CN106023165A - 一种用于光学分辨率光声显微镜下活体肿瘤血管新生图像的血管提取方法 - Google Patents
一种用于光学分辨率光声显微镜下活体肿瘤血管新生图像的血管提取方法 Download PDFInfo
- Publication number
- CN106023165A CN106023165A CN201610312546.XA CN201610312546A CN106023165A CN 106023165 A CN106023165 A CN 106023165A CN 201610312546 A CN201610312546 A CN 201610312546A CN 106023165 A CN106023165 A CN 106023165A
- Authority
- CN
- China
- Prior art keywords
- image
- blood vessel
- vessel
- tumor angiogenesis
- optical resolution
- 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.)
- Granted
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
- G06T2207/10056—Microscopic image
-
- 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)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种用于光学分辨率光声显微镜(OR‑PAM)下活体肿瘤血管新生图像的血管提取方法,属于图像处理领域。本发明中首先使用了多种增强算法结合对肿瘤血管新生图像进行预处理,有效的增强了细小血管的对比度,最大程度的降低了噪声的影响。然后采用Otsu算法来自动选取阈值进行二值化图像,有效的降低错分概率。最后使用两步快速行进法去测定血管的中心线,从而使所计算的中心线能够更准确地定位在血管内,而且针对传统的水平集血管提取算法速度太慢的问题,使用快速行进算法进行血管提取的算法运行速度有了很大的提升。实验结果表明,该方法可以更有效的提取出肿瘤血管新生图像的血管信息,包括细小血管的信息也提取效果良好。
Description
技术领域
本发明涉及一种用于光学分辨率光声显微镜(OR-PAM)下活体肿瘤血管新生图像的血管提取方法,属于图像处理技术领域。
背景技术
血管新生是指从已有的毛细血管或毛细血管后静脉发展而形成新的血管。肿瘤血管新生是一个极其复杂的过程,一般包括血管内皮基质降解、内皮细胞移行、内皮细胞增殖、内皮细胞管道化分支形成血管环和形成新的基底膜等步骤。肿瘤的生长和转移是一个依赖于血管的过程,当肿瘤体积增长到一定程度时,维持其生长就需要依靠新生血管。大量的研究表明,良性肿瘤血管新生稀少,血管生长缓慢,而大多数恶性肿瘤的血管生长密集且生长迅速。因此,血管新生在肿瘤的发展转移过程中起到重要作用,抑制这一过程将能明显阻止肿瘤组织的发展和扩散转移。因此研究血管新生的结构变化在肿瘤等疾病的预防与诊治中具有非常重要的意义,而从肿瘤血管新生的图像中精确的提取出血管又是血管量化和可视化诊断的重要条件,因此如何精确的提取血管的研究成为了肿瘤血管新生图像方向的研究热点。
目前超声造影是检测新生血管的重要手段之一,但是常规二维超声不能完全显示新生血管的立体化与空间化的分布情况,作为新一代的无损医学成像技术,光声成像可以无标记地对单个细胞成像、可以对血管形态的高分辨成像、对不同组织的成份进行解析和对血液参数高特异性的功能检测。光声成像技术具有对比性强、灵敏度高、成像深度深的优点,能够提高成像系统的灵敏度,从而增加探测早期癌症的可能性。
目前光声成像的主要研究分支有光声断层成像(PAT)、光声显微成像(PAM)、光声内窥成像(IVPAI)。光声断层成像清晰地探测到活体小鼠脑血管分布,根据血容量、血流、血氧等参数反映了脑功能信息。光声成像技术为肿瘤的早期诊断与治疗监控提供了强大的技术支持。随着光声显微镜的出现,光声成像发展到了一个新的阶段。光声显微镜将横向分辨率提高了一个数量级达到了45μm。利用光声显微成像技术不仅可以获得高分辨率黑色素瘤的实体和周围的微血管的形态结构图像,还可以得到活体动物的血氧饱和度信息。光学分辨率的光声显微镜(OR-PAM)可以轻而易举地对黑色素瘤细胞和血红细胞进行单细胞成像。
目前已经有许多相关的血管提取算法,但是对于血管新生图像来说,细小的血管比较多,又存在受到噪声污染、血管图像对比度低等原因,提取效果并不理想,不能较好地提取出细小血管,所以如何在灰度不均匀的血管新生图像中准确的提取出血管信息,是急需解决的问题。
发明内容
为解决传统血管提取算法对于肿瘤血管新生图像不能较好地提取细小血管的问题,实现准确提取血管新生图像中的血管信息,提高血管提取的鲁棒性,本发明提出一种融合最大类间方差法(Otsu)与快速行进法思想,提取光声显微镜下肿瘤血管新生图像血管信息的方法。本方法首先使用高频强调滤波等多种图像增强算法对肿瘤血管新生图像进行增强预处理,有效的提高细小血管的对比度,再结合Otsu与两步快速行进法对血管信息进行提取。高频强调滤波算法在高频滤波器上加上一个偏移量,再将滤波器乘以一个大于1的常数,通过常量乘数突出高频部分,也增加了低频部分的幅度,只要能保证偏移量与乘数相比较小,就能保证低频增强的影响弱于高频增强的影响,可以有效的增强图像的对比度,并且有效的解决了频域空间中高频滤波器增强后的图像,边缘和亮度急速变化的区域得到了增强,但图像却失去了大部分原图像所呈现出的背景色调的问题。Otsu方法的基本思想是:设使用某一个阈值将灰度图像根据灰度大小,分成目标部分和背景部分两类,在这两类的类内方差最小和类间方差最大的时候,得到的阈值是最优的二值化阈值,Otsu方法计算简单,不受图像亮度和对比度的影响,可以有效的降低错分概率。快速行进法基于当前零水平集对像素进行分类,并按照一定机制对水平集进行演化。本发明中采用二步快速行进算法提取血管中心线,可以更有效的提取出肿瘤血管新生图像中的细小血管。
为实现上述发明目的,本发明采用下述技术方案:
一种用于光学分辨率光声显微镜OR-PAM下活体肿瘤血管新生图像的血管提取方法,该方法首先使用图像增强算法对光学分辨率光声显微镜活体肿瘤血管新生图像进行预处理,然后利用最大类间方差法Otsu提取血管新生图像的二值化图像,再利用两步快速行进法提取血管新生图像的血管中心线,该方法包括以下步骤:
步骤1:使用高频强调滤波去增强血管新生图像中的细小血管的对比度;
步骤2:计算图像的Hessian矩阵;
步骤3:计算Hessian矩阵的特征值;
步骤4:对特征图进行梯度增强得到一个增强的特征映射;
步骤5:使用Otsu算法选取最佳阈值T,把血管图像提取为二值化图像;
步骤6:基于所提取的二值化血管图像,使用两步快速行进法提取出血管的中心线。
优选的,在步骤1中采用高频强调滤波和直方图均衡法相结合得到增强后的图像。
优选的,在步骤2使用一个尺度s,计算图像在尺度s的Hessian矩阵,通过尺度s来控制内核的大小。
优选的,在步骤3计算Hessian矩阵的特征值,其表示沿着对应于各特征向量的主方向的曲率。
优选的,在步骤4中利用梯度域图像增强方法去进一步增强血管新生图像中的细小血管的对比度。
本发明中,使用多种增强算法结合可以有效的提高细小血管的对比度,有效的地降低了噪声的影响,Otsu算法使用的是聚类的思想,把图像的灰度数按灰度级分成2个部分,使得两个部分之间的灰度值差异最大,每个部分之间的灰度差异最小,通过方差的计算来寻找一个合适的灰度级别来划分,不仅计算简单,不受图像亮度和对比度的影响,而且可以将错分概率降低。使用两步快速行进法去测定中心线,可以使所计算的中心线能够更准确地定位在血管内,针对传统的水平集血管提取算法速度太慢的问题,快速行进算法进行血管提取算法运行速度提升了许多。实验结果表明,使用该方法,可以成功地从原始图像中提取出大多数的血管,包括细小血管的提取效果也良好,并且所提取血管的连续性和强度的均匀性都优于其他传统的提取方法。
附图说明
图1是本发明所述的用于OR-PAM活体肿瘤血管新生图像的血管提取方法的流程图;
图2是选取的老鼠活体的OR-PAM成像的某个原始图像片;
图3是对图像片二值化后的图像;
图4是对图像片提取的血管中心线效果图;
图5是图像片提取的最终血管骨架图。
具体实施方式
本发明提出一种用于光学分辨率光声显微镜OR-PAM下活体肿瘤血管新生图像的血管提取方法。首先使用多种增强算法结合可以有效的提高细小血管的对比度,有效地降低了噪声的影响,然后使用Otsu算法对增强后的图像进行二值化图像,采用Otsu算法来自动选取阈值进行二值化是图像分割中阈值选取的最佳算法,不仅计算简单,不受图像亮度和对比度的影响,而且可以将错分概率降至最小。最后使用两步快速行进法测定中心线,使所计算的中心线能够更准确地定位在血管内,针对传统的水平集血管提取算法速度太慢的问题,快速行进算法进行血管提取算法运行速度有了很大的提升。图1中明确表示了本发明所述方法的整体流程,具体实施步骤如下:
步骤1:使用高频强调滤波去增强血管新生图像中的细小血管的对比度,高频强调滤波定义如下:
Hhfe(u,v)=a+bHhp(u,v)
其中Hhp(u,v)是一个高通算子,u和v代表二维空间频率分量,a指偏移量,b指乘数;
步骤2:计算图像在尺度s的Hessian矩阵,定义如下:
其中I(x,y,s)为I(x,y)卷积,s用来控制高斯平滑的内核的大小,x和y代表空间坐标;
步骤3:计算Hessian矩阵的特征值,用来表示沿着对应于各特征向量的主方向的曲率,为了进一步提高微血管和抑制噪声,定义特征映射f在尺度s为:
其中|λ1|<|λ2|,ε为一个很小的数,λ1和λ2分别为Hessian矩阵的特征值;
步骤4:在经过上面的步骤之后,已经可以在特征图中显示出大多数血管,但毛细血管地区仍然有些暗淡,所以在这一步对图像的梯度场进行了直方图均衡化,使图像的低频区域的细节能够在梯度域得到增强,再利用最小二乘算法重建梯度域图像,即可得到梯度域增强后的图像;
步骤5:使用Otsu算法选取最佳阈值T,把血管图像提取为二值化图像。Otsu算法步骤如下:
(1)计算输入图像的归一化直方图,使用pi,i=0,1,2,....L-1表示该直方图的各个分量,L代表图像中可能出现的灰度级总数;
(2)使用公式对于k=0,1,2,...,L-1,计算累积和p1(k);
(3)使用公式对于k=0,1,2,...,L-1,计算累积均值m(k);
(4)使用公式计算全局灰度均值mG;
(5)使用公式对于k=0,1,2,...,L-1,计算类间方差
(6)得到Ostu阈值k*,即使得最大的k值,如果最大值不唯一,则用相应检测到的各个最大值的平均值来作为k*;
(7)在k=k*处计算得到可分性度量η*。
步骤6:基于所提取的二值化血管图像,使用两步快速行进法提取出血管的中心线。首先将血管网络分离为各个子图像,使每一个子图像中仅包括一组相互连接的血管树。第一次使用快速行进算法在每一个子图像内,血管内的点被用作种子在初始速度均匀地扩大,直到它们的轮廓表面达到接近血管的边界。第二次使用快速行进算法,在血管树的一个分支提取中心线,使用回溯算法进行连接,使用迭代的方法,直到所有的血管树的分支的中心线都被提取,最后提取出一个血管树的所有分支的中心线,形成这个血管树的骨架。
由于在本方法的实验中采集的小白鼠活体数据为三维体数据,应用本方法进行处理时运行时间过长,而且结果图像太大,看不出细节效果,所以这里只列出选取的某个图像片的处理效果,图2为选取的老鼠活体的光学分辨率光声显微镜OR-PAM下成像的某个原始图像片;
针对图2所选的图像片应用Otsu算法对其进行二值化,图3是对图像片二值化后的图像效果;
针对图3所示的二值化后的图像应用快速行进算法进行血管提取,在提取前先将血管网络分离成只包含一组相互连接的子血管树,先对每个子血管树进行提取,最后将各个子血管树的提取连接起来,图4是对图像片提取的血管中心线效果图,图5是图像片提取的最终血管骨架图。
以上公开的仅为本发明的具体实施例,根据本发明提供的思想,本领域的技术人员能思及的变化,都应落入本发明的保护范围内。
Claims (5)
1.一种用于光学分辨率光声显微镜OR-PAM下活体肿瘤血管新生图像的血管提取方法,该方法首先使用图像增强算法对光学分辨率光声显微镜下活体肿瘤血管新生图像进行预处理,然后利用最大类间方差法Otsu提取血管新生图像的二值化图像,再利用两步快速行进法提取血管新生图像的血管中心线,该方法包括以下步骤:
步骤1:使用高频强调滤波去增强血管新生图像中的细小血管的对比度;
步骤2:计算图像的Hessian矩阵;
步骤3:计算Hessian矩阵的特征值;
步骤4:对特征图进行梯度增强得到一个增强的特征映射;
步骤5:使用Otsu算法选取最佳阈值T,把血管图像提取为二值化图像;
步骤6:基于所提取的二值化血管图像,使用两步快速行进法提取出血管的中心线。
2.根据权利要求1所述的用于光学分辨率光声显微镜OR-PAM下活体肿瘤血管新生图像的血管提取方法,其特征在于:在步骤1中采用高频强调滤波和直方图均衡相结合得到增强后的图像。
3.根据权利要求1所述的用于光学分辨率光声显微镜OR-PAM下活体肿瘤血管新生图像的血管提取方法,其特征在于:在步骤2使用一个尺度s,计算图像在尺度s的Hessian矩阵,通过尺度s来控制内核的大小。
4.根据权利要求1所述的用于光学分辨率光声显微镜OR-PAM下活体肿瘤血管新生图像的血管提取方法,其特征在于:在步骤3计算Hessian矩阵的特征值,其表示沿着对应于各特征向量的主方向的曲率。
5.根据权利要求1所述的用于光学分辨率光声显微镜OR-PAM下活体肿瘤血管新生图像的血管提取方法,其特征在于:在步骤4中利用梯度域图像增强方法去进一步增强血管新生图像中的细小血管的对比度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610312546.XA CN106023165B (zh) | 2016-05-12 | 2016-05-12 | 一种用于光学分辨率光声显微镜下活体肿瘤血管新生图像的血管提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610312546.XA CN106023165B (zh) | 2016-05-12 | 2016-05-12 | 一种用于光学分辨率光声显微镜下活体肿瘤血管新生图像的血管提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106023165A true CN106023165A (zh) | 2016-10-12 |
CN106023165B CN106023165B (zh) | 2018-12-14 |
Family
ID=57100013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610312546.XA Active CN106023165B (zh) | 2016-05-12 | 2016-05-12 | 一种用于光学分辨率光声显微镜下活体肿瘤血管新生图像的血管提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106023165B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107045721A (zh) * | 2016-10-24 | 2017-08-15 | 东北大学 | 一种从胸部ct图像中提取肺血管的方法及装置 |
CN107203741A (zh) * | 2017-05-03 | 2017-09-26 | 上海联影医疗科技有限公司 | 血管提取方法、装置及其系统 |
CN110288619A (zh) * | 2018-03-14 | 2019-09-27 | 浙江大学山东工业技术研究院 | 基于视觉的太阳花模组表面螺钉孔位置检测方法 |
US11344273B2 (en) | 2016-06-30 | 2022-05-31 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for extracting blood vessel |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393644A (zh) * | 2008-08-15 | 2009-03-25 | 华中科技大学 | 一种肝门静脉血管树建模方法及其系统 |
CN102903115A (zh) * | 2012-10-12 | 2013-01-30 | 中国科学院深圳先进技术研究院 | 一种管状物体中心线的提取方法 |
-
2016
- 2016-05-12 CN CN201610312546.XA patent/CN106023165B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393644A (zh) * | 2008-08-15 | 2009-03-25 | 华中科技大学 | 一种肝门静脉血管树建模方法及其系统 |
CN102903115A (zh) * | 2012-10-12 | 2013-01-30 | 中国科学院深圳先进技术研究院 | 一种管状物体中心线的提取方法 |
Non-Patent Citations (1)
Title |
---|
徐中宇等: "CAM 新生血管骨架的提取算法分析", 《科学技术与工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11344273B2 (en) | 2016-06-30 | 2022-05-31 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for extracting blood vessel |
CN107045721A (zh) * | 2016-10-24 | 2017-08-15 | 东北大学 | 一种从胸部ct图像中提取肺血管的方法及装置 |
CN107045721B (zh) * | 2016-10-24 | 2023-01-31 | 东北大学 | 一种从胸部ct图像中提取肺血管的方法及装置 |
CN107203741A (zh) * | 2017-05-03 | 2017-09-26 | 上海联影医疗科技有限公司 | 血管提取方法、装置及其系统 |
CN110288619A (zh) * | 2018-03-14 | 2019-09-27 | 浙江大学山东工业技术研究院 | 基于视觉的太阳花模组表面螺钉孔位置检测方法 |
CN110288619B (zh) * | 2018-03-14 | 2021-08-03 | 浙江大学山东工业技术研究院 | 基于视觉的太阳花模组表面螺钉孔位置检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106023165B (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Girish et al. | Segmentation of intra-retinal cysts from optical coherence tomography images using a fully convolutional neural network model | |
Bayat et al. | Background removal and vessel filtering of noncontrast ultrasound images of microvasculature | |
TWI496112B (zh) | 細胞影像分割方法以及核質比評估方法 | |
CN106023165A (zh) | 一种用于光学分辨率光声显微镜下活体肿瘤血管新生图像的血管提取方法 | |
CN110448319B (zh) | 基于造影影像及冠状动脉的血流速度计算方法 | |
EP2948897B1 (en) | Method and systems for cell-level fish dot counting | |
Nasor et al. | Detection and Localization of Early‐Stage Multiple Brain Tumors Using a Hybrid Technique of Patch‐Based Processing, k‐means Clustering and Object Counting | |
CN110706225B (zh) | 基于人工智能的肿瘤识别系统 | |
CN111179237A (zh) | 一种肝脏以及肝脏肿瘤的图像分割方法和装置 | |
CN116645384B (zh) | 基于人工智能的干细胞区域快速分割方法 | |
CN111260701B (zh) | 多模态视网膜眼底图像配准方法及装置 | |
EP3695378A1 (en) | Tracking in ultrasound imaging | |
Biswal et al. | Robust retinal optic disc and optic cup segmentation via stationary wavelet transform and maximum vessel pixel sum | |
Lazar et al. | Retinal microaneurysm detection based on intensity profile analysis | |
CN109643450A (zh) | 用于从组织活检物中检测管状物的装置 | |
Pelapur et al. | Multi-focus image fusion using epifluorescence microscopy for robust vascular segmentation | |
US10818015B2 (en) | Automatic region of interest selection in centrosome analysis | |
CN111292285B (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
EP3891704A1 (en) | Systems and methods for quantifying vessel features in ultrasound doppler images | |
CN109377461A (zh) | 一种基于nsct的乳腺x射线图像自适应增强方法 | |
CN108765543B (zh) | 一种基于隐式可变形模型的心血管影像重构方法及系统 | |
CN110610147A (zh) | 血管图像提取方法、相关装置及存储设备 | |
Meng et al. | WSA-MP-Net: Weak-signal-attention and multi-scale perception network for microvascular extraction in optical-resolution photoacoustic microcopy | |
Amjadian et al. | Enhancing vascular network visualization in 3D photoacoustic imaging: in vivo experiments with a vasculature filter | |
Kumar et al. | New Ultrasound Image Watermarking Enhancement algorithm for cardiovascular disease |
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 |