一种基于血管内超声图像的血管roi分割方法[0002]目前在大多数国家，心脑血管疾病已逐步成为人类死亡的最主要因素之一。冠状动脉粥样硬化病变是引起心肌梗塞和脑梗塞的主要病因，如果在早期就能够做到对硬化病变部分形态的识别以及诊断，这将对冠状动脉疾病的诊疗有着重大的意义。IVUS便是这样一种心血管疾病的超声诊断方法，血管内超声图像可以为医生显示实时的血管壁形态斑块形态进而对心血管疾病的临床诊断提供了指导意义。[0003]然而，对于采集来的IVUS图像，尽管其成像可以显示血管壁的结构以及斑块的形态，但在实际诊疗中，IVUS图像中医生所感兴趣区域(ROI)为血管管腔区域，中外膜区域，以及管腔与中外膜之间的斑块区域。在IVUS图像的感兴趣区域中，医生往往需要目测或者根据经验确定管腔膜中外膜以及斑块轮廓的边缘，这样便不可避免地导致诊断结果不能非常客观的反映实际情况，同时也会给医生带来一定的工作困难。[0004]因此，通过计算机对血管内超声图像进行快速准确自动地分割就显得很有必要，目前，血管内超声图像的计算机分割算法主要有三种:第一种为基于统计学的图像分割方法，文献 I (G.Mendizabal-Ruiz, M.Rivera, et al., “A probabilisticsegmentation method for the identification of luminal borders in intrvascularultrasound images，，，IEEE Conference on Computer Vision and patternRecognition, pp.1-8，2008.)通过对IVUS图像的灰度分布进行统计学建模实现血管内超声图像的分割，但是由于血管内超声图像中的伪影以及斑块等较为复杂的图像特征的存在会大大降低统计建模的准确性。第二种方法主要是通过机器学习的手段实现血管内超声图像分割，但是这种方法模型过于复杂，在实际的运用中往往会受到较多的限制，第三种是基于活动轮廓模型的算法，文献2 (宫延新孙丰荣等，“基于血液斑点噪声抑制和T-Snake模型的血管内超声图像边缘提取”，中国图像图形学报，Vol.12, N0.4，pp.655-660, 2007)提出的方法虽然能够得到良好的分割结果，但依赖于初始轮廓线的选取，尤其对于边缘比较模糊、纹理自相似性较高的IVUS图像，其初始轮廓更不易确定，从而也在一定程度上影响了这种分割方法的准确性。
[0005]针对现有技术中存在的上述问题，本发明提供一种基于血管内超声图像的血管ROI分割方法，采用改进的水平集模型算法结合窄带法首先分割血管的管腔区域以及管腔膜轮廓，通过定位管腔区域的中心以获得参数主动轮廓模型(Snake)的初始轮廓，继而通过收敛得到血管的中外膜轮廓曲线，中外膜的提取充分利用了管腔区域信息的先验知识。最后，将中外膜轮廓曲线以内区域作为ROI，通过全局最小化活动轮廓模型实现对血管斑块的分割。[0006]基于血管内超声图像的血管ROI分割方法，是以血管内超声图像为基础，根据IVUS图像的特点，对血管内超声图像依次进行血管管腔膜分割，血管中外膜分割，血管斑块分割。该方法能得到管腔区域轮廓信息，中外膜边缘信息以及斑块形状轮廓信息等，在不增加附加设备的前提下，充分利用血管内超声设备提供的超声图像本身的灰度信息以及区域特性并结合各种分割算法，实现血管ROI的分割。[0007]本发明的特征如下:
[0008]步骤1，利用血管内超声仪，匀速回拉导管，获得人体冠状动脉的血管内超声视频影像。
[0009]步骤2，将步骤I得到的血管内超声视频影像导入计算机，从视频中截取连续的血管内超声图像序列作为实验图像，图像分辨率为2X(l*2y(l，以下简称为超声图像；
[0010]步骤3，对上述超声图像进行超声图像管腔膜的分割。
[0011]步骤3.1，创建与待分割IVUS图像大小相同的初始管腔轮廓模板矩阵。
[0012]设待分割图像为I (X，y)，创建大小同样为2xQ*2yQ的空矩阵Minit，确立中心坐标为0(x0, y0)，令