1.本公开涉及计算机程序和系统的领域，并且更具体而言涉及用于对人类大脑的医学图像进行分割的
方法、系统和程序。
背景技术：
2.有若干种方法、系统和程序用于从磁共振成像(mri)图像来重建人类大脑的3d模型。mri图像提供关于患者头部组织的信息，
所述组织包括大脑组织和非大脑组织(例如，颅骨、硬脑膜和眼睛)。仅大脑组织对3d重建相关，因此所述mri图像需要被预处理，以便从所述图像的其他部分中移除非大脑组织，例如，从mri数据中提取白质、灰质和/或脑室脑脊液(csf)。
3.例如，诸如smith,s.m,(2002)的“fast robust automated brain extraction”的方法从患者头部的结构性磁共振成像(mri)图像中执行基于网格的图像分割。诸如smith,s.m.的方法的各方法取决于控制分割的质量的主要参数。然而，不存在相对于给定输入mri图像实现最佳拟合的预定义值。这是因为任何最佳拟合值都根据特定mri图像而不同，这继而取决于多个不受控制的变量，例如，不同的mri设备、采集序列、mri图像采集参数，诸如对比度、噪声、分辨率。mri图像也取决于受检患者而变化。
4.在这样的方法中，用户需要人工地调节分割算法的参数，并且需要执行若干个测试运行以获得最佳拟合模型。因此，用户需要在视觉上识别运行是否导致分割过度的大脑(包括不属于大脑的组织)，或者导致分割不足的大脑(其中缺失大脑的一些组织)。在一个方面中，该过程在医学图像的大数据集上确实是不切实际的。另一方面，依赖于人工选择引入了用户偏差。
5.在这种上下文中，仍然需要用于对人类大脑的医学图像进行分割的经改进的方法。
技术实现要素：
6.因此，提供了一种对人类大脑的医学图像进行分割的计算机实现的方法。所述方法包括提供所述人类大脑的体素化3d医学图像，所述3d医学图像的每个体素包括表示所述人类大脑的组织特性的至少一个值。所述方法也包括使用大脑提取工具(bet)方法来计算所述人类大脑的至少两个表面模型，所述大脑提取工具方法取决于在0与1之间变化的分数
常数b
t
，每个表面模型都是针对独有的分数常数b
t
而计算的。所述方法还包括，针对每个计算的表面模型，确定在所计算的表面模型中所包括的体积(volume_b
t
)，由此获得一组样本对(b
t
,volume_b
t
)。所述方法包括将
曲线拟合到所述一组的样本对(b
t
,volume_b
t
)。所述方法包括确定所述曲线的拐点。所述方法包括识别与所确定的拐点相对应的分数常数所述方法也包括使用取决于所识别的分数常数的所述bet方法来计算人类大脑的表面模型。
7.在示例中，所述方法还可以包括以下特征中的一个或多个：
[0008]-所述体素化3d医学图像是磁共振成像(mri)图像；
[0009]-所述曲线是平滑曲线；
[0010]-所述平滑曲线是b
é
zier曲线；
[0011]-所述b
é
zier曲线具有的阶数(degree)大于四并且低于八；
[0012]-所述拟合所述曲线包括求解最小二乘问题；
[0013]-确定所述曲线的所述拐点包括：
[0014]
○
计算所述曲线的一阶导数；以及
[0015]
○
根据所述曲线的所述一阶导数为零的点计算所述曲线的拐点。
[0016]-计算所述一阶导数包括计算所述曲线的样本点之间的有限差异；
[0017]-计算所述曲线的所述拐点包括：
[0018]
○
计算所述曲线的二阶导数；
[0019]
○
通过以下操作来计算所述曲线的所述拐点：
[0020]
■
对所述曲线的所述二阶导数的点均匀地采样；
[0021]
■
确定所述曲线的所述二阶导数中具有零值的采样点；
[0022]
■
计算包围所确定的具有零值的点的采样点的邻域；
[0023]
■
确定针对在采样点的所述邻域处的至少一对采样点的符号的改变；
[0024]-识别与所确定的拐点相对应的所述分数常数是通过将所确定的拐点设置为所述分数常数来执行的；
[0025]-计算所述人类大脑的所述至少两个表面模型是在所述分数常数b
t
的样本上并行化进行的；
[0026]-所获得的一组样本对(b
t
,volume_b
t
)是针对在区间[0.4,0.8]之间包括的分数常数b
t
而确定的。
[0027]
也提出了一种包括指令的计算机程序，所述指令用于执行所述计算机实现的方法。
[0028]
还提出了在其上记录有计算机程序的计算机可读存储介质。
[0029]
还提出了一种系统，所述系统包括被耦合到存储器和图形用户界面的处理器，所述存储器在其上记录有所述计算机程序。
附图说明
[0030]
现在将参考随附的附图来描述非限制性示例，其中：
[0031]
图1示出了方法的示例的流程图；
[0032]
图2示出了大脑提取工具的示例；
[0033]
图3示出了取决于分数常数b
t
的不同表面模型的示例；
[0034]
图4示出了绘示不同体积-分数常数样本对(b
t
,volume_b
t
)的曲线图；
[0035]
图5示出了样本对上的示例性拟合曲线；
[0036]
图6示出了所述曲线的反曲点曲线；
[0037]
图7a到图7d示出了伴随误差度量的不同实现方式示例；
[0038]
图8示出了在根据现有技术计算的经分割的大脑与根据所述方法计算的经分割的大脑之间的对比；
[0039]
图9示出了在根据现有技术计算的经分割的大脑与根据所述方法计算的经分割的大脑之间的其他对比；以及
[0040]
图10示出了系统的示例。
具体实施方式
[0041]
参考图1的流程图，提出了一种对人类大脑的医学图像进行分割的计算机实现的方法。医学图像是人类身体的至少一部分的、可以在计算机上可视化的任何表示。医学图像可以从不同的医学成像技术获得，所述医学成像技术扫描人类身体以扫描内部(例如，被皮肤隐藏)结构，诸如骨骼、器官以及其他组织。医学成像技术可以结合例如来自放射学、磁共振成像、超声、内窥镜检查、弹性成像、触觉成像、医学摄影等的技术。医学成像技术扫描内部组织并且通过向医学图像的表示的每个分量分配值来创建医学图像，例如，分量是人类大脑的组织特性。所述方法包括提供s10通过医学成像技术获得的人类大脑的体素化3d医学图像。通过“体素化3d医学图像”意指通过体素表示的任何医学图像。体素是可以在三维网格上通过三维坐标(例如，x-y-z坐标)标识的体积元素。在所述三维网格中的体素数量限定图像的体素分辨率。所述体素分辨率可以由获得体素化3d医学图像的医学成像技术来预定义。所述体素可以包括3d建模对象的进一步的信息，诸如，例如深度、颜、不透明度或者表示要在网格中表示的人类身体的部分(例如，表示诸如皮肤或肌肉的组织)的任何其他值。体素化3d医学图像的一些示例包括从诸如mri数据、超声或者ct扫描等医学成像技术获得的体素化图像。人类大脑的体素化3d医学图像可能已经通过医学成像技术获得，其中，所述医学成像技术可以在3d医学图像的每个体素上分配不同变量的一个或多个值。亦即，每个体素可以包括可以被分配值的不同变量，并且医学成像技术可以针对每个对应体素来编码表示特征组织的对应变量的固定值。
[0042]
3d医学图像的每个体素包括表示人类大脑的组织特性的至少一个值。人类大脑的组织特性可以是在前脑、中脑、后脑和脑室脑脊液中所包括的任何组织。换言之，人类大脑的大脑组织特性可以是由髓质勾勒(并且包括)的神经系统的顶部的任何组织。例如，非人类大脑特性组织包括例如视神经、眼睛、头皮、脑室外脑脊液、硬脑膜或者耳鼻喉区域。表示人类大脑的组织特性的至少一个值可以是被分配给在每个体素中编码的变量的任何类型的值(例如，标量或多维矢量)，其中，所述变量表示人类大脑的组织特性。亦即，所述变量可以在对应体素处表示例如脑组织和/或非脑组织，并且所述至少一个值是被分配给对应体素处的所述变量的当前值。因此，体素化3d医学图像的每个体素被分配对应变量的当前值，如由例如捕获所述医学图像的医学成像过程所分配的那样。当前值可以由任何类型的惯例来设定，例如，非负归一化值，其中，零值指示所述变量不编码特征组织的表示，并且值1指示所述变量编码特征组织的表示。
[0043]
所述方法也包括使用大脑提取工具(bet)方法来计算s20人类大脑的至少两个表面模型。所述bet方法是分割人类大脑的体素化医学图像的方法。亦即，所述bet方法以至少一幅医学图像为输入，并且输出体素化图像的分割，即，所述bet方法生成体素化图像的划分并且输出与所述划分之一相对应的(三维)表面模型。对于所述bet方法而言，所述方法检测所述体素化医学图像中的人类大脑的边界并且输出由所述边界勾勒出的表面模型。所述bet方法取决于在0与1之间变化的分数常数b
t
。亦即，所述bet方法也以分数常数b
t
为输入，
并且输出模型表面也取决于该输入。分数常数b
t
修改所述bet方法如何在体素化图像中检测人类大脑的边界，并且可以修改所输出的模型表面。实际上，所述bet方法仅分割具有人类大脑的至少一个值的体素；然而，所述医学图像可以包括其他组织的若干个值，例如，在实际值区间之内。所述分数常数b
t
确定非特性组织的值的截止值。具有截止值之下的非特性组织的值的体素确定经分割的模型的边界，由此被从所述分割排除。
[0044]
所述bet方法可以由现有技术中的任何已知方法来实施，例如，“fast robust automated brain extraction”，smith,s.m,2002nov；17(3):143-55.doi:10.1002/hbm.10062。
[0045]
在一个或多个(全部)示例(亦即，对于在本说明书中所描述的一个或多个示例的任何可能组合)中，可以使用在文献“fast robust automated brain extraction”，smith,s.m,2002nov；17(3):143-55.doi:10.1002/hbm.10062中所描述的原始bet方法以用于执行相关方法步骤，因此通过引用将该整个文献的内容并入本文。尤其是，图1表示原始bet处理流程图的步骤；从145页右列的章节到151页，包括左列的第一段和第二段(被称为“second pass:increased smoothing”)涉及图1的流程图，并且描述图1的流程图的示例。因此，通过引用将图1的内容和上文提到的章节并入本文。因此，在一个或多个(全部)示例中，当本发明的方法提到“使用bet方法来计算人类大脑的表面模型”时，执行通过引用并入的原始bet方法的以下步骤：
[0046]
(i)估计基本图像和大脑参数，如在145-146页上所公开的；
[0047]
(ii)通过表面铺砌对大脑表面进行建模，如在146页上所公开的；
[0048]
(iii)通过估计应当将该体素移动到哪里最好，来更新铺砌表面的每个体素，以改善所述表面，如在147页上所公开的；因此，针对每个体素，使用以下子步骤来计算小的更新移动矢量u：
[0049]
(iii.a)到本地单位矢量表面法线n，如在147页上所公开的；
[0050]
(iii.b)计算与所述体素相邻的所有体素的平均位置，如在147页上所公开的；
[0051]
(iii.c)计算更新移动矢量u的第一分量u1，所述第一分量与本地表面相切，如在147页上所公开的；
[0052]
(iii.d)从在147页上的方程(1)的sn导出更新移动矢量u的第二分量u2，如在147和148页上所公开的；
[0053]
(iii.e)计算更新移动矢量u的第三分量u3，所述第三分量u3是实际与图像交互的项，尝试迫使所述表面模型拟合到真实大脑表面。如在149页中所描述的那样来执行所述计算。
[0054]
(iii.f)使用方程(13)利用第一分量、第二分量和第三分量来计算所述更新移动矢量u，如在150页上所公开的；
[0055]
(iv)执行检查以发现经更新的铺砌表面的自相交，并且如果发现所述表面自相交，则利用高得多的平滑度约束来重新运行步骤(iii)，如在151页上所公开的；
[0056]
所述bet方法例如可以取单幅体素化图像作为输入，并且根据至少两个分数常数b
t
作为输入来执行分割，例如，针对多个分数常数b
t
中的每个分数常数顺序地执行每次分割，或者利用并行处理器来执行每次分割，其中，所述处理器的每个线程执行所述bet方法的实例，取相同的体素化图像和多个分数常数b
t
中的不同分数常数作为输入。由于所述bet
方法根据对应输入分数常数b
t
的值输出模型表面。例如，每个分数常数b
t
可以在范围[0,1]之间(例如，[0.1,0.2,
…
,0.9])在离散值处变化。所述bet方法从所提供的体素化3d医学图像来计算表面模型，并且根据对每个值的依赖性来输出表面模型。针对独有的分数常数b
t
来计算至少两个表面模型的每个表面模型。
[0057]
针对每个计算的表面模型，所述方法也包括确定s30在所计算的表面模型中所包括的体积volume_b
t
，由此获得一组样本对(b
t
,volume_b
t
)，例如，一组样本对[(0.1,volume_0.1),(0.2,volume_0.2),
…
,(0.9,volume_0.9)]。所述一组样本对(b
t
,volume_b
t
)可以被视为定义函数的曲线图，其中，所述分数常数的每个值与所述函数的域中的点相对应，并且对应体积与所述函数的上域相对应。可以通过将大脑的经分割的表面模型的若干体素相加来计算所述体积。
[0058]
所述方法也包括将曲线拟合s40到所述一组的样本对(b
t
,volume_b
t
)。能够将该过程视为连续地内插由所述一组样本对定义的函数的曲线，由此允许对由连续内插(其具有离散性质)而非曲线实现的近似执行操作。所述方法也包括确定s50所述曲线的拐点。亦即，所述方法确定所述曲线中所述曲线与切线相交的点。当曲线的导数是相对最大值或最小值时就是这种情况。相对最大值或最小值的表述涵盖了所述曲线的导数是绝对最大值或最小值的情况。因此，在相对最大值或最小值的情况下，所述曲线能够具有一个平台(在绝对最大值或最小值的情况下)或者若干个平台。所述方法也包括识别s60与所确定的拐点相对应的分数常数b
t
。亦即，所述方法包括在曲线中拟合曲线的曲率改变符号的点处识别分数常数b
t
。所述方法也包括使用取决于所识别的分数常数b
t
的所述bet方法计算s70人类大脑的表面模型。
[0059]
这样的方法改善了人类大脑重建。实际上，所计算的模型取决于与拐点相对应的所识别的分数常数b
t
。所述拐点确定所述曲线的平坦区域。亦即，所识别的分数常数b
t
周围的小的变化在所输出的表面模型中产生小的变化，即，对应的体积保持相似。发明人已经发现：所述曲线的具有小的变化的区域与分割人类大脑的组织特性的满意值相对应。继而，所述方法改善了用户的使用人类工程学，因为所述搜索最佳拟合表面模型的自动化将用户从执行分数常数b
t
的人工精细调谐中解放出来。所述方法对于体素化3d医学图像的大数据集尤其有效率。一方面，所述方法独立于体素化3d医学图像的体素分辨率来确定所述曲线。这是因为对所述曲线的确定取决于在步骤s30中所确定的计算的表面模型的体积，而不是3d医学图像的体素分辨率。当处理低分辨率3d体素化图像时尤其是这样的，其中，直接计算体积可能由于体素的大尺寸而引入噪声。因此，所述方法对于跨各种体素分辨率的变化到输出表面模型特别有效率。另一方面，由所述方法实现的自动化移除了操作者之间的偏差。不能够期望人类精确的细调来对每幅体素化3d医学图像执行大脑表面模型计算。由所述方法实现的对表面模型的计算的自动化实现了研究结果的质量的改善。实际上，精确的全脑表面模型对于进一步处理发挥了重要作用，例如，大脑图集分割、配准或者针对阿尔茨海默病的大脑体积估计。
[0060]
所述方法是计算机实现的。这意味着，所述方法的步骤(或者基本全部步骤)是由至少一个计算机或者任何相似系统执行的。因此，所述方法的步骤由计算机可能全自动或者半自动地执行。在示例中，可以通过用户-计算机交互来执行对所述方法的步骤中的至少一些步骤的触发。所需的用户-计算机交互水平可以取决于与实现用户的希望所需平衡而
遇见并且投入的自动化水平。在示例中，该水平可以是用户定义的和/或预定义的。
[0061]
方法的计算机实现的典型示例是利用适于该目的的系统来执行所述方法。所述系统可以包括被耦合到存储器和图形用户界面(gui)的处理器，所述存储器在其上记录有包括用于执行所述方法的指令的计算机程序。所述存储器也可以存储数据库。所述存储器是适于这样的存储的任意硬件，可能包括若干物理不同的部分(例如，一个用于程序，并且可能一个用于数据库)。
[0062]
图10示出了所述系统的示例，其中，所述系统是客户端计算机系统，例如，用户的工作站。
[0063]
所述示例的客户端计算机包括被连接到内部通信总线1000的中央处理单元(cpu)1010，随机存取存储器(ram)1070也被连接到总线。所述客户端计算机还具备与被连接到总线的视频随机存取存储器1100相关联的图形处理单元(gpu)1110。视频ram 1100在本领域中也被称为帧缓存器。大容量存储设备控制器1020管理对诸如硬盘驱动器1030的大容量存储设备的访问。适合于有形地体现计算机程序指令和数据的大容量存储设备包括所有形式的非易失性存储器，例如包括半导体存储设备，诸如eprom、eeprom和闪存存储设备；诸如内部硬盘和可移动磁盘的磁盘；磁光盘；以及cd-rom盘1040。前述中的任何内容都可以由专门设计的asic(专用集成电路)补充或者并入其中。网络适配器1050管理对网络1060的访问。客户端计算机也可以包括诸如光标控制设备的触觉设备1090、键盘等。光标控制设备在客户端计算机中被用于许可用户在显示器1080上的任何期望的位置处选择性定位光标。另外，光标控制设备允许用户选择各种命令以及输入控制信号。光标控制设备包括若干信号生成设备，用于向系统输入控制信号。典型地，光标控制设备可以是鼠标，鼠标的按钮被用于生成信号。替代地或另外地，所述客户端计算机系统可以包括敏感垫和/或敏感屏。
[0064]
计算机程序可以包括由计算机可执行的指令，所述指令包括用于使得以上系统执行所述方法的模块。所述程序可以记录在任何数据存储介质上，包括系统的存储器。例如，所述程序可以被实现在数字电子电路中或者被实现在计算机硬件、固件、软件或者其组合中。所述程序可以被实现为装置，例如，有形地体现在机器可读存储设备中以用于由可编程处理器执行的产品。方法步骤可以由可编程处理器来执行，所述可编程处理器通过对输入数据进行操作并且生成输出来运行指令的程序以执行所述方法的功能。所述处理器因此可以是可编程的，并且被耦合以在指示一个输入设备处从数据存储系统接收数据和指令并且在指示一个输出设备处将数据和指令发送到数据存储系统的至少一个可编程处理器。可以用高级流程或面向对象的编程语言，或者如果需要用汇编或机器语言，来实现该应用程序。在任何情况下，所述语言可以是编译语言或解释语言。所述程序可以是完整安装程序或者更新程序。在系统上对程序的应用在任何情况下都导致指令用于执行所述方法。
[0065]
所述bet方法，例如，诸如在文献“fast robust automated brain extraction”，smith,s.m,2002nov；17(3):143-55.doi:10.1002/hbm.10062中所公开的方法，取决于在0与1之间变化的分数常数b
t
。亦即，针对给定分数常数b
t
(亦即，在0与1之间的区间中给出并且被提供为对所述bet方法的参数)和所提供的体素化3d医学图像，所述bet方法从输入来输出大脑的表面模型，其中，已经移除了非大脑体素。换言之，所述bet方法执行二进制掩模，所述二进制掩模将大脑从所提供的体素化3d医学图像中分割出来，其中所得到的质量依赖于给定的分数常数b
t
。
[0066]
所述bet方法可以设置与所述体素化3d图像相交的初始表面(所述初始表面为网格)。例如，初始形状可以是网格球体。所述bet方法可以根据任何方法来设置初始表面。例如，所述bet方法可以在图像的中心上放置初始球体。在其他示例中，所述bet方法可以执行基本估计，所述基本估计将人类大脑的至少一个值特性与其他值区分开，例如，定义其中所述至少一个值高于背景阈值t的初始区域。所述方法可以通过计算3d体素化图像的所有体素的至少一个特征值的累积柱状图来计算背景阈值t。所述方法可以首先定义全局最小值阈值t2，可以将其选取为位于累积分布的2％处的值。所述方法也可以定义全局最大值阈值t
98
，可以将其选取为位于累积分布的98％处的值。所述方法可以将背景阈值t确定为位于全局最小值阈值t2与全局最大值阈值t
98
间10％处的值。所述方法然后可以从其至少一个值高于背景阈值t的体素来计算重心，并且在重心的位置处放置所述初始形状。所述方法也可以确定在初始形状之内所包围的所有体素的至少一个值的中值tm。
[0067]
所述bet方法可以执行膨胀过程，使得所述初始表面填充由人类大脑限定的空间，即，所述方法将所述初始表面的边界从其初始位置向外位移以填充所述空间。所述bet方法的所述膨胀可以通过真实三维空间而不是体素化3d图像的体素坐标来执行，以允许不受体素的分辨率的约束的局部变形。对此，所述bet方法可以沿着头部具有表示相似组织特性的相似值的体素执行对网格的膨胀。所述bet方法可以针对所述形状的每个体素来计算移动矢量，由此限定所述表面的膨胀过程的方向，并且沿着移动矢量的法线来移动顶点。只要表示相似特性的值存在突变，移动矢量就可以停止膨胀过程。下文解释了示例。
[0068]
所述方法可以如下在所述表面的网格的顶点周围进行循环(由此在所述表面的网格的所有顶点间执行膨胀过程)：所述方法可以在与循环的迭代相对应的顶点周围的顶点对周围来计算单位矢量表面法线。接下来，所述方法可以计算与对应于所述迭代的顶点相邻的顶点的平均位置。所述相邻可以被设置为具有经由边到与所述迭代相对应的顶点的(直接或间接)连接的顶点的连接程度。例如，与对应于迭代的顶点具有连接程度一的相邻顶点是具有到直接连接到所述顶点的边的顶点；更高的连接程度(例如，二)包括存在将相邻顶点连接到与所述迭代相对应的顶点的边的路径的相邻顶点。这仅仅是实现方式的问题，并且仅修改由膨胀过程执行的表面的局部变形的水平。所述方法可以设置移动矢量的切向分量相对于与对应于迭代的顶点相邻的所有顶点的平均位置相切。
[0069]
所述移动矢量的法向分量可以被设置为相对于与对应于所述迭代的顶点相邻的所有顶点的平均位置正交。所述移动矢量的法向分量反映平均位置的向外移动，并且取决于分数常数b
t
。所述方法根据力项来控制所述膨胀过程，所述力项是针对每个顶点来迭代地计算的并且可以基于顶点周围的顶点的对应特性值。所述方法通过以下操作来计算该项：沿着所述迭代的顶点的法线的向内方向确定所述顶点(与所述迭代相对应)周围的至少一个特征值的最大值c
max
(vertex)，以及在所述顶点周围的至少一个特征值的最小值c
min
(vertex)。所述最大值c
max
(vertex)可以被确定为邻域内的体素的至少一个特征值的最大值。所述邻域可以由相应深度距离d
max
内的半径所包封的体素来限定。所述最小值c
min
(vertex)可以被确定为邻域内的体素的至少一个特征值的最小值。所述邻域可以由相应深度距离d
min
内的半径是包封的体素来限定。距离d
max
和d
min
两者都可以相等或者可以彼此独立地设置。
[0070]
可以根据以下方程来计算所述力项。
[0071][0072]
所述力项f由b
t
进行阈值化和加权的比值和变量t2、tm、t构成，并且其中，、t构成，并且其中，和变量t2与低于累积柱状图的2％的全局最小阈值相对应。变量tm与至少一个特征值的中值相对应，并且预估计的变量t与背景阈值相对应。
[0073]
所述分数常数b
t
根据力项f来确定在循环的迭代处对应的顶点的非特性组织的值的截止值。所述力项充当预设项，相对于背景阈值来区分在循环的迭代处对应的顶点的特征值。当所述最大阈值等于所述背景阈值时，加权和中的第一项消失，由此指示经分割幅模型的边界，并且指示所述方法停止对移动矢量的法向分量的更新。因此，所述方法有效地从背景(由预定输入阈值指示)之外的其他相邻元素中切割出体素。换言之，所述方法检测人类大脑的值特性的“突变”，并且停止所述迭代并且输出最终表面模型。
[0074]
针对每个计算的表面模型，亦即，针对由所述bet方法相对于所提供的3d体素化图像和独有的分数常数b
t
输出的每个表面模型，所述方法确定s30在所计算的表面模型中所包括的体积。通过“体积”意指由3d模型对象在三维空间中占据的空间量(被表示为单个数值)。所述体积被包括在所计算的表面模型中，亦即，在由所计算的表面模型在三维空间中占据的空间中所包含的空间，例如，最大体积。所述方法可以针对人类大脑的所有(至少两个)表面模型，将所计算的体积(以任何尺度单位表示)与用于计算对应表面模型的独有分数常数b
t
相关联，由此获得一组样本对(b
t
,volume_b
t
)。可以使用允许这样的关联的任何数据结构，例如数据库，来执行所述关联。所述体积可以通过任何方式来计算，例如，直接计算所计算的表面模型的3d体积。替代地或另外地，可以从体素或bet方法确定人类大脑边界所在的输入体素化医学图像来计算所述体积。所述方法可以对所述体素的数量进行计数并且将该数量设置为所述体积。
[0075]
所述方法将曲线拟合s40到样本对(b
t
,volume_b
t
)。所述样本对是数值的样本对，由此限定曲线图，并且所述方法在所述曲线图上构造曲线。所述曲线是连续的至少可微的函数，具有被拟合到曲线图上的值的域和上域。亦即，拟合所述曲线的域，以便基本近似于在所述一组样本对中的独有分数常数，并且拟合所述曲线的上域，以便基本近似于所述体积的对应值。通过“基本近似”意指所述方法倾向于将所述曲线拟合到数据，使得所述曲线的上域在几何上与所述一组样本对(至少在由于所述拟合的数值特性造成的误差之内)相匹配。例如，由于所述方法知道样本对(b
t
,volume_b
t
)的值，所以可以执行所述拟合，使得所述点与所述曲线的域中的至少一个点之间的距离低于预定距离阈值。通过预定阈值意指给定要被拟合的点集以及要使用的拟合模型，能够计算阈值，使得点与曲线的距离之和小于或等于点数量乘以该阈值。换言之并且等价地，能够计算阈值，使得点与曲线的距离平均小于或等于该阈值。
[0076]
类似地，针对每个对应体积，在所述体积与所述曲线的上域中的至少一个点之间的距离低于预定距离阈值。所述预定距离阈值可以是零，由此将所述曲线恰好拟合到样本对，即，所述曲线恰好遍历所述样本对的所有值。这是实现方式的问题，并且也能够通过求解优化问题来实现，所述优化问题奖励低于预定距离阈值的曲线拟合。
[0077]
所述方法确定s50所述曲线的拐点。按照其数学定义，拐点是所述曲线中曲率改变符号的点，亦即，所述曲线从正半径(从曲线图查看)切换到负。所述拐点可以从任何已知方法来确定。例如，当且仅当其一阶导数(例如，f
′
)在所述域的所述点x处具有局部最大值时，所述曲线的曲线图，例如，所述一组组点(x、f(x))具有拐点通过“局部”意指所述方法可以沿着所述曲线的一阶导数的曲线图附近，即，一阶导数的一段(其也是曲线)，来确定单个拐点。这是从数学分析获知的，并且其仅仅是实现方式的问题。所述确定可以通过评估一阶导数的曲线图的直接估值或者从分析方法来执行，例如，在一阶导数是多项式函数的情况下，可以从多项式的根来定位所述拐点。这仅仅是实现方式的问题。
[0078]
所述方法识别s60与所确定的拐点相对应的分数常数亦即，所述方法将分数常数识别为曲线图的值其中，所述一阶导数具有局部最大值。替代地，所述方法可以从在步骤s20处计算的分数常数b
t
识别所述分数常数例如，所述方法可以从与拐点的距离低于预定距离阈值的所述一组样本对的分数常数b
t
识别分数常数这仅仅是实现方式的问题。
[0079]
所述方法夜使用取决于所识别的分数常数的所述bet方法来计算s70人类大脑的表面模型。亦即，所述大脑提取工具获取参数并且计算对应的表面模型。
[0080]
所述方法因此改善了对表面模型的计算的准确度。实际上，从与所确定的拐点相对应的所识别的分数常数来计算所述表面模型。所述拐点与所述曲线的导数达到最大值的点相对应。发明人已经意识到，当所述bet工具取决于在所述拐点的邻域处的分数常数b
t
时，所述bet工具输出具有相似体积(亦即，体素化3d医学图像的分割中的小变化)的表面模型。该性质能够被解释为意指所述体积沿着所述表面模型保持稳定，由此提供人类大脑的良好限定的形状，亦即，与大脑的软膜表面(即，包封大脑的薄膜)准确保形。由于将包围的软膜表面与蛛网膜下空间中循环的脑脊液区分开，所述方法能够提供该准确度。例如，脑脊液可以看起来是mri图像中的暗体素。
[0081]
由于所述液体相对于所述图像的其他组织非常暗，所述方法可以提供准确的分割，所述分割在最接近在由软膜表面勾勒的暗区处停止。此外，对在步骤s40处拟合的曲线中的拐点的确定对样点的集合进行正则化，由此改善所述拐点的计算速度而不影响所计算的模型的准确度。实际上，这与平滑的内插相对应，其避免了样点集合的离散性质的不准确性。由于计算的模型是从所识别的分数常数计算的，所述方法识别所述体积相对于通过蛛网膜下空间循环的液体变化非常小的区域。由于所述方法使用取决于所识别的分数常数的bet方法来计算所述表面模型，所以这避免了更多用户交互，由此实现了医学图像数据集上的完全自动化并且消除了用户偏差。
[0082]
在示例中，所述体素化3d医学图像可以是磁共振成像(mri)图像。mri图像是高分辨率体素化3d医学图像，其对于表示人类大脑组织特别准确。由于在高质量体素网格上执行对所述表面模型的计算，所述方法因此计算出特别准确的表面模型，其中，能够从所述图像的对比度辨识关于所述组织的信息。
[0083]
在示例中，所述曲线可以是平滑曲线，亦即，针对所述曲线f(x)的域中的任何x，所述曲线的k阶导数(在本示例中被表示为f
(k)
(x)，k》1)得到良好定义。对函数的所述拐点的所述确定可能是困难的任务，其不能够经由简单的分析方法来简单地确定，因此使用平滑
曲线提供了更多可能性(解析的和计算的)来计算对所述曲线的所述拐点的确定。例如，在点的特定解析邻域中曲线f(x)是k倍连续可微的情况下，其中，k为奇数，并且k≥3，针对拐点的充分存在条件是：针对n＝2,
…
k-1的和如果满足该条件，则曲线f(x)在点处具有拐点。在其他示例中，对平滑函数的使用允许以特别高效率的方式执行计算搜索。实际上，所述方法可以对与一阶导数相对应的曲线均匀地采样(例如，200个样本或者更多)，并且沿着均匀样本来搜索最大值。
[0084]
在示例中，所述平滑曲线可以是b
é
zier曲线。b
é
zier曲线是以其控制点为特征的参数多项式曲线。例如，在平面中将n+1个不同控制点定义为a0,a1,
…an
，n阶b
é
zier曲线由以下函数来定义：
[0085][0086]
由于b
é
zier曲线的特征是其控制点，所以可以通过调节控制点ak使得所述曲线拟合所述一组样本对(b
t
,volume_b
t
)来执行对所述曲线的拟合。这能够通过运行优化问题来执行，所述优化问题奖励沿着所述一组样本对(b
t
,volume_b
t
)的样本分数常数b
t
对所述控制点的调节，使得b
é
zier曲线拟合所述一组样本对(b
t
,volume_b
t
)的对应体积。此外，能够通过特别有效率的方式来执行对所述拐点的计算。实际上，n次b
é
zier曲线的一阶导数能够直接从多项式计算，或者可以通过简单求差来计算。
[0087]
在示例中，b
é
zier曲线可以具有大于四和低于八的阶数。阶数大于四的b
é
zier曲线确保所述一组样本对近似很好，而阶数低于八避免过度拟合。因此，之间的阶数在获得正则化曲线与对样本对的正确拟合之间实现了良好的折中。
[0088]
在示例中，拟合(s40)所述曲线可以包括求解最小二乘问题。亦即，所述方法可以通过使平方和最小化来将b
é
zier曲线拟合到所述一组样本对，所述平方和减小了在b
é
zier曲线的上域于所述一组样本对的体积之间的差异。可以执行这样的最小二乘问题以发现使差异最小化的控制点。例如，可以通过如下表达的以下最小二乘问题来执行对所述曲线的拟合。
[0089][0090]
在以上方程中，m是尺寸t
×
(n+1)的矩阵，其中t是所述一组样本对(b
t
,volume_b
t
)的样本数量，并且n是b
é
zier曲线的阶数。vol是维度t的矢量，其收集所述一组样本对(b
t
,volume_b
t
)的所有体积volume_b
t
。m和vol的分量由下式给出：
[0091]
●
其中，0《t≤t并且0≤j≤n
[0092]
●
voli＝volume_b
t
，其中，0《t≤t。
[0093]
求解以上最小二乘问题获得b
é
zier控制点的矢量所述优化因此获得被表示为所述优化因此获得被表示为的近似体积函数f，其中，每个是经由优化到的b
é
zier控制点。
[0094]
在示例中，确定(s50)所述曲线的所述拐点可以包括计算所述曲线的一阶导数。如先前所述的，可以经由解析方法或者通过近似方法，例如，从差异的计算，来执行对一阶导数的计算。所述方法也可以根据所述曲线的一阶导数为零的点来计算所述曲线的拐点。这允许对所述拐点进行归类，实际上，如果一阶导数的值在所述点处为零，则所述点是令人满
意的拐点，而如果其不是零，则其不是令人满意的拐点。这通过搜索不令人满意的拐点而改善了对所述曲线的导数的最大值和最小值的发现，不令人满意的拐点与所述曲线的导数极值相对应。
[0095]
在示例中，计算所述一阶导数包括计算在所述曲线的样本点之间的有限差异。亦即，针对所述函数f的域的给定样本点x
t
和x
t-1
，将导数计算为f
′
(x
t
)＝(f(x
t-1
)-f(x
t
))/(x
t-1-x
t
)。在经由解析方法直接计算困难的情况下，经由数值差异的计算特别快。
[0096]
在示例中，计算所述曲线的所述拐点(所述曲线至少两倍可微或者具有更高阶导数，例如，所述曲线为平滑曲线)可以包括计算所述曲线的二阶导数。对二阶导数的使用可以被用于利用所述拐点的数学存在条件：一般存在条件要求所述曲线的二阶导数在点周围的半径ε邻域处具有相反符号，亦即，在二阶导数的域中的区间之间存在的所有理论点。例如，表示f
″
二阶导数，二阶导数，和具有不同的符号，并且因此是拐点。
[0097]
所述方法因此可以根据以上数学概念，通过对所述曲线的二阶导数均匀地采样点，来计算所述拐点。所述方法可以对所述曲线的整个域采样，并且获得二阶导数的样本。所述方法也可以确定所述曲线的二阶导数的具有零值的采样点(或者由于所述采样的离散性质，在至少基本为零处，所述确定仅仅是实现方式的问题)。所述方法也可以计算包围所确定的具有零值的点的采样点的邻域。所述方法因此可以设置理论(开放)区间(x-ε,x+ε)的均匀采样，例如，在值x周围之前设置ε，其中，二阶导数为零，例如，f"(x)＝0，并且获得曲线区间(f"(x-ε),f"(x+ε))的对应样本。现在仍然需要确定所述点是否是拐点。为此，所述方法也可以确定采样点的邻域处的至少一对采样点的符号改变。亦即，所述方法可以比较在所述值f
″
(x)之前和之后(或者反之)的两个区间中的符号(回忆所述曲线的曲线图为二维平面)，并且验证所述符号是否不同，例如，在区间(f"(x-ε),f"(x))侧的样本为负，并且在区间(f
″
(x),f"(x+ε))中的样本为正，或者反之。因此，对所述拐点的所述确定相当高效，因为所述方法仅需要确定是否有符号的改变。
[0098]
在示例中，可以通过将所确定的拐点设置为分数常数来执行识别(s60)与所确定的拐点相对应的分数常数亦即，所述分数常数恰好是所确定的拐点。这对应于用于获得准确表面模型的最佳选择。实际上，在曲线(在所述一组样本(b
t
,volume_b
t
)中拟合)中在拐点值附近，分数常数值的小变化在所述分割中产生小变化，并且因此对应体积是相似的。对所述拐点的选取因此与可能值中的最佳(理论)选取相对应，其中，分数常数的小变化产生相似体积。
[0099]
在示例中，可以在分数常数b
t
的样本上并行化对人类大脑至少两个表面模型的计算(s20)。亦即，所述方法可以在适于并行处理的处理器(诸如gpu)中生成若干个并行线程。每个线程可以根据独有的分数常数b
t
运行对所述bet方法的实例化。这改善了计算效率，因为所述方法在以一个主要的并行化线程中计算所述一组样本对。
[0100]
在示例中，可以针对在(闭合)区间[0.4,0.8]之间包括的分数常数b
t
来确定所获得的所述一组样本对(b
t
,volume_b
t
)。这样的选取可以避免当所述分数常数b
t
在那些值外部时由于算法的极端行为而出现离值。实际上，所述算法通常永远不需要取决于在所述区间外部的b
t
的值。这允许集中对有意义的表面模型的创建，即，对于重建人类大脑组织具有至少某种程度的准确度。实际上，当b
t
过小时，例如，小于0.4时，所述表面模型通常过宽
(包括头皮光学噪声以及其他不希望的非大脑组织)。“过高”的p产生对大脑的不足的估计。
[0101]
本发明可能不像以上示例中那样受限。例如，在分数常数b
t
的样本上并行化的人类大脑的至少两个表面模型可以是至少四个表面模型，并且可以利用三次b
é
zier曲线将曲线拟合到对应组的样本对(b
t
,volume_b
t
)。在又一示例中，样本点的阶数可以是至少大于b
é
zier曲线阶数的自然数。这确保了准确地确定所述曲线的拐点。
[0102]
现在参考图2到图9来描述示例。
[0103]
以下示例使用结构性mri图像作为输入数据。所述结构性mri图像是由体素的3d网格构成的体素化3d医学图像，其中，每个体素与灰度级值相关联。每个灰度级水平反映人类大脑的组织特性。在归一化值中，灰度级值零(即，黑)反映人类大脑的组织特性的缺失，并且灰度级值一(即，白)反映所述体素反映人类大脑的组织特性。体素的大小在轴/方向(各向异性分辨率)间可以不同。
[0104]
所述大脑提取工具(bet)方法是一种算法，其以结构性mri图像为输入，并且输出表面模型。所述bet方法通过从其他体素中分割出表示大脑组织的体素，由此移除非大脑体素，来分割输入的结构性mri图像。该过程能够被视为在输入数据上对大脑进行二进制掩模分割。所述算法以所述mri图像和参数b
t
(在0与1之间)作为输入，后者修改对在大脑体素于非大脑体素之间的边界的检测，由此影响所述表面模型的质量。
[0105]
图2图示了大脑提取工具的原理。
[0106]
所述大脑提取工具对头部的中心中的网格球体进行初始化210。然后，所述大脑提取工具使得所述网格球体向外膨胀220。白箭头图示了使所述网格变形的移动矢量的法向分量。所述大脑提取工具执行所述膨胀过程，并且在顶点到达大脑的组织的灰度水平的突变时停止230。所述突变是对与髓质相对应的黑边界的检测。对“突变”的检测取决于分数常数b
t
的值，其被用于区分大脑组织与非大脑组织的灰度级值的不同值。
[0107]
图3图示了所述bet方法相对于分数常数b
t
的依赖性，其图示了对分数常数b
t
的每种选择如何改变根据其他体素而对具有大脑组织的灰度水平特性的体素之间的边界的检测。
[0108]
在试验中，当b
t
被设置过小时(例如，在0与0.1之间)，所述分割通常过宽。例如，所述分割可以限定体积，其中，所述体积包括头皮光学噪声以及其他不希望的非大脑组织，导致宽的经分割的体积，被示为310中的虚线圆。当b
t
过高(例如，在0.9与1之间)时，所述bet方法生成大脑的不足估计，由此导致小的体积，如在分割320中所示的。试验表明中间值提供了更好的分割。所述实施方式因此继续进行，以调节b
t
的值，使得所述分割保持准确而不包括非大脑组织，例如，输出在310和320中指示的输出模型之间的b
t
的值之间的最佳分割。
[0109]
在所述方法的示例中，所述方法利用三个步骤来实现(这不排除额外的步骤)：样本体积的计算、样本的平滑近似以及近似分析。
[0110]
1.样本体积的计算
[0111]
所述实现方式针对b
t
的不同值，例如20个样本，运行所述bet方法。用于该实现方式中的所述bet方法是在下文中所公开的方法：“fast robust automated brain extraction”，smith,s.m,2002nov；17(3):143-55.doi:10.1002/hbm.10062。针对每次运行，所述实现方式计算所述bet方法的输出的体积大小。在该实现方式中，通过对与由所述bet方法确定的经分割的掩模相对应的结构性图像的体素数量进行数学相加来计算所述体
积。
[0112]
通过收集由所述bet确定的所述体积中的每个体积和用于确定所述模型表面的b
t
分数常数，来获得所述一组样本对(b
t
,volume_b
t
)。
[0113]
在当前实现方式中，在0.4至0.8之间而非在[0,1]上均匀地对分数常数b
t
进行采样。这种选择允许对分数常数b
t
的正确值的采样更加详细，因为所述范围外部的值可以对结构性mri图像进行不足分割或者过度分割。此外，可以在本次运行之后进行所述方法的第二轮次(例如，如果最优选择在该范围之间，则在.5与.6之间重新采样)。该第二轮次改善了所述分割的准确度水平，因为所述bet方法被重新运行，但是在该第一次运行中获得的曲线的平台附近采样更密集。
[0114]
利用并行运行执行采样，以用于相对于顺序采样来改善计算阶数。
[0115]
2.平滑近似
[0116]
如在图4中所图示的，所述实现方式使用所述一组样本对(b
t
,volume_b
t
)将体积尺寸曲线构建为b
t
的函数。所述体积尺寸曲线是离散曲线图中的离散曲线。如在图4中所图示的，在所述曲线图中的每个点与由所述bet方法计算的输出表面模型相对应。所述离散曲线首先被平滑化以在离散体积值之间对值进行内插。图5示出了通过使用平滑曲线对离散曲线的近似。所述实现方式利用7次b
é
zier多项式曲线执行近似。
[0117]
在所述实现方式中对所述多项式曲线的使用在具有正则化曲线和在所述一组样本对上拟合之间提供了正确的折中。所述曲线的平台和形状的约束(例如，不对称渐近线)表明，过低(例如，低于四)的多项式阶数不能够正确地近似所述曲线，而过高的阶数(例如，接近样本的数量)不对曲线进行正则化/过拟合。
[0118]
通过求解最小二乘问题来计算所述多项式曲线的近似：
[0119][0120]
其中：
[0121]
其中，0《i≤样本数量并且0≤j≤7，
[0122]vi
＝volume_bi，其中，0《i≤样本数量。
[0123]
求解所述最小二乘问题给出b
é
zier控制点的a矢量。所述控制点获得针对7次b
é
zier多项式曲线的以下表示：
[0124][0125]
3.近似曲线的分析。
[0126]
正确(表示令人满意)分数常数b
t
附近的小变化将在分割中产生小变化(并且因此产生相似的体积)。在图5中，这被表示为在所述曲线中的平坦区域510。能够通过搜索b
é
zier多项式曲线的拐点来检测平坦区域。
[0127]
为了执行所述搜索，所述实现方式使用b
é
zier函数的一阶解析导数，其中，通过求解最小二乘问题到系数ak。所述一阶导数被表达为：
[0128][0129]
所述实现方式通过定位一阶导数的局部最大值或极大值，到所述拐点的值(其也能够通过搜索b
é
zier曲线的二阶导数的零来这样做)。在本实现方式的情况下，由于函数
是正则的，所以在200个点的均匀采样上进行对极大值的搜索。
[0130]
图6图示了所述实现方式。曲线610与近似所述样本的7次b
é
zier多项式曲线相对应。曲线620图示了对应导数的曲线。出于例示的原因，指示了导数630的最大值。
[0131]
所述最大值被用于通过将所述最大值设置为针对所述bet方法的新参数来计算所述表面模型。对于多个极大值的情况，所述方法选取具有最小体积的极大值。这仅仅是实现方式的问题，并且与选取提供最准确分割的最小体积的折中相对应。
[0132]
真实数据验证。
[0133]
使用3种不同的度量将所述实现方式的输出与真实数据进行对比：给出在输出与真实数据之间重叠的百分比的dice分数，在表面的分割之间的整个距离的平均值和95百分比。
[0134]
图7a至图7d示出了对应于利用三种不同度量的真实数据的不同运行以及与其的对比的不同曲线图。图7a至图7b的每个示出了四条曲线：dice分数的曲线、针对平均值的曲线、针对95百分比的曲线、所述一组样点值的原始导数(亦即，没有近似)和拟合到所述一组样本对的bezier曲线的导数。图7a示出了dice分数曲线7110、针对平均值的曲线7120、针对95百分比的曲线7130、针对原始导数的曲线7140以及针对bezier曲线的导数的曲线7150。能够发现，曲线7110、7120和7130在相当接近曲线7150的最大值点的点处达到最大值。亦即，所述曲线确认：与真实数据相比，与所识别的分数常数相对应的输出表面模型实际上相当准确。其也示出了利用b
é
zier曲线实现的平滑近似。图7b示出了dice分数曲线7210、针对平均值的曲线7220、针对95百分比的曲线7230、针对原始导数的曲线7240以及针对bezier曲线的导数的曲线7250。所述曲线的行为类似于图7a。图7c示出了dice分数的曲线7310、针对平均值的曲线7320、针对95百分比的曲线7330、针对原始导数的曲线7340以及针对bezier曲线的导数的曲线7350。曲线7350也示出了在平滑近似上识别了两个最大值的情况(在分数常数b
t
的值0.6和0.7附近)。所述实现方式选取了最大的最大值。图7d示出了dice分数的曲线7410、针对平均值的曲线7420、针对95百分比的曲线7430、针对原始导数的曲线7140以及针对bezier曲线的导数的曲线7450。图7d突出显示了：使用来自采样的离散曲线获得了不稳定原始导数(例如，参考第一图像的7440)，这是通过平滑近似改善的(例如，参考第一图像的7450)。示例取自两个注释的数据集oasis和lpba40，其能够从如下参考文献获知：
[0135]-david w shattuck等人，“construction of a 3d probabilistic atlas of human cortical structures
”‑
sciencedirect.url:https://www.sciencedirect/science/article/abs/pii/s1053811907008099？via％3dihu.
[0136]-daniel s.marcus等人，“open access series of imaging studies(oasis):cross-sectionalmri data in young,middle aged,nondemented,and demented older adults”.in:journal of cognitive neuroscience19.9(sept.2007),p.1498-1507.issn:0898-929x,1530-8898.doi:10.1162/jocn.2007.19.9.1498.url:
[0137]
http://www.mitpressjournals.org/doi/10.1162/jocn.2007.19.9.1498.
[0138]
原型实现方式。
[0139]
以下使用情况是利用原型实施方式获得的。在该原型中，通过简单的数值差，即f
′
(x
t
)＝(f(x
t-1
)-f(x
t
))/(x
t-1-x
t
)，来获得导数。
[0140]
根据数据集公开，专家检查用于以下分数计算的真实数据掩模。
[0141]
图8示出了利用默认推荐的bet分数常数b
t
＝0.5做出的第一分割810。所述分割810示出了表示过度分割的体素的区域811。这对应于大脑的巨量过度分割，因为所述分割包括大脑下方的很大区域。这导致了低的匹配分数。
[0142]
曲线820图示了原型的实施方式，其提出b
t
＝0.63作为最佳参数。对应的分割830是对应的分割，其示出了经改善的匹配分数(即，dice分数越大，介质误差越低，并且95百分比误差越低)。
[0143]
图9示出了四个其他示例，其图示了与默认推荐分数常数和b
t
＝0.5的bea相比由实施方式实现的自动精细调谐。参考符号910中的分割与具有默认分数常数的bet方法的输出相对应。例如，圆9110表示非大脑区域的过度分割区域。参考符号920与平滑曲线的实现方式相对应，被示为弯曲的线。垂直的虚线图示了所述曲线图中的拐点的位置。参考符号930示出了所述方法相对于每个拐点的对应输出。图9也突出显示了正确参数值的可变性：即使对于属于相同数据集的相似mri，自动建议的参数b
t
也可能非常不同。然而，准确度很高：实际上，所有输出示出了高于96％的dice分数，小的介质和小的95百分比，表明相对于默认方法有明显的改善。
技术特征：
1.一种对人类大脑的医学图像进行分割的计算机实现的方法，包括：-提供(s10)所述人类大脑的体素化3d医学图像，所述3d医学图像的每个体素包括表示所述人类大脑的组织特性的至少一个值；-使用大脑提取工具(bet)方法来计算(s20)所述人类大脑的至少两个表面模型，所述大脑提取工具方法取决于在0与1之间变化的分数常数b
t
，每个表面模型都是针对独有的分数常数b
t
而计算的；-针对每个计算的表面模型，确定(s30)在所计算的表面模型中所包括的体积(volume_b
t
)，由此获得一组样本对(b
t
,volume_b
t
)；-将曲线拟合(s40)到所述一组样本对(b
t
,volume_b
t
)；-确定(s50)所述曲线的拐点；-识别(s60)与所确定的拐点相对应的分数常数-使用取决于所识别的分数常数的所述bet方法来计算(s70)所述人类大脑的所述表面模型。2.根据权利要求1所述的计算机实现的方法，其中，所述体素化3d医学图像是磁共振成像(mri)图像。3.根据权利要求1或2所述的计算机实现的方法，其中，所述曲线是平滑曲线。4.根据权利要求3所述的计算机实现的方法，其中，所述平滑曲线是b
é
zier曲线。5.根据权利要求4所述的计算机实现的方法，其中，所述b
é
zier曲线具有的阶数大于四并且低于八。6.根据权利要求5所述的计算机实现的方法，其中，拟合(s40)所述曲线包括求解最小二乘问题。7.根据权利要求1至6中的任一项所述的计算机实现的方法，其中，确定(s50)所述曲线的所述拐点包括：-计算所述曲线的一阶导数；以及-根据所述曲线的所述一阶导数为零的点来计算所述曲线的拐点。8.根据权利要求7所述的计算机实现的方法，其中，计算所述一阶导数包括计算在所述曲线的样本点之间的有限差异。9.根据权利要求7或8所述的计算机实现的方法，其中，计算所述曲线的所述拐点包括：-计算所述曲线的二阶导数；-通过以下操作来计算所述曲线的所述拐点：-对所述曲线的所述二阶导数的点均匀地采样；-确定所述曲线的所述二阶导数中具有零值的采样点；-计算包围所确定的具有零值的点的采样点的邻域；-确定在采样点的所述邻域处的至少一对采样点的符号改变。10.根据权利要求7至9中的任一项所述的计算机实现的方法，其中，识别(s60)与所确定的拐点相对应的所述分数常数是通过将所确定的拐点设置为所述分数常数来执行的。11.根据权利要求1至10中的任一项所述的计算机实现的方法，其中，计算(s20)所述人
类大脑的所述至少两个表面模型是在所述分数常数b
t
的所述样本上并行化进行的。12.根据权利要求1至11中的任一项所述的计算机实现的方法，其中，所获得的一组样本对(b
t
,volume_b
t
)是针对被包括在区间[0.4,0.8]之间的所述分数常数b
t
来确定的。13.一种计算机程序，包括用于执行根据权利要求1至12中的任一项所述的计算机实现的方法的指令。14.一种在其上记录有根据权利要求13所述的计算机程序的计算机可读存储介质。15.一种系统，包括被耦合到存储器和图形用户界面的处理器，所述存储器在其上记录有根据权利要求13所述的计算机程序。
技术总结
本公开尤其涉及一种对人类大脑的医学图像进行分割的方法。所述方法包括：提供人类大脑的体素化3D医学图像，使用BET方法来计算所述人类大脑的至少两个表面模型，针对独有的分数常数b
技术研发人员：
A
受保护的技术使用者：
达索系统公司
技术研发日：
2022.08.22
技术公布日：
2023/2/23
