CN105225237B - 光声显微血管图像分割和量化方法及装置 - Google Patents

Abstract

本发明公开一种光声显微血管图像分割和量化方法及装置，能够准确、全面的量化光声显微血管图像的血管特征。所述方法包括：获取待进行分割和量化处理的光声显微血管图像，利用多尺度Hessian滤波器对所述光声显微血管图像进行分割得到第一分割图像，并利用局部自适应阈值方法对所述光声显微血管图像进行分割得到第二分割图像；采用加权平均方法对所述第一分割图像和所述第二分割图像进行复合，并将得到的图像作为第三分割图像；基于所述第三分割图像计算所述光声显微血管图像的血管特征参数，其中，所述血管特征参数包括血管半径、血管密度、血管长度分数和分形维数。

Description

光声显微血管图像分割和量化方法及装置

技术领域

本发明涉及图像处理领域，具体涉及一种光声显微血管图像分割和量化方法及装置。

背景技术

对人体微循环系统的实时成像，允许人们直观的观测与血管相关的疾病发展过程。光声显微成像技术(PAM)作为一种无损检测技术，可用于获取生物组织血管图像用于微循环疾病的检测。虽然光声显微血管图像可以实现血管目标的可视化，但是仅能定性的表征血管特征。而定量的方法可以以数字的形式更为直观的用于临床疾病的诊断。

已有的一些量化方法包括测量血管直径，血流速度和最邻近血管的最大距离等。但这些参数仅仅描述血管的强度信息，而描述血管弯曲形态的参数更为有用，比如视网膜血管形态的变化可以作为冠心病和中风的早期表征。由此，寻找一种综合血管的强度信息和形态信息的血管特征的量化方法成为一种亟待解决的问题。

发明内容

本发明的目的在于，提供一种光声显微血管图像分割和量化方法及装置，能够准确、全面的量化光声显微血管图像的血管特征。

为此目的，一方面，本发明提出一种光声显微血管图像分割和量化方法，包括：

获取待进行分割和量化处理的光声显微血管图像，利用多尺度Hessian滤波器对所述光声显微血管图像进行分割得到第一分割图像，并利用局部自适应阈值方法对所述光声显微血管图像进行分割得到第二分割图像；

采用加权平均方法对所述第一分割图像和所述第二分割图像进行复合，并将得到的图像作为第三分割图像；

基于所述第三分割图像计算所述光声显微血管图像的血管特征参数，其中，所述血管特征参数包括血管半径、血管密度、血管长度分数和分形维数。

另一方面，本发明提出一种光声显微血管图像分割和量化装置，包括：

分割单元，用于获取待进行分割和量化处理的光声显微血管图像，利用多尺度Hessian滤波器对所述光声显微血管图像进行分割得到第一分割图像，并利用局部自适应阈值方法对所述光声显微血管图像进行分割得到第二分割图像；

复合单元，用于采用加权平均方法对所述第一分割图像和所述第二分割图像进行复合，并将得到的图像作为第三分割图像；

计算单元，用于基于所述第三分割图像计算所述光声显微血管图像的血管特征参数，其中，所述血管特征参数包括血管半径、血管密度、血管长度分数和分形维数。

本发明实施例所述的光声显微血管图像分割和量化方法及装置，结合Hessian滤波器的多尺度特性有效分割图像中不同尺寸的血管，并采用自适应局域阈值方法对Hessian滤波器的模糊和放大效应进行改进，以给出更为精确的分割结果，即利用改进的多尺度Hessian滤波器从光声显微血管图像中分割出血管，并量化得到表征血管特征的血管半径、血管密度、血管长度分数和分形维数，相较于仅对血管的强度信息进行量化的现有技术，本发明综合血管的强度信息和形态信息，对血管的特征参数进行量化，能够更为准确、全面的量化光声显微血管图像的血管特征，以用以识别血管疾病。

附图说明

图1为本发明光声显微血管图像分割和量化方法一实施例的流程示意图；

图2为一个原始的光声显微血管图像；

图3为本发明光声显微血管图像分割和量化方法另一实施例得到的骨架图像；

图4为本发明光声显微血管图像分割和量化方法又一实施例得到的分割图像以及血管特征参数的量化图：(A)为原始光声显微血管图像，(B)为第一分割图像，(C)为第二分割图像，(D)为第三分割图像，(E)为血管半径量化图；

图5为本发明光声显微血管图像分割和量化方法又一实施例得到的子区域的血管特征参数的量化图：(A)为血管长度分数量化图，(B)为血管密度量化图，(C)为分形维数量化图；

图6为本发明光声显微血管图像分割和量化装置一实施例的方框结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本实施例公开一种光声显微血管图像分割和量化方法，包括：

S1、获取待进行分割和量化处理的光声显微血管图像(如图2所示为一个原始的光声显微血管图像)，利用多尺度Hessian滤波器对所述光声显微血管图像进行分割得到第一分割图像，并利用局部自适应阈值方法对所述光声显微血管图像进行分割得到第二分割图像；

S2、采用加权平均方法对所述第一分割图像和所述第二分割图像进行复合，并将得到的图像作为第三分割图像；

S3、基于所述第三分割图像计算所述光声显微血管图像的血管特征参数，其中，所述血管特征参数包括血管半径、血管密度、血管长度分数和分形维数。

本发明实施例所述的光声显微血管图像分割和量化方法，结合Hessian滤波器的多尺度特性有效分割图像中不同尺寸的血管，并采用自适应局域阈值方法对Hessian滤波器的模糊和放大效应进行改进，以给出更为精确的分割结果，即利用改进的多尺度Hessian滤波器从光声显微血管图像中分割出血管，并量化得到表征血管特征的血管半径、血管密度、血管长度分数和分形维数，相较于仅对血管的强度信息进行量化的现有技术，本发明综合血管的强度信息和形态信息，对血管的特征参数进行量化，能够更为准确、全面的量化光声显微血管图像的血管特征，以用以识别血管疾病。

可选地，在本发明光声显微血管图像分割和量化方法的另一实施例中，所述利用多尺度Hessian滤波器对所述光声显微血管图像进行分割得到第一分割图像，包括：

根据所述光声显微血管图像I确定所述多尺度Hessian滤波器的尺度范围[s_min,s_max]以及尺度间隔Δs，其中，I∈R^m×n，m∈N⁺，n∈N⁺；

对于每一个尺度s，计算该尺度s下所述光声显微血管图像I中每一个像素点位置x处的的Hessian矩阵H(I)_sx，并对H(I)_sx进行特征值分解，得到D个特征值λ_xl,λ_x2,…,λ_xD，计算公式为其中，s＝s_min+k*Δs，k为整数，且s∈[s_min,s_max]，γ为正则化参数，I(x)为所述光声显微血管图像I中位置为x的像素点的强度，D为所述光声显微血管图像I的维数，|λ_x1|≥|λ_x2|≥|λ_x3|≥...≥|λ_xD|；

对于每一个尺度s，计算该尺度s下所述光声显微血管图像I中每一个像素点位置x处的血管函数值v_s(x)，计算公式为其中， α、β和θ为常数；

计算所述第一分割图像I_H中每一个像素点的强度I_H(x)，计算公式为其中，x为像素点的位置，T为阈值参数；

根据所述第一分割图像I_H中每一个像素点的强度I_H(x)生成所述第一分割图像I_H。

可选地，在本发明光声显微血管图像分割和量化方法的另一实施例中，所述利用局部自适应阈值方法对所述光声显微血管图像进行分割得到第二分割图像，包括：

对于所述光声显微血管图像I中每一个像素点，计算该像素点位置x处的阈值参数T_x，计算公式为其中，I(v)为所述光声显微血管图像I中位置为v的像素点的强度，W_x为以位置为x的像素点为中心的阈值窗口W在所述光声显微血管图像I中的区域，W∈R^M×M，M为奇数；

计算所述第二分割图像中每一个像素点的强度I_T(x)，计算公式为其中，I(x)为所述光声显微血管图像I中位置为x的像素点的强度；

根据所述第二分割图像中每一个像素点的强度I_T(x)生成所述第二分割图像I_T。

可选地，在本发明光声显微血管图像分割和量化方法的另一实施例中，所述采用加权平均方法对所述第一分割图像和所述第二分割图像进行复合，并将得到的图像作为第三分割图像，包括：

计算所述第三分割图像中每一个像素点的强度I_out(x)，计算公式为I_out(x)＝α×I_T(x)+(1-α)×I_H(x)，其中，α为权值因子，I_H(x)为所述第一分割图像中位置为x的像素点的强度，I_T(x)为所述第二分割图像中位置为x的像素点的强度；

根据所述第三分割图像中每一个像素点的强度I_out(x)生成所述第三分割图像I_out。

本发明实施例中，采用加权平均的方法对所述第一分割图像和所述第二分割图像进行复合，从而能够得到更为精确的血管分割结果。

可选地，在本发明光声显微血管图像分割和量化方法的另一实施例中，所述基于所述第三分割图像计算所述光声显微血管图像的血管特征参数，包括：

基于所述第三分割图像，采用距离变换方法计算所述光声显微血管图像I的血管半径；

基于所述第三分割图像，计算所述光声显微血管图像I的血管密度VD，计算公式为其中，I_out(x)为所述第三分割图像I_out中位置为x的像素点的强度，I_out∈R^m×n，m∈N⁺，n∈N⁺；

采用骨架化方法计算所述第三分割图像I_out的骨架图像I_skel，并基于所述骨架图像I_skel，计算所述光声显微血管图像I的血管长度分数VLF，计算公式为其中，I_skel(y)为所述骨架图像I_skel中位置为y的像素点的强度；

利用所述骨架图像I_skel，采用box-counting方法计算所述光声显微血管图像I的分形维数V_FD。

可选地，在本发明光声显微血管图像分割和量化方法的另一实施例中，还包括：

计算所述光声显微血管图像每一点的血管特征参数生成相应的血管特征参数的量化图。

如图4所示，(A)为原始光声显微血管图像，(B)为第一分割图像，(C)为第二分割图像，(D)为第三分割图像，(E)为血管半径量化图，从图3中可以较为清晰地看到血管半径信息，有助于微循环血管类疾病的诊断。

可选地，在本发明光声显微血管图像分割和量化方法的另一实施例中，所述计算所述光声显微血管图像每一点的血管特征参数，并生成相应的血管特征参数量化图，包括：

根据所述光声显微血管图像的血管半径生成血管半径的量化图；

对于所述光声显微血管图像I中每一个像素点，计算该像素点位置x处的血管密度VD(x)，并根据VD(x)生成血管密度的量化图，计算公式为其中，I_out(z)为所述第三分割图像I_out中位置为z的像素点的强度，W_x为以位置为x的像素点为中心的局部窗口N₁为奇数；

对于所述光声显微血管图像I中每一个像素点，计算该像素点位置x处的血管长度分数VLF(x)，并根据VLF(x)生成血管长度分数量化图，计算公式为其中，I_skel(u)为所述骨架图像I_skel中位置为u的像素点的强度；

对于所述光声显微血管图像I中每一个像素点，利用所对应的骨架图像中该像素点的位置x的像素值I_skel(x)，采用box-counting方法计算所述光声显微血管图像I中的每一点的分形维数V_FD(x)，并根据V_FD(x)生成分形维数量化图。

本发明实施例中，计算光声显微血管图像中每一位置处的血管半径时可以直接从光声显微血管图像的血管半径的计算结果中获取；而每一位置处的血管长度分数、血管密度和分形维数信息的计算方法原理上大致与光声显微血管图像的相应血管特征参数的计算方法相同，唯一不同的是，因为涉及到某一位置，需要找到用于进行血管特征参数计算的第三分割图像上的一个子区域，而后即可按照与光声显微血管图像的相应血管特征参数的计算方法相同的方法计算找到的第三分割图像上的子区域对应的光声显微血管图像的子区域的血管特征参数，并将计算得到的值作为某一个位置处的血管特征参数。

可选地，在本发明光声显微血管图像分割和量化方法的另一实施例中，还包括：

计算所述光声显微血管图像I的子区域图像的量化参数。

可选地，在本发明光声显微血管图像分割和量化方法的另一实施例中，所述计算所述光声显微血管图像I的子区域图像的量化参数，还包括：

对于所述子区域R的血管半径量化参数，基于血管半径量化图，对所述子区域R中所有像素点位置处的血管半径求平均，得到所述子区域R的血管半径量化参数值；

对于所述子区域R的血管密度量化参数，基于血管密度量化图，对所述子区域R中所有像素点位置处的血管密度求平均，得到所述子区域R的血管密度量化参数值；

对于所述子区域R的血管长度分数量化参数，基于血管长度分数量化图，对所述子区域R中所有像素点位置处的血管长度分数求平均，得到所述子区域R的血管长度分数量化参数值；

对于所述子区域R的血管分形维数量化参数，基于血管分形维数量化图，对所述子区域R中所有像素点位置处的血管分形维数求平均，得到所述子区域R的血管分形维数量化参数值。

如图5所示的小区域的血管特征参数的量化图，(A)为血管长度分数量化图，(B)为血管密度量化图，(C)为分形维数量化图，从图5中可以较为清晰地看到子区域的血管长度分数、血管密度和分形维数信息，有助于对局部血管情况的观测。

如图6所示，本实施例公开一种光声显微血管图像分割和量化装置，包括：

分割单元1，用于获取待进行分割和量化处理的光声显微血管图像，利用多尺度Hessian滤波器对所述光声显微血管图像进行分割得到第一分割图像，并利用局部自适应阈值方法对所述光声显微血管图像进行分割得到第二分割图像；

复合单元2，用于采用加权平均方法对所述第一分割图像和所述第二分割图像进行复合，并将得到的图像作为第三分割图像；

计算单元3，用于基于所述第三分割图像计算所述光声显微血管图像的血管特征参数，其中，所述血管特征参数包括血管半径、血管密度、血管长度分数和分形维数。

本发明实施例所述的光声显微血管图像分割和量化装置，结合Hessian滤波器的多尺度特性有效分割图像中不同尺寸的血管，并采用自适应局域阈值方法对Hessian滤波器的模糊和放大效应进行改进，以给出更为精确的分割结果，即利用改进的多尺度Hessian滤波器从光声显微血管图像中分割出血管，并量化得到表征血管特征的血管半径、血管密度、血管长度分数和分形维数，相较于仅对血管的强度信息进行量化的现有技术，本发明综合血管的强度信息和形态信息，对血管的特征参数进行量化，能够更为准确、全面的量化光声显微血管图像的血管特征，以用以识别血管疾病。

虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (9)

1.一种光声显微血管图像分割和量化方法，其特征在于，包括：

获取待进行分割和量化处理的光声显微血管图像，利用多尺度Hessian滤波器对所述光声显微血管图像进行分割得到第一分割图像，并利用局部自适应阈值方法对所述光声显微血管图像进行分割得到第二分割图像；

采用加权平均方法对所述第一分割图像和所述第二分割图像进行复合，并将得到的图像作为第三分割图像；

基于所述第三分割图像计算所述光声显微血管图像的血管特征参数，其中，所述血管特征参数包括血管半径、血管密度、血管长度分数和分形维数；

所述利用多尺度Hessian滤波器对所述光声显微血管图像进行分割得到第一分割图像，包括：

根据所述光声显微血管图像I确定所述多尺度Hessian滤波器的尺度范围[s_min,s_max]以及尺度间隔Δs，其中，I∈R^m×n，m∈N⁺，n∈N⁺；

对于每一个尺度s，计算该尺度s下所述光声显微血管图像I中每一个像素点位置x处的的Hessian矩阵H(I)_sx，并对H(I)_sx进行特征值分解，得到D个特征值λ_xl,λ_x2,…,λ_xD，计算公式为其中，s＝s_min+k*Δs，k为整数，且s∈[s_min,s_max]，γ为正则化参数，I(x)为所述光声显微血管图像I中位置为x的像素点的强度，D为所述光声显微血管图像I的维数，|λ_x1|≥|λ_x2|≥|λ_x3|≥...≥|λ_xD|；

对于每一个尺度s，计算该尺度s下所述光声显微血管图像I中每一个像素点位置x处的血管函数值v_s(x)，计算公式为其中， α、β和θ为常数；

计算所述第一分割图像I_H中每一个像素点的强度I_H(x)，计算公式为其中，x为像素点的位置，T为阈值参数；

根据所述第一分割图像I_H中每一个像素点的强度I_H(x)生成所述第一分割图像I_H。

2.根据权利要求1所述的光声显微血管图像分割和量化方法，其特征在于，所述利用局部自适应阈值方法对所述光声显微血管图像进行分割得到第二分割图像，包括：

对于所述光声显微血管图像I中每一个像素点，计算该像素点位置x处的阈值参数T_x，计算公式为其中，I(v)为所述光声显微血管图像I中位置为v的像素点的强度，W_x为以位置为x的像素点为中心的阈值窗口W在所述光声显微血管图像I中的区域，W∈R^M×M，M为奇数；

计算所述第二分割图像中每一个像素点的强度I_T(x)，计算公式为其中，I(x)为所述光声显微血管图像I中位置为x的像素点的强度；

根据所述第二分割图像中每一个像素点的强度I_T(x)生成所述第二分割图像I_T。

3.根据权利要求1所述的光声显微血管图像分割和量化方法，其特征在于，所述采用加权平均方法对所述第一分割图像和所述第二分割图像进行复合，并将得到的图像作为第三分割图像，包括：

计算所述第三分割图像中每一个像素点的强度I_out(x)，计算公式为I_out(x)＝α×I_T(x)+(1-α)×I_H(x)，其中，α为权值因子，I_H(x)为所述第一分割图像中位置为x的像素点的强度，I_T(x)为所述第二分割图像中位置为x的像素点的强度；

根据所述第三分割图像中每一个像素点的强度I_out(x)生成所述第三分割图像I_out。

4.根据权利要求1所述的光声显微血管图像分割和量化方法，其特征在于，所述基于所述第三分割图像计算所述光声显微血管图像的血管特征参数，包括：

基于所述第三分割图像，采用距离变换方法计算所述光声显微血管图像I的血管半径；

基于所述第三分割图像，计算所述光声显微血管图像I的血管密度VD，计算公式为其中，I_out(x)为所述第三分割图像I_out中位置为x的像素点的强度，I_out∈R^{m ×n}，m∈N⁺，n∈N⁺；

采用骨架化方法计算所述第三分割图像I_out的骨架图像I_skel，并基于所述骨架图像I_skel，计算所述光声显微血管图像I的血管长度分数VLF，计算公式为其中，I_skel(y)为所述骨架图像I_skel中位置为y的像素点的强度；

利用所述骨架图像I_skel，采用box-counting方法计算所述光声显微血管图像I的分形维数V_FD。

5.根据权利要求4所述的光声显微血管图像分割和量化方法，其特征在于，还包括：

计算所述光声显微血管图像每一点的血管特征参数生成相应的血管特征参数的量化图。

6.根据权利要求5所述的光声显微血管图像分割和量化方法，其特征在于，所述计算所述光声显微血管图像每一点的血管特征参数，并生成相应的血管特征参数量化图，包括：

根据所述光声显微血管图像的血管半径生成血管半径的量化图；

对于所述光声显微血管图像I中每一个像素点，计算该像素点位置x处的血管密度VD(x)，并根据VD(x)生成血管密度的量化图，计算公式为其中，I_out(z)为所述第三分割图像I_out中位置为z的像素点的强度，W_x为以位置为x的像素点为中心的局部窗口，N₁为奇数；

对于所述光声显微血管图像I中每一个像素点，计算该像素点位置x处的血管长度分数VLF(x)，并根据VLF(x)生成血管长度分数量化图，计算公式为其中，I_skel(u)为所述骨架图像I_skel中位置为u的像素点的强度；

对于所述光声显微血管图像I中每一个像素点，利用所对应的骨架图像中该像素点的位置x的像素值I_skel(x)，采用box-counting方法计算所述光声显微血管图像I中的每一点的分形维数V_FD(x)，并根据V_FD(x)生成分形维数量化图。

7.根据权利要求1所述的光声显微血管图像分割和量化方法，其特征在于，还包括：

计算所述光声显微血管图像I的子区域图像的量化参数。

8.根据权利要求7所述的光声显微血管图像分割和量化方法，其特征在于，所述计算所述光声显微血管图像I的子区域图像的量化参数，还包括：

对于所述子区域R的血管半径量化参数，基于血管半径量化图，对所述子区域R中所有像素点位置处的血管半径求平均，得到所述子区域R的血管半径量化参数值；

对于所述子区域R的血管密度量化参数，基于血管密度量化图，对所述子区域R中所有像素点位置处的血管密度求平均，得到所述子区域R的血管密度量化参数值；

对于所述子区域R的血管长度分数量化参数，基于血管长度分数量化图，对所述子区域R中所有像素点位置处的血管长度分数求平均，得到所述子区域R的血管长度分数量化参数值；

对于所述子区域R的血管分形维数量化参数，基于血管分形维数量化图，对所述子区域R中所有像素点位置处的血管分形维数求平均，得到所述子区域R的血管分形维数量化参数值。

9.一种光声显微血管图像分割和量化装置，其特征在于，包括：

分割单元，用于获取待进行分割和量化处理的光声显微血管图像，利用多尺度Hessian滤波器对所述光声显微血管图像进行分割得到第一分割图像，并利用局部自适应阈值方法对所述光声显微血管图像进行分割得到第二分割图像；

复合单元，用于采用加权平均方法对所述第一分割图像和所述第二分割图像进行复合，并将得到的图像作为第三分割图像；

计算单元，用于基于所述第三分割图像计算所述光声显微血管图像的血管特征参数，其中，所述血管特征参数包括血管半径、血管密度、血管长度分数和分形维数；

所述分割单元，具体用于：

根据所述光声显微血管图像I确定所述多尺度Hessian滤波器的尺度范围[s_min,s_max]以及尺度间隔Δs，其中，I∈R^m×n，m∈N⁺，n∈N⁺；

对于每一个尺度s，计算该尺度s下所述光声显微血管图像I中每一个像素点位置x处的的Hessian矩阵H(I)_sx，并对H(I)_sx进行特征值分解，得到D个特征值λ_xl,λ_x2,…,λ_xD，计算公式为其中，s＝s_min+k*Δs，k为整数，且s∈[s_min,s_max]，γ为正则化参数，I(x)为所述光声显微血管图像I中位置为x的像素点的强度，D为所述光声显微血管图像I的维数，|λ_x1|≥|λ_x2|≥|λ_x3|≥...≥|λ_xD|；

对于每一个尺度s，计算该尺度s下所述光声显微血管图像I中每一个像素点位置x处的血管函数值v_s(x)，计算公式为其中， α、β和θ为常数；

计算所述第一分割图像I_H中每一个像素点的强度I_H(x)，计算公式为其中，x为像素点的位置，T为阈值参数；

根据所述第一分割图像I_H中每一个像素点的强度I_H(x)生成所述第一分割图像I_H。