CN111354008A - 基于局部特征的肝静脉门静脉分离方法及装置 - Google Patents
基于局部特征的肝静脉门静脉分离方法及装置 Download PDFInfo
- Publication number
- CN111354008A CN111354008A CN202010103306.5A CN202010103306A CN111354008A CN 111354008 A CN111354008 A CN 111354008A CN 202010103306 A CN202010103306 A CN 202010103306A CN 111354008 A CN111354008 A CN 111354008A
- Authority
- CN
- China
- Prior art keywords
- branch
- point
- vein
- points
- portal vein
- 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
- 210000003240 portal vein Anatomy 0.000 title claims abstract description 99
- 210000002989 hepatic vein Anatomy 0.000 title claims abstract description 88
- 238000000926 separation method Methods 0.000 title claims abstract description 59
- 230000011218 segmentation Effects 0.000 claims abstract description 39
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 37
- 210000004185 liver Anatomy 0.000 claims abstract description 28
- 238000004891 communication Methods 0.000 claims abstract description 17
- 230000017531 blood circulation Effects 0.000 claims abstract description 11
- 210000003462 vein Anatomy 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 230000002311 subsequent effect Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002440 hepatic effect Effects 0.000 claims description 4
- 238000002955 isolation Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 239000008280 blood Substances 0.000 claims description 2
- 210000004369 blood Anatomy 0.000 claims description 2
- 230000008602 contraction Effects 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010968 computed tomography angiography Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
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
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- 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
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
基于局部特征的肝静脉门静脉分离方法及装置,能够提高分离算法的稳定性并且避免不正确分割结果的影响,而且能够提高分离效果。这种基于局部特征的肝静脉门静脉分离方法,包括:(1)对给定的肝脏血管分割结果获得血管中心线,提取门静脉和肝静脉之间的连通路径,分析得到所有交叉点和分叉点;(2)利用局部特征计算权重获得断开点,达到分离目的;(3)根据血流方向对肝静脉和门静脉相交点进行分支补全,并基于分离的中心线重建出肝静脉和门静脉分割结果,便于后续的效果评估。
Description
技术领域
本发明涉及医学图像处理的技术领域,尤其涉及一种基于局部特征的肝静脉门静脉分离方法,以及基于局部特征的肝静脉门静脉分离装置。
背景技术
近年来,CT血管造影(CTA,CT Angiography)已广泛应用于血管可视化,但是由于图像噪声和部分体积效应,在CTA图像和随后的静脉血管分割结果中存在接触的肝脏和门静脉血管。然而对于肝脏手术来说,每个单独的静脉系统的信息都是必须的,所以确定个体门静脉和肝静脉对肝脏手术计划至关重要。而且任何类型的切除都需要剩余足够大部分的肝脏,并且这部分肝脏也一定要包括静脉系统在内的所有血管系统,以供应肝脏。因此,规划必须整合各个3D静脉系统的知识,以确定可以安全地与血液供应断开的肝脏区域,门静脉和肝脏树的识别和分离构成了常用的确定肝脏解剖结构的基础。
血管分离看似是一个简单的任务,但在实际上由于两个原因,这是非常具有挑战性的。首先,分割结果通常包含误差和变形从而导致肝静脉和门静脉在分割结果中出现相连的情况;其次就肝脏内部的解剖结构而言,门静脉和肝静脉系统自然地相互交织,出现环路。直接对分割结果进行处理,很难得到理想的结果,本文选择在血管中心线上进行分析,因为血管中心线能够更好地反应血管的拓扑结构。那么血管分离的任务就是正确分类血管枝,即判断血管枝的标签,是属于肝静脉还是属于门静脉。
传统的基于图的方法,如图割的方法,虽然在其他方面表现突出,但是并不适用于肝静脉和门静脉的分离任务,因为并没有考虑到血流方向,无法得到正确的肝静脉和门静脉分离结果。现有的分离方法还有基于局部外观,如角度,连通性和半径等因素来进行肝静脉和门静脉的分离。基于血管中心线的分离方法都是采用自上到下的方法进行的,即从根扩展到各个分支或是从各个分支追溯到各个根,例如(200)则是选定一个根节点,通过判断枝上离根节点最远的点并辅以半径约束,从根节点扩展到各个分支达到分离的目的,但是其在判断的时候主要以点距离根节点的距离和分支的平均半径作为约束条件来进行分离,同样没有考虑到血管的流向即血管枝的角度。还有人提出了基于分支结构的分离方法(Nonising Model),在得到血管中心线之后,将中心线转换成分支结构,为每个分支根据局部特征分配权重,通过递归地查找肝静脉根节点与门静脉根节点之间的最短路径并移除路径上权重最小的枝来达到去除相连区域的目的。与上面方法不同,其比较全面地考虑到了局部特征并且考虑到了血流方向的影响。但是对于断开点处,并未考虑其后续的连接问题,可能会导致分支不够全面。
除了这些的方法之外,还有采用非迭代方法来解决分离问题的方法,如王等人提出了一种简单但有效的算法,他们使用图像的强度信息来评估肝静脉和门静脉之间的连接路径从而达到分离的目的,但是该方法无法应对复杂的分离情况。
发明内容
为克服现有技术的缺陷,本发明要解决的技术问题是提供了一种基于局部特征的肝静脉门静脉分离方法,其能够提高分离算法的稳定性并且避免不正确分割结果的影响,而且能够提高分离效果。
本发明的技术方案是:这种基于局部特征的肝静脉门静脉分离方法,其包括以下步骤:
(1)对给定的肝脏血管分割结果获得血管中心线,提取门静脉和肝静脉之间的连通路径,分析得到所有交叉点和分叉点;
(2)利用局部特征计算权重获得断开点,达到分离目的;
(3)根据血流方向对肝静脉和门静脉相交点进行分支补全,并基于分离的中心线重建出肝静脉和门静脉分割结果,便于后续的效果评估。
本发明对给定的肝脏血管分割结果获得血管中心线,提取门静脉和肝静脉之间的连通路径,分析得到所有交叉点和分叉点,提高了分离算法的稳定性并且避免了不正确分割结果的影响;利用局部特征计算权重获得断开点,根据血流方向对肝静脉和门静脉相交点进行分支补全,提高了分离效果。
还提供了基于局部特征的肝静脉门静脉分离装置,其包括:
拓扑分析模块,其对给定的肝脏血管分割结果获得血管中心线,提取门静脉和肝静脉之间的连通路径,分析得到所有交叉点和分叉点;
分离模块,其利用局部特征计算权重获得断开点,达到分离目的;
血管分支补全及血管重建模块,其根据血流方向对肝静脉和门静脉相交点进行分支补全,并基于分离的中心线重建出肝静脉和门静脉分割结果,便于后续的效果评估。
附图说明
图1是根据本发明的基于局部特征的肝静脉门静脉分离方法的流程图。
图2示出了血管中心线上的四种点,其中图2a中包含了端点、普通点和分叉点,图2b中包含了交叉点。
图3是肝静脉与门静脉连通路径与断开点示意图,其中路径path={b1,b2,…,bm},断开点为所有分析点中C0最小的点,即图中Break Point。
具体实施方式
如图1所示,这种基于局部特征的肝静脉门静脉分离方法,其包括以下步骤:
(1)对给定的肝脏血管分割结果获得血管中心线,提取门静脉和肝静脉之间的连通路径,分析得到所有交叉点和分叉点;
(2)利用局部特征计算权重获得断开点,达到分离目的;
(3)根据血流方向对肝静脉和门静脉相交点进行分支补全,并基于分离的中心线重建出肝静脉和门静脉分割结果,便于后续的效果评估。
本发明对给定的肝脏血管分割结果获得血管中心线,提取门静脉和肝静脉之间的连通路径,分析得到所有交叉点和分叉点,提高了分离算法的稳定性并且避免了不正确分割结果的影响;利用局部特征计算权重获得断开点,根据血流方向对肝静脉和门静脉相交点进行分支补全,提高了分离效果。
优选地,所述步骤(1)中,对给定的分割结果S,进行骨架化处理提取中心线,提取中心线采用开源的工具库CGAL(The Computational Geometry Algorithms Library),其提取的中心线算法是基于mesh收缩所得到的,相比于细化等三维中心线提取方法而言,CGAL提取的中心线,更加平滑,对于复杂的拓扑结构,如相缠绕的血管枝,能够更加清晰地体现分支结构,而且与细化的方法相比,中心线更加平滑,后续计算分支角度也会更加准确。得到血管中心线后,将血管中心线表示成图G(V,E),V代表顶点,是中心线上所有点的集合,记为V={v1,v2,…,vn},n代表中心线上点的个数,v1∈R3;E代表边及点之间的连接关系,代表vi与vj相连,Eij=0代表vi与vj不相连
基于血管图G(V,E),根据点和连接关系,将中心线上的点分为四种:端点,其表示中心线上只有一个点与其相连;普通点,其表示中心线上有两个点与其相连;分叉点,其表示中心线上有三个点与其相连;交叉点,其表示中心线上有四个点与其相连;根据中心线上的点及其连接关系,将中心线用公式(1)来表示:
G={b1,…,bn} (1)
为了后续的分离工作,需要得到中心线上门静脉的根节点和肝静脉的根节点。初始门静脉和肝静脉的根节点由为原始医学图像上肝静脉和门静脉入口点。但是在实际情况中,由于医学图像的重建算法,经常会导致肝静脉在根部发生断裂,导致肝静脉部分变成两个部分。但是这两部分都可能发生与门静脉相交的情况,因此需要对断裂的两部分肝静脉进行断裂修复,所以优选地,所述步骤(1)中,选定门静脉起始点VP和肝静脉两个初始点VH1、VH2;对于中心线上所有的点,分别计算到VP、VH1和VH2的距离,取其中距离最小的点作为中心线上肝静脉和门静脉的点,因为距离最小的点不一定是中心线的端点,而根节点应该是端点,即中心线上只有一个点与其相连,该点作为点R。更具体地说,人工选定门静脉和肝静脉的根节点,但是这两个点并不是中心线上的点,所以查找到对应的中心线上的点就是点R,因为根节点必须是端点,所以对应的还需要再根据R进一步得到中心线上肝静脉和门静脉端点。即,沿血管中心线查找,找到距离R点最近的端点作为门静脉和肝静脉的根节点,记为RP、RH1和RH2,在中心线的拓扑图上将RH1和RH2设置成连接关系,并合并两点,得到肝静脉端点记为RH。
优选地,所述步骤(2)中,对于特定的血管连通路径,基于分支半径、血管方向、到根节点之间的距离、在图像中的灰度四个判断依据来进行计算,分别用CR、CA、CD、CI来表示;对于每一个待分析点v来说,其在路径p上均有父枝和子枝,定义每一个待分析的点都有两个枝与其相连,靠近门静脉根节点的枝为父枝,另一个枝为子枝。
优选地,所述步骤(2)中分支半径为公式(2)
其中r(f)和r(c)分别代表父枝和子枝的平均半径,半径的计算是通过计算中心线到分割结果的最短距离所得到的,同时在计算平均半径时刨除分叉点的半径;CR值越小,代表父枝和子枝的半径越小,属于不同标签的可能性越大;
所述步骤(2)中血管方向为公式(2):
其中LSQ(·)代表利用最小二乘法拟合出来的血管枝的方向向量,<·,·>表示父枝和子枝的方向向量做内积运算,Bf和Bc分别代表父枝和子枝上沿待分析点v方向上点的集合,具体表示为公式(4)-(6):
Bf={vf1,vf2,…,vfm} (4)
Bc={vc1,vc2,…,vcm} (5)
vf1=vc1 (6)
父枝子枝分别用公式(-)和(-)来表示,分枝集合起始点相同;CA值越大,代表父枝和子枝属于不同标签的可能性越大;
所述步骤(2)中到根节点之间的距离为公式(7):
CD(v)=min(d(rp,v),d(rh,v)) (7)
其中d(rp,v)和d(rh,v)分别代表待分析点v到门静脉根节点的距离和待分析点到肝静脉根节点的距离;对于每个待分析点,选取d(rp,v)和d(rh,v)中的最小值作为待分析点到根节点的距离;CD值越大,代表父枝和子枝属于不同标签的可能性越大;
所述步骤(2)中在图像中的灰度为公式(8):
其中I(Bfk)和I(Bck)分别代表父枝和子枝上第k个点的图像强度,I(v)表示父枝和子枝的平均强度;CI值越小,代表父枝和子枝属于不同标签的可能性更大。
优选地,所述步骤(2)中,得到这四种判断依据之后,进行归一化操作,分别将其归一化到[0,1]范围上;对于不同的判据,采取不同的归一化准则;
对于CR和CI,其归一化准则为公式(9):
对于CA和CD,其归一化准则为公式(10):
经过归一化过程之后,计算出的值越小,父枝和子枝越有可能来自不同的标签。
优选地,所述步骤(2)中,在血管中心线上寻找门静脉端点RP和肝静脉端点RH之间的最短路径,记为与Nonising方法不同,本文所提方法不分析路径上所有的点,主要分析路径上的交叉点和分叉点,这将很大程度地提升算法的速度。从解剖学上来看,血管正常的拓扑结构基本上是不会出现一个点与三个以上的点与其相连的(当分割结果不够好的时候中心线上也可能出现这种情况),也就是交叉点的情况,所以连通路径p来说我们认为门静脉与肝静脉相交叉的点有很大概率是分叉点和交叉点,针对不同的情况有不同的分离策略:
(I)如果路径上出现两个以上的交叉点,断开的点有很大概率出现在交叉点里,根据公式(11)计算每个交叉点对应的断开的概率
C0(v)=λICI(v)+λACA(v)+λDCD(v)+λRCR(v) (11)
其中CI、CA、CD和CR分别是上一节求得的强度、角度、距离和半径判据,λI、λA、λD和λR代表不同判据对应的比重;权重全部都设置为1;
(II)如果路径上只有一个交叉点或者没有交叉点,则综合考虑路径上的交叉点和分岔点,点的概率按公式(11)计算;
(III)如果路径中没有交叉点,断开的点有很大概率出现在交叉点里,根据公式(11)计算出路径中的所有分叉点;
所有分析点中C0值最小的点为待断开点,断开该点的所有连接关系。
优选地,所述步骤(3)中,利用角度信息来进行分支的连接;在父枝上选取一个点vb,则父枝的方向向量为:在子枝上选取一个点vc,则子枝的角度为:查找包含点v0的除去父枝和子枝的所有分支,记为分支集P={B1,B2,…,Bk};对分支集中的每个分支Bi,在其上选取一个点vi并计算角度通过公式(12)计算分支Bi与父枝Bf的角度
其中<·,·>表示分支和父枝的方向向量做内积运算,|·|表示对方向向量求模;
分支Bi与子枝Bc的角度为公式(13):
优选地,所述步骤(3)中,连接操作完成之后,再次查看血管中心线上门静脉端点RP和肝静脉端点RH之间是否存在路径,以避免新连接的枝上出现新的连接点;如果还存在路径,则继续进行分离和连接枝的步骤,直到门静脉端点RP和肝静脉端点RH之间不再存在连通通路径;当门静脉和肝静脉之间不再存在连通路径时,整个分离过程结束,分别得到门静脉上所有点和肝静脉上所有点,用根节点RP和RH为起始点来表示为公式(15)、(16):
得到的中心线结果和记为BR={B1,B2},其中B1代表门静脉的所有分支,B2代表肝静脉的所有分支;重建得到对应的门静脉分割结果和肝静脉分割结果,采用最近邻近似NNSA来得到对应的肝静脉和门静脉的分割结果,对于分割结果上的每一个像素点voxel来说,通过公式(17)分别计算voxel与分支集Bi的最短距离di:
其中v′是分支集BR中Bi上的点,通过公式(18)计算voxel与分支的最短距离来判断其属于门静脉或是肝静脉:
其中l代表该体素voxel的标签,p代表门静脉,h代表肝静脉,从而得到分离的肝静脉和门静脉的分割结果,分别记为SH={voxel∈S|l=h},SP={voxel∈S|l=p}。
本领域普通技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,包括上述实施例方法的各步骤,而所述的存储介质可以是:ROM/RAM、磁碟、光盘、存储卡等。因此,与本发明的方法相对应的,本发明还同时包括一种基于局部特征的肝静脉门静脉分离装置,该装置通常以与方法各步骤相对应的功能模块的形式表示。该装置包括:
拓扑分析模块,其对给定的肝脏血管分割结果获得血管中心线,提取门静脉和肝静脉之间的连通路径,分析得到所有交叉点和分叉点;
分离模块,其利用局部特征计算权重获得断开点,达到分离目的;
血管分支补全及血管重建模块,其根据血流方向对肝静脉和门静脉相交点进行分支补全,并基于分离的中心线重建出肝静脉和门静脉分割结果,便于后续的效果评估。
本发明的有益效果如下:
1)提出了一种新的基于局部特征的肝静脉门静脉分离算法,针对分离的不同情况采用不同的分离策,提高了分离算法的稳定性并且避免了不正确分割结果的影响。
2)在断开连接处的基础上,加入了基于血管流动方向的补枝操作,提高了分离效果。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属本发明技术方案的保护范围。
Claims (10)
1.基于局部特征的肝静脉门静脉分离方法,其特征在于:其包括以下步骤:
(1)对给定的肝脏血管分割结果获得血管中心线,提取门静脉和肝静脉之间的连通路径,分析得到所有交叉点和分叉点;
(2)利用局部特征计算权重获得断开点,达到分离目的;
(3)根据血流方向对肝静脉和门静脉相交点进行分支补全,并基于分离的中心线重建出肝静脉和门静脉分割结果,便于后续的效果评估。
2.根据权利要求1所述的基于局部特征的肝静脉门静脉分离方法,其特征在于:所述步骤(1)中,对给定的分割结果S,进行骨架化处理提取中心线,提取中心线采用开源的工具库CGAL,其提取的中心线算法是基于mesh收缩所得到的,得到血管中心线后,将血管中心线表示成图G(V,E),V代表顶点,是中心线上所有点的集合,记为V={v1,v2,…,vn},n代表中心线上点的个数,v1∈R3;E代表边及点之间的连接关系,代表vi与vj相连,Eij=0代表vi与vj不相连基于血管图G(V,E),根据点和连接关系,将中心线上的点分为四种:端点,其表示中心线上只有一个点与其相连;普通点,其表示中心线上有两个点与其相连;分叉点,其表示中心线上有三个点与其相连;交叉点,其表示中心线上有四个点与其相连;根据中心线上的点及其连接关系,将中心线用公式(1)来表示:
G={b1,…,bn} (1)
4.根据权利要求3所述的基于局部特征的肝静脉门静脉分离方法,其特征在于:所述步骤(2)中,对于特定的血管连通路径,基于分支半径、血管方向、到根节点之间的距离、在图像中的灰度四个判断依据来进行计算,分别用CR、CA、CD、CI来表示;对于每一个待分析点v来说,其在路径p上均有父枝和子枝,定义每一个待分析的点都有两个枝与其相连,靠近门静脉根节点的枝为父枝,另一个枝为子枝。
5.根据权利要求4所述的基于局部特征的肝静脉门静脉分离方法,其特征在于:所述步骤(2)中分支半径为公式(2)
其中r(f)和r(c)分别代表父枝和子枝的平均半径,半径的计算是通过计算中心线到分割结果的最短距离所得到的,同时在计算平均半径时刨除分叉点的半径;CR值越小,代表父枝和子枝的半径越小,属于不同标签的可能性越大;
所述步骤(2)中血管方向为公式(2):
其中LSQ(·)代表利用最小二乘法拟合出来的血管枝的方向向量,<·,·>表示父枝和子枝的方向向量做内积运算,Bf和Bc分别代表父枝和子枝上沿待分析点v方向上点的集合,具体表示为公式(4)-(6):
Bf={vf1,vf2,…,vfm} (4)
Bc={vc1,vc2,…,vcm} (5)
vf1=vc1 (6)
父枝子枝分别用公式(-)和(-)来表示,分枝集合起始点相同;CA值越大,代表父枝和子枝属于不同标签的可能性越大;
所述步骤(2)中到根节点之间的距离为公式(7):
CD(v)=min(d(rp,v),d(rh,v)) (7)
其中d(rp,v)和d(rh,v)分别代表待分析点v到门静脉根节点的距离和待分析点到肝静脉根节点的距离;对于每个待分析点,选取d(rp,v)和d(rh,v)中的最小值作为待分析点到根节点的距离;CD值越大,代表父枝和子枝属于不同标签的可能性越大;
所述步骤(2)中在图像中的灰度为公式(8):
其中I(Bfk)和I(Bck)分别代表父枝和子枝上第k个点的图像强度,I(v)表示父枝和子枝的平均强度;CI值越小,代表父枝和子枝属于不同标签的可能性更大。
7.根据权利要求6所述的基于局部特征的肝静脉门静脉分离方法,其特征在于:所述步骤(2)中,在血管中心线上寻找门静脉端点RP和肝静脉端点RH之间的最短路径,记为分析路径上的交叉点和分叉点,针对以下情况采取分离策略:
(I)如果路径上出现两个以上的交叉点,断开的点有很大概率出现在交叉点里,根据公式(11)计算每个交叉点对应的断开的概率
C0(v)=λICI(v)+λACA(v)+λDCD(v)+λRCR(v) (11)
其中CI、CA、CD和CR分别是上一节求得的强度、角度、距离和半径判据,λI、λA、λD和λR代表不同判据对应的比重;权重全部都设置为1;
(II)如果路径上只有一个交叉点或者没有交叉点,则综合考虑路径上的交叉点和分岔点,点的概率按公式(11)计算;
(III)如果路径中没有交叉点,断开的点有很大概率出现在交叉点里,根据公式(11)计算出路径中的所有分叉点;
所有分析点中C0值最小的点为待断开点,断开该点的所有连接关系。
9.根据权利要求8所述的基于局部特征的肝静脉门静脉分离方法,其特征在于:所述步骤(3)中,连接操作完成之后,再次查看血管中心线上门静脉端点RP和肝静脉端点RH之间是否存在路径,以避免新连接的枝上出现新的连接点;如果还存在路径,则继续进行分离和连接枝的步骤,直到门静脉端点RP和肝静脉端点RH之间不再存在连通通路径;当门静脉和肝静脉之间不再存在连通路径时,整个分离过程结束,分别得到门静脉上所有点和肝静脉上所有点,用根节点RP和RH为起始点来表示为公式(15)、(16):
得到的中心线结果和记为BR={B1,B2},其中B1代表门静脉的所有分支,B2代表肝静脉的所有分支;重建得到对应的门静脉分割结果和肝静脉分割结果,采用最近邻近似NNSA来得到对应的肝静脉和门静脉的分割结果,对于分割结果上的每一个像素点voxel来说,通过公式(17)分别计算voxel与分支集Bi的最短距离di:
其中v′是分支集BR中Bi上的点,通过公式(18)计算voxel与分支的最短距离来判断其属于门静脉或是肝静脉:
其中l代表该体素voxel的标签,p代表门静脉,h代表肝静脉,从而得到分离的肝静脉和门静脉的分割结果,分别记为SH={voxel∈S|l=h},SP={voxel∈S|l=p}。
10.基于局部特征的肝静脉门静脉分离装置,其特征在于:其包括:
拓扑分析模块,其对给定的肝脏血管分割结果获得血管中心线,提取门静脉和肝静脉之间的连通路径,分析得到所有交叉点和分叉点;
分离模块,其利用局部特征计算权重获得断开点,达到分离目的;
血管分支补全及血管重建模块,其根据血流方向对肝静脉和门静脉相交点进行分支补全,并基于分离的中心线重建出肝静脉和门静脉分割结果,便于后续的效果评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103306.5A CN111354008B (zh) | 2020-02-19 | 2020-02-19 | 基于局部特征的肝静脉门静脉分离方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103306.5A CN111354008B (zh) | 2020-02-19 | 2020-02-19 | 基于局部特征的肝静脉门静脉分离方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111354008A true CN111354008A (zh) | 2020-06-30 |
CN111354008B CN111354008B (zh) | 2023-11-14 |
Family
ID=71194051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010103306.5A Active CN111354008B (zh) | 2020-02-19 | 2020-02-19 | 基于局部特征的肝静脉门静脉分离方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111354008B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192604A (zh) * | 2021-03-19 | 2021-07-30 | 杭州臻合健康科技有限公司 | 基于流域分析的肝脏分段系统及其操作方法 |
CN113409241A (zh) * | 2020-10-29 | 2021-09-17 | 联想(北京)有限公司 | 一种图像处理方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050110791A1 (en) * | 2003-11-26 | 2005-05-26 | Prabhu Krishnamoorthy | Systems and methods for segmenting and displaying tubular vessels in volumetric imaging data |
CN101393644A (zh) * | 2008-08-15 | 2009-03-25 | 华中科技大学 | 一种肝门静脉血管树建模方法及其系统 |
CN106469453A (zh) * | 2016-09-12 | 2017-03-01 | 同济大学 | 一种三维可视化展示及属性测量的肝脏功能区域诠析方法 |
CN110176004A (zh) * | 2019-04-24 | 2019-08-27 | 艾瑞迈迪科技石家庄有限公司 | 一种肝脏分段方法和系统 |
-
2020
- 2020-02-19 CN CN202010103306.5A patent/CN111354008B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050110791A1 (en) * | 2003-11-26 | 2005-05-26 | Prabhu Krishnamoorthy | Systems and methods for segmenting and displaying tubular vessels in volumetric imaging data |
CN101393644A (zh) * | 2008-08-15 | 2009-03-25 | 华中科技大学 | 一种肝门静脉血管树建模方法及其系统 |
CN106469453A (zh) * | 2016-09-12 | 2017-03-01 | 同济大学 | 一种三维可视化展示及属性测量的肝脏功能区域诠析方法 |
CN110176004A (zh) * | 2019-04-24 | 2019-08-27 | 艾瑞迈迪科技石家庄有限公司 | 一种肝脏分段方法和系统 |
Non-Patent Citations (4)
Title |
---|
MIAO LIAO ETC.: "Efficient liver segmentation in CT images based on graph cuts and bottleneck detection", PHYSICA MEDICA * |
THOMAS O’DONNELL ETC.: "Venous Tree Separation in the Liver: Graph Partitioning Using a Non-ising Model", IPMI * |
文辉;陈宇飞;王志成;赵晓东;岳晓冬;: "基于层级血管树的肝脏分段方法", 计算机应用 * |
王雪虎等: "结合形变优化与三角剖分的CT 图像肝脏分割", 计算机辅助设计与图形学学报 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409241A (zh) * | 2020-10-29 | 2021-09-17 | 联想(北京)有限公司 | 一种图像处理方法、装置及存储介质 |
CN113192604A (zh) * | 2021-03-19 | 2021-07-30 | 杭州臻合健康科技有限公司 | 基于流域分析的肝脏分段系统及其操作方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111354008B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116051580A (zh) | 一种血管分离方法及系统 | |
CN112884826B (zh) | 血管中心线的提取方法及装置 | |
Wegner et al. | A higher-order CRF model for road network extraction | |
Panagiotakis et al. | Natural image segmentation based on tree equipartition, bayesian flooding and region merging | |
CN101393644B (zh) | 一种肝门静脉血管树建模方法及其系统 | |
CN108022251B (zh) | 一种管状结构的中心线的提取方法及系统 | |
CN108073918B (zh) | 眼底视网膜的血管动静脉交叉压迫特征提取方法 | |
US10853948B2 (en) | Method for automatically detecting systemic arteries in arbitrary field-of-view computed tomography angiography (CTA) | |
WO2008097520A2 (en) | System and method for computer aided detection of pulmonary embolism in tobogganing in ct angiography | |
CN112700490B (zh) | 一种基于最大半径搜索的冠脉中心线生成方法及装置 | |
CN111354008A (zh) | 基于局部特征的肝静脉门静脉分离方法及装置 | |
WO2011093921A1 (en) | Automated vascular region separation in medical imaging | |
Zhao et al. | Retinal vascular junction detection and classification via deep neural networks | |
CN116524548B (zh) | 血管结构信息提取方法、装置及存储介质 | |
Chen et al. | Spherical-patches extraction for deep-learning-based critical points detection in 3D neuron microscopy images | |
Basu et al. | Reconstructing neuronal morphology from microscopy stacks using fast marching | |
CN114359284B (zh) | 用于对视网膜眼底图像进行分析的方法及其相关产品 | |
CN112733953B (zh) | 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 | |
CN110688503B (zh) | 一种树形结构图像的对象分离处理方法及装置 | |
CN108537802A (zh) | 一种血管分割方法及装置 | |
CN111739026B (zh) | 一种基于血管中心线的黏连割除方法及装置 | |
Babin et al. | Pixel profiling for extraction of arteriovenous malformation in 3-D CTA images | |
Novikov et al. | Automated anatomy-based tracking of systemic arteries in arbitrary field-of-view CTA scans | |
Fang et al. | A multi-scale cell segmentation method for detecting hematological disorders | |
Dulau et al. | Ensuring a connected structure for Retinal Vessels Deep-Learning Segmentation |
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 |