亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

頸動(dòng)脈超聲圖像內(nèi)中膜厚度測量方法及系統(tǒng)與流程

文檔序號:12177963閱讀:3396來源:國知局
頸動(dòng)脈超聲圖像內(nèi)中膜厚度測量方法及系統(tǒng)與流程

本發(fā)明涉及頸動(dòng)脈超聲圖像處理領(lǐng)域,尤其是頸動(dòng)脈超聲圖像的內(nèi)中膜厚度測量算法。具體講,涉及頸動(dòng)脈超聲圖像內(nèi)中膜厚度測量方法及系統(tǒng)。



背景技術(shù):

超聲成像中頸動(dòng)脈血管壁的內(nèi)中膜厚度(Intima Media Thickness,IMT)可以作為評估心血管疾病的早期病變程度的重要指標(biāo),對突發(fā)心肌梗塞、中風(fēng)的診斷和預(yù)防有很重要的價(jià)值。傳統(tǒng)上,頸動(dòng)脈超聲圖像的內(nèi)中膜厚度通常由人工手動(dòng)測量獲得,測量者手工描繪圖像中的管腔-內(nèi)膜邊界(Lumen-Intima Interface,LII)和中膜-外膜邊界(Media-Adventitia Interface,MAI),然后通過計(jì)算得出兩邊界間的距離獲得IMT。然而這種測量方式工作量大,非常耗時(shí)并且最終獲得的結(jié)果受測試者所受訓(xùn)練、個(gè)人經(jīng)歷及其主觀判斷的影響。手動(dòng)測量的缺陷促進(jìn)了計(jì)算機(jī)輔助的IMT測量方法的發(fā)展。本發(fā)明提出了一種結(jié)合水平集分割和馬爾可夫隨機(jī)場(Markov Random Field,MRF)模型的頸動(dòng)脈超聲圖像內(nèi)中膜厚度測量算法。

基于幾何變形模型的水平集方法由Osher和Sethian于1982年提出。該方法是利用偏微分方程作為數(shù)值分析放過與技術(shù)手段被廣泛運(yùn)用于輪廓面或輪廓線的運(yùn)動(dòng)跟蹤。該方法將低維閉合曲線演化的問題轉(zhuǎn)化為高維空間中誰破解函數(shù)全面演化的隱含方式來求解,因此可以適應(yīng)于拓?fù)浣Y(jié)構(gòu)變化的處理。水平集方法的思想中最重要的就是Hamilton-Jacobi方程,它為運(yùn)動(dòng)的隱式曲面進(jìn)行基于時(shí)間的方程的數(shù)值求解。該方法的基本原理是,將曲線或曲面作為零水平集嵌入到高一維的水平集函數(shù)中,通過一個(gè)更高維的函數(shù)來表達(dá)低維的曲線或曲面的演化過程。零水平集被嵌入到水平集函數(shù)中,只要確定零水平集位置,就可以確定運(yùn)動(dòng)曲線或曲面演化的結(jié)果。下面簡要分析曲線模型的演化過程。平面閉合曲線C(s,t)=(m(s,t),n(s,t)):0≤s≤1(s為弧長參數(shù),t表示時(shí)間,m、n是平面曲線的坐標(biāo))被水平集方法隱含地表達(dá)為三維連續(xù)函數(shù)曲面φ(m,n,t):的一個(gè)具有相同函數(shù)值的等值曲線,令函數(shù)φ為符號距離函數(shù),可將曲線C的變化歸結(jié)為由于函數(shù)發(fā)生了某種相應(yīng)的變化所致。因此,可將隨時(shí)間變化的閉合曲線表示為水平集函數(shù)對時(shí)間的變化:

上式把對曲線的演化轉(zhuǎn)換為對水平集函數(shù)的分析。

可用如下的偏微分方程來表示曲線C沿法線方向的演化過程:

上式被稱為水平集方程(Level Set Equation),函數(shù)V被稱為速度函數(shù)(Speed Function),表示曲線上個(gè)點(diǎn)的演化速度,N是曲線的法線方向。對式(2)求取全微分,得:

式中是φ的梯度,與曲線的法向方向相同。假設(shè)Ω為整幅圖像,水平集函數(shù)位于曲線C以內(nèi)的部分為負(fù),以外的部分為正,則水平集的內(nèi)向單位法向量為

將式(2)和式(4)代入式(3)中,整理可得

這樣就用水平集方程表示了曲線演化過程,即曲線演化方程的歐氏表達(dá),它是一種Hamilton-Jacobi類型的偏微分方程。給定幾何活動(dòng)輪廓模型的偏微分方程,以及初始的水平集函數(shù)φ(m,n):φ(C)=0,式(5)就可以保證水平集函數(shù)φ(m,n,t)隨時(shí)間的演化滿足{φ(C(s,t),t)=0}條件,即φ(m,n,t)的零水平集始終是輪廓線C(s,t)。



技術(shù)實(shí)現(xiàn)要素:

為克服現(xiàn)有技術(shù)的不足,本發(fā)明旨在提出一種可靠、自動(dòng)頸動(dòng)脈超聲圖像的測量方法,使用計(jì)算機(jī)輔助測量的方式避免手動(dòng)測量方式存在的缺陷。本發(fā)明采用的技術(shù)方案是,頸動(dòng)脈超聲圖像內(nèi)中膜厚度測量方法,步驟如下:

1)圖像裁剪,裁剪移除無關(guān)信息,只保留血管部分;

2)自動(dòng)提取感興趣區(qū)域ROI(Region of Interest);

3)圖像濾波,濾除回波反射帶來的斑塊噪聲;

4)水平集分割,采用水平集分割算法追蹤血管壁的管腔-內(nèi)膜邊界LII(Lumen-Intima Interface,);

5)初始標(biāo)記場,根據(jù)頸動(dòng)脈血管壁各層近似平行的特性,在ROI中,將血管壁內(nèi)膜邊界向下平移一定像素距離,作為中膜-外膜邊界中膜-外膜邊界MAI(Media-Adventitia Interface,)的初始狀態(tài),然后依據(jù)這兩條邊界將ROI分割為管腔、內(nèi)中膜、外膜三個(gè)部分,并將獲得的分割圖像作為Markov模型的初始標(biāo)號場;

6)再分割,引入Markov模型,根據(jù)初始標(biāo)號場和灰度場對圖像再次分割圖像;

7)后處理,對分割圖像后處理,移除錯(cuò)分小區(qū)域,獲得最終分割圖像和LII、MAI,并測量內(nèi)中膜厚度IMT(Intima Media Thickness)。

步驟2)具體步驟是:根據(jù)超聲圖像灰度的統(tǒng)計(jì)規(guī)律,采用最大類間差法自適應(yīng)獲取灰度閾值,二值化超聲圖像;然后,對二值化超聲圖像形態(tài)學(xué)閉運(yùn)算,再填補(bǔ)圖像中的孔洞,利用連通域面積較大以及質(zhì)心縱坐標(biāo)較大的原則,選擇期望的白色區(qū)域,其與黑色區(qū)域相交的上邊界認(rèn)為是LII的近似位置;最后以LII的近似位置為標(biāo)準(zhǔn),向上取40、向下取20像素尺度,分別作為ROI的上、下邊界,獲得兩個(gè)分別對應(yīng)原始圖像ROI。

步驟3)圖像濾波是基于像素間距離相似性和灰度相似性的濾波,濾波輸出為

其中g(shù)(r)是濾波后圖像,是像素ξ和像素r的相似性函數(shù),為歸一化函數(shù),σ1是定義域方差,σ2是值域方差;

步驟4)進(jìn)一步及細(xì)化為:

Step1:初始化,假設(shè)ti時(shí)刻的水平集函數(shù)φ(m,n,ti)為已知,m、n是平面曲線的坐標(biāo);

Step2:求解水平集方程:獲得ti+1時(shí)刻的水平集函數(shù)φ(m,n,ti+1)在整個(gè)圖像區(qū)域的值,此時(shí)記為Γi+1的演化曲線就是φ(m,n,ti+1)的零等值曲線,即Γi+1={φ(m,n,ti+1)=0},此時(shí)的φ(m,n,ti+1)不再是符號距離函數(shù);

Step3:重新初始化,使用φ(m,n,ti+1)代替下式中的初始水平集函數(shù)φ0,迭代求解至穩(wěn)定解,仍記為φ(m,n,ti+1):

其中φt為t時(shí)刻的水平集函數(shù),φ(m,n)為初始的水平集函數(shù);

Step4:結(jié)合φ(m,n,ti+1)的值,求解物理量的控制方程,得到ti+1時(shí)刻的物理量的值;

Step5:重復(fù)步驟,進(jìn)入下一時(shí)刻的計(jì)算,直至停止。

步驟6)建立待分割圖像的Markov模型,對于Markov模型的求解,流程如下:

Step1:輸入待分割的原始圖像;

Step2:對圖像進(jìn)行初始化,得到圖像的初始標(biāo)記場;

Step3:在上一步標(biāo)號場的基礎(chǔ)上對圖像中每個(gè)像素遍歷求使之取到滿足迭代條件的標(biāo)記,更新原有的標(biāo)號場;

對Step3進(jìn)行迭代直到收斂條件。

步驟6)進(jìn)一步細(xì)化為:

圖像分割是基于像素的特征屬性和區(qū)域?qū)傩越o每一個(gè)像素分配標(biāo)號的過程。在馬爾可夫隨機(jī)場模型(Markov Random Field,MRF)中,用兩個(gè)隨機(jī)場來描述待分割的圖像,一個(gè)是標(biāo)號場X,常稱為隱隨機(jī)場,用先驗(yàn)分布P(X)描述標(biāo)號場的局部相關(guān)性;另一個(gè)是灰度場或特征場Y,以標(biāo)號場為條件,用分布函數(shù)P(Y|X)描述觀測數(shù)據(jù)或特征向量的分布,其中標(biāo)號場X是馬爾可夫場,滿足Markov特性,其先驗(yàn)分布表示為

其中A={1,…a}是圖像中像素的集合,a是圖中像素總數(shù),xi∈{1,…,q}是像素i的類別標(biāo)號,q是圖像中像素類別的總數(shù),Ni為像素i的鄰域,根據(jù)Hammersley-Clifford等價(jià)定理,所有像素的聯(lián)合概率分布為

其中Z是歸一化常數(shù),U(x)是先驗(yàn)?zāi)芰?/p>

c是一個(gè)基團(tuán),即包含若干位置的集合,xi、xj是像素點(diǎn)i、j的類別標(biāo)號,極端情況下認(rèn)為鄰域結(jié)構(gòu)的所有子集都是基團(tuán),C表示基團(tuán)的集合,Vc(x)是定義在基團(tuán)c上的勢函數(shù),它僅與像素的鄰域像素有關(guān),式中V1(xi)對應(yīng)于鄰域相關(guān)函數(shù),勢團(tuán)模型選擇二階的Potts模型進(jìn)行估計(jì),即僅考慮二階鄰域系統(tǒng)中兩點(diǎn)間的相互作用,則用偽似然近似逼近的先驗(yàn)概率表達(dá)為:

Potts模型:

其中β是控制鄰域間作用強(qiáng)度的函數(shù),Ni、ni是像素i的鄰域像素;

另一個(gè)隨機(jī)場Y指待分割圖像,它是可觀測的隨機(jī)過程,即P(Y)是固定的,則根據(jù)貝葉斯定理:

P(X|Y)∝P(X)P(Y|X) (13)

將模型轉(zhuǎn)化為對似然函數(shù)P(Y|X)和先驗(yàn)概率P(X)的求解,這里P(X|Y)是圖像的后驗(yàn)概率,其中條件分布函數(shù)P(Y|X),通常用高斯分布描述:

其中為相同標(biāo)記為xi的區(qū)域像素灰度的方差,為像素i鄰域灰度的均值;

引入Markov模型,根據(jù)公式(11)、公式(14)求解模型。

選取Potts模型作為公式(10)中的勢團(tuán)表達(dá)函數(shù),采用條件迭代算法ICM(Iterative Conditional Mode)求解Markov模型。

頸動(dòng)脈超聲圖像內(nèi)中膜厚度測量系統(tǒng),由超聲波裝置及計(jì)算機(jī)組成,超聲波裝置測得的圖像信息發(fā)送給計(jì)算機(jī)處理,計(jì)算機(jī)設(shè)置有如下模塊:

1)圖像裁剪模塊,裁剪移除無關(guān)信息,只保留血管部分;

2)自動(dòng)提取感興趣區(qū)域ROI(Region of Interest)模塊;

3)圖像濾波模塊,濾除回波反射帶來的斑塊噪聲;

4)水平集分割模塊,采用水平集分割算法追蹤血管壁的管腔-內(nèi)膜邊界LII(Lumen-Intima Interface,);

5)初始標(biāo)記場模塊,根據(jù)頸動(dòng)脈血管壁各層近似平行的特性,在ROI中,將血管壁內(nèi)膜邊界向下平移一定像素距離,作為中膜-外膜邊界中膜-外膜邊界MAI(Media-Adventitia Interface,)的初始狀態(tài),然后依據(jù)這兩條邊界將ROI分割為管腔、內(nèi)中膜、外膜三個(gè)部分,并將獲得的分割圖像作為Markov模型的初始標(biāo)號場;

6)再分割模塊,引入Markov模型,根據(jù)初始標(biāo)號場和灰度場對圖像再次分割圖像;

7)后處理模塊,對分割圖像后處理,移除錯(cuò)分小區(qū)域,獲得最終分割圖像和LII、MAI,并測量內(nèi)中膜厚度IMT(Intima Media Thickness)。

本發(fā)明的特點(diǎn)及有益效果是:

水平集算法的本質(zhì)是用高一維的曲面的零等高線作為目標(biāo)邊界去分割低一維的目標(biāo)。如果從高維度看低緯度,低緯度的拓?fù)渥兓诟呔暥戎械谋憩F(xiàn)為曲面的形態(tài)變化,不會造成曲面的拓?fù)浣Y(jié)構(gòu)變化。所以水平集算法具備相當(dāng)強(qiáng)的低緯度的拓?fù)淇勺冃浴1景l(fā)明引入水平集方法作為ROI的初始分割算法,方法穩(wěn)定,有助于可靠結(jié)果的獲得。Markov模型可以有效的刻畫圖像中鄰域像素將的空間信息,能夠使計(jì)算機(jī)的測量結(jié)果更加準(zhǔn)確。本發(fā)明有力的支持了臨床中頸動(dòng)脈超聲圖像內(nèi)中膜厚度的測量,為IMT計(jì)算機(jī)輔助測量技術(shù)的進(jìn)一步優(yōu)化發(fā)展提供了參考,對專家手動(dòng)測量的方式是很好的補(bǔ)充。

附圖說明:

圖1算法流程圖;

圖2初始頸動(dòng)脈超聲圖像;

圖3裁剪后圖像;

圖4 ROI;

圖5濾波后圖像;

圖6初始LII邊界;

圖7初始LII、MAI邊界;

圖8初始標(biāo)號場;

圖9迭代后標(biāo)號場;

圖10最終分割圖像;

圖11最終LII、MAI邊界。

具體實(shí)施方式

本發(fā)明的目的就是為了提出一種可靠、自動(dòng)頸動(dòng)脈超聲圖像的測量算法,使用計(jì)算機(jī)輔助測量的方式避免手動(dòng)測量方式存在的缺陷。基于此目的,針對目前的國內(nèi)外研究現(xiàn)狀,在本發(fā)明中采用水平集算法初步分割測量圖像,并引入Markov模型,將圖像分割問題轉(zhuǎn)化為每一個(gè)像素分配標(biāo)號的過程。

本發(fā)明結(jié)合超聲頸動(dòng)脈圖像的特點(diǎn),在所給圖像庫的測試過程中,該發(fā)明能有效的完成分割頸動(dòng)脈圖像并測量IMT的工作,具有較好的理論和使用價(jià)值。

為了實(shí)現(xiàn)上述目的,本發(fā)明采用如下的技術(shù)方案:

1)圖像裁剪。初始超聲圖像的周圍分布有病人和超聲儀器的相關(guān)信息,這些信息的存在會影響后續(xù)的圖像處理步驟,因此需要裁剪移除這些部分,只保留血管部分。

2)感興趣區(qū)域(Region of Interest,ROI)提取。自動(dòng)提取ROI可以避免手動(dòng)分割ROI的繁瑣,實(shí)現(xiàn)自動(dòng)測量IMT的目的。

3)圖像濾波。超聲圖像以實(shí)時(shí)性、可重復(fù)性、非侵入性及成本低的優(yōu)點(diǎn),成為頸動(dòng)脈檢查的首選成像方式。然而,回波反射帶來的斑塊噪聲不僅會減低圖像的成像質(zhì)量,更增加了計(jì)算機(jī)處理的難度,通過對圖像進(jìn)行濾波,降低噪聲的影響,獲得更加可信的結(jié)果。

4)水平集分割。采用水平集分割算法追蹤血管壁的管腔-內(nèi)膜邊界((Lumen-Intima Interface,LII))。

5)初始標(biāo)號場。根據(jù)頸動(dòng)脈血管壁各層近似平行的特性,在ROI中,將血管壁內(nèi)膜邊界向下平移一定像素距離,作為中膜-外膜邊界中膜-外膜邊界(Media-Adventitia Interface,MAI)的初始狀態(tài)。然后依據(jù)這兩條邊界將ROI分割為管腔、內(nèi)中膜、外膜三個(gè)部分,并將獲得的分割圖像作為Markov模型的初始標(biāo)號場。

6)再分割。引入Markov模型,根據(jù)初始標(biāo)號場和灰度場對圖像再次分割圖像。

7)后處理。對分割圖像后處理,移除錯(cuò)分小區(qū)域,獲得最終分割圖像和LII、MAI,并測量IMT。

下面結(jié)合附圖與實(shí)施例對本發(fā)明作進(jìn)一步說明。

1)圖像裁剪。在保證遠(yuǎn)端血管壁存在的條件下,截取超聲圖像中下方320×300像素大小的區(qū)域。

2)感興趣區(qū)域(Region of Interest,ROI)提取。

自動(dòng)選取閾值并對其二值化。理想情況下,超聲圖像中血管的管腔和血管壁的灰度分別呈現(xiàn)出暗、亮的特點(diǎn),因此根據(jù)圖像灰度的統(tǒng)計(jì)規(guī)律,采用最大類間差法自適應(yīng)獲取灰度閾值,二值化圖像。

尋找遠(yuǎn)端血管壁的近似位置。超聲圖像中血管位置的不同、斑塊噪聲的存在,使二值化的圖像可能存在多個(gè)白色區(qū)域。為了尋找與遠(yuǎn)端血管壁對應(yīng)的白色區(qū)域,對二值圖像形態(tài)學(xué)閉運(yùn)算,填補(bǔ)圖像中的孔洞,并根據(jù)遠(yuǎn)端血管壁位于超聲圖像下方的特點(diǎn),利用連通域面積較大以及質(zhì)心縱坐標(biāo)較大的原則,選擇期望的白色區(qū)域,其與黑色區(qū)域相交的上邊界可認(rèn)為是LII的近似位置。

提取ROI。正常頸動(dòng)脈血管的IMT約在0.5mm到1mm的范圍內(nèi),對應(yīng)超聲圖像中約8-16個(gè)像素點(diǎn)??紤]到血管可能存在彎曲和病變的情況,我們以LII的近似位置為標(biāo)準(zhǔn),向上取40、向下取20像素尺度,分別作為ROI的上、下邊界。在這一步驟中可以獲得兩個(gè)分別對應(yīng)原始圖像ROI。

3)圖像濾波。

本發(fā)明選取雙邊濾波算法分別對兩個(gè)ROI圖像濾波。雙邊濾波算法是一種非線性濾波方法,計(jì)算量小,它在醫(yī)學(xué)圖像的去噪處理中有較好的表現(xiàn),并且在去除噪聲的同時(shí)能夠較好地保持圖像的邊緣信息。該算法同時(shí)考慮了圖像像素間的距離相似性和灰度值相似性,并且可以通過高斯分布來刻畫。對圖像f(r),基于像素間距離相似性和灰度相似性的濾波輸出為:

其中g(shù)(r)是濾波后圖像,是像素ξ和r的相似性函數(shù),為歸一化函數(shù)。σ1是定義域方差,σ2是值域方差;

4)水平集分割。

Step1:初始化,假設(shè)ti時(shí)刻的水平集函數(shù)φ(m,n,ti)為已知,m、n是平面曲線的坐標(biāo);

Step2:求解水平集方程:獲得ti+1時(shí)刻的水平集函數(shù)φ(m,n,ti+1)在整個(gè)圖像區(qū)域的值,此時(shí)記為Γi+1的演化曲線就是φ(m,n,ti+1)的零等值曲線,即Γi+1={φ(m,n,ti+1)=0},此時(shí)的φ(m,n,ti+1)不再是符號距離函數(shù);

Step3:重新初始化,使用φ(m,n,ti+1)代替下式中的初始水平集函數(shù)φ0,迭代求解至穩(wěn)定解,仍記為φ(m,n,ti+1):

其中φti+1為ti+1時(shí)刻的水平集函數(shù)。

Step4:結(jié)合φ(m,n,ti+1)的值,求解物理量的控制方程,得到ti+1時(shí)刻的物理量的值;

Step5:重復(fù)步驟,進(jìn)入下一時(shí)刻的計(jì)算,直至停止。

5)初始標(biāo)號場。

建立初始標(biāo)號場。根據(jù)ROI圖像垂直方向邊緣圖,將初始LII向下平移一定距離(水平方向上平均梯度值最大位置),作為MAI的初始標(biāo)記。ROI圖像被LII和MAI劃分為三部分,由上至下依次是:管腔(標(biāo)記為1)、內(nèi)中膜(標(biāo)記為2)和外膜(標(biāo)記為3)。

6)再分割。

圖像分割是基于像素的特征屬性和區(qū)域?qū)傩越o每一個(gè)像素分配標(biāo)號的過程。在馬爾可夫隨機(jī)場模型(Markov Random Field,MRF)中,常用兩個(gè)隨機(jī)場來描述待分割的圖像,一個(gè)是標(biāo)號場X,常稱為隱隨機(jī)場,用先驗(yàn)分布P(X)描述標(biāo)號場的局部相關(guān)性。另一個(gè)是灰度場或特征場Y,常以標(biāo)號場為條件,用分布函數(shù)P(Y|X)描述觀測數(shù)據(jù)或特征向量的分布。其中標(biāo)號場X是馬爾可夫場,滿足Markov特性,其先驗(yàn)分布可表示為

其中A={1,…a}是圖像中像素的集合,a是圖中像素總數(shù),xi∈{1,…,q}是像素i的類別標(biāo)號,q是圖像中像素類別的總數(shù),Ni為像素i的鄰域。根據(jù)Hammersley-Clifford等價(jià)定理,所有像素的聯(lián)合概率分布為

其中Z是歸一化常數(shù),U(x)是先驗(yàn)?zāi)芰?/p>

c是一個(gè)基團(tuán),即包含若干位置的集合,xi、xj是像素點(diǎn)i、j的類別標(biāo)號,極端情況下可以認(rèn)為鄰域結(jié)構(gòu)的所有子集都是基團(tuán),C表示基團(tuán)的集合。Vc(x)是定義在基團(tuán)c上的勢函數(shù),它僅與像素的鄰域像素有關(guān),例式(10)中V1(xi)對應(yīng)于鄰域相關(guān)函數(shù),勢團(tuán)模型選擇二階的Potts模型進(jìn)行估計(jì),即僅考慮二階鄰域系統(tǒng)中兩點(diǎn)間的相互作用。則用偽似然近似逼近的先驗(yàn)概率表達(dá)為:

Potts模型:

其中β是控制鄰域間作用強(qiáng)度的函數(shù),Ni、ni是像素i的鄰域像素。

另一個(gè)隨機(jī)場Y指待分割圖像,它是可觀測的隨機(jī)過程,即P(Y)是固定的。則根據(jù)貝葉斯定理:

P(X|Y)∝P(X)P(Y|X) (13)

將模型轉(zhuǎn)化為對似然函數(shù)P(Y|X)和先驗(yàn)概率P(X)的求解。這里P(X|Y)是圖像的后驗(yàn)概率,其中條件分布函數(shù)P(Y|X),通常用高斯分布描述:

其中為相同標(biāo)記(標(biāo)記為xi)的區(qū)域像素灰度的方差,為像素i鄰域灰度的均值。

引入Markov模型,根據(jù)公式(11)、公式(14)求解模型。選取Potts模型作為公式(10)中的勢團(tuán)表達(dá)函數(shù)。本發(fā)明中采用條件迭代算法(Iterative Conditional Mode,ICM)求解Markov模型。ICM是一種確定性算法,能夠獲得局部最優(yōu)解。算法在每一步的迭代過程中,都要求達(dá)到最大化以便求解過程中能過快速地收斂達(dá)到局部最優(yōu)解。ICM的計(jì)算量大大減少。

7)后處理。

我們采用最大連通域準(zhǔn)則進(jìn)行處理,移除離散小區(qū)域,得到最終分割圖像。用Sobel算子提取分割圖像中第二部分內(nèi)中膜(標(biāo)記為2)的邊界,獲取LII和MAI的最終輪廓。并計(jì)算邊界間的平均距離,作為計(jì)算機(jī)輔助的頸動(dòng)脈IMT距離。

當(dāng)前第1頁1 2 3 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點(diǎn)贊!
1