CN107680052A - 基于pca的血管造影图像血管增强系统 - Google Patents
基于pca的血管造影图像血管增强系统 Download PDFInfo
- Publication number
- CN107680052A CN107680052A CN201710849202.7A CN201710849202A CN107680052A CN 107680052 A CN107680052 A CN 107680052A CN 201710849202 A CN201710849202 A CN 201710849202A CN 107680052 A CN107680052 A CN 107680052A
- Authority
- CN
- China
- Prior art keywords
- image
- blood vessel
- pca
- layer
- vascular lamina
- 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.)
- Pending
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 40
- 238000005728 strengthening Methods 0.000 title claims abstract description 12
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 32
- 230000002792 vascular Effects 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 230000000877 morphologic effect Effects 0.000 claims abstract description 7
- 238000000926 separation method Methods 0.000 claims abstract description 3
- 210000004072 lung Anatomy 0.000 claims description 3
- 230000000241 respiratory effect Effects 0.000 claims description 3
- 238000002601 radiography Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 8
- 238000006243 chemical reaction Methods 0.000 abstract description 6
- 238000000034 method Methods 0.000 description 9
- 239000008280 blood Substances 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 239000002872 contrast media Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 210000004351 coronary vessel Anatomy 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008081 blood perfusion Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013146 percutaneous coronary intervention Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/20212—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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种基于PCA的血管造影图像血管增强系统,包括呼吸层分离单元和OR‑PCA算法血管层分离单元,所述呼吸层分离单元通过形态学算子中的闭操作从原始图像中减去呼吸层得到差值图像;所述OR‑PCA算法血管层分离单元通过OR‑PCA算法对所述差值图像进行血管层分离,分为低秩矩阵转换的准静态层和稀疏矩阵转换的血管层,而血管层图像即为经过血管增强后的血管图像,即将血管造影图像视为呼吸层、准静态层以及血管层叠加而成的图像,通过形态学算子以及OR‑PCA算法先后将三层图像分离出来,从而得到血管增强后的图像,为进一步的血管提取奠定基础。
Description
技术领域
本发明涉及医疗技术领域,特别是指一种基于PCA的血管造影图像血管增强系统。
背景技术
经皮冠状动脉介入治疗是指经心导管技术疏通狭窄甚至闭塞的冠状动脉管腔,从而改善心肌的血流灌注的治疗方法。由于手术治疗过程无法直接观察目标区域,需要借助于血管造影成像指导导管的走向,其中冠状动脉需要注入造影剂成像。
由于X光图像是三维结构投射到二维平面上,因此血管造影图像可以看作是若干半透明结构的组合。由于各个结构彼此重叠,因此血管造影图像的图像分析具有一定难度。比如由于非血管结构的存在,基于Hessian矩阵过滤方法的血管提取较为困难。因此将非血管结构从血管造影图像中分离,增强血管结构,能够改善血管的可视程度,提高血管提取的效果。
发明内容
针对背景技术中存在的问题,本发明的目的是提供一种基于PCA的血管造影图像血管增强系统,将血管造影图像视为呼吸层、准静态层以及血管层叠加而成的图像,通过形态学算子以及0R-PCA算法先后将三层图像分离出来,从而得到血管增强后的图像,为进一步的血管提取奠定基础。
本发明的技术方案是这样实现的:一种基于PCA的血管造影图像血管增强系统,包括呼吸层分离单元和0R-PCA算法血管层分离单元,其中,所述呼吸层分离单元:用于分离血管造影图背景中的呼吸层,然后从原始图像中减去呼吸层得到差值图像,所述呼吸层为使用形态学算子中的闭操作移除血管与导管结构,模糊椎骨结构,保留与呼吸运动相关的结构所得的图像;所述OR-PCA算法血管层分离单元:通过OR-PCA算法对所述差值图像进行血管层分离,分为通过低秩矩阵转换的准静态层和通过稀疏矩阵转换的血管层,所述血管层图像即为经过血管增强后的血管图像。
在上述技术方案中,所述吸运动相关的结构包含膈肌、肺组织。
本发明基于PCA的血管造影图像血管增强系统,包括呼吸层分离单元和OR-PCA算法血管层分离单元,呼吸层分离单元通过形态学算子中的闭操作从原始图像中减去呼吸层得到差值图像;OR-PCA算法血管层分离单元通过OR-PCA算法对所述差值图像进行血管层分离,分为低秩矩阵转换的准静态层和稀疏矩阵转换的血管层,而血管层图像即为经过血管增强后的血管图像,即将血管造影图像视为呼吸层、准静态层以及血管层叠加而成的图像,通过形态学算子以及OR-PCA算法先后将三层图像分离出来,从而得到血管增强后的图像,为进一步的血管提取奠定基础。
附图说明
图1为本发明基于PCA的血管造影图像血管增强系统流程图;
图2为通过本系统得到的实例血管层图像。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明所述的一种基于PCA的血管造影图像血管增强系统,将血管造影图像视为呼吸层、准静态层以及血管层三层叠加而成,通过形态学闭操作得到呼吸层,并从原图像中减除呼吸层得到差值图像;差值图像从矩阵被转化为向量后经过OR-PCA算法分成稀疏矩阵和低秩矩阵,前者转化为血管层,后者转化为准静态层,从而得到血管增强后的血管层图像。
本系统在于将血管造影图像视为三层之和,分别为呼吸层、准静态层以及血管层。包含两个单元,分别为将大尺寸的、与呼吸运动相关的结构从原始血管造影图像中分离出来的呼吸层分离单元、使用PCA算法将尺寸较小的运动结构,包括血管和导管从准静态背景中提取出来的0R-PCA算法血管层分离单元,以下是对上述各单元的详细说明:
(1)呼吸层分离单元:
在血管造影图的背景中常常存在尺寸较大的随呼吸而运动的结构,比如膈肌,这些结构构成了“呼吸层”。为了避免这些随呼吸运动的结构对图像处理造成的负面影像,需要将呼吸层从血管造影图像中分离出来。
对呼吸层的分离主要通过从血管造影图像中移除尺寸较小的结构完成,包括血管、导管、导线、椎骨等,这一过程需要使用形态学算子中的闭操作。闭操作是使用结构元素B对集合A进行处理,需要先用B对A膨胀,再用B对A腐蚀,其定义为:
所使用的结构元素是直径为8.5毫米的圆形结构元素,从而将图像中小于该尺寸的管状或曲面结构移除。通过闭操作血管与导管结构被移除,椎骨结构被模糊化,而与呼吸运动相关的结构(如膈肌、肺组织)被保留下来,获得的图像称为“呼吸层”。随后从原始图像中减去呼吸层,以进行进一步图像处理。
(2)OR-PCA算法血管层分离单元:
OR-PCA算法全称为Online Robust Principal Component Analysis,即线上高鲁棒性主成分分析。
首先需要进行参数优化:在下文中OR-PCA中有三个参数,分别为子空间的基的固有秩r以及规范化参数λ1和λ2,寻找参数集的方法如下
a.λ1和λ2的范围定为步长为r的范围为[2,20]。对于任何一个(λ1,λ2,r)的组合,求解cCNR:
其中μF和μB是图像中前景和背景的像素强度值平均值,σB是背景中亮度强度标准差,MSEV是血管区域的像素亮度均方差。
b.寻找使得对于各个血管造影图像序列的平均局部CNR值最大的参数集(λ1,λ2,r)。
OR-PCA算法的原理如下:
在以下算法中,标记如下:DI为一张血管造影图的差值图,为一个k×k的矩阵;经过concatenate函数运算将矩阵联结为一个单列向量如此类推,代表准静态背景,代表前景,故有z=x+e;n指代一个图像序列的图像数,t为一幅图像中的样本/时间例指数,r为潜在子空间的固有维度。矩阵Z为所有单列向量z构成的矩阵,同理有矩阵X和矩阵E。对于任何一个矩阵M,||M||1代表M的L1范数,||M||F代表M的弗洛贝尼乌斯范数而||M||*代表M的核心范数,即奇异值之和。Tr(M)为矩阵的迹。
将主成分追逐(PCP)问题构建如下:
其中λ1和λ2为规范化系数。对于核心范数有以下等效形式:
inf代表一个偏序集和的子集的最大下界,内低维子集的一组基,而为这一组基在样本中的系数。带入以上问题有:
对该问题的求解相当于对以下先验成本函数进行最小化处理,对象为一个序列Z,其中包含n个样本[z1...zn]:
其中损失函数定义为:
对基Lt的估计通过对以下代理函数的最小化实现:
通过对r、e和L的交互优化,该问题可以完成求解。
优化算法如下:
现有样本zt,对于基Lt-1,将新样本进行投射:
At和Bt包含着过往图像的信息:
通过对过往的图像赋予不同的权重,对Lt的更新可以达到更好的效果。由于At和Br中包含着过往图像的信息,因此可以考虑两种方法对At和Bt进行修改,以完成对过往信息的减权重,分别为指数衰减方法(ED)和超线性衰减方法(SLD):
ED中的At和Bt:
SLD中的At和Bt:
以上ED和SLD中的参数∈和ρ的取值范围分别为:
∈∈{0.01,0.3,0.6,0.9,0.9968,0.999,0.9997,1-10-4}
ρ∈{0.5,1,1.5,2,2.5,3,6,9,...,36,39,42}
根据上述At和Bt,对Lt进行更新:
返回(低秩矩阵)、ET(稀疏矩阵)。
对于t=1到T执行以上运算。
得到的低秩矩阵和稀疏矩阵即分别为准静态背景和前景。稀疏矩阵经过转化变为血管层图像,而低秩矩阵经过转化则成为准静态层图像。其中,流程图如图1所示。而如图2所示的是具体一实例通过本系统得到的血管层图像。
本发明基于PCA的血管造影图像血管增强系统,相较于现有技术具有以下有益效果:
1.由于血管造影图像是三维结构投影在二维平面上所得,各个结构彼此重叠为血管造影图像的分析与重建造成困难,尤其是不利于血管提取的进行。本系统将血管造影图像视为呼吸层、准静态层和血管层的叠加,首先通过形态学闭操作将呼吸层分离出来,从原图像中减除呼吸层得到差值图像;差值图像又通过OR-PCA算法分为两个成分,分别为低秩成分和稀疏成分,分别代表准静态层和血管层,血管层图像即为经过血管增强后的血管图像。通过移除背景结构,血管的可视程度和对比度大大提高,有利于进一步血管提取的进行,减少了重建过程中的错误。
2.与一般的PCA算法相比,一般的PCA算法以“离线”的方式实现,将整个完整的血管造影图像序列作为输入;而本系统采用在线高鲁棒性的PCA算法,“在线”指的是PCA算法每次只需要处理血管造影图像序列中的一帧,并且每处理一帧便对子空间的基L进行一次更新,因此0R-PCA算法能够模拟一种动态的情景,能够对背景中的动态改变作出应答。通过对L的更新,使得本系统能够及时反映背景中的改变,并且对每一帧图像能够构建动态性背景。而离线PCA则容易落后于背景改变,无法对运动背景作出应答,常常出现运动伪迹。
3.与其他0R-PCA算法相比,其他0R-PCA对过往图像赋予的权重是相同的,对过往图像的信息不加区分。而本系统考虑到并非所有过往图像的信息对目前图像信息的提取具有相同的重要性,因此使用了降权重的处理,通过采用指数衰减(ED)和超线性衰减的方法,对距离当前时间较近的图像赋予较大的权重,而距离目前较久的图像则赋予较小的权重,从而强化了最近图像的信息。这一处理使得计算的会聚大大加快,从而提高三层图像的分离效果。
4.由于血管造影所需要使用的造影剂可能存在一定副作用,而本系统能够大大提高血管的可视化程度,使得在成像时使用较少的造影剂也能获得足够清晰度的血管造影图像,从而使得减少造影剂的使用成为可能。
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、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于PCA的血管造影图像血管增强系统,其特征在于:包括呼吸层分离单元和OR-PCA算法血管层分离单元,其中,
所述呼吸层分离单元:用于分离血管造影图背景中的呼吸层,然后从原始图像中减去呼吸层得到差值图像,所述呼吸层为使用形态学算子中的闭操作移除血管与导管结构,模糊椎骨结构,保留与呼吸运动相关的结构所得的图像;
所述0R-PCA算法血管层分离单元:通过OR-PCA算法对所述差值图像进行血管层分离,分为通过低秩矩阵转换的准静态层和通过稀疏矩阵转换的血管层,所述血管层图像即为经过血管增强后的血管图像。
2.根据权利要求1所述的基于PCA的血管造影图像血管增强系统,其特征在于:所述吸运动相关的结构包含膈肌、肺组织。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710849202.7A CN107680052A (zh) | 2017-09-18 | 2017-09-18 | 基于pca的血管造影图像血管增强系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710849202.7A CN107680052A (zh) | 2017-09-18 | 2017-09-18 | 基于pca的血管造影图像血管增强系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107680052A true CN107680052A (zh) | 2018-02-09 |
Family
ID=61136844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710849202.7A Pending CN107680052A (zh) | 2017-09-18 | 2017-09-18 | 基于pca的血管造影图像血管增强系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107680052A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109166097A (zh) * | 2018-07-18 | 2019-01-08 | 北京理工大学 | 从造影图像序列中提取血管的方法及装置 |
CN109171670A (zh) * | 2018-06-25 | 2019-01-11 | 天津海仁医疗技术有限公司 | 一种基于逆向主成分分析法的3d血管成像算法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105551041A (zh) * | 2015-12-15 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 普适的血管分割方法及系统 |
-
2017
- 2017-09-18 CN CN201710849202.7A patent/CN107680052A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105551041A (zh) * | 2015-12-15 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 普适的血管分割方法及系统 |
Non-Patent Citations (3)
Title |
---|
FENG J: ""Online robust PCA via stochastic optimization"", 《ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS》 * |
MA H: ""Automatic Online Layer Separation for Vessel Enhancement in X-ray Angiograms for Percutaneous Coronary Intervention"", 《SCIENCEDIRECT》 * |
MA H: ""Layer Separation for Vessel Enhancement in Interventional X-ray Angiograms Using Morphological Filtering and Robust PCA"", 《AE-CAI 2015: AUGMENTED ENVIRONMENTS FOR COMPUTER-ASSISTED INTERVENTIONS》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109171670A (zh) * | 2018-06-25 | 2019-01-11 | 天津海仁医疗技术有限公司 | 一种基于逆向主成分分析法的3d血管成像算法 |
CN109171670B (zh) * | 2018-06-25 | 2021-02-05 | 天津海仁医疗技术有限公司 | 一种基于逆向主成分分析法的3d血管成像算法 |
CN109166097A (zh) * | 2018-07-18 | 2019-01-08 | 北京理工大学 | 从造影图像序列中提取血管的方法及装置 |
CN109166097B (zh) * | 2018-07-18 | 2021-04-20 | 北京理工大学 | 从造影图像序列中提取血管的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7574026B2 (en) | Method for the 3d modeling of a tubular structure | |
JP5597429B2 (ja) | 医用画像処理装置および方法、並びにプログラム | |
Dobbins III et al. | Digital x-ray tomosynthesis: current state of the art and clinical potential | |
CN104161534B (zh) | 动态单光子放射计算机断层或单光子放射计算机断层/计算机断层心肌血流量化系统及方法 | |
US20120189185A1 (en) | Method and System for 3D Cardiac Motion Estimation from Single Scan of C-Arm Angiography | |
CN1550224A (zh) | 用于设计左心房附器隔离的心脏ct系统和方法 | |
CN102688057B (zh) | 血小板区域提取方法及血小板区域提取装置 | |
CN102802534B (zh) | 医用图像转换设备、方法和程序 | |
US8655041B2 (en) | Automatic detection of contrast injection | |
CN107680052A (zh) | 基于pca的血管造影图像血管增强系统 | |
CN111292378A (zh) | 一种ct扫描辅助方法、装置及计算机可读存储介质 | |
Alvarez et al. | Lung deformation between preoperative CT and intraoperative CBCT for thoracoscopic surgery: a case study | |
Brost et al. | 3-D respiratory motion compensation during EP procedures by image-based 3-D lasso catheter model generation and tracking | |
CN104463815B (zh) | Dsa图像生成方法及系统 | |
JP6416631B2 (ja) | ステレオx線管に基づく体外高コントラスト物体の抑圧 | |
CN110033455A (zh) | 一种从视频中提取目标物体信息的方法 | |
US20160228084A1 (en) | Automatic device-footprint-free roadmapping for endovascular interventions | |
CN107049343A (zh) | 图像处理装置以及放射线摄影装置 | |
JP2011123045A (ja) | 画像表示装置および画像表示プログラム並びに画像診断装置 | |
EP3555860A1 (en) | Detection and/or correction of residual iodine artifacts in spectral computed tomography (ct) imaging | |
Xuanyang et al. | Computer aided detection of SARS based on radiographs data mining | |
US9569687B2 (en) | Image analysis device, imaging system and non-transitory recording medium generating an index indicating a cardiac status with respect to frame images | |
JP6640550B2 (ja) | X線診断装置 | |
US11771390B2 (en) | Method and device for determining the contour of anatomical structures in a digital X-ray-based fluoroscopic image | |
CN107292351A (zh) | 一种结节的匹配方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180209 |