一种基于局部聚类和滤波的冠脉分割方法技术

本发明专利技术公开了一种基于局部聚类和滤波的冠脉分割方法，涉及医学图像处理技术领域。该方法包括在冠脉CTA图像上提取冠脉种子点的感兴趣区域；在感兴趣区域中获得疑似种子点集合；对疑似种子点集合进行滤波，筛掉假种子点获得有效种子点集合；针对有效种子点集合中的种子点逐点进行区域生长，直至所有的种子点生长完毕为止。在每个种子点的生长过程中，采用对称放射滤波器来筛选血管区域，解决了心脏CTA图像中噪声、伪影和非冠脉组织等不相关区域对冠脉分割的干扰的问题；采用基于距离聚类分割方法，解决了心脏CTA图像中造影剂不均衡，冠脉错层，伪影模糊等问题，从而快速、稳定、高效地进行心脏CTA图像的冠脉分割。效地进行心脏CTA图像的冠脉分割。效地进行心脏CTA图像的冠脉分割。

【技术实现步骤摘要】
一种基于局部聚类和滤波的冠脉分割方法


[0001]本专利技术涉及医学图像处理
，具体涉及一种基于局部聚类和滤波的冠脉分割方法。

技术介绍

[0002]心血管疾病已经成为当前威胁人类生命的重要疾病之一。随着医学影像技术的快速发展，基于多层螺旋CT采集的心脏影像数据在心血管疾病诊断中发挥越来越重要的作用。如何方便、快捷地辅助临床工作者从海量的心脏影像数据中准确地获得有价值的心血管临床诊疗信息，一直是医学影像学者们努力的目标，也是当今医学工作者必须面临的巨大挑战。
[0003]目前冠脉CTA(Computed Tomography Angiography，计算机断层扫描血管造影术)图像的血管分割方法主要分为基于传统的分割算法和基于深度学习的分割算法。传统的算法有：1)基于区域生长的方法，例如区域生长、包含标准的或者自适应的波传播法；2)基于活动轮廓模型方法，例如依据血管特定参数的活动轮廓模型，或者依据图像能量的活动轮廓模型；3)基于中心线追踪的方法，例如直接中心线追踪，或者采用最小代价路径的方法提取血管。随着深度学习技术的不断发展，目前深度网络已经逐渐发展成为医学图像分割的主力，例如采用FCN(Fully Convolutional Network，全卷积网络)、CNN(Convolutional Neural Networks，卷积神经网络)和语义分割网络U
‑
Net等深度学习网络对冠脉CTA进行分割。
[0004]虽然现有医学影像处理技术发展很快，但存在许多不足，无法满足日益增长的临床要求。例如区域生长算法稳健性不高，缺乏合理的收敛准则；活动轮廓法需要较强的约束准则，人机交互程度高；中心线方法无法直接分割血管轮廓，需要结合血管外观和几何信息；深度学习方法需要大量的训练数据和标注数据，并且对细节分割欠缺。

技术实现思路

[0005]针对上述现有技术存在的不足，本专利技术提供了一种基于局部聚类和滤波的冠脉分割方法，旨在快速准确地从冠脉CTA图像中分割出冠脉，获得准确的冠脉结构。
[0006]为实现上述目的，本专利技术提供以下的技术方案：
[0007]一种基于局部聚类和滤波的冠脉分割方法，该方法包括如下步骤：
[0008]步骤1：输入冠脉CTA图像，提取冠脉种子点的感兴趣区域；
[0009]步骤2：从冠脉种子点的感兴趣区域中获取冠脉强响应点作为冠脉的疑似种子点，获得疑似种子点集合；
[0010]步骤3：对步骤2获得的疑似种子点集合进行滤波，筛掉假种子点，获得有效种子点集合，且若有效种子点集合为空，则结束，若有效种子点集合非空，则执行步骤4；
[0011]步骤4：针对有效种子点集合中的种子点，逐点进行区域生长，对第i个种子点执行步骤5至步骤9，直到所有的种子点生长完毕，获得冠脉分割结果；
[0012]步骤5：对当前种子点进行区域生长，生长的条件是以种子点周围26邻域内的CT均值与方差的和及它们的差作为区域生长的高低阈值，若符合生长条件则获得区域块，并执行步骤6，否则，则令i＝i+1，并返回步骤4；
[0013]步骤6：对区域块中的每个点进行滤波，去除非冠脉组织上的点；
[0014]步骤7：对步骤6中获得的区域块进行距离聚类，获得区域块簇集合，使得集合中的每个区域块簇上的点到其聚类中心的距离小于等于设定值；
[0015]步骤8：把每个区域块簇作为一个新的区域块，并计算当前区域块的CT均值和方差，并以它们的和及它们的差作为区域生长的高低阈值，作为下一次局部区域生长的条件，若待生长的点符合生长条件则获得区域块，执行步骤9，否则，则令i＝i+1，并返回步骤4；
[0016]步骤9：按照步骤6至步骤8的方法，重复执行步骤6至步骤8，直到没有可生长的区域块时，令i＝i+1，并返回步骤4。
[0017]进一步地，根据所述的基于局部聚类和滤波的冠脉分割方法，在所述冠脉CTA图像上采用阈值分割法提取冠脉种子点的感兴趣区域。
[0018]进一步地，根据所述的基于局部聚类和滤波的冠脉分割方法，采用血管增强滤波器从冠脉种子点的感兴趣区域中获取冠脉强响应点。
[0019]进一步地，根据所述的基于局部聚类和滤波的冠脉分割方法，所述滤波的方法为：在当前点x0的三个正交面横断面、冠状面和矢状面上分别采用对称放射滤波器，当其中至少两个正交面具有梯度对称性质时，则判断点x0属于冠脉，否则将点x0视为非冠脉组织上的点；
[0020]所述对称放射滤波器为2D滤波器，在点x0的二维平面上，以x0为中心，在2π范围内，向外发射N条对称射线对，所述对称射线对为方向相反且对称的两条射线，射线截止的范围是D
max
，射线中的每个点的间隔步长是σ；射线中的每个当前点与其下一个点之间会存在梯度差，在D
max
范围内，若射线对中两条射线的梯度差均满足预设阈值T2，则判断这条射线对满足对称梯度性；在2π范围内的N条射线对中，若超过预设阈值T1条的射线对满足对称梯度性，则认为当前点x0在当前平面上具有血管结构的对称梯度性。
[0021]进一步地，根据所述的基于局部聚类和滤波的冠脉分割方法，所述二维平面为血管的横截面或者自定义的2D平面。
[0022]进一步地，根据所述的基于局部聚类和滤波的冠脉分割方法，所述D
max
＝血管的最大直径。
[0023]进一步地，根据所述的基于局部聚类和滤波的冠脉分割方法，所述间隔步长σ的经验值为1mm；所述对称射线对总数N的经验值为24；所述阈值T1的经验值为16；所述阈值T2的经验值为70。
[0024]进一步地，根据所述的基于局部聚类和滤波的冠脉分割方法，所述距离聚类的方法为：将数据集X按照定义的距离D划分为N个簇集，每个所述簇集代表一个类，每个所述类有一个类别中心μ
i
；选取欧式距离作为相似性和距离判断准则，计算该类内各点到聚类中心μ
i
的距离小于等于D的簇数N。
[0025]进一步地，根据所述的基于局部聚类和滤波的冠脉分割方法，所述D＝血管的最大半径。
[0026]总体而言，通过本专利技术所构思的以上技术方案较现有技术具有以下有益效果：采
用对称放射滤波器来筛选血管区域，解决了心脏CTA图像中噪声、伪影和非冠脉组织等不相关区域对冠脉分割的干扰的问题；采用基于距离聚类分割方法，可以解决心脏CTA图像中造影剂不均衡，冠脉错层，伪影模糊等问题，从而快速、稳定、高效地进行心脏CTA图像的冠脉分割。
附图说明
[0027]图1为本实施方式基于局部聚类和滤波的冠脉分割方法流程示意图；
[0028]图2为本实施方式的对称放射滤波器的结构示意图；
[0029]图3为本实施方式滤波方法的流程示意图；
[0030]图4(a)为原始数据集X的结构示意图；(b)采用本专利技术的距离聚类方法对数据集X进行聚类的结果示意图；
[0031]图5为本实施方式获得的冠脉本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于局部聚类和滤波的冠脉分割方法，其特征在于，该方法包括如下步骤：步骤1：输入冠脉CTA图像，提取冠脉种子点的感兴趣区域；步骤2：从冠脉种子点的感兴趣区域中获取冠脉强响应点作为冠脉的疑似种子点，获得疑似种子点集合；步骤3：对步骤2获得的疑似种子点集合进行滤波，筛掉假种子点，获得有效种子点集合，且若有效种子点集合为空，则结束，若有效种子点集合非空，则执行步骤4；步骤4：针对有效种子点集合中的种子点，逐点进行区域生长，对第i个种子点执行步骤5至步骤9，直到所有的种子点生长完毕，获得冠脉分割结果；步骤5：对当前种子点进行区域生长，生长的条件是以种子点周围26邻域内的CT均值与方差的和及它们的差作为区域生长的高低阈值，若符合生长条件则获得区域块，并执行步骤6，否则，则令i＝i+1，并返回步骤4；步骤6：对区域块中的每个点进行滤波，去除非冠脉组织上的点；步骤7：对步骤6中获得的区域块进行距离聚类，获得区域块簇集合，使得集合中的每个区域块簇上的点到其聚类中心的距离小于等于设定值；步骤8：把每个区域块簇作为一个新的区域块，并计算当前区域块的CT均值和方差，并以它们的和及它们的差作为区域生长的高低阈值，作为下一次局部区域生长的条件，若待生长的点符合生长条件则获得区域块，执行步骤9，否则，则令i＝i+1，并返回步骤4；步骤9：按照步骤6至步骤8的方法，重复执行步骤6至步骤8，直到没有可生长的区域块时，令i＝i+1，并返回步骤4。2.根据权利要求1所述的基于局部聚类和滤波的冠脉分割方法，其特征在于，在所述冠脉CTA图像上采用阈值分割法提取冠脉种子点的感兴趣区域。3.根据权利要求1所述的基于局部聚类和滤波的冠脉分割方法，其特征在于，采用血管增强滤波器从冠脉种子点的感兴趣区域中获取冠脉强响应点。4.根据权利要求1所述的基于局部聚类和滤波的冠脉分割方法，其特征在于，所述滤波的方法为：...

【专利技术属性】
技术研发人员：杨金柱，黄艳，马春燕，孙奇，袁玉亮，李洪赫，瞿明军，冯朝路，
申请(专利权)人：中国医科大学附属第一医院，
类型：发明
国别省市：