一种冠脉三维图像分割的方法
【技术领域】
[0001]本发明涉及一种冠脉三维图像分割方法,尤其涉及一种基于冠脉图像分类模型数据库的冠脉三维图像分割方法。
【背景技术】
[0002]心血管疾病严重危害着人类健康,它每年夺走1200万人的生命,接近世界人口总死亡人数的四分之一。心血管疾病通常由冠状动脉的狭窄和堵塞引起的,由此加速了心血管成像形态学相关诊断技术的发展,其中冠脉血管分割是最重要的一环。
[0003]在早期,大多数临床造影术的常规临床过程中依赖很多手工操作步骤,致使冠脉图像分割过程工作量巨大。在这种情况下,全自动和半自动的图像处理成为行业需要,据此减少手工交互和降低对操作者的依赖,提升准确性和操作效率。随着成像技术的发展,当前的三维CTA模态数据已经能够达到很高的质量和分辨率,进一步推动了各种自动化的精细的血管分割技术的发展,这些精细的血管分割技术包括区域增长技术、主动轮廓技术、基于中心线的方法和基于统计学的方法等等。
[0004]此外,随着FFR等生理性诊断技术在冠心病诊断中的应用并成为金标准,基于计算机的血液动力仿真在近几年也得到研宄和发展。为了得到准确的流体力学计算结果,对冠脉的三维图像重建也提出了很高要求。
[0005]如上所述,冠脉图像的精确分割和提取就变得越发重要,这不仅是病变形态学评估的需要,也是计算机生理仿真的需要。
[0006]众所周知,区域生长法是一种传统的冠脉三维图像分割方法。
[0007]区域生长法根据图像中血管所占领区域内的性质(例如,灰度、纹理、色彩等等),把血管所占领的区域找出来。区域生长法有两个重要的准则即性质的相似性和空间的相邻性,假定空间上相邻、性质上相似的像素属于同一物体。以灰度为例,在血管图像内部用某一准则找一个初选点P,从P点出发按八邻域搜寻,设定一个阈值H,凡是与P点的灰度差不超过阈值H的点,都认为在物体上。用此方法向四周搜索,直到找不到这样的点为止。
[0008]区域生长法是一种半自动的方法,它需要预先给出一个生长点(种子点)和判断准则(比如阈值)。
[0009]为了减少人工操作和提高生长的准确性,在申请号为201210095033.X的发明名称为“一种应用在冠状动脉造影图像分割中的改进的区域生长方法”的专利文献中公开了一种种子点自动选择和阈值自适应的优化技术(统计平均值)。
[0010]此外,如果图像中物体和背景的灰度分布成某种统计规律,还可以用统计方法来判断某一像素是否应该生长。
[0011]如上所述,区域生长法利用邻近像素是否在一个灰度范围内进行判别。因为没有冠脉的空间结构信息,所以待生长点只能依据与它相邻的一个点的灰度比较进行判断,而不能通过比较空间中该点所在血管段的总体灰度情况进行判断。
[0012]众所周知,冠脉分支空间结构复杂,血管灰度值随着远端延伸而递减。区域生长法在生长过程中对灰度范围即阈值的定义存在难度。如果阈值过小,当受到噪声影响时,会出现血管孔洞(即,欠生长的问题);相反,如果阈值过大,当遭受对比剂不均匀时,会出现血管泄露(即,过生长的问题)。
【发明内容】
[0013]为了解决上述技术问题,本发明提供了一种冠脉三维图像分割的方法,这种方法能够应用于冠脉血管的三维图像重建,通过计算机图像分割算法对特定心血管疾病患者的CT血管造影图像进行图像处理和分析,分割出完整的冠脉血管,供临床医生进行诊断和学术参考(比如从形态学角度对狭窄进行判断),或作为数据输入到流体动力学软件进行血液动力仿真计算,达到个性化和精准医疗的目的。
[0014]本发明提供了一种冠脉三维图像分割的方法,包括如下步骤:预先建设冠脉分类模型库(SI);输入医疗图像数据(S2);选择种子点并基于选择的种子点将输入的医疗图像数据与分类模型库中的分类模型进行匹配(S3);判断是否存在匹配的分类模型(S4),其中,如果判断不存在匹配的分类模型(S4中为“否”)则按照常规区域生长算法进行血管生长(S7),然后对生长出来的图像进行人工校正并在分类模型库中加入不能够正常完成生长的新的冠脉分类模型(S8),然后获得冠脉三维图像(S9),反之,如果判断存在匹配的分类模型(S4中为“是”)则基于找到的匹配分类模型的范围和方向进行血管生长(S5),然后判断血管是否能够正常完成生长(S6),其中,如果判断血管不能够正常完成生长(S6中为“否”)则按照常规区域生长算法进行血管生长(S7),然后对生长出来的图像进行人工校正并在分类模型库中加入不能够正常完成生长的新的冠脉分类模型(S8),然后获得冠脉三维图像(S9),反之,如果判断血管能够正常完成生长(S6中为“是”)则获得冠脉三维图像
(S9)。
[0015]在上述的冠脉三维图像分割的方法中,选择种子点并基于选择的种子点将输入的医疗图像数据与分类模型库中的分类模型进行匹配(S3)包括如下步骤:在医学图像上人工辅助选择待分割冠脉血管段的种子点(S31);在三维坐标系中将种子点(A)与种子点(B)进行连线以形成向量(AB),然后将种子点(A)与冠脉分类模型库中的各个分类模型的入口点进行重合,将向量(AB)方向与各个分类模型的对应向量方向进行重合以完成三维定标
(532);计算向量(AB)的长度,在分类模型库中查找与该向量(AB)的长度近似的分类模型
(533);判断是否找到近似长度的分类模型(S34),其中,如果判断没有找到近似长度的分类模型(S34中为“否”)则标志匹配失败,反之,如果判断找到近似长度的分类模型(S34中为“是”),则针对所有种子点(C、D、E)完成最小距离的计算(S35),然后对全部的最小距离求平均值(S36),然后判断该平均值是否在预定范围内(S37),其中,如果判断该平均值在预定范围内(S37中为“是”)则标志与该分类模型匹配;反之,如果判断该平均值不在预定范围内(S37中为“否”)则标志与该分类模型不匹配。
[0016]在上述的冠脉三维图像分割的方法中,基于找到的匹配分类模型的范围和方向进行血管生长的步骤(S5)包括如下步骤:在三维坐标系内将种子点(A)与找到的一个匹配分类模型的入口点进行重合,将种子点⑷与种子点⑶形成的向量(AB)方向与这个匹配分类模型的对应向量方向进行重合以完成定标(S51);从种子点(A)开始,根据这个分类模型的各个节点,恰当选择起点和终点,逐段地取出这个分类模型的各个中心线段(S52);确定生长种子点和灰度范围的选择(S53);判断该中心线段的起点和终点是否在选择的种子点范围内(S54),其中,如果判断该中心线段的起点和终点不在选择的种子点范围内(S54中为“否”)则退出本段血管生长(S61),反之,如果判断该中心线段的起点和终点在选择的种子点范围内(S54中为“是”),则按照该中心线的起点和终点以及一个预设直径限定一个圆柱体的生长范围并且在该圆柱体的范围内按区域生长法进行血管生长(S55);然后判断生长是否超出圆柱体范围(S56),其中,如果判断生长超出圆柱体范围(S56中为“是”)则退出本段血管生长(S61),反之,如果判断生长没有超出圆柱体范围(S56中为“否”)则判断血管连通性(S57),其中,如果判断本段血管存在不连通,则退出本段血管生长(S61),反之,如果判断本段血管不存在不连通则判断是否完成全部血管段的生长(