一种基于磁共振血管造影图像的脑血管分割方法和系统技术方案

本发明专利技术提出一种基于磁共振血管造影图像的脑血管分割方法和系统.发明专利技术目的是解决现有的基于统计模型的MRA图像脑血管分割方法中对细小血管的分割效果较差，血管的连续性不足的问题。针对已有模型中采用的单高斯模型来刻画脑血管灰度值分布的不足，本发明专利技术提出采用双高斯模型对脑血管组织进行建模。对MRA图像的整体灰度值分布进行拟合易产生参数漂移的问题，本发明专利技术提出细化灰度直方图的拟合区域，重点关注与脑血管分布相关的中高灰度值区域。另外，还引入了三维加权马尔科夫随机场，利用图像的局部邻域信息提高分割结果的连续性。

A method and system of cerebrovascular segmentation based on MRA image

【技术实现步骤摘要】
一种基于磁共振血管造影图像的脑血管分割方法和系统
本专利技术涉及图像处理
，并特别涉及一种基于磁共振血管造影图像的脑血管分割方法和系统。
技术介绍
磁共振血管造影(magneticresonanceangiography，MRA)技术是目前临床医学上用于脑血管成像的首要选择。从MRA图像中精确地分割出脑血管的结构对于脑血管疾病的诊断，治疗和评估是至关重要的。但由于脑部医学图像组织构成复杂，组织间的灰度相近，使得该领域图像分割任务具有很大的挑战性。因此有关脑血管的分割方法的一直是研究的重点，其中基于统计模型的分割方法是一种有效的方法。针对通过时间飞跃法采集得到的MRA图像的特点，即不同组织的灰度值分布范围不同，并根据统计学理论，相同组织具有相同的分布特征。因此，现有的基于统计模型的脑血管分割算法通过有限混合模型对脑部组织的分布进行建模，并对组织的灰度值分布进行拟合，进而根据像素的概率密度区分血管和其他脑组织来实现脑血管分割。已有的有限混合模型对血管组织采用单高斯分布进行建模，对非血管组织采用其他有限混合模型进行建模，并在整体灰度值范围内对MRA图像的灰度值分布进行拟合。同时，一些分割方法也结合马尔科夫随机场来改善分割效果，也取得了一些效果。总体上，已有的基于统计模型的脑血管分割算法可以得到基本的脑血管结构，但对细小血管的分割效果较差，血管的连续性不足。因此改善对细小血管的分割效果，并提高血管分割结果的连续性，是目前亟待解决的问题。WilsonandNoble(1999)首次提出采用两个高斯分布和一个均匀分布组成的有限混合模型，对脑血管组织的分布采用一个高斯分布进行建模，该模型可以得到基本的脑血管结构，但整体分割结果粗糙。Hassouna等人(2006)进一步提出了三个高斯分布和一个瑞利分布组成的有限混合模型，仍然采用单高斯模型对脑血管分布进行建模，但是对其余脑部组织采用双高斯分布和单瑞利分布进行建模。同时，他们考虑了三维MRA图像中像素点间的邻域关系，建立了三维马尔科夫随机场，并根据Hammersley-Clifford理论，通过Gibbs分布计算得到了分类的先验概率。综合由有限混合模型得到的分类似然概率，和三维马尔科夫随机场得到的分类先验概率，通过最大后验概率估计和条件迭代模型，计算得到最终的脑血管分类结果，并且在细节上表现有所提升。之后，Wen等人(2015)提出可以采用双高斯分布和单瑞利分布的混合高斯模型，并且通过三维马尔科夫随机场加强对混合高斯模型的参数的约，但分割效果不稳定，方法健壮性不足。还有一些其他的统计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。目前已有的统计模型的脑血管分割方法的基本全部采用单高斯分布对脑血管进行建模，然而单高斯分布极易忽略血管组织与非血管组织的混合区域，这恰好是灰度值较低的细小血管所处的位置。因此，目前的方法难以分割出细节清楚的微小血管。其次，已有的算法都在力图对MRA图像的整体灰度值分布进行建模，但是由于MRA图像中非血管组织占比接近95％，这导致模型的绝大部分成分关注的是明显与脑血管无关的其他组织，十分容易产生参数估计漂移，影响分割效果。最后，已有的基于马尔科夫随机场改善分割效果的算法对局部邻域信息的刻画不够准确和充分，这也会影响最终的分割效果。
技术实现思路
本专利技术的目的是解决现有的基于统计模型的MRA图像脑血管分割方法中对细小血管的分割效果较差，血管的连续性不足的问题。针对已有模型中采用的单高斯模型来刻画脑血管灰度值分布的不足，本专利技术提出采用双高斯模型对脑血管组织进行建模。对MRA图像的整体灰度值分布进行拟合易产生参数漂移的问题，本专利技术提出细化灰度直方图的拟合区域，重点关注与脑血管分布相关的中高灰度值区域。另外，还引入了三维加权马尔科夫随机场，利用图像的局部邻域信息提高分割结果的连续性。针对现有技术的不足，本专利技术提出一种基于磁共振血管造影图像的脑血管分割方法，其中包括：步骤1、获取待脑血管分割的磁共振血管造影图像，对该磁共振血管造影图像的灰度直方图进行分析，得到灰度值的分布特征，根据该分布特征，确定拟合区域；步骤2、通过粒子群优化算法得到多高斯聚焦模型的参数，并依据该参数使用多高斯聚焦模型对该灰度直方图中的拟合区域进行拟合，得到血管类的第一似然概率和非血管类的第二似然概率，根据该第一似然概率和该第二似然概率对磁共振血管造影图像中各像素点进行最大似然分类，得到初级脑血管分割结果；步骤3、基于三维加权邻域系统，建立三维马尔科夫随机场，通过该三维马尔科夫随机场执行Gibbs分布，得到分类的先验概率；步骤4、将该第一似然概率、该第二似然概率和该先验概率输入至最大后验概率估计模型，得到血管类的后验概率和非血管类的后验概率，以该初级脑血管分割结果为初值，根据条件迭代模型，最大化分类的后验概率，直到分类结果不再改变或者达到最大迭代次数，停止迭代，得到最终的脑血管分割结果。所述的基于磁共振血管造影图像的脑血管分割方法，其中步骤1中该分布特征包括极值点以及百分位点。所述的基于磁共振血管造影图像的脑血管分割方法，其中该步骤2包括：步骤201、采用双高斯模型对脑血管组织和非血管组织的灰度值分布分别进行建模，将模型的拟合区域细化该拟合区域，多高斯聚焦模型的概率密度函数如下：f(x)＝wG1fG1(x)+wG2fG2(x)+wG3fG3(x)+wG4fG4(x)其中x代表图像体素点对应的灰度值，fG1和fG2代表脑血管对应的高斯分布函数，fG3和fG4代表非血管组织对应的高斯分布函数，wG1,wG2,wG3和wG4是对应高斯分布函数的权重值；高斯分布函数fGl如下：其中μGl和σGl分别代表高斯分布函数fGl的均值和标准差；步骤202、由该步骤201中多高斯聚焦模型的概率密度函数，得到模型的参数向量(wG1,wG2,wG3,wG4,μG1,σG1,μG2,σG2,μG3,σG3,μG4,σG4)，分别使用V和B代表血管类和非血管类，根据图像体素i对应的灰度值xi，分别得到该灰度值xi属于血管类的似然概率p(x|V)和属于非血管类的似然概率p(x|B):p(x|V)＝wG1fG1(xi)+wG2fG2(xi)；p(x|B)＝wG3fG3(xi)+wG4fG4(xi)其中，xi是三维MRA图像中的体素点对应的灰度值。步骤203、根据最大似然分类，当像素灰度值满足：wG1fG1(xi)+wG2fG2(xi)>wG3fG3(xi)+wG4fG4(xi)则该像素点属于血管类，对图像所有像素点进行分类判断，得到初步的脑血管分割结果。所述的基于磁共振血管造影图像的脑血管分割方法，其中该步骤3包括：步骤301、通过下式得到该三维加权邻域系统中邻域体素与中心体素的距离dsr：其中dx，dy和dz分别代表三维加权邻域系统中体素与中心体素在x，y和z轴方向上的距离差，t是与MRA图像切片厚度相关的参数；...

【技术保护点】
1.一种基于磁共振血管造影图像的脑血管分割方法，其特征在于，包括：/n步骤1、获取待脑血管分割的磁共振血管造影图像，对该磁共振血管造影图像的灰度直方图进行分析，得到灰度值的分布特征，根据该分布特征，确定拟合区域；/n步骤2、通过粒子群优化算法得到多高斯聚焦模型的参数，并依据该参数使用多高斯聚焦模型对该灰度直方图中的拟合区域进行拟合，得到血管类的第一似然概率和非血管类的第二似然概率，根据该第一似然概率和该第二似然概率对磁共振血管造影图像中各像素点进行最大似然分类，得到初级脑血管分割结果；/n步骤3、基于三维加权邻域系统，建立三维马尔科夫随机场，通过该三维马尔科夫随机场执行Gibbs分布，得到分类的先验概率；/n步骤4、将该第一似然概率、该第二似然概率和该先验概率输入至最大后验概率估计模型，得到血管类的后验概率和非血管类的后验概率，以该初级脑血管分割结果为初值，根据条件迭代模型，最大化分类的后验概率，直到分类结果不再改变或者达到最大迭代次数，停止迭代，得到最终的脑血管分割结果。/n

【技术特征摘要】
1.一种基于磁共振血管造影图像的脑血管分割方法，其特征在于，包括：
步骤1、获取待脑血管分割的磁共振血管造影图像，对该磁共振血管造影图像的灰度直方图进行分析，得到灰度值的分布特征，根据该分布特征，确定拟合区域；
步骤2、通过粒子群优化算法得到多高斯聚焦模型的参数，并依据该参数使用多高斯聚焦模型对该灰度直方图中的拟合区域进行拟合，得到血管类的第一似然概率和非血管类的第二似然概率，根据该第一似然概率和该第二似然概率对磁共振血管造影图像中各像素点进行最大似然分类，得到初级脑血管分割结果；
步骤3、基于三维加权邻域系统，建立三维马尔科夫随机场，通过该三维马尔科夫随机场执行Gibbs分布，得到分类的先验概率；
步骤4、将该第一似然概率、该第二似然概率和该先验概率输入至最大后验概率估计模型，得到血管类的后验概率和非血管类的后验概率，以该初级脑血管分割结果为初值，根据条件迭代模型，最大化分类的后验概率，直到分类结果不再改变或者达到最大迭代次数，停止迭代，得到最终的脑血管分割结果。


2.如权利要求1所述的基于磁共振血管造影图像的脑血管分割方法，其特征在于，步骤1中该分布特征包括极值点以及百分位点。


3.如权利要求1所述的基于磁共振血管造影图像的脑血管分割方法，其特征在于，该步骤2包括：
步骤201、采用双高斯模型对脑血管组织和非血管组织的灰度值分布分别进行建模，将模型的拟合区域细化该拟合区域，多高斯聚焦模型的概率密度函数如下：
f(x)＝wG1fG1(x)+wG2fG2(x)+wG3fG3(x)+wG4fG4(x)
其中x代表图像体素点对应的灰度值，fG1和fG2代表脑血管对应的高斯分布函数，fG3和fG4代表非血管组织对应的高斯分布函数，wG1,wG2,wG3和wG4是对应高斯分布函数的权重值；
高斯分布函数fGl如下：



其中μGl和σGl分别代表高斯分布函数fGl的均值和标准差；
步骤202、由该步骤201中多高斯聚焦模型的概率密度函数，得到模型的参数向量(wG1,wG2,wG3,wG4,μG1,σG1,μG2,σG2,μG3,σG3,μG4,σG4)，分别使用V和B代表血管类和非血管类，根据图像体素i对应的灰度值xi，分别得到该灰度值xi属于血管类的似然概率p(x|V)和属于非血管类的似然概率p(x|B):
p(x|V)＝wG1fG1(xi)+wG2fG2(xi)；p(x|B)＝wG3fG3(xi)+wG4fG4(xi)
其中，xi是三维MRA图像中的体素点对应的灰度值。
步骤203、根据最大似然分类，当像素灰度值满足：
wG1fG1(xi)+wG2fG2(xi)>wG3fG3(xi)+wG4fG4(xi)
则该像素点属于血管类，对图像所有像素点进行分类判断，得到初步的脑血管分割结果。


4.如权利要求3所述的基于磁共振血管造影图像的脑血管分割方法，其特征在于，该步骤3包括：
步骤301、通过下式得到该三维加权邻域系统中邻域体素与中心体素的距离dsr：



其中dx，dy和dz分别代表三维加权邻域系统中体素与中心体素在x，y和z轴方向上的距离差，t是与MRA图像切片厚度相关的参数；
步骤302、根据马尔可夫随机场与吉布斯分布间的等价性，通过吉布斯分布分别得到到脑血管类的先验概率p(V)和非脑血管类的先验概率P(B)：p(y)＝exp(-U(y))/Z,Z＝∑exp(-U(y))
其中y的取值来自分类集合(V,B)，U(y)是吉布斯分布中的能量函数，Z表示能量函数的归一化常数。


5.如权利要求4所述的基于磁共振血管造影图像的脑血管分割方法，其特征在于，该步骤4包括：
步骤401、结合似然概率P(x|y)和先验概率P(x)，根据最大后验概率估计：yop＝argmaxp(y|x)＝argmaxp(x|y)*p(y)
分别得到血管类的后验概率p(V|x)和非血管类的后验概率p(B|x):
p(V|x)∝p(x|V)*exp(-U(V))＝(wG1fG1(xi)+wG2fG2(xi))*exp(-U(V))；
p(B|x)∝p(x|B)*exp(-U(B))＝(wG3fG3(xi)+wG4fG4(xi))*exp(-U(B))。

...

【专利技术属性】
技术研发人员：万晓华，吕智龙，张法，王醒策，刘新宇，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：北京;11