[发明专利]造影图像中血管分割的方法和系统

说明书

本发明提供一种造影图像中血管分割的方法和系统，包括：将盈片图像中的每个像素坐标作为基准坐标，从蒙片图像中选取一个与该基准坐标匹配的像素坐标，作为对比坐标；分别在盈片图像和蒙片图像中提取相同大小的子图像，构成一个图像对；将所有图像对输入至双通道卷积神经网络，输出第一血管分割图像；根据预设规则对每个参考图像提取多个不同尺度的图像，将所有不同尺度的图像输入至多尺度卷积神经网络，输出第二血管分割图像，对所述第二血管分割图像进行显示。本发明通过双通道卷积神经网络和多尺度卷积神经网络进行两次分类，使得最终的显示图像中血管边界清楚、细节明显，同时整个过程实现了全自动交互，效率极高。

技术领域

本发明涉及图像处理技术领域，更具体地，涉及一种造影图像中血管分割的方法和系统。

背景技术

如今，冠状动脉疾病已经成为了威胁人类健康的主要威胁。在冠心病的诊疗当中，心血管造影图像已成为诊断的金标准，基于造影图像的计算机辅助诊疗系统能够很好的帮助医生诊断病情和制定治疗方案，具有十分重要的研究意义。在造影图像计算机辅助诊断系统中，血管分割技术是尤为关键的技术，是中心线提取、半径测量、三维重建等技术的基础。

造影图像存在对比度低、造影剂分布不均匀、噪声严重等缺点，自动的提取从造影图像中提取血管结构非常具有挑战性。目前血管分割方法可以分为：

基于阈值的分割方法，该方法通常首先对血管结构进行增强，然后采用不同的阈值策略进行分割，最常见的做法是人工设计特定的滤波器，使得在对血管图像进行滤波后管状结构得到增强，而非管状结构得到抑制。该方法对于一些简单的问题，例如眼底血管图像的分割，有着比较不错的效果。但是由于冠脉图像血管对比度比较低，基于阈值的方法无法很好的区分造影图像的冠脉结构和背景区域。

基于机器学习的血管分割技术，该方法主要将血管分割看作一个二分类问题，通过手工选取特征或者深度学习获取特征，结合相应的分类器进行前景和背景的分类实现分割效果。但是，血管背景区域有许多和冠脉结构相似的伪血管结构，基于机器学习的方法往往很难将这些结构和冠脉结构进行有效的区分。该方法往往结合一些形状先验知识进行分割，并采用半自动的分割方式，例如水平集和活动轮廓方法采用人工标注种子点的方式获取初始轮廓，血管跟踪模型则需要人为给予其初始点和方向信息以进行血管段跟踪。

基于模型的分割方法，该方法的优点是精度比较高，并可以通过初始选择种子点的方式规避背景噪声，但缺点是需要交互。由于造影图像背景区域存在大量的伪影结构，因此，最为广泛采用的分割算法几乎都是半自动的分割算法，因为这些算法可以很好的规避复杂的背景噪声，但这些算法的缺点是需要比繁琐的交互操作，加重了医生的工作量，限制了计算机辅助诊疗在造影图像中的应用。

发明内容

本发明提供一种克服上述问题或者至少部分地解决上述问题的造影图像中血管分割的方法和系统。

根据本发明的一个方面，提供一种造影图像中血管分割的方法，包括：

获取待分割的盈片图像与蒙片图像，将所述盈片图像中的每个像素坐标作为基准坐标，从所述蒙片图像中选取一个与该基准坐标匹配的像素坐标，作为对比坐标；

以每个基准坐标和匹配的对比坐标为中心，分别在所述盈片图像和蒙片图像中提取相同大小的子图像，构成一个图像对；将所有图像对输入至双通道卷积神经网络，输出第一血管分割图像；

从经过图像膨胀处理后的第一血管分割图像中选择目标区域，逐个提取以所述目标区域中的每个像素坐标为中心的子图像，作为参考图像，根据预设规则对每个参考图像提取多个不同尺度的图像，将所有不同尺度的图像输入至多尺度卷积神经网络，输出第二血管分割图像，对所述第二血管分割图像进行显示。

优选地，所述双通道卷积神经网络包括两个卷积通道；

相应地，所述将所有图像对输入至双通道卷积神经网络的步骤，具体包括：