CN108805871B - 血管图像处理方法、装置、计算机设备和存储介质 - Google Patents
血管图像处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN108805871B CN108805871B CN201810612096.5A CN201810612096A CN108805871B CN 108805871 B CN108805871 B CN 108805871B CN 201810612096 A CN201810612096 A CN 201810612096A CN 108805871 B CN108805871 B CN 108805871B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- image
- region
- point
- pixel point
- 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
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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- 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)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种血管图像处理方法,包括:获取待处理的原始血管图像,原始血管图像中包括血管区域和非血管区域;对原始血管图像中的非血管区域进行灰度抑制,得到抑制图像;对抑制图像中的血管区域进行增强,得到增强图像;获取增强图像中血管区域的掩模结构和分割结构;根据掩模结构和分割结构从所述增强图像中获取目标血管。本发明还提出一种血管图像处理装置和存储介质。本发明的血管图像处理方法、装置、计算机设备和存储介质,可以对原始血管图像中非血管区域进行灰度抑制及对血管区域进行增强以获取增强图像,然后根据血管区域的掩模结构和分割结构,从增强图像中精准获取出目标血管,提高了对血管图像中的血管进行提取的准确性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种血管图像处理方法、装置、计算机设备和存储介质。
背景技术
随着医疗技术的发展,可以通过图像采集设备采集血管图像,并对血管图像进行处理分析,可以为血管疾病诊断和治疗提供重要研究基础。由于血管本身存在着拓扑结构复杂、病变、及半径尺度变化大等特性,以及血管通过造影剂成像导致的灰度不均匀、伪影、噪声、及低对比度等问题,因此,导致血管精确提取存在着巨大的挑战。
现有技术中,主要基于追踪的血管分割方法或基于概率图模型的血管分割方法,对血管图像中的血管进行提取。其中,基于血管追踪的方法通常需要在血管图像中设置起始种子点,从起始种子点开始利用血管特征迭代追踪得到血管中心线和半径信息,并根据血管中心线和半径信息从血管图像中提取出血管;但由于细血管区域灰度值小,对比度低,基于追踪的血管分割方法容易提前停止追踪,很难分割得到比较完整的血管,从而对血管提取的准确性较低。而基于概率图模型的血管分割方法主要是利用马尔科夫随机场或条件随机场建模血管图像像素间的上下文关系,构建能量函数,通过图割及其他凸优化方法优化求解该能量函数,并根据求解后的能量函数从血管图像提取出血管;该方法对管状结构末端的分割存在着较大误差,准确性较低。
发明内容
本发明的主要目的在于解决现有技术中对血管图像中血管进行提取的准确性较低的技术问题,旨在提高对血管图像中的血管进行提取的准确性。
为实现上述目的,本发明提供一种血管图像处理方法,所述血管图像处理方法包括:
获取待处理的原始血管图像,所述原始血管图像中包括血管区域和非血管区域;
对所述原始血管图像中的非血管区域进行灰度抑制,得到抑制图像;
对所述抑制图像中的血管区域进行增强,得到增强图像;
获取所述增强图像中血管区域的掩模结构和分割结构;
根据所述掩模结构和分割结构从所述增强图像中获取目标血管。
优选地,所述获取所述增强图像中血管区域的掩模结构具体包括:
在所述增强图像的血管区域内设置血管的起始点和终止点;
根据所述起始点和终止点在所述血管区域内提取血管路径,得到血管中心线;
以所述血管中心线为轴获取预设半径的管状结构,得到掩模结构。
优选地,所述根据所述起始点和终止点在所述血管区域内提取血管路径,得到血管中心线具体包括:
将所述起始点作为当前像素点;
获取所述当前像素点的灰度值,并根据所述灰度值计算所述当前像素点与其预设邻域范围内各个像素点之间的距离,得到多个距离值;
将所述多个距离值中距离值最小所对应的像素点作为当前像素点,并返回执行获取所述当前像素点的灰度值,并根据所述灰度值计算所述当前像素点与其预设邻域范围内各个像素点之间的距离的步骤,直至得到距离值最小所对应的像素点为所述终止点;
获取所述起始点与所述终止点之间,每次计算得到的距离值最小所对应的各个像素点所连接形成的血管路径,得到血管中心线。
优选地,所述获取所述增强图像中血管区域的分割结构具体包括:
在所述增强图像的血管区域内设置血管的起始点和终止点;
根据所述起始点和终止点进行区域生长,得到所述血管区域的分割结构。
优选地,所述根据所述起始点和终止点进行区域生长,得到所述血管区域的分割结构具体包括:
获取所述起始点的灰度值和所述起始点的预设邻域内各个像素点的灰度值;
计算所述起始点的预设邻域内各个像素点的灰度值,与所述起始点的灰度值之间的差值;
将差值小于预设门限值所对应的像素点包括进所述起始点的灰度值所在的区域,当不再有像素点满足加入所述区域的条件时,达到所述终止点,得到所述血管区域的分割结构。
优选地,所述对所述原始血管图像中的非血管区域进行灰度抑制,得到抑制图像具体包括:
获取所述原始血管图像的灰度值,并将灰度值大于预设阈值的区域设置为非血管区域;
将所述非血管区域的灰度值降低为预设值,得到抑制图像。
优选地,所述对所述抑制图像中的血管区域进行增强,得到增强图像具体包括:
根据所述抑制图像的灰度值生成像素矩阵;
根据所述像素矩阵构建血管增强滤波函数;
利用所述血管增强滤波函数对所述抑制图像执行卷积操作,输出增强图像。
优选地,所述根据所述掩模结构和分割结构从所述增强图像中获取目标血管具体包括:
分别获取所述掩模结构和分割结构中的各个血管像素点;
根据所述掩模结构和分割结构中的各个血管像素点,提取所述掩模结构和分割结构之间像素位置的交集,得到目标血管。
为实现上述目的,本发明另提供一种血管图像处理装置,所述血管图像处理装置包括:
图像获取模块,用于获取待处理的原始血管图像,所述原始血管图像中包括血管区域和非血管区域;
抑制模块,用于对所述原始血管图像中的非血管区域进行灰度抑制,得到抑制图像;
增强模块,用于对所述抑制图像中的血管区域进行增强,得到增强图像;
结构获取模块,用于获取所述增强图像中血管区域的掩模结构和分割结构;
血管获取模块,用于根据所述掩模结构和分割结构从所述增强图像中获取目标血管。
优选地,所述结构获取模块包括:
第一设置单元,用于在所述增强图像的血管区域内设置血管的起始点和终止点;
提取单元,用于根据所述起始点和终止点在所述血管区域内提取血管路径,得到血管中心线;
获取单元,用于以所述血管中心线为轴获取预设半径的管状结构,得到掩模结构。
优选地,所述提取单元,具体用于将所述起始点作为当前像素点;
获取所述当前像素点的灰度值,并根据所述灰度值计算所述当前像素点与其预设邻域范围内各个像素点之间的距离,得到多个距离值;
将所述多个距离值中距离值最小所对应的像素点作为当前像素点,并返回执行获取所述当前像素点的灰度值,并根据所述灰度值计算所述当前像素点与其预设邻域范围内各个像素点之间的距离的操作,直至得到距离值最小所对应的像素点为所述终止点;
获取所述起始点与所述终止点之间,每次计算得到的距离值最小所对应的各个像素点所连接形成的血管路径,得到血管中心线。
优选地,所述结构获取模块包括:
第二设置单元,用于在所述增强图像的血管区域内设置血管的起始点和终止点;
生长单元,用于根据所述起始点和终止点进行区域生长,得到所述血管区域的分割结构。
优选地,所述生长单元,具体用于获取所述起始点的灰度值和所述起始点的预设邻域内各个像素点的灰度值;
计算所述起始点的预设邻域内各个像素点的灰度值,与所述起始点的灰度值之间的差值;
将差值小于预设门限值所对应的像素点添加至所述起始点所在的目标区域,当不再有像素点满足加入所述目标区域的条件,且达到所述终止点时,得到所述血管区域的分割结构。
优选地,所述抑制模块,具体用于获取所述原始血管图像的灰度值,并将灰度值大于预设阈值的区域设置为非血管区域;
将所述非血管区域的灰度值降低为预设值,得到抑制图像。
优选地,所述增强模块,具体用于根据所述抑制图像的灰度值生成像素矩阵;
根据所述像素矩阵构建血管增强滤波函数;
利用所述血管增强滤波函数对所述抑制图像执行卷积操作,输出增强图像。
优选地,所述血管获取模块,具体用于分别获取所述掩模结构和分割结构中的各个血管像素点;
根据所述掩模结构和分割结构中的各个血管像素点,提取所述掩模结构和分割结构之间像素位置的交集,得到目标血管。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述血管图像处理方法中的步骤。
一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行上述血管图像处理方法中的步骤。
本发明提供的血管图像处理方法、装置、计算机设备和存储介质,通过获取待处理的原始血管图像,该原始血管图像中包括血管区域和非血管区域;然后,对原始血管图像中的非血管区域进行灰度抑制,得到抑制图像;以及,对抑制图像中的血管区域进行增强,得到增强图像;此时可以获取增强图像中血管区域的掩模结构和分割结构,并根据掩模结构和分割结构从增强图像中获取目标血管。从而可以对原始血管图像中非血管区域进行灰度抑制及对血管区域进行增强以获取增强图像,然后根据血管区域的掩模结构和分割结构,从增强图像中精准获取出目标血管,提高了对血管图像中的血管进行提取的准确性。
附图说明
图1为本发明的血管图像处理方法第一实施例的流程示意图;
图2为本发明中获取增强图像中血管区域的掩模结构和分割结构的流程示意图;
图3为图2中步骤S202的具体细化流程示意图;
图4为图2中步骤S204的具体细化流程示意图;
图5为本发明的血管图像处理方法第二实施例的流程示意图;
图6为本发明的血管图像处理装置第一实施例的功能模块示意图;
图7为图6中所述结构获取模块的具体细化功能模块示意图;
图8为图6中所述结构获取模块的另一具体细化功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明提出一种血管图像处理方法第一实施例,参见图1,图1为本发明的血管图像处理方法第一实施例的流程示意图。如图1所示,在本第一实施例中所述血管图像处理方法包括以下步骤:
步骤S10:获取待处理的原始血管图像。
其中,原始血管图像中包括血管区域和非血管区域,该待处理的原始血管图像可以是对用户头部或包含血管的其他部位进行扫描得到的图像,该原始血管图像可以是二维图像,也可以是三维图像。例如,该原始血管图像可以是计算机X线断层扫描造影图像(Computed Tomographic Angiography,CTA),或者是磁共振血管造影图像(MRA MagneticResonance Angiography,MRA)等,因此该原始血管图像可以通过扫描设备对包含血管的部位进行扫描得到,或者是从预先存储血管图像的图像库中获取到。
优选地,为了减少后续处理的计算量,在获取到原始血管图像后,可以接收裁剪指令,根据裁剪指令从原始血管图像中提取出感兴趣区域,得到目标血管图像,然后对目标血管图像中的非血管区域进行灰度抑制及对血管区域进行增强等后续操作,其中,感兴趣区域为原始血管图像中包含血管的部分区域。例如,可以接收用户输入的裁剪指令,或者根据预设算法生成裁剪指令,然后根据裁剪指令从原始血管图像中提取感兴趣区域,以便去除与血管无关的区域,减少后续处理的计算量。
步骤S20:对所述原始血管图像中的非血管区域进行灰度抑制,得到抑制图像。
在得到原始血管图像后,可以利用阈值算法或基于头骨配准算法等,对原始血管图像中的头骨区域或肉体区域等非血管区域,进行灰度抑制,得到抑制图像。例如,可以根据原始血管图像的灰度分布信息进行灰度抑制,减少非血管区域灰度过大对血管区域提取所产生的干扰。以下将以阈值算法对原始血管图像中的非血管区域进行灰度抑制为例进行详细说明。
优选地,所述对所述原始血管图像中的非血管区域进行灰度抑制,得到抑制图像具体包括:
获取所述原始血管图像的灰度值,并将灰度值大于预设阈值的区域设置为非血管区域;将所述非血管区域的灰度值降低为预设值,得到抑制图像。
其中,灰度值即为像素值,可以获取原始血管图像中各个像素点的灰度值,并将各个像素点的灰度值分别与预设阈值进行比较,判断是否存在灰度值大于预设阈值,该预设阈值可以根据实际需要进行灵活设置,具体取值在此处不作限定。当存在灰度值大于预设阈值的像素点时,说明该像素点不在血管区域内,此时可以将灰度值大于预设阈值的所有像素点所在的区域设置为非血管区域,然后将非血管区域的灰度值降低为预设值,从而可以得到抑制图像,该预设值可以根据实际需要进行灵活设置。
步骤S30:对所述抑制图像中的血管区域进行增强,得到增强图像。
对抑制非血管区域得到抑制图像后,可以基于Hessain矩阵(其英文名为HessainMatrix,中文名可以为黑塞矩阵、海森矩阵、海瑟矩阵、或海塞矩阵等)的管状结构增强方法对血管区域进行增强,通过Hessain矩阵对血管区域进行增强,其增强效果好,且速度较快。
需要说明的是,还可以通过基于最优方向通量的增强算法、或基于张量的增强算法等管状结构增强算法对血管区域进行增强。
通过对抑制图像中的血管区域进行增强,可以进一步提高血管区域与非血管区域的对比度,能够有效抑制背景噪声,得到最终的增强图像。以下将以基于Hessain矩阵对血管区域进行增强为例进行详细说明。
优选地,所述对所述抑制图像中的血管区域进行增强,得到增强图像具体包括:
根据所述抑制图像的灰度值生成像素矩阵;根据所述像素矩阵构建血管增强滤波函数;利用所述血管增强滤波函数对所述抑制图像执行卷积操作,输出增强图像。
首先,可以获取抑制图像中各个像素点的灰度值,得到抑制图像的灰度值,根据抑制图像的灰度值生成像素矩阵,该像素矩阵即为Hessian矩阵。然后,根据像素矩阵构建血管增强滤波函数,该血管增强滤波函数即为血管增强滤波器,主要用于对血管区域进行增强。最后可以利用血管增强滤波函数对抑制图像执行卷积操作,由于血管增强滤波函数在管状结构区域(即血管区域)的响应度比较高,而在非管状结构区域(即非血管区域)响应度较低,因此卷积操作后可以增强抑制图像中的血管区域,从而可以输出增强图像。
步骤S40:获取所述增强图像中血管区域的掩模结构和分割结构。
其中,血管区域的掩模结构可以是基于提取到血管中心线,并结合半径信息得到的血管掩模结构,血管区域的分割结构可以是利用区域生长法进行粗分割得到的血管分割结构。
参见图2,图2为本发明中获取所述增强图像中血管区域的掩模结构和分割结构的流程示意图。所述获取所述增强图像中血管区域的掩模结构和分割结构具体包括:
步骤S201:在所述增强图像的血管区域内设置血管的起始点和终止点。
该起始点和终止点可以是由相关人员在增强图像的血管区域内设定的,或者是通过预设算法在增强图像的血管区域内设置。
步骤S202:根据所述起始点和终止点在所述血管区域内提取血管路径,得到血管中心线。
可以通过Dijkstra算法或Fast Marching算法提取增强图像中的血管中心线,以下将以通过Dijkstra算法提取增强图像中的血管中心线为例进行详细说明。
参见图3,图3为图2中步骤S202的具体细化流程示意图。所述步骤S202具体包括:
步骤S301:将所述起始点作为当前像素点;
步骤S302:获取所述当前像素点的灰度值,并根据所述灰度值计算所述当前像素点与其预设邻域范围内各个像素点之间的距离,得到多个距离值;
步骤S303:获取所述多个距离值中距离值最小所对应的像素点;
步骤S304:判断距离值最小所对应的像素点是否为终止点;若是,则执行步骤S306;若否,则执行步骤S305;
步骤S305:将所述多个距离值中距离值最小所对应的像素点作为当前像素点,并返回执行步骤S302;
步骤S306:获取所述起始点与所述终止点之间,每次计算得到的距离值最小所对应的各个像素点所连接形成的血管路径,得到血管中心线。
首先,从起始点开始,对起始点邻域进行距离计算,具体可以将所述起始点作为当前像素点,获取当前像素点的灰度值,以及获取当前像素点的预设邻域范围内各个像素点的灰度值,其中,预设邻域范围可以根据实际需要进行灵活设置,具体内容在此处不作限定。此时,可以利用Dijkstra算法分别计算当前像素点的灰度值和预设邻域范围内各个像素点的灰度值之间的距离,得到多个距离值。然后,从多个距离值中选择距离值最小所对应的像素点,说明该像素点离起始点距离最小,将该像素点作为下一个当前像素点(也可以称为传播点),按照上述步骤循环执行获取所述当前像素点的灰度值,并根据所述灰度值计算所述当前像素点与其预设邻域范围内各个像素点之间的距离,得到多个距离值,获取所述多个距离值中距离值最小所对应的像素点(称为一次传播),继续进行二次传播、三次传播至n(n的取值可以灵活设置)次传播等。在传播的过程中判断距离值最小所对应的像素点是否为终止点,如果是,则迭代传播到设置的终点处停止,即直至得到距离值最小所对应的像素点为终止点;如果不是,则继续循环执行从多个距离值中选择距离值最小所对应的像素点为下一个当前像素点,获取所述当前像素点的灰度值,并根据所述灰度值计算所述当前像素点与其预设邻域范围内各个像素点之间的距离等步骤。
其次,获取起始点与终止点之间(包括起始点和终止点),每次计算得到的距离值最小所对应的各个像素点所连接形成的血管路径,得到血管中心线。例如,可以根据传播过程中确定距离值最小所对应的像素点等传播信息,从终止点往回寻找最短路径,即从终止点开始反向传播依次经过每次计算得到的距离值最小所对应的各个像素点(即传播点)所在的血管路径,直至到达起始点,由于终止点是最后一次传播得到的,因此可以从终止点开始找到离终止点最近的传播点,再寻找扩展该传播点的上一个传播点,以此类推,一直到起始点,最后可以得到一条最短血管路径,该最短血管路径即为血管中心线。基于Dijkstra算法可以有效提取血管中心线,从而保证了血管区域的精确定位。
步骤S203:以所述血管中心线为轴获取预设半径的管状结构,得到掩模结构。
在得到血管中心线后,可以以血管中心线为轴设置预设半径(即半径信息),该预设半径可以根据实际需要进行灵活设置,例如,该预设半径可以比血管的真实半径稍大,将预设半径作为掩模半径值。然后获取以血管中心线为轴,以预设半径为掩模半径值的管状结构,得到掩模结构,即得到的该掩模结构为管状结构,其中,掩模的作用是在增强图像中提取掩模对应位置的血管结构。
步骤S204:根据所述起始点和终止点进行区域生长,得到所述血管区域的分割结构。
参见图4,图4为图2中步骤S204的具体细化流程示意图。所述步骤S204具体包括:
步骤S401:获取所述起始点的灰度值和所述起始点的预设邻域内各个像素点的灰度值;
步骤S402:计算所述起始点的预设邻域内各个像素点的灰度值,与所述起始点的灰度值之间的差值;
步骤S403:将差值小于预设门限值所对应的像素点添加至所述起始点所在的目标区域,当不再有像素点满足加入所述目标区域的条件,且达到所述终止点时,得到所述血管区域的分割结构。
可以利用区域生长算法对增强图像进行分割,得到粗分割的血管结构。首先,获取起始点的灰度值,将起始点的灰度值设置为种子像素值,并将起始点的设置为种子像素点,将种子像素点作为生长的起点,并在种子像素点处进行预设邻域(例如8邻域或4邻域等)扩展,获取预设邻域内各个像素点的灰度值。然后,计算预设邻域内各个像素点的灰度值与种子像素点的灰度值之间的差值,得到多个差值,判断多个差值中是否存在小于预设门限值的差值,其中预设门限值可以根据实际需要进行灵活设置。若多个差值中存在小于预设门限值的差值,则可以将差值小于预设门限值所对应的像素点,包括进种子像素点所在的区域(即将差值小于预设门限值所对应的像素点添加至起始点所在的目标区域)。
然后将差值小于预设门限值所对应的像素点设置为种子像素点,继续执行在种子像素点处进行预设邻域扩展,获取预设邻域内各个像素点的灰度值,计算预设邻域内各个像素点的灰度值与种子像素点的灰度值之间的差值等步骤,直至不再有像素点满足加入目标区域的条件时,该目标区域生长停止,此时达到终止点,得到所述血管区域的分割结构。从而基于区域生长算法进行血管分割,得到分割结构,能够快速提取较为准确的血管分割结构。
步骤S50:根据所述掩模结构和分割结构从所述增强图像中获取目标血管。
结合血管区域的掩模结构和分割结构,可以从增强图像中精确提取出血管段结构,得到目标血管。例如,可以提取掩模结构和分割结构之间像素位置的交集,得到最终的血管段结构。
优选地,所述根据所述掩模结构和分割结构从所述增强图像中获取目标血管具体包括:
分别获取所述掩模结构和分割结构中的各个血管像素点;
根据所述掩模结构和分割结构中的各个血管像素点,提取所述掩模结构和分割结构之间像素位置的交集,得到目标血管。
具体地,可以分别获取掩模结构中各个血管像素点,以及获取分割结构中的各个血管像素点,然后根据掩模结构中的各个血管像素点和分割结构中的各个血管像素点,准确提取掩模结构和分割结构之间像素位置的交集,得到目标血管,该目标血管为起始点与终止点之间的血管段,为后续血管三维结构建模和血管疾病诊断治疗等各方面提供了准确的血管结构信息。
以下以举例的方式本对本发明所提供的血管图像处理方法中各个步骤进行详细说明,参见图5,图5为本发明的血管图像处理方法第二实施例的流程示意图。如图5所示,在第二实施例中所述血管图像处理方法的具体处理过程如下:
一:获取原始血管图像,例如,包含血管的CTA图像或MRA图像等。
二:从原始血管图像中提取感兴趣区域,得到目标血管图像,其中,感兴趣区域为原始血管图像中包含血管的部分区域,感兴趣区域的提取可以去除与血管无关的部分区域,减少后续处理的计算量。
三:利用阈值算法在目标血管图像内抑制非血管区域,得到抑制图像,例如,可以将非血管区域的灰度值降低为预设值。
四:利用Hessain矩阵在抑制图像内快速增强血管区域,得到增强图像。
五:在增强图像的血管区域内设置起始点和终止点。
六:基于起始点和终止点利用区域生长算法对增强图像中血管区域进行区域生长(即粗分割),得到血管分割结构。
七:基于起始点和终止点利用Dijkstra算法从增强图像中血管区域内提取最短血管路径(即血管中心线),并根据最短血管路径和预设半径提取血管掩模结构。
八:对血管分割结构和血管掩模结构执行并集操作,以获取血管分割结构和血管掩模结构之间血管区域的像素位置的交集,精确提取血管段结构,最终得到的该血管段结构即为目标血管。
上述实施例所提供的血管图像处理方法,通过获取待处理的原始血管图像,该原始血管图像中包括血管区域和非血管区域;然后,对原始血管图像中的非血管区域进行灰度抑制,得到抑制图像;以及,对抑制图像中的血管区域进行增强,得到增强图像;此时可以获取增强图像中血管区域的掩模结构和分割结构,并根据掩模结构和分割结构从增强图像中获取目标血管。从而可以对原始血管图像中非血管区域进行灰度抑制及对血管区域进行增强以获取增强图像,然后根据血管区域的掩模结构和分割结构,从增强图像中精准获取出目标血管,提高了对血管图像中的血管进行提取的准确性。
本发明提供一种血管图像处理装置第一实施例,参见图6,图6为本发明的血管图像处理装置第一实施例的功能模块示意图。在第一实施例中,所述血管图像处理装置100包括:图像获取模块110、抑制模块120、增强模块130、结构获取模块140和血管获取模块150等。其中,图像获取模块110,用于获取待处理的原始血管图像,所述原始血管图像中包括血管区域和非血管区域;抑制模块120,用于对所述原始血管图像中的非血管区域进行灰度抑制,得到抑制图像;增强模块130,用于对所述抑制图像中的血管区域进行增强,得到增强图像;结构获取模块140,用于获取所述增强图像中血管区域的掩模结构和分割结构;血管获取模块150,用于根据所述掩模结构和分割结构从所述增强图像中获取目标血管。
其中,该待处理的原始血管图像可以是对用户头部或包含血管的其他部位进行扫描得到的图像,该原始血管图像可以是二维图像,也可以是三维图像。例如,该原始血管图像可以是CTA图像或MRA图像等,因此图像获取模块110可以通过扫描设备对包含血管的部位进行扫描得到原始血管图像,或者是从预先存储血管图像的图像库中获取到原始血管图像。
优选地,为了减少后续处理的计算量,在获取到原始血管图像后,血管图像处理装置100可以接收裁剪指令,根据裁剪指令从原始血管图像中提取出感兴趣区域,得到目标血管图像,然后对目标血管图像中的非血管区域进行灰度抑制及对血管区域进行增强等后续操作,其中,感兴趣区域为原始血管图像中包含血管的部分区域。例如,可以接收用户输入的裁剪指令,或者根据预设算法生成裁剪指令,然后根据裁剪指令从原始血管图像中提取感兴趣区域,以便去除与血管无关的区域,减少后续处理的计算量。
在得到原始血管图像后,抑制模块120可以利用阈值算法或基于头骨配准算法等,对原始血管图像中的头骨区域或肉体区域等非血管区域,进行灰度抑制,得到抑制图像。例如,可以根据原始血管图像的灰度分布信息进行灰度抑制,减少非血管区域灰度过大对血管区域提取所产生的干扰。以下将以阈值算法对原始血管图像中的非血管区域进行灰度抑制为例进行详细说明。
优选地,所述抑制模块120,具体用于获取所述原始血管图像的灰度值,并将灰度值大于预设阈值的区域设置为非血管区域;将所述非血管区域的灰度值降低为预设值,得到抑制图像。
其中,灰度值即为像素值,抑制模块120可以获取原始血管图像中各个像素点的灰度值,并将各个像素点的灰度值分别与预设阈值进行比较,判断是否存在灰度值大于预设阈值,该预设阈值可以根据实际需要进行灵活设置,具体取值在此处不作限定。当存在灰度值大于预设阈值的像素点时,说明该像素点不在血管区域内,此时抑制模块120可以将灰度值大于预设阈值的所有像素点所在的区域设置为非血管区域,然后将非血管区域的灰度值降低为预设值,从而可以得到抑制图像,该预设值可以根据实际需要进行灵活设置。
抑制模块120对抑制非血管区域得到抑制图像后,增强模块130可以基于Hessain矩阵对血管区域进行增强,通过Hessain矩阵对血管区域进行增强,其增强效果好,且速度较快。需要说明的是,增强模块130还可以通过基于最优方向通量的增强算法、或基于张量的增强算法等管状结构增强算法对血管区域进行增强。
通过对抑制图像中的血管区域进行增强,可以进一步提高血管区域与非血管区域的对比度,能够有效抑制背景噪声,得到最终的增强图像。以下将以基于Hessain矩阵对血管区域进行增强为例进行详细说明。
优选地,所述增强模块130,具体用于根据所述抑制图像的灰度值生成像素矩阵;根据所述像素矩阵构建血管增强滤波函数;利用所述血管增强滤波函数对所述抑制图像执行卷积操作,输出增强图像。
首先,增强模块130可以获取抑制图像中各个像素点的灰度值,得到抑制图像的灰度值,根据抑制图像的灰度值生成像素矩阵,该像素矩阵即为Hessian矩阵。然后,根据像素矩阵构建血管增强滤波函数,该血管增强滤波函数即为血管增强滤波器,主要用于对血管区域进行增强。最后可以利用血管增强滤波函数对抑制图像执行卷积操作,由于血管增强滤波函数在管状结构区域(即血管区域)的响应度比较高,而在非管状结构区域(即非血管区域)响应度较低,因此卷积操作后可以增强抑制图像中的血管区域,从而可以输出增强图像。
此时,结构获取模块140可以获取所述增强图像中血管区域的掩模结构和分割结构,其中,血管区域的掩模结构可以是基于提取到血管中心线,并结合半径信息得到的血管掩模结构,血管区域的分割结构可以是利用区域生长法进行粗分割得到的血管分割结构。
参见图7,图7为图6中所述结构获取模块140的具体细化功能模块示意图。上述第一实施例中所述结构获取模块140包括:第一设置单元141、提取单元142和获取单元143。其中,第一设置单元141,用于在所述增强图像的血管区域内设置血管的起始点和终止点;提取单元142,用于根据所述起始点和终止点在所述血管区域内提取血管路径,得到血管中心线;获取单元143,用于以所述血管中心线为轴获取预设半径的管状结构,得到掩模结构。
该起始点和终止点可以是由相关人员在增强图像的血管区域内设定的,或者是通过预设算法在增强图像的血管区域内设置。例如,第一设置单元141可以接收设置指令,基于所述设置指令在所述增强图像的血管区域内设置血管的起始点和终止点。
提取单元142可以通过Dijkstra算法或Fast Marching算法提取增强图像中的血管中心线,以下将以通过Dijkstra算法提取增强图像中的血管中心线为例进行详细说明。
优选地,所述提取单元142,具体用于将所述起始点作为当前像素点;获取所述当前像素点的灰度值,并根据所述灰度值计算所述当前像素点与其预设邻域范围内各个像素点之间的距离,得到多个距离值;将所述多个距离值中距离值最小所对应的像素点作为当前像素点,并返回执行获取所述当前像素点的灰度值,并根据所述灰度值计算所述当前像素点与其预设邻域范围内各个像素点之间的距离的操作,直至得到距离值最小所对应的像素点为所述终止点;获取所述起始点与所述终止点之间,每次计算得到的距离值最小所对应的各个像素点所连接形成的血管路径,得到血管中心线。
首先,提取单元142从起始点开始,对起始点邻域进行距离计算,具体可以将所述起始点作为当前像素点,获取当前像素点的灰度值,以及获取当前像素点的预设邻域范围内各个像素点的灰度值,其中,预设邻域范围可以根据实际需要进行灵活设置,具体内容在此处不作限定。此时,提取单元142可以利用Dijkstra算法分别计算当前像素点的灰度值和预设邻域范围内各个像素点的灰度值之间的距离,得到多个距离值。然后,从多个距离值中选择距离值最小所对应的像素点,说明该像素点离起始点距离最小,将该像素点作为下一个当前像素点(也可以称为传播点),按照上述步骤循环执行获取所述当前像素点的灰度值,并根据所述灰度值计算所述当前像素点与其预设邻域范围内各个像素点之间的距离,得到多个距离值,获取所述多个距离值中距离值最小所对应的像素点(称为一次传播),继续进行二次传播、三次传播至n(n的取值可以灵活设置)次传播等。在传播的过程中判断距离值最小所对应的像素点是否为终止点,如果是,则迭代传播到设置的终点处停止,即直至得到距离值最小所对应的像素点为终止点;如果不是,则继续循环执行从多个距离值中选择距离值最小所对应的像素点为下一个当前像素点,获取所述当前像素点的灰度值,并根据所述灰度值计算所述当前像素点与其预设邻域范围内各个像素点之间的距离等步骤。
其次,提取单元142获取起始点与终止点之间(包括起始点和终止点),每次计算得到的距离值最小所对应的各个像素点所连接形成的血管路径,得到血管中心线。例如,可以根据传播过程中确定距离值最小所对应的像素点等传播信息,从终止点往回寻找最短路径,即从终止点开始反向传播依次经过每次计算得到的距离值最小所对应的各个像素点(即传播点)所在的血管路径,直至到达起始点,由于终止点是最后一次传播得到的,因此可以从终止点开始找到离终止点最近的传播点,再寻找扩展该传播点的上一个传播点,以此类推,一直到起始点,最后可以得到一条最短血管路径,该最短血管路径即为血管中心线。基于Dijkstra算法可以有效提取血管中心线,从而保证了血管区域的精确定位。
在得到血管中心线后,获取单元143可以以血管中心线为轴设置预设半径(即半径信息),该预设半径可以根据实际需要进行灵活设置,例如,该预设半径可以比血管的真实半径稍大,将预设半径作为掩模半径值。然后获取以血管中心线为轴,以预设半径为掩模半径值的管状结构,得到掩模结构,即得到的该掩模结构为管状结构,其中,掩模的作用是在增强图像中提取掩模对应位置的血管结构。
参见图8,图8为图6中的结构获取模块140的另一具体细化功能模块示意图。上述第一实施例中所述结构获取模块140还包括:第二设置单元144和生长单元145。其中,第二设置单元144,用于在所述增强图像的血管区域内设置血管的起始点和终止点;生长单元145,用于根据所述起始点和终止点进行区域生长,得到所述血管区域的分割结构。其中,第二设置单元144与上述第二设置单元141一致。
优选地,所述生长单元145,具体用于获取所述起始点的灰度值和所述起始点的预设邻域内各个像素点的灰度值;计算所述起始点的预设邻域内各个像素点的灰度值,与所述起始点的灰度值之间的差值;将差值小于预设门限值所对应的像素点添加至所述起始点所在的目标区域,当不再有像素点满足加入所述目标区域的条件,且达到所述终止点时,得到所述血管区域的分割结构。
生长单元145可以利用区域生长算法对增强图像进行分割,得到粗分割的血管结构。首先,获取起始点的灰度值,将起始点的灰度值设置为种子像素值,并将起始点的设置为种子像素点,将种子像素点作为生长的起点,并在种子像素点处进行预设邻域(例如8邻域或4邻域等)扩展,获取预设邻域内各个像素点的灰度值。然后,计算预设邻域内各个像素点的灰度值与种子像素点的灰度值之间的差值,得到多个差值,判断多个差值中是否存在小于预设门限值的差值,其中预设门限值可以根据实际需要进行灵活设置。若多个差值中存在小于预设门限值的差值,则生长单元145可以将差值小于预设门限值所对应的像素点,包括进种子像素点所在的区域(即将差值小于预设门限值所对应的像素点添加至起始点所在的目标区域)。
然后生长单元145将差值小于预设门限值所对应的像素点设置为种子像素点,继续执行在种子像素点处进行预设邻域扩展,获取预设邻域内各个像素点的灰度值,计算预设邻域内各个像素点的灰度值与种子像素点的灰度值之间的差值等步骤,直至不再有像素点满足加入目标区域的条件时,该目标区域生长停止,此时达到终止点,得到所述血管区域的分割结构。从而基于区域生长算法进行血管分割,得到分割结构,能够快速提取较为准确的血管分割结构。
在得到血管区域的掩模结构和分割结构后,血管获取模块150可以根据所述掩模结构和分割结构从所述增强图像中获取目标血管。即血管获取模块150结合血管区域的掩模结构和分割结构,可以从增强图像中精确提取出血管段结构,得到目标血管。例如,可以提取掩模结构和分割结构之间像素位置的交集,得到最终的血管段结构。
优选地,所述血管获取模块150,具体用于分别获取所述掩模结构和分割结构中的各个血管像素点;根据所述掩模结构和分割结构中的各个血管像素点,提取所述掩模结构和分割结构之间像素位置的交集,得到目标血管。
具体地,血管获取模块150可以分别获取掩模结构中各个血管像素点,以及获取分割结构中的各个血管像素点,然后根据掩模结构中的各个血管像素点和分割结构中的各个血管像素点,准确提取掩模结构和分割结构之间像素位置的交集,得到目标血管,该目标血管为起始点与终止点之间的血管段,为后续血管三维结构建模和血管疾病诊断治疗等各方面提供了准确的血管结构信息。
以下以举例的方式本对本发明所提供的血管图像处理装置执行血管图像处理方法的各个步骤进行详细说明,具体处理过程如下:
一:图像获取模块110获取原始血管图像,例如,包含血管的CTA图像或MRA图像等。
二:图像获取模块110还可以从原始血管图像中提取感兴趣区域,得到目标血管图像,其中,感兴趣区域为原始血管图像中包含血管的部分区域,感兴趣区域的提取可以去除与血管无关的部分区域,减少后续处理的计算量。
三:抑制模块120利用阈值算法在目标血管图像内抑制非血管区域,得到抑制图像,例如,可以将非血管区域的灰度值降低为预设值。
四:增强模块130利用Hessain矩阵在抑制图像内快速增强血管区域,得到增强图像。
五:在增强图像的血管区域内设置起始点和终止点。
六:结构获取模块140基于起始点和终止点利用区域生长算法对增强图像中血管区域进行区域生长(即粗分割),得到血管分割结构。
七:结构获取模块140基于起始点和终止点利用Dijkstra算法从增强图像中血管区域内提取最短血管路径(即血管中心线),并根据最短血管路径和预设半径提取血管掩模结构。
八:血管获取模块150对血管分割结构和血管掩模结构执行并集操作,以获取血管分割结构和血管掩模结构之间血管区域的像素位置的交集,精确提取血管段结构,最终得到的该血管段结构即为目标血管。
上述实施例所提供的血管图像处理装置,通过图像获取模块110获取待处理的原始血管图像,该原始血管图像中包括血管区域和非血管区域;然后,由抑制模块120对原始血管图像中的非血管区域进行灰度抑制,得到抑制图像;以及,由增强模块130对抑制图像中的血管区域进行增强,得到增强图像;此时结构获取模块140可以获取增强图像中血管区域的掩模结构和分割结构,并由血管获取模块150根据掩模结构和分割结构从增强图像中获取目标血管。从而可以对原始血管图像中非血管区域进行灰度抑制及对血管区域进行增强以获取增强图像,然后根据血管区域的掩模结构和分割结构,从增强图像中精准获取出目标血管,提高了对血管图像中的血管进行提取的准确性。
本发明实施例还提供一种计算机设备,该计算机设备可以包括一个或者一个以上处理核心的处理器、一个或一个以上包含计算机可读存储介质的存储器、电源和输入单元等部件。其中:
处理器是该计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储器内的软件程序和/或模块,以及调用存储在存储器内的数据,执行计算机设备的各种功能和处理数据,从而对计算机设备进行整体监控。优选地,处理器可包括一个或多个处理核心,处理器可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器中。
存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行各种功能应用以及血管图像处理。存储器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等;存储数据区可存储根据网络设备的使用所创建的数据等。此外,存储器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、或其他易失性固态存储器件。相应地,存储器还可以包括存储器控制器,以提供处理器对存储器的访问。
计算机设备还包括给各个部件供电的电源,优选地,电源可以通过电源管理系统与处理器逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。该计算机设备还可包括输入单元,该输入单元可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。尽管未示出,计算机设备还可以包括显示单元等,在此不再赘述。
具体在本实施例中,计算机设备中的处理器会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器中,并由处理器来运行存储在存储器中的应用程序,从而实现本发明实施例提供的血管图像处理方法,如下:
获取待处理的原始血管图像,所述原始血管图像中包括血管区域和非血管区域;对所述原始血管图像中的非血管区域进行灰度抑制,得到抑制图像;对所述抑制图像中的血管区域进行增强,得到增强图像;获取所述增强图像中血管区域的掩模结构和分割结构;根据所述掩模结构和分割结构从所述增强图像中获取目标血管。
优选地,所述获取所述增强图像中血管区域的掩模结构具体包括:在所述增强图像的血管区域内设置血管的起始点和终止点;根据所述起始点和终止点在所述血管区域内提取血管路径,得到血管中心线;以所述血管中心线为轴获取预设半径的管状结构,得到掩模结构。
优选地,所述根据所述起始点和终止点在所述血管区域内提取血管路径,得到血管中心线具体包括:将所述起始点作为当前像素点;获取所述当前像素点的灰度值,并根据所述灰度值计算所述当前像素点与其预设邻域范围内各个像素点之间的距离,得到多个距离值;将所述多个距离值中距离值最小所对应的像素点作为当前像素点,并返回执行获取所述当前像素点的灰度值,并根据所述灰度值计算所述当前像素点与其预设邻域范围内各个像素点之间的距离的步骤,直至得到距离值最小所对应的像素点为所述终止点;获取所述起始点与所述终止点之间,每次计算得到的距离值最小所对应的各个像素点所连接形成的血管路径,得到血管中心线。
优选地,所述获取所述增强图像中血管区域的分割结构具体包括:在所述增强图像的血管区域内设置血管的起始点和终止点;根据所述起始点和终止点进行区域生长,得到所述血管区域的分割结构。
优选地,所述根据所述起始点和终止点进行区域生长,得到所述血管区域的分割结构具体包括:获取所述起始点的灰度值和所述起始点的预设邻域内各个像素点的灰度值;计算所述起始点的预设邻域内各个像素点的灰度值,与所述起始点的灰度值之间的差值;将差值小于预设门限值所对应的像素点包括进所述起始点的灰度值所在的区域,当不再有像素点满足加入所述区域的条件时,达到所述终止点,得到所述血管区域的分割结构。
优选地,所述对所述原始血管图像中的非血管区域进行灰度抑制,得到抑制图像具体包括:获取所述原始血管图像的灰度值,并将灰度值大于预设阈值的区域设置为非血管区域;将所述非血管区域的灰度值降低为预设值,得到抑制图像。
优选地,所述对所述抑制图像中的血管区域进行增强,得到增强图像具体包括:根据所述抑制图像的灰度值生成像素矩阵;根据所述像素矩阵构建血管增强滤波函数;利用所述血管增强滤波函数对所述抑制图像执行卷积操作,输出增强图像。
优选地,所述根据所述掩模结构和分割结构从所述增强图像中获取目标血管具体包括:分别获取所述掩模结构和分割结构中的各个血管像素点;根据所述掩模结构和分割结构中的各个血管像素点,提取所述掩模结构和分割结构之间像素位置的交集,得到目标血管。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种血管图像处理方法中的步骤。例如,该指令可以执行如下步骤:
获取待处理的原始血管图像,所述原始血管图像中包括血管区域和非血管区域;对所述原始血管图像中的非血管区域进行灰度抑制,得到抑制图像;对所述抑制图像中的血管区域进行增强,得到增强图像;获取所述增强图像中血管区域的掩模结构和分割结构;根据所述掩模结构和分割结构从所述增强图像中获取目标血管。
优选地,所述获取所述增强图像中血管区域的掩模结构具体包括:在所述增强图像的血管区域内设置血管的起始点和终止点;根据所述起始点和终止点在所述血管区域内提取血管路径,得到血管中心线;以所述血管中心线为轴获取预设半径的管状结构,得到掩模结构。
优选地,所述根据所述起始点和终止点在所述血管区域内提取血管路径,得到血管中心线具体包括:将所述起始点作为当前像素点;获取所述当前像素点的灰度值,并根据所述灰度值计算所述当前像素点与其预设邻域范围内各个像素点之间的距离,得到多个距离值;将所述多个距离值中距离值最小所对应的像素点作为当前像素点,并返回执行获取所述当前像素点的灰度值,并根据所述灰度值计算所述当前像素点与其预设邻域范围内各个像素点之间的距离的步骤,直至得到距离值最小所对应的像素点为所述终止点;获取所述起始点与所述终止点之间,每次计算得到的距离值最小所对应的各个像素点所连接形成的血管路径,得到血管中心线。
优选地,所述获取所述增强图像中血管区域的分割结构具体包括:在所述增强图像的血管区域内设置血管的起始点和终止点;根据所述起始点和终止点进行区域生长,得到所述血管区域的分割结构。
优选地,所述根据所述起始点和终止点进行区域生长,得到所述血管区域的分割结构具体包括:获取所述起始点的灰度值和所述起始点的预设邻域内各个像素点的灰度值;计算所述起始点的预设邻域内各个像素点的灰度值,与所述起始点的灰度值之间的差值;将差值小于预设门限值所对应的像素点包括进所述起始点的灰度值所在的区域,当不再有像素点满足加入所述区域的条件时,达到所述终止点,得到所述血管区域的分割结构。
优选地,所述对所述原始血管图像中的非血管区域进行灰度抑制,得到抑制图像具体包括:获取所述原始血管图像的灰度值,并将灰度值大于预设阈值的区域设置为非血管区域;将所述非血管区域的灰度值降低为预设值,得到抑制图像。
优选地,所述对所述抑制图像中的血管区域进行增强,得到增强图像具体包括:根据所述抑制图像的灰度值生成像素矩阵;根据所述像素矩阵构建血管增强滤波函数;利用所述血管增强滤波函数对所述抑制图像执行卷积操作,输出增强图像。
优选地,所述根据所述掩模结构和分割结构从所述增强图像中获取目标血管具体包括:分别获取所述掩模结构和分割结构中的各个血管像素点;根据所述掩模结构和分割结构中的各个血管像素点,提取所述掩模结构和分割结构之间像素位置的交集,得到目标血管。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一种血管图像处理方法中的步骤,因此,可以实现本发明实施例所提供的任一种血管图像处理方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种血管图像处理方法,其特征在于,所述血管图像处理方法包括:
获取待处理的原始血管图像;
接收裁剪指令,根据裁剪指令从原始血管图像中提取出感兴趣区域,得到裁剪后的原始血管图像,所述裁剪后的原始血管图像中包括血管区域和非血管区域;
对所述裁剪后的原始血管图像中的非血管区域进行灰度抑制,得到抑制图像;
对所述抑制图像中的血管区域进行增强,得到增强图像;
获取所述增强图像中血管区域的掩模结构和分割结构;
分别获取所述掩模结构和分割结构中的各个血管像素点;
根据所述掩模结构和分割结构中的各个血管像素点,提取所述掩模结构和分割结构之间像素位置的交集,得到目标血管;
所述获取所述增强图像中血管区域的掩模结构具体包括:
在所述增强图像的血管区域内设置血管的起始点和终止点;
将所述起始点作为当前像素点;
获取所述当前像素点的灰度值,并根据所述灰度值计算所述当前像素点与其预设邻域范围内各个像素点之间的距离,得到多个距离值;
将所述多个距离值中距离值最小所对应的像素点作为当前像素点,并返回执行获取所述当前像素点的灰度值,并根据所述灰度值计算所述当前像素点与其预设邻域范围内各个像素点之间的距离的步骤,直至得到距离值最小所对应的像素点为所述终止点;
获取所述起始点与所述终止点之间,每次计算得到的距离值最小所对应的各个像素点所连接形成的血管路径,得到血管中心线;
以所述血管中心线为轴获取预设半径的管状结构,得到掩模结构。
2.根据权利要求1所述的血管图像处理方法,其特征在于,所述获取所述增强图像中血管区域的分割结构具体包括:
在所述增强图像的血管区域内设置血管的起始点和终止点;
根据所述起始点和终止点进行区域生长,得到所述血管区域的分割结构。
3.根据权利要求2所述的血管图像处理方法,其特征在于,所述根据所述起始点和终止点进行区域生长,得到所述血管区域的分割结构具体包括:
获取所述起始点的灰度值和所述起始点的预设邻域内各个像素点的灰度值;
计算所述起始点的预设邻域内各个像素点的灰度值,与所述起始点的灰度值之间的差值;
将差值小于预设门限值所对应的像素点添加至所述起始点所在的目标区域,当不再有像素点满足加入所述目标区域的条件,且达到所述终止点时,得到所述血管区域的分割结构。
4.根据权利要求1至3任一项所述的血管图像处理方法,其特征在于,所述对所述原始血管图像中的非血管区域进行灰度抑制,得到抑制图像具体包括:
获取所述原始血管图像的灰度值,并将灰度值大于预设阈值的区域设置为非血管区域;
将所述非血管区域的灰度值降低为预设值,得到抑制图像。
5.根据权利要求1至3任一项所述的血管图像处理方法,其特征在于,所述对所述抑制图像中的血管区域进行增强,得到增强图像具体包括:
根据所述抑制图像的灰度值生成像素矩阵;
根据所述像素矩阵构建血管增强滤波函数;
利用所述血管增强滤波函数对所述抑制图像执行卷积操作,输出增强图像。
6.一种血管图像处理装置,其特征在于,所述血管图像处理装置包括:
图像获取模块,用于获取待处理的原始血管图像,接收裁剪指令,根据裁剪指令从原始血管图像中提取出感兴趣区域,得到裁剪后的原始血管图像,所述裁剪后的原始血管图像中包括血管区域和非血管区域;
抑制模块,用于对所述裁剪后的原始血管图像中的非血管区域进行灰度抑制,得到抑制图像;
增强模块,用于对所述抑制图像中的血管区域进行增强,得到增强图像;
结构获取模块,用于获取所述增强图像中血管区域的掩模结构和分割结构;
血管获取模块,用于根据所述掩模结构和分割结构从所述增强图像中获取目标血管;
所述结构获取模块包括:
第一设置单元,用于在所述增强图像的血管区域内设置血管的起始点和终止点;
提取单元,用于将所述起始点作为当前像素点;
获取所述当前像素点的灰度值,并根据所述灰度值计算所述当前像素点与其预设邻域范围内各个像素点之间的距离,得到多个距离值;
将所述多个距离值中距离值最小所对应的像素点作为当前像素点,并返回执行获取所述当前像素点的灰度值,并根据所述灰度值计算所述当前像素点与其预设邻域范围内各个像素点之间的距离的操作,直至得到距离值最小所对应的像素点为所述终止点;
获取所述起始点与所述终止点之间,每次计算得到的距离值最小所对应的各个像素点所连接形成的血管路径,得到血管中心线;
获取单元,用于以所述血管中心线为轴获取预设半径的管状结构,得到掩模结构。
7.一种计算机设备,包括存储器和处理器,其特征在于,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至5任一项所述的血管图像处理方法中的步骤。
8.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至5任一项所述的血管图像处理方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810612096.5A CN108805871B (zh) | 2018-06-14 | 2018-06-14 | 血管图像处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810612096.5A CN108805871B (zh) | 2018-06-14 | 2018-06-14 | 血管图像处理方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108805871A CN108805871A (zh) | 2018-11-13 |
CN108805871B true CN108805871B (zh) | 2021-06-25 |
Family
ID=64087005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810612096.5A Active CN108805871B (zh) | 2018-06-14 | 2018-06-14 | 血管图像处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805871B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544566B (zh) * | 2018-11-29 | 2022-02-01 | 上海联影医疗科技股份有限公司 | 冠脉图像分割方法、装置、计算机设备和存储介质 |
CN109658406A (zh) * | 2018-12-25 | 2019-04-19 | 广州天鹏计算机科技有限公司 | 血管图像的识别方法、装置、计算机设备和存储介质 |
CN109754397B (zh) * | 2019-01-03 | 2021-02-09 | 东软集团股份有限公司 | 血管段中心路径的提取方法、装置、终端设备及存储介质 |
CN111626974B (zh) * | 2019-02-28 | 2024-03-22 | 苏州润迈德医疗科技有限公司 | 冠状动脉造影图像序列的质量评分方法和装置 |
CN110503114B (zh) * | 2019-08-29 | 2023-04-07 | 中国科学院深圳先进技术研究院 | 图像特征提取方法、装置、肿瘤识别系统及存储介质 |
CN111127373B (zh) * | 2019-12-31 | 2023-08-08 | 佛山科学技术学院 | 一种基于局部截面分析的血管图像提取方法及装置 |
CN112308846B (zh) * | 2020-11-04 | 2021-07-13 | 赛诺威盛科技(北京)股份有限公司 | 血管分割方法、装置及电子设备 |
CN113516677B (zh) * | 2021-04-13 | 2022-02-22 | 推想医疗科技股份有限公司 | 一种结构化分级管状结构血管的方法、装置及电子设备 |
CN113379782B (zh) * | 2021-05-28 | 2023-06-30 | 上海联影医疗科技股份有限公司 | 管状结构的提取方法、装置、设备和存储介质 |
CN117437236B (zh) * | 2023-12-21 | 2024-03-01 | 中国人民解放军总医院第一医学中心 | 一种胃肠镜图像异常检测方法及系统 |
CN117474822B (zh) * | 2023-12-27 | 2024-03-08 | 江南大学附属医院 | 一种心血管外科影像智能增强方法 |
CN117611599B (zh) * | 2023-12-28 | 2024-05-31 | 齐鲁工业大学(山东省科学院) | 融合中心线图和增强对比度网络的血管分割方法及其系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7711165B2 (en) * | 2005-07-28 | 2010-05-04 | Siemens Medical Solutions Usa, Inc. | System and method for coronary artery segmentation of cardiac CT volumes |
US8170304B2 (en) * | 2007-04-03 | 2012-05-01 | Siemens Aktiengesellschaft | Modeling cerebral aneurysms in medical images |
CN104978726A (zh) * | 2014-04-03 | 2015-10-14 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
CN103942772A (zh) * | 2014-05-15 | 2014-07-23 | 北京思创贯宇科技开发有限公司 | 一种多模态多维度的血管融合方法及系统 |
CN105427277B (zh) * | 2015-10-30 | 2018-01-16 | 上海联影医疗科技有限公司 | 血管提取方法 |
CN106127819B (zh) * | 2016-06-30 | 2019-10-08 | 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 |
CN106815853B (zh) * | 2016-12-14 | 2020-06-05 | 海纳医信(北京)软件科技有限责任公司 | 对眼底图像中视网膜血管的分割方法和装置 |
-
2018
- 2018-06-14 CN CN201810612096.5A patent/CN108805871B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108805871A (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805871B (zh) | 血管图像处理方法、装置、计算机设备和存储介质 | |
KR102016959B1 (ko) | 혈관 모델 생성 방법 및 장치 | |
CN106682636B (zh) | 血管提取方法及其系统 | |
US11042822B2 (en) | Systems and methods for using geometry sensitivity information for guiding workflow | |
US8761475B2 (en) | System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans | |
CN111696089B (zh) | 一种动静脉确定方法、装置、设备和存储介质 | |
CN117115150B (zh) | 用于确定分支血管的方法、计算设备和介质 | |
JP2014171889A (ja) | 画像分割装置、医用画像診断装置及び画像分割方法 | |
JP2015517867A (ja) | セグメント化の強調表示 | |
CN111932552B (zh) | 一种主动脉建模的方法及装置 | |
CN113160189A (zh) | 血管中心线提取方法、装置、设备及存储介质 | |
US20060210158A1 (en) | Object-specific segmentation | |
CN114004793A (zh) | 血流特性获取方法、装置、电子设备及存储介质 | |
CN117237322A (zh) | 一种基于医学图像的器官分割建模方法及终端 | |
US10354349B2 (en) | Systems and methods for using geometry sensitivity information for guiding workflow | |
CN112614143A (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
CN106558057B (zh) | 一种医学图像分割方法 | |
CN116993812A (zh) | 冠脉血管中心线的提取方法、装置、设备及存储介质 | |
Shen et al. | Automatic cerebral artery system labeling using registration and key points tracking | |
CN115482261A (zh) | 血管配准方法、装置、电子设备及存储介质 | |
CN107464243B (zh) | 一种主动脉瓣的定位方法、装置和设备 | |
CN113192099B (zh) | 一种组织提取方法、装置、设备和介质 | |
JP2023131287A (ja) | 情報処理装置および学習方法 | |
CN109272485B (zh) | 血管三维模型的修补方法、装置和电子设备 | |
CN109308703B (zh) | 利用结构化的用户点击点对解剖结构智能描轮廓 |
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 |