基于模型配准的脑部CTA图像中的脑血管自动定位方法

基于模型配准的脑部cta图像中的脑血管自动定位方法
技术领域
1.本技术涉及医学图像处理技术领域，特别是涉及一种基于模型配准的脑部cta图像中的脑血管自动定位方法。


背景技术：

2.1895年，x射线由德国物理学家伦琴发现，医学图像的出现对传统的医学诊断方式产生了极大的影响。如今，随着眼底照相、磁共振、计算机断层扫描等医学成像技术的出现与蓬勃发展，基于医学图像的诊断已经成为了临床诊断中重要的辅助方式之一。医学图像能够清晰准确的将人体内部的组织分布与病变情况体现出来，这些关于病人的信息为医生对病人进行临床诊断提供了许多帮助。目前医学图像得到了广泛的运用。
3.虽然医学影像为诊断带来了极大的便利，但是还有一些不足之处。
4.目前大部分影像科医生都是根据自身的医学知识与临床经验对医学影像呈现的信息进行判断，以这种方式进行分析诊断，对医生的水平有着很高的要求。而且这种方式处理效率低下，费时费力，数据数量庞大的医学图像给医学工作者带来了越来越大的工作量。此外，不同患者的身体结构基本相同，但仍有少许差别，甚至相同患者同一部位不同时期的医学影像，也会因为位置、光照等因素的区别，给诊断带来一定的困难，更加考验医学工作者的经验与水平。这些原因导致医学工作者的工作强度大大增加，可能出现的错误判断会带来十分严重的后果。
5.近年来，血管定位的研究方法主要分为传统方法和深度学习方法，但主要还是使用传统方法来实现脑部cta(ct血管造影)图像的血管定位。用于脑血管定位的传统方法包括活动轮廓模型、水平集、多尺度空间滤波等方法。而目前的血管定位方式因脑部cta图像结构复杂难以定位脑血管并且一般定位算法需要多次交互。


技术实现要素：

6.基于此，有必要针对上述技术问题，提供一种基于模型配准的脑部cta图像中的脑血管自动定位方法，解决了脑部cta图像结构复杂难以定位脑血管并且一般定位算法需要多次交互的问题。
7.一种基于模型配准的脑部cta图像中的脑血管自动定位方法，所述方法包括：
8.从多个脑部cta图像中选取一个作为固定图像，其余作为浮动图像，通过图像配准算法，将各所述浮动图像中的点映射到固定图像的坐标空间中，并将各所述浮动图像对应的脑血管中心线进行相同的映射操作，获得变换后的脑血管中心线；
9.对配准到固定图像坐标空间下的脑部cta图像中的每个点求灰度的平均值，得到脑部cta模型；
10.对变换后的脑血管中心线运用中心线平均算法，得到模型中心线；
11.将所述脑部cta模型通过图像配准算法映射到待定位图像中，并对所述模型中心线进行相同的映射，将模型中心线映射到待定位图像中，在映射到所述待定位图像中的模
型中心线的周围，以固定半径获得脑血管感兴趣区域，并保存生成的感兴趣区域；
12.从映射到所述待定位图像中的模型中心线中获取到血管的惯性特征，将惯性特征融入到快速行进算法的特征函数中，在感兴趣区域中引导中心线自动对图像中的脑血管进行定位，输出脑血管中心线的定位结果。
13.在其中一个实施例中，所述方法还包括：
14.采用三维显示脑部cta图像与血管中心线软件，使所述脑血管中心线的定位结果显示在显示设备上。
15.在其中一个实施例中，所述从多个脑部cta图像中选取一个作为固定图像，其余作为浮动图像，通过图像配准算法，将所述浮动图像中的点映射到固定图像的坐标空间中，并将所述浮动图像对应的脑血管中心线进行相同的映射操作，获得变换后的脑血管中心线的步骤，包括：
16.从多个脑部cta图像中选取一个作为固定图像，其余作为浮动图像；
17.将所述固定图像和所述浮动图像粗略对齐，再使用刚性变换对所述固定图像和所述浮动图像进行配准后，使用仿射变换进一步配准，再进行粗略的b样条自由形变配准，再进行精细的b样条自由形变配准，不断迭代映将所述浮动图像中的点射到固定图像的坐标空间中，并将所述浮动图像对应的脑血管中心线进行相同的映射操作，获得变换后的脑血管中心线。
18.在其中一个实施例中，所述对变换后的脑血管中心线运用中心线平均算法，得到模型中心线的步骤，包括：
19.选取一条与其他中心线距离最小的线，作为中间中心线；
20.计算中间中心线每一点的切割平面，得到切割平面与其他中心线的交点；
21.随后将各交点沿着中间中心线求平均值，得到平均中心线；
22.延长所述平均中心线，选取最长的变换后的脑血管中心线，随后将其超出的远端与所述平均中心线的端点对齐，延伸部分将作为平均中心线的补充，获得模型中心线。
23.在其中一个实施例中，所述从映射到所述待定位图像中的模型中心线中获取到血管的惯性特征，将惯性特征融入到快速行进算法的特征函数中，在感兴趣区域中引导中心线自动对图像中的脑血管进行定位，输出脑血管中心线的定位结果的步骤，包括：
24.将映射到所述待定位图像中的模型中心线的惯性特征加入血管中心线的特征p中，并将其引入程函方程；
25.在手动标注的起点和终点之间，结合快速行进算法的特征函数，在整个感兴趣区域内进行前向传播，输出脑血管中心线的定位结果。
26.在其中一个实施例中，所述在手动标注的起点和终点之间，结合快速行进算法的特征函数，在整个感兴趣区域内进行前向传播，输出脑血管中心线的定位结果的步骤，包括：
27.结合快速行进算法的特征函数，建立能量模型e；
28.通过能量模型e，在手动标注的起点和终点之间，从起点开始前向传播，直到得到感兴趣区域中每个点的u值，推导出起点到终点的最小路径能量，输出脑血管中心线的定位结果。
29.在其中一个实施例中，所述能量模型e为：
30.e(c)＝∫
ω
(p(c(t))+w)dt
31.其中，c(t)表示三维脑血管图像上的曲线，p(c(t))代表曲线上当前位置的特征，ω表示曲线的长度，定义域为[0,l]，l为脑血管的长度，e(c)为曲线路径c上的能量函数，w为常数。
[0032]
在其中一个实施例中，所述特征函数为：
[0033][0034]
其中，i(x)表示脑血管的惯性特征，h(x)表示脑血管体素特征，v(x)表示脑血管vesselness增强，ε为正数，用于防止分母为零，α,β,γ分别为i(x),h(x),v(x)的指数，p(x)为特征函数。
[0035]
上述基于模型配准的脑部cta图像中的脑血管自动定位方法，通过从多个脑部cta图像中选取一个作为固定图像，其余作为浮动图像，通过图像配准算法，将各浮动图像中的点映射到固定图像的坐标空间中，并将各浮动图像对应的脑血管中心线进行相同的映射操作，获得变换后的脑血管中心线；对配准到固定图像坐标空间下的脑部cta图像中的每个点求灰度的平均值，得到脑部cta模型；对变换后的脑血管中心线运用中心线平均算法，得到模型中心线；将所述脑部cta模型通过图像配准算法映射到待定位图像中，并对所述模型中心线进行相同的映射，将模型中心线映射到待定位图像中，在映射到待定位图像中的模型中心线的周围，以固定半径获得脑血管感兴趣区域，并保存生成的感兴趣区域；从映射到待定位图像中的模型中心线中获取到血管的惯性特征，将惯性特征融入到快速行进算法的特征函数中，在感兴趣区域中引导中心线自动对图像中的脑血管进行定位，输出脑血管中心线的定位结果，实现了自动建立感兴趣区域，进而对脑血管的自动定位，解决了脑部cta图像结构复杂难以定位脑血管并且一般定位算法需要多次交互的问题。
附图说明
[0036]
图1为一个实施例中基于模型配准的脑部cta图像中的脑血管自动定位方法的流程示意图；
[0037]
图2为两幅脑部cta图像配准前的灰度差值的三切面示意图；
[0038]
图3为两幅脑部cta图像配准后的灰度差值的三切面示意图；
[0039]
图4为血管的感兴趣区域点云图像；
[0040]
图5为脑血管中心线的定位结果示意图。
具体实施方式
[0041]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0042]
在一个实施例中，如图1所示，提供了一种基于模型配准的脑部cta图像中的脑血管自动定位方法，以该方法应用于终端为例进行说明，包括以下步骤：
[0043]
步骤s220，从多个脑部cta图像中选取一个作为固定图像，其余作为浮动图像，通过图像配准算法，将各浮动图像中的点映射到固定图像的坐标空间中，并将各浮动图像对
应的脑血管中心线进行相同的映射操作，获得变换后的脑血管中心线。
[0044]
其中，提前将浮动图像中的脑血管中心线进行标注，每张浮动图像对应有脑血管中心线。在一个场景中，将浮动图像a中的点映射到固定图像的坐标空间中，该浮动图像a映射过程中的所有映射操作，同样作用于浮动图像a对应的脑血管中心线。图像配准算法可以是仿射变换或b样条变换等。
[0045]
具体地：图像配准可以将不同时间、不同拍摄角度的两幅或多幅图像进行空间几何变换，使得对应于空间同一位置的点一一对应起来，可以达到信息融合的目的。需要进行配准的两幅图像一个称作固定图像(fixed image)，另一个称作待配准图像(moving image)，分别用pf和pm来表示，配准过程即不停迭代寻找待配准图像上的点映射到固定图像上的最优变换的过程。在三维空间坐标(x,y,z)处映射关系如下：
[0046]
pf(x,y,z)＝pm(t(x,y,z))
[0047]
其中t(x,y,z)代表在三维空间坐标(x,y,z)处的空间变换。
[0048]
本发明首先将两幅图像粗略对齐，然后使用刚性变换对它们进行配准，之后使用仿射变换来进一步配准。仿射配准后首先进行粗略的b样条自由形变配准，再进行精细的b样条自由形变配准。不断迭代得到最后的变换，将此变换作用于标注好的中心线上，获得变换后的脑血管中心线。
[0049]
步骤s240，对配准到固定图像坐标空间下的脑部cta图像中的每个点求灰度的平均值，得到脑部cta模型。
[0050]
其中，经过图像配准，脑部cta图像此时都处于同一模型空间下，通过对各个图像相同位置的灰度值求平均得到脑部cta模型。
[0051]
步骤s260，对变换后的脑血管中心线运用中心线平均算法，得到模型中心线。
[0052]
具体地：不同脑部cta图像的血管中心线也被映射到同一模型空间下，首先选取一条与其他中心线距离最小的线，称为中间中心线。计算中间中心线每一点的切割平面，得到切割平面与其他中心线的交点。随后将这些交点沿着中间中心线求平均值，得到中心线的平均值。最后需要延长上一步获得的中心线均值，因为有时中心线均值可能不够长，无法指导待处理图像中中心线的提取。为了解决这个问题，我们首先选取最长中心线，随后将其超出的远端与我们获得的平均中心线的端点对齐，延伸部分将作为平均中心线的补充。此时就获得了属于模型的中心线。
[0053]
通过脑部cta模型和模型中心线形成了先验模型，由于先验模型具备一定泛化特性，未知待处理脑部cta图像可以与先验模型进行配准，从而获得脑血管的先验信息，包括脑血管的惯性特征和感兴趣区域。然后将这些信息与快速行进算法相结合，实现脑血管的自动定位。
[0054]
步骤s280，将脑部cta模型通过图像配准算法映射到待定位图像中，并对模型中心线进行相同的映射，将模型中心线映射到待定位图像中，在映射到待定位图像中的模型中心线的周围，以固定半径获得脑血管感兴趣区域，并保存生成的感兴趣区域。
[0055]
其中，待定位图像是还没有进行脑血管定位的待处理脑部cta图像。将脑部cta模型配准到待定位图像，并对模型中心线进行相同的映射，模型中心线作为轴线，从待定位图像中以固定半径在模型中心线周围建立脑血管的感兴趣区域。最终使用惯性特征引导的快速行进算法在感兴趣区域实现脑血管的自动定位。通过感兴趣区域可以大大减少中心线定
位算法的搜寻区域，提升脑血管自动定位的效率。
[0056]
步骤s300，从映射到待定位图像中的模型中心线中获取到血管的惯性特征，将惯性特征融入到快速行进算法的特征函数中，在感兴趣区域中引导中心线自动对图像中的脑血管进行定位，输出脑血管中心线的定位结果。
[0057]
其中，获取待定位图像的感兴趣区域之后，将模型中心线提供的惯性特征加入血管中心线的特征p中，以及手动标注的起点和终点，并将其引入程函方程(eikonal equation)，在手动标注的起点和终点之间，使用快速行进算法在整个感兴趣区域内进行前向传播，实现脑血管的自动定位。
[0058]
其中，程函方程为：
[0059][0060]
其中，x为当前的位置，f(x)为在x处传播的速度，t(x)为到达当前位置x的时间函数，代表t(x)的梯度。
[0061]
上述基于模型配准的脑部cta图像中的脑血管自动定位方法，通过从多个脑部cta图像中选取一个作为固定图像，其余作为浮动图像，通过图像配准算法，将各浮动图像中的点映射到固定图像的坐标空间中，并将各浮动图像对应的脑血管中心线进行相同的映射操作，获得变换后的脑血管中心线；对配准到固定图像坐标空间下的脑部cta图像中的每个点求灰度的平均值，得到脑部cta模型；对变换后的脑血管中心线运用中心线平均算法，得到模型中心线；将脑部cta模型通过图像配准算法映射到待定位图像中，并对模型中心线进行相同的映射，将模型中心线映射到待定位图像中，在映射到待定位图像中的模型中心线的周围，以固定半径获得脑血管感兴趣区域，并保存生成的感兴趣区域；从映射到待定位图像中的模型中心线中获取到血管的惯性特征，将惯性特征融入到快速行进算法的特征函数中，在感兴趣区域中引导中心线自动对图像中的脑血管进行定位，输出脑血管中心线的定位结果，实现了自动建立感兴趣区域，进而对脑血管的自动定位，解决了脑部cta图像结构复杂难以定位脑血管并且一般定位算法需要多次交互的问题。
[0062]
在一个实施例中，该方法还包括：
[0063]
采用三维显示脑部cta图像与血管中心线软件，使脑血管中心线的定位结果显示在显示设备上。
[0064]
其中，预先编写一款能够三维显示脑部cta图像与血管中心线的软件，在得到脑血管中心线的定位结果后，使用该软件将待定位图像与脑血管中心线的定位结果显示出来。可以使用visual studio、c++、qt等编写了一款三维显示脑部cta图像与血管中心线的软件，得到待定位图像的脑血管中心线的定位结果后，将待定位图像与脑血管中心线的定位结果作为三维显示软件的输入，可以看到实现了脑血管的自动定位。
[0065]
在一个实施例中，从多个脑部cta图像中选取一个作为固定图像，其余作为浮动图像，通过图像配准算法，将浮动图像中的点映射到固定图像的坐标空间中，并将浮动图像对应的脑血管中心线进行相同的映射操作，获得变换后的脑血管中心线的步骤，包括：从多个脑部cta图像中选取一个作为固定图像，其余作为浮动图像；将固定图像和浮动图像粗略对齐，再使用刚性变换对固定图像和浮动图像进行配准后，使用仿射变换进一步配准，再进行粗略的b样条自由形变配准，再进行精细的b样条自由形变配准，不断迭代映将浮动图像中的点射到固定图像的坐标空间中，并将浮动图像对应的脑血管中心线进行相同的映射操
作，获得变换后的脑血管中心线。
[0066]
在一个实施例中，对变换后的脑血管中心线运用中心线平均算法，得到模型中心线的步骤，包括：选取一条与其他中心线距离最小的线，作为中间中心线；计算中间中心线每一点的切割平面，得到切割平面与其他中心线的交点；随后将各交点沿着中间中心线求平均值，得到平均中心线；延长平均中心线，选取最长的变换后的脑血管中心线，随后将其超出的远端与平均中心线的端点对齐，延伸部分将作为平均中心线的补充，获得模型中心线。
[0067]
在一个实施例中，从映射到待定位图像中的模型中心线中获取到血管的惯性特征，将惯性特征融入到快速行进算法的特征函数中，在感兴趣区域中引导中心线自动对图像中的脑血管进行定位，输出脑血管中心线的定位结果的步骤，包括：将映射到待定位图像中的模型中心线的惯性特征加入血管中心线的特征p中，并将其引入程函方程；在手动标注的起点和终点之间，结合快速行进算法的特征函数，在整个感兴趣区域内进行前向传播，输出脑血管中心线的定位结果。
[0068]
在一个实施例中，在手动标注的起点和终点之间，结合快速行进算法的特征函数，在整个感兴趣区域内进行前向传播，输出脑血管中心线的定位结果的步骤，包括：结合快速行进算法的特征函数，建立能量模型e；通过能量模型e，在手动标注的起点和终点之间，从起点开始前向传播，直到得到感兴趣区域中每个点的u值，推导出起点到终点的最小路径能量，输出脑血管中心线的定位结果。
[0069]
其中，血管中心线的特征p在脑血管特征附近取值更小，引入常数w使能量模型e的表达式保持为正，通过寻找p+w积分最小的路径，将中心线的定位问题转变为一种寻找全局最小值的问题，能量模型e为：
[0070]
e(c)＝∫
ω
(p(c(t))+w)dt
[0071]
其中，c(t)表示三维脑血管图像上的曲线，p(c(t))代表曲线上当前位置的特征，ω表示曲线的长度，定义域为[0,l]，l为脑血管的长度，e(c)为曲线路径c上的能量函数，w为常数。
[0072]
从起点开始前向传播，直到得到感兴趣区域中每个点的u值，就可以推导出起点到终点的最小路径能量，定义为：
[0073][0074]
其中，u定义为起点到任意点之间的路径积分的最小值，代表起点与终点之间所有路径的集合，c(t)表示三维脑血管图像上的曲线，p(c(t))代表曲线上当前位置的特征，u(p)为起点与终点间所有路径积分的最小值。
[0075]
在一个实施例中，特征函数为：
[0076][0077]
其中，i(x)表示脑血管的惯性特征，h(x)表示脑血管体素特征，v(x)表示脑血管vesselness增强，ε为正数，用于防止分母为零，α,β,γ分别为i(x),h(x),v(x)的指数，p(x)为特征函数。
[0078]
脑血管的惯性特征i(x)是通过模型中心线来获得的，在脑血管中心线追踪过程中，将模型中心线与脑血管中心线的定位结果分为一定段数进行处理。在定位脑血管中心线首段时，使用不含有惯性特征的特征函数进行定位。其余段的定位则是在脑血管中心线上一段定位结果的基础上，将对应的模型中心线映射到上一段定位结果，并将相同的映射作用于当前段模型中心线上，来对接下来的定位过程进行指导。
[0079][0080]
其中，e为自然常数，d(x)为快速行进算法中给定位置与当前段起点的距离，μd为映射后的脑部cta模型和模型中心线所提供的指导位置与当前段起点的距离，σd为距离标准化参数。
[0081]
脑血管体素特征h(x)定义为待定位图像的感兴趣区域中各个位置体素灰度值的特征。
[0082][0083]
其中，m(x)为待定位图像中给定位置体素灰度的当前值，μg为待定位图像的整个感兴趣区域体素灰度的均值。
[0084]
相对于现有技术需要手动标注感兴趣区域以及标注起点终点等交互动作，上述基于模型配准的脑部cta图像中的脑血管自动定位方法，只需要标注起点终点一次交互，就可实现脑血管的自动定位，解决脑部cta图像中脑血管数目多且结构复杂，脑血管难以定位并且一般定位算法需要多次交互的问题。通过建立脑部cta模型和模型中心线，获得待处理脑部cta图像中的脑血管感兴趣区域，通过将脑部cta模型和模型中心线提供的惯性特征融入到快速行进算法的特征函数中，实现了脑血管的自动定位。
[0085]
为进一步体现上述基于模型配准的脑部cta图像中的脑血管自动定位方法的有益效果，可参见图2-图5，图2中示意了两幅脑部cta图像在同一坐标空间中，还未配准前轮廓，可以看出两幅脑部cta图像的颅骨等位置差异较大。由图3可见，将两幅脑部cta图像在同一坐标空间中配准后，轮廓重合，达到了较好的配准效果。由图4可见，感兴趣区域从脑部cta图像截取得到，在感兴趣区域进行脑血管定位，可以大大减少中心线定位算法的搜寻区域，提升脑血管自动定位的效率。由图5可见，成功实现了脑血管中心线的自动定位。
[0086]
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0087]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0088]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来
说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。