光声血管图像量化分析研究

发布时间：2021-07-06 03:12

　　许多疾病（如脑血管疾病和肿瘤）的发生和发展伴随着微血管的变化。光学分辨率光声显微成像（OR-PAM）已被证明是用于监测和研究肿瘤微血管系统的极佳的成像模式。然而,由于肿瘤组织中存在大量的新生血管,且新生小直径血管和部分微血管分布密集的区域光声信号较弱,导致OR-PAM的肿瘤成像易出现血管脉络不清晰、或是血管断裂的情况,给血管类疾病的早期诊断带来困难。因此,利用图像处理技术对OR-PAM肿瘤血管图像进行一系列增强操作,可为后续的血管量化分析工作提供高质量的OR-PAM图像,提高量化评估的准确性。传统的血管分割和骨架提取方法难以有效检测信号较弱的肿瘤微血管,并且以前的研究主要集中在正常组织上,并没有对持续生长的肿瘤微血管做跟踪量化。因此,本文提出了一套适用于光声肿瘤微血管图像的血管分割、骨架提取以及肿瘤微血管量化的方法。（1）提出了基于Hessian矩阵和强度变换的血管分割方法。Hessian矩阵能够通过构造血管相似性响应函数来识别光声图像中的微血管脉络,强度变换进一步增强整个微血管网络的对比度。基于增强后的图像,根据其整体灰度分布自动选取区域生长的种子点,得到分割后的血管二值图像。实验结... 

【文章来源】：曲阜师范大学山东省

【文章页数】：53 页

【学位级别】：硕士

【部分图文】：

OR-PAM系统的示意图

高频强调滤波结果图

其中 a1（黑色素瘤血管）和 a2（正常血管）区域的放大子图分别展示在图3.1（a）和（e）中，可以看出原始图像中血管信号分布不均匀，信号微弱的血管脉络模糊不清晰。图 3.1（b）和（f）是 Hessian 矩阵增强后的图像，血管的脉络结构更加清晰和圆滑，但是部分细小的血管脉络比较暗淡，对比度不强。图 3.1（c）和（g）是强度变换后的增强图像，进一步增强了部分暗淡细小血管的对比度。图 3.1（d）和（h）是最终分割的血管二值图像。图 3.1 很好的说明了本文的血管分割方法的有效性，对于正常血管和肿瘤血管都能正确提取完整的血管脉络。图 3.1 血管分割结果示意图（A）原始光声图像；（a）黑色素瘤血管光声图像；（e）正常血管光声图像；（b，f）Hessian 矩阵增强图像；（c，g）强度变换后的图像；（d，h）分割的血管二值图。3.3 实验结果为了充分说明所提出方法的优越性


本文编号：3267400