CN103049913A - 脑部磁共振血管造影数据的分割方法及装置 - Google Patents

Abstract

本发明提供一种脑部磁共振血管造影数据的分割方法及装置，该脑部磁共振血管造影数据的分割包括以下步骤：获取脑部磁共振血管造影数据；获取MAP-MRF模型的参数的值；确定血管的目标候选空间；在血管的目标候选空间内根据得到的参数的值采用迭代条件模式对MAP-MRF模型进行分割得到血管的最终分割结果。上述脑部磁共振血管造影数据的分割方法是在目标候选空间内完成血管的分割，因此极大的减少了计算时间，能够快速分割出脑部血管。

Description

脑部磁共振血管造影数据的分割方法及装置

技术领域

本发明涉及一种图像处理方法，特别是涉及一种脑部磁共振血管造影数据的分割方法及装置。

背景技术

每年有大量患者受到由血栓、出血、动脉畸形、狭窄导致的中风等脑血管疾病的影响。因此，精确地分割脑血管对于诊断、外科手术、术前计划等有着重要的临床意义。由于脑血管具有复杂的三维形态和较细的结构，所以其图像分割是很有挑战性的。

磁共振血管造影（MRA，magnetic resonance angiography）是一种非倾入式的流成像和三维体数据生成技术。有很多方法可以用来进行MRA的分割，这些方法可分为基于骨架的和非骨架的两类方法。前者分割和重建血管通过先探测血管中心线的方法，而后者则直接提取三维血管。基于非骨架的方法分为多尺度分析法、形变模型法、统计模型法以及混合模型法。其中，多尺度分析法在遇到并邻的血管，以及血管直径发生突变时（如血管狭窄、血管瘤）等情况时无法产生有效的观测结果。形变模型法很难探测到低对比度血管，并且严重依赖于模型参数和理想的血管形状特征，无法探测到病理变化的血管。统计模型法将三维MRA数据集中不同解剖结构的感兴趣区看做不同类别数据，每一类服从一种特殊的边缘概率分布模式。然而统计模型法只能提取有限的血管网络。

在利用统计学模型解决血管分割问题时，面对的主要挑战是（1）如果各类分布的的强度互相重叠、并且具有很大的类间方差、以及较小的类间距时，模型的计算结果往往误差很大；（2）由于统计学模型只处理和分析强度信息，缺少空间约束，往往将灰度相同的目标和背景当做同一类数据进行分割。因此，常用的血管分割方法无法快速、准确的对血管进行分割。

发明内容

基于此，有必要提供一种脑部磁共振血管造影数据的分割方法及装置，采用该脑部磁共振血管造影数据的分割方法能够快速地分割出脑部血管。

一种脑部磁共振血管造影数据的分割方法，包括以下步骤：获取脑部磁共振血管造影数据；获取MAP-MRF模型的参数的值；确定血管的目标候选空间；在血管的目标候选空间内根据得到的参数的值采用迭代条件模式对MAP-MRF模型进行分割得到血管的最终分割结果。

在其中一个实施例中，所述获取MAP-MRF模型的参数的值的步骤之前还包括采用多尺度滤波方法对脑部磁共振血管造影数据进行处理。

在其中一个实施例中，所述获取MAP-MRF模型的参数的值的步骤包括以下步骤：选择一个第一阈值γ₁对脑部磁共振血管造影数据进行处理得到血管的初始候选空间，并估计出其中一个参数的大概值，其中γ₁∈(0,1)；利用无监督K均值聚类算法及得到的参数的大概值得到脑部磁共振血管造影数据的参数集；利用EM算法估计参数的准确值。

在其中一个实施例中，所述确定血管的目标候选空间的步骤包括选择一个第二阈值γ₂对脑部磁共振血管造影数据进行处理得到目标候选空间，其中0<γ₂<γ₁<1。

在其中一个实施例中，所述MAP-MRF模型的参数包括均值、方差及混合比例。

在其中一个实施例中，所述在血管的目标候选空间内利用MAP-MRF模型及得到的参数的值得到血管的初步分割的步骤是结合MAP-MRF模型的多模式邻域系统和对应的势团能量函数，并在确定的正则化参数作用下进行的。

在其中一个实施例中，所述正则化参数采用最大伪似然迭代逼近算法进行估计。

在其中一个实施例中，所述在血管的目标候选空间内根据得到的参数的值采用迭代条件模式对MAP-MRF模型进行分割得到血管的最终分割结果的步骤中，当迭代次数等于指定数值或者所有标记不在变化时算法终止。

一种脑部磁共振血管造影数据的分割装置，包括：用于获取脑部磁共振血管造影数据的数据获取模块；用于获取MAP-MRF模型的参数的值的参数获取模块；用于确定血管的目标候选空间的目标候选空间确定模块；用于在血管的目标候选空间内根据得到的参数的值采用迭代条件模式对MAP-MRF模型进行分割得到血管的最终分割结果的血管分割模块。

在其中一个实施例中，所述脑部磁共振血管造影数据的分割装置还包括用于采用多尺度滤波方法对脑部磁共振血管造影数据进行处理的多尺度滤波模块。

上述脑部磁共振血管造影数据的分割方法及装置是在目标候选空间内完成血管的分割，因此极大的减少了计算时间，能够快速分割出脑部血管。

附图说明

图1为一个实施例的脑部磁共振血管造影数据的分割方法的流程图；

图2为获取MAP-MRF模型的参数的值的流程图。

具体实施方式

请参考图1，一个实施例提供一种脑部磁共振血管造影数据的分割方法，该脑部磁共振血管造影数据的分割方法包括以下步骤：

步骤S110，获取脑部磁共振血管造影数据。

采用多尺度滤波方法对脑部磁共振血管造影数据进行处理。以增强血管和抑制噪声，得到归一化的响应结果R_f，且R_f∈[0，1]。

步骤S120，获取MAP-MRF(maximum posteriori-Markov random field,最大后验概率-马尔可夫随机场)模型的参数的值。此处的参数包括均值、方差及混合比例。

该步骤S120，获取MAP-MRF模型的参数的值主要包括如下步骤。

步骤S121，选择一个第一阈值γ₁对脑部磁共振血管造影数据进行处理得到血管的初始候选空间，并估计出其中一个参数的大概值，其中γ₁∈(0,1)。也就是采用阈值分析技术确定其中一个参数的大概值。

具体的，选择一个第一阈值γ₁对R_f取阈值，其中γ₁∈(0,1)。我们可以认为γ₁＜R_f≤1所对应空间区域代表血管，此处为血管空间，并用V表示；而0≤R_f≤γ₁所对应的空间代表背景，此处为背景空间，并用B表示。第一阈值γ₁的选择的过大则估计的初始血管均值偏大，反之则偏小。为了恰当地选择第一阈值γ₁，我们可以比较血管空间V相对于头部容积H的经验比值确定第一阈值γ₁，此处V与H的比值范围是1%<V/H<5%。确定血管与背景后可以估计出其中一个参数的大概值，这个参数为血管均值，此处得到的为血管均值的大概值。

步骤S122，利用无监督K均值聚类算法及得到的参数的大概值得到脑部磁共振血管造影数据的参数集。

此处采用1个瑞利分布和2个高斯分布模拟脑部磁共振血管造影数据的背景，再用1个高斯分布模拟脑部磁共振血管造影数据的血管。基于这些边缘概率分布函数拟合直方图，并采用阈值分析技术自动估计得到的血管均值的初始值，然后利用无监督K均值聚类算法得到脑部磁共振血管造影数据的参数集。

步骤S123，利用EM算法（Expectation-maximization algorithm，最大期望算法）估计参数的准确值。

步骤S130，确定血管的目标候选空间。确定血管的目标候选空间可以进一步缩小脑部磁共振血管造影数据的计算空间，从而可以减少计算量，加快计算速度。

此处是选择一个第二阈值γ₂对脑部磁共振血管造影数据进行处理得到目标候选空间，其中0<γ₂<γ₁<1。

步骤S140，在血管的目标候选空间内根据得到的参数的值采用迭代条件模式(ICM,Iterated Conditional Mode)对MAP-MRF模型进行分割得到血管的最终分割结果。此处是在血管的目标候选空间内进行的。

该步骤S140，在血管的目标候选空间内根据得到的参数的值采用迭代条件模式对MAP-MRF模型进行分割得到血管的最终分割结果的步骤是结合MAP-MRF模型的多模式邻域系统和对应的势团能量函数，并在确定的正则化参数作用下进行的。

此处的MAP-MRF模型包括MRF（Markov random fields，马尔可夫随机场）低级模型和MRF高级模型。

在MRF低级模型中，脑部磁共振血管造影数据的直方图分为为低、中、高三个区域。低灰度区间包括了脑脊液、骨、背景空气。中灰度区间包括了脑组织的灰/白质和部分眼组织。高灰度区间则包括了动脉血管和皮下脂肪组织。这样一来，我们可以建立4种标记，分别对应于上述脑组织。用1,2,3类标记代表背景（脑脊液、骨、背景空气；脑灰质；脑白质和部分眼组织），用标记4代表血管和皮下脂肪组织。利用一个瑞利分布和两个高斯分布模拟中低灰度区间的背景类。而在高灰度区间用一个高斯分布模拟血管类。这样，采用MRF低级模型就可以进行简单的处理。由于脑部磁共振血管造影数据的复杂背景和图像噪声，MRF低级模型并不能分割出血管。

此处的MRF高级模型的构造与求解需结合多模式邻域系统构造目标点的特性，另外还需约束目标点的标记值的随机变化并结合多模式邻域系统对应的势团能量函数。

MRF高级模型的正则化参数采用最大伪似然迭代逼近算法进行估计。并可以采用空间编码模式将计算空间拆分为两部分，分别计算高阶模型参数后求平均值，并最终得到MRF高级模型所需要的正则化参数。

此处采用迭代条件模式进行求解时，迭代条件模式采用贪婪策略最大化局部后验概率。在求解过程中，初始标记场的设置采用最大似然估计，当迭代次数等于指定数值或者所有标记不在变化时算法终止。

经过以上步骤就可以实现对脑部磁共振血管造影数据的分割，并分割出血管目标。

另一个实施例提供一种脑部磁共振血管造影数据的分割装置。该脑部磁共振血管造影数据的分割装置包括：用于获取脑部磁共振血管造影数据的数据获取模块；用于获取MAP-MRF模型的参数的值的参数获取模块；用于确定血管的目标候选空间的目标候选空间确定模块；用于在血管的目标候选空间内根据得到的参数的值采用迭代条件模式对MAP-MRF模型进行分割得到血管的最终分割结果的血管分割模块。在该实施例中，MAP-MRF模型的参数包括均值、方差及混合比例。

该脑部磁共振血管造影数据的分割装置还包括用于采用多尺度滤波方法对脑部磁共振血管造影数据进行处理的多尺度滤波模块。

其中，该脑部磁共振血管造影数据的分割装置的用于获取MAP-MRF模型的参数的值的参数获取模块包括参数估计模块、参数集获取模块及EM算法模块。

参数估计模块用于选择一个第一阈值γ₁对脑部磁共振血管造影数据进行处理得到血管的初始候选空间，并估计出其中一个参数的大概值，其中γ₁∈(0,1)。

参数集获取模块用于利用无监督K均值聚类算法及得到的参数的大概值得到脑部磁共振血管造影数据的参数集。

EM算法模块用于利用EM算法估计参数的准确值。

该脑部磁共振血管造影数据的分割装置的目标候选空间确定模块可以通过选择一个第二阈值γ₂对脑部磁共振血管造影数据进行处理得到目标候选空间，其中0<γ₂<γ₁<1。

另外，血管分割模块在进行血管分割时是结合MAP-MRF模型的多模式邻域系统和对应的势团能量函数，并在确定的正则化参数作用下进行的。此处的正则化参数采用最大伪似然迭代逼近算法进行估计。

血管分割模块在进行迭代求解时，当迭代次数等于指定数值或者所有标记不在变化时算法终止。

该脑部磁共振血管造影数据的分割装置按照上述实施例中的脑部磁共振血管造影数据的分割步骤就可以分割出脑部血管。上述脑部磁共振血管造影数据的分割方法及装置是在初始候选空间与目标候选空间内完成血管的分割，缩小了计算空间，因此极大的减少了计算时间，能够快速分割出脑部血管。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种脑部磁共振血管造影数据的分割方法，其特征在于，包括以下步骤：

获取脑部磁共振血管造影数据；

获取MAP-MRF模型的参数的值；

确定血管的目标候选空间；

在血管的目标候选空间内根据得到的参数的值采用迭代条件模式对MAP-MRF模型进行分割得到血管的最终分割结果。

2.根据权利要求1所述的脑部磁共振血管造影数据的分割方法，其特征在于，所述获取MAP-MRF模型的参数的值的步骤之前还包括采用多尺度滤波方法对脑部磁共振血管造影数据进行处理。

3.根据权利要求1所述的脑部磁共振血管造影数据的分割方法，其特征在于，所述获取MAP-MRF模型的参数的值的步骤包括以下步骤：

选择一个第一阈值γ₁对脑部磁共振血管造影数据进行处理得到血管的初始候选空间，并估计出其中一个参数的大概值，其中γ₁∈(0,1)；

利用无监督K均值聚类算法及得到的参数的大概值得到脑部磁共振血管造影数据的参数集；

利用EM算法估计参数的准确值。

4.根据权利要求3所述的脑部磁共振血管造影数据的分割方法，其特征在于，所述确定血管的目标候选空间的步骤包括选择一个第二阈值γ₂对脑部磁共振血管造影数据进行处理得到目标候选空间，其中0<γ₂<γ₁<1。

5.根据权利要求1所述的脑部磁共振血管造影数据的分割方法，其特征在于，所述MAP-MRF模型的参数包括均值、方差及混合比例。

6.根据权利要求1至5中的任一权利要求所述的脑部磁共振血管造影数据的分割方法，其特征在于，所述在血管的目标候选空间内利用MAP-MRF模型及得到的参数的值得到血管的初步分割的步骤是结合MAP-MRF模型的多模式邻域系统和对应的势团能量函数，并在确定的正则化参数作用下进行的。

7.根据权利要求6所述的脑部磁共振血管造影数据的分割方法，其特征在于，所述正则化参数采用最大伪似然迭代逼近算法进行估计。

8.根据权利要求1至5中的任一权利要求所述的脑部磁共振血管造影数据的分割方法，其特征在于，所述在血管的目标候选空间内根据得到的参数的值采用迭代条件模式对MAP-MRF模型进行分割得到血管的最终分割结果的步骤中，当迭代次数等于指定数值或者所有标记不在变化时算法终止。

9.一种脑部磁共振血管造影数据的分割装置，其特征在于，包括：

用于获取脑部磁共振血管造影数据的数据获取模块；

用于获取MAP-MRF模型的参数的值的参数获取模块；

用于确定血管的目标候选空间的目标候选空间确定模块；

用于在血管的目标候选空间内根据得到的参数的值采用迭代条件模式对MAP-MRF模型进行分割得到血管的最终分割结果的血管分割模块。

10.根据权利要求9所述的脑部磁共振血管造影数据的分割装置，其特征在于，所述脑部磁共振血管造影数据的分割装置还包括用于采用多尺度滤波方法对脑部磁共振血管造影数据进行处理的多尺度滤波模块。