一种基于马尔科夫随机场的血管检测方法与流程

1.本发明涉及血管检测技术领域，尤其涉及一种基于马尔科夫随机场的血管检测方法。


背景技术：

2.随着计算机技术的不断发展，以及临床诊断技术的进步，医学图像处理得到了迅速的发展，医学图像处理技术作为一门新兴的学科和技术，在临床上的应用越来越广泛，而在医疗的静脉穿刺领域中，通常采用智能机器人辅助进行穿刺，此时，就需要一种方法可以准确的检测到血管所在区域，以便智能机器人进行穿刺。


技术实现要素：

3.本发明的目的是提供一种基于马尔科夫随机场的血管检测方法，该方法首先基于读取的二维超声实时灰度图像，搜索血管壁边界特征的感兴趣区域，随后再基于马尔科夫随机场对感兴趣区域图像构建模型，最后根据高斯分布的马尔科夫随机场模型分割图像，再对图像内的各类结果进行血管判定，即可准确检测到血管区域，简单高效。
4.为实现上述目的，采用以下技术方案：
5.一种基于马尔科夫随机场的血管检测方法，包括以下步骤：
6.s1：采集血管所在区域的二维超声图像，对图像进行预处理，并初步选定感兴趣区域；
7.s2：基于s1初步选定的感兴趣区域，提取其边缘信息，并基于hough线变换和k
‑
means聚类算法再次选定感兴趣区域；
8.s3：基于马尔科夫随机场对s2选定的感兴趣区域进行建模，并对建模后的图像进行分割；
9.s4：建立分数模型，并对s3分割后的区域进行评分，依据分数大小，确定血管区域。
10.进一步地，所述s1中对图像进行预处理具体包括以下步骤：
11.s11：基于高斯滤波算法对图像进行降噪处理；
12.s12：基于otsu自适应阈值对降噪处理后的图像进行二值化；
13.s13：对二值化的图像进行形态学开运算，以消除图像中的奇异点。
14.进一步地，所述s2具体包括以下步骤：
15.s21：基于sobel算子提取感兴趣区域图像的边缘信息；
16.s22：基于hough线变换筛选出图像中斜率在175
°
～185
°
之间的若干直线，并计算直线与图像边缘的交点的纵坐标其中i为直线与图像边缘交点的横坐标最值；
17.s23：使用k＝2的k
‑
means聚类算法对s22中所求的y进行聚类，得出直线与图像边缘相交的上、下边界的纵坐标，并基于该纵坐标，选定感兴趣区域。
18.进一步地，所述s3具体包括以下步骤：
19.s31：首先使用k＝3的k
‑
means聚类算法建立初始标签分类，然后使用马尔科夫随机场对s2选定的感兴趣区域图像进行建模；
20.s32：依据贝叶斯公式计算后验概率，并基于后验概率，对建模后的图像进行分割。
21.进一步地，所述s32具体包括以下步骤：
22.s321：依据贝叶斯公式，建立后验概率公式其中，i为图像中的像素的灰度值，c为所属类别，p(i|c)为似然估计函数，p(c)先验概率，p(i)为像素分布概率，对于同一帧图像各个像素点的p(i)均相同，故判断所属像素点的类别，只需比较p(i|c)*p(c)即可；
23.s322：针对图像像素建立能量函数e(i,c)＝argmax(log(p(c)) log(p(i|c)))；
24.s323：基于上述公式及函数，使用k＝2的k
‑
means聚类算法迭代更新像素点对应的类别，即可以得到两处类别区域。
25.进一步地，所述s321中的先验概率p(c)采用吉布斯分布函数计算得到，即
26.其中
[0027][0028]
且由此可以建立势能函数
[0029]
进一步地，所述s321中的似然估计函数p(i|c)采用采用高斯分布对其进行建模，即
[0030]
其中
[0031][0032]
n
c
为某种类别下图像中像素的个数，n为整个图像的像素个数，i为像素值。
[0033]
进一步地，所述s4具体包括以下步骤：
[0034]
s41：建立分数模型，其中，m1和m2分别为两个类别区域中像素点均值，θ
i
为各类别区域像素点标准差；
[0035]
s42：预设第一阈值，并基于s41中建立的分数模型，分别计算每一类别区域的得分，当得分大于第一阈值，则该类别区域即为包含血管的区域；
[0036]
s43：对s42中得到的包含血管的区域进行密度聚类，所得元素最多的区域即为血管区域。
[0037]
采用上述方案，本发明的有益效果是：
[0038]
该方法首先基于读取的二维超声实时灰度图像，搜索血管壁边界特征的感兴趣区域，随后再基于马尔科夫随机场对感兴趣区域图像构建模型，最后根据高斯分布的马尔科
夫随机场模型分割图像，再对图像内的各类结果进行血管判定，即可准确检测到血管区域，简单高效。
附图说明
[0039]
图1为本发明的流程性框图；
[0040]
图2为本发明的其中一实施例中，获取的二维超声图；
[0041]
图3为本发明的其中一实施例中，初步选定的感兴趣区域示意图；
[0042]
图4为本发明的其中一实施例中，对图像进行二值化处理后的示意图；
[0043]
图5为本发明的其中一实施例中，在图像中筛选出的若干直线的示意图；
[0044]
图6为本发明的其中一实施例中，再次选定的感兴趣区域的示意图；
[0045]
图7为本发明的其中一实施例中，对图像进行分割后的示意图；
[0046]
图8为本发明的其中一实施例中，最终确定的血管区域的示意图；
[0047]
其中，附图标识说明：
[0048]
1—血管。
具体实施方式
[0049]
以下结合附图和具体实施例，对本发明进行详细说明。
[0050]
参照图1至8所示，本发明提供一种基于马尔科夫随机场的血管检测方法，包括以下步骤：
[0051]
s1：采集血管1所在区域的二维超声图像，对图像进行预处理，并初步选定感兴趣区域；
[0052]
s2：基于s1初步选定的感兴趣区域，提取其边缘信息，并基于hough线变换和k
‑
means聚类算法再次选定感兴趣区域；
[0053]
s3：基于马尔科夫随机场对s2选定的感兴趣区域进行建模，并对建模后的图像进行分割；
[0054]
s4：建立分数模型，并对s3分割后的区域进行评分，依据分数大小，确定血管1区域。
[0055]
其中，所述s1中对图像进行预处理具体包括以下步骤：
[0056]
s11：基于高斯滤波算法对图像进行降噪处理；
[0057]
s12：基于otsu自适应阈值对降噪处理后的图像进行二值化；
[0058]
s13：对二值化的图像进行形态学开运算，以消除图像中的奇异点。
[0059]
所述s2具体包括以下步骤：
[0060]
s21：基于sobel算子提取感兴趣区域图像的边缘信息；
[0061]
s22：基于hough线变换筛选出图像中斜率在175
°
～185
°
之间的若干直线，并计算直线与图像边缘的交点的纵坐标其中i为直线与图像边缘交点的横坐标最值；
[0062]
s23：使用k＝2的k
‑
means聚类算法对s22中所求的y进行聚类，得出直线与图像边缘相交的上、下边界的纵坐标，并基于该纵坐标，选定感兴趣区域。
[0063]
所述s3具体包括以下步骤：
[0064]
s31：首先使用k＝3的k
‑
means聚类算法建立初始标签分类，然后使用马尔科夫随机场对s2选定的感兴趣区域图像进行建模；
[0065]
s32：依据贝叶斯公式计算后验概率，并基于后验概率，对建模后的图像进行分割。
[0066]
所述s32具体包括以下步骤：
[0067]
s321：依据贝叶斯公式，建立后验概率公式其中，i为图像中的像素的灰度值，c为所属类别，p(i|c)为似然估计函数，p(c)先验概率，p(i)为像素分布概率，对于同一帧图像各个像素点的p(i)均相同，故判断所属像素点的类别，只需比较p(i|c)*p(c)即可；
[0068]
s322：针对图像像素建立能量函数e(i,c)＝argmax(log(p(c)) log(p(i|c)))；
[0069]
s323：基于上述公式及函数，使用k＝2的k
‑
means聚类算法迭代更新像素点对应的类别，即可以得到两处类别区域。
[0070]
所述s321中的先验概率p(c)采用吉布斯分布函数计算得到，即
[0071]
其中
[0072][0073]
且由此可以建立势能函数
[0074]
所述s321中的似然估计函数p(i|c)采用采用高斯分布对其进行建模，即
[0075]
其中
[0076][0077]
n
c
为某种类别下图像中像素的个数，n为整个图像的像素个数，i为像素值。
[0078]
所述s4具体包括以下步骤：
[0079]
s41：建立分数模型，其中，m1和m2分别为两个类别区域中像素点均值，θ
i
为各类别区域像素点标准差；
[0080]
s42：预设第一阈值，并基于s41中建立的分数模型，分别计算每一类别区域的得分，当得分大于第一阈值，则该类别区域即为包含血管1的区域；
[0081]
s43：对s42中得到的包含血管1的区域进行密度聚类，所得元素最多的区域即为血管1区域。
[0082]
本发明工作原理：
[0083]
继续参照图1至8所示，本发明提供了一种基于马尔科夫随机场的血管检测方法，该方法首先基于读取的二维超声实时灰度图像，搜索血管1壁边界特征的感兴趣区域，随后再基于马尔科夫随机场对感兴趣区域图像构建模型，最后根据高斯分布的马尔科夫随机场
模型分割图像，再对图像内的各类结果进行血管1判定，即可准确检测到血管1区域，可应用于智能机器人辅助静脉穿刺领域，保证其穿刺的准确性及可靠性，具体地：
[0084]
首先，需要对图像进行预处理，即通过实时图像采集卡获取超声设备采集的二维超声图像(如图2所示)，随后，使用高斯滤波算法对图像进行降噪处理，去除因超声成像产生的图像噪点，并使得血管1轮廓清楚、平滑；初步选定初始感兴趣区域(如图3所示)，此区域一般为图像的上半部分，也可根据临床经验根据实际患者情况选择；随后，使用otsu自适应阈值对降噪处理后的图像进行二值化，如图4所示，二值化可以消除图像内的背景噪声，使得血管1轮廓更加清晰，且otsu自适应阈值可以增加算法的鲁棒性；随后，对二值化的图像进行形态学开运算，可以消除图像中的奇异点，以降低奇异点对血管1边界识别的影响。
[0085]
然后，基于sobel算子提取感兴趣区域图像的边缘信息，随后，对上述图像进行hough线变换，可以得到极坐标系下直线到原点的距离ρ以及笛卡尔坐标系x轴与原点到直线夹角θ，通过夹角θ可筛选出图像中斜率在175
°
～185
°
之间的若干直线(如图5所示)，随后计算直线与图像边缘的交点的纵坐标其中i为直线与图像边缘交点的横坐标最值；再使用k＝2的k
‑
means聚类算法对上述所求的y进行聚类，得出直线与图像边缘相交的上、下边界的纵坐标，并基于该两个纵坐标，再次选定感兴趣区域(如图6所示)。
[0086]
然后，根据重新选定的感兴趣区域，裁切原始的图像，并使用k＝3的k
‑
means聚类算法建立初始标签分类，然后使用马尔科夫随机场对选定的感兴趣区域图像进行建模，随后，依据贝叶斯公式，建立后验概率公式其中，i为图像中的像素的灰度值，c为所属类别，p(i|c)为似然估计函数，p(c)先验概率，p(i)为像素分布概率，对于同一帧图像各个像素点的p(i)均相同，故判断所属像素点的类别，只需比较p(i|c)*p(c)即可。
[0087]
因此，需要分别计算p(i|c)和p(c)，对于p(c)，可以使用吉布斯分布函数建模，即其中，
[0088][0089]
据此，可以建立势能函数
[0090]
而对于p(i|c)，可以使用高斯分布对其进行建模，即
[0091]
其中，
[0092][0093]
n
c
为某种类别下图像中像素的个数，n为整个图像的像素个数，i为像素值。
[0094]
随后，针对图像像素建立能量函数e(i,c)＝argmax(log(p(c)) log(p(i|c)))，再基于上述的公式及函数，令k＝2，基于k
‑
means聚类算法迭代更新各像素点对应的类别可以
得到两类分割结果(如图7所示)。
[0095]
然后，将上述分割两类结果的均值正序排序得到两组数据点集合c1和c2，建立分数模型
[0096]
其中，m1和m2分别为两个类别区域中像素点均值，θ
i
为各类别区域像素点标准差，预设第一阈值，并基于上述建立的分数模型，分别计算每一类别区域的得分，当得分大于第一阈值，则该类别区域即为包含血管1的区域，该实施例中，c1集合为包含血管1的集合，随后，对集合c1进行密度聚类，使用像素邻域参数∈＝10和密度阈值η＝30；初始给定数据集d中所有对象都被标记为“未访问”，随机选择一个未访问的对象p，标记p为“已访问”，并检查p的∈
‑
领域是否至少包含η个对象；如果不是，则p被标记为噪声点，否则为p创建一个新的簇c，并且把p的∈
‑
领域中所有对象都放在候选集合n中；迭代地把n中不属于其他簇的对象添加到c中，在此过程中，对应n中标记为“未访问”的对象p'，并把它标记为“已访问”；检查p'的∈
‑
领域，如果p'的∈
‑
领域至少包含η个对象，则p'的∈
‑
领域中的对象都被添加到n中；继续添加对象到c，直到c不能扩展，即直到n为空，此时簇c完成生成，输出；从剩下的对象中随机选择一个未访问过的对象，聚类过程继续，直到所有对象都被访问，得到n个簇c为聚类结果；上述聚类结果中包含元素最多的簇c
m
为最终血管1检测结果，血管1坐标为类c
m
的中心，结果如图8所示。
[0097]
以上仅为本发明的较佳实施例而已，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。