專利名稱：基于骨架特征的腦血管瘤圖像識別檢測方法
技術領域：
本發(fā)明屬于醫(yī)學圖像處理技術中的模式識別領域，涉及一種腦血管瘤圖像 的識別檢測方法，具體涉及一種基于骨架特征對腦血管瘤圖像進行識別檢測的 方法，可用于構建腦血管瘤計算機輔助診斷系統(tǒng)。
背景技術：
腦血管疾病，尤其是腦血管瘤是全球人類死亡和致殘的首要原因之一，嚴 重威脅著人類的健康和生命。隨著計算機技術的不斷成熟與發(fā)展，將信息技術 與醫(yī)學影像技術相結合而產生的計算機輔助診斷(computer-aided diagnosis, CAD)系統(tǒng)在檢測和治療腦血管疾病中發(fā)揮著越來越重要的作用，也成為醫(yī)學 影像學的研究熱點之一。在基于DSA影像的腦血管瘤計算機輔助診斷系統(tǒng)中， 檢測出腦血管瘤在DSA影像中的可疑位置是進行更進一步腦血管瘤特征提取 和識別的前提和重要步驟。
傳統(tǒng)的模式識別的方法主要分為兩個方面決策理論和結構判別。第一類 方法處理的是使用定量描繪子描述的各種模式。定量描繪子包括長度、面積和 紋理。第二類方法處理的是大部分由定性描繪子描述的各種模式。由于腦血管 瘤的特殊性和復雜性，這些傳統(tǒng)的識別方法在腦血管瘤的檢測過程中都不能發(fā) 揮很好的作用。首先，由于腦血管圖像大多是灰度圖像、比較模糊，我們很難 從原始的腦血管瘤圖像中提取長度、面積和紋理等定量描述模式。其次，由于 人體內部組織比較復雜，即使是一個經過長期專業(yè)訓練的醫(yī)生也很難準確判斷 腦血管瘤的準確位置。所以腦血管圖像的定性模式也很難在腦血管瘤的檢測過 程中發(fā)揮有效作用。
因而，需要一種新的方法對腦血管瘤圖像進行識別，在此基礎上對圖像中 的腦血管瘤可疑部位實現(xiàn)檢測，以構建腦血管瘤計算機輔助診斷系統(tǒng)，對腦血 管瘤的診斷起到輔助作用。
3本發(fā)明提供一種基于骨架特征的腦血管瘤圖像識別檢測方法，用以解決現(xiàn) 有模式識別方法在腦血管瘤的檢測過程中血管瘤的特征難以提取、提取的腦血 管瘤的特征利用價值低及漏檢率髙等缺點。
為達到上述目的，本發(fā)明首先對腦血管瘤圖像的形態(tài)特征進行了進一步的 研究，發(fā)現(xiàn)，腦血管瘤發(fā)生的位置通常在血管分岔處，尤其是腦底動脈環(huán)的大 分之處，這是因為血液流動對分岔處的沖擊較大。腦血管圖像在形態(tài)上類似于 河流網絡，存在著動脈和其他很多的分支血管，通常血管是近似對稱的，其兩 條邊緣輪廓是近似平行的曲線。而腦血管瘤則是血管的邊緣因病變而凸起的部 位，在此部位腦血管兩條邊緣輪廓曲線的近似平行被打破。
基于上述腦血管的形態(tài)特點，本發(fā)明考慮采用改進的OPTA細化算法得到 腦血管拓撲骨架樹，然后在血管骨架樹中檢測分支基元，從而根據分支基元的 長度來確定腦血管瘤的病灶位置。
本發(fā)明采用的技術方案是一種基于骨架特征的腦血管瘤圖像識別檢測方 法，包括下列步驟
(1) 獲取待識別檢測的腦血管瘤圖像的灰度圖像原始數(shù)據文件，對圖像進行 二值化操作，得到二值化圖像；
(2) 對得到的二值化圖像進行骨架樹提取，所述骨架樹提取是，將二值化后 的具有寬度特征的血管圖像細化成一個像素寬度的單像素曲線圖像，即構成所 述骨架樹；
(3) 對所述骨架樹進行骨架結構基元提取，其方法是，首先提取關鍵點基元， 所述關鍵點基元為骨架樹圖像中的分叉點和端點；然后據此提取外分支基元， 分支基元是連接兩個關鍵點基元且不通過第三個關鍵點基元的骨架段，其中兩 個關鍵點基元中至少一個是端點的基元，為外分支基元，提取所有外分支基元， 作為待檢測對象；
(4) 檢測圖像中的腦血管瘤圖形位置，其方法是，設定兩個閾值T1、 T2， 選取待檢測的外分支基元，通過計數(shù)得到其長度S,當S〈T1時，判定該外分 支基元對應毛剌圖形；當8>12時，判定該外分支基元為正常的血管分支；否 則判定該外分支基元對應的是腦血管瘤圖形重復上述操作直至完成所有待檢測對象的判定，即實現(xiàn)了腦血管瘤圖像的識別和檢測
其中，Tl選擇6 10之間的整數(shù)，T2選擇14 18之間的整數(shù)。 優(yōu)選的技術方案是，所述步驟(4)中，Tl為8， T2為16。 上述技術方案中，所述的腦血管原始圖片為腦血管DSA圖片，圖片格式 符合DICOM3.0標準。利用圖像處理軟件將每個DSA圖像分解成DSA序列圖 像，保存為BMP格式。
上述步驟(2)中，腦血管骨架樹的提取可以采用現(xiàn)有技術中的細化算法進 行。例如，梅園、孫懷江、夏德深在《中國圖象圖形學報》，2006， 11(9):1306-1311 發(fā)表的"一種基于改進后模板的圖像快速細化算法" 一文中，給出了一種改進 的細化方法。本發(fā)明即可優(yōu)選采用這種改進的OPTA (one-pass thinning algorithm)的細化方法。經過細化得到的腦血管圖像的骨架樹后，具有一定 寬度的血管變成僅有一個像素寬度的骨架，血管圖像變?yōu)閱蜗袼氐那€。改進 的OPTA算法較好地消除了傳統(tǒng)OPTA算法提取的腦血管骨架毛刺較多等缺 點，提髙了腦血管骨架的細化效果。
上述技術方案中，在根據外分支基元長度特征判斷該外分支基元是否是由 腦血管瘤引起的過程中，外分支基元的長度是由組成該外分支基元的像素的個 數(shù)量度的。判定腦血管瘤引起的外分支基元的兩個閾值是根據經驗值得出的。 由于上述技術方案的運用，本發(fā)明與現(xiàn)有技術相比具有下列優(yōu)點
1. 本發(fā)明是計算機輔助診斷技術中的一種全新的檢測腦血管瘤的方法。 充分利用了腦血管瘤發(fā)生的位置通常在血管分岔處和腦血管瘤部位打破了腦 血管兩條邊緣輪廓曲線近似平行的特點，采用一種改進的OPTA細化算法得 到腦血管圖像的骨架樹，并且提取骨架樹的外分支基元以此來檢測腦血管瘤的 病灶位置，因而能清楚地識別和判定腦血管癯圖形。
2. 實驗證明，本發(fā)明的基于骨架特征的腦血管瘤的檢測方法是可行的， 并且具有較髙的精度，檢測腦血管瘤的過程中漏檢率低，速度快。
3. 將本發(fā)明應用于腦血管瘤的輔助診斷系統(tǒng)中，算法的時間復雜度低， 得到的結果較為精確，可以很好地輔助醫(yī)生診斷腦血管瘤疾病。


附圖1實施例一中基于骨架特征的腦血管瘤檢測方法流程圖； 附圖2實施例一中采用改進OPTA圖像細化算法中當前P點鄰域圖； 附圖3實施例一中采用改進OPTA圖像細化算法中的消除模板 附圖4實施例一中骨架結構基元示意圖。
具體實施例方式
為了更好地理解本發(fā)明的技術方案，下面結合附圖及實施例對本發(fā)明作進 —步描述
實施例一圖1為基于骨架特征的腦血管瘤檢測方法的流程圖，數(shù)據文件 (圖片文件)是符合BMP格式的腦血管圖片。
(l)原始圖像的二值化腦血管原始圖片為腦血管DSA圖片，圖片格式符 合DICOM3.0標準。利用圖像處理軟件(本實施例中利用蘇州大學智能信息 處理及應用研究所開發(fā)的DICOM軟件)將每個DSA圖像分解成DSA序列圖 像，保存為BMP格式。將得到的BMP格式的灰度圖片二值化 (2)骨架提取采用改進的細化算法對經步驟a)得到的二值化圖像再進行骨 架提取。本實施例采用一種改進的OPTA (one-pass thinning algorithm)的細 化方法，經過細化得到的腦血管圖像的骨架樹后，具有一定寬度的血管變成僅 有一個像素寬度的骨架，血管圖像變?yōu)閱蜗袼氐那€。為了便于敘述，本實施 例規(guī)定當前點P的鄰域如圖2所示，消除模板如圖3所示。 (2-l)對于圖像中的當前像素點P
① 若其滿足圖3(a)消除模板，且滿足下式
=0&& =0&《6 =0& 則保留P點，否則刪除該點，其中"&"表示邏輯運算"與"；
② 若其滿足圖3 (b)消除模板，則只需判斷是否滿足
(《2 =1&& =0&《7 =0& &=1&^=0)||(&=0&
& =0&《2 =0&仏3 =0)
6則保留P點，否則刪除該點；
③ 若其滿足圖3(c)消除模板，且滿足下式
(仏=0&《6 =1&《7 =0&& =0)
則保留P點，否則刪除該點；
④ 若其滿足圖3(d)消除模板，且滿足下式
(《2=0&《9=1&&3=0&仏4=0)
則保留P點，否則刪除該點；
(D若其滿足圖3(e)消除模板，且滿足下式
(《8=1&《10=0&仏3=0&《|4=0)|| (&=0&仏。=1&仏2=0)
則保留P點，否則刪除該點；
⑥ 若其滿足圖3 (f)消除模板，且滿足下式
(^=0&《4=0&《7 =0&仏0=1)||
(^=1&^。=0&仏3=0&仏4=0)||
則保留P點，否則刪除該點；
⑦ 若其滿足圖3 (g)消除模板，且滿足下式
(仏=0&" =0&& =0&《0 =1 &仏1=0脇=1&《7=0&《0=0
則保留P點，否則刪除該點
⑧ 若其滿足圖3(h)消除模板，則直接刪除該點
⑨ 否則，保留該點；
(2-2)不斷重復步驟(2-l)，直至對一張圖中所有點掃描完畢，轉入步驟 (2-3);
(2-3)判斷在上一次掃描過程中，有無點被刪除(即圖像有沒有被進一步 細化)，若有，則轉入步驟(2-l)，進入下一次掃描；否則細化結束； (3)骨架結構基元的提取在步驟(2)得到的腦血管的骨架樹中找到骨架結構基元。
(3-l)關鍵點基元提取關鍵點出現(xiàn)在骨架特性發(fā)生劇烈變化的地方， 關鍵點包括端點和分叉點。端點是骨架上各部分的起點，其提取方法是如 果骨架點P的八鄰域中是否僅有一個骨架點，P即為端點，如圖4中的骨 架點a， c, d， f。分叉點是骨架不同部分的交匯點，其提取方法是如果骨 架點P的八鄰域中有三個和三個以上骨架點時，P為分叉點，如圖4中的 骨架點b, e。；
(3-2)外分支基元提取分支基元是連接兩個關鍵點且不通過第三個 關鍵點的骨架段，若分支的兩個關鍵點均不是端點，稱其為內分支，否則 為外分支。本文中的分支基元指的是外分支。提取外分支基元的方法是 從端點開始判斷，先找到某一端點，沿此端點跟蹤下去，直到到達某一交 叉點或端點為止，所跟蹤的骨架段即為外分支基元
(4)判定腦血管瘤的位置在步驟(3)中的結構基元中的外分支基元分為三 種，分別由腦血管瘤、毛刺和正常血管引起。利用循環(huán)程序設計根據外分支基 元的長度逐個判斷該外分支基元是否是由腦血管瘤引起的。
(4-l)選取待測外分支基元提取外分支基元的端點，沿著該端點跟蹤 下去，并設置計數(shù)器N來計算共跟蹤的點數(shù)，直到到達外分支基元的另一 端點。其中外分支基元長度為S:
(4-2)如果N的計數(shù)值S大于閾值Tl且小于T2,則該骨架段所坐在部 位為腦血管瘤病灶部分，S小于T1可認為是毛刺，大于T2則是血管的正 常分支；
(4-3)重復步驟(4-l), (4-2)的過程，直到骨架圖中所有的外分支基元都 遍歷完成為止
上述具體實施方式
中，首先提取腦血管圖像的骨架樹，得到骨架樹中所有 的外分支基元，然后逐個對每個外分支基元的長度進行判斷，根據預先設置的 閑值來判斷該外分支基元是否由腦血管瘤引起的。其中，S為外分支基元的長 度，閩值T1和T2為經驗值，通常，Tl選擇6 10之間的整數(shù)，T2選擇14 18之間的整數(shù)；大量試驗表明，當T1取8， T2取16時，效果最好。
權利要求
1. 一種基于骨架特征的腦血管瘤圖像識別檢測方法，其特征在于，包括下列步驟(1)獲取待識別檢測的腦血管瘤圖像的灰度圖像原始數(shù)據文件，對圖像進行二值化操作，得到二值化圖像；(2)對得到的二值化圖像進行骨架樹提取，所述骨架樹提取是，將二值化后的具有寬度特征的血管圖像細化成一個像素寬度的單像素曲線圖像，即構成所述骨架樹；(3)對所述骨架樹進行骨架結構基元提取，其方法是，首先提取關鍵點基元，所述關鍵點基元為骨架樹圖像中的分叉點和端點；然后據此提取外分支基元，分支基元是連接兩個關鍵點基元且不通過第三個關鍵點基元的骨架段，其中兩個關鍵點基元中至少一個是端點的基元，為外分支基元，提取所有外分支基元，作為待檢測對象；(4)檢測圖像中的腦血管瘤圖形位置，其方法是，設定兩個閾值T1、T2，選取待檢測的外分支基元，通過計數(shù)得到其長度S，當S<T1時，判定該外分支基元對應毛刺圖形；當S>T2時，判定該外分支基元為正常的血管分支；否則判定該外分支基元對應的是腦血管瘤圖形；重復上述操作直至完成所有待檢測對象的判定，即實現(xiàn)了腦血管瘤圖像的識別和檢測；其中，T1選擇6～10之間的整數(shù)，T2選擇14～18之間的整數(shù)。
2. 根據權利要求1所述的腦血管瘤圖像識別檢測方法，其特征在于所 述步驟(4)中，Tl為8, T2為16。
全文摘要
本發(fā)明公開了一種基于骨架特征的腦血管瘤圖像識別檢測方法，包括下列步驟(1)對灰度圖像進行二值化操作；(2)進行骨架樹提取，獲得單像素曲線圖像；(3)進行骨架結構基元提取，關鍵點基元為骨架樹圖像中的分叉點和端點；分支基元是連接兩個關鍵點基元且不通過第三個關鍵點基元的骨架段，其中兩個關鍵點基元中至少一個是端點的基元，為外分支基元；(4)設定閾值T1、T2，待檢測的外分支基元長度為S，根據S和T1、T2的關系判定腦血管瘤圖形，T1為6～10之間的整數(shù)，T2為14～18之間的整數(shù)。采用本發(fā)明方法，算法的時間復雜度低，結果精確，可以很好的輔助醫(yī)生診斷腦血管瘤疾病。
文檔編號G06K9/00GK101425140SQ200810235260
公開日2009年5月6日 申請日期2008年11月13日 優(yōu)先權日2008年11月13日
發(fā)明者健 吳, 孫曉平, 崔志明, 張廣銘, 翟海濤 申請人:蘇州大學