CN111768411A - 冠脉中心线提取方法、装置、计算机设备和存储介质 - Google Patents

冠脉中心线提取方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111768411A
CN111768411A CN202010477131.4A CN202010477131A CN111768411A CN 111768411 A CN111768411 A CN 111768411A CN 202010477131 A CN202010477131 A CN 202010477131A CN 111768411 A CN111768411 A CN 111768411A
Authority
CN
China
Prior art keywords
coronary artery
central line
branch
coronary
centerline
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
CN202010477131.4A
Other languages
English (en)
Other versions
CN111768411B (zh
Inventor
王旭
马骏
兰宏志
郑凌霄
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
Shenzhen Raysight Intelligent Medical Technology Co Ltd
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 Shenzhen Raysight Intelligent Medical Technology Co Ltd filed Critical Shenzhen Raysight Intelligent Medical Technology Co Ltd
Priority to CN202010477131.4A priority Critical patent/CN111768411B/zh
Publication of CN111768411A publication Critical patent/CN111768411A/zh
Application granted granted Critical
Publication of CN111768411B publication Critical patent/CN111768411B/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
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30048—Heart; Cardiac
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请涉及一种冠脉中心线提取方法、装置、计算机设备和存储介质。方法包括：对冠脉图像进行冠脉分割处理，得到冠脉分割图像；从冠脉分割图像中提取整体冠脉中心线；对冠脉图像进行冠脉主支分割处理，得到冠脉主支分割图像，并从冠脉主支分割图像中提取冠脉主支中心线，以及对冠脉主支中心线进行命名；根据冠脉主支中心线，定位整体冠脉中心线中相应的主支血管中心线，并根据冠脉主支中心线的命名，对相应的主支血管中心线进行命名；确定整体冠脉中心线中除主支血管中心线之外的分支血管中心线；通过比对角度、位置和长度中的至少一种信息，迭代地对分支血管中心线进行分级。采用本方法能够准确提取冠脉中心线。

Description

冠脉中心线提取方法、装置、计算机设备和存储介质
技术领域
本申请涉及医学图像处理技术领域，特别是涉及一种冠脉中心线提取方法、装置、计算机设备和存储介质。
背景技术
随着医学图像处理技术的发展，出现了心脏冠脉血管的医学图像处理技术，对心脏冠脉血管图像进行处理和分析，具有重要的意义。比如，对冠脉中心线进行提取便是其中的应用之一，能够为了解心脏冠脉的分布情况提供帮助，因此，准确地提取冠脉中心线非常重要。
传统技术中，一般采用形态骨架化方法获得冠脉中心线，然而这种方法容易受到冠脉图像中的噪声影响，导致生成的冠脉中心线不准确。
发明内容
基于此，有必要针对上述技术问题，提供一种能够准确地全自动化提取冠脉中心线的冠脉中心线提取方法、装置、计算机设备和存储介质。
一种冠脉中心线提取方法，所述方法包括：
对冠脉图像进行冠脉分割处理，得到冠脉分割图像；
从冠脉分割图像中提取整体冠脉中心线；
对所述冠脉图像进行冠脉主支分割处理，得到冠脉主支分割图像，并从所述冠脉主支分割图像中提取冠脉主支中心线；
根据所述冠脉主支中心线，定位所述整体冠脉中心线中的主支血管中心线，并对所述主支血管中心线进行命名；
确定所述整体冠脉中心线中除所述主支血管中心线之外的分支血管中心线；
通过比对角度、位置和长度中的至少一种信息，迭代地对所述分支血管中心线进行分级。
在其中一个实施例中，所述从冠脉分割图像中提取整体冠脉中心线包括：
根据所述冠脉分割图像，生成冠脉中心线强度图；所述冠脉中心线强度图，用于表征所述冠脉分割图像中各像素为整体冠脉中心线的概率；
将所述冠脉分割图像输入冠脉入口检测模型中，得到冠脉入口端点；
将所述冠脉分割图像输入到冠脉末端检测模型中，得到冠脉末端端点；
基于所述冠脉中心线强度图，生成连接所述冠脉入口端点与所述冠脉入口端点所对应的所述冠脉末端端点的最小成本路径，作为整体冠脉中心线。
在其中一个实施例中，所述冠脉入口端点包括左端点和右端点；所述基于所述冠脉中心线强度图，生成连接所述冠脉入口端点与所述冠脉入口端点所对应的所述冠脉末端端点的最小成本路径包括：
在所述冠脉分割图像中定位所述左端点和所述右端点；
将在所述冠脉分割图像中与所述左端点位于同一连通域中的所述冠脉末端端点，确定为左冠脉末端端点；
将在所述冠脉分割图像中与所述右端点位于同一连通域中的所述冠脉末端端点，确定为右冠脉末端端点；
基于所述冠脉中心线强度图，生成连接所述左端点与所述左冠脉末端端点的最小成本路径，以及连接所述右端点与所述右冠脉末端端点的最小成本路径。
在其中一个实施例中，所述冠脉主支分割图像包括至少一个的冠脉主支的分割结果；
所述从所述冠脉主支分割图像中提取冠脉主支中心线包括：
针对每个冠脉主支，从冠脉主支分割图像中提取所述冠脉主支的分割结果，并生成与所述冠脉主支的分割结果对应的冠脉主支中心线强度图；所述冠脉主支中心线强度图，用于表征所述冠脉主支的分割结果中各像素为冠脉主支中心线的概率；
将所述冠脉主支的分割结果输入冠脉末端检测模型中，得到所述冠脉主支的主支末端端点；
基于所述冠脉主支中心线强度图，生成连接所述冠脉主支对应的冠脉入口端点与所述主支末端端点的最小成本路径，作为所述冠脉主支的冠脉主支中心线，并按照所述冠脉主支对所述冠脉主支中心线进行命名。
在其中一个实施例中，所述冠脉主支包括为右冠状动脉、左前降支动状冠脉和左回旋支动状冠脉；所述主支末端端点包括右冠状动脉末端端点、左前降支动状冠脉末端端点和左回旋支动状冠脉末端端点；所述冠脉入口端点包括左端点和右端点；所述左端点，与所述左前降支动状冠脉末端端点和左回旋支动状冠脉末端端点相对应；所述右端点与所述右冠状动脉末端端点相对应。
在其中一个实施例中，所述通过比对角度、位置和长度中的至少一种信息，迭代地对所述分支血管中心线进行分级包括：
将与所述主支血管中心线具有相同重合部分的分支血管中心线去除所述重合部分，并将去除所述重合部分后的分支血管中心线划分至同一分支血管中心线集合；
针对每个分支血管中心线集合，通过迭代地比对所述分支血管中心线集合中分支血管中心线之间的角度、位置和长度中的至少一种信息，从所述分支血管中心线集合中确定主干中心线，并根据所述分支血管中心线集合，确定所述主干中心线的下级中心线。
在其中一个实施例中，所述通过迭代地比对所述分支血管中心线集合中分支血管中心线之间的角度、位置和长度中的至少一种信息，从所述分支血管中心线集合中确定主干中心线，并根据所述分支血管中心线集合，确定所述主干中心线的下级中心线包括：
当所述分支血管中心线集合中只有一条分支血管中心线时，将所述分支血管中心线作为主干中心线；
当所述分支血管中心线集合中有至少两条分支血管中心线时，通过迭代地比对所述分支血管中心线集合中分支血管中心线之间的角度、位置和长度中的至少一种信息，从所述分支血管中心线集合中筛选主干中心线；将所述分支血管中心线集合中各分支血管中心线去除与所述主干中心线重合的部分，得到所述主干中心线的下级中心线。
在其中一个实施例中，所述从所述分支血管中心线集合中筛选主干中心线包括：
从所述分支血管中心线集合中随机选取一条分支血管中心线作为当前主干中心线，并从所述分支血管中心线集合中去除所述当前主干中心线，得到当前分支血管中心线集合；
在所述当前分支血管中心线集合中随机选取一条当前分支血管中心线，确定所述当前分支血管中心线与所述当前主干中心线的分叉点，并分别确定所述当前分支血管中心线和所述当前主干中心线在所述分叉点后的部分，与所述分叉点处的走向之间的角度；
将角度较小的分支血管中心线作为新的当前主干中心线，并从所述当前分支血管中心线集合中去除所述当前分支血管中心线，得到新的当前分支血管中心线集合，返回执行所述在所述当前分支血管中心线集合中随机选取一条当前分支血管中心线及后续步骤，直至所述当前分支血管中心线集合为空；
将最终的所述当前主干中心线确定为所述分支血管中心线集合中的主干中心线。
在其中一个实施例中，所述方法还包括：
在分级中心线集合中的各条中心线上，获取预设间隔的多个中心点；所述分级中心线集合包括所述主支血管中心线、所述主干中心线和所述下级中心线；
对多个所述中心点进行插值处理，生成分级中心线；
获取以所述中心点为中心的、且垂直于所述分级中心线的预设数量的图像，得到横截面图像序列；
将所述横截面图像序列输入中心线微调模型中，预测所述中心点的偏移量；
根据所述偏移量，对所述中心点进行微调，得到微调后的新的中心点；
对各所述新的中心点进行插值处理，得到微调后的分级中心线。
一种冠脉中心线提取装置，所述装置包括：
冠脉分割模块，用于对冠脉图像进行冠脉分割处理，得到冠脉分割图像；
整体冠脉中心线提取模块，用于从冠脉分割图像中提取整体冠脉中心线；
冠脉主支中心线提取模块，用于对所述冠脉图像进行冠脉主支分割处理，得到冠脉主支分割图像，并从所述冠脉主支分割图像中提取冠脉主支中心线；
主支血管中心线命名模块，用于根据所述冠脉主支中心线，定位所述整体冠脉中心线中的主支血管中心线，并对所述主支血管中心线进行命名；
分支血管中心线确定模块，用于确定所述整体冠脉中心线中除所述主支血管中心线之外的分支血管中心线；
分支血管中心线分级模块，用于通过比对角度、位置和长度中的至少一种信息，迭代地对所述分支血管中心线进行分级。
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，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本申请各实施例所述的冠脉中心线提取方法中的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行本申请各实施例所述的冠脉中心线提取方法中的步骤。
上述冠脉中心线提取方法、装置、计算机设备和存储介质，对冠脉图像进行冠脉分割处理，得到冠脉分割图像，从冠脉分割图像中提取整体冠脉中心线，并对冠脉图像进行冠脉主支分割处理，得到冠脉主支分割图像，由于冠脉主支分割图像是专门针对冠脉主支进行分割得到的图像，所以从冠脉主支分割图像中能够准确地提取冠脉主支中心线，并对冠脉主支中心线进行自动命名。然后根据冠脉主支中心线，能够准确地定位整体冠脉中心线中相应的主支血管中心线，并根据冠脉主支中心线的命名，对相应的主支血管中心线进行自动命名，所以，基于准确确定的主支血管中心线，能够准确地确定冠脉中心线中除主支血管中心线之外的分支血管中心线，从而既提高主支血管中心线提取的准确性，又提高分支血管中心线提取的准确性。通过比对角度、位置和长度中的至少一种信息，迭代地对分支血管中心线进行准确的分级，从而实现对整个冠脉中心线的准确提取。
附图说明
图1为一个实施例中冠脉中心线提取方法的流程示意图；
图2为一个实施例中整体冠脉分割模型的训练示意图；
图3为一个实施例中冠脉主支分割模型的训练示意图；
图4为一个实施例中整体冠脉中心线提取方法的流程示意图；
图5为一个实施例中冠脉主支中心线提取方法的流程示意图；
图6为一个实施例中分级后的中心线的示意图；
图7为一个实施例中两条分支血管中心线在交叉点处的示意图；
图8为一个实施例中中心线微调方法的示意图；
图9为一个实施例中中心线微调模型的训练示意图；
图10为一个实施例中冠脉中心线提取方法的原理示意图；
图11为一个实施例中冠脉中心线提取装置的结构框图；
图12为另一个实施例中冠脉中心线提取装置的结构框图；
图13为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种冠脉中心线提取方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
S101，对冠脉图像进行冠脉分割处理，得到冠脉分割图像。
其中，冠脉图像，是心脏冠脉的图像。冠脉分割处理，是通过对冠脉图像进行图像分割得到冠脉分割图像的处理。冠脉分割图像，是对冠脉图像进行冠脉分割处理得到的前景只有冠脉、且除冠脉之外的部分均为背景的图像。可以理解，冠脉分割图像中包含冠脉图像中的全部冠脉。
在一个实施例中，冠脉图像可以是二维图像、三维图像或四维图像。
在一个实施例中，冠脉图像可以是CT(Computed Tomography，电子计算机断层扫描)影像或二维冠脉造影图像或MRI(Magnetic Resonance Imaging，磁共振成像)影像。
在一个实施例中，服务器可以将冠脉图像输入预先训练的用于冠脉分割处理的深度学习模型中，输出冠脉分割图像。如图2所示，是用于冠脉分割处理的深度学习模型的训练过程示意图，将冠脉图像输入待训练的深度神经网络中，预测冠脉分割图像，然后将人工标注的冠脉分割图像作为目标，将预测的冠脉分割图像与人工标注进行对比，将对比得到的差异反馈至深度神经网络，迭代地更新深度神经网络，使差异减小，直至差异收敛，得到用于冠脉分割处理的深度学习模型。
在一个实施例中，服务器也可以通过Frangi滤波等对冠脉图像进行冠脉分割处理，得到冠脉分割图像。
S102，从冠脉分割图像中提取整体冠脉中心线。
其中，整体冠脉中心线，是冠脉图像中全部冠脉的中心线，即，冠脉树中各冠脉的中心线。
在一个实施例中，服务器可以基于冠脉分割图像，通过区域生长方法，生成整体冠脉中心线。
在一个实施例中，服务器也可以根据冠脉分割图像，生成冠脉中心线强度图，然后基于冠脉中心线强度图，以及结合入口端点和末端端点的检测，采用最小成本路径算法，生成整体冠脉中心线。
S104，对冠脉图像进行冠脉主支分割处理，得到冠脉主支分割图像，并从冠脉主支分割图像中提取冠脉主支中心线，以及对冠脉主支中心线进行命名。
其中，冠脉主支，是冠脉中主要的冠脉。冠脉主支分割处理，是通过对冠脉图像进行图像分割得到冠脉主支分割图像的处理。冠脉主支分割图像，是对冠脉图像进行冠脉主支分割处理得到的前景只有冠脉主支、且除冠脉主支之外的部分均为背景的图像。冠脉主支中心线，是冠脉主支分割图像中冠脉主支的中心线。
在一个实施例中，冠脉主支包括右冠状动脉(RCA，Right Coronary Artery)、左前降支动状冠脉(LAD，Left Anterior Descending Coronary Artery)和左回旋支动状冠脉(LCX，Left Circumflex Coronary Artery)中的至少一种。
在一个实施例中，服务器可以将冠脉图像输入预先训练的用于冠脉主支分割处理的深度学习模型中，输出冠脉主支分割图像。如图3所示，是用于冠脉主支分割处理的深度学习模型的训练过程示意图，将冠脉图像输入待训练的深度神经网络中，预测冠脉主支分割图像，然后将人工标注的冠脉主支分割图像作为目标，将预测的冠脉主支分割图像与人工标注进行对比，将对比得到的差异反馈至深度神经网络，迭代地更新深度神经网络，使差异减小，直至差异收敛，得到用于冠脉主支分割处理的深度学习模型。预测的冠脉主支分割图像中，对不同的冠脉主支进行了区别标记(如图3中的标号“1”、“2”和“3”)。
在一个实施例中，服务器可以基于冠脉主支分割图像，通过区域生长方法，生成冠脉主支中心线。
在一个实施例中，服务器也可以根据冠脉主支分割图像，生成冠脉主支中心线强度图，然后基于冠脉主支中心线强度图，采用最小成本路径算法，生成冠脉主支中心线。
在一个实施例中，服务器在生成冠脉主支中心线时，可以根据冠脉主支中心线在冠脉主支分割图像中的位置，对冠脉主支中心线进行命名。命名的名称包括右冠状动脉、左前降支动状冠脉和左回旋支动状冠脉中的至少一种。
S106，根据冠脉主支中心线，定位整体冠脉中心线中相应的主支血管中心线，并根据冠脉主支中心线的命名，对相应的主支血管中心线进行命名。
其中，主支血管中心线，是冠脉主支中心线在整体冠脉中心线中对应的中心线。实际上是，整体冠脉中心线中的冠脉主支的中心线。
可以理解，冠脉主支中心线是从冠脉主支分割图像中提取的冠脉主支的中心线，而整体冠脉中心线是从冠脉图像中提取的整体冠脉的中心线，两者不是从同一幅图像中提取的，因此，需要在整体冠脉中心线中定位冠脉主支中心线对应的中心线。
具体地，服务器在整体冠脉中心线中，查找与冠脉主支中心线重合率最高的中心线，作为冠脉主支中心线对应的主支血管中心线，并根据冠脉主支中心线的命名，对相应的主支血管中心线进行命名。与冠脉主支中心线的命名的名称相对应，主支血管中心线的命名的名称同样包括右冠状动脉、左前降支动状冠脉和左回旋支动状冠脉中的至少一种。
S108，确定整体冠脉中心线中除主支血管中心线之外的分支血管中心线。
其中，分支血管中心线，是整体冠脉中心线中除主支血管中心线之外的中心线。
S110，通过比对角度、位置和长度中的至少一种信息，迭代地对分支血管中心线进行分级。
其中，角度比对，是对具有重合部分的分支血管中心线之间的角度进行比对。对分支血管中心线进行分级，是指确定分支血管中心线中的主干和下级分支，即，将分支血管中心线分成主干中心线和下级中心线。
具体地，服务器可以将具有重合部分的分支血管中心线划分至同一集合，然后对同一集合中的分支血管中心线进行迭代的角度比对，确定同一集合中的主干中心线和下级中心线。
上述冠脉中心线提取方法中，对冠脉图像进行冠脉分割处理，得到冠脉分割图像，从冠脉分割图像中提取整体冠脉中心线，并对冠脉图像进行冠脉主支分割处理，得到冠脉主支分割图像，由于冠脉主支分割图像是专门针对冠脉主支进行分割得到的图像，所以从冠脉主支分割图像中能够准确地提取冠脉主支中心线，并对冠脉主支中心线进行自动命名。然后根据冠脉主支中心线，能够准确地定位整体冠脉中心线中相应的主支血管中心线并进行命名，并根据冠脉主支中心线的命名，对相应的主支血管中心线进行自动命名，所以，基于准确确定的主支血管中心线，能够准确地确定冠脉中心线中除主支血管中心线之外的分支血管中心线，从而既提高主支血管中心线提取的准确性，又提高分支血管中心线提取的准确性。通过比对角度、位置和长度中的至少一种信息，迭代地对分支血管中心线进行准确的分级，从而实现对整个冠脉中心线的准确提取。
而且，相较于通过形态骨架化方法进行腐蚀和细化来得到冠脉中心线而言，本申请的方案能够准确提取冠脉中心线，而不易出现冠脉中心线的假阳性。其次，相较于基于冠脉局部位置的方向追踪冠脉末端而言，容易丢失冠脉树的全局信息而言，本申请的方案中是在整体冠脉中心线的基础上，确定主支血管中心线和分支血管中心线，并对分支血管中心线进行分级，考虑了冠脉树的全局信息。此外，本申请的方案对提取出的冠脉主支中心线自动进行命名，不需要基于固定的血管形态模型进行命名，提高了血管命名的鲁棒性和稳定性。
在一个实施例中，如图4所示，步骤S102包括：
S402，根据冠脉分割图像，生成冠脉中心线强度图；冠脉中心线强度图，用于表征冠脉分割图像中各像素为整体冠脉中心线的概率。
其中，不属于冠脉分割图像中的前景的像素，在冠脉中心线强度图中具有较大的强度值。
在一个实施例中，服务器可以将冠脉分割图像输入预先训练的用于生成中心线强度图的深度学习模型中，得到冠脉中心线强度图。
在一个实施例中，服务器也可以通过基于二阶偏导数Hessian矩阵的Frangi滤波器对冠脉分割图像进行滤波处理，得到冠脉中心线强度图。
S404，将冠脉分割图像输入冠脉入口检测模型中，得到冠脉入口端点。
其中，冠脉入口检测模型，用于识别冠脉入口区域。即，冠脉入口检测模型，可以是一种用于进行冠脉入口检测的深度学习模型(比如，深度卷积模型)。
具体地，服务器将冠脉分割图像输入冠脉入口检测模型中，输出冠脉入口区域的概率图。然后对冠脉入口区域的概率图进行预设阈值的二值化处理，得到冠脉入口区域。对冠脉入口区域取质心，得到冠脉入口端点。
在一个实施例中，冠脉入口端点包括左端点和右端点。其中，左端点，是冠脉形成的左冠脉树的入口端点。右端点，是冠脉形成的右冠脉树的入口端点。可以理解，冠脉图像中的全部冠脉，相当于一整棵冠脉树，而整棵冠脉树中又包括左冠脉树和右冠脉树。
在一个实施例中，服务器将冠脉分割图像输入冠脉入口检测模型中，输出左冠脉树的冠脉入口区域的概率图和右冠脉树的冠脉入口区域的概率图，然后对两个概率图分别进行预设阈值的二值化处理，得到左冠脉树的冠脉入口区域和右冠脉树的冠脉入口区域，对两个冠脉入口区域分别取质心，得到左端点和右端点。
S406，将冠脉分割图像输入到冠脉末端检测模型中，得到冠脉末端端点。
其中，冠脉末端端点，是冠脉分割图像中全部冠脉的末端的端点。
在一个实施例中，服务器可以将冠脉分割图像输入预先训练的冠脉末端检测模型中，输出冠脉分割图像中的冠脉末端区域的概率图。然后对冠脉分割图像中的冠脉末端区域的概率图进行预设阈值的二值化处理，得到冠脉分割图像中的冠脉末端区域。对冠脉分割图像中的冠脉末端区域取质心，得到冠脉末端端点。
在一个实施例中，服务器也可以先在冠脉分割图像中定位冠脉入口端点，然后在冠脉分割图像中，以冠脉入口端点为起始点，采用区域生长前波传导的方法，得到冠脉末端端点。
S408，基于冠脉中心线强度图，生成连接冠脉入口端点与冠脉入口端点所对应的冠脉末端端点的最小成本路径，作为整体冠脉中心线。
其中，最小成本路径，是两点之间成本代价最小的路径。可以理解，S408中所生成的最小成本路径，是指冠脉入口端点和所对应的冠脉末端端点之间成本代价最小的路径(即由冠脉入口端点到所对应的冠脉末端端点所需要的成本代价最小的路径)。
冠脉入口端点所对应的冠脉末端端点，是在冠脉分割图像中定位冠脉入口端点后，在冠脉分割图像中与冠脉入口端点位于同一连通域中的冠脉末端端点。
在一个实施例中，服务器可以采用最小成本路径算法(比如：迪科斯彻算法(Dijkstra’s algorithm)或快速行进算法(fast marching algorithm)等)，在冠脉中心线强度图上，生成连接冠脉入口端点、以及与冠脉入口端点对应的冠脉末端端点的最小成本路径，作为整体冠脉中心线。可以理解，冠脉末端端点为多个，则可以生成多条整体冠脉中心线。
可以理解，不属于冠脉分割图像中的前景的像素，在冠脉中心线强度图中具有较大的强度值，因此，经过不属于冠脉分割图像中的前景的像素的路径具有较大的成本代价，那么，采用最小成本路径算法所得到的最小成本路径会处于前景的中心位置，即生成了冠脉分割图像中冠脉的中心线。
在一个实施例中，服务器先在冠脉中心线强度图中定位冠脉入口端点和冠脉末端端点，然后基于冠脉中心线强度图，生成连接冠脉入口端点与冠脉入口端点所对应的冠脉末端端点的最小成本路径，作为整体冠脉中心线。
本实施例中，通过对冠脉图像进行冠脉分割处理，得到冠脉分割图像，然后生成冠脉中心线强度图，并自动识别冠脉入口端点和冠脉末端端点，基于冠脉中心线强度图，得到连接冠脉入口端点和冠脉末端端点的最小成本路径，生成整体冠脉中心线，能够准确、且全自动地提取整体冠脉中心线，特别是对冠脉分割图像中冠脉分叉位置的中心线提取有良好的精度。此外，本实施例中的方案不需要手动提供冠脉端点，而是能够全自动地获取冠脉端点，从而全自动地提取整体冠脉中心线。
在一个实施例中，冠脉入口端点包括左端点和右端点。S408基于冠脉中心线强度图，生成连接冠脉入口端点、以及与冠脉入口端点对应的冠脉末端端点的最小成本路径的步骤，具体包括如下步骤：在冠脉分割图像中定位左端点和右端点；将在冠脉分割图像中与左端点位于同一连通域中的冠脉末端端点，确定为左冠脉末端端点；将在冠脉分割图像中与右端点位于同一连通域中的冠脉末端端点，确定为右冠脉末端端点；基于冠脉中心线强度图，生成连接左端点与左冠脉末端端点的最小成本路径，以及连接右端点与右冠脉末端端点的最小成本路径。
其中，左端点，是冠脉形成的左冠脉树的入口端点。右端点，是冠脉形成的右冠脉树的入口端点。
可以理解，在冠脉分割图像中与左端点位于同一连通域中的冠脉末端端点属于左冠脉树，在冠脉分割图像中与右端点位于同一连通域中的冠脉末端端点属于右冠脉树。
具体地，服务器基于冠脉中心线强度图，生成连接左端点与左冠脉末端端点的最小成本路径，得到左冠脉树中的冠脉中心线。服务器基于冠脉中心线强度图，生成连接右端点与右冠脉末端端点的最小成本路径，得到右冠脉树中的冠脉中心线。可以理解，整体冠脉中心线包括左冠脉树中的冠脉中心线和右冠脉树中的冠脉中心线。
本实施例中，服务器将冠脉末端端点分为左冠脉末端端点和右冠脉末端端点，分别进行最小成本路径的生成，能够准确提取整体冠脉中心线。
在一个实施例中，冠脉主支分割图像包括至少一个的冠脉主支的分割结果。如图5所示，S104从冠脉主支分割图像中提取冠脉主支中心线的步骤，包括：
S502，针对每个冠脉主支，从冠脉主支分割图像中提取冠脉主支的分割结果，并生成与冠脉主支的分割结果对应的冠脉主支中心线强度图；冠脉主支中心线强度图，用于表征冠脉主支的分割结果中各像素为冠脉主支中心线的概率。
其中，不属于冠脉主支的分割结果中的前景的像素，在冠脉主支中心线强度图中具有较大的强度值。
在一个实施例中，服务器在冠脉主支分割图像中将不同的冠脉主支的分割结果进行区分标记。如图3所示，冠脉主支分割图像属于多分类分割得到的图像，其中包括三个冠脉主支(即三个类别)的分割结果，用数字标号对三个冠脉主支的分割结果进行区分标记。
在一个实施例中，服务器可以将冠脉主支的分割结果输入预先训练的用于生成中心线强度图的深度学习模型中，得到该冠脉主支的分割结果对应的冠脉主支中心线强度图。
在一个实施例中，服务器也可以通过基于二阶偏导数Hessian矩阵(黑塞矩阵)的Frangi滤波器(Frangi滤波是基于Hessian矩阵构造出来的一种边缘检测增强滤波算法)对冠脉主支的分割结果进行滤波处理，得到该冠脉主支的分割结果对应的冠脉主支中心线强度图。
S504，将冠脉主支的分割结果输入冠脉末端检测模型中，得到冠脉主支的主支末端端点。
其中，冠脉末端检测模型，用于识别冠脉末端区域。即，冠脉末端检测模型，可以是一种用于进行冠脉末端检测的深度学习模型(比如，深度卷积模型)。
具体地，服务器将冠脉主支的分割结果输入冠脉末端检测模型中，输出冠脉主支上的冠脉末端区域的概率图。然后对冠脉主支上的冠脉末端区域的概率图进行预设阈值的二值化处理，得到冠脉主支上的冠脉末端区域。对冠脉主支上的冠脉末端区域取质心，得到主支末端端点。
S506，基于冠脉主支中心线强度图，生成连接冠脉主支对应的冠脉入口端点与主支末端端点的最小成本路径，作为冠脉主支的冠脉主支中心线，并按照冠脉主支对冠脉主支中心线进行命名。
其中，最小成本路径，是两点之间成本代价最小的路径。
在一个实施例中，服务器可以采用最小成本路径算法(比如：迪科斯彻算法(Dijkstra’s algorithm)或快速行进算法(fast marching algorithm)等)，在冠脉主支中心线强度图上，生成连接冠脉主支对应的冠脉入口端点与主支末端端点的最小成本路径，作为冠脉主支的冠脉主支中心线，并将该冠脉主支中心线命名为对应的冠脉主支的名称。比如：当冠脉主支为右冠状动脉(RCA)时，则将该冠脉主支的冠脉主支中心线命名为RCA；当冠脉主支为左前降支动状冠脉(LAD)时，则将该冠脉主支的冠脉主支中心线命名为LAD；当冠脉主支为左回旋支动状冠脉(LCX)时，则将该冠脉主支的冠脉主支中心线命名为LCX。
可以理解，在得到各冠脉主支中心线的命名后，即得到了整体冠脉中心线中冠脉主支中心线对应的主支血管中心线的命名。
可以理解，用于生成冠脉主支中心线的冠脉主支中心线强度图、冠脉入口端点和主支末端端点对应同一冠脉主支。
可以理解，不属于冠脉主支的分割结果中的前景的像素，在冠脉主支中心线强度图中具有较大的强度值，因此，经过不属于冠脉主支的分割结果中的前景的像素的路径具有较大的成本代价，那么，采用最小成本路径算法所得到的最小成本路径会处于前景的中心位置，即生成了冠脉主支的分割结果中的冠脉主支的中心线。
本实施例中，基于各冠脉主支的冠脉主支中心线强度图，生成连接冠脉主支对应的冠脉入口端点与主支末端端点的最小成本路径，作为冠脉主支中心线，能够分别准确地生成各冠脉主支的中心线，并且能够自动对各冠脉主支的中心线进行命名。
在一个实施例中，冠脉主支包括为右冠状动脉、左前降支动状冠脉和左回旋支动状冠脉。主支末端端点包括右冠状动脉末端端点、左前降支动状冠脉末端端点和左回旋支动状冠脉末端端点。冠脉入口端点包括左端点和右端点。左端点，与左前降支动状冠脉末端端点和左回旋支动状冠脉末端端点相对应。右端点与右冠状动脉末端端点相对应。
本实施例中，冠脉主支包括为右冠状动脉、左前降支动状冠脉和左回旋支动状冠脉，能够分别准确地生成右冠状动脉、左前降支动状冠脉和左回旋支动状冠脉的中心线，并且能够自动对各冠脉主支的中心线进行命名。
在一个实施例中，步骤S110具体包括如下步骤：将与主支血管中心线具有相同重合部分的分支血管中心线去除重合部分，并将去除重合部分后的分支血管中心线划分至同一分支血管中心线集合；针对每个分支血管中心线集合，通过迭代地比对分支血管中心线集合中分支血管中心线之间的角度，从分支血管中心线集合中确定主干中心线，并根据分支血管中心线集合，确定主干中心线的下级中心线。
其中，分支血管中心线集合，是将与主支血管中心线具有相同重合部分的分支血管中心线去除重合部分后所组成集合。主干中心线，是分支血管中心线集合中最主要的中心线。下级中心线，是分支血管中心线集合中除主干中心线之外的中心线除去与主干中心线的重合部分后的中心线。
可以理解，因为整体冠脉中心线均为从冠脉入口延伸至冠脉末端的中心线，所以整体冠脉中心线中的分支血管中心线与主支血管中心线具有重合部分。
具体地，服务器将与主支血管中心线具有相同重合部分的分支血管中心线所对应的分支血管中心线划分至同一分支血管中心线集合，将与主支血管中心线具有不同重合部分的分支血管中心线所对应的分支血管中心线划分至不同的分支血管中心线集合，最终生成至少一个分支血管中心线集合。针对每个分支血管中心线集合，服务器通过迭代地比对分支血管中心线集合中分支血管中心线之间的角度，从分支血管中心线集合中确定主干中心线，然后分别确定分支血管中心线集合中除主干中心线之外的各分支血管中心线，与主干中心线之间的重合部分，从各分支血管中心线中去除各自对应的重合部分，得到主干中心线的下级中心线。
可以理解，分支血管中心线集合中的分支血管中心线，是指分支血管中心线在去除重合部分之后的剩下的部分。
可以理解，冠脉主支可以为多条。每条冠脉主支都具有对应的主支血管中心线，针对每条主支血管中心线可以得到至少一个分支血管中心线集合。对于每条主支血管中心线来说，其所对应的同一分支血管中心线集合中的分支血管中心线所对应的去除重合部分前的分支血管中心线，与该主支血管中心线具有相同的重合部分。不同分支血管中心线集合中的分支血管中心线所对应的去除重合部分前的分支血管中心线与该主支血管中心线具有不同的重合部分。
本实施例中，通过将与主支血管中心线具有相同重合部分的分支血管中心线去除重合部分后划分至同一分支血管中心线集合中，然后迭代地比对分支血管中心线集合中分支血管中心线之间的角度，能够准确地对分支血管中心线集合中的分支血管中心线进行分级。在一个实施例中，通过迭代地比对分支血管中心线集合中分支血管中心线之间的角度，从分支血管中心线集合中确定主干中心线，并根据分支血管中心线集合，确定主干中心线的下级中心线的步骤，具体包括如下步骤：当分支血管中心线集合中只有一条分支血管中心线时，将分支血管中心线作为主干中心线；当分支血管中心线集合中有至少两条分支血管中心线时，通过迭代地比对分支血管中心线集合中分支血管中心线之间的角度，从分支血管中心线集合中筛选主干中心线；将分支血管中心线集合中各分支血管中心线去除与主干中心线重合的部分，得到主干中心线的下级中心线。
具体地，当分支血管中心线集合中只有一条分支血管中心线时，将该分支血管中心线作为主干中心线，该分支血管中心线集合中没有下级中心线。当分支血管中心线集合中有至少两条分支血管中心线时，通过迭代地比对分支血管中心线集合中分支血管中心线之间的角度，从分支血管中心线集合中筛选出主干中心线，并将分支血管中心线集合中除主干中心线之外的各分支血管中心线去除与主干中心线重合的部分，得到主干中心线的下级中心线。
如图6所示，为当分支血管中心线集合中只有一条分支血管中心线时最终提取的冠脉中心线，包括主支血管中心线和主干中心线，没有下级中心线。可以理解，当分支血管中心线集合中有至少两条分支血管中心线时，图中的主干中心线上会存在分支，即下级中心线。
本实施例中，从分支血管中心线集合中筛选出主干中心线，再得到下级中心线，实现了对冠脉中心线的准确的分级，并且将整体冠脉中心线分段便于后续处理和使用。
在一个实施例中，从分支血管中心线集合中筛选主干中心线的步骤，具体包括如下步骤：从分支血管中心线集合中随机选取一条分支血管中心线作为当前主干中心线，并从分支血管中心线集合中去除当前主干中心线，得到当前分支血管中心线集合；在当前分支血管中心线集合中随机选取一条当前分支血管中心线，确定当前分支血管中心线与当前主干中心线的分叉点，并分别确定当前分支血管中心线和当前主干中心线在分叉点后的部分，与分叉点处的走向之间的角度；将角度较小的分支血管中心线作为新的当前主干中心线，并从当前分支血管中心线集合中去除当前分支血管中心线，得到新的当前分支血管中心线集合，返回执行在当前分支血管中心线集合中随机选取一条当前分支血管中心线及后续步骤，直至当前分支血管中心线集合为空；将最终的当前主干中心线确定为分支血管中心线集合中的主干中心线。
其中，分叉点，是两条分支血管中心线由重合变为不重合的分界点。
如图7所示，为当前分支血管中心线和当前主干中心线在交叉点处的示意图，其中，l1为当前分支血管中心线和当前主干中心线的重合部分，l2为当前主干中心线除l1以外的部分(即当前主干中心线在分叉点后的部分)，l3为当前分支血管中心线除l1以外的部分(即当前分支血管中心线在分叉点后的部分)，α为l2与l1的夹角(即当前主干中心线在分叉点后的部分与分叉点处的走向之间的角度)，β为l3与l1的夹角(即当前分支血管中心线在分叉点后的部分与分叉点处的走向之间的角度)。若α＜β，则将l2所对应的当前主干中心线作为本轮迭代中确定出的新的当前主干中心线。若α＞β，则将l3所对应的当前分支血管中心线作为本轮迭代中确定出的新的当前主干中心线。
本实施例中，通过迭代地在分支血管中心线集合中筛选主干中心线，能够准确地确定出主干中心线。
在一个实施例中，该方法还包括：在分级中心线集合中的各条中心线上，获取预设间隔的多个中心点；分级中心线集合包括主支血管中心线、主干中心线和下级中心线；对多个中心点进行插值处理，生成分级中心线；获取以中心点为中心的、且垂直于分级中心线的预设数量的图像，得到横截面图像序列；将横截面图像序列输入中心线微调模型中，预测中心点的偏移量；根据偏移量，对中心点进行微调，得到微调后的新的中心点；对各新的中心点进行插值处理，得到微调后的分级中心线。
其中，预设间隔满足稀疏条件，即，预设间隔比较大，对各中心线以预设间隔进行稀疏取点，得到多个中心点。分级中心线集合，是按照整体冠脉中心线的分级结果对整体冠脉中心线进行分级和分段之后得到的中心线的集合。分级中心线，是将分级中心线集合中的中心线进行平滑后生成的中心线。横截面图像序列，包括一系列的预设尺寸的二维图像。中心线微调模型，用于预测中心点的偏移量。即，中心线微调模型，可以是一种用于进行进行中心线微调的深度学习模型(比如，深度卷积模型)。
需要说明的是，本申请各实施例中的中心线微调模型，具备对图像中的线进行微调的能力，并不限定于仅对血管中心线进行微调，而是可以适用于对任意场景下的线进行微调。
具体地，如图8所示，从提取出的分级中心线集合中的中心线上获取预设间隔的多个中心点作为控制点，插值生成分级中心线，然后获取以中心点为中心的、且垂直于分级中心线的预设数量的尺寸为w*h的二维图像，得到横截面图像序列，将横截面图像序列输入中心线微调模型中，预测中心点的偏移量，根据偏移量，对中心点进行微调，得到微调后的新的中心点，插值生成微调后的分级中心线。
在一个实施例中，中心线微调模型的训练步骤包括：获取样本冠脉图像中冠脉的多个样本中心点(如图9，标注中心线的控制点即为样本中心点)。服务器根据随机的真实偏移量，对样本中心点的位置进行偏移(如图9，偏移后的控制点，即为偏移后的样本中心点)，并对偏移后的样本中心点进行插值处理，生成样本中心线(如图9，插值后生成中心线，即为生成了样本中心线)。获取以偏移后的样本中心点为中心的、且垂直于样本分级中心线的预设数量的二维图像，得到样本横截面图像序列(如图9，d幅尺寸为w*h的二维图像)。服务器将样本横截面图像序列输入待训练的中心线微调模型中，输出偏移后的样本中心点的预测偏移量；根据预测偏移量与真实偏移量的差异，迭代调整待训练的中心线微调模型(监督学习)，直到模型收敛，得到最终的中心线微调模型。
在一个实施例中，可以预先对样本冠脉图像进行轮廓标注，计算机设备可以对标注的轮廓取质心，将所取的质心作为样本冠脉图像中冠脉的样本中心点。可以理解，图9即为以标注的轮廓为例说明中心线微调模型的训练过程。在其他实施例中，计算机设备也可以直接从已提取出的中心线上的中心点中，选取样本中心点。
本实施例中，对分级中心线集合中的中心线进行稀疏取点，以选取多个中心点，进行插值处理，生成分级中心线，能够得到平滑的分级中心线。然后，通过中心线微调模型，预测分级中心线上的中心点的偏移量，实现对分级中心线进行微调，从而得到更加准确的冠脉中心线。
如图10所示，是一个实施例中本申请各实施例中冠脉中心线提取方法的原理示意图。首先根据冠脉图像分别得到冠脉分割图像和冠脉主支分割图像，然后分别对冠脉分割图像和冠脉主支分割图像进行中心线提取，得到整体冠脉中心线和冠脉主支中心线，接着根据冠脉主支中心线，对整体冠脉中心线中相应的主支血管中心线进行命名，并对整体冠脉中心线中除主支血管中心线之外的分支血管中心线进行分级，得到主干中心线和下级中心线，最后对分级后得到的分级中心线集合中的中心线进行微调。
应该理解的是，虽然本申请各实施例中的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，本申请各实施例中的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图11所示，提供了一种冠脉中心线提取装置1100，包括：冠脉分割模块1102、整体冠脉中心线提取模块1104、冠脉主支中心线提取模块1106、主支血管中心线命名模块1108、分支血管中心线确定模块1110和分支血管中心线分级模块1112，其中：
冠脉分割模块1102，用于对冠脉图像进行冠脉分割处理，得到冠脉分割图像。
整体冠脉中心线提取模块1104，用于从冠脉分割图像中提取整体冠脉中心线。
冠脉主支中心线提取模块1106，用于对所述冠脉图像进行冠脉主支分割处理，得到冠脉主支分割图像，并从所述冠脉主支分割图像中提取冠脉主支中心线。
主支血管中心线命名模块1108，用于根据所述冠脉主支中心线，定位所述整体冠脉中心线中的主支血管中心线，并对所述主支血管中心线进行命名。
分支血管中心线确定模块1110，用于确定所述整体冠脉中心线中除所述主支血管中心线之外的分支血管中心线。
分支血管中心线分级模块1112，用于通过比对角度、位置和长度中的至少一种信息，迭代地对所述分支血管中心线进行分级。
在一个实施例中，整体冠脉中心线提取模块1104还用于根据所述冠脉分割图像，生成冠脉中心线强度图；所述冠脉中心线强度图，用于表征所述冠脉分割图像中各像素为整体冠脉中心线的概率；将所述冠脉分割图像输入冠脉入口检测模型中，得到冠脉入口端点；将所述冠脉分割图像输入到冠脉末端检测模型中，得到冠脉末端端点；基于所述冠脉中心线强度图，生成连接所述冠脉入口端点与所述冠脉入口端点所对应的所述冠脉末端端点的最小成本路径，作为整体冠脉中心线。
在一个实施例中，冠脉入口端点包括左端点和右端点。整体冠脉中心线提取模块1104还用于在所述冠脉分割图像中定位所述左端点和所述右端点；将在所述冠脉分割图像中与所述左端点位于同一连通域中的所述冠脉末端端点，确定为左冠脉末端端点；将在所述冠脉分割图像中与所述右端点位于同一连通域中的所述冠脉末端端点，确定为右冠脉末端端点；基于所述冠脉中心线强度图，生成连接所述左端点与所述左冠脉末端端点的最小成本路径，以及连接所述右端点与所述右冠脉末端端点的最小成本路径。
在一个实施例中，冠脉主支分割图像包括至少一个的冠脉主支的分割结果。冠脉主支中心线提取模块1106还用于针对每个冠脉主支，从冠脉主支分割图像中提取所述冠脉主支的分割结果，并生成与所述冠脉主支的分割结果对应的冠脉主支中心线强度图；所述冠脉主支中心线强度图，用于表征所述冠脉主支的分割结果中各像素为冠脉主支中心线的概率；将所述冠脉主支的分割结果输入冠脉末端检测模型中，得到所述冠脉主支的主支末端端点；基于所述冠脉主支中心线强度图，生成连接所述冠脉主支对应的冠脉入口端点与所述主支末端端点的最小成本路径，作为所述冠脉主支的冠脉主支中心线，并按照所述冠脉主支对所述冠脉主支中心线进行命名。
在一个实施例中，冠脉主支包括为右冠状动脉、左前降支动状冠脉和左回旋支动状冠脉；所述主支末端端点包括右冠状动脉末端端点、左前降支动状冠脉末端端点和左回旋支动状冠脉末端端点；所述冠脉入口端点包括左端点和右端点；所述左端点，与所述左前降支动状冠脉末端端点和左回旋支动状冠脉末端端点相对应；所述右端点与所述右冠状动脉末端端点相对应。
在一个实施例中，分支血管中心线分级模块1112还用于将与所述主支血管中心线具有相同重合部分的分支血管中心线去除所述重合部分，并将去除所述重合部分后的分支血管中心线划分至同一分支血管中心线集合；针对每个分支血管中心线集合，通过迭代地比对所述分支血管中心线集合中分支血管中心线之间的角度、位置和长度中的至少一种信息，从所述分支血管中心线集合中确定主干中心线，并根据所述分支血管中心线集合，确定所述主干中心线的下级中心线。
在一个实施例中，分支血管中心线分级模块1112还用于当所述分支血管中心线集合中只有一条分支血管中心线时，将所述分支血管中心线作为主干中心线；当所述分支血管中心线集合中有至少两条分支血管中心线时，通过迭代地比对所述分支血管中心线集合中分支血管中心线之间的角度、位置和长度中的至少一种信息，从所述分支血管中心线集合中筛选主干中心线；将所述分支血管中心线集合中各分支血管中心线去除与所述主干中心线重合的部分，得到所述主干中心线的下级中心线。
在一个实施例中，分支血管中心线分级模块1112还用于从所述分支血管中心线集合中随机选取一条分支血管中心线作为当前主干中心线，并从所述分支血管中心线集合中去除所述当前主干中心线，得到当前分支血管中心线集合；在所述当前分支血管中心线集合中随机选取一条当前分支血管中心线，确定所述当前分支血管中心线与所述当前主干中心线的分叉点，并分别确定所述当前分支血管中心线和所述当前主干中心线在所述分叉点后的部分，与所述分叉点处的走向之间的角度；将角度较小的分支血管中心线作为新的当前主干中心线，并从所述当前分支血管中心线集合中去除所述当前分支血管中心线，得到新的当前分支血管中心线集合，返回执行所述在所述当前分支血管中心线集合中随机选取一条当前分支血管中心线及后续步骤，直至所述当前分支血管中心线集合为空；将最终的所述当前主干中心线确定为所述分支血管中心线集合中的主干中心线。
在一个实施例中，如图12所示，冠脉中心线提取装置1100还包括：
中心线微调模块1114，用于在分级中心线集合中的各条中心线上，获取预设间隔的多个中心点；所述分级中心线集合包括所述主支血管中心线、所述主干中心线和所述下级中心线；对多个所述中心点进行插值处理，生成分级中心线；获取以所述中心点为中心的、且垂直于所述分级中心线的预设数量的图像，得到横截面图像序列；将所述横截面图像序列输入中心线微调模型中，预测所述中心点的偏移量；根据所述偏移量，对所述中心点进行微调，得到微调后的新的中心点；对各所述新的中心点进行插值处理，得到微调后的分级中心线。
上述冠脉中心线提取装置中，对冠脉图像进行冠脉分割处理，得到冠脉分割图像，从冠脉分割图像中提取整体冠脉中心线，并对冠脉图像进行冠脉主支分割处理，得到冠脉主支分割图像，由于冠脉主支分割图像是专门针对冠脉主支进行分割得到的图像，所以从冠脉主支分割图像中能够准确地提取冠脉主支中心线，并对冠脉主支中心线进行自动命名。然后根据冠脉主支中心线，能够准确地定位整体冠脉中心线中相应的主支血管中心线并进行命名，并根据冠脉主支中心线的命名，对相应的主支血管中心线进行自动命名，所以，基于准确确定的主支血管中心线，能够准确地确定冠脉中心线中除主支血管中心线之外的分支血管中心线，从而既提高主支血管中心线提取的准确性，又提高分支血管中心线提取的准确性。通过比对角度、位置和长度中的至少一种信息，迭代地对分支血管中心线进行准确的分级，从而实现对整个冠脉中心线的准确提取。而且，相较于通过形态骨架化方法进行腐蚀和细化来得到冠脉中心线，对噪声敏感、且容易导致冠脉中心线的假阳性而言，本申请的方案能够准确提取冠脉中心线，而不易出现冠脉中心线的假阳性。其次，相较于根据冠脉局部位置的方向确定当前中心线的近似延伸方向，并沿着延伸方向迭代地计算局部中心点，直至追踪到冠脉末端，容易丢失冠脉树的全局信息而言，本申请的方案中是在整体冠脉中心线的基础上，确定主支血管中心线和分支血管中心线，并对分支血管中心线进行分级，考虑了冠脉树的全局信息。此外，本申请的方案对提取出的冠脉主支中心线自动进行命名，不需要基于固定的血管形态模型，提高了血管命名的鲁棒性和稳定性。
关于冠脉中心线提取装置的具体限定可以参见上文中对于冠脉中心线提取方法的限定，在此不再赘述。上述冠脉中心线提取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储冠脉图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种冠脉中心线提取方法。
本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (12)

1.一种冠脉中心线提取方法，其特征在于，所述方法包括：
对冠脉图像进行冠脉分割处理，得到冠脉分割图像；
从冠脉分割图像中提取整体冠脉中心线；
对所述冠脉图像进行冠脉主支分割处理，得到冠脉主支分割图像，并从所述冠脉主支分割图像中提取冠脉主支中心线，以及对所述冠脉主支中心线进行命名；
根据所述冠脉主支中心线，定位所述整体冠脉中心线中相应的主支血管中心线，并根据所述冠脉主支中心线的命名，对相应的所述主支血管中心线进行命名；
确定所述整体冠脉中心线中除所述主支血管中心线之外的分支血管中心线；
通过比对角度、位置和长度中的至少一种信息，迭代地对所述分支血管中心线进行分级。
2.根据权利要求1所述的方法，其特征在于，所述从冠脉分割图像中提取整体冠脉中心线包括：
根据所述冠脉分割图像，生成冠脉中心线强度图；所述冠脉中心线强度图，用于表征所述冠脉分割图像中各像素为整体冠脉中心线的概率；
将所述冠脉分割图像输入冠脉入口检测模型中，得到冠脉入口端点；
将所述冠脉分割图像输入到冠脉末端检测模型中，得到冠脉末端端点；
基于所述冠脉中心线强度图，生成连接所述冠脉入口端点与所述冠脉入口端点所对应的所述冠脉末端端点的最小成本路径，作为整体冠脉中心线。
3.根据权利要求2所述的方法，其特征在于，所述冠脉入口端点包括左端点和右端点；所述基于所述冠脉中心线强度图，生成连接所述冠脉入口端点与所述冠脉入口端点所对应的所述冠脉末端端点的最小成本路径包括：
在所述冠脉分割图像中定位所述左端点和所述右端点；
将在所述冠脉分割图像中与所述左端点位于同一连通域中的所述冠脉末端端点，确定为左冠脉末端端点；
将在所述冠脉分割图像中与所述右端点位于同一连通域中的所述冠脉末端端点，确定为右冠脉末端端点；
基于所述冠脉中心线强度图，生成连接所述左端点与所述左冠脉末端端点的最小成本路径，以及连接所述右端点与所述右冠脉末端端点的最小成本路径。
4.根据权利要求2所述的方法，其特征在于，所述冠脉主支分割图像包括至少一个的冠脉主支的分割结果；
所述从所述冠脉主支分割图像中提取冠脉主支中心线包括：
针对每个冠脉主支，从冠脉主支分割图像中提取所述冠脉主支的分割结果，并生成与所述冠脉主支的分割结果对应的冠脉主支中心线强度图；所述冠脉主支中心线强度图，用于表征所述冠脉主支的分割结果中各像素为冠脉主支中心线的概率；
将所述冠脉主支的分割结果输入冠脉末端检测模型中，得到所述冠脉主支的主支末端端点；
基于所述冠脉主支中心线强度图，生成连接所述冠脉主支对应的冠脉入口端点与所述主支末端端点的最小成本路径，作为所述冠脉主支的冠脉主支中心线，并按照所述冠脉主支对所述冠脉主支中心线进行命名。
5.根据权利要求4所述的方法，其特征在于，所述冠脉主支包括为右冠状动脉、左前降支动状冠脉和左回旋支动状冠脉；所述主支末端端点包括右冠状动脉末端端点、左前降支动状冠脉末端端点和左回旋支动状冠脉末端端点；所述冠脉入口端点包括左端点和右端点；所述左端点，与所述左前降支动状冠脉末端端点和左回旋支动状冠脉末端端点相对应；所述右端点与所述右冠状动脉末端端点相对应。
6.根据权利要求1所述的方法，其特征在于，所述通过比对角度、位置和长度中的至少一种信息，迭代地对所述分支血管中心线进行分级包括：
将与所述主支血管中心线具有相同重合部分的分支血管中心线去除所述重合部分，并将去除所述重合部分后的分支血管中心线划分至同一分支血管中心线集合；
针对每个分支血管中心线集合，通过迭代地比对所述分支血管中心线集合中分支血管中心线之间的角度、位置和长度中的至少一种信息，从所述分支血管中心线集合中确定主干中心线，并根据所述分支血管中心线集合，确定所述主干中心线的下级中心线。
7.根据权利要求6所述的方法，其特征在于，所述通过迭代地比对所述分支血管中心线集合中分支血管中心线之间的角度、位置和长度中的至少一种信息，从所述分支血管中心线集合中确定主干中心线，并根据所述分支血管中心线集合，确定所述主干中心线的下级中心线包括：
当所述分支血管中心线集合中只有一条分支血管中心线时，将所述分支血管中心线作为主干中心线；
当所述分支血管中心线集合中有至少两条分支血管中心线时，通过迭代地比对所述分支血管中心线集合中分支血管中心线之间的角度、位置和长度中的至少一种信息，从所述分支血管中心线集合中筛选主干中心线；将所述分支血管中心线集合中各分支血管中心线去除与所述主干中心线重合的部分，得到所述主干中心线的下级中心线。
8.根据权利要求7所述的方法，其特征在于，所述从所述分支血管中心线集合中筛选主干中心线包括：
从所述分支血管中心线集合中随机选取一条分支血管中心线作为当前主干中心线，并从分支血管中心线集合中去除所述当前主干中心线，得到当前分支血管中心线集合；
在所述当前分支血管中心线集合中随机选取一条当前分支血管中心线，确定所述当前分支血管中心线与所述当前主干中心线的分叉点，并分别确定所述当前分支血管中心线和所述当前主干中心线在所述分叉点后的部分，与所述分叉点处的走向之间的角度；
将角度较小的分支血管中心线作为新的当前主干中心线，并从所述当前分支血管中心线集合中去除所述当前分支血管中心线，得到新的当前分支血管中心线集合，返回执行所述在所述当前分支血管中心线集合中随机选取一条当前分支血管中心线及后续步骤，直至所述当前分支血管中心线集合为空；
将最终的所述当前主干中心线确定为所述分支血管中心线集合中的主干中心线。
9.根据权利要求1至8中任一项所述的方法，其特征在于，所述方法还包括：
在分级中心线集合中的各条中心线上，获取预设间隔的多个中心点；所述分级中心线集合包括所述主支血管中心线、所述主干中心线和所述下级中心线；
对多个所述中心点进行插值处理，生成分级中心线；
获取以所述中心点为中心的、且垂直于所述分级中心线的预设数量的图像，得到横截面图像序列；
将所述横截面图像序列输入中心线微调模型中，预测所述中心点的偏移量；
根据所述偏移量，对所述中心点进行微调，得到微调后的新的中心点；
对各所述新的中心点进行插值处理，得到微调后的分级中心线。
10.一种冠脉中心线提取装置，其特征在于，所述装置包括：
冠脉分割模块，用于对冠脉图像进行冠脉分割处理，得到冠脉分割图像；
整体冠脉中心线提取模块，用于从冠脉分割图像中提取整体冠脉中心线；
冠脉主支中心线提取模块，用于对所述冠脉图像进行冠脉主支分割处理，得到冠脉主支分割图像，并从所述冠脉主支分割图像中提取冠脉主支中心线；
主支血管中心线命名模块，用于根据所述冠脉主支中心线，定位所述整体冠脉中心线中的主支血管中心线，并对所述主支血管中心线进行命名；
分支血管中心线确定模块，用于确定所述整体冠脉中心线中除所述主支血管中心线之外的分支血管中心线；
分支血管中心线分级模块，用于通过比对角度、位置和长度中的至少一种信息，迭代地对所述分支血管中心线进行分级。
11.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的方法的步骤。
12.一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，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
CN202010477131.4A 2020-05-29 2020-05-29 冠脉中心线提取方法、装置、计算机设备和存储介质 Active CN111768411B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010477131.4A CN111768411B (zh) 2020-05-29 2020-05-29 冠脉中心线提取方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010477131.4A CN111768411B (zh) 2020-05-29 2020-05-29 冠脉中心线提取方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111768411A true CN111768411A (zh) 2020-10-13
CN111768411B CN111768411B (zh) 2023-12-08

Family

ID=72719776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010477131.4A Active CN111768411B (zh) 2020-05-29 2020-05-29 冠脉中心线提取方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111768411B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112150465A (zh) * 2020-11-24 2020-12-29 数坤（北京）网络科技有限公司 一种血管命名、测试血管数据生成方法和装置
CN112863654A (zh) * 2021-02-09 2021-05-28 杭州深睿博联科技有限公司 一种心脏冠脉血管的自动化命名方法及装置
CN112990367A (zh) * 2021-04-25 2021-06-18 杭州晟视科技有限公司 一种图像处理方法、装置、设备以及存储介质
CN113222964A (zh) * 2021-05-27 2021-08-06 推想医疗科技股份有限公司 一种冠脉中心线提取模型的生成方法及装置
CN113313715A (zh) * 2021-05-27 2021-08-27 推想医疗科技股份有限公司 心脏动脉血管的分割方法、分割装置、设备和介质
CN113409323A (zh) * 2021-06-18 2021-09-17 推想医疗科技股份有限公司 冠脉分段方法及装置、计算机可读存储介质及电子设备
CN113902689A (zh) * 2021-09-24 2022-01-07 中国科学院深圳先进技术研究院 一种血管中心线提取方法、系统、终端以及存储介质
CN114693648A (zh) * 2022-04-02 2022-07-01 深圳睿心智能医疗科技有限公司 一种血管中心线提取方法及其系统
WO2022148415A1 (zh) * 2021-01-08 2022-07-14 杭州深睿博联科技有限公司 冠脉血管分割方法、装置、设备及计算机可读存储介质
CN117558039A (zh) * 2024-01-09 2024-02-13 南京氧富智能医疗科技有限公司 动脉血管自动命名模型构建以及命名方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080100621A1 (en) * 2006-10-25 2008-05-01 Siemens Corporate Research, Inc. System and method for coronary segmentation and visualization
US20130216110A1 (en) * 2012-02-21 2013-08-22 Siemens Aktiengesellschaft Method and System for Coronary Artery Centerline Extraction
CN103340602A (zh) * 2013-06-27 2013-10-09 北京理工大学 多分支感兴趣血管段的最佳视角优化方法
US20170262733A1 (en) * 2016-03-10 2017-09-14 Siemens Healthcare Gmbh Method and System for Machine Learning Based Classification of Vascular Branches
US20170258433A1 (en) * 2016-03-10 2017-09-14 Siemens Healthcare Gmbh Method and System for Extracting Centerline Representation of Vascular Structures in Medical Images Via Optimal Paths in Computational Flow Fields
CN107610117A (zh) * 2017-09-18 2018-01-19 广州慧扬健康科技有限公司 冠状动脉管腔图像自动分割系统
CN108133478A (zh) * 2018-01-11 2018-06-08 苏州润心医疗器械有限公司 一种提取冠状动脉血管中心线的方法
CN108765363A (zh) * 2018-03-24 2018-11-06 语坤（北京）网络科技有限公司 一种基于人工智能的冠脉cta自动后处理系统
CN109712695A (zh) * 2018-12-25 2019-05-03 上海联影医疗科技有限公司 血管图像的处理方法及交互显示方法、计算机装置
CN111145200A (zh) * 2019-11-13 2020-05-12 西北大学 结合卷积神经网络与循环神经网络的血管中心线追踪方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080100621A1 (en) * 2006-10-25 2008-05-01 Siemens Corporate Research, Inc. System and method for coronary segmentation and visualization
US20130216110A1 (en) * 2012-02-21 2013-08-22 Siemens Aktiengesellschaft Method and System for Coronary Artery Centerline Extraction
CN103340602A (zh) * 2013-06-27 2013-10-09 北京理工大学 多分支感兴趣血管段的最佳视角优化方法
US20170262733A1 (en) * 2016-03-10 2017-09-14 Siemens Healthcare Gmbh Method and System for Machine Learning Based Classification of Vascular Branches
US20170258433A1 (en) * 2016-03-10 2017-09-14 Siemens Healthcare Gmbh Method and System for Extracting Centerline Representation of Vascular Structures in Medical Images Via Optimal Paths in Computational Flow Fields
CN107610117A (zh) * 2017-09-18 2018-01-19 广州慧扬健康科技有限公司 冠状动脉管腔图像自动分割系统
CN108133478A (zh) * 2018-01-11 2018-06-08 苏州润心医疗器械有限公司 一种提取冠状动脉血管中心线的方法
CN108765363A (zh) * 2018-03-24 2018-11-06 语坤（北京）网络科技有限公司 一种基于人工智能的冠脉cta自动后处理系统
CN109712695A (zh) * 2018-12-25 2019-05-03 上海联影医疗科技有限公司 血管图像的处理方法及交互显示方法、计算机装置
CN111145200A (zh) * 2019-11-13 2020-05-12 西北大学 结合卷积神经网络与循环神经网络的血管中心线追踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SCHAAP M,NEEFJES L,ET.AL: "Coronary lumen segmentation using graph cuts and robust kernel regression", INTERNATIONAL CONFERENCE ON INFORMATION PROCESSING IN MEDICAL IMAGING *
李致勋: "2D_3D冠状动脉血管分割与配准方法研究", 中国优秀硕士论文电子期刊, pages 20 - 28 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112150465B (zh) * 2020-11-24 2022-05-13 数坤(北京)网络科技股份有限公司 一种血管命名方法和装置
CN112150465A (zh) * 2020-11-24 2020-12-29 数坤（北京）网络科技有限公司 一种血管命名、测试血管数据生成方法和装置
WO2022148415A1 (zh) * 2021-01-08 2022-07-14 杭州深睿博联科技有限公司 冠脉血管分割方法、装置、设备及计算机可读存储介质
CN112863654A (zh) * 2021-02-09 2021-05-28 杭州深睿博联科技有限公司 一种心脏冠脉血管的自动化命名方法及装置
CN112990367A (zh) * 2021-04-25 2021-06-18 杭州晟视科技有限公司 一种图像处理方法、装置、设备以及存储介质
CN113222964A (zh) * 2021-05-27 2021-08-06 推想医疗科技股份有限公司 一种冠脉中心线提取模型的生成方法及装置
CN113222964B (zh) * 2021-05-27 2021-11-12 推想医疗科技股份有限公司 一种冠脉中心线提取模型的生成方法及装置
CN113313715B (zh) * 2021-05-27 2022-04-22 推想医疗科技股份有限公司 心脏动脉血管的分割方法、分割装置、设备和介质
CN113313715A (zh) * 2021-05-27 2021-08-27 推想医疗科技股份有限公司 心脏动脉血管的分割方法、分割装置、设备和介质
CN113409323A (zh) * 2021-06-18 2021-09-17 推想医疗科技股份有限公司 冠脉分段方法及装置、计算机可读存储介质及电子设备
CN113902689A (zh) * 2021-09-24 2022-01-07 中国科学院深圳先进技术研究院 一种血管中心线提取方法、系统、终端以及存储介质
CN113902689B (zh) * 2021-09-24 2024-10-25 中国科学院深圳先进技术研究院 一种血管中心线提取方法、系统、终端以及存储介质
CN114693648A (zh) * 2022-04-02 2022-07-01 深圳睿心智能医疗科技有限公司 一种血管中心线提取方法及其系统
CN117558039A (zh) * 2024-01-09 2024-02-13 南京氧富智能医疗科技有限公司 动脉血管自动命名模型构建以及命名方法及装置
CN117558039B (zh) * 2024-01-09 2024-03-15 南京氧富智能医疗科技有限公司 动脉血管自动命名模型构建以及命名方法及装置

Also Published As

Publication number Publication date
CN111768411B (zh) 2023-12-08

Similar Documents

Publication Publication Date Title
CN111768411A (zh) 冠脉中心线提取方法、装置、计算机设备和存储介质
CN110706246B (zh) 一种血管图像分割方法、装置、电子设备和存储介质
US10178982B2 (en) System and methods for automated segmentation of individual skeletal bones in 3D anatomical images
US11972571B2 (en) Method for image segmentation, method for training image segmentation model
AU2015403475B2 (en) Systems and methods for automated segmentation of individual skeletal bones in 3D anatomical images
US20210264593A1 (en) Deformity edge detection
CN111696089A (zh) 一种动静脉确定方法、装置、设备和存储介质
WO2006024974A1 (en) Feature weighted medical object contouring using distance coordinates
CN112529918B (zh) 一种脑部ct图像中脑室区域分割的方法、装置及设备
CN110211200B (zh) 一种基于神经网络技术的牙弓线生成方法及其系统
CN113516677B (zh) 一种结构化分级管状结构血管的方法、装置及电子设备
CN116524548B (zh) 血管结构信息提取方法、装置及存储介质
CN112308846A (zh) 血管分割方法、装置及电子设备
CN111312374B (zh) 医学图像处理方法、装置、存储介质及计算机设备
Ali et al. Image-selective segmentation model for multi-regions within the object of interest with application to medical disease
CN110738702B (zh) 一种三维超声图像的处理方法、装置、设备及存储介质
Bhagya et al. Analysis of image segmentation algorithms for the effective detection of leukemic cells
KR20150059860A (ko) 형태학적 연산을 이용한 이미지 분할 처리방법
CN112651960A (zh) 一种图像处理方法、装置、设备及存储介质
CN116468103A (zh) 一种肺结节良恶性识别模型训练方法、应用方法和系统
Homann et al. Vasculature segmentation of CT liver images using graph cuts and graph-based analysis
Wang A bottleneck detection approach for separating overlapped cells
CN114693648B (zh) 一种血管中心线提取方法及其系统
Wang Study on cell cluster splitting
Liu et al. Right ventricle extraction by low level and model-based algorithm

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