CN105405124B - 基于动态处理窗口及二值区域跟踪的血管分支提取方法 - Google Patents
基于动态处理窗口及二值区域跟踪的血管分支提取方法 Download PDFInfo
- Publication number
- CN105405124B CN105405124B CN201510703027.1A CN201510703027A CN105405124B CN 105405124 B CN105405124 B CN 105405124B CN 201510703027 A CN201510703027 A CN 201510703027A CN 105405124 B CN105405124 B CN 105405124B
- Authority
- CN
- China
- Prior art keywords
- branch
- window
- region
- segmentation
- center
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种基于动态处理窗口及二值区域跟踪的血管分支提取方法,包括如下步骤:1)在图像序列中主动脉位置选取一个矩形区域作为分割窗口,所述分割窗口随着主动脉中心的移动而调整位置;2)使用基于二值区域跟踪方法来实现对主动脉分支的分割。本发明提供了一种分割精度较高的基于动态处理窗口及二值区域跟踪的血管分支提取方法。
Description
技术领域
本发明属于医学图像特殊组织分析与分割方法领域,涉及一种血管分支提取方法。
背景技术
对医学图像序列中高对比区域的连续分割,目前已经有比较成熟方法,医学图像血管分割相关文献大多是介绍内腔分割的。血管的整体形状呈树状分布,局部呈细长的线状或管状形态,血管的这个形状特点决定了其分割方法的特殊性。
目前血管分割及分支提取的技术主要分为以下几类:基于区域生长的血管分割、基于形态学的血管分割算法、基于匹配滤波的血管分割算法、基于跟踪的血管分割算法。
基于区域生长的图像分割算法是由Adams等首先提出的。基于区域生长的血管分割算法首先从血管内的某一或若干种子点开始,按照设计的生长准则,通过归并种子邻近区域的像素,逐渐填充血管所在的区域。
基于形态学的分割算法把数学形态学作为分割工具,使用结构元素对图像进行腐蚀、膨胀等基本操作之后,再与原图相减以获得图像边缘。基于形态学的分割算法主要是利用图像的拓扑特性进行操作,并利用集合论对图像进行非线性变换,然后去度量和提取图像中的对应形状以达到对图像进行分析和识别的目的。
基于匹配滤波的分割算法法使用滤波器与图像卷积来提取目标。在提取血管边缘时,根据图像灰度在血管横截面呈高斯型分布的特性,将高斯型滤波器与血管进行匹配,若图像中存在血管且血管的尺寸与滤波器尺度相近,则滤波器产生一个较大的输出量。使用高斯型滤波器也可以在分割的同时平滑噪声。
基于跟踪的血管分割算法,建立在血管具有连续结构特征这一基础上,通常的分割步骤是:先使用一个局部算子作用在已知为血管的某个初始点上,然后由算法自动跟踪出血管的中心线、方向和半径等参数。
上下文分析方法也是可以用于血管分割用到的辅助方法,利用场景内目标在空间上的关系进行分割。张斌等通过使用基于上下文分析的无监督分层迭代算法实现高噪声的SAR(Synthetic aperture radar,合成孔径雷达)图像的自动分割。CTA图像序列具有空间连续性,因此相邻切层之间的上下文信息也可以作为分割的重要依据。
目前已经实现血管的分割和建模。近年来利用三维体数据,采用基于区域增长、水平集以及图割方法实现了亮度显著目标的三维分割,血管外轮廓显著性较低,无法应用现有三维分割方法得到精确的分割结果,导致血管分支的分割精度较低。
发明内容
为了克服已有血管分支的分割精度较低的不足,本发明提供了一种分割精度较高的基于动态处理窗口及二值区域跟踪的血管分支提取方法。
本发明解决其技术问题所采用的技术方案是:
一种基于动态处理窗口及二值区域跟踪的血管分支提取方法,包括如下步骤:
1)在图像序列中主动脉位置选取一个矩形区域作为分割窗口,所述分割窗口随着分割目标中心的移动而调整位置,过程如下:
1.1)在初始切层上选定包含完分割目标的截面的ROI区域作为当前处理窗口,并计算当前处理窗的中心;
1.2)在处理窗口中执行血管分割算法;
1.3)依照当前切层分割目标区域,计算区域中心,并以此得到的中心作为下一切层处理窗口的中心;计算得到的区域与处理窗口边界距离;
1.4)计算前后切层处理窗口中心的平移量,将处理窗口做相应的平移;
1.5)重复步骤1.2)到步骤1.4),不断建立新的分割窗口用于新一切层的分割操作;
2)使用基于二值区域跟踪方法来实现对血管分支的分割;
设图像序列中,BWbranch(i,s)表示第s层上第i个分支候选区域,BWlumen(s)表示第s层上主干区域,而且满足:
然后遍历当前切层所有的分支候选区域,如果某个区域BWarea(i,s)满足:
那么这个区域就认为是分支区域,即:
BWarea(i,s)∈BWbranch(i,s)
式(1)中,γ为分支判断阈值。
进一步,所述步骤2)中,增加一次序列逆向的分支分割过程,式(1)修正为:
在正向分割血管分支时,α取1,逆向分割血管分支时,α取0,递归地使用基于二值区域跟踪方法,跟踪从分支分离的新的分支。
本发明的技术构思为:由于主动脉的分支的源头是主动脉,那么在图像序列的一些切层上,分支的内腔与主动脉的内腔区域就会融合在一起,主动脉瘤CTA序列的两个相邻的切层,在切层上,可以明显地看出分支从与主动脉内腔相连到与主动脉内腔分离的过程。
利用图像序列的连续特性,判别动态处理窗口区域中主动脉周围与主动脉内腔有相似灰度特性的区域是否为主动脉的分支区域。归纳为以下几个特点:
(1)在灰度范围上,主动脉的分支与内腔有着相似的灰度范围。因此,在分割内腔时,可以同时把分支的候选区域分割出来;
(2)分支在形态上并不具有明显的特征,原因是既有与切层平面垂直的分支,也有与切层平面近似平行的分支;
(3)分支截面在图像序列的某一层或几层上与主动脉区域相连,但是仅从单个切层无法判别候选区域是否是分支区域。
结合主动脉分支特点,提出了基于二值区域跟踪方法来实现对主动脉分支的分割。
医学图像获得的区域远远大于需要分析的区域。我们研究的主动脉CTA图像序列,其整个场景包含了人体躯干整个截面的信息。而需要分割部位只是整个图像场景中相对较小的一块区域。主动脉仅仅在CTA图像上的比例很小的区域。
在单层CTA图像分割时,通常可以过手动选择ROI区域来去除无关的。由区域来去除无关的。由于在人体的主动脉并非与躯干完全平行,而且存分支结构,因此,图像序列连续分割时,不可以直接将初始层的ROI区域作为处理窗口应用到后续所有切层的分割中。而如果需要对每层都进行手动选定ROI区域的作为处理窗口显然不够方便,而且也影响了自动分割的效率。
因此,在主动脉分割中使用动态处理窗口,即在主动脉位置选取一个矩形区域作为分割窗口。同时,该分割窗口要随着主动脉中心的移动而调整位置。这样既减少了计算量,又保证主动脉区域总体保持在处理窗口的中心。
结合主动脉分支特点,提出使用基于二值区域跟踪方法来实现对主动脉分支的分割。
本发明的有益效果主要表现在:分割精度较高。
附图说明
图1是动态处理窗口的流程图。
图2是在动态处理窗口中,血管分支提取的流程图。
图3是动态跟踪的示意图,图3-a到图3-b为分支从主干内腔分离的跟踪,图3-c到图3-d为分支从分支分离的跟踪。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图3,一种基于动态处理窗口及二值区域跟踪的血管分支提取方法,包括如下步骤:
1)在图像序列中主动脉位置选取一个矩形区域作为分割窗口,所述分割窗口随着主动脉中心的移动而调整位置,过程如下:
1.1)在初始切层上选定包含完整主动脉截面的ROI区域作为当前处理窗口,并计算当前处理窗的中心;
1.2)在处理窗口中执行主动脉内外轮廓分割;
1.3)依照当前切层主动脉区域,计算区域中心,并以此得到的中心作为下一切层处理窗口的中心;计算得到的区域与处理窗口边界距离,如有必要适当调整下一层处理窗口的大小;
1.4)计算前后切层处理窗口中心的平移量,将处理窗口做相应的平移;
1.5)重复步骤1.2)到步骤1.4),不断建立新的分割窗口用于新一切层的分割操作;
2)使用基于二值区域跟踪方法来实现对主动脉分支的分割;
设图像序列中,BWbranch(i,s)表示第s层上第i个分支候选区域(二值图),BWlumen(s)表示第s层上主干区域(二值图),而且满足:
然后遍历当前切层所有的分支候选区域,如果某个区域BWarea(i,s)满足:
那么这个区域就认为是分支区域,即:
BWarea(i,s)∈BWbranch(i,s)
式(1)中,γ为分支判断阈值。
进一步,所述步骤2)中,增加一次序列逆向的分支分割过程,式(1)修正为:
在正向分割主动脉分支时,α取1,逆向分割主动脉分支时,α取0,如果递归地使用基于二值区域跟踪方法,可以跟踪从分支分离的新的分支。
本实施例中γ为0.6,α为1,图3-a到图3-b为分支从主干内腔分离的跟踪,图3-c到图3-d为分支从分支分离的跟踪,由此可见,使用基于二值区域跟踪方法可以有效地跟踪主动脉分支区域。
Claims (2)
1.一种基于动态处理窗口及二值区域跟踪的血管分支提取方法,其特征在于:包括如下步骤:
1)在图像序列中主动脉位置选取一个矩形区域作为分割窗口,所述分割窗口随着分割目标中心的移动而调整位置,过程如下:
1.1)在初始切层上选定包含完分割目标的截面的ROI区域作为当前处理窗口,并计算当前处理窗口的中心;
1.2)在处理窗口中执行血管分割算法;
1.3)依照当前切层分割目标区域,计算区域中心,并以此得到的中心作为下一切层处理窗口的中心;计算得到的区域与处理窗口边界距离;
1.4)计算前后切层处理窗口中心的平移量,将处理窗口做相应的平移;
1.5)重复步骤1.2)到步骤1.4),不断建立新的分割窗口用于新一切层的分割操作;
2)使用基于二值区域跟踪方法来实现对血管分支的分割,过程如下:
设图像序列中,BWbranch(i,s)表示第s层上第i个分支候选区域,BWlumen(s)表示第s层上主干区域,而且满足:
然后遍历当前切层所有的分支候选区域,如果某个区域BWarea(i,s)满足:
那么这个区域就认为是分支区域,即:
BWarea(i,s)∈BWbranch(i,s)
式(1)中,γ为分支判断阈值。
2.如权利要求1所述的一种基于动态处理窗口及二值区域跟踪的血管分支提取方法,其特征在于:所述步骤2)中,增加一次序列逆向的分支分割过程,式(1)修正为:
在正向分割血管分支时,α取1,逆向分割血管分支时,α取0,递归地使用基于二值区域跟踪方法,跟踪从分支分离的新的分支。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510703027.1A CN105405124B (zh) | 2015-10-23 | 2015-10-23 | 基于动态处理窗口及二值区域跟踪的血管分支提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510703027.1A CN105405124B (zh) | 2015-10-23 | 2015-10-23 | 基于动态处理窗口及二值区域跟踪的血管分支提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105405124A CN105405124A (zh) | 2016-03-16 |
CN105405124B true CN105405124B (zh) | 2018-03-16 |
Family
ID=55470591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510703027.1A Active CN105405124B (zh) | 2015-10-23 | 2015-10-23 | 基于动态处理窗口及二值区域跟踪的血管分支提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105405124B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292928B (zh) * | 2017-06-16 | 2020-07-10 | 东软医疗系统股份有限公司 | 一种血管定位的方法及装置 |
CN109978887B (zh) * | 2018-12-10 | 2022-11-11 | 深圳市旭东数字医学影像技术有限公司 | 基于医学图像的脊髓自动分割方法及其系统 |
CN109978915A (zh) * | 2019-03-11 | 2019-07-05 | 北京理工大学 | X光造影图像序列中管状结构的跟踪方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DK1485007T3 (da) * | 2002-03-20 | 2008-02-04 | Novadaq Technologies Inc | System og fremgangsmåde til visualisering af væskeströmning gennem kar |
US8435181B2 (en) * | 2002-06-07 | 2013-05-07 | Verathon Inc. | System and method to identify and measure organ wall boundaries |
US20080139938A1 (en) * | 2002-06-07 | 2008-06-12 | Fuxing Yang | System and method to identify and measure organ wall boundaries |
-
2015
- 2015-10-23 CN CN201510703027.1A patent/CN105405124B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105405124A (zh) | 2016-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035255B (zh) | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 | |
Boykov et al. | Interactive graph cuts for optimal boundary & region segmentation of objects in ND images | |
Anjna et al. | Review of image segmentation technique | |
CN105741310B (zh) | 一种心脏左心室图像分割系统及方法 | |
CN104392460B (zh) | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 | |
CN103914843B (zh) | 基于分水岭算法和形态学标记的图像分割方法 | |
CN101299268B (zh) | 适于低景深图像的语义对象分割方法 | |
CA2613116A1 (en) | Video object cut and paste | |
CN108335304A (zh) | 一种腹部ct扫描序列图像的主动脉瘤分割方法 | |
CN108765363A (zh) | 一种基于人工智能的冠脉cta自动后处理系统 | |
CN105405124B (zh) | 基于动态处理窗口及二值区域跟踪的血管分支提取方法 | |
CN106650794B (zh) | 一种受物体表面高光反射影响的图像高光消除方法及系统 | |
CN100573581C (zh) | 肺部ct图像病灶半自动分割方法 | |
CN116051580A (zh) | 一种血管分离方法及系统 | |
CN104318546B (zh) | 一种基于多尺度分析的温室田间植物叶片边缘提取方法及其系统 | |
Sarma et al. | A comparative study of new and existing segmentation techniques | |
CN101425186A (zh) | 一种基于ct图像的肝脏分段方法及其系统 | |
CN111179298B (zh) | 基于ct图像的三维肺自动分割与左右肺分离方法及其系统 | |
CN104484877A (zh) | 一种基于Meanshift聚类和形态学操作的AML细胞分割方法 | |
CN110738637B (zh) | 一种乳腺癌病理切片的自动分类系统 | |
CN110738652A (zh) | 一种肺部动静脉分离方法及装置 | |
CN107705358A (zh) | 脑部ct图像的三维重建方法 | |
CN106295639A (zh) | 一种虚拟现实终端以及目标图像的提取方法和装置 | |
CN101765019A (zh) | 一种用于运动模糊和光照变化图像的立体匹配方法 | |
CN102881017A (zh) | 一种细胞分离方法 |
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 |