一较佳实施方式的临床数据分割后的MIP图像和三维视觉效果图;
[0070] 图9为本发明第一较佳实施方式的效果对比示意图;
[0071] 图10为本发明第二较佳实施方式提供的普适的血管分割系统结构图。
【具体实施方式】
[0072]为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对 本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并 不用于限定本发明。
[0073]本发明第一较佳实施方式提供一种普适的血管分割方法,该方法由智能设备执 行,该智能设备包括但不限于:个人计算机、服务器或医疗设备等。该方法如图1所示,包括 如下步骤:
[0074] 步骤S101、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;
[0075] 由于不同组织器官或不同模态的血管造影图像的直方图曲线具有不同的统计学 特性,很难找到一个固定的混合模型去拟合不同的直方图曲线。因此,本发明第一较佳实施 方式利用血管增强算法进行图像预处理,使得增强后的直方图曲线(如图2所示)具有相对 一致的统计学特性。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,其血管增强函数如下:
[0077]其中,Ra,Rb,S为三个测度函数,如公式(2)所示,且Ra可以用来区分片状和线状结 构,Rb可以用来区分点状结构和线状结构,S可以用于区分背景像素。α,β和c分别可以为个 测度的阈值用于控制上述血管增强算法对Ra,Rb,S的敏感性,上述α,β和c的具体取值可以由 使用者根据实际情况自行设定。
[0079]其中,D为图像的维度。
[0080]不同的血管造影图像经过公式(1)的血管增强函数处理后,管状目标灰度值得到 增强,背景噪声得到抑制,从而使得增强后的图像的直方图特性达到了相对统一。
[0081] 步骤S102、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;
[0082] 上述步骤中血管类主要分布在高亮度部分,且以某一个均值为中心存在一定的波 动,因此,本发明第一较佳实施方式可以采用一个高斯分布拟合血管。背景噪声类主要分布 在低灰度值部分,通过对图2进行分析及多次实验测试,本发明最终选用两个指数分布来拟 合背景噪声。因此,本发明所提出的混合模型可以表示为式(3):
[0084]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(4)所示。λΕ1为 指数分布的率参数,和〇2c分别为高斯分布的期望和方差。f(x)为增强后的图像整体的混 合概率密度函数,即混合模型, WE1(l = i,2)可以为指数分布所占的比例,机可以为高斯分布 所占的比例,且满足
[0086] 步骤S103、对混合模型中的参数进行参数估计处理;
[0087] 本步骤S103首先利用k均值聚类进行混合模型参数的初始估计:当原始血管造影 图像的峰值点超过设定个数(例如3个)时,则用设定个数(例如3个)峰值点完成k均值的初 始化完成参数估计处理,否则采用如下规则进行K均值初始化
[0088] 利用如下规则进行k均值算法的初始化:
[0090] 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。
[0091] 为了提高参数的估计精度,本发明用EM算对k均值估计得到的参数进行优化。如式 (6)所示,k均值得到的估计结果作为EM算法迭代的初始值。
[0092]
[0093]由EM算法得到的迭代更新公式如公式(7)和(8):
[0096] 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| Xj)可 以由贝叶斯公式计算如下:
[0097]
[0098] 步骤S104、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。
[0099]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:
[0100] WGfc(xj) >WElfEl(xj)+WE2fE2(xj) (10)
[0101] 本发明第一较佳实施方式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,本发明用一个高斯函 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。
[0102] 本发明第一较佳实施方式提出了一种普适的血管分割方法:首先利用多尺度滤波 进行血管增强和背景抑制,具有不同统计学特性的血管造影图像经过血管增强后达到较为 一致的统计学特性。其次,针对滤波增强后的数据,本发明第一较佳实施方式用一个高斯和 两个指数组合的混合模型对其进行拟合,并获得较好的拟合效果。最后,由最大后验概率完 成了血管和背景噪声的分割。大量的仿真数据和临床数据证明了本发明所提出的方法的有 效性和鲁棒性。
[0103] 图3为本发明进行测试的仿真数据,Phantom I是孔径渐变的管状目标,Phantom Π是由多个管状目标组成的球状体。本发明分第一较佳实施方式别对管状目标叠加了数量 不等的高斯噪声进行测试。其中,图3中,(a)可以为真实目标;(b)可以为真实目标的一个切 片;(c)可以为加噪声的切片。
[0104] 图4为本发明进行测试用到的三维临床数据,包括:脑部MRA数据,心脏CTA数据,胎 盘MRA数据和腿部MRA数据。如图4所示,(a)可以为脑部MRA; (b)可以为心脏CTA; (c)胎盘可 以为MRA; (d)腿部可以为MRA。
[0105] 由图5可以看出,不同的血管图像具有不同的统计学特性。本发明中用血管增强算 法进行图像预处理,经滤波增强后的图像直方图曲线达到了一致。(a)可以为Phantom I的 图像直方图曲线;(b)可以为Phantom Π图像直方图曲线;(c)可以为脑部MRA图像直方图曲 线;(d)可以为心脏CTA图像直方图曲线;(e)可以为胎盘MRA图像直方图曲线;(f)可以为腿 部MRA图像直方图曲线。
[0106] 由图6中的直方图拟合结果可以看出,本发明第一较佳实施方式提出的一个高斯 分布和两个指数分布组成的混合模型对增强后的数据具有很好的拟合效果。(a)可以为 Phantom I直方图拟合结果示意图;(b)可以为Phantom Π直方图拟合结果示意图;(c)可以 为脑部MRA直方图拟合结果示意图;(d)可以为心脏CTA直方图拟合结果示意图;(e)可以为 胎盘MRA直方图拟合结果示意图;(f)可以为腿部MRA直方图拟合结果示意图。
[0107] 图7和图8给出了仿真数据和临床数据的分割结果,可见,本发明第一较佳实施方 式的技术方案的基于统计学的混合模型和传统的统计学模型相比,应用范围非常广泛。图7 中(al)-(a2)Phantom I分割后的切片和三维效果;图7中(bl)-(b2)Phantom Π分割后的切 片和三维效果。图8中(al)-(a2)脑部MRA分割后的MIP图像和三维效果;图8中(bl)-(b2)心 脏CTA分割后的MIP图像和三维效果;图8中(cl)-(c2)胎盘MRA分割后的MIP图像和三维效 果;图8中(dl)-(d2)腿部MRA分割后的MIP图像和三维效果。
[0108] 如图9所示,与传统方法对比:(al)-(bl)为采用现有技术中方法:对原始三维图像 直方图进行拟合,用一个高斯分布拟合血管类,一个瑞利分布和两个高斯分布共同拟合背 景类;(a2)_(b2)本发明第一较佳实施方式提供的方法:对血管增强后的图像进行拟合,用 一个高斯分布拟合血管类,两个指数分布拟合背景类;两套来自不同成像仪器的数据的分 割结果表明:本发明第一较