本發(fā)明涉及圖像處理技術(shù)，特別涉及增強(qiáng)計(jì)算機(jī)斷層掃描(Computed Tomography，CT)圖像中的醫(yī)學(xué)圖像數(shù)據(jù)處理技術(shù)，尤其是一種用于在增強(qiáng)CT圖像數(shù)據(jù)中對(duì)冠狀動(dòng)脈鈣化斑塊檢測(cè)和量化的方法，即增強(qiáng)CT圖像中冠脈鈣化檢測(cè)及量化方法。

背景技術(shù)：

冠心病是指由于冠狀動(dòng)脈血管發(fā)生動(dòng)脈粥樣硬化、炎癥、栓塞等病變引起血管腔狹窄或阻塞，進(jìn)而造成心肌缺血、缺氧或壞死的現(xiàn)象，特別是當(dāng)動(dòng)脈硬化斑塊突發(fā)破裂時(shí)可能引起心血管突發(fā)性堵塞，引起病人猝死，是世界上致死率最高的疾病之一。醫(yī)學(xué)研究表明對(duì)冠脈鈣化的探測(cè)和量化會(huì)為預(yù)測(cè)冠心病的發(fā)展提供重要的風(fēng)險(xiǎn)評(píng)估依據(jù)，從電子計(jì)算機(jī)斷層掃描數(shù)據(jù)中獲得的冠脈鈣化積分已經(jīng)被證明是冠心病的有效的預(yù)測(cè)參數(shù)，而冠脈鈣化斑塊的形狀、大小與位置也是醫(yī)生采取的介入式治療手段時(shí)需要參考的重要信息。

作為一種非侵入式的而且能夠提供三維信息的醫(yī)學(xué)影像檢查手段，CT被廣泛應(yīng)用于對(duì)冠心病的檢測(cè)和評(píng)估。一般來(lái)說(shuō)，針對(duì)冠心病做的標(biāo)準(zhǔn)CT掃描程序包含兩個(gè)步驟：第一，使用低分辨率的非加強(qiáng)CT對(duì)病人進(jìn)行掃描用以計(jì)算鈣化分；第二，使用高分辨率的加強(qiáng)CT(Computed Tomography Angioplasty，CTA)掃描，所得數(shù)據(jù)用以觀察冠脈的狹窄程度和評(píng)價(jià)血管軟性斑塊的性質(zhì)。在非加強(qiáng)CT數(shù)據(jù)中，雖然較低的血管CT值(單位為：Hu)能夠使得鈣化斑塊得到較好的分割，但是計(jì)算機(jī)卻無(wú)法區(qū)分冠脈內(nèi)鈣化斑塊與周圍同樣具有較高Hu值的軟組織，故對(duì)于鈣化斑塊的分辨和標(biāo)記需要放射醫(yī)生的人工參與，耗費(fèi)了大量的人力和時(shí)間。同時(shí)，為了減少患者受到的輻射劑量，非加強(qiáng)CT掃描時(shí)往往采取粗掃描的方式(CT切片的厚度一般為3mm)，這在另一方面也使得對(duì)鈣化斑塊體積的量化變得不準(zhǔn)確。

隨著技術(shù)的不斷發(fā)展，近年來(lái)CTA掃描所需輻射劑量不斷減少，越來(lái)越多的研究團(tuán)隊(duì)開(kāi)始研究在CTA數(shù)據(jù)中探測(cè)、量化冠狀動(dòng)脈鈣化斑塊并計(jì)算鈣化積分的方法，這不僅能夠減少患者接受掃描次數(shù)和受到輻射的劑量，而且由于CTA的分辨率一般高于非加強(qiáng)CT，所以使得對(duì)鈣化的量化精度也會(huì)更高。一些研究人員通過(guò)研究CTA與CT中的鈣化積分的關(guān)系，通過(guò)機(jī)器學(xué)習(xí)或其他方法獲得兩者之間的經(jīng)驗(yàn)轉(zhuǎn)化系數(shù)，進(jìn)而得到在加強(qiáng)CT中量化鈣化的方法。然而CTA數(shù)據(jù)往往受到CT協(xié)議、CT掃描儀生產(chǎn)廠商、造影劑用量等眾多因素的影響，上述量化方法往往得不到具有較好的魯棒性和準(zhǔn)確性的結(jié)果。

為了克服上述問(wèn)題，用于CTA圖像的鈣化探測(cè)及量化方法不斷被提出。Teβmann等人提出了一種基于閾值的全自動(dòng)分割和量化鈣化病變的方法，該方法包含一種基于冠脈血管區(qū)域Hu值直方圖的閾值選擇方法，使用該方法得到的閾值被證實(shí)與人工選擇的閾值相對(duì)接近。然而，該閾值獲得方法依賴于相對(duì)光滑的直方圖和經(jīng)驗(yàn)參數(shù)，當(dāng)CTA數(shù)據(jù)存在較多噪聲或直方圖波動(dòng)強(qiáng)烈時(shí)，該方法的魯棒性將不可避免地受到影響；而且由于造影劑的使用，靠近冠脈開(kāi)口的冠狀動(dòng)脈血管的Hu值可能已經(jīng)超過(guò)了局部鈣化斑塊，單純依靠全局閾值對(duì)鈣化進(jìn)行探測(cè)可能會(huì)導(dǎo)致誤分割或欠分割問(wèn)題。

Eilot等提出一種基于模型的全自動(dòng)的鈣化分割及鈣化分計(jì)算方法。該方法根據(jù)灰度分布特征對(duì)冠脈血管建立模型并使用該模型對(duì)血管鈣化進(jìn)行探測(cè)和分割，通過(guò)虛擬移除造影劑后的血管灰度分布來(lái)計(jì)算非增強(qiáng)CT圖像中的鈣化分。該方法對(duì)小型鈣化斑塊有著較好識(shí)別能力，但該方法執(zhí)行過(guò)程相對(duì)復(fù)雜，基于模型的方法也加大了運(yùn)算消耗。

Wolterink等提出了一種基于模型識(shí)別的全自動(dòng)鈣化識(shí)別和量化方法，首先利用神經(jīng)網(wǎng)絡(luò)算法提取潛在的鈣化像素點(diǎn)，然后對(duì)這些候選點(diǎn)使用一系列特征描述，最后使用隨機(jī)森林對(duì)候選點(diǎn)進(jìn)行分類。該方法實(shí)現(xiàn)了在CTA數(shù)據(jù)中識(shí)別和量化鈣化，但該方法本身需要大量的訓(xùn)練樣本，且隨著訓(xùn)練數(shù)據(jù)的增長(zhǎng)，該方法對(duì)計(jì)算機(jī)硬件也有著較高的要求。

綜上所述，這些鈣化探測(cè)及量化方法普遍存在算法探測(cè)量化結(jié)果不精確、難度大、訓(xùn)練過(guò)程繁瑣等問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

為克服現(xiàn)有技術(shù)的不足，提供一種在CTA數(shù)據(jù)中基于模糊超像素聚類的全自動(dòng)鈣化斑塊探測(cè)、分割及量化裝置及方法，實(shí)現(xiàn)有效地抑制噪聲，本發(fā)明采用的技術(shù)方案是，增強(qiáng)CT圖像中冠脈鈣化檢測(cè)及量化方法，包含三個(gè)步驟：首先使用種子點(diǎn)自動(dòng)選擇的低閾值區(qū)域生長(zhǎng)獲得包含鈣化斑塊的冠狀動(dòng)脈區(qū)域；然后根據(jù)區(qū)域中像素點(diǎn)之間的歐式距離和灰度差異使用模糊C均值聚類算法將上述血管區(qū)域劃分為有限個(gè)超像素集；最后使用一種基于灰度直方圖的閾值選取辦法對(duì)超像素集進(jìn)行篩選，進(jìn)而得到最終的鈣化斑塊探測(cè)量化結(jié)果，并根據(jù)分割結(jié)果完成對(duì)血管的鈣化分計(jì)算。

三個(gè)步驟細(xì)化為：

步驟1.對(duì)冠心病患者靜脈注射造影劑之后，采用螺旋增強(qiáng)CT掃描儀對(duì)患者的胸腔進(jìn)行掃描，進(jìn)而獲得患者冠脈的增強(qiáng)CT斷層圖像；

步驟2.對(duì)CT斷層數(shù)據(jù)進(jìn)行基于三次B樣條曲線的層間插值；

步驟3.參考CT斷層圖像中提供的窗寬、窗位信息進(jìn)行數(shù)據(jù)類型轉(zhuǎn)化；

步驟4.檢測(cè)并分割CT數(shù)據(jù)中升主動(dòng)脈；

步驟5.檢測(cè)升主動(dòng)脈區(qū)域內(nèi)冠狀動(dòng)脈開(kāi)口位置，并使用區(qū)域生長(zhǎng)方式實(shí)現(xiàn)對(duì)冠狀動(dòng)脈區(qū)域的分割；

步驟6.對(duì)冠狀動(dòng)脈區(qū)域內(nèi)的每個(gè)像素點(diǎn)構(gòu)建特征向量；

步驟7.采用C均值模糊聚類算法對(duì)特征向量進(jìn)行聚類，實(shí)現(xiàn)對(duì)冠狀動(dòng)脈的區(qū)域劃分；

步驟8.根據(jù)灰度直方圖計(jì)算自適應(yīng)閾值，依靠閾值篩選步驟7中的冠脈血管區(qū)域；

步驟9.參考Agatston積分法對(duì)步驟8中獲得的鈣化區(qū)域進(jìn)行鈣化分計(jì)算，最終完成冠脈鈣化量化。

步驟2中對(duì)斷層數(shù)據(jù)進(jìn)行基于三次B樣條曲線的層間插值，以保證CT數(shù)據(jù)的橫向分辨率與縱向分辨率保持統(tǒng)一，其中三次B樣條曲線的基函數(shù)如下：

其中G_i,3表示三次B樣條曲線的各項(xiàng)基函數(shù)，i＝1，2，3；t為參變量，t∈[0,1]；

步驟4中以二值化后的圖像為掩模mask，以Hough圓檢測(cè)的圓心點(diǎn)為標(biāo)記，對(duì)CT斷層圖像進(jìn)行形態(tài)學(xué)重構(gòu)，從而分割出升主動(dòng)脈截面，其中形態(tài)學(xué)重構(gòu)的定義為：

若g是掩模，f為標(biāo)記，將從f重構(gòu)g記為R(f)，則

1)f為初始化圖像h₁；

2)創(chuàng)建結(jié)構(gòu)元素B；

3)重復(fù)迭代

h_k+1＝(h_k⊕B)∩g

直至h_k+1＝h_k；其中，⊕表示膨脹操作，標(biāo)記f必須是g的子集，即f∈g。

步驟5采用動(dòng)態(tài)輪廓—Snake模型擬合升主動(dòng)脈橫截面輪廓以實(shí)現(xiàn)對(duì)突出位置即冠脈開(kāi)口的檢測(cè)，其中，Snake模型下控制點(diǎn)的總能量函數(shù)為：

其中，E_int代表曲線彎曲造成的能量，E_image代表圖像力能量，E_ext代表外部力能量，v(s)為控制點(diǎn)，v(s)＝[x(s),y(s)]，s∈[0,1]；實(shí)際使用基于Balloon模型力改進(jìn)的Snake模型：

其中，n(s)是Snake輪廓曲線在點(diǎn)v(s)處的單位法向量，k₁是外力的大小，表示輪廓s處的梯度。

步驟7中，采取模糊C均值聚類算法對(duì)對(duì)特征向量進(jìn)行聚類，實(shí)現(xiàn)對(duì)冠狀動(dòng)脈的區(qū)域劃分，其中，模糊C均值聚類算法的價(jià)值函數(shù)為：

其中，Z_i為第i個(gè)的模糊類的聚類中心，u_ij∈[0 1]，d_ij＝||Z_i-X_j||，表示第i個(gè)聚類中心與第j個(gè)樣本之間的歐氏距離；α∈[1,∞)，為算法的柔性參數(shù)，控制聚類的模糊程度，而算法的聚類中心與隸屬度矩陣的迭代公式為：

算而算法聚類數(shù)目定義為：

其中，resolution為CT圖像的分辨率，skelnum為對(duì)冠脈連通域進(jìn)行骨架化后得到的血管骨架點(diǎn)數(shù)目。

增強(qiáng)CT圖像中冠脈鈣化檢測(cè)及量化裝置，包括：

螺旋增強(qiáng)CT掃描儀，包含掃描床、掃描架、高壓發(fā)生器、操作臺(tái)、圖像數(shù)據(jù)處理平臺(tái)等硬件設(shè)備，用于獲得患者冠脈的增強(qiáng)CT斷層圖像；

計(jì)算機(jī)，用于處理增強(qiáng)CT斷層圖像；其中，計(jì)算上設(shè)置有如下模塊：

冠狀動(dòng)脈區(qū)域生成模塊，用于使用種子點(diǎn)自動(dòng)選擇的低閾值區(qū)域生長(zhǎng)獲得包含鈣化斑塊的冠狀動(dòng)脈區(qū)域；

聚類模塊，用于根據(jù)區(qū)域中像素點(diǎn)之間的歐式距離和灰度差異使用模糊C均值聚類算法將上述血管區(qū)域劃分為有限個(gè)超像素集；

篩選及輸出模塊，用于以基于灰度直方圖的閾值選取辦法對(duì)超像素集進(jìn)行篩選，進(jìn)而得到最終的鈣化斑塊探測(cè)量化結(jié)果，并根據(jù)分割結(jié)果完成對(duì)血管的鈣化分計(jì)算。

使用種子點(diǎn)自動(dòng)選擇的低閾值區(qū)域生長(zhǎng)獲得包含鈣化斑塊的冠狀動(dòng)脈區(qū)域具體是，

對(duì)CT斷層數(shù)據(jù)進(jìn)行基于三次B樣條曲線的層間插值；

參考CT斷層圖像中提供的窗寬、窗位信息進(jìn)行數(shù)據(jù)類型轉(zhuǎn)化；

檢測(cè)并分割CT數(shù)據(jù)中升主動(dòng)脈；

檢測(cè)升主動(dòng)脈區(qū)域內(nèi)冠狀動(dòng)脈開(kāi)口位置，并使用區(qū)域生長(zhǎng)方式實(shí)現(xiàn)對(duì)冠狀動(dòng)脈區(qū)域的分割。

檢測(cè)并分割CT數(shù)據(jù)中升主動(dòng)脈是以二值化后的圖像為掩模mask，以Hough圓檢測(cè)的圓心點(diǎn)為標(biāo)記，對(duì)CT斷層圖像進(jìn)行形態(tài)學(xué)重構(gòu)，從而分割出升主動(dòng)脈截面，其中形態(tài)學(xué)重構(gòu)的定義為：

若g是掩模，f為標(biāo)記，將從f重構(gòu)g記為R(f)，則

1)f為初始化圖像h₁；

2)創(chuàng)建結(jié)構(gòu)元素B；

3)重復(fù)迭代

h_k+1＝(h_k⊕B)∩g

直至h_k+1＝h_k；其中，⊕表示膨脹操作，標(biāo)記f必須是g的子集，即f∈g。

檢測(cè)升主動(dòng)脈區(qū)域內(nèi)冠狀動(dòng)脈開(kāi)口位置，并使用區(qū)域生長(zhǎng)方式實(shí)現(xiàn)對(duì)冠狀動(dòng)脈區(qū)域的分割，具體是采用動(dòng)態(tài)輪廓—Snake模型擬合升主動(dòng)脈橫截面輪廓以實(shí)現(xiàn)對(duì)突出位置即冠脈開(kāi)口的檢測(cè)，其中，Snake模型下控制點(diǎn)的總能量函數(shù)為：

其中，E_int代表曲線彎曲造成的能量，E_image代表圖像力能量，E_ext代表外部力能量，v(s)為控制點(diǎn)，v(s)＝[x(s),y(s)]，s∈[0,1]；實(shí)際使用基于Balloon模型力改進(jìn)的Snake模型：

其中，n(s)是Snake輪廓曲線在點(diǎn)v(s)處的單位法向量，k₁是外力的大小，表示輪廓s處的梯度。

聚類模塊采取模糊C均值聚類算法對(duì)對(duì)特征向量進(jìn)行聚類，實(shí)現(xiàn)對(duì)冠狀動(dòng)脈的區(qū)域劃分，其中，模糊C均值聚類算法的價(jià)值函數(shù)為：

其中，Z_i為第i個(gè)的模糊類的聚類中心，u_ij∈[0 1]，d_ij＝||Z_i-X_j||，表示第i個(gè)聚類中心與第j個(gè)樣本之間的歐氏距離；α∈[1,∞)，為算法的柔性參數(shù)，控制聚類的模糊程度，而算法的聚類中心與隸屬度矩陣的迭代公式為：

算而算法聚類數(shù)目定義為：

其中，resolution為CT圖像的分辨率，skelnum為對(duì)冠脈連通域進(jìn)行骨架化后得到的血管骨架點(diǎn)數(shù)目。

本發(fā)明的特點(diǎn)及有益效果是：

本發(fā)明提出了一種在CTA數(shù)據(jù)中基于模糊聚類與血管區(qū)域劃分的全自動(dòng)鈣化斑塊探測(cè)、分割及量化方法，該方法對(duì)小型鈣化斑塊有著較好的識(shí)別能力，分割結(jié)果相對(duì)精確，預(yù)定義參數(shù)少，具有較好的魯棒性。并且由于采用了聚類的方法預(yù)先對(duì)冠狀動(dòng)脈區(qū)域內(nèi)的像素點(diǎn)進(jìn)行了劃分，該方法對(duì)噪聲有著良好的克服能力。研究成果可用于基于增強(qiáng)CT圖像的冠狀動(dòng)脈鈣化探測(cè)與量化工作，有助于減少患者所受到的輻射劑量，為醫(yī)生提供有效的輔助診斷信息。

附圖說(shuō)明：

圖1.CT圖像采集系統(tǒng)硬件框架。圖中，1掃描床，2掃描架，3高壓發(fā)生器，4計(jì)算機(jī)系統(tǒng)，5操作臺(tái)，6圖像數(shù)據(jù)處理平臺(tái)。

圖2.全自動(dòng)冠脈鈣化探測(cè)及量化軟件界面。

圖3.鈣化斑塊探測(cè)及量化方法整體框架。

圖4.增強(qiáng)CT數(shù)據(jù)中冠狀動(dòng)脈的全自動(dòng)分割方法框架。

圖5.基于模糊聚類算法的冠脈血管區(qū)域劃分結(jié)果剖面示意圖。

圖6.基于高斯函數(shù)擬合的自適應(yīng)分割閾值確定。

圖7.鈣化檢測(cè)與量化結(jié)果三維示意圖。

具體實(shí)施方式

本發(fā)明提出了一種CTA數(shù)據(jù)中基于模糊超像素聚類的全自動(dòng)鈣化斑塊探測(cè)、分割及量化方法，首先使用種子點(diǎn)自動(dòng)選擇的低閾值區(qū)域生長(zhǎng)獲得包含鈣化斑塊的冠狀動(dòng)脈區(qū)域；然后根據(jù)區(qū)域中像素點(diǎn)之間的歐式距離，灰度差異使用模糊C均值聚類算法將上述血管區(qū)域劃分為有限個(gè)超像素集；最后使用一種基于灰度直方圖的閾值選取辦法對(duì)超像素集進(jìn)行篩選進(jìn)而得到最終的鈣化斑塊探測(cè)量化結(jié)果，并根據(jù)分割結(jié)果完成對(duì)血管鈣化分計(jì)算。

一種自動(dòng)的CTA數(shù)據(jù)中鈣化斑塊探測(cè)及量化方法，該方法包括：

步驟1.對(duì)冠心病患者靜脈注射造影劑之后，采用64排螺旋增強(qiáng)CT掃描儀對(duì)患者的胸腔進(jìn)行掃描，進(jìn)而獲得患者冠脈的增強(qiáng)CT斷層圖像；

步驟2.對(duì)CT斷層數(shù)據(jù)進(jìn)行基于三次B樣條曲線的層間插值；

步驟3.參考CT斷層圖像中提供的窗寬、窗位信息進(jìn)行數(shù)據(jù)類型轉(zhuǎn)化；

步驟4.檢測(cè)并分割CT數(shù)據(jù)中升主動(dòng)脈；

步驟5.檢測(cè)升主動(dòng)脈區(qū)域內(nèi)冠狀動(dòng)脈開(kāi)口位置，并使用區(qū)域生長(zhǎng)方式實(shí)現(xiàn)對(duì)冠狀動(dòng)脈區(qū)域的分割；

步驟6.對(duì)冠狀動(dòng)脈區(qū)域內(nèi)的每個(gè)像素點(diǎn)構(gòu)建特征向量；

步驟7.采用C均值模糊聚類算法對(duì)特征向量進(jìn)行聚類，實(shí)現(xiàn)對(duì)冠狀動(dòng)脈的區(qū)域劃分；

步驟8.根據(jù)灰度直方圖計(jì)算自適應(yīng)閾值，依靠閾值篩選步驟7中的冠脈血管區(qū)域；

步驟9.參考Agatston積分法對(duì)步驟8中獲得的鈣化區(qū)域進(jìn)行鈣化分計(jì)算，最終完成冠脈鈣化量化。

步驟2中對(duì)斷層數(shù)據(jù)進(jìn)行基于三次B樣條曲線的層間插值，以保證CT數(shù)據(jù)的橫向分辨率與縱向分辨率保持統(tǒng)一，其中三次B樣條曲線的基函數(shù)如下：

步驟4中以二值化后的圖像為掩模(mask)，以Hough圓檢測(cè)的圓心點(diǎn)為標(biāo)記，對(duì)CT斷層圖像進(jìn)行形態(tài)學(xué)重構(gòu)，從而分割出升主動(dòng)脈截面，其中形態(tài)學(xué)重構(gòu)的定義為：

若g是掩模，f為標(biāo)記，將從f重構(gòu)g記為R(f)，則

1)f為初始化圖像h₁；

2)創(chuàng)建結(jié)構(gòu)元素B；

3)重復(fù)迭代

h_k+1＝(h_k⊕B)∩g

直至h_k+1＝h_k。

其中，⊕表示膨脹操作，標(biāo)記f必須是g的子集，即f∈g。

步驟5采用動(dòng)態(tài)輪廓—Snake模型擬合升主動(dòng)脈橫截面輪廓以實(shí)現(xiàn)對(duì)突出位置即冠脈開(kāi)口的檢測(cè)。其中，Snake模型下控制點(diǎn)的總能量函數(shù)為：

實(shí)際使用基于Balloon模型力改進(jìn)的Snake模型：

步驟7中，采取模糊C均值聚類算法對(duì)對(duì)特征向量進(jìn)行聚類，實(shí)現(xiàn)對(duì)冠狀動(dòng)脈的區(qū)域劃分，其中，模糊C均值聚類算法的價(jià)值函數(shù)為：

其中，Z_i為第i個(gè)的模糊類的聚類中心，u_ij∈[0 1]，d_ij＝||Z_i-X_j||，表示第i個(gè)聚類中心與第j個(gè)樣本之間的歐氏距離；α∈[1,∞)，為算法的柔性參數(shù)，控制聚類的模糊程度而算法的聚類中心與隸屬度矩陣的迭代公式為：

算而算法聚類數(shù)目定義為：

其中，resolution為CT圖像的分辨率，skelnum為對(duì)冠脈連通域進(jìn)行骨架化后得到的血管骨架點(diǎn)數(shù)目。

本發(fā)明的具體實(shí)施方式如圖1所示：

101.對(duì)冠心病患者靜脈注射造影劑之后，采用64排螺旋增強(qiáng)CT掃描儀對(duì)患者的胸腔進(jìn)行掃描，進(jìn)而獲得患者冠脈的增強(qiáng)CT斷層圖像；

102.使用B樣條曲線擬合不同空間位置的斷層圖像對(duì)應(yīng)像素點(diǎn)的CT值變化曲線，然后對(duì)該曲線進(jìn)行插值，使用插值后的得到的新數(shù)據(jù)組成新的CT數(shù)據(jù)集，以達(dá)到增加斷層數(shù)目，保持CT數(shù)據(jù)橫向分辨率與縱向分辨率統(tǒng)一的目的。其中三次B樣條曲線的基函數(shù)如下：

其中G_i,3表示三次B樣條曲線的各項(xiàng)基函數(shù)，t為參變量。

103.參考CT斷層圖像中提供的窗寬、窗位信息信息，將DICOM格式圖像中的int16型數(shù)據(jù)轉(zhuǎn)化為八位二進(jìn)制的灰度數(shù)據(jù)，以提高計(jì)算效率。

104.檢測(cè)并分割CT數(shù)據(jù)中升主動(dòng)脈；

采取Hough圓檢測(cè)的方式實(shí)現(xiàn)對(duì)CT斷層圖像中升主動(dòng)脈位置的檢測(cè)，以Hough圓內(nèi)像素平均灰度值的3/4作為分割閾值對(duì)圖像進(jìn)行二值化，以二值化后的圖像為掩模(mask)，以Hough圓檢測(cè)的圓心點(diǎn)為標(biāo)記，對(duì)CT斷層圖像進(jìn)行形態(tài)學(xué)重構(gòu)，從而分割出升主動(dòng)脈截面，將每張CT圖像中升主動(dòng)脈截面疊加，可以得到升主動(dòng)脈的三維分割結(jié)果，其中形態(tài)學(xué)重構(gòu)的定義為：

若g是掩模，f為標(biāo)記，將從f重構(gòu)g記為R(f)，則

1)f為初始化圖像h₁；

2)創(chuàng)建結(jié)構(gòu)元素B；

3)重復(fù)迭代

h_k+1＝(h_k⊕B)∩g

直至h_k+1＝h_k。

其中，⊕表示膨脹操作，標(biāo)記f必須是g的子集，即f∈g。

105.檢測(cè)升主動(dòng)脈區(qū)域內(nèi)冠狀動(dòng)脈開(kāi)口位置，并使用區(qū)域生長(zhǎng)方式實(shí)現(xiàn)對(duì)冠狀動(dòng)脈區(qū)域的分割；

采用動(dòng)態(tài)輪廓—Snake模型擬合升主動(dòng)脈橫截面輪廓以實(shí)現(xiàn)對(duì)突出位置即冠脈開(kāi)口的檢測(cè)，同時(shí)也為后續(xù)的基于區(qū)域生長(zhǎng)的冠狀動(dòng)脈分割工作提供了種子點(diǎn)位置；最后，本發(fā)明使用一種經(jīng)驗(yàn)值確定的低閾值的區(qū)域生長(zhǎng)方法獲得冠狀動(dòng)脈區(qū)域。Snake模型由一組首尾相接的控制點(diǎn)v(s)＝[x(s),y(s)]，s∈[0,1]組成，定義Snake模型下控制點(diǎn)的總能量函數(shù)為：

其中，E_int代表曲線彎曲造成的能量，E_image代表圖像力能量，E_ext代表外部力能量。在研究過(guò)程中本發(fā)明使用了基于Balloon模型力改進(jìn)的Snake模型，增加了外部力：

其中，n(s)是Snake輪廓曲線在點(diǎn)v(s)處的單位法向量，k₁是外力的大小，表示輪廓s處的梯度。該模型保證了活動(dòng)的輪廓的膨脹特性。

106.對(duì)冠狀動(dòng)脈區(qū)域內(nèi)的每個(gè)像素點(diǎn)構(gòu)建特征向量；

對(duì)已經(jīng)提取分割出的冠脈血管區(qū)域內(nèi)的每個(gè)像素點(diǎn)構(gòu)造特征向量X_i，定義：X_i＝[r,c,h,v]，其中r，c，h為該像素點(diǎn)的空間坐標(biāo)，v為像素點(diǎn)CT值進(jìn)行映射后的灰度值。

107.采用C均值模糊聚類算法對(duì)特征向量進(jìn)行聚類，實(shí)現(xiàn)對(duì)冠狀動(dòng)脈的區(qū)域劃分；

采取模糊C均值聚類算法對(duì)對(duì)特征向量進(jìn)行聚類，實(shí)現(xiàn)對(duì)冠狀動(dòng)脈的區(qū)域劃分，其中，模糊C均值聚類算法的價(jià)值函數(shù)為：

其中，Z_i為第i個(gè)的模糊類的聚類中心，u_ij∈[0 1]，d_ij＝||Z_i-X_j||，表示第i個(gè)聚類中心與第j個(gè)樣本之間的歐氏距離；α∈[1,∞)，為算法的柔性參數(shù)，控制聚類的模糊程度。而算法的聚類中心與隸屬度矩陣的迭代公式為：

算法具體執(zhí)行步驟為：

Step1：用取值在[0,1]區(qū)間的隨機(jī)數(shù)初始化滿足式1的隸屬度矩陣U；

Step2：根據(jù)式(5)計(jì)算m個(gè)類的聚類中心Z_i，i＝1,…,m。

Step3：根據(jù)式(4)計(jì)算價(jià)值函數(shù)，如果它下雨某個(gè)確定的閾值ΔJ，則算法停止，否則進(jìn)行步驟4；

Step4：使用式(6)計(jì)算新的隸屬度矩陣，返回步驟2。

而算法聚類數(shù)目定義為：

其中，resolution為CT圖像的分辨率，skelnum為對(duì)冠脈連通域進(jìn)行骨架化后得到的血管骨架點(diǎn)數(shù)目。

108.根據(jù)灰度直方圖計(jì)算自適應(yīng)閾值，依靠閾值篩選步驟7中的冠脈血管區(qū)域；

使用一維高斯函數(shù)對(duì)直方圖進(jìn)行擬合，進(jìn)而選取T＝μ+1.5*σ為經(jīng)驗(yàn)閾值，選取平均CT值大于閾值的血管區(qū)域?yàn)殁}化區(qū)域。

109.參考Agatston積分法對(duì)步驟8中獲得的鈣化區(qū)域進(jìn)行鈣化分計(jì)算；

參考Agatston積分法對(duì)步驟8中獲得的鈣化區(qū)域進(jìn)行鈣化分計(jì)算，最終完成冠脈鈣化量化。