[发明专利]一种管状结构的中心线的提取方法及系统

说明书

本发明提供一种管状结构的中心线的提取方法及系统，方法包括：S1，在包含有管状结构的原始图像中，提取管状结构的中心线骨架，并将中心线骨架作为管状结构的初始中心线；S2，获取初始中心线的断桥区域中待连接的起点到所有候选终点的最优连接路径，并根据最优连接路径对断桥区域进行修复，以获取管状结构的完整中心线；其中，断桥区域为初始中心线中存在断点的区域。本发明提供的方法及系统，有效地抑制了原始图像中的背景噪声，使得提取到的管状结构的初始中心线更加精准，进而使得获取到的完整中心线更加精准；并有效地修复了初始中心线的断桥区域，从而使得最终能够获取到完整的中心线结构。

技术领域

本发明涉及图像处理技术领域，更具体地，涉及一种管状结构的中心线的提取方法及系统。

背景技术

管状结构出现在各种领域的图像中，例如医学图像中的冠脉血管、视网膜血管，航拍图像中的道路结构等。在医学图像中，管状结构的分析是理解血管病变与描述血管疾病的必需环节，其中，管状结构的中心线提取是十分重要的研究内容。中心线可以代表血管网络的拓扑结构，其完整性与准确性影响着对应各种应用的有效性和鲁棒性。

基于造影图像的血管中心线提取算法研究主要分为半自动提取与全自动提取两大类。其中，半自动的提取方法是由操作者在血管图像上设置中心线上的若干种子点，随后经过在累积代价图上的局部最优路径检索等方法实现对种子点的连接，得到最终血管中心线。然而为了得到准确的中心线信息，半自动的中心线提取方法需要人工设置多个种子点，这显然是不方便的。全自动的血管中心线提取算法可以分为两小类，一是基于增强的方法，该方法是对造影图像进行一系列的增强或分割操作后，自动地计算血管中心线部分。由于造影图像存在大量背景噪声和低对比度的问题，这些方法在进行血管增强时会出现对噪声有较大的增强响应、对细小血管有较小的增强响应等问题，这会导致中心线提取存在大量假阳性和假阴性结果。第二类是基于学习的方法,近几年，随着机器学习方法的兴起，越来越多基于学习分类的全自动中心线提取方法被提出。经过大量数据训练得到的分类器能够较好地去除背景噪声，并且经过多尺度训练得到的分类器能够提取出较细的血管。然而，基于学习分类提取中心线的方法只是针对个体点判断其是否位于血管中心线上，在相邻的点与点之间没有连接关系，因此会存在孤立噪声点的响应、不连续的中心线提取和拓扑信息错误等问题。

发明内容

本发明提供一种克服现有的提取管状结构中心线的半自动方法存在交互复杂，全自动方法提取的结果存在间断等问题的管状结构的中心线的提取方法及系统。

根据本发明的一个方面，提供一种管状结构的中心线的提取方法，包括：

S1，在包含有管状结构的原始图像中，提取所述管状结构的中心线骨架，并将所述中心线骨架作为所述管状结构的初始中心线；

S2，获取所述初始中心线的断桥区域中待连接的起点到所有候选终点的最优连接路径，并根据所述最优连接路径对所述断桥区域进行修复，以获取所述管状结构的完整中心线；

其中，所述断桥区域为所述初始中心线中存在断点的区域。

优选地，步骤S1具体包括：

S11，通过卷积神经网络训练好的分类器，对所述原始图像进行基于像素点的分类，以获取所述管状结构；

S12，通过多尺度高斯滤波，增强所述管状结构的中心显著性；

S13，通过对所述管状结构进行多个方向的非极大值抑制操作，获取所述多个方向下的所述管状结构的初始中心线候选点；

S14，将所述初始中心线候选点进行连接组合，以获取所述管状结构的中心线骨架，并将所述中心线骨架作为所述管状结构的初始中心线。

优选地，步骤S2具体包括：

S21，搜索所述初始中心线的断桥区域，所述断桥区域为一个或多个；