本發(fā)明涉及醫(yī)學(xué)圖像處理技術(shù)領(lǐng)域，尤其涉及一種低對(duì)比度圖像的脈管增強(qiáng)的方法及其系統(tǒng)。

背景技術(shù)：
CTA（Computedtomographicangiography，計(jì)算機(jī)斷層掃描造影增強(qiáng)）和MRI（MagneticResonanceImaging，核磁共振成像）都是較為常用的脈管影像診斷技術(shù)，在如血管、膽管及支氣管等多種脈管分割上都有著廣泛的應(yīng)用。CTA圖像經(jīng)常帶有低對(duì)比度、高噪聲、邊界模糊等影響我們觀察和計(jì)算機(jī)識(shí)別的不良因素，MRI圖像在進(jìn)行分割處理時(shí)也會(huì)受到噪聲很大程度的影響，使得在低對(duì)比度、高噪聲下的脈管分割成為一個(gè)較為棘手的難題。由于檢查者在進(jìn)行掃描前被注射了造影劑，而造影劑在血液中的不均勻分布以及血管較為狹窄等因素造成醫(yī)學(xué)圖像上脈管的灰度不均甚至斷裂等現(xiàn)象，這使得基于灰度值的圖像分割算法以及依據(jù)理想情況下管狀結(jié)構(gòu)特征的分割算法失效。再加上人體脈管的結(jié)構(gòu)復(fù)雜，在許多區(qū)域的脈管都非常細(xì)，傳統(tǒng)的去噪方法都容易導(dǎo)致脈管信息的大量缺失，因此，在高噪聲、低對(duì)比度下的醫(yī)學(xué)圖像中直接提取脈管成為值得深入探討的難題。目前，比較普遍的脈管增強(qiáng)技術(shù)是構(gòu)造一個(gè)以Hessian（海賽）矩陣特征值為變量的特征函數(shù)去對(duì)我們提取的脈管特征進(jìn)行判別，該方案首先計(jì)算出圖像中每一像素點(diǎn)三維鄰域內(nèi)二階導(dǎo)組成的Hessian矩陣，然后利用特征函數(shù)L＝f(λ1；λc)*λc對(duì)Hessian矩陣的特征值進(jìn)行判別，判別為正的像素點(diǎn)即處于脈管區(qū)域。脈管特征函數(shù)的構(gòu)成多數(shù)是以高斯函數(shù)為主。例如ITK（ITK全稱為InsightSegmentationandRegistrationToolkit是美國(guó)國(guó)家衛(wèi)生院下屬的國(guó)立醫(yī)學(xué)圖書館開(kāi)發(fā)的一款醫(yī)學(xué)圖像處理軟件包,是一個(gè)開(kāi)源的、跨平臺(tái)的影像分析擴(kuò)展軟件工具。）中使用的血管特征判別函數(shù)：其中λc＝min(-λ2，-λ3)經(jīng)過(guò)特征函數(shù)后，輸出為正的結(jié)果像素點(diǎn)即為血管所在區(qū)域像素點(diǎn)。這是一種適應(yīng)較為理想狀況的脈管增強(qiáng)技術(shù)，它的主要缺陷是對(duì)于高噪聲、低對(duì)比度的血管圖像較為不敏感，因此提取出的血管分支不夠豐富。浙江大學(xué)孔德興等人的中國(guó)專利申請(qǐng)?zhí)枮?01210014249.9，發(fā)明名稱為《CTA圖像中肝臟血管增強(qiáng)及肝臟與血管同時(shí)分割的方法》的發(fā)明專利申請(qǐng)中，其技術(shù)方案使用了Hessian矩陣求取出三個(gè)方向的特征值，但是其需要計(jì)算血管的具體朝向，計(jì)算量大，計(jì)算速度也慢。此外，大連海事大學(xué)申麗然等人的中國(guó)專利申請(qǐng)?zhí)枮?01210132164.0，發(fā)明名稱為《一種X射線冠脈造影圖像血管增強(qiáng)方法》的專利申請(qǐng)中技術(shù)方案采用通過(guò)判別Hessian矩陣特征值是否滿足血管特征的方法去檢測(cè)血管，但該技術(shù)方案僅限于二維平面圖像，不適于三維立體圖像，而且血管特征判別函數(shù)復(fù)雜。綜上可知，現(xiàn)有的低對(duì)比度圖像的脈管增強(qiáng)技術(shù)在實(shí)際使用上，顯然存在不便與缺陷，所以有必要加以改進(jìn)。

技術(shù)實(shí)現(xiàn)要素：
針對(duì)上述的缺陷，本發(fā)明的目的在于提供一種低對(duì)比度圖像的脈管增強(qiáng)的方法及其系統(tǒng)，以實(shí)現(xiàn)對(duì)低對(duì)比度圖像的脈管增強(qiáng)。為了實(shí)現(xiàn)上述目的，本發(fā)明提供一種低對(duì)比度圖像的脈管增強(qiáng)的方法，所述方法包括如下步驟：去噪步驟：將輸入的器官和/或組織的掃描圖像進(jìn)行直方圖去噪處理，獲取消除所述掃描圖像中除脈管之外區(qū)域的干擾的去噪圖像；提取脈管步驟：通過(guò)特征增強(qiáng)函數(shù)增強(qiáng)所述去噪圖像中脈管的特征，并輸出所述脈管增強(qiáng)結(jié)果圖；脈管分割步驟：將提取到的所述脈管增強(qiáng)結(jié)果圖進(jìn)行分割處理，獲取所述脈管的三維分割圖像。根據(jù)所述的方法，所述去噪步驟包括：在所述器官和/或組織的掃描圖像中選擇需要分割所述脈管的區(qū)域；根據(jù)選定的統(tǒng)計(jì)灰度范圍對(duì)選擇的所述區(qū)域進(jìn)行直方圖統(tǒng)計(jì)；根據(jù)選定半徑的灰度鄰域以及所述灰度鄰域的灰度中心值，將所述灰度范圍的所述直方圖統(tǒng)計(jì)結(jié)果分為多份再次進(jìn)行統(tǒng)計(jì)，獲得多個(gè)統(tǒng)計(jì)結(jié)果；對(duì)所述多個(gè)統(tǒng)計(jì)結(jié)果求最大值；根據(jù)所述最大值計(jì)算所述區(qū)域的最大沿度灰度值；根據(jù)所述最大沿度灰度值重設(shè)所述區(qū)域內(nèi)所有像素點(diǎn)的灰度值。根據(jù)所述的方法，所述提取脈管步驟包括：構(gòu)造高斯濾波器Gσ，對(duì)高斯濾波器Gσ求二階導(dǎo)數(shù)，用Gσ的所述二階導(dǎo)數(shù)與所述直方圖增強(qiáng)后圖像的各個(gè)像素點(diǎn)逐一進(jìn)行卷積運(yùn)算；所述σ為高斯濾波器的方差；根據(jù)所述卷積運(yùn)算結(jié)果構(gòu)造海賽矩陣，計(jì)算所述海賽矩陣的多個(gè)特征值，并按照所述脈管增強(qiáng)需求對(duì)所述多個(gè)特征值進(jìn)行排序；構(gòu)造所述脈管的特征判別函數(shù)，所述特征判別函數(shù)對(duì)所述區(qū)域的每個(gè)像素值的海賽矩陣特征值進(jìn)行分類，使符合所述脈管特征的像素輸出值為高，使不符合所述脈管特征的像素輸出值趨于零，以提取所述脈管。根據(jù)所述的方法，所述卷積運(yùn)算結(jié)果得到Ixx(σ)、Iyy(σ)、Izz(σ)、Ixy(σ)、Ixz(σ)和Iyz(σ);所述海賽矩陣為求得海賽矩陣三個(gè)特征值并排序?yàn)棣?＜λ2＜λ3；所述特征判別函數(shù)為Vs(λ)，在按照血管特征進(jìn)行歸類時(shí)，λ1＜0，λ2＜0，λ3＝0。根據(jù)所述的方法，所述提取脈管步驟還包括：在所述掃描圖像的對(duì)比度屬于低對(duì)比度時(shí)，通過(guò)脈管特征增強(qiáng)函數(shù)對(duì)所述脈管特征進(jìn)行增強(qiáng)，提高所述脈管區(qū)域特征的可識(shí)別性；根據(jù)所述脈管特征增強(qiáng)函數(shù)得到脈管特征數(shù)據(jù)，并將脈管特征數(shù)據(jù)按照所須進(jìn)行歸一化處理；對(duì)應(yīng)所述像素點(diǎn)的脈管特征判別結(jié)果對(duì)所述掃描圖像進(jìn)行處理，輸出所述脈管增強(qiáng)結(jié)果圖。根據(jù)所述的方法，所述脈管特征增強(qiáng)函數(shù)函數(shù)為H(λ)＝h1(λ1，λ2，λ3)*h2(λ2,λ3),其中h1(λ1，λ2，λ3)和h2(λ2,λ3)為可調(diào)的特征函數(shù)；L(λ)＝Vs(λ)H(λ)。根據(jù)所述的方法，在所述脈管為血管時(shí)，所述血管增強(qiáng)結(jié)果圖為：在所述脈管為膽管時(shí)，所述膽管增強(qiáng)結(jié)果圖為：其中I′為自定義的合適灰度值。根據(jù)所述的方法，所述脈管分割步驟包括：確定所述脈管區(qū)域的灰度閾值范圍，依據(jù)所述灰度閾值范圍對(duì)所述脈管增強(qiáng)結(jié)果圖進(jìn)行閾值連通計(jì)算；根據(jù)所述閾值連通計(jì)算結(jié)果，獲得到三維的脈管分割圖像。為了實(shí)現(xiàn)本發(fā)明的另一發(fā)明目的，本發(fā)明還提供了一種用于實(shí)現(xiàn)上述任意一項(xiàng)所述的方法的系統(tǒng)，包括：去噪模塊，用于將輸入的器官和/或組織的掃描圖像進(jìn)行直方圖去噪處理，獲取消除所述掃描圖像中除脈管之外區(qū)域的干擾的去噪圖像；提取脈管模塊，用于通過(guò)特征增強(qiáng)函數(shù)增強(qiáng)所述去噪圖像中脈管的特征，并輸出所述脈管增強(qiáng)結(jié)果圖；脈管分割模塊，用于將提取到的所述脈管增強(qiáng)結(jié)果圖進(jìn)行分割處理，獲取所述脈管的三維分割圖像。本發(fā)明通過(guò)采用的不同于現(xiàn)有技術(shù)的圖像預(yù)處理方法，即直方圖去干擾技術(shù)能夠直接且有效地消除圖像中脈管之外的大部分干擾，出色地抑制了圖像中影響脈管分割的噪聲。所采用的脈管特征增強(qiáng)算法又有效地提升了算法對(duì)低對(duì)比度下的脈管敏感度，使較低對(duì)比度下的脈管也能夠被有效增強(qiáng)。因此，相對(duì)于傳統(tǒng)的脈管增強(qiáng)方法，本實(shí)施例提供的方法在很大程度上提高了脈管增強(qiáng)算法的適用范圍，使其能夠有效作用于較高噪聲，較低對(duì)比度的醫(yī)學(xué)圖像。附圖說(shuō)明圖1是本發(fā)明第一實(shí)施例提供的低對(duì)比度圖像的脈管增強(qiáng)的系統(tǒng)結(jié)構(gòu)圖；圖2是本發(fā)明第二實(shí)施例提供的低對(duì)比度圖像的脈管增強(qiáng)的系統(tǒng)結(jié)構(gòu)圖；圖3是本發(fā)明第三、四實(shí)施例提供的低對(duì)比度圖像的脈管增強(qiáng)的系統(tǒng)結(jié)構(gòu)圖；圖4是本發(fā)明第五實(shí)施例提供的低對(duì)比度圖像的脈管增強(qiáng)的系統(tǒng)結(jié)構(gòu)圖；圖5是本發(fā)明第六實(shí)施例提供的低對(duì)比度圖像的脈管增強(qiáng)的方法流程圖；圖6是本發(fā)明一個(gè)優(yōu)選實(shí)施例提供的低對(duì)比度圖像的脈管增強(qiáng)的方法流程圖。具體實(shí)施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。參見(jiàn)圖1，在本發(fā)明的第一實(shí)施例中提供了低對(duì)比度圖像的脈管增強(qiáng)的系統(tǒng)100，包括：去噪模塊10，用于將輸入的器官和/或組織的掃描圖像進(jìn)行直方圖去噪處理，獲取消除所述掃描圖像中除脈管之外區(qū)域的干擾的去噪圖像；提取脈管模塊20，用于通過(guò)特征增強(qiáng)函數(shù)增強(qiáng)所述去噪圖像中脈管的特征，并輸出所述脈管增強(qiáng)結(jié)果圖；脈管分割模塊30，用于將提取到的所述脈管增強(qiáng)結(jié)果圖進(jìn)行分割處理，獲取所述脈管的三維分割圖像。在該實(shí)施例中，首先通過(guò)去噪模塊10對(duì)輸入的器官和/或組織的掃描圖像進(jìn)行直方圖去噪處理，該掃描圖像可以是通過(guò)CTA或者是MRI方式獲取的。由于直方圖去噪的方式能夠盡可能地減少了對(duì)血管信息的破壞，由此可以消除非血管區(qū)域的大部分干擾。然后，通過(guò)提取脈管模塊20利用特征增強(qiáng)函數(shù)增強(qiáng)所述去噪圖像中脈管的特征，以獲得所述脈管增強(qiáng)結(jié)果圖，最后脈管分割模塊30將對(duì)所述脈管增強(qiáng)結(jié)果圖進(jìn)行分割處理，輸出所述脈管的三維分割圖像，由此實(shí)現(xiàn)了對(duì)器官和/或組織的掃描圖像中低對(duì)比度圖像的脈管增強(qiáng)，將有利于醫(yī)學(xué)工作者進(jìn)行相關(guān)疾病的診斷和研究。參見(jiàn)圖2，在本發(fā)明的第二實(shí)施例中，所述去噪模塊10包括：選擇子模塊11，用于在所述器官和/或組織的掃描圖像中選擇需要分割所述脈管的區(qū)域；第一統(tǒng)計(jì)子模塊12，用于根據(jù)選定的統(tǒng)計(jì)灰度范圍對(duì)選擇的所述區(qū)域進(jìn)行直方圖統(tǒng)計(jì)；第二統(tǒng)計(jì)子模塊13，用于根據(jù)選定半徑的灰度鄰域以及所述灰度鄰域的灰度中心值，將所述灰度范圍的所述直方圖統(tǒng)計(jì)結(jié)果分為多份再次進(jìn)行統(tǒng)計(jì)，獲得多個(gè)統(tǒng)計(jì)結(jié)果；求值子模塊14，用于對(duì)所述多個(gè)統(tǒng)計(jì)結(jié)果求最大值；計(jì)算子模塊15，用于根據(jù)所述最大值計(jì)算所述區(qū)域的最大沿度灰度值；重設(shè)子模塊16，用于根據(jù)所述最大沿度灰度值重設(shè)所述區(qū)域內(nèi)所有像素點(diǎn)的灰度值。在該實(shí)施例中，用直方圖統(tǒng)計(jì)的方法來(lái)判斷如肝臟等組織和/或器官的非血管區(qū)域，以消除非血管區(qū)域的大部分干擾，盡可能地減少了對(duì)血管信息的破壞。如果使用傳統(tǒng)的去噪手段，如低通平滑、非線性方法必然會(huì)使原本就不太清晰的血管斷裂甚至消失，而用直方圖統(tǒng)計(jì)的方法，能夠有效保護(hù)血管所在區(qū)域，在不破壞血管信息的基礎(chǔ)上盡量消除非血管區(qū)域的干擾因素。具體的，選擇子模塊11用矩形框選定需要分割脈管的區(qū)域，如肝臟；第一統(tǒng)計(jì)子模塊12對(duì)選定區(qū)域進(jìn)行直方圖統(tǒng)計(jì)，統(tǒng)計(jì)灰度范圍選定為IL到IH第二統(tǒng)計(jì)子模塊13設(shè)置一個(gè)半徑為IB灰度鄰域，灰度中心值為IM,從IL到IH統(tǒng)計(jì)結(jié)果劃分為N份進(jìn)行再次統(tǒng)計(jì)，得到N個(gè)統(tǒng)計(jì)結(jié)果為：求值子模塊14對(duì)N個(gè)統(tǒng)計(jì)結(jié)果求出最大值Imax；計(jì)算子模塊15計(jì)算最大低沿灰度值ImaxL=Imax-IB；重設(shè)子模塊16重設(shè)區(qū)域內(nèi)所有像素點(diǎn)的灰度值此外，如增強(qiáng)其他部位脈管，修整子模塊可根據(jù)部位特點(diǎn)將該模塊進(jìn)行修改，盡可能消除脈管之外區(qū)域的影響。參見(jiàn)圖3，在本發(fā)明的第三實(shí)施例中，所述提取脈管模塊20包括：第一構(gòu)造子模塊21，用于構(gòu)造高斯濾波器Gσ對(duì)高斯濾波器Gσ求二階導(dǎo)數(shù)，用Gσ的所述二階導(dǎo)數(shù)與所述直方圖增強(qiáng)后圖像的各個(gè)像素點(diǎn)逐一進(jìn)行卷積運(yùn)算；所述σ為高斯濾波器的方差；運(yùn)算子模塊22，用于根據(jù)所述卷積運(yùn)算結(jié)果構(gòu)造海賽矩陣，計(jì)算所述海賽矩陣的多個(gè)特征值，并按照所述脈管增強(qiáng)需求對(duì)所述多個(gè)特征值進(jìn)行排序；第二構(gòu)造子模塊23，用于構(gòu)造所述脈管的特征判別函數(shù)，所述特征判別函數(shù)對(duì)所述區(qū)域的每個(gè)像素值的海賽矩陣特征值進(jìn)行分類，使符合所述脈管特征的像素輸出值為高，使不符合所述脈管特征的像素輸出值趨于零，以提取所述脈管。所述卷積運(yùn)算結(jié)果得到Ixx(σ)、Iyy(σ)、Izz(σ)、Ixy(σ)、Ixz(σ)和Iyz(σ)；所述海賽矩陣為求得海賽矩陣三個(gè)特征值并排序?yàn)棣?＜λ2＜λ3；所述特征判別函數(shù)為Vs(λ)，在按照血管特征進(jìn)行排序時(shí)，或者說(shuō)歸類時(shí)，λ1＜0，λ2＜0，λ3＝0。在該實(shí)施例中，采用了抗噪能力和檢測(cè)能力較為平衡的特征判別函數(shù)Vs(λ)，既能夠?qū)σ欢ǔ潭鹊脑肼曈兴种?，又能夠檢測(cè)出較為豐富的血管。使用的血管特征判別函數(shù)Vs(λ)能夠有效提取血管。參見(jiàn)圖3，在本發(fā)明的第四實(shí)施例中，所述提取脈管模塊20還包括：提高子模塊24，用于在所述掃描圖像的對(duì)比度屬于低對(duì)比度時(shí)，通過(guò)脈管特征增強(qiáng)函數(shù)對(duì)所述脈管特征進(jìn)行增強(qiáng)，提高所述脈管區(qū)域特征的可識(shí)別性；歸一化處理子模塊25，用于根據(jù)所述脈管特征增強(qiáng)函數(shù)得到脈管特征數(shù)據(jù)，并將脈管特征數(shù)據(jù)按照所須進(jìn)行歸一化處理；輸出子模塊26，用于對(duì)應(yīng)所述像素點(diǎn)的脈管特征判別結(jié)果對(duì)所述掃描圖像進(jìn)行處理，輸出所述脈管增強(qiáng)結(jié)果圖。優(yōu)選的，所述脈管特征增強(qiáng)函數(shù)函數(shù)為H(λ)＝h1(λ1，λ2，λ3)*h2(λ2，λ3)，其中hl(λ1，λ2，λ3)和h2(λ2,λ3)為可調(diào)的特征函數(shù)；L(λ)＝Vs(λ)H(λ)。在所述脈管為血管時(shí)，所述血管增強(qiáng)結(jié)果圖為：在所述脈管為膽管時(shí)，所述膽管（脈管）增強(qiáng)結(jié)果圖為：其中I′I′為自定義的合適灰度值。在該實(shí)施例中，對(duì)于較低對(duì)比度的血管部分，特征增強(qiáng)函數(shù)H(λ)能夠在特征空間內(nèi)加強(qiáng)血管特征，從而使特征函數(shù)L(λ)＝Vs(λ)H(λ)的特征識(shí)別能力大大增強(qiáng)，在多個(gè)可調(diào)參數(shù)的作用下，對(duì)比度相當(dāng)?shù)偷难芤材軌虮挥行ёR(shí)別。參見(jiàn)圖4，在本發(fā)明的第五實(shí)施例中，脈管分割模塊30包括：閾值連通計(jì)算子模塊31，用于確定所述脈管區(qū)域的灰度閾值范圍，依據(jù)所述灰度閾值范圍對(duì)所述脈管增強(qiáng)結(jié)果圖進(jìn)行閾值連通計(jì)算；獲取子模塊32，用于根據(jù)所述閾值連通計(jì)算結(jié)果，獲得到三維的脈管分割圖像。優(yōu)選的，在上述多個(gè)實(shí)施例中，所述脈管為肝臟的脈管，當(dāng)然也可以實(shí)現(xiàn)對(duì)其他組織或者是器官的脈管增強(qiáng)，如腎臟、膽囊等，均可以采用上述系統(tǒng)實(shí)現(xiàn)脈管增強(qiáng)。所述低對(duì)比度圖像的脈管增強(qiáng)的系統(tǒng)100可以是內(nèi)置于終端的軟件單元，硬件單元或軟硬件結(jié)合單元。參見(jiàn)圖5，在本發(fā)明的第六實(shí)施例中，提供了一種低對(duì)比度圖像的脈管增強(qiáng)的方法，所述方法包括如下步驟：步驟S501中，去噪模塊10將輸入的器官和/或組織的掃描圖像進(jìn)行直方圖去噪處理，獲取消除所述掃描圖像中除脈管之外區(qū)域的干擾的去噪圖像；該步驟為去噪步驟。步驟S502中，提取脈管模塊20通過(guò)特征增強(qiáng)函數(shù)增強(qiáng)所述去噪圖像中脈管的特征，并輸出所述脈管增強(qiáng)結(jié)果圖；該步驟為提取脈管步驟：步驟S503中，脈管分割模塊30將提取到的所述脈管增強(qiáng)結(jié)果圖進(jìn)行分割處理，獲取所述脈管的三維分割圖像；該步驟為脈管分割步驟。在該實(shí)施例中，首先對(duì)圖像進(jìn)行直方圖去噪，消除血管之外的部分干擾；然后用脈管特征判別函數(shù)對(duì)如Hessian矩陣特征值進(jìn)行判定，實(shí)現(xiàn)增強(qiáng)脈管特征，最后輸出脈管增強(qiáng)圖像并對(duì)其進(jìn)行閾值分割。解決了在噪聲較高、對(duì)比度較低的數(shù)字醫(yī)學(xué)圖像中，在不帶入噪聲的情況下，并克服灰度不均、低對(duì)比度、弱邊界等影響脈管分割的不利因素，最大限度地提取出盡可能豐富的脈管分支。因此，本實(shí)施例提供的方法在很大程度上提高了脈管增強(qiáng)算法的適用范圍，使其能夠有效作用于較高噪聲，較低對(duì)比度的醫(yī)學(xué)圖像。在本發(fā)明的第六實(shí)施例中，所述步驟S501包括：選擇子模塊11在所述器官和/或組織的掃描圖像中選擇需要分割所述脈管的區(qū)域；第一統(tǒng)計(jì)子模塊12根據(jù)選定的統(tǒng)計(jì)灰度范圍對(duì)選擇的所述區(qū)域進(jìn)行直方圖統(tǒng)計(jì)；第二統(tǒng)計(jì)子模塊13根據(jù)選定半徑的灰度鄰域以及所述灰度鄰域的灰度中心值，將所述灰度范圍的所述直方圖統(tǒng)計(jì)結(jié)果分為多份再次進(jìn)行統(tǒng)計(jì)，獲得多個(gè)統(tǒng)計(jì)結(jié)果；求值子模塊14對(duì)所述多個(gè)統(tǒng)計(jì)結(jié)果求最大值；重設(shè)子模塊16根據(jù)所述最大值計(jì)算所述區(qū)域的最大沿度灰度值；根據(jù)所述最大沿度灰度值重設(shè)所述區(qū)域內(nèi)所有像素點(diǎn)的灰度值。在本發(fā)明的第七實(shí)施例中，所述步驟S502包括：第一構(gòu)造子模塊21構(gòu)造高斯濾波器Gσ，對(duì)高斯濾波器Gσ求二階導(dǎo)數(shù)，用Gσ的所述二階導(dǎo)數(shù)與所述直方圖增強(qiáng)后圖像的各個(gè)像素點(diǎn)逐一進(jìn)行卷積運(yùn)算；所述σ為高斯濾波器的方差；運(yùn)算子模塊22根據(jù)所述卷積運(yùn)算結(jié)果構(gòu)造海賽矩陣，計(jì)算所述海賽矩陣的多個(gè)特征值，并按照所述脈管增強(qiáng)需求對(duì)所述多個(gè)特征值進(jìn)行排序；第二構(gòu)造子模塊23構(gòu)造所述脈管的特征判別函數(shù)，所述特征判別函數(shù)對(duì)所述區(qū)域的每個(gè)像素值的海賽矩陣特征值進(jìn)行分類，使符合所述脈管特征的像素輸出值為高，使不符合所述脈管特征的像素輸出值趨于零，以提取所述脈管。其中所述卷積運(yùn)算結(jié)果得到Ixx(σ)、Iyy(σ)、Izz(σ)、Ixy(σ)、Ixz(σ)和Iyz(σ)；所述海賽矩陣為求得海賽矩陣三個(gè)特征值并排序?yàn)棣?＜λ2＜λ3；所述特征判別函數(shù)為Vs(λ)，在按照血管特征進(jìn)行排序時(shí)，或者說(shuō)歸類時(shí)，λ1＜0，λ2＜0，λ3＝0。在本發(fā)明的第八實(shí)施例中，所述步驟S502還包括：提高子模塊24在所述掃描圖像的對(duì)比度屬于低對(duì)比度時(shí)，通過(guò)脈管特征增強(qiáng)函數(shù)對(duì)所述脈管特征進(jìn)行增強(qiáng)，提高所述脈管區(qū)域特征的可識(shí)別性；歸一化處理子模塊25根據(jù)所述脈管特征增強(qiáng)函數(shù)得到脈管特征數(shù)據(jù)，并將脈管特征數(shù)據(jù)按照所須進(jìn)行歸一化處理；輸出子模塊26對(duì)應(yīng)所述像素點(diǎn)的脈管特征判別結(jié)果對(duì)所述掃描圖像進(jìn)行處理，輸出所述脈管增強(qiáng)結(jié)果圖。其中所述脈管特征增強(qiáng)函數(shù)函數(shù)為H(λ)＝h1(λ1，λ2，λ3)*h2(λ2，λ3)，其中hl(λ1，λ2，λ3)和h2(λ2，λ3)為可調(diào)的特征函數(shù)；L(λ)＝Vs(λ)H(λ)。并且在所述脈管為血管時(shí)，所述血管增強(qiáng)結(jié)果圖為：在所述脈管為膽管時(shí)，所述膽管（脈管）增強(qiáng)結(jié)果圖為：其中I′為自定義的合適灰度值。在本發(fā)明的第九實(shí)施例中，所述步驟S503包括：閾值連通計(jì)算子模塊31確定所述脈管區(qū)域的灰度閾值范圍，依據(jù)所述灰度閾值范圍對(duì)所述脈管增強(qiáng)結(jié)果圖進(jìn)行閾值連通計(jì)算；獲取子模塊32根據(jù)所述閾值連通計(jì)算結(jié)果，獲得到三維的脈管分割圖像。參見(jiàn)圖6，在本發(fā)明的一個(gè)優(yōu)選實(shí)施例中，以肝臟血管分割為例，低對(duì)比度圖像的脈管增強(qiáng)的方法描述如下：步驟S601，輸入圖像；步驟S602中，進(jìn)行直方圖預(yù)處理；步驟S603中，計(jì)算Hessian特征；步驟S604中，通過(guò)特征辨別函數(shù)提取血管；步驟S605中，若需要處理的區(qū)域圖像為低對(duì)比度圖像，則通過(guò)特征增強(qiáng)函數(shù)增強(qiáng)血管特征；步驟S606中，血管分割數(shù)據(jù)。具體步驟如下描述：A.去噪模塊10對(duì)圖像進(jìn)行灰度直方圖增強(qiáng)；A1.選擇子模塊11用矩形框選定需要分割脈管的區(qū)域，如肝臟；A2.第一統(tǒng)計(jì)子模塊12對(duì)選定區(qū)域進(jìn)行直方圖統(tǒng)計(jì)，統(tǒng)計(jì)灰度范圍選定為IL到IH；A3.第二統(tǒng)計(jì)子模塊13設(shè)置一個(gè)半徑為IB灰度鄰域，灰度中心值為IM，從IL到IH統(tǒng)計(jì)結(jié)果劃分為N份進(jìn)行再次統(tǒng)計(jì)，得到N個(gè)統(tǒng)計(jì)結(jié)果為：A4.求值子模塊14對(duì)N個(gè)統(tǒng)計(jì)結(jié)果求出最大值Imax；A5.計(jì)算子模塊15計(jì)算最大低沿灰度值ImaxL=Imax-IB；A6.重設(shè)子模塊16重設(shè)區(qū)域內(nèi)所有像素點(diǎn)的灰度值A(chǔ)7.此外，如增強(qiáng)其他部位脈管，修整子模塊可根據(jù)部位特點(diǎn)將該模塊進(jìn)行修改，目的為盡可能消除脈管之外區(qū)域的影響即可。B.提取脈管模塊20計(jì)算Hessian矩陣特征值并提取血管部分B1.第一構(gòu)造子模塊21構(gòu)造高斯濾波器Gσσ為高斯濾波器的方差，對(duì)高斯濾波器Gσ求二階導(dǎo)數(shù)，用Gσ的二階導(dǎo)數(shù)與直方圖增強(qiáng)后圖像的各個(gè)像素點(diǎn)逐一進(jìn)行卷積得到Ixx(σ)、Iyy(σ)、Izz(σ)、Ixy(σ)、Ixz(σ)和Iyz(σ)；B2.運(yùn)算子模塊22構(gòu)成Hessian矩陣計(jì)算H的三個(gè)特征值并按照所需進(jìn)行排序，排序?yàn)棣?＜λ2＜λ3；B3.第二構(gòu)造子模塊23構(gòu)造脈管特征判別函數(shù)Vs(λ)，該函數(shù)起到對(duì)每個(gè)像素值的Hessian矩陣特征值進(jìn)行分類的作用，使符合脈管特征(例如血管特征：λ1＜0，λ2＜0，λ3＝0的像素輸出值較高，使不符合脈管特征的像素輸出值趨于零；B4.若處理圖像的對(duì)比度較低，提高子模塊24則可對(duì)脈管特征進(jìn)行增強(qiáng)，增強(qiáng)函數(shù)為：H(λ)＝h1(λ1，λ2，λ3)*h2(λ2，λ3)，其中h1(λ1，λ2，λ3)和h2(λ2，λ3)為可調(diào)的特征函數(shù)，其目的是提高脈管區(qū)域特征的可識(shí)別性；B5.得到脈管特征數(shù)據(jù)L(λ)=Vs(λ)H(λ)，歸一化處理子模塊25并將特征數(shù)據(jù)L(λ)按照所須進(jìn)行歸一化處理；B6.對(duì)應(yīng)各個(gè)像素點(diǎn)的脈管特征判別結(jié)果對(duì)原圖進(jìn)行處理，輸出子模塊26輸出血管增強(qiáng)結(jié)果圖為：膽管增強(qiáng)結(jié)果圖為：其中I′I′為自定義的合適灰度值；C.脈管分割模塊30進(jìn)行閾值連通分割出脈管C1.閾值連通計(jì)算子模塊31確定脈管區(qū)域的灰度閾值范圍，依據(jù)此灰度范圍對(duì)脈管增強(qiáng)結(jié)果圖進(jìn)行閾值連通計(jì)算；C2.獲取子模塊32得到三維的脈管分割圖像；在該實(shí)施例中，對(duì)三維Hessian矩陣進(jìn)行處理，特征判別函數(shù)也是在三維空間內(nèi)構(gòu)建出的在去噪效果和提取豐富度上都較為出色的函數(shù)，并且設(shè)計(jì)的特征增強(qiáng)函數(shù)能夠有效增強(qiáng)血管特征并消弱非血管特征，因此，對(duì)于高噪聲、低對(duì)比度的三維圖像，該實(shí)施例實(shí)現(xiàn)的分割結(jié)果豐富性上有明顯的優(yōu)勢(shì)。在本發(fā)明的多個(gè)實(shí)施例中，并沒(méi)有像背景技術(shù)中描述的《CTA圖像中肝臟血管增強(qiáng)及肝臟與血管同時(shí)分割的方法》發(fā)明專利申請(qǐng)那樣在求取Hessian矩陣特征值時(shí)同時(shí)求出三個(gè)特征值的特征向量。并且本發(fā)明提供的多個(gè)實(shí)施例中，血管的走向十分靈活多變，對(duì)每一個(gè)像素求取其與特征向量相關(guān)的某一鄰域內(nèi)的灰度特征不僅使計(jì)算量大大增加，而且在高噪聲、低對(duì)比度的圖像中難以達(dá)到足夠精確?；谏鲜隹紤]，在本發(fā)明中的技術(shù)方案中并沒(méi)有去計(jì)算血管的具體朝向，只要圖像中的某一灰度結(jié)構(gòu)符合血管特征即可。因此，本發(fā)明大大減少了計(jì)算量，提升了計(jì)算速度，從提取出的血管結(jié)果上看也豐富了許多。綜上所述，本發(fā)明通過(guò)采用的不同于現(xiàn)有技術(shù)的圖像預(yù)處理方法，即直方圖去干擾技術(shù)能夠直接且有效地消除圖像中脈管之外的大部分干擾，出色地抑制了圖像中影響脈管分割的噪聲。所采用的脈管特征增強(qiáng)算法又有效地提升了算法對(duì)低對(duì)比度下的脈管敏感度，使較低對(duì)比度下的脈管也能夠被有效增強(qiáng)。因此，相對(duì)于傳統(tǒng)的脈管增強(qiáng)方法，本實(shí)施例提供的方法在很大程度上提高了脈管增強(qiáng)算法的適用范圍，使其能夠有效作用于較高噪聲，較低對(duì)比度的醫(yī)學(xué)圖像。當(dāng)然，本發(fā)明還可有其它多種實(shí)施例，在不背離本發(fā)明精神及其實(shí)質(zhì)的情況下，熟悉本領(lǐng)域的技術(shù)人員當(dāng)可根據(jù)本發(fā)明作出各種相應(yīng)的改變和變形，但這些相應(yīng)的改變和變形都應(yīng)屬于本發(fā)明所附的權(quán)利要求的保護(hù)范圍。