CN110047086B - 颈动脉内膜厚度自动测量方法及系统 - Google Patents

Abstract

本发明提供一种颈动脉内膜厚度自动测量方法及系统，所述方法包括：S1、获取颈动脉径向切面图像；S2、识别图像的血管中心线位置；S3、依据血管中心线位置分割图像，形成分割灰度图像，S4、获取每一分割灰度图像对应的二值化阈值，并通过二值化阈值对分割灰度图像进行边缘检测获得每一分割灰度图像对应的轮廓线图像；S5、根据所述轮廓线图像位置分别获取每一分割灰度图像靠近颈动脉血管腔一侧的第一边沿线，以及远离血管腔一侧的第二边沿线；S7、根据第一边沿线和第二边沿线相互对应的像素点，获取分割灰度图像中厚度参数进行输出；本发明可提高诊断的准确率。

Description

颈动脉内膜厚度自动测量方法及系统

技术领域

本发明属于医疗超声技术领域，主要涉及一种颈动脉内膜厚度自动测量方法及系统。

背景技术

超声成像因为其无创性、实时性、操作方便、价格便宜等诸多优势，使其成为临床上应用最为广泛的诊断工具之一。

现有的技术中，通常由医生手持探头扫查颈动脉部位，获得的图像为对颈动脉纵切方向扫描得到的颈动脉内膜超声图像，相应的，采用传统的颈动脉内膜厚度测量方法以计算获得颈动脉内膜中层厚度值(IMT，Intima-Media Thickness)，该值在对动脉粥样硬化症状的诊断过程中，是衡量初期粥样硬化的重要的指标。

然而，手动扫查时扫查效率低下，且无法全方位的查看图像，如此，发明一种自动扫查装置，该装置获得的图像不同于上述的与颈动脉血管方向平行的纵向扫查图像，而是与颈动脉血管方向垂直的径向切面图像，径向切面图像通过建模形成三维图像，该三维图像可以完整的呈现出颈动脉的病症状态。

由于扫查方向的转变，传统的基于纵切方向扫描得到的颈动脉内膜超声图像所采用的颈动脉内膜厚度自动测量方法不能适用颈动脉径向切面图像的厚度测量，如此，需要提供一种基于颈动脉径向切面图像的颈动脉内膜厚度自动测量方法。

发明内容

为解决上述技术问题，本发明的目的在于提供一种颈动脉内膜厚度自动测量方法及系统，所述方法包括：S1、获取颈动脉径向切面图像；

S2、识别原始的图像或ROI框内的图像以获取血管中心线位置；

S3、依据血管中心线位置分割图像，形成分割灰度图像，所述分割灰度图像包括：上内膜灰度图像和下内膜灰度图像；

S4、获取每一分割灰度图像对应的二值化阈值，并通过二值化阈值对分割灰度图像进行边缘检测获得每一分割灰度图像对应的轮廓线图像；

S5、根据所述轮廓线图像位置获取每一分割灰度图像靠近颈动脉血管腔一侧的第一边沿线；

S6、根据预设的内膜厚度估计值以及靠近颈动脉血管腔一侧的第一边沿线位置获取每一分割灰度图像远离颈动脉血管腔一侧的第二边沿线；

S7、根据第一边沿线和第二边沿线相互对应的像素点，获取分割灰度图像中厚度参数进行输出，所述厚度参数包括：最大内膜厚度值、最小内膜厚度值、平均内膜厚度值以及厚度可信度值至少其中之一。

作为本发明一实施方式的进一步改进，所述步骤S2具体包括：对原始的图像或ROI框内的图像依次进行二值化，连通域提取，连通域外接矩阵的排除后，获取血管中心线位置。

作为本发明一实施方式的进一步改进，所述步骤S4具体包括：通过双峰算法获取每一分割灰度图像对应的二值化阈值。

作为本发明一实施方式的进一步改进，所述步骤S5具体包括：

以纵坐标位置为0为初始位置，顺序查询轮廓线图像的每一列像素点，搜寻每一列像素点中第一个不为0的像素点，将其作为第一边沿线上的边沿点，连接所述边沿点形成第一边沿线。

作为本发明一实施方式的进一步改进，所述步骤S5还包括：

在第一边沿线上的每列像素点中，以每一边沿点为搜索基点，获取其上方和下方包括其在内的m个像素点，并获取该m个像素点在分割灰度图像中的灰度值，选取m个像素点中灰度值变化程度最大、且靠近血管腔一侧的像素点为校正点，连接所有校正点形成新的第一边沿线；

其中，任一像素点与其相邻的像素点之间的灰度值差值越大，则该像素点的变化程度越大。

作为本发明一实施方式的进一步改进，所述步骤S6还包括：

根据预设的颈动脉厚度预估值[h1，h2]以及第一边沿线上每一像素点的实际距离D获得每一第二边沿线上对应像素点的坐标值(p1x，p1y+M3)；

其中，p1x、p1y分别表示与当前像素点处于同一列的第一边沿线上像素点的横坐标和纵坐标，M3＝k*M2，k为常数，k∈(0,2.5]，M2＝h2/D。

作为本发明一实施方式的进一步改进，所述步骤S6还包括：

在第二边沿线上的每列像素点中，以每一边沿点(p2x，p2y)为搜索基点，获取其上方n1个像素点和下方n2个像素点，并获取边沿点以及其对应的n1+n2个像素点在分割灰度图像中的灰度值，选取灰度值变化程度最大、且靠近血管腔一侧的像素点为校正点，连接所有校正点形成新的第二边沿线，其中，形成分割灰度图像的原始的图像或ROI框内的图像的高以H表示，若分割图像为下内膜灰度图像，则n1＝Max(p1y，p2y-p1y-M1)，n2＝Min(M3-(p2y-p1y)，H-1-p2y)，M1＝h1/D；若分割图像为上内膜灰度图像，则n1＝Min(p2y，M3-(p1y-p2y))，n2＝Max(1,p1y-M1-p2)，M1＝h1/D。

作为本发明一实施方式的进一步改进，所述步骤S6和步骤S7之间，所述方法还包括：

采用双壁点平滑算法对第一边沿线和第二边沿线上的像素点做平滑处理，以去除第一边沿线和第二边沿线上噪点。

为了实现上述发明目的之一，本发明一实施方式提供一种颈动脉内膜厚度自动测量系统，所述系统包括：获取模块，用于获取颈动脉径向切面图像；

选择识别模块，用于识别原始的图像或ROI框内的图像以获取血管中心线位置；

图像分割模块，用于依据血管中心线位置分割图像，形成分割灰度图像，所述分割灰度图像包括：上内膜灰度图像和下内膜灰度图像；

轮廓划分模块，用于获取每一分割灰度图像对应的二值化阈值，并通过二值化阈值对分割灰度图像进行边缘检测获得每一分割灰度图像对应的轮廓线图像；

边沿线处理模块，用于根据所述轮廓线图像位置获取每一分割灰度图像靠近颈动脉血管腔一侧的第一边沿线；以及根据预设的内膜厚度估计值以及靠近颈动脉血管腔一侧的第一边沿线位置获取每一分割灰度图像远离颈动脉血管腔一侧的第二边沿线；

参数处理输出模块，用于根据第一边沿线和第二边沿线相互对应的像素点，获取分割灰度图像中厚度参数进行输出，所述厚度参数包括：最大内膜厚度值、最小内膜厚度值、平均内膜厚度值以及厚度可信度值至少其中之一。

作为本发明一实施方式的进一步改进，所述选择识别模块具体用于：对原始的图像或ROI框内的图像依次进行二值化，连通域提取，连通域外接矩阵的排除后，获取血管中心线位置。

作为本发明一实施方式的进一步改进，所述轮廓划分模块具体用于：通过双峰算法获取每一分割灰度图像对应的二值化阈值。

作为本发明一实施方式的进一步改进，所述边沿线处理模块具体用于：

以纵坐标位置为0为初始位置，顺序查询轮廓线图像的每一列像素点，搜寻每一列像素点中第一个不为0的像素点，将其作为第一边沿线上的边沿点，连接所述边沿点形成第一边沿线。

作为本发明一实施方式的进一步改进，所述边沿线处理模块还用于：在第一边沿线上的每列像素点中，以每一边沿点为搜索基点，获取其上方和下方包括其在内的m个像素点，并获取该m个像素点在分割灰度图像中的灰度值，选取m个像素点中灰度值变化程度最大、且靠近血管腔一侧的像素点为校正点，连接所有校正点形成新的第一边沿线；

其中，任一像素点与其相邻的像素点之间的灰度值差值越大，则该像素点的变化程度越大。

作为本发明一实施方式的进一步改进，所述边沿线处理模块还用于：根据预设的颈动脉厚度预估值[h1，h2]以及第一边沿线上每一像素点的实际距离D获得每一第二边沿线上对应像素点的坐标值(p1x，p1y+M3)；

其中，p1x、p1y分别表示与当前像素点处于同一列的第一边沿线上像素点的横坐标和纵坐标，M3＝k*M2，k为常数，k∈(0,2.5]，M2＝h2/D。

作为本发明一实施方式的进一步改进，所述边沿线处理模块还用于：在第二边沿线上的每列像素点中，以每一边沿点(p2x，p2y)为搜索基点，获取其上方n1个像素点和下方n2个像素点，并获取边沿点以及其对应的n1+n2个像素点在分割灰度图像中的灰度值，选取灰度值变化程度最大、且靠近血管腔一侧的像素点为校正点，连接所有校正点形成新的第二边沿线，其中，形成分割灰度图像的原始的图像或ROI框内的图像的高以H表示，若分割图像为下内膜灰度图像，则n1＝Max(p1y，p2y-p1y-M1)，n2＝Min(M3-(p2y-p1y)，H-1-p2y)，M1＝h1/D；若分割图像为上内膜灰度图像，则n1＝Min(p2y，M3-(p1y-p2y))，n2＝Max(1,p1y-M1-p2)，M1＝h1/D。

作为本发明一实施方式的进一步改进，所述边沿线处理模块还用于：采用双壁点平滑算法对第一边沿线和第二边沿线上的像素点做平滑处理，以去除第一边沿线和第二边沿线上噪点。

与现有技术相比，本发明的有益效果是：本发明的颈动脉内膜厚度自动测量方法及系统，对与颈动脉血管方向垂直的颈动脉径向切面图像进行处理，以自动获得该图像对应的厚度参数，提高了诊断的准确率。

附图说明

图1是本发明一实施方式提供的颈动脉内膜厚度自动测量方法的流程示意图；

图2是本发明一具体示例的颈动脉径向切面图像的结构示意图；

图3、图4分别是本发明一具体示例获得的颈动脉径向切面图像的示意图；

图5是本发明一实施方式提供的颈动脉内膜厚度自动测量系统的模块示意图。

具体实施方式

以下将结合附图所示的具体实施方式对本发明进行详细描述。但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。

结合1、图2所示，本发明一实施方式提供的颈动脉内膜厚度自动测量方法，所述方法包括：

S1、获取颈动脉径向切面图像；

S2、识别原始的图像或ROI框内的图像以获取血管中心线位置；

S3、依据血管中心线位置分割图像，形成分割灰度图像，所述分割灰度图像包括：上内膜灰度图像和下内膜灰度图像；

S4、获取每一分割灰度图像对应的二值化阈值，并通过二值化阈值对分割灰度图像进行边缘检测获得每一分割灰度图像对应的轮廓线图像；

S5、根据所述轮廓线图像位置获取每一分割灰度图像靠近颈动脉血管腔一侧的第一边沿线；

S6、根据预设的内膜厚度估计值以及靠近颈动脉血管腔一侧的第一边沿线位置获取每一分割灰度图像远离颈动脉血管腔一侧的第二边沿线；

S7、根据第一边沿线和第二边沿线相互对应的像素点，获取分割灰度图像中厚度参数进行输出，所述厚度参数包括：最大内膜厚度值、最小内膜厚度值、平均内膜厚度值以及厚度可信度值至少其中之一。

对于步骤S1，本发明可实现方式中，采用自动扫查装置采集与颈动脉血管方向垂直的横向扫查图像，该扫查图像完全覆盖了病人颈动脉的主动脉和分叉位置，在三维重建后的3D模型会完整的呈现出病人颈动脉的病症状态。进一步的，在3D颈动脉模型中获取颈动脉径向切面图像。

对于步骤S2，本发明较佳实施方式中，在原始的图像内，通过用户辅助选取ROI框，并识别ROI框内的图像以获取血管中心线位置，所述ROI框通常为一矩形区域，其大小并没有具体限制，其可以根据用户需要自行选择，例如：在确定颈动脉径向切面图像后，用户通过鼠标、键盘等外接设备对原始图像进行框选，以形成ROI图像，在此不做详细赘述。

获取图像中的血管中心线位置的方法有多种，结合图3所示，本发明一可实现方式中，根据血管位置检测算法得到血管中心线位置；具体的，所述步骤S2具体包括：对原始的图像或ROI框内的图像依次进行二值化，连通域提取，连通域外接矩阵的排除后，获取血管中心线位置。

对于步骤S3，以血管中心线位置将整幅图像拆分成上、下两部分，结合图4所示，图4为下内膜分割灰度图像。

对于步骤S4，通过双峰算法获取每一分割灰度图像对应的二值化阈值。

所述双峰算法包括：

S41、获取分割灰度图像中小于预设阈值T的像素个数smallNum，并获得其对应的像素的像素值的和smallSum，以及获取分割灰度图像中大于预设阈值的像素个数bigNum，并获得其对应的像素的像素值的和bigSum；则新的阈值newT＝(smallSum/smallNum+bigSum/bigNum)/2；

S42、判断新的阈值newT与预设阈值T的差值d是否小于预设差值阈值D，

若是，则将新的阈值newT赋值给阈值T，并返回步骤S41；

若否，则将新的阈值newT作为二值化阈值。

所述预设阈值T以及预设差值阈值D均为一常数，其大小可以根据需要具体调整，所述预设阈值T通常为经验值，所述差值阈值D例如10、20等数值。

对于步骤S5，所述步骤S5具体包括：

以纵坐标位置为0为初始位置，顺序查询轮廓线图像的每一列像素点，搜寻每一列像素点中第一个不为0的像素点，将其作为第一边沿线上的边沿点，连接所述边沿点形成第一边沿线。

结合图2所示，若分割灰度图像为上内膜灰度图像，即图示中颈动脉上内膜区域显示的图像，则所述第一边沿线为上内膜下边沿线；若分割灰度图像为下内膜灰度图像，即图示中颈动脉下内膜区域显示的图像，则所述第一边沿线为下内膜上边沿线。

为了提升识别准确率，本发明较佳实施方式中，根据第一边沿线上各个像素点相邻的其他像素点的灰度值变化程度对第一边沿线的位置进行校正；相应的，所述步骤S5还包括：

在第一边沿线上的每列像素点中，以每一边沿点为搜索基点，获取其上方和下方包括其在内的m个像素点，并获取该m个像素点在分割灰度图像中的灰度值，选取m个像素点中灰度值变化程度最大、且靠近血管腔一侧的像素点为校正点，连接所有校正点形成新的第一边沿线；其中，任一像素点与其相邻的像素点之间的灰度值差值越大，则该像素点的变化程度越大。

在该实施方式中，m的值可根据图像的分辨率进行调整，分辨率越高，其值越大，例如：血管壁的厚度为2-3像素，那么m为整数，其取值范围可以为[5，10]。可以理解的是，对于相邻的像素点，其相对的差值相同，如此，选取靠近血管腔一侧的像素点为校正点。

对于步骤S6，结合图2所示，若分割灰度图像为上内膜灰度图像，即图示中颈动脉上内膜区域显示的图像，则所述第二边沿线为上内膜上边沿线；若分割灰度图像为下内膜灰度图像，即图示中颈动脉下内膜区域显示的图像，则所述第二边沿线为下内膜下边沿线。

本发明具体实现过程中，所述第二边沿线是在第一边沿线基础上增加内膜厚度估计值计算得出；相应的，根据预设的颈动脉厚度预估值[h1，h2]以及第一边沿线上每一像素点的实际距离D获得每一第二边沿线上对应像素点的坐标值(p1x，p1y+M3)；其中，根据已知的图像的扫描深度和高之间的比率R可直接获得每一像素点的实际距离D，p1x、p1y分别表示与当前像素点处于同一列的第一边沿线上像素点的横坐标和纵坐标，M3＝k*M2，k为常数，k∈(0,2.5]，M1＝h1/D，M2＝h2/D，[M1，M2]为根据颈动脉厚度预估值获得的像素值范围，在实际应用中，考虑到颈动脉血管异常显现的发生，需要在M2基础上调大像素值的范围，当然，根据实际需要，k的取值也可以更大，在此不做进一步的赘述。如此，可将M1作为最小内膜厚度的检测阈值，将M3作为最大内膜厚度的检测阈值。

需要说明的是，h1、h2的值通常为以经验值，例如h1取值0.3mm，h2取值1.2mm。

本发明较佳实施方式中，由于上述获得的第二边沿线为预估获得，如此，为了提升识别准确率，本发明较佳实施方式中，根据第二边沿线上各个像素点相邻的其他像素点的灰度值变化程度对第二边沿线的位置进行校正；相应的，所述步骤S6还包括：在第二边沿线上的每列像素点中，以每一边沿点(p2x，p2y)为搜索基点，获取其上方n1个像素点和下方n2个像素点，并获取边沿点以及其对应的n1+n2个像素点在分割灰度图像中的灰度值，选取灰度值变化程度最大、且靠近血管腔一侧的像素点为校正点，连接所有校正点形成新的第二边沿线，其中，形成分割灰度图像的原始的图像或ROI框内的图像的高以H表示，若分割图像为下内膜灰度图像，则n1＝Max(p1y，p2y-p1y-M1)，n2＝Min(M3-(p2y-p1y)，H-1-p2y)，M1＝h1/D；若分割图像为上内膜灰度图像，则n1＝Min(p2y，M3-(p1y-p2y))，n2＝Max(1,p1y-M1-p2)，M1＝h1/D，(p2x，p2y)表示第二边沿线上任一像素点的坐标值。

在实际应用中，获得的第一边沿线和第二边沿线中，可能存在噪点，导致异常且不平滑，本发明较佳实施方式中，在所述步骤S6后，对第一边沿线和第二边沿线进行去噪点处理，相应的，所述步骤S6和步骤S7之间，所述方法还包括：采用双壁点平滑算法对第一边沿线和第二边沿线上的像素点做平滑处理，以去除第一边沿线和第二边沿线上噪点。

本发明可实现方式中，所述双壁点平滑算法具体包括：根据第一边沿线和第二边沿线上横坐标相同的像素点获取该横坐标对应的内膜厚度值，对于任一相邻的3个内膜厚度值，若处于中间的内膜厚度值同时大于其相邻的内膜厚度值的P倍，则判断处于中间的内膜厚度值为异常点，此时，需要对该中间的内膜厚度值重新赋值，其新的赋值可以为其相邻的内膜厚度值的均值。P为一常数值，其大小可以根据具体调整。

例如：相邻的3个内膜厚度值依次为thick1、thick2、thick3，P取值为2，若

thick2＞2thick1且thick2＞2thick3，则确认thick2对应的像素点为异常点，进一步的，对thick2的坐标点重新赋值，保持thick2的横坐标不变，纵坐标为(thick1的纵坐标+thick3的纵坐标)/2。

对于步骤S7，将第一边沿线和第二边沿线上横坐标相同的像素点所对应的纵坐标相减，即可以获得一组内膜厚度值，遍历该组内膜厚度值，即可以直接获得最大内膜厚度值、最小内膜厚度值、平均内膜厚度值。

厚度可信度值为一参考值，其值越接近1，表示获得厚度参数的可信度越高。

本发明可实现方式中，设内膜厚度的标准差为std,则厚度可信度值credibilityValue可表示为：

进一步的，本发明可实现方式中，所述方法还可包括：将第一边沿线和第二边沿线在原始的图像或ROI框内的图像中进行标注，如此，用户辅助观察可简单辨认获得的第一边沿线和第二变沿线是否合理，并根据其结果进行调整，在此不做详细赘述。

结合图5所示，本发明一实施方式提供一种颈动脉内膜厚度自动测量系统，所述系统包括：获取模块100、选择识别模块200、图像分割模块300、轮廓划分模块400、边沿线处理模块500以及参数处理输出模块600。

获取模块100用于获取颈动脉径向切面图像

选择识别模块200用于识别原始的图像或ROI框内的图像以获取血管中心线位置；

本发明较佳实现方式中，选择识别模块200具体用于对原始的图像或ROI框内的图像依次进行二值化，连通域提取，连通域外接矩阵的排除后，获取血管中心线位置。

图像分割模块300用于依据血管中心线位置分割图像，形成分割灰度图像，所述分割灰度图像包括：上内膜灰度图像和下内膜灰度图像；

轮廓划分模块400用于获取每一分割灰度图像对应的二值化阈值，并通过二值化阈值对分割灰度图像进行边缘检测获得每一分割灰度图像对应的轮廓线图像；

本发明较佳实施方式中，轮廓划分模块400通过双峰算法获取每一分割灰度图像对应的二值化阈值。

所述双峰算法包括：获取分割灰度图像中小于预设阈值T的像素个数smallNum，并获得其对应的像素的像素值的和smallSum，以及获取分割灰度图像中大于预设阈值的像素个数bigNum，并获得其对应的像素的像素值的和bigSum；则新的阈值newT＝(smallSum/smallNum+bigSum/bigNum)/2；判断新的阈值newT与预设阈值T的差值d是否小于预设差值阈值D，若是，则将新的阈值newT赋值给阈值T，并返回重新计算阈值newT，若否，则将新的阈值newT作为二值化阈值。

边沿线处理模块500用于根据所述轮廓线图像位置获取每一分割灰度图像靠近颈动脉血管腔一侧的第一边沿线；以及根据预设的内膜厚度估计值以及靠近颈动脉血管腔一侧的第一边沿线位置获取每一分割灰度图像远离颈动脉血管腔一侧的第二边沿线。

较佳的，边沿线处理模块500具体用于以纵坐标位置为0为初始位置，顺序查询轮廓线图像的每一列像素点，搜寻每一列像素点中第一个不为0的像素点，将其作为第一边沿线上的边沿点，连接所述边沿点形成第一边沿线。

为了提升识别准确率，本发明较佳实施方式中，边沿线处理模块500还用于根据第一边沿线上各个像素点相邻的其他像素点的灰度值变化程度对第一边沿线的位置进行校正；具体的，用于在第一边沿线上的每列像素点中，以每一边沿点为搜索基点，获取其上方和下方包括其在内的m个像素点，并获取该m个像素点在分割灰度图像中的灰度值，选取m个像素点中灰度值变化程度最大、且靠近血管腔一侧的像素点为校正点，连接所有校正点形成新的第一边沿线；其中，任一像素点与其相邻的像素点之间的灰度值差值越大，则该像素点的变化程度越大。

进一步的，边沿线处理模块500还用于根据预设的颈动脉厚度预估值[h1，h2]以及第一边沿线上每一像素点的实际距离D获得每一第二边沿线上对应像素点的坐标值(p1x，p1y+M3)。

本发明较佳实施方式中，由于上述获得的第二边沿线为预估获得，如此，为了提升识别准确率，本发明较佳实施方式中，边沿线处理模块500还用于：根据第二边沿线上各个像素点相邻的其他像素点的灰度值变化程度对第二边沿线的位置进行校正；相应的，边沿线处理模块500用于在第二边沿线上的每列像素点中，以每一边沿点(p2x，p2y)为搜索基点，获取其上方n1个像素点和下方n2个像素点，并获取边沿点以及其对应的n1+n2个像素点在分割灰度图像中的灰度值，选取灰度值变化程度最大、且靠近血管腔一侧的像素点为校正点，连接所有校正点形成新的第二边沿线。

进一步的，在实际应用中，获得的第一边沿线和第二边沿线中，可能存在噪点，导致异常且不平滑，本发明较佳实施方式中，边沿线处理模块500还用于采用双壁点平滑算法对第一边沿线和第二边沿线上的像素点做平滑处理，以去除第一边沿线和第二边沿线上噪点。具体的，边沿线处理模块500用于根据第一边沿线和第二边沿线上横坐标相同的像素点获取该横坐标对应的内膜厚度值，对于任一相邻的3个内膜厚度值，若处于中间的内膜厚度值同时大于其相邻的内膜厚度值的P倍，则判断处于中间的内膜厚度值为异常点，此时，需要对该中间的内膜厚度值重新赋值，其新的赋值可以为其相邻的内膜厚度值的均值。

参数处理输出模块600用于根据第一边沿线和第二边沿线相互对应的像素点，获取分割灰度图像中厚度参数进行输出，所述厚度参数包括：最大内膜厚度值、最小内膜厚度值、平均内膜厚度值以及厚度可信度值至少其中之一。

本发明可实现方式中，参数处理输出模块600将第一边沿线和第二边沿线上横坐标相同的像素点所对应的纵坐标相减，即可以获得一组内膜厚度值，遍历该组内膜厚度值，即可以直接获得最大内膜厚度值、最小内膜厚度值、平均内膜厚度值。

进一步的，参数处理输出模块600还用于将第一边沿线和第二边沿线在原始的图像或ROI框内的图像中进行标注，如此，用户辅助观察可简单辨认获得的第一边沿线和第二变沿线是否合理，并根据其结果进行调整，在此不做详细赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施方式中的对应过程，在此不再赘述。

综上所述，本发明的颈动脉内膜厚度自动测量方法及系统，对与颈动脉血管方向垂直的颈动脉径向切面图像进行处理，以自动获得该图像对应的厚度参数，提高了诊断的准确率。

在本申请所提供的几个实施方式中，应该理解到，所揭露的系统，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施方式仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施方式方案的目的。

另外，在本申请各个实施方式中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以2个或2个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机系统(可以是个人计算机，服务器，或者网络系统等)或处理器(processor)执行本申请各个实施方式所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上实施方式仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施方式对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施方式技术方案的精神和范围。

Claims (16)

1.一种颈动脉内膜厚度自动测量方法，其特征在于，所述方法包括以下步骤：

S1、获取颈动脉径向切面图像；

S2、识别原始的图像或ROI框内的图像以获取血管中心线位置；

S3、依据血管中心线位置分割图像，形成分割灰度图像，所述分割灰度图像包括：上内膜灰度图像和下内膜灰度图像；

S4、获取每一分割灰度图像对应的二值化阈值，并通过二值化阈值对分割灰度图像进行边缘检测获得每一分割灰度图像对应的轮廓线图像；

S5、根据所述轮廓线图像位置获取每一分割灰度图像靠近颈动脉血管腔一侧的第一边沿线；

S6、根据预设的内膜厚度估计值以及靠近颈动脉血管腔一侧的第一边沿线位置获取每一分割灰度图像远离颈动脉血管腔一侧的第二边沿线；

S7、根据第一边沿线和第二边沿线相互对应的像素点，获取分割灰度图像中厚度参数进行输出，所述厚度参数包括：最大内膜厚度值、最小内膜厚度值、平均内膜厚度值以及厚度可信度值至少其中之一。

2.根据权利要求1所述的颈动脉内膜厚度自动测量方法，其特征在于，所述步骤S2具体包括：对原始的图像或ROI框内的图像依次进行二值化，连通域提取，连通域外接矩阵的排除后，获取血管中心线位置。

3.根据权利要求1所述的颈动脉内膜厚度自动测量方法，其特征在于，所述步骤S4具体包括：通过双峰算法获取每一分割灰度图像对应的二值化阈值。

4.根据权利要求1所述的颈动脉内膜厚度自动测量方法，其特征在于，所述步骤S5具体包括：

以纵坐标位置为0为初始位置，顺序查询轮廓线图像的每一列像素点，搜寻每一列像素点中第一个不为0的像素点，将其作为第一边沿线上的边沿点，连接所述边沿点形成第一边沿线。

5.根据权利要求1所述的颈动脉内膜厚度自动测量方法，其特征在于，所述步骤S5还包括：

在第一边沿线上的每列像素点中，以每一边沿点为搜索基点，获取其上方和下方包括其在内的m个像素点，并获取该m个像素点在分割灰度图像中的灰度值，选取m个像素点中灰度值变化程度最大、且靠近血管腔一侧的像素点为校正点，连接所有校正点形成新的第一边沿线；

其中，任一像素点与其相邻的像素点之间的灰度值差值越大，则该像素点的变化程度越大。

6.根据权利要求1至5任一项所述的颈动脉内膜厚度自动测量方法，其特征在于，所述步骤S6还包括：

根据预设的颈动脉厚度预估值[h1，h2]以及第一边沿线上每一像素点的实际距离D获得每一第二边沿线上对应像素点的坐标值(p1x，p1y+M3)；

其中，p1x、p1y分别表示与当前像素点处于同一列的第一边沿线上像素点的横坐标和纵坐标，k为常数，k∈(0,2.5]，M2、M3为对已知参数进行处理后获得的常数值，M2＝h2/D，M3＝k*M2。

7.根据权利要求6所述的颈动脉内膜厚度自动测量方法，其特征在于，所述步骤S6还包括：

在第二边沿线上的每列像素点中，以每一边沿点(p2x，p2y)为搜索基点，获取其上方n1个像素点和下方n2个像素点，并获取边沿点以及其对应的n1+n2个像素点在分割灰度图像中的灰度值，选取灰度值变化程度最大、且靠近血管腔一侧的像素点为校正点，连接所有校正点形成新的第二边沿线，其中，形成分割灰度图像的原始的图像或ROI框内的图像的高以H表示，若分割图像为下内膜灰度图像，则n1＝Max(p1y，p2y-p1y-M1)，n2＝Min(M3-(p2y-p1y)，H-1-p2y)，M1＝h1/D；若分割图像为上内膜灰度图像，则n1＝Min(p2y，M3-(p1y-p2y))，n2＝Max(1,p1y-M1-p2y)；

其中，M1为对已知参数进行处理后获得的常数值，M1＝h1/D。

8.根据权利要求1所述的颈动脉内膜厚度自动测量方法，其特征在于，所述步骤S6和步骤S7之间，所述方法还包括：

采用双壁点平滑算法对第一边沿线和第二边沿线上的像素点做平滑处理，以去除第一边沿线和第二边沿线上噪点。

9.一种颈动脉内膜厚度自动测量系统，其特征在于，所述系统包括：

获取模块，用于获取颈动脉径向切面图像；

选择识别模块，用于识别原始的图像或ROI框内的图像以获取血管中心线位置；

图像分割模块，用于依据血管中心线位置分割图像，形成分割灰度图像，所述分割灰度图像包括：上内膜灰度图像和下内膜灰度图像；

轮廓划分模块，用于获取每一分割灰度图像对应的二值化阈值，并通过二值化阈值对分割灰度图像进行边缘检测获得每一分割灰度图像对应的轮廓线图像；

边沿线处理模块，用于根据所述轮廓线图像位置获取每一分割灰度图像靠近颈动脉血管腔一侧的第一边沿线；以及根据预设的内膜厚度估计值以及靠近颈动脉血管腔一侧的第一边沿线位置获取每一分割灰度图像远离颈动脉血管腔一侧的第二边沿线；

参数处理输出模块，用于根据第一边沿线和第二边沿线相互对应的像素点，获取分割灰度图像中厚度参数进行输出，所述厚度参数包括：最大内膜厚度值、最小内膜厚度值、平均内膜厚度值以及厚度可信度值至少其中之一。

10.根据权利要求9所述的颈动脉内膜厚度自动测量系统，其特征在于，所述选择识别模块具体用于：对原始的图像或ROI框内的图像依次进行二值化，连通域提取，连通域外接矩阵的排除后，获取血管中心线位置。

11.根据权利要求9所述的颈动脉内膜厚度自动测量系统，其特征在于，所述轮廓划分模块具体用于：通过双峰算法获取每一分割灰度图像对应的二值化阈值。

12.根据权利要求9所述的颈动脉内膜厚度自动测量系统，其特征在于，所述边沿线处理模块具体用于：

以纵坐标位置为0为初始位置，顺序查询轮廓线图像的每一列像素点，搜寻每一列像素点中第一个不为0的像素点，将其作为第一边沿线上的边沿点，连接所述边沿点形成第一边沿线。

13.根据权利要求9所述的颈动脉内膜厚度自动测量系统，其特征在于，所述边沿线处理模块还用于：在第一边沿线上的每列像素点中，以每一边沿点为搜索基点，获取其上方和下方包括其在内的m个像素点，并获取该m个像素点在分割灰度图像中的灰度值，选取m个像素点中灰度值变化程度最大、且靠近血管腔一侧的像素点为校正点，连接所有校正点形成新的第一边沿线；

其中，任一像素点与其相邻的像素点之间的灰度值差值越大，则该像素点的变化程度越大。

14.根据权利要求9至13任一项所述的颈动脉内膜厚度自动测量系统，其特征在于，所述边沿线处理模块还用于：根据预设的颈动脉厚度预估值[h1，h2]以及第一边沿线上每一像素点的实际距离D获得每一第二边沿线上对应像素点的坐标值(p1x，p1y+M3)；

其中，p1x、p1y分别表示与当前像素点处于同一列的第一边沿线上像素点的横坐标和纵坐标，k为常数，k∈(0,2.5]，M2、M3为对已知参数进行处理后获得的常数值，M2＝h2/D，M3＝k*M2。

15.根据权利要求14所述的颈动脉内膜厚度自动测量系统，其特征在于，所述边沿线处理模块还用于：在第二边沿线上的每列像素点中，以每一边沿点(p2x，p2y)为搜索基点，获取其上方n1个像素点和下方n2个像素点，并获取边沿点以及其对应的n1+n2个像素点在分割灰度图像中的灰度值，选取灰度值变化程度最大、且靠近血管腔一侧的像素点为校正点，连接所有校正点形成新的第二边沿线，其中，形成分割灰度图像的原始的图像或ROI框内的图像的高以H表示，若分割图像为下内膜灰度图像，则n1＝Max(p1y，p2y-p1y-M1)，n2＝Min(M3-(p2y-p1y)，H-1-p2y)，M1＝h1/D；若分割图像为上内膜灰度图像，则n1＝Min(p2y，M3-(p1y-p2y))，n2＝Max(1,p1y-M1-p2y)；

其中，M1为对已知参数进行处理后获得的常数值，M1＝h1/D。

16.根据权利要求9所述的颈动脉内膜厚度自动测量系统，其特征在于，所述边沿线处理模块还用于：采用双壁点平滑算法对第一边沿线和第二边沿线上的像素点做平滑处理，以去除第一边沿线和第二边沿线上噪点。

Images