[发明专利]一种利用纵截面和回撤性质的IVOCT分支血管识别方法

说明书

本发明涉及一种利用纵截面和回撤性质IVOCT分支血管识别方法，包括下列步骤：(1)基于管腔轮廓进行主血管中心提取和图像中心校准，使主血管中心成为图像的正中心；(2)分支血管图像识别，方法如下：纵截面角度计算；纵截面的提取；纵截面轮廓提取：在Img的纵截面图像中逐行扫描，以一条全为黑色的像素为界，将纵截面图划分成上下两部分，然后将上部分图像进行水平翻转，将上下两部分纵截面图分别进行二值化，从上到下进行扫描，提取纵截面图每一列第一个血管壁像素作为纵截面轮廓，如此分别得到上下两部分的纵截面轮廓；纵截面轮廓梯度计算，判断是否存在分支血管；(3)血管分支分界点识别与分割。

技术领域

本发明涉及内窥光学相干层析成像(Intravascular Optical CoherenceTomography,IVOCT)覆盖心血管、脑血管等内窥OCT成像领域，尤其涉及一种利用纵截面和回撤性质的的IVOCT血管图像的分支血管的全自动识别方法。

背景技术

血管内窥光学相干层析成像技术(IVOCT)是一种基于导管的检查方法，它利用近红外光，可获取分辨率为十倍于血管内超声(IVUS)的体内血管壁微结构的高分辨率成像。分支血管信息对血管模型的流体模拟与数值分析，以及不同类别血管图像的配准都有很大的应用价值。因此，分支血管的准确识别及识别在冠状动脉疾病的治疗中显得尤为重要。

目前，国内外学者提出的分支血管的识别方法主要可以分为基于机器学习与深度学习的算法与传统的计算机视觉算法。其中，Alberti等^[1]利用基于机器学习的算法完成了分叉检测。他们提取了多种IVOCT图像中管腔的特征，从而评估三个不同的分类器(Adaboost，Random Forest和SVM)的性能表现。Macedo等^[2]使用基于Ughi等人^[3]的一组算子，通过从管腔轮廓提取几何特征来识别分支。基于神经网络的深度学习的算法取得了比机器学习算法更优越的性能。Macedo等人和Porto等人^[4,5]使用相同数据集评估了神经网络和SVM分类器在分支检测任务中的性能，发现使用神经网络获得的结果要比SVM更好。然而，基于机器学习与深度学习的算法对训练细节要求严格，对训练数据集的大小依赖也很严重，不便于生产环境的复现。

传统的计算机视觉算法具备深度学习方法不具备的优点。Wang等^[6]提出了一种基于距离变换提取主血管中心进而进行IVOCT血管分支识别的全自动方法。他们首先使用了Dijkstra算法，基于IVOCT图像的梯度检测导管各个部分与管腔轮廓，然后基于管腔轮廓和提取到的主血管中心，设置距离阈值并建立距离图来检测血管分支。Cao等人^[7]在Wang等人的基础上进一步提高了主血管和分支分界点的检测精度。他们使用Wang等人的算法筛选有可能是分支的图像，然后计算图像轮廓点的法向量与指向主血管中心向量夹角，通过该夹角的变化来进行分界点的识别。

主流的两种传统计算机视觉方法中，Wang等人基于距离的方法可以识别较大的分支，但对较小的血管分支则失去识别能力，Cao等人利用法向量的方法对血管轮廓曲线的噪声极为敏感，易出现误识别。IVOCT图像血管轮廓与分支的准确识别，具有重要的研究意义和实际价值。有其他专利^[8]基于Wang的方法做出了改进，但依然没有解决较小分支血管的识别问题。

参考文献：

[1]M.Alberti et al.Automatic bifurcation detection in coronary IVUSsequences[J].IEEE Trans.Biomed.Eng.2012,vol.59,no.4,pp:1022-1031.