CN107644420B - 基于中心线提取的血管图像分割方法、核磁共振成像系统 - Google Patents

Abstract

本发明属于医学影像处理技术领域，公开了一种基于中心线提取的血管图像分割方法、核磁共振成像系统，基于Hessian矩阵的vesselness滤波对脑部血管数据预处理；拓扑细化方法对血管中心线提取；以中心线点为正样本，非血管点为负样本提取训练样本和测试样本的特征；使用训练样本的特征及对应的标签训练SVM模型，把测试样本的特征作为训练后SVM模型的输入，输出的标签为血管的分割结果。本发明减少了工作量，提高了计算效率；不需要人工标定目标和背景，完成了全自动的血管分割，极大地提高了分割效率。本发明实现了大脑血管的分割，精确、快速、不需要人为干预；真阳性率和真阴性率可达到0.85。

Description

基于中心线提取的血管图像分割方法、核磁共振成像系统

技术领域

本发明属于医学影像处理技术领域，尤其涉及一种基于中心线提取的血管图像分割方法、核磁共振成像系统。

背景技术

血管分割是最重要的医学影像处理技术之一，对心脑血管等相关疾病的诊断和治疗至关重要。准确的分割是图像分析和识别的首要问题，也是制约其他相关技术发展和应用的因素，如血管的匹配、三维重建、运动估计等。由于受成像噪声，复杂的血管结构，以及其他因素的影响，医学图像通常对比度较低、不同组织之间的边界模糊，而像血管这种微细结构易受噪声和非血管结构干扰而呈现不同的形态。虽然图像处理技术的基础理论已经较为成熟，但是到目前为止还没有一个公认的最好的血管分割方法。近年来，随着计算机技术的不断发展和完善，研究人员提出了大量的血管分割方法，包括边缘检测法、区域生长法、匹配滤波、主动轮廓模型和神经网络等。边缘检测是基于图像不连续性的分割技术，在区域边缘上的像素灰度一般变化比较剧烈，边缘常常意味着一个区域的终结和另一个区域的开始，噪声会干扰图像边缘的判断。对于灰度变化复杂和细节较丰富的血管图像进行处理时，一旦有噪声干扰，就会导致分割精度降低。区域生长方法是从血管内的某一个或一组种子点开始，按照设定的生长准则，将具有相似性质的像素集中起来，逐渐填充血管所在的区域。但它的缺陷是需要人工选取种子点，无法实现全自动分割，而且血管一般是多个连通的区域，需要选取多个种子点，另外，迭代地将种子点周围的体素合并到当前目标区域取决于强度阈值，因此对噪声非常敏感，往往作为其他方法的预处理。匹配滤波就是设计一个可以描述目标信号的滤波器，而且滤波器的形状必须与图像中的感兴趣区域非常相似，图像经过匹配滤波后可以获得目标图像信息。以高斯滤波器为例，从血管径向上分析，一般情况下，血管两侧像素灰度值是比较亮的，而血管中心的像素灰度值较暗，因此沿血管横截面的强度分布可以近似为高斯函数。匹配滤波将原始图像作为输入，血管对应的响应较大，背景对应的响应较小，从而将血管分割出来。但是在细微血管和噪声图像上，血管体素的高斯分布不明显，就不能将血管正确地分割出来。主动轮廓模型的主要过程是边界演化。例如，Snake模型的方法取决于轮廓演化的显式拉格朗日公式，它的运动过程可以看成其内力和外力的平衡过程。主动轮廓模型的初始化不灵活，容易陷入局部极值，而且分割精度不高，速度较慢。神经网络模拟人类大脑的学习过程，由大量的节点构成，通过训练样本集获得节点间的连接和权值，再通过训练好的模型去分割新的图像数据。其优势在于，它可以从训练中获取非线性分类边界，并且具有良好的学习能力，它的缺陷在于每当一个新的特征空间介入时需要重新进行训练，并且需要手动指定标签，不能实现全自动的血管分割，另外，计算神经网络的权重也需要大量的训练样本集，这在实际中是非常困难的。

综上所述，现有技术存在的问题是：目前的分割血管方法存在对噪声敏感，分割精度较低；手动指定标签费时费力，影响计算效率。

发明内容

针对现有技术存在的问题，本发明提供了一种基于中心线提取的血管图像分割方法、核磁共振成像系统。

本发明是这样实现的，一种基于中心线提取的血管图像分割方法，所述基于中心线提取的血管图像分割方法包括以下步骤：

步骤一，使用基于Hessian矩阵的vesselness滤波方法对血管数据预处理，得到初始的脑部血管；

步骤二，使用拓扑细化方法对血管中心线进行提取；

步骤三，对原始图像进行边缘扩展，扩展体素的灰度值为相邻体素灰度值的均值；以中心线点作为正样本，非血管点为负样本，提取训练样本和测试样本的特征，包括灰度特征，曲率特征，纹理特征和血管结构特征；

步骤四，使用训练样本的特征及对应的标签训练SVM模型，把测试样本的特征作为训练后的SVM模型的输入，输出的标签为测试样本中血管的分割结果。

进一步，所述步骤一中使用基于Hessian矩阵的vesselness滤波对血管数据进行预处理具体包括：

(1)计算数据中各个体素的二阶偏导数，得到Hessian矩阵H(v)：

其中，v＝(x,y,z)为三维坐标，

a可取x，y，z，

a，b分别取x，y，z，且a≠b，*表示卷积，G(μ,σ)是各项同性的高斯函数，μ是均值，σ是标准差；根据Hessian矩阵的特征值创建vesselness滤波函数V(v)来提取血管结构：

其中λ₁，λ₂，λ₃为Hessian矩阵的特征值，γ²³控制着血管横截面各项同性的锐利度选择，γ²³≥0；γ¹²≥0并且0＜α≤1。

进一步，所述步骤二中使用拓扑细化方法对血管中心线进行提取具体包括：

1)从血管的最外层开始，逐层判断删除当前点是否影响血管的拓扑结构；

2)若删除当前点，血管的拓扑结构改变，则该点保留；

3)逐层删除外层体素，最终保持血管拓扑结构不变的点为要提取的中心线。

进一步，所述步骤三中以中心线点作为样本，以非血管点作为负样本，提取训练样本和测试样本的特征具体包括：

1)选取血管的中心线作为正样本，并在原始图像中的非血管区域随机选取与正样本数量相当的背景点作为负样本；

2)以当前样本点作为圆心，在距当前样本点1，3，5个体素的圆上分别采样，每个圆上径向相邻的两个采样点之间的角度为45°，得到24个采样区域；

3)每个区域的平均灰度值为该区域中所有体素的平均灰度，共24个采样区域，得到特征向量[T₁,…,T₂₄]；

4)每个区域的曲率特征通过计算平均曲率获得，计算如下：

其中，I_x和I_y分别代表沿着x轴和y轴的一阶导数，I_xx和I_yy分别表示沿着x轴和y轴的二阶导数，I_xy是沿着x轴和y轴的二阶导数；局部平均曲率是该区域9个点的平均曲率值，共24个采样区域，得到特征向量[T₂₅,…,T₄₈]；

5)纹理特征由二维Gabor滤波以90°过滤的纹理图获得，计算公式如下：

其中

是高斯函数，

是尺度因子，F_h和F_l是滤波器的频率范围参数，W和V代表频域中的移位参数，共24个采样区域，得到特征向量[T₄₉,…,T₇₂]；

6)计算每个点的Hessian矩阵，得到代表该点方向的三个特征值；对于血管结构，特征值λ₂和λ₃在横截面中心取得最小值，而λ₁的值近似为零；所以血管结构的Hessian矩阵的特征值有如下特征：

λ₁≈0,λ₂≈λ₃＜＜0；

共24个采样区域，得到特征向量[T₇₃,…,T₁₄₄]；

7)四种类型的特征构成一个144维的特征向量，特征向量P＝[T₁,T₂,...,T₁₄₄]，每一个体素对应一个特征向量；

8)在所有样本中，训练样本中每个体素对应的特征向量组成训练样本的特征矩阵Q，测试样本中每个体素对应的特征向量组成测试样本的特征矩阵W。

进一步，所述步骤四中训练SVM模型并完成目标分割的具体包括：

1)将训练样本的特征矩阵Q和测试样本的特征矩阵W中的特征向量归一化到区间[-1,1]之间，得到新的特征矩阵Q’和W’；将特征矩阵Q’和对应体素的标签作为SVM的输入，训练SVM模型；

2)把测试样本的归一化后的特征矩阵W’输入到训练好的SVM中，得到W’中的每个特征向量对应的体素的标签，测试样本中血管的分割结果。

本发明的另一目的在于提供一种使用所述基于中心线提取的血管图像分割方法的X射线血管造影系统。

本发明的另一目的在于提供一种使用所述基于中心线提取的血管图像分割方法的核磁共振成像系统。

本发明的另一目的在于提供一种使用所述基于中心线提取的血管图像分割方法的计算机断层成像系统。

本发明不需要手动标定标签，减少了工作量，提高了计算效率；本发明使用自动提取的中心线作为训练样本，不需要人工标定目标和背景，完成了全自动的血管分割，极大地提高了分割效率。本发明解决了面对结构复杂的血管数据，分割精确度较低的问题，SVM模型以体素对应的特征向量和相应的标签作为输入，训练出分类模型，它从训练中获取非线性分类边界，并且具有良好的学习能力，在面对结构复杂，细节较多的血管数据时，能很好地完成分割任务，分割精度从80％提高到了85％左右。

本发明使用较少的训练数据就能得到较好的分割结果；不需要将整个血管作为训练数据训练SVM模型，只需将中心线点作为SVM的输入，将训练样本点降低到20000左右，而传统的方法需要将数据中几百万个血管体素作为训练样本，减少了样本数目和训练模型的时间。本发明实现了大脑血管的分割，具有精确、快速、不需要人为干预的特点；真阳性率和真阴性率可达到0.85，在分割精度上与现有技术相比有了一定程度的提高。

附图说明

图1是本发明实施例提供的基于中心线提取的血管图像分割方法流程图。

图2是本发明实施例提供的训练和测试样本的特征矩阵的流程图。

图3是本发明实施例提供的空间特征提取的区域选择图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实现了大脑血管的分割，具有精确、快速、不需要人为干预的特点。其真阳性率和真阴性率可达到0.85，在分割精度上与现有技术相比有了一定程度的提高。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的基于中心线提取的血管图像分割方法包括以下步骤：

S101：去除颅骨，使用基于Hessian矩阵的vesselness滤波对血管数据进行预处理；

S102：使用拓扑细化方法对血管中心线进行提取；

S103：提取训练样本及测试样本的特征；

S104：训练SVM模型并完成目标分割。

下面结合附图对本发明的应用原理作进一步的描述。

如图1所示，本发明实施例提供的基于中心线提取的大脑血管分割方法包括以下步骤：

(1)去除颅骨，使用基于Hessian矩阵的vesselness滤波对血管数据进行预处理；

(1a)本例使用的数据是人类大脑的MRA图像，使用MITK软件手动去除颅骨；

(1b)计算数据中各个体素的二阶偏导数，得到Hessian矩阵H(v)：

其中，v＝(x,y,z)为三维坐标，

(a可取x，y，z)，

(a，b分别可取x，y，z，且a≠b)，*表示卷积，G(μ,σ)是各项同性的高斯函数，μ是均值，σ是标准差；根据Hessian矩阵的特征值创建vesselness滤波函数V(v)来提取血管结构：

其中λ₁，λ₂，λ₃为Hessian矩阵的特征值，γ²³(γ²³≥0)控制着血管横截面各项同性的锐利度选择，该参数主要用于区分片状结构和血管结构；γ¹²≥0并且0＜α≤1，引入α的目的是保证滤波器在λ₁≤0和λ₁＞0区域中具有非对称性，该参数主要用于区分团状结构和血管结构。

(2)使用拓扑细化方法对血管中心线进行提取：

(2a)从血管的最外层开始，逐层判断删除当前点是否影响血管的拓扑结构；

(2b)若删除当前点，血管的拓扑结构改变，则该点保留；

(2c)逐层删除外层体素，最终保持血管拓扑结构不变的点为要提取的中心线。

(3)图2为提取训练样本和测试样本的特征矩阵的流程图，完整步骤如下：

(3a)选取血管的中心线作为正样本，并在原始图像中的非血管区域随机选取与正样本数量相当的背景点作为负样本；

(3b)如图3所示，以当前样本点作为圆心，在距当前样本点1，3，5个体素的圆上分别采样，每个圆上径向相邻的两个采样点之间的角度为45°，得到24个采样区域；

(3c)每个区域的平均灰度值为该区域中所有体素的平均灰度，共24个采样区域，得到特征向量[T₁,…,T₂₄]；

(3d)每个区域的曲率特征通过计算平均曲率获得，计算如下：

其中，I_x和I_y分别代表沿着x轴和y轴的一阶导数，I_xx和I_yy分别表示沿着x轴和y轴的二阶导数，I_xy是沿着x轴和y轴的二阶导数；局部平均曲率是该区域9个点的平均曲率值，得到特征向量[T₂₅,…,T₄₈]；

(3e)纹理特征由二维Gabor滤波以90°过滤的纹理图获得，计算公式如下：

其中

是高斯函数，

是尺度因子，F_h和F_l是滤波器的频率范围参数，W和V代表频域中的移位参数，得到特征向量[T₄₉,…,T₇₂]；

(3f)计算每个点的Hessian矩阵，得到代表该点方向的三个特征值；对于血管结构，特征值λ₂和λ₃在横截面中心取得最小值，而λ₁的值近似为零；所以血管结构的Hessian矩阵的特征值有如下特征：

λ₁≈0,λ₂≈λ₃＜＜0

得到特征向量[T₇₃,…,T₁₄₄]；

(3g)四种类型的特征构成一个144维的特征向量，特征向量P＝[T₁,T₂,...,T₁₄₄]，每一个体素对应一个特征向量；

(3h)在所有样本中，训练样本中每个体素对应的特征向量组成训练样本的特征矩阵Q，测试样本中每个体素对应的特征向量组成测试样本的特征矩阵W。

(4)训练SVM模型并完成目标分割的具体包括：

(4a)将训练样本的特征矩阵Q和测试样本的特征矩阵W中的特征向量归一化到区间[-1,1]之间，得到新的特征矩阵Q’和W’；然后将特征矩阵Q’和对应体素的标签作为SVM的输入，训练SVM模型；

(4b)把测试样本的归一化后的特征矩阵W’输入到训练好的SVM中，得到W’中的每个特征向量对应的体素的标签，即测试样本中血管的分割结果。

下面结合具体应用实施例对本发明的应用效果作详细的描述。

真阳性率定义如下：

真阴性率定义如下：

其中TP为真阳性，FN为假阴性，TN为真阴性，FP为假阳性，真阳性率和真阴性率的值在0到1之间，且二者越接近1表示分割结果越好。

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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于中心线提取的血管图像分割方法，其特征在于，所述基于中心线提取的血管图像分割方法包括以下步骤：

步骤一，使用基于Hessian矩阵的vesselness滤波方法对血管数据预处理，得到初始的脑部血管；

步骤二，使用拓扑细化方法对血管中心线进行提取；

步骤三，对原始图像进行边缘扩展，扩展体素的灰度值为相邻体素灰度值的均值；以中心线点作为正样本，非血管点为负样本，提取训练样本和测试样本的灰度特征，曲率特征，纹理特征和血管结构特征；

具体包括：

1)选取血管的中心线作为正样本，并在原始图像中的非血管区域随机选取与正样本数量相当的背景点作为负样本；

2)以当前样本点作为圆心，在距当前样本点1，3，5个体素的圆上分别采样，每个圆上径向相邻的两个采样点之间的角度为45°，得到24个采样区域；

3)每个区域的平均灰度值为该区域中所有体素的平均灰度，共24个采样区域，得到特征向量[T₁,…,T₂₄]；

4)每个区域的曲率特征通过计算平均曲率获得，计算如下：

其中，I_x和I_y分别代表沿着x轴和y轴的一阶导数，I_xx和I_yy分别表示沿着x轴和y轴的二阶导数，I_xy是沿着x轴和y轴的二阶导数；局部平均曲率是该区域9个点的平均曲率值，共24个采样区域，得到特征向量[T₂₅,…,T₄₈]；

5)纹理特征由二维Gabor滤波以90°过滤的纹理图获得，计算公式如下：

其中

是高斯函数，

是尺度因子，F_h和F_l是滤波器的频率范围参数，W和V代表频域中的移位参数，共24个采样区域，得到特征向量[T₄₉,…,T₇₂]；

6)计算每个点的Hessian矩阵，得到代表该点方向的三个特征值；对于血管结构，特征值λ₂和λ₃在横截面中心取得最小值，而λ₁的值近似为零；所以血管结构的Hessian矩阵的特征值有如下特征：

λ₁≈0,λ₂≈λ₃＜＜0；

共24个采样区域，得到特征向量[T₇₃,…,T₁₄₄]；

7)四种类型的特征构成一个144维的特征向量，特征向量P＝[T₁,T₂,...,T₁₄₄]，每一个体素对应一个特征向量；

8)在所有样本中，训练样本中每个体素对应的特征向量组成训练样本的特征矩阵Q，测试样本中每个体素对应的特征向量组成测试样本的特征矩阵W；

步骤四，使用训练样本的特征及对应的标签训练SVM模型，把测试样本的特征作为训练后的SVM模型的输入，输出的标签为测试样本中血管的分割结果。

2.如权利要求1所述的基于中心线提取的血管图像分割方法，其特征在于，所述步骤一中使用基于Hessian矩阵的vesselness滤波对血管数据进行预处理具体包括：

(1)计算数据中各个体素的二阶偏导数，得到Hessian矩阵H(v)：

其中，v＝(x,y,z)为三维坐标，

a可取x，y，z，

a，b分别取x，y，z，且a≠b，*表示卷积，G(μ,σ)是各项同性的高斯函数，μ是均值，σ是标准差；根据Hessian矩阵的特征值创建vesselness滤波函数V(v)来提取血管结构：

其中λ₁，λ₂，λ₃为Hessian矩阵的特征值，γ²³控制着血管横截面各项同性的锐利度选择，γ²³≥0；γ¹²≥0并且0＜α≤1。

3.如权利要求1所述的基于中心线提取的血管图像分割方法，其特征在于，所述步骤二中使用拓扑细化方法对血管中心线进行提取具体包括：

1)从血管的最外层开始，逐层判断删除当前点是否影响血管的拓扑结构；

2)若删除当前点，血管的拓扑结构改变，则该点保留；

3)逐层删除外层体素，最终保持血管拓扑结构不变的点为要提取的中心线。

4.如权利要求1所述的基于中心线提取的血管图像分割方法，其特征在于，所述步骤四中训练SVM模型并完成目标分割的具体包括：

1)将训练样本的特征矩阵Q和测试样本的特征矩阵W中的特征向量归一化到区间[-1,1]之间，得到新的特征矩阵Q’和W’；将特征矩阵Q’和对应体素的标签作为SVM的输入，训练SVM模型；

2)把测试样本的归一化后的特征矩阵W’输入到训练好的SVM中，得到W’中的每个特征向量对应的体素的标签，测试样本中血管的分割结果。

5.一种使用权利要求1～4任意一项所述基于中心线提取的血管图像分割方法的X射线血管造影系统。

6.一种使用权利要求1～4任意一项所述基于中心线提取的血管图像分割方法的核磁共振成像系统。

7.一种使用权利要求1～4任意一项所述基于中心线提取的血管图像分割方法的计算机断层成像系统。

Images