[發(fā)明專利]一種基于磁共振血管造影圖像的腦血管分割方法和系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201911105440.2
• 申請日: 2019-11-13
• 公開（公告）號(hào): CN111126403B
• 公開（公告）日: 2023-10-24
• 發(fā)明（設(shè)計(jì)）人: 萬曉華;呂智龍;張法;王醒策;劉新宇
• 申請（專利權(quán)）人: 中國科學(xué)院計(jì)算技術(shù)研究所
• 主分類號(hào): G06V10/26
• 分類號(hào): G06V10/26;G06V10/50;G06V10/764
• 代理公司: 北京律誠同業(yè)知識(shí)產(chǎn)權(quán)代理有限公司 11006
• 代理人: 祁建國

本發(fā)明提出一種基于磁共振血管造影圖像的腦血管分割方法和系統(tǒng).發(fā)明目的是解決現(xiàn)有的基于統(tǒng)計(jì)模型的MRA圖像腦血管分割方法中對細(xì)小血管的分割效果較差，血管的連續(xù)性不足的問題。針對已有模型中采用的單高斯模型來刻畫腦血管灰度值分布的不足，本發(fā)明提出采用雙高斯模型對腦血管組織進(jìn)行建模。對MRA圖像的整體灰度值分布進(jìn)行擬合易產(chǎn)生參數(shù)漂移的問題，本發(fā)明提出細(xì)化灰度直方圖的擬合區(qū)域，重點(diǎn)關(guān)注與腦血管分布相關(guān)的中高灰度值區(qū)域。另外，還引入了三維加權(quán)馬爾科夫隨機(jī)場，利用圖像的局部鄰域信息提高分割結(jié)果的連續(xù)性。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，并特別涉及一種基于磁共振血管造影圖像的腦血管分割方法和系統(tǒng)。

背景技術(shù)

磁共振血管造影(magnetic resonance angiography，MRA)技術(shù)是目前臨床醫(yī)學(xué)上用于腦血管成像的首要選擇。從MRA圖像中精確地分割出腦血管的結(jié)構(gòu)對于腦血管疾病的診斷，治療和評估是至關(guān)重要的。但由于腦部醫(yī)學(xué)圖像組織構(gòu)成復(fù)雜，組織間的灰度相近，使得該領(lǐng)域圖像分割任務(wù)具有很大的挑戰(zhàn)性。因此有關(guān)腦血管的分割方法的一直是研究的重點(diǎn)，其中基于統(tǒng)計(jì)模型的分割方法是一種有效的方法。

針對通過時(shí)間飛躍法采集得到的MRA圖像的特點(diǎn)，即不同組織的灰度值分布范圍不同，并根據(jù)統(tǒng)計(jì)學(xué)理論，相同組織具有相同的分布特征。因此，現(xiàn)有的基于統(tǒng)計(jì)模型的腦血管分割算法通過有限混合模型對腦部組織的分布進(jìn)行建模，并對組織的灰度值分布進(jìn)行擬合，進(jìn)而根據(jù)像素的概率密度區(qū)分血管和其他腦組織來實(shí)現(xiàn)腦血管分割。已有的有限混合模型對血管組織采用單高斯分布進(jìn)行建模，對非血管組織采用其他有限混合模型進(jìn)行建模，并在整體灰度值范圍內(nèi)對MRA圖像的灰度值分布進(jìn)行擬合。同時(shí)，一些分割方法也結(jié)合馬爾科夫隨機(jī)場來改善分割效果，也取得了一些效果。總體上，已有的基于統(tǒng)計(jì)模型的腦血管分割算法可以得到基本的腦血管結(jié)構(gòu)，但對細(xì)小血管的分割效果較差，血管的連續(xù)性不足。因此改善對細(xì)小血管的分割效果，并提高血管分割結(jié)果的連續(xù)性，是目前亟待解決的問題。

Wilson and Noble(1999)首次提出采用兩個(gè)高斯分布和一個(gè)均勻分布組成的有限混合模型，對腦血管組織的分布采用一個(gè)高斯分布進(jìn)行建模，該模型可以得到基本的腦血管結(jié)構(gòu)，但整體分割結(jié)果粗糙。Hassouna等人(2006)進(jìn)一步提出了三個(gè)高斯分布和一個(gè)瑞利分布組成的有限混合模型，仍然采用單高斯模型對腦血管分布進(jìn)行建模，但是對其余腦部組織采用雙高斯分布和單瑞利分布進(jìn)行建模。同時(shí)，他們考慮了三維MRA圖像中像素點(diǎn)間的鄰域關(guān)系，建立了三維馬爾科夫隨機(jī)場，并根據(jù)Hammersley-Clifford理論，通過Gibbs分布計(jì)算得到了分類的先驗(yàn)概率。綜合由有限混合模型得到的分類似然概率，和三維馬爾科夫隨機(jī)場得到的分類先驗(yàn)概率，通過最大后驗(yàn)概率估計(jì)和條件迭代模型，計(jì)算得到最終的腦血管分類結(jié)果，并且在細(xì)節(jié)上表現(xiàn)有所提升。之后，Wen等人(2015)提出可以采用雙高斯分布和單瑞利分布的混合高斯模型，并且通過三維馬爾科夫隨機(jī)場加強(qiáng)對混合高斯模型的參數(shù)的約，但分割效果不穩(wěn)定，方法健壯性不足。還有一些其他的統(tǒng)計(jì)模型的分割方法中提出了不同有限混合模型，但分割效果提升不大。

目前已有的統(tǒng)計(jì)模型的腦血管分割方法的基本全部采用單高斯分布對腦血管進(jìn)行建模，然而單高斯分布極易忽略血管組織與非血管組織的混合區(qū)域，這恰好是灰度值較低的細(xì)小血管所處的位置。因此，目前的方法難以分割出細(xì)節(jié)清楚的微小血管。其次，已有的算法都在力圖對MRA圖像的整體灰度值分布進(jìn)行建模，但是由于MRA圖像中非血管組織占比接近95％，這導(dǎo)致模型的絕大部分成分關(guān)注的是明顯與腦血管無關(guān)的其他組織，十分容易產(chǎn)生參數(shù)估計(jì)漂移，影響分割效果。最后，已有的基于馬爾科夫隨機(jī)場改善分割效果的算法對局部鄰域信息的刻畫不夠準(zhǔn)確和充分，這也會(huì)影響最終的分割效果。

發(fā)明內(nèi)容