CN111415335A - 血管标注方法和装置 - Google Patents
血管标注方法和装置 Download PDFInfo
- Publication number
- CN111415335A CN111415335A CN202010164856.8A CN202010164856A CN111415335A CN 111415335 A CN111415335 A CN 111415335A CN 202010164856 A CN202010164856 A CN 202010164856A CN 111415335 A CN111415335 A CN 111415335A
- Authority
- CN
- China
- Prior art keywords
- vessel
- image
- region
- blood vessel
- labeled
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 118
- 238000002372 labelling Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 36
- 210000000988 bone and bone Anatomy 0.000 claims description 42
- 238000013138 pruning Methods 0.000 claims description 14
- 230000008439 repair process Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000009877 rendering Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 208000006011 Stroke Diseases 0.000 description 5
- 230000002792 vascular Effects 0.000 description 5
- 208000032382 Ischaemic stroke Diseases 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 206010008190 Cerebrovascular accident Diseases 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 208000016988 Hemorrhagic Stroke Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000003143 atherosclerotic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 208000020658 intracerebral hemorrhage Diseases 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000011144 upstream manufacturing 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
- G06T7/0002—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
- G06T7/136—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
- G06T7/187—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
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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
- G06T2207/30016—Brain
-
- 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
-
- 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
- G06T2207/30204—Marker
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
本发明提供一种血管标注方法和装置,所述方法包括以下步骤:导入待标注的CT图像;在CT图像的感兴趣区域选择若干种子点,并利用区域增长法得到所要标注的血管区域;对所要标注的血管区域进行血管编辑,得到血管标注结果;根据血管标注结果生成相应的三维网格模型;将三维网格模型重投影至原CT图像,以得到血管轮廓。本发明能够对CT图像上的血管进行精确、有效的标注。
Description
技术领域
本发明涉及影像处理分析技术领域,具体涉及一种血管标注方法和一种头颈血管标注装置。
背景技术
脑卒中,又称脑血管意外,是一种脑血液循环障碍性疾病,其致死率仅次于心脏类疾病并且高于癌症。目前,我国的脑卒中发病和死亡率仍处于上升趋势,且罹患脑卒中后老年人的死亡率比年轻人增加一倍。脑卒中又分为缺血性和出血性脑卒中,其中缺血性脑卒中约占80%。缺血性卒中的主要原因之一则是头颈动脉粥样硬化易损斑块导致管腔狭窄、血流动力学改变。同时颈动脉作为颅内动脉的上游血管,是脑循环的主要供血动脉。因此,通过头颈动脉血管造影影像(CTA)进行头颈血管分割对于及时发现风险具有重要意义。
近年来,基于深度学习的算法在医学影像中得到了广泛的应用,其通过大量数据进行训练,能大大提高各类分割任务的准确性。然而,想要利用深度学习技术进行血管分割,首先需要对血管分割进行规范化的训练,显然,大量、准确的训练样本是必不可少的。训练样本一般时通过在已有的CT图像上对血管轮廓进行标注。通过将标注的血管轮廓作为正样本来对血管分割系统进行训练,使血管分割系统能够精确、高效地自动识别CT图像中的血管。而目前对于CT图像中血管的标注,尚缺少精确有效的实现策略。
发明内容
本发明为解决上述技术问题,提供了一种血管标注方法和装置,能够对CT图像上的血管进行精确、有效的标注,从而为血管分割系统提供准确的训练样本。
本发明采用的技术方案如下:
一种血管标注方法,包括以下步骤:导入待标注的CT图像;在所述CT图像的感兴趣区域选择若干种子点,并利用区域增长法得到所要标注的血管区域;对所述所要标注的血管区域进行血管编辑,得到血管标注结果;根据所述血管标注结果生成相应的三维网格模型;将所述三维网格模型重投影至原CT图像,以得到血管轮廓。
在导入待标注的CT图像后,还包括:对所述待标注的CT图像进行骨骼去除处理。
通过剪影法对所述待标注的CT图像进行骨骼去除处理。
所述待标注的CT图像包括平扫CTA图像和增强CTA图像,对所述待标注的CT图像进行骨骼去除处理包括:通过阈值法,保留所述平扫CTA图像中CT值大于设定值的区域,然后进行形态学操作以使骨骼区域更平滑;对骨骼区域进去取反操作,得到非骨骼区域的掩码;将所述非骨骼区域的掩码作用到所述增强CTA图像上,得到去骨后的增强CTA图像。
对所述所要标注的血管区域进行血管编辑包括血管修剪和血管修补。
其中,血管修剪包括在增强CTA图像上绘制多边形,并去除处在多边形内的标注。
其中,血管修补包括在增强CTA图像上选择丢失的血管区域的轮廓。
感兴趣区域的选择、血管修剪和血管修补逐层进行。
感兴趣区域的选择、血管修剪和血管修补跨层进行,中间层采用插值法实现。
一种血管标注装置,包括:图像导入模块,所述图像导入模块用于导入待标注的CT图像;区域增长模块,所述区域增长模块用于在所述CT图像的感兴趣区域选择若干种子点,并利用区域增长法得到所要标注的血管区域;血管编辑模块,所述血管编辑模块用于对所述所要标注的血管区域进行血管编辑,得到血管标注结果;模型生成模块,所述模型生成模块用于根据所述血管标注结果生成相应的三维网格模型;三维投影模块,所述三维投影模块用于将所述三维网格模型重投影至原CT图像,以得到血管轮廓。
本发明的有益效果:
本发明通过在CT图像的感兴趣区域选择若干种子点,利用区域增长法得到所要标注的血管区域,再对所要标注的血管区域进行血管编辑,得到血管标注结果,然后根据血管标注结果生成相应的三维网格模型,最后将三维网格模型重投影至原CT图像,以得到血管轮廓,由此,能够对CT图像上的血管进行精确、有效的标注,从而为血管分割系统提供准确的训练样本。
附图说明
图1为本发明实施例的血管标注方法的流程图;
图2为本发明一个实施例的骨骼去除处理示意图;
图3为本发明一个实施例的感兴趣区域选取示意图;
图4为本发明一个实施例的血管修剪示意图;
图5为本发明一个实施例的血管修补示意图;
图6为本发明一个实施例的三维网格模型示意图;
图7为本发明实施例的血管标注装置的方框示意图;
图8为本发明一个实施例的血管标注装置的方框示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例的血管标注方法包括以下步骤:
S1,导入待标注的CT图像。
其中,导入的CT图像包括平扫CTA图像和增强CTA图像。CT图像中包含血管区域,例如可包含冠脉血管,这类CT图像中不包含骨骼区域,也可包含头颈血管,这类CT图像中包含骨骼区域。
对于包含骨骼区域的CT图像,例如头颈CT图像,在本发明的实施例中,还可对待标注的CT图像进行骨骼去除处理。
在本发明的一个实施例中,可通过剪影法对待标注的CT图像进行骨骼去除处理。
在本发明的另一个实施例中,可通过阈值法,保留平扫CTA图像中CT值大于设定值,例如150的区域,然后进行形态学操作(膨胀和腐蚀)以使骨骼区域更平滑,再对骨骼区域进去取反操作,得到非骨骼区域的掩码,最后将非骨骼区域的掩码作用到增强CTA图像上,得到去骨后的增强CTA图像,如图2所示,左边为增强CTA图像,右边为去骨后的增强CTA图像。
在得到待标注的CT图像或去骨后的CT图像后,为防止后续区域增长法增长到无关血管,可手动选取感兴趣的血管标注区域,即粗选出感兴趣区域。在本发明的一个实施例中,感兴趣区域的选取可逐层进行。由于CTA多为薄层图像,如果逐层选取感兴趣区域,则十分耗时,为加速该过程,在本发明的另一个实施例中,感兴趣区域的选取还可跨层进行,然后中间层可通过插值法实现,如图3所示,左上角和右下角为选定的两个层面的感兴趣区域的轮廓,右上角和左下角是中间层面的插值结果。
S2,在CT图像的感兴趣区域选择若干种子点,并利用区域增长法得到所要标注的血管区域。
种子点可在感兴趣区域内随机选取,同时确定适当的CT值阈值范围(血管区域可能的CT值范围),然后利用区域增长法,通过种子点向周围扩散(三维,26邻域),得到所要标注的血管区域。
S3,对所要标注的血管区域进行血管编辑,得到血管标注结果。
血管编辑包括血管修剪和血管修补。
血管修剪是指去除多标记的血管部分,如其它非血管组织或非感兴趣的血管,具体主要包括在增强CTA图像上手动绘制多边形,并去除处在多边形内的标注。与感兴趣区域的选择相同,血管修剪可逐层进行,也可跨层进行,即跨层选择去除区域,中间层采用插值法。如图4所示,左边为选取的多边形去除区域,右边为去除多余血管的结果。
血管修补是指修复一些断裂的血管,将这些断裂部分给填充上,得到一根完整连续的血管,具体主要包括在增强CTA图像上选择丢失的血管区域的轮廓。同样地,血管修补可逐层进行,也可跨层进行,即跨层选择待修补的轮廓,中间层采用插值法。在本发明的一个实施例中,丢失的血管区域的轮廓的选取有三种方式:多边形绘制血管轮廓、椭圆拟合血管轮廓、根据阈值和联通性自适应选取轮廓。如图5所示,由左及右依次为原增强CTA图像、多边形绘制的血管轮廓、椭圆拟合的血管轮廓、根据阈值和联通性自适应选取的轮廓。
S4,根据血管标注结果生成相应的三维网格模型。
在本发明的一个实施例中,可利用Marching Cube算法,得到三维血管网格文件,三维网格模型及其局部放大图如图6所示。
S5,将三维网格模型重投影至原CT图像,以得到血管轮廓。
在得到血管的三维网格模型后,可以利用常用的三维编辑软件例如Meshlab,对三维血管网格进行平滑、去燥、补洞、增删等操作,得到质量更高的三维网格,然后再将编辑后的三维网格模型重投影回原始增强CTA图像,得到最终的血管轮廓。
根据本发明实施例的血管标注方法,通过在CT图像的感兴趣区域选择若干种子点,利用区域增长法得到所要标注的血管区域,再对所要标注的血管区域进行血管编辑,得到血管标注结果,然后根据血管标注结果生成相应的三维网格模型,最后将三维网格模型重投影至原CT图像,以得到血管轮廓,由此,能够对CT图像上的血管进行精确、有效的标注,从而为血管分割系统提供准确的训练样本。
对应上述实施例的血管标注方法,本发明还提出一种血管标注装置。
如图7所示,本发明实施例的血管标注装置包括图像导入模块10、区域增长模块20、血管编辑模块30、模型生成模块40和三维投影模块50。其中,图像导入模块10用于导入待标注的CT图像;区域增长模块20用于在CT图像的感兴趣区域选择若干种子点,并利用区域增长法得到所要标注的血管区域;血管编辑模块30用于对所要标注的血管区域进行血管编辑,得到血管标注结果;模型生成模块40用于根据血管标注结果生成相应的三维网格模型;三维投影模块50用于将三维网格模型重投影至原CT图像,以得到血管轮廓。
其中,图像导入模块10导入的CT图像包括平扫CTA图像和增强CTA图像。CT图像中包含血管区域,例如可包含冠脉血管,这类CT图像中不包含骨骼区域,也可包含头颈血管,这类CT图像中包含骨骼区域。
对于包含骨骼区域的CT图像,例如头颈CT图像,在本发明的实施例中,还可对待标注的CT图像进行骨骼去除处理。如图8所示,本发明一个实施例的血管标注装置还可包括骨骼去除模块60,用于对待标注的CT图像进行骨骼去除处理,得到去骨后的CT图像。
在本发明的一个实施例中,骨骼去除模块60可通过剪影法对待标注的CT图像进行骨骼去除处理。
在本发明的另一个实施例中,骨骼去除模块60可通过阈值法,保留平扫CTA图像中CT值大于设定值,例如150的区域,然后进行形态学操作(膨胀和腐蚀)以使骨骼区域更平滑,再对骨骼区域进去取反操作,得到非骨骼区域的掩码,最后将非骨骼区域的掩码作用到增强CTA图像上,得到去骨后的增强CTA图像,如图2所示,左边为增强CTA图像,右边为去骨后的增强CTA图像。
在得到待标注的CT图像或去骨后的CT图像后,为防止后续区域增长法增长到无关血管,可手动选取感兴趣的血管标注区域,即粗选出感兴趣区域。在本发明的一个实施例中,感兴趣区域的选取可逐层进行。由于CTA多为薄层图像,如果逐层选取感兴趣区域,则十分耗时,为加速该过程,在本发明的另一个实施例中,感兴趣区域的选取还可跨层进行,然后中间层可通过插值法实现,如图3所示,左上角和右下角为选定的两个层面的感兴趣区域的轮廓,右上角和左下角是中间层面的插值结果。
种子点可在感兴趣区域内随机选取,同时确定适当的CT值阈值范围(血管区域可能的CT值范围),然后区域增长模块20可利用区域增长法,通过种子点向周围扩散(三维,26邻域),得到所要标注的血管区域。
血管编辑模块30所进行的血管编辑包括血管修剪和血管修补。
血管修剪是指去除多标记的血管部分,如其它非血管组织或非感兴趣的血管,具体主要包括在增强CTA图像上手动绘制多边形,并去除处在多边形内的标注。与感兴趣区域的选择相同,血管修剪可逐层进行,也可跨层进行,即跨层选择去除区域,中间层采用插值法。如图4所示,左边为选取的多边形去除区域,右边为去除多余血管的结果。
血管修补是指修复一些断裂的血管,将这些断裂部分给填充上,得到一根完整连续的血管,具体主要包括在增强CTA图像上选择丢失的血管区域的轮廓。同样地,血管修补可逐层进行,也可跨层进行,即跨层选择待修补的轮廓,中间层采用插值法。在本发明的一个实施例中,丢失的血管区域的轮廓的选取有三种方式:多边形绘制血管轮廓、椭圆拟合血管轮廓、根据阈值和联通性自适应选取轮廓。如图5所示,由左及右依次为原增强CTA图像、多边形绘制的血管轮廓、椭圆拟合的血管轮廓、根据阈值和联通性自适应选取的轮廓。
在本发明的一个实施例中,模型生成模块40可利用Marching Cube算法,得到三维血管网格文件,三维网格模型及其局部放大图如图6所示。
在得到血管的三维网格模型后,可以利用常用的三维编辑软件例如Meshlab,对三维血管网格进行平滑、去燥、补洞、增删等操作,得到质量更高的三维网格,然后三维投影模块50可将编辑后的三维网格模型重投影回原始增强CTA图像,得到最终的血管轮廓。
根据本发明实施例的血管标注装置,通过在CT图像的感兴趣区域选择若干种子点,利用区域增长法得到所要标注的血管区域,再对所要标注的血管区域进行血管编辑,得到血管标注结果,然后根据血管标注结果生成相应的三维网格模型,最后将三维网格模型重投影至原CT图像,以得到血管轮廓,由此,能够对CT图像上的血管进行精确、有效的标注,从而为血管分割系统提供准确的训练样本。
在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种血管标注方法,其特征在于,包括以下步骤:
导入待标注的CT图像;
在所述CT图像的感兴趣区域选择若干种子点,并利用区域增长法得到所要标注的血管区域;
对所述所要标注的血管区域进行血管编辑,得到血管标注结果;
根据所述血管标注结果生成相应的三维网格模型;
将所述三维网格模型重投影至原CT图像,以得到血管轮廓。
2.根据权利要求1所述的血管标注方法,其特征在于,在导入待标注的CT图像后,还包括:
对所述待标注的CT图像进行骨骼去除处理。
3.根据权利要求2所述的血管标注方法,其特征在于,通过剪影法对所述待标注的CT图像进行骨骼去除处理。
4.根据权利要求2所述的血管标注方法,其特征在于,所述待标注的CT图像包括平扫CTA图像和增强CTA图像,对所述待标注的CT图像进行骨骼去除处理包括:
通过阈值法,保留所述平扫CTA图像中CT值大于设定值的区域,然后进行形态学操作以使骨骼区域更平滑;
对骨骼区域进去取反操作,得到非骨骼区域的掩码;
将所述非骨骼区域的掩码作用到所述增强CTA图像上,得到去骨后的增强CTA图像。
5.根据权利要求4所述的血管标注方法,其特征在于,对所述所要标注的血管区域进行血管编辑包括血管修剪和血管修补。
6.根据权利要求5所述的血管标注方法,其特征在于,其中,血管修剪包括在增强CTA图像上绘制多边形,并去除处在多边形内的标注。
7.根据权利要求6所述的血管标注方法,其特征在于,其中,血管修补包括在增强CTA图像上选择丢失的血管区域的轮廓。
8.根据权利要求7所述的血管标注方法,其特征在于,感兴趣区域的选择、血管修剪和血管修补逐层进行。
9.根据权利要求8所述的血管标注方法,其特征在于,感兴趣区域的选择、血管修剪和血管修补跨层进行,中间层采用插值法实现。
10.一种血管标注装置,其特征在于,包括:
图像导入模块,所述图像导入模块用于导入待标注的CT图像;
区域增长模块,所述区域增长模块用于在所述CT图像的感兴趣区域选择若干种子点,并利用区域增长法得到所要标注的血管区域;
血管编辑模块,所述血管编辑模块用于对所述所要标注的血管区域进行血管编辑,得到血管标注结果;
模型生成模块,所述模型生成模块用于根据所述血管标注结果生成相应的三维网格模型;
三维投影模块,所述三维投影模块用于将所述三维网格模型重投影至原CT图像,以得到血管轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010164856.8A CN111415335B (zh) | 2020-03-11 | 2020-03-11 | 血管标注方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010164856.8A CN111415335B (zh) | 2020-03-11 | 2020-03-11 | 血管标注方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111415335A true CN111415335A (zh) | 2020-07-14 |
CN111415335B CN111415335B (zh) | 2023-12-22 |
Family
ID=71492860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010164856.8A Active CN111415335B (zh) | 2020-03-11 | 2020-03-11 | 血管标注方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111415335B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160165A (zh) * | 2021-04-15 | 2021-07-23 | 强联智创(北京)科技有限公司 | 一种血管分割方法、装置以及设备 |
CN113344842A (zh) * | 2021-03-24 | 2021-09-03 | 同济大学 | 一种超声图像的血管标注方法 |
CN113538463A (zh) * | 2021-07-22 | 2021-10-22 | 强联智创(北京)科技有限公司 | 一种动脉瘤分割方法、装置以及设备 |
CN113870169A (zh) * | 2020-06-12 | 2021-12-31 | 杭州普健医疗科技有限公司 | 一种医学影像标注方法、介质及电子设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004201730A (ja) * | 2002-12-24 | 2004-07-22 | Hitachi Ltd | 複数方向の投影映像を用いた3次元形状の生成方法 |
CN102715906A (zh) * | 2011-01-20 | 2012-10-10 | 西门子公司 | 从c臂血管造影术的单扫描估算3d心脏运动的方法和系统 |
CN103876764A (zh) * | 2013-11-21 | 2014-06-25 | 沈阳东软医疗系统有限公司 | 一种血管显影方法及装置 |
CN106108925A (zh) * | 2015-05-04 | 2016-11-16 | 西门子保健有限责任公司 | 用于医学图像数据中全身骨移除和血管可视化的方法和系统 |
CN106296664A (zh) * | 2016-07-30 | 2017-01-04 | 上海联影医疗科技有限公司 | 血管提取方法 |
CN106327487A (zh) * | 2016-08-18 | 2017-01-11 | 苏州润心医疗科技有限公司 | 基于x射线冠脉造影图像的冠状动脉血流储备分数计算方法 |
CN106780477A (zh) * | 2016-12-30 | 2017-05-31 | 上海联影医疗科技有限公司 | 一种血流分析方法和系统 |
CN106887000A (zh) * | 2017-01-23 | 2017-06-23 | 上海联影医疗科技有限公司 | 医学图像的网格化处理方法及其系统 |
CN108210072A (zh) * | 2018-02-08 | 2018-06-29 | 扈玉华 | 基于mri和cta的脑组织及血管实体复合模型的制备方法 |
CN109509197A (zh) * | 2018-09-26 | 2019-03-22 | 沈阳东软医疗系统有限公司 | 一种分割感兴趣区域的方法、装置、设备及存储介质 |
CN110060261A (zh) * | 2019-04-17 | 2019-07-26 | 北京理工大学 | 一种基于光学相干层成像系统的血管分割方法 |
-
2020
- 2020-03-11 CN CN202010164856.8A patent/CN111415335B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004201730A (ja) * | 2002-12-24 | 2004-07-22 | Hitachi Ltd | 複数方向の投影映像を用いた3次元形状の生成方法 |
CN102715906A (zh) * | 2011-01-20 | 2012-10-10 | 西门子公司 | 从c臂血管造影术的单扫描估算3d心脏运动的方法和系统 |
CN103876764A (zh) * | 2013-11-21 | 2014-06-25 | 沈阳东软医疗系统有限公司 | 一种血管显影方法及装置 |
CN106108925A (zh) * | 2015-05-04 | 2016-11-16 | 西门子保健有限责任公司 | 用于医学图像数据中全身骨移除和血管可视化的方法和系统 |
CN106296664A (zh) * | 2016-07-30 | 2017-01-04 | 上海联影医疗科技有限公司 | 血管提取方法 |
CN106327487A (zh) * | 2016-08-18 | 2017-01-11 | 苏州润心医疗科技有限公司 | 基于x射线冠脉造影图像的冠状动脉血流储备分数计算方法 |
CN106780477A (zh) * | 2016-12-30 | 2017-05-31 | 上海联影医疗科技有限公司 | 一种血流分析方法和系统 |
CN106887000A (zh) * | 2017-01-23 | 2017-06-23 | 上海联影医疗科技有限公司 | 医学图像的网格化处理方法及其系统 |
CN108210072A (zh) * | 2018-02-08 | 2018-06-29 | 扈玉华 | 基于mri和cta的脑组织及血管实体复合模型的制备方法 |
CN109509197A (zh) * | 2018-09-26 | 2019-03-22 | 沈阳东软医疗系统有限公司 | 一种分割感兴趣区域的方法、装置、设备及存储介质 |
CN110060261A (zh) * | 2019-04-17 | 2019-07-26 | 北京理工大学 | 一种基于光学相干层成像系统的血管分割方法 |
Non-Patent Citations (4)
Title |
---|
J. SHENG, Y. MA, W. LIU AND Q. LIU: "Hybrid Cardiac Imaging Integrating Elliptical Orbit SPECT With CT", IEEE ACCESS, vol. 7, pages 184385 - 184397, XP011763243, DOI: 10.1109/ACCESS.2019.2960387 * |
X. FRANK, G. ALMEIDA: "Multiphase flow in the vascular system of wood: From microscopic exploration to 3-D Lattice Boltzmann experiments", INTERNATIONAL JOURNAL OF MULTIPHASE FLOW, vol. 36, no. 8, pages 599 - 607, XP027474831, DOI: 10.1016/j.ijmultiphaseflow.2010.04.006 * |
田沄, 周明全, 武仲科: "心脑血管三维分割研究进展", 机辅助设计与图形学学报, no. 24, pages 839 - 851 * |
薛维琴: "基于管状约束活动轮廓模型的血管分割方法研究", 中国学位论文全文数据库, pages 1 - 126 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113870169A (zh) * | 2020-06-12 | 2021-12-31 | 杭州普健医疗科技有限公司 | 一种医学影像标注方法、介质及电子设备 |
CN113344842A (zh) * | 2021-03-24 | 2021-09-03 | 同济大学 | 一种超声图像的血管标注方法 |
CN113160165A (zh) * | 2021-04-15 | 2021-07-23 | 强联智创(北京)科技有限公司 | 一种血管分割方法、装置以及设备 |
CN113538463A (zh) * | 2021-07-22 | 2021-10-22 | 强联智创(北京)科技有限公司 | 一种动脉瘤分割方法、装置以及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111415335B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111415335B (zh) | 血管标注方法和装置 | |
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 | |
CN107808156A (zh) | 感兴趣区域提取方法 | |
CN110796670B (zh) | 一种夹层动脉分割方法及装置 | |
CN104933756B (zh) | 三维冠状动脉分析模型的构建方法和系统 | |
CN107133959A (zh) | 一种快速的血管边界三维分割方法及系统 | |
US7580555B2 (en) | Using statistical process control (SPC) to demonstrate solution convergence in a technician guided segmentation system | |
CN111161241B (zh) | 一种肝脏图像识别方法、电子设备及存储介质 | |
CN110349143B (zh) | 一种确定管状组织感兴趣区的方法、装置、设备及介质 | |
CN114332013B (zh) | 基于肺动脉树分级的ct图像靶肺段识别方法 | |
CN112348883B (zh) | 血管介入手术中介入器械端点实时定位系统、方法、装置 | |
JP5105997B2 (ja) | 医用画像処理装置、医用画像診断装置、及びプログラム | |
CN115049807B (zh) | 肺部血管模型的建立方法、装置及服务器 | |
CN109886973A (zh) | 一种血管提取方法、装置及计算机可读存储介质 | |
CN110301900A (zh) | 动态灌注影像处理的定量分析方法及系统 | |
CN107689041A (zh) | 一种用于图像相似度比对的方法、装置及存储介质 | |
CN105513055A (zh) | Cta图像中分割组织的方法和装置 | |
CN110428431B (zh) | 一种心脏医学图像的分割方法、装置、设备及存储介质 | |
Zhao et al. | Automated coronary tree segmentation for x-ray angiography sequences using fully-convolutional neural networks | |
CN116310114A (zh) | 一种多任务标签模型的冠脉点云数据处理优化方法 | |
CN112669256B (zh) | 一种基于迁移学习的医学图像分割与显示方法 | |
CN113724264B (zh) | 图像分割方法、系统和可读存储介质 | |
CN110378868B (zh) | 基于ct序列的心包分割方法及从心包序列中心层切片粗略定位心包区域的方法 | |
CN114549523A (zh) | 基于单步深度网络的曲面体层图正中多生牙自动检测方法 | |
CN115908225A (zh) | 管状器官标注方法、管状器官标注结果修正方法及系统 |
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 |