CN111091578A - 一种针对血管医学影像的分割方法 - Google Patents

Abstract

本发明公开了一种针对血管医学影像的分割方法，包括：通过计算区域内每个像素点与之对应位置的假设像素点灰度值的欧氏距离得到区域内像素点的相似度，再利用灰度相似性信息G_i·c_k代替传统变分水平集图像分割模型中常用的f_i(x)作为图像的数据保真项；将水平集函数保持为带符号距离函数；添加正则项惩罚函数来使得水平集函数接近符号距离函数；结合数据项、长度项、正则项和边界停止项，得到改进的能量泛函的变分活动轮廓模型。本发明通过引入区域内像素点的相似度以及灰度相似性信息构造数据保真项，然后加入边缘阻止函数控制曲线的演化，最后结合正则项得到改进的变分活动轮廓模型。

Description

一种针对血管医学影像的分割方法

技术领域

本发明涉及影像处理技术领域，具体地说，特别涉及一种针对血管医学影像的分割方法。

背景技术

医学影像是近年来由工学带动的发展而兴起的一项新兴技术，以简单方便、和高特异性等优势特性受到了临床医学领域的极大关注。并且随着科技进步和相关影像的快速更新，影像医学在医学领域内取得了创新与突破，得到了医疗界的广泛与认可，如今已经成为临床医疗工作的重要支柱。因此，研究医学影像的处理已经成为目前医学成像领域内的前沿课题。

过去几十年中，各种新的医学成像技术的临床应用使得医学诊断和治疗技术得以迅猛发展。在提高设备获得图像分辨力的同时，图像分割也成为另一个人们关注的焦点。所谓图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。近年来由于人们生活水平的不断提高，对健康有了更高的要求，尤其在一些心血管疾病以及肿瘤细胞等病态细胞的提取方面需要很大的突破。因此，为了及时的发现可能存在的疾病以及预防诊断从而更好地造福人类，在未来的时间内，分割技术的研究仍将是一个热点。未来的分割技术将朝着更快、更准确和更加自动化的方向发展，故对于这些病灶医学图像的分割就显得格外重要。虽然图像分割在众多医学影像处理技术中起步早、发展快，但在许多时候分割所得到的结果仍然不理想。但是，图像处理技术等研究成果在临床上也得到了应用，取得了较好的效果。

图像分割历来就是图像处理中的一个热点、难点。至今为止，还没有一种通用方法能把血管图像从各种模式的图像中准确的分割出来。有的方法是利用了基于信号强度的模式识别技术；有的方法则利用了明确的血管模型来提取血管的轮廓；此外，有些算法要求在分割前依据图像质量和噪声的不同对图像进行预处理；而有些算法在分割后要利用后处理来消除在分割中产生的一些误差，即图像后处理。由于人体血管系统各部分都有其特点，所以一般血管图像又具有强度不均匀、图像中各个组织间的边界弱等缺点等较大的差异性；且由于不同组织的信息不同，难以达到较好的分割效果。这些缺陷往往会给医生的准确诊断带来很大的麻烦，严重影响医生对疾病的诊断效率。

血管图像是的分割是医学中一个重要的工作，由于血管的组成及构造错综复杂且有灰度不均匀的特性，故对血管图像的分割存在一些困难。因此，进一步研究对血管医学影像的分割具有重要意义。

发明内容

为了解决现有技术的问题，本发明实施例提供了一种针对血管医学影像的分割方法。所述技术方案如下：

一方面，一种针对血管医学影像的分割方法，包括以下步骤：

步骤1)：通过计算区域内每个像素点与之对应位置的假设像素点灰度值的欧氏距离得到区域内像素点的相似度，再利用灰度相似性信息G_i·c_k代替传统变分水平集图像分割模型中常用的f_i(x)作为图像的数据保真项；

步骤2)：将水平集函数保持为有符号距离函数；添加正则项惩罚函数来使得水平集函数接近符号距离函数；

步骤3)：结合数据项、长度项、正则项和边界停止项，得到改进的能量泛函的变分活动轮廓模型。

进一步地，针对血管医学影像的分割方法还包括：采用颜色特征值的统计直方图特征对灰度信息描述，定义灰度信息表达式为：

其中i(i＝m、l)为图像的灰度值，L是图像灰度值范围，n_i是图像中具有灰度值为i的像素点个数，N是图像在目标区域和背景区域的像素总数；因为图像的纹理特征信息会影响区域相似性，所以在计算灰度相似性时考虑纹理特征，从而使灰度信息表达式更加合理；

假设c_m(m＝0…L-1)和c_l(l＝0…L-1)分别代表目标区域和背景区域不同像素点位置的统计直方图灰度的信息，则用欧氏距离函数来计算直方图的相似性，表达式为：

其中G∈[0,1]；当g的取值越小，表示在区域的灰度相似性越大；反之，代表所在区域的灰度相似性越小。

进一步地，针对血管医学影像的分割方法还包括：为了能够保证拟合曲线在边界停止演化，并且为了控制曲线的收敛速率和避免能量泛函陷入局部极小值，引入了由水平集方法构造的边界停止能量函数；定义为：

E_s＝∫gH(φ)dxdy

其中，

为边缘检测函数，W_σ为标准差为σ的高斯函数，I是被分割的图像，并且g是单调递减函数。

进一步地，针对血管医学影像的分割方法还包括：为了演化过程中保持演化轮廓平滑并在分割结果中尽可能减少小面积区域的数量，选择曲线的弧长作为正则化项，该正则项定义为：

本发明实施例提供的技术方案带来的有益效果是：

本发明提供的一种针对血管医学影像的分割方法，通过引入区域内像素点的相似度以及灰度相似性信息构造数据保真项，然后加入边缘阻止函数控制曲线的演化，最后结合正则项得到改进的变分活动轮廓模型；本发明可以将血管图像很好的分割出来，并且提高了分割的准确率，保留了图像的边缘信息。因为图像的纹理特征信息会影响区域相似性，尤其是医学图像，所以在本发明中是引入灰度相似性信息，从而使灰度信息表达式更加合理；本实施例不仅能够很好的保留血管图像的边界信息，而且还提高了分割的准确率，获得了较好的实验结果，得到了理想的分割效果。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明实施方式作进一步地详细描述。

本发明提供了一种针对血管医学影像的分割方法，包括以下步骤：

步骤1)：通过计算区域内每个像素点与之对应位置的假设像素点灰度值的欧氏距离得到区域内像素点的相似度，再利用灰度相似性信息G_i·c_k代替传统变分水平集图像分割模型中常用的f_i(x)作为图像的数据保真项；有利于使曲线和目标边界更好地进行拟合，同时使拟合曲线更好地向目标方向演化；

步骤2)：为了在演化过程中保持轮廓的稳定性，将水平集函数保持为有符号距离函数；在这里没有使用重新初始化这一步来保持水平集函数作为符号函数，而是添加正则项惩罚函数来使得水平集函数接近符号距离函数；

步骤3)：结合数据项、长度项、正则项和边界停止项，得到改进的能量泛函的变分活动轮廓模型。

具体地，利用灰度相似性信息G_i·c_k代替传统变分水平集图像分割模型中常用的f_i(x)作为图像的数据保真项。得到如下的能量泛函：

E(c_m,c_l,φ)＝∫∫K_σ(x-y)(I(y)-G₁·c_m)²H(φ(y))dydx +∫∫K_σ(x-y)(I(y)-G₂·c_l)²(1-H(φ(y)))dydx

上述能量泛函是通过计算区域内每个像素点与之对应位置的假设像素点灰度值的欧氏距离得到区域内像素点的相似度，有利于使曲线和目标边界更好地进行拟合，同时使拟合曲线更好地向目标方向演化。

此外，采用颜色特征值的统计直方图特征对灰度信息描述，定义灰度信息表达式为：

其中i(i＝m、l)为图像的灰度值，L是图像灰度值范围，n_i是图像中具有灰度值为i的像素点个数，N是图像在目标区域和背景区域的像素总数。因为图像的纹理特征信息会影响区域相似性，所以本申请在计算灰度相似性时考虑纹理特征，从而使灰度信息表达式更加合理。

假设c_m(m＝0…L-1)和c_l(l＝0…L-1)分分别代表目标区域和背景区域不同像素点位置的统计直方图灰度的信息，则用欧氏距离函数来计算直方图的相似性，表达式为：

其中G∈[0,1]。当g的取值越小，表示在区域的灰度相似性越大；反之，代表所在区域的灰度相似性越小。

之后，为了能够保证拟合曲线在边界停止演化，并且为了控制曲线的收敛速率和避免能量泛函陷入局部极小值，引入了由水平集方法构造的边界停止能量函数。定义为：

E_s＝∫gH(φ)dxdy

其中，

为边缘检测函数，W_σ为标准差为σ的高斯函数，I是被分割的图像，并且g是单调递减函数。

此外，为了演化过程中保持演化轮廓平滑并在分割结果中尽可能减少小面积区域的数量，本申请中选择曲线的弧长作为正则化项，该正则项定义为：

然后，为了在演化过程中保持轮廓的稳定性，本申请中将水平集函数保持为有符号距离函数。通常，需要将水平集函数重新初始化为带符号距离函数，以便随后增加计算时间。因此，在这里没有使用重新初始化这一步来保持水平集函数作为符号函数，而是添加正则项惩罚函数来使得水平集函数接近符号距离函数，其定义为如下形式：

通过最小化R(φ)，

的值将逐渐接近1，这意味着水平集函数φ(y)在演化过程中接近有符号距离函数。实际上，带符号距离函数满足

最终，结合数据项、长度项、正则项和边界停止项，得到如下本申请中改进的能量泛函的变分活动轮廓模型，表示为：

这里K_σ是高斯核窗口，G_i为直方图相似性，φ为0水平集函数，其中Ω₁和Ω₂分别是输入图像I的目标区域和背景区域。

φ(y)是水平集函数，它有如下的表达式：

其中，Ω₁为目标区域，Ω₂为背景区域。

H(·)是Heaviside函数和δ(·)是Dirac函数，分别定义为：

1.对上述模型进行数值求解

上述能量泛函E(c_m,c_l,φ)有两种类型的未知变量，用控制变量方法来解决相应各个变量的最小值。

1.1关于子问题(c_m,c_l)的求解过程

首先，固定函数φ(y)，求解E(c_m,c_l,φ)关于c_m和c_l的最小化，c_m和c_l是能量泛 E(c_m,c_l,φ)函的最小值满足下列条件:

进一步分别解得c_m和c_l：

1.2关于φ的子问题的求解过程

通过固定c_m和c_l，并且引入时间参数t，求得关于φ(y)最小化的能量泛函：

利用梯度下降法对上式求得拟合曲线演化方程

的稳定解：

这里e₁(x)＝∫K_σ(x-y)(I(y)-G₁·c_m)²dy和e₂(x)＝∫K_σ(x-y)(I(y)-G₂·c_l)²dy。进一步可得关于φ的能量泛函E(c_m,c_l,φ)的最小值：

为了保证上式数值求解的稳定性，本申请中通过有限差分法进行求解曲线演化方程

其中Δt是时间步长，D是一个差分算子。然后利用差分算子得到了演化方程的曲率：

则演化方程的最终形式为：

本发明实施例提供的技术方案带来的有益效果是：

本发明提供的一种针对血管医学影像的分割方法，通过引入区域内像素点的相似度以及灰度相似性信息构造数据保真项，然后加入边缘阻止函数控制曲线的演化，最后结合正则项得到改进的变分活动轮廓模型；本发明可以将血管图像很好的分割出来，并且提高了分割的准确率，保留了图像的边缘信息。因为图像的纹理特征信息会影响区域相似性，尤其是医学图像，所以在本发明中是引入灰度相似性信息，从而使灰度信息表达式更加合理；本实施例不仅能够很好的保留血管图像的边界信息，而且还提高了分割的准确率，获得了较好的实验结果，得到了理想的分割效果。

以上仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种针对血管医学影像的分割方法，其特征在于，包括以下步骤：

步骤1)：通过计算区域内每个像素点与之对应位置的假设像素点灰度值的欧氏距离得到区域内像素点的相似度，再利用灰度相似性信息G_i·c_k代替传统变分水平集图像分割模型中常用的f_i(x)作为图像的数据保真项；

步骤2)：将水平集函数保持为有符号距离函数；添加正则项惩罚函数来使得水平集函数接近符号距离函数；

步骤3)：结合数据项、长度项、正则项和边界停止项，得到改进的能量泛函的变分活动轮廓模型。

2.如权利要求1所述的方法，其特征在于，还包括：采用颜色特征值的统计直方图特征对灰度信息描述，定义灰度信息表达式为：

其中i(i＝m、l)为图像的灰度值，L是图像灰度值范围，n_i是图像中具有灰度值为i的像素点个数，N是图像在目标区域和背景区域的像素总数；因为图像的纹理特征信息会影响区域相似性，所以在计算灰度相似性时考虑纹理特征，从而使灰度信息表达式更加合理；

假设c_m(m＝0…L-1)和c_l(l＝0…L-1)分别代表目标区域和背景区域不同像素点位置的统计直方图灰度的信息，则用欧氏距离函数来计算直方图的相似性，表达式为：

其中G∈[0，1]；当g的取值越小，表示在区域的灰度相似性越大；反之，代表所在区域的灰度相似性越小。

3.如权利要求2所述的方法，其特征在于，还包括：为了能够保证拟合曲线在边界停止演化，并且为了控制曲线的收敛速率和避免能量泛函陷入局部极小值，引入了由水平集方法构造的边界停止能量函数；定义为：

E_s＝∫gH(φ)dxdy

其中，

为边缘检测函数，W_σ为标准差为σ的高斯函数，I是被分割的图像，并且g是单调递减函数。

4.如权利要求3所述的方法，其特征在于，还包括：为了演化过程中保持演化轮廓平滑并在分割结果中尽可能减少小面积区域的数量，选择曲线的弧长作为正则化项，该正则项定义为：