CN101425140A

CN101425140A - 基于骨架特征的脑血管瘤图像识别检测方法

Info

Publication number: CN101425140A
Application number: CNA2008102352601A
Authority: CN
Inventors: 崔志明; 吴健; 翟海涛; 孙晓平; 张广铭
Original assignee: Suzhou University
Current assignee: Suzhou University
Priority date: 2008-11-13
Filing date: 2008-11-13
Publication date: 2009-05-06

Abstract

本发明公开了一种基于骨架特征的脑血管瘤图像识别检测方法，包括下列步骤：(1)对灰度图像进行二值化操作；(2)进行骨架树提取，获得单像素曲线图像；(3)进行骨架结构基元提取，关键点基元为骨架树图像中的分叉点和端点；分支基元是连接两个关键点基元且不通过第三个关键点基元的骨架段，其中两个关键点基元中至少一个是端点的基元，为外分支基元；(4)设定阈值T1、T2，待检测的外分支基元长度为S，根据S和T1、T2的关系判定脑血管瘤图形，T1为6～10之间的整数，T2为14～18之间的整数。采用本发明方法，算法的时间复杂度低，结果精确，可以很好的辅助医生诊断脑血管瘤疾病。

Description

基于骨架特征的脑血管瘤图像识别检测方法

技术领域

本发明属于医学图像处理技术中的模式识别领域，涉及一种脑血管瘤图像的识别检测方法，具体涉及一种基于骨架特征对脑血管瘤图像进行识别检测的方法，可用于构建脑血管瘤计算机辅助诊断系统。

背景技术

脑血管疾病，尤其是脑血管瘤是全球人类死亡和致残的首要原因之一，严重威胁着人类的健康和生命。随着计算机技术的不断成熟与发展，将信息技术与医学影像技术相结合而产生的计算机辅助诊断(computer-aided diagnosis，CAD)系统在检测和治疗脑血管疾病中发挥着越来越重要的作用，也成为医学影像学的研究热点之一。在基于DSA影像的脑血管瘤计算机辅助诊断系统中，检测出脑血管瘤在DSA影像中的可疑位置是进行更进一步脑血管瘤特征提取和识别的前提和重要步骤。

传统的模式识别的方法主要分为两个方面：决策理论和结构判别。第一类方法处理的是使用定量描绘子描述的各种模式。定量描绘子包括长度、面积和纹理。第二类方法处理的是大部分由定性描绘子描述的各种模式。由于脑血管瘤的特殊性和复杂性，这些传统的识别方法在脑血管瘤的检测过程中都不能发挥很好的作用。首先，由于脑血管图像大多是灰度图像、比较模糊，我们很难从原始的脑血管瘤图像中提取长度、面积和纹理等定量描述模式。其次，由于人体内部组织比较复杂，即使是一个经过长期专业训练的医生也很难准确判断脑血管瘤的准确位置。所以脑血管图像的定性模式也很难在脑血管瘤的检测过程中发挥有效作用。

因而，需要一种新的方法对脑血管瘤图像进行识别，在此基础上对图像中的脑血管瘤可疑部位实现检测，以构建脑血管瘤计算机辅助诊断系统，对脑血管瘤的诊断起到辅助作用。

发明内容

本发明提供一种基于骨架特征的脑血管瘤图像识别检测方法，用以解决现有模式识别方法在脑血管瘤的检测过程中血管瘤的特征难以提取、提取的脑血管瘤的特征利用价值低及漏检率高等缺点。

为达到上述目的，本发明首先对脑血管瘤图像的形态特征进行了进一步的研究，发现，脑血管瘤发生的位置通常在血管分岔处，尤其是脑底动脉环的大分之处，这是因为血液流动对分岔处的冲击较大。脑血管图像在形态上类似于河流网络，存在着动脉和其他很多的分支血管，通常血管是近似对称的，其两条边缘轮廓是近似平行的曲线。而脑血管瘤则是血管的边缘因病变而凸起的部位，在此部位脑血管两条边缘轮廓曲线的近似平行被打破。

基于上述脑血管的形态特点，本发明考虑采用改进的OPTA细化算法得到脑血管拓扑骨架树，然后在血管骨架树中检测分支基元，从而根据分支基元的长度来确定脑血管瘤的病灶位置。

本发明采用的技术方案是：一种基于骨架特征的脑血管瘤图像识别检测方法，包括下列步骤：

(1)获取待识别检测的脑血管瘤图像的灰度图像原始数据文件，对图像进行二值化操作，得到二值化图像；

(2)对得到的二值化图像进行骨架树提取，所述骨架树提取是，将二值化后的具有宽度特征的血管图像细化成一个像素宽度的单像素曲线图像，即构成所述骨架树；

(3)对所述骨架树进行骨架结构基元提取，其方法是，首先提取关键点基元，所述关键点基元为骨架树图像中的分叉点和端点；然后据此提取外分支基元，分支基元是连接两个关键点基元且不通过第三个关键点基元的骨架段，其中两个关键点基元中至少一个是端点的基元，为外分支基元，提取所有外分支基元，作为待检测对象；

(4)检测图像中的脑血管瘤图形位置，其方法是，设定两个阈值T1、T2，选取待检测的外分支基元，通过计数得到其长度S，当S<T1时，判定该外分支基元对应毛刺图形；当S>T2时，判定该外分支基元为正常的血管分支；否则判定该外分支基元对应的是脑血管瘤图形；重复上述操作直至完成所有待检测对象的判定，即实现了脑血管瘤图像的识别和检测；

其中，T1选择6～10之间的整数，T2选择14～18之间的整数。

优选的技术方案是，所述步骤(4)中，T1为8，T2为16。

上述技术方案中，所述的脑血管原始图片为脑血管DSA图片，图片格式符合DICOM3.0标准。利用图像处理软件将每个DSA图像分解成DSA序列图像，保存为BMP格式。

上述步骤(2)中，脑血管骨架树的提取可以采用现有技术中的细化算法进行。例如，梅园、孙怀江、夏德深在《中国图象图形学报》，2006，11(9)：1306-1311发表的“一种基于改进后模板的图像快速细化算法”一文中，给出了一种改进的细化方法。本发明即可优选采用这种改进的OPTA(one-pass thinningalgorithm)的细化方法。经过细化得到的脑血管图像的骨架树后，具有一定宽度的血管变成仅有一个像素宽度的骨架，血管图像变为单像素的曲线。改进的OPTA算法较好地消除了传统OPTA算法提取的脑血管骨架毛刺较多等缺点，提高了脑血管骨架的细化效果。

上述技术方案中，在根据外分支基元长度特征判断该外分支基元是否是由脑血管瘤引起的过程中，外分支基元的长度是由组成该外分支基元的像素的个数量度的。判定脑血管瘤引起的外分支基元的两个阈值是根据经验值得出的。

由于上述技术方案的运用，本发明与现有技术相比具有下列优点：

1.本发明是计算机辅助诊断技术中的一种全新的检测脑血管瘤的方法。充分利用了脑血管瘤发生的位置通常在血管分岔处和脑血管瘤部位打破了脑血管两条边缘轮廓曲线近似平行的特点，采用一种改进的OPTA细化算法得到脑血管图像的骨架树，并且提取骨架树的外分支基元以此来检测脑血管瘤的病灶位置，因而能清楚地识别和判定脑血管瘤图形。

2.实验证明，本发明的基于骨架特征的脑血管瘤的检测方法是可行的，并且具有较高的精度，检测脑血管瘤的过程中漏检率低，速度快。

3.将本发明应用于脑血管瘤的辅助诊断系统中，算法的时间复杂度低，得到的结果较为精确，可以很好地辅助医生诊断脑血管瘤疾病。

附图说明

附图1实施例一中基于骨架特征的脑血管瘤检测方法流程图；

附图2实施例一中采用改进OPTA图像细化算法中当前P点邻域图；

附图3实施例一中采用改进OPTA图像细化算法中的消除模板；

附图4实施例一中骨架结构基元示意图。

具体实施方式

为了更好地理解本发明的技术方案，下面结合附图及实施例对本发明作进一步描述：

实施例一：图1为基于骨架特征的脑血管瘤检测方法的流程图，数据文件(图片文件)是符合BMP格式的脑血管图片。

(1)原始图像的二值化：脑血管原始图片为脑血管DSA图片，图片格式符合DICOM3.0标准。利用图像处理软件(本实施例中利用苏州大学智能信息处理及应用研究所开发的DICOM软件)将每个DSA图像分解成DSA序列图像，保存为BMP格式。将得到的BMP格式的灰度图片二值化；

(2)骨架提取：采用改进的细化算法对经步骤(1)得到的二值化图像再进行骨架提取。本实施例采用一种改进的OPTA(one-pass thinning algorithm)的细化方法，经过细化得到的脑血管图像的骨架树后，具有一定宽度的血管变成仅有一个像素宽度的骨架，血管图像变为单像素的曲线。为了便于叙述，本实施例规定当前点P的邻域如图2所示，消除模板如图3所示。

(2-1)对于图像中的当前像素点P

①若其满足图3(a)消除模板，且满足下式

(q₄＝0&q₅＝0&q₆＝0&

q₇＝0)‖(q₅＝1&q₆＝1&

q₁₂＝0&q₁₃＝0&q₁₄＝0)

则保留P点，否则删除该点，其中“&”表示逻辑运算“与”；

②若其满足图3(b)消除模板，则只需判断是否满足

(q₂＝1&q₄＝0&q₇＝0&

q₉＝1&q₁₁＝0)‖(q₂＝0&

q₉＝0&q₁₂＝0&q₁₃＝0)

则保留P点，否则删除该点；

③若其满足图3(c)消除模板，且满足下式

(q₅＝0&q₆＝1&q₇＝0&q₁₁＝0)

则保留P点，否则删除该点；

④若其满足图3(d)消除模板，且满足下式

(q₂＝0&q₉＝1&q₁₃＝0&q₁₄＝0)

则保留P点，否则删除该点；

⑤若其满足图3(e)消除模板，且满足下式

(q₈＝1&q₁₀＝0&q₁₃＝0&q₁₄＝0)‖

(q₈＝0&q₁₀＝1&q₁₂＝0)

则保留P点，否则删除该点；

⑥若其满足图3(f)消除模板，且满足下式

(q₃＝0&q₄＝0&q₇＝0&q₁₀＝1)‖

(q₃＝1&q₇＝0&q₁₀＝0&q₁₁＝0)‖

(q₈＝1&q₁₀＝0&q₁₃＝0&q₁₄＝0)‖

(q₈＝0&q₁₀＝1&q₁₂＝0&q₁₃＝0)

则保留P点，否则删除该点；

⑦若其满足图3(g)消除模板，且满足下式

(q₃＝0&q₄＝0&q₇＝0&q₁₀＝1

&q₁₁＝0)‖(q₃＝1&q₇＝0&q₁₀＝0

&q₁₁＝0)

则保留P点，否则删除该点；

⑧若其满足图3(h)消除模板，则直接删除该点；

⑨否则，保留该点；

(2-2)不断重复步骤(2-1)，直至对一张图中所有点扫描完毕，转入步骤(2-3)；

(2-3)判断在上一次扫描过程中，有无点被删除(即图像有没有被进一步细化)，若有，则转入步骤(2-1)，进入下一次扫描；否则细化结束；

(3)骨架结构基元的提取：在步骤(2)得到的脑血管的骨架树中找到骨架结构基元。

(3-1)关键点基元提取：关键点出现在骨架特性发生剧烈变化的地方，关键点包括端点和分叉点。端点是骨架上各部分的起点，其提取方法是如果骨架点P的八邻域中是否仅有一个骨架点，P即为端点，如图4中的骨架点a，c，d，f。分叉点是骨架不同部分的交汇点，其提取方法是如果骨架点P的八邻域中有三个和三个以上骨架点时，P为分叉点，如图4中的骨架点b，e。；

(3-2)外分支基元提取分支基元是连接两个关键点且不通过第三个关键点的骨架段，若分支的两个关键点均不是端点，称其为内分支，否则为外分支。本文中的分支基元指的是外分支。提取外分支基元的方法是：从端点开始判断，先找到某一端点，沿此端点跟踪下去，直到到达某一交叉点或端点为止，所跟踪的骨架段即为外分支基元；

(4)判定脑血管瘤的位置在步骤(3)中的结构基元中的外分支基元分为三种，分别由脑血管瘤、毛刺和正常血管引起。利用循环程序设计根据外分支基元的长度逐个判断该外分支基元是否是由脑血管瘤引起的。

(4-1)选取待测外分支基元提取外分支基元的端点，沿着该端点跟踪下去，并设置计数器N来计算共跟踪的点数，直到到达外分支基元的另一端点。其中外分支基元长度为S；

(4-2)如果N的计数值S大于阈值T1且小于T2，则该骨架段所坐在部位为脑血管瘤病灶部分，S小于T1可认为是毛刺，大于T2则是血管的正常分支；

(4-3)重复步骤(4-1)，(4-2)的过程，直到骨架图中所有的外分支基元都遍历完成为止；

上述具体实施方式中，首先提取脑血管图像的骨架树，得到骨架树中所有的外分支基元，然后逐个对每个外分支基元的长度进行判断，根据预先设置的阈值来判断该外分支基元是否由脑血管瘤引起的。其中，S为外分支基元的长度，阈值T1和T2为经验值，通常，T1选择6～10之间的整数，T2选择14～18之间的整数；大量试验表明，当T1取8，T2取16时，效果最好。

Claims

1.一种基于骨架特征的脑血管瘤图像识别检测方法，其特征在于，包括下列步骤：

其中，T1选择6～10之间的整数，T2选择14～18之间的整数。

2.根据权利要求1所述的脑血管瘤图像识别检测方法，其特征在于：所述步骤(4)中，T1为8，T2为16。