数字减影血管造影中的动脉瘤检测和破裂风险预测方法

1.本发明涉及计算机辅助诊断技术领域，尤其是涉及一种数字减影血管造影(dsa)中的动脉瘤检测和破裂风险预测方法。


背景技术：

2.颅内动脉瘤是一种严重威胁患者生命健康的脑血管疾病，通常发生在大脑底部的动脉周围。根据中国一项脑磁共振血管造影(magnetic resonance angiography，mra)筛查中发现，在35岁至75岁的成年人中，大约7％的人患有动脉瘤。颅内动脉瘤破裂会引起蛛网膜下腔出血(subarachnoid hemorrhage，sah)，具有较高的发病率和死亡率。虽然动脉瘤破裂是一种罕见的事件，但早期发现对避免动脉瘤破裂至关重要。
3.dsa是诊断动脉瘤的“金标准”，它能提供更高的图像分辨率，对微小动脉瘤的检测敏感度也更高。而动脉瘤的治疗也是一个有争议的话题，它是否破裂是决定手术实施的重要因素，因为在手术过程中动脉瘤的破裂也会对患者产生生命危险，因此，也有必要对颅内动脉瘤进行破裂风险预测。许多研究使用统计学方法来分析动脉瘤破裂的危险因素，包括动脉瘤的形状、大小、位置等，但其破裂的具体原因仍不清楚。
4.在目前的研究中，很少直接在dsa上进行动脉瘤检测，而在其他模态上检测的敏感度也不高。而大多数动脉瘤破裂预测方法都是根据动脉瘤的形状、大小和位置提取一些特征，然后建立破裂风险预测函数，或者利用机器学习方法来建立分类预测模型，找出与破裂风险相关的几个重要因素，常用的机器学习方法包括决策树、adaboost分类器、贝叶斯分类器、支持向量机(support vector machine，svm)等。但这些破裂预测方法对动脉瘤的特征提取并不完备，预测的准确率不高，而且还需要人为的先提取出动脉瘤。


技术实现要素：

5.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种数字减影血管造影中的动脉瘤检测和破裂风险预测方法。
6.本发明的目的可以通过以下技术方案来实现：
7.一种数字减影血管造影中的动脉瘤检测和破裂风险预测方法，包括以下步骤：
8.1)从dsa影像上自动提取出一帧图像，并对提取出的图像进行去除噪声和归一化预处理；
9.2)根据图像黑塞矩阵特征值对不同结构的响应差异构建多尺度动脉瘤检测滤波器，并采用贝叶斯优化自动搜寻滤波器的检测参数；
10.3)采用参数优化后的滤波器对图像上的动脉瘤进行增强，根据滤波器响应强度的均值和动脉瘤的形状特点判别动脉瘤，对于检测到的动脉瘤采用区域生长法去除，并在去除动脉瘤的图像上循环检测；
11.4)对于检测到的动脉瘤，提取其血流灌注特征、纹理特征和强度特征；
12.5)采用迭代稀疏表示对未破裂和破裂动脉瘤的特征进行特征筛选，得到鉴别性更
高的特征，再采用稀疏表示进行分类决策。
13.进一步地，所述的步骤1)具体包括以下步骤：
14.11)从dsa的动脉期和毛细血管期提取图像，采用高斯滤波去除图像噪声，采用frangi滤波器对影像上血管进行增强，然后采用otsu阈值分割方法得到二值化的血管图像，利用形态学腐蚀方法对二值图像进行腐蚀处理，去除二值图像中的小斑点；
15.12)标记图像的连通区域，以二值图像的最大连通区域作为主血管，对主血管细化得到血管中心线，并消除垂直于血管走向和像素点小于10的血管分支，计算全部图像帧的血管中心线的长度；
16.13)在动脉期，血管中心线的长度逐渐增大，在动脉期快结束时，中心线长度达到第一个极大值，提取该时刻的图像以检测动脉瘤，并对提取到的图像进行归一化处理。
17.进一步地，所述的步骤2)中，多尺度动脉瘤检测滤波器由图像黑塞矩阵特征值组成，黑塞矩阵定义为像素灰度值与高斯函数导数的卷积，则有：
[0018][0019]
其中，h为黑塞矩阵，i(x)为二维图像中坐标点x＝[x1,x2]
t
的像素灰度值，g(x,s)为高斯函数，且s表示尺度参数，*表示卷积。
[0020]
进一步地，所述的步骤2)中，动脉瘤检测滤波器b
p
的表达式为：
[0021][0022][0023][0024]
其中，λ2(x,s)表示λ2(x)在s尺度下的值，τ为决定滤波器响应强度的参数，λ1、λ2为图像中像素点黑塞矩阵的两个特征值，且|λ1|≤|λ2|，b1和λ
ρ
为中间参数。
[0025]
进一步地，所述的步骤2)中，通过比较图像中每个点x在s尺度下的特征值，得到滤波器的最大响应值，所述的滤波器的检测参数具体为：
[0026][0027]
其中，ar和p分别为被测目标的面积和周长，v
mean
为滤波响应强度的平均值，检测参数f的值越大，则表示越可能是动脉瘤。
[0028]
进一步地，所述的步骤2)中，在动脉瘤检测过程中，采用贝叶斯优化方法自动寻找滤波器的两个未知的检测参数τ和尺度s，目标为搜索检测参数f的最大值，其相对应的参数为滤波器的检测参数，为获得检测参数f的最大值，通过调整滤波器参数并计算每组参数对应的f值进行比较。
[0029]
采用贝叶斯优化能够自动快速地找到最优参数集，无需人工选择或设置任何参数，在找到滤波器参数后，将其代入滤波器进行动脉瘤检测。
[0030]
进一步地，所述的步骤4)中，提取连续五帧图像的动脉瘤，包括破裂的动脉瘤和未破裂的动脉瘤，分别提取对应的血流灌注特征、强度特征和纹理特征。。
[0031]
进一步地，提取动脉瘤的血流灌注特征具体为：
[0032]
在影像上选择三个不同的位置，分别为动脉瘤内部、动脉瘤边缘和动脉瘤外部，在每个位置选取5*5大小的感兴趣区域，画出每个位置感兴趣区域的时间-密度曲线，然后从时间-密度曲线上提取血流灌注特征。
[0033]
进一步地，提取动脉瘤的强度特征和纹理特征具体为：
[0034]
根据影像上动脉瘤灰度和纹理的差异提取强度和纹理特征，强度特征描述图像中体素强度的统计分布，纹理特征分别基于灰度共生矩阵、灰度游程矩阵、灰度大小区域矩阵和邻域灰度差矩阵，描述图像的纹理差异。
[0035]
进一步地，所述的步骤5)中，采用迭代稀疏表示的方法选择与样本标签密切相关的特征，具体采用omp算法求解优化问题，稀疏表示方法采用滑动窗口策略，利用窗口中所有样本的信息，则迭代过程具体包括以下步骤：
[0036]
51)计算第k次迭代后的系数则有：
[0037][0038]
其中，gk为第k次迭代的标准值，fk为第k次迭代的样本特征，σ为一小常数；
[0039]
52)计算第k次迭代后系数的平均值当满足||m
(k)-m
(k-1)
||2＜ε或k＝k0时，迭代停止，其中，ε为一小正整数，k0为最大迭代次数；
[0040]
53)通过迭代得到的系数m
(k)
用于特征选择，经过迭代运算，每个特征对应一个得分，得分越高表明特征越重要，对最终得分进行排序，选择设定数量的特征进行分类，采用稀疏表示的方法对所选特征进行分类，则稀疏表示分类模型为：
[0041][0042]
其中，f代表待测动脉瘤的特征，f＝[fr,fu]，fr＝[f1,f2,
…
,f
n1
]为训练样本中破裂动脉瘤的特征集，n为破裂动脉瘤的数目，fu＝[f1,f2,
…
,f
n2
]为训练样本中未破裂动脉瘤的特征集，n2为未破裂动脉瘤的数目，ρ为稀疏表示控制参数，为稀疏表示系数，当获得最优稀疏表示系数时，根据残差r
α
(f)判断特征所属类别，则残差r
α
(f)的表达式为：
[0043][0044]
其中，δ
α
(.)表示与所选特征类别相对应的系数。
[0045]
与现有技术相比，本发明具有以下优点：
[0046]
一、本发明根据dsa影像上颅内动脉瘤呈现类圆形形状的特点，基于黑塞矩阵特征值对图像中不同物体结构的响应差异情况，构建了多尺度动脉瘤检测滤波器，并采用贝叶斯优化的方法自动寻找滤波器检测参数，无需人工设置，减少了人为干预量。
[0047]
二、对于动脉瘤的破裂风险预测，根据形态学纹理差异和血流量差异，分别提取动脉瘤的纹理特征、强度特征和血流灌注特征，这些特征能够有效反映出破裂动脉瘤与非破
裂动脉瘤之间的差异。
[0048]
三、本发明采用基于稀疏表示进行特征筛选和分类方法，能够从提取的特征中筛选出部分更有区分力的特征，在减小计算量的同时又提高了分类的精度。
附图说明
[0049]
为了更清楚地说明本发明技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0050]
图1为本发明的数字减影血管造影中的动脉瘤检测和破裂风险预测方法的流程图。
[0051]
图2为实施例中动脉瘤滤波器参数提取和动脉瘤检测过程。
[0052]
图3为实施例中动脉瘤内部、边缘以及外部的时间-密度曲线。
[0053]
图4为动脉瘤破裂风险预测过程。
具体实施方式
[0054]
以下结合附图和具体实施方式对dsa中的动脉瘤检测和破裂风险预测方法进行详细说明，
[0055]
实施例
[0056]
如图1所示，本发明提供一种数字减影血管造影中的动脉瘤检测和破裂风险预测方法，该方法的具体实现步骤如下：
[0057]
步骤1、对dsa的每一帧影像，从第一帧开始，首先采用高斯滤波去除图像噪声，然后利用frangi滤波器对血管进行增强，采用otsu阈值分割方法得到二值化的血管图像，利用半径为2的平坦型圆盘结构元素对二值化图像进行腐蚀，去除二值图像中的小斑点，标记图像的连通区域，找出最大的连通区域作为主血管，对主血管细化得到血管的中心线，并消除垂直于血管走向和像素点小于10的血管分支，计算出血管中心线的长度，每一帧影像用相同的方法来计算，当求出dsa影像中所有帧的中心线长度后，找出第一个极大值位置的帧，提取出该帧的图像来进行动脉瘤检测；
[0058]
步骤2、将去除噪声的图像归一化，构建出基于图像黑塞矩阵特征值的动脉瘤检测滤波器，用贝叶斯优化的方法来寻找滤波器检测参数，对于滤波器中反映目标大小和强度的两个未知参数，τ值变化范围设置在0.8～1之间，而s值的变化范围在0～20之间，而搜索次数设置为50，即在图像空间搜索迭代50次，贝叶斯优化的采集函数设置为增益期望，目的是在开发和探索之间进行平衡，找到最佳参数值，使得f为最大值时对应的τ和s为滤波器的最佳检测参数，当完成搜索后可以获得一组检测参数，每个动脉瘤对应一组最佳检测参数，当检测到动脉瘤后，用区域生长法将其去除，然后在剩余的图像中重复前面步骤再进行检测；
[0059]
步骤3、对于检测到的动脉瘤，将其截取出来，未破裂的动脉瘤为一组，破裂的动脉瘤为另一组，然后分别提取特征，从每个动脉瘤得到的强度特征和纹理特征分别是31个、39个，则每帧图像有70个特征，从关键帧开始提取出连续五帧图像，将每帧图像的动脉瘤都提取出，然后分别提取强度、纹理等特征，则可以得到350(5*70)个特征；在dsa影像上选取动
脉瘤三个不同位置的roi，分别是动脉瘤内部、动脉瘤边缘和动脉瘤外部，在每个位置选择5
×
5大小的图像区域，画出时间-密度曲线，然后从曲线上可以获得血流灌注信息，在动脉瘤的内部、边缘和外部都可以得到11个血流灌注特征，每个动脉瘤可以提取到33个血流灌注特征，则总共可以得到两种特征为383(350+33)个，
[0060]
步骤4、对于提取得到的这两种特征，用稀疏表示法进行特征筛选，具体筛选时的参数设置为：最大的迭代次数k0为350，小的正数ε为0.0001，每次迭代运算时选择的样本个数为5，然后用迭代稀疏表示对特征的重要性进行排序，最开始选择前面11个重要的特征，用稀疏表示分类模型计算准确率，之后每次计算都新增加一个特征，直到增加到第80个重要特征为止，这样总共得到70个不同的准确率值，将准确率最高时对应的特征数用来作最后的动脉瘤破裂风险预测，最终筛选出32个重要特征，
[0061]
步骤5、经过稀疏表示筛选后，每个动脉瘤提取出32个重要特征，用稀疏表示分类器进行训练和测试，在用稀疏表示分类器训练时，控制参数设置为0.5，残差为0.001，用正交匹配追踪算法求解稀疏表示分类模型，最后根据稀疏表示残差来判断特征所属类别，本发明的实施例中，用auc(area under curve)，准确率，敏感度，特异性来评价分类器的性能，
[0062]
下面对本实施例的动脉瘤检测和破裂风险预测的具体实现过程进行说明。
[0063]
本发明所用的数据集中，总共有263例动脉瘤，其中，未破裂的138例，破裂的125例，在训练时，287例作为训练集，其余76例作为测试集(36例破裂动脉瘤，40例未破裂动脉瘤)，对于动脉瘤破裂风险预测，选择四组不同的特征进行对比实验：
[0064]
(1)单帧图像的强度特征和纹理特征(itf)；
[0065]
(2)单帧图像的强度特征、纹理特征和血流灌注特征(itpf)；
[0066]
(3)五帧图像的强度特征和纹理特征(itsf)；
[0067]
(4)五帧图像的强度特征、纹理特征和血流灌注特征(itpsf)。
[0068]
本发明采用第(4)组的特征，表1和表2分别为特征选择前和特征选择后的动脉瘤破裂风险预测结果。
[0069]
表1特征选择前动脉瘤破裂预测结果
[0070][0071]
表2特征选择后动脉瘤破裂预测结果
[0072][0073]
从表1和表2可以看出，经过特征选择后准确率和auc都显著提升。在表2中，本发明所提出的方法获得了最高的96.1％的准确率，敏感度也达到94.4％，auc为0.982。而在四组不同的特征中，用单帧图像的强度特征和纹理特征时准确率最低，仅为90.8％。当加入时序信息和血流灌注特征后，准确率等各评价指标都有所提升，表中第二组的准确率和auc均高于第三组，说明灌注特征比时序信息更能鉴别破裂与未破裂动脉瘤。
[0074]
综上所述，本发明提出了一种的动脉瘤检测和破裂风险预测的方法。首先，基于黑塞矩阵理论构建多尺度动脉瘤检测滤波器，并用贝叶斯优化自动寻找滤波器的参数，根据动脉瘤的形状和滤波器的响应情况检测出动脉瘤；然后，根据动脉瘤的形态学特点和血液流动情况，提取出相关的纹理、强度、血流灌注等特征；最后，用稀疏表示的方法进行特征筛选和分类，建立了动脉瘤破裂风险预测模型。实验结果表明，本发明提出的框架能够准确地检测动脉瘤并预测其破裂风险，在神经外科有潜在的应用价值。
[0075]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。