基于綜合濾波的血管增強

劉姝月，孔珊，張一凡，陳相廷（河南大學計算機與信息工程學院，開封　475001）

基于綜合濾波的血管增強

劉姝月，孔珊，張一凡，陳相廷
（河南大學計算機與信息工程學院，開封475001）

0　引言

由于在醫(yī)學圖像分析中具有重要的應(yīng)用價值，血管增強算法成為該領(lǐng)域的研究熱點之一，目前己經(jīng)有相當多的研究成果見諸文獻。尤其是上世紀90年代以后，出現(xiàn)了一系列有代表性的血管增強算法［1］。主要有基于Hessian矩陣的方法［2～6］、基于擴散方法的增強算法［7～8］及其他一些新的方法［9～11］。由于血管結(jié)構(gòu)比較復雜，傳統(tǒng)的血管增強算法仍然存在一些不足。近年來出現(xiàn)了一些基于多尺度的血管增強方法，此類方法通常利用高斯核與圖像進行卷積運算來實現(xiàn)多尺度擴展［12～13］，不僅可以在不同圖像分辨率中進行血管增強［14～16］，而且對算法的魯棒性進行了改善。盡管如此，由于單純采用某一種增強算法，難免存在一定的局限性，如增強血管的同時也放大了噪聲等。為此，本文提出了一種基于綜合濾波的血管增強算法，首先通過分段線性變換對血管圖像進行對比度拉伸，然后再利用多尺度Hessian矩陣對血管進行自適應(yīng)增強，從而達到增強血管的同時有效抑制噪聲。

1　基于分段線性函數(shù)的對比度增強

由于成像條件等原因，使得血管圖像的灰度范圍很窄，導致圖像對比度很低、圖像細節(jié)不清楚。對比度拉伸變換是最簡單的分段線性函數(shù)之一，它就是通過擴展圖像的灰度范圍，達到增強圖像對比度的目的。其基本原理是通過擴大或壓縮某灰度區(qū)間內(nèi)點的灰度值，使圖像的灰度值處于一種合理的范圍。

圖1　分段線性變換圖

如圖1所示，通過分段線性變換，原圖f（x，y）中灰度值在 0到a和b到Mf間的動態(tài)范圍映射到g（x，y）后被壓縮，而a到b區(qū)間的動態(tài)范圍增加，從而增強了這個范圍內(nèi)的對比度。

設(shè)原圖像f（x，y）灰度范圍為［0，Mf］，變換后的圖像g（x，y）灰度范圍為［0，Mf］，則分段線性變換函數(shù)的表達式為：

通過調(diào)整折線拐點的位置及控制分段直線的斜率，可對任一灰度區(qū)間進行擴展或壓縮?？梢愿鶕?jù)獲取的血管圖像特點，將感興趣的灰度范圍線性擴展，相對抑制不感興趣的灰度區(qū)域，從而將圖像的灰度調(diào)整到一個合適的范圍，以便后續(xù)的血管增強處理，提高血管增強的效果。

2　基于Hessian矩陣的血管增強

分段線性變換將血管圖像的灰度范圍調(diào)整到一個合適的范圍，一定程度上增強了血管圖像的對比度，但仍由于其對圖像中的每個像素都采用相同的處理方法，并未針對圖像的局部結(jié)構(gòu)特征采取相應(yīng)的增強或抑制措施（例如血管圖像增強中需對血管進行增強，對噪聲進行抑制），因此其對比度增強效果還不能充分滿足血管提取的應(yīng)用需求。Hessian矩陣能夠反映圖像的局部特征，故可以根據(jù)Hessian矩陣的性質(zhì)采取有針對性的增強措施，提高血管增強的效果。

（1）Hessian矩陣的性質(zhì)

要分析圖像中某一點的結(jié)構(gòu)特征，需分析輸入圖像L在該點的局部特性，即需要對該點在某一鄰域的泰勒級數(shù)展開式進行分析。在點X處，圖像L的泰勒級數(shù)展開形式為：

X方向上的二階偏微分：

Y方向上的二階偏微分：

X、Y方向上的二階混合偏微分：

表1　基于Hessian矩陣特征值的血管判據(jù)

從表1中可知，可以利用Hessian矩陣的特征值判斷圖像的局部結(jié)構(gòu)特征，其中，管狀結(jié)構(gòu)所在像素點處的Hessian矩陣特征值應(yīng)該滿足λ1絕對值比λ2的絕對值小且λ1幾乎為0。此外，若管狀物灰度值較大，即管狀物在圖像中亮度較高時，λ1取值為負；若管狀物灰度值較低，即管狀物在圖像中亮度較低時，λ1取值為正。待處理的DSA減影圖像中，血管結(jié)構(gòu)與周圍組織背景相比，屬于亮結(jié)構(gòu)。因此，可以根據(jù)管狀結(jié)構(gòu)的特點采取相應(yīng)的處理措施，從而實現(xiàn)增強圖像中的血管并抑制背景噪聲的目的。

（2）相似性函數(shù)構(gòu)建

由上節(jié)內(nèi)容可知，可以根據(jù)Hessian矩陣特征值的大小、符號等特征判斷圖像的局部結(jié)構(gòu)特征，因此可以用其構(gòu)建血管增強濾波器。

根據(jù)Frangi構(gòu)建三維血管增強濾波器的基本原理，可以構(gòu)建如式（6）所示的二維血管增強濾波器，其中RB=|λ1||λ2|，，參數(shù)β，c分別用于調(diào)節(jié)RB、S的權(quán)值，β設(shè)置為0.5，c的大小通常則取決于灰度圖像的尺度范圍。

為此，首先在計算圖像二階導數(shù)之前，用高斯函數(shù)與圖像做卷積，這樣可平滑圖像除噪聲，也即通過將圖像分別與高斯函數(shù)的四個二階偏導數(shù)做卷積，獲得圖像的Hessian矩陣，如式（7）所示：

通過上述處理，雖然可以一定程度上抑制噪聲的干擾，但效果仍難滿足實際應(yīng)用需求，故本文對二維血管濾波器進行改進，通過在濾波器中加入抑制噪聲的因子實現(xiàn)增強血管的同時去除噪聲。由于噪聲點往往出在非血現(xiàn)管區(qū)域，而在這些區(qū)域λ2的值接近于0，因此可以利用Hessian矩陣的特征值λ2進行噪聲消除。

綜上，本文構(gòu)建如式（8）所示的二維血管濾波器，其中β設(shè)置為0.5，c取值為Hessian矩陣的范數(shù)，即c=|λ1||λ2|，α設(shè)置為4。

（3）基于Hessian矩陣的多尺度濾波器

盡管改進后的濾波器的增強效果有較大改進，但仍然存在一些問題，即無法同時增強圖像中尺寸不同的血管，這是因為式（9）中的因子σ是固定值，也即上述濾波器是單一尺度的濾波器，其對σ尺度上的血管增強效果最佳，其他尺寸上的血管增強效果相應(yīng)減弱。

為此，可以采用多尺度濾波器的方法克服上述濾波器的不足，也即在一定的尺度范圍［σmin，σmax］對待處理的血管圖像進行濾波，并將濾波結(jié)果融合，從而實現(xiàn)基于多尺度濾波器的血管增強。此時Hessian矩陣及濾波器響應(yīng)v0都是關(guān)于（x，y，σ）的函數(shù)。

由多尺度理論可知，對于圖像中的管狀結(jié)構(gòu)，當多尺度空間中的某個尺度因子與管狀物體的尺度大小最為相似時，此時濾波器可以獲得最大的響應(yīng)，而其他尺度的濾波器獲得的響應(yīng)相對較小。也即對于各個不同尺寸的血管，濾波器的多尺度特性使其對于不同尺寸的血管有各自相對應(yīng)的最大響應(yīng)［28］。只有與尺度因子的數(shù)值差別最小時，濾波器才對該尺寸的血管產(chǎn)生最大響應(yīng)。

因此，通過對圖像中每一個像素點分別用不同尺度因子的濾波器進行濾波，可以獲得一系列響應(yīng)，為了更加有效地增強圖像中不同尺寸的血管結(jié)構(gòu)，可以將這一系列響應(yīng)中的最大值作為該點的多尺度濾波響應(yīng)，如公式（9）所示。

3　實驗結(jié)果與分析

為了驗證本文算法的有效性，對本文算法進行仿真實現(xiàn)。實驗所用計算機配置為Intel Xeon雙核CPU，3.4GHz，8.0G內(nèi)存，1TB硬盤，1G顯卡。運行環(huán)境使用MATLAB 2012a。實驗所用的圖像是從GE LCV+設(shè)備中得到的一組腦部DSA，共25幀。

其中，第13幀圖像的如圖2（a）所示，其對比度拉伸后的處理結(jié)果如圖2（b）所示。從圖中可以看出，經(jīng)分段線性變換后，圖像的灰度分布更加均勻。這兩幅圖像的灰度直方圖分別如圖3（a）和（b）所示，從這兩幅圖像也可以看出，對比度拉伸變換后的圖像灰度范圍更加合理。

為了驗證血管增強的效果，分別用基于Hessian矩陣的多尺度濾波器對圖2（a）和圖2（b）進行處理，結(jié)果如圖4（a）和（b），從圖中可以看出基于Hessian矩陣的采用多尺度濾波算法進行濾波后，圖像中大尺寸的血管結(jié)構(gòu)增強效果十分明顯，而且原始減影圖像中并不明顯的細小血管結(jié)構(gòu)也明顯增強。而圖4（b）中的血管增強效果略高于4（a），而其對背景或斑狀結(jié)構(gòu)噪聲的抑制效果也比圖4（a）較好。

圖2　對比度拉伸仿真結(jié)果

圖3　灰度直方圖對比

圖4　血管增強效果對比

4　結(jié)語

本文圍繞因血管圖像對比度較低不利于提取血管的問題進行了研究，采用fe分段線性變換和多尺度濾波相結(jié)合的方法對血管進行增強。首先，通過分段線性變換將圖像的灰度調(diào)整到一個合理的范圍，然后根據(jù)Hessian矩陣特征值的性質(zhì)及多尺度理論構(gòu)建了基于Hessian矩陣的多尺度濾波器，以增強圖像中不同尺寸的血管結(jié)構(gòu)并抑制噪聲的干擾。仿真實驗結(jié)果表明，經(jīng)過綜合濾波，本文方法可以有效地增強圖像中的血管。

［1］Koller，T.，Gerig，G.，Sze Kely，G.，Dettwiler，D..Multiscale Detection of Curvilinear Structures in 2D and 3D Image Data［C］.International Conference on Computer Vision，1995：864～869

［2］Frangi A，Niessen W，Vine Ken K，et al.Multiscale Vessel Enhancement Filtering：Proceedings of Medical Image Computing and Computer-Assisted Intervention，1998［C］.Berlin：Springer，1998：130～137

［3］Sato，Y.，Nakajima，S.，Atsumi，H.，Koller，T.，Gerig，G.，Yoshida，S.，Kikinis，R..3D Multi-scale Line Filter for Segmentation and Visualization of Curvilinearstructures in Medical Images［C］.CVRMed/MRCAS'97.Vol.1 of Proceedings of the 1st Joint Conference on CVRMed and MRCAS，1997：213～222

［4］Sato Y，Nakajima S，Shiraga N，et al.Three-Dimensional Multi-Scale Line Filter for Segmentation and Visualization of Curvilinear Structures in Medical Images［J］.Medical Image Analysis，1998，2（2）：143～168

［5］Lorenz C，Carlsen I C，Buzug T，et al.Multi-Scale Line Segmentation with Automatic Estimation of Width，Contrast and Tangential Direction in 2D and 3D Medical Images：Proceedings of the CVRMed-MRCAS，1997［C］.Berlin：Springer，1997：233～242

［6］Olabarriaga S D，Breeuwer M，Niessen W J.Evaluation of Hessian-Based Filters to Enhance the Axis of Coronary Arteries in CT Images［C］.International Congress Series，2003：1191～1196

［7］Perona P，Malik J.Scale-Space and Edge Detection Using Anisotropic Diffusion［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1990，12（7）：629～639

［8］王大凱，侯榆青，彭進業(yè).圖像處理的偏微分方程方法［M］.北京：科學出版社，2008：110～140

［9］Krissian，K.，Malandain，G.，Ayache，N.，Vaillant，R.，Trousset，Y..Model-Based Detection of Tubular Structures in 3D Images［J］.Computer Vision and Image Understanding，2000，80（2）：130～171

［11］Bennink H E，van Assen H C，Streekstra G J，et al.A Novel 3D Multi-Scale Lineness Filter for Vessel Detection：Proceedings of Medical Image Computing and Computer-Assisted Intervention［C］.Australia：Brisbane，2007：436～443

［12］K.Krissian，G.Malandain，N.Ayache，R.Vaillant，Y.Trousset，Model Based Detection of Tubular Structures in 3D Images，Computer Vision and Image Understanding，2000，80（2）：130～171

［13］D.Lesagea，E.D.Angelinib，I.Blochb，G.Funka-Lea.A Review of 3D Vessel Lumen Segmentation Techniques：Models，F(xiàn)eatures and Extraction Schemes，Medical Image Analysis 13，2009：819～845

［14］C.Kirbas，F(xiàn).K.Quek.A Review of Vessel Extraction Techniques and Algorithms.ACM Computing Surveys，2004，36（2）：81～121

［15］R.Manniesing，M.A.Viergever，W.J.Niessen.Vessel Enhancing Diffusion A Scale Space Representation of Vessel Structures，Medical Image Analysis，2006，10（6）：815～825

［16］G.Lathen，J.Jonasson，M.Borga，Blood Vessel Segmentation Using Multiscale Quadrate Filtering，Pattern Recognition Letters 31，2010：762～767

孔珊，河南開封人，碩士研究生，學生，研究方向為計算機應(yīng)用技術(shù)圖像處理

張一凡，碩士研究生，學生，研究方向為計算機應(yīng)用技術(shù)圖像處理

陳相廷，碩士研究生，學生，研究方向為計算機應(yīng)用技術(shù)圖像處理

DSA；Medical Image Processing；Image Enhancement

Vascular Enhancement Based on Integrated Filter

LIU Shu-yue，KONG Shan，ZHANG Yi-fan，CHEN Xiang-ting
（College of Computer and Information Engineering，Henan University，Kaifeng 475001）

1007-1423（2015）10-0021-05

10.3969/j.issn.1007-1423.2015.10.006

［10］Li Q，Sone S，K.Selective Enhancement Filters for Nodules，Vessels，and Airway Walls in Two-and Three-Dimensional Ctscans ［J］.Medical Physics，2003，30（8）：2040～2051

劉姝月（1990-），女，河南鄭州人，碩士研究生，學生，研究方向為計算機應(yīng)用技術(shù)圖像處理方向

2015-03-17

2015-03-22

由DSA成像的工作原理可知，其獲得的血管結(jié)構(gòu)與周圍組織的對比度仍然不夠明顯，又由于醫(yī)學圖像中血管結(jié)構(gòu)錯綜復雜，使得醫(yī)學圖像的分析與處理受到很大限制，因此如何在計算機的輔助作用下對血管結(jié)構(gòu)進行有效的增強，為臨床醫(yī)生診斷和評估疾病提供更加清晰可讀的血管圖像，具有十分重要的現(xiàn)實意義。

DSA；醫(yī)學圖像處理；圖像增強

By DSA imaging principle，the gain of vascular structure and surrounding tissue contrast still is not obvious，and because the vascular structures are complicated so medical images，medical image analysis and processing are limited，so how to effectively enhance vascular structures under the computer auxiliary role，diagnosis and assessment of disease for clinical doctors provide more clearly readable vascular images，has very important practical significance.