基于加速健壮特征拟合算法和ChanVese模型超声图像腔室分割方法.docVIP

基于加速健壮特征拟合算法和ChanVese模型超声图像腔室分割方法 　　摘要：针对超声心动周期序列图的腔室自动分割过程中，弱边缘轮廓难以有效提取的问题，提出一种基于加速健壮特征（SURF）拟合算法和ChanVese模型的超声图像腔室分割方法。首先对序列中第一帧图像进行人工标记弱边缘轮廓；然后，提取弱边缘轮廓周围的SURF点，建立Delaunay三角网；接着，通过相邻两帧之间的特征点匹配，预测后续帧的弱边缘轮廓；之后，用ChanVese模型提取粗糙轮廓；最后采用区域生长算法得到精确的目标轮廓。实验结果表明，该算法能较好地完整提取超声序列图像中含弱边缘的腔室轮廓，并且与专家手动分割结果相近。 　　关键词：超声心动图； ChanVese模型；Delaunay三角网；加速健壮特征算法；腔室分割 　　中图分类号：TP391.41 　　文献标志码：A 　　Abstract：During the automatic segmentation of cardiac structures in echocardiographic sequences within a cardiac cycle， the contour with weak edges can not be extracted effectively. A new approach combining Speeded Up Robust Feature （SURF） and ChanVese model was proposed to resolve this problem. Firstly， the weak boundary of heart chamber in the first frame was marked manually. Then， the SURF points around the boundary were extracted to build Delaunay triangulation. The positions of weak boundaries of subsequent frames were predicted using feature points matching between adjacent frames. The coarse contour was extracted using ChanVese model， and the fine contour of object could be acquired by region growing algorithm. The experiment proves that the proposed algorithm can effectively extract the contour of heart chamber with weak edges， and the result is similar to that by manual segmentation. 　　英文关键词Key words：echocardiography； ChanVese model； Delaunay triangulation；Speeded Up Robust Feature （SURF） algorithm； chamber segmentation 　　0 引言 　　超声心动图的腔室的正确分割与提取，对临床定量分析、病灶判断、医学辅助诊断有着重要的意义。但由于医生手动分割超声图像心室十分耗时、人工成本巨大，就衍生出对超声心动图的腔室自动分割的急切需求。 　　近年来超声图像的自动分割技术发展迅速，目前常用的超声图像主流分割方法有几何活动轮廓、参数活动轮廓[1]、统计模型[2]、分类分割[3-4]等方法。然而由于超声图像的散斑噪声、部分轮廓边缘模糊和算法本身一些特性，导致这些算法对超声心动周期图的腔室的分割并不理想，都存在各种缺陷：如几何活动轮廓漏检弱边缘造成边界泄露；参数活动轮廓的模型参数难以调整确定，无法收敛到要求的弱边缘；统计模型易受噪声影响和漏检弱边缘；分类分割在弱边缘地带容易错分类[5-6]。 　　由于大多数方法都无法分割好超声心脏腔室的弱边缘，针对此问题，本文提出一种针对超声心动周期图腔室的自动分割方法。此方法主要根据超声心动周期图的图像帧前后差别变化不大的特点，通过手动标记初始帧图像的目标腔室的弱边缘，结合加速健壮特征（Speeded Up Robust Feature， SURF）拟合算法[7]和Delaunay三角网格模型[8]，对后续帧的弱边缘进行预测并标定，之后用CV（ChanVese）模型[9]进行分割。这样就很好利用了CV模型对超声图像的强