[发明专利]一种基于血管内超声图像的血管外膜自动检测方法

说明书

技术领域

本发明涉及医学图像处理领域，特别是涉及一种快速行进（Fast Marching）算法、应用于血管内超声（IVUS：Intravascular ultrasound）图像的血管内外膜自动检测方法。

背景技术

血管内超声（IVUS: Intravascular Ultrasound）图像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临床应用价值。基于IVUS图像诊断动脉粥样硬化需要粥样硬化图像的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血管边缘检测。人工检测即由医生手动勾画血管内腔、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。因此，用计算机算法准确、快速、自动地检测IVUS图像中的血管边缘就显得很有必要。目前，基于IVUS图像的血管边缘计算机自动检测（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IVUS图像分割，从而检测出血管边缘，但是IVUS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；第二类是机器学习的方法(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.)，该类方法简单易行，但是往往需要给定初始轮廓线，而且，检测结果易受噪声等复杂图像特征的影响。上述几类基于IVUS图像的血管边缘检测方法都预先设定相应的模型，如图像灰度分布模型、形状模型等，而这些模型往往依赖于具体的成像条件。为更好地实现对IVUS图像中血管外膜的有效检测，本发明提出一种基于快速行进(Fast Marching)算法的IVUS图像血管外膜自动检测算法。

发明内容

本发明的目的在于针对现有技术的不足，提供一种更简单、更有效、更通用的IVUS图像血管外膜自动检测方法。

本发明的技术解决方案如下：

一种基于血管内超声图像的血管外膜自动检测方法，该方法包括一个将血管内超声图像从直角坐标转换到极坐标的过程；包括一个确定快速行进(Fast Marching)算法所需种子点的过程；包括一个根据图像灰度和梯度确定快速行进(Fast Marching)算法所需的每个像素点处行进速度的过程；包括一个利用快速行进(Fast Marching)算法自动检测血管外膜的过程。

进一步的，在一个将血管内超声图像从直角坐标转换到极坐标的过程中，以原始图像（直角坐标系）的中心点为极坐标之原点，将原始图像转换为极坐标图像。转换后的极坐标图像，纵向为径向采样，横向为扫描角度采样。