CN106023198A - 基于Hessian矩阵的人体胸腹腔CT图像主动脉夹层提取方法 - Google Patents

Abstract

本发明公开了一种基于Hessian矩阵的人体胸腹腔CT图像主动脉夹层提取方法；主要克服了传统手动分割工作量大，耗时长等缺点；而且本发明可重复性好，避免了人工分割造成的不确定性；同时本发明抗噪性能好，避免了传统分割方法中分割效果易受噪声影响的问题；其实现过程是：(1)读取CT图像，进行图像预处理并单独提取出主动脉区域；(2)构建二维Hessian矩阵应用于获取到的整个主动脉区域上的每一个像素点，并分别求得每一个像素点对应的两个特征值；(3)计算每个像素点上的两个特征值的相对差，并设置一合适的阈值，从而仅将包括主动脉壁与夹层部分在内的轮廓点提取出来；(4)识别出属于主动脉壁的像素点并将其去掉，从而将夹层单独分离出来；本发明在人体胸腹腔主动脉夹层分离诊断治疗领域有着重要的应用价值。

Description

基于Hessian矩阵的人体胸腹腔CT图像主动脉夹层提取方法

技术领域

本发明属于医学图像处理技术领域；涉及一种基于Hessian矩阵的人体胸腹腔CT图像主动脉夹层提取方法；可用于对人体胸腹腔内主动脉夹层进行三维重建。

背景技术

随着我国经济的快速发展，人民的生活水平大幅度提高，高脂饮食及过量烟酒的人群比例随之快速增长，导致原发性高血压患者的人数呈逐年上升趋势，而由高血压引起的各类并发症也直接威胁到人类的健康；其中长期高血压引起动脉粥样硬化而导致人体主动脉夹层动脉瘤(Aortic Dissection，AoD)，是最为凶险的一类心血管疾病，其主要原因为高血压造成的主动脉壁内膜破裂，血流沿内膜与中层之间纵向剥离而形成的壁内血肿，导致血管壁分层，剥离的内膜片分隔形成“双腔主动脉”，一旦破裂出血，抢救十分困难，其凶险程度远远高于脑梗塞、心肌梗死和恶性肿瘤；该情况发病后48小时的死亡率可高达36％～71％；由于人体主动脉夹层的临床表现复杂多变且病情进展迅速，目前我国主动脉夹层的整体诊疗水平仍然不高，特别是急性主动脉夹层的漏诊率和手术前死亡率依然较高；因此提高主动脉夹层确诊率，使夹层病变能够准确形象的展示在主治医师眼前，对提高国内主动脉夹层疾病整体治疗和临床研究水平具有非常重要的意义；目前针对主动脉夹层分离治疗方法主要采用腔内隔绝术，而对于主刀医师，在手术过程中一定要对病灶局部解剖毗邻的空间关系获得尽可能地多的信息，以达到精确的诊断、手术及手术后评价，尤其是针对胸腹腔主动脉夹层位置、范围、破口及分支受累情况相关数据的测量，这是决定手术适应症和手术成败的主要因素之一；因此非常有必要开发一套医学图像处理系统以快速准确地提取胸腹腔主动脉及其夹层特征并将其三维重建供医生进行临床诊断，对提高手术的成功率具有重大意义；由于每个病人的一组CT断层图像数量较大，因此采用手工分割方式工作量非常大，对于三维图像的操作尤为如此；而另一个问题是，手动分割存在不确定性，不同医学专家的分割结果存在很大的差异，甚至同一专家在不同的时间和不同的状态下对同一幅图像的分割的结果也有不小的差异；如果能对CT图像进行自动分割，那么伴随手动分割方法存在的问题将迎刃而解；然而若想对最终重建出的三维模型实现更好的渲染和显示效果，为了使医生能更加清楚地了解胸腹腔主动脉夹层位置、范围、破口及分支受累情况，需要将夹层部分单独从主动脉中提取出来；而在CT断层图像上夹层部分多以一条细线的形态显示，且弯曲程度不同，因此若想自动快速地从不同的CT断层图像上将他们全部准确提取出来是一件非常困难的事；综上所述，构建基于CT图像的人体胸腹腔内主动脉夹层三维重建系统，其关键技术环节就是需要设计完成一种人体胸腹腔内主动脉夹层的自动快速分割算法，以实现对主动脉真假腔的形象展现。

发明内容

本方法突出优点是能实现全自动、精确、快速地从复杂的人体胸腹腔中将主动脉夹层部分单独提取出来，避免了手动分割的不精确，工作量庞大以及CT图像上存在的复杂噪声对提取结果的干扰影响等一系列问题；本发明采用的技术方案为一种基于Hessian矩阵的人体胸腹腔CT图像主动脉夹层提取方法，包括下列步骤：

(1)读取CT图像，进行图像预处理并单独提取出主动脉区域；

(2)构建二维Hessian矩阵应用于步骤(1)得到的图像上的每一个像素点，并分别求得每一个像素点对应的两个特征值；

(3)基于步骤(2)计算每个像素点上的两个特征值的相对差，并设置一合适的阈值，从而仅将包括主动脉壁与夹层部分在内的轮廓点提取出来；

(4)在步骤(3)得到的图像上识别出属于主动脉壁的像素点并将其去掉，从而将夹层单独分离出来；

步骤(1)中，由于人体胸腹腔内部结构的复杂性，以及CT图像的整体亮度偏暗，各组织、器官之间的对比度较低，因此需要对读入的CT图像的亮度进行适当调整；此外，若对整幅CT图像进行后续运算，计算量会非常大，降低了运算效率，而且其它组织器官也会对主动脉的自动分割产生一定干扰，因此应选取适当大小的感兴趣区域用于后续的运算处理；再在感兴趣区域的基础上自动提取出主动脉区域，彻底消除胸腹腔内其它组织对夹层提取的干扰；

步骤(2)中，Hessian矩阵是一个多元函数的二阶偏导数构成的方阵，描述了函数的局部曲率，主要用于判断函数在某一点处的性质，因此也可将Hessian矩阵用于对图像上各像素点的性质做描述；

步骤(3)中，Hessian矩阵特征值的相对差描述了图像上某点处的灰度梯度变化的速度；如果特征值相差较多，则梯度变化速度越快，即此点可判断为是轮廓点；反之，特征值相差不多，那么此点就不是轮廓点；

步骤(4)中，计算主动脉区域的外壁轮廓上的各点与通过特征值相对差提取出来的主动脉壁和夹层轮廓上各点之间的距离，识别出步骤(3)所得到的图像上属于主动脉壁的像素点并且将其去掉，最终只保留夹层部分；本发明与现有技术相比较具有如下优点：

1.本发明避免了传统手动分割工作量大，耗时长等缺点，实现了快速全自动地将主动脉夹层从复杂的人体胸腹腔中单独分割出来；

2.本发明可重复性好，避免了人工分割造成的不确定性，由于不同医学专家的分割结果存在很大的差异，甚至同一专家在不同的时间和不同的状态下对同一幅图像的分割的结果也有不小的差异；此发明由于是全自动分割，不存在人为干预，故分割结果将避免这种不确定性的发生，提高了分割精度；

3.本发明避免了传统分割方法中分割效果易受噪声影响的问题，通过利用Hessian矩阵特征值的特性自动、精确地仅将主动脉夹层提取出来，不会由于噪声的影响而造成主动脉腔体内有一些具有干扰性的孤立像素点存在。

附图说明

图1为本发明的算法流程图；

图2为输入的CT图像和经过预处理后得到的图I(x，y)；(a)为输入的原始CT图像；(b)为经过预处理后得到的图I(x，y)；

图3为在I(x，y)上自动提取出的主动脉区域；

图4为利用Hessian矩阵特征值间的相对差提取出的主动脉壁与夹层；

图5为识别并去掉主动脉壁的像素点后，最终仅保留下的夹层部分。

具体实施方式

本发明的算法流程图如图1所示，首先读取CT图像，进行图像预处理并单独提取出主动脉区域；然后构建二维Hessian矩阵应用于整个主动脉区域上的每一个像素点，并分别求得每一个像素点对应的两个特征值；计算每个像素点上的两个特征值的相对差，并设置一合适的阈值，从而仅将包括主动脉壁与夹层部分在内的轮廓点提取出来；最后识别出属于主动脉壁的像素点并且将其去掉，从而将夹层单独分离出来。下面结合附图，对本发明技术方案的具体实施过程进行详细描述。

1.读取CT图像，进行图像预处理并单独提取出主动脉区域

由于人体胸腹腔内部结构的复杂性，以及CT图像的整体亮度偏暗，各组织、器官之间的对比度较低，因此需要对读入的CT图像的亮度进行适当调整，输入的原始CT图像如图2(a)所示；首先根据先验知识了解到CT图像中有用信息所在的灰度范围，再将其映射到整个灰度空间上，从而将整幅图像亮度提升；又由于若对整幅CT图像进行后续运算，计算量会非常大，同时为了尽量排除其它组织器官对主动脉分割产生干扰，应选取适当大小的感兴趣区域用于后续的运算处理，这里采取128*128大小的区域作为感兴区域，且主动脉可完整地显示在此区域中；经过以上预处理操作最终得到的图像如图2(b)所示；再在感兴趣区域的基础上自动提取出主动脉区域，彻底消除胸腹腔内其它组织对夹层提取的干扰；提取出的主动脉区域如图3所示；

2.构建二维Hessian矩阵并计算出对应的两个特征值

在获取到的整个主动脉区域上的每一个像素点构建基于高斯函数的二维Hessian矩阵；首先对高斯函数的x和y分别求二阶偏导：再用得到的高斯二阶偏导算子与图像做卷积处理，得到I_xx，I_yy，I_xy；利用卷积后的值可构成Hessian矩阵：

$H=\left[\begin{array}{cc}{I}_{xx}& I_{xy}\\ I_{xy}& I_{yy}\end{array}\right]$

最后对图像上每一个像素点构成的Hessian矩阵计算出其对应的特征值；

3.求两特征值间相对差，设置合适阈值提取出主动脉壁与夹层

Hessian矩阵特征值的相对差描述了图像上某点处的灰度梯度变化的速度；如果特征值相差较多，则梯度变化速度越快，即此点可判断为是轮廓点；反之，特征值相差不多，那么此点就不是轮廓点；Hessian矩阵特征值的相对差定义为：

L＝|λ₂-λ₁|

由于主动脉壁和夹层处有明显的轮廓，故这两处的像素点的L取值与主动脉腔体内其它像素点处L取值有明显差异，根据这一差异选取合适的阈值L_th，用于区分出整个主动脉图像上属于主动脉壁和夹层的像素点，从而仅将主动脉壁和夹层单独提取出来，提取结果如图4所示；

4.识别出主动脉壁上的像素点并将其去掉，仅保留夹层部分

首先分别计算出主动脉区域的外壁轮廓上的各点与通过特征值相对差提取出来的主动脉壁和夹层轮廓上各点两两之间的距离，由于两组像素点中都包含主动脉壁上的像素点，故只要将计算出的距离中小于一定值d_th的像素点从步骤(3)中得到的图像上去掉，即可仅将夹层保留下来，最终提取得到的图像如图5所示；如此就可以自动、精确地仅将主动脉夹层从复杂的人体胸腹腔中提取出来，为后续人体胸腹腔内夹层的三维重建工作奠定了基础。

Claims (1)

1.一种基于Hessian矩阵的人体胸腹腔CT图像主动脉夹层提取方法，包括下列步骤：

(1)读取CT图像，进行图像预处理并单独提取出主动脉区域；

(2)构建二维Hessian矩阵应用于步骤(1)得到的图像上的每一个像素点，并分别求得每一个像素点对应的两个特征值；

(3)基于步骤(2)计算每个像素点上的两个特征值的相对差，并设置一合适的阈值，从而仅将包括主动脉壁与夹层部分在内的轮廓点提取出来；

(4)在步骤(3)得到的图像上识别出属于主动脉壁的像素点并将其去掉，从而将夹层单独分离出来；

步骤(1)中，由于人体胸腹腔内部结构的复杂性，以及CT图像的整体亮度偏暗，各组织、器官之间的对比度较低，因此需要对读入的CT图像的亮度进行适当调整；此外，若对整幅CT图像进行后续运算，计算量会非常大，降低了运算效率，而且其它组织器官也会对主动脉的自动分割产生一定干扰，因此应选取适当大小的感兴趣区域用于后续的运算处理；再在感兴趣区域的基础上自动提取出主动脉区域，彻底消除胸腹腔内其它组织对夹层提取的干扰；

步骤(2)中，Hessian矩阵是一个多元函数的二阶偏导数构成的方阵，描述了函数的局部曲率，主要用于判断函数在某一点处的性质，因此也可将Hessian矩阵用于对图像上各像素点的性质做描述；

步骤(3)中，Hessian矩阵特征值的相对差描述了图像上某点处的灰度梯度变化的速度；如果特征值相差较多，则梯度变化速度越快，即此点可判断为是轮廓点；反之，特征值相差不多，那么此点就不是轮廓点；

步骤(4)中，计算主动脉区域的外壁轮廓上的各点与通过特征值相对差提取出来的主动脉壁和夹层轮廓上各点之间的距离，识别出步骤(3)所得到的图像上属于主动脉壁的像素点并且将其去掉，最终只保留夹层部分。