融合双源CT数据的冠脉分割方法与流程

本发明涉及ct影像后处理技术领域，具体涉及一种融合双源ct数据的冠脉分割方法。

背景技术：

ct自诞生后很快就被应用于临床检查，尤其是螺旋ct出现后被广泛应用于人体各个部位的检查和诊断。传统螺旋ct由于仅有一套x射线发生装置和一套探测器系统，所以在扫描高速运动物体时(比如冠状动脉，其一次检查必须要求在有限的时间内完成，且要尽可能保证扫描期间患者无呼吸运动，否则，轻者会出现影像模糊、锯齿状伪影，重者根本得不到具有诊断意义的图像，检查无法完成)将会显得力不从心。

对此，西门子发明了dsct(双源ct系统)，在利用双源模式时进行冠状动脉扫描时，可同时给出收缩期和舒张期的ct图像，方便医生参考。医生对两个时段的图像进行观察，哪段图像较好，即从对应的期相图像数据中截取对应的部分进行分析。

对于图像后处理技术而言也是如此，从不同期相图像数据中分别截取各自的好质量图像进行拼接，理论上可以呈现更好质量的冠脉图像。

然而，其在实现上存在挑战：两个期相的数据是不同的，在收缩期与舒张期，心肌、血管的位置均会发生变化，不能简单地从某一期相中选择优质图像替代另一期相中的不良图像。

技术实现要素：

本发明的目的在于提供一种融合双源ct数据的冠脉分割方法。

为实现上述目的，本发明采用以下技术方案：

融合双源ct数据的冠脉分割方法，包括：

s1、进行双源ct扫描，分别获得收缩期与舒张期的ct图像序列；

s2、分别对收缩期与舒张期的ct图像序列进行分割；

s3、对收缩期与舒张期ct图像序列的分割结果中的每支血管进行命名并进行中心线提取；

s4、寻找各中心线中的分叉点，以分叉点为参考点对收缩期与舒张期的ct图像进行粗匹配；

s5、通过神经网络在收缩期与舒张期的图像中提取局部匹配特征，在粗匹配的基础上通过所述局部匹配特征进行精匹配，获得收缩期与舒张期的ct图像序列的映射关系；

s6、以舒张期的ct图像序列分割结果为基准，对其图像缺陷部分，从收缩期的ct图像序列分割结果中选取对应部分进行拼接或替代，输出融合后的ct图像序列分割结果。

进一步地，步骤s5具体包括：

s51、通过事先训练好的神经网络对空间点p提取局部特征a；

s52、对各疑似对应点pi提取局部特征b；

s53、计算各局部特征b与局部特征a的相识度，将相似度最高的局部特征b所对应的疑似对应点pi标记为空间点p的对应点，完成精匹配。

进一步地，步骤s6具体包括：

s61、对舒张期的ct图像分割结果进行噪声识别与断裂探测，将识别出噪声或断裂的部分标记为待评价区域c；

s62、根据映射关系，从收缩期的ct图像分割结果中选取对应于待评价区域a的部分标记为待评价区域d；

s63、比较待评价区域c及待评价区域d的图像质量，将待评价区域c中图像质量低于待评价区域d中图像质量的部分标记为缺陷部分；

s64、使用待评价区域d中的对应部分对所述缺陷部分进行拼接或替代，输出融合后的ct图像序列分割结果；

进一步地，还包括以下步骤：

s7、根据ct图像序列分割结果与ct图像序列的对应关系，输出融合后的ct图像序列。

采用上述技术方案后，本发明与背景技术相比，具有如下优点：本发明基于分叉点实现初步匹配，并在此基础上利用局部特征实现精匹配，从而能实现双源ct中不同期相的图像数据的融合，输出质量更好的冠脉图像。

附图说明

图1为本发明流程图；

图2为通过中心线对两期相数据做分叉点映射的示意图；

图3为冠脉示意图，图3(a)为舒张期，图3(b)为收缩期。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例

请参考图1所示，本发明公开了一种融合双源ct数据的冠脉分割方法，包括：

s1、进行双源ct扫描，获得收缩期与舒张期的ct图像序列；

s2、分别对收缩期与舒张期的ct图像序列进行分割；

s3、对收缩期与舒张期ct图像序列的分割结果中的每支血管进行命名并进行中心线提取。

其中，每支血管的命名是为了便于后续建立映射关系，所述中心线用作建立映射关系的依据。

s4、寻找各中心线中的分叉点，以分叉点为参考点对各源图像进行粗匹配。

对3d的数据匹配，理论上提供越多的控制点(参考点)，则匹配越准确，但对于两个不同期相的数据源，其并无法直接提供足够的参考点，因此，本实施例基于冠脉的中心线寻找分叉点，如图2所示，s1为收缩期图像中的中心分叉点，d1为舒张期图像中的中心分叉点，先用这些点作为控制点，以控制点做插值，插值出每个点的匹配对应，从而对两图生成初步匹配的映射关系。

由于是以分叉点为控制点进行的粗匹配，对于双源图像，其在离分叉稍远的地方会出现匹配精度低的状况，因此还需要进行精匹配。

s5、通过神经网络在各源图像中提取局部匹配特征，在粗匹配的基础上通过所述局部匹配特征进行精匹配，获得各源图像的映射关系。

在粗匹配的基础上，对于某一源的每个空间点p，在另一源图像中可以寻找到该点在一定偏离范围内(比如相差2-3像素)的疑似对应点pi，这样可以将两个图通过匹配关系，将其中一个通过匹配关系的映射转换坐标，将两者统一到一个坐标系，并且可以很容易进行数据的取舍。

因此，步骤s5具体包括：

s51、通过事先训练好的神经网络对空间点p提取局部特征a(以空间点p为中心，提取区域为16*16*16，或32*32*32的局部特征)；

s52、对各疑似对应点pi提取局部特征b；

s53、计算各局部特征b与局部特征a的相识度，将相似度最高的局部特征b所对应的疑似对应点pi标记为空间点p的对应点，完成精匹配。

对于舒张期的ct图像序列，其大部分区域情况是好的，个别区域情况会差，而对应该个别区域，收缩期反而可能更好。因此，在获得精匹配的映射关系后，执行步骤s6。

s6、以舒张期的ct图像序列及分割结果为基准，对其图像缺陷部分，从收缩期的ct图像及分割结果中选取对应部分进行拼接或替代，输出融合后的ct图像序列及分割结果。

具体地，其包括：

s61、对舒张期的ct图像分割结果进行噪声识别与断裂探测，将识别出噪声或断裂的部分标记为待评价区域c，如图3(a)所示；

s62、根据映射关系，从收缩期的ct图像分割结果中选取对应于待评价区域a的部分标记为待评价区域d，如图3(b)所示；

s63、比较待评价区域c及待评价区域d的图像质量，将待评价区域c中图像质量低于待评价区域d中图像质量的部分标记为缺陷部分；

s64、使用待评价区域d中的对应部分对所述缺陷部分进行拼接或替代，输出融合后的ct图像序列分割结果。

同理，根据ct图像序列分割结果与ct图像序列的对应关系，可以输出融合舒张期与收缩期两个期相图像序列的ct图像序列。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。