CN110084776A - 一种用于周围血管阻塞性疾病检测的图像融合方法 - Google Patents
一种用于周围血管阻塞性疾病检测的图像融合方法 Download PDFInfo
- Publication number
- CN110084776A CN110084776A CN201910515552.9A CN201910515552A CN110084776A CN 110084776 A CN110084776 A CN 110084776A CN 201910515552 A CN201910515552 A CN 201910515552A CN 110084776 A CN110084776 A CN 110084776A
- Authority
- CN
- China
- Prior art keywords
- image
- blood
- blood vessel
- information
- caliber
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 201000010099 disease Diseases 0.000 title claims abstract description 21
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 21
- 230000002093 peripheral effect Effects 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 73
- 208000031481 Pathologic Constriction Diseases 0.000 claims abstract description 19
- 230000003068 static effect Effects 0.000 claims abstract description 19
- 230000036262 stenosis Effects 0.000 claims abstract description 19
- 208000037804 stenosis Diseases 0.000 claims abstract description 19
- 230000002792 vascular Effects 0.000 claims abstract description 19
- 239000008280 blood Substances 0.000 claims abstract description 17
- 210000004369 blood Anatomy 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 238000003384 imaging method Methods 0.000 claims abstract description 12
- 230000017531 blood circulation Effects 0.000 claims abstract description 7
- 238000013534 fluorescein angiography Methods 0.000 claims abstract description 5
- 230000006438 vascular health Effects 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims description 20
- 238000001228 spectrum Methods 0.000 claims description 12
- 230000008081 blood perfusion Effects 0.000 claims description 9
- 239000002096 quantum dot Substances 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 208000007536 Thrombosis Diseases 0.000 claims description 8
- 229910052946 acanthite Inorganic materials 0.000 claims description 7
- FSJWWSXPIWGYKC-UHFFFAOYSA-M silver;silver;sulfanide Chemical compound [SH-].[Ag].[Ag+] FSJWWSXPIWGYKC-UHFFFAOYSA-M 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 210000003743 erythrocyte Anatomy 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000002156 mixing Methods 0.000 claims description 4
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 239000004065 semiconductor Substances 0.000 claims description 3
- 230000033115 angiogenesis Effects 0.000 claims description 2
- 241000406668 Loxodonta cyclotis Species 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 3
- 206010070995 Vascular compression Diseases 0.000 abstract description 2
- 230000000295 complement effect Effects 0.000 abstract description 2
- 230000003902 lesion Effects 0.000 abstract description 2
- 230000008961 swelling Effects 0.000 abstract description 2
- 241000699666 Mus <mouse, genus> Species 0.000 description 8
- 210000001364 upper extremity Anatomy 0.000 description 6
- 210000003462 vein Anatomy 0.000 description 5
- 210000001367 artery Anatomy 0.000 description 3
- 210000003414 extremity Anatomy 0.000 description 3
- 206010030113 Oedema Diseases 0.000 description 2
- 206010047249 Venous thrombosis Diseases 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 206010011703 Cyanosis Diseases 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 208000005764 Peripheral Arterial Disease Diseases 0.000 description 1
- 208000030831 Peripheral arterial occlusive disease Diseases 0.000 description 1
- 206010053648 Vascular occlusion Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004089 microcirculation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 208000021331 vascular occlusion disease Diseases 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
- A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4842—Monitoring progression or stage of a disease
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/40—Animals
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/10064—Fluorescence image
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Theoretical Computer Science (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Psychiatry (AREA)
- Geometry (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Hematology (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Vascular Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种用于周围血管阻塞性疾病检测的图像融合方法。第一部分是分别使用近红外Ⅱ区荧光血管成像技术和激光散斑血流成像技术得到两幅异源图像,第二部分是使用图像融合方法对上一步输出的两幅图像进行运算,得到活体血管信息图像,第三部分是在活体血管信息图像中定位所关注的血管,计算反映血管健康状况的指标,主要是血管管径狭窄率和血液流速,最后由这些指标检测该血管是否发生阻塞。本发明将静态血管图像和动态血流图像的优势信息和互补信息有机结合,能较好地显示出血管阻塞病变的部位和情况,还能查明引起肢体肿胀或疼痛的其他原因,如血肿、静脉受压迫等。能够有效地评估患者疾病的发展情况,为临床提供相应的治疗。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种用于周围血管阻塞性疾病检测的图像融合方法。
背景技术
周围血管阻塞性疾病常用的检测方式有静脉造影法和彩色多普勒超声检测法,前者属于创伤性诊断,操作困难,且对患者的心理会造成较大的影响;后者属于辅助诊疗手段,虽然无创,但是还有一定的误检率。在该领域,现有的专利有中国发明专利201811298696.5“一种用于外周动脉疾病血管狭窄程度的评估装置及方法”,其用模块化的方法精确评估了外周动脉血管开放程度,但不足之处是缺乏成像功能。
本发明基于血管图像局部统计信息的图像融合算法,将近红外Ⅱ区荧光血管成像技术和激光散斑血流成像技术得到的静态血管图像和动态血流图像融合,最终得到高时空分辨率的活体血管信息图像,该图像中包含了被测血管的血流流速和管径信息,可用于鉴别静脉血栓和动脉血栓。在医疗设备的图像融合技术领域,已有的专利有中国发明专利201810677958.2“图像融合方法及系统、医疗设备和图像融合终端”,中国发明专利201410205863.2“一种多模态多维度的血管融合方法及系统”,中国发明专利201110122024.0“一种超声与核磁共振图像融合腔内配准装置及其方法”。针对周围血管阻塞性疾病监测的图像融合方法还未见报道。
发明内容
本发明提出了一种基于图像融合技术得到活体血管信息图像进行周围血管阻塞性疾病检测的方法,能够有效地提高周围血管阻塞性疾病的检出率,对动、静脉血栓的阻塞位置判断准确,能够有效地评估患者疾病的发展情况,为临床提供相应的治疗方法。
本发明的技术方案具体包括如下步骤:
步骤1:获得两幅异源图像
步骤1.1:获得静态血管图像
用Ag2S量子点和被测对象的红细胞进行耦联,标记被测对象的红细胞,将近红外LED光源照射在被量子点标记的被测对象上,使Ag2S量子点发出荧光,使用InGaAs相机拍摄被测对象发出荧光的区域,获得静态血管图像。
步骤1.2:获得动态血流图像
使用半导体激光器照射待测区域,待测对象会产生散斑。用CCD相机对待测对象产生散斑的区域进行曝光,获得动态血流图像。
步骤1.3:将步骤1.1和1.2中得到的两幅图像进行空间配准。
静态血管图像和动态血流图像都是对同一个待测区域进行曝光得到的图像,使用图像处理领域中成熟的空间配准法对两幅图像进行配准运算,输出的图像是两幅像素大小相同的异源图像。
步骤2:得到活体血管信息图像
步骤2.1:对单张输入图像进行傅里叶变换,得到傅里叶空间图像
一张M*N像素的图像记为I,f(i,j)是I第(i,j)个像素的灰度值,将I变换到傅里叶空间,变换的公式为:
F(u,v)为变换得到的傅里叶空间图像,(u,v)为傅里叶空间的坐标系。
步骤2.2:对步骤2.1得到的单张输入空间域图像进行变换运算,获得待融合图像,并生成融合参数的解空间。
设立一个n*n的窗口大小,用于之后的分析。
将单张输入空间域图像I变换成待融合图像的公式为:
式中,g(i,j)为待融合图像,其包含了输入图像I的全局信息和局部信息。m(i,j)为第(i,j)个像素对n*n窗口的局部均值,定义为:
D表示输入图像I的全局均值,定义为:
式中,M*N为原图像的大小。
σ(i,j)为第(i,j)个像素对n*n窗口的局部标准方差,定义为:
参数a,b,c,k均为图像处理的方差参数,这四个参数构成解的空间。这些参数的范围为:a∈[0,1.5],b∈[0,0.5],c∈[0,1],k∈[0.5,1.5]。
随机生成100组解,每个解包含符合要求的四个参数。
步骤2.3:利用适应度函数选出融合参数的最优解。
适应度函数定义为:
式中:Ie为F(u,v)与g(i,j)的卷积,记作频谱模板,edgels(Ie)为频谱模板的边缘像素数量,通过图像处理领域中成熟的Sobel边缘检测算法获得。E(Ie)为频谱模板中M*N个像素的强度之和,H(Ie)为频谱模板的熵值。
对解空间中100个四元素解,分别求适应度函数的值,适应度函数值最高的解即为最优解{a,b,c,k}。
步骤2.4:对步骤1中得到的两幅异源图像进行运算,分别生成待融合图像
对步骤1中得到的静态血管图像I1进行如步骤2.1-步骤2.3的运算,获得待融合图像g1(i,j),该图像中包含了血管的管径信息。
步骤2.5对步骤1中得到的动态血流图像I2进行如步骤2.1-步骤2.3的运算,获得待融合图像g2(i,j),该图像中包含了血管中的血液流速信息。
步骤2.6:对两张待融合图像进行融合运算,获得活体血管信息图像。
融合的规则是
A(i,j)=(g1(i,j)+g2(i,j))/2 (7)
式中,A(i,j)为融合结果,也即为清晰的活体血管信息图像。其中的信息主要有待测对象的血管管径信息和血流分布信息。
步骤3:检测所关注的血管是否发生阻塞
步骤3.1:在活体血管信息图像中用观察法定位所关注的待检测血管。
步骤3.2:测量所关注血管的管腔狭窄率
对待测血管进行测量,其判定标准为:
管腔狭窄率=(血管平均管径-血管最狭窄处管径血管管径)×100%。(8)
测量血管的管径就是测量由血管所占的像素数量。测量一整条血管的管径后,可以计算出平均管径和血管的最狭窄管径。
其中管腔狭窄率1%~49%为轻度狭窄,50%~69%为中度狭窄,70%~99%为重度狭窄。
步骤3.3:获取活体血管信息图像中的血流分布信息
获得各个像素上对应的衬比值,衬比值的计算方式是计算一个图像窗口内的像素灰度值的标准差与均值之比;再将衬比值数据转换成血流灌注量,血流灌注量等于衬比值平方的倒数,再用不同的颜色来展示血流灌注量,完成融合图像的彩色化。
通过伪彩色图像,可以看到哪一处血管发生了阻塞。综合分析所检测血管的管腔狭窄率和血液分布的彩色图像,分析是否有血栓。
同时观察患者的临床表现,静脉血栓的患者其肢体会出现水肿和紫绀的现象,皮肤温度正常或者偏高,而动脉血栓中,由于其供血不足,肢体出现缩瘪的情况,且温度降低,皮肤苍白。本方法结合血管信息的量化指标和其临床症状,来鉴别动、静脉血栓。
本发明的有益效果在于:将静态血管图像和动态血流图像的优势信息和互补信息有机结合,能较好地显示出血管阻塞病变的部位和情况,还能查明引起肢体肿胀或疼痛的其他原因,如血肿、静脉受压迫等。本发明能够有效地提高周围血管阻塞性疾病的检出率,对动、静脉血栓的阻塞位置判断准确,能够有效地评估患者疾病的发展情况,为临床提供相应的治疗。
附图说明
图1为本发明方法的流程图
具体实施方式
近红外Ⅱ区荧光血管成像技术是一种穿透能力强,抗干扰能力强的静态血流图像技术,其能够得到清晰的血管图像,被广泛用于生物医学领域。
激光散斑血流成像技术是一种测量范围大,可实现实时活体组织动态监测的动态成像技术,其能够得到血流的流速信息,被广泛应用于人体体表微循环监测,临床检查中的微血管成像等领域。
本发明提出了一种基于图像融合技术得到活体血管信息图像进行周围血管阻塞性疾病检测的方法,主要分成3个部分,第一部分是分别使用近红外Ⅱ区荧光血管成像技术和激光散斑血流成像技术得到两幅异源图像,第二部分是使用图像融合方法对上一步输出的两幅图像进行运算,得到活体血管信息图像,第三部分是在活体血管信息图像中定位所关注的血管,计算反映血管健康状况的指标,主要是血管管径狭窄率和血液流速,最后由这些指标检测该血管是否发生阻塞。
下面结合附图,以小鼠上肢静脉血栓检测为例,详细说明本发明的内容。
本发明描述的用于周围血管阻塞性疾病检测的图像融合方法的具体方式为:
步骤1:获得两幅异源图像
步骤1.1:让小鼠服用Ag2S试剂,用Ag2S量子点和小鼠的红细胞进行耦联,标记小鼠的红细胞,将近红外LED光源照射在量子点标记的被测对象上,使Ag2S量子点的价带电子吸收光子,被激发迁跃至导带,发出荧光,使用InGaAs相机拍摄被测对象的荧光标记区域,获得静态血管图像。
步骤1.2:使用半导体激光器照射小鼠,小鼠的待测量区域会产生散斑。用CCD相机对待测对象产生散斑的区域进行曝光,获得动态血流图像。
步骤1.3:将步骤1.1和1.2中得到的两幅图像进行空间配准。
静态血管图像和动态血流图像都是对同一个待测区域进行曝光得到的图像,使用图像处理领域中成熟的空间配准法对两幅图像进行配准运算,输出的图像是两幅像素大小相同的异源图像。配准后静态血管图像记为I1,分辨率是512*512,配准后的动态血管图像记为I2,分辨率是512*512。
步骤2:得到活体血管信息图像
步骤2.1:对静态血管图像I1进行傅里叶变换,得到傅里叶空间图像
F1(i,j)是I1第(i,j)个像素的灰度值,变换的公式为:
F1(u,v)为变换得到的傅里叶空间图像,(u,v)为傅里叶空间的坐标系。式中M=512,N=512。
步骤2.2:对静态血管图像I1进行变换运算,获得待融合图像,并生成融合参数的解空间。
设立一个5*5的窗口大小,用于之后的分析。
将静态血管图像I1变换成待融合图像的公式为:
式中,g1(i,j)为待融合图像,其包含了输入图像I的全局信息和局部信息。m1(i,j)为第(i,j)个像素对5*5窗口的局部均值,定义为
式中,n=5。
D1表示输入图像的全局均值,定义为
式中,M*N为原图像的大小,M=512,N=512。
σ1(i,j)为第(i,j)个像素对5*5窗口的局部标准方差,定义为
参数a,b,c,k均为图像处理的方差参数,这四个参数构成解的空间。这些参数的范围为:a∈[0,1.5],b∈[0,0.5],c∈[0,1],k∈[0.5,1.5]。
随机生成100组解,每个解包含四个参数。
步骤2.3:利用适应度函数选出融合参数的最优解。
适应度函数定义为:
式中:Ie为F1(u,v)与g1(i,j)的卷积,记作频谱模板,edgels(Ie)为频谱模板的边缘像素数量,通过Sobel边缘检测算法获得。E(Ie)为频谱模板中512*512个像素的强度之和,H(Ie)为频谱模板的熵值。
计算解空间中,适应度函数值最高的解为{a=0.3,b=0.2,c=0.6,k=1.1},
将该解代入静态血管图像待融合图像g1(i,j),该图像中包含了血管的管径信息。
步骤2.4:对动态血流图像I2进行与步骤2.1-2.3类似的操作,到最优的解空间{a=1.3,b=0.1,c=0.4,k=0.6}和待融合图像g2(i,j)。
步骤2.5:对两个待融合图像进行融合
融合的规则是:
A(i,j)=(g1(i,j)+g2(i,j))/2 (7)
式中,A(i,j)为融合结果,也即为清晰的活体血管信息图像。其中的信息主要有待测对象的血管管径信息和血流分布信息。
步骤3:检测所关注的血管是否发生阻塞
步骤3.1:在活体血管信息图像中用观察法定位所关注的待检测血管。
从上一步骤中得到的融合图像,分析所关注血管的管腔狭窄率。所关注的血管是重点怀疑有阻塞的血管。使用的判定标准为:管腔狭窄率=(血管平均管径-血管最狭窄处管径血管管径)×100%。
从血管信息图像中可得,该血管的管径狭窄率为71%,属于重度狭窄。
步骤3.3:获取活体血管信息图像中的血流分布信息
获取活体血管信息图像中的血流分布信息:先获得各个像素上对应的衬比值,衬比值的计算方式是计算图像窗口内的像素灰度值的标准差与均值之比;再将衬比值数据转换成血流灌注量,血流灌注量等于衬比值平方的倒数,再用不同的颜色来展示血流灌注量,完成融合图像的彩色化。
因此,由小鼠上肢血管信息图判断,判定为上肢阻塞。
同时观察患病小鼠上肢出现水肿的现象,最终判定为上肢静脉阻塞。
至此,完成了整个小鼠上肢周围性血管阻塞检测的过程。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (6)
1.一种用于周围血管阻塞性疾病检测的图像融合方法,其特征在于,包括以下步骤:
步骤1、获取两幅异源图像;
步骤2、使用图像融合方法对步骤1输出的两幅图像进行运算,得到活体血管信息图像;
步骤3、在活体血管信息图像中定位所关注的血管,计算反映血管健康状况的指标,通过指标检测该血管是否发生阻塞。
2.如权利要求1所述的一种用于周围血管阻塞性疾病检测的图像融合方法,其特征在于:所述步骤1使用近红外II区荧光血管成像技术和激光散斑血流成像技术得到两幅异源图像。
3.如权利要求1所述的一种用于周围血管阻塞性疾病检测的图像融合方法,其特征在于:所述反映血管健康状况的指标包括血管管径狭窄率和血液流速。
4.如权利要求1所述的一种用于周围血管阻塞性疾病检测的图像融合方法,其特征在于,所述步骤1具体为:
步骤1.1:获得静态血管图像
用Ag2S量子点和被测对象的红细胞进行耦联,标记被测对象的红细胞,将近红外LED光源照射在被量子点标记的被测对象上,使Ag2S量子点发出荧光,使用InGaAs相机拍摄被测对象发出荧光的区域,获得静态血管图像;
步骤1.2:获得动态血流图像
使用半导体激光器照射待测区域,待测对象会产生散斑,用CCD相机对待测对象产生散斑的区域进行曝光,获得动态血流图像;
步骤1.3:将步骤1.1和1.2中得到的两幅图像进行空间配准
使用空间配准法对静态血管图像和动态血流图像进行配准运算,输出两幅像素大小相同的异源图像。
5.如权利要求1所述的一种用于周围血管阻塞性疾病检测的图像融合方法,其特征在于,所述步骤2具体为:
步骤2.1:对单张输入图像进行傅里叶变换,得到傅里叶空间图像
一张M*N像素的图像记为I,f(i,j)是I第(i,j)个像素的灰度值,将I变换到傅里叶空间,变换的公式为:
F(u,v)为变换得到的傅里叶空间图像,(u,v)为傅里叶空间的坐标系;
步骤2.2:对步骤2.1得到的单张输入空间域图像进行变换运算,获得待融合图像,并生成融合参数的解空间
设立一个n*n的窗口大小,用于之后的分析;
将单张输入空间域图像I变换成待融合图像的公式为:
式中,g(i,j)为待融合图像,其包含了输入图像I的全局信息和局部信息,m(i,j)为第(i,j)个像素对n*n窗口的局部均值,定义为:
D表示输入图像I的全局均值,定义为:
式中,M*N为原图像的大小;
σ(i,j)为第(i,j)个像素对n*n窗口的局部标准方差,定义为:
参数a,b,c,k均为图像处理的方差参数,这四个参数构成解的空间,这些参数的范围为:a∈[0,1.5],b∈[0,0.5],c∈[0,1],k∈[0.5,1.5];
随机生成100组解,每个解包含符合要求的四个参数;
步骤2.3:利用适应度函数选出融合参数的最优解
适应度函数定义为:
式中:Ie为F(u,v)与g(i,j)的卷积,记作频谱模板,edgels(Ie)为频谱模板的边缘像素数量,通过图像处理领域中成熟的Sobel边缘检测算法获得;E(Ie)为频谱模板中M*N个像素的强度之和,H(Ie)为频谱模板的熵值;
对解空间中100个四元素解,分别求适应度函数的值,适应度函数值最高的解即为最优解{a,b,c,k};
步骤2.4:对步骤1中得到的两幅异源图像进行运算,分别生成待融合图像
对步骤1中得到的静态血管图像I1进行如步骤2.1-步骤2.3的运算,获得待融合图像g1(i,j),该图像中包含了血管的管径信息;
步骤2.5:对步骤1中得到的动态血流图像I2进行如步骤2.1-步骤2.3的运算,获得待融合图像g2(i,j),该图像中包含了血管中的血液流速信息;
步骤2.6:对两张待融合图像进行融合运算,获得活体血管信息图像融合的规则是
A(i,j)=(g1(i,j)+g2(i,j))/2 (7)
式中,A(i,j)为融合结果,也即为清晰的活体血管信息图像,其中的信息主要有待测对象的血管管径信息和血流分布信息。
6.如权利要求1所述的一种用于周围血管阻塞性疾病检测的图像融合方法,其特征在于,所述步骤3具体为:
步骤3.1:在活体血管信息图像中用观察法定位所关注的待检测血管;
步骤3.2:测量所关注血管的管腔狭窄率,对待测血管进行测量,其判定标准为:
管腔狭窄率=(血管平均管径-血管最狭窄处管径血管管径)×100% (8)
测量血管的管径就是测量由血管所占的像素数量,测量一整条血管的管径后,可以计算出平均管径和血管的最狭窄管径;
其中管腔狭窄率1%~49%为轻度狭窄,50%~69%为中度狭窄,70%~99%为重度狭窄;
步骤3.3:获取活体血管信息图像中的血流分布信息
获得各个像素上对应的衬比值,衬比值的计算方式是计算一个图像窗口内的像素灰度值的标准差与均值之比;再将衬比值数据转换成血流灌注量,血流灌注量等于衬比值平方的倒数,再用不同的颜色来展示血流灌注量,完成融合图像的彩色化;
通过伪彩色图像,看到哪一处血管发生了阻塞;综合分析所检测血管的管腔狭窄率和血液分布的彩色图像,分析是否有血栓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910515552.9A CN110084776A (zh) | 2019-06-14 | 2019-06-14 | 一种用于周围血管阻塞性疾病检测的图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910515552.9A CN110084776A (zh) | 2019-06-14 | 2019-06-14 | 一种用于周围血管阻塞性疾病检测的图像融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110084776A true CN110084776A (zh) | 2019-08-02 |
Family
ID=67424330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910515552.9A Pending CN110084776A (zh) | 2019-06-14 | 2019-06-14 | 一种用于周围血管阻塞性疾病检测的图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084776A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112611701A (zh) * | 2020-12-10 | 2021-04-06 | 天津大学 | 一种基于动态相干光学成像技术的循环肿瘤细胞检测装置 |
CN112990029A (zh) * | 2021-03-23 | 2021-06-18 | 桂林电子科技大学 | 一种评估静脉血管状态的方法 |
CN115633943A (zh) * | 2022-11-09 | 2023-01-24 | 东北大学 | 基于多模态连续监测信号的下肢静脉血栓预警评价系统 |
-
2019
- 2019-06-14 CN CN201910515552.9A patent/CN110084776A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112611701A (zh) * | 2020-12-10 | 2021-04-06 | 天津大学 | 一种基于动态相干光学成像技术的循环肿瘤细胞检测装置 |
CN112611701B (zh) * | 2020-12-10 | 2023-02-28 | 天津大学 | 一种基于动态相干光学成像技术的循环肿瘤细胞检测装置 |
CN112990029A (zh) * | 2021-03-23 | 2021-06-18 | 桂林电子科技大学 | 一种评估静脉血管状态的方法 |
CN112990029B (zh) * | 2021-03-23 | 2022-08-19 | 桂林电子科技大学 | 一种评估静脉血管状态的装置 |
CN115633943A (zh) * | 2022-11-09 | 2023-01-24 | 东北大学 | 基于多模态连续监测信号的下肢静脉血栓预警评价系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210106237A1 (en) | Method and system for image processing of intravascular hemodynamics | |
Deán-Ben et al. | Functional optoacoustic human angiography with handheld video rate three dimensional scanner | |
Deán‐Ben et al. | Volumetric hand‐held optoacoustic angiography as a tool for real‐time screening of dense breast | |
JP5818444B2 (ja) | 機能情報取得装置、機能情報取得方法、及びプログラム | |
JP6320374B2 (ja) | 内視鏡画像におけるフォトプレチスモグラフィーを用いて開存性を評価するシステム及びシステムの作動方法 | |
CN105473060B (zh) | 用于从远程检测到的电磁辐射中提取生理信息的系统和方法 | |
Jayanthy et al. | Measuring blood flow: techniques and applications–a review | |
CN110084776A (zh) | 一种用于周围血管阻塞性疾病检测的图像融合方法 | |
Rubins et al. | Real-time photoplethysmography imaging system | |
CN109662735B (zh) | 皮肤血流灌注量的测量方法 | |
KR101746763B1 (ko) | 망막 또는 맥락막 내 혈관조영 광가간섭 단층촬영 장치 및 이를 이용한 질병 진단방법 | |
US20160331239A1 (en) | Contact-free physiological monitoring during simultaneous magnetic resonance imaging | |
US20230346232A1 (en) | Methods, Systems and Computer Program Products for Calculating MetaKG Signals for Regions Having Multiple Sets of Optical Characteristics | |
CA3132140C (en) | Intrinsic contrast optical cross-correlated wavelet angiography | |
US11950894B2 (en) | Optical coherence imager | |
Irisawa et al. | Photoacoustic imaging system for peripheral small-vessel imaging based on clinical ultrasound technology | |
JP6415650B2 (ja) | 機能情報取得装置、機能情報取得方法、及びプログラム | |
Applegate et al. | Real-time handheld probe tracking and image formation using digital frequency-domain diffuse optical spectroscopy | |
Lai et al. | Evaluation of a non-contact Photo-Plethysmographic Imaging (iPPG) system for peripheral arterial disease assessment | |
Blazek et al. | Selected Clinical Applications of Functional PPGI Perfusion Mapping in Dermatology | |
James | Holographic Fourier domain diffuse correlation spectroscopy | |
KR20240068523A (ko) | Rgb 카메라를 이용한 조직내 산소 모니터링 방법 및 장치 | |
He et al. | Quality control in clinical raster-scan optoacoustic mesoscopy | |
WO2018165992A1 (zh) | 一种多通道脑功能成像装置及方法 | |
US20100074497A1 (en) | Stabilization of imaging methods in medical diagnostics |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190802 |