一种医学图像上血管的分割方法与流程

本发明涉及医学图像的分析技术领域，特别地，涉及一种在医学图像上将血管清楚分割的方法。

背景技术：

临床或研究中，在对肝区进行分析时，经常取肝静脉期注入造影剂后投影的数据进行混合滤波后，对肝脏区域的图像进行分割提取。肝区域内的血管在图像上表现为一个一个大小不等、亮度不均的亮斑。对于这些亮斑的提取，最简单实用的办法，是使用全局阈值加数学形态学处理提取重建：

(1)对数据进行阈值门限分割，提取肝区域内的两套血管(肝静脉和门静脉)。

(2)用数学形态学中的膨胀和腐蚀，或是开闭运算，优化提取结果，消除掉那些白色小区域。

(3)对分割提取处理的血管进行三维重建，实验结果如图1所示。

从结果中可以看出，经过设定全局阈值，并且根据需要调解阈值的大小，可以提取出所有的血管，与此同时还会有许多细小的杂点，经过膨胀腐蚀运算后，可以有效地消除这些小杂点，这种方法简单有效。

再选取静脉期的一套完整数据，数据大小为512×512×156，灰度等级为256，首先进行肝区域的提取，然后使用混合滤波处理。对分割处理后的数据使用全局阈值提取血管，用腐蚀+膨胀运算消除杂点，对结果图像进行重建。

分别选取全局阈值175和200进行阈值分割的图像如图2所示。从重建的结果中我们可以看出：这种办法的优点是算法简单，运行速度快。缺点是重建结果中存在较多的离散点与离散斑块，而且存在与任何主干血管都不连通的离散单支血管，最关键的问题是肝静脉与门静脉无法有效的区分。并且全局阈值的选取对结果影响很大，阈值选取过小，结果中离散的点和块过多；阈值选取过大，则降低了血管的等级和精细度。

技术实现要素：

本发明目的在于提供一种在医学图像上将血管清楚分割的方法，以解决目前肝区图像中肝静脉与门静脉无法有效区分、血管精细度不够的技术问题。

为实现上述目的，本发明提供了一种医学图像上血管的分割方法，包括步骤：

a、将种子点放入存储生长种子的堆栈队列，种子点p(x,y,n)须满足以下条件：

其中，vp(x,y,n)是种子点p(x,y,n)的灰度值；为先验知识确定的图像中血管区域的平均灰度值，th是所选取的阈值；

或者，对种子区域r中的像素进行灰度统计，计算其方差和均值，分别记为和δi²，1≤i≤n，n为区域内像素的个数；

b、设置生长准则t：

t＝tv→r+ωt'v→r2)

式中，tv→r反映了当前体素点与区域r的相似度，vp为当前体素点p的灰度值，为区域r的平均灰度值，δ为区域r的方差；c为一个设为1的常数，n分别表示当前体素邻域的大小，n取6、18或26；nr表示邻域中已划分到区域中体素的个数；α取值为常数1；

ω为加权因子，取值范围为0-1.0；

c、从队列中或者种子区域中依次取出种子点，判断种子点邻域体素是否满足生长准则，若满足生长准则，则将其作为新的种子放入队列或种子区域，反复进行，直到队列或种子区域为空。

优选的，步骤a中，对于每一个选定的区域r，依据正态分布的3δ原则，视的样本点为不合理的种子点，予以提出，然后重新计算区域内的均值和方差，直到无不合理点为止。

优选的，ω参数与全局灰度门限th一同进行调节。

优选的，将两套血管的生长结果分别标注为两种颜色。

本发明具有以下有益效果：

本发明在生长准则中对全局灰度准则进行加权，加入局部邻域信息，消除离散区域，有效地改善图2中的单支不连通血管、离散点和离散斑块的问题，使得血管图像整体连贯、轮廓清晰、细节精细，更好地重现肝区原貌，为医疗和研究提供有力支撑。

肝区相连通的两个最大区域，为肝静脉和门静脉血管区域。本申请通过连通满足相似性条件的种子点，抛弃不满足相似性条件的种子点，形成对三维连通域的检测，实现肝静脉和门静脉很好的区分开，如图3和图4所示。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是现有技术的数学形态学+膨胀腐蚀运算后重建的图像；

图2是现有技术的选取全局阈值175和200进行阈值分割后重建的图像，图(a)为全局阈值选取175的图像，图(b)为全局阈值选取200的图像；

图3是本发明优选实施例的重建图像之一；

图4是本发明优选实施例的重建图像之二。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。

三维区域生长需要首先设置一个或多个体素作为种子，然后根据某种事先确定的生长准则，将种子周围邻域中与种子有相同或相似性质的体素合并到种子体素所在的区域中，并将这些体素当作新的种子继续进行上述过程，直到没有满足条件的体素可被包含进来，则生长过程结束。在三维区域生长过程中，通常需要两个数据结构：

(1)用于存储生长种子的堆栈，初始化时首先将种子放入队列，然后从队列中依次取出种子，判断其邻域体素，若满足生长准则，则将其作为新的种子放入队列，反复进行，直到队列为空。

(2)用于标识分割结果的掩模，通常掩模的大小与3d图像大小相同。

算法基本流程如下：

(1)种子点的选择。可选取一个点作为种子点，也可以选出一块划定的区域为种子区域。可通过鼠标操作，用线条、矩形或圆形等形状在切片图像中标识出血管种子候选区域。对种子点或种子区域的选取作如下改进：

如果选取一个点p(x,y,n)作为种子点，p(x,y,n)必须满足以下条件：

在上式中，vp(x,y,n)为种子点p(x,y,n)的灰度值；为先验知识确定的图像中血管区域的平均灰度值，th是所选取的阈值。

如果选取的是一个区域r，则对r中的像素进行灰度统计，计算其方差和均值，分别记为和δi²，1≤i≤n，n为区域内像素的个数。对于每一个选定的区域r，依据正态分布的3δ原则，视的样本点为不合理的种子点，予以踢出，然后重新计算区域内的均值和方差，直到无不合理点为止。

(2)设置生长准则，进行生长。

通常，检验一个体素点p与区域r的相似性大小的准则为：

式中，vp为当前体素点p的灰度值，为区域r的平均灰度值，δ为区域r的方差，tv→r反映了当前体素点与区域r的相似度。这样我们设置阈值th，以6邻域，或18邻域，26邻域作为检验范围，就可以判断每一个与区域r相邻的体素点是否属于区域r。当一个点添加到区域r中后，更新和δ，再向区域r的其他相邻体素继续生长，直到无满足条件的点为止。

这种生长准则只考虑到了每一个点的灰度信息，而没有考虑每一个体素点与生长区域的局部结构信息。实际中表现为血管壁上会出现很多的毛刺点，为此，发明人对准则作了如下的改进，对全局灰度准则进行加权，加入局部邻域信息：

式中，c为一个常数，实际中可以设为1，n和nr分别表示当前体素邻域大小，邻域中已划分到区域中体素的个数。n可以根据实际情况取6，18或26，n取值越大，计算量越大，反映的相似性就越全面，一般取6就可以满足应用要求。准则反映了当前体素p与其近邻体素的相似性大小，是一种局部相似性评价准则。

最终的生长准则为两者的加权：

t＝tv→r+ωt'v→r(3.16)

加权因子ω的取值是制约生长准则一个关键的因素，实际中可以将ω参数与全局灰度门限th一同进行调节(一同调节就是遍历搜索，即ω在0-1.0之间，th在区域灰度最大值的一半以内进行搜索)，以达到最佳的效果。

(3)人工选取肝静脉和门静脉的根节点血管区域，作为种子生长区域，利用上面的种子点种子区域选区准则，生长准则，进行生长。将两套血管的生长结果分别标注为两种颜色，结果如图3和图4所示。图中可以看出，肝静脉和门静脉已经很好的区分开，这种方法和阈值分割法比起来，可以更有效的消除离散区域，使得图像连贯清晰。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。