CN108520509A - 一种光学相干层析图像中生物可吸收支架自动检测方法 - Google Patents
一种光学相干层析图像中生物可吸收支架自动检测方法 Download PDFInfo
- Publication number
- CN108520509A CN108520509A CN201810129828.5A CN201810129828A CN108520509A CN 108520509 A CN108520509 A CN 108520509A CN 201810129828 A CN201810129828 A CN 201810129828A CN 108520509 A CN108520509 A CN 108520509A
- Authority
- CN
- China
- Prior art keywords
- optical coherence
- coherence tomography
- stent strut
- tomography image
- automatic testing
- 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.)
- Pending
Links
- 238000012014 optical coherence tomography Methods 0.000 title claims abstract description 33
- 238000012360 testing method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 7
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 208000007536 Thrombosis Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000014655 lactic acid Nutrition 0.000 description 2
- 239000004310 lactic acid Substances 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 201000000054 Coronary Restenosis Diseases 0.000 description 1
- 206010056489 Coronary artery restenosis Diseases 0.000 description 1
- 206010027336 Menstruation delayed Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 244000208734 Pisonia aculeata Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001464 adherent effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011981 development test Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002608 intravascular ultrasound Methods 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013146 percutaneous coronary intervention Methods 0.000 description 1
- 229920001432 poly(L-lactide) Polymers 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Abstract
本发明涉及一种光学相干层析图像中生物可吸收支架自动检测方法，该方法包括如下步骤：(1)对光学相干层析图像进行预处理；(2)针对预处理后的光学相干层析图像进行支架支柱预定位；(3)对于预定位的每个支架支柱采用区域增长法确定对应支架支柱的区域范围。与现有技术相比，本发明检测速度快，可以减少观察者间的差异性，并且可以促进更复杂的数据决策。
Description
技术领域
本发明涉及一种光学相干层析图像中生物可吸收支架检测方法，尤其是涉及一种光学相干层析图像中生物可吸收支架自动检测方法。
背景技术
冠状动脉疾病是世界范围内死亡的主要原因。经皮冠状动脉介入治疗是计算机辅助诊断中的常用技术。每年有成千上万的患者植入支架。支架是微小的管状装置，旨在保持血管畅通。第一代支架是裸露的金属支架，且已知有后续冠状动脉再狭窄的风险。第二代支架被称为药物洗脱支架。这些支架显著减少了肿瘤的增生，但后来出现了一些问题，如支架贴壁不良和晚期支架内血栓形成。因此，提出了一种新的概念，即“生物可吸收的血管支架”(BVS)，该概念在过去的10年中得到了发展并经过了研究试验。这些将在适当的时候全面采用，并将降低支架血栓形成的风险。聚合物支架是一种生物可吸收的血管支架，它们已被批准在世界上一些国家使用并且采用聚(L-丙交酯)作为材料：不但能够作为支架，保持径向稳固，并且随着时间的推移可以分解成乳酸，乳酸为一种天然存在可用于新陈代谢的分子。
血管内光学相干断层扫描(IVOCT)已被用于自动的支架检测，它是血管内超声的替代物，其空间分辨率有限，容易受到多种干扰噪声的影响，难以精确分割支撑。新的光学信号采集技术：光学相干断层扫描，被广泛应用于眼睛，皮肤科，心脏病学和支架植入的评估。IVOCT提供了非常高的轴向分辨率(10-16米)和比静脉超声波更好的信噪比。它允许每秒100-160帧的采集速度并具有快速的回拉速度。大部分BVS支杆都具有箱形的黑色内芯且边界通常反射出明亮的光线。由于这些显着的光学特性，使BVS支柱得以更为有效的检测。在获取光学相干层析图像后，需要对光学相干层析图像中的生物可吸收支架进行定位和识别。就目前所知，BVS自动分析在研究中很少被人们所接受，在大多数情况下，手动检测BVS支柱是常态，这个过程通常需要8个小时的时间，研究人员分析在一个回调运行中由不完整框架组成的支柱数量和百分比，这些框架缺少更详细的关于障碍柱支撑的位置，分布和聚类的信息。而关于BVS支柱的详细信息对新支架设计的大型临床试验以及更好地理解支架特性非常有价值。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种光学相干层析图像中生物可吸收支架自动检测方法。
本发明的目的可以通过以下技术方案来实现：
一种光学相干层析图像中生物可吸收支架自动检测方法，该方法包括如下步骤：
(1)对光学相干层析图像进行预处理；
(2)针对预处理后的光学相干层析图像进行支架支柱预定位；
(3)对于预定位的每个支架支柱采用区域增长法确定对应支架支柱的区域范围。
步骤(1)具体包括：
(11)伪像去除：采用滤波算法和形态学开放算法去除光学相干层析图像的噪声；
(12)图像变换：将去除噪声后的图像从笛卡尔坐标系转换至极坐标系。
步骤(2)具体为：
采用扫描线对预处理后的光学相干层析图像由上至下进行逐行扫描，获取每条扫描线上的亮度曲线，若亮度曲线上出现亮度峰值点则此扫描线通过支架支柱。
步骤(3)具体为：选取预定位的每个支架支柱的种子点，采用区域增长法搜索支架支柱的黑核区域，所述的黑核区域即为对应支架支柱的区域范围。
支架支柱的种子点的选取包括如下规则：
A、种子点位于确定通过支架支柱的扫描线上，且亮度曲线上的亮度在前支柱和后支柱区域具有强正梯度和负梯度，种子点在前支柱和后支柱之间的黑芯线段上选择；
B、黑芯线段具有设定阈值的长度；
C、一条通过支架支柱的扫描线只有一个种子点。
步骤(3)后还包括后处理：消除支架支柱误报，具体为：确定支架支柱的区域范围的面积，若面积大于设定阈值，则该支架支柱为误报。
与现有技术相比，本发明具有如下优点：
(1)本发明实现了支架支柱的自动检测，检测速度快，可以减少观察者间的差异性，并且可以促进更复杂的数据决策。
(2)本发明后处理能够有效消除支架支柱的误报，提高速度的同时，检测准确率高。
附图说明
图1为本发明光学相干层析图像中生物可吸收支架自动检测方法的流程框图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
实施例
如图1所示，一种光学相干层析图像中生物可吸收支架自动检测方法，该方法包括如下步骤：
(1)对光学相干层析图像进行预处理；
(2)针对预处理后的光学相干层析图像进行支架支柱预定位；
(3)对于预定位的每个支架支柱采用区域增长法确定对应支架支柱的区域范围；
(4)消除支架支柱误报。
IVOCT图像由冠状动脉中不同类型的噪声和小血斑组成。应用滤波算法和形态学开放算法去除会影响后续处理的噪声。经过适当的Z偏移校正后，产生同心圆的保护套位于笛卡尔图像的中心。导丝是极性图像中的亮环，在其后面产生黑影。在设定种子点并应用改进的区域增长算法之前，预处理是必要的，图像导管，保护套和导丝应从图像中去除，这减少了种子点误报的频率并加速了计算。因此步骤(1)具体包括：
(11)伪像去除：采用滤波算法和形态学开放算法去除光学相干层析图像的噪声；
(12)图像变换：将去除噪声后的图像从笛卡尔坐标系转换至极坐标系。
步骤(2)具体为：
采用扫描线对预处理后的光学相干层析图像由上至下进行逐行扫描，获取每条扫描线上的亮度曲线，若亮度曲线上出现亮度峰值点则此扫描线通过支架支柱。
步骤(3)具体为：选取预定位的每个支架支柱的种子点，采用区域增长法搜索支架支柱的黑核区域，所述的黑核区域即为对应支架支柱的区域范围。
支架支柱的种子点的选取包括如下规则：
A、种子点位于确定通过支架支柱的扫描线上，且亮度曲线上的亮度在前支柱和后支柱区域具有强正梯度和负梯度，种子点在前支柱和后支柱之间的黑芯线段上选择；
B、黑芯线段具有设定阈值的长度；
C、一条通过支架支柱的扫描线只有一个种子点。
消除支架支柱误报，具体为：确定支架支柱的区域范围的面积，若面积大于设定阈值，则该支架支柱为误报。在区域增长法确定对应支架支柱的区域范围过程中，生成了许多假候选种子点，导致了一些虚假的支柱。因此，使用假阳性滤波器来去除它们。首先，将种子点的空间位置用于滤波，具有箱形的组织区域的微血管和随机噪声经常被认为是错误的BVS支柱。结果，管腔外的候选种子点被移除。其次，应用支柱的面积来过滤假种子点。众所周知，BVS支柱具有特定的区域。在支撑的黑色核心以外的种子点的生长区域大于BVS支撑物的正常区域，因此只有合理生长的种子点被保留在分析中。清除“误报”后，对支柱的主体进行了整理。随着种子点随机更新，支柱的轮廓粗糙且尖锐。因此，应使用高斯滤波器对检测到的支柱进行平滑处理。支柱的黑色核心的边界被细化成平滑的轮廓。研究人员很容易识别和计算种子点生长的总面积。
根据空间三维位置，采用聚类算法分析不平衡支撑。众所周知，聚类分析是基于相似性的，聚类中的模式之间的相似度比不在同一个聚类中的模型之间的相似度要高。这从一个随机失配的支柱开始，然后根据它们的欧几里德距离，将其他支柱一个接一个地合并。最小数量的支柱聚集被设置为四。通过聚类的方式，将不吻合的支柱定义为“聚集”和“隔离”，计算每个聚类中不连续支柱的数量，分布角度以及从前壁到管腔轮廓的垂直距离。研究人员然后可以评估最严重的错位支柱的长轴位置。
上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。
Claims (6)
1.一种光学相干层析图像中生物可吸收支架自动检测方法，其特征在于，该方法包括如下步骤：
(1)对光学相干层析图像进行预处理；
(2)针对预处理后的光学相干层析图像进行支架支柱预定位；
(3)对于预定位的每个支架支柱采用区域增长法确定对应支架支柱的区域范围。
2.根据权利要求1所述的一种光学相干层析图像中生物可吸收支架自动检测方法，其特征在于，步骤(1)具体包括：
(11)伪像去除：采用滤波算法和形态学开放算法去除光学相干层析图像的噪声；
(12)图像变换：将去除噪声后的图像从笛卡尔坐标系转换至极坐标系。
3.根据权利要求1所述的一种光学相干层析图像中生物可吸收支架自动检测方法，其特征在于，步骤(2)具体为：
采用扫描线对预处理后的光学相干层析图像由上至下进行逐行扫描，获取每条扫描线上的亮度曲线，若亮度曲线上出现亮度峰值点则此扫描线通过支架支柱。
4.根据权利要求3所述的一种光学相干层析图像中生物可吸收支架自动检测方法，其特征在于，步骤(3)具体为：选取预定位的每个支架支柱的种子点，采用区域增长法搜索支架支柱的黑核区域，所述的黑核区域即为对应支架支柱的区域范围。
5.根据权利要求4所述的一种光学相干层析图像中生物可吸收支架自动检测方法，其特征在于，支架支柱的种子点的选取包括如下规则：
A、种子点位于确定通过支架支柱的扫描线上，且亮度曲线上的亮度在前支柱和后支柱区域具有强正梯度和负梯度，种子点在前支柱和后支柱之间的黑芯线段上选择；
B、黑芯线段具有设定阈值的长度；
C、一条通过支架支柱的扫描线只有一个种子点。
6.根据权利要求1所述的一种光学相干层析图像中生物可吸收支架自动检测方法，其特征在于，步骤(3)后还包括后处理：消除支架支柱误报，具体为：确定支架支柱的区域范围的面积，若面积大于设定阈值，则该支架支柱为误报。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810129828.5A CN108520509A (zh) | 2018-02-08 | 2018-02-08 | 一种光学相干层析图像中生物可吸收支架自动检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810129828.5A CN108520509A (zh) | 2018-02-08 | 2018-02-08 | 一种光学相干层析图像中生物可吸收支架自动检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108520509A true CN108520509A (zh) | 2018-09-11 |
Family
ID=63433101
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810129828.5A Pending CN108520509A (zh) | 2018-02-08 | 2018-02-08 | 一种光学相干层析图像中生物可吸收支架自动检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108520509A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105246402A (zh) * | 2013-03-08 | 2016-01-13 | 光学实验室成像公司 | 支架可视化和贴壁不良检测系统、设备和方法 |
| CN106780495A (zh) * | 2017-02-15 | 2017-05-31 | 深圳市中科微光医疗器械技术有限公司 | 基于oct的心血管植入支架自动检测与评估方法及系统 |
| CN106875387A (zh) * | 2017-02-15 | 2017-06-20 | 深圳市中科微光医疗器械技术有限公司 | 基于oct影像的生物可降解支架的自动检测的方法及装置 |
-
2018
- 2018-02-08 CN CN201810129828.5A patent/CN108520509A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105246402A (zh) * | 2013-03-08 | 2016-01-13 | 光学实验室成像公司 | 支架可视化和贴壁不良检测系统、设备和方法 |
| CN106780495A (zh) * | 2017-02-15 | 2017-05-31 | 深圳市中科微光医疗器械技术有限公司 | 基于oct的心血管植入支架自动检测与评估方法及系统 |
| CN106875387A (zh) * | 2017-02-15 | 2017-06-20 | 深圳市中科微光医疗器械技术有限公司 | 基于oct影像的生物可降解支架的自动检测的方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| CHENXI HUANG ET AL: "Automatic Quantitative Analysis of Bioresorbable Vascular Scaffold Struts in Optical Coherence Tomography Images Using Region Growing", 《JOURNAL OF MEDICAL IMAGING AND HEALTH INFORMATICS》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6765393B2 (ja) | 血管の内腔輪郭の自動化された決定のための方法および装置 | |
| CN107203741B (zh) | 血管提取方法、装置及其系统 | |
| CN111667456B (zh) | 一种冠状动脉x光序列造影中血管狭窄检测方法及装置 | |
| RU2535608C2 (ru) | Совмещение в реальном времени для лечения сосудов | |
| CN110910370B (zh) | 一种cta图像冠脉狭窄检测的方法及装置 | |
| WO2012126070A1 (en) | Automatic volumetric analysis and 3d registration of cross sectional oct images of a stent in a body vessel | |
| Kauffmann et al. | In vivo supervised analysis of stent reendothelialization from optical coherence tomography | |
| Deka et al. | Detection of macula and fovea for disease analysis in color fundus images | |
| Zhao et al. | Quantitative analysis on in vivo tumor‐microvascular images from optical‐resolution photoacoustic microscopy | |
| CN116645384B (zh) | 基于人工智能的干细胞区域快速分割方法 | |
| CN111815663A (zh) | 一种基于Hessian矩阵和灰度法的肝血管分割系统 | |
| Bouraoui et al. | Fully automatic 3D segmentation of coronary arteries based on mathematical morphology | |
| CN104166979B (zh) | 一种血管提取方法 | |
| Ma et al. | A coronary artery segmentation method based on region growing with variable sector search area | |
| Lidayová et al. | Fast vascular skeleton extraction algorithm | |
| Tian et al. | Automated segmentation of coronary arteries based on statistical region growing and heuristic decision method | |
| Bruining et al. | Automated three-dimensional detection of intracoronary stent struts in optical coherence tomography images | |
| CN108520509A (zh) | 一种光学相干层析图像中生物可吸收支架自动检测方法 | |
| Jodas et al. | Lumen segmentation in magnetic resonance images of the carotid artery | |
| AU2015245909B2 (en) | Method for the analysis of image data representing a three-dimensional volume of biological tissue | |
| CN113570600B (zh) | 基于ai技术进行支架内漏检测方法、系统及设备 | |
| Huang et al. | Automatic quantitative analysis of bioresorbable vascular scaffold struts in optical coherence tomography images using region growing | |
| Sheng et al. | Extraction method of coronary artery blood vessel centerline in CT coronary angiography | |
| CN113974667A (zh) | 一种tavi术前关键目标的自动定位装置及方法 | |
| US20170365059A1 (en) | Adaptive segmentation for rotational c-arm computed tomography with a reduced angular range |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180911 |
|
| RJ01 | Rejection of invention patent application after publication |