[发明专利]一种X射线冠脉造影图像血管增强方法

说明书

技术领域

本发明属于医学图像处理、计算机医学辅助诊疗系统、数字信号处理、计算机人工智能及模式识别技术领域，特别涉及利用计算机对噪声条件下的X射线医学冠状动脉造影图像进行增强的方法。

背景技术

X射线冠状动脉造影(X射线冠脉造影图像：X-Ray Angiogram)检查是目前国际上公认的诊断冠心病的最佳手段，被称为冠心病诊断的“金标准”。由于成像机理原因，医学图像往往存在时间/空间分辨率与信噪比的矛盾。X射线冠脉造影成像时，X线经人体衰减后得到的图像包含了关于人体组织的各种相关信息，在X线透射、光的转换、视频信号的形成及A/D转换等过程中也引入了各种噪声，如：X线的散射噪声、影像增强器的量子噪声、摄像管及A/D转换等引起的系统噪声。而成像又受到各种实际因素的影响，如患者的舒适度、系统的要求等等，需要快速成像。快速成像会导致图像低的信噪比和对比度。在提高图像的时间分辨率的同时，图像中的噪声会大大降低图像的质量，使一些组织边界变得模糊，细微结构难以辨认，加大了对图像细节识别和分析的难度，影响医学诊断。

噪声的存在使获得的图像不清晰，尤其是掩盖和降低了造影图像中某些特征细节的可见度。可见度的损失对低对比度物体尤为重要，对以后的血管图像识别更为不利。因此需要对X射线冠脉造影图像进行增强，突出血管的线条结构以利于后期的进一步分析与处理。

图像增强采用各种数字处理技术改善图像的视觉效果，使图像结果更适合于观看，提高图像视觉质量及其可诊断性。对医学X射线冠脉造影图像进行增强，就是要压制(抑制)图像中的噪声同时突出冠状动脉血管结构，得到对医务人员来说视觉效果更好、更易于诊断的图像。

人们已经对图像去噪和增强研究了几十年，主要可分为两大类：传统的低通去噪方法(包括均值滤波、高斯平滑等)；非线性方法(中值滤波、小波变换、各向异性扩散方程、数学形态学等)。但这些方法在对X射线冠脉造影图像进行去噪时效果都不理想。X射线冠脉造影图像(简称XRA)具有如下特点：1)血管的形状复杂，而且容易发生变形；2)血管的密度和血管的直径变化很大，导致血管灰度的变化范围也很大；3)图像中的背景噪声比较高(由于不同组织对X射线的衰减系数不相同造成图像背景的灰度分布不均匀以及各种散射噪声、量化噪声等形成了大量背景噪声)。传统的低通去噪方法在进行X射线冠脉造影图像(XRA：X-Ray Angiogram)降噪会破坏图像中的重要组织(主要指血管)结构信息，使一些组织边界变得模糊，细微结构难以辨认，加大了对图像细节识别和分析的难度，影响医学诊断。基于小波变换去噪方法的效果依靠小波基的构造，而合适的小波基构造方法现在还没有一个成型的理论，本身就是一个难题。基于数学形态学的方法，去噪结果和结构元素的大小和形状密切相关。各向异性扩散方程在去噪过程中存在扩散尺度参数选择以及扩散终止条件确定问题，直接影响了去噪效果。这些方法最明显的缺点就是都需要冠脉造影图像相关的先验知识，根据不同的图像需要选择合理的参数才能处理，因此降噪能力受到很大限制。

经验模态分解(Empirical Mode Decomposition，EMD)是近年来引起人们关注的一种新的时频分析方法，适合于分析非线性、非平稳信号序列，具有很高的信噪比。它依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数。这一点与建立在先验性的谐波基函数和小波基函数上的傅里叶分解与小波分解方法具有本质性的差别。经验模态分解将复杂信号分解为有限个(层)本征模态函数(Intrinsic Mode Function，简称IMF)，所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号。因为基函数(IMF分量)是由数据本身所分解得到，同时由于分解是基于信号序列时间尺度的局部特性，所以与短时傅立叶变换、小波分解和各向异性扩散方程等方法相比，这种方法具有自适应性。本发明利用经验模态分解方法对X射线冠脉造影图像进行自适应分解，对得到的各IMF分量进行去噪，并选择能够代表血管结构的IMF高频分量进行造影图像重构即可达到去除噪声的目的，且在去噪过程中无须先验知识、能够根据造影图像特点进行自适应降噪。

二维经验模态分解可将一幅图像I分解为n层本征模态函数和一个残余的趋势分量，表示为：