CN112862731A - 一种tof影像的全自动血管提取方法 - Google Patents

Abstract

本发明公开了一种TOF影像的全自动血管提取方法，包括：结合TOF影像中的脑部特征，基于区域生长和成本最优路径提取脑部区域；获取种子点集，自动提取血管区域和背景区域，并作为随机游走的起点；建立空间多尺度的血管影像增强图，将影像中的管状部分进行增强；建立随机游走图谱，基于所述种子点集和所述血管影像增强图，通过随机游走得到分割后的三维血管结构。与现有技术相比，本发明方法能够有效提取到血管分支中体积细小且对比度低的部分，提高血管分割的准确度。并且，本发明能够实现提取血管的过程完全自动化，无需手动交互，减少了人为操作的复杂性。

Description

一种TOF影像的全自动血管提取方法

技术领域

本发明涉及医学影像处理技术领域，特别涉及一种基于图像增强、种子点获取和随机游走的TOF影像的全自动血管提取方法。

背景技术

由血管狭窄和动脉瘤引起的血管畸形已成为脑血管疾病的主要原因，对人类健康产生了极大的威胁。基于时间飞跃的TOF(Time of flight)技术，是一种流行的临床脑血管磁共振无创造影技术，具有非侵入性、快速性和高分辨率等优点，已经广泛应用在脑部疾病的诊治和预防中。脑血管三维重建是神经外科计划和导航的重要先决条件。然而，TOF影像中的脑血管存在多尺度、噪声和对比度不均等问题，如何从TOF影像精确提取脑血管仍然是一项重要的问题。

在过去的研究中，已经提出了许多用于从TOF影像中分割三维脑血管结构的方法。常用的方法有基于跟踪的血管分割方法、基于统计模型的血管方法和基于神经网络的方法，但这些方法无法权衡准确率、耗时以及自动化等各项指标。所以，迫切需要一种新的全自动脑血管提取新技术，能在弥补上述分割方法不足的基础上，有效提高血管分割的准确率，并能达到低时耗的效果。

发明内容

本发明的目的在于提供一种TOF影像的全自动血管提取方法，以解决现有分割方法的不足，提高TOF影像中血管分割的精度。

为解决上述技术问题，本发明的实施例提供如下方案：

一种TOF影像的全自动血管提取方法，包括以下步骤：

S1、结合TOF影像中的脑部特征，基于区域生长和成本最优路径提取脑部区域；

S2、获取种子点集，自动提取血管区域和背景区域，并作为随机游走的起点；

S3、建立空间多尺度的血管影像增强图，将影像中的管状部分进行增强；

S4、建立随机游走图谱，基于所述种子点集和所述血管影像增强图，通过随机游走得到分割后的三维血管结构。

优选地，所述方法还包括在所述步骤S1之前进行的：

使用基于直方图的平板边界伪影减少方法对每个TOF序列切片图像进行预处理。

优选地，所述步骤S1具体包括：

使用区域生长初步分割与脑相邻的低强度组织，所述低强度组织包括颅骨和鼻区域；

建立混合高斯模型模拟TOF切片的灰度直方图的分布，根据最小误差分类从所述混合高斯模型中提取每个切片的单个阈值；

提取的阈值用作区域增长的上限阈值T_U，下限阈值T_L由影像出现的最低强度值定义，得到区域生长的种子生长范围T∈[T_L,T_U]；

从分析图中选取拐点作为区域生长的种子点，完成初始分割，其中拐点表示颅骨和鼻区域；

基于初始分割逐层提取二维支撑点，构建成本最优路径形成闭合曲线。

优选地，所述基于初始分割逐层提取二维支撑点，构建成本最优路径形成闭合曲线具体包括：

计算分割颅骨的重心，从起始坐标开始，以10度的间隔绘制射线；

对于每条射线，取其中与重心的最短距离作为支撑点，最终提取最多36个支撑点P_i；

从起始节点P_i开始，搜索到定义的目标节点P_i+1的最优路径，其中，成本最优路径定义为具有最小成本的路径。

优选地，所述步骤S2具体包括：

结合血管的高亮结构和连通性自动获得种子点集，包括：

从X、Y和Z角度分别进行投影，在Z轴方向上，得到XY平面上的二维投影图I_z(x,y)；其中：

同时，保存每一投影点的Z坐标作为该点的隐变量Z_p，满足：

在I_z(x,y)中，基于灰度界限得到高亮的血管部分区域U_ini，在U_ini中得到连通域集V＝{V₁,V₂,...V_N}，提取其中局部最大值作为种子点，满足：

s＝{(x，y，z)|I＝max{I_{local vector}(x，y)}，z＝z_p}

其中，

表示图像区域的大小。

优选地，所述步骤S3具体包括：

利用多尺度空间中TOF影像的Hessian矩阵来计算血管影像增强图，其中提出的长度受限的血管增强函数如下：

其中x为体数据中的体素点，α为管状结构与盘状结构的差异控制参数，β为管状结构与球状结构的差异控制参数，c为高对比度结构与低对比度结构的差异控制参数。

优选地，所述步骤S4具体包括：

建立随机游走图谱，定义G＝(V,E)，其中V表示图谱中顶点的集合，v∈V；E表示图谱中顶点的无向边集合，

e_ij表示顶点v_i和v_j的连接关系；选用高斯加权函数作为边权值，如式：

w_ij＝exp(-β(g_i-g_j)²)

其中，g_i表示顶点v_i的灰度值，β参数控制灰度值带来的影响力；

得到边权值计算非标记点游走到种子点的概率大小，并取最大概率作为该点的新标记，最终实现图像的分割；其中建立的调和函数为：

其中，x_s和x_u分别对应标记点和未标记点的概率；求解D[x_u]关于x_u的微分，并通过零点寻找极值点：L_ux_u＝-B^Tx_s，得到概率图谱，取概率最大值的标签为分类结果，实现对脑血管的自动分割。

本发明实施例提供的技术方案带来的有益效果至少包括：

(1)与大多数基于种子点集的方法相比，本发明方法提取血管的过程完全自动化，无需手动交互，减少了人为操作的复杂性。

(2)本发明能够有效提取到血管分支中体积细小且对比度低的部分，提高血管分割的准确度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种TOF影像的全自动血管提取方法的流程图。

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，下面将结合附图对本发明实施方式作进一步地详细描述。

本发明的实施例提供了一种TOF影像的全自动血管提取方法，如图1所示，该方法包括以下步骤：

S1、结合TOF影像中的脑部特征，基于区域生长和成本最优路径提取脑部区域；

S2、获取种子点集，自动提取血管区域和背景区域，并作为随机游走的起点；

S3、建立空间多尺度的血管影像增强图，将影像中的管状部分进行增强；

S4、建立随机游走图谱，基于所述种子点集和所述血管影像增强图，通过随机游走得到分割后的三维血管结构。

与现有技术相比，本发明方法能够有效提取到血管分支中体积细小且对比度低的部分，提高血管分割的准确度。并且，本发明能够实现提取血管的过程完全自动化，无需手动交互，减少了人为操作的复杂性。

具体地，本发明实施例提供的基于图像增强和随机游走的TOF影像的全自动血管提取方法的详细流程如下：

步骤S0、以病人临床病例的数据作为输入，首先使用基于直方图的平板边界伪影减少方法对每个TOF序列切片图像进行预处理。

步骤S1、结合TOF影像中的脑部特征，基于区域生长和成本最优路径提取脑部区域。该步骤具体包括：

使用区域生长初步分割与脑相邻的低强度组织，所述低强度组织包括颅骨和鼻区域；

建立混合高斯模型模拟TOF切片的灰度直方图的分布，根据最小误差分类从所述混合高斯模型中提取每个切片的单个阈值；

提取的阈值用作区域增长的上限阈值T_U，该阈值通常包含所有或大部分骨骼；下限阈值T_L由影像出现的最低强度值定义，该阈值通常出现在背景区域；得到区域生长的种子生长范围T∈[T_L,T_U]；

从分析图中选取拐点作为区域生长的种子点，完成初始分割，其中拐点表示颅骨和鼻区域；

基于初始分割逐层提取二维支撑点，构建成本最优路径形成闭合曲线。

所述基于初始分割逐层提取二维支撑点，构建成本最优路径形成闭合曲线具体包括：

计算分割颅骨的重心，从起始坐标开始，以10度的间隔绘制射线；

对于每条射线，理论存在与区域连接部分，取其中与重心的最短距离作为支撑点，最终提取最多36个支撑点P_i；

从起始节点P_i开始，搜索到定义的目标节点P_i+1的最优路径，其中，成本最优路径定义为具有最小成本的路径。

步骤S2、获取种子点集，自动提取血管区域和背景区域，并作为随机游走的起点。该步骤具体包括：

结合血管的高亮结构和连通性自动获得种子点集，包括：

由于最大亮度的投影能保留高亮的血管区域，从X、Y和Z角度分别进行投影，在Z轴方向上，得到XY平面上的二维投影图I_z(x,y)；其中：

同时，保存每一投影点的Z坐标作为该点的隐变量Z_p，满足：

在I_z(x,y)中，基于灰度界限得到高亮的血管部分区域U_ini，在U_ini中得到连通域集V＝{V₁,V₂,...V_N}，提取其中局部最大值作为种子点，满足：

s＝{(x，y，z)|I＝max{I_{local vector}(x，y)}，z＝z_p}

其中，

表示图像区域的大小。

步骤S3、建立空间多尺度的血管影像增强图，将影像中的管状部分进行增强，突出血管特征，减弱其它部分的干扰。该步骤具体包括：

利用多尺度空间中TOF影像的Hessian矩阵来计算血管影像增强图，其中提出的长度受限的血管增强函数如下：

其中x为体数据中的体素点，α为管状结构与盘状结构的差异控制参数，β为管状结构与球状结构的差异控制参数，c为高对比度结构与低对比度结构的差异控制参数。

步骤S4、建立随机游走图谱，基于所述种子点集和所述血管影像增强图，通过随机游走得到分割后的三维血管结构。该步骤具体包括：

建立随机游走图谱，定义G＝(V,E)，其中V表示图谱中顶点的集合，v∈V；E表示图谱中顶点的无向边集合，

e_ij表示顶点v_i和v_j的连接关系；边权值的定义可以反应相邻点之间的相似度，选用高斯加权函数作为边权值，如式：

w_ij＝exp(-β(g_i-g_j)²)

其中，g_i表示顶点v_i的灰度值，β参数控制灰度值带来的影响力；

得到边权值计算非标记点游走到种子点的概率大小，并取最大概率作为该点的新标记，最终实现图像的分割；其中建立的调和函数为：

其中，x_s和x_u分别对应标记点和未标记点的概率；求解D[x_u]关于x_u的微分，并通过零点寻找极值点：L_ux_u＝-B^Tx_s，得到概率图谱，取概率最大值的标签为分类结果，实现对脑血管的自动、精确分割。

综上所述，本发明方法通过脑部区域提取、种子点集获取、建立空间多尺度的血管影像增强图、建立随机游走图谱等步骤，能够实现提取血管的过程完全自动化，无需人为手动交互；并且本发明方法能够有效提取到血管分支中体积细小且对比度低的部分，从而提高血管分割的准确度。

以上所述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 (7)

1.一种TOF影像的全自动血管提取方法，其特征在于，包括以下步骤：

S1、结合TOF影像中的脑部特征，基于区域生长和成本最优路径提取脑部区域；

S2、获取种子点集，自动提取血管区域和背景区域，并作为随机游走的起点；

S3、建立空间多尺度的血管影像增强图，将影像中的管状部分进行增强；

S4、建立随机游走图谱，基于所述种子点集和所述血管影像增强图，通过随机游走得到分割后的三维血管结构。

2.根据权利要求1所述的TOF影像的全自动血管提取方法，其特征在于，所述方法还包括在所述步骤S1之前进行的：

使用基于直方图的平板边界伪影减少方法对每个TOF序列切片图像进行预处理。

3.根据权利要求1所述的TOF影像的全自动血管提取方法，其特征在于，所述步骤S1具体包括：

使用区域生长初步分割与脑相邻的低强度组织，所述低强度组织包括颅骨和鼻区域；

建立混合高斯模型模拟TOF切片的灰度直方图的分布，根据最小误差分类从所述混合高斯模型中提取每个切片的单个阈值；

提取的阈值用作区域增长的上限阈值T_U，下限阈值T_L由影像出现的最低强度值定义，得到区域生长的种子生长范围T∈[T_L,T_U]；

从分析图中选取拐点作为区域生长的种子点，完成初始分割，其中拐点表示颅骨和鼻区域；

基于初始分割逐层提取二维支撑点，构建成本最优路径形成闭合曲线。

4.根据权利要求3所述的TOF影像的全自动血管提取方法，其特征在于，所述基于初始分割逐层提取二维支撑点，构建成本最优路径形成闭合曲线具体包括：

计算分割颅骨的重心，从起始坐标开始，以10度的间隔绘制射线；

对于每条射线，取其中与重心的最短距离作为支撑点，最终提取最多36个支撑点P_i；

从起始节点P_i开始，搜索到定义的目标节点P_i+1的最优路径，其中，成本最优路径定义为具有最小成本的路径。

5.根据权利要求1所述的TOF影像的全自动血管提取方法，其特征在于，所述步骤S2具体包括：

结合血管的高亮结构和连通性自动获得种子点集，包括：

从X、Y和Z角度分别进行投影，在Z轴方向上，得到XY平面上的二维投影图I_z(x,y)；其中：

同时，保存每一投影点的Z坐标作为该点的隐变量Z_p，满足：

在I_z(x,y)中，基于灰度界限得到高亮的血管部分区域U_ini，在U_ini中得到连通域集V＝{V₁,V₂,...V_N}，提取其中局部最大值作为种子点，满足：

s＝{(x，y，z)|I＝max{I_{local vector}(x，y)}，z＝z_p}

其中，

表示图像区域的大小。

6.根据权利要求1所述的TOF影像的全自动血管提取方法，其特征在于，所述步骤S3具体包括：

利用多尺度空间中TOF影像的Hessian矩阵来计算血管影像增强图，其中提出的长度受限的血管增强函数如下：

其中x为体数据中的体素点，α为管状结构与盘状结构的差异控制参数，β为管状结构与球状结构的差异控制参数，c为高对比度结构与低对比度结构的差异控制参数。

7.根据权利要求1所述的TOF影像的全自动血管提取方法，其特征在于，所述步骤S4具体包括：

建立随机游走图谱，定义G＝(V,E)，其中V表示图谱中顶点的集合，v∈V；E表示图谱中顶点的无向边集合，

e_ij表示顶点v_i和v_j的连接关系；选用高斯加权函数作为边权值，如式：

w_ij＝exp(-β(g_i-g_j)²)

其中，g_i表示顶点v_i的灰度值，β参数控制灰度值带来的影响力；

得到边权值计算非标记点游走到种子点的概率大小，并取最大概率作为该点的新标记，最终实现图像的分割；其中建立的调和函数为：

其中，x_s和x_u分别对应标记点和未标记点的概率；求解D[x_u]关于x_u的微分，并通过零点寻找极值点：L_ux_u＝-B^Tx_s，得到概率图谱，取概率最大值的标签为分类结果，实现对脑血管的自动分割。

Images