CN1561180A

CN1561180A - 分割心脏磁共振图像中左心室的系统和方法

Info

Publication number: CN1561180A
Application number: CNA028194306A
Authority: CN
Inventors: M·P·乔利
Original assignee: Siemens Corporate Research Inc
Current assignee: Siemens AG
Priority date: 2001-10-04
Filing date: 2002-08-19
Publication date: 2005-01-05
Anticipated expiration: 2022-08-19
Also published as: EP1432994A2; US20030069494A1; US6961454B2; EP1432994B1; WO2003029831A3; CN100528075C; WO2003029831A2

Abstract

提出了一种用于分割感兴趣的左心室磁共振图像的方法。该方法包括根据感兴趣的磁共振图像中像素密度直方图来确定左心室的近似轮廓(102)和心肌响应图像(104)。根据多个能量函数来确定左心室的多个候选闭合轮廓(106)。该方法通过对多个磁共振图像的扩展来确定模板(108)，并根据候选轮廓和模板之间的匹配技术来确定心内膜和心外膜(110)。如果不存在模板(108)，该方法就根据图形切割来确定心内膜轮廓(112)，且根据单个图像的候选轮廓的样条拟合来确定心外膜(114)。

Description

分割心脏磁共振图像中左心室的系统和方法

发明背景

发明领域

本发明涉及医学成像，更具体地来说，涉及从四维MR数据(时间和空间上的二维图像)中提取心肌图像。

现有技术的讨论

心血管疾病是美国的主要致死病因。随着生活方式的改变，死亡率一直逐年在下降，而下降也归因于不断开发新疾病诊断技术。这些技术的其中之一就是磁共振成像(MRI)，它提供随时变的三维心脏图像。为了协助疾病诊断，让医生感兴趣的是识别心室、心内膜和心外膜以及测量心动周期内心室血容积(射血分数)和心壁厚度特征的变化。左心室尤其受到关注，因为它将含氧血液泵入到整个身体中相隔较远的其他组织。

对医学图像的分析已经作了大量研究。对这些图像进行分割一直是挑战性的。在90年代早期，研究人员就意识到可以利用MR图像的心壁运动来表征有意义的功能改变。S.R.Fleagle、D.R.Thedens、J.C.Ehrhardt、T.D.Scholz以及D.J.Skorton提出的一种系统(见“根据自旋回声共振图像自动标识左心室边界”，Investigative Radiology，26：295-303，1991)，在用户利用(例如)鼠标指定左心室腔体中心以及感兴趣区域时采用最小成本路径图搜索法描绘心肌组织的边界。D.Geiger、A.Gupta、L.A.Costa和J.Vlontzos的“检测、跟踪和匹配可变形轮廓的动态编程”(IEEE Trans.PAMI，17(3)：294-302，1995)一文采用动态编程方法对用户指定的轮廓进行精细化处理。A.Goshtasby和D.A.Tumer的“对心脏的渐变MR图像分割以提取左右心室”(IEEE Trans.Medical Imaging，14(1)：56-64，1995)提出了一种结合了密度阈值处理的两步骤法，用以根据图像和局部梯度来恢复血液显示，以利用弹性曲线来强化边缘轮廓。J.Weng，A.Singh和M.Y.Chiu的“根据心血管MR和CT图像的基于学习的心室检测”(IEEE Trans.MedicalImaging，16(4)：378-391，1997)根据学习阶段估计的参数对图像应用阈值，以进行近似分割。

但是，尚未知有系统或方法，可提供对心脏图像进行分析的自适应技术。因此，需要一种结合了可变形模板中的边缘、区域和形状信息的心脏分割法。

发明概述

根据本发明实施例，提出一种方法用于对感兴趣的左心室磁共振图像分割。该方法包括在不存在形状扩展(shape propagation)的情况下，根据对候选心内膜轮廓的图形切割(graph cut)和对候选心外膜的样条拟合来确定心肌轮廓。该方法还包括将多个形状约束应用于候选心内膜轮廓和候选心外膜轮廓以确定心肌轮廓，其中通过对包括感兴趣磁共振图像的序列化的多个磁共振图像的形状扩展来确定模板；该方法还包括将多个形状约束应用于候选心内膜轮廓和候选心外膜轮廓以确定心肌轮廓，其中通过对包括感兴趣磁共振图像的序列化的多个磁共振图像的形状扩展来确定模板。

根据本发明实施例，提供一种用于对感兴趣的左心室磁共振图像进行分割的方法，它包括根据感兴趣磁共振图像的像素密度直方图来确定心肌响应图像。该方法包括根据被赋予了多个置信度值的多个能量函数来确定多个候选轮廓。该方法还包括将多个形状约束应用于候选心内膜轮廓和候选心外膜轮廓以确定心肌轮廓。

心肌轮廓基于包括感兴趣磁共振图像的序列化的多个磁共振图像，其中心肌轮廓包含心内膜轮廓和心外膜轮廓。

该方法根据在图像的灰度概图(gray level profile)中解释为左心室的多个横截面的交点的多个点来确定左心室的近似轮廓对。近似轮廓对根据霍夫变换(Hough transform)阵列来确定，以便选出心肌中心线的中心位置和半径。

根据像素密度直方图来确定心肌响应图像的步骤还包括，将高斯混合模型(mixture of Gaussians)与像素密度直方图相拟合来确定血液、肌肉和空气部分。

对于每个候选闭合轮廓，该方法还包括在近似轮廓附近定义搜索空间，定义源节点和收缩节点的线，以及定义源节点和汇节点之间的最短路径。该方法包括定义新的源节点和多个汇节点，以及确定新源节点和新汇节点之间的最短路径。

利用梯度方向和轮廓方向的矢量积，根据梯度幅度和方向的组合来分别确定候选心内膜轮廓和候选心外膜轮廓。该方法还包括根据输入图像中梯度方向与轮廓方向的正矢量积来确定第一候选心内膜轮廓，以及根据心肌图像的梯度方向与轮廓方向的负矢量积来确定第二候选心内膜轮廓。该方法包括根据输入图像中的梯度幅度来确定第一候选心外膜轮廓，以及根据心肌图像的梯度方向与轮廓方向的正矢量积来确定第二候选心外膜轮廓。

该方法确定一对一匹配矩阵，其中，为心内膜轮廓上的点与心外膜轮廓上的点分配多个模板点，这些模板点是通过对多个磁共振图像的扩展来确定的。

根据本发明实施例，提供一种用于分割感兴趣的左心室磁共振图像的方法。该方法包括根据感兴趣磁共振图像中的像素密度直方图来确定心肌响应图像，根据被赋予了多个置信度值的多个能量函数来确定多个候选轮廓。该方法包括在不存在形状扩展的情况下，根据对候选心内膜轮廓的图形切割(graph cut)和对候选心外膜的样条拟合(spline fitting)来确定心肌轮廓。该方法将多个形状约束应用于候选心内膜轮廓和候选心外膜轮廓以确定心肌轮廓，其中通过对包括感兴趣磁共振图像的序列化的多个磁共振图像的形状扩展来确定模板。

心肌轮廓包含心内膜轮廓和心外膜轮廓。

该方法根据在图像的灰度概图中解释为左心室的多个横截面的交点的多个点来确定左心室的近似轮廓对，其中该轮廓对包含心内膜轮廓和心外膜轮廓。近似轮廓对根据霍夫变换阵列来确定，以便选出心肌中心线的中心位置和半径。

根据像素密度直方图来确定心肌响应图像的步骤还包括将高斯混合模型与像素密度直方图相拟合来确定血液、肌肉和空气部分。

对于每个候选闭合轮廓，该方法还包括在心肌响应图像附近定义搜索空间，定义源节点和收缩节点的线，以及定义源节点和汇节点之间的最短路径。该方法包括定义源节点和多个汇节点，以及确定新源节点和新汇节点之间的最短路径。

图形切割还包括定义其中每个节点对应于候选轮廓上的候选像素之间的连接分量区域的图形，以及确定中心节点与外部节点之间的最小割截。

样条拟合还包括通过候选轮廓的点进行样条拟合。

根据本发明实施例，提供一种机器可读的程序存储装置，它具体实现了可由所述机器执行，用以分割感兴趣的左心室磁共振图像的方法步骤的指令程序。该方法包括根据感兴趣磁共振图像中的像素密度直方图来确定心肌响应图像，根据被赋予了多个置信度值的多个能量函数来确定多个候选轮廓。该方法包括在不存在形状扩展的情况下，根据对候选心内膜轮廓的图形切割和对候选心外膜的样条拟合来确定心肌轮廓。该方法将将多个形状约束应用于候选心内膜轮廓和候选心外膜轮廓以确定心肌轮廓，其中通过对包括感兴趣磁共振图像的序列化的多个磁共振图像的形状扩展来确定模板。

附图简介

下文将参考附图详细说明本发明的优选实施例，附图中：

图1是显示本发明一个实施例的分割方法的流程图；

图2a显示根据本发明实施例的输入图像；

图2b显示根据本发明实施例，用高斯混合模型拟合的图2a的输入图像的直方图；

图2c显示根据本发明实施例的心肌响应图像；

图3a-b显示根据本发明实施例执行Dijkstra方法两遍的实例；

图4a-b显示根据本发明实施例的应用形状约束来恢复心肌轮廓的实例；

图5a-b显示根据本发明实施例的图形切割的实例；以及

图6a-b是基于所有点、所有图像和所有患者的真实轮廓和分割后的轮廓之间的误差距离的累积分布曲线图。

优选实施例的详细说明

本发明可以在任何适合的商用心脏分析软件包中实现，例如西门子公司的ARGUS心脏分析软件包，它提供完整的绘图工具系统和自动分割方法，以供医生在患者数据集内的每个图像中勾画心肌的轮廓，以确定血容积和射血分数，并执行厚度分析。

图1说明一种根据本发明实施例的方法，该方法根据感兴趣的磁共振图像的像素密度直方图来确定左心室的近似轮廓102和心肌响应图像104。该方法根据多个能量函数来确定左心室的多个候选闭合轮廓106。再者，该方法可知道感兴趣磁共振图像的形状信息是否存在108，并可应用期望的方法来确定心肌图像。例如，如果存在形状信息，则该方法通过对多个磁共振图像的扩展来确定模板，以及根据候选轮廓和模板之间的匹配技术来确定心内膜和心外膜。该匹配技术可包括例如点型(point-pattern)匹配和形状匹配。该方法在无模板情况下，根据图形切割来确定心内膜轮廓112，以及对单个图像的候选轮廓的样条拟合来确定心外膜114。

应理解本发明可以硬件、软件、固件、专用处理器或它们的组合的各种形式来实现。在一个实施例中，本发明可以作为在程序存储装置上具体实现的应用程序以软件形式实现。应用程序可以上载到包含任何合适体系结构的机器并由该机器来执行。最好，该机器在具有诸如一个或多个中央处理单元(CPU)、随机存取存储器(RAM)和输入/输出(I/O)接口之类硬件的计算机平台上实现。计算机平台还包括操作系统和微指令代码。此处所述各种过程和功能可以是通过操作系统执行的微指令代码或应用程序(或它们的组合)的一部分。此外，各种其他外围设备可以连接到该计算机平台，如附加数据存储设备和打印设备。

还应理解，因为附图中所述的某些构成系统的组件和方法步骤可以软件形式来实现，所以系统组件(或过程步骤)之间的实际连接可能有所不同，具体视本发明的编程方式而定。基于此处提出的本发明原理，相关领域的普通专业人员可以设想本发明的这些以及类似实施方案或配置。

根据本发明实施例，提供一种自动在MR图像中左心室的位置上假设两个同心圆的方法。但是，由于左心室的相对对称性和计算方面的约束，该方法采用沿通过该心室的四个横截面的而非整个区域的像素的灰度值来确定特征集合。自动局域化的方法参见代理人号为99P9036US01、题为“对心脏磁共振图像中对象的基于学习的检测方法”的专利文献，此专利文献通过引用全部结合到本文中。

本发明模拟马尔可夫过程。马尔可夫分析考察一序列事件，分析一个事件其后接另一个事件的趋势，从而生成一序列随机但相关的新事件。根据本发明的实施例，在学习期，给出正反两方面的实例且该方法查找使训练集合中两类之间的间距最大化(使Kullbach距离(亦称为相对熵或交叉熵)最小化)的马尔可夫过程的次序关系。该方法包括检测阶段，在该阶段中扫描测试图像，并根据对数似然比为每个位置分配一个类。

将划分为左心室的相邻位置划分成簇。该方法将灰度概图中的八个凸点定义为四个横截面与心室的医学轴的交点。利用例如Ramsay和Xi所提出的曲线配准技术(curve registration technique)配准的训练实例概图来构建平均概图。每个簇候选对象的横截面包在对应的平均剖面上。然后采用霍夫变换阵列来累积图像中凸点的位置，以便选出心肌中心线的最可能的中心位置和半径。

通常，用户分割一个图像，例如最靠近心脏舒张末期的瓣膜(ED阶段)的切片，并在舒张末期将分割后的轮廓扩展到ED期间的所有切片(ED扩展)。可以将ED轮廓扩展到心脏收缩末期(ES)期间(ES扩展)以计算射血分数。为进行更详细的分析，用户还可以利用时间扩展将ED轮廓扩展到所有阶段的所有图像。

对于ED扩展，本发明采用上述的自动局域化方法。但是，因为根据模板图像已近似知道心室尺寸，所以可以将搜索范围限制为例如模板尺寸的0.85和1.15倍。该方法可以将心室位置的搜索空间限制于例如模板位置附近的30个像素。对于ES扩展，该方法知道左心室的位置未改变，因此可以按比例缩放模板轮廓。心内膜按0.6的比例缩放，而心外膜按0.9的比例缩放。在时间扩展的情况中，轮廓的位置和比例都没有显著改变。因此，该方法可以将一个图像的轮廓复制到下一个图像。

在MR成像时，像素的密度取决于被成像组织的特性。如图2a所示，在左心室的MR图像中，血液201是明亮的，肌肉202有些暗，但不如充满空气的肺203暗。这一事实可以通过查看心肌附近区域的直方图来验证，如图2b所示。该方法采用期望值最大(Expectation-Maximization(EM))方法来将高斯混合模型与该直方图相拟合。然后该方法创建心肌响应图像，从而显示像素属于对应于心肌的中间高斯值的概率。从图2c可以看到，左心室心肌204是突出显示的，而邻近组织(如205)也是突出显示的。

为了完善区域分割的结果，该方法采用类似于Geiger的动态编程法或Mortensen和Barrett的Dijkstra方法的活动轮廓公式化。比之于Kass等人所提出的梯度递减方法，这些图理论方法的优点在于，它们可以恢复能量函数的全局优化，因此对初始轮廓位置不敏感。

Geiger按如下公式定义轮廓(p_l...p_n)的能量：

E (p_{1} \cdot \cdot \cdot p_{n}) = Σ_{i = 1}^{n} \frac{1}{| | &dtri; I (p_{i}) | | + ϵ} + α Σ_{i = 2}^{n} | \overset{&RightArrow;}{&dtri;} I (p_{i}) - \overset{&RightArrow;}{&dtri;} I (p_{i - 1}) | - - - (1)

其中‖_I(p)‖是幅度，而是像素p上的图像梯度方向。这相当于查找其中节点对应于像素的图像中的最短路径，两个相邻像素之间的链路成本定义为：

e (p_{1}, p_{2}) = \frac{1}{| | &dtri; I (p_{2}) | | + ϵ} + α | \overset{&RightArrow;}{&dtri;} I (p_{2}) - \overset{&RightArrow;}{&dtri;} I (p_{1}) | - - - (2)

给定图像中近似轮廓的情况下，该方法在其附近设定一对称的搜索空间304，并定义与一“伪”源节点相连的源节点306和汇节点308的线。然后采用Dijkstra方法找到伪源节点与汇节点之一之间的最短路径302。该方法在恢复的轮廓的中间定义一个新的源点312，和一组与该源节点相邻的汇节点310，还包括在心肌响应图像附近定义搜索空间，定义源节点和收缩节点的线，并且第二遍执行戴克斯塔方法以得到闭合的轮廓314。

为了综合该图像和心肌响应图像提供的信息，以两种不同的能量函数来执行Dijkstra方法。每次运行得到轮廓的不同候选点以及基于每个点对总能量函数的贡献大小的置信度值。一个能量函数利用梯度方向和轮廓方向的矢量积来组合梯度幅度和方向。在此情况下，按Dijkstra方法以及从亮到暗的图像梯度点，沿顺时针方向构建轮廓。为了分别将内部亮区与外部暗区分离，将内部暗区与外部亮区分离，图像梯度和轮廓方向之间的矢量积的z分量应该分别为正值和负值。否则，其能量设为某个大数值。两个像素之间的链路成本为：

其中ε是一个小常量，例如0.001，用于限制能量函数。E(I，z＞0)和E(H，z＜0)可以用于心内膜，其中I是输入图像而H是心肌响应图像。对于心外膜，可以使用E(H，z＞0)。因为心肌外侧I中的梯度方向在明亮的右心室和暗淡的肺部之间反转，所以可以使用E’(I)，其定义如下：

e^{,} (I, p_{1}, p_{2}) = \frac{1}{| | &dtri; I (p_{2}) | |^{2} + ϵ} - - - (4)

不同的能量函数突出心肌的不同特征。

Dijkstra方法配合各种能量函数使用，得到的轮廓上的所有点都是最终轮廓的候选点。当轮廓在空间或时间上从一个图像扩展到下一个图像时，可以合理地假设轮廓的形状不发生显著的变化。基于此假设，该方法可以确定哪些轮廓的哪些部分是正确的。

采用例如Duta等人提出的形状配准方法用于在模板点A＝{A_j}_{j＝1，...，a}的子集A’与候选测试点B＝{B_k}_{k＝1，...，b}的子集B’之间建立对应关系。根据本发明实施例，两个轮廓都被视为一个形状。在给定A和B的一对“对应”点的情况下，假定采用严格的相似变换来使轮廓配准。确定一对一匹配矩阵M，以在距离小于阈值的情况下将每个点B指配给A中与其最接近的邻接点。这使得如下公式成立：

f (M) = \frac{1}{n^{2}} Σ_{j = 1}^{n} w_{j} [{(x}_{A_{j}} - {ax}_{B_{j}} + {cy}_{B_{j}} - b)^{2} + (y_{A_{j}} - a y_{B_{j}} + {cx}_{B_{j}} - d)] + \frac{2}{n} - - - (5)

其中n是对应关系的数量，(a，b，c，d)是相似变换的参数。加权值w_j设为测试点B_j的置信度值。目的是要使f(M)最小。估计所有可能的四点组是不可能的，所以选择测试点集合中10％的具有最大置信度的点，并将其与模板集合中相同轮廓上的点配对。根据本发明，本领域的普通专业人员应认识到，可以选择较大和较小的点集。

图4a显示输入图像，图4b显示四个恢复的轮廓401-404，其中较暗的点表示较高的置信度。图4c显示根据先前图像的分割得到的模板形状。图4d显示在最佳相似变换下建立的对应关系。形状约束允许该方法选择心内膜407的外侧候选点，而非勾画乳头肌406的内侧点，选择心外膜405的内侧候选点而非勾画脂肪408的外侧点。一旦建立了对应关系，通过将模板点移动到图4e中它们的对应测试点来包绕模板形状。采用Xu等人提出的方法对轮廓进行平滑处理，使皱缩最小化。图4f显示最终的分割结果。

当需要单独而不是在扩展情况下对图像进行分割时，系统没有形状信息可用。应该将心内膜尽可能地推离中心，以便它勾画出心肌而非乳突肌，而心外膜应该仍靠近心内膜。为了强化这些约束，该方法以如下方式修改置信度值：

C_{endo} (p) = C_{endo} (p) {(\frac{d (p, Ω)}{\max_{p} d (p, Ω)})}^{3}

C_{epi} (p) = C_{epi} (p) {(\frac{d (p, endo)}{\max_{p} d (p, endo)})}^{3}

其中Ω是大片置信点的中心。

对于心内膜，该方法确定具有最大置信度的圆。图5a显示置信度图像的一个实例。定义如图5c所示的图形，其中每个节点对应于候选轮廓上的置信像素之间如图5b所示的连接分量区域。两个节点之间边线的加权系数与公共边界上的像素的置信度成反比。然后，该方法确定中心节点与外侧节点之间的最小割截。采用最大流量法来确定最小割截。图5d显示最终分割结果或心肌轮廓(如暗部所示)的一个实例。

对于心外膜，该方法需要一个平滑的轮廓，因为心肌与肝脏之间没有清晰的边缘，右心室心肌看上去与左心室心肌融合。因此，该方法将样条与两个候选轮廓的点相拟合。样条曲线从用于创建平滑曲线的柔性条(flexible strip)开始。正如贝赛尔曲线，样条由具有零、第一和第二阶连续性的三次多项式函数的分段近似形成。B样条是特定类型样条的一个实例。

为了测试我们的算法，我们收集了29个患者的数据集连同放射科医师对ED和ES阶段所作的人工分割结果：共458个分割图像。这些图像是在西门子公司的MAGNETOM系统上采用两个不同脉冲序列获得的。FLASH(闪烁)脉冲序列传统上用于MR血管活动摄影术。西门子公司最近首先将TrueFISP脉冲序列用于心脏摄影成像，它提供较高的对比噪声比(contrast-to-noise ratio)，而又不影响时间或空间分辨率。我们收集了22个TrueFISP患者数据和7个FLASH患者数据。我们的数据库提供各种各样的心脏形状、图像对比和边缘脆度。FLASH图像的难题在于其边缘可能模糊。TrueFISP图像的难点在于，乳突肌定义得如此之好，以致于难免将其轮廓勾画出来。但是，用户有可能不想勾画它们的轮廓，故可以应用形状约束来协助此任务。

该方法自动对所有数据集中ED和ES阶段的图像进行分割。为了将自动轮廓A与真实的轮廓B进行比较，该方法对自动轮廓中所有点a确定距离d(a，B)＝min_b∈B‖a-b‖。该方法还对真实轮廓中所有点b确定d(b，A)。图6显示了所有29个数据集的所有ED和ES图像上的误差距离。显然，平均来说，在该时间内，误差小于一个像素，且五个或五个以上像素的误差少于5％。

本发明提出了分割心脏MR图像中左心室的方法。该方法结合了边缘信息、通过高斯混合模型到直方图的EM拟合得到的区域信息以及通过点型匹配策略得到的形状信息。该方法可以集成到例如西门子公司的ARGUS心脏分析软件包中。

已经描述了结合可变形模板中的边缘、区域和形状信息对心脏图像进行分割的实施例，但要注意的是，本领域的专业人员可以根据上述论述进行各种修改和变更。因此，应理解，可以在所附权利要求书所限定的本发明的精神和范围内，对所公开的本发明的特定实施例进行更改。这样就对本发明作了详细说明，而专利法所特别要求的，要求获得专利权且期望受专利证书保护的内容在所附权利要求书中陈述。

Claims

1.一种用于分割感兴趣的左心室磁共振图像的方法，它包括如下步骤：

在不存在形状扩展的情况下，根据对候选心内膜轮廓的图形切割和对候选心外膜的样条拟合来确定心肌轮廓；以及

在存在形状扩展的情况下，将多个形状约束应用于所述候选心内膜轮廓和所述候选心外膜轮廓以确定所述心肌轮廓，其中通过对包括所述感兴趣磁共振图像的序列化的多个磁共振图像的形状扩展来确定模板。

2.一种用于分割感兴趣的左心室磁共振图像的方法，它包括如下步骤：

根据感兴趣的磁共振图像中像素密度直方图来确定心肌响应图像；

根据被赋予了多个置信度值的多个能量函数来确定多个候选轮廓；以及

将多个形状约束应用于候选心内膜轮廓和候选心外膜轮廓以确定心肌轮廓。

3.如权利要求2所述的方法，其特征在于，所述心肌轮廓基于包括所述感兴趣磁共振图像的序列化的多个磁共振图像，其中所述心肌轮廓包含心内膜轮廓和心外膜轮廓。

4.如权利权利2所述的方法，其特征在于，它还包括根据在图像的灰度概图中解释为所述左心室的多个横截面的交点的多个点来确定所述左心室的近似轮廓对。

5.如权利要求4所述的方法，其特征在于，根据霍夫变换阵列来确定所述近似轮廓对，以便选出心肌中心线的中心位置和半径。

6.如权利要求2所述的方法，其特征在于，根据所述像素密度直方图来确定所述心肌响应图像的步骤还包括，将高斯混合模型与所述像素密度直方图相拟合来确定血液、肌肉和空气部分的步骤。

7.如权利要求2所述的方法，其特征在于，对每个候选闭合轮廓，所述方法还包括如下步骤：

在近似轮廓附近定义搜索空间；

定义源节点和汇节点的线；

确定所述源节点和所述汇节点之间的最短路径；

定义新的源节点和多个新的汇节点；以及

确定所述新源节点和所述新汇节点之间的最短路径。

8.如权利要求2所述，其特征在于，利用梯度方向和轮廓方向的矢量积，根据梯度幅度和方向的组合来分别确定所述候选心内膜轮廓和所述候选心外膜轮廓。

9.如权利要求8所述的方法，其特征在于，它还包括如下步骤：

根据输入图像中的梯度方向与轮廓方向的正矢量积来确定第一候选心内膜轮廓；

根据所述心肌图像中的梯度方向与轮廓方向的负矢量积来确定第二候选心内膜轮廓；

根据所述输入图像中的梯度方向来确定第一候选心外膜轮廓；以及

根据所述心肌图像中的梯度方向与轮廓方向的正矢量积来确定第二候选心外膜轮廓。

10.如权利要求2所述的方法，其特征在于，它还包括确定一对一匹配矩阵的步骤，其中，为所述心内膜轮廓上的点与所述心外膜轮廓上的点分配多个模板点，这些模板点是通过对多个磁共振图像的扩展来确定的。

11.一种用于分割感兴趣的左心室磁共振图像的方法，它包括如下步骤：

根据被赋予了多个置信度值的多个能量函数来确定多个候选轮廓；

在存在形状扩展的情况下，将多个形状约束应用于所述候选心内膜轮廓和所述候选心外膜轮廓以确定心肌轮廓，其中通过对多个包括所述感兴趣磁共振图像的序列化的多个磁共振图像的形状扩展来确定模板。

12.如权利要求11所述的方法，其特征在于，所述心肌轮廓包含心内膜轮廓和心外膜轮廓。

13.如权利权利11所述的方法，其特征在于，它还包括根据在图像的灰度概图中解释为所述左心室的多个横截面的交点的多个点来确定所述左心室的近似轮廓对。

14.如权利要求13所述的方法，其特征在于，根据霍夫变换阵列来确定所述近似轮廓对，以便选出心肌中心线的中心位置和半径。

15.如权利要求11所述的方法，其特征在于，根据所述像素密度直方图来确定所述心肌响应图像的所述步骤还包括将高斯混合模型与所述像素密度直方图拟合来确定血液、肌肉和空气部分的步骤。

16.如权利要求11所述的方法，其特征在于，所述闭合轮廓包括多个候选轮廓，且对每个轮廓，所述方法还包括如下步骤：

在近似轮廓附近定义搜索空间；

定义源节点和汇节点的线；

确定所述源节点和所述汇节点之间的最短路径；

定义新的源节点和多个新的汇节点；以及

确定所述新源节点和所述新汇节点之间的最短路径。

17.如权利要求11所述，其特征在于，利用梯度方向和轮廓方向的矢量积，根据梯度幅度和方向的组合来分别确定所述候选心内膜轮廓和所述候选心外膜轮廓。

18.如权利要求17所述的方法，其特征在于，它还包括如下步骤：

19.如权利要求11所述的方法，其特征在于，所述图形切割还包括如下步骤：

定义其中每个节点对应于所述候选轮廓上置信像素之间的连接分量区域的图形；以及

确定中心节点与外侧节点之间的最小割截。

20.如权利要求11所述的方法，其特征在于，所述样条拟合还包括通过所述候选轮廓的点进行样条拟合。

21.一种机器可读的程序存储装置，它具体实现了可由所述机器执行，用以分割感兴趣的左心室磁共振图像的方法步骤的指令程序，所述方法步骤括：

根据所述感兴趣的磁共振图像中的像素密度直方图来确定心肌响应图像；

在不存在形状扩展的情况下，根据候选心内膜轮廓的图形切割和候选心外膜的样条拟合来确定心肌轮廓；以及

在存在形状扩展的情况下，将多个形状约束应用于所述候选心内膜轮廓和所述候选心外膜轮廓以确定所述心肌轮廓，其中通过对多个包括所述感兴趣磁共振图像的序列化的磁共振图像的形状扩展来确定模板。