[发明专利]一种血管内超声图像分割方法

说明书

技术领域

本发明涉及医学图像处理领域，具体涉及一种基于随机行走（Random Walker）算法，应用于血管内超声（IVUS：Intravascular ultrasound）图像分割的方法。

背景技术

血管内超声（IVUS: Intravascular Ultrasound）作为一种介入性实时超声成像技术，不仅能显示血管内腔形态，还能显示血管壁分层结构，对动脉粥样硬化等心血管疾病的诊断和治疗具有非常重要的价值。基于IVUS诊断动脉粥样硬化需要获取粥样硬化的图像特征如血管内腔面积、斑块面积等量化指标，这些量化指标的准确提取依赖于有效的图像分割。人工分割即由医生手动勾画血管内腔、中外膜边界等，不仅费时费力，而且受医生经验等主观性的限制，重复性也不好。因此，用计算机算法准确、快速、自动地分割血管内超声图像就显得很有必要。目前，血管内超声图像的计算机自动分割算法主要有三类：第一类为统计学方法（G. Mendizabal-Ruiz, M. Rivera, et al., “A probabilistic segmentation method for the identification of luminal borders in intravascular ultrasound images”, IEEE Conference on Computer Vision and Pattern Recognition, pp.1-8, 2008.），对图像的灰度分布进行统计学建模实现血管内超声图像分割，但血管内超声图像中的伪影、钙化等复杂的图像特征将大大降低统计建模的准确性；第二类通过机器学习的手段实现血管内超声图像分割(1.E. G. Bovenkamp, J. Dijkstra, J. G. Bosch, et al., “Multi-agent segmentation of IVUS images”, Patten Recognition, Vol.37, No.4, pp.647-663, 2004; 2. G. Unal, S. Bucher, S. Carlier, et al., “Shape-driven segmentation of the arterial wall in intravascular ultrasound images”, IEEE Trans. On information technology in biomedicine, Vol.12, No.3, pp.335-346, 2008.)，该类方法模型复杂，实际应用时受到诸多限制；第三类是基于活动轮廓线模型的方法(1. 张麒，汪源源等，“活动轮廓模型和Contourlet多分辨率分析分割血管内超声图像”，光学精密工程， Vol.16, No.11, pp.2301-311, 2008; 2. X. Zhu, P. Zhang, J. Shao, et al., “A snake-based method for segmentation of intravascular ultrasound images and its in vivo validation”, Ultrasonics, Vol.51, pp.181-189, 2011.)，该类方往往需要给定初始轮廓线，而且分割结果易受噪声、不同斑块等复杂图像特征的影响。上述几类血管内超声图像分割方法的虽然自动化程度较高，但是往往都需要经过很复杂的建模过程，且不方便通过人机交互对结果进行快速修正。

发明内容

为了解决上述问题，本发明提供了一种更为简单、无需复杂建模的、且方便通过人机交互对结果进行快速修正的基于随机行走算法的血管内超声图像自动分割方法。

为了达到上述目的，本发明采用了以下技术方案：

一种对血管内超声图像进行分割的方法，其特征在于，包含以下步骤：

通过血管内超声图像的平均灰度曲线图确定血管内腔种子点，通过以血管内超声图像的中心点为圆心，绕圆心一周的每个扫描角度上具有最大灰度值的像素连接起来确定血管外壁种子点；

采用随机行走算法计算血管超声图像中从每个像素点行走首先到达血管内腔种子点和血管外壁种子点的概率，得到血管内腔种子点的概率图像和血管外壁种子点的概率图像；

通过计算血管内超声图像，得到血管内超声图像的第一梯度图像；

以连续变化的概率阈值对血管外壁种子点的概率图像进行阈值处理，得到第一序列阈值图像；