CN110349175A - 一种动静脉畸形分割方法、系统及电子设备 - Google Patents
一种动静脉畸形分割方法、系统及电子设备 Download PDFInfo
- Publication number
- CN110349175A CN110349175A CN201910552911.8A CN201910552911A CN110349175A CN 110349175 A CN110349175 A CN 110349175A CN 201910552911 A CN201910552911 A CN 201910552911A CN 110349175 A CN110349175 A CN 110349175A
- Authority
- CN
- China
- Prior art keywords
- node
- avm
- spanning tree
- nodes
- graph
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 208000022211 Arteriovenous Malformations Diseases 0.000 title claims abstract description 130
- 230000005744 arteriovenous malformation Effects 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 62
- 210000003462 vein Anatomy 0.000 claims abstract description 77
- 210000001367 artery Anatomy 0.000 claims abstract description 74
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 35
- 230000003902 lesion Effects 0.000 claims abstract description 28
- 230000002792 vascular Effects 0.000 claims abstract description 25
- 238000010845 search algorithm Methods 0.000 claims abstract description 21
- 238000002583 angiography Methods 0.000 claims abstract description 16
- 230000036770 blood supply Effects 0.000 claims description 55
- 230000011218 segmentation Effects 0.000 claims description 55
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000005481 NMR spectroscopy Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 15
- 239000000203 mixture Substances 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000004807 localization Effects 0.000 claims description 3
- 210000000988 bone and bone Anatomy 0.000 abstract 2
- 208000032170 Congenital Abnormalities Diseases 0.000 abstract 1
- 238000010276 construction Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000017531 blood circulation Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000034710 Cerebral arteriovenous malformation Diseases 0.000 description 1
- 208000002263 Intracranial Arteriovenous Malformations Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 201000000034 arteriovenous malformations of the brain Diseases 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010102 embolization Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000002719 stereotactic radiosurgery Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 201000009371 venous hemangioma Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T2207/30—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)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种动静脉畸形分割方法、系统及电子设备。包括：步骤a：从核磁共振血管造影图像中分割出血管树，生成血管骨架线；步骤b：使用基于权重的宽度优先搜索算法创建血管骨架线的生成树，构造一条从颈动脉根点通过供血动脉到达AVM病灶再到引流静脉的拓扑路径；步骤c：根据所述生成树定位并分割AVM病灶，根据与AVM病灶相连的供血动脉和引流静脉的拓扑路径对供血动脉和引流静脉进行分割。本申请具有以下优点：1)需要的人工交互更少，可以自动分割动静脉畸形；2)可以很好地分割具有间隙甚至稀疏血管的AVM；3)依据血管拓扑关系，可以准确地分割供血动脉和引流静脉。
Description
技术领域
本申请属于医学图像处理技术领域，特别涉及一种动静脉畸形分割方法、系统及电子设备。
背景技术
动静脉畸形(Arteriovenous Malformation,AVM)的病理特征是：动静脉之间没有毛细血管，代之以一团管径粗细不匀、管壁厚薄不匀的异常血管团，其血管缺乏弹力层及肌层，易破裂出血并导致生命危险[S.K.Cho,Y.S.Do,S.W.Shin et al.,“Arteriovenousmalformations of the body and extremities:analysis of therapeutic outcomesand approaches according to a modified angiographic classification,”vol.13,no.4,pp.527-538,2006]。目前的动静脉畸形治疗方法主要有：外科手术切除畸形团、血管内栓塞、立体定向放射手术[C.S.Ogilvy,P.E.Stieg,I.Awad et al.,“Recommendationsfor the management of intracranial arteriovenous malformations-A statementfor healthcare professionals from a special writing group of the strokecouncil,American Stroke Association,”Stroke,vol.32,no.6,pp.1458-1471,Jun,2001]。因此，详细了解供血动脉、引流静脉和畸形团区域的结构有助于优化手术计划。
目前为止，已经有几种方法详细分析AVM内部结构，包括供血动脉、引流静脉和畸形团病灶。例如：Bullitt等人[E.Bullitt,.,S.Aylward,.,E.J.Bernard et al.,“Computer-assisted visualization of arteriovenous malformations on the homepersonal computer,”vol.48,no.3,pp.576,2001]提出了一种可以进行血管三维可视化的软件，并且通过体积渲染技术显示之前人工分割出来的AVM病灶。Saring等人[D.Saring,J.Fiehler,N.Forkert et al.,“Visualization and analysis of cerebralarteriovenous malformation combining 3D and 4D MR image sequences,”International Journal of Computer Assisted Radiology and Surgery,vol.2,pp.S75-S77,Jun,2007.]利用4D-MRA的可分辨时间回波共享数据测量并统计血流的时间强度曲线、获得空间血流动态特性的3D血流参数，将该参数空间与3D-MRA数据进行配准后为供血动脉、引流静脉的空间分离提供可视化依据。Nyui等人分别使用了因子分析方法[Y.Nyui,K.Ogawa,and E.Kunieda,"Extraction of arteriovenous malformation withfactor analysis."]和主成分分析(PCA)方法[Y.Nyui,K.Ogawa,and E.Kunieda,"A newapproach to the visualization of intracranial arteriovenous malformation withprincipal component analysis."]分析了具有对比度和不透明介质的动态X射线CT图像进行AVM提取。Babin等人使用像素分析方法[D.Babin,M.Spyrantis,A.et al.,"Pixel profiling for extraction of arteriovenous malformation in 3-D CTAimages."pp.1-4.]和中心线分析方法[D.Babin,M.Spyrantis,A.et al.,"Skeleton calculation for automatic extraction of arteriovenous malformationin 3-D CTA images."pp.425-428.]来检测和分割AVM区域。
Forkert等人[N.D.Forkert,T.Illies,E.Goebell et al.,“Computer-aidednidus segmentation and angiographic characterization of arteriovenousmalformations,”Int J Comput Assist Radiol Surg,vol.8,no.5,pp.775-86,Sep,2013.]使用血流速度、血管半径、血管的管状特征和球形特征训练SVM分类器分割畸形团病灶，并结合4DMRA图像血流的时间强度参数图将病灶周围一定半径内的血管划分为供血动脉或引流静脉。Clarencon等人[F.Clarencon,F.Maizeroi-Eugene,D.Bresson et al.,“Elaboration of a semi-automated algorithm for brain arteriovenousmalformation segmentation:initial results,”Eur Radiol,vol.25,no.2,pp.436-43,Feb,2015.]描述了利用血管密度及其方差的信息结合人工标记在3DRA图像上进行标签传播来分别分割出AVM病灶、供血动脉和引流静脉。该过程需要大量手工交互和高度的经验，并不适合临床常规。Babin等人[D.Babin,A.Pizurica,L.Velicki et al.,“Skeletonization method for vessel delineation of arteriovenousmalformation,”Comput Biol Med,vol.93,pp.93-105,Feb 1,2018.]在中心线分析的基础上，构造血管树定位AVM的位置继而分割出AVM病灶，然后根据与病灶相连的血管的半径和灰度特征分割出引流静脉和供血动脉。但是他们使用的骨架化方法会产生空腔或者孔洞，破坏原来的拓扑结构，而且他们的AVM提取方法只对紧密的团型结构效果较好，但是实际上大部分AVM病灶并不是这样的。
发明内容
本申请提供了一种动静脉畸形分割方法、系统及电子设备，旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题，本申请提供了如下技术方案：
一种动静脉畸形分割方法，包括以下步骤：
步骤a：从核磁共振血管造影图像中分割出血管树，生成血管骨架线；
步骤b：使用基于权重的宽度优先搜索算法创建血管骨架线的生成树，构造一条从颈动脉根点通过供血动脉到达AVM病灶再到引流静脉的拓扑路径；
步骤c：根据所述生成树定位并分割AVM病灶，根据与AVM病灶相连的供血动脉和引流静脉的拓扑路径对供血动脉和引流静脉进行分割。
本申请实施例采取的技术方案还包括：在所述步骤b中，所述使用基于权重的宽度优先搜索算法创建血管骨架线的生成树具体包括：
输入：无向图G＝(V,E)，其中V是节点集合，E是边的集合；
对每个节点vi(i＝2,3,...,n)，计算到根节点v1(颈动脉根点)的最短路径作为权重Wi；
将v1放入队列Vertex中；
从队列Vertex中取出第一个节点vf并放入队列Visited中；
将与节点vf相邻并且还未被访问过的节点放入队列Vertex中，将节点vf和新放入节点之间的边放入邻接矩阵Graph中；
删除队列Vertex中的第一个节点vf，将其余节点按照权重Wi从大到小的顺序进行排序；
从队列Vertex中重新取出下一个节点重复执行上述操作，直到队列Vertex中没有节点；
输出：邻接矩阵Graph，即为所述血管骨架线的生成树。
本申请实施例采取的技术方案还包括：在所述步骤c中，所述根据生成树定位并分割AVM病灶具体为：从所述邻接矩阵Graph中找到度最高的节点，根据所述度最高节点的位置和密度对生成树中的AVM病灶进行定位和分割。
本申请实施例采取的技术方案还包括：所述根据度最高节点的位置和密度对生成树中的AVM病灶进行定位和分割具体为：假设将度最高节点的8邻域范围以内的所有节点定义为AVM病灶区域：
VAVM＝{v|(Graph+Graph')1～8(v,vH)≠0}
上述公式中，VAVM是AVM所包含的节点集合，Graphn是邻接矩阵Graph的nth次方，vH是度最高的节点；如果Graphn坐标为(x,y)的节点不为0，表示节点x到节点y有一条长度为n的路径，则所有满足条件的节点和AVM节点间的骨架线路径构成了AVM病灶。
本申请实施例采取的技术方案还包括：在所述步骤c中，所述根据与AVM病灶相连的供血动脉和引流静脉的拓扑路径对供血动脉和引流静脉进行分割具体为：所述AVM节点在生成树中的祖先节点与其相连的路径即为供血动脉，后代节点与其相连的路径即为引流静脉，公式表达如下：
上述公式中，表示满足条件的节点v和AVM节点间的骨架线路径。
本申请实施例采取的另一技术方案为：一种动静脉畸形分割系统，包括：
血管树分割模块：用于从核磁共振血管造影图像中分割出血管树，生成血管骨架线；
生成树创建模块：用于使用基于权重的宽度优先搜索算法创建血管骨架线的生成树，构造一条从颈动脉根点通过供血动脉到达AVM病灶再到引流静脉的拓扑路径；
AVM病灶定位模块：用于根据所述生成树定位并分割AVM病灶；
动静脉分割模块：用于根据与AVM病灶相连的供血动脉和引流静脉的拓扑路径对供血动脉和引流静脉进行分割。
本申请实施例采取的技术方案还包括：所述生成树创建模块使用基于权重的宽度优先搜索算法创建血管骨架线的生成树具体包括：
输入：无向图G＝(V,E)，其中V是节点集合，E是边的集合；
对每个节点vi(i＝2,3,...,n)，计算到根节点v1(颈动脉根点)的最短路径作为权重Wi；
将v1放入队列Vertex中；
从队列Vertex中取出第一个节点vf并放入队列Visited中；
将与节点vf相邻并且还未被访问过的节点放入队列Vertex中，将节点vf和新放入节点之间的边放入邻接矩阵Graph中；
删除队列Vertex中的第一个节点vf，将其余节点按照权重Wi从大到小的顺序进行排序；
从队列Vertex中重新取出下一个节点重复执行上述操作，直到队列Vertex中没有节点；
输出：邻接矩阵Graph，即为所述血管骨架线的生成树。
本申请实施例采取的技术方案还包括：所述AVM病灶定位模块根据生成树定位并分割AVM病灶具体为：从所述邻接矩阵Graph中找到度最高的节点，根据所述度最高节点的位置和密度对生成树中的AVM病灶进行定位和分割。
本申请实施例采取的技术方案还包括：所述AVM病灶定位模块根据度最高节点的位置和密度对生成树中的AVM病灶进行定位和分割具体为：假设将度最高节点的8邻域范围以内的所有节点定义为AVM病灶区域：
VAVM＝{v|(Graph+Graph')1～8(v,vH)≠0}
上述公式中，VAVM是AVM所包含的节点集合，Graphn是邻接矩阵Graph的nth次方，vH是度最高的节点；如果Graphn坐标为(x,y)的节点不为0，表示节点x到节点y有一条长度为n的路径，则所有满足条件的节点和AVM节点间的骨架线路径构成了AVM病灶。
本申请实施例采取的技术方案还包括：所述动静脉分割模块根据与AVM病灶相连的供血动脉和引流静脉的拓扑路径对供血动脉和引流静脉进行分割具体为：所述AVM节点在生成树中的祖先节点与其相连的路径即为供血动脉，后代节点与其相连的路径即为引流静脉，公式表达如下：
上述公式中，表示满足条件的节点v和AVM节点间的骨架线路径。
本申请实施例采取的又一技术方案为：一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的动静脉畸形分割方法的以下操作：
步骤a：从核磁共振血管造影图像中分割出血管树，生成血管骨架线；
步骤b：使用基于权重的宽度优先搜索算法创建血管骨架线的生成树，构造一条从颈动脉根点通过供血动脉到达AVM病灶再到引流静脉的拓扑路径；
步骤c：根据所述生成树定位并分割AVM病灶，根据与AVM病灶相连的供血动脉和引流静脉的拓扑路径对供血动脉和引流静脉进行分割。
相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的动静脉畸形分割方法、系统及电子设备通过从核磁共振血管造影图像中分割出血管树，然后使用基于权重的宽度优先搜索算法从血管骨架化结果中创建生成树，构造出一条从颈动脉根点通过供血动脉到达AVM病灶再到引流静脉的拓扑路径，最后，根据生成树自动检测提取AVM病灶，再根据连接AVM病灶的路径的先后顺序分别分割出供血动脉、引流静脉；相对于现有技术，本申请至少具有以下有益效果：
1)需要的人工交互更少，可以自动分割动静脉畸形；
2)可以很好地分割具有间隙甚至稀疏血管的AVM；
3)依据血管拓扑关系，可以准确地分割供血动脉和引流静脉。
附图说明
图1是本申请实施例的动静脉畸形分割方法的流程图；
图2是为BFS算法和基于权重的BFS算法的区别示意图；
图3为血管骨架线的轴向、矢向和冠向视图；
图4是本申请实施例的动静脉畸形分割系统的结构示意图；
图5为AVM病灶的定位分割结果示意图，其中，(a)-(c)本申请所提方法的结果，(d)-(f)为Babin方法的结果；
图6为供血动脉和引流静脉分割结果示意图，其中，(a)为本申请所提方法的结果，(b)为Babin方法的结果；
图7是本申请实施例提供的动静脉畸形分割方法的硬件设备结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
为了能够全自动地、精确有效提取动静脉畸形，本申请提出了一种基于图论的AVM定位和分割方法，首先，从核磁共振血管造影图像中分割出血管树，然后使用基于权重的宽度优先搜索算法从血管骨架化结果中创建生成树，构造出一条从颈动脉根点通过供血动脉到达AVM病灶再到引流静脉的拓扑路径，最后，根据生成树自动检测提取AVM病灶，再根据连接AVM病灶的路径的先后顺序分别分割出供血动脉、引流静脉。
具体的，请参阅图1，是本申请实施例的动静脉畸形分割方法的流程图。本申请实施例的动静脉畸形分割方法包括以下步骤：
步骤100：获取核磁共振血管造影图像；
步骤200：从核磁共振血管造影图像中分割出血管树，生成血管骨架线；
步骤200中，血管树分割方法请参照文献[S.Zhou,W.Chen,F.Jia et al.,“Segmentation of brain magnetic resonance angiography images based on MAP–MRFwith multi-pattern neighborhood system and approximation of regularizationcoefficient,”vol.17,no.8,pp.1220-1235,2013.]；血管骨架线生成方法具体请参照文献[T.C.Lee,R.L.Kashyap,and C.N.Chu,Building Skeleton Models via 3-D MedialSurface Axis Thinning Algorithms,1994.]。
步骤300：使用基于权重的宽度优先搜索算法(Breadth-First Search，BFS)创建血管骨架线的生成树，构造一条从颈动脉根点通过供血动脉到达AVM病灶再到引流静脉的拓扑路径；
步骤300中，使用基于权重的宽度优先搜索算法可以将无向图中的环路从远离根节点的位置断开，确保有一条拓扑路径是从颈动脉根点通过供血动脉到达AVM病灶再到引流静脉。具体如图2所示，为BFS算法和基于权重的BFS算法的区别示意图，其中，(a)为原始图像，(b)为BFS算法的结果，(c)为基于权重的BFS算法的结果。圆相当于脑血管系统中的环，右边节点密集的部分相当于AVM区域，AVM区域的两侧区域分别代表供血动脉和引流静脉，数字代表访问节点的顺序。宽度优先搜索树会将环在两侧节点数较平均的地方断开，但是由于AVM内部节点数众多，所以如果只使用宽度优先可能会破坏供血动脉-AVM病灶-引流静脉的拓扑结构，而使用基于权重的BFS可以避免该情况。具体的：基于权重的宽度优先搜索算法包括：
输入：无向图G＝(V,E)，其中V是节点集合，E是边的集合；
步骤301：对每个节点vi(i＝2,3,...,n)，计算到根节点v1(颈动脉根点)的最短路径作为权重Wi；
步骤302：将v1放入队列Vertex中；
步骤303：从队列Vertex中取出第一个节点vf并放入队列Visited中；
步骤304：将与节点vf相邻并且还未被访问过的节点放入队列Vertex中，将节点vf和这些新放入节点之间的边放入邻接矩阵Graph中；
步骤305：删除队列Vertex中的第一个节点vf，将其余节点按照权重Wi从大到小的顺序进行排序；
步骤306：重复执行步骤303～步骤305，直到队列Vertex中没有节点；
输出：邻接矩阵Graph，即为血管骨架线的生成树。
步骤400：从邻接矩阵Graph中找到度最高(即与其相连的节点最多)的节点，根据度最高节点对生成树中的AVM病灶进行定位和分割；
步骤400中，如图3所示，为血管骨架线的轴向、矢向和冠向视图。节点的颜色表示其灰度值，灰度值越高，颜色越红。可以观察到畸形团内部节点密集并且节点的度都比较高，因此可以用度比较高的节点的位置和密度来定位和提取AVM病灶。因为观察到度最高的节点在AVM内部，因此，本申请将度最高节点的8邻域范围以内的所有节点定义为AVM病灶区域，即：
VAVM＝{v|(Graph+Graph')1～8(v,vH)≠0} (1)
公式(1)中，VAVM是AVM所包含的节点集合，Graphn是邻接矩阵Graph的nth次方，vH是度最高的节点。Graph+Graph'将有向的生成树转化为无向图以便于获取相邻节点。如果Graphn坐标为(x,y)的节点不为0，则说明节点x到节点y有一条长度为n的路径，这是邻接矩阵的性质。所有满足条件的节点n和AVM节点间的骨架线路径构成了AVM病灶，8邻域是本申请通过实验统计到的最佳邻域范围，具体领域范围也可根据实际应用进行调节。
步骤500：根据连接AVM病灶区域的路径的先后顺序分别分割出供血动脉和引流静脉；
步骤500中，AVM节点在生成树中的祖先节点与其相连的路径即为供血动脉，后代节点与其相连的路径即为引流静脉，用公式表达如下：
公式(2)、(3)中，表示满足条件的节点v和AVM节点间的骨架线路径，本申请使用Dijkstra最短路径。使用该方法可以找到一条供血动脉及一到多条引流静脉。实际应用中，可以根据需要调整祖先节点和后代节点的代数来控制供血动脉和引流静脉的长度。
请参阅图4，是本申请实施例的动静脉畸形分割系统的结构示意图。本申请实施例的动静脉畸形分割系统包括图像获取模块、血管树分割模块、生成树创建模块、AVM病灶定位模块和动静脉分割模块。
图像获取模块：用于获取核磁共振血管造影图像；
血管树分割模块：用于从核磁共振血管造影图像中分割出血管树，生成血管骨架线；
生成树创建模块：用于使用基于权重的宽度优先搜索算法(Breadth-FirstSearch，BFS)创建血管骨架线的生成树，构造一条从颈动脉根点通过供血动脉到达AVM病灶再到引流静脉的拓扑路径；其中，使用基于权重的宽度优先搜索算法可以将无向图中的环路从远离根节点的位置断开，确保有一条拓扑路径是从颈动脉根点通过供血动脉到达AVM病灶再到引流静脉。具体如图2所示，为BFS算法和基于权重的BFS算法的区别示意图，其中，(a)为原始图像，(b)为BFS算法的结果，(c)为基于权重的BFS算法的结果。圆相当于脑血管系统中的环，右边节点密集的部分相当于AVM区域，AVM区域的两侧区域分别代表供血动脉和引流静脉，数字代表访问节点的顺序。宽度优先搜索树会将环在两侧节点数较平均的地方断开，但是由于AVM内部节点数众多，所以如果只使用宽度优先可能会破坏供血动脉-AVM病灶-引流静脉的拓扑结构，而使用基于权重的BFS可以避免该情况。具体的：基于权重的宽度优先搜索算法包括：
输入：无向图G＝(V,E)，其中V是节点集合，E是边的集合；
1：对每个节点vi(i＝2,3,...,n)，计算到根节点v1(颈动脉根点)的最短路径作为权重Wi；
2：将v1放入队列Vertex中；
3：从队列Vertex中取出第一个节点vf并放入队列Visited中；
4：将与节点vf相邻并且还未被访问过的节点放入队列Vertex中，将节点vf和这些新节点之间的边放入邻接矩阵Graph中；
5：删除队列Vertex中的第一个节点vf，将其余节点按照权重Wi从大到小的顺序进行排序；
6：重复执行3～5，直到队列Vertex中没有节点；
输出：邻接矩阵Graph，即为血管骨架线的生成树。
AVM病灶定位模块：用于从邻接矩阵Graph中找到度最高(即与其相连的节点最多)的节点，根据度最高节点对生成树中的AVM病灶进行定位和分割；其中，如图3所示，为血管骨架线的轴向、矢向和冠向视图。节点的颜色表示其灰度值，灰度值越高，颜色越红。可以观察到畸形团内部节点密集并且节点的度都比较高，因此可以用度比较高的节点的位置和密度来定位和提取AVM病灶。因为观察到度最高的节点在AVM内部，因此，本申请将度最高节点的8邻域范围以内的所有节点定义为AVM病灶区域，即：
VAVM＝{v|(Graph+Graph')1～8(v,vH)≠0} (1)
公式(1)中，VAVM是AVM所包含的节点集合，Graphn是邻接矩阵Graph的nth次方，vH是度最高的节点。Graph+Graph'将有向的生成树转化为无向图以便于获取相邻节点。如果Graphn坐标为(x,y)的节点不为0，则说明节点x到节点y有一条长度为n的路径，这是邻接矩阵的性质。所有满足条件的节点n和AVM节点间的骨架线路径构成了AVM病灶，8邻域是本申请通过实验统计到的最佳邻域范围，具体领域范围也可根据实际应用进行调节。
动静脉分割模块：用于根据连接AVM病灶区域的路径的先后顺序分别分割出供血动脉和引流静脉；其中，AVM节点在生成树中的祖先节点与其相连的路径即为供血动脉，后代节点与其相连的路径即为引流静脉，用公式表达如下：
公式(2)、(3)中，表示满足条件的节点v和AVM节点间的骨架线路径，本申请使用Dijkstra最短路径。使用该方法可以找到一条供血动脉及一到多条引流静脉。实际应用中，可以根据需要调整祖先节点和后代节点的代数来控制供血动脉和引流静脉的长度。
为了验证本申请的可行性和有效性，使用了广州军区总医院提供的10套临床数据以脑动静脉畸形分割为例进行了试验，对比方法为Babin等人的AVM病灶分割方法，具体试验结果如图5和图6所示，其中，图5为AVM病灶的定位分割结果，(a)-(c)本申请所提方法的结果，(d)-(f)为Babin方法的结果；图6为供血动脉和引流静脉分割结果，(a)为本申请所提方法的结果，(b)为Babin方法的结果。试验结果显示，本申请的AVM病灶分割方法可以更为准确地分割供血动脉和引流静脉(平均准确率为95.14％)。
图7是本申请实施例提供的动静脉畸形分割方法的硬件设备结构示意图。如图7所示，该设备包括一个或多个处理器以及存储器。以一个处理器为例，该设备还可以包括：输入系统和输出系统。
处理器、存储器、输入系统和输出系统可以通过总线或者其他方式连接，图7中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例的处理方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入系统可接收输入的数字或字符信息，以及产生信号输入。输出系统可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器中，当被所述一个或者多个处理器执行时，执行上述任一方法实施例的以下操作：
步骤a：从核磁共振血管造影图像中分割出血管树，生成血管骨架线；
步骤b：使用基于权重的宽度优先搜索算法创建血管骨架线的生成树，构造一条从颈动脉根点通过供血动脉到达AVM病灶再到引流静脉的拓扑路径；
步骤c：根据所述生成树定位并分割AVM病灶，根据与AVM病灶相连的供血动脉和引流静脉的拓扑路径对供血动脉和引流静脉进行分割。
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例提供的方法。
本申请实施例提供了一种非暂态(非易失性)计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行以下操作：
步骤a：从核磁共振血管造影图像中分割出血管树，生成血管骨架线；
步骤b：使用基于权重的宽度优先搜索算法创建血管骨架线的生成树，构造一条从颈动脉根点通过供血动脉到达AVM病灶再到引流静脉的拓扑路径；
步骤c：根据所述生成树定位并分割AVM病灶，根据与AVM病灶相连的供血动脉和引流静脉的拓扑路径对供血动脉和引流静脉进行分割。
本申请实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行以下操作：
步骤a：从核磁共振血管造影图像中分割出血管树，生成血管骨架线；
步骤b：使用基于权重的宽度优先搜索算法创建血管骨架线的生成树，构造一条从颈动脉根点通过供血动脉到达AVM病灶再到引流静脉的拓扑路径；
步骤c：根据所述生成树定位并分割AVM病灶，根据与AVM病灶相连的供血动脉和引流静脉的拓扑路径对供血动脉和引流静脉进行分割。
本申请实施例的动静脉畸形分割方法、系统及电子设备通过从核磁共振血管造影图像中分割出血管树，然后使用基于权重的宽度优先搜索算法从血管骨架化结果中创建生成树，构造出一条从颈动脉根点通过供血动脉到达AVM病灶再到引流静脉的拓扑路径，最后，根据生成树自动检测提取AVM病灶，再根据连接AVM病灶的路径的先后顺序分别分割出供血动脉、引流静脉；相对于现有技术，本申请至少具有以下有益效果：
1)需要的人工交互更少，可以自动分割动静脉畸形；
2)可以很好地分割具有间隙甚至稀疏血管的AVM；
3)依据血管拓扑关系，可以准确地分割供血动脉和引流静脉。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本申请所示的这些实施例，而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种动静脉畸形分割方法，其特征在于，包括以下步骤：
步骤a：从核磁共振血管造影图像中分割出血管树，生成血管骨架线；
步骤b：使用基于权重的宽度优先搜索算法创建血管骨架线的生成树，构造一条从颈动脉根点通过供血动脉到达AVM病灶再到引流静脉的拓扑路径；
步骤c：根据所述生成树定位并分割AVM病灶，根据与AVM病灶相连的供血动脉和引流静脉的拓扑路径对供血动脉和引流静脉进行分割。
2.根据权利要求1所述的动静脉畸形分割方法，其特征在于，在所述步骤b中，所述使用基于权重的宽度优先搜索算法创建血管骨架线的生成树具体包括：
输入：无向图G＝(V,E)，其中V是节点集合，E是边的集合；
对每个节点vi(i＝2,3,...,n)，计算到根节点v1(颈动脉根点)的最短路径作为权重Wi；
将v1放入队列Vertex中；
从队列Vertex中取出第一个节点vf并放入队列Visited中；
将与节点vf相邻并且还未被访问过的节点放入队列Vertex中，将节点vf和新放入节点之间的边放入邻接矩阵Graph中；
删除队列Vertex中的第一个节点vf，将其余节点按照权重Wi从大到小的顺序进行排序；
从队列Vertex中重新取出下一个节点重复执行上述操作，直到队列Vertex中没有节点；
输出：邻接矩阵Graph，即为所述血管骨架线的生成树。
3.根据权利要求2所述的动静脉畸形分割方法，其特征在于，在所述步骤c中，所述根据生成树定位并分割AVM病灶具体为：从所述邻接矩阵Graph中找到度最高的节点，根据所述度最高节点的位置和密度对生成树中的AVM病灶进行定位和分割。
4.根据权利要求3所述的动静脉畸形分割方法，其特征在于，根据所述度最高节点的位置和密度对生成树中的AVM病灶进行定位和分割具体为：假设将度最高节点的8邻域范围以内的所有节点定义为AVM病灶区域：
VAVM＝{v|(Graph+Graph')1～8(v,vH)≠0}
上述公式中，VAVM是AVM所包含的节点集合，Graphn是邻接矩阵Graph的nth次方，vH是度最高的节点；如果Graphn坐标为(x,y)的节点不为0，表示节点x到节点y有一条长度为n的路径，则所有满足条件的节点和AVM节点间的骨架线路径构成了AVM病灶。
5.根据权利要求4所述的动静脉畸形分割方法，其特征在于，在所述步骤c中，所述根据与AVM病灶相连的供血动脉和引流静脉的拓扑路径对供血动脉和引流静脉进行分割具体为：所述AVM节点在生成树中的祖先节点与其相连的路径即为供血动脉，后代节点与其相连的路径即为引流静脉，公式表达如下：
上述公式中，表示满足条件的节点v和AVM节点间的骨架线路径。
6.一种动静脉畸形分割系统，其特征在于，包括：
血管树分割模块：用于从核磁共振血管造影图像中分割出血管树，生成血管骨架线；
生成树创建模块：用于使用基于权重的宽度优先搜索算法创建血管骨架线的生成树，构造一条从颈动脉根点通过供血动脉到达AVM病灶再到引流静脉的拓扑路径；
AVM病灶定位模块：用于根据所述生成树定位并分割AVM病灶；
动静脉分割模块：用于根据与AVM病灶相连的供血动脉和引流静脉的拓扑路径对供血动脉和引流静脉进行分割。
7.根据权利要求6所述的动静脉畸形分割系统，其特征在于，所述生成树创建模块使用基于权重的宽度优先搜索算法创建血管骨架线的生成树具体包括：
输入：无向图G＝(V,E)，其中V是节点集合，E是边的集合；
对每个节点vi(i＝2,3,...,n)，计算到根节点v1(颈动脉根点)的最短路径作为权重Wi；
将v1放入队列Vertex中；
从队列Vertex中取出第一个节点vf并放入队列Visited中；
将与节点vf相邻并且还未被访问过的节点放入队列Vertex中，将节点vf和新放入节点之间的边放入邻接矩阵Graph中；
删除队列Vertex中的第一个节点vf，将其余节点按照权重Wi从大到小的顺序进行排序；
从队列Vertex中重新取出下一个节点重复执行上述操作，直到队列Vertex中没有节点；
输出：邻接矩阵Graph，即为所述血管骨架线的生成树。
8.根据权利要求7所述的动静脉畸形分割系统，其特征在于，所述AVM病灶定位模块根据生成树定位并分割AVM病灶具体为：从所述邻接矩阵Graph中找到度最高的节点，根据所述度最高节点的位置和密度对生成树中的AVM病灶进行定位和分割。
9.根据权利要求8所述的动静脉畸形分割系统，其特征在于，所述AVM病灶定位模块根据度最高节点的位置和密度对生成树中的AVM病灶进行定位和分割具体为：假设将度最高节点的8邻域范围以内的所有节点定义为AVM病灶区域：
VAVM＝{v|(Graph+Graph')1～8(v,vH)≠0}
上述公式中，VAVM是AVM所包含的节点集合，Graphn是邻接矩阵Graph的nth次方，vH是度最高的节点；如果Graphn坐标为(x,y)的节点不为0，表示节点x到节点y有一条长度为n的路径，则所有满足条件的节点和AVM节点间的骨架线路径构成了AVM病灶。
10.根据权利要求9所述的动静脉畸形分割系统，其特征在于，所述动静脉分割模块根据与AVM病灶相连的供血动脉和引流静脉的拓扑路径对供血动脉和引流静脉进行分割具体为：所述AVM节点在生成树中的祖先节点与其相连的路径即为供血动脉，后代节点与其相连的路径即为引流静脉，公式表达如下：
上述公式中，表示满足条件的节点v和AVM节点间的骨架线路径。
11.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述1至5任一项所述的动静脉畸形分割方法的以下操作：
步骤a：从核磁共振血管造影图像中分割出血管树，生成血管骨架线；
步骤b：使用基于权重的宽度优先搜索算法创建血管骨架线的生成树，构造一条从颈动脉根点通过供血动脉到达AVM病灶再到引流静脉的拓扑路径；
步骤c：根据所述生成树定位并分割AVM病灶，根据与AVM病灶相连的供血动脉和引流静脉的拓扑路径对供血动脉和引流静脉进行分割。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910552911.8A CN110349175A (zh) | 2019-06-25 | 2019-06-25 | 一种动静脉畸形分割方法、系统及电子设备 |
| PCT/CN2019/130528 WO2020258819A1 (zh) | 2019-06-25 | 2019-12-31 | 一种动静脉畸形分割方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910552911.8A CN110349175A (zh) | 2019-06-25 | 2019-06-25 | 一种动静脉畸形分割方法、系统及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110349175A true CN110349175A (zh) | 2019-10-18 |
Family
ID=68182930
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910552911.8A Pending CN110349175A (zh) | 2019-06-25 | 2019-06-25 | 一种动静脉畸形分割方法、系统及电子设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110349175A (zh) |
| WO (1) | WO2020258819A1 (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091573A (zh) * | 2019-12-20 | 2020-05-01 | 广州柏视医疗科技有限公司 | 基于深度学习的ct影像肺血管的分割方法及系统 |
| CN111739026A (zh) * | 2020-05-28 | 2020-10-02 | 数坤（北京）网络科技有限公司 | 一种基于血管中心线的黏连割除方法及装置 |
| CN111797900A (zh) * | 2020-06-09 | 2020-10-20 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种oct-a图像的动静脉分类方法及装置 |
| WO2020258819A1 (zh) * | 2019-06-25 | 2020-12-30 | 深圳先进技术研究院 | 一种动静脉畸形分割方法、系统及电子设备 |
| CN112465749A (zh) * | 2020-11-11 | 2021-03-09 | 沈阳东软智能医疗科技研究院有限公司 | 提取肺栓塞图像的方法、装置、存储介质及电子设备 |
| CN112733953A (zh) * | 2021-01-19 | 2021-04-30 | 福州大学 | 基于Non-local CNN-GCN和拓扑子图的肺CT图像动静脉血管分离方法 |
| CN113160189A (zh) * | 2021-04-27 | 2021-07-23 | 中国科学院深圳先进技术研究院 | 血管中心线提取方法、装置、设备及存储介质 |
| CN114972859A (zh) * | 2022-05-19 | 2022-08-30 | 推想医疗科技股份有限公司 | 像元的分类方法、模型训练方法、装置、设备和介质 |
| CN117617997A (zh) * | 2022-08-22 | 2024-03-01 | 西门子医疗有限公司 | 时间分辨的血管造影数据集的时空融合 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113838198B (zh) * | 2021-08-17 | 2023-12-05 | 上海师范大学 | 一种电子地图中文字的自动标注方法、装置及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6275974B1 (en) * | 1998-12-30 | 2001-08-14 | International Business Machines Corporation | Efficient tracing of shorts in very large nets in hierarchical designs using breadth-first search with optimal pruning |
| KR20080017628A (ko) * | 2006-08-21 | 2008-02-27 | 에스케이커뮤니케이션즈 주식회사 | 네트워크에서 최단 경로를 검색하는 방법 및 이를 실행하기위한 프로그램이 수록된 컴퓨터로 읽을 수 있는 기록매체 |
| CN106096783A (zh) * | 2016-06-13 | 2016-11-09 | Tcl集团股份有限公司 | 一种基于Dijkstra的路径优化方法及其系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9934566B2 (en) * | 2015-07-14 | 2018-04-03 | Siemens Healthcare Gmbh | 3-D vessel tree surface reconstruction method |
| CN108537802A (zh) * | 2018-03-30 | 2018-09-14 | 北京灵医灵科技有限公司 | 一种血管分割方法及装置 |
| CN109389606B (zh) * | 2018-09-30 | 2019-12-27 | 语坤（北京）网络科技有限公司 | 一种冠状动脉分割方法及装置 |
| CN109325948B (zh) * | 2018-10-09 | 2019-12-27 | 数坤（北京）网络科技有限公司 | 一种基于特殊区域优化的冠状动脉分割方法及装置 |
| CN110349175A (zh) * | 2019-06-25 | 2019-10-18 | 深圳先进技术研究院 | 一种动静脉畸形分割方法、系统及电子设备 |
-
2019
- 2019-06-25 CN CN201910552911.8A patent/CN110349175A/zh active Pending
- 2019-12-31 WO PCT/CN2019/130528 patent/WO2020258819A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6275974B1 (en) * | 1998-12-30 | 2001-08-14 | International Business Machines Corporation | Efficient tracing of shorts in very large nets in hierarchical designs using breadth-first search with optimal pruning |
| KR20080017628A (ko) * | 2006-08-21 | 2008-02-27 | 에스케이커뮤니케이션즈 주식회사 | 네트워크에서 최단 경로를 검색하는 방법 및 이를 실행하기위한 프로그램이 수록된 컴퓨터로 읽을 수 있는 기록매체 |
| CN106096783A (zh) * | 2016-06-13 | 2016-11-09 | Tcl集团股份有限公司 | 一种基于Dijkstra的路径优化方法及其系统 |
Non-Patent Citations (3)
| Title |
|---|
| XIN LE ET AL: "Skeletonization method for vessel delineation of arteriovenous malformation", 《COMPUTERS IN BIOLOGY AND MEDICINE》 * |
| 侯叶: "基于图论的图像分割技术", 《中国博士学位论文全文数据库信息科技辑》 * |
| 连顺金: "广度优先搜索的一种实现算法", 《福建电脑》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020258819A1 (zh) * | 2019-06-25 | 2020-12-30 | 深圳先进技术研究院 | 一种动静脉畸形分割方法、系统及电子设备 |
| CN111091573A (zh) * | 2019-12-20 | 2020-05-01 | 广州柏视医疗科技有限公司 | 基于深度学习的ct影像肺血管的分割方法及系统 |
| CN111091573B (zh) * | 2019-12-20 | 2021-07-20 | 广州柏视医疗科技有限公司 | 基于深度学习的ct影像肺血管的分割方法及系统 |
| CN111739026A (zh) * | 2020-05-28 | 2020-10-02 | 数坤（北京）网络科技有限公司 | 一种基于血管中心线的黏连割除方法及装置 |
| CN111739026B (zh) * | 2020-05-28 | 2021-02-09 | 数坤（北京）网络科技有限公司 | 一种基于血管中心线的黏连割除方法及装置 |
| CN111797900A (zh) * | 2020-06-09 | 2020-10-20 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种oct-a图像的动静脉分类方法及装置 |
| CN111797900B (zh) * | 2020-06-09 | 2024-04-09 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种oct-a图像的动静脉分类方法及装置 |
| CN112465749B (zh) * | 2020-11-11 | 2024-03-22 | 沈阳东软智能医疗科技研究院有限公司 | 提取肺栓塞图像的方法、装置、存储介质及电子设备 |
| CN112465749A (zh) * | 2020-11-11 | 2021-03-09 | 沈阳东软智能医疗科技研究院有限公司 | 提取肺栓塞图像的方法、装置、存储介质及电子设备 |
| CN112733953A (zh) * | 2021-01-19 | 2021-04-30 | 福州大学 | 基于Non-local CNN-GCN和拓扑子图的肺CT图像动静脉血管分离方法 |
| CN113160189A (zh) * | 2021-04-27 | 2021-07-23 | 中国科学院深圳先进技术研究院 | 血管中心线提取方法、装置、设备及存储介质 |
| CN113160189B (zh) * | 2021-04-27 | 2024-08-23 | 中国科学院深圳先进技术研究院 | 血管中心线提取方法、装置、设备及存储介质 |
| CN114972859A (zh) * | 2022-05-19 | 2022-08-30 | 推想医疗科技股份有限公司 | 像元的分类方法、模型训练方法、装置、设备和介质 |
| CN117617997A (zh) * | 2022-08-22 | 2024-03-01 | 西门子医疗有限公司 | 时间分辨的血管造影数据集的时空融合 |
| US12106449B2 (en) | 2022-08-22 | 2024-10-01 | Siemens Healthineers Ag | Spatiotemporal fusion of time-resolved angiographic data sets |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020258819A1 (zh) | 2020-12-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110349175A (zh) | 一种动静脉畸形分割方法、系统及电子设备 | |
| US9830427B2 (en) | Method for intracranial aneurysm analysis and endovascular intervention planning | |
| CN107067398B (zh) | 用于三维医学模型中缺失血管的补全方法及装置 | |
| CN104856755B (zh) | 用于基于医学图像的组织消融的个体化计算的系统和方法 | |
| JP7132299B2 (ja) | 医用画像処理方法、医用画像処理装置、医用画像処理システム及び医用画像処理プログラム | |
| JP2008188428A (ja) | 血管画像抽出及びラベル付けのシステム及び方法 | |
| CN102693540A (zh) | 一种肝脏分段的方法及其系统 | |
| JP2013222361A (ja) | 立体モデルデータ生成装置および方法並びにプログラム | |
| JP5599894B2 (ja) | 管状構造における位相幾何学的支援の評価決定方法及びシステム、ならびに仮想大腸内視鏡検査における当該方法及びシステムの使用 | |
| CN108876794A (zh) | 体积图像数据中的动脉瘤与载瘤血管的隔离 | |
| KR101492330B1 (ko) | 혈관 조영된 컴퓨터 단층 영상의 혈관 분할 시스템 및 그 분할 방법 | |
| EP3951433A1 (en) | Line structure extraction device, method and program, and learned model | |
| US20180005378A1 (en) | Atlas-Based Determination of Tumor Growth Direction | |
| CN109934829A (zh) | 一种基于三维图割算法的肝脏分割方法 | |
| EP3251096B1 (en) | Finite element modeling of anatomical structure | |
| Thamm et al. | An algorithm for the labeling and interactive visualization of the cerebrovascular system of ischemic strokes | |
| Pan et al. | Automatic annotation of liver computed tomography images based on a vessel‐skeletonization method | |
| WO2014155916A1 (ja) | 手術支援装置、方法およびプログラム | |
| CN106204546A (zh) | 静脉窦的分割方法 | |
| Lukeš et al. | Numerical simulation of liver perfusion: from CT scans to FE model | |
| Meinzer et al. | Medical imaging: examples of clinical applications | |
| Horkaew et al. | Recent advances in computerized imaging and its vital roles in liver disease diagnosis, preoperative planning, and interventional liver surgery: A review | |
| US12094108B2 (en) | Lymph node detection system and methods for use | |
| Ger et al. | Auto-contouring for image-guidance and treatment planning | |
| JP2017148283A (ja) | 評価装置、方法およびプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |
|
| RJ01 | Rejection of invention patent application after publication |