CN108765432A - 一种颈动脉内中膜边界自动分割方法与系统 - Google Patents
一种颈动脉内中膜边界自动分割方法与系统 Download PDFInfo
- Publication number
- CN108765432A CN108765432A CN201810428262.6A CN201810428262A CN108765432A CN 108765432 A CN108765432 A CN 108765432A CN 201810428262 A CN201810428262 A CN 201810428262A CN 108765432 A CN108765432 A CN 108765432A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- sequence
- frame
- value
- 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 59
- 239000012528 membrane Substances 0.000 title claims abstract description 20
- 241000270295 Serpentes Species 0.000 claims abstract description 49
- 230000011218 segmentation Effects 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000003709 image segmentation Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 230000000644 propagated effect Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 210000002808 connective tissue Anatomy 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000238876 Acari Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000035 biogenic effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/10132—Ultrasound 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20156—Automatic seed setting
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种颈动脉内中膜边界自动分割方法及系统，对超声图像序列进行预处理，通过粗裁剪、生成种子点、动态规划方法处理实现对序列第一帧的初始化；建立图像序列分割的状态空间框架，运用蛇算法获取状态空间中的观测量，并使用卡尔曼滤波器求解该状态空间方程，得到图像内对应的颈动脉壁的实际位置；顺序地分割后续图像，得到图像分割结果。本发明中序列的第一帧初始化工作为自动分割，真正实现了颈动脉内中膜边界的全自动分割，在时效性方面有了质的提升。
Description
技术领域
本发明涉及一种颈动脉内中膜边界自动分割方法与系统。
背景技术
从超声图像中分割出颈动脉IM(内膜-中膜)边界，进而在心动周期中观测颈 动脉IMT(内膜-中膜厚度)的变化对心血管疾病的发现、预防及预后都具有重要 意义。
超声成像通常用于检查颈动脉内中膜的生物力学特性，从超声图像中分割 出颈动脉IM(内膜-中膜)边界，进而在心动周期中观测颈动脉IMT(内膜-中膜厚 度)的变化对心血管疾病的发现、预防及预后都具有重要意义。而颈动脉超声图 像分割的核心任务是使用相应的边缘提取算法完整地提取IM边界，即动脉的 LI(lumen intima，内膜)和MA(mediaadventitia，中外模)边界。
从实现手段上分类，主要有动态规划，蛇算法，神经网络，Chan-Vese模型 等方法。由于图像噪声、IM边界的动态特性、观测者之间的差异等干扰因素的 影响，这项工作仍然很有挑战性，有待开发超声图像的全自动分割技术以最大 限度地减少使用者的工作量。
目前上述颈动脉分割技术只能处理单张超声图像，而无法处理连续的超声 图像序列，而且多为半自动分割，时效性不够高。此外，很多方法只能较好地 处理噪声较少的理想图像，鲁棒性不够强，实用性也大为降低。
发明内容
本发明为了解决上述问题，提出了一种颈动脉内中膜边界自动分割方法与 系统，本发明以状态空间框架为基础，并融合了蛇算法，使分割的准确率和鲁 棒性都大为提高。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一目的是提供一种颈动脉内中膜边界自动分割方法，对超声图 像序列进行预处理，通过粗裁剪、生成种子点、动态规划方法处理实现对序列 第一帧的初始化；
建立图像序列分割的状态空间框架，运用蛇算法获取状态空间中的观测量， 并使用卡尔曼滤波器求解该状态空间方程，得到图像内对应的颈动脉壁的实际 位置；
顺序地分割后续图像，得到图像分割结果。
进一步的，对超声图像序列进行预处理的过程具体为：将每帧的灰度值正 则化到[0,255]，再对每一帧应用高斯低通滤波器处理。
进一步的，将第一张图像进行粗裁剪的具体过程为：对图像矩阵的每一列 进行灰度检索，根据连续点序列的灰度值，判断点序列为血管内腔还是膜，最 后一个灰度值小于第一设定值的点被选为内膜边界的上限，该点的y坐标记作 Ai，继续灰度索引直至找到灰度值最大的点，该点的y坐标记Bi,若这两点的y 坐标差值满足设定的阈值要求，则后者即为中外模边界的下限。
更进一步的，设置第一设定值和第二设定值，灰度值小于第一设定值的点 为暗，判断为血管内腔，灰度值大于第二设定值的点为亮，判断为膜，第二设 定值大于第一设定值。
更进一步的，根据Bi求得Ai，在Ai和Bi之外的区域设为禁止区域，动态 规划的前向传播将不会通过该区域。
进一步的，生成种子点的具体过程包括：在y方向上计算得到图像梯度图， 动态规划的代价图矩阵C定义为该图像梯度图的相反数，修改梯度图使得禁止 区域的点值变大，使得传播路径离开此区域；在图像特征图左侧的多列中，给 每一列找到特征图最小值，检测不同列之间的连通性，若连通的列数超过设定 值，则这些最小值设为边界，第一个最小值设为种子点；否则，删除离群的极 小值并更换，重复上述步骤直到生成种子点。
更进一步的，如果相邻两列最小值y坐标之差不超过2个像素点，认为这 两列是连通的。
进一步的，动态传播的过程包括然后从种子点开始执行前向传播算法来建 立累积代价图矩阵，代价图矩阵初始值为种子点的代价图矩阵值，进行梯度传 播，最终传播至图像右侧并找到累积代价图矩阵值最小的点，将这些点从图像 右侧回溯到种子点即可得到最小路径；最小路径上的点序列构成超声图像的IM 边界。
进一步的，建立图像序列分割的状态空间框架的过程包括：利用图像序列 分割的时间一致性构建状态空间方程，利用前一时刻的状态变量，即前一帧的 IM边界位置和当前时刻的观测变量来求解当前时刻相应变量的最优估计。
优选的，使用卡尔曼滤波器迭代求解状态空间方程。
更进一步的，观测变量利用蛇算法获取。
更进一步的，利用蛇是由空间坐标进行几何表示的一组点，通过蛇的能量 函数最小化，蛇会被移动至图像梯度较强的区域，正确设定初始蛇，以保证蛇 服从外部能量场的邻域最小值，从而分割一张图像。
对连续图像的分割时，根据蛇的灰度和曲率自适应调整蛇的初始位置，在 灰度自适应调整中，通过对比第一帧和当前帧的上、下邻域平均灰度值，对蛇 的位置进行调整，使蛇的位置向更亮处移动。
本发明的第二目的是提供一种颈动脉内中膜边界自动分割系统，运行于处 理器或可读存储介质上，被配置为执行以下指令：
对超声图像序列进行预处理，通过粗裁剪、生成种子点、动态规划方法处 理实现对序列第一帧的初始化；
建立图像序列分割的状态空间框架，运用蛇算法获取状态空间中的观测量， 并使用卡尔曼滤波器求解该状态空间方程，得到图像内对应的颈动脉壁的实际 位置，顺序地分割后续图像，得到图像分割结果。
与现有技术相比，本发明的有益效果为：
1.本发明将蛇算法与状态空间模型进行了融合，比起传统蛇算法、状态空间 模型方法等，准确度显著提高。
2.在大多现有的分割技术中，序列的第一帧初始化工作往往是手动分割的， 而本发明中为自动分割，这就真正实现了颈动脉内中膜边界的全自动分割，在 时效性方面有了质的提升；效率大大提高，时间成本和人力成本显著降低。
3.该方法可以处理连续的超声图像序列，比以往的处理单张图片的方法更高 效。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申 请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本发明的分割图像过程整体流程图；
图2为本发明的自动分割第一帧图像的流程图；
图3为本发明的分割第k帧图像的蛇的自适应调整流程图；
图4为本发明与人工分割方法的对比效果图；
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。 除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的 普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图 限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确 指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说 明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、 组件和/或它们的组合。
在本发明中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、 “侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为 了便于叙述本发明各部件或元件结构关系而确定的关系词，并非特指本发明中 任一部件或元件，不能理解为对本发明的限制。
本发明中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固 定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中 间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定 上述术语在本发明中的具体含义，不能理解为对本发明的限制。
正如背景技术中指出的，目前大多数颈动脉分割技术处理单张超声图像， 而无法处理连续的超声图像序列，而且多为半自动分割，时效性不够高。此外， 很多方法只能较好地处理噪声较少的理想图像，鲁棒性不够强，实用性也大为 降低。
为了降低人员的工作量，提高效率，本发明完成了对超声图像序列的全自 动分割。该方法以状态空间框架为基础，并融合了蛇算法，使分割的准确率和 鲁棒性都大为提高。
首先，对超声图像序列进行预处理，然后通过粗裁剪、生成种子点、动态 规划方法处理实现对序列第一帧的初始化；其次，建立图像序列分割的状态空 间框架，运用蛇算法获取状态空间中的观测量，并使用卡尔曼滤波器求解该状 态空间方程，得到颈动脉壁的实际位置，顺序地分割后续图像。
具体的方案如图1所示，首先，对超声序列进行预处理：将每帧的灰度值 正则化到[0,255]，再对每一帧应用高斯低通滤波器处理。然后，将第一张图像 进行粗裁剪，具体做法是：对图像矩阵的每一列进行灰度检索，根据连续点序 列的灰度值(这里设定小于10为暗，大于180为亮)判断点序列为血管内腔(暗) 还是膜(亮)，最后一个灰度值小于10的点被选为LI(lumen intima，内膜) 边界的上限(LI的实际位置在Ai下方)，该点的y坐标记作Ai，继续灰度索引直 至找到最亮的点，该点的y坐标记Bi,若这两点的y坐标差值满足设定的阈值(这 里为50)要求，则后者即为MA(media adventitia，中外模)边界的下限(MA的 实际位置在Bi上方)。通过上述方法，先确定Bi,根据Bi求得Ai(Ai＝Bi-50，实验 表明，IMT的值小于50像素)。在Ai和Bi之外的区域设为禁止区域，动态规划 的前向传播将不会通过该区域。
其次，生成种子点。在y方向上计算得到图像梯度图，动态规划的代价图 矩阵C定义为该图像梯度图的相反数，修改梯度图使得禁止区域的点值变大， 使得传播路径离开此区域。然后，在图像特征图左侧三十列中，给每一列找到 特征图最小值，检测不同列之间的连通性(如果相邻两列最小值y坐标之差不超 过2个像素点，认为这两列是连通的)。若连通的列数超过十列，则这些最小值 设为边界，第一个最小值设为种子点；否则，删除离群的极小值并更换，重复 上述步骤直到生成种子点。种子点的y坐标记为y0,该点坐标记为(1,y0)。
然后从种子点开始执行前向传播算法来建立累积代价图矩阵CC，代价图矩 阵初始值为种子点的代价图矩阵值，利用下述公式(6)、(7)进行梯度传播，
Cc(1,y0)＝C(1,y0) (6)
通过(7)式，从左至右迭代生成CC的每一列，(7)式表示，第x列第j个 点的累积代价图矩阵是第x-1列的相邻点(y坐标的差值小于2)的累积代价图 矩阵与该相邻点的代价图矩阵之和的最小值。此外，为了保持分割边界的光滑 性，将相邻两列之间y坐标的最大偏差设为2。
最终传播至图像右侧并找到累积代价图矩阵值最小的点，将这些点从图像 右侧回溯到种子点即可得到最小路径。最小路径上的点序列构成超声图像的IM 边界。该自动初始化流程图见图2。
下一步要建立图像序列分割的状态空间框架，如图1所示。状态空间方法 利用了图像序列分割的时间一致性，其核心是状态空间方程
xn＝Fn-1xn-1+qn-1
yn＝Hn-1xn-1+rn-1 (8)
n代表图像序列索引，xn是状态变量，yn是观测变量，qn-1是系统噪声，rn-1是观测噪声，Fn-1和Hn-1是系数矩阵。该方法利用前一时刻的状态变量xn-1(前一 帧的IM边界位置)和当前时刻的噪声观测yn(蛇算法的输出结果)来求解当前 时刻相应变量的最优估计。
本发明的任务之一是实现自动化分割，所以，使用卡尔曼滤波器迭代求解 状态空间方程进而提高计算速度。在卡尔曼滤波器中，可以由(9)式根据前一 时刻的状态变量xn-1和当前时刻的观测变量yn计算当前时刻的状态变量xn
其中，带有下标n,piror的变量是时刻n的先验变量，Qn-1是过程噪声qn-1的协方差矩阵，Rn是过程噪声rn的协方差矩阵。利用这些方程，可以迭代求解 变量x(IM边界位置)和误差协方差矩阵P。
观测变量yn通过蛇算法获取。蛇是由空间坐标u(u代表蛇的某一点的x或 y坐标)进行几何表示的一组点。通过蛇的能量函数最小化，蛇会被移动至图像 梯度较强的区域，能量函数定义如下：
下标i是蛇的第i个点；αi和βi是蛇的线条、边界、弹性和刚性的加权系数； G是外部能量场，是线条和边界能量的加权和。首先正确设定初始蛇，然后蛇会 服从G的邻域最小值，从而分割一张图像。
在50％以上的超声图像序列中，图像都会受到斑块噪声影响，导致分割边 界出现误差而影响蛇的正常行为，最终可能会使分割失败。此外，若蛇的初始 位置离正确的边界太远，则连续图像之间的较大位移也可以阻碍分割。为了克 服斑块噪声和目标在连续帧中的位移等误差缺陷，将根据蛇的灰度和曲率对蛇 的位置进行自适应调整，具体方法如图3所示。
在灰度自适应调整中，通过对比第一帧和当前帧的上、下邻域平均灰度值， 对蛇的位置进行调整，分别记作若第一帧上 或下邻域灰度均值，比当前帧相应邻域灰度均值大过了一个阈值，即
或
则说明该邻域比正常情况暗，一个常数c＝200将被加入到G矩阵的上邻域 从而使蛇下降；反之，若第一帧上或下邻域灰度均值，比当前帧相应邻域灰度 均值小于一个阈值，则应用同样的方法使蛇上移。
有两种例外情况：
1)在没有噪声时，LI上邻域的平均灰度值小于10，所以，为了避免在不 需要往上推动蛇的时候满足了上述公式(11)中条件， 所以把阈值改成了
2)如果没有噪声，就不会因为公式(11)中条 件而下推蛇。此外，需要通过曲率约束，保持蛇的形状相对稳定。
一种颈动脉内中膜边界自动分割系统，运行于处理器或可读存储介质上， 具体包括：
初始化模块，对超声图像序列进行预处理，通过粗裁剪、生成种子点、动 态规划方法处理实现对序列第一帧的初始化；
图像分割模块，建立图像序列分割的状态空间框架，运用蛇算法获取状态 空间中的观测量，并使用卡尔曼滤波器求解该状态空间方程，得到图像内对应 的颈动脉壁的实际位置，顺序地分割后续图像，得到图像分割结果。
如图4所示，作为验证，可以进行研究实验，共纳入3个合成模型和62个实 验对象，合成序列是由雅典的国家技术大学的生物模拟实验室开发的；对于真 实的实验对象，专家通过超声系统iU22(Philips Ultrasound,Bothell,WA,USA) 并使用7.5MHz的线性阵列传感器来采集所有的颈动脉超声数据。
在Matlab 2015B上运行该程序，台式机配置为Intel(R)Core(TM)i5-5200U CPU(2.20GHz)，8GB RAM。所有65个序列中每一帧的人工分割结果均由3位超声 医师完成，而对其他人的结果不知情。其中，第一个专家进行了两次手工描绘， 两次间隔一个月。4个结果的平均值被认为是金标准。
本发明提供的方案的误差与DP(动态规划),CV(Chan-Vese模型),Inter1(第 一个和第二个专家之间的观测误差),Inter2(第一个和第三个专家之间的观测 误差),以及Intra(第一个专家自身的观测误差)做了对比，如图4所示，我们方 案的误差相对其他方法是最低的，平均绝对误差和专家的观测误差在一个水平 上。
综上所述本发明将蛇算法与状态空间模型进行了融合，比起传统蛇算法、 状态空间模型方法等，准确度显著提高。同时，经过验证，本发明实现了全自 动分割，和以往的半自动分割等方法相比，效率大大提高，时间成本和人力成 本显著降低。该方法可以处理连续的超声图像序列，比以往的处理单张图片的 方法更高效。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领 域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则 之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之 内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明 保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上， 本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明 的保护范围以内。
Claims (10)
1.一种颈动脉内中膜边界自动分割方法，其特征是：对超声图像序列进行预处理，通过粗裁剪、生成种子点、动态规划方法处理实现对序列第一帧的初始化；
建立图像序列分割的状态空间框架，运用蛇算法获取状态空间中的观测量，并使用卡尔曼滤波器求解该状态空间方程，得到图像内对应的颈动脉壁的实际位置；
顺序地分割后续图像，得到图像分割结果。
2.如权利要求1所述的一种颈动脉内中膜边界自动分割方法，其特征是：对超声图像序列进行预处理的过程具体为：将每帧的灰度值正则化到[0,255]，再对每一帧应用高斯低通滤波器处理。
3.如权利要求1所述的一种颈动脉内中膜边界自动分割方法，其特征是：将第一张图像进行粗裁剪的具体过程为：对图像矩阵的每一列进行灰度检索，根据连续点序列的灰度值，判断点序列为血管内腔还是膜，最后一个灰度值小于第一设定值的点被选为内膜边界的上限，该点的y坐标记作Ai，继续灰度索引直至找到灰度值最大的点，该点的y坐标记Bi,若这两点的y坐标差值满足设定的阈值要求，则后者即为中外模边界的下限。
4.如权利要求3所述的一种颈动脉内中膜边界自动分割方法，其特征是：设置第一设定值和第二设定值，灰度值小于第一设定值的点为暗，判断为血管内腔，灰度值大于第二设定值的点为亮，判断为膜，第二设定值大于第一设定值。
5.如权利要求3所述的一种颈动脉内中膜边界自动分割方法，其特征是：根据Bi求得Ai，在Ai和Bi之外的区域设为禁止区域，动态规划的前向传播将不会通过该区域。
6.如权利要求1所述的一种颈动脉内中膜边界自动分割方法，其特征是：生成种子点的具体过程包括：在y方向上计算得到图像梯度图，动态规划的代价图矩阵C定义为该图像梯度图的相反数，修改梯度图使得禁止区域的点值变大，使得传播路径离开此区域；在图像特征图左侧的多列中，给每一列找到特征图最小值，检测不同列之间的连通性，若连通的列数超过设定值，则这些最小值设为边界，第一个最小值设为种子点；否则，删除离群的极小值并更换，重复上述步骤直到生成种子点。
7.如权利要求1所述的一种颈动脉内中膜边界自动分割方法，其特征是：动态传播的过程包括然后从种子点开始执行前向传播算法来建立累积代价图矩阵，代价图矩阵初始值为种子点的代价图矩阵值，进行梯度传播，最终传播至图像右侧并找到累积代价图矩阵值最小的点，将这些点从图像右侧回溯到种子点即可得到最小路径；最小路径上的点序列构成超声图像的IM边界。
8.如权利要求1所述的一种颈动脉内中膜边界自动分割方法，其特征是：建立图像序列分割的状态空间框架的过程包括：利用图像序列分割的时间一致性构建状态空间方程，利用前一时刻的状态变量，即前一帧的IM边界位置和当前时刻的观测变量来求解当前时刻相应变量的最优估计。
9.如权利要求1所述的一种颈动脉内中膜边界自动分割方法，其特征是：对连续图像的分割时，根据蛇的灰度和曲率自适应调整蛇的初始位置，在灰度自适应调整中，通过对比第一帧和当前帧的上、下邻域平均灰度值，对蛇的位置进行调整，使蛇的位置向更亮处移动，利用蛇服从外部能量场的邻域最小值，从而分割一张图像。
10.一种颈动脉内中膜边界自动分割系统，其特征是：运行于处理器或可读存储介质上，被配置为执行以下指令：
对超声图像序列进行预处理，通过粗裁剪、生成种子点、动态规划方法处理实现对序列第一帧的初始化；
建立图像序列分割的状态空间框架，运用蛇算法获取状态空间中的观测量，并使用卡尔曼滤波器求解该状态空间方程，得到图像内对应的颈动脉壁的实际位置，顺序地分割后续图像，得到图像分割结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810428262.6A CN108765432B (zh) | 2018-05-07 | 2018-05-07 | 一种颈动脉内中膜边界自动分割方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810428262.6A CN108765432B (zh) | 2018-05-07 | 2018-05-07 | 一种颈动脉内中膜边界自动分割方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108765432A true CN108765432A (zh) | 2018-11-06 |
| CN108765432B CN108765432B (zh) | 2020-08-07 |
Family
ID=64010121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810428262.6A Active CN108765432B (zh) | 2018-05-07 | 2018-05-07 | 一种颈动脉内中膜边界自动分割方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108765432B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116152274A (zh) * | 2023-04-23 | 2023-05-23 | 之江实验室 | 一种图像分割方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103996194A (zh) * | 2014-05-23 | 2014-08-20 | 华中科技大学 | 一种基于超声颈动脉图像的内中膜自动分割方法 |
| US20150005636A1 (en) * | 2012-02-03 | 2015-01-01 | Università Degli Studi Di Padova | Method for automatically measuring a fetal artery and in particular the abdominal aorta and device for the echographic measurement of a fetal artery |
| CN106485203A (zh) * | 2016-09-19 | 2017-03-08 | 天津大学 | 颈动脉超声图像内中膜厚度测量方法及系统 |
| CN107133959A (zh) * | 2017-06-12 | 2017-09-05 | 上海交通大学 | 一种快速的血管边界三维分割方法及系统 |
| CN107204001A (zh) * | 2016-03-16 | 2017-09-26 | 飞依诺科技(苏州)有限公司 | 一种颈动脉超声图像内中膜自动分割方法 |
-
2018
- 2018-05-07 CN CN201810428262.6A patent/CN108765432B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150005636A1 (en) * | 2012-02-03 | 2015-01-01 | Università Degli Studi Di Padova | Method for automatically measuring a fetal artery and in particular the abdominal aorta and device for the echographic measurement of a fetal artery |
| CN103996194A (zh) * | 2014-05-23 | 2014-08-20 | 华中科技大学 | 一种基于超声颈动脉图像的内中膜自动分割方法 |
| CN107204001A (zh) * | 2016-03-16 | 2017-09-26 | 飞依诺科技(苏州)有限公司 | 一种颈动脉超声图像内中膜自动分割方法 |
| CN106485203A (zh) * | 2016-09-19 | 2017-03-08 | 天津大学 | 颈动脉超声图像内中膜厚度测量方法及系统 |
| CN107133959A (zh) * | 2017-06-12 | 2017-09-05 | 上海交通大学 | 一种快速的血管边界三维分割方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 方梦捷: "基于动态规划法的颈动脉超声图像内中膜分割", 《中国超声医学工程学会超声诊疗、生物效应、仪器工程、重庆超声医学工程学会学术会议论文集》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116152274A (zh) * | 2023-04-23 | 2023-05-23 | 之江实验室 | 一种图像分割方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108765432B (zh) | 2020-08-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10702247B2 (en) | Automatic clinical workflow that recognizes and analyzes 2D and doppler modality echocardiogram images for automated cardiac measurements and the diagnosis, prediction and prognosis of heart disease | |
| US9405996B2 (en) | Method and system for generating a personalized anatomical heart model | |
| US11301996B2 (en) | Training neural networks of an automatic clinical workflow that recognizes and analyzes 2D and doppler modality echocardiogram images | |
| US9275190B2 (en) | Method and system for generating a four-chamber heart model | |
| US9141763B2 (en) | Method and system for patient-specific computational modeling and simulation for coupled hemodynamic analysis of cerebral vessels | |
| CA2974349C (en) | Systems and methods for estimating blood flow characteristics from vessel geometry and physiology | |
| Zhuge et al. | An abdominal aortic aneurysm segmentation method: Level set with region and statistical information | |
| US20080273777A1 (en) | Methods And Apparatus For Segmentation And Reconstruction For Endovascular And Endoluminal Anatomical Structures | |
| US9462952B2 (en) | System and method for estimating artery compliance and resistance from 4D cardiac images and pressure measurements | |
| Skandarani et al. | Generative adversarial networks in cardiology | |
| Heyde et al. | Anatomical image registration using volume conservation to assess cardiac deformation from 3D ultrasound recordings | |
| CN109840019A (zh) | 虚拟人物的控制方法、装置及存储介质 | |
| CN116503607B (zh) | 一种基于深度学习的ct图像分割方法和系统 | |
| Almeida et al. | Left-atrial segmentation from 3-D ultrasound using B-spline explicit active surfaces with scale uncoupling | |
| CN110598288B (zh) | 一种用于冠脉三维模型的边界条件处理方法和装置 | |
| Laumer et al. | Weakly supervised inference of personalized heart meshes based on echocardiography videos | |
| Wen | Automatic tongue contour segmentation using deep learning | |
| CN108765432A (zh) | 一种颈动脉内中膜边界自动分割方法与系统 | |
| CN110599482B (zh) | 肺裂曲面确定方法、装置、电子设备和存储介质 | |
| CN113592802B (zh) | 一种基于超声图像的二尖瓣环位移自动检测系统 | |
| CN111967462A (zh) | 一种获取感兴趣区域的方法及装置 | |
| Heena et al. | Processing of echocardiographic images using segmentation, feature extraction and classification for detection of heart abnormality | |
| CN109978781B (zh) | 一种基于极值区域检测的血管内超声图像分割方法 | |
| Guo et al. | ELTS-Net: An enhanced liver tumor segmentation network with augmented receptive field and global contextual information | |
| CN108765543B (zh) | 一种基于隐式可变形模型的心血管影像重构方法及系统 |
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 |