CN109003280A - 一种双通道血管内超声影像的血管中内膜分割方法 - Google Patents

Abstract

本发明公开了一种双通道血管内超声影像的血管中内膜分割方法，包括步骤：1)采集血管内超声图像，人工勾画中内膜边界，建立训练和测试样本集；2)对训练样本集图像进行各向异性扩散滤波处理；3)将滤波后的新图像与原始图像叠加，构成双通道图像；4)建立深度学习分割模型，采用邻域梯度最大池化，输入训练集进行训练；5)对测试集图像进行各向异性扩散滤波，将滤波后的图像与原始图像一起组成双通道图像，输入已训练好的深度学习分割模型，进行分割，得到分割后的血管中内膜边界。通过本发明方法能够准确有效地提取血管中内膜区域。

Description

一种双通道血管内超声影像的血管中内膜分割方法

技术领域

本发明涉及医学图像处理的技术领域，尤其是指一种双通道血管内超声影像的血管中内膜分割方法。

背景技术

近年来，全球冠心病的发病率和死亡率呈上升趋势。其发病机理是冠状动脉血管动脉粥样硬化病变，导致血管腔狭窄甚至闭塞。目前，临床上采用血管内超声(Intravascular Ultrasound，IVUS)可以实时获取血管内截面图像，用来分析其血管壁厚度及粥样硬化斑块组织成分，帮助医生判断病情、确定病变部位、设计治疗方案。

在IVUS图像中，医生最关注的是血管的中内膜区域，因此使用计算机辅助诊断实现中内膜区域的自动分割可以大大提高医生的工作效率，同时避免分割过程中的人为因素影响，也有助于提高分割结果的客观性。在血管内超声影像的分割算法中，最可靠的传统分割算法是活动轮廓模型算法。比如，王岭,陈曦,董峰,等.基于动态规划的IVUS图像序列分割.[J].天津理工大学学报，2016.本文首先对IVUS图像进行时域降噪和空间滤波等处理，然后基于优化的活动轮廓模型将图像的分割转化为目标函数的最优化求解问题，利用动态规划算法求得全局最优值。虽然这种方法不有较高的准确性与可靠性，但过程繁琐、计算量大、适应性低，难以满足临床要求。随着深度学习技术的发展，人工神经网络也被应用于此类分割问题。Shengran Su,Zheng Hui,Qiang Lin.An artificial neural networkmethod for lumen and media-adventitia border detection in IVUS.[J].Computerized Medical Imaging and Graphics,2017.文中使用了两个全连接神经网络，将图像分割问题转化为像素分类问题。其中神经网络的输入包含图像的空间信息及邻位特征，输出为该像素点是否属于中内膜区域的二进制类型，即得到中内膜分割的结果。但是这种方法很容易受到超声影像中的斑点、噪声和伪影的影响，使得网络无法找到其最优解，最终导致中内膜区域分割的准确率下降。无法满足临床上血管内超声影像的复杂情况。

发明内容

本发明的目的在于克服现有技术的不足，提出了一种双通道血管内超声影像的血管中内膜分割方法，该方法可以抑制超声图像中的噪声对模型的影响，突出边缘信息，可以更好的针对各种复杂的血管内超声图像，快速、准确的分割血管中内膜区域。

为实现上述目的，本发明所提供的技术方案为：一种双通道血管内超声影像的血管中内膜分割方法，包括以下步骤：

步骤一：采集血管内超声图像，人工勾画中内膜边界，建立训练和测试样本集；

步骤二：对训练样本集图像进行各向异性扩散滤波处理；

步骤三：将滤波后的新图像与原始图像叠加，构成双通道图像；

步骤四：建立深度学习分割模型，采用邻域梯度最大池化，输入训练集进行训练；

步骤五：对测试集图像进行各向异性扩散滤波，将滤波后的图像与原始图像一起组成双通道图像，输入已训练好的深度学习分割模型，进行分割，得到分割后的血管中内膜边界。

在步骤二中，各向异性扩散滤波的基本原理是利用图像灰度梯度信息，判断梯度变化是由噪声还是边界引起，对于由噪声导致的小梯度变化，采用较强的平滑，反之则采用较弱的平滑，以保留边界与局部细节，该处理过程通过多次迭代来实现。

对于N×N大小的灰度图像I(x,y)，其迭代公式如下：

式中，I_t代表图像当前像素值，t代表迭代次数，λ代表迭代系数，能够控制图像平滑程度；分别为当前像素的四领域的梯度值，公式

如下：

式中I_x,y代表图像坐标为(x,y)的像素值。cN_x,y、cS_x,y、cE_x,y、cW_x,y代表图像坐标为(x,y)像素四邻域的扩散系数，公式如下：

式中e为自然对数，常数项k为相关系数，用来控制对边缘的灵敏度。

在步骤三中，双通道图像数据构建过程如下：

将N×N大小的原始图像I_A经过步骤二的各向异性扩散处理后，得到同样N×N大小的图像和I_B，将两个图像矩阵合并为一个N×N×2的双通道图像作为网络模型的输入。

在步骤四中，所述深度学习分割模型对双通道图像的特征提取过程如下：

对N×N×2大小的双通道图像I中大小均为N×N的数据I_A和I_B，用c个卷积核提取特征后得到两个N×N×c的特征图，将两个特征图堆叠为N×N×2c大小的特征图后，再和2×1×1的卷积核进行卷积运算，得到大小为N×N×c的两种通道融合特征图。

所述深度学习分割模型中的池化层采用邻域梯度最大池化的过程如下：

对于n×n的池化窗口，计算窗口内每个像素的四邻域梯度和，公式如下：

式中，I_i代表图像当前像素的像素值，i代表窗口内每个像素的编号，i∈[1,2,3,···,n²]；分别代表四个邻域求导的梯度值，代表当前像素四邻域的梯度和，将池化窗口内四邻域梯度和最大的像素值作为池化层输出的采样值，如果存在相同的最大梯度和，则选择像素值最大的作为采样值。

在步骤五中，测试过程如下：

对测试图像同样采用步骤二中的各向异性扩散滤波构成双通道图像输入训练好的深度学习分割模型中，输出结果只保留原始图像、标注图像和预测结果。

本发明与现有技术相比，具有如下优点与有益效果：

1、相比基于活动轮廓的方法，训练完成的分割模型测试时无需进行初始轮廓的确定和迭代操作，提高了分割效率。

2、相比一般的深度学习分割模型，通过各向异性扩散滤波，不仅有效地抑制了超声斑点，而且保留了边缘与局部细节特征，将得到的新图像与原始图像构成双通道图像，增加了输入图像的信息量。分割模型的池化层采用四邻域梯度最大池化可以利用每个像素点的梯度信息，使得模型对血管中内膜边界更加敏感。

附图说明

图1是本发明方法流程图。

图2是本发明方法中网络结构示意图。

图3是本发明方法中四邻域梯度最大池化示意图。

图4是本发明方法中极坐标变换后输入模型训练测试后结果。

图5是本发明方法中极坐标变换后输入模型训练测试后结果。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

实施例1

本实施例所提供的双通道血管内超声影像的血管中内膜分割方法，包括以下步骤：

步骤一：总共收集753张血管内超声图像，其中600张作为训练集数据，153张作为独立测试集；图像大小为512×512。

步骤二：各向异性扩散滤波过程如下：

对于512×512大小的灰度图像I(x,y)。根据迭代公式如下：

其中I_t代表图像当前像素值，t取300，λ取0.1，两者可以控制图像平滑程度。四邻域扩散系数中常数项k取15。

步骤三：如附图1所示的流程图中，双通道图像数据构建过程如下：

将512×512大小的原始图像A经过步骤二的各向异性扩散处理后，得到同样512×512大小的图像B，将两个图像矩阵合并为一个512×512×2的双通道图像作为网络模型的输入。

步骤四：附图2所示本发明的深度学习分割模型对双通道图像的特征提取过程如下：

对512×512×2大小的双通道图像I中大小均为512×512的数据I_A和I_B，用32个卷积核提取特征后得到两个512×512×32的特征图，将两个特征图堆叠为512×512×64大小的特征图后，再使用一个2×1×1的卷积核将特征图处理为512×512×32，将两种通道的特征融合。

附图3显示池化层采用邻域梯度最大池化的过程如下：

对于2×2的池化窗口，计算窗口内每个像素的四邻域梯度和，将池化窗口内四邻域梯度和最大的像素作为池化层输出的采样值。

步骤五：附图4显示模型的测试结果和人工勾画标准的对比，测试过程如下：

对测试图像进行各向异性扩散滤波，将滤波结果与原图像一起构成双通道图像，输入训练好的深度学习分割模型中进行分割，并输出最终结果。

实施例2

本实施例所提供的双通道血管内超声影像的血管中内膜分割方法，包括以下步骤：

步骤一：对收集的图像进行极坐标变换，将512×512的图像变换为384×384的图像。

步骤二：各向异性扩散滤波过程如下：

对于384×384大小的灰度图像I(x,y)。根据迭代公式如下：

其中I_t代表图像当前像素值，t取100，λ取0.15。四邻域扩散系数中常数项k取15。

步骤三：构建双通道图像数据。

步骤四：用输入图像训练网络参数。池化层采用邻域梯度最大池化。

步骤五：附图5显示极坐标图像的模型测试结果和人工勾画标准的对比。

上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (6)

1.一种双通道血管内超声影像的血管中内膜分割方法，其特征在于，包括以下步骤：

步骤一：采集血管内超声图像，人工勾画中内膜边界，建立训练和测试样本集；

步骤二：对训练样本集图像进行各向异性扩散滤波处理；

步骤三：将滤波后的新图像与原始图像叠加，构成双通道图像；

步骤四：建立深度学习分割模型，采用邻域梯度最大池化，输入训练集进行训练；

步骤五：对测试集图像进行各向异性扩散滤波，将滤波后的图像与原始图像一起组成双通道图像，输入已训练好的深度学习分割模型，进行分割，得到分割后的血管中内膜边界。

2.根据权利要求1所述的一种双通道血管内超声影像的血管中内膜分割方法，其特征在于，在步骤二中，对图像进行各向异性扩散滤波处理，通过梯度的变化来平滑图像，通过多次迭代来实现，其中，超声噪声产生的梯度相对边缘的梯度更小，平滑后能够降低噪声保留边界和局部信息；

对于N×N大小的灰度图像I(x,y)，其迭代公式如下：

式中，I_t代表图像当前像素值，t代表迭代次数，λ代表迭代系数，能够控制图像平滑程度；分别为当前像素的四领域的梯度值，公式如下：

式中I_x,y代表图像坐标为(x,y)的像素值；cN_x,y、cS_x,y、cE_x,y、cW_x,y代表图像坐标为(x,y)像素四邻域的扩散系数，公式如下：

式中e为自然对数，常数项k为相关系数，用来控制对边缘的灵敏度。

3.根据权利要求1所述的一种双通道血管内超声影像的血管中内膜分割方法，其特征在于，在步骤三中，构成双通道图像的方法如下：

对大小为N×N的图像I_A和经过各向异性扩散滤波后的图像I_B，将两个图像按照矩阵叠加的方式合并为一个N×N×2的双通道图像。

4.根据权利要求1所述的一种双通道血管内超声影像的血管中内膜分割方法，其特征在于，在步骤四中，所述深度学习分割模型对双通道图像的特征提取过程如下：

对N×N×2大小的双通道图像I中大小均为N×N的数据I_A和I_B，用c个卷积核提取特征后得到两个N×N×c的特征图，将两个特征图堆叠为N×N×2c大小的特征图后，再和2×1×1的卷积核进行卷积运算，得到大小为N×N×c的两种通道融合特征图。

5.根据权利要求1所述的一种双通道血管内超声影像的血管中内膜分割方法，其特征在于，在步骤四中，所述深度学习分割模型中的池化层采用邻域梯度最大池化的过程如下：

对于n×n的池化窗口，分别计算窗口内每个像素的四邻域梯度和，公式如下：

式中，I_i代表图像当前像素的像素值，i代表窗口内每个像素的编号，i∈[1,2,3,···,n²]；分别代表四个邻域求导的梯度值，代表当前像素四邻域的梯度和，将池化窗口内四邻域梯度和最大的像素值作为池化层输出的采样值，如果存在相同的最大梯度和，则选择像素值最大的作为采样值。

6.根据权利要求1所述的一种双通道血管内超声影像的血管中内膜分割方法，其特征在于，在步骤五中，测试过程如下：

对测试图像同样采用步骤二中的各向异性扩散滤波构成双通道图像输入训练好的深度学习分割模型中，输出结果只保留原始图像、标注图像和预测结果。