CN107292928A - 一种血管定位的方法及装置 - Google Patents
一种血管定位的方法及装置 Download PDFInfo
- Publication number
- CN107292928A CN107292928A CN201710457879.6A CN201710457879A CN107292928A CN 107292928 A CN107292928 A CN 107292928A CN 201710457879 A CN201710457879 A CN 201710457879A CN 107292928 A CN107292928 A CN 107292928A
- Authority
- CN
- China
- Prior art keywords
- view data
- point
- lung
- default
- target area
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例提供的血管定位的方法及装置,获取图像重建所得的图像数据;从所述图像数据获取待定位的预设动脉所处的目标区域的图像数据;根据所述目标区域的图像数据对所述待定位的预设动脉进行定位。在进行血管定位时,仅采用目标区域的图像数据对该预设动脉进行定位,没有其他区域的图像数据的干扰,并且该目标区域中的预设动脉的类型确定,即该待定的预设动脉的特征已知,根据待定的预设动脉的已知特征对该待定的预设动脉进行定位,提高血管定位的精度。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种血管定位的方法及装置。
背景技术
电子计算机断层扫描血管造影(Computed Tomography Angiography,CTA)技术,基于X光无法透过显影剂的技术原理,将显影剂注入血管后,利用X光对注入显影剂的血管进行成像。对所获得的图像中的血管进行定位,并对定位出的血管进行病变检测,实现对血管疾病的医学诊断。
目前,对图像中的血管进行定位,是根据所获得的图像数据,估计血管的参数(例如:血管灰度,血管走向等),依据该血管的参数对图像中的血管进行分割,再由医生对分割后的血管进行定位。
但是,采用上述方法对血管进行分割时,仅分析血管的参数,而图像数据中的骨骼,器官等,会对血管的分割结果造成干扰,导致医生对血管的定位准确度较低。
发明内容
本发明解决的技术问题在于提供一种血管定位的方法及装置,从而能够提高血管定位的精度。
为此,本发明解决技术问题的技术方案是:
一种血管定位的方法,所述方法包括:
获取图像重建所得的图像数据;
从所述图像数据获取待定位的预设动脉所处的目标区域的图像数据;
根据所述目标区域的图像数据对所述待定位的预设动脉进行定位。
在一个例子中,所述从所述图像数据获取待定位的预设动脉所处的目标区域的图像数据包括:
对所述图像数据中的脊椎锥孔的中心点进行定位;
根据所述图像数据以及所述脊椎锥孔的中心点,从所述图像数据获取所述目标区域的图像数据。
在一个例子中,所述根据所述图像数据以及所述脊椎锥孔的中心点,从所述图像数据获取所述目标区域的图像数据包括:
根据所述图像数据以及所述脊椎锥孔的中心点,确定肺部下边缘和/或髂骨上边缘;
根据所述肺部下边缘和/或所述髂骨上边缘,获取所述目标区域的图像数据。
在一个例子中,所述根据所述图像数据以及所述脊椎锥孔的中心点确定肺部下边缘包括:
根据所述图像数据以及所述脊椎锥孔的中心点,从所述图像数据中选取肺部图像数据,确定各个所述肺部图像数据中左肺的中心点和右肺的中心点;
选取各个所述肺部图像数据中距离脚部最近的左肺的中心点作为第一参考点,选取各个所述肺部图像数据中距离脚部最近的右肺的中心点作为第二参考点;
选取所述第一参考点和所述第二参考点中,距离脚部较远的点作为下边缘点,从所述肺部图像数据中确定表征肺部下边缘的第一图像数据,所述第一图像数据包括所述下边缘点。
在一个例子中,所述根据所述图像数据以及所述脊椎锥孔的中心点确定肺部下边缘包括:
根据所述图像数据以及所述脊椎锥孔的中心点,从所述图像数据中选取肺部图像数据,确定各个所述肺部图像数据中左肺的中心点和右肺的中心点;
选取位于所述肺部图像数据中间位置的第二图像数据;
根据所述肺部图像数据中左肺的中心点和右肺的中心点,确定所述第二图像数据中垂直于矢状轴的肺的中心线,基于所述肺部图像数据和所述肺的中心线获得第一冠状面图像数据;
从所述第一冠状面图像数据确定位于肺部区域的第三种子点和第四种子点,采用所述区域生长算法,从所述第一冠状面图像数据中获取表征肺部下边缘的第三图像数据。
在一个例子中,所述根据所述图像数据以及所述脊椎锥孔的中心点,从所述图像数据中选取肺部图像数据,确定各个所述肺部图像数据中左肺的中心点和右肺的中心点包括:
检测各个所述图像数据中,所述脊椎锥孔的中心点两侧的空气区域的宽度;
获取每个所述图像数据中,所述空气区域的宽度大于预设的第一阈值的图像数据作为肺部图像数据;
确定各个所述肺部图像数据中两侧所述空气区域的中心点,对所述肺部图像数据中两侧所述空气区域的中心点采用聚类算法进行聚类,获得各个所述肺部图像数据中所述左肺的中心点和所述右肺的中心点。
在一个例子中,所述根据所述图像数据以及所述脊椎锥孔的中心点确定髂骨上边缘包括:
对所述图像数据在冠状面上进行投影获得第二冠状面图像数据;
检测所述第二冠状面图像数据中的脊椎中心线两侧的骨骼左边缘和骨骼右边缘,所述脊椎中心线是脊椎锥孔的中心点的连线;
将所述第二冠状面图像数据与预设的划分区域进行匹配,计算第一面积和第二面积,所述预设的划分区域的中心线与所述脊椎中心线重合,所述第一面积是所述预设的划分区域中骨骼的面积,所述第二面积是第三面积和第四面积的和,所述第三面积是所述预设的划分区域的左边缘与所述骨骼左边缘之间的骨骼的面积,所述第四面积是所述预设的划分区域的右边缘与所述骨骼右边缘之间的骨骼的面积;
当所述第一面积和所述第二面积的比值最大时,获取所述预设的划分区域中,与所述脚部最近的边缘线所在的图像数据,作为所述髂骨上边缘的图像数据。
在一个例子中,所述从所述图像数据获取待定位的预设动脉所处的目标区域的图像数据包括:
根据所述图像数据确定肺部下边缘和/或髂骨上边缘;
根据所述肺部下边缘和/或所述髂骨上边缘,获取所述目标区域的图像数据。
在一个例子中,所述根据所述图像数据确定肺部下边缘包括:
获取所述图像数据中人体边界内部小于第二阈值的点作为待处理点集;
检测所述待处理点集所组成的连通区域集合;
计算第一连通区域的体积与第二连通区域体积的比,所述第一连通区域是所述连通区域集合中体积最大的连通区域,所述第二连通区域是所述连通区域集合中体积次大的连通区域;
根据所述第一连通区域的体积与所述第二连通区域体积的比,确定所述第一连通区域表征左肺和右肺组成的连通区域时,获取所述第一连通区域距离脚部最近的下边缘所在的图像数据,作为所述肺部下边缘的第四图像数据;
根据所述第一连通区域的体积与所述第二连通区域体积的比,确定所述第一连通区域和所述第二连通区域分别表征左肺组成的连通区域和右肺组成的连通区域时,根据所述第一连通区域的下边缘和所述第二连通区域的下边缘,确定所述肺部下边缘的第五图像数据。
在一个例子中,根据所述图像数据确定髂骨上边缘包括:
对所述图像数据在冠状面上进行投影获得第三冠状面图像数据;
检测所述第三冠状面图像数据中的所述人体中心线两侧的骨骼左边缘和骨骼右边缘;
将所述第三冠状面图像数据与预设的划分区域进行匹配,计算第五面积和第六面积,所述预设的划分区域的中心线与所述人体中心线重合,所述第五面积是所述预设的划分区域中骨骼的面积,所述第六面积是第七面积和第八面积的和,所述第七面积是所述预设的划分区域的左边缘与所述骨骼左边缘之间的骨骼的面积,所述第八面积是所述预设的划分区域的右边缘与所述骨骼右边缘之间的骨骼的面积;
当所述第五面积和所述第六面积的比值最大时,获取所述预设的划分区域中,与所述脚部最近的边缘线所在的图像数据,作为所述髂骨上边缘的图像数据。
在一个例子中,
根据所述肺部下边缘和髂骨上边缘获取腹主动脉对应的第一目标区域的图像数据;
则根据所述目标区域的图像数据对所述待定位的预设动脉进行定位包括:
根据所述第一目标区域的图像数据,定位腹主动脉的定位点。
在一个例子中,
根据所述肺部下边缘获取胸主动脉对应的第二目标区域的图像数据;
则根据所述目标区域的图像数据对所述目标区域中的血管进行定位包括:
根据所述第二目标区域的图像数据,定位所述第二目标区域中胸主动脉的定位点。
在一个例子中,
根据所述髂骨上边缘获取髂总动脉对应的第三目标区域的图像数据,所述髂总动脉包括左髂总动脉和右髂总动脉;
则根据所述目标区域的图像数据对所述目标区域中的血管进行定位包括:
根据所述第三目标区域的图像数据,定位所述第三目标区域中髂总动脉的定位点。
在一个例子中,所述根据所述第一目标区域的图像数据,定位腹主动脉的定位点包括:
对所述第一目标区域中的各个图像数据进行边缘检测,获得该图像数据的边缘集合;
对每个图像数据的所述边缘集合进行霍夫变换,获得该图像数据对应的第一圆形集合;
对图像数据的所述第一圆形集合的圆心用所述聚类算法进行聚类,获取聚类结果最大的圆心集合作为腹主动脉的定位点。
在一个例子中,所述方法还包括:
根据所述腹主动脉的定位点对所述图像数据中的所述腹主动脉进行分割,获得表示所述腹主动脉的点;
以每个所述腹主动脉的定位点为中心,基于预设的膨胀半径对所述腹主动脉进行膨胀,所述预设的膨胀半径与所述腹主动脉的半径的差小于预设的差值;
从图像膨胀所得的点中去除所述腹主动脉的点获得第一点集;
从所述第一点集中获取单连通区域的中心点作为第二点集,所述第二点集是腹部分支血管的定位点;
将所述第二点集与预设的腹部分支血管模型进行匹配,识别腹部分支血管的类型。
在一个例子中,所述方法还包括:
对所述第二目标区域中的各个图像数据进行边缘检测,获得该图像数据的边缘集合;
对每个图像数据的所述边缘集合进行霍夫变换,获得该图像数据对应的投票图;
以所述图像数据的投票图作为速度图,从所述腹主动脉的定位点选取一个定位点作为第一基准点,采用快速步进算法检测所述第一基准点到预设的肺部上边缘的路径,将所述路径上位于所述肺部下边缘和所述肺部上边缘之间的点作为所述胸主动脉的定位点。
在一个例子中,所述方法还包括:
根据所述胸主动脉的定位点对所述图像数据中的所述胸主动脉进行分割,获得表示所述胸主动脉的点;
从预设的第四目标区域的图像数据中去除所述胸主动脉的点,获得所述第四目标区域的修正的图像数据,所述预设的第四目标区域是位于所述肺部上边缘与所述肺部下边缘之间,并且不包括脊椎的区域;
对所述修正的图像数据进行霍夫变换,获得所述修正的图像数据对应的第二圆形集合;
对所述第二圆形集合的圆心用所述聚类算法进行聚类,获取聚类结果最大的圆心集合作为升主动脉的定位点。
在一个例子中,所述方法还包括:
对所述第三目标区域中的各个图像数据进行边缘检测,获得该图像数据的边缘集合;
对每个图像数据的所述边缘集合进行霍夫变换,获得该图像数据对应的投票图;
以图像数据的投票图作为速度图,从所述腹主动脉的定位点选取一个定位点作为第二基准点,采用快速步进算法检测所述第二基准点到髂总动脉的分叉区域的两条路径;
从所述两条路径中选取满足预设的距离阈值的点作为所述髂总动脉的定位点,所述髂总动脉的定位点中任意两个距离最近的点之间的距离不大于所述预设的距离阈值。
在一个例子中,所述方法还包括:
获取所述升主动脉的定位点中距离脚部最近的点作为所述升主动脉的开口点;
根据所述图像数据获得所述开口点所在的冠状面的图像数据作为第四冠状面图像数据;
根据所述第四冠状面数据确定与冠状轴垂直的第一标记线和第二标记线,所述第一标记线包括所述开口点,所述第二标记线包括所述冠状面数据中右肺叶中最长的宽度线段;
从所述图像数据中获取所述第一标记图像与所述第二标记图像之间的图像数据作为标记区域的图像数据,所述第一标记图像是所述第一标记线所在的横截面图像,所述第二标记图像是所述第二标记线所在的横截面图像;
确定所述标记区域的每个图像数据中第五目标区域,所述第五目标区域仅包括心脏和肺部;
每个图像数据的第五目标区域中,检测以标记点为中心的射线与肺部区域的第一个交点作为该图像数据的心脏的轮廓点,所述标记点是所述升主动脉的定位点或所述升主动脉的定位点所形成的中心线的延长线;
对每个图像数据中的心脏的轮廓点进行差值平滑处理获得所述标记区域的心脏的图像数据。
在一个例子中,所述方法还包括:
检测所述第一目标区域中每个图像数据中的边缘线;
对所述第一目标区域中每个图像数据中的边缘线采用聚类算法进行聚类,获得所述第一目标区域中每个图像数据的左肾脏的初始轮廓线和右肾脏的初始轮廓线;
将所述第一目标区域中每个图像数据的左肾脏的初始轮廓线和右肾脏的初始轮廓线,与预设的肾脏轮廓模板进行匹配,查找所述第一目标区域中的标准图像数据,所述标准图像数据中的左肾脏的初始轮廓线和右肾脏的初始轮廓线与所述预设的肾脏轮廓模板的匹配度最高;
基于所述标准图像数据中的左肾脏的初始轮廓线和右肾脏的初始轮廓线,采用快速步进的算法,检测所述第一目标区域中每个图像数据中的左肾脏的实际轮廓线和右肾脏的实际轮廓线。
一种血管定位的装置,所述装置包括:
第一获取模块,用于获取图像重建所得的图像数据;
第二获取模块,用于从所述图像数据获取待定位的预设动脉所处的目标区域的图像数据;
定位模块,用于根据所述目标区域的图像数据对所述待定位的预设动脉进行定位。
在一个例子中,所述第二获取模块包括:
定位单元,用于对所述图像数据中的脊椎锥孔的中心点进行定位;
第一获取单元,用于根据所述图像数据以及所述脊椎锥孔的中心点,从所述图像数据获取所述目标区域的图像数据。
在一个例子中,所述第一获取模块包括:
确定子单元,用于根据所述图像数据以及所述脊椎锥孔的中心点,确定肺部下边缘和/或髂骨上边缘;
获取子单元,用于根据所述肺部下边缘和/或所述髂骨上边缘,获取所述目标区域的图像数据。
在一个例子中,所述第二获取模块包括:
确定单元,用于根据所述图像数据确定肺部下边缘和/或髂骨上边缘;
第二获取单元,用于根据所述肺部下边缘和/或所述髂骨上边缘,获取所述目标区域的图像数据。
通过上述技术方案可知,本发明有如下有益效果:
本发明实施例提供的血管定位的方法及装置,获取图像重建所得的图像数据;从所述图像数据获取待定位的预设动脉所处的目标区域的图像数据;根据所述目标区域的图像数据对所述待定位的预设动脉进行定位。在进行血管定位时,仅采用目标区域的图像数据对该预设动脉进行定位,没有其他区域的图像数据的干扰,并且该目标区域中的预设动脉的类型确定,即该待定的预设动脉的特征已知,根据待定的预设动脉的已知特征对该待定的预设动脉进行定位,提高血管定位的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的血管定位的方法一实例流程图;
图2为本发明实施例提供的血管定位的方法另一实例流程图;
图3为本发明实施例提供的图像数据的示意图;
图4为本发明实施例提供的左肺和右肺最下层示意图;
图5为本发明实施例提供的第二图像数据的肺的中心线示意图;
图6为本发明实施例提供的第一冠状面图像数据示意图;
图7为本发明实施例提供的第六参考点示意图;
图8为本发明实施例提供的血管定位的方法又一实例流程图;
图9为本发明实施例提供的第四冠状面图像数据示意图;
图10为本发明实施例提供的右肺叶宽度的示意图;
图11为本发明实施例提供的第一标记线和第二标记线示意图;
图12为本发明实施例提供的第五目标区域示意图;
图13为本发明实施例提供的血管定位的装置一实例结构示意图;
图14为本发明实施例提供的血管定位的装置另一实例结构示意图。
具体实施方式
为了给出提高血管定位的精度的实现方案,本发明实施例提供了一种血管定位的方法及装置,以下结合说明书附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。并且在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
现有技术中,采用CTA技术进行定位时,根据三维重建后获得的图像数据,先根据血管的参数对血管进行分割,再由医生对血管进行定位。上述对血管的定位方法,第一,血管定位的准确度需要依赖于血管分割的准确度,由于图像数据中的骨骼,器官等,会干扰血管分割的结果,仅依赖血管的参数对血管进行分割,分割准确度低;第二,根据血管的分割结果,由医生对血管进行定位,依赖于医生的经验,医生在对血管进行定位时,也会由于个人的经验引起一定的误差。
本发明实施例提供了血管定位的方法,该方法中先从图像数据中获取目标区域的图像数据,该目标区域是待定位的预设动脉所处的区域。当待定位的预设动脉的类型已知时,即能够确定该待定位的预设动脉所处的目标区域,利用该目标区域的图像数据对该待定位的预设动脉进行定位,减少其他区域的图像数据的干扰。并且待定位的预设动脉的类型已知,则该待定位的预设动脉的特征也已知,根据该已知的特征,在目标区域中对该待定位的预设动脉进行定位,比根据血管的分割结果利用人为经验进行定位更准确。
图1为本发明实施例提供的血管定位的方法流程图,包括:
101:获取图像重建所得的图像数据。
将显影剂注入血管后,利用X光对注入显影剂的血管进行扫描,对扫描所得的数据进行图像重建后获得图像数据。重建后获得的图像数据中,每个图像数据即为人体被扫描的一个横截面的图像数据。
102:从所述图像数据获取待定位的预设动脉所处的目标区域的图像数据。
由人体的血管结构可知,待定位的预设动脉的类型确定后,则能够确定该待定位的预设动脉所处的目标区域。例如:待定位的预设动脉是腹主动脉,则获取肺部下边界和髂骨上边界之间的图像数据;待定位的预设动脉是胸主动脉,则获取肺部下边界以上的图像数据;待定的预设动脉是髂总动脉,则获取髂骨上边界以下的图像数据。若待定位的预设动脉有多个,则分别获取每个待定位的预设动脉所处的目标区域的图像数据。
103:根据所述目标区域的图像数据对所述待定位的预设动脉进行定位。
该目标区域中的待定位的预设动脉的类型确定,该目标区域的图像数据已知,利用该目标区域的图像数据对该待定位的预设动脉进行定位。
第一,利用目标区域的图像数据对该待定位的预设动脉进行定位,而不是直接利用重建所得的图像数据对该待定位的预设动脉进行定位,一个目标区域中仅存在一种类型的待定位的预设动脉,这样可以避免图像数据中除了目标区域以外的其他区域的图像数据的干扰。
第二,对该待定位的预设动脉进行定位时,利用目标区域的图像数据直接对待定位的预设动脉进行定位,并不依赖于对图像数据中血管的分割结果,不会引入血管分割时所产生的误差。
第三,对该待定位的预设动脉进行定位时,该待定位的预设动脉的类型已知,则该待定位的预设动脉的特征也已知,利用目标区域的图像数据对待定位的预设动脉进行定位即可。而无需依赖于医生的经验,根据血管的分割结果对血管进行定位,避免医生的经验不足造成的血管定位错误。
总的来说,现有技术所提供的方法,是先对图像数据中血管进行分割,再由医生根据经验对分割后的血管进行定位,不仅存在血管分割所造成的误差,还会引入人为经验所产生的误差。为了避免上述误差,本发明实施例中,可以利用待定位的预设动脉所处的目标区域的图像数据,自动实现对该待定的预设动脉进行定位。
实施例一
获取待定位的预设动脉所处的目标区域的图像数据,第一种可能的实现方式:
如图2所示,包括:
201:获取图像重建所得的图像数据。
202:对所述图像数据中的脊椎锥孔的中心点进行定位。
图像重建所获得的图像数据,包括多个表征人体被扫描的横截面的图像数据。图3为一个图像数据的示意图,即为人体一个被扫描的横截面的图像数据。
对图像数据中的脊椎锥孔的中心点进行定位时,先查找每个图像数据中的脊椎锥孔的潜在中心点,再对图像数据中脊椎锥孔的潜在中心点进行聚类对脊椎锥孔的中心点进行定位。
查找每个图像数据中的脊椎锥孔的潜在中心点时,对于一个图像数据来说,基于以下操作:将该图像数据与预设的脊椎灰度模型进行匹配,查找图像数据中与该预设的脊椎灰度模型匹配度大于预设匹配度阈值的匹配区域,将该匹配区域的中心点作为脊椎锥孔的潜在中心点。按照上述方法,查找每个图像数据中的脊椎锥孔的潜在中心点。
对图像数据中脊椎锥孔的潜在中心点进行聚类时,将图像数据中的脊椎锥孔的潜在中心点按照三维空间位置关系进行聚类分析。先按照预设半径对每个图像数据中的脊椎锥孔的潜在中心点在XY平面内进行聚类,获得第一聚类结果,再对第一聚类结果按照预设长度范围在Z轴上进行聚类,获得第二聚类结果,获取第二聚类结果中潜在中心点的个数最多的聚类结果,将该聚类结果中每一个潜在中心点作为脊椎锥孔的中心点。其中,XY平面为人体横截面(即图像数据所在的水平面),Z轴为与XY平面垂直的轴。其中,预设半径和预设长度范围可以根据实际需要具体设置,这里不进行具体限定。举例说明,该XY平面聚类的预设半径可以设置为7mm,Z轴聚类的预设长度范围可以设置为24mm。
这里需要说明的是,本发明实施例中,所采用的聚类方法可以采用模糊聚类;或者用机器学习中的聚类方法,如SOM神经网络等。这里不再一一赘述。
203:根据所述图像数据以及所述脊椎锥孔的中心点,从所述图像数据获取待定位的预设动脉所处目标区域的图像数据。
204:根据所述目标区域的图像数据对所述待定位的预设动脉进行定位。
对脊椎锥孔的中心点进行定位后,根据该脊椎锥孔的中心点先确定待定位的预设动脉所处的目标区域的边缘,再依据目标区域的边缘确定目标区域的图像数据。
在一个例子中,依据脊椎锥孔的中心点确定目标区域的图像数据时,所述根据所述图像数据以及所述脊椎锥孔的中心点,从所述图像数据获取所述目标区域的图像数据包括:
根据所述图像数据以及所述脊椎锥孔的中心点,确定肺部下边缘和/或髂骨上边缘;
根据所述肺部下边缘和/或所述髂骨上边缘获取所述目标区域的图像数据。
依据脊椎锥孔的中心点确定肺部下边缘和髂骨上边缘,肺部下边缘和髂骨上边缘之间的区域是腹主动脉所处的区域,根据肺部下边缘和髂骨上边缘能够确定第一目标区域,第一目标区域即为腹主动脉所处的区域,第一目标区域的图像数据即为肺部下边缘和髂骨上边缘之间的图像数据。
依据脊椎锥孔的中心点确定肺部下边缘,肺部下边缘向上(向上为指向头部的方向)的区域是胸主动脉所处的区域,根据肺部下边缘能够确定第二目标区域,第二目标区域即为胸主动脉所处的区域,第二目标区域的图像数据即为肺部下边缘向上的图像数据。对胸主动脉进行定位时,是从肺部下边缘采用快速步进的方法,向上对胸主动脉进行定位,直至到达肺部上边缘。
依据脊椎锥孔的中心点确定髂骨上边缘,髂骨上边缘向下(向下为指向脚部的方向)的区域是髂总动脉所处的区域,根据髂骨上边缘能够确定第三目标区域,第三目标区域即为髂总动脉所处的区域,第三目标区域的图像数据即为髂骨上边缘向下的图像数据。对于髂总动脉进行定位时,是从髂骨上边缘采用快速步进的方法,向下对髂总动脉进行定位,直至达到髂总动脉的分支血管。
根据脊椎锥孔的中心点确定肺部下边缘的实现方式
第一种可能的实现方式,所述根据所述图像数据以及所述脊椎锥孔的中心点确定肺部下边缘包括:
根据所述图像数据以及所述脊椎锥孔的中心点,从所述图像数据中选取肺部图像数据,确定各个所述肺部图像数据中左肺的中心点和右肺的中心点;
选取各个所述肺部图像数据中距离脚部最近的左肺的中心点作为第一参考点,选取各个所述肺部图像数据中距离脚部最近的右肺的中心点作为第二参考点;
选取所述第一参考点和所述第二参考点中,距离脚部较远的点作为下边缘点,从所述肺部图像数据中确定表征肺部下边缘的第一图像数据,所述第一图像数据包括所述下边缘点。
肺部包括左肺和右肺,左肺和右肺中是充满空气的肺泡,肺泡所在的区域即为肺部的空气区域。肺部下边缘的图像数据,即为既包含左肺的空气区域,也包含右肺空气区域,并且距离脚部最近的图像数据。为了更好的说明肺部下边缘的含义,如图4所示,左肺最下层即为左肺距离脚部最近的边缘所在的图像数据所属的层。右肺最下层即为右肺距离脚部最近的边缘所在的图像数据所属的层。左肺最下层中仅包含左肺的空气区域,不包含右肺的空气区域,而右肺最下层中既包含右肺的空气区域,也包含左肺的空气区域,因此,右肺最下层所属的层即为肺部下边缘所处的层,则右肺最下层所属的层的图像数据即为肺部下边缘的图像数据。
从图像数据中选取肺部图像数据,每个肺部图像数据都包含左肺的空气区域和/或右肺的空气区域。例如,一个肺部图像数据表示的是位于肺部中心区域的横截面的图像时,该肺部图像数据中既包含左肺的空气区域,又包含右肺的空气区域;当一个肺部图像数据表示的是位于肺部边缘区域的横截面图像时,该肺部图像数据中可能仅包含左肺的空气区域,或者仅包含右肺的空气区域。
查找每个肺部图像数据中左肺的中心点和右肺的中心点,选取肺部图像数据中,距离脚部最近的左肺的中心点作为第一参考点,选取肺部图像数据中,距离脚部最近的右肺的中心点作为第二参考点。由于左肺距离脚部的最近位置,与右肺距离脚部的最近位置可能不同,因此,从第一参考点和第二参考点中选取距离脚部较远的点,即选取距离头部较近的点,作为肺部的下边缘点,将该下边缘点所属的图像数据作为肺部下边缘的图像数据。
从第一参考点和第二参考点中,选取距离脚部较远的点作为下边缘点,是为了保证该下边缘点所属的肺部下边缘的图像数据中,既包括左肺的空气区域,也包含右肺的空气区域。
第二种可能的实现方式,所述根据所述图像数据以及所述脊椎锥孔的中心点确定肺部下边缘包括:
根据所述图像数据以及所述脊椎锥孔的中心点,从所述图像数据中选取肺部图像数据,确定各个所述肺部图像数据中左肺的中心点和右肺的中心点;
选取位于所述肺部图像数据中间位置的第二图像数据;
根据所述肺部图像数据中左肺的中心点和右肺的中心点,确定所述第二图像数据中垂直于矢状轴的肺的中心线,基于所述肺部图像数据和所述肺的中心线获得第一冠状面图像数据;
从所述第一冠状面图像数据确定第三种子点和第四种子点,采用区域生长算法,从所述第一冠状面图像数据中获取表征肺部下边缘的第三图像数据。
从图像数据中选取肺部图像数据,每个肺部图像数据都包含左肺的空气区域和/或右肺的空气区域。例如,一个肺部图像数据表示的是位于肺部中心区域的横截面的图像时,该肺部图像数据中既包含左肺的空气区域,又包含右肺的空气区域;当一个肺部图像数据表示的是位于肺部边缘区域的横截面图像时,该肺部图像数据中可能仅包含左肺的空气区域,或者仅包含右肺的空气区域。
选取位于肺部图像数据中间位置的第二图像数据,即将肺部图像数据按照距离头部由近及远的顺序排列,第二图像数据位于该肺部图像数据的中间,该第二图像数据与距离头部最近的肺部图数据之间的距离是第一距离,该第二图像数据与距离头部最远的肺部图像数据之间的距离是第二距离,该第一距离与该第二距离相等。因此,第二图像数据能够表示肺部上边缘和肺部下边缘之间位于中间区域的肺部成像。
确定第二图像数据垂直于矢状轴的肺的中心线时,以第二图像数据中左肺的中心点作为第一种子点,右肺的中心点作为第二种子点,以-200HU为阈值(-200HU表示肺部空气区域),采用区域生长算法,找到矢状轴方向上距离脊椎最近的点,以及距离脊椎最远的点。基于距离脊椎最远的点获得与矢状轴垂直的第一边缘线,如图501所示,基于距离脊椎最近的点获得与矢状轴垂直的第二边缘线,如图502所示,将第一边缘线与第二边缘线之间,与第一边缘线和第二边缘线距离相等并且垂直于矢状轴的线作为第二图像数据的肺的中心线,如图503所示。
确定第二图像数据的肺的中心线后,基于所述肺部图像数据和第二图像数据的肺的中心线获得第一冠状面图像数据,第一冠状面图像数据如图6所示。第一冠状面图像数据是第二图像数据的肺的中心线所在的冠状面的图像数据,以第二图像数据的肺的中心线获得第一冠状面图像数据,是为了保证该第一冠状面图像数据不能太靠近边缘,避免引入误差。
从第一冠状面图像数据中获得左肺区域的任意一点作为第三种子点,以及右肺区域的任意一点作为第四种子点,以-200HU为阈值,基于第三种子点和第四种子点采用所述区域生长算法,获得左肺的空气区域中距离脚部最近的点作为第三参考点,获得右肺的空气区域中距离脚部最近的点作为第四参考点。从第一冠状面图像数据中获取肺部下边缘所属的第三图像数据,该第三图像数据中包含第三参考点和第四参考点中距离脚部较远的点,从而实现该第三图像数据即包括左肺空气区域,也包括右肺空气区域。
可以理解的是,按照第二种可能的实现方式,还可以确定肺部上边缘的图像数据。以-200HU为阈值,基于第三种子点和第四种子点采用所述区域生长算法,获得左肺的空气区域中距离头部最近的点作为第五参考点,获得右肺的空气区域中距离头部最近的点作为第六参考点。从第一冠状面图像数据中获取肺部上边缘的图像数据,该肺部上边缘的图像数据包含第五参考点和第六参考点中距离头部较远的点,从而实现该肺部上边缘的图像数据即包括左肺空气区域,也包括右肺空气区域。
确定各个所述肺部图像数据中左肺的中心点和右肺的中心点的实现方式
在上述第一种可能的实现方式和第二种可能的实现方式中,都需要根据脊椎锥孔的中心点确定肺部图像数据中左肺的中心点和右肺的中心点,包括:
检测各个所述图像数据中,远离所述脊椎锥孔的中心点预设距离的点的两侧的空气区域的宽度;
获取每个所述图像数据中,所述空气区域的宽度大于预设的第一阈值的图像数据作为肺部图像数据;
确定各个所述肺部图像数据中两侧所述空气区域的中心点,对所述肺部图像数据中两侧所述空气区域的中心点采用聚类算法进行聚类,获得各个所述肺部图像数据中所述左肺的中心点和所述右肺的中心点。
对于每个图像数据来说,获取该图像数据中,远离该脊椎锥孔的中心点预设距离的点作为第六参考点。一般情况下,该第六参考点是位于脊椎锥孔中心点的正前方(正前方表示由人体背部指向胸部的方向),则每个图像数据中,左肺和右肺分别位于该第六参考点与脊椎锥孔的中心点的连线的两侧。其中,预设距离可以根据实际需要进行具体设置,这里不进行具体限定。举例:该预设距离可以设置为50mm。
检测第六参考点两侧的空气区域的宽度,即为检测第六参考点两侧的左肺宽度和右肺宽度,空气区域指的是灰度值小于10HU的连续区域。第六参考点,如图7所示,图7中第六参考点两侧两条白色线段即为该第六参考点两侧的空气宽度。当一个图像数据中第六参考点两侧的空气区域的宽度大于预设的第一阈值时,将该图像数据作为肺部图像数据。
确定每个肺部图像数据中第六参考点两侧的空气区域的中心点,对肺部图像数据中左侧的空气区域的中心点和右侧的空气区域的中心点分别采用聚类算法,在Z轴方向上进行聚类,将左侧的空气区域的中心点的最大聚类结果作为左肺的中心点,将右侧的空气区域的中心点的最大聚类结果作为右肺的中心点。
基于脊椎锥孔的中心点确定髂骨上边缘的实现方式
在一个例子中,所述根据所述图像数据以及所述脊椎锥孔的中心点确定髂骨上边缘包括:
对所述图像数据在冠状面上进行投影获得第二冠状面图像数据;
检测所述第二冠状面图像数据中的脊椎中心线两侧的骨骼左边缘和骨骼右边缘,所述脊椎中心线是脊椎锥孔的中心点的连线;
将所述第二冠状面图像数据与预设的划分区域进行匹配,计算第一面积和第二面积,所述预设的划分区域的中心线与所述脊椎中心线重合,所述第一面积是所述预设的划分区域中骨骼的面积,所述第二面积是第三面积和第四面积的和,所述第三面积是所述预设的划分区域的左边缘与所述骨骼左边缘之间的骨骼的面积,所述第四面积是所述预设的划分区域的右边缘与所述骨骼右边缘之间的骨骼的面积;
当所述第一面积和所述第二面积的比值最大时,获取所述预设的划分区域中,与所述脚部最近的边缘线所在的图像数据,作为所述髂骨上边缘的图像数据。
定位髂骨上边缘,是查找髂骨区域距离头部最近的边缘所属的图像数据。先将图像数据在冠状面上进行投影获得第二冠状面图像数据。该投影方式可以采用最大值投影方式,一个投影点的灰度值,是投影在该投影点的图像数据的最大的灰度值;还可以采用累加的投影方式,一个投影点的灰度值,是投影在该投影点的图像数据的灰度值的累加和。
在图像数据中,骨骼的灰度值高,非骨骼的灰度值低,因此,当检测到从很高的灰度值跳变至很低的灰度值时,灰度值跳变处可以被认定为是骨骼边缘。采用上述方法检测第二冠状面图像数据中脊椎中心线两侧的骨骼左边缘和骨骼右边缘。其中,脊椎锥孔的中心点的连线为脊椎中心线。
将第二冠状面图像数据与预设的划分区域进行匹配,则将预设的划分区域按照一定的顺序依次与第二冠状面图像数据进行重叠放置,并且,该预设的划分区域的中心线与脊椎中心线重合。当预设的划分区域与第二冠状面图像数据进行匹配时,计算预设的划分区域中的骨骼的面积作为第一面积。计算预设的划分区域的左边缘与骨骼左边缘之间的骨骼面积作为第三面积。计算预设的划分区域的右边缘与骨骼右边缘之间的骨骼面积作为第四面积。计算第三面积和第四面积的和作为第二面积。即第一面积为预设的划分区域内骨骼的面积,第二面积为由预设的划分区域的上边缘(预设的划分区域与头部近的边缘)和下边缘(预设的划分区域与脚部近的边缘)所界定的范围内,预设的划分区域之外的骨骼的面积。
计算第一面积和第二面积的比值,当第一面积与第二面积的比值最大时,此时,预设的划分区域外的骨骼面积很少。可以认为此时第二冠状面图像数据与预设的划分区域重叠的范围内,只有脊椎骨骼,脊椎骨骼两侧几乎没有骨骼。则此时该预设的划分区域的下边缘所属的图像数据即为髂骨上边缘的图像数据。髂骨上边缘的图像数据即为腰椎骨末端与髂骨相连处的图像数据,髂骨上边缘几乎只有腰椎骨,因此,当第一面积与第二面积的比值最大时,即能够表示第二冠状面图像数据与预设的划分区域重叠的范围内只有腰椎骨,因此,能够采用上述方法对髂骨上边缘进行定位。
其中,预设的划分区域是一个长度小于左右肋骨宽度和,但是大于脊椎宽度的划分区域。将第二冠状面图像数据与预设的划分区域进行匹配,具体实现时,该预设划分区域可以根据实际情况具体设置。举例说明:该预设的划分区域是长方形,长为90mm,宽为80mm。
基于脊椎锥孔的中心点,将重建后所获得的图像数据按照区域进行划分,获取待定位的预设动脉所处的目标区域的图像数据,利用该目标区域的图像数据对待定位的预设动脉进行定位。减少与待定位的预设动脉无关的区域的图像数据的干扰,提高待定位的预设动脉的定位的准确度。
实施例二
获取待定位的预设动脉所处的目标区域的图像数据,第二种可能的实现方式:
如图8所示,基于图像数据直接获取目标区域的图像数据,不依赖于脊椎锥孔的中心点,包括:
801:获取图像重建所得的图像数据。
图像重建所获得的图像数据,包括多个表征人体被扫描的横截面的图像数据。图3为一个图像数据的示意图,即为人体一个被扫描的横截面的图像数据。
802:根据所述图像数据确定肺部下边缘和/或髂骨上边缘。
803:根据所述肺部下边缘和/或所述髂骨上边缘获取所述目标区域的图像数据。
804:根据所述目标区域的图像数据对所述待定位的预设动脉进行定位。
实施例二中,并不对脊椎锥孔进行定位,而是直接利用图像数据确定肺部下边缘和/或髂骨上边缘。再根据肺部下边缘和/或髂骨上边缘获取目标区域的图像数据,进而对目标区域中的待定位的预设动脉进行定位。
根据图像数据确定肺部下边缘的实现方式
在一个例子中,所述根据所述图像数据确定肺部下边缘包括:
获取所述图像数据中人体边界内部小于第二阈值的点作为待处理点集;
检测所述待处理点集所组成的连通区域集合;
计算第一连通区域的体积与第二连通区域体积的比,所述第一连通区域是所述连通区域集合中体积最大的连通区域,所述第二连通区域是所述连通区域集合中体积次大的连通区域;
根据所述第一连通区域的体积与所述第二连通区域体积的比,确定所述第一连通区域表征左肺和右肺组成的连通区域时,获取所述第一连通区域距离脚部最近的下边缘所在的图像数据,作为所述肺部下边缘的第四图像数据;
根据所述第一连通区域的体积与所述第二连通区域体积的比,确定所述第一连通区域和所述第二连通区域分别表征左肺组成的连通区域和右肺组成的连通区域时,根据所述第一连通区域的下边缘和所述第二连通区域的下边缘,确定所述肺部下边缘的第五图像数据。
对图像数据进行整体处理,获取该图像数据中人体边界内部小于第二阈值的点作为待处理点集。从一个图像的边缘向图像中心进行检测时,若检测到由很低的灰度值跳变为一个较高的灰度值时,发生灰度值跳变的位置即为人体边界,即图像数据中表示人体表皮组织的位置。
小于第二阈值的点即为表示肺部空气区域的点,肺部空气区域的点的灰度值很小。第二阈值可以根据实际需要具体设置,举例说明,具体实现时,第二阈值可以设置为-200HU。
查找到图像数据中小于第二阈值的点作为待处理点集,检测待处理点集所组成的连通区域集合,每个连通区域集合都是三维的区域。从所找到的连通域集合中,获取体积最大的连通区域作为第一连通区域,获取体积次大的连通区域作为第二连通区域,即第二连通区域是连通域集合中体积仅小于第一连通区域的连通区域。
当第一连通区域的体积与第二连通区域的体积同时满足如下条件时,确定所述第一连通区域表征左肺和右肺组成的连通区域:
第一,第一连通区域的体积与第二连通区域的体积的比大于3;
第二,第一连通区域的中心线所在的冠状面上,该第一连通区域的两侧边界与人体中心线之间的距离都大于第三阈值。
第一连通区域的体积与第二连通区域的体积的比大于3,表示第一连通区域的体积远远大于第二连通区域的体积。若在第一连通区域的中心线所在的冠状面,第一连通区域左边界与人体中心线之间的距离大于第三阈值,第一连通区域右边界与人体中心线之间的距离也大于第三阈值时,该第一连通区域为左肺和右肺组成的连通区域。
该第一连通区域表示将左肺和右肺组成的连通区域,则检测该第一连通区域中,距离脚部最近的下边缘所在的图像数据,作为肺部下边缘的第四图像数据。
这里需要说明的是,还可以根据第一连通区域获得肺部上边缘的图像数据。检测该第一连通区域中,距离头部最近的边缘所在的图像数据,作为肺部上边缘的图像数据。
当第一连通区域的体积与第二连通区域的体积同时满足如下条件时,确定所述第一连通区域表征左肺组成的连通区域,而所述第二连通区域表示右肺组成的连通区域时:
第一,第一连通区域的体积与第二连通区域的体积的比小于2;
第二,第一连通区域与第二连通区域分别位于所述人体中心线两侧。
第一联通区域的体积与第二连通区域的体积的比小于2,则表示第一连通区域的体积与第二连通区域的体积相差不大。若第一连通区域与第二连通区域分别位于人体中心线两侧时,则第一连通区域与第二连通区域中,一个表示左肺组成的连通区域,另一个表示右肺的连通区域。
检测第一连通区域距离脚部最近的下边缘所在的第六图像数据,检测第二连通区域距离脚部最近的下边缘所在的第七图像数据,为了保证肺部下边缘的图像数据中,既包含左肺的空气区域,又包含右肺的空气区域,因此,从第六图像数据和第七图像数据中选择距离脚部较远的图像数据,作为肺部下边缘的第七图像数据。
根据图像数据确定髂骨上边缘的实现方式
在一个例子中,根据所述图像数据确定髂骨上边缘包括:
对所述图像数据在冠状面上进行投影获得第三冠状面图像数据;
检测所述第三冠状面图像数据中的所述人体中心线两侧的骨骼左边缘和骨骼右边缘;
将所述第三冠状面图像数据与预设的划分区域进行匹配,计算第五面积和第六面积,所述预设的划分区域的中心线与所述人体中心线重合,所述第五面积是所述预设的划分区域中骨骼的面积,所述第六面积是第七面积和第八面积的和,所述第七面积是所述预设的划分区域的左边缘与所述骨骼左边缘之间的骨骼的面积,所述第八面积是所述预设的划分区域的右边缘与所述骨骼右边缘之间的骨骼的面积;
当所述第五面积和所述第六面积的比值最大时,获取所述预设的划分区域中,与所述脚部最近的边缘线所在的图像数据,作为所述髂骨上边缘的图像数据。
根据图像数据确定髂骨上边缘的实现方式,与上述基于脊椎锥孔的中心点确定髂骨上边缘的实现方式类似。其区别主要是,上述基于脊椎锥孔的中心点确定髂骨上边缘时,将预设的划分区域的中心线与脊椎中心线重合;而根据图像数据确定髂骨上边缘时,将预设的划分区域的中心线与人体中心线重合。
定位髂骨上边缘,是查找髂骨区域距离头部最近的边缘所属的图像数据。先将图像数据在冠状面上进行投影获得第三冠状面图像数据。该投影方式可以采用最大值投影方式,一个投影点的灰度值,是投影在该投影点的图像数据的最大的灰度值;还可以采用累加的投影方式,一个投影点的灰度值,是投影在该投影点的图像数据的灰度值的累加和。
在图像数据中,骨骼的灰度值高,非骨骼的灰度值低,因此,当检测到从很高的灰度值跳变至很低的灰度值时,灰度值跳变处可以被认定为是骨骼边缘。采用上述方法检测第三冠状面图像数据中人体中心线两侧的骨骼左边缘和骨骼右边缘。
将第三冠状面图像数据与预设的划分区域进行匹配,则将预设的划分区域按照一定的顺序依次与第三冠状面图像数据进行重叠放置,并且,该预设的划分区域的中心线与人体中心线重合。当预设的划分区域与第三冠状面图像数据进行匹配时,计算预设的划分区域中的骨骼的面积作为第五面积。计算预设的划分区域的左边缘与骨骼左边缘之间的骨骼面积作为第七面积。计算预设的划分区域的右边缘与骨骼右边缘之间的骨骼面积作为第八面积。计算第七面积和第八面积的和作为第六面积。即第五面积为预设的划分区域内骨骼的面积,第六面积为由预设的划分区域的上边缘(预设的划分区域与头部近的边缘)和下边缘(预设的划分区域与脚部近的边缘)所界定的范围内,预设的划分区域之外的骨骼的面积。
计算第五面积和第六面积的比值,当第五面积与第六面积的比值最大时,此时,预设的划分区域外的骨骼面积很少。可以认为此时第三冠状面图像数据与预设的划分区域重叠的范围内,只有脊椎骨骼,脊椎骨骼两侧几乎没有骨骼。则此时该预设的划分区域的下边缘所属的图像数据即为髂骨上边缘的图像数据。髂骨上边缘的图像数据即为腰椎骨末端与髂骨相连处的图像数据,髂骨上边缘几乎只有腰椎骨,因此,当第五面积与第六面积的比值最大时,即能够表示第三冠状面图像数据与预设的划分区域重叠的范围内只有腰椎骨,因此,能够采用上述方法对髂骨上边缘进行定位。
其中,预设的划分区域是一个长度小于左右肋骨宽度和,但是大于脊椎宽度的划分区域。将第二冠状面图像数据与预设的划分区域进行匹配,具体实现时,该预设划分区域可以根据实际情况具体设置。举例说明:该预设的划分区域是长方形,长为90mm,宽为80mm。
上述实施例一主要描述了基于脊椎锥孔的中心点和图像数据对肺部下边缘和/或髂骨上边缘进行定位,上述实施例二主要描述了仅基于图像数据对肺部下边缘和/或髂骨上边缘进行定位。对肺部下边缘和/或髂骨上边缘进行定位后,需要根据肺部下边缘和/或髂骨上边缘确定目标区域的图像数据,进而根据目标区域的图像数据对待定位的预设动脉进行定位。因此,实施例一和实施例二中,根据所述肺部下边缘和/或所述髂骨上边缘获取所述目标区域的图像数据包括至少以下三种实现方式:
第一种可能的实现方式,包括:
根据所述肺部下边缘和髂骨上边缘获取腹主动脉对应的第一目标区域的图像数据;
则根据所述目标区域的图像数据对所述待定位的预设动脉进行定位包括:
根据所述第一目标区域的图像数据,定位腹主动脉的定位点。
定位了肺部下边缘和髂骨上边缘后,将图像数据中位于肺部下边缘的图像数据和髂骨上边缘的图像数据之间的图像数据,作为第一目标区域的图像数据。由于腹主动脉位于肺部下边缘和髂骨上边缘之间,则根据该第一目标区域的图像数据能够实现定位腹主动脉的定位点。
第二种可能的实现方式,包括:
根据所述肺部下边缘获取胸主动脉对应的第二目标区域的图像数据;
则根据所述目标区域的图像数据对所述目标区域中的血管进行定位包括:
根据所述第二目标区域的图像数据,定位所述第二目标区域中胸主动脉的定位点。
定位了肺部下边缘后,可以获取图像数据中位于肺部下边缘以上的图像数据,作为第二目标区域的图像数据。由于胸主动脉位于肺部下边缘与肺部上边缘之间,则根据第二目标区域的图像数据能够实现定位胸主动脉的定位点。
第三种可能的实现方式,包括:
根据所述髂骨上边缘获取髂总动脉对应的第三目标区域的图像数据;
则根据所述目标区域的图像数据对所述目标区域中的血管进行定位包括:
根据所述第三目标区域的图像数据,定位所述第三目标区域中髂总动脉的定位点。
定位了髂骨上边缘后,可以获取图像数据中位于髂骨上边缘以上的图像数据,作为第三目标区域的图像数据。由于髂总动脉位于髂骨上边缘以下,则根据第三目标区域的图像数据能够实现定位髂总动脉的定位点。
上述三种可能的实现方式中,获取目标区域的图像数据后,采用边缘检测,霍夫变换和聚类算法,根据该目标区域的图像数据实现对待定位的预设动脉进行定位。为了更好的说明如何采用边缘检测,霍夫变换和聚类算法对待定位的预设动脉进行定位,下述以对腹主动脉的定位点进行定位为例进行具体说明,其他类型的预设动脉的定位方式类似,这里不再一一赘述。
定位腹主动脉的定位点的实现方式
在一个例子中,所述根据所述第一目标区域的图像数据,定位腹主动脉的定位点包括:
对所述第一目标区域中的各个图像数据进行边缘检测,获得该图像数据的边缘集合;
对每个图像数据的所述边缘集合进行霍夫变换,获得该图像数据对应的第一圆形集合;
对图像数据的所述第一圆形集合的圆心用所述聚类算法进行聚类,获取聚类结果最大的圆心集合作为腹主动脉的定位点。
腹主动脉位于第一目标区域,获取第一目标区域的图像数据。从第一目标区域的图像数据中定位腹主动脉的定位点,腹主动脉的血管壁可以看作圆形的边缘,腹主动脉的定位点可以看作是腹主动脉的血管壁的中心点。
因此,先对第一目标区域中各个图像数据采用分别进行边缘检测,可以获得各个图像数据中的边缘集合。具体实现时,可以采用Canny边缘检测算子进行边缘检测。每个图像数据的边缘集合中,包括该图像数据中表征腹主动脉的血管壁的边缘。
获得每个图像数据中的边缘集合后,对各个图像数据的边缘集合进行霍夫变换,利用霍夫变换识别每个图像数据中的第一圆形集合。每个图像数据的第一圆形集合中,包括该图像数据中表征腹主动脉的血管壁的圆形。对第一目标区域中图像数据的第一圆形集合的圆心采用聚类算法在三维空间中进行聚类,获取聚类结果最大的圆心集合作为腹主动脉的定位点。聚类结果最大的圆心集合即为腹主动脉的血管壁的中心点集合。从而实现对腹主动脉的定位。
定位腹部分支血管定位点的具体实现方式
定位了腹主动脉的定位点后,基于上述腹主动脉的定位点的定位结果,对腹部分支血管进行定位和识别,所述方法还包括:
根据所述腹主动脉的定位点对所述图像数据中的所述腹主动脉进行分割,获得表示所述腹主动脉的点;
以每个所述腹主动脉的定位点为中心,基于预设的膨胀半径对所述腹主动脉进行膨胀,所述预设的膨胀半径与所述腹主动脉的半径的差小于预设的差值;
从图像膨胀所得的点中去除所述腹主动脉的点获得第一点集;
从所述第一点集中获取单连通区域的中心点作为第二点集,所述第二点集是腹部分支血管的定位点;
将所述第二点集与预设的腹部分支血管模型进行匹配,识别腹部分支血管的类型。
基于腹主动脉的定位点,采用优先队列的方法从图像数据中对腹主动脉进行分割。优先队列的实现方式如下:从多个腹主动脉的定位点中任选一个定位点,作为分割时采用的种子点,先分割出该种子点的邻域中,与该种子点灰度值最接近的点作为新的种子点。再分割出新的种子点的邻域中,与该新的种子点灰度值最接近的点。以此类推,直至种子点的灰度值,与该种子点的领域的点的灰度值相比,灰度值变化超过预设的第一分割阈值时,停止继续分割,将已经从第一目标区域的图像数据中分割得到的种子点都作为表示腹主动脉的点。灰度值变化,包括种子点的灰度值,比该种子点的领域的点的灰度值大;也包括种子点的灰度值,比该种子点的领域的点的灰度值小。第一分割阈值,用于表征种子点的灰度值,与该种子点的领域的点的灰度值,允许灰度值变化的最大临界值;灰度值变化超过第一分割阈值时,表示灰度值变化很大,种子点与该种子点邻域的点不属于同一血管;灰度值变化不超过第一分割阈值时,表示灰度值变化小,种子点与该种子点邻域的点不属于同一血管。
腹部分支血管是与腹主动脉相连通的分支血管,基于每个腹主动脉的定位点,基于预设的膨胀半径进行膨胀,该预设的膨胀半径与腹主动脉的半径的差小于预设的差值。上述步骤主要是为了获得腹主动脉与分支血管相连通处的图像数据。一般情况下,预设的差值很小,该预设的差值可以根据实际需要进行具体设置,这里不再赘述。
从图像膨胀所得的点中去除腹主动脉的点获得第一点集,从第一点集中获取单连通区域的中心点作为第二点集。这里需要说明的是,只有腹主动脉与腹部分支血管相连通的区域,才会存在单连通区域。其中,第二点集是腹部分支血管的定位点,也就是腹部分支血管的中心点。
获得腹部分支血管的定位点后,将第二点集(即腹部分支血管的定位点)与预设的腹部分支血管模型进行匹配,识别每个腹部分支血管的类型,即对各个腹部分支血管进行识别定位。
具体实现时,还可以根据单连通区域的半径,以及灰度值信息,排除不符合实际需求的单连通区域,从而能够排除不符合实际需求的单连通区域的中心点。将符合实际需求的单连通区域的中心点作为腹部分支血管的定位点。具体实现时,举例说明,可以排除半径大于60mm的单连通区域,排除平均灰度值小于100HU的单连通区域。
将腹部分支血管的定位点(即第二点集)与预设的腹部分支血管模型进行匹配时,如果腹部分支血管的定位点的个数与预设的腹部分支血管模型中分支血管个数相等,将腹部分支血管的定位点在图像数据中的位置,与该预设的腹部分支血管模型匹配,腹部分支血管模型中各个腹部分支血管的类型已知,即可确定图像数据中该腹部分支血管的类型。
如果腹部分支血管的定位点的个数大于预设的腹部分支血管模型中分支血管个数,将腹部分支血管的定位点进行自由组合,获得与预设的腹部分支血管模型中分支血管个数相同的定位点组合结果,将每个定位点组合结果分别与腹部分支血管模型进行匹配,选出与部分支血管模型匹配度最高的定位点组合结果,基于该定位点组合结果在图像数据中的位置,确定图像数据中各个腹部分支血管的类型。
如果腹部分支血管的定位点的个数小于预设的腹部分支血管模型中分支血管个数,通过腹部分支血管的位置、与腹主动脉角度关系,腹部分支血管的半径大小、腹部分支血管的灰度值等信息识别腹部分支血管的类型。
基于腹主动脉的定位点定位胸主动脉的定位点的具体实现方式
在一个例子中,所述方法还包括:
对所述第二目标区域中的各个图像数据进行边缘检测,获得该图像数据的边缘集合;
对每个图像数据的所述边缘集合进行霍夫变换,获得该图像数据对应的投票图;
以所述图像数据的投票图作为速度图,从所述腹主动脉的定位点选取一个定位点作为第一基准点,采用快速步进算法检测所述第一基准点到预设的肺部上边缘的路径,将所述路径上位于所述肺部下边缘和所述肺部上边缘之间的点作为所述胸主动脉的定位点。
可以理解的是,图像数据中能够表征胸主动脉的血管壁的也是圆,而胸主动脉位于第二目标区域中,第二目标区域是肺部下边缘以上的区域,胸主动脉位于肺部上边缘和肺部下边缘之间。则对第二目标区域中的图像数据进行边缘检测,获得每个图像数据的边缘集合,再对每个图像数据的边缘集合分别进行霍夫变换,从而获得各个图像数据的投票图。各个图像数据的投票图中,包括能够表征胸主动脉的血管壁的圆。这里需要说明的是,具体实现时,可以采用Canny边缘检测算子进行边缘检测。
以图像数据的投票图作为速度图,从腹主动脉的定位点中选取一个定位点作为第一基准点,采用快速步进算法检测第一基准点到预设的肺部上边缘的路径,将该路径上位于肺部下边缘和肺部上边缘之间的点作为所述胸主动脉的定位点。具体实现时,可以选取位于肺部下边缘所属的图像数据中的腹主动脉的定位点。
可以理解的是,由于胸主动脉与腹主动脉是连通的,胸主动脉的定位点,可以看作是腹主动脉的定位点在第二目标区域的速度图(投票图)中的延伸,因此,可以采用快速步进算法检测到胸主动脉的定位点。
基于胸主动脉的定位点定位升主动脉的定位点的具体实现方式
在一个例子中,所述方法还包括:
根据所述胸主动脉的定位点对所述图像数据中的所述胸主动脉进行分割,获得表示所述胸主动脉的点;
从预设的第四目标区域的图像数据中去除所述胸主动脉的点,获得所述第四目标区域的修正的图像数据,所述第四目标区域是位于所述肺部上边缘与所述肺部下边缘之间,并且不包括脊椎的区域;
对所述修正的图像数据进行霍夫变换,获得所述修正的图像数据对应的第二圆形集合;
对所述第二圆形集合的圆心用所述聚类算法进行聚类,获取聚类结果最大的圆心集合作为升主动脉的定位点。
基于胸主动脉的定位点,采用优先队列的方法从图像数据中对胸主动脉进行分割。优先队列的实现方式如下:从多个胸主动脉的定位点中任选一个定位点,作为分割时采用的种子点,先分割出该种子点的邻域中,与该种子点灰度值最接近的点作为新的种子点。再分割出新的种子点的邻域中,与该新的种子点灰度值最接近的点。以此类推,直至种子点的灰度值,与该种子点的领域的点的灰度值相比,灰度值变化超过预设的第二分割阈值时,停止继续分割,将已经从第二目标区域的图像数据中分割得到的种子点都作为表示胸主动脉的点。第二分割阈值,用于表征种子点的灰度值,与该种子点的领域的点的灰度值,允许灰度值变化的最大临界值。
从第二目标区域(肺部下边缘以上)的图像数据中,获得不包括脊椎的区域作为预设的第四目标区域的图像数据。该预设的第四目标区域位于第二目标区域前胸方向上三分之二位置上的区域,该预设的第四目标区域中没有表示脊椎的图像数据。从第二目标区域中去除表示胸主动脉的点,获得第四目标区域的修正的图像数据。因此,第四目标区域中没有表示脊椎的图像数据的干扰,也没有表示胸主动脉的点的干扰。
升主动脉位于预设的第四目标区域中,并且预设的第四目标区域的图像数据中,表示升主动脉的血管壁的也是圆形。因此,对修正的图像数据进行霍夫变换,获得该修正的图像数据中的第二圆形集合。该第二圆形集合中即存在表示升主动脉的血管臂的圆形。对第二圆形集合的圆形采用聚类算法进行聚类,将聚类结果最大的圆心集合作为升主动脉的定位点。
基于腹主动脉的定位点定位髂总动脉的定位点的具体实现方式
在一个例子中,所述方法还包括:
对所述第三目标区域中的各个图像数据进行边缘检测,获得该图像数据的边缘集合;
对每个图像数据的所述边缘集合进行霍夫变换,获得该图像数据对应的投票图;
以图像数据的投票图作为速度图,从所述腹主动脉的定位点选取一个定位点作为第二基准点,采用快速步进算法检测所述第二基准点到髂总动脉的分叉区域的两条路径;
从所述两条路径中选取满足预设的距离阈值的点作为所述髂总动脉的定位点,所述髂总动脉的定位点中任意两个距离最近的点之间的距离不大于所述预设的距离阈值。
可以理解的是,图像数据中能够表征髂总动脉的血管壁的也是圆,而髂总动脉位于第三目标区域中,第三目标区域是髂骨上边缘以下的区域。髂总动脉位于髂骨上边缘以下。则对第三目标区域中的图像数据进行边缘检测,获得每个图像数据的边缘集合,再对每个图像数据的边缘集合分别进行霍夫变换,从而获得各个图像数据的投票图。各个图像数据的投票图中,包括能够表征髂总动脉的血管壁的圆。这里需要说明的是,具体实现时,可以采用Canny边缘检测算子进行边缘检测。
以图像数据的投票图作为速度图,从腹主动脉的定位点中选取一个定位点作为第二基准点,采用快速步进算法检测第二基准点到髂动脉分叉区域的两条路径,该髂动脉分叉区域即为左髂总动脉和右髂总动脉的分叉区域。髂动脉分叉区域的低阈值和高阈值满足如下条件:
从两条路径中选取满足预设的距离阈值的点作为髂总动脉的定位点,确保髂总动脉的定位点中任意两个距离最近的点的距离不大于预设的距离阈值。可以理解的是,从第二基准点到左髂总动脉和右髂总动脉的分叉区域的两条路径中,两条路径在腹主动脉中同一位置上的点距离很近,而两条路径在髂总动脉处上的点距离较远,当分别位于两条路径上,并且距离最近的两点之间距离大于预设的距离阈值时,表示两条路径分别位于不同的髂动脉分支血管。利用上述方法,可以找到腹主动脉最开始分叉至髂总动脉的区域。
具体实现时,采用快速步进的算法检测所述第二基准点到髂动脉的分叉区域的两条路径,边检测边计算两条路径上位置最近的点之间的距离,当距离大于预设的距离阈值时,停止检测。
可以理解的是,由于腹主动脉与髂总动脉是连通的,髂总动脉的定位点,可以看作是腹主动脉的定位点在第三目标区域的速度图(投票图)中的延伸,因此,可以采用快速步进算法检测到髂总动脉的定位点。
心脏的定位具体实现方式
在一个例子中,所述方法还包括:
获取所述升主动脉的定位点中距离脚部最近的点作为所述升主动脉的开口点;
根据所述图像数据获得所述开口点所在的冠状面的图像数据作为第四冠状面图像数据;
根据所述第四冠状面数据确定与冠状轴垂直的第一标记线和第二标记线,所述第一标记线包括所述开口点,所述第二标记线包括所述冠状面数据中右肺叶中最长的宽度线段;
从所述图像数据中获取所述第一标记图像与所述第二标记图像之间的图像数据作为标记区域的图像数据,所述第一标记图像是所述第一标记线所在的横截面图像,所述第二标记图像是所述第二标记线所在的横截面图像;
确定所述标记区域的每个图像数据中第五目标区域,所述第五目标区域仅包括心脏和肺部;
每个图像数据的第五目标区域中,检测以标记点为中心的射线与肺部区域的第一个交点作为该图像数据的心脏的轮廓点,所述标记点是所述升主动脉的定位点或所述升主动脉的定位点所形成的中心线的延长线;
对每个图像数据中的心脏的轮廓点进行差值平滑处理获得所述标记区域的心脏轮廓的图像数据。
获取升主动脉的定位点,将该升主动脉的定位点中与脚部最近的点作为升主动脉的开口点。根据图像数据获得该升主动脉的开口点所在的冠状面的图像数据作为第四冠状面图像数据,第四冠状面图像数据如图9所示。可以理解的是,升主动脉的开口点与心脏相连通,基于该升主动脉的开口点所获得的第四冠状面图像数据,能够包含心脏的轮廓。
检测第四冠状面的图像数据中右肺叶的宽度,右肺叶的宽度指的是右肺叶中空气区域的宽度,即右肺叶的左边缘到右肺叶的右边缘之间的线段的长度,图10中横线所示的即为右肺叶的宽度。将右肺叶中最长的宽度线所在的线作为第二标记线。将该升主动脉的开口点所在的线作为第一标记线。该第一标记线和第二标记线都与第四冠状面的冠状轴垂直。第一标记线和第二标记线如图11所示。
将第一标记线所在的图像作为第一标记图像,将第二标记线所在的图像作为第二标记图像,从图像数据中获取位于第一标记图像和第二标记图像之间的图像数据作为标记区域的图像数据。
从标记区域的每个图像数据中,确定第五目标区域,该第五目标区域仅包括心脏和肺部。具体实现时,以左肺和右肺在人体胸部方向上最近的两点分别作为起始点和结束点,采用快速步进算法获得第五目标区域的第一边缘;再将标记区域的图像数据中,降主动脉中距离脊椎最远的点所在的分割线作为第五目标区域的第二边缘。第一边缘和第二边缘所界定的第五目标区域中,不包含降主动脉,也不包含脊椎,只包含心脏和肺部区域,该第五目标区域另外两侧的边缘不限,从而所获得的第五目标区域,如图12所示。
确定标记区域的每个图像数据中的标记点,该标记点是升主动脉的定位点,或者该升主动脉的定位点所形成的中心线的延长线与该图像数据的交点。具体实现时,可以采用快速步进的方法,获得该升主动脉的中心线的延长线与该图像数据的交点。
在每个标记区域的图像数据中,以该标记区域的图像数据的标记点为中心,向四周发送射线,检测该射线与最近的边缘线的交点作为心脏的轮廓点,或者检测该射线与肺部区域的第一个交点作为该图像数据的心脏的轮廓点。可以理解的是,射线与肺部区域的第一个交点即为射线与最近的边缘线的交点。对每个图像数据中的心脏的轮廓点进行差值平滑处理,即可获得该标记区域每个图像数据中的心脏轮廓的图像数据。
以标记区域的图像数据中心脏轮廓的图像数据为基础,采用snake拟合算法,从而得到整个心脏轮廓的图像数据,基于心脏轮廓的图像数据实现对心脏的分割。
肾脏的定位具体实现方式
在一个例子中,获取所述第一目标区域的图像数据;
检测所述第一目标区域中每个图像数据中的边缘线;
对所述第一目标区域中每个图像数据中的边缘线采用聚类算法进行聚类,获得所述第一目标区域中每个图像数据的左肾脏的初始轮廓线和右肾脏的初始轮廓线;
将所述第一目标区域中每个图像数据的左肾脏的初始轮廓线和右肾脏的初始轮廓线,与预设的肾脏轮廓模板进行匹配,查找所述第一目标区域中的标准图像数据,所述标准图像数据中的左肾脏的初始轮廓线和右肾脏的初始轮廓线与所述预设的肾脏轮廓模板的匹配度最高;
基于所述标准图像数据中的左肾脏的初始轮廓线和右肾脏的初始轮廓线,采用快速步进的算法,检测所述第一目标区域中每个图像数据中的左肾脏的实际轮廓线和右肾脏的实际轮廓线。
检测肾脏边缘时,在第一目标区域内(肺部下边缘和髂骨上边缘之间),采用canny算子,逐一检测第一目标区域内每个图像数据中的边缘点,删除每个图像数据中,距离人体中心线超过120mm的边缘点,即删除无用的干扰性的边缘(人体边缘等);并且删除8邻域内有灰度小于700HU的边缘点,即删除表示结肠的边缘点的影响。最终获得第一目标区域内每个图像数据的边缘点,对边缘点的连线,从而能够获得第一目标区域中每个图像数据的边缘线。
根据人体中心线,将第一目标区域中每个图像的边缘线划分成左边缘线集合和右边缘线集合,左边缘线集合是第一目标区域中位于人体中心线左边的边缘线的集合,右边缘线集合是第一目标区域中位于人体中心线右边的边缘线的集合。
对第一目标区域中每个图像数据中的左边缘线集合和右边缘集合分别采用聚类算法进行聚类,以左边缘线集合为例进行说明。对于第一目标区域中每个图像数据来说,先删除左边缘线集合中,包含边缘点的个数小于40或者大于600的边缘线,避免血管边缘或者非肾脏边缘的影响;然后检测左边缘线集合中,每个边缘线的右上角点和左下角点,获得右上角点和左下角点确定的线段作为基准线段;计算该边缘线上的每个边缘点距离该基准线段的距离,删除距离该基准线段的距离和小于7mm的边缘线,将距离和最小的边缘点所形成的边缘线作为该图像数据中的左肾脏的边缘线。同理,可以基于上述方法,检测第一目标区域中,每个图像数据的右肾脏的边缘线。
基于第一目标区域中每个图像数据的左肾脏的边缘线,分别计算每个图像数据的左肾脏的中心点,基于第一目标区域中每个图像数据的右肾脏的边缘线,分别计算每个图像数据的右肾脏的中心点。对图像数据中的左肾脏的中心点进行聚类,选取最大的聚类结果作为左肾脏的中心点;对图像数据中的右肾脏的中心点进行聚类,选取最大的聚类结果作为右肾脏的中心点。
在第一目标区域的每个图像数据中,基于该图像数据中的左肾脏的中心点,对左边缘线集合进行聚类,选择左肾脏的中心点对应的边缘点最多的边缘线作为左肾脏的初始轮廓线;同理,基于该图像数据中的右肾脏的中心点,对右边缘线集合进行聚类,选择右肾脏的中心点对应的边缘点最多的边缘线作为右肾脏的初始轮廓线。
将第一目标区域中每个图像数据的左肾脏的初始轮廓线和右肾脏的初始轮廓线与预设的肾脏轮廓模板进行匹配,查找第一目标区域中的标准图像数据,该标准图像数据中的左肾脏的初始轮廓线和右肾脏的初始轮廓线与肾脏轮廓模板的匹配度最高。
标准图像数据的中左肾脏的初始轮廓线,即为该标准图像数据中左肾脏的实际轮廓线,标准图像数据的中右肾脏的初始轮廓线,即为该标准图像数据中右肾脏的实际轮廓线。基于该标准图像数据中的左肾脏的实际轮廓线和右肾脏的实际轮廓线,采用快速步进的算法,检测第一目标区域中每个图像数据中的左肾脏的实际轮廓线和右肾脏的实际轮廓线。
可以理解的是,确定了第一目标区域中每个图像数据中的左肾脏的实际轮廓线和右肾脏的实际轮廓线后,可以实现对图像数据中肾脏的分割。
图13为本发明实施例提供的血管定位装置结构示意图,包括:
第一获取模块1301,用于获取图像重建所得的图像数据。
第二获取模块1302,用于从所述图像数据获取待定位的预设动脉所处的目标区域的图像数据。
定位模块1303,用于根据所述目标区域的图像数据对所述待定位的预设动脉进行定位。
在一个例子中,所述第二获取模块包括:
定位单元,用于对所述图像数据中的脊椎锥孔的中心点进行定位;
第一获取单元,用于根据所述图像数据以及所述脊椎锥孔的中心点,从所述图像数据获取所述目标区域的图像数据。
在一个例子中,所述第一获取模块包括:
确定子单元,用于根据所述图像数据以及所述脊椎锥孔的中心点,确定肺部下边缘和/或髂骨上边缘;
获取子单元,用于根据所述肺部下边缘和/或所述髂骨上边缘,获取所述目标区域的图像数据。
在一个例子中,所述第二获取模块包括:
确定单元,用于根据所述图像数据确定肺部下边缘和/或髂骨上边缘;
第二获取单元,用于根据所述肺部下边缘和/或所述髂骨上边缘,获取所述目标区域的图像数据。
图13所示的血管定位的装置,是与图1所示的血管定位的方法所对应的装置,具体实现方法与图1所示的方法类似,参考与1所示的方法的描述,这里不再赘述。
图14为本发明实施例提供的血管定位装置结构示意图,包括:
处理器1401,存储器1402,通信总线1403;所述处理器1401与所述存储器1402通过所述通信总线1403相连。
所述存储器1402用于存储指令,所述处理器1401用于从所述存储器1402调用指令执行,所述指令包括:
获取图像重建所得的图像数据;
从所述图像数据获取待定位的预设动脉所处的目标区域的图像数据;
根据所述目标区域的图像数据对所述待定位的预设动脉进行定位。
图14所示的血管定位的装置,是与图1所示的血管定位的方法所对应的装置,具体实现方法与图1所示的方法类似,参考与1所示的方法的描述,这里不再赘述。
以上所述仅是本发明的实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (17)
1.一种血管定位的方法,其特征在于,所述方法包括:
获取图像重建所得的图像数据;
从所述图像数据获取待定位的预设动脉所处的目标区域的图像数据;
根据所述目标区域的图像数据对所述待定位的预设动脉进行定位。
2.根据权利要求1所述的方法,其特征在于,所述从所述图像数据获取待定位的预设动脉所处的目标区域的图像数据包括:
对所述图像数据中的脊椎锥孔的中心点进行定位;
根据所述图像数据以及所述脊椎锥孔的中心点,从所述图像数据获取所述目标区域的图像数据。
3.根据权利要求2所述的方法,其特征在于,所述根据所述图像数据以及所述脊椎锥孔的中心点,从所述图像数据获取所述目标区域的图像数据包括:
根据所述图像数据以及所述脊椎锥孔的中心点,确定肺部下边缘和/或髂骨上边缘;
根据所述肺部下边缘和/或所述髂骨上边缘,获取所述目标区域的图像数据。
4.根据权利要求1所述的方法,其特征在于,所述从所述图像数据获取待定位的预设动脉所处的目标区域的图像数据包括:
根据所述图像数据确定肺部下边缘和/或髂骨上边缘;
根据所述肺部下边缘和/或所述髂骨上边缘,获取所述目标区域的图像数据。
5.根据权利要求4所述的方法,其特征在于,所述根据所述图像数据确定肺部下边缘包括:
获取所述图像数据中人体边界内部小于第二阈值的点作为待处理点集;
检测所述待处理点集所组成的连通区域集合;
计算第一连通区域的体积与第二连通区域体积的比,所述第一连通区域是所述连通区域集合中体积最大的连通区域,所述第二连通区域是所述连通区域集合中体积次大的连通区域;
根据所述第一连通区域的体积与所述第二连通区域体积的比,确定所述第一连通区域表征左肺和右肺组成的连通区域时,获取所述第一连通区域距离脚部最近的下边缘所在的图像数据,作为所述肺部下边缘的第四图像数据;
根据所述第一连通区域的体积与所述第二连通区域体积的比,确定所述第一连通区域和所述第二连通区域分别表征左肺组成的连通区域和右肺组成的连通区域时,根据所述第一连通区域的下边缘和所述第二连通区域的下边缘,确定所述肺部下边缘的第五图像数据。
6.根据权利要求4所述的方法,其特征在于,根据所述图像数据确定髂骨上边缘包括:
对所述图像数据在冠状面上进行投影获得第三冠状面图像数据;
检测所述第三冠状面图像数据中的所述人体中心线两侧的骨骼左边缘和骨骼右边缘;
将所述第三冠状面图像数据与预设的划分区域进行匹配,计算第五面积和第六面积,所述预设的划分区域的中心线与所述人体中心线重合,所述第五面积是所述预设的划分区域中骨骼的面积,所述第六面积是第七面积和第八面积的和,所述第七面积是所述预设的划分区域的左边缘与所述骨骼左边缘之间的骨骼的面积,所述第八面积是所述预设的划分区域的右边缘与所述骨骼右边缘之间的骨骼的面积;
当所述第五面积和所述第六面积的比值最大时,获取所述预设的划分区域中,与所述脚部最近的边缘线所在的图像数据,作为所述髂骨上边缘的图像数据。
7.根据权利要求3或4任意一项所述的方法,其特征在于,
根据所述肺部下边缘和髂骨上边缘获取腹主动脉对应的第一目标区域的图像数据;
则根据所述目标区域的图像数据对所述待定位的预设动脉进行定位包括:
根据所述第一目标区域的图像数据,定位腹主动脉的定位点。
8.根据权利要求3或4任意一项所述的方法,其特征在于,
根据所述肺部下边缘获取胸主动脉对应的第二目标区域的图像数据;
则根据所述目标区域的图像数据对所述目标区域中的血管进行定位包括:
根据所述第二目标区域的图像数据,定位所述第二目标区域中胸主动脉的定位点。
9.根据权利要求3或4任意一项所述的方法,其特征在于,
根据所述髂骨上边缘获取髂总动脉对应的第三目标区域的图像数据,所述髂总动脉包括左髂总动脉和右髂总动脉;
则根据所述目标区域的图像数据对所述目标区域中的血管进行定位包括:
根据所述第三目标区域的图像数据,定位所述第三目标区域中髂总动脉的定位点。
10.根据权利要求7所述的方法,其特征在于,所述根据所述第一目标区域的图像数据,定位腹主动脉的定位点包括:
对所述第一目标区域中的各个图像数据进行边缘检测,获得该图像数据的边缘集合;
对每个图像数据的所述边缘集合进行霍夫变换,获得该图像数据对应的第一圆形集合;
对图像数据的所述第一圆形集合的圆心用所述聚类算法进行聚类,获取聚类结果最大的圆心集合作为腹主动脉的定位点。
11.根据权利要求7所述的方法,其特征在于,所述方法还包括:
根据所述腹主动脉的定位点对所述图像数据中的所述腹主动脉进行分割,获得表示所述腹主动脉的点;
以每个所述腹主动脉的定位点为中心,基于预设的膨胀半径对所述腹主动脉进行膨胀,所述预设的膨胀半径与所述腹主动脉的半径的差小于预设的差值;
从图像膨胀所得的点中去除所述腹主动脉的点获得第一点集;
从所述第一点集中获取单连通区域的中心点作为第二点集,所述第二点集是腹部分支血管的定位点;
将所述第二点集与预设的腹部分支血管模型进行匹配,识别腹部分支血管的类型。
12.根据权利要求7所述的方法,其特征在于,所述方法还包括:
对所述第二目标区域中的各个图像数据进行边缘检测,获得该图像数据的边缘集合;
对每个图像数据的所述边缘集合进行霍夫变换,获得该图像数据对应的投票图;
以所述图像数据的投票图作为速度图,从所述腹主动脉的定位点选取一个定位点作为第一基准点,采用快速步进算法检测所述第一基准点到预设的肺部上边缘的路径,将所述路径上位于所述肺部下边缘和所述肺部上边缘之间的点作为所述胸主动脉的定位点。
13.根据权利要求12所述的方法,其特征在于,所述方法还包括:
根据所述胸主动脉的定位点对所述图像数据中的所述胸主动脉进行分割,获得表示所述胸主动脉的点;
从预设的第四目标区域的图像数据中去除所述胸主动脉的点,获得所述第四目标区域的修正的图像数据,所述预设的第四目标区域是位于所述肺部上边缘与所述肺部下边缘之间,并且不包括脊椎的区域;
对所述修正的图像数据进行霍夫变换,获得所述修正的图像数据对应的第二圆形集合;
对所述第二圆形集合的圆心用所述聚类算法进行聚类,获取聚类结果最大的圆心集合作为升主动脉的定位点。
14.根据权利要求7所述的方法,其特征在于,所述方法还包括:
对所述第三目标区域中的各个图像数据进行边缘检测,获得该图像数据的边缘集合;
对每个图像数据的所述边缘集合进行霍夫变换,获得该图像数据对应的投票图;
以图像数据的投票图作为速度图,从所述腹主动脉的定位点选取一个定位点作为第二基准点,采用快速步进算法检测所述第二基准点到髂总动脉的分叉区域的两条路径;
从所述两条路径中选取满足预设的距离阈值的点作为所述髂总动脉的定位点,所述髂总动脉的定位点中任意两个距离最近的点之间的距离不大于所述预设的距离阈值。
15.根据权利要求13所述的方法,其特征在于,所述方法还包括:
获取所述升主动脉的定位点中距离脚部最近的点作为所述升主动脉的开口点;
根据所述图像数据获得所述开口点所在的冠状面的图像数据作为第四冠状面图像数据;
根据所述第四冠状面数据确定与冠状轴垂直的第一标记线和第二标记线,所述第一标记线包括所述开口点,所述第二标记线包括所述冠状面数据中右肺叶中最长的宽度线段;
从所述图像数据中获取所述第一标记图像与所述第二标记图像之间的图像数据作为标记区域的图像数据,所述第一标记图像是所述第一标记线所在的横截面图像,所述第二标记图像是所述第二标记线所在的横截面图像;
确定所述标记区域的每个图像数据中第五目标区域,所述第五目标区域仅包括心脏和肺部;
每个图像数据的第五目标区域中,检测以标记点为中心的射线与肺部区域的第一个交点作为该图像数据的心脏的轮廓点,所述标记点是所述升主动脉的定位点或所述升主动脉的定位点所形成的中心线的延长线;
对每个图像数据中的心脏的轮廓点进行差值平滑处理获得所述标记区域的心脏的图像数据。
16.根据权利要求7所述的方法,其特征在于,所述方法还包括:
检测所述第一目标区域中每个图像数据中的边缘线;
对所述第一目标区域中每个图像数据中的边缘线采用聚类算法进行聚类,获得所述第一目标区域中每个图像数据的左肾脏的初始轮廓线和右肾脏的初始轮廓线;
将所述第一目标区域中每个图像数据的左肾脏的初始轮廓线和右肾脏的初始轮廓线,与预设的肾脏轮廓模板进行匹配,查找所述第一目标区域中的标准图像数据,所述标准图像数据中的左肾脏的初始轮廓线和右肾脏的初始轮廓线与所述预设的肾脏轮廓模板的匹配度最高;
基于所述标准图像数据中的左肾脏的初始轮廓线和右肾脏的初始轮廓线,采用快速步进的算法,检测所述第一目标区域中每个图像数据中的左肾脏的实际轮廓线和右肾脏的实际轮廓线。
17.一种血管定位的装置,其特征在于,所述装置包括:
第一获取模块,用于获取图像重建所得的图像数据;
第二获取模块,用于从所述图像数据获取待定位的预设动脉所处的目标区域的图像数据;
定位模块,用于根据所述目标区域的图像数据对所述待定位的预设动脉进行定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710457879.6A CN107292928B (zh) | 2017-06-16 | 2017-06-16 | 一种血管定位的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710457879.6A CN107292928B (zh) | 2017-06-16 | 2017-06-16 | 一种血管定位的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107292928A true CN107292928A (zh) | 2017-10-24 |
CN107292928B CN107292928B (zh) | 2020-07-10 |
Family
ID=60097868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710457879.6A Active CN107292928B (zh) | 2017-06-16 | 2017-06-16 | 一种血管定位的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292928B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399647A (zh) * | 2018-03-05 | 2018-08-14 | 四川和生视界医药技术开发有限公司 | 视网膜血管边缘线的编辑方法以及编辑装置 |
CN108734771A (zh) * | 2018-05-14 | 2018-11-02 | 合肥融视信息科技有限公司 | 基于三维医学影像的血管提取系统及分析方法 |
CN109118501A (zh) * | 2018-08-03 | 2019-01-01 | 上海电气集团股份有限公司 | 图像处理方法及系统 |
CN109166114A (zh) * | 2018-08-24 | 2019-01-08 | 武汉轻工大学 | 脊柱椎间隙识别方法、设备、存储介质及装置 |
CN109544543A (zh) * | 2018-11-29 | 2019-03-29 | 上海联影医疗科技有限公司 | 一种血管识别方法、终端及可读介质 |
CN112132837A (zh) * | 2020-08-19 | 2020-12-25 | 心医国际数字医疗系统(大连)有限公司 | 一种胸部骨骼自动提取方法、系统、电子设备及存储介质 |
CN112353494A (zh) * | 2020-11-14 | 2021-02-12 | 大连理工大学 | 升主动脉、主动脉弓及其三大分支参数化建模方法 |
WO2021078040A1 (zh) * | 2019-10-21 | 2021-04-29 | 推想医疗科技股份有限公司 | 一种病灶的定位方法及装置 |
WO2022000728A1 (zh) * | 2020-06-29 | 2022-01-06 | 苏州润迈德医疗科技有限公司 | 基于ct序列图像获取降主动脉的方法和系统 |
JP2023532268A (ja) * | 2020-06-29 | 2023-07-27 | ▲蘇▼州▲潤▼▲邁▼▲徳▼医▲療▼科技有限公司 | 深層学習に基づいて大動脈を取得する方法及び記憶媒体 |
JP2023532267A (ja) * | 2020-06-29 | 2023-07-27 | ▲蘇▼州▲潤▼▲邁▼▲徳▼医▲療▼科技有限公司 | Ctシーケンス画像に基づいて大動脈中心線を取得する方法及びシステム |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100034439A1 (en) * | 2008-08-08 | 2010-02-11 | Kabushiki Kaisha Toshiba | Medical image processing apparatus and medical image processing method |
CN104166978A (zh) * | 2013-12-27 | 2014-11-26 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
CN105405124A (zh) * | 2015-10-23 | 2016-03-16 | 浙江工业大学 | 基于动态处理窗口及二值区域跟踪的血管分支提取方法 |
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 |
-
2017
- 2017-06-16 CN CN201710457879.6A patent/CN107292928B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100034439A1 (en) * | 2008-08-08 | 2010-02-11 | Kabushiki Kaisha Toshiba | Medical image processing apparatus and medical image processing method |
CN104166978A (zh) * | 2013-12-27 | 2014-11-26 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
CN105405124A (zh) * | 2015-10-23 | 2016-03-16 | 浙江工业大学 | 基于动态处理窗口及二值区域跟踪的血管分支提取方法 |
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 |
Non-Patent Citations (1)
Title |
---|
徐智 等,: ""心血管造影图像中的心血管提取"", 《中国生物医学工程学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399647B (zh) * | 2018-03-05 | 2021-10-26 | 四川和生视界医药技术开发有限公司 | 视网膜血管边缘线的编辑方法以及编辑装置 |
CN108399647A (zh) * | 2018-03-05 | 2018-08-14 | 四川和生视界医药技术开发有限公司 | 视网膜血管边缘线的编辑方法以及编辑装置 |
CN108734771A (zh) * | 2018-05-14 | 2018-11-02 | 合肥融视信息科技有限公司 | 基于三维医学影像的血管提取系统及分析方法 |
CN109118501A (zh) * | 2018-08-03 | 2019-01-01 | 上海电气集团股份有限公司 | 图像处理方法及系统 |
CN109166114A (zh) * | 2018-08-24 | 2019-01-08 | 武汉轻工大学 | 脊柱椎间隙识别方法、设备、存储介质及装置 |
CN109544543B (zh) * | 2018-11-29 | 2021-08-27 | 上海联影医疗科技股份有限公司 | 一种血管识别方法、终端及可读介质 |
CN109544543A (zh) * | 2018-11-29 | 2019-03-29 | 上海联影医疗科技有限公司 | 一种血管识别方法、终端及可读介质 |
WO2021078040A1 (zh) * | 2019-10-21 | 2021-04-29 | 推想医疗科技股份有限公司 | 一种病灶的定位方法及装置 |
WO2022000728A1 (zh) * | 2020-06-29 | 2022-01-06 | 苏州润迈德医疗科技有限公司 | 基于ct序列图像获取降主动脉的方法和系统 |
JP2023532268A (ja) * | 2020-06-29 | 2023-07-27 | ▲蘇▼州▲潤▼▲邁▼▲徳▼医▲療▼科技有限公司 | 深層学習に基づいて大動脈を取得する方法及び記憶媒体 |
JP2023532267A (ja) * | 2020-06-29 | 2023-07-27 | ▲蘇▼州▲潤▼▲邁▼▲徳▼医▲療▼科技有限公司 | Ctシーケンス画像に基づいて大動脈中心線を取得する方法及びシステム |
CN112132837A (zh) * | 2020-08-19 | 2020-12-25 | 心医国际数字医疗系统(大连)有限公司 | 一种胸部骨骼自动提取方法、系统、电子设备及存储介质 |
CN112353494A (zh) * | 2020-11-14 | 2021-02-12 | 大连理工大学 | 升主动脉、主动脉弓及其三大分支参数化建模方法 |
CN112353494B (zh) * | 2020-11-14 | 2021-11-19 | 大连理工大学 | 升主动脉、主动脉弓及其三大分支参数化建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107292928B (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292928A (zh) | 一种血管定位的方法及装置 | |
US10079071B1 (en) | Method and system for whole body bone removal and vascular visualization in medical image data | |
US9679389B2 (en) | Method and system for blood vessel segmentation and classification | |
CN106296664B (zh) | 血管提取方法 | |
CN105184086B (zh) | 用于冠状动脉中改进的血液动力学计算的方法及系统 | |
CN102968783B (zh) | 从腹部图像数据中自动分割骨骼的方法及系统 | |
CN106780518B (zh) | 一种基于随机游走和图割的活动轮廓模型的mr图像三维交互分割方法 | |
JP4914517B2 (ja) | 構造物検出装置および方法ならびにプログラム | |
US10235753B2 (en) | Automatic recognition of anatomical landmarks | |
JP2008521461A (ja) | 知識構造のマッピングを使用した管状器官を測定する方法 | |
US9311335B2 (en) | Diffusion tensor imaging confidence analysis | |
CN103810752B (zh) | 基于医学图像的肝脏分段方法及其肝脏分段系统 | |
CN103294883B (zh) | 用于针对经导管主动脉瓣植入进行介入规划的方法和系统 | |
ES2757629T3 (es) | Método y aparato para la segmentación de vasos sanguíneos | |
CN111161241B (zh) | 一种肝脏图像识别方法、电子设备及存储介质 | |
WO2017028519A1 (zh) | 一种肝脏血管的分类方法 | |
CN111681211B (zh) | 一种血管图像处理方法及装置 | |
JP2007111533A (ja) | コンピュータ断層撮影ボリュームデータにおける脊髄検出の方法およびシステム | |
CN105741293A (zh) | 定位医学图像上器官的方法 | |
CN105496563B (zh) | 标定脊柱医学图像定位线的方法 | |
CN107103605A (zh) | 一种乳房组织的分割方法 | |
US20140334706A1 (en) | Ultrasound diagnostic apparatus and contour extraction method | |
CN107818564A (zh) | 一种肝脏3d医学影像分段方法 | |
WO2017028516A1 (zh) | 一种三维图像的校准方法、装置和系统 | |
JP2004313736A (ja) | 医用画像処理装置、医用画像処理方法、および、プログラム |
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 | ||
CB02 | Change of applicant information |
Address after: 110179 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant after: DongSoft Medical System Co., Ltd. Address before: 110179 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant before: Dongruan Medical Systems Co., Ltd., Shenyang |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |