一種基于血管內(nèi)超聲圖像的血管roi分割方法
【專利摘要】本發(fā)明涉及一種基于血管內(nèi)超聲圖像的血管ROI分割方法。所述方法首先分割血管的管腔區(qū)域以及管腔膜輪廓，通過定位管腔區(qū)域的中心以獲得參數(shù)主動輪廓模型的初始輪廓，繼而通過收斂得到血管的中外膜輪廓曲線，中外膜的提取充分利用了管腔區(qū)域信息的先驗知識。最后，將中外膜輪廓曲線以內(nèi)區(qū)域作為ROI，通過全局最小化活動輪廓模型實現(xiàn)對血管斑塊的分割。本發(fā)明實現(xiàn)了血管ROI的管腔膜中外膜以及斑塊的輪廓信息可視化，與基于統(tǒng)計學的IVUS圖像分割方法相比，摒棄了其復雜的統(tǒng)計建模過程且分割結果不受IVUS圖像偽影和斑塊特征的影響；省掉了對IVUS圖像中外膜邊緣進行初始輪廓的預分割步驟，提高了分割效率。
【專利說明】—種基于血管內(nèi)超聲圖像的血管ROI分割方法
【技術領域】
[0001]本發(fā)明涉及計算機醫(yī)學圖像分析領域，特別涉及一種基于血管內(nèi)超聲IVUS(Intravascular Ultrasound)圖像的血管感興趣區(qū)域 ROI (region of interest)分割方法。
【背景技術】
[0002]目前在大多數(shù)國家，心腦血管疾病已逐步成為人類死亡的最主要因素之一。冠狀動脈粥樣硬化病變是引起心肌梗塞和腦梗塞的主要病因，如果在早期就能夠做到對硬化病變部分形態(tài)的識別以及診斷，這將對冠狀動脈疾病的診療有著重大的意義。IVUS便是這樣一種心血管疾病的超聲診斷方法，血管內(nèi)超聲圖像可以為醫(yī)生顯示實時的血管壁形態(tài)斑塊形態(tài)進而對心血管疾病的臨床診斷提供了指導意義。
[0003]然而，對于采集來的IVUS圖像，盡管其成像可以顯示血管壁的結構以及斑塊的形態(tài)，但在實際診療中，IVUS圖像中醫(yī)生所感興趣區(qū)域(ROI)為血管管腔區(qū)域，中外膜區(qū)域，以及管腔與中外膜之間的斑塊區(qū)域。在IVUS圖像的感興趣區(qū)域中，醫(yī)生往往需要目測或者根據(jù)經(jīng)驗確定管腔膜中外膜以及斑塊輪廓的邊緣，這樣便不可避免地導致診斷結果不能非常客觀的反映實際情況，同時也會給醫(yī)生帶來一定的工作困難。
[0004]因此，通過計算機對血管內(nèi)超聲圖像進行快速準確自動地分割就顯得很有必要，目前，血管內(nèi)超聲圖像的計算機分割算法主要有三種:第一種為基于統(tǒng)計學的圖像分割方法，文獻 I (G.Mendizabal-Ruiz, M.Rivera, et al., “A probabilisticsegmentation method for the identification of luminal borders in intrvascularultrasound images，，，IEEE Conference on Computer Vision and patternRecognition, pp.1-8，2008.)通過對IVUS圖像的灰度分布進行統(tǒng)計學建模實現(xiàn)血管內(nèi)超聲圖像的分割，但是由于血管內(nèi)超聲圖像中的偽影以及斑塊等較為復雜的圖像特征的存在會大大降低統(tǒng)計建模的準確性。第二種方法主要是通過機器學習的手段實現(xiàn)血管內(nèi)超聲圖像分割，但是這種方法模型過于復雜，在實際的運用中往往會受到較多的限制，第三種是基于活動輪廓模型的算法，文獻2 (宮延新孫豐榮等，“基于血液斑點噪聲抑制和T-Snake模型的血管內(nèi)超聲圖像邊緣提取”，中國圖像圖形學報，Vol.12, N0.4，pp.655-660, 2007)提出的方法雖然能夠得到良好的分割結果，但依賴于初始輪廓線的選取，尤其對于邊緣比較模糊、紋理自相似性較高的IVUS圖像，其初始輪廓更不易確定，從而也在一定程度上影響了這種分割方法的準確性。

【發(fā)明內(nèi)容】

[0005]針對現(xiàn)有技術中存在的上述問題，本發(fā)明提供一種基于血管內(nèi)超聲圖像的血管ROI分割方法，采用改進的水平集模型算法結合窄帶法首先分割血管的管腔區(qū)域以及管腔膜輪廓，通過定位管腔區(qū)域的中心以獲得參數(shù)主動輪廓模型(Snake)的初始輪廓，繼而通過收斂得到血管的中外膜輪廓曲線，中外膜的提取充分利用了管腔區(qū)域信息的先驗知識。最后，將中外膜輪廓曲線以內(nèi)區(qū)域作為ROI，通過全局最小化活動輪廓模型實現(xiàn)對血管斑塊的分割。
[0006]基于血管內(nèi)超聲圖像的血管ROI分割方法，是以血管內(nèi)超聲圖像為基礎，根據(jù)IVUS圖像的特點，對血管內(nèi)超聲圖像依次進行血管管腔膜分割，血管中外膜分割，血管斑塊分割。該方法能得到管腔區(qū)域輪廓信息，中外膜邊緣信息以及斑塊形狀輪廓信息等，在不增加附加設備的前提下，充分利用血管內(nèi)超聲設備提供的超聲圖像本身的灰度信息以及區(qū)域特性并結合各種分割算法，實現(xiàn)血管ROI的分割。
[0007]本發(fā)明的特征如下:
[0008]步驟1，利用血管內(nèi)超聲儀，勻速回拉導管，獲得人體冠狀動脈的血管內(nèi)超聲視頻影像。
[0009]步驟2，將步驟I得到的血管內(nèi)超聲視頻影像導入計算機，從視頻中截取連續(xù)的血管內(nèi)超聲圖像序列作為實驗圖像，圖像分辨率為2X(l*2y(l，以下簡稱為超聲圖像；
[0010]步驟3，對上述超聲圖像進行超聲圖像管腔膜的分割。
[0011]步驟3.1，創(chuàng)建與待分割IVUS圖像大小相同的初始管腔輪廓模板矩陣。
[0012]設待分割圖像為I (X，y)，創(chuàng)建大小同樣為2xQ*2yQ的空矩陣Minit，確立中心坐標為0(x0, y0)，令
【權利要求】
1.一種基于血管內(nèi)超聲圖像的血管ROI分割方法，其特征在于，包括以下步驟: 步驟1，利用血管內(nèi)超聲儀，勻速回拉導管，獲得人體冠狀動脈的血管內(nèi)超聲視頻影像； 步驟2，將步驟I得到的血管內(nèi)超聲視頻影像導入計算機，從視頻中截取連續(xù)的血管內(nèi)超聲圖像序列作為實驗圖像，圖像分辨率為2X(l*2y(l，以下簡稱為超聲圖像； 步驟3，對上述超聲圖像進行超聲圖像管腔膜的分割； 步驟3.1，創(chuàng)建與待分割血管內(nèi)超聲圖像大小相同的初始管腔輪廓模板矩陣； 設待分割圖像為I(x，y)，創(chuàng)建大小同樣為2X(l*2y(l的空矩陣Minit，確立中心坐標為0(x0, y0)，令Minit(xQ-a:xQ+b，y0-c:y0+d) = I,即創(chuàng)建了長為c+d寬為a+b的矩形初始化區(qū)域模板； 步驟3.2，初始化符號距離映射矩陣； SMinit為步驟3.1中設置的初始輪廓模板矩陣，計算Minit中當前像素點與最近的非零像素點的歐氏距離，單位像素距離為1，設符號距離函數(shù)映射矩陣為:
Φ = bwdist (Minit) -bwdist (1-Minit) -0.5 其中，bwdist為距離變換函數(shù)，默認計算二值圖中當前像素點與最近的非O像素點的距離，并返回與原二值圖相同大小的結果矩陣； 步驟3.3，設置窄帶的寬度； 得到符號距離函數(shù)映射矩陣Φ之后，設置窄帶Wnamwband的寬度為2k，窄帶Wnamwband為滿足_k ≤ Φ≤ k條件的像素點組成的集合； 步驟3.4，計算窄帶區(qū)域內(nèi)的圖像數(shù)據(jù)力Fimage，公式如下: F =「Τ(τ ν)-?2-「Τ(τ v)~c ?2
丄 imageLiWnarrowbandKyvJ 3 J ^a」 L丄WnarrowbandJ / ^b」 其中ca、Cb分別是待分割圖像I (X，y)內(nèi)外兩個區(qū)域上的灰度均值； 步驟3.5，計算曲率速度項Vcmve ； 對于窄帶區(qū)域的點Φ (X，y)，-k≤Φ≤k,通過八鄰域的方法分別構造Φχ、Φy、Φχχ、 和 cKy:
Φ χ = Φ (χ+1, y) - Φ (χ-1, y)
Φ y = Φ (χ, y+Ι) - Φ (χ, y-1)
Φχχ = Φ (χ-1, y) + Φ (χ+1, y) -2 Φ (χ, y)
Φ yy = Φ (χ, y-Ι) + Φ (χ, y+1) —2 Φ (χ, y)
Φ Xy = -0.25* Φ (χ-1, y-1) -0.25* Φ (χ+1, y+1)
+0.25* Φ (χ+1, y-1) +0.25* Φ (χ-1, y+1) 曲率速度項Vcottc為:
2.根據(jù)權利要求1所述的一種基于血管內(nèi)超聲圖像的血管ROI分割方法，其特征在于，所述步驟5利用全局最小化主動輪廓模型算法對血管斑塊部分進行分割的方法包括以下步驟: 步驟5.1，構造需要最小化的泛函； 基于全局最小化活動輪廓模型思想，為了得到血管內(nèi)超聲圖像ROI的斑塊輪廓，構造需要最小化的泛函:
【文檔編號】A61B8/00GK103886599SQ201410115141
【公開日】2014年6月25日 申請日期:2014年3月26日 優(yōu)先權日:2014年3月26日
【發(fā)明者】汪友生, 王志東, 李冠宇 申請人:北京工業(yè)大學