CN110223271B - 血管图像的自动水平集分割方法及装置 - Google Patents
血管图像的自动水平集分割方法及装置 Download PDFInfo
- Publication number
- CN110223271B CN110223271B CN201910364864.4A CN201910364864A CN110223271B CN 110223271 B CN110223271 B CN 110223271B CN 201910364864 A CN201910364864 A CN 201910364864A CN 110223271 B CN110223271 B CN 110223271B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- model
- initial
- lumen
- segmentation
- 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
- G06T7/0002—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
- G06T7/11—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种血管图像的自动水平集分割方法及装置。其中,该方法包括:获取初始血管模型,其中,初始血管模型是基于初始血管模型对应的血管的中心线和半径函数确定的,半径函数用于描述血管区域;在局部流明统计模型的基础上,对初始血管模型进行水平集分割,得到分割后的血管模型,其中,局部流明统计模型包括血管沿中心线上的横截面的流明阈值。本发明解决了相关技术中采用传统全局阈值水平集无法实现冠状动脉血管进行精准建模的技术问题。
Description
技术领域
本发明涉及计算机辅助医疗中冠状动脉CT造影图像处理技术领域,具体而言,涉及一种血管图像的自动水平集分割方法及装置。
背景技术
从电子计算机断层扫描(Computed Tomographic,简称CT)、核磁共振或者血管超声等三维医学影像序列中提取人体某些结构的血管(例如,动脉血管)等人体重要血管形态,具有重要的临床价值和实际意义。CT造影图像分割和目标轮廓的提取对于图像理解、图像分析、模式识别、计算机视觉等具有非常重要的意义。Osher等提出的水平集(Level Set)方法是求解隐式表达偏微分方程的一种具体实现方式,将曲线演化的问题转化为偏微分方程数值求解的问题,由于其能够自动处理拓扑变化的优点,在图像分割中得到了广泛的应用。由于CT造影影像中不同血管CT流明明暗不同,往往二级冠状动脉血管的末端及三级冠状动脉血管的CT图像流明会低于正常二级血管的CT图像流明。然而,传统全局阈值水平集分割方法一般是只使用一套固定的上下阈值,容易出现血管根部流明偏亮,血管末端及部分三级血管流明偏暗,不能同时满足血管根部和血管末端精准建模的要求。另外,对于血管局部软斑病变造成的狭窄处局部流明偏暗的情况,使用全局统一下阈值会造成血管建模时无法精准还原血管狭窄度。再者,对于血管局部钙化斑病变造成的狭窄处局部流明偏亮的情况,使用全局统一上阈值会造成血管建模时无法精准还原血管狭窄度。
针对上述相关技术中采用传统全局阈值水平集无法实现对血管进行精准建模的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种血管图像的自动水平集分割方法及装置,以至少解决相关技术中采用传统全局阈值水平集无法实现冠状动脉血管进行精准建模的技术问题。
根据本发明实施例的一个方面,提供了一种血管图像的自动水平集分割方法,包括:获取初始血管模型,其中,所述初始血管模型是基于所述初始血管模型对应的血管的中心线和半径函数确定的,所述半径函数用于描述血管区域;在局部流明统计模型的基础上,对所述初始血管模型进行水平集分割,得到分割后的血管模型,其中,所述局部流明统计模型包括所述血管沿中心线上的横截面的流明阈值。
可选地,在局部流明统计模型的基础上,对所述初始血管模型进行水平集分割之后,在局部流明统计模型的基础上,对所述初始血管模型进行水平集分割之后,该血管图像的自动水平集分割方法还包括:利用分割后的血管模型对所述中心线和所述半径函数进行修正,以得到修正后的初始血管模型,直至所述中心线和所述半径函数满足第一预定条件;利用分割后的血管模型对所述局部流明统计模型进行修正,以对所述局部流明统计模型的流明阈值进行修正,直到所述局部流明统计模型满足第二预定条件;在修正后的局部流明统计模型的基础上,基于水平集分割方式对修正后的初始血管模型进行水平集分割。
可选地,获取所述初始血管模型包括:获取所述初始血管模型对应的血管图像;对所述血管图像进行预处理,得到初始血管模型;其中,对所述血管图像进行预处理,得到初始血管模型包括:生成所述血管图像对应的血管的初始中心线,同时建立所述血管图像对应的血管的初始半径函数;基于所述初始中心线以及所述初始半径函数进行建模,得到所述初始血管模型。
可选地,在局部流明统计模型的基础上,对所述初始血管模型进行水平集分割包括:在所述局部流明统计模型的基础上,确定所述初始血管模型对应的血管沿中心线的多个横截面中每个横截面处所述水平集分割方式的分割阈值,其中,所述分割阈值包括:上限阈值和下限阈值;利用所述分割阈值对所述初始血管模型进行分割。
可选地,在所述局部流明统计模型的基础上,确定所述初始血管模型对应的血管沿中心线的多个横截面中每个横截面处所述水平集分割方式的分割阈值包括:通过第一公式确定所述多个横截面中每个横截面的分割阈值的上限阈值,其中,所述第一公式为:Tupper=μ+pupper*ρ,Tupper表示所述分割阈值中的上限阈值,μ表示所述多个横截面中每个横截面的平均流明值,pupper表示所述上限阈值的百分比,ρ表示所述多个横截面中每个横截面的流明值标准差;以及,通过第二公式确定所述多个横截面中每个横截面的分割阈值的下限阈值,其中,所述第二公式为:Tlower=μ-plower*ρ,Tlower表示所述分割阈值中的上限阈值,μ表示所述多个横截面中每个横截面的平均流明值,pupper表示所述下限阈值的百分比,ρ表示所述多个横截面中每个横截面的流明值标准差。
可选地,在对所述血管图像进行预处理,得到初始血管模型之前,该血管图像的自动水平集分割方法还包括:对所述血管图像进行图像识别,以得到图像识别后的血管图像,其中,所述图像识别后的血管图像为去除以下部分的图像:骨骼、肌肉组织、脂肪组织。
可选地,在局部流明统计模型的基础上,对所述初始血管模型进行水平集分割包括:通过第三公式对所述中心线、所述初始血管模型以及所述局部流明统计模型进行迭代处理,以对所述初始血管模型进行水平集分割,其中,所述第三公式为:φ表示所述水平集分割方式对应的水平集函数,t表示分割时间,vimage表示所述局部流明统计模型确定的第一速度函数,vmodel表示所述初始血管模型的形状函数确定的第二速度函数,vinternal表示所述中心线确定的第三速度函数,α、β以及γ分别为所述第一速度函数、所述第二速度函数以及所述第三速度函数的权重,并且0<α<1、0<β<1、0<γ<1。
可选地,所述第一速度函数为:其中,S表示所述局部流明统计模型中不同区域中每个区域的上流明阈值和下流明阈值的平均值,I(x)表示所述局部流明统计模型中不同区域的流明值,S表示所述局部流明统计模型中不同区域的上流明阈值和下流明阈值的差值;所述第二速度函数为:vinternal=κ(x),其中,κ(x)表示所述初始血管模型的形状函数对应的血管的表面曲率函数;所述第三速度函数为:dm表示所述初始血管模型的形状函数。
根据本发明实施例的另外一个方面,还提供了一种血管图像的自动水平集分割装置,包括:获取单元,用于获取初始血管模型,其中,所述初始血管模型是基于所述初始血管模型对应的血管的中心线和半径函数确定的,所述半径函数用于描述血管区域;分割单元,用于在局部流明统计模型的基础上,对所述初始血管模型进行水平集分割,得到分割后的血管模型,其中,所述局部流明统计模型包括所述血管沿中心线上的横截面的流明阈值。
可选地,该血管图像的自动水平集分割装置还包括:第一修正单元,用于在局部流明统计模型的基础上,对所述初始血管模型进行水平集分割之后,利用分割后的血管模型对所述中心线和所述半径函数进行修正,以得到修正后的初始血管模型,直至所述中心线和所述半径函数满足第一预定条件;第二修正单元,用于利用分割后的血管模型对所述局部流明统计模型进行修正,以对所述局部流明统计模型的流明阈值进行修正,直到所述局部流明统计模型满足第二预定条件;所述分割单元,用于在修正后的局部流明统计模型的基础上,基于水平集分割方式对修正后的初始血管模型进行水平集分割。
可选地,所述获取单元包括:获取子单元,用于获取所述初始血管模型对应的血管图像;预处理子单元,用于对所述血管图像进行预处理,得到初始血管模型;其中,所述预处理子单元包括:构建模块,用于生成所述血管图像对应的血管的初始中心线,同时建立所述血管图像对应的血管的初始半径函数;建模模块,用于基于所述初始中心线以及所述初始半径函数进行建模,得到所述初始血管模型。
可选地,所述分割单元包括:确定子单元,用于在所述局部流明统计模型的基础上,确定所述初始血管模型对应的血管沿中心线的多个横截面中每个横截面处所述水平集分割方式的分割阈值,其中,所述分割阈值包括:上限阈值和下限阈值;分割子单元,用于利用所述分割阈值对所述初始血管模型进行分割。
可选地,所述确定子单元包括:第一确定模块,用于通过第一公式确定所述多个横截面中每个横截面的分割阈值的上限阈值,其中,所述第一公式为:Tupper=μ+pupper*ρ,Tupper表示所述分割阈值中的上限阈值,μ表示所述多个横截面中每个横截面的平均流明值,pupper表示所述上限阈值的百分比,ρ表示所述多个横截面中每个横截面的流明值标准差;以及,第二确定模块,用于通过第二公式确定所述多个横截面中每个横截面的分割阈值的下限阈值,其中,所述第二公式为:Tlower=μ-p1ower*ρ,Tlower表示所述分割阈值中的上限阈值,μ表示所述多个横截面中每个横截面的平均流明值,pupper表示所述下限阈值的百分比,ρ表示所述多个横截面中每个横截面的流明值标准差。
可选地,该血管图像的自动水平集分割装置还包括:识别子单元,用于在对所述血管图像进行预处理,得到初始血管模型之前,对所述血管图像进行图像识别,以得到图像识别后的血管图像,其中,所述图像识别后的血管图像为去除以下部分的图像:骨骼、肌肉组织、脂肪组织。
可选地,所述分割单元包括:处理子单元,用于通过第三公式对所述中心线、所述初始血管模型以及所述局部流明统计模型进行迭代处理,以对所述初始血管模型进行水平集分割,其中,所述第三公式为:φ表示所述水平集分割方式对应的水平集函数,t表示分割时间,vimage表示所述局部流明统计模型确定的第一速度函数,vmodel表示所述初始血管模型的形状函数确定的第二速度函数,vinternal表示所述中心线确定的第三速度函数,α、β以及γ分别为所述第一速度函数、所述第二速度函数以及所述第三速度函数的权重,并且0<α<1、0<β<1、0<γ<1。
可选地,所述第一速度函数为:其中,S表示所述局部流明统计模型中不同区域中每个区域的上流明阈值和下流明阈值的平均值,I(x)表示所述局部流明统计模型中不同区域的流明值,S表示所述局部流明统计模型中不同区域的上流明阈值和下流明阈值的差值;所述第二速度函数为:vinternal=κ(x),其中,κ(x)表示所述初始血管模型的形状函数对应的血管的表面曲率函数;所述第三速度函数为:dm表示所述初始血管模型的形状函数。
根据本发明实施例的另外一个方面,还提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序执行中任意一项所述的血管图像的自动水平集分割方法。
根据本发明实施例的另外一个方面,还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行中任意一项所述的血管图像的自动水平集分割方法。
在本发明实施例中,采用获取初始血管模型,其中,初始血管模型是基于初始血管模型对应的血管的中心线和半径函数确定的,半径函数用于描述血管区域;并在局部流明统计模型的基础上,对初始血管模型进行水平集分割,得到分割后的血管模型的方式对血管进行精准建模,通过本发明实施例提供的血管图像的自动水平集分割方法,可以实现了利用水平集分割方式将血管的中心线、血管模型以及血管的局部流明统计值进行迭代处理以对血管进行自适应化精准建模的目的,达到了提高对血管进行精准建模的技术效果,进而解决了相关技术中采用传统全局阈值水平集无法实现冠状动脉血管进行精准建模的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的血管图像的自动水平集分割方法的流程图;
图2是根据本发明实施例的半径函数收敛的示意图;
图3(a)是根据本发明实施例的沿中心线横截面的平流明值分布的示意图;
图3(b)是根据本发明实施例的沿中心线横截面的流明值标准差分布的示意图;
图4是根据本发明实施例的可选的血管图像的自动水平集分割方法的流程图;
图5是根据本发明实例的目标血管模型的示意图;
图6(a)是根据本发明实施例的冠状动脉血管的血管根部横截面的示意图;
图6(b)是根据本发明实施例的冠状动脉血管局部软斑病变处横截面的示意图
图6(c)是根据本发明实施例的部分三级冠状动脉血管横截面的示意图;
图6(d)是根据本发明实施例的冠状动脉血管局部钙化斑病变处横截面的示意图;
图6(e)是根据本发明实施例的冠状动脉血管的血管末端横截面的示意图;
图7是根据本发明实施例的冠状动脉血管的DSA影像图;
图8是根据本发明实施例的血管图像的自动水平集分割装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种血管图像的自动水平集分割方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的血管图像的自动水平集分割方法的流程图,如图1所示,该血管图像的自动水平集分割方法包括如下步骤:
步骤S102,获取初始血管模型,其中,初始血管模型是基于初始血管模型对应的血管的中心线和半径函数确定的,半径函数用于描述血管区域。
优选的,在步骤S102中,获取初始血管模型可以包括:获取初始血管模型对应的血管图像;对血管图像进行预处理,得到初始血管模型;其中,对血管图像进行预处理,得到初始血管模型包括:生成血管图像对应的血管的初始中心线,同时建立血管图像对应的血管的初始半径函数;基于初始中心线以及初始半径函数进行建模,得到初始血管模型。
其中,在本发明实施例中,以血管为冠状动脉血管为例进行说明。由于获取的冠状动脉图像中一般会包含:骨骼、心肌组织、主动脉以及静脉这样的影响对冠状动脉血管进行建模的组织。如果要对冠状动脉血管进行更加准确的建模,就需要对冠状动脉图像进行再次处理。
因此,在对血管图像进行预处理,得到初始血管模型之前,该血管图像的自动水平集分割方法还包括:对血管图像进行图像识别,以得到图像识别后的血管图像,其中,图像识别后的血管图像为去除以下部分的图像:骨骼、肌肉组织、脂肪组织。
其中,对于初始中心线可以通过标识血管入口的方法实现对初始血管模型中的血管进行自动化提取,以得到初始中心线;对于初始半径函数,可以基于图像识别结果中血管区域进行标识,以得到血管区域,进而基于血管区域初始化得到初始半径函数。
另外,上述血管图像可以为以下几种:血管CT造影图像、核磁共振图像、血管超声影像。当然,也可以为其他的医学影像。
然而,由于利用图像识别方式得到的初始血管模型也仅仅是不包含:骨骼、心肌组织、主动脉以及静脉等组织,仍然是比较粗糙的模型,参考性并不大。对于血管(例如,冠状动脉血管)会存在血管根部流明偏亮,血管末端以及部分三级血管则流明偏暗。因此,可以使用水平集分割方式对初始血管模型进行分割以进行血管建模。然而,目前利用水平集分割方法对初始血管模型进行分割时一般会采用全局统一阈值进行分割,并不能同时满足血管根部以及血管末端精确建模的要求,也就无法为后续的处理提供比较科学精准的参考。
因此,在本发明实施例中,在利用水平集分割方式对血管进行分割时,并不使用全局同一阈值,而是结合血管在不同位置处的流明值会不同,基于此,确定局部流明统计模型,该局部流明统计模型为首先初始化血管的流明值,然后,根据水平集分割结果对局部流明统计模型对应的流明值的局部阈值进行自适应处理,以使得局部流明统计模型的阈值与血管的真实流明值相近。
需要说明的是,在局部流明统计模型的基础上,对初始血管模型进行水平集分割可以包括:在局部流明统计模型的基础上,确定初始血管模型对应的血管沿中心线的多个横截面中每个横截面处水平集分割方式的分割阈值,其中,分割阈值包括:上限阈值和下限阈值;利用分割阈值对初始血管模型进行分割。
即,在本发明实施例中,还包括步骤S104。具体如下:
步骤S104,在局部流明统计模型的基础上,对初始血管模型进行水平集分割,得到分割后的血管模型,其中,局部流明统计模型包括血管沿中心线上的横截面的流明阈值。
需要说明的是,在利用水平集分割方法对初始血管模型进行分割,得到分割结果之后,还需要再次利用分割结果对血管的中心线和半径函数进行修正,得到修正后的初始血管模型。然而,现有的水平集分割方式因只使用一套固定的上下阈值,存在的以下问题:血管根部流明偏亮,血管末端及部分三级血管流明偏暗,不能同时满足血管根部和血管末端精准建模的要求;对于血管局部软斑病变造成的狭窄处局部流明偏暗的情况,使用全局统一下阈值会造成血管建模时无法精准还原血管狭窄度;以及对于血管局部钙化斑病变造成的狭窄处局部流明偏亮的情况,使用全局统一上阈值会造成血管建模时无法精准还原血管狭窄度。因此,在本发明实施例中在利用水平集分割方式对初始血管模型进行分割时,会利用局部流明统计模型作为分割因素以实现利用血管局部流明值对血管中心线以及初始血管模型进行不断调整,同时,还可以实现对水平集分割方式使用的分割阈值进行调整。
优选的,在局部流明统计模型的基础上,对初始血管模型进行水平集分割之后,该血管图像的自动水平集分割方法还可以包括:利用分割后的血管模型对中心线和半径函数进行修正,以得到修正后的初始血管模型,直至中心线和半径函数满足第一预定条件;利用分割后的血管模型对局部流明统计模型进行修正,以对局部流明统计模型的流明阈值进行修正,直到局部流明统计模型满足第二预定条件;在修正后的局部流明统计模型的基础上,基于水平集分割方式对修正后的初始血管模型进行水平集分割。在该实施例中,基于水平集分割方式对修正后的初始血管模型进行水平集分割,以得到更为精确的血管模型。
另外,需要说明的是,在本发明实施例中,第一预定条件可以是:在利用当前分割结果(即,分割后的血管模型)对中心线以及半径函数进行修正,得到修正后的中心线以及修正后的半径函数之后,将修正后的中心线以及修正后的半径函数分别与修正前的中心线以及修正前的半径函数之间进行做差,以得到修正后的中心线与修正前的中心线之间的差值一、修正后的半径函数与修正前的半径函数之间的差值二,其中,上述差值一小于预设中心线误差阈值,上述差值二小于预设半径函数误差阈值。
第二预定条件可以是:在利用当前分割结果对局部流明统计模型进行修正,得到修正后的局部流明统计模型之后,将修正后的局部流明统计模型与修正前的局部流明统计模型进行做差,以得到修正后的局部流明统计模型与修正前的局部流明统计模型之间的差值三,其中,上述差值三小于预设局部流明统计模型误差阈值。
在该实施例中,可以实现利用水平分割后得到的血管模型对中心线、半径函数以及局部流明统计模型进行反向修正,对以下三者进行判断:修正后的中心线与修正前的中心线的差值一是否小于预设中心线误差阈值、修正后的半径函数和修正前的半径函数的差值二是否小于预设半径函数误差阈值、修正后的局部流明统计模型和修正前的局部流明统计模型之间的差值三是否小于预设局部流明统计模型误差阈值;若是,则结束水平集分割,分割后的血管模型即可作为血管图像中真实的血管;若否,则利用反向修正后的中心线、半径函数对初始血管模型进行修正,得到修正后的初始血管模型;并在修正后的局部流明统计模型基础上对修正后的初始血管模型进行水平集分割,得到分割后的血管模型,再次利用分割后的血管模型对上次修正后的中心线、半径函数以及局部流明统计模型进行反向修正,得到修正后的中心线、半径函数以及局部流明统计模型,并继续判断修正后的中心线、半径函数以及局部流明统计模型与预设中心线误差阈值、预设半径函数误差阈值以及预设局部流明统计模型误差阈值之间的关系,直到差值一小于预设中心线误差阈值、差值二小于预设半径函数误差阈值、差值三小于预设局部流明统计模型误差阈值,结束水平集分割。
通过上述步骤,可以获取初始血管模型,其中,初始血管模型是基于初始血管模型对应的血管的中心线和半径函数确定的,半径函数用于描述血管区域;并在局部流明统计模型的基础上,对初始血管模型进行水平集分割,得到分割后的血管模型。在本发明实施例中实现了利用水平集分割方式将血管的中心线、血管模型以及血管的局部流明统计值进行迭代处理以对血管进行自适应化精准建模的目的,达到了提高对血管进行精准建模的技术效果,进而解决了相关技术中采用传统全局阈值水平集无法实现冠状动脉血管进行精准建模的技术问题。
作为一种可选的实施例,在局部流明统计模型的基础上,确定初始血管模型对应的血管沿中心线的多个横截面中每个横截面处水平集分割方式的分割阈值包括:通过第一公式确定多个横截面中每个横截面的分割阈值的上限阈值,其中,第一公式为:Tupper=μ+pupper*ρ,Tupper表示分割阈值中的上限阈值,μ表示多个横截面中每个横截面的平均流明值,pupper表示上限阈值的百分比,ρ表示多个横截面中每个横截面的流明值标准差;以及,通过第二公式确定多个横截面中每个横截面的分割阈值的下限阈值,其中,第二公式为:Tlower=μ-p1ower*ρ,Tlower表示分割阈值中的上限阈值,μ表示多个横截面中每个横截面的平均流明值,pupper表示下限阈值的百分比,ρ表示多个横截面中每个横截面的流明值标准差。在该实施例中,可以得到初始血管模型对应的血管中每根血管的多个横截面中每一个横截面的分割阈值,从而在利用水平集分割方式对初始血管模型中每一根血管进行分割时,可以基于每一根血管的多个横截面中每一个横截面的分割阈值进行分割,从而使得对初始血管模型中每一根血管进行分割的更加细致,精确。
由于需要得到初始血管模型对应的血管中每根血管的多个横截面中每一个横截面的分割阈值,那么,需要获取每根血管每隔预定距离处的横截面的多个流明值,以及确定每一根血管的多个横截面中每一个横截面的平均流明值以及每一根血管的多个横截面中每一个横截面的流明值标准差,其中,每一个平均流明值是根据每个横截面上的多个流明值确定的,流明值标准差是根据每个横截面上的平均流明值以及每个横截面上的多个流明值确定的;根据平均流明值以及流明值标准差确定每一根血管的多个横截面中每一个横截面的分割阈值,以得到每根血管不同位置的分割阈值。
其中,获取每根血管每隔预定距离的横截面的多个流明值,可以沿每一根血管的中心线获取每一根血管间隔预定距离的横截面处的多个流明值,具体地:首先,确定每一根血管的血管长度;然后,根据每一根血管的中心线以及每一根血管的血管长度确定预定距离;从而可以获取每一根血管沿中心线每间隔预定距离处横截面的多个流明值。
例如,在初始血管模型对应的血管为冠状动脉血管的情况下,对于初始血管模型可以采用标识血管入口的方法实现对所有重要二级冠状动脉血管(例如,左前降支,回旋支,右冠状动脉支等)以及主要三级血管的自动中心线提取。比如,对于初始血管模型中的其中一根冠状动脉血管a,可以进行图像分析得到其血管的长度为15cm,那么可以每间隔2.5mm提取该冠状动脉血管a沿中心线的横截面处的流明值,而由于冠状动脉血管a应该是一个管状结构,其不同位置处横截面的流明值应该是不同的,而对于同一个横截面,其不同位置的流明值应该也是不同的,此时,可以在采集每隔横截面的流明值时,可以采集该横截面的多个流明值,即,在获取每一根冠状动脉血管沿中心线每间隔预定距离处的横截面的流明值时,需要采集每隔横截面的不同位置的多个流明值,以将每个横截面的多个流明值作为确定该横截面处的分割阈值的参考因素。
需要说明的是,对于每一根血管每相邻两个横截面之间的分割阈值可以根据每相邻两个横截面的分割阈值来确定,例如,可以将每相邻两个横截面的上分割阈值的平均值作为每相邻两个横截面之间的上分割阈值,将每相邻两个横截面的下分割阈值的平均值作为每相邻两个横截面之间的下分割阈值。
优选的,在局部流明统计模型的基础上,对初始血管模型进行水平集分割包括:通过第三公式对中心线、初始血管模型以及局部流明统计模型进行迭代处理,以对初始血管模型进行水平集分割,其中,第三公式为:φ表示水平集分割方式对应的水平集函数,t表示分割时间,vimage表示局部流明统计模型确定的第一速度函数,vmodel表示初始血管模型的形状函数确定的第二速度函数,vinternal表示中心线确定的第三速度函数,α、β以及γ分别为第一速度函数、第二速度函数以及第三速度函数的权重,并且0<α<1、0<β<1、0<γ<1。
例如,从标准三维医学影像(如血管CT造影/核磁共振/血管超声影像(CTA/MR))的输入开始,生成初始中心线,并建立一个初始的半径函数(即,计算过程中血管区域,如图2中虚线所示,图2是根据本发明实施例的半径函数收敛的示意图,图2示出了血管的半径函数从初始状态到收敛状态的收敛过程的示意图,如图2所示,在初始状态,血管在指定阈值范围内,血管为虚线所示的区域,半径函数范围和中心线几乎重合,并且中心线和半径函数均为并不随血管的长度而变化;在利用水平集分割方式进行分割后,发现半径函数在指定阈值范围内相对于初始状态有了变化,并且,中心线和半径函数均开始随血管的长度而变化;在此利用水平集分割方式进行分割后,发现半径函数在指定阈值范围内相对于初始状态有了明显变化,中心线在不同血管长度上也发生了变化,并且,中心线和半径函数均随血管的长度而变化;在收敛状态,可以看出,半径函数与指定阈值范围接近吻合,并且,中心线随血管长度的变化与半径函数随血管长度的变化也趋于一致。然后,从初始中心线开始,通过初始中心线和初始半径函数构建血管的初始血管模型。同时初始化血管中心线上横截面上的平均流明值、流明值标准差等参数的局部流明统计(如图3(a)以及3(b)所示,其中,图3(a)是根据本发明实施例的沿中心线横截面的平流明值分布的示意图,3(b)是根据本发明实施例的沿中心线横截面的流明值标准差分布的示意图,由图3(a)以及3(b)可知,无论是平流明值还是流明值标准差均随着血管长度的变化而发生不同程度的变化),并按照一定的分布形式重新定义每一处横截面的指定流明阈值,再使用水平分割方式将血管中心线、血管的初始血管模型以及血管的局部流明统计进行迭代处理,直至收敛,从而实现对所有不同分支血管的自适应化精准建模。
其中,第一速度函数为:其中,S表示局部流明统计模型中不同区域中每个区域的上流明阈值和下流明阈值的平均值,I(x)表示局部流明统计模型中不同区域的流明值,S表示局部流明统计模型中不同区域的上流明阈值和下流明阈值的差值;第二速度函数为:vinternal=κ(x),其中,κ(x)表示初始血管模型的形状函数对应的血管的表面曲率函数;第三速度函数为:dm表示初始血管模型的形状函数。
即,局部流明统计模型、初始血管模型的形状函数以及中心线分别通过第一速度函数、第二速度函数以及第三速度函数在水平集分割方式对初始血管模型进行分割时起作用,从而可以确定目标血管模型是由血管的中心线、形状函数以及局部流明上下限阈值共同决定,而传统的水平集分割方式则忽略了血管流明值上下限阈值的局部性。
下面结合附图对本发明一个可选的实施例进行详细说明。
图4是根据本发明实施例的可选的血管图像的自动水平集分割方法的流程图,如图4所示,可以基于血管的中心线以及血管的半径函数得到初始血管模型(即,图4中所示的形状模型),然后,基于将初始血管模型以及局部流明统计模型(即,上下文中的流明统计模型)经过水平集分割方式进行分割处理,得到分割结果,并利用分割结果对中心线以及半径函数进行反向修正直至收敛,同时,利用分割结果对局部流明统计模型进行分享修正直至收敛。由于,在本发明实施例中,将血管不同长度出的流明值作为水平集分割的参考因素,从而可以实现利用血管不同长度出的流明值对血管中心线以及半径函数在不同血管长度的状态进行修正,从而使得修正后的血管中心线以及半径函数逐渐与真实血管的中心线以及半径函数一致。
下面以分割对象为冠状动脉血管的初始血管模型为例进行说明。
图5是根据本发明实例的目标血管模型的示意图,如图5所示,该模型不仅示出了冠状动脉CT造影图像中的各个冠状动脉血管(例如,二级血管、③三级血管),而且示出了各个冠状动脉血管中的特殊部分,如图5中所示的,①血管根部、⑤血管末端、②血管软斑狭窄处、④血管钙化狭窄处。由图5所示,利用本发明实施例提供的血管图像的自动水平集分割方法实现了对冠状动脉血管的精准建模。
图6(a)是根据本发明实施例的冠状动脉血管的血管根部横截面的示意图,如图6(a)所示,由于血管根部偏亮,采用传统的全局统一阈值的水平集分割方法对冠状动脉血管进行分割得到的血管轮廓与采用自适应水平集分割方法(即,本发明实施例提供的血管图像的自动水平集分割方法)得到的血管轮廓相差不大,与采用DSA影像抓取结果基本相符(即,图7所示的D=4.83,图6(a)中D=4.92,其中,图7是根据本发明实施例的冠状动脉血管的DSA影像图,其中,图7为同一个病人的DSA影像。其中,这里的DSA为Digital SubtractionAngiography的简称,是常规血管造影技术和电子计算机图像处理技术相结合的产物);而对于血管(冠状动脉血管)末端和部分三级血管则因血管偏暗自适应水平集法对血管轮廓的建模结果与DSA影像抓取结果相符,而使用传统的全局统一阈值的水平集分割方法对冠状动脉血管进行分割得到的血管轮廓则与DSA影像抓取结果偏差较大,即,使用传统的全局统一阈值的水平集分割方法无法实现对冠状动脉血管的准确建模。其中,图6(e)是根据本发明实施例的冠状动脉血管的血管末端横截面的示意图,如图6(e)所示,采用本发明实施例提供的血管图像的自动水平集分割方法得到的冠状动脉血管的血管末端直径为1.51(即,D=1.51),而采用DSA影像抓取结果为1.56,即,采用本发明实施例提供的血管图像的自动水平集分割方法得到的冠状动脉血管的血管末端直径与采用DSA影像抓取结果相差较小,而采用采用传统的全局统一阈值的水平集分割方法得到的血管末端直径则与采用DSA影像抓取结果相差较大,在很大程度上小于采用DSA影像抓取的结果,图6(c)是根据本发明实施例的部分三级冠状动脉血管横截面的示意图,如图6(c)所示,采用本发明实施例提供的血管图像的自动水平集分割方法得到的部分三级冠状动脉血管的血管直径为1.60(即,D=1.60),而采用DSA影像抓取结果为1.65,两者仍相差不大,而采用采用传统的全局统一阈值的水平集分割方法得到的部分三级冠状动脉血管的血管直径仍远远小于采用DSA影像抓取的结果。而如图6(e)所示采用传统的全局统一阈值的水平集分割方法高估了血管末端的狭窄程度。由图6(c)所示采用传统的全局统一阈值的水平集分割方法高估了部分三级冠状动脉血管的狭窄程度。
另外,对于局部软斑病变造成的狭窄处,如果使用传统的全局统一阈值的水平集分割方法,为了防止由于冠状动脉血管局部软斑病变造成的狭窄处局部流明偏暗的情况,一般会将全局下阈值设置相对较低,从而导致建模明显低估狭窄处程度,其中,图6(b)是根据本发明实施例的冠状动脉血管局部软斑病变处横截面的示意图,如图6(b)所示,采用本发明实施例提供的血管图像的自动水平集分割方法得到的冠状动脉血管局部软斑病变处的血管直径为1.75(即,D=1.75),而采用DSA影像抓取结果为1.73,即,采用本发明实施例提供的血管图像的自动水平集分割方法得到的冠状动脉血管局部软斑病变处的血管直径与采用DSA影像抓取的结果相差不大。而如图6(b)所示采用传统的全局统一阈值的水平集分割方法低估了局部软斑病变处的狭窄处的狭窄程度。
再者,对于局部钙化斑病变造成的狭窄处,如果使用传统的全局统一阈值的水平集分割方法,对于不同流明亮度的钙化斑,全局上阈值的固定会导致建模对狭窄处程度的明显低估或者高估。图6(d)是根据本发明实施例的冠状动脉血管局部钙化斑病变处横截面的示意图,如图6(d)所示,采用本发明实施例提供的血管图像的自动水平集分割方法得到的冠状动脉血管局部钙化斑病变处的血管直径为2.33(即,D=2.33.75),而采用DSA影像抓取结果为2.45,即,采用本发明实施例提供的血管图像的自动水平集分割方法得到的冠状动脉血管局部钙化斑病变处的血管直径与采用DSA影像抓取的结果相差不大。而如图6(d)所示采用传统的全局统一阈值的水平集分割方法也低估了局部钙化斑病变造成的狭窄处的狭窄程度。
由上述分析可知,将DSA影像作为对冠状动脉血管进行建模的判断标准,结合对图6(a)至图6(e)的分析可知,采用本发明实施例提供的血管图像的自动水平集分割方法较传统的全局统一阈值的水平集分割方法对冠状动脉血管的建模在精确度上有了很大的提升。
其中,图6(a)至图6(e)中所示的方法①为传统的全局统一阈值的水平集分割方法,方法②为本发明实施例提供的血管图像的自动水平集分割方法。需要说明的是,图6(a)至图6(e)示出了冠状动脉血管不同位置的横截面图以及两种不同方法的建模差异。
通过本发明实施例提供的血管图像的自动水平集分割方法能够较好地实现二级冠状动脉血管末端以及部分三级冠状动脉血管的精准分割,有效避免了由于使用全局统一上下阈值进行水平集分割时出现的较细且流明偏暗处的血管无法分割的情况,以及血管病变处建模不精确情况,解决了冠状动脉血管树流明分布不匀导致无法采用传统全局阈值水平集进行精准建模的问题,同时也解决了钙化斑块和软斑的局部流明过亮或者过暗引起的建模误差,具备较好的鲁棒性。
实施例2
根据本发明实施例的另外一个方面,还提供了一种用于实现上述血管图像的自动水平集分割方法的装置实施例,图8是根据本发明实施例的血管图像的自动水平集分割装置的示意图,如图8所示,该血管图像的自动水平集分割装置包括:获取单元81以及分割单元83。下面对该血管图像的自动水平集分割装置进行详细说明。
获取单元81,用于获取初始血管模型,其中,初始血管模型是基于初始血管模型对应的血管的中心线和半径函数确定的,半径函数用于描述血管区域。
分割单元83,用于在局部流明统计模型的基础上,对初始血管模型进行水平集分割,得到分割后的血管模型,其中,局部流明统计模型包括血管沿中心线上的横截面的流明阈值。
此处需要说明的是,上述获取单元81以及分割单元83对应于实施例1中的步骤S102至S104,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
由上可知,在本发明实施例中,可以通过利用获取单元获取初始血管模型,其中,初始血管模型是基于初始血管模型对应的血管的中心线和半径函数确定的,半径函数用于描述血管区域;并利用分割单元在局部流明统计模型的基础上,对初始血管模型进行水平集分割,得到分割后的血管模型,其中,局部流明统计模型包括血管沿中心线上的横截面的流明阈值,实现了利用水平集分割方式将血管的中心线、血管模型以及血管的局部流明统计值进行迭代处理直至收敛以对血管进行自适应化精准建模的目的,达到了提高对血管进行精准建模的技术效果,进而解决了相关技术中采用传统全局阈值水平集无法实现冠状动脉血管进行精准建模的技术问题。
作为一种可选的实施例,该血管图像的自动水平集分割装置还包括:第一修正单元,用于在局部流明统计模型的基础上,对初始血管模型进行水平集分割之后,利用分割后的血管模型对中心线和半径函数进行修正,以得到修正后的初始血管模型,直至中心线和半径函数满足第一预定条件;第二修正单元,用于利用分割后的血管模型对局部流明统计模型进行修正,以对局部流明统计模型的流明阈值进行修正,直到局部流明统计模型满足第二预定条件;分割单元,用于在修正后的局部流明统计模型的基础上,基于水平集分割方式对修正后的初始血管模型进行水平集分割。
作为一种可选的实施例,获取单元包括:获取子单元,用于获取初始血管模型对应的血管图像;预处理子单元,用于对血管图像进行预处理,得到初始血管模型;其中,预处理子单元包括:构建模块,用于生成血管图像对应的血管的初始中心线,同时建立血管图像对应的血管的初始半径函数;建模模块,用于基于初始中心线以及初始半径函数进行建模,得到初始血管模型。
作为一种可选的实施例,分割单元包括:确定子单元,用于在局部流明统计模型的基础上,确定初始血管模型对应的血管沿中心线的多个横截面中每个横截面处水平集分割方式的分割阈值,其中,分割阈值包括:上限阈值和下限阈值;分割子单元,用于利用分割阈值对初始血管模型进行分割。
作为一种可选的实施例,确定子单元包括:第一确定模块,用于通过第一公式确定多个横截面中每个横截面的分割阈值的上限阈值,其中,第一公式为:Tupper=μ+pupper*ρ,Tupper表示分割阈值中的上限阈值,μ表示多个横截面中每个横截面的平均流明值,pupper表示上限阈值的百分比,ρ表示多个横截面中每个横截面的流明值标准差;以及,第二确定模块,用于通过第二公式确定多个横截面中每个横截面的分割阈值的下限阈值,其中,第二公式为:Tlower=μ-plower*ρ,Tlower表示分割阈值中的上限阈值,μ表示多个横截面中每个横截面的平均流明值,pupper表示下限阈值的百分比,ρ表示多个横截面中每个横截面的流明值标准差。
作为一种可选的实施例,该血管图像的自动水平集分割装置还包括:识别子单元,用于在对血管图像进行预处理,得到初始血管模型之前,对血管图像进行图像识别,以得到图像识别后的血管图像,其中,图像识别后的血管图像为去除以下部分的图像:骨骼、肌肉组织、脂肪组织。
作为一种可选的实施例,分割单元包括:处理子单元,用于通过第三公式对中心线、初始血管模型以及局部流明统计模型进行迭代处理,以对初始血管模型进行水平集分割,其中,第三公式为:φ表示水平集分割方式对应的水平集函数,t表示分割时间,vimage表示局部流明统计模型确定的第一速度函数,vmodel表示初始血管模型的形状函数确定的第二速度函数,vinternal表示中心线确定的第三速度函数,α、β以及γ分别为第一速度函数、第二速度函数以及第三速度函数的权重,并且0<α<1、0<β<1、0<γ<1。
作为一种可选的实施例,第一速度函数为:其中,S表示局部流明统计模型中不同区域中每个区域的上流明阈值和下流明阈值的平均值,I(x)表示局部流明统计模型中不同区域的流明值,S表示局部流明统计模型中不同区域的上流明阈值和下流明阈值的差值;第二速度函数为:vinternal=κ(x),其中,κ(x)表示初始血管模型的形状函数对应的血管的表面曲率函数;第三速度函数为:dm表示初始血管模型的形状函数。
实施例3
根据本发明实施例的另外一个方面,还提供了一种存储介质,存储介质包括存储的程序,其中,程序执行中任意一项的血管图像的自动水平集分割方法。
实施例4
根据本发明实施例的另外一个方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行中任意一项的血管图像的自动水平集分割方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
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,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种血管图像的自动水平集分割方法,其特征在于,包括:
获取初始血管模型,其中,所述初始血管模型是基于所述初始血管模型对应的血管的中心线和半径函数确定的,所述半径函数用于描述血管区域;
在局部流明统计模型的基础上,对所述初始血管模型进行水平集分割,得到分割后的血管模型,其中,所述局部流明统计模型包括所述血管沿中心线上的横截面的流明阈值;
其中,在局部流明统计模型的基础上,对所述初始血管模型进行水平集分割包括:
在所述局部流明统计模型的基础上,确定所述初始血管模型对应的血管沿中心线的多个横截面中每个横截面处所述水平集分割方式的分割阈值,其中,所述分割阈值包括:上限阈值和下限阈值;
利用所述分割阈值对所述初始血管模型进行分割。
2.根据权利要求1所述的方法,其特征在于,在局部流明统计模型的基础上,对所述初始血管模型进行水平集分割之后,还包括:
利用分割后的血管模型对所述中心线和所述半径函数进行修正,以得到修正后的初始血管模型,直至所述中心线和所述半径函数满足第一预定条件;
利用分割后的血管模型对所述局部流明统计模型进行修正,以对所述局部流明统计模型的流明阈值进行修正,直到所述局部流明统计模型满足第二预定条件;
在修正后的局部流明统计模型的基础上,基于水平集分割方式对修正后的初始血管模型进行水平集分割。
3.根据权利要求1所述的方法,其特征在于,获取所述初始血管模型包括:
获取所述初始血管模型对应的血管图像;
对所述血管图像进行预处理,得到初始血管模型;
其中,对所述血管图像进行预处理,得到初始血管模型包括:
生成所述血管图像对应的血管的初始中心线,同时建立所述血管图像对应的血管的初始半径函数;
基于所述初始中心线以及所述初始半径函数进行建模,得到所述初始血管模型。
4.根据权利要求1所述的方法,其特征在于,在所述局部流明统计模型的基础上,确定所述初始血管模型对应的血管沿中心线的多个横截面中每个横截面处所述水平集分割方式的分割阈值包括:
通过第一公式确定所述多个横截面中每个横截面的分割阈值的上限阈值,其中,所述第一公式为:Tupper=μ+pupper*ρ,Tupper表示所述分割阈值中的上限阈值,μ表示所述多个横截面中每个横截面的平均流明值,pupper表示所述上限阈值的百分比,ρ表示所述多个横截面中每个横截面的流明值标准差;以及,
通过第二公式确定所述多个横截面中每个横截面的分割阈值的下限阈值,其中,所述第二公式为:Tlower=μ-plower*ρ,Tlower表示所述分割阈值中的上限阈值,μ表示所述多个横截面中每个横截面的平均流明值,pupper表示所述下限阈值的百分比,ρ表示所述多个横截面中每个横截面的流明值标准差。
5.根据权利要求3所述的方法,其特征在于,在对所述血管图像进行预处理,得到初始血管模型之前,还包括:
对所述血管图像进行图像识别,以得到图像识别后的血管图像,其中,所述图像识别后的血管图像为去除以下部分的图像:骨骼、肌肉组织、脂肪组织。
8.一种血管图像的自动水平集分割装置,其特征在于,包括:
获取单元,用于获取初始血管模型,其中,所述初始血管模型是基于所述初始血管模型对应的血管的中心线和半径函数确定的,所述半径函数用于描述血管区域;
分割单元,用于在局部流明统计模型的基础上,对所述初始血管模型进行水平集分割,得到分割后的血管模型,其中,所述局部流明统计模型包括所述血管沿中心线上的横截面的流明阈值;
其中,在局部流明统计模型的基础上,对所述初始血管模型进行水平集分割包括:
在所述局部流明统计模型的基础上,确定所述初始血管模型对应的血管沿中心线的多个横截面中每个横截面处所述水平集分割方式的分割阈值,其中,所述分割阈值包括:上限阈值和下限阈值;
利用所述分割阈值对所述初始血管模型进行分割。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行权利要求1至7中任意一项所述的血管图像的自动水平集分割方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211261247.XA CN115564737A (zh) | 2019-04-30 | 2019-04-30 | 冠状动脉ct造影图像的分割方法、装置与存储介质 |
CN201910364864.4A CN110223271B (zh) | 2019-04-30 | 2019-04-30 | 血管图像的自动水平集分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910364864.4A CN110223271B (zh) | 2019-04-30 | 2019-04-30 | 血管图像的自动水平集分割方法及装置 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211261247.XA Division CN115564737A (zh) | 2019-04-30 | 2019-04-30 | 冠状动脉ct造影图像的分割方法、装置与存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110223271A CN110223271A (zh) | 2019-09-10 |
CN110223271B true CN110223271B (zh) | 2022-11-15 |
Family
ID=67820554
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211261247.XA Pending CN115564737A (zh) | 2019-04-30 | 2019-04-30 | 冠状动脉ct造影图像的分割方法、装置与存储介质 |
CN201910364864.4A Active CN110223271B (zh) | 2019-04-30 | 2019-04-30 | 血管图像的自动水平集分割方法及装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211261247.XA Pending CN115564737A (zh) | 2019-04-30 | 2019-04-30 | 冠状动脉ct造影图像的分割方法、装置与存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN115564737A (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445473B (zh) * | 2020-03-31 | 2023-04-28 | 复旦大学 | 基于血管内超声图像序列多角度重建的血管膜精确分割方法及系统 |
CN111507992B (zh) * | 2020-04-21 | 2021-10-08 | 南通大学 | 一种基于内外应力的低分化腺体分割方法 |
CN112971979B (zh) * | 2021-02-03 | 2022-08-16 | 上海友脉科技有限责任公司 | 仿真系统、仿真方法及装置 |
CN112950734B (zh) * | 2021-03-01 | 2023-09-22 | 推想医疗科技股份有限公司 | 冠脉重建方法、装置、电子设备和存储介质 |
CN113076705A (zh) * | 2021-03-26 | 2021-07-06 | 北京阅影科技有限公司 | 血流动力的仿真方法及装置 |
CN114332202B (zh) * | 2021-12-30 | 2023-11-24 | 北京阅影科技有限公司 | 血管模型的处理方法及其装置、计算机可读存储介质 |
CN117036253A (zh) * | 2023-07-18 | 2023-11-10 | 强联智创(北京)科技有限公司 | 用于对分割脑血管的分割模型进行训练的方法和相关产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105934199A (zh) * | 2013-11-21 | 2016-09-07 | 三星电子株式会社 | 用于处理体腔的医学图像的设备和方法 |
CN106997596A (zh) * | 2017-04-01 | 2017-08-01 | 太原理工大学 | 一种基于信息熵和联合向量的lbf活动轮廓模型的肺结节分割方法 |
CN108022237A (zh) * | 2017-11-30 | 2018-05-11 | 上海联影医疗科技有限公司 | 血管提取方法、系统及存储介质 |
CN109222980A (zh) * | 2018-06-19 | 2019-01-18 | 北京红云智胜科技有限公司 | 基于深度学习的测量冠状动脉造影图像血管直径的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6845260B2 (en) * | 2001-07-18 | 2005-01-18 | Koninklijke Philips Electronics N.V. | Automatic vessel indentification for angiographic screening |
US7676257B2 (en) * | 2003-11-25 | 2010-03-09 | General Electric Company | Method and apparatus for segmenting structure in CT angiography |
-
2019
- 2019-04-30 CN CN202211261247.XA patent/CN115564737A/zh active Pending
- 2019-04-30 CN CN201910364864.4A patent/CN110223271B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105934199A (zh) * | 2013-11-21 | 2016-09-07 | 三星电子株式会社 | 用于处理体腔的医学图像的设备和方法 |
CN106997596A (zh) * | 2017-04-01 | 2017-08-01 | 太原理工大学 | 一种基于信息熵和联合向量的lbf活动轮廓模型的肺结节分割方法 |
CN108022237A (zh) * | 2017-11-30 | 2018-05-11 | 上海联影医疗科技有限公司 | 血管提取方法、系统及存储介质 |
CN109222980A (zh) * | 2018-06-19 | 2019-01-18 | 北京红云智胜科技有限公司 | 基于深度学习的测量冠状动脉造影图像血管直径的方法 |
Non-Patent Citations (3)
Title |
---|
基于局部区域信息的水平集医学;陈彦江;《中国优秀硕士论文电子期刊网 信息科技辑》;20101115;全文 * |
基于改进活动窄带模型的冠状动脉CT血管造影图像分割;张梦璐等;《中国医学物理杂志》;20170228;全文 * |
心脏造影图像中血管直径测量技术研究;辛栋;《中国优秀硕士论文电子期刊网 信息科技辑》;20120915(第9期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110223271A (zh) | 2019-09-10 |
CN115564737A (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110223271B (zh) | 血管图像的自动水平集分割方法及装置 | |
US20230148977A1 (en) | Systems and methods for numerically evaluating vasculature | |
JP6542129B2 (ja) | リアルタイムの診断上有用な結果 | |
CN110648338B (zh) | 图像分割方法、可读存储介质及图像处理装置 | |
CN111951277A (zh) | 一种基于cta图像的冠状动脉分割方法 | |
CN109801277B (zh) | 一种图像处理方法及装置、存储介质 | |
WO2012140147A2 (en) | Processing ultrasound images | |
CN109410181B (zh) | 一种心脏图像分割方法及装置 | |
CN113222974B (zh) | 一种侧支循环的自动评价方法和装置 | |
CN112862850A (zh) | 数字剪影血管造影影像处理方法及装置 | |
Karim et al. | Left atrium segmentation for atrial fibrillation ablation | |
TWI824829B (zh) | 造影影像判定方法及造影影像判定裝置 | |
Hemmati et al. | Segmentation of carotid arteries in computed tomography angiography images using fast marching and graph cut methods | |
CN114209344A (zh) | 一种侧枝循环状态评估方法、装置、存储介质及电子设备 | |
CN113706541A (zh) | 一种图像处理方法及装置 | |
CN113658172B (zh) | 图像处理方法及装置、计算机可读存储介质及电子设备 | |
Prakash et al. | Deep learning-based head and neck segmentation in CT angiography | |
CN117671387A (zh) | 肺段分类方法、装置、设备及非易失性存储介质 | |
WO2022203814A1 (en) | Systems and methods for automatic blood vessel extraction | |
CN117058162A (zh) | 冠状动脉树提取方法及相关装置 | |
Pombo et al. | Semiautomatic Calculation of Ejection Fraction Using Echocardiographic Image Processing | |
CN116051592A (zh) | 一种冠状动脉优势型判断方法、系统、装置和存储介质 | |
Wu et al. | An automated multi-modal object analysis approach to coronary calcium scoring of adaptive heart isolated MSCT images |
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 |