多尺度滤波与统计模型结合的血管分割技术

"基于多尺度滤波和统计模型的多模态血管造影图像血管分割方法" 本文介绍了一种创新的血管分割技术，适用于多模态血管造影图像。在计算机辅助血管疾病诊断和介入治疗中，血管的精确分割至关重要。然而，现有的分割方法面临诸多挑战，如图像模态依赖、不均匀的造影剂分布、偏置场影响以及血管与背景强度分布的重叠等。 为了解决这些问题，研究者提出了一种结合多尺度滤波和固定混合模型的灵活分割方法。首先，他们应用多尺度滤波算法处理原始图像，旨在增强血管特征并减少噪声。这一过程产生了新的统计特性，使得后续处理更为精确。接下来，研究者构建了一个混合模型，由两个指数分布和一个高斯分布组成，以适应过滤后的数据直方图曲线。利用期望最大化（EM）算法估计模型参数，确保模型能有效地拟合数据。 然后，为了提高像素分类和后验概率估计的准确性，研究者引入了三维（3D）马尔可夫随机场（MRF）。MRF考虑了像素之间的空间相关性，从而优化了分割结果。为了量化评估该方法的性能，研究人员设计了两种模拟血管模型，包含不同的管状结构和噪声，并在四个临床血管造影数据集上进行了定性验证。此外，他们还将其与传统方法在两个脑磁共振血管造影（MRA）数据集上进行了对比测试。 实验结果显示，所提方法的分类错误体素比例不超过0.3%，骰子相似系数（DSC）高于94%，表明其具有高精度和鲁棒性。临床专家的反馈也证实，该方法能够准确提取各种数据集的血管，同时减少了非血管和背景被误分类的情况。在对比实验中，该方法在处理复杂背景噪声的多模态血管造影图像时表现出优越的血管结构提取能力。 研究得到了国家高技术研究发展计划、中国自然科学基金和深圳市基础学科布局项目等多个项目的资助。总体来说，该方法的成功在于其混合概率模型能够从多尺度统计角度对血管对象进行有效分类，适用于各种血管造影数据。