CN105427277A - 血管提取方法 - Google Patents

血管提取方法 Download PDF

Info

Publication number
CN105427277A
CN105427277A CN201510728671.4A CN201510728671A CN105427277A CN 105427277 A CN105427277 A CN 105427277A CN 201510728671 A CN201510728671 A CN 201510728671A CN 105427277 A CN105427277 A CN 105427277A
Authority
CN
China
Prior art keywords
blood vessel
value
point
vessel
original image
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
Application number
CN201510728671.4A
Other languages
English (en)
Other versions
CN105427277B (zh
Inventor
王策
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN201510728671.4A priority Critical patent/CN105427277B/zh
Publication of CN105427277A publication Critical patent/CN105427277A/zh
Application granted granted Critical
Publication of CN105427277B publication Critical patent/CN105427277B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供一种血管提取方法，包括以下步骤：步骤S1、提取血管原图像中的血管中心线，根据中心线获取待分割的血管区域，将中心线设置为初始分割结果，并初始化血管在原图像和至少一个特征图像的边界值作为血管模型条件；步骤S2、以当前分割结果作为种子点，判断与种子点相邻的邻域点的原图像值及至少一个特征图像值是否符合当前血管模型条件，如果符合，则将这些邻域点判定为血管候选分割结果。如此设置，可以更加准确地提取出血管。

Description

血管提取方法
技术领域
本发明涉及医学断层扫描图像的处理，尤其涉及血管造影术中的血管提取方法。
背景技术
在血管造影术(ComputedTomographyAngiography，简称CTA)中，需要将血管图像与其他组织的图像分割开，提取出血管，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-MichelRouet,FranckLaffargueandMaximFradkin,Imageprocessingsystemforautomaticsegmentationofa3-Dtree-liketubularsurfaceofanobject,using3-Ddeformablemeshmodels.USPatent,2008,US2008/0094389A1提供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，将血管分割出来。此方法虽然可以将血管准确分割提取出来，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。
不基于标准血管模型的方法，如Feriman等人采用基于GraphCut的算法实现了颈内动脉的提取，具体可参见文献2：FreimanM,FrankJ,WeizmanL,etal.Nearlyautomaticvesselssegmentationusinggraph-basedenergyminimization[J].TheMidasJournal,(2009)，该算法经过手动确定起始点后，计算起始点之间的距离，以该距离为中心，标记血管感兴趣区域，最后通过算法，优化感兴趣区域的边界实现血管提取，该算法计算复杂，血管提取速度慢。Hackjoon等人采用基于Ray-Casting的动态追踪实现了穿颅血管的提取，具体可参见文献3：HackjoonShim,IlDongYun,KyoungMuLee,andSangUkLee.Partition-BasedExtractionofCerebralArteriesfromCTAngiographywithEmphasisonAdaptiveTracking.IPMI,LNCS3565,pp.357–368(2005)，该算法经过手动确定起始点后，通过向四周放射线，获得血管的边界，再通过椭圆拟合实现血管提取，该方法鲁棒性差，不同数据的血管提取需要不同的参数，同时该方法无法提取旋转跨度很大的椎动脉。
还有一种比较特殊的血管分割技术即血管剪影方法，具体可参见文献4：PTVieco,WPShuman,GFAlsofromandCEGross.DetectionofcircleofWillisaneurysmsinpatientswithacutesubarachnoidhemorrhage:acomparisonofCTangiographyanddigitalsubtractionangiography.AJRvol.165no.2425-430(1995)，该方法中，病人需要同一部位扫描两次(不注射造影剂扫描和注射造影剂扫描)，得到非CTA图像和CTA图像。非CTA图像中，血管CT值低，CTA图像中血管CT值升高。这样两种图像配准后相减就可以将血管提取出来。该方法需要对病人扫描两次，比较耗时，同时给病人带来太多的扫描辐射量。
发明内容
本发明的目的在于提供一种血管提取方法，用于改善血管提取的速度。
为了实现前述发明目的，本发明提供一种血管提取方法，包括以下步骤：
一种血管提取方法，包括以下步骤：
步骤S1、提取血管原图像中的血管中心线，根据中心线获取待分割的血管区域，将中心线设置为初始分割结果，并初始化血管在原图像和至少一个特征图像的边界值或者边界值经加权计算出来的加权值作为血管模型条件；
步骤S2、以当前分割结果作为种子点，判断与种子点相邻的邻域点的原图像值及至少一个特征图像值是否符合当前血管模型条件中的边界值，或者判断与种子点相邻的邻域点的原图像值及至少一个特征图像经加权计算出来的加权值是否符合当前血管模型条件中的加权值，如果判断符合，则将这些邻域点判定为血管候选分割结果。
优选地，所述特征图像为拉普拉斯图像、梯度图像、最大值率图像中的至少一种，对应地，特征图像值为拉普拉斯值、梯度值、最大值率中的至少一种。
优选地，步骤S2中，如果判断不符合，则执行步骤S3；步骤S3为判断邻域点是否较其种子点更靠近血管中心，如果是，则将邻域点判定为血管候选分割结果；如果不是，则对邻域点不做任何操作。
优选地，步骤S3中，更靠近血管中心的条件为：靠近血管中心点的点的原图像值、最大值率要大于远离中心的点。
优选地，步骤S3中，更靠近血管中心的条件为：靠近血管中心点的点的原图像值要大于远离中心的点，梯度值要小于远离中心的点。
优选地，所述血管提取方法还包括步骤S4：通过一个全局条件判定步骤S3得到的血管候选分割结果是否为泄漏点，如果符合全局条件，则保留血管候选分割结果，继续步骤S2；如果不符合，则删除血管候选分割结果。
优选地，所述全局条件判定是：设定每次通过当前分割结果应获取的邻域点总量是固定的，统计出实际获取的邻域点个数，将两者比较，如果实际获取的邻域点个数远远少于预定的邻域点总量，即判断为不符合全局条件，反之则判定为符合全局条件。
优选地，步骤S4中删除血管候选分割结果后进行步骤S5：判断当前模型条件是否达到最终的血管模型边界条件，如果达到，则输出分割结果；如果没有达到，则放宽模型边界条件，继而以当前放宽后的模型条件执行步骤S2。
优选地，步骤S2中判断与种子点相邻的邻域点的原图像值及至少一个特征图像值是否符合当前血管模型条件的方法是：求出每个邻域点的特征图像值，与血管模型条件作比较，如果该邻域点的梯度值小于梯度的边界值、最大值率大于最大值率的边界值、拉普拉斯值在拉普拉斯值的边界值之间、原图像值在原图像值的边界值之间即为符合条件。
优选地，最大值率为Nmax/N，其中，N为原图像中当前像素点的邻域点的总个数，Nmax为邻域点中灰度值小于当前像素点灰度值的个数。
优选地，步骤S5中，血管定义为具有三部分的管状结构，沿血管的截断面，三部分分别是从里往外排列的位于血管中心的内圈圆、其次为紧邻内圈圆的中间环形结构、最外层是包裹血管的外圈环形结构，拉普拉斯图像值在内圈圆及中间环形结构的变化比在外圈环形结构的变化更小，拉普拉斯图像在外圈环形结构时由亮变暗；梯度值由内到外逐渐增大；最大值率由内到外逐渐减小。
优选地，步骤S5中，血管定义为具有三部分的管状结构，沿血管的截断面，三部分分别是从里往外排列的位于血管中心的内圈圆、其次为紧邻内圈圆的中间环形结构、最外层是包裹血管的外圈环形结构，模型边界条件进行多次放宽。
优选地，所述方法还包括输出血管候选分割结果。
附图说明
图1为本发明实施例中血管提取方法的步骤流程示意图；
图2a为本发明实施例中的原图像。
图2b为本发明实施例中与原图像对应的最大值率图像。
图2c为本发明实施例中与原图像对应的拉普拉斯图像。
图2d为本发明实施例中与原图像对应的梯度图像。
图3a为本发明实施例中提取出的血管的横断面图。
图3b为本发明实施例中提取出的血管的矢状面图。
图3c为本发明实施例中提取出的血管的冠状面图。
图3d为本发明实施例中提取出的血管的立体图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用以方便、明晰地辅助说明本发明实施例的目的。
在CT血管造影术(CTA)中，准确的血管分割技术对于血管分析和疾病诊断至关重要。头颈部血管边界多与骨头粘连，分割提取难度较大，本发明实施例旨在于将血管，尤其是头颈部血管从原图像中准确的分割提取。本发明在基于具有中心线的前提下，通过将原图像和特征图像与血管模型条件进行判断，能够快速准确的沿血管的中心线将血管边界分割提取出来。
请参考图1所示，本发明实施例中的血管提取方法包括以下步骤：
步骤S1：提取血管造影图像(原图像)中的血管中心线，根据中心线获取待分割的血管区域，即以中心线为中心向外选取一定的区域作为待分割的血管区域，同时将中心线设置为初始分割结果，并初始化血管模型条件，即定义血管在原图像和至少一个特征图像的边界值或者边界值经加权计算出来的加权值作为血管模型条件。加权计算时利用的权重可以任意设定。
待分割的血管区域可以根据血管的实际尺寸，设定成以中心线为中心、半径为15mm的区域。中心线提取是通过确定血管的起始点、路径点和终止点，并连接形成一条中心线，血管中心线由若干中心点组成。
步骤S2：以当前分割结果作为种子点，判断与种子点相邻的邻域点的原图像值及至少一个特征图像值是否符合当前血管模型条件中的边界值，或者判断与种子点相邻的邻域点的原图像值及至少一个特征图像经加权计算出来的加权值是否符合当前血管模型条件中的加权值，如果符合，则将这些邻域点判定为血管候选分割结果；如果不符合，则执行步骤S3。
当前分割结果包括初始分割结果以及步骤S2之后的步骤中确定的分割结果。邻域点为种子点的上、下、左、右、前、后6个点，当然也可以设置成26点等。中心线作为初始分割结果，且具有若干个中心点，因此，所述种子点为若干个。所述点为像素点。
其他可替代的实施例中，步骤S2之后也可以直接输出血管候选分割结果，而不用进行步骤S3。
步骤S2中判断特征图像值是否符合当前血管模型条件的方法是：求出每个邻域点的原图像值及特征图像值，与条件值作比较，如果，该点的梯度小于边界梯度，最大值率大于边界最大值率，拉普拉斯值在边界拉普拉斯值之间，灰度在边界灰度条件之间即为符合条件。
步骤S3：通过中心条件判定邻域点是否较其种子点更靠近血管的中心，如果是，则将这些邻域点判定为血管候选分割结果；如果不是，则不对这些邻域点做任何操作，留待下一次的判定。
步骤S3中，更靠近中心的条件定义为：邻域点的特征图像值比其种子点的特征图像值更符合血管中心的特征，即靠近血管中心点的点的原图像值、最大值率要大于远离中心的点；或者靠近血管中心点的点的原图像值要大于远离中心的点，梯度值要小于远离中心的点；或者靠近血管中心点的点的原图像值、最大值率要大于远离中心的点，梯度值要小于远离中心的点。中心条件判定可以避免中心线提取不准确而造成分割不精确的情况。
最大值率(MaxRate)的计算公式为：MaxRate＝Nmax/N，其中，N为原图像中当前像素点的邻域点的总个数，Nmax为邻域点中灰度值小于当前像素点灰度值的个数。当前像素点是原图像中选取的特定点，可以是种子点，也可以是邻域点。
步骤S4：通过一个全局条件判定此次得到血管候选分割结果是否为泄漏点，如果符合全局条件，则说明没有泄漏，将血管候选分割结果保留，置为真正的血管分割结果，继续步骤S2；
如果不符合，则说明此次的血管候选分割结果可能为泄漏点，删除血管候选分割结果，转至步骤S5。泄漏点是指漏出去的点，或者说是分割多了的点，即不符合当前模型条件的点。
全局条件可以避免泄露，即防止血管分割过程中，血管某一处过快生长导致最后和骨头粘连。
全局条件判定是：每次通过当前分割结果应获取的邻域点总量(N总)是预定的，统计出实际获取的邻域点个数(N候选点)，N总＝种子点的邻域点数是固定的，N候选点＝符合条件的邻域点个数也是已知的，将两者比较，如果实际获取的邻域点个数远远少于预定的邻域点总量，即判断为不符合全局条件，反之则判定为符合全局条件。
步骤S5：判断当前模型条件是否达到最终的血管模型边界条件，达到则输出分割结果；没有达到，则放宽模型边界条件，继而以当前放宽后的模型条件执行步骤S2。
本发明将一根血管定义为由三部分组成的管状结构，从血管的截断面来看，三部分分别是从里往外排列的位于血管中心的内圈圆、其次为紧邻内圈圆的中间环形结构、最外层是包裹血管的最外圈环形结构。当然，其他实施例中，血管可以定义为由两部分或者至少四部分组成。如果是两部分组成，只要变成放宽模型边界条件两次即可。同理，也可以推广到血管由N部分组成。
步骤S5中的“当前”是指正在处理的血管部分，“最终的”是指最后一部分，也就是血管边界的部分，例如最外圈环形结构。
不同的特征图像在血管三部分的结构中的表现形式各有不同，如拉普拉斯图像在内圈圆及中间环形中的值距离零点较近，在外圈环形结构时急剧的由亮变暗；拉普拉斯图像值在内圈圆及中间环形结构的变化比在外圈环形结构的变化更小。梯度值由内到外逐渐增大；最大值率图像在内圈圆时取得较大值，在外圈环时值较小，此时将血管的中间部分定义为最亮的区域，沿截面由内向外图像灰度值(原图像值)减弱。根据这一特性构建出多级的模型边界判定条件，达到更加准确的分割。模型边界条件在内圈圆的边界处、中间环形结构的边界处都可以进行放宽，有效的将血管同其他相似组织区分开。
此外，输出分割结果之前还可以执行步骤S6：对步骤S5输出的结果进行平滑，平滑的具体方法可以采用如二值图像的开闭操作、基于Mesh的平滑、根据邻域内二值图像点的个数的平滑。
相较于现有技术，本发明在基于具有中心线的前提下，能够快速准确的沿血管的中心线将其边界从图像当中分割提取，特别是针对头颈部血管中的椎动脉血管、内颈动脉穿颅血管的分割，能够有效的防止血管边界泄露、与骨头粘连、分割结果断裂等情况的发生，本发明具有如下技术效果：
(1)基于中心线，并以当前分割结果作为种子点，通过判断多个种子点及其邻域点的原图像值及至少一个特征图像值或原图像值及至少一个特征图像值经加权计算出来的加权值就可以准确快速提取出血管。
(2)根据原图像及不同的特征图像在血管不同部位的不同表现，构建出独特的血管模型，即沿中心线由内向外，血管分成三个部分，每一部分的原图像及特征图像表现的形式不同，从而准确识别提取出血管。
(3)步骤S3中利用血管中心条件进行判断，能够有效解决中心线落在血管边界处而造成分割提取不精确的问题。
(4)步骤S4中通过全局条件的使用，有效的防止血管个别边界点的泄露，如与骨头粘连处。
(5)步骤S5可以多次放宽血管模型边界条件，例如对应血管三部分结构的边界，放宽三次血管模型边界条件，通过使用原图像及多种特征图像对血管模型进行边界判定，能够有效的将血管同其他相似组织区分开。
本发明上述实施例的血管提取方法可以在例如计算机软件、硬件或计算机软件与硬件的组合的计算机可读取介质中加以实施。对于硬件实施而言，本发明中所描述的实施例可在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DAPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、用于执行上述功能的其它电子装置或上述装置的选择组合来加以实施。在部分情况下，这类实施例可以通过控制器进行实施。
对软件实施而言，本发明中所描述的实施例可通过诸如程序模块(procedures)和函数模块(functions)等独立的软件模块来加以实施，其中每一个模块执行一个或多个本文中描述的功能和操作。软件代码可通过在适当编程语言中编写的应用软件来加以实施，可以储存在内存中，由控制器或处理器执行。
虽然本发明已参照当前的具体实施例来描述，但是本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，在没有脱离本发明精神的情况下还可作出各种等效的变化或替换，因此，只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。

Claims (13)

1.一种血管提取方法，包括以下步骤：
步骤S1、提取血管原图像中的血管中心线，根据中心线获取待分割的血管区域，将中心线设置为初始分割结果，并初始化血管在原图像和至少一个特征图像的边界值或者边界值经加权计算出来的加权值作为血管模型条件；
步骤S2、以当前分割结果作为种子点，判断与种子点相邻的邻域点的原图像值及至少一个特征图像值是否符合当前血管模型条件中的边界值，或者判断与种子点相邻的邻域点的原图像值及至少一个特征图像经加权计算出来的加权值是否符合当前血管模型条件中的加权值，如果判断符合，则将这些邻域点判定为血管候选分割结果。
2.如权利要求1所述的血管提取方法，其特征在于，所述特征图像为拉普拉斯图像、梯度图像、最大值率图像中的至少一种，对应地，特征图像值为拉普拉斯值、梯度值、最大值率中的至少一种。
3.如权利要求2所述的血管提取方法，其特征在于，步骤S2中，如果判断不符合，则执行步骤S3；步骤S3为判断邻域点是否较其种子点更靠近血管中心，如果是，则将邻域点判定为血管候选分割结果；如果不是，则对邻域点不做任何操作。
4.如权利要求3所述的血管提取方法，其特征在于，步骤S3中，更靠近血管中心的条件为：靠近血管中心点的点的原图像值、最大值率要大于远离中心的点。
5.如权利要求3所述的血管提取方法，其特征在于，步骤S3中，更靠近血管中心的条件为：靠近血管中心点的点的原图像值要大于远离中心的点，梯度值要小于远离中心的点。
6.如权利要求3所述的血管提取方法，其特征在于，所述血管提取方法还包括步骤S4：通过一个全局条件判定步骤S3得到的血管候选分割结果是否为泄漏点，如果符合全局条件，则保留血管候选分割结果，继续步骤S2；如果不符合，则删除血管候选分割结果。
7.如权利要求6所述的血管提取方法，其特征在于，所述全局条件判定是：设定每次通过当前分割结果应获取的邻域点总量是固定的，统计出实际获取的邻域点个数，将两者比较，如果实际获取的邻域点个数远远少于预定的邻域点总量，即判断为不符合全局条件，反之则判定为符合全局条件。
8.如权利要求6所述的血管提取方法，其特征在于，步骤S4中删除血管候选分割结果后进行步骤S5：判断当前模型条件是否达到最终的血管模型边界条件，如果达到，则输出分割结果；如果没有达到，则放宽模型边界条件，继而以当前放宽后的模型条件执行步骤S2。
9.如权利要求2所述的血管提取方法，其特征在于，步骤S2中判断与种子点相邻的邻域点的原图像值及至少一个特征图像值是否符合当前血管模型条件的方法是：求出每个邻域点的特征图像值，与血管模型条件作比较，如果该邻域点的梯度值小于梯度的边界值、最大值率大于最大值率的边界值、拉普拉斯值在拉普拉斯值的边界值之间、原图像值在原图像值的边界值之间即为符合条件。
10.如权利要求2所述的血管提取方法，其特征在于，最大值率为Nmax/N，其中，N为原图像中当前像素点的邻域点的总个数，Nmax为邻域点中灰度值小于当前像素点灰度值的个数。
11.如权利要求8所述的血管提取方法，其特征在于，步骤S5中，血管定义为具有三部分的管状结构，沿血管的截断面，三部分分别是从里往外排列的位于血管中心的内圈圆、其次为紧邻内圈圆的中间环形结构、最外层是包裹血管的外圈环形结构，拉普拉斯图像值在内圈圆及中间环形结构的变化比在外圈环形结构的变化更小，拉普拉斯图像在外圈环形结构时由亮变暗；梯度值由内到外逐渐增大；最大值率由内到外逐渐减小。
12.如权利要求8所述的血管提取方法，其特征在于，步骤S5中，血管定义为具有三部分的管状结构，沿血管的截断面，三部分分别是从里往外排列的位于血管中心的内圈圆、其次为紧邻内圈圆的中间环形结构、最外层是包裹血管的外圈环形结构，模型边界条件进行多次放宽。
13.如权利要求1所述的血管提取方法，其特征在于，所述方法还包括输出血管候选分割结果。
CN201510728671.4A 2015-10-30 2015-10-30 血管提取方法 Active CN105427277B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510728671.4A CN105427277B (zh) 2015-10-30 2015-10-30 血管提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510728671.4A CN105427277B (zh) 2015-10-30 2015-10-30 血管提取方法

Publications (2)

Publication Number Publication Date
CN105427277A true CN105427277A (zh) 2016-03-23
CN105427277B CN105427277B (zh) 2018-01-16

Family

ID=55505458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510728671.4A Active CN105427277B (zh) 2015-10-30 2015-10-30 血管提取方法

Country Status (1)

Country Link
CN (1) CN105427277B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127819A (zh) * 2016-06-30 2016-11-16 上海联影医疗科技有限公司 医学图像中提取血管中心线的方法及其装置
CN106157320A (zh) * 2016-07-29 2016-11-23 上海联影医疗科技有限公司 一种图像血管分割方法及装置
CN106204628A (zh) * 2016-08-02 2016-12-07 海纳医信（北京）软件科技有限责任公司 血管分割方法和装置
CN106780527A (zh) * 2016-11-29 2017-05-31 上海联影医疗科技有限公司 医学图像中血管进出口、边界条件获取方法及处理装置
CN107067409A (zh) * 2017-05-09 2017-08-18 上海联影医疗科技有限公司 一种血管分离方法及系统
CN108022251A (zh) * 2017-12-14 2018-05-11 北京理工大学 一种管状结构的中心线的提取方法及系统
WO2018133098A1 (zh) * 2017-01-23 2018-07-26 上海联影医疗科技有限公司 血管壁应力应变状态获取方法及系统
CN108510506A (zh) * 2018-04-14 2018-09-07 深圳市图智能科技有限公司 一种管状结构图像分割方法
CN108805871A (zh) * 2018-06-14 2018-11-13 艾瑞迈迪医疗科技（北京）有限公司 血管图像处理方法、装置、计算机设备和存储介质
CN109886973A (zh) * 2019-01-25 2019-06-14 杭州晟视科技有限公司 一种血管提取方法、装置及计算机可读存储介质
US10357218B2 (en) 2016-06-30 2019-07-23 Shanghai United Imaging Healthcare Co., Ltd. Methods and systems for extracting blood vessel
CN110111429A (zh) * 2019-03-16 2019-08-09 哈尔滨理工大学 一种检测单像素血管的方法
CN110197495A (zh) * 2019-05-30 2019-09-03 数坤（北京）网络科技有限公司 血管提取的调整方法及装置
CN112508888A (zh) * 2020-11-26 2021-03-16 中国科学院苏州生物医学工程技术研究所 面向医学影像的脑动脉快速自动分割方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101203890A (zh) * 2005-06-24 2008-06-18 美国医软科技公司 交互式肝病诊断方法
CN101425186A (zh) * 2008-11-17 2009-05-06 华中科技大学 一种基于ct图像的肝脏分段方法及其系统
EP2357609B1 (en) * 2009-12-23 2012-06-27 Intrasense Adaptative hit-or-miss region growing for vessel segmentation in medical imaging
CN102819823A (zh) * 2012-01-12 2012-12-12 北京理工大学 一种从造影图像中全自动跟踪提取血管的方法
CN102903115A (zh) * 2012-10-12 2013-01-30 中国科学院深圳先进技术研究院 一种管状物体中心线的提取方法
CN103810363A (zh) * 2012-11-09 2014-05-21 上海联影医疗科技有限公司 血管造影术中的血管种子点选取方法及血管提取方法
CN103871043A (zh) * 2012-12-12 2014-06-18 上海联影医疗科技有限公司 一种血管提取方法
CN104182956A (zh) * 2013-05-21 2014-12-03 上海联影医疗科技有限公司 一种血管提取方法
CN104867147A (zh) * 2015-05-21 2015-08-26 北京工业大学 基于冠状动脉造影图像分割的syntax自动评分方法
CN104978726A (zh) * 2014-04-03 2015-10-14 上海联影医疗科技有限公司 一种血管提取方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101203890A (zh) * 2005-06-24 2008-06-18 美国医软科技公司 交互式肝病诊断方法
CN101425186A (zh) * 2008-11-17 2009-05-06 华中科技大学 一种基于ct图像的肝脏分段方法及其系统
EP2357609B1 (en) * 2009-12-23 2012-06-27 Intrasense Adaptative hit-or-miss region growing for vessel segmentation in medical imaging
CN102819823A (zh) * 2012-01-12 2012-12-12 北京理工大学 一种从造影图像中全自动跟踪提取血管的方法
CN102903115A (zh) * 2012-10-12 2013-01-30 中国科学院深圳先进技术研究院 一种管状物体中心线的提取方法
CN103810363A (zh) * 2012-11-09 2014-05-21 上海联影医疗科技有限公司 血管造影术中的血管种子点选取方法及血管提取方法
CN103871043A (zh) * 2012-12-12 2014-06-18 上海联影医疗科技有限公司 一种血管提取方法
CN104182956A (zh) * 2013-05-21 2014-12-03 上海联影医疗科技有限公司 一种血管提取方法
CN104978726A (zh) * 2014-04-03 2015-10-14 上海联影医疗科技有限公司 一种血管提取方法
CN104867147A (zh) * 2015-05-21 2015-08-26 北京工业大学 基于冠状动脉造影图像分割的syntax自动评分方法

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127819B (zh) * 2016-06-30 2019-10-08 上海联影医疗科技有限公司 医学图像中提取血管中心线的方法及其装置
US10357218B2 (en) 2016-06-30 2019-07-23 Shanghai United Imaging Healthcare Co., Ltd. Methods and systems for extracting blood vessel
WO2018000564A1 (zh) * 2016-06-30 2018-01-04 上海联影医疗科技有限公司 血管中心线提取方法及系统
CN106127819A (zh) * 2016-06-30 2016-11-16 上海联影医疗科技有限公司 医学图像中提取血管中心线的方法及其装置
US11344273B2 (en) 2016-06-30 2022-05-31 Shanghai United Imaging Healthcare Co., Ltd. Methods and systems for extracting blood vessel
US11508059B2 (en) 2016-06-30 2022-11-22 Shanghai United Imaging Healthcare Co., Ltd. Methods and systems for detecting a centerline of a vessel
CN106157320B (zh) * 2016-07-29 2019-02-01 上海联影医疗科技有限公司 一种图像血管分割方法及装置
CN106157320A (zh) * 2016-07-29 2016-11-23 上海联影医疗科技有限公司 一种图像血管分割方法及装置
CN106204628A (zh) * 2016-08-02 2016-12-07 海纳医信（北京）软件科技有限责任公司 血管分割方法和装置
CN106780527A (zh) * 2016-11-29 2017-05-31 上海联影医疗科技有限公司 医学图像中血管进出口、边界条件获取方法及处理装置
CN106780527B (zh) * 2016-11-29 2020-09-15 上海联影医疗科技有限公司 医学图像中血管进出口、边界条件获取方法及处理装置
US11468570B2 (en) 2017-01-23 2022-10-11 Shanghai United Imaging Healthcare Co., Ltd. Method and system for acquiring status of strain and stress of a vessel wall
WO2018133098A1 (zh) * 2017-01-23 2018-07-26 上海联影医疗科技有限公司 血管壁应力应变状态获取方法及系统
US10861158B2 (en) 2017-01-23 2020-12-08 Shanghai United Imaging Healthcare Co., Ltd. Method and system for acquiring status of strain and stress of a vessel wall
CN107067409A (zh) * 2017-05-09 2017-08-18 上海联影医疗科技有限公司 一种血管分离方法及系统
CN108022251A (zh) * 2017-12-14 2018-05-11 北京理工大学 一种管状结构的中心线的提取方法及系统
CN108510506A (zh) * 2018-04-14 2018-09-07 深圳市图智能科技有限公司 一种管状结构图像分割方法
CN108805871A (zh) * 2018-06-14 2018-11-13 艾瑞迈迪医疗科技（北京）有限公司 血管图像处理方法、装置、计算机设备和存储介质
CN109886973A (zh) * 2019-01-25 2019-06-14 杭州晟视科技有限公司 一种血管提取方法、装置及计算机可读存储介质
CN110111429A (zh) * 2019-03-16 2019-08-09 哈尔滨理工大学 一种检测单像素血管的方法
CN110111429B (zh) * 2019-03-16 2022-11-18 哈尔滨理工大学 一种检测单像素血管的方法
CN110197495A (zh) * 2019-05-30 2019-09-03 数坤（北京）网络科技有限公司 血管提取的调整方法及装置
CN112508888A (zh) * 2020-11-26 2021-03-16 中国科学院苏州生物医学工程技术研究所 面向医学影像的脑动脉快速自动分割方法及系统
CN112508888B (zh) * 2020-11-26 2023-12-19 中国科学院苏州生物医学工程技术研究所 面向医学影像的脑动脉快速自动分割方法及系统

Also Published As

Publication number Publication date
CN105427277B (zh) 2018-01-16

Similar Documents

Publication Publication Date Title
CN105427277A (zh) 血管提取方法
CN109741344B (zh) 血管分割方法、装置、医疗影像设备及存储介质
JP6703082B2 (ja) 医用画像における構造物をセグメンテーションする医用画像処理装置、医用画像をセグメンテーションするための方法及び医用画像をセグメンテーションするコンピュータプログラムを記憶する記憶媒体
US9811912B2 (en) Image processing apparatus, image processing method and medical imaging device
US9600890B2 (en) Image segmentation apparatus, medical image device and image segmentation method
JP7212372B2 (ja) 撮像装置とコンピューティング装置を含むシステム
US11783488B2 (en) Method and device of extracting label in medical image
CN104933729A (zh) 一种颅内脑组织的提取方法和装置
US20150310638A1 (en) System and method of medical imaging
CN104143035B (zh) 一种分割乳腺病灶的方法
EP3497669A1 (en) Method for automatically detecting systemic arteries in arbitrary field-of-view computed tomography angiography (cta).
CN112991346B (zh) 用于医学图像分析的学习网络的训练方法和训练系统
CN115049807B (zh) 肺部血管模型的建立方法、装置及服务器
Hao et al. Juxta-vascular pulmonary nodule segmentation in PET-CT imaging based on an LBF active contour model with information entropy and joint vector
CN109886973A (zh) 一种血管提取方法、装置及计算机可读存储介质
Yang et al. Geodesic active contours with adaptive configuration for cerebral vessel and aneurysm segmentation
CN104809425A (zh) 手部兴趣区域的提取方法及装置
CN109658377A (zh) 一种基于多维度信息融合的乳腺mri病变区域检测方法
CN105513055A (zh) Cta图像中分割组织的方法和装置
Puranik et al. Morphology based approach for microaneurysm detection from retinal image
JP6634186B2 (ja) 画像処理システム及び画像処理方法
Almi'ani et al. A modified region growing based algorithm to vessel segmentation in magnetic resonance angiography
WO2018030519A1 (ja) 乳房領域検出システム、乳房領域検出方法、及びプログラム
Pacureanu et al. Segmentation of 3D cellular networks from SR-micro-CT images
Daud et al. Automated corneal segmentation of anterior segment photographed images using centroid-based active contour model

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 201807 No. 2258 Chengbei Road, Jiading Industrial Zone, Jiading District, Shanghai.

Patentee after: Shanghai Lianying Medical Technology Co., Ltd

Address before: 201807 No. 2258 Chengbei Road, Jiading Industrial Zone, Jiading District, Shanghai.

Patentee before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd.