CN101836235A - 用于对三维(3d)图像数据体积中的横截平面进行采样的成像方法 - Google Patents

Abstract

自动血管分析(AVA)向用户提供关于血管病理学(诸如狭窄)的定性反馈和定量反馈，并且具有最少的用户输入。然而，现有的算法可能不适于大的数据集，特别是由于预处理时间相当长。在此，提出了一种用于将探针放置在血管树上的成像方法，该方法根本不需要任何预处理的时间，并且，就速度和内存消耗这两者而言，该方法在(非常)大的数据集上执行得非常好。该方法包括步骤：将3D数据体积的体素分类为第一类、第二类或其它类体素；确定第一类体素的管状结构中的起始体素；在起始体素的附近确定中心线；以及通过起始体素拟合垂直于中心线的平面。此外，不但可以确定平面上的血管横截面的轮廓，而且可以确定轮廓的最大直径、最小直径和平均直径以及血管横截面的面积。

Description

用于对三维(3D)图像数据体积中的横截平面进行采样的成像方法

本发明涉及分析三维数据集中的管状对象的领域，确切地说，本发明涉及自动血管分析(AVA)的领域。自动血管分析向用户提供关于血管病理学(诸如狭窄)的定性反馈和定量反馈，并且具有最少的用户输入。然而，现有的算法可能不适合于大的数据集，特别是由于预处理时间相当长。本发明可能对血管狭窄的微创介入治疗很有用，因为对狭窄的长度和堵塞的血管的直径进行准确评估在临床上非常重要。此外，本发明可用于血管树的高分辨率重建。还可能将该方法用于在CT或MR体积上对支架和支架移植物进行规划和建模。自然在预处理/(复查)观察站执行建模。此外，本发明的主题能够用于介入X射线血管造影过程中。可以期望在灰度或彩色光栅图像中提供感兴趣对象的增加的能见度。

介入X射线血管造影过程是基于通过人体血管中的血管内材料的实时2D微创图像引导的。针对导丝和导管的交互式跟踪的成像模态选择是X射线C型臂。3D旋转血管造影(3DRA)技术通过增加第三成像维度可以显著改进标准的2D血管造影成像，并且，就其本身而言，允许对血管形态学以及血管病理学和周围分支的相互关系的更好的理解。

自动血管分析是能够在3DRA数据集上执行的更重要的功能之一。自动血管分析向用户提供关于血管病理学(诸如狭窄)的定性反馈和定量反馈，并且具有最少的用户输入。标准的AVA功能包括将两个探针放在血管结构上的功能和追踪功能。探针利用关于横截面处的血管的直径的定量反馈来提供探针所放置的血管部分上的横截面图。该方法还可以应用于除血管以外的其他结构，特别是像管一样的结构。

AVA功能背后的技术由Jan Bruijns记载，参见J.Bruijns，Semi-AutomaticShape Extraction from Tube-like Geometry，In Proceedings Vision Modelingand Visualization(VMV)2000，Saarbruecken，Germany，第347-355页，2000年11月，或J.Bruijns，Fully-Automatic Branch Labelling of Voxel VesselStructures，In Proceedings Vision Modeling and Visualization(VMV)2001，Stuttgart，Germany，2001年11月，或者J.Bruijns，Verification of theSelf-adjusting Probe：Shape Extraction from Cerebral Vasculature，InProceedings Vision Modeling and Visualization(VMV)2003，Munich，Germany，第159-166页，2003年11月。

目前已知的AVA方法可能具有两个主要缺陷：消耗大量内存，并且，在AVA功能可得到之前要求预处理步骤。该预处理步骤花费相当长的时间(在介入治疗期间时间很宝贵)。对于256MB数据集(512³体素)，预处理可能花费超过5分钟。由于这些缺陷，对于最高分辨率数据集，不可得到AVA功能。

这些缺点可能更加严重，因为更快的重建速度和更大的硬盘空间导致这样的大数据集的利用率增加。

此外，整个3DRA(实时链路输入、快速重建、快速可视化、低等待时间、快速AVA)期间的高分辨率重建(例如512³体素)的交互式使用能够形成以后的应用的关键点。

本发明的一个目的在于提供一种要求更少的处理时间的方法。

在此，提出了一种用于将探针放置在血管树上的方法，该方法可能根本不要求任何预处理时间，并且，就速度和内存消耗这两者而言，该方法在(非常)大的数据集上执行得很好。该技术解决方案可以使得在根本不需要任何预处理时间的情况下探针的瞬时放置和横截面的可视化成为可能。此外，所主张的方法需要非常低的内存消耗。

根据本发明的示范性实施例，提供一种用于对对象的三维(3D)图像数据体积中的横截平面进行采样的图像处理方法，其中，图像数据体积包含至少第一类体素和第二类体素。该方法包括步骤：将体素分类为第一类、第二类或其它类体素；确定三维(3D)图像数据体积中的第一类体素的管状结构(例如血管树)中的起始体素；确定包括起始体素的第一感兴趣体积；向第一感兴趣体积中的每个第一类体素分配数据值，其中，数据值表示所述体素和最接近的第二类体素之间的距离的度量；从起始体素沿所测量的距离的梯度方向行进至具有第一局部距离最大值的体素；确定包括第一局部最大值的第二感兴趣体积；采集具有局部距离最大值的第二体积中的所有体素；以及将拟合函数应用于所采集的具有局部最大值的体素，以确定管状结构中的中心线。

在又一实施例中，该方法包括步骤：将3D数据体积的体素分类为第一类、第二类或其它类体素；确定第一类体素的管状结构中的起始体素；确定起始体素的附近的中心线；以及通过起始体素拟合垂直于中心线的平面。

在又一实施例中，另外，该方法不但使得能够确定平面上的血管横截面的轮廓，而且还使得能够确定轮廓的最大直径、最小直径和平均直径以及血管横截面的面积。

对体素进行分类

对例如血管树模型的管状结构的定义可以如下：有两个阈值，下限阈值和上限阈值。具有低于下限阈值的值的体素被认为是背景体素并且被分类为第二类体素。包含高于上限阈值的值的体素被认为是血管树的一部分并且被分类为第一类体素。具有下限阈值和上限阈值之间的值的体素当在作为所讨论的体素周围的又一感兴趣体积的框内存在具有高于上限阈值的值的邻居体素的情况下被认为是血管树的一部分，并且因而被分类为第一类体素。否则，则被认为是背景体素或第二类体素。对于所述框，优选使用尺寸为12³体素的框，但也能够选择不同的尺寸。

确定管状结构中的起始体素

根据本发明的一个实施例，该图像处理方法还包括由用户放置探针的步骤，其中，用户例如通过选择屏幕上的点来确定管状结构中的起始体素。通过计算机鼠标的鼠标点击可以完成该选择。确切地说，由观察屏幕上所选择的点和3D空间中的摄像机的方向(屏幕法线)能够定义3D空间中的直线。该直线和例如血管树的管状结构的交叉表示探针和横截面的第一点(起始体素)。如果未能找到交叉，则不能放置探针。利用本发明的该实施例，通过使用例如灰度值的体素数据值隐含地定义管状结构。

在又一实施例中，该方法可以使用Bresenham算法的3D版本，以便对3D数据体积中的所述直线进行采样，或者，另外或可替代地，对体素体积中的每条直线进行采样。首先，对应于所述直线的直线方程必须变换至3D体素空间。通过使用Bresenham算法的3D版本(J.E.Bresenham，Algorithmfor computer control of a digital plotter.IBM Systems Journal，第4卷，第1号，第25-30页，1965)对直线进行采样。然后，通过先前所描述的方法对实际的样本位置的体素进行分类。

确定包括起始体素的第一感兴趣体积

由于只需要在起始体素/交点的邻域找到中心线，因而定义交点周围的第一感兴趣区域框。作为示范，使用尺寸为100³体素的框。于是，对应于感兴趣区域框而创建二元体积，借此将例如具有低于下限阈值的值的第二类体素归类为背景体素，并且，将第一类体素归类为血管体素。

向第一感兴趣体积中的每个第一类体素分配数据值

根据本发明的一个实施例，在二元体积的第一类体素上执行距离变换。作为示范，这是指对以背景体素(第二类体素)作为直接邻居的血管体素(第一类体素)分配距离1。对与具有距离1的体素相邻但与背景体素不相邻的血管体素分配距离2等等。优选地，N6邻域定义用于距离变换，N6邻域定义是指上、下、左、右、前和后的体素被认为是邻居，但对角相邻的体素不是邻居。

从起始体素沿梯度方向行进

分割后的管状结构的骨架体素形成中心线。Ji和Piper(L.Ji and J.Piper.的Fast Homotropy-Preserving Skeletons Using Mathematical Morphology.IEEE Transactions on Pattern Analysis and Machine Intelligence，第14卷，第6号，第653-664页，1992年6月)已表明距离变换中的局部最大值实际上是骨架点。因而，寻找交点附近的局部最大值，而不是明确地计算骨架。这以下列方式完成：从交点(起始体素)开始，沿距离变换的梯度的方向行进，直到找到局部最大值为止。该局部最大值是第一骨架点。

确定第二感兴趣体积

第一骨架点周围的框确定为第二感兴趣体积。第二体积收集该框内的距离变换的所有局部最大值(又一骨架点)。例如尺寸为16³体素的框用于第二感兴趣体积，但不同的尺寸也有可能。

将拟合函数应用于所采集的体素(骨架点)以确定通过管状结构的中心线

在获得一组局部最大值/骨架点之后，向量必须拟合于该组点，以用作横截面的法线(血管的切向量)。该方法是基于通过一群点拟合直线的，[参见E.W.Weisstein，Least Squares Fitting--Perpendicular Offsets.来自MathWorld--A Wolfram Web Resource，http://mathworld.wolfram.com/LeastSquaresFittingPerpendicularOffsets.html].在二维的情况下，通过一组点拟合的直线的方向可以是：

$\stackrel{\→}{v}=\left(\begin{array}{cc}1,& -B\±\sqrt{B^2+1}\end{array}\right),$ 其中

$B=\frac{1}{2}\·\frac{[{\mathrm{\Σ}}_{i=1}^n{y}_i^2-\frac{1}{n}{\left({\mathrm{\Σ}}_{i=1}^n{y}_i\right)}^2]-[{\mathrm{\Σ}}_{i=1}^n{x}_i^2-\frac{1}{n}{\left({\mathrm{\Σ}}_{i=1}^n{x}_i\right)}^2]}{\frac{1}{n}{\mathrm{\Σ}}_{i=1}^n{x}_i{\mathrm{\Σ}}_{i=1}^n{y}_i-{\mathrm{\Σ}}_{i=1}^n{x}_i{y}_i}$

根据另一示范性实施例，对该组点进行加权。根据本发明的一个实施例，图像处理方法包括步骤：对应于第二体积的所采集的所有体素到具有第一局部最大值的体素的距离，对第二体积的所采集的所有体素进行加权。

加权因子w_i可以用以下公式定义：

$w_i=\frac{1}{\sqrt{1-\mathrm{dist}(p_0,p_i)}}$

其中，dist作为欧式距离，p₀作为第一骨架点的3D位置，并且，p_i作为第i个骨架点的3D位置。选择该函数以得到对增加的距离的很好的衰减加权函数。但是，当然，w_i的不同选择也有可能。通过在二维中连续拟合直线能够实现在更高维中拟合直线。例如，在3D维的情况下，如果x，y-平面中的方向是(1，d_xy)，y，z-平面中的方向是(1，d_yz)，则3D方向是(1，d_xy，d_xy·d_yz)。

根据本发明的一个实施例，图像处理方法还包括定义通过管状结构的横截平面的步骤；其中，横截平面的法线定向成平行于中心线，并且包含起始体素。换句话说，横截平面优选垂直于管状结构/血管的切线，这是指平面的法线应当对应于切向量。通过确定血管的中心线能够找到切向量。如果血管模型包括离散点(体素)，则中心线对应于血管模型的骨架。在此，交点p和法线n现在一起根据该实施例定义横截平面。

根据另一实施例，通过在平面上对体素强度进行插值并且任选地将传递函数应用于插值后的值而能够创建示出横截面的位图。

根据本发明的一个实施例，图像处理方法还包括确定管状结构的探针区域的步骤，其中，探针区域是横截平面的第一类体素/像素的部分。换句话说，探针区域是能够被分类为血管的横截面位图上的一组像素，并且包含交点或起始体素。如下找到该区域：沿着拟合法线取横截面位图上的第一骨架点的投影。从该被投影的点开始，迭代地，连接至血管像素并具有高于下限阈值的强度的位图中的每个像素被分类为血管像素。作为示范，可以将连通性定义为N4邻域：上、下、左、右。在整个位图上重复分类步骤，直到不再找到血管像素为止。

根据本发明的又一实施例，被分类的体素可用于可视化体素数据集。以上所描述的算法中的下限阈值和上限阈值能够从这些可视化阈值中推导。

根据本发明的一个实施例，图像处理方法还包括确定管状结构的探针区域的探针轮廓的步骤，该步骤包括下列步骤：从横截平面的边缘沿正方向或负方向逐步地移动，直到找到第一类的第一轮廓体素为止。通过沿顺时针或逆时针行进方向考虑第一轮廓体素的所有体素邻居，找到下一个轮廓体素；其中，具有第二类邻居体素的第一类的第一邻居体素被确定为第二轮廓体素，沿先前的行进方向考虑第二轮廓体素的所有体素邻居；其中，具有第二类邻居体素的第一类的第一邻居体素被确定为第三轮廓体素，针对第三轮廓体素以及所有随后的轮廓体素继续先前的行进，直到再次遇到第一个确定的轮廓体素。

换句话说，任何轮廓像素/体素都适合作为开始。在一个实施例中，下列方式是优选的：

在对应于被投影的第一骨架点的y-坐标的y-坐标上，从横截面位图(x＝0)的左边缘开始。从该点移动至正x-方向，直到找到血管像素为止。这是第一轮廓体素。

从第一轮廓像素开始，通过沿顺时针方向(逆时针也可以)考虑所有N8邻居，能够找到下一个轮廓像素。作为血管像素的第一邻居像素是轮廓中的下一个像素。继续该方案，直到再次遇到起始轮廓像素为止。

根据本发明的一个实施例，图像处理方法使用三维Bersenham算法以便对体素进行采样。

根据本发明的一个实施例，图像处理方法还包括步骤：定义探针区域的中心和/或最小直径和/或最大直径和/或尺寸。

探针区域的中心可以定义为所有血管像素位置的平均值：

考虑给定的轮廓像素。相反的轮廓点定义为从通过探针中心的该给定的像素出发的直线和轮廓的交点。给定的轮廓像素处的血管的直径是轮廓像素和相反的轮廓点之间的距离。通过以毫米为单位使像素距离乘以像素尺寸能够以毫米为单位表示直径。

此外，从所有轮廓像素考虑这组直径全部。最小直径是该组的最小成员，最大直径是该组的最大成员。还有可能从该组计算平均直径，并且，通过使探针中的血管像素的数量乘以单个像素的面积能够获得探针的面积(以例如mm²单位)。

根据本发明的一个实施例，提供一种用于对对象的三维(3D)图像数据体积中的横截平面进行采样的成像系统，其中，图像数据体积包含至少第一类和第二类体素，成像系统包括适于执行以下步骤的处理器单元：将体素分类为第一类、第二类或其它类体素；确定三维(3D)图像数据体积中的第一类体素的管状结构中的起始体素；确定包括起始体素的第一感兴趣体积；向第一感兴趣体积中的每个第一类体素分配数据值；其中，数据值表示所述体素和最接近的第二类体素之间的距离的度量；从起始体素沿所测量的距离的梯度方向行进至具有第一局部距离最大值的体素；确定包括第一局部最大值的第二感兴趣体积；采集具有局部距离最大值的第二体积中的所有体素；以及将拟合函数应用于所采集的具有局部最大值的体素，以确定通过管状结构的中心线。

根据本发明的一个实施例，提供一种用于对对象的三维(3D)图像数据体积中的横截平面进行采样的计算机可读介质，其中，图像数据体积包含至少第一类和第二类体素，当计算机可读介质中所存储的检查管状结构的计算机程序由处理器执行时，所述计算机程序适于执行以下步骤：将体素分类为第一类、第二类或其它类体素；确定三维(3D)图像数据体积中的第一类体素的管状结构中的起始体素；确定包括起始体素的第一感兴趣体积；向第一感兴趣体积中的每个第一类体素分配数据值；其中，数据值表示所述体素和最接近的第二类体素之间的距离的度量；从起始体素沿所测量的距离的梯度方向行进至具有第一局部距离最大值的体素；确定包括第一局部最大值的第二感兴趣体积；采集具有局部距离最大值的第二体积中的所有体素；以及将拟合函数应用于所采集的具有局部最大值的体素，以确定通过管状结构的中心线。

根据本发明的一个实施例，一种用于对对象的三维(3D)图像数据体积中的横截平面进行采样的程序单元，其中，图像数据体积包含至少第一类和第二类体素，当被处理器执行时，程序单元适于执行如下步骤：将体素分类为第一类、第二类或其它类体素；确定三维(3D)图像数据体积中的第一类体素的管状结构中的起始体素；确定包括起始体素的第一感兴趣体积；向第一感兴趣体积中的每个第一类体素分配数据值；其中，数据值表示所述体素和最接近的第二类体素之间的距离的度量；从起始体素沿所测量的距离的梯度方向行进至具有第一局部距离最大值的体素；确定包括第一局部最大值的第二感兴趣体积；采集具有局部距离最大值的第二体积中的所有体素；以及将拟合函数应用于所采集的具有局部最大值的体素，以确定通过管状结构的中心线。

该实施例的一个好处可能是将探针放在血管树上并且稍后显示相应的横截面而不使用预处理的方法能力。即使对于大型数据集(例如1GB)而言，探针的放置也是瞬时的。此外，该方法对存在于数据集中的噪声不是很敏感。

本发明的这些及其他方面根据下文所描述的实施例将变得显而易见并且参考这些实施例来阐明。

以下将参考下列附图来描述本发明的示范性实施例。

图1示出了血管树的3D图像和探针区域的像素图像；

图2示出了本发明的实施例的流程图；

图3示出了包含血管树模型的3D体积的示意图；

图4示出了分类步骤的流程图；

图5示出了快速切线确定的流程图；

图6示出了适于执行所主张的方法的设备；

图7示出了所主张的方法的实施例的流程图。

附图中的图示说明是示意性的。在不同的附图中，对相似的或相同的元件提供同一参考数字。

图1是一管状结构，确切地说，是三维(3D)图像中的血管树。在3D图像的右上方，示出选定的血管探针。探针具有最大直径9.7mm(深灰)和最小直径6.51mm(浅灰)，并且，利用所主张的方法捕获探针。

图2示出了在一个实施例中使用的算法的流程图。在步骤201中，例如通过鼠标点击来放置与管状结构的交叉。在步骤202中，在交点处定义血管的横截平面。在步骤203中，放置探针(参见图1)，并且获得探针的定量数据。

根据图2和图3，通过用户根据步骤201(通常通过鼠标点击)在屏幕301上选择点而起动放置探针203。3D空间中的直线能够由视图屏幕301上的点和3D空间303中的摄像机的方向(屏幕法线302)定义。根据步骤202，该直线和血管树模型304的交叉表示探针和横截面的第一点。如果未找到交叉，则不能放置探针。

图4与Bresenham算法的应用有关。在步骤401中，直线方程从欧式空间变换至体素空间(在图3中显示，303)。在步骤402中，使用Bresenham算法的3D版本对直线进行采样。

血管树模型可以通过如下对体素进行分类来定义：有两个阈值，下限阈值和上限阈值。具有低于下限阈值的值的体素v被认为是背景体素(“否”，403的左侧)。包含高于上限阈值的值的体素v被认为是血管树的一部分(“是”，步骤402的右侧)。如果在所讨论的体素v周围的框内存在具有高于上限阈值的值的体素(步骤404)，则具有下限阈值和上限阈值之间的值的体素v被认为是血管树的一部分。否则，则被认为是背景体素。

优选地，使用尺寸为12³体素的框，但是可以选择不同的尺寸。

换句话说，在步骤403中，问题在于样本位置处的体素v是否具有比下限阈值高的值。如果体素v不具有比下限阈值高的值(框403的左侧)，则体素v是背景体素，如果体素v具有比下限阈值高的值，则在步骤404中，问题在于体素v周围的框中的任何体素是否高于上限阈值。如果是的话，则找到交叉v(框405)。如果回答是“否”，则重复步骤402的采样。

在图5中，示出与确定管状结构在起始体素/交点处的切线的方法有关的流程图，具有下列五个步骤：

感兴趣区域

由于只需要在交点的邻域找到中心线，因而在步骤501中定义交点周围的感兴趣区域框。我们例如使用尺寸为100³体素的框。然后，对应于感兴趣区域框而创建二元体积，借此将具有低于下限阈值的值的体素归类为背景体素，将其他体素归类为血管。

距离变换

在步骤502中，在二元体积的血管体素上执行距离变换。这是指对以背景体素作为直接邻居的血管体素分配距离1。对与具有距离1的体素相邻但与背景体素不相邻的血管体素分配距离2等等。我们使用N6邻域定义，是指上、下、左、右、前和后的体素被认为是邻居，但对角的体素不是邻居。

走向最大值

Ji和Piper已表明，距离变换中的局部最大值实际上是骨架点。因而，我们寻找交点附近的局部最大值，而不是明确地计算骨架。这以下列方式完成：在步骤503中，我们从交点开始沿距离变换的梯度的方向行进，直到找到局部最大值为止。该局部最大值是我们的第一骨架点。

寻找同属节点

现在，我们拥有第一骨架点，但我们需要若干个骨架点以确定中心线在该特定位置处的方向。因此，在步骤504中，我们定义第一骨架点周围的框，并且收集该框内的距离变换的所有局部最大值。在此，我们使用尺寸为16³体素的框，但不同的尺寸也有可能。

拟合法线

已获得一组骨架点，在步骤505中，向量必须拟合于该组点，以用作横截面的法线(血管的切向量)。我们的方法是基于通过一群点拟合直线的。在二维的情况下，通过一组点拟合的直线的方向是：

$\stackrel{\→}{v}=\left(\begin{array}{cc}1,& -B\±\sqrt{B^2+1}\end{array}\right),$ 其中

$B=\frac{1}{2}\·\frac{[{\mathrm{\Σ}}_{i=1}^n{y}_i^2-\frac{1}{n}{\left({\mathrm{\Σ}}_{i=1}^n{y}_i\right)}^2]-[{\mathrm{\Σ}}_{i=1}^n{x}_i^2-\frac{1}{n}{\left({\mathrm{\Σ}}_{i=1}^n{x}_i\right)}^2]}{\frac{1}{n}{\mathrm{\Σ}}_{i=1}^n{x}_i{\mathrm{\Σ}}_{i=1}^n{y}_i-{\mathrm{\Σ}}_{i=1}^n{x}_i{y}_i}$

然而，我们对一群点进行加权。合理的是，我们想要接近第一骨架点的点而不是距离很远的点，以对拟合法线的方向有更大的影响。因此，在我们的情况下，如下计算B：

$B=\frac{1}{2}\·\frac{[{\mathrm{\Σ}}_{i=1}^n{w}_i\left({y_i}^2\right)-\frac{1}{{\mathrm{\Σ}}_{i=1}^n{w}_i}{\left({\mathrm{\Σ}}_{i=1}^n{w}_i{y}_i\right)}^2]-[{\mathrm{\Σ}}_{i=1}^n{w}_i\left({x_i}^2\right)-\frac{1}{{\mathrm{\Σ}}_{i=1}^n{w}_i}{\left({\mathrm{\Σ}}_{i=1}^n{w}_i{x}_i\right)}^2]}{\frac{1}{{\mathrm{\Σ}}_{i=1}^n{w}_i}{\mathrm{\Σ}}_{i=1}^n{w}_i{x}_i{\mathrm{\Σ}}_i^n{w}_i{y}_i-{\mathrm{\Σ}}_{i=1}^n{w}_i{x}_i{y}_i}$

我们如下定义加权因子w_i：

$w_i=\frac{1}{\sqrt{1-\mathrm{dist}(p_0,p_i)}}$

其中，dist作为欧式距离，p₀作为第一骨架点的3D位置，并且，p_i作为第i个骨架点的3D位置。我们选择该函数以得到对增加的距离的很好的衰减加权函数。但是，当然，w_i的不同选择也有可能。

通过在二维中连续拟合直线能够实现在更高维中拟合直线。例如，在3D维的情况下，如果x，y-平面中的方向是(1，d_xy)，y，z-平面中的方向是(1，d_yz)，则3D方向是(1，d_xy，d_xy·d_yz)。

图6示意性地示出了一种如权利要求8所述的对对象的三维(3D)图像数据体积中的横截平面进行采样的成像系统。此外，图6示意性地示出了计算机可读介质，诸如如权利要求9所述的用于对三维(3D)图像数据体积中的横截平面进行采样的CD-ROM和如权利要求10所述的处理器。

图7示出了一种用于对对象的三维(3D)图像数据体积中的横截平面进行采样的图像处理方法的流程图，其中图像数据体积包含至少第一类和第二类体素；该方法包括步骤：701将体素分类为第一类、第二类或其它类体素，702确定三维(3D)图像数据体积中的第一类体素的管状结构中的起始体素，703确定包括起始体素的第一感兴趣体积，704向第一感兴趣体积中的每个第一类体素分配数据值；其中，数据值表示所述体素和最接近的第二类体素之间的距离的度量；

705从起始体素沿所测量的距离的梯度方向行进至具有第一局部距离最大值的体素，706确定包括第一局部最大值的第二感兴趣体积，708采集具有局部距离最大值的第二体积中的所有体素，并且709将拟合函数应用于所采集的具有局部最大值的体素，以确定通过管状结构的中心线。

应当注意到，术语“包括”并不排除其他元件或步骤，并且，“一”或“一个”不排除多个。同样，可以将与不同的实施例相关联而描述的元件结合起来。

还应当注意到，权利要求书中的参考符号不应当解释为限制权利要求书的范围。

Claims (10)

1.一种用于对对象的三维(3D)图像数据体积中的横截平面进行采样的图像处理方法，其中，所述图像数据体积包含至少第一类和第二类体素；所述方法包括步骤：

将所述体素分类为所述第一类、所述第二类或其它类体素；

确定所述三维(3D)图像数据体积中的所述第一类体素的管状结构中的起始体素；

确定包括所述起始体素的第一感兴趣体积；

向所述第一感兴趣体积中的每个所述第一类体素分配数据值；其中，所述数据值表示所述体素和最接近的所述第二类体素之间的距离的度量；

从所述起始体素沿所测量的距离的梯度方向行进至具有第一局部距离最大值的体素；

确定包括所述第一局部最大值的第二感兴趣体积；

采集具有局部距离最大值的所述第二体积中的所有体素；

将拟合函数应用于所采集的具有局部最大值的体素，以确定通过所述管状结构的中心线。

2.如权利要求1所述的图像处理方法，还包括步骤：

限定出通过所述管状结构的横截平面；其中，所述横截平面的法线定向成平行于所述中心线在其与所述平面的交叉处的切线，并且所述法线包含所述起始体素。

3.如权利要求1或2所述的图像处理方法，还包括步骤：

确定所述管状结构的探针区域；其中，所述探针区域是所述第一类体素与所述横截平面相交的部分。

4.如权利要求1至3中的一项所述的图像处理方法，还包括步骤：

确定所述管状结构的所述探针区域的探针轮廓，其包括下列步骤：

从所述横截平面的边缘沿正方向或负方向逐步地移动，直到找到所述第一类的第一轮廓体素为止；

沿顺时针或逆时针行进方向考虑所述第一轮廓体素的所有体素邻居；其中，具有第二类邻居体素的所述第一类的第一邻居体素被确定为第二轮廓体素；

沿先前的行进方向考虑所述第二轮廓体素的所有体素邻居；其中，具有所述第二类邻居体素的所述第一类的第一邻居体素被确定为第三轮廓体素；

针对所述第三轮廓体素以及所有随后的轮廓体素继续先前的行进，直到再次遇到第一个确定的轮廓体素为止。

5.如权利要求1至4中的一项所述的图像处理方法，其中

使用三维Bresenham算法对体素进行采样。

6.如权利要求1所述的图像处理方法，还包括步骤：对应于所述第二体积的所采集的所有体素到具有所述第一局部最大值的体素的距离而对所述第二体积的所采集的所有体素进行加权。

7.如权利要求1至6中的一项所述的图像处理方法，还包括步骤：

定义所述探针区域的中心和/或最小直径和/或最大直径和/或尺寸。

8.一种用于对对象的三维(3D)图像数据体积中的横截平面进行采样的成像系统，其中，所述图像数据体积包含至少第一类和第二类体素，所述成像系统包括适于执行如下步骤的处理器单元：

将所述体素分类为所述第一类、所述第二类或其它类体素；

确定所述三维(3D)图像数据体积中的所述第一类体素的管状结构中的起始体素；

确定包括所述起始体素的第一感兴趣体积；

向所述第一感兴趣体积中的每个所述第一类体素分配数据值；其中，所述数据值表示所述体素和最接近的所述第二类体素之间的距离的度量；

从所述起始体素沿所测量的距离的梯度方向行进至具有第一局部距离最大值的体素；

确定包括所述第一局部最大值的第二感兴趣体积；

采集具有局部距离最大值的所述第二体积中的所有体素；

将拟合函数应用于所采集的具有局部最大值的体素，以确定通过所述管状结构的中心线。

9.一种用于对对象的三维(3D)图像数据体积中的横截平面进行采样的计算机可读介质，其中，所述图像数据体积包含至少第一类和第二类体素，当所述计算机可读介质中所存储的检查管状结构的计算机程序被处理器执行时，适于执行如下步骤：

将所述体素分类为所述第一类、所述第二类或其它类体素；

确定所述三维(3D)图像数据体积中的所述第一类体素的管状结构中的起始体素；

确定包括所述起始体素的第一感兴趣体积；

向所述第一感兴趣体积中的每个所述第一类体素分配数据值；其中，所述数据值表示所述体素和最接近的所述第二类体素之间的距离的度量；

从所述起始体素沿所测量的距离的梯度方向行进至具有第一局部距离最大值的体素；

确定包括所述第一局部最大值的第二感兴趣体积；

采集具有局部距离最大值的所述第二体积中的所有体素；

将拟合函数应用于所采集的具有局部最大值的体素，以确定通过所述管状结构的中心线。

10.一种用于对对象的三维(3D)图像数据体积中的横截平面进行采样的程序单元，其中，所述图像数据体积包含至少第一类和第二类体素，当所述程序单元被处理器执行时，适于执行如下步骤：

将所述体素分类为所述第一类、所述第二类或其它类体素；

确定所述三维(3D)图像数据体积中的所述第一类体素的管状结构中的起始体素；

确定包括所述起始体素的第一感兴趣体积；

向所述第一感兴趣体积中的每个所述第一类体素分配数据值；其中，所述数据值表示所述体素和最接近的所述第二类体素之间的距离的度量；

从所述起始体素沿所测量的距离的梯度方向行进至具有第一局部距离最大值的体素；

确定包括所述第一局部最大值的第二感兴趣体积；

采集具有局部距离最大值的所述第二体积中的所有体素；

将拟合函数应用于所采集的具有局部最大值的体素，以确定通过所述管状结构的中心线。

Images