1、核磁共振成像（MRI）技術(shù)已經(jīng)成為心臟疾病臨床診斷的重要輔助手段。該技術(shù)能夠無侵入地檢測人體的組織和器官，而且其成像機(jī)理使得該方法對(duì)生物體內(nèi)如心臟這樣的軟組織特別有效。運(yùn)用心臟核磁共振圖像不僅能觀察到心臟的形態(tài)結(jié)構(gòu)，還可以估測心室的整體功能及局部心肌功能。特別是左心室心肌的運(yùn)動(dòng)情況能夠反映心臟的泵血功能，為多種心臟疾病的診斷提供依據(jù)，因此成為當(dāng)前研究的熱點(diǎn)。為了獲取對(duì)左心室功能評(píng)價(jià)的參數(shù)，需要對(duì)左心室進(jìn)行三維表面重建及運(yùn)動(dòng)重建。核磁共振

2、圖像左心室內(nèi)外輪廓分割是左心室三維表面重建及運(yùn)動(dòng)重建的基礎(chǔ)。分割左心室的內(nèi)外輪廓，能夠?qū)\(yùn)動(dòng)分析提供邊界信息，同時(shí)為重建得到的三維運(yùn)動(dòng)場以及各種分析結(jié)果提供載體。因此，左心室內(nèi)外輪廓的分割對(duì)于后續(xù)左心室功能分析起著重要作用，影響后續(xù)三維表面及運(yùn)動(dòng)重建的精度。 核磁共振成像技術(shù)分為不加標(biāo)記線的核磁共振成像（Untagged MRI）和帶標(biāo)記線核磁共振成像（Tagged MRI）。不加標(biāo)記線的核磁共振成像，能夠反映更為精細(xì)的生理結(jié)構(gòu)

3、，但由于心肌的同質(zhì)性，難以找到密集的對(duì)應(yīng)特征點(diǎn)，因而難以準(zhǔn)確反映心肌運(yùn)動(dòng)。帶標(biāo)記線核磁共振成像通過射頻脈沖以非侵入性的方式將磁飽和模式加到待成像的機(jī)體上，在核磁共振圖像上表現(xiàn)為黑色條紋，即為標(biāo)記線。由于標(biāo)記線會(huì)隨機(jī)體一起運(yùn)動(dòng)，因此標(biāo)記線的運(yùn)動(dòng)反映了機(jī)體的位移，該技術(shù)為精確研究心肌內(nèi)部的復(fù)雜形變提供了有效的途徑。本文對(duì)帶標(biāo)記線和不帶標(biāo)記線兩種MR圖像左心室分割進(jìn)行了深入研究，主要有以下幾方面的工作： 1）分析了不帶標(biāo)記線MR圖像左

4、心室分割的難點(diǎn)，提出一種自動(dòng)分割左心室內(nèi)外輪廓的算法：先利用MR圖像上左心室心肌的內(nèi)外輪廓類似圓形的先驗(yàn)形狀知識(shí)，用Hough變換估計(jì)左心室的初始輪廓，使初始輪廓較準(zhǔn)確地定位于真實(shí)輪廓邊緣附近，從而克服初始輪廓對(duì)測地線輪廓模型分割結(jié)果的影響；然后再在測地線輪廓模型基礎(chǔ)上結(jié)合K-均值聚類提供的區(qū)域信息及心肌的生理結(jié)構(gòu)約束，對(duì)左心室的內(nèi)外輪廓同時(shí)進(jìn)行分割。心肌的生理結(jié)構(gòu)約束可以用來控制左心室內(nèi)外輪廓的相對(duì)位置，區(qū)域信息用來給圖像分割提供目標(biāo)

5、類別信息。實(shí)驗(yàn)表明該分割算法具有較好的分割結(jié)果。 2）研究了基于圖論的主動(dòng)輪廓模型方法，并在此基礎(chǔ)上提出了一種基于圖論的主動(dòng)輪廓模型和形狀統(tǒng)計(jì)相結(jié)合的不帶標(biāo)記線MR圖像左心室交互分割方法。考慮到基于圖論的主動(dòng)輪廓模型方法分割時(shí)易發(fā)生邊緣泄漏，采用了形狀統(tǒng)計(jì)來約束基于圖論的主動(dòng)輪廓模型分割心臟MR圖像。在演化曲線過程中，采用了點(diǎn)分布模型來描述形狀統(tǒng)計(jì)，將曲線投影到形狀允許空間以施加形狀約束。由于加入了先驗(yàn)形狀約束，使得受遮擋的目標(biāo)

6、也能夠很好的分割，目標(biāo)形狀的平移、旋轉(zhuǎn)和縮放對(duì)分割結(jié)果沒有影響，而且對(duì)噪聲也不敏感。該方法捕捉范圍大、對(duì)初始輪廓不敏感，很好地克服了虛假強(qiáng)邊界的干擾及邊緣泄漏且需要手工設(shè)置參數(shù)僅有一個(gè)，此外該方法速度較快。而且該方法提供了對(duì)分割結(jié)果的交互式修改，大大地方便了人機(jī)交互。 3）從圖像分類的思路出發(fā)，提出了一種結(jié)合特征分類的主動(dòng)形狀模型分割方法，以此來自動(dòng)分割不帶標(biāo)記線MR圖像左心室內(nèi)外輪廓。即在偏最小二乘（Partial Least

7、 Square，PLS）框架下結(jié)合鄰域空間上下文類別信息，提出了基于上下文的PLS（Contextual PLS，CPLS）特征維數(shù)削減方法，并且考慮鄰域加權(quán)來改進(jìn)基于上下文的典型相關(guān)投影（Canonical Contextual Correlation Projection，CCCP），提出了一種新的類標(biāo)號(hào)編碼方式，高斯加權(quán)CCCP（Gaussian Weighted CCCP，GCCCP）和高斯加權(quán)PLS（Gaussian Weig

8、hted PLS，GPLS）特征維數(shù)削減方法，用這些方法抽取最優(yōu)特征，訓(xùn)練K近鄰分類器代替主動(dòng)形狀模型的輪廓灰度匹配法來確定邊緣點(diǎn)進(jìn)行輪廓分割。新的特征維數(shù)削減方法可以更好地提高分類性能和降低計(jì)算時(shí)間。實(shí)驗(yàn)結(jié)果證明了此分割方法可以達(dá)到較以往方法更高的分割精度和更好的穩(wěn)定性。 4）研究并提出了一種基于主動(dòng)形狀模型及特征融合策略的帶標(biāo)記線MR圖像左心室自動(dòng)分割方法。即從基于典型相關(guān)分析的特征融合角度對(duì)LM濾波器組提取的帶標(biāo)記線MR圖

9、像左心室紋理特征進(jìn)行特征融合，再用融合后的特征構(gòu)造支持向量機(jī)（SVM）分類器，通過分類器來確定邊緣點(diǎn)，驅(qū)動(dòng)主動(dòng)形狀模型分割左心室。特征融合具有明顯的優(yōu)勢，即保留了參與融合的多特征的有效鑒別信息，又在一定程度上消除了由于各種因素帶來的冗余信息，對(duì)分類識(shí)別具有重要意義。實(shí)驗(yàn)證明了通過基于典型相關(guān)分析的特征融合可以降低分類錯(cuò)誤率，提高分類性能。而用分類器代替經(jīng)典ASM模型的基于輪廓灰度的匹配法來確定邊緣點(diǎn)可以較好地分割紋理圖像。 5）

10、研究了結(jié)合形狀統(tǒng)計(jì)的變分圖像分割方法，并在此理論框架下提出了一種結(jié)合紋理分類與形狀統(tǒng)計(jì)的帶標(biāo)記線MR圖像左心室內(nèi)外輪廓自動(dòng)分割方法。該算法將SVM分類器引入到變分框架下，通過利用SVM對(duì)S濾波器組提取的紋理特征所得的分類結(jié)果構(gòu)造新的曲線內(nèi)外區(qū)域能量表示，改進(jìn)了經(jīng)典的Mumford-Shah模型中的內(nèi)外區(qū)域能量項(xiàng)，把Mumford-Shah模型推廣到紋理圖像的分割。對(duì)于乳突肌干擾及邊緣斷裂現(xiàn)象，采用先驗(yàn)形狀統(tǒng)計(jì)來引導(dǎo)曲線的演化，使分割結(jié)果