CN104463830B - 血管内斑块的侦测系统及方法 - Google Patents

Abstract

本发明涉及一种血管内斑块的侦测系统，其包括血管特征模型学习单元、ROI图像捕获单元及异常图像产生单元。该用于血管特征模型学习单元基于包含若干正常血管样品图像的第一组样品图像构建一个血管特征模型。该ROI图像捕获单元用于捕获待测血管图像的ROI。该异常图像产生单元用于比较该待测血管图像的ROI与该血管特征模型之间的差异，并根据比较的差异结果产生一个异常图像。本发明还涉及一种血管内斑块的侦测方法。

Description

血管内斑块的侦测系统及方法

技术领域

本发明涉及一种血管侦测系统及方法，特别涉及一种用于侦测如颈动脉血管内斑块（plaque）的侦测系统及方法。

背景技术

通过超声诊断方式对颈动脉血管进行超声扫描，判断血管内壁上是否存在斑块，由此可初步诊断出病人患有心脑血管疾病的风险等级。传统上对颈动脉血管进行超声扫描的方式为B模式超声（俗称B超）诊断方式。

但是，对于B模式超声诊断方式来说，由于血管内壁组织与斑块组织在感应回声强度(echo intensity)上的差异性非常小，故两者在超声图像中的区别不是很明显，因此有时候通过人眼观测超声图像会发生误判的情况，可能只有非常有经验的医生才能判断出来，故仅仅单独通过B模式超声诊断方式进行血管内斑块的侦测不是很精确。

另外，传统的B模式超声诊断方式在进行图像分割运算时，通常采用的是静态分割算法，如形态学分割（morphology segmentation）算法、颈动脉内膜中层厚度（IntimaMedia Thickness，IMT）分割算法等。但应用上述静态分割算法获得图像获得分割图像效果不佳，影响侦测精度。

所以，需要提供一种新的用于侦测血管内斑块的计算机侦测系统及方法来解决至少上述问题。

发明内容

现在归纳本发明的一个或多个方面以便于本发明的基本理解，其中该归纳并不是本发明的扩展性纵览，且并非旨在标识本发明的某些要素，也并非旨在划出其范围。相反，该归纳的主要目的是在下文呈现更详细的描述之前用简化形式呈现本发明的一些概念。

本发明的一个方面在于提供一种血管内斑块的侦测系统。该侦测系统包括：

血管特征模型学习单元，用于基于包含若干正常血管样品图像的第一组样品图像构建一个血管特征模型；

ROI图像捕获单元，用于捕获待测血管图像的ROI；及

异常图像产生单元，用于比较该待测血管图像的ROI与该血管特征模型之间的差异，并根据比较的差异结果产生一个异常图像。

本发明的另一个方面在于提供一种血管内斑块的侦测方法。该侦测方法包括：

基于包含若干正常血管样品图像的第一组样品图像构建一个血管特征模型；

捕获待测血管图像的ROI；及

比较该待测血管图像的ROI与该血管特征模型之间的差异，并根据比较的差异结果产生一个异常图像。

相较于现有技术，本发明血管内斑块的侦测系统及方法通过设置该血管特征模型学习单元来构建一个表征正常血管图像特征的血管特征模型，根据该血管特征模型可计算出待测血管图像相较于正常血管模型的异常图像。医护人员可根据生成的异常图像初步判断患者血管内是否含有斑块。本发明其他技术方案中还揭示了后续对该异常图像作进一步分析的方法。通过上述系统及方法可快速、准确地判断患者血管内的斑块情况。

附图说明

通过结合附图对于本发明的实施方式进行描述，可以更好地理解本发明，在附图中：

图1为本发明血管内斑块的侦测系统的较佳实施方式的框图。

图2为执行图1系统中样品图像捕获单元及血管特征模型学习单元的方法的较佳实施方式的流程图。

图3为执行图2方法各步骤的示意图。

图4为执行图1系统中ROI图像捕获单元及异常图像产生单元的方法的较佳实施方式的流程图。

图5为执行图4方法各步骤的示意图。

图6为执行图4方法各步骤的另外四个示意图。

图7为执行图1系统中异常图像分割单元及斑块评估单元的方法的较佳实施方式的流程图。

图8为执行图7方法各步骤的示意图。

图9为执行图1系统中异常图像分割单元的方法的较佳实施方式的流程图。

图10为执行图9方法各步骤的示意图。

具体实施方式

以下将描述本发明的具体实施方式，需要指出的是，在这些实施方式的具体描述过程中，为了进行简明扼要的描述，本说明书不可能对实际的实施方式的所有特征均作详尽的描述。应当可以理解的是，在任意一种实施方式的实际实施过程中，正如在任意一个工程项目或者设计项目的过程中，为了实现开发者的具体目标，为了满足系统相关的或者商业相关的限制，常常会做出各种各样的具体决策，而这也会从一种实施方式到另一种实施方式之间发生改变。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本发明公开的内容相关的本领域的普通技术人员而言，在本公开揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本公开的内容不充分。

除非另作定义，权利要求书和说明书中使用的技术术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“一个”或者“一”等类似词语并不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同元件，并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。

请参考图1，为本发明血管内斑块的侦测系统100的较佳实施方式的框图。在非限定的实施方式中，该侦测系统100通过B模式超声技术获取二维或三维超声图像，当然也可以通过其他类型的超声技术获取超声图像，由于获取超声图像的技术已经很成熟，这里不再具体说明。

在图1的实施方式中，该侦测系统100包括一个图像输入单元110、一个样品图像捕获单元120、一个血管特征模型学习单元130、一个感兴趣区域（region of interest,ROI）图像捕获单元140、一个异常图像产生单元150、一个异常图像分割单元160、一个斑块分类器构建单元170、一个斑块评估单元180及一个报告输出单元190。

上述各个功能单元可以通过硬件的形式来实现，也可以通过软件的形式来实现，或者通过硬件结合软件的形式来实现。例如，该侦测系统100由一个计算机及与该计算机相连的B模式超声设备组成，该B模式超声设备用于获取超声图像，而该计算机则用于执行上述各个功能单元的功能。其他实施方式中，也可使用具有相似功能的设备来实现。在一些实施方式中，上述每一个功能单元可能为独立单元或算法设计，在其他实施方式中，任意两个或多个功能单元可能整合为一个单元或算法设计，具体可根据实际设计要求而定，不拘泥于本实施方式给出的例子。

该图像输入单元110用于接收二维或三维超声图像，这些超声图像可能是超声设备实时扫描的超声图像，也可能是事先存储在存储器内的超声图像数据，具体可根据实际需要进行接收。在一些实施方式中，这些接收的超声图像包括第一组样品图像、第二组样品图像及待侦测的血管超声图像。该第一组样品图像包括一定数量的正常血管样品图像，例如正常的颈动脉血管样品图像，这里所说的正常的颈动脉血管样品图像是指这些样品图像是从没有患血管疾病的人群中获得的，也就是说这些样品图像内的血管内不含有斑块。该第二组样品图像包括一定数量的异常血管样品图像，例如异常的颈动脉血管样品图像，这里所说的异常的颈动脉血管样品图像是指这些样品图像是从患有血管疾病的人群中获得的，也就是说这些样品图像内的血管内含有斑块。该待侦测的血管超声图像为待测病人的血管超声图像，可能为单独一个超声图像，也可能为多幅连续的超声图像组合。

该样品图像捕获单元120用于捕获该第一组样品图像并传输给该血管特征模型学习单元130，还用于捕获该第二组样品图像并传输给该斑块分类器构建单元170。在非限定的实施方式中，该第一组样品图像可能包括上百万的正常的血管样品图像。在一些分类更细致的实施方式中，该第一样品图像还可能根据年龄区间分为若干个分组样品图像，每一个分组样品图像对应一组年龄区间，例如对应20-30岁区间、对应30-40岁区间、对应40-50岁区间等。因为不同年龄区间段人群的血管构造不尽相同，故做此分类可进一步提高侦测精度。同理，该第二组样品图像也可作上述年龄分区设计。具体的样品图像的数量、分类等均可根据实际要求来设计。

该血管特征模型学习单元130用于构建一个血管特征模型，通过对该第一组样品图像的学习运算获得。也就是说，该血管特征模型通过学习该第一组样品图像中的所有正常血管样品图像来构建一个能够表征正常血管特征的模型。在一些实施方式中，该血管特征模型包括表征该第一组样品图像中的所有正常血管样品图像的一个平均图像及若干个针对该平均图像可容忍的误差图像。其他实施方式中，该血管特征模型还可通过其他形式来表征正常血管的特征。

请参考图2，为执行该样品图像捕获单元120及血管特征模型学习单元130的方法的较佳实施方式的流程图。包括以下步骤：

在步骤201中，该样品图像捕获单元120通过该图像输入单元110收集该包含大数量正常血管样品图像的第一组样品图像数据。该正常血管样品图像可根据需要进行选择，一般说来，数量越多构建的血管特征模型就越精确。正如前述，该第一组样品图像数据还可细分为若干个针对不同年龄组的分组样品图像，每个分组样品图像可对应构建一个对应的血管特征模型。以下仅针对未分组的情形进行说明，分组情况与之相似，不再赘述。

在步骤202中，该血管特征模型学习单元130用于将该第一组样品图像数据中的所有正常血管样品图像进行标准化/正常化运算。在一些实施方式中，该血管特征模型学习单元130提取的是每一个正常血管样品图像的横截面上的ROI区域，并以血管半径为标准将它们进行标准化计算。作为一个例子，图3中给出了一组标准化后的正常血管样品图像组310，该图像组310包括大数量的标准化后的正常血管样品图像312。其他实施方式，可通过其他算法对获取的正常血管样品图像进行标准化运算，例如以血管中心线为标准进行标准化计算等。

在步骤203中，该血管特征模型学习单元130基于上述第一组样品图像中的所有正常血管样品图像312构建一个对应的血管特征模型320（参见图3给出的示意图）。作为一个例子，该正常血管样品图像312为正常的颈动脉血管样品图像，数量大约为70万。假设该正常血管样品图像312位于一个低维度线性子空间中，一个平均图像322及一个误差组324即可通过合适的算法构建出来，例如可通过主成分分析（principal component analysis,PCA）算法进行构建，这里不具体说明。如上所述，该平均图像322表征所有正常血管样品图像312的平均图像，该误差组324包括若干个误差图像（或误差向量）3240，例如100个误差图像3240表征100个针对该平均图像322最有可能的误差变化。也就是说，该血管特征模型320捕获到了正常血管应该呈现的图像的平均值及可能允许的误差变化。其他实施方式中，该误差图像3240的数量可根据需要进行设计，不拘泥于本实施方式给出的例子。在某些情况下，该血管特征模型320也可以仅包括该平均图像322，而不包括该若干个误差图像3240，只不过此时计算的精度相对下降，适合精度要求不高的场合使用，可缩短计算时间。

请再次参考图1，该ROI图像捕获单元140用于通过该图像输入单元110捕获一个待测血管图像的ROI，例如一个颈动脉血管图像中可能含有斑块的ROI。该异常图像产生单元150用于根据该血管特征模型320来生成一个对应该待测血管图像的ROI的异常图像。该异常图像表征了该待测血管图像的ROI相对于正常的血管图像的异常特征。

请参考图4，为执行该ROI图像捕获单元140及异常图像产生单元150的方法的较佳实施方式的流程图。包括以下步骤：

在步骤401中，该ROI图像捕获单元140通过该图像输入单元110捕获一个待测血管图像的ROI。在一些实施方式中，该捕获的待测血管图像的ROI截取的是颈动脉血管三维超声图像中与颈动脉中心线垂直的横截面的图像或若干连续图像集合。作为一个例子，图5示意了一个待测血管图像的ROI图像510。

在步骤402中，该异常图像产生单元150基于该血管特征模型320重构一个与该待测血管图像的ROI图像510对应的正常血管图像520（参见图5）。换句话说，该正常血管图像520为该待测血管图像的ROI图像510不包含斑块特征情况下的正常血管图像。在一些实施方式中，该重构的正常血管图像520是通过将该待测血管图像的ROI图像510投影至该血管特征模型320所在的低维度子空间后计算得出的。其他实施方式也可通过其他方式获得。

在步骤403中，该异常图像产生单元150比较该待测血管图像的ROI图像510与其对应重构的正常血管图像520之间的差异，然后基于上述计算出来的差异产生一个对应的异常图像。作为一个例子，图5示意了一个产生的异常图像530，该异常图像530是通过比较计算该待测血管图像的ROI图像510与其对应重构正常血管图像520上每一个像素点之间的差异得出的。从图5中也可看出，该异常图像530突出呈现了所有的异常区域，这些异常区域可能包括斑块区域，也可能包括其他非斑块区域，如血管壁上的其他组织区域等。

进一步参考图6，示意了另外四组如何产生异常图像的例子。在第一组图像610中，该图像612为一个待测血管图像的ROI，该图像614为基于该血管特征模型320重构的对应该待测血管图像的ROI图像612的一个重构正常血管图像，该图像616则为通过比较该待测血管图像的ROI图像612与其对应重构的正常血管图像614之间的差异而计算得出的一个异常图像。在第二组图像620中，该图像622为一个待测血管图像的ROI，该图像624为基于该血管特征模型320重构的对应该待测血管图像的ROI图像622的一个重构正常血管图像，该图像626则为通过比较该待测血管图像的ROI图像622与其对应重构的正常血管图像624之间的差异而计算得出的一个异常图像。在第三组图像630中，该图像632为一个待测血管图像的ROI，该图像634为基于该血管特征模型320重构的对应该待测血管图像的ROI图像632的一个重构正常血管图像，该图像636则为通过比较该待测血管图像的ROI图像632与其对应重构的正常血管图像634之间的差异而计算得出的一个异常图像。在第四组图像640中，该图像642为一个待测血管图像的ROI，该图像644为基于该血管特征模型320重构的对应该待测血管图像的ROI图像642的一个重构正常血管图像，该图像646则为通过比较该待测血管图像的ROI图像642与其对应重构的正常血管图像644之间的差异而计算得出的一个异常图像。在一些实施方式中，这些计算出来异常图像（例如530、616、626、636、646）可通过监视器直接显示出来，一些情况下通过观察这些异常图像就可直接帮助医生初步判断患者的血管内是否含有斑块。在其他实施方式中，还需作进一步的运算处理。

请再次参考图1，该异常图像分割单元160用于将该计算出来的异常图像（如530）中的若干异常区域分割出来。如前所述，该若干异常区域可能包括斑块区域或其他非斑块区域。该斑块分类器构建单元170用于构建一个斑块分类器，用于判断异常区域是否是斑块区域。该斑块评估单元180基于该斑块分类器来确定上述分割出来的异常区域哪些是斑块区域。

在一些实施方式中，该斑块分类器是通过学习该第二组样品图像中所有异常血管样品图像来构建该表征斑块特征的斑块分类器的模型。作为一个例子，该第二组样品图像可能包括大约4000个异常血管样品图像，通过学习这些异常血管样品图像中斑块的特征即可构建出表征斑块特征的斑块分类器。斑块分类器可通过合适的分类器算法获得，这里不具体说明。例如，该斑块分类器所表征的斑块特征可能包括图像强度、斑块到血管中心线的距离及角度、斑块尺寸、斑块形状等。

请参考图7，为执行该异常图像分割单元160及斑块评估单元180的方法的较佳实施方式的流程图。包括以下步骤：

在步骤701中，该异常图像分割单元160捕获该异常图像产生单元150产生的异常图像。在一些实施方式中，该异常图像对应为一个静态的待侦测的超声图像。在另外一些实施方式中，该异常图像对应一组动态连续捕获的待侦测超声图像。作为一个例子，图8示意了一个异常图像810。

在步骤702中，该异常图像分割单元160将该异常图像810分割出若干个异常区域（即斑块可能性区域）。作为一个例子，图8示意出该异常图像810产生一个异常区域图像820，该异常区域图像820包括若干斑块可能性区域，例如两个斑块可能性区域822及824。在这个例子中，该斑块可能性区域822实际上确为一个斑块区域，而该斑块可能性区域824实际上为一个非斑块区域，可能是血管壁上的其他组织。在一些实施方式中，该斑块可能性区域是通过一些静态分割算法计算得出的，例如形态学分割（morphology segmentation）算法、颈动脉内膜中层厚度（Intima Media Thickness，IMT）分割算法等。在另外一些实施方式中，该斑块可能性区域是通过一些动态分割算法计算得出的，例如运动（motion）分割算法，在运动分割算法中，一种应变图像（strain image）分割算法将在后续段落中具体说明。

在步骤703中，该斑块评估单元180根据该斑块分类器构建单元170构建的斑块分类器来确定上述分割出来的斑块可能性区域（如822、824）哪些是斑块区域。作为图8的例子，则斑块可能性区域822将被确认为斑块区域，而斑块可能性区域842则确定为非斑块区域。

请再次参考图1，经过该斑块评估单元180的确认，该报告输出单元190将斑块评估单元180的确认结果输出。例如通过电子报告的形式输出，或通过图像显示的形式输出，具体根据诊断需要进行设计。

请参考图9，为针对上述步骤702中的应变图像分割方法的较佳实施方式的流程图。该应变图像分割方法是基于若干个连续的超声图像数据进行计算的，例如是基于一个心搏循环周期时间段捕获的若干个连续的三维超声图像数据进行计算的。本实施方式中，该步骤702包括以下子步骤：

在子步骤7021中，该异常图像分割单元160测量该若干个连续的超声图像中每一个像素的位移量。作为一个例子，图10示意了在长轴方向上捕获的三个连续的超声图像1001、1002、1003，其他实施方式中，也可以在短轴方向上进行捕获，具体根据捕获图像的要求而定。

在子步骤7022中，该异常图像分割单元160计算该若干个连续的超声图像中每一个像素点的位移量之和，即计算每两个相邻超声图像中每个像素点的位移量变化的绝对值然后进行求和计算。

在子步骤7023中，该异常图像分割单元160根据上述计算出来的位移量之和产生一个应变图像，位移量之和越大，应变图像对应位置处的灰度或亮度越大。作为图10的例子，产生了一个应变图像1110，其包括一个斑块可能性区域1112。该斑块可能性区域1112与其他区域相比，应变变化较大，即位移量之和最大，因而对应位置区域向较于其它区域越明显。这是因为，斑块可能性区域1112在连续的超声图像中的位移量变化要大于血管内其他区域的位移量变化，因此可通过绘制该应变图像呈现出斑块可能性区域。应用该动态的分割算法较现有的静态的分割算法的精度要高很多。

在子步骤7024中，该异常图像分割单元160基于上述计算的应变图像1110将斑块可能性区域1112分割出来，图10仅示意出了一个斑块可能性区域，在实际的计算中可能包括若干个斑块可能性区域。然后再通过该斑块评估单元180对这些确定的斑块可能性区域进行后续的进一步评估，这里不再赘述。在其他实施方式中，该异常图像分割单元160还可应用其他类型的运动分割算法分割斑块可能性区域，例如通过计算动态的应变率（dynamicstrain rate）、通过测量体积量（volume flow rate）计算刚度(stiffness)等算法。

虽然结合特定的实施方式对本发明进行了说明，但本领域的技术人员可以理解，对本发明可以作出许多修改和变型。因此，要认识到，权利要求书的意图在于覆盖在本发明真正构思和范围内的所有这些修改和变型。

Claims (18)

1.一种血管内斑块的侦测系统，其特征在于，该系统包括：

血管特征模型学习单元，用于基于包含若干正常血管样品图像的第一组样品图像构建一个血管特征模型；

ROI图像捕获单元，用于捕获待测血管图像的ROI；及

异常图像产生单元，用于基于所述血管特征模型重构一个与所述待测血管图像的ROI对应的正常血管图像；和比较所述待测血管图像的ROI与该重构的正常血管图像之间的差异，并根据比较的差异结果产生异常图像。

2.如权利要求1所述的侦测系统，其中该血管特征模型包括一个表征该第一组样品图像中所有正常血管样品图像的平均图像。

3.如权利要求2所述的侦测系统，其中该血管特征模型进一步包括若干表征该平均图像的误差变化的误差图像。

4.如权利要求2或3所述的侦测系统，其中该血管特征模型是基于主成分分析算法进行构建的。

5.如权利要求1所述的侦测系统，其中该侦测系统进一步包括：

斑块分类器构建单元，用于基于包含若干异常血管样品图像的第二组样品图像构建一个斑块分类器；

异常图像分割单元，用于将该异常图像分割出若干个斑块可能性区域；及

斑块评估单元，用于根据该斑块分类器确定该分割出的斑块可能性区域是否是斑块区域。

6.如权利要求5所述的侦测系统，其中该异常图像分割单元至少通过一种运动分割算法来进行分割运算。

7.如权利要求6所述的侦测系统，其中该运动分割算法包括应变图像分割算法。

8.如权利要求1所述的侦测系统，其中该血管样品图像为颈动脉血管样品图像。

9.一种血管内斑块的侦测方法，其特征在于，该方法包括：

基于包含若干正常血管样品图像的第一组样品图像构建一个血管特征模型；

捕获待测血管图像的ROI；及

比较该待测血管图像的ROI与该血管特征模型之间的差异，并根据比较的差异结果产生一个异常图像；

其中，所述构建血管特征模型的步骤包括：

收集该第一组样品图像；

对该第一组样品图像进行标准化运算；及

基于标准化后的样品图像构建该血管特征模型；

其中，所述比较待测血管图像的ROI与所述血管特征模型之间的差异的步骤包括：

基于所述血管特征模型重构一个与所述待测血管图像的ROI对应的正常血管图像；及

比较所述待测血管图像的ROI与该重构的正常血管图像之间的差异，并根据比较的差异结果产生该异常图像。

10.如权利要求9所述的侦测方法，其中对该第一组样品图像进行标准化运算的步骤包括：

提取每一个正常血管样品图像的横截面上的ROI区域；

以血管半径为标准进行标准化计算。

11.如权利要求9所述的侦测方法，其中该构建血管特征模型的步骤包括：

构建一个表征该第一组样品图像中所有正常血管样品图像的平均图像。

12.如权利要求11所述的侦测方法，其中该构建血管特征模型的步骤进一步包括：

构建若干表征该平均图像的误差变化的误差图像。

13.如权利要求11或12所述的侦测方法，其中该血管特征模型是基于主成分分析算法进行构建的。

14.如权利要求9所述的侦测方法，其中该重构正常血管图像的步骤包括：

将该待测血管图像的ROI投影至该血管特征模型所在的空间中重构与该待测血管图像的ROI对应的正常血管图像。

15.如权利要求9所述的侦测方法，其中该方法进一步包括：

基于包含若干异常血管样品图像的第二组样品图像构建一个斑块分类器；

将该异常图像分割出若干个斑块可能性区域；及

根据该斑块分类器确定该分割出的斑块可能性区域是否是斑块区域。

16.如权利要求15所述的侦测方法，其中该分割斑块可能性区域的步骤是至少通过一种运动分割算法来进行分割运算的。

17.如权利要求16所述的侦测方法，其中该运动分割算法包括应变图像分割算法。

18.如权利要求17所述的侦测方法，其中执行该应变图像分割算法进行斑块可能性区域分割的步骤包括：

测量若干连续的待侦测血管图像中每一个像素的位移量；

计算该若干连续的待侦测血管图像中每一个像素的位移量之和；

根据计算的位移量之和产生一个应变图像；及

基于该应变图像将该异常图像分割出若干个斑块可能性区域。