專利名稱：一種血管內(nèi)超聲圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及醫(yī)學(xué)圖像處理領(lǐng)域，具體涉及一種基于隨機行走(Random Walker)算法，應(yīng)用于血管內(nèi)超聲(IVUS:1ntravascular ultrasound)圖像分割的方法。
背景技術(shù)：
血管內(nèi)超聲(IVUS:1ntravascular Ultrasound)作為一種介入性實時超聲成像技術(shù)，不僅能顯示血管內(nèi)腔形態(tài)，還能顯示血管壁分層結(jié)構(gòu)，對動脈粥樣硬化等心血管疾病的診斷和治療具有非常重要的價值?；贗VUS診斷動脈粥樣硬化需要獲取粥樣硬化的圖像特征如血管內(nèi)腔面積、斑塊面積等量化指標(biāo)，這些量化指標(biāo)的準(zhǔn)確提取依賴于有效的圖像分割。人工分割即由醫(yī)生手動勾畫血管內(nèi)腔、中外膜邊界等，不僅費時費力，而且受醫(yī)生經(jīng)驗等主觀性的限制，重復(fù)性也不好。因此，用計算機算法準(zhǔn)確、快速、自動地分割血管內(nèi)超聲圖像就顯得很有必要。目前，血管內(nèi)超聲圖像的計算機自動分割算法主要有三類:第一類為統(tǒng)計學(xué)方法(G.Mendizabal-Ruiz, M.Rivera, et al., “A probabilisticsegmentation method for the identification of luminal borders in intravascularultrasound images”， IEEE Conference on Computer Vision and Pattern Recognition,PP.1-8，2008.)，對圖像的灰度分布進行統(tǒng)計學(xué)建模實現(xiàn)血管內(nèi)超聲圖像分割，但血管內(nèi)超聲圖像中的偽影、鈣化等復(fù)雜的圖像特征將大大降低統(tǒng)計建模的準(zhǔn)確性；第二類通過機器學(xué)習(xí)的手段實現(xiàn)血管內(nèi)超聲圖像分割(1.E.G.Bovenkamp, J.Dijkstra, J.G.Bosch, et al., “Mult1-agent segmentation of IVUS images，，，Patten Recognition,Vol.37, N0.4, pp.647-663, 2004; 2.G.Unal, S.Bucher, S.Carlier, et al.,“Shape-driven segmentation of the arterial wall in intravascular ultrasoundimages，，，IEEE Trans.0n information technology in biomedicine, Vol.12, N0.3,pp.335-346，2008.)，該類方法模型復(fù)雜，實際應(yīng)用時受到諸多限制；第三類是基于活動輪廓線模型的方法(1.張麒，汪源源等，“活動輪廓模型和Contourlet多分辨率分析分割血管內(nèi)超聲圖像”，光學(xué)精密工程，Vol.16, N0.11, pp.2301-311, 2008; 2.X.Zhu, P.Zhang, J.Shao, et al., “A snake-based method for segmentation of intravascularultrasound images and its in vivo validation，，，Ultrasonics, Vol.51, pp.181-189，2011.)，該類方往往需要給定初始輪廓線，而且分割結(jié)果易受噪聲、不同斑塊等復(fù)雜圖像特征的影響。上述幾類血管內(nèi)超聲圖像分割方法的雖然自動化程度較高，但是往往都需要經(jīng)過很復(fù)雜的建模過程，且不方便通過人機交互對結(jié)果進行快速修正。發(fā)明內(nèi)容
為了解決上述問題，本發(fā)明提供了一種更為簡單、無需復(fù)雜建模的、且方便通過人機交互對結(jié)果進行快速修正的基于隨機行走算法的血管內(nèi)超聲圖像自動分割方法。
為了達到上述目的，本發(fā)明采用了以下技術(shù)方案:
一種對血管內(nèi)超聲圖像進行分割的方法，其特征在于，包含以下步驟:
通過血管內(nèi)超聲圖像的平均灰度曲線圖確定血管內(nèi)腔種子點，通過以血管內(nèi)超聲圖像的中心點為圓心，繞圓心一周的每個掃描角度上具有最大灰度值的像素連接起來確定血管外壁種子點；采用隨機行走算法計算血管超聲圖像中從每個像素點行走首先到達血管內(nèi)腔種子點和血管外壁種子點的概率，得到血管內(nèi)腔種子點的概率圖像和血管外壁種子點的概率圖像；通過計算血管內(nèi)超聲圖像，得到血管內(nèi)超聲圖像的第一梯度圖像；以連續(xù)變化的概率閾值對血管外壁種子點的概率圖像進行閾值處理，得到第一序列閾值圖像；考察第一序列閾值圖像中高于閾值的第一連通區(qū)域，結(jié)合第一梯度圖像，將第一連通區(qū)域中邊界平均梯度最大的邊界作為血管外膜邊界；將血管內(nèi)腔種子點的概率圖像中里概率大于0.5的第二連通區(qū)域邊界像素點作為血管中層種子點；采用隨機行走算法重新計算血管內(nèi)超聲圖像中從每個像素點行走首先到達血管內(nèi)腔種子點的概率和血管中層種子點的概率，得到第二血管內(nèi)腔種子點的概率圖像和血管中層種子點的概率圖像；將血管外膜及其外側(cè)區(qū)域的灰度置零后得到的血管內(nèi)超聲圖像進行計算，得到血管內(nèi)超聲圖像的第二梯度圖像；以連續(xù)變化的概率閾值對第二血管內(nèi)腔種子點的概率圖像進行閾值處理，得到第二序列閾值圖像；考察第二序列閾值圖像中高于閾值的第三連通區(qū)域，，結(jié)合第二梯度圖像，將第三連通區(qū)域中邊界平均梯度最大的邊界作為血管內(nèi)膜邊界。進一步，本發(fā)明的圖像分割方法，還可以具有這樣的特征:其中，平均灰度曲線圖以血管內(nèi)超聲圖像的中心點作為零點坐標(biāo)點，將以中心點作為圓心的每一個圓周的半徑作為橫坐標(biāo)，以每一個圓周上的所有像素點的平均灰度值為縱坐標(biāo)。進一步，本發(fā)明的圖像分割方法，還可以具有這樣的特征:其中，血管內(nèi)腔種子點是以血管內(nèi)超聲圖像的中心點為圓心的一個圓，圓的半徑等于平均灰度曲線圖上平均灰度值處于最低時的橫坐標(biāo)。另外，本發(fā)明的圖像分割方法，還可以具有這樣的特征:其中，連續(xù)變化的概率閾值范圍在0.5-0.98之間。發(fā)明的作用與效果根據(jù)本發(fā)明涉及的血管內(nèi)超聲圖像分割方法，通過血管內(nèi)超聲圖像的平均灰度曲線和每個掃描角度上最大灰度像素，自動確定了各類種子點，因而保證了分割過程的自動性；同時，隨機行走算法不僅保證了分割過程的簡單快速，同時還提供了實際應(yīng)用中通過人機交互對結(jié)果進行快速修正的可能性。


圖1是本發(fā)明的血管內(nèi)超聲圖像分割方法流程圖2是本實施例的血管內(nèi)超聲圖像；
圖3是本實施例的血管內(nèi)超聲圖像的平均灰度曲線圖4是本實施例的血管內(nèi)腔種子點和血管外壁種子點的示意圖5是本實施例的血管內(nèi)腔種子點的概率圖像；
圖6是本實施例的血管外壁種子點的概率圖像；
圖7是本實施例的血管內(nèi)超聲圖像的梯度圖像；
圖8是本實施例中分割出的血管外膜；
圖9是本實施例的血管內(nèi)腔種子點和血管中層種子點示意圖10是本實施例的血管內(nèi)腔種子點的概率圖像；
圖11是本實施例的血管中層種子點的概率圖像；
圖12是本實施例的血管外側(cè)區(qū)域置零后的血管內(nèi)超聲圖像的梯度圖像；
圖13是本實施例中分割出的血管內(nèi)膜。
具體實施方式
以下結(jié)合附圖對本發(fā)明作進一步詳細說明。
圖1是本發(fā)明的血管內(nèi)超聲圖像分割方法的流程圖。
圖2是本實施例的血管內(nèi)超聲圖像，圖3是本實施例的血管內(nèi)超聲圖像的平均灰度曲線圖。如圖3所示，血管內(nèi)超聲圖像的平均灰度曲線圖以血管內(nèi)超聲圖像的中心點作為零點坐標(biāo)點，將以中心點作為圓心的每一個圓周的半徑作為橫坐標(biāo)，以每一個圓周上的所有像素點的平均灰度值為縱坐標(biāo)。圖4是本實施例的血管內(nèi)腔種子點和血管外壁種子點的示意圖。如圖4所示，通過血管內(nèi)超聲圖像的平均灰度曲線圖可以確定血管內(nèi)腔(即血管內(nèi)膜所包含區(qū)域)種子點I和血管外壁(即血管外膜外側(cè)區(qū)域)種子點2。
血管內(nèi)腔種子點I是以血管內(nèi)超聲圖像的中心點為圓心的一個圓，圓的半徑等于平均灰度曲線圖上平均灰度值處于最低時的橫坐標(biāo)，其距離大于血管中探測器導(dǎo)管的半徑。血管外壁種子點2是由從血管內(nèi)超聲圖像的中心點出發(fā)，繞血管內(nèi)超聲圖像的中心點一周的每個掃描角度上具有最大灰度值的像素連接組成。確定血管外壁種子點2時，為降低噪聲因素的影響，根據(jù)每個掃描角度上具有最大灰度值的像素和血管內(nèi)超聲圖像中心點的距離，采用中值濾波，在本實施例中，采用5點中值，從每個掃描角度上具有最大灰度值的像素中，濾去距離血管內(nèi)超聲圖像中心點較近的點，再根據(jù)每一掃描角度上具有最大灰度的像素的灰度和最大灰度像素外側(cè)像素平均灰度的比值，當(dāng)此比值高于給定的值(在本實施例中，給定的值為4.0)，則表明此具有最大灰度的像素可能是由鈣化而導(dǎo)致灰度增大，應(yīng)該除去此點。
圖5是本實施例的血管內(nèi)腔種子點的概率圖像，圖6是本實施例的血管外壁種子點的概率圖像。如圖5、圖6所示，采用隨機行走算法計算血管內(nèi)超聲圖像中從每個像素點行走首先到達血管內(nèi)腔種子點I和血管外壁種子點2的概率，同時得到血管內(nèi)腔種子點I的概率圖像和血管外壁種子點2的概率圖像。
圖7是血管內(nèi)超聲圖像的梯度圖像。如圖7所示，通過對血管內(nèi)超聲圖像的計算可以得到其梯度圖像。以連續(xù)變化的概率閾值(0.5-0.98)對血管外壁種子點2的概率圖像進行閾值處理，得到序列閾值圖像，考察序列閾值圖像中高于閾值的連通區(qū)域，結(jié)合血管內(nèi)超聲的梯度圖像，將連通區(qū)域中邊界平均梯度最大的邊界作為血管外膜邊界3。圖8是本實施例中分割出的血管外膜3。如圖8所示，最終得到分割出的血管外膜3。圖9是本實施例的血管內(nèi)腔種子點和血管中層種子點示意圖。如圖9所示，將血管內(nèi)腔種子點I的概率圖像中概率大于0.5的連通區(qū)域里的邊界像素點作為血管中層種子點5，第二次確立血管內(nèi)腔種子點I時的步驟與第一次相同。圖10是本實施例的血管內(nèi)腔種子點的概率圖像，圖11是本實施例的血管中層種子點的概率圖像。如圖10、圖11所示，采用隨機行走算法計算血管內(nèi)超聲圖像中從每個像素點行走首先到血管內(nèi)腔種子點3和血管中層種子點4的概率，同時得到血管內(nèi)腔種子點3的概率圖像和血管中層種子點4的概率圖像。圖12是本實施例的血管外膜及其外側(cè)區(qū)域置零后的血管內(nèi)超聲圖像的梯度圖像。如圖3所示，在確定血管內(nèi)膜時，為避免血管外膜圖像由于梯度較高會對內(nèi)膜梯度圖像產(chǎn)生影響，因此根據(jù)之前已經(jīng)分割出的血管外膜，將圖像中血管外膜3以及外側(cè)區(qū)域的灰度先置零，再計算梯度得到血管內(nèi)超聲圖像的梯度圖像。以連續(xù)變化的概率閾值(0.5-0.98)對血管內(nèi)腔種子點的概率圖像進行閾值處理，得到序列閾值圖像，考察該序列閾值圖像中高于閾值的連通區(qū)域，結(jié)合血管外膜及其外側(cè)區(qū)域置零后的血管內(nèi)超聲圖像的梯度圖像，將連通區(qū)域中邊界平均梯度最大的邊界作為血管內(nèi)膜邊界5。圖13是分得出的血管內(nèi)膜5。如圖13所示，最終得到血管內(nèi)膜邊界5.
實施例的作用與效果根據(jù)本實施例涉及的血管內(nèi)超聲圖像分割方法，通過血管內(nèi)超聲圖像的平均灰度曲線和每一掃描角度上的最大灰度像素，自動確定了各類種子點，因而保證了分割過程的自動性；同時，隨機行走算法不僅保證了分割過程的簡單快速，同時還提供了實際應(yīng)用中通過人機交互對結(jié)果進行快速修正的可能性。
權(quán)利要求
1.一種對血管內(nèi)超聲圖像進行分割的圖像分割方法，其特征在于，包含以下步驟: 通過血管內(nèi)超聲圖像的平均灰度曲線圖確定血管內(nèi)腔種子點，通過以所述血管內(nèi)超聲圖像的中心點為圓心，繞所述圓心一周的每個掃描角度上具有最大灰度值的像素連接起來確定血管外壁種子點； 采用隨機行走算法計算所述血管超聲圖像中從每個像素點行走首先到達所述血管內(nèi)腔種子點和所述血管外壁種子點的概率，得到血管內(nèi)腔種子點的概率圖像和血管外壁種子點的概率圖像； 通過計算所述血管內(nèi)超聲圖像，得到所述血管內(nèi)超聲圖像的第一梯度圖像； 以連續(xù)變化的概率閾值對所述血管外壁種子點的概率圖像進行閾值處理，得到第一序列閾值圖像； 考察所述第一序列閾值圖像中高于閾值的第一連通區(qū)域，結(jié)合所述第一梯度圖像，將所述第一連通區(qū)域中邊界平均梯度最大的邊界作為血管外膜邊界； 將所述血管內(nèi)腔種子點的概率圖像中里概率大于0.5的第二連通區(qū)域邊界像素點作為血管中層種子點； 采用隨機行走算法重新計算所述血管內(nèi)超聲圖像中從每個像素點行走首先到達所述血管內(nèi)腔種子點的概率和所述血管中層種子點的概率，得到第二血管內(nèi)腔種子點的概率圖像和血管中層種子點的概率圖像； 通過計算將所述血管外膜及其外側(cè)區(qū)域的灰度置零后得到的血管內(nèi)超聲圖像，得到所述血管內(nèi)超聲圖像的第二梯度圖像； 以所述連續(xù)變化的概率閾值對所述第二血管內(nèi)腔種子點的概率圖像進行閾值處理，得到第二序列閾值圖像； 考察所述第二序列閾值圖像中高于閾值的第三連通區(qū)域，結(jié)合所述第二梯度圖像，將所述第三連通區(qū)域中邊界平均梯度最大的邊界作為血管內(nèi)膜邊界。
2.根據(jù)權(quán)利要求1所述的圖像分割方法，其特征在于: 其中，所述平均灰度曲線圖以所述血管內(nèi)超聲圖像的中心點作為零點坐標(biāo)點，將以所述中心點作為圓心的每一個圓周的半徑作為橫坐標(biāo)，以所述每一個圓周上的所有像素點的平均灰度值為縱坐標(biāo)。
3.根據(jù)權(quán)利要求1所述的圖像分割方法，其特征在于: 其中，所述血管內(nèi)腔種子點是以所述血管內(nèi)超聲圖像的中心點為圓心的一個圓，所述圓的半徑等于所述平均灰度曲線圖上平均灰度值處于最低時的橫坐標(biāo)。
4.根據(jù)權(quán)利要求1所述的圖像分割方法，其特征在于: 其中，所述連續(xù)變化的概率閾值范圍在0.5-0.98之間。
全文摘要
一種血管內(nèi)超聲圖像的分割方法，包含以下步驟確定血管內(nèi)腔種子點和血管外壁種子點；得到第一血管內(nèi)腔種子點和血管外壁種子點的概率圖像；得到血管內(nèi)超聲圖像的第一梯度圖像；對血管外壁種子點的概率圖像進行閾值處理，得到第一序列閾值圖像；通過第一序列閾值圖像和第一梯度圖像，確定血管外膜邊界；將血管內(nèi)腔種子點的概率圖像中里概率大于0.5的第二連通區(qū)域邊界像素點作為血管中層種子點；得到第二血管內(nèi)腔種子點和血管中層種子點的概率圖像；得到血管內(nèi)超聲圖像的第二梯度圖像；對第二血管內(nèi)腔種子點的概率圖像進行閾值處理，得到第二序列閾值圖像；通過第二序列閾值圖像和第二梯度圖像，確定血管內(nèi)膜邊界。
文檔編號G06T7/00GK103164859SQ20131012440
公開日2013年6月19日 申請日期2013年4月11日 優(yōu)先權(quán)日2013年4月11日
發(fā)明者嚴加勇, 崔崤峣 申請人:上海理工大學(xué), 上海醫(yī)療器械高等專科學(xué)校