一种全自动冠状动脉分割方法技术

本发明专利技术涉及一种全自动冠状动脉分割方法。所述方法包括：分割心脏区域，血管增强处理，自动检测种子体素，分割冠状动脉。首先分割出包括冠状动脉在内的心脏区域，分割后的图像中几乎不含任何噪点，分割精度和效率均好于由EM算法等方法分割得到的结果；通过对分割出的心脏区域进行血管增强处理，使冠状动脉图像得到明显增强程；通过对血管增强处理后的图像进行种子体素自动检测，检测出种子体素集，解决了传统的区域分割法需要人工干预的问题，增加了鲁棒性；最后通过一致性判断分割出冠状动脉。相对于仅仅采用灰度值作为标准进行区域分割的方法，本发明专利技术在一致性判断中动态改变一致性区间，既避免了人工干预，又提高了冠状动脉分割的准确性。

【技术实现步骤摘要】

本专利技术涉及计算机辅助医疗中冠状动脉的狭窄检测与量化评估技术，具体涉及一种全自动冠状动脉分割方法。
技术介绍
冠状动脉的血液提供了维持心脏功能所需的各种物质。轻微的冠状动脉粥样硬化会导致暂时性的心肌缺血，严重的冠状动脉粥样硬化可导致心肌损伤，以至于诱发心肌梗死，对个人的生命构成直接威胁。因此，对冠状动脉的狭窄检测及量化评估是预防与诊断心血管疾病的关键。为了对冠状动脉进行狭窄检测及量化评估，需要精确地抽取冠状动脉。如若抽取的不够真实，例如，抽取出来冠状动脉管腔远比真实的管腔狭窄，可能造成严重误判，对医生的诊断结果造成严重的负面影响；抽取出的冠状动脉不够完整，则可能会遗漏一些狭窄的血管，从而可使病人不能及时得到治疗。因此，研究一种自动、精准且快速的冠状动脉分割方法成为了影响冠状动脉狭窄检测和量化评估至关重要的因素。为了利用计算机辅助诊断冠状动脉疾病，人们开发了许多种心血管成像技术来使医生或其他相关人员能直观的查看心脏以及心脏周围的各种组织与它们的结构。例如，CTA(ComputedTomographicAngiography)，核磁共振成像(MagneticResonanceImaging，MRI)等等。在当前临床诊断与治疗当中，传统的冠状动脉造影技术(ConventionalCoronaryAngiography，CCA)是诊断冠状动脉疾病的“金标准”。近年来，CTA变得越来越流行。CTA与CCA比起来是非侵入式的。换句话说，CTA几乎不需要进入人体，而CCA需要进入人体，而且CCA无法保证不会对人体造成损伤。CTA可以成像出高分辨率的三维心脏和心血管，即可以让人们清晰且详细地了解病人心血管的状况，如狭窄存在与否，严重与否等等。在冠状动脉CTA(CoronaryCTA，CCTA)影像中，除了冠状动脉以外，还包含骨骼、肺血管、一部分肝脏、心肌、心室和心房等组织，因此，为了对冠状动脉进行狭窄检测和量化评估，首先需要对冠状动脉进行分割。在进行冠状动脉血管造影之前，需首先向人体注射一种造影剂使得造影之后的三维图像中血液图像的灰度值明显高于其周围组织的灰度值。然而，骨骼的灰度值同样很高，而且所有含有血液的组织并不一定都是冠状动脉，除此以外，冠状动脉中高度狭窄的部分会导致该狭窄部位和狭窄所影响的部分冠状动脉含血量很低，具有与其他非狭窄的冠状动脉相异的特征。这些因素给冠状动脉分割的完整度和准确度造成了一定的影响。另外，由于CTA具有很高的分辨率，一般每张二维图像的分辨率为1024×1024，一个三维体数据通常包含200张以上的高分辨率图像。因此，在使用计算机处理CCTA数据时，面对的数据量是非常庞大的(GB量级)。
技术实现思路
为了解决现有技术中存在的上述问题，本专利技术提出一种全自动冠状动脉分割方法。本专利技术的分割结果能够应用到冠状动脉的狭窄检测和量化评估中，同时有助于医生进行临床诊断。为达到上述目的，本专利技术采用如下技术方案：一种全自动冠状动脉分割方法，包括以下步骤：步骤1，分割心脏区域：将待分割数据的一幅图像与标准图集中的每幅图像进行配准，根据配准结果对标准图集中的图像进行合成。对待分割数据中的每幅图像进行上述处理，分割出心脏区域。步骤2，进行血管增强处理：在分割出的心脏区域中识别属于管状组织类别的体素(类似二维图像的最小单位——像素)，增大这些体素的灰度值，并减小其它体素的灰度值。步骤3，自动检测种子体素：从步骤2获得的管状组织类别的体素中剔出明显不属于冠状动脉的体素，然后进行三维形态学的腐蚀，得到冠状动脉的种子体素集合。步骤4，分割冠状动脉：以种子体素集合中的一个种子体素为中心，计算其周围M邻域体素的灰度值的均值m和标准差σ，如果M邻域体素中某体素x的灰度值I0(x)满足一致性条件，则将其作为冠状动脉上的体素分割出来。一致性条件的表达式为：m-v×σ≤I0(x)≤m-v×σ式中，v为边界控制参数。上述过程循环执行，直到处理完种子体素集合中的所有种子体素。如果某个种子体素已被其它种子体素作为冠状动脉上的体素分割出来，则不再对该种子体素进行上述处理。进一步地，标准图集包含从原始CCTA数据中选出的类型不同的n幅图像，标准图集中的图像包含进行心脏分割所需的所有类型的图像。标准图集中的图像类型是按照质量高低和图像钙化物质多少进行划分的。进一步地，步骤1中对待分割数据的每幅图像进行以下处理：将待分割数据的一幅图像即待分割图像与标准图集中的每一幅图像进行非刚性配准，得到n个变换系数；然后将每个变换系数应用到标准图集中所对应的图像中，将它们变换为与待分割图像的大小、位置和形状相似的状态；最后将n个变换后的图像进行合成；所述变换系数的求解方法包括：寻求空间投影变换T的最佳值使待分割图像与标准图像的相似性测度C最大：T^=argmaxTC(IF(x),IM(T(x)))]]>其中，x表示体素，IF(x)表示待分割图像，IM(x)表示标准图像，IM(T(x))表示对IM(x)实施变换T后的图像。上式是一个多参数优化问题，的求解方法如下：以ΔT为步长逐次改变T值，即：T=T+ΔTΔT=λdC(T)dT]]>其中，λ为大于零的实数，λ较大时，迭代速度快、精度低；当λ较小时，迭代速度慢、精度高，因此，λ的取值需要折衷考虑，具体取值通过实验确定。计算每个T值对应的C值，C取最大值时的T值即为即为所求变换系数。优选地，采用多数投票规则对标准图集中的图像进行合成。优选地，n＝8。进一步地，步骤2在分割出的心脏区域中识别属于管状组织类别的体素的方法如下：计算所述心脏区域的图像I的海森矩阵，公式如下：H=∂2I∂x∂x∂2I∂x∂y∂2I∂x∂z∂2I∂y∂x∂2I∂y∂y∂2I∂y∂z∂2I∂z∂x∂2I∂z∂y∂2I∂z∂z]]>式中，H表示海森矩阵，H中的每个元素为图像I在体素(x,y,z)处的二阶偏导数，H描述了体素周围灰度值的变化情况。计算H的特征值λ1、λ2、λ3，λ1≥λ2≥λ3。根据特征值λ1、λ2、λ3的大小识别管状组织类别的体素：当λ1、λ2、λ3满足下面条件时，体素(x,y,z)属于管状组织类别的体素：|λ1|<δλ2<-M1λ3<-M2]]>式中，δ为数值很小的正数，M1、M2为近似相等且数值很大的正数，δ、M1、M2的值通过实验确定。进一步，步骤3中明显不属于冠状动脉的体素为灰度值大于所设定的阈值的体素。所述阈值通过实验确定。优选地，步骤3腐蚀中采用的三维核心矩阵为4×4×3，三维分别对应x，y，z三个方向。优选地，步骤4中的M＝26。进一步地，在步骤4的循环过程中，首次循环时边界控制参数v取初始值1，每循环一次v的值增加一个步长，如果本次循环与上次循环满足一致性条件的体素总数的差值大于设定的阈值(该阈值是一个很大的正数，超过阈值表示发生突本文档来自技高网...

【技术保护点】
一种全自动冠状动脉分割方法，其特征在于，包括以下步骤：步骤1，分割心脏区域：将待分割数据的一幅图像与标准图集中的每幅图像进行配准，根据配准结果对标准图集中的图像进行合成；对待分割数据中的每幅图像进行上述处理，分割出心脏区域；步骤2，进行血管增强处理：在分割出的心脏区域中识别属于管状组织类别的体素，增大这些体素的灰度值，并减小其它体素的灰度值；步骤3，自动检测种子体素：从步骤2获得的管状组织类别的体素中剔出明显不属于冠状动脉的体素，然后进行三维形态学的腐蚀，得到冠状动脉的种子体素集合；步骤4，分割冠状动脉：以种子体素集合中的一个种子体素为中心，计算其周围M邻域体素的灰度值的均值m和标准差σ，如果M邻域体素中某体素x的灰度值I0(x)满足一致性条件，则将其作为冠状动脉上的体素分割出来；一致性条件的表达式为：m‑v×σ≤I0(x)≤m‑v×σ式中，v为边界控制参数；上述过程循环执行，直到处理完种子体素集合中的所有种子体素；如果某个种子体素已被其它种子体素作为冠状动脉上的体素分割出来，则不再对该种子体素进行上述处理。

【技术特征摘要】
1.一种全自动冠状动脉分割方法，其特征在于，包括以下步骤：步骤1，分割心脏区域：将待分割数据的一幅图像与标准图集中的每幅图像进行配准，根据配准结果对标准图集中的图像进行合成；对待分割数据中的每幅图像进行上述处理，分割出心脏区域；步骤2，进行血管增强处理：在分割出的心脏区域中识别属于管状组织类别的体素，增大这些体素的灰度值，并减小其它体素的灰度值；步骤3，自动检测种子体素：从步骤2获得的管状组织类别的体素中剔出明显不属于冠状动脉的体素，然后进行三维形态学的腐蚀，得到冠状动脉的种子体素集合；步骤4，分割冠状动脉：以种子体素集合中的一个种子体素为中心，计算其周围M邻域体素的灰度值的均值m和标准差σ，如果M邻域体素中某体素x的灰度值I0(x)满足一致性条件，则将其作为冠状动脉上的体素分割出来；一致性条件的表达式为：m-v×σ≤I0(x)≤m-v×σ式中，v为边界控制参数；上述过程循环执行，直到处理完种子体素集合中的所有种子体素；如果某个种子体素已被其它种子体素作为冠状动脉上的体素分割出来，则不再对该种子体素进行上述处理。2.根据权利要求1所述的全自动冠状动脉分割方法，其特征在于，标准图集包含从原始CCTA数据中选出的类型不同的n幅图像，标准图集中的图像包含进行心脏分割所需的所有类型的图像；标准图集中的图像类型是按照质量高低和图像钙化物质多少进行划分的。3.根据权利要求2所述的全自动冠状动脉分割方法，其特征在于，步骤1中对待分割数据的每幅图像进行以下处理：将待分割数据的一幅图像即待分割图像与标准图集中的每一幅图像进行非刚性配准，得到n个变换系数；然后将每个变换系数应用到标准图集中所对应的图像中，将它们变换为与待分割图像的大小、位置和形状相似的状态；最后将n个变换后的图像进行合成；所述变换系数的求解方法包括：寻求空间投影变换T的最佳值使待分割图像与标准图像的相似性测度C最大：T^=argmaxTC(IF(x),IM(T(x)))]]>其中，x表示体素，IF(x)表示待分割图像，IM(x)表示标准图像，IM(T(x))表示对IM(x)实施变换T后的图像；的求解方法如下：以ΔT为步长逐次改变T值，即：T=T+ΔTΔT=λdC(T)dT]]>其中，λ为大于零的实数，具体取...

【专利技术属性】
技术研发人员：田沄，潘雨彤，段福庆，赵世凤，王嘉欣，刘子丰，
申请(专利权)人：北京师范大学，
类型：发明
国别省市：北京;11