，这里将全血体素染黑以突出左心室周围的部分体素。

在本发明的一实施方案中，左心室分割运用了一项使用图搜索的自动左心室分割算法，该算法基于灰度强度和梯度信息，以及短轴心脏MRI的先验知识。这项技术在此被简称为“1vGIGA”。这里描述的1vGIGA技术还包括线圈灵敏度非均匀性校正和坐标转换。应用图搜索和膨胀提取心外膜和心内膜。估计左心室血液和心肌的灰度强度值得到精确的部分血液体积和心肌质量。

从大量病人中获取磁共振电影SSFP图像作为原始数据。应用1vGIGA算法测量血液体积、心肌质量和射血分数，并与临床手工追踪和商业实用软件MASS进行比较。我们发现1vGIGA和MASS分割心肌内外膜边缘的成功率分别是95.6％和37.8％(排除需要手工闭合心室血液的底部层面)。1vGIGA分割结果与手工追踪一致性好，精确度分别是血液体积-2.9+4.4ml，射血分数2.1+2.2％，心肌质量-9.6+13.0。就此而言，明显可以看到1vGIGA算法相对商业软件MASS大大提高了左心室自动分割鲁棒性。

1vGIGA使用了下述的短轴心脏MRI的普通信息：左心室血液被心肌包围，左心室是圆形的，血液信号强度相似，心肌信号强度相似，以及血液信号强度明显不同于心肌信号强度。1vGIGA使用这些基本知识计算了如图16和17所示的左心室的部分体积。该算法大致包括下属执行步骤：

(1)利用区域生长提取初始左心室(步骤110左心室提取)；

(2)图像线圈灵敏度校正、移除噪声变化(步骤112灵敏度校正)；

(3)分割左心室和心肌；

(3.1)从校正过的图像中生成圆形图(步骤114圆形映射)；

(3.2)利用边缘分类估计左心室和心肌的强度统计值(步骤116边缘检测)；

(3.3)通过图搜索和膨胀提取心肌(步骤118中轴膨胀心轴提取、步骤120)；

(3.4)通过区域生长分割探测左心室(步骤122继续增长)；

(3.5)圆形图到图像的坐标变换(步骤124逆映射)；

以及

(4)计算左心室部分体积(步骤126部分体积计算)。

这些步骤在下面详细讨论。

提取初始左心室

基于短轴电影MRI幅值图，首先可通过基于用户选择点增长区域提取初始左心室，该点与邻域点的强度差异小于5％。用这样的方式提取，其好处在于它在获取左心室区域的基本统计值时，比如强度，计算机制简单。不过也可利用其它的机制选择初始的左心室区域，比如手工选择左心室区域。

线圈灵敏度校正及去噪预滤波。

在本发明的一实施方案中，由不均匀的表面线圈阵列灵敏度引起的图像强度变化被校正。首先利用初始左心室的像素值采用最小二乘法拟合平面方程F(X，Y)，然后图像强度除以一个因子

F(X，Y)/F(Cx，Cy)，

这里，X和Y属于[1，M]和[1，N]，其中M和N代表图像的宽度和高度，Cx和Cy代表初始左心室中心的X和Y坐标。

图18显示了线圈灵敏度校正结果，包括幅度图像130，残差图像132，校正前的灰度强度分布图134和校正后的灰度强度分布图136。残差图表示线圈灵敏度校正(自动分割不可缺少的一步)前后的灰度强度差异。为了增加接下来步骤中边缘检测的鲁棒性，应用去噪预滤波获取预滤波和校正后的图像。然后，该方法计算校正后图像初始区域的血液强度均值和方差B_mean0和B_std0，以及预滤波后和校正后图像初始区域的血液强度均值和方差，B_mean1和B_std1。

左心室和心肌分割；生成圆形图

由于左心室大致是圆形，我们通过极变换-笛卡尔坐标(x，y)到极坐标(极径r，极角θ)的变换生成一张圆形图，其变换中心是初始左心室区域的重心(比如灰度强度值中心或其它特征属性中心)，。在本发明的实施方案中，极径被选为能大致覆盖心脏区域。也可采用其它的坐标系。例如，该方法可将图像留在直角坐标系中或将其映射到其它方便的坐标***中。

利用边缘分类粗略估计左心室血液和心肌统计值

在本发明的实施方案中，如图19所示，该方法利用Canny算子从去噪线圈校正后的圆形图中提取边缘信息，并按下面的方法把边缘分成两类。从左心室重心出发，沿极径方向进行图搜索，利用约束边缘左边灰度强度值比右边灰度强度值大B_std1确定出第一类边缘。从第一类边缘出发，继续沿极径方向进行图搜索，利用约束边缘左边灰度强度值小于(B_mean1-B_std1)确定出第二类边缘。图19(a)显示了Canny检测边缘，图19(b)显示了第一类边缘142和第二类边缘144分类，图19(c)显示了灰度强度值差异。接着，如图19(i)所示，该方法沿极径方向计算了左心室中心和第一类边缘点之间的灰度直方图，即左心室血液灰度直方图，并类似计算了第一类和第二类边缘之间的灰度直方图，及心肌直方图。最后，如图19中阴影部分所示，该方法利用平滑后的血液和心肌直方图中频率最大的位置中估计左心室血液灰度强度平均值B_mean2和心肌灰度强度平均值M_mean2。

通过图搜索及膨胀提取心肌

在本发明的一实施方案中，该方法通过一项图搜索技术检测心肌中心轴，通过利用该心肌中心轴灰度强度统计值并将其膨胀提取心肌。基于圆形图，假设每个像素与它邻域内的像素在极角θ方向相连接，构建一幅图。通过均一化的灰度强度值差异和梯度，如图19(d)所示，在图中的每个结点计算一个代价，如下：

$\mathrm{Cost}=w_1\·\frac{|I(i,j)-M_{\mathrm{mean}2}|}{\left|\mathrm{Max}\left(I(i,j)\right)\right|}+w_2\·\left(\frac{G(i,j)}{\mathrm{Max}\left(G(i,j)\right)}\right)$

这里，I是从第二步输出的图像，G是该图像对应的梯度f，M_mean2是上述推导出的。当灰度强度值与M_mean2接近时，代价低，梯度小(例如：远离边缘的位置)。w₁和w₂是控制相互关系的权重，可以设为1或其它需要的值。这个过程用图19(c)-(e)解释说明。图19(e)显示图中每个像素的代价函数，用明亮的地方表示代价，图19(f)显示累计代价。

运用图搜索技术在极角θ方向找出最小代价路径。该方法通过增加先前像素θ-1的最小代价及与对应各最小代价的一个距离，特别计算了每个像素的累积代价，如下：

AccCost＝Cost(i，j)+min{Cost(i+k，j-1)}+w₃×dist(k)

这里，k是先前体素的一个搜索范围，w₃是一个权重常数，我们将其设为0.01，dist(k)代表与先前最小代价像素的一个距离。在计算了从j＝1到j＝N的累积代价之后，该方法在搜索范×围k内反向遍历具有最小累积代价的像素。在遍历过程中，利用边缘信息避免越界搜索。搜索到的最小代价路径被定义为心肌中心轴。

该方法然后计算心肌中心轴的均值和标准差M_mean3和_std3，并膨胀该中心轴以检测心肌。沿着极径r和极角θ的方向通过比较灰度强度值执行膨胀。当满足I(i，)-I(a_x，a_y)＜w₄×M_std3时，继续执行该膨胀，否则停止该方向的膨胀。参数a_x和a_y心肌中心轴的像素。w₄是一个权重常数。在本发明的一实施方案中，分别将w₄设为1.2和2.0检测心内膜和心外膜轮廓。图19(g)-(h)显示了心肌中心轴158和通过图搜索和膨胀的心肌50。

如图20所示，MRI中的心外膜轮廓在心肌和其它组织的灰度强度差异很小的时候可能不是很好定义。图20(a)说明了这种情形，这里的箭头指向一幅圆形图中有问题的心外膜轮廓定义，结果心肌区域膨胀在极径方向(搜索心外膜轮廓)存在泄漏问题，如图20(b)-(c)所示，特别是图20(b)中箭头所指的方向。在；本发明的一实施方案中，用下面的方式消除该泄漏。首先，该方法计算了心内膜轮廓和心肌中心轴158之间的平均距离(一半厚度，th)，以及心内膜和心外膜轮廓之间的平均距离(全部厚度，tf)。

如图20(b)所示，通过搜索心肌厚度范围(tf-th，tf+th)内的点获取精确的心外膜轮廓点。接着，该算法沿着极角方向前后追踪心外膜轮廓，如果在此过程连续的中心肌厚度变化大于th，将该点的心肌极径位置设为其前一个轮廓点的极径位置(参见图20(c)-20(d)，分别表示前向和后向轮廓追踪)。最后，用前向和后向轮廓的最小踪迹更新心外轮廓极径位置(见图20(e))。该方法对心外膜轮廓低通滤波以除去细小变化或“噪声”。

通过区域生长分割找出左心室

接着利用区域生长方法分割左心室。从圆形图上的初始左心室开始区域增长。如果像素的灰度强度值大于区域生长阈值M_mean3+w₅×M_std3，w₅＝1.2，区域生长，如果遇到了上述提取的心肌，则停止生长。换句话说，在极径方向心肌是阻止区域生长的一个约束。

左心室及心肌的坐标变换

利用极坐标反变换计算，将分割出来的左心室血液和心肌从极坐标变换到笛卡尔坐标系中。

部分体积计算

该方法已经分割出左心室和计算出左心室和心肌的灰度强度统计值：B_mean0，B_std0，M_mean3和M_std3。为了设计一个用于计算左心室部分体积的灰度强度权重函数，定义如下的两个常数B_left和M_right。

M_right＝M_mean3+w₆×M_std3

B_left＝B_mean0-w₇×B_std0

这里，w₆和w₇是控制体积计算的常数，分别被设为1.2和1.2。利用这些值，设计如下的灰度强度权重函数。

PV＝1    ifI_C(i，j)≥B_left

PV＝0    ifI_c(i，j)≤M_right

$\mathrm{PV}=\frac{I_c(i,j)-M_{\mathrm{right}}}{B_{\mathrm{left}}-M_{\mathrm{right}}}\mathrm{if}{M}_{\mathrm{right}}<I_c(i,j)\&le;B_{\mathrm{left}}$

这里的I_c仅包括了线圈灵敏度校正，避免可能会模糊PTM细节的预滤波。设计的用算部分体积计算的灰度强度权重函数如图16中的图片174所示，其中，右边部分表示了血液的直方图，左边部分表示心肌的直方图，箭头指向PTM。

为了测试所描述的算法，利用GE Signa 1.5T扫描仪从大量病人中获取心脏电影SSFP数据，其成像参数是：重复时间3.4-4.5ms，回波时间1.1-1.9ms，翻转角55-60，矩阵大小192×192-256×256，图像维度256×256，接收机带宽125kHz，视野290-400×240-360，层厚6-8mm，层间距2-4mm。每个病人的左心室被成像6-10层，20-28个心脏相位。一共635张图像(所有病人舒张和收缩两个心脏时相)被手工追踪、这里描述的1vGIGA分割算法以及商业软件MASS进行了分割。手工追踪的血液体积不包括PTM。PTM被定义为心腔圆形轮廓＞1.5mm的突出心肌，与邻近的左心室壁信号强度相同。将至少包括50％心肌圆周的最底部图像定义为图像的底部位置，并视其在自动分析中不发生变化。所有追踪在无视其它分割结果的情况下执行。

用我们的算法1vGIGA测量了舒张期和收缩期的心内膜体积，舒张期心外膜体积心外膜体积以及射血分数，并与手工追踪和MASS软件(MASS分析，通用电气，Waukesha，WI)进行比较。我们计算了左心室在舒张期和收缩期的心内膜的全部体积(FV，不考虑部分体积)和部分体积(PV)。我们测量了舒张期的心外膜体积(包括血液和心肌)。心内外膜体积差是心肌体积，再乘以已知的心肌密度(1.05g/ml)便得到心肌质量。运用线性回归和Bland-Altman分析估计手工追踪、MASS软件与我们的1vGIGA算法的相关性。

用下面的方式评价自动算法1vGIGA和MASS的性能。当任一自动算法生成的轮廓能***作者肉眼估计出有多余10％的面积偏离左心室边界时，判断该算法分割失败。没有分割的轮廓操作者手工介入校正。记录每个算法手工介入的数目。

舒张期和收缩期的心内膜体积、射血分数、舒张期心外膜体积以及心肌质量的手工追踪测量结果是144.5±50.0mL，60.5±44.7mL，61.5±14.3％，266.5±91.5mL，128.1±50.9g；1vGIGA算法测量结果是146.8±50.5mL，64.1±45.0mL，59.4±14.1％，277.9±90.7mL，137.7±49。1g；MASS软件测量结果是144.5±50.0mL，60.5±44.7mL，61.5±14.3％，266.5±91.5mL，128.1±50.9g。

图21中表1和图22总结了手工追踪与1vGIGA算法、以及手工追踪和MASS软件的比较。1vGIGA以全部体积方式测得的血液体积与手工追踪的结果相似，以部分体积的方式测得的血液体积小于手工追踪的结果；MASS的血液体积测量结果由于包括PTM在内，故大于手工追踪结果。不过，三种方法测得的射血分数都相似。与血液体积测量相比，1vGIGA和MASS的心肌质量测量都显示出与手工追踪结果的弱相关，这可能是心外膜分割中额外的不一致造成的。图23中的Bland-Altman分析解释了手工追踪、1vGIGA以及MASS间的一致和不一致性。

图21中表2总结了1vGIGA和MASS软件手工介入校正错误分割的次数。虽然由于左心室流出道中断了心肌边界，1vGIGA和MASS在底部层面都存在问题，但是1vGIGA极大地降低了MASS中需要的手工介入分割心内膜(从10.6％降低到0.6％层面总数)和心外膜轮廓的次数(从51.6％降低到3.8％层面总数)。排除底部层面，1vGIGA的左心室分割成功率是95.6％，MASS是37.8％。图25用例子示意了使用这三种方法定义出心内膜176、心外膜178以及部分体积的质量。最上面一行是原始强度图像。第二、第三、第四行分别与1vGIGA算法分割左心室、分割心肌以及找出部分体积有关。接下来的一行显示了手工追踪的结果。倒数第二行和最后一行分别显示了手工介入前后MASS的左心室分割和心肌分割。

数据证明：基于利用基于灰度强度和梯度信息、以及一个简单先验知识的图搜索(1vGIGA)算法提出的左心室分割与临床手工追踪结果非常符合，极大地改善了超越MASS软件的精确自动分割鲁棒性。此外，1vGIGA有能力区分一个体素内的血液和心肌，使小结构和部分体积分割成为可能。

闭合的心肌几何形状允许在极坐标中把心内膜内部边界定为第一条显著的梯度线，把心外膜外界定义为第二条显著的梯度线。综合灰度强度和梯度信息确定图搜索和膨胀的代价函数，进一步受限于心肌厚度的平滑性。以这样的方式，1vGIGA精准的确定了心内膜和心外膜边界，以及通过对血液体积和心肌质量的测量确定了血液和心肌信号统计值。

当最底部层面的心肌轮廓被左心室流出道中断时，1vGIGA需要手工介入，但不如商业MASS软件频繁。其它情况下，1vGIGA几乎排除了手工介入的需要，而MASS软件需要对几乎一半的层面进行手工分割。1vGIGA在四张非底部层面上确定心内膜边界失败。其中两张是顶部层面，由于血液和心肌分布不规则，1vGIGA不能确定左心室的重心；另外两张是心肌内有很明亮的区域，这种情况下1vGIGA也不能精准确定心外膜边缘，心肌和邻近组织比如肺之间没有足够的信号强度差异，导致分割的心肌中包含这些组织。心外膜轮廓检测过程中的平滑也趋向于忽视适当的复杂心肌纹理，引起“欠分割”。相比而言，左心室和心肌间的心内膜边界清晰，检测过程中不需要平滑。这可以解释与手工追踪的心外膜体积差异大于与其的心内膜差异。这种“欠分割“问题可能可以通过整合1vGIGA输出到ACM或水平集方法中得到解决。

1vGIGA算法中的去噪预滤波有益于可靠的边缘估计，但是它同样去除了细小的肌肉组织，导致明显的血液“欠分割”。血液体积和心肌体积的部分体积计算弥补了使用预去噪图像带来的这个问题。从概念上理解，部分体积计算对心脏电影MR图像的正确体积确定十分重要，这是因为采用10mm层厚(包括层间距)来获取MR图像，因而有大量的体素含有心肌和血液混合物。为了估计这种部分体积效应，一个用于血液体积和心肌质量的正确参考标准十分有用。

在一个可替代的实施方案中，在补偿线圈灵敏度之后，通过一个有种子的区域生长分割心内膜，这里的阈值通过检测区域流进周围心肌和组织迭代确定。然后，生成一张圆形图，计算左心室的边缘信息，利用由心内膜边界和迭代阈值估计的心肌信号信息引导的主动轮廓模型提取心外膜轮廓，从而提取心肌。这种迭代阈值和修改ACM(ITHACA)算法与手工追踪及商业MASS分析软件(通用电气)进行了比较。我们发现在定义心肌边缘时ITHACA算法相对MASS软件有很重大的改进，并与手工追踪很好吻合，其血液体积和心肌质量的平均差异分别是2.9±6.2mL(均值±标准差)，-0.9±16.5g，这个差异小于手工追踪和MASS软件间的差异(分别是-20.0±6.9mL和-1.0±20.2g)。

总之，为了分割心肌，需校正幅值图像线圈灵敏度，通过检测区域流进周围心肌和组织迭代确定的阈值执行区域生长方法。为了检测心外膜和分割心肌(Myoc)，通过极坐标变换生成一张圆形图(Cmap)，在Cmap上提取边缘信息并过滤心内膜。在定义了外部能量和约束(含有从心内膜分割中获取的信息)后，运用主动轮廓模型找到心外膜轮廓。

在本发明的该实施方案中，该自动左心室分割算法包括了通过迭代阈值提取一个柔性心内膜轮廓，以及通过主动轮廓模型提取一个心外膜轮廓。

柔性心内膜轮廓分割算法包括下述的5个步骤：

1.估计初始种子点；

2.测量血液信号的均值和标准差；

3.线圈灵敏度补偿；

4.估计心肌(Myoc)信号强度；以及

5.分割左心室，测量血液体积。

上述每一步将在下面更详细的讨论。

对在用户选择的心室中部层面的相位1和10(大致分别对应舒张期和收缩期)的剪影幅度图像上执行Hough变换以确定一个初始种子点。对于其余层面，采用种子繁殖技术，当前层或当前相位图像的种子点确定，需要检查该图像中一个的11×11的窗口，其中心是上一层面分割的质心。计算窗口中每一个像素的能量函数，该函数基于该像素与窗口中心的距离和其与上一层面的左心室区域平均强度值：

$E\left(p\right)=\sqrt{{\left(\frac{2{\mathrm{\&sigma;}}_{\mathrm{prev}}}{w-1}\right|p_{\mathrm{CoG}}-p\left|\right)}^2+{(I_{\mathrm{new}}\left(p\right)-{\mathrm{\&mu;}}_{\mathrm{prev}})}^2}$

[公式3]

其中，p是被估像素的位置，I_new(p)是被估像素的灰度强度值，p_CoG是前一图像左心室区域的质心，w＝11是窗口的宽度，以体素个数为单位，σ_prev和μ_prev是前一层图像的左心室区域的均值和标准差_b。能量最低的像素被选为其种子点。

执行基于边界的区域生长方案找出一个几乎是全血的左心室区域。计算左心室区域的均值和标准差(LV_mean和LV_std)，这些访问过的在下面的步骤中计算中都被考虑为全血的。

来自MRI扫描仪的图像有取决于线圈位置的变形，这会影响到分割和部分体积计算。为了补偿穿过左心室区域的线圈灵敏度，利用最小二乘法平面拟合已访问过的体素。

为了估计心肌的平均信号强度Myoc_mean，利用上述同一种子点连续地执行基于下界阈值的区域生长方案以得到一个迭代降低阈值。区域生长最终突破心肌，“流进”明亮的周围结构(脂肪，右心室或者肌肉)，引起被割表观体积的突然增长，其特征是连续体积生长率的一个中断。在降低的区域生长阈值过程中的体积生长中断可被用来测量区域生长在哪个阈值渗入到心肌。区域生长流进周围结构的这个阈值被认为是心肌信号强度Myoc_mean。

为了分割左心室区域，利用绝对阈值Myoc_mean+n×LV_std最后一次执行区域生长，这里n＝2。考虑高斯噪声，这种指定保证了至少99.4％的全血和全心肌体素权重正确，剩余的0.6％用部分体积插值。分割出左心室的总体积由下述求和公式确定：

$V=\underset{x}{\mathrm{\&Sigma;}}h\left(x\right)\mathrm{\&omega;}\left(x\right)$

这里，V是体积，h(x)是左心室直方图，ω(x)是与灰度强度为x的体素相关的权重函数，被定义 $\mathrm{\&omega;}\left(x\right)=\frac{x-M}{B-M},$ 这里的B和M分别代表全血和全心肌的信号强度值。考虑高斯噪声，B和M被分别指定为(LV_mean一n×LV_std)和(Myoc_mean+n×LV_std)，n＝2。本发明的实施方案中上述左心室区域的像素都被考虑为全血的。当ω(x)＝1.0时，计算出的左心室血液体积没有部分体积效应。

为了提取心外膜轮廓，提出了一个据具体应用修改的主动轮廓模型算法，如图26所示。主动轮廓模型，又名蛇，用公式表示为：

$E_{\mathrm{snake}}={\&Integral;}_0^1\{E_{\mathrm{internal}}C\left(s\right)+E_{\mathrm{external}}C\left(s\right)\}\mathrm{ds},$

这里的C(s)是一系列的轮廓点(x(s)，y(s))，E_mternal是一个弯曲轮廓的内部能量，E_external提取了图像特征，比如边缘。轮廓上的点通过最小化蛇能量迭代靠近边缘或边界。能不能量函数定义为：

$E_{\mathrm{internal}}=\mathrm{\&alpha;}\left(s\right){\left|\frac{\mathrm{dC}}{\mathrm{ds}}\right|}^2+\mathrm{\&beta;}\left(s\right){\left|\frac{d^{2}C}{{\mathrm{ds}}^2}\right|}^2,$

这里，α(s)ACM弹性调节因子，β(s)是ACM刚度调节因子。通过计算图像(f(x，y))定义外部能量函数：

$E_{\mathrm{external}}={|\&dtri;f(x,y)|}^2.$

一般ACM的一个严重的弱点就是它对局部最小敏感，因而应该在搜索目标物附近定义初始轮廓。如果初始轮廓远离目标物，定义外部能量困难，因此不会收敛到期望的分割。在该应用中，使用灰度强度约束及先验知识生产外部能量简化了该问题，即使不知道此外部能量应该在哪个方向。

这些用于心外膜轮廓提取的修改扩充为以下5个步骤，如图26所示：

1.以心内膜质心为原点通过极坐标变换生成一张圆形图(步骤180圆映射)。

2.提取边缘信息(步骤182边缘提取)，滤掉心内膜边缘(步骤184过滤边缘)。

3.为心外膜轮廓定义外部能量和约束(步骤186确定约束)。

4.在心内膜边界初始轮廓(步骤188轮廓初始化)，运用被初始化在心内膜轮廓的心外膜主动轮廓模型(步骤190轮廓生长和变形)。

5.更新心外膜轮廓(步骤192轮廓平滑)以及变换坐标系。

第1步：生成圆形图

于左心室大致是圆形，我们通过极变换生成一张圆形图(Cmap)，其变换中心是3.1中心内膜区域的重心(比如灰度强度值中心)或其它合适的点。，通过此变换，图像的笛卡尔坐标(x，y)变成极坐标(极径r，极角θ)。最大极径被选为覆盖整个短轴心脏区域(参见图27)。图27(a)左上图194是一用于分割的层面，图27(b)是194极坐标转换后的图。

第2步：边缘信息提取及滤波

Canny算子提取Cmap的边缘信息，图27(c)显示了该结果。由于迭代阈值分割出了心内膜区域，故滤掉来自心内膜区域的边缘。

第3步：修改外部能量以及定义运动约束

在标准的ACM中，外部能量只有在目标物体附近时才能好的定义边界，远离目标物体时很难定义，故一般使用梯度向量力量(GVF)。图28(b)放大显示了图28(a)的梯度定义的外部能量，箭头所指的多边形200中的梯度值几乎为0。如果一个轮廓被放在这里，将没有鞠躬的外部能量驱动该了轮廓。在我们的左心室分割应用中，初始轮廓定义在上述的左心室心内膜边界。为了提取心外膜轮廓，初始轮廓应该朝着极径r增大的方向迭代移动。这个先验知识可以用来约束外部能量有效地按照下面的方式移动该轮廓。计算梯度，将小于预设阈值的梯度设置为最邻近的大于该阈值的梯度，可以从图28(c)中看到此梯度设置方法的结果。本研究中的阈值时0.03(参见图28(c))。

用3.1中迭代阈值估计的心肌强度信息进一步来约束轮廓的运动。设Myoc_max＝Myoc_mean+2.0×LV_std，Myoc_min＝Myoc_mean×0.4。灰度强度值超过Myoc_max或小于Myoc_min以及表面积大于240个像素的区域被用来阻止该轮廓的运动(分别参见图29(b)(c))。

第4步：主动轮廓模型分割

由第3步的修改外部能量和运动约束引导的ACM被用来分割左心室。初始轮廓设置在3.1中迭代阈值确定的左心室心内膜边界，或其它方法获取的心内膜边界。在迭代最小化能量时，轮廓受限在仅沿极径r方向运动，并在遇到运动约束时停止。计算每次迭代其后的轮廓点平均差异，当其低于0.01个像素时停止迭代。图30显示了ACM分割后的结果。左边的轮廓线202表示初始轮廓心内膜边界。右轮廓204表示ACM分割提取出的心外膜轮廓。图30(b)中的箭头指出了被约束限制运动的点。图30(a)和30(b)显示了ACM在心肌强度约束下是怎样停止的(如箭头所示)。图30(c)和30(d)显示了ACM是怎样在边界没被定义或提取时停止的(如箭头所示)。

第5步：更新心外膜轮廓及坐标变换

由于ACM得到的心外膜可能存在锯齿状，用低通滤波器平滑该轮廓。然后通过简单计算极坐标逆变换将心外膜变换到图像区域。

为了评价上述方法，从以前接受心脏MRI检查的大量病人中获取数据(15名男性，平均年龄52.4岁±标准偏差15.1)。采用GE Signa 1.5T扫描仪中的心脏电影序列SSFP。成像参数是：重复时间3.4-4.5ms，回波时间1.1-2.0ms，翻转角55-60，矩阵大小192×192-256×256，图像维度256×256，接收机带宽125kHz，视野290-400×240-360，层厚6-8mm，层间距2-4mm。每个病人的左心室被成像6-10层，20-28个心脏相位。

采用迭代阈值和修改ACM(ITHACA)分割了来自38个病人的339幅图像，并将结果与手工追踪和商业软件MASS比较。一位有经验的医师执行手工追踪，不包括血液中的PTM。PTM被定义为心腔圆形轮廓＞1.5mm的突出心肌，与邻近的左心室壁信号强度相同。

用我们的算法ITHACA和商业软件MASS分别测量了舒张期的心内外膜体积，并与手工追踪进行比较。这里计算的体积没有考虑部分体积插值，尽管如此，但可调用左心室迭代阈值分割计算考虑左心室和心肌统计值的部分体积。心内外膜体积差是心肌体积，再乘以已知的心肌密度1.05g/ml便得到心肌质量。运用线性回归和Bland-Altman分析估计手工追踪、我们的ITHACA算法以及MASS软件的相关性。

手工追踪、我们的ITHAC算法以及MASS软件测得的血液体积分别是144.5mL±50.0(均值±方差)，141.6mL±48.7，以及164.5mL±55.1。手工追踪、我们的ITHAC算法以及MASS软件测得的心肌质量分别是128.1±50.9g，128.9±49.0，以及129.1±57.5。表1和表2(分别是图31和图32)以及图33和图34总结了这些测量的比较。我们的ITHACA算法和MASS软件测得的血液体积都与手工追踪结构高度相关(R²＝0.99)，但是心肌质量相关性一般(ITHCA和MASS分别是R²＝0.90和0.88)。Bland-Altman分析(图34)表明测得的心肌质量相互之间一致性很好，ITHACA算法测得的血液体积与手工追踪的结果一致性很好，的但是MASS软件测得的血液体积中包括了PTM，大大高于手工最终的结果。

表2(图32)总计了ITHACA和MASS软件的性能。图35是使用三种方法分割的样例。从上向下数，图35的第一行是原始图像，第二和第三行分别显示了ITHACA算法分割出的左心室和心肌。第四和第五行分别显示了手工介入前后的MASS算法的分割结果。当任一自动算法生成的轮廓能***作者肉眼估计出有多余10％的面积偏离左心室边界时，判断该算法分割失败。此种情况发生时，操作者手工校正该轮廓。

由于心肌缺乏闭合，ITHACA和MASS在分割一些底部层面时都需要手工介入(占几乎是一半的病人数据)。为了在多数顶部层面生成心内膜边缘，MASS软件需要手工介入，而ITHACA解决了这个问题。为了生成心外膜，MASS软件需要手工介入51.6％的层面，而ITHACA将手工介入减少到1.5％(几乎全自动)。

实验数据表明ITHACA分割算法在分割左心室质量和血液体积时精确、鲁棒。比起经常需要手工介入每个病人的商业MASS软件来，该ITHACA算法提出了一个重大的改进。虽然仍需关注底部层面的自动分割，但ITHACA算法成功地排除了分割心内膜边缘其它层面(大部分的顶部层面)和分割心外膜边缘其它层面的手工介入。与临床手工追踪标准的比较现实了ITHACA算法是一个快速量化左心室每搏输出量、射血分数以及心肌质量的有价值的工具。

ITHACA算法利用几何假设亮的血液被暗的心肌包围开始着手提取心内膜边缘。这个简单的假设不需要具体的左心室的形状知识，并且对除了底部层面以外的所有层面有效，流出道底部层面的心肌不闭合。通过在左心室血液中放一颗种子，从迭代阈值区域生长估计左心室血液和心肌信号强度轮廓。这个关键阈值由区域生长的突然变大决定。事实证明引导区域生长的迭代阈值方法在自动提取左心室血液时十分鲁棒。

ITHACA算法使用ACM提取心外膜边界，这里的ACM受到心内膜边缘和第一部分迭代阈值部分确定的信号强度的引导。外部能量受限于从心内膜向心外膜驱动轮廓，通过区域强度低于或高于心肌信号的限制，有效定位心外膜边缘搜索。这些改写使得ACM通过几次迭代快速收敛到心外膜边缘上。我们的实验数据表明这种改写的ACM在自动提取心外膜边缘十分鲁棒，有能力估计左心室心肌质量。

ITHACA算法在提取心外膜边缘时，1.5％的心室层面需要手工分割，这些层面的心肌和周围组织(肝或肺)信号强度差异几乎为0。有经验的临床医生基于训练可以将心肌及其周围组织分开来。心外膜边缘形状的先验知识可能被包括到ACM条件中去。类似的，底部层面流出道形状的先验知识也可能包括在区域生长的条件中以完全排除手工介入。另一方面，在分割复杂边界时ITHACA算法可能比手工追踪更加精确，引起手工追踪和我们的ITHACA算法细微的不一致。这类分割错误低于10％，没有进行手工校正。

本文所提及的全部引用，包括公开案、专利和专利申请案，都是以全文引用的方式并入，其引用程度就如同将每一个别公开案、专利或专利申请案特定且个别地以全文引用的方式并入。

在描述发明(特别在下面声称如权利要求的情况下)的情况下，除非上下文另有说明，应包括单复数逐字解释术语“一个”、“这个”及类似的指代，将“包括”、“包含”、“具有”解释为可扩展叙述(即“包括，但不局限于”的意思)。除非有其它说明，文中叙述的值范围仅仅作为一种参考个别落入该范围内的分离的值的速记方法，引用每个分离值如同单独叙述该值。除非上下文另有说明，本文中描述的所有方法可以任何合适的顺序执行。本文中使用的任何和所有例子，或描述性语言(如“例如”)仅仅是为了更好的解释发明，不造成发明范围的限制，除非另有如权利要求范围，。

本文描述的是择优的实施方案，包括发明者实现发明时已知的最好模型。对那些基于阅读前面所述、在该领域技艺一般的人来说，择优的实施方案发生变化是显而易见的。发明者期望熟练的专家酌情使用这些变化，并希望该发明得到实践而不是在此具体描述。相应地，经适用法律允许，该发明包括了附加于此的如权利要求声称中的主题的变更物和等同物。另外，除非另有说明，本发明包括了上述部分在所有可能变化中的任意组合。

Claims (119)

1.在一幅图像中测量与其它物体相连的一个物体体积的一种方法，这种方法包括：以该物体内部的一个种子体素为起点生长一个测试物体；

基于具有一个与种子体素值接近的共同属性值的一组体素计算该测试物体体积；以及

当生长率超出一个预设值时停止该测试物体的生长。

2.如权利要求1所述的方法，其中物体与心脏器官左心室和上述其它物体有关，这里的其它物体与包含左心室的心肌有关。

3.如权利要求1所述的方法，其中生长一个测试物体是根据一个迭代改变阈值执行的，生长率基于该体积一个导数近似值。

4.如权利要求3所述的方法，其中进一步包含了计算第一个物体的标准偏差，阈值额外基于该标准偏差。

5.如权利要求1所述的方法，其中如果一个体素的灰度强度值在种子体素灰度强度的预设范围内，该体素具有与种子体素值近似的一个共同属性。

6.如权利要求1所述的方法，其中种子体素是图像区域的重心。

7.如权利要求1所述的方法，其中图像包括了一系列的层面，每一层都代表图像的一个截面。

8.如权利要求7所述的方法，其中每一层包括了一系列帧，每一帧代表该图像在不同时间点的截面。

9.如权利要求1所述的方法，其中种子体素位于物体的一个中间层面，生长一个测试物体包括繁殖该种子体素到剩余层面。

10.如权利要求1所述的方法，其中基于与一个全血体素有关的一个全血灰度强度值和与一个全心肌体素有关的一个心肌灰度强度值对一组体素中的每个体素加权。

11.如权利要求1所述的方法，其中图像从磁共振成像(MRI)，计算机断层扫描(CT)，超声，X光以及单光子发射计算机断层扫描(SPECT)中的一种或多种设备中获取。

12.如权利要求1所述的方法，其中进一步包含校正该图像。

13.如权利要求1所述的方法，其中进一步包含了生长停止时从该测试物体中确定一个物体体积。

14.如权利要求13所述的方法，其中确定一个物体体积包括计算一组灰度强度加权体素的体积和。

15.在一幅图像中找出与其它物体有界的一个物体的一条或多条边缘的一种方法，该方法包括：

迭代计算一个测试物体的一个体积，该测试物体包括一组连接的体素，这些体素中包含第一个物体的一个种子体素，具有在种子体素值范围内的一个共同属性，每次迭代更新该范围；以及

在连续的迭代中计算该测试物体的生长率；

当该生长率超出一个预设值时，停止迭代计算该测试物体在喷出迭代时的一个体积。

16.如权利要求15所述的方法，其中物体包含一种组织类型，上述其它物体包含另一种组织类型。

17.如权利要求15所述的方法，其中图像从磁共振成像(MRI)，计算机断层扫描(CT)，超声，X光以及单光子发射计算机断层扫描(SPECT)中的一种或多种设备中获取。

18.如权利要求15所述的方法，其中进一步包含校正该图像。

19.如权利要求15所述的方法，其中一个共同属性基于灰度强度。

20.如权利要求15所述的方法，其中图像包含很多层面，该方法进一步包含了繁殖种子像素到剩余层面。

21.在一幅图像中确定一组体素从而构成一个与其它物体有界的物体一种方法，该方法包括：

以这个物体内部的一个种子体素为起点生长一个测试物体；

基于具有一个接近种子体素值的共同属性值的一组体素计算该测试物体的体积；

以及

当生长率超出一个预设值时停止该测试物体的生长。

22.如权利要求21所述的方法，其中物体包含一种组织类型，上述其它物体包含另一种组织类型。

23.如权利要求21所述的方法，其中图像从磁共振成像(MRI)，计算机断层扫描(CT)，超声，X光以及单光子发射计算机断层扫描(SPECT)中的一种或多种设备中获取。

24.如权利要求21所述的方法，其中进一步包含校正该图像。

25.如权利要求21所述的方法，其中一个共同属性基于灰度强度值。

26.如权利要求21所述的方法，其中图像包含很多层面，该方法进一步包含了繁殖该种子像素到剩余层面。

27.在一幅图像中测量一个物体体积的一种方法，该图像包含体素，该物体与图像中其它物体一处或多处相连，该方法包括：

确定该物体的一个属性，其值不同于其它物体的一个相同或相似属性值；

在该物体的一条边界处初始化一个轮廓；以及

变形该轮廓至完全穿过与该物体特征相似的一个体素区域，从而形成了另一条边界和确定包括该区域的一条边界和另一条边界的一个范围。

28.如权利要求27所述的方法，其中图像从磁共振成像(MRI)，计算机断层扫描(CT)，超声，X光以及单光子发射计算机断层扫描(SPECT)中的一种或多种设备中获取。

29.如权利要求27所述的方法，其中进一步包含校正该图像。

30.如权利要求27中，在一内边界初始化一轮廓包括利用迭代阈值找到该内边界。

31.如权利要求30所述的方法，其中迭代阈值包括：

以这个物体内部的一个种子体素为起点生长一个测试物体；

基于具有一个接近种子体素值的共同属性值的一组体素计算该测试物体的体积；

以及

当生长率超出一个预设值时停止该测试物体的生长。

32.如权利要求27所述的方法，其中变形一个轮廓包括利用一个整合图像梯度向量约束力的ACM(Active Contour Model)。

33.如权利要求32所述的方法，其中当轮廓点的图像梯度向量约束力小于一个阈值时，图像梯度向量约束力被限制在引起至少一个这样的点向预设方向移动。

34.如权利要求32所述的方法，其中利用一种边缘检测算法计算图像梯度向量约束力以找到上述其它物体的一条或多条边缘。

35.如权利要求31所述的方法，其中物体具有其自身的灰度强度标准偏差，上述其它物体具有其自身的灰度强度标准偏差。如果一个体素在一个具有上下界的预设范围内，该体素值接近种子体素值，这里的上下界取决于物体标准偏差、上述其它物体标准偏差以及灰度强度平均值。

36.如权利要求27所述的方法，其中属性是该物体的平均灰度强度，如果一体素灰度强度在预设平均灰度强度范围内，该体素在特征上与物体相似。

37.如权利要求27所述的方法，其中进一步包含了将该图像坐标系转换到极坐标系，以上述其它物体的一个质心为原点。

38.如权利要求37所述的方法，其中质心就是上述其它物体的一个强度中心。

39.如权利要求27所述的方法，其中变形该轮廓包括最小化一个轮廓能量。

40.如权利要求27所述的方法，其中变形该轮廓包括平滑该轮廓。

41.如权利要求27所述的方法，其中变形该轮廓据该轮廓一条边界上的点的梯度进行。

42.如权利要求41所述的方法，其中每个梯度都有一个方向，轮廓受梯度影响转向该方向。方法进一步包含了翻转与预定方向相反的梯度方向。

43.如权利要求27所述的方法，其中进一步计算了基于上述的一条边界和另一条边界的范围计算该物体的一个体积。

44.在一幅图物中找出一个物体的一外边界的一种方法，该图像包含体素，该物体与图像中其它物体一处或多处相连，该方法包括：

确定该物体的一个属性，其值不同于其它物体的一个相同或相似属性值；

在该物体的一条边界处初始化一个轮廓；以及

变形该轮廓至完全穿过与该物体特征相似的一个体素区域，从而形成了另一条边界和确定包括该区域的一条边界和另一条边界的一个范围。

45.如权利要求45所述的方法，其中物体包含一种组织类型，上述其它物体包含另一种组织类型。

46.如权利要求45所述的方法，其中从磁共振成像(MRI)，计算机断层扫描(CT)，超声，X光以及单光子发射计算机断层扫描(SPECT)中的一种或多种设备中采集数据。

47.如权利要求45所述的方法，其中进一步包含校正该图像。

48.如权利要求45所述的方法，其中属性基于灰度强度值。

49.在一幅图像中确定一组体素从而构成一个与其它物体有界的一个物体的一种方法，该方法包括：

确定该物体在物体中属性值变化的一个属性；

在一条边界或上述其它物体的一条边界初始一个轮廓；以及

变形该轮廓直至该轮廓的每一点都与一组体素毗邻，这组体素一个属性，它的一个或多个属性值不同于该物体的属性值。

50.如权利要求49所述的方法，其中物体包含一种组织类型，上述其它物体包含另一种组织类型。

51.如权利要求49所述的方法，其中从磁共振成像(MRI)，计算机断层扫描(CT)，超声，X光以及单光子发射计算机断层扫描(SPECT)中的一种或多种设备中采集数据。

52.如权利要求49所述的方法，其中进一步包含校正该图像。

53.如权利要求49所述的方法，其中图像包括了一系列层面，方法进一步包括了在层面间伸展轮廓。

54.如权利要求49所述的方法，其中属性基于灰度强度值。

55.如权利要求49所述的方法，其中为了确定该物体和找到隶属于该物体的额外的物体，方法包括：

在已确定物体的一条边界处初始化一个额外轮廓；

变形该额外轮廓直至轮廓的每一点都与一组体素毗邻，这组体素一个属性，它的一个或多个属性值不同于该物体的属性值。

56.如权利要求55所述的方法，其中该额外轮廓是用来确定已确定物体的变形轮廓。

57.如权利要求55所述的方法，其中进一步利用一组体素来构成图像中的一个物体以确定一组其它的体素来构成一个上述的其它物体。

58.一个计算机可读媒介上有计算机可执行指令，用于执行测量一幅图像中的一个物体体积一种方法，这幅图像包括体素，这个物体与这幅图像中的其它物体有一条或多条边界。物体计算机可读媒介计算机可执行指令包括：

确定物体一个属性的指令，该物体属性值不同于其它物体一个相同或相似属性值；

初始该物体一个或多个轮廓的指令；以及

变形该轮廓至完全穿过与该物体特征相似的一个体素区域，从而形成另一条外边界以及确定包括该区域的一条边界和另一条边界的一个范围的指令。

59.如权利要求58所述的方法，其中图像从磁共振成像(MRI)，计算机断层扫描(CT)，超声，X光以及单光子发射计算机断层扫描(SPECT)中的一种或多种设备中获取。

60.如权利要求58中的计算机可读媒介，进一步包含校正图像指令。

61.如权利要求58中的计算机可读媒介，其中的在一条内边界初始一个轮廓包括使用迭代阈值找出该内部边界。

62.如权利要求61中的计算机可读媒介，其中的迭代阈值包括：

以上述其它物体内部的一个种子体素为起点开始生长一个测试物体；

基于具有一个接近种子体素值的共同属性值的一组体素计算该测试物体的体积；

以及

当生长率超出一个预设值时停止该测试物体的生长。

63.如权利要求58中的计算机可读媒介，其中的变形该轮廓包括一个使用整合图像向量梯度约束力的ACM。

64.如权利要求63中的计算机可读媒介，当一个轮廓点的图像梯度向量约束力小于一个阈值时，图像梯度向量约束力被限制在引起至少一个这样的点向预设方向移动。

65.如权利要求63中的计算机可读媒介，利用一种边缘检测算法计算图像梯度向量约束力以找到上述其它物体的一条或多条边缘。

66.如权利要求62中的计算机可读媒介，该物体具有其自身的灰度强度标准偏差，上述其它物体具有其自身的灰度强度标准偏差。如果一个体素在一个具有上下界的预设范围内，该体素值接近种子体素值，这里的上下界取决于物体标准偏差、上述其它物体标准偏差以及灰度强度平均值。

67.如权利要求58中的计算机可读媒介，属性是该物体的平均灰度强度，如果一体素灰度强度在预设平均灰度强度范围内，该体素在特征上与物体相似。

68.如权利要求58中的计算机可读媒介，进一步包含了将该图像坐标系转换到极坐标系的指令，以上述其它物体质心为原点。

69.如权利要求66中的计算机可读媒介，质心就是上述其它物体的一个强度中心。

70.如权利要求58中的计算机可读媒介，变形该轮廓包括最小化一个轮廓能量。

71.如权利要求58中的计算机可读媒介，变形该轮廓包括平滑该轮廓。

72.如权利要求58中的计算机可读媒介，变形该轮廓据该轮廓一条边界上的点的梯度进行。

73.如权利要求58中的计算机可读媒介，每个梯度都有一个方向，轮廓受梯度影响转向该方向。方法进一步包含了翻转与预定方向相反的梯度方向

74.如权利要求58中的计算机可读媒介，进一步包含了用于计算基于上述的一条边界和另一条边界的范围计算该物体的一个体积指令。

75.在一幅图像中测量一个物体体积的一种方法，该图像包含体素，该物体与图像中其它物体相连，该方法包括：

确定该物体的一个属性，其值不同于其它物体的一个相同或相似属性值；

利用该属性值在该物体的一条边界处初始化一个轮廓；以及

利用该属性膨胀该轮廓至完全穿过与该物体特征相似的一个体素区域，从而形成了该物体的第一边界和第二边界，确定出包括该区域的两边界间的一个范围。

76.如权利要求75所述的方法，其中图像从磁共振成像(MRI)，计算机断层扫描(CT)，超声，X光以及单光子发射计算机断层扫描(SPECT)中的一种或多种设备中获取。

77.如权利要求75所述的方法，其中进一步包含校正该图像。

78.如权利要求75所述的方法，其中在该物体的第一条边界初始化钙轮廓，妻膨胀发生在该轮廓的一侧。

79.如权利要求75所述的方法，其中在该物体中间初始化该轮廓，其膨胀发生在该轮廓的两侧。

80.如权利要求79所述的方法，其中通过搜索一张图初始化该轮廓，这里的图含有图像数据结点。

81.如权利要求80所述的方法，其中利用该物体的第一边界和第二边界的估计值构建该图。

82.如权利要求80所述的方法，其中进一步包含了为每个结点指定一个代价，搜索一张图包括找出一条最小代价路径。

83.如权利要求75所述的方法，其中进一步包括了基于第一、第二边界间的范围计算该物体的一个体积。

84.如权利要求75所述的方法，其中该物体是一种心脏组织，上述物体是被心脏组织包括的血液。

85.如权利要求75所述的方法，其中体素包含图像数据，从磁共振成像(MRI)，计算机断层扫描(CT)，超声，X光以及单光子发射计算机断层扫描(SPECT)中的一种或多种设备采集。

86.如权利要求78所述的方法，其中在第一边界初始一个轮廓包括利用迭阈值找到第一条边界。

87.如权利要求86所述的方法，其中迭代阈值包括：

以上述物体内部的一个或多个种子体素为种子点生长一个测试物体；

基于具有一个接近种子体素值的共同属性值的一组体素计算该测试物体的体积；以及

当生长率超出一个预设值时停止该测试物体的生长。

88.如权利要求78所述的方法，其中轮廓膨胀包括利用一个整合图像梯度向量约束力的ACM。

89.如权利要求88所述的方法，其中当轮廓点的图像梯度向量约束力小于一个阈值时，图像梯度向量约束力被限制在引起至少一个这样的点向预设方向移动。

90.如权利要求88所述的方法，其中利用一种边缘检测算法计算图像梯度向量约束力以找到上述其它物体的一条或多条边缘。

91.如权利要求75中所述的方法，其中属性是该物体的平均灰度强度，如果一体素灰度强度在预设平均灰度强度范围内，该体素在特征上与物体相似。

92.如权利要求91所述的方法，其中物体具有其自身的灰度强度标准偏差，上述其它物体具有其自身的灰度强度标准偏差。预设范围具有上下界，取决于物体标准偏差、上述其它物体标准偏差以及灰度强度平均值。

93.如权利要求75中所述的方法，其中进一步包含了将该图像坐标系转换到极坐标系，大致以上述其它物体质心为原点。

94.如权利要求93所述的方法，其中质心就是上述其它物体的一个强度中心。

95.如权利要求75所述的方法，其中膨胀该轮廓包至少包括(1)该轮廓能量最小化，(2)平滑该轮廓。

96.如权利要求75所述的方法，其中根据该轮廓周围点的梯度执行该轮廓膨胀。

97.如权利要求75所述的方法，其中根据该轮廓一侧点的梯度执行该轮廓膨胀。

98.如权利要求96所述的方法，其中每个梯度都有一个方向，该梯度影响轮廓至该方向。方法进一步包含了翻转与预定膨胀方向相反的梯度方向。

99.确定一个物体的一种属性的一种方法，该物体用图像数据代表，包含一个体积，该方法包括：

利用该图像数据的一个或多个属性值确定该物体内外边界，该图像数据包括一内含体积；

利用该物体的内外边界提取该物体；

通过从物体所含的一个空腔生长一个体积，确定该体积值以提取物体。

100.如权利要求99所述的方法，其中该物体是心肌，内含体积由血液组成。

101.如权利要求99所述的方法，其中图像从磁共振成像(MRI)，计算机断层扫描(CT)，超声，X光以及单光子发射计算机断层扫描(SPECT)中的一种或多种设备中获取。

102.如权利要求99所述的方法，其中进一步包含校正该图像。

103.如权利要求99所述的方法，其中该物体的内外边界确定包括利用边缘检测算法从该图像数据的一张圆形图中提取边缘信息。

104.如权利要求99所述的方法，其中一个或多个属性值包括该图像数据灰度强度值，该图像数据包括内含体积。

105.如权利要求99所述的方法，其中包括确定一个体积初始值，灰度强度值是从该初始体积中获取的平均值。

106.如权利要求100所述的方法，其中该体积的最终值用来测定射血分数。

107.如权利要求100所述的方法，其中提取的物体用来测量心肌质量。

108.如权利要求99所述的方法，其中提取该物体包括在该图像数据中找到中心轴，使用搜索一张图膨胀包含该物体的该图像数据。

109.分析图像数据中一个物体第一和第二边缘的一种方法，该方法包括包括至少确定该物体内外图像数据区域的一种特性值；

搜索标记该物体一条边缘的该特性值中的变化；

生成一张在该图像数据中该物体第一和第二边界之间的直方图；以及

基于该直方图属性值从该图像数据中提取该物体。

110.如权利要求109所述的方法，其中在搜索该属性值中的变化之前，将该图像数据转换到极坐标；生成直该方图之后，再将该图像转换到笛卡尔坐标系。

111.如权利要求109所述的方法，其中该物体是一种心脏组织。

112.如权利要求109所述的方法，其中图像从磁共振成像(MRI)，计算机断层扫描(CT)，超声，X光以及单光子发射计算机断层扫描(SPECT)中的一种或多种设备中获取。

113.如权利要求109所述的方法，其中进一步包含校正该图像。

114.确定一个物体边界包围的一个体积的一种方法，该物体和该体积用图像数据代替，该方法包括：

在该物体内部初始一个轮廓；

从该轮廓生长出第一个物体区域，检测其边缘；

从该体积内部向一个或多个方向膨胀出第二个区域；

当生长在某一方向上遇到第一个物体区域时，停止第二个区域在此方向上的膨胀；以及

在第二区域停止每个方向的膨胀后，从第二个区域中确定该体积值。

115.如权利要求114所述的方法，其中该物体是一种心脏组织；第二个区域包括血液，处于该心脏组织的一空腔中。

116.如权利要求114所述的方法，其中图像从磁共振成像(MRI)，计算机断层扫描(CT)，超声，X光以及单光子发射计算机断层扫描(SPECT)中的一种或多种设备中获取。

117.如权利要求114所述的方法，其中进一步包含校正该图像。

118.如权利要求114所述的方法，其中在该物体内部初始一个轮廓包括从该图像数据中构建一张图，以及基于搜索这张图的结果找到该轮廓。

119.如权利要求114所述的方法，其中进一步包含了检测该图像数据中的不连续性以确定该物体的一个或多个特征，其中初始化该物体内部轮廓包括根据这一个或多个特征找出轮廓。

Images