佳实施方式中所提出的分割方法对具有不同统计学特性的数据 具有很好的鲁棒性。
[0109] 本发明第二较佳实施方式提供一种普适的血管分割系统，所述系统如图10所示， 包括：
[0110] 增强单元1001，用于对输入的血管造影原始图像数据进行多尺度滤波后获得增强 后的图像；
[0111] 拟合单元1002，用于对增强后的直方图曲线拟合血管数据和拟合噪声数据得到增 强后的图像的混合模型；
[0112]参数估计单元1003，用于对混合模型中的参数进行参数估计处理；
[0113]分离单元1004,用于通过最大后验概率估计法则将经过参数估计处理的混合模型 中的血管从图像中分离出来。
[0114]可选的，增强单元1001具体，用于多尺度滤波算法通过尺度变换，利用Hessian矩 阵的特征值计算局部血管出现的概率，所述血管增强函数如下：
[0116] 其中，Ra，Rb，S为三个测度函数，如公式(2)所示，且Ra用来区分片状和线状结构，Rb 用来区分点状结构和线状结构，S用于区分背景像素，α，β和c分别可以为个测度的阈值用于 控制；
[0118] 可选的，拟合单元1002具体，用于
[0119] 混合模型f(x)如式(3)所示：
[0121]其中，fEi(x)(l = l，2)和fc(x)分别表示指数分布和高斯分布，如式⑷所示，wei(1 =1，2)为指数分布所占的比例，wc可以为高斯分布所占的比例，
[0123] 可选的，参数估计单元1003具体，用于
[0124] 当原始血管造影图像的峰值点超过3个时，则用3个峰值点完成k均值的初始化完 成参数估计处理，否则，采用如下规则完成k均值算法的初始化；
[0126] 其中，Imax是原始图像中像素最大值，
表不k均值算法 的初始聚类中心，n，wk」，（1 = 1，2，3)是由k均值聚类算法估计得到的三个分布的模 型参数，
[0127]
[0128]由EM算法得到的迭代更新公式如公式(7)和(8):
[0131]其中，是第j个体素的强度值，N是体素的总数，后验概率fk(Ei|Xj)和f k(G|x〇由 贝叶斯公式计算如下：
[0133]可选的，分离单元1004具体，用于
[0134] 由最大后验概率估计法则，根据公式(10)可以最终把血管从图像中分离出来：
[0135] WGfc(xj) >WElfEl(xj)+WE2fE2(xj) (10) 〇
[0136] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精 神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
【主权项】
1. 一种普适的血管分割方法，其特征在于，所述方法包括如下步骤： 对输入的血管造影原始图像数据进行多尺度滤波后获得增强后的图像； 对增强后的直方图曲线拟合血管数据和拟合噪声数据得到增强后的图像的混合模型； 对混合模型中的参数进行参数估计处理； 通过最大后验概率估计法则将经过参数估计处理的混合模型中的血管从图像中分离 出来。2. 根据权利要求1所述的方法，其特征在于，所述对输入的血管造影原始图像数据进行 多尺度滤波后获得增强后的图像具体，包括： 多尺度滤波算法通过尺度变换，利用化ssian矩阵的特征值计算局部血管出现的概率， 所述血管增强函数如下：(1) 其中，Ra，化，S为Ξ个测度函数，如公式(2)所示，且Ra用来区分片状和线状结构，1?用来 区分点状结构和线状结构，S用于区分背景像素，α，β和C分别可W为个测度的阔值用于控 制；己3. 根据权利要求1所述的方法，其特征在于，所述对增强后的直方图曲线拟合血管数据 和拟合噪声数据得到增强后的图像的混合模型具体，包括： 混合模型f(x)如式(3)所示：(3) 其中，fEi(x)(l = l，2)和fc(x)分别表示指数分布和高斯分布，如式(4)所示，WE1(1 = 1， 2)为指数分布所占的比例，W可W为高斯分布所占的比例，且满足(斗)。4.根据权利要求1所述的方法，其特征在于，所述对混合模型中的参数进行参数估计处 理具体，包括： 当原始血管造影图像的峰值点超过3个时，则用前3个峰值点完成k均值的初始化完成 参数估计处理，否则，采用如下规则完成k均值算法的初始化；<：5) 其中，Imax是原始图像中像素最大值I示k均值算法的初始 聚类中屯、，μυ，0k_i，Wk_i，（1 = 1，2，3)是由k均值聚类算法估计得到的Ξ个分布的模型参数，(6) 由EM算法得到的迭代更新公式如公式(7)和(8):(7)(S) 其中，X堤第j个体素的强度值，N是体素的总数，后验概率fk化i|xj)和fk(G|x^由贝叶 斯公式计算如下：(9)。5.根据权利要求1所述的方法，其特征在于，所述通过最大后验概率估计法则将经过参 数估计处理的混合模型中的血管从图像中分离出来具体，包括： 由最大后验概率估计法则，根据公式(10)可W最终把血管从图像中分离出来： WGfG(xj)>WElfEl(xj)+WE2fE2(xj) (1〇) 〇 6 . -种普适的血管分割系统，其特征在于，所述系统包括： 增强单元，用于对输入的血管造影原始图像数据进行多尺度滤波后获得增强后的图 像； 拟合单元，用于对增强后的直方图曲线拟合血管数据和拟合噪声数据得到增强后的图 像的混合模型； 参数估计单元，用于对混合模型中的参数进行参数估计处理； 分离单元，用于通过最大后验概率估计法则将经过参数估计处理的混合模型中的血管 从图像中分离出来。7.根据权利要求6所述的系统，其特征在于，所述增强单元具体，用于多尺度滤波算法 通过尺度变换，利用化ssian矩阵的特征值计算局部血管出现的概率，所述血管增强函数如 下：(1) 其中，Ra，化，S为Ξ个测度函数，如公式(2)所示，且Ra用来区分片状和线状结构，1?用来 区分点状结构和线状结构，S用于区分背景像素，α，β和C分别可W为个测度的阔值用于控 制；Q8. 根据权利要求6所述的系统，其特征在于，所述拟合单元具体，用于混合模型f(x)如 式(3)所示：(3) 其中，fEi(x)(l = l，2)和fc(x)分别表示指数分布和高斯分布，如式(4)所示，WE1(1 = 1， 2)为指数分布所占的比例，W可W为高斯分布所占的比例，且满足(4)。9. 根据权利要求6所述的系统，其特征在于，所述参数估计单元具体，用于 当原始血管造影图像的峰值点超过3个时，则用前3个峰值点完成k均值的初始化完成 参数估计处理，否则，采用如下规则完成k均值算法的初始化；(5) 其中，Imax是原始图像中像素最大值表示k均值算法的初始 聚类中屯、，μυ，0k_i，Wk_i，（1 = 1，2，3)是由k均值聚类算法估计得到的Ξ个分布的模型参数，其中，X堤第j个体素的强度值，N是体素的总数，后验概率fk化i|xj)和fk(G|x^由贝叶 斯公式计算如下：(9 J。10.根据权利要求6所述的系统，其特征在于，所述分离单元具体，用于 由最大后验概率估计法则，根据公式(10)可W最终把血管从图像中分离出来： WGfG(xj)>WElfEl(xj)+WE2fE2(xj) (1〇) 〇
【专利摘要】本发明属于医疗图像领域，提供一种普适的血管分割方法及系统，所述方法包括如下步骤：对输入的血管造影原始图像数据进行多尺度滤波后获得增强后的图像；对增强后的直方图曲线拟合血管数据和拟合噪声数据得到增强后的图像的混合模型；对混合模型中的参数进行参数估计处理；通过最大后验概率估计法则将经过参数估计处理的混合模型中的血管从图像中分离出来。本发明提供的技术方案具有适应性普遍的优点。
【IPC分类】G06T7/00
【公开号】CN105551041
【申请号】CN201510934482
【发明人】陆培, 周寿军, 王磊, 李志成, 熊璟, 王澄
【申请人】中国科学院深圳先进技术研究院
【公开日】2016年5月4日
【申请日】2015年12月15日