CN103093477A - 一种基于食道超声的主动脉瓣快速分割方法 - Google Patents

Abstract

本发明公开了一种基于食道超声的主动脉瓣快速分割方法，通过在超声图像的关键帧上定义约束区域，将该约束区域生成区域约束项，加入能量演化CV模型，并最小化CV模型能量泛函，得到关键帧的主动脉瓣分割结果；同时将关键帧的分割结果作为非关键帧的约束区域，将该约束区域加入能量演化CV模型，并最小化CV模型能量泛函，得到非关键帧的主动脉瓣分割结果。本发明能够快速、精确的对超声图像的主动脉瓣进行分割。

Description

一种基于食道超声的主动脉瓣快速分割方法

技术领域

本发明涉及超声图像的主动脉瓣分割方法，具体的说是一种基于食道超声的主动脉瓣快速分割方法。

背景技术

在现代医学影像学中，超声图像具有强度低、价格便宜、对人体无害等优点，尤其对软组织的探测和心血管脏器的血流观察有独到之处。随着生活水平的提高、人口老龄化加剧，主动脉瓣狭窄、主动脉瓣关闭不全和主动脉瓣膜脱垂等比较常见的心脏瓣膜类疾病越来越多。临床上这类疾病的主要诊断方法是用超声设备观察瓣膜的形状和运动，超声心动图就是一种很好的检测心脏瓣膜疾病的工具，对其分析的首要步骤是超声医学图像分割。因为超声图像中斑点噪声多，目标运动复杂，目标和背景灰度对比度低，所以对其分割具有很大的难度。在实际的超声图像处理与分析中，对目标和病灶的识别、定位和定量分析主要依赖医生经验得到的手动分割。所以，医生要想从混杂着大量斑点噪声和伪影的心脏超声图像中分割出主动脉瓣，就需要有丰富的临床医学知识和敏锐的空间位置感。通常一组超声序列就由几十甚至上百张的图片组成，如果完全由医生手动分割，将会是非常庞大的工作量。

国外，Ivana等人利用主动轮廓模型（也称为Snake模型）对心脏瓣膜分割，引入瓣膜厚度缓慢变化的特征，改变内部能量项，自动分割出厚度均匀的瓣叶。但是，在Snake模型框架下，目标是用点序列进行描述的，很难处理拓扑变化，并且由于超声心动图中心脏主动脉瓣膜的边缘和纹理特征都不是很突出，结构又很复杂，即使用主动轮廓分割也容易在弱边缘处泄露。因此，实现超声图像中主动脉瓣的自动、精确、快速分割意义重大。

发明内容

本发明的目的是提供一种自动、快速、精确的对超声图像的主动脉瓣进行分割的方法，以解决现有技术存在的主动脉瓣超声图像分割不完整和严重溢出的问题。

本发明的目的是这样实现的：一种基于食道超声的主动脉瓣快速分割方法，包括以下步骤：

（1）将B超输出的视频格式的主动脉瓣超声结果转化为一组连续图像，提取所述连续图像的扇形区域，对所述扇形区域进行形态学滤波预处理，得到一组连续的经预处理的主动脉瓣超声图像；

（2）选取所述的经预处理的主动脉瓣超声图像中处于快速射血期或快速充盈期的图像中的一张作为关键帧，将处于非快速射血期和非快速充盈期的图像作为非关键帧，然后以交互的方式在所述关键帧上选取四个点，利用Cardinal样条插值，做出边界轮廓曲线，所述边界轮廓曲线包围的区域作为初始约束区域，即能量约束区域；

（3）所述的边界轮廓曲线将所述关键帧的图像分为内外两部分，内部为正，外部为负，得到边界轮廓曲线符号图；计算所述关键帧的图像上每个像素点到所述边界轮廓曲线的最短欧氏距离，得到边界轮廓曲线距离图，然后将所述边界轮廓曲线符号图和所述边界轮廓曲线距离图相乘，生成所述关键帧的约束区域的符号距离图；

（4）定义E_constraint(φ)=∫_Ω(φ-φ₀)²dxdy为区域约束项，φ₀表示所述关键帧的约束区域的符号距离图；利用形状约束比较函数在CV模型中加入所述区域约束项，然后最小化所述CV模型的能量泛函，提取得到所述关键帧的主动脉瓣分割结果；

（5）将所述关键帧的主动脉瓣分割结果作为相邻的下一个非关键帧的能量约束区域，所述非关键帧的能量约束区域的边界轮廓曲线将所述非关键帧的图像分为内外两部分，内部为正，外部为负，得到非关键帧的边界轮廓曲线符号图；计算所述非关键帧的图像上每个像素点到所述非关键帧的能量约束区域的边界轮廓曲线的最短欧氏距离，得到非关键帧的边界轮廓曲线距离图，然后将所述非关键帧的符号图和所述距离图相乘，生成非关键帧的约束区域的符号距离图。

（6）定义E_constraint(φ)=∫_Ω(φ-φ₀)²dxdy为区域约束项，φ₀表示所述非关键帧的约束区域的符号距离图；利用形状约束比较函数在CV模型中加入所述区域约束项，然后最小化所述CV模型的能量泛函，提取得到所述非关键帧的主动脉瓣分割结果。

所述步骤（2）中Cardinal样条插值表达如下：

P_k-1、P_k、P_k+1、P_k+2为所述的在所述关键帧上选取的四个点，所述P_k和P_k+1是中间的两个控制点，从P_k-1到P_k+2间的四个点用于建立Cardinal样条段的边界条件为：

P(0)=P_k，

P(1)=P_k+1，

P’(0)=0.5(1-t)(P_k+1-P_k-1)，

P’(1)=0.5(1-t)(P_k+2-P_k)，

上述式中的t为张量参数，t的取值范围为0.3～1，

利用边界条件得：

P(u)＝P_k-1(-su³+2su²-su)+P_k[(2-s)u³+(s-3)u²+1]+P_k+1[(s-2)u³+(3-2)u²+su]+P_k+2(su³-su²)，

对上式进行变量代换，即s=(1-t)/2，根据t值，由参数u插值形成闭合的光滑曲线，作为边界轮廓曲线。

所述步骤（3）和步骤（5）中所述符号距离图的生成算法如下：

以n(x,y)为所述关键帧或所述非关键帧图像上任意一点，所述边界轮廓曲线记为曲线C，所述曲线C将所述关键帧或所述非关键帧图像分为内外两部分C_in和C_out，根据下式：

$S(x,y)=\left\{\begin{array}{c}1,n(x,y)\∈C_{\mathrm{in}}\\ -1,n(x,y)\∈C_{\mathrm{out}}\end{array},\right.$

得到边界轮廓曲线符号图；

根据下式：

$D(x,y)=\underset{n^C(x,y)\∈C}{\min }\left|\right|n(x,y)-n^C(x,y)\left|\right|,$

计算所述关键帧或所述非关键帧上各像素点到所述曲线C的最短欧氏距离，得到边界轮廓曲线距离图；

将所述边界轮廓曲线符号图与所述边界轮廓曲线距离图相乘生成符号距离图：SDF(x,y)=S(x,y)×D(x,y)。

所述步骤（4）和步骤（6）的具体如下：

利用形状约束比较函数在CV模型中加入所述区域约束项：

E(φ，c₁,c₂)=E_cv(φ，c₁,c₂)+αE_constraint(φ)，

式中，α的取值范围为0.05～0.2，用于调节所述区域约束项对演化曲线影响的大小；φ表示演化曲线的符号距离函数，最小化关于φ的能量泛函E(φ，c₁,c₂)得：

$\frac{\∂\mathrm{\φ}}{\∂t}={\mathrm{\δ}}_{\mathrm{\ϵ}}\left(\mathrm{\φ}\right)[\mathrm{\μ}\mathrm{div}\left(\frac{\▿\mathrm{\φ}}{|\▿\mathrm{\φ}|}\right)-v-{\mathrm{\λ}}_1{(u-c_1)}^2+{\mathrm{\λ}}_2{(u-c_2)}^2]-2\mathrm{\α}(\mathrm{\φ}-{\mathrm{\φ}}_0),$

求解上述公式，得到超声图像中所述关键帧或所述非关键帧的主动脉瓣分割结果。

本发明具有以下有益效果：本发明在最小化加入了区域约束项的CV模型能量泛函过程中，减少了近30％演化迭代次数，使演化曲线可以更快的趋于目标轮廓，在很大的程度上提高了算法的速度；解决了由弱边缘处溢出、遮挡覆盖、形状残缺等引起的分割不准确问题；避免了B超图像的斑点噪声、图像伪影、及其低对比度的缺点，分割结果精度很高，同医生手动分割结果的重叠率为98.21％；根据关键帧的分割结果可直接对下一个与之相邻的非关键帧进行处理，减少了工作量。

附图说明

图1为本发明方法流程图。

图2为关键帧的边界轮廓曲线图。

图3为关键帧的符号距离图。

图4为关键帧的主动脉瓣分割结果。

图5为连续的一张关键帧和三张非关键帧的主动脉瓣分割结果。

图6为关键帧（快速充盈期，瓣膜关闭）加入区域约束项和未加入区域约束项分割结果对比图。

图7为关键帧（快速射血期，瓣膜张开）加入区域约束项和未加入区域约束项分割结果对比图。

具体实施方式

下面结合附图和实施例对本发明进行详细说明：

实施例：

本发明在

Dual-Core CPU E58003.20GHz,显卡为NVIDIA GeForceGT430NVIDIA GeForce GT430，内存为2.00GB，操作系统为WindowXP的计算机中实现，整个分割方法采用C++和Matlab语言编写。

（1）经食道超声输出的B超视频结果（AVI格式）借助，DirectShow平台，利用FFDShow视频格式解码器，将AVI格式的视频文件转换成24位或8位的BMP格式连续的超声图像序列。将超声图像序列按时间先后顺序排列。

（2）对以上连续的图像序列进行形态学滤波预处理：对超声图像原图进行闭运算得到标记图，然后对标记图进行腐蚀运算并与原图进行交运算，直至收敛时迭代结束。进行预处理后的超声图像，既可以降低图像中斑点噪声，又可以很好的保留边缘信息。

（3）将预处理后的超声图像分为两类：关键帧和非关键帧，选取处于快速射血期或快速充盈期的超声图像中的一张作为关键帧，将处于非快速射血期和非快速充盈期的其他超声图像作为非关键帧。由于心脏呈周期性的收缩-舒张活动，所以超声图像序列为关键帧→若干非关键帧→关键帧→……的交替排列。

（4）初始约束区域的定义：根据经验，在关键帧上选取四个点（图2中四个箭头所指位置），利用Cardinal样条插值，形成闭合曲线，作为边界轮廓曲线C，其中Cardinal样条插值表达如下：

P_k-1、P_k、P_k+1、P_k+2为在关键帧上选取的四个点，设P_k和P_k+1是中间两个控制点，P(u)是P_k和P_k+1间的参数三次函数式；P_k-1和P_k+2用于计算终点斜率，则从P_k-1到P_k+2间的四个点用于建立Cardinal样条段的边界条件为：

P(0)=P_k，

P(1)=P_k+1，

P’(0)=0.5(1-t)(P_k+1-P_k-1)，

P’(1)=0.5(1-t)(P_k+2-P_k)，

控制点P_k和P_k+1处的斜率分别与弦P_k-1P_k+1和P_kP_k+2成正比，参数t为张量参数（0.3≤t≤1），t控制Cardinal样条曲线与输入控制点（即相邻的两个点）间的松紧度。

利用边界条件得：

P(u)＝P_k-1(-su³+2su²-su)+P_k[(2-s)u³+(s-3)u²+1]+P_k+1[(s-2)u³+(3-2s)u²+su]+P_k-2(su³-su²)，将上式进行变量代换，即s=(1-t)/2，根据t值，由参数u插值形成闭合曲线，作为边界轮廓曲线C，如图2，边界轮廓曲线C所包围的区域作为初始约束区域，关键帧的初始约束区域即为能量约束区域。

（5）关键帧的符号距离图的生成：

（5.1）关键帧的能量约束区域的边界轮廓曲线C将关键帧图像分为内外两部分C_in和C_out，以n(x，y)为关键帧图像上任意一点，根据下式：

$S(x,y)=\left\{\begin{array}{c}1,n(x,y)\∈C_{\mathrm{in}}\\ -1,n(x,y)\∈C_{\mathrm{out}}\end{array},\right.$

得到边界轮廓曲线符号图；

（5.2）根据下式：

$D(x,y)=\underset{n^C(x,y)\∈C}{\min }\left|\right|n(x,y)-n^C(x,y)\left|\right|,$

计算关键帧超声图像上每个像素点到闭合曲线的最短欧氏距离，得到边界轮廓曲线距离图；

（5.3）将符号图和距离图相乘，SDF(x,y)=S(x,y)×D(x,y)，可以得到关键帧的约束区域的符号距离图，如图3。

（6）定义E_constraint(φ)=∫_Ω(φ-φ₀)²dxdy为区域约束项，φ₀表示约束区域的符号距离图，利用形状约束比较函数在CV模型中加入区域约束项：

E(φ，c₁,c₂)=E_cv(φ，c₁,c₂)+αE_constraint(φ)，

式中，α的取值范围为0.05～0.2，用于调节区域约束项对演化曲线影响的大小，φ表示演化曲线的符号距离函数，最小化关于φ的能量泛函E(φ，c₁,c₂)得：

$\frac{\∂\mathrm{\φ}}{\∂t}={\mathrm{\δ}}_{\mathrm{\ϵ}}\left(\mathrm{\φ}\right)[\mathrm{\μ}\mathrm{div}\left(\frac{\▿\mathrm{\φ}}{|\▿\mathrm{\φ}|}\right)-v-{\mathrm{\λ}}_1{(u-c_1)}^2+{\mathrm{\λ}}_2{(u-c_2)}^2]-2\mathrm{\α}(\mathrm{\φ}-{\mathrm{\φ}}_0),$

求解上述公式，得到超声图像中关键帧的主动脉瓣分割结果，如图4。

（7）将关键帧的主动脉分割结果作为相邻的下一个非关键帧的能量约束区域，该能量约束区域的的边界轮廓曲线C将该非关键帧分为内外两部分，C_in和C_out，以n(x,y)该非关键帧图像上任意一点，根据下式：

$S(x,y)=\left\{\begin{array}{c}1,n(x,y)\∈C_{\mathrm{in}}\\ -1,n(x,y)\∈C_{\mathrm{out}}\end{array},\right.$

得到非关键帧的边界轮廓曲线符号图；

根据下式：

$D(x,y)=\underset{n^C(x,y)\∈C}{\min }\left|\right|n(x,y)-n^C(x,y)\left|\right|,$

计算该非关键帧超声图像上每个像素点到闭合曲线的最短欧氏距离，得到非关键帧的边界轮廓曲线距离图；

将非关键帧的边界轮廓曲线符号图和非关键帧的边界轮廓曲线距离图相乘，SDF(x,y)=S(x,y)×D(x,y)，可以得到非关键帧的约束区域的符号距离图。所得到的非关键帧的分割结果作为与该非关键帧相邻的的下一个非关键帧的能量约束区域，继续进行分割。

图5为连续四帧（Ⅰ关键帧和Ⅱ、Ⅲ、Ⅳ非关键帧）的超声图像及处理结果图，第Ⅰ列表示对关键帧依次进行图像预处理、定义约束区域和主动脉瓣图像分割的结果，标号2所指曲线表示初始演化曲线，标号1所指曲线表示约束区域，标号3表示分割结果，第Ⅱ、Ⅲ、Ⅳ列分别表示依据上一帧图像的分割结果所定义的约束区域进行主动脉瓣图像分割的结果。本发明利用关键帧的分割结果作为非关键帧的约束区域，以对非关键帧进行分割，而不必对每一张非关键帧都进行Cardinal样条插值以建立初始约束区域，大大减少了工作量。

对一张关键帧（快速充盈期）超声图像进行不加约束项的分割和加入约束项的分割，得到图6中的结果，图6（a）表示不加约束项，图6（a’）表示加入约束项。

对一张关键帧（快速射血期）超声图像进行不加约束项的分割和加入约束项的分割，得到图7中的结果，图7（b）表示不加约束项，图7（b’）表示加入约束项。

Claims (4)

1.一种基于食道超声的主动脉瓣快速分割方法，其特征是，包括以下步骤：

（1）将B超输出的视频格式的主动脉瓣超声结果转化为一组连续图像，提取所述连续图像的扇形区域，对所述扇形区域进行形态学滤波预处理，得到一组连续的经预处理的主动脉瓣超声图像；

（2）选取所述的经预处理的主动脉瓣超声图像中处于快速射血期或快速充盈期的图像中的一张作为关键帧，将处于非快速射血期和非快速充盈期的图像作为非关键帧，然后以交互的方式在所述关键帧上选取四个点，利用Cardinal样条插值，做出边界轮廓曲线，所述边界轮廓曲线包围的区域作为初始约束区域，即能量约束区域；

（3）所述的关键帧的边界轮廓曲线将所述关键帧的图像分为内外两部分，内部为正，外部为负，得到边界轮廓曲线符号图；计算所述关键帧的图像上每个像素点到所述边界轮廓曲线的最短欧氏距离，得到边界轮廓曲线距离图，然后将所述边界轮廓曲线符号图和所述边界轮廓曲线距离图相乘，生成所述关键帧的约束区域的符号距离图；

（4）定义E_constraint(φ)=∫_Ω(φ-φ₀)²dxdy为区域约束项，φ₀表示所述关键帧的约束区域的符号距离图；利用形状约束比较函数在CV模型中加入所述区域约束项，然后最小化所述CV模型的能量泛函，提取得到所述关键帧的主动脉瓣分割结果；

（5）将所述关键帧的主动脉瓣分割结果作为相邻的下一个非关键帧的能量约束区域，所述非关键帧的能量约束区域的边界轮廓曲线将所述非关键帧的图像分为内外两部分，内部为正，外部为负，得到非关键帧的边界轮廓曲线符号图；计算所述非关键帧的图像上每个像素点到所述非关键帧的能量约束区域的边界轮廓曲线的最短欧氏距离，得到非关键帧的边界轮廓曲线距离图，然后将所述非关键帧的的边界轮廓曲线符号图和所述非关键帧的的边界轮廓曲线距离图相乘，生成非关键帧的约束区域的符号距离图；

（6）定义E_constraint(φ)=∫_Ω(φ-φ₀)²dxdy为区域约束项，φ₀表示所述非关键帧的约束区域的符号距离图；利用形状约束比较函数在CV模型中加入所述区域约束项，然后最小化所述CV模型的能量泛函，提取得到所述非关键帧的主动脉瓣分割结果。

2.根据权利要求1所述的一种基于食道超声的主动脉瓣快速分割方法，其特征是，所述步骤（2）中Cardinal样条插值表达如下：

P_k-1、P_k、P_k+1、P_k+2为所述的在所述关键帧上选取的四个点，所述P_k和P_k+1是中间的两个控制点，从P_k-1到P_k+2间的四个点用于建立Cardinal样条段的边界条件为：

P(0)=P_k，

P(1)=P_k+1，

P’(0)=0.5(1-t)(P_k+1-P_k-1)，

P’(1)=0.5(1-t)(P_k+2-P_k)，

上述式中的t为张量参数，t的取值范围为0.3～1，

利用边界条件得：

P(u)=p_k-1(-su³+2su²-su)+P_k[(2-s)u³+(s-3)u²+1]+P_k+1[(s-2)u³+(3-2s)u²+su]+P_k+2(su³-su²)，

对上式进行变量代换，即s=(1-t)/2，根据t值，由参数u插值形成闭合的光滑曲线，作为边界轮廓曲线。

3.根据权利要求1所述的一种基于食道超声的主动脉瓣快速分割方法，其特征是，所述步骤（3）和步骤（5）中所述符号距离图的生成算法如下：

以n(x,y)为所述关键帧或所述非关键帧图像上任意一点，所述边界轮廓曲线记为曲线C，所述曲线C将所述关键帧或所述非关键帧图像分为内外两部分C_in和C_out，根据下式：

$S(x,y)=\left\{\begin{array}{c}1,n(x,y)\∈C_{\mathrm{in}}\\ -1,n(x,y)\∈C_{\mathrm{out}}\end{array},\right.$

得到边界轮廓曲线符号图；

根据下式：

$D(x,y)=\underset{n^C(x,y)\∈C}{\min }\left|\right|n(x,y)-n^C(x,y)\left|\right|,$

计算所述关键帧或所述非关键帧上各像素点到所述曲线C的最短欧氏距离，得到边界轮廓曲线距离图；

将所述边界轮廓曲线符号图与所述边界轮廓曲线距离图相乘生成符号距离图：SDF(x,y)=S(x,y)×D(x,y)。

4.根据权利要求1所述的一种基于食道超声的主动脉瓣快速分割方法，其特征是，所述步骤（4）和步骤（6）的具体如下：

利用形状约束比较函数在CV模型中加入所述区域约束项：

E(φ，c₁,c₂)=E_cv(φ，c₁,c₂)+αE_constraint(φ)，

式中，α的取值范围为0.05～0.2，用于调节所述区域约束项对演化曲线影响的大小；φ表示演化曲线的符号距离函数，最小化关于φ的能量泛函E(φ，c₁,c₂)得：

$\frac{\∂\mathrm{\φ}}{\∂t}={\mathrm{\δ}}_{\mathrm{\ϵ}}\left(\mathrm{\φ}\right)[\mathrm{\μ}\mathrm{div}\left(\frac{\▿\mathrm{\φ}}{|\▿\mathrm{\φ}|}\right)-v-{\mathrm{\λ}}_1{(u-c_1)}^2+{\mathrm{\λ}}_2{(u-c_2)}^2]-2\mathrm{\α}(\mathrm{\φ}-{\mathrm{\φ}}_0),$

求解上述公式，得到超声图像中所述关键帧或所述非关键帧的主动脉瓣分割结果。

Images