CN107464243B - 一种主动脉瓣的定位方法、装置和设备 - Google Patents

一种主动脉瓣的定位方法、装置和设备 Download PDF

Info

Publication number
CN107464243B
CN107464243B CN201710762106.9A CN201710762106A CN107464243B CN 107464243 B CN107464243 B CN 107464243B CN 201710762106 A CN201710762106 A CN 201710762106A CN 107464243 B CN107464243 B CN 107464243B
Authority
CN
China
Prior art keywords
aorta
aortic valve
image
point
points
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
CN201710762106.9A
Other languages
English (en)
Other versions
CN107464243A (zh
Inventor
刘钦
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 CN201710762106.9A priority Critical patent/CN107464243B/zh
Publication of CN107464243A publication Critical patent/CN107464243A/zh
Application granted granted Critical
Publication of CN107464243B publication Critical patent/CN107464243B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06T2207/20081—Training; Learning
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General 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)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种主动脉瓣的定位方法、装置和设备，该方法涉及图像技术领域。该方法包括：获取目标图像，在所述目标图像中提取主动脉；根据所述主动脉确定所述主动脉的中心线；根据所述主动脉的中心线对主动脉瓣进行定位。本发明实施例提供的主动脉瓣的定位方法、装置和设备实现了对主动脉瓣的快速准确的定位。

Description

一种主动脉瓣的定位方法、装置和设备
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种主动脉瓣的定位方法、装置和设备。
背景技术
CT血管造影(CT angiography，CTA)对于血管变异、血管疾病以及显示病变和血管关系有重要价值，由于其不仅能够清晰显示全身各部位血管细节，且具有无创和操作简便的特点被广泛应用。基于胸部CTA图像定位主动脉瓣的技术也是具有重要临床价值的技术之一。
主动脉瓣位于左心室和主动脉之间，由三个半月瓣组成。每片瓣叶以弧线形越过左心室与主动脉连接处，抑制射入主动脉的血液回流入左心室。主动脉瓣结构纤薄，每片瓣叶的厚度通常在1mm左右。同时，在CTA图像中，主动脉瓣的CT值通常和周围的软组织的CT值重叠。由于上述原因，传统的基于灰度的主动脉瓣定位方法容易混淆主动脉瓣和周围软组织，造成定位失败。而现有技术中对主动脉瓣进行直接检测的方法，需要在全局图像中搜索主动脉瓣的特征点，效率较低。
发明内容
本发明提供一种主动脉瓣的定位方法、装置和设备，实现对主动脉瓣的快速准确的定位。
第一方面，本发明实施例提供了一种主动脉瓣的定位方法，该方法包括：
获取目标图像，在所述目标图像中提取主动脉；
根据所述主动脉确定所述主动脉的中心线；
根据所述主动脉的中心线对主动脉瓣进行定位。
进一步的，所述根据所述主动脉的中心线对主动脉瓣进行定位，包括：
根据所述主动脉的中心线确定所述主动脉的根部区域，该区域为主动脉和心脏的连接区域，主动脉瓣包含在该区域内；
利用预先训练好的第一概率提升树模型对所述根部区域内的像素点进行测试，获得主动脉瓣种子点；
基于所述主动脉瓣种子点对主动脉瓣进行定位。
进一步的，在所述利用预先训练好的第一概率提升树模型对所述根部区域内的像素点进行测试之前，还包括：
根据如下规则在预设的掩模图像中采集正负样本点：
将CT值在50至800HU并位于所述掩模图像中主动脉瓣区域内的像素点作为正样本；
将CT值在50至800HU并位于所述掩模图像中主动脉瓣区域以外，且在主动脉膨胀区域内的样本点作为负样本；
利用所述正样本和所述负样本对所述第一概率提升树模型进行训练。
进一步的，所述在所述目标图像中提取主动脉，包括：
获取所述目标图像中的主动脉种子点；
基于所述主动脉种子点对所述目标图像进行分割，确定出所述目标图像中的主动脉。
进一步的，所述获取所述目标图像中的主动脉种子点，包括；
基于预先训练好的第二概率提升树模型获得主动脉种子点。
进一步的，所述根据所述主动脉确定所述主动脉的中心线，包括：
根据所述主动脉的分割结果获取包含主动脉的掩模图像，然后根据所述掩模图像获取相应的三维距离场图像，其中，所述掩模图像是包含主动脉的三维图像，所述三维距离场场为对应所述掩模图像的三维距离标量图，所述三维距离场图像中的每一个像素点的值代表所述掩模图像对应位置的像素点到所述掩模图像边界的最近距离；
基于所述三维距离场图像提取所述主动脉的中心线。
进一步的，所述基于所述三维距离场图像提取所述主动脉的中心线，包括：
在所述掩模图像中将所述主动脉种子点作为中心线的搜索起点，并根据设定搜索方向以设定步长选取垂直于所述设定搜索方向的设定区域；
根据所述三维距离场图像，确定所述设定区域内所有像素点在所述三维距离场图像中的值；
选取值最大的点对应的像素点作为中心线上的点，并在对所述设定搜索方向进行更新后，迭代搜索中心线上的下一个点；
若所述设定区域超出所述掩模图像中的主动脉区域，或所述更新后的设定搜索方向变化超过120度，或者搜索的点个数大于设定阈值时，则停止搜索，并将搜索获取的各个点连接生成中心线。
第二方面，本发明实施例还提供了一种主动脉瓣的定位装置，该装置包括：
图像获取模块，用于获取目标图像，在所述目标图像中提取主动脉；中心线确定模块，用于根据所述主动脉确定所述主动脉的中心线；
定位模块，用于根据所述主动脉的中心线对主动脉瓣进行定位。
第三方面，本发明实施例还提供了一种主动脉瓣的定位设备，所述设备包括：
一个或多个处理器；
显示器，对所述处理器做出响应，用于显示所述主动脉瓣的定位结果图像；存储装置，用于存储一个或多个程序；
所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的一种主动脉瓣的定位方法。
进一步的，所述主动脉瓣的定位设备集成于放疗系统中，用以导航心脏手术或者制定术前规划。
本发明实施例通过利用主动脉瓣位于主动脉根部这一先验位置信息，在确定主动脉后，根据所述主动脉的中心线确定出主动脉瓣的位置区域，然后在主动脉瓣的位置区域对主动脉瓣进行具体定位，解决了在全局图像中搜索主动脉瓣的特征点的麻烦，从而提高了主动脉瓣的定位效率。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
图1为本发明实施例一提供的一种主动脉瓣的定位方法的流程图；
图2为本发明实施例二提供的一种主动脉瓣的定位方法的流程图；
图3为本发明实施例二提供的另一种主动脉瓣的定位方法的流程图；
图4为本发明实施例三提供的一种主动脉瓣的定位装置的结构示意图；
图5为本发明实施例四提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种主动脉瓣的定位方法的流程图。本实施例可适用于对主动脉瓣进行定位的情况。该方法可以由一种主动脉瓣的定位装置来执行，该装置可以配置于CT设备中，由软件和/或硬件的方式实现。参见图1，本发明实施例提供的主动脉瓣的定位方法包括：
S110、获取目标图像，在所述目标图像中提取主动脉。
其中，目标图像是包含主动脉和主动脉瓣的三维血管图像，例如CT血管造影图像，或MR血管造影图像等。
示例性的，从所述目标图像中获取主动脉的方法可以是单一的灰度阈值分割方法，但是由于主动脉的灰度值通常与周围组织的灰度值相近，该方法很容易将主动脉及其周围组织混淆。为提高主动脉分割的准确度，可以将阈值分割和区域生长相结合。首先基于主动脉的灰度特征对目标图像进行阈值分割，生成包含主动脉和具有相似灰度区域的粗分割图；然后，在粗分割图的基础上基于主动脉种子点进行区域生长，并在生长过程中添加一些主动脉形状特征作形状约束，以去除具有相似灰度但非主动脉的区域。
例如，检测到的主动脉种子点的灰度值是400，那么只保留目标图像中灰度值在200到600范围内的像素点，以生成一个掩模图像，其中该掩模图像是二值的三维图像；然后在目标图像中利用主动脉种子点进行区域生长；根据区域生长结果将掩模图像中与区域生长结果对应位置以外的相应区域删除，以得到主动脉的分割结果，其中，区域生长时应当对生长的形状进行限制，所述形状可以为圆形，或者圆柱体或者主动脉的其他形状特征，用以避免发生生长泄漏，降低主动脉分割结果的准确度。
又例如，从所述目标图像中获取主动脉的方法还可以是基于几何形变模型的水平集方法，该方法利用闭合曲线或曲面的几何特性，建立曲线变形的能量函数，将当前演化曲线作为零水平集嵌入一个高一维的水平集函数中，使闭合曲线逐渐逼近图像中目标边界，隐含地表达了轮廓曲线。本实施例对此并不进行任何限制。
示例性的，所述在所述目标图像中提取主动脉，可以包括：
获取所述目标图像中的主动脉种子点；
基于所述主动脉种子点对所述目标图像进行分割，确定所述目标图像中的主动脉。
其中，主动脉种子点为目标图像中主动脉上的至少一个像素点，该主动脉种子点的获取方式可以通过手动标注获取，也可以基于预先训练好的第二概率提升树模型获得主动脉种子点。
S120、根据所述主动脉确定所述主动脉的中心线。
示例性的，所述根据所述主动脉确定所述主动脉的中心线，可以包括：
根据所述主动脉的分割结果获取包含主动脉的掩模图像；
根据所述掩模图像获取相应的三维距离场图像；
基于所述三维距离场图像提取所述主动脉的中心线。
其中，所述掩模图像为包含主动脉的二值的三维图像，主动脉在所述掩模图像中是感兴趣区域，其他是背景区域；所述三维距离场图像为对应所述掩模图像的三维距离标量图，所述三维距离场图像中的每一个像素点的值代表所述掩模图像对应位置的像素点到所述掩模图像边界的最近距离。需要说明的是，掩模图像边界是所述掩模图像中感兴趣区域与背景区域的交界，并且所述掩模图像、所述三维距离场和所述目标图像的尺寸相同，三幅图像上个像素点在图像坐标上具有一一对应的关系。
进一步的，所述基于所述三维距离场提取主动脉的中心线，可以包括：
在所述掩模图像中将所述主动脉种子点作为中心线的搜索起点，并根据设定搜索方向以设定步长选取垂直于所述设定搜索方向的设定区域；
根据所述三维距离场图像，确定所述设定区域内所有像素点在所述三维距离场图像中的值；
将其中值最大的点对应的像素点作为中心线上的点，并在对所述设定搜索方向进行更新后，迭代搜索中心线上的下一个点；
若所述设定区域超出所述掩模图像中的主动脉区域，或所述更新后的设定搜索方向变化超过120度，或者搜索的点个数大于设定阈值时，则停止搜索，并将搜索获取的各个点连接生成中心线。
其中，所述设定搜索方向为朝向人体头部的方向，因为沿此方向可搜索到主动脉瓣。又因为我们的目的是找到主动脉瓣，所以不需要对整个主动脉的中心线进行提取，只需要提取种子点沿头部方向(即病人坐标系z轴正方向)的中心线。所述设定步长和所述设定区域可以根据需要进行设定，可以理解的是，步长设定的越小中心线就越精准，所述设定区域可以是圆形平面区域，也可以是矩形三维立体区域，还可以是其他形状和维度的区域。
可以理解的是，越是掩模图像中心的点相应三维距离场的值越大，同时在进行中心线搜索的时候我们就是希望找到掩模图像的最中心的位置。例如，将主动脉想象成一个不规则的圆柱体，圆柱体的每一层距离掩模图像边界(即圆柱表面)的最近距离最大的像素点都在圆心上，每一层的圆心就构成我们要找的中心线。因此，在搜索的过程中将设定区域中对应三维距离场中的值最大的像素点作为中心线上的点。
可选的，还可以利用以下方法实现对主动脉中心线的提取：1)基于细化的方法,此方法的基本思想是根据血管分割后的二值图像,采用数学形态学的腐蚀运算得到血管骨架线；2)基于方向追踪的方法,此方法的基本思想是给出初始点,通过计算血管各相邻点之间的关系,自动追踪出血管的中心线；3)基于距离变换的方法,此方法的基本思想是通过在到起点距离值相同的体素中找出到表面的最短距离值最大的体素点,将这些体素点连接就构成了血管中心线。
S130、根据所述主动脉的中心线对主动脉瓣进行定位。
可选的，可以根据主动脉与主动脉瓣的位置关系直接将对应位置区域确定为主动脉瓣。为提高对主动脉瓣定位的准确率，还可以在对应位置区域对主动脉瓣进一步搜索定位。
具体的，所述根据所述主动脉的中心线对主动脉瓣进行定位，可以包括：
根据所述主动脉的中心线确定所述主动脉的根部区域，所述根部区域为心脏和主动脉的连接区域，包含主动脉瓣。；
利用预先训练好的第一概率提升树模型对所述根部区域内的像素点进行测试，获得主动脉瓣种子点；
基于所述主动脉瓣种子点对主动脉瓣进行定位。
本发明实施例的技术方案，通过利用主动脉瓣位于主动脉根部这一先验位置信息，在确定主动脉后，根据所述主动脉的中心线确定出主动脉瓣的位置区域，然后在主动脉瓣的位置区域对主动脉瓣进行具体定位，解决了在全局图像中搜索主动脉瓣的特征点的难度，从而提高了主动脉瓣的定位效率。
为提高对主动脉瓣种子点的搜索准确率，在所述利用预先训练好的第一概率提升树模型对所述根部区域内的像素点进行测试之前，还可以包括：
在所属预设的掩模图像中，随机选取一批数据用作训练数据，并手工标记训练数据中主动脉的掩模图像和/或主动脉瓣的掩膜图像作为金标准，在训练数据中按照如下规则选取正负样本点：
将CT值在50至800HU的位于所述掩模图像中主动脉瓣区域内的像素点作为正样本；
将CT值在50至800HU的像素点中位于所述掩模图像中主动脉瓣区域以外，且在主动脉膨胀区域内的样本点作为负样本；
利用所述正样本和所述负样本对所述第一概率提升树模型进行训练。
其中，主动脉的掩模图像是，根据主动脉的图像预先生成的包含主动脉为前景，其他为背景的二值图像；主动脉瓣的掩模图像是，根据主动脉瓣的图像预先生成的包含主动脉瓣为前景，其他为背景的二值图像。训练数据中的金标准是训练数据中各像素点的真实标签值，在二分类问题中，金标准对应一幅二值图像，即前景(感兴趣区域)和背景，前景为1背景为0。
例如，在CT血管造影图像中，血管的CT值主要分布在50至800HU之间，为减少训练概率提升树模型的复杂度，只选择CT值在50至800HU的像素点作为样本点。本实施例还将CT值在50至800HU的像素点中位于主动脉瓣区域以外，且在主动脉膨胀区域内的样本点作为负样本，该膨胀区域可根据个人经验设定。其中，主动脉瓣区域以外，且在主动脉膨胀区域内的样本点的确定方式可以是：在主动脉的掩模图像膨胀得到的区域，再减去主动脉瓣的掩模图像得到的区域中随机采集。因为，利用所述第一概率提升树模型进行测试的像素点位于主动脉根部区域，所以只需要对主动脉附近的非主动脉瓣的区域进行训练，从而提升所述第一概率提升树模型的训练速度，减少干扰。
具体的，利用所述正样本和所述负样本对所述第一概率提升树模型进行训练可以包括：根据读取的正负样本点，计算3D类Haar特征，以训练出一棵概率提升树。其中，概率提升树的每一个节点均是一个基于AdaBoost算法训练得到的强分类器或者决策函数。在概率提升树的顶点综合所有节点上的决策函数，给出后验概率p(y|x)，其中x为样本特征向量，y为该样本的标签值。
进一步的，利用预先训练好的第一概率提升树模型对所述根部区域内的像素点进行测试，获得主动脉瓣种子点，具体可以包括：将所述根部区域内CT值在50至800HU范围内的像素点作为测试点，并计算测试点的后验概率，将后验概率值最大的点或超过设定阈值的点作为主动脉瓣的种子点。同理，可以采用如前所述的方法实现对主动脉的采样，第二概率提升树模型的训练和主动脉种子点的获取。
实施例二
图2为本发明实施例二提供的一种主动脉瓣的定位方法的流程图，本实施例是在上述实施例一的基础上提出的一种可选方案。参见图2，本实施例提供在CT造影图像中对主动脉瓣的定位方法包括：
S210、从CT血管造影图像中的CT值在50至800HU的像素点中选择分别表示主动脉瓣和主动脉的正样本和负样本，并利用所述正样本和所述负样本对第一概率提升树模型和第二概率提升树模型进行训练。
其中，CT血管造影图像是三维图像。
S220、基于所述第二概率提升树模型从获取的CT血管造影图像中获得主动脉种子点，并基于所述主动脉种子点对主动脉进行分割。
S230、根据分割结果获取包含主动脉的掩模图像，然后根据所述掩模图像获取相应的三维距离场图像。
其中，所述掩模图像为包含主动脉的二值的三维图像，主动脉在所述掩模图像中是感兴趣区域，其他是背景区域；所述三维距离场图像为对应所述掩模图像的三维距离标量图，图中的每一个像素点的值代表所述掩模图像对应位置的像素点到所述掩模图像边界的最近距离。
S240、在所述掩模图像中将所述主动脉种子点作为中心线的搜索起点，并根据沿人体头部的方向以设定步长选取垂直于所述设定搜索方向的设定区域。
S250、根据所述三维距离场图像，确定所述设定区域内所有像素点在所述三维距离场图像中的值。
S260、选取值最大的点对应的像素点作为中心线上的点，并在对所述设定搜索方向进行更新后，迭代搜索中心线上的下一个点。
S270、若所述设定区域超出所述掩模图像中的主动脉区域，或所述更新后的设定搜索方向变化超过120度，或者搜索的点个数大于设定阈值时，则停止搜索，并将搜索获取的各个点连接生成中心线。
S280、在目标图像上，根据所述主动脉的中心线找到所述主动脉的根部区域，并利用预先训练好的第一概率提升树模型对所述根部区域内的像素点进行测试，获得主动脉瓣种子点。
S290、最后基于所述主动脉瓣种子点对主动脉瓣进行定位。
图3为本发明实施例二提供的另一种主动脉瓣的定位方法的流程图，参见图3在实际应用中对主动脉瓣的定位过程可以描述为：通过CT设备获取原始CT血管造影三维图像；通过预先训练好的第二概率提升树模型对所述CT血管造影图像进行测试，得到主动脉种子点概率图；根据主动脉种子点概率图选取概率值最大的像素点作为主动脉种子点，并根据主动脉种子点对主动脉进行分割；根据分割出的主动脉，提取主动脉中心线；基于主动脉瓣位于主动脉根部这一位置关系，利用主动脉中心线确定出主动脉瓣的位置区域，并通过预先训练好的第一概率提升树模型对该位置区域进行测试得到主动脉瓣种子点；最后根据得到的主动脉瓣种子点对主动脉瓣进行定位。
本发明实施例的技术方案，通过从CT值在50至800HU的像素点中选择样本对概率提升树模型进行训练，并利用训练好的概率提升树模型对CT值在50至800HU的像素点进行测试，从而避免检测那些明显不是主动脉瓣的像素点，以进一步提高对主动脉瓣的定位速度和精度。
实施例三
图4为本发明实施例三提供的一种主动脉瓣的定位装置的结构示意图。参见图4，本实施例提供的主动脉瓣的定位装置包括：图像获取模块10、中心线确定模块20和定位模块30。
其中，图像获取模块10，用于获取目标图像，在所述目标图像中提取主动脉；中心线确定模块20，用于根据所述主动脉确定所述主动脉的中心线；定位模块30，用于根据所述主动脉的中心线对主动脉瓣进行定位。
本发明实施例的技术上方案，通过利用主动脉瓣位于主动脉根部这一先验位置信息，在确定主动脉后，根据所述主动脉的中心线确定出主动脉瓣的位置区域，然后在主动脉瓣的位置区域对主动脉瓣进行具体定位，解决了在全局图像中搜索主动脉瓣的特征点的麻烦，从而提高了主动脉瓣位置定位的检测速度。
实施例四
图5为本发明实施例四提供的一种主动脉瓣的定位设备的结构示意图，如图5所示，该设备包括处理器70、存储器71、输入装置72和输出装置73；设备中处理器70的数量可以是一个或多个，图5中以一个处理器70为例；设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接，图5中以通过总线连接为例。其中输出装置73包括显示器，对所述处理器做出响应，用于显示所述主动脉瓣的定位结果图像。
存储器71作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的主动脉瓣的定位方法对应的程序指令/模块(例如，主动脉瓣的定位装置中的图像获取模块10、中心线确定模块20和定位模块30)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现本发明实施例提供的任一中的主动脉瓣的定位方法。
存储器71可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器71可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器71可进一步包括相对于处理器70远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。输入装置72可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
进一步的，所述主动脉瓣的定位设备，集成于放疗系统中，用以导航心脏手术或者制定术前规划。注意，上述仅为本发明的较佳实施例及所运用技术原理。
本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (9)

1.一种主动脉瓣的定位方法，其特征在于，包括：
获取目标图像，在所述目标图像中提取主动脉；
根据所述主动脉确定所述主动脉的中心线；
根据所述主动脉的中心线确定所述主动脉的根部区域，所述根部区域为心脏和主动脉的连接区域；
利用预先训练好的第一概率提升树模型对所述根部区域内的像素点进行测试，获得主动脉瓣种子点；
基于所述主动脉瓣种子点对主动脉瓣进行定位。
2.根据权利要求1所 述的方法，其特征在于，在所述利用预先训练好的第一概率提升树模型对所述根部区域内的像素点进行测试之前，还包括：
根据如下规则在预设的掩模图像中采集正负样本点：
将CT值在50至800HU并位于所述掩模图像中主动脉瓣区域内的像素点作为正样本；
将CT值在50至800HU并位于所述掩模图像中主动脉瓣区域以外，且在主动脉膨胀区域内的样本点作为负样本；
利用所述正样本和所述负样本对所述第一概率提升树模型进行训练。
3.根据权利要求1所述的方法，其特征在于，所述在所述目标图像中提取主动脉，包括：
获取所述目标图像中的主动脉种子点；
基于所述主动脉种子点对所述目标图像进行分割，确定所述目标图像中的主动脉。
4.根据权利要求3所述的方法，其特征在于，所述获取所述目标图像中的主动脉种子点，包括：
基于预先训练好的第二概率提升树模型获得主动脉种子点。
5.根据权利要求3所述的方法，其特征在于，所述根据所述主动脉确定所述主动脉的中心线，包括：
根据所述主动脉的分割结果获取包含主动脉的掩模图像；
根据所述掩模图像获取相应的三维距离场图像，其中，所述掩模图像是包含主动脉的三维图像，所述三维距离场图像为对应所述掩模图像的三维距离标量图，所述三维距离场图像中的每一个像素点的值代表所述掩模图像对应位置的像素点到所述掩模图像边界的最近距离；
基于所述三维距离场图像提取所述主动脉的中心线。
6.根据权利要求5所述的方法，其特征在于，所述基于所述三维距离场图像提取所述主动脉的中心线，包括：
在所述掩模图像中将所述主动脉种子点作为中心线的搜索起点，并根据设定搜索方向以设定步长选取垂直于所述设定搜索方向的设定区域；
根据所述三维距离场图像，确定所述设定区域内所有像素点在所述三维距离场图像中的值；
选取值最大的点对应的像素点作为中心线上的点，并在对所述设定搜索方向进行更新后，迭代搜索中心线上的下一个点；
若所述设定区域超出所述掩模图像中的主动脉区域，或所述更新后的设定搜索方向变化超过120度，或者搜索的点个数大于设定阈值时，则停止搜索，并将搜索获取的各个点连接生成中心线。
7.一种主动脉瓣的定位装置，其特征在于，包括：
图像获取模块，用于获取目标图像，在所述目标图像中提取主动脉；
中心线确定模块，用于根据所述主动脉确定所述主动脉的中心线；
定位模块，用于根据所述主动脉的中心线确定所述主动脉的根部区域，所述根部区域为心脏和主动脉的连接区域；利用预先训练好的第一概率提升树模型对所述根部区域内的像素点进行测试，获得主动脉瓣种子点；基于所述主动脉瓣种子点对主动脉瓣进行定位。
8.一种主动脉瓣的定位设备，其特征在于，所述设备包括：
一个或多个处理器；
显示器，对所述处理器做出响应，用于显示所述主动脉瓣的定位结果图像；
存储装置，用于存储一个或多个程序；
所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的一种主动脉瓣的定位方法。
9.根据权利要求8所述的主动脉瓣的定位设备，其特征在于，所述设备集成于放疗系统中，用以导航心脏手术或者制定术前规划。
CN201710762106.9A 2017-08-30 2017-08-30 一种主动脉瓣的定位方法、装置和设备 Active CN107464243B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710762106.9A CN107464243B (zh) 2017-08-30 2017-08-30 一种主动脉瓣的定位方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710762106.9A CN107464243B (zh) 2017-08-30 2017-08-30 一种主动脉瓣的定位方法、装置和设备

Publications (2)

Publication Number Publication Date
CN107464243A CN107464243A (zh) 2017-12-12
CN107464243B true CN107464243B (zh) 2020-08-25

Family

ID=60550765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710762106.9A Active CN107464243B (zh) 2017-08-30 2017-08-30 一种主动脉瓣的定位方法、装置和设备

Country Status (1)

Country Link
CN (1) CN107464243B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109700574B (zh) * 2018-12-21 2021-01-05 北京工业大学 一种基于ct影像数据制备钙化主动脉瓣的方法
CN113974667B (zh) * 2021-11-02 2024-06-28 东北大学 一种tavi术前关键目标的自动定位装置及方法
CN118334124B (zh) * 2024-06-12 2024-08-16 柏意慧心(杭州)网络科技有限公司 基于图像配准的主动脉窦底点定位方法、装置及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218800A (zh) * 2011-09-27 2013-07-24 西门子公司 用于自动肋骨中心线提取的方法和系统
US9002078B2 (en) * 2009-10-22 2015-04-07 Siemens Aktiengesellschaft Method and system for shape-constrained aortic valve landmark detection
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
CN106157320A (zh) * 2016-07-29 2016-11-23 上海联影医疗科技有限公司 一种图像血管分割方法及装置
CN106296664A (zh) * 2016-07-30 2017-01-04 上海联影医疗科技有限公司 血管提取方法
CN106340021A (zh) * 2016-08-18 2017-01-18 上海联影医疗科技有限公司 血管提取方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9002078B2 (en) * 2009-10-22 2015-04-07 Siemens Aktiengesellschaft Method and system for shape-constrained aortic valve landmark detection
CN103218800A (zh) * 2011-09-27 2013-07-24 西门子公司 用于自动肋骨中心线提取的方法和系统
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
CN106157320A (zh) * 2016-07-29 2016-11-23 上海联影医疗科技有限公司 一种图像血管分割方法及装置
CN106296664A (zh) * 2016-07-30 2017-01-04 上海联影医疗科技有限公司 血管提取方法
CN106340021A (zh) * 2016-08-18 2017-01-18 上海联影医疗科技有限公司 血管提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
15例拟行经导管主动脉瓣置换术患者主动脉根部影像学与临床应用-单中心早期经验;王墨扬等;《中国循环杂志》;20140930;第29卷(第9期);第714-717页第1节和第3节 *
Machine Learning Based Vesselness Measurement for Coronary Artery Segmentation in Cardiac CT Volumes;Yefeng Zheng等;《Proceedings of SPIE-The International Society for Optical Engineering》;20111230;第79621K1-79621K12页 *
基于三维CTA血管拉直的腹主动脉瘤自动定位方法;许涛等;《中国医学物理学杂志》;20130930;第30卷(第5期);第4396-4400页 *

Also Published As

Publication number Publication date
CN107464243A (zh) 2017-12-12

Similar Documents

Publication Publication Date Title
EP3879485B1 (en) Tissue nodule detection and model training method and apparatus thereof, device and system
CN110956635B (zh) 一种肺段分割方法、装置、设备及存储介质
CN108765363B (zh) 一种基于人工智能的冠脉cta自动后处理系统
CN111696089B (zh) 一种动静脉确定方法、装置、设备和存储介质
US8761475B2 (en) System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans
Zhu et al. Automatic segmentation of the left atrium from MR images via variational region growing with a moments-based shape prior
WO2021203795A1 (zh) 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法
CN106340021B (zh) 血管提取方法
US9155470B2 (en) Method and system for model based fusion on pre-operative computed tomography and intra-operative fluoroscopy using transesophageal echocardiography
US20100239147A1 (en) Method and System for Dynamic Pulmonary Trunk Modeling and Intervention Planning
CN111242959B (zh) 基于卷积神经网络的多模态医学图像的目标区域提取方法
CN110189258B (zh) 基于mri多模态序列的颈动脉管腔和管壁自动分割方法
CN107464243B (zh) 一种主动脉瓣的定位方法、装置和设备
Mishra et al. Segmentation of vascular regions in ultrasound images: A deep learning approach
CN111383259B (zh) 图像分析方法、计算机设备和存储介质
CN103294883A (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
CN112308846B (zh) 血管分割方法、装置及电子设备
US8422753B2 (en) Method and system for automatic extraction of personalized left atrium models
Hadhoud et al. Left ventricle segmentation in cardiac MRI images
WO2009020630A2 (en) System and method for robust segmentation of tubular structures in 2d and 3d images
CN113538471B (zh) 斑块的分割方法、装置、计算机设备和存储介质
Kern et al. 3D bounding box detection in volumetric medical image data: A systematic literature review
Yang et al. Catheter detection in 3d ultrasound using triplanar-based convolutional neural networks
CN117237322A (zh) 一种基于医学图像的器官分割建模方法及终端
Lu et al. AutoMPR: Automatic detection of standard planes in 3D echocardiography

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
CP01 Change in the name or title of a patent holder

Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Patentee after: Shanghai Lianying Medical Technology Co., Ltd

Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

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