CN111681211A - 一种血管图像处理方法及装置 - Google Patents
一种血管图像处理方法及装置 Download PDFInfo
- Publication number
- CN111681211A CN111681211A CN202010418897.5A CN202010418897A CN111681211A CN 111681211 A CN111681211 A CN 111681211A CN 202010418897 A CN202010418897 A CN 202010418897A CN 111681211 A CN111681211 A CN 111681211A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- image
- mammary artery
- internal mammary
- target
- 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 141
- 238000003672 processing method Methods 0.000 title abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 51
- 210000001349 mammary artery Anatomy 0.000 claims description 172
- 210000000614 rib Anatomy 0.000 claims description 76
- 210000001519 tissue Anatomy 0.000 claims description 57
- 238000000034 method Methods 0.000 claims description 33
- 230000011218 segmentation Effects 0.000 claims description 24
- 210000001562 sternum Anatomy 0.000 claims description 23
- 210000003270 subclavian artery Anatomy 0.000 claims description 22
- 238000003062 neural network model Methods 0.000 claims description 19
- 230000005856 abnormality Effects 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 210000001367 artery Anatomy 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 206010062325 Congenital arterial malformation Diseases 0.000 claims description 2
- 239000003550 marker Substances 0.000 claims description 2
- 238000005070 sampling Methods 0.000 description 13
- 230000005484 gravity Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000001356 surgical procedure Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 210000000845 cartilage Anatomy 0.000 description 4
- 210000000038 chest Anatomy 0.000 description 4
- 238000010968 computed tomography angiography Methods 0.000 description 4
- QTCANKDTWWSCMR-UHFFFAOYSA-N costic aldehyde Natural products C1CCC(=C)C2CC(C(=C)C=O)CCC21C QTCANKDTWWSCMR-UHFFFAOYSA-N 0.000 description 4
- ISTFUJWTQAMRGA-UHFFFAOYSA-N iso-beta-costal Natural products C1C(C(=C)C=O)CCC2(C)CCCC(C)=C21 ISTFUJWTQAMRGA-UHFFFAOYSA-N 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002146 bilateral effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007634 remodeling Methods 0.000 description 3
- 208000002151 Pleural effusion Diseases 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 210000004351 coronary vessel Anatomy 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000001685 thyroid gland Anatomy 0.000 description 2
- 206010069729 Collateral circulation Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 210000003815 abdominal wall Anatomy 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003872 anastomosis Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003601 intercostal effect Effects 0.000 description 1
- 210000005075 mammary gland Anatomy 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 210000001898 sternoclavicular joint Anatomy 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
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10—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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (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
本说明书提供一种血管图像处理方法及装置。本发明实施例通过获得包含目标组织的待处理血管图像，对待处理血管图像进行分割，得到带有目标组织标记的分割图像，根据分割图像，确定待处理血管图像中的目标血管参数，以及根据目标血管参数，确定待处理血管图像的目标血管评估结果，自动对血管图像进行术前评估，提高了医生的工作效率及准确率。
Description
技术领域
本公开涉及图像处理技术领域，特别涉及一种血管图像处理方法和装置。
背景技术
乳内动脉(internal mammary artery，IMA)，通常单独发自锁骨下动脉，偶尔与甲状颈干、肩胛动脉、甲状腺动脉或肋颈动脉干共同发自锁骨下动脉。沿着胸锁关节及各肋骨、肋软骨背面下行，大约在第六肋间隙与第七肋软骨头处分为腹壁上动脉和肌膈动脉。相对于其他桥血管，IMA易于游离，解剖结构相对单一，远端侧支循环丰富，具有良好的生物特性，且内径与冠状动脉相近，因此双侧乳内动脉尤其是左侧乳内动脉是冠脉搭桥手术重要桥血管，乳腺重塑手术适宜的吻合血管，亦是胸骨旁穿刺、胸腔积液引流需要避免伤及的血管结构，故了解其走形、分布及分支均有重要临床意义。
随着多层螺旋CT的出现，扫描速度加快，扫描范围扩大，空间分辨率明显提高，在日常胸部增强扫描即可清晰显示双侧内乳动脉，远端分支情况显示清晰准确，对术前预评估有一定临床意义。
发明内容
本说明书至少一个实施例提供了一种血管图像处理方法，以得到更加准确的血管图像评估结果。
第一方面，提供了一种血管图像处理方法，包括：
获得包含目标组织的待处理血管图像；
对所述待处理血管图像进行分割，得到带有所述目标组织标记的分割图像；
根据所述分割图像，确定所述待处理血管图像中的目标血管参数；
根据所述目标血管参数，确定所述待处理血管图像的目标血管评估结果。
第二方面，提供了一种血管图像处理装置，所述装置包括：
图像获取模块，用于获得包含目标组织的待处理血管图像；
图像分割模块，用于对所述待处理血管图像进行分割，得到带有所述目标组织标记的分割图像；
参数确定模块，用于根据所述分割图像，确定所述待处理血管图像中的目标血管参数；
评估结果确定模块，用于根据所述目标血管参数，确定所述待处理血管图像的目标血管评估结果。
第三方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本说明书任一实施例所述的血管图像处理方法。
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本说明书任一实施例所述血管图像处理方法的步骤。
本发明实施例提供的技术方案可以包括以下有益效果：
本发明实施例，通过获得包含目标组织的待处理血管图像，对待处理血管图像进行分割，得到带有目标组织标记的分割图像，根据分割图像，确定待处理血管图像中的目标血管参数，根据目标血管参数，确定待处理血管图像的目标血管评估结果，能够自动对血管图像进行分割及评估，提高了医生的工作效率及对血管评估结果的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
图1是本公开一示例性实施例示出的一种血管图像处理方法的流程图；
图2是本公开一示例性实施例示出的目标组织分割方法的流程图；
图3是本公开一示例性实施例示出的一个锁骨下动脉与乳内动脉的一个结构示意图；
图4是本公开一示例性实施例示出的一个肋骨组织的三维图；
图5A是本公开一示例性实施例示出的一个胸骨横断面示意图；
图5B是本公开一示例性实施例示出的一个展开后的胸骨、肋骨及乳内动脉的平面图。
图6是本公开一示例性实施例示出的一种血管图像处理装置示意图；
图7是本公开另一个示例性实施例示出的一种血管图像处理装置示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本发明实施例使用的术语是仅仅出于描述特定本发明实施例的目的，而非旨在限制本发明实施例。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
双侧乳内动脉尤其是左侧乳内动脉是冠脉搭桥手术重要桥血管，乳腺重塑手术适宜的吻合血管，亦是胸骨旁穿刺、胸腔积液引流需要避免伤及的血管结构。目前临床中，通常需要医生根据经验对乳内动脉是否适宜用于手术采用人工判断，准确率和效率很难保证。
下面通过实施例对本发明公开的血管图像处理方法进行详细说明，这些实施例可以应用于对乳内动脉血管进行自动评价。
请参见图1，该图为本公开提供的一种血管图像处理的方法流程图。该方法可以包括：
S101：获得包含目标组织的待处理血管图像。
CT血管造影图像，简称CTA(CT angiography)，指对人体血管注射造影剂的情况下进行CT扫描得到图像，目的是使血管显影更明显。本实施例中，对受检体进行扫描得到受检体CTA图像，作为待处理图像。在待处理图像中，包括目标组织乳内动脉、锁骨下动脉、胸骨和肋骨。例如，可以对受检体进行胸部CTA扫描，得到胸部CT图像作为待处理图像。
S102：对待处理血管图像进行分割，得到带有目标组织标记的分割图像。
本步骤中，对待处理图像进行分割，识别出待处理图像中的各个组织，并对各个组织进行标记，得到带有目标组织标记的分割图像。
待处理图像的分割，可以由用户根据经验手动分割；也可以基于传统分割算法进行半自动、自动分割，例如基于区域增长算法、快速步进算法、聚类分析等方法，对待处理图像中的目标组织进行分割；还可以使用深度神经网络算法进行目标组织的自动分割。
下面以使用深度神经网络算法为例，具体说明目标组织的分割过程，请参见图2，图2为本公开提供的一种目标组织分割方法的流程图，包括：
S1021：将待处理血管图像输入预先训练的目标组织神经网络模型中，得到带有目标组织标记的分割图像；
S1022：目标组织神经网络模型，通过带有目标组织标记的样本图像训练得到。
本例子中，预先训练各个目标组织对应的神经网络模型，将待处理血管图像输入训练完毕的目标组织神经网络模型中，得到带有目标组织标记的血管图像，该图像即分割图像。其中，深度网络模型是通过一组带有目标组织标记的样本图像训练得到的。具体的，可以预先获得一组带有目标组织标记的样本图像，将样本图像输入神经网络模型中，得到带有目标组织标记的预测分割图像，将预测分割图像与样本图像中的目标组织标记进行比对，如果不满足训练停止条件，则调整网络参数，并重新将样本图像输入调整后的神经网络模型中，重新得到带有目标组织标记的预测分割图像，直至预测分割图像与样本图像中的目标组织标记满足预设的训练停止条件，例如差异小于预设阈值，或者迭代次数达到预设次数时，停止训练，将当前神经网络模型作为训练完毕的模型。
可以理解的是，本例子中的目标组织包括胸骨、乳内动脉、锁骨下动脉、肋骨，因此需要预先训练胸骨神经网络模型、乳内动脉神经网络模型、锁骨下动脉神经网络模型和肋骨神经网络模型。将本例子中的待处理图像分别输入目标组织神经网络模型，得到带有胸骨标记、乳内动脉标记、锁骨下动脉标记以及肋骨标记的分割图像。
S103：根据分割图像，确定待处理血管图像中的目标血管参数。
根据分割图像中标记的目标组织，确定待处理血管图像中的目标血管参数。在一个例子中，以乳内动脉作为目标血管，确定待处理图像中乳内动脉的血管参数。其中，血管参数可以包括乳内动脉异常参数及乳内动脉通畅参数中的至少一项。
S104：根据目标血管参数，确定待处理血管图像的目标血管评估结果。
本步骤中，根据目标血管参数，可以确定待处理血管图像的目标血管评估结果。
本实施例通过对血管图像进行分割，得到带有各个目标组织标记的分割图像，基于分割图像，自动计算血管参数，并进一步根据血管参数确定待处理血管图像的目标血管评估结果，可以在心脏搭桥、乳腺重塑等手术前为医生提供准确的血管情况评价，帮助医生选择合适的搭桥手术方案，提高医生判断的效率及准确率。
下面，通过具体的实施例对上述步骤103-104进行详细说明。
鉴别乳内动脉是否异常对于搭桥血管的选择至关重要，常见的乳内动脉异常包括起源位置异常，走行异常等。
在一个例子中，乳内动脉异常参数包括：乳内动脉起点预设邻域内是否包含锁骨下动脉，若所述乳内动脉起点预设邻域内未包含所述锁骨下动脉，确定所述目标血管评估结果为乳内动脉起源异常；图3是锁骨下动脉与乳内动脉的一个结构示意图，其中，1、2为乳内动脉，3、4为锁骨下动脉，如图所示，正常情况下，乳内动脉起自锁骨下动脉。本例子中，通过判断乳内动脉起点预设邻域内是否包含锁骨下动脉，来确定乳内动脉是否异常。可以理解的是，本例子中乳内动起点包括左侧乳内动脉起点及右侧乳内动脉起点。其中，预设邻域的形状和大小可以预先设定。例如，乳内动脉起点位置为(1,1,1)，预设邻域为半径是2的球形邻域，则在以(1,1,1)为圆心，2为半径的球形范围内，查找是否存在锁骨下动脉标识，如果没有查找到锁骨下动脉标识，则表明，乳内动脉起点不与锁骨下动脉临近，该乳内动脉评估结果为乳内动脉起源异常。
在另一个例子中，乳内动脉异常参数包括：乳内动脉与肋骨交点集合，若乳内动脉与肋骨交点集合中的交点个数小于等于预设交点个数，则确定目标血管评估结果为乳内动脉走形异常。其中，乳内动脉与肋骨交点集合包括：乳内动脉与第一肋骨交点、所述乳内动脉与第二肋骨交点、以及乳内动脉与第六肋骨交点；其中，第一肋骨、第二肋骨以及第六肋骨，具体是：肋骨组织中与胸骨组织相连接的由上到下的第一根肋骨、第二根肋骨以及第六根肋骨。
人体有12对肋骨，其中7对同时与胸骨及脊柱直接相连，称为真肋，其与胸骨连接的部分称为肋软骨；3对通过软骨与胸骨间接相连，称为假肋；另有2对与肋笼外侧肌肉相连，称为浮肋。如图4中所示为人体肋骨组织的三维示意图。本例子中，需要将待处理图像输入预先训练的肋骨深度网络模型中，识别出7对与胸骨相连的肋骨，并由上至下按顺序标记胸骨左右两侧的肋骨区域为1-7，其中乳内动脉与第一肋骨交点、乳内动脉与第二肋骨交点以及乳内动脉与第六肋骨交点组成乳内动脉与肋骨的交点集合。
在上述例子中，确定乳内动脉与肋骨的交点集合，交点集合中包括：乳内动脉与已经标记的第一肋骨、第二肋骨和第六肋骨的交点，比较集合中交点的个数与预设交点个数，其中，预设交点个数可以人为设定，例如，假设预设交点个数为0，则当交点集合中的交点个数为0时，则说明乳内动脉与第一肋骨、第二肋骨和第六肋骨不相交，进一步说明乳内动脉走行异常。可以理解的是，所述乳内动脉与第一肋骨的交点，包括左侧乳内动脉与第一肋骨的交点和右侧乳内动脉与第一肋骨的交点；所述乳内动脉与第二肋骨的交点，包括左侧乳内动脉与第二肋骨的交点和右侧乳内动脉与第二肋骨的交点；所述乳内动脉与第六肋骨的交点，包括左侧乳内动脉与第六肋骨的交点和右侧乳内动脉与第六肋骨的交点。
在上述例子中，交点集合中每个交点的确定方法具体为：统计乳内动脉与第一肋骨的交叉区域，计算该交叉区域的重心，将该重心确定为乳内动脉与第一肋骨的交点。统计乳内动脉与第二肋骨的交叉区域，计算该交叉区域的重心，将该重心确定为乳内动脉与第二肋骨的交点。统计乳内动脉与第六肋骨的交叉区域，计算该交叉区域的重心，将该重心确定为乳内动脉与第六肋骨的交点。例如：以左侧乳内动脉与第一肋骨交点的计算方法为例，在标识了乳内动脉与第一肋骨的待评价图像上，将同时标记有左侧乳内动脉和第一肋骨的区域，确定为左侧乳内动脉与第一肋骨的交叉区域，计算该交叉区域的重心，则该重心为左侧乳内动脉与第一肋骨的交点。
在又一个例子中，乳内动脉异常参数包括：乳内动脉第一长度减去第二长度的差值，其中，乳内动脉第一长度为乳内动脉的中心线长度，乳内动脉第二长度为乳内动脉起始点垂直长度的二倍。
本例子中，将乳内动脉中心线的长度确定为第一长度，将乳内动脉起点到终点的垂直长度的二倍确定为第二长度，若第一长度减去第二长度的差值大于预设差值，则确定目标血管评估结果为乳内动脉走形异常。其中，预设差值可以是医生通过经验设置的预设值。乳内动脉中心线是根据乳内动脉分割结果，通过细化、平滑等图像处理算法获得。可以理解的是，乳内动脉长度差包括左侧乳内动脉长度差和右侧乳内动脉长度差。乳内动脉中心线包括左侧乳内动脉中心线和右侧乳内动脉中心线。
在上述例子中，第一长度通过对乳内动脉中心线上两两采样点的距离确定，具体为所有相邻采样点的距离的累加和，例如：假设左侧乳内动脉中心线上的采样点为3个，第1个采样点为PC1(x1,y1,z1)，第2个采样点为PC2(x2,y2,z2)，第3个采样点为PC3(x3,y3,z3)，
那么第1采样点和第2采样点之间的距离D1为：
D1＝Sqrt((x1-x2)*(x1-x2)*fXUnit*fXUnit+(y1-y2)*(y1-y2)*fYUnit*fYUnit+(z1-z2)*(z1-z2)*fZUnit*fZUnit)；
第2采样点和第3采样点之间的距离D2为：
D2＝Sqrt((x2-x3)*(x2-x3)*fXUnit*fXUnit+(y2-y3)*(y2-y3)*fYUnit*fYUnit+(z2-z3)*(z2-z3)*fZUnit*fZUnit)；
其中，fXUnit,fYUnit,fZUnit分别为图像x,y,z方向的像素物理单位。
则，第一长度为：D1+D2。
在上述例子中，第二长度为乳内动脉起点到终点的垂直长度的二倍，例如：假设左侧乳内动脉的起点为P1(x1,y1,z1)，终点为P2(x2,y2,z2)，那么第二长度为：(z2-z1)*fZUnit*2，其中fZUnit为图像z方向的像素物理单位；
在进行心脏搭桥手术前的乳内动脉血管评价时，除了需要考虑乳内动脉的异常情况，乳内动脉的狭窄、血管长度、血管截面积直径大小、周围结构关系等情况也对医生寻找最佳吻合点，选择合理手术方案有至关重要的意义，因此，除了乳内动脉异常参数，乳内动脉通畅参数也具有重要的临床意义。乳内动脉通畅参数包括：乳内动脉关键点处截面直径、乳内动脉关键点处截面面积、乳内动脉长度、乳内动脉分支数、乳内动脉与第六肋骨交点距离胸骨正中线的距离。
下面以乳内动脉与第一肋骨的交点为例，具体说明乳内动脉血管关键点处截面直径的确定方法：根据上述获得的乳内动脉与第1根肋骨的交点，以及乳内动脉分割结果，计算乳内动脉该交点在横断面图像上的血管轮廓，计算轮廓有效直径。可以理解的是，所述乳内动脉与第1根肋骨交点，包括左侧乳内动脉与第1根肋骨的交点，以及右侧乳内动脉与第1根肋骨的交点。乳内动脉与第1根肋骨的交点处截面直径包括，左侧乳内动脉与第1根肋骨交点处的截面直径，以及右侧乳内动脉与第1根肋骨交点处的截面直径。
进一步的，根据乳内动脉关键点处截面直径，还可以计算乳内动脉关键点处的截面面积。
本例子中，乳内动脉的长度，包括左侧乳内动脉的长度和右侧乳内动脉的长度，以左侧乳内动脉为例，可以选择左侧乳内动脉起点到末点的所有路径中最直的中心线，计算该中心线上两两采样点之间的距离累加和，乘以像素物理单位，即为左侧乳内动脉长度。右侧乳内动脉的长度计算方法相同，在此不在赘述。
本例子中，乳内动脉分支数，包括左侧乳内动脉分支数和右侧乳内动脉分支数，以左侧乳内动脉分支数为例，统计左侧乳内动脉末端分支个数，作为左侧乳内动脉分支数。右侧乳内动脉分支数的计算方法相同，在此不在赘述。
本例子中，乳内动脉与第六肋骨交点距离胸骨正中线的距离，包括左侧乳内动脉与第六肋骨交点距离胸骨正中线距离，右侧乳内动脉与第六肋骨交点距离胸骨正中线距离。
以上过程，根据分割图像，确定乳内动脉通畅参数，可以进一步帮助医生更加准确、清晰的了解乳内动脉血管状况，并且采用自动计算的方式，提高了血管评估的效率和准确性，显著提高医生工作效率。
在一个例子中，在步骤104之后，还可以包括：接收用户指令，并根据用户指令显示分割图像、目标血管评估结果。
本例子中，确定目标血管评估结果后，可以根据接收到的用户指令，将上述分割后的分割图像显示给用户，显示形式可以是2D，也可以是3D，在此不做限定。用户指令可以包括图像大小、字体大小、显示的内容、显示界面的结构等。以3D形式为例，可以按照如下方式进行显示：以胸骨正中线为中心，依次在横断面图像上向左右两侧定义采样曲线，生成曲面展开图像。图5A是胸骨的横断面示意图，以图5A所示的胸骨横断面图像为例，取当前层胸骨中心点O，图像左侧乳内动脉中心点L1，左侧肋骨区域中心点L2、L3，图像右侧乳内动脉中心点R1，右侧肋骨区域中心点R2、R3。按连接顺序依次连接拟合成一条采样曲线，依此类推逐层生成一系列的采样曲线C1,C2,C3…，如图5B所示，展开后的图像以胸骨正中线为中心，依次左右展开，每条采样曲线根据采样点计算，对于多条采样曲线，每两条曲线之间插值计算，最后展开生成曲面图像。
可以理解的是，在显示所述分割图像之后，还可以根据用户指令，更新分割图像、目标血管评估结果。例如：在显示所述分割图像之后，用户认为某一组织分割结果明显不合理，可以手动调整所述目标组织分割边界。又例如，在显示目标血管评估结果之后，用户认为某一评估结果不正确，用户可以修改该评估结果。
图6所示，本说明书提供了一种血管图像处理装置，该装置可以执行本说明书任一实施例的血管图像处理方法。该装置可以包括图像获取模块601、图像分割模块602、参数确定模块603和评估结果确定模块604。其中：
图像获取模块601，用于获得包含目标组织的待处理血管图像；
图像分割模块602，用于对所述待处理血管图像进行分割，得到带有所述目标组织标记的分割图像；
参数确定模块603，用于根据所述分割图像，确定所述待处理血管图像中的目标血管参数；
评估结果确定模块604，用于根据所述目标血管参数，确定所述待处理血管图像的目标血管评估结果。
可选的，如图7所示，图像分割模块602包括：
神经网络模型分割子模块701，用于将所述待处理血管图像输入预先训练的目标组织神经网络模型中，得到带有所述目标组织标记的分割图像；
其中，所述目标组织神经网络模型，通过带有目标组织标记的样本图像训练得到。
可选的，参数确定模块603和评估结果确定模块604可以具体用于：
确定乳内动脉起点预设邻域内是否包含锁骨下动脉；
若乳内动脉起点预设邻域内未包含锁骨下动脉，确定目标血管评估结果为乳内动脉起源异常。
可选的，参数确定模块603和评估结果确定模块604还可以具体用于：
确定乳内动脉与所述肋骨交点集合；
若乳内动脉与所述肋骨交点集合中的交点个数小于等于预设交点个数，确定目标血管评估结果为乳内动脉走形异常。
可选的，参数确定模块603和评估结果确定模块604还可以具体用于：
确定乳内动脉第一长度减去第二长度的差值，其中，所述乳内动脉第一长度为所述乳内动脉的中心线长度，所述乳内动脉第二长度为所述乳内动脉起始点垂直长度的二倍；
若第一长度减去第二长度的差值大于预设差值，确定目标血管评估结果为乳内动脉走形异常。
可选的，参数确定模块603和评估结果确定模块604还可以具体用于：
确定乳内动脉通畅参数，包括如下任意一项参数：乳内动脉关键点处截面直径、所述乳内动脉关键点处截面面积、所述乳内动脉长度、所述乳内动脉分支数、所述乳内动脉与所述肋骨交点距离所述胸骨正中线的距离；
将所述乳内动脉通畅参数确定为所述目标血管评估结果。
可选的，如图7所示，所述血管图像处理装置，还包括：
指令接收模块801，用于接收用户指令；
显示模块802，用于根据用户指令显示所述分割图像、所述目标血管评估结果。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书至少一个实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本说明书还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时能够实现本说明书任一实施例的血管图像处理方法。
本说明书还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时能够实现本说明书任一实施例的血管图像处理方法。
其中，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等，本申请并不对此进行限制。
本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。
应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。
以上所述仅为本说明书的较佳实施例而已，并不用于限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。
Claims (16)
1.一种血管图像处理方法，其特征在于，所述方法包括：
获得包含目标组织的待处理血管图像；
对所述待处理血管图像进行分割，得到带有所述目标组织标记的分割图像；
根据所述分割图像，确定所述待处理血管图像中的目标血管参数；
根据所述目标血管参数，确定所述待处理血管图像的目标血管评估结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述待处理血管图像进行分割，得到带有所述目标组织标记的分割图像，包括：
将所述待处理血管图像输入预先训练的目标组织神经网络模型中，得到带有所述目标组织标记的分割图像；
其中，所述目标组织神经网络模型，通过带有目标组织标记的样本图像训练得到。
3.根据权利要求1所述的方法，其特征在于，所述目标组织包括：
乳内动脉、锁骨下动脉、胸骨及肋骨。
4.根据权利要求3所述的方法，其特征在于，所述目标血管参数，包括以下至少一项：
乳内动脉异常参数，乳内动脉通畅参数。
5.根据权利要求4所述的方法，其特征在于，所述乳内动脉异常参数，包括：所述乳内动脉起点预设邻域内是否包含所述锁骨下动脉；
所述根据所述目标血管参数，确定所述待处理血管图像的目标血管评估结果，包括：若所述乳内动脉起点预设邻域内未包含所述锁骨下动脉，确定所述目标血管评估结果为乳内动脉起源异常。
6.根据权利要求4所述的方法，其特征在于，所述乳内动脉异常参数，包括：所述乳内动脉与所述肋骨交点集合；
所述根据所述目标血管参数，确定所述待处理血管图像的目标血管评估结果，包括：若所述乳内动脉与所述肋骨交点集合中的交点个数小于等于预设交点个数，确定所述目标血管评估结果为乳内动脉走形异常。
7.根据权利要求4所述的方法，其特征在于，所述乳内动脉异常参数包括：所述乳内动脉第一长度减去第二长度的差值，其中，所述乳内动脉第一长度为所述乳内动脉的中心线长度，所述乳内动脉第二长度为所述乳内动脉起始点垂直长度的二倍；
所述根据所述目标血管参数，确定所述待处理血管图像的目标血管评估结果，包括：若所述第一长度减去第二长度的差值大于预设差值，确定所述目标血管评估结果为乳内动脉走形异常。
8.根据权利要求4所述的方法，其特征在于，所述乳内动脉通畅参数包括以下至少一项：
所述乳内动脉关键点处截面直径、所述乳内动脉关键点处截面面积、所述乳内动脉长度、所述乳内动脉分支数、所述乳内动脉与所述肋骨交点距离所述胸骨正中线的距离；
所述根据所述目标血管参数，确定所述待处理血管图像的目标血管评估结果，包括：将所述乳内动脉通畅参数确定为所述目标血管评估结果。
9.根据权利要求1所述的方法，其特征在于，所述确定所述待处理血管图像的目标血管评估结果之后，还包括：
接收用户指令；
根据用户指令显示所述分割图像、所述目标血管评估结果。
10.一种血管图像处理装置，其特征在于，所述装置包括：
图像获取模块，用于获得包含目标组织的待处理血管图像；
图像分割模块，用于对所述待处理血管图像进行分割，得到带有所述目标组织标记的分割图像；
参数确定模块，用于根据所述分割图像，确定所述待处理血管图像中的目标血管参数；
评估结果确定模块，用于根据所述目标血管参数，确定所述待处理血管图像的目标血管评估结果。
11.根据权利要求10所述的装置，其特征在于，所述图像分割模块，包括：
神经网络分割子模块，用于将所述待处理血管图像输入预先训练的目标组织神经网络模型中，得到带有所述目标组织标记的分割图像；
其中，所述目标组织神经网络模型，通过带有目标组织标记的样本图像训练得到。
12.根据权利要求10所述的装置，其特征在于，所述目标组织包括：
乳内动脉、锁骨下动脉、胸骨及肋骨。
13.根据权利要求12所述的装置，其特征在于，所述目标血管参数，包括以下至少一项：
乳内动脉异常参数，乳内动脉通畅参数。
14.根据权利要求10所述的装置，其特征在于，所述装置还包括：
指令接收模块，用于接收用户指令；
显示模块，用于根据用户指令显示所述分割图像、所述目标血管评估结果。
15.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-9任一所述的方法。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-9中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010418897.5A CN111681211B (zh) | 2020-05-18 | 2020-05-18 | 一种血管图像处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010418897.5A CN111681211B (zh) | 2020-05-18 | 2020-05-18 | 一种血管图像处理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111681211A true CN111681211A (zh) | 2020-09-18 |
| CN111681211B CN111681211B (zh) | 2024-03-08 |
Family
ID=72451963
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010418897.5A Active CN111681211B (zh) | 2020-05-18 | 2020-05-18 | 一种血管图像处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111681211B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408152A (zh) * | 2021-07-23 | 2021-09-17 | 上海友脉科技有限责任公司 | 冠脉旁路移植仿真系统、方法、介质及电子设备 |
| CN113450322A (zh) * | 2021-06-22 | 2021-09-28 | 沈阳先进医疗设备技术孵化中心有限公司 | 一种冠状动脉的起源异常判断方法和装置 |
| CN113643176A (zh) * | 2021-07-28 | 2021-11-12 | 沈阳先进医疗设备技术孵化中心有限公司 | 一种肋骨显示方法和装置 |
| CN114331958A (zh) * | 2021-11-22 | 2022-04-12 | 四川大学华西医院 | 基于图像识别的实验动物血管吻合术后通畅性的监测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120236259A1 (en) * | 2011-01-20 | 2012-09-20 | Abramoff Michael D | Automated determination of arteriovenous ratio in images of blood vessels |
| US20160328855A1 (en) * | 2015-05-04 | 2016-11-10 | Siemens Aktiengesellschaft | Method and System for Whole Body Bone Removal and Vascular Visualization in Medical Image Data |
| CN107563983A (zh) * | 2017-09-28 | 2018-01-09 | 上海联影医疗科技有限公司 | 图像处理方法以及医学成像设备 |
| US20190014982A1 (en) * | 2017-07-12 | 2019-01-17 | iHealthScreen Inc. | Automated blood vessel feature detection and quantification for retinal image grading and disease screening |
| CN109671076A (zh) * | 2018-12-20 | 2019-04-23 | 上海联影智能医疗科技有限公司 | 血管分割方法、装置、电子设备及存储介质 |
| US20190172205A1 (en) * | 2016-12-31 | 2019-06-06 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for extracting vasculature |
| CN109934913A (zh) * | 2019-03-19 | 2019-06-25 | 肖仁德 | 颅内动脉瘤虚拟介入支架植入方法、装置、计算机设备 |
| CN111145206A (zh) * | 2019-12-27 | 2020-05-12 | 联想(北京)有限公司 | 肝脏图像分割质量评估方法、装置及计算机设备 |
-
2020
- 2020-05-18 CN CN202010418897.5A patent/CN111681211B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120236259A1 (en) * | 2011-01-20 | 2012-09-20 | Abramoff Michael D | Automated determination of arteriovenous ratio in images of blood vessels |
| US20160328855A1 (en) * | 2015-05-04 | 2016-11-10 | Siemens Aktiengesellschaft | Method and System for Whole Body Bone Removal and Vascular Visualization in Medical Image Data |
| US20190172205A1 (en) * | 2016-12-31 | 2019-06-06 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for extracting vasculature |
| US20190014982A1 (en) * | 2017-07-12 | 2019-01-17 | iHealthScreen Inc. | Automated blood vessel feature detection and quantification for retinal image grading and disease screening |
| CN107563983A (zh) * | 2017-09-28 | 2018-01-09 | 上海联影医疗科技有限公司 | 图像处理方法以及医学成像设备 |
| CN109671076A (zh) * | 2018-12-20 | 2019-04-23 | 上海联影智能医疗科技有限公司 | 血管分割方法、装置、电子设备及存储介质 |
| CN109934913A (zh) * | 2019-03-19 | 2019-06-25 | 肖仁德 | 颅内动脉瘤虚拟介入支架植入方法、装置、计算机设备 |
| CN111145206A (zh) * | 2019-12-27 | 2020-05-12 | 联想(北京)有限公司 | 肝脏图像分割质量评估方法、装置及计算机设备 |
Non-Patent Citations (2)
| Title |
|---|
| 边祥兵;杨铁;齐叶青;具海月;刘国鹏;李家开;: "CT血管造影在冠状动脉旁路移植术前对乳内动脉评价的价值" * |
| 郭笑妍;梅雪;李振华;曹佳松;周宇;: "形状约束下活动轮廓模型冠脉血管图像多尺度分割" * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113450322A (zh) * | 2021-06-22 | 2021-09-28 | 沈阳先进医疗设备技术孵化中心有限公司 | 一种冠状动脉的起源异常判断方法和装置 |
| CN113450322B (zh) * | 2021-06-22 | 2024-05-24 | 东软医疗系统股份有限公司 | 一种冠状动脉的起源异常判断方法和装置 |
| CN113408152A (zh) * | 2021-07-23 | 2021-09-17 | 上海友脉科技有限责任公司 | 冠脉旁路移植仿真系统、方法、介质及电子设备 |
| CN113643176A (zh) * | 2021-07-28 | 2021-11-12 | 沈阳先进医疗设备技术孵化中心有限公司 | 一种肋骨显示方法和装置 |
| CN113643176B (zh) * | 2021-07-28 | 2024-05-28 | 东软医疗系统股份有限公司 | 一种肋骨显示方法和装置 |
| CN114331958A (zh) * | 2021-11-22 | 2022-04-12 | 四川大学华西医院 | 基于图像识别的实验动物血管吻合术后通畅性的监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111681211B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111681211A (zh) | 一种血管图像处理方法及装置 | |
| CN106108925B (zh) | 用于医学图像中全身骨移除和血管可视化的方法和系统 | |
| CN107292928B (zh) | 一种血管定位的方法及装置 | |
| US9141763B2 (en) | Method and system for patient-specific computational modeling and simulation for coupled hemodynamic analysis of cerebral vessels | |
| KR102251830B1 (ko) | 초음파 및 ct 영상의 정합에 관한 시스템 및 작동 방법 | |
| CN108335304B (zh) | 一种腹部ct扫描序列图像的主动脉瘤分割方法 | |
| EP2157905B1 (en) | A method for tracking 3d anatomical and pathological changes in tubular-shaped anatomical structures | |
| EP3420483B1 (en) | Systems and methods for identifying and modeling unresolved vessels in image-based patient-specific hemodynamic models | |
| JP4824146B1 (ja) | 医療機器および医療機器の制御方法 | |
| US11132801B2 (en) | Segmentation of three-dimensional images containing anatomic structures | |
| CN111161241B (zh) | 一种肝脏图像识别方法、电子设备及存储介质 | |
| JP6776283B2 (ja) | 血管のセグメンテーションの方法および装置 | |
| KR101294858B1 (ko) | 간 문맥의 혈관 구조 정보를 이용한 간 세그먼트 구분 방법 및 장치 | |
| WO2010024985A1 (en) | System and method for recognition and labeling of anatomical structures in medical imaging scans | |
| JP2018500091A (ja) | 医療画像編集 | |
| Debarba et al. | Efficient liver surgery planning in 3D based on functional segment classification and volumetric information | |
| Mastmeyer et al. | Efficient patient modeling for visuo-haptic VR simulation using a generic patient atlas | |
| KR20140015964A (ko) | 혈관 구조에 기초하여 환자에 특화된 대상 장기의 모델을 생성하는 방법 및 장치 | |
| CN107818564B (zh) | 一种肝脏3d医学影像分段方法 | |
| KR101401338B1 (ko) | 가상 나이프를 이용한 수술 시뮬레이션 방법 및 그 장치 | |
| CN114708390B (zh) | 一种生理管状结构的图像处理方法、装置及存储介质 | |
| Zahel et al. | Rapid assessment of liver volumetry by a novel automated segmentation algorithm | |
| CN114743639A (zh) | 一种基于人工智能技术的垂体瘤手术规划系统 | |
| CN114931435A (zh) | 三维模型处理方法、装置和电子设备 | |
| JP5403431B2 (ja) | 断層画像処理方法及び装置 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240204 Address after: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant after: Shenyang Neusoft Medical Systems Co.,Ltd. Country or region after: China Address before: Room 336, 177-1, Chuangxin Road, Hunnan New District, Shenyang City, Liaoning Province Applicant before: Shenyang advanced medical equipment Technology Incubation Center Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |