[发明专利]一种超声心动图分割算法

说明书

技术领域

本发明涉及数字图像处理领域，特别是一种超声心动图分割算法。

背景技术

由于超声成像设备的成本低和便携性，超声心动图是心脏左心室可视化首选的一种医疗成像方式。通常，心脏病专家对左心室超声成像进行分析并对左心室收缩末期和舒张末期阶段心内膜边界进行分割，然后用它来提供一个心功能的定量分析来诊断心脏病。临床上多采用手动分割的方法，无法用于自动化参数采集,时间耗费长且过程乏味，而所分割结果也会因人而异。另外基于主动轮廓模型的算法是得到研究人员关注的一种方法，许多方法基于该算法理论的基础上进行了改进和应用。

发明内容

有鉴于此，本发明的目的是提出一种超声心动图分割算法，能够自动分割超声心动左心室，同时具有较好的准确性和鲁棒性。

本发明采用以下方案实现：一种超声心动图分割算法，具体包括以下步骤：

步骤S1：对图像进行模糊聚类操作，通过反复迭代优化目标函数实现模糊C均值聚类；

步骤S2：采用水平集方法对步骤S1得到的模糊聚类的结果进行二次分割；

步骤S3：设计可变形状限制模型，引入左心室形状的先验知识，对ROI区进行拟合计算约束分割形状的演变，得到预期的平滑闭合轮廓。

进一步地，所述步骤S1具体包括以下步骤：

步骤S11：初始化聚类中心：

V＝{v₁.v₂,...v_C}；

步骤S12：计算隶属函数：

其中，v_m与v_k均为V中元素；N表示图像中所含的像素点数，i_n为图像中某一具体的像素点，l为模糊加权指数，用于控制分割的模糊程度。

步骤S13：更新聚类中心v_i：

其中，为第n个像素对第m类的隶属度，l为模糊加权指数。

步骤S14：判断步骤S13计算出的聚类中心v_i是否收敛，若未收敛，返回步骤S11。

进一步地，所述步骤S2具体包括以下步骤：

步骤S21：:设聚类的输出为：

R_k:{r_k＝μ_nk,n＝x*N_y+y}；

其中，r_k表示，μ_nk表示，x表示，y表示，N_y表示；

步骤S22：初始化水平集函数：

φ₀(x,y)＝-4ε(0.5-B_k)；

其中，ε为调节狄拉克函数的一个常量，B_k为源自R_k的一幅二值图像，B_k＝R_k≥b₀；b₀为可调节的阈值常量，0＜b₀＜1；

步骤S23：将水平集二次分割的结果B'_k作为下一步骤中可变形状限制模型拟合的输入数据。

进一步地，设形状的中心坐标为(x_c,y_c)，并且用N_l个标志点表示形状：其中，标志点P_k到中心位置的距离为D_k，中心位置到P_k的方向向量为Θ_k，设得到标志点P_k的坐标表示为：

假设轮廓上的任意点Q到中心的方向为θ_Q，距离为d_Q，即d_Q被看做是θ_Q的函数：d_Q＝η(θ_Q)。

本发明首先设计了模糊聚类的方法，结合空间信息实现自适应优化的过程，避免中间的形态学操作，实现了对图像的自动粗分割，降低噪声的影响，并将其结果作为水平集分割操作的控制参数，用于控制水平集的演变过程。然后用水平集法对超声图像进行二次分割，进一步降低噪声的影响并得到相对明朗的轮廓线。由于边界模糊和像素的不均匀性导致的欠分割和分割过度的问题普遍存在且极难避免，最后引入左心室形状的先验知识对ROI区域进行拟合计算约束分割形状的演变，得到预期的平滑闭合轮廓，同时极大提高了分割的准确性和鲁棒性。