一种三维数字图像中分支点的快速检测方法技术

本发明专利技术具体公开了一种三维数字图像中分支点的快速检测方法，所述方法包括以下步骤：S1、将给定的三维数字图像分成若干子图像并生成对应若干二维最大强度投影图像；S2、将每幅二维最大强度投影图像骨架化并选取骨架上的点作为候选分支点，再通过改进的ray‑shooting模型提取所有候选分支点周围像素强度分布特征；S3、根据所提取的像素强度分布特征利用DBSCAN方法确定候选分支区域的分支数，从而根据确定的分支数得到二维分支点；S4、利用反向映射方法将得到的二维分支点映射到三维数字图像中，从而得到三维数字图像中树状结构的真实三维分支点。本发明专利技术能够准确的将三维数字图像中树状结构的分支点检测出来，具有计算成本低、误检率低且检测效率高的特点。

【技术实现步骤摘要】
一种三维数字图像中分支点的快速检测方法
本专利技术涉及图像处理
，尤其涉及一种三维数字图像中分支点的快速检测方法。
技术介绍
在数字图像研究中，数字图像中树状结构的重建是生物医学研究的重要内容。例如，对神经元三维形态的研究有助于理解神经元网络以及神经元的生长和再生，支气管的分支模式是多种肺部疾病的病理基础，视网膜血管树的形态为糖尿病视网膜病变和血管瘤病等疾病的诊断提供了有价值的临床信息。为了研究数字图像中树状结构的形态特征，进行数字重建是必要的。在过去的几十年里，为了重建数字图像中的树状结构，人们开发了许多算法和工具。现有的自动或半自动重建方法大多依赖于可靠的末梢点和分支点，这些点统称为关键点。利用这些关键点，现有这些重建方法才可以利用基于图论的自动搜索理论通过最佳“路径”连接一组确定的三维关键点，从而建立这些关键点之间的连接。此外，分支点的分析在许多应用中都很有意义，例如神经解剖学研究、发育研究以及在图像配准中的标记识别。这些分支点可以通过人工定位来获得，如现在流行的数字分析工具vaa3d神经元，也可以通过复杂的图像滤波和模式识别的方法来自动检测。然而，采用人工识别是非常耗时而且不实用，例如人类大脑的神经元有1011个神经元，这样大的工作量非常的耗时。现有的一些利用复杂的图像滤波和模式识别方法进行神经元分支点检测和血管分叉检测的工作，往往只针对一种特定类型的数据集。此外，这些方法没有扩展到检测三维分支点。由于每种类型的分支点在方向和分支点区域的大小方面可能有很大的差异，因此为每种可能的情况训练专用的过滤器是不切实际的。此外，基于Hessian、形状信息的结检测方法在不同的图像上有广泛的应用，但还没有扩展到对三维分支点的检测。其他现有的三维感兴趣点检测方法如3D-sift、3DHarris和HeatKernelSignature(HKS)也不能直接检测三维分支点。近年来，基于深度学习的方法如U-Net被应用于数字图像分析。然而，对于三维分支点检测，基于深度学习的方法需要大量精确标记训练数据。由于分支点区域结构复杂，手工标注三维分支点既费时又费工。此外，基于深度学习的方法需要在客户端对GPU进行配置，否则时间效率不适合应用于大型数字图像。鉴于此，研究一种计算成本低、误检率低且检测效率高的三维数字图像中树状结构分支点的检测方法是本领域技术人员亟待解决的技术问题。
技术实现思路
本专利技术的目的是提供一种三维数字图像中分支点的快速检测方法，所述方法能够准确的将三维数字图像中树状结构的分支点检测出来，且不需要对客户端GPU进行配置，具有计算成本低、误检率低和检测效率高的特点。为解决上述技术问题，本专利技术提供一种三维数字图像中分支点的快速检测方法，包括以下步骤：S1、将给定三维数字图像分别沿着X、Y、Z三个方向分成若干子图像，并根据所述子图像生成对应的二维最大强度投影图像；S2、将步骤S1中所生成的每一幅二维最大强度投影图像进行骨架化，并将每一幅二维最大强度投影图像中骨架上的点均作为候选分支点，然后通过改进的ray-shooting模型提取所有候选分支点周围的像素强度分布特征；S3、根据步骤S2所提取候选分支点周围像素强度分布特征并利用DBSCAN方法确定候选分支点区域的分支数，并根据分支数确定真实的二维分支点；S4、利用反向映射方法将步骤S3中所确定的二维分支点映射到给定三维数字图像中，从而得到三维数字图像中树状结构的真实三维分支点。优选地，所述步骤S1的具体实现方式包括：S11、首先将三维数字图像依次分成若干个Z方向上的子图像，并生成Z方向上对应的二维最大强度投影图像；S12、再将三维数字图像依次分成若干个Y方向上的子图像，并生成Y方向上对应的二维最大强度投影图像；S13、最后将三维数字图像依次分成若干个X方向上的子图像，并生成X方向上对应的二维最大强度投影图像。优选地，所述步骤S2的具体实现方式包括：S21、将步骤S1中所生成的每一幅二维最大强度投影图像进行骨架化，利用骨架细化算法提取骨架化的每一幅二维最大强度投影图像中树状结构中心线上的点作为候选点；S22、计算每一幅二维最大强度投影图像中树状结构中心线上每个候选点像素与其相邻8个像素之间的交叉点数值，得到对应每一幅二维最大强度投影图像中的候选分支点；S23、利用球形增长法将步骤S22中得到的候选分支点移动至候选分支点区域的中心，并估计出候选分支点区域的半径；S24、根据步骤S23所估计的候选分支点区域半径对ray-shooting模型进行改进，得到改进的ray-shooting模型；S25、通过步骤S24中改进的ray-shooting模型剔除候选分支点在候选分支点区域最大内切圆中的前景区域来提取潜在分支上的有效特征，从而得到真实的二维候选分支点。优选地，所述步骤S23的具体实现方式包括：S231、利用球形增长法将步骤S22中得到的候选分支点移动至候选分支点区域中最大内切圆的中心；S232、设置一个以步骤S231中移动后的候选分支点为中心的半径可调圆并逐渐调整其半径，直至该半径可调圆内图像体素强度的0.1％比整个图像的平均体素强度更暗，选取此时所述半径可调圆的半径为候选分支点区域的半径。优选地，所述步骤S24中改进的ray-shooting模型可用公式表示为：X(i，j)＝x0+(R+j)×cos(i×θ)(1)Y(i，j)＝y0+(R+j)×sin(i×θ)(2)式(1)和式(2)中，(X(i，j)，Y(i，j))表示节点jth在射线ith中的坐标，(x0，y0)表示候选分支点p在二维最大强度投影图像上的坐标，θ＝2π/M表示两条相邻射线的夹角，M表示射线的数量，i＝1，2，…M表示射线的指数，j＝1，…N表示节点沿射线的索引(N为自然数)，R表示改进的ray-shooting模型的尺度。优选地，所述改进的ray-shooting模型的尺度R可用公式表示：R＝r+L(3)式(3)中，r表示球形增长法估计的候选分支点区域的半径值，L＝T1*r表示半径的调整变量，其中T1∈(0.1，0.5)。优选地，所述步骤S25的具体实现方式包括：S251、设置步骤S24中改进的ray-shooting模型的参数；S252、利用步骤S251中改进的ray-shooting模型提取候选分支点周围的局部像素强度分布并将每个像素强度值存储在矩阵中，所述存储每个像素强度值的矩阵可用公式表示：D＝[I1…Ii…IM]T∈SM×N(4)式(4)中，Ii＝[I(i，1)…I(i，N)]表示沿射线ith的像素强度，其中射线ith上节点(X(i，j)，Y(i，j))的像素强度为Ii，j，T表示矩阵倒置，SM×N表示M行N列的矩阵；S253、利用所提取的局部像素强度剔除候选分支点在候选分支点区域最大内接圆中的前景区域，从而提取出潜在分支本文档来自技高网...

【技术保护点】
1.一种三维数字图像中分支点的快速检测方法，其特征在于，包括以下步骤：/nS1、将给定三维数字图像分别沿着X、Y、Z三个方向分成若干子图像，并根据所述子图像生成对应的二维最大强度投影图像；/nS2、将步骤S1中所生成的每一幅二维最大强度投影图像进行骨架化，并将每一幅二维最大强度投影图像中骨架上的点均作为候选分支点，然后通过改进的ray-shooting模型提取所有候选分支点周围的像素强度分布特征；/nS3、根据步骤S2所提取候选分支点周围像素强度分布特征并利用DBSCAN方法确定候选分支点区域的分支数，并根据分支数确定真实的二维分支点；/nS4、利用反向映射方法将步骤S3中所确定的二维分支点映射到给定三维数字图像中，从而得到三维数字图像中树状结构的真实三维分支点。/n

【技术特征摘要】
1.一种三维数字图像中分支点的快速检测方法，其特征在于，包括以下步骤：
S1、将给定三维数字图像分别沿着X、Y、Z三个方向分成若干子图像，并根据所述子图像生成对应的二维最大强度投影图像；
S2、将步骤S1中所生成的每一幅二维最大强度投影图像进行骨架化，并将每一幅二维最大强度投影图像中骨架上的点均作为候选分支点，然后通过改进的ray-shooting模型提取所有候选分支点周围的像素强度分布特征；
S3、根据步骤S2所提取候选分支点周围像素强度分布特征并利用DBSCAN方法确定候选分支点区域的分支数，并根据分支数确定真实的二维分支点；
S4、利用反向映射方法将步骤S3中所确定的二维分支点映射到给定三维数字图像中，从而得到三维数字图像中树状结构的真实三维分支点。


2.如权利要求1所述的三维数字图像中分支点的快速检测方法，其特征在于，所述步骤S1的具体实现方式包括：
S11、首先将三维数字图像依次分成若干个Z方向上的子图像，并生成Z方向上对应的二维最大强度投影图像；
S12、再将三维数字图像依次分成若干个Y方向上的子图像，并生成Y方向上对应的二维最大强度投影图像；
S13、最后将三维数字图像依次分成若干个X方向上的子图像，并生成X方向上对应的二维最大强度投影图像。


3.如权利要求2所述的三维数字图像中分支点的快速检测方法，其特征在于，所述步骤S2的具体实现方式包括：
S21、将步骤S1中所生成的每一幅二维最大强度投影图像进行骨架化，利用骨架细化算法提取骨架化的每一幅二维最大强度投影图像中树状结构中心线上的点作为候选点；
S22、计算每一幅二维最大强度投影图像中树状结构中心线上每个候选点像素与其相邻8个像素之间的交叉点数值，得到对应每一幅二维最大强度投影图像中的候选分支点；
S23、利用球形增长法将步骤S22中得到的候选分支点移动至候选分支点区域的中心，并估计出候选分支点区域的半径；
S24、根据步骤S23所估计的候选分支点区域半径对ray-shooting模型进行改进，得到改进的ray-shooting模型；
S25、通过步骤S24中改进的ray-shooting模型剔除候选分支点在候选分支点区域最大内切圆中的前景区域来提取潜在分支上的有效特征，从而得到真实的二维候选分支点。


4.如权利要求3所述的三维数字图像中分支点的快速检测方法，其特征在于，所述步骤S23的具体实现方式包括：
S231、利用球形增长法将步骤S22中得到的候选分支点移动至候选分支点区域中最大内切圆的中心；
S232、设置一个以步骤S231中移动后的候选分支点为中心的半径可调圆并逐渐调整其半径，直至该半径可调圆内图像体素强度的0.1％比整个图像的平均体素强度更暗，选取此时所述半径可调圆的半径为候选分支点区域的半径。


5.如权利要求4所述的三维数字图像中分支点的快速检测方法，其特征在于，所述步骤S24中改进的ray-shooting模型可用公式表示为：
X(i,j)＝x0+(R+...

【专利技术属性】
技术研发人员：刘敏，杜浩，王超，周朗明，瞿亮，王耀南，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南;43