CN106682636B - 血管提取方法及其系统 - Google Patents

血管提取方法及其系统 Download PDF

Info

Publication number
CN106682636B
CN106682636B CN201611268227.XA CN201611268227A CN106682636B CN 106682636 B CN106682636 B CN 106682636B CN 201611268227 A CN201611268227 A CN 201611268227A CN 106682636 B CN106682636 B CN 106682636B
Authority
CN
China
Prior art keywords
image
blood vessel
threshold
distance field
value
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.)
Active
Application number
CN201611268227.XA
Other languages
English (en)
Other versions
CN106682636A (zh
Inventor
毛玉妃
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 CN201611268227.XA priority Critical patent/CN106682636B/zh
Publication of CN106682636A publication Critical patent/CN106682636A/zh
Priority to PCT/CN2017/086560 priority patent/WO2018120644A1/zh
Priority to EP17889256.8A priority patent/EP3547207A4/en
Priority to US16/236,597 priority patent/US11062449B2/en
Application granted granted Critical
Publication of CN106682636B publication Critical patent/CN106682636B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20072—Graph-based image processing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20156—Automatic seed setting
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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
    • G06T2207/30008—Bone
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/14—Vascular patterns

Landscapes

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

Abstract

本发明公开一种血管提取方法及其系统，包括：获取医学图像；基于第一条件在所述医学图像中提取骨骼组织，获取第一图像；基于第一阈值在所述医学图像进行区域生长，获取第二图像；提取所述第一图像和第二图像的减影图像；基于第二条件处理所述减影图像，确定血管种子点集合；根据边界距离场处理所述减影图像，确定血管阈值；将所述种子点集合以所述血管阈值进行区域生长，获取血管提取结果。本发明提供的方法及其系统可以有效提血管提取的精度和速度。

Description

血管提取方法及其系统
【技术领域】
本发明涉及图像处理领域，特别是涉及一种血管提取方法及其系统。
【背景技术】
血管成像技术包括CT血管造影(CTA，CT angiography)，磁共振血管造影(Magnetic Resonance Angiography，MRA)，以及MR非造影成像等。血管成像技术是当前诊断血管疾病的重要方法之一,在临床上主要用于诊治多种血管疾病，如动脉瘤、血管狭窄、血管钙化等。
由于扫描部位范围及扫描期项的不同，也会出现多种类型的血管增强数据，如图1，如何将不同部位不同期项的血管从其他组织中分割出是血管造影技术中的关键步骤。由于CTA图像中血管与骨头等其他组织的CT值重叠，当前主要的血管分割方法如区域增长、动态轮廓等很容易将骨头等组织误当成血管提取，造成过度分割，或者将细小血管等当成非血管组织去除，造成欠分割。
因此，有必要改进现有的血管提取方法。
【发明内容】
本发明所要解决的技术问题提出一种血管提取方法及其系统，其能有效改进现有的血管提取方法，提高血管提取精度。
为解决上述技术问题，本发明提供一种血管提取方法，包括：
获取医学图像；
基于第一条件在所述医学图像中提取骨骼组织，获取第一图像；
基于第一阈值在所述医学图像进行区域生长，获取第二图像；
提取所述第一图像和第二图像的减影图像；
基于第二条件处理所述减影图像，确定血管种子点集合；
根据边界距离场处理所述减影图像，确定血管阈值；
将所述种子点集合以所述血管阈值进行区域生长，获取血管提取结果。
进一步的，所述获取第一图像，包括：
基于第二阈值和拉普拉斯增强处理所述医学图像，获取所述第一图像；或者
基于第三阈值在所述医学图像中提取骨骼组织，获取所述第一图像。
进一步的，所述第二阈值取值范围为图像值大于120，所述第三阈值取值范围为图像值大于600。
进一步的，所述第一阈值为图像值大于150。
进一步的，所述基于第二条件处理所述减影图像，确定血管种子点集合，包括：
获取所述减影图像中若干个连通域；
基于所述第二条件依次判断所述若干个连通域：
如所述连通域中像素点个数大于阈值大于a；或者
如所述连通域中各点在X方向上的均值为所述减影图像横断面X方向1/3与2/3处；或者
如所述连通域在空间位置距离背景区域大于阈值b的像素点比例小于阈值c；距离剩余连通域小于阈值的d的像素点比例小于阈值e；
则确定如所述连通域为所述种子点集合；
否则去除该连通域。
进一步的，所述根据边界距离场处理所述减影图像，确定血管阈值，包括：
获取所述减影图像中若干个连通域；
计算所述若干个连通域的边界距离场值，获取距离场图像；
基于所述种子点集合在所述距离场图像中进行自适应阈值增长，获取所述血管阈值。
进一步的，所述方法还包括：对所述第一图像作填实操作。
进一步的，所述方法还包括：对所述减影图像进行腐蚀操作。
为解决上述技术问题，本发明还提供一种血管提取系统，包括：
第一提取单元，用于基于第一条件在所述医学图像中提取骨骼组织，获取第一图像；
第二提取单元，用于基于第一阈值在所述医学图像进行区域生长，获取第二图像；
减影单元，用于提取所述第一图像和第二图像的减影图像；
种子点确定单元，用于基于第二条件处理所述减影图像，确定血管种子点集合；
血管阈值确定单元，用于根据边界距离场处理所述减影图像，确定血管阈值；
血管提取单元，用于将所述种子点集合以所述血管阈值进行区域生长，获取血管提取结果。
进一步的，所述第一提取单元，包括粗分割子单元，用于获取粗分割图像；第一处理单元，用于基于梯度法和拉普拉斯增强处理所述粗分割图像，获取所述第一图像；
所述血管阈值确定单元包括，距离场单元，用于获取距离场图像；
自适应单元，用于基于所述种子点集合在所述距离场图像中进行自适应阈值增长，获取所述血管阈值。与现有技术相比，本发明的优点在于：
本发明通过阈值法和/或拉普拉斯边缘增强的区域生长条件初步提取骨骼，并与第二图像相减获取减影图像，有效去除骨骼区域以及大部分贴骨骼的细小血管；通过阈值，连通域信息和空间信息在所属减影图像中确定种子点集合，提高提取精度；基于边界距离场以及自适应阈值法确定所述血管阈值。根据所述血管阈值和种子点集合提取血管区域，实现快速，准确地提取血管。
【附图说明】
图1为本发明一实施例中血管提取系统的结构示意图；
图2为本发明一实施例中数据处理系统的示意图；
图3为本发明一实施例中血管提取模块的示意图；
图4为本发明一实施例中血管提取的方法流程图；
图5a～d为本发明血管提取方法中各步骤的结果示意图。
【具体实施方式】
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施的限制。
其次，本发明利用示意图进行详细描述，在详述本发明实施例时，为便于说明，所述示意图只是实施例，其在此不应限制本发明保护的范围。使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图和实施例对本发明的具体实施方式做详细的说明。
如图1所示的是根据本申请的一些实施例的一个血管提取系统的示意图；血管提取系统100可以包括一个成像设备110，一个控制器120，一个数据处理系统130，一个输入/输出设备140、一个存储器150、以及一个网络160。
成像系统100中的不同组件/部件可以相互通信。例如，数据处理系统130可以与网络160相互连接或通信，或者直接与成像系统100或其一部分(例如，成像设备110、控制器120等)相互连接或通信，或两种方式的结合。成像设备110、数据处理系统130、存储器150、控制器120以及成像系统100可能包括的其它设备之间的数据通讯，可以通过数据线、网络160等或上述方式的组合来实现。
成像设备110可以对目标物体进行扫描，并获得与之相关的数据(例如，扫描数据等)。成像设备110可以是一个设备，或一个设备组。在一些实施例中，成像设备110可以是一个医学信息采集设备，例如，一个正电子发射计算机断层扫描(Positron emissiontomography(PET))设备，一个电子计算机断层扫描(Computed Tomography(CT))设备，一个磁共振成像(Magnetic Resonance Imaging(MRI))设备等。所述设备可以是单独使用，也可以结合使用。成像设备110可以是一个PET-CT设备、一个PET-MRI设备或一个SPECT-MRI设备等。所述扫描数据可以是CT扫描数据、MRI扫描数据、超声扫描数据、X-射线扫描数据等的一种或多种的组合。
控制器120可以用于控制成像设备110、输入/输出设备140，和/或数据处理系统130。在一些实施例中，控制器120可以控制成像设备110中的X射线生成单元和/或X射线探测单元。控制器120可以从控制成像设备110、输入/输出设备140，和/或数据处理系统130接收信息，或向上述系统/设备发出信息。在一些实施例中，控制器120可以接收来自成像设备110的图像信号或与目标物体相关的数据。控制器120可以向数据处理系统130发送图像信号或与目标物体相关的数据。控制器120可以接收来自数据处理系统130的已经处理的数据或重建图像。控制器120可以向输入/输出设备140发送已经处理的数据或重建图像。在一些实施例中，控制器120可以包括计算机，程序，算法，软件，存储设备，接口等。
数据处理系统130可以处理来自成像设备110、控制器120、网络160和/或输入/输出设备140的信息。在一些实施例中，数据处理系统130可以基于所述信息生成一个或多个CT图像。数据处理系统130可以向输入/输出设备140发送图像。数据处理系统130可以完成与数据处理相关的各类操作，例如，数据预处理，数据转化处理，数据清洗处理，数据拟合处理，数据权重处理等一种或多种的组合。数据处理系统130可以基于不同算法程序实现数据的处理，例如，傅里叶转换原理、滤波反投影原理、迭代重建、直方图膨胀计算、图像数据函数优化、水平集函数计算等的一种或多种。在一些实施例中，数据处理系统130可以处理有关血管图像的数据。例如，数据处理系统130可以从图像中识别胸腹部的骨骼、腹部血管、下肢血管、血管中心线、或其他部位的血管。在一些实施例中，数据处理系统130可以基于多种算法程序或方法对图像进行血管或骨骼定位，例如，定位肋骨、髂骨、骶骨、胫骨、或髂动脉等。在一些实施例中，数据处理系统130可以向存储器150存储数据或从存储器150读取数据。这些数据可以是直接或间接来自于成像设备110的数据、数据处理系统130自身生成的临时数据或非临时数据、或是用于辅助数据处理系统130进行图像处理的数据等。
输入/输出设备140可以接收、发送、或显示信息。在一些实施例中，输入/输出设备140可以包括键盘、触控设备、鼠标、音频输入设备、图像输入设备、和远程控制设备等中的一个或多个。输入/输出设备140可以将信息发送至终端(例如，显示屏、投影仪、打印机、存储设备、计算设备等一种或多种的组合)进行相应操作。在一些实施例中，输入/输出设备140可以包括图形用户界面，展示成像过程阶段性的信息，或图像处理结果(例如，图像直方图，骨骼掩膜，血管掩膜，经图像转换后的血管相关图像等的一种或多种的组合)。所述图形用户界面，可以对用户输入参数给予提示，也可以让用户参与数据处理过程(例如，启动或停止处理过程、选择或修改运算参数、选择或修改算法、修改程序、退出系统、系统维护、系统升级或系统更新等)。
网络160可以是单个网络，或多个不同网络的组合。例如，网络160可能是一个局域网(local area network(LAN))、广域网(wide area network(WAN))、公共交换电话网(public switched telephone network(PSTN))、虚拟网络(VN)、或者上述网络的任何组合。网络160也可以包括多个网络接入点，并可以使用有线网络构架、无线网络构架以及有线/无线网络混合构架。有线网络可以包括利用金属电缆、混合电缆、光缆等一种或多种线缆组合的方式。无线网络可以包括蓝牙(Bluetooth)、无线网(Wi-Fi)、紫蜂(ZigBee)、近场通信(Near Field Communication(NFC))、蜂窝网络(包括GSM、CDMA、3G、4G等)等一种或多种网络模式的组合。网络160可以适用于本申请所描述的范围内，但并不局限于所述描述。
存储器150可以用于储存数据。这些数据可以是成像系统100生成或获得的数据，例如扫描数据、成像系统100的一个或多个组件运行时产生的数据、用户通过输入/输出设备140输入的数据、用户通过网络160从其它数据源(图1中未示出)获取的数据等。存储器150可以是一个具有存储功能的设备/组件或几个设备/组件的组合。在一些实施例中，存储器150可以包括一个或多个独立的具有数据存储功能的设备，例如一个计算机或一个服务器等。存储器150可以包括本地存储器或者远程存储器(例如，架构在网络160中的云存储器等)。在一些实施例中，存储器150可以包括一个独立设备中具有数据存储功能的组件，例如一个磁盘或一个磁盘阵列等。存储器150可以包括成像系统100中的任何设备(例如，成像设备110、数据处理系统130、输入/输出设备140等)中具有存储功能的组件。
在一些实施例中，网络160可以用于在成像系统100中的各个设备/组件之间传输信息。在一些实施例中，网络160可以用于成像系统100从一个远程服务器中获取信息。网络160可以是一个独立的网络或者多个不同网络的组合。例如，网络160可以包括局域网(local area network(LAN))、广域网(wide area network(WAN))、公共交换电话网(public switched telephone network(PSTN))、虚拟网络(Virtual Network(VN))等或者上述网络的组合。网络160可以包括多个网络接入点。网络160可以使用有线网络构架、无线网络构架以及有线/无线网络混合构架。有线网络可以包括利用金属电缆、混合电缆、光缆等一种或多种线缆组合的方式。无线网络的传输方式可以包括蓝牙(Bluetooth)、无线网(Wi-Fi)、紫蜂(ZigBee)、近场通信(Near Field Communication(NFC))、蜂窝网络(包括GSM、CDMA、3G、4G等)等。
根据本申请的一些实施例，图2所示为数据处理系统130的一个示意图。数据处理系统130可以包括一个或多个数据获取模块210、一个或多个存储模块220、一个或多个显示模块230和一个或多个血管提取模块240。所示模块之间彼此直接(和/或间接)连接。
数据获取模块210可以获取数据。所述获取的数据可以来自成像设备110和/或控制器120。在一些实施例中，数据可以通过网络160从外部数据源获得。所述数据可以是三维图像数据，和/或二维图像数据。所述数据可以是根据检测需求所设定的特定部位的数据，例如，目标物体的全景扫描，目标物体的胸部、肺部、下肢、支气管、骨骼、血管、神经分布等一种或多种。在一些实施例中，所述数据可以是血管造影数据。在一些实施例中，数据获取模块210可以获取血管图像原始数据，血管图像处理后的数据，或血管图像处理的参数等。
存储模块220可以存储数据或信息。所述存储的数据或信息可以来自成像设备110，和/或控制器120，和/或数据处理系统130中的其他模块/单元(数据获取模块210，显示模块230，血管提取模块240或其他相关模块(未示出)。存储的数据或信息可以是各种形式，例如，数值、信号、图像、目标物体的相关信息、命令、算法、程序等一种或多种的组合。在一些实施例中，存储的数据可以是血管图像、血管图像参数、血管图像处理后的数据、或血管图像处理所应用的程序和/或算法等。
显示模块230可以显示数据。所述显示的数据信息可以来自数据获取模块210，存储模块220，和/或血管提取模块240等。所述显示的数据可以发送至输入/输出设备140。在一些实施例中，显示模块230可以将血管提取模块240得到的图像数据发送至终端显示。在一些实施例中，显示模块230可以直接显示来自网络160或来自存储模块220中的相关数据信息。所述显示的数据可以是各种形式，包括数值、信号、图像、目标物体的相关信息、命令、算法、程序等一种或多种的组合。在一些实施例中，显示模块230可以显示包括血管信息的图像(例如，直方图、血管灰度图像、血管掩膜图像、血管粗分割图像、血管细分割图像、骨骼分割图像等)。
血管提取模块240可以进行相关数据的处理，以及根据相应数据构建图像，包括基于数据提取血管组织。所述数据可以来自数据获取模块210、存储模块220和/或其他未示出模块；也可以是通过网络160获取的外部数据资源。所述构建的相应图像，可以发送至显示模块230等。血管提取模块240处理的数据可以是关于目标物体的特殊部分的数据，例如，大脑、心脏、血管、肺、肝、脾、肾、骨骼等一种或多种的组合。
需要注意的是，以上对于数据处理系统130的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接，对实施上述方法和系统的应用领域形式和细节上的各种修正和改变。
图3所示的是根据本申请的一些实施例的血管提取模块230的一个示意图。所述血管提取模块230包括，一个第一提取单元310，一个第二提取单元320，一个减影单元330，一个种子点确定单元340，一个血管阈值确定单元350和一个血管提取单元360。
所述第一提取单元310，用于基于第一条件在所述医学图像中提取骨骼组织，获取第一图像。包括分割子单元311，用于获取粗分割图像；以及第一处理单元312，用于基于梯度法和拉普拉斯增强处理所述粗分割图像，获取所述第一图像；所述医学图像可以来源于存储模块220、数据获取模块210。
所述第二提取单元320，用于基于第一阈值在所述医学图像进行区域生长，获取第二图像。所述减影单元330，用于提取所述第一图像和第二图像的减影图像。所述种子点确定单元340，用于基于第二条件处理所述减影图像，确定血管种子点集合。
所述血管阈值确定单元350，用于根据边界距离场处理所述减影图像，确定血管阈值。所述血管阈值确定单元350包括距离场单元351，用于获取距离场图像；自适应单元352，用于基于所述种子点集合在所述距离场图像中进行自适应阈值增长，获取所述血管阈值。
所述血管提取单元360，用于将所述种子点集合以所述血管阈值进行区域生长，获取血管提取结果。
需要注意的是，以上对于血管提取模块240及其各个单元的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可以对血管提取模块240的各个单元进行任意组合、分离或细节上的改变。血管提取模块240可以去除一个或多个单元。
为解决上述技术问题，根据本申请的一些实施例提供一种血管提取方法的一种示例性流程图。所述方法可以由数据处理系统130执行。所述生成的输出图像可以显示在一个显示装置(例如，人机交互界面160、控制器120等)上，或存储于存储装置(例如，存储器150等)中。
对于包含血管组织的医学图像中，由于多种原因，例如动脉瘤、血管狭窄、血管钙化等病变点导致血管形状畸形，又例如由于扫描部位范围及扫描期项的不同，也会出现多种类型的血管增强数据，医学图像中血管与骨头等其他组织的CT值重叠，还例如紧贴骨头组织的血管(如穿骨的髂骨内动脉)，造成血管提取的难度。为解决上述技术问题，本实施例提供一种血管提取方法，所述方法如图4所示，包括：
执行步骤S401，获取医学图像，所述医学图像包括所述医学图像医学包括但不限于通过各类模态的成像系统扫描采集获得三维或二维图像，所述三维图像包含若干层的二维图像构成的体数据，也可以通过诸如存储系影像归档和通信系统(Picture Archivingand Communication Systems，PACS)等内部或外部存储系统传输获得。所述模态包括但不限于磁共振成像(MRI)、磁共振血管造影(MRA)、计算机断层扫描(CT)、CT血管造影图像(CTA，CT angiography)、正电子发射断层扫描(Positron Emission Tomography，PET)等一种或多种的组合，也可以是纵向弛豫(T1)、横向弛豫(T2)和快速翻转恢复序列(STIR)等不同序列的磁共振图像，本发明对此不作具体限制，本实施例中优选脊柱磁共振图像；所述的体数据通常为扫描计划中为获取准确扫描参数而进行的粗扫描得到十几层或几十层等若干层二维图像构成的序列图像。
执行步骤S420，基于第一条件在所述医学图像中提取骨骼组织，获取第一图像。由于血管提取中，骨骼是主要噪音，因此是否准确提取骨骼组织的血管提取的关键步骤之一。本步骤，基于第一条件提取主要骨骼区域。所述第一条件可以是基于阈值法、梯度法、和/或拉普拉斯边缘增强等方法，具体的，所述第一条件可以是基于阈值方法获取粗分割图像。所述第一条件还包括通过图像增强方法增强医学图像中各个连通域的边缘，用以断开血管和骨骼粘连部分。所述第一条件还包括根据骨骼组织内部空心构造，而血管内部是均质组织，通过梯度法处理所述医学图像。所述梯度法可以根据拉普拉色增强处理所述医学图像。所述第一条件中各种限定可以一种或多种组合，基于所述第一条件获取如图5a所示的第一图像。
示例性的，所述第一条件可以为，基于第二阈值和拉普拉斯增强处理所述粗分割图像，获取所述第一图像；所述第二阈值取值范围为图像值大于120，所述拉普拉斯增强可以通过计算所述医学图像中各个点的周围6领域差后值获取该点的拉普拉斯值，基于图像值大于120以及所述拉普拉斯值大于120处理所述医学图像，获取所述第一图像。
示例性的，基于第三阈值在所述医学图像中提取骨骼组织，获取所述第一图像，所述第三阈值取值范围为图像值大于600。
本实施例中，所述第一条件可以通过数据处理系统130或输入/输出设备140预设，所述图像值可以是图像的灰度值，对于CT或者CTA图像，所述图像值可以是指CT值。
需要说明的是，由于骨骼是中空的组织，为了便于后续处理，可以对所述第一图像中若干个连通域的空心区域进行填实操作。
执行步骤S430～S440，基于第一阈值在所述医学图像进行区域生长，获取第二图像；提取所述第一图像和第二图像的减影图像。由于前述步骤中，在提取骨骼组织的同时，可能过分割骨骼紧贴的血管部分以及由于钙化点等病变影响而与骨骼组织特征相近的血管部分。因此通过本步骤，选取较小阈值在所述所述医学图像进行区域生长，获取包含全部骨骼和大部分血管的第二图像。将所述第一图像和第二图像相减获取的减影图像，可以去除大部分紧贴弍的血管组织。本实施例中，所述第一阈值为的取值范围可以为图像值大于150。对于血管造影图像，所述第一阈值可以造影剂图像作调整。
执行步骤S450，基于第二条件处理所述减影图像，确定血管种子点集合。所述第二条件值或阈值范围、xy轴范围、yz轴范围、xy平面上的平均面积、与邻近骨接近程度、连通域信息(如连通域点数、横截面面积、横截面面积比、横截面长短径比、中间层连通域个数等)、数据可提取(例如，生长等)或不可提取信息、距离场信息、与背景接近程度、组织结构位置关系等一种或多种信息的组合。x轴对应方向可以为从人体右侧到左侧的方向，y轴对应方向可以为从人体前胸到后背的方向，以及z轴对应方向可以为从人体足部到头部的方向。所述xy轴范围、yz轴范围、xy平面分别是横断面、冠状面和矢状面。在一些实施例中，可以首先对各个连通域作腐蚀操作，以断开血管与骨骼组织的粘连部分；对于造影剂过强或者过弱，可以通过多次腐蚀实现。
示例性的，获取所述减影图像中若干个连通域基于所述第二条件依次判断所述若干个连通域：
如所述连通域中像素点个数大于阈值小于a，则保留该连通域，通过统计连通域的点数以去除一些体积较大的连通域，例如腹部血管图像中肾脏，所述a的取值范围可以通过X轴维度和Z轴分比率的导数确定。
或者判断所述连通域与背景区域的接近程度，若所述连通域在空间位置距离背景区域大于阈值b的像素点比例小于阈值c；距离剩余连通域小于阈值的d的像素点比例小于阈值e，则保留该连通域为种子点集合。所述接近程度可以通过统计连通域中靠近背景区域的像素点个数占连通域点的总数比例获取，所述阈值c为大于50％，所述阈值e取值范围为小于80％。靠近背景区域是指像素点与背景区域的距离，所述阈值b的取值范围为大于0.5cm，靠近骨头点指该连通域中改点与剩余连通域的距离，所述阈值的取值范围为小于0.25CM。由于血管远离背景区域，并且与由于血管与骨骼的接触面积较小，可以通过连通域与背景区域的接近程度确定所述种子点集合。
或者根据连通域的空间位置确定所述种子点集合。由于血管一般为与医学图像中央，可以通过各连通域在所述减影图像的横断面的位置确定所述种子点姐。示例性的，如所述连通域中各点在X方向上的均值为所述减影图像横断面X方向1/3与2/3处，即该连通域位于医学图像中央区域，则确定所述连通域为所述种子点集合。
如不满足所述第二条件，则去除该连通域，即将其图像值设置为背景色，在医学图像中显示为背景图像。
如图5b所示为一个实施例中确定种子点集合的示意图。
需要说明的是，所述第二条件可以通过数据处理系统130或输入/输出设备140预设，所述图像值可以是图像的灰度值，对于CT或者CTA图像，所述图像值可以是指CT值。
执行步骤S460中，根据边界距离场处理所述减影图像，确定血管阈值。如图5c所示，由于骨骼是中空组织，距离场值变化较小，二血管内部是均质组织的，距离场场较高，可以通过边界距离场处理所述减影图像，确定血管阈值。示例性的可以通过如下步骤确定所述血管阈值。
获取所述减影图像中若干个连通域；计算所述若干个连通域的边界距离场值，获取距离场图像；基于所述种子点集合在所述距离场图像中进行自适应阈值增长，获取所述血管阈值。例如，骨骼组织中心的距离场值为3，而血管中心的距离场值可以达20。由于血管与骨骼组织接触面积较小，尤其是一般贴骨圣战的血管一般为细小血管，因此可以根据是否发生连通域区域生长过程中是否突然增大，即点数是否突变的情况来判断血管是否生长值骨头。例如因此，可以首先对各个连通域中心点以阈值为3进行生长，如没有点数突变的情况则将增大阈值，例如继续以各个连通域中心点为起始点，以阈值为5进行区域生长，直至反射突变，则取上一个阈值作为所述血管阈值。
执行步骤S460将所述种子点集合以所述血管阈值进行区域生长，获取血管提取结果，如图5d所示。
需要注意的是，以上对于血管提取流程的描述，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该流程的原理后，可以对该流程的一个或多个操作进行细节上的改变。例如，调整操作顺序、融合操作、分拆操作、去掉一个或多个操作、增加一个或多个操作等。这些改变都不会脱离权利要求的保护范围。
本实施例提供的血管提取方法及其系统，通过阈值法和/或拉普拉斯边缘增强的区域生长条件初步提取骨骼，并与第二图像相减获取减影图像，有效去除骨骼区域以及大部分贴骨骼的细小血管；通过阈值，连通域信息和空间信息在所属减影图像中确定种子点集合，提高提取精度；基于边界距离场以及自适应阈值法确定所述血管阈值。根据所述血管阈值和种子点集合提取血管区域，实现快速，准确地提取血管。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种血管提取方法，其特征在于，包括：
获取医学图像；
基于第一条件在所述医学图像中提取骨骼组织，获取第一图像；
基于第一阈值在所述医学图像进行区域生长，获取第二图像；
提取所述第一图像和第二图像的减影图像；
基于第二条件处理所述减影图像，确定血管种子点集合；
根据边界距离场处理所述减影图像，确定血管阈值；
将所述种子点集合以所述血管阈值进行区域生长，获取血管提取结果；
所述根据边界距离场处理所述减影图像，确定血管阈值，包括：
获取所述减影图像中若干个连通域；
计算所述若干个连通域的边界距离场值，获取距离场图像；
基于所述种子点集合在所述距离场图像中进行自适应阈值增长，获取所述血管阈值。
2.根据权利要求1所述的血管提取方法，其特征在于，所述获取第一图像，包括：
基于阈值方法获取粗分割图像，基于第二阈值和拉普拉斯增强处理所述粗分割图像，获取所述第一图像；
或者
基于第三阈值在所述医学图像中提取骨骼组织，获取所述第一图像。
3.根据权利要求2所述的血管提取方法，其特征在于，所述第三阈值的取值范围为图像值大于600；
其中，所述医学图像为CT或者CTA图像，所述图像值为CT值。
4.根据权利要求1所述的血管提取方法，其特征在于，所述第一阈值的取值范围为图像值大于150；
其中，所述医学图像为CT或者CTA图像，所述图像值为CT值。
5.根据权利要求1所述的血管提取方法，其特征在于，所述基于第二条件处理所述减影图像，确定血管种子点集合，包括：
获取所述减影图像中若干个连通域；
基于所述第二条件依次判断所述若干个连通域：
如所述连通域中像素点个数大于阈值a则确定所述连通域为所述种子点集合；或者
如所述连通域中各点在X方向上的均值为所述减影图像横断面X方向1/3与2/3范围之间则确定所述连通域为所述种子点集合；或者
通过所述连通域与背景区域的接近程度确定所述种子点集合；所述接近程度通过统计所述连通域中靠近所述背景区域的像素点个数占所述连通域点的总数比例获取。
6.根据权利要求1所述的血管提取方法，其特征在于，还包括：对所述第一图像作填实操作。
7.根据权利要求1所述的血管提取方法，其特征在于，还包括：对所述减影图像进行腐蚀操作。
8.一种血管提取系统，其特征在于，包括：
第一提取单元，用于基于第一条件在医学图像中提取骨骼组织，获取第一图像；
第二提取单元，用于基于第一阈值在所述医学图像进行区域生长，获取第二图像；
减影单元，用于提取所述第一图像和第二图像的减影图像；
种子点确定单元，用于基于第二条件处理所述减影图像，确定血管种子点集合；
血管阈值确定单元，用于根据边界距离场处理所述减影图像，确定血管阈值；
血管提取单元，用于将所述种子点集合以所述血管阈值进行区域生长，获取血管提取结果；
所述根据边界距离场处理所述减影图像，确定血管阈值，包括：
获取所述减影图像中若干个连通域；
计算所述若干个连通域的边界距离场值，获取距离场图像；
基于所述种子点集合在所述距离场图像中进行自适应阈值增长，获取所述血管阈值。
9.根据权利要求8所述的血管提取系统，其特征在于，
所述第一提取单元，包括粗分割子单元，用于获取粗分割图像；第一处理单元，用于基于梯度法和拉普拉斯增强处理所述粗分割图像，获取所述第一图像；
所述血管阈值确定单元包括，距离场单元，用于获取距离场图像；
自适应单元，用于基于所述种子点集合在所述距离场图像中进行自适应阈值增长，获取所述血管阈值。
CN201611268227.XA 2016-12-31 2016-12-31 血管提取方法及其系统 Active CN106682636B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201611268227.XA CN106682636B (zh) 2016-12-31 2016-12-31 血管提取方法及其系统
PCT/CN2017/086560 WO2018120644A1 (zh) 2016-12-31 2017-05-31 血管提取方法及系统
EP17889256.8A EP3547207A4 (en) 2016-12-31 2017-05-31 BLOOD VESSEL EXTRACTION METHOD AND SYSTEM
US16/236,597 US11062449B2 (en) 2016-12-31 2018-12-30 Method and system for extracting vasculature

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611268227.XA CN106682636B (zh) 2016-12-31 2016-12-31 血管提取方法及其系统

Publications (2)

Publication Number Publication Date
CN106682636A CN106682636A (zh) 2017-05-17
CN106682636B true CN106682636B (zh) 2020-10-16

Family

ID=58850130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611268227.XA Active CN106682636B (zh) 2016-12-31 2016-12-31 血管提取方法及其系统

Country Status (4)

Country Link
US (1) US11062449B2 (zh)
EP (1) EP3547207A4 (zh)
CN (1) CN106682636B (zh)
WO (1) WO2018120644A1 (zh)

Families Citing this family (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10929702B2 (en) * 2015-09-10 2021-02-23 Sync-Rx, Ltd Automatic image feature removal
CN106682636B (zh) * 2016-12-31 2020-10-16 上海联影医疗科技有限公司 血管提取方法及其系统
JP6885896B2 (ja) * 2017-04-10 2021-06-16 富士フイルム株式会社 自動レイアウト装置および自動レイアウト方法並びに自動レイアウトプログラム
US10799189B2 (en) 2017-11-22 2020-10-13 General Electric Company Systems and methods to deliver point of care alerts for radiological findings
US10783634B2 (en) 2017-11-22 2020-09-22 General Electric Company Systems and methods to deliver point of care alerts for radiological findings
CN116741353A (zh) * 2017-11-24 2023-09-12 佳能医疗系统株式会社 医用数据处理装置、磁共振成像装置及学习完毕模型生成方法
KR102045883B1 (ko) * 2017-12-06 2019-12-04 한국광기술원 광단층영상 시스템을 이용한 혈관 이미징 장치 및 방법
JP7161297B2 (ja) * 2018-03-20 2022-10-26 キヤノン株式会社 放射線撮影システム、画像処理装置、撮影制御装置及びその作動方法、プログラム
CN109063557B (zh) * 2018-06-27 2021-07-09 北京红云智胜科技有限公司 快速构建心脏冠脉血管识别数据集的方法
EP3591617A1 (de) * 2018-07-06 2020-01-08 Siemens Healthcare GmbH Bestimmen eines differenzbilddatensatzes eines untersuchungsvolumens
JP6954719B2 (ja) 2018-07-06 2021-10-27 シーメンス ヘルスケア ゲゼルシヤフト ミツト ベシユレンクテル ハフツング 検査ボリュームの差分画像データセットの決定
CN113012108B (zh) * 2018-07-24 2024-02-20 上海博动医疗科技股份有限公司 血管图像的处理方法、装置及成像设备
CN109360219A (zh) * 2018-10-23 2019-02-19 东北大学 一种增强现实辅助手术方法及系统
CN109410221B (zh) * 2018-10-31 2022-01-11 上海联影医疗科技股份有限公司 脑灌注图像分割方法、装置、服务器和存储介质
CN109544566B (zh) * 2018-11-29 2022-02-01 上海联影医疗科技股份有限公司 冠脉图像分割方法、装置、计算机设备和存储介质
US10963757B2 (en) 2018-12-14 2021-03-30 Industrial Technology Research Institute Neural network model fusion method and electronic device using the same
US11475558B2 (en) 2019-11-13 2022-10-18 Raytheon Company Organ isolation in scan data
EP4064992A4 (en) * 2019-11-27 2023-12-27 The Research Foundation for The State University of New York METHODS AND SYSTEMS FOR ASSESSING BLOOD VESSELS
EP3843038B1 (en) * 2019-12-23 2023-09-20 HTC Corporation Image processing method and system
CN111127373B (zh) * 2019-12-31 2023-08-08 佛山科学技术学院 一种基于局部截面分析的血管图像提取方法及装置
US11282209B2 (en) 2020-01-10 2022-03-22 Raytheon Company System and method for generating contours
CN111681211B (zh) * 2020-05-18 2024-03-08 东软医疗系统股份有限公司 一种血管图像处理方法及装置
CN111627005B (zh) * 2020-05-25 2023-02-17 殷晓峰 一种基于形状进行骨骼细分的骨折区域识别方法和系统
CN111862312B (zh) * 2020-07-20 2021-06-11 上海市第六人民医院 一种脑部血管显示装置及方法
CN112488942B (zh) * 2020-12-02 2024-09-27 北京字跳网络技术有限公司 修复图像的方法、装置、设备和计算机可读介质
US11893745B2 (en) 2020-12-09 2024-02-06 Raytheon Company System and method for generating and displaying contours
US11562512B2 (en) 2020-12-09 2023-01-24 Raytheon Company System and method for generating and displaying contours
JP2022135392A (ja) * 2021-03-05 2022-09-15 コニカミノルタ株式会社 医用情報管理装置、医用情報管理方法および医用情報管理プログラム
CN115131270A (zh) * 2021-03-26 2022-09-30 西门子(深圳)磁共振有限公司 医疗成像中的图像呈现方法及系统、成像系统及存储介质
CN113066064B (zh) * 2021-03-29 2023-06-06 郑州铁路职业技术学院 基于人工智能的锥束ct图像生物结构识别及三维重建系统
CN113344833B (zh) * 2021-05-31 2023-12-15 电子科技大学中山学院 一种图像增强方法、装置、电子设备及存储介质
WO2023002743A1 (ja) * 2021-07-20 2023-01-26 株式会社島津製作所 Ｘ線撮影システム、および、画像処理方法
CN114240851B (zh) * 2021-11-25 2024-08-02 深圳市旭东数字医学影像技术有限公司 基于ct图像的肺动静脉提取方法、装置及电子设备
CN114359208B (zh) * 2021-12-29 2022-11-01 推想医疗科技股份有限公司 头颈血管分割方法及装置、可读存储介质及电子设备
CN114445391B (zh) * 2022-01-30 2022-10-28 推想医疗科技股份有限公司 血管分段方法及其装置、电子设备和计算机可读存储介质
CN114648514B (zh) * 2022-03-30 2022-11-29 中国人民解放军总医院第二医学中心 一种脑动脉定位提取方法、装置、电子设备及存储介质
CN115338873B (zh) * 2022-10-19 2022-12-16 四川爱麓智能科技有限公司 一种基于多参多维距离场数字化的机器人运动规划方法
CN115620066B (zh) * 2022-10-26 2023-04-18 北京声迅电子股份有限公司 一种基于x光图像的物品检测方法、装置及电子设备
CN116681715B (zh) * 2023-08-04 2023-10-10 杭州脉流科技有限公司 基于像素值变化的血管分割方法、装置、设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150133764A1 (en) * 2012-07-24 2015-05-14 Fujifilm Corporation Surgery assistance apparatus, method and program
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
CN105513036A (zh) * 2014-09-26 2016-04-20 上海联影医疗科技有限公司 三维ct图像的分割方法及装置
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

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8503746B2 (en) * 2008-05-26 2013-08-06 Hitachi Medical Corporation Medical image processing device, medical image processing method, and medical image processing program
CN101551862B (zh) * 2009-05-13 2011-06-01 西安电子科技大学 基于边界距离场的血管中心路径提取方法
TWI429419B (zh) * 2010-11-15 2014-03-11 Univ Nat Central 產生骨罩之方法
KR20140093109A (ko) 2013-01-17 2014-07-25 삼성디스플레이 주식회사 인쇄 장치
EP2811458A1 (en) * 2013-06-05 2014-12-10 Agfa Healthcare Automated aorta detection in a CTA volume
US10152796B2 (en) * 2014-02-24 2018-12-11 H. Lee Moffitt Cancer Center And Research Institute, Inc. Methods and systems for performing segmentation and registration of images using neutrosophic similarity scores
CN103985122B (zh) * 2014-05-17 2016-11-02 清华大学深圳研究生院 基于心脏 ct 图像的全心脏提取方法
EP3259012A4 (en) * 2015-02-16 2018-09-19 CardioVascular BioTherapeutics, Inc. Therapeutic angiogenesis for treating erectile conditions
US10037603B2 (en) * 2015-05-04 2018-07-31 Siemens Healthcare Gmbh Method and system for whole body bone removal and vascular visualization in medical image data
CN106682636B (zh) * 2016-12-31 2020-10-16 上海联影医疗科技有限公司 血管提取方法及其系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150133764A1 (en) * 2012-07-24 2015-05-14 Fujifilm Corporation Surgery assistance apparatus, method and program
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
CN105513036A (zh) * 2014-09-26 2016-04-20 上海联影医疗科技有限公司 三维ct图像的分割方法及装置
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

Also Published As

Publication number Publication date
US11062449B2 (en) 2021-07-13
US20190172205A1 (en) 2019-06-06
EP3547207A4 (en) 2019-12-25
WO2018120644A1 (zh) 2018-07-05
CN106682636A (zh) 2017-05-17
EP3547207A1 (en) 2019-10-02

Similar Documents

Publication Publication Date Title
CN106682636B (zh) 血管提取方法及其系统
CN106683090B (zh) 医学图像中肋骨的定位方法及其系统
US20210106299A1 (en) Method and system for extracting lower limb vasculature
WO2018023917A1 (zh) 一种下肢血管的提取方法及系统
CN106485704B (zh) 血管中心线的提取方法
US9547894B2 (en) Apparatus for, and method of, processing volumetric medical image data
US9275432B2 (en) Method of, and apparatus for, registration of medical images
JP6042112B2 (ja) 医用画像処理装置、医用画像処理方法および医用画像処理プログラム
Kobatake Future cad in multi-dimensional medical images:–project on multi-organ, multi-disease cad system–
US20110052028A1 (en) Method and system of liver segmentation
US9324157B2 (en) Medical image data processing apparatus and method
Sakellarios et al. Novel methodology for 3D reconstruction of carotid arteries and plaque characterization based upon magnetic resonance imaging carotid angiography data
Hameeteman et al. Carotid wall volume quantification from magnetic resonance images using deformable model fitting and learning-based correction of systematic errors
JP2016041245A (ja) 医用画像処理装置及び医用画像処理方法
Woźniak et al. 3D vascular tree segmentation using a multiscale vesselness function and a level set approach
EP3658031B1 (en) Motion compensated cardiac valve reconstruction
CN108475419A (zh) 用于计算机断层摄影的数据处理的方法
CN111862312B (zh) 一种脑部血管显示装置及方法
CN114209344A (zh) 一种侧枝循环状态评估方法、装置、存储介质及电子设备
Fedele et al. Semi-automatic three-dimensional vessel segmentation using a connected component localization of the region-scalable fitting energy
Moreno et al. Non linear transformation field to build moving meshes for patient specific blood flow simulations
Woźniak et al. Segmentation of 3D magnetic resonance brain vessel images based on level set approaches
Cai et al. [Retracted] Detection of 3D Arterial Centerline Extraction in Spiral CT Coronary Angiography
JP5989498B2 (ja) 画像処理装置及びプログラム
Ye et al. A fast 3D region growing approach for CT angiography applications

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for 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

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

Patentee after: Shanghai Lianying Medical Technology Co., Ltd

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

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

CP01 Change in the name or title of a patent holder