《超声颈动脉斑块自动分割方法》由会员分享，可在线阅读，更多相关《超声颈动脉斑块自动分割方法（3页珍藏版）》请在金锄头文库上搜索。
1、超声颈动脉斑块自动分割方法专利名称：超声颈动脉斑块自动分割方法技术领域：本发明属于计算机技术与医学图像的交叉领域，具体涉及到一种超声图像中颈动脉血管横截面方向上斑块的自动分割方法。背景技术：根据世界卫生组织统计的数据，每年心血管疾病导致的死亡人数约占全世界死亡总人数的三分之一，颈动脉粥样硬化与心脑血管疾病密切相关。与传统的内中膜厚度(Intima-Media Thickness, IMT)度量指标相比，斑块总体积(Total Plaque Volume, TPV)、斑块面积(Total Plaque Area, TPA)以及斑块成分分析等指标更能准确直观地反映动脉粥样硬化状况，成为近年来预测心
2、脑血管疾病风险的重要指标之一。在超声颈动脉横截面图像上，颈动脉血管腔表现为低回声的均质区域，外膜表现为高回声的非均质带状区域，血管腔和外膜之间为血管内膜、中膜以及存在的斑块。图I显示了超声成像下的颈动脉横截面及其结构示意图。图I中实心点围成的轮廓是颈动脉血管腔与内膜边界(一般简称为内膜边界)，其内部较为均匀的黑色低回声部分是血管腔(lumen);十字形点围成的闭合轮廓线是颈动脉血管外膜与中膜边界(一般简称为外膜边界)，其外部包含高回声的不均匀的区域是颈动脉外膜，内膜边界与外膜边界间区域包括回声较低的健康内膜、中膜以及回声不均匀且相对较高的斑块；图中实线所围成的区域即为斑块，其内部灰度分布不均匀
3、，且与周围的灰度特性相近，不易区分。传统斑块边界的获得主要是通过操作者(医生)肉眼观察手工勾勒的方法。其主要缺陷在于它很大程度上取决于操作者的主观判断及操作经验，因此在不同操作者对同一个目标边界的判断，甚至同一个操作者在不同的时间点对同一目标边界的判断也会有差异。此外，手工勾勒边界非常耗时，当一幅超声颈动脉图像上存在多个斑块时，经验丰富的操作者勾勒出斑块边界大致需要2 3分钟，无法满足临床病例分析的需求。现有的斑块分割方法大多应用在核磁共振(Magnetic Resonance, MR)图像、血管内超声(Intra-vascular Ultrasound, IVUS)图像、超声 RF (Rad
4、io Frequency)图像和 CT血管造影(CT Angiography, CTA)图像中。斑块分割算法主要分为两类,聚类方法(如MahdiMazinani et al. , Automatic Segmentation of Soft Plaque by Modeling the PartialVolume Problem in the Coronary Arterv, 2010 Fourth International Conferenceon Digital Society;Francois Destrempes et al. , Segmentation of Plaques in
5、Sequences of Ultrasonic B-Mode Images of Carotid Arteries Based on MotionEstimation and a BayesianModel, IEEE Trans. Biomed. Eng. 2011. 58(8):p. 2202-2211;)和几何活动轮廓模型方法(如 Oliver Gloger et al. , A three-stepped coordinatedlevel set segmentation method for identifying atherosclerotic plaques onMR-image
6、s, Commum. Numer. Meth. Engng 2009.25:p.615-638;Shawn Lankton et al. , SoftPlaque Detection and Automatic Vessel Segmentation, MICCAI 2009)。聚类算法以相似性为基础，其方法是通过灰度或其他特征，由初始聚类中心开始，寻找具有较高相似度的同一类对象，从而得到最终斑块轮廓。这种算法存在对聚类中心敏感、不适用于混合斑块分割的问题。几何活动轮廓模型方法是将灰度、位置等信息构成使轮廓变化的能量项，从而找到准确的目标轮廓。上述两篇文章，都是在分割得到内外膜轮廓后，将其向内
7、收缩一定距离作为初始轮廓，然后演化得到精确的分割结果，但都只考虑灰度特征对混合斑块的分割，具有局限性，不能获得理想的结果。上述所有分割方法是针对核磁共振图像、CT图像和血管内超声图像，至今还没有任何关于B超颈动脉图像中斑块分割方法的报道。发明内容本发明的目的在于提供一种普通超声图像中基于血管膜分割的颈动脉斑块的自 动分割方法，能够有效分割出颈动脉斑块，为颈动脉粥样硬化的病变观察和药物治疗提供分析参数。本发明提供一种超声颈动脉斑块自动分割方法，包括以下步骤(I)从颈动脉三维超声体数据提取当前帧图像；(2)对当前帧图像分割得到内、外膜轮廓；(3)从当前帧图提取包含内、外膜轮廓的斑块感兴趣区域R0I
8、，感兴趣区域ROI的中心点与内膜轮廓的中心点相同；(4)在斑块感兴趣区域ROI检测初始斑块外边界C (4. I)以斑块感兴趣区域ROI的中心点为原点，将斑块感兴趣区域ROI从直角坐标系转换到极坐标系；(4. 2)对极坐标系下的斑块感兴趣区域ROI中每列上位于内外膜间的像素点灰度值进行曲线拟合，并在拟合得到的曲线上检测极小值，从极小值对应的像素点中选取离外膜轮廓最近的像素点；(4. 3)将步骤(4. 2)选取的离外膜轮廓最近的像素点从极坐标系转换到直角坐标系，并连线形成初始斑块外边界C ；(5)依据初始斑块外轮廓线C进行水平集演化得到斑块区域(5. I)初始化迭代次数Z=I以及符号距离函数 II
9、jc, C0II X e outside(C) d0 (x) =-|x,C| 其它outside (C)表示斑块感兴趣区域ROI中初始斑块外边界以外的像素区域，x为斑块感兴趣区域ROI的像素点，I I I I为求欧式距离；(5. 2)计算(T(X):f (X)=rl w+8ri (X) Wzv(H)+1,1 bl (x, mrl a)(/a) -)2 - (m - vv )2 忐+I 沴(x)| JQ。 .:.乞“4(X) c:)- ( (X) cl) + Bd(x) N i=i其中，I,若X 二 OS(X) = O，若 |x|6T，0x)dx ;Q为斑块感兴趣区域ROI ； I若 x s丄I
10、 +丄+丄sin(三丄)若 ,2 s 兀11N为Gabor滤波器的个数； 4为斑块感兴趣区域ROI经过第i个Gabor滤波器滤波后的输出；，msd 为外膜轮廓 Cmab 和内膜轮, 0, 其他廓Cub之间的欧式距离，d为内外膜轮廓间的最小距离。(5.3)计算本次迭代演化轮廓Cz= Ix I z(x) =0；(5. 4)若本次迭代演化轮廓Cz与前一次迭代得到的演化轮廓CT1相同或者z达到迭代次数上限，则本次迭代得到的演化轮廓即为最终斑块外边界Cplaqm，进入步骤(5. 5);否贝丨J, z=z+l,返回步骤(5. 2)；(5. 5)最终斑块演化轮廓Cplaque与内膜轮廓Cub间区域即为斑块区
11、域。按上述方案,所述步骤(2)具体为(2. I)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. 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ROIl ；(2. 3)在第一感兴趣区域ROIl中检测颈动脉血管外轮廓Cmab (2.3. I)在当前帧图像中提取包含第一感兴趣区域ROIl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
12、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(2. 3. 2)利用混合分布估计第一感兴趣区域ROIl的灰度概率密度分布，从而得到混合分布的shape参数Kj和scale参数0，j=l，M，M为混合分布中单项分布的类别数；(2. 3. 3)初始化迭代次数t = I以及符号距离函数权利要求1.超声颈动脉斑块自动分割方法，包括以下步骤 (1)从颈动脉三维超声体数据提取当前帧图像； (2)对当前帧图像分割得到内、外膜轮廓； (3)从当前帧图像提取包含内、外膜轮廓的斑块感兴趣区域ROI，感兴趣区域ROI的中心点与内膜轮廓的中心点相同； (4)在斑块感兴趣区域ROI检测初始斑块外边界C (4.
13、1)以斑块感兴趣区域ROI的中心点为原点，将斑块感兴趣区域ROI从直角坐标系转换到极坐标系； (4. 2)对极坐标系下的斑块感兴趣区域ROI中每列上位于内外膜间的像素点灰度值进行曲线拟合，并在拟合得到的曲线上检测极小值，从极小值对应的像素点中选取离外膜轮廓最近的像素点； (4. 3)将步骤(4. 2)选取的离外膜轮廓最近的像素点从极坐标系转换到直角坐标系，并连线形成初始斑块外边界C ； (5)依据初始斑块外轮廓线C进行水平集演化得到斑块区域 (5. 1)初始化迭代次数z=l以及符号距离函数2.根据权利要求I所述的超声颈动脉斑块自动分割方法，其特征在于，所述步骤(2)具体为 (2. I)若当前帧
14、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. 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ROIl ； (2.3)在第一感兴趣区域ROIl中检测颈动脉血管外轮廓Cmab (2. 3. I)在当前帧图像中提取包含第一感兴趣区域ROIl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
15、讲 (2. 3. 2)利用混合分布估计第一感兴趣区域ROIl的灰度概率密度分布，从而得到混合分布的shape参数Kj和scale参数0，j=l,，M，M为混合分布中单项分布的类别数； (2. 3. 3)初始化迭代次数t=l以及符号距离函数3.根据权利要求2所述的超声颈动脉斑块自动分割方法，其特征在于，所述混合分布为混合ga_a分布或混合gauss分布或混合rayleigh分布。全文摘要本发明属于计算机技术与医学图像的交叉领域，具体涉及到一种超声图像中颈动脉血管横断面方向上斑块的分割方法。具体步骤包括选取当前帧图像；分割得到血管内、外膜轮廓；提取斑块分割感兴趣区域；检测初始斑块外边界包括在感兴趣区域转换得到的极坐标图像上对每列位于内外膜轮廓间的像素点灰度值进行曲线拟合、检测具有灰度极小值且离外膜轮廓最近的像素点作为初始斑块外边界点；水平集演化得到斑块最终外边界；将最终外边界与内膜轮廓间区域作为斑块区域。本发明提供的超声图像中颈动脉斑块分割方法能够精确分割出斑块；较大幅度减少医生的工作量；基于本方法的分割结果计算得到的斑块体积、面积指标能辅助医生分析病变程度及治疗效果。
