CN108335284B - 一种冠脉血管中心线匹配方法和系统 - Google Patents

Abstract

本发明提供一种冠脉血管中心线匹配方法和系统。其中，方法包括：根据当前帧完整冠脉血管中心线的图像，获取候选起始点集和候选终止点集；根据候选起始点集和候选终止点集，利用深度优先搜索算法，获取候选中心线；利用动态时间规整算法，获取候选中心线与上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的特征距离，根据特征距离确定匹配的冠脉血管中心线。系统包括：端点获取模块，用于获取候选起始点集和候选终止点集；搜索模块，用于利用深度优先搜索算法获取候选中心线；匹配模块，用于利用动态时间规整算法确定匹配的冠脉血管中心线。本发明提供的一种冠脉血管中心线匹配方法和系统，能够快速、准确地获取匹配的冠脉血管中心线。

Description

一种冠脉血管中心线匹配方法和系统

技术领域

本发明涉及计算机视觉技术领域，更具体地，涉及一种冠脉血管中心线匹配方法和系统。

背景技术

在冠心病的诊疗当中，心血管造影图像已成为诊断的金标准。从多角度二维造影图像序列中重建出动态的四维冠脉模型，有助于评估心脏运动能力和制定微创心脏手术方案。但是，目前的冠脉四维重建方法需要在序列造影图像序列中的第一帧确定需要重建的血管中心线，然后在后续的时间序列图像中的每一帧都提取与第一帧对应的血管中心线，非常耗时耗力，严重影响了冠脉四维重建在临床中的应用。因此，自动的序列图像中心线匹配方法具有十分重要的研究价值。

目前的序列帧血管匹配方法可以分为基于Snake模型的匹配方法和基于运动跟踪模型的匹配方法两种。其中，基于Snake模型的匹配方法采用中心线上的一系列等间隔采样的控制点控制曲线的运动，通过构建内部能量函数保持曲线的平滑和连续性，通过构建外部能量函数使的曲线逼近目标位置。Snake模型采用能量优化的方式驱动曲线运动，当能量达到最小值时就获得了匹配结果，基于Snake的曲线匹配方法在优化的过程中可以保持曲线的连续性，但是容易陷入局部最小值，导致匹配错误，准确性不高。基于运动跟踪模型的匹配方法将曲线上的点看作是各自运动的物体，采用目标跟踪的匹配框架获取每个点在下一帧的匹配位置，然后将点连接起来获取匹配中心线。基于运动跟踪的匹配方法不能保证曲线的平滑连续性，容易出现血管拓扑错误，准确性不高。

发明内容

为克服现有技术存在冠脉血管中心线匹配准确性不高的不足，本发明提供一种冠脉血管中心线匹配方法和系统。

根据本发明的一个方面，提供一种冠脉血管中心线匹配方法，包括：

S1、根据当前帧完整冠脉血管中心线的图像，获取候选起始点集和候选终止点集；

S2、根据所述候选起始点集和候选终止点集，利用深度优先搜索算法，获取候选中心线；

S3、利用动态时间规整算法，获取所述候选中心线与上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的特征距离，根据所述特征距离确定匹配的冠脉血管中心线。

优选地，所述步骤S3进一步包括：

S31、利用局部图像特征描述子分别获取所述候选中心线和所述上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的特征向量；

S32、根据所述特征向量，利用动态时间规整算法计算所述候选中心线与上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的特征距离，将所述特征距离最小的所述候选中心线作为匹配的冠脉血管中心线。

优选地，所述步骤S1进一步包括：

S11、获取所述当前帧完整冠脉血管中心线的图像中可能组成冠脉血管中心线的血管段；

S12、将所述可能组成冠脉血管中心线的血管段的端点中，位于以所述上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的起始点为圆心、第一距离为半径的圆内的端点的集合确定为候选起始点集，位于以所述上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的终止点为圆心、所述第一距离为半径的圆内的端点的集合确定为候选终止点集。

优选地，所述步骤S11具体包括：

根据所述当前帧完整冠脉血管中心线的图像中的完整冠脉血管中心线中的交叉点，分割所述完整冠脉血管中心线，获取候选血管段；

将所述上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线以所述第一距离为半径进行膨胀，获取感兴趣区域，将位于所述感兴趣区域内的部分大于第一阈值的候选血管段作为所述可能组成冠脉血管中心线的血管段。

优选地，所述步骤S2具体包括：

利用深度优先搜索算法，获取起始点在所述候选起始点集中且终止点在所述候选终止点集中的非环状路径，将所述非环状路径作为候选中心线。

优选地，获取所述非环状路径的具体步骤包括：

建立邻接矩阵；其中，所述邻接矩阵中的元素与全部所述血管段的端点中的任意两个端点相对应，用于表示所述任意两个端点之间的连通性；

将全部所述可能组成冠脉血管中心线的血管段的端点作为节点，利用深度优先搜索算法，根据所述邻接矩阵的元素的值，连接所述节点，获取所述非环状路径。

优选地，所述步骤S3之后还包括：

对完整冠脉血管中心线的图像序列的每一帧图像都执行步骤S1至步骤S3，获取所述图像序列的冠脉血管中心线匹配结果。

优选地，获取所述完整冠脉血管中心线的图像的具体步骤包括：

S01、利用冠脉血管模型，从冠脉造影图像中提取血管分割图像；

S02、利用细化算法，从所述血管分割图像中提取中心线；

S03、将以中心线的端点为圆心、第二距离为半径的圆内的其他中心线的端点，确定为候选连接端点；

S04、根据所述端点和所述候选连接端点，提取所述完整冠脉血管中心线，获得所述完整冠脉血管中心线的图像。

优选地，所述根据所述端点和所述候选连接端点，提取所述完整冠脉血管中心线的具体步骤包括：

对于每个所述端点，获取所述端点与全部所述候选连接端点之间的最小路径的灰度距离，将所述灰度距离最小的所述候选连接端点与所述端点以最小路径连接，获得所述完整冠脉血管中心线。

根据本发明的另一个方面，提供一种冠脉血管中心线匹配系统，包括：

端点获取模块，用于根据当前帧完整冠脉血管中心线的图像，获取候选起始点集和候选终止点集；

搜索模块，用于根据所述候选起始点集和候选终止点集，利用深度优先搜索算法，获取候选中心线；

匹配模块，用于利用动态时间规整算法，获取所述候选中心线与上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的特征距离，根据所述特征距离确定匹配的冠脉血管中心线。

本发明提供的一种冠脉血管中心线匹配方法和系统，通过深度优先搜索算法和动态时间规整算法进行冠脉血管中心线匹配，能够快速、准确地获取匹配的冠脉血管中心线，能够自动准确的在造影序列中跟踪中心线结构，并保持拓扑不变，为冠脉四维重建打下基础。

附图说明

图1为本发明实施例一种冠脉血管中心线匹配方法的流程图；

图2为本发明实施例一种冠脉血管中心线匹配方法的实现过程示意图；

图3为本发明实施例一种冠脉血管中心线匹配方法中获取完整冠脉血管中心线的图像的流程图；

图4为本发明实施例一种冠脉血管中心线匹配系统的结构示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

图1为本发明实施例一种冠脉血管中心线匹配方法的流程图。如图1所示，一种冠脉血管中心线匹配方法包括：步骤S1、根据当前帧完整冠脉血管中心线的图像，获取候选起始点集和候选终止点集；步骤S2、根据候选起始点集和候选终止点集，利用深度优先搜索算法，获取候选中心线；步骤S3、利用动态时间规整算法，获取候选中心线与上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的特征距离，根据特征距离确定匹配的冠脉血管中心线。

本发明的基本思想是，从当前帧完整冠脉血管中心线的图像中，获取可能存在的起始点和终止点，利用深度优先搜索算法寻找所有可能的路径作为候选中心线，并利用动态时间规整算法将候选中心线与上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线进行特征对比，确定当前帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线。

在进行重建动态的四维冠脉模型的过程中，会采集冠脉血管图像。根据冠脉血管图像，可以获取完整冠脉血管中心线的图像。

具体地，步骤S1，将当前帧完整冠脉血管中心线的图像经过图像处理，获取图像中的匹配的冠脉血管中心线全部可能的起始点和终止点。全部可能的起始点的集合构成候选起始点集，全部可能的终止点的集合构成候选终止点集。

步骤S2，利用深度优先搜索算法，获取从候选起始点集中的任一可能的起始点到和候选终止点集的任一可能的终止点的路径，从全部路径中选择满足条件的路径，作为候选中心线。

深度优先搜索(Depth First Search，简称DFS)算法，是搜索算法中的一类。其过程简要来说是对每一个可能的分支路径深入到不能再深入为止，而且每个节点只能访问一次。

深度优先搜索算法的过程是，从一个节点出发，访问该节点；访问该节点后，依次从该节点未被访问的邻接节点出发，进行深度优先遍历，直至和该节点有路径相通的节点都被访问；若此时尚有节点未被访问，则从一个未被访问的节点出发，重新进行深度优先遍历，直到所有节点均被访问过为止。

步骤S3，将候选中心线与上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线进行特征对比。具体地，利用动态时间规整算法，计算候选中心线与上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的特征距离，并根据特征距离确定匹配的冠脉血管中心线。

动态时间规整(Dynamic Time Warping，简称DTW)算法，是一种衡量两个时间序列之间的相似度的方法。DTW算法主要应用在语音识别领域来识别两段语音是否表示同一个单词。

在大部分的学科中，时间序列是数据的一种常见表示形式。对于时间序列处理来说，一个普遍的任务就是比较两个序列的相似性。在时间序列中，需要比较相似性的两个时间序列的长度可能并不相等，在语音识别领域表现为不同人的语速不同。

DTW使用两个时间序列的所有相似点之间的距离的和，称之为规整路径距离(WarpPath Distance)来衡量两个时间序列之间的相似性。

本发明实施例通过深度优先搜索算法和动态时间规整算法进行冠脉血管中心线匹配，能够快速、准确地获取匹配的冠脉血管中心线，能够自动准确的在造影序列中跟踪中心线结构，并保持拓扑不变，为冠脉四维重建打下基础。

基于上述实施例，步骤S3进一步包括：步骤S31、利用局部图像特征描述子分别获取候选中心线和上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的特征向量；步骤S32、根据特征向量，利用动态时间规整算法计算候选中心线与上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的特征距离，将特征距离最小的候选中心线作为匹配的冠脉血管中心线。

具体地，步骤S31，选择合适的局部图像特征描述子，分别获取候选中心线的特征向量和上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的特征向量。

局部图像特征描述是计算机视觉的一个基本研究问题，在寻找图像中的对应点以及物体特征描述中有着重要的作用。

局部图像特征描述子，用于实现局部图像特征描述。常见的局部图像特征描述子包括SIFT(Scale Invariant Feature Transform)、SURF(Speeded Up Robust Features)、DAISY、ASIFT(Affine SIFT)、MROGH(Multi-support Region Order-based GradientHistogram)、BRIEF(BinaryRobust Independent Element Feature)、FAST(Features FromAccelerated Segment Test)、Harris和ORB(Oriented FAST and Rotated BRIEF)等。

优选地，利用DAISY描述子分别获取候选中心线的特征向量和上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的特征向量。

DAISY是面向稠密特征提取的可快速计算的局部图像特征描述子。它的本质思想和SIFT是一样的：分块统计梯度方向直方图；不同的是，DAISY在分块策略上进行了改进，利用高斯卷积来进行梯度方向直方图的分块汇聚，这样利用高斯卷积的可快速计算性就可以快速稠密地进行特征描述子的提取。

利用DAISY描述子，分别提取候选中心线和上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的每个像素点的特征，将全部像素点的特征构成特征向量。

步骤S32，利用DAISY分别获取候选中心线和上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的特征向量后，利用动态时间规整算法，根据特征向量，计算候选中心线和上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的特征距离。从全部候选中心线中，选择到上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的特征距离最小的候选中心线，作为匹配的冠脉血管中心线。

本发明实施例通过动态时间规整算法获得候选中心线与上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的相似性，从而获得匹配的冠脉血管中心线，为冠脉四维重建打下基础。

基于上述实施例，步骤S1进一步包括：步骤S11、获取当前帧完整冠脉血管中心线的图像中组成冠脉血管中心线的血管段；步骤S12、将可能组成冠脉血管中心线的血管段的端点中，位于以上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的起始点为圆心、第一距离为半径的圆内的端点的集合确定为候选起始点集，位于以上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的终止点为圆心、第一距离为半径的圆内的端点的集合确定为候选终止点集。

匹配的冠脉血管中心线全部可能的起始点和终止点，是可能组成冠脉血管中心线的血管段的端点。为了获取全部可能的起始点和终止点，构建候选起始点集和候选终止点集，通过步骤S11获取当前帧完整冠脉血管中心线的图像中可能组成冠脉血管中心线的血管段。

利用上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线，获取全部可能的起始点和终止点。由于相邻两帧完整冠脉血管中心线的图像中，匹配的冠脉血管中心线的位置变化不大，即当前帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的起始点与上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的起始点的距离相差不大，当前帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的终止点与上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的终止点的距离相差不大，因此，可以认为当前帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的起始点和终止点，分别落在上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的起始点和终止点附近的一定范围内。

具体地，步骤S12，在以上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的起始点为圆心、第一距离R为半径的圆内，搜索可能组成冠脉血管中心线的血管段的端点，将全部位于该圆内的可能组成冠脉血管中心线的血管段的端点确定为可能的起始点，将全部可能的起始点构建成候选起始点集；类似地，在以上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的终止点为圆心、第一距离R为半径的圆内，搜索可能组成冠脉血管中心线的血管段的端点，将全部位于该圆内的可能组成冠脉血管中心线的血管段的端点确定为可能的终止点，将全部可能的终止点构建成候选终止点集。

本发明实施例通过确定候选起始点集和候选终止点集，根据候选起始点集和候选终止点集获取候选中心线，从而能快速、准确地根据候选中心线获取匹配的冠脉血管中心线，为冠脉四维重建打下基础。

基于上述实施例，步骤S11具体包括：根据当前帧完整冠脉血管中心线的图像中的完整冠脉血管中心线中的交叉点，分割完整冠脉血管中心线，获取候选血管段；将上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线以第一距离为半径进行膨胀，获取感兴趣区域，将位于感兴趣区域内的部分大于第一阈值的候选血管段作为可能组成冠脉血管中心线的血管段。

具体地，获取当前帧完整冠脉血管中心线的图像中的血管段的步骤包括：确定候选血管段，对候选血管段进行筛选，获取可能组成冠脉血管中心线的血管段。

冠脉血管可能存在分支，分支的连接处为交叉点，而匹配的冠脉血管中心线不包括分支，因此，需要根据交叉点，对血管进行分割，形成互不相连的血管段，再将组成冠脉血管中心线的血管段连接，形成冠脉血管中心线。

对于当前帧完整冠脉血管中心线的图像，从完整冠脉血管中心线中的交叉点处进行分割，形成一系列互不相连的血管段，将这些互不相连的血管段作为候选血管段。

例如，当冠脉血管中心线呈“Y”形时，包括三个血管分支，三个血管分支的连接处为交叉点，从该交叉点处对“Y”形冠脉血管中心线进行分割，获得互补相连的三条线，即3条候选血管段。

由于当前帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的终止点与上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的终止点的距离相差不大，因此，与上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线相距较远的候选血管段，并不是组成冠脉血管中心线的血管段。

因此，需要对候选血管段进行筛选，获取可能组成冠脉血管中心线的血管段。

具体地，将上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线插入当前帧完整冠脉血管中心线的图像中的相同位置，以第一距离R进行膨胀，即将上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线膨胀R个像素，获取感兴趣区域(region ofinterest，简称ROI)。

选择第一距离R时，可以根据完整冠脉血管中心线的图像的分辨率、图像中候选血管段的分布情况等综合考虑，进行选取。

机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域。这个区域是图像分析所关注的重点。圈定该区域以便进行进一步处理。使用ROI圈定可能的目标，可以减少处理时间，增加精度。

当前帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的终止点与上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的终止点的距离相差不大，因此，可能组成冠脉血管中心线的血管段的大部分位于感兴趣区域内。

设定合适的第一阈值，将位于感兴趣区域内的部分大于第一阈值的候选血管段作为可能组成冠脉血管中心线的血管段。

优选地，第一阈值为50％。如果候选血管段上50％以上的像素都在ROI区域中，则保留该候选血管段，否则删除该候选血管段；将保留的候选血管段确定为可能组成冠脉血管中心线的血管段。

本发明实施例通过膨胀算法获取可能组成冠脉血管中心线的血管段，能准确地确定候选起始点集和候选终止点集，从而能快速、准确地根据候选起始点集和候选终止点集获取候选中心线，能快速、准确地根据候选中心线获取匹配的冠脉血管中心线，为冠脉四维重建打下基础。

基于上述实施例，步骤S2具体包括：利用深度优先搜索算法，获取起始点在候选起始点集中且终止点在候选终止点集中的非环状路径，将非环状路径作为候选中心线。

具体地，获取候选中心线的具体步骤包括：利用深度优先搜索算法，获取从候选起始点集中的任一可能的起始点到和候选终止点集的任一可能的终止点的路径，将其中的非环状路径确定为候选中心线。

本发明实施例通过利用深度优先搜索算法确定为候选中心线，占用内存少，能有效利用系统的软硬件资源，并能获取准确的候选中心线，从而获得准确的冠脉血管中心线匹配结果。

基于上述实施例，获取非环状路径的具体步骤包括：建立邻接矩阵；其中，邻接矩阵中的元素与全部血管段的端点中的任意两个端点相对应，用于表示任意两个端点之间的连通性；将全部血管段的端点作为节点，利用深度优先搜索算法，根据邻接矩阵的元素的值，连接节点，获取非环状路径。

具体地，将每个可能组成冠脉血管中心线的血管段的两个端点都进行编号，建立邻接矩阵G。邻接矩阵G中的元素G(i,j)表示编号为i的端点和编号为j的端点之间的连通性。

邻接矩阵G中的元素的取值规定如下：

当两个端点属于同一可能组成冠脉血管中心线的血管段时，对应的邻接矩阵中的元素的值为1；即如果编号为i的端点和编号为j的端点属于同一条可能组成冠脉血管中心线的血管段，则G(i,j)＝G(j,i)＝1。

计算每个端点与每个交叉点的欧氏距离，确定每个端点的距离最近的交叉点，当两个端点具有相同的距离最近的交叉点时，对应的邻接矩阵中的元素的值为1；即如果编号为k的端点和编号为l的端点有同一个距离最近的交叉点，则认为两个端点相连，则G(k,l)＝G(l,k)＝1。

其他情况下，邻接矩阵中的元素的值为0。

遍历每个可能组成冠脉血管中心线的血管段的两个端点，根据上述邻接矩阵G中的元素的取值规定，可以获得邻接矩阵G。

获得邻接矩阵G后，将每个可能组成冠脉血管中心线的血管段的两个端点都作为节点，即将全部可能组成冠脉血管中心线的血管段的端点作为节点，利用深度优先搜索算法访问节点。

当邻接矩阵G中，下一节点与当前节点对应的元素值为1时，说明这两个节点属于同一条可能组成冠脉血管中心线的血管段或相连，即这两个节点连通，将这两个节点进行连接；

当邻接矩阵G中，下一节点与当前节点对应的元素值为0时，说明这两个节点属于同一条可能组成冠脉血管中心线的血管段，也不相连，不连接这两个节点。

利用深度优先搜索算法，即可获取起始点在候选起始点集中且终止点在候选终止点集中的路径，并筛选出其中的非环状路径。

本发明实施例通过邻接矩阵，使利用深度优先搜索算法能获取准确的候选中心线，从而获得准确的冠脉血管中心线匹配结果。

基于上述实施例，对完整冠脉血管中心线的图像序列的每一帧图像都执行步骤S1至步骤S3，获取图像序列的冠脉血管中心线匹配结果。

需要说明的是，在进行重建动态的四维冠脉模型的过程中，会采集一系列冠脉造影图像，构成冠脉血管的图像序列。根据冠脉血管的图像序列，可以获取完整冠脉血管中心线的图像序列。

因此，需要对完整冠脉血管中心线的图像序列的每一帧图像都执行步骤S1至步骤S3，确定每一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线，从而获取完整冠脉血管中心线的图像序列的冠脉血管中心线匹配结果。

本发明实施例通过对每一帧图像进行冠脉血管中心线匹配，获取完整冠脉血管中心线的图像序列的冠脉血管中心线匹配结果，为冠脉四维重建打下基础。

下面通过一个实例说明本发明提供的冠脉中心线匹配方法的实现过程。

图2为本发明实施例一种冠脉血管中心线匹配方法的实现过程示意图。

如图2a所示，实线为提取的完整冠脉血管中心线，虚线为上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线。

如图2b所示，对提取的完整冠脉血管中心线进行处理，将图2a所示的左右两条完整冠脉血管中心线分别从其交叉处进行分割，获取左右两侧各3条候选血管段，即共获取6条候选血管段。

如图2c所示，将上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线进行膨胀，获取ROI区域。ROI区域以虚线所示的圆形表示。左侧的3条候选血管段的大部分像素位于ROI区域外，不保留；右侧的3条候选血管段的大部分像素位于ROI区域内，予以保留，作为可能组成冠脉血管中心线的血管段。

如图2d的左部分所示，将可能组成冠脉血管中心线的血管段的3条血管段的两个端点编号为1-6。根据任意两个端点的连通关系，获取如如图2d的右部分所示的邻接矩阵G。

如图2e所示，在以上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的起始点为圆心、第一距离R为半径的圆内，搜索血管段的端点，该圆内有1个端点，将该端点作为可能的起始点，构建包含1个元素的候选起始点集；在以上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的终止点为圆心、第一距离R为半径的圆内，搜索血管段的端点，该圆内有2个端点，将该端点作为可能的终止点，构建包含2个元素的候选终止点集。

如图2f所示，将编号为1-6的端点作为节点，利用深度优先搜索算法，根据邻接矩阵G，获取候选起始点集中的1个可能的起始分别到候选终止点集中的2个可能的终止点的2条非环状路径，将这2条路径作为候选中心线。

如图2g所示，利用局部图像特征描述子，分别提取2条候选中心线及上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的特征向量；并利用动态时间规整算法，分别计算2条候选中心线与上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的特征距离，将特征距离最小的候选中心线，即右侧的候选中心线确定为匹配的冠脉血管中心线。

将匹配的冠脉血管中心线作为下一帧图像中的上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线，重复如如2a至图2g所示的过程。

图3为本发明实施例一种冠脉血管中心线匹配方法中获取完整冠脉血管中心线的图像的流程图。基于上述实施例，如图3所示，获取完整冠脉血管中心线的图像的具体步骤包括：S01、利用冠脉血管模型，从冠脉造影图像中提取血管分割图像；S02、利用细化算法，从血管分割图像中提取中心线；S03、将以中心线的端点为圆心、第二距离为半径的圆内的其他中心线的端点，确定为候选连接端点；S04、根据端点和候选连接端点，提取完整冠脉血管中心线，获得完整冠脉血管中心线的图像。

具体地，步骤S01，对于原始冠脉造影图像，利用冠脉血管模型，识别出图像中的冠脉血管，提取血管分割图像，以进行后续的冠脉中心线提取。

优选地，可以通过机器学习的方式获取冠脉血管模型。通过机器学习的方式，对模型进行训练，将训练好的模型作为冠脉血管模型。

优选地，对卷积神经网络模型进行训练，将训练好的卷积神经网络模型模型作为冠脉血管模型。

在机器学习中，卷积神经网络(Convolutional Neural Network，简称CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(convolutional layer)和池化层(pooling layer)。

步骤S02，利用细化算法，将提取的血管分割图像进行细化，从血管分割图像提取中心线。

细化，又称骨架化，即在不影响原图像拓扑连接关系的条件下，尽可能用最少的迭代次数，快速准确地将宽度大于1个像素的图像线条转变宽度为1个像素的线条的处理过程，也就是抽取像素的骨架。

常用的细化算法包括：OPTA细化算法、Hilditch细化算法、SPTA细化算法和zhang细化算法等。

通过步骤S02获取的中心线，可能是不完整的中心线，即可能是一条完整的中心线的一部分。因此，需要对步骤S02获取的中心线进行进一步处理，获得完整的中心线。

若一条完整的中心线在细化时被分成了多个部分，每个相邻部分的邻近端点之间的距离较小，可以通过在端点附近搜索的方式获得其他端点，作为候选连接端点。

步骤S03，在获取中心线后，定位到每条中心线的两个端点。以每个端点为圆心、第二距离Th为半径的圆内搜索其他中心线的端点，将位于该圆内的其他中心线的端点确定为候选连接端点。

选择第二距离Th时，可以根据完整冠脉血管中心线的图像的分辨率、中心线分布情况等综合考虑，进行选取。

步骤S04，获取候选连接端点后，对于每个端点，选择合适的候选连接端点与端点进行连接，以获得完整冠脉血管中心线，从而获得完整冠脉血管中心线的图像。

本发明实施例通过模型识别、细化、连接候选连接端点，获取完整冠脉血管中心线，能根据完整冠脉血管中心线准确进行冠脉血管中心线匹配。

基于上述实施例，根据端点和候选连接端点，提取完整冠脉血管中心线的具体步骤包括：对于每个端点，获取端点与全部候选连接端点之间的最小路径的灰度距离，将灰度距离最小的候选连接端点与端点以最小路径连接，获得完整冠脉血管中心线。

具体地，由于冠脉造影图像为灰度图像，根据冠脉造影图像获得的包含候选中心线的图像也是灰度图像，对于每个端点，采用最小距离算法，计算该端点与全部候选连接端点之间的最小路径的灰度距离。最小路径的灰度距离为最小路径上的累加灰度，即对最小路径上每个像素点的灰度值进行累加。获取该端点与全部候选连接端点之间的最小路径的灰度距离，将灰度距离最小的候选连接端点与该端点以最小路径连接，获得完整冠脉血管中心线。

本发明实施例通过灰度距离获取确定与端点连接的候选连接端点，获取完整冠脉血管中心线，能根据完整冠脉血管中心线准确进行冠脉血管中心线匹配。

图4为本发明实施例一种冠脉血管中心线匹配系统的结构示意图。基于上述实施例，如图4所示，一种冠脉血管中心线匹配系统包括：端点获取模块401，用于根据当前帧完整冠脉血管中心线的图像，获取候选起始点集和候选终止点集；搜索模块402，用于根据候选起始点集和候选终止点集，利用深度优先搜索算法，获取候选中心线；匹配模块403，用于利用动态时间规整算法，获取候选中心线与上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的特征距离，根据特征距离确定匹配的冠脉血管中心线。

具体地，搜索模块402与端点获取模块401电连接，匹配模块403与搜索模块402电连接。

端点获取模块401将获取的候选起始点集和候选终止点集发送给搜索模块402。

搜索模块402根据端点获取模块401发送的候选起始点集和候选终止点集，利用深度优先搜索算法，获取候选中心线后，将候选中心线发送给匹配模块403。

匹配模块403根据搜索模块402获取的候选中心线，利用动态时间规整算法，确定匹配的冠脉血管中心线。

本冠脉血管中心线匹配系统用于执行本发明提供的冠脉血管中心线匹配方法，系统包括的各模块实现相应功能的具体方法和流程详见上述冠脉血管中心线匹配方法的实施例，此处不再赘述。

本发明实施例通过深度优先搜索算法和动态时间规整算法进行冠脉血管中心线匹配，能够快速、准确地获取匹配的冠脉血管中心线，能够自动准确的在造影序列中跟踪中心线结构，并保持拓扑不变，为冠脉四维重建打下基础。

最后，本发明的上述实施例仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种冠脉血管中心线匹配方法，其特征在于，包括：

S1、根据当前帧完整冠脉血管中心线的图像，获取候选起始点集和候选终止点集；

S2、根据所述候选起始点集和候选终止点集，利用深度优先搜索算法，获取候选中心线；

S3、利用动态时间规整算法，获取所述候选中心线与上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的特征距离，根据所述特征距离确定匹配的冠脉血管中心线；

所述步骤S1进一步包括：

S11、获取所述当前帧完整冠脉血管中心线的图像中可能组成冠脉血管中心线的血管段；

S12、将所述可能组成冠脉血管中心线的血管段的端点中，位于以所述上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的起始点为圆心、第一距离为半径的圆内的端点的集合确定为候选起始点集，位于以所述上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的终止点为圆心、所述第一距离为半径的圆内的端点的集合确定为候选终止点集。

2.根据权利要求1所述的冠脉血管中心线匹配方法，其特征在于，所述步骤S3进一步包括：

S31、利用局部图像特征描述子分别获取所述候选中心线和所述上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的特征向量；

S32、根据所述特征向量，利用动态时间规整算法计算所述候选中心线与上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的特征距离，将所述特征距离最小的所述候选中心线作为匹配的冠脉血管中心线。

3.根据权利要求1所述的冠脉血管中心线匹配方法，其特征在于，所述步骤S11具体包括：

根据所述当前帧完整冠脉血管中心线的图像中的完整冠脉血管中心线中的交叉点，分割所述完整冠脉血管中心线，获取候选血管段；

将所述上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线以所述第一距离为半径进行膨胀，获取感兴趣区域，将候选血管段位于所述感兴趣区域内的像素数量与所述候选血管段的像素总数的比值大于第一阈值的所述候选血管段作为所述可能组成冠脉血管中心线的血管段。

4.根据权利要求1所述的冠脉血管中心线匹配方法，其特征在于，所述步骤S2具体包括：

利用深度优先搜索算法，获取起始点在所述候选起始点集中且终止点在所述候选终止点集中的非环状路径，将所述非环状路径作为候选中心线。

5.根据权利要求4所述的冠脉血管中心线匹配方法，其特征在于，获取所述非环状路径的具体步骤包括：

建立邻接矩阵；其中，所述邻接矩阵中的元素与全部所述血管段的端点中的任意两个端点相对应，用于表示所述任意两个端点之间的连通性；

将全部所述可能组成冠脉血管中心线的血管段的端点作为节点，利用深度优先搜索算法，根据所述邻接矩阵的元素的值，连接所述节点，获取所述非环状路径。

6.根据权利要求1所述的冠脉血管中心线匹配方法，其特征在于，所述步骤S3之后还包括：

对完整冠脉血管中心线的图像序列的每一帧图像都执行步骤S1至步骤S3，获取所述图像序列的冠脉血管中心线匹配结果。

7.根据权利要求1至6任一所述的冠脉血管中心线匹配方法，其特征在于，获取所述完整冠脉血管中心线的图像的具体步骤包括：

S01、利用冠脉血管模型，从冠脉造影图像中提取血管分割图像；

S02、利用细化算法，从所述血管分割图像中提取中心线；

S03、将以第一中心线的端点为圆心、第二距离为半径的圆内的其他中心线的端点，确定为候选连接端点；

S04、根据所述第一中心线的端点和所述候选连接端点，提取所述完整冠脉血管中心线，获得所述完整冠脉血管中心线的图像。

8.根据权利要求7所述的冠脉血管中心线匹配方法，其特征在于，所述根据所述第一中心线的端点和所述候选连接端点，提取所述完整冠脉血管中心线的具体步骤包括：

对于每个所述第一中心线的端点，获取所述第一中心线的端点与全部所述候选连接端点之间的最小路径的灰度距离，将所述灰度距离最小的所述候选连接端点与所述第一中心线的端点以最小路径连接，获得所述完整冠脉血管中心线。

9.一种冠脉血管中心线匹配系统，其特征在于，包括：

端点获取模块，用于根据当前帧完整冠脉血管中心线的图像，获取候选起始点集和候选终止点集；

搜索模块，用于根据所述候选起始点集和候选终止点集，利用深度优先搜索算法，获取候选中心线；

匹配模块，用于利用动态时间规整算法，获取所述候选中心线与上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的特征距离，根据所述特征距离确定匹配的冠脉血管中心线；

所述端点获取模块具体用于：

获取所述当前帧完整冠脉血管中心线的图像中可能组成冠脉血管中心线的血管段；

将所述可能组成冠脉血管中心线的血管段的端点中，位于以所述上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的起始点为圆心、第一距离为半径的圆内的端点的集合确定为候选起始点集，位于以所述上一帧完整冠脉血管中心线的图像中匹配的冠脉血管中心线的终止点为圆心、所述第一距离为半径的圆内的端点的集合确定为候选终止点集。

Images