CN114820678B - 基于oct图像的血管壁内轮廓自动提取方法及系统 - Google Patents
基于oct图像的血管壁内轮廓自动提取方法及系统 Download PDFInfo
- Publication number
- CN114820678B CN114820678B CN202210732203.4A CN202210732203A CN114820678B CN 114820678 B CN114820678 B CN 114820678B CN 202210732203 A CN202210732203 A CN 202210732203A CN 114820678 B CN114820678 B CN 114820678B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- image
- oct
- vessel wall
- inner contour
- 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
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 259
- 238000000605 extraction Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000000877 morphologic effect Effects 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 21
- 230000002792 vascular Effects 0.000 claims description 19
- 238000003709 image segmentation Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000012014 optical coherence tomography Methods 0.000 description 104
- 238000003384 imaging method Methods 0.000 description 8
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 208000026106 cerebrovascular disease Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002526 effect on cardiovascular system Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 206010003211 Arteriosclerosis coronary artery Diseases 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 208000026758 coronary atherosclerosis Diseases 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000270295 Serpentes Species 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于OCT图像的血管壁内轮廓自动提取方法及系统。该方法包括：获取原始的OCT血管图像；进行预处理；对预处理后的OCT血管图像进行二值化，并进行数学形态学上的开运算和闭运算，扫描经过预处理后的OCT血管图像的每条A‑line，将长度最长的区域的起始位置作为血管壁内轮廓点，提取初始的血管壁内轮廓；对初始的血管壁内轮廓进行修正；将血管壁内轮廓线转化到笛卡尔坐标下，获得最终的血管壁内轮廓。通过对OCT血管图像进行二值化之后再进行数学形态学上的开运算和闭运算，实现血管组织分割后再根据OCT血管图像的A‑line数值，进行血管壁内轮廓提取，减小了图像噪音对血管轮廓提取的影响，降低了运算次数，提高了算法的鲁棒性。
Description
技术领域
本发明涉及医疗图像处理技术领域，尤其涉及一种基于OCT图像的血管壁内轮廓自动提取方法及系统。
背景技术
全球范围内，心脑血管疾病已经成为了威胁人类健康的主要疾病之一，冠状动脉粥样硬化是心脑血管疾病的主要病因。光学相干断层成像(optical coherencetomography，OCT) 是当前诊断心脑血管疾病的一种最新的血管内影像学技术。
OCT利用近红外光，是一种高分辨率的影像学技术，可探查生物组织微米级结构。它的轴向分辨率为 10µm左右，横向的分辨率为 20µm左右，探测深度约为2mm。对于冠状动脉管壁，OCT 可以提供更加细微和清晰的信息。
基于OCT图像诊断冠状动脉粥样硬化需要获得血管的管腔面积，直径等量化指标，从而辅助医生的诊断和治疗。因此，OCT 图像中血管壁内轮廓的准确快速提取是 OCT 图像分析的基础，具有重要的研究意义与应用价值。
目前，基于OCT图像提取血管壁内轮廓的方法主要有三类。第一类是基于活动轮廓模型(Snake模型)的方法，该方法往往需要给定初始的轮廓线，对噪声比较敏感，且算法的效率不高，时间开销较大。第二类是基于机器学习的方法，该方法需要进行特征的提取，并获得大量的数据进行标定和训练，在实际应用中受到诸多限制。第三类是基于统计的方法，该方法主要是利用图像的灰度信息进行统计建模，但是对于复杂的包含伪影或者斑块的OCT图像，将会大大降低统计建模的准确性。
目前大部分的血管壁内轮廓提取算法，都是在血管图像情况简单，在没有导丝伪影，或者不存在血管分支，以及不存在支架或者血流的情况下，可以取得较好的提取效果。对于复杂的血管图像，血管壁内轮廓的提取效果并不理想。
发明内容
因此，本发明的目的在于提供一种基于OCT图像的血管壁内轮廓自动提取方法及系统，通过对OCT血管图像进行二值化之后再进行数学形态学上的开运算和闭运算，实现血管组织分割后再根据OCT血管图像的A-line数值，进行血管壁内轮廓提取，减小了图像噪音对血管轮廓提取的影响，降低了运算次数，提高了算法的鲁棒性。
为了实现上述目的，本发明的一种基于OCT图像的血管壁内轮廓自动提取方法，包括如下步骤：
S1、获取极坐标环境下的原始的OCT血管图像，
S2、对所述原始的OCT血管图像，进行预处理；所述预处理包括对原始的OCT血管图像进行滤波，检测OCT血管图像中导管所在区域，并将导管所在区域的像素从原始的OCT血管图像中删除；
S3、对所述的预处理后的OCT血管图像进行二值化，并对二值化后的OCT血管图像进行数学形态学上的开运算和闭运算，实现血管组织与图像背景的分割；
S4、扫描经过预处理后的OCT血管图像的每条A-line，提取每条A-line上数值为1的区域，并记录每段区域的长度，将长度最长的区域的起始位置作为血管壁内轮廓点，提取初始的血管壁内轮廓；
S5、利用梯度和曲率对初始的血管壁内轮廓进行修正，消除异常点之后，提取出的极坐标系下的血管壁内轮廓线转化到笛卡尔坐标下，获得最终的血管壁内轮廓。
在上述任意一项实施例中优选的，在S3中，所述对预处理后的OCT血管图像进行二值化，包括采用最大类间方差法进行二值化，对血管组织与图像背景进行分割。
在上述任意一项实施例中优选的，在S3中所述对二值化后的OCT血管图像进行数学形态学上的开运算和闭运算，包括以下步骤：
S301，对所述的二值化后的OCT血管图像进行数学形态学上的开运算，消除杂散噪声或细微结构的影响；
S302，对所述的开运算后的图像进行数学形态学上的闭运算，填充血管组织内细小的空洞，消除由于血管组织结构的不均匀性造成的影响；
S303，在闭运算之后再次进行开运算，消除剩余的噪声。
在上述任意一项实施例中优选的，在S4中，所述将长度最长的区域的起始位置作为血管壁内轮廓点，提取初始的血管壁内轮廓，包括如下步骤：
S401、根据长度最长的区域的起始位置，形成的血管壁内轮廓点，检测血管分割区域中断开的位置，并将其保存。
S402、对断开的位置进行判定，如果断开位置在OCT血管图像的首端和末端，则对图像进行循环移位，保证图像的首段和末端有值；
若断开位置在OCT血管图像的中部，则对断开的位置处进行插值。
在上述任意一项实施例中优选的，在S5中，所述利用梯度和曲率对初始的血管壁内轮廓进行修正，消除异常点，包括如下步骤：
S501、按照如下公式计算初始的血管壁内轮廓的梯度值，形成梯度曲线；
其中，
为梯度值，
为采样点x处对应的坐标值；
S502、寻找满足条件的波峰波谷；
S503、将相邻波峰波谷间的曲线段置零并插值；
S504、计算血管壁内轮廓曲线的曲率；
S505、将曲率满足条件的曲线段置零并插值；
S506、得到极坐标系下的血管壁内轮廓点。
本发明还提供一种基于OCT图像的血管壁内轮廓自动提取系统，包括数据获取模块、预处理模块、图像分割模块、血管壁内轮廓提取模块、修正转换模块；
数据获取模块，用于获取极坐标环境下的原始的OCT血管图像，
预处理模块，用于对所述原始的OCT血管图像，进行预处理；所述预处理包括对原始的OCT血管图像进行滤波，检测OCT血管图像中导管所在区域，并将导管所在区域的像素从原始的OCT血管图像中删除；
图像分割模块，用于对所述的预处理后的OCT血管图像进行二值化，并对二值化后的OCT血管图像进行数学形态学上的开运算和闭运算，实现血管组织与图像背景的分割；
血管壁内轮廓提取模块，扫描经过预处理后的OCT血管图像的每条A-line，提取每条A-line上数值为1的区域，并记录每段区域的长度，将长度最长的区域的起始位置作为血管壁内轮廓点，提取初始的血管壁内轮廓；
修正转换模块，利用梯度和曲率对初始的血管壁内轮廓进行修正，消除异常点之后，提取出的极坐标系下的血管壁内轮廓线转化到笛卡尔坐标下，获得最终的血管壁内轮廓。
在上述任意一项实施例中优选的，所述图像分割模块，对预处理后的OCT血管图像进行二值化，包括采用最大类间方差法进行二值化，对血管组织与图像背景进行分割。
在上述任意一项实施例中优选的，所述图像分割模块对二值化后的OCT血管图像进行数学形态学上的开运算和闭运算时，包括：
对所述的二值化后的OCT血管图像进行数学形态学上的开运算，消除杂散噪声或细微结构的影响；
对所述的开运算后的图像进行数学形态学上的闭运算，填充血管组织内细小的空洞，消除由于血管组织结构的不均匀性造成的影响；
在闭运算之后再次进行开运算，消除剩余的噪声。
在上述任意一项实施例中优选的，所述血管壁内轮廓提取模块，提取初始的血管壁内轮廓时，包括执行以下操作：
根据长度最长的区域的起始位置，形成的血管壁内轮廓点，检测血管分割区域中断开的位置，并将其保存；
对断开的位置进行判定，如果断开位置在OCT血管图像的首端和末端，则对图像进行循环移位，保证图像的首段和末端有值；若断开位置在OCT血管图像的中部，则对断开的位置处进行插值。
在上述任意一项实施例中优选的，所述修正转换模块利用梯度和曲率对初始的血管壁内轮廓进行修正时，包括：
计算初始的血管壁内轮廓的梯度值；寻找满足条件的波峰波谷；
将相邻波峰波谷间的曲线段置零并插值；计算血管壁内轮廓曲线的曲率；将曲率满足条件的曲线段置零并插值；得到极坐标系下的血管壁内轮廓点。
本申请公开的基于OCT图像的血管壁内轮廓自动提取方法及系统，通过对OCT血管图像进行二值化之后再进行数学形态学上的开运算和闭运算，实现血管组织分割后再根据OCT血管图像的A-line数值，进行血管壁内轮廓提取，减小了图像噪音对血管轮廓提取的影响，降低了运算次数，提高了算法的鲁棒性。
附图说明
图1为本发明的基于OCT图像的血管壁内轮廓自动提取方法流程示意图；
图2为原始的OCT血管图像；
图3为经过预处理后的血管图像；
图4(a)为二值化及数学形态学的方法流程示意图；
图4(b)为经过二值化及数学形态学后的血管图像；
图5为提取初步的血管壁内轮廓的方法流程示意图；
图6为利用梯度和曲率对内轮廓曲线修正的方法流程示意图；
图7为提取的血管壁内轮廓的结果示意图；
图8为本发明对不同血管提取内轮廓的结果示意图；
图9为本发明基于OCT图像的血管壁内轮廓自动提取系统的示意图。
具体实施方式
以下通过附图和具体实施方式对本发明作进一步的详细说明。
如图1所示，本发明一方面实施例提供的基于OCT图像的血管壁内轮廓自动提取方法，包括如下步骤：
S1、获取极坐标环境下的原始的OCT血管图像，
S2、对所述原始的OCT血管图像，进行预处理；所述预处理包括对原始的OCT血管图像进行滤波，检测OCT血管图像中导管所在区域，并将导管所在区域的像素从原始的OCT血管图像中删除；
S3、对所述的预处理后的OCT血管图像进行二值化，并对二值化后的OCT血管图像进行数学形态学上的开运算和闭运算，实现血管组织与图像背景的分割；
S4、扫描经过预处理后的OCT血管图像的每条A-line，提取每条A-line上数值为1的区域，并记录每段区域的长度，将长度最长的区域的起始位置作为血管壁内轮廓点，提取初始的血管壁内轮廓；
S5、利用梯度和曲率对初始的血管壁内轮廓进行修正，消除异常点之后，提取出的极坐标系下的血管壁内轮廓线转化到笛卡尔坐标下，获得最终的血管壁内轮廓。
需要说明的是，在步骤S1中，获取原始OCT血管图像时，原始OCT血管图像的获取是从光学相干断层成像系统中实时采集的数据或者读取事先采集并保存好的数据，此时的血管图像是基于ρ轴和θ轴定义的极坐标下的图像。ρ轴为径向采样，代表每条A-line的采样点数，θ轴为扫描角度的采样，代表A-line的线数。在本实施案例中，读取的原始OCT血管图像的大小为1000线×512点，如图2所示。
在一个具体实施例中，一个图像预处理过程中，由于导管成像比较亮，与血管组织特征相似，会对血管壁内轮廓提取造成影响。因此，需要检测所述的OCT图像中导管所在的区域，并将导管所在的区域从原图像中去除。
由于导管成像在整个OCT血管图像中的位置和大小是固定的，故可以设定一个固定阈值消除导管的影响。在本实施案例中，阈值可设置为80，则将原始OCT图像中ρ值小于80的图像直接切除，从而消除导管带来的影响，处理后的图像大小变成了1000×432。通过此过程，不仅消除了导管的影响，并且减小了图像的尺寸，从而在不影响血管壁内轮廓提取的前提下提高了算法的运行效率。
OCT成像系统在获取血管图像的过程中会受到噪声的污染，尤其因为生物组织光学特性的不同产生了较多的散斑噪声。为了得到高保真的图像，尽可能的还原组织信息的真实结构，保证后期算法的稳定性，必须对获取的OCT 图像作去噪处理。通过对各种滤波算法的研究和验证，考虑到噪声的去除和边缘的保留，在本实施案例中，滤波器优选3*3大小的中值滤波器，经过预处理后的图像如图3所示。
在S3中，所述对预处理后的OCT血管图像进行二值化，包括采用最大类间方差法进行二值化，对血管组织与图像背景进行分割。二值化的方法主要分为两类，一类是固定阈值的方法，一类是自适应阈值的方法。在本实施案例中，采取的是最大类间方差法(OTSU)对图像进行二值化操作，实现血管组织与图像背景的自动分割。该方法属于自适应阈值的方法，保证错分的概率最小。
由于管腔内有一些杂散的噪声以及血管组织结构的不均匀性，使得二值化后的图像不能直接用于血管壁内轮廓的提取。因此，需要对二值化后的图像进行数学形态学上的重建。
在S3中所述对二值化后的OCT血管图像进行数学形态学上的开运算和闭运算，包括以下步骤： 参照图4(a)
S301，对所述的二值化后的OCT血管图像进行数学形态学上的开运算，消除杂散噪声或细微结构的影响；
S302，对所述的开运算后的图像进行数学形态学上的闭运算，填充血管组织内细小的空洞，消除由于血管组织结构的不均匀性造成的影响；
S303，在闭运算之后再次进行开运算，消除剩余的噪声。从而使得处理后的图像边界更加光滑和明显。此过程中对应的处理后的血管图像如图4(b)所示。
在S4中，所述将长度最长的区域的起始位置作为血管壁内轮廓点，提取初始的血管壁内轮廓，包括如下步骤：
S401、根据长度最长的区域的起始位置，形成的血管壁内轮廓点，检测血管分割区域中断开的位置，并将其保存。
S402、对断开的位置进行判定，如果断开位置在OCT血管图像的首端和末端，则对图像进行循环移位，保证图像的首段和末端有值；
若断开位置在OCT血管图像的中部，则对断开的位置处进行插值。
在S5中，所述利用梯度和曲率对初始的血管壁内轮廓进行修正，消除异常点，包括如下步骤：
S501、按照如下公式计算初始的血管壁内轮廓的梯度值；
其中，
为梯度值，
为采样点x处对应的坐标值；
S502、寻找满足条件的波峰波谷，在本实施案例中，将波峰波谷的绝对值小于50，以及相邻的波峰波谷之间的距离小于200的对应的初始内轮廓曲线段置零(阈值可根据实际情况调整)。
S503、将相邻波峰波谷间的曲线段置零并插值，再利用Hermite算法对置零段的曲线段插值。
S504、按照如下公式计算血管壁内轮廓曲线的曲率：
其中，
S505、将曲率满足条件的曲线段置零并插值；将曲率大于0.3的点及其左右邻域50个点的内轮廓曲线段置零(阈值可根据实际情况调整)，并且利用Hermite算法对置零段的曲线插值。
S506、得到极坐标系下的血管壁内轮廓点。
坐标转化，利用式(4)将原始OCT血管图像以及提取的极坐标系下的血管壁内轮廓
线转化到笛卡尔坐标下。在本实施案例中，笛卡尔坐标下的OCT血管图像的中心为
，图像的大小为
。
通过以上的步骤便可自动提取OCT图像的血管壁内轮廓，提取的结果如图7所示。通过对其他血管轮廓进行提取，均获得较好的提取效果，本发明提出的一种基于OCT图像的血管壁内轮廓自动提取的方法适用于不同的复杂情况下的血管壁内轮廓的自动提取。
本发明还提供一种基于OCT图像的血管壁内轮廓自动提取系统，用于实施上述方法实施例，包括数据获取模块、预处理模块、图像分割模块、血管壁内轮廓提取模块、修正转换模块；
数据获取模块，用于获取极坐标环境下的原始的OCT血管图像；
预处理模块，用于对所述原始的OCT血管图像，进行预处理；所述预处理包括对原始的OCT血管图像进行滤波，检测OCT血管图像中导管所在区域，并将导管所在区域的像素从原始的OCT血管图像中删除；
图像分割模块，用于对所述的预处理后的OCT血管图像进行二值化，并对二值化后的OCT血管图像进行数学形态学上的开运算和闭运算，实现血管组织与图像背景的分割；
血管壁内轮廓提取模块，扫描经过预处理后的OCT血管图像的每条A-line，提取每条A-line上数值为1的区域，并记录每段区域的长度，将长度最长的区域的起始位置作为血管壁内轮廓点，提取初始的血管壁内轮廓；
修正转换模块，利用梯度和曲率对初始的血管壁内轮廓进行修正，消除异常点之后，提取出的极坐标系下的血管壁内轮廓线转化到笛卡尔坐标下，获得最终的血管壁内轮廓。
获取原始OCT血管图像时，原始OCT血管图像的获取是从光学相干断层成像系统中实时采集的数据或者读取事先采集并保存好的数据，此时的血管图像是基于ρ轴和θ轴定义的极坐标下的图像。ρ轴为径向采样，代表每条A-line的采样点数，θ轴为扫描角度的采样，代表A-line的线数。在本实施案例中，读取的原始OCT血管图像的大小为1000线×512点，如图2所示。
预处理模块在进行图像预处理过程中，由于导管成像比较亮，与血管组织特征相似，会对血管壁内轮廓提取造成影响。因此，需要检测所述的OCT图像中导管所在的区域，并将导管所在的区域从原图像中去除。
由于导管成像在整个OCT血管图像中的位置和大小是固定的，故可以设定一个固定阈值消除导管的影响。在本实施案例中，阈值可设置为80，则将原始OCT图像中ρ值小于80的图像直接切除，从而消除导管带来的影响，处理后的图像大小变成了1000×432。通过此过程，不仅消除了导管的影响，并且减小了图像的尺寸，从而在不影响血管壁内轮廓提取的前提下提高了算法的运行效率。
OCT成像系统在获取血管图像的过程中会受到噪声的污染，尤其因为生物组织光学特性的不同产生了较多的散斑噪声。为了得到高保真的图像，尽可能的还原组织信息的真实结构，保证后期算法的稳定性，必须对获取的OCT 图像作去噪处理。通过对各种滤波算法的研究和验证，考虑到噪声的去除和边缘的保留，在本实施案例中，滤波器优选3*3大小的中值滤波器，经过预处理后的图像如图3所示。
所述图像分割模块，对预处理后的OCT血管图像进行二值化，包括采用最大类间方差法进行二值化，对血管组织与图像背景进行分割。，所述对预处理后的OCT血管图像进行二值化，包括采用最大类间方差法进行二值化，对血管组织与图像背景进行分割。二值化的方法主要分为两类，一类是固定阈值的方法，一类是自适应阈值的方法。在本实施案例中，采取的是最大类间方差法(OTSU)对图像进行二值化操作，实现血管组织与图像背景的自动分割。该方法属于自适应阈值的方法，保证错分的概率最小。
由于管腔内有一些杂散的噪声以及血管组织结构的不均匀性，使得二值化后的图像不能直接用于血管壁内轮廓的提取。因此，需要对二值化后的图像进行数学形态学上的重建。
所述图像分割模块对二值化后的OCT血管图像进行数学形态学上的开运算和闭运算时，参照图4(a)包括：
对所述的二值化后的OCT血管图像进行数学形态学上的开运算，消除杂散噪声或细微结构的影响；
对所述的开运算后的图像进行数学形态学上的闭运算，填充血管组织内细小的空洞，消除由于血管组织结构的不均匀性造成的影响；
在闭运算之后再次进行开运算，消除剩余的噪声。
所述血管壁内轮廓提取模块，提取初始的血管壁内轮廓时，包括执行以下操作：
根据长度最长的区域的起始位置，形成的血管壁内轮廓点，检测血管分割区域中断开的位置，并将其保存；
对断开的位置进行判定，如果断开位置在OCT血管图像的首端和末端，则对图像进行循环移位，保证图像的首段和末端有值；若断开位置在OCT血管图像的中部，则对断开的位置处进行插值。
所述修正转换模块利用梯度和曲率对初始的血管壁内轮廓进行修正时，包括：
计算初始的血管壁内轮廓的梯度值按照上述（公式1）计算梯度；寻找满足条件的波峰波谷；在本实施案例中，将波峰波谷的绝对值小于50，以及相邻的波峰波谷之间的距离小于200的对应的初始内轮廓曲线段置零(阈值可根据实际情况调整)。
将相邻波峰波谷间的曲线段置零并插值；具体为利用Hermite算法对置零段的曲线段插值。
计算血管壁内轮廓曲线的曲率；具体为按照公式2计算曲率。
将曲率满足条件的曲线段置零并插值；将曲率大于0.3的点及其左右邻域50个点的内轮廓曲线段置零(阈值可根据实际情况调整)，并且利用Hermite算法对置零段的曲线插值。
得到极坐标系下的血管壁内轮廓点。
最后按照公式4所示的计算方法，进行坐标转化。
通过以上的操作，便可自动提取OCT图像的血管壁内轮廓，提取的结果如图7所示。通过对其他血管轮廓进行提取，均获得较好的提取效果如图8所示，本发明提出的一种基于OCT图像的血管壁内轮廓自动提取的方法适用于不同的复杂情况下的血管壁内轮廓的自动提取。
本申请公开的基于OCT图像的血管壁内轮廓自动提取方法及系统，通过对OCT血管图像进行二值化之后再进行数学形态学上的开运算和闭运算，实现血管组织分割后再根据OCT血管图像的A-line数值，进行血管壁内轮廓提取，减小了图像噪音对血管轮廓提取的影响，降低了运算次数，提高了算法的鲁棒性 。
显然，上述实施例仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (8)
1.一种基于OCT图像的血管壁内轮廓自动提取方法，其特征在于，包括如下步骤：
S1、获取极坐标环境下的原始的OCT血管图像；
S2、对所述原始的OCT血管图像，进行预处理；所述预处理包括对原始的OCT血管图像进行滤波，检测OCT血管图像中导管所在区域，并将导管所在区域的像素从原始的OCT血管图像中删除；
S3、对所述的预处理后的OCT血管图像进行二值化，并对二值化后的OCT血管图像进行数学形态学上的开运算和闭运算，实现血管组织与图像背景的分割；
S4、扫描经过预处理后的OCT血管图像的每条A-line，提取每条A-line上数值为1的区域，并记录每段区域的长度，将长度最长的区域的起始位置作为血管壁内轮廓点，提取初始的血管壁内轮廓；
S5、利用梯度和曲率采用如下步骤：对初始的血管壁内轮廓进行修正，消除异常点；
S501、按照如下公式计算初始的血管壁内轮廓的梯度值，形成梯度曲线；
其中，
为梯度值，
为采样点x处对应的坐标值；
S502、寻找满足条件的波峰波谷；
S503、将相邻波峰波谷间的曲线段置零并利用Hermite算法对置零段的曲线段插值；
S504、按照如下公式计算血管壁内轮廓曲线的曲率：
其中，
；
为梯度值，
为采样点x处对应的坐标值；
S505、将曲率满足条件的曲线段置零并插值；
S506、得到极坐标系下的血管壁内轮廓点；
最后将提取出的极坐标系下的血管壁内轮廓线转化到笛卡尔坐标下，获得最终的血管壁内轮廓。
2.根据权利要求1所述的基于OCT图像的血管壁内轮廓自动提取方法，其特征在于，在S3中，对所述的预处理后的OCT血管图像进行二值化，包括采用最大类间方差法进行二值化，对血管组织与图像背景进行分割。
3.根据权利要求1所述的基于OCT图像的血管壁内轮廓自动提取方法，其特征在于，在S3中,所述对二值化后的OCT血管图像进行数学形态学上的开运算和闭运算，包括以下步骤：
S301，对所述的二值化后的OCT血管图像进行数学形态学上的开运算，消除杂散噪声或细微结构的影响；
S302，对所述的开运算后的图像进行数学形态学上的闭运算，填充血管组织内细小的空洞，消除由于血管组织结构的不均匀性造成的影响；
S303，在闭运算之后再次进行开运算，消除剩余的噪声。
4.根据权利要求1所述的基于OCT图像的血管壁内轮廓自动提取方法，其特征在于，在S4中，所述将长度最长的区域的起始位置作为血管壁内轮廓点，提取初始的血管壁内轮廓，包括如下步骤：
S401、根据长度最长的区域的起始位置，形成的血管壁内轮廓点，检测血管分割区域中断开的位置，并将其保存；
S402、对断开的位置进行判定，如果断开位置在OCT血管图像的首端和末端，则对图像进行循环移位，保证图像的首段和末端有值；
若断开位置在OCT血管图像的中部，则对断开的位置处进行插值。
5.一种基于OCT图像的血管壁内轮廓自动提取系统，其特征在于，包括数据获取模块、预处理模块、图像分割模块、血管壁内轮廓提取模块、修正转换模块；
数据获取模块，用于获取极坐标环境下的原始的OCT血管图像，
预处理模块，用于对所述原始的OCT血管图像，进行预处理；所述预处理包括对原始的OCT血管图像进行滤波，检测OCT血管图像中导管所在区域，并将导管所在区域的像素从原始的OCT血管图像中删除；
图像分割模块，用于对所述的预处理后的OCT血管图像进行二值化，并对二值化后的OCT血管图像进行数学形态学上的开运算和闭运算，实现血管组织与图像背景的分割；
血管壁内轮廓提取模块，扫描经过预处理后的OCT血管图像的每条A-line，提取每条A-line上数值为1的区域，并记录每段区域的长度，将长度最长的区域的起始位置作为血管壁内轮廓点，提取初始的血管壁内轮廓；
修正转换模块，利用梯度和曲率对初始的血管壁内轮廓进行修正，消除异常点，
对初始的血管壁内轮廓进行修正的过程包括：按照如下公式计算初始的血管壁内轮廓的梯度值，形成梯度曲线；
其中，
为梯度值，
为采样点x处对应的坐标值；
寻找满足条件的波峰波谷；将相邻波峰波谷间的曲线段置零并利用Hermite算法对置零段的曲线段插值；
按照如下公式计算血管壁内轮廓曲线的曲率：
其中，
；
为梯度值，
为采样点x处对应的坐标值；将曲率满足条件的曲线段置零并插值；得到极坐标系下的血管壁内轮廓点；
提取出的极坐标系下的血管壁内轮廓线转化到笛卡尔坐标下，获得最终的血管壁内轮廓。
6.根据权利要求5所述的一种基于OCT图像的血管壁内轮廓自动提取系统，其特征在于，所述图像分割模块，对预处理后的OCT血管图像进行二值化，包括采用最大类间方差法进行二值化，对血管组织与图像背景进行分割。
7.根据权利要求5所述的一种基于OCT图像的血管壁内轮廓自动提取系统，其特征在于，所述图像分割模块对二值化后的OCT血管图像进行数学形态学上的开运算和闭运算时，包括：
对所述的二值化后的OCT血管图像进行数学形态学上的开运算，消除杂散噪声或细微结构的影响；
对所述的开运算后的图像进行数学形态学上的闭运算，填充血管组织内细小的空洞，消除由于血管组织结构的不均匀性造成的影响；
在闭运算之后再次进行开运算，消除剩余的噪声。
8.根据权利要求5所述的一种基于OCT图像的血管壁内轮廓自动提取系统，其特征在于，所述血管壁内轮廓提取模块，提取初始的血管壁内轮廓时，包括执行以下操作：
根据长度最长的区域的起始位置，形成的血管壁内轮廓点，检测血管分割区域中断开的位置，并将其保存；
对断开的位置进行判定，如果断开位置在OCT血管图像的首端和末端，则对图像进行循环移位，保证图像的首段和末端有值；若断开位置在OCT血管图像的中部，则对断开的位置处进行插值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210732203.4A CN114820678B (zh) | 2022-06-27 | 2022-06-27 | 基于oct图像的血管壁内轮廓自动提取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210732203.4A CN114820678B (zh) | 2022-06-27 | 2022-06-27 | 基于oct图像的血管壁内轮廓自动提取方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114820678A CN114820678A (zh) | 2022-07-29 |
| CN114820678B true CN114820678B (zh) | 2022-09-16 |
Family
ID=82522129
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210732203.4A Active CN114820678B (zh) | 2022-06-27 | 2022-06-27 | 基于oct图像的血管壁内轮廓自动提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114820678B (zh) |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014100530A1 (en) * | 2012-12-21 | 2014-06-26 | Whiseant Chester | System and method for catheter steering and operation |
| CN104966288B (zh) * | 2015-06-11 | 2017-09-26 | 南京沃福曼医疗科技有限公司 | 一种基于图像处理的血管内壁自动寻找方法 |
| CN105825488B (zh) * | 2016-05-30 | 2018-08-21 | 天津大学 | 一种心血管内光学相干层析图像增强方法 |
| CN108109149A (zh) * | 2017-12-14 | 2018-06-01 | 河北大学 | 一种冠状动脉oct图像自动分割方法 |
| CN110717888B (zh) * | 2019-09-06 | 2021-03-12 | 天津大学 | 一种血管内光学相干层析成像血管壁内轮廓自动识别方法 |
| CN112308874B (zh) * | 2020-11-19 | 2022-04-15 | 天津大学 | 基于管壁连通域唯一性的iv-oct血管轮廓识别方法 |
| CN113470137B (zh) * | 2021-06-30 | 2022-04-29 | 天津大学 | 基于灰度加权的ivoct图像导丝伪影去除方法 |
| CN113516644B (zh) * | 2021-07-13 | 2022-04-01 | 天津大学 | 一种血管内光学相干层析成像分支血管识别方法 |
-
2022
- 2022-06-27 CN CN202210732203.4A patent/CN114820678B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114820678A (zh) | 2022-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110717888B (zh) | 一种血管内光学相干层析成像血管壁内轮廓自动识别方法 | |
| CN107133959B (zh) | 一种快速的血管边界三维分割方法及系统 | |
| CN113470137B (zh) | 基于灰度加权的ivoct图像导丝伪影去除方法 | |
| CN116109663B (zh) | 基于多阈值分割的胃部ct影像分割方法 | |
| CN111667467B (zh) | 基于聚类算法的下肢血管钙化指数多参数累积计算方法 | |
| CN107909590B (zh) | 一种基于Snake改进算法的IVUS图像外膜边缘分割方法 | |
| CN113643354B (zh) | 基于增强分辨率的眼底图像的血管管径的测量装置 | |
| CN116236150A (zh) | 基于眼底图像的动静脉血管图像分割方法 | |
| CN117422628B (zh) | 一种心脏血管超声检查数据优化增强方法 | |
| CN109754388B (zh) | 一种颈动脉狭窄程度计算方法、装置及存储介质 | |
| CN114820600B (zh) | 基于oct图像的冠脉血管内支架检测方法及检测系统 | |
| CN114693710A (zh) | 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质 | |
| CN111105427B (zh) | 一种基于连通区域分析的肺部图像分割方法及系统 | |
| CN117649357B (zh) | 一种基于图像增强的超声图像处理方法 | |
| CN113516644B (zh) | 一种血管内光学相干层析成像分支血管识别方法 | |
| WO2022071264A1 (ja) | プログラム、モデル生成方法、情報処理装置及び情報処理方法 | |
| Yılmaz et al. | Follicle detection for polycystic ovary syndrome by using image processing methods | |
| Loizou et al. | Segmentation of atherosclerotic carotid plaque in ultrasound video | |
| CN114820678B (zh) | 基于oct图像的血管壁内轮廓自动提取方法及系统 | |
| CN112651984A (zh) | 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质 | |
| CN111899272A (zh) | 基于耦合神经网络和线连接器的眼底图像血管分割方法 | |
| CN109919098B (zh) | 目标对象的识别方法和装置 | |
| CN111292285B (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
| CN115861132A (zh) | 一种血管图像校正方法、装置、介质及设备 | |
| CN109741305B (zh) | 一种胶囊内窥镜成像损坏图像的检测方法 |
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 |