[发明专利]基于内超声图像序列的血管壁边缘自动检测方法

摘要

一种基于内超声图像序列的血管壁边缘自动提取方法，先粗检：利用血管壁处的信息特征，通过系列图像处理方法获取第一帧图像的初始边缘；再细检：改进GVF‑snake算法，引入自我调节因子和自适应法向外力，在增强边缘附近数据项的梯度影响，减少扩散引起的平滑效应的同时，能依据图像边缘和当前轮廓曲线相对位置来调整力的方向，扩大活动轮廓的捕捉范围，解决了由于无法到达局部区域而不能获得所需边缘的问题，使初始边缘精确收敛于实际管壁边缘。在变形过程中加入三次B样条，以减少控制点，提高收敛速度，光顺轮廓曲线，得到第一帧图像的最终边缘。由于相邻图像之间时间、空间相关性较大，将所获最终边缘作为下一帧图像初始边缘，重复上述细检工作，以此类推，得到序列图像的血管壁边缘。

主权项

1.一种基于内超声图像序列的血管壁边缘自动检测方法，利用图像序列的时间特性和经验知识来抑制噪声，并检测冠状动脉血管壁的初始边缘，然后，利用三次B样条来光顺轮廓；再结合灰度图像的梯度、均值、方差信息，结合自适应算法，在梯度矢量流轮廓提取算法中引入新的调节因子和自我调整法向外力，用于对初始轮廓进行变形；最后获得冠状动脉血管内超声图像血管壁的最终边缘；其特征在于：包括下述步骤：1.1.根据血管内超声图像的特点，综合利用图像处理方法，分别对血管壁内外边缘进行预提取，获得血管壁的初始边缘；1.2.通过三次B样条曲线的局部性，构造矩阵如下： P ( s - n ) = 1 6 [ s 3 s 2 s 1 ] - 1 3 - 3 1 3 - 6 3 0 - 3 0 3 0 1 4 1 0 C n - 1 C n C n + 1 C n + 2 - - - ( 1 ) ]]>其中0≤s≤1，在初始边缘上通过径向搜索得到均匀采样点Pi(s)＝(xi，yi)，经改进的GVF-snake变形后到达的点的位置坐标为Pj(s)＝(xj，yj)，采样点位置坐标的变化与所在改进后的矢量场的关系满足下式：Pj(s)-Pi(s)＝μVGVF(xi，yi) (2)μ为比例系数，通过B样条的光顺特性用来完成整个闭合轮廓曲线平滑程度的改善；1.3.设置参数λ1和λ2来调节整个梯度矢量流场VGVF(x，y)＝[u(x，y)，v(x，y)]，该矢量场的外力方程式为： F e x t u 1 = u ( x , y ) = λ 1 ▿ 2 u ( x , y ) - λ 2 ( u ( x , y ) - f x ( x , y ) ) | ▿ f | 2 F e x t v 1 = v ( x , y ) = λ 1 ▿ 2 v ( x , y ) - λ 2 ( v ( x , y ) - f y ( x , y ) ) | ▿ f | 2 - - - ( 3 ) ]]>其中，λ1和λ2的大小通过迭代过程中的循环变量i来控制， λ 1 = μ * i / k λ 2 = 1 - λ 1 = 1 - μ * i / k - - - ( 4 ) ]]>k是灰度图像I(x，y)中x和y的最大值，将矢量场外力方程中的u和v作为时间t函数进行求解： u ( x , y , t ) = λ 1 ▿ 2 u ( x , y , t ) - λ 2 ( u ( x , y , t ) - f x ( x , y ) ) | ▿ f | 2 v ( x , y , t ) = λ 1 ▿ 2 v ( x , y , t ) - λ 2 ( v ( x , y , t ) - f y ( x , y ) ) | ▿ f | 2 - - - ( 5 ) ]]>对上式进行中心差分，得到离散方程： u i , j n + 1 = λ 1 t ▿ x ▿ y ( u i + 1 , j n + u i , j + 1 n + u i - 1 , j n + u i , j - 1 n - 4 u i , j n ) - λ 2 [ u i , j n - f x ( i , j ) Δ t ] | ▿ f | 2 v i , j n + 1 = λ 1 t ▿ x ▿ y ( v i + 1 , j n + v i , j + 1 n + v i - 1 , j n + v i , j - 1 n - 4 v i , j n ) - λ 2 [ v i , j n - f y ( i , j ) Δ t ] | ▿ f | 2 - - - ( 6 ) ]]>其中，n为迭代次数，Δt为时间间隔；1.4.在GVF基础上添加活动轮廓上控制点处的单位法向量，用来产生一个垂直于活动轮廓曲线的自适应外力：其中，为活动轮廓上控制点处所取外力的符号，是单位法向量，k为梯度矢量和法向矢量内积的加权系数；通过不断迭代变形，获得所需的最终边缘。