图像处理方法与流程

本公开具体涉及一种图像处理方法。

背景技术：

血管内超声(intravascularultrasound，ivus)系统是一种重要的医疗设备，其通过介入式超声导管对血管进行成像，以辅助医生进行心血管疾病诊断。具体而言，ivus系统通常包括超声导管和主机，超声导管可以导入血管并在血管内获取带有血管信息的超声信号，主机可以对该超声信号进行处理以获取血管内的图像。

目前，通常使用旋转式超声导管对血管进行成像。旋转式超声导管通常包括超声探头、电机以及连接超声探头与电机的传动轴，电机通过传动轴致动超声探头在血管内进行旋转，超声探头在旋转的情况下向血管壁发射超声脉冲，以获取带有血管信息的超声信号。

然而，在上述旋转式超声导管中，当电机通过传动轴致动超声探头在血管内进行旋转时，传动轴与其他位置可能发生摩擦而导致超声导管非均匀旋转，由此可能导致所获取的血管内的图像失真(non-uniformrotationaldistortion，nurd)。

技术实现要素：

本公开是有鉴于上述现有技术的状况而提出的，其目的在于提供一种能够有效减少因非均匀旋转而导致的图像失真的图像处理方法。

为此，本公开提供一种图像处理方法，其包括，使用成像器械在血管内旋转并向血管壁发射成像信号以获取血管内连续的多帧采集图像，所述采集图像由线数据构成，所述线数据是所述采集图像中沿着血管径向的像素点的灰度值集合，在所述多帧采集图像中选取一帧采集图像作为目标图像，在所述目标图像中，判断相邻的线数据两两之间的相关性是否大于第一阈值，若两组相邻的线数据的相关性大于所述第一阈值，则将该相邻的两组线数据中的至少一组标记为异常，并将其余线数据标记为正常，在所述目标图像中，若存在标记为异常的线数据且标记为异常的线数据的数量与所有线数据的数量之间的比值不大于第二阈值，则基于所述多帧采集图像中与所述目标图像距离最近的至少一帧采集图像中对应区域且标记为正常的线数据对所述目标图像中标记为异常的线数据进行校正。

在本公开所涉及的图像处理方法中，通过判断目标图像中相邻的线数据两两之间的相关性是否大于第一阈值，以标记目标图像中异常的线数据；通过判断目标图像中标记为异常的线数据的数量与所有线数据的数量的比值是否不大于第二阈值，以确定是否对目标图像中标记为异常的线数据进行校正；并且，在其他采集图像中选取对应区域的标记为正常的线数据对目标图像中标记为异常的线数据进行校正。在这种情况下，通过识别异常的线数据并基于正常的线数据对异常的线数据进行校正，由此能够有效减少因非均匀旋转而导致的图像失真。

另外，在本公开所涉及的图像处理方法中，可选地，还包括对所述目标图像进行降噪处理。

另外，在本公开所涉及的图像处理方法中，可选地，所述第一阈值为0.6至1.0。

另外，在本公开所涉及的图像处理方法中，可选地，在所述目标图像中，判断相邻的线数据两两之间的相关性是否大于所述第一阈值，若两组相邻的线数据的相关性大于所述第一阈值，则将该相邻的两组线数据中在先的线数据标记为异常。

另外，在本公开所涉及的图像处理方法中，可选地，所述多帧采集图像按时间顺序排列。

另外，在本公开所涉及的图像处理方法中，可选地，所述至少一帧采集图像先于所述目标图像。

另外，在本公开所涉及的图像处理方法中，可选地，在所述目标图像中，若存在标记为异常的线数据且标记为异常的线数据的数量与所有线数据的数量之间的比值不大于所述第二阈值，则将所述目标图像标记为有效，若存在标记为异常的线数据且标记为异常的线数据的数量与所有线数据的数量之间的比值大于所述第二阈值，则将所述目标图像标记为无效。

另外，在本公开所涉及的图像处理方法中，可选地，若所述目标图像标记为无效，则使用所述多帧采集图像中与所述目标图像距离最近的上一帧标记为有效的采集图像替换所述目标图像。

另外，在本公开所涉及的图像处理方法中，可选地，所述成像器械为超声换能器，所述超声换能器持续地向血管壁发射超声脉冲。由此，能够便于获取连续的多帧采集图像。

此外，本公开提供一种血管内成像的图像处理系统，其使用本公开所涉及的图像处理方法。

根据本公开，能够有效减少因非均匀旋转而导致的图像失真。

附图说明

现在将仅通过参考附图的例子进一步详细地解释本公开，其中：

图1是示出了本公开示例所涉及的血管内成像系统的应用示意图。

图2是示出了本公开示例所涉及的置于血管内的成像器械的放大示意图。

图3是示出了本公开示例所涉及的采集图像的示意图。

图4是示出了本公开示例所涉及的基于线数据形成帧数据的示意图。

图5是示出了本公开示例所涉及的基于线数据识别nurd的方法的流程示意图。

图6是示出了本公开示例所涉及的基于图像识别nurd的方法的流程示意图。

图7是示出了本公开示例所涉及的基于线数据校正nurd的方法的流程示意图。

图8是示出了本公开示例所涉及的多个数据集按时间顺序排列的示意图。

图9是示出了本公开示例所涉及的基于图像校正nurd的方法的流程示意图。

具体实施方式

以下，参考附图，详细地说明本公开的优选实施方式。在下面的说明中，对于相同的部件赋予相同的符号，省略重复的说明。另外，附图只是示意性的图，部件相互之间的尺寸的比例或者部件的形状等可以与实际的不同。

需要说明的是，本公开中的术语“包括”和“具有”以及它们的任何变形，例如所包括或所具有的一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可以包括或具有没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

另外，在本公开的下面描述中涉及的小标题等并不是为了限制本公开的内容或范围，其仅仅是作为阅读的提示作用。这样的小标题既不能理解为用于分割文章的内容，也不应将小标题下的内容仅仅限制在小标题的范围内。

本公开的实施方式提供一种血管内成像系统，血管内成像系统可以获取血管内的采集图像并对其进行处理，以有效减少因非均匀旋转而导致的图像失真(nurd)。

本公开的实施方式提供一种血管内超声系统，血管内超声系统可以获取血管内的采集图像并对其进行处理，以有效减少因非均匀旋转而导致的图像失真(nurd)。

本公开的实施方式提供一种图像处理系统，是用于旋转式成像的图像处理系统，其可以对通过旋转而获取的图像进行处理，以有效减少因非均匀旋转而导致的图像失真(nurd)。

本公开的实施方式提供一种图像处理方法，是用于旋转式成像的图像处理方法，其可以对通过旋转而获取的图像进行处理，以有效减少因非均匀旋转而导致的图像失真(nurd)。

以下，以血管内成像系统以及血管内的采集图像为例，对本公开所涉及的系统、方法进行说明。

图1是示出了本公开示例所涉及的血管内成像系统1的应用示意图。图2是示出了本公开示例所涉及的置于血管内的成像器械10的放大示意图。

在各种实施例中，血管内成像系统1可以包括：成像器械10，其置于血管内并在旋转的情况下向血管壁发射成像信号以获取血管内的采集图像；传动轴20，其连接于成像器械10并沿着血管延伸至体外；外管30，其沿着血管延伸至体外且具有用于容纳成像器械10和传动轴20的内腔，成像器械10可以在外管30的内腔中进行旋转；以及电机40，其位于体外且可以连接于传动轴20，电机40可以经由传动轴20致动成像器械10(参见图1和图2)。

在各种实施例中，血管内成像系统1还包括处理器50(参见图1)，其用于对采集图像进行处理。在各种实施例中，血管内成像系统1还包括显示器60(参见图1)，其用于显示采集图像或处理后的采集图像。如本公开所述的血管内成像系统1可以获取血管内的采集图像、对采集图像进行处理、并且显示采集图像或处理后的采集图像。

在各种实施例中，图像处理系统可以包括：处理器50，其用于对通过旋转而采集的图像进行处理。在各种实施例中，图像处理系统可以包括：处理器50，其用于对成像器械10获取的血管内的采集图像进行处理。在各种实施例中，图像处理系统还可以包括：显示器60，其用于显示采集图像或处理后的采集图像。

在各种实施例中，成像器械10可以导入血管内并可以向血管壁发射成像信号，例如大致沿着血管径向d向血管壁发射成像信号(参见图2)。在一些示例中，成像器械10可以是超声换能器，成像信号可以是超声信号，例如超声脉冲。在一些示例中，超声换能器可以沿着血管径向d向血管壁发射超声脉冲，并接收带有血管信息的超声回波。在其他实施例中，成像信号也可以是光信号、电磁波信号等。

在各种实施例中，电机40可以经由传动轴20致动成像器械10，例如在外管30的内腔中致动成像器械10(参见图2)。在各种实施例中，电机40可以经由传动轴20致动成像器械10进行旋转，例如沿着大致正交于血管轴向的r方向进行旋转(参见图2)。在各种实施例中，电机40可以经由传动轴20致动成像器械10沿着血管的延伸方向进行移动，例如沿着朝向体外的l方向进行移动(参见图2)。

图3是示出了本公开示例所涉及的采集图像的示意图。图4是示出了本公开示例所涉及的基于线数据形成采集图像的帧数据的示意图，其中，图4a是示出了本公开示例所涉及的收集线数据的示意图，图4b是示出了基于线数据形成帧数据的示意图。

在各种实施例中，基于成像信号可以获取血管内的采集图像。在各种实施例中，基于成像器械10而获取的血管内的采集图像可以是大致沿着血管径向d的断面图像(参见图3)。在各种实施例中，成像器械10可以持续地向血管壁发射成像信号，以获取连续的多帧采集图像。

在一些示例中，基于超声脉冲的超声回波可以获取血管内的采集图像。在一些示例中，基于一束超声脉冲可以获取一组线数据。在各种实施例中，线数据可以按时间顺序进行收集，并且线数据可以按时间顺序进行排列(参见图4a)。例如，在图4a所示的实施例中，线数据可以包括线数据k1、线数据k2、线数据k3、线数据k4、线数据k5、线数据k6、线数据k7和线数据k8，并且线数据k1、线数据k2、线数据k3、线数据k4、线数据k5、线数据k6、线数据k7和线数据k8可以按时间顺序排列。

在一些示例中，基于第一预定数量的线数据可以获取一组帧数据(参见图4b)。在一些示例中，在r方向上按时间顺序对第一预定数量的线数据进行排列，以获取一组帧数据(参见图4b)。例如，在图4b所示的实施例中，帧数据中的线数据k1、线数据k2、线数据k3、线数据k4、线数据k5、线数据k6、线数据k7和线数据k8在r方向上按时间顺序排列。在一些示例中，每收集第一预定数量的线数据，即可获取一组帧数据。在一些示例中，基于一组帧数据可以获取一帧采集图像。

需要说明的是，在图4a和图4b所示的实施例中，第一预定数量为8仅是用于示意性说明，其并不限制第一预定数量的实际值。在一些示例中，第一预定数量可以为128至1024，例如128、256、512或1024。

在各种实施例中，线数据可以是采集图像中沿着血管径向d的像素点的灰度值集合(参见图4a和图4b)。例如，在如图4a和图4b所示的实施例中，线数据k1可以是像素点p11、像素点p12、像素点p13、像素点p14和像素点p15的灰度值集合，线数据k2可以是像素点p21、像素点p22、像素点p23、像素点p24和像素点p25的灰度值集合。需要说明的是，在图4a和图4b所示的实施例中，第二预定数量为5仅是用于示意性说明，其并不限制第二预定数量的实际值。在各种实施例中，一组线数据可以包括第二预定数量的像素点的灰度值。在一些示例中，第二预定数量可以为1000至4000，例如1000、1100、1200、1300、1400、1500、1600、1700、1800、1900、2000、2100、2200、2300、2400、2500、2600、2700、2800、2900、3000、3100、3200、3300、3400、3500、3600、3700、3800、3900或4000。

图5是示出了本公开示例所涉及的基于线数据识别nurd的方法的流程示意图。

本公开的各种实施例提供一种基于线数据识别nurd的方法，其包括：收集连续的线数据，其中线数据按时间顺序排列(参见图4a)；判断相邻的线数据两两之间的相关性；若相邻的线数据两两之间的相关性大于第一阈值，则将该相邻的两组线数据中的至少一组标记为异常。在各种实施例中，该方法还包括将所收集的线数据中其余线数据标记为正常。在各种实施例中，该方法还包括对线数据进行降噪。在一些示例中，所收集的线数据的数量为第一预定数量。在一些示例中，所收集的线数据为从成像器械10实时收集的线数据。在一些示例中，实时收集线数据并实时识别nurd。上述方法可以用于在旋转式数据获取中识别数据中的nurd。

在一些示例中，相邻线数据的相关性可以通过如下公式进行计算：

在该式中，x和y分别表示相邻的两组线数据(即线数据x和线数据y)的灰度值集合，μx表示线数据x中各个灰度值的平均值，μy表示线数据y中各个灰度值的平均值，e表示(x-μx)与(y-μy)之积的数学期望，σx表示线数据x中各个灰度值的标准方差，σy表示线数据y中各个灰度值的标准方差。

以图4a所示的实施例进行说明，将线数据k1作为线数据x、并将线数据k2作为线数据y以对上述公式进行说明，

x＝{p11，p12，p13，p14，p15}，

y＝{p21，p22，p23，p24，p25}，

。在这种情况下，基于相邻两组线数据中的全部像素点的灰度值，能够准确计算该两组线数据之间的相关性。

在一些示例中，第一阈值可以为0.60至1.0，例如0.60、0.65、0.70、0.75、0.80、0.85、0.90、0.95或1.0。

在一些示例中，若相邻的线数据两两之间的相关性大于第一阈值，则将该相邻的两组线数据标记为异常。例如，在图4a所示的实施例中，若线数据k1与线数据k2的相关性大于第一阈值，则将线数据k1和线数据k2标记为异常。具体而言，若相邻的线数据两两之间的相关性大于第一阈值，则两组线数据所对应的成像信号可能发射至相近的位置，在旋转式成像中，非均匀旋转例如旋转较慢可能造成该情形，从而导致基于该两组线数据所获取的图像不能准确或完整地反映血管的信息。

在另一些示例中，若相邻的线数据两两之间的相关性大于第一阈值，则将该相邻的两组线数据中在先的线数据标记为异常。例如，在图4a所示的实施例中，若线数据k1与线数据k2的相关性大于第一阈值，则将线数据k1标记为异常。

在另一些示例中，若相邻的线数据两两之间的相关性大于第一阈值，则将该相邻的两组线数据中在后的线数据标记为异常。例如，在图4a所示的实施例中，若线数据k1与线数据k2的相关性大于第一阈值，则将线数据k2标记为异常。

图6是示出了本公开示例所涉及的基于图像识别nurd的方法的流程示意图。

本公开的各种实施例提供一种基于图像识别nurd的方法，其包括：获取图像(参见图3)；获取图像的帧数据，其中帧数据由线数据按时间顺序排列而形成(参见图4b)；判断相邻的线数据两两之间的相关性；若相邻的线数据两两之间的相关性大于第一阈值，则将该相邻的两组线数据中的至少一组标记为异常。在各种实施例中，该方法还包括将其余线数据标记为正常。在各种实施例中，该方法还包括对图像进行降噪。上述方法可以用于在旋转式成像中识别图像中的nurd。

在一些示例中，若相邻的线数据两两之间的相关性大于第一阈值，则将该相邻的两组线数据标记为异常。例如，在图4b所示的实施例中，若线数据k1与线数据k2的相关性大于第一阈值，则将线数据k1和线数据k2标记为异常。

在另一些示例中，若相邻的线数据两两之间的相关性大于第一阈值，则将该相邻的两组线数据中在先的线数据标记为异常。例如，在图4b所示的实施例中，若线数据k1与线数据k2的相关性大于第一阈值，则将线数据k1标记为异常。

在另一些示例中，若相邻的线数据两两之间的相关性大于第一阈值，则将该相邻的两组线数据中在后的线数据标记为异常。例如，在图4b所示的实施例中，若线数据k1与线数据k2的相关性大于第一阈值，则将线数据k2标记为异常。

图7是示出了本公开示例所涉及的基于线数据校正nurd的方法的流程示意图。图8是示出了本公开示例所涉及的多个数据集按时间顺序排列的示意图。

本公开的各种实施例提供一种基于线数据校正nurd的方法，其包括：按时间顺序收集连续的多个数据集，其中各个数据集包括按时间顺序排列的连续的第一预定数量的线数据(参见图4a)；在多个数据集中选取一个数据集作为目标数据集；使用本文所述的方法判断目标数据集是否存在标记为异常的线数据；若目标数据集中存在标记为异常的线数据，则判断目标数据集中标记为异常的线数据的数量与所有线数据的数量之比是否不大于第二阈值；若目标数据集中标记为异常的线数据的数量与所有线数据的数量之比不大于第二阈值，则基于多个数据集中与目标数据集距离最近的至少一个数据集中对应区域且标记为正常的线数据对目标数据集中标记为异常的线数据进行校正。上述方法可以用于在旋转式数据获取中对数据中的nurd进行校正。

在各种实施例中，基于线数据校正nurd的方法还可以包括：若目标数据集中标记为异常的线数据的数量与所有线数据的数量之比不大于第二阈值，则将该目标数据集标记为有效，并且基于目标数据集中的正常线数据以及校正后的异常线数据生成目标数据集所对应的校正后图像。

在各种实施例中，基于线数据校正nurd的方法还可以包括：若目标数据集中标记为异常的线数据的数量与所有线数据的数量之比大于第二阈值，则将目标数据集标记为无效，并基于多个数据集中距离目标数据集最近的上一个、两个或三个和/或下一个、两个或三个标记为有效的数据集生成目标数据集所对应的校正后图像，例如，使用多个数据集中距离目标数据集最近的上一个标记为有效的数据集替换目标数据集并生成对应的图像。

在一些示例中，第二阈值可以为0.1至0.5，例如0.1、0.15、0.2、0.25、0.3、0.35、0.4、0.45或0.5。

在一些示例中，基于多个数据集中与目标数据集距离最近的数据集中对应区域且标记为正常的线数据以及线性插值算法，对目标数据集中标记为异常的线数据进行校正。例如，对标记为异常的线数据中的各个灰度值进行校正。

在如图8所示的实施例中，数据集c1、数据集c2、数据集c3以及数据集c4为连续的数据集，设数据集c3为目标数据集且数据集c3中的线数据n3为异常的线数据，若数据集c2中相应区域的线数据n2正常且数据集c4中相应区域的线数据n4正常，则基于线性插值算法并使用线数据n2和线数据n4对线数据n3进行校正。

在一些示例中，n3＝f×n2+(1-f)×n4，f的取值范围为0至1并且f可以基于两组线数据之间的距离(在本示例中，即n3与n2之间的距离)而选取。具体而言，n31＝f×n21+(1-f)×n41，n32＝f×n22+(1-f)×n42，n33＝f×n23+(1-f)×n43，n34＝f×n24+(1-f)×n44，并且n35＝f×n25+(1-f)×n45。

在另一些示例中，n3＝f×n2，f的取值范围为0至1并且f可以基于两组线数据之间的距离(在本示例中，即n3与n2之间的距离)而选取。具体而言，n31＝f×n21，n32＝f×n22，n33＝f×n23，n34＝f×n24，并且n35＝f×n25。

在如图8所示的实施例中，若数据集c2中相应区域的线数据n2异常、数据集c1中相应区域的线数据n1正常，则基于线性插值算法并使用线数据n1和线数据n4对线数据n3进行修正。在一些示例中，n3＝f×n1+(1-f)×n4。在另一些示例中，n3＝f×n1。在另一些示例中，n3＝f×n4。

在各种实施例所涉及的基于线数据校正nurd的方法，如以图8为例阐述的那样，若目标数据集中标记为异常的线数据的数量与所有线数据的数量之比不大于第二阈值，则基于多个数据集中与目标数据集距离最近的至少一个数据集中对应区域且标记为正常的线数据对目标数据集中标记为异常的线数据进行校正，例如，该至少一个数据集可以为在先的一个、两个或三个数据集和/或在后的一个、两个或三个数据集，并且该至少一个数据集中对应区域的线数据标记为正常。

图9是示出了本公开示例所涉及的基于图像校正nurd的方法的流程示意图。

本公开的各种实施例提供一种基于图像校正nurd的方法，其包括：按时间顺序获取连续的多帧采集图像，多帧采集图像按时间顺序排列；获取采集图像的帧数据，其中采集图像的帧数据由连续的线数据按时间顺序排列而形成(参见图4b)；在多帧采集图像中选取一帧采集图像作为目标图像；使用本文所述的方法判断目标图像是否存在标记为异常的线数据；若目标图像中存在标记为异常的线数据，则判断目标图像中标记为异常的线数据的数量与所有线数据的数量之比是否不大于第二阈值；若目标图像中标记为异常的线数据的数量与所有线数据的数量之比不大于第二阈值，则基于多帧采集图像中与目标图像距离最近的至少一个采集图像中对应区域且标记为正常的线数据对目标图像中标记为异常的线数据进行校正。上述方法可以用于在旋转式成像中对图像的nurd进行校正。

在各种实施例所涉及的基于图像校正nurd的方法中，该方法还可以包括：若目标图像中标记为异常的线数据的数量与所有线数据的数量之比不大于第二阈值，则将该目标图像标记为有效，并且基于目标图像中的正常线数据以及校正后的异常线数据生成目标图像所对应的校正后图像。

在各种实施例所涉及的基于图像校正nurd的方法中，该方法还可以包括：若目标图像中标记为异常的线数据的数量与所有线数据的数量之比大于第二阈值，则将目标图像标记为无效，并基于多帧采集图像中距离目标图像最近的上一帧、两帧或三帧和/或下一帧、两帧或三帧标记为有效的采集图像生成目标图像所对应的校正后图像，例如，使用多帧采集图像中距离目标图像最近的上一帧标记为有效的采集图像替换目标图像。

本公开的各种实施例提供一种数据处理方法，其包括：使用本文所述的基于线数据识别nurd的方法来识别nurd；使用本文所述的基于线数据校正nurd的方法以对nurd进行校正。上述方法可以用于在旋转式数据获取中对数据中的nurd进行识别并进行校正。

本公开的各种实施例提供一种图像处理方法，其包括：使用本文所述的基于图像识别nurd的方法来识别nurd；使用本文所述的基于图像校正nurd的方法以对nurd进行校正。上述方法可以用于在旋转式成像中对图像中的nurd进行识别并进行校正。

本文所述的方法可以实时获取成像器械10所获取的数据或图像，并可以实时对该数据或图像进行nurd识别和nurd校正，并可以实时获取校正后的数据或图像。

在各种实施例中，处理器50可以使用本文所述的方法来识别并校正数据或图像中的nurd。在各种实施例中，处理器50可以实时获取成像器械10所获取的线数据或采集图像，并实时对成像器械10所获取的线数据进行nurd识别和nurd校正。在各种实施例中，处理器50可以实时将校正后的图像传输至显示器60以进行显示。

在各种实施例中，处理器50可以获取nurd发生的概率，例如在预定时间内存在异常的图像的数量与所有图像的数量的比值。在各种实施例中，处理器50可以获取nurd的严重性，例如在一帧采集图像中标记为异常的线数据的数量与所有线数据的数量的比值。在各种实施例中，处理器50可以基于nurd发生的概率和/或nurd的严重性生成反馈参数，电机40可以基于该反馈参数动态调节电压和/或转速，以减少nurd的发生。

根据本公开，能够有效减少因非均匀旋转而导致的图像失真。

虽然以上结合附图和示例对本公开进行了具体说明，但是可以理解，上述说明不以任何形式限制本公开。本领域技术人员在不偏离本公开的实质精神和范围的情况下可以根据需要对本公开进行变形和变化，这些变形和变化均落入本公开的范围内。