專利名稱：：基于三維改進型脈沖耦合神經(jīng)網(wǎng)絡(luò)的三維圖像分割方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種基于三維的改進型脈沖耦合神經(jīng)網(wǎng)絡(luò)(ThreeDimensionImprovedPulseCoupledNeuralNetwork,3DIPCNN)的三維圖像分割方法。
背景技術(shù)：
：圖像分割是圖像處理和計算機視覺等領(lǐng)域最重要的研究領(lǐng)域。一方面，圖像分割是目標表達的基礎(chǔ)，對特征的測量有重要影響；另一方面，其基于分割的目標表達、特征提取和參數(shù)測量可以將原始圖像信息轉(zhuǎn)化為更抽象更緊湊的形式，使得更高層次的圖像分析和理解成為可能。因此，圖像分割也是圖像分析和圖像識別中前期處理的一個重要步驟。目前，圖像分割算法主要可以分為三類基于區(qū)域的分割、基于邊界的分割和結(jié)合特定理論工具的分割技術(shù)。三維圖像數(shù)據(jù)處理方法在許多方面與二維方法類似，因此大多數(shù)方法可以由二維方法推廣而來。一般可以有二維逐層處理和直接三維處理兩種前者直接快速，便于人機交互，但并未考慮三維空間性質(zhì)；后者充分考慮空間性質(zhì)，但處理的計算代價高?；趨^(qū)域的分割方法是根據(jù)區(qū)域中圖像灰度統(tǒng)計特性或連續(xù)性來進行的。主要有閾值化方法，區(qū)域跟蹤算法，聚類分割算法等。這些方法的缺點是對噪聲比較敏感，如何提高算法的魯棒性仍是區(qū)域分割中極具挑戰(zhàn)性的課題?；谶吘墮z測的分割方法，通過檢測邊界上相鄰像素特征值的突變性來獲得不同區(qū)域的邊緣。傳統(tǒng)邊緣檢測算法如微分算子邊緣檢測和曲面擬合邊緣檢測算法。微分算子進行邊緣檢測簡單方便但是抑制噪聲能力較差，而曲面擬合算子計算量較大。隨著各學科的新理論和方法的提出，結(jié)合這些特定理論的一些新的圖像分割技術(shù)也應運而生，如神經(jīng)網(wǎng)絡(luò)、數(shù)學形態(tài)學、變形模型等，并取得了一定的進展。其中變形模型是近年來研究的熱點，變形模型實現(xiàn)過程利用了圖像灰度幅值的不連續(xù)性，從廣義上講，仍屬于邊緣檢測的方法。它將對感興趣區(qū)域的先驗知識與圖像約束聯(lián)系起來，使曲線在演化過程中能夠保持連續(xù)性和平滑，對邊界和噪聲的魯棒性都較強。變形模型以一種動態(tài)的方式和圖像數(shù)據(jù)關(guān)聯(lián)起來，能量函數(shù)充當了先驗模型和數(shù)據(jù)圖像之間的吻合度的一種能量，而曲線或曲線變形的目的就是提高先驗模型和圖像數(shù)據(jù)之間的吻合度，這是通過最小能量函數(shù)實現(xiàn)的。但是這類模型用于圖像分割還有許多需要解決的問題，比如進一步的理論分析，有效的數(shù)值計算方法及三維分割的運算速度。脈沖耦合神經(jīng)網(wǎng)絡(luò)(PulseCoupledNeuralNetwork,PCNN)是一種不同于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的新型神經(jīng)網(wǎng)絡(luò)。它是依據(jù)貓、猴等動物的大腦視覺皮層上的同步脈沖發(fā)放現(xiàn)象提出的數(shù)學模型。在PCNN中，具有相似輸入的神經(jīng)元同時發(fā)生脈沖，能夠彌補輸入數(shù)據(jù)的空間不連貫和幅度上的微小變化，從而較完整地保留圖像的區(qū)域信息，這對圖像分割無疑是非常有利的。但是，目前的PCNN模式是針對二維圖像處理，建立是二維模型，對于三維的圖像，只能采用二維分層的方式對圖像序列逐幀進行處理，這就大大降低了圖像處理的效率。
發(fā)明內(nèi)容本發(fā)明的目的在于針對現(xiàn)有三維圖像分割中存在的速度慢效率低的問題，將二維PCNN模型擴展成三維空間的模型，提供一種基于三維改進型脈沖耦合神經(jīng)網(wǎng)絡(luò)的三維圖像分割方法。該方法能夠在保持分割效果的基礎(chǔ)上，加快運行的速度，達到較理想的處理效果。為達到上述目的，本發(fā)明的構(gòu)思是將IPCNN模型從二維平面擴展到三維空間，以體元(volume)為基本單位，對讀入的切片序列進行整體分割方法的設(shè)計，然后經(jīng)過數(shù)學形態(tài)學處理得到邊緣更加光滑的感興趣區(qū)域。根據(jù)上述發(fā)明構(gòu)思，本發(fā)明采用下述技術(shù)方案—種基于三維改進型脈沖耦合神經(jīng)網(wǎng)絡(luò)的三維圖像分割方法，其操作步驟為(1)讀取圖像學列。(2)對讀取的圖像序列采用3DIPCNN分割算法進行整體分割，得到二值圖像序列。(3)采用數(shù)學形態(tài)學方法平滑感興趣區(qū)域的邊緣部分。(4)用體繪制的方法重建感興趣區(qū)域?；?DIPCNN模型的圖像序列整體分割，其步驟如下①將IPCNN模型從二維平面(i，j)擴展到三維空間(i，j，k)，根據(jù)情況選擇連接域的范圍:6，18或26鄰域；②設(shè)置參數(shù)聯(lián)結(jié)權(quán)系數(shù)W，連接系數(shù)P，動態(tài)閾值中的系數(shù)a和9。；③將像素Iijk作為外部剌激輸入；④將圖像序列讀入到三維矩陣，第一次迭代開始對每一體元(volume)依次用3DIPCNN分割算法處理，其中每個體素根據(jù)自身及其鄰域體素的灰度特點由閾值判定輸出為點火或抑制，一次迭代完成后得到二值圖像序列；重復上述循環(huán)，第n次迭代完成后，得到最佳二值輸出。本發(fā)明與現(xiàn)有技術(shù)相比較，具有如下顯而易見的突出實質(zhì)性特點和顯著優(yōu)點(1)3DIPCNN分割算法對圖像序列做整體分割，考慮了PCNN模型的神經(jīng)生理學背景，與其他方法相比，是一種結(jié)合視覺特性的更自然的圖像處理方式。(2)3DIPCNN分割算法對圖像序列做整體分割，考慮了人體組織的三維空間連通性，使之后的重建效果可以更加真實。(3)3DIPCNN分割算法對圖像序列做整體分割，考慮了三維圖像處理實時性的問題，相對于其他二維分層處理算法，大大提高了圖像處理的效率。圖1為本發(fā)明的分割方法程序框圖。圖2為本發(fā)明中的3DIPCNN分割算法模型框圖。圖3為本發(fā)明3DIPCNN整體分割方法分別與手工分割方法、分層IPCNN分割方法及3DOtsu算法對肺部CT圖像序列分割結(jié)果的比較。圖中，(a)為肺部CT圖像序列的某一幀；(b)為手動方法分割結(jié)果；(C)為分層IPCNN方法分割的結(jié)果；(d)為3DOtsu算法的分割結(jié)果；(e)為3DIPCNN整體分割的結(jié)果,圖4為本發(fā)明3DIPCNN整體分割后，用體繪制方法重建出的肺部區(qū)域。具體實施例方式本發(fā)明的優(yōu)選實施例結(jié)合附圖詳述如下實施例一參考圖l，基于三維改進型脈沖耦合神經(jīng)網(wǎng)絡(luò)的三維圖像分割方法，其操作步驟為列。(1)讀取圖像序列。(2)對讀取的圖像序列采用3DIPCNN分個算法進行整體分割，得到二值圖像序(3)采用數(shù)學形態(tài)學方法平滑感興趣區(qū)域的邊緣部分。(4)用體繪制地方法重建感興趣區(qū)域。實施例二本實施例基本上與實施例一相同，特別之處是參見圖2，將IPCNN分割算法模型由二維擴展到三維，3DIPCNN分割算法模型由接受域、調(diào)制部分和脈沖產(chǎn)生三部分組成c<formula>formulaseeoriginaldocumentpage5</formula>其原理數(shù)學方程描述為(1)<formula>formulaseeoriginaldocumentpage5</formula>式中Fijk[n]是第(i，j，k)個神經(jīng)元的第n次反饋輸入量；Iijk為外部剌激輸入，即圖像的像素灰度值；Lijk[n]為線性連接輸入量；Wijk^為內(nèi)部連接矩陣；13為突觸間連接強度常數(shù)；Uijk[n]為內(nèi)部活動項；Yijk[n]為第(i，j，k)個神經(jīng)元的輸出；9ijk[n]為神經(jīng)元內(nèi)部活動項U能否激發(fā)脈沖所需的動態(tài)門限；a，e。均為動態(tài)閾值參數(shù)。內(nèi)部活動項將來自輸入域和連接域的信號進行相乘調(diào)制得到內(nèi)部活動信號U。在第n時刻，脈沖發(fā)生器將Uijk[n]與前一時刻神經(jīng)元產(chǎn)生的動態(tài)閾值9ijk[n-l]進行比較，若大于閾值，脈沖發(fā)生器打開，神經(jīng)元被點火，即處于激發(fā)狀態(tài)，輸出一個脈沖，反之亦然。各個神經(jīng)元的輸出只有點火或不點火兩種狀態(tài)。最后根據(jù)前一時刻輸出脈沖的情況動態(tài)調(diào)整閾值。3DIPCNN用于圖像分割，將大小為I*J*K的三維圖像序列看作I*J*K個相同結(jié)構(gòu)的3DIPCNN神經(jīng)元模型，每個像素的灰度值對應為每個神經(jīng)元的外部輸入Iijk。亮度值大的像素點對應神經(jīng)元先點火，發(fā)放脈沖，通過脈沖傳播，引起內(nèi)部連接矩陣Ww所在鄰域內(nèi)灰度值相近的像素點對應的神經(jīng)元發(fā)放同步脈沖，產(chǎn)生的脈沖序列Y[n]構(gòu)成一個二值序列，該序列包含有圖像的區(qū)域、邊緣、紋理等信息，此脈沖序列Y[n]即為3DIPCNN輸出分割圖像。由于動態(tài)門限采用從小到大單調(diào)增長的閾值函數(shù)，即對3DIPCNN在不同時刻產(chǎn)生的抑制圖像進行逐層分割，所以每個神經(jīng)元只能激活一次，那么在第一次迭代時，給出一個全局零閾值，讓所有像素全部激活，并按照(5)式產(chǎn)生下一次的閾值，然后按照上述數(shù)學方程式(1)_(5)進行迭代循環(huán)，直至分割出理想的二值圖像序列。本算法的驗證實驗選取用多排螺旋CT采集的5組病例，幀內(nèi)像素間距為0.781*0.781mm，每幀圖像的大小為512*512，幀間距為lmm。每組病例的切片數(shù)分別為330，330，329，358，358。內(nèi)部連接矩陣Wijklnm為全1矩陣。參數(shù)設(shè)置為a=1，P=0.001，e。=2500。當?shù)螖?shù)n=4時即可達到理想的分割效果。為了證明3DIPCNN分割算法的效果，我們分別用2DIPCNN分層處理算法和3DOtsu整體分割算法與本發(fā)明作對比，結(jié)果參加圖3，相對于3DOtsu算法，本實例方法能夠更好的分割出肺部區(qū)域，邊緣更加平滑，分割結(jié)果更加精確，效果接近于2DIPCNN逐層分割算法。將本實例方法分割并用形態(tài)學腐蝕，膨脹處理后的二值圖像序列與原圖像序列相乘，所得到的三維體數(shù)據(jù)用體繪制的方法進行重建，重建的結(jié)果參見圖4，可見分割效果良好，經(jīng)過以上處理后，就可以進行肺功能的定量分析等后處理了。表1給出了兩大類共五種方法來客觀評價分割結(jié)果。在分割精確上分別用平均距離(MD)、均方根距離(RMSD)、匹配面積比(TC)作評價指標，在分割效率上用平均運行時間(M-Time)和節(jié)省時間(S-Time)作評價標準。參見表1，本實例方法在前三種評價指標上相似于2DIPCNN逐層分割方法，優(yōu)于3DOtsu分割算法，運行時間及節(jié)省時間上明顯優(yōu)于上述兩種分割方法。本實例方法提取的邊緣具有較小的MD和RMSD系數(shù)，說明它更好地匹配了專家手動分割得到的肺部邊緣，誤差較小。在TC系數(shù)方面，較高的TC系數(shù)說明本實例方法提取的肺部區(qū)域的面積與專家手動得到的肺部區(qū)域面積匹配較大。本實例方法平均運行時間明顯少于2DIPCNN和3D0tsu方法，這兩種算法相對本實例方法費時高達80%以上，說明3DIPCNN在運行效率上有極大的優(yōu)勢。表1本實例方法與2DIPCNN分層分割算法、3D0tsu算法處理性能比較。<table>tableseeoriginaldocumentpage6</column></row><table>權(quán)利要求一種基于三維改進型脈沖耦合神經(jīng)網(wǎng)絡(luò)的三維圖像分割方法，其特征在于操作步驟為(1)讀取圖像序列；(2)對讀取的圖像序列采用三維改進型脈沖耦合神經(jīng)網(wǎng)絡(luò)分割算法進行整體分割，得到二值圖像序列；(3)采用數(shù)學形態(tài)學方法平滑處理感興趣區(qū)域的邊緣部分；(4)用體繪制的方法重建感興趣區(qū)域。2.根據(jù)權(quán)利要求1所述的基于三維改進型脈沖耦合神經(jīng)網(wǎng)絡(luò)的三維圖像分割方法，其特征在于所述步驟(2)由以下具體步驟組成①將改進型脈沖耦合神經(jīng)網(wǎng)絡(luò)模型從二維平面擴展到三維空間，得到三維改進型脈沖耦合神經(jīng)網(wǎng)絡(luò)算法模型，根據(jù)情況選擇模型中連接域的范圍6，18或26鄰域；②設(shè)置三維改進型脈沖耦合神經(jīng)網(wǎng)絡(luò)的參數(shù)聯(lián)結(jié)權(quán)系數(shù)W，連接系數(shù)|3，動態(tài)閾值中的系數(shù)a和e。；③將像素Iijk作為外部剌激輸入；④將圖像序列讀入到三維矩陣，第一次迭代開始對每一像素點依次用三維改進型脈沖耦合神經(jīng)網(wǎng)絡(luò)分割算法處理，其中每個像素根據(jù)自身及其鄰域像素的灰度特點由閾值判定輸出為點火或抑制，一次迭代完成后得到二值圖像序列；重復上述循環(huán)，第n次迭代完成后，得到最佳二值輸出。3.根據(jù)權(quán)利要求1所述的基于三維改進型脈沖耦合神經(jīng)網(wǎng)絡(luò)的三維圖像分割方法，其特征在于所述步驟(3)的采用數(shù)學形態(tài)學方法平滑處理感興趣區(qū)域的邊緣，方法是根據(jù)得到的二值圖像序列，采用傳統(tǒng)形態(tài)學方法——腐蝕、膨脹，對其感興趣區(qū)域的邊緣平滑處理。4.根據(jù)權(quán)利要求1所述的基于三維改進型脈沖耦合神經(jīng)網(wǎng)絡(luò)的三維圖像分割方法，其特征在于所述步驟(4)的感興趣區(qū)域重建，方法是將平滑后的二值圖像序列同原始圖像序列相乘，得到感興趣區(qū)域得體數(shù)據(jù)，再對此體數(shù)據(jù)用體繪制的方法進行重建。全文摘要本發(fā)明涉及一種基于三維改進型脈沖耦合神經(jīng)網(wǎng)絡(luò)的三維圖像分割方法。它是將改進型的脈沖耦合神經(jīng)網(wǎng)絡(luò)(IPCNN-Improvepulsecoupledneuralnetwork)從二維平面擴展到三維空間，利用IPCNN分割算法原理以及圖像序列的空間關(guān)系進行二值分割，再采用形態(tài)學平滑處理感興趣區(qū)域的邊緣，最后用體繪制的方法重建感興趣區(qū)域。本方法在保證分割質(zhì)量的前提下，加快了運行的速度，達到較理想的分割效果。文檔編號G06T7/00GK101719272SQ200910199560公開日2010年6月2日申請日期2009年11月26日優(yōu)先權(quán)日2009年11月26日發(fā)明者常謙,施俊申請人:上海大學