基于自适应聚类中心的脑血管分割方法

摘要

脑血管分割是血管病变可视化、诊断和定量分析的关键步骤.但由于脑血管几何结构复杂,所占空间面积小,低对比度区域的血管分割依然是难点.本文在传统的基于密度的统计方法基础上,进一步采用基于梯度的自适应聚类中心的K-means方法进行血管提取.首先,根据MRA图像密度特征用一个瑞利分布和两个高斯分布函数,分别对背景区域、中间组织区域以及血管区域进行建模,采用期望最大(EM)方法进行参数估计,利用后验概率获取血管的主体部分;之后根据剩余体素中包含血管的部分多为低密度区的细小血管以及血管边界的特点,对剩余体素进行梯度化处理,并提出改进的自适应聚类中心的K-means方法对剩余体素的梯度数据进行血管的聚类操作.实验结果表明,对剩余数据梯度化的聚类方法优于传统的仅基于密度的统计方法,且能更好的获取血管的细小分支及血管的边缘区域.