[发明专利]基于超声图像的内中膜分割方法、装置、设备及存储介质

说明书

本发明适用生物医学信息技术领域，提供了一种基于超声图像的内中膜分割方法、装置、设备及存储介质，该方法包括：当接收到超声图像内中膜的分割请求时，获取分割请求对应的待分割超声序列图像和待分割超声序列图像中的第一帧图像分割值，根据待分割超声序列图像中的各帧图像的时间先后顺序，在第一帧图像分割值的基础上，依次根据各帧图像中相邻两帧图像中的前一帧图像的分割值计算后一帧图像的分割初始值，并根据后一帧图像的分割初始值使用预设的滤波器计算后一帧图像的分割值，直至得到待分割超声序列图像中的所有各帧图像的分割值，根据所有各帧图像的分割值对待分割超声序列图像进行内中膜分割，从而提高了内中膜分割的准确性，进而提高疾病诊断的准确性。

技术领域

本发明属于生物医学信息技术领域，尤其涉及一种基于超声图像的内中膜分割方法、装置、设备及存储介质。

背景技术

动脉粥样硬化及其并发症，如心肌梗死和心力衰竭，已经成为世界范围内导致人们死亡的主要原因，其中大约80％的死亡病例是由于冠状动脉疾病和脑血管疾病所引起的。颈动脉壁的内中膜增厚、形成斑块进而导致血管狭窄、栓塞，是反映动脉粥样硬化病变情况(例如，缺血性中风)的最早期指标，因此，动脉粥样硬化病变情况可以通过颈动脉壁的内中膜厚度测量来衡量。由于超声诊断技术具有“实时、经济、可靠、安全”等优点，且适合应用于药效评价及患者随访等，因此，通常利用该技术得到的图像序列来分割出颈动脉壁的内中膜和中外膜，以二者之间的平均距离作为颈动脉壁厚度，进而评估动脉粥样硬化病变程度。

在以往的诊断中，内中膜厚度的计算只是在超声序列图像中选择一幅或者两幅典型图像，计算这些时刻的内中膜厚度。然而，颈动脉壁厚度在心动周期内呈周期性变化，在心脏舒张期达到最大值，在心脏收缩期达到最小值。临床研究表明，为了更确切而有效地评估心血管病变风险，需要在整个心动周期中监测内中膜厚度的变化规律。因此，在整个心动周期中进行内中膜分割，是一种更为新颖可靠的颈动脉粥样硬化诊断方法。如果要实现整个心动周期中的内中膜分割，分割的工作量就会大幅度上升，因此，必须基于计算机的颈动脉血管壁半自动或自动分割方法，以降低医生的工作量。然而，超声图像尽管能较好地根据回声特性判断不同组织，但由于存在斑点噪声、图像对比度低、存在伪影和弱边界和动脉壁在超声序列图像中的运动等问题，给颈动脉分割带来了一系列难处。因此，需要开发一种能够克服图像噪声、低对比度、弱边界和动脉壁运动问题的颈动脉壁的提取算法，从而准确、自动、可重复地从超声成像序列中提取颈动脉壁。

以往研究曾经用蛇算法进行图像分割。蛇算法最早是由Kass、Wikin和Terzopoulos在1987年提出的。蛇算法通过能量最小化方式，将初始轮廓进行形变，在自身内力的作用下迫使曲线平滑，并且在外力作用下逼近目标边缘(即内中膜和中外膜边缘)。当初始值和蛇模型的参数准确给定时，这种方法可以很好地分割单幅的超声图像，因此被广泛地应用在计算机视觉和图像处理上，并在动脉壁分割、血管提取中有过应用。然而，蛇算法存在的问题是需要给定初始轮廓线及相关参数，这给超声成像序列中颈动脉壁的提取带来了困难。此外，由于蛇模型只能找到能量的局部极小值(也就是离蛇初始位置较近的边缘)，因此超声图像中的噪声和错误的边缘，也会给蛇模型分割带来困难。

为此，有研究者提出根据当前帧图像的初始值和蛇结果，通过卡尔曼滤波来确定当前帧颈动脉壁位置的最佳估计值，并以此作为下一帧图像的蛇的初始位置。卡尔曼滤波将图像噪声考虑为高斯噪声，通过最小化估计误差协方差来定位内中膜和中外膜的位置。然而，卡尔曼滤波存在的问题是需要假设噪声为高斯分布，而在实际超声序列图像中，噪声却并不总是高斯分布的，即该假设未必成立，这样，传统卡尔曼滤波器的性能会受到影响。

发明内容

本发明的目的在于提供一种基于超声图像的内中膜分割方法、装置、设备及存储介质，旨在解决现有内中膜分割方法分割准确性不高的问题。

一方面，本发明提供了一种基于超声图像的内中膜分割方法，所述方法包括下述步骤：

当接收到超声图像内中膜的分割请求时，获取所述分割请求对应的待分割超声序列图像和所述待分割超声序列图像中的第一帧图像分割值；