CN109472823B - 一种颅内动脉瘤图像的形态学参数的测量方法及系统 - Google Patents
一种颅内动脉瘤图像的形态学参数的测量方法及系统 Download PDFInfo
- Publication number
- CN109472823B CN109472823B CN201811260404.9A CN201811260404A CN109472823B CN 109472823 B CN109472823 B CN 109472823B CN 201811260404 A CN201811260404 A CN 201811260404A CN 109472823 B CN109472823 B CN 109472823B
- Authority
- CN
- China
- Prior art keywords
- intracranial
- aneurysm
- image
- tumor
- blood vessel
- 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
- G06T7/60—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
- G06T7/0002—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
- G06T7/60—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
- 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
Abstract
本说明书实施例提供一种颅内动脉瘤图像的形态学参数的测量方法及系统。本说明书实施例通过颅内动脉瘤图像的形态学参数的测量,解决了颅内动脉瘤图像的形态学参数测量无法实现全自动测量、测量一致性难以保证的问题。该测量方法包括:从DSA的三维DICOM数据中,分割颅内载瘤血管图像;基于颅内载瘤血管的中心线和半径,分割颅内动脉瘤图像;对所述颅内动脉瘤图像的形态学参数进行测量。本说明书实施例提供的颅内动脉瘤图像的形态学参数的测量方法和系统,能够实现颅内动脉瘤图像测量的自动化,快速的测量颅内动脉瘤图像的形态学参数,保证动脉瘤图像的形态学参数测量结果的一致性。
Description
技术领域
本说明书涉及医学影像领域,尤其涉及一种颅内动脉瘤图像的形态学参数的测量方法及系统。
背景技术
颅内动脉瘤是由颅内动脉内腔的局部异常扩张所致动脉壁的一种瘤状突起,是一种常见的血管性疾病。据报道,颅内未破裂动脉瘤在我国成人中患病率高达7%,破裂后造成蛛网膜下腔出血,可导致严重残疾或死亡。2014年国家统计局数据显示,急性脑血管病是我国人口第二大死亡原因。动脉瘤性蛛网膜下腔出血是继缺血性脑卒中和高血压脑出血之后最常见的急性脑血管疾病,死残率高达64%,约15%的病人院前死亡,不同经济发展水平地区的救治水平差异很大,已经成为引起我国居民死亡的最常见原因之一。由此可见,未破裂动脉瘤筛查及预防工作的及时和有效能够很大程度的降低动脉瘤携带者未来病发的风险。
现有技术中,颅内动脉瘤图像的测量基本靠有经验人员,利用计算机手动测量,测量速度慢,测量结果随机性大,精确度不理想,并且该方式只能测量简单的参数,如线段距离;对于复杂参数,如体积或角度,则手动测量非常不方便,精确度难以保证。动脉瘤测量的改进,主要是模拟建模或者传统手动测量方式的改进,无法实现动脉瘤形态学参数的全自动方式的测量,其一致性难以保证。
因此,需要一种颅内动脉瘤图像的形态学参数测量的自动方法,能够快速测量颅内动脉瘤形态学参数。
发明内容
本说明书实施例提供一种颅内动脉瘤图像的形态学参数的测量方法和系统,用于解决以下技术问题:能够快速的测量颅内动脉瘤图像的形态学参数,保证动脉瘤形态学参数测量结果的一致性。
为解决上述技术问题,本说明书实施例是这样实现的:
本说明书实施例提供的一种颅内动脉瘤图像的形态学参数的测量方法,包括以下步骤:
从DSA的三维DICOM数据中,分割颅内载瘤血管图像;
基于颅内载瘤血管的中心线和半径,分割颅内动脉瘤图像;
对所述颅内动脉瘤图像的形态学参数进行测量。
进一步地,所述从DSA的三维DICOM数据中,分割颅内载瘤血管图像,具体包括:
从DSA的三维DICOM数据上,自动选取种子点,分割颅内载瘤血管图像。
进一步地,所述基于颅内载瘤血管的中心线和半径,分割颅内动脉瘤图像,具体包括:
从所述颅内载瘤血管图像上,确定种子点坐标和两个定位点坐标,截取局部三维图像;
获取所述局部三维图像中载瘤血管图像的树状中心线,计算颅内载瘤血管的中心线和半径;
利用所述局部三维图像的树状中心线和所述种子点坐标,进行形态学膨胀,得到膨胀的颅内动脉瘤图像;
沿所述颅内载瘤血管的中心线,以颅内载瘤血管图像半径的加权值作为距离阈值,对所述膨胀的颅内动脉瘤图像进行分割;
对分割后的颅内动脉瘤图像进行重建,得到分割的颅内动脉瘤图像。
进一步地,所述获取所述局部三维图像中载瘤血管图像的树状中心线,计算颅内载瘤血管的中心线和半径,具体包括:
采用查表法,对所述局部三维图像中的点进行删除,得到所述局部三维图像的树状中心线;
沿所述树状中心线,计算所述两个定位点间的最短路径,作为颅内载瘤血管的中心线;
沿所述颅内载瘤血管的中心线,逐点计算血管边界距离所述颅内载瘤血管图像的中心线的最短距离,作为颅内载瘤血管图像中心线上每一点的半径。
进一步地,所述对所述颅内动脉瘤图像的形态学参数进行测量,具体包括:
沿所述颅内载瘤血管的中心线,获得颅内载瘤血管表面上截取面积最小的闭合曲线,所述闭合曲线即为动脉瘤瘤颈。
从分割的颅内动脉瘤图像中,沿载瘤血管的中心线,确定最短路径中心点,此路径中心点与瘤颈中心点的连线并指向动脉瘤的方向作为瘤颈法向量。
从分割的颅内动脉瘤图像中,以瘤颈法向量确定的平面与动脉瘤的截面作为瘤颈平面;
确定所述瘤颈平面的平面几何中心,以所述瘤颈平面的外边缘到所述平面几何中心的平均距离的2倍作为动脉瘤瘤颈直径。
从分割的颅内动脉瘤图像中,将瘤颈中心点落到动脉瘤的边缘上距离瘤颈几何中心最近的点,计算动脉瘤直径和高度。
确定颅内载瘤血管中心线上游定位点对应的中心线上的点,计算该点与所述路径中心点的连线与动脉瘤直径的夹角,即为动脉瘤入射角。
本说明书实施例提供一种颅内动脉瘤图像的形态学参数的测量系统,包括以下单元:
输入接口,用于DSA的三维DICOM数据的输入;
处理工作站,实现颅内动脉瘤图像的形态学参数的测量;
输出单元:将颅内动脉瘤图像的形态学参数的测量结果进行输出。
进一步地,从DSA的三维DICOM数据中,分割颅内载瘤血管图像;
基于颅内载瘤血管的中心线和半径,分割颅内动脉瘤图像;
对所述颅内动脉瘤图像的形态学参数进行测量。
进一步地,所述从DSA的三维DICOM数据中,分割颅内载瘤血管图像,具体包括:
从DSA的三维DICOM数据上,自动选取种子点,分割颅内载瘤血管图像。
进一步地,所述基于颅内载瘤血管的中心线和半径,分割颅内动脉瘤图像,具体包括:
从所述颅内载瘤血管图像上,确定种子点坐标和两个定位点坐标,截取局部三维图像;
获取所述局部三维图像中载瘤血管图像的树状中心线,计算颅内载瘤血管的中心线和半径;
利用所述局部三维图像的树状中心线和所述种子点坐标,进行形态学膨胀,得到膨胀的颅内动脉瘤图像;
沿所述颅内载瘤血管的中心线,以颅内载瘤血管图像半径的加权值作为距离阈值,对所述膨胀的颅内动脉瘤图像进行分割;
对分割后的颅内动脉瘤图像进行重建,得到分割的颅内动脉瘤图像。
进一步地,所述获取所述局部三维图像中载瘤血管图像的树状中心线,计算颅内载瘤血管的中心线和半径,具体包括:
采用查表法,对所述局部三维图像中的点进行删除,得到所述局部三维图像的树状中心线;
沿所述树状中心线,计算所述两个定位点间的最短路径,作为颅内载瘤血管的中心线;
沿所述颅内载瘤血管的中心线,逐点计算血管边界距离所述颅内载瘤血管图像的中心线的最短距离,作为颅内载瘤血管图像中心线上每一点的半径。
进一步地,所述对所述颅内动脉瘤图像的形态学参数进行测量,具体包括:
沿所述颅内载瘤血管的中心线,获得颅内载瘤血管表面上截取面积最小的闭合曲线,所述闭合曲线即为动脉瘤瘤颈。
从分割的颅内动脉瘤图像中,沿载瘤血管的中心线,确定最短路径中心点,此路径中心点与瘤颈中心点的连线并指向动脉瘤的方向作为瘤颈法向量。
从分割的颅内动脉瘤图像中,以瘤颈法向量确定的平面与动脉瘤的截面作为瘤颈平面;
确定所述瘤颈平面的平面几何中心,以所述瘤颈平面的外边缘到所述平面几何中心的平均距离的2倍作为动脉瘤瘤颈直径。
从分割的颅内动脉瘤图像中,将瘤颈中心点落到动脉瘤的边缘上距离瘤颈几何中心最近的点,计算动脉瘤直径和高度。
确定颅内载瘤血管中心线上游定位点对应的中心线上的点,计算该点与所述路径中心点的连线与动脉瘤直径的夹角,即为动脉瘤入射角。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:本说明书实施例基于DSA的三维DICOM数据,实现了颅内动脉瘤图像的形态学参数的自动测量,能够快速的测量颅内动脉瘤图像的形态学参数,保证颅内动脉瘤图像的形态学参数测量结果的一致性。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书提供的一种颅内动脉瘤图像的形态学参数的测量方法流程图;
图2为本说明书提供的一种颅内载瘤血管图像的分割流程图;
图3为本说明书提供的一种颅内动脉瘤图像的分割流程图;
图4为本说明书提供的一种二维空间中两点确定最小长方形示意图;
图5为本说明书提供的一种二维空间中三点确定最小长方形示意图;
图6为本说明书提供的动脉瘤形态学参数定义示意图;
图7为本说明书提供的一种颅内动脉瘤形态学参数的测量系统示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
图1为本说明书提供的的一种颅内动脉瘤图像的形态学参数的测量方法的流程。该方法包括:
步骤S101:从DSA的三维DICOM数据中,分割颅内载瘤血管图像。
颅内动脉瘤图像的形态参数测量,常采颅内动脉瘤的DSA的三维DICOM数据进行测量。DSA(Digital Subtraction Angiography,数字减影血管造影技术)是一种使X射线序列图片中的血管可视化的技术。其基本原理是将注入造影剂前后拍摄的两帧X射线图像经数字化输入图像计算机,通过减影、增强和再成像过程来获得清晰的纯血管影像,同时实时地呈现血管影。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射线吸收量明显降低以及节省胶片等优点,在血管病患的临床诊断中,具有十分重要的意义。DSA技术在图像质量、判断血流方向和优势供血等方面是其他检查手段所不能比拟的,因此被称为血管性疾病诊断的“金标准”。
由于受设备照射方位的限制,颅内动脉瘤的DSA效果只能是二维的,该二维图像仅能采集到基本的颅内动脉瘤图像的形态学参数指标:大小、纵横比、动脉瘤的倾斜角度等,无法实现复杂的颅内动脉瘤图像的形态学参数的测量,如动脉瘤的体积。三维形态学参数的测量,对于颅内动脉瘤图像的形态学参数的研究更有意义。因此为了实现颅内动脉瘤图像的形态学参数的测量,需要对DSA的三维DICOM数据进行进一步的处理,首先进行颅内载瘤血管图像的分割。
图2为本说明书提供的一种颅内载瘤血管图像的分割流程图,具体过程包括:
步骤S201:确定载瘤血管图像的灰度范围。
根据三维DSA图像的成像特点,根据DSA图像像素值的值域范围,通过简单最大值和最小值约束,得到一个相对宽泛的灰度阈值,将该灰度阈值作为灰度范围。
具体地,提取三维DSA图像的值域,得到最大值和最小值,然后最小值的两倍与最大值进行三等分,该三等分值作为最小灰度范围,最大灰度范围则选用值域最大值。
由于DSA图像本身质量较好,因此也可以采用其它方法获得灰度范围。提取三维DSA图像的值域,得到最大值和最小值,然后最小值的三倍与最大值进行四等分,该四等分值作为最小灰度范围,最大灰度范围则选用值域最大值。
步骤S202:选择种子点。
本发明中的种子点定义为生长的起始点。该种子点是后续进行区域生长的起始点。
在本说明书的一个实施例中,遍历整个DSA的三维图像空间,找到灰度值最大的像素点,最后将该像素点的坐标记下,作为种子点的坐标。该种子点位于颅内动脉瘤的载瘤血管图像上。
步骤S203:采用区域生长,对颅内载瘤血管图像进行分割。
以上述灰度最大的点为种子点,采用区域生长方法,逐点计算和判断,进行颅内载瘤血管图像的自动分割。该方法可以有效减少噪声干扰,提升运算效率。
步骤S102:基于颅内载瘤血管的中心线和半径,分割颅内动脉瘤图像。
上述分割的颅内载瘤血管图像需要进一步进行分割,实现颅内载瘤血管上动脉瘤图像的分割,得到分割的颅内动脉瘤图像。
图3为本说明书提供的一种颅内动脉瘤图像的分割流程图。该方法包括:
步骤S301:确定颅内载瘤血管图像的种子点坐标和两个定位点坐标,截取局部三维图像。
种子点和定位点均为空间坐标,为了便于区分,将生长的起始点定义为种子点,将选取在载瘤血管图像上的点定义为定位点。种子点的选取,可以选在动脉瘤体图像表面,也可以选取在动脉瘤体图像之内。而定位点选在与动脉瘤图像相交的载瘤血管图像上面。由于颅内动脉瘤包括常规侧边瘤和分叉血管瘤,因此定位点的确定,要根据颅内动脉瘤的类型,采用不同的定位点确定方法。对于常规侧边瘤而言,需要在颅内载瘤血管的上游和下游给出两点即可,一般选取离颅内动脉瘤图像5-10mm范围内选取两点;对于分叉血管瘤,则需要在颅内载瘤血管图像的上游给出一个定位点,下游在各分支上分别给出一个定位点,共三个定位点即可。其中,上游定位点为定位点1,下游定位点为定位点2,对于分叉血管,下游定位点包括两个定位点。定位点可以放置在颅内载瘤血管图像的表面或载瘤血管图像以内都可以,两者没有区别。
局部三维图像的截取,是根据种子点坐标和两个定位点坐标,确定的最小长方体,进行横向及纵向的像素增量延伸,使延伸后能够包括全部颅内动脉瘤图像,用延伸后确定的长方体区域截取局部三维图像。
图4为本说明书实施例提供的二维空间中两点确定最小长方形示意图。在三维空间中按照类似方法,根据两个定位点及种子点,确定最小长方体。
图5为本说明书实施例提供的二维空间中三点确定最小长方形示意图。在三维空间中,按照类似方法,根据三个定位点及种子点,确定最小长方体。
步骤S302:获取所述局部三维图像中载瘤血管图像的树状中心线,计算颅内载瘤血管的中心线和半径。
基于步骤S301截取的局部三维图像,进一步采用查表法,对上述局部三维图像中的点进行删除,即可得到所述局部三维图像的树状中心线。该实现过程具体如下:
以八个相邻点(八连通)判断一个点能否去掉;
从图像中,去掉一些点,最后得到图像的中轴,即为所述局部三维图像的树状中心线。
进一步,沿所述树状中心线,计算所述两个定位点间的最短路径,作为颅内载瘤血管的中心线。沿所述颅内载瘤血管的中心线,逐点计算血管边界距离所述颅内载瘤血管图像的中心线的最短距离,作为颅内载瘤血管图像中心线上每一点的半径。
步骤S303:基于树状中心线和种子点坐标,进行形态学膨胀,得到膨胀的颅内动脉瘤图像。
以种子点坐标为起点,利用前述获得的局部三维图像的树状中心线和种子点,对颅内动脉瘤图像进行形态学膨胀,得到膨胀后的颅内动脉瘤图像。兼顾计算效率和动脉瘤大小,上述预设值可以选择为16次,上述局部三维图像膨胀16次后,得到包含完整颅内动脉瘤图像的膨胀后的颅内动脉瘤图像。
步骤S304:沿中心线,以颅内载瘤血管图像半径的加权值作为距离阈值,对所述膨胀的颅内动脉瘤图像进行分割。
膨胀的颅内动脉瘤图像,需要进一步进行分割。具体的,沿所述颅内载瘤血管图像的中心线,以颅内载瘤血管图像半径的加权值作为距离阈值,对上述膨胀的颅内动脉瘤图像进行分割。在具体实施例中,可以选择颅内载瘤血管图像的半径的1.1倍作为颅内载瘤血管图像半径的加权值作为距离阈值,将距离阈值范围内生成的颅内动脉瘤图像清零,实现前述得到的颅内动脉瘤图像的分割。
步骤S305:对分割后的颅内动脉瘤图像进行重建,得到分割的颅内动脉瘤图像。
上述步骤S304获得的图像,需要进一步进行重建,具体地,以种子点坐标为生长起点,对分割后的颅内动脉瘤图像进行区域生长,实现颅内动脉瘤图像与颅内载瘤血管图像的分割,得到完整、干净的颅内动脉瘤图像。
步骤S103:颅内动脉瘤图像的形态学参数的测量。
图6为本发明实施例提供的动脉瘤形态学参数定义示意图。具体包括如下:
D(动脉瘤长径):即动脉瘤大小,是动脉瘤顶一点到瘤颈中点最大距离;
H(动脉瘤高度):动脉瘤瘤顶一点到动脉瘤瘤颈连线的最大垂直距离;
W(动脉瘤宽度):与动脉瘤长径垂直的最大距离;
IA(流入角度):动脉瘤的长径与载瘤动脉中轴线的夹角;
PV(载瘤动脉直径):
侧壁部:PV=(D1+D2)/2;
分叉部:PV=(D1+D2+D3)/3,Di=(Dia+Dib)/2(i=1,2,3)
在本说明书的一个实施例中,颅内动脉瘤形态学参数的测量可以通过以下方式实现:
沿所述颅内载瘤血管的中心线,获得颅内载瘤血管表面上截取面积最小的闭合曲线,所述闭合曲线即为动脉瘤瘤颈。
从分割的颅内动脉瘤图像中,沿载瘤血管的中心线,确定最短路径中心点,此路径中心点与瘤颈中心点的连线并指向动脉瘤的方向作为瘤颈法向量。
从分割的颅内动脉瘤图像中,以瘤颈法向量确定的平面与动脉瘤的截面作为瘤颈平面;
确定所述瘤颈平面的平面几何中心,以所述瘤颈平面的外边缘到所述平面几何中心的平均距离的2倍作为动脉瘤瘤颈直径。
从分割的颅内动脉瘤图像中,将瘤颈中心点落到动脉瘤的边缘上距离瘤颈几何中心最近的点,计算动脉瘤直径和高度。
确定颅内载瘤血管中心线上游定位点对应的中心线上的点,计算该点与所述路径中心点的连线与动脉瘤直径的夹角,即为动脉瘤入射角。
图7为本说明书提供的一种颅内动脉瘤图像的形态学参数的测量系统。该系统包括:
输入接口:用于DSA的三维DICOM数据的输入;
处理工作站:实现颅内动脉瘤形态学参数的测量;
输出单元:将颅内动脉瘤形态学参数的结果进行输出。
上述对本说明书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。
本说明书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、电子设备、非易失性计算机存储介质实施例而言,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。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的,因此,装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
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,在实施本说明书一个或多个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,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书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实施例的形式。而且,本说明书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。
本说明书是参照根据本说明书实施例的方法、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。
本说明书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任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说明书,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任务。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。
本说明书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。
以上所述仅为本说明书实施例而已,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)
1.一种颅内动脉瘤图像的形态学参数的测量方法,其特征在于,包括以下步骤:
从DSA的三维DICOM数据中,分割颅内载瘤血管图像,包括提取所述DSA的像素值的值域,采用三等分或者四等分法确定最小灰度值和最大灰度值,以所述最大灰度值作为种子点,采用区域生长的方法,对所述颅内载瘤血管图像进行分割;
基于颅内载瘤血管的中心线和半径,分割颅内动脉瘤图像,包括:从所述颅内载瘤血管图像上,确定种子点坐标和两个定位点坐标,截取局部三维图像;
获取所述局部三维图像中载瘤血管图像的树状中心线,计算颅内载瘤血管的中心线和半径;
利用所述局部三维图像的树状中心线和所述种子点坐标,进行形态学膨胀,得到膨胀的颅内动脉瘤图像;
沿所述颅内载瘤血管的中心线,以颅内载瘤血管图像半径的加权值作为距离阈值,对所述膨胀的颅内动脉瘤图像进行分割;
对分割后的颅内动脉瘤图像进行重建,得到分割的颅内动脉瘤图像;
基于所述分割的颅内动脉瘤图像,生成动脉瘤瘤颈;
以所述动脉瘤瘤颈的几何中心作为所述动脉瘤的瘤颈中心;
基于所述动脉瘤的瘤颈中心,对所述颅内动脉瘤图像的形态学参数进行测量。
2.如权利要求1所述的方法,其特征在于,所述获取所述局部三维图像中载瘤血管图像的树状中心线,计算颅内载瘤血管的中心线和半径,具体包括:
采用查表法,对所述局部三维图像中的点进行删除,得到所述局部三维图像的树状中心线;
沿所述树状中心线,计算所述两个定位点间的最短路径,作为颅内载瘤血管的中心线;
沿所述颅内载瘤血管的中心线,逐点计算血管边界距离所述颅内载瘤血管图像的中心线的最短距离,作为颅内载瘤血管图像中心线上每一点的半径。
3.如权利要求1所述的方法,其特征在于,所述对所述颅内动脉瘤图像的形态学参数进行测量,具体包括:
沿所述颅内载瘤血管的中心线,获得颅内载瘤血管表面上截取面积最小的闭合曲线,所述闭合曲线即为动脉瘤瘤颈。
4.如权利要求1所述的方法,其特征在于,所述对所述颅内动脉瘤图像的形态学参数进行测量,具体包括:
从分割的颅内动脉瘤图像中,沿载瘤血管的中心线,确定最短路径中心点,此路径中心点与瘤颈中心点的连线并指向动脉瘤的方向作为瘤颈法向量。
5.如权利要求1所述的方法,其特征在于,所述对所述颅内动脉瘤图像的形态学参数进行测量,具体包括:
从分割的颅内动脉瘤图像中,以瘤颈法向量确定的平面与动脉瘤的截面作为瘤颈平面;
确定所述瘤颈平面的平面几何中心,以所述瘤颈平面的外边缘到所述平面几何中心的平均距离的2倍作为动脉瘤瘤颈直径。
6.如权利要求1所述的方法,其特征在于,所述对所述颅内动脉瘤图像的形态学参数进行测量,具体包括:
从分割的颅内动脉瘤图像中,将瘤颈中心点落到动脉瘤的边缘上距离瘤颈几何中心最近的点,计算动脉瘤直径和高度。
7.如权利要求1所述的方法,其特征在于,所述对所述颅内动脉瘤图像的形态学参数进行测量,具体包括:
确定颅内载瘤血管中心线上游定位点对应的中心线上的点,计算该点与路径中心点的连线与动脉瘤直径的夹角,即为动脉瘤入射角。
8.一种颅内动脉瘤图像的形态学参数的测量系统,其特征在于,包括以下单元:
输入接口,用于DSA的三维DICOM数据的输入;
处理工作站,从DSA的三维DICOM数据中,分割颅内载瘤血管图像,包括提取所述DSA的像素值的值域,采用三等分或者四等分法确定最小灰度值和最大灰度值,以所述最大灰度值作为种子点,采用区域生长的方法,对所述颅内载瘤血管图像进行分割;
基于颅内载瘤血管的中心线和半径,分割颅内动脉瘤图像,包括:从所述颅内载瘤血管图像上,确定种子点坐标和两个定位点坐标,截取局部三维图像;
获取所述局部三维图像中载瘤血管图像的树状中心线,计算颅内载瘤血管的中心线和半径;
利用所述局部三维图像的树状中心线和所述种子点坐标,进行形态学膨胀,得到膨胀的颅内动脉瘤图像;
沿所述颅内载瘤血管的中心线,以颅内载瘤血管图像半径的加权值作为距离阈值,对所述膨胀的颅内动脉瘤图像进行分割;
对分割后的颅内动脉瘤图像进行重建,得到分割的颅内动脉瘤图像;
基于所述分割的颅内动脉瘤图像,生成动脉瘤瘤颈;
以所述动脉瘤瘤颈的几何中心作为所述动脉瘤的瘤颈中心;
基于所述动脉瘤的瘤颈中心,对所述颅内动脉瘤图像的形态学参数进行测量;
输出单元:将颅内动脉瘤图像的形态学参数的测量结果进行输出。
9.如权利要求8所述的系统,其特征在于,所述获取所述局部三维图像中载瘤血管图像的树状中心线,计算颅内载瘤血管的中心线和半径,具体包括:
采用查表法,对所述局部三维图像中的点进行删除,得到所述局部三维图像的树状中心线;
沿所述树状中心线,计算所述两个定位点间的最短路径,作为颅内载瘤血管的中心线;
沿所述颅内载瘤血管的中心线,逐点计算血管边界距离所述颅内载瘤血管图像的中心线的最短距离,作为颅内载瘤血管图像中心线上每一点的半径。
10.如权利要求8所述的系统,其特征在于,所述对所述颅内动脉瘤图像的形态学参数进行测量,具体包括:
沿所述颅内载瘤血管的中心线,获得颅内载瘤血管表面上截取面积最小的闭合曲线,所述闭合曲线即为动脉瘤瘤颈。
11.如权利要求8所述的系统,其特征在于,所述对所述颅内动脉瘤图像的形态学参数进行测量,具体包括:
从分割的颅内动脉瘤图像中,沿载瘤血管的中心线,确定最短路径中心点,此路径中心点与瘤颈中心点的连线并指向动脉瘤的方向作为瘤颈法向量。
12.如权利要求8所述的系统,其特征在于,所述对所述颅内动脉瘤图像的形态学参数进行测量,具体包括:
从分割的颅内动脉瘤图像中,以瘤颈法向量确定的平面与动脉瘤的截面作为瘤颈平面;
确定所述瘤颈平面的平面几何中心,以所述瘤颈平面的外边缘到所述平面几何中心的平均距离的2倍作为动脉瘤瘤颈直径。
13.如权利要求8所述的系统,其特征在于,所述对所述颅内动脉瘤图像的形态学参数进行测量,具体包括:
从分割的颅内动脉瘤图像中,将瘤颈中心点落到动脉瘤的边缘上距离瘤颈几何中心最近的点,计算动脉瘤直径和高度。
14.如权利要求8所述的系统,其特征在于,所述对所述颅内动脉瘤图像的形态学参数进行测量,具体包括:
确定颅内载瘤血管中心线上游定位点对应的中心线上的点,计算该点与路径中心点的连线与动脉瘤直径的夹角,即为动脉瘤入射角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811260404.9A CN109472823B (zh) | 2018-10-26 | 2018-10-26 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811260404.9A CN109472823B (zh) | 2018-10-26 | 2018-10-26 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109472823A CN109472823A (zh) | 2019-03-15 |
CN109472823B true CN109472823B (zh) | 2021-10-29 |
Family
ID=65666176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811260404.9A Active CN109472823B (zh) | 2018-10-26 | 2018-10-26 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109472823B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493348B (zh) * | 2018-10-26 | 2021-11-26 | 强联智创(北京)科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
CN109961850A (zh) * | 2019-03-19 | 2019-07-02 | 肖仁德 | 一种评估颅内动脉瘤破裂风险的方法、装置、计算机设备 |
CN109924956B (zh) * | 2019-04-19 | 2022-03-18 | 广州新脉科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及装置 |
CN110288693A (zh) * | 2019-06-06 | 2019-09-27 | 昆明医科大学第二附属医院 | 一种颅内动脉瘤介入手术智能微导管塑形系统 |
CN111513739B (zh) * | 2020-04-10 | 2023-08-29 | 北京东软医疗设备有限公司 | 血管造影机的控制方法及装置、电子设备、存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923607A (zh) * | 2010-09-01 | 2010-12-22 | 冯睿 | 一种血管计算机辅助影像学评估系统 |
CN103932694A (zh) * | 2014-05-07 | 2014-07-23 | 霍云龙 | 精确诊断心肌血流储备分数(ffr)的方法和设备 |
CN104392051A (zh) * | 2014-11-28 | 2015-03-04 | 段少银 | 一种颈内动脉动脉瘤固体壁与流体有限元模型 |
CN107273658A (zh) * | 2017-05-16 | 2017-10-20 | 哈尔滨医科大学 | 对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置 |
US9830427B2 (en) * | 2011-06-20 | 2017-11-28 | Siemens Healthcare Gmbh | Method for intracranial aneurysm analysis and endovascular intervention planning |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1827236B9 (en) * | 2004-12-17 | 2009-10-14 | Koninklijke Philips Electronics N.V. | System and method for predicting physical properties of an aneurysm from a three-dimensional model thereof |
DE102012112732B4 (de) * | 2012-12-20 | 2019-06-19 | Acandis Gmbh | Medizinische Vorrichtung, System mit einer derartigen Vorrichtung und Herstellungsverfahren |
JP5890055B1 (ja) * | 2015-07-09 | 2016-03-22 | 株式会社アルム | 血管画像処理装置、血管画像処理プログラム、および血管画像処理方法 |
-
2018
- 2018-10-26 CN CN201811260404.9A patent/CN109472823B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923607A (zh) * | 2010-09-01 | 2010-12-22 | 冯睿 | 一种血管计算机辅助影像学评估系统 |
US9830427B2 (en) * | 2011-06-20 | 2017-11-28 | Siemens Healthcare Gmbh | Method for intracranial aneurysm analysis and endovascular intervention planning |
CN103932694A (zh) * | 2014-05-07 | 2014-07-23 | 霍云龙 | 精确诊断心肌血流储备分数(ffr)的方法和设备 |
CN104392051A (zh) * | 2014-11-28 | 2015-03-04 | 段少银 | 一种颈内动脉动脉瘤固体壁与流体有限元模型 |
CN107273658A (zh) * | 2017-05-16 | 2017-10-20 | 哈尔滨医科大学 | 对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109472823A (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493348B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN109345585B (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 | |
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 | |
CN109389637B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN109448003B (zh) | 一种颅内动脉血管图像分割方法及系统 | |
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 | |
CN109448004B (zh) | 一种基于中心线的颅内血管图像的截取方法及系统 | |
US20230139405A1 (en) | Stenosis assessment method and device based on intracranial DSA imaging | |
CN111081378B (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN109447967B (zh) | 一种颅内动脉瘤图像的分割方法及系统 | |
CN109584169A (zh) | 一种基于中心线的颅内血管图像的截取方法及系统 | |
CN111863263B (zh) | 一种模拟方法、装置以及设备 | |
CN111223089B (zh) | 一种动脉瘤的检测方法、装置及计算机可读存储介质 | |
CN110503642B (zh) | 一种基于dsa图像的定位方法及系统 | |
CN109377504B (zh) | 一种颅内动脉血管图像分割方法及系统 | |
CN111105404B (zh) | 一种基于颅脑影像数据的目标位置的提取方法及系统 | |
CN109472803B (zh) | 一种颅内动脉血管分割方法及系统 | |
CN109584261B (zh) | 一种颅内动脉瘤图像的分割方法及系统 | |
CN112734726B (zh) | 一种血管造影的分型方法、装置以及设备 | |
CN110517244B (zh) | 一种基于dsa图像的定位方法及系统 | |
CN111863262B (zh) | 一种模拟方法、装置以及设备 | |
CN113160165A (zh) | 一种血管分割方法、装置以及设备 | |
CN110517243B (zh) | 一种基于dsa图像的定位方法及系统 | |
CN111785381A (zh) | 一种支架模拟方法、装置以及设备 |
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 |