首页 / 专利库 / 解剖与生理 / 冠状动脉 / 一种冠状动脉OCT图像自动分割方法

一种冠状动脉OCT图像自动分割方法

阅读:813发布:2020-05-14

专利汇可以提供一种冠状动脉OCT图像自动分割方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种 冠状动脉 OCT图像自动分割方法,其步骤包括:对OCT图像进行去除中心斜线、 导管 圆环和外围文字标注的预处理,得到预处理后的图像;二值化并进一步获取血管内膜图像,然后与所得预处理图像 叠加 ,得去噪图像;调整二值化图像的权重并与去噪图像叠加,得增强高 信号 区域 能量 的叠加图像;利用k‑means法将叠加图像聚类,然后利用径向基函数变换到高维空间,再构建GraphCuts能量函数进一步处理,得分割结果。本发明的涉及冠状动脉区域OCT图像自动分割方法能够较好地实现三种斑 块 区域的自动区域分割,分割效果明显优于传统方法,能够较好的保存图像斑块区域,分割损失较小,且通过多次实验发现,本文方法具有较强的鲁棒性。,下面是一种冠状动脉OCT图像自动分割方法专利的具体信息内容。

1.一种冠状动脉OCT图像自动分割方法,其特征在于,包括如下步骤:
A)以包含纤维化斑化斑块和脂质斑块的冠状动脉OCT原始图像作为处理对象,对OCT原始图像进行去除中心斜线、导管圆环和外围文字标注的预处理,得到预处理后的图像;
B)将所述预处理后的图像转化成极坐标形式,然后进行二值化,得到二值化图像;
对所得二值化图像的组内方差求出最小值,然后提取该二值化图像的每一列第一个非零像素并组成一条连续的直线,再转化为直坐标系形式,得到血管内膜图像;
将所得血管内膜图像置入A)步所得预处理后的图像中,然后将内膜内部区域像素值设置为0,得到去除内膜内部噪音的去噪图像;
C)调整B)步所述二值化图像的二值化权重为0.3,然后叠加到B)步所得去噪图像中,得到高信号区域能量增强的叠加的图像;
D)利用k-means法将所述叠加的图像依据颜色分布分成不同的聚类,并使用欧式距离作为最小化函数以确定聚类中心;
E)利用径向基函数将D)步所得聚类之后的图像变换到高维空间;
F)构建GraphCuts能量函数对经E)步处理图像进行处理,通过最小化该能量函数达到每一个像素点的最优配置,实现将钙化斑块、纤维化斑块和脂质斑块分割出来的目的,得到分割结果。
2.根据权利要求1所述的冠状动脉OCT图像自动分割方法,其特征在于,
D)步具体过程是:使用k-means方法 将所得叠加的图像
依据颜色分布分成不同的聚类,并使用欧式距离作为最小化函数以确定聚类中心C,其中:K为聚类时分割出的区域数目,设置K=4;l为像素点的标签,取值为1~K,xl是第l聚类的像素;i是为像素维度,Si是每个聚类中的像素集合,μi表示Si中的确定的质心,即聚类中心C。
3.根据权利要求2所述的冠状动脉OCT图像自动分割方法,其特征在于,
E)步中径向基函数公式 其中,β为径向基函数的宽度参数,
用于控制函数径向作用范围,取β=0.5;Im为图像的像素集合。
4.根据权利要求3所述的冠状动脉OCT图像自动分割方法,其特征在于,
F)步中,GraphCuts能量函数H(f)=D(f)+α·R(f),其中,
①D(f)是计算分割区域内颜色相似性的数据项,采用kernel空间中的非欧氏距离作为数据项,则数据项D(f)演化为:
其中:x和l分别为图像的像素点和对应的标签,Sl和L为聚类集合和标签空间; 为kernel非线性映射,ul为分段常数模型的模型参数,mx为图像的颜色向量;
②R(f)是使边界平滑的正则项,采用采用临近点与中心点的不相似程度作为正则项作为正则项,则正则项R(f)演化为:R(f)=∑{x,y}∈Nr(f(x),f(y)),
其中,{x,y}为靠近点集N中的一对临近点;r(f(x),f(y))=min(A2,|uf(x)-uf(y)|2),A为点集N中心的灰度强度,f(x)、f(y)为分别为x、y点到标签空间的映射,uf(x)、uf(y)为分别为x、y点的灰度强度;
③f表示像素点到标签空间的映射;
④α为权重系数,用于控制边界平滑程度,设置α=0.6。

说明书全文

一种冠状动脉OCT图像自动分割方法

技术领域

[0001] 本发明涉及医学影像分割方法,具体的说是一种冠状动脉OCT图像自动分割方法。

背景技术

[0002] 医学影像是图像处理中极为重要的一部分,特别是随着光学干涉断层成像(optical coherence tomography,OCT)技术的出现,使得直接观察冠状动脉粥样硬化的形态成为可能。然而,对OCT图像的准确解读需要花费医生大量的时间,且不同的医生个体之间具有较强的主观性和个体差异性,为此计算机自动识别影像中不同成分成为关键。
[0003] 关于冠状动脉OCT影像粥样硬化区域主要有三种类型。纤维化斑是冠状动脉硬化中最普遍的一种斑块,表现为同质、高信号和弱衰减的区域;脂质斑块表现为边缘模糊、高背反射和强衰减区域,在低信号区域的表面有高信号带的纤维帽,是造成冠脉破裂的主要因素之一;化斑块表现为边缘锐利的低信号或不均匀区域,对心脏支架放置影响极大。因此,精准的分割斑块位置及大小是及其重要的。
[0004] 目前针对OCT影像分割的主要方法是利用选取出来的目标区域,使用k-means方法进行聚类得到其中一种斑块区域或利用平集梯度方法得到斑块区域;或使用A-line模型对OCT图像进行分析,从而确定斑块区域。这两种方法或是只能识别其中某一种斑块,或是对斑块分割精度不高,不能达到所需要求。

发明内容

[0005] 本发明的目的是提供一种冠状动脉OCT图像中斑块区域的自动分割方法,以实现冠状动脉血管上三种斑块区域同时且高精度的自动分割,解决现有分割方法分割斑块类型单一或分割精度低的问题。
[0006] 本发明的目的是按照下述的技术方案实现的:
[0007] 一种冠状动脉OCT图像自动分割方法,包括如下步骤:
[0008] A)以一组包含纤维化斑块、钙化斑块和脂质斑块的冠状动脉OCT原始图像作为处理对象,对OCT原始图像进行去除中心斜线、导管圆环和外围文字标注的预处理,得到预处理后的图像;
[0009] B)将所述预处理后的图像转化成极坐标形式,然后进行二值化,得到二值化图像;
[0010] 对所得二值化图像的组内方差求出最小值,然后提取该二值化图像的每一列第一个非零像素并组成一条连续的直线,再转化为直坐标系形式,得到血管内膜图像;
[0011] 将所得血管内膜图像置入A)步所得预处理后的图像中,然后将内膜内部区域像素值设置为0,得到去除内膜内部噪音的去噪图像;
[0012] C)调整B)步所述二值化图像的二值化权重为0.3,然后叠加到B)步所得去噪图像中,得到高信号区域能量增强的叠加的图像;
[0013] D)利用k-means法将所述叠加的图像依据颜色分布分成不同的聚类,并使用欧式距离作为最小化函数以确定聚类中心;
[0014] E)利用径向基函数将D)步所得聚类之后的图像变换到高维空间;
[0015] F)构建GraphCuts能量函数对经E)步处理图像进行处理,通过最小化该能量函数达到每一个像素点的最优配置,实现将钙化斑块、纤维化斑块和脂质斑块分割出来的目的,得到分割结果。
[0016] 所述的冠状动脉OCT图像自动分割方法,D)步具体过程是:使用k-means方法将所得叠加的图像依据颜色分布分成不同的聚类,并使用欧式距离作为最小化函数以确定聚类中心C,其中:K为聚类时分割出的区域数目,设置K=4;l为像素点的标签,取值为1~K,xl是第l聚类的像素;i是为像素维度,Si是每个聚类中的像素集合,μi表示Si中的确定的质心,即聚类中心C。
[0017] 所述的冠状动脉OCT图像自动分割方法,E)步中径向基函数公式其中,β为径向基函数的宽度参数,用于控制函数径向作用范
围,取β=0.5;Im为图像的像素集合。
[0018] 所述的冠状动脉OCT图像自动分割方法,F)步中,GraphCuts能量函数H(f)=D(f)+α·R(f),其中,
[0019] ①D(f)是计算分割区域内颜色相似性的数据项,采用kernel空间中的非欧氏距离作为数据项,则数据项D(f)演化为:
[0020] 其中:x和l分别为图像的像素点和对应的标签,Sl和L为聚类集合和标签空间;为kernel非线性映射,ul为分段常数模型的模型参数,mx为图像的颜色向量;
[0021] ②R(f)是使边界平滑的正则项,采用采用临近点与中心点的不相似程度作为正则项作为正则项,则正则项R(f)演化为:R(f)=∑{x,y}∈Nr(f(x),f(y)),
[0022] 其中,{x,y}为靠近点集N中的一对临近点;r(f(x),f(y))=min(A2,|uf(x)-uf(y)2
|),A为点集N中心的灰度强度,f(x)、f(y)为分别为x、y点到标签空间的映射,uf(x)、uf(y)为分别为x、y点的灰度强度;
[0023] ③f表示像素点到标签空间的映射;
[0024] ④α为权重系数,用于控制边界平滑程度,设置α=0.6。
[0025] 本发明的涉及冠状动脉区域OCT图像自动分割方法能够较好地实现三种斑块区域的自动区域分割,分割效果明显优于传统方法,能够较好的保存图像斑块区域,分割损失较小,且通过多次实验发现,本文方法具有较强的鲁棒性。
[0026] 附图表说明
[0027] 图1为本发明技术方案的流程结构图。
[0028] 图2为OCT原始图像。
[0029] 图3为OCT原始图像经预处理后的图像。
[0030] 图4所提取到的血管内膜图像。
[0031] 图5为去除内膜内部噪声并增强高信号区域能量的叠加的图像。
[0032] 图6为分割结果。

具体实施方式

[0033] 实施例1:
[0034] 本文实验在采用Intel(R)Core(TM)i5-4460 CPU@3.2GHz处理器/4GB内存/Windows7 64位操作系统的计算机中实现,以软件Matlab 2014工具实施操作。
[0035] 本发明的实施过程如图1所示:
[0036] A)获取冠状动脉区域OCT原始图像,然后进行预处理,预处理过程包括:去除固定位置的中心斜线、导管圆环和外围文字标注:
[0037] ①OCT原始图像采集:采用光学相干断层扫描仪(ST.JUDE MEDICAL C7)进行采集,从9名冠状动脉粥样硬化患者(患者为8男1女)中随机选择一包含纤维化斑块、钙化斑块和脂质斑块区域的OCT原始图像作为处理对象,如图2所示。
[0038] ②使用Hough变换法检测OCT原始图像中的直线并去除中心斜线,然后利用OCT图像固定位置及大小的导管圆环、外围文字标注的特性,将导管圆环和文字标注去除,得到预处理后的图像,如图3。
[0039] B)将预处理后的图像转化成极坐标形式,然后使用自动阈值的Otsu算法将图像二值化,得到二值化图像;
[0040] 通过对二值化图像内的组内方差求出最小值,区分出前景和背景,然后提取每一列第一个非零的像素并组成一条连续的直线,即得极坐标下的内膜,最后将极坐标下的内膜图像转化到直角坐标系下,从而提取出血管内膜图像,如图4所示;
[0041] 将所得血管内膜图像置入A)步所得预处理后的图像中,然后将内膜内部区域像素值设置为0,得到去除内膜内部噪音的去噪图像;
[0042] C)调整B)步所得的二值化图像的二值化权重为0.3,然后叠加到B)步所得去噪图像中,得到叠加的图像,如图5所示,实现增强去噪图像中高信号区域的能量的目的。
[0043] D)使用k-means方法将所得叠加的图像依据颜色分布分成不同的聚类,并使用欧式距离作为最小化函数以确定聚类中心C:
[0044]
[0045] 其中:K为聚类时分割出的区域数目,设置K=4;l为像素点的标签,取值为1~K,xl是第l聚类的像素;i是为像素维度,Si是每个聚类中的像素集合,μi表示Si中的确定的质心,即聚类中心C。
[0046] E)通过径向基函数公式将D)步聚类后的图像变换到高维空间:
[0047]
[0048] 其中,β为径向基函数的宽度参数,用于控制函数径向作用范围,取β=0.5;Im为图像的像素集合。
[0049] F)构建GraphCuts能量函数,通过最小化该能量函数达到每一个像素点(标签)的最优配置,实现将钙化斑块、纤维化斑块和脂质斑块分割出来的目的,得到分割结果,如图6所示:
[0050] 本步骤中,GraphCuts能量函数由两部分组成,一是计算分割区域内颜色相似性的数据项D(f),另一个是使边界平滑的正则项R(f),可表示为:
[0051] H(f)=D(f)+α·R(f)
[0052] 其中:
[0053] ①f表示像素点到标签空间(即标签所组成的空间)的映射;
[0054] ②α为权重系数,用于控制边界平滑程度,设置α=0.6;
[0055] ③采用kernel空间中的非欧氏距离作为数据项,则数据项D(f)演化为:
[0056]
[0057] 其中:x和l分别为图像的像素点和对应的标签,Sl和L为聚类集合和标签空间;为kernel非线性映射,ul为分段常数模型的模型参数,mx为图像的颜色向量;
[0058] ④采用采用临近点与中心点的不相似程度作为正则项作为正则项,则正则项R(f)演化为:
[0059] R(f)=∑{x,y}∈Nr(f(x),f(y)),
[0060] 其中,{x,y}为靠近点集N中的一对临近点;r(f(x),f(y))=min(A2,|uf(x)-uf(y)2
|),A为点集N中心的灰度强度,f(x)、f(y)为分别为x、y点到标签空间的映射,uf(x)、uf(y)为分别为x、y点的灰度强度。
[0061] 斑块分割精度评价:
[0062] 以医生手动分割的斑块区域作为“金标准”,使用重合面积公式准确度=(A代表本方法分割结果,B代表医生金标准)评价斑块分割精度,结果如表1所示。
[0063] 表1:分割准确度
[0064]
[0065] 与其他水平集分割方法和边缘检测分割方法相比(精度约为70%~80%),本方法不但可以识别3种区域,而且均达到了较高的分割水平,特别是对纤维化斑块的分割精度达到90%,分割结果满足医生要求。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈