CN107451995A - 在cta图像中提取心血管方法、装置、设备及存储介质 - Google Patents
在cta图像中提取心血管方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN107451995A CN107451995A CN201710618659.7A CN201710618659A CN107451995A CN 107451995 A CN107451995 A CN 107451995A CN 201710618659 A CN201710618659 A CN 201710618659A CN 107451995 A CN107451995 A CN 107451995A
- Authority
- CN
- China
- Prior art keywords
- stay
- sustainer
- place form
- tangent plane
- plane picture
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/20—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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (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)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明适用医学图像处理技术领域,提供了一种在CTA图像中提取心血管方法、装置、设备及存储介质,该方法包括:利用预设结构元素对图像数据依次进行腐蚀操作及膨胀操作后,得到结构模板;通过对所述结构模板的切面图像进行逐层变换,以在所述结构模板中获取第一升主动脉结构,并在所述结构模板的最后一层切面图像中获取主动脉中心坐标及主动脉半径;根据所述主动脉中心坐标及主动脉半径,建立二值化球体结构,将第一升主动脉结构结合所述结构模板及所述二值化球体结构,合成第二升主动脉结构。本发明实现了提取升主动脉及其根部主动脉窦形状,从而能够精确可视化主动脉结构和形态,从而极大提高医学影像研究对临床问题的解决水平和能力。
Description
技术领域
本发明属于医学图像处理技术领域,尤其涉及一种在CTA图像中提取心血管方法、装置、设备及存储介质。
背景技术
心血管提取作为一种图像预处理手段,对于临床诊断的可视化、介入手术计划和介入治疗过程具有非常重要的意义,是从三维医学血管造影图像中提取心脏主动脉上升段并增强冠脉血管。由于心脏部位的CT(Computed Tomography,电子计算机断层扫描)冠脉造影图像(CTA)呈现复杂的组织结构和背景噪声,心脏部位的血管对比度很小,外部肺动脉对比度极高,从而增加了从心脏CTA图像中主动脉和冠脉血管提取的难度,具体表现在:在对心脏进行CTA冠脉成像时往往伴随着肺部血管结构,从而影响诊断效果。如何压制肺部血管亮度并增强心血管亮度是一个较大挑战。利用传统的多尺度滤波增强心血管时,根据目标的空间形态信息,并结合传统的多尺度滤波增强来提取升主动脉和增强冠脉血管。多尺度滤波处理后的轴位投影,在血管与背景对比度很高的肺部区域产生较高的响应,而在血管和背景对比度较小的心脏区域响应很小甚至无响应,原因在于造影剂注射环境下心脏主动脉、心血管、心脏腔室呈现相同的造影剂浓度,使得各结构区域的信噪比很低,因此传统的冠脉增强方法得不到很好的结果。
发明内容
本发明的目的在于提供一种在CTA图像中提取心血管方法、装置、设备及存储介质,旨在解决由于现有技术无法提供一种有效的在CTA图像中提取心血管方法,导致存在肺部血管结构的问题。
一方面,本发明提供了一种在CTA图像中提取心血管方法,所述方法包括下述步骤:
利用预设结构元素对图像数据依次进行腐蚀操作及膨胀操作后,得到结构模板,所述图像数据为经过降采样处理后的冠状动脉造影图像,所述结构模板为排除肺部区域的结构;
通过对所述结构模板的切面图像进行逐层变换,以在所述结构模板中获取第一升主动脉结构,并在所述结构模板的最后一层切面图像中获取主动脉中心坐标及主动脉半径;
根据所述主动脉中心坐标及主动脉半径,建立二值化球体结构,将第一升主动脉结构结合所述结构模板及所述二值化球体结构,合成第二升主动脉结构。
另一方面,本发明提供了一种在CTA图像中提取心血管装置,所述装置包括:
结构模板获取单元,用于利用预设结构元素对图像数据依次进行腐蚀操作及膨胀操作后,得到结构模板,所述图像数据为经过降采样处理后的冠状动脉造影图像,所述结构模板为排除肺部区域的结构;
逐层变换单元,用于通过对所述结构模板的切面图像进行逐层变换,以在所述结构模板中获取第一升主动脉结构,并在所述结构模板的最后一层切面图像中获取主动脉中心坐标及主动脉半径;以及
合成单元,用于根据所述主动脉中心坐标及主动脉半径,建立二值化球体结构,将第一升主动脉结构结合所述结构模板及所述二值化球体结构,合成第二升主动脉结构。
另一方面,本发明还提供了一种在CTA图像中提取心血管设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现在CTA图像中提取心血管方法的步骤。
另一方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现在CTA图像中提取心血管方法的步骤。
本发明对图像数据进行腐蚀操作及膨胀操作,以腐蚀肺部无关结构,保留心脏和主动脉结构,通过逐层变换获取第一升主动脉结构,并与二值化球体结构合成第二升主动脉结构,利用形态学开运算进行腐蚀,从而得到升主动脉根部的补充区域,实现了提取升主动脉及其根部主动脉窦形状,从而能够精确可视化主动脉结构和形态,为血管的自动化中心线提取、分割、计算机智能辅助介入提供重要的依据,从而极大提高医学影像研究对临床问题的解决水平和能力。
附图说明
图1是本发明实施例一提供的在CTA图像中提取心血管方法的实现流程图;
图2是本发明实施例二提供的在CTA图像中提取心血管方法的实现流程图;
图3是轴位投影效果的对比图;
图4是本发明实施例三提供的在CTA图像中提取心血管装置的结构示意图;
图5是本发明实施例四提供的在CTA图像中提取心血管设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述:
实施例一:
图1示出了本发明实施例一提供的在CTA图像中提取心血管方法的实现流程,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
在步骤S101中,利用预设结构元素对图像数据依次进行腐蚀操作及膨胀操作后,得到结构模板。
在本发明实施例中,上述图像数据为经过降采样处理后的冠状动脉造影图像,针对大尺寸的原始CTA数据,为快速提取大尺度的升主动脉结构,又不影响结构提取的精度,可将图像尺寸降采样至原尺寸的一半。抑制或者削弱上述图像数据中的一些噪声以及一些与主动脉不相关的结构,利用预设结构元素,先对图像数据I进行腐蚀操作,再对其进行膨胀操作,得到结构模板B,上述结构模板为排除肺部区域的结构,结构模板。
进一步地,将半径控制在预设体积元素的球体作为上述预设结构元素,先利用预设结构元素对图像数据进行腐蚀操作,再利用预设结构元素对图像数据进行膨胀操作,得到结构模板包括:升主动脉、部分心脏房室及降主动脉,其中,升主动脉及部分心脏房室共处一个空间连通区域,降主动脉与升主动脉及部分心脏房室在空间上不连通。
具体地,选择半径控制在预设体积元素的球体,上述预设体积元素为6±2个体积元素,将该半径控制在预设体积元素的球体作为预设结构元素Kr,先利用预设结构元素Kr对图像数据I进行腐蚀操作,再利用预设结构元素Kr对图像数据进行膨胀操作I,得到结构模板I’,上述运算公式表示为:
在步骤S102中,通过对结构模板的切面图像进行逐层变换,以在结构模板中获取第一升主动脉结构,并在结构模板的最后一层切面图像中获取主动脉中心坐标及主动脉半径。
在本发明实施例中,在结构模板的切面图像也就是结构模板的轴状位平面(即心脏水平切面)上进行霍夫变换(Hough Transform),采用霍夫变换在每个切面图像中选择出主动脉对应的圆形区域,再对该圆形区域进行分割和形态学开运算,得到第一升主动脉结构AN,并在结构模板的最后一层切面图像中获取主动脉中心坐标CoN及主动脉半径RoN。
进一步地,在逐层变换过程中,若当前切面图像与上一切面图像的主动脉中心坐标的距离大于预设偏差值时,确定当前切面图像为最后一层切面图像,并获取最后一层切面图像中的主动脉中心坐标及主动脉半径。
具体地,在逐层变换过程中,逐层当前切面图像主动脉中心坐标Co(n)和主动脉半径Ro(n),n=1,2,…,N。设定预设偏差值,该预设偏差值ε=6±2,在相邻两层主动脉中心坐标的距离Dn>ε时,则停止探测,确定当前切面图像为最后一层切面图像,并获取最后一层切面图像中的主动脉中心坐标CoN及主动脉半径RoN。
在步骤S103中,根据主动脉中心坐标及主动脉半径,建立二值化球体结构,将第一升主动脉结构结合结构模板及二值化球体结构,合成第二升主动脉结构。
在本发明实施例中,在主动脉中心坐标CoN处,以主动脉半径RoN为半径建立二值化球体结构SphX,将第一升主动脉结构AN结合结构模板B及二值化球体结构SphX,合成第二升主动脉结构AS,计算公式为:
AS=(AN∪SphX)∩B
其中,AS为第二升主动脉结构,AN为第一升主动脉结构,SphX为二值化球体结构及B为结构模板,利用形态学开运算进行腐蚀,从而得到升主动脉根部的补充区域,即主动脉窦区域,该第二升主动脉结构AS为主动脉窦的完整升主动脉结构。
在本发明实施例中,对图像数据进行腐蚀操作及膨胀操作,以腐蚀肺部无关结构,保留心脏和主动脉结构,通过逐层变换获取第一升主动脉结构,并与二值化球体结构合成第二升主动脉结构,利用形态学开运算进行腐蚀,从而得到升主动脉根部的补充区域,实现了提取升主动脉及其根部主动脉窦形状,从而能够精确可视化主动脉结构和形态,为血管的自动化中心线提取、分割、计算机智能辅助介入提供重要的依据,从而极大提高医学影像研究对临床问题的解决水平和能力。
实施例二:
图2示出了本发明实施例二提供的在CTA图像中提取心血管方法的实现流程,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
在步骤S201中,利用预设结构元素对图像数据依次进行腐蚀操作及膨胀操作后,得到结构模板。
在步骤S202中,通过对结构模板的切面图像进行逐层变换,以在结构模板中获取第一升主动脉结构,并在结构模板的最后一层切面图像中获取主动脉中心坐标及主动脉半径。
在步骤S203中,根据主动脉中心坐标及主动脉半径,建立二值化球体结构,将第一升主动脉结构结合结构模板及二值化球体结构,合成第二升主动脉结构。
在步骤S204中,根据血管形状及血管信号强度对图像数据进行对比度均衡滤波,以增强冠状动脉血管,并在第二升主动脉结构中根据最大响应滤波确定冠状动脉开口位置。
在本发明实施例中,为了增强心脏部位的血管,避免心脏区域的血管对比度很低、血管信息被抑制,根据血管形状及血管信号强度对图像数据进行对比度均衡滤波,以增强冠状动脉血管,FA和FB为血管形状测度,FC为血管信号强度测度,可用来提高心脏区域的血管信噪比,其中:
其中,RA,RB为两个基于Hessian矩阵(Hessian Matrix,海森矩阵)特征值的测度函数,且RA用来区分片状和线状结构,RB用来区分点状结构和线状结构,α,β和c作为阈值用于控制RA,RB和RC的敏感性,γC∈(0,1)是一个响应期望常数,一般取值0.5~0.8,在某一尺度σ下,空间Hessian矩阵范数在血管对比度较大的肺部区域呈现较高的响应,而在心脏区域呈现较小的血管响应,随着尺度σ的增加肺部区域与周边区域的||Hσ||平均值和最大值都呈单调增加趋势,为此,令为零矩阵,记录每一尺度下的最大范数值为:
进而找到一个动态阈值c,在测度FC中按照Zσ≤c和Zσ>c分别将肺部区域与它组织区分开来,将非肺部区域定义为θh,在θh与全空间Θ中分别计算最大范数,由计算得出,由实验统计出rh∈(0.65,1),进而获得参数c=rh·max(Zσ),令RC=c,最后得到对比度增强后的血管特征图v(x,σ),其中,λ2和λ3分别为空间Hessian矩阵的第二个特征值和第三个特征值。
如图3所示,a1-a5为CTA数据的轴位投影效果图,b1-b5为多尺度滤波处理后的轴位投影效果图,c1-c5为对比度均衡滤波处理后的轴位投影效果图,d1-d5为本发明中非肺部区域θh内的轴位投影效果图,d1-d5与b1-b5及c1-c5对比可以看出:b1-b5明显可见传统的多尺度滤波只能增强了肺部血管、无法增强心脏区域的心血管,c1-c5明显可见心脏区域的血管得到明显增强,d1-d5明显可见肺部区域血管被大量屏蔽。
实施例三:
图4示出了本发明实施例三提供的在CTA图像中提取心血管装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,在CTA图像中提取心血管装置包括:
结构模板获取单元41,用于利用预设结构元素对图像数据依次进行腐蚀操作及膨胀操作后,得到结构模板,图像数据为经过降采样处理后的冠状动脉造影图像,结构模板为排除肺部区域的结构。
在本发明实施例中,上述图像数据为经过降采样处理后的冠状动脉造影图像,针对大尺寸的原始CTA数据,为快速提取大尺度的升主动脉结构,又不影响结构提取的精度,可将图像尺寸降采样至原尺寸的一半。抑制或者削弱上述图像数据中的一些噪声以及一些与主动脉不相关的结构,利用预设结构元素,先对图像数据I进行腐蚀操作,再对其进行膨胀操作,得到结构模板B,上述结构模板为排除肺部区域的结构,结构模板。
进一步地,结构模板获取单元,包括:
结构模板获取子单元,用于将半径控制在预设体积元素的球体作为上述预设结构元素,先利用预设结构元素对图像数据进行腐蚀操作,再利用预设结构元素对图像数据进行膨胀操作,得到结构模板包括:升主动脉、部分心脏房室及降主动脉,其中,升主动脉及部分心脏房室共处一个空间连通区域,降主动脉与升主动脉及部分心脏房室在空间上不连通。
具体地,选择半径控制在预设体积元素的球体,上述预设体积元素为6±2个体积元素,将该半径控制在预设体积元素的球体作为预设结构元素Kr,先利用预设结构元素Kr对图像数据I进行腐蚀操作,再利用预设结构元素Kr对图像数据进行膨胀操作I,得到结构模板I’,上述运算公式表示为:
逐层变换单元42,用于通过对结构模板的切面图像进行逐层变换,以在结构模板中获取第一升主动脉结构,并在结构模板的最后一层切面图像中获取主动脉中心坐标及主动脉半径。
在本发明实施例中,在结构模板的切面图像也就是结构模板的轴状位平面(即心脏水平切面)上进行霍夫变换(Hough Transform),采用霍夫变换在每个切面图像中选择出主动脉对应的圆形区域,再对该圆形区域进行分割和形态学开运算,得到第一升主动脉结构AN,并在结构模板的最后一层切面图像中获取主动脉中心坐标CoN及主动脉半径RoN。
进一步地,逐层变换单元包括:
逐层变换子单元,用于在逐层变换过程中,若当前切面图像与上一切面图像的主动脉中心坐标的距离大于预设偏差值时,确定当前切面图像为最后一层切面图像,并获取最后一层切面图像中的主动脉中心坐标及主动脉半径。
具体地,在逐层变换过程中,逐层当前切面图像主动脉中心坐标Co(n)和主动脉半径Ro(n),n=1,2,…,N。设定预设偏差值,该预设偏差值ε=6±2,在相邻两层主动脉中心坐标的距离Dn>ε时,则停止探测,确定当前切面图像为最后一层切面图像,并获取最后一层切面图像中的主动脉中心坐标CoN及主动脉半径RoN。
合成单元43,用于根据主动脉中心坐标及主动脉半径,建立二值化球体结构,将第一升主动脉结构结合结构模板及二值化球体结构,合成第二升主动脉结构。
在本发明实施例中,在主动脉中心坐标CoN处,以主动脉半径RoN为半径建立二值化球体结构SphX,将第一升主动脉结构AN结合结构模板B及二值化球体结构SphX,合成第二升主动脉结构AS,计算公式为:
AS=(AN∪SphX)∩B
其中,AS为第二升主动脉结构,AN为第一升主动脉结构,SphX为二值化球体结构及B为结构模板,利用形态学开运算进行腐蚀,从而得到升主动脉根部的补充区域,即主动脉窦区域,该第二升主动脉结构AS为主动脉窦的完整升主动脉结构。
在本发明实施例中,对图像数据进行腐蚀操作及膨胀操作,以腐蚀肺部无关结构,保留心脏和主动脉结构,通过逐层变换获取第一升主动脉结构,并与二值化球体结构合成第二升主动脉结构,利用形态学开运算进行腐蚀,从而得到升主动脉根部的补充区域,实现了提取升主动脉及其根部主动脉窦形状,从而能够精确可视化主动脉结构和形态,为血管的自动化中心线提取、分割、计算机智能辅助介入提供重要的依据,从而极大提高医学影像研究对临床问题的解决水平和能力。
在本发明实施例中,在CTA图像中提取心血管装置的各单元可由相应的硬件或软件单元实现,各单元可以为独立的软、硬件单元,也可以集成为一个软、硬件单元,在此不用以限制本发明。
实施例四:
图5示出了本发明实施例四提供的在CTA图像中提取心血管设备的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分。
本发明实施例的在CTA图像中提取心血管设备5包括处理器50、存储器51以及存储在存储器51中并可在处理器50上运行的计算机程序52。该处理器50执行计算机程序52时实现上述各个在CTA图像中提取心血管方法实施例中的步骤,例如图1所示的步骤S101至S103。或者,处理器50执行计算机程序52时实现上述各装置实施例中各模块/单元的功能,例如图4所示模块41至43的功能。
在本发明实施例中,对图像数据进行腐蚀操作及膨胀操作,以腐蚀肺部无关结构,保留心脏和主动脉结构,通过逐层变换获取第一升主动脉结构,并与二值化球体结构合成第二升主动脉结构,利用形态学开运算进行腐蚀,从而得到升主动脉根部的补充区域,实现了提取升主动脉及其根部主动脉窦形状,从而能够精确可视化主动脉结构和形态,为血管的自动化中心线提取、分割、计算机智能辅助介入提供重要的依据,从而极大提高医学影像研究对临床问题的解决水平和能力。
实施例五:
在本发明实施例中,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述各个在CTA图像中提取心血管方法实施例中的步骤,例如,图1所示的步骤S101至S103。或者,该计算机程序被处理器执行时实现上述各装置实施例中各模块/单元的功能,例如图4所示模块41至43的功能。
对图像数据进行腐蚀操作及膨胀操作,以腐蚀肺部无关结构,保留心脏和主动脉结构,通过逐层变换获取第一升主动脉结构,并与二值化球体结构合成第二升主动脉结构,利用形态学开运算进行腐蚀,从而得到升主动脉根部的补充区域,实现了提取升主动脉及其根部主动脉窦形状,从而能够精确可视化主动脉结构和形态,为血管的自动化中心线提取、分割、计算机智能辅助介入提供重要的依据,从而极大提高医学影像研究对临床问题的解决水平和能力。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质,例如,ROM/RAM、磁盘、光盘、闪存等存储器。
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作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种在CTA图像中提取心血管方法,其特征在于,所述方法包括下述步骤:
利用预设结构元素对图像数据依次进行腐蚀操作及膨胀操作后,得到结构模板,所述图像数据为经过降采样处理后的冠状动脉造影图像,所述结构模板为排除肺部区域的结构;
通过对所述结构模板的切面图像进行逐层变换,以在所述结构模板中获取第一升主动脉结构,并在所述结构模板的最后一层切面图像中获取主动脉中心坐标及主动脉半径;
根据所述主动脉中心坐标及主动脉半径,建立二值化球体结构,将第一升主动脉结构结合所述结构模板及所述二值化球体结构,合成第二升主动脉结构。
2.如权利要求1所述的方法,其特征在于,所述利用预设结构元素对图像数据依次进行腐蚀操作及膨胀操作后,得到结构模板的步骤,包括:
将半径控制在预设体积元素的球体作为所述预设结构元素,先利用所述预设结构元素对所述图像数据进行腐蚀操作,再利用所述预设结构元素对所述图像数据进行膨胀操作,得到结构模板。
3.如权利要求1所述的方法,其特征在于,所述通过对所述结构模板的切面图像进行逐层变换,以在所述结构模板中获取第一升主动脉结构,并在所述结构模板的最后一层切面图像中获取主动脉中心坐标及主动脉半径的步骤,包括:
在逐层变换过程中,若当前切面图像与上一切面图像的所述主动脉中心坐标的距离大于预设偏差值时,确定所述当前切面图像为最后一层切面图像,并获取最后一层切面图像中的主动脉中心坐标及主动脉半径。
4.如权利要求1所述的方法,其特征在于,所述将第一升主动脉结构结合所述结构模板及所述二值化球体结构,合成第二升主动脉结构的计算公式为:
AS=(AN∪SphX)∩B
其中,AS为第二升主动脉结构,AN为第一升主动脉结构,SphX为二值化球体结构及B为结构模板。
5.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据血管形状及血管信号强度对所述图像数据进行对比度均衡滤波,以增强冠状动脉血管,并在所述第二升主动脉结构中根据最大响应滤波确定冠状动脉开口位置。
6.一种在CTA图像中提取心血管装置,其特征在于,所述装置包括:
结构模板获取单元,用于利用预设结构元素对图像数据依次进行腐蚀操作及膨胀操作后,得到结构模板,所述图像数据为经过降采样处理后的冠状动脉造影图像,所述结构模板为排除肺部区域的结构;
逐层变换单元,用于通过对所述结构模板的切面图像进行逐层变换,以在所述结构模板中获取第一升主动脉结构,并在所述结构模板的最后一层切面图像中获取主动脉中心坐标及主动脉半径;以及
合成单元,用于根据所述主动脉中心坐标及主动脉半径,建立二值化球体结构,将第一升主动脉结构结合所述结构模板及所述二值化球体结构,合成第二升主动脉结构。
7.如权利要求6所述的装置,其特征在于,所述结构模板获取单元,包括:
结构模板获取子单元,用于将半径控制在预设体积元素的球体作为所述预设结构元素,先利用所述预设结构元素对所述图像数据进行腐蚀操作,再利用所述预设结构元素对所述图像数据进行膨胀操作,得到结构模板。
8.如权利要求6所述的装置,其特征在于,所述逐层变换单元,包括:
逐层变换子单元,用于在逐层变换过程中,若当前切面图像与上一切面图像的所述主动脉中心坐标的距离大于预设偏差值时,确定所述当前切面图像为最后一层切面图像,并获取最后一层切面图像中的主动脉中心坐标及主动脉半径。
9.一种在CTA图像中提取心血管设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710618659.7A CN107451995B (zh) | 2017-07-26 | 2017-07-26 | 在cta图像中提取心血管方法、装置、设备及存储介质 |
US16/044,662 US10769477B2 (en) | 2017-07-26 | 2018-07-25 | Method, apparatus, device and storage medium for extracting a cardiovisceral vessel from a CTA image |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710618659.7A CN107451995B (zh) | 2017-07-26 | 2017-07-26 | 在cta图像中提取心血管方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107451995A true CN107451995A (zh) | 2017-12-08 |
CN107451995B CN107451995B (zh) | 2020-04-21 |
Family
ID=60489061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710618659.7A Active CN107451995B (zh) | 2017-07-26 | 2017-07-26 | 在cta图像中提取心血管方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10769477B2 (zh) |
CN (1) | CN107451995B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805855A (zh) * | 2018-01-09 | 2018-11-13 | 湖南科技大学 | 一种混凝土裂纹快速识别方法 |
CN109223013A (zh) * | 2018-08-29 | 2019-01-18 | 刘源 | 基于大数据分析的心血管内科术中影像定位系统及方法 |
WO2019019053A1 (zh) * | 2017-07-26 | 2019-01-31 | 深圳先进技术研究院 | 在cta图像中提取心血管方法、装置、设备及存储介质 |
CN109431531A (zh) * | 2018-12-25 | 2019-03-08 | 上海联影医疗科技有限公司 | 基于灌注成像的血管分割方法及装置和计算机装置 |
CN110458847A (zh) * | 2019-07-05 | 2019-11-15 | 心医国际数字医疗系统(大连)有限公司 | 基于cta影像的自动冠脉分割及中心线提取方法 |
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 |
CN114511510A (zh) * | 2022-01-13 | 2022-05-17 | 中山大学孙逸仙纪念医院 | 一种升主动脉图像的自动提取方法和装置 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111916183B (zh) * | 2019-05-10 | 2023-03-14 | 北京航空航天大学 | 动态心血管系统的建模方法、装置、设备及存储介质 |
CN114663651B (zh) * | 2022-03-24 | 2023-01-24 | 北京安德医智科技有限公司 | 一种根据颅内cta图像识别血管闭塞状态的方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070047792A1 (en) * | 2005-08-22 | 2007-03-01 | Michael Scheuering | Method for identification of a contrasted blood vessel in digital image data |
CN101301207A (zh) * | 2008-05-28 | 2008-11-12 | 华中科技大学 | 动态模型指导下的血管造影三维重建方法 |
CN101901498A (zh) * | 2009-12-31 | 2010-12-01 | 华中科技大学 | 一种人体冠状动脉血管的递推建模方法 |
CN105662451A (zh) * | 2016-03-31 | 2016-06-15 | 北京思创贯宇科技开发有限公司 | 一种主动脉图像处理方法和装置 |
CN106447645A (zh) * | 2016-04-05 | 2017-02-22 | 天津大学 | 增强ct图像中冠脉钙化检测及量化装置和方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8163011B2 (en) * | 2006-10-06 | 2012-04-24 | BioStable Science & Engineering, Inc. | Intra-annular mounting frame for aortic valve repair |
US8233684B2 (en) * | 2008-11-26 | 2012-07-31 | General Electric Company | Systems and methods for automated diagnosis |
JP5597429B2 (ja) * | 2010-03-31 | 2014-10-01 | 富士フイルム株式会社 | 医用画像処理装置および方法、並びにプログラム |
CN103914814B (zh) * | 2012-12-28 | 2016-12-28 | 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 |
US9275432B2 (en) * | 2013-11-11 | 2016-03-01 | Toshiba Medical Systems Corporation | Method of, and apparatus for, registration of medical images |
US10869644B2 (en) * | 2016-07-30 | 2020-12-22 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for extracting lower limb vasculature |
-
2017
- 2017-07-26 CN CN201710618659.7A patent/CN107451995B/zh active Active
-
2018
- 2018-07-25 US US16/044,662 patent/US10769477B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070047792A1 (en) * | 2005-08-22 | 2007-03-01 | Michael Scheuering | Method for identification of a contrasted blood vessel in digital image data |
CN101301207A (zh) * | 2008-05-28 | 2008-11-12 | 华中科技大学 | 动态模型指导下的血管造影三维重建方法 |
CN101901498A (zh) * | 2009-12-31 | 2010-12-01 | 华中科技大学 | 一种人体冠状动脉血管的递推建模方法 |
CN105662451A (zh) * | 2016-03-31 | 2016-06-15 | 北京思创贯宇科技开发有限公司 | 一种主动脉图像处理方法和装置 |
CN106447645A (zh) * | 2016-04-05 | 2017-02-22 | 天津大学 | 增强ct图像中冠脉钙化检测及量化装置和方法 |
Non-Patent Citations (2)
Title |
---|
凡桂华: "基于CT图像的肝脏解剖结构数字化重建研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
杨栋: "面向CTA图像的冠脉血管分割算法研究和血管狭窄度分析", 《万方数据》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019019053A1 (zh) * | 2017-07-26 | 2019-01-31 | 深圳先进技术研究院 | 在cta图像中提取心血管方法、装置、设备及存储介质 |
CN108805855A (zh) * | 2018-01-09 | 2018-11-13 | 湖南科技大学 | 一种混凝土裂纹快速识别方法 |
CN108805855B (zh) * | 2018-01-09 | 2021-09-24 | 湖南科技大学 | 一种混凝土裂纹快速识别方法 |
CN109223013A (zh) * | 2018-08-29 | 2019-01-18 | 刘源 | 基于大数据分析的心血管内科术中影像定位系统及方法 |
CN109431531A (zh) * | 2018-12-25 | 2019-03-08 | 上海联影医疗科技有限公司 | 基于灌注成像的血管分割方法及装置和计算机装置 |
CN110458847A (zh) * | 2019-07-05 | 2019-11-15 | 心医国际数字医疗系统(大连)有限公司 | 基于cta影像的自动冠脉分割及中心线提取方法 |
CN110458847B (zh) * | 2019-07-05 | 2022-05-13 | 心医国际数字医疗系统(大连)有限公司 | 基于cta影像的自动冠脉分割及中心线提取方法 |
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 |
CN114511510A (zh) * | 2022-01-13 | 2022-05-17 | 中山大学孙逸仙纪念医院 | 一种升主动脉图像的自动提取方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
US20190034750A1 (en) | 2019-01-31 |
US10769477B2 (en) | 2020-09-08 |
CN107451995B (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451995A (zh) | 在cta图像中提取心血管方法、装置、设备及存储介质 | |
Yu et al. | Crossbar-net: A novel convolutional neural network for kidney tumor segmentation in ct images | |
Cetin et al. | Vessel tractography using an intensity based tensor model with branch detection | |
US8923590B2 (en) | Method and system for 3D cardiac motion estimation from single scan of C-arm angiography | |
US8724881B2 (en) | Method and system for precise segmentation of the left atrium in C-arm computed tomography volumes | |
CN105279759B (zh) | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 | |
Zhuge et al. | An abdominal aortic aneurysm segmentation method: Level set with region and statistical information | |
CN109035160A (zh) | 医学影像的融合方法及基于融合医学影像学习的图像检测方法 | |
US8644576B2 (en) | Method and system for multi-part left atrium segmentation in C-arm computed tomography volumes using shape constraints | |
CN107451983A (zh) | Ct图像的三维融合方法和系统 | |
Liu et al. | Automated cardiac segmentation of cross-modal medical images using unsupervised multi-domain adaptation and spatial neural attention structure | |
CN111145160B (zh) | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 | |
Wang et al. | SOSPCNN: Structurally optimized stochastic pooling convolutional neural network for tetralogy of fallot recognition | |
KR101258814B1 (ko) | 동적조영증강 유방 mr 영상에서 조직별 밝기값 보정 및 종양 강성 제약을 적용한 비강체 정합 방법 및 시스템 | |
Heyde et al. | Anatomical image registration using volume conservation to assess cardiac deformation from 3D ultrasound recordings | |
Lei et al. | Echocardiographic image multi‐structure segmentation using Cardiac‐SegNet | |
CN106296660A (zh) | 一种全自动冠状动脉分割方法 | |
US20120071755A1 (en) | Method and System for Automatic Native and Bypass Coronary Ostia Detection in Cardiac Computed Tomography Volumes | |
Liu et al. | Automatic segmentation algorithm of ultrasound heart image based on convolutional neural network and image saliency | |
Qiao et al. | Fully automated left atrium cavity segmentation from 3D GE-MRI by multi-atlas selection and registration | |
Tahoces et al. | Deep learning method for aortic root detection | |
Zhang et al. | Comparative analysis of U-Net and TLMDB GAN for the cardiovascular segmentation of the ventricles in the heart | |
Xiao et al. | PET and CT image fusion of lung cancer with siamese pyramid fusion network | |
Yuan et al. | Pulmonary arteries segmentation from CT images using PA‐Net with attention module and contour loss | |
Lu et al. | Collaborative Multi-Metadata Fusion to Improve the Classification of Lumbar Disc Herniation |
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 |