[发明专利]一种基于限制点集方法的血管壁网格划分方法

摘要

一种基于限制点集方法的血管壁网格划分方法，涉及计算机医学图像分析领域，其特征在于，首先，一种基于限制点集方法的血管壁网格划分方法。首先，图像序列结合GVF-snake模型对血管内超声图像进行分割，提取出血管壁的ROI区域；然后，根据多次实验对比，拟定合适的阈值对ROI区域进行二值化处理的到血管壁的内外膜边缘；最后，利用限制点集的方法选取边缘上的特征点，并对特征点进行Delaunay划分，消去位于血管腔中的无效三角形，从而获得直观、精确的血管壁划分效果。为后续血管壁应变分析创造条件。

主权项

一种基于限制点集方法的血管壁网格划分方法，其特征在于，是在连接着血管内超声仪的计算机中依次按以下步骤进行的：步骤(1)血管内超声仪一般以0.5mm/s的速度匀速回拉导管，获得人体冠状动脉的血管内超声视频影像；步骤(2)将步骤(1)得到的血管内超声视频影像导入计算机，从视频中截取连续的多帧血管内超声图像作为实验图像，图像分辨率为384*384，以下简称为超声图像；步骤(3)对上述超声图像检测血管壁内外膜边缘进行超声图像感兴趣区域ROI分割；步骤(4)对步骤(3)中取得的ROI区域进行二值化，m表示已取得的IVUS图像的ROI区域，此时m是一个384*384的矩阵，取值范围0～255，经过多次实验对比，二值化的阈值设为240，即m值小于240的全部归一化为0，m值大于等于240的全部归一化为255；步骤(5)将步骤(4)中已进行二值化处理的ROI区域提取内外膜边缘特征点；步骤(5.1)从图像边缘上提取出有意义的n个点，使这n个点最具有代表性；首先这n个点要在图像边缘上；其次最近邻的两点之间要尽量分散开；具体做法是首先对边缘像素随机抽样，在对边缘像素随机抽样过程中检查全部点对的欧式距离：$d=\sqrt{{(x_1-x_2)}^2+{(y_1-y_2)}^2}---\left(1\right)$其中，d表示两相邻点之间的距离，(x₁,y₁)，(x₂,y₂)分别为两个相邻点的坐标；每次去除距离最小的点对中的一个点，直至剩下点的数量达到要取样的点的数量n；为了减少计算量，当m＞＞n时，随机取3n个点，对这3n个点进行上述操作即可；如果直接对这些点进行Delaunay网格划分可以看到这种边缘定点的划分结果不是很均匀而且划分区域包括了血管腔部分，显然不合理；步骤(5.2)对于步骤(5.1)取得的点集设为点集合P＝{p₁,p₂,p₃...p_n}，n为边界点个数，从集合P中尽可能少的提取特征点，并且能满足提取后的特征点能够表示血管壁的边缘形态，包括以下几部分内容：1).设定初始角度阈值ε和长度阈值t；2).选取横坐标最大的边界点S1作为初始点，按逆时针方向查找第二个边界点S2，连接S1、S2形成线段L1，然后查找下一点S3，连接S2、S3形成L2，计算L1与L2的夹角θ；其中$\mathrm{\&theta;}=\arctan \left(\frac{k_2-k_1}{1+k_1{k}_2}\right)---\left(2\right)$k₂和k₁分别是线段L2和L1的斜率，并计算点S1、S3连线L3的长度L，当θ≥ε时点S3为特征点，表示S3点是边界特征变化的拐点；当θ<ε且L≥t表明S3点边界特征变化不大，但忽略点S2后，形成的约束线段L3的长度已超过阈值长度，那么忽略该点会导致网格构建后的三角形出现狭长和尖锐的部分，不符合要求，故满足该条件的点也视为特征点；其余点视为非特征点；3).初始角度阈值ε的选择可根据对血管壁网格划分大小不同要求进行选择，网格较小则阈值ε选择较小，表示出现小突变的边界点也视为特征点，在MATLAB的坐标环境下，ε取值在0.5°～1.5°之间，长度阈值t设为10；步骤(6)对上述点进行Delaunay划分，将得到的三角形按照它们与血管壁的位置关系分为两类：1)位于血管壁内外膜之间；2)位于位于血管腔内；求出三角形的中心点坐标P(x,y)，然后判断P(x,y)点与内外膜边界点的位置关系，通过判断中心点的位置关系，便可确定该三角形属于哪一类；将第2)种类型的三角形存入非法三角形集合T中，并将T中的三角形按比邻关系进行分组，记为Z_n，彼此相邻为一组，n＝1,2,3…为每一组的索引，将同组内三角形按逆时针方向进行排序，以集合T中组Z_n为顺序，遍历每个Z_n中所有非法三角形，在第1)种类型三角形中找出所有与该三角形有共享边的其他三角形，对于共享边予以保留，剩余的边予以删除，遍历集合T，直至T中所有三角形都被清除。