基於圖像的血管內中膜厚度自動提取方法及系統的製作方法
2023-11-06 04:37:57
專利名稱：基於圖像的血管內中膜厚度自動提取方法及系統的製作方法
基於圖像的血管內中膜厚度自動提取方法及系統
技術領域：
本發明涉及生物醫學圖像處理領域，特別涉及基於圖像的血管內中膜厚度自動提取方法及系統。
背景技術：
心腦血管疾病已成為人類健康的頭號殺手，動脈粥硬化及其併發症是導致心腦血管疾病的主要機制。血管內中膜厚度(Intima-Media Thickness, IMT)是臨床診斷中衡量動脈粥樣硬化程度的最主要的指標。血管內中膜厚度是指血管壁遠端內腔-內膜和中膜-外膜之間的距離，隨著年齡的增長和動脈粥樣硬化病變，血管會發生器質性變化，內中膜厚度增加。為了方便獲知血管內中膜厚度，常通過超聲檢查進行拍攝圖像。傳統的測量血管內中膜厚度的方法是通過手動標記，根據經驗，在拍攝的超聲圖像中的血管腔-內膜和中膜-外膜的邊界上分別標記兩點，其間的距離作為IMT的值。因IMT的值並不是均勻的，且生物組織的分解並不是絕對的，故血管內中膜厚度很大程度取決於操作者的經驗，存在較大的不穩定和個體間差異。為此，研究者提出了使用圖像分割的方法自動提取血管內中膜厚度，但因超聲圖像解析度低，並伴隨有嚴重的斑點噪聲和偽影，使得自動提取存在較大困難。
發明內容基於此，有必要提供一種能降低噪聲影響且操作方便的基於圖像的血管內中膜厚度自動提取方法。一種基於圖像的血管內中膜厚度自動提取方法，包括以下步驟獲取血管超聲圖像，並從血管超聲圖像中選取感興趣區域；採用基於非均勻B樣條的經驗模態分解算法對所述感興趣區域去噪；通過K均值聚類法對所述去噪後的感興趣區域中的像素點基於像素灰度進行分類，以分離出血管腔、血管壁外膜和感興趣區域中除血管腔、血管壁外膜外的其它區域三部分；通過數學形態學從所述分離出的感興趣區域中除血管腔、血管壁外膜外的其他區域部分提取血管內中膜厚度。優選地，所述採用基於非均勻B樣條的經驗模態分解算法對所述感興趣區域去噪的步驟具體包括以下步驟提取所述感興趣區域中的局部的極大值點和局部的極小值點；通過非均勻B樣條曲面擬合法分別對極大值點和極小值點進行插值擬合，得到對所述感興趣區域的上包絡曲面和下包絡曲面，計算所述上包絡曲面和下包絡曲面的均值得到所述經驗模態分解算法的第一尺度分解的殘差信號，即為去噪後的感興趣區域。優選地，在提取所述感興趣區域中的局部的極大值點和局部的極小值點的步驟之後還包括步驟在所述感興趣區域的血管壁縱向上設置稠密網格和血管壁切向上設置稀疏網格；根據所述稠密網格和稀疏網格通過所述非均勻B樣條曲面擬合法分別對極大值點和極小值點進行插值擬合。優選地，在所述採用基於非均勻B樣條的經驗模態分解算法對所述感興趣區域去噪的步驟之前還包括步驟採用高斯濾波器對所述感興趣區域初步去噪。優選地，所述通過K均值聚類法對所述去噪後的感興趣區域中的像素點基於像素灰度進行分類，以分離出血管腔、血管壁外膜和感興趣區域中除血管腔、血管壁外膜外的其它區域三部分的步驟具體為以代表亮、灰、暗的三類像素灰度的灰度值組成的特徵向量，將其設置為聚類中心初始值；根據所述聚類中心初始值將所述感興趣區域分離為第一區、第二區和第三區，所述第一區對應血管腔部分，所述第二區對應血管壁外膜部分，所述第三區對應感興趣區域中除血管腔、血管壁外膜外的其它區域部分。優選地，從所述分離出的感興趣區域中除血管腔、血管壁外膜外的其他區域部分通過數學形態學提取血管內中膜厚度的步驟具體為預先設置形態半徑分別為第一可變參數和第二可變參數；提取血管壁外膜，將該部分作為蒙板從該感興趣區域剔除，然後將感興趣區域中除血管腔、血管壁外膜外的其他區域部分作為前景，分別以形態半徑為第一可變參數和第二可變參數進行分割操作，得到血管內中膜區域分割結果，測量所述分割結果得到所述血管內中膜厚度。此外，還有必要提供一種能降低噪聲影響且操作方便的基於圖像的血管內中膜厚度自動提取系統。一種基於圖像的血管內中膜厚度自動提取系統，包括圖像獲取模塊，用於獲取血管超聲圖像，並從血管超聲圖像中選取感興趣區域；去噪處理模塊，用於採用基於非均勻B樣條的經驗模態分解算法對所述感興趣區域去噪；分離模塊，用於通過K均值聚類法對所述去噪後的感興趣區域中的像素點基於像素灰度進行分類，以分離出血管腔、血管壁外膜和感興趣區域中除血管腔、血管壁外膜外的其它區域三部分；提取模塊，用於通過數學形態學從所述分離出的感興趣區域中除血管腔、血管壁外膜外的其他區域部分提取血管內中膜厚度。優選地，所述去噪處理模塊還用於提取所述感興趣區域中的局部的極大值點和局部的極小值點，通過非均勻B樣條曲面擬合法分別對極大值點和極小值點進行插值擬合， 得到對所述感興趣區域的上包絡曲面和下包絡曲面，計算所述上包絡曲面和下包絡曲面的均值得到所述經驗模態分解算法的第一尺度分解的殘差信號，即為去噪後的感興趣區域。優選地，所述去噪處理模塊還用於在所述感興趣區域的血管壁縱向上設置稠密網格和血管壁切向上設置稀疏網格，再根據所述網格通過所述非均勻B樣條曲面擬合法分別對極大值點和極小值點進行插值擬合。優選地，還包括高斯濾波器，所述高斯濾波器用於對所述感興趣區域初步去噪。優選地，所述分離模塊還用於以代表亮、灰、暗的三類像素灰度的灰度值組成的徵向量，將其設置為聚類中心初始值，並根據所述聚類中心初始值將所述感興趣區域分離為第一區、第二區和第三區，所述第一區對應血管腔部分，所述第二區對應血管壁外膜部分， 所述第三區對應感興趣區域中除血管腔、血管壁外膜外的其它區域部分。優選地，所述提取模塊還用於預先設置形態半徑分別為第一可變參數和第二可變參數，並提取血管壁外膜，將該部分作為蒙板從該感興趣區域剔除，然後將感興趣區域中除血管腔、血管壁外膜外的其他區域部分作為前景，分別以形態半徑為第一可變參數和第二可變參數進行分割操作，得到血管內中膜區域分割結果，測量所述分割結果得到所述血管內中膜厚度。上述基於圖像的血管內中膜厚度自動提取方法及系統，對選取的感興趣區域採用基於非均勻B樣條的經驗模態分解算法去噪後，能降低噪聲影響，通過K均值聚類法對感興趣區域的像素點基於像素灰度進行分類，以分離感興趣區域，從分離的感興趣區域中除血管腔、血管壁外膜外的其他區域部分提取血管內中膜厚度，與手動標記相比，操作方便，且更加準確，因K均值聚類法僅使用灰度進行分類，計算簡單，基於非均勻B樣條的經驗模態分解算法在有效去噪的同時保留了血管的細節和邊緣信息。
圖1為一個實施例中基於圖像的血管內中膜厚度自動提取方法的流程圖；圖2為頸動脈超聲圖像中選取的感興趣區域；圖3為採用基於非均勻B樣條的經驗模態分解算法對該感興趣區域去噪的具體流程圖；圖4為提取感興趣區域的局部極大值點示意圖；圖5為EMD算法第一尺度分解的結果示意圖；圖6A為散亂數據點；圖6B為網格8 X 8的擬合結果；圖6C為網格16 X 16的擬合結果；圖6D為網格32 X 32的擬合結果；圖7為K均值聚類的結果；圖8為數學形態學得到的內中膜區域；圖9為最終的分割結果在感興趣區域圖像上的標示的示意圖；圖10為用於IMT分割的軟體系統的界面示意圖。圖11為一個實施例中基於圖像的血管內中膜厚度自動提取系統的結構示意圖；圖12為另一個實施例中基於圖像的血管內中膜厚度自動提取系統的結構示意圖。
具體實施方式
6
下面結合具體的實施例及附圖對基於圖像的血管內中膜厚度自動提取方法及系統進行詳細的描述。如圖1所示，在一個實施例中，一種基於圖像的血管內中膜厚度自動提取方法，包括以下步驟步驟S110，獲取血管超聲圖像，並從血管超聲圖像中選取感興趣區域。可採用超聲波探頭採集血管圖像，然後從採集的圖像中選取感興趣區域。該感興趣區域為血管壁周圍包含血管壁、血管內中外膜和血管外部結構的矩形區域。如圖2所示為頸動脈超聲圖像中選取的感興趣區域，其中上部黑色背景為血管腔內部，中部三個細條狀亮-暗-亮條紋分別為內膜、中膜、外膜組織，下部大面積區域為感興趣區域中除血管腔、 血管壁外膜外的其它區域(其它組織)和偽跡。為了測量IMT需分離出血管腔-內膜和中膜-外膜兩個邊緣，圖中兩個「 + 」字標誌為醫生手動測量IMT的標記。步驟S120，採用基於非均勻B樣條的經驗模態分解算法對該感興趣區域去噪。通過非均勻B樣條的經驗模態分解算法(Empirical Mode Decomposition，簡稱 EMD)對感興趣區域的圖像作去噪處理，除去噪聲。如圖3所示，具體包括步驟步驟S121，提取該感興趣區域中的局部的極大值點和局部的極小值點。通過四鄰域算法或八鄰域算法提取感興趣區域中的局部的極大值點和局部的極小值點。如圖4所示，圖中亮度為提取的極大值點。將一幅圖像可當成一個離散的二維數組處理，則篩分局部極值的過程是將該位置的值與其上、下、左、右方向的四鄰域或上、下、左、右、東南、西北、東北、西南方向的八鄰域值進行比較，本實施例中採用四領域算法，設定的判斷條件為(1)如果中心位置的值大於所有相鄰值，則視該點為局部極大值點；(2)如果中心位置的值小於所有相鄰值，則視該點為局部極小值點；(3)如果中心位置的值小於一部分相鄰的值，同時又大於另一部分相鄰的值，則視為非極值點；(4)如果某點與局部極值點相鄰，且與相鄰的局部極值相等，則把這兩點看作一個區域，直到該區域滿足條件(1) (3)或找到該區域的邊界。步驟S123，通過非均勻B樣條曲面擬合法分別對極大值點和極小值點進行插值擬合，得到對該感興趣區域的上包絡曲面和下包絡曲面，計算該上包絡曲面和下包絡曲面的均值得到所述經驗模態分解算法的第一尺度分解的殘差信號，即為去噪後的感興趣區域。該非均勻B樣條曲面擬合法即散亂數據的B樣條曲面擬合法，通過其對極大值點和極小值點進行插值擬合，得到對該感興趣區域圖像的上包絡Imax和下包絡Imin曲面，再計算兩者的均值I_n= (Imax+Imin)/2，得到EMD的第一尺度分解的殘差信號。通過實驗驗證表明，EMD算法的第一尺度分解的殘差信號能最好的保留血管壁的層次結構和細節，在平滑性和分辨細節能力上有較理想的表現，故將此殘差信號作為後續分割的基礎。圖5為EMD算法第一尺度分解的結果，可看出相比圖2，保留了結構和邊緣，同時整體平滑了很多。採用B樣條曲面擬合的具體過程是在矩形圖像空間Ω = {(χ, y)|0^x<m, 0 ^ y < η}中，有一些散亂數據集P= (x。，y。，z。)，其中，(xc, yc)是Ω中的點。下面通過均勻B樣條函數逼近函數f來擬合P所在的曲面。假設函數f的網格為Φ，Φu表示Φ在(i，j)位置的值，相應的擬合函數f可表示為
權利要求
1.一種基於圖像的血管內中膜厚度自動提取方法，包括以下步驟獲取血管超聲圖像，並從血管超聲圖像中選取感興趣區域；採用基於非均勻B樣條的經驗模態分解算法對所述感興趣區域去噪；通過K均值聚類法對所述去噪後的感興趣區域中的像素點基於像素灰度進行分類，以分離出血管腔、血管壁外膜和感興趣區域中除血管腔、血管壁外膜外的其它區域三部分；通過數學形態學從所述分離出的感興趣區域中除血管腔、血管壁外膜外的其他區域部分提取血管內中膜厚度。
2.根據權利要求1所述的基於圖像的血管內中膜厚度自動提取方法，其特徵在於，所述採用基於非均勻B樣條的經驗模態分解算法對所述感興趣區域去噪的步驟具體包括以下步驟提取所述感興趣區域中的局部的極大值點和局部的極小值點；通過非均勻B樣條曲面擬合法分別對極大值點和極小值點進行插值擬合，得到對所述感興趣區域的上包絡曲面和下包絡曲面，計算所述上包絡曲面和下包絡曲面的均值得到所述經驗模態分解算法的第一尺度分解的殘差信號，即為去噪後的感興趣區域。
3.根據權利要求2所述的基於圖像的血管內中膜厚度自動提取方法，其特徵在於，在提取所述感興趣區域中的局部的極大值點和局部的極小值點的步驟之後還包括步驟在所述感興趣區域的血管壁縱向上設置稠密網格和血管壁切向上設置稀疏網格；根據所述稠密網格和稀疏網格通過所述非均勻B樣條曲面擬合法分別對極大值點和極小值點進行插值擬合。
4.根據權利要求1所述的基於圖像的血管內中膜厚度自動提取方法，其特徵在於，在所述採用基於非均勻B樣條的經驗模態分解算法對所述感興趣區域去噪的步驟之前還包括步驟採用高斯濾波器對所述感興趣區域初步去噪。
5.根據權利要求1所述的基於圖像的血管內中膜厚度自動提取方法，其特徵在於，通過K均值聚類法對所述去噪後的感興趣區域中的像素點基於像素灰度進行分類，以分離出血管腔、血管壁外膜和感興趣區域中除血管腔、血管壁外膜外的其它區域三部分的步驟具體為以代表亮、灰、暗的三類像素灰度的灰度值組成的特徵向量，將其設置為聚類中心初始值；根據所述聚類中心初始值將所述感興趣區域分離為第一區、第二區和第三區，所述第一區對應血管腔部分，所述第二區對應血管壁外膜部分，所述第三區對應感興趣區域中除血管腔、血管壁外膜外的其它區域部分。
6.根據權利要求1所述的基於圖像的血管內中膜厚度自動提取方法，其特徵在於，從所述分離出的感興趣區域中除血管腔、血管壁外膜外的其他區域部分通過數學形態學提取血管內中膜厚度的步驟具體為預先設置形態半徑分別為第一可變參數和第二可變參數；提取血管壁外膜，將該部分作為蒙板從該感興趣區域剔除，然後將感興趣區域中除血管腔、血管壁外膜外的其他區域部分作為前景，分別以形態半徑為第一可變參數和第二可變參數進行分割操作，得到血管內中膜區域分割結果，測量所述分割結果得到所述血管內中膜厚度。
7.一種基於圖像的血管內中膜厚度自動提取系統，其特徵在於，包括圖像獲取模塊，用於獲取血管超聲圖像，並從血管超聲圖像中選取感興趣區域；去噪處理模塊，用於採用基於非均勻B樣條的經驗模態分解算法對所述感興趣區域去噪；分離模塊，用於通過K均值聚類法對所述去噪後的感興趣區域中的像素點基於像素灰度進行分類，以分離出血管腔、血管壁外膜和感興趣區域中除血管腔、血管壁外膜外的其它區域三部分；提取模塊，用於通過數學形態學從所述分離出的感興趣區域中除血管腔、血管壁外膜外的其他區域部分提取血管內中膜厚度。
8.根據權利要求7所述的基於圖像的血管內中膜厚度自動提取系統，其特徵在於，所述去噪處理模塊還用於提取所述感興趣區域中的局部的極大值點和局部的極小值點，通過非均勻B樣條曲面擬合法分別對極大值點和極小值點進行插值擬合，得到對所述感興趣區域的上包絡曲面和下包絡曲面，計算所述上包絡曲面和下包絡曲面的均值得到所述經驗模態分解算法的第一尺度分解的殘差信號，即為去噪後的感興趣區域。
9.根據權利要求8所述的基於圖像的血管內中膜厚度自動提取系統，其特徵在於，所述去噪處理模塊還用於在所述感興趣區域的血管壁縱向上設置稠密網格和血管壁切向上設置稀疏網格，再根據所述網格通過所述非均勻B樣條曲面擬合法分別對極大值點和極小值點進行插值擬合。
10.根據權利要求7所述的基於圖像的血管內中膜厚度自動提取系統，其特徵在於，還包括高斯濾波器，所述高斯濾波器用於對所述感興趣區域初步去噪。
11.根據權利要求7述的基於圖像的血管內中膜厚度自動提取系統，其特徵在於，所述分離模塊還用於以代表亮、灰、暗的三類像素灰度的灰度值組成的特徵向量，設置為聚類中心初始值，並根據所述聚類中心初始值將所述感興趣區域分離為第一區、第二區和第三區， 所述第一區對應血管腔部分，所述第二區對應血管壁外膜部分，所述第三區對應感興趣區域中除血管腔、血管壁外膜外的其它區域部分。
12.根據權利要求7所述的基於圖像的血管內中膜厚度自動提取系統，其特徵在於，所述提取模塊還用於預先設置形態半徑分別為第一可變參數和第二可變參數，並提取血管壁外膜部分，將該部分作為蒙板從該感興趣區域剔除，然後將感興趣區域中除血管腔、血管壁外膜外的其他區域部分作為前景，分別以形態半徑為第一可變參數和第二可變參數進行分割操作，得到血管內中膜區域分割結果，測量所述分割結果得到所述血管內中膜厚度。
全文摘要
本發明涉及一種基於圖像的血管內中膜厚度自動提取方法及系統。該方法包括以下步驟獲取血管超聲圖像，並從血管超聲圖像中選取感興趣區域；採用基於非均勻B樣條的經驗模態分解算法對感興趣區域去噪；通過K均值聚類法對所述去噪後的感興趣區域中的像素點基於像素灰度進行分類，以分離出血管腔、血管壁外膜和感興趣區域中除血管腔、血管壁外膜外的其它區域三部分；通過數學形態學從所述分離出的感興趣區域中除血管腔、血管壁外膜外的其他區域部分提取血管內中膜厚度。上述基於圖像的血管內中膜厚度自動提取方法及系統，基於非均勻B樣條的經驗模態分解算法去噪，K均值聚類法分離，提取血管內中膜厚度，與手動標記相比，操作方便，且更加準確。
文檔編號G06T5/00GK102332161SQ20111026982
公開日2012年1月25日 申請日期2011年9月13日 優先權日2011年9月13日
發明者張元亭, 張晶, 楊平, 林宛華 申請人:中國科學院深圳先進技術研究院