[发明专利]一种基于血管内超声图像的血管ROI分割方法

摘要

本发明涉及一种基于血管内超声图像的血管ROI分割方法。所述方法首先分割血管的管腔区域以及管腔膜轮廓，通过定位管腔区域的中心以获得参数主动轮廓模型的初始轮廓，继而通过收敛得到血管的中外膜轮廓曲线，中外膜的提取充分利用了管腔区域信息的先验知识。最后，将中外膜轮廓曲线以内区域作为ROI，通过全局最小化活动轮廓模型实现对血管斑块的分割。本发明实现了血管ROI的管腔膜中外膜以及斑块的轮廓信息可视化，与基于统计学的IVUS图像分割方法相比，摒弃了其复杂的统计建模过程且分割结果不受IVUS图像伪影和斑块特征的影响；省掉了对IVUS图像中外膜边缘进行初始轮廓的预分割步骤，提高了分割效率。

主权项

一种基于血管内超声图像的血管ROI分割方法，其特征在于，包括以下步骤：步骤1，利用血管内超声仪，匀速回拉导管，获得人体冠状动脉的血管内超声视频影像；步骤2，将步骤1得到的血管内超声视频影像导入计算机，从视频中截取连续的血管内超声图像序列作为实验图像，图像分辨率为2x0*2y0，以下简称为超声图像；步骤3，对上述超声图像进行超声图像管腔膜的分割；步骤3.1，创建与待分割血管内超声图像大小相同的初始管腔轮廓模板矩阵；设待分割图像为I(x,y)，创建大小同样为2x0*2y0的空矩阵Minit，确立中心坐标为O(x0,y0)，令Minit(x0‑a:x0+b,y0‑c:y0+d)＝1，即创建了长为c+d宽为a+b的矩形初始化区域模板；步骤3.2，初始化符号距离函数映射矩阵；设Minit为步骤3.1中设置的初始管腔轮廓模板矩阵，计算Minit中当前像素点与最近的非零像素点的欧氏距离，单位像素距离为1，设符号距离函数映射矩阵为：φ＝bwdist(Minit)‑bwdist(1‑Minit)‑0.5其中，bwdist为距离变换函数，默认计算二值图中当前像素点与最近的非0像素点的距离，并返回与原二值图相同大小的结果矩阵；步骤3.3，设置窄带的宽度；得到符号距离函数映射矩阵φ之后，设置窄带Wnarrowband的宽度为2k，窄带Wnarrowband为满足‑k≤φ≤k条件的像素点组成的集合；步骤3.4，计算窄带区域内的图像数据力Fimage，公式如下：Fimage＝[IWnarrowband(x,y)‑ca]2‑[IWnarrowband(x,y)‑cb]2其中ca、cb分别是待分割图像I(x,y)内外两个区域上的灰度均值；步骤3.5，计算曲率速度项Vcurve；对于窄带区域的点φ(x,y)，‑k≤φ≤k，通过八邻域的方法分别构造φx、φy、φxx、φyy和φxy：φx＝φ(x+1,y)‑φ(x‑1,y)φy＝φ(x,y+1)‑φ(x,y‑1)φxx＝φ(x‑1,y)+φ(x+1,y)‑2φ(x,y)φyy＝φ(x,y‑1)+φ(x,y+1)‑2φ(x,y)φxy＝‑0.25*φ(x‑1,y‑1)‑0.25*φ(x+1,y+1)   +0.25*φ(x+1,y‑1)+0.25*φ(x‑1,y+1)曲率速度项Vcurve为：Vcurve=φxxφy2-2φyφxφxy+φyyφx2(φx2+φy2)32]]>步骤3.6，计算速度函数，公式如下：F=Fimagemax(|Fimage|)+α·φxxφy2-2φyφxφxy+φyyφx2(φx2+φy2)32]]>其中，α为光顺权重系数；步骤3.7，对窄带Wnarrowband内符号距离函数映射矩阵φ进行迭代，迭代公式为：φWn+1=φWn+Δt1·F]]>式中，n为迭代次数，Δt1＝0.45/max(F)为时间步长；步骤3.8，经过N次迭代，N表示最大迭代次数，最终符号距离函数映射矩阵φ的迭代结果即为血管管腔区域的二值矩阵，记做管腔区域轮廓图像为finit，提取管腔膜边缘即得到管腔膜分割结果；步骤4，实现超声图像的中外膜分割；步骤4.1，确定管腔轮廓区域图像的中心；计算由步骤3中得到的血管管腔区域轮廓图像finit的p+q阶矩mpq，公式如下：mpq=Σj=1NΣi=1Nipjqfinit(i,j)]]>其中，p和q都是非负整数；管腔轮廓区域图像的中心Ccentre(xc,yc)的坐标为：xc=m10m00yc=m01m00]]>其中，m00表示图像finit的0阶矩，m10和m01表示图像finit的一阶矩；步骤4.2，初始化Snake初始轮廓；设Snake初始轮廓曲线为C0(s)，其坐标点为(x(s),y(s))，令s∈[0,1]，θ∈[0,2π]；步骤4.3，求Snake轮廓曲线满足的方程；定义C(s)＝(x(s),y(s))的能量：Esnake=∫01{12[α|C′(s)|2+β|C′′(s)|2]+Eext(C(s))}ds]]>其中，为图像能量，I(x,y)为待分割图像；对s求导得：αC′′(s)-βC′′′′(s)-▿Eext=0]]>设空间步长为h，轮廓线上点的坐标为Xi＝(xi,yi)，将导数用差分近似，Xi′′=Xi-1-2Xi+Xi+1h2,Xi′′′′=[Xi-2Xi-1+Xi]-2[Xi-1-2Xi+Xi+1]+[Xi-2Xi+1+Xi+2]h4]]>将上式化为Xi的矢量形式的线性方程组：Ax+fx(x,y)=0Ay+fy(x,y)=0]]>其中，A为由α,β,h构成的对称五对角循环矩阵，(x,y)为轮廓线上点的横坐标和纵坐标组成的矢量，fx(x,y),fy(x,y)为由Eext在Xi处对x,y的偏导数组成的矢量；步骤4.4，通过迭代求解血管的中外膜轮廓；将轮廓C(s)视作s和时间t的函数C(s,t)，初值为：C(s,0)＝C0(s)，迭代求解结果为：xi=(A+γI)-1(γxi-1-fx(xi-1,yi-1))yi=(A+γI)-1(γyi-1-fy(xi-1,yi-1))]]>选取初始的Snake曲线作为方程的初解，当解收敛时，即Ci(s,t)≈0时得到最优曲线，该曲线即为血管的中外膜轮廓；步骤5，利用全局最小化主动轮廓模型算法对血管斑块部分进行分割；将步骤4得到的超声图像中外膜边缘作为超声图像ROI的临界线，选取步骤4中所分割的中外膜轮廓线以内的区域作为斑块分割的ROI，利用全局最小化主动轮廓模型算法对血管斑块部分进行分割。