CN110570424A - 一种基于cta动态影像的主动脉瓣半自动分割方法 - Google Patents

一种基于cta动态影像的主动脉瓣半自动分割方法 Download PDF

Info

Publication number
CN110570424A
CN110570424A CN201910950457.1A CN201910950457A CN110570424A CN 110570424 A CN110570424 A CN 110570424A CN 201910950457 A CN201910950457 A CN 201910950457A CN 110570424 A CN110570424 A CN 110570424A
Authority
CN
China
Prior art keywords
mask
cta
aortic
image
aortic valve
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
Application number
CN201910950457.1A
Other languages
English (en)
Other versions
CN110570424B (zh
Inventor
李颖
曲小龙
陈伟
陈永林
李可
谭立文
张绍祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Army Medical University
Original Assignee
Army Medical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Army Medical University filed Critical Army Medical University
Priority to CN201910950457.1A priority Critical patent/CN110570424B/zh
Publication of CN110570424A publication Critical patent/CN110570424A/zh
Application granted granted Critical
Publication of CN110570424B publication Critical patent/CN110570424B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (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)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于CTA动态影像的主动脉瓣半自动分割方法，包括获取心电门控下的CT血管造影影像数据，进行20个时相的划分，对每个时相点的影像进行以下步骤：步骤A，根据主动脉根部的上下界分割Valsalva窦；步骤B，从Valsalva窦中分割主动脉瓣。本发明扩大了CTA影像中的特征提取范围，以呈现出更完整的解剖细节，进而提高了手术时的工作效率及其安全性。

Description

一种基于CTA动态影像的主动脉瓣半自动分割方法
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种基于CTA动态影像的主动脉瓣半自动分割方法。
背景技术
主动脉瓣位于主动脉根部，构成了主动脉与左心室之间的物理边界，处于心脏的形态学中心，同时也是血流动力学中心，其在主动脉和左心室之间起阀门作用，在心脏舒张期防治主动脉血流回流到左心室，在收缩期允许血流从左心室流出到主动脉中，对维持心脏的正常供血起着重要的作用。
心脏是人体心血管系统的关键器官，内部组织结构较复杂，心脏处于不断的舒缩中，而目前心脏的影像资料多为正交的二维平面影像，每个平面都是在某个时刻的心脏运动过程中的某个采样，临床医师较难通过二维图像去想象病变部位的三维形态和空间毗邻关系，导致了心脏疾病在影像学上定位和定性诊断较困难。中国可视化人(CVH)项目于2002年10月由第三军医大学发起，该项目是从尸体获得包含丰富解剖学信息的高分辨率、连续断层切片图像的数据集(以下简称CVH数据集)。CVH数据集不仅可以清楚地观察到的心脏纤维骨架(该数据集中连续断层图像中各个组织呈自然的纹理颜色，容易区分不同组织的边界)，而且保持了解剖结构的原始空间关系。CVH数据集层间距小于临床连续断层影像，其中，其水平分辨率越大，层间距越小，能够呈现的解剖细节就越丰富，特别是二尖瓣、三尖瓣等结构需要在心脏轴面来观察的结构。虽然通过数字化人体数据集建立高精度的心脏可视化解剖模型可以反应心脏毗邻解剖结构原位的空间关系，但是如何将这些信息用于活体的断层解剖图像，以指导临床的诊断和资料仍是心脏可视化面临的一个挑战。
临床上随着经导管主动脉瓣置换术(Transcatheter Aortic valveReplacement，TAVR)等微创介入手术技术的兴起给外科手术禁忌者带来了福音，但是该技术需要在非直视的状态下进行介入操作，对主动脉的解剖结构的评估提出了更高的要求。对主动脉根部的生理功能的测量极其困难，Lansac等人[1]在绵羊的主动脉根部植入十五个超声检测晶体来检测主动脉根部及瓣叶的动态变化情况，Berdajs[2]等通过将六个超声检测晶体植入猪的主动脉来测量主动脉根部的生理状况下的几何形变参数。但是，四足动物与人体的解剖形态参数会有差异，而且在急性开胸状态下获得的测量数据和正常生理状态下获得的几何形态可能会有差异。因此，在活体内进行主动脉瓣及瓣环的分割和测量非常困难。
目前，在CT影像后处理领域已开发出了主动脉瓣环(STJ、SINUS、BASE平面)的解剖测量平台，通过借助主动脉根部三维信息来提高主动脉瓣环测量的准确性，初步临床试用结果的较理想，且展示出了较传统手动测量的优势[3-7]。Delgado[6]和Watanabe[7]等人分别报道，使用3mensio Valves软件自动测量CT图像中的瓣环直径，与手工测量的一致性高达0.95-0.98；比利时鲁汶大学的Queiros[4]等开发了智能化的CTTAVR测量软件，全自动测量的准确率高达92.5％，半自动测量的准确率则为100％；Guez等[5]人使用Intelli spacePortal(Philips Medical Systems)分别测量了收缩期和舒张期的CT瓣环面积，发现自动测量法与手工测量的相关性为0.94和0.93；Lou等[7]使用Valve Pilot(SiemensHealthcare)进行CT图像的瓣环测量，全自动测量结果中只有5％的测量值为异常偏大值，而其余95％的测量值与手工测量值间的差异很小(p>0.05)。基于3D的解剖测量软件能够减少量化评估中的人为操作误差，且减少了医生的工作量。但是，上述CT扫描后的CTA成像是规则的橫冠矢平面成像，难以展现出主动脉瓣的不规则形态的膜性结构，其提供的解剖参数局限于主动脉瓣环的静态测量，动态测量的难点在于心脏处于不断的运动过程中，其解剖标志点的位置在空间中也会随之变化，而常规的CTA影像并不能自动的跟踪这些重要的解剖标志点。在实际操作过程中，主动脉根部毗邻的解剖形态特征信息还未能得到呈现；另外，在TAVR术后的一些常见并发症瓣膜脱落、瓣周漏传导阻滞等病症中的量化评估对主动脉瓣的分割需要更多的细节显现及数据支撑。
1.Lansac，E.，.，H.S.Lim，Y.Shomura，.，K.H.Lim，N.T.Rice，et al.，A four-dimensional study of the aortic root dynamics.European Journal of Cardio-Thoracic Surgery，2002.22(4):p.497-503.
2.Berdajs，D.，S.Mosbahi，Z.Forro，C.Gerber，E.Ferrari，et al.，Numericalanalysis of the 3-dimensional aortic root morphology during the cardiaccycle.Eur J Cardiothorac Surg，2016.49(4):p.1213-21.
3.Watanabe，Y.，M.C.Morice，E.Bouvier，T.Leong，K.Hayashida，et al.，Automated 3-dimensional aortic annular assessment by multidetector computedtomography in transcatheter aortic valve implantation.JACC Cardiovasc Interv，2013.6(9):p.955-64.
4.Queiros，S.，C.Dubois，P.Morais，T.Adriaenssens，J.C.Fonseca，et al.，Automatic 3D aortic annulus sizing by computed tomography in the planning oftranscatheter aortic valve implantation.J Cardiovasc Comput Tomogr，2017.11(1):p.25-32.
5.Guez，D.，G.Boroumand，N.J.Ruggiero，P.Mehrotra，E.J.Halpern，Automatedand Manual Measurements of the Aortic Annulus with ECG-Gated Cardiac CTAngiography Prior to Transcatheter Aortic Valve Replacement:Comparison with3D-Transesophageal Echocardiography.Acad Radiol，2017.24(5):p.587-593.
6.Delgado，V.，A.C.Ng，J.D.Schuijf，F.van der Kley，M.Shanks，et al.，Automated assessment of the aortic root dimensions with multidetector rowcomputed tomography.Ann Thorac Surg，2011.91(3):p.716-23.
7.Lou，J.，N.A.Obuchowski，A.Krishnaswamy，Z.Popovic，S.D.Flamm，et al.，Manual，semiautomated，and fully automated measurement of the aortic annulusfor planning of transcatheter aortic valve replacement(TAVR/TAVI):analysis ofinterchangeability.J Cardiovasc Comput Tomogr，2015.9(1):p.42-9.
发明内容
本发明的目的在于提供一种基于CTA动态影像的主动脉瓣半自动分割方法，扩大了CTA影像中的特征提取范围，以呈现出更完整的解剖细节，进而提高了手术时的工作效率及其安全性。
本发明解决其技术问题所采用的技术方案是：一种基于CTA动态影像的主动脉瓣半自动分割方法，获取心电门控下的CT血管造影影像数据，进行20个时相的划分，对每个时相点的影像进行以下步骤：
步骤A，根据主动脉根部的上下界分割Valsalva窦；
步骤A1，获取带主动脉根部的冠状动脉分割数据maskCA，对maskCA进行形态基元为S的形态学操作剥离，得到剥离后的数据maskAR；
步骤A2，在maskAR中取最大连通区域得到主动脉根部和升主动脉的分割数据maskAR’；
步骤A3，建立maskAR’的三维模型，通过该模型得出主动脉根部的上界和下界的位置，并根据该上界和下界分割Valsalva窦，获取主动脉窦部的掩模maskAS；
步骤B，从Valsalva窦中分割主动脉瓣；
步骤B1，对maskAS进行形态学的开运算，去掉细小的突出部分maskAS1；
步骤B2，对maskAS1进行腐蚀操作，使边界向内部收缩，消除边界点得到maskAS2；
步骤B3，对CTA影像数据Img进行阈值T2分割，得到maskT；
步骤B4，在maskT中求连通域，获取像素个数大于10的所有连通区域，即得到maskAV；
步骤B5，在原始的CTA影像数据f(x，y，z)中提取仅包含主动脉瓣的数据得到ImgAV。
优选地，所述步骤A1中获取带主动脉根部的冠状动脉和分割数据maskCA包括以下步骤：
步骤S101，获取图像数据后，按照获取时间依次对图像进行排序，对排序完成的图像进行直方图变换；
步骤S102，对于变换后的图像进行三维粗分割，将分割的冠状动脉图像的灰度范围值进行三维形态学处理，通过计算主动脉区域和腐蚀掉区域的邻接点，得到邻接点构成的连通域；
步骤S103，遍历全部邻接点，执行完毕后，输出每一个邻接点构成的连通域，执行切割冠状动脉图像过程，从输入的三维粗分割数据以及全部邻接点的连通域数据寻找冠状动脉的开口点，切割完成冠状动脉图像。
优选地，步骤A1中maskCA进行形态基元为S的形态学操作剥离公式为：
优选地，所述步骤A2中maskAR′的求取方法包括以下步骤：
步骤S201，在图像数据中选定一个未标记的体素p，其中，p∈maskAR；
步骤S202，通过flood-fill算法标记与p相连通的像素；
步骤S203，重复步骤S201-步骤S202，直至maskAR中所有的体素都被标记，进入步骤S204求取maskAR′；
步骤S204，其中，i是maskAR中第i个不为0的体素，i∈[1：n]，n为maskAR中不为0的体素的总体个数，L为连通区域的标记值，L∈[1：m]，m为连通域的个数。
优选地，所述步骤A3包括以下得出主动脉根部的上下界位置的步骤：
步骤S301，求解窦管交界平面计算法向量根据点法式方程xAn(X-x1)+yAn(Y-y1)+zAn(Z-z1)＝0(X∈Ω，Y∈Ω，Z∈Ω)方求解平面
步骤S302，求解基底环平面PlaneBase，计算法向量根据点法式方程xBn(X-xB1)+yBn(Y-yB1)+zBn(Z-zB1)＝0(X∈Ω，Y∈Ω，Z∈Ω)求解平面PlaneBase；
步骤S303，将和PlaneBase平面上的像素置为0，并断开主动脉窦与升主动脉和左心室之间的连接，以如下公式表示：
步骤S304，将每个体素转换为球坐标，其转换公式为
maskAR(x，y，z)＝maskAR(az，ei，r)；
步骤S305，求取主动脉窦部的掩模maskAS区域，求取公式为
其中，A1(xA1，yA1，zA1)、A2(xA2，yA2，zA2)、A3(xA3，yA3，zA3)分别为主动脉瓣叶间的三角顶点坐标；B1(xB1，yB1，zB1)、B2(xB2，yB2，zB2)、B3(xB3，yB3，zB3)分别为主动脉窦基底部的左冠窦、右冠窦和无冠窦最低点的坐标，Ω为CTA影像数据的体素空间；az＝tan-1(y，x)，θA为ei与nA的夹角，θB为ei与nB的夹角。
优选地，所述步骤B2中maskAS2的求取公式为：
优选地，所述步骤B3包括通过CTA影像数据f(x，y，z)进行阈值分割，并以如下公式求取maskT：
其中，T为冠状动脉的分割阈值。
优选地，所述步骤B4中maskT的求取方法包括以下步骤：
步骤S401，在图像数据中选定一个未标记的体素p，其中，p∈maskT；
步骤S402，通过flood-fill算法标记与p相连通的像素；
步骤S403，重复步骤S401-步骤S402，直至maskT中所有的体素都被标记，进入步骤S404求取maskT；
步骤S404，
其中，L2为连通区域的标记值，L2∈[1：m2]，m2为maskT中连通域的个数。
优选地，所述步骤B5中ImgAV数据为ImgAV(x，y，z)，
本发明的有益效果在于：
1、解决了不同时相CTA图像中关键解剖特征点在量化分析的一致性问题：
由于心脏处于不断的运动中其主动脉根部的空间位置的几何形态也在发生复杂变化，在CTA常规的横、冠、矢连续断层影像中去追踪瓣叶间三角的顶点和左冠窦、右冠窦、无冠窦的最低点是极其困难的，因为这几个关键特征点都是在空间的概念，在平面上是难以有效体现的。本申请借助三维显示通过简单的交互来获取其准确的空间位置，并利用matlab进行记录和统计分析，有效的解决了同一解剖结构在不同时相点的空间位置追踪问题，能够更加准确反映其运动状态和特征；
2、提供一种无创的在体主动脉根部解剖测量方式：
CT血管造影(CTAngiography，CTA)是一种无创的成像方式。兼具有较好的时间分辨率和空间分辨率，且在解剖几何形态及斑块特征方面均具有较好的显影。但是主动脉根部特别是主动脉瓣膜在心脏周期性运动中几何特征变化较大，且其形态不规则，难以实现准确的量化分析。本申请在不改变原有CTA影像采集方式的前提下，对其进行后处理，建立随时间变化的3D可视化模型，能够准确的获取关键解剖参照点如，瓣叶间三角的顶点和左冠窦、右冠窦、无冠窦的最低点空间位置。能够根据关键解剖点获取窦管交界处(STJ)、基底环的位置、主动脉瓣叶的形态和统计参数。
3、能够为TAVI等介入手术提供详细的解剖信息，提高手术成功率：
随着手术向微创化个性化方式发展，TAVI(经导管主动脉瓣置换手术)等介入手术方式的出现使得一些不能进行外科手术的老年人能够进行主动脉瓣狭窄病变的治疗，提高人们的生存质量和生命周期。但是，这类手术对解剖要求比较高，不仅需要知道病灶的信息，还需要对待植入假体有更充分的评估。本申请在CTA影像基础上提升解剖测量的精确性，进一步增强解剖结构及病灶的可视性，能够为术前提供详细的解剖量化信息辅助术前评估和手术规划，可有效减少TAVI并发症。详细的解剖信息可以帮助判断实施TAVI是否可行，选择最佳的TAVI入路，预估风险及难度，为并发症提前准备方案，为选择瓣膜系统种类及型号提供客观的依据。
4、既可以获取解剖特征，又可以获得主动脉根部的功能信息，以为符合患者生理功能的个性化瓣环假体的设计及新的手术方式提供参考依据，进而做出数据支撑，促进本领域技术的进步。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将结合附图及实施例对本申请作进一步说明，下面描述中的附图仅仅是本申请的部分实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图：
图1为本申请一种基于CTA动态影像的主动脉瓣半自动分割方法中主动脉根部的示意图；
图2为本申请一种基于CTA动态影像的主动脉瓣半自动分割方法中垂直于主动脉根部窦部平面的图像；
图3为本申请一种基于CTA动态影像的主动脉瓣半自动分割方法中20个不同时相下的CT血管造影影像数据；
具体实施方式
为了使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请的部分实施例，而不是全部实施例。基于本申请的实施例，本领域普通技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例，都属于本申请的保护范围。
下面结合附图对本申请进行具体说明：
图1为主动脉根部窦管交界处(STJ)虚拟瓣环(Base)平面的建立图像；图2为垂直于主动脉根部窦部平面的图像，其中包括处于内环的主动脉瓣，处于左侧的左冠窦，处于右侧的右冠窦，处于下侧的无冠窦；图3包括主动脉根部及主动脉瓣在心动周期的变化(0％-100％)。
在实施例1中，一种基于CTA动态影像的主动脉瓣半自动分割方法，获取心电门控下的CT血管造影影像数据，如图3所示，进行20个时相的划分，对每个时相点的影像进行以下步骤：步骤A，根据主动脉根部的上下界分割Valsalva窦；步骤A1，获取带主动脉根部的冠状动脉分割数据maskCA，对maskCA进行形态基元为S的形态学操作剥离，得到剥离后的数据maskAR；步骤A2，在maskAR中取最大连通区域得到主动脉根部和升主动脉的分割数据maskAR’；步骤A3，建立maskAR’的三维模型，通过该模型得出主动脉根部的上界和下界的位置，并根据该上界和下界分割Valsalva窦，获取主动脉窦部的掩模maskAS；步骤B，从Valsalva窦中分割主动脉瓣；步骤B1，对maskAS进行形态学的开运算，去掉细小的突出部分maskAS1；步骤B2，对maskAS1进行腐蚀操作，使边界向内部收缩，消除边界点得到maskAS2；步骤B3，对CTA影像数据Img进行阈值T2分割，得到maskT；步骤B4，在maskT中求连通域，获取像素个数大于10的所有连通区域，即得到maskAV；步骤B5，在原始的CTA影像数据f(x，y，z)中提取仅包含主动脉瓣的数据得到ImgAV。需要注意的是，所有时相点均进行上述步骤的操作，即得到动态的主动脉瓣AV分割数据，最后将获取的值在MATLAB中进行数值统计。
如图1所示，获取心电门控下的CT血管造影(CT Angiography，CTA)影像数据，根据主动脉根部的上下界分割Valsalva窦。主动脉根部的上界为窦管交界平面(sinotubularjunction，STJ)，下界为虚拟环，也称基底环(Base)。如图3所示，在整个造影过程中对主动脉根部进行20个时相的划分，通过不同时域图像的采集，以确保数据的完整性和提取特征的准确性。
进一步地，如图2所示，所述步骤A1中获取带主动脉根部的冠状动脉和分割数据maskCA包括以下步骤：步骤S101，获取图像数据后，按照获取时间依次对图像进行排序，对排序完成的图像进行直方图变换；步骤S102，对于变换后的图像进行三维粗分割，将分割的冠状动脉图像的灰度范围值进行三维形态学处理，通过计算主动脉区域和腐蚀掉区域的邻接点，得到邻接点构成的连通域；步骤S103，遍历全部邻接点，执行完毕后，输出每一个邻接点构成的连通域，执行切割冠状动脉图像过程，从输入的三维粗分割数据以及全部邻接点的连通域数据寻找冠状动脉的开口点，切割完成冠状动脉图像。具体地，冠状动脉在成像时，注入造影剂，在图像中密度值较高，对密度值的直方图进行观察，得到冠状动脉密度值集中在直方图高亮度部分，其集中在直方图靠高亮度的波中，利用直方图阈值法，通过自动搜索最高密度值的波峰及该波起始处位置，得到分割阈值，实现阈值分割；根据图像的组成结构和应用需求将图像划分为若干个互不相交的子区域，以区域为对象进行分割，根据相似性原则进行分割，将各图像像素划归到相应区域；通过对三维粗分割数据结果的观察，通过三维腐蚀操作将细小的血管完全腐蚀掉，通过恢复性膨胀操作得到除细长血管分支之外的主动脉部分；通过原体数据和腐蚀后数据进行减操作得到腐蚀掉的分支，最后根据邻接关系得到疑似点，疑似点即为开口点。
进一步地，步骤A1中maskCA进行形态基元为S的形态学操作剥离公式为：其中：
进一步地，所述步骤A2中maskAR′的求取方法包括以下步骤：步骤S201，在图像数据中选定一个未标记的体素p，其中，p∈maskAR；步骤S202，通过flood-fill算法标记与p相连通的像素；步骤S203，重复步骤S201-步骤S202，直至maskAR中所有的体素都被标记，进入步骤S204求取maskAR′；步骤S204，其中，i是maskAR中第i个不为0的体素，i∈[1：n]，n为maskAR中不为0的体素的总体个数，L为连通区域的标记值，L∈[1：m]，m为连通域的个数。
进一步地，所述步骤A3包括以下得出主动脉根部的上下界位置的步骤：步骤S301，求解窦管交界平面计算法向量根据点法式方程xAn(X-x1)+yAn(Y-y1)+zAn(z-z1)＝0(X∈Ω，Y∈Ω，Z∈Ω)求解平面
步骤S302，求解基底环平面planeBase，计算法向量根据点法式方程xBn(X-xB1)+yBn(Y-yB1)+zBn(Z-zB1)＝0(X∈Ω，Y∈Ω，Z∈Ω)求解平面PlaneBase；
步骤S303，将和PlaneBase平面上的像素置为0，并断开主动脉窦与升主动脉和左心室之间的连接，以如下公式表示：
步骤S304，将每个体素转换为球坐标，其转换公式为maskAR′(x，y，z)＝maskAR′(az，ei，r)；
步骤S305，求取主动脉窦部的掩模maskAS区域，求取公式为
其中，A1(xA1，yA1，zA1)、A2(xA2，yA2，zA2)、A3(xA3，yA3，zA3)分别为主动脉瓣叶间的三角顶点坐标；B1(xB1，yB1，zB1)、B2xB2，yB2，zB2)、B3(xB3，yB3，zB3)分别为主动脉窦基底部的左冠窦、右冠窦和无冠窦最低点的坐标，Ω为CTA影像数据的体素空间；az＝tan-1(y，x)θA为ei与nA的夹角，θB为ei与nB的夹角。具体地，通过可视化的三维模型交互式获得主动脉根部的上下界位置：在整个主动脉根部的世界坐标系空间范围内，对相应点的空间坐标进行拾取，包括分别获取窦管交界处主动脉的瓣叶间三角顶点A1(xA1，yA1，zA1)、A2(xA2，yA2，zA2)和A3(xA3，yA3，zA3)，主动脉窦基底部三个窦(左冠窦、右冠窦和无冠窦)最低点的坐标分别为B1(xB1，yB1，zB1)、B2(xB2，yB2，zB2)和B3(xB3，yB3，zB3)，三个窦的最低点为虚拟环所在的位置，即主动脉根部的下界。
进一步地，所述步骤B2中maskAS2的求取公式为：
对maskAS1进行形态基元为S2腐蚀操作使边界向内部收缩，消除边界点的得到maskAS2，其中：
进一步地，所述步骤B3包括通过CTA影像数据f(x，y，z)进行阈值分割，并以如下公式求取maskT：
其中，T为冠状动脉的分割阈值。
具体地，图像直方图是灰度级的函数，描述的是数字图像中的每一灰度级与其出现的频率间的统计关系。直方图阈值，即根据图像的组成结构和应用需求将图像划分为若干个互不相交的子区域的过程。以区域为对象进行分割，以相似性原则作为分割的依据，将各像素划归到相应区域。由于冠脉血管在成像时，注入了造影剂，因此在CT图像中，密度值较高，对密度值的直方图进行观察，可知冠脉血管密度值集中在直方图高亮度部分，即集中在直方图靠高亮度的波中，因此可利用直方图阈值法，通过自动搜索最高密度值的波峰及该波起始处位置，就可得到分割阈值，实现阈值分割。为了便于处理，窗宽Width为直方图高亮的波宽度；确定数据的中心值，用窗位Level表示。对于人体器官获得的某个值，如果小于某个值，可转换成位图图像的黑色，即0值；如果大于某个值，可转换成位图图像的白色，即255值。设初始像素值为x，转变后像素值为y，则具体公式如下所示：
根据上述所得到的分割阈值，得到了心脏冠脉大概的灰度范围，保留此范围内像素值，其余的根据相关公式置为0或1。
进一步地，所述步骤B4中maskT的求取方法包括以下步骤：步骤S401，在图像数据中选定一个未标记的体素p，其中，p∈maskT；步骤S402，通过flood-fill算法标记与p相连通的像素；步骤S403，重复步骤S401-步骤S402，直至maskT中所有的体素都被标记，进入步骤S404求取maskT；步骤S404，
其中，L2为连通区域的标记值，L2∈[1：m2]，m2为maskT中连通域的个数。
进一步地，所述步骤B5中ImgAV数据为ImgAV(x，y，z)，
在仿真实例中，CT血管造影数据根据心脏回顾性心电门控下采集CT造影图像，采集时按照患者体重使用不同的冠状动脉CTA对比剂浓度和注射流率。CT血管造影数据采集参数是探测器准直0.6mm，旋转时间330ms，管电压120kV，管电流400mA，采用回顾性心电图门控方式在整个ECG周期获得同步化连续扫描图像形成一个对比增强的4D体数据集，可以在心动周期的任何时相进行图像重建。在本实例中，将一个完整的心动周期的范围(0％-100％)按5％的间隔，重建成20个时相。图像重建层厚0.75mm，重建间隔0.4mm，重建卷积核B26f。在心动周期的重建窗口的位置可以根据个体进行选择，以尽量减少误差。图像的分辨率为512*512像素，像素分辨率范围在0.12mm*0.12mm-0.45mm*0.45mm。

Claims (9)

1.一种基于CTA动态影像的主动脉瓣半自动分割方法，其特征在于，获取心电门控下的CT血管造影影像数据，进行20个时相的划分，对每个时相点的影像进行以下步骤：
步骤A，根据主动脉根部的上下界分割Valsalva窦；
步骤A1，获取带主动脉根部的冠状动脉分割数据maskCA，对maskCA进行形态基元为S的形态学操作剥离，得到剥离后的数据maskAR；
步骤A2，在maskAR中取最大连通区域得到主动脉根部和升主动脉的分割数据maskAR’；
步骤A3，建立maskAR’的三维模型，通过该模型得出主动脉根部的上界和下界的位置，并根据该上界和下界分割Valsalva窦，获取主动脉窦部的掩模maskAS；
步骤B，从Valsalva窦中分割主动脉瓣；
步骤B1，对maskAS进行形态学的开运算，去掉细小的突出部分maskAS1；
步骤B2，对maskAS1进行腐蚀操作，使边界向内部收缩，消除边界点得到maskAS2；
步骤B3，对CTA影像数据Img进行阈值T2分割，得到maskT；
步骤B4，在maskT中求连通域，获取像素个数大于10的所有连通区域，即得到maskAV；
步骤B5，在原始的CTA影像数据f(x,y,z)中提取仅包含主动脉瓣的数据得到ImgAV。
2.根据权利要求1所述的基于CTA动态影像的主动脉瓣半自动分割方法，其特征在于，所述步骤A1中获取带主动脉根部的冠状动脉分割数据maskCA包括以下步骤：
步骤S101，获取图像数据后，按照获取时间依次对图像进行排序，对排序完成的图像进行直方图变换；
步骤S102，对于变换后的图像进行三维粗分割，将分割的冠状动脉图像的灰度范围值进行三维形态学处理，通过计算主动脉区域和腐蚀掉区域的邻接点，得到邻接点构成的连通域；
步骤S103，遍历全部邻接点，执行完毕后，输出每一个邻接点构成的连通域，执行切割冠状动脉图像过程，从输入的三维粗分割数据以及全部邻接点的连通域数据寻找冠状动脉的开口点，切割完成冠状动脉图像。
3.根据权利要求1或2所述的基于CTA动态影像的主动脉瓣半自动分割方法，其特征在于，步骤A1中maskCA进行形态基元为S的形态学操作剥离公式为：
4.根据权利要求1或2所述的基于CTA动态影像的主动脉瓣半自动分割方法，其特征在于，所述步骤A2中maskAR’的求取方法包括以下步骤：
步骤S201，在图像数据中选定一个未标记的体素p，其中，p∈maskAR；
步骤S202，通过flood-fill算法标记与p相连通的像素；
步骤S203，重复步骤S201—步骤S202，直至maskAR中所有的体素都被标记，进入步骤S204求取maskAR’；
步骤S204，其中，i是maskAR中第i个不为0的体素，i∈[1：n]，n为maskAR中不为0的体素的总体个数，L为连通区域的标记值，L∈[1：m]，m为连通域的个数。
5.根据权利要求1或2所述的基于CTA动态影像的主动脉瓣半自动分割方法，其特征在于，所述步骤A3包括以下得出主动脉根部的上下界位置的步骤：
步骤S301，求解窦管交界平面PlaneSTJ，计算法向量
根据点法式方程xAn(X-x1)+yAn(Y-y1)+zAn(Z-z1)＝0(X∈Ω，Y∈Ω，Y∈Ω，Z∈Ω)求解平面PlaneSTJ；
步骤S302，求解基底环平面PlaneBase，计算法向量根据点法式方程
xBn(X-xB1)+yBn(Y-yB1)+zBn(Z-zB1)＝0(X∈Ω，Y∈Ω，Z∈Ω)求解平面PlaneBase；
步骤S303，将PlaneSTJ和PlaneBase平面上的像素置为0，并断开主动脉窦与升主动脉和左心室之间的连接，以如下公式表示：
步骤S304，将每个体素转换为球坐标，其转换公式为maskAR′(x，y，z)＝maskAR′(az，ei，r)；
步骤S305，求取主动脉窦部的掩模maskAS区域，求取公式为
其中，A1(xA1，yA1，zA1)、A2(zA2，yA2，zA2)、A3(xA3，yA3，zA3)分别为主动脉瓣叶间的三角顶点坐标；B1(xB1，yB1，zB1)、B2(xB2，yB2，zB2)、B3(xB3，yB3，zB3)分别为主动脉窦基底部的左冠窦、右冠窦和无冠窦最低点的坐标，Ω为CTA影像数据的体素空间；
az＝tan-1(y，x)，θA为ei与nA的夹角，θB为ei与nB的夹角。
6.根据权利要求1或2所述的基于CTA动态影像的主动脉瓣半自动分割方法，其特征在于，所述步骤B2中maskAS2的求取公式为：
7.根据权利要求1或2所述的基于CTA动态影像的主动脉瓣半自动分割方法，其特征在于，所述步骤B3包括通过CTA影像数据f(x,y,z)进行阈值分割，并以如下公式求取maskT：
其中，T为冠状动脉的分割阈值。
8.根据权利要求1或2所述的基于CTA动态影像的主动脉瓣半自动分割方法，其特征在于，所述步骤B4中maskT的求取方法包括以下步骤：
步骤S401，在图像数据中选定一个未标记的体素p，其中，p∈maskT；
步骤S402，通过flood-fill算法标记与p相连通的像素；
步骤S403，重复步骤S401—步骤S402，直至maskT中所有的体素都被标记，进入步骤S404求取maskT；
步骤S404，
其中，L2为连通区域的标记值，L2∈[1：m2]，m2为maskT中连通域的个数。
9.根据权利要求1或2所述的基于CTA动态影像的主动脉瓣半自动分割方法，其特征在于，所述步骤B5中ImgAV数据为ImgAV(x，y，z)，
CN201910950457.1A 2019-10-08 2019-10-08 一种基于cta动态影像的主动脉瓣半自动分割方法 Active CN110570424B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910950457.1A CN110570424B (zh) 2019-10-08 2019-10-08 一种基于cta动态影像的主动脉瓣半自动分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910950457.1A CN110570424B (zh) 2019-10-08 2019-10-08 一种基于cta动态影像的主动脉瓣半自动分割方法

Publications (2)

Publication Number Publication Date
CN110570424A true CN110570424A (zh) 2019-12-13
CN110570424B CN110570424B (zh) 2022-04-05

Family

ID=68784082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910950457.1A Active CN110570424B (zh) 2019-10-08 2019-10-08 一种基于cta动态影像的主动脉瓣半自动分割方法

Country Status (1)

Country Link
CN (1) CN110570424B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111227930A (zh) * 2020-01-08 2020-06-05 西安马克医疗科技有限公司 一种针对二尖瓣反流及钙化狭窄的3d模型构建及制备方法
CN111523549A (zh) * 2020-05-06 2020-08-11 沈阳先进医疗设备技术孵化中心有限公司 一种主动脉瓣评估方法、装置和计算机设备
CN112674872A (zh) * 2020-12-22 2021-04-20 中国人民解放军陆军军医大学 一种主动脉复合体解剖特征测量方法
CN113362327A (zh) * 2021-08-10 2021-09-07 杭州晟视科技有限公司 一种胸腔图像中的区域分割方法、装置、终端及存储介质
CN114663653A (zh) * 2022-05-16 2022-06-24 南京佗道医疗科技有限公司 一种医学影像感兴趣区域的窗位窗宽计算方法
CN115429297A (zh) * 2022-09-29 2022-12-06 上海博动医疗科技股份有限公司 一种主动脉瓣识别方法及装置、电子设备、存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100239148A1 (en) * 2009-03-18 2010-09-23 Siemens Corporation Method and System for Automatic Aorta Segmentation
US20110222750A1 (en) * 2010-03-09 2011-09-15 Siemens Corporation System and method for guiding transcatheter aortic valve implantations based on interventional c-arm ct imaging
CN103093477A (zh) * 2013-02-08 2013-05-08 河北大学 一种基于食道超声的主动脉瓣快速分割方法
CN106327479A (zh) * 2016-09-23 2017-01-11 西安电子科技大学 血管造影中介下先心病术中血管辨识的装置及方法
CN107330888A (zh) * 2017-07-11 2017-11-07 中国人民解放军第三军医大学 基于cta图像的动态心脏各腔室分割方法
CN107451995A (zh) * 2017-07-26 2017-12-08 深圳先进技术研究院 在cta图像中提取心血管方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100239148A1 (en) * 2009-03-18 2010-09-23 Siemens Corporation Method and System for Automatic Aorta Segmentation
US20110222750A1 (en) * 2010-03-09 2011-09-15 Siemens Corporation System and method for guiding transcatheter aortic valve implantations based on interventional c-arm ct imaging
CN103093477A (zh) * 2013-02-08 2013-05-08 河北大学 一种基于食道超声的主动脉瓣快速分割方法
CN106327479A (zh) * 2016-09-23 2017-01-11 西安电子科技大学 血管造影中介下先心病术中血管辨识的装置及方法
CN107330888A (zh) * 2017-07-11 2017-11-07 中国人民解放军第三军医大学 基于cta图像的动态心脏各腔室分割方法
CN107451995A (zh) * 2017-07-26 2017-12-08 深圳先进技术研究院 在cta图像中提取心血管方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BOREK FOLDYNA ET AL.: "CT evaluation prior to transapical aortic valve replacement semi-automatic versus manual image segmentation", 《THE INTERNATIONAL JOURNAL OF CARDIOVASCULAR IMAGING》 *
郭怡婷: "基于改进主动轮廓模型的主动脉瓣B超图像分割算法", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111227930A (zh) * 2020-01-08 2020-06-05 西安马克医疗科技有限公司 一种针对二尖瓣反流及钙化狭窄的3d模型构建及制备方法
CN111227930B (zh) * 2020-01-08 2022-11-11 西安马克医疗科技有限公司 一种针对二尖瓣反流及钙化狭窄的3d模型构建及制备方法
CN111523549A (zh) * 2020-05-06 2020-08-11 沈阳先进医疗设备技术孵化中心有限公司 一种主动脉瓣评估方法、装置和计算机设备
CN111523549B (zh) * 2020-05-06 2023-09-29 沈阳先进医疗设备技术孵化中心有限公司 一种主动脉瓣评估方法、装置和计算机设备
CN112674872A (zh) * 2020-12-22 2021-04-20 中国人民解放军陆军军医大学 一种主动脉复合体解剖特征测量方法
CN112674872B (zh) * 2020-12-22 2021-07-06 中国人民解放军陆军军医大学 一种主动脉复合体解剖特征测量方法
CN113362327A (zh) * 2021-08-10 2021-09-07 杭州晟视科技有限公司 一种胸腔图像中的区域分割方法、装置、终端及存储介质
CN114663653A (zh) * 2022-05-16 2022-06-24 南京佗道医疗科技有限公司 一种医学影像感兴趣区域的窗位窗宽计算方法
CN114663653B (zh) * 2022-05-16 2022-08-12 南京佗道医疗科技有限公司 一种医学影像感兴趣区域的窗位窗宽计算方法
CN115429297A (zh) * 2022-09-29 2022-12-06 上海博动医疗科技股份有限公司 一种主动脉瓣识别方法及装置、电子设备、存储介质

Also Published As

Publication number Publication date
CN110570424B (zh) 2022-04-05

Similar Documents

Publication Publication Date Title
CN110570424B (zh) 一种基于cta动态影像的主动脉瓣半自动分割方法
Cousty et al. Segmentation of 4D cardiac MRI: Automated method based on spatio-temporal watershed cuts
US5889524A (en) Reconstruction of three-dimensional objects using labeled piecewise smooth subdivision surfaces
CN106097298B (zh) 基于球空间划分的冠状动脉自动分段与解剖学标记方法
US20150023577A1 (en) Device and method for determining physiological parameters based on 3d medical images
JP2007202957A (ja) 壁運動測定装置及び医用画像診断装置
CN112674872B (zh) 一种主动脉复合体解剖特征测量方法
Cheng et al. Airway segmentation and measurement in CT images
Jin et al. Left atrial appendage segmentation and quantitative assisted diagnosis of atrial fibrillation based on fusion of temporal-spatial information
Pouch et al. Automated segmentation and geometrical modeling of the tricuspid aortic valve in 3D echocardiographic images
Li et al. How to reconstruct 3D coronary arterial tree from two arbitrary views
Gao et al. Quantification of aortic annulus in computed tomography angiography: Validation of a fully automatic methodology
CN106780720B (zh) 医学图像显示方法及装置
Lang et al. Towards model-enhanced real-time ultrasound guided cardiac interventions
Larralde et al. Evaluation of a 3D segmentation software for the coronary characterization in multi-slice computed tomography
O’Donnell et al. Comprehensive cardiovascular image analysis using MR and CT at Siemens Corporate Research
CN110858412A (zh) 基于图像配准的心脏冠脉cta模型建立方法
CN113160116B (zh) 左心室内外膜自动分割方法、系统及设备
Ortuño et al. Automatic estimation of aortic and mitral valve displacements in dynamic CTA with 4D graph-cuts
Garcia et al. Coronary vein extraction in MSCT volumes using minimum cost path and geometrical moments
Lee et al. Comparative study of left ventricular low wall motion with scar tissue using 4d left ventricular cardiac images
Mairesse et al. Automatic measurement of the sinus of Valsalva by image analysis
Marone et al. Learning the lumen border using a convolutional neural networks classifier
Chen Analysis of Cardiovascular Disease using Cardiac Computed Tomography and Deep Learning
Bellemare et al. Structural method for tracking coronary arteries in coronary cineangiograms

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