一种脑血管分割方法、系统及电子设备技术方案

本申请涉及一种脑血管分割方法、系统及电子设备。该方法包括：对原始血管图像数据进行多尺度滤波增强处理，得到增强后的血管图像数据以及对应的方向向量场；建立有限混合模型，并估计所述有限混合模型的相关参数，得到类条件概率P(y|x)；计算所述血管图像数据的初始标记场，并将所述初始标记场与对应的方向向量场结合构成新的马尔可夫随机场；根据马尔可夫随机场与Gibbs分布的等价性得到类先验概率P(x)，基于类条件概率P(y|x)和类先验概率P(x)，通过最大后验概率和条件迭代模式得到所述血管图像数据的血管分割结果。本申请能够提取出更为有效的血管候选空间，提取出低对比度下的血管结构，使得所得血管网络更加完整。

【技术实现步骤摘要】
一种脑血管分割方法、系统及电子设备
本申请属于医学图像处理
，特别涉及一种脑血管分割方法、系统及电子设备。
技术介绍
截止目前，已有大量的脑血管分割方法被提出，而且部分方法成功应用于临床诊断。现有脑血管分割方法分为基于骨架和非骨架两类。前者通过先探测血管中心线分割和重建血管，而后者则直接提取三维血管。报道较多的是基于非骨架分割方法，包括：尺度分析法、形变模型法、跟踪法、统计模型法以及混合模型法等。血管的分割问题看作是标记问题，将造影数据中的所有点分为两类，即血管类(LV)和背景类(LB)。根据最大后验概率(Maximumaposterioriestimation,MAP)，点i的最终估计类别可由下式得到：由式(1)可知，要得到点i的类别估计，首先需要计算类条件概率P(y|x)和类先验概率P(x)。求解P(y|x)的过程称为低级处理过程，而高级处理过程用来计算P(x)。在低级处理过程中，现有方法往往通过选择合适的有限混合模型(FastMultipleMethod，FMM)对原始数据的灰度直方图进行拟合，并且通过最大期望算法(ExpectationMaximizationAlgor本文档来自技高网...

【技术保护点】
1.一种脑血管分割方法，其特征在于，包括以下步骤：步骤a：对原始血管图像数据进行多尺度滤波增强处理，得到增强后的血管图像数据以及对应的方向向量场；步骤b：建立有限混合模型，并估计所述有限混合模型的相关参数，得到类条件概率P(y|x)；步骤c：计算所述血管图像数据的初始标记场，并将所述初始标记场与对应的方向向量场结合构成新的马尔可夫随机场；步骤d：根据马尔可夫随机场与Gibbs分布的等价性得到类先验概率P(x)，基于类条件概率P(y|x)和类先验概率P(x)，通过最大后验概率和条件迭代模式得到所述血管图像数据的血管分割结果。

【技术特征摘要】
1.一种脑血管分割方法，其特征在于，包括以下步骤：步骤a：对原始血管图像数据进行多尺度滤波增强处理，得到增强后的血管图像数据以及对应的方向向量场；步骤b：建立有限混合模型，并估计所述有限混合模型的相关参数，得到类条件概率P(y|x)；步骤c：计算所述血管图像数据的初始标记场，并将所述初始标记场与对应的方向向量场结合构成新的马尔可夫随机场；步骤d：根据马尔可夫随机场与Gibbs分布的等价性得到类先验概率P(x)，基于类条件概率P(y|x)和类先验概率P(x)，通过最大后验概率和条件迭代模式得到所述血管图像数据的血管分割结果。2.根据权利要求1所述的脑血管分割方法，其特征在于，所述步骤a还包括：对原始血管图像数据的灰度直方图进行分析，并采用有限混合模型对原始血管图像数据的灰度直方图进行拟合。3.根据权利要求2所述的脑血管分割方法，其特征在于，在所述步骤a中，所述对原始血管图像数据进行多尺度滤波增强处理具体为：将原始造影数据I与多尺度高斯核卷积，得到多尺度空间下的造影数据Iσ；在尺度σ下，坐标为(x,y,z)的点i，其对应的Hessian矩阵计算如下：对H(i,σ)进行特征值分解，得到3个特征值(h1,h2,h3)和与之对应的3个特征向量其中|h1|≤|h2|≤|h3|；血管点对应的Hessian矩阵的特征值满足以下关系式：h2≈h3∧|h2,3|＞＞|h1|h3定义为如下形式：上式中，τ是一个0到1之间的阈值，σ是滤波尺度；增强响应计算函数为：。4.根据权利要求3所述的脑血管分割方法，其特征在于，在所述步骤b中，所述建立有限混合模型，并估计所述有限混合模型的相关参数，得到类条件概率P(y|x)具体包括：通过Kmeans聚类法对原始血管图像数据进行初分类，得到有限混合模型的初始相关参数；利用阈值tn(n＝1,…,Ni)处理滤波增强后的血管图像数据，得到不同的伪血管空间Ωn，再计算各阈值对应空间的均值和方差当血管空间对应的均值和容积率比Ωn/VH接近血管经验值时，将对应的阈值作为最佳阈值，根据所述最佳阈值进一步更正血管类的参数，并将该参数作为期望最大化算法的初始值，利用期望最大化算法得到有限混合模型最终的相关参数，并得到类条件概率P(y|x)。5.根据权利要求4所述的脑血管分割方法，其特征在于，在所述步骤d中，所述通过最大后验概率和条件迭代模式得到所述血管图像数据的血管分割结果具体为：在已求得类条件概率P(y|x)和类先验概率P(x)的条件下，利用迭代条件模型，不断最大化局部后验概率，在第n次迭代时，根据已知的观测数据y和标记场求出新的最大后验概率Pn(x|y)，得到新的标记场，直到所有数据点的标记不再变化或者迭代次数达到预设值时停止迭代，得到血管图像数据的血管分割结果。6.一种脑血管分割系统，其特征在于，包括：数据滤波模块：用于对原始血管图像数据进行多尺度滤波增强处理，得到增强后的血管图像数据以及对应的方向向量场；参数估计模块：用于建立有限混合模型，并估计所述有限混合模型的相关参数，得到类条件概率P(y|x)；随机场计算模块：用于计算所述血管图像数据的初始标记场，并将所述初始标记场与对应的方向向量场结合构成新的马尔可夫随机场；血管分割模块：用于根据...

【专利技术属性】
技术研发人员：李娜，周寿军，李迟迟，王澄，
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