一種超聲圖像中運動探針檢測和定位方法
【專利摘要】本發明涉及一種超聲圖像中運動探針檢測和定位方法，步驟如下：1)對超聲序列圖像向量化和矩陣化，得到超聲影像數據矩陣，并交互式初始化；2)根據步驟1)形成的二維超聲影像數據矩陣進行低秩建模和稀疏分解，得到矩陣低秩模型，并進行連續奇異像素支持區的交替檢測，得到整體影像序列奇異像素支持區；3)利用步驟2)中得到的奇異像素支持區，轉化其每一列向量為原始超聲圖像單幀大小，得到單幀稀疏塊掩模區，并計算該掩模中的所有8聯通區域，選取較大區域作為檢測探針區域并進行空洞填充；4)通過計算檢測到的探針區域中心點位置方法，找到探針具體空間位置信息。
【專利說明】一種超聲圖像中運動探針檢測和定位方法
【技術領域】
[0001] 本發明涉及醫療及醫學圖像處理領域，更具體地說，涉及一種超聲圖像中運動探 針檢測和定位方法。
【背景技術】
[0002] 超聲影像運動探針監測和定位是醫學圖像導引手術治療過程中的一項關鍵技術， 其定位準確的有效性直接關系到手術的成敗。
[0003] 隨著超聲醫學影像技術的發展及對疾病進一步進行研究和治療的需要，如何利用 圖像分析引導技術從超聲圖像中快速精確的檢測運動探針區域，并定量地獲得介入式探針 器械的相關位置信息，是提高手術成功率的關鍵，并已成為在超聲影像介入式治療中一個 迫切需要解決的問題。
[0004] 目前，大多數介入式治療中運動探針位置的檢測和定位是借助于超聲醫學影像技 術，并由人工判斷，需要依賴醫生的臨床經驗，需耗費大量的人力資源。因此，讓計算機自行 對超聲圖像中的針狀物進行檢測和定位具有廣泛的實際應用價值。
[0005] 近年來，隨著一些新興圖像分割技術的出現和發展，醫學超聲圖像分割得到了迅 速的發展。然而，這些分割方法主要集中應于器官、血管的分割，而對于類似探針器械物體 的分割，國內外的研究比較少。雖然，國外有研究機構在CT和MRI圖像中做過針狀物的定 位和分割的工作，但需加入過多的先驗知識，自適應性不強，并且對噪聲較為敏感，有一定 局限性。此外，這些方法直接應用在超聲圖像中運動探針檢測和定位的準確性和魯棒性等 方面還是有許多改進的地方，離實際臨床應用還有很多工作要做。
[0006] -般而言，超聲影像圖像序列往往存在低對比度、高信噪比、邊界模糊、探針與其 他灰度相近肌能組織粘連等不利因素，使得準確的探針檢測和定位仍是一個挑戰性難題。 此外，在超聲影像圖像形成的過程中，當超聲波長與照射物體表面粗糙度相當時，就會極易 產生斑點噪聲。這些斑點噪聲的存在使得超聲圖像質量較差，尤其是掩蓋和降低了圖像某 些細節信息，在一定程度上干擾了探針位置的信息檢測，為病情診斷及定量分析帶來不利 影響。
【發明內容】
[0007] 本發明的目的在于克服現有技術的不足，提供一種能夠克服超聲圖像中密度分布 不均勻、低對比度、存在噪聲和弱邊界等不利影響的超聲圖像中運動探針檢測和定位方法。
[0008] 本發明的技術方案如下：
[0009] 一種超聲圖像中運動探針檢測和定位方法，步驟如下：
[0010] 1)對超聲序列圖像向量化和矩陣化，得到超聲影像數據矩陣，并交互式初始化；
[0011] 2)根據步驟1)形成的二維超聲影像數據矩陣進行低秩建模和稀疏分解，得到 矩陣低秩模型，并進行連續奇異像素支持區的交替檢測，得到整體影像序列奇異像素支持 區；
[0012] 3)利用步驟2)中得到的奇異像素支持區，轉化其每一列向量為原始超聲圖像單 幀大小，得到單幀稀疏塊掩模區，并計算該掩模中的所有8聯通區域，選取較大區域作為檢 測探針區域并進行空洞填充；
[0013] 4)通過計算檢測到的探針區域中心點位置方法，找到探針具體空間位置信息。
[0014] 作為優選，步驟2)的矩陣低秩模型具體通過如下模型求解：
[0015] 首先建立矩陣低秩數學模型，對于含有運動探針的超聲影像圖像序列，將每幅圖 像排列為一個向量；
[0016] 然后將所有超聲圖像序列對應的向量排列成為一個矩陣，則穩定的背景部分對應 于矩陣低秩部分，運動探針區域應于矩陣稀疏部分。
[0017] 作為優選，設定運動探針為連續出現的異常信息進行求解，設ij表示影像序列矩 陣中第j個列向量中的第i個像素 ，S e {〇, i}pXF表示奇異像素支持區，其中P為列向量維 度，F為序列幀數，則Su = 1表示ij位置為探針區域，Su = 0為背景區域；將探針檢測的 目的轉化為在構建低秩模型的情況下，尋求最佳奇異像素支持區的估計過程。
[0018] 作為優選，在奇異像素支持區的檢測過程中，通過對稀疏矩陣每一列分量轉化為 原始超聲影像圖像矩陣大小，并進行平滑處理，達到消除細小奇異像素點的目的。
[0019] 作為優選，進一步地，利用高斯模型建模，采用自適應閾值選擇法選取目標稀疏塊 掩模，來進行連續奇異像素支持區的檢測。
[0020] 作為優選，一步地，步驟3)中，單幀檢測到的單幀稀疏塊掩模區，是通過求解奇異 像素支持區得到的每一列向量的矩陣轉化形式。
[0021] 作為優選，步驟1)具體為：對于含有運動探針的超聲影像圖像序列，將每幅尺度 為m X η的圖像排列為一個向量，再將所有超聲圖像序列對應的向量排列成為一個矩陣D = [vecdi)卜· |VeC(IF)] e RpXF，其中p =mXn為向量維度，F為序列幀數，則穩定的背景部 分對應于矩陣低秩部分，而運動探針區域應于矩陣稀疏部分；
[0022] 根據統計學習理論中低秩數學模型建立規則：將含破壞的數據矩陣D e RpXF分解 為兩矩陣之和，D = A+E，其中，矩陣A是低秩的并逼近原始數據矩陣，E是稀疏的噪聲數據 矩陣；
[0023] 于是矩陣恢復可用以下為凸的優化問題來描述
【權利要求】
1. 一種超聲圖像中運動探針檢測和定位方法，其特征在于，步驟如下： 1) 對超聲序列圖像向量化和矩陣化，得到超聲影像數據矩陣，并交互式初始化； 2) 根據步驟1)形成的二維超聲影像數據矩陣進行低秩建模和稀疏分解，得到矩陣低 秩模型，并進行連續奇異像素支持區的交替檢測，得到整體影像序列奇異像素支持區； 3) 利用步驟2)中得到的奇異像素支持區，轉化其每一列向量為原始超聲圖像單幀大 小，得到單幀稀疏塊掩模區，并計算該掩模中的所有8聯通區域，選取較大區域作為檢測探 針區域并進行空洞填充； 4) 通過計算檢測到的探針區域中心點位置方法，找到探針具體空間位置信息。
2. 根據權利要求1所述的超聲圖像中運動探針檢測和定位方法，其特征在于，步驟2) 的矩陣低秩模型具體通過如下模型求解： 首先建立矩陣低秩數學模型，對于含有運動探針的超聲影像圖像序列，將每幅圖像排 列為一個向量； 然后將所有超聲圖像序列對應的向量排列成為一個矩陣，則穩定的背景部分對應于矩 陣低秩部分，運動探針區域應于矩陣稀疏部分。
3. 根據權利要求2所述的超聲圖像中運動探針檢測和定位方法，其特征在于，設定運 動探針為連續出現的異常信息進行求解，設ij表示影像序列矩陣中第j個列向量中的第i 個像素，Se{0,l}pXF表示奇異像素支持區，其中p為列向量維度，F為序列幀數，則Sij = 1表示ij位置為探針區域，Su =O為背景區域；將探針檢測的目的轉化為在構建低秩模型 的情況下，尋求最佳奇異像素支持區的估計過程。
4. 根據權利要求2所述的超聲圖像中運動探針檢測和定位方法，其特征在于，在奇異 像素支持區的檢測過程中，通過對稀疏矩陣每一列分量轉化為原始超聲影像圖像矩陣大 小，并進行平滑處理，達到消除細小奇異像素點的目的。
5. 根據權利要求4所述的超聲圖像中運動探針檢測和定位方法，其特征在于，進一步 地，利用高斯模型建模，采用自適應閾值選擇法選取目標稀疏塊掩模，來進行連續奇異像素 支持區的檢測。
6. 根據權利要求1所述的超聲圖像中運動探針檢測和定位方法，其特征在于，進一步 地，步驟3)中，單幀檢測到的單幀稀疏塊掩模區，是通過求解奇異像素支持區得到的每一 列向量的矩陣轉化形式。
7. 根據權利要求3所述的超聲圖像中運動探針檢測和定位方法，其特征在于，步 驟1)具體為：對于含有運動探針的超聲影像圖像序列，將每幅尺度為mXn的圖像排 列為一個向量，再將所有超聲圖像序列對應的向量排列成為一個矩陣D= [Vec(I1)I… vec(If)]eRpxf，其中p=mXn為向量維度，F為序列幀數，則穩定的背景部分對應于矩 陣低秩部分，而運動探針區域應于矩陣稀疏部分； 根據統計學習理論中低秩數學模型建立規則：將含破壞的數據矩陣DeRpxf分解為兩 矩陣之和，D=A+E，其中，矩陣A是低秩的并逼近原始數據矩陣，E是稀疏的噪聲數據矩陣； 于是矩陣恢復可用以下為凸的優化問題來描述：1?1subjecttoA+E= D;其中，目標函數為矩陣A的秩以及噪聲矩陣E的零范數，A為噪聲所占的權重。
8. 根據權利要求3所述的超聲圖像中運動探針檢測和定位方法，其特征在于，讓H(A'> 表示在奇異像素支持區S的映射的情況下對矩陣X的映射變換，
設巧..0)為其互補變換，則^UO+ = ^ 由于矩陣的核范數是矩陣秩的包絡，當矩陣的〇范數和1范數等價時，矩陣恢復過程可 以通過以下優化模型求解出低秩部分A和稀疏支持區S:
其中，核范數Irt=ZI而(A)，〇k(A)表示矩陣A的第k個較大奇異值，參數X為大于 0的正數； 針對此優化函數為非凸的，并且含有約束條件，根據D=A+E，可以利用以下能量優化 函數進行低秩模型構建和奇異區域支持區檢測：
9. 根據權利要求8所述的超聲圖像中運動探針檢測和定位方法，其特征在于，采取交 替求解方法進行A和S的求解，步驟如下： 當給定初始估計的奇異像素支持區，則低秩矩陣A的恢復可以轉化以下矩陣補全問 題：
此問題描述為從部分觀測數據中進行矩陣補全求解，采取SOFT-MPUTE算法進行迭代 求解：
其中，?a =USaV'，為奇異值閾值操作算子，2a =diagKdi-a)+，…，（dr_a)+]，diag[ ?]為矩陣對角算子，U2V'為的SVD分解，Cl1，…，4為其奇異值；t+ =max(t，0)，t+ 是（Cl1-Ci)+中的元素取值算子。
10. 根據權利要求9所述的超聲圖像中運動探針檢測和定位方法，其特征在于，稀疏支 持矩陣S由稀疏矩陣E的奇異值分布決定： 給定低秩矩陣則稀疏奇異矩陣E通過D-i獲得,將稀疏矩陣E進行如下絕對值歸一 化操作：
對于歸一化后的稀疏矩陣f中每一個t列分量轉化為原始超聲影像圖像矩陣大小 并利用9X9維零均值二維高斯濾波進行平滑處理，達到 消除細小奇異點的目的：&，其中符號為卷積操作算子； 針對獲得的單幀前景稀疏塊矩陣^n0r利用高斯模型建模：
并采用自適應閾值選擇法選取目標稀疏塊掩模，其中閾值T=il+O,則稀疏塊掩模可通 過以下式子得到：
其中，I<x<m，l<y<n，l<t<F，p=mXn; 通過矩陣與向量之間的轉化得到：
采取交替求解方法進行』和,§的求解，直到收斂為止。
11. 根據權利要求6所述的超聲圖像中運動探針檢測和定位方法，其特征在于，根據向 量和矩陣轉換規則，針對每一個與原始影像圖像矩陣大小相同的稀疏掩模矩陣知Kx,.V/)， 進行8連通域檢測，并將8連通區域作為第當前第t幀目標探針檢測區域|ms(x，.v,〇 ,并進 行空洞填充。
12. 根據權利要求11所述的超聲圖像中運動探針檢測和定位方法，其特征在于，根據 得到的探針檢測區域結果，通過計算檢測到的探針區域中心點位置方法，找到探針具體位 置（/，/，t)，其中
【文檔編號】G06T7/00GK104268878SQ201410507562
【公開日】2015年1月7日 申請日期:2014年9月28日 優先權日:2014年9月28日
【發明者】柳欣, 鐘必能, 王華珍, 孫增國, 杜吉祥 申請人:華僑大學