CN108090901A - 一种基于心血管oct影像的生物支架对齐方法及装置 - Google Patents

一种基于心血管oct影像的生物支架对齐方法及装置 Download PDF

Info

Publication number
CN108090901A
CN108090901A CN201711465220.1A CN201711465220A CN108090901A CN 108090901 A CN108090901 A CN 108090901A CN 201711465220 A CN201711465220 A CN 201711465220A CN 108090901 A CN108090901 A CN 108090901A
Authority
CN
China
Prior art keywords
biological support
once
follow
stent
stent strut
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
Application number
CN201711465220.1A
Other languages
English (en)
Other versions
CN108090901B (zh
Inventor
朱锐
李嘉男
曹挥
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.)
Xi'an Zhongke Low Light Imaging Technology Co Ltd
Original Assignee
Xi'an Zhongke Low Light Imaging Technology 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 Xi'an Zhongke Low Light Imaging Technology Co Ltd filed Critical Xi'an Zhongke Low Light Imaging Technology Co Ltd
Priority to CN201711465220.1A priority Critical patent/CN108090901B/zh
Publication of CN108090901A publication Critical patent/CN108090901A/zh
Application granted granted Critical
Publication of CN108090901B publication Critical patent/CN108090901B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • A61B5/72—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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Endoscopes (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)

Abstract

本发明涉及一种基于心血管OCT的生物支架对齐方法及装置，其中，所述方法包括：载入血管段相同位置处采集的多张即刻OCT图像和多张随访OCT图像；分别基于所述即刻OCT图像和所述随访OCT图像检测血管中生物支架的位置；分别构建随访生物支架的3D模型和即刻生物支架的3D模型；利用SVD算法对基于所述即刻OCT图像得到的生物支架与基于所述随访OCT图像得到的生物支架进行对齐；输出两个生物支架的对齐图像。本发明的基于心血管OCT的生物支架对齐方法及装置能够基于OCT图像对随访生物支架和即刻生物支架进行自动对齐，提高了对齐效率，并且增加了对齐结果的准确性。

Description

一种基于心血管OCT影像的生物支架对齐方法及装置
技术领域
本发明属于医学成像技术领域，具体涉及一种基于心血管OCT影像的生物支架对齐方法及装置。
背景技术
光学相干断层扫描技术(Optical Coherence Tomography，OCT)是近十年迅速发展起来的一种成像技术，是利用光来窥视冠状动脉壁并生成图像的一种基于导管的成像模式。其利用弱相干光干涉仪的基本原理，检测生物组织不同深度层面对入射弱相干光的背向反射或几次散射信号，通过扫描，得到生物组织二维或三维结构图像。
目前冠状动脉粥样硬化性心脏病(简称冠心病)的治疗主要采用的是经皮冠状动脉介入治疗术，即采用支架重构血管。第一代支架是裸金属支架，其缺点是术后血管再狭窄率高。第二代支架是药物涂层支架，其显著降低了血管再狭窄率，但会引起晚期支架贴壁不良，从而导致血栓的发生。第三代支架是生物可降解支架，其在一段时间之后会被完全吸收，从而完成血管重构，恢复血运，但目前国内生物可降解支架的发展还不成熟，因此搭建的生物可降解支架可能发生塌陷情况。
在生物支架植入后需要进行随访来评估支架植入后的血管反应。现在已有临床试验通过对比支架植入后不同时间获取的心血管OCT数据集中支架的变化来判断血管反应(例如，支架覆盖不良、支架贴壁不良、支架小梁隆起以及愈合延迟等)。在此过程中，需要对特定血管区域不同时间获取的心血管OCT图像数据进行图像层面的配准，以实现OCT图像所包括的相同支架的对齐。目前现有的一些配准技术严重依赖用户的交互，配准期间明显的人工操作效率很低，在许多临床情境中并不实用。
本发明的目的是对不同时间获取的心血管OCT图像进行自动配准，以实现心血管OCT图像中生物支架的自动对齐，使得用户可以很方便地比对刚完成生物支架植入时的数据(以下简称为“即刻数据”)与随访时的数据(以下简称为“随访数据”)，从而对所植入生物支架的血管反应进行定量分析和判断。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于心血管OCT影像的生物支架对齐方法及装置。本发明要解决的技术问题通过以下技术方案实现：
本发明的一个方面提供了一种基于心血管OCT的生物支架对齐方法，包括：
S1：载入血管段相同位置处采集的多张即刻OCT图像和多张随访OCT图像；
S2：分别基于所述即刻OCT图像和所述随访OCT图像检测血管中生物支架的位置；
S3：分别构建随访生物支架的3D模型和即刻生物支架的3D模型；
S4：利用SVD算法对基于所述即刻OCT图像得到的生物支架与基于所述随访OCT图像得到的生物支架进行对齐；
S5：输出两个生物支架的对齐图像。
在本发明的一个实施例中，所述S2包括：
S21：分别对所述即刻OCT图像和所述随访OCT图像中的每个OCT图像进行主血管轮廓提取，确定滑窗范围；
S22：根据所述滑窗范围，利用Adaboost算法对生物支架进行检测；
S23：确定所述每个OCT图像中生物支架的位置并提取所述每个OCT图像的含支架区域；
S24：根据所述含支架区域进行支架分割，并计算所述含支架区域中每个支架支柱的中心点。
在本发明的一个实施例中，所述S24包括：
S241：将所述含支架区域进行坐标转换以得到极坐标系下的含支架区域；
S242：在极坐标系下，利用DP算法得到所述含支架区域中所有支架支柱的轮廓，并标记所述支架支柱的轮廓；
S243：将经过标记的所述支架支柱的轮廓进行坐标转换以得到笛卡尔坐标系下的支架支柱轮廓；
S244：在笛卡尔坐标下计算出所述支架支柱的中心点位置，以分别得到所述即刻OCT图像和所述随访OCT图像中支架支柱的中心点位置。
在本发明的一个实施例中，所述S3包括：
根据所述即刻OCT图像和所述随访OCT图像中支架支柱的中心点位置，在极坐标系下将每个支架支柱的中心点转换至3D空间中，从而分别得到所述随访生物支架的3D模型和所述即刻生物支架的3D模型。
在本发明的一个实施例中，所述S4包括：
S41：对随访生物支架的3D模型与即刻生物支架的3D模型中的对应支架支柱的中心点进行匹配并计算对应中心点的偏移量ER；
S42：比较所述偏移量ER与预先设定的阈值，若偏移量ER小于阈值，则匹配过程结束，输出即刻生物支架移动至随访生物支架所需的最终旋转角度和最终平移参数；若偏移量ER大于阈值，则进入S43；
S43：利用SVD算法计算即刻生物支架移动至随访生物支架所需的旋转角度R和平移参数并计算旋转之后的偏移量ER；
S44：对S43得到的旋转角度R和所述平移参数进行计算，判断是否满足ICP加速算法的条件，若满足，则执行S45；若不满足，则执行46；
S45：进行加速迭代并更新旋转角度R和平移参数
S46：根据所述旋转角度R和平移参数变换即刻支架3D模型中的支架中心点位置；
S47：再次对随访生物支架的3D模型与即刻生物支架的3D模型中的对应支架支柱的中心点进行匹配并计算对应中心点的偏移量ER，并执行S42，直到ER小于阈值，则匹配过程结束，输出最终旋转角度和最终平移参数。
在本发明的一个实施例中，利用SVD算法计算即刻生物支架移动至随访生物支架所需的旋转角度R和平移参数包括：
根据支架支柱中心点与生物支架中轴的距离d对各个支架支柱中心点设置权重，其中，权重正比于所述距离d，且各个支架支柱中心点的权重之和为1；
利用SVD算法以及各个支架支柱中心点的权重，计算即刻生物支架移动至随访生物支架所需的旋转角度R和平移参数
在本发明的一个实施例中，所述S41包括：
S411：利用公式
进行最近点搜索，从而得到所有随访支架支柱中心点与即刻支架支柱中心点的匹配关系，其中，A(xa,ya,za)为随访支架支柱中心点的坐标，B(xb,yb,zb)为即刻支架支柱中心点的坐标；
S412：利用公式计算随访支架支柱中心点与对应即刻支架支柱中心点的偏移量ER，其中，d(A,B)为随访支架支柱中心点与相匹配的即刻支架支柱中心点之间的距离，N为支架支柱中心点的个数。
在本发明的一个实施例中，利用公式
进行最近点搜索，包括：
利用公式并且利用Kd树加速算法对所述随访支架支柱中心点与所述即刻支架支柱中心点进行加速搜索，以减少匹配两组数据中支架支柱中心点所需的时间。
在本发明的一个实施例中，所述S5包括：
S51：根据计算出的最终旋转角度和最终平移参数对即刻OCT图像进行整体变换，以使由随访OCT图像生成的生物支架与由即刻OCT图像生成的生物支架整体对齐；
S52：输出两个生物支架的对齐图像。
本发明的另一方面提供了一种基于心血管OCT的生物支架对齐装置，包括数字信号处理单元及存储单元，所述存储单元用于存储处理指令，其中，所述处理指令被所述数字信号处理单元执行时实现上述任一项实施例方法中的步骤。
与现有技术相比，本发明的有益效果：
1、由于生物支架有塌陷情况发生，本发明的基于心血管OCT图像的生物支架对齐方法在进行SVD算法计算过程中，根据支架支柱中心点与生物支架中轴的距离d对各个支架支柱中心点设置权重α，使得支架塌陷对结果带来的影响降至最低。
2、本发明的基于心血管OCT图像的生物支架对齐方法，在支架匹配过程中，使用Kd树加速算法进行加速搜索，减小了生物支架匹配步骤所用的时间。
3、本发明的基于心血管OCT图像的生物支架对齐方法，在支架对齐步骤中利用SVD算法计算即刻支架点所需的旋转角度和平移参数，求解过程不需要迭代，减小了整个步骤的完成时间，从而减小了支架匹配的时间。
附图说明
图1是本发明实施例提供的一种基于心血管OCT影像的生物生物支架对齐方法的总流程图；
图2是本发明实施例提供的一种支架检测步骤的流程图；
图3a是未标记支架支柱轮廓的原始心血管OCT图像；
图3b是已标记出生物支架支柱轮廓的心血管OCT图像；
图4是本发明实施例的一种即刻生物支架和随访生物支架形成的3D支架模型图；
图5是本发明实施例提供的一种生物支架对齐步骤的算法流程图；
图6是本发明实施例提供的一种生物支架对齐方法在第一次循环后得到的生物支架对齐结果的模型图；
图7是本发明实施例提供的一种生物支架对齐方法最终得到的生物支架对齐结果的模型图；
图8是生物支架对齐过程中偏移量ER随迭代次数的变化趋势图；图9是本发明实施例提供的一种图像显示界面的示意图；
图10是本发明实施例提供的一种基于心血管OCT影像的生物支架对齐装置的结构示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
实施例一：
请参见图1，图1为本发明实施例提供的一种基于心血管OCT影像的生物支架对齐方法的总流程图，所述生物支架对齐方法包括：
S1：载入血管段相同位置处采集的多张即刻OCT图像和多张随访OCT图像；
S2：分别基于所述即刻OCT图像和所述随访OCT图像检测血管中生物支架的位置；
S3：分别构建随访生物支架的3D模型和即刻生物支架的3D模型；
S4：利用SVD算法对基于所述即刻OCT图像得到的生物支架与基于所述随访OCT图像得到的生物支架进行对齐；
S5：输出两个生物支架的对齐图像。
请参见图2，图2为本发明实施例提供的一种支架检测步骤的流程图，所述S2包括：
S21：分别对所述即刻OCT图像和所述随访OCT图像中的每个OCT图像进行主血管轮廓提取，确定滑窗范围；
在一种实施方式中，所述滑窗范围为主血管轮廓周围100像素的区域。通过确定滑窗范围，缩小了需要进行支架检测的区域，提高了检测效率。
S22：根据所确定的滑窗范围，通过子窗口，利用Adaboost算法进行生物支架的检测；
Adaboost算法的主要思想是针对同一个训练集训练不同的分类器hj(x)，即弱分类器；然后把这些弱分类器构造一个最强的最终分类器H(x)，公式如下：
J为弱分类器的数量，t为一个由人工设定的阈值，当训练集经过每个弱分类器后，无支架的点将会被去除。
在本步骤中，所述子窗口指一个k×k的小窗口，即为Adaboost算法的一个弱分类器，该子窗口在S21确定的滑窗范围上不断地移动，每次移动，都需要对这个子窗口所包含的区域进行判定，即通过弱分类器hj(x)判断该区域是否含有支架。具体判断过程如下：第一个分类器h1(x)判断该区域是否含有支架，若含有支架记为1，若不含支架，则记为0并舍去该子窗口；第二个分类器h2(x)判断除舍去的子窗口之外的剩余子窗口区域，判断其是否含有支架，方法同上，以此类推，直至最后一个弱分类器hj(x)。若子区域在每个分类器上的得分大于t，则我们认为该区域含有支架。
S23：确定所述每个OCT图像中生物支架的位置并提取所述每个OCT图像的含支架区域；
S24：根据所述含支架区域进行支架分割，并计算所述含支架区域中每个支架支柱的中心点。
在本发明的一个实施例中，所述S24括：
S241：将所述含支架区域进行坐标转换以得到极坐标系下的含支架区域；
S242：在极坐标系下，利用DP算法得到所述含支架区域中所有支架支柱的轮廓，并标记所述支架支柱的轮廓；
S243：将经过标记的所述支架支柱的轮廓进行坐标转换以得到笛卡尔坐标系下的支架支柱轮廓；
S244：根据所述支架支柱的笛卡尔坐标计算出所述支架支柱的中心点位置，具体公式如下：
其中，(xc,yc)为支架支柱中心点坐标，(xi,yi)为轮廓坐标；
利用上述步骤分别计算所有即刻OCT图像和随访OCT图像中支架支柱的中心点位置。
请一并参见图3a和图3b，图3a是未标记支架支柱轮廓的原始心血管OCT图像；图3b是已标记出生物支架支柱轮廓的心血管OCT图像，其中，圆圈中标记出了血管内壁轮廓和紧靠血管内壁形成支架的多个中空的支架支柱。
在本实施例中，本发明的基于心血管OCT的生物支架对齐方法能够基于OCT图像对随访生物支架和即刻生物支架进行对齐，提高了对齐效率，增加了对齐结果的准确性。
实施例二：
在本发明的一个实施例中，所述S3包括：
根据计算出的所有即刻OCT图像和随访OCT图像中所述支架支柱的中心点位置，在极坐标系下将每个支架支柱的中心点转换至3D空间中，从而分别得到即刻生物支架和随访生物支架的3D模型。
在本实施例中，构建3D支架模型的的一种具体实施方式可以是(极坐标系下)：
其中，zstrut为3D模型中生物支架的z轴值，zplane为纵轴位置，θstrut为极坐标中包含生物支架的A线的角度，Df为相邻两帧的获取间距，所述A线指的是笛卡尔坐标空间OCT图像中从血管轮廓中心点向外辐射的所有轴向线，对应于极坐标OCT图像中的所有竖向线。将从每幅OCT图像中检测到的支架支柱点的数据通过上述公式进行变换，最终得到该血管段整个支架的3D模型。
参见图4，图4是本发明实施例的一种即刻生物支架和随访生物支架形成的3D支架模型图，其中，实心点表示的为即刻生物支架，空心点表示的为随访生物支架。三个轴的单位均为像素。如图可知，此时即刻生物支架的3D模型和随访生物支架的3D模型在3D模型空间中分开布置，为了能够方便地对比即刻生物支架与随访生物支架的结构差异，需要对两个支架的3D模型进行对齐，接下来将进行步骤S4。
参见图5，图5是本发明实施例提供的一种生物支架对齐步骤的算法流程图。在本实施例中，所述S4包括：
S41：对随访生物支架的3D模型与即刻生物支架的3D模型中的对应支架支柱的中心点进行匹配并计算对应中心点的偏移量ER；
在本步骤中，利用公式
进行两个生物支架的3D模型最近支架点搜索，从而得到所有随访支架支柱中心点与即刻支架支柱中心点的匹配关系，其中，A(xa,ya,za)为随访支架支柱中心点的坐标，B(xb,yb,zb)为即刻支架支柱中心点的坐标；
利用公式计算随访支架支柱中心点与对应即刻支架支柱中心点的偏移量ER，其中，d(A,B)为随访支架支柱中心点与相匹配的即刻支架支柱中心点之间的距离，N为支架支柱中心点的个数。
此外，在对随访OCT图像的生物支架3D模型与即刻OCT图像的生物支架3D模型中对应支架支柱中心点进行匹配的过程中，利用Kd树加速算法对两组数据中的支架支柱中心点进行加速搜索，以减少匹配两组数据中支架支柱中心点所需的时间。
S42：比较所述偏移量ER与预先设定的阈值，若偏移量ER小于阈值，则匹配过程结束，输出即刻生物支架移动至随访生物支架所需的最终旋转角度和最终平移参数；若偏移量ER大于阈值，则进入S43；
S43：利用SVD算法计算即刻生物支架移动至随访生物支架所需的旋转角度R和平移参数并计算旋转之后的偏移量ER；
在本实施例中，假设pi和qi分别为即刻生物支架和随访生物支架两组数据集中的一对匹配的支架支柱中心点，由于对于匹配支架支柱中心点距离的平方和有闭式解，因此求解时不需要迭代。在这里我们利用SVD算法，直接求出旋转角度R和偏移量SVD算法是目标函数最小化，从而得到最佳的旋转角度R和平移参数
此外，由于生物支架有塌陷情况发生，在本实施例中，在进行SVD算法计算过程中，根据支架支柱中心点与生物支架中轴的距离d对各个支架支柱中心点设置权重α，其中，权重α正比于距离d，且具体地，在计算支架支柱中心点的中心坐标时，根据支架支柱中心点与生物支架中轴的距离d，对于每个点乘以权重，这样降低了塌陷点对计算的影响。
SVD算法的具体方法：计算匹配支架支柱中心点的中心坐标：
每个支架支柱中心点到中心的偏差为：
定义并对G进行奇异值分解G＝UΣVT，则可以得出：
S44：对S43得到的旋转角度R和所述平移参数进行计算，判断是否满足ICP加速算法的条件，若满足，则执行S45；若不满足，则执行46；
S45：进行加速迭代并更新旋转角度R和平移参数
S46：根据所述旋转角度R和平移参数变换即刻支架3D模型中的支架中心点位置；
S47：再次对随访生物支架的3D模型与即刻生物支架的3D模型中的对应支架支柱的中心点进行匹配并计算对应中心点的偏移量ER，并执行S42，直到ER小于阈值，则匹配过程结束，输出最终旋转角度和最终平移参数。
随后，本实施例的步骤S5包括：
S51：根据计算出的最终旋转角度和最终平移参数对即刻OCT图像进行整体变换，以使由随访OCT图像生成的生物支架与由即刻OCT图像生成的生物支架整体对齐；
S52：输出两个生物支架的对齐图像。
参见图6和图7，图6是本发明实施例提供的一种生物支架对齐方法在第一次循环后得到的生物支架对齐结果的模型图；图7是本发明实施例提供的一种生物支架对齐方法最终得到的生物支架对齐结果的模型图，其中，黑框表示支架未匹配处。如图所示，经过多次旋转角度和平移参数的计算和更新，随访生物支架和即刻生物支架最终实现对齐。
参见图8，图8是生物支架对齐过程中偏移量ER随迭代次数的变化趋势图。如图所示，随着迭代次数的增大，偏移量ER不断减小，最终趋于零，此时，随访生物支架和即刻生物支架完成对齐过程。
此外，请参见图9，图9是本发明实施例提供的一种图像显示界面的示意图。在本实施例中，支架对齐图像的图像显示界面包括如图所示的A、B、C、D、E五个区域，其中，区域A显示的是即刻OCT图像，区域B显示的是与区域A中的即刻OCT图像位于血管相同位置处的随访OCT图像，区域C显示的是在某一血管段采集的所有即刻OCT图像的纵向横截面示意图，区域D显示的是在相同血管段采集的所有随访OCT图像的纵向横截面示意图，区域E显示的是随访支架与即刻支架的对齐图像。
区域C、区域D中的黑色直线表示区域A的即刻OCT图像和区域B中的随访OCT图像在所有OCT图像集中所处的位置，区域E中的黑色直线表示区域A的即刻OCT图像和区域B中的随访OCT图像在对齐支架中的位置，也就是说，五个区域中所显示的图像具有相互对应关系，当拖动C、D、E任一区域中的黑色直线移动时，另外两个区域的黑色直线位置也随之移动，与此同时，A、B区域中的OCT图像也会相应的变化，这样的界面布置有利于更加清楚的对比支架对齐结果。
在本实施例中，由于生物支架有塌陷情况发生，本发明的基于心血管OCT图像的生物支架对齐方法在进行SVD算法计算过程中，根据支架支柱中心点与生物支架中轴的距离d对各个支架支柱中心点设置权重α，使得支架塌陷对结果带来的影响降至最低。
实施例三：
请参见图10，图10是本发明实施例提供的一种基于心血管OCT影像的生物支架对齐装置的结构示意图。本实施例的基于心血管OCT的生物支架对齐装置，包括依次连接的探测单元、成像单元、数据处理单元和显示单元，其中，所述数据处理单元包括依次连接的下述模块：
图像输入模块，用于输入血管段相同位置处采集的即刻OCT图像和随访OCT图像；
生物支架检测模块，用于利用迭代算法分别检测即刻OCT图像和随访OCT图像中生物支架的位置；
3D模拟模块，用于分别对检测到的随访OCT图像的生物支架和即刻OCT图像的生物支架构建3D模型；
生物支架对齐模块，用于对随访图像3D模型与即刻图像3D模型中的生物支架进行对齐；
图像输出模块，用于输入生物支架的对齐图像，其中，所述图像输入模块连接至所述成像单元，所述图像输出模块连接至所述显示单元。
本发明的另一实施例还提供了另一种基于心血管OCT图像的生物支架对齐装置，包括数字信号处理单元及存储单元，所述存储单元用于存储处理指令，其中，所述处理指令被所述数字信号处理单元执行时实现了上述任一实施例的方法中的步骤。
通过本实施例的基于心血管OCT影像的支架对齐装置，可以对不同时间获取的心血管OCT图像进行自动配准，以实现不同时间相同生物支架的自动对齐，以此使用户可以直接比对即刻数据与随访数据的差异，从而判断植入支架后的各种血管反应。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于心血管OCT的生物支架对齐方法，其特征在于，所述生物支架对齐方法包括：
S1：载入血管段相同位置处采集的多张即刻OCT图像和多张随访OCT图像；
S2：分别基于所述即刻OCT图像和所述随访OCT图像检测血管中生物支架的位置；
S3：分别构建随访生物支架的3D模型和即刻生物支架的3D模型；
S4：利用SVD算法对基于所述即刻OCT图像得到的生物支架与基于所述随访OCT图像得到的生物支架进行对齐；
S5：输出两个生物支架的对齐图像。
2.根据权利要求1所述的生物支架对齐方法，其特征在于，所述S2包括：
S21：分别对所述即刻OCT图像和所述随访OCT图像中的每个OCT图像进行主血管轮廓提取，确定滑窗范围；
S22：根据所述滑窗范围，利用Adaboost算法对生物支架进行检测；
S23：确定所述每个OCT图像中生物支架的位置并提取所述每个OCT图像的含支架区域；
S24：根据所述含支架区域进行支架分割，并计算所述含支架区域中每个支架支柱的中心点。
3.根据权利要求2所述的生物支架对齐方法，其特征在于，所述S24包括：
S241：将所述含支架区域进行坐标转换以得到极坐标系下的含支架区域；
S242：在极坐标系下，利用DP算法得到所述含支架区域中所有支架支柱的轮廓，并标记所述支架支柱的轮廓；
S243：将经过标记的所述支架支柱的轮廓进行坐标转换以得到笛卡尔坐标系下的支架支柱轮廓；
S244：在笛卡尔坐标下计算出所述支架支柱的中心点位置，以分别得到所述即刻OCT图像和所述随访OCT图像中支架支柱的中心点位置。
4.根据权利要求3所述的生物支架对齐方法，其特征在于，所述S3包括：
根据所述即刻OCT图像和所述随访OCT图像中支架支柱的中心点位置，在极坐标系下将每个支架支柱的中心点转换至3D空间中，从而分别得到所述随访生物支架的3D模型和所述即刻生物支架的3D模型。
5.根据权利要求1所述的生物支架对齐方法，其特征在于，所述S4包括：
S41：对随访生物支架的3D模型与即刻生物支架的3D模型中的对应支架支柱的中心点进行匹配并计算对应中心点的偏移量ER；
S42：比较所述偏移量ER与预先设定的阈值，若偏移量ER小于阈值，则匹配过程结束，输出即刻生物支架移动至随访生物支架所需的最终旋转角度和最终平移参数；若偏移量ER大于阈值，则进入S43；
S43：利用SVD算法计算即刻生物支架移动至随访生物支架所需的旋转角度R和平移参数并计算旋转之后的偏移量ER；
S44：对S43得到的旋转角度R和所述平移参数进行计算，判断是否满足ICP加速算法的条件，若满足，则执行S45；若不满足，则执行46；
S45：进行加速迭代并更新旋转角度R和平移参数
S46：根据所述旋转角度R和平移参数变换即刻支架3D模型中的支架中心点位置；
S47：再次对随访生物支架的3D模型与即刻生物支架的3D模型中的对应支架支柱的中心点进行匹配并计算对应中心点的偏移量ER，并执行S42，直到ER小于阈值，则匹配过程结束，输出最终旋转角度和最终平移参数。
6.根据权利要求5所述的生物支架对齐方法，其特征在于，利用SVD算法计算即刻生物支架移动至随访生物支架所需的旋转角度R和平移参数包括：
根据支架支柱中心点与生物支架中轴的距离d对各个支架支柱中心点设置权重，其中，权重正比于所述距离d，且各个支架支柱中心点的权重之和为1；
利用SVD算法以及各个支架支柱中心点的权重，计算即刻生物支架移动至随访生物支架所需的旋转角度R和平移参数
7.根据权利要求5所述的生物支架对齐方法，其特征在于，所述S41包括：
S411：利用公式
进行最近点搜索，从而得到所有随访支架支柱中心点与即刻支架支柱中心点的匹配关系，其中，A(xa,ya,za)为随访支架支柱中心点的坐标，B(xb,yb,zb)为即刻支架支柱中心点的坐标；
S412：利用公式计算随访支架支柱中心点与对应即刻支架支柱中心点的偏移量ER，其中，d(A,B)为随访支架支柱中心点与相匹配的即刻支架支柱中心点之间的距离，N为支架支柱中心点的个数。
8.根据权利要求7所述的生物支架对齐方法，其特征在于，利用公式进行最近点搜索，包括：
利用公式并且利用Kd树加速算法对所述随访支架支柱中心点与所述即刻支架支柱中心点进行加速搜索，以减少匹配两组数据中支架支柱中心点所需的时间。
9.根据权利要求6至8中任一项所述的生物支架对齐方法，其特征在于，所述S5包括：
S51：根据计算出的最终旋转角度和最终平移参数对即刻OCT图像进行整体变换，以使由随访OCT图像生成的生物支架与由即刻OCT图像生成的生物支架整体对齐；
S52：输出两个生物支架的对齐图像。
10.一种基于心血管OCT的生物支架对齐装置，包括数字信号处理单元及存储单元，所述存储单元用于存储处理指令，其特征在于，所述处理指令被所述数字信号处理单元执行时实现如权利要求1-9任一项方法中的步骤。
CN201711465220.1A 2017-12-28 2017-12-28 一种基于心血管oct影像的生物支架对齐方法及装置 Active CN108090901B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711465220.1A CN108090901B (zh) 2017-12-28 2017-12-28 一种基于心血管oct影像的生物支架对齐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711465220.1A CN108090901B (zh) 2017-12-28 2017-12-28 一种基于心血管oct影像的生物支架对齐方法及装置

Publications (2)

Publication Number Publication Date
CN108090901A true CN108090901A (zh) 2018-05-29
CN108090901B CN108090901B (zh) 2021-11-19

Family

ID=62179821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711465220.1A Active CN108090901B (zh) 2017-12-28 2017-12-28 一种基于心血管oct影像的生物支架对齐方法及装置

Country Status (1)

Country Link
CN (1) CN108090901B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111833396A (zh) * 2020-06-05 2020-10-27 哈工大机器人(中山)无人装备与人工智能研究院 一种采血装置相机坐标系到世界坐标系的转换方法及系统
CN112102313A (zh) * 2020-10-22 2020-12-18 上海联影医疗科技股份有限公司 一种支架检测方法、装置和存储介质
CN112837286A (zh) * 2021-01-29 2021-05-25 罗普特科技集团股份有限公司 一种用于支架变形的检测方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101283929A (zh) * 2008-06-05 2008-10-15 华北电力大学 一种血管三维模型的重建方法
CN101887525A (zh) * 2010-07-09 2010-11-17 北京师范大学 基于分级的正反互逆的三维稠密点集快速配准方法
CN102413793A (zh) * 2009-02-25 2012-04-11 耶拿阀门科技公司 用于瓣膜假体在病人心脏中的植入部位的定位和锚定的支架
CN105188550A (zh) * 2013-03-12 2015-12-23 光学实验室成像公司 血管数据处理和图像配准系统、方法及装置
CN106447708A (zh) * 2016-10-10 2017-02-22 吉林大学 一种oct眼底图像数据配准方法
CN107205835A (zh) * 2015-01-22 2017-09-26 皇家飞利浦有限公司 利用光学形状感测反馈对血管内部署设备的机器人控制

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101283929A (zh) * 2008-06-05 2008-10-15 华北电力大学 一种血管三维模型的重建方法
CN102413793A (zh) * 2009-02-25 2012-04-11 耶拿阀门科技公司 用于瓣膜假体在病人心脏中的植入部位的定位和锚定的支架
CN101887525A (zh) * 2010-07-09 2010-11-17 北京师范大学 基于分级的正反互逆的三维稠密点集快速配准方法
CN105188550A (zh) * 2013-03-12 2015-12-23 光学实验室成像公司 血管数据处理和图像配准系统、方法及装置
CN107205835A (zh) * 2015-01-22 2017-09-26 皇家飞利浦有限公司 利用光学形状感测反馈对血管内部署设备的机器人控制
CN106447708A (zh) * 2016-10-10 2017-02-22 吉林大学 一种oct眼底图像数据配准方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GIOVANNI J. UGHI ET AL.: ""Automatic segmentation of in-vivo intra-coronary optical coherence tomography images to assess stent strut apposition and coverage"", 《THE INTERNATIONAL JOURNAL OF CARDIOVASCULAR IMAGING》 *
GIOVANNI J. UGHI ET AL.: ""Automatic three-dimensional registration of intravascular optical coherence tomography images"", 《JOURNAL OF BIOMEDICAL OPTICS》 *
李致勋 等: ""基于节点拓扑一致性的2D/3D冠脉血管非刚性配准"", 《智能计算机与应用》 *
胡增阳 等: ""基于OCT图像的冠状动脉血管支架自动检测"", 《计算机与数字工程》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111833396A (zh) * 2020-06-05 2020-10-27 哈工大机器人(中山)无人装备与人工智能研究院 一种采血装置相机坐标系到世界坐标系的转换方法及系统
CN111833396B (zh) * 2020-06-05 2024-03-29 哈工大机器人(中山)无人装备与人工智能研究院 一种采血装置相机坐标系到世界坐标系的转换方法及系统
CN112102313A (zh) * 2020-10-22 2020-12-18 上海联影医疗科技股份有限公司 一种支架检测方法、装置和存储介质
CN112837286A (zh) * 2021-01-29 2021-05-25 罗普特科技集团股份有限公司 一种用于支架变形的检测方法和系统

Also Published As

Publication number Publication date
CN108090901B (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
CN109242844B (zh) 基于深度学习的胰腺癌肿瘤自动识别系统、计算机设备、存储介质
US20230245301A1 (en) Method and apparatus for accurately extracting vascular centerline, analysis system, and storage medium
CN108090901A (zh) 一种基于心血管oct影像的生物支架对齐方法及装置
US8548213B2 (en) Method and system for guiding catheter detection in fluoroscopic images
CN106780495A (zh) 基于oct的心血管植入支架自动检测与评估方法及系统
CN103839249B (zh) Ct肝灌注的图像后处理方法和ct肝灌注方法
US8428319B2 (en) Automatic measurement of morphometric and motion parameters of the coronary tree from a rotational X-ray sequence
O'Brien et al. Automated segmentation of coronary vessels in angiographic image sequences utilizing temporal, spatial, and structural constraints
US9367924B2 (en) Method and system for segmentation of the liver in magnetic resonance images using multi-channel features
CN107657612A (zh) 适用于智能便携设备的全自动视网膜血管分析方法及系统
CN100377691C (zh) 血流动态分析设备及方法和图像诊断设备
ES2774126T3 (es) Segmentación rápida y automatizada de imagen en capas con una búsqueda de gráficos heurísticos
US20050018890A1 (en) Segmentation of left ventriculograms using boosted decision trees
US11481957B2 (en) Medical image processing apparatus and storage medium
CN111612778B (zh) 一种术前cta与术中x光冠状动脉配准方法
CN110853020B (zh) 基于拓扑结构和图谱的衡量视网膜血管网络相似性的方法
US9560981B2 (en) Vector-cardio-graphic signal analyzer
CN108335732A (zh) 一种oct影像的病例推荐方法及其系统
CN108053434A (zh) 一种基于心血管oct的支架对齐方法及装置
Liu et al. Detection and classification of chronic total occlusion lesions using deep learning
CN114565623B (zh) 肺血管分割方法、装置、存储介质及电子设备
Kim et al. Prediction of FFR from IVUS images using machine learning
Gessert et al. Bioresorbable scaffold visualization in IVOCT images using CNNs and weakly supervised localization
CN114119688A (zh) 基于深度学习的冠状动脉造影前后单模医学图像配准方法
CN113822298A (zh) 一种时间活度曲线提取方法和系统

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

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

CB03 Change of inventor or designer 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.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant