CN108090900B - 一种基于ivoct图像的分叉血管自动识别方法 - Google Patents

一种基于ivoct图像的分叉血管自动识别方法 Download PDF

Info

Publication number
CN108090900B
CN108090900B CN201711465217.XA CN201711465217A CN108090900B CN 108090900 B CN108090900 B CN 108090900B CN 201711465217 A CN201711465217 A CN 201711465217A CN 108090900 B CN108090900 B CN 108090900B
Authority
CN
China
Prior art keywords
bifurcation
blood vessel
image
point
preset value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711465217.XA
Other languages
English (en)
Other versions
CN108090900A (zh
Inventor
朱锐
曹一挥
薛婷
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.)
Zhongke Low Light Medical Research Center Xi'an Co ltd
Original Assignee
Zhongke Low Light Medical Research Center Xi'an 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 Zhongke Low Light Medical Research Center Xi'an Co ltd filed Critical Zhongke Low Light Medical Research Center Xi'an Co ltd
Priority to CN201711465217.XA priority Critical patent/CN108090900B/zh
Publication of CN108090900A publication Critical patent/CN108090900A/zh
Application granted granted Critical
Publication of CN108090900B publication Critical patent/CN108090900B/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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0062—Arrangements for scanning
    • A61B5/0066—Optical coherence imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0082—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes
    • A61B5/0084—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes for introduction into the body, e.g. by catheters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4887—Locating particular structures in or on the body
    • A61B5/489—Blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • 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
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
    • A61B90/36—Image-producing devices or illumination devices not otherwise provided for
    • A61B90/37—Surgical systems with images on a monitor during operation
    • A61B2090/373—Surgical systems with images on a monitor during operation using light, e.g. by using optical scanners
    • A61B2090/3735—Optical coherence tomography [OCT]
    • 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
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
    • 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

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Vascular Medicine (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明涉及一种基于IVOCT图像的分叉血管自动识别方法，所述方法包括以下步骤：步骤1、使用光学相干断层扫描系统和血管造影系统获取导丝回拉期间的IVOCT图像；步骤2、通过检测到的血管轮廓确定血管分叉口并确定分叉位置；步骤3、对所述分叉血管进行显示。本发明实施例通多次筛选获取分叉点对，然后进行分叉点确认并通过特定方式去除假阳性，提高了判断准确性，能够快速且准确地检测并标记分叉血管，提高了工作效率。

Description

一种基于IVOCT图像的分叉血管自动识别方法
技术领域
本发明属于医学图像处理领域和医学检测技术领域，具体涉及一种基于IVOCT图像的分叉血管自动识别方法。
背景技术
支架植入之前，对血管内腔精确测量是十分重要的，其决定了支架尺寸的选择以及支架放置的最优位置。若支架尺寸不合适，则可能导致支架贴壁不良，支架植入最优位置的选择不仅需要考虑最小的内腔面积，还需要考虑分叉血管。如果一个分叉血管被支架覆盖，则有很高的病变风险，例如再狭窄以及阻碍血液流向分叉血管。因此，在支架植入之前，检测分叉血管以及测量主血管是非常重要的。
血管内光学相干断层扫描(intravascular optical coherence tomography，IVOCT)图像由于其具有较高分辨率(10-20μm)，正被广泛应用于支架植入术前的血管结构检测。然而，目前大多数分叉血管的检测以及主血管的测量都是采用人工方法。由于每次回拉都会产生多帧图像，因此使用人工分析耗时费力。这就要求使用自动分析方法来进行术前评估。因此有必要研究更为有效的自动检测方法来实现分叉血管的检测及主血管的分割。
目前，专利US8,831,321,B1公开了一种分叉检测方法系统和设备，主要方法为通过灰度将图像转化为二值图，通过检测阴影区域和最小生成树算法，从而得到分叉检测。但该算法很大程度上依赖于二值图中阴影的检测，而阴影依赖于二值图中的阈值设定，所以该算法的鲁棒性较差。
此外，在其他现有技术中，在对分叉检测之前需要对导丝、导管、血管轮廓进行检测，而这些步骤都需要分别使用Dijkstra’s算法，效率较低；并且其对假阳性的判断不全面，误判率较高。
因此，设计一种能够自动对图像进行分析、检测，且能够排除假阳性的自动分叉检测方法，是本领域的技术热点。
发明内容
针对以上存在的问题，本发明提出了一种基于IVOCT图像的分叉血管自动识别方法，具体的实施方式如下。
本发明实施例提供一种基于IVOCT图像的分叉血管自动识别方法，其中，所述方法包括以下步骤：
步骤1、使用光学相干断层扫描系统和血管造影系统获取导丝回拉期间的IVOCT图像；
步骤2、通过检测到的血管轮廓确定血管分叉口并确定分叉位置；
步骤3、对所述分叉血管进行显示。
在本发明的一个实施例中，所述步骤2包括：
步骤21、提取分叉候选点，确定所述血管分叉口；
步骤22、查找分叉点对；
步骤23、判断每一分叉点对是否为假阳性，若是，则所述分叉点对处不存在分叉血管，若否，则所述分叉点对处存在分叉血管。
在本发明的一个实施例中，所述步骤21包括：
步骤211、将所述IVOCT图像展开，将展开后的IVOCT图像设为过度图；
步骤212、将所述过度图进行二值化处理，获取二值化图像，所述二值化图像中包括多个白色区域；
步骤213、判断所述白色区域的横坐标L和纵坐标N，若L大于第一预设值，且N大于第二预设值，则保留所述白色区域；反之，则将所述白色区域的像素值设为0；其中，
所述横坐标L表示所述IVOCT图像的帧数，所述纵坐标N表示所述IVOCT图像的角度；
步骤214、对多个所述白色区域依次执行步骤213，获取初筛图像；
步骤215、将所述初筛图像中保留有白色区域的部分转换为映射图；确定含有所述白色区域的图像的帧数和分叉位置；对每一帧映射图执行步骤216至步骤219；
步骤216、将映射图中血管轮廓的内部每一点的像素值设为该点到距离该点最近的血管轮廓的距离，将血管轮廓的外部的像素值均设为0；
步骤217、从所述映射图中选取所述血管轮廓的中心点OL；
步骤218、获取所述中心点OL到所述血管轮廓的最大距离和最小距离；
步骤219、计算每一帧映射图中，所述最大距离与所述最小距离的比值，并判断所述比值是否大于第三预设值，
若是，则所述映射图中存在分叉候选点；
若否，则所述映射图中不存在分叉。
在本发明的一个实施例中，所述第一预设值小于等于4帧；
所述第二预设值小于等于8°；
所述第三预设值为1.5。
在本发明的一个实施例中，所述步骤22包括：
对每一帧含有分叉候选点的映射图执行步骤221至步骤224：
步骤221、对映射图的血管轮廓上的每一像素点取法向矢量；
步骤222、将血管轮廓上的点分别与所述中心点OL连接，形成多条第一直线；
步骤223、测量每一像素点的法向矢量与该点上的第一直线的夹角；
步骤224、查找夹角变化量最大的点对，将所述夹角变化量最大的点对设为血管轮廓的分叉点对。
在本发明的一个实施例中，步骤23包括：
步骤231、重构所述血管轮廓中的主血管区和分叉区，获取所述主血管的精确中心点OM；
步骤232、测量所述主血管区上的分叉点对之间的第一距离D1；
步骤233、测量所述分叉区上与所述精确中心点OM距离最远的点到重构后的主血管区的血管轮廓的最短距离D2；
步骤234、设置第四预设值RTH，计算所述第一距离D1与所述最短距离D2的比值系数R，判断所述比值R是否大于所述第四预设值RTH；若是，则执行步骤235；若否，则所述分叉点对处存在分叉血管；
步骤235、检测映射图的前一帧映射图和后一帧映射图中是否存在明显分叉血管，若存在，则判断比值系数R是否大于第五预设值RTH’；若不存在，则所述分叉点对为假阳性。
在本发明的一个实施例中，判断比值系数R是否大于第五预设值RTH’，包括：
若是，则所述分叉点对为假阳性；
若否，则所述分叉点对处存在分叉血管。
在本发明的一个实施例中，所述第四预设值RTH的范围为：1.5-2.5；
所述第五预设值RTH’的范围为2-3。
在本发明的一个实施例中，所述步骤3包括：
获取存在分叉血管的分叉点对所在的映射图的帧数；
在管腔示意图中查找对应帧数，并标记分叉血管。
本发明的有益效果为：
1、本发明实施例先对IVOCT图像在极坐标下二值图进行初筛，获得具有白色分叉区的初筛图像；进一步将含有白色区域的初筛图像转换为映射图，然后对每一映射图中的血管轮廓进行进行检测，判断所述血管轮廓上是否存在分叉候选点，通过层层递进的方式，一方面可以减少运算步骤，提高工作效率，另一方面在初筛图像的基础上进行再次判断，能够提高判断的准确性，避免误判。
2、本发明技术方案中，在查找到分叉点对之后，设置第四预设值，将分叉点对的比值系数R与第四预设值进行比较，若比值系数R大于第四预设值，那么初步认定该分叉点对为假阳性，还需要进一步判断，检测该映射图的前一帧和后一帧中是否存在分叉血管，如果存在那么需要对该分叉点的假阳性进行再次判断，也即将比值系数R与第五预设值进行比较，如果比值系数R大于第五预设值，说明该分叉点对为假阳性，如果比值系数R小于第五预设值，则认为该分叉点对不是假阳性，而是具有分叉血管。通过上述判断过程，能够保证本发明提供的方法完全杜绝假阳性判断，保证分叉血管的准确性，避免误判。
附图说明
图1为本发明实施例提供的分叉血管自动识别方法的流程图；
图2(a)为本发明实施例提供的过度图；
图2(b)为本发明实施例提供的二值化图像；
图3为本发明实施例提供的重构所述血管轮廓中的主血管区；
图4为本发明实施例提供的检测分叉口的模拟示意图；
图5为本发明实施例提供的分叉血管的示意图；
图6为本发明实施例提供的分叉处于整段分叉的开始部位时的示意图；
图7为本发明实施例提供的带有分叉血管标记的管腔示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
实施例一
如图1-图7所示，图1为本发明实施例提供的分叉血管自动识别方法的流程图；图2(a)为本发明实施例提供的过度图；图2(b)为本发明实施例提供的二值化图像；图3为本发明实施例提供的重构所述血管轮廓中的主血管区；图4为本发明实施例提供的检测分叉口的模拟示意图；图5为本发明实施例提供的分叉血管的示意图；图6为本发明实施例提供的分叉处于整段分叉的开始部位时的示意图；图7为本发明实施例提供的带有分叉血管标记的管腔示意图。本发明实施例提供一种基于IVOCT图像的分叉血管自动识别方法，其中所述方法包括：
步骤1、使用光学相干断层扫描系统和血管造影系统获取导丝回拉期间的IVOCT图像；
需要说明的是，导丝回拉期间获得的IVOCT图像为管腔示意图，每一次回拉会产生多帧图像，每一帧图像能够显示管腔的一个横截面。
步骤2、通过检测到的血管轮廓确定血管分叉口并确定分叉位置；
本发明实施例中，血管轮廓上存在的分叉血管不止出现在一帧图像中，而是连续出现在多帧图像中，其具体在每一帧图像中的表现不相同，具体的，检测分叉口以及确定分叉血管位置包括如下步骤：
步骤21、提取分叉候选点，确定所述血管分叉口；
每一次导丝回拉的过程中，获取多帧图像，其中一部分图像中并不包括分叉血管，因此，需要先将带有疑似分叉血管的单帧图像提取出来，缩小筛选范围，然后再从疑似含有分叉血管的多帧图像中提取分叉候选点，判断是否存在分叉。具体的包括如下步骤：
步骤211、将所述IVOCT图像展开，将展开后的IVOCT图像设为过度图；
本发明实施例中，将IVOCT图像展开的方法为：首先取极坐标系下的IVOCT图像每列的像素中值，以获得一个像素为1×N的矩阵，然后将一个IVOCT回拉中的所有图像进行该步骤，至此，我们会得到一个像素为N×L的图像，即过度图，其实质为导丝回拉获得管腔示意图之后，将三维立体的管腔示意图拆分为如图2(a)所示的二维图像，其中，纵轴为0度到360度，代表管腔示意图的周向，横轴代表导丝回拉过程的图像的帧数。
步骤212、将所述过度图进行二值化处理，获取二值化图像，所述二值化图像中包括多个白色区域；
将图2(a)所示的过度图进行二值化处理，形成如图2(b)所示的二值化图像，由于IVOCT图像是利用光学相干断层扫描系统和血管造影系统生成，因此当心血管存在分叉或者其他异常时，会表现为获取的IVOCT图像的光影不均匀，转换为二值图后，将该种不均匀进行极端化处理，获取了包括多个白色区域的二值图，该些白色区域为心血管中存在异常情况的部分，分叉血管也包含在内，接下来需要从该些白色区域中筛选出可能存在分叉血管的白色区域。
步骤213、判断所述白色区域的横坐标L和纵坐标N，若L大于第一预设值，且N大于第二预设值，则保留所述白色区域；反之，则将所述白色区域的像素值设为0；其中，
所述横坐标L表示所述IVOCT图像的帧数，所述纵坐标N表示所述IVOCT图像的角度；
如图2(b)所示的二值化图像中，横坐标L表示一个导丝回拉所获取的图像的帧数，纵坐标N表示心血管的的角度，范围为0-360°。基于分叉血管的如下特征：1、分叉血管连续存在于多帧图像中；2、分叉血管的血管具有一定的直径；因此可知，表现在二值图中，具有一定长度和宽度的白色区域才可能为分叉血管存在的位置，本发明实施例中，根据多次试验反复验证之后，分别设置第一预设值和第二预设值，当二值图中的一个白色区域的横坐标大于第一预设值，也即该白色区域所在的图像的帧数超过第一预设值，并且，该白色区域的纵坐标大于第二预设值，也即该白色区域与主血管的连接处具有一定的直径，那么该白色区域处可能存在分叉血管。反之，则认定为不存在分叉血管，将其像素值设置为0。
需要说明的是，本方法中，第一预设值小于等于4帧，可以为3帧或者2帧；第二预设值小于等于8°，具体可以为6°或者5°。
步骤214、对多个所述白色区域依次执行步骤213，获取初筛图像；
对二值图中的多个白色区域依次进行筛选，最终将可能存在分叉血管的白色区域保留，而将不存在分叉血管的白色区域的像素值设为0，从而实现对分叉血管的初步筛查，获取初筛图像。
步骤215、将所述初筛图像中保留有白色区域的部分转换为映射图；确定含有所述白色区域的图像的帧数和分叉位置；对每一帧映射图执行步骤216至步骤219；
经过初筛之后，需要进一步判断。具体的，在余下存在白色区域对应的笛卡尔坐标系下的IVOCT图像中进行经典距离转换算法，将血管轮廓转化至映射图像中。
我们可以获取初筛图中具有白色区域的图像的帧数，在本步骤中，仅需对该些帧数的图像进行处理即可，而不需要对整个导丝回拉图像进行处理，减少了数据处理量，提高了效率。
例如某一白色区域在初筛图像中刚好出现在第15-20帧图像中，那么仅将第15-20帧图像分别转换为映射图，然后对该第15-20帧的每一帧图像进行如下处理：
步骤216、将映射图中血管轮廓的内部每一点的像素值设为该点到距离该点最近的血管轮廓的距离，将血管轮廓的外部的像素值均设为0；
映射图为灰度图，其中每一点灰度值不相同，具体的，本方法中，以第18帧图像为例，如图3所示，将第18帧映射图中的血管轮廓的内部每一点的像素值设为该点到距离该点最近的血管轮廓的距离，将血管轮廓外部的所有像素值均设为0，
步骤217、从所述映射图中选取所述血管轮廓的中心点OL；
步骤218、获取所述中心点OL到所述血管轮廓的最大距离和最小距离；
步骤219、计算每一帧映射图中，所述最大距离与所述最小距离的比值，并判断所述比值是否大于第三预设值，
若是，则所述映射图中存在分叉候选点；
若否，则所述映射图中不存在分叉。
这样，在映射图中像素值最大的像素点即为该血管的中心点OL，如图3所示。通过映射图，我们可得出中心点OL距血管轮廓最小距离dmin，以及中心点OL距血管轮廓最大距离dmax，即从图3中点A到OL的距离。当存在分叉时，dmax与dmin会有明显的差距，当无分叉时，dmax和dmin的差距并不会太大。本方法中，根据反复试验和验证设定第三预设值，当最大距离与所述最小距离的比值大于等于该第三预设值时，我们认为dmax和dmin的差距较大，因此存在分叉；而当最大距离与所述最小距离的比值小于该第三预设值时，我们认为dmax和dmin的差距较小，不存在分叉血管。
分叉血管与主血管的连接处，映射到映射图中后表现为分叉轮廓与主血管轮廓的两个成对出现的连接点，也称为分叉候选点，本步骤中，存在分叉血管，则以存在分叉候选点来表示。
本发明实施例中，第三预设值为1.5，所以，当
Figure GDA0003351975800000091
时，我们认为该图像中存在分叉分叉候选点。
需要说明的是，我们需要对第15-20帧图像中的每一帧执行上述筛选过程，同时也需要对其他白色区域所在的映射图执行相同步骤，从而对整个IVOCT图像进行全面排查，以判断该图像中存在分叉候选点的位置。
综上可知，本发明实施例先对IVOCT图像在极坐标下二值图进行初筛，获得具有白色分叉区的初筛图像；进一步将含有白色区域的初筛图像转换为映射图，然后对每一映射图中的血管轮廓进行进行检测，判断所述血管轮廓上是否存在分叉候选点，通过层层递进的方式，一方面可以减少运算步骤，提高工作效率，另一方面在初筛图像的基础上进行再次判断，能够提高判断的准确性，避免误判。
步骤22、查找分叉点对；
具体包括：对每一帧含有分叉候选点的映射图执行步骤221至步骤224：
步骤221、对映射图的血管轮廓上的每一像素点取法向矢量；
步骤222、将血管轮廓上的点分别与所述中心点OL连接，形成多条第一直线；
步骤223、测量每一像素点的法向矢量与该点上的第一直线的夹角；
步骤224、查找夹角变化量最大的点对，将所述夹角变化量最大的点对设为血管轮廓的分叉点对。
如图4所示，我们可以通过曲率的变化来检测分叉口。图4中长直线箭头指该点处血管轮廓的法向矢量，短虚线箭头指代该点指向中心点OL的方向。α为每个像素点对两者的角度差。由分析可得，分叉区域的α相对大于主血管区域的α，因此，在分叉点附近α的变化最大。我们可以在此步骤中采用一个差分滤波器，从而检测出分叉点对。
差分滤波器可表示为：
Figure GDA0003351975800000101
其中，abs指对求得数值取绝对值，
Figure GDA0003351975800000102
指对所包含的角度取平均值，il∈[i-n,i-1]，ir∈[i+1,i+n]。
步骤23、判断每一分叉点对是否为假阳性，若是，则所述分叉点对处不存在分叉血管，若否，则所述分叉点对处存在分叉血管。
在实际判断中，初步查找到分叉点对之后，并不能百分之百肯定该点对处就存在分叉血管，这是由于主血管并不总是规则的圆形，当血管的轮廓的形状为高度偏心椭圆时，以上的步骤会把正常血管检测为包含分叉的血管。因此初步查找出的分叉点对存在假阳性的可能，本发明实施例中，需要对假阳性进行剔除，以保证分叉血管识别的准确性。当分叉点对为假阳性时，那么该分叉点对处没有分叉血管；而当该分叉点对不是假阳性，那么就是存在分叉血管，也即该帧图像中存在分叉血管，使用相同方法，能够查找到多帧图像中存在分叉血管，实质是，多帧连续图像中的分叉点对表示的是一个分叉血管。具体为：
步骤231、重构所述血管轮廓中的主血管区和分叉区，获取所述主血管的精确中心点OM；
我们检测出了分叉口，通过此进行主血管区和分叉区检测。两个区域中包含导管的部分被认定为主血管区与，另一个则为分叉区域。一般导管会处于整个图像的中心位置，在分辨出主血管位置之后，对分叉点周围的点进行采样，并进行曲线拟合，最终对主血管整个区域完成重构，如图5所示，而分叉区则为血管区域减去主血管区域。获取主血管的精确中心点OM的方法与上述获取中心点OL的方法相同，不再赘述。
步骤232、测量所述主血管区上的分叉点对之间的第一距离D1；
步骤233、测量所述分叉区上与所述精确中心点OM距离最远的点到重构后的主血管区的血管轮廓的最短距离D2；
步骤234、设置第四预设值RTH，计算所述第一距离D1与所述最短距离D2的比值系数R，判断所述比值R是否大于所述第四预设值RTH；若是，则执行步骤235；若否，则所述分叉点对处存在分叉血管；
为了去除这种假阳性，我们设定了一个比值系数R，R＝d1/d2，其中，d1为两分叉点之间的距离，d2为分叉区的轮廓上的最远点A到重建的主血管区的距离，如图5所示。在真正的分叉血管中，比值系数R相对小于假阳性血管。本算法中，根据反复试验，设定了第四预设值RTH，当R＞Rth时，我们认为此分叉点对处不存在分叉血管，反之为分叉血管。
但在实际分叉血管中，当分叉处于整段分叉的开始部位时，如图6，会产生类似于假阳性的性质。因此，对初步判断为假阳性的分叉点对还需要进行再判断，即步骤235、检测映射图的前一帧映射图和后一帧映射图中是否存在明显分叉血管，若存在，则判断比值系数R是否大于第五预设值RTH’；若不存在，则所述分叉点对为假阳性；
具体的，判断前一帧映射图和后一帧映射图中是否存在明显分叉血管，具体为：
前一帧映射图中的比例系数R前是否大于RTH，或者后一帧映射图中的比例系数R后是否大于RTH；
若R前大于RTH，R后大于RTH，那么说明前一帧映射图或者后一帧映射图中不存在分叉血管，那么本帧映射图中不存在分叉血管也属于正常情况，本帧映射图中出现的分叉点对为假阳性。
而若R前小于RTH，或者R后小于RTH，这样说明前一帧映射图中判断出来存在分叉血管，或者后一帧映射图中判断出来存在分叉血管。因此会出现前一帧(和/或后一帧)图像存在分叉血管，而本帧映射图不存在分叉血管的判断结果，由于分叉血管连续存在于多帧图像中，当出现上述判断结果后，需要进一步地进行确认，即判断比值系数R是否大于第五预设值RTH’。
本发明提供的计算方法中设置了第五预设值RTH’，第五预设值RTH’与第四预设值RTH的差值范围为0.3-0.5，具体需要结合实际情况进行设置。
判断比值系数R是否大于第五预设值RTH’，包括：若大于，说明该分叉点对处的确不存在分叉血管，该分叉点对为假阳性；若小于，则说明该分叉点对处存在分叉血管。
需要说明的是，本发明计算方法中，通过多次反复试验总结，设定所述第四预设值RTH的范围为：1.5-2.5；所述第五预设值RTH’的范围为2-3。优选的，第四预设值RTH取值为2，所述第五预设值RTH’取值为2.3。
至此，通过本方法可以将IVOCT图像中全部具有分叉血管的分叉点对以及分叉点对所在的图像的帧数检查出来，并且通过对假阳性进行剔除，避免了血管误判对使用者造成影响，提高了工作效率和准确率。
步骤3、对所述分叉血管进行显示，具体包括：
获取存在分叉血管的分叉点对所在的映射图的帧数；
在管腔示意图中查找对应帧数，并标记分叉血管。
对分叉血管进行自动识别的目的是为了向使用者提供直观图片使其能够确认分叉血管所在位置，因此需要对查找到的分叉血管进行显示；
如图7所示，管腔示意图是根据所获得的IVOCT图像得到的血管管腔的纵向切面图，示意图中的横坐标分别对应一组回拉的图像，即每一帧IVOCT图像都可以在上面找到对应。我们已知哪几帧中含有分叉血管，我们即可在管腔示意图上找到对称的横坐标，并在该横坐标范围内在血管腔的下方用黑色区域表示分叉。
综上所述，本文中应用了具体个例对本发明实施例提供的一种基于IVOCT图像的分叉血管自动识别方法的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制，本发明的保护范围应以所附的权利要求书为准。

Claims (6)

1.一种基于IVOCT图像的分叉血管自动识别方法，其特征在于，所述方法包括以下步骤：
步骤1、使用光学相干断层扫描系统和血管造影系统获取导丝回拉期间的IVOCT图像；
步骤2、通过检测到的血管轮廓确定血管分叉口并确定分叉位置；所述步骤2包括：
步骤21、提取分叉候选点，确定所述血管分叉口；
步骤22、查找分叉点对；
步骤23、判断每一分叉点对是否为假阳性，若是，则所述分叉点对处不存在分叉血管，若否，则所述分叉点对处存在分叉血管；
步骤23包括：
步骤231、重构所述血管轮廓中的主血管区和分叉区，获取所述主血管的精确中心点OM；
步骤232、测量所述主血管区上的分叉点对之间的第一距离D1；
步骤233、测量所述分叉区上与所述精确中心点OM距离最远的点到重构后的主血管区的血管轮廓的最短距离D2；
步骤234、设置第四预设值RTH，计算所述第一距离D1与所述最短距离D2的比值系数R，判断所述比值R是否大于所述第四预设值RTH；若是，则执行步骤235；若否，则所述分叉点对处存在分叉血管；
步骤235、检测映射图的前一帧映射图和后一帧映射图中是否存在明显分叉血管，若存在，则判断比值系数R是否大于第五预设值RTH’；若不存在，则所述分叉点对为假阳性；
其中，判断比值系数R是否大于第五预设值RTH’，包括：若是，则所述分叉点对为假阳性；若否，则所述分叉点对处存在分叉血管；
所述第五预设值RTH’与所述第四预设值RTH的差值范围为0.3-0.5；
步骤3、对所述分叉血管进行显示。
2.根据权利要求1所述的基于IVOCT图像的分叉血管自动识别方法，其特征在于，所述步骤21包括：
步骤211、将所述IVOCT图像展开，将展开后的IVOCT图像设为过度图；
步骤212、将所述过度图进行二值化处理，获取二值化图像，所述二值化图像中包括多个白色区域；
步骤213、判断所述白色区域的横坐标L和纵坐标N，若L大于第一预设值，且N大于第二预设值，则保留所述白色区域；反之，则将所述白色区域的像素值设为0；其中，
所述横坐标L表示所述IVOCT图像的帧数，所述纵坐标N表示所述IVOCT图像的角度；
步骤214、对多个所述白色区域依次执行步骤213，获取初筛图像；
步骤215、将所述初筛图像中保留有白色区域的部分转换为映射图；确定含有所述白色区域的图像的帧数和分叉位置；对每一帧映射图执行步骤216至步骤219；
步骤216、将映射图中血管轮廓的内部每一点的像素值设为该点到距离该点最近的血管轮廓的距离，将血管轮廓的外部的像素值均设为0；
步骤217、从所述映射图中选取所述血管轮廓的中心点OL；
步骤218、获取所述中心点OL到所述血管轮廓的最大距离和最小距离；
步骤219、计算每一帧映射图中，所述最大距离与所述最小距离的比值，并判断所述比值是否大于第三预设值，
若是，则所述映射图中存在分叉候选点；
若否，则所述映射图中不存在分叉。
3.根据权利要求2所述的基于IVOCT图像的分叉血管自动识别方法，其特征在于，
所述第一预设值小于等于4帧；
所述第二预设值小于等于8°；
所述第三预设值为1.5。
4.根据权利要求3所述的基于IVOCT图像的分叉血管自动识别方法，其特征在于，所述步骤22包括：
对每一帧含有分叉候选点的映射图执行步骤221至步骤224：
步骤221、对映射图的血管轮廓上的每一像素点取法向矢量；
步骤222、将血管轮廓上的点分别与所述中心点OL连接，形成多条第一直线；
步骤223、测量每一像素点的法向矢量与该点上的第一直线的夹角；
步骤224、查找夹角变化量最大的点对，将所述夹角变化量最大的点对设为血管轮廓的分叉点对。
5.根据权利要求1所述的基于IVOCT图像的分叉血管自动识别方法，其特征在于，
所述第四预设值RTH的范围为：1.5-2.5；
所述第五预设值RTH’的范围为2-3。
6.根据权利要求1所述的基于IVOCT图像的分叉血管自动识别方法，其特征在于，所述步骤3包括：
获取存在分叉血管的分叉点对所在的映射图的帧数；
在管腔示意图中查找对应帧数，并标记分叉血管。
CN201711465217.XA 2017-12-28 2017-12-28 一种基于ivoct图像的分叉血管自动识别方法 Active CN108090900B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711465217.XA CN108090900B (zh) 2017-12-28 2017-12-28 一种基于ivoct图像的分叉血管自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711465217.XA CN108090900B (zh) 2017-12-28 2017-12-28 一种基于ivoct图像的分叉血管自动识别方法

Publications (2)

Publication Number Publication Date
CN108090900A CN108090900A (zh) 2018-05-29
CN108090900B true CN108090900B (zh) 2021-12-28

Family

ID=62180974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711465217.XA Active CN108090900B (zh) 2017-12-28 2017-12-28 一种基于ivoct图像的分叉血管自动识别方法

Country Status (1)

Country Link
CN (1) CN108090900B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516644B (zh) * 2021-07-13 2022-04-01 天津大学 一种血管内光学相干层析成像分支血管识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010150715A1 (ja) * 2009-06-26 2010-12-29 日本合成化学工業株式会社 心筋梗塞非ヒト動物モデル及びその作製方法
CN103348359A (zh) * 2010-11-17 2013-10-09 光视有限公司 使用光学相干断层照相的3d视网膜破裂检测
CN104599270A (zh) * 2015-01-18 2015-05-06 北京工业大学 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法
CN105283901A (zh) * 2013-03-15 2016-01-27 光学实验室成像公司 校准和图像处理设备、方法和系统
CN106846347A (zh) * 2017-02-15 2017-06-13 深圳市中科微光医疗器械技术有限公司 基于oct的支架植入术前的分析系统及分析方法
CN106875387A (zh) * 2017-02-15 2017-06-20 深圳市中科微光医疗器械技术有限公司 基于oct影像的生物可降解支架的自动检测的方法及装置
CN107248155A (zh) * 2017-06-08 2017-10-13 东北大学 一种基于swi图像的脑静脉血管分割方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102012204063B4 (de) * 2012-03-15 2021-02-18 Siemens Healthcare Gmbh Generierung von Visualisierungs-Befehlsdaten
KR102278893B1 (ko) * 2014-11-28 2021-07-19 삼성전자주식회사 의료영상처리장치 및 이를 이용한 의료영상정합방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010150715A1 (ja) * 2009-06-26 2010-12-29 日本合成化学工業株式会社 心筋梗塞非ヒト動物モデル及びその作製方法
CN103348359A (zh) * 2010-11-17 2013-10-09 光视有限公司 使用光学相干断层照相的3d视网膜破裂检测
CN105283901A (zh) * 2013-03-15 2016-01-27 光学实验室成像公司 校准和图像处理设备、方法和系统
CN104599270A (zh) * 2015-01-18 2015-05-06 北京工业大学 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法
CN106846347A (zh) * 2017-02-15 2017-06-13 深圳市中科微光医疗器械技术有限公司 基于oct的支架植入术前的分析系统及分析方法
CN106875387A (zh) * 2017-02-15 2017-06-20 深圳市中科微光医疗器械技术有限公司 基于oct影像的生物可降解支架的自动检测的方法及装置
CN107248155A (zh) * 2017-06-08 2017-10-13 东北大学 一种基于swi图像的脑静脉血管分割方法

Also Published As

Publication number Publication date
CN108090900A (zh) 2018-05-29

Similar Documents

Publication Publication Date Title
JP4950071B2 (ja) ３次元医療画像からの肺動脈樹の自動抽出の方法
US10115039B2 (en) Method and system for machine learning based classification of vascular branches
US8086000B2 (en) Method, apparatus and computer program for quantitative bifurcation analysis on angiographic images
JP2019509813A (ja) 冠動脈において健全な管腔径を推定し狭窄を定量化するためのシステム及び方法
CN109829942B (zh) 一种眼底图像视网膜血管管径自动量化方法
US7929741B2 (en) System and method for automated detection of mucus plugs within bronchial tree in MSCT images
KR101697880B1 (ko) 적응적 임계값 영상분할을 이용한 ct 영상 동맥경화반 용적 측정방법 및 장치
CN106846347B (zh) 基于oct的支架植入术前的分析系统及分析方法
CN111415321B (zh) 动脉瘤破裂风险检测装置及设备
CN108052909B (zh) 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置
CN112716446A (zh) 高血压性视网膜病变的病变特征的测量方法及测量系统
CN108182680B (zh) 一种基于ivoct图像的分叉血管的角度自动识别方法
KR102361354B1 (ko) 관상동맥 조영 영상에서 심장 협착증 질병 정보 제공 방법
CN111145155B (zh) 一种睑板腺腺体的识别方法
CN117422628A (zh) 一种心脏血管超声检查数据优化增强方法
CN108090900B (zh) 一种基于ivoct图像的分叉血管自动识别方法
WO2015150320A1 (en) Segmentation of tubular organ structures
KR101971764B1 (ko) 혈관 촬영 영상을 이용한 혈관 분석 방법 및 장치
Bauer et al. Extracting curve skeletons from gray value images for virtual endoscopy
CN113012127A (zh) 基于胸部医学影像的心胸比测量方法
CN113516644A (zh) 一种血管内光学相干层析成像分支血管识别方法
JP2010200925A (ja) 画像処理装置および方法並びにプログラム
CN114494177A (zh) 一种利用纵截面和回撤性质的ivoct分支血管识别方法
CN111739026B (zh) 一种基于血管中心线的黏连割除方法及装置
KR102000615B1 (ko) 관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhu Rui

Inventor after: Cao Yihui

Inventor after: Xue Ting

Inventor before: Zhu Rui

Inventor before: Li Jianan

Inventor before: Cao Yihui

Inventor before: Xue Ting

CB02 Change of applicant information
CB02 Change of applicant information

Address after: 710119 Room 101, building 11, new industrial park, No. 60, West Avenue, high tech Zone, Xi'an, Shaanxi Province

Applicant after: Zhongke low light medical research center (Xi'an) Co.,Ltd.

Address before: Room 303, floor 3, Zhongke Chuangxing, southwest corner of bianjia village, 322 Youyi West Road, Xi'an, Shaanxi 710068

Applicant before: XI'AN VIVOLIGHT IMAGING TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant