CN110120031B - 一种得到血管血流储备分数的方法和装置 - Google Patents

一种得到血管血流储备分数的方法和装置 Download PDF

Info

Publication number
CN110120031B
CN110120031B CN201910262198.3A CN201910262198A CN110120031B CN 110120031 B CN110120031 B CN 110120031B CN 201910262198 A CN201910262198 A CN 201910262198A CN 110120031 B CN110120031 B CN 110120031B
Authority
CN
China
Prior art keywords
blood vessel
image
blood
frame
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
Application number
CN201910262198.3A
Other languages
English (en)
Other versions
CN110120031A (zh
Inventor
杨勇
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.)
Sichuan Jinjiang Electronic Medical Device Technology Co ltd
Original Assignee
Sichuan Jinjiang Electronic Science and Technology Co Ltd
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 Sichuan Jinjiang Electronic Science and Technology Co Ltd filed Critical Sichuan Jinjiang Electronic Science and Technology Co Ltd
Priority to CN201910262198.3A priority Critical patent/CN110120031B/zh
Publication of CN110120031A publication Critical patent/CN110120031A/zh
Application granted granted Critical
Publication of CN110120031B publication Critical patent/CN110120031B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical 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
    • G06T2207/10116—X-ray image
    • G06T2207/10121—Fluoroscopy
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及血流储备分数，具体涉及一种得到血管血流储备分数的方法，其步骤为：A、接收血管造影单元的血管图像，以时间为顺序处理为序列图像数据；B、利用基于偏微分方程的非线性扩散滤波对序列图像数据进行去噪处理；C、将血管图像从背景图像中分割；D、对血管图像进行小波边缘检测，通过分解出图像的突变点实现提取血管图像的边缘；E、依据血管图像和每帧图像之间的时间间隔，得到血管血流储备分数；本发明的发明目的在于提供一种避免采用介入诊断可能带来的创伤风险、耗时短、且能够准确得到血流储备分数的方法，以及对应的装置。

Description

一种得到血管血流储备分数的方法和装置
技术领域
本发明涉及血流储备分数，具体涉及一种得到血管血流储备分数的方法和装置。
背景技术
如今，心血管疾病一直以来都是人类健康的重大危害之一，其中心脏血管狭窄会对心肌供血造成直接影响，严重的会导致心肌梗塞等危害患者生命的疾病。在临床应用中对血管狭窄程度的评估就显得尤其重要。血管造影能真实反映血管的狭窄部位，但不可能准确地评估血管的狭窄程度，对后续治疗不能提供有效的支撑。
血流储备分数(Fractional Flow Reserve，FFR)指在冠状动脉存在狭窄病变的情况下，该血管所供心肌区域能获得的最大血流与同一区域理论上正常情况下所能获得的最大血流之比。
血流存储备分数能客观地反映血管的狭窄程序，是国际广泛认可的对血管狭窄程度有效评估的方法，对冠状动脉狭窄的治疗策略具有重要的指导意义。
目前，获取血流储备分数采用的技术是通过介入血管的压力传感器获取血管在正常部位和狭窄部位的压力差比值来确定血管的血流分数，例如介入导管或导丝，这类方法有创伤血管的风险，且临床费用较高，耗时较长。
本发明创新地提供了一种基于对血管造影序列图像数据进行处理，从处理后的图像数据计算血管血流动力学参数，利用血流动力学原理计算血流储备分数的方法和装置。本方法通过对具有复杂形态和病变情况的血管造影图像进行血流动力学分析，既可通过计算血管的血流量，也可通过计算血管的压力差，从而获得血流储备分数，避免了采用介入诊断可能带来的创伤风险；采用符合造影剂和血液流动非线性扩散特性的基于偏微分方程和玻耳兹曼理论的图像处理方法，较之其他方法能更有效消除噪声，血管图像得到增强，血管边缘平滑清晰、易于辨识；采用高运算效率图像处理方法、存储和计算装置，可快速地实现在手术过程中获取血流储备分数的评估，克服了传统方法耗时较长的问题。
发明内容
针对现有技术存在的问题，本发明的发明目的在于提供一种避免采用介入诊断可能带来的创伤风险、耗时短、且能够准确得到血流储备分数的方法，以及对应的装置。
为了实现上述目的，本发明采用的技术方案为：
一种得到血管血流储备分数的方法，其步骤为：
A、接收血管造影单元的血管图像，以时间为顺序处理为序列图像数据；
B、利用基于偏微分方程的非线性扩散滤波对序列图像数据进行去噪处理；
C、将血管图像从背景图像中分割；
D、对血管图像进行小波边缘检测，通过分解出图像的突变点实现提取血管图像的边缘；
E、依据血管图像和每帧图像之间的时间间隔，得到血管血流储备分数。
通过步骤B中的利用基于偏微分方程的非线性扩散滤波对序列图像数据进行去噪处理的方式，有效抑制了噪声，又很好的保留了血管的边缘和细节特征，同时，也便于步骤C中的分割效果更好，血管图像更准确，且在步骤D中进行小波边缘检测，通过分解出图像的突变点实现提取血管图像的边缘，血管图像的准确度更高，便于步骤E中的计算，使最终的血管血流储备分数更准确，全程没有介入过程，避免采用介入诊断可能带来的创伤风险，且耗时更短。
作为本发明的优选方案，步骤B中，所述去噪处理后，对得到的图像数据进行边缘锐化处理，使得因形态有细微分叉的血管主干更清晰，辨识度更高，避免因血管细微分叉而引入的计算误差。
作为本发明的优选方案，步骤C进行所述分割前，利用直方图均衡方法对序列图像数据实施增强处理，使得血管图像与背景图像的差异更大，使得感兴趣的血管区域得以与背景区域有更强的对比度和辨识度。
作为本发明的优选方案，步骤C中，所述分割过程采用基于玻耳兹曼理论的区域增长算法实现，分割更准确，血管图像精度更高，误差更低。
作为本发明的优选方案，其特征在于，步骤A中，先在所述血管图像内的感兴趣区域内确定血管的近端和远端，近端确定为正常血流通过处，远端确定为血管狭窄部位，所述序列图像数据是在一段时间内造影剂从血管的近端至远端的一系列造影图像数据。
作为本发明的优选方案，步骤E中，依据血管图像和每帧图像之间的时间间隔，先计算出血流量数据，再通过血流量数据得到血管血流储备分数。
作为本发明的优选方案，步骤E中，依据血管图像和每帧图像之间的时间间隔，先计算出压力差数据，再通过压力差数据得到血管血流储备分数。
本申请还公开了一种得到血管血流储备分数的装置，其包括：
图像接收模块，用于接收血管造影单元的血管图像，并以时间为顺序处理为序列图像数据；
图像处理模块，用于接收所述序列图像数据，并利用基于偏微分方程的非线性扩散滤波对序列图像数据进行去噪处理，再将血管图像从背景图像中分割，对血管图像进行小波边缘检测，通过分解出图像的突变点实现提取血管图像的边缘，最终依据血管图像和每帧图像之间的时间间隔，得到血管血流储备分数。
通过图像处理模块的利用基于偏微分方程的非线性扩散滤波对序列图像数据进行去噪处理的功能，有效抑制了噪声，又很好的保留了血管的边缘和细节特征，同时，分割效果更好，血管图像更准确，且所述小波边缘检测则通过分解出图像的突变点实现提取血管图像的边缘，使血管图像的准确度更高，便于后续的计算，使最终的血管血流储备分数更准确，全程没有介入过程，避免采用介入诊断可能带来的创伤风险，且耗时更短。
作为本发明的优选方案，所述图像处理模块还能够在所述去噪处理后，对得到的图像数据进行边缘锐化处理。
作为本发明的优选方案，所述图像处理模块还能够在进行所述分割前，利用直方图均衡方法对序列图像数据实施增强处理，使得血管图像与背景图像的差异更大。
本发明的有益效果是：避免采用介入诊断可能带来的创伤风险、耗时短、且能够准确得到血流储备分数。
附图说明
图1为本发明装置的结构示意图；
图中标记：1-图像接收模块，2-存储模块，3-图像处理模块。
具体实施方式
下面结合实施例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明的发明内容所实现的技术均属于本发明的范围。
实施例1
一种得到血管血流储备分数的方法，其步骤为：
A、接收血管造影单元的血管图像，以时间为顺序处理为序列图像数据，具体为将图像数据按照装置(当前所用设备)的格式转换为序列图像数据IK,M×N，其中K表示图像序列帧数，M表示每帧图像数据横向像素个数，N表示每帧图像数据纵向像素个数，将序列图像数据IK,M×N存储在储存载体上，然后载体将序列图像数据IK,M×N输入至图像处理载体上，图像处理载体在所述血管图像内的感兴趣区域内确定血管的近端和远端，近端确定为正常血流通过处，远端确定为血管狭窄部位，所述序列图像数据是在一段时间内造影剂从血管的近端至远端的一系列造影图像数据，即血管图像数据包含血液在血管内流动的具有解剖学意义的空间和时间关系；
B、去噪处理：
如果图像数据是RGB彩色图像，可选择对序列图像数据进行灰度化处理，既减小图像处理的存储量，又提高图像处理速率，计算公式如下：
I(i,j)＝0.299×I(i,j,r)+0.758×I(i,j,g)+0.114×I(i,j,b)
其中r、g、b为图像像素点的RGB编码值；
首先采用拉普拉斯变换进行消噪处理，在本实施例中选取5阶的拉普拉斯算子：
Figure GDA0003627618240000051
通过用拉普拉斯算子对序列图像数据进行滤波，消除图像中的高频噪声，有利用提高后续对血管边缘的增强处理，其计算公式为：
Figure GDA0003627618240000052
Figure GDA0003627618240000053
其中G为当前处理的像素点为中心的相邻像素点组成的灰度值矩阵根据血管序列图像数据包含造影剂在血管中流动的非线性扩散特征，即呈现随空间和时间变化由高浓度向低浓度流动，利用基于偏微分方程的非线性滤波方法对图像进行去噪处理：
Figure GDA0003627618240000061
其中，
Figure GDA0003627618240000062
为图像像素点的梯度，div为扩散算子，fdiffuse(x)为扩散函数，强度系数A在实施例中取值范围为0.70，时间步长t在实施例中取值为0.01～0.2，I0(i,j)为初始化图像。
Figure GDA0003627618240000063
其中，λ1、λ2和ω为阈值，在实施例中取值为3、6和2，系数A和B在实施例中取值为4和2，系数
Figure GDA0003627618240000064
在实施例中取值为0.2。
利用基于偏微分方程的非线性扩散滤波，迭代地计算序列图像数据IK,M×N，在实施例中迭代的次数取值范围为10～30次。当扩散函数fdiffuse(x)随图像像素点梯度模
Figure GDA0003627618240000065
减小而逐渐增大时，扩散趋向平滑；当图像像素点梯度模
Figure GDA0003627618240000066
处于[λ2-ω,λ2+ω]之间时，扩散函数fdiffuse(x)取值为负，即实现对血管边缘的锐化增强处理；当图像像素点梯度模
Figure GDA0003627618240000067
取值较大时，扩散函数fdiffuse(x)取值趋小，从而较好的保留血管边缘。处理后的图像既有效抑制了噪声，又很好的保留了血管的边缘和细节特征；
对形态复杂和病变情况的血管图像数据进行边缘锐化处理，使得因形态有细微分叉的血管主干更清晰，辨识度更高，避免因血管细微分叉而引入的计算误差。所述的图像边缘锐化采用伽马校正，在实施例中也可采用效果类似的其他算法，让血管图像与背景图像的边缘更清晰，为下一步增强处理提供支撑，其计算公式为：
Figure GDA0003627618240000071
g＝max[0，min[255I(i，j)]] 1≤i≤M，1≤j≤N
I(i，j)＝Gamma[g]
其中Gamma为变换系数集合，幂指数r根据图像质量设定取值范围为0.1～10.0，g为图像像素点的灰度值。对图像边缘锐化处理，得到血管边缘增强后的序列图像数据；
C、分割：
因血管造影图像的背景通常与血管图像的对比度较低，导致在后续对血管图像进行分割时，容易造成误分割或过度分割的情况。利用直方图均衡方法对序列图像数据进一步实施增强处理，使得血管图像与背景图像有更明显的差异，提高了血管图像的辨识度，其计算公式为：
Figure GDA0003627618240000072
Figure GDA0003627618240000073
Figure GDA0003627618240000074
Figure GDA0003627618240000075
Figure GDA0003627618240000076
I(i，j)＝Hvalue[I(i，j)]
其中，Hvalue为图像数据的直方图测量值，通过对序列图像数据IK,M×N进行直方图均衡处理，使得感兴趣的血管区域得以与背景区域有更强的对比度和辨识度；
将血管图像从背景图像中清晰、准确地分割，采用基于玻耳兹曼理论的区域增长算法实现。其基本公式为F＝E-TS，其中E代表能量、T代表温度、S代表熵。一个值点从自由能级Fi跳跃到自由能级Fj的概率为
Figure GDA0003627618240000081
其中ΔF＝|Fi-Fj|。
将玻耳兹曼理论应用于血管图像数据分割的集合区域增长算法，图像像素点是否属于同一集合的概率公式为：
Figure GDA0003627618240000082
ΔF＝(A(I(i,j)-I(i,j-1))2+B(I(i,j)-I(i,j+1))2)1/2+(C(I(i-1,j)-I(i,j))2+D(I(i+1,j)-I(i,j))2)1/2 1≤i≤M,1≤j≤N
其中A、B、C、D为常数，在实施例中取值范围为0.1～1.0。
确定图像像素点I(i,j)为一个集合U1的初始点(实施例为在图像中预先确定的近端和远端点)。
W步骤：检索I(i,j)相邻的4个图像像素点I(i,j-1)、I(i,j+1)、I(i-1,j)、I(i+1,j)，另可选择相邻的8个图像像素点，计算两个相邻的像素点的βi概率。
X步骤：判定概率是否超过概率阈值，根据图像质量的差异，概率阈值的取值范围为0.7～0.9。如果βi概率超过概率阈值，则相邻像素点属于集合U1，否则属于集合U2。同时将相邻像素点设置已检索标志，避免重复检索。
循环执行W和X步骤，直至集合U1周围无可检索的像素点。
将属于U1集合的像素点的灰度值设置为255，将属于U2集合的像素点的灰度值设置为0，即将图像数据中感兴趣的血管区域提取为VM×N，M表示每帧图像数据横向像素个数，N表示每帧图像数据纵向像素个数。
对序列图像数据中的每帧图像进行上述图像灰度化、图像增强、图像分割处理，直至序列中所有图像都处理完成，形成由血管近端至远端的序列图像数据VK,M×N，其中K表示图像序列帧数，M表示每帧图像数据横向像素个数，N表示每帧图像数据纵向像素个数。
D、对血管图像进行小波边缘检测，通过分解出图像的突变点实现提取血管图像的边缘。所述小波变换函数如下：
Figure GDA0003627618240000091
Figure GDA0003627618240000092
Figure GDA0003627618240000093
其中，系数Ak+Ak+2＝1。通过上述公式对血管图像VK,M×N进行小波边缘检测，当f3(I(i,j))出现局部突变时，即为血管的边缘像素点，将边缘像素点标记为BK(i,j)。
对血管图像进行形态学腐蚀处理(Morphology Erode)，提取血管的中心轴线。
Y步骤：以血管图像的两侧边缘像素点BK(i,j)为初始点。
Z步骤：检索BK(i,j)的相邻像素点，如果属于集合VK,M×N，则设置已检索标志。
循环执行Y～Z步骤，直至BK(i,j)周围不再环绕有未检索的像素点，剩余的像素点即为血管的中心轴线LK。
进一步可选的方法是对剩余的像素点进行曲线拟合，得到血管的中心轴线LK。在实施例中可采用最小二乘曲线拟合方法。
在血管的同一横截面从边缘像素点BK(i,j)至中心轴线LK的像素点个数即为血管管腔的半径rK。另外可选择的方法是通过一段血管的边缘像素点BK(i,j)至中心轴线LK的像素点个数求得该段血管管腔的平均半径rK(血管的半径的准确度直接决定了计算血管横截面积的准确度，进而决定了计算血流量的准确度)；
E、依据血管图像和每帧图像之间的时间间隔，得到血管血流储备分数：
计算血管图像的长度，第一种方式，从血管图像的近端像素点开始，逐个检索中心轴线LK包含的像素点，同时计数LK,count，直至最终检索到血管图像的远端像素点，LK,count即为血管图像的长度。由方法一计算的血管图像的长度可能由于像素点存在曲折等情况，造成一定的误差；第二种方式，通过对血管图像的中心轴线LK进行曲线拟合，从而计算拟合后曲线的长度得到血管图像的长度LK,count。在实施例中曲线拟合可采用最小二乘曲线拟合(Least Square Fitting,LSF)，或采用其他曲线拟合方法；
依据血管图像的近端和远端位置、血管边缘位置、血管的中心轴线、血管在近端和远端的血管管腔半径，求得血管在近端和远端的血管管腔横截面积：
S＝πr2，其中S为管腔横截面积，r为管腔半径。
计算出每帧图像之间的时间间隔：
储存载体计算造影剂由血管近端所在图像帧到达血管远端所在图像帧的时间间隔。
储存载体计算获取的造影剂由血管近端所在图像帧到达血管远端所在图像帧之间的帧数。
通过时间间隔和序列图像帧数，可计算出每帧图像之间的时间间隔TK。
在具体实施例中，不同型号的数字减影血管造影机会不同的造影图像帧率，因此计算的时间间隔TK也会不同。一般来讲，造影序列图像的帧率为30帧/秒。通过血管图像和时间间隔，计算血管近端和远端的血流量。在血管图像VK,M×N指定的某个横截面处，计算若干相邻帧血管图像的像素变化量，其公式如下：
Figure GDA0003627618240000111
其中，S为血管的管腔横截面积，t0和tn分别为指定的若干血管图像帧的起始帧与终止帧。由像素变化量和若干相邻帧血管图像的时间间隔求得血管图像指定的某个横截面的在时间间隔内的血流量Fa和Fd。时间间隔
Figure GDA0003627618240000112
在实施例中根据血管的形态和病变情况，以及造影图像生成的帧率，可选择1～10帧血管图像用于计算血流量。
通过若干血管图像帧的时间间隔和血流量，利用血流动力学公式计算血流速度：
Figure GDA0003627618240000113
其中F为通过若干帧血管图像的血流量，T为血管图像的若干帧的时间间隔，t0和tn分别为指定的若干血管图像帧的起始帧与终止帧。由公式可计算确定血管近端和远端的血流速度Qa和Qd。在实施例中根据血管的形态和病变情况，可选择1～10帧血管图像用于计算血流速度。
通过血管的半径、长度，计算血管指定的近端和远端的血流阻力Ra和Rd：
Figure GDA0003627618240000121
其中L为用于计算血流阻力的血管长度，r为用于计算血流阻力的血半径，η为血液粘滞系数，在人体环境内基本保持恒定，即可认为是恒定系数。在实施例中可设定值范围为0.1～1.0。
或者由血管的血流量和血流阻力，分别计算血管近端压力差Pa和远端的压力差Pd，利用计算血流动力学参数的基本公式：
Figure GDA0003627618240000122
其中Q为血管某个横截面的血流速度，R为血管某个横截面的血流阻力，t0和tn分别为指定的若干血管图像帧的起始帧与终止帧。
最终计算血管的血流储备分数：
方法一是通过血管近端和远端的压力差，计算血管的血流储备分数。
因介入导管或导丝是只能通过测量血管近端和远端的压力差来计算血流储备分数，所以本实施例可通过对血管图像的处理获得血管近端和远端的压力差来计算血流储备分数，用以与通过介入血管的压力传感器测量的结果进行对比评估。计算公式如下：
Figure GDA0003627618240000123
其中，Pa为血管近端压力差，Pd为远端的压力差，因Pa表示血流能正常通过的血管区域的压力差，Pd表示血管狭窄处的压力差，所以计算的血流储备分数能反映血流通过血管狭窄处后压力的降低比率，从而可客观的评估血管的狭窄程度。
方法二是通过血管近端和远端的血流量，计算血管的血流储备分数。根据血流储备分数的定义，本发明也可采用对血管图像的处理获得血管近端和远端的血流量来计算血流储备分数，计算公式如下：
Figure GDA0003627618240000131
其中，Fa为血管近端血流量，Fd为远端的血流量，因Fa表示血流能正常通过的血管区域的血流量，Fd表示血管狭窄处的血流量，所以计算的血流储备分数能反映血流通过血管狭窄处后血流量的降低比率，从而可客观的评估血管的狭窄程度。
通过血管的血流储备分数，评估血管狭窄程度。血流储备分数为血管狭窄程度提供了比较直接的评估标准，一般来说当血流储备分数FFR＞0.80时，表示血管狭窄程度在可接受范围内；当血流储备分数FFR＜0.70时，表示血管狭窄程度的风险可能较高。
将计算得到的血流储备分数输入装置的显示模块，通过人机接口显示。
所述的用于显示的人机接口包含图像显示软件、显示器、打印机等，所述的显示模块可显示血管造影序列图像数据，所述的显示模块可显示血管序列图像数据处理后的清晰的独立的血管图像。另外可选择显示虚拟的血管三维图像。
所述的显示模块可通过数值显示血管的血流储备分数，既可评估血管的狭窄程度，亦可评估术后血管的恢复程度。
所述的显示模块可用颜色的差异来附加表示血管狭窄部位的狭窄程度，显示的狭窄程度与血流储备分数相关。例如可用从红、橙、黄、绿、青、蓝、紫的过渡色来表示血管的狭窄程度，如用红色代表血流储备分数远低于0.70的程度，如用紫色代表血流储备分数接近1.00的程度。颜色既可显示在血管图像上，也可以显示在数值上。
如图1，本实施例还公开了一种得到血管血流储备分数的装置，其包括：
图像接收模块1，用于接收血管造影单元的血管图像，并以时间为顺序处理为序列图像数据，所述装置的图像接收模块1包含与数字减影血管造影机连续的图像传输接口、用于图像接收的线缆、图像接收接口和图像转换器等。所述的图像转换器是将数字减影血管造影机传输的图像数据按照指定数据格式转换的处理单元，例如图像采集卡等；
存储模块2，用于储存所述序列图像数据，所述的存储模块2包含序列图像数据的控制逻辑、物理存储介质等，例如图像存储软件、内存、硬盘等。
图像处理模块3(所述的图像处理模块3包含控制逻辑、图像处理逻辑、物理处理单元等，例如图像处理芯片、图像处理软件等，上述方法的近端和远端的确定，通过人机接口操作，人机接口包含显示器、打印机、用户界面、鼠标和键盘等)，用于接收所述序列图像数据，并利用基于偏微分方程的非线性扩散滤波对序列图像数据进行去噪处理，再将血管图像从背景图像中分割，对血管图像进行小波边缘检测，通过分解出图像的突变点实现提取血管图像的边缘，最终依据血管图像和每帧图像之间的时间间隔，得到血管血流储备分数。
所述图像处理模块3还能够在所述去噪处理后，对得到的图像数据进行边缘锐化处理，所述图像处理模块3还能够在进行所述分割前，利用直方图均衡方法对序列图像数据实施增强处理，使得血管图像与背景图像的差异更大。

Claims (7)

1.一种得到血管血流储备分数的方法，其特征在于，步骤为：
A、接收血管造影单元的血管图像，在所述血管图像内的感兴趣区域内确定血管的近端和远端，近端确定为正常血流通过处，远端确定为血管狭窄部位；以时间为顺序处理为序列图像数据，即在一段时间内造影剂从血管的近端至远端的一系列造影图像数据；
B、利用基于偏微分方程的非线性扩散滤波对序列图像数据进行去噪处理；
C、将血管图像从背景图像中分割，所述分割过程采用基于玻耳兹曼理论的区域增长算法实现；
D、对血管图像进行小波边缘检测，通过分解出图像的突变点实现提取血管图像的边缘；并且对血管图像进行形态学腐蚀处理，提取血管的中心轴线，并且通过所述血管图像的边缘和血管的中心轴线，求得血管管腔的半径；
步骤D中具体包括：
小波变换的函数如下：
Figure FDA0003561646070000011
Figure FDA0003561646070000012
Figure FDA0003561646070000013
其中，系数Ak+Ak+2＝1，通过上述公式对血管图像VK，M×N进行小波边缘检测，当f3(I(i，j))出现局部突变时，即为血管的边缘像素点，将边缘像素点标记为BK(i，j)；Y步骤：以血管图像的两侧边缘像素点BK(i，j)为初始点；
Z步骤：检索BK(i，j)的相邻像素点，如果属于集合VK，M×N，则设置已检索标志；
循环执行Y～Z步骤，直至BK(i，j)周围不再环绕有未检索的像素点，剩余的像素点采用最小二乘曲线拟合方法进行曲线拟合，得到血管的中心轴线LK；
通过一段血管的边缘像素点BK(i，j)至中心轴线LK的像素点个数求得该段血管管腔的平均半径，所述平均半径作为该段血管的血管管腔的半径；
E、依据血管图像和每帧图像之间的时间间隔，得到血管血流储备分数；
步骤E具体包括以下步骤：
求得血管在近端和远端的血管管腔横截面积，S＝πr2，其中S为管腔横截面积，r为血管管腔半径；通过对血管图像的中心轴线LK进行曲线拟合，从而计算拟合后曲线的长度得到血管图像的长度；
计算造影剂由血管近端所在图像帧到达血管远端所在图像帧的时间间隔；计算获取的造影剂由血管近端所在图像帧到达血管远端所在图像帧之间的帧数；通过时间间隔和序列图像帧数，计算出每帧图像之间的时间间隔TK；计算血管近端的血流量和血管远端的血流量，血流量计算公式为：
Figure FDA0003561646070000021
其中，S为血管的管腔横截面积，t0和tn分别为指定的若干血管图像帧的起始帧与终止帧；
通过若干血管图像帧的时间间隔T和血流量F，利用血流动力学公式计算血管近端的血流速度Qa和血管远端的血流速度Qd，其中，血流速度计算公式为：
Figure FDA0003561646070000031
其中F为通过若干帧血管图像的血流量，T为血管图像的若干帧的时间间隔，t0和tn分别为指定的若干血管图像帧的起始帧与终止帧；
分别计算血管近端压力差Pa和远端的压力差Pd，压力差计算公式为：
Figure FDA0003561646070000032
其中，L为用于计算血流阻力的血管长度，r为用于计算血流阻力的血半径，η为血液粘滞系数；
最后，计算血管的血流储备分数FFR，
Figure FDA0003561646070000033
2.根据权利要求1所述的得到血管血流储备分数的方法，其特征在于，步骤B中，所述去噪处理后，对得到的图像数据进行边缘锐化处理。
3.根据权利要求1所述的得到血管血流储备分数的方法，其特征在于，步骤C进行所述分割前，利用直方图均衡方法对序列图像数据实施增强处理，使得血管图像与背景图像的差异更大。
4.根据权利要求1所述的得到血管血流储备分数的方法，其特征在于，步骤E中，依据血管图像和每帧图像之间的时间间隔，先计算出血流量数据，再通过血流量数据得到血管血流储备分数。
5.一种得到血管血流储备分数的装置，其特征在于，包括：图像接收模块，用于接收血管造影单元的血管图像，并以时间为顺序处理为序列图像数据；
图像处理模块，用于接收所述序列图像数据，并利用基于偏微分方程的非线性扩散滤波对序列图像数据进行去噪处理，再将血管图像从背景图像中分割，对血管图像进行小波边缘检测，通过分解出图像的突变点实现提取血管图像的边缘，最终依据血管图像和每帧图像之间的时间间隔，得到血管血流储备分数；
所述图像处理模块还用于执行以下步骤：
对血管图像进行形态学腐蚀处理，提取血管的中心轴线，并且通过所述血管图像的边缘和血管的中心轴线，求得血管管腔的半径；
求血管管腔的半径的具体步骤包括：
小波变换的函数如下：
Figure FDA0003561646070000041
Figure FDA0003561646070000042
Figure FDA0003561646070000043
其中，系数Ak+Ak+2＝1，通过上述公式对血管图像VK，M×N进行小波边缘检测，当f3(I(i，j))出现局部突变时，即为血管的边缘像素点，将边缘像素点标记为BK(i，j)；Y步骤：以血管图像的两侧边缘像素点BK(i，j)为初始点；
Z步骤：检索BK(i，j)的相邻像素点，如果属于集合VK，M×N，则设置已检索标志；
循环执行Y～Z步骤，直至BK(i，j)周围不再环绕有未检索的像素点，剩余的像素点采用最小二乘曲线拟合方法进行曲线拟合，得到血管的中心轴线LK；
通过一段血管的边缘像素点BK(i，j)至中心轴线LK的像素点个数求得该段血管管腔的平均半径，所述平均半径作为该段血管的血管管腔的半径；
依据血管图像和每帧图像之间的时间间隔，得到血管血流储备分数的具体步骤包括：
求得血管在近端和远端的血管管腔横截面积，S＝πr2，其中S为管腔横截面积，r为血管管腔半径；通过对血管图像的中心轴线LK进行曲线拟合，从而计算拟合后曲线的长度得到血管图像的长度；
计算造影剂由血管近端所在图像帧到达血管远端所在图像帧的时间间隔；计算获取的造影剂由血管近端所在图像帧到达血管远端所在图像帧之间的帧数；通过时间间隔和序列图像帧数，计算出每帧图像之间的时间间隔TK；计算血管近端的血流量和血管远端的血流量，血流量计算公式为：
Figure FDA0003561646070000051
其中，S为血管的管腔横截面积，t0和tn分别为指定的若干血管图像帧的起始帧与终止帧；
通过若干血管图像帧的时间间隔T和血流量F，利用血流动力学公式计算血管近端的血流速度Qa和血管远端的血流速度Qd，其中，血流速度计算公式为：
Figure FDA0003561646070000052
其中F为通过若干帧血管图像的血流量，T为血管图像的若干帧的时间间隔，t0和tn分别为指定的若干血管图像帧的起始帧与终止帧；
分别计算血管近端压力差Pa和远端的压力差Pd，压力差计算公式为：
Figure FDA0003561646070000061
其中，L为用于计算血流阻力的血管长度，r为用于计算血流阻力的血半径，η为血液粘滞系数；
最后，计算血管的血流储备分数FFR，
Figure FDA0003561646070000062
6.根据权利要求5所述的得到血管血流储备分数的装置，其特征在于，所述图像处理模块还能够在所述去噪处理后，对得到的图像数据进行边缘锐化处理。
7.根据权利要求6所述的得到血管血流储备分数的装置，其特征在于，所述图像处理模块还能够在进行所述分割前，利用直方图均衡方法对序列图像数据实施增强处理，使得血管图像与背景图像的差异更大。
CN201910262198.3A 2019-04-02 2019-04-02 一种得到血管血流储备分数的方法和装置 Active CN110120031B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910262198.3A CN110120031B (zh) 2019-04-02 2019-04-02 一种得到血管血流储备分数的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910262198.3A CN110120031B (zh) 2019-04-02 2019-04-02 一种得到血管血流储备分数的方法和装置

Publications (2)

Publication Number Publication Date
CN110120031A CN110120031A (zh) 2019-08-13
CN110120031B true CN110120031B (zh) 2022-05-31

Family

ID=67520787

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910262198.3A Active CN110120031B (zh) 2019-04-02 2019-04-02 一种得到血管血流储备分数的方法和装置

Country Status (1)

Country Link
CN (1) CN110120031B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021042479A1 (zh) * 2019-09-05 2021-03-11 苏州润迈德医疗科技有限公司 便捷测量冠状动脉血管评定参数的方法、装置及系统
CN113876304A (zh) * 2021-09-08 2022-01-04 深圳市中科微光医疗器械技术有限公司 一种基于oct图像和造影图像确定ffr的方法及装置
CN113616160B (zh) * 2021-09-14 2024-02-06 苏州博动戎影医疗科技有限公司 基于多模态医学影像的ffr确定方法、装置、设备及介质
CN114897904B (zh) * 2022-07-14 2022-10-28 青岛美迪康数字工程有限公司 基于mra序列图像确定血流储备分数的方法及装置
CN117830308B (zh) * 2024-03-05 2024-05-10 西安交通大学医学院第一附属医院 一种介入手术前后血管造影智能对比分析方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105190630A (zh) * 2013-01-15 2015-12-23 凯瑟沃克斯有限公司 计算血流储备分数
CN106327487A (zh) * 2016-08-18 2017-01-11 苏州润心医疗科技有限公司 基于x射线冠脉造影图像的冠状动脉血流储备分数计算方法
CN108471995A (zh) * 2015-09-30 2018-08-31 上海联影医疗科技有限公司 确定医学图像中乳房区域的系统和方法
CN108511075A (zh) * 2018-03-29 2018-09-07 向建平 一种非侵入式获取血流储备分数的方法和系统
CN108735270A (zh) * 2018-05-25 2018-11-02 杭州脉流科技有限公司 基于降维模型的血流储备分数获取方法、装置、系统和计算机存储介质
CN108992057A (zh) * 2018-06-05 2018-12-14 杭州晟视科技有限公司 一种确定冠状动脉血流储备分数ffr的方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105190630A (zh) * 2013-01-15 2015-12-23 凯瑟沃克斯有限公司 计算血流储备分数
CN108471995A (zh) * 2015-09-30 2018-08-31 上海联影医疗科技有限公司 确定医学图像中乳房区域的系统和方法
CN106327487A (zh) * 2016-08-18 2017-01-11 苏州润心医疗科技有限公司 基于x射线冠脉造影图像的冠状动脉血流储备分数计算方法
CN108511075A (zh) * 2018-03-29 2018-09-07 向建平 一种非侵入式获取血流储备分数的方法和系统
CN108735270A (zh) * 2018-05-25 2018-11-02 杭州脉流科技有限公司 基于降维模型的血流储备分数获取方法、装置、系统和计算机存储介质
CN108992057A (zh) * 2018-06-05 2018-12-14 杭州晟视科技有限公司 一种确定冠状动脉血流储备分数ffr的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"图像去噪增强算法的研究";张富平;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150115;第17-18、33页 *

Also Published As

Publication number Publication date
CN110120031A (zh) 2019-08-13

Similar Documents

Publication Publication Date Title
CN110120031B (zh) 一种得到血管血流储备分数的方法和装置
CN111227822B (zh) 基于心肌血流量和ct图像的冠状动脉血流储备分数计算方法
CN104768465B (zh) 血流储备分数(ffr)指标
EP3723038B1 (en) Fast calculation method and system employing plaque stability index of medical image sequence
CN111227821B (zh) 基于心肌血流量和ct图像的微循环阻力指数计算方法
WO2019210553A1 (zh) 基于造影图像和流体力学模型的微循环阻力指数计算方法
CN108492300B (zh) 管状结构增强与能量函数结合的肺部血管树分割方法
CN106803251B (zh) 由ct影像确定主动脉缩窄处压力差的装置与方法
CN110910370B (zh) 一种cta图像冠脉狭窄检测的方法及装置
Kurugol et al. Automated quantitative 3D analysis of aorta size, morphology, and mural calcification distributions
CN108348206A (zh) 用于无创血流储备分数(ffr)的侧支流建模
CN110786842B (zh) 测量舒张期血流速度的方法、装置、系统及存储介质
CN114782358A (zh) 一种血管形变自动计算的方法、装置及存储介质
EP3544512A1 (en) Vascular tree standardization for biophysical simulation and/or an extension simulation for pruned portions
CN110786840B (zh) 基于生理参数获取血管评定参数的方法、装置及存储介质
CN115954103A (zh) 基于多模态医学影像数据的供血功能异常评估方法及装置
Loizou et al. Segmentation of atherosclerotic carotid plaque in ultrasound video
Kiraly et al. 3D human airway segmentation for virtual bronchoscopy
Kim et al. Automatic lumen contour detection in intravascular OCT images using Otsu binarization and intensity curve
CN113995388B (zh) 血流储备分数计算方法、装置、电子设备及可读存储介质
JP2020512133A5 (zh)
CN114494177A (zh) 一种利用纵截面和回撤性质的ivoct分支血管识别方法
CN110415243B (zh) 一种血管造影图像数据处理方法和图像数据处理装置
Azam et al. Automated Detection of Broncho-Arterial Pairs Using CT Scans Employing Different Approaches to Classify Lung Diseases. Biomedicines 2023, 11, 133
CN114612407A (zh) 一种基于相邻帧一致性的冠状动脉内膜边界分割方法

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: No. 5, Wuke East 3rd Road, Wuhou District, Chengdu, Sichuan 610000

Patentee after: Sichuan Jinjiang Electronic Medical Device Technology Co.,Ltd.

Address before: No.5, Wuke East 3rd road, Wuhou Science Park, Chengdu hi tech Industrial Development Zone, Sichuan 610045

Patentee before: SICHUAN JINJIANG ELECTRONIC SCIENCE AND TECHNOLOGY Co.,Ltd.