[发明专利]医学影像的目标区域边界确定装置和方法

说明书

技术领域

本发明涉及医学影像的目标区域边界确定方法和装置，以及利用确定的目标区域边界来确定生理参数。更具体地，本发明涉及基于真实超声影像数据测定心脏生理参数。

背景技术

医学成像已经成为现代医疗不可或缺的一部分，其应用贯穿整个临床工作，不仅广泛用于疾病诊断，而且在外科手术和放射治疗等的计划设计、方案实施以及疗效评估方面发挥着重要作用。目前，医学图像可以分为解剖图像和功能图像两个部分。解剖图像主要描述人体形态信息，包括X射线透射成像、CT、MRI、US等。

特别是在现代心脏病的诊断与治疗方面，利用计算机技术对医学影像进行定量分析成为重要的技术改进方向，用以增加诊断的客观性，并且更容易掌握操作，能够减少对阅片人的经验依赖，排除不同阅片人之间的判断差异。进一步，本领域渴望基于心脏图像摄影序列更准确获知心脏的量化的生理参数，例如，心室的容积、心肌质量、心腔壁增厚、心脏射血分数（EF值）等等。准确获取心脏射血分数具有重要意义，根据心脏射血分数可以推算心脏的射血能力，是判断心功能的重要参数。

3D超声是一种无探伤的影像检查技术，在心脏疾病的探查中，其具有成像速度快且成本低的特点，因此，在心脏病诊断与治疗方面应用最为广泛。在3D超声影像中分析心腔容积、射血分数、心肌的体积和质量等生理参数是进行诊断的重要依据。但是，由于超声心动图含有大量噪声，且心腔的内膜和心肌的边缘是不规则的（尤其是发生病变的心腔和心肌），从而给相关定量计算带来了困难。其中的困难之一，是如何准确地得到心内膜的边界，以及如何准确针对心脏的不规则的变化进行计量。本领域长期致力于提高超声影像获取生理参数的准确性和可操作性。

目前在临床上较为普便使用的心脏射血分数（EF值）测定方法是以交互的方式定义一些控制点，并通过数学建模，使用一系列模拟的几何形状来逼近心腔，因而是很不准确的。

多件专利公开文献采用上述手段。例如，JP2002085404，题为《超声波图像处理器》（ultrasonic imaging processor），教导将心腔分为20段来近似统计其容积。EP123617，教导使用分段的曲线来描述心腔。JP2008073423，教导用50多个影像集合的参考轮廓来插值得到近似心腔。EP1998671(A1)，教导利用鼠标点出几个控制点，和一个模板匹配达到自动分割。EP2030042（A1）教导了一种手工标记少量控制点，结合训练出的模板得到心内膜。

常规技术中，较多采用先验模型处理数据，以获得具有复杂形状，例如心脏和心肌等的与体积或容积相关的生理参数。

关于先验模型，是基于统计学的一个模型，指要分析的数据集合服从某种未知概率分布，并且和一个已知样本的数据集合之间有确定的联系。为了求出这个未知分布，需要在已经样本数据集合上计算其服从的概率分布，这个能事先算出的概率分布或参数就被称为是先验模型。

病变的心脏和正常的心腔相比，通常来说，不再是一个能用上述模型估算的心腔。病变心脏的心腔具有不可预测的形状改变，而且心内膜不规则（如：肿瘤占位室壁瘤、心壁增厚）。心腔形状的改变导致射血功能减低，心瓣膜功能不全等症状。

在临床应用方面，已有预先计算多帧影像后得到心腔的先验形状模型，通过和当前影像上心腔的近似几何模型对比，修正得到当前影像上的心腔。但是，这类先验模型是根据正常的心脏计算得到的，在实际的临床应用中，对于病变的心脏，该方法难以保证获得准确的结果。

参见Hansson M,Fundana K,Brandt S.S,Gudmundsson P.Convex spatio-temporal segmentation of the endocardium in ultrasound data using distribution and shape priors.Biomedical Imaging:From Nano to Macro,2011,Page(s):626-629。该文献提出了使用机器学习和形态学结合的方法来做心腔分割，提出使用瑞利分布为基础建立一个概率模型，该模型用来计算当前区域属于心腔内部的概率和当前区域属于心腔外部的概率。然后使用大量的超声图像数据来训练该模型，得到概率模型中的各参数估计值。最后使用该概率模型计算出来的概率作为先验，结合先验的心腔形态学模型来做新图像中心腔的分割。