CN110060261B - 一种基于光学相干层析成像系统的血管分割方法 - Google Patents

Abstract

本发明公开了一种基于光学相干层析成像系统的血管分割方法。本发明依据光学相干层析的成像，首先将强度图像采用随机游走算法两次处理，获得血管边界和二值化图，之后，再二值化图映射到相位图中，获得新相位图，并对新相位图再次采用随机游走算法，进而获得流体区域的边界。之后，将带有流体区域边界的图像与带有血管边界的图像进行对比，进而能够判断出所检测的血管区域是否存在斑块。具有较高的准确度。每次采用随机游走算法时，都选用两类种子点进行处理，很好的解决因为光学相干层析的成像系统成像深度不够而造成血管底端的边界区域难以分割的问题，具有图像弱边界的分割效果。

Description

一种基于光学相干层析成像系统的血管分割方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于光学相干层析成像系统的血管分割方法。

背景技术

在血管吻合术中，血管健康状态的评估是判断一个手术成功的一个重要过程。光学相干层析成像技术(OCT，opticalcoherencetomography)因分辨率高、可实时成像而被广泛应用在生物组织成像上。但是，目前大多数对血管成像的光学相干层析系统是内窥式的，并且成像的对象是心血管疾病中的动脉，而本发明的针对对象是血管吻合术中的血管。由于要对手术后的血管进行成像，而经过手术处理的血管周边会存在很多缝线，这使得内窥式OCT系统没法应用，因此本发明采用体外式的多普勒OCT系统对血管进行成像。

谱域多普勒OCT系统可以提供血管结构信号和多普勒血流信号。其中血管的结构图像，也即强度图像提供了血管的轮廓信息；多普勒血流信号，也即相位图像展示了血管的流体区域。两者提供的血管信息可以很好的监测血管中血流区域面积。

通过探测血管壁的边界和血流区域的边界，来探测血管中斑块的区域面积，进而判断血管的健康程度，进而能够给显微血管吻合术中血管健康状态的评估提供辅助诊断。然而，在谱域多普勒OCT系统中，由于血管对光信号的吸收、散色等作用，导致强度图像从上到下，信号逐渐衰减，进而使得血管下端边界及其不明确。此外，由于系统噪声的存在，强度图像也有很多背景噪声干扰。因此，一般的分割算法是很难提取血管的边界。

发明内容

有鉴于此，本发明提供了一种基于光学相干层析成像系统的血管分割方法，能够清晰的提取出血管的边界，进而能够给显微血管吻合术中血管健康状态的评估提供辅助诊断。

一种基于光学相干层析成像系统的血管分割方法，具体包括如下步骤：

步骤一、首先，光学相干层析成像系统对生物的血管进行成像，得到血管的强度图像和相位图像；采用余弦变换字典学习的降噪方法，对强度图像进行降噪处理，获得图像A；

步骤二、提取图像A的首行所有像素点，形成图像A的第一类种子点；提取图像A的最后一行的所有像素点，形成A的第二类种子点；根据这两类种子点，采用随机游走算法，对降噪处理得到的图像进行估计，获得血管图像的置信图B；

步骤三、将步骤二中获得的置信图B作为分割对象，选取置信图B的首行所有像素点，形成B的第一类种子点；提取置信图B的最后一行所有像素点，形成B的第二类种子点；采用随机游走算法对置信图B进行处理，提取出血管上分割线C，实现血管壁的第一次分割；令上分割线C以上部分为白色，上分割线C以下部分为黑色，形成第一个二值化图；

步骤四、将步骤三中获得的上分割线C的各像素点作为B的第一类种子点，置信图B的最后一行所有像素点仍作为B的第二类种子点，再次采用随机游走算法对置信图B进行处理，提取出血管下分割线D，实现血管壁的第二次分割；令下分割线D以上部分为白色，下分割线D以下部分为黑色，形成第二个二值化图；

步骤五、将步骤三和步骤四中获得的第一个二值化图和第二个二值化图重叠在一起，提取二值化图中黑、白相互重叠的区域，该区域中心的类圆形部分即为血管壁边界；令该区域为白色，并将该区域映射到一个背景为黑色的图像中，之后，采用形态学操作将白色区域中除血管壁边界以外的其他区域清除并形成黑色背景，获得一个新的二值化图；在从新的二值化图中提取血管壁的边界，映射到步骤一中获得的降噪处理后的图像上，获得带有血管壁边界的图像；

步骤六、将步骤五获得的二值化图映射到相位图中，并将映射后的相位图中存在背景干扰部分的相位值设为0，获得新相位图；

步骤七、提取新相位图的边界上的所有像素点作为第一类种子点，选择相位绝对值大于1.8的像素点作为第二类种子点，采用随机游走算法，将步骤六中获得的新相位图作为分割对象，获得流体区域的边界；

步骤八、将步骤五中获得的带有血管壁边界的图像，与步骤七中获得的流体区域的边界共同映射到相位图中，进而根据血管壁边界和流体区域的边界，判断出当前所检测的血管区域是否存在斑块。

有益效果：

本发明依据光学相干层析的成像，首先将强度图像采用随机游走算法两次处理，获得血管边界和二值化图，之后，再二值化图映射到相位图中，获得新相位图，并对新相位图再次采用随机游走算法，进而获得流体区域的边界。之后，将带有流体区域边界的图像与带有血管边界的图像进行对比，进而能够判断出所检测的血管区域是否存在斑块。具有较高的准确度。每次采用随机游走算法时，都选用两类种子点进行处理，很好的解决因为光学相干层析的成像系统成像深度不够而造成血管底端的边界区域难以分割的问题，具有图像弱边界的分割效果。

附图说明

图1为光学相干层析成像系统中的血管组织的强度图像。

图2为经过余弦变换字典降噪处理后的图像。

图3为采用随机游走算法得到的置信图。

图4为第一次采用随机游走对图3进行初次分割的结果。

图5为第二次采用随机游走对图3进行再次分割的结果。

图6(a)根据两次分割结果产生的二值化图像；

图6(b)为二次分割结果在图1中的映射。

图7为光学相干系统中血管的相位图像。

图8为经过图6(a)中二值化图像处理后的相位图像。

图9为对图8中多普勒信号边界的探测结果。

图10为血管壁边界和多普勒信号边界在图7中映射。

图11(a)为第一组光学相干层析图像中血管的强度图像测试结果。

图11(b)为第一组光学相干层析图像中血管的相位图像测试结果。

图12(a)为第二组光学相干层析图像中血管的强度图像测试结果。

图12(b)为第二组光学相干层析图像中血管的相位图像测试结果。

图13(a)为第三组光学相干层析图像中血管的强度图像测试结果。

图13(b)为第三组光学相干层析图像中血管的相位图像测试结果。

图14(a)为第四组光学相干层析图像中血管的强度图像测试结果。

图14(b)为第四组光学相干层析图像中血管的相位图像测试结果。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了一种基于光学相干层析成像系统的血管分割方法；本发明的主要思想在于：

本发明分别对强度图像和相位图像进行了分割，对于强度图像来说：考虑到系统中噪声对于分割的影响，本发明首先采用余弦变换字典的噪声方法对强度图像进行简单降噪处理；然后，在降噪后图像的基础上，采用随机游走的方法对降噪后的图像进行估计，得到一个可以反应血管组织分布的置信图，由于置信图能很好的血管组织的分布情况，并且还可以避免噪声的干扰，所以将获得的置信图作为分割对象，进行分割处理。因为血管会对光源信号有衰减作用，所以具光源远的边界仍然是模糊的，故本发明将分割处理的结果作为种子点，再一次采用随机游走算法对获得的置信图进行处理，以探测血管壁的边界。同时，在探测边界的过程中，生成一个带有血管轮廓的二值化图像。

对于相位图像来说：

在相位图分割过程中，为了降低分割的难度，通过强度图像分割的结果来产生一个带有血管轮廓的二值化图像来消除相位图中的背景噪声，接着再采用随机游走算法从该图提取多普勒血流边界，从而完成相位图中的分割过程。

步骤一、首先，光学相干层析成像系统对某生物的血管进行成像，本发明的被测对象为小鼠，得到血管的强度图像和相位图像，其中，血管强度图像如图1。图1中有许多散斑噪声的存在，这严重干扰了图像分割。为了减少噪声的影响，采用余弦变换字典学习的降噪方法，对强度图像进行降噪处理，获得图像A。经过降噪处理得到图2所示的图像。

步骤二、从图2可知，步骤一虽然降低了噪声的干扰，但是图像的对比度仍然不高，并且在血管底端，血管与背景区域的分界处非常模糊，因此如果将该图作为对象，采用常规分割处理方法对血管边界进行提取是极其困难的。

由于早期的随机游走分割算法中，能根据图像灰度信息，对组织图像进行概率估计，得到一个可以反应血管组织分布的置信图。故本发明采用随机游走算法，对降噪处理得到的图像进行估计，获得血管图像的置信图和分割线，但由于获得的分割线是不准确的，所以本步骤不对获得的分割线进行处理；具体方法为：

S21、将降噪处理后的图像A的首行所有像素点提取，形成A的第一类种子点；将降噪处理后的图像A的最后一行所有像素点提取，形成A的第二类种子点；

S22、依据S21中选择的两类种子点，采用随机游走算法，获得一个置信图B。其中，所述置信图B各行概率从上到下逐渐降低，如图3所示。

由于多普勒光学相干层析成像技术在对血管进行成像时，光源是垂直照射在血管的表面，并穿透血管。但由于血管组织对光信号有吸收散射的作用，故血管组织成像后的强度信号从上至下呈递减趋势。而获得的置信图的概率也是从上到下逐渐降低，则说明置信图更真实的体现血管组织在多普勒光学相干层析的成像。

为了能够体现多普勒光学相干层析成像的特点，本申请在选择种子点时，分别选取图像中首行所有像素和尾行所有像素，即选择两类种子点，而非采用现有技术，选择两个像素作为种子点，这样做的好处在于：能够避免单个像素因为选择不当而导致错误的分割。

步骤三、将步骤二中获得的置信图B作为分割对象，选取置信图B的首行所有像素点，形成B的第一类种子点；提取置信图B的最后一行所有像素点，形成B的第二类种子点；采用随机游走算法，获得新的置信图B’和分割线C。但由于步骤三中获得的置信图B’是根据步骤二中获得的置信图B进行处理后得到的，该置信图B’与血管真实反映出的置信图会存在一定差异，故本发明不对本步骤中获得的置信图B’进行处理。如图4所示，提取出血管上分割线C，实现血管壁的第一次分割。令上分割线C以上部分为白色，上分割线C以下部分为黑色，形成第一个二值化图；

从图3可以知道，该置信图能有效的反应组织的分布情况，不会缺失信息，不存在图2中的线条。但是，由于步骤二中只选择了两类种子点，仅能提取出图像中较为清晰的边界，即上分割线。

步骤四、为了能够提取出血管的下分割线，本发明再次采用随机游走算法，对步骤二中获得的置信图B进行下分割线进行提取，具体为：

将步骤三中获得的上分割线C的各像素点作为B的第一类种子点，置信图B的最后一行所有像素点仍作为B的第二类种子点；再次采用随机游走算法对步骤二中获得的置信图B进行处理，如图5所示，提取出血管下分割线D，实现血管壁的第二次分割。令下分割线D以上部分为白色，下分割线D以下部分为黑色，形成第二个二值化图；

步骤五、将步骤三和步骤四中获得的第一个二值化图和第二个二值化图重叠在一起，提取二值化图中黑、白相互重叠的区域，该区域中心的类圆形部分即为血管壁边界；令该区域为白色，并将该区域映射到一个背景为黑色的图像中，之后，采用形态学操作将白色区域中除血管壁边界以外的其他区域清除并形成黑色背景，获得一个新的二值化图；如图6(a)所示。在从新的二值化图中提取血管壁的边界，映射到步骤一中获得的降噪处理后的图像上，获得带有血管壁边界的图像；如图6(b)所示。

步骤六、如图7所示，将步骤五获得的二值化图映射到相位图中，如图8所示，将映射后的相位图中存在背景干扰部分的相位值设为0，以去除相位图中的背景干扰。进而获得新相位图。

步骤七、将步骤六中获得的新相位图作为分割对象，进行第三次分割，具体为：

提取新相位图的四个边界的所有像素点作为第一类种子点，选择相位绝对值大于1.8的像素点作为第二类种子点，采用随机游走算法，对新相位图进行分割，获得流体区域的边界，如图9所示。

步骤八、将步骤五中获得的带有血管壁边界的图像，与步骤七中获得的流体区域的边界共同映射到相位图中，如图10所示，进而根据血管壁边界和流体区域的边界，判断出当前所检测的血管区域是否存在斑块。

为了验证该算法在血管分割中的有效性，这里选择了四组带有不同的血流面积图像进行测试，测试结果如图11(a)和(b)，图12(a)和图12(b)，图13(a)和图13(b)，图14(a)和图14(b)所示，从结果来看，无论哪组图像，分割的结果都令人满意。为了定量化描述分割的结果，本文将自动分割的结果与人工分割结果进行比较，并采用三个评价指标Dice系数、灵敏度系数，特异性系数来评价分割的结果。人工分割结果是通过采用MATLAB软件中Roipoly函数对血管边界进行选择大量点，并进行编辑而得到。三个参数对四组实验图像测试的结果在表格1中，从数据结果来看，Dice系数、灵敏度系数的平均值分别为95.42％，95.78％，只有一组血管数据的Dice系数和灵敏度系数为90.96％，89.53％。另外，所有的特异性系数几乎接近100％，这暗含了基本上没有像素点落在人工分割的血管区域之外。这些数据表明，本文方法分割结果与人工分割结果是很接近的。对于程序的执行时间，四组图像的平均时间为7.85，时间成本相对于一般的图割算法是非常有优势的。综上所述的测试，该分割算法对血管边界信息能进行稳定，有效的提取。

表1三个参数对四组实验图像测试的结果

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于光学相干层析成像系统的血管分割方法，其特征在于，具体包括如下步骤：

步骤一、首先，光学相干层析成像系统对生物的血管进行成像，得到血管的强度图像和相位图像；采用余弦变换字典学习的降噪方法，对强度图像进行降噪处理，获得图像A；

步骤二、提取图像A的首行所有像素点，形成图像A的第一类种子点；提取图像A的最后一行的所有像素点，形成A的第二类种子点；根据这两类种子点，采用随机游走算法，对降噪处理得到的图像进行估计，获得血管图像的置信图B；

步骤三、将步骤二中获得的置信图B作为分割对象，选取置信图B的首行所有像素点，形成B的第一类种子点；提取置信图B的最后一行所有像素点，形成B的第二类种子点；采用随机游走算法对置信图B进行处理，提取出血管上分割线C，实现血管壁的第一次分割；令上分割线C以上部分为白色，上分割线C以下部分为黑色，形成第一个二值化图；

步骤四、将步骤三中获得的上分割线C的各像素点作为B的第一类种子点，置信图B的最后一行所有像素点仍作为B的第二类种子点，再次采用随机游走算法对置信图B进行处理，提取出血管下分割线D，实现血管壁的第二次分割；令下分割线D以上部分为白色，下分割线D以下部分为黑色，形成第二个二值化图；

步骤五、将步骤三和步骤四中获得的第一个二值化图和第二个二值化图重叠在一起，提取二值化图中黑、白相互重叠的区域，该区域中心的类圆形部分即为血管壁边界；令该区域为白色，并将该区域映射到一个背景为黑色的图像中，之后，采用形态学操作将白色区域中除血管壁边界以外的其他区域清除并形成黑色背景，获得一个新的二值化图；在从新的二值化图中提取血管壁的边界，映射到步骤一中获得的降噪处理后的图像上，获得带有血管壁边界的图像；

步骤六、将步骤五获得的二值化图映射到相位图中，并将映射后的相位图中存在背景干扰部分的相位值设为0，获得新相位图；

步骤七、提取新相位图的边界上的所有像素点作为第一类种子点，选择相位绝对值大于1.8的像素点作为第二类种子点，采用随机游走算法，将步骤六中获得的新相位图作为分割对象，获得流体区域的边界；

步骤八、将步骤五中获得的带有血管壁边界的图像，与步骤七中获得的流体区域的边界共同映射到相位图中，进而根据血管壁边界和流体区域的边界，判断出当前所检测的血管区域是否存在斑块。

Images