CN110279417B - 识别主动脉血管的方法、装置及设备 - Google Patents
识别主动脉血管的方法、装置及设备 Download PDFInfo
- Publication number
- CN110279417B CN110279417B CN201910564097.1A CN201910564097A CN110279417B CN 110279417 B CN110279417 B CN 110279417B CN 201910564097 A CN201910564097 A CN 201910564097A CN 110279417 B CN110279417 B CN 110279417B
- Authority
- CN
- China
- Prior art keywords
- target
- candidate
- fault
- determining
- mask
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- 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
- A61B5/4887—Locating particular structures in or on the body
- A61B5/489—Blood vessels
Abstract
本发明公开了一种识别主动脉血管的方法、装置及设备,所述方法包括:获取增强灌注成像PWI序列第M期各个断层的脑组织标识矩阵Mask,M为预设正整数;基于所述Mask从所述各个断层中确定目标断层;基于所述目标断层确定候选血管;从所述候选血管中确定主动脉血管。本发明可以实现准确的识别大脑或颈内等部位的主动脉血管,进而可以实现后续基于该主动脉血管准确的检测缺血半暗带的位置,并计算出缺血半暗带体积,为后续指导病人溶栓、取栓手术及预测术后恢复情况提供依据。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种识别主动脉血管的方法、装置及设备。
背景技术
脑卒中的研究表明,检测增强灌注成像(Perfusion Imaging,PWI)中缺血半暗带的位置和体积,对于指导病人溶栓、取栓手术及预测术后恢复情况有重大意义。
现有技术中可以通过检测颈内或大脑内主动脉血管(如,颈内或大脑动脉的第一段血管等)的药物浓度的时间密度曲线来准确的确定脑部血液瞬时流动状态,进而根据脑部血液瞬时流动状态确定缺血半暗带的位置和体积。
然而,由于脑部血管错综复杂,不同设备、不同剂量灌注得到的图像差异性较大,对上述主动脉血管进行识别的过程高度依赖医生的专业程度和主观判断,缺乏统一标准,因而导致识别上述主动脉血管的准确性低下,进而会导致缺血半暗带的检测结果不准确,会影响后续用于指导病人溶栓、取栓手术及预测术后恢复情况的依据的准确性。
发明内容
有鉴于此,本发明提出一种识别主动脉血管的方法、装置及设备,以解决上述技术问题。
为了达到上述目的,本发明所采用的技术方案为:
根据本发明实施例的第一方面,提出了一种识别主动脉血管的方法,包括:
获取增强灌注成像PWI第M期各个断层的脑组织标识矩阵Mask,M为预设正整数;
基于所述Mask从所述各个断层中确定目标断层;
基于所述目标断层确定候选血管;
从所述候选血管中确定主动脉血管。
在一实施例中,所述基于所述Mask从所述各个断层中确定目标断层,包括:
基于所述Mask确定所属断层的脑组织面积;
将所述各个断层中脑组织面积最大的断层确定为第一断层;
基于所述第一断层从所述各个断层中筛选出目标断层。
在一实施例中,所述基于所述第一断层从所述各个断层中筛选出目标断层,包括:
以在鼻腔一侧与所述第一断层相距预设距离的断层为基准,从所述各个断层中确定多个备选断层;
基于所述备选断层的脑组织面积从所述多个备选断层中筛选出目标断层。
在一实施例中,所述基于所述目标断层确定候选血管,包括:
确定所述目标断层的多帧图像沿时间维度的灰度值的最小密度投影,所述多帧图像包括在多个时间点获取的所述目标断层的图像;
计算所述多帧图像中的首帧图像相对于所述最小密度投影的变化率;
基于所述变化率从所述各个目标断层中确定候选血管。
在一实施例中,所述基于所述变化率从所述各个目标断层中确定候选血管,包括:
从所述各个目标断层中确定所述变化率大于预设变化率阈值的备选组织;
将所述面积大于预设面积阈值的备选组织确定为候选血管。
在一实施例中,所述从所述候选血管中确定主动脉血管,包括:
将所述候选血管对应的目标Mask基于鼻腔位置进行调整,得到调整后的目标Mask,所述调整后的目标Mask中所述鼻腔位置处于所述目标Mask中脑组织的正上方,且所述脑组织的质心位于所述目标Mask的中心点;
将所述调整后的目标Mask从上到下划分为多个图像区域,并标记各个所述候选血管所处的所述图像区域;
将所述候选血管中处于所述多个图像区域中最上部的图像区域的候选血管确定为主动脉血管。
在一实施例中,所述将所述调整后的目标Mask从上到下划分为多个图像区域,包括:
从所述调整后的目标Mask中去除所述鼻腔位置及以上部分,得到剩余脑组织标识矩阵MaskNasal;
将所述MaskNasal从上到下划分为多个图像区域。
根据本发明实施例的第二方面,提出了一种识别主动脉血管的装置,包括:
标识矩阵获取模块,用于获取增强灌注成像PWI第M期各个断层的脑组织标识矩阵Mask,M为预设正整数;
目标断层确定模块,用于基于所述Mask从所述各个断层中确定目标断层;
候选血管确定模块,用于基于所述目标断层确定候选血管;
主动脉血管确定模块,用于从所述候选血管中确定主动脉血管。
在一实施例中,所述目标断层确定模块,包括:
脑组织面积确定单元,用于基于所述Mask确定所属断层的脑组织面积;
第一断层确定单元,用于将所述各个断层中脑组织面积最大的断层确定为第一断层;
目标断层确定单元,用于基于所述第一断层从所述各个断层中筛选出目标断层。
在一实施例中,所述目标断层确定单元还用于:
以在鼻腔一侧与所述第一断层相距预设距离的断层为基准,从所述各个断层中确定多个备选断层;
基于所述备选断层的脑组织面积从所述多个备选断层中筛选出目标断层。
在一实施例中,所述候选血管确定模块,包括:
密度投影确定单元,用于确定所述目标断层的多帧图像沿时间维度的灰度值的最小密度投影,所述多帧图像包括在多个时间点获取的所述目标断层的图像;
变化率计算单元,用于计算所述多帧图像中的首帧图像相对于所述最小密度投影的变化率;
候选血管确定单元,用于基于所述变化率从所述各个目标断层中确定候选血管。
在一实施例中,所述候选血管确定单元还用于:
从所述各个目标断层中确定所述变化率大于预设变化率阈值的备选组织;
将所述面积大于预设面积阈值的备选组织确定为候选血管。
在一实施例中,所述主动脉血管确定模块,包括:
目标蒙板调整单元,用于将所述候选血管对应的目标Mask基于鼻腔位置进行调整,得到调整后的目标Mask,所述调整后的目标Mask中所述鼻腔位置处于所述目标Mask中脑组织的正上方,且所述脑组织的质心位于所述目标Mask的中心点;
候选血管标记单元,用于将所述调整后的目标Mask从上到下划分为多个图像区域,并标记各个所述候选血管所处的所述图像区域;
主动脉血管确定单元,用于将所述候选血管中处于所述多个图像区域中最上部的图像区域的候选血管确定为主动脉血管。
在一实施例中,所述候选血管标记单元,还用于:
从所述调整后的目标Mask中去除所述鼻腔位置及以上部分,得到剩余脑组织标识矩阵MaskNasal;
将所述MaskNasal从上到下划分为多个图像区域。
根据本发明实施例的第三方面,提出了一种电子设备,所述电子设备包括:
处理器;
被配置为存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取增强灌注成像PWI第M期各个断层的脑组织标识矩阵Mask,M为预设正整数;
基于所述Mask从所述各个断层中确定目标断层;
基于所述目标断层确定候选血管;
从所述候选血管中确定主动脉血管。
根据本发明实施例的第四方面,提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器处理时实现:
获取增强灌注成像PWI第M期各个断层的脑组织标识矩阵Mask,M为预设正整数;
基于所述Mask从所述各个断层中确定目标断层;
基于所述目标断层确定候选血管;
从所述候选血管中确定主动脉血管。
与现有技术相比较,本发明的识别主动脉血管的方法,通过获取增强灌注成像PWI第M期各个断层的脑组织标识矩阵Mask,并基于所述Mask从所述各个断层中确定目标断层,然后基于所述目标断层确定候选血管,进而从所述候选血管中确定主动脉血管,可以实现准确的识别大脑或颈内等部位的主动脉血管,进而可以实现后续基于该准确的检测缺血半暗带的位置,并计算出缺血半暗带体积,为后续指导病人溶栓、取栓手术及预测术后恢复情况提供依据。
附图说明
图1示出了根据本发明的一示例性实施例的识别主动脉血管的方法的流程图;
图2示出了根据本发明的一示例性实施例的如何基于Mask从各个断层中确定目标断层的流程示意图;
图3示出了根据本发明的一示例性实施例的如何基于第一断层从各个断层中筛选出目标断层的流程示意图;
图4示出了根据本发明的一示例性实施例的如何基于目标断层确定候选血管的流程示意图;
图5示出了根据本发明的一示例性实施例的如何基于变化率从各个目标断层中确定候选血管的流程示意图;
图6A示出了根据本发明的一示例性实施例的如何从候选血管中识别主动脉血管的流程示意图;
图6B示出了根据本发明的一示例性实施例的调整后的目标Mask的示意图;
图6C示出了根据本发明的一示例性实施例的调整后的目标Mask的示意图;
图6D示出了根据本发明的一示例性实施例的调整后的目标Mask中多个图像区域的示意图;
图7A示出了根据本发明的一示例性实施例的如何划分多个图像区域的流程示意图;
图7B示出了根据本发明的一示例性实施例的MaskNasal的示意图;
图7C示出了根据本发明的一示例性实施例的MaskNasal中多个图像区域的示意图;
图8示出了根据本发明的一示例性实施例的识别主动脉血管的装置的结构框图;
图9示出了根据本发明的又一示例性实施例的识别主动脉血管的装置的结构框图;
图10示出了根据本发明的一示例性实施例的电子设备的结构框图。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述。但这些实施方式并不限制本发明,本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语第一、第二等来描述各种结构,但这些结构不应限于这些术语。这些术语仅用来将同一类型的结构彼此区分开。
图1示出了根据本发明的一示例性实施例的识别主动脉血管的方法的流程图;如图1所示,该方法包括以下步骤S101-S105:
在步骤S101中,获取增强灌注成像PWI第M期各个断层的脑组织标识矩阵Mask。
在一实施例中,为了确定被检体的主动脉血管,可以采集该被检体的增强灌注成像PWI序列,进而获取该PWI第M期各个断层的脑组织标识矩阵Mask。
在一实施例中,上述第M期数据可以由开发人员根据实际业务需要进行设置,如设置为PWI的第一期数据,本实施例对此不进行限定。
可以理解的是,上述PWI序列可以为一系列数据。即,在注射药物(如,示踪剂等)后几秒开始,每间隔几秒采集一次数据。若采集50次,则共可获得50期数据,其中,第一期数据即为第一次采集得到的数据。
值得说明的是,上述第M期数据可以为药物还没有到达脑组织之前的数据(即,包括但不限于第一期数据),因此通过该数据确定脑组织标识矩阵Mask,可以提高从断层中提取脑组织的准确性,进而可以提高后续识别主动脉血管的准确性。
在一实施例中,上述主动脉血管可以为被检体的颈内动脉或大脑动脉第一段血管。
在一实施例中,上述脑组织蒙板矩阵可以用于表征对应断层中的脑组织部分(如,除去断层中非脑组织之后的剩余部分)。
在一实施例中,上述确定脑组织标识矩阵Mask的方式可以参见现有技术中的解释和说明,本实施例对此不进行限定。
在步骤S102中,基于所述Mask从所述各个断层中确定目标断层。
在一实施例中,当获取增强灌注成像PWI第M期各个断层的脑组织标识矩阵Mask后,可以基于该Mask从所述各个断层中确定目标断层。
在一实施例中,上述目标断层可以为包含用于从中筛选主动脉血管的候选血管的断层,也即是说,在后续步骤中可以从该目标断层中确定候选血管,进而可以从确定的候选血管中筛选主动脉血管。
在一实施例中,可以根据脑部的生理结构特征,利用上述Mask从所述各个断层中确定目标断层。
举例来说,在PWI图像中,脑组织通常为高灰度值,而鼻腔和口腔则通常为低灰度值,因而可以根据阈值分割方法确定Mask中脑组织面积最大的断层,即眼睛部位断层,进而再根据该脑组织面积最大的断层与目标断层之间的大致距离(如,30mm等,该数值可以由开发人员基于统计数据或业务经验进行设置),从各个断层中确定多个目标断层。
在一实施例中,上述基于所述Mask从所述各个断层中确定目标断层的方式可以参见下述图2所示实施例,在此先不进行详述。
在步骤S103中,基于所述目标断层确定候选血管。
在一实施例中,当基于所述Mask从所述各个断层中确定多个目标断层后,可以基于每个目标断层确定候选血管。
在一实施例中,当确定目标断层后,可以根据不同血管中药物浓度的变化情况从目标断层中确定候选血管。
在一实施例中,可以基于每个目标断层在不同时间的灰度值的变化情况来检测不同血管中药物浓度的变化情况,进而可以将所述目标断层中灰度值的变化情况满足预设规律的组织确定为候选血管。
在一实施例中,上述基于所述目标断层确定候选血管的方式可以参见下述图4所示实施例,在此先不进行详述。
在步骤S104中,从所述候选血管中确定主动脉血管。
在一实施例中,当基于所述目标断层确定候选血管后,可以从所述候选血管中确定主动脉血管。
值得说明的是,由于主动脉血管在脑组织中的区域通常是固定的,因而当确定上述候选血管后,可以确定各条候选血管在脑组织中的区域,进而可以实现从候选血管中筛选出主动脉血管。
在一实施例中,上述从所述候选血管中识别主动脉血管的方式可以参见下述图6A所示实施例,在此先不进行详述。
由上述描述可知,本实施例通过获取增强灌注成像PWI第M期各个断层的脑组织标识矩阵Mask,并基于所述Mask从所述各个断层中确定目标断层,然后基于所述目标断层确定候选血管,进而从所述候选血管中确定主动脉血管,可以实现准确的识别大脑或颈内等部位的主动脉血管,进而可以实现后续基于该准确的检测缺血半暗带的位置,并计算出缺血半暗带体积,为后续指导病人溶栓、取栓手术及预测术后恢复情况提供依据。
图2示出了根据本发明的一示例性实施例的如何基于Mask从各个断层中确定目标断层的流程示意图;本实施例在上述实施例的基础上,以如何基于Mask从各个断层中确定目标断层为例进行示例性说明。如图2所示,上述步骤S102中所述基于所述Mask从所述各个断层中确定目标断层,可以包括以下步骤S201-S203:
在步骤S201中,基于所述Mask确定所属断层的脑组织面积。
在一实施例中,每个断层对应一个矩阵Mask,该矩阵Mask中的每个元素可以用于表征该断层的每个像素是否为脑组织,例如,若某个像素是脑组织,则对应元素的值可以设置为“1”;反之,若不是脑组织,则对应元素的值可以设置为“0”。进而,可以通过统计该断层中矩阵Mask元素的值为“1”的像素的个数来确定该断层的脑组织面积。
值得说明的是,除了采用上述方法确定断层的脑组织面积之外,在实际应用时,还可以由操作人员根据实际业务需要采用其他现有技术中的方式确定断层的脑组织面积,本实施例对此不进行限定。
在步骤S202中,将所述各个断层中脑组织面积最大的断层确定为第一断层。
在一实施例中,当基于所述Mask确定所属断层的脑组织面积后,可以将所述各个断层中脑组织面积进行排序,进而从中确定脑组织面积最大的断层作为第一断层。
在一实施例中,上述第一断层可以用于表征眼部组织对应的断层。
在步骤S203中,基于所述第一断层从所述各个断层中筛选出目标断层。
在一实施例中,当将所述各个断层中脑组织面积最大的断层确定为第一断层后,可以基于所述第一断层从所述各个断层中筛选出多个目标断层。
在一实施例中,当确定上述第一断层后,可以基于第一断层与目标断层之间的距离从各个断层中筛选出多个目标断层。
在一实施例中,上述基于所述第一断层从所述各个断层中筛选出目标断层的方式可以参见下述图3所示实施例,在此先不进行详述。
由上述描述可知,本实施例通过基于所述Mask确定所属断层的脑组织面积,并将所述各个断层中脑组织面积最大的断层确定为第一断层,进而基于所述第一断层从所述各个断层中筛选出目标断层,可以实现基于断层中脑组织面积的特点准确地确定第一断层,进而可以基于该第一断层与目标断层之间的位置关系确定目标断层,可以提高确定目标断层的准确性,进而可以实现后续基于目标断层确定候选血管的步骤,可以提高识别主动脉血管的准确性。
图3示出了根据本发明的一示例性实施例的如何基于第一断层从各个断层中筛选出目标断层的流程示意图;本实施例在上述实施例的基础上以如何基于第一断层从各个断层中筛选出目标断层为例进行示例性说明。如图3所示,上述步骤S203中所述基于所述第一断层从所述各个断层中筛选出目标断层,可以包括以下步骤S301-S302:
在步骤S301中,以在鼻腔一侧与所述第一断层相距预设距离的断层为基准,从所述各个断层中确定多个备选断层。
在一实施例中,当将所述各个断层中脑组织面积最大的断层确定为第一断层,可以以在鼻腔一侧与所述第一断层相距预设距离的断层为基准,从所述各个断层中确定多个备选断层。
在一实施例中,上述预设距离可以为眼部组织断层与目标断层之间的距离,该距离可以由开发人员根据被检体的自身生理结构特点(例如,头部尺寸大小等)或者根据业务经验进行设置,例如设置为30mm等,本实施例对此不进行限定。
举例来说,当确定上述第一断层后,可以从该第一断层所在的位置向鼻腔一侧推进30mm,以确定基准断层的位置,进而可以将该基准断层以及其后面相邻的各个断层确定为备选断层,其中,各个备选断层与第一断层之间的距离大于或等于30mm。
在步骤S302中,基于所述备选断层的脑组织面积从所述多个备选断层中筛选出目标断层。
在一实施例中,当以在鼻腔一侧与所述第一断层相距预设距离的断层为基准,从所述各个断层中确定多个备选断层后,可以基于所述备选断层的脑组织面积从所述多个备选断层中筛选出目标断层。
在一实施例中,由于脑组织面积较大的断层中包含主动脉血管的可能性较高,因而可以基于各个备选断层中脑组织面积的大小,从上述备选断层中再次筛选出目标断层。
在一实施例中,考虑到被检体的生理结构特点对确定目标断层的影响,可以计算每个备选断层与上述第一断层的脑组织面积的比值,然后将该比值与预设面积比阈值进行比较,进而可以将比值大于面积比阈值的备选断层确定为目标断层,达到通过去除部分面积不满足需求的备选断层,并提高后续计算效率的目的。
在一实施例中,上述面积比阈值可以由开发人员根据被检体的自身生理结构特点(例如,头部尺寸大小等)或者根据业务经验进行设置,例如设置为0.8等,本实施例对此不进行限定。
由上述描述可知,本实施例通过以在鼻腔一侧与所述第一断层相距预设距离的断层为基准,从所述各个断层中确定多个备选断层,并基于所述备选断层的脑组织面积从所述多个备选断层中筛选出目标断层,可以实现准确地从多个备选断层中筛选出目标断层,进而为后续基于目标断层确定候选血管以及主动脉血管提供准确的依据,有理由提高识别主动脉血管的准确性。
图4示出了根据本发明的一示例性实施例的如何基于目标断层确定候选血管的流程示意图;本实施例在上述实施例的基础上以如何基于目标断层确定候选血管为例进行示例性说明。如图4所示,上述步骤S103中所述基于所述目标断层确定候选血管,可以包括以下步骤S401-S403:
在步骤S401中,确定所述目标断层的多帧图像沿时间维度的灰度值的最小密度投影。
在一实施例中,当基于所述Mask从所述各个断层中确定目标断层后,可以确定所述目标断层的多帧图像沿时间维度的灰度值的最小密度投影。其中,所述多帧图像包括在多个时间点获取的所述目标断层的图像。
举例来说,可以确定目标断层的N帧图像沿时间维度的灰度值的最小密度投影Minp=min(PWIt1,PWIt2,…,PWItN,)。其中,PWI ti(i=1,2,…,N)为目标部位在第i时刻采集到的图像数据,Minp为所述目标部位在打药后的不同时刻获取的图像序列在该平面的最小密度投影,该最小密度投影Minp可以用于表征上述每帧图像中各像素点在多个时间点的最小灰度值。
在步骤S402中,计算所述多帧图像中的首帧图像相对于所述最小密度投影的变化率。
在一实施例中,当确定所述目标断层的多帧图像沿时间维度的灰度值的最小密度投影后,可以计算上述多帧图像中的首帧图像相对于所述最小密度投影的变化率。
在一实施例中,上述变化率的计算公式可以如下式(1)所示:
变化率=(PWIt1 - Minp)/ PWI t1 (1)
其中,PWI t1为目标部位在第1时刻采集到的图像数据(即首帧图像),Minp为所述目标部位在打药后的不同时刻获取的图像序列在该平面的最小密度投影。
在步骤S403中,基于所述变化率从所述各个目标断层中确定候选血管。
在一实施例中,当计算所述多帧图像中每帧图像相对于首帧图像的所述最小密度投影的变化率后,可以基于所述变化率从所述各个目标断层中确定候选血管。
在一实施例中,可以将上述变化率与预设变化率阈值进行比较,进而可以基于比较结果从所述各个目标断层中确定候选血管。
在一实施例中,上述基于所述变化率从所述各个目标断层中确定候选血管的方式可以参见下述图5所示实施例,在此先不进行详述。
值得说明的是,血管组织由于示踪剂等药物的作用,其在最小密度投影和断层上均呈现低灰度值,而脑灰质、白质、脑脊液等组织的灰度值几乎不变,因此可以基于该特点从各个目标断层中确定候选血管。
由上述描述可知,本实施例通过确定所述目标断层中多帧图像的灰度值沿时间维度的最小密度投影,并计算所述多帧图像中每帧图像相对于首帧图像的所述最小密度投影的变化率,进而基于所述变化率从所述各个目标断层中确定候选血管,可以实现基于目标断层中多帧图像的灰度值沿时间维度的最小密度投影从各个目标断层中准确的确定候选血管,可以为后续基于候选血管筛选主动脉血管奠定基础,有利于提高识别主动脉血管的准确性。
图5示出了根据本发明的一示例性实施例的如何基于变化率从各个目标断层中确定候选血管的流程示意图;本实施例在上述实施例的基础上以如何基于变化率从各个目标断层中确定候选血管为例进行示例性说明。如图5所示,上述步骤S403中所述基于所述基于所述变化率从所述各个目标断层中确定候选血管,可以包括以下步骤S501-S502:
在步骤S501中,从所述各个目标断层中确定所述变化率大于预设变化率阈值的备选组织。
在一实施例中,当计算所述多帧图像中每帧图像相对于首帧图像的所述最小密度投影的变化率后,可以将该变化率与预设变化率阈值进行比较,得到比较结果(如,大于预设变化率阈值,或者,小于或等于预设变化率阈值)。
在此基础上,可以从目标断层中挑选出变化率大于阈值的组织作为备选组织。
在步骤S502中,将所述面积大于预设面积阈值的备选组织确定为候选血管。
在一实施例中,为了进一步剔除不可能为主动脉血管的细小血管,可以基于预设血管面积阈值从上述备选组织中筛选出面积较大的组织作为候选血管。
在一实施例中,上述预设血管面积阈值可以由开发人员根据被检体的自身生理结构特点(如,血管粗细等)或者根据业务经验进行自适应调整,例如可以调整为20~100的数值等,本实施例对此不进行限定。
由上述描述可知,本实施例通过从所述各个目标断层中确定所述变化率大于预设变化率阈值的备选组织,并将所述面积大于预设面积阈值的备选组织确定为候选血管,可以实现从所述各个目标断层中准确地确定候选血管,进而可以提高后续基于候选血管识别主动脉血管的准确性。
图6A示出了根据本发明的一示例性实施例的如何从候选血管中识别主动脉血管的流程示意图;本实施例在上述实施例的基础上以如何从候选血管中确定主动脉血管为例进行示例性说明。如图6A所示,上述步骤S104中所述从所述候选血管中确定主动脉血管,可以包括以下步骤S601-S603:
在步骤S601中,将所述候选血管对应的目标Mask基于鼻腔位置进行调整,得到调整后的目标Mask。
在一实施例中,当基于所述目标断层确定候选血管后,可以将所述候选血管对应的目标Mask基于鼻腔位置进行调整,得到调整后的目标Mask。
在一实施例中,上述将目标Mask基于鼻腔位置进行调整的方式包括对目标Mask进行左右旋转和/或上下移动等,以使调整后的目标Mask中所述鼻腔位置处于所述目标Mask中脑组织的正上方,且所述脑组织的质心位于所述目标Mask的中心点。
举例来说,图6B示出了根据本发明的一示例性实施例的调整前的目标Mask的示意图。图6C示出了根据本发明的一示例性实施例的调整后的目标Mask的示意图。
如图6B所示,椭圆内的组织为鼻腔,为了使鼻腔位置处于目标Mask中脑组织的正上方,因而可以将图6B中的目标Mask沿着逆时针旋转预设角度;进一步地,为了使脑组织的质心位于所述目标Mask的中心点,可以将图6B中所述的目标Mask向下移动预设距离,进而可以得到图6C所示的调整后的目标Mask。
在步骤S602中,将所述调整后的目标Mask从上到下划分为多个图像区域,并标记各个所述候选血管所处的所述图像区域。
在一实施例中,当将所述候选血管对应的目标Mask基于鼻腔位置进行调整,得到调整后的目标Mask后,可以将所述调整后的目标Mask从上到下划分为多个图像区域,然后可以将上述确定的多条候选血管与该调整后的目标Mask进行对应(如,将包含候选血管的目标断层图像与该调整后的目标Mask重叠),以将每条候选血管匹配至相应的图像区域中,进而可以标记每个候选血管所处的图像区域。
举例来说,图6D示出了根据本发明的一示例性实施例的调整后的目标Mask中多个图像区域的示意图。如图6D所示,可以将所述调整后的目标Mask从上到下划分为多个图像区域,进而可以标记各个所述候选血管所处的所述图像区域,例如,处于第I区域、第II区域或第III区域等。
在一实施例中,上述将所述调整后的目标Mask从上到下划分为多个图像区域的方式还可以参见下述图7A所示实施例,在此先不进行详述。
在步骤S603中,将所述候选血管中处于所述多个图像区域中最上部的图像区域的候选血管确定为主动脉血管。
在一实施例中,当将标记各个所述候选血管所处的所述图像区域后,可以基于主动脉血管所处脑组织中的位置的特点,将最上部的图像区域(如,图6D中的第I区域)内的候选血管确定为主动脉血管。
由上述描述可知,本实施例通过将所述候选血管对应的目标Mask基于鼻腔位置进行调整,得到调整后的目标Mask,并将所述调整后的目标Mask从上到下划分为多个图像区域,并标记各个所述候选血管所处的所述图像区域,进而将所述候选血管中处于所述多个图像区域中最上部的图像区域的候选血管确定为主动脉血管,可以实现准确地从所述候选血管中确定主动脉血管,由于将所述候选血管中处于所述多个图像区域中最上部的图像区域的候选血管确定为主动脉血管,因而可以实现基于主动脉血管所处脑组织中的位置的特点确定主动脉血管,可以提高识别主动脉血管的准确性。
图7A示出了根据本发明的一示例性实施例的如何划分多个图像区域的流程示意图;图7B示出了根据本发明的一示例性实施例的MaskNasal的示意图;图7C示出了根据本发明的一示例性实施例的MaskNasal中多个图像区域的示意图。
本实施例在上述实施例的基础上以如何划分多个图像区域为例进行示例性说明。如图7A所示,上述步骤S602中所述将所述调整后的目标Mask从上到下划分为多个图像区域,可以包括以下步骤S701-S702:
在步骤S701中,从所述调整后的目标Mask中去除所述鼻腔位置及以上部分,得到剩余脑组织标识矩阵MaskNasal。
在一实施例中,当将所述候选血管对应的目标Mask基于鼻腔位置进行调整,得到图6C所示的调整后的目标Mask后,可以从该调整后的目标Mask中去除所述鼻腔位置及以上部分,得到剩余脑组织标识矩阵MaskNasal,如图7B所示。
在步骤S702中,将所述MaskNasal从上到下划分为多个图像区域。
在一实施例中,当得到图7B所示的剩余脑组织标识矩阵MaskNasal后,可以将该MaskNasal从上到下划分为多个图像区域,如图7C所示。
可以理解的是,图6C所示的调整后的目标Mask中,由于鼻腔位置及以上部分不可能存在主动脉血管,因而将该部分从调整后的目标Mask中去除,可以减少后续划分图像区域的图像范围,进而可以提高后续基于划分的图像区域识别主动脉血管的效率和准确性。
图8示出了根据本发明的一示例性实施例的识别主动脉血管的装置的结构框图;如图8所示,该装置包括:蒙板矩阵获取模块110、目标断层确定模块120、候选血管确定模块130以及主动脉血管确定模块140,其中:
蒙板矩阵获取模块110,用于获取增强灌注成像PWI第M期各个断层的脑组织标识矩阵Mask,M为预设正整数;
目标断层确定模块120,用于基于所述Mask从所述各个断层中确定目标断层;
候选血管确定模块130,用于基于所述目标断层确定候选血管;
主动脉血管确定模块140,用于从所述候选血管中确定主动脉血管。
由上述描述可知,本实施例通过获取增强灌注成像PWI第M期各个断层的脑组织标识矩阵Mask,并基于所述Mask从所述各个断层中确定目标断层,然后基于所述目标断层确定候选血管,进而从所述候选血管中确定主动脉血管,可以实现准确的识别大脑或颈内等部位的主动脉血管,进而可以实现后续基于该准确的检测缺血半暗带的位置,并计算出缺血半暗带体积,为后续指导病人溶栓、取栓手术及预测术后恢复情况提供依据主动脉血管主动脉血管主动脉血管主动脉血管主动脉血管。
图9示出了根据本发明的又一示例性实施例的识别主动脉血管的装置的结构框图;其中,蒙板矩阵获取模块210、目标断层确定模块220、候选血管确定模块230以及主动脉血管确定模块240与前述图8所示实施例中的蒙板矩阵获取模块110、目标断层确定模块120、候选血管确定模块130以及主动脉血管确定模块140的功能相同。如图9所示,目标断层确定模块220,包括:
脑组织面积确定单元221,用于基于所述Mask确定所属断层的脑组织面积;
第一断层确定单元222,用于将所述各个断层中脑组织面积最大的断层确定为第一断层;
目标断层确定单元223,用于基于所述第一断层从所述各个断层中筛选出目标断层。
在一实施例中,目标断层确定单元223还用于:
以在鼻腔一侧与所述第一断层相距预设距离的断层为基准,从所述各个断层中确定多个备选断层;
基于所述备选断层的脑组织面积从所述多个备选断层中筛选出目标断层。
在一实施例中,候选血管确定模块230,包括:
密度投影确定单元231,用于确定所述目标断层的多帧图像沿时间维度的灰度值的最小密度投影,所述多帧图像包括在多个时间点获取的所述目标断层的图像;
变化率计算单元232,用于计算所述多帧图像中的首帧图像相对于所述最小密度投影的变化率;
候选血管确定单元233,用于基于所述变化率从所述各个目标断层中确定候选血管。
在一实施例中,候选血管确定单元233还用于:
从所述各个目标断层中确定所述变化率大于预设变化率阈值的备选组织。
将所述面积大于预设面积阈值的备选组织确定为候选血管。
在一实施例中,主动脉血管确定模块240,包括:
目标蒙板调整单元241,用于将所述候选血管对应的目标Mask基于鼻腔位置进行调整,得到调整后的目标Mask,所述调整后的目标Mask中所述鼻腔位置处于所述目标Mask中脑组织的正上方,且所述脑组织的质心位于所述目标Mask的中心点;
候选血管标记单元242,用于将所述调整后的目标Mask从上到下划分为多个图像区域,并标记各个所述候选血管所处的所述图像区域;
主动脉血管确定单元243,用于将所述候选血管中处于所述多个图像区域中最上部的图像区域的候选血管确定为主动脉血管。
在一实施例中,候选血管标记单元242,还用于:
从所述调整后的目标Mask中去除所述鼻腔位置及以上部分,得到剩余脑组织标识矩阵MaskNasal;
将所述MaskNasal从上到下划分为多个图像区域。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明的识别主动脉血管的装置的实施例可以应用在网络设备上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图10所示,为本发明的识别主动脉血管的装置所在电子设备的一种硬件结构图,除了图10所示的处理器、网络接口、内存以及非易失性存储器之外,实施例中装置所在的设备通常还可以包括其他硬件,如负责处理报文的转发芯片等等;从硬件结构上来讲该设备还可能是分布式的设备,可能包括多个接口卡,以便在硬件层面进行报文处理的扩展。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器处理时实现以下任务处理方法:
获取增强灌注成像PWI第M期各个断层的脑组织标识矩阵Mask,M为预设正整数;
基于所述Mask从所述各个断层中确定目标断层;
基于所述目标断层确定候选血管;
从所述候选血管中确定主动脉血管。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由本申请的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (16)
1.一种识别主动脉血管的方法,其特征在于,包括:
获取增强灌注成像PWI第M期各个断层的脑组织标识矩阵Mask,M为预设正整数;
基于所述Mask从所述各个断层中确定目标断层;
基于所述目标断层确定候选血管;
从所述候选血管中确定主动脉血管。
2.根据权利要求1所述的方法,其特征在于,所述基于所述Mask从所述各个断层中确定目标断层,包括:
基于所述Mask确定所属断层的脑组织面积;
将所述各个断层中脑组织面积最大的断层确定为第一断层;
基于所述第一断层从所述各个断层中筛选出目标断层。
3.根据权利要求2所述的方法,其特征在于,所述基于所述第一断层从所述各个断层中筛选出目标断层,包括:
以在鼻腔一侧与所述第一断层相距预设距离的断层为基准,从所述各个断层中确定多个备选断层;
基于所述备选断层的脑组织面积从所述多个备选断层中筛选出目标断层。
4.根据权利要求1所述的方法,其特征在于,所述基于所述目标断层确定候选血管,包括:
确定所述目标断层的多帧图像沿时间维度的灰度值的最小密度投影,所述多帧图像包括在多个时间点获取的所述目标断层的图像;
计算所述多帧图像中的首帧图像相对于所述最小密度投影的变化率;
基于所述变化率从所述目标断层中确定候选血管。
5.根据权利要求4所述的方法,其特征在于,所述基于所述变化率从所述目标断层中确定候选血管,包括:
从所述目标断层中确定所述变化率大于预设变化率阈值的备选组织;
将面积大于预设面积阈值的备选组织确定为候选血管。
6.根据权利要求1所述的方法,其特征在于,所述从所述候选血管中确定主动脉血管,包括:
将所述候选血管对应的目标Mask基于鼻腔位置进行调整,得到调整后的目标Mask,所述调整后的目标Mask中所述鼻腔位置处于所述调整后的目标Mask中脑组织的正上方,且所述脑组织的质心位于所述调整后的目标Mask的中心点;
将所述调整后的目标Mask从上到下划分为多个图像区域,并标记各个所述候选血管所处的所述图像区域;
将所述候选血管中处于所述多个图像区域中最上部的图像区域的候选血管确定为主动脉血管。
7.根据权利要求6所述的方法,其特征在于,所述将所述调整后的目标Mask从上到下划分为多个图像区域,包括:
从所述调整后的目标Mask中去除所述鼻腔位置及以上部分,得到剩余脑组织标识矩阵MaskNasal;
将所述MaskNasal从上到下划分为多个图像区域。
8.一种识别主动脉血管的装置,其特征在于,包括:
标识矩阵获取模块,用于获取增强灌注成像PWI第M期各个断层的脑组织标识矩阵Mask,M为预设正整数;
目标断层确定模块,用于基于所述Mask从所述各个断层中确定目标断层;
候选血管确定模块,用于基于所述目标断层确定候选血管;
主动脉血管确定模块,用于从所述候选血管中确定主动脉血管。
9.根据权利要求8所述的装置,其特征在于,所述目标断层确定模块,包括:
脑组织面积确定单元,用于基于所述Mask确定所属断层的脑组织面积;
第一断层确定单元,用于将所述各个断层中脑组织面积最大的断层确定为第一断层;
目标断层确定单元,用于基于所述第一断层从所述各个断层中筛选出目标断层。
10.根据权利要求9所述的装置,其特征在于,所述目标断层确定单元还用于:
以在鼻腔一侧与所述第一断层相距预设距离的断层为基准,从所述各个断层中确定多个备选断层;
基于所述备选断层的脑组织面积从所述多个备选断层中筛选出目标断层。
11.根据权利要求8所述的装置,其特征在于,所述候选血管确定模块,包括:
密度投影确定单元,用于确定所述目标断层的多帧图像沿时间维度的灰度值的最小密度投影,所述多帧图像包括在多个时间点获取的所述目标断层的图像;
变化率计算单元,用于计算所述多帧图像中的首帧图像相对于所述最小密度投影的变化率;
候选血管确定单元,用于基于所述变化率从所述目标断层中确定候选血管。
12.根据权利要求11所述的装置,其特征在于,所述候选血管确定单元还用于:
从所述目标断层中确定所述变化率大于预设变化率阈值的备选组织;
将面积大于预设面积阈值的备选组织确定为候选血管。
13.根据权利要求8所述的装置,其特征在于,所述主动脉血管确定模块,包括:
目标蒙板调整单元,用于将所述候选血管对应的目标Mask基于鼻腔位置进行调整,得到调整后的目标Mask,所述调整后的目标Mask中所述鼻腔位置处于所述调整后的目标Mask中脑组织的正上方,且所述脑组织的质心位于所述调整后的目标Mask的中心点;
候选血管标记单元,用于将所述调整后的目标Mask从上到下划分为多个图像区域,并标记各个所述候选血管所处的所述图像区域;
主动脉血管确定单元,用于将所述候选血管中处于所述多个图像区域中最上部的图像区域的候选血管确定为主动脉血管。
14.根据权利要求13所述的装置,其特征在于,所述候选血管标记单元,还用于:
从所述调整后的目标Mask中去除所述鼻腔位置及以上部分,得到剩余脑组织标识矩阵MaskNasal;
将所述MaskNasal从上到下划分为多个图像区域。
15.一种电子设备,其特征在于,所述电子设备包括:
处理器;
被配置为存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取增强灌注成像PWI第M期各个断层的脑组织标识矩阵Mask,M为预设正整数;
基于所述Mask从所述各个断层中确定目标断层;
基于所述目标断层确定候选血管;
从所述候选血管中确定主动脉血管。
16.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器处理时实现:
获取增强灌注成像PWI第M期各个断层的脑组织标识矩阵Mask,M为预设正整数;
基于所述Mask从所述各个断层中确定目标断层;
基于所述目标断层确定候选血管;
从所述候选血管中确定主动脉血管。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910564097.1A CN110279417B (zh) | 2019-06-25 | 2019-06-25 | 识别主动脉血管的方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910564097.1A CN110279417B (zh) | 2019-06-25 | 2019-06-25 | 识别主动脉血管的方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110279417A CN110279417A (zh) | 2019-09-27 |
CN110279417B true CN110279417B (zh) | 2023-03-31 |
Family
ID=68007652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910564097.1A Active CN110279417B (zh) | 2019-06-25 | 2019-06-25 | 识别主动脉血管的方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110279417B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105404B (zh) * | 2019-12-24 | 2022-11-22 | 强联智创(北京)科技有限公司 | 一种基于颅脑影像数据的目标位置的提取方法及系统 |
CN111862014A (zh) * | 2020-07-08 | 2020-10-30 | 深圳市第二人民医院(深圳市转化医学研究院) | 一种基于左右侧脑室分割的alvi自动测量方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810363A (zh) * | 2012-11-09 | 2014-05-21 | 上海联影医疗科技有限公司 | 血管造影术中的血管种子点选取方法及血管提取方法 |
CN109431531A (zh) * | 2018-12-25 | 2019-03-08 | 上海联影医疗科技有限公司 | 基于灌注成像的血管分割方法及装置和计算机装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2189112A1 (en) * | 2008-11-24 | 2010-05-26 | Bracco Research S.A. | Real-time perfusion imaging and quantification |
JP5229175B2 (ja) * | 2009-09-25 | 2013-07-03 | 大日本印刷株式会社 | 医用画像表示処理方法、装置およびプログラム |
CN102119856A (zh) * | 2010-01-08 | 2011-07-13 | 姜卫剑 | 一种基于稳态法计算脑血容量的方法 |
US10617312B2 (en) * | 2012-04-17 | 2020-04-14 | Koninklijke Philips N.V. | Perfusion imaging |
CN108852308B (zh) * | 2018-06-22 | 2021-03-30 | 苏州高新区人民医院 | 一种基于多参数影像技术优化检测体系的超时间窗ais临床再灌注方法 |
-
2019
- 2019-06-25 CN CN201910564097.1A patent/CN110279417B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810363A (zh) * | 2012-11-09 | 2014-05-21 | 上海联影医疗科技有限公司 | 血管造影术中的血管种子点选取方法及血管提取方法 |
CN109431531A (zh) * | 2018-12-25 | 2019-03-08 | 上海联影医疗科技有限公司 | 基于灌注成像的血管分割方法及装置和计算机装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110279417A (zh) | 2019-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Niemeijer et al. | Fast detection of the optic disc and fovea in color fundus photographs | |
JP2020506012A (ja) | 脳卒中の診断及び予後予測方法並びにシステム | |
JP6025311B2 (ja) | 眼科診断支援装置および方法 | |
JP6175071B2 (ja) | 胸部画像の処理及び表示 | |
JP6564018B2 (ja) | 放射線画像の肺野セグメンテーション技術及び骨減弱技術 | |
JP2018061771A (ja) | 画像処理装置、及び画像処理方法 | |
US20220020152A1 (en) | Apparatus for identifying regions in a brain image | |
JP5878125B2 (ja) | 認知症診断支援装置及び認知症診断支援方法 | |
CN110279417B (zh) | 识别主动脉血管的方法、装置及设备 | |
US20130303900A1 (en) | Method and apparatus for processing of stroke ct scans | |
CN107680134B (zh) | 医学图像中脊椎标定方法、装置及设备 | |
KR102021541B1 (ko) | 의료 영상 기반 뇌혈전 영역 식별 및 가시화를 위한 컴퓨팅 시스템 및 방법 | |
Lee et al. | Deep learning based cephalometric landmark identification using landmark-dependent multi-scale patches | |
EP3939003B1 (en) | Systems and methods for assessing a likelihood of cteph and identifying characteristics indicative thereof | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
EP2705497B1 (en) | Systems and methods for automatic detection and testing of images for clinical relevance | |
US20090310883A1 (en) | Image processing apparatus, method, and program | |
JP5599683B2 (ja) | 医用画像処理装置、医用画像処理方法 | |
JP5801226B2 (ja) | 画像診断支援装置、方法およびプログラム | |
KR101659056B1 (ko) | 2차원 기술자를 이용한 두개골유합증 자동진단시스템 및 이를 이용한 두개골유합증 자동진단방법 | |
CN112184623A (zh) | 脊柱椎体的椎间隙分析方法、设备和存储介质 | |
CN111583212A (zh) | 脑部中线移位的确定方法及装置 | |
US10307124B2 (en) | Image display device, method, and program for determining common regions in images | |
JP2010233737A (ja) | 体型判定方法及び体型判定システム並びにそれを用いた監視システム | |
JP5565647B2 (ja) | 臓器領域特定方法、および臓器領域特定装置 |
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 |