[发明专利]X射线造影图像中血管结构的提取方法及装置

权利要求书

1.一种X射线造影图像中血管结构提取方法，其特征在于，包括：

步骤1，利用分类模型，对若干图像块进行分类，获取血管图像块；所述若干图像块包括利用原始X射线造影图像中满足预设条件的若干特定像素点构建的血管图像块和非血管图像块；

步骤2，将所述血管图像块对应的特定像素点的像素值设置为预设值，获取缺损图像；

步骤3，利用根据所述缺损图像的灰度信息和深度信息构建的修复函数，对所述缺损图像进行修复，获取修复图像；

步骤4，将所述原始X射线造影图像与所述修复图像进行差分运算，获取血管结构；

所述步骤1之前还包括：

利用若干血管图像块和非血管图像块的特征向量和标签，对基于Adaboost强分类器和概率增强树构建的混合分类器进行训练，获得分类模型；

所述若干血管图像块和非血管图像块分别基于若干X射线造影图像中若干血管像素点和非血管像素点构建；

所述步骤3之前还包括：

根据所述缺损图像中各像素邻域的空间位置和方向信息以及所述像素的邻域灰度信息，基于相邻的像素差异性最小原则，构建平面马尔科夫模型，并利用所述平面马尔科夫模型对所述缺损图像的深度信息进行获取；

根据所述缺损图像的所述深度信息和灰度信息，基于所述缺损图像中相邻像素的深度信息和灰度信息差别最小原则，构建修复函数。

2.根据权利要求1所述的方法，其特征在于，所述对基于Adaboost强分类器和概率增强树构建的混合分类器进行训练之前还包括：

采用若干层决策树模型作为弱分类器构建Adaboost强分类器；

构建特定深度的概率增强树，将所述Adaboost强分类器作为所述概率增强树的节点，得到混合分类器。

3.根据权利要求1或2所述的方法，其特征在于，所述特征向量的获取方式为：

分别采用基于Frangi增强方法所得的滤波器和若干个不同方向和尺度的Gabor滤波器对图像块进行滤波，并分别计算滤波之后图像的均值和方差；

基于所述均值和方差，构建描述图像块的特征向量。

4.根据权利要求1所述的方法，其特征在于，所述满足预设条件的若干特定像素点的获取方法为：

利用Hessian矩阵对所述原始X射线造影图像中的各像素点进行矩阵分析，获取对应的矩阵；

基于所述矩阵的特征值和阈值，获取所述原始X射线造影图像的特定像素点。

5.根据权利要求1所述的方法，其特征在于，所述步骤1之前还包括：

对所述原始X射线造影图像进行高低帽变换。

6.根据权利要求1或5所述的方法，其特征在于，所述步骤1之前还包括：

基于Hessian矩阵特征值构建的响应约束，对所述原始X射线造影图像进行增强，抑制背景噪声。

7.一种X射线造影图像中血管结构的提取装置，其特征在于，包括：图像块获取模块、缺损图像获取模块、修复图像获取模块和提取模块；

所述图像块获取模块，用于利用分类模型，对若干图像块进行分类，获取血管图像块；所述若干图像块包括利用原始X射线造影图像中满足预设条件的若干特定像素点构建的血管图像块和非血管图像块；

所述缺损图像获取模块，用于将所述血管图像块对应的特定像素点的像素值设置为预设值，获取缺损图像；

所述修复图像获取模块，用于利用根据所述缺损图像的灰度信息和深度信息构建的修复函数，对所述缺损图像进行修复，获取修复图像；

所述提取模块，用于将所述原始X射线造影图像与所述修复图像进行差分运算，获取血管结构；

所述提取装置还包括，训练模块，用于利用若干血管图像块和非血管图像块的特征向量和标签，对基于Adaboost强分类器和概率增强树构建的混合分类器进行训练，获得分类模型；

所述若干血管图像块和非血管图像块分别基于若干X射线造影图像中若干血管像素点和非血管像素点构建；

还包括：

修复函数构建模块，用于根据所述缺损图像中各像素邻域的空间位置和方向信息以及所述像素的邻域灰度信息，基于相邻的像素差异性最小原则，构建平面马尔科夫模型，并利用所述平面马尔科夫模型对所述缺损图像的深度信息进行获取；并根据所述缺损图像的所述深度信息和灰度信息，基于所述缺损图像中相邻像素的深度信息和灰度信息差别最小原则，构建修复函数。