普适的血管分割方法及系统的制作方法
【技术领域】
[0001] 本发明属于医疗图像领域，尤其涉及一种普适的血管分割方法及系统。
【背景技术】
[0002] 目前，心脑血管疾病已经严重威胁着人类的健康。随着CT血管造影、磁共振血管造 影(MRA)等成像技术的发展，医学图像的后处理技术变得越来越重要，精确的血管分割是血 管类疾病诊断与治疗的关键。
[0003] 多尺度滤波、形变模型、统计模型及混合方法在血管分割中得到了广泛的研究和 应用。多尺度滤波通过抑制背景噪声增强血管，但是血管并没有与背景区分开来。形变模型 有效地整合了自底向上的信息和自上而下的先验知识，但分割质量主要依赖于模型参数。 统计学模型主要是根据像素点的强度信息进行分类，但其模型的选择受限于图像的统计学 特性。混合方法是将多种分割算法相结合，以降低血管误分割的概率。
[0004] 到目前为止，基于统计学的分割算法已经引起了越来越多的关注，而模型选择则 是基于统计学的分割算法的关键。针对脑部MRA图像，Wilson和Noble于1999年提出了一种 基于统计学模型的血管分割方法。根据灰度值特性，他们用一个均匀分布拟合血管类，两个 高斯分布拟合背景类。2006年，Hassouna对模型进行了改进，他的方法中用一个瑞利函数和 两个高斯函数拟合背景噪声，同时用一个高斯函数拟合血管，并取得了更好的血管分割效 果。2013年，将统计学模型和多模式邻域系统相结合，可以提取出更精细的血管目标。然而， 不同模态的血管图像或者不同器官的血管成像具有不同的统计学特性，很难用同样的混合 模型去精确拟合。
【发明内容】
[0005] 本发明实施例的目的在于提供一种普适的血管分割方法，该方法能够普遍适应血 管的精确拟合。
[0006] 本发明提供一种普适的血管分割方法，所述方法包括如下步骤：
[0007] 对输入的血管造影原始图像数据进行多尺度滤波后获得增强后的图像；
[0008] 对增强后的直方图曲线拟合血管数据和拟合噪声数据得到增强后的图像的混合 丰旲型；
[0009] 对混合模型中的参数进行参数估计处理；
[0010] 通过最大后验概率估计法则将经过参数估计处理的混合模型中的血管从图像中 分呙出来。
[0011] 可选的，所述对输入的血管造影原始图像数据进行多尺度滤波后获得增强后的图 像具体，包括：
[0012] 多尺度滤波算法通过尺度变换，利用Hessian矩阵的特征值计算局部血管出现的 概率，所述血管增强函数如下：
[0014] 其中，Ra，Rb，S为三个测度函数，如公式(2)所示，且Ra用来区分片状和线状结构，Rb 用来区分点状结构和线状结构，S用于区分背景像素，α，β和c分别可以为个测度的阈值用于 控制；
[0016] 可选的，所述对增强后的直方图曲线拟合血管数据和拟合噪声数据得到增强后的 图像的混合模型具体，包括：
[0017] 混合模型f(x)如式(3)所示：
[0019]其中，fE1(x)(l = l，2)和fG(x)分别表示指数分布和高斯分布，如式⑷所示，wei(1 =1，2)为指数分布所占的比例，wc可以为高斯分布所占的比例
[0021 ]可选的，所述对混合模型中的参数进行参数估计处理具体，包括：
[0022]当原始血管造影图像的峰值点超过3个时，则用3个峰值点完成k均值的初始化完 成参数估计处理，否则，采用如下规则完成k均值算法的初始化；
[0024]其中，Imax是原始图像中像素最大值，
初始聚类中心，（1 = 1，2,3)是由k均值聚类算法估计得到的三个分布的模型 参数，
[0026]由EM算法得到的迭代更新公式如公式(7)和(8):
[0029]其中，是第j个体素的强度值，N是体素的总数，后验概率fk(Ei|Xj)和f k(G|Xj)由 贝叶斯公式计算如下：
[0030]
[0031] 可选的，所述通过最大后验概率估计法则将经过参数估计处理的混合模型中的血 管从图像中分离出来具体，包括：
[0032] 由最大后验概率估计法则，根据公式(10)可以最终把血管从图像中分离出来：
[0033] WGfc(xj) >WElfEl(Xj)+WE2fE2(Xj) (10)。
[0034] 另一方面，提供一种普适的血管分割系统，所述系统包括：
[0035] 增强单元，用于对输入的血管造影原始图像数据进行多尺度滤波后获得增强后的 图像；
[0036] 拟合单元，用于对增强后的直方图曲线拟合血管数据和拟合噪声数据得到增强后 的图像的混合模型；
[0037] 参数估计单元，用于对混合模型中的参数进行参数估计处理；
[0038] 分离单元，用于通过最大后验概率估计法则将经过参数估计处理的混合模型中的 血管从图像中分离出来。
[0039]可选的，所述增强单元具体，用于多尺度滤波算法通过尺度变换，利用Hessian矩 阵的特征值计算局部血管出现的概率，所述血管增强函数如下：
[0041] 其中，Ra，Rb，S为三个测度函数，如公式(2)所示，且Ra用来区分片状和线状结构，RB 用来区分点状结构和线状结构，S用于区分背景像素，α，β和c分别可以为个测度的阈值用于 控制；
[0043] 可选的，所述拟合单元具体，用于
[0044] 混合模型f(x)如式(3)所示：
[0046]其中，fEi(x)(l = l，2)和fc(x)分别表示指数分布和高斯分布，如式⑷所示，wei(1 =1，2)为指数分布所占的比例，wc可以为高斯分布所占的比例，且满足
[0048] 可选的，所述参数估计单元具体，用于
[0049] 当原始血管造影图像的峰值点超过3个时，则用3个峰值点完成k均值的初始化完 成参数估计处理，否则，采用如下规则完成k均值算法的初始化；
[0051] 其中，Imax是原始图像中像素最大值，
表示k均值算法的 初始聚类中心，（1 = 1，2,3)是由k均值聚类算法估计得到的三个分布的模型 参数，
[0052]
[0053]由EM算法得到的迭代更新公式如公式(7)和(8):
[0054]
[
[0056] 其中，是第j个体素的强度值，N是体素的总数，后验概率fk(Ei|Xj)和fk(G|x〇由 贝叶斯公式计算如下：
[0057]
[0058] 可选的，所述分离单元具体，用于
[0059] 由最大后验概率估计法则，根据公式(10)可以最终把血管从图像中分离出来：
[0060] WGfc(xj) >WElfEl(Xj)+WE2fE2(Xj) (10)。
[0061] 在本发明实施例中，本发明提供的技术方案将多尺度滤波和统计学方法相结合， 提出了一种普适的血管分割方法。首先，不同模态的图像数据通过多尺度滤波进行血管增 强，增强后的数据具有一个新的相近的统计学特性，针对滤波后的数据，利用一个高斯函数 拟合血管类，同时根据直方图特性选用两个指数函数拟合背景噪声类，模型参数选用最大 期望(EM)算法进行估算，最后，本发明利用最大后验概率分类将血管和背景标记出来。
【附图说明】
[0062] 图1为本发明第一较佳实施方式提供的一种普适的血管分割方法的流程图；
[0063] 图2为本发明第一较佳实施方式提供的增强后的直方图曲线示意图；
[0064] 图3为本发明第一较佳实施方式的仿真数据示意图；
[0065] 图4为本发明第一较佳实施方式的临床数据示意图；
[0066] 图5为本发明第一较佳实施方式的血管增强前后图像直方图；
[0067] 图6为本发明第一较佳实施方式的直方图拟合结果示意图；
[0068] 图7为本发明第一较佳实施方式的仿真数据分割结果示意图；
[0069]图8为本发明第