CN110458848A - 判断影像的冠脉分割中冠脉分支及掩膜数据转换为中心线点集的方法 - Google Patents
判断影像的冠脉分割中冠脉分支及掩膜数据转换为中心线点集的方法 Download PDFInfo
- Publication number
- CN110458848A CN110458848A CN201910602582.3A CN201910602582A CN110458848A CN 110458848 A CN110458848 A CN 110458848A CN 201910602582 A CN201910602582 A CN 201910602582A CN 110458848 A CN110458848 A CN 110458848A
- Authority
- CN
- China
- Prior art keywords
- point
- coronary artery
- branch
- growth
- coronary
- 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
- 210000004351 coronary vessel Anatomy 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000011218 segmentation Effects 0.000 title claims abstract description 43
- 239000010410 layer Substances 0.000 claims abstract description 62
- 239000011229 interlayer Substances 0.000 claims abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 4
- 210000000709 aorta Anatomy 0.000 description 64
- 230000008569 process Effects 0.000 description 15
- 238000010968 computed tomography angiography Methods 0.000 description 12
- 230000009466 transformation Effects 0.000 description 11
- 239000000284 extract Substances 0.000 description 9
- 238000000605 extraction Methods 0.000 description 8
- 238000012216 screening Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 210000001367 artery Anatomy 0.000 description 5
- 208000024172 Cardiovascular disease Diseases 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 210000003462 vein Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 210000002376 aorta thoracic Anatomy 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000002308 calcification Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
判断影像的冠脉分割中冠脉分支及掩膜数据转换为中心线点集的方法,属于心脏冠脉图像处理领域,判断影像的冠脉分割中冠脉分支的问题,所选种子点做层间区域生长,生长过程中,使用层次聚类方法将每层区域生长的点的集合作为当前点集,以欧几里得距离小于阈值的条件聚类;当聚类数量大于等于2时,取最大簇的点集数量num_max,当前点集的总数量为num_total;将num_max/num_total比值是否落入(0.4,0.75)的区间作为判断有分支的条件,效果是能够在图像数据中识别分支,并且判断出分支,且分支顺序生长,能够避免过生长现象,提高了图像处理精度。
Description
技术领域
本发明属于心脏冠脉图像处理领域,涉及一种基于CTA影像的自动冠脉分割及中心线提取方法和判断影像的冠脉分割中冠脉分支及掩膜数据转换为中心线点集的方法。
背景技术
心血管疾病己成为当前威胁人类生命的重要疾病,如何快速准确地诊断心血管疾病成为治疗的关键。心血管疾病大多是由于冠状动脉病变引起的。
冠状动脉血管造影(CTA,CT angiography)是心脏疾病诊断的重要方法,从CTA数据中准确分割冠脉血管,不仅能提供对血管结构的定量描述,还可以观察比较血管的几何变化,对疾病的诊断和治疗具有重要意义。目前,随着影像设备分辨率的大幅提高,数据量也急剧上升,这给医生增加了很大的阅片负担。因此,借助计算机辅助诊断技术,处理分析心脏影像进而诊断心血管疾病成为目前国内外研究热点。有效地处理CTA数据,实现冠状动脉的自动分割和相关参数的计算,能够给医生带来直观的结果,辅助医生进行更加准确的临床诊断,减轻医生的阅片负担,缩短医生的诊断时间。
除冠脉分割任务之外,从已分割出的冠脉轮廓中提取出中心线也是影像分析和显示过程中一个关键的需求。只有提取出冠脉的中心线,才能够创建出曲面的多平面重建视图。冠脉的分割和中心线提取为血管狭窄、斑块等病变的分析和诊断提供了有力支持。
现有的冠脉分割方法主要有基于模式识别技术、基于模型的方法、基于追踪的方法和基于人工智能的方法等。中心线提取方法主要有基于拓扑细化的方法、基于距离变换的方法和基于路径规划的方法等。
在实际应用中,大量的CTA数据需要快速的分割以及中心线的提取,但是算法的精度与计算速度往往成反比。所以,本发明立足于保证精度可接受的前提下,尽量缩短算法的运行时间,在每一环节中都能最大化的提升效率。
发明内容
为了解决判断影像的冠脉分割中冠脉分支的问题,避免过生长现象,本发明提出一种影像的冠脉分割中冠脉分支的判断方法,所选种子点做层间区域生长,生长过程中,使用层次聚类方法将每层区域生长的点的集合作为当前点集,以欧几里得距离小于阈值的条件聚类;当聚类数量大于等于2时,取最大簇的点集数量num_max,当前点集的总数量为num_total;将num_max/num_total比值是否落入(0.4,0.75)的区间作为判断有分支的条件,比值落入该区间则认为有分支,最大簇为其中一侧分支,其他点集为另一侧分支,比值未落入该区间则认为没有分支,当前所有点设置为一簇。
为了解决影像数据图像中数据关联复杂而能够准确、清洗的展示数据统计图像,本发明还提出一种对提取出含冠脉中心线的掩膜数据转换为中心线点集的方法,包括
识别出根节点,多邻域中仅有一个相连接点且垂直方向位于最高点的第一个点为根节点,将其作为转化后的第一个确定点;
依次跟踪多邻域相连点,设置采样规则为两点相距一定的距离D,当待判断连接点与前一个确定点距离小于D时,则该点不放入确定点列表,直接跳到下一个相连点;
当待判断连接点与前一个确定点距离大于D时,则将该点放入确定点列表,并记录其父节点关系;
当待判断连接点有分支时,无论是否满足距离要求,均放入确定点列表;
当待判断连接点仅有其前面一个连接点时,则为该分支的终止点;
反复使用上述规则,直至所有点均判断完毕为止。
有益效果:该判断方法对于冠脉分支情况,能够在图像数据中识别分支,并且判断出分支,且分支顺序生长,能够避免过生长现象,提高了图像处理精度;该转换方法明确了点间的逻辑关系,并进行归类和判断,从而实现了图像的准确显示。
附图说明
图1为本方法的流程图。
具体实施方式
实施例1:一种心脏冠脉分割及中心线提取方法,包括如下步骤:
S1、输入心脏CTA数据。
S2、分割升主动脉。为利于冠脉定位,需先自动分割出升主动脉,再基于升主动脉信息进行后续操作。
其中,涉及到以下方法:
(1)本发明提出自动识别单层搜索升主动脉的感兴趣区域。选择合理阈值,将图像二值化,分别按行按列求取出各行及各列图像的累积值,通过直方图的分布的拐点,找到搜索升主动脉的感兴趣区域。
(2)查找升主动脉的第一个种子点并计算升主动脉分割阈值。其中,涉及到以下方法:
a引入冠脉直径的经验值范围,并将其转换为参数,对感兴趣区域使用霍夫变换
b本发明将霍夫变换后的值降序排列,筛选待定中心点,并提出筛选条件
c本发明再将以最终筛选出的中心点及其半径做圆,计算出圆内的统计信息,并提出初始阈值设定规则
d若以上方法未取得合适的中心点或阈值,则说明所取层不含有升主动脉区域,则向下切换其他层数据重复上述过程
(3)遍历数据各层按动态阈值分割出各层的升主动脉区域。其中,涉及到以下方法:
a向下遍历各层数据,按一定规则分割出升主动脉
b本发明基于不同层的差异信息提出了区域生长的停止条件
S3、冠脉种子点搜索。根据S2分割出的升主动脉区域,利用冠脉与升主动脉的空间位置信息,确定出冠脉的感兴趣数据体,在该体数据中搜索冠脉的种子点。
其中,涉及到以下方法:
(1)根据心脏与冠脉的常规位置信息,分别切割出左右冠脉感兴趣数据体,该过程减少数据量,为后续过程减少计算量
(2)本发明利用基于Hessian矩阵的Frangi滤波算法的思想,提出识别冠脉种子点的方法。部分将Frangi算法应用在三维数据中采用了三维的Hessian矩阵,计算量较大。由于本发明中的该步骤仅为确定种子点,并非需将所有冠脉区域精确提取,所以此处采用二维的Frangi算法,并且挑选采样层来做Frangi滤波,以减少计算量。由于冠脉不同位置,血管的直径范围不同,所以,将更多的资源使用在Frangi滤波中的尺度选择中,从而能更广泛检测到冠脉种子点。
(3)本发明提出筛选种子点方法。给出筛选条件,筛选步骤(2)中计算出的备选种子点。其中,涉及到以下方法:
a由于不需过多种子点,所以需要减少备选点的数量
b根据本发明的判断条件筛选备选种子点
S4、冠脉自动分割。依据步骤S3中提取出的种子点列表,使用层间区域生长算法,分割出冠脉区域。
其中,涉及到以下方法:
(1)依次在种子点列表中提取出种子点,计算冠脉的分割阈值。
(2)使用优化的基于分支的层间区域生长法分割冠脉。其中,涉及到以下方法:
a以所选种子点为种子点做层间区域生长,其中生长过程中阈值分为三类判定条件——确定区间、待定区间、否定区间,判定条件依据所归属种子点在步骤(1)所计算出的前景区的参数组合决定
b由于冠脉会包含多条分支,本发明基于分支处理的思想,提出较快捷的分支判断条件。引入了层次聚类方法,将单次生长出的所有点进行聚类,再根据聚类结果结合本发明提出的判断条件来判断是否有分支。
c停止条件。生长过程停止分为两大类情况,一是自然生长完,生长到冠脉末梢,直径非常小无需继续生长;二是生长过程有溢出,本发明给出了溢出判断及生长截止条件。
S5、冠脉中心线提取。依据步骤S4中生成的冠脉分割结果,提取出冠脉的中心线的点集。
其中,涉及到以下方法:
(1)使用经典的骨架提取算法提取出含冠脉中心线的掩膜数据
(2)本发明将掩膜数据转换为有序的中心线点集,标注出根节点、父节点、子节点。为后续CPR显示的效果,本发明提出采样方法
实施例2:根据实施例1记载的技术方案,具体的方案说明如下:
步骤S1是由外部输入的CTA数据体。
步骤S2,根据人体组织的特点,升主动脉可以辅助定位冠脉区域,所以首先分割出升主动脉,若有其他方法定位亦可无需此和和步骤。本发明中,对升主动脉的分割运用了以下两个步骤:
(1)提出自动识别升主动脉感兴趣区域的方法。由于升主动脉与降主动脉在横断面均为类圆型,所以为去除降主动脉的干扰以及缩小参与检测的范围,先识别出升主动脉的感兴趣区域。由于升主动脉一般位于CTA数据的上半部分,所以该过程尽量取上层数据,但一般为消除异常数据,不取前两层。确定所选层后,取出该层对应的二维数据Img_Aorta,根据升主动脉的CT值常规范围确定分割阈值T_Ori。对于数据Img_Aorta,CT值大于T_Ori的置为1、CT值小于T_Ori的置为,最终得到二值化后的数据Img_Aorta_Bin。接下来寻找升主动脉的感兴趣区域,分别按行、按列求出Img_Aorta_Bin数据中各行、各列数据的累积值(即值为1的数量),即可得到对应行、列方向的直方图。通过分析直方图,包含升主动脉中心区域的累积值会较高,并从中心向外则逐渐减少,所以,利用两个直方图的谷值点信息可以切割出包含升主动脉的感兴趣区域。
(2)查找升主动脉的种子点并计算升主动脉分割阈值。在确定了升主动脉的感兴趣区域后,即可基于霍夫变换并增加判断条件提取出升主动脉的种子点。其中,涉及到以下方法:
a由于升主动脉的横断面形状接近于圆形,所以对升主动脉的感兴趣区域使用较为常用且效果较好的霍夫变换进行变换。其中将升主动脉的半径范围的经验值作为霍夫变换的参数列表(提供参考半径)
b按步骤a变换后可以得到每个点对应的霍夫变换值,值越大说明以该点为圆心以参考半径为半径的区域越接近圆形。先将步骤a中得到的霍夫变换值按降序排列,本发明提出的确定中心点的筛选条件如下:去除最大值点(避免干扰);按降序顺序取对应点,并结合该点的CT值作为共同约束条件,限制CT值要大于200,避免选取到空心点。一般满足上述条件的点即为升主动脉的中心点,所以,将第一个满足条件的点作为升主动脉的种子点(x0,y0),并提取出该点所对应的半径参数r0;其中“第一个”是指降序排列的满足条件的由高到低的第一个
c基于步骤b所得到的结果可以确定出升主动脉的初始阈值T_ori及初始面积Area_ori,本发明提出了如下方法计算初始阈值:以最终选择的种子点及其半径做圆;计算出圆内的均值mean及方差std;计算T_ori=mean-2*std,将其作为升主动脉的初始阈值,该方法可以保留较多的前景区域信息(即升主动脉区域)。初始面积的计算方法为:Area_ori=π*r0*r0
d若经过a、b步骤后未找到种子点,则说明步骤(1)中所选层不包含升主动脉,则再向下移动合理区域(如以5mm~1cm为间隔向下移动)再重复步骤(1)、(2),直至找到种子点为止
(3)分割升主动脉区域。确定种子点后,向下遍历各层数据按以下规则分割升主动脉:
a遍历的每一层数据以其上一层数据的中心点及阈值作为初始条件,将上一层数据的中心点XY方向坐标作为该层数据区域生长的种子点,将上一层计算出的阈值作为该层数据生长阈值条件,进行区域生长。生长出该层升主动脉区域,并计算出该层的中心点及阈值作为下一层的初始条件。整个流程中各层的中心点及阈值是动态变化的,既能够较好地跟踪升主动脉的中心位置变化,为下一步的停止条件做准备,又能够跟踪不同层的CT值变化,避免初始阈值不适用于其他层的分割条件
b本发明提出的步骤a的停止条件主要有两点,当前层生长出的区域与上一层区域相比较,若两层数据中心点的偏移距离较大(如两点距离大于5mm)或面积差较大(如当前面积大于1.2倍的上层面积),则停止向下生长;最终的生长结果即为分割结果
步骤S3,实现冠脉种子点的自动搜索。由步骤S2确定出了升主动脉的区域范围,利用该信息首先划分出两条冠脉的感兴趣数据体VOI,然后再在VOI中检测冠脉的种子点,具体操作如下:
(1)取升主动脉的包围盒,以此为参考,分别在包围盒的左右两侧切割出合理的左右冠脉感兴趣数据体,在尽量小的数据体中尽量多地包含冠脉区域,可以减少后续的内存、计算资源
(2)识别冠脉种子点。本发明参考了Frangi算法的思想,将其从三维计算简化到了二维计算,将节省出的资源可有效地使用在对冠脉多尺度地检测中。由于本发明中对种子点的检测数量没有较高要求,后续的操作并不需要有较多的种子点。为进一步地减少计算量,仅对采样层做二维Frangi滤波。由经验可知,左冠脉直径为0.26~0.75cm,右冠脉直径为0.2~0.7cm,所以,Frangi滤波参数可引入这些经验信息,分别将左右冠脉的直径范围转换为滤波参数中的多尺度检测,可得到不同尺度范围的冠脉种子点
(3)筛选种子点。由步骤(2)得到的种子点有部分为伪种子点,需要去除。本发明使用到以下方法:
a对每层数据使用层次聚类方法将备选点聚类,使用欧几里得距离,若两备选点的欧几里得距离大于3则认为两点为不同类簇,每一类簇提取出中心点进入到下一步的判断过程
b判断备选点真伪。本发明使用到的判断条件有:当前点的CT值范围不能过低(小于300),过低则为非冠脉区域的概率较大;CT值范围不能过高(大于500),过高则有可能为噪声点或钙化点,钙化点对后续的操作会有影响;计算当前点邻域的局部均值local_mean及方差local_std(邻域范围由当前点对应直径的1.5倍决定),同时满足如下条件则判断为种子点:
CTValue>local_mean
local_std>5*local_mean
其中,CTValue为当前点的CT值,邻域取直径的1~2倍(优选1.5)可扩大local_std的值,从而能够有效地去除掉一些邻域CT值分布较均匀的伪种子点。
步骤S4,基于种子点的冠脉自动分割。一般地,选取种子点,对该种子点进行区域生长,设定对应的生长准则及停止条件,最终的生长结果即为分割结果。本发明利用该思想并结合冠脉的特点在各环节做了部分优化,具体操作如下:
(1)依次取出步骤S3中过滤出的种子点(或以其他方法取到的种子点也可,如交互的手动选点方法,均可支持),以所选点为中心点,对应半径的1.5倍为半径取出感兴趣区域,按常规方法计算出前景区、背景区,计算前景区的均值thresh_mean、方差thresh_std为初始条件为后续使用
(2)优化的区域生长法,具体操作如下:
a以所选种子点为种子点做层间区域生长,以步骤(1)得出的均值thresh_mean、方差thresh_std为该种子点的初始条件,CTValue为当前待生长点,当满足
CTValue>thresh_mean+thresh_std
时,即为确定区间,判断该生长点为冠脉点,可以生长;当满足
CTValue<thresh_mean-thresh_std
时,即为否定区间,判断该生长点不为冠脉点,停止生长;当满足
CTValue<thresh_mean+thresh_std
且
CTValue>thresh_mean-thresh_std
时,即为待定区域,判断该生长点为待确定点,需进一步判断,此时,取该生长点的领域信息,并计算出局部均值local_mean及方差local_std,若
CTValue>local_mean-local_std
则判断该生长点为冠脉点,可以生长,否则停止生长,判断为非冠脉点。所有的冠脉点(冠脉点是生长点,生长结果就是冠脉点)最终形成冠脉的分割结果。可见,可以生长的点则继续生长,不断循环,直至没有可以生长的点即终止区域生长过程,所以已生长的点即为分割结果。
b冠脉分支判断。由于冠脉并非为一条管道形状,会有分支的情况,所以需要做特殊处理,否则不易找到有效的停止条件。本发明基于分支处理思想,当处理冠脉有分支的情况时,本发明引入了层次聚类方法对分支情况进行判断。由于冠脉中分支点基本为二分支情况,所以,本发明举例处理二分支,但处理思想可扩展到多分支情况。首先使用层次聚类方法将当前点集以欧几里得距离小于3的条件聚类,当聚类数量大于等于2时(即多分支情形),取最大簇的点集数量num_max,当前点集的总数量为num_total,当num_max/num_total的值较小时,说明当前点集较分散,存在多簇或噪声干扰较多的情况;当num_max/num_total的值较大时,说明最大簇所占的比例较大,有可能该点集仅有一簇分类,散在的少量点可能会是噪声。所以,基于以上分析,本发明中将有分支的判断条件设定在比值为(0.4,0.75)这一区间,当比值落入该区间则认为有分支,最大簇为其中一侧分支,其他点集为另一侧分支。不在该区间则认为没有分支,当前所有点设置为一簇。当遇到有分支情况(即步骤a中的每一层生长后的区域并非一个区域而是有两个或多个区域),则先将继续生长一侧分支,另一侧分支则先暂停生长,保存其所包含的种子点列表,后续再循环处理。对于冠脉,会遇到分支情况,如何能够在图像数据中识别分支,分支会导致停止条件的设定难度增加,或者导致当前停止条件无法准确停止,产生过生长现象,而对于分支,如果对于分支一并处理,则面积过大,如果均不处理,则导致过于分散,特别容易导致过生长现象,降低了处理精度。
c区域生长的停止条件。除使用的传统层间区域生长的停止条件外,本发明还补充2点停止条件,即设置包围盒限制及表面积限制。包围盒限制限,设定三个方向的阈值,一般根据冠脉直径做转换,当当前层生长的点集所处的空间坐标范围超过了对应方向的阈值,则认为生长溢出,需停止;表面积限制,依据层间生长算法的原理,单独一层单一方向上的生长点集一般不会超过内切球的表面积的一半。
步骤S5,提取冠脉中心线,用于冠脉相关的分析,使用到以下方法:
(1)基于步骤S4分割出的冠脉结果,使用经典的骨架提取算法提取出含冠脉中心线的掩膜数据
(2)将掩膜数据转换为有序的中心线点集。步骤(1)得到的掩膜数据为三维的二值数据,后需的分析需求需要由掩膜数据提取为有序并有关联关系的点集数据,所以本发明对其进行转化,若无此需求可不做此步处理。本发明对应后续需求,转化后的中心点不能太近,所以,在转化中同时对点进行采样。具体操作如下:
a识别出根节点,即26邻域中仅有一个相连接点且垂直方向位于最高点的第一个点为根节点,将其作为转化后的第一个确定点
b依次跟踪26邻域相连点,由于需要通过采样来使各中心点相隔一定的距离,所以此处设置采样规则为两点相距一定的距离D(本发明中D的取值为5mm,即两中心点相距5mm),当待判断连接点与前一个确定点距离小于D时,则该点不放入确定点列表,直接跳到下一个相连点;当待判断连接点与前一个确定点距离大于D时,则将该点放入确定点列表,并记录其父节点关系;当待判断连接点有分支时,无论是否满足距离要求,均放入确定点列表;当待判断连接点仅有其前面一个连接点时,则为该分支的终止点。对于上述方案,可以理解为步骤S4中得到的是一个管状物体,而步骤S5是为了得到这个管状物体的中心线,最终得到这个中心线的关键采样点
c反复使用上述规则,直至所有点均判断完毕为止,对于掩膜数据转换为有序的中心线点集,其目的在于,掩膜数据无法呈现比较准确的图像界面展示,为了能够对于冠脉结果以CPR图像展示,因而对掩膜数据进行上述处理,因为本发明涉及的数据处理和点间关系尤其复杂,导致图像显示难以对结果数据作出全面及准确的显示,特别是对于关键点的显示,需要进行步骤筛选,使得图像显示能够具有针对性,保证显示的图像能够具有比较明确的意义,通过上述方法,明确了点间的逻辑关系,并进行归类和判断,从而实现了图像的准确显示。
有益效果:本发明内容,可无需手动操作,完全自动分割出冠脉区域并提取用于后续诊断分析的中心线。整体流程大大节约了用户操作使用的时间,明显提高用户的工作效率。本发明在各环节的流程中,会结合工程使用的标准来简化或细化处理过程,从而更加充分地利用资源。
升主动脉的分割,是为了辅助定位冠脉区域,所以升主动脉的定位和种子点的搜索过程适合使用简单快速的方法,并在合理区域即可停止升主动脉的分割,节省资源。
冠脉种子点的提取,由于重在考察种子点的正确性而非数量,所以更多地使用了冠脉尺度空间的识别,而将滤波算法从三维简化到二维处理来降低资源消耗,并有经过严格的筛选过程将伪种子点去除。
冠脉的自动分割,为本发明的关键步骤,分割的结果要准确。通过对冠脉分支的细化判断,使冠脉的分割不会丢弃分支。
最后中心线的采样提取,保留了所有的关键节点,滤掉了可有可无的节点。
实施例3:一种基于CTA影像的自动冠脉分割及中心线提取方法,包括
S1.输入心脏CTA数据;
S2.分割升主动脉;
S3.冠脉种子点搜索;
S4.冠脉分割;
S5.冠脉中心点提取。
进一步的,所述步骤S2.分割升主动脉,包括:
S2.1识别升主动脉ROI;
S2.2查找升主动脉种子点;
S2.3分割升主动脉。
所述步骤S2.1识别升主动脉ROI:
取CTA数据的上层数据,确定所选层后,取出该层对应的二维数据Img_Aorta;
根据升主动脉的CT值常规范围确定分割阈值T_Ori,并应用该阈值T_Ori对二维数据Img_Aorta分割处理,得到二值化数据Img_Aorta_Bin;
分别按行、按列求出数据Img_Aorta_Bin中的各行、各列数据的累积值,得到对应行、列方向的直方图,通过两个直方图的谷值点信息切割出包含升主动脉的感兴趣区域。
进一步的,所述步骤S2.2查找升主动脉种子点:
S2.2.1对升主动脉的感兴趣区域进行霍夫变换,将升主动脉的半径范围的经验值作为霍夫变换的参数列表;
S2.2.2变换后得到每个点对应的霍夫变换值,选取升主动脉的种子点:
对得到的每个点对霍夫变换值按降序排列,去除最大值点及空心点,将第一个满足条件的点作为升主动脉的种子点(x0,y0),并提取出该点所对应的半径参数r0;
S2.2.3确定升主动脉的初始阈值T_ori及初始面积Area_ori:
以最终选择的种子点及其半径做圆;
计算出圆内的均值mean及方差std;
计算T_ori=mean-2*std,将其作为升主动脉的初始阈值;
计算初始面积:Area_ori=π*r0*r0;
S2.2.4若未找到种子点,则说明所选层不包含升主动脉,则再向下移动区域,重新选择所选层并得到该层对应的升主动脉的感兴趣区域,再重复步骤S2.1和S2.2,直至找到种子点,并确定升主动脉的初始阈值T_ori及初始面积Area_ori。
进一步的,所述步骤S2.3分割升主动脉:
确定种子点后,向下遍历各层数据按以下规则分割升主动脉,遍历的每一层数据以其上一层数据的中心点及阈值作为初始条件,将上一层数据的中心点XY方向坐标作为该层数据区域生长的种子点,将上一层计算出的阈值作为该层数据生长阈值条件,进行区域生长,生长出该层升主动脉区域,并计算出该层的中心点及阈值作为下一层的初始条件;
停止条件包括两点,当前层生长出的区域与上一层区域相比较,若两层数据中心点的偏移距离超出阈值或面积差超出阈值,则停止向下生长。
进一步的,所述步骤S3.冠脉种子点搜索,包括:
S3.1切割左右冠脉VOI;
S3.2识别冠脉种子点;
S3.3筛选冠脉种子点。
进一步的,所述步骤S3.2识别冠脉种子点:分别将左、右冠脉的直径范围转换为滤波参数中的多尺度检测,得到不同尺度范围的冠脉种子点作为备选点;
所述步骤S3.3筛选冠脉种子点:
S3.3.1对每层数据使用层次聚类方法将备选点聚类,使用欧几里得距离,若两备选点的欧几里得距离大于阈值则认为两点为不同类簇,每一类簇提取出中心点;
S3.3.2计算当前备选点邻域的局部均值local_mean及方差local_std,同时满足如下条件则判断为冠脉种子点:
CTValue>local_mean
local_std>5*local_mean
其中,CTValue为当前备选点的CT值。
进一步的,所述步骤S4.冠脉分割,包括:
S4.1计算分割阈值:对于筛选出的冠脉种子点,以所选冠脉种子点为中心点,以种子点半径的若干倍作为半径取出感兴趣区域,计算出前景区、背景区,并计算前景区的均值thresh_mean、方差thresh_std,作为初始条件;
S4.2分割冠脉:为所选种子点做层间区域生长,依据所归属种子点的前景区的参数组合作为阈值,生长过程中根据阈值区分为确定区间、待定区间、否定区间,并根据区间判断当前待生长点是否可以生长,每一层生长后的区域并非一个区域而是有两个或多个区域,则继续生长一侧分支,另一侧分支则先暂停生长,保存其所包含的种子点列表,后续再循环处理另一侧分支;
其中:
区域生长:为所选种子点做层间区域生长,以均值thresh_mean、方差thresh_std为该种子点的初始条件,CTValue为当前待生长点,当满足
CTValue>thresh_mean+thresh_std
时,即为确定区间,判断该生长点为冠脉点,可以生长;当满足
CTValue<thresh_mean-thresh_std
时,即为否定区间,判断该生长点不为冠脉点,停止生长;当满足
CTValue<thresh_mean+thresh_std
且
CTValue>thresh_mean-thresh_std
时,即为待定区域,判断该生长点为待确定点;取该生长点的邻域信息,并计算出局部均值local_mean及方差local_std,若
CTValue>local_mean-local_std
则判断该生长点为冠脉点,可以生长,否则判断为非冠脉点,停止生长;所有的冠脉点最终形成冠脉的分割结果。
进一步的,所述步骤S4.冠脉分割的分割冠脉,包括:分支判断及处理:
生长过程中,使用层次聚类方法将每层区域生长的点的集合作为当前点集,以欧几里得距离小于阈值的条件聚类;当聚类数量大于等于2时,取最大簇的点集数量num_max,当前点集的总数量为num_total;将num_max/num_total比值是否落入(0.4,0.75)的区间作为判断有分支的条件,比值落入该区间则认为有分支,最大簇为其中一侧分支,其他点集为另一侧分支,比值未落入该区间则认为没有分支,当前所有点设置为一簇;
对于分支,继续生长一侧分支,另一侧分支则先暂停生长,保存其所包含的种子点列表,在一侧分支生长结束,再对另一侧分支进行处理;
区域生长的停止条件,包括包围盒限制及表面积限制;包围盒限制限:设定三个方向的阈值,根据冠脉直径做转换,当当前层生长的点集所处的空间坐标范围超过了对应方向的阈值,则认为生长溢出,需停止;表面积限制:单独一层单一方向上的生长点集不超过内切球的表面积的一半,否则停止生长。
进一步的,所述步骤S5包括:
S5.1提取冠脉中心线:使用骨架提取算法提取出含冠脉中心线的掩膜数据;
S5.2转换中心线点集:将掩膜数据转换为有序的中心线点集,具体操作如下:
S5.2.1识别出根节点,多邻域中仅有一个相连接点且垂直方向位于最高点的第一个点为根节点,将其作为转化后的第一个确定点;
依次跟踪多邻域相连点,设置采样规则为两点相距一定的距离D,当待判断连接点与前一个确定点距离小于D时,则该点不放入确定点列表,直接跳到下一个相连点;当待判断连接点与前一个确定点距离大于D时,则将该点放入确定点列表,并记录其父节点关系;当待判断连接点有分支时,无论是否满足距离要求,均放入确定点列表;当待判断连接点仅有其前面一个连接点时,则为该分支的终止点;
反复使用上述规则,直至所有点均判断完毕为止。
一种影像的冠脉分割中冠脉分支的判断方法,所选种子点做层间区域生长,生长过程中,使用层次聚类方法将每层区域生长的点的集合作为当前点集,以欧几里得距离小于阈值的条件聚类;当聚类数量大于等于2时,取最大簇的点集数量num_max,当前点集的总数量为num_total;将num_max/num_total比值是否落入(0.4,0.75)的区间作为判断有分支的条件,比值落入该区间则认为有分支,最大簇为其中一侧分支,其他点集为另一侧分支,比值未落入该区间则认为没有分支,当前所有点设置为一簇。
进一步的,对于分支,继续生长一侧分支,另一侧分支则先暂停生长,保存其所包含的种子点列表,在一侧分支生长结束,再对另一侧分支进行处理。
进一步的,区域生长的停止条件,包括包围盒限制及表面积限制;包围盒限制限:设定三个方向的阈值,根据冠脉直径做转换,当当前层生长的点集所处的空间坐标范围超过了对应方向的阈值,则认为生长溢出,需停止;表面积限制:单独一层单一方向上的生长点集不超过内切球的表面积的一半,否则停止生长。
一种对提取出含冠脉中心线的掩膜数据转换为中心线点集的方法,包括
识别出根节点,多邻域中仅有一个相连接点且垂直方向位于最高点的第一个点为根节点,将其作为转化后的第一个确定点;
依次跟踪多邻域相连点,设置采样规则为两点相距一定的距离D,当待判断连接点与前一个确定点距离小于D时,则该点不放入确定点列表,直接跳到下一个相连点;
当待判断连接点与前一个确定点距离大于D时,则将该点放入确定点列表,并记录其父节点关系;
当待判断连接点有分支时,无论是否满足距离要求,均放入确定点列表;
当待判断连接点仅有其前面一个连接点时,则为该分支的终止点;
反复使用上述规则,直至所有点均判断完毕为止。
以上所述,仅为本发明创造较佳的具体实施方式,但本发明创造的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明创造披露的技术范围内,根据本发明创造的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明创造的保护范围之内。
Claims (4)
1.一种影像的冠脉分割中冠脉分支的判断方法,其特征在于:所选种子点做层间区域生长,生长过程中,使用层次聚类方法将每层区域生长的点的集合作为当前点集,以欧几里得距离小于阈值的条件聚类;当聚类数量大于等于2时,取最大簇的点集数量num_max,当前点集的总数量为num_total;将num_max/num_total比值是否落入(0.4,0.75)的区间作为判断有分支的条件,比值落入该区间则认为有分支,最大簇为其中一侧分支,其他点集为另一侧分支,比值未落入该区间则认为没有分支,当前所有点设置为一簇。
2.如权利要求1中所述的影像的冠脉分割中冠脉分支的判断方法,其特征在于:对于分支,继续生长一侧分支,另一侧分支则先暂停生长,保存其所包含的种子点列表,在一侧分支生长结束,再对另一侧分支进行处理。
3.如权利要求1中所述的影像的冠脉分割中冠脉分支的判断方法,其特征在于:区域生长的停止条件,包括包围盒限制及表面积限制;包围盒限制限:设定三个方向的阈值,根据冠脉直径做转换,当当前层生长的点集所处的空间坐标范围超过了对应方向的阈值,则认为生长溢出,需停止;表面积限制:单独一层单一方向上的生长点集不超过内切球的表面积的一半,否则停止生长。
4.一种对提取出含冠脉中心线的掩膜数据转换为中心线点集的方法,其特征在于:包括识别出根节点,多邻域中仅有一个相连接点且垂直方向位于最高点的第一个点为根节点,将其作为转化后的第一个确定点;
依次跟踪多邻域相连点,设置采样规则为两点相距一定的距离D,当待判断连接点与前一个确定点距离小于D时,则该点不放入确定点列表,直接跳到下一个相连点;
当待判断连接点与前一个确定点距离大于D时,则将该点放入确定点列表,并记录其父节点关系;
当待判断连接点有分支时,无论是否满足距离要求,均放入确定点列表;
当待判断连接点仅有其前面一个连接点时,则为该分支的终止点;
反复使用上述规则,直至所有点均判断完毕为止。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110365744.3A CN113240684B (zh) | 2019-07-05 | 2019-07-05 | 对提取出含冠脉中心线的掩膜数据转换为中心线点集方法 |
CN201910602582.3A CN110458848B (zh) | 2019-07-05 | 2019-07-05 | 判断影像的冠脉分割中冠脉分支的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910602582.3A CN110458848B (zh) | 2019-07-05 | 2019-07-05 | 判断影像的冠脉分割中冠脉分支的方法 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110365744.3A Division CN113240684B (zh) | 2019-07-05 | 2019-07-05 | 对提取出含冠脉中心线的掩膜数据转换为中心线点集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110458848A true CN110458848A (zh) | 2019-11-15 |
CN110458848B CN110458848B (zh) | 2021-11-26 |
Family
ID=68482148
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110365744.3A Active CN113240684B (zh) | 2019-07-05 | 2019-07-05 | 对提取出含冠脉中心线的掩膜数据转换为中心线点集方法 |
CN201910602582.3A Active CN110458848B (zh) | 2019-07-05 | 2019-07-05 | 判断影像的冠脉分割中冠脉分支的方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110365744.3A Active CN113240684B (zh) | 2019-07-05 | 2019-07-05 | 对提取出含冠脉中心线的掩膜数据转换为中心线点集方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN113240684B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111312374A (zh) * | 2020-01-21 | 2020-06-19 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
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 |
WO2021097820A1 (zh) * | 2019-11-19 | 2021-05-27 | 苏州润迈德医疗科技有限公司 | 具有狭窄病变区间的血管三维建模方法、装置和系统 |
CN113838036A (zh) * | 2021-09-28 | 2021-12-24 | 东北大学 | 一种基于局部聚类和滤波的冠脉分割方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120275674A1 (en) * | 2011-04-27 | 2012-11-01 | General Electric Company | Method and apparatus for generating a perfusion image |
CN106447645A (zh) * | 2016-04-05 | 2017-02-22 | 天津大学 | 增强ct图像中冠脉钙化检测及量化装置和方法 |
CN106485704A (zh) * | 2016-09-30 | 2017-03-08 | 上海联影医疗科技有限公司 | 血管中心线的提取方法 |
CN108765385A (zh) * | 2018-05-14 | 2018-11-06 | 广东药科大学 | 一种双源ct冠状动脉自动提取方法 |
US10140733B1 (en) * | 2017-09-13 | 2018-11-27 | Siemens Healthcare Gmbh | 3-D vessel tree surface reconstruction |
CN109544566A (zh) * | 2018-11-29 | 2019-03-29 | 上海联影医疗科技有限公司 | 冠脉图像分割方法、装置、计算机设备和存储介质 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9679389B2 (en) * | 2009-05-19 | 2017-06-13 | Algotec Systems Ltd. | Method and system for blood vessel segmentation and classification |
CN101923713B (zh) * | 2010-08-04 | 2012-09-05 | 中国科学院自动化研究所 | 一种提取冠状动脉血管中心线的方法 |
US20130066197A1 (en) * | 2011-09-13 | 2013-03-14 | Celine Pruvot | System and method for blood vessel stenosis visualization and navigation |
JP2014100249A (ja) * | 2012-11-19 | 2014-06-05 | Toshiba Corp | 血管解析装置、医用画像診断装置、血管解析方法、及び血管解析プログラム |
CN104867147A (zh) * | 2015-05-21 | 2015-08-26 | 北京工业大学 | 基于冠状动脉造影图像分割的syntax自动评分方法 |
CN105118056B (zh) * | 2015-08-13 | 2017-11-17 | 重庆大学 | 基于三维形态学的冠脉血管自动提取方法 |
CN105894445B (zh) * | 2016-03-31 | 2019-06-11 | 北京思创贯宇科技开发有限公司 | 一种冠脉图像处理方法和装置 |
EP3497669B1 (en) * | 2016-08-10 | 2021-02-17 | Agfa HealthCare | Method for automatically detecting systemic arteries in arbitrary field-of-view computed tomography angiography (cta). |
WO2019000455A1 (zh) * | 2017-06-30 | 2019-01-03 | 上海联影医疗科技有限公司 | 图像分割的方法及系统 |
CN108335284B (zh) * | 2018-01-09 | 2022-06-28 | 北京理工大学 | 一种冠脉血管中心线匹配方法和系统 |
CN108133478B (zh) * | 2018-01-11 | 2021-11-23 | 苏州润迈德医疗科技有限公司 | 一种提取冠状动脉血管中心线的方法 |
CN109712161A (zh) * | 2018-12-26 | 2019-05-03 | 上海联影医疗科技有限公司 | 一种图像分割方法、装置、设备及存储介质 |
-
2019
- 2019-07-05 CN CN202110365744.3A patent/CN113240684B/zh active Active
- 2019-07-05 CN CN201910602582.3A patent/CN110458848B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120275674A1 (en) * | 2011-04-27 | 2012-11-01 | General Electric Company | Method and apparatus for generating a perfusion image |
CN106447645A (zh) * | 2016-04-05 | 2017-02-22 | 天津大学 | 增强ct图像中冠脉钙化检测及量化装置和方法 |
CN106485704A (zh) * | 2016-09-30 | 2017-03-08 | 上海联影医疗科技有限公司 | 血管中心线的提取方法 |
US10140733B1 (en) * | 2017-09-13 | 2018-11-27 | Siemens Healthcare Gmbh | 3-D vessel tree surface reconstruction |
CN108765385A (zh) * | 2018-05-14 | 2018-11-06 | 广东药科大学 | 一种双源ct冠状动脉自动提取方法 |
CN109544566A (zh) * | 2018-11-29 | 2019-03-29 | 上海联影医疗科技有限公司 | 冠脉图像分割方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
MARTIJN SANDERSE 等: "Automatic Initialization Algorithm for Carotid Artery Segmentation in CTA Images", 《MICCAI 2005》 * |
蒋世忠: "基于球模型的三维冠状动脉中心线抽取方法研究", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
郑永昌 等: "应用球形算子层次聚类的3维冠脉跟踪提取", 《中国图象图形学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021097820A1 (zh) * | 2019-11-19 | 2021-05-27 | 苏州润迈德医疗科技有限公司 | 具有狭窄病变区间的血管三维建模方法、装置和系统 |
CN111312374A (zh) * | 2020-01-21 | 2020-06-19 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
CN111312374B (zh) * | 2020-01-21 | 2024-03-22 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
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 |
CN113838036A (zh) * | 2021-09-28 | 2021-12-24 | 东北大学 | 一种基于局部聚类和滤波的冠脉分割方法 |
CN113838036B (zh) * | 2021-09-28 | 2023-10-13 | 东北大学 | 一种基于局部聚类和滤波的冠脉分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113240684B (zh) | 2024-05-17 |
CN110458848B (zh) | 2021-11-26 |
CN113240684A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458847A (zh) | 基于cta影像的自动冠脉分割及中心线提取方法 | |
CN110458848A (zh) | 判断影像的冠脉分割中冠脉分支及掩膜数据转换为中心线点集的方法 | |
CN107230204B (zh) | 一种从胸部ct图像中提取肺叶的方法及装置 | |
CN109035255B (zh) | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 | |
CN105913432B (zh) | 基于ct序列图像的主动脉提取方法及装置 | |
CN107977671A (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
CN110929789A (zh) | 基于多期ct影像分析的肝肿瘤自动分类方法及装置 | |
CN109325942A (zh) | 基于全卷积神经网络的眼底图像结构分割方法 | |
CN102968783B (zh) | 从腹部图像数据中自动分割骨骼的方法及系统 | |
CN109447998A (zh) | 基于PCANet深度学习模型下的自动分割方法 | |
CN108765385B (zh) | 一种双源ct冠状动脉自动提取方法 | |
CN109635846A (zh) | 一种多类医学图像判断方法和系统 | |
CN107507197A (zh) | 一种基于聚类算法和卷积神经网络的肺实质提取方法 | |
CN108171692A (zh) | 一种肺部影像检索方法及装置 | |
CN111986101B (zh) | 一种脑血管图谱构建方法 | |
CN112819747A (zh) | 一种基于肺部断层扫描图片自动诊断结节良恶性的方法 | |
CN109087296A (zh) | 一种提取ct图像中人体区域的方法 | |
CN107871316A (zh) | 一种基于深度神经网络的x光片手骨兴趣区域自动提取方法 | |
CN104616289A (zh) | 一种3d ct图像中骨组织的移除方法及系统 | |
CN111047607A (zh) | 一种自动分割冠状动脉的方法 | |
CN112862756A (zh) | 识别甲状腺肿瘤病理图像中病变类型及基因突变的方法 | |
CN109087317A (zh) | 一种肺结节图像分割方法 | |
Glaßer et al. | Can we distinguish between benign and malignant breast tumors in DCE-MRI by studying a tumor's most suspect region only? | |
CN115100474B (zh) | 基于拓扑特征分析的甲状腺穿刺图像分类方法 | |
CN117392093A (zh) | 一种基于全局多尺度残差U-HRNet网络的乳腺超声医学图像分割算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method for Judging Coronary Branches in Coronary Segmentation of Images Effective date of registration: 20230518 Granted publication date: 20211126 Pledgee: Dalian Lvshunkou Mengyin Village Bank Co.,Ltd. Tieshan Branch Pledgor: SENYINT INTERNATIONAL DIGITAL MEDICAL SYSTEM (DALIAN) Co.,Ltd. Registration number: Y2023980041127 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |