CN114693710A - 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质 - Google Patents

血管管腔内膜轮廓提取方法、装置及超声设备和存储介质 Download PDF

Info

Publication number
CN114693710A
CN114693710A CN202011625595.1A CN202011625595A CN114693710A CN 114693710 A CN114693710 A CN 114693710A CN 202011625595 A CN202011625595 A CN 202011625595A CN 114693710 A CN114693710 A CN 114693710A
Authority
CN
China
Prior art keywords
image
clustering
lumen
determining
contour
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011625595.1A
Other languages
English (en)
Inventor
胡浩晖
高梁
朱彦聪
黎英云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sonoscape Medical Corp
Original Assignee
Sonoscape Medical Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sonoscape Medical Corp filed Critical Sonoscape Medical Corp
Priority to CN202011625595.1A priority Critical patent/CN114693710A/zh
Publication of CN114693710A publication Critical patent/CN114693710A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种血管管腔内膜轮廓提取方法、装置及一种超声设备和计算机可读存储介质，该方法包括：获取血管内横截面的超声图像，并对超声图像进行预处理得到目标图像；在目标图像中确定管腔壁区域，并确定管腔壁区域对应的初始内膜轮廓线；对初始内膜轮廓线进行拟合，得到最终的管腔内膜轮廓线；将最终的管腔内膜轮廓线添加至超声图像中。由此可见，本申请提供的血管管腔内膜轮廓提取方法，首先寻找内膜初始轮廓线，其次对血管内横截面的超声图像的管腔内膜进行精准拟合，提高了血管管腔内膜轮廓提取的准确性。

Description

血管管腔内膜轮廓提取方法、装置及超声设备和存储介质
技术领域
本申请涉及超声图像技术领域，更具体地说，涉及一种血管管腔内膜轮廓提取方法、装置及一种超声设备和一种计算机可读存储介质。
背景技术
血管内超声(intravenous ultrasound，IVUS)是指无创性的超声技术和有创性的导管技术相结合，使用末端连接有超声探针的特殊导管进行的医学成像技术。冠状动脉血管壁的内外膜边缘是冠状动脉疾病诊断和量化分析各种参数测量的重要依据，因此IVUS图像内外膜边缘准确检测对冠状动脉疾病的临床诊治具有重大意义。在相关技术中，可以采用图像聚类算法对IVUS图像灰度分布统计聚类，实现血管管腔内外膜分割。但是由于IVUS图像的复杂性，存在不同程度病变区域，存在伪影以及斑块等复杂的图像特征，导致分割血管管腔内膜轮廓的准确性较低。
因此，如何提高血管管腔内膜轮廓提取的准确性是本领域技术人员需要解决的技术问题。
发明内容
本申请的目的在于提供一种血管管腔内膜轮廓提取方法、装置及一种超声设备和一种计算机可读存储介质，提高了血管管腔内膜轮廓提取的准确性。
为实现上述目的，本申请提供了一种血管管腔内膜轮廓提取方法，包括：
获取血管内横截面的超声图像，并对所述超声图像进行预处理得到目标图像；
在所述目标图像中确定管腔壁区域，并确定所述管腔壁区域对应的初始内膜轮廓线；
对所述初始内膜轮廓线进行拟合，得到最终的管腔内膜轮廓线；
将所述最终的管腔内膜轮廓线添加至所述超声图像中。
其中，所述对所述超声图像进行预处理得到目标图像，包括：
对所述超声图像进行降采样和滤波处理；
相应的，所述对所述初始内膜轮廓线进行拟合，得到最终的管腔内膜轮廓线，包括：
对所述初始内膜轮廓线进行拟合得到拟合管腔内膜轮廓线，并对所述拟合管腔内膜轮廓线进行上采样处理得到最终的管腔内膜轮廓线。
其中，所述对所述超声图像进行预处理得到目标图像，包括：
去除图像中的导管效应。
其中，所述去除图像中的导管效应，包括：
确定以图像中心位置为起点的每个方向上的第一个灰度值不为零的像素点为目标位置；
计算每个所述目标位置与所述图像中心位置的距离的平均值，计算所述平均值与预设偏置距离的和为叠加距离；
将与所述图像中心位置的距离小于所述叠加距离的像素点的灰度值全部设置为下限值。
其中，所述对所述超声图像进行预处理得到目标图像，包括：
对图像中的感兴趣区域进行显著性增强。
其中，所述对所述超声图像进行预处理得到目标图像，包括：
对图像中像素点的灰度值进行归一化处理。
其中，所述在所述目标图像中确定管腔壁区域，包括：
确定所述目标图像中每个像素点的类别，以将所述目标图像分割为不同的聚类块；
在所述聚类块中确定管腔壁区域，并去除所述管腔壁区域的外部噪声和内部噪声。
其中，所述确定所述目标图像中每个像素点的类别，以将所述目标图像分割为不同的聚类块，包括：
基于灰度直方图的模糊C均值聚类算法对所述目标图像中的像素点进行聚类操作，以将所述目标图像分割为不同的聚类块。
其中，所述基于灰度直方图的模糊C均值聚类算法对所述目标图像中的像素点进行聚类操作，以将所述目标图像分割为不同的聚类块，包括：
利用形态学处理对所述目标图像进行腐蚀重建，得到中间图像，并确定聚类参数；其中，所述聚类参数包括聚类中心数量、核处理尺度和模糊因子；
根据所述中间图像的灰度直方图的范围和所述聚类中心数量确定不同的灰度值为初始聚类中心，并基于所述模糊因子和所述灰度直方图中的灰度值与所述初始聚类中心的欧式聚类确定灰度值隶属度函数；
通过迭代更新所述初始聚类中心和所述灰度值隶属度函数直到模糊C均值目标函数最优化或迭代次数达到预设次数；
将更新后的聚类中心中的最大值确定为第二灰度阈值，将所述中间图像中灰度值大于或等于所述第二灰度阈值的像素点的灰度值全部设置为上限值、灰度值小于所述第二的像素点的灰度值全部设置为下限值，以将所述目标图像分割为不同的聚类块。
其中，所述在所述聚类块中确定管腔壁区域，包括：
确定每个所述聚类块的面积和区域中心位置，将面积最大且区域中心位置与图像中心位置的距离最近的聚类块确定为管腔壁区域。
其中，去除所述管腔壁区域的外部噪声，包括：
计算所有所述聚类块的区域中心位置与所述管腔壁区域的区域中心位置的欧式距离；
统计所有所述聚类块对应的包围矩形与所述管腔壁区域对应的包围矩形之间的重叠面积；
将所述欧式距离大于预设距离阈值且所述重叠面积小于第一预设面积阈值的聚类块确定为所述管腔壁区域的外部噪声，并去除所述外部噪声。
其中，去除所述管腔壁区域的内部噪声，包括：
对去除外部噪声后的图像进行极坐标转换得到第一极坐标图像；
在所述第一极坐标图像中确定每个所述聚类块的区域面积、像素点的灰度平均值和与所述管腔壁区域的重叠像素点数量；
将所述区域面积小于第二预设面积阈值、所述灰度平均值大于第三灰度阈值、所述重叠像素点数量大于预设数量的聚类块确定为所述管腔壁区域的内部噪声，并去除所述内部噪声。
其中，所述确定所述管腔壁区域对应的初始内膜轮廓线，包括：
对去除外部噪声和内部噪声后的图像进行极坐标转换得到第二极坐标图像，将所述第一二坐标图像中每列第一个灰度值不为零的像素点作为轮廓点；
利用插值法对所述轮廓点的连线的缺失部分进行补齐，并进行直角坐标转换，得到初始内膜轮廓线。
其中，所述去除所述管腔壁区域的外部噪声和内部噪声之后，还包括：
确定所述管腔壁区域的横向最大宽度，并判断所述横向最大宽度与去除外部噪声和内部噪声后的图像的宽度的比值是否大于预设值；
若是，则进入对去除外部噪声和内部噪声后的图像进行极坐标转换得到第二极坐标图像的步骤；
若否，则更新所述聚类参数，并重新进入所述根据所述中间图像的灰度直方图的范围和所述聚类中心数量确定不同的灰度值为初始聚类中心的步骤。
其中，所述对所述初始内膜轮廓线进行拟合，包括：
利用矢量场卷积活动轮廓模型对所述初始内膜轮廓线进行拟合。
为实现上述目的，本申请提供了一种血管管腔内膜轮廓提取装置，包括：
预处理模块，用于获取血管内横截面的超声图像，并对所述超声图像进行预处理得到目标图像；
确定模块，用于在所述目标图像中确定管腔壁区域，并确定所述管腔壁区域对应的初始内膜轮廓线；
拟合模块，用于对所述初始内膜轮廓线进行拟合，得到最终的管腔内膜轮廓线；
添加模块，用于将所述最终的管腔内膜轮廓线添加至所述超声图像中。
为实现上述目的，本申请提供了一种超声设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述血管管腔内膜轮廓提取方法的步骤；
显示器，用于显示血管内横截面的超声图像和所述超声图像中的管腔内膜轮廓线。
为实现上述目的，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述血管管腔内膜轮廓提取方法的步骤。
通过以上方案可知，本申请提供的一种血管管腔内膜轮廓提取方法，包括：获取血管内横截面的超声图像，并对所述超声图像进行预处理得到目标图像；在所述目标图像中确定管腔壁区域，并确定所述管腔壁区域对应的初始内膜轮廓线；对所述初始内膜轮廓线进行拟合，得到最终的管腔内膜轮廓线；将所述最终的管腔内膜轮廓线添加至所述超声图像中。
由此可见，本申请提供的血管管腔内膜轮廓提取方法，首先寻找内膜初始轮廓线，其次对血管内横截面的超声图像的管腔内膜进行精准拟合，提高了血管管腔内膜轮廓提取的准确性。本申请还公开了一种血管管腔内膜轮廓提取装置及一种超声设备和一种计算机可读存储介质，同样能实现上述技术效果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1为根据一示例性实施例示出的一种血管管腔内膜轮廓提取方法的流程图；
图2a和图2b为根据一示例性实施例示出的去除导管效应前和后的示意图；
图3a和图3b为根据一示例性实施例示出的显著性增强和归一化处理前和后的示意图；
图4a为根据一示例性实施例示出的椭圆拟合后的示意图；
图4b为根据一示例性实施例示出的边缘图像的示意图；
图4c为根据一示例性实施例示出的最终的管腔内膜轮廓线的示意图；
图5为根据一示例性实施例示出的另一种血管管腔内膜轮廓提取方法的流程图；
图6a为根据一示例性实施例示出的形态学处理后的示意图；
图6b为根据一示例性实施例示出的模糊聚类后的示意图；
图6c为根据一示例性实施例示出的阈值分割后的示意图；
图7为根据一示例性实施例示出的连通区域的示意图；
图8a为根据一示例性实施例示出的去除外部候选管腔壁区域后的示意图；
图8b为根据一示例性实施例示出的第一极坐标图像的示意图；
图8c为根据一示例性实施例示出的去除内部候选管腔壁区域后的示意图；
图9a为根据一示例性实施例示出的第二极坐标图像的示意图；
图9b为根据一示例性实施例示出的初始内膜轮廓线中的轮廓点的示意图；
图9c为根据一示例性实施例示出的轮廓点插值的示意图；
图9d为根据一示例性实施例示出的初始内膜轮廓线的示意图；
图10为根据一示例性实施例示出的又一种血管管腔内膜轮廓提取方法的流程图；
图11为根据一示例性实施例示出的一种血管管腔内膜轮廓提取装置的结构图；
图12为根据一示例性实施例示出的一种超声设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。另外，在本申请实施例中，“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本申请实施例公开了一种血管管腔内膜轮廓提取方法，提高了血管管腔内膜轮廓提取的准确性。
参见图1，根据一示例性实施例示出的一种血管管腔内膜轮廓提取方法的流程图，如图1所示，包括：
S101：获取血管内横截面的超声图像，并对所述超声图像进行预处理得到目标图像；
本申请的执行主体可以为超声设备，目的为在血管内横截面的超声图像中提取血管管腔内膜。在本步骤中，首先对血管内横截面的超声图像进行预处理得到目标图像。作为一种可行的实施方式，对超声图像进行预处理可以包括：对所述超声图像进行降采样和滤波处理。
在具体实施中，鉴于血管内横截面的超声图像的尺寸较大，因此需要对其进行降采样，通过降采样处理提高后续图像处理速度。例如，设置采样率为0.5，即在水平和垂直方向上每两个数据中取一个数据，使得图像尺寸缩小一倍。接着对降采样后的图像进行滤波处理，消除部分噪声对内膜边缘提取影响。例如，可以设置滤波器系数为Filter＝[1,4,6,4,1]/16，在滤波过程中，可以先对原图像数据进行水平卷积操作，再对结果进行垂直卷积操作，以完成滤波处理。
对超声图像进行预处理还可以包括：去除图像中的导管效应。可以理解的是，由于血管内横截面的超声图像的图像中心为导管，图像中心的附近为环晕伪像，容易对后续轮廓提取造成干扰，因此在预处理过程中可以去除导管附近的高亮环晕伪像。作为一种可行的实施方式，所述去除图像中的导管效应，包括：确定以图像中心位置为起点的每个方向上的第一个灰度值不为零的像素点为目标位置；计算每个所述目标位置与所述图像中心位置的距离的平均值，计算所述平均值与预设偏置距离的和为叠加距离；将与所述图像中心位置的距离小于所述叠加距离的像素点的灰度值全部设置为下限值，得到第二中间图像。在本实施方式中，从图像中心位置向圆周360度方向搜索第一个灰度值不为零的像素点为目标位置，计算圆周360度每个目标位置与图像中心位置的距离平均值，然后将平均值与预设偏置距离的和确定为叠加距离，预设偏置距离根据经验设置，例如，可以设置为15个像素。最后从图像中心位置出发小于叠加距离的像素点的灰度值全部设置为下限值，例如全部设置为零。去除导管效应前如图2a所示，去除导管效应后如图2b所示。
对超声图像进行预处理还可以包括：对图像中的感兴趣区域进行显著性增强，以提高血管壁附近组织图像灰度值以突出管腔内膜轮廓。作为一种可行的实施方式，对图像中的感兴趣区域进行显著性增强，包括：在图像中确定感兴趣区域；其中，所述感兴趣区域中每个像素点的灰度值均大于第一灰度阈值；计算所述感兴趣区域中所有像素点的像素平均值，并基于所述像素平均值确定映射曲线；利用所述映射曲线对图像中的每个像素点的灰度值进行处理。可以理解的是，显著性增强目的是突显血管壁附近组织的感兴趣区域，抑制血管管腔内的非感兴趣区域。在本实施方式中，统计图像中各灰度值数量，以计算感兴趣区域中所有像素点的像素平均值，建立映射曲线y＝k×log2x，利用该映射曲线对图像中的每个像素点的灰度值进行重新设置，其中，x为像素点的原灰度值，y为像素点更新后的灰度值，k为上述像素平均值。同时对计算高亮区域灰度值并建立映射曲线，最终通过映射曲线将原IVUS进行显著性增强。
进一步的，对超声图像进行预处理还可以包括：对图像中像素点的灰度值进行归一化处理。在具体实施中，对图像中像素点的灰度值进行归一化处理得到目标图像，避免灰度值超过0-255的区间。如图3a所示，显著性增强和归一化处理后如图3b所示。
需要说明的是，上述预处理的几个步骤之间的顺序关系在本实施例中不进行严格限定，执行各步骤的次数也不进行严格限定，可以根据实际超声图像的成像情况进行灵活调整。作为一种优选实施方式，首先对所述超声图像进行降采样和滤波处理，其次去除图像中的导管效应，然后对图像中的感兴趣区域进行显著性增强，最后对图像中像素点的灰度值进行归一化处理。
S102：在所述目标图像中确定管腔壁区域，并确定所述管腔壁区域对应的初始内膜轮廓线；
本步骤的目的在于在目标图像中确定管腔壁区域，并将该管腔壁区域的轮廓线作为初始内膜轮廓线。作为一种优选实施方式，所述在所述目标图像中确定管腔壁区域，包括：确定所述目标图像中每个像素点的类别，以将所述目标图像分割为不同的聚类块；在所述聚类块中确定管腔壁区域，并去除所述管腔壁区域的外部噪声和内部噪声。在具体实施中，利用聚类算法对目标图像中的像素点进行聚类，将目标图像划分为不同的聚类块，再在所有聚类块中确定管腔壁区域，并将其他的聚类块作为噪声进行去除。
优选的，所述确定所述目标图像中每个像素点的类别，以将所述目标图像分割为不同的聚类块，包括：基于灰度直方图的模糊C均值聚类算法对所述目标图像中的像素点进行聚类操作，以将所述目标图像分割为不同的聚类块。可以理解的是，基于灰度直方图的模糊C均值聚类算法，聚类中心为不同的灰度值，据此将目标图像划分为灰度和位置上连续的类，再进一步提取分割血管管腔壁不同聚类块。
S103：对所述初始内膜轮廓线进行拟合，得到最终的管腔内膜轮廓线；
S104：将所述最终的管腔内膜轮廓线添加至所述超声图像中。
由于通过模糊聚类确定的内膜轮廓线偏离实际血管管腔，因此对初始内膜轮廓线进行演化拟合，提取出最终的管腔内膜轮廓线，显示在血管内横截面的超声图像中。
作为一种优选实施方式，所述对所述初始内膜轮廓线进行拟合，包括：利用矢量场卷积活动轮廓模型对所述初始内膜轮廓线进行拟合。在具体实施中，先将初始内膜轮廓线进行椭圆拟合，以降低轮廓线拟合计算复杂度，如图4a所示，初始内膜轮廓线v(s)＝(x(s),y(s))可表示为：
Figure BDA0002874767750000091
其中(xc,yc)为目标图像的图像中心位置的坐标，r,θ分别为初始内膜轮廓线中轮廓点与图像中心位置之间的距离半径和角度。
轮廓模型中轮廓线满足如下方程：
Figure BDA0002874767750000092
其中Eint为初始内膜轮廓线外力场，包含有两个外力场参数α和β，其中，参数α控制轮廓线张力，其值越大曲线越不容易被拉伸，曲线收缩越快，参数β控制曲线刚性，其值越大曲线越不容易弯曲，曲线越加光滑。而Eext[v(s)]为图像特征的外力项，可以用矢量场卷积核与图像边缘卷积的Fvfc来表示Fvfc(x,y)＝f(x,y)*K(x,y)＝[f(x,y)*u(x,y),f(x,y)*v(x,y)]，其中f(x,y)是血管内横截面的超声图像相位一致性检测到边缘图像，如图4b所示，K(x,y)为矢量场卷积核，可定义为K(x,y)＝[u(x,y),v(x,y)]＝m(x,y)n(x,y)，u(x,y),v(x,y)分别为矢量场卷积核在水平和垂直方法分量，而n(x,y)指向核原点(0,0)的单位矢量，m(x,y)为每个矢量模值。最小化上述能量公式ESnake则需要满足如下欧拉公式：
Figure BDA0002874767750000101
如果将v(s)看做时间函数，则可表述为v(s,t)，因此通过最小化以上公式可以得到以v(s,t)为变量的迭代函数，通过多次迭代可以找到最优管腔内膜轮廓线，如图4c所示。以v(s,t)为变量的迭代函数为：
Figure BDA0002874767750000102
需要说明的是，由于血管内横截面的超声图像进行了预处理，因此最终的管腔内膜轮廓线是定位到经过降采样的图像上，为了真实还原血管内横截面的超声图像的管腔内膜轮廓线，需要根据之前设置的采样率对最终的管腔内膜轮廓线进行上采样，将最终的管腔内膜轮廓线是定位到原血管内横截面的超声图像中。即对所述初始内膜轮廓线进行拟合，得到最终的管腔内膜轮廓线的步骤包括：对所述初始内膜轮廓线进行拟合得到拟合管腔内膜轮廓线，并对所述拟合管腔内膜轮廓线进行上采样处理得到最终的管腔内膜轮廓线。
由此可见，本申请实施例提供的血管管腔内膜轮廓提取方法，首先寻找内膜初始轮廓线，其次对血管内横截面的超声图像的管腔内膜进行精准拟合，提高了血管管腔内膜轮廓提取的准确性。
本申请实施例公开了一种血管管腔内膜轮廓提取方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：
参见图5，根据一示例性实施例示出的另一种血管管腔内膜轮廓提取方法的流程图，如图5所示，包括：
S201：获取血管内横截面的超声图像，并对所述超声图像进行预处理得到目标图像；
S202：利用形态学处理对所述目标图像进行腐蚀重建，得到中间图像，并确定聚类参数；其中，所述聚类参数包括聚类中心数量、核处理尺度和模糊因子；
在具体实施中，由于目标图像中存在斑点噪声，因此需要利用形态学处理进行腐蚀重建得到中间图像，如图6a所示。在对中间图像进行基于灰度直方图的模糊C均值聚类过程中，首先确定聚类参数，包括聚类中心数量、核处理尺度和模糊因子。
S203：根据所述中间图像的灰度直方图的范围和所述聚类中心数量确定不同的灰度值为初始聚类中心，并基于所述模糊因子和所述灰度直方图中的灰度值与所述初始聚类中心的欧式聚类确定灰度值隶属度函数；
在本步骤中，通过中间图像的灰度直方图的范围和聚类中心数量可以确定不同的灰度值，并将其作为初始聚类中心。进一步的，根据标准模糊C均值聚类算法中隶属度函数矩阵可以推导灰度值隶属度函数：
Figure BDA0002874767750000111
其中，C为聚类中心数量，k＝1、2、3、...、C，m为模糊因子，dij＝||xi-vi||是第j个像素点的灰度值到第i个聚类中心的欧式距离。
S204：通过迭代更新所述初始聚类中心和所述灰度值隶属度函数直到模糊C均值目标函数最优化或迭代次数达到预设次数；
在本步骤中，通过循环迭代更新初始聚类中心和灰度值隶属度函数，使得模糊C均值目标函数最优化或者迭代次数达到预设次数终止循环迭代，最终可以得到最终的灰度值隶属度函数和聚类中心，计算公式如下：
聚类中心：
Figure BDA0002874767750000112
目标函数：
Figure BDA0002874767750000113
其中，vi为第i个聚类中心，xi为第j个像素点的灰度值，n为第四中间图像中像素点总数。根据最终的灰度值隶属度函数确定第四中间图像中每个像素点所属类别，并将第四中间图像分割成不同部分，如图6b所示。
S205：将更新后的聚类中心中的最大值确定为第二灰度阈值，将所述中间图像中灰度值大于或等于所述第二灰度阈值的像素点的灰度值全部设置为上限值、灰度值小于所述第二的像素点的灰度值全部设置为下限值，以将所述目标图像分割为不同的聚类块；
在具体实施中，将最终的聚类中心中的最大值确定为第二灰度阈值，对于中间图像中的像素点，灰度值大于或等于第二灰度阈值的像素点的灰度值设置为上限值，此处的上限值可以255，灰度值小于第二灰度阈值的像素点的灰度值设置为下限值，此处的下限值可以为0，从而分割出血管管腔区域，如图6c所示。
S206：在所述聚类块中确定管腔壁区域，并去除所述管腔壁区域的外部噪声和内部噪声；
作为一种可行的实施方式，所述在所述聚类块中确定管腔壁区域，包括：确定每个所述聚类块的面积和区域中心位置，将面积最大且区域中心位置与图像中心位置的距离最近的聚类块确定为管腔壁区域。
可以理解的是，经过模糊C均值聚类后的图像被分为不同区域，通过图像连通法识别出不同的图像区域，如图7所示。根据管腔壁区域距离图像中心最近的特征确定管腔壁区域，即确定每个聚类块的面积和区域中心位置，将面积最大且区域中心位置与上述图像中心位置的距离最近的聚类块确定为最终的管腔壁区域。
在本步骤中，为了消除如心包膜和伪影等其他干扰类块的影响，需要去除除最终的管腔壁区域之外的其他聚类块，即去除管腔壁区域的外部噪声和内部噪声。
可以理解的是，由于外部噪声远离最终的管腔壁区域，可以在直角坐标系下计算聚类块的区域中心位置和最终的管腔壁区域的区域中心位置之间的欧式距离来去除。而内部噪声多由导丝伪影、钙化斑块强反射等因素造成，且都位于最终的管腔壁区域的内部，不能通过上述方式去除，因此可以将图像进行极坐标转换，进而去除内部噪声。当然，外部噪声也可以在极坐标图像中去除，但是分别在直角坐标图像和极坐标图像中去除外部噪声和内部噪声，可以避免外部噪声和内部噪声之间的混淆，去除效果更好。
作为一种可行的实施方式，去除所述管腔壁区域的外部噪声，包括：计算所有所述聚类块的区域中心位置与所述管腔壁区域的区域中心位置的欧式距离；统计所有所述聚类块对应的包围矩形与所述管腔壁区域对应的包围矩形之间的重叠面积；将所述欧式距离大于预设距离阈值且所述重叠面积小于第一预设面积阈值的聚类块确定为所述管腔壁区域的外部噪声，并去除所述外部噪声。
在本实施方式中，通过预设距离阈值和区域重叠面积阈值来去除。首先计算最终的管腔壁区域的区域中心位置与所有聚类块的区域中心位置之间的欧式距离，并确定聚类块对应的包围矩形，统计每个聚类块对应的包围矩形与最终的管腔壁区域对应的包围矩形之间的重叠面积，当重叠面积小于第一预设面积阈值且欧式距离大于预设距离阈值时，定义该聚类块为外部候选管腔壁区域，去除该外部噪声，如图8a所示。
作为一种可行的实施方式，去除所述管腔壁区域的内部噪声，包括：对去除外部噪声后的图像进行极坐标转换得到第一极坐标图像；在所述第一极坐标图像中确定每个所述聚类块的区域面积、像素点的灰度平均值和与所述管腔壁区域的重叠像素点数量；将所述区域面积小于第二预设面积阈值、所述灰度平均值大于第三灰度阈值、所述重叠像素点数量大于预设数量的聚类块确定为所述管腔壁区域的内部噪声，并去除所述内部噪声。
在本实施方式中，对去除外部噪声后的图像进行极坐标转换得到第一极坐标图像，如图8b所示。直角坐标(x,y)与极坐标(r,θ)转化如下：
Figure BDA0002874767750000131
在第一极坐标图像中，计算聚类块的区域面积和像素点的灰度平均值，并结合与最终的管腔壁区域的重叠像素点数量确定内部噪声。在具体实施中，可以将最终的管腔壁区域和所有聚类块投影到第二极坐标图像的横坐标上，依据每个聚类块对应的投影与最终的管腔壁区域对应的投影的重叠长度确定上述重叠像素点数量。当区域面积小于第二预设面积阈值、灰度平均值大于第三灰度阈值、重叠像素点数量大于预设数量时，定义该聚类块为内部噪声，去除该内部噪声，如图8c所示。
S207：对去除外部噪声和内部噪声后的图像进行极坐标转换得到第二极坐标图像，将所述第一二坐标图像中每列第一个灰度值不为零的像素点作为轮廓点；
S208：利用插值法对所述轮廓点的连线的缺失部分进行补齐，并进行直角坐标转换，得到初始内膜轮廓线；
在具体实施中，对去除外部噪声和内部噪声后的图像进行极坐标转换得到第二极坐标图像，如图9a所示，并通过相位一致性检测出管腔区域的边缘图。由于管腔内膜轮廓线经过极坐标变化后位于图像上部分，因此取第二极坐标图像每一列第一个灰度值不为零的像素点作为初始内膜轮廓线中的轮廓点，如图9b所示。对缺失部分，即纵坐标为零的部分进行样条三次性插值，寻找整体内膜边缘平滑的点，如图9c所示。最终将计算得到轮廓点进行坐标转化，并以线段连接方式输出初始内膜轮廓线，如图9d所示。
S209：利用矢量场卷积活动轮廓模型对所述超声图像中的初始内膜轮廓线进行拟合，得到最终的管腔内膜轮廓线；
S210：将所述最终的管腔内膜轮廓线添加至所述超声图像中。
本申请实施例提供的血管管腔内膜轮廓提取方法，通过结合模糊聚类和活动轮廓模型两种方法来提取血管管腔内膜轮廓。首先对血管内横截面的超声图像进行预处理，接着采用灰度直方图的模糊C均值聚类算法寻找初始内膜轮廓线，最后矢量场卷积活动轮廓模型根据初始内膜轮廓线对血管内横截面的超声图像的管腔内膜进行演化拟合。由此可见，本申请实施例提供的血管管腔内膜轮廓提取方法，基于灰度直方图的模糊C均值聚类寻找内膜初始轮廓线，矢量场卷积活动轮廓模型根据初始内膜轮廓线对血管内横截面的超声图像的管腔内膜进行精准拟合，提高了血管管腔内膜轮廓提取的准确性。
本申请实施例公开了一种血管管腔内膜轮廓提取方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：
参见图10，根据一示例性实施例示出的又一种血管管腔内膜轮廓提取方法的流程图，如图10所示，包括：
S301：获取血管内横截面的超声图像，并对所述超声图像进行预处理得到目标图像；
S302：利用形态学处理对所述目标图像进行腐蚀重建，得到中间图像，并确定聚类参数；其中，所述聚类参数包括聚类中心数量、核处理尺度和模糊因子；
S303：根据所述中间图像的灰度直方图的范围和所述聚类中心数量确定不同的灰度值为初始聚类中心，并基于所述模糊因子和所述灰度直方图中的灰度值与所述初始聚类中心的欧式聚类确定灰度值隶属度函数；
S304：通过迭代更新所述初始聚类中心和所述灰度值隶属度函数直到模糊C均值目标函数最优化或迭代次数达到预设次数；
S305：将更新后的聚类中心中的最大值确定为第二灰度阈值，将所述中间图像中灰度值大于或等于所述第二灰度阈值的像素点的灰度值全部设置为上限值、灰度值小于所述第二的像素点的灰度值全部设置为下限值，以将所述目标图像分割为不同的聚类块；
S306：确定每个所述聚类块的面积和区域中心位置，将面积最大且区域中心位置与图像中心位置的距离最近的聚类块确定为管腔壁区域；
S307：计算所有所述聚类块的区域中心位置与所述管腔壁区域的区域中心位置的欧式距离；
S308：统计所有所述聚类块对应的包围矩形与所述管腔壁区域对应的包围矩形之间的重叠面积；
S309：将所述欧式距离大于预设距离阈值且所述重叠面积小于第一预设面积阈值的聚类块确定为所述管腔壁区域的外部噪声，并去除所述外部噪声；
S310：对去除外部噪声后的图像进行极坐标转换得到第一极坐标图像；
S311：在所述第一极坐标图像中确定每个所述聚类块的区域面积、像素点的灰度平均值和与所述管腔壁区域的重叠像素点数量；
S312：将所述区域面积小于第二预设面积阈值、所述灰度平均值大于第三灰度阈值、所述重叠像素点数量大于预设数量的聚类块确定为所述管腔壁区域的内部噪声，并去除所述内部噪声。
S313：确定所述管腔壁区域的横向最大宽度，并判断所述横向最大宽度与去除外部噪声和内部噪声后的图像的宽度的比值是否大于预设值；若是，则进入S315；若否，则进入S314；
S314：更新所述聚类参数，并重新进入S303。
需要说明的是，由于冠状动脉血管复杂性，导致成像的IVUS图像也形状变化多样，存在着大量噪声和伪像干扰，因此聚类参数需要根据不同的组织形状进行调整。在本实施例中，提取出最终的管腔壁区域后，确定其横向最大宽度。判断该横向最大宽度与第六中间图像的宽度的比值是否大于预设值，若是，则说明模糊聚类效果好，能较好分割出血管管腔区域，便于后续内膜轮廓初定位。若否，则需要更新聚类参数，重复S303至S316的操作。此处不对上述预设值进行限定，例如可以设置为0.7。
S315：对去除外部噪声和内部噪声后的图像进行极坐标转换得到第二极坐标图像，将所述第一二坐标图像中每列第一个灰度值不为零的像素点作为轮廓点；
S316：利用插值法对所述轮廓点的连线的缺失部分进行补齐，并进行直角坐标转换，得到初始内膜轮廓线；
S317：利用矢量场卷积活动轮廓模型对所述超声图像中的初始内膜轮廓线进行拟合，得到最终的管腔内膜轮廓线；
S318：将所述最终的管腔内膜轮廓线添加至所述超声图像中。
由此可见，本实施例公开了聚类参数的更新策略和模糊聚类效果的判断标准，提高了模糊聚类提取初始内膜轮廓线的准确度，进而提高了血管管腔内膜轮廓提取的准确性。
下面对本申请实施例提供的一种血管管腔内膜轮廓提取装置进行介绍，下文描述的一种血管管腔内膜轮廓提取装置与上文描述的一种血管管腔内膜轮廓提取方法可以相互参照。
参见图11，根据一示例性实施例示出的一种血管管腔内膜轮廓提取装置的结构图，如图11所示，包括：
预处理模块100，用于获取血管内横截面的超声图像，并对所述超声图像进行预处理得到目标图像；
确定模块200，用于在所述目标图像中确定管腔壁区域，并确定所述管腔壁区域对应的初始内膜轮廓线；
拟合模块300，用于对所述初始内膜轮廓线进行拟合，得到最终的管腔内膜轮廓线；
添加模块400，用于将所述最终的管腔内膜轮廓线添加至所述超声图像中。
由此可见，本申请实施例提供的血管管腔内膜轮廓提取装置，首先寻找内膜初始轮廓线，其次对血管内横截面的超声图像的管腔内膜进行精准拟合，提高了血管管腔内膜轮廓提取的准确性。
在上述实施例的基础上，作为一种优选实施方式，所述预处理模块100具体为获取血管内横截面的超声图像，对所述超声图像进行降采样和滤波处理的模块；
相应的，所述拟合模块300具体为对所述初始内膜轮廓线进行拟合得到拟合管腔内膜轮廓线，并对所述拟合管腔内膜轮廓线进行上采样处理得到最终的管腔内膜轮廓线的模块。
在上述实施例的基础上，作为一种优选实施方式，所述预处理模块100具体为获取血管内横截面的超声图像，去除图像中的导管效应的模块。
在上述实施例的基础上，作为一种优选实施方式，所述预处理模块100包括：
获取单元，用于获取血管内横截面的超声图像；
第一确定单元，用于确定以图像中心位置为起点的每个方向上的第一个灰度值不为零的像素点为目标位置；
计算单元，用于计算每个所述目标位置与所述图像中心位置的距离的平均值，计算所述平均值与预设偏置距离的和为叠加距离；
设置单元，用于将与所述图像中心位置的距离小于所述叠加距离的像素点的灰度值全部设置为下限值。
在上述实施例的基础上，作为一种优选实施方式，所述预处理模块100具体为获取血管内横截面的超声图像，对图像中的感兴趣区域进行显著性增强的模块。
在上述实施例的基础上，作为一种优选实施方式，所述预处理模块100具体为获取血管内横截面的超声图像，对图像中像素点的灰度值进行归一化处理的模块。
在上述实施例的基础上，作为一种优选实施方式，所述确定模块200包括：
分割子模块，用于确定所述目标图像中每个像素点的类别，以将所述目标图像分割为不同的聚类块；
第一确定子模块，用于在所述聚类块中确定管腔壁区域，并去除所述管腔壁区域的外部噪声和内部噪声；
第二确定子模块，用于确定所述管腔壁区域对应的初始内膜轮廓线。
在上述实施例的基础上，作为一种优选实施方式，所述分割子模块具体为基于灰度直方图的模糊C均值聚类算法对所述目标图像中的像素点进行聚类操作，以将所述目标图像分割为不同的聚类块的单元。
在上述实施例的基础上，作为一种优选实施方式，所述分割子模块包括：
重建单元，用于利用形态学处理对所述目标图像进行腐蚀重建，得到中间图像，并确定聚类参数；其中，所述聚类参数包括聚类中心数量、核处理尺度和模糊因子；
第二确定单元，用于根据所述中间图像的灰度直方图的范围和所述聚类中心数量确定不同的灰度值为初始聚类中心，并基于所述模糊因子和所述灰度直方图中的灰度值与所述初始聚类中心的欧式聚类确定灰度值隶属度函数；
更新单元，用于通过迭代更新所述初始聚类中心和所述灰度值隶属度函数直到模糊C均值目标函数最优化或迭代次数达到预设次数；
设置单元，用于将更新后的聚类中心中的最大值确定为第二灰度阈值，将所述中间图像中灰度值大于或等于所述第二灰度阈值的像素点的灰度值全部设置为上限值、灰度值小于所述第二的像素点的灰度值全部设置为下限值，以将所述目标图像分割为不同的聚类块。
在上述实施例的基础上，作为一种优选实施方式，所述第一确定子模块包括：
第三确定单元，用于确定每个所述聚类块的面积和区域中心位置，将面积最大且区域中心位置与图像中心位置的距离最近的聚类块确定为管腔壁区域；
去除单元，用于去除所述管腔壁区域的外部噪声和内部噪声。
在上述实施例的基础上，作为一种优选实施方式，所述去除单元包括：
计算子单元，用于计算所有所述聚类块的区域中心位置与所述管腔壁区域的区域中心位置的欧式距离；
统计子单元，用于统计所有所述聚类块对应的包围矩形与所述管腔壁区域对应的包围矩形之间的重叠面积；
第一去除子单元，用于将所述欧式距离大于预设距离阈值且所述重叠面积小于第一预设面积阈值的聚类块确定为所述管腔壁区域的外部噪声，并去除所述外部噪声。
在上述实施例的基础上，作为一种优选实施方式，所述去除单元包括：
转换子单元，用于对去除外部噪声后的图像进行极坐标转换得到第一极坐标图像；
确定子单元，用于在所述第一极坐标图像中确定每个所述聚类块的区域面积、像素点的灰度平均值和与所述管腔壁区域的重叠像素点数量；
第二去除子单元，用于将所述区域面积小于第二预设面积阈值、所述灰度平均值大于第三灰度阈值、所述重叠像素点数量大于预设数量的聚类块确定为所述管腔壁区域的内部噪声，并去除所述内部噪声。
在上述实施例的基础上，作为一种优选实施方式，所述第二确定子模块包括：
转换单元，用于对去除外部噪声和内部噪声后的图像进行极坐标转换得到第二极坐标图像，将所述第一二坐标图像中每列第一个灰度值不为零的像素点作为轮廓点；
补齐单元，用于利用插值法对所述轮廓点的连线的缺失部分进行补齐，并进行直角坐标转换，得到初始内膜轮廓线。
在上述实施例的基础上，作为一种优选实施方式，所述第二确定子模块还包括：
判断单元，用于确定所述管腔壁区域的横向最大宽度，并判断所述横向最大宽度与去除外部噪声和内部噪声后的图像的宽度的比值是否大于预设值；若是，则启动所述转换单元的工作流程；若否，则更新所述聚类参数，并重新启动所述第二确定单元的工作流程。
在上述实施例的基础上，作为一种优选实施方式，所述拟合模块300具体为利用矢量场卷积活动轮廓模型对所述初始内膜轮廓线进行拟合，得到最终的管腔内膜轮廓线的模块。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
基于上述程序模块的硬件实现，且为了实现本申请实施例的方法，本申请实施例还提供了一种超声设备，图12为根据一示例性实施例示出的一种超声设备的结构图，如图12所示，超声设备包括：
通信接口1，能够与其它设备比如网络设备等进行信息交互；
处理器2，与通信接口1连接，以实现与其它设备进行信息交互，用于运行计算机程序时，执行上述一个或多个技术方案提供的血管管腔内膜轮廓提取方法。而所述计算机程序存储在存储器3上；
显示器4，用于显示血管内横截面的超声图像和所述超声图像中的管腔内膜轮廓线。
当然，实际应用时，超声设备中的各个组件通过总线***5耦合在一起。可理解，总线***5用于实现这些组件之间的连接通信。总线***5除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图12中将各种总线都标为总线***5。
本申请实施例中的存储器3用于存储各种类型的数据以支持超声设备的操作。这些数据的示例包括：用于在超声设备上操作的任何计算机程序。
可以理解，存储器3可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本申请实施例描述的存储器2旨在包括但不限于这些和任意其它适合类型的存储器。
上述本申请实施例揭示的方法可以应用于处理器2中，或者由处理器2实现。处理器2可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器2中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器2可以是通用处理器、DSP，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器2可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器3，处理器2读取存储器3中的程序，结合其硬件完成前述方法的步骤。
处理器2执行所述程序时实现本申请实施例的各个方法中的相应流程，为了简洁，在此不再赘述。
在示例性实施例中，本申请实施例还提供了一种存储介质，即计算机存储介质，具体为计算机可读存储介质，例如包括存储计算机程序的存储器3，上述计算机程序可由处理器2执行，以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台超声设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (18)

1.一种血管管腔内膜轮廓提取方法，其特征在于，包括：
获取血管内横截面的超声图像，并对所述超声图像进行预处理得到目标图像；
在所述目标图像中确定管腔壁区域，并确定所述管腔壁区域对应的初始内膜轮廓线；
对所述初始内膜轮廓线进行拟合，得到最终的管腔内膜轮廓线；
将所述最终的管腔内膜轮廓线添加至所述超声图像中。
2.根据权利要求1所述血管管腔内膜轮廓提取方法，其特征在于，所述对所述超声图像进行预处理得到目标图像，包括：
对所述超声图像进行降采样和滤波处理；
相应的，所述对所述初始内膜轮廓线进行拟合，得到最终的管腔内膜轮廓线，包括：
对所述初始内膜轮廓线进行拟合得到拟合管腔内膜轮廓线，并对所述拟合管腔内膜轮廓线进行上采样处理得到最终的管腔内膜轮廓线。
3.根据权利要求1或2所述血管管腔内膜轮廓提取方法，其特征在于，所述对所述超声图像进行预处理得到目标图像，包括：
去除图像中的导管效应。
4.根据权利要求3所述血管管腔内膜轮廓提取方法，其特征在于，所述去除图像中的导管效应，包括：
确定以图像中心位置为起点的每个方向上的第一个灰度值不为零的像素点为目标位置；
计算每个所述目标位置与所述图像中心位置的距离的平均值，计算所述平均值与预设偏置距离的和为叠加距离；
将与所述图像中心位置的距离小于所述叠加距离的像素点的灰度值全部设置为下限值。
5.根据权利要求1所述血管管腔内膜轮廓提取方法，其特征在于，所述对所述超声图像进行预处理得到目标图像，包括：
对图像中的感兴趣区域进行显著性增强。
6.根据权利要求1所述血管管腔内膜轮廓提取方法，其特征在于，所述对所述超声图像进行预处理得到目标图像，包括：
对图像中像素点的灰度值进行归一化处理。
7.根据权利要求1所述血管管腔内膜轮廓提取方法，其特征在于，所述在所述目标图像中确定管腔壁区域，包括：
确定所述目标图像中每个像素点的类别，以将所述目标图像分割为不同的聚类块；
在所述聚类块中确定管腔壁区域，并去除所述管腔壁区域的外部噪声和内部噪声。
8.根据权利要求7所述血管管腔内膜轮廓提取方法，其特征在于，所述确定所述目标图像中每个像素点的类别，以将所述目标图像分割为不同的聚类块，包括：
基于灰度直方图的模糊C均值聚类算法对所述目标图像中的像素点进行聚类操作，以将所述目标图像分割为不同的聚类块。
9.根据权利要求8所述血管管腔内膜轮廓提取方法，其特征在于，所述基于灰度直方图的模糊C均值聚类算法对所述目标图像中的像素点进行聚类操作，以将所述目标图像分割为不同的聚类块，包括：
利用形态学处理对所述目标图像进行腐蚀重建，得到中间图像，并确定聚类参数；其中，所述聚类参数包括聚类中心数量、核处理尺度和模糊因子；
根据所述中间图像的灰度直方图的范围和所述聚类中心数量确定不同的灰度值为初始聚类中心，并基于所述模糊因子和所述灰度直方图中的灰度值与所述初始聚类中心的欧式聚类确定灰度值隶属度函数；
通过迭代更新所述初始聚类中心和所述灰度值隶属度函数直到模糊C均值目标函数最优化或迭代次数达到预设次数；
将更新后的聚类中心中的最大值确定为第二灰度阈值，将所述中间图像中灰度值大于或等于所述第二灰度阈值的像素点的灰度值全部设置为上限值、灰度值小于所述第二的像素点的灰度值全部设置为下限值，以将所述目标图像分割为不同的聚类块。
10.根据权利要求7所述血管管腔内膜轮廓提取方法，其特征在于，所述在所述聚类块中确定管腔壁区域，包括：
确定每个所述聚类块的面积和区域中心位置，将面积最大且区域中心位置与图像中心位置的距离最近的聚类块确定为管腔壁区域。
11.根据权利要求7所述血管管腔内膜轮廓提取方法，其特征在于，去除所述管腔壁区域的外部噪声，包括：
计算所有所述聚类块的区域中心位置与所述管腔壁区域的区域中心位置的欧式距离；
统计所有所述聚类块对应的包围矩形与所述管腔壁区域对应的包围矩形之间的重叠面积；
将所述欧式距离大于预设距离阈值且所述重叠面积小于第一预设面积阈值的聚类块确定为所述管腔壁区域的外部噪声，并去除所述外部噪声。
12.根据权利要求11所述血管管腔内膜轮廓提取方法，其特征在于，去除所述管腔壁区域的内部噪声，包括：
对去除外部噪声后的图像进行极坐标转换得到第一极坐标图像；
在所述第一极坐标图像中确定每个所述聚类块的区域面积、像素点的灰度平均值和与所述管腔壁区域的重叠像素点数量；
将所述区域面积小于第二预设面积阈值、所述灰度平均值大于第三灰度阈值、所述重叠像素点数量大于预设数量的聚类块确定为所述管腔壁区域的内部噪声，并去除所述内部噪声。
13.根据权利要求7所述血管管腔内膜轮廓提取方法，其特征在于，所述确定所述管腔壁区域对应的初始内膜轮廓线，包括：
对去除外部噪声和内部噪声后的图像进行极坐标转换得到第二极坐标图像，将所述第一二坐标图像中每列第一个灰度值不为零的像素点作为轮廓点；
利用插值法对所述轮廓点的连线的缺失部分进行补齐，并进行直角坐标转换，得到初始内膜轮廓线。
14.根据权利要求9所述血管管腔内膜轮廓提取方法，其特征在于，所述去除所述管腔壁区域的外部噪声和内部噪声之后，还包括：
确定所述管腔壁区域的横向最大宽度，并判断所述横向最大宽度与去除外部噪声和内部噪声后的图像的宽度的比值是否大于预设值；
若是，则进入对去除外部噪声和内部噪声后的图像进行极坐标转换得到第二极坐标图像的步骤；
若否，则更新所述聚类参数，并重新进入所述根据所述中间图像的灰度直方图的范围和所述聚类中心数量确定不同的灰度值为初始聚类中心的步骤。
15.根据权利要求1或2所述血管管腔内膜轮廓提取方法，其特征在于，所述对所述初始内膜轮廓线进行拟合，包括：
利用矢量场卷积活动轮廓模型对所述初始内膜轮廓线进行拟合。
16.一种血管管腔内膜轮廓提取装置，其特征在于，包括：
预处理模块，用于获取血管内横截面的超声图像，并对所述超声图像进行预处理得到目标图像；
确定模块，用于在所述目标图像中确定管腔壁区域，并确定所述管腔壁区域对应的初始内膜轮廓线；
拟合模块，用于对所述初始内膜轮廓线进行拟合，得到最终的管腔内膜轮廓线；
添加模块，用于将所述最终的管腔内膜轮廓线添加至所述超声图像中。
17.一种超声设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至15任一项所述血管管腔内膜轮廓提取方法的步骤；
显示器，用于显示血管内横截面的超声图像和所述超声图像中的管腔内膜轮廓线。
18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至15任一项所述血管管腔内膜轮廓提取方法的步骤。
CN202011625595.1A 2020-12-30 2020-12-30 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质 Pending CN114693710A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011625595.1A CN114693710A (zh) 2020-12-30 2020-12-30 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011625595.1A CN114693710A (zh) 2020-12-30 2020-12-30 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质

Publications (1)

Publication Number Publication Date
CN114693710A true CN114693710A (zh) 2022-07-01

Family

ID=82134439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011625595.1A Pending CN114693710A (zh) 2020-12-30 2020-12-30 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质

Country Status (1)

Country Link
CN (1) CN114693710A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861132A (zh) * 2023-02-07 2023-03-28 乐普（北京）医疗器械股份有限公司 一种血管图像校正方法、装置、介质及设备
CN115965750A (zh) * 2023-03-16 2023-04-14 深圳微创踪影医疗装备有限公司 血管重建方法、装置、计算机设备和可读存储介质
CN116030041A (zh) * 2023-02-24 2023-04-28 杭州微引科技有限公司 一种颈总动脉超声波横切图像血管壁分割方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861132A (zh) * 2023-02-07 2023-03-28 乐普（北京）医疗器械股份有限公司 一种血管图像校正方法、装置、介质及设备
CN116030041A (zh) * 2023-02-24 2023-04-28 杭州微引科技有限公司 一种颈总动脉超声波横切图像血管壁分割方法
CN116030041B (zh) * 2023-02-24 2023-07-25 杭州微引科技有限公司 一种颈总动脉超声波横切图像血管壁分割方法
CN115965750A (zh) * 2023-03-16 2023-04-14 深圳微创踪影医疗装备有限公司 血管重建方法、装置、计算机设备和可读存储介质
CN115965750B (zh) * 2023-03-16 2023-06-16 深圳微创踪影医疗装备有限公司 血管重建方法、装置、计算机设备和可读存储介质

Similar Documents

Publication Publication Date Title
CN114693710A (zh) 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质
US7397935B2 (en) Method for segmentation of IVUS image sequences
CN110490040B (zh) 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法
CN111667467B (zh) 基于聚类算法的下肢血管钙化指数多参数累积计算方法
CN107292835B (zh) 一种眼底图像视网膜血管自动矢量化的方法及装置
CN112308846B (zh) 血管分割方法、装置及电子设备
CN113643353B (zh) 眼底图像的血管管径的增强分辨率的测量方法
CN116503607B (zh) 一种基于深度学习的ct图像分割方法和***
CN111640124A (zh) 一种血管提取方法、装置、设备及存储介质
CN112651984A (zh) 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质
Subasic et al. 3D image analysis of abdominal aortic aneurysm
US20240005510A1 (en) Method and apparatus of nidus segmentation, electronic device, and storage medium
Blondel et al. Automatic trinocular 3D reconstruction of coronary artery centerlines from rotational X-ray angiography
CN116309647B (zh) 颅脑病灶图像分割模型构建方法、图像分割方法及设备
CN116138877A (zh) 目标定位方法、装置、电子设备及存储介质
CN111445473A (zh) 基于血管内超声图像序列多角度重建的血管膜精确分割方法及***
CN117078711A (zh) 医学图像分割方法、***、电子设备和存储介质
CN116309264A (zh) 造影图像判定方法及造影图像判定装置
CN116071250A (zh) 一种脑动脉狭窄闭塞的asl图像处理***、设备及终端
CN114170258A (zh) 图像分割方法、装置、电子设备及存储介质
CN113902689A (zh) 一种血管中心线提取方法、***、终端以及存储介质
CN114209344A (zh) 一种侧枝循环状态评估方法、装置、存储介质及电子设备
Bouma et al. Evaluation of segmentation algorithms for intravascular ultrasound images
CN112258533A (zh) 一种超声图像中小脑蚓部的分割方法
CN113724264A (zh) 图像分割方法、***和可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination