CN111640102A - 动脉瘤检测方法、装置以及计算机设备 - Google Patents

动脉瘤检测方法、装置以及计算机设备 Download PDF

Info

Publication number
CN111640102A
CN111640102A CN202010477162.XA CN202010477162A CN111640102A CN 111640102 A CN111640102 A CN 111640102A CN 202010477162 A CN202010477162 A CN 202010477162A CN 111640102 A CN111640102 A CN 111640102A
Authority
CN
China
Prior art keywords
blood vessel
point
section
determining
central line
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
CN202010477162.XA
Other languages
English (en)
Other versions
CN111640102B (zh
Inventor
石贇
符伟国
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.)
Shenzhen Raysight Intelligent Medical Technology Co Ltd
Original Assignee
Zhongshan Hospital Fudan 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 Zhongshan Hospital Fudan University filed Critical Zhongshan Hospital Fudan University
Priority to CN202010477162.XA priority Critical patent/CN111640102B/zh
Publication of CN111640102A publication Critical patent/CN111640102A/zh
Application granted granted Critical
Publication of CN111640102B publication Critical patent/CN111640102B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/13—Edge detection
    • 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)
  • 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)
  • Image Analysis (AREA)

Abstract

本发明涉及一种动脉瘤检测方法、装置以及计算机设备，所述方法包括截取待测血管中心线上各点对应的血管截面；提取所述血管截面上的血管边缘；根据所述血管边缘确定所述待测血管的狭窄率。通过中心线能够使测量的血管截面和实际血管截面在倾斜度上保持一致，因此能够提高血管截面的截取精度，从而提高了血管边缘的提取精度，保证了待测血管狭窄率的检测精度，最终提高了动脉瘤的预判精度。

Description

动脉瘤检测方法、装置以及计算机设备
技术领域
本发明涉及医疗影像领域，尤其涉及一种动脉瘤检测方法、装置以及计算机设备。
背景技术
动脉瘤指动脉管壁永久性局限性扩张超过正常血管直径的50％，一般腹主动脉直径＞3cm可诊断腹主动脉瘤。破裂性腹主动脉瘤的死亡率高达90％，目前公认瘤体直径＞5cm时需行手术治疗。在实际情况下，狭窄率和动脉瘤存在一定的关联关系，通过检测血管的狭窄率能够辅助判断动脉瘤是否存在，从而提高动脉瘤的检测精度。在现有技术中，一般采用主视图的方式从上往下水平截取血管截面，由于血管在不同位置的弯曲度不同，弯曲度越大，实际血管截面的倾斜度越大，导致水平截取的血管截面与实际血管截面的误差较大，从而影响狭窄率的检测精度，最终导致动脉瘤的预判精度低。
发明内容
本发明的主要目的在于提供一种动脉瘤检测方法、装置以及计算机设备，旨在解决现有技术中动脉瘤的预判精度低的技术问题。
本申请实施例提供了一种动脉瘤检测方法，该方法包括：截取待测血管中心线上各点对应的血管截面；提取所述血管截面上的血管边缘；根据所述血管边缘确定所述待测血管的狭窄率。
其中，所述截取待测血管中心线上各点的血管截面包括：生成垂直于中心线上各点切线对应的法平面；以所述中心线上各点为中心，在所述法平面上等间距选取采样点，从而形成血管截面。
其中，所述在所述法平面上等间距选取采样点包括：所述采样点的值采用三线性插值获得，所述三线性差值的计算公式如下：
xd＝(x-x0)/(x1-x0)；
yd＝(y-y0)/(y1-y0)；
zd＝(z-z0)/(z1-z0)；
c＝c000(1-x0)(1-y0)(1-z0)+c100xd(1-y0)(1-z0)+c010(1-x0)yd(1-z0)+
c001(1-x0)(1-y0)zd+c101xd(1-y0)zd+c011(1-x0)ydzd+c110xdyd(1-z0)+c111xdydzd；
其中，c为采样点，坐标(x，y，z)为c，(xd，yd，zd)表示原始影像坐标系中采样点c分别较x、y、z轴方向的距离权重，(x0，y0，z0)为坐标相对最小的点，(x1，y1，z1)为坐标相对最大的点，c000、c100、c010、c001、c101、c011、c110和c111表示原始影像坐标系中位于插值点c附近的像素点。
其中，所述根据所述血管边缘确定所述待测血管的狭窄率包括：确定所述中心线上各点对应的血管截面的最大径和最小径；根据所述最大径和所述最小径确定所述待测血管的极值点；根据离极值点两侧最近的二阶导数为0的两点确定所述极值点的狭窄率，其中，所述两点均在中心线上。
其中，所述确定所述中心线上各点血管截面的最大径和最小径包括：任取经过所述中心线其中一点且相交于所述血管边缘的两点，并计算两点之间的距离；将所述距离添加到距离集合中；选取所述距离集合中的最大值和最小值，分别作为该点血管截面的最大径和最小径。
其中，所述根据离极值点两侧最近的二阶导数为0的两点确定所述极值点的狭窄率包括：确定离极值点两侧最近的二阶导数为0的两点s1和s2；分别确定s1和s2的最大径和最小径；所述极值点的狭窄率的计算公式如下：
N＝[(u11+u21)/2v1-1+(u12+u22)/2v2-1]/2；
其中，N为极值点的狭窄率，u11为s1的最大径，u22为s2的最小径，v1为极值点的最大径，u12为s1的最小径，u21为s2的最大径，v2为极值点的最小径。
其中，所述方法还包括：确定医学影像平面中灰度共生矩阵和窗宽窗位的函数关系；根据所述函数关系获得并设置原始医学影像各个平面的窗宽窗位。
其中，所述确定医学影像平面中灰度共生矩阵和窗宽窗位的函数关系包括：截取原始医学影像的多组数据，其中，每组数据包括医学影像平面数据及对应的窗宽窗位；生成所述医学影像平面数据的灰度共生矩阵；获得所述灰度共生矩阵的特征量；根据非线性拟合确定多组数据中所述特征量和所述窗宽窗位的函数关系。
其中，所述方法还包括：迭代所述中心线上的各点，并提取各点对应的血管截面；将各个血管截面以中心线为基准依次进行拼接，获得初始拉直图像。
本申请实施例提供了一种动脉瘤检测装置，该装置包括：截取模块，用于截取待测血管中心线上各点对应的血管截面；提取模块，用于提取所述血管截面上的血管边缘；确定模块，用于根据所述血管边缘确定所述待测血管的狭窄率。
本申请实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述动脉瘤检测方法的步骤。
与现有技术相比，本发明具有以下有益效果：
在本实施例中，通过中心线能够使测量的血管截面和实际血管截面在倾斜度上保持一致，因此能够提高血管截面的截取精度，从而提高了血管边缘的提取精度，保证了待测血管狭窄率的检测精度，最终提高了动脉瘤的预判精度。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域技术人员来讲，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的附图。
图1是本发明动脉瘤检测方法的流程示意图。
图2a是本发明血管截面的示意图；图2b是本发明卷积核的示意图；图2c是本发明血管边缘的示意图。
图3是本发明血管截面截取步骤的流程示意图。
图4是本发明采样点选取的示意图。
图5是本发明狭窄率确定步骤的流程示意图。
图6是本发明最大径、最小径确定步骤的流程示意图。
图7是本发明狭窄率具体确定步骤的流程示意图。
图8是本发明设置窗宽窗位步骤的流程示意图。
图9是本发明动脉瘤检测装置的结构框图。
图10是本发明计算机设备的结构框图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，而非全部实施例。基于本发明中的实施例，本领域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，在一个实施例中，提供了一种动脉瘤检测方法，该方法具体包括如下步骤：
S100，截取待测血管中心线上各点对应的血管截面。
其中，待测血管的中心线是预先获取的，截取的血管截面和实际血管截面的倾斜度相近。具体的，血管中心线是由血管中心很多相邻(2-3个spacing)的点构成的点集，再由非线性拟合形成的空间曲线构成。以中心线上某个点为基点，求中心线在该点上的切线作为一个平面的法向量，且该平面过基点。所求得的平面为血管截面，该平面倾斜度为切线与医学影像坐标系下的夹角。
S200，提取所述血管截面上的血管边缘。
具体地，对所述血管截面进行卷积或者Hessian矩阵处理，从而获得血管边缘。
通过S102截取的血管截面以二维矩阵的形式存在，如图2a所示，血管截面包括背景和血管，其中，值为0的区域表示背景像素，值为1的区域表示血管管腔像素。选取一个3x3的卷积核(如图2b所示)对血管截面进行卷积处理，从而得到血管边缘(如图2c所示)，其中，血管边缘的值为1。
S300，根据所述血管边缘确定所述待测血管的狭窄率。
具体地，根据血管边缘即可获得经过中心线上各点的最大径和最小径，求出中心线上任意一点的最大径和最小径后，根据该方法即可求出中心线上的极值点，根据极值点即可确定待测血管狭窄处的狭窄率。
在本实施例中，通过中心线能够使测量的血管截面和实际血管截面在倾斜度上保持一致，因此能够提高血管截面的截取精度，从而提高了血管边缘的提取精度，保证了待测血管狭窄率的检测精度，最终提高了动脉瘤的预判精度。
在实际检测过程中，狭窄率大于某个阈值(如50％)且该狭窄处血管大于3cm(或相邻二阶导数为零的点，对应最大径超过5cm)，相邻二阶导数为零处可视为主动脉瘤。
如图3所示，S100具体包括以下内容：
S101，生成垂直于中心线上各点切线对应的法平面。
S102，以所述中心线上各点为中心，在所述法平面上等间距选取采样点，从而形成血管截面。
其中，所述血管截面的面积包括血管管腔像素和背景像素，如图2a所示，其中，值为0的区域表示背景像素，值为1的区域表示血管管腔像素。
发明人发现，现有的三线性插值总共需要进行28次加减运算，21次乘除运算。由于现有的计算公式复杂，导致运算效率低。在往体素中寻找位置和取值时需要花费大量的运算时间，对于大图像来说，花费的时间将更多。
如图4所示，在本实施例中，所述采样点的值采用改进后的三线性插值进行获取，所述三线性差值的计算公式如下：
xd＝(x-x0)/(x1-x0)；
yd＝(y-y0)/(y1-y0)；
zd＝(z-z0)/(z1-z0)；
c＝c000(1-x0)(1-y0)(1-z0)+c100xd(1-y0)(1-z0)+c010(1-x0)yd(1-z0)+
c001(1-x0)(1-y0)zd+c101xd(1-y0)zd+c011(1-x0)ydzd+c110xdyd(1-z0)+c111xdydzd；
其中，c为采样点，坐标(x，y，z)为c，(xd，yd，zd)表示原始影像坐标系中采样点c分别较x、y、z轴方向的距离权重，(x0，y0，z0)为坐标相对最小的点，(x1，y1，z1)为坐标相对最大的点，c000、c100、c010、c001、c101、c011、c110和c111表示原始影像坐标系中位于插值点c附近的像素点。
通过上述计算公式可知，经过改进后的三线性插值只需运算7次乘法和7次加法，该计算公式简单，运算效率高，从而大幅减少了运算花费的时间。
在本实施例中，通过三线性插值算法能够将原始医学影像上的数据映射到法平面上，使得测量的血管截面趋近于实际血管截面，从而提高了待测血管狭窄率的检测精度。
如图5所示，在本实施例中，S300具体包括以下内容：
S301，确定所述中心线上各点对应的血管截面中血管管腔的最大径和最小径。
举例说明，由于测量的血管截面不是规则的圆形，因此经过中心线上各点的直径并不相等，为了提高狭窄率的检测精度，需要确定中心线上各点血管截面的最大径和最小径。
S302，根据所述最大径和所述最小径确定所述待测血管的极值点。
具体地，对中心线上各点的最大径和最小径求导，再对求导后的最大径或者最小径求导，得到极值点，极值点是指血管比较狭窄的位置，因此极值点的数量有多个。
S303，根据离极值点两侧最近的二阶导数为0的两点确定所述极值点的狭窄率，其中，所述两点均在中心线上。
如图6所示，在本实施例中，S301具体包括以下内容：
S3011，任取经过所述中心线其中一点且相交于所述血管边缘的两点，并计算两点之间的距离。
其中，两点之间的距离可以理解为血管的直径，由于血管不是规则的圆形，因此两点之间的距离并不相等。
S3012，将所述距离添加到距离集合中。
S3013，选取所述距离集合中的最大值和最小值，分别作为该点血管截面中血管管腔的最大径和最小径。
如图7所示，在本实施例中，S303具体包括以下内容：
S3031，确定离极值点v两侧最近的二阶导数为0的两点s1和s2。
S3032，分别确定点s1和s2的最大径和最小径。
S3033，所述极值点v的狭窄率的计算公式如下：
N＝[(u11+u21)/2v1-1+(u12+u22)/2v2-1]/2；
其中，N为极值点v的狭窄率，u11为s1的最大径，u22为s2的最小径，v1为极值点v的最大径，u12为s1的最小径，u21为s2的最大径，v2为极值点v的最小径。
在本实施例中，由于极值点的狭窄率是根据离极值点两侧最近的二阶导数为0的两点作为参考获得的，并且在计算的过程中，结合极值点的最大径和最小径，因此获得的狭窄率具有较佳的鲁棒性(精度高)。
在本实施例中，该方法具体还包括如下步骤：
S400，确定医学影像平面中灰度共生矩阵和窗宽窗位的函数关系，根据所述函数关系获得并设置原始医学影像各个平面的窗宽窗位。
其中，该函数关系是通过预先测试得到的，通过测试大量的医学影像平面数据，从而使灰度共生矩阵和窗宽窗位形成一个函数关系。
举例说明，假如需要预估人的体重，预先准备100组数据，每组数据包括身高、胸围、腰围、臀围和体重，通过测试这100组数据，可以得到一个关于身高、胸围、腰围、臀围与体重的函数关系。通过获得待测人体的升高、胸围、腰围、臀围，并将获得的升高、胸围、腰围、臀围代入函数中即可预估待测人体的体重。在本实施例中，灰度共生矩阵相当于身高、胸围、腰围、臀围，窗宽窗位相当于体重。
在本实施例中，由于医学影像平面中的灰度共生矩阵可以实时获取，因此通过预先测试得到函数关系，即可获得原始医学影像各个平面的最佳窗宽窗位，使得观察者能够清晰的观察用户的血管，从而提高动脉瘤检测的准确性。
如图8所示，在本实施例中，S400具体包括以下内容：。
S401，截取原始医学影像的多组数据，其中，每组数据包括医学影像平面数据及对应的窗宽窗位。
具体地，从原始医学影像分别截取yoz、xoz、xoy平面的数据，构成三视图，其中，yoz平面对应图4中的左视图，xoz平面对应图4中的主视图，xoy平面对应图4中的俯视图。
S402，生成所述医学影像平面数据的灰度共生矩阵。
具体地，生成上述三视图的灰度共生矩阵。
S403，获得所述灰度共生矩阵的特征量。
其中，所述特征量包括对比度、相关度、能量、熵和自相关。
S404，根据非线性拟合确定多组数据中所述特征量和所述窗宽窗位的函数关系。
在本实施例中，该方法具体还包括如下步骤：
S500，迭代所述中心线上的各点，并提取各点对应的血管截面，将各个血管截面以中心线为基准依次进行拼接，获得初始拉直图像。
在本实施例中，通过中心线的方式能够提高血管截面的测量精度，从而提高了初始拉直图像的成像精度，使得观察者能够清晰的观察用户血管的直径，从而提高动脉瘤检测的准确性。
通过对所述初始拉直图像进行平滑处理，从而使最终拉直图像过渡均匀平滑，进一步提高动脉瘤检测的准确性。
优选的，采用高斯平滑滤波器进行平滑处理。
可选的，采用均值滤波器进行平滑处理。
应该理解的是，各流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
如图9所示，在一个实施例中，提供一种动脉瘤检测装置10，该装置具体包括以下内容：截取模块11、提取模块12、确定模块13。
截取模块11，用于截取待测血管中心线上各点对应的血管截面。
提取模块12，用于提取所述血管截面上的血管边缘。
确定模块13，用于根据所述血管边缘确定所述待测血管的狭窄率。
在本实施例中，截取模块11还用于生成垂直于中心线上各点切线对应的法平面；以所述中心线上各点为中心，在所述法平面上等间距选取采样点，从而形成血管截面。
在本实施例中，截取模块11还用于采用三线性插值获得采样点的值，所述三线性差值的计算公式如下：
xd＝(x-x0)/(x1-x0)；
yd＝(y-y0)/(y1-y0)；
zd＝(z-z0)/(z1-z0)；
c＝c000(1-x0)(1-y0)(1-z0)+c100xd(1-y0)(1-z0)+c010(1-x0)yd(1-z0)+
c001(1-x0)(1-y0)zd+c101xd(1-y0)zd+c011(1-x0)ydzd+c110xdyd(1-z0)+c111xdydzd；
其中，c为采样点，坐标(x，y，z)为c，(xd，yd，zd)表示原始影像坐标系中采样点c分别较x、y、z轴方向的距离权重，(x0，y0，z0)为坐标相对最小的点，(x1，y1，z1)为坐标相对最大的点，c000、c100、c010、c001、c101、c011、c110和c111表示原始影像坐标系中位于插值点c附近的像素点。
在本实施例中，提取模块12还用于对所述血管截面进行卷积或者Hessian矩阵处理，获得血管边缘。
在本实施例中，确定模块13还用于确定所述中心线上各点对应的血管截面的最大径和最小径；根据所述最大径和所述最小径确定所述待测血管的极值点；根据离极值点两侧最近的二阶导数为0的两点确定所述极值点的狭窄率，其中，所述两点均在中心线上。
在本实施例中，确定模块13还用于任取经过所述中心线其中一点且相交于所述血管边缘的两点，并计算两点之间的距离；将所述距离添加到距离集合中；选取所述距离集合中的最大值和最小值，分别作为该点血管截面中血管管腔的最大径和最小径。
在本实施例中，确定模块13还用于确定离极值点两侧最近的二阶导数为0的两点s1和s2；分别确定s1和s2的最大径和最小径；所述极值点的狭窄率的计算公式如下：
N＝[(u11+u21)/2v1-1+(u12+u22)/2v2-1]/2；
其中，N为极值点的狭窄率，u11为s1的最大径，u22为s2的最小径，v1为极值点的最大径，u12为s1的最小径，u21为s2的最大径，v2为极值点的最小径。
需要说明的，本发明实施例的动脉瘤检测装置的具体实现过程与动脉瘤检测方法部分相同，具体可参见方法部分实施例，此处不再赘述。
图10示出了一个实施例中计算机设备的内部结构图。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现动脉瘤检测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行动脉瘤检测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述动脉瘤检测方法的步骤。此处动脉瘤检测方法的步骤可以是上述各个实施例的动脉瘤检测方法中的步骤。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述动脉瘤检测方法的步骤。此处动脉瘤检测方法的步骤可以是上述各个实施例的动脉瘤检测方法中的步骤。
集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上为对本发明所提供的一种动脉瘤检测方法、装置以及计算机设备的描述，对于本领域的技术人员，依据本发明实施例的思想，在具体实施例及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种动脉瘤检测方法，其特征在于，所述方法包括：
截取待测血管中心线上各点对应的血管截面；
提取所述血管截面上的血管边缘；
根据所述血管边缘确定所述待测血管的狭窄率。
2.根据权利要求1所述的方法，其特征在于，所述截取待测血管中心线上各点对应的血管截面包括：
生成垂直于中心线上各点切线对应的法平面；
以所述中心线上各点为中心，在所述法平面上等间距选取采样点，从而形成血管截面。
所述采样点的值采用三线性插值获得，所述三线性差值的计算公式如下：
xd＝(x-x0)/(x1-x0)；
yd＝(y-y0)/(y1-y0)；
zd＝(z-z0)/(z1-z0)；
c＝c000(1-x 0)(1-y0)(1-z0)+c100 xd(1-y0)(1-z0)+c010(1-x 0)yd(1-z0)+
c001(1-x 0)(1-y0)zd+c101 xd(1-y0)zd+c011(1-x 0)yd zd+c110 xd yd(1-z0)+
c111 xd yd zd；
其中，c为采样点，坐标(x，y，z)为c，(xd，yd，zd)表示原始影像坐标系中采样点c分别较x、y、z轴方向的距离权重，(x0，y0，z0)为坐标相对最小的点，(x1，y1，z1)为坐标相对最大的点，c000、c100、c010、c001、c101、c011、c110和c111表示原始影像坐标系中位于插值点c附近的像素点。
3.根据权利要求1所述的方法，其特征在于，所述根据所述血管边缘确定所述待测血管的狭窄率包括：
确定所述中心线上各点对应的血管截面的最大径和最小径；
根据所述最大径和所述最小径确定所述待测血管的极值点；
根据离所述极值点两侧最近的二阶导数为0的两点确定所述极值点的狭窄率，其中，所述两点均在中心线上。
4.根据权利要求3所述的方法，其特征在于，所述确定所述中心线上各点血管截面的最大径和最小径包括：
任取经过所述中心线其中一点且相交于所述血管边缘的两点，并计算两点之间的距离；
将所述距离添加到距离集合中；
选取所述距离集合中的最大值和最小值，分别作为该点血管截面的最大径和最小径。
5.根据权利要求3所述的方法，其特征在于，所述根据离所述极值点两侧最近的二阶导数为0的两点确定所述极值点的狭窄率包括：
确定离极值点两侧最近的二阶导数为0的两点s1和s2；
分别确定s1和s2的最大径和最小径；
所述极值点的狭窄率的计算公式如下：
N＝[(u11+u21)/2v1-1+(u12+u22)/2v2-1]/2；
其中，N为极值点的狭窄率，u11为s1的最大径，u22为s2的最小径，v1为极值点的最大径，u12为s1的最小径，u21为s2的最大径，v2为极值点的最小径。
6.根据权利要求1所述的方法，其特征在于，所述提取所述血管截面上的血管边缘包括：
对所述血管截面进行卷积或者Hessian矩阵处理，提取血管边缘。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
截取原始医学影像的多组数据，其中，每组数据包括医学影像平面数据及对应的窗宽窗位；
生成所述医学影像平面数据的灰度共生矩阵；
获得所述灰度共生矩阵的特征量；
根据非线性拟合确定多组数据中所述特征量和所述窗宽窗位的函数关系；
根据所述函数关系获得并设置原始医学影像各个平面的窗宽窗位。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
迭代所述中心线上的各点，并提取各点对应的血管截面；
将各个血管截面以中心线为基准依次进行拼接，获得初始拉直图像；
对所述初始拉直图像进行光滑处理，获得最终拉直图像。
9.一种动脉瘤检测装置，其特征在于，所述装置包括：
截取模块，用于截取待测血管中心线上各点对应的血管截面；
提取模块，用于提取所述血管截面上的血管边缘；
确定模块，用于根据所述血管边缘确定所述待测血管的狭窄率。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至8中任一项所述方法的步骤。
CN202010477162.XA 2020-05-29 2020-05-29 动脉瘤检测方法、装置以及计算机设备 Active CN111640102B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010477162.XA CN111640102B (zh) 2020-05-29 2020-05-29 动脉瘤检测方法、装置以及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010477162.XA CN111640102B (zh) 2020-05-29 2020-05-29 动脉瘤检测方法、装置以及计算机设备

Publications (2)

Publication Number Publication Date
CN111640102A true CN111640102A (zh) 2020-09-08
CN111640102B CN111640102B (zh) 2023-05-16

Family

ID=72331642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010477162.XA Active CN111640102B (zh) 2020-05-29 2020-05-29 动脉瘤检测方法、装置以及计算机设备

Country Status (1)

Country Link
CN (1) CN111640102B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114419137A (zh) * 2022-03-30 2022-04-29 中国科学院自动化研究所 用于对管状物进行拉直的方法、装置、设备及存储介质
CN114708259A (zh) * 2022-05-24 2022-07-05 深圳市铱硙医疗科技有限公司 基于cta的头颈血管狭窄检测方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05264232A (ja) * 1991-12-09 1993-10-12 Kokuritsu Jiyunkankibiyou Center Souchiyou 造影血管高精度管径計測装置
US20110224542A1 (en) * 2010-03-12 2011-09-15 Sushil Mittal Method and System for Automatic Detection and Classification of Coronary Stenoses in Cardiac CT Volumes
CN107180431A (zh) * 2017-04-13 2017-09-19 辽宁工业大学 Ct图像中一种有效的半自动血管分割方法
CN109493323A (zh) * 2018-10-22 2019-03-19 北京师范大学 基于截面形变几何信息的冠脉狭窄双重判定方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05264232A (ja) * 1991-12-09 1993-10-12 Kokuritsu Jiyunkankibiyou Center Souchiyou 造影血管高精度管径計測装置
US20110224542A1 (en) * 2010-03-12 2011-09-15 Sushil Mittal Method and System for Automatic Detection and Classification of Coronary Stenoses in Cardiac CT Volumes
CN107180431A (zh) * 2017-04-13 2017-09-19 辽宁工业大学 Ct图像中一种有效的半自动血管分割方法
CN109493323A (zh) * 2018-10-22 2019-03-19 北京师范大学 基于截面形变几何信息的冠脉狭窄双重判定方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
冯瑶;刘宁;冯亚崇;: "一种针对造影图像中血管狭窄的自动识别技术" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114419137A (zh) * 2022-03-30 2022-04-29 中国科学院自动化研究所 用于对管状物进行拉直的方法、装置、设备及存储介质
CN114419137B (zh) * 2022-03-30 2022-06-24 中国科学院自动化研究所 用于对管状物进行拉直的方法、装置、设备及存储介质
CN114708259A (zh) * 2022-05-24 2022-07-05 深圳市铱硙医疗科技有限公司 基于cta的头颈血管狭窄检测方法、装置、设备及介质
CN114708259B (zh) * 2022-05-24 2022-08-16 深圳市铱硙医疗科技有限公司 基于cta的头颈血管狭窄检测方法、装置、设备及介质

Also Published As

Publication number Publication date
CN111640102B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
US10776922B2 (en) Systems and methods for analysis of blood flow state
CN109754389B (zh) 一种图像处理方法、装置及设备
CN107123137B (zh) 医学图像处理方法及设备
US8423124B2 (en) Method and system for spine visualization in 3D medical images
Kurugol et al. Automated quantitative 3D analysis of aorta size, morphology, and mural calcification distributions
CN102934126A (zh) 放射摄影图像中的微钙化检测和分级
US20120027277A1 (en) Interactive iterative closest point algorithm for organ segmentation
CN111340756B (zh) 一种医学图像病变检出合并方法、系统、终端及存储介质
CN112116615A (zh) 根据血管中心线获取血管轮廓线的方法和装置
CN111640102B (zh) 动脉瘤检测方法、装置以及计算机设备
CN110163872A (zh) 一种hrmr图像分割与三维重建的方法及电子设备
CN112446866A (zh) 血流参数的计算方法、装置、设备及存储介质
US20230310085A1 (en) Systems and methods for estimation of blood flow using response surface and reduced order modeling
CN110751187A (zh) 异常区域图像生成网络的训练方法和相关产品
CN112446867A (zh) 血流参数的确定方法、装置、设备及存储介质
EP3074949A2 (en) Method and system for determining the prognosis of a patient suffering from pulmonary embolism
CN117036530B (zh) 基于跨模态数据的冠状动脉血流储备分数预测方法及装置
CN109767468B (zh) 脏器体积检测方法及装置
CN115861471A (zh) 一种血管曲面重建方法、血管曲面重建装置、设备及介质
Sharkey et al. Fully automatic cardiac four chamber and great vessel segmentation on CT pulmonary angiography using deep learning
US10706548B2 (en) Automated segmentation of organs, such as kidneys, from magnetic resonance images
EP3270308A1 (en) Method for providing a secondary parameter, decision support system, computer-readable medium and computer program product
CN114693642A (zh) 一种结节匹配方法、装置、电子设备及存储介质
CN113129297A (zh) 基于多期相肿瘤影像的直径自动测量方法及系统
CN112001893A (zh) 一种血管参数的计算方法、装置、设备及存储介质

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
TA01 Transfer of patent application right

Effective date of registration: 20220303

Address after: 518000 1302, phase II, international student entrepreneurship building, No. 46, Gaoxin South Ring Road, high tech Zone community, Yuehai street, Shenzhen, Guangdong Province

Applicant after: SHENZHEN RAYSIGHT INTELLIGENT MEDICAL TECHNOLOGY Co.,Ltd.

Address before: 200032 Shanghai city Xuhui District Fenglin Road No. 180

Applicant before: ZHONGSHAN HOSPITAL, FUDAN University

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant