CN103810363B - 血管造影术中的血管种子点选取方法及血管提取方法 - Google Patents

Abstract

本发明公开了一种血管造影术中的血管种子点选取方法、血管提取方法，包括如下步骤：提供人体部位的断层扫描图像，获取若干候选血管；根据所述候选血管的中心点,构建所述候选血管的识别函数；计算所述识别函数的值，根据所述识别函数的值选取一个或多个血管种子点。本发明提供的血管造影术中的血管种子点选取方法，不需要标准模型并能自动选取血管种子点，具有识别可靠性高，识别快速的特点；最后结合快速的血管分割技术，能够快速提取血管。

Description

血管造影术中的血管种子点选取方法及血管提取方法

技术领域

本发明涉及一种医学断层扫描图像的处理方法，尤其涉及一种血管造影术中的血管种子点选取方法及血管提取方法。

背景技术

在血管造影术（Computed Tomography Angiography，简称CTA）中，需要将血管与其他组织分割开，以便于对血管的进一步观察和分析。现有CTA中血管提取的技术主要分为基于标准血管模型的方法和不基于标准血管模型的方法两大类。

美国专利文献1：Jean-Michel Rouet,Franck Laffargue and Maxim Fradkin,Imageprocessing system for automatic segmentation of a 3-D tree-like tubular surface of anobject,using 3-D deformable mesh models.US Patent,2008,US 2008/0094389A1提供的可变网格的模型方法，需要先提供一个标准血管模型，然后计算血管的中心线，然后根据此中心线，用单纯网格拟合实际图像中的血管结构，将血管分割出来。此方法虽然可以将血管准确分割出来，但由于网格计算非常复杂，导致分割速度很慢，阻碍了实际应用的推广。

文献2：Nicolas Passat,Christian Ronse,Joseph Baruthio,et al.,Region-growingsegmentation of brain vessels:An atlas-based automatic approach.Journal of MagneticResonance Imaging,2005,21,pp:715-725提供了另一种类似的配准的方法，将待处理的图像与已经标记好血管的标准图像配准，将标准图像上血管的位置映射到待处理图像上，以此为起始点进行血管分割。但是不同个体的三维图像的配准仍然存在速度慢且配准无法完全匹配等缺点。

不基于标准血管模型的分割方法的一般步骤，需要先提供一个或多个起始点或同时提供起始点和终止点，然后采用不同方法由起始点开始寻找血管，如卡尔曼滤波的方法，参见文献3：Charles Florin,James P.Willianms,Nikolaos Paragios,Systemand method for Kalman filtering in vascular segmentation.US Patent,2009,US 7,602,970B2，在每个横截面上分割血管得到血管截面，然后不断移动截面并计算卡尔曼增益，最终将整个血管分割出来。还有的在给定起始点之后，先找到血管中心线，然后根据中心线把图像看做一个图，采用min-cuts算法将血管提取出来，如文献4：EnginDikici,Thomas P.O’Donnell,Randolph M.Setser,et al.,System and method for 3Dvessel segmentation with minimal cuts.US Patent,2012,8,126,232。由上可知，不基于标准血管模型的分割方法的共同缺点是需要人工选取种子点，无法实现全自动的血管分割。

发明内容

本发明所要解决的技术问题是提供一种血管造影术中的血管种子点选取方法及血管提取方法，在不需要模型的情况下自动选取血管种子点，然后快速提取血管。

本发明为解决上述技术问题而采用的技术方案是提供一种血管造影术中的血管种子点选取方法，包括如下步骤：提供人体部位的断层扫描图像，获取若干候选血管；根据所述每个候选血管的中心点,构建血管识别函数；计算所述识别函数的值，根据所述识别函数的值选取一个或多个血管种子点。

进一步地，所述识别函数包括以候选血管中心点为圆心的、不同半径的同心圆的识别函数，其中所述识别函数与圆内的平均图像增强值及圆内外灰度均值差正相关、与圆内外灰度标准差负相关。

进一步地，若所述血管种子点数量大于1，即对应多条血管，则还包括将所述断层扫描图像划分为若干区域，在获取所述识别值后，分别在划分后对应的区域内识别对应的血管种子点。

进一步地，若所述血管种子点数量为1,则选取所述识别函数最大的值为血管种子点;若所述血管种子点数量大于1,则选取所述划分后各个对应的区域内的识别函数最大的值为对应的血管种子点。

进一步地，获取若干候选血管前还包括：对所述断层扫描图像进行血管增强。

进一步地，所述血管增强方法为采用基于Hessian阵特征值的点区域的增强方法，或者采用霍夫变换的增强方法。

进一步地，所述获取若干候选血管包括：根据预设阈值及预设像素值的范围，获取所述断层扫描图像的增强值大于预设阈值的连通区域，且若所述连通区域内包含的断层扫描图像像素值位于所述预设像素值的范围，则对应的连通区域为候选血管。

进一步地，所述血管识别函数的构建至少包括如下步骤：1）以候选血管的中心点i为圆心，构造半径大小不同的同心圆，圆内部像素点的集合记为圆外部环形区域内的像素点集合记为计算圆内部的图像灰度均值圆外部环形区域内的图像灰度均值所述圆外部环形区域为对应的同心圆向外扩张L个像素形成，所述L的取值范围为2~5；2）对于每一半径的同心圆，获取下列参数：

第一参数，圆内的平均图像增强值，即以点i为中心的圆的内部平均增强值mean（Ei）；

第二参数，圆内与圆外灰度均值差，即圆内部的图像灰度均值与圆外部环形区域内的均值的差值

第三参数，圆内与圆外灰度均值差，即圆内部区域和圆外部环形区域的总体标准差Std_i，所述总体标准差Std_i计算如下：

${\mathrm{Std}}_i=\sqrt{\frac{1}{M+N}\underset{m\∈I_{\mathrm{in}}^i}{\mathrm{\Σ}}{(I_m-\mathrm{mean}\left(I_{\mathrm{in}}^i\right))}^2+\underset{n\∈I_{\mathrm{out}}^i}{\mathrm{\Σ}}{(I_n-\mathrm{mean}\left(I_{\mathrm{out}}^i\right))}^2}$

其中，M和N分别为圆内部区域点和圆外环形区域点的个数。

3）构造包含第一参数、第二参数及第三参数的血管识别函数，所述第一参数、第二参数分别和血管识别函数正相关，所述第三参数与血管识别函数负相关。

进一步地，当图像增强为采用霍夫变换进行增强，则所述圆内的平均图像增强值为霍夫变换值，包括：选取霍夫变换数值最大的一个或多个点作为候选血管的中心点，将对应候选血管中心点的霍夫变换值作为圆内的平均图像增强值。

进一步地，所述血管识别函数为：

$V_i=(1-e^{-\mathrm{mean}\left(E_i\right)/a})\·(1-e^{-(\mathrm{mean}\left(I_{\mathrm{in}}^i\right)-\mathrm{mean}\left(I_{\mathrm{out}}^i\right))/b})\·e^{-S{\mathrm{td}}_i/c}$

或

$V_i=\mathrm{mean}\left(E_i\right)\·e^{-S{\mathrm{td}}_i/c}\·(\mathrm{mean}\left(I_{\mathrm{in}}^i\right)-\mathrm{mean}\left(I_{\mathrm{out}}^i\right))$

其中,a、b、c为调节参数，a与第一参数正相关，b与第二参数正相关，c，与第三参数正相关。

进一步地，获取若干候选血管的中心点前还包括对人体部位的定位。

进一步地，所述定位包括如下过程：计算断层扫描图像的熵值，绘制所述熵值的分布曲线；根据所述分布曲线的变化对人体进行定位，以获取人体部位的断层扫描图像。

进一步地，所述定位还包括：位于头颈部区域的熵最大值区域对应为鼻的断层图像，在头颈部区域下降至最小值区域则对应为颈部的断层图像；胸部区域的熵最大值区域对应为心脏的断层图像；腹部区域相对于胸部剧烈下降，腹部区域熵值平缓区域对应为肝脏部位的断层图像，最大值区域则对应为肠道器官的断层图像；小腿区域的熵最大值区域则对应为膝的断层图像。

进一步地，若为颈部颈总动脉和椎动脉的血管种子点提取，则包括如下步骤：将所述断层扫描图像分为左右两部分，寻找椎骨位置；再根据与椎骨的距离将左右两部分再分为两部分；再分别取识别值在这四个部分中的最大值，获得左右颈总动脉和左右椎动脉的种子点。

本发明为解决上述技术问题还提供一种血管造影术中的血管提取方法，采用上述CT血管造影术中的血管种子点选取方法确定血管种子点，并以所述种子点，在三维断层扫描图像中进行区域生长，得到血管。

本发明对比现有技术有如下的有益效果：本发明提供的血管造影术中的血管种子点选取方法、血管提取方法，先获取候选血管中心点；然后根据所述每个候选血管中心点,构建血管识别函数；最后计算所述识别函数的值，选取所述识别函数值最大的点为血管种子点。因此，本发明提供的血管种子点选取方法不需要标准模型且能够全自动选取血管种子点，具有识别可靠性高，识别快速的特点，然后结合快速的血管分割技术，能够快速提取血管。

附图说明

图1为本发明血管造影术中的血管种子点选取流程图；

图2为本发明实施例血管造影术中的血管提取流程图；

图3为典型的人体断层扫描图像熵值曲线分布示意图；

图4为本发明单个肝部血管种子点选取结果示意图；

图5为本发明左右颈总动脉两个血管种子点选取结果示意图。

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。

图1为本发明血管造影术中的血管种子点选取流程图。

请参见图1，本发明提供的血管造影术中的血管种子点选取方法，包括如下步骤：

步骤S101，提供人体部位的断层扫描图像，获取若干候选血管。获取若干候选血管及候选血管的中心点前还包括：对所述断层扫描图像进行血管增强；根据血管增强后的断层扫描图像，获取若干候选血管及候选血管中心点。所述血管增强采用基于Hessian阵特征值的点区域进行增强，或者采用霍夫变换进行增强。根据预设阈值及预设像素值，获取所述断层扫描图像的增强值大于预设阈值的连通区域，且若所述连通区域内包含的断层扫描图像像素值大于预设像素值，则对应的连通区域为候选血管。

步骤S102，根据所述每个候选血管的中心点,构建所述候选血管的识别函数。识别函数以每个候选血管中心点为圆心，构造不同半径的同心圆对每个候选血管中心点进行识别，并获取不同半径圆的识别值，所述识别函数的识别值与圆内的平均图像增强值及圆内外灰度均值差正相关，与圆内外灰度标准差负相关。

步骤S103，计算所述识别函数的值，根据所述识别函数的值选取一个或多个血管种子点。其中，若所述血管种子点数量大于1，即对应多条血管，则还包括将所述断层扫描图像划分为若干区域，在获取所述识别值后，分别在划分后对应的区域内识别对应的血管种子点。具体地，若所述血管种子点数量为1,则选取所述识别函数最大的值为血管种子点;若所述血管种子点数量大于1,则选取所述划分后各个对应的区域内的识别函数最大的值为对应的血管种子点。

目前比较快速的血管分割技术，如区域生长，水平集等方法，都需要人手动提供血管种子点作为初始点。全自动提取血管的方法主要基于事先提供的标准血管模型，需要配准、模型学习或网格迭代等复杂运算，导致速度很慢。本发明提供的血管造影术中的血管种子点选取方法，不需要标准血管模型，然后与快速的血管分割技术结合起来，可以实现全自动且较快速的血管提取。

图2为采用本发明血管造影术中的血管种子点选取方法进行血管提取的一个实施例的流程图。其中，S201～S205为本发明一个实施例的血管种子点选取方法。

请参见图2，下面将详细说明本发明血管造影术中的血管提取的具体实现过程：

步骤S201：首先读入CTA图像，包括多个断层图像；

步骤S202：计算熵值曲线。即计算每个断层图像的熵值，得到一条熵的曲线。根据此曲线的形状，对人体部位进行定位，即判断每个断层对应的人体部位。如图3所示为人体断层的熵值曲线的示意图，其中，横坐标代表人体身高，0代表的人体腿部的末端，最大值是人体的头部；纵坐标为熵。根据所述人体的不同部位，可以分为6个区域，分别1为头颈部区域、2为胸部区域、3为腹部区域、4为大腿区域、5为小腿区域、6为脚部区域。

计算图像的熵值曲线后，与标准曲线进行匹配，可确定每张图像对应人体的部位。根据CTA图像的扫描部位的不同，选取特定部位的一张或多张进行种子点的检测。如头颈部CTA图像，取颈部断层图像，胸腹部和包含腹部的下肢图像，取腹部断层图像，下肢图像，取大腿部位图像。其中，熵的数值大小取决于灰度的分布均匀度，灰度分布越均匀，熵越小，反之越大。所以若存在骨头或器官组织的位置，熵值较大。比如位于头颈部区域1的熵最大值区域则对应为鼻的断层图像A，之后在头颈部区域下降至最小值的附近区域则对应为颈部的断层图像B；胸部区域2的熵最大值区域则对应为心脏的断层图像C；腹部区域3相对于胸部有明显剧烈下降，其熵值平缓区域对应为肝脏部位的断层图像D，最大值区域则对应为肠道等器官的断层图像E；小腿区域5的最大值区域则对应为膝的断层图像F。根据上述熵值形状分布与人体部位的对应关系，则可以从图3的形状分布中获得对应人体部位的断层图像，并将对应的断层图像进行处理。步骤S202是寻找对应人体部位的优选方法，也可以使用现有的其他定位方法。若提供的断层图像对应的具体部位为已知，则该步骤可省略。

步骤S203：根据需要选取特定人体部位图像进行增强；血管增强采用基于Hessian阵特征值点区域增强或霍夫变换进行增强。

所谓图像增强是针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。

所述血管增强可将原本在图像中并不明显的血管，通过一定的算法使血管部位的图像灰度值变得更高，同时抑制其他部位的器官组织，使其灰度值变得更低，以使血管和其他组织区分开来。由于上下走向的大血管在横截面上表现出圆形特征，因此对血管的增强可采用点区域或圆形的增强算法，即基于Hessian阵特征值点区域增强或霍夫变换进行增强。

步骤S204：增强值大于阈值像素点的连通域中心点作为候选血管中心点。即预先设定阈值T，计算像素点增强值大于T的连通区域，取连通区域内包含的像素大于K个像素的为候选血管（K可根据血管大小及图像分辨率预先确定），计算出各候选血管的中心点i。自此，获得若干候选血管，及各候选血管的中心点i。

步骤S205：计算血管识别函数值，选取血管种子点。对于每一个候选点均进行以下计算：

1）以候选血管的中心点i为中心，做半径大小不同的圆，圆内部像素点的集合记为圆外部环形区域内的像素点集合记为计算圆内部的图像灰度均值圆外部环形区域内的均值所述圆外部环形区域为对应的同心圆向外扩张L个像素形成，所述L的取值范围为2~5；

2）对于任一半径，具有下列三个参数：

a)第一参数：以点i为中心的圆内的平均增强值mean（Ei)；

b)第二参数：圆内外灰度差值即计算圆内部的图像灰度均值与圆外部环形区域内的均值的差值；

c)第三参数：总体标准差Std_i。所述Std_i包括：内部区域和外部区域的方差相加，然后将该和值开根号，获得总体标准差。

${\mathrm{Std}}_i=\sqrt{\frac{1}{M+N}\underset{m\∈I_{\mathrm{in}}^i}{\mathrm{\Σ}}{(I_m-\mathrm{mean}\left(I_{\mathrm{in}}^i\right))}^2+\underset{n\∈I_{\mathrm{out}}^i}{\mathrm{\Σ}}{(I_n-\mathrm{mean}\left(I_{\mathrm{out}}^i\right))}^2}$

其中，M和N分别为圆内部点和外部点的个数，m和n分别为圆内部点和外部点的公式计算的索引。3）根据上述三个参数，构造血管识别函数，所述识别函数包含第一参数、第二参数及第三参数，其中，第一参数、第二参数和血管识别函数正相关，第三参数与血管识别函数负相关。

进一步地，当图像增强为采用霍夫变换进行增强，则所述圆内的平均图像增强值为霍夫变换值，包括：选取霍夫变换数值最大的一个或多个点作为候选血管的中心点，将候选血管的中心点的霍夫变换值作为圆内的平均图像增强值。即当要提取的血管截面呈现比较显著的圆形时（如腹主动脉），也可对图像进行边缘检测，然后使用霍夫变换的方法检测图像中的圆形，选取图像霍夫变换的数值最大的一个或多个点作为候选血管的中心点，然后用候选血管的中心点处的霍夫变换值作为第一参数，构造血管识别函数。

作为一个例子，以上述参数构造血管识别函数可以为：

$V_i=(1-e^{-\mathrm{mean}\left(E_i\right)/a})\·(1-e^{-(\mathrm{mean}\left(I_{\mathrm{in}}^i\right)-\mathrm{mean}\left(I_{\mathrm{out}}^i\right))/b})\·e^{-S{\mathrm{td}}_i/c}$

其中，a，b，c为调节参数，可分别根据平均增强值、总体标准差以及内外灰度均值差的取值范围确定，使得经过指数计算后，不同大小的增强值、标准差、内外灰度均值差可以尽量均匀的投射到[0,1]区间范围内，在此a可取为10，b，c可均取为100。

或者识别函数还可以为:

$V_i=\mathrm{mean}\left(E_i\right)\·e^{-S{\mathrm{td}}_i/c}\·(\mathrm{mean}\left(I_{\mathrm{in}}^i\right)-\mathrm{mean}\left(I_{\mathrm{out}}^i\right))$

对于任一候选点i，以搜索的半径为变量，则必然存在一个半径，使得V值最大,即对于每个i点，会计算获得对应的半径大小不同导致的很多不同的识别函数值，最后在其中选取最大的一个作为该点的识别函数值V_i，即如下：

4）将V_i按照从大到小排序，取值最大的中心点为血管的种子点。作为其他实施例，也可以将所有候选点i的不同半径的V_i进行集合，再计算获得其中的最大值，则对应为血管种子点。

如图4所示为本发明单个肝部血管种子点选取结果示意图，其中单个血管种子点选取结果如图中的星型所示。

进一步地，若所述血管种子点数量大于1，即对应多条血管，则需要从大到小依次取多个点，具体地：可以将断层扫描图像分为若干区域，在计算出血管识别函数值后，分别取各区域内的最大值对应的点为血管种子点。

如颈部颈总动脉和椎动脉的血管种子点提取，可以先将断层扫描图像分为左右两部分，然后寻找椎骨位置，再根据与椎骨的距离将左右两部分分别再分为两部分。然后在分别取血管识别函数在这四个部分中的最大值，可得到左右颈总动脉和左右椎动脉的种子点,如图5中的两个星型即为左右颈总动脉的种子点。

步骤S206：区域生长提取血管。即最后以上述的血管种子点作为血管起始点，按层移动CTA图像进行区域生长，得到全部血管结构；或者水平集方法得到全部血管结构；除区域生长和水平集外，还有很多其他方法都是需要以一个或多个起始点开始，来提取血管，在此不再一一赘述。

综上，本发明提供的血管造影术中的血管提取方法具有如下优点：1）全自动选取血管种子点，克服了从起始种子点提取血管算法中需人为选择种子点的缺点；2）采用图像熵的分布曲线对人体进行定位，不需要标准模型及模型训练或配准等过程，加快血管提取的速度；3）根据血管增强后的结果选取候选血管，在定位后的特定平面上对血管结构进行增强，比三维血管增强速度更快；4）血管识别函数能有效判断是否血管，可将血管与圆形椎骨等其他与血管相似的结构区分开。

虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。

Claims (14)

1.一种血管造影术中的血管种子点选取方法，其特征在于，包括如下步骤：

提供人体部位的断层扫描图像，获取若干候选血管；

根据所述候选血管的中心点，构建所述候选血管的识别函数；

计算所述识别函数的值，根据所述识别函数的值选取一个或多个血管种子点；所述识别函数包括以所述候选血管的中心点为圆心的、不同半径的同心圆的识别函数，其中所述识别函数与圆内的平均图像增强值及圆外灰度均值差正相关、与圆内外灰度标准差负相关。

2.如权利要求1所述血管造影术中的血管种子点选取方法，其特征在于，若所述血管种子点数量大于1，即对应多条血管，则还包括将所述断层扫描图像划分为若干区域，在获取所述识别值后，分别在划分后对应的区域内识别对应的血管种子点。

3.如权利要求2所述血管造影术中的血管种子点选取方法，其特征在于，若所述血管种子点数量为1，则选取所述识别函数最大的值为血管种子点；若所述血管种子点数量大于1，则选取所述划分后各个对应的区域内的识别函数最大的值为对应的血管种子点。

4.如权利要求1所述血管造影术中的血管种子点选取方法，其特征在于，获取若干候选血管前还包括：对所述断层扫描图像进行血管增强。

5.如权利要求4所述血管造影术中的血管种子点选取方法，其特征在于，所述血管增强方法为采用基于Hessian阵特征值的点区域的增强方法，或者采用霍夫变换的增强方法。

6.如权利要求4所述血管造影术中的血管种子点选取方法，其特征在于，所述获取若干获选血管包括：

根据预设阈值及预设像素值的范围，获取所述断层扫描图像的增强值大于预设阈值的连通区域，且若所述连通区域内包含的断层扫描图像像素值位于所述预设像素值的范围，则对应的连通区域为候选血管。

7.如权利要求1所述血管造影术中的血管种子点选取方法，其特征在于，所述血管识别函数的构建至少包括如下步骤：

1)以候选血管的中心点i为圆心，构造半径大小不同的同心圆，圆内部像素点的集合记为圆外部环形区域内的像素点集合记为计算圆内部的图像灰度均值圆外部环形区域内的图像灰度均值所述圆外部环形区域为对应的同心圆向外扩张L个像素形成，所述L的取值范围为2～5；

2)对于每一半径的同心圆，获取下列参数：

第一参数，圆内的平均图像增强值，即以点i为中心的圆的内部平均增强值mean(Ei)；

第二参数，圆内与圆外灰度均值差，即圆内部的图像灰度均值与圆外部环形区域内的均值的差值

第三参数，圆内与圆外灰度均值差，即圆内部区域和圆外部环形区域的总体标准差Std_i，所述总体标准差Std_i计算如下：

${\mathrm{Std}}_i=\sqrt{\frac{1}{M+N}\underset{m\∈I_{\mathrm{in}}^i}{\mathrm{\Σ}}{(I_m-\mathrm{mean}\left(I_{\mathrm{in}}^i\right))}^2+\underset{n\∈I_{\mathrm{out}}^i}{\mathrm{\Σ}}{(I_n-\mathrm{mean}\left(I_{\mathrm{out}}^i\right))}^2}$

其中，M和N分别为圆内部区域点和圆外环形区域点的个数；

3)构造包含第一参数、第二参数及第三参数的血管识别函数，所述第一参数、第二参数分别和血管识别函数正相关，所述第三参数与血管识别函数负相关。

8.如权利要求7所述血管造影术中的血管种子点选取方法，其特征在于，当图像增强为采用霍夫变换进行增强，则所述圆内的平均图像增强值为霍夫变换值，包括：选取霍夫变换值最大的一个或多个点作为候选血管的中心点，将对应获选血管中心点的霍夫变换值作为圆内的平均图像增强值。

9.如权利要求7所述血管造影术中的血管种子点选取方法，其特征在于，所述血管识别函数为：

$V_i=(1-e^{-\mathrm{mean}\left(E_i\right)/a})\·(1-e^{-(\mathrm{mean}\left(I_{\mathrm{in}}^i\right)-\mathrm{mean}\left(I_{\mathrm{out}}^i\right))/b})\·e^{-{\mathrm{Std}}_i/c}$

或

$V_i=\mathrm{mean}\left(E_i\right)\·e^{-{\mathrm{Std}}_i/c}\·(\mathrm{mean}\left(I_{\mathrm{in}}^i\right)-\mathrm{mean}\left(I_{\mathrm{out}}^i\right))$

其中，a、b、c为调节参数，a与第一参数正相关，b与第二参数正相关，c与第三参数正相关。

10.如权利要求1所述血管造影术中的血管种子点选取方法，其特征在于，获取若干候选血管的中心点前还包括对人体部位的定位。

11.如权利要求10所述血管造影术中的血管种子点选取方法，其特征在于，所述定位包括如下过程：计算断层扫描图像的熵值，绘制所述熵值的分布曲线；根据所述分别曲线的变化对人体进行定位，以获取人体部位的断层扫描图像。

12.如权利要求11所述血管造影术中的血管种子点选取方法，其特征在于，所述定位还包括：位于头颈部区域的熵最大值区域对应为鼻的断层图像，在头颈部区域下降至最小值区域则对应为颈部的断层图像；胸部区域的熵最大值区域对应为心脏的断层图像；腹部区域相对于胸部剧烈下降，腹部区域熵值平缓区域对应为肝脏部位的断层图像，最大值区域则对应为肠道器官的断层图像；小腿区域的熵最大值区域则对应为膝的断层图像。

13.如权利要求12所述血管造影术中的血管种子点选取方法，其特征在于，若为颈部颈总动脉和椎动脉的血管种子点提取，则包括如下步骤：将所述断层扫描图像分为左右两部分，寻找椎骨位置；再根据与椎骨的距离将左右两部分再分为两部分；再分别取识别值在这四个部分中的最大值，获得左右颈总动脉和左右椎动脉的种子点。

14.一种血管造影术中的血管提取方法，其特征在于，采用如权利要求1～13任一项所述的血管种子点选取方法确定血管种子点，并以所述种子点，在三维断层扫描图像中进行区域生长，得到血管。