普適的血管分割方法及系統的制作方法
【技術領域】
[0001] 本發(fā)明屬于醫(yī)療圖像領域，尤其涉及一種普適的血管分割方法及系統。
【背景技術】
[0002] 目前，心腦血管疾病已經嚴重威脅著人類的健康。隨著CT血管造影、磁共振血管造 影(MRA)等成像技術的發(fā)展，醫(yī)學圖像的后處理技術變得越來越重要，精確的血管分割是血 管類疾病診斷與治療的關鍵。
[0003] 多尺度濾波、形變模型、統計模型及混合方法在血管分割中得到了廣泛的研究和 應用。多尺度濾波通過抑制背景噪聲增強血管，但是血管并沒有與背景區(qū)分開來。形變模型 有效地整合了自底向上的信息和自上而下的先驗知識，但分割質量主要依賴于模型參數。 統計學模型主要是根據像素點的強度信息進行分類，但其模型的選擇受限于圖像的統計學 特性。混合方法是將多種分割算法相結合，以降低血管誤分割的概率。
[0004] 到目前為止，基于統計學的分割算法已經引起了越來越多的關注，而模型選擇則 是基于統計學的分割算法的關鍵。針對腦部MRA圖像，Wilson和Noble于1999年提出了一種 基于統計學模型的血管分割方法。根據灰度值特性，他們用一個均勻分布擬合血管類，兩個 高斯分布擬合背景類。2006年，Hassouna對模型進行了改進，他的方法中用一個瑞利函數和 兩個高斯函數擬合背景噪聲，同時用一個高斯函數擬合血管，并取得了更好的血管分割效 果。2013年，將統計學模型和多模式鄰域系統相結合，可以提取出更精細的血管目標。然而， 不同模態(tài)的血管圖像或者不同器官的血管成像具有不同的統計學特性，很難用同樣的混合 模型去精確擬合。

【發(fā)明內容】

[0005] 本發(fā)明實施例的目的在于提供一種普適的血管分割方法，該方法能夠普遍適應血 管的精確擬合。
[0006] 本發(fā)明提供一種普適的血管分割方法，所述方法包括如下步驟：
[0007] 對輸入的血管造影原始圖像數據進行多尺度濾波后獲得增強后的圖像；
[0008] 對增強后的直方圖曲線擬合血管數據和擬合噪聲數據得到增強后的圖像的混合 豐旲型；
[0009] 對混合模型中的參數進行參數估計處理；
[0010] 通過最大后驗概率估計法則將經過參數估計處理的混合模型中的血管從圖像中 分咼出來。
[0011] 可選的，所述對輸入的血管造影原始圖像數據進行多尺度濾波后獲得增強后的圖 像具體，包括：
[0012] 多尺度濾波算法通過尺度變換，利用Hessian矩陣的特征值計算局部血管出現的 概率，所述血管增強函數如下：
[0014] 其中，Ra，Rb，S為三個測度函數，如公式(2)所示，且Ra用來區(qū)分片狀和線狀結構，Rb 用來區(qū)分點狀結構和線狀結構，S用于區(qū)分背景像素，α，β和c分別可以為個測度的閾值用于 控制；
[0016] 可選的，所述對增強后的直方圖曲線擬合血管數據和擬合噪聲數據得到增強后的 圖像的混合模型具體，包括：
[0017] 混合模型f(x)如式(3)所示：

[0019]其中，fE1(x)(l = l，2)和fG(x)分別表示指數分布和高斯分布，如式⑷所示，wei(1 =1，2)為指數分布所占的比例，wc可以為高斯分布所占的比例
[0021 ]可選的，所述對混合模型中的參數進行參數估計處理具體，包括：
[0022]當原始血管造影圖像的峰值點超過3個時，則用3個峰值點完成k均值的初始化完 成參數估計處理，否則，采用如下規(guī)則完成k均值算法的初始化；
[0024]其中，Imax是原始圖像中像素最大值，
初始聚類中心，（1 = 1，2,3)是由k均值聚類算法估計得到的三個分布的模型 參數，
[0026]由EM算法得到的迭代更新公式如公式(7)和(8):
[0029]其中，是第j個體素的強度值，N是體素的總數，后驗概率fk(Ei|Xj)和f k(G|Xj)由 貝葉斯公式計算如下：
[0030]
[0031] 可選的，所述通過最大后驗概率估計法則將經過參數估計處理的混合模型中的血 管從圖像中分離出來具體，包括：
[0032] 由最大后驗概率估計法則，根據公式(10)可以最終把血管從圖像中分離出來：
[0033] WGfc(xj) >WElfEl(Xj)+WE2fE2(Xj) (10)。
[0034] 另一方面，提供一種普適的血管分割系統，所述系統包括：
[0035] 增強單元，用于對輸入的血管造影原始圖像數據進行多尺度濾波后獲得增強后的 圖像；
[0036] 擬合單元，用于對增強后的直方圖曲線擬合血管數據和擬合噪聲數據得到增強后 的圖像的混合模型；
[0037] 參數估計單元，用于對混合模型中的參數進行參數估計處理；
[0038] 分離單元，用于通過最大后驗概率估計法則將經過參數估計處理的混合模型中的 血管從圖像中分離出來。
[0039]可選的，所述增強單元具體，用于多尺度濾波算法通過尺度變換，利用Hessian矩 陣的特征值計算局部血管出現的概率，所述血管增強函數如下：
[0041] 其中，Ra，Rb，S為三個測度函數，如公式(2)所示，且Ra用來區(qū)分片狀和線狀結構，RB 用來區(qū)分點狀結構和線狀結構，S用于區(qū)分背景像素，α，β和c分別可以為個測度的閾值用于 控制；
[0043] 可選的，所述擬合單元具體，用于
[0044] 混合模型f(x)如式(3)所示：
[0046]其中，fEi(x)(l = l，2)和fc(x)分別表示指數分布和高斯分布，如式⑷所示，wei(1 =1，2)為指數分布所占的比例，wc可以為高斯分布所占的比例，且滿足

[0048] 可選的，所述參數估計單元具體，用于
[0049] 當原始血管造影圖像的峰值點超過3個時，則用3個峰值點完成k均值的初始化完 成參數估計處理，否則，采用如下規(guī)則完成k均值算法的初始化；
[0051] 其中，Imax是原始圖像中像素最大值，
表示k均值算法的 初始聚類中心，（1 = 1，2,3)是由k均值聚類算法估計得到的三個分布的模型 參數，
[0052]
[0053]由EM算法得到的迭代更新公式如公式(7)和(8):
[0054]
[
[0056] 其中，是第j個體素的強度值，N是體素的總數，后驗概率fk(Ei|Xj)和fk(G|x〇由 貝葉斯公式計算如下：
[0057]
[0058] 可選的，所述分離單元具體，用于
[0059] 由最大后驗概率估計法則，根據公式(10)可以最終把血管從圖像中分離出來：
[0060] WGfc(xj) >WElfEl(Xj)+WE2fE2(Xj) (10)。
[0061] 在本發(fā)明實施例中，本發(fā)明提供的技術方案將多尺度濾波和統計學方法相結合， 提出了一種普適的血管分割方法。首先，不同模態(tài)的圖像數據通過多尺度濾波進行血管增 強，增強后的數據具有一個新的相近的統計學特性，針對濾波后的數據，利用一個高斯函數 擬合血管類，同時根據直方圖特性選用兩個指數函數擬合背景噪聲類，模型參數選用最大 期望(EM)算法進行估算，最后，本發(fā)明利用最大后驗概率分類將血管和背景標記出來。
【附圖說明】
[0062] 圖1為本發(fā)明第一較佳實施方式提供的一種普適的血管分割方法的流程圖；
[0063] 圖2為本發(fā)明第一較佳實施方式提供的增強后的直方圖曲線示意圖；
[0064] 圖3為本發(fā)明第一較佳實施方式的仿真數據示意圖；
[0065] 圖4為本發(fā)明第一較佳實施方式的臨床數據示意圖；
[0066] 圖5為本發(fā)明第一較佳實施方式的血管增強前后圖像直方圖；
[0067] 圖6為本發(fā)明第一較佳實施方式的直方圖擬合結果示意圖；
[0068] 圖7為本發(fā)明第一較佳實施方式的仿真數據分割結果示意圖；
[0069]圖8為本發(fā)明第