技术领域
[0001] 本
发明涉及医学
图像处理领域，具体涉及一种基于随机行走（Random Walker）
算法，应用于血管内超声（IVUS：Intravascular ultrasound）图像分割的方法。
背景技术
[0002] 血管内超声（IVUS: Intravascular Ultrasound）作为一种介入性实时超声成像技术，不仅能显示血管内腔形态，还能显示血管壁分层结构，对动脉粥样硬化等心
血管疾病的诊断和
治疗具有非常重要的价值。基于IVUS诊断动脉粥样硬化需要获取粥样硬化的图像特征如血管内腔面积、斑
块面积等量化指标，这些量化指标的准确提取依赖于有效的图像分割。人工分割即由医生手动勾画血管内腔、中外膜边界等，不仅费时费
力，而且受医生经验等主观性的限制，重复性也不好。因此，用计算机算法准确、快速、自动地分割血管内超声图像就显得很有必要。目前，血管内超声图像的计算机自动分割算法主要有三类：第一类为统计学方法（G. Mendizabal-Ruiz, M. Rivera, et al., “A probabilistic segmentation method for the identification of luminal borders in intravascular ultrasound images”, IEEE Conference on Computer Vision and Pattern Recognition, pp.1-8, 2008.），对图像的灰度分布进行统计学建模实现血管内超声图像分割，但血管内超声图像中的伪影、
钙化等复杂的图像特征将大大降低统计建模的准确性；第二类通过
机器学习的手段实现血管内超声图像分割(1.E. G. Bovenkamp, J. Dijkstra, J. G. Bosch, et al., “Multi-agent segmentation of IVUS images”, Patten Recognition, Vol.37, No.4, pp.647-663, 2004; 2. G. Unal, S. Bucher, S. Carlier, et al., “Shape-driven segmentation of the arterial wall in intravascular ultrasound images”, IEEE Trans. On information technology in biomedicine, Vol.12, No.3, pp.335-346, 2008.)，该类方法模型复杂，实际应用时受到诸多限制；第三类是基于活动轮廓线模型的方法(1. 张麒，汪源源等，“活动轮廓模型和Contourlet多
分辨率分析分割血管内超声图像”，光学精密工程， Vol.16, No.11, pp.2301-311, 2008; 2. X. Zhu, P. Zhang, J. Shao, et al., “A snake-based method for segmentation of intravascular ultrasound images and its in vivo validation”, Ultrasonics, Vol.51, pp.181-189, 2011.)，该类方往往需要给定初始轮廓线，而且分割结果易受噪声、不同斑块等复杂图像特征的影响。上述几类血管内超声图像分割方法的虽然自动化程度较高，但是往往都需要经过很复杂的建模过程，且不方便通过
人机交互对结果进行快速修正。
发明内容
[0003] 为了解决上述问题，本发明提供了一种更为简单、无需复杂建模的、且方便通过人机交互对结果进行快速修正的基于随机行走算法的血管内超声图像自动分割方法。
[0004] 为了达到上述目的，本发明采用了以下技术方案：
[0005] 一种对血管内超声图像进行分割的方法，其特征在于，包含以下步骤：
[0006] 通过血管内超声图像的平均灰度曲线图确定血管内腔
种子点，通过以血管内超声图像的中心点为圆心，绕圆心一周的每个扫描
角度上具有最大灰度值的
像素连接起来确定血管外壁种子点；
[0007] 采用随机行走算法计算血管超声图像中从每个像素点行走首先到达血管内腔种子点和血管外壁种子点的概率，得到血管内腔种子点的概率图像和血管外壁种子点的概率图像；
[0008] 通过计算血管内超声图像，得到血管内超声图像的第一梯度图像；
[0009] 以连续变化的概率
阈值对血管外壁种子点的概率图像进行阈值处理，得到第一序列阈值图像；
[0010] 考察第一序列阈值图像中高于阈值的第一连通区域，结合第一梯度图像，将第一连通区域中边界平均梯度最大的边界作为血管外膜边界；
[0011] 将血管内腔种子点的概率图像中里概率大于0.5的第二连通区域边界像素点作为血管中层种子点；
[0012] 采用随机行走算法重新计算血管内超声图像中从每个像素点行走首先到达血管内腔种子点的概率和血管中层种子点的概率，得到第二血管内腔种子点的概率图像和血管中层种子点的概率图像；
[0013] 将血管外膜及其外侧区域的灰度置零后得到的血管内超声图像进行计算，得到血管内超声图像的第二梯度图像；
[0014] 以连续变化的概率阈值对第二血管内腔种子点的概率图像进行阈值处理，得到第二序列阈值图像；
[0015] 考察第二序列阈值图像中高于阈值的第三连通区域，，结合第二梯度图像，将第三连通区域中边界平均梯度最大的边界作为血管内膜边界。
[0016] 进一步，本发明的图像分割方法，还可以具有这样的特征：
[0017] 其中，平均灰度曲线图以血管内超声图像的中心点作为零点坐标点，将以中心点作为圆心的每一个圆周的半径作为横坐标，以每一个圆周上的所有像素点的平均灰度值为纵坐标。
[0018] 进一步，本发明的图像分割方法，还可以具有这样的特征：
[0019] 其中，血管内腔种子点是以血管内超声图像的中心点为圆心的一个圆，圆的半径等于平均灰度曲线图上平均灰度值处于最低时的横坐标。
[0020] 另外，本发明的图像分割方法，还可以具有这样的特征：
[0021] 其中，连续变化的概率阈值范围在0.5-0.98之间。
[0022] 发明的作用与效果
[0023] 根据本发明涉及的血管内超声图像分割方法，通过血管内超声图像的平均灰度曲线和每个扫描角度上最大灰度像素，自动确定了各类种子点，因而保证了分割过程的自动性；同时，随机行走算法不仅保证了分割过程的简单快速，同时还提供了实际应用中通过人机交互对结果进行快速修正的可能性。
附图说明
[0024] 图1是本发明的血管内超声图像分割方法
流程图；
[0026] 图3是本实施例的血管内超声图像的平均灰度曲线图；
[0027] 图4 是本实施例的血管内腔种子点和血管外壁种子点的示意图；
[0028] 图5 是本实施例的血管内腔种子点的概率图像；
[0029] 图6是本实施例的血管外壁种子点的概率图像；
[0030] 图7是本实施例的血管内超声图像的梯度图像；
[0031] 图8是本实施例中分割出的血管外膜；
[0032] 图9 是本实施例的血管内腔种子点和血管中层种子点示意图；
[0033] 图10 是本实施例的血管内腔种子点的概率图像；
[0034] 图11是本实施例的血管中层种子点的概率图像；
[0035] 图12是本实施例的血管外侧区域置零后的血管内超声图像的梯度图像；
[0036] 图13是本实施例中分割出的血管内膜。
具体实施方式
[0037] 以下结合附图对本发明作进一步详细说明。
[0038] 图1是本发明的血管内超声图像分割方法的流程图。
[0039] 图2是本实施例的血管内超声图像，图3是本实施例的血管内超声图像的平均灰度曲线图。如图3所示，血管内超声图像的平均灰度曲线图以血管内超声图像的中心点作为零点坐标点，将以中心点作为圆心的每一个圆周的半径作为横坐标，以每一个圆周上的所有像素点的平均灰度值为纵坐标。图4是本实施例的血管内腔种子点和血管外壁种子点的示意图。如图4所示，通过血管内超声图像的平均灰度曲线图可以确定血管内腔（即血管内膜所包含区域）种子点1和血管外壁（即血管外膜外侧区域）种子点2。
[0040] 血管内腔种子点1是以血管内超声图像的中心点为圆心的一个圆，圆的半径等于平均灰度曲线图上平均灰度值处于最低时的横坐标，其距离大于血管中探测器
导管的半径。血管外壁种子点2是由从血管内超声图像的中心点出发，绕血管内超声图像的中心点一周的每个扫描角度上具有最大灰度值的像素连接组成。确定血管外壁种子点2时，为降低噪声因素的影响，根据每个扫描角度上具有最大灰度值的像素和血管内超声图像中心点的距离，采用中值滤波，在本实施例中，采用5点中值，从每个扫描角度上具有最大灰度值的像素中，滤去距离血管内超声图像中心点较近的点，再根据每一扫描角度上具有最大灰度的像素的灰度和最大灰度像素外侧像素平均灰度的比值，当此比值高于给定的值（在本实施例中，给定的值为4.0），则表明此具有最大灰度的像素可能是由钙化而导致灰度增大，应该除去此点。
[0041] 图5是本实施例的血管内腔种子点的概率图像，图6是本实施例的血管外壁种子点的概率图像。如图5、图6所示，采用随机行走算法计算血管内超声图像中从每个像素点行走首先到达血管内腔种子点1和血管外壁种子点2的概率，同时得到血管内腔种子点1的概率图像和血管外壁种子点2的概率图像。
[0042] 图7是血管内超声图像的梯度图像。如图7所示，通过对血管内超声图像的计算可以得到其梯度图像。以连续变化的概率阈值（0.5-0.98）对血管外壁种子点2的概率图像进行阈值处理，得到序列阈值图像，考察序列阈值图像中高于阈值的连通区域，结合血管内超声的梯度图像，将连通区域中边界平均梯度最大的边界作为血管外膜边界3。图8是本实施例中分割出的血管外膜3。如图8所示，最终得到分割出的血管外膜3。
[0043] 图9是本实施例的血管内腔种子点和血管中层种子点示意图。如图9所示，将血管内腔种子点1的概率图像中概率大于0.5的连通区域里的边界像素点作为血管中层种子点5，第二次确立血管内腔种子点1时的步骤与第一次相同。
[0044] 图10是本实施例的血管内腔种子点的概率图像，图11是本实施例的血管中层种子点的概率图像。如图10、图11所示，采用随机行走算法计算血管内超声图像中从每个像素点行走首先到血管内腔种子点3和血管中层种子点4的概率，同时得到血管内腔种子点3的概率图像和血管中层种子点4的概率图像。
[0045] 图12是本实施例的血管外膜及其外侧区域置零后的血管内超声图像的梯度图像。如图3所示，在确定血管内膜时，为避免血管外膜图像由于梯度较高会对内膜梯度图像产生影响，因此根据之前已经分割出的血管外膜，将图像中血管外膜3以及外侧区域的灰度先置零，再计算梯度得到血管内超声图像的梯度图像。
[0046] 以连续变化的概率阈值（0.5-0.98）对血管内腔种子点的概率图像进行阈值处理，得到序列阈值图像，考察该序列阈值图像中高于阈值的连通区域，结合血管外膜及其外侧区域置零后的血管内超声图像的梯度图像，将连通区域中边界平均梯度最大的边界作为血管内膜边界5。图13是分得出的血管内膜5。如图13所示，最终得到血管内膜边界5.[0047] 实施例的作用与效果
[0048] 根据本实施例涉及的血管内超声图像分割方法，通过血管内超声图像的平均灰度曲线和每一扫描角度上的最大灰度像素，自动确定了各类种子点，因而保证了分割过程的自动性；同时，随机行走算法不仅保证了分割过程的简单快速，同时还提供了实际应用中通过人机交互对结果进行快速修正的可能性。
