CN109377504A - 一种颅内动脉血管图像分割方法及系统 - Google Patents
一种颅内动脉血管图像分割方法及系统 Download PDFInfo
- Publication number
- CN109377504A CN109377504A CN201811261575.3A CN201811261575A CN109377504A CN 109377504 A CN109377504 A CN 109377504A CN 201811261575 A CN201811261575 A CN 201811261575A CN 109377504 A CN109377504 A CN 109377504A
- Authority
- CN
- China
- Prior art keywords
- value
- pixel
- seed point
- dsa image
- dimensional dsa
- 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
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/30016—Brain
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种颅内动脉血管图像分割方法及系统。该方案包括:在三维DSA图像中,选取种子点和确定灰度范围;基于选取种子点和确定灰度范围,采用区域生长法分割出颅内动脉血管图像。该方案提供了一种分割噪声干扰小、分割运算效率较高的颅内动脉血管图像分割方法。
Description
技术领域
本申请涉及医学影像领域,尤其涉及一种颅内动脉血管图像分割方法及系统。
背景技术
随着现代医学影像设备的不断进步与发展,医学影像技术和计算机图形学的发展给医学带来了巨大的变化,计算机断层成像(CT)、核磁共振(MRI)、超声(US)、正电子发射计算机断层成像(PET)、数字减影血管造影(Digital Subtraction Angiography,DSA)等医学影像技术已经广泛应用于临床医疗的诊断。DSA是一种新的X线成像系统,是常规血管造影术和电子计算机图像处理技术相结合的产物,也可以说是通过计算机把血管造影片上的骨与软组织的影像消除,仅在影像片上突出血管的一种摄影技术。
DSA的基本原理是将注入造影剂前后拍摄的两帧X线图像经数字化输入图像计算机,通过剪影、增强和再成像过程来获得清晰的纯血管影像,同时实时地显现血管影。DSA具有对比度分辨率高、检查时间短、造影剂用量少,浓度低、患者X线吸收量明显降低以及节省胶片等优点,在血管疾患的临床诊断中,具有十分重要的意义。DSA因其成像特点成为颅内动脉血管图像畸形和动脉瘤诊断的金标准。
但现有技术中,颅内动脉血管图像分割方法进行分割时,噪声干扰大、分割运算效率低。
发明内容
本申请提供了一种颅内动脉血管图像分割方法,包括:
在三维DSA图像中,选取种子点和确定灰度范围;
基于选取种子点和确定灰度范围,采用区域生长法分割出颅内动脉血管图像。
进一步地,在三维DSA图像中,选取种子点,包括:选取三维DSA图像中灰度最大的像素点作为种子点或者选取三维DSA图像中灰度第二大的像素点作为种子点。
进一步地,在三维DSA图像中,确定灰度范围,包括:确定最小灰度阈值和确定最大灰度阈值。
进一步地,选取最小灰度阈值,包括:提取三维DSA图像像素值的值域,得到三维DSA图像像素值的最大值和三维DSA图像像素值的最小值,所述最小值的两倍与最大值进行三等分,得到三等分值作为确定的最小灰度阈值。
进一步地,选取最大灰度阈值,包括:提取三维DSA图像像素值的值域,得到三维DSA图像像素值的最大值,所述最大值作为确定的最大灰度阈值。
进一步地,基于选取种子点和确定灰度范围,采用区域生长法分割出颅内动脉血管图像,包括:进行区域生长时,以待判断点为中心像素点,根据距离中心像素点一个像素范围内的像素点与种子点的联通关系和中心像素点的灰度值是否属于灰度范围,判断中心像素点是否属于目标血管区域,其中,所述目标血管区域的像素点可以作新的种子点。
本申请还提供了一种颅内动脉血管图像分割系统,包括:
选取模块,用于在三维DSA图像中,选取种子点和确定灰度范围;输入三维DSA图像;
分割模块,用于基于选取种子点和确定灰度范围,采用区域生长法分割出颅内动脉血管图像。
进一步地,选取模块,在三维DSA图像中,选取种子点,包括:选取三维DSA图像中灰度最大的像素点作为种子点或者选取三维DSA图像中灰度第二大的像素点作为种子点。
进一步地,选取模块,在三维DSA图像中,确定灰度范围,包括:确定最小灰度阈值和确定最大灰度阈值。
进一步地,选取模块,选取最小灰度阈值,包括:提取三维DSA图像像素值的值域,得到三维DSA图像像素值的最大值和三维DSA图像像素值的最小值,所述最小值的两倍与最大值进行三等分,得到三等分值作为确定的最小灰度阈值。
进一步地,选取模块,选取最大灰度阈值,包括:提取三维DSA图像像素值的值域,得到三维DSA图像像素值的最大值,所述最大值作为确定的最大灰度阈值。
进一步地,分割模块,所述基于选取种子点和确定灰度范围,采用区域生长法分割出颅内动脉血管图像,包括:进行区域生长时,以待判断点为中心像素点,根据距离中心像素点一个像素范围内的像素点与种子点的联通关系和中心像素点的灰度值是否属于灰度范围,判断中心像素点是否属于目标血管区域,其中,所述目标血管区域的像素点可以作新的种子点。
本申请实施例采用的上述至少一个技术方案能够达到以下有效效果:该方案提供了一种分割噪声干扰小、分割运算效率较高的颅内动脉血管图像分割方法。
附图说明
图1为本申请实施例提供的一种颅内动脉血管图像分割方法的流程示意图;
图2为本申请实施例提供的三维DSA图像的颅内动脉血管图像分割前图像和三维DSA图像的颅内动脉血管分割后图像;
图3为本申请实施例提供的一种颅内动脉血管图像分割方法的详细操作方法示意图;
图4为本申请实施例提供的一种颅内动脉血管图像分割系统的流程示意图。
具体实施方式
本申请实施例提供一种颅内动脉血管图像分割方法及系统,用以解决DSA图像分割的噪声干扰大和运算效率低的问题,从而有效减少DSA图像分割的噪声干扰,提升运算效率。
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参见图1,本申请实施例提供了一种颅内动脉血管图像分割方法,包括:
S101:在三维DSA图像中,选取种子点和确定灰度范围;
S102:基于选取种子点和确定灰度范围,采用区域生长法分割出颅内动脉血管图像。
本申请实施例中,上述步骤中种子点指的是起始点,该种子点是后续进行区域生长的起始点。
本申请实施例中,上述步骤中灰度指的是把白色与黑色之间按对数关系分为若干等级,称为灰度。在计算机领域中,灰度数字图像是每个像素只有一个采样颜色的图像。这类图像通常显示为从最暗黑色到最亮的白色的灰度,尽管理论上这个采样可以任何颜色的不同深浅,甚至可以是不同亮度上的不同颜色。在计算机图像领域中,灰度图像在黑色与白色之间还有许多级的颜色深度。
本申请实施例中,上述步骤中区域生长方法是将图像中具有类似特性的点进行合并,形成区域并向更大区域发展的过程,直至所有性质相似的像素点全部并入该区域。区域生长法也可以说是根据灰度范围将与种子点联通域的像素提取出来,具体为以种子点为起点,然后随着中心像素点的移动,判断距离中心像素点一个像素的邻域内的像素是否符合灰度范围,将符合灰度范围的像素筛选出来,进行区域生长。
本申请实施例中,在三维DSA图像中,选取种子点,包括:选取三维DSA图像中灰度最大的像素点作为种子点或者选取三维DSA图像中灰度第二大的像素点作为种子点。
上述选取种子点时,以图像中灰度最大的像素点为种子点,实际计算时,也可以不以此种方式,由于DSA很好的图像质量,图像中灰度第二大的像素点也表示血管区域,以此类点作为种子点进行区域生长,也可以实现颅内动脉血管图像的分割,具体可根据实际情况而定,不构成本申请的限定。
本申请实施例中,在三维DSA图像中,确定灰度范围,包括:确定最小灰度阈值和确定最大灰度阈值。
上述选取最小灰度阈值指的是根据图像像素值通过数学关系确定的最小灰度值,是灰度范围的下限值;选取最大灰度阈值指的是根据图像像素值通过数学关系确定的最大灰度值,是灰度范围的上限值。
本申请实施例中,选取最小灰度阈值,包括:提取三维DSA图像像素值的值域,得到三维DSA图像像素值的最大值和三维DSA图像像素值的最小值,所述最小值的两倍与最大值进行三等分,得到三等分值作为确定的最小灰度值。
本申请实施例中,如果最小像素值作为最小灰度阈值,会引入不必要的噪声和计算量的增加。因此,选取最小灰度阈值是根据图像像素值通过数学关系确定的最小灰度阈值,在实际计算时,由于DSA图像质量本身较好,可以采用不同的数学关系,具体根据实际情况而定,不构成本申请的限定。选择其他数学关系,例如:图像最小值的像素值3倍与图像最大值的像素值进行四等分,得到最小灰度阈值。
本申请实施例中,选取最大灰度值,包括:提取三维DSA图像像素值的值域,得到三维DSA图像像素值的最大值,所述最大值作为确定的最大灰度阈值。
本申请实施例中,基于选取种子点和确定灰度范围,采用区域生长法分割出颅内动脉血管图像,包括:进行区域生长时,以待判断点为中心像素点,根据距离中心像素点一个像素范围内的像素点与种子点的联通关系和中心像素点的灰度值是否属于灰度范围,判断中心像素点是否属于目标血管区域,其中,所述目标血管区域的像素点可以作新的种子点。
本申请实施例中,参见图2,由图2中左图分割前的图像,按照下述方法进行分割,得到图2右图分割后的图像。根据灰度范围判断距离中心像素点一个像素范围内的像素点是否属于目标区域,当然也可以是根据灰度范围判断距离中心像素点两个像素范围内的像素点是否属于目标区域,具体判断距离中心像素点几个像素范围内的像素点是否属于目标区域,可根据实际情况而定,本申请不做具体限定。需要说明的是,距离中心像素点一个像素范围内的像素点或者距离中心像素点几个像素范围内的像素点与种子点是联通关系。
下面结合一个完整的实施例进行举例说明。
本申请实施例种子点的选取可以是最大像素点值也可以是第二大像素点值。本申请以种子点选取为最大像素点;并且,三维DSA图像像素值的最大值和三维DSA图像像素值的最小值,所述最小值的两倍与最大值进行三等分,得到三等分值作为确定的最小灰度值,进行举例说明,参见图3。
S301:输入三维DSA图像。将图像格式转为DICOM格式。
S303:选取种子点。在三维DSA的DICOM格式图像中,选取最大像素值点作为种子点。
S305:确定灰度范围。由上述最小灰度阈值与最大灰度阈值构成的区间作为灰度范围。
S307:采用区域生长法,进行颅内血管分割。从种子点为起始点,进行区域生长时,以待判断点为中心像素点,根据距离中心像素点一个像素范围内的像素点与种子点的联通关系和中心像素点的灰度值是否属于灰度范围,判断中心像素点是否属于目标血管区域,其中,所述目标血管区域的像素点可以作新的种子点。
S309:输出分割后的颅内血管图像。
参见图4,本申请还提供了一种颅内动脉血管图像分割系统,包括:
选取模块402,用于在三维DSA图像中,选取种子点和确定灰度范围;
分割模块404,用于基于选取种子点和确定灰度范围,采用区域生长法分割出颅内动脉血管图像。
本申请实施例中,选取模块,在三维DSA图像中,选取种子点,包括:选取三维DSA图像中灰度最大的像素点作为种子点或者选取三维DSA图像中灰度第二大的像素点作为种子点。
本申请实施例中,选取模块,在三维DSA图像中,确定灰度范围,包括:确定最小灰度阈值和确定最大灰度阈值。
本申请实施例中,选取模块,选取最小灰度阈值,包括:提取三维DSA图像像素值的值域,得到三维DSA图像像素值的最大值和三维DSA图像像素值的最小值,所述最小值的两倍与最大值进行三等分,得到三等分值作为确定的最小灰度阈值。
本申请实施例中,选取模块,选取最大灰度阈值,包括:提取三维DSA图像像素值的值域,得到三维DSA图像像素值的最大值,所述最大值作为确定的最大灰度阈值。
本申请实施例中,分割模块,所述基于选取种子点和确定灰度范围,采用区域生长法分割出颅内动脉血管图像,包括:进行区域生长时,以待判断点为中心像素点,根据距离中心像素点一个像素范围内的像素点与种子点的联通关系和中心像素点的灰度值是否属于灰度范围,判断中心像素点是否属于目标血管区域,其中,所述目标血管区域的像素点可以作新的种子点。
本申请通过在三维DSA图像中,选取种子点和确定灰度范围;基于选取种子点和确定灰度范围,采用区域生长法分割出颅内动脉血管图像,从而有效减少DSA图像分割的噪声干扰,提升运算效率。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备和介质类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可,这里就不再一一赘述。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤或模块可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请的实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
内存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)。内存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),如调制的数据信编号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请中一个或多个的实施例可提供为方法、系统或计算机程序产品。因此,本申请的实施例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形式。而且,本申请的实施例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。
本申请的实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请的实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述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,本申请的实施例可以有各种更改和变化。凡在本申请的实施例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范围之中。
Claims (12)
1.一种颅内动脉血管图像分割方法,其特征在于,包括:
在三维DSA图像中,选取种子点和确定灰度范围;
基于选取种子点和确定灰度范围,采用区域生长法分割出颅内动脉血管图像。
2.如权利要求1所述的方法,其特征在于,在三维DSA图像中,选取种子点,包括:
选取三维DSA图像中灰度最大的像素点作为种子点或者选取三维DSA图像中灰度第二大的像素点作为种子点。
3.如权利要求2所述的方法,其特征在于,在三维DSA图像中,确定灰度范围,包括:确定最小灰度阈值和确定最大灰度阈值。
4.如权利要求3所述的方法,其特征在于,所述选取最小灰度值,包括:
提取三维DSA图像像素值的值域,得到三维DSA图像像素值的最大值和三维DSA图像像素值的最小值,所述最小值的两倍与最大值进行三等分,得到三等分值作为确定的最小灰度阈值。
5.如权利要求3所述的方法,其特征在于,所述选取最大灰度值,包括:
提取三维DSA图像像素值的值域,得到三维DSA图像像素值的最大值,所述最大值作为确定的最大灰度阈值。
6.如权利要求1所述的方法,其特征在于,所述基于选取种子点和确定灰度范围,采用区域生长法分割出颅内动脉血管图像,包括:
进行区域生长时,以待判断点为中心像素点,根据距离中心像素点一个像素范围内的像素点与种子点的联通关系和中心像素点的灰度值是否属于灰度范围,判断中心像素点是否属于目标血管区域,其中,所述目标血管区域的像素点可以作新的种子点。
7.一种颅内动脉血管图像分割系统,其特征在于,包括:
选取模块,用于在三维DSA图像中,选取种子点和确定灰度范围;
分割模块,用于基于选取种子点和确定灰度范围,采用区域生长法分割出颅内动脉血管图像。
8.如权利要求7所述的系统,其特征在于,选取模块,在三维DSA图像中,选取种子点,包括:
选取三维DSA图像中灰度最大的像素点作为种子点或者选取三维DSA图像中灰度第二大的像素点作为种子点。
9.如权利要求8所述的系统,其特征在于,选取模块,在三维DSA图像中,确定灰度范围,包括:确定最小灰度阈值和确定最大灰度阈值。
10.如权利要求9所述的系统,其特征在于,所述选取模块,选取最小灰度阈值,包括:
提取三维DSA图像像素值的值域,得到三维DSA图像像素值的最大值和三维DSA图像像素值的最小值,所述最小值的两倍与最大值进行三等分,得到三等分值作为确定的最小灰度阈值。
11.如权利要求9所述的系统,其特征在于,所述选取模块,选取最大灰度值,包括:
提取三维DSA图像像素值的值域,得到三维DSA图像像素值的最大值,所述最大值作为确定的最大灰度阈值。
12.如权利要求7所述的系统,其特征在于,所述分割模块,所述基于选取种子点和确定灰度范围,采用区域生长法分割出颅内动脉血管图像,包括:
进行区域生长时,以待判断点为中心像素点,根据距离中心像素点一个像素范围内的像素点与种子点的联通关系和中心像素点的灰度值是否属于灰度范围,判断中心像素点是否属于目标血管区域,其中,所述目标血管区域的像素点可以作新的种子点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811261575.3A CN109377504B (zh) | 2018-10-26 | 2018-10-26 | 一种颅内动脉血管图像分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811261575.3A CN109377504B (zh) | 2018-10-26 | 2018-10-26 | 一种颅内动脉血管图像分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109377504A true CN109377504A (zh) | 2019-02-22 |
CN109377504B CN109377504B (zh) | 2021-11-30 |
Family
ID=65390029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811261575.3A Active CN109377504B (zh) | 2018-10-26 | 2018-10-26 | 一种颅内动脉血管图像分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109377504B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046646A (zh) * | 2019-03-07 | 2019-07-23 | 深圳先进技术研究院 | 图像处理方法、系统、计算设备及存储介质 |
CN116703948A (zh) * | 2023-08-03 | 2023-09-05 | 杭州脉流科技有限公司 | 基于深度神经网络的颅内血管树分割方法和分割装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100272341A1 (en) * | 2002-10-18 | 2010-10-28 | Cornell Research Foundation, Inc. | Method and Apparatus for Small Pulmonary Nodule Computer Aided Diagnosis from Computed Tomography Scans |
US20110081057A1 (en) * | 2009-10-06 | 2011-04-07 | Eigen, Llc | Apparatus for stenosis estimation |
CN104504708A (zh) * | 2014-12-26 | 2015-04-08 | 大连理工大学 | 一种基于毗邻图像特征点集的dsa脑血管图像自动分割方法 |
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 |
CN107203741A (zh) * | 2017-05-03 | 2017-09-26 | 上海联影医疗科技有限公司 | 血管提取方法、装置及其系统 |
CN108388102A (zh) * | 2018-02-12 | 2018-08-10 | 东南大学 | 一种低频抑制的随机多元搜索二值化相位全息图生成方法 |
-
2018
- 2018-10-26 CN CN201811261575.3A patent/CN109377504B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100272341A1 (en) * | 2002-10-18 | 2010-10-28 | Cornell Research Foundation, Inc. | Method and Apparatus for Small Pulmonary Nodule Computer Aided Diagnosis from Computed Tomography Scans |
US20110081057A1 (en) * | 2009-10-06 | 2011-04-07 | Eigen, Llc | Apparatus for stenosis estimation |
CN104504708A (zh) * | 2014-12-26 | 2015-04-08 | 大连理工大学 | 一种基于毗邻图像特征点集的dsa脑血管图像自动分割方法 |
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 |
CN107203741A (zh) * | 2017-05-03 | 2017-09-26 | 上海联影医疗科技有限公司 | 血管提取方法、装置及其系统 |
CN108388102A (zh) * | 2018-02-12 | 2018-08-10 | 东南大学 | 一种低频抑制的随机多元搜索二值化相位全息图生成方法 |
Non-Patent Citations (4)
Title |
---|
ANDERS HEDBLOM: "Blood vessel segmentation for neck and head computed tomography angiography", 《MEDIETEKNIK》 * |
江乾峰: "基于多角度空间特征点集的脑血管分割系统", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
蒲体信 等: "《遥感技术在土地利用调查与监测中的应用》", 30 June 2005 * |
郭云开 等: "《卫星遥感技术及应用》", 31 August 2016 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046646A (zh) * | 2019-03-07 | 2019-07-23 | 深圳先进技术研究院 | 图像处理方法、系统、计算设备及存储介质 |
CN110046646B (zh) * | 2019-03-07 | 2023-06-30 | 深圳先进技术研究院 | 图像处理方法、系统、计算设备及存储介质 |
CN116703948A (zh) * | 2023-08-03 | 2023-09-05 | 杭州脉流科技有限公司 | 基于深度神经网络的颅内血管树分割方法和分割装置 |
CN116703948B (zh) * | 2023-08-03 | 2023-11-14 | 杭州脉流科技有限公司 | 基于深度神经网络的颅内血管树分割方法和分割装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109377504B (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11875503B2 (en) | Method and system for measuring morphological parameters of an intracranial aneurysm image | |
CN109448003B (zh) | 一种颅内动脉血管图像分割方法及系统 | |
RU2571523C2 (ru) | Вероятностная оптимизация сегментации, основанной на модели | |
CN109409503B (zh) | 神经网络的训练方法、图像转换方法、装置、设备及介质 | |
CN109448004B (zh) | 一种基于中心线的颅内血管图像的截取方法及系统 | |
WO2020083374A1 (en) | Method and system for measuring morphological parameters of an intracranial aneurysm image | |
JP4785371B2 (ja) | 動的制約を用いる多次元構造の抽出方法及びシステム | |
CN109472780B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN109472823B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN109584169A (zh) | 一种基于中心线的颅内血管图像的截取方法及系统 | |
CN110517780A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN111598989B (zh) | 一种图像渲染参数设置方法、装置、电子设备及存储介质 | |
CN109584997B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
WO2021098768A1 (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN110517242A (zh) | 一种动脉瘤的分析方法及装置 | |
CN109671066A (zh) | 一种基于头颅ct影像的脑梗死判断的方法及系统 | |
CN109816650A (zh) | 一种基于二维dsa图像的目标区域识别方法及其系统 | |
CN110534193A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN109377504A (zh) | 一种颅内动脉血管图像分割方法及系统 | |
US20140294269A1 (en) | Medical image data processing apparatus and method | |
CN109447967B (zh) | 一种颅内动脉瘤图像的分割方法及系统 | |
CN111223089B (zh) | 一种动脉瘤的检测方法、装置及计算机可读存储介质 | |
CN109472803A (zh) | 一种颅内动脉血管分割方法及系统 | |
JP5122650B2 (ja) | 経路近傍レンダリング | |
CN113940698A (zh) | 基于超声造影的处理方法、超声装置及计算机存储介质 |
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 |