CN106327479A - 血管造影中介下先心病术中血管辨识的装置及方法 - Google Patents

血管造影中介下先心病术中血管辨识的装置及方法 Download PDF

Info

Publication number
CN106327479A
CN106327479A CN201610846082.0A CN201610846082A CN106327479A CN 106327479 A CN106327479 A CN 106327479A CN 201610846082 A CN201610846082 A CN 201610846082A CN 106327479 A CN106327479 A CN 106327479A
Authority
CN
China
Prior art keywords
preoperative
population
blood vessel
module
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
CN201610846082.0A
Other languages
English (en)
Other versions
CN106327479B (zh
Inventor
黄力宇
王芮东
陈煜�
黄美萍
李军
庄建
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.)
GUANGDONG PROV CARDIOVASCULAR DISEASE INST
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN201610846082.0A priority Critical patent/CN106327479B/zh
Publication of CN106327479A publication Critical patent/CN106327479A/zh
Application granted granted Critical
Publication of CN106327479B publication Critical patent/CN106327479B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/08—Volume rendering
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Graphics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

一种血管造影中介下先心病术中血管辨识的装置及方法，其装置包括术前的CT图像预处理模块、分割模块、三维重建模块、二维平面化模块；术中的造影成像模块、配准初始化模块、量子更新模块、个体变异模块、变异后处理模块以及图像配准模块、和血管辨识结果展示模块。本发明方法的步骤为：使用分割术前CT图像，对分割完的CT图像进行三维可视化重建，得到分割的术前心脏和血管的二维图像，将分割的术前心脏和血管的二维图像与术中造影像配准，并展示配准后的结果。本发明配准的结果具有较高的精度和丰富的细节信息，可为进行先心病手术中的医生提供患者的血管的准确位置，降低手术的难度。

Description

血管造影中介下先心病术中血管辨识的装置及方法
技术领域
本发明属于医疗技术领域，更进一步涉及医学影像处理与应用技术领域中的一种血管造影中介下的先心病手术中血管辨识的装置及方法。本发明利用血管造影中介下的先心病术中血管辨识的装置中的图像提取模块，对先心病患者的术前CT图像进行分割，然后将分割后得到的心脏及周围血管的三维模型进行平面化处理，得到若干张CT二维图像。再利用本发明的装置术中造影成像模块获取先心病患者的心脏及周围血管的术中造影图像，再利用本发明的装置中的图像配准模块将CT二维图像和术中造影图像进行配准，所获得的配准图像可以为手术中的医生提供血管辨识参考。
背景技术
在先天性心脏病手术中，能为手术中的医生提供血管辨识辅助的有术前CT图像、MR图像等，但是由于患儿个体较小，血管与健康人差异较大，并且开胸之后血肉模糊，医生难以单凭一种图像完成血管辨识。对于在先心病手术中的血管辨识这一问题，并没有相应的专利或文献予以说明。而与之相近的一些配准技术，也存在诸多缺陷，因此并不适用于术中这一场景。
王婕妤等人在其发表的论文“基于改进光流场和尺度不变特征变换的非刚性医学图像配准”(电子与信息学报，vol.35,No.5,May.2013)中提出了一种加入尺度不变特征变换特征的光流场模型的配准方法。该方法首先使用尺度不变特征变换方法对源图像和目标图像进行特征点的提取及匹配，并且使用随机抽样一致方法去除部分误匹配点，接着为特征点赋权值，然后在确定特征点的速度场后建立特征匹配项，极小化得到的能量函数完成图像配准。该方法的不足之处在于，两幅图像的特征点不易找到，更不易准确匹配，且内部纹理细节不明显。
周其慧等人在其发表的论文“基于多分辨率和Powell算法的医学图像配准”(计算机应用研究，vol.30,No.4,Apr.2013)中提出了一种改进的Powell算法与多分辨策略相结合的配准方法。该方法先将待配准的两幅图像进行两层小波分解，得到图像的近似分量，然后配准最低分辨率的近似分量，再以上一层的结果作为粗略位置，进行下一轮循环，直到最底层的源图像，最终得到搜索结果完成图像配准。该方法存在的不足之处是，尽管该算法配准所需的时间相对于基本的Powell算法已有所减少，但仍不够快，而且仍然容易陷入局部最优结果，无法保证配准的精度。
发明内容
本发明的目的在于克服上述现有技术的不足，提出了一种血管造影中介下的先心病手术中血管辨识的装置及方法。
实现本发明目的的思路是，分割出先心病患者术前CT图像中的血管和心脏，并将其进行三维可视化重建，对重建得到的模型进行平面化处理，得到术前二维的心脏和血管图像，在得到术中心脏和血管的造影像后，将两种图像配准，并展示配准的结果。
为实现上述目的，本发明的具体步骤如下：
本发明的装置包括术前CT图像预处理模块、术前CT图像分割模块、术前CT图像三维重建模块、术前CT图像二维平面化模块、术中造影成像模块、术中配准初始化模块、术中量子更新模块、术中个体变异模块、术中变异后处理模块、图像配准模块、血管辨识结果展示模块。
所述的术前CT图像预处理模块，用于从术前心脏造影CT图像中选择一幅主动脉瓣CT图像作为初始图像；标记初始图像中心脏和血管所在的位置，并将其作为图割方法中无向图的权值；
所述的术前CT图像分割模块，是利用图割方法，对术前CT图像预处理模块得到的初始图像进行分割，得到分割后的参考模板；用参考模板中心脏和血管所在的位置作为图割方法的新的权值，采用图割方法，对当前参考模板分割图像时的前一幅图像进行分割，得到并保存更新后的参考模板；判断当前参考模板更新时所选取的图像是否为所有CT图像的最前一幅图像，若是，则执行下一步，否则，继续分割图像；用参考模板中的心脏和血管位置作为图割方法的新的权值，采用图割方法，对当前参考模板分割图像时的后一幅图像进行分割，得到并保存更新后的参考模板；判断当前参考模板更新时所选取的图像是否为所有CT图像的最后一幅图像，若是，则将所有的参考模板传入三维重建模块，否则，继续分割图像；
所述的术前CT图像三维重建模块，是将所有的参考模板加载到具有三维可视化功能的软件中；利用软件的体绘制选项，对所有的参考模板中的心脏和血管，进行三维可视化重建；
所述的术前CT图像二维平面化模块，是将先心病患者手术时拟平躺于水平手术台且面向医生时的心脏位置作为基准，以先心病患者心脏的主动脉窦的中心为坐标原点；以过坐标原点且垂直于手术台平面的直线为Z轴，将先心病患者面部所在的方向确定为Z轴正方向；以过原点且垂直于脊柱中心线所在平面的直线为X轴，将指向先心病患者左臂的方向确定为X轴正方向；以过原点且垂直于X轴和Z轴所在平面的直线为Y轴，将指向先心病患者头部的方向确定为Y轴正方向，完成术前心脏和血管标准坐标系的构建；构建术前心脏和血管标准坐标系完成后，保持建立标准坐标系时分割的术前心脏和血管的位置不变，从Z轴正半轴看向负半轴的方向上，得到一张分割的术前心脏和血管的二维图像；以Y轴为旋转轴，将分割的术前心脏和血管分别向X轴的正方向和反方向偏移五度，从Z轴正半轴看向负半轴的方向上，分别得到两张分割的术前心脏和血管的二维图像；以X轴为旋转轴，将分割的术前心脏和血管分别向Y轴的正方向和反方向偏移五度，从Z轴正半轴看向负半轴的方向上，分别得到两张分割的术前心脏和血管的二维图像；
所述的术中造影成像模块，用于获取先心病患者心脏和血管的术中造影像；
所述的术中配准初始化模块，是将从术前CT图像二维平面化模块中获得的五张分割的术前心脏和血管的二维图像中任选一张图像；分别将配准所需要的水平位移种群、垂直位移种群、旋转角度种群中的每个种群初始化为5个个体，每个个体在其取值范围内取一个随机值；利用个体组合的互信息计算方法，计算所选的分割的术前心脏和血管的二维图像与术中造影像配准的互信息，得到当前的极大互信息和当前的极大互信息的个体组合；将水平位移种群、垂直位移种群的复制规模设定为50，旋转角度种群的复制规模设定为20，根据每种个体组合的互信息占所有个体组合的互信息总和的比例，对个体组合中的个体按比例进行复制，生成复制后的水平位移种群、垂直位移种群、旋转角度种群；
所述的术中量子更新模块，是利用量子更新方法，对术中配准初始化模块复制后的水平位移种群、垂直位移种群、旋转角度种群中的个体进行量子更新，得到更新后的水平位移种群、垂直位移种群、旋转角度种群；
所述的术中个体变异模块，是将每个种群中个体发生变异的概率设定为20％，对术中量子更新模块更新后的水平位移种群、垂直位移种群、旋转角度种群中变异的个体在其取值范围内取随机值，得到变异后的水平位移种群、垂直位移种群、旋转角度种群；
所述的术中变异后处理模块，是对术中个体变异模块获得的变异后的水平位移种群、垂直位移种群、旋转角度种群，利用个体组合的互信息计算方法，计算所选的分割的术前心脏和血管的二维图像和术中造影像配准的互信息，得到当前的极大互信息和当前的极大互信息的个体组合；判断当前的极大互信息是否小于配准初始化模块的极大互信息，若是，则获得极大互信息中的最大值，并执行下一步，否则，执行水平位移种群、垂直位移种群、旋转角度种群的复制步骤；判断是否选完五张分割的术前心脏和血管的二维图像，若是，则执行造影像配准步骤，否则，执行得到图像的最大互信息的步骤；
所述的图像配准模块，是从五张分割的术前心脏和血管的二维图像中找出与术中造影像的最大互信息；从五张分割的术前心脏和血管的二维图像中找出得到最大互信息的分割的术前心脏和血管的二维图像；从五张分割的术前心脏和血管的二维图像中找出得到最大互信息的个体组合；用最大互信息的个体组合中的水平位移、垂直位移、旋转角度，对最大互信息的分割的术前心脏和血管的二维图像与术中造影像进行配准；
所述的血管辨识结果展示模块，是将术前三维参考模板的角度调整到与配准所用的分割的术前心脏和血管的二维图像的角度一致后，将先心病患者术前血管的位置输出到显示器展示。
本发明的方法，包括如下步骤：
(1)分割术前心脏造影CT图像：
(1a)术前CT图像预处理模块，从术前心脏造影CT图像中选择一幅主动脉瓣CT图像作为初始图像；
(1b)术前CT图像预处理模块标记初始图像中心脏和血管所在的位置，并将其作为图割方法中无向图的权值；
(1c)术前CT图像分割模块利用图割方法，对初始图像进行分割，得到分割后的参考模板；
(1d)术前CT图像分割模块用参考模板中心脏和血管所在的位置作为图割方法的新的权值，采用图割方法，对当前参考模板分割图像时的前一幅图像进行分割，得到并保存更新后的参考模板；
(1e)术前CT图像分割模块判断当前参考模板更新时所选取的图像是否为所有术前心脏造影CT图像的最前一幅图像，若是，则执行步骤(1f)，否则，执行步骤(1d)；
(1f)术前CT图像分割模块用参考模板中心脏和血管所在的位置作为图割方法的新的权值，采用图割方法，对当前参考模板分割图像时的后一幅图像进行分割，得到并保存更新后的参考模板；
(1g)判断当前参考模板更新时所选取的图像是否为所有术前心脏造影CT图像的最后一幅图像，若是，则执行步骤(2)，否则，执行步骤(1f)；
(2)重建术前三维参考模板：
(2a)术前CT图像三维重建模块将所有参考模板加载到具有三维可视化功能的软件中；
(2b)术前CT图像三维重建模块利用软件的体绘制选项，对参考模板中的心脏和血管，进行三维可视化重建；
(3)构建术前心脏和血管标准坐标系：
(3a)术前CT图像二维平面化模块将先心病患者手术时拟平躺于水平手术台且面向医生时的心脏位置作为基准，以先心病患者心脏的主动脉窦的中心为坐标原点；
(3b)术前CT图像二维平面化模块，以过坐标原点且垂直于手术台平面的直线为Z轴，将先心病患者面部所在的方向确定为Z轴正方向；
(3c)术前CT图像二维平面化模块，以过原点且垂直于脊柱中心线所在平面的直线为X轴，将指向先心病患者左臂的方向确定为X轴正方向；
(3d)术前CT图像二维平面化模块，以过原点且垂直于X轴和Z轴所在平面的直线为Y轴，将指向先心病患者头部的方向确定为Y轴正方向，完成术前心脏和血管标准坐标系的构建；
(4)将分割的术前心脏和血管平面化：
(4a)保持建立标准坐标系时分割的术前心脏和血管的位置不变，术前CT图像二维平面化模块，从Z轴正半轴看向负半轴的方向上，得到一张分割的术前心脏和血管的二维图像；
(4b)以Y轴为旋转轴，术前CT图像二维平面化模块将分割的术前心脏和血管分别向X轴的正方向和反方向偏移五度，从Z轴正半轴看向负半轴的方向上，分别得到两张分割的术前心脏和血管的二维图像；
(4c)以X轴为旋转轴，术前CT图像二维平面化模块将分割的术前心脏和血管分别向Y轴的正方向和反方向偏移五度，从Z轴正半轴看向负半轴的方向上，分别得到两张分割的术前心脏和血管的二维图像；
(5)获取先心病患者的术中造影像：
利用术中造影成像模块，获取先心病患者心脏和血管的术中造影像；
(6)获得图像的最大互信息：
(6a)术中配准初始化模块，从步骤(4a)、步骤(4b)、步骤(4c)中获得的五张分割的术前心脏和血管的二维图像中任选一张图像；
(6b)术中配准初始化模块，分别将配准所需要的水平位移种群、垂直位移种群、旋转角度种群中的每个种群初始化为5个个体，每个个体在其取值范围内取一个随机值；
(6c)术中配准初始化模块，利用个体组合的互信息计算方法，计算所选的分割的术前心脏和血管的二维图像与术中造影像配准的互信息，得到当前的极大互信息和当前的极大互信息的个体组合；
(6d)术中配准初始化模块，将水平位移种群、垂直位移种群的复制规模设定为50，旋转角度种群的复制规模设定为20，根据每种个体组合的互信息占所有个体组合的互信息总和的比例，对个体组合中的个体按比例进行复制，生成复制后的水平位移种群、垂直位移种群、旋转角度种群；
(6e)术中量子更新模块，利用量子更新方法，对复制后的水平位移种群、垂直位移种群、旋转角度种群中的个体进行量子更新，得到更新后的水平位移种群、垂直位移种群、旋转角度种群；
(6f)将每个种群中个体发生变异的概率设定为20％，术中个体变异模块对更新后的水平位移种群、垂直位移种群、旋转角度种群中变异的个体在其取值范围内取随机值，得到变异后的水平位移种群、垂直位移种群、旋转角度种群；
(6g)术中变异后处理模块，利用个体组合的互信息计算方法，对变异后的水平位移种群、垂直位移种群、旋转角度种群，计算所选的分割的术前心脏和血管的二维图像和术中造影像配准的互信息，得到当前的极大互信息和当前的极大互信息的个体组合；
(6h)判断当前的极大互信息是否小于上一次迭代时的极大互信息，若是，则获得极大互信息中的最大值，执行步骤(7)，否则，执行步骤(6d)；
(7)判断是否选完五张分割的术前心脏和血管的二维图像，若是，则执行步骤(8)，否则，执行步骤(6)；
(8)造影像配准：
(8a)图像配准模块，从五张分割的术前心脏和血管的二维图像中找出与术中造影像的最大互信息；
(8b)图像配准模块，从五张分割的术前心脏和血管的二维图像中找出得到最大互信息的分割的术前心脏和血管的二维图像；
(8c)图像配准模块，从五张分割的术前心脏和血管的二维图像中找出得到最大互信息的个体组合；
(8d)图像配准模块，用最大互信息的个体组合中的水平位移、垂直位移、旋转角度，对最大互信息的分割的术前心脏和血管的二维图像与术中造影像进行配准；
(9)辨识血管的位置：
(9a)将术前三维参考模板的角度调整到与配准所用的分割的术前心脏和血管的二维图像的角度一致，获得先心病患者术前血管的位置图像；
(9b)将先心病患者术前血管的位置图像，输出到血管辨识结果展示模块中的显示器，显示辨识血管的位置。
本发明与现有的技术相比具有以下优点：
第一，本发明将分割的术前心脏和血管的二维图像与术中造影像进行配准，克服了现有的配准技术的结果难以提供先心病患者术中的心脏和血管的信息的缺点，使得本发明的配准结果包含准确的先心病患者术中的心脏和血管的位置信息，为医生在手术中辨识先心病患者的心脏和血管提供更可靠的影像信息。
第二，本发明的装置中由于采用术中造影成像模块，用于获取先心病患者心脏和血管的术中造影像，采用该图像与分割的术前心脏和血管的二维图像进行配准，克服了现有技术配准后的结果缺乏细节信息的缺点，使得本发明配准完成后图像纹理细节更清晰。
第三，本发明的方法中的造影像配准步骤中由于采用了量子更新操作，加快了搜索最优配准方案时的速度，保证了搜索最优配准方案时的全局搜索能力，克服了现有技术配准图像用时较长且容易陷入局部最优结果的缺点，使得本发明的配准精度比较高。
附图说明
图1是本发明方法的模块图。
图2是本发明方法的流程图。
具体实施方式
下面结合附图1对本发明的方法作进一步的详细描述。
本发明的装置，包括术前CT图像预处理模块、术前CT图像分割模块、术前CT图像三维重建模块、术前CT图像二维平面化模块、术中造影成像模块、术中配准初始化模块、术中量子更新模块、术中个体变异模块、术中变异后处理模块、图像配准模块、血管辨识结果展示模块。
所述的术前CT图像预处理模块，用于从术前心脏造影CT图像中选择一幅主动脉瓣CT图像作为初始图像；标记初始图像中心脏和血管所在的位置，并将其作为图割方法中无向图的权值；
所述的术前CT图像分割模块，是利用图割方法，对术前CT图像预处理模块得到的初始图像进行分割，得到分割后的参考模板；用参考模板中心脏和血管所在的位置作为图割方法的新的权值，采用图割方法，对当前参考模板分割图像时的前一幅图像进行分割，得到并保存更新后的参考模板；判断当前参考模板更新时所选取的图像是否为所有CT图像的最前一幅图像，若是，则执行下一步，否则，继续分割图像；用参考模板中的心脏和血管位置作为图割方法的新的权值，采用图割方法，对当前参考模板分割图像时的后一幅图像进行分割，得到并保存更新后的参考模板；判断当前参考模板更新时所选取的图像是否为所有CT图像的最后一幅图像，若是，则将所有的参考模板传入三维重建模块，否则，继续分割图像；
所述的术前CT图像三维重建模块，是将所有的参考模板加载到具有三维可视化功能的软件中；利用软件的体绘制选项，对所有的参考模板中的心脏和血管，进行三维可视化重建；
所述的术前CT图像二维平面化模块，是将先心病患者手术时拟平躺于水平手术台且面向医生时的心脏位置作为基准，以先心病患者心脏的主动脉窦的中心为坐标原点；以过坐标原点且垂直于手术台平面的直线为Z轴，将先心病患者面部所在的方向确定为Z轴正方向；以过原点且垂直于脊柱中心线所在平面的直线为X轴，将指向先心病患者左臂的方向确定为X轴正方向；以过原点且垂直于X轴和Z轴所在平面的直线为Y轴，将指向先心病患者头部的方向确定为Y轴正方向，完成术前心脏和血管标准坐标系的构建；构建术前心脏和血管标准坐标系完成后，保持建立标准坐标系时分割的术前心脏和血管的位置不变，从Z轴正半轴看向负半轴的方向上，得到一张分割的术前心脏和血管的二维图像；以Y轴为旋转轴，将分割的术前心脏和血管分别向X轴的正方向和反方向偏移五度，从Z轴正半轴看向负半轴的方向上，分别得到两张分割的术前心脏和血管的二维图像；以X轴为旋转轴，将分割的术前心脏和血管分别向Y轴的正方向和反方向偏移五度，从Z轴正半轴看向负半轴的方向上，分别得到两张分割的术前心脏和血管的二维图像；
所述的术中造影成像模块，用于获取先心病患者心脏和血管的术中造影像；
所述的术中配准初始化模块，是将从术前CT图像二维平面化模块中获得的五张分割的术前心脏和血管的二维图像中任选一张图像；分别将配准所需要的水平位移种群、垂直位移种群、旋转角度种群中的每个种群初始化为5个个体，每个个体在其取值范围内取一个随机值；利用个体组合的互信息计算方法，计算所选的分割的术前心脏和血管的二维图像与术中造影像配准的互信息，得到当前的极大互信息和当前的极大互信息的个体组合；将水平位移种群、垂直位移种群的复制规模设定为50，旋转角度种群的复制规模设定为20，根据每种个体组合的互信息占所有个体组合的互信息总和的比例，对个体组合中的个体按比例进行复制，生成复制后的水平位移种群、垂直位移种群、旋转角度种群；
所述的术中量子更新模块，是利用量子更新方法，对术中配准初始化模块复制后的水平位移种群、垂直位移种群、旋转角度种群中的个体进行量子更新，得到更新后的水平位移种群、垂直位移种群、旋转角度种群；
所述的术中个体变异模块，是将每个种群中个体发生变异的概率设定为20％，对术中量子更新模块更新后的水平位移种群、垂直位移种群、旋转角度种群中变异的个体在其取值范围内取随机值，得到变异后的水平位移种群、垂直位移种群、旋转角度种群；
所述的术中变异后处理模块，是对术中个体变异模块获得的变异后的水平位移种群、垂直位移种群、旋转角度种群，利用个体组合的互信息计算方法，计算所选的分割的术前心脏和血管的二维图像和术中造影像配准的互信息，得到当前的极大互信息和当前的极大互信息的个体组合；判断当前的极大互信息是否小于配准初始化模块的极大互信息，若是，则获得极大互信息中的最大值，并执行下一步，否则，执行水平位移种群、垂直位移种群、旋转角度种群的复制步骤；判断是否选完五张分割的术前心脏和血管的二维图像，若是，则执行造影像配准步骤，否则，执行得到图像的最大互信息的步骤；
所述的图像配准模块，是从五张分割的术前心脏和血管的二维图像中找出与术中造影像的最大互信息；从五张分割的术前心脏和血管的二维图像中找出得到最大互信息的分割的术前心脏和血管的二维图像；从五张分割的术前心脏和血管的二维图像中找出得到最大互信息的个体组合；用最大互信息的个体组合中的水平位移、垂直位移、旋转角度，对最大互信息的分割的术前心脏和血管的二维图像与术中造影像进行配准；
所述的血管辨识结果展示模块，是将术前三维参考模板的角度调整到与配准所用的分割的术前心脏和血管的二维图像的角度一致后，将先心病患者术前血管的位置输出到显示器展示。
下面结合附图2对本发明的方法作进一步的详细描述。
步骤1，分割术前心脏造影CT图像。
(1a)术前CT图像预处理模块，从术前心脏造影CT图像中选择一幅主动脉瓣CT图像作为初始图像。
(1b)术前CT图像预处理模块标记初始图像中心脏和血管所在的位置，并将其作为图割方法中无向图的权值。
(1c)术前CT图像分割模块利用图割方法，对初始图像进行分割，得到分割后的参考模板。
所述图割方法的具体步骤如下：
第1步，将标记心脏和血管所在的位置后的初始图像，映射为带权值的无向图。
第2步，利用福特‐福克森Ford‐Fulkerson方法，从带权值的无向图中得到最大流。
第3步，根据最大流最小割定理，将带权值的无向图的最大流作为最小割。
第4步，将最小割分开的带权值的无向图映射回参考图像，得到分割完成的参考模板。
(1d)术前CT图像分割模块用参考模板中心脏和血管所在的位置作为图割方法的新的权值，采用图割方法，对当前参考模板分割图像时的前一幅图像进行分割，得到并保存更新后的参考模板。
(1e)术前CT图像分割模块判断当前参考模板更新时所选取的图像是否为所有术前心脏造影CT图像的最前一幅图像，若是，则执行步骤(1f)，否则，执行步骤(1d)。
(1f)术前CT图像分割模块用参考模板中心脏和血管所在的位置作为图割方法的新的权值，采用图割方法，对当前参考模板分割图像时的后一幅图像进行分割，得到并保存更新后的参考模板。
(1g)判断当前参考模板更新时所选取的图像是否为所有术前心脏造影CT图像的最后一幅图像，若是，则执行步骤2，否则，执行步骤(1f)。
步骤2，重建术前三维参考模板。
术前CT图像三维重建模块将所有参考模板加载到具有三维可视化功能的软件中。
术前CT图像三维重建模块利用软件的体绘制选项，对参考模板中的心脏和血管，进行三维可视化重建。
步骤3，构建术前心脏和血管标准坐标系。
术前CT图像二维平面化模块将先心病患者手术时拟平躺于水平手术台且面向医生时的心脏位置作为基准，以先心病患者心脏的主动脉窦的中心为坐标原点。
术前CT图像二维平面化模块，以过坐标原点且垂直于手术台平面的直线为Z轴，将先心病患者面部所在的方向确定为Z轴正方向。
术前CT图像二维平面化模块，以过原点且垂直于脊柱中心线所在平面的直线为X轴，将指向先心病患者左臂的方向确定为X轴正方向。
术前CT图像二维平面化模块，以过原点且垂直于X轴和Z轴所在平面的直线为Y轴，将指向先心病患者头部的方向确定为Y轴正方向，完成术前心脏和血管标准坐标系的构建。
步骤4，将分割的术前心脏和血管平面化。
保持建立标准坐标系时分割的术前心脏和血管的位置不变，术前CT图像二维平面化模块，从Z轴正半轴看向负半轴的方向上，得到一张分割的术前心脏和血管的二维图像。
以Y轴为旋转轴，术前CT图像二维平面化模块将分割的术前心脏和血管分别向X轴的正方向和反方向偏移五度，从Z轴正半轴看向负半轴的方向上，分别得到两张分割的术前心脏和血管的二维图像。
以X轴为旋转轴，术前CT图像二维平面化模块将分割的术前心脏和血管分别向Y轴的正方向和反方向偏移五度，从Z轴正半轴看向负半轴的方向上，分别得到两张分割的术前心脏和血管的二维图像。
步骤5，获取先心病患者的术中造影像。
利用术中造影成像模块，获取先心病患者心脏和血管的术中造影像。
步骤6，获得图像的最大互信息。
(6a)术中配准初始化模块，从步骤4中获得的五张分割的术前心脏和血管的二维图像中任选一张图像。
(6b)术中配准初始化模块，分别将配准所需要的水平位移种群、垂直位移种群、旋转角度种群中的每个种群初始化为5个个体，每个个体在其取值范围内取一个随机值。
所述的水平位移种群和垂直位移种群的随机值的取值范围均为[‐10,10]，旋转角度种群的随机值的取值范围为[‐5,5]。
(6c)术中配准初始化模块，利用个体组合的互信息计算方法，计算所选的分割的术前心脏和血管的二维图像与术中造影像配准的互信息，得到当前的极大互信息和当前的极大互信息的个体组合。
所述个体组合的互信息计算方法的具体步骤如下：
第1步，分别从水平位移种群、垂直位移种群、旋转角度种群中任意取出一个个体，组成个体组合。
第2步，按照下式，计算分割的术前心脏和血管的二维图像的熵：
H ( M ) = - Σ m f ( m ) lg f ( m )
其中，H(M)表示分割的术前心脏和血管的二维图像的熵，∑表示求和操作，m表示分割的术前心脏和血管的二维图像中的像素灰度值，其取值范围为[0,255]，f(·)表示像素灰度值的均匀分布概率密度函数，lg表示以10为底的对数操作。
第3步，按照下式，计算术中造影像的熵：
H ( N ) = - Σ n f ( n ) lg f ( n )
其中，H(N)表示术中造影像的熵，∑表示求和操作，n表示术中造影像中的像素灰度值，其取值范围为[0,255]，f(·)表示像素灰度值的均匀分布概率密度函数，lg表示以10为底的对数操作。
第4步，按照下式，计算分割的术前心脏和血管的二维图像和术中造影像的联合熵：
K = - Σ a Σ b f ( a , b ) lg f ( a , b )
其中，K表示分割的术前心脏和血管的二维图像和术中造影像的联合熵，∑表示求和操作，a和b分别表示像素灰度值，其范围均是[0,255]，f(·)表示像素灰度值的均匀分布概率密度函数，lg表示以10为底的对数操作。
第5步，按照下式，计算分割的术前心脏和血管的二维图像和术中造影像的互信息：
M I = H ( M ) + H ( N ) K
其中，MI表示分割的术前心脏和血管的二维图像和术中造影像的互信息，H(M)表示分割的术前心脏和血管的二维图像的熵，H(N)表示术中造影像的熵，K表示分割的术前心脏和血管的二维图像和术中造影像的联合熵。
第6步，判断是否获得所有个体组合的互信息，若是，则执行第7步，否则，执行第1步。
第7步，对所有个体组合的互信息进行排序，找出当前的极大互信息和得到当前的极大互信息的个体组合。
(6d)术中配准初始化模块，将水平位移种群、垂直位移种群的复制规模设定为50，旋转角度种群的复制规模设定为20，根据每种个体组合的互信息占所有个体组合的互信息总和的比例，对个体组合中的个体按比例进行复制，生成复制后的水平位移种群、垂直位移种群、旋转角度种群。
(6e)术中量子更新模块，利用量子更新方法，对复制后的水平位移种群、垂直位移种群、旋转角度种群中的个体进行量子更新，得到更新后的水平位移种群、垂直位移种群、旋转角度种群。
所述量子更新方法的具体步骤如下：
第1步，按照下式，构造量子旋转矩阵：
G = c o s ( l × p ) s i n ( l × p ) 0 0
其中，G表示量子旋转矩阵，cos(·)表示求余弦操作，sin(·)表示求正弦操作，l表示步长，取值为0.9，r表示[0,1]中产生的随机数，p表示根据随机数r得到的方向数，如果随机数r小于等于1/3，则取方向数p为‐1，如果随机数r大于1/3且小于等于2/3，则取方向数p为0，如果随机数r大于2/3，则取方向数p为1。
第2步，按照下式，构造个体矩阵：
A = x a 1 a 2 a 3
其中，A表示个体矩阵，x表示水平位移种群、垂直位移种群、旋转角度种群中的任意一个个体，a1,a2,a3表示取值不同的三个量子位，其数值按照下式产生：
a i = r a n d r a n d l e n
其中，ai表示取值不同的三个量子位中的第i个，i＝1,2,3,rand表示水平位移种群、垂直位移种群、旋转角度种群中的任意一个个体的取值范围内的一个随机值，randlen表示水平位移种群、垂直位移种群、旋转角度种群中的任意一个个体的取值范围的区间长度。
第3步，将量子旋转矩阵G乘以个体矩阵A，得到结果矩阵。
第4步，将结果矩阵中的第一行第一列的元素，作为量子更新操作后的个体。
(6f)将每个种群中个体发生变异的概率设定为20％，术中个体变异模块对更新后的水平位移种群、垂直位移种群、旋转角度种群中变异的个体在其取值范围内取随机值，得到变异后的水平位移种群、垂直位移种群、旋转角度种群。
所述的水平位移种群、垂直位移种群个体的变异取值范围为[‐10,10]，旋转角度种群个体的变异取值范围为[‐5,5]。
(6g)术中变异后处理模块，利用个体组合的互信息计算方法，对变异后的水平位移种群、垂直位移种群、旋转角度种群，计算所选的分割的术前心脏和血管的二维图像和术中造影像配准的互信息，得到当前的极大互信息和当前的极大互信息的个体组合。
所述个体组合的互信息计算方法的具体步骤如下：
第1步，分别从水平位移种群、垂直位移种群、旋转角度种群中任意取出一个个体，组成个体组合。
第2步，按照下式，计算分割的术前心脏和血管的二维图像的熵：
H ( M ) = - Σ m f ( m ) lg f ( m )
其中，H(M)表示分割的术前心脏和血管的二维图像的熵，∑表示求和操作，m表示分割的术前心脏和血管的二维图像中的像素灰度值，其取值范围为[0,255]，f(·)表示像素灰度值的均匀分布概率密度函数，lg表示以10为底的对数操作。
第3步，按照下式，计算术中造影像的熵：
H ( N ) = - Σ n f ( n ) lg f ( n )
其中，H(N)表示术中造影像的熵，∑表示求和操作，n表示术中造影像中的像素灰度值，其取值范围为[0,255]，f(·)表示像素灰度值的均匀分布概率密度函数，lg表示以10为底的对数操作。
第4步，按照下式，计算分割的术前心脏和血管的二维图像和术中造影像的联合熵：
K = - Σ a Σ b f ( a , b ) lg f ( a , b )
其中，K表示分割的术前心脏和血管的二维图像和术中造影像的联合熵，∑表示求和操作，a和b分别表示像素灰度值，其范围均是[0,255]，f(·)表示像素灰度值的均匀分布概率密度函数，lg表示以10为底的对数操作。
第5步，按照下式，计算分割的术前心脏和血管的二维图像和术中造影像的互信息：
M I = H ( M ) + H ( N ) K
其中，MI表示分割的术前心脏和血管的二维图像和术中造影像的互信息，H(M)表示分割的术前心脏和血管的二维图像的熵，H(N)表示术中造影像的熵，K表示分割的术前心脏和血管的二维图像和术中造影像的联合熵。
第6步，判断是否获得所有个体组合的互信息，若是，则执行第7步，否则，执行第1步。
第7步，对所有个体组合的互信息进行排序，找出当前的极大互信息和得到当前的极大互信息的个体组合。
(6h)判断当前的极大互信息是否小于上一次迭代时的极大互信息，若是，则获得极大互信息中的最大值，执行步骤7，否则，执行步骤(6d)。
步骤7，判断是否选完五张分割的术前心脏和血管的二维图像，若是，则执行步骤8，否则，执行步骤6。
步骤8，造影像配准。
图像配准模块，从五张分割的术前心脏和血管的二维图像中找出与术中造影像的最大互信息。
图像配准模块，从五张分割的术前心脏和血管的二维图像中找出得到最大互信息的分割的术前心脏和血管的二维图像。
图像配准模块，从五张分割的术前心脏和血管的二维图像中找出得到最大互信息的个体组合。
图像配准模块，用最大互信息的个体组合中的水平位移、垂直位移、旋转角度，对最大互信息的分割的术前心脏和血管的二维图像与术中造影像进行配准。
步骤9，辨识血管的位置。
将术前三维参考模板的角度调整到与配准所用的分割的术前心脏和血管的二维图像的角度一致，获得先心病患者术前血管的位置图像。
将先心病患者术前血管的位置图像，输出到血管辨识结果展示模块中的显示器，显示辨识血管的位置。
医生在手术中可以根据本发明所展示出的先心病患者的术中心脏和血管的位置，结合临床实际情况，辨识出所要操作的血管，同时也可避免对其他血管的误操作。

Claims (7)

1.一种血管造影中介下先心病术中血管辨识的装置，包括术前CT图像预处理模块、术前CT图像分割模块、术前CT图像三维重建模块、术前CT图像二维平面化模块、术中造影成像模块、术中配准初始化模块、术中量子更新模块、术中个体变异模块、术中变异后处理模块、图像配准模块、血管辨识结果展示模块，其中：
所述的术前CT图像预处理模块，用于从术前心脏造影CT图像中选择一幅主动脉瓣CT图像作为初始图像；标记初始图像中心脏和血管所在的位置，并将其作为图割方法中无向图的权值；
所述的术前CT图像分割模块，是利用图割方法，对术前CT图像预处理模块得到的初始图像进行分割，得到分割后的参考模板；用参考模板中心脏和血管所在的位置作为图割方法的新的权值，采用图割方法，对当前参考模板分割图像时的前一幅图像进行分割，得到并保存更新后的参考模板；判断当前参考模板更新时所选取的图像是否为所有CT图像的最前一幅图像，若是，则执行下一步，否则，继续分割图像；用参考模板中的心脏和血管位置作为图割方法的新的权值，采用图割方法，对当前参考模板分割图像时的后一幅图像进行分割，得到并保存更新后的参考模板；判断当前参考模板更新时所选取的图像是否为所有CT图像的最后一幅图像，若是，则将所有的参考模板传入三维重建模块，否则，继续分割图像；
所述的术前CT图像三维重建模块，是将所有的参考模板加载到具有三维可视化功能的软件中；利用软件的体绘制选项，对所有的参考模板中的心脏和血管，进行三维可视化重建；
所述的术前CT图像二维平面化模块，是将先心病患者手术时拟平躺于水平手术台且面向医生时的心脏位置作为基准，以先心病患者心脏的主动脉窦的中心为坐标原点；以过坐标原点且垂直于手术台平面的直线为Z轴，将先心病患者面部所在的方向确定为Z轴正方向；以过原点且垂直于脊柱中心线所在平面的直线为X轴，将指向先心病患者左臂的方向确定为X轴正方向；以过原点且垂直于X轴和Z轴所在平面的直线为Y轴，将指向先心病患者头部的方向确定为Y轴正方向，完成术前心脏和血管标准坐标系的构建；构建术前心脏和血管标准坐标系完成后，保持建立标准坐标系时分割的术前心脏和血管的位置不变，从Z轴正半轴看向负半轴的方向上，得到一张分割的术前心脏和血管的二维图像；以Y轴为旋转轴，将分割的术前心脏和血管分别向X轴的正方向和反方向偏移五度，从Z轴正半轴看向负半轴的方向上，分别得到两张分割的术前心脏和血管的二维图像；以X轴为旋转轴，将分割的术前心脏和血管分别向Y轴的正方向和反方向偏移五度，从Z轴正半轴看向负半轴的方向上，分别得到两张分割的术前心脏和血管的二维图像；
所述的术中造影成像模块，用于获取先心病患者心脏和血管的术中造影像；
所述的术中配准初始化模块，是将从术前CT图像二维平面化模块中获得的五张分割的术前心脏和血管的二维图像中任选一张图像；分别将配准所需要的水平位移种群、垂直位移种群、旋转角度种群中的每个种群初始化为5个个体，每个个体在其取值范围内取一个随机值；利用个体组合的互信息计算方法，计算所选的分割的术前心脏和血管的二维图像与术中造影像配准的互信息，得到当前的极大互信息和当前的极大互信息的个体组合；将水平位移种群、垂直位移种群的复制规模设定为50，旋转角度种群的复制规模设定为20，根据每种个体组合的互信息占所有个体组合的互信息总和的比例，对个体组合中的个体按比例进行复制，生成复制后的水平位移种群、垂直位移种群、旋转角度种群；
所述的术中量子更新模块，是利用量子更新方法，对术中配准初始化模块复制后的水平位移种群、垂直位移种群、旋转角度种群中的个体进行量子更新，得到更新后的水平位移种群、垂直位移种群、旋转角度种群；
所述的术中个体变异模块，是将每个种群中个体发生变异的概率设定为20％，对术中量子更新模块更新后的水平位移种群、垂直位移种群、旋转角度种群中变异的个体在其取值范围内取随机值，得到变异后的水平位移种群、垂直位移种群、旋转角度种群；
所述的术中变异后处理模块，是对术中个体变异模块获得的变异后的水平位移种群、垂直位移种群、旋转角度种群，利用个体组合的互信息计算方法，计算所选的分割的术前心脏和血管的二维图像和术中造影像配准的互信息，得到当前的极大互信息和当前的极大互信息的个体组合；判断当前的极大互信息是否小于配准初始化模块的极大互信息，若是，则获得极大互信息中的最大值，并执行下一步，否则，执行水平位移种群、垂直位移种群、旋转角度种群的复制步骤；判断是否选完五张分割的术前心脏和血管的二维图像，若是，则执行造影像配准步骤，否则，执行得到图像的最大互信息的步骤；
所述的图像配准模块，是从五张分割的术前心脏和血管的二维图像中找出与术中造影像的最大互信息；从五张分割的术前心脏和血管的二维图像中找出得到最大互信息的分割的术前心脏和血管的二维图像；从五张分割的术前心脏和血管的二维图像中找出得到最大互信息的个体组合；用最大互信息的个体组合中的水平位移、垂直位移、旋转角度，对最大互信息的分割的术前心脏和血管的二维图像与术中造影像进行配准；
所述的血管辨识结果展示模块，是将术前三维参考模板的角度调整到与配准所用的分割的术前心脏和血管的二维图像的角度一致后，将先心病患者术前血管的位置输出到显示器展示。
2.一种血管造影中介下先心病术中血管辨识的方法，包括如下步骤：
(1)分割术前心脏造影CT图像：
(1a)术前CT图像预处理模块，从术前心脏造影CT图像中选择一幅主动脉瓣CT图像作为初始图像；
(1b)术前CT图像预处理模块标记初始图像中心脏和血管所在的位置，并将其作为图割方法中无向图的权值；
(1c)术前CT图像分割模块利用图割方法，对初始图像进行分割，得到分割后的参考模板；
(1d)术前CT图像分割模块用参考模板中心脏和血管所在的位置作为图割方法的新的权值，采用图割方法，对当前参考模板分割图像时的前一幅图像进行分割，得到并保存更新后的参考模板；
(1e)术前CT图像分割模块判断当前参考模板更新时所选取的图像是否为所有术前心脏造影CT图像的最前一幅图像，若是，则执行步骤(1f)，否则，执行步骤(1d)；
(1f)术前CT图像分割模块用参考模板中心脏和血管所在的位置作为图割方法的新的权值，采用图割方法，对当前参考模板分割图像时的后一幅图像进行分割，得到并保存更新后的参考模板；
(1g)判断当前参考模板更新时所选取的图像是否为所有术前心脏造影CT图像的最后一幅图像，若是，则执行步骤(2)，否则，执行步骤(1f)；
(2)重建术前三维参考模板：
(2a)术前CT图像三维重建模块将所有参考模板加载到具有三维可视化功能的软件中；
(2b)术前CT图像三维重建模块利用软件的体绘制选项，对参考模板中的心脏和血管，进行三维可视化重建；
(3)构建术前心脏和血管标准坐标系：
(3a)术前CT图像二维平面化模块将先心病患者手术时拟平躺于水平手术台且面向医生时的心脏位置作为基准，以先心病患者心脏的主动脉窦的中心为坐标原点；
(3b)术前CT图像二维平面化模块，以过坐标原点且垂直于手术台平面的直线为Z轴，将先心病患者面部所在的方向确定为Z轴正方向；
(3c)术前CT图像二维平面化模块，以过原点且垂直于脊柱中心线所在平面的直线为X轴，将指向先心病患者左臂的方向确定为X轴正方向；
(3d)术前CT图像二维平面化模块，以过原点且垂直于X轴和Z轴所在平面的直线为Y轴，将指向先心病患者头部的方向确定为Y轴正方向，完成术前心脏和血管标准坐标系的构建；
(4)将分割的术前心脏和血管平面化：
(4a)保持建立标准坐标系时分割的术前心脏和血管的位置不变，术前CT图像二维平面化模块，从Z轴正半轴看向负半轴的方向上，得到一张分割的术前心脏和血管的二维图像；
(4b)以Y轴为旋转轴，术前CT图像二维平面化模块将分割的术前心脏和血管分别向X轴的正方向和反方向偏移五度，从Z轴正半轴看向负半轴的方向上，分别得到两张分割的术前心脏和血管的二维图像；
(4c)以X轴为旋转轴，术前CT图像二维平面化模块将分割的术前心脏和血管分别向Y轴的正方向和反方向偏移五度，从Z轴正半轴看向负半轴的方向上，分别得到两张分割的术前心脏和血管的二维图像；
(5)获取先心病患者的术中造影像：
利用术中造影成像模块，获取先心病患者心脏和血管的术中造影像；
(6)获得图像的最大互信息：
(6a)术中配准初始化模块，从步骤(4a)、步骤(4b)、步骤(4c)中获得的五张分割的术前心脏和血管的二维图像中任选一张图像；
(6b)术中配准初始化模块，分别将配准所需要的水平位移种群、垂直位移种群、旋转角度种群中的每个种群初始化为5个个体，每个个体在其取值范围内取一个随机值；
(6c)术中配准初始化模块，利用个体组合的互信息计算方法，计算所选的分割的术前心脏和血管的二维图像与术中造影像配准的互信息，得到当前的极大互信息和当前的极大互信息的个体组合；
(6d)术中配准初始化模块，将水平位移种群、垂直位移种群的复制规模设定为50，旋转角度种群的复制规模设定为20，根据每种个体组合的互信息占所有个体组合的互信息总和的比例，对个体组合中的个体按比例进行复制，生成复制后的水平位移种群、垂直位移种群、旋转角度种群；
(6e)术中量子更新模块，利用量子更新方法，对复制后的水平位移种群、垂直位移种群、旋转角度种群中的个体进行量子更新，得到更新后的水平位移种群、垂直位移种群、旋转角度种群；
(6f)将每个种群中个体发生变异的概率设定为20％，术中个体变异模块对更新后的水平位移种群、垂直位移种群、旋转角度种群中变异的个体在其取值范围内取随机值，得到变异后的水平位移种群、垂直位移种群、旋转角度种群；
(6g)术中变异后处理模块，利用个体组合的互信息计算方法，对变异后的水平位移种群、垂直位移种群、旋转角度种群，计算所选的分割的术前心脏和血管的二维图像和术中造影像配准的互信息，得到当前的极大互信息和当前的极大互信息的个体组合；
(6h)判断当前的极大互信息是否小于上一次迭代时的极大互信息，若是，则获得极大互信息中的最大值，执行步骤(7)，否则，执行步骤(6d)；
(7)判断是否选完五张分割的术前心脏和血管的二维图像，若是，则执行步骤(8)，否则，执行步骤(6)；
(8)造影像配准：
(8a)图像配准模块，从五张分割的术前心脏和血管的二维图像中找出与术中造影像的最大互信息；
(8b)图像配准模块，从五张分割的术前心脏和血管的二维图像中找出得到最大互信息的分割的术前心脏和血管的二维图像；
(8c)图像配准模块，从五张分割的术前心脏和血管的二维图像中找出得到最大互信息的个体组合；
(8d)图像配准模块，用最大互信息的个体组合中的水平位移、垂直位移、旋转角度，对最大互信息的分割的术前心脏和血管的二维图像与术中造影像进行配准；
(9)辨识血管的位置：
(9a)将术前三维参考模板的角度调整到与配准所用的分割的术前心脏和血管的二维图像的角度一致，获得先心病患者术前血管的位置图像；
(9b)将先心病患者术前血管的位置图像，输出到血管辨识结果展示模块中的显示器，显示辨识血管的位置。
3.根据权利要求2所述的血管造影中介下先心病术中血管辨识的方法，其特征在于，步骤(1c)中所述图割方法的具体步骤如下：
第1步，将标记心脏和血管所在的位置后的初始图像，映射为带权值的无向图；
第2步，利用福特-福克森Ford-Fulkerson方法，从带权值的无向图中得到最大流；
第3步，根据最大流最小割定理，将带权值的无向图的最大流作为最小割；
第4步，将最小割分开的带权值的无向图映射回参考图像，得到分割完成的参考模板。
4.根据权利要求2所述的血管造影中介下先心病术中血管辨识的方法，其特征在于：步骤(6b)中所述的水平位移种群和垂直位移种群的随机值的取值范围均为[-10,10]，旋转角度种群的随机值的取值范围为[-5,5]。
5.根据权利要求2所述的血管造影中介下先心病术中血管辨识的方法，其特征在于：步骤(6c)、步骤(6g)中所述个体组合的互信息计算方法的具体步骤如下：
第1步，分别从水平位移种群、垂直位移种群、旋转角度种群中任意取出一个个体，组成个体组合；
第2步，按照下式，计算分割的术前心脏和血管的二维图像的熵：
H ( M ) = - Σ m f ( m ) lg f ( m )
其中，H(M)表示分割的术前心脏和血管的二维图像的熵，∑表示求和操作，m表示分割的术前心脏和血管的二维图像中的像素灰度值，其取值范围为[0,255]，f(·)表示像素灰度值的均匀分布概率密度函数，lg表示以10为底的对数操作；
第3步，按照下式，计算术中造影像的熵：
H ( N ) = - Σ n f ( n ) lg f ( n )
其中，H(N)表示术中造影像的熵，∑表示求和操作，n表示术中造影像中的像素灰度值，其取值范围为[0,255]，f(·)表示像素灰度值的均匀分布概率密度函数，lg表示以10为底的对数操作；
第4步，按照下式，计算分割的术前心脏和血管的二维图像和术中造影像的联合熵：
K = - Σ a Σ b f ( a , b ) lg f ( a , b )
其中，K表示分割的术前心脏和血管的二维图像和术中造影像的联合熵，∑表示求和操作，a和b分别表示像素灰度值，其范围均是[0,255]，f(·)表示像素灰度值的均匀分布概率密度函数，lg表示以10为底的对数操作；
第5步，按照下式，计算分割的术前心脏和血管的二维图像和术中造影像的互信息：
M I = H ( M ) + H ( N ) K
其中，MI表示分割的术前心脏和血管的二维图像和术中造影像的互信息，H(M)表示分割的术前心脏和血管的二维图像的熵，H(N)表示术中造影像的熵，K表示分割的术前心脏和血管的二维图像和术中造影像的联合熵；
第6步，判断是否获得所有个体组合的互信息，若是，则执行第7步，否则，执行第1步；
第7步，对所有个体组合的互信息进行排序，找出当前的极大互信息和得到当前的极大互信息的个体组合。
6.根据权利要求2所述的血管造影中介下先心病术中血管辨识的方法，其特征在于：步骤(6e)中所述量子更新方法的具体步骤如下：
第1步，按照下式，构造量子旋转矩阵：
G = c o s ( l × p ) s i n ( l × p ) 0 0
其中，G表示量子旋转矩阵，cos(·)表示求余弦操作，sin(·)表示求正弦操作，l表示步长，取值为0.9，r表示[0,1]中产生的随机数，p表示根据随机数r得到的方向数，如果随机数r小于等于1/3，则取方向数p为-1，如果随机数r大于1/3且小于等于2/3，则取方向数p为0，如果随机数r大于2/3，则取方向数p为1；
第2步，按照下式，构造个体矩阵：
A = x a 1 a 2 a 3
其中，A表示个体矩阵，x表示水平位移种群、垂直位移种群、旋转角度种群中的任意一个个体，a1,a2,a3表示取值不同的三个量子位，其数值按照下式产生：
a i = r a n d r a n d l e n
其中，ai表示取值不同的三个量子位中的第i个，i＝1,2,3,rand表示水平位移种群、垂直位移种群、旋转角度种群中的任意一个个体的取值范围内的一个随机值，randlen表示水平位移种群、垂直位移种群、旋转角度种群中的任意一个个体的取值范围的区间长度；
第3步，将量子旋转矩阵G乘以个体矩阵A，得到结果矩阵；
第4步，将结果矩阵中的第一行第一列的元素，作为量子更新操作后的个体。
7.根据权利要求2所述的血管造影中介下先心病术中血管辨识的方法，其特征在于：步骤(6f)中所述的水平位移种群、垂直位移种群个体的变异取值范围为[-10,10]，旋转角度种群个体的变异取值范围为[-5,5]。
CN201610846082.0A 2016-09-23 2016-09-23 血管造影中介下先心病术中血管辨识的装置及方法 Active CN106327479B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610846082.0A CN106327479B (zh) 2016-09-23 2016-09-23 血管造影中介下先心病术中血管辨识的装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610846082.0A CN106327479B (zh) 2016-09-23 2016-09-23 血管造影中介下先心病术中血管辨识的装置及方法

Publications (2)

Publication Number Publication Date
CN106327479A true CN106327479A (zh) 2017-01-11
CN106327479B CN106327479B (zh) 2018-11-20

Family

ID=57819987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610846082.0A Active CN106327479B (zh) 2016-09-23 2016-09-23 血管造影中介下先心病术中血管辨识的装置及方法

Country Status (1)

Country Link
CN (1) CN106327479B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146872A (zh) * 2018-09-03 2019-01-04 北京邮电大学 基于深度学习和光流法的心脏冠状动脉影像分割识别方法
WO2019153289A1 (zh) * 2018-02-11 2019-08-15 佛教慈济医疗财团法人大林慈济医院 运用三维影像套合重建血管结构的方法及其三维模型
CN110570424A (zh) * 2019-10-08 2019-12-13 中国人民解放军陆军军医大学 一种基于cta动态影像的主动脉瓣半自动分割方法
CN110840561A (zh) * 2019-11-11 2020-02-28 郑健青 一种基于人工智能与图论算法的手术导航辅助系统
CN112022346A (zh) * 2020-08-31 2020-12-04 同济大学 一种全自动静脉穿刺识别一体机器人的控制方法
CN113888690A (zh) * 2021-10-19 2022-01-04 柏意慧心(杭州)网络科技有限公司 用于确定血管中的目标区段的方法、设备和介质
CN114469153A (zh) * 2022-01-19 2022-05-13 中国医学科学院阜外医院 一种基于ct影像的血管造影装置、设备及计算机可读介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050080328A1 (en) * 2002-06-04 2005-04-14 General Electric Company Method and apparatus for medical intervention procedure planning and location and navigation of an intervention tool
CN201683906U (zh) * 2008-12-04 2010-12-29 北京集翔多维信息技术有限公司 基于ct三维重建与血管造影的实时血管走形显像系统
WO2012065058A2 (en) * 2010-11-11 2012-05-18 The Johns Hopkins University Remote center of motion robot for medical image scanning and image-guided targeting
CN103371870A (zh) * 2013-07-16 2013-10-30 深圳先进技术研究院 一种基于多模影像的外科手术导航系统
CN103914814A (zh) * 2012-12-28 2014-07-09 北京思创贯宇科技开发有限公司 一种ct冠脉图像与xa造影图像的图像融合方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050080328A1 (en) * 2002-06-04 2005-04-14 General Electric Company Method and apparatus for medical intervention procedure planning and location and navigation of an intervention tool
CN201683906U (zh) * 2008-12-04 2010-12-29 北京集翔多维信息技术有限公司 基于ct三维重建与血管造影的实时血管走形显像系统
WO2012065058A2 (en) * 2010-11-11 2012-05-18 The Johns Hopkins University Remote center of motion robot for medical image scanning and image-guided targeting
CN103914814A (zh) * 2012-12-28 2014-07-09 北京思创贯宇科技开发有限公司 一种ct冠脉图像与xa造影图像的图像融合方法及系统
CN103371870A (zh) * 2013-07-16 2013-10-30 深圳先进技术研究院 一种基于多模影像的外科手术导航系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIFENG GAO等: ""Intraoperative registration of preoperative 4D cardiac anatomy with real-time MR images"", 《2012 IEEE 12TH INTERNATIONAL CONFERENCE ON BIOINFORMATICS & BIOENGINEERING》 *
徐磊: ""基于最大互信息的医学图像配准方法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
李在娟等: ""基于路径的血管介入手术电磁跟踪的配准算法"", 《华中科技大学学报（自然科学版）》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019153289A1 (zh) * 2018-02-11 2019-08-15 佛教慈济医疗财团法人大林慈济医院 运用三维影像套合重建血管结构的方法及其三维模型
CN109146872A (zh) * 2018-09-03 2019-01-04 北京邮电大学 基于深度学习和光流法的心脏冠状动脉影像分割识别方法
CN110570424A (zh) * 2019-10-08 2019-12-13 中国人民解放军陆军军医大学 一种基于cta动态影像的主动脉瓣半自动分割方法
CN110840561A (zh) * 2019-11-11 2020-02-28 郑健青 一种基于人工智能与图论算法的手术导航辅助系统
CN112022346A (zh) * 2020-08-31 2020-12-04 同济大学 一种全自动静脉穿刺识别一体机器人的控制方法
CN113888690A (zh) * 2021-10-19 2022-01-04 柏意慧心(杭州)网络科技有限公司 用于确定血管中的目标区段的方法、设备和介质
CN114469153A (zh) * 2022-01-19 2022-05-13 中国医学科学院阜外医院 一种基于ct影像的血管造影装置、设备及计算机可读介质

Also Published As

Publication number Publication date
CN106327479B (zh) 2018-11-20

Similar Documents

Publication Publication Date Title
CN106327479A (zh) 血管造影中介下先心病术中血管辨识的装置及方法
Claes et al. Computerized craniofacial reconstruction: conceptual framework and review
CN105760874B (zh) 面向尘肺的ct图像处理系统及其ct图像处理方法
CN107230206A (zh) 一种基于多模态数据的超体素序列肺部图像的3d肺结节分割方法
CN109166133A (zh) 基于关键点检测和深度学习的软组织器官图像分割方法
CN110033465A (zh) 一种应用于双目内窥镜医学图像的实时三维重建方法
CN112614169B (zh) 基于深度学习网络的2d/3d脊椎ct层级配准方法
CN101339670A (zh) 一种计算机辅助的三维颅面复原方法
CN116129235B (zh) 一种脑梗ct到mri常规序列的医学图像跨模态合成方法
Wu et al. Reconstructing 3D lung shape from a single 2D image during the deaeration deformation process using model-based data augmentation
Mankovich et al. Three-dimensional image display in medicine
Desvignes et al. 3D semi-landmarks based statistical face reconstruction
CN113570627A (zh) 深度学习分割网络的训练方法及医学图像分割方法
CN107945169A (zh) 一种冠状动脉影像分析方法及数据结构
CN110751651A (zh) 基于多尺度迁移学习的mri胰腺图像分割方法
CN115830016B (zh) 医学图像配准模型训练方法及设备
CN107680110A (zh) 基于统计形状模型的内耳三维水平集分割方法
CN108961278B (zh) 基于影像数据的腹壁肌肉分割的方法及其系统
Vandermeulen et al. Automated facial reconstruction
Cheema et al. Image-aligned dynamic liver reconstruction using intra-operative field of views for minimal invasive surgery
CN109920002B (zh) 基于三维随机森林模型的头影测量图像中特征点定位方法
Markel et al. A 4D biomechanical lung phantom for joint segmentation/registration evaluation
CN104915989A (zh) 基于ct影像的血管三维分割方法
CN108197539A (zh) 一种颅骨性别鉴定方法
CN111986216A (zh) 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20171218

Address after: Taibai Road Shaanxi Yanta District 710071 city of Xi'an province No. 2

Applicant after: Xidian University

Applicant after: Guangdong Prov. Cardiovascular disease Inst.

Address before: Taibai Road Shaanxi Yanta District 710071 city of Xi'an province No. 2

Applicant before: Xidian University

GR01 Patent grant
GR01 Patent grant