买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:北京理工大学
摘要:本发明提出了一种基于统计学模型和多尺度滤波的脑血管图像分割方法,属于医学计算及图像处理技术领域。所述分割方法将统计模型和多尺度滤波的相结合,以在高层与低层模型相结合提取脑血管图像并分割,包括:S1,数据预处理,得到去噪后脑部区域图像;S2,拟合S1图像背景及血管类的高斯模型,搭建FMM;S3,设置FMM初始值,估计参数及计算低层能量函数;S4,对图像进行分割;S5,结合脊线性质对种子点进行筛选,在3D空间中提取血管中心线,沿远端血管中心线进行膨胀,对低层模型进行补充。所述方法提高了远端血管图像的分割精度,能实现在较为粗糙的血管图像分割结果下得到精准的血管中心线提取。
主权项:1.一种基于统计学模型和多尺度滤波的脑血管图像分割方法,其特征在于:包括如下步骤:步骤1:数据预处理,得到去噪后脑部区域图像,具体为:采集大脑部分血管原始图像、并对得到的血管三维图像进行去噪,得到去噪后血管三维图像,并根据去噪后血管三维图像构建血管三维图像的灰度的分布直方图;步骤2:通过分别拟合去噪后脑部区域图像背景及血管类的高斯模型,搭建有限混合模型FMM,具体为:步骤2.1:使用两个高斯模型G1x、G2x拟合步骤1的去噪后血管三维图像中的背景类;步骤2.2:使用一个高斯模型G3x拟合步骤1得到的去噪后血管三维图像中的血管类;步骤2.3:根据步骤2.1与步骤2.2拟合出来的三个高斯模型G1x、G2x以及G3x搭建有限混合模型FMM,其FMM公式描述的灰度分布his是步骤2.1与步骤2.2拟合出来的三个高斯模型的线性组合,his利用超参数α1,α2,α3调节三个高斯模型G1x、G2x以及G3x间各自的权重;步骤3:使用最大期望方法对有限混合模型FMM设置初始值,对初始值进行参数估计,并计算低层能量函数U1xs,具体为:为有限混合模型设置初始值,并对有限混合模型执行最大期望方法,估计该有限混合模型FMM设置初始值;步骤4:使用步骤2搭建的有限混合模型FMM与步骤1中去噪后血管三维图像的像素值,计算得到去噪的血管三维图像分割的初步结果,具体步骤如下:步骤4.1:通过步骤3得到的hisys函数的初始参数θ的估计,提出低层能量函数U1xs满足U1xs∝hisys,计算对于去噪后的血管三维图像的单个像素点s的模型G1、G2以及G3的概率表达Pys|G1、Pys|G2以及Pys|G3;步骤4.2:针对去噪后的血管三维图像的单个像素,计算血管类的条件概率函数PY|V和背景类的条件概率函数PY|B;步骤4.3:判断PY|V是否大于PY|B,若是,则认为该像素点属于血管类,否则认为该像素点属于背景类,得到该像素标签;步骤4.4:重复上述步骤4.1-4.3,遍历去噪后血管三维图像的每一个像素,为每一个像素生成其对应的标签;步骤4.5:将步骤4.4中针对每一个像素得到的相应的标签进行汇总,进而得到去噪的血管三维图像分割的初步结果Mask0;步骤5:使用步骤1中去噪后血管三维图像进行基于脊线性质的血管中心线提取,具体为:提取去噪后血管三维图像中的种子点,并且对提取的种子点生成初始方向,之后针对生成的初始方向对每一个种子点沿正向与负向进行延伸以实现中心线生长,具体为:步骤5.1:提取去噪的血管三维图像中的种子点,具体步骤如下:步骤5.1.1:遍历经过步骤1中去噪后血管三维图像中的所有像素点,对于每一个像素点s将该点强度值Is与其邻域内的点Ns强度值进行比较,判断像素点s的灰度是否大于邻域内任意一点灰度,如果是则认为该像素点是一个极值点,否则不认为该像素点是一个极值点;步骤5.1.2:遍历步骤5.1.1得到的所有极值点,针对每个强度为I0,梯度方向为的极值点s0x0,y0,z0进行一阶微分方向修正,找到点s1x1,y1,z1,其强度为I1;步骤5.1.3:对于通过步骤5.1.2得到的一阶微分方向修正过的点s1x1,y1,z1,计算其黑塞矩阵较大的两个特征值对应的特征向量步骤5.1.4:根据步骤5.1.3针对修正过的点s1x1,y1,z1及构成平面Ω,并以s1为圆心r为半径的范围内在平面Ω寻找灰度极值点作为种子点;步骤5.2:针对提取的种子点生成初始方向,具体步骤如下:步骤5.2.1:对于通过步骤5.1.3提取的所有的种子点,对于每一个种子点s0沿着寻找其邻域内强度最大点s1,判断s1强度是否小于s0,若是则结束此次初始方向的生成,否则将其作为正向传播的下一点s1,称为后沿点;其中,将从种子点s0指向后沿点s1的方向作为正向传播的方向步骤5.2,2:对于通过步骤5.1.3提取的所有的种子点,对于每一个种子点s0沿着寻找其邻域内强度最大点s-1,判断s-1强度小于s0,若是则结束此次初始方向的生成,否则将其作为负向传播的下一点s-1,称为前驱点;其中,将从种子点s0指向前驱点s-1的方向作为负向传播的方向步骤5.2.3:判断步骤5.2.1和5.2.2处理得到的正向传播与负向传播夹角是否小于阈值θ,若是则将s-1从s0的邻域点集内移除,跳至步骤5.2.1;否则完成该种子点的初始方向的生成,跳至步骤5.3;步骤5.3:针对步骤5.2生成的初始方向对每一个种子点沿正向与负向进行延伸实现中心线生长;步骤5.4:对于步骤5.1提取的每一个种子点重复步骤5.2—5.3,得到该血管三维图像的血管中心线图像;步骤5.5:对于步骤5.4中提取到的血管中心线做膨胀处理,得到处理之后的中心线图像;步骤6:引入血管特征场及血管形状场,计算势能函数,并且根据势能函数计算高层能量函数,具体步骤如下:步骤6.1:针对步骤1.3.8得到的经过预处理的去噪的血管三维图像数据的每一个像素点s,计算该点血管特征场对于高层能量函数的贡献其中,像素点s的邻域点集为Ns,针对邻域内任意一点s′∈Ns使用表示该像素点处梯度,表示其邻域内梯度最大值;步骤6.2:重复步骤6.1,对去噪的血管三维图像数据的每一个像素点求解血管特征场;步骤6.3:针对步骤1得到的经过预处理的去噪的血管三维图像数据的每一像素点s,计算该点血管方向场对于高层能量函数的贡献其中,像素点s的邻域点集为Ns,使用表示s处梯度,其邻域内一点s′∈Ns,使用表示s′处最小特征值对应特征向量,则s′处血管方向场对于高层能量函数的贡献为步骤6.4:重复步骤6.3,对去噪的血管三维图像数据的每一个像素点求解血管方向场;步骤6.5:基于步骤6.2和6.4求解的针对所有像素点的血管特征场与血管方向场,对于各个像素点,通过步骤4.5得到的初始标签Mask0计算出该像素点与其邻域内一点s′所对应的势能函数Itaxs,xs′,其为血管特征场与血管方向场的线性组合,用ε1,ε2控制各自的权重;步骤6.6:基于步骤6.5的运算得到的势能函数Itaxs,xs′,根据结合s′处在Mask0中的标签计算对xs的能量函数的贡献值Exs,xs';步骤6.7:对s的邻域内所有点进行计算加和,计算该点最终的高层能量函数U2xs;步骤7:计算当前分割结果,直到图像分割结果Mask变化小于设立阈值,具体步骤如下:步骤7.1:结合步骤3得到的低层能量函数U1xs与步骤6.7得到的高层能量函数U2xs以及步骤5.5处理之后的中心线图像可以得到点s处的标签概率Pxs;步骤7.2:判断此次去噪后血管三维图像分割的结果与上一次去噪后血管三维图像的分割结果间的相似性系数是否低于阈值c,若是,则输出分割的标签Mask0作为最终的结果,否则Mask0设置为此次去噪的血管三维图像分割的结果并且跳转到步骤5;其中,阈值c的取值范围为0.01到0.05。
全文数据:
权利要求:
百度查询: 北京理工大学 一种基于统计学模型和多尺度滤波的脑血管图像分割方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。