本发明涉及一种颈总动脉超声波横切图像血管壁分割方法，包括：获取颈动脉处二维横切面超声图像；从颈动脉处二维横切面超声图像中自适应选取颈动脉管腔候选点集合；对颈动脉处二维横切面超声图像进行边缘检测，得到超声边缘图像；利用超声边缘图像对颈动脉管腔候选点集合中的点进行筛选，确定颈动脉管腔点；以颈动脉管腔点为圆心，以从超声边缘图像提取出的边缘为圆的一部分进行插值拟合，形成基准轮廓，提取基准轮廓上的点并沿半径方向向外推预设距离，形成的外推轮廓；分别对基准轮廓内的像素灰度值和基准轮廓外与外推轮廓内的像素灰度值进行聚类分析，得到血管腔‑内膜边界轮廓和血管外膜‑中膜边界轮廓。本发明能够满足实时性要求。
1.一种颈总动脉超声波横切图像血管壁分割方法，其特征在于，包括以下步骤：(1)获取颈动脉处二维横切面超声图像；
(2)根据颈动脉深度区间从所述颈动脉处二维横切面超声图像中自适应选取颈动脉管腔候选点集合；
(3)对所述颈动脉处二维横切面超声图像进行边缘检测，得到超声边缘图像；
(4)利用所述超声边缘图像对所述颈动脉管腔候选点集合中的点进行筛选，确定颈动脉管腔点；
(5)以所述颈动脉管腔点为圆心，以从所述超声边缘图像提取出的边缘为圆的一部分进行插值拟合，形成基准轮廓，提取所述基准轮廓上的点并沿半径方向向外推预设距离，形成的外推轮廓，其中，所述基准轮廓和外推轮廓之间的区域为感兴趣区域；
(6)对所述基准轮廓内的像素灰度值进行聚类分析，实现对基准轮廓的细分化，并将细分化后的基准轮廓边界作为血管腔‑内膜边界轮廓；
(7)对所述感兴趣区域内的像素灰度值进行聚类分析，实现对外推轮廓的细分化，并将细分化后的外推轮廓边界作为血管外膜‑中膜边界轮廓；
(8)根据得到的血管腔‑内膜边界轮廓和血管外膜‑中膜边界轮廓实现对所述颈动脉处二维横切面超声图像中的血管壁进行分割。
2.根据权利要求1所述的颈总动脉超声波横切图像血管壁分割方法，其特征在于，所述步骤(1)和步骤(2)之间还包括：采用双边滤波算法对所述颈动脉处二维横切面超声图像进行滤波。
3.根据权利要求1所述的颈总动脉超声波横切图像血管壁分割方法，其特征在于，所述步骤(2)具体包括：设置颈动脉深度区间和搜索判断区域；
将搜索判断区域在颈动脉深度区间移动，每移动一次，计算所述搜索判断区域内所有点的灰度值的平均值和均方差；当平均值不超过平局值阈值时，且均方差不超过均方差阈值时，将所述搜索判断区域的中点放入颈动脉管腔候选点集合。
4.根据权利要求1所述的颈总动脉超声波横切图像血管壁分割方法，其特征在于，所述步骤(4)具体包括：分别以所述颈动脉管腔候选点集合中的每一点为圆心，预设距离为半径生成多个模板图像；
如果所述边界重合像素的个数值/所述模板图像的边界像素个数值大于筛选阈值，则将所述模板图像对应的点选出；
采用聚类分析算法将选出的点分为一簇，并将簇的中心点作为颈动脉管腔点。
5.根据权利要求1所述的颈总动脉超声波横切图像血管壁分割方法，其特征在于，所述步骤(6)具体为：对所述基准轮廓内的像素灰度值采用K均值聚类的方法分为M类，将灰度值小于第一灰度阈值的簇类保留，并计算保留的簇类的边界，选取保留的簇类的边界和基准轮廓的重合部分实现对基准轮廓的细分化，将细分化后的基准轮廓边界作为血管腔‑内膜边界轮廓。
6.根据权利要求5所述的颈总动脉超声波横切图像血管壁分割方法，其特征在于，所述M的取值采用以下方法确定：设置第一灰度阈值和第二灰度阈值，其中，第一灰度阈值小于第二灰度阈值对所述基准轮廓内的像素灰度进行统计直方图分布分析，得到第一直方图曲线；
如果所述第一直方图曲线包含多个峰值，且区域内灰度值高于第一灰度阈值且小于第二灰度阈值的像素点数大于T1，区域内灰度值高于第二灰度阈值的像素点个数大于T2，则M取4；
如果所述第一直方图曲线包含多个峰值，且区域内灰度值高于第一灰度阈值且小于第二灰度阈值的像素点数大于T1，区域内灰度值高于第二灰度阈值的像素点个数小于T2，或者区域内灰度值高于第一灰度阈值且小于第二灰度阈值的像素点个数小于T1，区域内灰度值高于第二灰度阈值的像素点个数大于T2，则M取3；
7.根据权利要求6所述的颈总动脉超声波横切图像血管壁分割方法，其特征在于，还包括判断颈动脉内是否有斑块，具体为：如果所述第一直方图曲线包含多个峰值，且区域内灰度值高于第一灰度阈值且小于第二灰度阈值的像素点数大于T1，区域灰度值高于第二灰度阈值的像素点个数大于T2，则表示颈动脉内包含有高回声的斑块和中等回声的斑块；
如果所述第一直方图曲线包含多个峰值，且区域内灰度值高于第一灰度阈值且小于第二灰度阈值的像素点数大于T1，区域内灰度值高于第二灰度阈值的像素点个数小于T2，或者区域内灰度值高于第一灰度阈值且小于第二灰度阈值的像素点个数小于T1，区域内灰度值高于第二灰度阈值的像素点个数大于T2，则表示颈动脉内包含有高回声的斑块或中等回声的斑块；
8.根据权利要求1所述的颈总动脉超声波横切图像血管壁分割方法，其特征在于，所述步骤(7)具体为：对感兴趣区域内的像素灰度值采用K均值聚类的方法分为N类，将灰度值小于第三灰度阈值的簇类保留，并计算保留的簇类的边界，选取保留的簇类的边界和外推轮廓的重合部分实现对外推轮廓的细分化，将细分化后的外推轮廓边界作为血管外膜腔‑中膜边界轮廓。
9.根据权利要求8所述的颈总动脉超声波横切图像血管壁分割方法，其特征在于，所述N的取值采用以下方法确定：设置第三灰度阈值；
对感兴趣区域内的像素灰度值进行统计直方图分布分析，得到第二直方图曲线；
如果所述第二直方图曲线包含有多个峰值且区域内灰度值高于第三灰度阈值的像素点个数大于T3，则N取3；
如果所述第二直方图曲线包含多个峰值且区域内灰度值高于第三灰度阈值的像素点个数小于T3，则N取2。
一种颈总动脉超声波横切图像血管壁分割方法
技术领域
[0001] 本发明涉及医学图像处理技术领域，特别是涉及一种颈总动脉超声波横切图像血管壁分割方法。
背景技术
[0002] 由于颈总动脉生理状况与人体健康有密切关系，因此颈总动脉的超声检查对有关疾病的筛查有十分重要的意义。颈总动脉的超声检查主要是通过超声成像设备采集超声图像，获取到超声图像后，可以在超声成像设备上进行测量操作，一般由操作人员手工进行，凭肉眼读图判断，精确程度较低。
[0003] 现有公开专利文献CN110136157A公开了一种基于深度学习的三维颈动脉超声图像血管壁分割方法，其通过深度学习的方法能够较为准确地得到血管外膜‑中膜边界的轮廓和血管腔‑内膜边界的轮廓。由于其采用深度学习算法，因此需要事先进行大量人工标注，而人工标注需要的经验要求较高，且不同的操作人员进行标注也会导致最终误差的不同，另外，由于深度学习算法需要较大的计算量，因此在分割时难以达到实时性要求。
发明内容
[0004] 本发明所要解决的技术问题是提供一种颈总动脉超声波横切图像血管壁分割方法，能够满足实时性要求。
[0005] 本发明解决其技术问题所采用的技术方案是：提供一种颈总动脉超声波横切图像血管壁分割方法，包括以下步骤：
[0006] (1)获取颈动脉处二维横切面超声图像；
[0007] (2)根据颈动脉深度区间从所述颈动脉处二维横切面超声图像中自适应选取颈动脉管腔候选点集合；
[0008] (3)对所述颈动脉处二维横切面超声图像进行边缘检测，得到超声边缘图像；
[0009] (4)利用所述超声边缘图像对所述颈动脉管腔候选点集合中的点进行筛选，确定颈动脉管腔点；
[0010] (5)以所述颈动脉管腔点为圆心，以从所述超声边缘图像提取出的边缘为圆的一部分进行插值拟合，形成基准轮廓，提取所述基准轮廓上的点并沿半径方向向外推预设距离，形成的外推轮廓，其中，所述基准轮廓和外推轮廓之间的区域为感兴趣区域；
[0011] (6)对所述基准轮廓内的像素灰度值进行聚类分析，实现对基准轮廓的细分化，并将细分化后的基准轮廓边界作为血管腔‑内膜边界轮廓；
[0012] (7)对所述感兴趣区域内的像素灰度值进行聚类分析，实现对外推轮廓的细分化，并将细分化后的外推轮廓边界作为血管外膜‑中膜边界轮廓；
[0013] (8)根据得到的血管腔‑内膜边界轮廓和血管外膜‑中膜边界轮廓实现对所述颈动脉处二维横切面超声图像中的血管壁进行分割。
[0014] 所述步骤(1)和步骤(2)之间还包括：采用双边滤波算法对所述颈动脉处二维横切面超声图像进行滤波。
[0015] 所述步骤(2)具体包括：
[0016] 设置颈动脉深度区间和搜索判断区域；
[0017] 将搜索判断区域在颈动脉深度区间移动，每移动一次，计算所述搜索判断区域内所有点的灰度值的平均值和均方差；当平均值不超过平局值阈值时，且均方差不超过均方差阈值时，将所述搜索判断区域的中点放入颈动脉管腔候选点集合。
[0018] 所述步骤(4)具体包括：
[0019] 分别以所述颈动脉管腔候选点集合中的每一点为圆心，预设距离为半径生成多个模板图像；
[0020] 计算每个模板图像与超声边缘图像的边界重合像素；
[0021] 如果所述边界重合像素的个数值/所述模板图像的边界像素个数值大于筛选阈值，则将所述模板图像对应的点选出；
[0022] 采用聚类分析算法将选出的点分为一簇，并将簇的中心点作为颈动脉管腔点。
[0023] 所述步骤(6)具体为：
[0024] 对所述基准轮廓内的像素灰度值采用K均值聚类的方法分为M类，将灰度值小于第一灰度阈值的簇类保留，并计算保留的簇类的边界，选取保留的簇类的边界和基准轮廓的重合部分实现对基准轮廓的细分化，将细分化后的基准轮廓边界作为血管腔‑内膜边界轮廓。
[0025] 所述M的取值采用以下方法确定：
[0026] 设置第一灰度阈值和第二灰度阈值，其中，第一灰度阈值小于第二灰度阈值[0027] 对所述基准轮廓内的像素灰度进行统计直方图分布分析，得到第一直方图曲线；
[0028] 如果所述第一直方图曲线包含多个峰值，且区域内灰度值高于第一灰度阈值且小于第二灰度阈值的像素点数大于T1，区域内灰度值高于第二灰度阈值的像素点个数大于T2，则M取4；
[0029] 如果所述第一直方图曲线包含多个峰值，且区域内灰度值高于第一灰度阈值且小于第二灰度阈值的像素点数大于T1，区域内灰度值高于第二灰度阈值的像素点个数小于T2，或者区域内灰度值高于第一灰度阈值且小于第二灰度阈值的像素点个数小于T1，区域内灰度值高于第二灰度阈值的像素点个数大于T2，则M取3；
[0030] 其余情况，M取2。
[0031] 所述的颈总动脉超声波横切图像血管壁分割方法还包括判断颈动脉内是否有斑块，具体为：
[0032] 如果所述第一直方图曲线包含多个峰值，且区域内灰度值高于第一灰度阈值且小于第二灰度阈值的像素点数大于T1，区域灰度值高于第二灰度阈值的像素点个数大于T2，则表示颈动脉内包含有高回声的斑块和中等回声的斑块；
[0033] 如果所述第一直方图曲线包含多个峰值，且区域内灰度值高于第一灰度阈值且小于第二灰度阈值的像素点数大于T1，区域内灰度值高于第二灰度阈值的像素点个数小于T2，或者区域内灰度值高于第一灰度阈值且小于第二灰度阈值的像素点个数小于T1，区域内灰度值高于第二灰度阈值的像素点个数大于T2，则表示颈动脉内包含有高回声的斑块或中等回声的斑块；
[0034] 其余情况，表示颈动脉内不含有斑块。
[0035] 所述步骤(7)具体为：
[0036] 对感兴趣区域内的像素灰度值采用K均值聚类的方法分为N类，将灰度值小于第三灰度阈值的簇类保留，并计算保留的簇类的边界，选取保留的簇类的边界和外推轮廓的重合部分实现对外推轮廓的细分化，将细分化后的外推轮廓边界作为血管外膜腔‑中膜边界轮廓。
[0037] 所述N的取值采用以下方法确定：
[0038] 设置第三灰度阈值；
[0039] 对感兴趣区域内的像素灰度值进行统计直方图分布分析，得到第二直方图曲线；
[0040] 如果所述第二直方图曲线包含有多个峰值且区域内灰度值高于第三灰度阈值的像素点个数大于T3，则N取3；
[0041] 如果所述第二直方图曲线包含多个峰值且区域内灰度值高于第三灰度阈值的像素点个数小于T3，则N取2。
[0042] 有益效果
[0043] 由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明采用自适应算法对图像进行处理，相比于深度学习算法，本发明的算法计算更为快速，能够对血管壁进行实时分割，从而满足实时性要求，同时整个算法不需要人工介入，降低了对操作人员的要求，避免了操作人员差异带来的误差。本发明还能够自动识别颈动脉血管壁端的斑块，从而能够及时预警血管斑块带来的问题。
附图说明
[0044] 图1是本发明实施方式颈总动脉超声波横切图像血管壁分割方法的流程图；
[0045] 图2是本发明实施方式中自适应选取颈动脉管腔候选点集合的流程图；
[0046] 图3是本发明实施方式中细分化基准轮廓的流程图；
[0047] 图4是本发明实施方式中细分化外推轮廓的流程图。
具体实施方式
[0048] 下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
[0049] 本发明的实施方式涉及一种颈总动脉超声波横切图像血管壁分割方法，如图1所示，包括以下步骤：
[0050] 步骤1，利用超声成像系统采集颈动脉处的二维横切超声图像P1。
[0051] 步骤2，对二维横切超声图像P1进行预处理，预处理可以采用双边滤波算法进行滤波，其目的是解决高斯滤波造成的边缘模糊，完成滤波的过程中能够保存边缘，预处理之后得到图像P2。
[0052] 步骤3，在图像P2中，设置颈动脉深度区间L0和L1，在设置颈动脉深度区间内寻找大面积低灰度值区域，从所述颈动脉处二维横切面超声图像中自适应选取颈动脉管腔候选点集合。如图2所示，具体包括：设置颈动脉深度区间L0和L1，以及搜索判断区域H*D，将搜索判断区域在颈动脉深度区间移动，每移动一次，计算所述搜索判断区域内所有点的灰度值的平均值和均方差，通过平均值和均方差来寻找大面积低灰度值区域，其判断方式为，当平均值不超过平局值阈值T1，且均方差不超过均方差阈值T2时(即满足条件)，将所述搜索判断区域的中点记为Points1，并放入颈动脉管腔候选点集合。
[0053] 步骤4，采用canny算法对图像P2进行边缘检测，得到对应的超声边缘图像P3。
[0054] 步骤5，颈动脉管腔区域点粗筛选过程：颈动脉管腔候选点集合中任意取出候选点Points1，以该候选点为圆形，半径为R，生成模板图像，将模板图像与超声边缘图像P3进行与计算，计算两者图像的边界重合像素，若边界重合像素的个数值/模板图像的边界像素个数值大于筛选阈值K1，则判断该点为颈动脉管腔区域内，若边界重合像素的个数值/模板图像的边界像素个数值小于筛选阈值K1，则判断该点不在颈动脉管腔区域内，该点去除，将满足条件的点记为Points2。
[0055] 步骤6，颈动脉管腔区域点细筛选过程：利用聚类分析算法过程对多个Points2点进行分析，聚类划分方法采用k均值聚类分析算法，定义簇的个数K值为1，计算簇的中心点，将簇的中心点作为颈动脉管腔点，并记为center。
[0056] 步骤7，以簇的中心点center为圆心，超声边缘图像P3中提取出的边缘为圆的一部分进行插值拟合，形成一条MAB的基准轮廓line1。
[0057] 步骤8，将提取的基准轮廓line1上的点沿半径方向向外推距离L，形成的轮廓即为外推轮廓line2，基准轮廓line1和外推轮廓line2所围成的区域为提取的感兴趣区域，血管外膜‑中膜边界在基准轮廓line1和外推轮廓line2之间(即在感兴趣区域内)，血管腔‑内膜边界在基准轮廓line1之内。
[0058] 本实施方式的步骤9和步骤10涉及到基准轮廓的细分化，如图3所示。
[0059] 步骤9，对基准轮廓line1内的像素灰度值进行统计直方图分布分析，得到第一直方图曲线，并设置两个灰度阈值分别为0
[0060] 步骤10，对基准轮廓line1内的像素灰度值用K均值聚类的方法分为M类，对灰度值大于t1的簇类去除，保留灰度值小于t1的簇类，计算簇类的边界，选取保留的簇类的边界和基准轮廓line1的重合部分完成基准轮廓line1的细分化过程，细分化的轮廓边界记为line3，该边界轮廓为血管腔‑内膜边界轮廓。
[0061] 本实施方式的步骤11和步骤12涉及到外推轮廓的细分化，如图4所示。
[0062] 步骤11，对基准轮廓line1和外推轮廓line2之间的像素灰度值进行统计直方图分布分析，得到第二直方图曲线，并设置一个灰度阈值为t3＞0，若第二直方图曲线包含有多个峰值且区域内灰度值高于t3的像素点个数大于T3，则N值取3，若第二直方图曲线包含有多个峰值且区域内灰度值高于t3像素点个数小于T3，则N值取2。
[0063] 步骤12，对基准轮廓line1和外推轮廓line2之间的像素灰度值用K均值聚类的方法分为N类，对灰度值大于t3的簇类去除，保留灰度值小于t3的簇类，计算簇类的边界，选取保留的簇类的边界和外推轮廓的重合部分完成外推轮廓line2的细分化过程，细分化的轮廓边界记为line4，该边界为血管外膜‑中膜边界轮廓。
[0064] 步骤13，根据轮廓边界line3和轮廓边界line4，实现对超声横切图像血管壁的分割过程。
[0065] 不难发现，本发明采用自适应算法对图像进行处理，相比于深度学习算法，本发明的算法计算更为快速，能够对血管壁进行实时分割，从而满足实时性要求，同时整个算法不需要人工介入，降低了对操作人员的要求，避免了操作人员差异带来的误差。本发明还能够自动识别颈动脉血管壁端的斑块，从而能够及时预警血管斑块带来的问题。
