本發(fā)明涉及醫(yī)學圖像處理領域，特別是涉及一種血管提取方法及其裝置。

背景技術：

血管成像技術包括CT血管造影(CTA，CT angiography)，磁共振血管造影(Magnetic Resonance Angiography，MRA)，以及MR非造影成像等，是臨床常用的血管診斷方法，可以幫助醫(yī)生診斷血管的各種疾病，如鈣化、狹窄、動脈瘤、硬腦膜靜脈竇等。通過血管成像技術獲取的血管圖像并不能給醫(yī)生直觀的感受。因此需要從醫(yī)學圖像中提取血管并以三維顯示技術展示血管的形態(tài)，以更好地輔助醫(yī)生對病灶進行分析，提高醫(yī)療診斷的準確性和科學性，有利于制定最優(yōu)的治療方案及手術規(guī)劃，對醫(yī)學研究具有重要的意義。

血管成像獲取的醫(yī)學圖像需要將血管與其它組織分離，但是，由于動脈瘤或鈣化等疾病的影響導致血管狹窄，或者由于造影劑過低或掃描問題，可能呈現不同的形態(tài)，或者由于血管與周圍骨頭緊鄰，空間位置錯綜復雜，同時增強后的血管強度值和骨頭的強度值存在部分重疊，從而影響醫(yī)生對血管的檢測及診斷。

現有技術中，血管提取的方法主要有：

1.基于血管模型，例如利用可變網格的模型擬合血管結構，在提取過程中不依賴圖像特征信息，適用于具備典型血管的形狀特征的提取。但是，由于網格技術非常復雜，導致分割速度較慢，影響實際使用。

2.不基于血管模型。根據提供的一個或多個起始點(終止點)尋找血管種子點。例如，根據卡爾曼濾波方法技術每個橫截面上發(fā)根血管得到血管截面，不斷移動截面并計算卡爾曼增益，最終提取完整血管。該類方法依賴于起始點(終止點)的輸入，魯棒性有待提高，無法實現自動的血管提取。

綜上所述，由于血管系統(tǒng)的復雜性，有必要對現有血管提取方法進行改進，提高血管提取的準確性。

技術實現要素：

本發(fā)明所要解決的技術問題提出一種血管提取方法，其能有效改進現有血管提取方法，自動確定血管種子點，進而快速、準確地提取血管。

為解決上述技術問題，本發(fā)明提供一種血管提取方法，包括如下步驟：

定位醫(yī)學圖像中的候選血管區(qū)域；

將所述候選血管區(qū)域劃分為對稱分布的第一區(qū)域和第二區(qū)域；

基于所述第一區(qū)域和第二區(qū)域的血管特征，分別構建第一特征函數和第二特征函數；

根據所述第一特征函數和第二特征函數，獲取血管特征函數；

根據所述血管特征函數的值確定種子點；

基于所述種子點提取血管。

進一步的，所述定位候選血管區(qū)域，包括：

通過模板匹配、或者熵定位、或者空間位置關系定位或者前述方法的組合定位所述候選血管區(qū)域。

進一步的，包括通過鏡面操作、或者空間定位、或者基于質心進行劃分將所述候選血管區(qū)域劃分為第一區(qū)域和第二區(qū)域。

進一步的，所述建立第一特征函數和第二特征函數，至少包括：

獲取所述第一區(qū)域或第二區(qū)域的血管特征；

構造包含所述血管特征的第一特征函數和第二特征函數；

所述血管特征至少包括形狀指數、增強值、強度值或梯度。

進一步的，包括通過海森矩陣或者霍夫曼變化處理所述第一區(qū)域或第二區(qū)域獲取所述增強值。

進一步的，所述第一特征函數和第二特征函數通過所述血管特征加權組合獲取。

進一步的，所述根據所述血管特征函數的值確定種子點，包括：

計算所述血管特征函數的值；

選取血管特征函數的最大值對應的像素或體素為所述種子點。

進一步的，所述候選血管區(qū)域劃分為對稱分布的第一區(qū)域和第二區(qū)域還包括：對所述第一區(qū)域和第二區(qū)域進行閾值分割，去除骨骼組織。

為解決上述技術問題，本發(fā)明還提供一種血管提取裝置，包括：

定位單元，用于獲取醫(yī)學圖像中的候選血管區(qū)域，將所述候選血管區(qū)域劃分為對稱分布的第一區(qū)域和第二區(qū)域；

種子點確定單元，用于確定血管的種子點；

提取單元，用于基于所述種子點提取血管。

進一步的，所述確定單元包括：

構建子單元，基于所述第一區(qū)域和第二區(qū)域的血管特征，分別建立第一特征函數和第二特征函數；

組合子單元，根據所述第一特征函數和第二特征函數，獲取血管特征函數；

確定子單元，根據所述血管特征函數的值確定種子點。

與現有技術相比，本發(fā)明的優(yōu)點在于：

本發(fā)明利用人體對稱信息，劃分所述候選血管區(qū)域，獲取對稱分布的第一區(qū)域和第二區(qū)域；組合對應第一區(qū)域和第二區(qū)域的第一特征函數和第二特征函數，獲取血管特征函數，計算所述血管特征函數值，確定對稱分布于所述確定第一區(qū)域和第二區(qū)域的種子點。本發(fā)明提供的血管種子點及其選取方法不需要標準模型且能夠全自動選取血管種子點，充分利用人體對稱信息，具有可靠性高，提取速度快的特點，相對于根據單一血管的特征提取血管更加準確。

【附圖說明】

圖1為本發(fā)明一實施例中血管的提取方法流程圖；

圖2為本發(fā)明一實施例中頭頸部血管示意圖；

圖3為本發(fā)明一實施例中提取椎動脈的方法流程圖；

圖4為本發(fā)明一實施例中提取頸內動脈的方法流程圖；

圖5為本發(fā)明一實施例中大腦橫斷面切片示意圖；

圖6本發(fā)明一實施例中應用系統(tǒng)示意圖；

圖7為本發(fā)明一實施例中血管提取裝置的結構示意圖。

【具體實施方式】

在下面的描述中闡述了很多具體細節(jié)以便于充分理解本發(fā)明。但是本發(fā)明能夠以很多不同于在此描述的其它方式來實施，本領域技術人員可以在不違背本發(fā)明內涵的情況下做類似推廣，因此本發(fā)明不受下面公開的具體實施的限制。

其次，本發(fā)明利用示意圖進行詳細描述，在詳述本發(fā)明實施例時，為便于說明，所述示意圖只是實施例，其在此不應限制本發(fā)明保護的范圍。使本發(fā)明的上述目的、特征和優(yōu)點能夠更為明顯易懂，下面結合附圖和實施例對本發(fā)明的具體實施方式做詳細的說明。

實施例1

為解決現有技術中由于血管系統(tǒng)的復雜性影響血管提取的準確性，例如動脈瘤或鈣化等疾病的影響導致血管狹窄，或者由于造影劑過低或掃描問題，可能呈現不同的形態(tài)，或者與空間上緊貼血管，圖像強度值接近的骨頭組織等，本實施例采用一種血管的提取方法如圖1所示，包括如下步驟：

執(zhí)行步驟S101：定位醫(yī)學圖像中的候選血管區(qū)域。所述醫(yī)學圖像包括但不限于通過各類模態(tài)的成像系統(tǒng)掃描采集獲得三維或二維圖像，也可以通過諸如存儲系影像歸檔和通信系統(tǒng)(Picture Archiving and Communication Systems，PACS)等內部或外部存儲系統(tǒng)傳輸獲得。所述模態(tài)包括但不限于磁共振成像(MRI)、磁共振血管造影(MRA)、計算機斷層掃描(CT)、正電子發(fā)射斷層掃描(Positron Emission Tomography，PET)等一種或多種的組合。所述醫(yī)學圖像的格式可以包括但不限于JPEG圖像格式、TIFF圖像格式、GIF圖像格式、FPX圖像格式、DICOM圖像格式等。

本實施例中，所述醫(yī)學圖像可以是通過前述各類成像系統(tǒng)對人體實施實施掃描后獲取的原始圖像，也可以是通過輸入計算機圖像處理設備中進行處理，基于閾值分割、聚類算法、直方圖分割模型、最大類間方差分割模型、基于網格模型、或者基于圖像匹配等方法處理后的醫(yī)學圖像，例如采用前述方法處理獲取的血管分割結果，可以通過定位所述分割結果的候選血管區(qū)域進行后續(xù)的血管提取，以供用戶觀察和使用。

所述定位候選血管區(qū)域，可以通過模板匹配、或者熵定位、或者分割方法或者前述方法的組合定位所述候選血管區(qū)域。例如，可以通過將所述醫(yī)學圖像與標記有血管圖譜的模板圖像進行匹配，根據映射關系將所述血管圖譜匹配至所述醫(yī)學圖像，獲取所述候選血管區(qū)域。又例如，可以通過計算所述醫(yī)學圖像的熵值曲線后，與標準曲線進行匹配，從而定位所述候選血管區(qū)域。本實施例中，定位候選血管區(qū)域前，還可以對所述醫(yī)學圖像進行血管增強等操作，以提高定位準確性。還例如，通過血管區(qū)域與周圍組織的位置關系定位所述血管候選區(qū)域。所述血管候選區(qū)域，可以是動脈血管、靜脈血管等血管，或者上述的任意組合。例如對稱分布的頸內動脈、頸外動脈、椎動脈、大腦中動脈和股動脈等，所述血管候選區(qū)域可能還包括空間上緊貼血管，圖像強度值與血管相近的骨頭組織，和動脈瘤或鈣化等病灶組織等影響提取血管準確性的主要噪音。

執(zhí)行步驟S102：將所述候選血管區(qū)域劃分為第一區(qū)域和第二區(qū)域。所述第一區(qū)域和第二區(qū)域對稱分布。例如，頸內動脈基于矢狀面對稱分布，通過計算矢狀面將所述頸內動脈劃分為左頸內動脈和右頸內動脈。本實施例中，還可以通過空間定位獲取所述第一區(qū)域和第二區(qū)域。所述空間定位可以基于候選血管區(qū)域與周圍組織的空間位置關系或者形態(tài)結構或者前述組合劃分為所述第一區(qū)域或第二區(qū)域，例如對于椎動脈，獲取左、右椎動脈。還可以通過所述質心獲取所述第一區(qū)域或第二區(qū)域，例如可以通過計算所述候選血管區(qū)域的質心，構建對稱面，獲取所述第一區(qū)域和第二區(qū)域。本實施例中，還可以組合前述的鏡面操作、或者空間定位、或者基于質心劃分所述血管候選區(qū)域，獲取所述第一區(qū)域和第二區(qū)域。還可以基于所述血管區(qū)域的橫斷面作劃分操作，獲取所述第一區(qū)域和第二區(qū)域。還可以基于所述第一區(qū)域和第二區(qū)域作閾值分割，去除大塊骨頭組織，減少后續(xù)處理的計算量，提高處理速度。本實施例中，通過劃分所述候選血管區(qū)域，獲取對稱分布的第一區(qū)域和第二區(qū)域，有效利于人體對稱信息，便于后續(xù)構建對稱區(qū)域中的特征函數，進而確定血管種子點，提高血管提取的魯棒性和準確性。

執(zhí)行步驟S103：基于所述第一區(qū)域和第二區(qū)域的血管特征，分別建立第一特征函數和第二特征函數。所述第一特征函數是包含第一區(qū)域的血管特征的函數，例如可以通過加權組合所述第一區(qū)域的血管特征獲取所述第二特征函數，同理，也可以獲取所述第二特征函數。所述血管特征至少包括形狀指數、增強值、強度值或梯度、空間形態(tài)、位置關系或者前述組合。所述形狀指數可以是對于所述第一區(qū)域或第二區(qū)域的面積與周長比，二階長距與長短軸之比等關于判斷形狀的函數；所述增強值可以是通過霍夫曼變化或海森矩陣處理所述第一區(qū)域或第二區(qū)域中各個像素或體素獲取的增強圖像。所述強度值可以是所述第一區(qū)域或第二區(qū)域中各個像素或體素灰度值，灰度均值、灰度方差或者前述組合。所述梯度可以是直接計算各點梯度值，梯度方差、或者梯度值與平均值的差值、梯度方差或者前述組合。

執(zhí)行步驟S104：根據所述第一特征函數和第二特征函數，獲取血管特征函數。本實施例中，可以組合所述第一特征函數和第二特征函數獲取所述血管特征函數，如公式(1)所示，F表示組合后的血管特征函數，f表示組合函數，W_l表示所述第一特征函數的權重，以及Wr表示所述第二特征函數的權重。W_l和/或W_r可以是常數，例如，正的常數、負的常數、或者0。所述組合可以是加、減、乘、除、求倒、分段函數、冪函數、指數函數、三角函數、對數函數等運算，或者上述運算方式的任意組合。

F＝f(F_l·W_l，F_r·W_r) 公式(1)

示例性的，可以通過乘法運算，如公式(2)所述，F表示所述血管特征函數，所述F_li為通過所述第一特征函數計算第一區(qū)域中任意一個像素點或體素點i的值，所述F_rj為通過所述第一特征函數計算第一區(qū)域中任意一個像素點或體素點j的值，所述d為點i和點j之間的空間直線距離。

F_i，j＝(F_li×F_rj)/d_i，j 公式(2)

本實施例中，根據所述第一特征函數和第二特征函數，獲取血管組合函數，以人體對稱性作為血管特征，充分利用第一區(qū)域和第二區(qū)域的血管特征，利用后續(xù)種子點的確定，有效提高血管提取的準確性。

執(zhí)行步驟S105：根據所述血管特征函數的值確定種子點。基于公式(1)計算所述血管特征函數的值。選取血管特征函數的最大值對應的像素或體素為所述種子點。例如，根據所述第一特征函數計算所述第一區(qū)域中任意一點i的第一特征函數值；根據所述第二特征函數計算所述第二區(qū)域中任意一點j的第二特征函數值；將所述特征函數的值和第二特征函數的值代入血管特征函數，獲取所述血管特征函數的值。所述血管特征函數的值分別對應所述第一區(qū)域中任意一點i和第二區(qū)域中任意一點j。本實施例中，也可以選取血管特征函數絕對值的最大值所對應的像素或體素為所述種子點。本實施例中，基于所述血管特征函數的值，獲取對稱分布于所述第一區(qū)域和第二區(qū)域的種子點，充分利用人體對稱信息，相對于根據單一血管的特征提取血管更加準確。

執(zhí)行步驟S106；基于所述種子點提取血管。根據對稱分布于所述第一區(qū)域和第二區(qū)域中的種子點，采用水平集算法、基于閾值的提取方法、基于邊緣的提取方法、基于區(qū)域的提取方法、基于聚類分析的提取方法、基于小波變換的提取方法、基于數學形態(tài)學的方法、基于人工神經網絡的方法、基于遺傳算法的方法等方法獲得血管邊界或者血管中心線，獲取所述第一區(qū)域或第二區(qū)域內的血管。

本實施例中，利用人體對稱信息，劃分所述候選血管區(qū)域，獲取對稱分布的第一區(qū)域和第二區(qū)域；組合對應第一區(qū)域和第二區(qū)域的第一特征函數和第二特征函數，獲取血管特征函數，計算所述血管特征函數，確定對稱分布于所述確定第一區(qū)域和第二區(qū)域的種子點。本實施例提供的血管提取方法，不依賴于標準高模型，全自動選取血管種子點，相對于根據單一血管的形狀特征提取血管更加準確。

實施例2

為使上述目的、特征和優(yōu)點能夠更加明顯易懂，本實施例提供一種針對頭頸部血管造影圖像提取椎動脈的方法。如圖2所述，椎動脈空間形態(tài)成左右對稱的兩條細長血管，解剖結構上穿椎孔向顱內伸展，經枕骨大孔上升到顱內后，兩條椎動脈在腦橋下緣匯合在一起，為大腦后部供血。由于椎動脈管邊界多與骨頭粘連，空間位置錯綜復雜導致提取難度較大。因此，本實施例提供如圖3方法流程圖所示，包括如下步驟：

執(zhí)行步驟S301：定位醫(yī)學圖像中的椎動脈區(qū)域。所述CTA圖像可以是經過圖像分割獲取的頭頸部血管區(qū)域，也可是將所述CTA圖像與標記有椎動脈圖譜的標準圖像進行匹配，根據映射關系將所述標準圖像中的椎動脈匹配至所述CTA圖像，獲取所述椎動脈區(qū)域。本實施例中，所述CTA圖像可以是二維圖像，也可以是三維圖像，對應圖像的最小單元為像素或體素。

執(zhí)行步驟S302：基于矢狀面將所述椎動脈區(qū)域劃分為對稱分布的第一區(qū)域和第二區(qū)域。例如，計算所述椎動脈區(qū)域的矢狀對稱面，所述對稱可以基于空間定位獲取，也可以通過定位所述椎動脈區(qū)域的質心獲取?；谒鍪笭顚ΨQ面將所述椎動脈區(qū)域劃分為第一區(qū)域和第二區(qū)域。所述第一區(qū)域和第二區(qū)域分別對應左、右椎動脈區(qū)域。本實施例中，所述第一區(qū)域和第二區(qū)域也可以通過外接矩形框顯示，基于外接矩形內的區(qū)域進行后續(xù)處理，以減少計算量，提高血管的提取速度。

執(zhí)行步驟S303：基于所述第一區(qū)域和第二區(qū)域的血管特征，建立第一特征函數F_l和第二特征函數F_r。本實施例中，所述第一特征函數是包含第一區(qū)域的血管特征的函數，所述第二特征函數是包含第二區(qū)域的血管特征的函數數。

示例性的，選取所述第一區(qū)域的血管特征，所述血管特征包括所述第一區(qū)域的灰度值G、梯度T、增強值H和面積周長比S的組合，所述第一特征函數是關于灰度值G、梯度T、增強值H和面積周長比S的函數，如F_li＝f(G_li，T_li，H_li，S_li；)。其中，增強值H和面積周長比S對所述第一特征函數起正影響作用，所述灰度值G所述梯度值T對所述第一特征函數起負影響作用，所述正影響所用是指該區(qū)域為血管的可能性較大，所述負影響是指該區(qū)域為非血管的可能性較大。

G_i＝abs(I_i-I_mean)/I_std 公式(3)

所述灰度值可以通過公式(3)獲取，其中I_i為所述第一區(qū)域中任一個像素點或體素點i的圖像灰度值，I_mean為所述第一區(qū)域各點的平均灰度值，所述I_mean的值基于經驗值確定，I_std為血管灰度值方差，所述I_std可以通過經驗值或者事先訓練獲取，例如，根據血管的金標準計算I_mean和I_std；通過取(I_i-I_mean)的絕對值與I_std的比值獲取點i的灰度值。

所述梯度值可以反映圖像灰度值的變化程度。例如，梯度值越大，圖像灰度值變化越顯著。由于血管內部為均質屬性，屬于血管內的點之間的梯度值變化較小，而血管邊緣區(qū)域為非均質屬性，屬于血管邊緣與背景相鄰區(qū)域的梯度值變化較大。示例性的所述梯度值可以通過公式(4)獲取，首先對所述第一區(qū)域進行增強處理，例如通過海森線增強所述第一區(qū)域中的管狀連通域；選取被增強區(qū)域周圍區(qū)域內的梯度平均值即T_circle，取增強值大于閾值的區(qū)域內的梯度平均值即T_mean，所述T_mean越小，則說明該區(qū)域越趨于均質屬性，屬于血管區(qū)域的可能性更高；所述閾值可以根據經驗值確定，例如選取2.5。

T＝T_circle-T_mean 公式(4)

所述增強值可以通過海森矩陣或者霍夫變換處理所述第一區(qū)域，獲取增強圖像，讀取各點的增強值H。也可以如公式(5)所示，由于血管空間形態(tài)為管狀結果，可以通過海森增強提高所述第一區(qū)域中管狀結構與骨、肌肉及其它噪音的對比度。其中H_l為海森線增強值，V為海森矩陣最大特征值對應的特征向量，N為待檢測血管的標準方向，例如椎動脈空間走向為穿椎孔向顱內伸展方向，如果增強區(qū)域的走向與椎動脈一致，即與N一致，則V×N的值較大，該增強區(qū)域為血管的可能性更高，反之，V×N會比較小，說明該增強區(qū)域可能非血管區(qū)域，例如骨頭組織。

H＝H_l×(V×N) 公式(5)

所述形狀指數是判斷連通域形狀的函數，本實施例中選取所述形狀指數可以是對于所述第一區(qū)域或第二區(qū)域的面積與周長比。

將所述第一區(qū)域的灰度值、梯度、增強值和形狀指數組合成所述第一特征函數。示例性的，如公式(6)所示，通過加權組合個血管特征獲取所述第一特征函數。其中，a_l、b_l、c_l和d_l分別是灰度值、梯度、增強值和形狀指數對應的權重。

F_l＝a_lG_l+b_lT₁+c_lH_l+d_lS_l 公式(6)

同樣的，如前述步驟所述，可以基于所述第二區(qū)域的的灰度值、梯度、增強值和形狀指數獲取所示所述第二特征函數，如公式(7)所示。

F_r＝a_rG_r+b_rT_r+c_rH_r+d_rS_r 公式(7)

執(zhí)行步驟S304～S305：組合所述第一特征函數和第二特征函數，獲取血管特征函數；計算所述血管特征函數的值，選取最大值對應的體素為種子點。

由于造影劑的影響，例如造影劑較弱的情況下，部分血管的強度值可能低于正常造影血管；以及血管瘤、鈣化等病灶點的影響使得血管形態(tài)可能產生畸變。還有一些正常造影的血管，因與骨骼強度值相近，空間上緊貼骨骼，導致難以分辨血管等原因使得基于單一血管的血管特征進行血管特征，可能造成提取失敗。因此本實施例中，通過組合所述第一特征函數和第二特征函數，包含了對稱分布的第一區(qū)域和第二區(qū)域的血管特征，利用人體對稱性確定種子點，可以有效解決單一血管中由于上述問題導致的血管提取失敗。

所述組合可以通過如公式(2)所示，F_i，j表示所述血管特征函數，所述F_li為通過所述第一特征函數計算第一區(qū)域中任意一個像素點或體素點i的值，所述F_rj為通過所述第二特征函數計算第二區(qū)域中任意一個像素點或體素點j的值，所述d_i，j為點i和點j之間的空間直線距離。由于利用人體對稱信息，基于包含對稱分布的第一區(qū)域和第二區(qū)域中的血管特征構造的血管特征函數，確定種子點，所述種子點近似基于前述計算的矢狀對稱面對稱，即值d_i，j較小，對應的血管特征函數值則越大。選取血管特征函數的最大值Max{(F_li×F_rj)/d_i，j}對應的點p和點q為種子點。進一步的，由于所述第一區(qū)域和區(qū)域對稱分布，因此點p和點q也近似基于所述矢狀對稱面對稱。

執(zhí)行步驟S306：基于所述種子點提取血管。本實施例中，根據前述步驟獲取的種子點p和點q分別在所述第一區(qū)域和第二區(qū)域進行血管提取。所述提取方法可以基于閾值的提取方法、基于邊緣的提取方法、基于區(qū)域的提取方法、基于聚類分析的提取方法、基于小波變換的提取方法、基于數學形態(tài)學的方法、基于人工神經網絡的方法、基于遺傳算法的方法、以及相同或不同部位血管的組合方法等。本實施例對此不作具體限定。

實施例3

為使上述目的、特征和優(yōu)點能夠更加明顯易懂，本實施例提供一種針對頭頸部血管造影圖像提取頸內動脈的方法。如圖2所示，頸內動脈經頸總動脈發(fā)出后垂直上升至顱底，經過頸動脈管入顱腔，給大腦的前部和中部供血，空間形態(tài)上位于氣管和椎骨之間。由于動脈易發(fā)動脈粥樣硬化，導致血管發(fā)生形變(如血管狹窄)，以及穿顱的空間位置使得血管與周圍骨頭緊鄰，空間位置錯綜復雜，以及增強后的血管強度值和骨頭組織的強度值存在部分重疊導致分割提取難度較大。本實施例中提供如圖4方法流程圖所示，包括如下步驟：

執(zhí)行步驟S401，根據頭頸部CT圖像定位頸內動脈區(qū)域。本實施例中，通過熵定位獲取所述頸內動脈區(qū)域。示例性的，首先，計算每層CT圖像的熵值獲取圖像的熵值曲線，將該熵值曲線與標準曲線進行匹配，可定位所述頸內動脈區(qū)域。

執(zhí)行步驟S402，基于氣管與椎骨的空間位置將所述頸內動脈區(qū)域，劃分為對稱分布的第一區(qū)域和第二區(qū)域。如圖5大腦橫斷面圖像所示，頸內動脈位于氣團與椎骨之間，可以基于空間位置劃分頸內動脈區(qū)域，獲取對稱分布的第一區(qū)域和第二區(qū)域，所述第一區(qū)域和第二區(qū)域分別對應左、右頸內動脈區(qū)域。本實施例中，所述第一區(qū)域和第二區(qū)域也可以通過外接框顯示，例如扇形外接框，基于外接框內的第一區(qū)域和第二區(qū)域進行后續(xù)處理，以減少計算量，提高血管的提取速度，所述外接框形狀可根據所述第一區(qū)域和第二區(qū)域的形態(tài)作適應性調整。

執(zhí)行步驟S403，基于所述第一區(qū)域和第二區(qū)域的血管特征，分別建立第一特征函數F_l和第二特征函數F_r。本實施例中，所述第一特征函數是包含第一區(qū)域的血管特征的函數，所述第二特征函數是包含第二區(qū)域的血管特征的函數數。為提高建立所述第一特征函數的速度，本實施例首選對頭頸部CT圖像進行預處理，包括但不限于基于閾值的去骨方法，以去除不靠近血管區(qū)域的大塊骨頭組織，以及降噪、平滑處理等。

基于預處理后的頭頸部CT圖像作血管特征提取，建立所述第一特征函數。示例性的，選取所述第一區(qū)域的血管特征，所述血管特征包括所述第一區(qū)域的灰度值G、梯度T、增強值H和面積周長比S的組合，所述第一特征函數是關于灰度值G、梯度T、增強值H和面積周長比S的函數，如F_li＝f(G_li，T_li，H_li，S_li)。

構建所述第一特征函數的方法，前述實施例已詳細描述，在此不作贅述。

同理可以獲取所述第二特征函數F_li＝f(G_li，T_li，H_li，S_li)。

執(zhí)行步驟S404，組合所述第一特征函數和第二特征函數，獲取如公式(8)所示的血管特征函數。其中，F_i，j表示所述血管特征函數，所述F_li為通過所述第一特征函數計算第一區(qū)域中任意一個像素點或體素點i的值，所述F_rj為通過所述第二特征函數計算第二區(qū)域中任意一個像素點或體素點j的值，m_l和n_r為常數，對應所述第一特征函數和第二特征函數的權重，d_i，j為點i和點j之間的空間直線距離；abs為絕對值函數。

F_i，j＝abs{(m_lF_li+n_rF_rj)/d_i，j} 公式(8)

執(zhí)行S405～406，根據所述血管特征函數的值確定種子點?；谒龇N子點提取血管。選取血管特征函數的最大值Max{Fi，j}對應的點p和點q為種子點。進一步的，由于所述第一區(qū)域和區(qū)域對稱分布，因此點p和點q也近似基于所述矢狀對稱面對稱?；讷@取的種子點p和點q分別在所述第一區(qū)域和第二區(qū)域進行血管提取。獲取如圖所述提取方法可以基于閾值的提取方法、基于邊緣的提取方法、基于區(qū)域的提取方法、基于聚類分析的提取方法、基于小波變換的提取方法、基于數學形態(tài)學的方法、基于人工神經網絡的方法、基于遺傳算法的方法、以及相同或不同部位血管的組合方法等。本實施例對此不作具體限定。

本實施例中，基于熵定位頸內動脈區(qū)域，基于血管與周圍組織的空間位置關系劃分所述第一區(qū)域和第二區(qū)域，充分利用人體信息，提高定位準確性；基于第一區(qū)域和第二區(qū)域的血管特征建立第一特征函數和第二特征，并組合獲取血管特征函數，該血管特征函數包含了對稱分布的第一區(qū)域和第二區(qū)域的血管特征，利用人體對稱性確定種子點，可以有效解決單一血管中提取失敗的問題，提高血管提取的準確性。

實施例4

為解決上述技術問題本實施例中提供血管提取裝置。如圖6和圖7所示是本發(fā)明一實施例中血管提取裝置的應用系統(tǒng)以及裝置構示意圖。

所述應用系統(tǒng)可以包括一個或多個處理單元、一個或多個存儲單元、一個或多個輸入單元、一個或多個輸出單元，各個單元之間可以是分布式也可以是集中式的，可以是本地的也可以是遠程的。

示例性，如圖6所示，所述系統(tǒng)包括：輸入單元U100，存儲單元U200，處理單元U300，和輸出單元U400。

所述輸入單元U100，用于獲取醫(yī)學圖像。所述醫(yī)學圖像醫(yī)學包括但不限于通過各類模態(tài)的成像系統(tǒng)掃描采集獲得三維或二維圖像，也可以通過諸如存儲系影像歸檔和通信系統(tǒng)(Picture Archiving and Communication Systems，PACS)等內部或外部存儲系統(tǒng)傳輸獲得。所述模態(tài)包括但不限于磁共振成像(MRI)、磁共振血管造影(MRA)、計算機斷層掃描(CT)、CT血管造影圖像(CTA，CT angiography)、正電子發(fā)射斷層掃描(Positron Emission Tomography，PET)等一種或多種的組合。所述輸入單元U100可以將醫(yī)學圖像發(fā)送至存儲單元U200作存儲處理，也可以傳輸至處理單元U300進行圖像處理。

所述存儲單元U200可以為具有存儲功能的設備。存儲輸入單元U100收集的數據(例如，成像設備拍攝的醫(yī)學圖像)和計處理單元U300工作中產生的各種數據。所述存儲單元U200可以是本地的，也可以是遠程的。所述存儲單元U200可以將信息數字化后再以利用電、磁或光學等方式的存儲設備加以存儲。所述存儲單元U200也可以用來存放各種信息例如程序和數據等。以上提及的存儲設備只是列舉了一些例子，本實施例中，血管提取裝置的工作環(huán)境中可以使用的存儲設備并不局限于此。

所述處理單元U300，包括所述血管提取裝置，用于處理所述醫(yī)學圖像，獲取血管的提取結果。本實施例中，所述血管處理裝置包括定位單元U310和種子點確定單元U320和提取單元U330。

所述定位子單元U310，用于獲取醫(yī)學圖像中的候選血管區(qū)域，將所述候選血管區(qū)域劃分為第一區(qū)域和第二區(qū)域，并且所述第一區(qū)域和第二區(qū)域對稱分布，提高目標區(qū)域獲取過程的處理效率。所述定位子單元可以通過模板匹配、或者熵定位、或者分割方法或者前述方法的組合定位所述候選血管區(qū)域。所述模板匹配可以基于所述存儲單元U200獲取。所述空間定位可以基于候選血管區(qū)域與周圍組織的空間位置關系或者形態(tài)結構或者前述組合劃分為所述第一區(qū)域或第二區(qū)域。還可以組合前述的鏡面操作、或者空間定位、或者基于質心劃分所述血管候選區(qū)域，獲取所述第一區(qū)域和第二區(qū)域。本實施例中，可以基于所述血管區(qū)域的橫斷面作劃分操作，獲取所述第一區(qū)域和第二區(qū)域。定位子單元U310通過劃分所述候選血管區(qū)域，獲取對稱分布的第一區(qū)域和第二區(qū)域，有效利于人體對稱信息，便于后續(xù)構建對稱區(qū)域中的特征函數，進而確定血管種子點，提高血管提取的魯棒性和準確性。

所述種子點確定單元U320，用于確定血管的種子點，包括構建子單元U321，用于基于所述第一區(qū)域和第二區(qū)域的血管特征，分別建立第一特征函數和第二特征函數；所述第一特征函數是包含第一區(qū)域的血管特征的函數，例如可以通過加權組合所述第一區(qū)域的血管特征獲取所述第二特征函數，同理，也可以獲取所述第二特征函數。所述血管特征至少包括形狀指數、增強值、強度值或梯度、空間形態(tài)、位置關系或者前述組合。

組合子單元U322，用于組合所述第一特征函數和第二特征函數，獲取血管特征函數；該血管特征函數包含了對稱分布的第一區(qū)域和第二區(qū)域的血管特征。

以及確定子單元U323，用于根據所述血管特征函數的值確定種子點。例如，選取血管特征函數的最大值對應的像素或體素為所述種子點，所述種子點，獲取對稱分布于所述第一區(qū)域和第二區(qū)域的種子點，充分利用人體對稱信息，相對于根據單一血管的特征提取血管更加準確。

所述提取單元U330，用于基于所述種子點提取血管。根據對稱分布于所述第一區(qū)域和第二區(qū)域中的種子點，采用水平集算法、基于閾值的提取方法、基于邊緣的提取方法、基于區(qū)域的提取方法、基于聚類分析的提取方法、基于小波變換的提取方法、基于數學形態(tài)學的方法、基于人工神經網絡的方法、基于遺傳算法的方法等方法獲得血管邊界或者血管中心線，獲取所述第一區(qū)域或第二區(qū)域內的血管。

所述輸出單元U400可以向處理單元U300輸入數據，也可以接收處理單元U300輸出的數據，例如血管提取結果結果，并將輸出的數據以數字、字符、圖像、聲音等形式表示出來。輸出的數據可以發(fā)送給外接設備，也可以不發(fā)送。不發(fā)送的輸出數據可以存儲在存儲單元中。所述輸出單元可以包括但不限于顯示設備、打印設備、繪圖儀、影像輸出系統(tǒng)、語音輸出系統(tǒng)、磁記錄設備等中的一種或幾種的組合。在一些實施例中，有些外接設備可以同時起到輸入和輸出的作用，例如，臺式電腦、筆記本、智能手機、平板電腦、個人數碼助理(personal digital assistance，PDA)等。

上述處理單元U300可以實際存在于應用系統(tǒng)中，也可以通過云計算平臺完成相應功能。其中，云計算平臺包括但不限于存儲數據為主的存儲型云平臺、以處理數據為主的計算型云平臺以及兼顧數據存儲和處理的綜合云計算平臺。系統(tǒng)所使用的云平臺可以是公共云、私有云、社區(qū)云或混合云等。例如，根據實際需要，系統(tǒng)接收的一些醫(yī)學圖像，可以通過云平臺進行計算和/或存儲。另一些醫(yī)學圖像，可以通過本地診斷單元和/或系統(tǒng)數據庫進行計算和/或存儲。

需要注意的是，輸入單元U100、存儲單元U200、處理單元U300、輸出單元U400之間的連接或通信可以是有線的，也可以是無線的。

以上對于血管提取裝置及其應用應用系統(tǒng)的描述，僅為描述方便，并不能把本申請限制在所舉實施例范圍之內?？梢岳斫?，對于本領域的技術人員來說，在了解該系統(tǒng)的原理后，可能在不背離這一原理的情況下，對各個單元進行任意組合，或者構成子系統(tǒng)與其他單元連接，對實施上述方法和系統(tǒng)的應用領域形式和細節(jié)上的各種修正和改變。例如，存儲單元U200可以是具有數據存儲功能的云計算平臺，包括但不限于公用云、私有云、社區(qū)云和混合云等。諸如此類的變形，均在本申請的保護范圍之內。

以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內。