专利名称：基于颈部超声图像的主颈动脉血管提取和厚度测量方法
技术领域：
本发明属于生物医学工程和图像处理交叉领域，具体涉及一种基于颈部超声图像的主颈动脉血管提取和厚度测量方法。
背景技术：
世界卫生组织最新统计数据显示,心血管疾病(Cardiovascular Diseases,CVDs)是世界上三大致死疾病之一。动脉血管壁增厚、形成斑块，进而导致血管狭窄，是动脉粥样硬化的典型病征之一。颈动脉粥样硬化是一种能引发心脏病、中风的心脑血管疾病，严重危害了人类身体健康。因此，对其早期预防、诊断、治疗和监控有着重要意义。2010 年 I 月 20 日，美国心脏学会(American Heart Association, AHA)战略规划 工作委员会发布的十年健康战略目标，即AHA 2020健康战略-《定义和制定促进心血管
健康和减少疾病的国家目标》，首次提出“以改善健康水平为主要目标”，标志着美国心脏学会AHA将心血管疾病CVDs的预防战线进一步前移，不仅针对已具有危险因素的高危人群和患病人群，而且要改善普通人群的健康水平。研究表明，预防和控制心血管疾病CVDs的关键是早检测、早治疗。因此，对动脉粥样硬化的早期检测与防治，对降低心血管疾病CVDs死亡率有着极其重要的临床意义。主颈动脉(Common Carotid Artery, CCA)的血管壁增厚程度可作为衡量病变的重要指标。超声成像技术所特有的“实时、经济、可靠、安全”优点，使得基于该技术的内中膜厚度(Intima-media Thickness, IMT)成为评估颈动脉粥样硬化程度的常用指标之一。超声图像血管提取和厚度测量成为近年的研究热点。首先，就血管提取而言，中国专利申请号为200910106119. 6和201010297322. 9的
两个专利提出了超声图像血管提取的方法，前者针对非序列单张二维超声血管灰度图像，后者应用于血管内超声序列图像，两者均缺乏最终详细的血管信息。如未针对序列图像有针对性地完成分割和方法评价等工作、无法根据主颈动脉CCA内部解剖结构获得最接近真实的血管厚度值、在国产超声机软件升级换代中难以产业化应用。其次，就厚度测量而言，CULEX(Completely User-independent LayerExtraction)和 CALEX(Completely Automatic Layer Extraction)为目前最新颖、最智能的厚度测量方法。两者均可以达到全自动厚度测量，但实现难度大、计算复杂度高。CULEX和CALEX利用不一样的图像特征，采用完全不同的思想——前者利用图像像素的局部统计值来分辨血管腔内像素和组织像素，分割方法则是基于梯度和活动模型的结合；而后者集特征提取、线性拟合和分类于一体。对比两种方法的分割效果可以看出，CALEX对血管腔-内膜LI轮廓的分割不完整，但对中膜-外膜MA轮廓的分割优于CULEX ;同时CULEX受图像噪声和图像伪影影响较大，而且CALEX的执行效率远高于⑶LEX。
发明内容
本发明的目的在于提供一种能全方位、多角度、快速、准确且易于实现、操作方便的主颈动脉CCA血管提取和厚度测量方法。基于颈部超声图像的主颈动脉血管提取和厚度测量方法，包括以下步骤读取颈部超声三维体数据，基于主颈动脉分叉点标记主颈动脉血管中心轴；依据中心轴，按三视图方向投影，切分颈部超声三维体数据，得到二维横断面、矢状面和冠状面序列图像；在二维横断面序列图像的每一张图像中，分别选取各主颈动脉血管感兴趣区域，并对各主颈动脉血管感兴趣区域预处理；在预处理后的各主颈动脉血管感兴趣区域中，分别分割得到各主颈动脉血管的内、外轮廓；依据各二维横断面图像的 主颈动脉血管感兴趣区域的内、外轮廓，按其空间位置关系三维重建，得到三维主颈动脉血管轮廓；在二维矢状面序列图像的每一张图像中，分别选取各主颈动脉血管感兴趣区域，并对各主颈动脉血管感兴趣区域预处理；在预处理后的各主颈动脉血管感兴趣区域中，分别分割得到各主颈动脉血管的内、外轮廓；分别计算各主颈动脉血管的内、外轮廓之间的厚度即内中膜厚度；统计各二维矢状面图像的内中膜厚度均值；在二维冠状面序列图像的每一张图像中，分别选取各主颈动脉血管感兴趣区域，并对各主颈动脉血管感兴趣区域预处理；在预处理后的各主颈动脉血管感兴趣区域中，分别分割得到各主颈动脉血管的内、外轮廓；分别计算各主颈动脉血管的内、外轮廓之间的厚度即内中膜厚度；统计计算各二维冠状面图像的内中膜厚度均值；进一步地，在所述二维横断面序列图像的每一张图像中的主颈动脉血管感兴趣区域中，按照如下方式分割得到各主颈动脉血管的内、外轮廓Al、在二维横断面图像预处理后的主颈动脉血管感兴趣区域中，提取主颈动脉血管的内轮廓，并做平滑处理；A2、依据主颈动脉血管的内轮廓进行椭圆拟合，将拟合得到的椭圆放大后，作为主颈动脉血管的初始外轮廓；A3、依据主颈动脉血管的初始外轮廓，演化得到主颈动脉血管的最终外轮廓。所述步骤Al具体为在二维横断面图像预处理后的主颈动脉血管感兴趣区域中，提取主颈动脉血管的圆心位置和半径，依据圆心位置和半径提取内轮廓。所述步骤A2中椭圆放大比例系数为I. 02^1. 08。所述步骤A3 米用的演化方法为 Active Contour Mode I > GVF-Snake >FastMarchingMethods Level Set、Sparse Field Algorithm 任意一种。进一步地，在所述二维矢状面序列图像的每一张图像中的主颈动脉血管感兴趣区域中，按照如下方式分割得到各主颈动脉血管的内、外轮廓BI、对二维矢状面图像预处理后的主颈动脉血管感兴趣区域内的每一列的点，从上到下依次进行序号标记作为每一列点的索引值；B2、感兴趣区域的粗分割B21、获取下边界轮廓DB :从左到右，顺序扫描二维矢状面图像的主颈动脉血管感兴趣区域的每一列，获得每一列的最大灰度值、最小灰度值以及满足阈值条件的下边界候选点；在下边界候选点中，标记索引值最大的点作为唯一下边界轮廓点；顺次连接所有下边界轮廓点构成下边界轮廓DB ;下边界候选点灰度值GV_di应满足的灰度阈值条件为GVcandidate 彡 aX AGV+GVfflin = aX (GVmax-GVniin)+GVmin，权重系数 a 的取值范围为 0. 87 0. 93 ；
B22、获取上边界轮廓UB :将下边界轮廓DB在二维矢状面图像的主颈动脉血管感兴趣区域中向上平行移动2(T30个像素作为上边界临时轮廓UB_t ;选取大小为XXX的模板，X取8 15像素，利用模板从左到右，从上到下对上边界临时轮廓UB_t和下边界轮廓DB之间的区域进行遍历，计算模板覆盖区域的像素均值EX和方差DX ;若满足均值方差阈值条件EX彡b且DX彡c，b取值范围为0. 05 0. 09，c取值范围为0. lTO. 15，则模板覆盖区域的中心为上边界候选点；若不满足均值方差阈值条件，则对应UB_t轮廓点为上边界候选点；在每一列的上边界候选点中，标记索引值最大者作为唯一上边界轮廓点；顺次连接所有上边界轮廓点构成上边界轮廓UB ；B3、感兴趣区域的细分割在下边界轮廓DB和上边界轮廓UB之间的区域细分割出血管腔、内膜和中膜、外膜和外膜以外组织；B4、提取血管腔与内膜的交界面即为内轮廓，提取中膜与外膜的交界面为外轮廓。所述感兴趣区域的细分割步骤B3中采用C均值、模糊C均值、支撑向量机SVM、 AdaBoost算法中的任意一种。进一步地，在所述二维冠状面序列图像的每一张图像中的主颈动脉血管感兴趣区域中，按照如下方式分割得到各主颈动脉血管的内、外轮廓Cl、采用数学形态学方法在二维冠状面图像预处理后的主颈动脉血管感兴趣区域中初始化内轮廓，依据初始化内轮廓演化生成最终的内轮廓；C2、通过初始内轮廓下移得到初始外轮廓，依据初始外轮廓演化生成最终的外轮廓；所述步骤Cl和C2采用的演化方法为经典蛇形算法、GVF-Snake算法、水平集、MS模型、CV模型演化方法中的任意一种。本发明的有益效果与传统的血管提取和厚度测量方法相比，本发明提供的基于颈部超声图像的主颈动脉CCA血管提取和厚度测量方法，有四点区别(I)不同于传统方法在某一个面上进行血管提取和厚度测量，本发明将颈部超声三维体数据，按三视图方向投影切分，分别得到二维横断面、矢状面和冠状面的序列图像，并在各投影面上分别进行处理；不同于传统方法在某一个面的单帧图像上进行血管提取和厚度测量，本发明有针对性地对三个面的序列图像分别进行处理，经血管分割、提取、测量和计算后，可充分利用原有的完整三维数据信息，获得全方位的血管参数，如血管厚度、面积、体积和斑块大小、数量等；(2)在二维横断面序列图像的每一张图像中的主颈动脉血管感兴趣区域中，分割得到各主颈动脉血管的内轮廓时，引入Hough变换圆检测，获得血管圆心位置和半径参数，从而可指导后续数学形态学中的结构基元大小改变，优化内轮廓分割结果；在二维横断面序列图像的每一张图像中的主颈动脉血管感兴趣区域中，演化得到各主颈动脉血管的外轮廓前，引入椭圆拟合策略作为先验知识，并将拟合的椭圆作为初始外轮廓，更符合血管的生理形状；在二维横断面序列图像的每一张图像中的主颈动脉血管感兴趣区域中，演化得到各主颈动脉血管的外轮廓时,引入主动轮廓模型ACM方法，以解决血管外轮廓的弱边界、难以区分的问题；(3)在二维矢状面序列图像的每一张图像中的主颈动脉血管感兴趣区域中，分割得到各主颈动脉血管的内、外轮廓时，采用“粗-细”两层分割结构；在“粗分割”时，利用灰度阈值条件和均值方差阈值条件加以约束；在“细分害IJ”时，首先引入模糊C均值FCM聚类算法；其次，将血管组织划分为多类；最后再分别合并为三类——“血管腔”、“内中膜”和“外膜及外组织”，获得各交界面轮廓，以提高矢状面内中膜厚度测量的准确度；(4)在二维冠状面序列图像的每一张图像中的主颈动脉血管感兴趣区域中，分割得到各主颈动脉血管的内、外轮廓时，利用数学形态学方法获得其初始内、外轮廓；再通过演化得到最终内、外轮廓；在二维冠状面图像的内中膜分割中，在Snake算法的基础上，再次引入GVF-Snake算法，解决深度凹陷问题，以提高冠状面内中膜厚度测量的精确度。综上，本发明提供的基于颈部超声图像的主颈动脉CCA血管提取和厚度测量方法，首先能有效地应对超声图像的多样性，达到准确、快速分割血管和测量厚度的目的；其次，经定量分析与比较，本方法与手动分割、测量方法误差相当，其应用可直接减轻医务工作者海量的图像手动标记工作量；最后，基于本发明方法分析所得的临床参数(如血管厚度、面积、体积和斑块大小、数量等)，不仅可以直观定量地反映血管病变，而且能为颈动脉粥样硬化的早期防治提供更多的指导意义。
图I为本发明中的具体步骤流程图；图2为本发明中二维序列图像处理的流程图；图3为本发明具体步骤的流程图；图4为标记三维体数据3D_Data分叉点和中轴方向示意图；图5为主颈动脉根据中轴三视图投影切分示意图；图6为二维横断面序列图像(2D_Data_Z)；图7为二维横断面序列图像中的第13张原始图像(2D_Data_Z_k，k=13)；图8为二维矢状面序列图像(2D_Data_Y)；图9为二维矢状面序列图像中的第2张原始图像(2D_Data_Y，j = 2)；图10为二维冠状面序列图像(2D_Data_X)；图11为二维冠状面序列图像(2D_Data_X )中的第I张原始图像(2D_Data_X_i，i=l)；图12为二维横断面序列图像分割流程图；图13为该二维横断面图像的感兴趣区域ROI图；图14为该感兴趣区域ROI预处理逐步结果图图14- Ca)为分段线性拉伸结果图；图14- (b)为SRAD非线性滤波结果图；图15为对预处理感兴趣区域Hough变换圆检测的结果图；图16为对预处理感兴趣区域Canny算子边缘检测的结果图；图17为数学形态学处理结果图；图18为提取的单像素点内轮廓结果图；图19为内轮廓展开点集图；图20为内轮廓展开点集的拟合曲线图；图21为内轮廓复原点集图22为该二维横断面内轮廓分割结果图其中实心圆形点表示手动分割轮廓；实线表示本发明分割轮廓；图23为内轮廓椭圆拟合结果图；图24为该二维横断面外轮廓分割结果图其中实心菱形点表示手动分割轮廓；实心方形点表示本发明分割轮廓；图25为二维矢状面预处理结果图图25- Ca)为归一化结果图；图25- (b)为滤波结果图；图26为二维矢状面感兴趣区ROI预处理结果图；图27为二维矢状面感兴趣区ROI粗分割结果图图27_(a)为原始大小；图27_(13)为放大一倍显示图；图27- (c)为放大两倍显示图； 图28为二维矢状面感兴趣区ROI细分割结果图图28_(a)为原始大小；图28_(13)为放大一倍显示图；图28- (c)为放大两倍显示图；图29为该二维冠状面提取感兴趣区域ROI结果图图29_(a)为原始图；图29_(13)为对应ROI图；图30为该二维冠状面感兴趣区域ROI预处理结果图；图31为该感兴趣区域阈值化结果图；图32为该感兴趣区域填补空洞结果图；图33为该感兴趣区域内膜表面去毛刺结果图；图34为该感兴趣区域内膜修正结果图；图35为内膜的初始轮廓(虚线)和最终轮廓(实线)结果图图35- Ca)为原始大小；图35- (b)为放大一倍显示图；图35- (c)为放大两倍显示图；图36为外膜的初始轮廓(虚线)和最终轮廓(实线)结果图图36- Ca)为原始大小；图36- (b)为放大一倍显示图；图36- (c)为放大两倍显示图；图37为内膜(上)和外膜(下)的初始轮廓(虚线)和最终轮廓(实线)结果图图37- Ca)为原始大小；图37- (b)为放大一倍显示图；图37- (c)为放大两倍显示图；图38为该二维冠状面手动测量内中膜厚度金标准结果图。
具体实施例方式下面结合具体的实施示例及
，对本发明做进一步的详细描述，并给出了本发明的方案验证。—种基于颈部超声图像的主颈动脉CCA血管提取和厚度测量方法，包括以下五个步骤和方案验证，如图I所示；具体的，对每个二维序列图像处理的流程图，如图2所示；总流程图，如3所不。步骤(I)读取颈部超声三维体数据3D_Data，标记主颈动脉分叉点“BF”和中心轴，如图4所示。(I. I)定位分叉点“BF”在三维超声体数据3D_Data中，识别主颈动脉CCA、内颈动脉ICA与外颈动脉ECA，并确定颈动脉分叉点“BF”的位置(参见图4)。(I. 2)定位主颈动脉CCA的中心轴
参考分叉点“BF”的位置，根据主颈动脉CCA生理解剖结构，初步估计中心轴位置，在估计的中心轴上任意选择两点一“点I”和“点2”(参见图4)，“点I”和“点2”的连线作为主颈动脉CCA的中心轴。步骤(2)依据中心轴，按三视图方向投影，如图5所示，切分颈部超声三维体数据3D_Data，分别得到二维横断面序列图像(2D_Data_Z )、二维矢状面序列图像(2D_Data_Y )和二维冠状面序列图像(2D_Data_X)；(2. I) 二维横断面序列图像(2D_Data_Z)按垂直于颈动脉中心轴方向进行切分，得到二维横断面序列图像。一般的，二维横断面序列图像至多有13 15张，如图6所示；本发明中，取第13张作为示例说明，如图7所
/Jn o(2. 2) 二维矢状面序列图像(2D_Data_Y)按平行于颈动脉中心轴方向、从侧面投影进行切分，得到二维矢状面序列图像。一般的，二维矢状面序列图像至多有4飞张，如图8所示；本发明中，取第2张作为示例说明，如图9所示。(2. 3) 二维冠状面序列图像(2D_Data_X)按平行于颈动脉中心轴方向、从正面投影进行切分，得到二维冠状面序列图像。一般的，二维冠状面的序列图像至多有3张，如图10所示；本发明中，取第I张作为示例说明，如图11所示。步骤(3)依据二维横断面序列图像，提取三维主颈动脉血管轮廓。本步骤分割各二维横断面序列图像的内、外血管轮廓，具体分割步骤流程图，如图12所示。在本步骤中，选择二维横断面序列图像(2D_Data_Z)中的一张为例说明本步骤(参见图7)，其它图像均采用同样的方法加以处理，最终获得所有二维横断面序列图像的血管内、外轮廓，从而进行面积、体积等参数计算，提供临床诊疗指标依据，定性地衡量临床病情。鉴于超声序列图像质量整体较差，需经由预处理加以改善；血管提取的关键就是内、夕卜轮廓的分割，本发明中结合血管形态，引入圆、椭圆作为形状先验信息，更加有效的分割血管；为了更好的呈现分割结果，最后再有针对性对内轮廓进行后处理。(3. I)在二维横断面序列图像(2D_Data_Z)中，分别选取各主颈动脉血管感兴趣区域(2D_Data_Z_k_R0I)，并对各主颈动脉血管感兴趣区域预处理。预处理的技术思路为先灰度变化，再滤波降噪。原始的二维横断面图像灰度偏暗、对比度低、噪声较大，因此需要对其做预处理。本发明是为了提取血管，因此只需将二维横断面图像中包含血管的子区域作为感兴趣区域ROI进行预处理，图7的感兴趣区域ROI如图13所示，每个预处理步骤结果如图14所示，预处理过程具体如下(3. I. I)灰度变换(图 14-a)灰度变换是为了提高图像处理时灰度级的动态范围，以提高图像的亮度和对比度，可采用线性拉伸、非线性拉伸、图像增强等方法。本实例选用最简单的分段线性变换函数进行说明，该方法由两个基本操作组成(3. I. I. I)确定对图像进行灰度拉伸的两个拐点；对二维横断面图像作直方图统计，得到L灰度级的图像。把灰度变换处理前后的灰度值分别用r和s分别定义，L灰度级的图像的灰度变换函数表示为s = T(r)。假设P1，P2是分段线性变换函数T (r)的两个拐点，其变换前后的灰度值分别为(a，S1)和(r2，s2)。(3. I. I. 2)灰度变换本实例统计了 10名匿名病人三维体数据，共获得二维横断面图像300张，经统计分析后，设置所关注的原图的灰度级范围为Iirniin, r_]，则P1，P2两个拐点把变换函数T(r)分成3段rmin≤r ≤ !T1, !T1≤r≤r2, r2 ≤ r≤rmax。T (r)的表达式如下所示
权利要求
1.基于颈部超声图像的主颈动脉血管提取和厚度測量方法，包括以下步骤 读取颈部超声三维体数据，基于主颈动脉分叉点标记主颈动脉血管中心轴； 依据中心轴，按三视图方向投影，切分颈部超声三维体数据，得到ニ维横断面、矢状面和冠状面序列图像； 在ニ维横断面序列图像的每ー张图像中，分别选取各主颈动脉血管感兴趣区域，并对各主颈动脉血管感兴趣区域预处理；在预处理后的各主颈动脉血管感兴趣区域中，分别分割得到各主颈动脉血管的内、外轮廓；依据各ニ维横断面图像的主颈动脉血管感兴趣区域的内、外轮廓，按其空间位置关系三维重建，得到三维主颈动脉血管轮廓； 在ニ维矢状面序列图像的每ー张图像中，分别选取各主颈动脉血管感兴趣区域，并对各主颈动脉血管感兴趣区域预处理；在预处理后的各主颈动脉血管感兴趣区域中，分别分割得到各主颈动脉血管的内、外轮廓；分别计算各主颈动脉血管的内、外轮廓之间的厚度即内中膜厚度；统计各ニ维矢状面图像的内中膜厚度均值； 在ニ维冠状面序列图像的每ー张图像中，分别选取各主颈动脉血管感兴趣区域，并对各主颈动脉血管感兴趣区域预处理；在预处理后的各主颈动脉血管感兴趣区域中，分别分割得到各主颈动脉血管的内、外轮廓；分别计算各主颈动脉血管的内、外轮廓之间的厚度即内中膜厚度；统计各ニ维冠状面图像的内中膜厚度均值。
2.根据权利要求I所述的主颈动脉血管提取和厚度測量方法，其特征在于，在所述ニ维横断面序列图像的每ー张图像中的主颈动脉血管感兴趣区域中，按照如下方式分割得到各主颈动脉血管的内、外轮廓 Al、在ニ维横断面图像预处理后的主颈动脉血管感兴趣区域中，提取主颈动脉血管的内轮廓，并做平滑处理； A2、依据主颈动脉血管的内轮廓进行椭圆拟合，将拟合得到的椭圆放大后，作为主颈动脉血管的初始外轮廓； A3、依据主颈动脉血管的初始外轮廓，演化得到主颈动脉血管的最終外轮廓。
3.根据权利要求2所述的基于颈部超声图像的主颈动脉血管提取和厚度測量方法，其特征在于，所述步骤Al具体为在ニ维横断面图像预处理后的主颈动脉血管感兴趣区域中，提取主颈动脉血管的圆心位置和半径，依据圆心位置和半径提取内轮廓。
4.根据权利要求2所述的基于颈部超声图像的主颈动脉血管提取和厚度測量方法，其特征在于，所述步骤A2中椭圆放大比例系数为1.021.08。
5.根据权利要求2所述的基于颈部超声图像的主颈动脉血管提取和厚度測量方法，其特征在于，所述步骤A3采用的演化方法为Active Contour Model、GVF-Snake、FastMarching Methods Level Set、Sparse Field Algorithm 任忌一种。
6.根据权利要求I所述的主颈动脉血管提取和厚度測量方法，其特征在于，在所述ニ维矢状面序列图像的每ー张图像中的主颈动脉血管感兴趣区域中，按照如下方式分割得到各主颈动脉血管的内、外轮廓 BI、对ニ维矢状面图像预处理后的主颈动脉血管感兴趣区域内的每一列的点，从上到下依次进行序号标记，作为每一列点的索引值； B2、感兴趣区域的粗分害I] B21、获取下边界轮廓DB :从左到右，顺序扫描ニ维矢状面图像的主颈动脉血管感兴趣区域的每一列，获得每一列的最大灰度值、最小灰度值以及满足灰度阈值条件的下边界候选点；在下边界候选点中，标记索引值最大的点作为唯一下边界轮廓点；顺次连接所有下边界轮廓点构成下边界轮廓DB。其中，下边界候选点灰度值GV_didate应满足的灰度阈值条件为GV_didate彡aX AGV+GVfflin = aX (GVfflax-GVfflin)+GVfflin,权重系数a的取值范围为0. 87、. 93 ； B22、获取上边界轮廓UB :将下边界轮廓DB在ニ维矢状面图像的主颈动脉血管感兴趣区域中向上平行移动2(T30个像素作为上边界临时轮廓UB_t ;选取大小为XXX的模板，X取8 15像素，利用模板从左到右，从上到下对上边界临时轮廓UB_t和下边界轮廓DB之间的区域进行遍历，计算模板覆盖区域的像素均值EX和方差DX ;若满足均值方差阈值条件EX彡b且DX彡c，b取值范围为0. 05 0. 09，c取值范围为0. lTO. 15，则模板覆盖区域的中心为上边界候选点；若不满足均值方差阈值条件，则对应UB_t轮廓点为上边界候选点；在姆一列的上边界候选点中，标记索引值最大者作为唯一上边界轮廓点；顺次连接所有上边界轮廓点构成上边界轮廓UB ； B3、感兴趣区域的细分割在下边界轮廓DB和上边界轮廓UB之间的区域细分割出血管腔、内膜和中膜、外膜和外膜以外组织； B4、提取血管腔与内膜的交界面即为内轮廓，提取中膜与外膜的交界面为外轮廓。
7.根据权利要求6所述的主颈动脉血管提取和厚度測量方法，其特征在干，所述感兴趣区域的细分割步骤中采用C均值、模糊C均值、支撑向量机SVM、BP、自适应BP、AdaBoost算法中的任意ー种。
8.根据权利要求I所述的主颈动脉血管提取和厚度測量方法，其特征在于，在所述ニ维冠状面序列图像的每ー张图像中的主颈动脉血管感兴趣区域中，按照如下方式分割得到各主颈动脉血管的内、外轮廓 Cl、采用数学形态学方法在ニ维冠状面图像预处理后的主颈动脉血管感兴趣区域中初始化内轮廓，依据初始化内轮廓演化生成最终的内轮廓； C2、通过初始内轮廓下移得到初始外轮廓，依据初始外轮廓演化生成最終的外轮廓。
9.根据权利要求8所述的主颈动脉血管提取和厚度測量方法，其特征在于，所述步骤 Cl和C2采用的演化方法为经典蛇形算法、GVF-Snake算法、水平集、MS模型、CV模型演化方法中的任意ー种。
全文摘要
本发明公开了一种基于颈部超声图像的主颈动脉血管提取和厚度测量方法，具体为读取颈部超声三维体数据，基于主颈动脉分叉点标记主颈动脉中轴；对颈部超声三维体数据按三视图方向，依次投影切分得到二维横断面、冠状面和矢状面序列图像；分别对二维横断面、冠状面和矢状面序列图像做预处理、分割、重建或内中膜厚度统计，得到最终的颈部超声主颈动脉血管壁内外轮廓和血管壁厚度等相关信息。本发明克服现有计算机辅助诊断中血管分割方法计算复杂度大，不能准确测量血管管壁厚度，主观因素易造成误差等缺点，能够完整、快速、准确地得到颈部超声主颈动脉血管壁内外轮廓和血管壁厚度。本发明与手动分割方法相比，操作快捷，可用于颈部粥样硬化以及心血管疾病的辅助诊断和防治。
文档编号G06T7/00GK102800089SQ20121021822
公开日2012年11月28日 申请日期2012年6月28日 优先权日2012年6月28日
发明者丁明跃, 杨鑫, 金娇英, 贺婉佶, 程洁玉, 李鹤, 尉迟明, 张旭明, 侯文广, 王龙会 申请人:华中科技大学