CN104240220A - 用于基于图像分割血管的设备和方法 - Google Patents

Abstract

本发明提供一种用于基于图像分割血管的设备和方法。所述设备包括：初始化单元，用于将与期望从图像中分割出的血管对应的待分割血管中心线初始化为所述血管的起点；概率计算单元，基于已识别血管点的先前血管中心线上的各个点的特征值来计算已识别血管点的各邻域点属于待分割血管中心线的概率；迭代单元，用于将概率最大的邻域点加入到待分割血管中心线，其中，概率计算单元继续计算已识别血管点的各邻域点属于待分割血管中心线的概率，直到期望从图像中分割出的血管的终点被加入到待分割血管中心线；血管形成单元，用于基于完整待分割血管中心线上各个点的位置、与所述各个点对应的血管半径和血流方向来形成分割出的血管。

Description

用于基于图像分割血管的设备和方法

技术领域

本发明涉及针对图像进行处理的计算机视觉技术，更具体地说，涉及一种用于基于局部血管的先验知识以全局优化方式分割血管的方法和***。

背景技术

基于图像（例如，诸如CTA图像的医学图像）进行血管分割是受到广泛关注的领域。现有的计算机图像处理技术虽然已经基本能够从CTA体数据中分割出血管部分，但在精确性、鲁棒性或运算效率等方面仍有所欠缺。

具体说来，现有的血管分割方法在利用血管的先验知识进行血管分割时主要有两种方式，一种是只利用邻域点（即相邻体素）的信息，这样分割出的结果鲁棒性较差，导致例如在局部噪声或血管病变的情况下无法得到正确的结果；另一种是使用全局信息，试图在所有体数据中找到某种共性来把血管和其背景分开，这种通用分类器的存在性尚有疑问，即使存在，其训练也是非常困难的。

由此可见，现有的血管分割技术难以有效地使用先验知识来获得期望的分割效果。

发明内容

本发明的目的在于提供一种能够有效地利用血管的先验知识来基于图像分割血管的设备和方法。

根据本发明的一方面，提供一种用于基于图像分割血管的设备，包括：初始化单元，用于将与期望从图像中分割出的血管对应的待分割血管中心线初始化为所述血管的起点，其中，所述起点作为初始的已识别血管点；概率计算单元，用于基于已识别血管点的先前血管中心线上的各个点的特征值来计算已识别血管点的各邻域点属于待分割血管中心线的概率；迭代单元，用于将概率最大的邻域点作为新的已识别血管点加入到待分割血管中心线，其中，概率计算单元继续基于已识别血管点的先前血管中心线上的各个点的特征值来计算已识别血管点的各邻域点属于待分割血管中心线的概率，直到期望从图像中分割出的血管的终点作为概率最大的邻域点被迭代单元加入到待分割血管中心线；血管形成单元，用于基于加入了所述终点的待分割血管中心线上各个点的位置、与所述各个点对应的血管半径和血流方向来形成分割出的血管。

所述先前血管中心线可包括从已识别血管点的每个邻域点按照父子关系迭代回溯而得到的一段血管中心线上的各个点。

所述概率计算单元可包括：特征值收集模块，用于收集先前血管中心线上的各个点的特征值；模型训练模块，用于基于收集到的特征值来训练待分割血管中心线的自适应统计模型；计算模块，用于根据所述自适应统计模型来计算已识别血管点的各邻域点属于待分割血管中心线的概率。

所述设备可还包括病变识别单元：用于利用病变分类器基于先前血管中心线上的各个点的特征值来确定待分割血管中心线是否存在病变，其中，概率计算单元根据病变识别单元的确定结果，基于先前血管中心线上的各个点的特征值来计算已识别血管点的各邻域点属于待分割血管中心线的概率。

所述起点和终点可由用户手动标注或被从图像中自动检测。

所述先前血管中心线上的各个点的特征值可包括以下项中的至少一个：各个点的灰度值、与所述各个点对应的血管半径、与所述各个点对应的血流方向。

可基于以下情况中的至少一种的样本血管来训练出所述病变分类器：钙化病变、软斑块病变、器官狭窄病变、支架病变。

根据本发明的另一方面，提供一种用于基于图像分割血管的方法，包括：将与期望从图像中分割出的血管对应的待分割血管中心线初始化为所述血管的起点，其中，所述起点作为初始的已识别血管点；基于已识别血管点的先前血管中心线上的各个点的特征值来计算已识别血管点的各邻域点属于待分割血管中心线的概率；将概率最大的邻域点作为新的已识别血管点加入到待分割血管中心线，并继续基于已识别血管点的先前血管中心线上的各个点的特征值来计算已识别血管点的各邻域点属于待分割血管中心线的概率，直到期望从图像中分割出的血管的终点作为概率最大的邻域点被加入到待分割血管中心线；基于加入了所述终点的待分割血管中心线上各个点的位置、与所述各个点对应的血管半径和血流方向来形成分割出的血管。

所述计算已识别血管点的各邻域点属于待分割血管中心线的概率的步骤可包括：收集先前血管中心线上的各个点的特征值；基于收集到的特征值来训练待分割血管中心线的自适应统计模型；根据所述自适应统计模型来计算已识别血管点的各邻域点属于待分割血管中心线的概率。

所述方法可还包括：利用病变分类器基于先前血管中心线上的各个点的特征值来确定待分割血管中心线是否存在病变，根据病变分类器的确定结果，基于先前血管中心线上的各个点的特征值来计算已识别血管点的各邻域点属于待分割血管中心线的概率。

根据本发明示例性实施例的血管分割设备和方法，能够考虑前面一段血管中心线的特征值，从而以全局优化的方式来迭代地分割出期望的血管，由此提高了血管分割的效果。

附图说明

通过下面结合附图进行的对实施例的描述，本发明的上述和/或其它目的和优点将会变得更加清楚，其中：

图1示出根据本发明示例性实施例的用于基于图像分割血管的设备的框图；

图2示出根据本发明示例性实施例的血管分割设备中的概率计算单元的示例性结构；

图3示出根据本发明示例性实施例进行血管分割的示例；

图4示出根据本发明示例性实施例的用于基于图像分割血管的方法的流程图；

图5示出根据本发明示例性实施例的用于计算各邻域点作为待分割血管中心线上的点的概率的方法的流程图；

图6示出根据本发明示例性实施例分割出的血管。

具体实施方式

现将详细参照本发明的实施例，所述实施例的示例在附图中示出，其中，相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例，以便解释本发明。

图1示出根据本发明示例性实施例的用于基于图像分割血管的设备的框图。作为示例，这里的图像可以是诸如CTA图像的医学图像，也可以是其它由体像素组成的图像。

参照图1，根据本发明示例性实施例的血管分割设备包括：初始化单元10、概率计算单元20、迭代单元30和血管形成单元40。

具体说来，初始化单元10用于将与期望从图像中分割出的血管对应的待分割血管中心线初始化为所述血管的起点，其中，所述起点作为初始的已识别血管点。作为示例，这里的起点可由用户手动标注，或者可从图像中自动检测到所述起点。

概率计算单元20用于基于已识别血管点的先前血管中心线上的各个点的特征值来计算已识别血管点的各邻域点属于待分割血管中心线的概率。

具体说来，这里的先前血管中心线可包括从已识别血管点的每个邻域点按照父子关系迭代回溯而得到的一段血管中心线上的各个点。也就是说，血管中心线上的每个点都来自于唯一的父中心线点，相应地，在概率计算单元20确定领域点A属于待分割血管中心线的概率时，假设邻域点A具有唯一的父中心线点B（即B是先于A加入待分割血管中心线的点，并且A是作为B的邻域点被加入到待分割血管中心线点集中的），并通过迭代回溯这种子父关系，可获得包括点B、点B的父中心节点、…、以此类推的一段先前血管中心线。通过上述方式，可计算每个领域点分别作为不同父中心线点的子中心线点属于待分割血管中心线的概率。

这里，由于将先前血管中心线上各个点的特征值用作先验知识来计算各邻域点作为待分割血管中心线上的点的概率，因此可有助于提高分割鲁棒性，从而产生期望的分割效果。例如，可将灰度值与血管半径的组合作为各个点的特征值，从而在鲁棒性和运算效率两方面均获取比较理想的效果。然而，上述特征值仅作为示例，血管中心线上的各个点的特征值可包括各个点的灰度值、与各个点对应的血管半径、与各个点对应的血流方向中的至少一个。此外，通过相关滤波器或特征检测器可得到的各个点的特征值也可被应用于本发明。

这里，作为另一示例，可由初始化单元10首先按照现有的血管分割技术获取从血管的起点开始的一段待分割血管中心线，然后，由概率计算单元20从上述一段待分割血管中心线的末端开始，将这一段待分割血管中心线上的各个点的特征值作为初始的先验知识，计算已识别血管点的各邻域点属于待分割血管中心线的概率。

迭代单元30用于将概率最大的邻域点作为新的已识别血管点加入到待分割血管中心线，其中，概率计算单元20继续基于已识别血管点的先前血管中心线上的各个点的特征值来计算已识别血管点的各邻域点属于待分割血管中心线的概率，直到期望从图像中分割出的血管的终点作为概率最大的邻域点被迭代单元加入到待分割血管中心线。这里，类似于血管的起点，血管的终点也可由用户手动标注，或者可从图像中自动检测到所述终点。在由概率计算单元20和迭代单元30协同执行的上述迭代处理中，针对待分割血管中心线上的各个点，均保存了其父中心线点的相关特征值，因此，通过回溯方式就能够获取先前血管中心线上各个点的特征值，而不需要额外设置专门的存储空间来缓存这些作为先验知识的特征值。

血管形成单元40用于基于加入了所述终点的完整待分割血管中心线上各个点的位置、与所述各个点对应的血管半径和血流方向来形成分割出的血管。

以上示出了根据本发明示例性实施例的血管分割设备，根据所述血管分割设备，先前血管中心线被用作先验知识，这使得在确定一个特定邻域点是否属于待分割血管中心线时，不仅仅考虑该邻域点与其相邻的血管中心线点的关联性，而考虑先前血管中心线的特征值，从而以全局优化的方式来迭代地分割出期望的血管，由此提高了血管分割的效果。

本领域技术人员可采用任何适当的方式将先前血管中心线用作先验知识来迭代地分割出期望获得的血管，以下将参照图2来描述概率计算单元20的示例性结构。

参照图2，根据本发明示例性实施例的概率计算单元20可包括：特征值收集模块210、模型训练模块220和计算模块230。

具体说来，特征值收集模块210用于收集先前血管中心线上的各个点的特征值。作为示例，这里所述的先前血管中心线的长度可以是固定的长度，也可以是变化地设置的长度。此外，作为示例，将各个点的灰度值以及各个点所在位置的血管半径作为特征值。

模型训练模块220用于基于收集到的特征值来训练待分割血管中心线的自适应统计模型。作为示例，模型训练模块220可基于高斯模型来训练得到特征值的均值和方差。

然后，计算模块230用于根据所述自适应统计模型来计算已识别血管点的各邻域点属于待分割血管中心线的概率。作为示例，概率的大小可根据Mahalanobis距离而计算得到。

应注意，高斯模型和Mahalanobis距离近作为示例，本领域技术人员可基于任何其他的自适应统计模型和概率计算方式来构建上述模块。

此外，为了进一步提高血管分割的效果，根据本发明示例性实施例的血管分割设备还可包括病变识别单元（未示出），其用于利用病变分类器基于先前血管中心线上的各个点的特征值来确定待分割血管中心线是否存在病变，其中，概率计算单元20根据病变识别单元的确定结果，基于先前血管中心线上的各个点的特征值来计算已识别血管点的各邻域点属于待分割血管中心线的概率。

作为示例，在训练病变分类器时，可选取对血管分割影响比较大的病变（例如，软斑块（soft plague）病变）血管样本与正常血管样本来训练二值分类器。具体说来，样本数据可选取某血管中心线点处的一段血管（以该点为终点）的特征及该点前方半球形区域内的点的灰度值，训练的正例是病变的样本数据，而反例是正常血管的样本数据。作为示例，分类器算法可采用现有的Adaboost算法。在这种情况下，概率计算单元20在计算已识别血管点的各邻域点属于待分割血管中心线的概率时，将考虑病变识别单元的确定结果，即，基于待分割血管中心线是否存在病变来按照不同的方式计算各邻域点属于待分割血管中心线的概率。

图3示出根据本发明示例性实施例进行血管分割的示例。从图3可以看出，在利用根据本发明示例性实施例的血管分割设备从图像中分割血管时，期望从图像中分割出的血管的起点和终点作为输入被提供给所述血管分割设备，在这种情况下，可由用户手动标注所述起点和终点。然而，本发明并不受限于此，也可由血管分割设备本身从图像中自动检测出上述起点和终点。

参照图3，在本发明的示例性实施例中，待分割血管中心线被看作是连接起点和终点的一条连通路径（其中，起点作为待分割血管中心线上的初始已识别血管点），通过不断加入概率最大的邻域点作为新的已识别血管点，实现最优化求解的过程。

图4示出根据本发明示例性实施例的用于基于图像分割血管的方法的流程图，该方法可由图1所示的血管分割设备来实施，也可通过计算机程序来实施。

参照图4，在步骤S10，将与期望从图像中分割出的血管对应的待分割血管中心线初始化为所述血管的起点，其中，所述起点作为初始的已识别血管点。作为示例，这里的起点可由用户手动标注，或者可从图像中自动检测到所述起点。

接下来，在步骤S20，从所述起点开始，基于已识别血管点的先前血管中心线上的各个点的特征值来计算已识别血管点的各邻域点属于待分割血管中心线的概率。

具体说来，这里的先前血管中心线可包括从已识别血管点的每个邻域点按照父子关系迭代回溯而得到的一段血管中心线上的各个点。也就是说，血管中心线上的每个点都来自于唯一的父中心线点，相应地，在概率计算单元20确定领域点A属于待分割血管中心线的概率时，假设邻域点A具有唯一的父中心线点B（即B是先于A加入待分割血管中心线的点，并且A是作为B的邻域点被加入到待分割血管中心线点集中的），并通过迭代回溯这种子父关系，可获得包括点B、点B的父中心节点、…、以此类推的一段先前血管中心线。通过上述方式，可计算每个领域点分别作为不同父中心线点的子中心线点属于待分割血管中心线的概率。

这里，由于将先前血管中心线上各个点的特征值用作先验知识来计算各邻域点作为待分割血管中心线上的点的概率，因此可有助于提高分割鲁棒性，从而产生期望的分割效果。例如，可将灰度值与血管半径的组合作为各个点的特征值，从而在鲁棒性和运算效率两方面均获取比较理想的效果。然而，上述特征值仅作为示例，血管中心线上的各个点的特征值可包括各个点的灰度值、与各个点对应的血管半径、与各个点对应的血流方向中的至少一个。此外，通过相关滤波器或特征检测器可得到的各个点的特征值也可被应用于本发明。

在步骤S20计算出各个邻域点的概率之后，在步骤S30，将概率最大的邻域点作为新的已识别血管点加入到待分割血管中心线，从而形成新的分割线血管中心。

然后，在步骤S40，确定血管的终点是否作为概率最大的邻域点被加入到待分割血管中心线。这里，类似于血管的起点，血管的终点也可由用户手动标注，或者可从图像中自动检测到所述终点。

如果在步骤S40确定所述血管的终点并未被加入到待分割血管中心线，则返回至步骤S20以继续计算已识别血管点的各邻域点属于待分割血管中心线的概率。

如果在步骤S40确定所述血管的终点被加入到待分割血管中心线，则在步骤S50，基于加入了所述终点的完整待分割血管中心线上各个点的位置、与所述各个点对应的血管半径和血流方向来形成分割出的血管。

以上示出了根据本发明示例性实施例的血管分割方法，根据所述血管分割方法，先前血管中心线被用作先验知识，这使得在确定一个特定邻域点是否属于待分割血管中心线时，不仅仅考虑该邻域点与其相邻的血管中心线点的关联性，而考虑先前血管中心线的特征值，从而以全局优化的方式来迭代地分割出期望的血管，由此提高了血管分割的效果。

本领域技术人员可采用任何适当的方式将先前血管中心线用作先验知识来迭代地分割出期望获得的血管，以下将参照图5来描述计算各邻域点作为待分割血管中心线上的点的概率的方法示例。

参照图5，在步骤S210，收集先前血管中心线上的各个点的特征值。作为示例，这里所述的先前血管中心线的长度可以是固定的长度，也可以是变化地设置的长度。此外，作为示例，将各个点的灰度值以及各个点所在位置的血管半径作为特征值。

然后，在步骤S220，基于收集到的特征值来训练待分割血管中心线的自适应统计模型。作为示例，模型训练模块220可基于高斯模型来训练得到特征值的均值和方差。

然后，在步骤S230，根据所述自适应统计模型来计算已识别血管点的各邻域点属于待分割血管中心线的概率。作为示例，概率的大小可根据Mahalanobis距离而计算得到。

此外，为了进一步提高血管分割的效果，根据本发明示例性实施例的血管分割方法还可包括病变识别步骤，具体说来，可在计算各邻域点属于待分割血管中心线的概率之前，利用病变分类器基于先前血管中心线上的各个点的特征值来确定待分割血管中心线是否存在病变，根据病变分类器的确定结果，基于先前血管中心线上的各个点的特征值来计算已识别血管点的各邻域点属于待分割血管中心线的概率。

图6示出根据本发明示例性实施例分割出的血管。如图6所示，点线为根据本发明示例性实施例的血管分割设备和方法，从起点到终点分割的血管路径，其与人工标注的血管非常接近，显示出很好的鲁棒性。

由此可见，在根据本发明示例性实施例的血管分割设备和方法中，先前血管中心线被用作先验知识，这使得在确定一个特定邻域点是否属于待分割血管中心线时，不仅仅考虑该邻域点与其相邻的血管中心线点的关联性，而考虑先前血管中心线的特征值，从而以全局优化的方式来迭代地分割出期望的血管，由此提高了血管分割的效果。

本发明的以上各个实施例仅仅是示例性的，而本发明并不受限于此。本领域技术人员应该理解：在不脱离本发明的原理和精神的情况下，可对这些实施例进行改变，其中，本发明的范围在权利要求及其等同物中限定。

Claims (12)

1.一种用于基于图像分割血管的设备，包括：

初始化单元，用于将与期望从图像中分割出的血管对应的待分割血管中心线初始化为所述血管的起点，其中，所述起点作为初始的已识别血管点；

概率计算单元，用于基于已识别血管点的先前血管中心线上的各个点的特征值来计算已识别血管点的各邻域点属于待分割血管中心线的概率；

迭代单元，用于将概率最大的邻域点作为新的已识别血管点加入到待分割血管中心线，其中，概率计算单元继续基于已识别血管点的先前血管中心线上的各个点的特征值来计算已识别血管点的各邻域点属于待分割血管中心线的概率，直到期望从图像中分割出的血管的终点作为概率最大的邻域点被迭代单元加入到待分割血管中心线；

血管形成单元，用于基于加入了所述终点的待分割血管中心线上各个点的位置、与所述各个点对应的血管半径和血流方向来形成分割出的血管。

2.如权利要求1所述的设备，其中，所述先前血管中心线包括从已识别血管点的每个邻域点按照父子关系迭代回溯而得到的一段血管中心线上的各个点。

3.如权利要求2所述的设备，其中，所述概率计算单元包括：

特征值收集模块，用于收集先前血管中心线上的各个点的特征值；

模型训练模块，用于基于收集到的特征值来训练待分割血管中心线的自适应统计模型；

计算模块，用于根据所述自适应统计模型来计算已识别血管点的各邻域点属于待分割血管中心线的概率。

4.如权利要求2所述的设备，还包括病变识别单元：用于利用病变分类器基于先前血管中心线上的各个点的特征值来确定待分割血管中心线是否存在病变，其中，概率计算单元根据病变识别单元的确定结果，基于先前血管中心线上的各个点的特征值来计算已识别血管点的各邻域点属于待分割血管中心线的概率。

5.如权利要求1所述的设备，其中，所述起点和终点由用户手动标注或被从图像中自动检测。

6.如权利要求1所述的设备，其中，所述先前血管中心线上的各个点的特征值包括以下项中的至少一个：各个点的灰度值、与所述各个点对应的血管半径、与所述各个点对应的血流方向。

7.如权利要求4所述的设备，其中，基于以下情况中的至少一种的样本血管来训练出所述病变分类器：钙化病变、软斑块病变、器官狭窄病变、支架病变。

8.一种用于基于图像分割血管的方法，包括：

将与期望从图像中分割出的血管对应的待分割血管中心线初始化为所述血管的起点，其中，所述起点作为初始的已识别血管点；

基于已识别血管点的先前血管中心线上的各个点的特征值来计算已识别血管点的各邻域点属于待分割血管中心线的概率；

将概率最大的邻域点作为新的已识别血管点加入到待分割血管中心线，并继续基于已识别血管点的先前血管中心线上的各个点的特征值来计算已识别血管点的各邻域点属于待分割血管中心线的概率，直到期望从图像中分割出的血管的终点作为概率最大的邻域点被加入到待分割血管中心线；

基于加入了所述终点的待分割血管中心线上各个点的位置、与所述各个点对应的血管半径和血流方向来形成分割出的血管。

9.如权利要求8所述的方法，其中，所述先前血管中心线包括从已识别血管点的每个邻域点按照父子关系迭代回溯而得到的一段血管中心线上的各个点。

10.如权利要求9所述的方法，其中，所述计算已识别血管点的各邻域点属于待分割血管中心线的概率的步骤包括：

收集先前血管中心线上的各个点的特征值；

基于收集到的特征值来训练待分割血管中心线的自适应统计模型；

根据所述自适应统计模型来计算已识别血管点的各邻域点属于待分割血管中心线的概率。

11.如权利要求9所述的方法，还包括：利用病变分类器基于先前血管中心线上的各个点的特征值来确定待分割血管中心线是否存在病变，根据病变分类器的确定结果，基于先前血管中心线上的各个点的特征值来计算已识别血管点的各邻域点属于待分割血管中心线的概率。

12.如权利要求8所述的方法，其中，所述先前血管中心线上的各个点的特征值包括以下项中的至少一个：各个点的灰度值、与所述各个点对应的血管半径、与所述各个点对应的血流方向。