CN101996329A

CN101996329A - 一种对血管形变区域的检测装置和方法

Info

Publication number: CN101996329A
Application number: CN 201010548602
Authority: CN
Inventors: 王胜军; 赵凯; 黄艳; 康雁
Original assignee: Neusoft Medical Systems Co Ltd
Current assignee: Neusoft Medical Systems Co Ltd
Priority date: 2010-11-17
Filing date: 2010-11-17
Publication date: 2011-03-30
Anticipated expiration: 2030-11-17
Also published as: CN101996329B

Abstract

本申请实施例公开了一种对血管形变区域的检测装置和方法。其中，装置包括：分类器构建单元，用于将反映血管区域的边界形状和/或区域形状的形态学特征作为分类依据，根据数据分类模型建立分类器，其中，所述分类器中的特征空间用于标识血管区域有形变或者无形变；区域提取单元，用于从CTA的血管图像中提取出待检测的血管区域；形态学特征提取单元，用于在待检测的血管区域中，提取出与分类器中的形态学特征相同的形态学特征；检测单元，用于识别提取出的形态学特征在所述分类器中所对应的特征空间，根据对应的特征空间得到待检测血管区域的形变检测结果。根据本申请实施例，可以提高检测结果的敏感性和准确性。

Description

一种对血管形变区域的检测装置和方法

技术领域

本申请涉及医学图像技术，特别是涉及一种对血管形变区域的检测装置和方法。

背景技术

在医学图像领域，CTA(冠脉计算机断层造影增强图像，ComputedTomography Angiography)由于其高时空分辨率和无创性，已经成为目前分析人体内部形态的主要筛查手段。通过对CTA进行处理，可以方便人们快速找到感兴趣的区域。例如，检测CTA血管图像中的血管形变区域。

目前，在检测CTA血管图像中的血管形变区域的各种医疗器械中，一种被广泛采用的方法是：通过计算机技术和图像处理技术，由计算机辅助测量CTA血管图像中血管管腔的形变位置和形变程度。该检测方法进一步包括直径测量法和面积测量法。其中，以直径测量法最为常用，即计算各个采用点处的血管横截面面积，根据采样点处的血管横截面面积进行运算，做出血管官腔的走向趋势线，计算出血管官腔在形变处的直径、面积等参数，将形变处血管官腔直径与相邻近端和远端的正常处血管官腔直径作比较，以检测血管的形变部位。

但是，发明人在研究中发现，虽然现有的直径测量法利用计算机进行血管形变区域的检测，具有一定的准确性和快捷性。但是，人体的生理特征是非常复杂和多变的，一个血管直径上的形变并不能客观地、全面地反映血管官腔的形变程度。而在上述检测过程中，当仅仅以一个血管直径参数作为判断血管官腔是否发生形变的唯一标准时，使得检测结果的敏感性降低。同时，在上述直径测量法中，由于相邻近端和远端参考点没有明确的判断标准，使得检测出的形变部位距真实情况具有很大的偏差，准确性差。

因此，目前急需要解决的问题是：基于血管的形态特征，提供一种对血管形变区域的检测装置和相应的方法。

发明内容

为了解决上述技术问题，本申请实施例提供了一种对血管形变区域的检测装置和方法，以提高检测结果的敏感性和准确性。

本申请实施例公开了如下技术方案：

一种对血管形变区域的检测装置，包括：分类器构建单元、区域提取单元、形态学特征提取单元和检测单元，其中，分类器构建单元，用于将反映血管区域的边界形状和/或区域形状的形态学特征作为分类依据，根据数据分类模型建立分类器，其中，所述分类器中的特征空间用于标识血管区域有形变或者无形变；区域提取单元，用于从冠脉计算机断层造影增强图像CTA的血管图像中提取出待检测的血管区域；形态学特征提取单元，用于在所述待检测的血管区域中，提取出与所述分类器中的形态学特征相同的形态学特征；检测单元，用于识别提取出的形态学特征在所述分类器中所对应的特征空间，根据对应的特征空间得到待检测血管区域的形变检测结果。

优选的，所述反映边界形状的形态学特征包括粗糙度、凹度和边界差分分形中的任意一个或者任意多个的组合。

优选的，所述反映区域形状的形态学特征包括圆形度、离心率、丰度和面积差分分形中的任意一个或者任意多个的组合。

优选的，所述分类器构建单元根据决策树类型的数据分类模型建立分类器，包括：信息增益计算子单元，用于提取初始训练数据中反映血管区域的边界形状和/或区域形状的形态学特征，根据初始训练数据计算提取出的形态学特征的信息增益；特征空间划分子单元，用于将信息增益最大的形态学特征作为所述分类器的第一级别特征，将第一级别特征划分为四个属性，第一和第四属性表示血管区域处于有形变或无形变状态，第二和第三属性表示血管区域处于可能有形变或可能无形变状态，分别根据第一级别特征的第二属性和第三属性范围内的训练数据，计算除第一级别特征外的剩余形态学特征的信息增益，将信息增益最大的形态学特征分别作为所述分类器的第二级别中第一分支特征和第二分支特征，进一步划分所述第二级别中第一分支特征和第二分支特征的属性，以此类推，直到最后一个形态学特征被划分完毕为止；

则所述检测单元包括：判断子单元，用于判断待检测血管区域中的形态学特征是否落入所述分类器的第一级别特征的第一或第四属性范围，如果是，得到所述待检测的血管区域有形变或无形变状态的检测结果，否则，继续判断是否落入所述分类器的下一级别特征的第一或第四属性范围，以此类推，直到待检测血管的形态学特征落入所述分类器中任意一个级别的第一或第四属性范围为止。

优选的，所述区域提取单元包括：采样子单元，用于对CTA的血管图像中待检测血管的中心线进行采样；横截面提取子单元，用于提取采样点处的血管横截面图像；区域分割子单元，用于对提取出的血管横截面图像进行血管区域分割，得到待检测的血管区域。

优选的，所述装置还包括：形态学特征输出单元，用于输出有形变状态的血管区域的形态学特征。

一种对血管形变区域的检测方法，包括：将反映血管区域的边界形状和/或区域形状的形状学特征作为分类依据，预先根据数据分类模型建立分类器，其中，所述分类器中的特征空间用于标识血管区域有形变或者无形变；从冠脉计算机断层造影增强图像CTA的血管图像中提取出待检测的血管区域；在所述待检测的血管区域中，提取出与所述分类器中的形态学特征相同的形态学特征；识别提取出的形态学特征在所述分类器中所对应的特征空间，根据对应的特征空间得到待检测血管区域的形变检测结果。

优选的，所述反映边界形状的形态学特征包括粗糙度、凹度和边界差分分形中的任意一个或者任意多个组合。

优选的，所述将反映血管区域的边界形状和/或区域形状的形状学特征作为分类依据，预先根据数据分类模型建立分类器包括：提取初始训练数据中反映血管区域的边界形状和/或区域形状的形态学特征，根据初始训练数据计算提取出的形态学特征的信息增益；将信息增益最大的形态学特征作为所述分类器的第一级别特征，将第一级别特征划分为四个属性，第一和第四属性表示血管区域处于有形变或无形变状态，第二和第三属性表示血管区域处于可能有形变或可能无形变状态，分别根据第一级别特征的第二属性和第三属性范围内的训练数据，计算除第一级别特征外的剩余形态学特征的信息增益，将信息增益最大的形态学特征分别作为所述分类器的第二级别中第一分支特征和第二分支特征，进一步划分所述第二级别中第一分支特征和第二分支特征的属性，以此类推，直到最后一个形态学特征被划分完毕为止；

则所述识别提取出的形态学特征在所述分类器中所对应的特征空间，根据对应的特征空间得到待检测血管区域的形变检测结果具体为：判断待检测血管区域中的形态学特征是否落入所述分类器的第一级别特征的第一或第四属性范围，如果是，得到所述待检测的血管区域有形变或无形变状态的检测结果，否则，继续判断是否落入所述分类器的下一级别特征的第一或第四属性范围，以此类推，直到待检测血管的形态学特征落入所述分类器中任意一个级别的第一或第四属性范围为止。

优选的，所述从冠脉计算机断层造影增强图像CTA的血管图像中提取出待检测的血管区域包括：对CTA的血管图像中待检测血管的中心线进行采样；提取采样点处的血管横截面图像；对提取出的血管横截面图像进行血管区域分割，得到待检测的血管区域。

优选的，所述方法还包括：输出有形变状态的血管区域的形态学特征。

由上述实施例可以看出，与现有技术相比，本申请具有如下优点：

本申请从血管横截面形态学形状特征出发，血管横截面形态学形状特征可以客观地、全面地反映血管官腔的形变程度，因此，对血管进行形变检测提高了检测结果准确性。同时，本申请在描述血管横截面区域的形态特征时，采用的是特征集的方式进行测量和识别，相比于原单一的血管前后端面积相比，提高了检测结果的敏感性。

另外，本申请采用统一的形态学特征的检测分类方法，利用计算机自动的检测血管的形变区域和形变程度，无需任何人为的操作，因此具有可重复性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请一种对血管形变区域的检测装置的一个实施例的结构示意图；

图2为本申请中区域提取单元的一个结构示意图；

图3为本申请一种提取血管横截面图像的示意图；

图4为图3中的采样点O处的血管横截面图像的示意图；

图5为本申请中区域增强后的血管横截面图像的示意图；

图6为本申请中血管区域的二值化图像；

图7为本申请中将血管区域进行边界展开后的边界曲线示意图；

图8为本申请中区域边界差分分形的计算过程示意图

图9为本申请中血管区域离心率的计算过程示意图；

图10为本申请中血管区域的feret径的计算过程示意图

图11为本申请中血管区域的面积差分分形的计算过程示意图；

图12为本申请中划分形态学特征的四各属性的阈值的分布示意图；

图13为本申请中以圆形度、凹度和离心率三个形态学特征为基础建立的一个分类器示意图；

图14为本申请一种对血管形变区域的检测装置的另一个实施例的结构示意图；

图15为本申请一种对血管形变区域的检测方法的一个实施例的流程图；

图16为本申请一种对血管形变区域的检测方法的另一个实施例的流程图。

具体实施方式

下面结合附图及实施例，对本申请实施例进行详细描述。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

实施例一

请参阅图1，其为本申请一种对血管形变区域的检测装置的一个实施例的结构示意图，该装置包括：分类器构建单元101、区域提取单元102、形态学特征提取单元103和检测单元104，其中，

分类器构建单元101，用于将反映血管区域的边界形状和/或区域形状的形态学特征作为分类依据，根据数据分类模型建立分类器，其中，所述分类器中的特征空间用于标识血管区域有形变或者无形变；

区域提取单元102，用于从冠脉计算机断层造影增强图像CTA的血管图像中提取出待检测的血管区域；

形态学特征提取单元103，用于在所述待检测的血管区域中，提取出与所述分类器中的形态学特征相同的形态学特征；

检测单元104，用于识别提取出的形态学特征在所述分类器中所对应的特征空间，根据对应的特征空间得到待检测血管区域的形变检测结果。

其中，请参阅图2，其为本申请中区域提取单元的一个结构示意图。如图2所示，区域提取单元102包括：采集子单元1021、横截面提取子单元1022和区域分割子单元1023，

采样子单元1021，用于对CTA的血管图像中待检测血管的中心线进行采样；

横截面提取子单元1022，用于提取采样点处的血管横截面图像；

区域分割子单元1023，用于对提取出的血管横截面图像进行血管区域分割，得到待检测的血管区域。

例如，对于获得的待检测血管的中心线，采样子单元1021对于采用等间隔均匀采样的方式，得到待检测血管的中心线上的采样点。

在血管的中心线上，横截面提取子单元1022可以通过每一个采样点做出一条与采样点处的中心线相切的切线，与该切线垂直的平面即为采样点处的血管横截面。请参阅图3，其为本申请一种提取血管横截面图像的示意图。如图3所述，通过采样点O做出一条与采样点O处的中心线相切的切线L，与切线L垂直的平面即为采样点O处的血管横截面M。该横截面M的图像如图4所示，图4为图3中的采样点O处的血管横截面图像的示意图

区域分割子单元1023对提取出的血管横截面图像进行血管区域分割的方法具体包括：

(1)利用分段线性函数对提取出的血管横截面图像进行血管区域增强；

例如，在CTA的血管图像中，血管区域具有比一般组织区域较高的CT(computed tomography，计算机断层扫描)值，但是，当造影剂不足或者造影剂分布不均匀时，会降低血管区域的CT值，使得血管区域与周围组织区域的CT值梯度变小，这会影响血管分割。因此，需要增加血管区域与周围组织区域的CT值对比度。根据CTA的体数据特征，可以采用分段线性变换函数对血管区域进行增强。如，设f(x，y)表示血管横截面图像的CT值，seedpoint表示血管横截面中的采样点O的CT值，则血管横截面图像分段线性增强函数为：

上述分段线性增强函数中的参数min表示造影后血管CT值的最小值。经过数据统计，min的优选值为130Hu。经过上述区域增强后，请参阅5，图5为本申请中区域增强后的血管横截面图像的示意图。

需要说明的是，本申请实施例并不限定对血管横截面图像进行区域增强的具体实现，除了采用上述介绍的分段线性函数进行区域增强之外，还可以采用现有的其它方式实现区域增强。

(2)采用梯度幅度变化的双准则区域生长方法，对血管区域进行分割；

其中，区域增长算法是区域分割算法中的一种经典算法，它需要预先给出种子点和区域生长准则，利用种子点的位置和判断准则实现对分割目标的分割。例如，本申请实施例中利用采样点作为血管区域分割的种子点，区域生长准则函数为：

上述区域生长准则函数中的参数mean标识已分割区域的CT值的平均值，thre1和thre2分别为该区域生长准则中的两个阈值，例如，thre1为0.9，thre2为0.95。

需要说明的是，本申请实施例并不限定对血管横截面图像进行区域分割的具体实现，除了采用上述介绍的区域生长方法进行区域分割之外，还可以采用现有的其它方式实现区域分割。

(3)获得血管区域的二值化图像。

经过区域分割后，得到血管区域的图像，再将血管区域的图像进行二值化处理，得到血管横截面的二值化图像。设血管区域的二值化图像为g(i，j)，i表示横坐标，j表示纵坐标，血管区域的像素值是1，背景区域的像素值为0。请参阅图6，其为本申请中血管区域的二值化图像。

分类器构建单元101所构建的分类器可以依据各种形态学特征，将血管区域分成有形变或者无形变两种类型，从而实现对待检测血管的检测功能。众所周知，数据分类是数据挖掘中的一个重要内容，常见的数据分类模型包括决策树、神经网络、遗传算法和粗糙集等。

需要说明的是，本申请实施例对采用的数据分类模型并不进行限定，采用任意一种分类模型，并将反映血管区域的边界形状和/或区域形状的形态学特征作为分类依据。

下面仅以决策树型的数据分类模型为例，说明分类器实现血管区域分类的方法。

当所述分类器构建单元101根据决策树类型的数据分类模型建立分类器时，分类器构建单元101包括：信息增益计算子单元和特征空间划分子单元，其中，

信息增益计算子单元，用于提取初始训练数据中反映血管区域的边界形状和/或区域形状的形态学特征，根据初始训练数据计算提取出的形态学特征的信息增益；

特征空间划分子单元，用于将信息增益最大的形态学特征作为所述分类器中第一级别特征，将第一级别特征划分为四个属性，第一和第四属性表示血管区域处于有形变或无形变状态，第二和第三属性表示血管区域处于可能有形变或可能无形变状态，分别根据第一级别特征的第二属性和第三属性范围内的训练数据，计算除第一级别特征外的剩余形态学特征的信息增益，将信息增益最大的形态学特征分别作为所述分类器中第二级别中第一分支特征和第二分支特征，进一步划分所述第二级别中第一分支特征和第二分支特征的属性，以此类推，直到最后一个形态学特征被划分完毕为止

例如，先获得大量的初始训练数据，而对于每个训练数据来说，血管是否有形变已知。再从训练数据中提取出反映边界形状和/或区域形状的形态学特征。从形态学角度出发，血管区域的形态学特征包括反映边界形状的形态学特征和/或反映区域形状的形态学特征。其中，反映边界形状的形态学特征是指从物体的内边界或者外边界采样一定数量的点表示物体的形状。如，反映边界形状的形态学特征包括粗糙度、凹度和边界差分分形中的任意一个或者任意多个组合。而反映区域形状的形态学特征是指在二维图像上，通过描述目标区域的形状特征来表述物体区域的形状。如，反映区域形状的形态学特征包括圆形度、离心率、丰度和面积差分分形中的任意一个或者任意多个组合。

在本实施例中，可以通过如下方式获得以上各个形态学特征值。

(1)粗糙度

先分别对血管区域的二值化图像中各个像素点的x坐标和y坐标进行求平均，得到血管区域的中心点坐标

即，

\overset{&OverBar;}{x} = \frac{1}{mn} Σ_{i = 0}^{n - 1} Σ_{j = 0}^{m - 1} x_{i},

\overset{&OverBar;}{y} = \frac{1}{mn} Σ_{i = 0}^{n - 1} Σ_{j = 0}^{m - 1} y_{i}

其中，n表示血管区域在x方向的大小，m表示血管区域在y方向的大小。

然后再利用得到的血管区域的中心点，求出中心点到血管边界点(x_i，y_i)的距离d_i，即，

d_{i} = \sqrt{{(x_{i} - \overset{&OverBar;}{x})}^{2} + {(y_{i} - \overset{&OverBar;}{y})}^{2}}

i＝1，2，…，N

其中，(x_i，y_i)表示血管边界上第i点的坐标，N表示血管边界上的点的总个数。

最后根据中心点到血管边界点的距离计算血管区域的粗糙度。

其中，粗糙度

R = \frac{1}{N - 1} Σ_{i = 1}^{N - 1} | d_{i} - d_{i + 1} | .

(2)凹度

先计算血管区域的周长L，如采用边界跟踪提取算法，提取血管区域的边界点，累加边界点的个数。然后对血管区域进行闭操作处理，例如，闭操作的结构元素为圆形模板，半径为40。再计算闭操作处理后的血管区域的周长S，如，同样采用边界跟踪提取算法，提取闭操作处理后的血管区域的边界点，累加边界点的个数。最后，根据周长L和周长S得到血管区域的凹度H为：

H = \frac{S}{L} .

(3)边界差分分形

边界差分分形是对血管区域的边界进行差分分形计算，首先对血管区域进行边界展开，即对血管边界进行采样，按照采样序号对采样点进行排列，再计算血管区域的中心点到每个采样点的距离。请参阅图7，其为本申请中将血管区域进行边界展开后的边界曲线示意图。图7中，x轴坐标表示采样点的采样序号，y轴坐标表示血管区域的中心点到采样点的距离。

然后将图7中的边界曲线分割成1/r个不相交的线段，线段长度为L，其中，r＝L/M，M为图7中边界曲线的采样点个数。

然后设在第i个线段中纵坐标的最大值和最小值分别为M₁和M₂，则，边界曲线中第i个线段的差分函数n_r(i)为：

在尺度1/r下，曲线的差分值N_r为：

N_{r} = \underset{i}{Σ} n_{r} (i),

分数维D为：

其中，选取一组L，对N_r进行限定拟合即可得到分数维D。请参阅图8，其为本申请中区域边界差分分形的计算过程示意图。

这里，需要说明的是，本申请实施例中反映边界形状的形态学特征并不仅限定为粗糙度、凹度和边界差分分形三种特征，还可以包括其他反映边界形状的特征。

(4)圆形度

先计算血管区域的面积A，如，计算二值化处理后的血管区域图像中像素值为1的个数。再计算血管区域的周长L，如，采用边界根据提取算法，提取血管区域的边界点，累加边界点的个数。最后根据血管区域的面积A和周长L计算圆形度C为：

C＝4πA/L²。

(5)离心率

计算血管区域的中心点的坐标

其中，相关计算方法可参见粗糙度中的计算方法，此处不再赘述。然后设血管区域的边界点坐标为(x_i，y_i)，则可以构建无数条通过血管区域的中心点p的直线l_i。如图9所示，图9为本申请中血管区域离心率的计算过程示意图。直线与血管边界的两个交点之间的距离，可以被认为是血管区域的径。再通过计算血管区域的最大径D_max和最小径D_min，得到血管区域的离心率E为：

E = \frac{D_{\max}}{D_{\min}} .

(6)丰度

在二值化处理后的血管区域的图像中，沿血管区域的每一个边界点，都构建一条外切线，计算每一对平行但不相等的切线之间的距离，即为feret径。feret径为沿一定方向测得的颗粒投影的两平行线距离。如图10所示，其为本申请中血管区域的feret径的计算过程示意图。则血管区域的丰度A为：

其中，F_max表示血管区域的最大feret径，F_min表示血管区域的最小feret径。

(7)面积差分分形

设二值化处理后的血管区域的图像大小为H×H，则可将血管区域的图像划分为I×I的子块。请参阅图11，其为本申请中血管区域的面积差分分形的计算过程示意图。如图11所示，令r′＝I/H，当某一个子块(i，j)中存在血管的完整区域或者部分区域时，n_r′(i，j)计为1，否则n_r′(i，j)计为0。则全体子块中存储血管的完整区域或者部分区域的个数N_r为：

{N_{r}}^{'} = \underset{i, j}{Σ} {n_{r}}^{'} (i, j),

其中，

分数维D′为：

其中，选取一组L，对N_r进行限定拟合即可得到分数维D。

这里，需要说明的是，本申请实施例中反映区域形状的形态学特征并不仅限定为圆形度、离心率、丰度和面积差分分形四种特征，还可以包括其他反映区域形状的特征。

当提取出初始训练数据的形态学特征后，根据初始训练数据计算每一个提取出的形态学特征的信息增益。例如，下面以凹度这一形态学特征为例，来说明计算凹度的信息增益的方法。通过学习初始训练数据可以得到，当初始训练数据的凹度小于某一个数值时，初始训练数据的血管总是处于有形变状态或者总是处于无形变状态，将该数值设置为最小阈值minThre，或者，当初始训练数据的凹度大于某一个数值时，初始训练数据的血管总是处于有形变状态或者总是处于无形变状态，将该数据设置为最大阈值maxThre。而当初始训练数据的凹度在最小阈值minThre和最大阈值maxThre之间时，有些初始训练数据的血管处于有形变状态，有些初始训练数据的血管则处于无形变状态。

在最小阈值minThre和最大阈值maxThre之间设置一个阈值，该阈值将最小阈值minThre和最大阈值maxThre之间的这部分区间进一步划分为两个部分。可以采用计算训练数据的凹度的信息熵的方式，获得该中间阈值midThre。已知凹度的信息熵为：

E (H) = - Σ_{i = 1}^{2} \frac{p_{i} + n_{i}}{p + n} I (p_{i}, n_{i})

其中，p为在所有的初始训练数据中处于有形变状态的数据的个数，n为在所有的初始训练数据中处于无形变状态的数据的个数，p_i为在落入最小阈值minThre至最大阈值maxThre之间这部分区间的第i部分(i为1或2)的训练数据中，处于有形变状态的数据的个数，n_i为在落入最小阈值minThre和最大阈值maxThre之间这部分区间的第i部分(i为1或2)的训练数据中，处于无形变状态的数据的个数。I(p_i，n_i)为p_i和n_i的信息量，计算公式如下：

I (p_{i}, n_{i}) = - \frac{p_{i}}{p_{i} + n_{i}} \log_{2} \frac{p_{i}}{p_{i} + n_{i}} - \frac{n_{i}}{p_{i} + n_{i}} \log_{2} \frac{n_{i}}{p_{i} + n_{i}} .

当信息熵为最小值时，将最小阈值minThre和最大阈值maxThre之间这部分区间进一步划分为两个部分的阈值，即为我们需要的中间阈值midThre，最小阈值minThre、中间阈值midThre和最大阈值maxThre在初始训练数据的范围内，将凹度H划分为四个属性。请参阅图12，其为本申请中划分形态学特征的四个属性的阈值的分布示意图。如图12所示，四个属性分别为：

例如，对于100个训练数据，已知其中的50个训练数据的血管处于有形变状态，即，p为50，其余的50个训练数据的血管处于无形变状态，即，n为50。通过学习得到，在100个训练数据中，当训练数据的凹度小于0.3时，有20个训练数据的血管都处于无形变状态，当训练数据的凹度大于0.8时，有30个训练数据的血管都处于有形变状态，当训练数据的凹度处于0.3至0.8之间时，在剩余的50个训练数据中，有些训练数据的血管处于无形变状态，有些训练数据的血管处于有形变状态。在0.3至0.8之间的数值区间，任意设置一个阈值，如，0.5，该阈值将0.3至0.8之间的数值区间分成了两个部分，一部分为0.3至0.5之间的数值区间，另一部分为0.5至0.8之间的数值区间。已知，在0.3至0.5之间的数值区间，有10个训练数据的血管处于有形变状态，即，当阈值为0.5时，p₁为10，有10个训练数据的血管处于无形变状态，即，当阈值为0.5时，n₁为10。而在0.5至0.8之间数值区间中，有10个训练数据的血管处于形变状态，即，当阈值为0.5时，p₂为10，有20个训练数据的血管处于无形变状态，即，当阈值为0.5时，n₂为20。当通过上述公式计算获得，阈值为0.5时，凹度的信息熵最小，则可以确定在0.3至0.8之间的数值区间，0.5为中间阈值。因此，0.3、0.5和0.8将训练数据的凹度分成了四种属性。

凹度的信息增益为：

gain(H)＝I(p，n)-E(H)

其中，

I (p, n) = - \frac{p}{p + n} \log_{2} \frac{p}{p + n} - \frac{p}{p + n} \log_{2} \frac{n}{p + n},

E (H) = - Σ_{i = 1}^{2} \frac{p_{i} + n_{i}}{p + n} I (p_{i}, n_{i}) .

其中，p为在所有的训练数据中处于有形变状态的数据的个数，n为在所有的训练数据中处于无形变状态的数据的个数，p_i为在最小阈值minThre至最大阈值maxThre之间这部分区间的第i部分(i为1或2)的训练数据中，处于有形变状态的数据的个数，中间阈值midThre将最小阈值minThre至最大阈值maxThre之间的这部分区间划分成了最小阈值minThre至中间阈值midThre之间的区间，和，中间阈值midThre至最大阈值之间的区间。n_i为在最小阈值minThre和最大阈值maxThre之间这部分区间的第i部分(i为1或2)的训练数据中，处于无形变状态的数据的个数。I(p_i，n_i)为p_i和n_i的信息量。

按照上述方式可以获得其它提取出的形态学特征的信息增益。例如，为了便于描述，以提取出圆形度、凹度和离心率这三个形态学特征为例，说明分类器构建单元101构建一个分类器的过程。如果通过对初始训练数据进行上述计算获得，圆形度的信息增益最大，离心率的信息增益次之，凹度的离心率最小。将圆形度作为该分类器的第一级别特征，将圆形度按照其最小阈值minThre、中间阈值midThre和最大阈值maxThre划分为四个属性，第一和第四属性表示血管区域处于有形变或无形变状态，第二和第三属性表示血管区域处于可能有形变或可能无形变状态。分别根据圆形度的第二属性范围和第三属性范围内的训练数据，计算凹度和离心率的信息增益。例如，根据圆形度的第二属性范围内的训练数据计算得到，凹度的信息增益最大，离心率的增益次之，则将凹度作为第二级别中第一分支特征；同时，如果根据圆形度的第三属性范围内的训练数据计算得到，离心率的信息增益最大，凹度的信息增益次之。则将离心率作为第二级别中第二分支的特征。其中，在第二级别的第一分支中，同样将凹度按照其最小阈值minThre、中间阈值midThre和最大阈值maxThre划分为四个属性，此时，由于只剩下一个离心率特征，则离心率自然作为第三级别特征，在第二级别的第二分支中，同样由于只剩下一个凹度特征，则凹度自然作为第三级别特征。请参阅图13，其为本申请中以圆形度、凹度和离心率三个形态学特征为基础建立的一个分类器示意图。在该检测分类器中，圆形度为第一级别特征，离心率为第二级别中第一分支的特征，凹度为相应的第三级别特征，与第一分支相对应，凹度为第二级别中第二分支的特征，离心率为相应的第三级别特征。

需要说明的是，本申请实施例对分类器中所提取出的形态学特征并不进行限定，可以根据具体的使用需求，提取任意的形态学特征，并基于提取的形态学特征建立一个分类器。

形态学特征提取单元103提取血管区域的形态学特征就是在血管区域的二值化图像的基础上，计算反映血管区域的各个形态学特征的特征参数值。

例如，当以圆形度、凹度和离心率为基础建立一个分类器时，分类器中的形态学特征即包括圆形度、凹度和离心率，因此，形态学特征提取单元103即提取出待检测的血管区域中的圆形度、凹度和离心率三个形态学特征。

当分类器构建单元101根据决策树型的数据分类模型建立分类器时，相应的，检测单元104包括：判断子单元，用于判断待检测血管区域中的形态学特征是否落入所述分类器的第一级别特征的第一或第四属性范围，如果是，得到所述待检测的血管区域有形变或无形变状态的检测结果，否则，继续判断是否落入所述分类器的下一级别特征的第一或第四属性范围，以此类推，直到待检测血管的形态学特征落入所述分类器中任意一个级别的第一或第四属性范围为止。

例如，按照上述决策树类型的数据分类模型构建的分类器，检测单元104先判断待检测血管区域的圆形度是否落入分类器的第一级别特征(圆形度)的第一属性范围或者第四属性范围，如果是，直接得到该待检测血管区域有形变或者无形变状态的检测结果，当待检测血管区域的圆形度落入到分类器的第一级别特征第二属性时，进一步判断待检测血管区域的凹度是否落入分类器的第二级别中第一分支特征(凹度)的第一属性或者第四属性范围。当待检测血管区域的圆形度落入到分类器的第一级别特征第三属性时，进一步判断待检测血管区域的离心率是否落入分类器的第二级别中第二分支特征(离心率)的第一属性或者第四属性中。以此类推，直到待检测血管的形态学特征落入到分类器中任意一个级别的第一或第四属性范围为止。

由上述实施例可以看出，本申请从血管横截面形态学形状特征出发，血管横截面形态学形状特征可以客观地、全面地反映血管官腔的形变程度，因此，对血管进行形变检测提高了检测结果准确性。同时，本申请在描述血管横截面区域的形态特征时，采用的是特征集的方式进行测量和识别，相比于原单一的血管前后端面积相比，提高了检测结果的敏感性。

实施例二

本申请实施例还提供了一种对血管形变区域的检测装置，与上述实施例一的区别之处在于，本申请实施例还进一步包括形态学特征输出单元。请参阅图14，其为本申请一种对血管形变区域的检测装置的另一个实施例的结构示意图，该装置中除了包括分类器构建单元101、区域提取单元102、形态学特征提取单元103和检测单元104之外，还包括形态学特征输出单元105，其中，

需要说明的是，由于分类器构建单元101、区域提取单元102、形态学特征提取单元103和检测单元104已经在实施例一中进行了详细的说明，故此处不再赘述。

形态学特征输出单元105，用于输出有形变状态的血管区域的形态学特征。

例如，对于有形变状态的血管区域，可以输出该血管区域的各个形态特征，由于形态学特征可以反映血管区域的形变情况，输出后以供人们参考。

实施例三

与上述一种对血管形变区域的检测装置相对应，本申请实施例还提供了一种对血管形变的检测方法，请参阅图15，其为本申请一种对血管形变区域的检测方法的一个实施例的流程图，该方法包括以下步骤：

步骤1501：将反映血管区域的边界形状和/或区域形态的形态学特征作为分类基于，预先根据数据分类模型建立分类器；

构建的分类器可以依据各种形态学特征，将血管区域分成有形变或者无形变两种类型，从而实现对待检测血管的检测功能。众所周知，数据分类是数据挖掘中的一个重要内容，常见的数据分类模型包括决策树、神经网络、遗传算法和粗糙集等。

其中，所述将反映血管区域的边界形状和/或区域形状的形态学特征作为分类依据，预先根据数据分类模型建立分类器包括：提取初始训练数据中反映血管区域的边界形状和/或区域形状的形态学特征，根据初始训练数据计算提取出的形态学特征的信息增益，将信息增益最大的形态学特征作为所述分类器的第一级别特征，将第一级别特征划分为四个属性，第一和第四属性表示血管区域处于有形变或无形变状态，第二和第三属性表示血管区域处于可能有形变或可能无形变状态，分别根据第一级别特征的第二属性和第三属性范围内的训练数据，计算除第一级别特征外的剩余形态学特征的信息增益，将信息增益最大的形态学特征分别作为所述分类器的第二级别中第一分支特征和第二分支特征，进一步划分所述第二级别中第一分支特征和第二分支特征的属性，以此类推，直到最后一个形态学特征被划分完毕为止。

步骤1502：从冠脉计算机断层造影增强图像CTA的血管图像中提取出待检测的血管区域；

其中，所述从冠脉计算机断层造影增强图像CTA的血管图像中提取出待检测的血管区域包括：对CTA的血管图像中待检测血管的中心线进行采样；提取采样点处的血管横截面图像；对提取出的血管横截面图像进行血管区域分割，得到待检测的血管区域。

步骤1503：在所述待检测的血管区域中，提取出与所述分类器中的形态学特征相同的形态学特征；

步骤1504：识别提取出的形态学特征在所述分类器中所对应的特征空间，根据对应的特征空间得到待检测血管区域的形变检测结果。

当根据决策树型的数据分类模型建立分类器时，相应的，所述识别提取出的形态学特征在所述分类器中所对应的特征空间，根据对应的特征空间得到待检测血管区域的形变检测结果具体为：

判断待检测血管区域中的形态学特征是否落入所述分类器的第一级别特征的第一或第四属性范围，如果是，得到所述待检测的血管区域有形变或无形变状态的检测结果，否则，继续判断是否落入所述分类器的下一级别特征的第一或第四属性范围，以此类推，直到待检测血管的形态学特征落入所述形变检测分类器中任意一个级别的第一或第四属性范围为止。

实施例四

下面结合一个CTA的血管图像，详细说明基于血管的形态特征，对血管形变的检测方法。请参参阅图16，其为本申请一种对血管形变区域的检测方法的另一个实施例的流程图，该方法包括以下步骤：

步骤1601：利用训练数据构建一个分类器；

由于在第一个实施例中已经对分类器的构建过程进行了详细地描述，故此处不再赘述。

步骤1602：对待检测血管的中心线进行采样；

例如，对于获得的待检测血管的中心线，采用等间隔均匀采样的方式，得到待检测血管的中心线上的采样点。

步骤1603：提取所有采样点处的血管横截面图像；

例如，在血管的中心线上，可以通过每一个采样点做出一条与采样点处的中心线相切的切线，与该切线垂直的平面即为采样点处的血管横截面。

步骤1604：对提取出的血管横截面图像进行血管区域分割；

其中，对提取出的血管横截面图像进行血管区域分割的方法具体包括：

(3)获得血管区域的二值化图像。

步骤1605：提取二值化处理后的血管区域的形态学特征；

其中，提取血管区域的形态学特征就是在血管区域的二值化图像的基础上，计算反映血管区域的各个形态学特征的特征参数值。从形态学角度出发，血管区域的形态学特征包括反映边界形状的特征和反映区域形状的特征。反映边界形状的特征是指从物体的内边界或者外边界采样一定数量的点表示物体的形状，如粗糙度、凹度和边界差分分形等特征。反映区域形状的特征是指在二维图像上，通过描述目标区域的形状特征来表述物体区域的形状，如圆形度、离心率、丰度和面积差分分形等特征。

需要说明的是，本申请实施例中反映边界形状的特征并不仅限定为粗糙度、凹度和边界差分分形三种特征，还可以包括其他反映边界形状的特征。另外，本申请实施例中反映区域形状的特征并不仅限定为圆形度、离心率、丰度和面积差分分形四种特征，还可以包括其他反映区域形状的特征。

步骤1606：利用建立的分类器对待检测的血管区域进行检测。

由于在第一个实施例中已经对分类器如何进行血管区域的检测进行了详细地描述，故此处不再赘述。

以上对本申请所提供的一种对血管形变区域的检测装置和方法进行了详细介绍，本文中应用了具体实施例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，在不脱离本发明描述的原理前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims

1.一种对血管形变区域的检测装置，其特征在于，包括：分类器构建单元、区域提取单元、形态学特征提取单元和检测单元，其中，

分类器构建单元，用于将反映血管区域的边界形状和/或区域形状的形态学特征作为分类依据，根据数据分类模型建立分类器，其中，所述分类器中的特征空间用于标识血管区域有形变或者无形变；；

区域提取单元，用于从冠脉计算机断层造影增强图像CTA的血管图像中提取出待检测的血管区域；

形态学特征提取单元，用于在所述待检测的血管区域中，提取出与所述分类器中的形态学特征相同的形态学特征；

检测单元，用于识别提取出的形态学特征在所述分类器中所对应的特征空间，根据对应的特征空间得到待检测血管区域的形变检测结果。

2.根据权利要求1所述的装置，其特征在于，所述反映边界形状的形态学特征包括粗糙度、凹度和边界差分分形中的任意一个或者任意多个的组合。

3.根据权利要求1所述的装置，其特征在于，所述反映区域形状的形态学特征包括圆形度、离心率、丰度和面积差分分形中的任意一个或者任意多个的组合。

4.根据权利要求1所述的装置，其特征在于，所述分类器构建单元根据决策树类型的数据分类模型建立分类器，包括：

特征空间划分子单元，用于将信息增益最大的形态学特征作为所述分类器的第一级别特征，将第一级别特征划分为四个属性，第一和第四属性表示血管区域处于有形变或无形变状态，第二和第三属性表示血管区域处于可能有形变或可能无形变状态，分别根据第一级别特征的第二属性和第三属性范围内的训练数据，计算除第一级别特征外的剩余形态学特征的信息增益，将信息增益最大的形态学特征分别作为所述分类器的第二级别中第一分支特征和第二分支特征，进一步划分所述第二级别中第一分支特征和第二分支特征的属性，以此类推，直到最后一个形态学特征被划分完毕为止；

则所述检测单元包括：

判断子单元，用于判断待检测血管区域中的形态学特征是否落入所述分类器的第一级别特征的第一或第四属性范围，如果是，得到所述待检测的血管区域有形变或无形变状态的检测结果，否则，继续判断是否落入所述分类器的下一级别特征的第一或第四属性范围，以此类推，直到待检测血管的形态学特征落入所述分类器中任意一个级别的第一或第四属性范围为止。

5.根据权利要求1所述的装置，其特征在于，所述区域提取单元包括：

采样子单元，用于对CTA的血管图像中待检测血管的中心线进行采样；

横截面提取子单元，用于提取采样点处的血管横截面图像；

区域分割子单元，用于对提取出的血管横截面图像进行血管区域分割，得到待检测的血管区域。

6.根据权利要求1-5中的任意一项所述的装置，其特征在于，所述装置还包括：

形态学特征输出单元，用于输出有形变状态的血管区域的形态学特征。

7.一种对血管形变区域的检测方法，其特征在于，包括：

将反映血管区域的边界形状和/或区域形状的形状学特征作为分类依据，预先根据数据分类模型建立分类器，其中，所述分类器中的特征空间用于标识血管区域有形变或者无形变；

从冠脉计算机断层造影增强图像CTA的血管图像中提取出待检测的血管区域；

在所述待检测的血管区域中，提取出与所述分类器中的形态学特征相同的形态学特征；

识别提取出的形态学特征在所述分类器中所对应的特征空间，根据对应的特征空间得到待检测血管区域的形变检测结果。

8.根据权利要求7所述的方法，其特征在于，所述反映边界形状的形态学特征包括粗糙度、凹度和边界差分分形中的任意一个或者任意多个组合。

9.根据权利要求7所述的方法，其特征在于，所述反映区域形状的形态学特征包括圆形度、离心率、丰度和面积差分分形中的任意一个或者任意多个的组合。

10.根据权利要求7所述的方法，其特征在于，所述将反映血管区域的边界形状和/或区域形状的形状学特征作为分类依据，预先根据数据分类模型建立分类器包括：

提取初始训练数据中反映血管区域的边界形状和/或区域形状的形态学特征，根据初始训练数据计算提取出的形态学特征的信息增益；

将信息增益最大的形态学特征作为所述分类器的第一级别特征，将第一级别特征划分为四个属性，第一和第四属性表示血管区域处于有形变或无形变状态，第二和第三属性表示血管区域处于可能有形变或可能无形变状态，分别根据第一级别特征的第二属性和第三属性范围内的训练数据，计算除第一级别特征外的剩余形态学特征的信息增益，将信息增益最大的形态学特征分别作为所述分类器的第二级别中第一分支特征和第二分支特征，进一步划分所述第二级别中第一分支特征和第二分支特征的属性，以此类推，直到最后一个形态学特征被划分完毕为止；

11.根据权利要求7所述的方法，其特征在于，所述从冠脉计算机断层造影增强图像CTA的血管图像中提取出待检测的血管区域包括：

对CTA的血管图像中待检测血管的中心线进行采样；

提取采样点处的血管横截面图像；

对提取出的血管横截面图像进行血管区域分割，得到待检测的血管区域。

12.根据权利要求7-11中的任意一项所述的方法，其特征在于，所述方法还包括：

输出有形变状态的血管区域的形态学特征。