CN107610117A - 冠状动脉管腔图像自动分割系统 - Google Patents
冠状动脉管腔图像自动分割系统 Download PDFInfo
- Publication number
- CN107610117A CN107610117A CN201710849201.2A CN201710849201A CN107610117A CN 107610117 A CN107610117 A CN 107610117A CN 201710849201 A CN201710849201 A CN 201710849201A CN 107610117 A CN107610117 A CN 107610117A
- Authority
- CN
- China
- Prior art keywords
- image
- tube chamber
- pixel
- module
- coronary artery
- 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.)
- Pending
Links
Abstract
本发明公开一种冠状动脉管腔图像自动分割系统,包括图像预处理模块、图像分割模块以及管腔识别模块,图像预处理模块用于减少图像噪声和调整输入图像的对比度;图像分割模块用于分割图像;管腔识别模块用于进行管腔识别,首先需要进行分叉去除,避免血管分叉处对管腔识别造成的影响,完成管腔识别后,根据管腔轮廓生成二值图像,随后对区域轮廓进行平滑处理,使得管腔区域尺寸恢复到原始区域大小,经过形态学处理完成轮廓校正之后,所得的图像即为管腔区域。如此对血管内超声图像进行预处理、分割以及识别分析后,将图像中的血管管腔分离出来,为临床医生评估患者冠状动脉管腔内动脉粥样硬化斑块的存在与大小、采取何种治疗方案提供参考依据。
Description
技术领域
本发明涉及医疗技术领域,特别是指一种冠状动脉管腔图像自动分割系统。
背景技术
冠状动脉粥样硬化性心脏病(简称冠心病)是由于罐装动脉粥样硬化导致血管管腔狭小或堵塞,常常导致心梗的发生。据统计,于2008年全球冠状动脉病变造成的死亡人数达到了七百三十万。动脉粥样硬化斑块的形成是由于脂肪和胆固醇积存在冠状动脉内,最终导致血管狭小或堵塞。
血管内超声影像(IVUS)通过使用末端连接有超声探针的特殊导管对血管进行形态学检测。对IVUS获得的图像进行图像分割有助于评估血管的形态学变化,并且提供管腔的面积以及直径、粥样硬化斑块是否存在及其大小等重要信息,为临床医生提供决定治疗方案的参考依据。
发明内容
针对背景技术中存在的问题,本发明的目的是提供一种冠状动脉管腔图像自动分割系统,对血管内超声图像进行预处理、分割以及识别分析后,将图像中的血管管腔分离出来,为临床医生评估患者冠状动脉管腔内动脉粥样硬化斑块的存在与大小、采取何种治疗方案提供参考依据。
本发明的技术方案是这样实现的:一种冠状动脉管腔图像自动分割系统,包括图像预处理模块、图像分割模块以及管腔识别模块,其中,所述图像预处理模块:用于通过中值滤波器减少图像噪声,及使用伽马校正的方法调整输入图像的对比度,避免对低强度区域的过高估计;所述图像分割模块:用于分割图像,首先建立减小图像分辨率方法的高斯金字塔,然后图像进入具备减法聚类的K-means聚类方法,得到一个二值图像,二值图像随后进入连通区域分析算法,所有的像素点都被标记,具有相同标签的像素点被融合为一个单独的区域;所述管腔识别模块:用于进行管腔识别,首先需要进行分叉去除,避免血管分叉处对管腔识别造成的影响,完成管腔识别后,根据管腔轮廓生成二值图像,随后对区域轮廓进行平滑处理,使得管腔区域尺寸恢复到原始区域大小,经过形态学处理完成轮廓校正之后,所得的图像即为管腔区域。
在上述技术方案中,所述中值滤波器尺寸为5×5。
在上述技术方案中,所述二值图像被识别的区域具有白色像素,背景具有黑色像素。
在上述技术方案中,所述连通区域分析算法需要以下步骤:首先对图像进行自上而下自左向右的像素扫描,识别一个白色像素后,如果临近像素点中具备相同亮度的像素点,则对该像素点进行标记;如果临近没有相同亮度的像素点被标记,则该像素点被赋予一个新的标签;否则该像素点被赋予临近像素点的标签。
在上述技术方案中,所述分叉去除的方法是经过连通区域分析算法之后,统计图像中心的区域在图像边缘的像素点个数,当图像边缘的像素点个数达到一定阈值则判定该断层存在分叉点。
本发明冠状动脉管腔图像自动分割系统,包括图像预处理模块、图像分割模块以及管腔识别模块,图像预处理模块用于减少图像噪声和调整输入图像的对比度;图像分割模块用于分割图像;管腔识别模块用于进行管腔识别,首先需要进行分叉去除,避免血管分叉处对管腔识别造成的影响,完成管腔识别后,根据管腔轮廓生成二值图像,随后对区域轮廓进行平滑处理,使得管腔区域尺寸恢复到原始区域大小,经过形态学处理完成轮廓校正之后,所得的图像即为管腔区域。如此对血管内超声图像进行预处理、分割以及识别分析后,将图像中的血管管腔分离出来,为临床医生评估患者冠状动脉管腔内动脉粥样硬化斑块的存在与大小、采取何种治疗方案提供参考依据。
附图说明
图1为本发明流程示意图;
图2为本系统所识别出来的管腔区域图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明所述的一种冠状动脉管腔图像自动分割系统,包括图像预处理模块、图像分割模块以及管腔识别模块,结合附图1所示的流程示意图,以下是对上述各模块的详细说明:
(1)图像预处理模块:
图像预处理模块的目的在于减少图像噪声,调整输入图像的对比度。图像预处理的第一步是使用中值滤波器,滤波器尺寸为5×5。中值滤镜方式能够在不损失目标区域的边界轮廓的前提下,除去图像中的噪声。
对比度调整使用伽马校正的方法,避免对低强度区域的过高估计。伽马校正需要使用亮度值的概率密度函数(PDF)以及累计密度函数(CDF):
T(l)=lmax×(l/lmax)1-cdfw(l)
其中cdfw(l)是亮度值l的加权CDF,lmax是最大亮度。加权PDF和加权CDF的定义分别为:
pdfmin是PDF的最小概率值,pdfmax是PDF的最大概率值;∑pdfw和α是控制对比度增强的参数,α的值通过对灰度亮度的分隔得到:
PDFmin和PDFmax是输入图像的低亮度值最高亮度值的概率,t通过大津算法得到,N是最大的亮度值。如果α值小于0,则对比度校正不需要进行。
(2)图像分割模块:
在图像分割模块进行图像分割时的第一步首先需要建立高斯金字塔,高斯金字塔是一种减小图像分辨率的方法,通过对图像的重复缩小分辨率操作实现。高斯金字塔是一系列的图像,通过使用低通滤波器对原图像进行迭代平滑处理,每经过一次低通滤波图像的分辨率就减半。以下公式是高斯金字塔的基础:
l是金字塔中的某一层,i和j是第l层金字塔中的像素坐标,gl-1是第l-1层的经过平滑处理的图像,而w(m,n)是一个低通滤波器,作用于像素(i,j)的周围区域。第l=1层的图像通过对原图像使用w(m,n)滤波实现,以此类推。在本方法中的高斯金字塔有三层,经过两次平滑处理,最终得到的图像分辨率得以缩小,而不至于丢失目标区域的关键图像信息。
经过高斯金字塔后,图像进入具备减法聚类的K-means聚类方法,从而根据像素亮度对图像中各区域进行分割。与普通的K-means聚类方法不同,该聚类方法的质心通过减法聚类求得,并且在聚类过程中质心位置不再发生改变,在本方法中所求的目的质心数为4个。通过这一方法,找到图像中对应的潜在管腔内区域以及背景区域,这些区域都具有低亮度像素点,因此可以通过聚类求得。
通过聚类可以得到一个二值图像,被识别的区域具有白色像素,背景具有黑色像素。二值图像随后进入连通区域分析算法,连通区域分析算法的实现主要需要以下步骤:首先对图像进行自上而下自左向右的像素扫描,识别一个白色像素后,如果临近像素点中具备相同亮度的像素点,则对该像素点进行标记。随后,如果临近没有相同亮度的像素点被标记,则该像素点被赋予一个新的标签;否则该像素点被赋予临近像素点的标签。这个过程一直持续,直到所有的像素点都被标记为止。随后具有相同标签的像素点被融合为一个单独的区域。随后各个区域被输入管腔识别步骤,以从这些区域中找到目标的管腔区域。
(3)管腔识别模块:
进行管腔识别模块进行管腔识别之前,首先需要进行分叉去除,以避免血管分叉处对管腔识别造成的影响。分叉去除的方法是经过连通区域分析算法之后,统计图像中心的区域在图像边缘的像素点个数,当图像边缘的像素点个数达到一定阈值则判定该断层存在分叉点。统计图像中心点到这些图像边缘像素点的距离,并根据统计结果计算中心圆的半径,计算公式为:
式中Cp是图像中心点位置,Bp是分r=min(dist(Cp,Bp))-min(dist(Cp,Rp))叉处位于图像边缘的像素点集合,Rp是分叉处轮廓所有像素点集合。所生成的半径属于中心圆,其圆心位于图像中心点。中心圆以外的低密度区域被移除,所得到的图像便除去了小分叉。
由于聚类算法的使用,可能会出现凹陷、小洞等不规则伪影,因此需要使用凸包算法减少图像中的伪影。使用凸包算法而不使用形态学算子是为了避免对伪影的低估,以及避免对目标区域的切割。凸包算法使用的是Graham算法,首先将各点排序,随后建立堆栈S,栈指针设为t,将0、1、2三个点压入堆栈S;对于下一个点i,只要S[t-1]、S[t]、不做左转,就反复堆栈,将i压入堆栈s,堆栈中的点即为所求凸包。
对图像需要进行开操作,对图像的开操作即为对图像使用结构元素SE对图像先进性腐蚀再进行扩张。对结构元素的选择常常基于目标区域的形状和大小,由于在此算法中目标区域为管腔,因此选用圆盘形的结构元素,其直径为:
Ar是目标区域面积。
定义函数E作为对各个区域评估的量值:
其中MR为平均圆度,计算公式为:
式中是区域边界点距离区域中心点的平均半径,N是边界点总数,ri是边界上某个点距离区域中心点的距离。
E中的d是该区域中心点到图像中心点的距离。
具有E的最大值的区域被判定为管腔区域,该区域根据原始IVUS图像被还原到原始分辨率,随后使用Chan-Vese主动轮廓算法对轮廓进行进一步修善,使得区域轮廓符合实际轮廓。Chan-Vese主动轮廓算法适用于轮廓条件较弱的医学影像处理,在管腔识别中具有较高的适用性。
完成管腔识别后,需要进行识别后处理操作。识别后操作需要使用开操作以及扩张操作。首先根据管腔轮廓生成二值图像,使得轮廓内像素呈现为白色像素;随后使用开操作,对区域轮廓进行平滑处理;之后使用扩张操作,使得管腔区域尺寸恢复到原始区域大小。
开操作使用的结构元素尺寸为:
扩张操作使用的结构元素尺寸为:
Al是管腔区域面积,Co是开操作后的区域轮廓像素,Cr是区域轮廓像素。
经过形态学处理完成轮廓校正之后,所得的图像即为管腔区域。其中,流程如图1所示。如图2所示的一具体实例通过本系统所识别出来的管腔区域。
本发明冠状动脉管腔图像自动分割系统,相较于现有技术,具有以下有益效果:
1.血管内超声影像在评估冠心病患者的动脉粥样硬化情况中起着重要的辅助作用,根据血管内超声影像可以对冠状动脉的狭窄程度以及是否堵塞进行判断。然而由于血管内超声影像可以得到许多帧的影像,如果使用人工对IVUS图像判断管腔边界,则耗时耗力,效率较低。而本系统对IVUS图像进行判定,使用减法聚类的K-means聚类方法,使得图像二值化;再使用连通区域分析算法以及函数E,根据圆度及与中心点距离对各个局部区域是否属于管腔的可能性进行评估,最终完成对管腔的判定,效率高,实用性强。
2.为了保证管腔识别的准确性,本系统分别采用了识别前处理以及识别后处理,识别前处理包括使用中值滤波器以及伽马校正方法提高图像中较暗区域的对比度,有利于管腔区域识别的准确率提高;识别前还使用了分叉去除的操作,去除血管的小分叉,以消除血管分叉对管腔识别带来的不利影响,同时也使用了凸包算法避免过度估计以及对目标区域的过度切割;还使用了形态学算子中的开操作除去图像中的噪声。而在管腔识别后,使用Chan-Vese主动轮廓算法对所得的管腔轮廓进行修善,同时使用开操作对图像进行平滑处理。这些图像处理使得管腔识别的准确性大大提升。
3.本发明的最大特点在于它是全自动的,对用户交互的要求较低。其他需要用户在识别开始时选中图像中的管腔区域中的点,从而初始化管腔区域点集,生成初始管腔轮廓,自动化程度有限。而在本系统中不需要进行用户交互,更加接近于一种端对端的管腔识别处理方法,输入IVUS图像后系统便能够在经过多步的图像处理以及管腔区域可能性评估的运算后完成图像分割,得到目标血管管腔区域。而且在图像分割时使用了高斯金字塔,降低图像分辨率,提高了运算速度。
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,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种冠状动脉管腔图像自动分割系统,其特征在于:包括图像预处理模块、图像分割模块以及管腔识别模块,其中,
所述图像预处理模块:用于通过中值滤波器减少图像噪声,及使用伽马校正的方法调整输入图像的对比度,避免对低强度区域的过高估计;
所述图像分割模块:用于分割图像,首先建立减小图像分辨率方法的高斯金字塔,然后图像进入具备减法聚类的K-means聚类方法,得到一个二值图像,二值图像随后进入连通区域分析算法,所有的像素点都被标记,具有相同标签的像素点被融合为一个单独的区域;
所述管腔识别模块:用于进行管腔识别,首先需要进行分叉去除,避免血管分叉处对管腔识别造成的影响,完成管腔识别后,根据管腔轮廓生成二值图像,随后对区域轮廓进行平滑处理,使得管腔区域尺寸恢复到原始区域大小,经过形态学处理完成轮廓校正之后,所得的图像即为管腔区域。
2.根据权利要求1所述的冠状动脉管腔图像自动分割系统,其特征在于:所述中值滤波器尺寸为5×5。
3.根据权利要求1所述的冠状动脉管腔图像自动分割系统,其特征在于:所述二值图像被识别的区域具有白色像素,背景具有黑色像素。
4.根据权利要求3所述的冠状动脉管腔图像自动分割系统,其特征在于:所述连通区域分析算法需要以下步骤:首先对图像进行自上而下自左向右的像素扫描,识别一个白色像素后,如果临近像素点中具备相同亮度的像素点,则对该像素点进行标记;如果临近没有相同亮度的像素点被标记,则该像素点被赋予一个新的标签;否则该像素点被赋予临近像素点的标签。
5.根据权利要求4所述的冠状动脉管腔图像自动分割系统,其特征在于:所述分叉去除的方法是经过连通区域分析算法之后,统计图像中心的区域在图像边缘的像素点个数,当图像边缘的像素点个数达到一定阈值则判定该断层存在分叉点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710849201.2A CN107610117A (zh) | 2017-09-18 | 2017-09-18 | 冠状动脉管腔图像自动分割系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710849201.2A CN107610117A (zh) | 2017-09-18 | 2017-09-18 | 冠状动脉管腔图像自动分割系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107610117A true CN107610117A (zh) | 2018-01-19 |
Family
ID=61060198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710849201.2A Pending CN107610117A (zh) | 2017-09-18 | 2017-09-18 | 冠状动脉管腔图像自动分割系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107610117A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492272A (zh) * | 2018-03-26 | 2018-09-04 | 西安交通大学 | 基于注意力模型及多任务神经网络的心血管易损斑块识别方法及系统 |
CN108717695A (zh) * | 2018-04-25 | 2018-10-30 | 数坤(北京)网络科技有限公司 | 心脏冠脉血管自动分段命名方法 |
CN109360209A (zh) * | 2018-09-30 | 2019-02-19 | 语坤(北京)网络科技有限公司 | 一种冠状血管分割方法及系统 |
CN109800711A (zh) * | 2019-01-21 | 2019-05-24 | 数坤(北京)网络科技有限公司 | 基于形态识别的静脉去除方法 |
CN110051385A (zh) * | 2019-05-29 | 2019-07-26 | 深圳华声医疗技术股份有限公司 | 基于血管识别的全自动测量方法、装置、存储介质及系统 |
CN110490040A (zh) * | 2019-05-30 | 2019-11-22 | 浙江理工大学 | 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法 |
CN111476067A (zh) * | 2019-01-23 | 2020-07-31 | 腾讯科技(深圳)有限公司 | 图像的文字识别方法、装置、电子设备及可读存储介质 |
CN111768411A (zh) * | 2020-05-29 | 2020-10-13 | 深圳睿心智能医疗科技有限公司 | 冠脉中心线提取方法、装置、计算机设备和存储介质 |
CN114782464A (zh) * | 2022-04-07 | 2022-07-22 | 中国人民解放军国防科技大学 | 基于目标区域局部增强的反射层析激光雷达图像分割方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447645A (zh) * | 2016-04-05 | 2017-02-22 | 天津大学 | 增强ct图像中冠脉钙化检测及量化装置和方法 |
-
2017
- 2017-09-18 CN CN201710849201.2A patent/CN107610117A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447645A (zh) * | 2016-04-05 | 2017-02-22 | 天津大学 | 增强ct图像中冠脉钙化检测及量化装置和方法 |
Non-Patent Citations (1)
Title |
---|
JODAS D S: ""Automatic segmentation of the lumen region in intravascular images of the coronary artery"", 《MEDICAL IMAGE ANALYSIS》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492272B (zh) * | 2018-03-26 | 2021-01-19 | 西安交通大学 | 基于注意力模型及多任务神经网络的心血管易损斑块识别方法及系统 |
CN108492272A (zh) * | 2018-03-26 | 2018-09-04 | 西安交通大学 | 基于注意力模型及多任务神经网络的心血管易损斑块识别方法及系统 |
CN108717695A (zh) * | 2018-04-25 | 2018-10-30 | 数坤(北京)网络科技有限公司 | 心脏冠脉血管自动分段命名方法 |
CN108717695B (zh) * | 2018-04-25 | 2021-07-13 | 数坤(北京)网络科技股份有限公司 | 心脏冠脉血管自动分段命名方法 |
CN109360209A (zh) * | 2018-09-30 | 2019-02-19 | 语坤(北京)网络科技有限公司 | 一种冠状血管分割方法及系统 |
CN109800711A (zh) * | 2019-01-21 | 2019-05-24 | 数坤(北京)网络科技有限公司 | 基于形态识别的静脉去除方法 |
CN111476067A (zh) * | 2019-01-23 | 2020-07-31 | 腾讯科技(深圳)有限公司 | 图像的文字识别方法、装置、电子设备及可读存储介质 |
CN111476067B (zh) * | 2019-01-23 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 图像的文字识别方法、装置、电子设备及可读存储介质 |
CN110051385A (zh) * | 2019-05-29 | 2019-07-26 | 深圳华声医疗技术股份有限公司 | 基于血管识别的全自动测量方法、装置、存储介质及系统 |
CN110490040A (zh) * | 2019-05-30 | 2019-11-22 | 浙江理工大学 | 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法 |
CN110490040B (zh) * | 2019-05-30 | 2022-04-12 | 浙江理工大学 | 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法 |
CN111768411A (zh) * | 2020-05-29 | 2020-10-13 | 深圳睿心智能医疗科技有限公司 | 冠脉中心线提取方法、装置、计算机设备和存储介质 |
CN111768411B (zh) * | 2020-05-29 | 2023-12-08 | 深圳睿心智能医疗科技有限公司 | 冠脉中心线提取方法、装置、计算机设备和存储介质 |
CN114782464A (zh) * | 2022-04-07 | 2022-07-22 | 中国人民解放军国防科技大学 | 基于目标区域局部增强的反射层析激光雷达图像分割方法 |
CN114782464B (zh) * | 2022-04-07 | 2023-04-07 | 中国人民解放军国防科技大学 | 基于目标区域局部增强的反射层析激光雷达图像分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610117A (zh) | 冠状动脉管腔图像自动分割系统 | |
Nasr-Esfahani et al. | Segmentation of vessels in angiograms using convolutional neural networks | |
Nasr-Esfahani et al. | Vessel extraction in X-ray angiograms using deep learning | |
Al-Bander et al. | Multiscale sequential convolutional neural networks for simultaneous detection of fovea and optic disc | |
Issac et al. | An adaptive threshold based image processing technique for improved glaucoma detection and classification | |
Pandey et al. | Accurate vessel segmentation using maximum entropy incorporating line detection and phase-preserving denoising | |
Roychowdhury et al. | Blood vessel segmentation of fundus images by major vessel extraction and subimage classification | |
Welfer et al. | Segmentation of the optic disk in color eye fundus images using an adaptive morphological approach | |
CN104899876B (zh) | 一种基于自适应高斯差分的眼底图像血管分割方法 | |
Jodas et al. | Automatic segmentation of the lumen region in intravascular images of the coronary artery | |
Giordano et al. | Epiphysis and metaphysis extraction and classification by adaptive thresholding and DoG filtering for automated skeletal bone age analysis | |
CN110415216B (zh) | 基于sd-oct和octa视网膜图像的cnv自动检测方法 | |
Fang et al. | Reconstruction of vascular structures in retinal images | |
Soomro et al. | Automatic retinal vessel extraction algorithm | |
Kumari et al. | Blood vessel extraction using wiener filter and morphological operation | |
Juneja et al. | DC-Gnet for detection of glaucoma in retinal fundus imaging | |
Tsai et al. | Automatic segmentation of vessels from angiogram sequences using adaptive feature transformation | |
Maaliw et al. | An enhanced segmentation and deep learning architecture for early diabetic retinopathy detection | |
CN113920078A (zh) | 一种针对眼底图像的血管分割方法和电子设备 | |
Du et al. | Retinal image segmentation based on Mumford-Shah model and Gabor wavelet filter | |
Bharkad | Automatic segmentation of optic disk in retinal images using dwt | |
Mahdi et al. | Glaucoma Diagnosis Based on Retinal Fundus Image: A Review | |
Zhao et al. | A new approach to extracting coronary arteries and detecting stenosis in invasive coronary angiograms | |
Ashame et al. | Abnormality Detection in Eye Fundus Retina | |
Giordano et al. | Automatic skeletal bone age assessment by integrating EMROI and CROI processing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180119 |