前言

肝脏图谱包括灰度图像和对应的标签图像，基于图谱的方法主要是利用肝脏图谱灰度图像到目标图像的非刚性配准来达到分割的目的，现有图谱方法存在如下缺点：
1. 图谱易偏向所选择的初始模板图像特定解剖结构
2. 灰度图像对其到目标图像是易产生较大配准误差
为了解决上述问题，提出了基于稀疏表示变形模型。

肝脏分割方法

  • 新提出的肝脏分割方法主要包括训练和测试连个阶段：

    训练与测试阶段的流程图

  • 在训练阶段构建得到图谱和基于稀疏表示变形模型（SRDM）。在测试阶段，当输入一副带分割的CT图像时，首先寻找将肝脏图谱的灰度图像对齐到目标图像法的非刚性变换，并依据训练得到的变形模型对这一变换进行正则化，然后利用正则化后的非刚性变换将肝脏图谱的标签图像传播到目标图像，就得到了初始的分割结果，最后再利用可变形Simplex网格方法对获取的初始结果进行进一步细分。

构建肝脏图谱

  • 采用迭代方法构建图谱，并采用最小变形目标（MDT）方法获取初始的平均模板。具体步骤如下：

    1. 准备一组预处理的训练图像{Ii|i=1..k}和对应的二值图像{Li|i=1…k}，从中选择一幅最接近平均肝脏形状的图片作为初始模板图像（比如I1）

    2. 计算出模板图像I1对齐到其它所有训练图像的平均非刚性变换`T1

      T1 = 1/(k-1)*(T1j)  j=2...k

      T1j是将I1对齐到训练图像Ij的非刚性变换
      这样模板图像I1的最小变形目标目标MDT1 = `T1（I1），即将得到的平均非刚性变换。

    3. 由于非刚性配准算法具有保持拓扑结构的性质，MDT1会偏向于初始模板I1的特定形状，因此本文将MDT1定义为初始的平均模板，采用迭代的方法构建最终的肝脏图谱，迭代过程见算法（3-1）。

    4. 所有非刚性图像配准均采用基于B样条的自由变形模型（FFD），通过上述过程可以得到一组K幅对齐了的训练样本{Ii|i=1..k}和对应的二值图像{Li|i=1...k},最终的图谱就是它们的平均值;

       （`I,`L）

算法3-1 对齐训练数据迭代过程伪代码

构建基于稀疏表示变形模型

  • 通过图谱灰度图像`I非刚性地配准到这些处理后的训练图像用于构建变形模型的非刚性变换，这一过程得到了一组K个用于训练的非刚性变换{Ti|i=1,2…k}.