本发明涉及计算机视觉领域,尤其涉及一种基于贝叶斯分类的改进中心线血管分割方法及系统。
背景技术:
1、近年来,基于深度学习的医疗图像分割取得了很大的进步,对智能医疗领域的分析做出了巨大的贡献。但是,由于医疗图像具有噪点数据多、成像质量差等因素,深度学习算法训练得到的模型泛化能力较差,稳定性不足,导致医疗影像的诊断存在一定程度的误差,易造成医疗事故,除此之外,存在较大误差的诊断模型也很难通过伦理学的验证。
2、现有的基于深度学习的图像分割都是在主流深度学习方法的框架下开展的,比如基于svm的血管分割方法。虽然这些方法在一定程度上可以完成医疗图像的分割任务,但在使用过程中存在一系列问题,因此在临床应用中也出现了一些不稳定因素。对疾病的临床诊断造成了一些影响。专利《基于中心线提取的血管图像分割方法、核磁共振成像系统》中提出了基于svm和中心线方法的血管分割方法,但是该模型具有非常复杂的核函数,训练过程中需要对多个超参数进行训练,因此模型的训练过程长,且需要海量的数据集,并且模型的泛化能力并不好。此外,现有方法中并没有对分割过程中的过分割现象进行约束,相对而言,已有的技术方案对于临床应用存在一定的不稳定性。
技术实现思路
1、发明目的:本发明的目的是提供了一种基于贝叶斯分类的改进中心线血管分割方法及系统将血管提取的中心线所在中心点作为贝叶斯分类的基准像素点,以此作截平面像素点分类的依据,从而实现语义级别的图像分割。
2、技术方案:本发明在于提供一种基于贝叶斯分类的改进中心线血管分割方法及系统,所述方法包括以下步骤:
3、(1)对血管图像进行预处理;
4、(2)利用霍夫变换方法对血管截平面进行检测,获得血管截面中的圆形区域以及圆形区域内的像素点集合;
5、(3)基于贝叶斯分类算法对血管截面中的圆形区域像素点进行分类,得到分类结果并与圆形区域内的像素点计算欧式距离,即点x=(x1,...,xn)和y=(y1,...,yn)之间的欧氏距离,可以用如下公式表示:
6、
7、
8、的自然长度,即该点到原点的距离为:
9、;
10、(4)将分割结果区间内的像素点进行颜色标记;
11、(5)利用基于vtk的开源工具对标记后的分割结果进行三维重建。
12、进一步的,所述步骤(1)具体为:利用基于迪杰斯特拉算法计算最优路径,获得三维图像中血管中心点的集合。
13、进一步的,步骤(2)所述圆形区域内的像素点集合使用csv文件存储。
14、进一步的,步骤(4)所述颜色标记是基于mask图像标记合成。
15、本发明还提供一种基于贝叶斯分类的改进中心线血管分割系统,该系统包括以下模块:预处理模块、血管检测模块、血管分类模块、图像标记模块以及三维重建模块;所述预处理模块用于对血管图像进行预处理;所述血管检测模块用于利用霍夫变换对血管截平面进行检测,获得血管截面中的圆形区域以及圆形区域内的像素点集合;所述分类模块用于基于贝叶斯分类算法对血管截面中的圆形区域像素点进行分类,得到分类结果并与圆形区域内的像素点计算欧式距离;所述图像标记模块用于将分割结果区间内的像素点进行颜色标记;所述三维重建模块用于对利用基于vtk的开源工具对标记后的分割结果进行三维重建。
16、有益效果:与现有技术相比,本发明具有如下显著优点:有效避免了分割的溢出问题,较为精确的获得了医疗图像中的血管网络结构,同时可以稳定完成图像的分割任务,对于医疗的临床诊断具有十分重要的现实意义。
1.一种基于贝叶斯分类的改进中心线血管分割方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于贝叶斯分类的改进中心线血管分割方法,其特征在于,所述步骤(1)具体为:利用基于迪杰斯特拉算法计算最优路径,获得三维图像中血管中心点的集合。
3.根据权利要求1所述的一种基于贝叶斯分类的改进中心线血管分割方法,其特征在于,步骤(2)所述圆形区域内的像素点集合使用csv文件存储。
4.根据权利要求1所述的一种基于贝叶斯分类的改进中心线血管分割方法,其特征在于,步骤(4)所述颜色标记是基于mask图像标记合成。
5.一种基于贝叶斯分类的改进中心线血管分割系统,其特征在于,该系统包括以下模块:预处理模块、血管检测模块、血管分类模块、图像标记模块以及三维重建模块;所述预处理模块用于对血管图像进行预处理;所述血管检测模块用于利用霍夫变换对血管截平面进行检测,获得血管截面中的圆形区域以及圆形区域内的像素点集合;所述分类模块用于基于贝叶斯分类算法对血管截面中的圆形区域像素点进行分类,得到分类结果并与圆形区域内的像素点计算欧式距离;所述图像标记模块用于将分割结果区间内的像素点进行颜色标记;所述三维重建模块用于对利用基于vtk的开源工具对标记后的分割结果进行三维重建。