CN111986139A - 颈动脉内中膜厚度的测量方法、设备及存储介质 - Google Patents
颈动脉内中膜厚度的测量方法、设备及存储介质 Download PDFInfo
- Publication number
- CN111986139A CN111986139A CN201910438220.5A CN201910438220A CN111986139A CN 111986139 A CN111986139 A CN 111986139A CN 201910438220 A CN201910438220 A CN 201910438220A CN 111986139 A CN111986139 A CN 111986139A
- Authority
- CN
- China
- Prior art keywords
- intima
- curve
- media
- target
- initial
- 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.)
- Pending
Links
- 210000001715 carotid artery Anatomy 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005259 measurement Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012886 linear function Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000009792 diffusion process Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 15
- 238000002604 ultrasonography Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 210000004204 blood vessel Anatomy 0.000 description 4
- 239000012528 membrane Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 210000004231 tunica media Anatomy 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 241000270295 Serpentes Species 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 238000009098 adjuvant therapy Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000035945 sensitivity Effects 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
- G06T7/12—Edge-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
- G06T2207/10132—Ultrasound image
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种颈动脉内中膜厚度的测量方法,该方法包括:获取包含颈动脉内中膜的超声图像,对超声图像进行预处理,得到待分析的目标图像;从目标图像中提取出初始管腔内膜曲线和初始中膜曲线;将超声图像中包含初始管腔内膜曲线和初始中膜曲线的区域分割出来,得到边缘轮廓线;从边缘轮廓线中分离出目标管腔内膜曲线和目标中膜曲线;根据目标管腔内膜曲线和目标中膜曲线计算颈动脉内中膜厚度。本发明还公开了一种颈动脉内中膜厚度的测量设备和一种存储介质。本发明能够实现对颈动脉内中膜厚度进行自动测量,提高测量的效率和测量结果的准确性。
Description
技术领域
本发明涉及超声技术领域,尤其涉及颈动脉内中膜厚度的测量方法、设备及存储介质。
背景技术
颈动脉血管内中膜厚度(Intima Median Thickness,简称IMT)是衡量动脉粥样硬化程度的重要标准之一,同时作为心脑血管疾病严重程度的评估指标,对于心脑血管疾病的预防及辅助治疗具有重要意义。
超声图像具有实时性好,无侵入等优点,临床上广泛采用超声成像技术获取颈动脉图像,而目前IMT的测量通常是由医生手动标定,这种方法很大程度上依赖个人经验,随机误差大,直接影响着结果的准确性,并且人工测量工作量大,耗时且繁琐。
发明内容
本发明的主要目的在于提出一种颈动脉内中膜厚度的测量方法、设备及存储介质,旨在实现对颈动脉内中膜厚度进行自动测量,提高测量的效率和测量结果的准确性。
为实现上述目的,本发明提供一种颈动脉内中膜厚度的测量方法,所述方法包括如下步骤:
获取包含颈动脉内中膜的超声图像,对所述超声图像进行预处理,得到待分析的目标图像;
从所述目标图像中提取出初始管腔内膜曲线和初始中膜曲线;
将所述超声图像中包含所述初始管腔内膜曲线和所述初始中膜曲线的区域分割出来,得到边缘轮廓线;
从所述边缘轮廓线中分离出目标管腔内膜曲线和目标中膜曲线;
根据所述目标管腔内膜曲线和所述目标中膜曲线计算颈动脉内中膜厚度。
优选地,所述对所述超声图像进行预处理,得到待分析的目标图像的步骤包括:
获取所述超声图像的平均灰度值;
根据所述平均灰度值构建分段线性函数;
根据所述分段线性函数,将所述超声图像中每个像素点的灰度值映射为新的灰度值,以得到待分析的目标图像。
优选地,所述从所述目标图像中提取出初始管腔内膜曲线和初始中膜曲线的步骤包括:
采用预设的二值化算法,将所述目标图像转换为二值图像,并从所述二值图像中提取出初始管腔内膜曲线;
对所述目标图像进行各向异性扩散滤波处理,并结合所述初始管腔内膜曲线的位置,从经过所述各向异性扩散滤波处理后的目标图像中提取出初始中膜曲线。
优选地,所述将所述超声图像中包含所述初始管腔内膜曲线和所述初始中膜曲线的区域分割出来,得到边缘轮廓线的步骤包括:
将所述初始管腔内膜曲线和所述初始中膜曲线组成为初始参数曲线;
将所述初始参数曲线代入预设的主动轮廓线模型中进行计算,根据计算结果将所述超声图像中包含所述初始管腔内膜曲线和所述初始中膜曲线的区域分割出来,得到边缘轮廓线。
优选地,所述从所述边缘轮廓线中分离出目标管腔内膜曲线和目标中膜曲线的步骤包括:
确定所述边缘轮廓线的截取位置点;
根据所述截取位置点对所述边缘轮廓线进行截取操作,得到目标管腔内膜曲线和目标中膜曲线。
优选地,所述确定所述边缘轮廓线的截取位置点的步骤包括:
获取所述边缘轮廓线中的管腔内膜轮廓线;
分别计算所述管腔内膜轮廓线的每个像素点处的斜率;
分别获取所述管腔内膜轮廓线的首尾两端预设长度范围内的极大斜率值点,将所述极大斜率值点作为所述边缘轮廓线的截取位置点。
优选地,所述根据所述目标管腔内膜曲线和所述目标中膜曲线计算颈动脉内中膜厚度的步骤包括:
求取所述目标管腔内膜曲线和所述目标中膜曲线的中线;
根据预设的像素点间隔,将所述中线等分为若干段;
按照预设规则,分别计算与划分得到的各段中线对应的颈动脉内中膜厚度值;
求取所述各段中线对应的颈动脉内中膜厚度值的平均值,将所述平均值作为颈动脉内中膜厚度的测量结果。
优选地,所述按照预设规则,分别计算与划分得到的各段中线对应的颈动脉内中膜厚度值的步骤包括:
对于每段中线,获取其包含的每个像素点的坐标值,形成坐标值数组;
根据预设的坐标值阈值,剔除所述坐标值数组中的异常点,并将剩余点进行曲线拟合,得到拟合曲线;
分别计算所述拟合曲线的每个像素点处的斜率;
根据所述拟合曲线的每个像素点处的斜率,对应计算所述拟合曲线的每个像素点处的的颈动脉内中膜厚度值。
此外,为实现上述目的,本发明还提供一种颈动脉内中膜厚度的测量设备,所述颈动脉内中膜厚度的测量设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的颈动脉内中膜厚度的测量程序,所述颈动脉内中膜厚度的测量程序被所述处理器执行时实现如上所述的颈动脉内中膜厚度的测量方法的步骤。
此外,为实现上述目的,本发明还提供一种存储介质,所述存储介质上存储有颈动脉内中膜厚度的测量程序,所述颈动脉内中膜厚度的测量程序被处理器执行时实现如上所述的颈动脉内中膜厚度的测量方法的步骤。
本发明获取包含颈动脉内中膜的超声图像,对所述超声图像进行预处理,得到待分析的目标图像;从所述目标图像中提取出初始管腔内膜曲线和初始中膜曲线;将所述超声图像中包含所述初始管腔内膜曲线和所述初始中膜曲线的区域分割出来,得到边缘轮廓线;从所述边缘轮廓线中分离出目标管腔内膜曲线和目标中膜曲线;根据所述目标管腔内膜曲线和所述目标中膜曲线计算颈动脉内中膜厚度。通过这种方式,实现了对颈动脉内中膜厚度进行自动测量,相比于现有的手动测量的方式,提高了测量效率和测量结果的准确性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图;
图2为本发明颈动脉内中膜厚度的测量方法第一实施例的流程示意图;
图3为本发明实施例中采集到的包含颈动脉内中膜的超声图像示意图;
图4为本发明实施例中构建的分段线性函数示意图;
图5为本发明实施例中目标管腔内膜曲线和目标中膜曲线的中线示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
本发明实施例颈动脉内中膜厚度的测量设备可以是超声诊断仪,或与超声诊断仪连接的计算机、服务器等设备。
如图1所示,该设备可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的设备结构并不构成对设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及颈动脉内中膜厚度的测量程序。
在图1所示的设备中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的颈动脉内中膜厚度的测量程序,并执行以下操作:
获取包含颈动脉内中膜的超声图像,对所述超声图像进行预处理,得到待分析的目标图像;
从所述目标图像中提取出初始管腔内膜曲线和初始中膜曲线;
将所述超声图像中包含所述初始管腔内膜曲线和所述初始中膜曲线的区域分割出来,得到边缘轮廓线;
从所述边缘轮廓线中分离出目标管腔内膜曲线和目标中膜曲线;
根据所述目标管腔内膜曲线和所述目标中膜曲线计算颈动脉内中膜厚度。
进一步地,处理器1001可以调用存储器1005中存储的颈动脉内中膜厚度的测量程序,还执行以下操作:
获取所述超声图像的平均灰度值;
根据所述平均灰度值构建分段线性函数;
根据所述分段线性函数,将所述超声图像中每个像素点的灰度值映射为新的灰度值,以得到待分析的目标图像。
进一步地,处理器1001可以调用存储器1005中存储的颈动脉内中膜厚度的测量程序,还执行以下操作:
采用预设的二值化算法,将所述目标图像转换为二值图像,并从所述二值图像中提取出初始管腔内膜曲线;
对所述目标图像进行各向异性扩散滤波处理,并结合所述初始管腔内膜曲线的位置,从经过所述各向异性扩散滤波处理后的目标图像中提取出初始中膜曲线。
进一步地,处理器1001可以调用存储器1005中存储的颈动脉内中膜厚度的测量程序,还执行以下操作:
将所述初始管腔内膜曲线和所述初始中膜曲线组成为初始参数曲线;
将所述初始参数曲线代入预设的主动轮廓线模型中进行计算,根据计算结果将所述超声图像中包含所述初始管腔内膜曲线和所述初始中膜曲线的区域分割出来,得到边缘轮廓线。
进一步地,处理器1001可以调用存储器1005中存储的颈动脉内中膜厚度的测量程序,还执行以下操作:
确定所述边缘轮廓线的截取位置点;
根据所述截取位置点对所述边缘轮廓线进行截取操作,得到目标管腔内膜曲线和目标中膜曲线。
进一步地,处理器1001可以调用存储器1005中存储的颈动脉内中膜厚度的测量程序,还执行以下操作:
获取所述边缘轮廓线中的管腔内膜轮廓线;
分别计算所述管腔内膜轮廓线的每个像素点处的斜率;
分别获取所述管腔内膜轮廓线的首尾两端预设长度范围内的极大斜率值点,将所述极大斜率值点作为所述边缘轮廓线的截取位置点。
进一步地,处理器1001可以调用存储器1005中存储的颈动脉内中膜厚度的测量程序,还执行以下操作:
求取所述目标管腔内膜曲线和所述目标中膜曲线的中线;
根据预设的像素点间隔,将所述中线等分为若干段;
按照预设规则,分别计算与划分得到的各段中线对应的颈动脉内中膜厚度值;
求取所述各段中线对应的颈动脉内中膜厚度值的平均值,将所述平均值作为颈动脉内中膜厚度的测量结果。
进一步地,处理器1001可以调用存储器1005中存储的颈动脉内中膜厚度的测量程序,还执行以下操作:
对于每段中线,获取其包含的每个像素点的坐标值,形成坐标值数组;
根据预设的坐标值阈值,剔除所述坐标值数组中的异常点,并将剩余点进行曲线拟合,得到拟合曲线;
分别计算所述拟合曲线的每个像素点处的斜率;
根据所述拟合曲线的每个像素点处的斜率,对应计算所述拟合曲线的每个像素点处的的颈动脉内中膜厚度值。
基于上述硬件结构,提出本发明颈动脉内中膜厚度的测量方法实施例。
参照图2,图2为本发明颈动脉内中膜厚度的测量方法第一实施例的流程示意图,所述方法包括:
步骤S10,获取包含颈动脉内中膜的超声图像,对所述超声图像进行预处理,得到待分析的目标图像;
本实施例颈动脉内中膜厚度的测量方法可应用于超声诊断仪,或与超声诊断仪连接的计算机、服务器等设备,下面以超声诊断仪为例进行说明。
在本实施例中,超声诊断仪可以包括超声探头和主机系统,超声探头用于采集包含患者颈动脉内中膜的超声图像并发送到主机系统进行处理。参照图3,图3为本发明实施例中采集到的包含颈动脉内中膜的超声图像示意图,为了减少超声图像血管内噪声的干扰,可以首先对该超声图像进行预处理,以得到待分析的目标图像。
在一实施方式中,所述对所述超声图像进行预处理,得到待分析的目标图像的步骤可以包括:获取所述超声图像的平均灰度值;根据所述平均灰度值构建分段线性函数;根据所述分段线性函数,将所述超声图像中每个像素点的灰度值映射为新的灰度值,以得到待分析的目标图像。
参数图4,图4为本发明实施例中构建的分段线性函数示意图,该分段线性函数分为α、β、γ三段,其中f(a)、f(b)为转折点,横坐标f(i,j)表示映射前的灰度值,纵坐标g(i,j)表示映射后的灰度值。该分段线性函数的构建方式可以为:首先获取超声图像中每个像素点的灰度值,以此计算超声图像的平均灰度值;然后将平均灰度值减去第一预设值,得到转折点f(a),将平均灰度值加上第二预设值,得到转折点f(b),然后根据f(a)、f(b)构建三段线性函数,为保证去噪效果,其中第一段线性函数可以设置为很小的值,比如可以取值0,而另外两段线性函数可以根据经验值灵活设置;之后,根据构建的分段线性函数将超声图像中每个像素点的灰度值映射为新的灰度值,从而得到的待分析的目标图像。
需要说明的是,具体实施时并不限于上述通过超声图像的平均灰度值构建分段线性函数的方式,也可以采用其他能够反映超声图像灰度分布情况的指标,如灰度分布直方图来构建分段线性函数,且分段线性函数的分段数也可以根据需要进行灵活设置。
通过上述方式,可以有效地去除超声图像中的噪声,同时增强对比度,为后续颈动脉内中膜厚度的准确测量提供了前提保证。当然,本实施例也可以采用现有算法对超声图像进行预处理,如高斯滤波、中值滤波等,具体实施时可灵活设置。
步骤S20,从所述目标图像中提取出初始管腔内膜曲线和初始中膜曲线;
在得到目标图像后,需要首先从目标图像中提取出初始管腔内膜曲线(Lumen-Intima,简称LI曲线)和初始中膜曲线(Media-Advantia,简称MA曲线)。
具体地,该步骤S20可以进一步包括:采用预设的二值化算法,将所述目标图像转换为二值图像,并从所述二值图像中提取出初始管腔内膜曲线;对所述目标图像进行各向异性扩散滤波处理,并结合所述初始管腔内膜曲线的位置,从经过所述各向异性扩散滤波处理后的目标图像中提取出初始中膜曲线。
在本实施例中,首先通过预设的二值化算法,将目标图像转换为二值图像,其中二值化算法包括但不限于OTSU(OTSU算法是由日本学者OTSU于1979年提出的一种对图像进行二值化的高效算法,又称最大类间方差法)、聚类分割法等,比如基于OTSU算法可以将目标图像中的血管及低灰度值部位设置为背景,而血管壁及组织部位设置为目标,此时图像分为背景和目标两部分,根据血管特性,可以很容易提取出管腔-内膜曲线,即初始LI曲线;然后,对目标图像进行各向异性扩散滤波处理,并结合初始LI曲线的位置,从经过各向异性扩散滤波处理后的目标图像中提取出初始MA曲线。下面对各向异性扩散滤波的具体实施过程进行说明。
考虑到图像中内膜和中膜距离很近,对图像进行去噪的同时需要保留边缘信息,不能模糊图像边缘,否则会给检测增加难度,因此采取对图像进行各向异性扩散滤波,根据当前像素和周围像素的关系,来确定是否要向周围扩散,当检测到某个像素与其邻域像素差别较大时,代表该像素很可能是边缘,则当前像素就不能进行扩散,边缘也就得到保留了。假设目标图像为I,滤波公式如下:
四个方向上的扩散系数计算如下:
其中,k为热传导系数。
这里可以采用高斯核函数计算图像的梯度,通过构造水平方向和垂直方向的检测算子,算子大小(S1*S2)可以根据情况而定,这里选取S1=3,S2=3的大小的核函数,分别跟图像进行卷积,得到水平方向和垂直方向的图像梯度,这里使用的高斯核函数,不仅限于此,也可以根据具体情况采用其他的核函数进行梯度计算。k用来控制边缘的灵敏度,k取值越大,图像越平滑,λ同样也是取值越大,图像越平滑。具体实施时,可以根据经验值进行参数的设定,如k取40,λ取0.25,迭代次数t取40。
接着,再次对图像进行梯度计算,利用图像的二阶梯度信息,梯度大的位置对应于图像边缘,选取预设阈值将图像亮度最集中的区域提取出来,此时根据颈动脉的内中膜生理构造,结合上面获取到的初始LI的位置,可以从经过各向异性扩散滤波处理后的目标图像中提取出初始MA曲线。
步骤S30,将所述超声图像中包含所述初始管腔内膜曲线和所述初始中膜曲线的区域分割出来,得到边缘轮廓线;
具体地,该步骤S30可以进一步包括:将所述初始管腔内膜曲线和所述初始中膜曲线组成为初始参数曲线;将所述初始参数曲线代入预设的主动轮廓线模型中进行计算,根据计算结果将所述超声图像中包含所述初始管腔内膜曲线和所述初始中膜曲线的区域分割出来,得到边缘轮廓线。
该步骤中,主动轮廓线模型即Snake模型,其定义为:通过一条可变形的参数曲线来构造相应的能量函数,以最小化能量函数为目标,控制曲线的运动,能量函数达到最小时的闭合曲线就是目标轮廓。
用上述得到的初始LI曲线和初始MA曲线,组成初始的参数曲线,并将该初始参数曲线代入预设的主动轮廓线模型中进行计算,可以将包含初始管腔内膜曲线和初始中膜曲线的区域分割出来,得到最终的边缘轮廓线,其中Snake模型的具体计算公式可参照现有技术,此处不作赘述。
步骤S40,从所述边缘轮廓线中分离出目标管腔内膜曲线和目标中膜曲线;
具体地,该步骤S40可以进一步包括:确定所述边缘轮廓线的截取位置点;根据所述截取位置点对所述边缘轮廓线进行截取操作,得到目标管腔内膜曲线和目标中膜曲线。
该步骤中,由于sanke模型具有拓扑结构不变的特性,因此分割最终得到的边缘轮廓线是一条闭合的曲线,因此需要进一步从该边缘轮廓线中分离出目标管腔内膜曲线和目标中膜曲线,即选择合适的截取位置点,将连着的曲线分割开来。具体实施时,可以按照预设规则对管腔内膜曲线和目标中膜曲线的实际形状进行分析,以选择截取位置点,或者计算LI曲线和MA曲线的每个像素点在Y方向上的距离,并计算所有像素点间的距离的平均值和方差,再根据IMT正常测量值范围对应的像素单位范围,确定截取位置点。
步骤S50,根据所述目标管腔内膜曲线和所述目标中膜曲线计算颈动脉内中膜厚度。
具体地,该步骤S50可以进一步包括:求取所述目标管腔内膜曲线和所述目标中膜曲线的中线;根据预设的像素点间隔,将所述中线等分为若干段;按照预设规则,分别计算与划分得到的各段中线对应的颈动脉内中膜厚度值;求取所述各段中线对应的颈动脉内中膜厚度值的平均值,将所述平均值作为颈动脉内中膜厚度的测量结果。
其中,求取目标管腔内膜曲线和目标中膜曲线的中线的方式为:计算目标管腔内膜曲线和目标中膜曲线的每个像素点位置对应的纵坐标的平均值,根据计算得到的平均值可以在目标管腔内膜曲线和目标中膜曲线之间绘制一条中线。
参照图5,图5为本发明实施例中目标管腔内膜曲线和目标中膜曲线的中线示意图。由于内中膜的LI边缘和MA边缘并不是严格的水平线,有的位置出现较大的倾斜角度,特别是在有斑块的情形下,检测到的LI边缘会呈突起状态,为了提高测量值的精度,减少边缘倾斜带来的影响,在本实施例中,可以将中线数据分段处理。首先,根据预设的像素点间隔,将中线等分为若干段,然后按照预设规则,分别计算各段中线对应的颈动脉内中膜厚度值,然后求取颈动脉内中膜厚度值的平均值,将该平均值作为颈动脉内中膜厚度的测量结果,其中,像素点间隔可以灵活设置,比如选取N=7个点组成一段数据。
需要说明的是,在计算得到各段中线对应的颈动脉内中膜厚度值后,可以根据预设的转换关系,将像素单位的测量值转换成实际的物理测量值;此外,还可以将不同的颈动脉内中膜厚度值进行比较,从而得到颈动脉内中膜厚度值的最大值、最小值,以及计算方差等相关参数,如此便于医护人员对患者的颈动脉内中膜厚度测量值进行全面评估。
本实施例获取包含颈动脉内中膜的超声图像,对所述超声图像进行预处理,得到待分析的目标图像;从所述目标图像中提取出初始管腔内膜曲线和初始中膜曲线;将所述超声图像中包含所述初始管腔内膜曲线和所述初始中膜曲线的区域分割出来,得到边缘轮廓线;从所述边缘轮廓线中分离出目标管腔内膜曲线和目标中膜曲线;根据所述目标管腔内膜曲线和所述目标中膜曲线计算颈动脉内中膜厚度。通过这种方式,实现了对颈动脉内中膜厚度进行自动测量,相比于现有的手动测量的方式,提高了测量效率和测量结果的准确性。
进一步地,基于上述第一实施例,提出本发明颈动脉内中膜厚度的测量方法第二实施例。
在本实施例中,所述确定所述边缘轮廓线的截取位置点的步骤包括:获取所述边缘轮廓线中的管腔内膜轮廓线;分别计算所述管腔内膜轮廓线的每个像素点处的斜率;分别获取所述管腔内膜轮廓线的首尾两端预设长度范围内的极大斜率值点,将所述极大斜率值点作为所述边缘轮廓线的截取位置点。
在本实施例中,由于边缘轮廓线一般为椭圆状,因此可以确定边缘轮廓线的上边缘为管腔内膜轮廓线,下边缘为中膜轮廓线,将管腔内膜轮廓线的像素点坐标存入数组A中,将中膜轮廓线的像素点坐标存入数组B中。由于斑块通常出现在内膜位置,且LI边缘变化相比MA大,这里通过计算LI曲线的斜率变化,去选择截取位置点,具体实施方式为:根据数组A,计算每个边缘点的斜率,进而得到斜率变化曲线,然后基于斜率变化曲线,分别从数组A的首端和尾端的一定范围内寻找极大值点,将该极大值点作为管腔内膜轮廓线的截取位置点,其中,首端和尾端的极大值点搜寻范围可以灵活设置,比如选取20个像素单位。
通过上述方式确定截取位置点,考虑了颈动脉内中膜的实际形状,为后续对边缘轮廓线进行合理截取提供了前提保证。
进一步地,基于上述第一实施例,提出本发明颈动脉内中膜厚度的测量方法第三实施例。
在本实施例中,所述按照预设规则,分别计算与划分得到的各段中线对应的颈动脉内中膜厚度值的步骤可以包括:对于每段中线,获取其包含的每个像素点的坐标值,形成坐标值数组;根据预设的坐标值阈值,剔除所述坐标值数组中的异常点,并将剩余点进行曲线拟合,得到拟合曲线;分别计算所述拟合曲线的每个像素点处的斜率;根据所述拟合曲线的每个像素点处的斜率,对应计算所述拟合曲线的每个像素点处的的颈动脉内中膜厚度值。
在本实施例中,对于每段中线,获取其包含的每个像素点的坐标值,形成坐标值数组,对于每个坐标值数组,可以根据预设的坐标值阈值剔除其中的异常点,对于剩余点采用多项式进行曲线拟合,得到拟合曲线,然后分别计算该拟合曲线的每个像素点处的斜率,继续参照图5,设某一像素点处的斜率的斜率为k,该像素点处目标LI曲线和目标MA曲线之间的距离为d,根据几何关系,该像素点处的颈动脉内中膜厚度为由此,可以分别计算出拟合曲线的每个像素点处的的颈动脉内中膜厚度值,即,每段中线对应多个颈动脉内中膜厚度值计算结果。
通过上述方式计算各段中线对应的颈动脉内中膜厚度值,能够避免异常点和目标LI曲线边缘倾斜带来的影响,进一步提高了计算结果准确性。
本发明还提供一种存储介质。
本发明存储介质上存储有颈动脉内中膜厚度的测量程序,所述颈动脉内中膜厚度的测量程序被处理器执行时实现如上所述的颈动脉内中膜厚度的测量方法的步骤。
其中,在所述处理器上运行的颈动脉内中膜厚度的测量程序被执行时所实现的方法可参照本发明颈动脉内中膜厚度的测量方法各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种颈动脉内中膜厚度的测量方法,其特征在于,所述颈动脉内中膜厚度的测量方法包括如下步骤:
获取包含颈动脉内中膜的超声图像,对所述超声图像进行预处理,得到待分析的目标图像;
从所述目标图像中提取出初始管腔内膜曲线和初始中膜曲线;
将所述超声图像中包含所述初始管腔内膜曲线和所述初始中膜曲线的区域分割出来,得到边缘轮廓线;
从所述边缘轮廓线中分离出目标管腔内膜曲线和目标中膜曲线;
根据所述目标管腔内膜曲线和所述目标中膜曲线计算颈动脉内中膜厚度。
2.如权利要求1所述的颈动脉内中膜厚度的测量方法,其特征在于,所述对所述超声图像进行预处理,得到待分析的目标图像的步骤包括:
获取所述超声图像的平均灰度值;
根据所述平均灰度值构建分段线性函数;
根据所述分段线性函数,将所述超声图像中每个像素点的灰度值映射为新的灰度值,以得到待分析的目标图像。
3.如权利要求1所述的颈动脉内中膜厚度的测量方法,其特征在于,所述从所述目标图像中提取出初始管腔内膜曲线和初始中膜曲线的步骤包括:
采用预设的二值化算法,将所述目标图像转换为二值图像,并从所述二值图像中提取出初始管腔内膜曲线;
对所述目标图像进行各向异性扩散滤波处理,并结合所述初始管腔内膜曲线的位置,从经过所述各向异性扩散滤波处理后的目标图像中提取出初始中膜曲线。
4.如权利要求1所述的颈动脉内中膜厚度的测量方法,其特征在于,所述将所述超声图像中包含所述初始管腔内膜曲线和所述初始中膜曲线的区域分割出来,得到边缘轮廓线的步骤包括:
将所述初始管腔内膜曲线和所述初始中膜曲线组成为初始参数曲线;
将所述初始参数曲线代入预设的主动轮廓线模型中进行计算,根据计算结果将所述超声图像中包含所述初始管腔内膜曲线和所述初始中膜曲线的区域分割出来,得到边缘轮廓线。
5.如权利要求1至4中任一项所述的颈动脉内中膜厚度的测量方法,其特征在于,所述从所述边缘轮廓线中分离出目标管腔内膜曲线和目标中膜曲线的步骤包括:
确定所述边缘轮廓线的截取位置点;
根据所述截取位置点对所述边缘轮廓线进行截取操作,得到目标管腔内膜曲线和目标中膜曲线。
6.如权利要求5所述的颈动脉内中膜厚度的测量方法,其特征在于,所述确定所述边缘轮廓线的截取位置点的步骤包括:
获取所述边缘轮廓线中的管腔内膜轮廓线;
分别计算所述管腔内膜轮廓线的每个像素点处的斜率;
分别获取所述管腔内膜轮廓线的首尾两端预设长度范围内的极大斜率值点,将所述极大斜率值点作为所述边缘轮廓线的截取位置点。
7.如权利要求1至4中任一项所述的颈动脉内中膜厚度的测量方法,其特征在于,所述根据所述目标管腔内膜曲线和所述目标中膜曲线计算颈动脉内中膜厚度的步骤包括:
求取所述目标管腔内膜曲线和所述目标中膜曲线的中线;
根据预设的像素点间隔,将所述中线等分为若干段;
按照预设规则,分别计算与划分得到的各段中线对应的颈动脉内中膜厚度值;
求取所述各段中线对应的颈动脉内中膜厚度值的平均值,将所述平均值作为颈动脉内中膜厚度的测量结果。
8.如权利要求7所述的颈动脉内中膜厚度的测量方法,其特征在于,所述按照预设规则,分别计算与划分得到的各段中线对应的颈动脉内中膜厚度值的步骤包括:
对于每段中线,获取其包含的每个像素点的坐标值,形成坐标值数组;
根据预设的坐标值阈值,剔除所述坐标值数组中的异常点,并将剩余点进行曲线拟合,得到拟合曲线;
分别计算所述拟合曲线的每个像素点处的斜率;
根据所述拟合曲线的每个像素点处的斜率,对应计算所述拟合曲线的每个像素点处的的颈动脉内中膜厚度值。
9.一种颈动脉内中膜厚度的测量设备,其特征在于,所述颈动脉内中膜厚度的测量设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的颈动脉内中膜厚度的测量程序,所述颈动脉内中膜厚度的测量程序被所述处理器执行时实现如权利要求1至8中任一项所述的颈动脉内中膜厚度的测量方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有颈动脉内中膜厚度的测量程序,所述颈动脉内中膜厚度的测量程序被处理器执行时实现如权利要求1至8中任一项所述的颈动脉内中膜厚度的测量方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910438220.5A CN111986139A (zh) | 2019-05-23 | 2019-05-23 | 颈动脉内中膜厚度的测量方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910438220.5A CN111986139A (zh) | 2019-05-23 | 2019-05-23 | 颈动脉内中膜厚度的测量方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111986139A true CN111986139A (zh) | 2020-11-24 |
Family
ID=73436072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910438220.5A Pending CN111986139A (zh) | 2019-05-23 | 2019-05-23 | 颈动脉内中膜厚度的测量方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111986139A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112932542A (zh) * | 2021-01-27 | 2021-06-11 | 深圳中科乐普医疗技术有限公司 | 一种血管内中膜厚度的测量方法、系统和超声成像设备 |
CN113222956A (zh) * | 2021-05-25 | 2021-08-06 | 南京大学 | 基于超声图像识别血管中斑块的方法 |
CN113313723A (zh) * | 2021-06-10 | 2021-08-27 | 浙江传媒学院 | 一种利用关键点检测多项式拟合曲线对牙根影像分割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163326A (zh) * | 2010-12-22 | 2011-08-24 | 武汉沃生科学技术研究中心有限公司 | 血管超声图像中颈动脉血管内中膜的计算机自动分割和厚度均匀度分析方法 |
US20110299754A1 (en) * | 2010-06-07 | 2011-12-08 | Suri Jasjit S | Validation embedded segmentation method for vascular ultrasound images |
CN107204001A (zh) * | 2016-03-16 | 2017-09-26 | 飞依诺科技(苏州)有限公司 | 一种颈动脉超声图像内中膜自动分割方法 |
CN109493383A (zh) * | 2018-11-23 | 2019-03-19 | 深圳市威尔德医疗电子有限公司 | 超声图像中内中膜厚度的测量方法、服务器及存储介质 |
-
2019
- 2019-05-23 CN CN201910438220.5A patent/CN111986139A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110299754A1 (en) * | 2010-06-07 | 2011-12-08 | Suri Jasjit S | Validation embedded segmentation method for vascular ultrasound images |
CN102163326A (zh) * | 2010-12-22 | 2011-08-24 | 武汉沃生科学技术研究中心有限公司 | 血管超声图像中颈动脉血管内中膜的计算机自动分割和厚度均匀度分析方法 |
CN107204001A (zh) * | 2016-03-16 | 2017-09-26 | 飞依诺科技(苏州)有限公司 | 一种颈动脉超声图像内中膜自动分割方法 |
CN109493383A (zh) * | 2018-11-23 | 2019-03-19 | 深圳市威尔德医疗电子有限公司 | 超声图像中内中膜厚度的测量方法、服务器及存储介质 |
Non-Patent Citations (3)
Title |
---|
李国宽,等: "超声图像中颈动脉血管内外膜分割", 华中科技大学学报(自然科学版), vol. 38, no. 06, 15 June 2010 (2010-06-15), pages 75 - 79 * |
郭翌,等: "超声图像颈动脉内中膜提取方法", 《声学技术》, vol. 26, no. 5, 15 October 2007 (2007-10-15), pages 1034 - 1035 * |
高杨: "基于超声图像的颈动脉内中膜厚度的测定", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》, no. 5, 15 May 2015 (2015-05-15), pages 9 - 66 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112932542A (zh) * | 2021-01-27 | 2021-06-11 | 深圳中科乐普医疗技术有限公司 | 一种血管内中膜厚度的测量方法、系统和超声成像设备 |
CN113222956A (zh) * | 2021-05-25 | 2021-08-06 | 南京大学 | 基于超声图像识别血管中斑块的方法 |
CN113222956B (zh) * | 2021-05-25 | 2023-09-15 | 南京大学 | 基于超声图像识别血管中斑块的方法 |
CN113313723A (zh) * | 2021-06-10 | 2021-08-27 | 浙江传媒学院 | 一种利用关键点检测多项式拟合曲线对牙根影像分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109846513B (zh) | 超声成像方法、系统和图像测量方法、处理系统及介质 | |
JP5851160B2 (ja) | 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム | |
Loizou et al. | Snakes based segmentation of the common carotid artery intima media | |
US9430825B2 (en) | Image processing apparatus, control method, and computer readable storage medium for analyzing retina layers of an eye | |
JP6243763B2 (ja) | 画像処理装置、画像処理装置の作動方法、及びプログラム | |
US8831311B2 (en) | Methods and systems for automated soft tissue segmentation, circumference estimation and plane guidance in fetal abdominal ultrasound images | |
US20170061607A1 (en) | Ovarian follicle segmentation in ultrasound images | |
CN111986139A (zh) | 颈动脉内中膜厚度的测量方法、设备及存储介质 | |
CN109712131B (zh) | 肺结节特征的量化方法、装置、电子设备及存储介质 | |
CN106709967B (zh) | 一种内窥成像算法及控制系统 | |
US10433815B2 (en) | Ultrasound diagnostic image generating device and method | |
WO2015136853A1 (ja) | 画像処理装置、画像処理方法及びプログラム | |
CN108601509B (zh) | 图像处理装置、图像处理方法以及记录有程序的介质 | |
EP2415019A1 (en) | Interactive iterative closest point algorithm for organ segmentation | |
US11526991B2 (en) | Medical image processing apparatus, and medical imaging apparatus | |
CN104143047A (zh) | 血管内超声灰阶图像的自动组织标定方法 | |
CN113706473A (zh) | 超声图像中病灶区域的长短轴确定方法和超声设备 | |
Moshavegh et al. | Novel automatic detection of pleura and B-lines (comet-tail artifacts) on in vivo lung ultrasound scans | |
CN111210423A (zh) | Nir图像的乳房轮廓提取方法、系统及装置 | |
CN113192067B (zh) | 基于图像检测的智能预测方法、装置、设备及介质 | |
US8160367B2 (en) | Circular intensity distribution analysis for the detection of convex, concave and flat surfaces | |
CN112651984A (zh) | 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质 | |
CN115439423B (zh) | 一种基于ct图像的识别方法、装置、设备及存储介质 | |
Afonso et al. | Hair detection in dermoscopic images using percolation | |
Zhang et al. | Retinal vessel segmentation using Gabor filter and textons |
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 |