CN101393644B - 一种肝门静脉血管树建模方法及其系统 - Google Patents

Abstract

本发明公开了一种肝门静脉血管树建模方法及其系统。该方法首先使用肝脏模型得到肝脏图像，并利用多尺度滤波方法增强血管；再分割肝门静脉；然后提取肝门静脉的中心线，检测并去除中心线中存在的环，剪枝后利用OSG/VTK重建出肝门静脉血管树。系统包括图像获取模块、血管增强模块、血管分割模块、血管树中心线提取模块和血管树重建模块。本发明在滤波过程中改进了相似性函数；分析了环的特性并针对不同的环采用相应的解环方法；剪枝时利用了血管半径和分支长度之间的关系。本发明有效增强了肝门静脉，提高了血管与肝实质之间的对比度，能提取五级以上分支，并可对提取的血管中心线有效去环、剪枝，重建出的肝门静脉血管树能直观显示肝门静脉各分支。

Description

一种肝门静脉血管树建模方法及其系统

技术领域

本发明属于医学图像处理及应用领域，具体涉及一种肝门静脉血管树建模方法及其系统。该方法能有效对肝门静脉血管树建模，重建出肝门静脉血管树，能直观显示肝门静脉各分支。

背景技术

多螺旋CT肝门静脉成像(multi-slice spiral CT portography，MSCTP)可清晰显示肝内脏器的血管结构，能对肝脏病变准确定位，是肝部疾病诊断和手术的重要依据。对MSCTP的肝门静脉血管树的建模是制定肝部手术的一个基础，可使门静脉各分支直观显示出来，血管的结构分析、肝部图像引导手术、介入治疗操作等都以血管建模为基础。

对MSCTP的肝门静脉血管树的建模主要包括四部分：图像增强、血管分割、提取血管中心线和血管重建。

由于存在造影剂注射速率及剂量选择不当、扫描时间把握不准等复杂情况，由相应设备直接获取的MSCTP图像往往不能清晰地显示肝门静脉血管树的全局结构，特别是对于较细的血管和末梢的血管，其与周围肝脏软组织难以区分。因此，在分割血管之前需对血管进行增强。Koller等人于1995年提出一种利用hessian矩阵特征值的多尺度增强方法，可用于检测2维和3维图像中的血管。Frangi等、Sato等、Li等通过分析管状、球状和片状结构在一定尺度下的hessian矩阵特征值的性质，构造出相应的用于血管增强的相似性函数。但在血管的交叉位置仍然增强不够，导致增强后的血管不连续。

中心线的提取方法主要分为拓扑细化方法和基于距离变换的方法。拓扑细化方法原理简单，提取的中心线往往位于血管的中心，拓扑结构能够很好地保持，但当数据量较大时，处理速度稍慢。基于距离变换的方法处理速度较拓扑细化方法快，但由于其对拓扑结构的保持性没有拓扑细化方法好，不适用于对结构保留要求较高的应用场合。虽然拓扑细化能够很好保持目标的结构信息，然而当血管中存在环状结构时，该方法需要后处理去除环状结构。目前，应用较多的是Palágyi K等人提出的基于起点的源距离场(Distance from one Source point，DFS)的检测环和去环方法；但是，利用DFS解环往往会破坏血管的正常结构。

发明内容

本发明的目的在于提供一种肝门静脉血管树建模方法，该方法能有效增强肝门静脉，提高血管与肝实质之间的对比度，能提取五级以上分支，并可对提取的血管中心线有效去环、剪枝，重建出的肝门静脉血管树能直观显示肝门静脉各分支；本发明还提供了实现该方法的系统。

本发明提供的肝门静脉血管树建模方法，其步骤包括：

(1)载入分割好的肝脏模型，对腹部MSCTP门静脉期图像进行值掩，得到肝脏图像；

(2)对值掩后的肝脏图像进行血管增强；

(3)对血管增强后的肝脏图像进行肝门静脉分割；

(4)从分割出的肝门静脉中提取肝门静脉血管树的中心线；

(5)利用获得的肝门静脉的中心线和中心线上每点的管径重建肝门静脉血管树。

本发明提供的肝门静脉血管树建模系统，包括图像获取模块、血管增强模块、血管分割模块、血管树中心线提取模块和血管树重建模块；

图像获取模块用于载入分割好的肝脏模型，对腹部MSCTP门静脉期图像进行值掩，得到肝脏图像，并传送给血管增强模块；

血管增强模块对接收到的值掩后的肝脏图像进行血管增强，并传送给血管分割模块；

血管分割模块对血管增强后的肝脏图像进行肝门静脉分割，再传送给血管树中心线提取模块；

血管树中心线提取模块从分割出的肝门静脉中提取肝门静脉血管树的中心线，并将数据传送给血管树重建模块；

血管树重建模块利用获得的肝门静脉的所有中心线和中心线上每点的管径重建肝门静脉血管树。

本发明是一个完整的对MSCTP图像进行肝门静脉血管树建模的方法。该建模方法首先使用肝脏模型得到肝脏图像，并利用基于hessian矩阵的多尺度滤波方法对血管进行增强；其次，利用区域增长/水平集/模糊连接等分割方法分割出肝门静脉；然后利用3维拓扑细化方法提取出肝门静脉的中心线，检测并去除中心线中存在的环，并对中心线进行剪枝，去除不必要的分支；最后，利用OSG(OpenSceneGraph)或VTK(Visualization Toolkit)方法重建出肝门静脉。该方法在滤波过程中，考虑了原始图像的灰度信息，改进了滤波过程中的相似性函数，可以提高血管增强的效果；在去环的过程中分析了环的特性，并针对不同的环采用不同的方法解环；在进行剪枝时，利用了血管的半径和分支的长度之间的关系，可以有效去除伪分支。本发明所构建的肝门静脉血管树建模的系统能够按照本发明所提供的建模方法完全实现。

附图说明

图1为本发明肝门静脉血管树建模方法的流程图；

图2为本发明肝门静脉血管树建模系统的系统结构图；

图3为本发明肝门静脉血管增强的流程图；

图4为本发明肝脏图像的统计直方图示意图；

图5为本发明实施例肝门静脉分割结果图；

图6为本发明使用的体素方向示意图；

图7为本发明使用的3维拓扑细化模板示意图；

图8为本发明血管中环状结构示意图；

图9为本发明血管解环后的结果示意图；

图10为本发明实施例肝门静脉拓扑细化结果图；

图11为本发明实施例利用OSG重建的肝门静脉血管树结果图。

具体实施方式

下面结合附图和实例对本发明的技术方案作进一步的详细说明。

如图1所示，本发明方法包括以下步骤：

(1)载入事先分割好的肝脏模型，对腹部MSCTP门静脉期图像进行值掩，得到肝脏图像。

已有研究者提出了获取肝脏模型的方法，本实例采用统计MSCTP动脉期和门静脉期图像中感兴趣区域的CT值分布来估计肝脏的二维直方图，并在此基础上初步分割出正常肝实质，结合形态学操作去除多余组织，并提取、添加血管和病灶，最终得到完整肝脏模型。(具体参见Jun Masumoto，Masatoshi Hori，Yoshinobu Sato，et al.Automated liver Segmentation UsingMulti-slice CT Images[J].Systems and Computer in Japan，2003；34(9)：2150-2161.)

MSCTP共有三期图像：动脉期、门静脉期和平衡期，由于门静脉期门静脉主干明显强化，肝内门静脉细小分支显影，因此采用MSCTP门静脉期图像来分析肝门静脉。

值掩后的所获得的肝脏图像只在肝脏模型内有图像信息，模型外无任何图像信息。

(2)肝内门静脉增强。利用步骤(1)所得肝脏图像，在肝脏内部对肝门静脉进行3维血管增强。流程图参见图3，其具体步骤为：

(2.1)调整肝脏图像的窗宽W、窗位C，利用下式(1)计算得到肝脏模型中的CT最低值T_min、最高值T_max，以及归一化之后图像中任一点r的灰度值y(r)，以获得合适的肝脏图像。

由于CT图像是12位DICOM格式，数据量很大，为提高处理速度，需在不降低图像质量的基础上进行压缩处理。根据图像选择合适的窗宽和窗位，并利用线性变换将之归一化到8位的灰度图像。计算公式如下所示：

$\left\{\begin{array}{c}\begin{array}{c}{T}_{\min }=C-W/2\\ T_{\max }=C+W/2\end{array}\\ y\left(r\right)=\left\{\begin{array}{cc}0,& f\left(r\right)<T_{\min }\\ \frac{255}{T_{\max }-T_{\min }}(f\left(r\right)-T_{\min }),& T_{\min }\&le;f\left(r\right)\&le;T_{\max }\\ 255,& f\left(r\right)>T_{\max }\end{array}\right.\end{array}\right.---\left(1\right)$

其中，f(r)为归一化前图像上点r的CT值。

(2.2)统计并分析肝脏图像直方图，自动确定感兴趣灰度范围，即肝门静脉血管的灰度范围；

在MSCTP扫描过程中，由于有大量造影剂汇入门静脉而进入肝脏，使得肝脏的密度迅速增加，门静脉主干明显强化，肝内门静脉细小分支显影。病变肝实质在门静脉期呈低密度，而门静脉呈高密度。但是，部分较细血管特别是末梢血管与正常肝实质密度相近。

对归一化后的肝脏MSCTP图像统计直方图如图4所示，峰值所对应的灰度值记为y_peak，逆向第一个波谷记为y_trough。图4中，区间B的灰度范围为[y_trough，255]，在此范围内的组织多数为血管，含少量肝实质；区间A的灰度范围为[y_peak，y_trough)，在此范围内多数是肝实质，少量为血管，而血管末梢的灰度往往处于这个区间并与肝实质的灰度区分度不大。因此，确定感兴趣的组织即血管的灰度应大于y_peak，范围区间为A+B，即[y_peak，255]，小于y_peak的则被认为是病变组织和正常肝实质。

(2.3)在感兴趣灰度范围内，对肝脏图像进行基于hessian矩阵的多尺度滤波，得到增强的肝门静脉图像。

为了判断图像I上一点r是否属于血管，必须对该点进行局部分析。通常分析某点的局部特性采用该点的某个邻域内的泰勒级数展开式。点r的二阶泰勒级数展开式为：

$I(r+\mathrm{\&Delta;r})\&ap;I\left(r\right)+{\mathrm{\&Delta;r}}^T\&dtri;I\left(r\right)+{\mathrm{\&Delta;r}}^{T}H\left(r\right)\mathrm{\&Delta;r}---\left(2\right)$

其中，

为点r的梯度矢量，H(r)为点r的hessian矩阵，由点r的二阶导数构成。

基于hessian矩阵的多尺度滤波实现步骤如下：

(a)根据肝门静脉直径范围[d_min，d_max]，确定滤波器的尺度范围为[σ_min，σ_max]，两者之间满足关系σ＝d/4。在确定了滤波器的尺度范围后，需设定多尺度滤波器的个数N，每个滤波器的尺度采用如下式子确定：

${\mathrm{\&sigma;}}_n={\left(\frac{d_{\max }}{d_{\min }}\right)}^{\frac{n}{N-1}}\frac{d_{\min }}{4},n=\mathrm{0,1},\&CenterDot;\&CenterDot;\&CenterDot;,N-1---\left(3\right)$

其中，n为滤波器的滤波尺度的序号。

(b)对每一个尺度σ，用该尺度的高斯函数对肝脏图像进行滤波，并利用以下公式计算图像上每点r的hessian矩阵：

$H_{\mathrm{\&sigma;}}\left(r\right)=\left[\begin{array}{ccc}{I}_{\mathrm{xx}}\left(r\right)& I_{\mathrm{xy}}\left(r\right)& I_{\mathrm{xz}}\left(r\right)\\ I_{\mathrm{yx}}\left(r\right)& I_{\mathrm{yy}}\left(r\right)& I_{\mathrm{yz}}\left(r\right)\\ I_{\mathrm{xz}}\left(r\right)& I_{\mathrm{yz}}\left(r\right)& I_{\mathrm{zz}}\left(r\right)\end{array}\right]---\left(4\right)$

其中， $I_{\mathrm{xx}}\left(r\right)=\frac{{\&PartialD;}^2}{{\&PartialD;x}^2}G\left(r\right)*I\left(r\right),$ $G\left(r\right)=\frac{1}{\sqrt{2\mathrm{\&pi;}}\mathrm{\&sigma;}}\exp (-\frac{{\left|\right|r\left|\right|}^2}{{2\mathrm{\&sigma;}}^2}),$ 其它以此类推。

(c)求取每点处hessian矩阵的特征值。由于hessian矩阵为3×3的实对称矩阵，因此具有3个实特征值，将三个特征值按照λ₁≈λ₂＜＜λ₃≈0的顺序排列。

在Hessian矩阵的三个实特征值中，绝对值最大的特征值对应的特征向量的方向代表点r处曲率最大的方向，也即与血管方向垂直的方向，绝对值最小的特征值对应的特征向量的方向代表了血管的方向。

(d)利用如下所示公式计算每点的相似性函数值：

v(r，σ)函数值的大小决定了该点r属于血管上的点的可能性的大小，该值越大则属于血管的可能性越大。

(e)比较不同尺度下每点的相似性函数值，取所有尺度下最大的相似性函数值作为此点的最终值。对整个图像I进行此操作即可得到增强后的图像。

$v\left(r\right)=\underset{{\mathrm{\&sigma;}}_{\min }\&le;\mathrm{\&sigma;}\&le;{\mathrm{\&sigma;}}_{\max }}{\max }v(r,\mathrm{\&sigma;})---\left(6\right)$

(3)肝门静脉分割。利用区域增长/水平集/模糊连接等分割方法从增强后的图像中分割出肝门静脉。

已有研究者提出各种针对血管的分割方法，可选择区域增长/水平集/模糊连接等方法。(具体参见Kirbas C，Quek F.A review of vessel extractiontechniques and algorithms[J].ACM Computing Surveys，2004，36(6)：81-121.)

附图5所示为一组MSCTP数据所得的肝门静脉的分割结果的冠状面最大密度投影图。

(4)从分割出的肝门静脉中提取肝门静脉血管树的中心线。提取血管的中心线是分析血管常用的方法，该中心线可有效表示血管的结构并提供了每点血管的半径。其步骤为：

(4.1)预处理。主要包括两个部分：

(a)填充孔洞。由于肝门静脉内部灰度不一致或者其它原因会导致步骤(3)分割出来的肝门静脉中存在孔洞，这些孔洞将影响提取中心线的工作，必须将这些孔洞填充。

在分割好的二值肝门静脉体数据中(假设背景标记为0，目标即肝门静脉标记为1)选择背景中一个体素点，将该点作为种子点，以标记均为0作为增长条件，利用区域增长方法得到一个最大连通背景。将属于该连通背景的体素点都标记为0，非则标记为1，即填充了孔洞。

(b)裁剪数据。在医学图像处理及应用领域，要处理的图像数据量往往非常大，而所分析的目标只占整个图像的一部分。因此，在分析目标的时候有必要将该目标裁剪出来以减少不必要的数据访问，缩短处理时间。

采用寻找最小盒子法来裁剪数据：分别在坐标轴x、y、z方向寻找最小和最大目标点对应的坐标x_min、x_max、y_min、y_max、z_min和z_max，用大小为(x_max-x_min+3)×(y_max-y_min+3)×(z_max-z_min+3)的盒子从起始点(x_min-1，y_min-1，z_min-1)沿平行于轴向的方向框住目标，此盒子内的数据即为裁剪后的数据。一般地，裁剪后的数据只占原始未裁剪数据的40％-80％。

(4.2)利用3维拓扑细化方法得到肝门静脉的初始中心线。

目前，已有研究者在提取中心线方面做了很多研究。由于拓扑细化方法能较好地保留原始目标的拓扑结构信息，所以采用Palágyi K提出的3维拓扑细化的方法获得血管的中心线。该方法分为3步：

(a)提取目标的边界体素点，并将这些体素点按照方向一致性分成六类(六类方向分别为U-、N-、E-、S-、W-、D-，可参考图6，该图中p点为目标点)。

譬如，对于体素点a，若与a相邻的点中，U-体素点、N-体素点均为背景点，则将该点应划分到U-类和N-类。每个点可属于多个类，取决于该点与背景的邻接情况。孤立点可归到此六类的每一类。

(b)对每类中的所有目标点，使用相应的模板检测该目标点是否为简单点。若是简单点，则删除；否则保留该目标点。

附图7中所给出的六个模板是U-向模板，其它向模板可通过旋转这些模板得到。该模板只需考虑目标点的3×3×3格子内的邻接点。对于每个点，只要满足其中一个模板，即可确认该点为简单点；若六个模板都不满足，则为非简单点。在图7模板中，1表示为目标点，0表示为背景点，’.’表示只要其中有一个为1即可，’x’表示该点不予考虑。

(c)重复步骤(a)和(b)，直到没有目标点可被删除为止。剩余的目标点即为求得的中心线。

(具体参见Palágyi K，Kuba A.A 3D 6-subiteration thinning algorithm forextracting medial lines，Pattern Recognition Letter.1998；19：613-627.)

(4.3)利用DFS检测中心线中存在的环。由于图像质量或者分割方法的原因，分割出的肝门静脉可能会存在闭合的环状结构，会导致用拓扑细化提取出的中心线中存在环。为得到有效的建模数据，需去除环。检测环的方法分为以下三步：

(a)计算中心线上DFS。以中心线上任一分支末梢点s作为初始点，采用基于最小堆的Dijkstra算法计算中心线上每点到s点的最短距离。该距离采用精确的欧式距离。

(具体参见Shih Frank Y，Wu Yi Ta.Three dimensional Euclideandistance transformation and its application to shortest path planning[J].PatternRecognition，2004，37(1)：79-92)

(b)检测中心线中存在的环。如果在中心线中存在环结构，那么从某个分支末梢到另一个分支末梢至少存在两条路径。在中心线DFS上的表现就是存在一个点q，其邻域上的中心线上的点的距离值均不大于q点的距离值。通过这个特性就可以检测出中心线上的环。找到局部最大距离值后，沿距离值减小方向不断追溯至同一最近源点，用图结构G＝(V，E)记录下此环。其中，E为环上的分支点，V为直接连接两分支点之间的中心路径上的点构成的边。

(4.4)分析中心路径中的每个环，解环。

在血管中，存在三种环状结构，如附图8所示：(i)两个分支主干相切而连接在一起，如图8(a)所示；(ii)两个分支末梢连接在一起，如图8(b)所示；(iii)一个分支末梢连接到某个分支主干，如图8(c)所示。在图8中，加粗的黑色虚/实线为中心线，中心线中的环用实线标记。

针对这三种环，解环步骤如下：

(a)计算中心线上每点到边界的最短距离，采用基于边界的边界距离场(Distance From Boundary，DFB)，此即为该点的管径。方法与步骤(4.3)(a)中计算DFS的方法相同。

(b)利用步骤(4.3)(b)得到的图结构G＝(V，E)，计算两直接连接分支点A、B间的分支长度|AB|，若|AB|＜＝g(A)+g(B)，则认为分支AB是(i)类假分支，应将该分支去除；其中，g(A)、g(B)分别代表A、B两点处的管径。若无此类假分支，则执行下一步。

(c)对(ii)和(iii)类环状结构：计算图结构G＝(V，E)中每个分支的管径变化率，取管径变化率接近0的点，去除该点即可解环。若有多个点的管径变化率接近0且之间相互差别不大，则去除管径最小的点。

附图8中各图对应的去环结果如附图9所示。

(4.5)对中心线进行剪枝，去除伪分支。所指伪分支均为末梢伪分支，即该分支以下未有子分支，本申请文件中凡提到伪分支均指此意。

已有研究者在此方面做了研究，如中国专利文献“一种骨架化物体重建方法”(其公开号为CN 1629888A，公开日为2005.6.22)提出设定一个剪枝阈值，凡末梢枝条长度小于该阈值，则删除；否则，保留。但是，这样简单删除对于管径不一的目标会存在问题。譬如，在比较粗的半径为9个单位长度的主干上有一个伪分支V_a，其长度为10个单位长度，而在较细的半径为3个单位长度的旁枝上存在一个真正的分支V_b，其长度为10个单位长度。倘若剪枝阈值为11，虽然伪分支V_a被删除了，但真正的分支V_b也被删除了；若剪枝阈值为8，保留了真正的分支V_b，但伪分支V_a也保留下来了。

我们利用分支的长度及其附属主干的管径之间的关系去除伪分支，步骤如下：

(a)若分支长度小于用户设定的最小阈值T，则认为该分支为伪分支，删除；若大于该阈值，则转到步骤(b)。该阈值T是对整个肝门静脉所能容忍的最小分支长度，可由用户根据实际情况设定。

(b)若该分支附属主干的管径乘以系数f的结果大于其长度，则认为该分支为伪分支，删除；若小于其长度，则认为是真分支，保留。该系数f取经验值为1.5～1.7。

附图10是本实施例所得拓扑细化的结果图，其中图10(a)是利用3维拓扑细化所得的初始中心线，图10(b)是进行解环剪枝所得的最终中心线。

(5)肝门静脉血管树重建。利用OSG或VTK重建出肝门静脉血管树。

通过上面的步骤已经获得了肝门静脉的所有中心线，并得到中心线上每点的管径。针对两种重建方法，分别做介绍：

(5.1)利用OSG重建肝门静脉血管树。利用正十二边形构造血管的表面。中心线上每点上的正十二边形的法线方向与该点的梯度方向一致，边长d_edge与该点的管径radius关系满足下列式子：

d_edge＝2×radius×sin7.5°    (7)

确定中心线上每点的正十二边形后，连接相邻两点对应的十二边形的顶点。则每两个中心点之间的有12个四边形，绘制每个四边形即得到两个中心点之间的一段血管。按照此方法绘制中心线上的每一点。

附图11所示为本实施例利用OSG重建的肝门静脉血管树。

(5.2)利用VTK重建肝门静脉血管树。对中心线上的每个点，以该点为中心，以管径为半径，在体数据中做球，凡是在球内的体数据均标记为目标点。对中心线上每点做相同的操作，根据最终得到的二值体数据利用VTK里的面绘制算法Marching Cube进行重建。

两种重建方法均可在重建前对中心线上每两个直接连接分支点之间的中心路径上的点进行多项式拟合，增强血管的光滑性。

本发明提供的肝门静脉血管树建模系统结构图如图2所示。该系统包括图像获取模块100、血管增强模块200、血管分割模块300、血管树中心线提取模块400和血管树重建模块500。

图像获取模块100用于得到肝脏图像，该模块分为2个子模块，分别为载入图像模块110和值掩模块120。载入图像模块110用于载入肝脏模型图像和腹部MSCTP门静脉期图像。值掩模块120利用载入图像模块110所得两组图像采用值掩方法得到肝脏图像。

血管增强模块200利用图像获取模块100所得的肝脏图像，在肝内部对肝门静脉进行3维血管增强，提高血管与肝实质的对比度。该模块分为3个子模块，分别为调节窗宽窗位模块210、直方图分析模块220、多尺度血管增强模块230。3个模块分别具体参见步骤(2.1)、(2.2)、(2.3)。

血管分割模块300用于对血管增强模块200所得的图像分割出肝内部的门静脉，分割方法可采用区域增长/水平集/模糊连接等方法。

血管树中心线提取模块400根据血管分割模块300所得的门静脉3维二值图像，提取出门静脉的中心线，检测并去除血管中存在的环状结构，利用剪枝技术去除伪分枝。该模块分为5个子模块，分别为预处理模块410、初始中心线提取模块420、中心线中环检测模块430、解环模块440和剪枝模块450。5个模块分别具体参见步骤(4.1)、(4.2)、(4.3)、(4.4)和(4.5)。

血管树重建模块500根据血管树中心线提取模块400所得门静脉的中心线和中心线上各点的管径，利用OSG或VTK重建出肝门静脉血管树。

实例：

本发明提出的一种肝门静脉血管树建模方法及其系统涉及到若干参数，这些参数需针对具体的处理数据进行调节以达到良好的性能。此处列出本发明处理数据设定的参数：

步骤(2.1)调整肝脏图像的窗宽窗位，设定窗宽W＝250，窗位C＝40；

步骤(2.3)(a)肝门静脉直径范围为[2，20]mm，滤波器的个数N＝5；

步骤(4.5)对中心线进行剪枝，去除伪分支，设定最小分支长度阈值T＝5，系数f＝1.5。

Claims (8)

1.一种肝门静脉血管树建模方法，其步骤包括：

(1)载入分割好的肝脏模型，对腹部多螺旋CT肝门静脉成像门静脉期图像进行值掩，得到肝脏图像；

(2)对值掩后的肝脏图像进行血管增强；

(3)对血管增强后的肝脏图像进行肝门静脉分割；

(4)从分割出的肝门静脉中提取肝门静脉血管树的中心线；

(5)利用获得的肝门静脉的中心线和中心线上每点的管径重建肝门静脉血管树；

步骤(2)具体包括以下过程：

(2.1)调整肝脏图像的窗宽W、窗位C，利用下式(1)计算得到肝脏模型中的CT最低值T_min、最高值T_max，以及归一化之后图像中任一点r的灰度值y(r)，获得合适的肝脏图像；

$\left\{\begin{array}{c}{T}_{\min }=C-W/2\\ T_{\max }=C+W/2\\ y\left(r\right)=\left\{\begin{array}{cc}0,& f\left(r\right)<T_{\min }\\ \frac{255}{T_{\max }-T_{\min }}(f\left(r\right)-T_{\min }),& T_{\min }\&le;f\left(r\right)\&le;T_{\max }\\ 255,& f\left(r\right)>T_{\max }\end{array}\right.\end{array}\right.---\left(1\right)$

其中，f(r)为归一化前图像上点r的CT值；

(2.2)统计并分析肝脏图像直方图，其中峰值所对应的灰度值记为y_peak，确定感兴趣灰度范围[y_peak，255]作为肝门静脉血管的灰度范围；

(2.3)在感兴趣灰度范围内，对肝脏图像进行基于hessian矩阵的多尺度滤波，得到增强的肝门静脉图像；

步骤(2.3)具体包括以下过程：

(a1)根据肝门静脉直径范围[d_min，d_max]，确定滤波器的尺度范围为[σ_min，σ_max]，两者之间满足关系σ＝d/4；设定多尺度滤波器的个数N，每个滤波器的尺度采用如下式子确定：

${\mathrm{\&sigma;}}_n={\left(\frac{d_{\max }}{d_{\min }}\right)}^{\frac{n}{N-1}}\frac{d_{\min }}{4},n=\mathrm{0,1},\&CenterDot;\&CenterDot;\&CenterDot;,N-1---\left(3\right)$

其中，n为滤波器的滤波尺度的序号；

(a2)对每一个尺度σ，用该尺度的高斯函数对肝脏图像进行滤波，并利用以下公式计算图像I上每点r的hessian矩阵：

$H_{\mathrm{\&sigma;}}\left(r\right)=\left[\begin{array}{ccc}{I}_{\mathrm{xx}}\left(r\right)& I_{\mathrm{xy}}\left(r\right)& I_{\mathrm{xz}}\left(r\right)\\ I_{\mathrm{yx}}\left(r\right)& I_{\mathrm{yy}}\left(r\right)& I_{\mathrm{yz}}\left(r\right)\\ I_{\mathrm{xz}}\left(r\right)& I_{\mathrm{yz}}\left(r\right)& I_{\mathrm{zz}}\left(r\right)\end{array}\right]---\left(4\right)$

其中， $I_{\mathrm{xx}}\left(r\right)=\frac{{\&PartialD;}^2}{\&PartialD;x^2}G\left(r\right)*I\left(r\right),$ $G\left(r\right)=\frac{1}{\sqrt{2\mathrm{\&pi;}}\mathrm{\&sigma;}}\exp (-\frac{{\left|\right|r\left|\right|}^2}{2{\mathrm{\&sigma;}}^2}),$ 其它以此类推；

(a3)求取每点处hessian矩阵的特征值，将三个特征值按照λ₁≈λ₂＜＜λ₃≈0的顺序排列，绝对值最小的特征值对应的特征向量的方向代表了血管的方向；

(a4)利用如下所示公式计算每点的相似性函数值：

(a5)比较不同尺度下每点的相似性函数值，取所有尺度下最大的相似性函数值v(r，σ)作为此点的最终值，得到增强后的图像。

2.根据权利要求1所述的肝门静脉血管树建模方法，其特征在于：步骤(4)按照下述过程提取血管中心线：

(4.1)预处理：先对步骤(3)分割出来的肝门静脉中的孔洞进行填充，再将分析目标裁剪出来，减少数据访问；

(4.2)利用3维拓扑细化方法得到肝门静脉的初始中心线；

(4.3)检测中心线中存在的环，用图结构G＝(V，E)记录下环，其中，E为环上的分支点，V为直接连接两分支点之间的中心路径上的点构成的边；

(4.4)将血管中的环分为三种环状结构，(i)两个分支主干相切而连接在一起；(ii)两个分支末梢连接在一起；(iii)一个分支末梢连接到某个分支主干；针对这三种环，按照下述过程进行解环：

(b1)计算中心线上每点到边界的最短距离，作为此点的管径；

(b2)利用图结构G＝(V，E)，计算两直接连接分支点A、B间的分支长度|AB|，若|AB|＜＝g(A)+g(B)，则认为分支AB是(i)类假分支，将该分支去除；其中，g(A)、g(B)分别代表A、B两点处的管径；

(b3)对(ii)和(iii)类环状结构：计算图结构G＝(V，E)中每个分支的管径变化率，取管径变化率接近0的点，去除该点即解环；若有多个点的管径变化率接近0且之间相互差别不大，则去除管径最小的点；

(4.5)按照下述过程对中心线进行剪枝，去除伪分支，所指伪分支均为末梢伪分支，该分支以下未有子分支；

(c1)若分支长度小于用户设定的最小阈值T，则认为该分支为伪分支，删除；若大于该阈值，则转到步骤(c2)；该阈值T是对整个肝门静脉所能容忍的最小分支长度；

(c2)若该分支附属主干的管径乘以系数f的结果大于其长度，则认为该分支为伪分支，删除；若小于其长度，则认为是真分支，保留，系数f为经验值。

3.根据权利要求1所述的肝门静脉血管树建模方法，其特征在于：步骤(5)利用正十二边形构造血管的表面，再利用OpenSceneGraph重建肝门静脉血管树。

4.根据权利要求1所述的肝门静脉血管树建模方法，其特征在于：步骤(5)为：

对中心线上的每个点，以该点为中心，以管径为半径，在体数据中做球，凡是在球内的体数据均标记为目标点，对中心路径上每点做相同的操作，根据最终得到的二值体数据利用Visualization Toolkit里的面绘制算法Marching Cube进行重建。

5.一种肝门静脉血管树建模系统，其特征在于：该系统包括图像获取模块(100)、血管增强模块(200)、血管分割模块(300)、血管树中心线提取模块(400)和血管树重建模块(500)；

图像获取模块(100)用于载入分割好的肝脏模型，对腹部多螺旋CT肝门静脉成像门静脉期图像进行值掩，得到肝脏图像，并传送给血管增强模块(200)；

血管增强模块(200)对接收到的值掩后的肝脏图像按照下述步骤(2.1)至(2.3)进行血管增强，并传送给血管分割模块(300)；

(2.1)调整肝脏图像的窗宽W、窗位C，利用下式(1)计算得到肝脏模型中的CT最低值T_min、最高值T_max，以及归一化之后图像中任一点r的灰度值y(r)，获得合适的肝脏图像；

$\left\{\begin{array}{c}{T}_{\min }=C-W/2\\ T_{\max }=C+W/2\\ y\left(r\right)=\left\{\begin{array}{cc}0,& f\left(r\right)<T_{\min }\\ \frac{255}{T_{\max }-T_{\min }}(f\left(r\right)-T_{\min }),& T_{\min }\&le;f\left(r\right)\&le;T_{\max }\\ 255,& f\left(r\right)>T_{\max }\end{array}\right.\end{array}\right.---\left(1\right)$

其中，f(r)为归一化前图像上点r的CT值；

(2.2)统计并分析肝脏图像直方图，其中峰值所对应的灰度值记为y_peak，确定感兴趣灰度范围[y_peak，255]作为肝门静脉血管的灰度范围；

(2.3)在感兴趣灰度范围内，对肝脏图像进行基于hessian矩阵的多尺度滤波，得到增强的肝门静脉图像；

步骤(2.3)具体包括以下过程：

(a1)根据肝门静脉直径范围[d_min，d_max]，确定滤波器的尺度范围为[σ_min，σ_max]，两者之间满足关系σ＝d/4；设定多尺度滤波器的个数N，每个滤波器的尺度采用如下式子确定：

${\mathrm{\&sigma;}}_n={\left(\frac{d_{\max }}{d_{\min }}\right)}^{\frac{n}{N-1}}\frac{d_{\min }}{4},n=\mathrm{0,1},\&CenterDot;\&CenterDot;\&CenterDot;,N-1---\left(3\right)$

其中，n为滤波器的滤波尺度的序号；

(a2)对每一个尺度σ，用该尺度的高斯函数对肝脏图像进行滤波，并利用以下公式计算图像I上每点r的hessian矩阵：

$H_{\mathrm{\&sigma;}}\left(r\right)=\left[\begin{array}{ccc}{I}_{\mathrm{xx}}\left(r\right)& I_{\mathrm{xy}}\left(r\right)& I_{\mathrm{xz}}\left(r\right)\\ I_{\mathrm{yx}}\left(r\right)& I_{\mathrm{yy}}\left(r\right)& I_{\mathrm{yz}}\left(r\right)\\ I_{\mathrm{xz}}\left(r\right)& I_{\mathrm{yz}}\left(r\right)& I_{\mathrm{zz}}\left(r\right)\end{array}\right]---\left(4\right)$

其中， $I_{\mathrm{xx}}\left(r\right)=\frac{{\&PartialD;}^2}{\&PartialD;x^2}G\left(r\right)*I\left(r\right),$ $G\left(r\right)=\frac{1}{\sqrt{2\mathrm{\&pi;}}\mathrm{\&sigma;}}\exp (-\frac{{\left|\right|r\left|\right|}^2}{2{\mathrm{\&sigma;}}^2}),$ 其它以此类推；

(a3)求取每点处hessian矩阵的特征值，将三个特征值按照λ₁≈λ₂＜＜λ₃≈0的顺序排列，绝对值最小的特征值对应的特征向量的方向代表了血管的方向；

(a4)利用如下所示公式计算每点的相似性函数值：

(a5)比较不同尺度下每点的相似性函数值，取所有尺度下最大的相似性函数值v(r，σ)作为此点的最终值，得到增强后的图像；

血管分割模块(300)对血管增强后的肝脏图像进行肝门静脉分割，再传送给血管树中心线提取模块(400)；

血管树中心线提取模块(400)从分割出的肝门静脉中提取肝门静脉血管树的中心线，并将数据传送给血管树重建模块(500)；

血管树重建模块(500)利用获得的肝门静脉的所有中心线和中心线上每点的管径重建肝门静脉血管树。

6.根据权利要求5所述的肝门静脉血管树建模系统，其特征在于：图像获取模块(100)包括载入图像模块(110)和值掩模块(120)；

载入图像模块(110)用于载入肝脏模型图像和腹部多螺旋CT肝门静脉成像门静脉期图像；

值掩模块(120)利用载入图像模块(110)所得两组图像采用值掩方法得到肝脏图像。

7.根据权利要求5所述的肝门静脉血管树建模系统，其特征在于：血管增强模块(200)包括调节窗宽窗位模块(210)、直方图分析模块(220)、肝内门静脉多尺度增强模块(230)；

调节窗宽窗位模块(210)用于调整肝脏图像的窗宽窗位，得到合适的肝脏图像，并传送给直方图分析模块(220)；

直方图分析模块(220)用于统计并分析肝脏图像直方图，确定感兴趣灰度范围；

肝内门静脉多尺度增强模块(230)在直方图分析模块(220)所确定的感兴趣灰度范围内，对肝脏图像进行基于hessian矩阵的多尺度滤波，得到增强的肝门静脉图像。

8.根据权利要求5所述的肝门静脉血管树建模系统，其特征在于血管树中心线提取模块(400)包括预处理模块(410)、初始中心线提取模块(420)、中心线中环检测模块(430)、解环模块(440)和剪枝模块(450)；

预处理模块(410)先对血管分割模块(300)分割出来的肝门静脉中的孔洞进行填充，再将分析目标裁剪出来，并将数据传送给初始中心线提取模块(420)；

初始中心线提取模块(420)利用3维拓扑细化方法得到肝门静脉的初始中心线，并将数据传送给中心线中环检测模块(430)；

中心线中环检测模块(430)利用基于起点的源距离场检测中心线中存在的环，并将数据传送给解环模块(440)；

解环模块(440)分析中心路径中的每个环，解环，再将数据送给剪枝模块(450)；

剪枝模块(450)对中心线进行剪枝，去除伪分支，并将数据传送给血管树重建模块(500)。

Images