[发明专利]一种超声图像血管分叉检测方法

说明书

本发明涉及一种超声图像血管分叉检测方法，包括以下步骤：获取超声图像，通过单通道提取将超声图像转化为灰度图像；对灰度图像进行Harris特征检测，得到兴趣点集图像；将兴趣点集图像进行傅里叶变换，在频域中通过巴特沃斯低通滤波器和LMS自适应滤波器去除高频噪声和高斯白噪声，得到去噪图像；对去噪图像进行边缘检测或图像分割，得到血管图像；利用zhang‑suen细化算法对血管图像进行血管细化，得到血管细化图像；通过调和均值滤波器对血管细化图像进行血管扩张填充处理，得到血管填充图像；对血管填充图像中所有的像素点进行卷积，得到血管分叉点。与现有技术相比，方法简洁，确定的分叉位置更加准确，且效率高。

技术领域

本发明涉及血管分叉检测领域，尤其是涉及一种超声图像血管分叉检测方法。

背景技术

随着计算机技术的发展和成熟，以及临床诊断技术的进步，医学图像处理得到了迅速的发展。医学图像处理技术作为一门新兴的学科和技术，在临床上的应用越来越广泛。同时，随着全球财富的增长和老龄化，各种影响血管网络的系统性疾病越来越普遍，如老年性黄斑变性、糖尿病视网膜病变、青光眼、高血压、动脉硬化和多发性硬化糖等。眼底图像常被用来诊断这些病变。血管系统在分叉和交叉处的几何特征，如交叉角、血管宽度、分叉不对称性和分支角的变化等，是血管不健康的标志，在这些情况下，分叉点和交点(统称为特征点)是衡量血管系统健康状况的关键指标。由于疾病可以改变分叉和交叉的形态，要利用交叉口的诊断信息，首先要对其进行识别和分类。分岔路口的识别和分类研究对于临床医学具有重要意义，因为它可以反映年龄或疾病引起的形态变异。

目前，血管图像特征点的识别主要是基于骨架的。基于骨架的方法的缺点是对血管分割的不精确性非常敏感。因为骨架获取过程中的误差会直接导致特征点检测误差。在过去，基于骨架的操作首先对图像进行二值化和细化，然后扫描整个图像来搜索目标像素的连接数。当连接数是3时，为分岔点；当连接数是4时，为交点。以往的基于骨架的血管分割和检测技术也不能很好地解决血管中存在的反射问题，出现反射现象时，血管中心线上的像素值太高，很容易引起将一条血管误以为是两条平行血管的问题，这样会导致扎针位置不准确。

发明内容

本发明的目的就是为了克服上述现有技术存在的不准确缺陷而提供一种超声图像血管分叉检测方法。

本发明的目的可以通过以下技术方案来实现：

一种超声图像血管分叉检测方法，该方法包括以下步骤：

S1：获取超声图像，通过单通道提取将超声图像转化为灰度图像；

S2：对灰度图像进行Harris特征检测，得到兴趣点集图像；

S3：将兴趣点集图像进行傅里叶变换，在频域中通过巴特沃斯低通滤波器和LMS自适应滤波器去除高频噪声和高斯白噪声，得到去噪图像；

S4：对去噪图像进行边缘检测或图像分割，得到血管图像；

S5：利用zhang-suen细化算法对血管图像进行血管细化，得到血管细化图像；

S6：通过调和均值滤波器对血管细化图像进行血管扩张填充处理，得到血管填充图像；

S7：对血管填充图像中所有的像素点进行卷积，得到血管分叉点。

S2中，对灰度图像进行Harris特征检测之前圈选感兴趣区域。

S3中巴特沃斯低通滤波器的阶数为20，截止频率为3000Hz。

S3中LMS自适应滤波器的阶数为50，学习率为0.00001，最大迭代次数为1000，最小迭代误差为0.002。

所述的S4包括：

对去噪图像依次进行腐蚀和膨胀；