CN108537802A - 一种血管分割方法及装置 - Google Patents

一种血管分割方法及装置 Download PDF

Info

Publication number
CN108537802A
CN108537802A CN201810296981.7A CN201810296981A CN108537802A CN 108537802 A CN108537802 A CN 108537802A CN 201810296981 A CN201810296981 A CN 201810296981A CN 108537802 A CN108537802 A CN 108537802A
Authority
CN
China
Prior art keywords
axis
blood vessel
coarse
point
blood
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
Application number
CN201810296981.7A
Other languages
English (en)
Inventor
陈莉
林海晓
张亚娴
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.)
Beijing Ling Ling Medical Technology Co Ltd
Original Assignee
Beijing Ling Ling Medical 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 Beijing Ling Ling Medical Technology Co Ltd filed Critical Beijing Ling Ling Medical Technology Co Ltd
Priority to CN201810296981.7A priority Critical patent/CN108537802A/zh
Publication of CN108537802A publication Critical patent/CN108537802A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T7/68—Analysis of geometric attributes of symmetry
    • 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
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20156—Automatic seed setting
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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)
  • Geometry (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种血管分割方法及装置，其中方法包括：获取DICOM数据，其中，DICOM数据至少包括目标血管的结构；在目标血管处设置种子点，从种子点出发，利用基于多尺度滤波响应的区域增长算法对目标血管处的血管结构进行粗分割，得到目标血管处血管的粗分割结果，其中，粗分割结果包括粗糙血管；对粗分割结果进行骨架提取，得到血管轴线；对粗糙血管进行半径计算，计算轴线上每个轴线点到达背景的最短距离作为每个轴线点处的血管半径；根据轴线以及每个轴线点所对应的血管半径进行管状拟合得到分割后的血管。该发明可利用提取得到的轴线和计算得到的半径进行管状拟合得到具有形状先验的血管分割结果。

Description

一种血管分割方法及装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种血管分割方法及装置。
背景技术
血管疾病尤其是心血管疾病，已经成为了威胁人类生命安全的主要疾病之一。在外科手术过程中，良好3D血管的可视化效果对于手术成功也十分重要。比如在导管导航的过程中，需要对血管结构、走向以及半径有较好的了解；在肿瘤切除手术过程中需要对肿瘤周围血管分布有一个较为清晰的了解；在肝脏移植手术过程中，需要详细地分析血管树状系统的分支情况；在肺部结节检测中，精确地血管提取和重建同样会对准确率的提升有很大的帮助。
尽管目前已经有很多血管分割的技术和论文发表，但是仍然有很多学者和研究机构在做血管分割和提取方面的研究，血管分割问题仍然是一个非常具有挑战性的任务。手动分割血管需要花费大量的时间和精力，因此自动或者半自动的血管提取显得尤为重要。对于血管的自动提取，目前仍然没有得到在任何医学图像上都能令人满意的效果。首先，对于血管其结构复杂多变、大小不一，而且最大灰度投影技术在成像过程中存在相互交织和遮挡的情况。此外，医学图像还存在对比度较低、血管和周围组织结构融合到一起难以分辨等问题。在医学图像获取过程中往往存在噪声，这也为血管的精确分割增添了难度。对于3D血管分割，相较于2D计算更为复杂而且需要更多的时间开销。
目前已有很多方法应用在血管分割中，所有的这些方法都可以大致分为两大类：自顶向下和自底向上。在自顶向下的方法中，分割过程从一个或多个用户输入的种子点开始，基于预先定义的条件迭代地合并临近的结构或者区域；在自底向上的过程中，将用于血管分割的预先定义的条件在输入图像中每个体素上进行评估，不需要用户输入任何种子点进行初始化。
典型的自顶向下的方法包括区域增长和形变模型。区域增长研究内容主要集中在增长规则和搜索方向上。形变模型包括活动轮廓模型或snakes、水平集和波前传播算法等。这些方法都是迭代地调整用户输入的初始轮廓以拟合血管结构。
典型的自底向上的方法包括基于局部形状描述子或者管状检测滤波器。检测得到的管状结构半径是变化的，因此根据多尺度空间理论，当尺度与目标大小匹配时，管状滤波器的滤波响应将会得到最大值。这种方法最大的缺点是计算开销很大，因为该处理过程要在每个像素和多个不同尺度上进行。
目前已有的血管分割方法中，很多没有考虑血管管状结构的形状先验信息，因此得到的分割结果不理想。基于Hessian矩阵特征分析的多尺度滤波增强方法可以得到每个体素的最大滤波响应值，响应值的范围为[0,1]，响应值越高其属于管状结构的可能性越大。采用响应值阈值截取的方法可得到血管分割结果，但是受噪声影响以及在对比度较低的区域该方法不能得到完整的血管结构。传统的区域增长方法往往利用图像的灰度信息以及梯度等信息作为增长条件，但是利用这种方法得到的血管分割结果并没有考虑到血管管状的先验信息，因此分割结果往往存在泄漏或者过分割的情况。
发明内容
本发明旨在提供一种克服上述问题或者至少部分地解决上述问题的一种血管分割方法及装置。
为达到上述目的，本发明的技术方案具体是这样实现的：
本发明的一个方面提供了一种血管分割方法，包括：
获取DICOM数据，其中，DICOM数据至少包括目标血管的结构；
在目标血管处设置种子点，从种子点出发，利用基于多尺度滤波响应的区域增长算法对目标血管处的血管结构进行粗分割，得到目标血管处血管的粗分割结果，其中，粗分割结果包括粗糙血管；
对粗分割结果进行骨架提取，提取粗糙血管的轴线；
对粗糙血管进行半径计算，计算轴线上每个轴线点到达背景的最短距离作为每个轴线点处的血管半径；
根据轴线以及每个轴线点对应的血管半径进行管状拟合得到分割后的血管。
本发明另一方面还提供了一种图像分割的装置，该装置包括：
获取单元，用于获取DICOM数据，其中，DICOM数据至少包括目标血管的结构；
分割单元，用于在目标血管处设置种子点，从种子点出发，利用基于多尺度滤波响应的区域增长算法对目标血管处的血管结构进行粗分割，得到目标血管处血管的粗分割结果，其中，粗分割结果包括粗糙血管；
轴线提取单元，用于对粗分割结果进行骨架提取，提取粗糙血管的轴线；
半径计算单元，用于对粗糙血管进行半径计算，计算轴线上每个轴线点到达背景的最短距离作为每个轴线点处的血管半径；
管状拟合单元，用于根据轴线以及每个轴线点对应的血管半径进行管状拟合得到分割后的血管。
借助上述技术方案，本发明提供的图像分割的方法及装置，能够首先获取包含血管结果的DICOM序列；然后利用结合了多尺度滤波响应信息和图像灰度信息的区域增长算法得到血管的粗分割结果；然后根据最小生成树算法以及轴线优化步骤得到血管的轴线；计算轴线点处的血管半径后根据轴线和半径拟合得到血管分割结果。与现有技术相比，本发明能够得到具有形状先验的血管树状结构，从分割结果中提取轴线并计算半径，管状拟合后能够弥补粗分割中存在的过分割或者欠分割问题，得到更贴近真实血管结构的分割结果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的一种图像分割的方法流程图；
图2为本发明实施例提供的另一种图像分割的方法流程图；
图3为本发明实施例提供的一种图像分割的装置的组成框图；
图4为本发明实施例提供的另一种图像分割的装置的组成框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
为解决现有的基于区域增长的血管分割方法不准确的问题，本发明实施例提供了一种血管分割的方法，如图1所示，该方法包括：
101、获取DICOM数据，其中，DICOM数据至少包括目标血管的结构。
首先，获取包括目标血管结构的DICOM数据。
102、在目标血管处设置种子点，从种子点出发，利用基于多尺度滤波响应的区域增长算法对目标血管处的血管结构进行粗分割，得到目标血管处血管的粗分割结果，其中，粗分割结果包括粗糙血管。
由于原始医学图像中存在噪音，因此在进行分割之前首先通过对步骤101得到的DICOM图像数据进行预处理，最终得到去除部分噪声的图像。该对DICOM图像数据进行预处理过程可以为：利用各向异性扩散的方法对图像进行去噪，各向异性扩散算法去噪的好处是在保留图像中边缘信息的同时能够去除噪声。
作为本发明实施例的一个可选实施方式，得到目标血管处的粗分割结果包括：通过使用中央处理器和图像处理器相结合的方式得到粗分割结果。进一步地，将基于Hessian矩阵特征分析得到多尺度滤波响应结果和像素间灰度差异作为区域增长的增长条件，从目标血管处设置的种子点出发进行区域增长得到目标血管处的粗分割结果。具体地，利用基于Hessian矩阵特征分析的方法对图像中每个体素进行多尺度滤波增强，然后将滤波响应结果与图像灰度信息相结合构造区域增长条件，从种子点出发进行区域增长得到粗糙的血管分割结果。
103、对粗分割结果进行骨架提取，提取粗糙血管的轴线。
本步骤中，可以利用细化的方法对粗糙血管进行骨架提取，提取粗糙血管的离散的骨架点；基于最小生成树算法和后处理优化步骤对骨架点进行连接得到粗糙血管的轴线。其中，作为本发明实施例的一个可选实施方式，基于最小生成树算法和后处理优化步骤对骨架点进行连接得到粗糙血管的轴线包括：从任意的一个轴线点出发，根据距离关系将相邻的轴线点连接得到最小生成树结构；有多个后续连接点的轴线点作为分叉点，从分叉的轴线点的每个后继轴线点出发，连接得到一条轴线，直到所有的分叉点被遍历一遍即可得到所有轴线；删除噪声引起的细小的轴线分支；连接原本属于同一条轴线的被断开的两条分支，对轴线进行优化，得到粗糙血管的轴线。
具体地，通过步骤102可以获得粗分割的血管三维树状结构，其实质上是一个三维二值图像。在此基础上采用图像细化的方法提取血管树的骨架，但是该骨架只包括一系列离散的点，并没有连接关系。因此本发明采用最小生成树算法得到离散的骨架点之间的连接关系。最小生成树的树根为任选的一个骨架点。除了根结点以外，每个骨架点的上一个结点都只有一个前驱结点，与骨架点相连的后续结点可能有一个或者多个，如果为多个说明当前骨架点为分叉点。得到骨架点之间的连接关系后，从每个分叉点出发连接得到一条一条的轴线。由于受噪声影响，得到的轴线存在长度较短的轴线，因此需要采用后处理步骤删除这些较短的轴线。然后采用轴线优化步骤连接夹角较小的轴线，得到更完整的轴线结构。
104、对粗糙血管进行半径计算，计算轴线上每个轴线点到达背景的最短距离作为每个轴线点处的血管半径。
具体地，步骤103中的轴线由一个个相互连接的轴线点构成，计算每个轴线点在粗分割血管的二值图像上到背景的最短的六个距离，然后取平局值作为该轴线点处的血管半径。
105、根据轴线以及每个轴线点所对应的血管半径进行管状拟合得到分割后的血管。
具体地，由步骤103可以得到血管轴线，由步骤104可以计算得到轴线半径，以每条轴线为单位，根据半径进行管状拟合，因此可以得到和轴线数量相同的管状结构，即分割后的血管。
另外，为了优化步骤105得到的分割后的血管，作为本发明实施例的一个可选实施方式，本发明实施例提供的血管分割方法还包括：对分割后的血管进行平滑操作，得到目标血管的分割结果。其中，对分割后的血管进行平滑操作包括：通过网格平滑的方法对拟合得到的每个管状结构进行优化。由此可以得到一个更加平滑的血管结构。
本实施例提供的血管分割方法，首先获取包含目标血管结构的DICOM图像序列；然后根据自定义的区域增长条件从种子点出发得到血管的粗分割结果；然后利用提取粗分割结构的骨架，通过轴线提取步骤得到血管轴线；计算血管轴线点处的血管半径；已知轴线和半径后进行管状拟合得到血管结构。与现有技术相比，本实施例能够利用血管的先验形状信息得到更精准的血管分割结果。在血管粗分割阶段，也充分考虑血管管状的形状先验，将线性结构的多尺度滤波响应信息加入到区域增长的条件设计中，克服了传统区域增长算法在分割血管时存在的过分割和欠分割问题。该血管分割方法不仅能够得到最终的血管树状结构，同时能够获得血管轴线以及每个轴线点处对应的血管半径。
进一步的，作为对图1所示实施例的细化及扩展，本发明还提供了另一实施例。如图2所示，该实施例中图像分割方法包括：
201、获取DICOM序列数据。
本步骤的实现方式与图1步骤101的实现方式相同，此处不再赘述。
202、计算图像中每个体素处Hessian矩阵特征分析得到的多尺度滤波响应的最大值。
因为图像中血管尺度大小不一，因此采用多尺度滤波增强的方法对图像中每个体素进行滤波处理，并得到多尺度中最大的滤波响应结果。滤波响应值的范围为[0,1]，值越大则该体素属于管状结构的概率越高。
203、已知最大滤波响应，结合图像的灰度信息构造区域增长条件，从种子点出发进行区域增长得到粗分割结果。
多尺度滤波响应信息能够表征某个体素属于管状结构的概率，图像的灰度信息能够保证图像中相邻像素之间的相似程度。本发明将两者进行结构构建区域增长的增长条件。
自定义表征某体素隶属于血管的概率函数，用于区域增长的条件。该函数基于像素灰度差和Hessian矩阵多尺度特征分析的滤波响应值确定，具体如下：
其中p为区域增长时的当前种子点，q为与p相邻的当前进行考察的体素，α、β>0为参数常量，Re(q)为体素q处的Hessian矩阵滤波最大响应，I(x)为图像上x处体素的灰度值。当滤波响应为0时，该函数值为0；滤波响应值越大，则函数值越大；灰度差距越大，函数值越小。
通过f(q)函数可以得到每个体素属于血管的概率值，在[0,1]范围内。确定某个阈值threshold，当f(q)>threshold时，认为该点为血管点，并加入区域增长的种子点队列中；否则为背景体素。
区域增长后得到的血管可能存在空洞或者不完整情况，因此需要后处理步骤进行空洞填充。本发明检测每个背景体素，如果其邻域(26邻域)中有一半以上的体素都是血管体素，则将该体素也标记为血管。该方法不改变结构的连通性并可以填充空洞。此过程可以迭代进行，一般过2-3次就可以得到理想效果。
204、得到粗分割的二值血管树结构后，利用细化的方法得到离散的血管骨架点。
细化方法即迭代地删除边缘体素，最后保留二值图像中中心位置的体素，即细化后最终得到单体素宽的血管轴线点。该步骤只能获取一系列离散的骨架点，并没有连接关系。
205、轴线点连接。
本发明利用了最小生成树算法得到离散的轴点之间的连接关系。
具体实现步骤如下：
(1)首先从离散的轴线点中任意选择一个点作为树的根结点，并将该点加入到树节点集合S中，未在S中的其他轴点所在集合为V；
(2)搜索所有V中与S相连的边中具有最小距离的点记为Q，对应的S中与Q相连点记为P。将Q加入S中，删除V中点Q。那么S中与P点相连接的下一个结点中加入点Q，与点Q的相连的上一个结点唯一即为P；
(3)重复(2)，直到V为空，则可以得到离散点之间的相互连接关系。
最小生成树步骤完成后，检测每个轴线点所包含的下一个结点的个数，如果该点有多个与之相连的下一个点，则说明该点为分叉点。从每个分叉点出发可得到一条一条的血管轴线。
206、为了精细结果，对205步骤得到的轴线进行优化。
由于受噪声的影响该算法得到的最小生成树中存在很多细小的分支。可以采用后处理的方法去除这些长度很小的分支。
如果两条轴线在某点处直接相连，则将该两条轴线合并成一条。如果两条轴线隶属于同一条主轴线，本发明可以通过角度评估的方法进行连接。具体为设定一个角度阈值angle,如果两个相邻的轴线之间夹角小于angle,则认为该两条轴线隶属于同一条轴线，则将其相连。
207、计算轴线点处的血管半径。
该步骤同104，不再赘述。
208、已知轴线和轴线处血管半径，进行管状拟合得到血管结构。
该步骤同105，在此不再赘述。
209、通过分叉处半径优化以及网格平滑的方法对拟合结果进行优化。
为了保证步骤208得到的血管分支与血管分支之间的连续性对分叉处不同分支的血管半径进行优化。在分叉处，不同的分支之间具有一个公共的轴线点，即分叉点，沿着分叉点寻到每条分支的下一个轴线点，得到其对应的血管半径，取所有分支半径的平均值作为每一个分支的分叉点后下一个轴线点处的半径。这样在最终的血管树中，分叉处可以平滑过渡并且保持连续性。
为得到较为平滑的分割结果，对每一条血管分支进行平滑处理。
进一步的，所为对上述图1和图2所示方法的实现，本发明实施例另一实施例还提供了一种图像分割装置，用于对上述图1和图2所示的方法进行实现。该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。如图3所示，该装置包括：获取单元31、分割单元32、轴线提取单元33、半径计算单元34、管状拟合单元35。
获取单元31，用于获取DICOM数据，其中，DICOM数据至少包括目标血管的结构；
分割单元32，用于在目标血管处设置种子点，从种子点出发，利用基于多尺度滤波响应的区域增长算法对目标血管处的血管结构进行粗分割，得到目标血管处血管的粗分割结果，其中，粗分割结果包括粗糙血管；
轴线提取单元33，用于对粗分割结果进行骨架提取，提取粗糙血管的轴线；
半径计算单元34，用于对粗糙血管进行半径计算，计算轴线上每个轴线点到达背景的最短距离作为每个轴线点处的血管半径；
管状拟合单元35，用于根据轴线以及每个轴线点所对应的血管半径进行管状拟合得到分割后的血管。
作为本发明实施例的一个可选实施方式，分割单元通过如下方式得到粗分割结果：分割单元，还用于通过使用中央处理器和图像处理器相结合的方式得到粗分割结果。进一步的，如图4所示，分割单元32包括：
多尺度滤波增强模块321，利用基于Hessian矩阵特征分析的方法对图像中所有的体素进行多尺度滤波增强得到最大滤波响应；
区域增长模块322，用于将基于Hessian矩阵特征分析得到多尺度滤波响应结果和像素间灰度差异作为区域增长的增长条件，从目标血管处设置的种子点出发进行区域增长得到目标血管处的粗分割结果。
作为本发明实施例的一个可选实施方式，如图4所示，轴线提取单元33，包括：
骨架提取模块331，用于利用细化的方法对粗糙血管进行骨架提取，提取粗糙血管的离散的骨架点；
轴线生成模块332，用于基于最小生成树算法和后处理优化步骤对骨架点进行连接得到粗糙血管的轴线。
进一步地，本发明实施例提供的血管分割装置，还可以包括轴线优化模块333；其中，
轴线生成模块332，还用于从任意的一个轴线点出发，根据距离关系将相邻的轴线点连接得到最小生成树结构，有多个后续连接点的轴线点作为分叉点，从分叉的轴线点的每个后继轴线点出发，连接得到一条轴线，直到所有的分叉点被遍历一遍即可得到所有轴线
轴线优化模块333，用于删除噪声引起的细小的轴线分支，连接原本属于同一条轴线的被断开的两条分支，对轴线进行优化，得到粗糙血管的轴线。
作为本发明实施例的一个可选实施方式，如图4所示，本发明实施例提供的血管分割装置包括：优化单元36，用于对分割后的血管进行平滑操作，得到目标血管的分割结果。其中，优化单元通过如下方式对分割后的血管进行平滑操作：优化单元，还用于通过网格平滑的方法对拟合得到的每个管状结构进行优化
本实施例提供的图像分割装置，能够首先获取包含血管管状结构的DICOM序列；然后利用自定义的区域增长条件引导区域增长，得到血管的粗分割结果；然后利用轴线提取步骤得到粗分割血管的轴线；利用粗分割血管计算轴线点处的血管半径；已知轴线和对应的半径后采用管状拟合的方法得到血管结构。与现有技术相比，本实施例能够利用血管呈现管状形状这一先验信息得到更为精准的血管分割结果。在粗分割阶段，利用Hessian矩阵特征值能够表征管状结构的方案，采用多尺度滤波增强得到每个体素的最大滤波响应，结合图像的灰度信息构建区域增长条件，避免了传统区域增长分割结果存在泄漏或者过分割的问题。该发明不仅能够得到最终的血管树状结构，还能获取血管轴线以及每个轴线点处对应的血管半径，对血管进行进一步的分析提供了参考。
图像分割装置可以包括处理器和存储器，上述获取单元31、分割单元32、轴线提取单元33、半径计算单元34、管状拟合单元35等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序代码：获取包含目标血管结构的DICOM图像序列；利用自定义区域增长方法得到血管粗分割结果；提取粗分割结果的轴线；根据粗分割结构计算轴线点处的血管半径；利用轴线和半径进行管状拟合得到血管结果。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (14)

1.一种血管分割方法，其特征在于，包括：
获取DICOM数据，其中，所述DICOM数据至少包括目标血管的结构；
在所述目标血管处设置种子点，从所述种子点出发，利用基于多尺度滤波响应的区域增长算法对所述目标血管处的血管结构进行粗分割，得到所述目标血管处血管的粗分割结果，其中，所述粗分割结果包括粗糙血管；
对所述粗分割结果进行骨架提取，提取所述粗糙血管的轴线；
对所述粗糙血管进行半径计算，计算所述轴线上每个轴线点到达背景的最短距离作为每个所述轴线点处的血管半径；
根据所述轴线以及每个所述轴线点所对应的血管半径进行管状拟合得到分割后的血管。
2.根据权利要求1所述的方法，其特征在于，所述得到所述目标血管处的粗分割结果包括：通过使用中央处理器和图像处理器相结合的方式得到所述粗分割结果。
3.根据权利要求1或2所述的方法，其特征在于，所述利用基于多尺度滤波响应的区域增长算法对所述目标血管处的血管结构进行粗提取，得到所述目标血管处的粗分割结果包括：
将基于Hessian矩阵特征分析得到多尺度滤波响应结果和像素间灰度差异作为区域增长的增长条件，从所述目标血管处设置的种子点出发进行区域增长得到所述目标血管处的粗分割结果。
4.根据权利要求1所述的方法，其特征在于，所述对所述粗分割结果进行骨架提取，提取所述粗糙血管的轴线包括：
利用细化的方法对所述粗糙血管进行骨架提取，提取所述粗糙血管的离散的骨架点；
基于最小生成树算法和后处理优化步骤对所述骨架点进行连接得到所述粗糙血管的轴线。
5.根据权利要求4所述的方法，其特征在于，所述基于最小生成树算法和后处理优化步骤对所述骨架点进行连接得到所述粗糙血管的轴线包括：
从任意的一个轴线点出发，根据距离关系将相邻的轴线点连接得到最小生成树结构；
有多个后续连接点的轴线点作为分叉点，从分叉的轴线点的每个后继轴线点出发，连接得到一条轴线，直到所有的分叉点被遍历一遍即可得到所有轴线；
删除噪声引起的细小的轴线分支；
连接原本属于同一条轴线的被断开的两条分支，对轴线进行优化，得到所述粗糙血管的轴线。
6.根据权利要求1所述的方法，其特征在于，还包括：
对所述分割后的血管进行平滑操作，得到所述目标血管的分割结果。
7.根据权利要求6所述的方法，其特征在于，所述对所述分割后的血管进行平滑操作包括：
通过网格平滑的方法对拟合得到的每个管状结构进行优化。
8.一种图像分割装置，其特征在于，包括：
获取单元，用于获取DICOM数据，其中，所述DICOM数据至少包括目标血管的结构；
分割单元，用于在所述目标血管处设置种子点，从所述种子点出发，利用基于多尺度滤波响应的区域增长算法对所述目标血管处的血管结构进行粗分割，得到所述目标血管处血管的粗分割结果，其中，所述粗分割结果包括粗糙血管；
轴线提取单元，用于对所述粗分割结果进行骨架提取，提取所述粗糙血管的轴线；
半径计算单元，用于对所述粗糙血管进行半径计算，计算所述轴线上每个轴线点到达背景的最短距离作为每个所述轴线点处的血管半径；
管状拟合单元，用于根据所述轴线以及每个所述轴线点所对应的血管半径进行管状拟合得到分割后的血管。
9.根据权利要求8所述的装置，其特征在于，所述分割单元通过如下方式得到所述粗分割结果：
所述分割单元，还用于通过使用中央处理器和图像处理器相结合的方式得到所述粗分割结果。
10.根据权利要求9所述的装置，其特征在于，所述分割单元包括：
多尺度滤波增强模块，利用基于Hessian矩阵特征分析的方法对图像中所有的体素进行多尺度滤波增强得到最大滤波响应；
区域增长模块，用于将基于Hessian矩阵特征分析得到多尺度滤波响应结果和像素间灰度差异作为区域增长的增长条件，从所述目标血管处设置的种子点出发进行区域增长得到所述目标血管处的粗分割结果。
11.根据权利要求8所述的装置，其特征在于，所述轴线提取单元包括：
骨架提取模块，用于利用细化的方法对所述粗糙血管进行骨架提取，提取所述粗糙血管的离散的骨架点；
轴线生成模块，用于基于最小生成树算法和后处理优化步骤对所述骨架点进行连接得到所述粗糙血管的轴线。
12.根据权利要求11所述的装置，其特征在于，还包括：轴线优化模块；
所述轴线生成模块，还用于从任意的一个轴线点出发，根据距离关系将相邻的轴线点连接得到最小生成树结构，有多个后续连接点的轴线点作为分叉点，从分叉的轴线点的每个后继轴线点出发，连接得到一条轴线，直到所有的分叉点被遍历一遍即可得到所有轴线；
轴线优化模块，用于删除噪声引起的细小的轴线分支，连接原本属于同一条轴线的被断开的两条分支，对轴线进行优化，得到所述粗糙血管的轴线。
13.根据权利要求8所述的装置，其特征在于，还包括：
优化单元，用于对所述分割后的血管进行平滑操作，得到所述目标血管的分割结果。
14.根据权利要求13所述的装置，其特征在于，所述优化单元通过如下方式对所述分割后的血管进行平滑操作：
所述优化单元，还用于通过网格平滑的方法对拟合得到的每个管状结构进行优化。
CN201810296981.7A 2018-03-30 2018-03-30 一种血管分割方法及装置 Pending CN108537802A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810296981.7A CN108537802A (zh) 2018-03-30 2018-03-30 一种血管分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810296981.7A CN108537802A (zh) 2018-03-30 2018-03-30 一种血管分割方法及装置

Publications (1)

Publication Number Publication Date
CN108537802A true CN108537802A (zh) 2018-09-14

Family

ID=63482549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810296981.7A Pending CN108537802A (zh) 2018-03-30 2018-03-30 一种血管分割方法及装置

Country Status (1)

Country Link
CN (1) CN108537802A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110051385A (zh) * 2019-05-29 2019-07-26 深圳华声医疗技术股份有限公司 基于血管识别的全自动测量方法、装置、存储介质及系统
CN111539917A (zh) * 2020-04-09 2020-08-14 北京深睿博联科技有限责任公司 一种基于粗细粒度融合的血管分割方法、系统、终端及存储介质
WO2020258819A1 (zh) * 2019-06-25 2020-12-30 深圳先进技术研究院 一种动静脉畸形分割方法、系统及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101393644A (zh) * 2008-08-15 2009-03-25 华中科技大学 一种肝门静脉血管树建模方法及其系统
CN102402796A (zh) * 2011-10-26 2012-04-04 重庆大学 肝脏血管系统的三维结构化描述方法
CN104361626A (zh) * 2014-09-29 2015-02-18 北京理工大学 基于混合匹配策略的皮下静脉三维重建方法
CN104616307A (zh) * 2015-02-12 2015-05-13 河北大学 一种肺部ct图像粘连血管型结节检测方法
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
CN106327487A (zh) * 2016-08-18 2017-01-11 苏州润心医疗科技有限公司 基于x射线冠脉造影图像的冠状动脉血流储备分数计算方法
CN107067409A (zh) * 2017-05-09 2017-08-18 上海联影医疗科技有限公司 一种血管分离方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101393644A (zh) * 2008-08-15 2009-03-25 华中科技大学 一种肝门静脉血管树建模方法及其系统
CN102402796A (zh) * 2011-10-26 2012-04-04 重庆大学 肝脏血管系统的三维结构化描述方法
CN104361626A (zh) * 2014-09-29 2015-02-18 北京理工大学 基于混合匹配策略的皮下静脉三维重建方法
CN104616307A (zh) * 2015-02-12 2015-05-13 河北大学 一种肺部ct图像粘连血管型结节检测方法
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
CN106327487A (zh) * 2016-08-18 2017-01-11 苏州润心医疗科技有限公司 基于x射线冠脉造影图像的冠状动脉血流储备分数计算方法
CN107067409A (zh) * 2017-05-09 2017-08-18 上海联影医疗科技有限公司 一种血管分离方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110051385A (zh) * 2019-05-29 2019-07-26 深圳华声医疗技术股份有限公司 基于血管识别的全自动测量方法、装置、存储介质及系统
WO2020258819A1 (zh) * 2019-06-25 2020-12-30 深圳先进技术研究院 一种动静脉畸形分割方法、系统及电子设备
CN111539917A (zh) * 2020-04-09 2020-08-14 北京深睿博联科技有限责任公司 一种基于粗细粒度融合的血管分割方法、系统、终端及存储介质
CN111539917B (zh) * 2020-04-09 2023-08-25 北京深睿博联科技有限责任公司 一种基于粗细粒度融合的血管分割方法、系统、终端及存储介质

Similar Documents

Publication Publication Date Title
Kirbas et al. Vessel extraction techniques and algorithms: a survey
CN108765363B (zh) 一种基于人工智能的冠脉cta自动后处理系统
Saha et al. Digital topology and geometry in medical imaging: a survey
Badura et al. Soft computing approach to 3D lung nodule segmentation in CT
CN101393644B (zh) 一种肝门静脉血管树建模方法及其系统
Niessen et al. Multiscale segmentation of three-dimensional MR brain images
Zhuge et al. An abdominal aortic aneurysm segmentation method: Level set with region and statistical information
CN109478327B (zh) 用于在任意视场计算断层摄影血管造影（cta）中自动检测全身动脉的方法
CN107004268A (zh) 结直肠肿瘤的动态对比增强图像的自动感兴趣区域分割及配准
CN102693540A (zh) 一种肝脏分段的方法及其系统
CN105659289A (zh) 血管分割方法
CN108537802A (zh) 一种血管分割方法及装置
Nowinski et al. A 3D model of human cerebrovasculature derived from 3T magnetic resonance angiography
Alirr et al. Automatic atlas-based liver segmental anatomy identification for hepatic surgical planning
KR101625955B1 (ko) 장기의 동맥 및 정맥의 구분 방법
Ananth et al. Enhancing Segmentation Approaches from Super Pixel Division Algorithm to Hidden Markov Random Fields with Expectation Maximization (HMRF-EM).
Kitrungrotsakul et al. Interactive deep refinement network for medical image segmentation
Alirr et al. Hepatic vessels segmentation using deep learning and preprocessing enhancement
Banerjee et al. A semi-automated approach to improve the efficiency of medical imaging segmentation for haptic rendering
Ebrahimdoost et al. Automatic segmentation of pulmonary artery (PA) in 3D pulmonary CTA images
CN116524548B (zh) 血管结构信息提取方法、装置及存储介质
Cruz-Aceves et al. Multiple active contours guided by differential evolution for medical image segmentation
Bukenya et al. A review of blood vessel segmentation techniques
Homann et al. Vasculature segmentation of CT liver images using graph cuts and graph-based analysis
Chen et al. Centerline constrained minimal path propagation for vessel extraction

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
CB02 Change of applicant information

Address after: 100083 Beijing Haidian District Zhongguancun East Road 8 Dongsheng building AB block nine floor 917 units.

Applicant after: Beijing Ling Ling Medical Technology Co., Ltd.

Address before: 100083 B 917, Dongsheng building, 8 Zhongguancun East Road, Haidian District, Beijing.

Applicant before: Beijing Ling Ling Medical Technology Co., Ltd.

CB02 Change of applicant information
RJ01 Rejection of invention patent application after publication

Application publication date: 20180914

RJ01 Rejection of invention patent application after publication