CN107610095A - 基于图像融合的心脏ct冠脉全自动分割方法 - Google Patents

Abstract

本发明提出了基于图像融合的心脏CT冠脉全自动分割方法，所述方法首先对心脏CT图像采用Vesselness算法进行图像滤波，随后沿冠脉中心线计算原始三维图像和Vesselness增强三维图像的二维截面，生成大小是100×100像素的二维图像序列。在二维截面上利用图像灰度信息和Vesselness图像信息进行自适应融合。最终，采用Levelset(水平集)算法在融合后的二维截面上进行演化自动分割出冠脉区域，分割后的图像根据逆变换关系，映射回三维空间，实现心脏CT图像的冠脉自动分割。本发明主要提出了一种针对心脏三维CT图像进行冠脉自动分割的方法，在提取冠脉中心线的基础上，生成三维图像的二维截面，利用两种图像信息进行融合，最大程度地保证了在心脏CT图像质量较低的情况下，对心脏冠脉的准确的分割。

Description

基于图像融合的心脏CT冠脉全自动分割方法

技术领域

本发明是针对心脏CT图像中冠脉分割的解决方案。主要用于解决在心脏CT图像的图像质量不高的情况下冠脉难以实现准确分割的问题，属于医学图像处理技术领域。

背景技术

当前，心血管疾病已成为人类生命健康的重大威胁之一，发病率和死亡率都居于各类疾病之首。而我国正是世界上心血管疾病发病率和死亡率最高的国家之一。据卫生部的公布的统计资料显示：我国心血管病人已经超过了1.5亿人口，其中每年死于相关疾病的人口更是达到了400万以上，这占了各类疾病导致的死亡人数的50％，约占世界心血管疾病死亡率的24％，并且呈现明显的上升趋势。心脏CT图像的冠脉分割技术有利于心血管疾病的筛查和诊断，因此冠脉的准确分割技术研究就变得极为重要。

随着科学技术的不断发展，医学图像的采集获得了迅猛发展，计算机技术的加入，使得医学图像的计算机处理获得了更广泛的研究和关注。医学图像的处理由过去人工分析病人病灶逐渐发展为计算机对医学图像的预处理并获得较准确的分割结果。但是由于医学图像的成像设备获取的图像往往充满了噪点，导致待分割部分和背景界限模糊，算法设计不当会直接导致分割发生错误。因此，人们研究如何在获得的医学图像中分割特定的区域就面临着各种问题。

在医学图像分割领域，结合了高层视觉先验知识和图像底层信息的主动轮廓模型得到了广泛的应用。水平集方法的出现，极大推动了主动轮廓模型的发展，水平集方法和曲线演化模型相结合，克服了传统模型的很多固有缺陷。但在应用于心脏CT图像的冠脉分割时，由于图像噪声较大，依然无法保证目标区域的有效分割。Vesselness算法是一种多尺度管状结构分析方法，利用vesselness度量可以增强血管的强度，将因为噪声而影响的冠脉区域重新还原出来，从而利于水平集分割算法更好的分割出心脏CT图像中的冠脉区域。

发明内容

技术问题：本发明主要用于解决心脏CT图像中充满噪点导致待分割部分和背景界限模糊，一般分割算法难以实现冠脉区域的准确分割的问题。

技术方案：本发明先对原始三维图像进行Vesselness图像增强，随后对增强后的图像以及原始三维灰度图像沿冠脉中心线计算二维截面，生成大小为100×100像素的二维图像序列。然后在二维截面上利用图像灰度信息和增强的Vesselness图像信息进行自适应融合。最终，采用Levelset算法在融合后的二维截面上进行演化自动分割出冠脉区域，分割后的二维序列图像再根据逆变换关系，映射回三维空间，从而实现了心脏CT图像的冠脉分割。

A1、图像增强：

对原始三维心脏CT图像进行Vesselness图像增强，并将增强后的图像数据进行保存。

A2、计算图像二维截面：

对增强后的三维图像沿冠脉中心线计算二维截面，生成的图像是以中心线上的点为中心，大小为100×100像素的二维图像序列。

对原始三维灰度图像进行相同的处理并保存。

A3、图像预处理：

以原始灰度图像二维截面的中心为采样区域的中心，根据采样区域像素值得出该区域原始图像像素值的自适应阈值，遍历该区域原始图像像素点并与自适应阈值比较从而对图像进行预处理得出原始图像的灰度信息。

A4、图像融合：

利用预处理图像的灰度信息与增强图像的图像信息进行自适应融合，保存融合后的图像。

A5、图像分割：

对融合后的图像采用LevelSet算法进行演化自动分割出冠脉区域，将分割区域内的像素点坐标保存至动态队列中。

A6、目标区域映射：

将动态队列中的像素点坐标根据逆变换关系映射回原始三维空间即为心脏CT图像的冠脉区域。

有益效果

本发明主要用于解决心脏CT图像中充满噪点导致待分割部分和背景界限模糊，分割算法难以实现冠脉区域的准确分割问题的解决方案。对待分割的三维图像分别利用自适应阈值进行预处理和利用Vesselness算法进行图像增强，并将两种图像处理方法得到的图像信息进行自适应融合，使目标区域能够在背景中得以被区分出，提高了水平集分割算法对冠脉区域进行分割的准确性。

附图说明

图1本发明流程示意图。

图2为对原始灰度图像进行LevelSet分割的结果。

图3为直接对Vesselness增强图进行LevelSet分割的结果。

图4为融合了原始图灰度信息与Vesselness增强图图像信息后进行LevelSet分割的结果。

具体实施方式

下面结合附图，进一步具体说明心脏CT图像的冠脉分割方法。

如图1所示，本发明所提供的一种对于心脏CT图像的冠脉自动分割方法，包括如下步骤：

1、图像增强：

对原始三维心脏CT图像利用Vesselness算法进行图像增强。Vesselness算法对图像中的每个像素点x以尺度s计算图像的海森矩阵。若海森矩阵的特征值λ₁，λ₂符合下面规则：

λ₁≈0 (公式1)

|λ₁|≤|λ₂| (公式2)

则可认为该点为目标区域，否则将该点的像素值设为0。

2、计算图像的二维截面：

根据输入的冠脉中心线，依次选取中心线上相邻的三个点(X₁，Y₁，Z₁)，(X₂，Y₂，Z₂)，(X₃，Y₃，Z₃)，由这三个点计算出两条向量分别为V₁＝(X₃-X₁,Y₃-Y₁,Z₃-Z₁)和V₂＝(X₂-X₁，Y₂-Y₁，Z₂-Z₁),根据法线向量计算公式：V＝V₁×V₂，得到点(X₁，Y₁，Z₁)处的法线向量V。以中心点为中心沿法线方向对原始图以及增强后的三维图像截取大小为100×100像素的二维区域，保存此二维图像序列。

3、图像预处理：

步骤2-1：以原始三维灰度图像的二维截面的中心为采样区域的中心，对截面进行采样，采样区域大小为50×50像素，根据采样区域的像素值分布求出像素平均值avg和均方差mea。

步骤2-2：根据采样区域在原始图中的位置设定系数N₁与N₂，求出阈值范围为(avg-mea×N₁，avg+mea×N₂)。

步骤2-3：遍历图像像素点，每个像素点的像素值与自适应阈值比较，如果在阈值范围内，则认为该点在目标区域内并线性映射到(0,255)的像素范围内，否则将该像素点的像素值设为0。

4、图像融合：

遍历步骤二和步骤三得到的两个二维截面，融合两张图像信息得到新的融合图像。融合图像的每个像素点的像素值P由预处理图像对应位置的像素值P₁和增强图对应位置的像素值P₂以及系数N₁，N₂决定,P＝P₁×N₁+P₂×N₂。

5、图像分割：

对融合后的图像利用Levelset算法进行图像分割。

步骤6-1：以融合后图像的中心为原点，半径R＝20给定一条初始的封闭曲线C。

步骤6-2：设是单位法向矢量，则曲线演化方程可以写为：

则初始曲线会根据演化方程逐渐演变为目标区域的边界。

步骤6-3：将目标区域边界内的像素点的坐标保存至动态队列中。6、目标区域映射：

将动态队列中的像素点坐标按步骤一所作变化的逆变换映射回原始图像中，映射回的区域即为心脏CT图像的冠脉区域。

实施例说明：

由图2可见，对原始图中的冠脉区域直接进行分割出现了非常大的偏差。图3则是出现了对冠脉区域的过分割，并没有很好的分割出冠脉在图像中的真正位置。而图4则是对冠脉的区域作出了较为准确的分割。

Claims (1)

1.基于图像融合的心脏CT冠脉全自动分割方法，其特征在于，包括对原始三维图像采用Vesselness算法进行图像滤波增强，对增强后的图像以及原始三维灰度图像沿提取的冠脉中心线计算二维截面，随后在二维截面上利用图像灰度信息和增强的Vesselness图像信息进行自适应融合，最后利用Levelset水平集算法在融合后的二维截面上进行演化自动分割出冠脉区域，分割后的二维序列图像再根据逆变换关系，映射回三维空间，实现心脏CT图像的冠脉分割，具体步骤如下：

A1、采用Vesselness算法实现图像增强：

对原始的心脏三维CT图像利用Vesselness算法进行图像增强，并将增强后的图像数据进行保存；

A2、计算图像二维截面：

对增强后的三维图像沿冠脉中心线计算二维截面，生成的图像是以中心线上的点为中心，大小为100×100像素的二维图像序列；

对原始的三维灰度图像进行相同的处理并保存；

A3、根据自适应阈值预处理图像：

以原始灰度图像二维截面的中心为采样区域的中心，由采样区域像素值得出该区域原始图像的自适应阈值，遍历该区域像素点对原始图像进行预处理得到原始图像的灰度信息；

A4、图像融合：

针对两类图像在原图像中的具体位置，对两类图像信息进行自适应融合，保存融合后的图像；

A5、图像分割：

对融合后的图像采用Levelset算法进行演化自动分割出冠脉区域，将分割区域内的像素点坐标保存至动态队列中；

A6、目标区域映射：

将动态队列中的像素点坐标根据逆变换映射回原始图像即为心脏CT图像的冠脉区域。