专利名称：基于图像的血管内中膜厚度自动提取方法及系统的利记博彩app
基于图像的血管内中膜厚度自动提取方法及系统
技术领域：
本发明涉及生物医学图像处理领域，特别涉及基于图像的血管内中膜厚度自动提取方法及系统。
背景技术：
心脑血管疾病已成为人类健康的头号杀手，动脉粥硬化及其并发症是导致心脑血管疾病的主要机制。血管内中膜厚度(Intima-Media Thickness, IMT)是临床诊断中衡量动脉粥样硬化程度的最主要的指标。血管内中膜厚度是指血管壁远端内腔-内膜和中膜-外膜之间的距离，随着年龄的增长和动脉粥样硬化病变，血管会发生器质性变化，内中膜厚度增加。为了方便获知血管内中膜厚度，常通过超声检查进行拍摄图像。传统的测量血管内中膜厚度的方法是通过手动标记，根据经验，在拍摄的超声图像中的血管腔-内膜和中膜-外膜的边界上分别标记两点，其间的距离作为IMT的值。因IMT的值并不是均勻的，且生物组织的分解并不是绝对的，故血管内中膜厚度很大程度取决于操作者的经验，存在较大的不稳定和个体间差异。为此，研究者提出了使用图像分割的方法自动提取血管内中膜厚度，但因超声图像分辨率低，并伴随有严重的斑点噪声和伪影，使得自动提取存在较大困难。
发明内容基于此，有必要提供一种能降低噪声影响且操作方便的基于图像的血管内中膜厚度自动提取方法。一种基于图像的血管内中膜厚度自动提取方法，包括以下步骤获取血管超声图像，并从血管超声图像中选取感兴趣区域；采用基于非均勻B样条的经验模态分解算法对所述感兴趣区域去噪；通过K均值聚类法对所述去噪后的感兴趣区域中的像素点基于像素灰度进行分类，以分离出血管腔、血管壁外膜和感兴趣区域中除血管腔、血管壁外膜外的其它区域三部分；通过数学形态学从所述分离出的感兴趣区域中除血管腔、血管壁外膜外的其他区域部分提取血管内中膜厚度。优选地，所述采用基于非均勻B样条的经验模态分解算法对所述感兴趣区域去噪的步骤具体包括以下步骤提取所述感兴趣区域中的局部的极大值点和局部的极小值点；通过非均勻B样条曲面拟合法分别对极大值点和极小值点进行插值拟合，得到对所述感兴趣区域的上包络曲面和下包络曲面，计算所述上包络曲面和下包络曲面的均值得到所述经验模态分解算法的第一尺度分解的残差信号，即为去噪后的感兴趣区域。优选地，在提取所述感兴趣区域中的局部的极大值点和局部的极小值点的步骤之后还包括步骤在所述感兴趣区域的血管壁纵向上设置稠密网格和血管壁切向上设置稀疏网格；根据所述稠密网格和稀疏网格通过所述非均勻B样条曲面拟合法分别对极大值点和极小值点进行插值拟合。优选地，在所述采用基于非均勻B样条的经验模态分解算法对所述感兴趣区域去噪的步骤之前还包括步骤采用高斯滤波器对所述感兴趣区域初步去噪。优选地，所述通过K均值聚类法对所述去噪后的感兴趣区域中的像素点基于像素灰度进行分类，以分离出血管腔、血管壁外膜和感兴趣区域中除血管腔、血管壁外膜外的其它区域三部分的步骤具体为以代表亮、灰、暗的三类像素灰度的灰度值组成的特征向量，将其设置为聚类中心初始值；根据所述聚类中心初始值将所述感兴趣区域分离为第一区、第二区和第三区，所述第一区对应血管腔部分，所述第二区对应血管壁外膜部分，所述第三区对应感兴趣区域中除血管腔、血管壁外膜外的其它区域部分。优选地，从所述分离出的感兴趣区域中除血管腔、血管壁外膜外的其他区域部分通过数学形态学提取血管内中膜厚度的步骤具体为预先设置形态半径分别为第一可变参数和第二可变参数；提取血管壁外膜，将该部分作为蒙板从该感兴趣区域剔除，然后将感兴趣区域中除血管腔、血管壁外膜外的其他区域部分作为前景，分别以形态半径为第一可变参数和第二可变参数进行分割操作，得到血管内中膜区域分割结果，测量所述分割结果得到所述血管内中膜厚度。此外，还有必要提供一种能降低噪声影响且操作方便的基于图像的血管内中膜厚度自动提取系统。一种基于图像的血管内中膜厚度自动提取系统，包括图像获取模块，用于获取血管超声图像，并从血管超声图像中选取感兴趣区域；去噪处理模块，用于采用基于非均勻B样条的经验模态分解算法对所述感兴趣区域去噪；分离模块，用于通过K均值聚类法对所述去噪后的感兴趣区域中的像素点基于像素灰度进行分类，以分离出血管腔、血管壁外膜和感兴趣区域中除血管腔、血管壁外膜外的其它区域三部分；提取模块，用于通过数学形态学从所述分离出的感兴趣区域中除血管腔、血管壁外膜外的其他区域部分提取血管内中膜厚度。优选地，所述去噪处理模块还用于提取所述感兴趣区域中的局部的极大值点和局部的极小值点，通过非均勻B样条曲面拟合法分别对极大值点和极小值点进行插值拟合， 得到对所述感兴趣区域的上包络曲面和下包络曲面，计算所述上包络曲面和下包络曲面的均值得到所述经验模态分解算法的第一尺度分解的残差信号，即为去噪后的感兴趣区域。优选地，所述去噪处理模块还用于在所述感兴趣区域的血管壁纵向上设置稠密网格和血管壁切向上设置稀疏网格，再根据所述网格通过所述非均勻B样条曲面拟合法分别对极大值点和极小值点进行插值拟合。优选地，还包括高斯滤波器，所述高斯滤波器用于对所述感兴趣区域初步去噪。优选地，所述分离模块还用于以代表亮、灰、暗的三类像素灰度的灰度值组成的征向量，将其设置为聚类中心初始值，并根据所述聚类中心初始值将所述感兴趣区域分离为第一区、第二区和第三区，所述第一区对应血管腔部分，所述第二区对应血管壁外膜部分， 所述第三区对应感兴趣区域中除血管腔、血管壁外膜外的其它区域部分。优选地，所述提取模块还用于预先设置形态半径分别为第一可变参数和第二可变参数，并提取血管壁外膜，将该部分作为蒙板从该感兴趣区域剔除，然后将感兴趣区域中除血管腔、血管壁外膜外的其他区域部分作为前景，分别以形态半径为第一可变参数和第二可变参数进行分割操作，得到血管内中膜区域分割结果，测量所述分割结果得到所述血管内中膜厚度。上述基于图像的血管内中膜厚度自动提取方法及系统，对选取的感兴趣区域采用基于非均勻B样条的经验模态分解算法去噪后，能降低噪声影响，通过K均值聚类法对感兴趣区域的像素点基于像素灰度进行分类，以分离感兴趣区域，从分离的感兴趣区域中除血管腔、血管壁外膜外的其他区域部分提取血管内中膜厚度，与手动标记相比，操作方便，且更加准确，因K均值聚类法仅使用灰度进行分类，计算简单，基于非均勻B样条的经验模态分解算法在有效去噪的同时保留了血管的细节和边缘信息。
图1为一个实施例中基于图像的血管内中膜厚度自动提取方法的流程图；图2为颈动脉超声图像中选取的感兴趣区域；图3为采用基于非均勻B样条的经验模态分解算法对该感兴趣区域去噪的具体流程图；图4为提取感兴趣区域的局部极大值点示意图；图5为EMD算法第一尺度分解的结果示意图；图6A为散乱数据点；图6B为网格8 X 8的拟合结果；图6C为网格16 X 16的拟合结果；图6D为网格32 X 32的拟合结果；图7为K均值聚类的结果；图8为数学形态学得到的内中膜区域；图9为最终的分割结果在感兴趣区域图像上的标示的示意图；图10为用于IMT分割的软件系统的界面示意图。图11为一个实施例中基于图像的血管内中膜厚度自动提取系统的结构示意图；图12为另一个实施例中基于图像的血管内中膜厚度自动提取系统的结构示意图。
具体实施方式
6
下面结合具体的实施例及附图对基于图像的血管内中膜厚度自动提取方法及系统进行详细的描述。如图1所示，在一个实施例中，一种基于图像的血管内中膜厚度自动提取方法，包括以下步骤步骤S110，获取血管超声图像，并从血管超声图像中选取感兴趣区域。可采用超声波探头采集血管图像，然后从采集的图像中选取感兴趣区域。该感兴趣区域为血管壁周围包含血管壁、血管内中外膜和血管外部结构的矩形区域。如图2所示为颈动脉超声图像中选取的感兴趣区域，其中上部黑色背景为血管腔内部，中部三个细条状亮-暗-亮条纹分别为内膜、中膜、外膜组织，下部大面积区域为感兴趣区域中除血管腔、 血管壁外膜外的其它区域(其它组织)和伪迹。为了测量IMT需分离出血管腔-内膜和中膜-外膜两个边缘，图中两个“ + ”字标志为医生手动测量IMT的标记。步骤S120，采用基于非均勻B样条的经验模态分解算法对该感兴趣区域去噪。通过非均勻B样条的经验模态分解算法(Empirical Mode Decomposition，简称 EMD)对感兴趣区域的图像作去噪处理，除去噪声。如图3所示，具体包括步骤步骤S121，提取该感兴趣区域中的局部的极大值点和局部的极小值点。通过四邻域算法或八邻域算法提取感兴趣区域中的局部的极大值点和局部的极小值点。如图4所示，图中亮度为提取的极大值点。将一幅图像可当成一个离散的二维数组处理，则筛分局部极值的过程是将该位置的值与其上、下、左、右方向的四邻域或上、下、左、右、东南、西北、东北、西南方向的八邻域值进行比较，本实施例中采用四领域算法，设定的判断条件为(1)如果中心位置的值大于所有相邻值，则视该点为局部极大值点；(2)如果中心位置的值小于所有相邻值，则视该点为局部极小值点；(3)如果中心位置的值小于一部分相邻的值，同时又大于另一部分相邻的值，则视为非极值点；(4)如果某点与局部极值点相邻，且与相邻的局部极值相等，则把这两点看作一个区域，直到该区域满足条件(1) (3)或找到该区域的边界。步骤S123，通过非均勻B样条曲面拟合法分别对极大值点和极小值点进行插值拟合，得到对该感兴趣区域的上包络曲面和下包络曲面，计算该上包络曲面和下包络曲面的均值得到所述经验模态分解算法的第一尺度分解的残差信号，即为去噪后的感兴趣区域。该非均勻B样条曲面拟合法即散乱数据的B样条曲面拟合法，通过其对极大值点和极小值点进行插值拟合，得到对该感兴趣区域图像的上包络Imax和下包络Imin曲面，再计算两者的均值I_n= (Imax+Imin)/2，得到EMD的第一尺度分解的残差信号。通过实验验证表明，EMD算法的第一尺度分解的残差信号能最好的保留血管壁的层次结构和细节，在平滑性和分辨细节能力上有较理想的表现，故将此残差信号作为后续分割的基础。图5为EMD算法第一尺度分解的结果，可看出相比图2，保留了结构和边缘，同时整体平滑了很多。采用B样条曲面拟合的具体过程是在矩形图像空间Ω = {(χ, y)|0^x<m, 0 ^ y < η}中，有一些散乱数据集P= (x。，y。，z。)，其中，(xc, yc)是Ω中的点。下面通过均勻B样条函数逼近函数f来拟合P所在的曲面。假设函数f的网格为Φ，Φu表示Φ在(i，j)位置的值，相应的拟合函数f可表示为
权利要求
1.一种基于图像的血管内中膜厚度自动提取方法，包括以下步骤获取血管超声图像，并从血管超声图像中选取感兴趣区域；采用基于非均勻B样条的经验模态分解算法对所述感兴趣区域去噪；通过K均值聚类法对所述去噪后的感兴趣区域中的像素点基于像素灰度进行分类，以分离出血管腔、血管壁外膜和感兴趣区域中除血管腔、血管壁外膜外的其它区域三部分；通过数学形态学从所述分离出的感兴趣区域中除血管腔、血管壁外膜外的其他区域部分提取血管内中膜厚度。
2.根据权利要求1所述的基于图像的血管内中膜厚度自动提取方法，其特征在于，所述采用基于非均勻B样条的经验模态分解算法对所述感兴趣区域去噪的步骤具体包括以下步骤提取所述感兴趣区域中的局部的极大值点和局部的极小值点；通过非均勻B样条曲面拟合法分别对极大值点和极小值点进行插值拟合，得到对所述感兴趣区域的上包络曲面和下包络曲面，计算所述上包络曲面和下包络曲面的均值得到所述经验模态分解算法的第一尺度分解的残差信号，即为去噪后的感兴趣区域。
3.根据权利要求2所述的基于图像的血管内中膜厚度自动提取方法，其特征在于，在提取所述感兴趣区域中的局部的极大值点和局部的极小值点的步骤之后还包括步骤在所述感兴趣区域的血管壁纵向上设置稠密网格和血管壁切向上设置稀疏网格；根据所述稠密网格和稀疏网格通过所述非均勻B样条曲面拟合法分别对极大值点和极小值点进行插值拟合。
4.根据权利要求1所述的基于图像的血管内中膜厚度自动提取方法，其特征在于，在所述采用基于非均勻B样条的经验模态分解算法对所述感兴趣区域去噪的步骤之前还包括步骤采用高斯滤波器对所述感兴趣区域初步去噪。
5.根据权利要求1所述的基于图像的血管内中膜厚度自动提取方法，其特征在于，通过K均值聚类法对所述去噪后的感兴趣区域中的像素点基于像素灰度进行分类，以分离出血管腔、血管壁外膜和感兴趣区域中除血管腔、血管壁外膜外的其它区域三部分的步骤具体为以代表亮、灰、暗的三类像素灰度的灰度值组成的特征向量，将其设置为聚类中心初始值；根据所述聚类中心初始值将所述感兴趣区域分离为第一区、第二区和第三区，所述第一区对应血管腔部分，所述第二区对应血管壁外膜部分，所述第三区对应感兴趣区域中除血管腔、血管壁外膜外的其它区域部分。
6.根据权利要求1所述的基于图像的血管内中膜厚度自动提取方法，其特征在于，从所述分离出的感兴趣区域中除血管腔、血管壁外膜外的其他区域部分通过数学形态学提取血管内中膜厚度的步骤具体为预先设置形态半径分别为第一可变参数和第二可变参数；提取血管壁外膜，将该部分作为蒙板从该感兴趣区域剔除，然后将感兴趣区域中除血管腔、血管壁外膜外的其他区域部分作为前景，分别以形态半径为第一可变参数和第二可变参数进行分割操作，得到血管内中膜区域分割结果，测量所述分割结果得到所述血管内中膜厚度。
7.一种基于图像的血管内中膜厚度自动提取系统，其特征在于，包括图像获取模块，用于获取血管超声图像，并从血管超声图像中选取感兴趣区域；去噪处理模块，用于采用基于非均勻B样条的经验模态分解算法对所述感兴趣区域去噪；分离模块，用于通过K均值聚类法对所述去噪后的感兴趣区域中的像素点基于像素灰度进行分类，以分离出血管腔、血管壁外膜和感兴趣区域中除血管腔、血管壁外膜外的其它区域三部分；提取模块，用于通过数学形态学从所述分离出的感兴趣区域中除血管腔、血管壁外膜外的其他区域部分提取血管内中膜厚度。
8.根据权利要求7所述的基于图像的血管内中膜厚度自动提取系统，其特征在于，所述去噪处理模块还用于提取所述感兴趣区域中的局部的极大值点和局部的极小值点，通过非均勻B样条曲面拟合法分别对极大值点和极小值点进行插值拟合，得到对所述感兴趣区域的上包络曲面和下包络曲面，计算所述上包络曲面和下包络曲面的均值得到所述经验模态分解算法的第一尺度分解的残差信号，即为去噪后的感兴趣区域。
9.根据权利要求8所述的基于图像的血管内中膜厚度自动提取系统，其特征在于，所述去噪处理模块还用于在所述感兴趣区域的血管壁纵向上设置稠密网格和血管壁切向上设置稀疏网格，再根据所述网格通过所述非均勻B样条曲面拟合法分别对极大值点和极小值点进行插值拟合。
10.根据权利要求7所述的基于图像的血管内中膜厚度自动提取系统，其特征在于，还包括高斯滤波器，所述高斯滤波器用于对所述感兴趣区域初步去噪。
11.根据权利要求7述的基于图像的血管内中膜厚度自动提取系统，其特征在于，所述分离模块还用于以代表亮、灰、暗的三类像素灰度的灰度值组成的特征向量，设置为聚类中心初始值，并根据所述聚类中心初始值将所述感兴趣区域分离为第一区、第二区和第三区， 所述第一区对应血管腔部分，所述第二区对应血管壁外膜部分，所述第三区对应感兴趣区域中除血管腔、血管壁外膜外的其它区域部分。
12.根据权利要求7所述的基于图像的血管内中膜厚度自动提取系统，其特征在于，所述提取模块还用于预先设置形态半径分别为第一可变参数和第二可变参数，并提取血管壁外膜部分，将该部分作为蒙板从该感兴趣区域剔除，然后将感兴趣区域中除血管腔、血管壁外膜外的其他区域部分作为前景，分别以形态半径为第一可变参数和第二可变参数进行分割操作，得到血管内中膜区域分割结果，测量所述分割结果得到所述血管内中膜厚度。
全文摘要
本发明涉及一种基于图像的血管内中膜厚度自动提取方法及系统。该方法包括以下步骤获取血管超声图像，并从血管超声图像中选取感兴趣区域；采用基于非均匀B样条的经验模态分解算法对感兴趣区域去噪；通过K均值聚类法对所述去噪后的感兴趣区域中的像素点基于像素灰度进行分类，以分离出血管腔、血管壁外膜和感兴趣区域中除血管腔、血管壁外膜外的其它区域三部分；通过数学形态学从所述分离出的感兴趣区域中除血管腔、血管壁外膜外的其他区域部分提取血管内中膜厚度。上述基于图像的血管内中膜厚度自动提取方法及系统，基于非均匀B样条的经验模态分解算法去噪，K均值聚类法分离，提取血管内中膜厚度，与手动标记相比，操作方便，且更加准确。
文档编号G06T5/00GK102332161SQ20111026982
公开日2012年1月25日 申请日期2011年9月13日 优先权日2011年9月13日
发明者张元亭, 张晶, 杨平, 林宛华 申请人:中国科学院深圳先进技术研究院