CN107993220A - X射线造影图像中血管结构的提取方法及装置 - Google Patents
X射线造影图像中血管结构的提取方法及装置 Download PDFInfo
- Publication number
- CN107993220A CN107993220A CN201711123564.4A CN201711123564A CN107993220A CN 107993220 A CN107993220 A CN 107993220A CN 201711123564 A CN201711123564 A CN 201711123564A CN 107993220 A CN107993220 A CN 107993220A
- Authority
- CN
- China
- Prior art keywords
- image
- blood
- image block
- rays
- original
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003384 imaging method Methods 0.000 title claims abstract description 27
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 96
- 230000008439 repair process Effects 0.000 claims abstract description 33
- 230000002708 enhancing effect Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 19
- 230000002792 vascular Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 239000008280 blood Substances 0.000 claims description 6
- 210000004369 blood Anatomy 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 230000007547 defect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 210000004351 coronary vessel Anatomy 0.000 description 15
- 238000013459 approach Methods 0.000 description 7
- 239000002872 contrast media Substances 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 210000001367 artery Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种X射线造影图像中血管结构的提取方法及装置。该方法包括：利用分类模型，对若干图像块进行分类，获取血管图像块，将所述血管图像块对应的特定像素点的像素值设置为预设值，获取缺损图像，利用根据所述缺损图像的灰度信息和深度信息构建的修复函数，对所述缺损图像进行修复，获取修复图像，将所述原始X射线造影图像与所述修复图像进行差分运算，获取血管结构。本发明使得背景噪声得到充分的抑制，同时，保证了获取的血管结构边缘、分叉和交叉位置信息的完整性。
Description
技术领域
本发明涉及图像处理技术领域，更具体地，涉及一种X射线造影图像中血管结构的提取方法及装置。
背景技术
冠状动脉是供给心脏血液的动脉，一旦严重病变会带来生命危险。为了检查冠状动脉是否发生狭窄并影响到对心脏的供血，一般采用计算机辅助诊疗。具体地，将造影剂注入冠状动脉血管里，获取冠状动脉结构图，进而对冠状动脉进行诊断分析。
为了提高诊断的准确性，通常会采取一定的血管处理技术，如血管分割、中心线提取以及血管三维重建等，提高冠状动脉与背景的对比度。但因冠状动脉结构多元化、成像光照非均匀性、多种解剖结构的干扰、以及冠脉影像噪声的复杂化，这些技术并不能有效地提高冠状动脉与背景的对比度。此外，冠状动脉中血流变化导致造影剂分布不均会致使冠状动脉非均匀化，进一步增加提高冠状动脉与背景的对比度的难度。
为有效缓解冠状动脉非均匀性的影响、抑制非冠状动脉结构和影像噪声以及克服冠状动脉结构多元化、成像光照非均匀性、多种解剖结构的干扰和冠脉影像噪声的复杂化的影响，现有技术采用了多种图像增强方法对冠状动脉进行增强。常见的方法包括：传统血管增强方法，它基于反锐化掩膜对原始图像进行模糊，并将模糊之后的图像和原图进行差分运算，从而获得原始图像中边缘等高频信息；基于直方图均衡化方法，它主要依据图像的灰度分布，采用均衡化的方法实现图像的增强；基于图像变换的方法，它将图像变换到另一个空间以实现血管的增强；基于滤波器的方法，它采用一个或者多个滤波器实现图像的增强；基于图像减影的方法，它通过将造影前后的图像相减实现图像增强。
传统血管增强方法虽实现了冠状动脉的增强，但同时增强了高频噪声信息，使得增强效果降低；其余四种增强方法均易受图像噪声的影响，对背景噪声抑制能力较差，增强结果中目标结构的整体对比度较低，同时，还容易模糊目标结构的边缘信息，尤其是当血管中出现不同分支交叉、重叠或者投影引起的血管缩短时。
发明内容
本发明提供一种X射线造影图像中血管结构的提取方法及装置，以克服现有技术中，血管结构增强效果不佳的问题。
根据本发明的第一方面，提供一种X射线造影图像中血管结构的提取方法，该方法包括：步骤1，利用分类模型，对若干图像块进行分类，获取血管图像块；所述若干图像块包括利用原始X射线造影图像中满足预设条件的若干特定像素点构建的血管图像块和非血管图像块；步骤2，将所述血管图像块对应的特定像素点的像素值设置为预设值，获取缺损图像；步骤3，利用根据所述缺损图像的灰度信息和深度信息构建的修复函数，对所述缺损图像进行修复，获取修复图像；步骤4，将所述原始X射线造影图像与所述修复图像进行差分运算，获取血管结构。
结合本发明第一方面的第一种可能实现方式，在第二种可能实现方式中，所述步骤1之前还包括：基于若干血管图像块和非血管图像块的特征向量，对基于Adaboost强分类器和概率增强树构建的混合分类器进行训练，获得分类模型；所述若干血管图像块和非血管图像块基于若干X射线造影图像中若干血管像素点和非血管像素点构建。
结合本发明第一方面的第二种可能实现方式，在第三种可能实现方式中，所述对基于Adaboost强分类器和概率增强树构建的混合分类器进行训练之前还包括：采用若干层决策树模型作为弱分类器构建Adaboost强分类器；构建特定深度的概率增强树，将所述Adaboost强分类器作为所述概率增强树的节点，得到混合分类器。
结合本发明第一方面的第二或三种可能实现方式，在第四种可能实现方式中，所述特征向量的获取方式为：分别采用基于Frangi增强方法所得的滤波器和若干个不同方向和尺度的Gabor滤波器对图像块进行滤波，并分别计算滤波之后图像的均值和方差；基于所述均值和方差，构建描述图像块的特征向量。
结合本发明第一方面的第一种可能实现方式，在第五种可能实现方式中，所述原始X射线造影图像中若干特定像素点的获取方法为：利用Hessian矩阵对所述原始X射线造影图像中的各像素点进行矩阵分析，获取对应的矩阵；基于所述矩阵的特征值和阈值，获取所述原始X射线造影图像的特定像素点。
结合本发明第一方面的第一种可能实现方式，在第六种可能实现方式中，所述步骤3之前还包括：根据所述缺损图像中各像素邻域的空间位置和方向信息以及所述像素的邻域灰度信息，基于相邻的像素差异性最小原则，构建平面马尔科夫模型，并利用所述平面马尔科夫模型对所述缺损图像的深度信息进行获取；根据所述缺损图像的所述深度信息和灰度信息，基于所述缺损图像中相邻像素的深度信息和灰度信息差别最小原则，构建修复函数。
结合本发明第一方面的第一种可能实现方式，在第七种可能实现方式中，所述步骤1之前还包括：对所述原始X射线造影图像进行高低帽变换。
结合本发明第一方面的第一或七种可能实现方式，在第八种可能实现方式中，所述步骤1之前还包括：基于Hessian矩阵特征值构建的响应约束，对所述原始X射线造影图像进行增强，抑制背景噪声。
根据本发明的第二方面，提供一种X射线造影图像中血管结构的提取装置，其特征在于，包括：图像块获取模块、缺损图像获取模块、修复图像获取模块和提取模块；所述图像块获取模块，用于利用分类模型，对若干图像块进行分类，获取血管图像块；所述若干图像块包括利用原始X射线造影图像中满足预设条件的若干特定像素点构建的血管图像块和非血管图像块；所述缺损图像获取模块，用于将所述血管图像块对应的特定像素点的像素值设置为预设值，获取缺损图像；所述修复图像获取模块，用于利用根据所述缺损图像的灰度信息和深度信息构建的修复函数，对所述缺损图像进行修复，获取修复图像；所述提取模块，用于将所述原始X射线造影图像与所述修复图像进行差分运算，获取血管结构。
本发明提出的X射线造影图像中血管结构的提取方法及装置，通过利用分类模型，对利用原始X射线造影图像中满足预设条件的若干特定像素点构建的若干血管图像块和非血管图像块进行分类，获取血管图像块，将所述血管图像块对应的特定像素点的像素值设置为预设值，使得血管结构的像素点值均为预设值，利用所述缺损图像的灰度信息和深度信息构建的修复函数，对所述缺损图像进行修复，即利用血管结构边缘附近的背景像素点对血管结构修复，使之像素值接近，通过将所述原始X射线造影图像与修复图像进行差分运算，背景部分像素点像素值均为0，背景噪声得到充分的抑制，修复图像中血管结构与其边缘附近的背景像素点像素值接近，与原始X射线造影图像中血管结构像素值存在差异，因而，差分后能够获得边缘、分叉和交叉位置信息清晰完整的血管结构。
附图说明
图1为根据本发明实施例的X射线造影图像中血管结构的提取方法流程图；
图2为根据本发明实施例的X射线造影图像中血管结构的提取装置流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，根据本发明的第一方面，提供一种X射线造影图像中血管结构的提取方法，该方法包括：步骤1，利用分类模型，对若干图像块进行分类，获取血管图像块；所述若干图像块包括利用原始X射线造影图像中满足预设条件的若干特定像素点构建的血管图像块和非血管图像块；步骤2，将所述血管图像块对应的特定像素点的像素值设置为预设值，获取缺损图像；步骤3，利用根据所述缺损图像的灰度信息和深度信息构建的修复函数，对所述缺损图像进行修复，获取修复图像；步骤4，将所述原始X射线造影图像与所述修复图像进行差分运算，获取血管结构。
在本实施例中，原始X射线造影图像中满足预设条件的若干特定像素点为基于一定规则选取，基本为血管像素点，还包括少量的血管边缘的非血管像素点。基于像素点构建图像块的方法可以为现有的各种构建方法，本实施例对此不作限定。基于这些特定像素点构建的图像块既包括血管图像块还包括非血管图像块。图像块的特征向量的获取方式可以为各种现有的图像特征向量的获取方法，本实施例对此不作限定。分类模型为基于一系列X射线造影图像中若干血管像素点和非血管像素点构建的图像块训练而得的模型。
在本实施例中，为了获取用于与原始X射线造影图像进行差分运算以获取边缘、分叉和交叉位置信息清晰完整的血管结构，将所述血管图像块对应的特定像素点的像素值设置为预设值，使得血管结构的像素点值均为预设值，获取缺损图像并利用基于缺损图像的灰度信息和深度信息构建的修复函数对缺损图像进行修复，即利用血管结构边缘附近的背景像素点对血管结构修复，使之像素值接近。
本发明提出的X射线造影图像中血管结构的提取方法及装置，通过利用分类模型，对利用原始X射线造影图像中满足预设条件的若干特定像素点构建的若干血管图像块和非血管图像块进行分类，获取血管图像块，将所述血管图像块对应的特定像素点的像素值设置为预设值，使得血管结构的像素点值均为预设值，利用所述缺损图像的灰度信息和深度信息构建的修复函数，对所述缺损图像进行修复，即利用血管结构边缘附近的背景像素点对血管结构修复，使之像素值接近，通过将所述原始X射线造影图像与修复图像进行差分运算，背景部分像素点像素值均为0，背景噪声得到充分的抑制，修复图像中血管结构与其边缘附近的背景像素点像素值接近，与原始X射线造影图像中血管结构像素值存在差异，因而，差分后能够获得边缘、分叉和交叉位置信息清晰完整的血管结构。
作为一种可选实施例，所述步骤1之前还包括：利用若干血管图像块和非血管图像块的特征向量和标签，对基于Adaboost强分类器和概率增强树构建的混合分类器进行训练，获得分类模型；
所述若干血管图像块和非血管图像块分别基于若干X射线造影图像中若干血管像素点和非血管像素点构建。
在本实施例中，采用了基于Adaboost强分类器和概率增强树构建的混合分类器以获得分类模型。该混合分类器通过将Adaboost强分类器和概率增强树进行结合，使得分类的效率、精度和速度均得到了提高。训练混合分类器采用的样本为基于一系列X射线造影图像中若干血管像素点和非血管像素点构建的图像块的特征向量和标签。特别地，一系列X射线造影图像中包括造影剂灌注不均匀或者泄露时的X射线造影图像。此时，训练得到的分类器能够有效避免将造影剂对应的图像块误判为血管图像块。进而避免了造影剂被误作为血管进行增强，对于后续的处理造成严重的困扰。若干血管像素点和非血管像素点是通过在对血管进行了标注的X射线造影图像中人为选取的。基于像素点构建图像块的方法可以为现有的各种构建方法，本实施例对此不作限定，但使用的方法与特定像素点构建图像块的方法一致。图像块的特征向量的获取方式可以为各种现有的图像特征向量的获取方法，本实施例对此不作限定，但使用的获取方法与特定像素点构建的图像块的特征向量获取方法一致。
作为一种可选实施例，所述对基于Adaboost强分类器和概率增强树构建的混合分类器进行训练之前还包括：采用若干层决策树模型作为弱分类器构建Adaboost强分类器；构建特定深度的概率增强树，将所述Adaboost强分类器作为所述概率增强树的节点，得到混合分类器。
在本实施例中，为了获取分类精度和速度较高的分类器，对Adaboost进行了权重值函数的改进，并将改进后的Adaboost强分类器作为概率增强树的节点。基于Adaboost强分类器得到的混合分类器，减小了单个Adaboost强分类器因权重值偏差引起的分类误差，大大提高了分类器的分类效率和精度，并有效的减少了分类的时间。同时，改进的混合分类器有效的更新了图像样本的权重值，减小了误分类的概率。
作为一种可选实施例，所述特征向量的获取方式为：分别采用基于Frangi增强方法所得的滤波器和若干个不同方向和尺度的Gabor滤波器对图像块进行滤波，并分别计算滤波之后图像的均值和方差；基于所述均值和方差，构建描述图像块的特征向量。
在本实施例中，对于基于特定像素点构建的图像块、基于人为选择的血管像素点构成的图像块以及基于人为选择的非血管像素点构成的图像块，均以根据Frangi增强方法得到的滤波器和Gabor滤波器下的均值和方差构建特征向量。具体地，将均值和方差所组成的列向量作为特征向量。
作为一种可选实施例，所述原始X射线造影图像中若干特定像素点的获取方法为：利用Hessian矩阵对所述原始X射线造影图像中的各像素点进行矩阵分析，获取对应的矩阵；基于所述矩阵的特征值和阈值，获取所述原始X射线造影图像的特定像素点。
在本实施例中，为了获得特定像素点，采用Hessian矩阵对原始X射线造影图像中的各像素点进行矩阵分析，获取对应的矩阵，并根据获得的矩阵获取矩阵特征值。将特征值大于阈值的像素点作为对图像中选定的特定像素点。
作为一种可选实施例，所述步骤3之前还包括：根据所述缺损图像中各像素邻域的空间位置和方向信息以及所述像素的邻域灰度信息，基于相邻的像素差异性最小原则，构建平面马尔科夫模型，并利用所述平面马尔科夫模型对所述缺损图像的深度信息进行获取；根据所述缺损图像的所述深度信息和灰度信息，基于所述缺损图像中相邻像素的深度信息和灰度信息差别最小原则，构建修复函数。
作为一种可选实施例，所述步骤1之前还包括：对所述原始X射线造影图像进行高低帽变换。
在本实施例中，由于原始X射线造影图像中血管结构与非血管结构的对比度较低，为了提高后续图像块的分类效果、准确获取基于血管像素点构建的图像块进而提高血管结构的增强效果，对所述原始X射线造影图像进行高低帽变换，具体地，对所述原始X射线造影图像进行形态学开运算，并将得到的图像和原始X射线造影图像进行差分运算，随后对差分结果进行闭运算，并将闭运算结果和原始X射线造影图像进行差分运算，从而提高原始X射线造影图像中血管结构与非血管结构的对比度以便进行后续处理。
作为一种可选实施例，所述步骤1之前还包括：基于Hessian矩阵特征值构建的响应约束，对所述原始X射线造影图像进行增强，抑制背景噪声。
在本实施例中，在获取原始X射线造影图像的过程中，由于成像技术和其他环境因素的影响，图像中难免存在背景噪声。因此为了避免背景噪声对图像处理效果的影响，基于Hessian矩阵特征值构建的响应约束，对原始X射线造影图像进行增强，以抑制背景噪声。
上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。
如图2所示，根据本发明的第二方面，提供一种X射线造影图像中血管结构的提取装置，其特征在于，包括：图像块获取模块、缺损图像获取模块、修复图像获取模块和提取模块；所述图像块获取模块，用于利用分类模型，对若干图像块进行分类，获取血管图像块；所述若干图像块包括利用原始X射线造影图像中满足预设条件的若干特定像素点构建的血管图像块和非血管图像块；所述缺损图像获取模块，用于将所述血管图像块对应的特定像素点的像素值设置为预设值，获取缺损图像；所述修复图像获取模块，用于利用根据所述缺损图像的灰度信息和深度信息构建的修复函数，对所述缺损图像进行修复，获取修复图像；所述提取模块，用于将所述原始X射线造影图像与所述修复图像进行差分运算，获取血管结构。
本发明提出的X射线造影图像中血管结构的提取方法及装置，通过利用分类模型，对利用原始X射线造影图像中满足预设条件的若干特定像素点构建的若干血管图像块和非血管图像块进行分类，获取血管图像块，将所述血管图像块对应的特定像素点的像素值设置为预设值，使得血管结构的像素点值均为预设值，利用所述缺损图像的灰度信息和深度信息构建的修复函数，对所述缺损图像进行修复，即利用血管结构边缘附近的背景像素点对血管结构修复，使之像素值接近，通过将所述原始X射线造影图像与修复图像进行差分运算，背景部分像素点像素值均为0，背景噪声得到充分的抑制，修复图像中血管结构与其边缘附近的背景像素点像素值接近，与原始X射线造影图像中血管结构像素值存在差异，因而，差分后能够获得边缘、分叉和交叉位置信息清晰完整的血管结构。
作为一种可选实施例，所述装置还包括分类模型获取模块，用于基于若干血管图像块和非血管图像块的特征向量，对基于Adaboost强分类器和概率增强树构建的混合分类器进行训练，获得分类模型；所述若干血管图像块和非血管图像块基于若干X射线造影图像中若干血管像素点和非血管像素点构建。
作为一种可选实施例，所述装置还包括混合分类器获取模块，用于采用若干层决策树模型作为弱分类器构建Adaboost强分类器；构建特定深度的概率增强树，将所述Adaboost强分类器作为所述概率增强树的节点，得到混合分类器。
作为一种可选实施例，所述装置还包括特征向量获取模块，用于分别采用Frangi增强方法和Gabor滤波器对图像块进行滤波，并分别计算滤波之后图像的均值和方差；基于所述均值和方差，构建描述图像块的特征向量。
作为一种可选实施例，所述装置还包括特定像素点获取模块，用于利用Hessian矩阵对所述原始X射线造影图像中的各像素点进行矩阵分析，获取对应的矩阵；基于所述矩阵的特征值和阈值，获取所述原始X射线造影图像的特定像素点。
作为一种可选实施例，所述装置还包括修复函数获取模块，用于根据像素邻域的空间位置和方向信息，结合图像像素本身的邻域灰度信息，保证邻域的像素差异性最小，从而构建平面马尔科夫模型，对缺损图像的深度信息进行获取；基于所述缺损图像的所述深度信息和灰度信息，保证相邻像素的深度信息和灰度信息差别最小，从而获得修复函数。
结合本发明第一方面的第一种可能实现方式，在第七种可能实现方式中，所述装置还包括第一预处理模块，用于对所述原始X射线造影图像进行高低帽变换。
作为一种可选实施例，所述装置还包括第二预处理模块，用于基于Hessian矩阵特征值构建的响应约束，对所述原始X射线造影图像进行增强，抑制背景噪声。
最后，本发明的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。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 (9)
1.一种X射线造影图像中血管结构提取方法，其特征在于，包括：
步骤1，利用分类模型，对若干图像块进行分类，获取血管图像块；所述若干图像块包括利用原始X射线造影图像中满足预设条件的若干特定像素点构建的血管图像块和非血管图像块；
步骤2，将所述血管图像块对应的特定像素点的像素值设置为预设值，获取缺损图像；
步骤3，利用根据所述缺损图像的灰度信息和深度信息构建的修复函数，对所述缺损图像进行修复，获取修复图像；
步骤4，将所述原始X射线造影图像与所述修复图像进行差分运算，获取血管结构。
2.根据权利要求1所述的方法，其特征在于，所述步骤1之前还包括：
利用若干血管图像块和非血管图像块的特征向量和标签，对基于Adaboost强分类器和概率增强树构建的混合分类器进行训练，获得分类模型；
所述若干血管图像块和非血管图像块分别基于若干X射线造影图像中若干血管像素点和非血管像素点构建。
3.根据权利要求2所述的方法，其特征在于，所述对基于Adaboost强分类器和概率增强树构建的混合分类器进行训练之前还包括：
采用若干层决策树模型作为弱分类器构建Adaboost强分类器；
构建特定深度的概率增强树，将所述Adaboost强分类器作为所述概率增强树的节点，得到混合分类器。
4.根据权利要求2或3所述的方法，其特征在于，所述特征向量的获取方式为：
分别采用基于Frangi增强方法所得的滤波器和若干个不同方向和尺度的Gabor滤波器对图像块进行滤波，并分别计算滤波之后图像的均值和方差；
基于所述均值和方差，构建描述图像块的特征向量。
5.根据权利要求1所述的方法，其特征在于，所述满足预设条件的若干特定像素点的获取方法为：
利用Hessian矩阵对所述原始X射线造影图像中的各像素点进行矩阵分析，获取对应的矩阵；
基于所述矩阵的特征值和阈值，获取所述原始X射线造影图像的特定像素点。
6.根据权利要求1所述的方法，其特征在于，所述步骤3之前还包括：
根据所述缺损图像中各像素邻域的空间位置和方向信息以及所述像素的邻域灰度信息，基于相邻的像素差异性最小原则，构建平面马尔科夫模型，并利用所述平面马尔科夫模型对所述缺损图像的深度信息进行获取；
根据所述缺损图像的所述深度信息和灰度信息，基于所述缺损图像中相邻像素的深度信息和灰度信息差别最小原则，构建修复函数。
7.根据权利要求1所述的方法，其特征在于，所述步骤1之前还包括：
对所述原始X射线造影图像进行高低帽变换。
8.根据权利要求1或7所述的方法，其特征在于，所述步骤1之前还包括：
基于Hessian矩阵特征值构建的响应约束，对所述原始X射线造影图像进行增强，抑制背景噪声。
9.一种X射线造影图像中血管结构的提取装置，其特征在于，包括：图像块获取模块、缺损图像获取模块、修复图像获取模块和提取模块；
所述图像块获取模块，用于利用分类模型，对若干图像块进行分类，获取血管图像块；所述若干图像块包括利用原始X射线造影图像中满足预设条件的若干特定像素点构建的血管图像块和非血管图像块；
所述缺损图像获取模块，用于将所述血管图像块对应的特定像素点的像素值设置为预设值，获取缺损图像；
所述修复图像获取模块，用于利用根据所述缺损图像的灰度信息和深度信息构建的修复函数，对所述缺损图像进行修复，获取修复图像；
所述提取模块，用于将所述原始X射线造影图像与所述修复图像进行差分运算，获取血管结构。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711123564.4A CN107993220B (zh) | 2017-11-14 | 2017-11-14 | X射线造影图像中血管结构的提取方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711123564.4A CN107993220B (zh) | 2017-11-14 | 2017-11-14 | X射线造影图像中血管结构的提取方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107993220A true CN107993220A (zh) | 2018-05-04 |
| CN107993220B CN107993220B (zh) | 2020-12-01 |
Family
ID=62030934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711123564.4A Active CN107993220B (zh) | 2017-11-14 | 2017-11-14 | X射线造影图像中血管结构的提取方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107993220B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109166097A (zh) * | 2018-07-18 | 2019-01-08 | 北京理工大学 | 从造影图像序列中提取血管的方法及装置 |
| CN109431531A (zh) * | 2018-12-25 | 2019-03-08 | 上海联影医疗科技有限公司 | 基于灌注成像的血管分割方法及装置和计算机装置 |
| CN111063018A (zh) * | 2019-11-08 | 2020-04-24 | 山东大学 | 一种基于深度学习的血管内超声图像三维重建方法及系统 |
| CN111161240A (zh) * | 2019-12-27 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 血管分类方法、计算机设备和可读存储介质 |
| CN113822897A (zh) * | 2021-11-22 | 2021-12-21 | 武汉楚精灵医疗科技有限公司 | 血管分割方法、终端及计算机可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090080728A1 (en) * | 2007-09-21 | 2009-03-26 | Richard Socher | Method and system for vessel segmentation in fluoroscopic images |
| CN104599275A (zh) * | 2015-01-27 | 2015-05-06 | 浙江大学 | 基于概率图模型的非参数化的rgb-d场景理解方法 |
| CN104809480A (zh) * | 2015-05-21 | 2015-07-29 | 中南大学 | 一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法 |
| CN106228513A (zh) * | 2016-07-18 | 2016-12-14 | 黄河科技学院 | 一种计算机图像处理系统 |
| CN106485672A (zh) * | 2016-09-12 | 2017-03-08 | 西安电子科技大学 | 改进的块匹配修复和联合三边导向滤波图像增强方法 |
-
2017
- 2017-11-14 CN CN201711123564.4A patent/CN107993220B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090080728A1 (en) * | 2007-09-21 | 2009-03-26 | Richard Socher | Method and system for vessel segmentation in fluoroscopic images |
| CN104599275A (zh) * | 2015-01-27 | 2015-05-06 | 浙江大学 | 基于概率图模型的非参数化的rgb-d场景理解方法 |
| CN104809480A (zh) * | 2015-05-21 | 2015-07-29 | 中南大学 | 一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法 |
| CN106228513A (zh) * | 2016-07-18 | 2016-12-14 | 黄河科技学院 | 一种计算机图像处理系统 |
| CN106485672A (zh) * | 2016-09-12 | 2017-03-08 | 西安电子科技大学 | 改进的块匹配修复和联合三边导向滤波图像增强方法 |
Non-Patent Citations (4)
| Title |
|---|
| M.YASUDA: "Digital Image Inpainting based on Markov Random Field", 《PROCEEDINGS OF THE 2005 INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE FOR MODELLING,CONTROL AND AUTOMATION,AND INTERNATIONAL CONFERENCE ON INTELLIGENT AGENTS,WEB TECHNOLOGIES AND INTERNET COMMERCE》 * |
| UNBERATH M ET AL: "Consistency-based respiratory motion estimation in rotational angiography", 《MEDICAL PHYSICS》 * |
| ZHUOWEN TU: "Probabilistic Boosting-Tree: Learning Discriminative Models for Classification", 《PROCEEDINGS OF THE TENTH IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV’05)》 * |
| 何埜: "基于深度信息的图像修复算法", 《计算机应用》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109166097A (zh) * | 2018-07-18 | 2019-01-08 | 北京理工大学 | 从造影图像序列中提取血管的方法及装置 |
| CN109166097B (zh) * | 2018-07-18 | 2021-04-20 | 北京理工大学 | 从造影图像序列中提取血管的方法及装置 |
| CN109431531A (zh) * | 2018-12-25 | 2019-03-08 | 上海联影医疗科技有限公司 | 基于灌注成像的血管分割方法及装置和计算机装置 |
| CN111063018A (zh) * | 2019-11-08 | 2020-04-24 | 山东大学 | 一种基于深度学习的血管内超声图像三维重建方法及系统 |
| CN111161240A (zh) * | 2019-12-27 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 血管分类方法、计算机设备和可读存储介质 |
| CN111161240B (zh) * | 2019-12-27 | 2024-03-05 | 上海联影智能医疗科技有限公司 | 血管分类方法、装置、计算机设备和可读存储介质 |
| CN113822897A (zh) * | 2021-11-22 | 2021-12-21 | 武汉楚精灵医疗科技有限公司 | 血管分割方法、终端及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107993220B (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107993220A (zh) | X射线造影图像中血管结构的提取方法及装置 | |
| Nasr-Esfahani et al. | Vessel extraction in X-ray angiograms using deep learning | |
| van Ginneken | Fifty years of computer analysis in chest imaging: rule-based, machine learning, deep learning | |
| US8345976B2 (en) | Systems and methods for segmenting digital images | |
| CN111259982A (zh) | 一种基于注意力机制的早产儿视网膜图像分类方法和装置 | |
| CN111091573B (zh) | 基于深度学习的ct影像肺血管的分割方法及系统 | |
| CN110766643A (zh) | 一种面向眼底图像的微动脉瘤检测方法 | |
| Wang | Segmentation of multiple structures in chest radiographs using multi-task fully convolutional networks | |
| Mercan et al. | Virtual staining for mitosis detection in breast histopathology | |
| Ho et al. | Nuclei detection and segmentation of fluorescence microscopy images using three dimensional convolutional neural networks | |
| CN107705323A (zh) | 一种基于卷积神经网络的水平集目标追踪方法 | |
| Yan et al. | Improved mask R-CNN for lung nodule segmentation | |
| Anand et al. | An edge vector and edge map based boundary detection in medical images | |
| Lim et al. | Segmentation of the liver using the deformable contour method on CT images | |
| CN114170212A (zh) | 一种基于ct影像中肺小结节假阳检测方法及系统 | |
| Xu et al. | Mammographic mass segmentation using multichannel and multiscale fully convolutional networks | |
| CN113889238B (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
| CN114820658A (zh) | 一种肝静脉和门静脉分割方法及装置 | |
| Aulia et al. | Brain tumor identification based on VGG-16 architecture and CLAHE method | |
| Cui et al. | DsUnet: a new network structure for detection and segmentation of ultrasound breast lesions | |
| Chandran et al. | Segmentation of dental radiograph images | |
| Rahman et al. | Integrated approach of brain segmentation using neuro fuzzy k-means | |
| Yin et al. | Subsequent boundary distance regression and pixelwise classification networks for automatic kidney segmentation in ultrasound images | |
| Nithya et al. | An Efficient PM-Multisampling Image Filtering with Enhanced CNN Architecture for Pneumonia Classfication | |
| Ji et al. | Automatic prostate segmentation on MR images with deeply supervised network |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |