[发明专利]一种数字图像中树状结构的分支点检测方法

说明书

本发明公开了一种数字图像中树状结构的分支点检测方法，所述方法是基于两级级联卷积网络的深度分支点检测模型，即候选区域分割网络和误检排除网络。首先从原始图像中提取固定尺寸的样本训练各向异性卷积核的三维U型分割网络，再将包含树状结构的图像输入到训练好的分割网络中进行分割，得到分支点候选区域，以候选区域的每个点作为分支点的候选点；然后利用三个比例提取候选点的三个3D图像块并计算每个3D图像块三视图的最大强度投影以形成对应九个2D视图，同时将2D视图分别输入五个卷积层的堆栈中，最后将该候选点对应2D视图卷积后的特征进行融合，得到最终分支点检测结果，具有计算成本低、误检率低且检测效率高的特点。

技术领域

本发明涉及到图像处理技术领域，尤其涉及一种数字图像中树状结构的分支点检测方法。

背景技术

在数字图像研究中，树状结构(如神经元，视网膜血管和支气管)的形态学重建是非常重要的；在神经生物学研究中，大规模体积显微镜图像数据集进行三维神经元重建对于理解大脑神经网络的功能至关重要；在眼科学中，视网膜血管树的形态可以为诊断青光眼，增生性糖尿病视网膜病等疾病提供重要的临床信息。此外，支气管的形态重建在各种肺病的研究中具有重要意义，可以对支气管病变进行定量研究。

到目前为止，许多研究都集中在数字图像中树状结构的数字重建上，而用于自动且准确地检测树状结构的关键点(终端和分支点)的方法对于树状结构的许多数字重建极为重要，因为关键点不仅可以成为许多现有重建方法的初始种子点，而且也反映图像局部特征，有助于确定树状结构重建的拓扑结构。然而，包含树状结构的三维图像通常非常复杂，在大多数基于图论的重建方法中仅使用末梢点来获得树状结构的精确重建是一项具有挑战性的任务。如果可以自动检测分支点，那么重建树状结构的难度将大大减少。此外，分支点的分析在许多应用中具有重要意义，如神经解剖学研究，心血管疾病研究和图像配准中的界标识别。

然而，人类对树状结构中的分支点识别是极为耗时的，因为树状结构通常是复杂的并且分支点的数量巨大。比如通过沿不同方向手动观察支气管结构来确认分支点时，由于来自肺部结构的相互遮挡，很容易在标记过程中产生漏点，同时还可能存在由于结构交叉点导致视觉的错误识别而产生伪点，只有通过多次放缩以及旋转树状结构才能避免产生这种伪点。因此，手动标记树状结构中的分支点是非常困难且耗时的。

对于常规兴趣点检测方法来说，直接检测数字图像中树状结构的3D分支点是一项具有挑战性的任务，并且用于检测神经元分支点或血管分支点的现有方法通常仅适用于一种特定类型的数据集。诸如3D-Sift，3D-Harris，Heat Kernel Signature之类的3D兴趣点检测方法不能直接检测3D分支点。现有技术中发散射线模型使用射线强度分布特征来检测3D末梢点，然而，这种检测方法的性能对参数的选择非常敏感，调整包含树状结构的不同图像的参数并不是一件容易的事。一种方向滤波和特征提取算法结合基于两阶段模糊逻辑的推理系统，提出了检测神经元的2D末梢点和分支点。但是，它尚未扩展到检测3D分支点。也有研究人员提出了一种方向滤波和特征提取算法，该算法结合了基于两阶段模糊逻辑的推理系统来检测神经元的2D末梢点和分支点。但是，它尚未扩展到检测3D分支点。