CN103218797B - 血管图像处理与分析的方法和系统 - Google Patents
血管图像处理与分析的方法和系统 Download PDFInfo
- Publication number
- CN103218797B CN103218797B CN201210017912.0A CN201210017912A CN103218797B CN 103218797 B CN103218797 B CN 103218797B CN 201210017912 A CN201210017912 A CN 201210017912A CN 103218797 B CN103218797 B CN 103218797B
- Authority
- CN
- China
- Prior art keywords
- vessel
- blood
- blood vessel
- dimensional
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了血管图像处理与分析的方法和系统,为血管网络的几何和三维网络特征和规律等相关研究提供定量方法。其技术方案为:首先给系统输入三维血管图像,然后通过等方性插值、感兴趣区域提取、适当的阈值血管分割、连通区域提取及小区域消除、形态学处理、血管网络中心线提取和三维图像重建及可视化操作,最终获得血管网络相关的各种特征参数,包括血管面积、血管体积、血管长度、血管节段数、血管直径、血管密度分布、血管网络中回路个数、回路相关节段比率、加权平均级数等,并将结果输出显示给用户。
Description
技术领域
本发明涉及生物图像的计算机分析技术,尤其涉及血管图像处理与分析的方法和系统。
背景技术
生物医学研究和临床诊断中涉及大量地对血管网络结构进行成像,但目前没有很好的对血管图像的计算机辅助特征量化分析的技术手段。大脑是人体内众多器官中血管构造最为复杂的器官,以下以大脑为例进行背景说明。
大脑是由多种细胞构成的复杂网络结构,是最精细的器官之一。对大脑的研究已成为二十一世纪最活跃的前沿基础研究之一,但是对脑血管的研究却长期受到忽视。目前,已有工作表明,在神经系统发育、功能和疾病发生过程中,血管参与并发挥了重要的调节作用。例如,在发育过程中,血管可以牵引神经元的迁移;在神经系统功能方面,血管通过释放一些细胞因子,调节神经元的活动;在疾病方面,阿尔茨海默病(AD)和帕金森病(PD)的病人上,发现脑血管的病变先于神经元功能和形态的异常。因此,无论对基础研究还是临床研究而言,脑血管相关研究的重要性都是不言而喻的,并且由于研究手段上的限制,该研究也具有很强的挑战性。
脑血管分布复杂,仅靠人工手段来观察血管影像难以发现其内在的客观规律,并且不能对其特征(如血管长度、半径、体积和血管空间分布密度等)进行定量的描述。因此,利用计算机的信息处理能力实现脑血管拍摄影像的分割、形态学处理、三维重建及可视化、自动量化血管相关特征及特征的综合统计分析,为动态观察和研究脑血管的空间分布、脑血管的生长过程和脑血管网络在发育过程中的规律研究提供了非常重要的研究手段。基于脑血管拍摄的影像,利用计算机进行辅助处理与分析整体三维血管网络研究方面,目前国、内外还没有任何已发表的学术成果。
因此,如何设计一个血管图像处理与分析的系统,尤其是对结构复杂的脑血管图像,根据其自身具有的特点,实现对其自动或半自动地处理与分析,这些将成为国际研究的热点。
发明内容
本发明的目的在于为了解决上述问题,提供一种血管图像处理与分析的方法和系统,用于处理与分析血管图像,提取血管网络相关的系列特征参数,为血管网络的几何和三维网络特征和规律等相关研究提供定量方法。
本发明的技术方案为:本发明揭示了一种血管图像处理与分析的方法,包括:
(1)输入三维血管图像;
(2)对输入的三维血管图像进行预处理;
(3)从感兴趣的血管区域的背景中分割出血管,进行分割出的非血管区域的消除、血管分割图像中孔洞的填充;
(4)提取血管网络的中心线;
(5)基于步骤(3)的分割数据和步骤(4)获取的血管网络的中心线实现三维图像重建和可视化操作;
(6)结合血管的分割数据和中心线数据,计算出血管相关的特征参数。
根据本发明的血管图像处理与分析的方法的一实施例,所述步骤(2)包括:
通过线性插值的方法对三维血管图像进行等方性插值处理;
基于具有等方性特征的三维血管图像提取感兴趣的血管区域。
根据本发明的血管图像处理与分析的方法的一实施例,所述步骤(3)包括:
基于阈值从感兴趣的血管区域的背景中分割出血管;
通过连通区域的提取和连通区域大小的限定消除分割出的非血管区域;
利用二维区域生长和三维填充的方法填充血管分割图像中的孔洞。
根据本发明的血管图像处理与分析的方法的一实施例,所述步骤(4)包括:
通过迭代的形态学细化算法和局部连通保持判断提取血管网络的中心线。
根据本发明的血管图像处理与分析的方法的一实施例,所述血管为脑血管。
根据本发明的血管图像处理与分析的方法的一实施例,所述血管图像处理与分析的方法应用于激光共聚焦获取的图像中。
本发明还揭示了一种血管图像处理与分析的系统,包括输入模块、预处理模块、血管分割模块、血管中心线提取模块、三维重建及可视化操作模块、血管特征提取模块,其中:
所述输入模块,输入三维血管图像;
所述预处理模块,连接所述输入模块,对输入的三维血管图像进行预处理;
所述血管分割模块,连接所述预处理模块,从感兴趣的血管区域的背景中分割出血管,进行分割出的非血管区域的消除、血管分割图像中的孔洞的填充;
所述血管中心线提取模块,连接所述血管分割模块,提取血管网络的中心线;
所述三维重建及可视化操作模块,连接所述血管中心线提取模块,基于所述血管分割模块的分割数据和所述血管中心线提取模块获取的血管网络的中心线实现三维图像重建和可视化操作;
所述血管特征提取模块,连接所述三维重建及可视化操作模块,结合血管的分割数据和中心线数据,计算出血管相关的特征参数。
根据本发明的血管图像处理与分析的系统的一实施例,所述预处理模块包括线性插值单元和感兴趣区域提取单元,其中:
所述线性插值单元,通过线性插值的方法对三维血管图像进行等方性插值处理;
所述感兴趣区域提取单元,连接所述线性插值单元,基于具有等方性特征的三维血管图像提取感兴趣的血管区域。
根据本发明的血管图像处理与分析的系统的一实施例,所述血管分割模块包括血管分割单元、非血管区域消除单元、孔洞填充单元,其中:
所述血管分割单元,基于阈值从感兴趣的血管区域的背景中分割出脑血管;
所述非血管区域消除单元,连接所述血管分割单元,通过连通区域的提取和连通区域大小的限定消除分割出的非血管区域;
所述孔洞填充单元,连接所述非血管区域消除单元,利用二维区域生长和三维填充的方法填充血管分割图像中的孔洞。
根据本发明的血管图像处理与分析的系统的一实施例,所述血管中心线提取模块通过迭代的形态学细化算法和局部连通保持判断提取血管的中心线。
根据本发明的血管图像处理与分析的系统的一实施例,所述血管为脑血管。
根据本发明的血管图像处理与分析的系统的一实施例,所述血管图像处理与分析的方法应用于激光共聚焦获取的图像中。
本发明对比现有技术有如下的优势:本发明的方案是首先给系统输入三维血管图像(二维断层图像序列),然后通过等方性插值、感兴趣区域提取、适当的阈值血管分割、连通区域提取及小区域消除、形态学处理、血管网络中心线提取和三维图像重建及可视化操作,最终获得三维血管网络相关的各种特征参数,如:表面积,体积,长度,节段数目,半径和分级等,并将结果输出显示给用户。总之,本发明方法根据三维血管图像自身具有的特点,通过一个血管处理与分析系统实现对其半自动地处理与分析,为动态观察和研究血管网络的生长过程、血管的定量分析和血管网络在发育过程中的规律研究提供新的方法;并为进一步了解血管网络结构和功能对病理过程的调节,揭示循环系统和其它系统的相互作用,以及对疾病的诊断提供新的线索。
附图说明
图1:本发明的血管图像处理与分析的方法的实施例的流程图。
图2:本发明的血管图像处理与分析的系统的实施例的原理图。
图3:本发明的一实例的用户感兴趣血管区域提取过程的示意图。
图4:本发明的一实例的血管网络中心线提取的示意图。
图5A:本发明的一实例的表面重建显示的中脑血管示意图。
图5B:本发明的一实例的直接点重建显示的中脑血管示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的描述。
发育早期的斑马鱼通体透明,可实现活体脑血管长时间光学成像,这为基于影像的血管研究提供了可能。本发明以激光共聚焦显微镜拍摄的转基因斑马鱼Tg(flk1-GFP)三维脑血管图像为实例,描述本发明系统方法中的关键步骤。
血管图像处理与分析的方法的实施例
图1显示本发明的血管图像处理与分析的方法的实施例的流程。图1以脑血管的图像处理为例进行说明,但是本实施例的步骤同样可应用于其它部位的血管处理。此外,图1以激光共聚焦获取的图像处理为例进行说明,但是本实施例的血管图像处理与分析的方法可应用于CT、MRI或DSA获取的图像处理。请参见图1,本实施例的脑血管图像处理与分析的方法的详细步骤如下。
步骤S10:输入一组三维脑血管的二维断层图像序列。
步骤S11:对输入的三维脑血管的二维断层图像序列进行预处理。
在拍摄过程中,由于拍摄设备、样本特性和采样时间等条件的限制,获取的三维脑血管的二维断层图像序列在x,y,z三维轴向上的图像分辨率可能是不一致的,为了方便后续处理,本发明首先运用线性插值方法对原始二维断层图像序列进行等方性插值处理,使得插值后得到的图像序列在x,y,z三维轴向上的分辨率达到一致;
基于等方性插值处理步骤得到的具有等方性特征的二维断层图像序列,本发明提供了一个交互式操作界面,用户可以根据需要,以不同脑区域组织(如前脑、中脑和后脑等)的三维图像为模板,通过三维操作(平移、缩放和旋转),确定脑组织对应的血管,获取用户感兴趣的脑血管区域,感兴趣脑血管区域内的图像是后续处理的基础。图3以斑马鱼中脑组织和中脑血管为对象,显示了本发明实施例中用户感兴趣脑血管区域提取过程的示意图。
步骤S12:运用适当的阈值从感兴趣脑血管区域的背景中分割出脑血管,通过连通区域的提取消除一些小的干扰的分割出的非脑血管区域,并利用二维区域生长方法和三维形态学处理方法填充脑血管分割图像中的孔洞。
首先,对于二维断层图像序列中的每幅图像,本发明可以自动提供其灰度直方图,根据灰度直方图特点,用户可以设定任意阈值,查看图像的阈值分割结果,并可以依据分割结果来调整初始设定的阈值。对于三维脑血管的二维断层图像序列,本发明可以根据用户设定的阈值批处理一次性实现所有图像的分割。另外,采集到的三维脑血管的二维断层图像序列中的底层图像和顶层图像的信号存在差异,底层图像较顶层图像的信号较弱,针对这种情况,本发明可以利用线性增长阈值分割方法批处理实现所有图像的分割。线性增长阈值分割方法利用公式(1)并根据二维断层图像在图像序列中的层次位置设定其相应的分割阈值thresholdi(第i层二维断层图像对应的阈值)。
其中DEPTH是二维断层图像序列的总深度,depthi是第i层二维断层图像,Upper和Lower分别是用户设定的二维断层图像序列最底层图像和最顶层图像的分割阈值。
其次,由于在未分割图像中存在着一些与血管灰度接近的噪声点或噪声区域,因此在上一步骤阈值分割得到的二值化图像中,这些噪声点(区域)会随同血管被保留下来,但是这些噪声点(区域)与血管在三维上是不连通的,由此本发明通过连通区域的提取和连通区域大小的限定消除一些小的干扰的非脑血管点(区域)。
最后,由于采集标本的自身特点和分割操作会造成血管内腔存在一些小的孔洞,对分割的脑血管二维断层图像序列的二维区域生长和三维填充,可以使得血管内部形成实体结构,方便后续处理。本发明中二维区域生长方法是对于已分割并去噪的二维断层图像序列中的每幅图像,在背景区域任意选取一个种子点,基于该种子点对背景区域(黑)进行二维区域生长,最终图像中背景连通区域之外的像素均被认定为血管区域(白)。另外,本发明中采用基于三维元素(如体状元素或球状元素)的三维形态学闭运算实现三维填充。
步骤S13:运用迭代的形态学细化算法和局部连通保持判断提取脑血管网络的中心线。
血管网络的中心线是一个像素宽的三维曲线,它可以描述血管网络的基本形态和拓扑结构。通过它可以将复杂的血管网络表示为很多血管节点、节段和节点节段之间连接关系,方便于后续血管网络相关的特征提取。本发明系统运用迭代的形态学细化算法和局部连通保持判断提取脑血管网络的中心线。具体地,在每次迭代过程中,步骤S12处理得到的三维血管网络的边界像素点先被找到并设置为候选可实施形态学细化算法的像素点,然后根据局部连通保持规则判断每个候选点是否可以在此次迭代中被形态学细化算法腐蚀(消除)掉,即若该候选点被腐蚀掉,则是否会影响一个限定大小(如21像素×21像素×21像素)的三维区域内其它三维血管网络相关像素的连通性,如果没有影响连通性,则该候选点可以被腐蚀掉,反之则不可以。最终当没有可以被腐蚀掉的边界点时,结束迭代,获取三维血管网络的中心线。图4以斑马鱼中脑血管为对象,显示了本发明实施例中提取的三维脑血管网络中心线。
步骤S14:对步骤S12获取的脑血管的分割数据和步骤S13获取的脑血管网络的中心线实现三维图像重建及可视化操作。
对脑血管的分割数据和中心线数据运用不同的三维重建方法实现三维图像重建并显示给用户,图5A和5B以斑马鱼中脑血管为对象,显示了本发明实施例中以表面重建方法(图5A)和直接点重建方法(图5B)对脑血管分割图像实现的三维重建。脑血管分割数据和中心线数据与实际的血管网络可能会存在一些细微的差别,这可能是由于感兴趣脑血管区域提取、分割和三维填充时血管管腔内部未能填实或者两根相隔很近的血管之间形成错误连接等原因造成。对于这些情况,本发明系统提供了一个交互式操作界面,用户可以结合原始数据手动地对脑血管分割数据和中心线数据进行三维可视化地处理和优化,如分割数据的切除、添加和断开,中心线数据中毛刺和小环路的去除(删除节段)等操作,最终将符合要求的数据传送给脑血管特征提取模块。
步骤S15:结合脑血管的分割数据和中心线数据,可以计算得到脑血管相关的一系列特征参数,一般为形态特征和拓扑特征,并遵循可识别性、可靠性和独立性等特点,最终将结果显示给用户。本发明目前共提取三维脑血管网络相关的12个特征,具体描述见下述的系列列表。本发明中提取的特征参数并不局限于上述所公开的范围,可以实现不同于特征列表以外的形态特征和拓扑特征。
血管图像处理与分析的系统的实施例
图2示出了本发明的血管图像处理与分析的系统的实施例的原理。图2以脑血管的图像处理为例进行说明,但是本实施例的系统同样可应用于它他部位的血管处理。此外,图1以激光共聚焦获取的图像处理为例进行说明,但是本实施例的血管图像处理与分析的方法可应用于CT、MRI或DSA获取的图像处理。请参见图2,本实施例的脑血管图像处理与分析的系统包括:输入模块10、预处理模块20、脑血管分割模块30、脑血管中心线提取模块40、三维重建及可视化操作模块50和脑血管特征提取模块60。
输入模块10用于接收用户输入的三维脑血管图像(二维断层图像序列),并传送给预处理模块20。
预处理模块20实现等方性插值,并根据需要提取用户感兴趣的脑血管区域,传送给脑血管分割模块30。预处理模块20包括线性插值单元200和感兴趣区域提取单元202。
线性插值单元200通过线性插值的方法对三维脑血管图像进行等方性插值处理。在拍摄过程中,由于拍摄设备、样本特性和采样时间等条件的限制,获取的三维脑血管的二维断层图像序列在x,y,z三维轴向上的图像分辨率可能是不一致的,为了方便后续处理,本发明首先运用线性插值方法对原始二维断层图像序列进行等方性插值处理,使得插值后得到的图像序列在x,y,z三维轴向上的分辨率达到一致。
感兴趣区域提取单元202基于具有等方性特征的三维脑血管图像提取感兴趣的脑血管区域。基于等方性插值处理步骤得到的具有等方性特征的二维断层图像序列,本发明提供了一个交互式操作界面,用户可以根据需要,以不同脑区域组织(如前脑、中脑和后脑等)的三维图像为模板,通过三维操作(平移、缩放和旋转),确定脑组织对应的血管,获取用户感兴趣的脑血管区域,感兴趣脑血管区域内的图像是后续处理的基础。图3以斑马鱼中脑组织和中脑血管为对象,显示了本发明实施例中用户感兴趣脑血管区域提取过程的示意图。
脑血管分割模块30将预处理模块20提取的感兴趣区域中的脑血管从背景中分割出来,并消除一些小的干扰的分割出的非脑血管区域和填充分割的脑血管中的孔洞,传送给脑血管中心线提取模块40和三维重建及可视化操作模块50。
脑血管分割模块30包括脑血管分割单元300、非脑血管区域消除单元302以及孔洞填充单元304。脑血管分割单元300基于阈值从感兴趣的脑血管区域的背景中分割出脑血管。对于二维断层图像序列中的每幅图像,本发明可以自动提供其灰度直方图,根据灰度直方图特点,用户可以设定任意阈值,查看图像的阈值分割结果,并可以依据分割结果来调整初始设定的阈值。对于三维脑血管的二维断层图像序列,本发明可以根据用户设定的阈值批处理一次性实现所有图像的分割。另外,采集到的三维脑血管的二维断层图像序列中的底层图像和顶层图像的信号存在差异,底层图像较顶层图像的信号较弱,针对这种情况,本发明可以利用线性增长阈值分割方法批处理实现所有图像的分割。线性增长阈值分割方法利用公式(1)并根据二维断层图像在图像序列中的层次位置设定其相应的分割阈值thresholdi(第i层二维断层图像对应的阈值)。
其中DEPTH是二维断层图像序列的总深度,depthi是第i层二维断层图像,Upper和Lower分别是用户设定的二维断层图像序列最底层图像和最顶层图像的分割阈值。
非脑血管区域消除单元302通过连通区域的提取和连通区域大小的限定消除分割出的非脑血管区域。由于在未分割图像中存在着一些与血管灰度接近的噪声点或噪声区域,因此在上一步骤阈值分割得到的二值化图像中,这些噪声点(区域)会随同血管被保留下来,但是这些噪声点(区域)与血管在三维上是不连通的,由此本发明通过连通区域的提取和连通区域大小的限定消除一些小的干扰的分割出的非脑血管点(区域)。
孔洞填充单元304利用二维区域生长和三维填充的方法填充脑血管分割图像中的孔洞。由于采集标本的自身特点和分割操作会造成血管内腔存在一些小的孔洞,对分割的脑血管二维断层图像序列的二维区域生长和三维填充,可以使得血管内部形成实体结构,方便后续处理。本发明中二维区域生长方法是对于已分割并去噪的二维断层图像序列中的每幅图像,在背景区域任意选取一个种子点,基于该种子点对背景区域(黑)进行二维区域生长,最终图像中背景连通区域之外的像素均被认定为血管区域(白)。另外,本发明中采用基于三维元素(如体状元素或球状元素)的三维形态学闭运算实现三维填充。
脑血管中心线提取模块40根据已分割、去噪和填充的脑血管图像数据,通过迭代的形态学细化算法和局部连通保持判断提取其相应的中心线,并传送给三维重建及可视化操作模块50。
血管网络的中心线是一个像素宽的三维曲线,它可以描述血管网络的基本形态和拓扑结构。通过它可以将复杂的血管网络表示为很多血管节点、节段和节点节段之间连接关系,方便于后续血管网络相关的特征提取。本发明系统运用迭代的形态学细化算法和局部连通保持判断提取脑血管网络的中心线。具体地,在每次迭代过程中,脑血管分割模块30处理得到的三维血管网络的边界像素点先被找到并设置为候选可实施形态学细化算法的像素点,然后根据局部连通保持规则判断每个候选点是否可以在此次迭代中被形态学细化算法腐蚀(消除)掉,即若该候选点被腐蚀掉,则是否会影响一个限定大小(如21像素×21像素×21像素)的三维区域内其它三维血管网络相关像素的连通性,如果没有影响连通性,则该候选点可以被腐蚀掉,反之则不可以。最终当没有可以被腐蚀掉的边界点时,结束迭代,获取三维血管网络的中心线。图4以斑马鱼中脑血管为对象,显示了本发明实施例中提取的三维脑血管网络中心线。
三维重建及可视化操作模块50将脑血管的分割数据和中心线数据进行三维图像重建并显示给用户,对于分割数据和中心线数据中不符合要求的部分,用户可以结合原始数据手动地对其进行三维可视化操作,并将符合要求的数据传送给脑血管特征提取模块60。
对脑血管的分割数据和中心线数据运用不同的三维重建方法实现三维图像重建并显示给用户,图5A和5B以斑马鱼中脑血管为对象,显示了本发明实施例中以表面重建方法(图5A)和直接点重建方法(图5B)对脑血管分割图像实现的三维重建。脑血管分割数据和中心线数据与实际的血管网络可能会存在一些细微的差别,这可能是由于感兴趣脑血管区域提取、分割和三维填充时血管管腔内部未能填实或者两根相隔很近的血管之间形成错误连接等原因造成。对于这些情况,本发明系统提供了一个交互式操作界面,用户可以结合原始数据手动地对脑血管分割数据和中心线数据进行三维可视化地处理和优化,如分割数据的切除、添加和断开,中心线数据中毛刺和小环路的去除(删除节段)等操作,最终将符合要求的数据传送给脑血管特征提取模块。
脑血管特征提取模块60计算得到脑血管相关的一系列特征参数(形态特征和拓扑特征),并将其显示给用户。
本发明目前共提取三维脑血管网络相关的12个特征,具体描述见下述的系列列表。本发明中提取的特征参数并不局限于上述所公开的范围,可以实现不同于特征列表以外的形态特征和拓扑特征。
本发明系统所有用户操作均采用交互式的友好界面完成,简单易用。
本发明提出的血管图像处理与分析的系统以激光共聚焦显微镜拍摄的转基因斑马鱼Tg(flk1-GFP)脑血管图像为实例,描述本发明系统的具体操作方法。
本发明方法通过一个血管图像处理与分析的系统半自动地对三维血管图像进行处理和分析,提供其相关的一系列特征参数,为动态观察和研究血管网络的生长过程、血管网络的定量分析和血管网络在发育过程中的规律研究提供新的方法;并为进一步了解血管网络结构和功能对病理过程的调节,揭示循环系统和其它系统的相互作用,以及对脑疾病的诊断提供新的线索。本发明的实现并不局限于上述实例所公开的范围,可以采用不同于上述实例的方式实现上述技术方案。
上述实施例是提供给本领域普通技术人员来实现和使用本发明的,本领域普通技术人员可在不脱离本发明的发明思想的情况下,对上述实施例做出种种修改或变化,例如,实施例是以脑血管为处理对象,而本发明的方法和系统仍可将其它部位的血管作为处理对象,因而本发明的发明范围并不被上述实施例所限,而应该是符合权利要求书所提到的创新性特征的最大范围。
Claims (8)
1.一种血管图像处理与分析的方法,包括:
(1)输入三维血管图像;
(2)对输入的三维血管图像进行预处理,其中包括通过线性插值的方法对三维血管图像进行等方性插值处理,基于具有等方性特征的三维血管图像提取感兴趣的血管区域;
(3)从感兴趣的血管区域的背景中分割出血管,进行分割出的非血管区域的消除、血管分割图像中孔洞的填充,其中基于阈值从感兴趣的血管区域的背景中分割出血管,通过连通区域的提取和连通区域大小的限定消除分割出的非血管区域,利用二维区域生长和三维填充的方法填充血管分割图像中的孔洞;
(4)提取血管网络的中心线;
(5)基于步骤(3)的分割数据和步骤(4)获取的血管网络的中心线实现三维图像重建和可视化操作;
(6)结合血管的分割数据和中心线数据,计算出血管相关的特征参数。
2.根据权利要求1所述的血管图像处理与分析的方法,其特征在于所述步骤(4)包括:
通过迭代的形态学细化算法和局部连通保持判断提取血管网络的中心线。
3.根据权利要求1-2中任一项所述的血管图像处理与分析的方法,其特征在于所述血管为脑血管。
4.根据权利要求1-2中任一项所述的血管图像处理与分析的方法,其特征在于,所述血管图像处理与分析的方法应用于激光共聚焦获取的图像。
5.一种血管图像处理与分析的系统,包括输入模块、预处理模块、血管分割模块、血管中心线提取模块、三维重建及可视化操作模块、血管特征提取模块,其中:
所述输入模块,输入三维血管图像;
所述预处理模块,连接所述输入模块,对输入的三维血管图像进行预处理,所述血管分割模块包括血管分割单元、非血管区域消除单元、孔洞填充单元,其中:
所述血管分割单元,基于阈值从感兴趣的血管区域的背景中分割出血管;
所述非血管区域消除单元,连接所述血管分割单元,通过连通区域的提取和连通区域大小的限定消除分割出的非血管区域;以及
所述孔洞填充单元,连接所述非血管区域消除单元,利用二维区域生长和三维填充的方法填充血管分割图像中的孔洞;
所述血管分割模块,连接所述预处理模块,从感兴趣的血管区域的背景中分割出血管,进行分割出的非血管区域的消除、血管分割图像中孔洞的填充,所述血管分割模块包括血管分割单元、非血管区域消除单元、孔洞填充单元,其中:
所述血管分割单元,基于阈值从感兴趣的血管区域的背景中分割出血管;
所述非血管区域消除单元,连接所述血管分割单元,通过连通区域的提取和连通区域大小的限定消除分割出的非血管区域;以及
所述孔洞填充单元,连接所述非血管区域消除单元,利用二维区域生长和三维填充的方法填充血管分割图像中的孔洞;
所述血管中心线提取模块,连接所述血管分割模块,提取血管网络的中心线;
所述三维重建及可视化操作模块,连接所述血管中心线提取模块,基于所述血管分割模块的分割数据和所述血管中心线提取模块获取的血管的中心线实现三维图像重建和可视化操作;
所述血管特征提取模块,连接所述三维重建及可视化操作模块,结合血管的分割数据和中心线数据,计算出血管相关的特征参数。
6.根据权利要求5所述的血管图像处理与分析的系统,其特征在于,所述血管中心线提取模块通过迭代的形态学细化算法和局部连通保持判断提取血管网络的中心线。
7.根据权利要求5-6中任一项所述的血管图像处理与分析的系统,其特征在于所述血管为脑血管。
8.根据权利要求5-6中任一项所述的血管图像处理与分析的系统,其特征在于,所述血管图像处理与分析的系统应用于激光共聚焦获取的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210017912.0A CN103218797B (zh) | 2012-01-19 | 2012-01-19 | 血管图像处理与分析的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210017912.0A CN103218797B (zh) | 2012-01-19 | 2012-01-19 | 血管图像处理与分析的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103218797A CN103218797A (zh) | 2013-07-24 |
CN103218797B true CN103218797B (zh) | 2016-01-27 |
Family
ID=48816548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210017912.0A Active CN103218797B (zh) | 2012-01-19 | 2012-01-19 | 血管图像处理与分析的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103218797B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107799167B (zh) * | 2013-06-06 | 2022-03-25 | 上海联影医疗科技股份有限公司 | 一种医学图像处理方法 |
CN104978726A (zh) * | 2014-04-03 | 2015-10-14 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
CN104331892B (zh) * | 2014-11-05 | 2017-04-19 | 南京理工大学 | 一种基于形态学的神经元识别与分析方法 |
CN104573714B (zh) * | 2014-12-31 | 2018-03-09 | 南京理工大学 | 自适应无参数的特征提取方法 |
CN104573717B (zh) * | 2014-12-31 | 2018-03-09 | 南京理工大学 | 有监督的流形学习算法 |
CN105225237B (zh) * | 2015-09-22 | 2018-04-20 | 哈尔滨工业大学(威海) | 光声显微血管图像分割和量化方法及装置 |
CN106875375B (zh) * | 2016-12-28 | 2019-07-30 | 浙江工业大学 | 一种基于管状特征跟踪的三维血管中轴线提取方法 |
CN107392893A (zh) * | 2017-06-30 | 2017-11-24 | 上海联影医疗科技有限公司 | 组织密度分析方法及系统 |
KR102045883B1 (ko) * | 2017-12-06 | 2019-12-04 | 한국광기술원 | 광단층영상 시스템을 이용한 혈관 이미징 장치 및 방법 |
CN108734771B (zh) * | 2018-05-14 | 2020-01-21 | 合肥融视信息科技有限公司 | 基于三维医学影像的血管提取系统及分析方法 |
CN109410221B (zh) * | 2018-10-31 | 2022-01-11 | 上海联影医疗科技股份有限公司 | 脑灌注图像分割方法、装置、服务器和存储介质 |
CN110610147A (zh) * | 2019-08-30 | 2019-12-24 | 中国科学院深圳先进技术研究院 | 血管图像提取方法、相关装置及存储设备 |
CN110517279B (zh) * | 2019-09-20 | 2022-04-05 | 北京深睿博联科技有限责任公司 | 头颈血管中心线提取方法及装置 |
CN110706336A (zh) * | 2019-09-29 | 2020-01-17 | 上海昊骇信息科技有限公司 | 一种基于医疗影像数据的三维重建方法及系统 |
CN111192255B (zh) * | 2019-12-30 | 2024-04-26 | 上海联影智能医疗科技有限公司 | 指标检测方法、计算机设备和存储介质 |
CN111738986B (zh) * | 2020-06-01 | 2021-02-09 | 数坤(北京)网络科技有限公司 | 一种脂肪衰减指数的生成方法、装置及计算机可读介质 |
CN114081625B (zh) * | 2020-07-31 | 2023-08-25 | 上海微创卜算子医疗科技有限公司 | 导航路径规划方法、系统和可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007122896A1 (ja) * | 2006-03-29 | 2007-11-01 | Hitachi Medical Corporation | 医用画像表示システム及び医用画像表示プログラム |
CN101283929A (zh) * | 2008-06-05 | 2008-10-15 | 华北电力大学 | 一种血管三维模型的重建方法 |
CN101301207A (zh) * | 2008-05-28 | 2008-11-12 | 华中科技大学 | 动态模型指导下的血管造影三维重建方法 |
CN101923607A (zh) * | 2010-09-01 | 2010-12-22 | 冯睿 | 一种血管计算机辅助影像学评估系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ATE336761T1 (de) * | 2003-01-31 | 2006-09-15 | Koninkl Philips Electronics Nv | Verfahren zur rekonstruktion dreidimensionaler objekte |
US7742629B2 (en) * | 2003-09-25 | 2010-06-22 | Paieon Inc. | System and method for three-dimensional reconstruction of a tubular organ |
-
2012
- 2012-01-19 CN CN201210017912.0A patent/CN103218797B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007122896A1 (ja) * | 2006-03-29 | 2007-11-01 | Hitachi Medical Corporation | 医用画像表示システム及び医用画像表示プログラム |
CN101301207A (zh) * | 2008-05-28 | 2008-11-12 | 华中科技大学 | 动态模型指导下的血管造影三维重建方法 |
CN101283929A (zh) * | 2008-06-05 | 2008-10-15 | 华北电力大学 | 一种血管三维模型的重建方法 |
CN101923607A (zh) * | 2010-09-01 | 2010-12-22 | 冯睿 | 一种血管计算机辅助影像学评估系统 |
Non-Patent Citations (2)
Title |
---|
冠状动脉造影图像中血管中心线跟踪算法的研究;刘佳;《万方数据企业知识服务平台》;20110630;第4.2、4.3节 * |
基于CT图像序列的血管结构三维重建方法研究;王健;《中国优秀硕士学位论文全文数据库 信息科技辑》;20111215(第S2期);第1.4、2.4、4.3、4.4节和结论,图4-3 * |
Also Published As
Publication number | Publication date |
---|---|
CN103218797A (zh) | 2013-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103218797B (zh) | 血管图像处理与分析的方法和系统 | |
EP3916674B1 (en) | Brain image segmentation method, apparatus, network device and storage medium | |
CN109035252B (zh) | 一种面向医学图像分割的超像素方法 | |
CN109325942B (zh) | 基于全卷积神经网络的眼底图像结构分割方法 | |
CN110047082B (zh) | 基于深度学习的胰腺神经内分泌肿瘤自动分割方法及系统 | |
CN108898160A (zh) | 基于cnn和影像组学特征融合的乳腺癌组织病理学分级方法 | |
CN112446862B (zh) | 一种基于人工智能的动态乳腺超声视频全病灶实时检测和分割装置、系统及图像处理方法 | |
CN112396621B (zh) | 基于深度学习的高分辨率显微内窥镜图像细胞核分割方法 | |
CN109063712A (zh) | 一种基于超声图像的多模型肝脏弥漫性疾病智能诊断方法及系统 | |
CN104143035B (zh) | 一种分割乳腺病灶的方法 | |
CN111798425B (zh) | 基于深度学习的胃肠道间质瘤中核分裂象智能检测方法 | |
CN105118056A (zh) | 基于三维形态学的冠脉血管自动提取方法 | |
CN103942799B (zh) | 一种乳腺超声图像分割方法及系统 | |
Zhuang et al. | Breast ultrasound lesion classification based on image decomposition and transfer learning | |
CN110738637A (zh) | 一种乳腺癌病理切片的自动分类方法及系统 | |
CN109919216B (zh) | 一种用于计算机辅助诊断前列腺癌的对抗学习方法 | |
Nayan et al. | A deep learning approach for brain tumor detection using magnetic resonance imaging | |
CN105869169B (zh) | 一种肿瘤组织微排列图像的自动分割方法 | |
CN110009645B (zh) | 一种肝癌病灶影像的双层轮廓分割方法 | |
CN111986216B (zh) | 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法 | |
CN103886580A (zh) | 肿瘤图像处理方法 | |
Wang et al. | Multiple reception field network with attention module on bone fracture detection task | |
Xu et al. | A Multi-scale Attention-based Convolutional Network for Identification of Alzheimer's Disease based on Hippocampal Subfields | |
CN103892848B (zh) | 乳腺x光图像的钙化点检测方法 | |
Ruan et al. | Feature Extraction and Research Based on MRI Image of Cerebral Hemorrhage |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200602 Address after: 200031 No. 320, Yueyang Road, Shanghai, Xuhui District Patentee after: Center for excellence and innovation of brain science and intelligent technology, Chinese Academy of Sciences Address before: 200031 No. 320, Yueyang Road, Shanghai, Xuhui District Patentee before: SHANGHAI INSTITUTES FOR BIOLOGICAL SCIENCES, CHINESE ACADEMY OF SCIENCES |
|
TR01 | Transfer of patent right |