CN110517242A - 一种动脉瘤的分析方法及装置 - Google Patents
一种动脉瘤的分析方法及装置 Download PDFInfo
- Publication number
- CN110517242A CN110517242A CN201910781640.3A CN201910781640A CN110517242A CN 110517242 A CN110517242 A CN 110517242A CN 201910781640 A CN201910781640 A CN 201910781640A CN 110517242 A CN110517242 A CN 110517242A
- Authority
- CN
- China
- Prior art keywords
- image data
- image
- aneurysm
- aneurysmal
- obtains
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- 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)
- Geometry (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本说明书实施例公开了一种动脉瘤的分析方法及装置,所述方法包括:将第一影像数据与第二影像数据进行配准,得到配准图像,其中,所述第一影像数据的获取时间早于所述第二影像数据;对所述配准图像和所述第一影像数据进行三维表面重建,得到血管重建图像;对所述血管重建图像进行动脉瘤分析,得到动脉瘤的分析结果。采用本说明书实施例提供的方法,能够排除或减少人为因素的影响,能够直观了解动脉瘤的生长变化,实现快速诊断,便于推广应用,以便观察者更加直观、清晰的对动脉瘤进行分析。
Description
技术领域
本说明书涉及影像学领域,尤其涉及一种动脉瘤的分析方法及装置。
背景技术
随访作为一种了解患者病情变化和指导患者康复的方法,对于提高医院医前及医后服务水平,对病人进行跟踪观察,积累经验,提高业务水平等均具有重要意义。
MRA(磁共振血管成像,Magnetic Resonance Angiography)作为颅内动脉瘤随访的一种主要方式,在随访过程中,往往只能通过主观视觉从当前动脉瘤图像与历史动脉瘤图像中观察动脉瘤的变化,但是动脉瘤的生长变化很难通过主观视觉观察出来。这种主观视觉观察方法,往往依靠观察者的经验,存在主观判断因素,动脉瘤的变化需要观察者的思考,观察时间较长,因此,这种主观视觉观察方法,给观察者判断动脉瘤的生长变化带来困扰。
基于上述原因,因此,需要一种新的动脉瘤的分析方法,能够便于当前动脉瘤图像与历史动脉瘤图像的对比。
发明内容
本说明书实施例提供一种动脉瘤的分析方法及装置,用于解决以下技术问题:现有技术中当前动脉瘤图像与历史动脉瘤图像中动脉瘤的变化往往通过主观视觉观察,需要依靠观察者的经验,存在主观判断因素,动脉瘤的变化需要观察者的思考,观察时间较长。
为解决上述技术问题,本说明书实施例是这样实现的:
本说明书实施例提供的一种动脉瘤的分析方法,所述方法包括:
将第一影像数据与第二影像数据进行配准,得到配准图像,其中,所述第一影像数据的获取时间早于所述第二影像数据;
对所述配准图像和所述第一影像数据进行三维表面重建,得到血管重建图像;
对所述血管重建图像进行动脉瘤分析,得到动脉瘤的分析结果。
优选地,所述将第一影像数据与第二影像数据进行配准,具体包括:
将所述第一影像数据作为参考图像,所述第二影像数据作为浮动图像,将所述第二影像数据与所述第一影像数据进行配准。
优选地,所述将所述第一影像数据作为参考图像,所述第二影像数据作为浮动图像,将所述第二影像数据与所述第一影像数据进行配准,具体包括:
将所述第一影像数据作为参考图像,所述第二影像数据作为浮动图像,采用3D刚性变换,基于优化器进行优化,将所述第二影像数据与所述第一影像数据进行配准。
优选地,所述对所述配准图像和所述第一影像数据进行三维表面重建,得到重建图像,具体包括:
对所述配准图像和所述第一影像数据进行血管分割,得到所述配准图像和所述第一影像数据对应的血管图像;
将所述血管图像进行三维表面重建,得到血管重建图像。
优选地,所述对所述血管重建图像进行分析,得到动脉瘤的分析结果,具体包括:
分析所述血管重建图像中动脉瘤的基本形态学参数和/或破裂风险参数,得到动脉瘤的分析结果,其中,所述动脉瘤的分析结果包括所述基本形态学参数和/或破裂风险参数和/或动脉瘤融合结果和/或基本形态学参数的变化率和/或破裂风险参数的变化率,所述动脉瘤融合结果为将所述配准图像和所述第一影像数据进行展示的结果。
优选地,所述基本形态学参数包括:动脉瘤长径、宽度、高度、横径、最长直径、长宽比、体积、瘤颈面积、瘤颈直径、横径/瘤颈、入射角、动脉瘤角;
所述破裂风险参数包括:波动指数、尺寸比、非球形指数、纵横比、体积 /瘤颈面积比。
本说明书实施例提供的一种动脉瘤的分析装置,所述装置包括:
配准单元,将第一影像数据与第二影像数据进行配准,得到配准图像,其中,所述第一影像数据的获取时间早于所述第二影像数据;
重建单元,对所述配准图像和所述第一影像数据进行三维表面重建,得到血管重建图像;
分析单元,对所述血管重建图像进行动脉瘤分析,得到动脉瘤的分析结果。
优选地,所述将第一影像数据与第二影像数据进行配准,具体包括:
将所述第一影像数据作为参考图像,所述第二影像数据作为浮动图像,将所述第二影像数据与所述第一影像数据进行配准。
优选地,所述将所述第一影像数据作为参考图像,所述第二影像数据作为浮动图像,将所述第二影像数据与所述第一影像数据进行配准,具体包括:
将所述第一影像数据作为参考图像,所述第二影像数据作为浮动图像,采用3D刚性变换,基于优化器进行优化,将所述第二影像数据与所述第一影像数据进行配准。
优选地,所述对所述配准图像和所述第一影像数据进行三维表面重建,得到重建图像,具体包括:
对所述配准图像和所述第一影像数据进行血管分割,得到所述配准图像和所述第一影像数据对应的血管图像;
将所述血管图像进行三维表面重建,得到血管重建图像。
优选地,所述对所述血管重建图像进行分析,得到动脉瘤的分析结果,具体包括:
分析所述血管重建图像中动脉瘤的基本形态学参数和/或破裂风险参数,得到动脉瘤的分析结果,其中,所述动脉瘤的分析结果包括所述基本形态学参数和/或破裂风险参数和/或动脉瘤融合结果和/或基本形态学参数的变化率和/或破裂风险参数的变化率,所述动脉瘤融合结果为将所述配准图像和所述第一影像数据进行展示的结果。
优选地,所述基本形态学参数包括:动脉瘤长径、宽度、高度、横径、最长直径、长宽比、体积、瘤颈面积、瘤颈直径、横径/瘤颈、入射角、动脉瘤角;
所述破裂风险参数包括:波动指数、尺寸比、非球形指数、纵横比、体积 /瘤颈面积比。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
本说明书实施例通过将第一影像数据与第二影像数据进行配准,得到配准图像,其中,所述第一影像数据的获取时间早于所述第二影像数据;对所述配准图像和所述第一影像数据进行三维表面重建,得到血管重建图像;对所述血管重建图像进行动脉瘤分析,得到动脉瘤的分析结果。采用本说明书实施例提供的方法,能够排除或减少人为因素的影响,能够直观了解动脉瘤的生长变化,实现快速诊断,便于推广应用,以便观察者更加直观、清晰的对动脉瘤进行分析。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种动脉瘤的分析方法的框架图;
图2为本申请实施例提供的一种动脉瘤的分析方法的流程图;
图3为本申请实施例提供的配准图像的示意图;
图4为本申请实施例提供的动脉瘤的基本形态学参数示意图;
图5为本申请实施例提供的动脉瘤的破裂风险参数示意图;
图6为本申请实例提供的一种动脉瘤的分析方法的流程图;
图7为本申请实施例提供的一种动脉瘤的分析装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
MRA基本原理是基于饱和效应、流入增强效应、流动去相位效应。MRA 是将预饱和带置于3D层块的头端以饱和静脉血流,反向流动的动脉血液进入 3D层块,因未被饱和从而产生MR信号。扫描时将一个较厚容积分割成多个薄层激发,减少激发容积厚度以减少流入饱和效应,且能保证扫描容积范围,获得数层相邻层面的薄层图像,使图像清晰,血管的细微结构显示好,空间分辨力提高。MRA因其高质量的成像特点,且不需介入人体的特点逐步成为临床上动脉瘤随访的主要方式,并逐步用于颅内动脉血管病变的诊断。
在动脉瘤随访或颅内动脉瘤介入或颅内动脉瘤术后,均需要将当前动脉瘤图像数据与历史动脉瘤图像数据进行对比,以判断动脉瘤的变化。
在申请中,通过图像配准,进而进行血管重建,以进行动脉瘤分析。为便于理解本发明,下面将详细对动脉瘤的分析方法进行描述。
图1为本申请实施例提供的一种动脉瘤的分析方法的框架图。该动脉瘤的分析方法具体包括:
S101:将第一影像数据与第二影像数据进行配准,得到配准图像,其中,所述第一影像数据的获取时间早于所述第二影像数据。
前述提及的历史影像数据即为本申请的第一影像数据,当前影像数据即为本申请的第二影像数据。需要说明的是,将获取时间较晚的影像数据作为当前影像数据,将获取时间较早的影像数据作为历史影像数据。
在本申请的一个实施例中,将术前的影像数据作为第一影像数据,将术后的影像数据作为第二影像数据。在本申请的另外一个实施例中,将术后的影像数据作为第一影像数据,术后第一次随访的影像数据作为第二影像数据。在本申请的再一个实施例中,将当前随访的影像数据作为第二影像数据,将此之前的影像数据作为第一影像数据。在本申请的再一个实施例中,将感兴趣的影像数据中,获取时间较早的影像数据作为第一影像数据,将感兴趣的影像数据中,获取时间较晚的影像数据作为第二影像数据。当然,实施例仅为本申请的示例性说明,并不构成对本申请的限定。
在本申请中,待处理的第一影像数据与第二影像数据均为三维DICOM数据。在本申请的一个实施例中,待处理的影像数据为MRA的影像数据。
由于第一影像数据与第二影像数据的拍摄时间不同,可能存在拍摄设备、拍摄角度、拍摄距离等差异,造成第一影像数据与第二影像数据不能完全匹配,因此,需要将第一影像数据与第二影像数据进行配准。
S103:对所述配准图像和所述第一影像数据进行三维表面重建,得到血管重建图像。
为便于后续步骤进行动脉瘤分析,步骤S101的配准图像和第一影像数据,需要进行三维表面重建,以得到血管重建图像。在具体实施过程中,根据具体应用需求,可以将配准图像、第一影像数据和第二影像数据均进行三维表面重建。
S105:对所述血管重建图像进行动脉瘤分析,得到动脉瘤的分析结果。
基于步骤S103的血管重建图像,进一步进行动脉瘤分析,得到动脉瘤的分析结果。
在本申请的一个实施例中,动脉瘤的分析结果的内容依据应用场景而定,可根据观察者的需要而定。
在本申请的一个实施例中,动脉瘤的分析结果以报告的形式进行输出。
为便于理解本申请提供的动脉瘤分析方法,图2为本申请实施例提供的一种动脉瘤的分析方法的流程图,具体包括:
S201:将第一影像数据与第二影像数据进行配准,得到配准图像,其中,所述第一影像数据的获取时间早于所述第二影像数据。
在本申请的一个实施例中,将第一影像数据作为参考图像,将第二影像数据作为浮动图像,进行图像配准。
在本申请的一个实施例中,采用3D刚性变换,基于优化器进行优化,将第二影像数据与第一影像数据进行配准。
在本申请的一个实施例中,优化器采用互信息作为损失函数和线性插值函数组成的优化器。在具体实施过程中,不断优化最小损失函数,使第二影像数据中各像素点与第一影像数据中各像素点的互信息达到最大,实现第二影像数据与第一影像数据的配准。
在本申请的一个实施例中,优化器采用均方差作为损失函数和线性插值函数组成的优化器。在具体实施过程中,不断优化最小损失函数,使第二影像数据中各像素点与第一影像数据中各像素点的均方差达到最小,实现第二影像数据与第一影像数据的配准。
图3为本申请实施例提供的配准图像的示意图,以便于理解配准图像。从图3中可以看出,图3中的箭头部分能够看到动脉瘤的变化情况。
S203:对配准图像和第一影像数据进行血管分割,得到配准图像和第一影像数据对应的血管图像。
由于目标影像数据中,除了动脉瘤及动脉瘤所在的血管的数据,还有一些其它器官、组织的数据,因此,为了便于后续进行动脉瘤的分析,需要从配准图像和第一影像数据中进行血管分割,得到配准图像和第一影像数据对应的血管图像。
在本申请的一个实施例中,采用基于灰度的二值分割法进行血管分割。具体地,通过数学约束,确定配准图像或第一影像数据中血管图像的灰度范围,进一步利用区间二值分割法进行血管分割,得到配准图像或第一影像数据对应的血管图像。采用本方法,实现配准图像或第一影像数据对应的血管图像的分割。
通过本申请实施例提供的方法,能够将配准图像和第一影像数据中的第一影像数据的血管图像及第二影像数据的血管图像分割出来,从而得到配准图像和第一影像数据对应的血管图像。
S205:对血管图像进行三维表面重建,得到血管重建图像。
为便于后续动脉瘤的显示和观察,需要对血管图像进行三维表面重建。在本申请的一个实施例中,采用MC算法(MarchingCubes,移动立方体法)实现三维表面重建。
由于经过MC算法重建的三维表面,存在表面接缝处处理不好、数据不准确等情形,因此,需要进一步对重建的三维表面进行平滑处理。在本申请的一个实施例中,采用窗口化的Sinc函数进行平滑处理,从而得到血管重建图像,以用于后续动脉瘤的分析。
S207:对血管重建图像进行动脉瘤分析,得到动脉瘤的分析结果。
在本申请的一个实施例中,分析血管重建图像中动脉瘤的基本形态学参数和/或破裂风险参数,得到动脉瘤的分析结果,其中,动脉瘤的分析结果包括基本形态学参数和/或破裂风险参数和/或动脉瘤融合结果和/或基本形态学参数的变化率和/或破裂风险参数的变化率,动脉瘤融合结果为将配准图像和第一影像数据进行展示的结果。
在本申请的一个实施例中,基本形态学参数包括但不限于:动脉瘤瘤径、宽度、高度、横径、最长直径、长宽比、体积、瘤颈面积、瘤颈直径、横径/瘤颈、入射角、动脉瘤角中的一种或多种。
为便于理解基本形态学参数,图4为本申请实施例提供的动脉瘤的基本形态学参数示意图。具体包括:
动脉瘤长径D为动脉瘤瘤径中心到瘤顶的最大距离;
动脉瘤宽度WD是与动脉瘤长径D垂直的最大距离;
动脉瘤高度H是瘤颈曲面的投射平面到瘤顶的最大垂直距离;
动脉瘤横径WH是与动脉瘤高度垂直的最大距离;
动脉瘤最长直径DMAX是动脉瘤壁上任两点间的最大距离;
动脉瘤长宽比D/WD是动脉瘤长径与宽度的比值;
动脉瘤瘤颈直径N是瘤颈曲面的投射平面的最长径,当N≥4mm时,为宽颈动脉瘤;
动脉瘤横径/瘤颈直径WH/N,当WH/N≤2mm时,为宽颈动脉瘤;
动脉瘤体积V是动脉瘤瘤腔体积;
动脉瘤瘤颈面积S是瘤颈曲面的投影平面的面积;
动脉瘤入射角IA是动脉瘤长径与载瘤动脉中心线的夹角;
动脉瘤瘤角θA是动脉瘤长径与瘤颈曲面的投射平面的夹角。
图5为本申请实施例提供的动脉瘤的破裂风险参数示意图。具体包括:
动脉瘤波动指数UI是反应动脉瘤瘤体凹陷程度的指标,UI=1-V/VCH,其中,V代表动脉瘤体积,VCH代表能够包裹整个动脉瘤凸起的最小凸面覆盖的体积,UI的值介于0-1之间,理想值为0,UI随着VCH的减小而逐渐增大,即动脉瘤由饱满变扁平时,动脉瘤破裂风险增加。
动脉瘤尺寸比SR是动脉瘤长径与载瘤动脉平均直径的比值。动脉瘤破裂风险与SR值呈正相关性,SR值越高,动脉瘤破裂的风险越大。在具体应用中,当SR>2.05后,动脉瘤的破裂风险显著增加。
动脉瘤纵横比AR是动脉瘤高度与瘤颈直径的比值。瘤颈越小,血流流入瘤腔的速度越慢,破裂风险越高。动脉瘤破裂风险与AR值呈正相关性,AR值越高,动脉瘤破裂的风险越大。在具体应用中,AR的阈值可以为1.6,当AR>1.6 后,动脉瘤的破裂风险显著增加。
动脉瘤非球形指数NSI是用动脉瘤的体积V和表面积S来描述动脉瘤形态与完美半球的几何偏差,NSI=1-(18π)1/3V2/3/S。NSI值介于0-1之间,理想值为0,NSI随着V和S的比值的减小而增大,NSI越大,动脉瘤破裂的风险越大。
动脉瘤体积/瘤颈面积比VNR是动脉瘤体积与瘤颈面积的比值。VNR越小,血流流入瘤腔的速度越慢,破裂风险越高。动脉瘤破裂风险与VNR值呈正相关性,VNR值越高,动脉瘤破裂的风险越大。
动脉瘤的分析结果可以以动脉瘤分析报告的形式进行输出,以定量描述动脉瘤的变化,以便于观察者进行诊断。在本申请的另外一个实施例中,第一影像数据亦可在图像配准前,实现血管分割、血管表面重建。为便于理解本实施例,图6为本申请实例提供的一种动脉瘤的分析方法的流程图,具体包括:
S601:将待处理的第一影像数据进行血管分割,获得第一影像数据对应的血管图像。
S603:将第一影像数据对应的血管图像进行三维表面重建,得到第一影像数据的血管重建图像。
S605:将第一影像数据作为参考图像,将待处理的第二影像数据作为浮动图像,进行配准,得到配准图像。
S607:对配准图像进行血管分割,得到配准图像对应的血管图像。
S609:将配准图像对应的血管图像进行三维表面重建,得到配准图像的血管重建图像。
S6011:对第一影像数据的血管重建图像和配准图像的血管重建图像进行动脉瘤分析,得到动脉瘤分析结果。
采用本申请实施例提供的动脉瘤的分析方法,能够排除或减少人为因素的影响,能够直观了解动脉瘤的生长变化,实现快速诊断,便于推广应用,以便观察者更加直观、清晰的对动脉瘤进行分析。
上述内容详细说明了一种动脉瘤的分析方法,与之相应的,本说明书还提供了一种动脉瘤的分析装置,如图:7所示。
配准单元701,将第一影像数据与第二影像数据进行配准,得到配准图像,其中,所述第一影像数据的获取时间早于所述第二影像数据;
重建单元703,对所述配准图像和所述第一影像数据进行三维表面重建,得到血管重建图像;
分析单元705,对所述血管重建图像进行动脉瘤分析,得到动脉瘤的分析结果。
优选地,所述将第一影像数据与第二影像数据进行配准,具体包括:
将所述第一影像数据作为参考图像,所述第二影像数据作为浮动图像,将所述第二影像数据与所述第一影像数据进行配准。
优选地,所述将所述第一影像数据作为参考图像,所述第二影像数据作为浮动图像,将所述第二影像数据与所述第一影像数据进行配准,具体包括:
将所述第一影像数据作为参考图像,所述第二影像数据作为浮动图像,采用3D刚性变换,基于优化器进行优化,将所述第二影像数据与所述第一影像数据进行配准。
优选地,所述对所述配准图像和所述第一影像数据进行三维表面重建,得到重建图像,具体包括:
对所述配准图像和所述第一影像数据进行血管分割,得到所述配准图像和所述第一影像数据对应的血管图像;
将所述血管图像进行三维表面重建,得到血管重建图像。
优选地,所述对所述血管重建图像进行分析,得到动脉瘤的分析结果,具体包括:
分析所述血管重建图像中动脉瘤的基本形态学参数和/或破裂风险参数,得到动脉瘤的分析结果,其中,所述动脉瘤的分析结果包括所述基本形态学参数和/或破裂风险参数和/或动脉瘤融合结果和/或基本形态学参数的变化率和/或破裂风险参数的变化率,所述动脉瘤融合结果为将所述配准图像和所述第一影像数据进行展示的结果。
优选地,所述基本形态学参数包括:动脉瘤长径、宽度、高度、横径、最长直径、长宽比、体积、瘤颈面积、瘤颈直径、横径/瘤颈、入射角、动脉瘤角;
所述破裂风险参数包括:波动指数、尺寸比、非球形指数、纵横比、体积 /瘤颈面积比。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的,因此,装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray, FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、 Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL (Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL (RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very- High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据优化设备的处理器以产生一个机器,使得通过计算机或其他可编程数据优化设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据优化设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据优化设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可浮动和非可浮动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种动脉瘤的分析方法,其特征在于,所述方法包括:
将第一影像数据与第二影像数据进行配准,得到配准图像,其中,所述第一影像数据的获取时间早于所述第二影像数据;
对所述配准图像和所述第一影像数据进行三维表面重建,得到血管重建图像;
对所述血管重建图像进行动脉瘤分析,得到动脉瘤的分析结果。
2.如权利要求1所述的方法,其特征在于,所述将第一影像数据与第二影像数据进行配准,具体包括:
将所述第一影像数据作为参考图像,所述第二影像数据作为浮动图像,将所述第二影像数据与所述第一影像数据进行配准。
3.如权利要求2所述的方法,其特征在于,所述将所述第一影像数据作为参考图像,所述第二影像数据作为浮动图像,将所述第二影像数据与所述第一影像数据进行配准,具体包括:
将所述第一影像数据作为参考图像,所述第二影像数据作为浮动图像,采用3D刚性变换,基于优化器进行优化,将所述第二影像数据与所述第一影像数据进行配准。
4.如权利要求1所述的方法,其特征在于,所述对所述配准图像和所述第一影像数据进行三维表面重建,得到重建图像,具体包括:
对所述配准图像和所述第一影像数据进行血管分割,得到所述配准图像和所述第一影像数据对应的血管图像;
将所述血管图像进行三维表面重建,得到血管重建图像。
5.如权利要求1至4任一项所述的方法,其特征在于,所述对所述血管重建图像进行分析,得到动脉瘤的分析结果,具体包括:
分析所述血管重建图像中动脉瘤的基本形态学参数和/或破裂风险参数,得到动脉瘤的分析结果,其中,所述动脉瘤的分析结果包括所述基本形态学参数和/或破裂风险参数和/或动脉瘤融合结果和/或基本形态学参数的变化率和/或破裂风险参数的变化率,所述动脉瘤融合结果为将所述配准图像和所述第一影像数据进行展示的结果。
6.如权利要求5所述的方法,其特征在于,所述基本形态学参数包括:动脉瘤长径、宽度、高度、横径、最长直径、长宽比、体积、瘤颈面积、瘤颈直径、横径/瘤颈、入射角、动脉瘤角;
所述破裂风险参数包括:波动指数、尺寸比、非球形指数、纵横比、体积/瘤颈面积比。
7.一种动脉瘤的分析装置,其特征在于,所述装置包括:
配准单元,将第一影像数据与第二影像数据进行配准,得到配准图像,其中,所述第一影像数据的获取时间早于所述第二影像数据;
重建单元,对所述配准图像和所述第一影像数据进行三维表面重建,得到血管重建图像;
分析单元,对所述血管重建图像进行动脉瘤分析,得到动脉瘤的分析结果。
8.如权利要求7所述的装置,其特征在于,所述将第一影像数据与第二影像数据进行配准,具体包括:
将所述第一影像数据作为参考图像,所述第二影像数据作为浮动图像,将所述第二影像数据与所述第一影像数据进行配准。
9.如权利要求8所述的装置,其特征在于,所述将所述第一影像数据作为参考图像,所述第二影像数据作为浮动图像,将所述第二影像数据与所述第一影像数据进行配准,具体包括:
将所述第一影像数据作为参考图像,所述第二影像数据作为浮动图像,采用3D刚性变换,基于优化器进行优化,将所述第二影像数据与所述第一影像数据进行配准。
10.如权利要求7所述的装置,其特征在于,所述对所述配准图像和所述第一影像数据进行三维表面重建,得到重建图像,具体包括:
对所述配准图像和所述第一影像数据进行血管分割,得到所述配准图像和所述第一影像数据对应的血管图像;
将所述血管图像进行三维表面重建,得到血管重建图像。
11.如权利要求7至10任一项所述的装置,其特征在于,所述对所述血管重建图像进行分析,得到动脉瘤的分析结果,具体包括:
分析所述血管重建图像中动脉瘤的基本形态学参数和/或破裂风险参数,得到动脉瘤的分析结果,其中,所述动脉瘤的分析结果包括所述基本形态学参数和/或破裂风险参数和/或动脉瘤融合结果和/或基本形态学参数的变化率和/或破裂风险参数的变化率,所述动脉瘤融合结果为将所述配准图像和所述第一影像数据进行展示的结果。
12.如权利要求11所述的装置,其特征在于,所述基本形态学参数包括:动脉瘤长径、宽度、高度、横径、最长直径、长宽比、体积、瘤颈面积、瘤颈直径、横径/瘤颈、入射角、动脉瘤角;
所述破裂风险参数包括:波动指数、尺寸比、非球形指数、纵横比、体积/瘤颈面积比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910781640.3A CN110517242A (zh) | 2019-08-23 | 2019-08-23 | 一种动脉瘤的分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910781640.3A CN110517242A (zh) | 2019-08-23 | 2019-08-23 | 一种动脉瘤的分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110517242A true CN110517242A (zh) | 2019-11-29 |
Family
ID=68627200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910781640.3A Pending CN110517242A (zh) | 2019-08-23 | 2019-08-23 | 一种动脉瘤的分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110517242A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111513739A (zh) * | 2020-04-10 | 2020-08-11 | 北京东软医疗设备有限公司 | 血管造影机的控制方法及装置、电子设备、存储介质 |
CN111862062A (zh) * | 2020-07-27 | 2020-10-30 | 强联智创(北京)科技有限公司 | 一种中心线优化的方法、装置以及设备 |
CN113100801A (zh) * | 2021-04-14 | 2021-07-13 | 清华大学 | 动脉瘤的入射角的确定方法、装置、电子设备及存储介质 |
CN113539443A (zh) * | 2021-08-06 | 2021-10-22 | 北京市神经外科研究所 | 一种预测动脉瘤闭塞的方法、装置以及设备 |
CN114663362A (zh) * | 2022-03-04 | 2022-06-24 | 强联智创(北京)科技有限公司 | 一种融合方法、装置以及设备 |
CN115227274A (zh) * | 2022-09-19 | 2022-10-25 | 南京邮电大学 | 基于深度学习的动脉瘤检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358607A (zh) * | 2017-08-13 | 2017-11-17 | 强深智能医疗科技(昆山)有限公司 | 肿瘤放射治疗视觉监测与视觉伺服智能控制方法 |
CN108038874A (zh) * | 2017-12-01 | 2018-05-15 | 中国科学院自动化研究所 | 面向序列切片的扫描电镜图像实时配准装置及方法 |
CN109091167A (zh) * | 2018-06-29 | 2018-12-28 | 东南大学 | 冠状动脉粥样硬化斑块增长的预测方法 |
CN109493348A (zh) * | 2018-10-26 | 2019-03-19 | 强联智创(北京)科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
-
2019
- 2019-08-23 CN CN201910781640.3A patent/CN110517242A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358607A (zh) * | 2017-08-13 | 2017-11-17 | 强深智能医疗科技(昆山)有限公司 | 肿瘤放射治疗视觉监测与视觉伺服智能控制方法 |
CN108038874A (zh) * | 2017-12-01 | 2018-05-15 | 中国科学院自动化研究所 | 面向序列切片的扫描电镜图像实时配准装置及方法 |
CN109091167A (zh) * | 2018-06-29 | 2018-12-28 | 东南大学 | 冠状动脉粥样硬化斑块增长的预测方法 |
CN109493348A (zh) * | 2018-10-26 | 2019-03-19 | 强联智创(北京)科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
Non-Patent Citations (1)
Title |
---|
周立恒: "基于ITK的医学配准算法研究实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111513739A (zh) * | 2020-04-10 | 2020-08-11 | 北京东软医疗设备有限公司 | 血管造影机的控制方法及装置、电子设备、存储介质 |
CN111513739B (zh) * | 2020-04-10 | 2023-08-29 | 北京东软医疗设备有限公司 | 血管造影机的控制方法及装置、电子设备、存储介质 |
CN111862062A (zh) * | 2020-07-27 | 2020-10-30 | 强联智创(北京)科技有限公司 | 一种中心线优化的方法、装置以及设备 |
CN113100801A (zh) * | 2021-04-14 | 2021-07-13 | 清华大学 | 动脉瘤的入射角的确定方法、装置、电子设备及存储介质 |
CN113539443A (zh) * | 2021-08-06 | 2021-10-22 | 北京市神经外科研究所 | 一种预测动脉瘤闭塞的方法、装置以及设备 |
CN114663362A (zh) * | 2022-03-04 | 2022-06-24 | 强联智创(北京)科技有限公司 | 一种融合方法、装置以及设备 |
CN114663362B (zh) * | 2022-03-04 | 2024-03-29 | 强联智创(北京)科技有限公司 | 一种融合方法、装置以及设备 |
CN115227274A (zh) * | 2022-09-19 | 2022-10-25 | 南京邮电大学 | 基于深度学习的动脉瘤检测方法 |
CN115227274B (zh) * | 2022-09-19 | 2022-11-25 | 南京邮电大学 | 基于深度学习的动脉瘤检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110517242A (zh) | 一种动脉瘤的分析方法及装置 | |
CN109345585A (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN109493348A (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN110517780A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN109472780A (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN109584997B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN109389637A (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN109448004A (zh) | 一种基于中心线的颅内血管图像的截取方法及系统 | |
CN109448003A (zh) | 一种颅内动脉血管图像分割方法及系统 | |
CN110534193A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
WO2021098768A1 (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN109472823A (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN109584169A (zh) | 一种基于中心线的颅内血管图像的截取方法及系统 | |
Oeltze‐Jafra et al. | Generation and visual exploration of medical flow data: Survey, research trends and future challenges | |
CN109816650A (zh) | 一种基于二维dsa图像的目标区域识别方法及其系统 | |
CN109671066A (zh) | 一种基于头颅ct影像的脑梗死判断的方法及系统 | |
CN109447967A (zh) | 一种颅内动脉瘤图像的分割方法及系统 | |
CN114732431B (zh) | 对血管病变进行检测的计算机实现方法、装置及介质 | |
CN111091563B (zh) | 一种基于颅脑影像数据的目标区域的提取方法及系统 | |
WO2020102154A1 (en) | Noninvasive quantitative flow mapping using a virtual catheter volume | |
CN110503642A (zh) | 一种基于dsa图像的定位方法及系统 | |
CN109472803A (zh) | 一种颅内动脉血管分割方法及系统 | |
CN109377504A (zh) | 一种颅内动脉血管图像分割方法及系统 | |
CN110517244A (zh) | 一种基于dsa图像的定位方法及系统 | |
CN113995388B (zh) | 血流储备分数计算方法、装置、电子设备及可读存储介质 |
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 |