CN108830859B - 基于超声图像的内中膜分割方法、装置、设备及存储介质 - Google Patents

基于超声图像的内中膜分割方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN108830859B
CN108830859B CN201810331462.XA CN201810331462A CN108830859B CN 108830859 B CN108830859 B CN 108830859B CN 201810331462 A CN201810331462 A CN 201810331462A CN 108830859 B CN108830859 B CN 108830859B
Authority
CN
China
Prior art keywords
image
segmentation
value
frame
segmented
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.)
Active
Application number
CN201810331462.XA
Other languages
English (en)
Other versions
CN108830859A (zh
Inventor
赵屾
张贺晔
谢耀钦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201810331462.XA priority Critical patent/CN108830859B/zh
Publication of CN108830859A publication Critical patent/CN108830859A/zh
Application granted granted Critical
Publication of CN108830859B publication Critical patent/CN108830859B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Abstract

本发明适用生物医学信息技术领域，提供了一种基于超声图像的内中膜分割方法、装置、设备及存储介质，该方法包括：当接收到超声图像内中膜的分割请求时，获取分割请求对应的待分割超声序列图像和待分割超声序列图像中的第一帧图像分割值，根据待分割超声序列图像中的各帧图像的时间先后顺序，在第一帧图像分割值的基础上，依次根据各帧图像中相邻两帧图像中的前一帧图像的分割值计算后一帧图像的分割初始值，并根据后一帧图像的分割初始值使用预设的滤波器计算后一帧图像的分割值，直至得到待分割超声序列图像中的所有各帧图像的分割值，根据所有各帧图像的分割值对待分割超声序列图像进行内中膜分割，从而提高了内中膜分割的准确性，进而提高疾病诊断的准确性。

Description

基于超声图像的内中膜分割方法、装置、设备及存储介质
技术领域
本发明属于生物医学信息技术领域，尤其涉及一种基于超声图像的内中膜分割方法、装置、设备及存储介质。
背景技术
动脉粥样硬化及其并发症，如心肌梗死和心力衰竭，已经成为世界范围内导致人们死亡的主要原因，其中大约80％的死亡病例是由于冠状动脉疾病和脑血管疾病所引起的。颈动脉壁的内中膜增厚、形成斑块进而导致血管狭窄、栓塞，是反映动脉粥样硬化病变情况(例如，缺血性中风)的最早期指标，因此，动脉粥样硬化病变情况可以通过颈动脉壁的内中膜厚度测量来衡量。由于超声诊断技术具有“实时、经济、可靠、安全”等优点，且适合应用于药效评价及患者随访等，因此，通常利用该技术得到的图像序列来分割出颈动脉壁的内中膜和中外膜，以二者之间的平均距离作为颈动脉壁厚度，进而评估动脉粥样硬化病变程度。
在以往的诊断中，内中膜厚度的计算只是在超声序列图像中选择一幅或者两幅典型图像，计算这些时刻的内中膜厚度。然而，颈动脉壁厚度在心动周期内呈周期性变化，在心脏舒张期达到最大值，在心脏收缩期达到最小值。临床研究表明，为了更确切而有效地评估心血管病变风险，需要在整个心动周期中监测内中膜厚度的变化规律。因此，在整个心动周期中进行内中膜分割，是一种更为新颖可靠的颈动脉粥样硬化诊断方法。如果要实现整个心动周期中的内中膜分割，分割的工作量就会大幅度上升，因此，必须基于计算机的颈动脉血管壁半自动或自动分割方法，以降低医生的工作量。然而，超声图像尽管能较好地根据回声特性判断不同组织，但由于存在斑点噪声、图像对比度低、存在伪影和弱边界和动脉壁在超声序列图像中的运动等问题，给颈动脉分割带来了一系列难处。因此，需要开发一种能够克服图像噪声、低对比度、弱边界和动脉壁运动问题的颈动脉壁的提取算法，从而准确、自动、可重复地从超声成像序列中提取颈动脉壁。
以往研究曾经用蛇算法进行图像分割。蛇算法最早是由Kass、Wikin和Terzopoulos在1987年提出的。蛇算法通过能量最小化方式，将初始轮廓进行形变，在自身内力的作用下迫使曲线平滑，并且在外力作用下逼近目标边缘(即内中膜和中外膜边缘)。当初始值和蛇模型的参数准确给定时，这种方法可以很好地分割单幅的超声图像，因此被广泛地应用在计算机视觉和图像处理上，并在动脉壁分割、血管提取中有过应用。然而，蛇算法存在的问题是需要给定初始轮廓线及相关参数，这给超声成像序列中颈动脉壁的提取带来了困难。此外，由于蛇模型只能找到能量的局部极小值(也就是离蛇初始位置较近的边缘)，因此超声图像中的噪声和错误的边缘，也会给蛇模型分割带来困难。
为此，有研究者提出根据当前帧图像的初始值和蛇结果，通过卡尔曼滤波来确定当前帧颈动脉壁位置的最佳估计值，并以此作为下一帧图像的蛇的初始位置。卡尔曼滤波将图像噪声考虑为高斯噪声，通过最小化估计误差协方差来定位内中膜和中外膜的位置。然而，卡尔曼滤波存在的问题是需要假设噪声为高斯分布，而在实际超声序列图像中，噪声却并不总是高斯分布的，即该假设未必成立，这样，传统卡尔曼滤波器的性能会受到影响。
发明内容
本发明的目的在于提供一种基于超声图像的内中膜分割方法、装置、设备及存储介质，旨在解决现有内中膜分割方法分割准确性不高的问题。
一方面，本发明提供了一种基于超声图像的内中膜分割方法，所述方法包括下述步骤：
当接收到超声图像内中膜的分割请求时，获取所述分割请求对应的待分割超声序列图像和所述待分割超声序列图像中的第一帧图像分割值；
根据所述待分割超声序列图像中的各帧图像的时间先后顺序，在所述第一帧图像分割值的基础上，依次根据所述各帧图像中相邻两帧图像中的前一帧图像的分割值计算后一帧图像的分割初始值，并根据所述后一帧图像的所述分割初始值使用预设的滤波器计算所述后一帧图像的所述分割值，直至得到所述待分割超声序列图像中的所有所述各帧图像的所述分割值；
根据所有所述各帧图像的所述分割值对所述待分割超声序列图像进行内中膜分割。
另一方面，本发明提供了一种基于超声图像的内中膜分割装置，所述装置包括：
数据获取单元，用于当接收到超声图像内中膜的分割请求时，获取所述分割请求对应的待分割超声序列图像和所述待分割超声序列图像中的第一帧图像分割值；
分割值计算单元，用于根据所述待分割超声序列图像中的各帧图像的时间先后顺序，在所述第一帧图像分割值的基础上，依次根据所述各帧图像中相邻两帧图像中的前一帧图像的分割值计算后一帧图像的分割初始值，并根据所述后一帧图像的所述分割初始值使用预设的滤波器计算所述后一帧图像的所述分割值，直至得到所述待分割超声序列图像中的所有所述各帧图像的所述分割值；以及
分割执行单元，用于根据所有所述各帧图像的所述分割值对所述待分割超声序列图像进行内中膜分割。
另一方面，本发明还提供了一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述基于超声图像的内中膜分割方法的步骤。
另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如所述基于超声图像的内中膜分割方法的步骤。
本发明当接收到超声图像内中膜的分割请求时，获取分割请求对应的待分割超声序列图像和待分割超声序列图像中的第一帧图像分割值，根据待分割超声序列图像中的各帧图像的时间先后顺序，在第一帧图像分割值的基础上，依次根据各帧图像中相邻两帧图像中的前一帧图像的分割值计算后一帧图像的分割初始值，并根据后一帧图像的分割初始值使用预设的滤波器计算后一帧图像的分割值，直至得到待分割超声序列图像中的所有各帧图像的分割值，根据所有各帧图像的分割值对待分割超声序列图像进行内中膜分割，从而提高了内中膜分割的准确性，进而提高疾病诊断的准确性。
附图说明
图1是本发明实施例一提供的基于超声图像的内中膜分割方法的实现流程图；
图2是本发明实施例一提供的自适应H-inf蛇算法的的实现流程图；
图3是本发明实施例二提供的基于超声图像的内中膜分割装置的结构示意图；
图4是本发明实施例三提供的基于超声图像的内中膜分割装置的结构示意图；
图5是本发明实施例三提供的基于超声图像的内中膜分割装置中的预测值计算单元的结构示意图；以及
图6是本发明实施例四提供的计算设备的结构示意图。
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，以下结合附图及实施例，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。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一：
图1示出了本发明实施例一提供的基于超声图像的内中膜分割方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在步骤S101中，当接收到超声图像内中膜的分割请求时，获取分割请求对应的待分割超声序列图像和待分割超声序列图像中的第一帧图像分割值。
在本发明实施例中，待分割超声序列图像可以为动脉壁(例如，颈动脉壁)的超声图像，动脉壁可以为患者的有结构差异化的颈动脉壁，优选地，待分割超声序列图像包括颈动脉壁在心动周期内呈周期性变化的多帧图像，以在后续分割过程中根据周期性变化规律提高内中膜的分割准确性。为了不失一般性，待分割超声序列图像的腔体中可以有斑点噪声或没有斑点噪声，待分割超声序列图像的外膜壁可以有高清晰度或低清晰度，待分割超声序列图像中连续帧的颈动脉壁运动速度处于预设速度范围，也就是说，待分割超声序列图像中连续帧的颈动脉壁运动速度可以为预设速度范围内的较快速度或较慢速度。在获取第一帧图像分割值时，可以通过预先确定的第一帧图像的分割数据获取或计算，以用于进行第二帧图像的分割初始值及分割值的计算，从而依次进行后续各帧图像的分割值的计算。
在步骤S102中，根据待分割超声序列图像中的各帧图像的时间先后顺序，在第一帧图像分割值的基础上，依次根据各帧图像中相邻两帧图像中的前一帧图像的分割值计算后一帧图像的分割初始值，并根据后一帧图像的分割初始值使用预设的滤波器计算后一帧图像的分割值，直至得到待分割超声序列图像中的所有各帧图像的分割值。
在本发明实施例中，根据待分割超声序列图像中的各帧图像的时间先后顺序，以待分割超声序列图像中的第一帧图像的分割值作为基础，利用相邻帧之间的空间相关性，依次计算待分割超声序列图像中第一帧图像之后各帧图像的分割值。在计算各帧图像分割值之前，根据相邻两帧图像中的前一帧图像分割值计算后一帧图像的分割初始值，具体地，可以将前一帧图像分割值作为后一帧图像的分割初始值，也可以对各帧图像中的前一帧图像分割值进行修正并将其修正值作为后一帧图像的分割初始值。
为了利用相邻帧的空间一致性，在本发明实施例中，根据相邻两帧图像中的前一帧图像分割值来初始化后一帧的分割，逐帧地进行计算和分割，以得到最优的动脉壁位置。在根据后一帧图像的分割初始值使用预设的滤波器计算后一帧图像的分割值时，首先将该后一帧图像的分割初始值作为预设的滤波器的输入，以求解对应的空间状态方差，然后根据得到的空间状态方差计算该后一帧图像的分割值，其中，预设的滤波器可以为具有最小化状态空间的系统噪声和测量噪声协方差矩阵的滤波器，例如，卡尔曼滤波器，优选地，预设的滤波器为具有最小化最坏情况误差的状态空间滤波器，例如，H-inf状态空间滤波器，从而不需要假定超声序列图像中的噪声呈高斯分布状态，提高了计算的准确性。
优选地，在根据后一帧图像的分割初始值使用预设的滤波器计算后一帧图像的分割值时，首先获取该后一帧图像的灰度值，并根据灰度值使用预设的自适应蛇算法计算该后一帧图像的预测分割值，使用预设的状态滤波器对该后一帧图像的分割初始值和预测分割值进行加权平均，得到该后一帧图像的分割值，从而提高了计算的准确性，进而提高内中膜分割的准确性。其中，在自适应蛇算法中，图像中轮廓上所有点的集合称为蛇。
作为示例地，在第k帧图像的分割值时，如图2所示，在状态空间框架下，首先根据超声序列图像中第k-1帧图像的分割值计算第k帧图像的分割初始值(即时间更新，Timeupdating)，然后根据第k帧图像的灰度值，通过蛇算法得到第k帧图像的预测分割值(即测量更新，Measurement Updating)，最后通过H-inf状态空间滤波器对第k帧图像的预测分割值与分割初始值进行加权平均，使噪声带来的误差最小化，即求解第k帧图像的空间状态方差，以得到第k帧图像的分割值。同样的，在第k+1帧图像的分割值时，根据该第k帧图像的分割值计算第k+1帧图像的分割初始值，从而逐帧地进行分割工作。
进一步优选地，在根据灰度值使用预设的自适应蛇算法计算后一帧图像的预测分割值时，首先根据灰度值，计算该后一帧图像中所有点的图像能量场，然后根据灰度值和图像能量场，使用梯度下降法对该后一帧图像中所有点的能量进行迭代计算，使得该后一帧图像中所有点的总能量
Figure GDA0003285554710000071
最小化，其中，ui是该后一帧图像轮廓上的第i个点的坐标，该坐标为x或y坐标，Gext是图像能量场，αi和βi为权重，最后根据所有各点在总能量最小化时的坐标，计算该后一帧图像的预测分割值，从而提高了待分割超声序列图像中各帧图像的预测分割值的准确性。
其中，在使用梯度下降法对该后一帧图像所有点的能量进行迭代计算时，在每一次迭代中，迭代后(t时间点)的第i个点的坐标ui,t和迭代前(t-1时间点)的蛇上对应点的坐标ui,t-1都满足：
Figure GDA0003285554710000072
其中，F是t-1时间点时，Gext对坐标u求导后，在第i个点处的值。δt和δs是梯度下降法的时间步长和图像空间采样间隔。一般地，δs设为1，而δt则将根据相邻图像的运动情况自适应地调整。
进一步优选地，在计算后一帧图像中所有点的图像能量场时，首先计算该后一帧图像中各点的待修正图像能量场，然后获取该后一帧图像中预设点的预设邻域的预设参数，并对该后一帧图像与第一帧图像的预设参数进行比较，得到预设参数比较结果，最后根据预设参数比较结果对该后一帧图像中各点的待修正图像能量场进行修正，从而提高了各帧图像中各点的图像能量场的技术准确性，进而提高内中膜分割的准确性。
其中，预设邻域包括内膜上方的邻域、内膜下方的邻域、中膜上方的邻域和中膜下方的邻域，预设参数包括预设邻域内的灰度均值和坐标离散导数的绝对值均值。
作为示例地，根据内膜上方的邻域、内膜下方的邻域、中膜上方的邻域和中膜下方的邻域内的灰度均值，对各帧图像中各点的待修正图像能量场进行修正。在分割序列中的第k帧图像时，考虑将该帧图像的分割初始值的第i个点的4个邻域中的灰度均值Ei,k，与该序列第一帧图像相应点相应邻域的灰度均值Ei,1相比较。如果二者之差大于阈值tolm，那么就认为这个初始值可能是错误的。如果第k帧图像该点的灰度Ei,k大于Ei,1加上这个阈值，那么认为它过于“白”，即在正确位置的下方，因此在这一帧图像对应的Gext的该点下邻域中加上一个正值，使蛇被往上推；相反地，如果Ei,k小于Ei,1减掉这个阈值，便在对应的Gext的该点上邻域中加上这个正值，使蛇被往下推。此外，对于没有噪声且整个图像亮度适中的超声序列图像，由于内膜上方是血管腔体，其在归一化后的超声图像中的灰度值很小(在0～10之间)，而中膜下方是人体组织，其在超声图像中的灰度值在180～190之间。因此，对于这种“适中”的序列，可以对内膜和中膜的调整分别外加一个条件：对于内膜，如果其下邻域的灰度小于10，则认为在正确位置的上方，因此应该在其上方邻域的Gext中加上正值，将蛇向下移动；对于中膜，如果其上邻域的灰度大于190，则认为它在正确位置的下方，因此应该在其下邻域的Gext中加上正值，将蛇向上移动。
作为示例地，根据内膜上方的邻域、内膜下方的邻域、中膜上方的邻域和中膜下方的邻域内的导数绝对值的平均值，对各帧图像中各点的待修正图像能量场进行修正。首先计算该帧图像的分割初始值的第i个点的邻域内y对x的离散导数，找到导数符号改变的点，即极值点。而后，在极值点周围邻域内计算导数绝对值的平均值，如果该平均值大于第一帧图像相应点邻域内的导数绝对值的平均值之差大于某个阈值，那么说明蛇很可能出现了不正常的凸起，因此，如果此点是极小值点，则在上邻域的Gext中加上正值，将蛇向下移动；如果此点是极大值点，则在下邻域的Gext中加上正值，将蛇向上移动。
在步骤S103中，根据所有各帧图像的分割值对待分割超声序列图像进行内中膜分割。
在本发明实施例中，可以在得到一帧图像的分割值时进行相应的分割，也可以在得到待分割超声序列图像中所有帧图像的分割值后进行分割。
在本发明实施例中，当接收到超声图像内中膜的分割请求时，首先获取分割请求对应的待分割超声序列图像和待分割超声序列图像中的第一帧图像分割值，然后根据待分割超声序列图像中的各帧图像的时间先后顺序，在第一帧图像分割值的基础上，依次根据各帧图像中相邻两帧图像中的前一帧图像的分割值计算后一帧图像的分割初始值，并根据后一帧图像的分割初始值使用预设的滤波器计算后一帧图像的分割值，直至得到待分割超声序列图像中的所有各帧图像的分割值，最后根据所有各帧图像的分割值对待分割超声序列图像进行内中膜分割，从而利用滤波器求解空间状态方程，解决了实际分割过程中因超声图像噪声未知而带来的噪声预测或假设的问题，并在状态空间框架下利用相邻帧之间的空间相关性逐帧地计算分割值，且根据分割值对各帧图像进行分割，实现了内中膜的逐帧分割，提高了内中膜分割的准确性。
实施例二：
图3示出了本发明实施例二提供的基于超声图像的内中膜分割装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
数据获取单元31，用于当接收到超声图像内中膜的分割请求时，获取分割请求对应的待分割超声序列图像和待分割超声序列图像中的第一帧图像分割值。
在本发明实施例中，通过数据获取单元31获取分割请求对应的待分割超声序列图像和待分割超声序列图像中的第一帧图像分割值，以用于后续的计算。分割请求对应的待分割超声序列图像可以为动脉壁(例如，颈动脉壁)的超声图像，动脉壁可以为患者的有结构差异化的颈动脉壁，优选地，待分割超声序列图像包括颈动脉壁在心动周期内呈周期性变化的多帧图像，以在后续分割过程中根据周期性变化规律提高内中膜的分割准确性。为了不失一般性，待分割超声序列图像的腔体中可以有斑点噪声或没有斑点噪声，待分割超声序列图像的外膜壁可以有高清晰度或低清晰度，待分割超声序列图像中连续帧的颈动脉壁运动速度处于预设速度范围，也就是说，待分割超声序列图像中连续帧的颈动脉壁运动速度可以为预设速度范围内的较快速度或较慢速度。
分割值计算单元32，用于根据待分割超声序列图像中的各帧图像的时间先后顺序，在第一帧图像分割值的基础上，依次根据各帧图像中相邻两帧图像中的前一帧图像的分割值计算后一帧图像的分割初始值，并根据后一帧图像的分割初始值使用预设的滤波器计算后一帧图像的分割值，直至得到待分割超声序列图像中的所有各帧图像的分割值。
在本发明实施例中，通过分割值计算单元32根据待分割超声序列图像中的各帧图像的时间先后顺序，以待分割超声序列图像中的第一帧图像的分割值作为基础，利用相邻帧之间的空间相关性，依次计算待分割超声序列图像中第一帧图像之后各帧图像的分割值。在计算各帧图像分割值之前，根据相邻两帧图像中的前一帧图像分割值计算后一帧图像的分割初始值，具体地，可以将前一帧图像分割值作为后一帧图像的分割初始值，也可以对各帧图像中的前一帧图像分割值进行修正并将其修正值作为后一帧图像的分割初始值。
为了利用相邻帧的空间一致性，在本发明实施例中，根据相邻两帧图像中的前一帧图像分割值来初始化后一帧的分割，逐帧地进行计算和分割，以得到最优的动脉壁位置。在根据后一帧图像的分割初始值使用预设的滤波器计算后一帧图像的分割值时，首先将该后一帧图像的分割初始值作为预设的滤波器的输入，以求解对应的空间状态方差，然后根据得到的空间状态方差计算该后一帧图像的分割值，其中，预设的滤波器可以为具有最小化状态空间的系统噪声和测量噪声协方差矩阵的滤波器，例如，卡尔曼滤波器，优选地，预设的滤波器为具有最小化最坏情况误差的状态空间滤波器，例如，H-inf状态空间滤波器，从而不需要假设超声序列图像中的噪声呈高斯分布状态，提高了计算的准确性。
分割执行单元33，用于根据所有各帧图像的分割值对待分割超声序列图像进行内中膜分割。
在本发明实施例中，可以通过分割执行单元33在得到一帧图像的分割值时进行相应的分割，也可以通过分割执行单元33在得到待分割超声序列图像中所有帧图像的分割值后进行分割。
在本发明实施例中，通过数据获取单元31和分割值计算单元32利用滤波器求解空间状态方程，解决了实际分割过程中因超声图像噪声未知而带来的噪声预测或假设的问题，并在状态空间框架下利用相邻帧之间的空间相关性逐帧地计算分割值，且通过分割执行单元33根据分割值对各帧图像进行分割，实现了内中膜的逐帧分割，提高了内中膜分割的准确性。
在本发明实施例中，基于超声图像的内中膜分割装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。
实施例三：
图4示出了本发明实施例三提供的基于超声图像的内中膜分割装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
数据获取单元41，用于当接收到超声图像内中膜的分割请求时，获取分割请求对应的待分割超声序列图像和待分割超声序列图像中的第一帧图像分割值。
在本发明实施例中，通过数据获取单元41获取分割请求对应的待分割超声序列图像和待分割超声序列图像中的第一帧图像分割值，以用于后续的计算。分割请求对应的待分割超声序列图像可以为动脉壁(例如，颈动脉壁)的超声图像，动脉壁可以为患者的有结构差异化的颈动脉壁，优选地，待分割超声序列图像包括颈动脉壁在心动周期内呈周期性变化的多帧图像，以在后续分割过程中根据周期性变化规律提高内中膜的分割准确性。为了不失一般性，待分割超声序列图像的腔体中可以有斑点噪声或没有斑点噪声，待分割超声序列图像的外膜壁可以有高清晰度或低清晰度，待分割超声序列图像中连续帧的颈动脉壁运动速度处于预设速度范围，也就是说，待分割超声序列图像中连续帧的颈动脉壁运动速度可以为预设速度范围内的较快速度或较慢速度。
分割值计算单元42，用于根据待分割超声序列图像中的各帧图像的时间先后顺序，在第一帧图像分割值的基础上，依次根据各帧图像中相邻两帧图像中的前一帧图像的分割值计算后一帧图像的分割初始值，并根据后一帧图像的分割初始值使用预设的滤波器计算后一帧图像的分割值，直至得到待分割超声序列图像中的所有各帧图像的分割值。
在本发明实施例中，通过分割值计算单元42根据待分割超声序列图像中的各帧图像的时间先后顺序，以待分割超声序列图像中的第一帧图像的分割值作为基础，利用相邻帧之间的空间相关性，依次计算待分割超声序列图像中的之后各帧图像分割值。在计算各帧图像分割值之前，根据相邻两帧图像中的前一帧图像分割值计算后一帧图像的分割初始值，具体地，可以将前一帧图像分割值作为后一帧图像的分割初始值，也可以对各帧图像中的前一帧图像分割值进行修正并将其修正值作为后一帧图像的分割初始值。
为了利用相邻帧的空间一致性，在本发明实施例中，根据相邻两帧图像中的前一帧图像分割值来初始化后一帧的分割，逐帧地进行计算和分割，以得到最优的动脉壁位置。在根据后一帧图像的分割初始值使用预设的滤波器计算后一帧图像的分割值时，首先将该后一帧图像的分割初始值作为预设的滤波器的输入，以求解对应的空间状态方差，然后根据得到的空间状态方差计算该后一帧图像的分割值，其中，预设的滤波器可以为具有最小化状态空间的系统噪声和测量噪声协方差矩阵的滤波器，例如，卡尔曼滤波器，优选地，预设的滤波器为具有最小化最坏情况误差的状态空间滤波器，例如，H-inf状态空间滤波器，从而不需要假设超声序列图像中的噪声呈高斯分布状态，提高了计算的准确性。
优选地，在根据后一帧图像的分割初始值使用预设的滤波器计算后一帧图像的分割值时，首先获取该后一帧图像的灰度值，并根据灰度值使用预设的自适应蛇算法计算该后一帧图像的预测分割值，使用预设的状态滤波器对该后一帧图像的分割初始值和预测分割值进行加权平均，得到该后一帧图像的分割值，从而提高了计算的准确性，进而提高内中膜分割的准确性。其中，在自适应蛇算法中，图像中轮廓上所有点的集合称为蛇。
进一步优选地，在根据灰度值使用预设的自适应蛇算法计算后一帧图像的预测分割值时，首先根据灰度值，计算该后一帧图像中所有点的图像能量场，然后根据灰度值和图像能量场，使用梯度下降法对该后一帧图像中所有点的能量进行迭代计算，使得该后一帧图像中所有各点的总能量
Figure GDA0003285554710000131
最小化，其中，ui是该后一帧图像轮廓上的第i个点的坐标，该坐标为x或y坐标，Gext是图像能量场，αi和βi为权重，最后根据所有各点在总能量最小化时的坐标，计算该后一帧图像的预测分割值，从而提高了待分割超声序列图像中各帧图像的预测分割值的准确性。
其中，在使用梯度下降法对该后一帧图像所有各点的能量进行迭代计算时，在每一次迭代中，迭代后(t时间点)的第i个点的坐标ui,t和迭代前(t-1时间点)的蛇上对应点的坐标ui,t-1都满足：
Figure GDA0003285554710000132
其中，F是t-1时间点时，Gext对坐标u求导后，在第i个点处的值。δt和δs是梯度下降法的时间步长和图像空间采样间隔。一般地，δs设为1，而δt则将根据相邻图像的运动情况自适应地调整。
进一步优选地，在计算后一帧图像中所有点的图像能量场时，首先计算该后一帧图像中各点的待修正图像能量场，然后获取该后一帧图像中预设点的预设邻域的预设参数，并对该后一帧图像与第一帧图像的预设参数进行比较，得到预设参数比较结果，最后根据预设参数比较结果对该后一帧图像中各点的待修正图像能量场进行修正，从而提高了各帧图像中各点的图像能量场的技术准确性，进而提高内中膜分割的准确性。
其中，预设邻域包括内膜上方的邻域、内膜下方的邻域、中膜上方的邻域和中膜下方的邻域，预设参数包括预设邻域内的灰度均值和坐标离散导数的绝对值均值。
分割执行单元43，用于根据所有各帧图像的分割值对待分割超声序列图像进行内中膜分割。
在本发明实施例中，可以通过分割执行单元43在得到一帧图像的分割值时进行相应的分割，也可以通过分割执行单元43在得到待分割超声序列图像中所有帧图像的分割值后进行分割。
因此，优选地，该分割值计算单元42包括：
预测值计算单元421，用于获取后一帧图像的灰度值，并根据灰度值使用预设的自适应蛇算法计算后一帧图像的预测分割值；以及
预测值修正单元422，用于使用预设的状态滤波器对后一帧图像的分割初始值和预测分割值进行加权平均，得到后一帧图像的分割值；
优选地，如图5所示，该预测值计算单元421包括：
能量场计算单元5211，用于根据灰度值，计算后一帧图像中所有点的图像能量场；
梯度迭代单元5212，用于根据灰度值和图像能量场，使用梯度下降法对所有点的能量进行迭代计算，使得所有点的总能量
Figure GDA0003285554710000141
最小化，其中，ui是后一帧图像轮廓上的第i个点的坐标，该坐标为x或y坐标，Gext是图像能量场，αi和βi为权重；以及
预测值计算子单元5213，用于根据所有点在总能量最小化时的坐标，计算后一帧图像的预测分割值。
在本发明实施例中，基于超声图像的内中膜分割装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。
实施例四：
图6示出了本发明实施例四提供的计算设备的结构，为了便于说明，仅示出了与本发明实施例相关的部分。
本发明实施例的计算设备6包括处理器60、存储器61以及存储在存储器61中并可在处理器60上运行的计算机程序62。该处理器60执行计算机程序62时实现上述各个基于超声图像的内中膜分割方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，处理器60执行计算机程序62时实现上述各装置实施例中各单元的功能，例如，图3所示单元31至33、图4所示单元41至43的功能。
在本发明实施例中，该处理器60执行计算机程序62时实现上述各个基于超声图像的内中膜分割方法实施例中的步骤时，当接收到超声图像内中膜的分割请求时，获取分割请求对应的待分割超声序列图像和待分割超声序列图像中的第一帧图像分割值，根据待分割超声序列图像中的各帧图像的时间先后顺序，在第一帧图像分割值的基础上，依次根据各帧图像中相邻两帧图像中的前一帧图像的分割值计算后一帧图像的分割初始值，并根据后一帧图像的分割初始值使用预设的滤波器计算后一帧图像的分割值，直至得到待分割超声序列图像中的所有各帧图像的分割值，根据所有各帧图像的分割值对待分割超声序列图像进行内中膜分割，从而提高了内中膜分割的准确性，进而提高疾病诊断的准确性。
该计算设备6中处理器60在执行计算机程序62时实现的步骤具体可参考实施例一中方法的描述，在此不再赘述。
实施例五：
在本发明实施例中，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述各个基于超声图像的内中膜分割方法实施例中的步骤，例如，图1所示的步骤S101至S103。或者，该计算机程序被处理器执行时实现上述各装置实施例中各单元的功能，例如，图3所示单元31至33、图4所示单元41至43的功能。
在本发明实施例中，当接收到超声图像内中膜的分割请求时，获取分割请求对应的待分割超声序列图像和待分割超声序列图像中的第一帧图像分割值，根据待分割超声序列图像中的各帧图像的时间先后顺序，在第一帧图像分割值的基础上，依次根据各帧图像中相邻两帧图像中的前一帧图像的分割值计算后一帧图像的分割初始值，并根据后一帧图像的分割初始值使用预设的滤波器计算后一帧图像的分割值，直至得到待分割超声序列图像中的所有各帧图像的分割值，根据所有各帧图像的分割值对待分割超声序列图像进行内中膜分割，从而提高了内中膜分割的准确性，进而提高疾病诊断的准确性。
该计算机程序被处理器执行时实现的基于超声图像的内中膜分割方法进一步可参考前述方法实施例中步骤的描述，在此不再赘述。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质，例如，ROM/RAM、磁盘、光盘、闪存等存储器。
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 (10)

1.一种基于超声图像的内中膜分割方法，其特征在于，所述方法包括下述步骤：
当接收到超声图像内中膜的分割请求时，获取所述分割请求对应的待分割超声序列图像和所述待分割超声序列图像中的第一帧图像分割值；
根据所述待分割超声序列图像中的各帧图像的时间先后顺序，在所述第一帧图像分割值的基础上，依次根据所述各帧图像中相邻两帧图像中的前一帧图像的分割值计算后一帧图像的分割初始值，并根据所述后一帧图像的所述分割初始值使用预设的滤波器计算所述后一帧图像的所述分割值，所述预设的滤波器为具有最小化状态空间的系统噪声和测量噪声协方差矩阵的滤波器，直至得到所述待分割超声序列图像中的所有所述各帧图像的所述分割值；
根据所有所述各帧图像的所述分割值对所述待分割超声序列图像进行内中膜分割。
2.如权利要求1所述的方法，其特征在于，根据所述后一帧图像的所述分割初始值使用预设的滤波器计算所述后一帧图像的所述分割值的步骤，包括：
获取所述后一帧图像的灰度值，并根据所述灰度值使用预设的自适应蛇算法计算所述后一帧图像的预测分割值；
使用预设的状态滤波器对所述后一帧图像的所述分割初始值和所述预测分割值进行加权平均，得到所述后一帧图像的所述分割值。
3.如权利要求2所述的方法，其特征在于，根据所述灰度值使用预设的自适应蛇算法计算所述后一帧图像的预测分割值的步骤，包括：
根据所述灰度值，计算所述后一帧图像中所有点的图像能量场；
根据所述灰度值和所述图像能量场，使用梯度下降法对所述所有点的能量进行迭代计算，使得所述所有点的总能量
Figure FDA0003285554700000011
最小化，其中，所述ui是所述后一帧图像轮廓上的第i个点的坐标，所述坐标为x或y坐标，所述Gext是图像能量场，所述αi和βi为权重；
根据所述所有点在总能量最小化时的坐标，计算所述后一帧图像的预测分割值。
4.如权利要求3所述的方法，其特征在于，计算所述后一帧图像中所有点的图像能量场的步骤，包括：
计算所述后一帧图像中所有点的待修正图像能量场；
获取所述后一帧图像中预设点的预设邻域的预设参数，并对所述后一帧图像与第一帧图像的所述预设参数进行比较，得到预设参数比较结果；
根据所述预设参数比较结果对所述后一帧图像中预设点的待修正图像能量场进行修正。
5.如权利要求4所述的方法，其特征在于，所述预设邻域包括内膜上方的邻域、内膜下方的邻域、中膜上方的邻域和中膜下方的邻域，所述预设参数包括所述预设邻域内的灰度均值和坐标离散导数的绝对值均值。
6.一种基于超声图像的内中膜分割装置，其特征在于，所述装置包括：
数据获取单元，用于当接收到超声图像内中膜的分割请求时，获取所述分割请求对应的待分割超声序列图像和所述待分割超声序列图像中的第一帧图像分割值；
分割值计算单元，用于根据所述待分割超声序列图像中的各帧图像的时间先后顺序，在所述第一帧图像分割值的基础上，依次根据所述各帧图像中相邻两帧图像中的前一帧图像的分割值计算后一帧图像的分割初始值，并根据所述后一帧图像的所述分割初始值使用预设的滤波器计算所述后一帧图像的所述分割值，所述预设的滤波器为具有最小化状态空间的系统噪声和测量噪声协方差矩阵的滤波器，直至得到所述待分割超声序列图像中的所有所述各帧图像的所述分割值；以及
分割执行单元，用于根据所有所述各帧图像的所述分割值对所述待分割超声序列图像进行内中膜分割。
7.如权利要求6所述的装置，其特征在于，所述分割值计算单元包括：
预测值计算单元，用于获取所述后一帧图像的灰度值，并根据所述灰度值使用预设的自适应蛇算法计算所述后一帧图像的预测分割值；以及
预测值修正单元，用于使用预设的状态滤波器对所述后一帧图像的所述分割初始值和所述预测分割值进行加权平均，得到所述后一帧图像的所述分割值。
8.如权利要求7所述的装置，其特征在于，所述预测值计算单元包括：
能量场计算单元，用于根据所述灰度值，计算所述后一帧图像中所有点的图像能量场；
梯度迭代单元，用于根据所述灰度值和所述图像能量场，使用梯度下降法对所述所有点的能量进行迭代计算，使得所述所有点的总能量
Figure FDA0003285554700000031
最小化，其中，所述ui是所述后一帧图像轮廓上的第i个点的坐标，所述坐标为x或y坐标，所述Gext是图像能量场，所述αi和βi为权重；以及
预测值计算子单元，用于根据所述所有点在总能量最小化时的坐标，计算所述后一帧图像的预测分割值。
9.一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
CN201810331462.XA 2018-04-13 2018-04-13 基于超声图像的内中膜分割方法、装置、设备及存储介质 Active CN108830859B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810331462.XA CN108830859B (zh) 2018-04-13 2018-04-13 基于超声图像的内中膜分割方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810331462.XA CN108830859B (zh) 2018-04-13 2018-04-13 基于超声图像的内中膜分割方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN108830859A CN108830859A (zh) 2018-11-16
CN108830859B true CN108830859B (zh) 2022-03-04

Family

ID=64154432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810331462.XA Active CN108830859B (zh) 2018-04-13 2018-04-13 基于超声图像的内中膜分割方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN108830859B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110047086B (zh) * 2019-04-24 2021-02-09 飞依诺科技(苏州)有限公司 颈动脉内膜厚度自动测量方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101953696A (zh) * 2010-09-30 2011-01-26 华北电力大学（保定） 一种icus图像序列中血管的三维形态参数测量方法
CN102332161A (zh) * 2011-09-13 2012-01-25 中国科学院深圳先进技术研究院 基于图像的血管内中膜厚度自动提取方法及系统
CN103606145A (zh) * 2013-10-29 2014-02-26 河北大学 基于帧间形状约束的gcv模型分割主动脉瓣超声图像序列方法
CN107481252A (zh) * 2017-08-24 2017-12-15 上海术理智能科技有限公司 医学图像的分割方法、装置、介质和电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9216008B2 (en) * 2012-01-30 2015-12-22 Technion Research & Development Foundation Limited Quantitative assessment of neovascularization

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101953696A (zh) * 2010-09-30 2011-01-26 华北电力大学（保定） 一种icus图像序列中血管的三维形态参数测量方法
CN102332161A (zh) * 2011-09-13 2012-01-25 中国科学院深圳先进技术研究院 基于图像的血管内中膜厚度自动提取方法及系统
CN103606145A (zh) * 2013-10-29 2014-02-26 河北大学 基于帧间形状约束的gcv模型分割主动脉瓣超声图像序列方法
CN107481252A (zh) * 2017-08-24 2017-12-15 上海术理智能科技有限公司 医学图像的分割方法、装置、介质和电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Manual and automated intima-media thickness and diameter measurements of the common carotid artery in patients with renal failure disease";Christos P. Loizou 等;《Computers in Biology and Medicine》;20141231;第220-229页 *
"超声图像中基于经验模态分解自动提取内-中膜厚度";张晶 等;《中国医学影像技术》;20120731;第28卷(第7期);第1387-1391页 *

Also Published As

Publication number Publication date
CN108830859A (zh) 2018-11-16

Similar Documents

Publication Publication Date Title
US8050478B2 (en) Method and apparatus for tissue border detection using ultrasonic diagnostic images
WO2017206023A1 (zh) 一种心脏容积识别分析系统和方法
EP2434454B1 (en) Computerized characterization of cardiac motion in medical diagnostic ultrasound
JP4427548B2 (ja) 局所的に変形する可能性のある動きを分析するための装置および方法
EP2738741B1 (en) Apparatus and method for tracking contour of moving object, and apparatus of and method for analyzing myocardial motion
JP5108905B2 (ja) ３ｄデータセット中の画像ビューを自動的に特定する方法および装置
US9147258B2 (en) Methods and systems for segmentation in echocardiography
US11676280B2 (en) Automated right ventricle medical imaging and computation of clinical parameters
US20230394670A1 (en) Anatomically-informed deep learning on contrast-enhanced cardiac mri for scar segmentation and clinical feature extraction
Kim et al. Automatic segmentation of the left ventricle in echocardiographic images using convolutional neural networks
CN108830859B (zh) 基于超声图像的内中膜分割方法、装置、设备及存储介质
Yue et al. Speckle tracking in intracardiac echocardiography for the assessment of myocardial deformation
Hossain et al. Semiautomatic segmentation of atherosclerotic carotid artery lumen using 3D ultrasound imaging
CN113592802B (zh) 一种基于超声图像的二尖瓣环位移自动检测系统
CN113160116B (zh) 左心室内外膜自动分割方法、系统及设备
Sigit et al. Heart video tracking system on long axis view
Wang et al. Reinforcement learning for context aware segmentation
Amirkhizi et al. Left ventricle segmentation in magnetic resonance images with modified active contour method
Nageswararao et al. A framework on automated ventricular analysis of CMR images
Almeida et al. Semi-automatic left-atrial segmentation from volumetric ultrasound using B-spline explicit active surfaces
Chandrasekhar et al. Novel hybrid segmentation techniques for cardiac image processing in remote health care monitoring systems
Barbosa et al. Hybrid energy approach for real-time B-spline explicit active tracking of surfaces (heartBEATS)
Wang Measurement of the Intra-ventricular Mechanical Dyssynchrony in Cardiac Magnetic Resonance Images
CN116350263A (zh) 超声心动图辅助报告生成方法、系统、设备及存储介质
Santiago et al. 3D left ventricular segmentation in echocardiography using a probabilistic data association deformable model

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