主权项 |
1.一种肝门静脉血管树建模方法,其步骤包括:(1)载入分割好的肝脏模型,对腹部多螺旋CT肝门静脉成像门静脉期图像进行值掩,得到肝脏图像;(2)对值掩后的肝脏图像进行血管增强;(3)对血管增强后的肝脏图像进行肝门静脉分割;(4)从分割出的肝门静脉中提取肝门静脉血管树的中心线;(5)利用获得的肝门静脉的中心线和中心线上每点的管径重建肝门静脉血管树;步骤(2)具体包括以下过程:(2.1)调整肝脏图像的窗宽W、窗位C,利用下式(1)计算得到肝脏模型中的CT最低值T<sub>min</sub>、最高值T<sub>max</sub>,以及归一化之后图像中任一点r的灰度值y(r),获得合适的肝脏图像;<maths num="0001"><![CDATA[<math><mrow><mfenced open='{' close=''><mtable><mtr><mtd><msub><mi>T</mi><mi>min</mi></msub><mo>=</mo><mi>C</mi><mo>-</mo><mi>W</mi><mo>/</mo><mn>2</mn></mtd></mtr><mtr><mtd><msub><mi>T</mi><mi>max</mi></msub><mo>=</mo><mi>C</mi><mo>+</mo><mi>W</mi><mo>/</mo><mn>2</mn></mtd></mtr><mtr><mtd><mi>y</mi><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow><mo>=</mo><mfenced open='{' close=''><mtable><mtr><mtd><mn>0</mn><mo>,</mo></mtd><mtd><mi>f</mi><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow><mo><</mo><msub><mi>T</mi><mi>min</mi></msub></mtd></mtr><mtr><mtd><mfrac><mn>255</mn><mrow><msub><mi>T</mi><mi>max</mi></msub><mo>-</mo><msub><mi>T</mi><mi>min</mi></msub></mrow></mfrac><mrow><mo>(</mo><mi>f</mi><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow><mo>-</mo><msub><mi>T</mi><mi>min</mi></msub><mo>)</mo></mrow><mo>,</mo></mtd><mtd><msub><mi>T</mi><mi>min</mi></msub><mo>≤</mo><mi>f</mi><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow><mo>≤</mo><msub><mi>T</mi><mi>max</mi></msub></mtd></mtr><mtr><mtd><mn>255</mn><mo>,</mo></mtd><mtd><mi>f</mi><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow><mo>></mo><msub><mi>T</mi><mi>max</mi></msub></mtd></mtr></mtable></mfenced></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow></math>]]></maths>其中,f(r)为归一化前图像上点r的CT值;(2.2)统计并分析肝脏图像直方图,其中峰值所对应的灰度值记为y<sub>peak</sub>,确定感兴趣灰度范围[y<sub>peak</sub>,255]作为肝门静脉血管的灰度范围;(2.3)在感兴趣灰度范围内,对肝脏图像进行基于hessian矩阵的多尺度滤波,得到增强的肝门静脉图像;步骤(2.3)具体包括以下过程:(a1)根据肝门静脉直径范围[d<sub>min</sub>,d<sub>max</sub>],确定滤波器的尺度范围为[σ<sub>min</sub>,σ<sub>max</sub>],两者之间满足关系σ=d/4;设定多尺度滤波器的个数N,每个滤波器的尺度采用如下式子确定:<maths num="0002"><![CDATA[<math><mrow><msub><mi>σ</mi><mi>n</mi></msub><mo>=</mo><msup><mrow><mo>(</mo><mfrac><msub><mi>d</mi><mi>max</mi></msub><msub><mi>d</mi><mi>min</mi></msub></mfrac><mo>)</mo></mrow><mfrac><mi>n</mi><mrow><mi>N</mi><mo>-</mo><mn>1</mn></mrow></mfrac></msup><mfrac><msub><mi>d</mi><mi>min</mi></msub><mn>4</mn></mfrac><mo>,</mo><mi>n</mi><mo>=</mo><mn>0,1</mn><mo>,</mo><mo>·</mo><mo>·</mo><mo>·</mo><mo>,</mo><mi>N</mi><mo>-</mo><mn>1</mn><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow></mrow></math>]]></maths>其中,n为滤波器的滤波尺度的序号;(a2)对每一个尺度σ,用该尺度的高斯函数对肝脏图像进行滤波,并利用以下公式计算图像I上每点r的hessian矩阵:<maths num="0003"><![CDATA[<math><mrow><msub><mi>H</mi><mi>σ</mi></msub><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow><mo>=</mo><mfenced open='[' close=']'><mtable><mtr><mtd><msub><mi>I</mi><mi>xx</mi></msub><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow></mtd><mtd><msub><mi>I</mi><mi>xy</mi></msub><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow></mtd><mtd><msub><mi>I</mi><mi>xz</mi></msub><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow></mtd></mtr><mtr><mtd><msub><mi>I</mi><mi>yx</mi></msub><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow></mtd><mtd><msub><mi>I</mi><mi>yy</mi></msub><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow></mtd><mtd><msub><mi>I</mi><mi>yz</mi></msub><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow></mtd></mtr><mtr><mtd><msub><mi>I</mi><mi>xz</mi></msub><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow></mtd><mtd><msub><mi>I</mi><mi>yz</mi></msub><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow></mtd><mtd><msub><mi>I</mi><mi>zz</mi></msub><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>4</mn><mo>)</mo></mrow></mrow></math>]]></maths>其中,<maths num="0004"><![CDATA[<math><mrow><msub><mi>I</mi><mi>xx</mi></msub><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow><mo>=</mo><mfrac><msup><mo>∂</mo><mn>2</mn></msup><mrow><mo>∂</mo><msup><mi>x</mi><mn>2</mn></msup></mrow></mfrac><mi>G</mi><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow><mo>*</mo><mi>I</mi><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow><mo>,</mo></mrow></math>]]></maths><maths num="0005"><![CDATA[<math><mrow><mi>G</mi><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mrow><msqrt><mn>2</mn><mi>π</mi></msqrt><mi>σ</mi></mrow></mfrac><mi>exp</mi><mrow><mo>(</mo><mo>-</mo><mfrac><msup><mrow><mo>|</mo><mo>|</mo><mi>r</mi><mo>|</mo><mo>|</mo></mrow><mn>2</mn></msup><mrow><mn>2</mn><msup><mi>σ</mi><mn>2</mn></msup></mrow></mfrac><mo>)</mo></mrow><mo>,</mo></mrow></math>]]></maths>其它以此类推;(a3)求取每点处hessian矩阵的特征值,将三个特征值按照λ<sub>1</sub>≈λ<sub>2</sub><<λ<sub>3</sub>≈0的顺序排列,绝对值最小的特征值对应的特征向量的方向代表了血管的方向;(a4)利用如下所示公式计算每点的相似性函数值:<img file="FSB00000061974000025.GIF" wi="1714" he="204" />(a5)比较不同尺度下每点的相似性函数值,取所有尺度下最大的相似性函数值v(r,σ)作为此点的最终值,得到增强后的图像。 |