一种CAG图像序列的弹性配准方法

摘要

一种CAG图像序列的弹性配准方法，它首先从各帧CAG图像中提取出主要血管分支的单像素、8-连通的骨架，并将其表示成像素点的有序集合；然后通过使预先设定的配准误差函数最小，找到各血管分支相邻时刻两个血管骨架点集合之间的对应关系。本发明利用预先设定的配准误差函数对X射线冠状动脉造影图像序列中的各相邻帧进行弹性配准，找到血管投影骨架点之间的对应关系，为准确获取心动周期中冠状动脉的运动和变形信息，进而分析心脏的运动情况，以及冠脉血管的动态三维重建创造了便利条件。

主权项

一种CAG图像序列的弹性配准方法，其特征是，所述方法首先从各帧CAG图像中提取出主要血管分支的单像素、8‑连通的骨架，并将其表示成像素点的有序集合；然后通过使预先设定的配准误差函数最小，找到各血管分支相邻时刻两个血管骨架点集合之间的对应关系，具体步骤如下：a.采用自适应灰度阈值法对CAG图像进行分割：遍历整幅图像，对每一个像素(i,j)，确定以其为中心的一个大小为(2S+1)×(2S+1)像素的正方形邻域，以邻域内的灰度均值和标准偏差之和作为像素(i,j)的灰度阈值T_ij：$T_{\mathrm{ij}}=\frac{1}{{(2S+1)}^2}\underset{u=-S}{\overset{S}{\Sigma }}\underset{v=-S}{\overset{S}{\Sigma }}I(i-u,j-v)+\frac{1}{{(2S+1)}^2}\sqrt{\underset{u=-S}{\overset{S}{\Sigma }}\underset{v=-S}{\overset{S}{\Sigma }}{(I(i-u,j-v)-\bar{I})}^2},$其中I(i,j)是图像分割前像素(i,j)的灰度值，是以像素(i,j)为中心的、大小为(2S+1)×(2S+1)像素的正方形邻域内的灰度均值，式中，S为正方形邻域的半宽度，单位为像素，i和j分别为像素的横坐标和纵坐标，u和v分别是横坐标和纵坐标的偏移量，将灰度大于或等于阈值的像素灰度赋值255，作为背景；否则赋值0；b.采用区域生长法对自适应灰度阈值分割后得到的二值图像进行处理，完成对血管树的提取；c.对于经过上述处理后获得的二值图像，采用基于活动轮廓模型的冠状动脉血管段运动跟踪方法，提取出单像素宽、8‑连通的血管骨架；d.对于两帧图像中的某一血管分支，分别将其骨架表示为像素点的有序集合：$\left\{s_1\right|\overrightarrow{s_1}\left(m\right)=[x_1\left(m\right),y_1\left(m\right)],(m=\mathrm{0,1},...,M-1)\},$$\left\{s_2\right|\overrightarrow{s_2}\left(n\right)=[x_2\left(n\right),y_2\left(n\right)],(n=\mathrm{0,1},...,N-1)\},$其中，M和N分别为集合s₁和s₂中像素点的个数，设N≥M，表示骨架s₁中的第m个像素，表示骨架s₂中的第n个像素，(x₁(m),y₁(m))和(x₂(n),y₂(n))为像素的坐标；e.设定配准误差函数：$E(m,n,n^{\prime })=\underset{m=1}{\overset{M-1}{\Sigma }}\left[\right|\overrightarrow{d}(m,n)-\overrightarrow{d}(m-1,n^{\prime })|+|{\kappa }_2\left(n\right)-{\kappa }_1\left(m\right)|+|n-n^{\prime }\left|\right],$其中：n和n'分别是s₂中与和相匹配的点的序号；和是互相匹配的像素点之间的运动向量：$\overrightarrow{d}(m,n)=\overrightarrow{s_2}\left(n\right)-\overrightarrow{s_1}\left(m\right)=(x_2\left(n\right)-x_1\left(m\right),y_2\left(n\right)-y_2\left(m\right)),$$\overrightarrow{d}(m-1,n^{\prime })=\overrightarrow{s_2}\left(n^{\prime }\right)-\overrightarrow{s_1}(m-1)=(x_2\left(n^{\prime }\right)-x_1(m-1),y_2\left(n^{\prime }\right)-y_2(m-1)),$κ₁(m)和κ₂(n)分别是血管骨架s₁和s₂在第m点和第n点处的曲率；通过使配准误差函数最小，找到点集s₁和s₂之间的最优匹配，即为s₁中的每个元素找到其在s₂中与之相对应的元素：其中m＝0,1,...,M‑1；采用区域生长法对自适应灰度阈值分割后得到的二值图像进行处理，完成对血管树提取的步骤如下：步骤一、按照从左到右、或者从上到下的顺序遍历整幅二值图像，找到一个种子点、即灰度值为0的像素，记其坐标为(x,y)；步骤二、定义两个队列：工作队列Q_w和区域队列Q_v，将Q_w和Q_v清空，以种子点(x,y)为起点，按照如下循环进行：①把种子点(x,y)加入Q_w中，同时加入Q_v中，当前指针指向Q_w的种子点(x,y)；②从Q_w中取出指针所指的点，判断其R×R邻域内像素点的灰度值：如果邻域点的灰度值为0，则将该点同时加入到Q_w和Q_v中，把该点和种子点的灰度值都置为背景值255；其中，R为邻域的尺寸，单位：像素；③工作队列Q_w的指针向后移动一位；④如果当前指针指向Q_w末尾，则转向步骤⑤；否则，重复步骤②～③；⑤输出血管区域队列Q_v，继续步骤三；步骤三、如果Q_v中点的总数小于预先设定的阈值T_N，那么转向步骤一，找到下一个灰度值为0的点作为种子点，重复步骤二中的①～⑤；否则，转向步骤四；步骤四、输出区域队列Q_v；采用区域生长法对自适应灰度阈值分割后得到的二值图像进行处理时，区域队列Q_v中点的总数的阈值T_N为二值图像中灰度值为0的像素总数的60％；邻域尺寸R＝7像素。