CN120107243A 基于多尺度流域分割的肺部血管树重建方法 （广东省人民医院）

(19)国家知识产权局(71)申请人广东省人民医院路106号杨学宁(74)专利代理机构广州京诺知识产权代理有限公司44407GO6T3/4007(2024.01)法本发明涉及医学影像处理技术领域，更具体地说，涉及基于多尺度流域分割的肺部血管树重图像数据，执行图像预处理操作，得到预处理后的图像数据；基于预处理后的图像数据，执行多尺度分析，得到多尺度特征数据；基于多尺度特征数据，执行流域分割算法，得到血管分割结果；基于血管分割结果，执行血管树重建操作，得到重建的肺部血管树数据；输出重建的肺部血管树数据，本发明通过多尺度分析和流域分割的创新结合，实现了对不同粗细血管的全面处理。多尺度分析能够捕捉不同尺度下的血管特征，而流域分割则能精确定位血管边界，使得本方法能够同与查21.基于多尺度流域分割的肺部血管树重建方法，其特征在于，获取肺部CT图像数据；基于所述肺部CT图像数据，执行图像预处理操作，得到预处理后的图像数据；基于所述预处理后的图像数据，执行多尺度分析，得到多尺度特征数据；基于所述多尺度特征数据，执行流域分割算法，得到血管分割结果；基于所述血管分割结果，执行血管树重建操作，得到重建的肺部血管树数据；输出所述重建的肺部血管树数据。2.根据权利要求1所述的方法，其特征在于，所述图像预处理操作具体包括：基于所述肺部CT图像数据，执行3DSobel边缘提取操作，得到边缘增强的图像数据；基于所述边缘增强的图像数据，执行梯度幅值计算，得到梯度图像；基于所述梯度图像，执行自适应阈值处理，得到二值化图像。3.根据权利要求1所述的方法，其特征在于，所述多尺度分析具体包括：计算血管形状的细度比和圆度比；基于高斯核函数，构建尺度空间；在所述尺度空间中，执行多尺度特征提取。4.根据权利要求1所述的方法，其特征在于，所述流域分割算法具体包括：将初始血管边缘划分为多个区域；构建尺度空间中梯度的演化函数；计算所述演化函数在指定区间上的积分；基于所述积分结果，确定分水岭点。5.根据权利要求4所述的方法，其特征在于：所述指定区间为[0,1];所述演化函数为p(u);所述积分结果为I(u)。6.根据权利要求1所述的方法，其特征在于，所述血管树重建操作具体包括：执行形态学处理，去除噪声和小区域；提取血管中心线；构建血管树拓扑结构；通过插值算法，恢复血管直径信息。7.根据权利要求1所述的方法，其特征在于，还包括多尺度融合步骤：在不同尺度下执行分割和重建操作，得到多个尺度的重建结果；采用加权融合策略，合并所述多个尺度的重建结果，得到融合后的血管树数据。8.根据权利要求1所述的方法，其特征在于，还包括评估步骤：基于预设的评估指标，对所述重建的肺部血管树数据进行评估；其中，所述评估指标包括分割准确率和重建完整性。9.根据权利要求8所述的方法，其特征在于，还包括优化步骤：3基于所述评估结果，调整算法参数；使用所述调整后的算法参数，重新执行所述处理步骤。10.根据权利要求1所述的方法，其特征在于，所述重建的肺部血管树数据包括：血管空间位置信息；血管直径信息；血管分支结构信息。4基于多尺度流域分割的肺部血管树重建方法技术领域[0001]本发明涉及医学影像处理技术领域，更具体地说，涉及基于多尺度流域分割的肺部血管树重建方法。背景技术[0002]在现代医学影像领域，肺部血管树的准确重建对于肺部疾病的诊断、治疗规划和预后评估具有重要意义。随着计算机断层扫描(CT)技术的不断进步，高分辨率CT图像为肺部血管树的精确重建提供了可能。然而，由于肺部血管结构的复杂性和多样性，实现高精度的血管树重建仍然面临诸多挑战。[0003]传统的肺部血管树重建方法主要包括阈值分割法、区域生长法和模型匹配法等。这些方法在处理简单血管结构时表现尚可，但在面对复杂的肺部血管网络时往往存在诸多不足。例如，阈值分割法难以处理图像中的噪声和组织异质性，容易造成过分割或欠分割；区域生长法在处理血管分叉和细小血管时容易出现泄漏或中断；模型匹配法则在处理形态变异较大的血管时准确度不高。[0004]近年来，随着机器学习和深度学习技术的发展，基于卷积神经网络的血管分割方法取得了一定进展。然而，这类方法往往需要大量标注数据进行训练，且在处理不同粗细血管时的表现不够稳定。此外，纯粹依赖数据驱动的方法难以充分利用人体血管结构的先验知识，在某些复杂情况下可能产生不符合解剖学规律的重建结果。[0005]现有技术中最接近的方法是基于多尺度分析的血管分割算法。这类方法通过在不同尺度下分析图像特征，能够较好地处理不同粗细的血管。然而，这些方法在处理血管分叉、血管重叠等复杂情况时仍然存在困难。特别是在处理肺部小血管时，由于其直径接近CT图像的分辨率极限，容易出现分割不连续或漏检的问题。此外，现有的多尺度方法往往难以有效平衡计算效率和重建精度，在临床应用中面临实时性不足的挑战。[0006]综上所述，现有的肺部血管树重建方法在处理复杂血管结构、平衡不同尺度血管的重建精度、保证重建结果的解剖学合理性等方面仍存在显著不足。因此，亟需能够综合考虑多尺度特征、保证重建结果连续性和完整性、同时兼顾计算效率的新型肺部血管树重建方法。发明内容[0007]本发明旨在解决上述技术问题，提出了基于多尺度流域分割的肺部血管树重建方法。该方法通过创新性地结合多尺度分析和流域分割算法，实现了对不同粗细血管的精确分割和重建。同时，通过引入自适应优化机制，该方法能够在保证重建精度的同时，有效提[0008]为解决上述技术问题，本发明采用如下的技术方案：基于多尺度流域分割的肺部血管树重建方法，5获取肺部CT图像数据；基于所述肺部CT图像数据，执行图像预处理操作，得到预处理后的图像数据；基于所述预处理后的图像数据，执行多尺度分析，得到多尺度特征数据；基于所述多尺度特征数据，执行流域分割算法，得到血管分割结果；基于所述血管分割结果，执行血管树重建操作，得到重建的肺部血管树数据；输出所述重建的肺部血管树数据。[0009]作为优选，所述图像预处理操作具体包括：基于所述肺部CT图像数据，执行3DSobel边缘提取操作，得到边缘增强的图像数基于所述边缘增强的图像数据，执行梯度幅值计算，得到梯度图像；基于所述梯度图像，执行自适应阈值处理，得到二值化图像。[0010]作为优选，所述多尺度分析具体包括：计算血管形状的细度比和圆度比；基于高斯核函数，构建尺度空间；在所述尺度空间中，执行多尺度特征提取。[0011]作为优选，所述流域分割算法具体包括：将初始血管边缘划分为多个区域；构建尺度空间中梯度的演化函数；计算所述演化函数在指定区间上的积分；基于所述积分结果，确定分水岭点。[0012]作为优选，所述指定区间为[0,1];所述演化函数为p(u);所述积分结果为I(u)。[0013]作为优选，所述血管树重建操作具体包括：执行形态学处理，去除噪声和小区域；提取血管中心线；构建血管树拓扑结构；通过插值算法，恢复血管直径信息。[0014]作为优选，还包括多尺度融合步骤：在不同尺度下执行分割和重建操作，得到多个尺度的重建结果；采用加权融合策略，合并所述多个尺度的重建结果，得到融合后的血管树数据。[0015]作为优选，还包括评估步骤：基于预设的评估指标，对所述重建的肺部血管树数据进行评估；其中，所述评估指标包括分割准确率和重建完整性。[0016]作为优选，还包括优化步骤：基于所述评估结果，调整算法参数；使用所述调整后的算法参数，重新执行所述处理步骤。6血管空间位置信息；血管直径信息；血管分支结构信息。[0018]本发明的方法具有以下显著的技术效果：首先，本发明通过多尺度分析和流域分割的创新结合，实现了对不同粗细血管的全面处理。多尺度分析能够捕捉不同尺度下的血管特征，而流域分割则能精确定位血管边界。这两种技术的协同作用，使得本方法能够同时处理主肺动脉等粗大血管和微小肺泡周围毛细血管，显著提高了重建结果的完整性和准确性。[0019]其次，本发明引入的自适应阈值处理和梯度演化函数，有效解决了传统方法在处理复杂血管结构时的困难。特别是在血管分叉、重叠等区域，本方法能够准确识别血管边界，避免了过分割或欠分割的问题。这一特性对于准确重建肺叶间的复杂血管网络具有重要意义。[0020]再者，本发明的方法通过引入形态学处理和血管中心线提取等步骤，有效保证了重建结果的连续性和解剖学合理性。这不仅提高了重建结果的可靠性，还为后续的血流动力学分析提供了更加准确的数据基础。例如，在评估肺动脉高压时，准确的血管直径和分支结构信息至关重要。[0021]此外，本发明的多尺度融合策略和自适应优化机制，实现了重建精度和计算效率的良好平衡。这使得该方法能够满足临床实时诊断的需求，为急性肺栓塞等需要快速诊断的疾病提供及时的影像学支持。[0022]最后，本发明方法输出的全面血管树数据，为后续的医学研究和临床应用提供了丰富的信息。例如，精确的血管空间位置和直径信息可用于肺癌手术规划，帮助医生制定最佳的切除方案；详细的分支结构信息则可用于评估肺部血管畸形，为介入治疗提供指导。[0023]综上所述，本发明提出的基于多尺度流域分割的肺部血管树重建方法，通过多项创新技术的有机结合，有效解决了现有技术中存在的问题，显著提高了肺部血管树重建的精度、完整性和效率。这不仅为相关的医学研究提供了有力工具，更为提高肺部疾病的诊断和治疗水平做出了重要贡献。附图说明[0024]图1为本发明的方法整体流程图。[0025]图2为本发明的图像预处理的流程图。[0026]图3为本发明的多尺度分析的流程图。[0027]图4为本发明的流域分割的流程图。[0028]图5为本发明的血管树重建的流程图。[0029]图6为本发明的评估和优化流程的流程图。具体实施方式[0030]如图1-6所示，发明提供了基于多尺度流域分割的肺部血管树重建方法。该方法通过创新性地结合多尺度分析和流域分割算法，实现了对肺部CT图像中血管结构的精确提取7和重建。下面将详细描述本发明的技术方案。[0031]首先，本发明的方法包括获取步骤、处理步骤和输出步骤。在获取步骤中，本方法获取肺部CT图像数据。这些CT图像数据通常是由医疗机构的CT扫描设备采集得到的，包含了患者肺部的详细结构信息。[0032]接下来，在处理步骤中，本方法首先基于所获取的肺部CT图像数据，执行图像预处理操作，得到预处理后的图像数据。图像预处理操作是非常关键的一步，它为后续的分析和处理奠定了基础。优选地，本发明的一个实施例中，图像预处理操作具体包括以下步骤：首先，基于所述肺部CT图像数据，执行3DSobel边缘提取操作，得到边缘增强的图像数据。3DSobel算子是传统2DSobel算子在三维空间的扩展，它能够更好地捕捉CT图像中的三维结构信息。3DSobel算子的数学表达式如下：[0033]然后，基于所述边缘增强的图像数据，执行梯度幅值计算，得到梯度图像。梯度幅值的计算公式为：最后，基于所述梯度图像，执行自适应阈值处理，得到二值化图像。自适应阈值的选择通常基于图像的直方图分布。常用的方法是Otsu法，它通过最大化类间方差来确定最佳阈值。[0034]在预处理完成后，本方法基于所述预处理后的图像数据，执行多尺度分析，得到多尺度特征数据。多尺度分析是本发明的一个创新点，它能够同时处理不同粗细的血管结构。在本发明的一个优选实施例中，多尺度分析具体包括以下步骤：首先，计算血管形状的细度比和圆度比。细度比V₀和圆度比S₀的计算公式如下：[0036]最后，在所述尺度空间中，执行多尺度特征提取。这一步骤通过在不同尺度下分析8图像特征，能够有效捕捉不同大小的血管结构。[0037]在多尺度分析完成后，本方法基于所述多尺度特征数据，执行流域分割算法，得到血管分割结果。流域分割算法是基于拓扑理论的图像分割方法，它将图像视为地形图，通过模拟水流的方式实现分割。在本发明中，流域分割算法的具体实现步骤如下：首先，将初始血管边缘划分为多个区域。这一步骤通过局部极小值点的检测来实现。[0038]然后，构建尺度空间中梯度的演化函数。演化函数p(u)描述了梯度随尺度变化的p(u)=f(VI,σ),[0039]接着，计算所述演化函数在指定区间上的积分。在本发明中，指定区间通常选择为大值。[0040]通过以上步骤，本方法能够精确地分割出肺部CT图像中的血管结构。这种基于多尺度流域分割的方法相比传统方法具有更高的精度和鲁棒性，特别是在处理复杂的血管分支结构时表现出色。[0041]最后，在输出步骤中，本方法输出所述重建的肺部血管树数据。这些数据包含了血管的空间位置、直径和分支结构等信息，为后续的医学诊断和分析提供了重要基础。[0042]通过以上详细描述，可以看出本发明的方法在肺部血管树重建领域具有显著的技术优势和创新性。它不仅提高了血管分割和重建的精度，还能够有效处理不同尺度的血管结构，为相关医学研究和临床应用提供了有力支持。在前述技术方案的基础上，本发明的方法还包括一些关键步骤和技术特征，以进一步提高肺部血管树重建的精度和效果。[0043]首先，针对流域分割算法，本发明提供了更为详细的实现方式。在本发明的一个优选实施例中，流域分割算法具体包括以下步骤：首先，将初始血管边缘划分为多个区域。这一步骤的目的是将复杂的血管网络分解为相对简单的子区域，便于后续的精细化处理。划分的方法通常基于图像的局部特征，如灰度值、梯度等。优选地，可以使用形态学操作中的腐蚀或膨胀操作来辅助区域划分。[0044]接着，构建尺度空间中梯度的演化函数。这个步骤是流域分割算法的核心，它描述了图像梯度随尺度变化的规律。在本发明的实施例中，演化函数p(u)的具体形式可以表示其中，VI表示图像梯度，Gσ(u)表示尺度为du的高斯核函数，*表示卷积操作。这个演化函数能够有效捕捉图像在不同尺度下的梯度变化特征。[0045]然后，计算所述演化函数在指定区间上的积分。在本发明中，指定区间选择为[0,91]。这个选择是基于大量实验和经验得出的，它能够在计算效率和精度之间取得良好的平这个积分结果反映了图像在整个尺度空间中的梯度变化累积效果。[0046]最后，基于所述积分结果，确定分水岭点。分水岭点的确定是流域分割算法的关键步骤，它直接影响到最终的分割效果。在本发明的方法中，分水岭点的确定基于I(u)的局部最大值。具体来说，如果某点的I(u)值大于其邻域内所有点的I(u)值，则该点被标记为分水岭点。[0047]为了进一步提高算法的鲁棒性，本发明还引入了一些参数来控制分水岭点的选择。例如，可以设置一个阈值T,只有当I(u)的局部最大值超过T时，才将该点标记为分水岭点。这个阈值的选择通常根据图像的特性和具体应用场景来确定。在肺部血管树重建的应用中，根据大量实验数据，发现将T设置为I(u)最大值的70%左右能够获得较好的效果。[0048]通过以上步骤，本发明的流域分割算法能够有效地分割出肺部CT图像中的血管结构。这种基于多尺度的流域分割方法相比传统的单尺度方法，能够更好地处理不同粗细的血管，从而提高分割的准确性和完整性。[0049]在流域分割完成后，本发明的方法还包括血管树重建操作。在本发明的一个实施例中，血管树重建操作具体包括以下步骤：首先，执行形态学处理，去除噪声和小区域。这一步骤旨在提高重建结果的质量和可靠性。常用的形态学操作包括开运算和闭运算，它们能够有效地去除小的噪声区域，同时保持主要血管结构的完整性。[0050]然后，提取血管中心线。血管中心线的提取是重建血管树的关键步骤，它为后续的拓扑结构构建提供了骨架。本发明采用了基于距离变换的中心线提取算法，该算法能够准确地捕捉血管的中心位置，即使在血管弯曲或分叉的复杂区域也能保持良好的效果。[0051]接着，构建血管树拓扑结构。这一步骤基于提取的中心线，通过分析血管的连通性和分支关系，构建出完整的血管树结构。在构建过程中，本发明采用了自适应的连接策略，能够有效处理由于图像噪声或分割误差导致的断裂问题。[0052]最后，通过插值算法，恢复血管直径信息。血管直径信息对于后续的血流动力学分析至关重要。本发明采用了基于径向基函数的插值算法，该算法能够平滑地恢复血管直径的变化，避免了传统线性插值方法可能引入的阶跃效应。[0053]为了进一步提高重建结果的准确性和完整性，本发明还引入了多尺度融合步骤。在本发明的优选实施例中，多尺度融合步骤具体包括：首先，在不同尺度下执行分割和重建操作，得到多个尺度的重建结果。这里的不同尺度通常指的是不同的空间分辨率或不同的特征尺度。例如，可以选择3到5个不同的尺度，[0054]然后，采用加权融合策略，合并所述多个尺度的重建结果，得到融合后的血管树数据。加权融合策略的核心是为每个尺度的结果分配合适的权重。在本发明的一个实施例中，权重的分配基于每个尺度结果的可靠性和完整性。具体来说，可以使用如下的加权公式：[0059]分割准确率通常通过与人工标注的金标准进行比较来计算。在本发明的实施例[0060]重建完整性则主要关注血管树结构的完整性和连续性。在本发明的一个实施例Scoretotal=W₁·Dice+w₂·Scorebranch+w₃·Scorecontinuity+w₄·Sc其中，W1,W2,W3,W4是各项指标的权重，可以根据具体应用场景进行调11优化步骤具体包括：基于所述评估结果，调整算法参数；使用所述调整后的算法参数，重新执行所述处理步骤。[0065]这个优化步骤实际上构成了一个闭环反馈机制，能够不断提高重建结果的质量。具体来说，可以根据评估结果自动调整以下几个关键参数：1.预处理中的边缘增强强度：如果发现小血管的检测效果不佳，可以适当增加边缘增强的强度。[0066]2.多尺度分析中的尺度范围：根据血管分支的完整性评分，调整多尺度分析的尺度范围。[0067]3.流域分割中的阈值参数：根据分割准确率，微调流域分割算法中的阈值参数。[0068]4.血管树重建中的连接策略参数：根据血管连续性评分，调整连接策略的参数。[0069]优选地，本发明采用了基于梯度下降的参数优化算法。该算法通过迭代的方式，逐步调整参数，使得评估分数不断提高。迭代过程表示评估分数对参数的梯度。[0070]通过这种方式，本发明的方法能够自适应地优化算法性能，不断提高重建结果的质量。这种自优化机制使得本方法具有很强的适应性，能够处理不同患者、不同扫描设备产[0071]最后，本发明对重建的肺部血管树数据的内容进行了明确定义。在本发明的一个实施例中，所述重建的肺部血管树数据包括：血管空间位置信息、血管直径信息和血管分支结构信息。[0072]血管空间位置信息通常以三维坐标的形式表示，精确描述了血管在肺部空间中的分布。优选地，这些坐标可以采用DICOM标准中定义的患者坐标系，便于与其他医学影像数据进行配准和融合。[0073]血管直