血管内超声图像内外膜分割方法及装置
技术领域
本发明涉及医学图像处理技术领域,特别涉及一种血管内超声图像内外膜分割方法及装置。
背景技术
心血管疾病在全球有很高的死亡率,而血管内超声技术是主流的心血管疾病诊断工具。其是一种血管内成像技术,通过将传感器探头插入动脉血管,可以实时获得高清的血管断层图像。而通过图像中内外膜的勾画,能具体评估血管内的形态特征以及斑块状况,如管腔直径,最小管腔横截面积,粥样斑体积等。这些信息为医生诊断是否需要放置支架或放置什么支架提供了量化依据。
目前,临床上主要还是医师手动分割血管内超声图像。然而,由于需要分析的图层多则上百张,这样非常耗时耗精力,还会有人为误差。因此,开发一种鲁棒性高的自动分割方法非常有必要。血管内超声图像的自动分割现主要分为三大类,一是直接寻找边界,如图谱检测,梯度驱动法;二是血斑减少法,如弹性模型与血液区域统计法;三是有监督的分类法,如统计形状模型,概率法等。然而,这些自动分割的方法在面临伪影(例如,阴影、斑点噪声、分叉与导管等)和不同系统参数(例如,传感器的频率、成像参数等)的模式图像时,往往会容易失效,影响准确度,且鲁棒性不高。此外,虽然自动分割的方法中,效果最好的是基于有监督的分割法,但由于该方法通常采用人工的特征检测算子,提取的特征有限,无法满足大量不同模式图像分类的要求,而且需要人机交互,因此有一定的局限性。
发明内容
本发明实施例提供了一种血管内超声图像内外膜分割方法,以提高血管内超声图像内外膜分割方法的鲁棒性、准确度,同时减少采用人工特征检测算子提取特征信息的局限性。该方法包括:将待测血管内超声图像输入到特征检测模型中,得到待测血管内超声图像各像素的特征信息,所述特征检测模型是通过将不同的已进行内外膜分割的血管内超声图像样本输入到无监督式学习模型中进行学习得到的;将待测血管内超声图像各像素的特征信息输入到用于判断特征信息为血管内膜内、膜中或外膜外的分类模型中,得到待测血管内超声图像各像素特征信息的分类信息,所述分类模型是通过将不同的已进行内外膜分割的血管内超声图像样本输入到所述特征检测模型中,得到血管内超声图像样本各像素的特征信息,并采用有监督式分类法对血管内超声图像样本各像素的特征信息进行统计得到的;根据待测血管内超声图像各像素的特征信息和待测血管内超声图像各像素特征信息的分类信息,建立血管的动态轮廓模型,根据所述动态轮廓模型中达到稳态的曲线获得血管内膜外膜分割曲线。
在一个实施例中,根据待测血管内超声图像各像素的特征信息和待测血管内超声图像各像素特征信息的分类信息,建立血管的动态轮廓模型,包括:根据待测血管内超声图像各像素的特征信息和待测血管内超声图像各像素特征信息的分类信息,建立梯度向量场来驱动所述动态轮廓模型的轮廓变形;根据所述动态轮廓模型的轮廓的法向量建立气球力函数,来控制所述动态轮廓模型的轮廓的膨胀和收缩。
在一个实施例中,所述气球力函数控制所述动态轮廓模型的轮廓进行膨胀还是收缩由所述待测血管内超声图像各像素特征信息的分类信息决定。
在一个实施例中,获得血管内膜外膜分割曲线,包括:在分割内膜时,所述动态轮廓模型的动态轮廓的初始位置是环绕血管内超声图像的中心传感器的成像边界的,根据内膜内区域的像素点的气球力为正,内膜外区域的像素点的气球力为负的特征,将所述动态轮廓中膨胀的区域划分为内膜内区域,将所述动态轮廓中收缩的区域划分为内膜外区域;在分割外膜时,所述动态轮廓模型的动态轮廓的初始位置是已探测的内膜边界,根据外膜内区域的像素点的气球力为正,外膜外区域的像素点的气球力为负的特征,将所述动态轮廓中膨胀的区域划分为膜中区域,将所述动态轮廓中收缩的区域划分为外膜外区域。
在一个实施例中,所述无监督式学习模型为深度学习模型,所述有监督式分类法为支持向量机分类法。
本发明实施例还提供了一种血管内超声图像内外膜分割装置,以提高血管内超声图像内外膜分割方法的鲁棒性、准确度,同时减少采用人工特征检测算子提取特征信息的局限性。该装置包括:特征信息获取模块,用于将待测血管内超声图像输入到特征检测模型中,得到待测血管内超声图像各像素的特征信息,所述特征检测模型是通过将不同的已进行内外膜分割的血管内超声图像样本输入到无监督式学习模型中进行学习得到的;分类信息获取模块,用于将待测血管内超声图像各像素的特征信息输入到用于判断特征信息为血管内膜内、膜中或外膜外的分类模型中,得到待测血管内超声图像各像素特征信息的分类信息,所述分类模型是通过将不同的已分割的血管内超声图像样本输入到所述特征检测模型中,得到血管内超声图像样本各像素的特征信息,并采用有监督式分类法对血管内超声图像样本各像素的特征信息进行统计得到的;分割模块,用于根据待测血管内超声图像各像素的特征信息和待测血管内超声图像各像素特征信息的分类信息,建立血管的动态轮廓模型,根据所述动态轮廓模型中达到稳态的曲线获得血管内膜外膜分割曲线。
在一个实施例中,所述分割模块,包括:梯度向量场建立单元,用于根据待测血管内超声图像各像素的特征信息和待测血管内超声图像各像素特征信息的分类信息,建立梯度向量场来驱动所述动态轮廓模型的轮廓变形;气球力函数建立单元,用于根据所述动态轮廓模型的轮廓的法向量建立气球力函数,来控制所述动态轮廓模型的轮廓的膨胀和收缩。
在一个实施例中,所述气球力函数控制所述动态轮廓模型的轮廓进行膨胀还是收缩由所述待测血管内超声图像各像素特征信息的分类信息决定。
在一个实施例中,所述分割模块,还包括:内膜分割单元,用于在分割内膜时,所述动态轮廓模型的动态轮廓的初始位置是环绕血管内超声图像的中心传感器的成像边界的,根据内膜内区域的像素点的气球力为正,内膜外区域的像素点的气球力为负的特征,将所述动态轮廓中膨胀的区域划分为内膜内区域,将所述动态轮廓中收缩的区域划分为内膜外区域;外膜分割单元,用于在分割外膜时,所述动态轮廓模型的动态轮廓的初始位置是已探测的内膜边界,根据外膜内区域的像素点的气球力为正,外膜外区域的像素点的气球力为负的特征,将所述动态轮廓中膨胀的区域划分为膜中区域,将所述动态轮廓中收缩的区域划分为外膜外区域。
在一个实施例中,所述无监督式学习模型为深度学习模型,所述有监督式分类法为支持向量机分类法。
在本发明实施例中,通过将大量不同的已进行内外膜分割的血管内超声图像样本(例如,伪影、不同频率、不同成像参数等血管内超声图像)输入到无监督式学习模型中进行学习,来得到特征检测模型,并采用有监督式分类法对不同的已进行内外膜分割的血管内超声图像样本的各像素的特征信息进行统计,得到分类模型,然后通过特征检测模型得到待测血管内超声图像各像素的特征信息,通过分类模型得到待测血管内超声图像各像素特征信息的分类信息,与现有技术中采用人工特征检测算子提取特征信息相比,可以减少采用人工特征检测算子提取特征信息的局限性,同时可以提高血管内超声图像内外膜分割方法的鲁棒性;根据测血管内超声图像各像素的特征信息和待测血管内超声图像各像素特征信息的分类信息,建立血管的动态轮廓模型,使得具有良好的拓扑结构拟合性,有助于提高血管内超声图像内外膜分割方法的准确度。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1是本发明实施例提供的一种血管内超声图像内外膜分割方法的流程图;
图2是本发明实施例提供的一种具体的获取待测血管内超声图像各像素特征信息和分类信息的流程图;
图3是本发明实施例提供的一种具体的建立血管的动态轮廓模型来获得血管内膜外膜分割曲线的流程图;
图4是本发明实施例提供的一种血管内超声图像内外膜分割装置的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
在本发明实施例中,提供了一种血管内超声图像内外膜分割方法,如图1所示,该方法包括:
步骤101:将待测血管内超声图像输入到特征检测模型中,得到待测血管内超声图像各像素的特征信息,所述特征检测模型是通过将不同的已进行内外膜分割的血管内超声图像样本输入到无监督式学习模型中进行学习得到的;
步骤102:将待测血管内超声图像各像素的特征信息输入到用于判断特征信息为血管内膜内、膜中或外膜外的分类模型中,得到待测血管内超声图像各像素特征信息的分类信息,所述分类模型是通过将不同的已进行内外膜分割的血管内超声图像样本输入到所述特征检测模型中,得到血管内超声图像样本各像素的特征信息,并采用有监督式分类法对血管内超声图像样本各像素的特征信息进行统计得到的;
步骤103:根据待测血管内超声图像各像素的特征信息和待测血管内超声图像各像素特征信息的分类信息,建立血管的动态轮廓模型,根据所述动态轮廓模型中达到稳态的曲线获得血管内膜外膜分割曲线。
由图1所示的流程可知,在本发明实施例中,通过将大量不同的已进行内外膜分割的血管内超声图像样本(例如,伪影、不同频率、不同成像参数等血管内超声图像)输入到无监督式学习模型中进行学习,来得到特征检测模型,并采用有监督式分类法对不同的已进行内外膜分割的血管内超声图像样本的各像素的特征信息进行统计,得到分类模型,然后通过特征检测模型得到待测血管内超声图像各像素的特征信息,通过分类模型得到待测血管内超声图像各像素特征信息的分类信息,与现有技术中采用人工特征检测算子提取特征信息相比,可以减少采用人工特征检测算子提取特征信息的局限性,同时可以提高血管内超声图像内外膜分割方法的鲁棒性;根据测血管内超声图像各像素的特征信息和待测血管内超声图像各像素特征信息的分类信息,建立血管的动态轮廓模型,使得具有良好的拓扑结构拟合性,有助于提高血管内超声图像内外膜分割方法的准确度。
具体实施时,可以通过以下方式得到特征检测模型,从大量的不同的已进行内外膜分割的血管内超声图像样本(例如,伪影、不同频率、不同成像参数等血管内超声图像)中提取小的图像块,作为像素点的邻域信息,输入到无监督式学习模型(该无监督式学习模型具体的可以为深度学习模型)中,自动学习到图像块的特征提取模型,以得到特征检测模型,该特征检测模型可以为待测图像提供充足的特征信息。
具体实施时,可以通过以下方式得到分类模型,将大量不同的已进行内外膜分割的血管内超声图像样本输入到上述特征检测模型中,得到血管内超声图像样本各像素的特征信息(由于血管内超声图像样本是已进行内外膜分割的,所以该血管内超声图像样本各像素的特征信息是带有已知的内膜或外膜标记的,实际是血管内超声图像样本各像素特征信息的分类信息),然后采用监督式分类法对血管内超声图像样本各像素的特征信息进行统计,得到用于判断特征信息为血管内膜信息或外膜信息的分类模型,该分类模型可以为待测图像提供充足的分类信息。
具体实施时,获取待测血管内超声图像各像素特征信息和分类信息的过程如图2所示,将待测血管内超声图像输入到所述特征检测模型中,待测血管内超声图像中各像素的邻域斑块通过特征检测模型的特征检测算子的作用,得到待测血管内超声图像各像素的特征信息,将待测血管内超声图像各像素的特征信息输入分类模型后,得到待测血管内超声图像各像素特征信息的分类信息。
具体实施时,建立血管的动态轮廓模型来获得血管内膜外膜分割曲线的过程如图3所示,根据待测血管内超声图像各像素的特征信息和待测血管内超声图像各像素特征信息的分类信息,建立血管的动态轮廓模型,根据所述动态轮廓模型中达到稳态的曲线获得血管内膜外膜分割曲线。具体的,可以根据测血管内超声图像各像素的特征信息和待测血管内超声图像各像素特征信息的分类信息,建立梯度向量场来驱动所述动态轮廓模型的轮廓变形,即建立动态轮廓能量函数;当某像素与周围像素的特征差异和分类差异最大时,能量函数最小,即达到目标物体(例如,血管内膜)时,能量函数最小,动态轮廓停止运动。通过特征信息和分类信息建立梯度向量场,可以扩大轮廓的捕捉区域、鼓励探测凹处,并且避免关键噪点的干扰,对初始轮廓低敏感度,从而提高血管内超声图像的分割精度。
此外,根据所述动态轮廓模型的轮廓的法向量建立气球力函数,来控制所述动态轮廓模型的轮廓的膨胀和收缩,融合了分类信息的气球力能帮助轮廓快速收敛至理想边界,从而加快分割速度。具体的,所述气球力函数控制所述动态轮廓模型的轮廓进行膨胀还是收缩由所述待测血管内超声图像各像素特征信息的分类信息决定。例如,内膜内区域像素点的气球力为正,则控制轮廓进行膨胀;内膜外区域像素点的气球力为负,则控制轮廓进行收缩。
具体的,分割内外膜的过程可以是:在分割内膜时,所述动态轮廓模型的动态轮廓的初始位置(即设置的初始血管内膜分割曲线)是环绕血管内超声图像的中心传感器的成像边界的,根据内膜内区域的像素点的气球力为正,内膜外区域的像素点的气球力为负的特征,将所述动态轮廓中膨胀的区域划分为内膜内区域,将所述动态轮廓中收缩的区域划分为内膜外区域,以得到血管内膜分割曲线;在分割外膜时,所述动态轮廓模型的动态轮廓的初始位置(即设置的初始血管外膜分割曲线)是已探测的内膜边界,根据外膜内区域的像素点的气球力为正,外膜外区域的像素点的气球力为负的特征,将所述动态轮廓中膨胀的区域划分为膜中区域,将所述动态轮廓中收缩的区域划分为外膜外区域,以最终得到血管外膜的分割曲线。
基于同一发明构思,本发明实施例中还提供了一种血管内超声图像内外膜分割装置,如下面的实施例所述。由于血管内超声图像内外膜分割装置解决问题的原理与血管内超声图像内外膜分割方法相似,因此血管内超声图像内外膜分割装置的实施可以参见血管内超声图像内外膜分割方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图4是本发明实施例的血管内超声图像内外膜分割装置的一种结构框图,如图4所示,包括:特征信息获取模块401、分类信息获取模块402和分割模块403,下面对该结构进行说明。
特征信息获取模块401,用于将待测血管内超声图像输入到特征检测模型中,得到待测血管内超声图像各像素的特征信息,所述特征检测模型是通过将不同的已进行内外膜分割的血管内超声图像样本输入到无监督式学习模型中进行学习得到的;
分类信息获取模块402,与特征信息获取模块401连接,用于将待测血管内超声图像各像素的特征信息输入到用于判断特征信息为血管内膜内、膜中或外膜外的分类模型中,得到待测血管内超声图像各像素特征信息的分类信息,所述分类模型是通过将不同的已进行内外膜分割的血管内超声图像样本输入到所述特征检测模型中,得到血管内超声图像样本各像素的特征信息,并采用有监督式分类法对血管内超声图像样本各像素的特征信息进行统计得到的;
分割模块403,与分类信息获取模块402连接,用于根据待测血管内超声图像各像素的特征信息和待测血管内超声图像各像素特征信息的分类信息,建立血管的动态轮廓模型,根据所述动态轮廓模型中达到稳态的曲线获得血管内膜外膜分割曲线。
在一个实施例中,所述分割模块403,包括:梯度向量场建立单元,用于根据待测血管内超声图像各像素的特征信息和待测血管内超声图像各像素特征信息的分类信息,建立梯度向量场来驱动所述动态轮廓模型的轮廓变形;气球力函数建立单元,用于根据所述动态轮廓模型的轮廓的法向量建立气球力函数,来控制所述动态轮廓模型的轮廓的膨胀和收缩。
在一个实施例中,所述气球力函数控制所述动态轮廓模型的轮廓进行膨胀还是收缩由所述待测血管内超声图像各像素特征信息的分类信息决定。
在一个实施例中,所述分割模块403,还包括:内膜分割单元,用于在分割内膜时,所述动态轮廓模型的动态轮廓的初始位置是环绕血管内超声图像的中心传感器的成像边界的,根据内膜内区域的像素点的气球力为正,内膜外区域的像素点的气球力为负的特征,将所述动态轮廓中膨胀的区域划分为内膜内区域,将所述动态轮廓中收缩的区域划分为内膜外区域;外膜分割单元,用于在分割外膜时,所述动态轮廓模型的动态轮廓的初始位置是已探测的内膜边界,根据外膜内区域的像素点的气球力为正,外膜外区域的像素点的气球力为负的特征,将所述动态轮廓中膨胀的区域划分为膜中区域,将所述动态轮廓中收缩的区域划分为外膜外区域。
在一个实施例中,所述无监督式学习模型为深度学习模型,所述有监督式分类法为支持向量机分类法。
在本发明实施例中,通过将大量不同的已进行内外膜分割的血管内超声图像样本(例如,伪影、不同频率、不同成像参数等血管内超声图像)输入到无监督式学习模型中进行学习,来得到特征检测模型,并采用有监督式分类法对不同的已进行内外膜分割的血管内超声图像样本的各像素的特征信息进行统计,得到分类模型,然后通过特征检测模型得到待测血管内超声图像各像素的特征信息,通过分类模型得到待测血管内超声图像各像素特征信息的分类信息,与现有技术中采用人工特征检测算子提取特征信息相比,可以减少采用人工特征检测算子提取特征信息的局限性,同时可以提高血管内超声图像内外膜分割方法的鲁棒性;根据测血管内超声图像各像素的特征信息和待测血管内超声图像各像素特征信息的分类信息,建立血管的动态轮廓模型,使得具有良好的拓扑结构拟合性,有助于提高血管内超声图像内外膜分割方法的准确度。
显然,本领域的技术人员应该明白,上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明实施例不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。