CN111899262A - 一种用于内窥镜的实时血流量获取方法、装置 - Google Patents
一种用于内窥镜的实时血流量获取方法、装置 Download PDFInfo
- Publication number
- CN111899262A CN111899262A CN202010934482.3A CN202010934482A CN111899262A CN 111899262 A CN111899262 A CN 111899262A CN 202010934482 A CN202010934482 A CN 202010934482A CN 111899262 A CN111899262 A CN 111899262A
- Authority
- CN
- China
- Prior art keywords
- blood flow
- image
- point
- flow velocity
- contrast
- 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
- 230000017531 blood circulation Effects 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 37
- 238000005286 illumination Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 210000004204 blood vessel Anatomy 0.000 claims description 29
- 238000013507 mapping Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000005309 stochastic process Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 17
- 238000002674 endoscopic surgery Methods 0.000 abstract 1
- 230000003872 anastomosis Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000001839 endoscopy Methods 0.000 description 2
- 238000002324 minimally invasive surgery Methods 0.000 description 2
- 208000015163 Biliary Tract disease Diseases 0.000 description 1
- 206010071229 Procedural haemorrhage Diseases 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002357 laparoscopic surgery Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 208000024691 pancreas disease Diseases 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001635 urinary tract Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000007794 visualization technique 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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明涉及一种用于内窥镜的实时血流量获取方法、装置,该方法包括如下步骤:步骤S1,同步获取白光照明与近红外激光照明的内窥镜术野内的白光图像和激光散斑图像;步骤S2,利用激光散斑衬比计算方法从激光散斑图像中获得衬比度图像以及相对血流速度图像;步骤S3,将白光图像与衬比度图像或衬比度图像融合得到融合图像;步骤S4,在融合图像上选取截面;步骤S5,基于截面位置处的相对血流速度采用峰值点和平台边界点分析法计算血流量。与现有技术相比,本发明在集成激光散斑成像的内窥镜成像系统中,实现了感兴趣区截面的实时血流量准确可靠的计算,在集成激光散斑成像的内窥镜成像系统中,实现了感兴趣区截面的实时血流量计算和显示。
Description
技术领域
本发明涉及一种医疗设备成像技术领域,尤其是涉及一种用于内窥镜的实时血流量获取方法、装置。
背景技术
医疗内窥镜是一种集成了光学、精密机械、电子电路、软件等于一体的检测仪器,其可以经人体的天然孔道(无创),或者是经手术做的小切口进入人体内(微创)进行胃肠道疾病、胰腺、胆道疾病、腹腔镜、呼吸道疾病、泌尿道的检查;亦可在内窥镜直观下进行治疗。按内窥镜到达部位的不同可分为:耳鼻喉内窥镜、口腔内窥镜、牙科内窥镜、神经镜、尿道膀胱镜、电切镜、腹腔镜、关节镜、鼻窦镜、喉镜等。按其成像构造分三类:硬管式内镜、光学纤维(软管式)内镜和电子内镜。
在内窥镜微创手术治疗过程中,传统内窥镜的实时高清视频是在可见光波段(350nm~700nm)的照明条件下获得的,仅能展现组织表面的结构特征,无法提供组织的功能参数(比如血流、血氧、病灶边界等)的信息。这些组织功能信息是外科医生重要的术中参考,可提高手术的精度并降低手术的风险。近年来,内窥镜成像方法进一步发展,出现了结合激光散斑衬比成像技术的双模态内窥镜。激光散斑衬比成像是一种在活体组织中高分辨率实时可视化血流速度及分布的方法。其利用近红外激光作为照明光源,通过检测背向相干散射光的衬比度值来测量相对血流速度。
在临床应用中,内窥镜微创手术术野内血管血流量和组织灌注量是重要的辅助信息,用于识别特定组织,预警皮下大血管,评估吻合效果等。然而,激光散斑衬比成像技术可提供实时的相对血流速度信息,但无法直接获得血管血流量的信息,因此,亟需一种方法来获得血管血流量的信息。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种用于内窥镜的实时血流量获取方法、装置。
本发明的目的可以通过以下技术方案来实现:
一种用于内窥镜的实时血流量获取方法,该方法包括如下步骤:
步骤S1,同步获取白光照明与近红外激光照明的内窥镜术野内的白光图像W(x,y,t,n)和激光散斑图像R(x,y,t),其中(x,y)为图像的行列坐标,对应于术野内的平面物理坐标,t为视频序列的序号,对应拍照的时刻,n为白光图像的RGB通道序号;
步骤S2,利用激光散斑衬比计算方法从激光散斑图像R(x,y,t)中获得衬比度图像K(x,y,t)以及相对血流速度图像v(x,y,t);
步骤S3,将白光图像W(x,y,t,n)与衬比度图像K(x,y,t)或衬比度图像K(x,y,t)融合得到融合图像;
步骤S4,在融合图像上选取截面;
步骤S5,基于截面位置处的相对血流速度采用峰值点和平台边界点分析法计算血流量。
优选地,步骤S1中白光图像和激光散斑图像像素位置是一一对应或有线性对应关系。
优选地,步骤S2中激光散斑衬比计算方法包括空间衬比计算方法、时间衬比计算方法、随机过程估计方法中的任意一种,具体地:
空间衬比计算方法获取衬比度图像的计算公式为:
时间衬比计算方法获取衬比度图像的计算公式为:
随机过程估计方法获取衬比度图像的计算公式为:
其中K2(x,y,t)为K(x,y,t)的平方,(2L+1)×(2L+1)为选取的空间窗的大小,(2S+1)为选取的时间窗的大小,L和S为正整数,i、j取整数;
相对血流速度图像通过如下两个公式中的任意一个获得:
优选地,步骤S3融合过程具体为:
首先,将衬比度图像K(x,y,t)中的衬比度值或相对血流速度图像v(x,y,t)中的相对血流速度值进行归一化[0,1];
最后,将衬比度映射图像中的数据取代或叠加到白光图像的某个选定通道,其他通道继续使用白光图像的响应通道,得到白光图像和衬比度图像的融合图像P(x,y,t,n),或者,将相对血流速度映射图像中的数据取代或叠加到白光图像的某个选定通道,其他通道继续使用白光图像的响应通道,得到白光图像和相对血流速度图像的融合图像Q(x,y,t,n)。
优选地,步骤S4在融合图像上选取截面具体为:在融合图像中选选取两个点并连线形成截面线段。
优选地,步骤S4中可同时选择多个截面,记为{Ci|i=1…M},M为选取截面的总数,进而步骤S5对各截面分别计算血流量。
优选地,步骤S5具体为:
对于截面线段Ci,设Ci由N个坐标点集构成,即Ci={(xj,yj)|1≤j≤N},其中j=1为起点,j=N为终点,
首先,基于对血流速度图像获取截面线段Ci从起点至终点的相对血流速度值的曲线X,基于曲线X获取单峰点集{peak(p)}以及平台边界位置点集{flatA(p1}、{flatB(p2},具体为:
peak(p)=(xp,yp)ifv(xp,yp,t)≥z×W1&&v(xp,yp,t)-v(xj,yj,t)≥W2
v(xp1,yp1,t)≥z×W1&&W2+v(xj1,yj1,t)≤v(xp1,yp1,t)≤v(xj2,yj2,t)+W3
v(xp2,yp2,t)≥z×W1&&W2+v(xj2,yj2,t)≤v(xp2,yp2,t)≤v(xj1,yj1,t)+W3
然后,基于单峰点集和平台边界位置点集获得截面线段Ci中血管区域和非血管区域的分界点集{BoundA(q1)}和{BoundB(q2)}:
其中,q1=1…Z3,q2=1…Z3,Z3=Z1+Z2,(xq1,yq1)为距离单峰或平台边界点最近且满足|v(xq1,yq1,t)-W1|≤W4的分界点坐标,(xq2,yq2)为距离单峰或平台边界点最近且满足|v(xq2,yq2,t)-W1|≤W4的分界点坐标,W4为设定阈值;
最后,采用快速参数寻优算法计算血管半径R和相对血流速度最大值vmax,最终获得截面区域总的血流量V(t),具体为:
A、对于单峰点集{peak(p)}中的任一个单峰peak(p),在其对应的分界点BoundA→BoundB的线段内找到相对血流速度最大的点,该点的相对血流速度值记作vmax,计算BoundA→BoundB的线段长度D;之后以点BoundA为中心,在其周围F1×F1的空间窗内找到相对血流速度最大的点MaxA,点MaxA和点BoundA的连线与线段BoundA→BoundB的夹角为θ1,以点BoundB为中心,在其周围F1×F1的空间窗内找到相对血流速度最大的点MaxB,点MaxB和点BoundB的连线与线段BoundA→BoundB的夹角为θ2,取θ=(θ1+θ2)/2,则半径R=Dsinθ/2;
B、对于平台区域,以边界位置点flatA(p1)所对应的分界点BoundA为中心,在其周围F2×F2的空间窗内,找到相对血流速度最大的点MaxA,点BoundA→MaxA连线的延长线上相对血流速度值的曲线会出现一个单峰,其中相对血流速度值最大的点为MaxB,其相对血流速度值为vmaxA,同时,在BoundA→MaxA→MaxB连线的延长线上找到距离MaxB最近且满足|v-W1|≤W4的为对侧分界点BoundA′,W4为设定阈值,记BoundA→BoundA′的长度为R1,对于边界位置点flatB(p2)执行与边界位置点flatA(p1)相同的操作获得vmaxB以及R2,则对于平台区域,相对血流速度最大值vmax=(vmaxA+vmaxB)/2,R=(R1+R2)/2;
C、所有单峰或平台区域处理完成后,将单峰或平台区域组合为一个集合G,集合G中第n个血管半径记作R(n,t),相对血流速度最大值记作vmax(n,t),进而选取的截面血流量V(t)为:
其中,N=Z1+Z2。
优选地,该方法还包括步骤S6:将选取的截面血流量随时间变化的曲线进行实时显示。
优选地,步骤S6不同截面的血流量随时间的变化以不同颜色为区分同步实时显示至显示器上。
一种用于内窥镜的实时血流量获取装置,该装置包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器,用于当执行所述计算机程序时,实现上述实时血流量获取方法。
与现有技术相比,本发明具有如下优点:
(1)本发明提供了一种用于集成激光散斑成像内窥镜的实时血流量计算方法,可在激光散斑相对血流速度成像的基础上,实时提供感兴趣区血管血流量信息。
(2)本发明提供了一种用于集成激光散斑成像内窥镜的实时血流量计算方法,该方法仅需医生或其助手用鼠标或触摸屏简单划定感兴趣截面,即可自动计算血流量信息,无需要求截面与血管横截面平行。
(3)本发明提供了一种用于集成激光散斑成像内窥镜的实时血流量计算方法,该方法基于选定截面数据的峰值分析和快速参数寻优策略,计算复杂度低,能够满足实时成像和血流量计算的需要。
(4)本发明提供了一种用于集成激光散斑成像内窥镜的实时血流量计算方法,该方法可将多个感兴趣截面的总血流量以不同颜色标记实时显示随时间的变化,可以为术中出血风险预警、切割及吻合规划提供新的信息和辅助。
附图说明
图1为本发明用于内窥镜的实时血流量获取方法的流程框图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意,以下的实施方式的说明只是实质上的例示,本发明并不意在对其适用物或其用途进行限定,且本发明并不限定于以下的实施方式。
实施例
一种用于内窥镜的实时血流量获取方法,该方法包括如下步骤:
步骤S1,同步获取白光照明与近红外激光照明的内窥镜术野内的白光图像W(x,y,t,n)和激光散斑图像R(x,y,t),其中(x,y)为图像的行列坐标,对应于术野内的平面物理坐标,t为视频序列的序号,对应拍照的时刻,n为白光图像的RGB通道序号;
步骤S2,利用激光散斑衬比计算方法从激光散斑图像R(x,y,t)中获得衬比度图像K(x,y,t)以及相对血流速度图像v(x,y,t);
步骤S3,将白光图像W(x,y,t,n)与衬比度图像K(x,y,t)或衬比度图像K(x,y,t)融合得到融合图像;
步骤S4,在融合图像上选取截面;
步骤S5,基于截面位置处的相对血流速度采用峰值点和平台边界点分析法计算血流量。
步骤S1中白光图像和激光散斑图像像素位置是一一对应或有线性对应关系,可表示为:白光图像W(x,y,t,n)某一像素点的坐标记作(x1,y1,t1,n),激光散斑图像R(x,y,t)对应像素点的坐标为(x2,y2,t2),则有如下明确关系存在:
其中,a=1,b=0,c=1,d=0,e=1,f=0。
步骤S2中激光散斑衬比计算方法包括空间衬比计算方法、时间衬比计算方法、随机过程估计方法中的任意一种,具体地:
空间衬比计算方法获取衬比度图像的计算公式为:
时间衬比计算方法获取衬比度图像的计算公式为:
随机过程估计方法获取衬比度图像的计算公式为:
其中K2(x,y,t)为K(x,y,t)的平方,(2L+1)×(2L+1)为选取的空间窗的大小,(2S+1)为选取的时间窗的大小,L和S为正整数,i、j取整数;
相对血流速度图像通过如下两个公式中的任意一个获得:
步骤S3融合过程具体为:
首先,将衬比度图像K(x,y,t)中的衬比度值或相对血流速度图像v(x,y,t)中的相对血流速度值进行归一化[0,1];
最后,将衬比度映射图像中的数据取代或叠加到白光图像的某个选定通道,其他通道继续使用白光图像的响应通道,得到白光图像和衬比度图像的融合图像P(x,y,t,n),或者,将相对血流速度映射图像中的数据取代或叠加到白光图像的某个选定通道,其他通道继续使用白光图像的响应通道,得到白光图像和相对血流速度图像的融合图像Q(x,y,t,n),其具体过程可通过如下数学表达形式表示:
衬比度映射图像或相对血流速度映射图像的数据取代白光图像的某个选定通道方式下表示为:
衬比度映射图像或相对血流速度映射图像的数据叠加白光图像的某个选定通道方式下表示为:
ni|i∈{1,2,3}
步骤S4在融合图像上选取截面具体为:在融合图像中选选取两个点并连线形成截面线段。
步骤S4中可同时选择多个截面,记为{Ci|i=1…M},M为选取截面的总数,进而步骤S5对各截面分别计算血流量。
考虑到术野内血管的血流速度分布与层流流体的速度分布特点一致,呈现中心区域流速高两侧流速低的特点(抛物线的形状),公式(a)即为血管内层流流速v(r)的分布。
其中,R为血管半径,vmax为血管内血流的最大速度(对应血管中心区域),r为血管内某点到中心线的距离。
本发明算法构建了直接从相对血流速度v(x,y,t)数据中通过峰值识别的方法,来实时定位和拟合经过的N个血管区域的血管半径R(n)和流速最大值vmax(n),基于层流的抛物线特性,由公式(b)来实时计算截面经过全部血管的实时血流量V(t)。
其理论基础如下:假定截面线段只经过一个血管,以选定的截面起点为顶点,作起点与终点的连线,连线与血管交叉有两种情况:(1)连线横跨血管两侧边界;(2)连线横跨血管单侧边界。以该连线与血管中心线的交点为特征点(xj0,yj0),以该特征点作血管中心线的垂线,设截面起点终点连线与该垂线的夹角θ(弧度)。对第(1)种情况若选定的截面刚好通过血管的横截面(即与血流方向垂直),此时θ=0(弧度),在v(x,y,t)的数据沿着截面线段Ci={(xj,yj)|1≤j≤N}从起点到终点画出其相对血流速度的曲线上,将出现一段严格按照公式(a)的分布,即有一个峰值,其两侧对称分布;若选定的截面以非垂直角度通过血管(即不平行于横截面),即0<|θ|<π/2,此时在速度数据曲线上亦会有一个峰值,其两侧速度曲线会出现非对称分布,采用公式(c)表示。
其中(xj0,yj0)为选定截面上通过血管中心线的交叉点坐标,(xj,yj)为该截面线段在相对血流速度图内的坐标。
对第(2)种情况,选定的截面并未横跨血管全部横截面,此时以截面在血管区域内的线段的中心点为特征点,其坐标为(xj0,yj0),作血管中心线的垂线,该线段与垂线的夹角为(单位为弧度),该垂线与血管中心线的交点坐标为(x0,y0),则特征点与该交点的距离为:
对截面线段Ci={(xj,yj)|1≤j≤N}中的点,由公式(e)定义其符号参数S(j),在相对血流速度的数据曲线上,会出现一段平台或缓慢变化的区域(类似标准血流分布单峰值形状的截断),也会出现不对称性,可由公式(f)描述。
上述理论分析可推广到选取截面含有多个血管的一般情况,即沿着截面线段Ci={(xj,yj)|1≤j≤N}从起点到终点画出相对血流速度值的曲线上,将出现一系列或对称或不对称的局部峰值波形,有些波形由确定的单个峰值点,有些波形为流速高的平坦或缓慢变化的平台区域(两个边界值),这些局部波形均对应于某根血管。
基于上述理论,本发明步骤S5具体为:
对于截面线段Ci,设Ci由N个坐标点集构成,即Ci={(xj,yj)|1≤j≤N},其中j=1为起点,j=N为终点,在这些坐标点中,既包含通过血管的坐标点,也包括无血管组织区域的坐标点,而计算截面血流量的时候,需要排除无血管组织区域的坐标点的影响。传统图像分割的方法可以实现血管区域和非血管区域的分割,但往往计算复杂度高且其准确度易受到内窥镜成像视野环境复杂的影响,
首先,基于对血流速度图像获取截面线段Ci从起点至终点的相对血流速度值的曲线X,基于曲线X获取单峰点集{peak(p)}以及平台边界位置点集{flatA(p1)}、{flatB(p2},具体为:
peak(p)=(xp,yp)ifv(xp,yp,t)≥z×W1&&v(xp,yp,t)-v(xj,yj,t)≥W2
其中,p=1…Z1,Z1为单峰峰值点的个数,(xp,yp)为第p个单峰峰值点的坐标,w是设定的控制鲁棒性的窗口,一般设置为3~11之间,W1为整个血流图象的背景信号值,可以取整个图像值最小的U%个值的均值,U一般取值在1%~50%之间,W2为设定阈值,一般在v(xp,yp,t)的1%~10%之间,z为实常数;
v(xp1,yp1,t)≥z×W1&&W2+v(xj1,yj1,t)≤v(xp1,yp1,t)≤v(xj2,yj2,t)+W3
v(xp2,yp2,t)≥z×W1&&W2+v(xj2,yj2,t)≤v(xp2,yp2,t)≤v(xj1,yj1,t)+W3
其中p1=1…Z2,p2=1…Z2,Z2为平台区域的总个数,(xp1,yp1)为第p1个平台区域第一边界位置坐标,(xp2,yp2)为第p2个平台区域第二边界位置坐标,W3为设定阈值,一般在v(xp,yp,t)的-10%~10%之间;
然后,基于单峰点集和平台边界位置点集获得截面线段Ci中血管区域和非血管区域的分界点集{BoundA(q1)}和{BoundB(q2)}:
其中,q1=1…Z3,q2=1…Z3,Z3=Z1+Z2,(xq1,yq1)为距离单峰或平台边界点最近且满足|v(xq1,yq1,t)-W1|≤W4的分界点坐标,(xq2,yq2)为距离单峰或平台边界点最近且满足|v(xq2,yq2,t)-W1|≤W4的分界点坐标,W4为设定阈值,W4一般在W1的1%~10%之间;最后,采用快速参数寻优算法计算血管半径R和相对血流速度最大值vmax,最终获得截面区域总的血流量V(t),具体为:
A、对于单峰点集{peak(p)}中的任一个单峰peak(p),在其对应的分界点BoundA→BoundB的线段内找到相对血流速度最大的点,该点的相对血流速度值记作vmax,计算BoundA→BoundB的线段长度D;之后从点BoundA为中心,在其周围F1×F1的空间窗内找到相对血流速度最大的点MaxA(F1一般取值为3或5),点MaxA和点BoundA的连线与线段BoundA→BoundB的夹角为θ1;对点BoundB执行同样的操作得到夹角θ2,取θ=(θ1+θ2)/2,则半径R=Dsinθ/2;
B、对于平台区域,其边界位置点flatA(p1)所对应的分界点BoundA为中心,在其周围F2×F2的空间窗内,找到相对血流速度最大的点MaxA(F2一般取值为3或5),点BoundA→MaxA连线的延长线上相对血流速度值的曲线亦会出现一个单峰,其中相对血流速度值最大的点为MaxB,其相对血流速度值为vmaxA,同时,在BoundA→MaxA→MaxB连线的延长线上找到距离MaxB最近且满足|v-W1|≤W4的为对侧分界点BoundA′(W1为整个血流图象的背景信号值,W4为设定阈值),记BoundA→BoundA′的长度为R1;对于边界位置flatB(p2)执行同样操作,获得vmaxB和R2,具体地:边界位置点flatB(p2)所对应的分界点BoundA为中心,在其周围F2×F2的空间窗内,找到相对血流速度最大的点MaxA(F2一般取值为3或5),点BoundA→MaxA连线的延长线上相对血流速度值的曲线亦会出现一个单峰,其中相对血流速度值最大的点为MaxB,其相对血流速度值为vmaxB,同时,在BoundA→MaxA→MaxB连线的延长线上找到距离MaxB最近且满足|v-W1|≤W4的为对侧分界点BoundA′(W1为整个血流图象的背景信号值,W4为设定阈值),记BoundA→BoundA′的长度为R2,进而,对于平台区域而言,相对血流速度最大值vmax=(vmaxA+vmaxB)/2,R=(R1+R2)/2;
C、所有单峰或平台区域处理完成后,将单峰或平台区域组合为一个集合G,集合G中第n个血管半径记作R(n,t),相对血流速度最大值记作vmax(n,t),进而选取的截面血流量V(t)为:
其中,N=Z1+Z2。
该方法还包括步骤S6:将选取的截面血流量随时间变化的曲线进行实时显示。
步骤S6不同截面的血流量随时间的变化以不同颜色为区分同步实时显示至显示器上。
一种用于内窥镜的实时血流量获取装置,该装置包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器,用于当执行所述计算机程序时,实现上述实时血流量获取方法。
上述实施方式仅为例举,不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施,且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。
Claims (10)
1.一种用于内窥镜的实时血流量获取方法,其特征在于,该方法包括如下步骤:
步骤S1,同步获取白光照明与近红外激光照明的内窥镜术野内的白光图像W(x,y,t,n)和激光散斑图像R(x,y,t),其中(x,y)为图像的行列坐标,对应于术野内的平面物理坐标,t为视频序列的序号,对应拍照的时刻,n为白光图像的RGB通道序号;
步骤S2,利用激光散斑衬比计算方法从激光散斑图像R(x,y,t)中获得衬比度图像K(x,y,t)以及相对血流速度图像v(x,y,t);
步骤S3,将白光图像W(x,y,t,n)与衬比度图像K(x,y,t)或衬比度图像K(x,y,t)融合得到融合图像;
步骤S4,在融合图像上选取截面;
步骤S5,基于截面位置处的相对血流速度采用峰值点和平台边界点分析法计算血流量。
2.根据权利要求1所述的一种用于内窥镜的实时血流量获取方法,其特征在于,步骤S1中白光图像和激光散斑图像像素位置是一一对应或有线性对应关系。
4.根据权利要求1所述的一种用于内窥镜的实时血流量获取方法,其特征在于,步骤S3融合过程具体为:
首先,将衬比度图像K(x,y,t)中的衬比度值或相对血流速度图像v(x,y,t)中的相对血流速度值进行归一化[0,1];
5.根据权利要求1所述的一种用于内窥镜的实时血流量获取方法,其特征在于,步骤S4在融合图像上选取截面具体为:在融合图像中选选取两个点并连线形成截面线段。
6.根据权利要求5所述的一种用于内窥镜的实时血流量获取方法,其特征在于,步骤S4中可同时选择多个截面,记为{Ci|i=1…M},M为选取截面的总数,进而步骤S5对各截面分别计算血流量。
7.根据权利要求5所述的一种用于内窥镜的实时血流量获取方法,其特征在于,步骤S5具体为:
对于截面线段Ci,设Ci由N个坐标点集构成,即Ci={(xj,yj)|1≤j≤N},其中j=1为起点,j=N为终点,
首先,基于对血流速度图像获取截面线段Ci从起点至终点的相对血流速度值的曲线X,基于曲线X获取单峰点集{peak(p)}以及平台边界位置点集{flatA(p1)}、{flatB(p2},具体为:
peak(p)=(xp,yp)if v(xp,yp,t)≥z×W1&&v(xp,yp,t)-v(xj,yj,t)≥W2
v(xp1,yp1,t)≥z×W1&&W2+v(xj1,yj1,t)≤v(xp1,yp1,t)≤v(xj2,yj2,t)+W3
v(xp2,yp2,t)≥z×W1&&W2+v(xj2,yj2,t)≤v(xp2,yp2,t)≤v(xj1,yj1,t)+W3
确定分界点的方法:基于单峰点集和平台边界位置点集获得截面线段Ci中血管区域和非血管区域的分界点集{BoundA(q1)}和{BoundB(q2)}:
其中,q1=1…Z3,q2=1…Z3,Z3=Z1+Z2,(xq1,yq1)为距离单峰或平台边界点最近且满足|v(xq1,yq1,t)-W1|≤W4的分界点坐标,(xq2,yq2)为距离单峰或平台边界点最近且满足|v(xq2,yq2,t)-W1|≤W4的分界点坐标,W4为设定阈值;
最后,采用快速参数寻优算法计算血管半径r和相对血流速度最大值vmax,最终获得截面区域总的血流量V(t),具体为:
A、对于单峰点集{peak(p)}中的任一个单峰peak(p),在其对应的分界点BoundA→BoundB的线段内找到相对血流速度最大的点,该点的相对血流速度值记作vmax,计算BoundA→BoundB的线段长度D;之后以点BoundA为中心,在其周围F1×F1的空间窗内找到相对血流速度最大的点MaxA,点MaxA和点BoundA的连线与线段BoundA→BoundB的夹角为θ1,以点BoundB为中心,在其周围F1×F1的空间窗内找到相对血流速度最大的点MaxB,点MaxB和点BoundB的连线与线段BoundA→BoundB的夹角为θ2,取θ=(θ1+θ2)/2,则半径R=Dsinθ/2;
B、对于平台区域,以边界位置点flatA(p1)所对应的分界点BoundA为中心,在其周围F2×F2的空间窗内,找到相对血流速度最大的点MaxA,点BoundA→MaxA连线的延长线上相对血流速度值的曲线会出现一个单峰,其中相对血流速度值最大的点为MaxB,其相对血流速度值为vmaxA,同时,在BoundA→MaxA→MaxB连线的延长线上找到距离MaxB最近且满足|v-W1|≤W4的为对侧分界点BoundA′,W4为设定阈值,记BoundA→BoundA′的长度为R1,对于边界位置点flatB(p2)执行与边界位置点flatA(p1)相同的操作获得vmaxB以及R2,则对于平台区域,相对血流速度最大值vmax=(vmaxA+vmaxB)/2,R=(R1+R2)/2;
C、所有单峰或平台区域处理完成后,将单峰或平台区域组合为一个集合G,集合G中第n个血管半径记作R(n,t),相对血流速度最大值记作vmax(n,t),进而选取的截面血流量V(t)为:
其中,N=Z1+Z2。
8.根据权利要求1所述的一种用于内窥镜的实时血流量获取方法,其特征在于,该方法还包括步骤S6:将选取的截面血流量随时间变化的曲线进行实时显示。
9.根据权利要求8所述的一种用于内窥镜的实时血流量获取方法,其特征在于,步骤S6不同截面的血流量随时间的变化以不同颜色为区分同步实时显示至显示器上。
10.一种用于内窥镜的实时血流量获取装置,其特征在于,该装置包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器,用于当执行所述计算机程序时,实现如权利要求1~9任一项所述的实时血流量获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010934482.3A CN111899262B (zh) | 2020-09-08 | 2020-09-08 | 一种用于内窥镜的实时血流量获取方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010934482.3A CN111899262B (zh) | 2020-09-08 | 2020-09-08 | 一种用于内窥镜的实时血流量获取方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111899262A true CN111899262A (zh) | 2020-11-06 |
CN111899262B CN111899262B (zh) | 2023-11-21 |
Family
ID=73225514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010934482.3A Active CN111899262B (zh) | 2020-09-08 | 2020-09-08 | 一种用于内窥镜的实时血流量获取方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111899262B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1857162A (zh) * | 2006-06-08 | 2006-11-08 | 上海交通大学 | 基于血流成像的虚拟内窥镜表面彩色映射方法 |
CN105358052A (zh) * | 2013-03-15 | 2016-02-24 | 东卡罗莱娜大学 | 用于使用散斑成像技术和血液动力建模进行血流分布的非侵入式确定的方法、系统和计算机程序产品 |
US20160278715A1 (en) * | 2015-03-23 | 2016-09-29 | University Of Kentucky Research Foundation | Noncontact Three-dimensional Diffuse Optical Imaging of Deep Tissue Blood Flow Distribution |
CN106413536A (zh) * | 2014-05-23 | 2017-02-15 | 柯惠有限合伙公司 | 用于在腹腔镜中为血流成像的系统 |
US20180296103A1 (en) * | 2015-10-09 | 2018-10-18 | Vasoptic Medical, Inc. | System and method for rapid examination of vasculature and particulate flow using laser speckle contrast imaging |
CN110200707A (zh) * | 2019-06-28 | 2019-09-06 | 上海德芬生物科技有限公司 | 一种显示血流信息的手术显微镜系统及成像方法 |
CN111481171A (zh) * | 2020-04-03 | 2020-08-04 | 上海交通大学 | 一种用于脑外科手术的多模态监测系统及方法 |
-
2020
- 2020-09-08 CN CN202010934482.3A patent/CN111899262B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1857162A (zh) * | 2006-06-08 | 2006-11-08 | 上海交通大学 | 基于血流成像的虚拟内窥镜表面彩色映射方法 |
CN105358052A (zh) * | 2013-03-15 | 2016-02-24 | 东卡罗莱娜大学 | 用于使用散斑成像技术和血液动力建模进行血流分布的非侵入式确定的方法、系统和计算机程序产品 |
CN106413536A (zh) * | 2014-05-23 | 2017-02-15 | 柯惠有限合伙公司 | 用于在腹腔镜中为血流成像的系统 |
US20160278715A1 (en) * | 2015-03-23 | 2016-09-29 | University Of Kentucky Research Foundation | Noncontact Three-dimensional Diffuse Optical Imaging of Deep Tissue Blood Flow Distribution |
US20180296103A1 (en) * | 2015-10-09 | 2018-10-18 | Vasoptic Medical, Inc. | System and method for rapid examination of vasculature and particulate flow using laser speckle contrast imaging |
CN110200707A (zh) * | 2019-06-28 | 2019-09-06 | 上海德芬生物科技有限公司 | 一种显示血流信息的手术显微镜系统及成像方法 |
CN111481171A (zh) * | 2020-04-03 | 2020-08-04 | 上海交通大学 | 一种用于脑外科手术的多模态监测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111899262B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11529197B2 (en) | Device and method for tracking the position of an endoscope within a patient's body | |
EP3138526B1 (en) | Augmented surgical reality environment system | |
Mirota et al. | Vision-based navigation in image-guided interventions | |
JP6831463B2 (ja) | 医療画像処理装置、内視鏡システム、診断支援装置、並びに医療業務支援装置 | |
US20130345509A1 (en) | System and method for endoscopic measurement and mapping of internal organs, tumors and other objects | |
US20130259315A1 (en) | Methods for generating stereoscopic views from monoscopic endoscope images and systems using the same | |
CN107689045B (zh) | 内窥镜微创手术导航的图像显示方法、装置及系统 | |
JP2011206251A (ja) | 画像処理装置、画像処理方法及びプログラム | |
US9830737B2 (en) | Virtual endoscopic image generation device, method, and medium containing program | |
US9808145B2 (en) | Virtual endoscopic image generation device, method, and medium containing program | |
WO2012014438A1 (ja) | 内視鏡観察を支援する装置および方法、並びに、プログラム | |
Sánchez-González et al. | Laparoscopic video analysis for training and image-guided surgery | |
WO2013008526A1 (ja) | 画像処理装置 | |
JPH11104072A (ja) | 医療支援システム | |
WO2019220916A1 (ja) | 医療画像処理装置、医療画像処理方法及び内視鏡システム | |
JP2020516408A (ja) | 内視鏡測定の方法および器具 | |
US11961228B2 (en) | Medical image processing system | |
CN111899262B (zh) | 一种用于内窥镜的实时血流量获取方法、装置 | |
JP2016509510A (ja) | 事前取得画像を利用したナビゲーション | |
CN114882093B (zh) | 术中三维点云生成方法、装置和术中局部结构导航方法 | |
Zenteno et al. | 3D Cylinder Pose Estimation by Maximization of Binary Masks Similarity: A simulation Study for Multispectral Endoscopy Image Registration. | |
CN113317874B (zh) | 一种医学图像处理装置及介质 | |
DE102005012295B4 (de) | Verfahren zur endoskopischen Navigation und zur Eichung von Endoskopsystemen sowie System | |
Dubrovin et al. | Preoperative planning and intraoperative navigation, based on 3D modeling for retroperitoneal procedures | |
US20220222835A1 (en) | Endoscopic image registration |
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 |