脑部磁共振血管造影数据的分割方法及装置制造方法及图纸

本发明专利技术提供一种脑部磁共振血管造影数据的分割方法及装置，该脑部磁共振血管造影数据的分割包括以下步骤：获取脑部磁共振血管造影数据；获取MAP-MRF模型的参数的值；确定血管的目标候选空间；在血管的目标候选空间内根据得到的参数的值采用迭代条件模式对MAP-MRF模型进行分割得到血管的最终分割结果。上述脑部磁共振血管造影数据的分割方法是在目标候选空间内完成血管的分割，因此极大的减少了计算时间，能够快速分割出脑部血管。

【技术实现步骤摘要】

本专利技术涉及一种图像处理方法，特别是涉及一种脑部磁共振血管造影数据的分割方法及装置。
技术介绍
每年有大量患者受到由血栓、出血、动脉畸形、狭窄导致的中风等脑血管疾病的影响。因此，精确地分割脑血管对于诊断、外科手术、术前计划等有着重要的临床意义。由于脑血管具有复杂的三维形态和较细的结构，所以其图像分割是很有挑战性的。磁共振血管造影(MRA, magnetic resonance angiography)是一种非倾入式的流成像和三维体数据生成技术。有很多方法可以用来进行MRA的分割，这些方法可分为基于骨架的和非骨架的两类方法。前者分割和重建血管通过先探测血管中心线的方法，而后者则直接提取三维血管。基于非骨架的方法分为多尺度分析法、形变模型法、统计模型法以及混合模型法。其中，多尺度分析法在遇到并邻的血管，以及血管直径发生突变时(如血管狭窄、血管瘤)等情况时无法产生有效的观测结果。形变模型法很难探测到低对比度血管，并且严重依赖于模型参数和理想的血管形状特征，无法探测到病理变化的血管。统计模型法将三维MRA数据集中不同解剖结构的感兴趣区看做不同类别数据，每一类服从一种特殊的边缘概率分布模式。然而统计模型法只能提取有限的血管网络。在利用统计学模型解决血管分割问题时，面对的主要挑战是(I)如果各类分布的的强度互相重叠、并且具有很大的类间方差、以及较小的类间距时，模型的计算结果往往误差很大；(2)由于统计学模型只处理和分析强度信息，缺少空间约束，往往将灰度相同的目标和背景当做同一类数据进行分割。因此，常用的血管分割方法无法快速、准确的对血管进行分割。
技术实现思路
基于此，有必要提供一种脑部磁共振血管造影数据的分割方法及装置，采用该脑部磁共振血管造影数据的分割方法能够快速地分割出脑部血管。一种脑部磁共振血管造影数据的分割方法，包括以下步骤获取脑部磁共振血管造影数据；获取MAP-MRF模型的参数的值；确定血管的目标候选空间；在血管的目标候选空间内根据得到的参数的值采用迭代条件模式对MAP-MRF模型进行分割得到血管的最终分割结果。在其中一个实施例中，所述获取MAP-MRF模型的参数的值的步骤之前还包括采用多尺度滤波方法对脑部磁共振血管造影数据进行处理。在其中一个实施例中，所述获取MAP-MRF模型的参数的值的步骤包括以下步骤选择一个第一阈值Y !对脑部磁共振血管造影数据进行处理得到血管的初始候选空间，并估计出其中一个参数的大概值，其中Y1E (O, I);利用无监督K均值聚类算法及得到的参数的大概值得到脑部磁共振血管造影数据的参数集；利用EM算法估计参数的准确值。在其中一个实施例中，所述确定血管的目标候选空间的步骤包括选择一个第二阈值Y 2对脑部磁共振血管造影数据进行处理得到目标候选空间，其中0〈 Y 2〈 Y ^l0在其中一个实施例中，所述MAP-MRF模型的参数包括均值、方差及混合比例。在其中一个实施例中，所述在血管的目标候选空间内利用MAP-MRF模型及得到的参数的值得到血管的初步分割的步骤是结合MAP-MRF模型的多模式邻域系统和对应的势团能量函数，并在确定的正则化参数作用下进行的。在其中一个实施例中，所述正则化参数采用最大伪似然迭代逼近算法进行估计。在其中一个实施例中，所述在血管的目标候选空间内根据得到的参数的值采用迭代条件模式对MAP-MRF模型进行分割得到血管的最终分割结果的步骤中，当迭代次数等于指定数值或者所有标记不在变化时算法终止。一种脑部磁共振血管造影数据的分割装置，包括用于获取脑部磁共振血管造影数据的数据获取模块；用于获取MAP-MRF模型的参数的值的参数获取模块；用于确定血管的目标候选空间的目标候选空间确定模块；用于在血管的目标候选空间内根据得到的参数的值采用迭代条件模式对MAP-MRF模型进行分割得到血管的最终分割结果的血管分割模块。在其中一个实施例中，所述脑部磁共振血管造影数据的分割装置还包括用于采用多尺度滤波方法对脑部磁共振血管造影数据进行处理的多尺度滤波模块。上述脑部磁共振血管造影数据的分割方法及装置是在目标候选空间内完成血管的分割，因此极大的减少了计算时间，能够快速分割出脑部血管。附图说明图1为一个实施例的脑部磁共振血管造影数据的分割方法的流程图2为获取MAP-MRF模型的参数的值的流程图。具体实施方式请参考图1，一个实施例提供一种脑部磁共振血管造影数据的分割方法，该脑部磁共振血管造影数据的分割方法包括以下步骤步骤S110，获取脑部磁共振血管造影数据。采用多尺度滤波方法对脑部磁共振血管造影数据进行处理。以增强血管和抑制噪声，得到归一化的响应结果&，且Rf e [O, I]。步骤S120,获取 MAP-MRF (maximum posterior1-Markov random field,最大后验概率-马尔可夫随机场)模型的参数的值。此处的参数包括均值、方差及混合比例。该步骤S120，获取MAP-MRF模型的参数的值主要包括如下步骤。步骤S121，选择一个第一阈值Y !对脑部磁共振血管造影数据进行处理得到血管的初始候选空间，并估计出其中一个参数的大概值，其 中Y1E (O, I) O也就是采用阈值分析技术确定其中一个参数的大概值。具体的，选择一个第一阈值^对士取阈值，其中Y1E (O, I)。我们可以认为Y1 < Rf彡I所对应空间区域代表血管，此处为血管空间，并用V表示；而0彡RfS Y1所对应的空间代表背景，此处为背景空间，并用B表示。第一阈值Y1的选择的过大则估计的初始血管均值偏大，反之则偏小。为了恰当地选择第一阈值Y1，我们可以比较血管空间V相对于头部容积H的经验比值确定第一阈值^1，此处￥与!1的比值范围是1%〈￥/!1〈5%。确定血管与背景后可以估计出其中一个参数的大概值，这个参数为血管均值，此处得到的为血管均值的大概值。步骤S122，利用无监督K均值聚类算法及得到的参数的大概值得到脑部磁共振血管造影数据的参数集。此处采用I个瑞利分布和2个高斯分布模拟脑部磁共振血管造影数据的背景，再用I个高斯分布模拟脑部磁共振血管造影数据的血管。基于这些边缘概率分布函数拟合直方图，并采用阈值分析技术自动估计得到的血管均值的初始值，然后利用无监督K均值聚类算法得到脑部磁共振血管造影数据的参数集。步骤SI23,利用 EM 算法(Expectation-maximization algorithm,最大期望算法)估计参数的准确值。步骤S130，确定血管的目标候选空间。确定血管的目标候选空间可以进一步缩小脑部磁共振血管造影数据的计算空间，从而可以减少计算量，加快计算速度。此处是选择一个第二阈值Y 2对脑部磁共振血管造影数据进行处理得到目标候选空间，其中0<y2<y1<lo步骤S140，在血管的目标候选空间内根据得到的参数的值采用迭代条件模式(ICM, Iterated Conditional Mode)对MAP-MRF模型进行分割得到血管的最终分割结果。此处是在血管的目标候选空间内进行的。该步骤S140，在血管的目标候选空间内根据得到的参数的值采用迭代条件模式对MAP-MRF模型进行分割得到血管的最终分割结果的步骤是结合MAP-MRF模型的多模式邻域系统和本文档来自技高网...

【技术保护点】
一种脑部磁共振血管造影数据的分割方法，其特征在于，包括以下步骤：获取脑部磁共振血管造影数据；获取MAP?MRF模型的参数的值；确定血管的目标候选空间；在血管的目标候选空间内根据得到的参数的值采用迭代条件模式对MAP?MRF模型进行分割得到血管的最终分割结果。

【技术特征摘要】
1.一种脑部磁共振血管造影数据的分割方法，其特征在于，包括以下步骤获取脑部磁共振血管造影数据；获取MAP-MRF模型的参数的值；确定血管的目标候选空间；在血管的目标候选空间内根据得到的参数的值采用迭代条件模式对MAP-MRF模型进行分割得到血管的最终分割结果。2.根据权利要求1所述的脑部磁共振血管造影数据的分割方法，其特征在于，所述获取MAP-MRF模型的参数的值的步骤之前还包括采用多尺度滤波方法对脑部磁共振血管造影数据进行处理。3.根据权利要求1所述的脑部磁共振血管造影数据的分割方法，其特征在于，所述获取MAP-MRF模型的参数的值的步骤包括以下步骤选择一个第一阈值Y1对脑部磁共振血管造影数据进行处理得到血管的初始候选空间，并估计出其中一个参数的大概值，其中Y1 e (O, I)；利用无监督K均值聚类算法及得到的参数的大概值得到脑部磁共振血管造影数据的参数集；利用EM算法估计参数的准确值。4.根据权利要求3所述的脑部磁共振血管造影数据的分割方法，其特征在于，所述确定血管的目标候选空间的步骤包括选择一个第二阈值Y 2对脑部磁共振血管造影数据进行处理得到目标候选空间，其中0〈 Y 2〈 Y ^1。5.根据权利要求1所述的脑部磁共振血管造影数据的分割方法，其特征在于，所述 MAP-MRF模型的参数包括均值、方差及混合比例。6.根据权利要求1至...

【专利技术属性】
技术研发人员：周寿军，胡庆茂，谢耀钦，辜嘉，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：