CN105659289B - 血管分割方法 - Google Patents

血管分割方法 Download PDF

Info

Publication number
CN105659289B
CN105659289B CN201480059974.5A CN201480059974A CN105659289B CN 105659289 B CN105659289 B CN 105659289B CN 201480059974 A CN201480059974 A CN 201480059974A CN 105659289 B CN105659289 B CN 105659289B
Authority
CN
China
Prior art keywords
mask
seed point
new
region
threshold
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.)
Expired - Fee Related
Application number
CN201480059974.5A
Other languages
English (en)
Other versions
CN105659289A (zh
Inventor
A.奥吉
Y.德维特
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.)
AGFA HEALTHCARE
Original Assignee
AGFA HEALTHCARE
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 AGFA HEALTHCARE filed Critical AGFA HEALTHCARE
Publication of CN105659289A publication Critical patent/CN105659289A/zh
Application granted granted Critical
Publication of CN105659289B publication Critical patent/CN105659289B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03Computed tomography [CT]
    • A61B6/032Transmission computed tomography [CT]
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/46Arrangements for interfacing with the operator or the patient
    • A61B6/461Displaying means of special interest
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/155Segmentation; Edge detection involving morphological operators
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/187Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/20Analysis of motion
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/60Analysis of geometric attributes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20004Adaptive image processing
    • G06T2207/20012Locally adaptive
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20092Interactive image processing based on input by user
    • G06T2207/20101Interactive definition of point of interest, landmark or seed
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20112Image segmentation details
    • G06T2207/20156Automatic seed setting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30101Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Vascular Medicine (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Pulmonology (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

血管结构通过基于迭代区域生长和形态学操作的局部适用方法来分割。

Description

血管分割方法
技术领域
本发明涉及用于结构分割的方法,更特别地,涉及3D医学图像重建中的血管结构分割。
背景技术
MRA(磁共振血管造影)和CTA(X射线CT血管造影)的3D重建广泛用于严重循环疾病的诊断,在所述3D重建中将血管增强到具有更高的强度值。
在这类研究中,血管结构分割对诊断帮助、治疗和手术计划是特别有价值的。实际上,其是用于从复杂数据集准确可视化血管以及病理学量化的基本步骤。
其还是用于先进的血管跟踪应用的有价值输入。
血管分割是尤其具体并且有挑战性的问题。除了关于对比度、分辨率、噪声和伪影(artifacts)的获取相关(acquisition-dependent)的考虑之外,血管网络还能够是特别复杂的结构。血管潜在地呈现尺寸和曲率的高可变性。其外观和几何形状能够通过支架、钙化、动脉瘤和狭窄而受到扰动。此外,它们常常埋在复杂的解剖场景中,在血管造影环境中由其他器官(主要为具有类似密度的骨)包围。
除了上面通常的考虑之外,更具体的图像性质,诸如与局部血液流量和部分容积效应有关的像素强度变化,还使血管分割为困难的任务。如同低通滤波效应,部分容积效应主要影响薄血管,降低血管部分的强度。因此血管强度的范围并不限于小区间中而是广泛分布的。
对于所有这些原因,基因区域生长以及定阈值(thresholding)不适用于提取血管的整个部分:其常常导致错误的检测问题。为了通过区域生长获得正确的分割结果,有必要依靠根据各个区域中的局部特性的灵活适用方式。
当将其他结构(诸如骨结构)分割时,可碰到类似的问题。
本发明的一方面在于提供克服所描述的现有技术方法缺点的分割方法。
发明内容
上述方面由具有权利要求1中所陈述的具体步骤的方法来实现。
根据本发明,提出基于迭代区域生长和形态学操作的局部自适应方法,以便将CTA图像中的结构(诸如血管结构)分割。
所述方法设计成将外围血管分割。然而,其可以应用于其他结构,诸如骨。其到其他结构分割的延伸可以要求阈值的适应。
本发明的优选实施例的具体特征在从属权利要求中陈述。
本发明一般以计算机程序产品的形式实现,所述计算机程序产品适用于当在与用户交互结合的计算机上运行来定义一些要求的种子点时执行本发明的方法步骤。计算机程序产品通常储存在计算机可读载体媒介(诸如DVD)中。备选地,计算机程序产品采用电信号形式并且能够通过电子通信来传递给用户。
所述方法能够在工作站中实现,所述工作站耦合到图像获取装置或耦合到图片归档和通信系统等等。
本发明的另外的优点和实施例将从下面描述变得显而易见。
具体实施方式
为了运行本发明的方法,用户在3D容积的显示上(或在切片图像(slice image)的显示上)执行了多个动作。
图像处理装置运行如更进一步解释的本发明的方法的软件实现。
首先用户在显示的3D容积上或在显示的切片图像上放置种子点。
通过本发明的方法中的分割步骤的软件实现使用种子点的坐标。
显示由应用分割算法产生的分割掩模。
用户检查显示的分割掩模,并且如果他想要延伸分割掩模(这是在第一分割操作的结果中存在任务区域情况下),他放置第二种子点。这个第二种子点放置在丢失(missing)区域中。
分割操作被再次执行并且导致显示的第二掩模。
重复后两个步骤直到用户停止放置附加的种子点。
在大多数数据集上放置一个种子点足以分割完整的血管树。具体的情形(诸如,具有薄血管的容积和/或闭塞)可以要求待放置的另外的种子点。
本发明的方法的输出是能够被显示的分割掩模。分割掩模是3D二元掩模,其中例如通过烧制显示的体素来标记已经分类为属于血管的体素。
掩模必须被连接。这意味着其必须由仅一个连接的组件构成。
下限阈值和上限阈值与在该算法的任何步骤内创建的各个掩模相关联。它们对应于那个掩模内的最小和最大体素强度。
以下描述用于执行分割的算法的实施例。
让Mask_final为最后的血管分割掩模。Mask_final初始是空的。
对于由用户放置的各个新种子点S,运行下面步骤:
1. 应用开始于点S的基本区域生长算法。区域生长算法要求输入生长的下限阈值和上限阈值。生长的下限阈值和上限阈值基于S的灰度值确定。生长的输出是称为Mask_S的分割掩模。
2. 如果S为由用户放置的第一种子点,那么Mask_final由Mask_S(Mask_final←Mask_S)给出并终止算法。
3. 另外,如果Mask_S与Mask_final相交(如果Mask_S∩ Mask_final ≠Ф),那么Mask_final由Mask_final和Mask_S的并集(Mask_final←Mask_S∩ Mask_final)替代并终止算法。
4. 否则,采用作为输入的种子点S和先前掩模Mask_final来应用自适应的区域生长。
来自上述算法的各个步骤在下面章节中详细说明。
从一个种子点的基本区域生长
每次用户放置种子点,基本区域生长方法作为第一步骤被应用。
对于其操作,基本区域生长算法需要输入一个种子点。该算法如下工作:
1. 标识与放置的种子点对应的体素(S)。
2. 如果下限阈值和上限阈值不定义为输入,这些值基于在体素S的亨氏单位值的80%和110%确定。
3. 处于由下限阈值和上限阈值定义的范围内的体素产生中间二元掩模。
4. 连接到种子点的中间掩模中的体素(体素S)产生二元掩模(Mask_S)。该掩模为基本区域生长操作的输出。如果两个体素包括在相同的“连接组件”中,则体素被连接到S。连接的组件被定义为体素的组,其中各个体素邻近那个连接的组件中的其他体素中的至少一个。在该实施例中,邻近以6个相邻的意义来定义。
具有多个种子点的局部灵活区域生长
如果用户放置仅一个种子点,则算法在基本区域生长步骤之后停止。
如果用户放置第二(或第三、第四等)种子点,则基本区域生长算法与作为输入的后面的种子点一起再次运行。其产生新的分割掩模(Mask_S)。计算这个掩模和现有掩模(通过先前种子点产生)之间的相交。
如果相交并不是空的,通过这些两个掩模的并集获得最后的掩模。
否则,局部自适应的区域生长算法被应用于良好地处理3-D空间中的强度变化。该算法是基于采用每次输入自动定义的种子点和阈值来迭代运行区域生长算法。该算法通过控制阈值剧烈演进来防止过度生长。以下详细说明该算法。
算法
让Mask_final为先前计算的掩模。
初始,基本区域生长在最后放置的种子点上运行并产生掩模Mask_S。让lower_threshold和upper_threshold是与Mask_S关联的初始的下限阈值和上限阈值。
当Mask_S不与Mask_final相交时,重复下面步骤。
1. 发现下一个种子点。该步骤要求当前的Mask_S以及其相关联的阈值和先前的掩模Mask_final作为输入。该种子点查找算法在下面章节中定义。让S为输出种子点。
2. 估计距离1:S和lower_threshold之间的灰度值距离。
3. 估计距离2:S和upper_threshold之间的灰度值距离。
4. 考虑距离:距离1和距离2之间的最小值。
5. 如果距离低于预定义阈值(在一个实施例中,该值基于实验设定为20 HU),那么扩大阈值范围,使得S适应于它;即lower_threshold由S的灰度值和lower_threshold的最小值替代,而upper_threshold由S的灰度值和upper_threshold的最大值替代。
否则(如果距离比预定义阈值更高),S由新种子点替代并且执行跳至步骤2。在下面章节中定义种子点替代算法。其以与种子点查找算法相同的输入运行。该步骤确保生长正在进行而没有扩大阈值范围。实际上,如果阈值范围变得太宽,则血管分割掩模将可能过度生长。
6. Mask_S由通过采用作为输入的种子点S和阈值lower_threshold和upper_threshold来运行基本区域生长所产生输出与Mask_S的并集替代。
7.检查Mask_S没有生长了太多。通过比较当前迭代和先前一个中的Mask_S内的体素数目来执行验证。如果生长超过5倍(该因数值基于不同数据集上的实验而已经固定),那么检测到过度生长,因此停止算法。
在上述循环的结束时,创建分割掩模(Mask_S)。该掩模为最后一个(Mask_final←Mask_S)。
种子点查找算法
局部自适应的区域生长算法的各个迭代要求确定新种子点以及取决于那个种子点的下限阈值和上限阈值。
计算新种子点要求输入最后的区域生长掩模Mask_S、其相关联的阈值lower_threshold和upper_threshold以及先前的掩模Mask_final。
新种子点S基于下面考虑确定:
●S在掩模Mask_S外面以便对其进行延伸。
● S的灰度值应当尽可能接近阈值lower_threshold和upper_threshold中的一个。该条件用于防止过度生长。
● S必须邻近Mask_S。
●S必须尽可能接近先前的掩模Mask_final。
上述限定确保以适当的方向生长掩模Mask_S,以便与Mask_final相交。它们还旨在通过限制查找区域来防止过度生长。
以下定义种子点查找算法。
算法
1. 在3D容积中发现切片,其满足一方面最接近Mask_final并且另一方面包括与Mask_S邻近的体素的条件。该切片必须不与Mask_S相交。切片是定义为3D容积沿着垂直轴的2D投影的图像。让所发现的切片称为Slice_Adjacent。
2. 提取Mark_Adjacent,其是对应于在Slice_Adjacent中包括的与Mask_S邻近的体素的2D二元掩模。
3. 在Mark_Adjacent中,发现体素S1具有最接近lower_threshold的灰度值。让距离1为在S1和lower_threshold之间的灰度值距离。
4. 在Mark_Adjacent中,发现体素S2具有最接近upper_threshold的灰度值。让距离2为在S2和upper_threshold之间的灰度值距离。
5. 如果距离1低于距离2,则最后的种子点S(当前算法的输出)为S1,并且否则为S2。
种子点替代算法
在一些情况下,主要当血管包括高曲率区时,使用上述算法确定的种子点可以引起过度生长(因为其灰度值过于远离下限阈值和上限阈值)。为了防止这类情况,那个种子点一被怀疑就替代它。
种子点替代算法类似于确定种子点S的先前算法。它们之间的仅在于差别不在邻近区域内而在紧邻(close neighbourhood)寻找种子点。因此新种子点S基于下面考虑确定:
● S在掩模Mask_S外面。
● S的灰度值应当尽可能接近阈值lower_threshold和upper_threshold中的一个。
● S必须在掩模Mask_S的紧邻内部。
● S必须尽可能接近先前的掩模Mask_final。
种子点替代算法采用另外的步骤接替先前的算法以便延伸邻近区域掩模的尺寸。
算法
1. 在3D容积中发现切片,其满足一方面最接近Mask_final且另一方面包括与Mask_S邻近的体素的条件。该切片必须不能与Mask_S相交。让所发现的切片称为Slice_Adjacent。
2. 提取Mark_Adjacent,其是对应于在Slice_Adjacent中包括的与Mask_S邻近的体素的2D二元掩模。
3. 延伸Mark_Adjacent的尺寸。该延伸能够通过由具有尺寸3的方形结构元素的形态学膨胀来实现。
4. 在Mark_Adjacent中,发现体素S1具有与lower_threshold最接近的灰度值。让距离1为在S1和lower_threshold之间的灰度值距离。
5. 在Mark_Adjacent中,发现体素S2具有与upper_threshold最接近的灰度值。让距离2为在S2和upper_threshold之间的灰度值距离。
6. 如果距离1低于距离2和,则最后的种子点S(当前算法的输出)为S1,并且否则由S2给出的S。
已经详细描述当前发明的优选实施例,对于本领域技术人员现在将显而易见的是在不脱离如随附权利要求书中所定义的本发明的范围的情况下,能够在其中进行许多修改。尽管关于血管分割来解释了本发明,但是所述方法还可适用于其他类型的结构分割。

Claims (5)

1.一种将由3D数字表示所表示的容积中的结构分割的方法,所述方法包括下面步骤:
-1.将区域生长算法应用到开始于用户定义的种子点的所述容积以生成掩模Mask_final,
-2.由所述用户估计所述掩模Mask_final以标识具有未连接结构的一个或多个区域,
-3.如果发现具有未连接结构的区域,则在所述区域中通过用户交互标识新种子点,
-4.将区域生长算法应用到所述新种子点,从而导致新掩模Mask_S,
-5.-如果所述新掩模Mask_S与所述掩模Mask_final相交,则创建作为所述新的Mask_S和所述掩模Mask_final的并集的掩模,
-否则,将包括迭代执行区域生长算法的局部自适应的区域生长迭代应用到自动定义的下一个种子点以生成新掩模Mask_new直到所述新掩模Mask_new与所述掩模Mask_final相交,
其特征在于:
所述局部自适应的区域生长迭代包括
-确定用来生成所述掩模Mask_S的低阈值和所述下一个种子点之间的灰度值距离和用来生成所述掩模Mask_S的高阈值和所述下一个种子点之间的灰度值距离,
-确定两个计算的灰度值距离之间的差别,
-如果所述差别低于预先设定的阈值,则增大所述低阈值和所述高阈值之间的范围,以便通过由所述下一个种子点的灰度值和所述低阈值中的最小值替代所述低阈值并且通过由所述下一个种子点的所述灰度值和所述高阈值中的最大值替代所述高阈值来囊括所述下一个种子点,
-否则由新种子点替代所述种子点,
-将所述区域生长算法应用到开始于所述新种子点的所述容积以生成所述掩模Mask_new。
2.根据权利要求1所述的方法,其中所述下一个种子点基于下面步骤自动确定:
-1.在所述容积中发现切片区域Region_Adjacent,所述切片区域Region_Adjacent满足下面性质:
●所述切片区域Region_Adjacent不与所述Mask_S相交,
●所述切片区域Region_Adjacent邻近所述掩模Mask_S,
●所述切片区域Region_Adjacent尽可能接近所述掩模Mask_final,
-2.在所述切片区域Region_Adjacent中发现下一个种子点,使得其灰度值最接近用来生成所述掩模Mask_S的低阈值和高阈值中的一个。
3.根据权利要求2所述的方法,其中所述新种子点通过下面步骤自动确定:
-1.将形态学膨胀应用到所述区域Region_Adjacent以导致膨胀区域,
-2.在所述膨胀区域中发现所述新种子点,使得其灰度值最接近用来生成所述掩模Mask_S的低阈值和高阈值中的一个。
4.根据权利要求1所述的方法,其中在由一个迭代产生的掩模内的像素的数目与先前迭代中生成的掩模中的像素的数目进行比较,并且其中如果像素的数目的比率超过预定数目,则检测过度生长。
5.根据权利要求1所述的方法,其中所述结构是医学图像中的血管结构。
CN201480059974.5A 2013-10-30 2014-10-28 血管分割方法 Expired - Fee Related CN105659289B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP13190817 2013-10-30
EP13190817.0 2013-10-30
PCT/EP2014/073067 WO2015063054A1 (en) 2013-10-30 2014-10-28 Vessel segmentation method

Publications (2)

Publication Number Publication Date
CN105659289A CN105659289A (zh) 2016-06-08
CN105659289B true CN105659289B (zh) 2019-04-12

Family

ID=49552174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480059974.5A Expired - Fee Related CN105659289B (zh) 2013-10-30 2014-10-28 血管分割方法

Country Status (4)

Country Link
US (1) US9984458B2 (zh)
EP (1) EP3063735B1 (zh)
CN (1) CN105659289B (zh)
WO (1) WO2015063054A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016111100A1 (ja) * 2015-01-08 2016-07-14 富士フイルム株式会社 光音響計測装置及び光音響計測システム
US10869644B2 (en) * 2016-07-30 2020-12-22 Shanghai United Imaging Healthcare Co., Ltd. Method and system for extracting lower limb vasculature
CN106806021A (zh) * 2016-11-21 2017-06-09 厦门强本宇康科技有限公司 一种基于人体器官3d模型的vr手术模拟系统及方法
CN106725846A (zh) * 2016-11-21 2017-05-31 厦门强本宇康科技有限公司 一种基于人体器官3d模型的手术仿真系统及方法
WO2018108569A1 (en) 2016-12-13 2018-06-21 Agfa Healthcare Method of segmenting a 3d object in a medical radiation image
CN106600599B (zh) * 2016-12-23 2019-12-10 东软集团股份有限公司 肿瘤包绕血管的包绕程度分析方法及装置
CN106780472B (zh) * 2016-12-23 2020-03-27 东软集团股份有限公司 肿瘤包绕血管的包绕程度确定方法及装置
EP3707672A1 (en) 2017-11-09 2020-09-16 Agfa HealthCare NV Method of segmenting a 3d object in a medical radiation image
CN109472803B (zh) * 2018-10-26 2021-03-02 强联智创(北京)科技有限公司 一种颅内动脉血管分割方法及系统
CN109829931B (zh) * 2019-01-07 2023-07-11 三峡大学 一种基于区域增长pcnn的视网膜血管分割方法
WO2022157124A1 (en) * 2021-01-20 2022-07-28 Koninklijke Philips N.V. Segment shape determination
WO2024015470A1 (en) * 2022-07-13 2024-01-18 Hyperfine Operations, Inc. Simulating structures in images

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1620990A (zh) * 2003-11-25 2005-06-01 通用电气公司 在ct血管造影术中分割结构的方法及设备
CN1830005A (zh) * 2003-07-31 2006-09-06 西门子共同研究公司 毛玻璃状结节(ggn)分割的系统和方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7477768B2 (en) * 1999-06-29 2009-01-13 The Research Foundation Of State University Of New York System and method for performing a three-dimensional virtual examination of objects, such as internal organs
ATE514144T1 (de) * 2001-10-16 2011-07-15 Univ Chicago Computerunterstützte erkennung dreidimensionaler läsionen
EP1490833B1 (en) * 2002-03-23 2008-02-13 Philips Intellectual Property & Standards GmbH Method for interactive segmentation of a structure contained in an object
US7711165B2 (en) * 2005-07-28 2010-05-04 Siemens Medical Solutions Usa, Inc. System and method for coronary artery segmentation of cardiac CT volumes
DE102005039685B4 (de) * 2005-08-22 2007-10-11 Siemens Ag Verfahren zur Identifizierung eines kontrastierten Blutgefäßes in digitalen Bilddaten
US9679389B2 (en) * 2009-05-19 2017-06-13 Algotec Systems Ltd. Method and system for blood vessel segmentation and classification

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1830005A (zh) * 2003-07-31 2006-09-06 西门子共同研究公司 毛玻璃状结节(ggn)分割的系统和方法
CN1620990A (zh) * 2003-11-25 2005-06-01 通用电气公司 在ct血管造影术中分割结构的方法及设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Locally Adaptive Region Growing Algorithm for Vascular Segmentation;Jaeyoun Yi等;《International Journal of Imaging Systems And Technology》;20031216;第13卷(第4期);全文
心脑血管三维分割研究进展;田沄等;《计算机辅助设计与图形学学报》;20120731;第24卷(第7期);全文
结合时域信息的区域生长算法及其在动脉超声造影图像分割中的应用;钱华明等;《计算机辅助设计与图形学学报》;20110331;第23卷(第3期);全文

Also Published As

Publication number Publication date
EP3063735A1 (en) 2016-09-07
EP3063735B1 (en) 2017-12-13
US20160260212A1 (en) 2016-09-08
WO2015063054A1 (en) 2015-05-07
CN105659289A (zh) 2016-06-08
US9984458B2 (en) 2018-05-29

Similar Documents

Publication Publication Date Title
CN105659289B (zh) 血管分割方法
US9811912B2 (en) Image processing apparatus, image processing method and medical imaging device
US11132801B2 (en) Segmentation of three-dimensional images containing anatomic structures
US9600890B2 (en) Image segmentation apparatus, medical image device and image segmentation method
US9472017B2 (en) Fast rendering of curved reformation of a 3D tubular structure
CN110648338B (zh) 图像分割方法、可读存储介质及图像处理装置
CN105488796A (zh) 肺分割方法
US8050470B2 (en) Branch extension method for airway segmentation
KR101178398B1 (ko) 의료 영상 분할 처리 장치와 방법 및 컴퓨터 프로그램이 기록된 기록매체
WO2018097880A1 (en) Systems and methods for an integrated system for visualizing, simulating, modifying and 3d printing 3d objects
US9324157B2 (en) Medical image data processing apparatus and method
Boegel et al. A fully-automatic locally adaptive thresholding algorithm for blood vessel segmentation in 3D digital subtraction angiography
CN116348911A (zh) 图像分割方法和系统
CN106952264B (zh) 三维医学目标的切割方法及装置
CN109886973A (zh) 一种血管提取方法、装置及计算机可读存储介质
Qiao et al. Automatic liver segmentation method based on improved region growing algorithm
CN110599482A (zh) 肺裂曲面确定方法、装置、电子设备和存储介质
JP5954846B2 (ja) 形状データ生成プログラム、形状データ生成方法及び形状データ生成装置
CN105096332A (zh) 医学图像分割方法和装置
Almuntashri et al. Automatic lumen segmentation in CT and PC-MR images of abdominal aortic aneurysm
CN109564685B (zh) 鲁棒的肺叶分割
Martin et al. 3D reconstruction of vascular structures using graph-based voxel coloring
McLaughlin et al. Demarcation of aneurysms using the seed and cull algorithm
CN116152124B (zh) 一种脉管模型的平滑方法、装置、电子设备及存储介质
CN112215941B (zh) 一种基于微分几何的主动脉扭曲的评估方法及系统

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190412

Termination date: 20211028