CN104867147A - 基于冠状动脉造影图像分割的syntax自动评分方法 - Google Patents

Abstract

基于冠状动脉造影图像分割的SYNTAX自动评分方法，所述方法依据患者冠状动脉造影图像，采用血管边支分离和再连接及K主曲线的方法，分割和提取冠状动脉血管树和中心线，生成冠状动脉血管树二值图像；基于SYNTAX评分标准，采用沿中心线方向的追踪方法，自动匹配血管节段编号，选择冠脉左(右)优势类型，结合血管横截面宽度衰减程度和中心线曲率变化，识别和评分冠脉病变不良特征，并计算上述评分，给出合理评分结果，辅助医生确定最优的手术方式。本发明规避了临床上现有的人工计算SYNTAX评分的计算量大、计算步骤繁琐、评分标准复杂、计算时间长等问题。

Description

基于冠状动脉造影图像分割的SYNTAX自动评分方法

技术领域

本发明涉及冠状动脉造影图像血管树的分割和提取，属于临床医学图像处理技术领域。

背景技术

心血管疾病作为危害人类健康的高发致死疾病之一，通常由冠状动脉的狭窄和堵塞引起。冠脉血管造影术是诊断心脏疾病的重要方法，是临床诊断血管疾病的“金标准”。尽管造影剂的注入会使造影图像中血管的亮度较心脏等其他组织的更高，但是由于造影剂的分布不均和成像过程中环境噪声的影响，导致图像灰度值不一致；另外，由于血管分支众多，形态复杂，远端血管灰度对比度很低，很大程度上影响临床中人工诊断的准确性。为了提高临床诊断水平，实现从造影图像中自动提取和分割冠状动脉血管树非常必要。同时，由于人与人之间的个体差异性，以及人体解剖组织结构的复杂性，国内外研究学者提出了许多医学图像的分割方法，每种方法都有其独特的分割优势，但单一分割方法的运用并不能满足冠脉造影图像的分割需求。本专利结合多种图像处理和分割方法，首先采用基于Hessian矩阵的Frangi方法增强冠脉造影图像；然后根据血管交叉点的像素连通性，去掉交叉点，将冠脉血管主干和各分支分离；再依据聚类原理，将分离的血管主干和各分支再连接；最后基于K主曲线法(KPC)提取冠状动脉中心线。该方法可以有效分割和提取冠脉树和中心线，最大程度保留血管的细节特征，同时有效地去除噪声碎片。

冠心病是最严重的高发心血管疾病之一，血管形成术是治疗冠心病的重要手段，其包括经皮冠状动脉介入术(PCI)和冠状动脉旁路移植术(CABG)两种术式。在部分冠脉病变的血管成形术术式的选择上，PCI与CABG的选择问题一直存在争论。因此，临床医生如何正确的选择术式，提高成功率，减少并发症，内外科的争论急需一种方法进行引导。在欧洲心脏病学会(ESC)2008年会上公布的心脏外科与介入治疗狭窄冠脉研究(SYNTAX)，就是针对上述问题进行选择及立项设计的。SYNTAX研究的重要贡献，是提出了SYNTAX积分的概念和建立了SYNTAX评分体系，这是一种新的根据冠状动脉病变解剖特点进行危险分层的积分系统，根据病变位置、严重程度、分叉、钙化等解剖特点定量评价冠脉病变的复杂程度，以期作为手术方式选择的初步判断手段。SYNTAX评分方法基于下面的冠状动脉病变评分与分级系统发展而来：1.Arterial revascularisation therapies study(ARTS)randomized trial(ARTS研究)中的改良美国心脏学会(AHA)冠状动脉血管段分类；2.Leaman评分；3.美国心血管病协会/美国心脏学会(ACC/AHA)病变分级系统；4.完全闭塞分型系统；5.Duke和Institute cardiovasculaire parissud(ICPS)分叉病变分型系统；6.专家意见。SYNTAX评分系统采用冠状动脉树16分段法，结合冠状动脉的优势分布、病变部位、狭窄程度与病变特征，对直径≥1.5mm，狭窄程度≥50％的病变进行评分。该评分系统内容包括优势类型、病变数、累及节段和病变特征(完全闭塞、三分叉病变、双分叉病变、主动脉开口病变、严重迂曲、病变长度>20mm、严重钙化、血栓及弥漫病变/小血管病变)，对每一病变进行评分后的总分值即为SYNTAX积分。其中，对于一个节段内多处病变，如果相邻病变间距<3倍参考直径，则作为一个病变计分，若相邻病变间距≥3倍参考直径，则按2个病变计分。

目前，临床医生基于冠脉造影图像人工计算SYNTAX评分，其评分程序复杂，计算量大，增加了医生的工作量，所以SYNTAX评分尚未广泛应用于临床中。为将SYNTAX评分更好地推广向临床，解决因人工评分产生的程序复杂、计算量大等问题，开发一种SYNTAX自动评分方法非常必要。

近年来已有专利提出冠脉造影图像的血管分割和提取方法，但都尚未与SYNTAX评分相结合，不能向临床直接提供具有参考性的冠脉病变程度的评分。同时，国内尚未有SYNTAX评分系统的相关专利，以及结合冠脉造影图像分割和SYNTAX评分的专利。因此，建立从冠脉造影图像血管树自动分割到SYNTAX自动评分一体化的评分过程及评分方法，具有十分重要的临床意义。

发明内容

针对现在临床上SYNTAX人工评分存在的评分程序复杂、计算量大、耗时长，以及尚未与冠状动脉造影图像分割技术相结合等问题，本发明提出了一种基于冠状动脉造影图像分割的SYNTAX自动评分方法，包括：冠脉造影图像读取与显示模块、冠脉造影图像血管分割模块(包含冠脉造影图像血管增强模块、冠脉造影图像血管及其分支识别模块、血管中心线提取模块，和血管直径计算模块)、SYNTAX自动评分模块(包含冠脉树节段标记模块、病变部位与病变特征识别模块，和SYNTAX自动评分模块)。

为实现上述目的本发明采取如下技术方案。

本发明所述的方法中，冠脉造影图像读取与显示模块读取并显示肝位和右前斜位的冠脉造影图像。目前，临床上冠脉造影的投照体位有左侧位、右侧位、左前斜位、右前斜位、头位、足位、右肩位(右前斜位+头位)、左肩位(左前斜位+头位)、肝位(右前斜位+足位)、蜘蛛位(左前斜位+足位)等，不同投影体位用于观察不同的冠状动脉分支。其中，肝位(右前斜位+足位)投照的冠脉造影图像可以直接观察到右冠状动脉的动脉圆锥支、窦房结支、右室支、后侧支、锐缘支和后降支等主要右冠血管；右前斜位投照的冠脉造影图像可以直接观察到左冠状动脉的左主干、前降支、回旋支、对角支、间隔支、钝缘支等主要左冠血管。肝位和右前斜位投照的冠脉造影图像分别极大地满足

了SYNTAX评分对左、右冠状动脉的主干及其分支血管的所需信息，故选取上述两种体位投照的冠脉造影图像作为目标图像。在冠脉造影图像读取与显示模块中，同时读取上述两种体位的造影图像，采用人工交互式界面，人工选择上述两种体位作为目标造影图像，更直观、迅速定位了目标血管信息，减少血管分割步骤的计算量。

本发明所述的方法中冠脉造影图像血管分割模块，包括了冠脉造影图像血管增强模块、冠脉造影图像血管及其分支识别模块、血管中心线提取模块，和血管直径计算模块。冠脉造影图像血管增强模块采用基于Hessian矩阵的Frangi方法。该方法是Frangi在Sato和Lorenz的研究成果基础上提出的一种多尺度的血管增强方法，利用Hessian矩阵的特征值来计算局部血管出现的概率。与Lorenz方法只考虑二个特征值的情况不同的是，在Frangi方法中充分考虑了所有的特征值，并对血管特征测度给出了直观的几何解释。基于血管增强后的冠脉造影图像，冠脉造影图像血管及其分支识别模块对增强后的造影图像依次进行图像预处理、血管支干分离、血管支干连接等步骤。图像预处理采用均值滤波法对增强后血管边缘进行平滑，去除一些伪影，提前避免下一步血管细化过程中血管边缘产生的刺突。预处理后，因血管增强得到的二值图像通过阈值分割、形态学运算得到血管中心线轮廓，再利用血管交叉点的像素连通性，去掉交叉点，将冠脉血管主干和各分支分离，并进行标记。在此基础上，为了将分离的血管主干和各分支更准确连接起来，形成完整的冠脉树，依据聚类方法的原理，通过提取分离后的血管片段端点的像素位置、方向、端点血管宽度等特征，引入相似性函数，在基于血管方向的连续性、血管片段端点间的距离、血管片段端点间血管宽度的差异性等因素的基础上，进行分离的血管主干和各分支再连接。血管中心线提取模块，采用由Kégl改进的主曲线理论，对上述步骤后所得保留血管细节的图像进行冠脉骨架提取，即血管中心线。上述步骤所计算得到的所有像素位置的血管直径均由血管直径计算模块按序排列，为识别冠脉病变特征做准备。

本发明依据的SYNTAX评分体系主要用于评价左优势型和右优势型的冠脉树结构，对于均衡型冠脉树无效。SYNTAX评分体系中冠脉树采用16分段法，如图1和图2所示，对左优势型与右优势型的冠脉树的左冠和右冠分别进行编号和命名，其冠脉节段编号及名称有：1.右冠状动脉近段，2.右冠状动脉中段，3.右冠状动脉远段，4.右冠-后降支，16.右冠-后降支，16a.右冠-后侧支第一分支，16b.右冠-后侧支第二分支，16c.右冠-后侧支第三分支，5.左主干，6.前降支近段，7.前降支中段，8.前降支心尖段，9.第一对角支，9a.第一对角支a，10.第二对角支，10a.第二对角支a，11.回旋支近段，12.中间支，12a.第一钝缘支，12b.第二钝缘支，13.回旋支远段，14.左后侧支，14a.左后侧支a，14b.左后侧支b，15.回旋支-后降支。其中，冠脉树左、右优势型的区别在于：左冠存在回旋支-后降支，而右冠不存在；右冠存在后降支和后侧支，而左冠不存在。基于SYNTAX评分标准，在不同的冠脉树优势类型中，其不同节段在评分中所占权重因数不同。SYNTAX评分体系主要用于评价冠状动脉的病变不良特征，需要结合冠状动脉优势分布、病变部位、狭窄程度，对直径≥1.5mm，狭窄程度≥50％的血管进行评分。SYNTAX评分体系中冠状动脉的病变不良特征有：血管狭窄(包括完全闭塞和50-99％狭窄)，完全闭塞(包括大于3个月或闭塞时间不详u钝型残端，桥侧支，闭塞后的第一可见节段，边支和边支小于1.5mm)，三叉病变(包括1个病变节段，2个病变节段，3个病变节段，和4个病变节段)，分叉病变(包括A、B、C型病变，E、D、F、G型病变，和角度小于70°)，开口病变，严重扭曲，长度大于20mm，严重钙化，血栓，和弥漫病变或小血管病变，并且冠状动脉各病变不良特征评分不同。所述的冠脉16节段和病变不良特征都基于SYNTAX评分体系得到的。

在SYNTAX自动评分模块中，基于分割得到的冠状动脉血管树二值图像，依据SYNTAX评分体系的冠脉树16分段法，结合冠状动脉解剖结构和血管支干分离步骤中已标记的血管片段的端点及其方向，采用中心线追踪的方法，分别对肝位和右前斜位的两张造影图像节段标记，其中，肝位造影图像提供右冠状动脉节段信息，右前斜位造影图像提供左冠状动脉节段信息；基于冠状动脉的病变特征，结合因冠状动脉的优势分布、病变部位、狭窄程度与病变特征等因素而导致的血管直径和血管中心线曲率的变化，对直径≥1.5mm，狭窄程度≥50％的血管病变进行病变特征的识别。基于SYNTAX评分标准，结合病变部位的权重因数和病变特征的评分，对冠状动脉造影图像给出合理的评分结果，以评价冠状动脉狭窄的严重情况，辅助医生确定最优的手术方式。

与现有技术相比本发明具有以下有益效果：

(1)本发明提出的一种基于冠状动脉造影图像分割的SYNTAX自动评分方法，创新性地将冠状动脉造影图像的血管分割技术和SYNTAX评分方法结合起来，这种一体化的创新不仅很大程度上减少了临床医生的工作量和时间，更为辅助医生确定最优的手术方式提供了参考。

(2)本发明采用的冠脉树16节段自动标记方法和病变特征识别方法，不仅规避了临床上现有的人工识别冠脉节段和病变特征的费时费力，而且创新性地实现分割后的冠脉造影图像向SYNTAX评分模块的转换。

(3)本发明提出的SYNTAX自动评分方法，规避了临床上现有的人工计算SYNTAX评分的计算量大、计算步骤繁琐、评分标准复杂、计算时间长等问题，更好地将SYNTAX评分推广向临床应用。

附图说明

图1为本发明所述冠状动脉左优势图；

图2为本发明所述冠状动脉右优势图。

具体实施方式

一种基于冠状动脉造影图像分割的SYNTAX自动评分方法，该方法包括肝位和右前斜位两种体位冠状动脉造影图像的读取与显示、冠脉造影图像血管的增强、冠脉造影血管及其分支的识别、血管中心线的提取、血管直径的计算、冠脉树节段的标记、病变部位与病变特征的识别，及SYNTAX自动评分。详细实施流程如下：

步骤1，根据冠状动脉造影投照的两种体位，同时读取和显示肝位和右前斜位两种体位的冠状动脉造影图像。

步骤2，同时对选定的两个体位的目标冠脉造影图像进行血管增强。

步骤3，对增强后的血管进行主干和分支的分离，并将分离后的各血管片段进行标记。

步骤4，将分离后的血管主干与分支进行再连接，生成完整的冠脉树二值图像。

步骤5，基于完整的冠脉树二值图像，对血管的中心线(即血管骨架)进行提取。

步骤6，基于血管中心线，对图像所有像素位置的血管进行直径的计算和存储。

步骤7，基于步骤3已标记的各血管片段和步骤5中所计算的血管方向，依据SYNTAX评分中冠脉16节段法，进行左(右)优势型的识别和追踪标记血管节段。

步骤8，基于上述已标记的冠脉树图像，结合步骤6所存储的所有像素位置的血管直径，依据SYNTAX评分中病变特征和病变部位的直径变化，识别出对应的血管病变。

步骤9，依据SYNTAX评分标准中冠脉树各节段所占的权重因数和各病变特征的评分，自动给出合理的SYNTAX评分，从而辅助医生确定最优的手术方式。

所述步骤1读取和显示右前斜位和肝位两种体位的冠脉造影图像方法如下：

使用者通过人工交互界面，自主选择导入右前斜位和肝位的目标造影图像。其中，肝位的冠脉造影图像用于右冠状动脉血管信息的提取，右前斜位的冠脉造影图像用于左冠状动脉血管信息的提取。

所述步骤2对选定目标冠脉造影图像进行血管增强的方法如下：

基于Hessian矩阵的Frangi血管滤波方法，有效地增强造影图像中的目标冠脉树。该方法利用Hessian矩阵的特征值来计算局部血管出现的概率。在Frangi方法中充分考虑了所有的特征值,并对血管特征测度给出了直观的几何解释。在Frangi的方法中,将血管增强看作是一种寻找管状几何结构的滤波过程。由于血管具有不同的直径,因此引进了一个在一定范围内变化的测量刻度。设图像为f(x,y):

$H=\left[\begin{array}{cc}{f}_{xx}& f_{xy}\\ f_{yx}& f_{yy}\end{array}\right]---\left(1\right)$

其中，f(x,y)表示图像内像素点(x,y)的灰度值；f_xx、f_xy、f_yx、f_yy分别表示二维图像f(x,y)的四个二阶偏微分，即像素点(x,y)与其相邻的八个像素点的灰度梯度差值。由图像内每个像素点(x,y)的灰度值的二阶梯度值构建Hessian矩阵H(x,y)。

X方向上的二阶偏微分：

$f_{xx}=\frac{{\&part;}^{2}f}{\&part;x^2}=f(x-1,y)+f(x+1,y)-2f(x,y)---\left(2\right)$

Y方向上的二阶偏微分：

$f_{yy}=\frac{{\&part;}^{2}f}{\&part;y^2}=f(x,y-1)+f(x,y+1)-2f(x,y)---\left(3\right)$

X，Y方向上的混合偏微分：

$f_{xy}=f_{yx}=\frac{{\&part;}^{2}f}{\&part;x\&part;y}=f(x+1,y+1)+f(x,y)-f(x+1,y)-f(x,y+1)---\left(4\right)$

由于f_xy＝f_yx，H是实对称矩阵，因此可用两个特征值λ₁、λ₂来构造增强滤波。在二维图像空间中，Hessian矩阵的两个特征值λ₁、λ₂可以由下面公式计算出：

${\mathrm{\&lambda;}}_1=K-\sqrt{K^2-Q^2},---\left(5\right)$

${\mathrm{\&lambda;}}_2=K+\sqrt{K^2-Q^2}---\left(6\right)$

其中，K＝(f_xx+f_yy)/2， $Q=\sqrt{f_{xx}{f}_{yy}-f_{xy}{f}_{yx}}.$

Hessian矩阵的特征值λ₁和λ₂用于判断图像上的点是否为角点，角点是指图像中密度变化剧烈的点。定义|λ₁|≤|λ₂|，血管方向由绝对值最小的特征值λ₁所对应的特征向量给出。由于在造影图像中血管是高亮的，沿血管方向的局部灰度变化理想状况下为零，而血管的剖面方向灰度变化剧烈。因此，对于二维血管结构像素应满足如下条件：

|λ₁|≈0,|λ₁|＜＜|λ₂|               (7)

在冠状动脉造影拍摄过程中，由于冠状动脉管壁阻力处处不同而引起的各血管中血流量不同，以及血管重叠、肋骨和椎骨的投影成像所造成的造影图像非均匀染色等问题，在造影图像中的血管远端的细小血管分支中极为明显。同时，由于冠状动脉的直径存在变化，不适合使用单一尺度的增强效果。为增强目标小血管的对比度，消除投影所产生的非均匀染色，基于血管直径存在变化，因此引入高斯函数构造多尺度滤波器，采用不同尺度进行增强滤波，补偿各血管间的像素色度差异。

将Hessian矩阵的差分运算与高斯函数结合，通过改变高斯函数的标准偏移量来获得不同尺度σ下的线形增强滤波。根据高斯函数的卷积性质，尺度空间倒数g由输入冠脉造影图像与高斯滤波器的二阶导的卷积得到：

$g=I\&CircleTimes;\frac{{\&part;}^{2}G(x,y;\mathrm{\&sigma;})}{\&part;a\&part;b}---\left(8\right)$

其中，I是给定的冠脉造影图像，G是二维图像中的高斯函数，高斯函数G的表达式为：

$G(x,y;\mathrm{\&sigma;})=\frac{1}{2{\mathrm{\&pi;\&sigma;}}^2}\exp (-\frac{x^2+y^2}{2{\mathrm{\&sigma;}}^2})---\left(9\right)$

其中，x是水平轴上距初始点的距离；y是垂直轴上距初始点的距离；σ是高斯分布的标准偏差，为空间尺度因子。

在满足式(7)的前提下，某尺度σ下的Frangi二维管状滤波公式如下所示：

$R_B=\frac{{\mathrm{\&lambda;}}_2}{{\mathrm{\&lambda;}}_1}---\left(11\right)$

$S=\left|\right|H|{|}_F=\sqrt{{\mathrm{\&lambda;}}_1^2+{\mathrm{\&lambda;}}_2^2}---\left(12\right)$

其中σ,β和c是常数因子，用于调控R_B和S的敏感度，使得满足式(7)的体素对滤波器的反馈最大。在二维管状滤波中，Frangi引入了两个参数：R_B和S。其中R_B用于识别球状结构：当体素位于球状结构中时，R_B取得最大值。同时，由于背景像素具有其导数值非常小的特征，为区分背景像素，故引入测度S去除固有噪声。

冠脉造影图像的增强的步骤如下:

(1)输入灰度图像，生成像素矩阵I；

(2)对I的每一个元素(像素I_ij)，执行(3)～(9)；

(3)初始化空间尺度σ；

(4)σ若满足停止条件，则跳转(9)；

(5)在当前尺度下，计算元素I_ij与高斯函数二阶微分的卷积；

(6)生成Hessian矩阵H，并计算特征值λ₁和λ₂；

(7)将特征值代入Frangi滤波公式式(4)并计算；

(8)所有当前尺度下的元素计算完成后，迭代σ(step)，跳转(4)，计算下一尺度；

(9)遍历所有尺度后，尺度迭代结束，记录每个元素在各尺度下的最大值，得到最终结果；

(10)图像像素遍历结束，输出增强图像。

所述步骤3对增强后的血管进行血管主干和分支的分离的方法如下：

首先，对增强后的目标血管进行预处理，采用均值滤波的方法，对血管边缘进行平滑，消除下一步血管片段连接过程中血管边缘可能产生的刺突；

其次，在经过图像增强后得到的冠脉二值图像，由于其背景强度低于血管强度，设定一个阈值过滤背景信息。所有信号的像素(即目标冠脉树)被设置为白色，其它部分为黑色。

再次，依据形态学运算得到粗略的中心线。其中，血管的交叉点被认为是具有四个或更多连接的相邻像素，删除作为交叉点的像素，得到没有任何分支的血管片段。分离后的血管片段几乎能完整保留细小血管的相关信息，为得到更为完整的冠状动脉树打下基础。

最后，对每个独立且无分支的血管片段进行顺序的标记。基于前三步得到的仅由“1”像素(前景点，即目标血管)和“0”像素(背景点)组成的二值图像，其相互邻接的“1”值像素(目标血管像素)组合成区域，且相互连通，并用边界信息描述每个连通区域(即血管片段)。对二值图像执行两次扫描：第一次逐行逐列执行扫描像素，判断像素间的相邻关系，对属于同一连通区域的像素赋予相同的连通标号；第二次执行扫描消除重复标记的各连通区域的子区域，合并属于同一连通区域但具有不同标记号的子区域。从而实现对每个独立且无分支的血管片段(即“1”像素组成的连通区域)的顺序标记。

所述步骤4连接分离后的冠脉血管片段的方法如下：

将各无分支的血管片段端点的连接看作一个聚类问题解决。

首先，需要提取各血管片段中心线端点的三个特征：

(1)位置x＝(x,y)：血管片段的端点的像素坐标；

(2)血管端点的方向：采用Gabor滤波器确定血管片段的方向，因为每个已标记的血管片段滤波的过程是相对独立的，所以在交叉点可能产生的干扰能够被有效地抑制；

$g(x,y;\mathrm{\&theta;},\mathrm{\&psi;},\mathrm{\&sigma;},\mathrm{\&gamma;})=\exp (-\frac{{x^{\&prime;}}^2+{\mathrm{\&gamma;}}^2{y^{\&prime;}}^2}{2{\mathrm{\&delta;}}^2})\exp \left(i\right(2\mathrm{\&pi;}\frac{x^{\&prime;}}{\mathrm{\&lambda;}}+\mathrm{\&psi;}))---\left(13\right)$

x′＝x cosθ+y sinθ,y′＝-x sinθ+y cosθ

式中，λ是正弦因子的波长；θ是Gabor函数法线上平行条纹的方向；ψ是相位偏移；σ是高斯函数的标准偏差；γ是空间方面比，是Gabor核高斯函数的纵横比。

(3)已标记血管片段端点的血管宽度，即端点直径：端点的法线方向决定血管的宽度，从端点沿两个法线方向上的像素总和为其宽度。

其次，利用测量的两个血管片段间的相似性，引入相似性函数，来决定每个血管片段末端血管的连续性。它包含三部分信息：

(1)相邻血管片段端点间方向的连续性：血管片段的相邻端点具有方向上的连续性，是判断是否是同一支血管的关键因素，根据方向的连续性，可以合适匹配一支血管进入和传出的部分。同时，由于存在部分差异，很难完全准确匹配两部分的方向，需要设定一个范围，在此变化范围内认为血管方向一致；

(2)端点间的距离；血管片段端点间的距离是另一个相对重要的参考因素。引入血管片段端点的距离和方位角的能量分布场。即，基于Gabor滤波器的角度范围设计一个扇形，其半径就是端点间的距离。因此，定义一个如下的衰减函数：

$DK(x_i,y_j)={\exp }^{-\left(\right(d^2(x_i,y_j))/{\mathrm{\&delta;}}^2)}---\left(14\right)$

式中，d²(x_i,y_i)是两点间的欧氏距离，δ是尺度参数，用于控制随距离增加的衰减速度。

(3)相邻血管片段间的血管宽度的差异性：较短距离内，血管的宽度变化率很小。两支血管片段的血管宽度的差异是判断是否属于同一支血管的另一个因素。

然而，上述三个因素的重要性不同，其重要性的由大到小依次是方向、距离和宽度。设定加权值，即设p和q代表端点的三维特征空间中的两个点，有相似函数如下所示：

$S\left(x_i,y_j,\mathrm{\&epsiv;}\right)=\left\{\begin{array}{cc}\frac{{\mathrm{\&omega;}}_1}{\mathrm{\&Delta;}\mathrm{\&theta;}\left(x_i,y_i\right)}+{\mathrm{\&omega;}}_{2}DK\left(x_i,y_j\right)+\frac{{\mathrm{\&omega;}}_3}{DW\left(x_i,y_j\right)}& \mathrm{\&epsiv;}inrange\\ 0& otherwise\end{array}\right.---\left(15\right)$

式中，ω₁，ω₂和ω₃用于调整方向、距离和宽度差异性的重要程度；x_i是第i个端点；ε是控制方向的角度合理变化范围；DK是距离衰减函数的定义；DW是血管宽度的差异性。因此，该函数能很好的处理小角度、高曲率或长距离的情况。

所述步骤5基于完整的冠脉树二值图像，提取血管中心线(即血管骨架)的方法如下：

根据步骤2、3、4所述工作的基础上，采用K主曲线法可以继续减薄已提取的较为粗略的中心线。首先，对于数据点集合K，曲线f^*称为长度L的主曲线，如果在所有长度小于或者等于L的曲线簇上，f^*最小化距离函数Δ(f)。

其中，

$\begin{array}{c}\mathrm{\&Delta;}\left(f\right)=E=\&lsqb;\mathrm{\&Delta;}(X,f)\&rsqb;\\ =E\&lsqb;\underset{t}{\inf }\left|\right|X-f\left(t\right)|{|}^2\&rsqb;=E\&lsqb;||X-f\left(t_f\right(x))|{|}^2\&rsqb;\end{array}---\left(16\right)$

式中，t是投影指标；f(·)表示投影指标与数据点之间的m维矢量函数，是与内在分布变量有非线性关系的描述，且只要数据分布满足有限二阶矩，则K主曲线始终存在。

其次，以最短的第一主成分直线作为初始曲线f_1,n，然后迭代算法，每次迭代时都在前次获得的曲线f_i-1,n线上增加一个新的顶点，以增加曲线的段数。在加入新顶点后，以前的顶点位置在内循环加以更新，使得惩罚距离函数最小化，从而形成新的曲线f_1,n。算法在k超过阈值时停止。内循环由投影步和最优化步组成。

最后，在投影步中，数据点按照其投影的顶点或线段被分成不同区域。在最优化步，通过最小均方距离来确定每个顶点新的位置，其中均方距离函数受局部曲率惩罚。投影步与最优化步两个步骤反复执行直到收敛，曲线生成，最终得到冠状动脉树中心线(即血管骨架)。

所述步骤7识别冠状动脉树左(右)优势类型和追踪标记血管16节段的方法如下：

首先，基于步骤3已标记的各血管片段和步骤5中所计算的血管方向，依据SYNTAX评分中冠脉16节段法，对已标号的“1”像素连通区域(血管片段)进行扫描。对肝位的冠脉造影图像从直径值最大的右冠血管片段端点的像素坐标(种子点)开始扫描，对步骤4中判断为同一支的血管，从血管片段端点沿中心线方向进行追踪，对已标号的连通区域根据SYNTAX评分中冠脉16节段编号进行顺序标号，判断冠脉树是否具有后降支和后侧支(包括：4.右冠-后降支，16.右冠-后降支，16a.右冠-后侧支第一分支，16b.右冠-后侧支第二分支，和16c.右冠-后侧支第三分支)，若具有，则为右优势型冠脉树；否则，则为左优势型冠脉树。对右前斜位的冠脉造影图像进行如上方法追踪，判断冠脉树是否具有15.回旋支-后降支，若具有，则为左优势型冠脉树；否则，则为右优势型冠脉树。

所述步骤8识别血管病变的方法如下：

在SYNTAX冠状动脉评分体系中，对血管狭窄、完全闭塞、三叉病变、分叉病变、开口病变、严重扭曲、血管病变长度、钙化、血栓、弥漫病变等血管病变进行评分。

第一，判断血管狭窄程度并进行评分。根据步骤4获得的直径≥1.5mm的血管宽度衰减函数来判断血管是否狭窄。若某一位置血管片段横截面宽度由≥1.5mm突然衰减至0，即≥1.5mm的血管片段横截面沿中心线方向的下一个相邻的血管横截面为0，则判定该像素位置的血管为完全闭塞，标记该位置，同时设置弹窗询问其完全闭塞时间是否大于3个月，并进行打分。若某一位置血管片段横截面宽度沿该血管方向的相邻血管横截面宽度衰减率≥50％，即判定该像素位置的血管为狭窄，标记该位置，并进行打分。

第二，识别分叉病变(包括三分叉病变和双分叉病变)，并进行评分。三分叉病变的判定包括3步：第1步，已知步骤4所得血管片段的端点像素坐标，判定是否同时有3个直径≥1.5mm血管片段端点的像素位置在同一个步骤4中所设计的基于Gabor滤波器的半径为阈值的圆内，其中包括一根主干血管片段和2根边支血管片段，并且判断3根血管片段的端点方向两两所成角度是否小于70°；第2步，若有符合上述要求的三个血管片段的端点在同一个半径为阈值的圆内，则继续判断其血管边支节段编号是否为下述边支：3/4/16/16a、5/6/11/12、11/12a/12b/13、6/7/9/9a和7/8/10/10a；第3步，若边支血管符合上述节段编号，则继续判定已标记的血管狭窄位置是否在上述半径阈值的圆内，如果存在，统计其狭窄数量(如果相邻病变间距<3个参考直径，则作为一个病变计分，否则认为是两个病变)，并综合第1、2步进行评分。

双分叉的病变包括3步：第1步，已知步骤4所得血管片段的端点像素坐标，判定是否同时有2个直径≥1.5mm血管片段端点的像素位置在同一个步骤4中所设计的基于Gabor滤波器的半径为阈值圆内，其中包括一根主干血管片段和1根边支血管片段，并且判断2根血管片段的端点方向所呈角度是否小于70°；第2步，若有符合上述要求的2个血管片段在同一个半径为阈值的圆内，则继续判断其血管边支节段编号是否为下述边支：5/6/11、6/7/9、7/8/10、11/13/12a、13/14/14a、3/4/16和13/14/15；第3步，若边支血管符合上述节段编号，则继续判定已标记的血管狭窄位置是否在上述半径阈值的圆内，如果存在，统计其狭窄数量(如果相邻病变间距<3个参考直径，则作为一个病变计分，否则认为是两个病变)，并综合第1、2步进行评分。

第三，识别开口病变，并进行评分。分别对肝位冠脉造影的第1节段和右前斜位冠脉造影的第5、6、11节段的血管片段的近端，即片段端点所在横截面至沿中心线方向3mm处像素点所在的横截面之间，是否存在50％以上的血管狭窄。如果第1和第5节段存在，则为冠脉的主动脉开口病变；如果第6和第11节段存在，则为回旋支双开口病变。并且，根据SYNTAX评分标准对其进行评分。

第四，识别血管扭曲，并进行评分。首先，基于步骤5中提取的血管中心线，对每个标号的血管片段的中心线上的像素点，通过该点前后两点间距离与该点到整个连线距离比作为近似曲率，提取中心线上所有像素点的曲率。其次，通过计算出轮廓上每一点的曲率，进而分别在每个血管片段中找出各自的局部最大值点，并将其作为特征点。最后，如果某段血管存在1或多个≥90°的特征点或者3个或更多45-90°的特征点，则该片段存在血管扭曲，并进行评分。

第五，识别血管钙化点，并进行评分。首先，对肝位和右前斜位两张处理后的造影二值图像中已标记的血管片段像素位置分别对应到原始灰度图像中，并标记为相同的标号。其次，采用分段拉伸函数，设原始图像总灰度级数为M，而其中大部分的灰度分布在[a,b]区间，只有少部分的灰度在此区间外，则可以在[a,b]区间内做线性变换如下

$g(x,y)=\left\{\begin{array}{cc}d& 0\&le;f(x,y)<a\\ \frac{c-d}{b-a}\&lsqb;f(x,y)-a\&rsqb;+d& a\&le;f(x,y)<b\\ c& b<f(x,y)<M\end{array}\right.---\left(17\right)$

其中，g(x,y)为变换后的灰度值，[d,c]为对[a,b]段灰度进行拉伸之后的灰度值。根据冠状动脉造影的平均灰度直方图可得冠状动脉部分的灰度变化范围，其余为背景部分，灰度值为0，对原始图像进行灰度拉伸，然后采用Otsu法分割，可得到钙化点。最后，如果在该血管片段区域存在除钙化点外均为背景，则可判定该血管片段已发生钙化，并对应到分割后的二值图像中，根据钙化位置进行评分。

第六，识别大于20mm的长病变，并进行评分。判断某血管片段中是否存在横截面宽度衰减≥50％的狭窄，且该狭窄沿其中心线方向长度≥20mm，若存在，则为≥20mm的长病变，根据SYNTAX评分标准进行评分。

第七，识别小血管病变，并进行评分。首先，判断各血管片段中是否存在横截面宽度介于1.5mm和2mm的片段区域；其次，如果存在该区域，判断该区域内的中心线像素和在整个血管片段长中心线像素和的占比是否≥75％，如果是，则其发生了小血管病变；最后，根据SYNTAX评分标准进行评分。

所述步骤9，SYNTAX自动评分的方法如下：

将步骤8中对血管狭窄、完全闭塞、三叉病变、分叉病变、开口病变、严重扭曲、血管病变长度、钙化、血栓、弥漫病变等血管病变特征每项的评分结果，根据SYNTAX评分标准中冠脉树各节段所占的权重因数和病变程度自动叠加或相乘，最终给出SYNTAX评分结果，从而辅助医生确定最优的手术方式。

表1 为本发明所述SYNTAX评分标准的冠脉16节段各节段的权重因数

表2 为本发明所述SYNTAX评分标准的病变不良特征评分

Claims (1)

1.基于冠状动脉造影图像分割的SYNTAX自动评分方法，其特征在于：该方法包括肝位和右前斜位两种体位冠状动脉造影图像的读取与显示、冠脉造影图像血管的增强、冠脉造影血管及其分支的识别、血管中心线的提取、血管直径的计算、冠脉树节段的标记、病变部位与病变特征的识别，及SYNTAX自动评分；详细实施流程如下：

步骤1，根据冠状动脉造影投照的两种体位，同时读取和显示肝位和右前斜位两种体位的冠状动脉造影图像；

步骤2，同时对选定的两个体位的目标冠脉造影图像进行血管增强；

步骤3，对增强后的血管进行主干和分支的分离，并将分离后的各血管片段进行标记；

步骤4，将分离后的血管主干与分支进行再连接，生成完整的冠脉树二值图像；

步骤5，基于完整的冠脉树二值图像，对血管的中心线即血管骨架进行提取；

步骤6，基于血管中心线，对图像所有像素位置的血管进行直径的计算和存储；

步骤7，基于步骤3已标记的各血管片段和步骤5中所计算的血管方向，依据SYNTAX评分中冠脉16节段法，进行左或右优势型的识别和追踪标记血管节段；

步骤8，基于上述已标记的冠脉树图像，结合步骤6所存储的所有像素位置的血管直径，依据SYNTAX评分中病变特征和病变部位的直径变化，识别出对应的血管病变；

步骤9，依据SYNTAX评分标准中冠脉树各节段所占的权重因数和各病变特征的评分，自动给出合理的SYNTAX评分，从而辅助医生确定最优的手术方式；

所述步骤1读取和显示右前斜位和肝位两种体位的冠脉造影图像方法如下，

使用者通过人工交互界面，自主选择导入右前斜位和肝位的目标造影图像；其中，肝位的冠脉造影图像用于右冠状动脉血管信息的提取，右前斜位的冠脉造影图像用于左冠状动脉血管信息的提取；

所述步骤2对选定目标冠脉造影图像进行血管增强的方法如下：

基于Hessian矩阵的Frangi血管滤波方法，有效地增强造影图像中的目标冠脉树；该方法利用Hessian矩阵的特征值来计算局部血管出现的概率；在Frangi方法中充分考虑了所有的特征值,并对血管特征测度给出了直观的几何解释；在Frangi的方法中,将血管增强看作是一种寻找管状几何结构的滤波过程；由于血管具有不同的直径,因此引进了一个在一定范围内变化的测量刻度；设图像为f(x,y):

$H=\left[\begin{array}{cc}{f}_{\mathrm{xx}}& f_{\mathrm{xy}}\\ f_{\mathrm{yx}}& f_{\mathrm{yy}}\end{array}\right]---\left(1\right)$

其中，f(x,y)表示图像内像素点(x,y)的灰度值；f_xx、f_xy、f_yx、f_yy分别表示二维图像f(x,y)的四个二阶偏微分，即像素点(x,y)与其相邻的八个像素点的灰度梯度差值；由图像内每个像素点(x,y)的灰度值的二阶梯度值构建Hessian矩阵H(x,y)；

X方向上的二阶偏微分：

$f_{\mathrm{xx}}=\frac{{\&PartialD;}^{2}f}{{\&PartialD;x}^2}=f(x-1,y)+f(x+1,y)-2f(x,y)---\left(2\right)$

Y方向上的二阶偏微分：

$f_{\mathrm{yy}}=\frac{{\&PartialD;}^{2}f}{{\&PartialD;y}^2}=f(x,y-1)+f(x,y+1)-2f(x,y)---\left(3\right)$

X，Y方向上的混合偏微分：

$f_{\mathrm{xy}}=f_{\mathrm{yx}}=\frac{{\&PartialD;}^{2}f}{\&PartialD;x\&PartialD;y}=f(x+1,y+1)+f(x,y)-f(x+1,y)-f(x,y+1)---\left(4\right)$

由于f_xy＝f_yx，H是实对称矩阵，因此可用两个特征值λ₁、λ₂来构造增强滤波；在二维图像空间中，Hessian矩阵的两个特征值λ₁、λ₂可以由下面公式计算出：

${\mathrm{\&lambda;}}_1=K-\sqrt{K^2-Q^2},---\left(5\right)$

${\mathrm{\&lambda;}}_2=K-\sqrt{K^2-Q^2},---\left(6\right)$

其中，K＝(f_xx+f_yy)/2， $Q=\sqrt{f_{\mathrm{xx}}{f}_{\mathrm{yy}}-f_{\mathrm{xy}}{f}_{\mathrm{yx}}};$

Hessian矩阵的特征值λ₁和λ₂用于判断图像上的点是否为角点，角点是指图像中密度变化剧烈的点；定义|λ₁|≤|λ₂|，血管方向由绝对值最小的特征值λ₁所对应的特征向量给出；由于在造影图像中血管是高亮的，沿血管方向的局部灰度变化理想状况下为零，而血管的剖面方向灰度变化剧烈；因此，对于二维血管结构像素应满足如下条件：

|λ₁|≈0,|λ₁|＜＜|λ₂|   (7)

在冠状动脉造影拍摄过程中，由于冠状动脉管壁阻力处处不同而引起的各血管中血流量不同，以及血管重叠、肋骨和椎骨的投影成像所造成的造影图像非均匀染色等问题，在造影图像中的血管远端的细小血管分支中极为明显；同时，由于冠状动脉的直径存在变化，不适合使用单一尺度的增强效果；为增强目标小血管的对比度，消除投影所产生的非均匀染色，基于血管直径存在变化，因此引入高斯函数构造多尺度滤波器，采用不同尺度进行增强滤波，补偿各血管间的像素色度差异；

将Hessian矩阵的差分运算与高斯函数结合，通过改变高斯函数的标准偏移量来获得不同尺度σ下的线形增强滤波；根据高斯函数的卷积性质，尺度空间倒数g由输入冠脉造影图像与高斯滤波器的二阶导的卷积得到：

$g=I\&CircleTimes;\frac{{\&PartialD;}^{2}G(x,y;\mathrm{\&sigma;})}{\&PartialD;a\&PartialD;b}---\left(8\right)$

其中，I是给定的冠脉造影图像，G是二维图像中的高斯函数，高斯函数G的表达式为：

$G(x,y;\mathrm{\&sigma;})=\frac{1}{2{\mathrm{\&pi;\&sigma;}}^2}\exp (-\frac{x^2+y^2}{2{\mathrm{\&sigma;}}^2})---\left(9\right)$

其中，x是水平轴上距初始点的距离；y是垂直轴上距初始点的距离；σ是高斯分布的标准偏差，为空间尺度因子；

在满足式(7)的前提下，某尺度σ下的Frangi二维管状滤波公式如下所示：

$R_B=\frac{{\mathrm{\&lambda;}}_2}{{\mathrm{\&lambda;}}_1}---\left(11\right)$

$S={\left|\right|H\left|\right|}_F=\sqrt{{\mathrm{\&lambda;}}_1^2+{\mathrm{\&lambda;}}_2^2}---\left(12\right)$

其中σ,β和c是常数因子，用于调控R_B和S的敏感度，使得满足式(7)的体素对滤波器的反馈最大；在二维管状滤波中，Frangi引入了两个参数：R_B和S；其中R_B用于识别球状结构：当体素位于球状结构中时，R_B取得最大值；同时，由于背景像素具有其导数值非常小的特征，为区分背景像素，故引入测度S去除固有噪声；

冠脉造影图像的增强的步骤如下:

(1)输入灰度图像，生成像素矩阵I；

(2)对I的每一个元素(像素I_ij)，执行(3)～(9)；

(3)初始化空间尺度σ；

(4)σ若满足停止条件，则跳转(9)；

(5)在当前尺度下，计算元素I_ij与高斯函数二阶微分的卷积；

(6)生成Hessian矩阵H，并计算特征值λ₁和λ₂；

(7)将特征值代入Frangi滤波公式式(4)并计算；

(8)所有当前尺度下的元素计算完成后，迭代σ(step)，跳转(4)，计算下一尺度；

(9)遍历所有尺度后，尺度迭代结束，记录每个元素在各尺度下的最大值，得到最终结果；

(10)图像像素遍历结束，输出增强图像；

所述步骤3对增强后的血管进行血管主干和分支的分离的方法如下：

首先，对增强后的目标血管进行预处理，采用均值滤波的方法，对血管边缘进行平滑，消除下一步血管片段连接过程中血管边缘可能产生的刺突；

其次，在经过图像增强后得到的冠脉二值图像，由于其背景强度低于血管强度，设定一个阈值过滤背景信息；所有信号的像素即目标冠脉树被设置为白色，其它部分为黑色；

再次，依据形态学运算得到粗略的中心线；其中，血管的交叉点被认为是具有四个或更多连接的相邻像素，删除作为交叉点的像素，得到没有任何分支的血管片段；分离后的血管片段几乎能完整保留细小血管的相关信息，为得到更为完整的冠状动脉树打下基础；

最后，对每个独立且无分支的血管片段进行顺序的标记；基于前三步得到的仅由“1”像素和“0”像素组成的二值图像，其相互邻接的“1”值像素目标血管像素组合成区域，且相互连通，并用边界信息描述每个连通区域即血管片段；对二值图像执行两次扫描：第一次逐行逐列执行扫描像素，判断像素间的相邻关系，对属于同一连通区域的像素赋予相同的连通标号；第二次执行扫描消除重复标记的各连通区域的子区域，合并属于同一连通区域但具有不同标记号的子区域；从而实现对每个独立且无分支的血管片段的顺序标记；

所述步骤4连接分离后的冠脉血管片段的方法如下：

将各无分支的血管片段端点的连接看作一个聚类问题解决；

首先，需要提取各血管片段中心线端点的三个特征：

(1)位置x＝(x,y)：血管片段的端点的像素坐标；

(2)血管端点的方向：采用Gabor滤波器确定血管片段的方向，因为每个已标记的血管片段滤波的过程是相对独立的，所以在交叉点可能产生的干扰能够被有效地抑制；

$g(x,y;\mathrm{\&theta;},\mathrm{\&psi;},\mathrm{\&sigma;},\mathrm{\&gamma;})=\exp (-\frac{x^{\&prime;2}+{\mathrm{\&gamma;}}^2{y}^{\&prime;2}}{2{\mathrm{\&delta;}}^2})\exp \left(i(2\mathrm{\&pi;}\frac{x^{\&prime;}}{\mathrm{\&lambda;}}+\mathrm{\&psi;})\right)---\left(13\right)$

x′＝xcosθ+ysinθ,y′＝-xsinθ+ycosθ

式中，λ是正弦因子的波长；θ是Gabor函数法线上平行条纹的方向；ψ是相位偏移；σ是高斯函数的标准偏差；γ是空间方面比，是Gabor核高斯函数的纵横比；

(3)已标记血管片段端点的血管宽度，即端点直径：端点的法线方向决定血管的宽度，从端点沿两个法线方向上的像素总和为其宽度；

其次，利用测量的两个血管片段间的相似性，引入相似性函数，来决定每个血管片段末端血管的连续性；它包含三部分信息：

(1)相邻血管片段端点间方向的连续性：血管片段的相邻端点具有方向上的连续性，是判断是否是同一支血管的关键因素，根据方向的连续性，可以合适匹配一支血管进入和传出的部分；同时，由于存在部分差异，很难完全准确匹配两部分的方向，需要设定一个范围，在此变化范围内认为血管方向一致；

(2)端点间的距离；血管片段端点间的距离是另一个相对重要的参考因素；引入血管片段端点的距离和方位角的能量分布场；即，基于Gabor滤波器的角度范围设计一个扇形，其半径就是端点间的距离；因此，定义一个如下的衰减函数：

$\mathrm{DK}(x_i,y_j)={\exp }^{-(\left(d^2(x_i,y_j)\right)/{\mathrm{\&delta;}}^2)}---\left(14\right)$

式中，d²(x_i,y_i)是两点间的欧氏距离，δ是尺度参数，用于控制随距离增加的衰减速度；

(3)相邻血管片段间的血管宽度的差异性：较短距离内，血管的宽度变化率很小；两支血管片段的血管宽度的差异是判断是否属于同一支血管的另一个因素；

然而，上述三个因素的重要性不同，其重要性的由大到小依次是方向、距离和宽度；设定加权值，即设p和q代表端点的三维特征空间中的两个点，有相似函数如下所示：

$S(x_i,y_j,\mathrm{\&epsiv;})=\left\{\begin{array}{cc}\frac{{\mathrm{\&omega;}}_1}{\mathrm{\&Delta;\&theta;}(x_i,y_j)}+{\mathrm{\&omega;}}_2\mathrm{DK}(x_i,y_j)+\frac{{\mathrm{\&omega;}}_3}{\mathrm{DW}(x_i,y_j)}& \mathrm{\&epsiv;in\; range}\\ 0& \mathrm{otherwise}\end{array}\right.---\left(15\right)$

式中，ω₁，ω₂和ω₃用于调整方向、距离和宽度差异性的重要程度；x_i是第i个端点；ε是控制方向的角度合理变化范围；DK是距离衰减函数的定义；DW是血管宽度的差异性；因此，该函数能很好的处理小角度、高曲率或长距离的情况；

所述步骤5基于完整的冠脉树二值图像，提取血管中心线即血管骨架的方法如下：

根据步骤2、3、4所述工作的基础上，采用K主曲线法可以继续减薄已提取的较为粗略的中心线；首先，对于数据点集合K，曲线f^*称为长度L的主曲线，如果在所有长度小于或者等于L的曲线簇上，f^*最小化距离函数Δ(f)；

其中，

$\begin{array}{c}\mathrm{\&Delta;}\left(f\right)=E\left[\mathrm{\&Delta;}(X,f)\right]\\ =E\left[\underset{t}{\inf {\left|\right|X-f\left(t\right)\left|\right|}^2}\right]=E\left[{\left|\right|X-f\left(t_f\left(X\right)\right)\left|\right|}^2\right]\end{array}---\left(16\right)$

式中，t是投影指标；f(·)表示投影指标与数据点之间的m维矢量函数，是与内在分布变量有非线性关系的描述，且只要数据分布满足有限二阶矩，则K主曲线始终存在；

其次，以最短的第一主成分直线作为初始曲线f_1,n，然后迭代算法，每次迭代时都在前次获得的曲线f_i-1,n线上增加一个新的顶点，以增加曲线的段数；在加入新顶点后，以前的顶点位置在内循环加以更新，使得惩罚距离函数最小化，从而形成新的曲线f_1,n；算法在k超过阈值时停止；内循环由投影步和最优化步组成；

最后，在投影步中，数据点按照其投影的顶点或线段被分成不同区域；在最优化步，通过最小均方距离来确定每个顶点新的位置，其中均方距离函数受局部曲率惩罚；投影步与最优化步两个步骤反复执行直到收敛，曲线生成，最终得到冠状动脉树中心线即血管骨架；

所述步骤7识别冠状动脉树左或右优势类型和追踪标记血管16节段的方法如下：

首先，基于步骤3已标记的各血管片段和步骤5中所计算的血管方向，依据SYNTAX评分中冠脉16节段法，对已标号的“1”像素连通区域进行扫描；对肝位的冠脉造影图像从直径值最大的右冠血管片段端点的像素坐标开始扫描，对步骤4中判断为同一支的血管，从血管片段端点沿中心线方向进行追踪，对已标号的连通区域根据SYNTAX评分中冠脉16节段编号进行顺序标号，判断冠脉树是否具有后降支和后侧支，包括：4.右冠-后降支，16.右冠-后降支，16a.右冠-后侧支第一分支，16b.右冠-后侧支第二分支，和16c.右冠-后侧支第三分支，若具有，则为右优势型冠脉树；否则，则为左优势型冠脉树；对右前斜位的冠脉造影图像进行如上方法追踪，判断冠脉树是否具有15.回旋支-后降支，若具有，则为左优势型冠脉树；否则，则为右优势型冠脉树；

所述步骤8识别血管病变的方法如下：

在SYNTAX冠状动脉评分体系中，对血管狭窄、完全闭塞、三叉病变、分叉病变、开口病变、严重扭曲、血管病变长度、钙化、血栓、弥漫病变等血管病变进行评分；

第一，判断血管狭窄程度并进行评分；根据步骤4获得的直径≥1.5mm的血管宽度衰减函数来判断血管是否狭窄；若某一位置血管片段横截面宽度由≥1.5mm突然衰减至0，即≥1.5mm的血管片段横截面沿中心线方向的下一个相邻的血管横截面为0，则判定该像素位置的血管为完全闭塞，标记该位置，同时设置弹窗询问其完全闭塞时间是否大于3个月，并进行打分；若某一位置血管片段横截面宽度沿该血管方向的相邻血管横截面宽度衰减率≥50％，即判定该像素位置的血管为狭窄，标记该位置，并进行打分；

第二，识别分叉病变包括三分叉病变和双分叉病变，并进行评分；三分叉病变的判定包括3步：第1步，已知步骤4所得血管片段的端点像素坐标，判定是否同时有3个直径≥1.5mm血管片段端点的像素位置在同一个步骤4中所设计的基于Gabor滤波器的半径为阈值的圆内，其中包括一根主干血管片段和2根边支血管片段，并且判断3根血管片段的端点方向两两所成角度是否小于70°；第2步，若有符合上述要求的三个血管片段的端点在同一个半径为阈值的圆内，则继续判断其血管边支节段编号是否为下述边支：3/4/16/16a、5/6/11/12、11/12a/12b/13、6/7/9/9a和7/8/10/10a；第3步，若边支血管符合上述节段编号，则继续判定已标记的血管狭窄位置是否在上述半径阈值的圆内，如果存在，统计其狭窄数量如果相邻病变间距<3个参考直径，则作为一个病变计分，否则认为是两个病变，并综合第1、2步进行评分；

双分叉的病变包括3步：第1步，已知步骤4所得血管片段的端点像素坐标，判定是否同时有2个直径≥1.5mm血管片段端点的像素位置在同一个步骤4中所设计的基于Gabor滤波器的半径为阈值圆内，其中包括一根主干血管片段和1根边支血管片段，并且判断2根血管片段的端点方向所呈角度是否小于70°；第2步，若有符合上述要求的2个血管片段在同一个半径为阈值的圆内，则继续判断其血管边支节段编号是否为下述边支：5/6/11、6/7/9、7/8/10、11/13/12a、13/14/14a、3/4/16和13/14/15；第3步，若边支血管符合上述节段编号，则继续判定已标记的血管狭窄位置是否在上述半径阈值的圆内，如果存在，统计其狭窄数量(如果相邻病变间距<3个参考直径，则作为一个病变计分，否则认为是两个病变)，并综合第1、2步进行评分；

第三，识别开口病变，并进行评分；分别对肝位冠脉造影的第1节段和右前斜位冠脉造影的第5、6、11节段的血管片段的近端，即片段端点所在横截面至沿中心线方向3mm处像素点所在的横截面之间，是否存在50％以上的血管狭窄；如果第1和第5节段存在，则为冠脉的主动脉开口病变；如果第6和第11节段存在，则为回旋支双开口病变；并且，根据SYNTAX评分标准对其进行评分；

第四，识别血管扭曲，并进行评分；首先，基于步骤5中提取的血管中心线，对每个标号的血管片段的中心线上的像素点，通过该点前后两点间距离与该点到整个连线距离比作为近似曲率，提取中心线上所有像素点的曲率；其次，通过计算出轮廓上每一点的曲率，进而分别在每个血管片段中找出各自的局部最大值点，并将其作为特征点；最后，如果某段血管存在1或多个≥90°的特征点或者3个或更多45-90°的特征点，则该片段存在血管扭曲，并进行评分；

第五，识别血管钙化点，并进行评分；首先，对肝位和右前斜位两张处理后的造影二值图像中已标记的血管片段像素位置分别对应到原始灰度图像中，并标记为相同的标号；其次，采用分段拉伸函数，设原始图像总灰度级数为M，而其中大部分的灰度分布在[a,b]区间，只有少部分的灰度在此区间外，则可以在[a,b]区间内做线性变换如下

$g(x,y)=\left\{\begin{array}{cc}d& 0\&le;f(x,y)<a\\ \frac{c-d}{b-a}[f(x,y)-a]+d& a\&le;f(x,y)<b\\ c& b<f(x,y)<M\end{array}\right.---\left(17\right)$

其中，g(x,y)为变换后的灰度值，[d,c]为对[a,b]段灰度进行拉伸之后的灰度值；根据冠状动脉造影的平均灰度直方图可得冠状动脉部分的灰度变化范围，其余为背景部分，灰度值为0，对原始图像进行灰度拉伸，然后采用Otsu法分割，可得到钙化点；最后，如果在该血管片段区域存在除钙化点外均为背景，则可判定该血管片段已发生钙化，并对应到分割后的二值图像中，根据钙化位置进行评分；

第六，识别大于20mm的长病变，并进行评分；判断某血管片段中是否存在横截面宽度衰减≥50％的狭窄，且该狭窄沿其中心线方向长度≥20mm，若存在，则为≥20mm的长病变，根据SYNTAX评分标准进行评分；

第七，识别小血管病变，并进行评分；首先，判断各血管片段中是否存在横截面宽度介于1.5mm和2mm的片段区域；其次，如果存在该区域，判断该区域内的中心线像素和在整个血管片段长中心线像素和的占比是否≥75％，如果是，则其发生了小血管病变；最后，根据SYNTAX评分标准进行评分；

所述步骤9，SYNTAX自动评分的方法如下：

将步骤8中对血管狭窄、完全闭塞、三叉病变、分叉病变、开口病变、严重扭曲、血管病变长度、钙化、血栓、弥漫病变等血管病变特征每项的评分结果，根据SYNTAX评分标准中冠脉树各节段所占的权重因数和病变程度自动叠加或相乘，最终给出SYNTAX评分结果，从而辅助医生确定最优的手术方式。

表1为所述SYNTAX评分标准的冠脉16节段各节段的权重因数

冠脉病变不良特征 评分 血管狭窄 -完全闭塞 *5 -严重病变(50-99％) *2 完全闭塞(T0) -时间大于3个月或未知 +1 -钝型残端 +1

-自身桥侧枝 +1 -完全闭塞病变以及第一个可见节段 +1/每个不可见部分 -边支-边支小于1.5mm +1 三叉病变 -1个病变节段 +3 -2个病变节段 +4 -3个病变节段 +5 -4个病变节段 +6 分叉病变 -A、B、C型病变 +1 -E、D、F、G型病变 +2 -角度小于70度 +1 开口病变 +1 严重扭曲 +2 长度大于20mm +1 严重钙化 +2 血栓 +1 弥漫病变/小血管病变 +1/每个段号

表2为所述SYNTAX评分标准的病变不良特征评分

冠脉病变不良特征 评分 血管狭窄 -完全闭塞 *5 -严重病变(50-99％) *2 完全闭塞(T0) -时间大于3个月或未知 +1 -钝型残端 +1

-自身桥侧枝 +1 -完全闭塞病变以及第一个可见节段 +1/每个不可见部分 -边支-边支小于1.5mm +1 三叉病变 -1个病变节段 +3 -2个病变节段 +4 -3个病变节段 +5 -4个病变节段 +6 分叉病变 -A、B、C型病变 +1 -E、D、F、G型病变 +2 -角度小于70度 +1 开口病变 +1 严重扭曲 +2 长度大于20mm +1 严重钙化 +2 血栓 +1 弥漫病变/小血管病变 +1/每个段号