基于帧间形状约束的gcv模型分割主动脉瓣超声图像序列方法
【专利摘要】本发明公开了一种基于帧间形状约束的GCV模型分割主动脉瓣超声图像序列方法，其包括如下步骤：获取一组超声图像并进行维纳滤波；逐帧计算各图像的梯度矢量流场并将其作为能量约束加入到CV模型，得到GCV模型；通过定义初始约束形状，将其作为能量约束项加入GCV模型中，然后最小化能量泛函，得到第一帧图像的分割结果；对相邻上一帧图像的主动脉瓣分割结果进行滚球法滤波，所得结果作为能量约束项加入到GCV模型中，计算得到当前帧的分割结果。本发明是针对超声心动图的短轴图像进行操作的，不仅大大减少了医生的工作量，而且解决了现有技术中主动脉瓣超声图像分割中严重溢出的问题，其分割结果与手动分割结果极为接近，能够简单而高效的分割出主动脉瓣。
【专利说明】基于帧间形状约束的GCV模型分割主动脉瓣超声图像序列方法
【技术领域】
[0001]本发明涉及医学超声图像分割方法，具体的说是一种基于帧间形状约束的GCV模型分割主动脉瓣超声图像序列方法。
【背景技术】
[0002]在我国，主动脉瓣膜类疾病是一种最常见也是最复杂、危险的心血管疾病，严重危害着人类的身体健康。主动脉瓣位于左心室流出道末端与主动脉交界处，其作用就像一个“单向阀门”，防止血液回流，保证心脏泵血功能正常良好。由于B超安全无创、简单便宜、可重复进行的特点，目前在临床诊断中已经广泛使用超声心动图观察主动脉瓣的形状和位置。其超声图像中主动脉瓣的准确分割不仅可以辅助医生临床诊断，同时也是图像引导非介入瓣膜类手术的基础。但是，由于其超声图像具有低对比度、存在大量斑点超声和主动脉瓣不断进行开闭运动的特点，目前在临床诊断中，主要是凭借拥有大量临床经验的医生对主动脉瓣超声图像进行一张一张的手动分割，这不仅大大增加了医生的工作量，而且对于临床经验比较欠缺的医生而言，进行手动分割也是一项比较不容易完成的工作。
[0003]为解决手动分割存在的种种不便，目前在国内外已经有不少学者提出了多种超声图像的自动或半自动分割的方法。如在国内，2005年，尚叶峰等人提出了基于区域形状先验的测地主动轮廓分割超声图像中心脏瓣膜的方法；在国外，2006年，Sebastien Martin等人提出一种基于主动轮廓模型分割超声图像中三尖瓣的半自动方法。但是现有的这些方法，主要都是针对超声心动图中的长轴图像的，使用这些方法对主动脉瓣超声图像进行分割时，由于超声图像边缘模糊且有大量噪声，弱边缘处存在大量溢出，从而使得分割结果不够精确、可信。基于现有方法存在的问题，研究者试图对超声短轴图像的主动脉瓣分割进行分割，但目前关于超声短轴图像分割方法的研究还很少。
【发明内容】
[0004]本发明的目的是提供一种基于帧间形状约束的GCV模型分割主动脉瓣超声图像序列方法，以解决现有技术存在的针对超声长轴图像进行主动脉瓣超声图像分割时存在不完整和严重溢出的问题。
[0005]本发明的目的是按如下的技术方案实现的:
[0006]一种基于帧间形状约束的GCV模型分割主动脉瓣超声图像序列方法，其包括以下步骤:
[0007]a)获取一组连续的主动脉瓣超声图像序列，数量为M，并提取每一帧图像的扇形区域，非扇形区域的阈值为255 ;然后对每一帧图像进行维纳滤波；
[0008]b)进行维纳滤波后，计算每一帧图像的梯度矢量流场；并且在各图像上均随机定义一个初始演化曲线；
[0009]通过计算各所述初始演化曲线法向量方向与各所述梯度矢量流场方向夹角的余弦值，将梯度矢量流场作为能量约束项加入到CV模型框架，得到各图像的GCV模型；
[0010]c)在第I帧图像上手动定义四个点，然后利用B样条插值形成闭合曲线，将该闭合曲线作为初始约束形状；然后利用形状比较函数将该初始约束形状作为能量约束项加入到第I帧图像的GCV模型中，然后最小化该GCV模型的能量泛函，得到第I帧图像的主动脉瓣分割结果；
[0011]d)对第m帧图像的主动脉瓣分割结果进行滚球法滤波，得到的结果作为第m+1帧图像的非初始约束形状，然后利用形状比较函数将该非初始约束形状作为能量约束项加入到第m+1帧图像的GCV模型中，然后最小化该GCV模型的能量泛函，得到第m+1帧图像的主动脉瓣分割结果；其中，I < m < M-1。
[0012]本发明的方法，b)步所述计算每一帧图像的梯度矢量流场的方法具体是:最
小化能量函数
【权利要求】
1.一种基于帧间形状约束的GCV模型分割主动脉瓣超声图像序列方法，其特征在于包括以下步骤: a)获取一组连续的主动脉瓣超声图像序列，数量为M，并提取每一帧图像的扇形区域，非扇形区域的阈值为255 ;然后对每一帧图像进行维纳滤波； b)进行维纳滤波后，计算每一帧图像的梯度矢量流场，并且在各图像上均随机定义一个初始演化曲线； 通过计算各所述初始演化曲线法向量方向与各所述梯度矢量流场方向夹角的余弦值，将梯度矢量流场作为能量约束项加入到CV模型框架，得到各图像的GCV模型； c)在第I帧图像上手动定义四个点，然后利用B样条插值形成闭合曲线，将该闭合曲线作为初始约束形状；然后利用形状比较函数将该初始约束形状作为能量约束项加入到第I帧图像的GCV模型中，然后最小化该GCV模型的能量泛函，得到第I帧图像的主动脉瓣分割结果； d)对第m帧图像的主动脉瓣分割结果进行滚球法滤波，得到的结果作为第m+1帧图像的非初始约束形状，然后利用形状比较函数将该非初始约束形状作为能量约束项加入到第m+1帧图像的GCV模型中，然后最小化该GCV模型的能量泛函，得到第m+1帧图像的主动脉瓣分割结果；其中，1≤m≤M-1。
2.根据权利要求1所述的基于帧间形状约束的GCV模型分割主动脉瓣超声图像序列方法，其特征是，b)步所述计算每一帧图像的梯度矢量流场的方法具体是:最小化能量函数
3.根据权利要求1所述的基于帧间形状约束的GCV模型分割主动脉瓣超声图像序列方法，其特征是，b)步所述将梯度矢量流场作为能量约束项加入到CV模型框架从而得到GCV模型的公式具体是:
4.根据权利要求1所述的基于帧间形状约束的GCV模型分割主动脉瓣超声图像序列方法，其特征是，d)步所述滚球法滤波是用数学形态学中球形结构元对第m帧的主动脉瓣的分割结果进行腐蚀、膨胀运算，即:R(F，B) =F ο B=(FQB) ? B ;式中，F表示第m帧的分割结果，B表示球形结构元，其半径取15~22像素。
5.根据权利要求1所述的基于帧间形状约束的GCV模型分割主动脉瓣超声图像序列方法，其特征是，c)步所述将初始约束形状或d)步所述将非初始约束形状作为能量约束项加入到GCV模型的公式如下:
【文档编号】G06T7/00GK103606145SQ201310522101
【公开日】2014年2月26日 申请日期:2013年10月29日 优先权日:2013年10月29日
【发明者】顾力栩, 董斌, 郭怡婷, 王兵 申请人:河北大学