CN104992437A - 一种冠脉三维图像分割的方法 - Google Patents
一种冠脉三维图像分割的方法 Download PDFInfo
- Publication number
- CN104992437A CN104992437A CN201510363154.1A CN201510363154A CN104992437A CN 104992437 A CN104992437 A CN 104992437A CN 201510363154 A CN201510363154 A CN 201510363154A CN 104992437 A CN104992437 A CN 104992437A
- Authority
- CN
- China
- Prior art keywords
- disaggregated model
- judge
- growth
- seed points
- coronary artery
- 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
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
-
- 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
本发明提供了一种冠脉三维图像分割的方法,包括:预先建设冠脉分类模型库;输入医疗图像数据;选择种子点并将输入的医疗图像数据与分类模型库中的分类模型进行匹配;如果判断不存在匹配的分类模型则按照常规区域生长算法进行血管生长,然后对生长出来的图像进行人工校正;如果判断存在匹配的分类模型,则基于匹配分类模型的范围和方向进行血管生长,然后如果判断血管不能够正常完成生长,则按照常规区域生长算法进行血管生长,然后对图像进行人工校正并在分类模型库中加入不能够正常完成生长的新的冠脉分类模型,如果判断血管能够正常完成生长,则获得冠脉三维图像。
Description
技术领域
本发明涉及一种冠脉三维图像分割方法,尤其涉及一种基于冠脉图像分类模型数据库的冠脉三维图像分割方法。
背景技术
心血管疾病严重危害着人类健康,它每年夺走1200万人的生命,接近世界人口总死亡人数的四分之一。心血管疾病通常由冠状动脉的狭窄和堵塞引起的,由此加速了心血管成像形态学相关诊断技术的发展,其中冠脉血管分割是最重要的一环。
在早期,大多数临床造影术的常规临床过程中依赖很多手工操作步骤,致使冠脉图像分割过程工作量巨大。在这种情况下,全自动和半自动的图像处理成为行业需要,据此减少手工交互和降低对操作者的依赖,提升准确性和操作效率。随着成像技术的发展,当前的三维CTA模态数据已经能够达到很高的质量和分辨率,进一步推动了各种自动化的精细的血管分割技术的发展,这些精细的血管分割技术包括区域增长技术、主动轮廓技术、基于中心线的方法和基于统计学的方法等等。
此外,随着FFR等生理性诊断技术在冠心病诊断中的应用并成为金标准,基于计算机的血液动力仿真在近几年也得到研究和发展。为了得到准确的流体力学计算结果,对冠脉的三维图像重建也提出了很高要求。
如上所述,冠脉图像的精确分割和提取就变得越发重要,这不仅是病变形态学评估的需要,也是计算机生理仿真的需要。
众所周知,区域生长法是一种传统的冠脉三维图像分割方法。
区域生长法根据图像中血管所占领区域内的性质(例如,灰度、纹理、色彩等等),把血管所占领的区域找出来。区域生长法有两个重要的准则即性质的相似性和空间的相邻性,假定空间上相邻、性质上相似的像素属于同一物体。以灰度为例,在血管图像内部用某一准则找一个初选点P,从P点出发按八邻域搜寻,设定一个阈值H,凡是与P点的灰度差不超过阈值H的点,都认为在物体上。用此方法向四周搜索,直到找不到这样的点为止。
区域生长法是一种半自动的方法,它需要预先给出一个生长点(种子点)和判断准则(比如阈值)。
为了减少人工操作和提高生长的准确性,在申请号为201210095033.X的发明名称为“一种应用在冠状动脉造影图像分割中的改进的区域生长方法”的专利文献中公开了一种种子点自动选择和阈值自适应的优化技术(统计平均值)。
此外,如果图像中物体和背景的灰度分布成某种统计规律,还可以用统计方法来判断某一像素是否应该生长。
如上所述,区域生长法利用邻近像素是否在一个灰度范围内进行判别。因为没有冠脉的空间结构信息,所以待生长点只能依据与它相邻的一个点的灰度比较进行判断,而不能通过比较空间中该点所在血管段的总体灰度情况进行判断。
众所周知,冠脉分支空间结构复杂,血管灰度值随着远端延伸而递减。区域生长法在生长过程中对灰度范围即阈值的定义存在难度。如果阈值过小,当受到噪声影响时,会出现血管孔洞(即,欠生长的问题);相反,如果阈值过大,当遭受对比剂不均匀时,会出现血管泄露(即,过生长的问题)。
发明内容
为了解决上述技术问题,本发明提供了一种冠脉三维图像分割的方法,这种方法能够应用于冠脉血管的三维图像重建,通过计算机图像分割算法对特定心血管疾病患者的CT血管造影图像进行图像处理和分析,分割出完整的冠脉血管,供临床医生进行诊断和学术参考(比如从形态学角度对狭窄进行判断),或作为数据输入到流体动力学软件进行血液动力仿真计算,达到个性化和精准医疗的目的。
本发明提供了一种冠脉三维图像分割的方法,包括如下步骤:预先建设冠脉分类模型库(S1);输入医疗图像数据(S2);选择种子点并基于选择的种子点将输入的医疗图像数据与分类模型库中的分类模型进行匹配(S3);判断是否存在匹配的分类模型(S4),其中,如果判断不存在匹配的分类模型(S4中为“否”)则按照常规区域生长算法进行血管生长(S7),然后对生长出来的图像进行人工校正并在分类模型库中加入不能够正常完成生长的新的冠脉分类模型(S8),然后获得冠脉三维图像(S9),反之,如果判断存在匹配的分类模型(S4中为“是”)则基于找到的匹配分类模型的范围和方向进行血管生长(S5),然后判断血管是否能够正常完成生长(S6),其中,如果判断血管不能够正常完成生长(S6中为“否”)则按照常规区域生长算法进行血管生长(S7),然后对生长出来的图像进行人工校正并在分类模型库中加入不能够正常完成生长的新的冠脉分类模型(S8),然后获得冠脉三维图像(S9),反之,如果判断血管能够正常完成生长(S6中为“是”)则获得冠脉三维图像(S9)。
在上述的冠脉三维图像分割的方法中,选择种子点并基于选择的种子点将输入的医疗图像数据与分类模型库中的分类模型进行匹配(S3)包括如下步骤:在医学图像上人工辅助选择待分割冠脉血管段的种子点(S31);在三维坐标系中将种子点(A)与种子点(B)进行连线以形成向量(AB),然后将种子点(A)与冠脉分类模型库中的各个分类模型的入口点进行重合,将向量(AB)方向与各个分类模型的对应向量方向进行重合以完成三维定标(S32);计算向量(AB)的长度,在分类模型库中查找与该向量(AB)的长度近似的分类模型(S33);判断是否找到近似长度的分类模型(S34),其中,如果判断没有找到近似长度的分类模型(S34中为“否”)则标志匹配失败,反之,如果判断找到近似长度的分类模型(S34中为“是”),则针对所有种子点(C、D、E)完成最小距离的计算(S35),然后对全部的最小距离求平均值(S36),然后判断该平均值是否在预定范围内(S37),其中,如果判断该平均值在预定范围内(S37中为“是”)则标志与该分类模型匹配;反之,如果判断该平均值不在预定范围内(S37中为“否”)则标志与该分类模型不匹配。
在上述的冠脉三维图像分割的方法中,基于找到的匹配分类模型的范围和方向进行血管生长的步骤(S5)包括如下步骤:在三维坐标系内将种子点(A)与找到的一个匹配分类模型的入口点进行重合,将种子点(A)与种子点(B)形成的向量(AB)方向与这个匹配分类模型的对应向量方向进行重合以完成定标(S51);从种子点(A)开始,根据这个分类模型的各个节点,恰当选择起点和终点,逐段地取出这个分类模型的各个中心线段(S52);确定生长种子点和灰度范围的选择(S53);判断该中心线段的起点和终点是否在选择的种子点范围内(S54),其中,如果判断该中心线段的起点和终点不在选择的种子点范围内(S54中为“否”)则退出本段血管生长(S61),反之,如果判断该中心线段的起点和终点在选择的种子点范围内(S54中为“是”),则按照该中心线的起点和终点以及一个预设直径限定一个圆柱体的生长范围并且在该圆柱体的范围内按区域生长法进行血管生长(S55);然后判断生长是否超出圆柱体范围(S56),其中,如果判断生长超出圆柱体范围(S56中为“是”)则退出本段血管生长(S61),反之,如果判断生长没有超出圆柱体范围(S56中为“否”)则判断血管连通性(S57),其中,如果判断本段血管存在不连通,则退出本段血管生长(S61),反之,如果判断本段血管不存在不连通则判断是否完成全部血管段的生长(S58),其中,如果判断已经完成全部血管段的生长(S58中为“是”)则进入步骤(S6),反之,如果判断还没有完成全部血管段的生长(S58中为“否”)则返回步骤(S53);在上述的退出本段血管生长的步骤(S61)之后,判断是否已经用完全部的匹配分类模型(S59),其中,如果判断已经用完了全部的匹配分类模型(S59中为“是”)则进入步骤(S6),反之,如果判断还没有用完全部的匹配分类模型(S59中为“否”)则选择适用下一个匹配分类模型(S60),然后返回步骤(S51)。
在上述的冠脉三维图像分割的方法中,区域生长过程中的种子点和灰度范围的设定方式如下:首先,计算前一段血管即中心线段终点与待生长段中心线段起点重合的血管段的灰度平均值(avg0)和在前一段血管计算中限定圆柱体范围内非血管组织的灰度平均值(avg1);然后,对灰度平均值(avg0)和灰度平均值(avg1)进行加权计算得出本段血管的灰度最小值(Threshold);接下来,将灰度范围设定在灰度最小值(Threshold)与灰度理论最大值之间,并且选择中心线上灰度值大于灰度最小值(Threshold)的种子点。
在上述的冠脉三维图像分割的方法中,该灰度平均值(avg0)和灰度平均值(avg1)的加权计算公式如下:
Threshold=80%×avg1+20%×avg0。
在上述的冠脉三维图像分割的方法中,在步骤(S9)之后还有采取对钙化斑块进行的图像处理以及进行平滑和补洞处理的步骤。
冠脉分支空间结构复杂,血管灰度值随着远端延伸进行递减。传统区域生长算法在生长过程中对灰度范围的定义存在难度。固定范围存在范围过窄则生长区域太小,范围过宽则生长出目标区域之外的缺陷。自适应范围定义需要知道冠脉的空间结构,简单基于临近点或已生长和未生长点的统计,准确性不高。本发明基于医学大数据,预先建立冠脉分类模型,生长过程中具有良好的智能,能够预测分支,并把生长过程简化成单段血管的生长,通过对单段血管限定范围,得到良好的分割准确度。于此同时,随着医疗大数据的积累,生长智能越高,分割效果将持续提升。
附图说明
在下文中对照附图详细描述本发明的优选实施方式。
图1是根据本发明的实施例的冠脉三维图像分割方法的流程图。
图2是冠脉模型的拓扑图的示意图。
图3是选择的种子点在三维坐标中的示意图。
图4是选择的种子点与分类模型的匹配示意图。
图5是基于选择的种子点与分类模型进行匹配的匹配方法的示意性流程图。
图6是在匹配情况下的逐段血管区域生长示意图。
图7是在匹配情况下的逐段血管区域生长方法的示意性流程图。
具体实施方式
在下文中,对照图1详细描述根据本发明的实施例的冠脉三维图像分割方法。
图1是根据本发明的实施例的冠脉三维图像分割方法的示意性流程图。
如图1所示,在步骤S1中,预先建设冠脉分类模型库。
图2是预建的冠脉分类模型的拓扑图的示意图。
如图2所示,所谓的冠脉分类模型库是对某一类冠脉树状分支的拓扑图的描述和分类的集合。
在图2(a)中,示出了冠脉的左右分支的示意图。在图2(b)中示出了左冠脉分支拓扑的示意图。在图2(c)中示出了右冠脉的分支拓扑的示意图。
如图2(b)和图2(c)所示,左右冠脉分支拓扑图的描述方法是从主动脉开始,找到左右冠脉入口,分别以左右冠脉入口作为根节点(1和1′),按冠脉中心线向远端展开。在中心线展开路径上,选取分叉点(2和2′、4和4′、6和6′、8和8′)、拐点(3和3′、5和5′、7和7′)、和末梢点(9和9′、10和10′)作为节点。将节点和节点间的连线按树形树状数据结构进行记录和存放。
如上所述,这里的冠脉分类模型库就是海量的患者的冠脉图像的拓扑图的几何特征量的集合体。
接下来,在步骤S2中,输入例如CT/MR等等的医疗图像数据。
接下来,在步骤S3中,人工交互选择种子点,基于选择的种子点,将输入的医疗图像数据与分类模型库中的分类模型进行匹配。
在步骤S4中如果找不到匹配的分类模型,则进入步骤S7,在步骤S7中按照常规区域生长算法进行血管生长。然后,进入步骤S8。
在步骤S8中,对生长出来的图像进行人工校正,并在分类模型库中加入不能够正常完成生长的新的冠脉分类模型。
具体地讲,这里的人工校正手段是指例如重新选择种子点或者重新设定阈值等等的人工干预和调整措施。如果人工干预和调整措施仍不能够解决自动生长问题,则按人工交互模式,逐段进行生长,最终完成生长并且加入新的冠脉分类模型。
然后,进入步骤S9。
在步骤S9中,所有生长出来的点构成分割得到的冠脉三维图像。
在步骤S4中如果找到匹配的分类模型,则进入步骤S5,在步骤S5中基于找到的匹配分类模型的范围和方向进行血管生长。然后,进入步骤S6。
在步骤S6中如果判断血管不能够正常完成生长,则进入步骤S7;反之,进入步骤S9。
可选的是,为了更好地获得冠脉三维图像,在步骤S9之后可以附加采取对钙化斑块进行图像处理以及进行平滑和补洞处理。该平滑和补洞处理例如是插值、平滑等方法。
在下文中详细描述步骤S3的具体操作流程。
图5是基于选择的种子点与分类模型进行匹配的匹配方法的示意性流程图。对照图5详细描述步骤S3的具体操作流程。
在步骤S31中,在原始的医学图像上人工辅助选择待分割冠脉血管段的种子点(例如,种子点A(x1,y1,z1)、B(x2,y2,z2)、C、D和E)。选择的第一个种子点是冠脉的入口点A(x1,y1,z1),第二个种子点是第一个分叉点B(x2,y2,z2)。选择的其它种子点(例如,C、D和E)是沿着冠脉分支的各关键点(例如,分叉点、拐点和末梢点),这如图3和图4所示。应该说明的是,人工选择的种子点并不限于上述的A、B、C、D和E点,它们仅仅是示意性例子。然后,进入步骤S32。
在步骤S32中,如图3和图4所示,在三维坐标系中,将种子点A(x1,y1,z1)和B(x2,y2,z2)进行连线,从而形成一个AB向量。将种子点A(x1,y1,z1)与冠脉分类模型库中的各个分类模型的入口点进行重合,将AB向量方向与各个分类模型的对应向量也进行重合。也就是说,把以上种子点A和B以及各个分类模型放在同一个三维坐标系中,A(x1,y1,z1)点与分类模型的入口点取同一坐标点,通过三维空间的旋转使得向量AB的方向与各个分类模型的对应向量的方向相一致。然后,进入步骤S33。
在步骤S33中,计算种子点向量AB的长度,在分类模型库中查找与该向量AB的长度近似的分类模型。
接下来,在步骤S34中,如果没有找到近似长度的分类模型,则标志匹配失败,进入步骤S4。如果找到多个近似长度的分类模型,则进入步骤S35。
在步骤S35中,针对种子点C,分别计算它与在步骤S34中找到的分类模型的每条中心线(例如,中心线L1、L2、L3)之间的距离(即,L1C、L2C、L3C)并且选择L1C、L2C、L3C中的最小一个值作为种子点C与该分类模型的最小距离Lmin C。然后,针对种子点D,分别计算它与分类模型的每条中心线(例如,中心线L1、L2、L3)之间的距离(例如,L1D、L2D、L3D)并且选择L1D、L2D、L3D中的最小一个值作为种子点D与分类模型的最小距离Lmin D。然后,针对种子点E,分别计算它与分类模型的每条中心线之间的距离(例如,L1E、L2E、L3E)并且选择L1E、L2E、L3E中的最小一个值作为种子点E与分类模型的最小距离Lmin E。应该说明的是,分类模型的中心线并不限于中心线L1、L2、L3,这仅仅是示意性的。如上所述,通过步骤S35,完成针对所有种子点的最小距离(例如,Lmin C、Lmin D、Lmin E)的计算。然后,进入步骤S36。
在步骤S36中,对上述所有的种子点(C、D和E)的最小距离(Lmin C、Lmin D、Lmin E)计算平均值Lavg。然后,进入步骤S37。应该说明的是,所有种子点的最小距离并不限于Lmin C、Lmin D、Lmin E,它们仅仅是示意性的。
在步骤S37中,如果该平均值Lavg在一定范围内,则标志与该分类模型匹配,进入步骤S4。在步骤S37中如果该平均值Lavg不在一定范围内,则标志与该分类模型不匹配,进入步骤S4。
在下文中详细描述步骤S5的具体操作流程。
图7是在匹配情况下的逐段血管区域生长方法的流程图。
现在对照图7详细描述步骤S5。
在步骤S51中,在同一三维坐标系内,将种子点A(x1,y1,z1)与在步骤S3中找到的一个匹配分类模型的入口点进行重合,将AB向量方向与这个匹配分类模型的对应向量也进行重合,如图6所示。然后,进入步骤S52。
在步骤S52中,从种子点A(x1,y1,z1)开始,根据这个分类模型的各个节点,恰当选择起点和终点,逐段地取出这个分类模型的各个中心线段。然后,进入步骤S53。
在步骤S53中,确定生长种子点和灰度范围的选择。
区域生长过程中的种子点和灰度范围的设定方式如下:
计算前一段血管(即,中心线段终点与待生长段中心线段起点重合的血管段)的灰度平均值(avg0)和在前一段血管计算中限定圆柱体范围内非血管组织的灰度平均值(avg1);接下来,对这两个平均值进行加权计算得出本段血管的灰度最小值(Threshold)。
根据对冠脉分割的实际经验,一个具体实例如下:
Threshold=80%×avg1+20%×avg0。
因为显影剂,血管灰度较周围组织高,所以灰度最大值选择为理论最大值。即,灰度范围在Threshold与理论最大值之间。
选择中心线上灰度值大于Threshold的种子点。
然后,进入步骤S54。
在步骤S54中,如果获取的中心线段的起点和终点不在上述选择的种子点的范围内,则进入步骤S61。在步骤S61中,退出本段血管生长。然后,进入步骤S59,在步骤S59中如果已经用完全部的匹配分类模型,则进入步骤S6。如果在步骤S59中还没有用完全部的匹配分类模型,则进入步骤S60。在步骤S60中,选择适用下一个匹配分类模型,然后进入步骤S51。
如果在步骤S54中该中心线段的起点和终点在上述选择的种子点范围内,则进入步骤S55。
在步骤S55中,按照该中心线的起点和终点以及一个预设直径限定生长范围,在该圆柱体(例如,见图6中的CY)范围内按区域生长法进行生长。然后,进入步骤S56。
在步骤S56中如果进行的生长超出限定的圆柱体范围,则进入步骤S61;在步骤S56中如果生长没有超出限定的圆柱体范围,则进入步骤S57。
在步骤S57中,检查本段生长的血管的连通性(即,该段血管是否存在断点)。如果本段血管存在不连通,则进入步骤S61;在步骤S57中如果本段血管不存在不连通,则进入步骤S58。
如果在步骤S58中完成了全部血管段生长,则进入步骤S6;如果在步骤S58中还没有完成全部血管段生长,则进入步骤S53。重复上述步骤S53到步骤S58,逐段完成血管段生长。
本发明应用于冠脉血管的三维图像重建,通过计算机图像分割算法对特定心血管疾病患者的CT血管造影图像进行图像处理和分析,分割出完整的冠脉血管,供临床医生进行诊断和学术参考(比如从形态学角度对狭窄进行判断),或作为数据输入到流体动力学软件进行血液动力仿真计算,达到个性化和精准医疗的目的。
本发明采用医学图像大数据分析方法,预建冠脉分类模型库。在对特定患者医学图像进行分析处理时,与冠脉分类模型库中的分类模型进行匹配,并按匹配出来的分类模型逐段血管进行生长,通过控制生长范围和生长方向,获得完整的冠脉三维血管。
冠脉分支空间结构复杂,血管灰度值随着远端延伸进行递减。传统区域生长算法在生长过程中对灰度范围的定义存在难度。固定范围存在范围过窄则生长区域太小,范围过宽则生长出目标区域之外的缺陷。自适应范围定义需要知道冠脉的空间结构,简单基于临近点或已生长和未生长点的统计,准确性不高。本发明基于医学大数据,预先建立冠脉分类模型,生长过程中具有良好的智能,能够预测分支,并把生长过程简化成单段血管的生长,通过对单段血管限定范围,得到良好的分割准确度。于此同时,随着医疗大数据的积累,生长智能越高,分割效果将持续提升。
上述实施方式并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换,也均属于本发明的保护范围。
Claims (7)
1.一种冠脉三维图像分割的方法,包括如下步骤:
预先建设冠脉分类模型库(S1);
输入医疗图像数据(S2);
选择种子点并基于选择的种子点将输入的医疗图像数据与分类模型库中的分类模型进行匹配(S3);
判断是否存在匹配的分类模型(S4),其中,
如果判断不存在匹配的分类模型(S4中为“否”)则按照常规区域生长算法进行血管生长(S7),然后对生长出来的图像进行人工校正并在分类模型库中加入不能够正常完成生长的新的冠脉分类模型(S8),然后获得冠脉三维图像(S9),反之,
如果判断存在匹配的分类模型(S4中为“是”)则基于找到的匹配分类模型的范围和方向进行血管生长(S5),然后判断血管是否能够正常完成生长(S6),其中,
如果判断血管不能够正常完成生长(S6中为“否”)则按照常规区域生长算法进行血管生长(S7),然后对生长出来的图像进行人工校正并在分类模型库中加入不能够正常完成生长的新的冠脉分类模型(S8),然后获得冠脉三维图像(S9),反之,
如果判断血管能够正常完成生长(S6中为“是”)则获得冠脉三维图像(S9)。
2.根据权利要求1所述的冠脉三维图像分割的方法,其中,选择种子点并基于选择的种子点将输入的医疗图像数据与分类模型库中的分类模型进行匹配(S3)包括如下步骤:
在医学图像上人工辅助选择待分割冠脉血管段的种子点(S31);
在三维坐标系中将种子点(A)与种子点(B)进行连线以形成向量(AB),然后将种子点(A)与冠脉分类模型库中的各个分类模型的入口点进行重合,将向量(AB)方向与各个分类模型的对应向量方向进行重合以完成三维定标(S32);
计算向量(AB)的长度,在分类模型库中查找与所述向量(AB)的长度近似的分类模型(S33);
判断是否找到近似长度的分类模型(S34),其中,
如果判断没有找到近似长度的分类模型(S34中为“否”)则标志匹配失败,反之,
如果判断找到近似长度的分类模型(S34中为“是”),则针对所有种子点(C、D、E)完成最小距离的计算(S35),然后对全部的最小距离求平均值(S36),然后判断所述平均值是否在预定范围内(S37),其中,
如果判断所述平均值在预定范围内(S37中为“是”)则标志与该分类模型匹配;反之,
如果判断所述平均值不在预定范围内(S37中为“否”)则标志与该分类模型不匹配。
3.根据权利要求1所述的冠脉三维图像分割的方法,其中,基于找到的匹配分类模型的范围和方向进行血管生长的步骤(S5)包括如下步骤:
在三维坐标系内将种子点(A)与找到的一个匹配分类模型的入口点进行重合,将种子点(A)与种子点(B)形成的向量(AB)方向与这个匹配分类模型的对应向量方向进行重合以完成定标(S51);
从种子点(A)开始,根据这个分类模型的各个节点,恰当选择起点和终点,逐段地取出这个分类模型的各个中心线段(S52);
确定生长种子点和灰度范围的选择(S53);
判断所述中心线段的起点和终点是否在选择的种子点范围内(S54),其中,
如果判断所述中心线段的起点和终点不在选择的种子点范围内(S54中为“否”)则退出本段血管生长(S61),反之,
如果判断所述中心线段的起点和终点在选择的种子点范围内(S54中为“是”),则按照所述中心线的起点和终点以及一个预设直径限定一个圆柱体的生长范围并且在所述圆柱体的范围内按区域生长法进行血管生长(S55);然后
判断生长是否超出圆柱体范围(S56),其中,
如果判断生长超出圆柱体范围(S56中为“是”)则退出本段血管生长(S61),反之,
如果判断生长没有超出圆柱体范围(S56中为“否”)则判断血管连通性(S57),其中,
如果判断本段血管存在不连通,则退出本段血管生长(S61),反之,
如果判断本段血管不存在不连通则判断是否完成全部血管段的生长(S58),其中,
如果判断已经完成全部血管段的生长(S58中为“是”)则进入步骤(S6),反之,
如果判断还没有完成全部血管段的生长(S58中为“否”)则返回步骤(S53);
在上述的退出本段血管生长的步骤(S61)之后,判断是否已经用完全部的匹配分类模型(S59),其中,
如果判断已经用完了全部的匹配分类模型(S59中为“是”)则进入步骤(S6),反之,
如果判断还没有用完全部的匹配分类模型(S59中为“否”)则选择适用下一个匹配分类模型(S60),然后返回步骤(S51)。
4.根据权利要求2所述的冠脉三维图像分割的方法,其中,基于找到的匹配分类模型的范围和方向进行血管生长的步骤(S5)包括如下步骤:
在三维坐标系内将种子点(A)与找到的一个匹配分类模型的入口点进行重合,将种子点(A)与种子点(B)形成的向量(AB)方向与这个匹配分类模型的对应向量方向进行重合以完成定标(S51);
从种子点(A)开始,根据这个分类模型的各个节点,恰当选择起点和终点,逐段地取出这个分类模型的各个中心线段(S52);
确定生长种子点和灰度范围的选择(S53);
判断所述中心线段的起点和终点是否在选择的种子点范围内(S54),其中,
如果判断所述中心线段的起点和终点不在选择的种子点范围内(S54中为“否”)则退出本段血管生长(S61),反之,
如果判断所述中心线段的起点和终点在选择的种子点范围内(S54中为“是”),则按照所述中心线的起点和终点以及一个预设直径限定一个圆柱体的生长范围并且在所述圆柱体的范围内按区域生长法进行血管生长(S55);然后
判断生长是否超出圆柱体范围(S56),其中,
如果判断生长超出圆柱体范围(S56中为“是”)则退出本段血管生长(S61),反之,
如果判断生长没有超出圆柱体范围(S56中为“否”)则判断血管连通性(S57),其中,
如果判断本段血管存在不连通,则退出本段血管生长(S61),反之,
如果判断本段血管不存在不连通则判断是否完成全部血管段的生长(S58),其中,
如果判断已经完成全部血管段的生长(S58中为“是”)则进入步骤(S6),反之,
如果判断还没有完成全部血管段的生长(S58中为“否”)则返回步骤(S53);
在上述的退出本段血管生长的步骤(S61)之后,判断是否已经用完全部的匹配分类模型(S59),其中,
如果判断已经用完了全部的匹配分类模型(S59中为“是”)则进入步骤(S6),反之,
如果判断还没有用完全部的匹配分类模型(S59中为“否”)则选择适用下一个匹配分类模型(S60),然后返回步骤(S51)。
5.根据权利要求3、4所述的冠脉三维图像分割的方法,其中,区域生长过程中的种子点和灰度范围的设定方式如下:
首先,计算前一段血管即中心线段终点与待生长段中心线段起点重合的血管段的灰度平均值(avg0)和在前一段血管计算中限定圆柱体范围内非血管组织的灰度平均值(avg1);
然后,对灰度平均值(avg0)和灰度平均值(avg1)进行加权计算得出本段血管的灰度最小值(Threshold);
接下来,将灰度范围设定在灰度最小值(Threshold)与灰度理论最大值之间,并且选择中心线上灰度值大于灰度最小值(Threshold)的种子点。
6.根据权利要求5所述的冠脉三维图像分割的方法,其中,所述灰度平均值(avg0)和灰度平均值(avg1)的加权计算公式如下:
Threshold=80%×avg1+20%×avg0。
7.根据权利要求1、2、3、4所述的冠脉三维图像分割的方法,其中,在步骤(S9)之后还有采取对钙化斑块进行的图像处理以及进行平滑和补洞处理的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510363154.1A CN104992437A (zh) | 2015-06-29 | 2015-06-29 | 一种冠脉三维图像分割的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510363154.1A CN104992437A (zh) | 2015-06-29 | 2015-06-29 | 一种冠脉三维图像分割的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104992437A true CN104992437A (zh) | 2015-10-21 |
Family
ID=54304245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510363154.1A Pending CN104992437A (zh) | 2015-06-29 | 2015-06-29 | 一种冠脉三维图像分割的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104992437A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913422A (zh) * | 2016-04-07 | 2016-08-31 | 广州医科大学附属肿瘤医院 | 基于前向波气管分割的气管树提取方法 |
CN106296660A (zh) * | 2016-07-28 | 2017-01-04 | 北京师范大学 | 一种全自动冠状动脉分割方法 |
CN106539622A (zh) * | 2017-01-28 | 2017-03-29 | 北京欣方悦医疗科技有限公司 | 基于血流动力学分析的冠脉虚拟支架植入方法和系统 |
CN108470331A (zh) * | 2017-02-23 | 2018-08-31 | 富士通株式会社 | 图像处理装置和图像处理方法 |
CN109712163A (zh) * | 2018-12-05 | 2019-05-03 | 上海联影医疗科技有限公司 | 冠脉提取方法、装置、图像处理工作站和可读存储介质 |
CN109846465A (zh) * | 2019-04-01 | 2019-06-07 | 数坤(北京)网络科技有限公司 | 一种基于亮度分析的血管钙化误报检测方法 |
CN111445449A (zh) * | 2020-03-19 | 2020-07-24 | 上海联影智能医疗科技有限公司 | 感兴趣区域的分类方法、装置、计算机设备和存储介质 |
CN111968070A (zh) * | 2020-04-22 | 2020-11-20 | 深圳睿心智能医疗科技有限公司 | 一种基于三维建模的血管检测方法及装置 |
CN112107362A (zh) * | 2020-08-24 | 2020-12-22 | 江苏大学 | 一种冠心病的计算机辅助手术设计系统 |
CN112164020A (zh) * | 2020-03-31 | 2021-01-01 | 苏州润迈德医疗科技有限公司 | 精确提取血管中心线的方法、装置、分析系统和存储介质 |
CN112990367A (zh) * | 2021-04-25 | 2021-06-18 | 杭州晟视科技有限公司 | 一种图像处理方法、装置、设备以及存储介质 |
CN116758309A (zh) * | 2023-06-09 | 2023-09-15 | 强联智创(北京)科技有限公司 | 血管段分型方法、导引导管塑形方法、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1272976A1 (en) * | 2000-02-11 | 2003-01-08 | THE GOVERNMENT OF THE UNITED STATES OF AMERICA, as represented by THE SECRETARY, DEPARTMENT OF HEALTH AND HUMAN SERVICES | Vessel delineation in magnetic resonance angiographic images |
CN101036163A (zh) * | 2004-11-26 | 2007-09-12 | 布拉科成像S.P.A.公司 | 一种把知识结构映射到器官的方法:利用知识结构映射的自动测量和可视化 |
CN101116103A (zh) * | 2005-02-11 | 2008-01-30 | 皇家飞利浦电子股份有限公司 | 从三维医学图像中自动提取肺动脉树的方法 |
WO2014168350A1 (ko) * | 2013-04-10 | 2014-10-16 | 재단법인 아산사회복지재단 | 폐동맥과 폐정맥을 구분하는 방법 및 이를 이용한 혈관의 정량화 방법 |
CN104622495A (zh) * | 2013-11-11 | 2015-05-20 | 株式会社东芝 | 医用图像处理装置以及医用图像处理方法 |
-
2015
- 2015-06-29 CN CN201510363154.1A patent/CN104992437A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1272976A1 (en) * | 2000-02-11 | 2003-01-08 | THE GOVERNMENT OF THE UNITED STATES OF AMERICA, as represented by THE SECRETARY, DEPARTMENT OF HEALTH AND HUMAN SERVICES | Vessel delineation in magnetic resonance angiographic images |
CN101036163A (zh) * | 2004-11-26 | 2007-09-12 | 布拉科成像S.P.A.公司 | 一种把知识结构映射到器官的方法:利用知识结构映射的自动测量和可视化 |
CN101116103A (zh) * | 2005-02-11 | 2008-01-30 | 皇家飞利浦电子股份有限公司 | 从三维医学图像中自动提取肺动脉树的方法 |
WO2014168350A1 (ko) * | 2013-04-10 | 2014-10-16 | 재단법인 아산사회복지재단 | 폐동맥과 폐정맥을 구분하는 방법 및 이를 이용한 혈관의 정량화 방법 |
CN104622495A (zh) * | 2013-11-11 | 2015-05-20 | 株式会社东芝 | 医用图像处理装置以及医用图像处理方法 |
Non-Patent Citations (2)
Title |
---|
EIHO S 等: "Branch-based region growing method for blood vessel segmentation", 《PROCEEDINGS OF INTERNATIONAL SOCIETY FOR PHOTOGRAMMETRY AND REMOTE SENSING CONGRESS》 * |
刘耀辉 等: "基于先验模型和区域生长的乳腺图像钙化点检测", 《计算机工程与应用》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913422B (zh) * | 2016-04-07 | 2019-01-25 | 广州医科大学附属肿瘤医院 | 基于气管分割的气管树提取方法 |
CN105913422A (zh) * | 2016-04-07 | 2016-08-31 | 广州医科大学附属肿瘤医院 | 基于前向波气管分割的气管树提取方法 |
CN106296660B (zh) * | 2016-07-28 | 2019-10-11 | 北京师范大学 | 一种全自动冠状动脉分割方法 |
CN106296660A (zh) * | 2016-07-28 | 2017-01-04 | 北京师范大学 | 一种全自动冠状动脉分割方法 |
CN106539622A (zh) * | 2017-01-28 | 2017-03-29 | 北京欣方悦医疗科技有限公司 | 基于血流动力学分析的冠脉虚拟支架植入方法和系统 |
CN106539622B (zh) * | 2017-01-28 | 2019-04-05 | 北京欣方悦医疗科技有限公司 | 基于血流动力学分析的冠脉虚拟支架植入系统 |
CN108470331A (zh) * | 2017-02-23 | 2018-08-31 | 富士通株式会社 | 图像处理装置和图像处理方法 |
CN108470331B (zh) * | 2017-02-23 | 2021-12-21 | 富士通株式会社 | 图像处理装置和图像处理方法 |
CN109712163A (zh) * | 2018-12-05 | 2019-05-03 | 上海联影医疗科技有限公司 | 冠脉提取方法、装置、图像处理工作站和可读存储介质 |
CN109846465A (zh) * | 2019-04-01 | 2019-06-07 | 数坤(北京)网络科技有限公司 | 一种基于亮度分析的血管钙化误报检测方法 |
CN111445449A (zh) * | 2020-03-19 | 2020-07-24 | 上海联影智能医疗科技有限公司 | 感兴趣区域的分类方法、装置、计算机设备和存储介质 |
CN111445449B (zh) * | 2020-03-19 | 2024-03-01 | 上海联影智能医疗科技有限公司 | 感兴趣区域的分类方法、装置、计算机设备和存储介质 |
CN112164020A (zh) * | 2020-03-31 | 2021-01-01 | 苏州润迈德医疗科技有限公司 | 精确提取血管中心线的方法、装置、分析系统和存储介质 |
CN112164020B (zh) * | 2020-03-31 | 2024-01-23 | 苏州润迈德医疗科技有限公司 | 精确提取血管中心线的方法、装置、分析系统和存储介质 |
CN111968070A (zh) * | 2020-04-22 | 2020-11-20 | 深圳睿心智能医疗科技有限公司 | 一种基于三维建模的血管检测方法及装置 |
CN111968070B (zh) * | 2020-04-22 | 2023-12-05 | 深圳睿心智能医疗科技有限公司 | 一种基于三维建模的血管检测方法及装置 |
CN112107362B (zh) * | 2020-08-24 | 2022-05-20 | 江苏大学 | 一种冠心病的计算机辅助手术设计系统 |
CN112107362A (zh) * | 2020-08-24 | 2020-12-22 | 江苏大学 | 一种冠心病的计算机辅助手术设计系统 |
CN112990367A (zh) * | 2021-04-25 | 2021-06-18 | 杭州晟视科技有限公司 | 一种图像处理方法、装置、设备以及存储介质 |
CN116758309A (zh) * | 2023-06-09 | 2023-09-15 | 强联智创(北京)科技有限公司 | 血管段分型方法、导引导管塑形方法、设备及存储介质 |
CN116758309B (zh) * | 2023-06-09 | 2024-02-27 | 强联智创(北京)科技有限公司 | 血管段分型方法、导引导管塑形方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104992437A (zh) | 一种冠脉三维图像分割的方法 | |
US11816837B2 (en) | Vascular characteristic determination with correspondence modeling of a vascular tree | |
US10984907B2 (en) | Control method, information terminal, recording medium, and determination method | |
US8422752B2 (en) | Diagnosis assisting apparatus, diagnosis assisting method, and storage medium in which a diagnosis assisting program is recorded | |
JP5438029B2 (ja) | 短軸遅延強調心臓mriの自動三次元セグメント化 | |
US7693563B2 (en) | Method for image processing and contour assessment of the heart | |
US20070014452A1 (en) | Method and system for image processing and assessment of a state of a heart | |
JP6842481B2 (ja) | 深層学習を用いた網膜層の3d定量解析 | |
JP2008531232A (ja) | 管状オブジェクトの第1及び第2の3d画像を相関させる装置及び方法 | |
CN110652312B (zh) | 一种血管cta智能分析系统及应用 | |
CN108369737B (zh) | 使用启发式图搜索以快速且自动地分割分层图像 | |
CN109712163B (zh) | 冠脉提取方法、装置、图像处理工作站和可读存储介质 | |
JP2004267393A (ja) | 画像処理装置および画像処理方法 | |
CN112164043A (zh) | 一种用于多眼底图像拼接的方法及系统 | |
US20170011515A1 (en) | Method and apparatus for measuring an ultrasonic image | |
JP2010200918A (ja) | 画像処理装置及びその制御方法 | |
CN112381811A (zh) | 一种实现医学影像数据标注的方法、装置及设备 | |
Metzen et al. | Matching of anatomical tree structures for registration of medical images | |
WO2015150320A1 (en) | Segmentation of tubular organ structures | |
CN108447044B (zh) | 一种基于医学图像配准的骨髓炎病变分析方法 | |
Purnama et al. | Follicle detection on the usg images to support determination of polycystic ovary syndrome | |
CN108665474A (zh) | 一种基于b-cosfire的眼底图像视网膜血管分割方法 | |
JP2018201629A (ja) | 眼底画像処理装置 | |
US11302006B2 (en) | 3D quantitative analysis with deep learning | |
US20200402272A1 (en) | Method and system for automatically setting scan range |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151021 |