CN106709920A - 血管提取方法及其装置 - Google Patents

Abstract

本发明公开一种血管提取方法，包括如下步骤：根据医学图像定位候选血管区域；将所述候选血管区域划分为对称分布的第一区域和第二区域；基于所述第一区域和第二区域的血管特征，分别构建第一特征函数和第二特征函数；组合所述第一特征函数和第二特征函数，获取血管特征函数；根据所述血管特征函数的值确定种子点；基于所述种子点提取血管。本发明还公开了一种血管提取装置。本发明公开的血管提取方法能够快速、准确提取血管，提高医疗诊断的准确性。

Description

血管提取方法及其装置

【技术领域】

本发明涉及医学图像处理领域，特别是涉及一种血管提取方法及其装置。

【背景技术】

血管成像技术包括CT血管造影(CTA，CT angiography)，磁共振血管造影(Magnetic Resonance Angiography，MRA)，以及MR非造影成像等，是临床常用的血管诊断方法，可以帮助医生诊断血管的各种疾病，如钙化、狭窄、动脉瘤、硬脑膜静脉窦等。通过血管成像技术获取的血管图像并不能给医生直观的感受。因此需要从医学图像中提取血管并以三维显示技术展示血管的形态，以更好地辅助医生对病灶进行分析，提高医疗诊断的准确性和科学性，有利于制定最优的治疗方案及手术规划，对医学研究具有重要的意义。

血管成像获取的医学图像需要将血管与其它组织分离，但是，由于动脉瘤或钙化等疾病的影响导致血管狭窄，或者由于造影剂过低或扫描问题，可能呈现不同的形态，或者由于血管与周围骨头紧邻，空间位置错综复杂，同时增强后的血管强度值和骨头的强度值存在部分重叠，从而影响医生对血管的检测及诊断。

现有技术中，血管提取的方法主要有：

1.基于血管模型，例如利用可变网格的模型拟合血管结构，在提取过程中不依赖图像特征信息，适用于具备典型血管的形状特征的提取。但是，由于网格技术非常复杂，导致分割速度较慢，影响实际使用。

2.不基于血管模型。根据提供的一个或多个起始点(终止点)寻找血管种子点。例如，根据卡尔曼滤波方法技术每个横截面上发根血管得到血管截面，不断移动截面并计算卡尔曼增益，最终提取完整血管。该类方法依赖于起始点(终止点)的输入，鲁棒性有待提高，无法实现自动的血管提取。

综上所述，由于血管系统的复杂性，有必要对现有血管提取方法进行改进，提高血管提取的准确性。

【发明内容】

本发明所要解决的技术问题提出一种血管提取方法，其能有效改进现有血管提取方法，自动确定血管种子点，进而快速、准确地提取血管。

为解决上述技术问题，本发明提供一种血管提取方法，包括如下步骤：

定位医学图像中的候选血管区域；

将所述候选血管区域划分为对称分布的第一区域和第二区域；

基于所述第一区域和第二区域的血管特征，分别构建第一特征函数和第二特征函数；

根据所述第一特征函数和第二特征函数，获取血管特征函数；

根据所述血管特征函数的值确定种子点；

基于所述种子点提取血管。

进一步的，所述定位候选血管区域，包括：

通过模板匹配、或者熵定位、或者空间位置关系定位或者前述方法的组合定位所述候选血管区域。

进一步的，包括通过镜面操作、或者空间定位、或者基于质心进行划分将所述候选血管区域划分为第一区域和第二区域。

进一步的，所述建立第一特征函数和第二特征函数，至少包括：

获取所述第一区域或第二区域的血管特征；

构造包含所述血管特征的第一特征函数和第二特征函数；

所述血管特征至少包括形状指数、增强值、强度值或梯度。

进一步的，包括通过海森矩阵或者霍夫曼变化处理所述第一区域或第二区域获取所述增强值。

进一步的，所述第一特征函数和第二特征函数通过所述血管特征加权组合获取。

进一步的，所述根据所述血管特征函数的值确定种子点，包括：

计算所述血管特征函数的值；

选取血管特征函数的最大值对应的像素或体素为所述种子点。

进一步的，所述候选血管区域划分为对称分布的第一区域和第二区域还包括：对所述第一区域和第二区域进行阈值分割，去除骨骼组织。

为解决上述技术问题，本发明还提供一种血管提取装置，包括：

定位单元，用于获取医学图像中的候选血管区域，将所述候选血管区域划分为对称分布的第一区域和第二区域；

种子点确定单元，用于确定血管的种子点；

提取单元，用于基于所述种子点提取血管。

进一步的，所述确定单元包括：

构建子单元，基于所述第一区域和第二区域的血管特征，分别建立第一特征函数和第二特征函数；

组合子单元，根据所述第一特征函数和第二特征函数，获取血管特征函数；

确定子单元，根据所述血管特征函数的值确定种子点。

与现有技术相比，本发明的优点在于：

本发明利用人体对称信息，划分所述候选血管区域，获取对称分布的第一区域和第二区域；组合对应第一区域和第二区域的第一特征函数和第二特征函数，获取血管特征函数，计算所述血管特征函数值，确定对称分布于所述确定第一区域和第二区域的种子点。本发明提供的血管种子点及其选取方法不需要标准模型且能够全自动选取血管种子点，充分利用人体对称信息，具有可靠性高，提取速度快的特点，相对于根据单一血管的特征提取血管更加准确。

【附图说明】

图1为本发明一实施例中血管的提取方法流程图；

图2为本发明一实施例中头颈部血管示意图；

图3为本发明一实施例中提取椎动脉的方法流程图；

图4为本发明一实施例中提取颈内动脉的方法流程图；

图5为本发明一实施例中大脑横断面切片示意图；

图6本发明一实施例中应用系统示意图；

图7为本发明一实施例中血管提取装置的结构示意图。

【具体实施方式】

在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施的限制。

其次，本发明利用示意图进行详细描述，在详述本发明实施例时，为便于说明，所述示意图只是实施例，其在此不应限制本发明保护的范围。使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图和实施例对本发明的具体实施方式做详细的说明。

实施例1

为解决现有技术中由于血管系统的复杂性影响血管提取的准确性，例如动脉瘤或钙化等疾病的影响导致血管狭窄，或者由于造影剂过低或扫描问题，可能呈现不同的形态，或者与空间上紧贴血管，图像强度值接近的骨头组织等，本实施例采用一种血管的提取方法如图1所示，包括如下步骤：

执行步骤S101：定位医学图像中的候选血管区域。所述医学图像包括但不限于通过各类模态的成像系统扫描采集获得三维或二维图像，也可以通过诸如存储系影像归档和通信系统(Picture Archiving and Communication Systems，PACS)等内部或外部存储系统传输获得。所述模态包括但不限于磁共振成像(MRI)、磁共振血管造影(MRA)、计算机断层扫描(CT)、正电子发射断层扫描(Positron Emission Tomography，PET)等一种或多种的组合。所述医学图像的格式可以包括但不限于JPEG图像格式、TIFF图像格式、GIF图像格式、FPX图像格式、DICOM图像格式等。

本实施例中，所述医学图像可以是通过前述各类成像系统对人体实施实施扫描后获取的原始图像，也可以是通过输入计算机图像处理设备中进行处理，基于阈值分割、聚类算法、直方图分割模型、最大类间方差分割模型、基于网格模型、或者基于图像匹配等方法处理后的医学图像，例如采用前述方法处理获取的血管分割结果，可以通过定位所述分割结果的候选血管区域进行后续的血管提取，以供用户观察和使用。

所述定位候选血管区域，可以通过模板匹配、或者熵定位、或者分割方法或者前述方法的组合定位所述候选血管区域。例如，可以通过将所述医学图像与标记有血管图谱的模板图像进行匹配，根据映射关系将所述血管图谱匹配至所述医学图像，获取所述候选血管区域。又例如，可以通过计算所述医学图像的熵值曲线后，与标准曲线进行匹配，从而定位所述候选血管区域。本实施例中，定位候选血管区域前，还可以对所述医学图像进行血管增强等操作，以提高定位准确性。还例如，通过血管区域与周围组织的位置关系定位所述血管候选区域。所述血管候选区域，可以是动脉血管、静脉血管等血管，或者上述的任意组合。例如对称分布的颈内动脉、颈外动脉、椎动脉、大脑中动脉和股动脉等，所述血管候选区域可能还包括空间上紧贴血管，图像强度值与血管相近的骨头组织，和动脉瘤或钙化等病灶组织等影响提取血管准确性的主要噪音。

执行步骤S102：将所述候选血管区域划分为第一区域和第二区域。所述第一区域和第二区域对称分布。例如，颈内动脉基于矢状面对称分布，通过计算矢状面将所述颈内动脉划分为左颈内动脉和右颈内动脉。本实施例中，还可以通过空间定位获取所述第一区域和第二区域。所述空间定位可以基于候选血管区域与周围组织的空间位置关系或者形态结构或者前述组合划分为所述第一区域或第二区域，例如对于椎动脉，获取左、右椎动脉。还可以通过所述质心获取所述第一区域或第二区域，例如可以通过计算所述候选血管区域的质心，构建对称面，获取所述第一区域和第二区域。本实施例中，还可以组合前述的镜面操作、或者空间定位、或者基于质心划分所述血管候选区域，获取所述第一区域和第二区域。还可以基于所述血管区域的横断面作划分操作，获取所述第一区域和第二区域。还可以基于所述第一区域和第二区域作阈值分割，去除大块骨头组织，减少后续处理的计算量，提高处理速度。本实施例中，通过划分所述候选血管区域，获取对称分布的第一区域和第二区域，有效利于人体对称信息，便于后续构建对称区域中的特征函数，进而确定血管种子点，提高血管提取的鲁棒性和准确性。

执行步骤S103：基于所述第一区域和第二区域的血管特征，分别建立第一特征函数和第二特征函数。所述第一特征函数是包含第一区域的血管特征的函数，例如可以通过加权组合所述第一区域的血管特征获取所述第二特征函数，同理，也可以获取所述第二特征函数。所述血管特征至少包括形状指数、增强值、强度值或梯度、空间形态、位置关系或者前述组合。所述形状指数可以是对于所述第一区域或第二区域的面积与周长比，二阶长距与长短轴之比等关于判断形状的函数；所述增强值可以是通过霍夫曼变化或海森矩阵处理所述第一区域或第二区域中各个像素或体素获取的增强图像。所述强度值可以是所述第一区域或第二区域中各个像素或体素灰度值，灰度均值、灰度方差或者前述组合。所述梯度可以是直接计算各点梯度值，梯度方差、或者梯度值与平均值的差值、梯度方差或者前述组合。

执行步骤S104：根据所述第一特征函数和第二特征函数，获取血管特征函数。本实施例中，可以组合所述第一特征函数和第二特征函数获取所述血管特征函数，如公式(1)所示，F表示组合后的血管特征函数，f表示组合函数，W_l表示所述第一特征函数的权重，以及Wr表示所述第二特征函数的权重。W_l和/或W_r可以是常数，例如，正的常数、负的常数、或者0。所述组合可以是加、减、乘、除、求倒、分段函数、幂函数、指数函数、三角函数、对数函数等运算，或者上述运算方式的任意组合。

F＝f(F_l·W_l，F_r·W_r) 公式(1)

示例性的，可以通过乘法运算，如公式(2)所述，F表示所述血管特征函数，所述F_li为通过所述第一特征函数计算第一区域中任意一个像素点或体素点i的值，所述F_rj为通过所述第一特征函数计算第一区域中任意一个像素点或体素点j的值，所述d为点i和点j之间的空间直线距离。

F_i，j＝(F_li×F_rj)/d_i，j 公式(2)

本实施例中，根据所述第一特征函数和第二特征函数，获取血管组合函数，以人体对称性作为血管特征，充分利用第一区域和第二区域的血管特征，利用后续种子点的确定，有效提高血管提取的准确性。

执行步骤S105：根据所述血管特征函数的值确定种子点。基于公式(1)计算所述血管特征函数的值。选取血管特征函数的最大值对应的像素或体素为所述种子点。例如，根据所述第一特征函数计算所述第一区域中任意一点i的第一特征函数值；根据所述第二特征函数计算所述第二区域中任意一点j的第二特征函数值；将所述特征函数的值和第二特征函数的值代入血管特征函数，获取所述血管特征函数的值。所述血管特征函数的值分别对应所述第一区域中任意一点i和第二区域中任意一点j。本实施例中，也可以选取血管特征函数绝对值的最大值所对应的像素或体素为所述种子点。本实施例中，基于所述血管特征函数的值，获取对称分布于所述第一区域和第二区域的种子点，充分利用人体对称信息，相对于根据单一血管的特征提取血管更加准确。

执行步骤S106；基于所述种子点提取血管。根据对称分布于所述第一区域和第二区域中的种子点，采用水平集算法、基于阈值的提取方法、基于边缘的提取方法、基于区域的提取方法、基于聚类分析的提取方法、基于小波变换的提取方法、基于数学形态学的方法、基于人工神经网络的方法、基于遗传算法的方法等方法获得血管边界或者血管中心线，获取所述第一区域或第二区域内的血管。

本实施例中，利用人体对称信息，划分所述候选血管区域，获取对称分布的第一区域和第二区域；组合对应第一区域和第二区域的第一特征函数和第二特征函数，获取血管特征函数，计算所述血管特征函数，确定对称分布于所述确定第一区域和第二区域的种子点。本实施例提供的血管提取方法，不依赖于标准高模型，全自动选取血管种子点，相对于根据单一血管的形状特征提取血管更加准确。

实施例2

为使上述目的、特征和优点能够更加明显易懂，本实施例提供一种针对头颈部血管造影图像提取椎动脉的方法。如图2所述，椎动脉空间形态成左右对称的两条细长血管，解剖结构上穿椎孔向颅内伸展，经枕骨大孔上升到颅内后，两条椎动脉在脑桥下缘汇合在一起，为大脑后部供血。由于椎动脉管边界多与骨头粘连，空间位置错综复杂导致提取难度较大。因此，本实施例提供如图3方法流程图所示，包括如下步骤：

执行步骤S301：定位医学图像中的椎动脉区域。所述CTA图像可以是经过图像分割获取的头颈部血管区域，也可是将所述CTA图像与标记有椎动脉图谱的标准图像进行匹配，根据映射关系将所述标准图像中的椎动脉匹配至所述CTA图像，获取所述椎动脉区域。本实施例中，所述CTA图像可以是二维图像，也可以是三维图像，对应图像的最小单元为像素或体素。

执行步骤S302：基于矢状面将所述椎动脉区域划分为对称分布的第一区域和第二区域。例如，计算所述椎动脉区域的矢状对称面，所述对称可以基于空间定位获取，也可以通过定位所述椎动脉区域的质心获取。基于所述矢状对称面将所述椎动脉区域划分为第一区域和第二区域。所述第一区域和第二区域分别对应左、右椎动脉区域。本实施例中，所述第一区域和第二区域也可以通过外接矩形框显示，基于外接矩形内的区域进行后续处理，以减少计算量，提高血管的提取速度。

执行步骤S303：基于所述第一区域和第二区域的血管特征，建立第一特征函数F_l和第二特征函数F_r。本实施例中，所述第一特征函数是包含第一区域的血管特征的函数，所述第二特征函数是包含第二区域的血管特征的函数数。

示例性的，选取所述第一区域的血管特征，所述血管特征包括所述第一区域的灰度值G、梯度T、增强值H和面积周长比S的组合，所述第一特征函数是关于灰度值G、梯度T、增强值H和面积周长比S的函数，如F_li＝f(G_li，T_li，H_li，S_li；)。其中，增强值H和面积周长比S对所述第一特征函数起正影响作用，所述灰度值G所述梯度值T对所述第一特征函数起负影响作用，所述正影响所用是指该区域为血管的可能性较大，所述负影响是指该区域为非血管的可能性较大。

G_i＝abs(I_i-I_mean)/I_std 公式(3)

所述灰度值可以通过公式(3)获取，其中I_i为所述第一区域中任一个像素点或体素点i的图像灰度值，I_mean为所述第一区域各点的平均灰度值，所述I_mean的值基于经验值确定，I_std为血管灰度值方差，所述I_std可以通过经验值或者事先训练获取，例如，根据血管的金标准计算I_mean和I_std；通过取(I_i-I_mean)的绝对值与I_std的比值获取点i的灰度值。

所述梯度值可以反映图像灰度值的变化程度。例如，梯度值越大，图像灰度值变化越显著。由于血管内部为均质属性，属于血管内的点之间的梯度值变化较小，而血管边缘区域为非均质属性，属于血管边缘与背景相邻区域的梯度值变化较大。示例性的所述梯度值可以通过公式(4)获取，首先对所述第一区域进行增强处理，例如通过海森线增强所述第一区域中的管状连通域；选取被增强区域周围区域内的梯度平均值即T_circle，取增强值大于阈值的区域内的梯度平均值即T_mean，所述T_mean越小，则说明该区域越趋于均质属性，属于血管区域的可能性更高；所述阈值可以根据经验值确定，例如选取2.5。

T＝T_circle-T_mean 公式(4)

所述增强值可以通过海森矩阵或者霍夫变换处理所述第一区域，获取增强图像，读取各点的增强值H。也可以如公式(5)所示，由于血管空间形态为管状结果，可以通过海森增强提高所述第一区域中管状结构与骨、肌肉及其它噪音的对比度。其中H_l为海森线增强值，V为海森矩阵最大特征值对应的特征向量，N为待检测血管的标准方向，例如椎动脉空间走向为穿椎孔向颅内伸展方向，如果增强区域的走向与椎动脉一致，即与N一致，则V×N的值较大，该增强区域为血管的可能性更高，反之，V×N会比较小，说明该增强区域可能非血管区域，例如骨头组织。

H＝H_l×(V×N) 公式(5)

所述形状指数是判断连通域形状的函数，本实施例中选取所述形状指数可以是对于所述第一区域或第二区域的面积与周长比。

将所述第一区域的灰度值、梯度、增强值和形状指数组合成所述第一特征函数。示例性的，如公式(6)所示，通过加权组合个血管特征获取所述第一特征函数。其中，a_l、b_l、c_l和d_l分别是灰度值、梯度、增强值和形状指数对应的权重。

F_l＝a_lG_l+b_lT₁+c_lH_l+d_lS_l 公式(6)

同样的，如前述步骤所述，可以基于所述第二区域的的灰度值、梯度、增强值和形状指数获取所示所述第二特征函数，如公式(7)所示。

F_r＝a_rG_r+b_rT_r+c_rH_r+d_rS_r 公式(7)

执行步骤S304～S305：组合所述第一特征函数和第二特征函数，获取血管特征函数；计算所述血管特征函数的值，选取最大值对应的体素为种子点。

由于造影剂的影响，例如造影剂较弱的情况下，部分血管的强度值可能低于正常造影血管；以及血管瘤、钙化等病灶点的影响使得血管形态可能产生畸变。还有一些正常造影的血管，因与骨骼强度值相近，空间上紧贴骨骼，导致难以分辨血管等原因使得基于单一血管的血管特征进行血管特征，可能造成提取失败。因此本实施例中，通过组合所述第一特征函数和第二特征函数，包含了对称分布的第一区域和第二区域的血管特征，利用人体对称性确定种子点，可以有效解决单一血管中由于上述问题导致的血管提取失败。

所述组合可以通过如公式(2)所示，F_i，j表示所述血管特征函数，所述F_li为通过所述第一特征函数计算第一区域中任意一个像素点或体素点i的值，所述F_rj为通过所述第二特征函数计算第二区域中任意一个像素点或体素点j的值，所述d_i，j为点i和点j之间的空间直线距离。由于利用人体对称信息，基于包含对称分布的第一区域和第二区域中的血管特征构造的血管特征函数，确定种子点，所述种子点近似基于前述计算的矢状对称面对称，即值d_i，j较小，对应的血管特征函数值则越大。选取血管特征函数的最大值Max{(F_li×F_rj)/d_i，j}对应的点p和点q为种子点。进一步的，由于所述第一区域和区域对称分布，因此点p和点q也近似基于所述矢状对称面对称。

执行步骤S306：基于所述种子点提取血管。本实施例中，根据前述步骤获取的种子点p和点q分别在所述第一区域和第二区域进行血管提取。所述提取方法可以基于阈值的提取方法、基于边缘的提取方法、基于区域的提取方法、基于聚类分析的提取方法、基于小波变换的提取方法、基于数学形态学的方法、基于人工神经网络的方法、基于遗传算法的方法、以及相同或不同部位血管的组合方法等。本实施例对此不作具体限定。

实施例3

为使上述目的、特征和优点能够更加明显易懂，本实施例提供一种针对头颈部血管造影图像提取颈内动脉的方法。如图2所示，颈内动脉经颈总动脉发出后垂直上升至颅底，经过颈动脉管入颅腔，给大脑的前部和中部供血，空间形态上位于气管和椎骨之间。由于动脉易发动脉粥样硬化，导致血管发生形变(如血管狭窄)，以及穿颅的空间位置使得血管与周围骨头紧邻，空间位置错综复杂，以及增强后的血管强度值和骨头组织的强度值存在部分重叠导致分割提取难度较大。本实施例中提供如图4方法流程图所示，包括如下步骤：

执行步骤S401，根据头颈部CT图像定位颈内动脉区域。本实施例中，通过熵定位获取所述颈内动脉区域。示例性的，首先，计算每层CT图像的熵值获取图像的熵值曲线，将该熵值曲线与标准曲线进行匹配，可定位所述颈内动脉区域。

执行步骤S402，基于气管与椎骨的空间位置将所述颈内动脉区域，划分为对称分布的第一区域和第二区域。如图5大脑横断面图像所示，颈内动脉位于气团与椎骨之间，可以基于空间位置划分颈内动脉区域，获取对称分布的第一区域和第二区域，所述第一区域和第二区域分别对应左、右颈内动脉区域。本实施例中，所述第一区域和第二区域也可以通过外接框显示，例如扇形外接框，基于外接框内的第一区域和第二区域进行后续处理，以减少计算量，提高血管的提取速度，所述外接框形状可根据所述第一区域和第二区域的形态作适应性调整。

执行步骤S403，基于所述第一区域和第二区域的血管特征，分别建立第一特征函数F_l和第二特征函数F_r。本实施例中，所述第一特征函数是包含第一区域的血管特征的函数，所述第二特征函数是包含第二区域的血管特征的函数数。为提高建立所述第一特征函数的速度，本实施例首选对头颈部CT图像进行预处理，包括但不限于基于阈值的去骨方法，以去除不靠近血管区域的大块骨头组织，以及降噪、平滑处理等。

基于预处理后的头颈部CT图像作血管特征提取，建立所述第一特征函数。示例性的，选取所述第一区域的血管特征，所述血管特征包括所述第一区域的灰度值G、梯度T、增强值H和面积周长比S的组合，所述第一特征函数是关于灰度值G、梯度T、增强值H和面积周长比S的函数，如F_li＝f(G_li，T_li，H_li，S_li)。

构建所述第一特征函数的方法，前述实施例已详细描述，在此不作赘述。

同理可以获取所述第二特征函数F_li＝f(G_li，T_li，H_li，S_li)。

执行步骤S404，组合所述第一特征函数和第二特征函数，获取如公式(8)所示的血管特征函数。其中，F_i，j表示所述血管特征函数，所述F_li为通过所述第一特征函数计算第一区域中任意一个像素点或体素点i的值，所述F_rj为通过所述第二特征函数计算第二区域中任意一个像素点或体素点j的值，m_l和n_r为常数，对应所述第一特征函数和第二特征函数的权重，d_i，j为点i和点j之间的空间直线距离；abs为绝对值函数。

F_i，j＝abs{(m_lF_li+n_rF_rj)/d_i，j} 公式(8)

执行S405～406，根据所述血管特征函数的值确定种子点。基于所述种子点提取血管。选取血管特征函数的最大值Max{Fi，j}对应的点p和点q为种子点。进一步的，由于所述第一区域和区域对称分布，因此点p和点q也近似基于所述矢状对称面对称。基于获取的种子点p和点q分别在所述第一区域和第二区域进行血管提取。获取如图所述提取方法可以基于阈值的提取方法、基于边缘的提取方法、基于区域的提取方法、基于聚类分析的提取方法、基于小波变换的提取方法、基于数学形态学的方法、基于人工神经网络的方法、基于遗传算法的方法、以及相同或不同部位血管的组合方法等。本实施例对此不作具体限定。

本实施例中，基于熵定位颈内动脉区域，基于血管与周围组织的空间位置关系划分所述第一区域和第二区域，充分利用人体信息，提高定位准确性；基于第一区域和第二区域的血管特征建立第一特征函数和第二特征，并组合获取血管特征函数，该血管特征函数包含了对称分布的第一区域和第二区域的血管特征，利用人体对称性确定种子点，可以有效解决单一血管中提取失败的问题，提高血管提取的准确性。

实施例4

为解决上述技术问题本实施例中提供血管提取装置。如图6和图7所示是本发明一实施例中血管提取装置的应用系统以及装置构示意图。

所述应用系统可以包括一个或多个处理单元、一个或多个存储单元、一个或多个输入单元、一个或多个输出单元，各个单元之间可以是分布式也可以是集中式的，可以是本地的也可以是远程的。

示例性，如图6所示，所述系统包括：输入单元U100，存储单元U200，处理单元U300，和输出单元U400。

所述输入单元U100，用于获取医学图像。所述医学图像医学包括但不限于通过各类模态的成像系统扫描采集获得三维或二维图像，也可以通过诸如存储系影像归档和通信系统(Picture Archiving and Communication Systems，PACS)等内部或外部存储系统传输获得。所述模态包括但不限于磁共振成像(MRI)、磁共振血管造影(MRA)、计算机断层扫描(CT)、CT血管造影图像(CTA，CT angiography)、正电子发射断层扫描(Positron EmissionTomography，PET)等一种或多种的组合。所述输入单元U100可以将医学图像发送至存储单元U200作存储处理，也可以传输至处理单元U300进行图像处理。

所述存储单元U200可以为具有存储功能的设备。存储输入单元U100收集的数据(例如，成像设备拍摄的医学图像)和计处理单元U300工作中产生的各种数据。所述存储单元U200可以是本地的，也可以是远程的。所述存储单元U200可以将信息数字化后再以利用电、磁或光学等方式的存储设备加以存储。所述存储单元U200也可以用来存放各种信息例如程序和数据等。以上提及的存储设备只是列举了一些例子，本实施例中，血管提取装置的工作环境中可以使用的存储设备并不局限于此。

所述处理单元U300，包括所述血管提取装置，用于处理所述医学图像，获取血管的提取结果。本实施例中，所述血管处理装置包括定位单元U310和种子点确定单元U320和提取单元U330。

所述定位子单元U310，用于获取医学图像中的候选血管区域，将所述候选血管区域划分为第一区域和第二区域，并且所述第一区域和第二区域对称分布，提高目标区域获取过程的处理效率。所述定位子单元可以通过模板匹配、或者熵定位、或者分割方法或者前述方法的组合定位所述候选血管区域。所述模板匹配可以基于所述存储单元U200获取。所述空间定位可以基于候选血管区域与周围组织的空间位置关系或者形态结构或者前述组合划分为所述第一区域或第二区域。还可以组合前述的镜面操作、或者空间定位、或者基于质心划分所述血管候选区域，获取所述第一区域和第二区域。本实施例中，可以基于所述血管区域的横断面作划分操作，获取所述第一区域和第二区域。定位子单元U310通过划分所述候选血管区域，获取对称分布的第一区域和第二区域，有效利于人体对称信息，便于后续构建对称区域中的特征函数，进而确定血管种子点，提高血管提取的鲁棒性和准确性。

所述种子点确定单元U320，用于确定血管的种子点，包括构建子单元U321，用于基于所述第一区域和第二区域的血管特征，分别建立第一特征函数和第二特征函数；所述第一特征函数是包含第一区域的血管特征的函数，例如可以通过加权组合所述第一区域的血管特征获取所述第二特征函数，同理，也可以获取所述第二特征函数。所述血管特征至少包括形状指数、增强值、强度值或梯度、空间形态、位置关系或者前述组合。

组合子单元U322，用于组合所述第一特征函数和第二特征函数，获取血管特征函数；该血管特征函数包含了对称分布的第一区域和第二区域的血管特征。

以及确定子单元U323，用于根据所述血管特征函数的值确定种子点。例如，选取血管特征函数的最大值对应的像素或体素为所述种子点，所述种子点，获取对称分布于所述第一区域和第二区域的种子点，充分利用人体对称信息，相对于根据单一血管的特征提取血管更加准确。

所述提取单元U330，用于基于所述种子点提取血管。根据对称分布于所述第一区域和第二区域中的种子点，采用水平集算法、基于阈值的提取方法、基于边缘的提取方法、基于区域的提取方法、基于聚类分析的提取方法、基于小波变换的提取方法、基于数学形态学的方法、基于人工神经网络的方法、基于遗传算法的方法等方法获得血管边界或者血管中心线，获取所述第一区域或第二区域内的血管。

所述输出单元U400可以向处理单元U300输入数据，也可以接收处理单元U300输出的数据，例如血管提取结果结果，并将输出的数据以数字、字符、图像、声音等形式表示出来。输出的数据可以发送给外接设备，也可以不发送。不发送的输出数据可以存储在存储单元中。所述输出单元可以包括但不限于显示设备、打印设备、绘图仪、影像输出系统、语音输出系统、磁记录设备等中的一种或几种的组合。在一些实施例中，有些外接设备可以同时起到输入和输出的作用，例如，台式电脑、笔记本、智能手机、平板电脑、个人数码助理(personal digital assistance，PDA)等。

上述处理单元U300可以实际存在于应用系统中，也可以通过云计算平台完成相应功能。其中，云计算平台包括但不限于存储数据为主的存储型云平台、以处理数据为主的计算型云平台以及兼顾数据存储和处理的综合云计算平台。系统所使用的云平台可以是公共云、私有云、社区云或混合云等。例如，根据实际需要，系统接收的一些医学图像，可以通过云平台进行计算和/或存储。另一些医学图像，可以通过本地诊断单元和/或系统数据库进行计算和/或存储。

需要注意的是，输入单元U100、存储单元U200、处理单元U300、输出单元U400之间的连接或通信可以是有线的，也可以是无线的。

以上对于血管提取装置及其应用应用系统的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个单元进行任意组合，或者构成子系统与其他单元连接，对实施上述方法和系统的应用领域形式和细节上的各种修正和改变。例如，存储单元U200可以是具有数据存储功能的云计算平台，包括但不限于公用云、私有云、社区云和混合云等。诸如此类的变形，均在本申请的保护范围之内。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种血管提取方法，其特征在于，包括如下步骤：

定位医学图像中的候选血管区域；

将所述候选血管区域划分为对称分布的第一区域和第二区域；

基于所述第一区域和第二区域的血管特征，分别构建第一特征函数和第二特征函数；

根据所述第一特征函数和第二特征函数，获取血管特征函数；

根据所述血管特征函数的值确定种子点；

基于所述种子点提取血管。

2.根据权利要求1所述的血管提取方法，其特征在于，所述定位候选血管区域，包括：

通过模板匹配、或者熵定位、或者空间位置关系定位或者前述方法的组合定位所述候选血管区域。

3.根据权利要求1所述的血管提取方法，其特征在于，包括通过镜面操作、或者空间定位、或者基于质心将所述候选血管区域划分为第一区域和第二区域。

4.根据权利要求1所述的血管提取方法，其特征在于，所述建立第一特征函数和第二特征函数，至少包括：

获取所述第一区域或第二区域的血管特征；

构造包含所述血管特征的第一特征函数和第二特征函数；

所述血管特征包括形状指数、增强值、强度值或梯度中的至少一种。

5.根据权利要求4所述的血管提取方法，其特征在于，包括通过海森矩阵或者霍夫曼变化处理所述第一区域或第二区域获取所述增强值。

6.根据权利要求4所述的血管提取方法，其特征在于，所述第一特征函数和第二特征函数通过所述血管特征加权组合获取。

7.根据权利要求1所述的血管提取方法，其特征在于，所述根据所述血管特征函数的值确定种子点，包括：

计算所述血管特征函数的值；

选取血管特征函数的最大值对应的像素或体素为所述种子点。

8.根据权利要求1所述的血管提取方法，其特征在于，所述候选血管区域划分为对称分布的第一区域和第二区域还包括：对所述第一区域和第二区域进行阈值分割，去除骨骼组织。

9.一种血管提取装置，其特征在于，包括：

定位单元，用于获取医学图像中的候选血管区域，将所述候选血管区域划分为对称分布的第一区域和第二区域；

种子点确定单元，用于确定血管的种子点；

提取单元，用于基于所述种子点提取血管。

10.根据权利要求9所述的血管提取血管，其特征在于，所述种子点确定单元包括：

构建子单元，基于所述第一区域和第二区域的血管特征，分别建立第一特征函数和第二特征函数；

组合子单元，根据所述第一特征函数和第二特征函数，获取血管特征函数；

确定子单元，根据所述血管特征函数的值确定种子点。