[发明专利]一种脑血管分割方法、系统及电子设备

权利要求书

1.一种脑血管分割方法，其特征在于，包括以下步骤：

步骤a：对原始血管图像数据进行多尺度滤波增强处理，得到增强后的血管图像数据以及对应的方向向量场；

步骤b：建立有限混合模型，并估计所述有限混合模型的相关参数，得到类条件概率P(y|x)；

步骤c：计算所述血管图像数据的初始标记场，并将所述初始标记场与对应的方向向量场结合构成新的马尔可夫随机场；

用于获得所述新的马尔可夫随机场的能量函数为：

其中，α1和α2是比例系数，和分别表示点i和j的方向向量；

步骤d：根据马尔可夫随机场与Gibbs分布的等价性得到类先验概率P(x)，基于类条件概率P(y|x)和类先验概率P(x)，通过最大后验概率和条件迭代模式得到所述血管图像数据的血管分割结果。

2.根据权利要求1所述的脑血管分割方法，其特征在于，所述步骤a还包括：对原始血管图像数据的灰度直方图进行分析，并采用有限混合模型对原始血管图像数据的灰度直方图进行拟合。

3.根据权利要求2所述的脑血管分割方法，其特征在于，在所述步骤a中，所述对原始血管图像数据进行多尺度滤波增强处理具体为：将原始造影数据I与多尺度高斯核卷积，得到多尺度空间下的造影数据Iσ；在尺度σ下，坐标为(x，y，z)的点i，其对应的Hessian矩阵计算如下：

对H(i，σ)进行特征值分解，得到3个特征值(h1，h2，h3)和与之对应的3个特征向量其中|h1|≤|h2|≤|h3|；血管点对应的Hessian矩阵的特征值满足以下关系式：

h2≈h3∧|h2，3|＞＞|h1|

h3定义为如下形式：

上式中，τ是一个0到1之间的阈值，σ是滤波尺度；增强响应计算函数为：

4.根据权利要求3所述的脑血管分割方法，其特征在于，在所述步骤b中，所述建立有限混合模型，并估计所述有限混合模型的相关参数，得到类条件概率P(y|x)具体包括：通过Kmeans聚类法对原始血管图像数据进行初分类，得到有限混合模型的初始相关参数；利用阈值tn(n＝1，…，Ni)处理滤波增强后的血管图像数据，得到不同的伪血管空间Ωn，再计算各阈值对应空间的均值和方差当血管空间对应的均值和容积率比Ωn/VH接近血管经验值时，将对应的阈值作为最佳阈值，根据所述最佳阈值进一步更正血管类的参数，并将该参数作为期望最大化算法的初始值，利用期望最大化算法得到有限混合模型最终的相关参数，并得到类条件概率P(y|x)。

5.根据权利要求4所述的脑血管分割方法，其特征在于，在所述步骤d中，所述通过最大后验概率和条件迭代模式得到所述血管图像数据的血管分割结果具体为：在已求得类条件概率P(y|x)和类先验概率P(x)的条件下，利用迭代条件模型，不断最大化局部后验概率，在第n次迭代时，根据已知的观测数据y和标记场求出新的最大后验概率Pn(x|y)，得到新的标记场，直到所有数据点的标记不再变化或者迭代次数达到预设值时停止迭代，得到血管图像数据的血管分割结果。

6.一种脑血管分割系统，其特征在于，包括：

数据滤波模块：用于对原始血管图像数据进行多尺度滤波增强处理，得到增强后的血管图像数据以及对应的方向向量场；

参数估计模块：用于建立有限混合模型，并估计所述有限混合模型的相关参数，得到类条件概率P(y|x)；

随机场计算模块：用于计算所述血管图像数据的初始标记场，并将所述初始标记场与对应的方向向量场结合构成新的马尔可夫随机场；

血管分割模块：用于根据马尔可夫随机场与Gibbs分布的等价性得到类先验概率P(x)，

基于类条件概率P(y|x)和类先验概率P(x)，通过最大后验概率和条件迭代模式得到所述血管图像数据的血管分割结果。

7.根据权利要求6所述的脑血管分割系统，其特征在于，还包括数据拟合模块，所述数据拟合模块用于对原始血管图像数据的灰度直方图进行分析，并采用有限混合模型对原始血管图像数据的灰度直方图进行拟合。