CN110189258A - 基于mri多模态序列的颈动脉管腔和管壁自动分割方法 - Google Patents
基于mri多模态序列的颈动脉管腔和管壁自动分割方法 Download PDFInfo
- Publication number
- CN110189258A CN110189258A CN201910663771.1A CN201910663771A CN110189258A CN 110189258 A CN110189258 A CN 110189258A CN 201910663771 A CN201910663771 A CN 201910663771A CN 110189258 A CN110189258 A CN 110189258A
- Authority
- CN
- China
- Prior art keywords
- lumen
- segmentation
- tube wall
- mode
- tof
- 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
- 238000000034 method Methods 0.000 title claims abstract description 86
- 230000011218 segmentation Effects 0.000 claims abstract description 218
- 210000001715 carotid artery Anatomy 0.000 claims abstract description 29
- 230000002792 vascular Effects 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 23
- 210000004204 blood vessel Anatomy 0.000 claims description 17
- 210000003625 skull Anatomy 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 11
- 239000000203 mixture Substances 0.000 claims description 7
- 230000010339 dilation Effects 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 5
- 238000005260 corrosion Methods 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 5
- 238000005481 NMR spectroscopy Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000004992 fission Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 210000001367 artery Anatomy 0.000 claims description 2
- 239000008280 blood Substances 0.000 claims description 2
- 210000004369 blood Anatomy 0.000 claims description 2
- 210000003462 vein Anatomy 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 20
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000002583 angiography Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000003739 neck Anatomy 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 241000949477 Toona ciliata Species 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于MRI多模态序列的颈动脉管腔和管壁自动分割方法,包括以下过程:获取三维多模态颈动脉血管图像,包括TOF模态和其他模态;基于TOF模态颈动脉血管图像进行管腔分割,获得在TOF上的三维管腔分割;将TOF上的三维管腔分割作为先验在其他模态颈动脉血管图像上进行管腔和管壁分割,获取在其他模态上的管腔和管壁的分割结果;将其他模态上的管腔和管壁分割结果进行融合,获得最终全局管腔和管壁分割结果。本发明方法的有益效果是实现管腔和管壁的同时自动分割,能综合多模态的结果给出最终优化的管腔管壁分割结果,全程全自动无需人工干预,分割精度高,所需时间较短。
Description
技术领域
本发明属于图像处理技术领域,涉及一种颈动脉内外壁分割方法,具体涉及一种基于MRI多模态序列的颈动脉管腔和管壁图像分割方法。
背景技术
图像的分割技术是图像处理领域一个重要研究范围,如应用到医学领域的图像分割。医学图像分割是一个根据区域内的相似性以及区域间的不同把图像分割成若干区域的过程。而血管图像分割就是把血管结构从磁共振血管成像(MRA:Magnetic ResonanceAngiography)、核磁共振成像(MRI:Magnetic Resonance Imaging)、电子计算机断层扫描(CT:Computed Tomography)等医学图像中“提取”出来。考虑到血管图像本身的组织复杂性,成像模糊,对比度低等特性,传统的图像分割方法并不适用。
目前,血管分割方法主要有基于几何变形的水平集方法(level set),测地线活动轮廓模型(geodesic active contour),基于主动轮廓模型的图割方法(graph cut)等等。现有的分割方法一般都需要用户提供背景和前景的种子点作为先验,而且针对不同的数据需要进行参数调优来实现良好效果,不是自动分割方法,实现外壁分割的方法较少并且精确度不高。
发明内容
本发明的目的在于克服现有技术的不足,提供了一种基于MRI多模态序列的颈动脉管腔和管壁自动分割方法,解决了现有技术中已有颈动脉分割方法准确度不高的技术问题。
为解决上述技术问题,本发明提供了一种基于MRI多模态序列的颈动脉管腔和管壁自动分割方法,其特征是,包括以下过程:
获取三维多模态颈动脉血管图像,包括TOF模态和其他模态;
基于TOF模态颈动脉血管图像进行管腔分割,获得在TOF上的三维管腔分割;
将TOF上的三维管腔分割作为先验在其他模态颈动脉血管图像上进行管腔和管壁分割,获取在其他模态上的管腔和管壁的分割结果;
将其他模态上的管腔和管壁分割结果进行融合,获得最终全局管腔和管壁分割结果。
进一步的,其他模态包括,和模态。
进一步的,获取三维多模态颈动脉血管图像的流程包括:
采集MRI多模态序列的颈动脉血管图像;
读取MRI多模态序列的颈动脉血管图像得到多个二维切片组成的三维多模态颈动脉血管图像。
进一步的,读取MRI多模态序列的颈动脉血管图像的过程为:
2-1)读取三维TOF序列
读取三维TOF序列头文件信息:依次读取二维DICOM文件的头文件,在DICOM的头文件当中,提取每个二维切片所对应的相对于核磁共振仪的物理坐标,即SliceLocation属性,并按从小到大顺序排序,记录该排序的索引为;
读取三维TOF序列图像:根据获得的排序依次读取二维DICOM图像(行数和列数分别为nRow和nCol),并将其转换为256级灰阶图像,此操作的目的是归一化所获得的TOF图像,使其图像值处于0-255的范围内,方便后续处理。将所有读取的二维图像沿第三维(头-脚方向,即垂直于轴向切片方向)堆叠在一起,即得到的三维TOF图像的尺寸为nRow × nCol × nSlice,其中nSlice为所读取的TOF图像的切片数;
2-2)读取其他MRI模态序列
按照以上读取TOF序列方法依次读取,和序列数据图像,获取这些模态序列的三维颈动脉血管图像。
TOF,,和模态序列的读取过程是没有执行顺序的,可以先执行,和模态序列的读取步骤,再执行TOF模态序列的读取步骤。
进一步的,基于TOF模态颈动脉血管图像进行管腔分割的过程为:
3-1)获得颈动脉检测范围
a)在三维TOF图像上沿第三维切片方向做最大密度投影,并将投影后图像转换为256级灰阶图像,得到最大密度投影图像;
b)在最大密度投影图像上,通过阈值法提取包含颈动脉的头骨分割结果;
c)将头骨分割结果进行凸包操作;接着,用矩形形状因子做腐蚀处理,得到颈动脉检测范围;
3-2) 在颈动脉主干对应的切片内获得颈动脉主干管腔的分割
a)将映射在三维TOF各个二维切片上,对于每一个二维切片,把不属于范围的像素值都设为0,同时将属于的所有像素作为一个子图像做一次缩放处理,得到掩膜下的三维TOF图像;
b)在的第一个二维切片内,通过ostu阈值分割方法得到一系列分割结果;i取值范围为1到n,其中n是测量总数;
c)测量所有分割结果的面积,周长和重心,并计算其类似圆的程度:
将所有分割结果先按照降序排序,再按照降序排序,取前两名对应的分割结果(由对应的获得),作为在第一个二维切片内检测到的左右颈动脉主干管腔的分割;
3-3) 基于分割进一步获得在TOF上的三维管腔分割
a)将颈动脉检测范围映射在最大密度投影上,把不属于范围的像素值都设为0,通过ostu阈值分割方法得到一系列分割结果,提取中与有重叠的分割结果,以矩形形状因子做膨胀处理,得到,作为后续分割颈动脉管腔和管壁的感兴趣区域;
b)遍历中所有切片,对分割区域内对应的图像应用ostu阈值分割方法,得到一系列颈动脉管腔的分割结果,然后将堆叠在一起组成三维分割结果,对组成的三维分割结果进行四邻域连通区域分析,得到的是一系列带有标签的分割结果,将所得标签分割结果中与所得的有交集的标签分割保留为三维管腔分割结果,记;
对分割区域进行同样的操作,得到,最终得到,其中下标1和2分别代表分割的左右颈动脉;
3-4)对三维管腔分割结果进行后续处理操作
a)删除 中一些碎片分割;
b)对所得分割结果进行补洞处理;
c)对上一步b)所得分割结果进行血管分支选择处理,设最多血管分支数量为2,遍历所有切片,对于当前切片,凡血管分支大于2的,取面积最大和次大的分支作为有效分割,删除其余血管分支;
d)对上一步c)中所得结果进行血管分支检查处理,凡已分裂成2个分支的血管,在后续切片中若又合并成1个主干血管,则多次应用矩形形状因子对其做腐蚀处理,直到其裂变为两个血管分支,记所得结果为基于TOF模态所得最终颈动脉管腔分割结果。
进一步的,将TOF上的三维管腔分割作为先验在其他模态颈动脉血管图像上进行管腔和管壁分割的过程包括:
先计算基于TOF先验在模态上的管腔和管壁的分割:
4-1)先计算单个切片内单个血管的管腔和管壁的分割
a)获取模态数据图像第一个切片,并将上一步中所得管腔的分割映射到模态图像上;
b)提取管腔分割邻域作为ROI;
c)将ROI从直角坐标系转换到极坐标系中,;
d)在极坐标系内,基于图论中最短路径的原理,找到管腔的路径和管壁的路径,其中和分别为极坐标系中的极径和极角;i取值范围为1到m,其中m是路径的总点数;
e)将得到的路径转换回直角坐标系中,得到对应的管腔和管壁的轮廓,即和;
f)将得到的轮廓转换为像素分割,得到管腔和管壁的初步分割和;
g)计算管腔分割与的dice系数,若大于阈值,则接受为当前切片上的最终管腔分割,否则令为最终管腔分割结果,记最终管腔分割为;
h)设最小膨胀尺寸和预估膨胀尺寸,将最终管腔分割分别膨胀至最小膨胀的管壁分割和预估的管壁分割;
i)计算初步的管壁分割和预估的管壁分割的dice系数,若大于0.6,则接受为当前切片上的最终管壁分割,否则令为最终管壁分割结果,记最终管壁分割为;
4-2)依次遍历其余切片,重复4-1)过程,得到三维管腔管壁的初步分割和;
然后在其余MRI模态上,按照以上模态的分割方法得到其余MRI模态的管腔和管壁的分割,记基于所有模态的管腔和管壁分割结果为和;
,和模态的分割过程是没有执行顺序的,可以先执行或模态上的分割步骤,再执行模态上的分割步骤。
进一步的,采用投票的方法将其他模态上的管腔和管壁分割结果进行融合。
进一步的,采用投票的方法将其他模态上的管腔和管壁分割结果进行融合的具体过程为:
先进行管腔分割结果的融合:
1)基于,和所得的最终管腔分割结果,计算基于所有上述模态的平均管腔分割:
其中,nModality为除了TOF的所有模态的个数;
2)分别求各个模态的最终管腔分割与平均管腔分割的dice系数,挑选dice系数最大值对应的模态分割结果作为最终全局分割结果;
参照以上其他模态上的管腔分割结果的融合,同理得到管壁的最终全局分割结果。
管腔和管壁分割结果的融合过程是没有执行顺序的,可以先执行管壁分割结果融合步骤,再执行管腔分割结果融合步骤。
与现有技术相比,本发明所达到的有益效果是:实现管腔和管壁的同时自动分割,能综合多模态的结果给出最终优化的管腔管壁分割结果,全程全自动无需人工干预,分割精度高,所需时间较短。
附图说明
图1是TOF模态的管腔检测和分割的流程图;
图 2是单个切片内单个血管的管腔和管壁的分割的流程图;
图 3是实施例中单个切片内单个血管的管腔和管壁的分割的示例图;
图 4是基于MRI多模态的管腔分割结果融合的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明的一种基于MRI多模态序列的颈动脉管腔和管壁自动分割方法,包括以下过程:
步骤1,采集MRI多模态序列的颈动脉血管图像。
在1.5T磁场强度下采集时间飞逝(TOF:Time of flight),纵向弛豫时间加权(T1加权成像),带有造影的纵向弛豫时间(T1造影成像)和横向弛豫时间加权(T2加权成像)序列的颈动脉磁共振图像(以下简称图像)。
步骤2,读取MRI多模态序列的颈动脉血管图像得到多个二维切片组成的三维多模态颈动脉血管图像,为接下来分割其中的颈动脉做好准备。
分别读取每个模态序列的颈动脉血管图像,包括以下过程:
2-1)读取三维TOF序列
读取三维TOF序列头文件信息:依次读取二维DICOM文件的头文件,其中DICOM文件为医学数字成像和通信(Digital Imaging and Communications in Medicine),是医学图像和相关信息的国际标准,本方法要求所获得的医学图像符合dicom 3.0标准。在DICOM的头文件当中,提取每个二维切片所对应的相对于核磁共振仪的物理坐标,即SliceLocation属性,并按从小到大顺序排序,记录该排序的索引为。此步骤是为了将多个二维切片按照正确的顺序排列并组合成符合客观物理事实的三维图像;
读取三维TOF序列图像:根据获得的排序依次读取二维DICOM图像(行数和列数分别为nRow和nCol),并将其转换为256级灰阶图像,此操作的目的是归一化所获得的TOF图像,使其图像值处于0-255的范围内,方便后续处理。将所有读取的二维图像沿第三维(头-脚方向,即垂直于轴向切片方向)堆叠在一起,即得到的三维TOF图像的尺寸为nRow × nCol × nSlice,其中nSlice为所读取的TOF图像的切片数。
2-2)读取其他MRI模态序列
按照以上读取TOF序列方法依次读取,和序列数据图像,获取这些模态序列的三维颈动脉血管图像。
TOF,,和模态序列的读取过程是没有执行顺序的,可以先执行,和模态序列的读取步骤,再执行TOF模态序列的读取步骤。
步骤3,基于TOF模态的管腔检测和分割。
基于TOF模态的管腔检测和分割,参见图1所示,包括以下过程:
3-1)获得颈动脉检测范围
a)在三维TOF图像上沿第三维切片方向做最大密度投影(Maximum intensityprojection),目的是将TOF中每一层切片内的高亮血管都显示在最大密度投影的二维图像内,方便查看血管的平移轨迹和平移范围;并将投影后图像转换为256级灰阶图像,得到最大密度投影图像;
b)在最大密度投影图像上,由于头骨之外的部分是几乎没有信号的,呈黑色,只有一些少量的噪声,所以设背景图像强度值为10(此阈值足以把头骨与颈动脉作分割处理),在上通过阈值法提取包含颈动脉的头骨分割结果;此步骤提取的是头骨分割结果,其中包含着颈动脉,因为颈动脉在头骨之内;此阈值法删除了头骨之外的背景区域;
c)为了补偿上一步阈值分割后可能造成的边缘锯齿效应,将头骨分割结果进行凸包操作(Convex Hull),经过凸包操作后的头骨分割也更加符合客观物理规律。接着,用矩形形状因子(行:nRow/10,列:nCol/2.5)做腐蚀处理,得到颈动脉检测范围,这一步凸包和腐蚀操作有两个目的,一是为了缩小颈动脉检测范围,二是剔除头骨边缘由于核磁共振场不均匀导致的亮度过高区域。
3-2) 在颈动脉主干对应的切片内获得颈动脉主干管腔的分割。
a)将映射在三维TOF各个二维切片上(是一个二维分割结果,这个结果适用于各个二维TOF切片;这里的“映射”指的是将作为一个掩膜覆盖在各个二维切片上以达到粗略分割每个二维切片上头骨的效果),对于每一个二维切片,把不属于范围的像素值都设为0,同时将属于的所有像素作为一个子图像做一次缩放处理,即将像素值映射到0-255区间内,得到掩膜下的三维TOF图像;
b)由于所有二维切片均按照进行排序堆叠,第一个二维切片对应于颈动脉的主干部分,即未分叉的部分;在的第一个二维切片内,通过ostu阈值分割方法(大津法)得到一系列分割结果;i取值范围为1到n,其中n是测量总数;
c)测量所有分割结果的面积,周长和重心,并计算其类似圆的程度:
将所有分割结果先按照降序排序,再按照降序排序,取前两名对应的分割结果(由对应的获得)作为在第一个二维切片内检测到的左右颈动脉主干管腔的分割;这两个分割结果就是左右颈动脉的主干管腔的分割结果。
3-3) 基于颈动脉主干管腔的大致分割进一步获得在TOF上的三维管腔分割。
a)将颈动脉检测范围映射在最大密度投影上,把不属于范围的像素值都设为0,通过ostu阈值分割方法得到一系列分割结果,提取中与有重叠的分割结果,(此分割结果是颈动脉血管在所有切片内的分割的并集),以矩形形状因子(行:nRow/10,列:nCol/25)做膨胀处理,得到,(此分割是上述并集的一个扩大(膨胀)版本,为的是一定要将所有切片层内的颈动脉分割给包含进来),作为后续分割颈动脉管腔和管壁的感兴趣区域(ROI: region of interest);
b)遍历中所有切片,对分割区域内对应的图像应用ostu阈值分割方法(为了分割出ROI内的管腔,即lumen),得到一系列颈动脉管腔的分割结果,然后将堆叠在一起组成三维分割结果,对组成的三维分割结果进行四邻域连通区域分析,为的是把沿切片放向不连续的分割结果给区分开,得到的是一系列带有标签(0,1,2…)的分割结果,将所得标签分割结果中与所得的有交集的标签分割保留为三维管腔分割结果,记;
对分割区域进行同样的操作,得到,最终得到,其中下标1和2分别代表分割的左右颈动脉。
3-4)对三维管腔分割结果做一些必要的后处理操作。
a)删除 中一些碎片分割,设删除分割的面积阈值为5;此处的删除指的将一切细小的碎片分割转化为背景,不再认定当前碎片分割处为管腔;
b)对所得分割结果进行补洞处理(fill holes),此步骤是为了让分割所得的管腔内部为实心,不含任何其他成分,如背景;
c)对上一步b)所得分割结果进行血管分支选择处理,设最多血管分支数量为2,遍历所有切片,对于当前切片,凡血管分支大于2的,取面积最大和次大的分支作为有效分割,删除其余血管分支;
d)对上一步c)中所得结果进行血管分支检查处理,凡已分裂成2个分支的血管,在后续切片中若又合并成1个主干血管(8字型),则多次应用矩形形状因子(行:3,列:3)对其做腐蚀处理,直到其裂变为两个血管分支,记所得结果为基于TOF模态所得最终颈动脉管腔分割结果。
步骤4,基于TOF先验在其他模态上的管腔和管壁的分割。
先计算基于TOF先验在模态上的管腔和管壁的分割,参见图2所示,包括以下过程:
4-1)先计算单个切片内单个血管的管腔和管壁的分割
a)模态数据图像第一个切片如图3 (a)所示,并将上一步中所得管腔的分割(如图3(b)所示)映射到 模态图像上;
b)提取管腔分割邻域作为ROI,如图3 (c)所示;
c)此提取的ROI显示是直角坐标系,直角坐标系的原点为ROI的中心,x和y轴分别沿图像的水平和垂直方向,将ROI从直角坐标系转换到极坐标系中,如图3 (d)所示;
d)在极坐标系内,基于图论中最短路径的原理,找到管腔的路径和管壁的路径,如图3 (e)所示,其中和分别为极坐标系中的极径和极角;i取值范围为1到m,其中m是路径的总点数;
e)将得到的路径转换回直角坐标系中,得到对应的管腔和管壁的轮廓,即和,如图3 (f)所示;
f)将得到的轮廓转换为像素分割(此转换为现有技术,可通过MATLAB的poly2mask函数或者Python的skimage.draw.polygon函数),得到管腔和管壁的初步分割和;
g)计算管腔分割与的dice系数,若大于0.6,则接受为当前切片上的最终管腔分割,否则令为最终管腔分割结果,记最终管腔分割为;
h)设最小膨胀尺寸和预估膨胀尺寸分别为4和6个像素,这两个尺寸可以根据所获得的图像分辨率来适当调节;将最终管腔分割分别膨胀至最小膨胀的管壁分割和预估的管壁分割。其中用来融入初步管壁分割,为了使得初步的管壁分割一定要完全覆盖最终管腔分割结果,符合基本的物理事实;
i)计算初步的管壁分割和预估的管壁分割的dice系数,若大于0.6,则接受为当前切片上的最终管壁分割,否则令为最终管壁分割结果,记最终管壁分割为。
4-2)依次遍历其余切片,重复4-1)过程,得到三维管腔管壁的初步分割和;(此处初步指的是基于这一个模态的分割结果,下文中指出,需要在各个模态上获得同样的初步结果,最后将这些初步结果通过投票的方法融合成一个最终的结果。当然,这个初步结果却是也可以理解为基于这一个模态所得能到的最终结果,只是针对当前这一个模态而言)。
然后在其余MRI模态上(例如和),按照以上模态的分割方法得到其余MRI模态的管腔和管壁的分割,记基于所有模态的管腔和管壁分割结果为和。
,和模态的分割过程是没有执行顺序的,可以先执行和模态上的分割步骤,再执行模态上的分割步骤。
步骤5,基于MRI多模态的管腔和管壁分割结果的融合
基于MRI多模态的管腔和管壁分割结果的融合,就是将这些初步管腔和管壁分割结果通过投票的方法融合成一个最终的全局管腔和管壁分割结果。
本发明以管腔结果的融合为例来详细说明其具体过程,如图4所示,包括以下过程:
1)基于,和所得的最终管腔分割结果,计算基于所有上述模态的平均管腔分割:
其中,nModality为除了TOF的所有模态的个数。
对于每一个模态我们都可以得到一个分割结果S,其中只有0和1。我们将这些分割结果叠加在一起,这样,就会形成一个包含0,1,2,…,nModality的分割,取其中值大于模态数一半的分割作为最终平均分割,背后的含义是半数及以上的模态投票可以得出该平均分割结果。
2)分别求各个模态的最终管腔分割与平均管腔分割的dice系数,挑选dice系数最大值对应的模态分割结果作为最终全局分割结果;
参照以上多模态的管腔分割结果的融合,同理得到管壁的最终全局分割结果。
管腔和管壁分割结果的融合过程是没有执行顺序的,可以先执行管壁分割结果融合步骤,再执行管腔分割结果融合步骤。
与现有技术相比,本发明的有益效果有:实现管腔和管壁的同时自动分割,能综合多模态的结果给出最终优化的管腔管壁分割结果;全程全自动无需人工干预;分割精度高;所需时间较短。
本领域内的技术人员应明白,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (8)
1.基于MRI多模态序列的颈动脉管腔和管壁自动分割方法,其特征是,包括以下过程:
获取三维多模态颈动脉血管图像,包括TOF模态和其他模态;
基于TOF模态颈动脉血管图像进行管腔分割,获得在TOF上的三维管腔分割;
将TOF上的三维管腔分割作为先验在其他模态颈动脉血管图像上进行管腔和管壁分割,获取在其他模态上的管腔和管壁的分割结果;
将其他模态上的管腔和管壁分割结果进行融合,获得最终全局管腔和管壁分割结果。
2. 根据权利要求1所述的基于MRI多模态序列的颈动脉管腔和管壁自动分割方法,其特征是,其他模态包括,和模态。
3.根据权利要求1所述的基于MRI多模态序列的颈动脉管腔和管壁自动分割方法,其特征是,获取三维多模态颈动脉血管图像的流程包括:
采集MRI多模态序列的颈动脉血管图像;
读取MRI多模态序列的颈动脉血管图像得到多个二维切片组成的三维多模态颈动脉血管图像。
4. 根据权利要求3所述的基于MRI多模态序列的颈动脉管腔和管壁自动分割方法,其特征是,读取MRI多模态序列的颈动脉血管图像的过程为:
2-1)读取三维TOF序列
读取三维TOF序列头文件信息:依次读取二维DICOM文件的头文件,在DICOM的头文件当中,提取每个二维切片所对应的相对于核磁共振仪的物理坐标,即SliceLocation属性,并按从小到大顺序排序,记录该排序的索引为;
读取三维TOF序列图像:根据获得的排序依次读取二维DICOM图像,并将其转换为256级灰阶图像,此操作的目的是归一化所获得的TOF图像,将所有读取的二维图像沿第三维堆叠在一起,即得到的三维TOF图像;
2-2)读取其他MRI模态序列
按照以上读取TOF序列方法依次读取,和序列数据图像,获取这些模态序列的三维颈动脉血管图像。
5. 根据权利要求1所述的基于MRI多模态序列的颈动脉管腔和管壁自动分割方法,其特征是,基于TOF模态颈动脉血管图像进行管腔分割的过程为:
3-1)获得颈动脉检测范围
a)在三维TOF图像上沿第三维切片方向做最大密度投影,并将投影后图像转换为256级灰阶图像,得到最大密度投影图像;
b)在最大密度投影图像上,通过阈值法提取包含颈动脉的头骨分割结果;
c)将头骨分割结果进行凸包操作;接着,用矩形形状因子做腐蚀处理,得到颈动脉检测范围;
3-2) 在颈动脉主干对应的切片内获得颈动脉主干管腔的分割
a)将映射在三维TOF各个二维切片上,对于每一个二维切片,把不属于范围的像素值都设为0,同时将属于的所有像素作为一个子图像做一次缩放处理,得到掩膜下的三维TOF图像;
b)在的第一个二维切片内,通过ostu阈值分割方法得到一系列分割结果;i取值范围为1到n,其中n是测量总数;
c)测量所有分割结果的面积,周长和重心,并计算其类似圆的程度:
将所有分割结果先按照降序排序,再按照降序排序,取前两名对应的分割结果(由对应的获得),作为在第一个二维切片内检测到的左右颈动脉主干管腔的分割;
3-3) 基于分割进一步获得在TOF上的三维管腔分割
a)将颈动脉检测范围映射在最大密度投影上,把不属于范围的像素值都设为0,通过ostu阈值分割方法得到一系列分割结果,提取中与有重叠的分割结果,以矩形形状因子做膨胀处理,得到,作为后续分割颈动脉管腔和管壁的感兴趣区域;
b)遍历中所有切片,对分割区域内对应的图像应用ostu阈值分割方法,得到一系列颈动脉管腔的分割结果,然后将堆叠在一起组成三维分割结果,对组成的三维分割结果进行四邻域连通区域分析,得到的是一系列带有标签的分割结果,将所得标签分割结果中与所得的有交集的标签分割保留为三维管腔分割结果,记;
对分割区域进行同样的操作,得到,最终得到,其中下标1和2分别代表分割的左右颈动脉;
3-4)对三维管腔分割结果进行后续处理操作
a)删除中一些碎片分割;
b)对所得分割结果进行补洞处理;
c)对上一步b)所得分割结果进行血管分支选择处理,设最多血管分支数量为2,遍历所有切片,对于当前切片,凡血管分支大于2的,取面积最大和次大的分支作为有效分割,删除其余血管分支;
d)对上一步c)中所得结果进行血管分支检查处理,凡已分裂成2个分支的血管,在后续切片中若又合并成1个主干血管,则多次应用矩形形状因子对其做腐蚀处理,直到其裂变为两个血管分支,记所得结果为基于TOF模态所得最终颈动脉管腔分割结果。
6.根据权利要求5所述的基于MRI多模态序列的颈动脉管腔和管壁自动分割方法,其特征是,将TOF上的三维管腔分割作为先验在其他模态颈动脉血管图像上进行管腔和管壁分割的过程包括:
先计算基于TOF先验在模态上的管腔和管壁的分割:
4-1)先计算单个切片内单个血管的管腔和管壁的分割
a)获取模态数据图像第一个切片,并将上一步中所得管腔的分割映射到模态图像上;
b)提取管腔分割邻域作为ROI;
c)将ROI从直角坐标系转换到极坐标系中,;
d)在极坐标系内,基于图论中最短路径的原理,找到管腔的路径和管壁的路径,其中和分别为极坐标系中的极径和极角;i取值范围为1到m,其中m是路径的总点数;
e)将得到的路径转换回直角坐标系中,得到对应的管腔和管壁的轮廓,即和;
f)将得到的轮廓转换为像素分割,得到管腔和管壁的初步分割和;
g)计算管腔分割与的dice系数,若大于阈值,则接受为当前切片上的最终管腔分割,否则令为最终管腔分割结果,记最终管腔分割为;
h)设最小膨胀尺寸和预估膨胀尺寸,将最终管腔分割分别膨胀至最小膨胀的管壁分割和预估的管壁分割;
i)计算初步的管壁分割和预估的管壁分割的dice系数,若大于0.6,则接受为当前切片上的最终管壁分割,否则令为最终管壁分割结果,记最终管壁分割为;
4-2)依次遍历其余切片,重复4-1)过程,得到三维管腔管壁的初步分割和;
然后在其余MRI模态上,按照以上模态的分割方法得到其余MRI模态的管腔和管壁的分割,记基于所有模态的管腔和管壁分割结果为和;
,和模态的分割过程是没有执行顺序的,可以先执行或模态上的分割步骤,再执行模态上的分割步骤。
7.根据权利要求1所述的基于MRI多模态序列的颈动脉管腔和管壁自动分割方法,其特征是,采用投票的方法将其他模态上的管腔和管壁分割结果进行融合。
8.根据权利要求7所述的基于MRI多模态序列的颈动脉管腔和管壁自动分割方法,其特征是,采用投票的方法将其他模态上的管腔和管壁分割结果进行融合的具体过程为:
先进行管腔分割结果的融合:
1)基于,和所得的最终管腔分割结果,计算基于所有上述模态的平均管腔分割:
其中,nModality为除了TOF的所有模态的个数;
2)分别求各个模态的最终管腔分割与平均管腔分割的dice系数,挑选dice系数最大值对应的模态分割结果作为最终全局分割结果;
参照以上其他模态上的管腔分割结果的融合,同理得到管壁的最终全局分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910663771.1A CN110189258B (zh) | 2019-07-23 | 2019-07-23 | 基于mri多模态序列的颈动脉管腔和管壁自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910663771.1A CN110189258B (zh) | 2019-07-23 | 2019-07-23 | 基于mri多模态序列的颈动脉管腔和管壁自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110189258A true CN110189258A (zh) | 2019-08-30 |
CN110189258B CN110189258B (zh) | 2019-10-25 |
Family
ID=67725886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910663771.1A Active CN110189258B (zh) | 2019-07-23 | 2019-07-23 | 基于mri多模态序列的颈动脉管腔和管壁自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110189258B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110827242A (zh) * | 2019-10-23 | 2020-02-21 | 华中科技大学 | 一种基于卷积神经网络的颅内动脉瘤检测方法及系统 |
CN111932554A (zh) * | 2020-07-31 | 2020-11-13 | 青岛海信医疗设备股份有限公司 | 一种肺部血管分割方法、设备及存储介质 |
CN113066061A (zh) * | 2021-03-24 | 2021-07-02 | 同心医联科技(北京)有限公司 | 一种基于mra的动脉瘤检测方法、系统、终端及介质 |
CN113223015A (zh) * | 2021-05-11 | 2021-08-06 | 清华大学 | 血管壁图像分割方法、装置、计算机设备和存储介质 |
CN113409273A (zh) * | 2021-06-21 | 2021-09-17 | 上海联影医疗科技股份有限公司 | 一种图像分析方法、装置、设备和介质 |
CN116630450A (zh) * | 2023-05-29 | 2023-08-22 | 中国人民解放军陆军军医大学 | 一种动脉夹层腔内特征提取和编码方法、装置及存储介质 |
CN116863146A (zh) * | 2023-06-09 | 2023-10-10 | 强联智创(北京)科技有限公司 | 用于对血管瘤特征进行提取的方法、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080008366A1 (en) * | 2006-06-20 | 2008-01-10 | Vladimir Desh | Simultaneous visualization, analysis and navigation of multi-modality medical imaging data |
US20150227702A1 (en) * | 2014-02-10 | 2015-08-13 | Picofemto LLC | Multi-factor brain analysis via medical imaging decision support systems and methods |
CN108053433A (zh) * | 2017-11-28 | 2018-05-18 | 浙江工业大学 | 一种基于物理对齐和轮廓匹配的多模态颈动脉mri配准方法 |
CN108648231A (zh) * | 2018-05-14 | 2018-10-12 | 合肥融视信息科技有限公司 | 基于三维医学影像的管状结构长度测量系统及方法 |
CN109685767A (zh) * | 2018-11-26 | 2019-04-26 | 西北工业大学 | 一种基于聚类融合算法的双模态脑肿瘤mri分割方法 |
-
2019
- 2019-07-23 CN CN201910663771.1A patent/CN110189258B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080008366A1 (en) * | 2006-06-20 | 2008-01-10 | Vladimir Desh | Simultaneous visualization, analysis and navigation of multi-modality medical imaging data |
US20150227702A1 (en) * | 2014-02-10 | 2015-08-13 | Picofemto LLC | Multi-factor brain analysis via medical imaging decision support systems and methods |
CN108053433A (zh) * | 2017-11-28 | 2018-05-18 | 浙江工业大学 | 一种基于物理对齐和轮廓匹配的多模态颈动脉mri配准方法 |
CN108648231A (zh) * | 2018-05-14 | 2018-10-12 | 合肥融视信息科技有限公司 | 基于三维医学影像的管状结构长度测量系统及方法 |
CN109685767A (zh) * | 2018-11-26 | 2019-04-26 | 西北工业大学 | 一种基于聚类融合算法的双模态脑肿瘤mri分割方法 |
Non-Patent Citations (2)
Title |
---|
JIANHUA ZHANG等: "Automatic segmentation of MR depicted carotid arterial boundary based on local priors and constrained global optimisation", 《ET IMAGE PROCESSING》 * |
邵慧妍等: "颈动脉MR图像分割和三维重建在斑块定位中的应用", 《中国组织工程研究与临床康复》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110827242A (zh) * | 2019-10-23 | 2020-02-21 | 华中科技大学 | 一种基于卷积神经网络的颅内动脉瘤检测方法及系统 |
CN110827242B (zh) * | 2019-10-23 | 2022-06-14 | 华中科技大学 | 一种基于卷积神经网络的颅内动脉瘤检测方法及系统 |
CN111932554A (zh) * | 2020-07-31 | 2020-11-13 | 青岛海信医疗设备股份有限公司 | 一种肺部血管分割方法、设备及存储介质 |
CN111932554B (zh) * | 2020-07-31 | 2024-03-22 | 青岛海信医疗设备股份有限公司 | 一种肺部血管分割方法、设备及存储介质 |
CN113066061A (zh) * | 2021-03-24 | 2021-07-02 | 同心医联科技(北京)有限公司 | 一种基于mra的动脉瘤检测方法、系统、终端及介质 |
CN113066061B (zh) * | 2021-03-24 | 2024-02-02 | 同心医联科技(北京)有限公司 | 一种基于mra的动脉瘤检测方法、系统、终端及介质 |
CN113223015A (zh) * | 2021-05-11 | 2021-08-06 | 清华大学 | 血管壁图像分割方法、装置、计算机设备和存储介质 |
CN113409273A (zh) * | 2021-06-21 | 2021-09-17 | 上海联影医疗科技股份有限公司 | 一种图像分析方法、装置、设备和介质 |
CN116630450A (zh) * | 2023-05-29 | 2023-08-22 | 中国人民解放军陆军军医大学 | 一种动脉夹层腔内特征提取和编码方法、装置及存储介质 |
CN116863146A (zh) * | 2023-06-09 | 2023-10-10 | 强联智创(北京)科技有限公司 | 用于对血管瘤特征进行提取的方法、设备及存储介质 |
CN116863146B (zh) * | 2023-06-09 | 2024-03-08 | 强联智创(北京)科技有限公司 | 用于对血管瘤特征进行提取的方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110189258B (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110189258B (zh) | 基于mri多模态序列的颈动脉管腔和管壁自动分割方法 | |
JP6877868B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
US9600890B2 (en) | Image segmentation apparatus, medical image device and image segmentation method | |
Kim et al. | Machine-learning-based automatic identification of fetal abdominal circumference from ultrasound images | |
US7941462B2 (en) | Method and apparatus for classification of coronary artery image data | |
CN109493347A (zh) | 在图像中对稀疏分布的对象进行分割的方法和系统 | |
EP2856428B1 (en) | Segmentation highlighter | |
CN109035261B (zh) | 医疗影像处理方法及装置、电子设备及存储介质 | |
CN104156935A (zh) | 图像分割装置、图像分割方法和医学图像设备 | |
CN107292312A (zh) | 肿瘤识别方法 | |
CN107680110B (zh) | 基于统计形状模型的内耳三维水平集分割方法 | |
CN109478327A (zh) | 用于在任意视场计算断层摄影血管造影(cta)中自动检测全身动脉的方法 | |
CN107507212B (zh) | 数字脑可视化方法、装置、计算设备及存储介质 | |
CN112862833A (zh) | 血管分段方法、电子装置和存储介质 | |
CN111210444A (zh) | 多模态磁共振影像的分割方法、装置及介质 | |
CN115409859A (zh) | 冠状动脉血管图像分割方法及装置、存储介质和终端 | |
CN109754388A (zh) | 一种颈动脉狭窄程度计算方法、装置及存储介质 | |
CN109886973A (zh) | 一种血管提取方法、装置及计算机可读存储介质 | |
CN106469445A (zh) | 一种三维图像的校准方法、装置和系统 | |
Furuzuki et al. | A detection method for liver cancer region based on faster R-CNN | |
CN104915989A (zh) | 基于ct影像的血管三维分割方法 | |
CN108734771A (zh) | 基于三维医学影像的血管提取系统及分析方法 | |
CN113826140B (zh) | 血管造影数据分析 | |
Chen et al. | Sketch-based Volumetric Seeded Region Growing. | |
CN105513055A (zh) | Cta图像中分割组织的方法和装置 |
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 |