基于块匹配自适应权重稀疏表示的病变血管精确检测方法与流程

本发明属于医学技术领域，涉及基于块匹配自适应权重稀疏表示的病变血管精确检测方法。

背景技术：

目前，血管分割技术针对复杂环境下的健康血管取得了较高的分割精度，但是面对病变血管时会出现较高的误检率和漏检率，使得检测结果缺乏临床指导意义。包含于多尺度训练集中的冗余信息是自适应权重稀疏表示方法实现病变血管精准检测的关键。然而，稀疏表示方法所带来的巨大计算量严重降低了检测算法的收敛性。

技术实现要素：

本发明的目的在于提供基于块匹配自适应权重稀疏表示的病变血管精确检测方法，本发明的有益效果是：针对ct图像中病变血管无法精准检测的难点，提出基于块匹配自适应权重稀疏表示检测算法，利用血管信息块中所包含的冗余信息极大地提高了病变血管的检测精度，并采用自适应权重算法和多尺度训练集降低了稀疏表示检测算法的计算量。

本发明所采用的技术方案是按照以下步骤进行：

步骤1：生成多尺度血管训练集；

步骤2：基于血管轴线的信息块抽取；

步骤3：基于稀疏表示的多尺度字典学习，通过稀疏表示算法，自适应地从块信息库中捕获局部病变血管特征；

步骤4：采用自适应权重稀疏表示分类算法进行病变血管精确检测。

进一步，步骤1是将血管结构看作是人体内的线状结构，利用海森矩阵构造基于高斯卷积的多维线状结构滤波器，在传统半自动分割的血管训练集基础上，应用所构造的多维线状结构滤波器，将血管训练集转换成与血管尺度相关的训练集。

进一步，步骤2是利用多尺度分阶层血管跟踪算法，提取病变血管的中心轴线，沿轴线截面方向，以血管最大尺度为半径，从多尺度血管训练集中，抽取血管信息块，组建多尺度块信息库，信息块的大小为7×7×7体素，其尺度由抽取的目标血管尺度决定。

进一步，步骤3过程如下：

其中ds为尺度为s的块信息库，β为稀疏表示的系数向量，p为训练集中的信息块，ds和β的优化求解由稀疏表示算法给出，稀疏表示的残差决定信息块的表征性，而表征性高的信息块将被放入多尺度字典，实现病变血管局部特征的捕捉。多尺度字典学习(步骤3)和稀疏表示优化求解(步骤4)迭代进行。设定一个残差阈值，当信息库中块的稀疏表示残差大于阈值时，该块将被放入字典，实现多尺度字典的更新学习。

进一步，步骤4过程如下：

其中p为待检测的目标血管信息块；·表示矩阵元素乘法；w表示块信息库ds的自适应权重向量；w为权重相关的映射矩阵；ai和aj为块信息库ds中任意两个信息块；λ1、λ2和λ3为非负影响因素参数；为映射矩阵w的正规化，可以减小块信息库ds中相似信息块的特征距离；根据目标信息块p的稀疏表示残差，定义p和血管的相似度，如下公式所示：

其中β为公式(2)优化所得稀疏表示系数，当目标信息块和血管相似度较高时，认定目标信息块p为血管的一部分，实现目标信息块的分类；待检测的目标信息块p的收集过程和训练集信息块的收集过程一致，即沿血管轴线截面方向。因此，目标信息块构成了一个待检测序列{p0,...,pn-1,pn,...}。由于待检测信息块位置上的临近，临近信息块间的相似性使得pn-1的稀疏表示参数可以引导pn的参数优化，因此，公式(2)的优化求解过程分为以下五步：1)在pn-1的尺度sn-1附近搜索pn的最优尺度sn；2)在参数wn-1、wn-1和sn确定的情况下，优化求解参数βn，这种情况下，公式(2)转化为简单的传统稀疏表示优化求解问题，可以很容易得到最优解：其中g是关于xn的对角矩阵；3)在参数wn-1、βn和sn确定的情况下，优化求解参数wn，这种情况下，公式(2)的拉格朗日函数满足karush-kuhn-tucker同步收敛条件，进而获得wn的最优解：其中εm-l+1为ε的第m-l+1个元素，m为βn中的元素个数，l为βn中非零元素个数；4)在参数wn、βn和sn确定的情况下，优化求解参数wn，这种情况下，公式(2)变成无约束最优化问题，可以使用传统的cgschmidt(2005)优化算子进行求解；5)在参数wn、wn和sn确定的情况下，重复第二步的优化求解过程，优化更新参数βn。

具体实施方式

下面结合具体实施方式对本发明进行详细说明。

本发明基于块匹配自适应权重稀疏表示的病变血管精确检测方法步骤如下：

步骤1：生成多尺度血管训练集。将血管结构看作是人体内的线状结构，利用海森矩阵构造基于高斯卷积的多维线状结构滤波器，其中滤波器的标准偏差参数和血管尺度相关。在传统半自动分割的血管训练集基础上，应用所构造的多维线状结构滤波器，将血管训练集转换成与血管尺度相关的训练集。

步骤2：基于血管轴线的信息块抽取。利用多尺度分阶层血管跟踪算法，提取病变血管的中心轴线。沿轴线截面方向，以血管最大尺度为半径，抽取血管信息块，组建多尺度块信息库。信息块的大小为7×7×7体素，其尺度由抽取的目标血管尺度决定。

多尺度块信息库可以捕获病变血管多变的、鲁棒性较低的局部特征，实现检测精度和算法时间复杂度的统一。

步骤3：基于稀疏表示的多尺度字典学习。通过稀疏表示算法，自适应地从块信息库中捕获局部病变血管特征，其具体过程如下：

其中ds为尺度为s的块信息库，β为稀疏表示的系数向量，p为训练集中的信息块。ds和β的优化求解由稀疏表示算法给出，稀疏表示的残差决定信息块的表征性，而表征性高的信息块将被放入多尺度字典，实现病变血管局部特征的捕捉。多尺度字典学习(步骤3)和稀疏表示优化求解(步骤4)迭代进行。设定一个残差阈值，当信息库中块的稀疏表示残差大于阈值时，该块将被放入字典，实现多尺度字典的更新学习。

步骤4：采用自适应权重稀疏表示分类算法进行病变血管精确检测。传统稀疏表示算法通过最小化残差寻找目标血管的稀疏表示向量，而病变血管多变的、鲁棒性较低的局部特征给残差的最小化带来了庞大的计算量，使得传统稀疏表示算法在检测病变血管时无法收敛。针对这一难点，本发明通过给每个信息块添加特征距离相关的自适应权重，引导稀疏表示向量的优化求解过程，使得多尺度字典的使用更加高效，进而实现病变血管的精确检测。自适应权重稀疏表示的过程如下：

其中p为待检测的目标血管信息块；·表示矩阵元素乘法；w表示块信息库ds的自适应权重向量；w为权重相关的映射矩阵；ai和aj为块信息库ds中任意两个信息块；λ1、λ2和λ3为非负影响因素参数；为映射矩阵w的正规化，可以减小块信息库ds中相似信息块的特征距离。

根据目标信息块p的稀疏表示残差，定义p和血管的相似度，如下公式所示：

其中β为公式(2)优化所得稀疏表示系数。当目标信息块和血管相似度较高时，认定目标信息块p为血管的一部分，实现目标信息块的分类。至此，病变血管的检测问题归结到公式(2)的优化求解问题。

待检测的目标信息块p的收集过程和训练集信息块的收集过程一致，即沿血管轴线截面方向，因此，目标信息块构成了一个待检测序列{p0,...,pn-1,pn,...}。由于待检测信息块位置上的临近，临近信息块间的相似性使得pn-1的稀疏表示参数可以引导pn的参数优化。因此，公式(2)的优化求解过程分为以下五步：1)在pn-1的尺度sn-1附近搜索pn的最优尺度sn；2)在参数wn-1、wn-1和sn确定的情况下，优化求解参数βn。这种情况下，公式(2)转化为简单的传统稀疏表示优化求解问题，可以很容易得到最优解：其中g是关于xn的对角矩阵；3)在参数wn-1、βn和sn确定的情况下，优化求解参数wn。这种情况下，公式(2)的拉格朗日函数满足karush-kuhn-tucker同步收敛条件，进而获得wn的最优解：

其中εm-l+1为ε的第m-l+1个元素，m为βn中的元素个数，l为βn中非零元素个数；4)在参数wn、βn和sn确定的情况下，优化求解参数wn。这种情况下，公式(2)变成无约束最优化问题，可以使用传统的cgschmidt(2005)优化算子进行求解；5)在参数wn、wn和sn确定的情况下，重复第二步的优化求解过程，优化更新参数βn。

通过给库中的每个信息块添加特征距离相关的自适应权重，引导稀疏表示向量的优化求解过程，使得多尺度字典的使用更加高效，进而实现病变血管的精确检测。

本发明方法采用血管轴线引导约束分割策略，并在训练过程中采用了多尺度训练集，在实现精准分割的同时兼顾时间复杂度。实验结果表明，本发明方法针对病变血管的分割准确率高达91％，是一种精准高效的病变血管分割方法。

以上所述仅是对本发明的较佳实施方式而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施方式所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。