CN109727242B - 血管中心线提取方法、装置、计算机设备和存储介质 - Google Patents
血管中心线提取方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109727242B CN109727242B CN201811628552.1A CN201811628552A CN109727242B CN 109727242 B CN109727242 B CN 109727242B CN 201811628552 A CN201811628552 A CN 201811628552A CN 109727242 B CN109727242 B CN 109727242B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- initial
- central line
- centerline
- model
- 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
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种血管中心线提取方法、装置、计算机设备和存储介质。所述方法包括:获取初始图像以及中心线模型;根据所述中心线模型,对所述初始图像进行初定位得到初始血管中心线;对所述初始血管中心线进行动态规划,得到最终血管中心线。通过对利用血管中心线模型得到的初始血管中心线进行动态规划,可以有效的改善血管中心线的连续情况,进一步的避免提取的血管中心线在多条血管中的跳变,从而提高血管中心线分割的准确度,使血管中心线提取的更加完整。
Description
技术领域
本申请涉及医学图像处理技术领域,特别是涉及一种血管中心线提取方法、装置、计算机设备和存储介质。
背景技术
心血管疾病是发病率和死亡率较高的疾病,并且具有发病急、隐蔽性强等特性,因此实现心脏疾病的诊断具有十分重要的临床意义。目前,伴随着CT的成像速度和扫描精度的提高,CT医学影像已被广泛应用于心脏检查和疾病诊断。与此同时,为了更好地实现心血管疾病的检查,心脏血管分割和血管边缘提取作为一种辅助手段被广泛使用。它可以精确的提取出血管的边缘和轮廓,通过提取的血管轮廓可以让医生更加方便的观察狭窄、钙化和斑块等情况,从而为医生对心血管疾病的早期预防和诊断提供依据。
目前的传统技术,对于血管中心线的分割,主要是基于区域增长以及基于血管中心线模型。基于区域增长的血管中心线分割技术:首先会利用图像增强算法将管状特征进行增强,然后基于增强的结果进行区域增长,从而完成血管分割和边缘提取。基于血管中心线模型的血管中心线分割技术:首先需要建立血管中心线模型,然后利用心脏位置关系将血管中心线模型定位到心脏内部,最后利用血管中心线模型在周边多次迭代完成血管中心线的分割。
基于区域增长的血管中心线分割技术是基于种子点的区域增长,这种技术在血管中心线造影不够清晰或者造影有剪短的时候经常会导致血管中心线提取不完整。而基于血管中心线模型的血管中心线分割技术可以利用模型的先验知识在模型的周边查找血管中心线,可以避免区域增长而导致的血管中心线提取不完整,但普通的血管中心线模型只是对模型上的点在周边进行迭代,并没有考虑血管中心线模型沿着血管的层次迭代可能会导致血管中心线在多条血管上跳变。
发明内容
基于此,有必要针对上述技术问题,提供一种能够完整提取血管中心线并且能防止血管中心线在多条血管上跳变的血管中心线提取方法、装置、计算机设备和存储介质。
一种血管中心线提取方法,所述方法包括:获取初始图像以及中心线模型;根据所述中心线模型,对所述初始图像进行初定位得到初始血管中心线;对所述初始血管中心线进行动态规划,得到最终血管中心线。
在其中一个实施例中,所述根据所述中心线模型,对所述初始图像进行初定位得到初始血管中心线包括:根据所述中心线模型以及初始图像,获取中心线模型与初始图像的变化关系;将所述中心线模型代入中心线模型与初始图像的变化关系,得到初始血管中心线。
在其中一个实施例中,所述对所述初始血管中心线进行动态规划,得到最终血管中心线包括:在所述初始图像的每个横断面图像中,获取各像素点作为血管中心点的概率值;从第一幅所述横断面图像起,以偏移半径作为约束条件获取概率最大的像素点对应的中心线路径;选取多幅横断面图像的累计概率值最大的中心线路径作为最终血管中心线。
在其中一个实施例中,所述从第一幅所述横断面图像起,以偏移半径作为约束条件获取概率最大的像素点对应的中心线路径包括:根据所述偏移半径设定约束条件;根据每个所述横断面图像中各像素点作为血管中心点的概率值,依次获取每一幅横断面图像中满足所述约束条件的概率值最大的像素点;根据所述概率值最大的像素点,获取概率最大的像素点对应的中心线路径。
在其中一个实施例中,所述约束条件为:相邻两幅横断面图像中选取的两个像素点之间的距离小于等于预设阈值。
在其中一个实施例中,所述获取初始图像以及中心线模型之前还包括:获取多组标准图像;根据多组所述标准图像得到中心线模型。
在其中一个实施例中,所述根据多组所述标准图像得到中心线模型包括:根据多组所述标准图像,确定多组所述标准图像中的血管中心线;将多组所述血管血中心线映射在同一坐标系中;对多组所述血管血中心线上对应位置坐标取平均值得到中心线模型。
一种血管中心线提取装置,所述装置包括:获取模块,用于获取初始图像以及中心线模型;初始血管中心线模块,用于根据所述中心线模型,对所述初始图像进行初定位得到初始血管中心线;最终血管中心线模块,用于对所述初始血管中心线进行动态规划,得到最终血管中心线。
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,所述处理器执行所述计算机程序时实现上述任一种所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一种所述的方法的步骤。
上述血管中心线提取方法、装置、计算机设备和存储介质,首先获取初始图像以及中心线模型,再利用中心线模型在初始图像中定位初始血管中心线,最后对初始血管中心线进行动态规划,得到最终血管中心线。通过对利用血管中心线模型得到的初始血管中心线进行动态规划,可以有效的改善血管中心线的连续情况,进一步的避免提取的血管中心线在多条血管中的跳变,从而提高血管中心线分割的准确度,使血管中心线提取的更加完整。
附图说明
图1为一个实施例中血管中心线提取方法的流程示意图;
图2为一个实施例中血管中心线提取装置的结构框图;
图3为一个实施例中计算机设备的内部结构图。
附图标记:获取模块100、初始血管中心线模块200、最终血管中心线模块300。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
计算机断层扫描设备(CT)通常包括机架、扫描床以及供医生操作的控制台。机架的一侧设置有球管,与球管相对的一侧设置有探测器。控制台为控制球管以及探测器进行扫描的计算机设备,计算机设备还用于接收探测器采集到的数据,并对数据进行处理重建,最终形成CT图像。在利用CT进行扫描时,患者躺在扫描床上,由扫描床将患者送入机架的孔径内,机架上设置的球管发出X射线,X射线穿过患者被探测器接收形成数据,并将数据传输给计算机设备,计算机设备对数据进行初步处理以及图像重建得到CT图像。
在一个实施例中,如图1所示,提供了一种血管中心线提取方法,包括以下步骤:
步骤S102,获取初始图像以及中心线模型。
具体地,初始图像为计算机断层扫描设备获取的包括人体血管的任意组织器官的图像。其中,初始图像可以是计算机断层扫描设备实时扫描得到的图像,也可以是存储器内存储的利用计算机断层扫描设备得到的图像。中心线模型是多个图像以及与图像相应的血管中心线的平均模型,代表了一种统计信息,体现为一组具体的坐标,该组坐标的连线表示血管中心线。血管可以是冠状动脉,冠状动脉是为心脏供给血液的动脉,起于主动脉根部的主动脉窦内,分为左右两支,位于心脏的表面。
步骤S104,根据中心线模型,对初始图像进行初定位得到初始血管中心线。
具体地,根据中心线模型以及初始图像,获取中心线模型与初始图像的相似变化关系。其中,相似变化关系为中心线模型坐标与初始图像坐标的线性关系。将中心线模型代入中心线模型与初始图像的相似变化关系,得到初始血管中心线。
在其中一个实施例中,相似变化关系的方程为:
rr=sR(rl)+r0
其中,s为缩放系数;R为旋转矩阵;r0为平移参数;r]为中心线模型中点的坐标;rr为初始血管中心线的点的坐标。
步骤S106,对初始血管中心线进行动态规划,得到最终血管中心线。
具体地,在初始图像的每个横断面图像中,获取各像素点作为血管中心点的概率值。其中,初始图像中能够提取出冠状面图像、矢状面图像以及横断面图像。冠状面是指在左右方向垂直将人体分为前后两部分的切面;矢状面是指在前后方向垂直将人体分为左右两部分的切面;横断面是指横切直立人体与地平面平行的切面。在每一个横断面图像中,可以计算所有像素点作为血管中心点的概率值;也可以以初始血管中心线的像素点为中心,按照一定的步长和半径选取预设范围内的像素点,再计算选取的像素点的是血管中心点的概率值。优选的,预设范围为以初始血管中心线的像素点为中心附近N*N个点。计算个像素点作为血管中心点的概率值可以通过机器训练的结果或利用海森增强方法计算被选取的每一个像素点作为血管中心点的概率值。利用海森增强方法通过利用海森矩阵得到特征值和特征向量,然后根据特征值的特性来判断满足线特征的概率。
具体地,在获取到所有横断面图像中,所有像素点的作为血管中心点的概率值或初始血管中心线附近预设范围内各像素点作为血管中心点的概率值后,从第一幅横断面图像起,以偏移半径作为约束条件获取概率最大的像素点对应的中心线路径。更具体地,首先根据偏移半径设定约束条件,再根据每个横断面图像中各像素点为血管中心点的概率值,依次获取每一幅横断面图像中满足约束条件的概率值最大的像素点,最后根据所述概率值最大的像素点,获取概率最大的像素点对应的中心线路径。其中约束条件为:相邻两幅横断面图像中选取的两个像素点之间的距离小于等于预设阈值。其中,预设阈值为根据实际应用的需求进行具体的设定。根据横断面图像的次序关系,从第一幅横断面图像开始依次计算每一幅横断面图像中作为血管中心点的概率值最大的像素点,并且在相邻的两幅横断面图像选取的两个像素点之间利用偏移半径进行约束,从而达到控制相邻中心像素点之间的连续关系。偏移半径主要是指血管中心线上前后两点之间可以容忍的最大距离,主要用于约束血管中心线的连续性。如果两个相邻的横断面图像中选取的像素点约束在一定距离范围之内,既能保证相邻两像素点之间的连续关系,还能保证血管中心线上相邻两像素点之间的距离都在较小范围内。
具体地,选取多幅横断面图像的累计概率值最大的中心线路径作为最终血管中心线。计算每一幅横断面图像所有像素点的概率值,连接每幅横断面图像中选取的一个像素点为一条路径,根据该路径中每一个像素点的概率值计算该条路径的累计概率值,选取累计概率值最大的路径到最终血管中心线。选取的最终血管中心线能够保证在每一个点都是概率值较大的点,并且能够保证整条血管中心线的是血管的概率最大。
在其中一个实施例中,计算最终血管中心线是血管的概率的公式为:
F(n,k)=P(n,k)+argmax|i–k|<εF(n-1,i)
其中,n为第n幅横断面图像,k为第n幅横断面图像上第k个像素点,F(n,k)表示累积到第n幅横断面时第k个像素点的累计概率值;P(n,k)表示第n幅横断面图上第k个像素点的概率值;|i–k|<ε表示第k个像素点在小于ε的一个邻域,ε为预设偏移半径,F(n-1,i)表示累积到n-1幅横断面图时第i个像素点的累计概率值;在其中一个实施例中,计算第k个像素点在小于ε的一个邻域内若干个邻点的累计概率值,选取累计概率最大值的邻点为第i点,以第i个像素点的累计概率值为累积到n-1幅横断面图的累计概率值。例如,当ε为1时,|i–k|<ε表示第k个像素点在小于ε的一个邻域中包含9个领域点,分别计算9个邻域点的累计概率值,选取累计概率值最大点即为F(n-1,i)。
在其中一个是实施例中,在获取初始图像以及中心线模型之前需要建立中心线模型。首先获取多组标准图像,再根据多组标准图像得到中心线模型。更具体地,根据多组标准图像,确定多组标准图像中的血管中心线;将多组血管血中心线映射在同一坐标系中;对多组血管血中心线上对应位置坐标取平均值得到中心线模型。以冠脉中心线模型为例,冠脉中心线模型一般包括:前降支(LAD)、左回旋支(LCX)以及右冠状动脉(RCA)等多条血管中心线。
上述血管中心线提取方法,首先利用中心线模型获取初始血管中心线,在初始血管中心线的周边寻找复合血管特征的备选点,然后利用上一横断面图像的血管中心像素点的结果叠加在当前横断面图像像素点中,对每一个横断面图像的像素点都与前一横断面图像的结果进行叠加,从而找到全局满足血管特征的中心线。上述方法能够有效的改善血管中心线提取相邻像素点的连续情况,避免提取的血管中心线在多条血管之间条边,从而提高血管中心线分割的准确度。
上述血管中心线提取方法将血管中心线模型和基于动态规划方法的血管中心线技术相结合,通过血管中心线模型,可以解决血管中心线提取不完整的问题,再结合动态规划中相邻点的约束关系,可以有效的防止中心线模型带来的在多条血管间跳变的问题。可以理解的,本实施例可以有效的改善血管中心线提取中相邻节点间的连续情况,避免提取的中心线在多条血管中的跳变,从而提高血管主干分割的准确度。并且具有较强的普适性,可以应用到其它类似的管状结构(如血管、气管)等的提取中。本实施例中中心线模型采用一种具有顺序约束的中心线模型。并且中心线模型采用了多尺度网格技术,在粗分割时采用低分辨率中心线模型,精细分割时采用高分辨率中心线模型,可以在保证分割精度基础上提高性能。其中,低分辨率中心线模型为中心线间点的密度较小,点间隔较大;高分辨率中心线模型为中心线点的密度较大,点间隔较小。
上述血管中心线提取方法,首先获取初始图像以及中心线模型,再利用中心线模型在初始图像中定位初始血管中心线,最后对初始血管中心线进行动态规划,得到最终血管中心线。通过对利用血管中心线模型得到的初始血管中心线进行动态规划,可以有效的改善血管中心线的连续情况,进一步的避免提取的血管中心线在多条血管中的跳变,从而提高血管中心线分割的准确度,使血管中心线提取的更加完整。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图2所示,提供了一种血管中心线提取装置,包括:获取模块100、初始血管中心线模块200和最终血管中心线模块300,其中:
获取模块100,用于获取初始图像以及中心线模型。
初始血管中心线模块200,用于根据中心线模型,对初始图像进行初定位得到初始血管中心线。
最终血管中心线模块300,用于对初始血管中心线进行动态规划,得到最终血管中心线。
初始血管中心线模块200包括:变化关系获取单元以及初始血管中心线单元。
变化关系获取单元,用于根据中心线模型以及初始图像,获取中心线模型与初始图像的相似变化关系。
初始血管中心线单元,用于将中心线模型代入中心线模型与初始图像的相似变化关系,得到初始血管中心线。
最终血管中心线模块300包括:概率值计算单元、最大概率值计算单元以及最终血管中心线单元。
概率值计算单元,用于在初始图像的每个横断面图像中,获取各像素点作为血管中心点的概率值。
最大概率值计算单元,用于从第一幅横断面图像起,以偏移半径作为约束条件获取概率最大的像素点对应的中心线路径。
最终血管中心线单元,用于选取多幅横断面图像的累计概率值最大的中心线路径作为最终血管中心线。
最大概率值计算单元,还用于根据偏移半径设定约束条件;根据每个横断面图像中各像素点为血管中心点的概率值,依次获取每一幅横断面图像中满足约束条件的概率值最大的像素点;根据所述概率值最大的像素点,获取概率最大的像素点对应的中心线路径。
血管中心线提取装置还包括:中心线模型建立模块。
中心线模型建立模块,用于获取多组标准图像;根据多组标准图像得到中心线模型。
中心线模型建立模块,还用于根据多组标准图像,确定多组标准图像中的血管中心线;将多组血管血中心线映射在同一坐标系中;对多组血管血中心线上对应位置坐标取平均值得到中心线模型。
关于血管中心线提取装置的具体限定可以参见上文中对于血管中心线提取方法的限定,在此不再赘述。上述血管中心线提取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种血管中心线提取方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取初始图像以及中心线模型;根据中心线模型,对初始图像进行初定位得到初始血管中心线;对初始血管中心线进行动态规划,得到最终血管中心线。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据中心线模型以及初始图像,获取中心线模型与初始图像的相似变化关系;将中心线模型代入中心线模型与初始图像的相似变化关系,得到初始血管中心线。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
在初始图像的每个横断面图像中,获取各像素点作为血管中心点的概率值;从第一幅横断面图像起,以偏移半径作为约束条件获取概率最大的像素点对应的中心线路径;选取多幅横断面图像的累计概率值最大的中心线路径作为最终血管中心线。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据偏移半径设定约束条件;根据每个横断面图像中各像素点为血管中心点的概率值,依次获取每一幅横断面图像中满足约束条件的概率值最大的像素点;根据所述概率值最大的像素点,获取概率最大的像素点对应的中心线路径。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取多组标准图像;根据多组标准图像得到中心线模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据多组标准图像,确定多组标准图像中的血管中心线;将多组血管血中心线映射在同一坐标系中;对多组血管血中心线上对应位置坐标取平均值得到中心线模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取初始图像以及中心线模型;根据中心线模型,对初始图像进行初定位得到初始血管中心线;对初始血管中心线进行动态规划,得到最终血管中心线。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据中心线模型以及初始图像,获取中心线模型与初始图像的相似变化关系;将中心线模型代入中心线模型与初始图像的相似变化关系,得到初始血管中心线。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
在初始图像的每个横断面图像中,获取各像素点作为血管中心点的概率值;从第一幅横断面图像起,以偏移半径作为约束条件获取概率最大的像素点对应的中心线路径;选取多幅横断面图像的累计概率值最大的中心线路径作为最终血管中心线。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据偏移半径设定约束条件;根据每个横断面图像中各像素点为血管中心点的概率值,依次获取每一幅横断面图像中满足约束条件的概率值最大的像素点;根据所述概率值最大的像素点,获取概率最大的像素点对应的中心线路径。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取多组标准图像;根据多组标准图像得到中心线模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据多组标准图像,确定多组标准图像中的血管中心线;将多组血管血中心线映射在同一坐标系中;对多组血管血中心线上对应位置坐标取平均值得到中心线模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种血管中心线提取方法,其特征在于,所述方法包括:
获取初始图像以及中心线模型;
根据所述中心线模型,对所述初始图像进行初定位得到初始血管中心线;
对所述初始血管中心线进行动态规划,得到最终血管中心线;
所述对所述初始血管中心线进行动态规划,得到最终血管中心线包括:
在所述初始图像的每个横断面图像中,获取各像素点作为血管中心点的概率值;
从第一幅所述横断面图像起,以偏移半径作为约束条件获取概率最大的像素点对应的中心线路径,并作为最终血管中心线;
所述约束条件为:相邻两幅横断面图像中选取的两个像素点之间的距离小于等于预设阈值。
2.根据权利要求1所述的方法,其特征在于,所述根据所述中心线模型,对所述初始图像进行初定位得到初始血管中心线包括:
根据所述中心线模型以及初始图像,获取中心线模型与初始图像的变化关系;
将所述中心线模型代入中心线模型与初始图像的变化关系,得到初始血管中心线。
3.根据权利要求1所述的方法,其特征在于,所述从第一幅所述横断面图像起,以偏移半径作为约束条件获取概率最大的像素点对应的中心线路径包括:
根据所述偏移半径设定约束条件;
根据每个所述横断面图像中各像素点作为血管中心点的概率值,依次获取每一幅横断面图像中满足所述约束条件的概率值最大的像素点;
根据所述概率值最大的像素点,获取概率最大的像素点对应的中心线路径。
4.根据权利要求1所述的方法,其特征在于,所述获取初始图像以及中心线模型之前还包括:
获取多组标准图像;
根据多组所述标准图像得到中心线模型。
5.根据权利要求4所述的方法,其特征在于,所述根据多组所述标准图像得到中心线模型包括:
根据多组所述标准图像,确定多组所述标准图像中的血管中心线;
将多组所述血管中心线映射在同一坐标系中;
对多组所述血管中心线上对应位置坐标取平均值得到中心线模型。
6.一种血管中心线提取装置,其特征在于,所述装置包括:
获取模块,用于获取初始图像以及中心线模型;
初始血管中心线模块,用于根据所述中心线模型,对所述初始图像进行初定位得到初始血管中心线;
最终血管中心线模块,用于对所述初始血管中心线进行动态规划,得到最终血管中心线;
最终血管中心线模块包括:概率值计算单元以及最大概率值计算单元;
概率值计算单元,用于在初始图像的每个横断面图像中,获取各像素点作为血管中心点的概率值;
最大概率值计算单元,用于从第一幅横断面图像起,以偏移半径作为约束条件获取概率最大的像素点对应的中心线路径,并作为最终血管中心线;
所述约束条件为:相邻两幅横断面图像中选取的两个像素点之间的距离小于等于预设阈值。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811628552.1A CN109727242B (zh) | 2018-12-28 | 2018-12-28 | 血管中心线提取方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811628552.1A CN109727242B (zh) | 2018-12-28 | 2018-12-28 | 血管中心线提取方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109727242A CN109727242A (zh) | 2019-05-07 |
CN109727242B true CN109727242B (zh) | 2021-02-26 |
Family
ID=66297576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811628552.1A Active CN109727242B (zh) | 2018-12-28 | 2018-12-28 | 血管中心线提取方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109727242B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102327B (zh) * | 2019-06-18 | 2024-02-27 | 中国科学院深圳先进技术研究院 | 一种图像处理方法、装置及计算机可读存储介质 |
CN110910441A (zh) * | 2019-11-15 | 2020-03-24 | 首都医科大学附属北京友谊医院 | 一种中心线提取的方法及装置 |
CN112419484B (zh) * | 2020-11-25 | 2024-03-22 | 苏州润迈德医疗科技有限公司 | 三维血管合成方法、系统及冠状动脉分析系统和存储介质 |
CN112598671A (zh) * | 2021-03-08 | 2021-04-02 | 数坤(北京)网络科技有限公司 | 一种血管中心线提取方法、设备及可读存储介质 |
CN113487616B (zh) * | 2021-07-06 | 2024-03-19 | 中国医学科学院阜外医院 | 一种使用连续多帧图像构建完整结构血管树结构的方法 |
CN113744272B (zh) * | 2021-11-08 | 2022-01-28 | 四川大学 | 一种基于深度神经网络的脑动脉自动勾画方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679801A (zh) * | 2013-12-01 | 2014-03-26 | 北京航空航天大学 | 一种基于多视角x光片的心血管三维重建方法 |
CN107788950A (zh) * | 2017-09-30 | 2018-03-13 | 浙江大学 | 基于自适应阈值分割的血流成像方法与系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9240034B2 (en) * | 2012-06-08 | 2016-01-19 | Advanced Micro Devices, Inc. | Biomedical data analysis on heterogeneous platform |
CN104240220A (zh) * | 2013-06-17 | 2014-12-24 | 北京三星通信技术研究有限公司 | 用于基于图像分割血管的设备和方法 |
CN106157320B (zh) * | 2016-07-29 | 2019-02-01 | 上海联影医疗科技有限公司 | 一种图像血管分割方法及装置 |
CN106875375B (zh) * | 2016-12-28 | 2019-07-30 | 浙江工业大学 | 一种基于管状特征跟踪的三维血管中轴线提取方法 |
CN108022251B (zh) * | 2017-12-14 | 2020-10-09 | 北京理工大学 | 一种管状结构的中心线的提取方法及系统 |
-
2018
- 2018-12-28 CN CN201811628552.1A patent/CN109727242B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679801A (zh) * | 2013-12-01 | 2014-03-26 | 北京航空航天大学 | 一种基于多视角x光片的心血管三维重建方法 |
CN107788950A (zh) * | 2017-09-30 | 2018-03-13 | 浙江大学 | 基于自适应阈值分割的血流成像方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109727242A (zh) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109727242B (zh) | 血管中心线提取方法、装置、计算机设备和存储介质 | |
CN109544566B (zh) | 冠脉图像分割方法、装置、计算机设备和存储介质 | |
US11816837B2 (en) | Vascular characteristic determination with correspondence modeling of a vascular tree | |
EP3132419B1 (en) | Systems and methods for image-based object modeling using multiple image acquisitions or reconstructions | |
US8861830B2 (en) | Method and system for detecting and analyzing heart mechanics | |
WO2018120644A1 (zh) | 血管提取方法及系统 | |
CN111325759B (zh) | 血管分割方法、装置、计算机设备及可读存储介质 | |
CN111951277A (zh) | 一种基于cta图像的冠状动脉分割方法 | |
CN109377481B (zh) | 图像质量评价方法、装置、计算机设备和存储介质 | |
CN110717961B (zh) | 多模态图像重建方法、装置、计算机设备和存储介质 | |
CN109389653B (zh) | 心脏图像重建方法、装置、计算机设备和可读存储介质 | |
JP2016077906A (ja) | 医用画像処理装置及び医用画像処理方法 | |
CN109712163A (zh) | 冠脉提取方法、装置、图像处理工作站和可读存储介质 | |
EP3209207B1 (en) | Methods and systems for normalizing contrast across multiple acquisitions | |
CN113409328A (zh) | Ct图像的肺动静脉分割方法、装置、介质及设备 | |
CN111260703A (zh) | 一种获取脊柱拉直图像集的方法、系统、介质及存储介质 | |
CN116051738A (zh) | 基于cta影像的冠状动脉血管模型重构的方法和可读存储介质 | |
CN108898582B (zh) | 心脏图像重建方法、装置以及计算机设备 | |
Vera et al. | An automatic technique for left ventricle segmentation from msct cardiac volumes | |
Abdallah | Increasing of edges recognition in cardiac scintography for ischemic patients | |
CN109345606B (zh) | 心脏图像重建方法、装置、计算机设备和可读存储介质 | |
CN108154532B (zh) | 一种辅助评估spect图像甲状腺体积的方法 | |
CN110858412A (zh) | 基于图像配准的心脏冠脉cta模型建立方法 | |
CN115300809A (zh) | 图像处理方法及装置、计算机设备和存储介质 | |
JP2020512133A (ja) | スペクトルイメージングffr |
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: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |