專利名稱：基于圖像的血管內(nèi)中膜厚度自動提取方法及系統(tǒng)的制作方法
基于圖像的血管內(nèi)中膜厚度自動提取方法及系統(tǒng)
技術(shù)領(lǐng)域：
本發(fā)明涉及生物醫(yī)學圖像處理領(lǐng)域，特別涉及基于圖像的血管內(nèi)中膜厚度自動提取方法及系統(tǒng)。
背景技術(shù)：
心腦血管疾病已成為人類健康的頭號殺手，動脈粥硬化及其并發(fā)癥是導致心腦血管疾病的主要機制。血管內(nèi)中膜厚度(Intima-Media Thickness, IMT)是臨床診斷中衡量動脈粥樣硬化程度的最主要的指標。血管內(nèi)中膜厚度是指血管壁遠端內(nèi)腔-內(nèi)膜和中膜-外膜之間的距離，隨著年齡的增長和動脈粥樣硬化病變，血管會發(fā)生器質(zhì)性變化，內(nèi)中膜厚度增加。為了方便獲知血管內(nèi)中膜厚度，常通過超聲檢查進行拍攝圖像。傳統(tǒng)的測量血管內(nèi)中膜厚度的方法是通過手動標記，根據(jù)經(jīng)驗，在拍攝的超聲圖像中的血管腔-內(nèi)膜和中膜-外膜的邊界上分別標記兩點，其間的距離作為IMT的值。因IMT的值并不是均勻的，且生物組織的分解并不是絕對的，故血管內(nèi)中膜厚度很大程度取決于操作者的經(jīng)驗，存在較大的不穩(wěn)定和個體間差異。為此，研究者提出了使用圖像分割的方法自動提取血管內(nèi)中膜厚度，但因超聲圖像分辨率低，并伴隨有嚴重的斑點噪聲和偽影，使得自動提取存在較大困難。

發(fā)明內(nèi)容基于此，有必要提供一種能降低噪聲影響且操作方便的基于圖像的血管內(nèi)中膜厚度自動提取方法。一種基于圖像的血管內(nèi)中膜厚度自動提取方法，包括以下步驟獲取血管超聲圖像，并從血管超聲圖像中選取感興趣區(qū)域；采用基于非均勻B樣條的經(jīng)驗?zāi)B(tài)分解算法對所述感興趣區(qū)域去噪；通過K均值聚類法對所述去噪后的感興趣區(qū)域中的像素點基于像素灰度進行分類，以分離出血管腔、血管壁外膜和感興趣區(qū)域中除血管腔、血管壁外膜外的其它區(qū)域三部分；通過數(shù)學形態(tài)學從所述分離出的感興趣區(qū)域中除血管腔、血管壁外膜外的其他區(qū)域部分提取血管內(nèi)中膜厚度。優(yōu)選地，所述采用基于非均勻B樣條的經(jīng)驗?zāi)B(tài)分解算法對所述感興趣區(qū)域去噪的步驟具體包括以下步驟提取所述感興趣區(qū)域中的局部的極大值點和局部的極小值點；通過非均勻B樣條曲面擬合法分別對極大值點和極小值點進行插值擬合，得到對所述感興趣區(qū)域的上包絡(luò)曲面和下包絡(luò)曲面，計算所述上包絡(luò)曲面和下包絡(luò)曲面的均值得到所述經(jīng)驗?zāi)B(tài)分解算法的第一尺度分解的殘差信號，即為去噪后的感興趣區(qū)域。優(yōu)選地，在提取所述感興趣區(qū)域中的局部的極大值點和局部的極小值點的步驟之后還包括步驟在所述感興趣區(qū)域的血管壁縱向上設(shè)置稠密網(wǎng)格和血管壁切向上設(shè)置稀疏網(wǎng)格；根據(jù)所述稠密網(wǎng)格和稀疏網(wǎng)格通過所述非均勻B樣條曲面擬合法分別對極大值點和極小值點進行插值擬合。優(yōu)選地，在所述采用基于非均勻B樣條的經(jīng)驗?zāi)B(tài)分解算法對所述感興趣區(qū)域去噪的步驟之前還包括步驟采用高斯濾波器對所述感興趣區(qū)域初步去噪。優(yōu)選地，所述通過K均值聚類法對所述去噪后的感興趣區(qū)域中的像素點基于像素灰度進行分類，以分離出血管腔、血管壁外膜和感興趣區(qū)域中除血管腔、血管壁外膜外的其它區(qū)域三部分的步驟具體為以代表亮、灰、暗的三類像素灰度的灰度值組成的特征向量，將其設(shè)置為聚類中心初始值；根據(jù)所述聚類中心初始值將所述感興趣區(qū)域分離為第一區(qū)、第二區(qū)和第三區(qū)，所述第一區(qū)對應(yīng)血管腔部分，所述第二區(qū)對應(yīng)血管壁外膜部分，所述第三區(qū)對應(yīng)感興趣區(qū)域中除血管腔、血管壁外膜外的其它區(qū)域部分。優(yōu)選地，從所述分離出的感興趣區(qū)域中除血管腔、血管壁外膜外的其他區(qū)域部分通過數(shù)學形態(tài)學提取血管內(nèi)中膜厚度的步驟具體為預先設(shè)置形態(tài)半徑分別為第一可變參數(shù)和第二可變參數(shù)；提取血管壁外膜，將該部分作為蒙板從該感興趣區(qū)域剔除，然后將感興趣區(qū)域中除血管腔、血管壁外膜外的其他區(qū)域部分作為前景，分別以形態(tài)半徑為第一可變參數(shù)和第二可變參數(shù)進行分割操作，得到血管內(nèi)中膜區(qū)域分割結(jié)果，測量所述分割結(jié)果得到所述血管內(nèi)中膜厚度。此外，還有必要提供一種能降低噪聲影響且操作方便的基于圖像的血管內(nèi)中膜厚度自動提取系統(tǒng)。一種基于圖像的血管內(nèi)中膜厚度自動提取系統(tǒng)，包括圖像獲取模塊，用于獲取血管超聲圖像，并從血管超聲圖像中選取感興趣區(qū)域；去噪處理模塊，用于采用基于非均勻B樣條的經(jīng)驗?zāi)B(tài)分解算法對所述感興趣區(qū)域去噪；分離模塊，用于通過K均值聚類法對所述去噪后的感興趣區(qū)域中的像素點基于像素灰度進行分類，以分離出血管腔、血管壁外膜和感興趣區(qū)域中除血管腔、血管壁外膜外的其它區(qū)域三部分；提取模塊，用于通過數(shù)學形態(tài)學從所述分離出的感興趣區(qū)域中除血管腔、血管壁外膜外的其他區(qū)域部分提取血管內(nèi)中膜厚度。優(yōu)選地，所述去噪處理模塊還用于提取所述感興趣區(qū)域中的局部的極大值點和局部的極小值點，通過非均勻B樣條曲面擬合法分別對極大值點和極小值點進行插值擬合， 得到對所述感興趣區(qū)域的上包絡(luò)曲面和下包絡(luò)曲面，計算所述上包絡(luò)曲面和下包絡(luò)曲面的均值得到所述經(jīng)驗?zāi)B(tài)分解算法的第一尺度分解的殘差信號，即為去噪后的感興趣區(qū)域。優(yōu)選地，所述去噪處理模塊還用于在所述感興趣區(qū)域的血管壁縱向上設(shè)置稠密網(wǎng)格和血管壁切向上設(shè)置稀疏網(wǎng)格，再根據(jù)所述網(wǎng)格通過所述非均勻B樣條曲面擬合法分別對極大值點和極小值點進行插值擬合。優(yōu)選地，還包括高斯濾波器，所述高斯濾波器用于對所述感興趣區(qū)域初步去噪。優(yōu)選地，所述分離模塊還用于以代表亮、灰、暗的三類像素灰度的灰度值組成的征向量，將其設(shè)置為聚類中心初始值，并根據(jù)所述聚類中心初始值將所述感興趣區(qū)域分離為第一區(qū)、第二區(qū)和第三區(qū)，所述第一區(qū)對應(yīng)血管腔部分，所述第二區(qū)對應(yīng)血管壁外膜部分， 所述第三區(qū)對應(yīng)感興趣區(qū)域中除血管腔、血管壁外膜外的其它區(qū)域部分。優(yōu)選地，所述提取模塊還用于預先設(shè)置形態(tài)半徑分別為第一可變參數(shù)和第二可變參數(shù)，并提取血管壁外膜，將該部分作為蒙板從該感興趣區(qū)域剔除，然后將感興趣區(qū)域中除血管腔、血管壁外膜外的其他區(qū)域部分作為前景，分別以形態(tài)半徑為第一可變參數(shù)和第二可變參數(shù)進行分割操作，得到血管內(nèi)中膜區(qū)域分割結(jié)果，測量所述分割結(jié)果得到所述血管內(nèi)中膜厚度。上述基于圖像的血管內(nèi)中膜厚度自動提取方法及系統(tǒng)，對選取的感興趣區(qū)域采用基于非均勻B樣條的經(jīng)驗?zāi)B(tài)分解算法去噪后，能降低噪聲影響，通過K均值聚類法對感興趣區(qū)域的像素點基于像素灰度進行分類，以分離感興趣區(qū)域，從分離的感興趣區(qū)域中除血管腔、血管壁外膜外的其他區(qū)域部分提取血管內(nèi)中膜厚度，與手動標記相比，操作方便，且更加準確，因K均值聚類法僅使用灰度進行分類，計算簡單，基于非均勻B樣條的經(jīng)驗?zāi)B(tài)分解算法在有效去噪的同時保留了血管的細節(jié)和邊緣信息。

圖1為一個實施例中基于圖像的血管內(nèi)中膜厚度自動提取方法的流程圖；圖2為頸動脈超聲圖像中選取的感興趣區(qū)域；圖3為采用基于非均勻B樣條的經(jīng)驗?zāi)B(tài)分解算法對該感興趣區(qū)域去噪的具體流程圖；圖4為提取感興趣區(qū)域的局部極大值點示意圖；圖5為EMD算法第一尺度分解的結(jié)果示意圖；圖6A為散亂數(shù)據(jù)點；圖6B為網(wǎng)格8 X 8的擬合結(jié)果；圖6C為網(wǎng)格16 X 16的擬合結(jié)果；圖6D為網(wǎng)格32 X 32的擬合結(jié)果；圖7為K均值聚類的結(jié)果；圖8為數(shù)學形態(tài)學得到的內(nèi)中膜區(qū)域；圖9為最終的分割結(jié)果在感興趣區(qū)域圖像上的標示的示意圖；圖10為用于IMT分割的軟件系統(tǒng)的界面示意圖。圖11為一個實施例中基于圖像的血管內(nèi)中膜厚度自動提取系統(tǒng)的結(jié)構(gòu)示意圖；圖12為另一個實施例中基于圖像的血管內(nèi)中膜厚度自動提取系統(tǒng)的結(jié)構(gòu)示意圖。
具體實施方式
6
下面結(jié)合具體的實施例及附圖對基于圖像的血管內(nèi)中膜厚度自動提取方法及系統(tǒng)進行詳細的描述。如圖1所示，在一個實施例中，一種基于圖像的血管內(nèi)中膜厚度自動提取方法，包括以下步驟步驟S110，獲取血管超聲圖像，并從血管超聲圖像中選取感興趣區(qū)域?？刹捎贸暡ㄌ筋^采集血管圖像，然后從采集的圖像中選取感興趣區(qū)域。該感興趣區(qū)域為血管壁周圍包含血管壁、血管內(nèi)中外膜和血管外部結(jié)構(gòu)的矩形區(qū)域。如圖2所示為頸動脈超聲圖像中選取的感興趣區(qū)域，其中上部黑色背景為血管腔內(nèi)部，中部三個細條狀亮-暗-亮條紋分別為內(nèi)膜、中膜、外膜組織，下部大面積區(qū)域為感興趣區(qū)域中除血管腔、 血管壁外膜外的其它區(qū)域(其它組織)和偽跡。為了測量IMT需分離出血管腔-內(nèi)膜和中膜-外膜兩個邊緣，圖中兩個“ + ”字標志為醫(yī)生手動測量IMT的標記。步驟S120，采用基于非均勻B樣條的經(jīng)驗?zāi)B(tài)分解算法對該感興趣區(qū)域去噪。通過非均勻B樣條的經(jīng)驗?zāi)B(tài)分解算法(Empirical Mode Decomposition，簡稱 EMD)對感興趣區(qū)域的圖像作去噪處理，除去噪聲。如圖3所示，具體包括步驟步驟S121，提取該感興趣區(qū)域中的局部的極大值點和局部的極小值點。通過四鄰域算法或八鄰域算法提取感興趣區(qū)域中的局部的極大值點和局部的極小值點。如圖4所示，圖中亮度為提取的極大值點。將一幅圖像可當成一個離散的二維數(shù)組處理，則篩分局部極值的過程是將該位置的值與其上、下、左、右方向的四鄰域或上、下、左、右、東南、西北、東北、西南方向的八鄰域值進行比較，本實施例中采用四領(lǐng)域算法，設(shè)定的判斷條件為(1)如果中心位置的值大于所有相鄰值，則視該點為局部極大值點；(2)如果中心位置的值小于所有相鄰值，則視該點為局部極小值點；(3)如果中心位置的值小于一部分相鄰的值，同時又大于另一部分相鄰的值，則視為非極值點；(4)如果某點與局部極值點相鄰，且與相鄰的局部極值相等，則把這兩點看作一個區(qū)域，直到該區(qū)域滿足條件(1) (3)或找到該區(qū)域的邊界。步驟S123，通過非均勻B樣條曲面擬合法分別對極大值點和極小值點進行插值擬合，得到對該感興趣區(qū)域的上包絡(luò)曲面和下包絡(luò)曲面，計算該上包絡(luò)曲面和下包絡(luò)曲面的均值得到所述經(jīng)驗?zāi)B(tài)分解算法的第一尺度分解的殘差信號，即為去噪后的感興趣區(qū)域。該非均勻B樣條曲面擬合法即散亂數(shù)據(jù)的B樣條曲面擬合法，通過其對極大值點和極小值點進行插值擬合，得到對該感興趣區(qū)域圖像的上包絡(luò)Imax和下包絡(luò)Imin曲面，再計算兩者的均值I_n= (Imax+Imin)/2，得到EMD的第一尺度分解的殘差信號。通過實驗驗證表明，EMD算法的第一尺度分解的殘差信號能最好的保留血管壁的層次結(jié)構(gòu)和細節(jié)，在平滑性和分辨細節(jié)能力上有較理想的表現(xiàn)，故將此殘差信號作為后續(xù)分割的基礎(chǔ)。圖5為EMD算法第一尺度分解的結(jié)果，可看出相比圖2，保留了結(jié)構(gòu)和邊緣，同時整體平滑了很多。采用B樣條曲面擬合的具體過程是在矩形圖像空間Ω = {(χ, y)|0^x<m, 0 ^ y < η}中，有一些散亂數(shù)據(jù)集P= (x。，y。，z。)，其中，(xc, yc)是Ω中的點。下面通過均勻B樣條函數(shù)逼近函數(shù)f來擬合P所在的曲面。假設(shè)函數(shù)f的網(wǎng)格為Φ，Φu表示Φ在(i，j)位置的值，相應(yīng)的擬合函數(shù)f可表示為
權(quán)利要求
1.一種基于圖像的血管內(nèi)中膜厚度自動提取方法，包括以下步驟獲取血管超聲圖像，并從血管超聲圖像中選取感興趣區(qū)域；采用基于非均勻B樣條的經(jīng)驗?zāi)B(tài)分解算法對所述感興趣區(qū)域去噪；通過K均值聚類法對所述去噪后的感興趣區(qū)域中的像素點基于像素灰度進行分類，以分離出血管腔、血管壁外膜和感興趣區(qū)域中除血管腔、血管壁外膜外的其它區(qū)域三部分；通過數(shù)學形態(tài)學從所述分離出的感興趣區(qū)域中除血管腔、血管壁外膜外的其他區(qū)域部分提取血管內(nèi)中膜厚度。
2.根據(jù)權(quán)利要求1所述的基于圖像的血管內(nèi)中膜厚度自動提取方法，其特征在于，所述采用基于非均勻B樣條的經(jīng)驗?zāi)B(tài)分解算法對所述感興趣區(qū)域去噪的步驟具體包括以下步驟提取所述感興趣區(qū)域中的局部的極大值點和局部的極小值點；通過非均勻B樣條曲面擬合法分別對極大值點和極小值點進行插值擬合，得到對所述感興趣區(qū)域的上包絡(luò)曲面和下包絡(luò)曲面，計算所述上包絡(luò)曲面和下包絡(luò)曲面的均值得到所述經(jīng)驗?zāi)B(tài)分解算法的第一尺度分解的殘差信號，即為去噪后的感興趣區(qū)域。
3.根據(jù)權(quán)利要求2所述的基于圖像的血管內(nèi)中膜厚度自動提取方法，其特征在于，在提取所述感興趣區(qū)域中的局部的極大值點和局部的極小值點的步驟之后還包括步驟在所述感興趣區(qū)域的血管壁縱向上設(shè)置稠密網(wǎng)格和血管壁切向上設(shè)置稀疏網(wǎng)格；根據(jù)所述稠密網(wǎng)格和稀疏網(wǎng)格通過所述非均勻B樣條曲面擬合法分別對極大值點和極小值點進行插值擬合。
4.根據(jù)權(quán)利要求1所述的基于圖像的血管內(nèi)中膜厚度自動提取方法，其特征在于，在所述采用基于非均勻B樣條的經(jīng)驗?zāi)B(tài)分解算法對所述感興趣區(qū)域去噪的步驟之前還包括步驟采用高斯濾波器對所述感興趣區(qū)域初步去噪。
5.根據(jù)權(quán)利要求1所述的基于圖像的血管內(nèi)中膜厚度自動提取方法，其特征在于，通過K均值聚類法對所述去噪后的感興趣區(qū)域中的像素點基于像素灰度進行分類，以分離出血管腔、血管壁外膜和感興趣區(qū)域中除血管腔、血管壁外膜外的其它區(qū)域三部分的步驟具體為以代表亮、灰、暗的三類像素灰度的灰度值組成的特征向量，將其設(shè)置為聚類中心初始值；根據(jù)所述聚類中心初始值將所述感興趣區(qū)域分離為第一區(qū)、第二區(qū)和第三區(qū)，所述第一區(qū)對應(yīng)血管腔部分，所述第二區(qū)對應(yīng)血管壁外膜部分，所述第三區(qū)對應(yīng)感興趣區(qū)域中除血管腔、血管壁外膜外的其它區(qū)域部分。
6.根據(jù)權(quán)利要求1所述的基于圖像的血管內(nèi)中膜厚度自動提取方法，其特征在于，從所述分離出的感興趣區(qū)域中除血管腔、血管壁外膜外的其他區(qū)域部分通過數(shù)學形態(tài)學提取血管內(nèi)中膜厚度的步驟具體為預先設(shè)置形態(tài)半徑分別為第一可變參數(shù)和第二可變參數(shù)；提取血管壁外膜，將該部分作為蒙板從該感興趣區(qū)域剔除，然后將感興趣區(qū)域中除血管腔、血管壁外膜外的其他區(qū)域部分作為前景，分別以形態(tài)半徑為第一可變參數(shù)和第二可變參數(shù)進行分割操作，得到血管內(nèi)中膜區(qū)域分割結(jié)果，測量所述分割結(jié)果得到所述血管內(nèi)中膜厚度。
7.一種基于圖像的血管內(nèi)中膜厚度自動提取系統(tǒng)，其特征在于，包括圖像獲取模塊，用于獲取血管超聲圖像，并從血管超聲圖像中選取感興趣區(qū)域；去噪處理模塊，用于采用基于非均勻B樣條的經(jīng)驗?zāi)B(tài)分解算法對所述感興趣區(qū)域去噪；分離模塊，用于通過K均值聚類法對所述去噪后的感興趣區(qū)域中的像素點基于像素灰度進行分類，以分離出血管腔、血管壁外膜和感興趣區(qū)域中除血管腔、血管壁外膜外的其它區(qū)域三部分；提取模塊，用于通過數(shù)學形態(tài)學從所述分離出的感興趣區(qū)域中除血管腔、血管壁外膜外的其他區(qū)域部分提取血管內(nèi)中膜厚度。
8.根據(jù)權(quán)利要求7所述的基于圖像的血管內(nèi)中膜厚度自動提取系統(tǒng)，其特征在于，所述去噪處理模塊還用于提取所述感興趣區(qū)域中的局部的極大值點和局部的極小值點，通過非均勻B樣條曲面擬合法分別對極大值點和極小值點進行插值擬合，得到對所述感興趣區(qū)域的上包絡(luò)曲面和下包絡(luò)曲面，計算所述上包絡(luò)曲面和下包絡(luò)曲面的均值得到所述經(jīng)驗?zāi)B(tài)分解算法的第一尺度分解的殘差信號，即為去噪后的感興趣區(qū)域。
9.根據(jù)權(quán)利要求8所述的基于圖像的血管內(nèi)中膜厚度自動提取系統(tǒng)，其特征在于，所述去噪處理模塊還用于在所述感興趣區(qū)域的血管壁縱向上設(shè)置稠密網(wǎng)格和血管壁切向上設(shè)置稀疏網(wǎng)格，再根據(jù)所述網(wǎng)格通過所述非均勻B樣條曲面擬合法分別對極大值點和極小值點進行插值擬合。
10.根據(jù)權(quán)利要求7所述的基于圖像的血管內(nèi)中膜厚度自動提取系統(tǒng)，其特征在于，還包括高斯濾波器，所述高斯濾波器用于對所述感興趣區(qū)域初步去噪。
11.根據(jù)權(quán)利要求7述的基于圖像的血管內(nèi)中膜厚度自動提取系統(tǒng)，其特征在于，所述分離模塊還用于以代表亮、灰、暗的三類像素灰度的灰度值組成的特征向量，設(shè)置為聚類中心初始值，并根據(jù)所述聚類中心初始值將所述感興趣區(qū)域分離為第一區(qū)、第二區(qū)和第三區(qū)， 所述第一區(qū)對應(yīng)血管腔部分，所述第二區(qū)對應(yīng)血管壁外膜部分，所述第三區(qū)對應(yīng)感興趣區(qū)域中除血管腔、血管壁外膜外的其它區(qū)域部分。
12.根據(jù)權(quán)利要求7所述的基于圖像的血管內(nèi)中膜厚度自動提取系統(tǒng)，其特征在于，所述提取模塊還用于預先設(shè)置形態(tài)半徑分別為第一可變參數(shù)和第二可變參數(shù)，并提取血管壁外膜部分，將該部分作為蒙板從該感興趣區(qū)域剔除，然后將感興趣區(qū)域中除血管腔、血管壁外膜外的其他區(qū)域部分作為前景，分別以形態(tài)半徑為第一可變參數(shù)和第二可變參數(shù)進行分割操作，得到血管內(nèi)中膜區(qū)域分割結(jié)果，測量所述分割結(jié)果得到所述血管內(nèi)中膜厚度。
全文摘要
本發(fā)明涉及一種基于圖像的血管內(nèi)中膜厚度自動提取方法及系統(tǒng)。該方法包括以下步驟獲取血管超聲圖像，并從血管超聲圖像中選取感興趣區(qū)域；采用基于非均勻B樣條的經(jīng)驗?zāi)B(tài)分解算法對感興趣區(qū)域去噪；通過K均值聚類法對所述去噪后的感興趣區(qū)域中的像素點基于像素灰度進行分類，以分離出血管腔、血管壁外膜和感興趣區(qū)域中除血管腔、血管壁外膜外的其它區(qū)域三部分；通過數(shù)學形態(tài)學從所述分離出的感興趣區(qū)域中除血管腔、血管壁外膜外的其他區(qū)域部分提取血管內(nèi)中膜厚度。上述基于圖像的血管內(nèi)中膜厚度自動提取方法及系統(tǒng)，基于非均勻B樣條的經(jīng)驗?zāi)B(tài)分解算法去噪，K均值聚類法分離，提取血管內(nèi)中膜厚度，與手動標記相比，操作方便，且更加準確。
文檔編號G06T5/00GK102332161SQ20111026982
公開日2012年1月25日 申請日期2011年9月13日 優(yōu)先權(quán)日2011年9月13日
發(fā)明者張元亭, 張晶, 楊平, 林宛華 申請人:中國科學院深圳先進技術(shù)研究院