CN111784720A - 一种dsa和ivoct的血管图像融合方法 - Google Patents
一种dsa和ivoct的血管图像融合方法 Download PDFInfo
- Publication number
- CN111784720A CN111784720A CN202010566183.9A CN202010566183A CN111784720A CN 111784720 A CN111784720 A CN 111784720A CN 202010566183 A CN202010566183 A CN 202010566183A CN 111784720 A CN111784720 A CN 111784720A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- image
- dsa
- ivoct
- point
- 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.)
- Granted
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 107
- 238000007500 overflow downdraw method Methods 0.000 title description 5
- 238000005070 sampling Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 238000012014 optical coherence tomography Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims description 12
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 208000031481 Pathologic Constriction Diseases 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000036262 stenosis Effects 0.000 description 3
- 208000037804 stenosis Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000002583 angiography Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 239000002872 contrast media Substances 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000000004 hemodynamic effect Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000001464 adherent effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000002608 intravascular ultrasound Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/60—Rotation of a whole image or part thereof
- G06T3/608—Skewing or deskewing, e.g. by two-pass or three-pass rotation
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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DSA和IVOCT的血管图像与血管融合的方法,包括以下步骤:对于经过预处理的数字减影图像DSA,使用由hessian矩阵为基础的Frangi滤波器突出血管细节,得到多尺度滤波后的图像;将多尺度滤波后的图像使用最大类间方差法进行自适应二值化;对自适应二值化结果采用拓扑细化的方法提取整个血管中心线;对提取了血管中心线结果,将血管中心线剔除旁支,保留血管主干中心线;对于血管内光学相干层析成像图像IVOCT,提取点云;尺寸一致处理;提取DSA图像血管主干中心线的点坐标;按照IVOCT图像之间的距离在DSA图像血管主干中心线上进行等间隔采样;图像融合。
Description
技术领域
本发明涉及内窥光学相干层析成像(Intravascular Optical CoherenceTomography,IV-OCT)与数字减影血管造影(digital substraction angiography,DSA)覆盖心血管、脑血管等内窥OCT成像领域,尤其涉及一种基于IVOCT和DSA血管融合的全自动匹配方法。
背景技术
血管内窥光学相干层析成像技术(IV-OCT)是一种基于导管的检查方法,它利用近红外光,可获取分辨率为十倍于血管内超声(IVUS)的体内血管壁微结构的高分辨率成像。血管管腔轮廓信息对评价血管的狭窄程度,获取支架植入的最佳位置,评价支架的贴壁状况都有很大的应用价值。
数字减影血管造影(digital substraction angiography,DSA)是指利用计算机处理数字化的影像信息,消除骨骼、组织和血管不相关的部分,得到只存在血管的图像信息,使血管图像具有更高的分辨率和对比度进而清晰显示血管图像的技术。DSA图像的获取需要两次成像过程,在注入造影剂前后分别进行成像,并均转换成数字信号储存起来,将两次成像的数字信号进行相减,消除共有的信号,即可得到只剩下存在造影剂的血管图像。
但目前基于IVOCT的三维血管重建都是直线型的,而DSA可以获取血管空间形态信息,但其对于血管轮廓信息准确度不高。如果将二者信息融合,则可以得到三维血管形态,对于后续血流动力学分析、血管分支判断和病变诊断起到至关重要的作用。
经过专利申请人检索,目前DSA与IVOCT的血管图像融合方法有关的专利处于半自动测量,要人工定位感兴趣血管的起始点和终止点。在本专利中,可以使用本算法自动定位狭窄部位血管,并与IVOCT图像按照DSA血管走向自动匹配。
参考文献
[1]王建安,朱国中,孙勇.专利名称:一种集成血管内光相干断层扫描影像和数字剪影影像的一体化在线实时处理仪.申请号:201310424563.9
发明内容
本发明的目的是提供一种DSA和IVOCT的血管图像融合方法。其基本思想是通过血管内光学相干层析成像(IVOCT)血管图像精准获取血管轮廓,结合数字减影图像(DSA)获取血管弯曲信息,重建血管三维形态。首先,利用IVOCT精准获取三维血管轮廓。其次,使用多尺度滤波器对DSA图像进行增强,选定基于DSA二值图像的拓扑细化法提取出主血管的中心线。再次,根据DSA图像提取的主血管的中心线的血管走向,将得到的IVOCT图像中血管轮廓的三维点坐标进行重新校正,实现DSA图像和OCT图像中血管轮廓坐标的斜率匹配。最后,将得到血管形态三维点坐标进行三维建模的重建,精准得到血管三维形态信息。技术方案如下:
一种DSA和IVOCT的血管图像与血管融合的方法,包括以下步骤:
(1)使用高斯滤波将数字减影图像DSA进行预处理。
(2)对于经过预处理的数字减影图像DSA,使用由hessian矩阵为基础的Frangi滤波器突出血管细节,得到多尺度滤波后的图像;
(3)将多尺度滤波后的图像使用最大类间方差法进行自适应二值化;
(4)对自适应二值化结果采用拓扑细化的方法提取整个血管中心线:不断删除边界线上的点,而不将对象分离,保留处理对象的骨架信息,得到提取了血管中心线的二值图像;
(5)对提取了血管中心线结果,将血管中心线剔除旁支,保留血管主干中心线;
(6)对于血管内光学相干层析成像图像IVOCT,提取点云;
(7)使第五步中提取的DSA血管主干中心线的尺寸放大到与IVOCT图像的尺寸相一致;
(8)提取DSA图像血管主干中心线的点坐标;
(9)按照IVOCT图像之间的距离在DSA图像血管主干中心线上进行等间隔采样;若采样点数与IVOCT图像个数不匹配时,删去多余采样点数;
(10)确定IVOCT最狭窄面与DSA血管轮廓狭窄部位,设置DSA血管轮廓狭窄部位为坐标原点,其他采样点则以原点为参考,分别设置其他采样点的位置坐标,以原点为基准划分每个采样点所在象限,并计算每个采样点的切线斜率,采样点切线斜率的估算方法是:以某采样点的前后相邻的两个采样点为基准,计算此采样点的两个相邻采样点所连成的线的斜率,即是此采样点的切线斜率;
(11)计算IVOCT图像的中心点坐标:根据每个IVOCT图像轮廓面的坐标求平均值,计算每个轮廓面的中心点位置坐标,并把这个坐标设置为新的原点,新的轮廓点位置坐标根据新的原点坐标进行相应的改变;
(12)根据每张IVOCT图像轮廓面的中心点位置坐标与DSA血管主干中心线相匹配,即将二维平面IVOCT轮廓进行三维化:对于每张每张IVOCT图像轮廓面,用DSA的x坐标赋值其上轮廓的z坐标,IVOCT图像的新轮廓位置的x坐标与DSA血管主干中心线的y坐标之和为x坐标,y坐标保持不变;
(13)根据DSA血管主干中心线每个采样点的切线斜率,在第十二步的基础上根据切线斜率调整每张IVOCT图像轮廓面在DSA血管主干中心线上的方向;分别计算不同象限的采样点的正弦值、余弦值;保持IVOCT平面上的y坐标不变,x、z坐标根据相应的切线斜率改变。
步骤(2)按照下列步骤执行:
1)根据数字减影图像DSA的像素值构造由二阶偏导数组成的hessian矩阵,并求出对应特征值和特征向量。
2)根据求出的特征值带入Frangi滤波器构造函数中并输出每点最大值;
3)用枚举法确定卷积尺寸,即用不同的卷积尺度去做滤波,得到多幅滤波后图像;
4)对于多幅滤波后图像,在每一点处选择Frangi滤波器函数值最高的结果作为输出,得到多尺度滤波后的图像。
步骤(5)按照下列步骤执行:;首先,在整个二值图像中寻找全部连通域,保留其中最大的连通域,这个连通域中包含血管的主体信息;遍历图像中所有值为1的点,找到八连通域中仅有一个值为1的点,为端点;从端点开始,将值为1且不在集合之中的邻域点加入集合,再从新加入的点开始重复该操作,直到新加入的点的八邻域中有大于等于3个点的值为1;计算所有集合的像素数目,从大到小保留第一和第二个集合,将其他集合中的点置为0。
步骤(7)按照下列步骤执行:通过计算这两种图像血管横截面的平均直径的比,确定DSA血管主干中心线需要被放大的倍数;再使用形态学操作使放大后的DSA血管主干中心线变为与IVOCT图像尺寸相同的DSA血管主干中心线;
步骤(8)按照下列步骤执行:首先遍历图像中所有值为1的点,找到八连通域中仅有一个值为1的点,为端点,其次从端点开始,将值为1且不在集合之中的邻域点加入集合,重复此操作确定所有点坐标。
附图说明
图1采集到的DSA原始图像
图2滤波后图像对比度增强
图3提取血管中心线后的DSA图像
图4去除旁支提取血管主干后的中心线图像
图5 IVOCT点云
图6提取DSA具体点坐标
图7修改OCT图片对应的位置
图8轮廓点相对位置改变示意图
图9轮廓点坐标校正
图10坐标匹配后的结果
图11算法流程图
具体实施方式
下面结合附图和具体实施例对本发明技术方案作进一步详细描述,所描述的具体实施例仅对本发明进行解释说明,并不用以限制本发明。
本发明提供了一种基于坐标匹配算法的DSA与IVOCT血管图像之间的融合,解决了现在由于不知道血管走向而导致计算不准确的问题。本发明再整个过程中使用高斯滤波、多尺度滤波器、形态学运算、坐标匹配、等大缩放等步骤,能够正确对应OCT图像与DSA弯曲狭窄部位,解决了目前存在因血管形状不匹配而导致计算不准确的问题。
本发明的目的是提供一种DSA和IVOCT的血管图像与血管融合的方法包括一下步骤:
(1)将DSA采集到的图像首先使用高斯滤波,因为高斯滤波对噪声比较敏感,因此先用高斯滤波对图像进行平滑。
(2)在第一步的简单滤波的基础上,使用由hessian矩阵为基础的Frangi滤波器突出血管细节。Frangi滤波是基于Hessian矩阵构造出来的一种边缘检测增强滤波算法。
图像像素点(x,y)处的Hessian矩阵是由多元函数的二阶偏导数组成的方阵,可以描述曲线的曲率,它的特征值能够描述图像密度的变化情况,并根据这个原理检测血管的边缘。由于DSA图像中存在粗细不同的血管,单一尺度的增强无法满足要求,因此采用多尺度的线性空间,对原始图像进行处理。
图像的Hessian矩阵为:
其中,Lxx,Lxy,Lyx,Lyy分别为图像的高斯二阶导数。
设Hessian的两个特征值分别为λ1和λ2。在本专利中,为了达成提取管状结构的目的,需要满足:
(3)滤波器只有在卷积尺度和血管宽度最接近的时候效果最好。选择合适的滤波器的空间尺度因子的范围,使得滤波器空间尺度因子和血管的宽度最匹配的时候,滤波器的输出达到最大,进而达到增强图像中的血管部分同时抑制非血管结构的目的。
Frangi滤波器为:
用不一样的卷积尺度去做滤波处理,在得到多幅滤波后的图像中,在每一点处选择响应值V(s)最高的结果作为输出。结果如图2所示。
其中Smin和Smax是预计可找到相关结构的最大尺度和最小尺度。
(4)由于形态学运算是针对二值图像,所以经过前三步滤波之后的血管图像使用自适应二值化将图像变为二值图像,即使用最大类间方差法找到图片的一个合适的阈值。
(5)在第四步的基础上提取血管中心线,拓扑细化的方法在解决细节性较多、形状多为线状长条状等这些规则性强的结构的物体形状方面效果较好,使用形态学操作bwmorph函数对滤波后的图像提取骨架,利用skel和Inf命令移除目标边界像素,但是不会将目标对象分离开。结果如图3。
(6)在第五步的基础上去除血管中心线旁支,留下DSA血管主干中心线。在这里使用连通域的方法去除旁支。由于旁支所占像素少并且旁支比主干短,所以连通域最大的部分即为血管主干,其余旁支删除即可。首先,在整个二值图像中寻找全部连通域,保留其中最大的连通域,这个连通域中包含血管的主体信息。遍历图像中所有值为1的点,找到八连通域中仅有一个值为1的点,为端点;其次,从端点开始,将值为1且不在集合之中的邻域点加入集合,再从新加入的点开始重复该操作,直到新加入的点的八邻域中有大于等于3个点的值为1;最后,计算所有集合的像素数目,从大到小保留第一和第二个集合,将其他集合中的点置为0。结果如图4。
(7)根据估算,将IVOCT采集到的每张图片的轮廓点间隔50个像素排开,为后续坐标匹配做准备。结果如图5所示。
(8)为了实现DSA图像与IVOCT图像坐标比例的一致,即DSA图像中的一个像素点所代表的现实长度与IVOCT图像中的一个像素点所代表的现实长度相一致。需要将DSA血管主干中心线的尺寸放大到与IVOCT图像的尺寸相一致。这种放大需要通过计算这两种图像血管横截面的平均直径的比,并以此确定DSA血管主干中心线需要被放大的倍数。
根据这一放大比,将DSA血管主干中心线图像等比例放大,即可通过间隔采样的方式与每层IVOCT管腔轮廓一一对应。
再使用形态学操作使放大后的DSA血管主干中心线变为与IVOCT图像尺寸相同的DSA血管主干中心线。使用形态学操作bwmorph函数对滤波后的图像提取骨架,利用skel和Inf命令移除目标边界像素,但是不会将目标对象分离开。
(9)在第八步的基础上提取主干中心线的的点坐标,以方便后面计算。遍历图像中所有值为1的点,找到八连通域中仅有一个值为1的点,为端点,从端点开始,将值为1且不在集合之中的邻域点加入集合。如图6所示。
(10)在第九步中提取完DSA血管主干中心线上的点坐标之后,要在DSA血管主干中心线上按照IVOCT图像之间的间隔选取点。在这里按照IVOCT图像之间间隔50个像素点的比例,在DSA血管主干中心线上进行采样,在这里使用downsample进行采样,采样基准点以最狭窄处为准,最狭窄地方的确定方法是使用血管中心线到血管边缘的最短距离。由于在这里采样点数应与IVOCT图像个数相对应,所以针对采样后的点,要删去多余部分,确保留下的点数与IVOCT图像个数一样,在这里IVOCT图像个数为270,以狭窄处为基准参考点进行采样,采样点超过270,删除多余采样点。
(11)确定IVOCT最狭窄面与DSA狭窄部位,设置DSA狭窄部位为坐标原点(0,0),其他采样点则以原点为参考,分别计算其他采样点的位置,以原点为基准,划分四个象限,分别计算每个象限中每个采样点的斜率值。如图7所示。
设高度为zi处的中心点的坐标为(y0,z0),主血管中心线采样点的斜率计算公式为:
由于斜率和直线与二维平面内曲线的夹角的关系为:k=tanθ,相应的有:
(12)根据IVOCT每个轮廓面的坐标求平均值,确定每个面的中心点位置坐标,并把这个坐标设置为原点,新的轮廓点位置坐标就等于旧的轮廓点坐标减去原中心点位置坐标。
(13)将二维平面IVOCT轮廓进行三维化,即赋值z坐标,则此时x、y坐标均产生相应改变,则此时的z坐标为DSA图像上每个点的x坐标,x坐标为原IVOCT的x坐标与DSA的y坐标之和,y不变。
(14)在第十三步中确定每个IVOCT面的中心位置后,匹配该面上轮廓点坐标。配准方法如8图所示。
IVOCT血管轮廓仅仅在位置上与DSA血管主干中心线保持一致是远远不够的。对于一个3D管状结构的每一层2D轮廓而言,穿过他的中心线(DSA血管主干中心线)的切线方向一定是这一层管腔轮廓所在平面的法方向。因此,在这里要调整每个IVOCT血管轮廓的倾斜程度。相应的要改变每个轮廓面上的每个点坐标。
按照图7所示的坐标系示意图,A为改变之前的坐标,A’为改变之后的坐标。坐标变化前后x坐标没有变化,只有y和z坐标发生了变化。根据图9所示的yoz平面内的坐标示意图所示,则高度为zi处变化前后对应的坐标关系为:
设经过配准后中心线的中心点坐标为(Δyi,zi),具体计算公式与中心点坐标相差无几。
则经过匹配后新坐标如下公式:
经过本发明处理后DSA与IVOCT图像坐标匹配后的结果如图10所示。
目前基于IVOCT的三维血管重建都是直线型的,而DSA可以获取血管空间形态信息,但其对于血管轮廓信息准确度不高。本专利提出整个识别过程使用了多尺度滤波器、形态学运算、提取中心线、连通域运算、提取点坐标、坐标匹配等一系列步骤方法较好的校正的DSA与IVOCT图像之间的关系,较好的还原了血管的狭窄、形状。对于后续血流动力学分析、血管分支判断和病变诊断起到至关重要的作用。尽管上面结合附图对本发明进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨的情况下,还可以做出很多变形,这些均属于本发明的保护之内。
Claims (5)
1.一种DSA和IVOCT的血管图像与血管融合的方法,包括以下步骤:
(1)使用高斯滤波将数字减影图像DSA进行预处理。
(2)对于经过预处理的数字减影图像DSA,使用由hessian矩阵为基础的Frangi滤波器突出血管细节,得到多尺度滤波后的图像;
(3)将多尺度滤波后的图像使用最大类间方差法进行自适应二值化;
(4)对自适应二值化结果采用拓扑细化的方法提取整个血管中心线:不断删除边界线上的点,而不将对象分离,保留处理对象的骨架信息,得到提取了血管中心线的二值图像;
(5)对提取了血管中心线结果,将血管中心线剔除旁支,保留血管主干中心线;
(6)对于血管内光学相干层析成像图像IVOCT,提取点云;
(7)使第五步中提取的DSA血管主干中心线的尺寸放大到与IVOCT图像的尺寸相一致;
(8)提取DSA图像血管主干中心线的点坐标;
(9)按照IVOCT图像之间的距离在DSA图像血管主干中心线上进行等间隔采样;若采样点数与IVOCT图像个数不匹配时,删去多余采样点数;
(10)确定IVOCT最狭窄面与DSA血管轮廓狭窄部位,设置DSA血管轮廓狭窄部位为坐标原点,其他采样点则以原点为参考,分别设置其他采样点的位置坐标,以原点为基准划分每个采样点所在象限,并计算每个采样点的切线斜率,采样点切线斜率的估算方法是:以某采样点的前后相邻的两个采样点为基准,计算此采样点的两个相邻采样点所连成的线的斜率,即是此采样点的切线斜率;
(11)计算IVOCT图像的中心点坐标:根据每个IVOCT图像轮廓面的坐标求平均值,计算每个轮廓面的中心点位置坐标,并把这个坐标设置为新的原点,新的轮廓点位置坐标根据新的原点坐标进行相应的改变;
(12)根据每张IVOCT图像轮廓面的中心点位置坐标与DSA血管主干中心线相匹配,即将二维平面IVOCT轮廓进行三维化:对于每张每张IVOCT图像轮廓面,用DSA的x坐标赋值其上轮廓的z坐标,IVOCT图像的新轮廓位置的x坐标与DSA血管主干中心线的y坐标之和为x坐标,y坐标保持不变;
(13)根据DSA血管主干中心线每个采样点的切线斜率,在第十二步的基础上根据切线斜率调整每张IVOCT图像轮廓面在DSA血管主干中心线上的方向;分别计算不同象限的采样点的正弦值、余弦值;保持IVOCT平面上的y坐标不变,x、z坐标根据相应的切线斜率改变。
2.根据权利要求1所述的方法,其特征在于,步骤(2)按照下列步骤执行:
1)根据数字减影图像DSA的像素值构造由二阶偏导数组成的hessian矩阵,并求出对应特征值和特征向量。
2)根据求出的特征值带入Frangi滤波器构造函数中并输出每点最大值;
3)用枚举法确定卷积尺寸,即用不同的卷积尺度去做滤波,得到多幅滤波后图像;
4)对于多幅滤波后图像,在每一点处选择Frangi滤波器函数值最高的结果作为输出,得到多尺度滤波后的图像。
3.根据权利要求1所述的方法,其特征在于,步骤(5)按照下列步骤执行:;首先,在整个二值图像中寻找全部连通域,保留其中最大的连通域,这个连通域中包含血管的主体信息;遍历图像中所有值为1的点,找到八连通域中仅有一个值为1的点,为端点;从端点开始,将值为1且不在集合之中的邻域点加入集合,再从新加入的点开始重复该操作,直到新加入的点的八邻域中有大于等于3个点的值为1;计算所有集合的像素数目,从大到小保留第一和第二个集合,将其他集合中的点置为0。
4.根据权利要求1所述的方法,其特征在于,步骤(7)按照下列步骤执行:通过计算这两种图像血管横截面的平均直径的比,确定DSA血管主干中心线需要被放大的倍数;再使用形态学操作使放大后的DSA血管主干中心线变为与IVOCT图像尺寸相同的DSA血管主干中心线。
5.根据权利要求1所述的方法,其特征在于,步骤(8)按照下列步骤执行:首先遍历图像中所有值为1的点,找到八连通域中仅有一个值为1的点,为端点,其次从端点开始,将值为1且不在集合之中的邻域点加入集合,重复此操作确定所有点坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010566183.9A CN111784720B (zh) | 2020-06-19 | 2020-06-19 | 一种dsa和ivoct的血管图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010566183.9A CN111784720B (zh) | 2020-06-19 | 2020-06-19 | 一种dsa和ivoct的血管图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784720A true CN111784720A (zh) | 2020-10-16 |
CN111784720B CN111784720B (zh) | 2023-02-28 |
Family
ID=72756899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010566183.9A Active CN111784720B (zh) | 2020-06-19 | 2020-06-19 | 一种dsa和ivoct的血管图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784720B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308874A (zh) * | 2020-11-19 | 2021-02-02 | 天津大学 | 基于管壁连通域唯一性的iv-oct血管轮廓识别方法 |
CN113516644A (zh) * | 2021-07-13 | 2021-10-19 | 天津大学 | 一种血管内光学相干层析成像分支血管识别方法 |
CN114155243A (zh) * | 2022-02-09 | 2022-03-08 | 天津恒宇医疗科技有限公司 | 基于特征信息的ivus和oct图像融合方法及系统 |
CN116524134A (zh) * | 2023-07-04 | 2023-08-01 | 天津恒宇医疗科技有限公司 | 基于血管内图像的三维血管建模方法及ffr计算方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110103666A1 (en) * | 2009-10-29 | 2011-05-05 | Kabushiki Kaisha Toshiba | X-ray imaging apparatus |
CN103462696A (zh) * | 2013-09-17 | 2013-12-25 | 浙江大学 | 一种集成血管内光相干断层扫描(oct)影像和数字减影(dsa)影像的一体化在线实时处理仪 |
CN105188550A (zh) * | 2013-03-12 | 2015-12-23 | 光学实验室成像公司 | 血管数据处理和图像配准系统、方法及装置 |
CN108053429A (zh) * | 2017-12-28 | 2018-05-18 | 西安中科微光影像技术有限公司 | 一种心血管oct与冠脉造影自动配准方法与装置 |
CN108109159A (zh) * | 2017-12-21 | 2018-06-01 | 东北大学 | 一种基于hessian矩阵和区域增长相结合的视网膜血管分割系统 |
CN108198174A (zh) * | 2017-12-28 | 2018-06-22 | 西安中科微光影像技术有限公司 | 一种心血管ivoct与ivus自动配准方法与装置 |
CN110604551A (zh) * | 2019-10-09 | 2019-12-24 | 南京沃福曼医疗科技有限公司 | 一种dsa和oct数据同步获取方法及装置 |
-
2020
- 2020-06-19 CN CN202010566183.9A patent/CN111784720B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110103666A1 (en) * | 2009-10-29 | 2011-05-05 | Kabushiki Kaisha Toshiba | X-ray imaging apparatus |
CN105188550A (zh) * | 2013-03-12 | 2015-12-23 | 光学实验室成像公司 | 血管数据处理和图像配准系统、方法及装置 |
CN103462696A (zh) * | 2013-09-17 | 2013-12-25 | 浙江大学 | 一种集成血管内光相干断层扫描(oct)影像和数字减影(dsa)影像的一体化在线实时处理仪 |
CN108109159A (zh) * | 2017-12-21 | 2018-06-01 | 东北大学 | 一种基于hessian矩阵和区域增长相结合的视网膜血管分割系统 |
CN108053429A (zh) * | 2017-12-28 | 2018-05-18 | 西安中科微光影像技术有限公司 | 一种心血管oct与冠脉造影自动配准方法与装置 |
CN108198174A (zh) * | 2017-12-28 | 2018-06-22 | 西安中科微光影像技术有限公司 | 一种心血管ivoct与ivus自动配准方法与装置 |
CN110604551A (zh) * | 2019-10-09 | 2019-12-24 | 南京沃福曼医疗科技有限公司 | 一种dsa和oct数据同步获取方法及装置 |
Non-Patent Citations (2)
Title |
---|
YUWEN ZENG ET AL.: ""Automatic Diagnosis Based on Spatial Information Fusion Feature for Intracranial Aneurysm"", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
王一丁: ""基于叠加DRR库的胸主动脉腔内修复术中CT血管造影与X线图像配准"", 《北京生物医学工程》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308874A (zh) * | 2020-11-19 | 2021-02-02 | 天津大学 | 基于管壁连通域唯一性的iv-oct血管轮廓识别方法 |
CN112308874B (zh) * | 2020-11-19 | 2022-04-15 | 天津大学 | 基于管壁连通域唯一性的iv-oct血管轮廓识别方法 |
CN113516644A (zh) * | 2021-07-13 | 2021-10-19 | 天津大学 | 一种血管内光学相干层析成像分支血管识别方法 |
CN113516644B (zh) * | 2021-07-13 | 2022-04-01 | 天津大学 | 一种血管内光学相干层析成像分支血管识别方法 |
CN114155243A (zh) * | 2022-02-09 | 2022-03-08 | 天津恒宇医疗科技有限公司 | 基于特征信息的ivus和oct图像融合方法及系统 |
CN114155243B (zh) * | 2022-02-09 | 2022-07-05 | 天津恒宇医疗科技有限公司 | 基于特征信息的ivus和oct图像融合方法及系统 |
CN116524134A (zh) * | 2023-07-04 | 2023-08-01 | 天津恒宇医疗科技有限公司 | 基于血管内图像的三维血管建模方法及ffr计算方法和系统 |
CN116524134B (zh) * | 2023-07-04 | 2023-08-29 | 天津恒宇医疗科技有限公司 | 基于血管内图像的三维血管建模方法及ffr计算方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111784720B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784720B (zh) | 一种dsa和ivoct的血管图像融合方法 | |
CN107133959B (zh) | 一种快速的血管边界三维分割方法及系统 | |
EP3659114B1 (en) | Evaluating cardiac motion using an angiography image | |
US11475560B2 (en) | Method, apparatus, and system to identify branches of a blood vessel | |
CN110448319B (zh) | 基于造影影像及冠状动脉的血流速度计算方法 | |
Menchón-Lara et al. | Fully automatic segmentation of ultrasound common carotid artery images based on machine learning | |
Petroudi et al. | Segmentation of the common carotid intima-media complex in ultrasound images using active contours | |
US9230331B2 (en) | Systems and methods for registration of ultrasound and CT images | |
CN109478327B (zh) | 用于在任意视场计算断层摄影血管造影(cta)中自动检测全身动脉的方法 | |
WO2012126070A1 (en) | Automatic volumetric analysis and 3d registration of cross sectional oct images of a stent in a body vessel | |
JP2011031045A (ja) | 2次元超音波映像に対応する2次元ct映像を提供するシステムおよび方法 | |
CN108053429B (zh) | 一种心血管oct与冠脉造影自动配准方法与装置 | |
WO2005107366A2 (en) | Method for segmentation of ivus image sequences | |
KR20110013036A (ko) | 센서의 교정을 수행하는 초음파 시스템 및 방법 | |
CN109584195B (zh) | 一种双模图像自动融合方法 | |
CN113902690A (zh) | 基于血管腔内影像计算血流储备分数的方法、装置、计算设备以及存储介质 | |
CN109919953B (zh) | 颈动脉内中膜厚度测量的方法、系统和设备 | |
WO2016154714A1 (en) | 3d ultrasound image stitching | |
CN108734771B (zh) | 基于三维医学影像的血管提取系统及分析方法 | |
CN115564817B (zh) | 三维血管图像的确定方法、装置、设备及存储介质 | |
CN114155243B (zh) | 基于特征信息的ivus和oct图像融合方法及系统 | |
CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
KR101366341B1 (ko) | 비모수적 확률 모델과 스무딩 함수를 이용한 혈관 내 초음파 영상에서 내강 경계면 자동 분할 방법 | |
Shang et al. | Adaptive directional region growing segmentation of the hepatic vasculature | |
Zahnd et al. | Semi-automated quantification of fibrous cap thickness in intracoronary optical coherence tomography |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |