[发明专利]基于内超声图像序列的血管壁边缘自动检测方法

说明书

一种基于内超声图像序列的血管壁边缘自动提取方法，先粗检：利用血管壁处的信息特征，通过系列图像处理方法获取第一帧图像的初始边缘；再细检：改进GVF‑snake算法，引入自我调节因子和自适应法向外力，在增强边缘附近数据项的梯度影响，减少扩散引起的平滑效应的同时，能依据图像边缘和当前轮廓曲线相对位置来调整力的方向，扩大活动轮廓的捕捉范围，解决了由于无法到达局部区域而不能获得所需边缘的问题，使初始边缘精确收敛于实际管壁边缘。在变形过程中加入三次B样条，以减少控制点，提高收敛速度，光顺轮廓曲线，得到第一帧图像的最终边缘。由于相邻图像之间时间、空间相关性较大，将所获最终边缘作为下一帧图像初始边缘，重复上述细检工作，以此类推，得到序列图像的血管壁边缘。

技术领域

本发明涉及一种基于内超声图像序列的血管边缘自动检测方法，属于计算机医学图像分析领域，本方法实现了血管壁内外膜的自动提取，以此为基础进行图像分析，可以对血管腔的面积、血管厚度进行精确测量，有利于发现或识别早期冠状动脉粥样硬化斑块，具有重要的临床意义。

背景技术

在世界范围内，心脑血管疾病已成为人类疾病死亡的首要原因。血管内超声(Intravascular Ultrasound，IVUS)是当前诊断心脑血管疾病的最新技术。提取血管内超声超声图像中血管壁的内外边缘，并以此为基础进行图像分析，对于发现或识别早期冠状动脉粥样硬化斑块具有重要的临床意义。

近年来，基于血管内超声图像的血管边缘检测算法得到广泛研究。其中比较常用的提取算法有水平集模型，动态规划法，活动轮廓模型(Snake模型)及其各种改进型算法。这些算法需要手动选取初始轮廓，抗噪声干扰能力差，且存在边界凹陷处不易收敛的缺点。为了改善闭合边界凹陷处的曲线收敛特性，引入梯度向量流场(gradient vector flow，GVF)为新的外力来定义的GVF-Snake模型，依然存在一些不足，比如：收敛速度慢，且对初始边缘位置依赖大，当血管内超声图像有较大的噪声和伪影干扰时，提取效果不佳。

发明内容

本发明的目的在于，通过提供基于内超声图像的血管边缘自动检测方法，以提高边缘提取的准确率和运行效率。

本发明是采用以下技术手段实现的：

一种基于内超声图像序列的血管壁边缘自动检测方法，利用图像序列的时间特性和经验知识来抑制噪声，并检测冠状动脉血管壁的初始边缘，然后，利用三次B样条来光顺轮廓；再结合灰度图像的梯度、均值、方差信息，结合自适应算法，在梯度矢量流轮廓提取算法中引入新的调节因子和自我调整法向外力，用于对初始轮廓进行变形；最后获得冠状动脉血管内超声图像血管壁的最终边缘；包括下述步骤：

1.1.根据血管内超声图像的特点，综合利用图像处理方法，分别对血管壁内外边缘进行预提取，获得血管壁的初始边缘；

1.2.通过三次B样条曲线的局部性，构造矩阵如下：

其中0≤s≤1，在初始边缘上通过径向搜索得到均匀采样点Pi(s)＝(xi，yi)，经改进的GVF-snake变形后到达的点的位置坐标为Pj(s)＝(xj，yj)，采样点位置坐标的变化与所在改进后的矢量场的关系满足下式：