血管内超声图像内外膜分割方法及装置制造方法及图纸

本发明专利技术实施例提供了一种血管内超声图像内外膜分割方法及装置，其中，该方法包括：将待测血管内超声图像输入到特征检测模型中，得到待测血管内超声图像各像素的特征信息，特征检测模型是通过无监督式学习模型学习已分割的血管内超声图像样本得到的；将待测血管内超声图像各像素的特征信息输入到分类模型中，得到待测血管内超声图像各像素特征信息的分类信息，分类模型是采用有监督式分类法统计图像样本各像素的特征信息得到的；根据待测血管内超声图像各像素的特征信息和分类信息，建立血管的动态轮廓模型，并获得血管内膜外膜分割曲线。该方案提高血管内超声图像内外膜分割方法的鲁棒性、准确度，减少采用人工特征检测算子提取特征信息的局限性。

【技术实现步骤摘要】
血管内超声图像内外膜分割方法及装置
本专利技术涉及医学图像处理
，特别涉及一种血管内超声图像内外膜分割方法及装置。
技术介绍
心血管疾病在全球有很高的死亡率，而血管内超声技术是主流的心血管疾病诊断工具。其是一种血管内成像技术，通过将传感器探头插入动脉血管，可以实时获得高清的血管断层图像。而通过图像中内外膜的勾画，能具体评估血管内的形态特征以及斑块状况，如管腔直径，最小管腔横截面积，粥样斑体积等。这些信息为医生诊断是否需要放置支架或放置什么支架提供了量化依据。目前，临床上主要还是医师手动分割血管内超声图像。然而，由于需要分析的图层多则上百张，这样非常耗时耗精力，还会有人为误差。因此，开发一种鲁棒性高的自动分割方法非常有必要。血管内超声图像的自动分割现主要分为三大类，一是直接寻找边界，如图谱检测，梯度驱动法；二是血斑减少法，如弹性模型与血液区域统计法；三是有监督的分类法，如统计形状模型，概率法等。然而，这些自动分割的方法在面临伪影(例如，阴影、斑点噪声、分叉与导管等)和不同系统参数(例如，传感器的频率、成像参数等)的模式图像时，往往会容易失效，影响准确度，且鲁棒性不高。此外，虽然自动分割的方法中，效果最好的是基于有监督的分割法，但由于该方法通常采用人工的特征检测算子，提取的特征有限，无法满足大量不同模式图像分类的要求，而且需要人机交互，因此有一定的局限性。
技术实现思路
本专利技术实施例提供了一种血管内超声图像内外膜分割方法，以提高血管内超声图像内外膜分割方法的鲁棒性、准确度，同时减少采用人工特征检测算子提取特征信息的局限性。该方法包括：将待测血管内超声图像输入到特征检测模型中，得到待测血管内超声图像各像素的特征信息，所述特征检测模型是通过将不同的已进行内外膜分割的血管内超声图像样本输入到无监督式学习模型中进行学习得到的；将待测血管内超声图像各像素的特征信息输入到用于判断特征信息为血管内膜内、膜中或外膜外的分类模型中，得到待测血管内超声图像各像素特征信息的分类信息，所述分类模型是通过将不同的已进行内外膜分割的血管内超声图像样本输入到所述特征检测模型中，得到血管内超声图像样本各像素的特征信息，并采用有监督式分类法对血管内超声图像样本各像素的特征信息进行统计得到的；根据待测血管内超声图像各像素的特征信息和待测血管内超声图像各像素特征信息的分类信息，建立血管的动态轮廓模型，根据所述动态轮廓模型中达到稳态的曲线获得血管内膜外膜分割曲线。在一个实施例中，根据待测血管内超声图像各像素的特征信息和待测血管内超声图像各像素特征信息的分类信息，建立血管的动态轮廓模型，包括：根据待测血管内超声图像各像素的特征信息和待测血管内超声图像各像素特征信息的分类信息，建立梯度向量场来驱动所述动态轮廓模型的轮廓变形；根据所述动态轮廓模型的轮廓的法向量建立气球力函数，来控制所述动态轮廓模型的轮廓的膨胀和收缩。在一个实施例中，所述气球力函数控制所述动态轮廓模型的轮廓进行膨胀还是收缩由所述待测血管内超声图像各像素特征信息的分类信息决定。在一个实施例中，获得血管内膜外膜分割曲线，包括：在分割内膜时，所述动态轮廓模型的动态轮廓的初始位置是环绕血管内超声图像的中心传感器的成像边界的，根据内膜内区域的像素点的气球力为正，内膜外区域的像素点的气球力为负的特征，将所述动态轮廓中膨胀的区域划分为内膜内区域，将所述动态轮廓中收缩的区域划分为内膜外区域；在分割外膜时，所述动态轮廓模型的动态轮廓的初始位置是已探测的内膜边界，根据外膜内区域的像素点的气球力为正，外膜外区域的像素点的气球力为负的特征，将所述动态轮廓中膨胀的区域划分为膜中区域，将所述动态轮廓中收缩的区域划分为外膜外区域。在一个实施例中，所述无监督式学习模型为深度学习模型，所述有监督式分类法为支持向量机分类法。本专利技术实施例还提供了一种血管内超声图像内外膜分割装置，以提高血管内超声图像内外膜分割方法的鲁棒性、准确度，同时减少采用人工特征检测算子提取特征信息的局限性。该装置包括：特征信息获取模块，用于将待测血管内超声图像输入到特征检测模型中，得到待测血管内超声图像各像素的特征信息，所述特征检测模型是通过将不同的已进行内外膜分割的血管内超声图像样本输入到无监督式学习模型中进行学习得到的；分类信息获取模块，用于将待测血管内超声图像各像素的特征信息输入到用于判断特征信息为血管内膜内、膜中或外膜外的分类模型中，得到待测血管内超声图像各像素特征信息的分类信息，所述分类模型是通过将不同的已分割的血管内超声图像样本输入到所述特征检测模型中，得到血管内超声图像样本各像素的特征信息，并采用有监督式分类法对血管内超声图像样本各像素的特征信息进行统计得到的；分割模块，用于根据待测血管内超声图像各像素的特征信息和待测血管内超声图像各像素特征信息的分类信息，建立血管的动态轮廓模型，根据所述动态轮廓模型中达到稳态的曲线获得血管内膜外膜分割曲线。在一个实施例中，所述分割模块，包括：梯度向量场建立单元，用于根据待测血管内超声图像各像素的特征信息和待测血管内超声图像各像素特征信息的分类信息，建立梯度向量场来驱动所述动态轮廓模型的轮廓变形；气球力函数建立单元，用于根据所述动态轮廓模型的轮廓的法向量建立气球力函数，来控制所述动态轮廓模型的轮廓的膨胀和收缩。在一个实施例中，所述气球力函数控制所述动态轮廓模型的轮廓进行膨胀还是收缩由所述待测血管内超声图像各像素特征信息的分类信息决定。在一个实施例中，所述分割模块，还包括：内膜分割单元，用于在分割内膜时，所述动态轮廓模型的动态轮廓的初始位置是环绕血管内超声图像的中心传感器的成像边界的，根据内膜内区域的像素点的气球力为正，内膜外区域的像素点的气球力为负的特征，将所述动态轮廓中膨胀的区域划分为内膜内区域，将所述动态轮廓中收缩的区域划分为内膜外区域；外膜分割单元，用于在分割外膜时，所述动态轮廓模型的动态轮廓的初始位置是已探测的内膜边界，根据外膜内区域的像素点的气球力为正，外膜外区域的像素点的气球力为负的特征，将所述动态轮廓中膨胀的区域划分为膜中区域，将所述动态轮廓中收缩的区域划分为外膜外区域。在一个实施例中，所述无监督式学习模型为深度学习模型，所述有监督式分类法为支持向量机分类法。在本专利技术实施例中，通过将大量不同的已进行内外膜分割的血管内超声图像样本(例如，伪影、不同频率、不同成像参数等血管内超声图像)输入到无监督式学习模型中进行学习，来得到特征检测模型，并采用有监督式分类法对不同的已进行内外膜分割的血管内超声图像样本的各像素的特征信息进行统计，得到分类模型，然后通过特征检测模型得到待测血管内超声图像各像素的特征信息，通过分类模型得到待测血管内超声图像各像素特征信息的分类信息，与现有技术中采用人工特征检测算子提取特征信息相比，可以减少采用人工特征检测算子提取特征信息的局限性，同时可以提高血管内超声图像内外膜分割方法的鲁棒性；根据测血管内超声图像各像素的特征信息和待测血管内超声图像各像素特征信息的分类信息，建立血管的动态轮廓模型，使得具有良好的拓扑结构拟合性，有助于提高血管内超声图像内外膜分割方法的准确度。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，并不构成对本专利技术的限定本文档来自技高网...

【技术保护点】
一种血管内超声图像内外膜分割方法，其特征在于，包括：将待测血管内超声图像输入到特征检测模型中，得到待测血管内超声图像各像素的特征信息，所述特征检测模型是通过将不同的已进行内外膜分割的血管内超声图像样本输入到无监督式学习模型中进行学习得到的；将待测血管内超声图像各像素的特征信息输入到用于判断特征信息为血管内膜内、膜中或外膜外的分类模型中，得到待测血管内超声图像各像素特征信息的分类信息，所述分类模型是通过将不同的已进行内外膜分割的血管内超声图像样本输入到所述特征检测模型中，得到血管内超声图像样本各像素的特征信息，并采用有监督式分类法对血管内超声图像样本各像素的特征信息进行统计得到的；根据待测血管内超声图像各像素的特征信息和待测血管内超声图像各像素特征信息的分类信息，建立血管的动态轮廓模型，根据所述动态轮廓模型中达到稳态的曲线获得血管内膜外膜分割曲线。

【技术特征摘要】
1.一种血管内超声图像内外膜分割方法，其特征在于，包括：将待测血管内超声图像输入到特征检测模型中，得到待测血管内超声图像各像素的特征信息，所述特征检测模型是通过将不同的已进行内外膜分割的血管内超声图像样本输入到无监督式学习模型中进行学习得到的；将待测血管内超声图像各像素的特征信息输入到用于判断特征信息为血管内膜内、膜中或外膜外的分类模型中，得到待测血管内超声图像各像素特征信息的分类信息，所述分类模型是通过将不同的已进行内外膜分割的血管内超声图像样本输入到所述特征检测模型中，得到血管内超声图像样本各像素的特征信息，并采用有监督式分类法对血管内超声图像样本各像素的特征信息进行统计得到的；根据待测血管内超声图像各像素的特征信息和待测血管内超声图像各像素特征信息的分类信息，建立血管的动态轮廓模型，根据所述动态轮廓模型中达到稳态的曲线获得血管内膜外膜分割曲线；根据待测血管内超声图像各像素的特征信息和待测血管内超声图像各像素特征信息的分类信息，建立血管的动态轮廓模型，包括：根据待测血管内超声图像各像素的特征信息和待测血管内超声图像各像素特征信息的分类信息，建立梯度向量场来驱动所述动态轮廓模型的轮廓变形；根据所述动态轮廓模型的轮廓的法向量建立气球力函数，来控制所述动态轮廓模型的轮廓的膨胀和收缩；获得血管内膜外膜分割曲线，包括：在分割内膜时，所述动态轮廓模型的动态轮廓的初始位置是环绕血管内超声图像的中心传感器的成像边界的，根据内膜内区域的像素点的气球力为正，内膜外区域的像素点的气球力为负的特征，将所述动态轮廓中膨胀的区域划分为内膜内区域，将所述动态轮廓中收缩的区域划分为内膜外区域；在分割外膜时，所述动态轮廓模型的动态轮廓的初始位置是已探测的内膜边界，根据外膜内区域的像素点的气球力为正，外膜外区域的像素点的气球力为负的特征，将所述动态轮廓中膨胀的区域划分为膜中区域，将所述动态轮廓中收缩的区域划分为外膜外区域。2.如权利要求1所述的血管内超声图像内外膜分割方法，其特征在于，所述气球力函数控制所述动态轮廓模型的轮廓进行膨胀还是收缩由所述待测血管内超声图像各像素特征信息的分类信息决定。3.如权利要求1至2中任一项所述的血管内超声图像内外膜分割方法，其特征在于，所述无监督式学习模型为深度学习模型，所述有监督式分类法为支持向量机分类法。4.一种血管内超声...

【专利技术属性】
技术研发人员：杨雨晗，吴丹，张元亭，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东;44