超声颈动脉血管膜的自动分割方法

摘要

本发明属于计算机技术与医学图像的交叉领域，具体涉及一种超声图像颈动脉血管横截面方向上的内外轮廓自动分割方法。具体步骤如下：选取当前帧图像；人工定义基准轮廓点并插值形成基准轮廓；将基准轮廓外推形成第一感兴趣区域；自动检测颈动脉轮廓：包括在第一感兴趣区域转化得到的极坐标图像上寻找径向梯度最大值点作为初始外轮廓点、利用混合分布估计第一感兴趣区域内的灰度概率密度分布、水平集演化得到外轮廓、将外轮廓内推形成初始内轮廓、水平集演化得到内轮廓。本发明能对超声颈动脉图像进行有效的分割，减少医生工作量；同时基于本方法分割得到的颈动脉内外轮廓可用于计算颈动脉血管壁体积，为颈动脉粥样硬化病变研究提供准确有效的信息。

主权项

1.超声颈动脉血管膜的自动分割方法，包括以下步骤：（1）若当前帧图像为颈动脉三维超声体数据的第一帧图像，则在当前帧图像上选择明显位于血管外轮廓上的像素点集作为基准点，通过基准点间插值形成闭合曲线，将其作为当前帧的基准轮廓；否则，将上一帧得到的备用基准轮廓作为当前帧的基准轮廓；（2）利用形态学膨胀法将基准轮廓外推形成第一感兴趣区域ROI1；（3）在第一感兴趣区域ROI1中检测颈动脉血管外轮廓C_MAB：（3.1）在当前帧图像中提取包含第一感兴趣区域ROI1的矩形窗口图像，将其转化到极坐标图像，在极坐标图像上每隔相同角度在径向方向靠近基准轮廓的像素点中搜索梯度值最大者作为初始轮廓点，将初始轮廓点转化到直角坐标系并连线形成初始颈动脉血管外轮廓（3.2）利用混合分布估计第一感兴趣区域ROI1的灰度概率密度分布，从而得到混合分布的shape参数K_j和scale参数θ_j，j＝1,…,M，M为混合分布中单项分布的类别数；（3.3）初始化迭代次数t=1以及符号距离函数表示第一感兴趣区域ROI1中初始颈动脉血管外轮廓以外的像素区域，x₁为第一感兴趣区域ROI1中的像素点，||||为求欧式距离；（3.4）计算${\phi }_1^t\left(x_1\right)={\phi }_1^{t-1}\left(x_1\right)-{\rho }_1·\delta \left({\phi }_1^{t-1}\left(x_1\right)\right)·[\ln (\underset{j}{\overset{M}{\Sigma }}{q}_{\mathrm{Ai}}\left(j\right)·G\left(I_{x_1}\right|K_j,{\theta }_j)-\ln (\underset{j}{\overset{M}{\Sigma }}{q}_{\mathrm{Ae}}\left(j\right)·G\left(I_{x_1}\right|K_j,{\theta }_j)]$$+{\lambda }_1·\delta \left({\phi }_1^{t-1}\left(x_1\right)\right)·\mathrm{div}\left(\frac{{▿\phi }_1^{t-1}\left(x_1\right)}{\left|{▿\phi }_1^{t-1}\left(x_1\right)\right|}\right)$其中，这里0＜ε＜0.001，0＜ρ₁≤10，0＜λ₁≤20，q_Ai(j)和q_Ae(j)分别为前一次迭代演化轮廓的内、外区域中第j项单项分布的权重，为参数为K_j,θ_j的第_j项单项分布函数，为像素点x₁的灰度值；（3.5）计算本次迭代演化外轮廓$C_1^t=\left\{x_1\right|{\phi }_1^t\left(x_1\right)=0\}$（3.6）若本次迭代演化外轮廓与前一次迭代得到的演化外轮廓相同或者t达到迭代次数上限，则本次迭代得到的演化轮廓即为颈动脉血管外轮廓C_MAB，迭代结束，进入步骤（4）；否则，t＝t+1，返回步骤（3.4）；（4）在当前帧图像中将颈动脉血管外轮廓C_MAB围成的区域作为第二感兴趣区域ROI2；（5）在第二感兴趣区域ROI2中检测颈动脉血管内轮廓C_LIB：（5.1）利用形态学腐蚀法将颈动脉血管外轮廓C_MAB内推，将内推得到的轮廓线作为初始颈动脉血管内轮廓（5.2）初始化迭代次数t′＝1以及符号距离函数表示第二感兴趣区域ROI2中初始颈动脉血管内轮廓以外的像素区域，x₂为第二感兴趣区域ROI2中的像素点；（5.3）计算${\phi }_2^{t^{\prime }}\left(x_2\right)={\phi }_2^{t^{\prime }-1}\left(x_2\right)-{\rho }_2·\delta \left({\phi }_2^{t^{\prime }-1}\left(x_2\right)\right)·\left[\ln (\underset{j}{\overset{M}{\Sigma }}{q}_{\mathrm{Li}}\left(j\right)·G\left(I_{x_3}\right|K_j,{\theta }_j)-\ln (\underset{j}{\overset{M}{\Sigma }}{q}_{\mathrm{Le}}\left(j\right)·G\left(I_{x_3}\right|K_j,{\theta }_j)\right]$$+{\lambda }_2·\delta \left({\phi }_2^{t^{\prime }-1}\left(x_2\right)\right)·\mathrm{div}\left(\frac{{▿\phi }_2^{t^{\prime }-1}\left(x_2\right)}{\left|{▿\phi }_2^{t^{\prime }-1}\left(x_2\right)\right|}\right)+{\beta }_2·\delta \left({\phi }_2^{t^{\prime }-1}\left(x_2\right)\right)·B_T\left(x_2\right)$其中，0＜ρ₂≤10，0＜λ₂≤20，0＜β₂≤100，q_Li(j)和q_Le(j)分别为前一次演化轮廓的内、外区域中第j项单项分布的权重，为参数为K_j,θ_j的第j项单项分布函数，为像素点x₂的灰度值；（5.4）计算本次迭代演化内轮廓$C_2^{t^{\prime }}=\left\{x_2\right|{\phi }_2^{t^{\prime }}\left(x_2\right)=0\}$（5.5）若本次迭代演化内轮廓与前一次迭代得到的演化内轮廓相同或者达到迭代次数上限，则本次迭代得到的演化轮廓为颈动脉血管内轮廓C_LIB，迭代结束，进入步骤（6）；否则，t′＝t′+1，返回步骤（5.3）；（6）跟踪确定下一帧图像的备用基准轮廓：（6.1）在当前帧图像中，通过形态学膨胀法将颈动脉血管外轮廓C_MAB外推，将外推得到的闭合轮廓线与C_MAB构成的区域作为跟踪区域Ω；（6.2）在下一帧图像中搜索使得灰度差异和S＝∑_ΩΔI²最小的像素点集(x₄,y₄)，其中ΔI²＝[I(x₃,y₃)-J(x₄,y₄)]²，I(x₃,y₃)为当前帧图像的跟踪区域Ω中像素点(x₃,y₃)的灰度值，J(x₄,y₄)为下一帧图像的像素点(x₄,y₄)的灰度值；（6.3）令当前帧图像的跟踪区域中的点(x₃,y₃)与下一帧图像的像素点(x₄,y₄)的映射关系为$\left(\begin{array}{c}{x}_4\\ y_4\end{array}\right)=\left(\begin{array}{c}{\tau }_x\\ {\tau }_y\end{array}\right)+\left(\begin{array}{cc}1& 0\\ 0& 1\end{array}\right)\left(\begin{array}{c}{x}_3\\ y_3\end{array}\right),$结合像素点(x₃,y₃)与(x₄,y₄)求解映射关系中的参数τ＝(τ_x,τ_y)，从而确定映射关系；（6.4）根据步骤（6.3）建立的映射关系将当前帧图像的颈动脉血管外轮廓C_MAB映射为下一帧图像的备用基准轮廓。