CN103295195B - 低对比度图像的脉管增强的方法及其系统 - Google Patents
低对比度图像的脉管增强的方法及其系统 Download PDFInfo
- Publication number
- CN103295195B CN103295195B CN201310181873.2A CN201310181873A CN103295195B CN 103295195 B CN103295195 B CN 103295195B CN 201310181873 A CN201310181873 A CN 201310181873A CN 103295195 B CN103295195 B CN 103295195B
- Authority
- CN
- China
- Prior art keywords
- vascular
- image
- enhancing
- denoising
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明适用于医学图像处理技术领域,提供了一种低对比度图像的脉管增强的方法及其系统,所述方法包括如下步骤:去噪步骤:将输入的器官和/或组织的扫描图像进行直方图去噪处理,获取消除所述扫描图像中除脉管之外区域的干扰的去噪图像;提取脉管步骤:通过特征增强函数增强所述去噪图像中脉管的特征,并输出所述脉管增强结果图;脉管分割步骤:将提取到的所述脉管增强结果图进行分割处理,获取所述脉管的三维分割图像。借此,本发明实现了对低对比度图像的脉管增强。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及一种低对比度图像的脉管增强的方法及其系统。
背景技术
CTA(Computed tomographic angiography,计算机断层扫描造影增强)和MRI(MagneticResonanceImaging,核磁共振成像)都是较为常用的脉管影像诊断技术,在如血管、胆管及支气管等多种脉管分割上都有着广泛的应用。CTA图像经常带有低对比度、高噪声、边界模糊等影响我们观察和计算机识别的不良因素,MRI图像在进行分割处理时也会受到噪声很大程度的影响,使得在低对比度、高噪声下的脉管分割成为一个较为棘手的难题。由于检查者在进行扫描前被注射了造影剂,而造影剂在血液中的不均匀分布以及血管较为狭窄等因素造成医学图像上脉管的灰度不均甚至断裂等现象,这使得基于灰度值的图像分割算法以及依据理想情况下管状结构特征的分割算法失效。再加上人体脉管的结构复杂,在许多区域的脉管都非常细,传统的去噪方法都容易导致脉管信息的大量缺失,因此,在高噪声、低对比度下的医学图像中直接提取脉管成为值得深入探讨的难题。
目前,比较普遍的脉管增强技术是构造一个以Hessian(海赛)矩阵特征值为变量的特征函数去对我们提取的脉管特征进行判别,该方案首先计算出图像中每一像素点三维邻域内二阶导组成的Hessian矩阵,然后利用特征函数L=f(λ1;λc)*λc对Hessian矩阵的特征值进行判别,判别为正的像素点即处于脉管区域。脉管特征函数的构成多数是以高斯函数为主。例如ITK(ITK全称为Insight Segmentation and Registration Toolkit是美国国家卫生院下属的国立医学图书馆开发的一款医学图像处理软件包,是一个开源的、跨平台的影像分析扩展软件工具。)中使用的血管特征判别函数:
其中λc=min(-λ2,-λ3)经过特征函数后,输出为正的结果像素点即为血管所在区域像素点。这是一种适应较为理想状况的脉管增强技术,它的主要缺陷是对于高噪声、低对比度的血管图像较为不敏感,因此提取出的血管分支不够丰富。浙江大学孔德兴等人的中国专利申请号为201210014249.9,发明名称为《CTA图像中肝脏血管增强及肝脏与血管同时分割的方法》的发明专利申请中,其技术方案使用了Hessian矩阵求取出三个方向的特征值,但是其需要计算血管的具体朝向,计算量大,计算速度也慢。
此外,大连海事大学申丽然等人的中国专利申请号为201210132164.0,发明名称为《一种X射线冠脉造影图像血管增强方法》的专利申请中技术方案采用通过判别Hessian矩阵特征值是否满足血管特征的方法去检测血管,但该技术方案仅限于二维平面图像,不适于三维立体图像,而且血管特征判别函数复杂。
综上可知,现有的低对比度图像的脉管增强技术在实际使用上,显然存在不便与缺陷,所以有必要加以改进。
发明内容
针对上述的缺陷,本发明的目的在于提供一种低对比度图像的脉管增强的方法及其系统,以实现对低对比度图像的脉管增强。
为了实现上述目的,本发明提供一种低对比度图像的脉管增强的方法,所述方法包括如下步骤:
去噪步骤:将输入的器官和/或组织的扫描图像进行直方图去噪处理,获取消除所述扫描图像中除脉管之外区域的干扰的去噪图像;
提取脉管步骤:通过特征增强函数增强所述去噪图像中脉管的特征,并输出所述脉管增强结果图;
脉管分割步骤:将提取到的所述脉管增强结果图进行分割处理,获取所述脉管的三维分割图像。
根据所述的方法,所述去噪步骤包括:
在所述器官和/或组织的扫描图像中选择需要分割所述脉管的区域;
根据选定的统计灰度范围对选择的所述区域进行直方图统计;
根据选定半径的灰度邻域以及所述灰度邻域的灰度中心值,将所述灰度范围的所述直方图统计结果分为多份再次进行统计,获得多个统计结果;
对所述多个统计结果求最大值;
根据所述最大值计算所述区域的最大沿度灰度值;
根据所述最大沿度灰度值重设所述区域内所有像素点的灰度值。
根据所述的方法,所述提取脉管步骤包括:
构造高斯滤波器Gσ,对高斯滤波器Gσ求二阶导数,用Gσ的所述二阶导数与所述直方图增强后图像的各个像素点逐一进行卷积运算;所述σ为高斯滤波器的方差;
根据所述卷积运算结果构造海赛矩阵,计算所述海赛矩阵的多个特征值,并按照所述脉管增强需求对所述多个特征值进行排序;
构造所述脉管的特征判别函数,所述特征判别函数对所述区域的每个像素值的海赛矩阵特征值进行分类,使符合所述脉管特征的像素输出值为高,使不符合所述脉管特征的像素输出值趋于零,以提取所述脉管。
根据所述的方法,所述卷积运算结果得到Ixx(σ)、Iyy(σ)、Izz(σ)、Ixy(σ)、Ixz(σ)和Iyz(σ);
所述海赛矩阵为求得海赛矩阵三个特征值并排序为λ1<λ2<λ3;
所述特征判别函数为Vs(λ),在按照血管特征进行归类时,λ1<0,λ2<0,λ3=0。
根据所述的方法,所述提取脉管步骤还包括:
在所述扫描图像的对比度属于低对比度时,通过脉管特征增强函数对所述脉管特征进行增强,提高所述脉管区域特征的可识别性;
根据所述脉管特征增强函数得到脉管特征数据,并将脉管特征数据按照所须进行归一化处理;
对应所述像素点的脉管特征判别结果对所述扫描图像进行处理,输出所述脉管增强结果图。
根据所述的方法,所述脉管特征增强函数函数为H(λ)=h1(λ1,λ2,λ3)*h2(λ2,λ3),其中h1(λ1,λ2,λ3)和h2(λ2,λ3)为可调的特征函数;L(λ)=Vs(λ)H(λ)。
根据所述的方法,在所述脉管为血管时,所述血管增强结果图为:
在所述脉管为胆管时,所述胆管增强结果图为:其中I′为自定义的合适灰度值。
根据所述的方法,所述脉管分割步骤包括:
确定所述脉管区域的灰度阈值范围,依据所述灰度阈值范围对所述脉管增强结果图进行阈值连通计算;
根据所述阈值连通计算结果,获得到三维的脉管分割图像。
为了实现本发明的另一发明目的,本发明还提供了一种用于实现上述任意一项所述的方法的系统,包括:
去噪模块,用于将输入的器官和/或组织的扫描图像进行直方图去噪处理,获取消除所述扫描图像中除脉管之外区域的干扰的去噪图像;
提取脉管模块,用于通过特征增强函数增强所述去噪图像中脉管的特征,并输出所述脉管增强结果图;
脉管分割模块,用于将提取到的所述脉管增强结果图进行分割处理,获取所述脉管的三维分割图像。
本发明通过采用的不同于现有技术的图像预处理方法,即直方图去干扰技术能够直接且有效地消除图像中脉管之外的大部分干扰,出色地抑制了图像中影响脉管分割的噪声。所采用的脉管特征增强算法又有效地提升了算法对低对比度下的脉管敏感度,使较低对比度下的脉管也能够被有效增强。因此,相对于传统的脉管增强方法,本实施例提供的方法在很大程度上提高了脉管增强算法的适用范围,使其能够有效作用于较高噪声,较低对比度的医学图像。
附图说明
图1是本发明第一实施例提供的低对比度图像的脉管增强的系统结构图;
图2是本发明第二实施例提供的低对比度图像的脉管增强的系统结构图;
图3是本发明第三、四实施例提供的低对比度图像的脉管增强的系统结构图;
图4是本发明第五实施例提供的低对比度图像的脉管增强的系统结构图;
图5是本发明第六实施例提供的低对比度图像的脉管增强的方法流程图;
图6是本发明一个优选实施例提供的低对比度图像的脉管增强的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参见图1,在本发明的第一实施例中提供了低对比度图像的脉管增强的系统100,包括:
去噪模块10,用于将输入的器官和/或组织的扫描图像进行直方图去噪处理,获取消除所述扫描图像中除脉管之外区域的干扰的去噪图像;
提取脉管模块20,用于通过特征增强函数增强所述去噪图像中脉管的特征,并输出所述脉管增强结果图;
脉管分割模块30,用于将提取到的所述脉管增强结果图进行分割处理,获取所述脉管的三维分割图像。
在该实施例中,首先通过去噪模块10对输入的器官和/或组织的扫描图像进行直方图去噪处理,该扫描图像可以是通过CTA或者是MRI方式获取的。由于直方图去噪的方式能够尽可能地减少了对血管信息的破坏,由此可以消除非血管区域的大部分干扰。然后,通过提取脉管模块20利用特征增强函数增强所述去噪图像中脉管的特征,以获得所述脉管增强结果图,最后脉管分割模块30将对所述脉管增强结果图进行分割处理,输出所述脉管的三维分割图像,由此实现了对器官和/或组织的扫描图像中低对比度图像的脉管增强,将有利于医学工作者进行相关疾病的诊断和研究。
参见图2,在本发明的第二实施例中,所述去噪模块10包括:
选择子模块11,用于在所述器官和/或组织的扫描图像中选择需要分割所述脉管的区域;
第一统计子模块12,用于根据选定的统计灰度范围对选择的所述区域进行直方图统计;
第二统计子模块13,用于根据选定半径的灰度邻域以及所述灰度邻域的灰度中心值,将所述灰度范围的所述直方图统计结果分为多份再次进行统计,获得多个统计结果;
求值子模块14,用于对所述多个统计结果求最大值;
计算子模块15,用于根据所述最大值计算所述区域的最大沿度灰度值;
重设子模块16,用于根据所述最大沿度灰度值重设所述区域内所有像素点的灰度值。
在该实施例中,用直方图统计的方法来判断如肝脏等组织和/或器官的非血管区域,以消除非血管区域的大部分干扰,尽可能地减少了对血管信息的破坏。如果使用传统的去噪手段,如低通平滑、非线性方法必然会使原本就不太清晰的血管断裂甚至消失,而用直方图统计的方法,能够有效保护血管所在区域,在不破坏血管信息的基础上尽量消除非血管区域的干扰因素。具体的,选择子模块11用矩形框选定需要分割脉管的区域,如肝脏;第一统计子模块12对选定区域进行直方图统计,统计灰度范围选定为IL到IH第二统计子模块13设置一个半径为IB灰度邻域,灰度中心值为IM,从IL到IH统计结果划分为N份进行再次统计,得到N个统计结果为:求值子模块14对N个统计结果求出最大值Imax;计算子模块15计算最大低沿灰度值ImaxL=Imax-IB;重设子模块16重设区域内所有像素点的灰度值此外,如增强其他部位脉管,修整子模块可根据部位特点将该模块进行修改,尽可能消除脉管之外区域的影响。
参见图3,在本发明的第三实施例中,所述提取脉管模块20包括:
第一构造子模块21,用于构造高斯滤波器Gσ对高斯滤波器Gσ求二阶导数,用Gσ的所述二阶导数与所述直方图增强后图像的各个像素点逐一进行卷积运算;所述σ为高斯滤波器的方差;
运算子模块22,用于根据所述卷积运算结果构造海赛矩阵,计算所述海赛矩阵的多个特征值,并按照所述脉管增强需求对所述多个特征值进行排序;
第二构造子模块23,用于构造所述脉管的特征判别函数,所述特征判别函数对所述区域的每个像素值的海赛矩阵特征值进行分类,使符合所述脉管特征的像素输出值为高,使不符合所述脉管特征的像素输出值趋于零,以提取所述脉管。所述卷积运算结果得到Ixx(σ)、Iyy(σ)、Izz(σ)、Ixy(σ)、Ixz(σ)和Iyz(σ);
所述海赛矩阵为求得海赛矩阵三个特征值并排序为λ1<λ2<λ3;
所述特征判别函数为Vs(λ),在按照血管特征进行排序时,或者说归类时,λ1<0,λ2<0,λ3=0。
在该实施例中,采用了抗噪能力和检测能力较为平衡的特征判别函数Vs(λ),既能够对一定程度的噪声有所抑制,又能够检测出较为丰富的血管。使用的血管特征判别函数Vs(λ)能够有效提取血管。
参见图3,在本发明的第四实施例中,所述提取脉管模块20还包括:
提高子模块24,用于在所述扫描图像的对比度属于低对比度时,通过脉管特征增强函数对所述脉管特征进行增强,提高所述脉管区域特征的可识别性;
归一化处理子模块25,用于根据所述脉管特征增强函数得到脉管特征数据,并将脉管特征数据按照所须进行归一化处理;
输出子模块26,用于对应所述像素点的脉管特征判别结果对所述扫描图像进行处理,输出所述脉管增强结果图。
优选的,所述脉管特征增强函数函数为H(λ)=h1(λ1,λ2,λ3)*h2(λ2,λ3),其中hl(λ1,λ2,λ3)和h2(λ2,λ3)为可调的特征函数;L(λ)=Vs(λ)H(λ)。在所述脉管为血管时,所述血管增强结果图为:在所述脉管为胆管时,所述胆管(脉管)增强结果图为:其中I′I′为自定义的合适灰度值。
在该实施例中,对于较低对比度的血管部分,特征增强函数H(λ)能够在特征空间内加强血管特征,从而使特征函数L(λ)=Vs(λ)H(λ)的特征识别能力大大增强,在多个可调参数的作用下,对比度相当低的血管也能够被有效识别。
参见图4,在本发明的第五实施例中,脉管分割模块30包括:
阈值连通计算子模块31,用于确定所述脉管区域的灰度阈值范围,依据所述灰度阈值范围对所述脉管增强结果图进行阈值连通计算;
获取子模块32,用于根据所述阈值连通计算结果,获得到三维的脉管分割图像。
优选的,在上述多个实施例中,所述脉管为肝脏的脉管,当然也可以实现对其他组织或者是器官的脉管增强,如肾脏、胆囊等,均可以采用上述系统实现脉管增强。所述低对比度图像的脉管增强的系统100可以是内置于终端的软件单元,硬件单元或软硬件结合单元。
参见图5,在本发明的第六实施例中,提供了一种低对比度图像的脉管增强的方法,所述方法包括如下步骤:
步骤S501中,去噪模块10将输入的器官和/或组织的扫描图像进行直方图去噪处理,获取消除所述扫描图像中除脉管之外区域的干扰的去噪图像;该步骤为去噪步骤。
步骤S502中,提取脉管模块20通过特征增强函数增强所述去噪图像中脉管的特征,并输出所述脉管增强结果图;该步骤为提取脉管步骤:
步骤S503中,脉管分割模块30将提取到的所述脉管增强结果图进行分割处理,获取所述脉管的三维分割图像;该步骤为脉管分割步骤。
在该实施例中,首先对图像进行直方图去噪,消除血管之外的部分干扰;然后用脉管特征判别函数对如Hessian矩阵特征值进行判定,实现增强脉管特征,最后输出脉管增强图像并对其进行阈值分割。解决了在噪声较高、对比度较低的数字医学图像中,在不带入噪声的情况下,并克服灰度不均、低对比度、弱边界等影响脉管分割的不利因素,最大限度地提取出尽可能丰富的脉管分支。因此,本实施例提供的方法在很大程度上提高了脉管增强算法的适用范围,使其能够有效作用于较高噪声,较低对比度的医学图像。
在本发明的第六实施例中,所述步骤S501包括:
选择子模块11在所述器官和/或组织的扫描图像中选择需要分割所述脉管的区域;
第一统计子模块12根据选定的统计灰度范围对选择的所述区域进行直方图统计;
第二统计子模块13根据选定半径的灰度邻域以及所述灰度邻域的灰度中心值,将所述灰度范围的所述直方图统计结果分为多份再次进行统计,获得多个统计结果;
求值子模块14对所述多个统计结果求最大值;
重设子模块16根据所述最大值计算所述区域的最大沿度灰度值;
根据所述最大沿度灰度值重设所述区域内所有像素点的灰度值。
在本发明的第七实施例中,所述步骤S502包括:
第一构造子模块21构造高斯滤波器Gσ,对高斯滤波器Gσ求二阶导数,用Gσ的所述二阶导数与所述直方图增强后图像的各个像素点逐一进行卷积运算;所述σ为高斯滤波器的方差;
运算子模块22根据所述卷积运算结果构造海赛矩阵,计算所述海赛矩阵的多个特征值,并按照所述脉管增强需求对所述多个特征值进行排序;
第二构造子模块23构造所述脉管的特征判别函数,所述特征判别函数对所述区域的每个像素值的海赛矩阵特征值进行分类,使符合所述脉管特征的像素输出值为高,使不符合所述脉管特征的像素输出值趋于零,以提取所述脉管。其中所述卷积运算结果得到Ixx(σ)、Iyy(σ)、Izz(σ)、Ixy(σ)、Ixz(σ)和Iyz(σ);
所述海赛矩阵为求得海赛矩阵三个特征值并排序为λ1<λ2<λ3;所述特征判别函数为Vs(λ),在按照血管特征进行排序时,或者说归类时,λ1<0,λ2<0,λ3=0。
在本发明的第八实施例中,所述步骤S502还包括:
提高子模块24在所述扫描图像的对比度属于低对比度时,通过脉管特征增强函数对所述脉管特征进行增强,提高所述脉管区域特征的可识别性;
归一化处理子模块25根据所述脉管特征增强函数得到脉管特征数据,并将脉管特征数据按照所须进行归一化处理;
输出子模块26对应所述像素点的脉管特征判别结果对所述扫描图像进行处理,输出所述脉管增强结果图。其中所述脉管特征增强函数函数为H(λ)=h1(λ1,λ2,λ3)*h2(λ2,λ3),其中hl(λ1,λ2,λ3)和h2(λ2,λ3)为可调的特征函数;L(λ)=Vs(λ)H(λ)。并且在所述脉管为血管时,所述血管增强结果图为:
在所述脉管为胆管时,所述胆管(脉管)增强结果图为:其中I′为自定义的合适灰度值。
在本发明的第九实施例中,所述步骤S503包括:
阈值连通计算子模块31确定所述脉管区域的灰度阈值范围,依据所述灰度阈值范围对所述脉管增强结果图进行阈值连通计算;
获取子模块32根据所述阈值连通计算结果,获得到三维的脉管分割图像。
参见图6,在本发明的一个优选实施例中,以肝脏血管分割为例,低对比度图像的脉管增强的方法描述如下:
步骤S601,输入图像;
步骤S602中,进行直方图预处理;
步骤S603中,计算Hessian特征;
步骤S604中,通过特征辨别函数提取血管;
步骤S605中,若需要处理的区域图像为低对比度图像,则通过特征增强函数增强血管特征;
步骤S606中,血管分割数据。
具体步骤如下描述:
A.去噪模块10对图像进行灰度直方图增强;
A1.选择子模块11用矩形框选定需要分割脉管的区域,如肝脏;
A2.第一统计子模块12对选定区域进行直方图统计,统计灰度范围选定为IL到IH;
A3.第二统计子模块13设置一个半径为IB灰度邻域,灰度中心值为IM,从IL到IH统计结果划分为N份进行再次统计,得到N个统计结果为:
A4.求值子模块14对N个统计结果求出最大值Imax;
A5.计算子模块15计算最大低沿灰度值ImaxL=Imax-IB;
A6.重设子模块16重设区域内所有像素点的灰度值
A7.此外,如增强其他部位脉管,修整子模块可根据部位特点将该模块进行修改,目的为尽可能消除脉管之外区域的影响即可。
B.提取脉管模块20计算Hessian矩阵特征值并提取血管部分
B1.第一构造子模块21构造高斯滤波器Gσσ为高斯滤波器的方差,对高斯滤波器Gσ求二阶导数,用Gσ的二阶导数与直方图增强后图像的各个像素点逐一进行卷积得到Ixx(σ)、Iyy(σ)、Izz(σ)、Ixy(σ)、Ixz(σ)和Iyz(σ);
B2.运算子模块22构成Hessian矩阵计算H的三个特征值并按照所需进行排序,排序为λ1<λ2<λ3;
B3.第二构造子模块23构造脉管特征判别函数Vs(λ),该函数起到对每个像素值的Hessian矩阵特征值进行分类的作用,使符合脉管特征(例如血管特征:λ1<0,λ2<0,λ3=0的像素输出值较高,使不符合脉管特征的像素输出值趋于零;
B4.若处理图像的对比度较低,提高子模块24则可对脉管特征进行增强,增强函数为:H(λ)=h1(λ1,λ2,λ3)*h2(λ2,λ3),其中h1(λ1,λ2,λ3)和h2(λ2,λ3)为可调的特征函数,其目的是提高脉管区域特征的可识别性;
B5.得到脉管特征数据L(λ)=Vs(λ)H(λ),归一化处理子模块25并将特征数据L(λ)按照所须进行归一化处理;
B6.对应各个像素点的脉管特征判别结果对原图进行处理,输出子模块26输出血管增强结果图为:胆管增强结果图为:
其中I′I′为自定义的合适灰度值;
C.脉管分割模块30进行阈值连通分割出脉管
C1.阈值连通计算子模块31确定脉管区域的灰度阈值范围,依据此灰度范围对脉管增强结果图进行阈值连通计算;
C2.获取子模块32得到三维的脉管分割图像;
在该实施例中,对三维Hessian矩阵进行处理,特征判别函数也是在三维空间内构建出的在去噪效果和提取丰富度上都较为出色的函数,并且设计的特征增强函数能够有效增强血管特征并消弱非血管特征,因此,对于高噪声、低对比度的三维图像,该实施例实现的分割结果丰富性上有明显的优势。
在本发明的多个实施例中,并没有像背景技术中描述的《CTA图像中肝脏血管增强及肝脏与血管同时分割的方法》发明专利申请那样在求取Hessian矩阵特征值时同时求出三个特征值的特征向量。并且本发明提供的多个实施例中,血管的走向十分灵活多变,对每一个像素求取其与特征向量相关的某一邻域内的灰度特征不仅使计算量大大增加,而且在高噪声、低对比度的图像中难以达到足够精确。基于上述考虑,在本发明中的技术方案中并没有去计算血管的具体朝向,只要图像中的某一灰度结构符合血管特征即可。因此,本发明大大减少了计算量,提升了计算速度,从提取出的血管结果上看也丰富了许多。
综上所述,本发明通过采用的不同于现有技术的图像预处理方法,即直方图去干扰技术能够直接且有效地消除图像中脉管之外的大部分干扰,出色地抑制了图像中影响脉管分割的噪声。所采用的脉管特征增强算法又有效地提升了算法对低对比度下的脉管敏感度,使较低对比度下的脉管也能够被有效增强。因此,相对于传统的脉管增强方法,本实施例提供的方法在很大程度上提高了脉管增强算法的适用范围,使其能够有效作用于较高噪声,较低对比度的医学图像。
当然,本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (6)
1.一种低对比度图像的脉管增强的方法,其特征在于,所述方法包括如下步骤:
去噪步骤:将输入的器官和/或组织的扫描图像进行直方图去噪处理,获取消除所述扫描图像中除脉管之外区域的干扰的去噪图像;
提取脉管步骤:通过特征增强函数增强所述去噪图像中脉管的特征,并输出所述脉管增强结果图;
脉管分割步骤:将提取到的所述脉管增强结果图进行分割处理,获取所述脉管的三维分割图像;
所述去噪步骤包括:
在所述器官和/或组织的扫描图像中选择需要分割所述脉管的区域;
根据选定的统计灰度范围对选择的所述区域进行直方图统计;
根据选定半径的灰度邻域以及所述灰度邻域的灰度中心值,将所述灰度范围的所述直方图统计结果分为多份再次进行统计,获得多个统计结果;
对所述多个统计结果求最大值;
根据所述最大值计算所述区域的最大沿度灰度值为ImaxL=Imax-IB,其中,Imax为所述多个统计结果求最大值,IB为所述选定半径的灰度邻域;
根据所述最大沿度灰度值重设所述区域内所有像素点的灰度值。
2.根据权利要求1所述的方法,其特征在于,所述提取脉管步骤包括:
构造高斯滤波器Gσ,对高斯滤波器Gσ求二阶导数,用Gσ的所述二阶导数与所述直方图增强后图像的各个像素点逐一进行卷积运算;所述σ为高斯滤波器的方差;
根据所述卷积运算结果构造海赛矩阵,计算所述海赛矩阵的多个特征值,并按照所述脉管增强需求对所述多个特征值进行排序;
构造所述脉管的特征判别函数,所述特征判别函数对所述区域的每个像素值的海赛矩阵特征值进行分类,使符合所述脉管特征的像素输出值为高,使不符合所述脉管特征的像素输出值趋于零,以提取所述脉管。
3.根据权利要求2所述的方法,其特征在于,所述卷积运算结果得到Ixx(σ)、Iyy(σ)、Izz(σ)、Ixy(σ)、Ixz(σ)和Iyz(σ);
所述海赛矩阵为求得海赛矩阵三个特征值并排序为λ1<λ2<λ3;
所述特征判别函数为Vs(λ),在按照血管特征进行归类时,λ1<0,λ2<0,λ3=0。
4.根据权利要求3所述的方法,其特征在于,所述提取脉管步骤还包括:
在所述扫描图像的对比度属于低对比度时,通过脉管特征增强函数对所述脉管特征进行增强,提高所述脉管区域特征的可识别性;
根据所述脉管特征增强函数得到脉管特征数据,并将脉管特征数据按照所须进行归一化处理;
对应所述像素点的脉管特征判别结果对所述扫描图像进行处理,输出所述脉管增强结果图。
5.根据权利要求4所述的方法,其特征在于,所述脉管分割步骤包括:
确定所述脉管区域的灰度阈值范围,依据所述灰度阈值范围对所述脉管增强结果图进行阈值连通计算;
根据所述阈值连通计算结果,获得到三维的脉管分割图像。
6.一种用于实现权利要求1~5任意一项所述的方法的系统,其特征在于,包括:
去噪模块,用于将输入的器官和/或组织的扫描图像进行直方图去噪处理,获取消除所述扫描图像中除脉管之外区域的干扰的去噪图像;
提取脉管模块,用于通过特征增强函数增强所述去噪图像中脉管的特征,并输出所述脉管增强结果图;
脉管分割模块,用于将提取到的所述脉管增强结果图进行分割处理,获取所述脉管的三维分割图像;
所述去噪模块还包括:
选择子模块,用于在所述器官和/或组织的扫描图像中选择需要分割所述脉管的区域;
第一统计子模块,用于根据选定的统计灰度范围对选择的所述区域进行直方图统计;
第二统计子模块,用于根据选定半径的灰度邻域以及所述灰度邻域的灰度中心值,将所述灰度范围的所述直方图统计结果分为多份再次进行统计,获得多个统计结果;
求值子模块,用于对所述多个统计结果求最大值;
计算子模块,用于根据所述最大值计算所述区域的最大沿度灰度值;
重设子模块,用于根据所述最大沿度灰度值重设所述区域内所有像素点的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310181873.2A CN103295195B (zh) | 2013-05-16 | 2013-05-16 | 低对比度图像的脉管增强的方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310181873.2A CN103295195B (zh) | 2013-05-16 | 2013-05-16 | 低对比度图像的脉管增强的方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103295195A CN103295195A (zh) | 2013-09-11 |
CN103295195B true CN103295195B (zh) | 2017-07-07 |
Family
ID=49096002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310181873.2A Active CN103295195B (zh) | 2013-05-16 | 2013-05-16 | 低对比度图像的脉管增强的方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103295195B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106233327B (zh) * | 2014-04-23 | 2019-11-19 | 皇家飞利浦有限公司 | 去噪图像数据中对低对比度结构的恢复 |
CN105167798A (zh) * | 2015-10-21 | 2015-12-23 | 穆亚平 | 一种冠状动脉cta影像中提取血管方法 |
GB2549459B (en) * | 2016-04-12 | 2020-06-03 | Perspectum Diagnostics Ltd | Method and apparatus for generating quantitative data for biliary tree structures |
CN112508969B (zh) * | 2020-02-18 | 2021-12-07 | 广州柏视医疗科技有限公司 | 基于深度学习网络的三维影像的管状结构分割图断裂修复系统 |
CN113538415A (zh) * | 2021-08-16 | 2021-10-22 | 深圳市旭东数字医学影像技术有限公司 | 医学图像中肺部血管的分割方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751564A (zh) * | 2010-02-04 | 2010-06-23 | 华南理工大学 | 基于最大邻域内差矢量图的静脉纹路提取方法 |
CN102572443A (zh) * | 2010-09-30 | 2012-07-11 | 苹果公司 | 用于在图像信号处理系统中同步音频和视频数据的技术 |
CN102609913A (zh) * | 2012-01-17 | 2012-07-25 | 浙江大学 | Cta图像中肝脏血管增强及肝脏与血管同时分割的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8488055B2 (en) * | 2010-09-30 | 2013-07-16 | Apple Inc. | Flash synchronization using image sensor interface timing signal |
-
2013
- 2013-05-16 CN CN201310181873.2A patent/CN103295195B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751564A (zh) * | 2010-02-04 | 2010-06-23 | 华南理工大学 | 基于最大邻域内差矢量图的静脉纹路提取方法 |
CN102572443A (zh) * | 2010-09-30 | 2012-07-11 | 苹果公司 | 用于在图像信号处理系统中同步音频和视频数据的技术 |
CN102609913A (zh) * | 2012-01-17 | 2012-07-25 | 浙江大学 | Cta图像中肝脏血管增强及肝脏与血管同时分割的方法 |
Non-Patent Citations (1)
Title |
---|
基于Hessian矩阵和区域生长的肝血管树的分割算法研究;刘晏丽 等;《计算机与现代化》;20110115(第1期);第113-116页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103295195A (zh) | 2013-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3432784B1 (en) | Deep-learning-based cancer classification using a hierarchical classification framework | |
Jerman et al. | Enhancement of vascular structures in 3D and 2D angiographic images | |
CN103295195B (zh) | 低对比度图像的脉管增强的方法及其系统 | |
Goceri et al. | Vessel segmentation from abdominal magnetic resonance images: adaptive and reconstructive approach | |
Al-Shamlan et al. | Feature extraction values for breast cancer mammography images | |
US10769477B2 (en) | Method, apparatus, device and storage medium for extracting a cardiovisceral vessel from a CTA image | |
CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
Jony et al. | Detection of lung cancer from CT scan images using GLCM and SVM | |
WO2015148469A1 (en) | Suppression of vascular structures in images | |
CN112102385A (zh) | 一种基于深度学习的多模态肝脏磁共振影像配准系统 | |
CN116630762B (zh) | 一种基于深度学习的多模态医学图像融合方法 | |
Kassim et al. | Deep U-Net regression and hand-crafted feature fusion for accurate blood vessel segmentation | |
CN112634180B (zh) | 一种图像增强方法、图像增强装置和计算机可读存储介质 | |
Ramya et al. | A robust segmentation algorithm using morphological operators for detection of tumor in MRI | |
CN116342444B (zh) | 一种双通道多模态图像融合方法及电子设备 | |
CN104077754B (zh) | 基于对称性的视网膜血管滤波增强方法 | |
Abdallah et al. | An automated vessel segmentation of retinal images using multiscale vesselness | |
Depeursinge et al. | Rotation-covariant texture analysis of 4D dual-energy CT as an indicator of local pulmonary perfusion | |
Fu et al. | MDRANet: A multiscale dense residual attention network for magnetic resonance and nuclear medicine image fusion | |
Zhao et al. | Attention residual convolution neural network based on U-net (AttentionResU-Net) for retina vessel segmentation | |
Wu et al. | Fundus Image Enhancement via Semi-Supervised GAN and Anatomical Structure Preservation | |
Almi'ani et al. | Automatic segmentation algorithm for brain MRA images | |
Zhang et al. | Retinal vessel segmentation using Gabor filter and textons | |
Zhang et al. | Blood vessel segmentation based on digital subtraction angiography sequence | |
Abdallah et al. | Restoration of retinal images using anisotropic diffusion like algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |