CN109166097A - 从造影图像序列中提取血管的方法及装置 - Google Patents

从造影图像序列中提取血管的方法及装置 Download PDF

Info

Publication number
CN109166097A
CN109166097A CN201810792905.5A CN201810792905A CN109166097A CN 109166097 A CN109166097 A CN 109166097A CN 201810792905 A CN201810792905 A CN 201810792905A CN 109166097 A CN109166097 A CN 109166097A
Authority
CN
China
Prior art keywords
image
image sequence
vascular lamina
error image
error
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
CN201810792905.5A
Other languages
English (en)
Other versions
CN109166097B (zh
Inventor
杨健
宋爽
艾丹妮
朱建军
杜晨冰
王涌天
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 Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201810792905.5A priority Critical patent/CN109166097B/zh
Publication of CN109166097A publication Critical patent/CN109166097A/zh
Application granted granted Critical
Publication of CN109166097B publication Critical patent/CN109166097B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/30048—Heart; Cardiac
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (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)

Abstract

本发明实施例提供一种从造影图像序列中提取血管的方法及装置。该方法包括：从造影图像序列中获取第一差值图像序列；对第一差值图像序列进行时间约束处理，获取初始血管层；从初始血管层中获取第二差值图像序列；对第二差值图像序列进行空间约束处理，获取血管层。本发明实施例通过对差值图像序列先后进行时间约束处理和空间约束处理。其中时间约束能够有效地利用上一帧图像运动信息，对下一帧图像进行处理，能够得到准确的背景结构，空间约束能够有效地抑制差值图像中的噪声，平滑运动剧烈的差值图像的背景结构，从而能够从造影图像序列中精准地提取出血管层。

Description

从造影图像序列中提取血管的方法及装置
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及从造影图像序列中提取血管的方法及装置。
背景技术
冠心病严重地威胁着人类的身体健康。因其较高的成像分辨率和较快的成像速度，X射线血管造影技术一直被作为冠心病诊断和介入治疗的金标准。因造影图像序列中包含着冠状动脉的运动信息，从序列中提取出血管结构对后续的血管精确分割、血管运动追踪、术前术中血管配准、冠脉四维重建等具有重要意义。然而，造影图像序列包含大量的不同解剖结构，存在严重的结构重叠、灰度不均和运动伪影等缺点，导致从X射线造影图像序列中自动提取血管结构十分困难。而基于X射线造影图像的血管减影技术可以有效地去除背景结构和运动伪影，提高血管对比度。
现有的血管减影技术有一种方法是基于图像配准的方法。该方法一般通过选取具有最为相似运动的盈片和蒙片，通过模板匹配和相似性度量最大化计算特征点的匹配关系，之后通过对蒙片变形，并将变形后的蒙片与盈片相减，实现背景结构的移除和血管信息的提取。由于其特征点的匹配精度往往因病人或相机的大幅度运动和造影剂泄露等而受到影响，从而造成无法精准提取血管层的问题。
现有的血管减影技术另外一种方法是基于运动估计的方法。该方法将序列中的图像看作多个不同运动层的集合。根据不同的先验运动模型，运动估计技术等，分解运动层并提取背景和血管结构。由于该层分解方法需要对每一层运动进行建模，但是大多数情况下，X射线造影图像序列中的结构有多种运动形式，对运动进行特定建模并不能覆盖所有的运动，尤其是对于包含复杂运动的血管结构。这也会造成无法精准提取血管层的问题。
因此，需要提供一种新的减影技术，从造影图像序列中精准地提取出血管层。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的从造影图像序列中提取血管的方法及装置。
第一方面，本发明实施例提供一种从造影图像序列中提取血管的方法，包括：从造影图像序列中获取第一差值图像序列；对第一差值图像序列进行时间约束处理，获取初始血管层；从初始血管层中获取第二差值图像序列；对第二差值图像序列进行空间约束处理，获取血管层。
第二方面，本发明实施例提供一种从造影图像序列中提取血管的装置，包括：第一提取模块，用于从造影图像序列中获取第一差值图像序列；时间约束模块，用于对第一差值图像序列进行时间约束处理，获取初始血管层；第二提取模块，用于从初始血管层中获取第二差值图像序列；空间约束模块，用于对第二差值图像序列进行空间约束处理，获取血管层。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现第一方面的从造影图像序列中提取血管的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面的从造影图像序列中提取血管的方法的步骤。
本发明实施例通过对差值图像序列先后进行时间约束处理和空间约束处理。其中时间约束能够有效地利用上一帧图像运动信息，对下一帧图像进行处理，能够得到准确的背景结构，空间约束能够有效地抑制差值图像中的噪声，平滑运动剧烈的差值图像的背景结构，从而能够从造影图像序列中精准地提取出血管层。
附图说明
图1为本发明实施例提供的从造影图像序列中提取血管的方法的流程示意图；
图2为本发明实施例提供的对第一差值图像序列进行时间约束处理的流程示意图；
图3为本发明实施例提供的对第二差值图像序列进行空间约束处理的流程示意图；
图4为本发明实施例提供的从造影图像序列中提取血管的方法的具体流程示意图；
图5为本发明实施例提供的从造影图像序列中提取血管的装置的结构示意图；
图6为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
从造影图像序列中提取血管层并去除背景结构和运动伪影的技术，有助于后续的精确血管分割、冠脉结构参数测量、血管运动追踪、冠脉三维重建、术前和术中血管配准等相关工作，因而该技术对辅助冠心病的影像导航诊断和介入治疗具有重要意义。由于造影图像序列的背景区域运动相似，变化较小，而图像中的血管区域只占图像中很小的部分，所以基于低秩稀疏的层分解方法成为造影图像序列处理的一大热点。
图1为本发明实施例提供的从造影图像序列中提取血管的方法的流程示意图。如图1所示，该方法包括：
步骤11，从造影图像序列中获取第一差值图像序列；
步骤12，对第一差值图像序列进行时间约束处理，获取初始血管层；
步骤13，从初始血管层中获取第二差值图像序列；
步骤14，对第二差值图像序列进行空间约束处理，获取血管层。
具体地，步骤11造影图像是将显影剂注入到血管后，利用X光无法穿透显影剂的特性，所得到的显影剂在X光下显示的影像。因而，造影图像可以准确地反映血管病变的部位和程度。造影图像序列是由多帧造影图像组成的。从造影图像序列中的每帧图像里提取出每帧图像的呼吸层，并将每帧图像的呼吸层集合，进而得到造影图像序列的呼吸层。将图像造影序列减去上述造影图像的呼吸层，就得到了第一差值图像序列。
步骤12，对第一差值图像序列中每帧图像建立对应的第一低秩稀疏目标函数。其中，低秩部分代表第一差值图像的背景层，稀疏部分代表第一差值图像的血管层；低秩成分由子空间基及其系数的乘积来表示。按照第一差值图像序列中每帧图像的获取的时间顺序，对每帧图像的第一低秩稀疏目标函数，进行层分解，分解出每帧图像对应的背景层和血管层。上述每帧图像对应的背景层的集合就是第一差值图像序列对应的第一背景层，上述每帧图像对应的血管层的集合就是第一差值图像序列对应的初始血管层。
步骤13，从上述初始血管层中的每帧图像里提取出每帧图像的呼吸层，并将每帧图像的呼吸层集合，进而得到初始血管层的呼吸层。将初始血管层减去上述初始血管层的呼吸层，就得到了第二差值图像序列。
步骤14，对第二差值图像序列中每帧图像建立对应的第二低秩稀疏目标函数。其中，低秩部分代表第二差值图像的背景层，稀疏部分代表第二差值图像的血管层；低秩成分由子空间基及其系数的乘积来表示。将每帧图像对应的子空间基都初始化为全1矩阵，对每帧图像的第二低秩稀疏目标函数，进行层分解，分解出每帧图像对应的背景层和血管层。上述每帧图像对应的背景层的集合就是第二差值图像序列对应的第二背景层，上述每帧图像对应的血管层的集合就是第二差值图像序列对应的血管层。
本发明实施例通过对差值图像序列先后进行时间约束处理和空间约束处理。其中时间约束能够有效地利用有效地利用上一帧图像运动信息，对下一帧图像进行处理，能够得到准确的背景结构，空间约束能够有效地抑制差值图像中的噪声，平滑运动剧烈的差值图像的背景结构，从而能够从造影图像序列中精准地提取出血管层。
在上述实施例的基础上，作为一种可选的实施例，对第一差值图像序列进行时间约束处理，获取初始血管层，包括：对第一差值图像序列的每一帧图像建立对应的第一低秩稀疏目标函数；按照第一差值图像序列获取的时间顺序，将第一差值图像序列的第一帧图像对应的第一低秩稀疏目标函数的子空间基进行随机初始化，得到第一帧图像对应的第一低秩稀疏目标函数的血管层和子空间基的系数；将第一帧图像对应的第一低秩稀疏目标函数的血管层和子空间基的系数，作为第二帧图像对应的第一低秩稀疏目标函数的血管层和子空间基的系数，得到第二帧图像的对应的第一低秩稀疏目标函数的子空间基；按照第一帧图像至第二帧图像的处理方法，依次重复交替得到第三帧图像至最后一帧图像相邻两帧图像对应的第一低秩稀疏目标函数的子空间基和第一低秩稀疏目标函数的血管层与子空间基的系数，获取第一背景层和初始血管层。
具体地，图2为本发明实施例提供的对第一差值图像序列进行时间约束处理的流程示意图。如图2所示，包括：
(1)假设第一差值图像序列由低秩和稀疏两部分构成，且低秩部分对应于图像中的背景层，而稀疏部分对应于图像中的血管层，从而对第一差值图像序列的每一帧图像建立对应的第一低秩稀疏目标函数，如下所示：
其中，I表示第一差值图像序列1，B为第一背景层1，V为初始血管层，λ1和λ2为正则化参数，||·||F代表Frobenius范数，||·||*代表核范数，||·||1代表l1范数。
将B＝L×C，代入上述第一低秩稀疏目标函数，得到最终目标函数：
其中，L为子空间基，C为子空间基的系数，V为血管层，N为第一差值图像序列的帧数，Ii为第i帧图像，Li为第i帧图像的子空间基，Ci为第i帧图像的子空间基的系数，||·||2代表l2范数。
(2)按照第一差值图像序列获取的时间顺序，将第一差值图像序列的第一帧图像对应的第一低秩稀疏目标函数的子空间基进行随机初始化，例如，初始化为全1矩阵。那么第一帧图像的L为已知的，代入到上述公式2中，并使用加速近端梯度(AccelerateProximal Gradient，简称APG)算法进行求解得到第一帧图像对应的C和V，最终得到第一帧图像对应的L1、C1和V1，由于B1＝L1×C1，第一帧图像对应的背景层B1和血管层V1就得到了求解，从而实现第一帧图像的层分解。
(3)将第一帧图像的C1和V1，分别作为第二帧图像对应的子空间基系数和血管层，代入到公式2中，通过最小化目标函数，求得第2帧的子空间基L2，B2＝L2×C2，第二帧图像对应的背景层B2和血管层V2就得到了求解，从而实现第二帧图像的层分解。
(4)按照第一帧图像至第二帧图像的处理方法，依次重复交替得到第三帧图像至最后一帧图像相邻两帧图像对应的第一低秩稀疏目标函数的子空间基和第一低秩稀疏目标函数的血管层与子空间基的系数，按照每帧图像获取的时间顺序得到每帧图像所对应的血管层和背景层。将上述所有的背景层集合得到第一背景层，上述所有的血管层集合得到初始血管层。
本发明实施例通过按照每帧图像获取的时间顺序，依次重复交替优化每帧图像对应的第一低秩稀疏目标函数的子空间基和第一低秩稀疏目标函数的血管层与子空间基的系数，有效地利用上一帧图像运动信息，对下一帧图像进行处理，能够得到准确的背景层和血管层。
在上述实施例的基础上，作为一种可选的实施例，对第二差值图像序列进行空间约束处理，获取血管层，包括：对第二差值图像序列的每一帧图像建立对应的第二低秩稀疏目标函数；将第二差值图像序列的每一帧图像对应的第二低秩稀疏目标函数的子空间基都初始化为全1矩阵，得到第二差值图像序列每一帧图像对应的第二低秩稀疏目标函数的血管层和子空间基的系数，获取第二背景层和血管层。
具体地，图3为本发明实施例提供的对第二差值图像序列进行空间约束处理的流程示意图。如图3所示，包括：
(1)假设第二差值图像序列由低秩和稀疏两部分构成，且低秩部分对应于图像中的背景层，而稀疏部分对应于图像中的血管层，对第二差值图像序列的每一帧图像建立对应的第二低秩稀疏目标函数，其公式参见上式(1)。
将B＝L×C，带入上述第二低秩稀疏目标函数，得到最终目标函数，其公式参见上式(2)。
(2)将第二差值图像序列的第一帧图像对应的第二低秩稀疏目标函数的子空间基全部初始化为全1矩阵。
(3)优化子空间基系数和血管层。每帧图像的L为已知的，为全1矩阵，代入到上述公式3中，并使用加速近端梯度(Accelerate Proximal Gradient，简称APG)算法进行求解得到每帧图像对应的C和V，最终得到第i帧图像对应的Li、Ci和Vi，由于Bi＝Li×Ci，第i帧图像对应的背景层Bi和血管层Vi就得到了求解，从而实现第i帧图像的层分解。
(4)将每帧图像对应的背景层集合得到第二背景层，将每帧图像对应的血管层集合得到血管层。
本发明实施例通过将第二差值图像序列每帧图像对应的子空间基优化为全1矩阵，然后重复优化每帧图像对应的第二低秩稀疏目标函数的血管层与子空间基的系数，有效地空间约束能够有效地抑制图像中的噪声，平滑运动剧烈的图像的背景结构，从而能够从造影图像序列中精准地提取出血管层。
在上述实施例的基础上，作为一种可选的实施例，第一背景层和第二背景层，相加得到背景层。
具体地，对第一差值图像序列进行时间约束处理，得到第一差值图像对应的第一背景层。对第二差值图像序列进行空间约束处理，得到第二差值图像序列对应的第二背景层。将第一背景层和第二背景层相加，得到背景层，作为造影图像序列的最终的背景层。
在上述实施例的基础上，作为一种可选的实施例，从造影图像序列中获取第一差值图像序列，包括：使用形态学闭操作从造影图像序列中提取第一呼吸层，将造影图像序列与第一呼吸层相减，获取第一差值图像序列。
具体地，使用形态学闭操作对造影图像进行处理，可以去除图像中的鸿沟，且其去除的尺寸与结构元素的大小有直接的关系。因而，合理选用适当大小的结构元素就能够去除图像中的血管和导管区域。首先使用适当大小的结构元素对造影图像中的每帧图像先进行膨胀处理，将膨胀处理后的每帧图像使用相同的结构元素进行腐蚀，从而去除每帧图像中的血管和导管区域，从而提取每帧图像对应的第一呼吸层。将每帧图像对应的第一呼吸层进行集合，就得到了造影图像序列的第一呼吸层。再将造影图像序列与第一呼吸层相减，进行差值图像处理，就得到第一差值图像序列。
本发明实施例通过对造影图像序列进行形态学闭操作处理，有效地去除了造影图像序列中的呼吸运动伪影的干扰。
在上述实施例的基础上，作为一种可选的实施例，从初始血管层中提取第二差值图像序列，包括：使用形态学闭操作从初始血管层中提取第二呼吸层，将初始血管层与第二呼吸层相减，获取第二差值图像序列。
具体地，首先使用适当大小的结构元素对初始血管层中的每帧图像先进行膨胀处理，将膨胀处理后的每帧图像使用相同的结构元素进行腐蚀，从而去除每帧图像中的血管和导管区域，从而提取每帧图像对应的第二呼吸层。将每帧图像对应的第二呼吸层进行集合，就得到了初始血管层的第二呼吸层。再将初始血管层与第二呼吸层相减，进行差值图像处理，就得到第二差值图像序列。
本发明实施例，通过对初始血管层进行形态学闭操作处理，有效地去除时间约束层处理操作所引入到初始血管层中的运动伪影，排除了初始血管层中的呼吸运动伪影的干扰。
在上述实施例的基础上，作为一种可选的实施例，第一呼吸层和第二呼吸层，相加得到呼吸层。
具体地，通过形态学闭操作对造影图像序列进行处理，提取出第一呼吸层。通过形态学闭操作对初始血管层进行处理，提取出第二呼吸层。将第一呼吸层和第二呼吸层相加，得到呼吸层，作为造影图像序列的最终的呼吸层。
图4为本发明实施例提供的从造影图像序列中提取血管的方法的具体流程示意图。如图4所示，对造影图像序列进行形态学闭操作处理，提取得到第一呼吸层和第一差值图像序列；对第一差值图像序列进行时间约束处理，得到第一背景层和初始血管层；对初始血管层进行形态学闭操作处理，得到第二呼吸层和第二差值图像序列；对第二差值图像序列进行空间约束处理，得到第二背景层和血管层。第一呼吸层与第二呼吸层相加，得到呼吸层；第一背景层与第二背景层相加，得到背景层。
本发明实施例通过形态学闭操作提取造影图像序列和初始血管层的呼吸层，并对差值图像序列先后进行时间约束处理和空间约束处理。其中时间约束能够有效地利用之前图像帧的运动信息，得到准确的背景结构，空间约束能够有效地抑制图像中的噪声，平滑运动剧烈的图像的背景结构，从而能够从造影图像序列中精准地提取出呼吸层、背景层和血管层，从而得到精准的血管结构。
图5为本发明实施例提供的从造影图像序列中提取血管的装置的结构示意图。如图5所示，该装置包括：第一提取模块51、时间约束模块52、第二提取模块53和空间约束模块54。其中，第一提取模块51用于从造影图像序列中获取第一差值图像序列；时间约束模块52用于对第一差值图像序列进行时间约束处理，获取初始血管层；第二提取模块53用于从初始血管层中获取第二差值图像序列；空间约束模块54用于对第二差值图像序列进行空间约束处理，获取血管层。
具体地，造影图像是将显影剂注入到血管后，利用X光无法穿透显影剂的特性，所得到的显影剂在X光下显示的影像。因而，造影图像可以准确地反映血管病变的部位和程度。造影图像序列是由多帧造影图像组成的。第一提取模块51从造影图像序列中的每帧图像里提取出每帧图像的呼吸层，并将每帧图像的呼吸层集合，进而得到造影图像序列的呼吸层。第一提取模块51将图像造影序列减去上述造影图像的呼吸层，就得到了第一差值图像序列。
时间约束模块52对第一差值图像序列中每帧图像建立对应的第一低秩稀疏目标函数。其中，低秩部分代表第一差值图像的背景层，稀疏部分代表第一差值图像的血管层；低秩成分由子空间基及其系数的乘积来表示。时间约束模块52按照第一差值图像序列中每帧图像的获取的时间顺序，对每帧图像的第一低秩稀疏目标函数，进行层分解，分解出每帧图像对应的背景层和血管层。上述每帧图像对应的背景层的集合就是第一差值图像序列对应的第一背景层，上述每帧图像对应的血管层的集合就是第一差值图像序列对应的初始血管层。
第二提取模块53从上述初始血管层中的每帧图像里提取出每帧图像的呼吸层，并将每帧图像的呼吸层集合，进而得到初始血管层的呼吸层。第二提取模块53将初始血管层减去上述初始血管层的呼吸层，就得到了第二差值图像序列。
空间约束模块54对第二差值图像序列中每帧图像建立对应的第二低秩稀疏目标函数。其中，低秩部分代表第二差值图像的背景层，稀疏部分代表第二差值图像的血管层；低秩成分由子空间基及其系数的乘积来表示。空间约束模块54将每帧图像对应的子空间基都初始化为全1矩阵，对每帧图像的第二低秩稀疏目标函数，进行层分解，分解出每帧图像对应的背景层和血管层。上述每帧图像对应的背景层的集合就是第二差值图像序列对应的第二背景层，上述每帧图像对应的血管层的集合就是第二差值图像序列对应的血管层。
本发明实施例通过时间约束模块对第一差值图像序列进行时间约束处理；通过空间约束模块对第二差值图像进行空间约束处理。其中时间约束能够有效地利用有效地利用上一帧图像运动信息，对下一帧图像进行处理，能够得到准确的背景结构，空间约束能够有效地抑制差值图像中的噪声，平滑运动剧烈的差值图像的背景结构，从而能够从造影图像序列中精准地提取出血管层。
在上述实施例的基础上，作为一种可选的实施例，时间约束模块52用于对第一差值图像序列进行时间约束处理，获取初始血管层，包括：时间约束模块52对第一差值图像序列的每一帧图像建立对应的第一低秩稀疏目标函数；时间约束模块52按照第一差值图像序列获取的时间顺序，将第一差值图像序列的第一帧图像对应的第一低秩稀疏目标函数的子空间基进行随机初始化，得到第一帧图像对应的第一低秩稀疏目标函数的血管层和子空间基的系数；时间约束模块52将第一帧图像对应的第一低秩稀疏目标函数的血管层和子空间基的系数，作为第二帧图像对应的第一低秩稀疏目标函数的血管层和子空间基的系数，得到第二帧图像的对应的第一低秩稀疏目标函数的子空间基；时间约束模块52按照第一帧图像至第二帧图像的处理方法，依次重复交替得到第三帧图像至最后一帧图像相邻两帧图像对应的第一低秩稀疏目标函数的子空间基和第一低秩稀疏目标函数的血管层与子空间基的系数，获取第一背景层和初始血管层。
在上述实施例的基础上，作为一种可选的实施例，空间约束模块54，用于对第二差值图像序列进行空间约束处理，获取血管层，包括：空间约束模块54对第二差值图像序列的每一帧图像建立对应的第二低秩稀疏目标函数；空间约束模块54将第二差值图像序列的每一帧图像对应的第二低秩稀疏目标函数的子空间基都初始化为全1矩阵，得到第二差值图像序列每一帧图像对应的第二低秩稀疏目标函数的血管层和子空间基的系数，获取第二背景层和血管层。
在上述实施例的基础上，作为一种可选的实施例，第一背景层和第二背景层，相加得到背景层。
在上述实施例的基础上，作为一种可选的实施例，第一提取模块51，用于从造影图像序列中获取第一差值图像序列，包括：第一提取模块51使用形态学闭操作从造影图像序列中提取第一呼吸层，将造影图像序列与第一呼吸层相减，获取第一差值图像序列。
在上述实施例的基础上，作为一种可选的实施例，第二提取模块53，用于从初始血管层中提取第二差值图像序列，包括：第二提取模块53使用形态学闭操作从初始血管层中提取第二呼吸层，将初始血管层与第二呼吸层相减，获取第二差值图像序列。
在上述实施例的基础上，作为一种可选的实施例，第一呼吸层和第二呼吸层，相加得到呼吸层。
图6为本发明实施例提供的一种电子设备的实体结构示意图。如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和总线640，其中，处理器610，通信接口620，存储器630通过总线640完成相互间的通信。通信接口640可以用于从电子设备与造影图像序列中提取血管的装置之间的信息传输。处理器610可以调用存储器630中的逻辑指令，以执行如下方法：从造影图像序列中获取第一差值图像序列；对第一差值图像序列进行时间约束处理，获取初始血管层；从初始血管层中获取第二差值图像序列；对第二差值图像序列进行空间约束处理，获取血管层。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使计算机执行上述实施例所提供的从造影图像序列中提取血管的方法，例如包括：从造影图像序列中获取第一差值图像序列；对第一差值图像序列进行时间约束处理，获取初始血管层；从初始血管层中获取第二差值图像序列；对第二差值图像序列进行空间约束处理，获取血管层。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种从造影图像序列中提取血管的方法，其特征在于，包括：
从造影图像序列中获取第一差值图像序列；
对所述第一差值图像序列进行时间约束处理，获取初始血管层；
从所述初始血管层中获取第二差值图像序列；
对所述第二差值图像序列进行空间约束处理，获取血管层。
2.根据权利要求1所述的从造影图像序列中提取血管的方法，其特征在于，所述对所述第一差值图像序列进行时间约束处理，获取初始血管层，包括：
对所述第一差值图像序列的每一帧图像建立对应的第一低秩稀疏目标函数；
按照所述第一差值图像序列获取的时间顺序，将所述第一差值图像序列的第一帧图像对应的所述第一低秩稀疏目标函数的子空间基进行随机初始化，得到所述第一帧图像对应的所述第一低秩稀疏目标函数的血管层和子空间基的系数；
将所述第一帧图像对应的所述第一低秩稀疏目标函数的血管层和子空间基的系数，作为第二帧图像对应的所述第一低秩稀疏目标函数的血管层和子空间基的系数，得到所述第二帧图像对应的所述第一低秩稀疏目标函数的子空间基；
按照第一帧图像至第二帧图像的处理方法，依次重复交替得到第三帧图像至最后一帧图像相邻两帧图像对应的第一低秩稀疏目标函数的子空间基和第一低秩稀疏目标函数的血管层与子空间基的系数，获取第一背景层和初始血管层。
3.根据权利要求2所述的从造影图像序列中提取血管的方法，其特征在于，所述对所述第二差值图像序列进行空间约束处理，获取血管层，包括：
对所述第二差值图像序列的每一帧图像建立对应的第二低秩稀疏目标函数；
将所述第二差值图像序列的每一帧图像对应的第二低秩稀疏目标函数的子空间基都初始化为全1矩阵，得到所述第二差值图像序列每一帧图像对应的第二低秩稀疏目标函数的血管层和子空间基的系数，获取第二背景层和血管层。
4.根据权利要求3所述的从造影图像序列中提取血管的方法，其特征在于，所述第一背景层和所述第二背景层，相加得到背景层。
5.根据权利要求1所述的从造影图像序列中提取血管的方法，其特征在于，所述从造影图像序列中获取第一差值图像序列，包括：
使用形态学闭操作从所述造影图像序列中提取第一呼吸层，将所述造影图像序列与所述第一呼吸层相减，获取所述第一差值图像序列。
6.根据权利要求5所述的从造影图像序列中提取血管的方法，其特征在于，所述从所述初始血管层中提取第二差值图像序列，包括：
使用形态学闭操作从所述初始血管层中提取第二呼吸层，将所述初始血管层与所述第二呼吸层相减，获取所述第二差值图像序列。
7.根据权利要求6所述的从造影图像序列中提取血管的方法，其特征在于，所述第一呼吸层和所述第二呼吸层，相加得到呼吸层。
8.一种从造影图像序列中提取血管的装置，其特征在于：包括：
第一提取模块，用于从造影图像序列中获取第一差值图像序列；
时间约束模块，用于对所述第一差值图像序列进行时间约束处理，获取初始血管层；
第二提取模块，用于从所述初始血管层中获取第二差值图像序列；
空间约束模块，用于对所述第二差值图像序列进行空间约束处理，获取血管层。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述从造影图像序列中提取血管的方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述从造影图像序列中提取血管的方法的步骤。
CN201810792905.5A 2018-07-18 2018-07-18 从造影图像序列中提取血管的方法及装置 Active CN109166097B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810792905.5A CN109166097B (zh) 2018-07-18 2018-07-18 从造影图像序列中提取血管的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810792905.5A CN109166097B (zh) 2018-07-18 2018-07-18 从造影图像序列中提取血管的方法及装置

Publications (2)

Publication Number Publication Date
CN109166097A true CN109166097A (zh) 2019-01-08
CN109166097B CN109166097B (zh) 2021-04-20

Family

ID=64897877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810792905.5A Active CN109166097B (zh) 2018-07-18 2018-07-18 从造影图像序列中提取血管的方法及装置

Country Status (1)

Country Link
CN (1) CN109166097B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052805A (zh) * 2021-03-09 2021-06-29 西北工业大学 X射线血管造影序列图像的静态背景分离方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102812494A (zh) * 2010-03-12 2012-12-05 皇家飞利浦电子股份有限公司 血管造影图像中的运动可视化
US8929632B2 (en) * 2011-09-22 2015-01-06 Siemens Aktiengesellschaft Temporal difference encoding for angiographic image sequences
US20160071266A1 (en) * 2014-09-08 2016-03-10 The Cleveland Clinic Foundation Automated analysis of angiographic images
EP2994879A1 (en) * 2013-04-03 2016-03-16 Koninklijke Philips N.V. Vessel segmentation
CN107106102A (zh) * 2015-01-05 2017-08-29 皇家飞利浦有限公司 数字减影血管造影
CN107680052A (zh) * 2017-09-18 2018-02-09 广州慧扬健康科技有限公司 基于pca的血管造影图像血管增强系统
CN107993220A (zh) * 2017-11-14 2018-05-04 北京理工大学 X射线造影图像中血管结构的提取方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102812494A (zh) * 2010-03-12 2012-12-05 皇家飞利浦电子股份有限公司 血管造影图像中的运动可视化
US8929632B2 (en) * 2011-09-22 2015-01-06 Siemens Aktiengesellschaft Temporal difference encoding for angiographic image sequences
EP2994879A1 (en) * 2013-04-03 2016-03-16 Koninklijke Philips N.V. Vessel segmentation
US20160071266A1 (en) * 2014-09-08 2016-03-10 The Cleveland Clinic Foundation Automated analysis of angiographic images
CN107106102A (zh) * 2015-01-05 2017-08-29 皇家飞利浦有限公司 数字减影血管造影
CN107680052A (zh) * 2017-09-18 2018-02-09 广州慧扬健康科技有限公司 基于pca的血管造影图像血管增强系统
CN107993220A (zh) * 2017-11-14 2018-05-04 北京理工大学 X射线造影图像中血管结构的提取方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HUA MA ET AL: "Layer Separation for Vessel Enhancement in Interventional X-ray Angiograms Using Morphological Filtering and Robust PCA", 《AUGMENTED ENVIRONMENTS FOR COMPUTER-ASSISTED INTERVENTIONS》 *
HUAMA ET AL: "Automatic online layer separation for vessel enhancement in X-ray angiograms for percutaneous coronary interventions", 《MEDICAL IMAGE ANALYSIS》 *
MINGXIN JIN ET AL: "Extracting contrast-filled vessels in X-ray angiography by graduated RPCA with motion coherency constraint", 《PATTERN RECOGNITION》 *
吴骏等: "结合自适应脉冲耦合神经网络和最大类间方差准则的眼底图像血管自动检测方法", 《电子与信息学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052805A (zh) * 2021-03-09 2021-06-29 西北工业大学 X射线血管造影序列图像的静态背景分离方法

Also Published As

Publication number Publication date
CN109166097B (zh) 2021-04-20

Similar Documents

Publication Publication Date Title
CN112997215B (zh) 利用机器学习和影像处理算法对医疗影像的血管自动地进行区域化的方法及系统
EP1595228B1 (en) Method for the 3d modeling of a tubular structure
JP6912168B2 (ja) ３ｄ＋時間再構成を改良する方法および装置
US9375191B2 (en) Method and apparatus for determining three-dimensional reconstruction of an object
CN112164020A (zh) 精确提取血管中心线的方法、装置、分析系统和存储介质
US8989461B2 (en) Method of deformable motion correction and image registration in X-ray stent imaging
US20100189337A1 (en) Method for acquiring 3-dimensional images of coronary vessels, particularly of coronary veins
KR20080042082A (ko) 자동 4ｄ관상 모델링 및 모션 벡터 필드 평가를 위한 방법및 장치
CN110786842B (zh) 测量舒张期血流速度的方法、装置、系统及存储介质
CN112419484A (zh) 三维血管合成方法、系统及冠状动脉分析系统和存储介质
CN113935976A (zh) 一种增强ct图像的脏器内血管自动分割方法及系统
CN112155580B (zh) 基于造影图像修正血流速度和微循环参数的方法及装置
JP2007512070A (ja) 投影撮影像からのオブジェクトの三次元再構築方法及び装置
Müller et al. Evaluation of interpolation methods for surface‐based motion compensated tomographic reconstruction for cardiac angiographic C‐arm data
CN111932652B (zh) 一种基于血流量参数的冠状动脉建模动态调整方法
CN109166097A (zh) 从造影图像序列中提取血管的方法及装置
Sheng et al. Extraction method of coronary artery blood vessel centerline in CT coronary angiography
KR102350998B1 (ko) 혈관 특징 정보 기반 다중 모달리티 비강체 정합 방법, 이를 수행하기 위한 기록 매체 및 장치
CN112790778A (zh) 采集错误对齐
EP3667618A1 (en) Deep partial-angle coronary restoration
Zhang et al. Coronary artery motion modeling from 3D cardiac CT sequences using template matching and graph search
Atlı et al. 3D reconstruction of coronary arteries using deep networks from synthetic X-ray angiogram data
Sarkar Deep Learning in Medical Imaging
Rohkohl Motion estimation and compensation for interventional cardiovascular image reconstruction
US20230368398A1 (en) Anatomical and functional assessment of coronary artery disease using machine learning

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