基于多特征高斯擬合的活動(dòng)輪廓血管提取方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種圖像處理領(lǐng)域的圖像提取方法，具體涉及一種基于多特征高斯擬 合的活動(dòng)輪廓血管提取方法及系統(tǒng)。
【背景技術(shù)】
[0002] 根據(jù)世界衛(wèi)生組織的統(tǒng)計(jì)，各種血管類疾病已成為嚴(yán)重危害人類健康的三大疾病 之一，其中便包括眼部視網(wǎng)膜血管相關(guān)疾病，且其具有較高的致殘率。避免這種后果的常用 方法是對(duì)患者進(jìn)行早期的預(yù)防診斷，而準(zhǔn)確診斷的關(guān)鍵是精確的血管提取。這不僅可以提 高管腔狹窄、動(dòng)脈瘤和血管鈣化等血管疾病診斷結(jié)果的可靠性，對(duì)血管的介入治療、手術(shù)計(jì) 劃制定和手術(shù)精確導(dǎo)航等臨床應(yīng)用也具有重要價(jià)值，而且可以為圖像配準(zhǔn)、三維重建、計(jì)算 機(jī)輔助診斷等圖像處理過程提供有用的信息。
[0003] 由于眼部視網(wǎng)膜圖像的背景信息較為復(fù)雜，且灰度不均勻性嚴(yán)重。因此，準(zhǔn)確完整 地提取視網(wǎng)膜圖像中的各種不同粗細(xì)的血管組織是較為困難的具有挑戰(zhàn)性的任務(wù)。直接 對(duì)原始視網(wǎng)膜圖像進(jìn)行血管分割通常僅能提取相對(duì)較粗的血管，因而是一個(gè)較為粗略的結(jié) 果，往往不能滿足臨床應(yīng)用所需的精確度。因此，需要對(duì)原始圖像進(jìn)行血管增強(qiáng)處理，并將 增強(qiáng)結(jié)果與原圖像一塊用于血管提取，通過多種圖像特征的使用，能夠取得自動(dòng)分割更好 的結(jié)果。
[0004] 血管提取算法包括區(qū)域生長(zhǎng)法、閾值法以及活動(dòng)輪廓（active contour)等幾類算 法，其中活動(dòng)輪廓算法能快速準(zhǔn)確地獲取子像素級(jí)別的分割結(jié)果而具有廣闊的應(yīng)用前景。 活動(dòng)輪廓算法根據(jù)分割過程中使用圖像信息的不同，可分為基于邊界（edge-based)的活 動(dòng)輪廓和基于區(qū)域（region-based)的活動(dòng)輪廓?；谶吔绲乃惴ㄊ褂脠D像梯度界定所需 目標(biāo)物體的邊界，梯度的計(jì)算依賴于圖像局部信息，進(jìn)而導(dǎo)致基于邊界的算法對(duì)圖像噪聲 較為敏感。此外，求解過程中初始曲線位置偏離目標(biāo)物體邊界的嚴(yán)重程度也直接決定了分 割結(jié)果的好壞，即距離目標(biāo)物體邊界越遠(yuǎn)，分割性能越差。這些不足導(dǎo)致該類算法只能分割 具有較強(qiáng)灰度對(duì)比度的圖像，而不能克服灰度不均勻性造成的問題。當(dāng)前血管提取中，較為 常用的是基于區(qū)域的活動(dòng)輪廓模型，但它們僅僅考慮原始圖像的灰度統(tǒng)計(jì)信息，并且較少 涉及圖像局部區(qū)域內(nèi)的全面的灰度統(tǒng)計(jì)量（如灰度標(biāo)準(zhǔn)差），使得分割結(jié)果不理想。

【發(fā)明內(nèi)容】

[0005] 為了解決上述技術(shù)問題，本發(fā)明提供了一種基于多特征高斯擬合的活動(dòng)輪廓血管 提取方法及系統(tǒng)，以解決視網(wǎng)膜圖像中復(fù)雜背景信息和嚴(yán)重灰度不均勻特性導(dǎo)致的分割結(jié) 果粗略，準(zhǔn)確性低以及分割不完整等問題，從而準(zhǔn)確完整地提取視網(wǎng)膜圖像中具有不同粗 細(xì)的各種血管組織。
[0006] 為了達(dá)到上述目的，本發(fā)明提供了以下技術(shù)方案，其歸納總結(jié)為：在現(xiàn)有基于區(qū)域 的活動(dòng)輪廓模型中，引入血管增強(qiáng)算法，并將增強(qiáng)后的血管圖像作為一種新的圖像特征，用 于血管提取算法中；具體而言如下：
[0007] 本發(fā)明的基于多特征高斯擬合的活動(dòng)輪廓血管提取方法包括：
[0008] 通過血管增強(qiáng)濾波模塊對(duì)視網(wǎng)膜圖像進(jìn)行血管增強(qiáng)濾波，即采用局部相位（local phase)血管增強(qiáng)算法將視網(wǎng)膜圖像中血管對(duì)應(yīng)的區(qū)域突顯出來，降低復(fù)雜背景信息和像素 灰度不均勾性對(duì)分割結(jié)果造成的干擾；其中，增強(qiáng)后的血管圖像（vesselness map)可以作 為一種新的特征圖像用于血管提取，即在血管圖像中，像素灰度值越高，其代表血管的可能 性越大；反之則越小為圖像背景的可能性越高大；
[0009] 通過局部高斯擬合能量泛函模塊對(duì)血管增強(qiáng)濾波后，將血管圖像和原始圖像中的 像素值作為兩個(gè)相互獨(dú)立的隨機(jī)變量，構(gòu)建一種新的基于二維高斯概率分布擬合的能量泛 函活動(dòng)輪廓模型，即在血管圖像和原始視網(wǎng)膜圖像中的像素值通過二維高斯分布統(tǒng)計(jì)模型 模擬一定圖像范圍內(nèi)的血管和背景區(qū)域內(nèi)的圖像統(tǒng)計(jì)特性，從而構(gòu)建一個(gè)區(qū)域的活動(dòng)輪廓 模型。僅使用該能量泛函可能存在一定的不足，因此還需要通過一個(gè)正則約束項(xiàng)，懲罰血管 輪廓曲線的不平滑性、不當(dāng)?shù)那€長(zhǎng)度、以及保持輪廓的局部細(xì)節(jié)；
[0010] 通過變分求解框架模塊構(gòu)建能量泛函后，使用變分水平集的求解框架進(jìn)行數(shù)學(xué)計(jì) 算，即血管輪廓以隱式水平集的形式表示，然后通過梯度下降流和歐拉-拉格朗日方程將 構(gòu)建的能量泛函轉(zhuǎn)化為一個(gè)偏微分方程，并通過迭代逼近的方式求出所述偏微分方程的最 優(yōu)解，進(jìn)而獲得最終的血管輪廓。
[0011] 進(jìn)一步地，上述的方法中，局部相位血管增強(qiáng)算法包括以下實(shí)施中的相關(guān)參數(shù)：設(shè) 置中心頻率為531/7,帶寬為2倍頻（octave)，濾波范圍為15X15,濾波方向?yàn)?°、45°、 90°和135°，圖像尺度系數(shù)為3,整合權(quán)重為3,正則系數(shù)為3。通過局部相位的血管增強(qiáng) 可以顯著突出血管所在的區(qū)域，同時(shí)減緩不相關(guān)背景信息的干擾。
[0012] 進(jìn)一步地，上述的方法中，局部高斯擬合能量泛函模塊的能量泛函構(gòu)建步驟如 下：
[0013] 在血管圖像和原始視網(wǎng)膜圖像中，對(duì)任一像素點(diǎn)局部鄰域內(nèi)的灰度概率分布通過 二維高斯概率分布模型進(jìn)行模擬：
[0014]
[0015]
[0016]
[0017] 其中，P1U(Ky))為原始灰度圖像中，中心像素點(diǎn)為X的鄰域內(nèi)，任一像素點(diǎn)y處 的圖像灰度I的概率分布，Ir)和σ/(X)為鄰域內(nèi)的灰度平均值和標(biāo)準(zhǔn)差；
[0018] i表示輪廓曲線的內(nèi)外，當(dāng)i = 1表示像素點(diǎn)位于曲線內(nèi)，當(dāng)i = 2時(shí)表示像素點(diǎn) 位于曲線外；
[0019] P1, x(V(y)) < (T)以及<T,; (X)分別依次為增強(qiáng)后的血管圖像V對(duì)應(yīng)的概率分布、局 部平均值和標(biāo)準(zhǔn)差；
[0020] 將血管所在區(qū)域的像素和背景區(qū)域的像素區(qū)分開，因此血管區(qū)域的像素點(diǎn)中，像 素的灰度值應(yīng)盡可能地接近于灰度平均值，即灰度標(biāo)準(zhǔn)差盡可能趨近于O ;轉(zhuǎn)化為概率模 型后為：
[0021]
[0022] 將上式的最大化求解轉(zhuǎn)化為最小化，并引入基于距離的高斯權(quán)重，同時(shí)考慮到增 強(qiáng)后的血管圖像和原始圖像對(duì)血管提取的作用存在一定的差異，因此，為它們?cè)O(shè)置不同的 權(quán)重因子后得到局部鄰域的能量泛函為：
[0023]
[0024] 其中，參數(shù)劣和戽為原始圖像和增強(qiáng)血管圖的權(quán)重因子；
[0025] 血管的提取問題在統(tǒng)計(jì)學(xué)上可以看成像素的分類問題，即將血管圖像和原始圖像 作為兩個(gè)相互獨(dú)立的隨機(jī)變量構(gòu)建局部高斯擬合的能量泛函后，還需要對(duì)輪廓曲線的平滑 性，曲線長(zhǎng)度，以及局部輪廓細(xì)節(jié)進(jìn)行約束，因此引入如下正則項(xiàng)：
[0026]
[0027] 其中，u，μ，Tl分布為平滑性，曲線長(zhǎng)度以及局部細(xì)節(jié)保持項(xiàng)的權(quán)重系數(shù)；Ψ (X) 為零水平集函數(shù)，Η(Φ (X))為以Φ (X)為自變量的單位階躍函數(shù)（Heaviside function)， γ，κ為尺度參數(shù)。
[0028] 進(jìn)一步地，上述的方法中，變分求解框架模塊中的求解能量泛函的步驟包括：根據(jù) 變分法將能量泛函轉(zhuǎn)化為偏微分方程的形式為：
[0029]
[0030]
[0031]
[0032] 其中，
均通過歐拉-拉格朗日方程確定。
[0033] 本發(fā)明的基于多特征高斯擬合的活動(dòng)輪廓血管提取系統(tǒng)包括：
[0034] 血管增強(qiáng)濾波模塊，其對(duì)視網(wǎng)膜圖像進(jìn)行血管增強(qiáng)濾波，即采用局部相位（local phase)血管增強(qiáng)算法將視網(wǎng)膜圖像中血管對(duì)應(yīng)的區(qū)域突顯出來，降低復(fù)雜背景信息和像素 灰度不均勾性對(duì)分割結(jié)果造成的干擾；其中，增強(qiáng)后的血管圖像（vesselness map)可以作 為一種新的特征圖像用于血管提取，即在血管圖像中，像素灰度值越高，其代表血管的可能 性越大；反之則越小為圖像背景的可能性越高大；
[0035] 局部高斯擬合能量泛函模塊，其對(duì)血管增強(qiáng)濾波后，將血管圖像和原始圖像中的 像素值作為兩個(gè)相互獨(dú)立的隨機(jī)變量，構(gòu)建一種新的基于二維高斯概率分布擬合的能量泛 函活動(dòng)輪廓模型，即在血管圖像和原始視網(wǎng)膜圖像中的像素值通過二維高斯分布統(tǒng)計(jì)模型 模擬一定圖像范圍內(nèi)的血管和背景區(qū)域內(nèi)的圖像統(tǒng)計(jì)特性，從而構(gòu)建一個(gè)區(qū)域的活動(dòng)輪廓 模型。僅使用該能量泛函可能存在一定的不足，因此還需要通過一個(gè)正則約束項(xiàng)，懲罰血管 輪廓曲線的不平滑性、不當(dāng)?shù)那€長(zhǎng)度、以及保持輪廓的局部細(xì)節(jié)；
[0036] 變分求解框架模塊，其構(gòu)建能量泛函后，使用變分水平集的求解框架進(jìn)行數(shù)學(xué)計(jì) 算，即血管輪廓以隱式水平集的形式表示，然后通過梯度下降流和歐拉-拉格朗日方程將 構(gòu)建的能量泛函轉(zhuǎn)化為一個(gè)偏微分方程，并通過迭代逼近的方式求出所述偏微分方程的最 優(yōu)解，進(jìn)而獲得最終的血管輪廓。
[0037] 進(jìn)一步地，上述的系統(tǒng)中，血管增強(qiáng)濾波模塊中，其采用的局部相位血管增強(qiáng)算法 包括以下實(shí)施中的相關(guān)參數(shù)：設(shè)置中心頻率為5 π /7,帶寬為2倍頻（octave)，濾波范圍為 15 X 15,濾波方向?yàn)?°、45°、90°和135°，圖像尺度系數(shù)為3,整合權(quán)重為3,正則系數(shù)為 3。通過局部相位的血管增強(qiáng)可以顯著突出血管所在的區(qū)域，同時(shí)減緩不相關(guān)背景信息的干 擾。
[0038] 進(jìn)一步地，上述的系統(tǒng)中，局部高斯擬合能量泛函模塊的能量泛函構(gòu)建步驟如 下：
[0039] 在血管圖像和原始視網(wǎng)膜圖像中，對(duì)任一像素點(diǎn)局部鄰域內(nèi)的灰度概率分布通過 二維高斯概率分布模型進(jìn)行模擬：