CN112017167A - 一种基于双向冠脉血管跟踪的冠脉中心线生成方法及装置 - Google Patents
一种基于双向冠脉血管跟踪的冠脉中心线生成方法及装置 Download PDFInfo
- Publication number
- CN112017167A CN112017167A CN202010855416.7A CN202010855416A CN112017167A CN 112017167 A CN112017167 A CN 112017167A CN 202010855416 A CN202010855416 A CN 202010855416A CN 112017167 A CN112017167 A CN 112017167A
- Authority
- CN
- China
- Prior art keywords
- coronary
- tree
- centerline
- mask
- starting point
- 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
- 210000004351 coronary vessel Anatomy 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 33
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 75
- 210000003291 sinus of valsalva Anatomy 0.000 claims abstract description 42
- 238000000605 extraction Methods 0.000 claims description 22
- 239000000284 extract Substances 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 11
- 230000000295 complement effect Effects 0.000 claims description 8
- 210000003462 vein Anatomy 0.000 abstract description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 1
- 101000666730 Homo sapiens T-complex protein 1 subunit alpha Proteins 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 102100038410 T-complex protein 1 subunit alpha Human genes 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000368 destabilizing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 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
- 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
-
- 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
- G06T2207/30172—Centreline of tubular or elongated structure
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种基于双向冠脉血管跟踪的冠脉中心线生成方法及装置,其中方法包括:依据输入的冠脉掩膜提取冠脉血管位于主动脉窦处的血管起点和每个起点所在掩膜中的连通域内的全部末端点;从起点自顶向下跟踪冠脉血管提取冠脉中心线,构建冠脉中心线树;从末端点自底向上跟踪冠脉血管,补全冠脉中心线树;剔除血管粘连、静脉中心线,合并提取的所有冠脉中心线树,获得完整的冠脉中心线。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于双向冠脉血管跟踪的冠脉中心线生成方法及装置。
背景技术
心脏CT(CCTA)图像中的冠状动脉中心线提取是评估狭窄和动脉粥样硬化斑块的先决条件。现有的方法大体可以划分为两类:基于深度网络预测跟踪算法;基于冠脉掩膜提取3d骨架算法。然而这两种方法都存在明显的不足,基于深度网络预测进行冠脉跟踪会因为冠脉血管分叉点预测错误而导致整条血管分支丢失;基于冠脉掩膜提取的3d骨架往往过度依赖与冠脉分割的精确性,在存在血管粘连或静脉被误识别为冠脉的情况下提取的中心线不可靠。这些不稳定因素都可能会影响后续医生对疾病的诊断。
发明内容
本发明旨在提供一种克服上述问题或者至少部分地解决上述问题的基于双向冠脉血管跟踪的冠脉中心线生成方法及装置。
为达到上述目的,本发明的技术方案具体是这样实现的:
本发明的一个方面提供了一种基于双向冠脉血管跟踪的冠脉中心线生成方法,包括:依据输入的冠脉掩膜提取冠脉血管位于主动脉窦处的血管起点和每个起点所在掩膜中的连通域内的全部末端点;从起点自顶向下跟踪冠脉血管提取冠脉中心线,构建冠脉中心线树;从末端点自底向上跟踪冠脉血管,补全冠脉中心线树;剔除血管粘连、静脉中心线,合并提取的所有冠脉中心线树,获得完整的冠脉中心线。
其中,依据输入的冠脉掩膜提取冠脉血管位于主动脉窦处的血管起点包括:将输入的冠脉掩膜分解为主动脉窦掩膜和血管掩膜,使用Scikit库中包含的skeletonize_3d算法提取血管掩膜的骨架;提取血管掩膜的连通域;计算连通域中包含的点到主动脉窦掩膜表面的距离,如果距离小于到主动脉窦掩膜表面距离最近的点的距离,则确定该点在主动脉窦上,为一条血管的起点。
其中,从起点自顶向下跟踪冠脉血管提取冠脉中心线,构建冠脉中心线树包括:初始化整体中心线树为一颗空树,以起点集合中每个起点作为树的根节点,前向跟踪血管,提取当前起点的前向中心线树,将前向中心线束加入到整体中心线树中;循环调用自底向上冠脉中心线补全提取反向中心线树,加入到整体中心线树中,构建冠脉中心线树。
其中,依据输入的冠脉掩膜提取每个起点所在掩膜中的连通域内的全部末端点包括:计算起点所在的连通域中所有点到起点的最短路径,将最短路径构成有向图,则在有向图中入度为0的节点所组成的节点集合确定为末端点集合。
其中,从末端点自底向上跟踪冠脉血管,补全冠脉中心线树包括:对末端点集合中每个末端点,判断是否已经连接到整体中心线树中,如果没有连接,则将没有连接到整体中心线树的末端点作为树的根节点,反向跟踪血管,提取反向中心线树,若反向中心线树与整体中心线树重合达到预设程序,则将反向中心线树添加到整体中心线树中,补全冠脉中心线树。
其中,方法还包括:删除反向中心线树对应的节点,更新连通域,循环执行从起点自顶向下跟踪冠脉血管提取冠脉中心线,构建冠脉中心线树和从末端点自底向上跟踪冠脉血管,补全冠脉中心线树的步骤,直到末端点个数为零。
本发明另一方面提供了一种基于双向冠脉血管跟踪的冠脉中心线生成装置,包括:提取模块,用于依据输入的冠脉掩膜提取冠脉血管位于主动脉窦处的血管起点和每个起点所在掩膜中的连通域内的全部末端点;构建模块,用于从起点自顶向下跟踪冠脉血管提取冠脉中心线,构建冠脉中心线树;补全模块,用于从末端点自底向上跟踪冠脉血管,补全冠脉中心线树;合并模块,用于剔除血管粘连、静脉中心线,合并提取的所有冠脉中心线树,获得完整的冠脉中心线。
其中,提取模块通过如下方式依据输入的冠脉掩膜提取冠脉血管位于主动脉窦处的血管起点:提取模块,具体用于将输入的冠脉掩膜分解为主动脉窦掩膜和血管掩膜,使用Scikit库中包含的skeletonize_3d算法提取血管掩膜的骨架;提取血管掩膜的连通域;计算连通域中包含的点到主动脉窦掩膜表面的距离,如果距离小于到主动脉窦掩膜表面距离最近的点的距离,则确定该点在主动脉窦上,为一条血管的起点。
其中,构建模块通过如下方式从起点自顶向下跟踪冠脉血管提取冠脉中心线,构建冠脉中心线树:构建模块,具体用于初始化整体中心线树为一颗空树,以起点集合中每个起点作为树的根节点,前向跟踪血管,提取当前起点的前向中心线树,将前向中心线束加入到整体中心线树中;循环调用自底向上冠脉中心线补全提取反向中心线树,加入到整体中心线树中,构建冠脉中心线树。
其中,提取模块通过如下方式依据输入的冠脉掩膜提取每个起点所在掩膜中的连通域内的全部末端点:提取模块,具体用于计算起点所在的连通域中所有点到起点的最短路径,将最短路径构成有向图,则在有向图中入度为0的节点所组成的节点集合确定为末端点集合。
其中,补全模块通过如下方式从末端点自底向上跟踪冠脉血管,补全冠脉中心线树:补全模块,具体用于对末端点集合中每个末端点,判断是否已经连接到整体中心线树中,如果没有连接,则将没有连接到整体中心线树的末端点作为树的根节点,反向跟踪血管,提取反向中心线树,若反向中心线树与整体中心线树重合达到预设程序,则将反向中心线树添加到整体中心线树中,补全冠脉中心线树。
其中,装置还包括:更新模块,用于删除反向中心线树对应的节点,更新连通域,通知构建模块执行从起点自顶向下跟踪冠脉血管提取冠脉中心线,构建冠脉中心线树和补全模块从末端点自底向上跟踪冠脉血管,补全冠脉中心线树,直到末端点个数为零。
由此可见,通过本发明提供的基于双向冠脉血管跟踪的冠脉中心线生成方法及装置,在基于冠脉掩膜提取的冠脉骨架的基础上,通过深度网络进行自顶向下和自底向上的双向冠脉血管跟踪,提取冠脉中心线。由此,基于冠脉掩膜提取血管的起点,通过深度网络预测跟踪,并采用自顶向下和自底向上的双向冠脉跟踪提取算法,能有效保留全部冠脉血管分支,同时能够尽可能剔除掩膜中由于粘连或静脉带来的影响。
可见,本发明结合了深度网络和冠脉掩膜各自的优势,提出了基于双向冠脉跟踪的冠脉中心线提取算法,在尽可能提取完全冠脉血管分支中心线的前提下,剔除了诸如静脉、粘连等导致的不可靠血管中心线。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的基于双向冠脉血管跟踪的冠脉中心线生成方法的流程图;
图2为本发明实施例提供的基于双向冠脉血管跟踪的冠脉中心线生成装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明的核心在于:提出一种基于双向冠脉跟踪的冠脉中心线生成算法,在冠脉中心线检测任务中,自顶向下生成冠脉中心线树,自底向上补全冠脉中心线树分支,同时剔除血管粘连,提取了更为完整且不含血管粘连的冠脉中心线。本发明可划分为三个核心步骤:冠脉血管起始点计算、自顶向下冠脉中心线生成、自底向上冠脉中心线补全。
图1示出了本发明实施例提供的基于双向冠脉血管跟踪的冠脉中心线生成方法的流程图,参见图1,本发明实施例提供的基于双向冠脉血管跟踪的冠脉中心线生成方法,包括:
S1,依据输入的冠脉掩膜提取冠脉血管位于主动脉窦处的血管起点和每个起点所在掩膜中的连通域内的全部末端点。
具体地,冠脉血管的起始点定义为冠脉血管和主动脉窦的连接处,本发明从血管起点自顶向下进行跟踪,首先需要计算全部可能的血管起点。本步骤可以为冠脉血管起始点计算步骤。
作为本发明实施例的一个可选实施方式,依据输入的冠脉掩膜提取冠脉血管位于主动脉窦处的血管起点包括:将输入的冠脉掩膜分解为主动脉窦掩膜和血管掩膜,使用Scikit库中包含的skeletonize_3d算法提取血管掩膜的骨架;提取血管掩膜的连通域;计算连通域中包含的点到主动脉窦掩膜表面的距离,如果距离小于到主动脉窦掩膜表面距离最近的点的距离,则确定该点在主动脉窦上,为一条血管的起点。
具体地,本发明将输入的冠脉掩膜分解为主动脉窦掩膜和血管掩膜,使用Scikit库中包含的skeletonize_3d算法提取血管掩膜的骨架Sthin。由于同一条血管的骨架应该属于同一个连通域,通过提取血管掩膜的连通域可以将每条血管独立出来,计算起点。因此,计算Sthin中的连通域C=[C1,C2,…,CK],其中K为Sthin中包含连通域个数。
其中,Sthin中的每个连通域Ci均可能包含一条冠脉血管,因此计算连通域Ci中包含的点到主动脉窦掩膜表面的距离,其中到主动脉窦掩膜表面距离最近的点记为Di,通过阈值进行判断,如果距离足够小则认为该点在主动脉窦上,是一条血管的起点;反之,则该连通域对应的掩膜可能是静脉血管的掩膜,即连通域Ci中不包含冠脉血管,可以略去。遍历所有连通域,获得冠脉血管的起点集合B=[b1,b2,…,bM],其中每个起点bi对应一个连通域Ci,M为起点的个数。
S2,从起点自顶向下跟踪冠脉血管提取冠脉中心线,构建冠脉中心线树。
具体地,本步骤为自顶向下冠脉中心线生成步骤。
作为本发明实施例的一个可选实施方式,从起点自顶向下跟踪冠脉血管提取冠脉中心线,构建冠脉中心线树包括:初始化整体中心线树为一颗空树,以起点集合中每个起点作为树的根节点,前向跟踪血管,提取当前起点的前向中心线树,将前向中心线束加入到整体中心线树中;循环调用自底向上冠脉中心线补全提取反向中心线树,加入到整体中心线树中,构建冠脉中心线树。
具体地,初始化整体中心线树T为一颗空树,以起点集合B中每个起点bi作为树的根节点,前向跟踪血管,提取当前起点的前向中心线树将加入到T中,再循环调用自底向上冠脉中心线补全提取反向中心线树加入到T中。具体地,提取当前节点在CT图和掩膜中对应位置的3D数据,通过深度网络预测下一个或多个(当前节点为分支节点)节点,深度优先遍历生成前向中心线树将合并到整体中心线树T中。
S3,从末端点自底向上跟踪冠脉血管,补全冠脉中心线树。
具体地,基于深度网络的后继节点预测可能预测错误分支节点或者分支数量,因此可能会导致自顶向下前向生成时丢失一些分支。本发明希望基于血管骨架信息将丢失的分支补全回来,但是基于血管掩膜提取的骨架依赖血管掩膜精度。因此,容易受到血管粘连、静脉血管错误识别为冠脉血管等因素影响,产生不属于冠脉血管的骨架,从而导致错误的冠脉中心线生成。本发明可以通过多次反向自底向上冠脉跟踪方法,在保证了冠脉分支补全的前提下,避免了添加错误中心线。本步骤为自底向上冠脉中心线补全的步骤。
作为本发明实施例的一个可选实施方式,依据输入的冠脉掩膜提取每个起点所在掩膜中的连通域内的全部末端点包括:计算起点所在的连通域中所有点到起点的最短路径,将最短路径构成有向图,则在有向图中入度为0的节点所组成的节点集合确定为末端点集合。
具体地,自底向上即从血管骨架的末端开始反向跟踪血管。首先,计算起点bi所在的连通域Ci中所有点到起点bi的最短路径,并将由这些最短路径构成的有向图(节点边的方向为当前节点到bi的最短路的方向)记为Gi,则在Gi中入度为0的节点所组成的节点集合为所有可能的末端点集合,记为E。
作为本发明实施例的一个可选实施方式,从末端点自底向上跟踪冠脉血管,补全冠脉中心线树包括:对末端点集合中每个末端点,判断是否已经连接到整体中心线树中,如果没有连接,则将没有连接到整体中心线树的末端点作为树的根节点,反向跟踪血管,提取反向中心线树,若反向中心线树与整体中心线树重合达到预设程序,则将反向中心线树添加到整体中心线树中,补全冠脉中心线树。
具体地,对E中每个末端点ei判断是否已经连接到中心线树T中,若已经连接,则跳过;反之,则以没有连接到中心线树的ei作为树的根节点,反向跟踪血管,提取中心线树具体血管跟踪方法同前向跟踪所述。若与T重合达到一定程度则将添加到T当中,反之则不添加。
作为本发明实施例的一个可选实施方式,本发明实施例提供的基于双向冠脉血管跟踪的冠脉中心线生成方法还包括:删除反向中心线树对应的节点,更新连通域,循环执行从起点自顶向下跟踪冠脉血管提取冠脉中心线,构建冠脉中心线树和从末端点自底向上跟踪冠脉血管,补全冠脉中心线树的步骤,直到末端点个数为零。
具体地,删除对应节点,更新连通域Ci,剔除中的节点。重复上述过程,直到末端点个数为0为止。当与T没有重合时,则可能是从一段静脉掩膜产生的中心线。在连通域中删除这些节点会使得原先由于粘连丢失的末端节点重新暴露出来。重复上述过程再次反向跟踪则可以将该分支添加回中心线树T,获得更为完整的中心线树,同时也保证了静脉掩膜被剔除,不会错误的添加到T中。
S4,剔除血管粘连、静脉中心线,合并提取的所有冠脉中心线树,获得完整的冠脉中心线。
具体地,剔除血管粘连、静脉中心线,从而可以保留冠脉中心线。
由此可见,本发明提供的基于双向冠脉血管跟踪的冠脉中心线生成方法,结合深度网络和冠脉掩膜提取冠脉中心线,结合了两种算法各自的优点,提出双向冠脉跟踪的冠脉中心线提取算法,能有效保留全部冠脉血管分支,同时能够尽可能剔除掩膜中由于粘连或静脉带来的影响。
综上,本发明提供的基于双向冠脉血管跟踪的冠脉中心线生成方法,基于冠脉掩膜数据能够尽可能全的保留冠脉分支,同时能够对深度网络训练提供指导信息;深度网络能够充分发挥大数据的优势,提取较为可靠的中心线,弥补掩膜中静脉导致的错误;自顶向下和自底向上的双向冠脉中心线跟踪将深度网络方法和冠脉掩膜骨架提取方法很好的结合在一起,获得更全更可靠的冠脉中心线提取结果。
图2示出了本发明实施例提供的基于双向冠脉血管跟踪的冠脉中心线生成装置的结构示意图,该基于双向冠脉血管跟踪的冠脉中心线生成装置应用上述方法,以下仅对基于双向冠脉血管跟踪的冠脉中心线生成装置的结构进行简单说明,其他未尽事宜,请参照上述基于双向冠脉血管跟踪的冠脉中心线生成方法中的相关描述,参见图2,本发明实施例提供的基于双向冠脉血管跟踪的冠脉中心线生成装置,包括:
提取模块,用于依据输入的冠脉掩膜提取冠脉血管位于主动脉窦处的血管起点和每个起点所在掩膜中的连通域内的全部末端点;
构建模块,用于从起点自顶向下跟踪冠脉血管提取冠脉中心线,构建冠脉中心线树;
补全模块,用于从末端点自底向上跟踪冠脉血管,补全冠脉中心线树;
合并模块,用于剔除血管粘连、静脉中心线,合并提取的所有冠脉中心线树,获得完整的冠脉中心线。
作为本发明实施例的一个可选实施方式,提取模块通过如下方式依据输入的冠脉掩膜提取冠脉血管位于主动脉窦处的血管起点:提取模块,具体用于将输入的冠脉掩膜分解为主动脉窦掩膜和血管掩膜,使用Scikit库中包含的skeletonize_3d算法提取血管掩膜的骨架;提取血管掩膜的连通域;计算连通域中包含的点到主动脉窦掩膜表面的距离,如果距离小于到主动脉窦掩膜表面距离最近的点的距离,则确定该点在主动脉窦上,为一条血管的起点。
作为本发明实施例的一个可选实施方式,构建模块通过如下方式从起点自顶向下跟踪冠脉血管提取冠脉中心线,构建冠脉中心线树:构建模块,具体用于初始化整体中心线树为一颗空树,以起点集合中每个起点作为树的根节点,前向跟踪血管,提取当前起点的前向中心线树,将前向中心线束加入到整体中心线树中;循环调用自底向上冠脉中心线补全提取反向中心线树,加入到整体中心线树中,构建冠脉中心线树。
作为本发明实施例的一个可选实施方式,提取模块通过如下方式依据输入的冠脉掩膜提取每个起点所在掩膜中的连通域内的全部末端点:提取模块,具体用于计算起点所在的连通域中所有点到起点的最短路径,将最短路径构成有向图,则在有向图中入度为0的节点所组成的节点集合确定为末端点集合。
作为本发明实施例的一个可选实施方式,补全模块通过如下方式从末端点自底向上跟踪冠脉血管,补全冠脉中心线树:补全模块,具体用于对末端点集合中每个末端点,判断是否已经连接到整体中心线树中,如果没有连接,则将没有连接到整体中心线树的末端点作为树的根节点,反向跟踪血管,提取反向中心线树,若反向中心线树与整体中心线树重合达到预设程序,则将反向中心线树添加到整体中心线树中,补全冠脉中心线树。
作为本发明实施例的一个可选实施方式,本发明实施例提供的基于双向冠脉血管跟踪的冠脉中心线生成装置还包括:更新模块,用于删除反向中心线树对应的节点,更新连通域,通知构建模块执行从起点自顶向下跟踪冠脉血管提取冠脉中心线,构建冠脉中心线树和补全模块从末端点自底向上跟踪冠脉血管,补全冠脉中心线树,直到末端点个数为零。
由此可见,本发明提供的基于双向冠脉血管跟踪的冠脉中心线生成装置,结合深度网络和冠脉掩膜提取冠脉中心线,结合了两种算法各自的优点,提出双向冠脉跟踪的冠脉中心线提取算法,能有效保留全部冠脉血管分支,同时能够尽可能剔除掩膜中由于粘连或静脉带来的影响。
综上,本发明提供的基于双向冠脉血管跟踪的冠脉中心线生成装置,基于冠脉掩膜数据能够尽可能全的保留冠脉分支,同时能够对深度网络训练提供指导信息;深度网络能够充分发挥大数据的优势,提取较为可靠的中心线,弥补掩膜中静脉导致的错误;自顶向下和自底向上的双向冠脉中心线跟踪将深度网络方法和冠脉掩膜骨架提取方法很好的结合在一起,获得更全更可靠的冠脉中心线提取结果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种基于双向冠脉血管跟踪的冠脉中心线生成方法,其特征在于,包括:
依据输入的冠脉掩膜提取冠脉血管位于主动脉窦处的血管起点和每个所述起点所在掩膜中的连通域内的全部末端点;
从所述起点自顶向下跟踪所述冠脉血管提取冠脉中心线,构建冠脉中心线树;
从所述末端点自底向上跟踪所述冠脉血管,补全所述冠脉中心线树;
剔除血管粘连、静脉中心线,合并提取的所有所述冠脉中心线树,获得完整的冠脉中心线。
2.根据权利要求1所述的方法,其特征在于,所述依据输入的冠脉掩膜提取冠脉血管位于主动脉窦处的血管起点包括:
将输入的所述冠脉掩膜分解为主动脉窦掩膜和血管掩膜,使用Scikit库中包含的skeletonize_3d算法提取所述血管掩膜的骨架;
提取所述血管掩膜的连通域;
计算所述连通域中包含的点到主动脉窦掩膜表面的距离,如果距离小于到主动脉窦掩膜表面距离最近的点的距离,则确定该点在主动脉窦上,为一条血管的起点。
3.根据权利要求2所述的方法,其特征在于,所述从所述起点自顶向下跟踪所述冠脉血管提取冠脉中心线,构建冠脉中心线树包括:
初始化整体中心线树为一颗空树,以起点集合中每个起点作为树的根节点,前向跟踪血管,提取当前起点的前向中心线树,将所述前向中心线束加入到所述整体中心线树中;
循环调用自底向上冠脉中心线补全提取反向中心线树,加入到所述整体中心线树中,构建冠脉中心线树。
4.根据权利要求3所述的方法,其特征在于,所述依据输入的冠脉掩膜提取每个所述起点所在掩膜中的连通域内的全部末端点包括:
计算所述起点所在的连通域中所有点到起点的最短路径,将所述最短路径构成有向图,则在所述有向图中入度为0的节点所组成的节点集合确定为末端点集合。
5.根据权利要求4所述的方法,其特征在于,所述从所述末端点自底向上跟踪所述冠脉血管,补全所述冠脉中心线树包括:
对所述末端点集合中每个末端点,判断是否已经连接到所述整体中心线树中,如果没有连接,则将没有连接到所述整体中心线树的末端点作为树的根节点,反向跟踪血管,提取反向中心线树,若所述反向中心线树与所述整体中心线树重合达到预设程序,则将所述反向中心线树添加到所述整体中心线树中,补全所述冠脉中心线树。
6.根据权利要求5所述的方法,其特征在于,还包括:
删除所述反向中心线树对应的节点,更新所述连通域,循环执行从所述起点自顶向下跟踪所述冠脉血管提取冠脉中心线,构建冠脉中心线树和从所述末端点自底向上跟踪所述冠脉血管,补全所述冠脉中心线树的步骤,直到末端点个数为零。
7.一种基于双向冠脉血管跟踪的冠脉中心线生成装置,其特征在于,包括:
提取模块,用于依据输入的冠脉掩膜提取冠脉血管位于主动脉窦处的血管起点和每个所述起点所在掩膜中的连通域内的全部末端点;
构建模块,用于从所述起点自顶向下跟踪所述冠脉血管提取冠脉中心线,构建冠脉中心线树;
补全模块,用于从所述末端点自底向上跟踪所述冠脉血管,补全所述冠脉中心线树;
合并模块,用于剔除血管粘连、静脉中心线,合并提取的所有所述冠脉中心线树,获得完整的冠脉中心线。
8.根据权利要求7所述的装置,其特征在于,所述提取模块通过如下方式依据输入的冠脉掩膜提取冠脉血管位于主动脉窦处的血管起点:
所述提取模块,具体用于将输入的所述冠脉掩膜分解为主动脉窦掩膜和血管掩膜,使用Scikit库中包含的skeletonize_3d算法提取所述血管掩膜的骨架;提取所述血管掩膜的连通域;计算所述连通域中包含的点到主动脉窦掩膜表面的距离,如果距离小于到主动脉窦掩膜表面距离最近的点的距离,则确定该点在主动脉窦上,为一条血管的起点。
9.根据权利要求8所述的装置,其特征在于,所述构建模块通过如下方式从所述起点自顶向下跟踪所述冠脉血管提取冠脉中心线,构建冠脉中心线树:
所述构建模块,具体用于初始化整体中心线树为一颗空树,以起点集合中每个起点作为树的根节点,前向跟踪血管,提取当前起点的前向中心线树,将所述前向中心线束加入到所述整体中心线树中;循环调用自底向上冠脉中心线补全提取反向中心线树,加入到所述整体中心线树中,构建冠脉中心线树。
10.根据权利要求9所述的装置,其特征在于,所述提取模块通过如下方式依据输入的冠脉掩膜提取每个所述起点所在掩膜中的连通域内的全部末端点:
所述提取模块,具体用于计算所述起点所在的连通域中所有点到起点的最短路径,将所述最短路径构成有向图,则在所述有向图中入度为0的节点所组成的节点集合确定为末端点集合。
11.根据权利要求10所述的装置,其特征在于,所述补全模块通过如下方式从所述末端点自底向上跟踪所述冠脉血管,补全所述冠脉中心线树:
所述补全模块,具体用于对所述末端点集合中每个末端点,判断是否已经连接到所述整体中心线树中,如果没有连接,则将没有连接到所述整体中心线树的末端点作为树的根节点,反向跟踪血管,提取反向中心线树,若所述反向中心线树与所述整体中心线树重合达到预设程序,则将所述反向中心线树添加到所述整体中心线树中,补全所述冠脉中心线树。
12.根据权利要求11所述的装置,其特征在于,还包括:更新模块,用于删除所述反向中心线树对应的节点,更新所述连通域,通知所述构建模块执行从所述起点自顶向下跟踪所述冠脉血管提取冠脉中心线,构建冠脉中心线树和所述补全模块从所述末端点自底向上跟踪所述冠脉血管,补全所述冠脉中心线树,直到末端点个数为零。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010855416.7A CN112017167A (zh) | 2020-08-24 | 2020-08-24 | 一种基于双向冠脉血管跟踪的冠脉中心线生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010855416.7A CN112017167A (zh) | 2020-08-24 | 2020-08-24 | 一种基于双向冠脉血管跟踪的冠脉中心线生成方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112017167A true CN112017167A (zh) | 2020-12-01 |
Family
ID=73505652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010855416.7A Pending CN112017167A (zh) | 2020-08-24 | 2020-08-24 | 一种基于双向冠脉血管跟踪的冠脉中心线生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112017167A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308857A (zh) * | 2020-12-25 | 2021-02-02 | 数坤(北京)网络科技有限公司 | 一种血管中心线的确定方法、装置及可读存储介质 |
CN112700490A (zh) * | 2021-01-08 | 2021-04-23 | 杭州深睿博联科技有限公司 | 一种基于最大半径搜索的冠脉中心线生成方法及装置 |
CN112862759A (zh) * | 2021-01-19 | 2021-05-28 | 杭州深睿博联科技有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
CN113096091A (zh) * | 2021-04-07 | 2021-07-09 | 推想医疗科技股份有限公司 | 图像处理方法及装置、电子设备及存储介质 |
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 |
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 |
CN114972859A (zh) * | 2022-05-19 | 2022-08-30 | 推想医疗科技股份有限公司 | 像元的分类方法、模型训练方法、装置、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130216110A1 (en) * | 2012-02-21 | 2013-08-22 | Siemens Aktiengesellschaft | Method and System for Coronary Artery Centerline Extraction |
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 |
CN111145173A (zh) * | 2019-12-31 | 2020-05-12 | 上海联影医疗科技有限公司 | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 |
CN111429438A (zh) * | 2020-03-30 | 2020-07-17 | 中国科学院深圳先进技术研究院 | 血管中心线、心脏冠脉树的提取方法、设备及存储介质 |
-
2020
- 2020-08-24 CN CN202010855416.7A patent/CN112017167A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130216110A1 (en) * | 2012-02-21 | 2013-08-22 | Siemens Aktiengesellschaft | Method and System for Coronary Artery Centerline Extraction |
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 |
CN111145173A (zh) * | 2019-12-31 | 2020-05-12 | 上海联影医疗科技有限公司 | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 |
CN111429438A (zh) * | 2020-03-30 | 2020-07-17 | 中国科学院深圳先进技术研究院 | 血管中心线、心脏冠脉树的提取方法、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
周寿军;杨俊;陈武凡;王涌天;: "一种从X射线血管造影图像中自动分割冠状动脉的新方法", 中国科学(E辑:信息科学), no. 12, 15 December 2007 (2007-12-15) * |
王胜军;付玲;康雁;刘积仁;: "一种基于管状特征的冠脉中心线自动提取算法", 东北大学学报(自然科学版), no. 01, 15 January 2011 (2011-01-15) * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308857A (zh) * | 2020-12-25 | 2021-02-02 | 数坤(北京)网络科技有限公司 | 一种血管中心线的确定方法、装置及可读存储介质 |
CN112308857B (zh) * | 2020-12-25 | 2021-05-11 | 数坤(北京)网络科技有限公司 | 一种血管中心线的确定方法、装置及可读存储介质 |
CN112700490A (zh) * | 2021-01-08 | 2021-04-23 | 杭州深睿博联科技有限公司 | 一种基于最大半径搜索的冠脉中心线生成方法及装置 |
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 |
CN112700490B (zh) * | 2021-01-08 | 2023-04-25 | 杭州深睿博联科技有限公司 | 一种基于最大半径搜索的冠脉中心线生成方法及装置 |
CN112862759A (zh) * | 2021-01-19 | 2021-05-28 | 杭州深睿博联科技有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
CN113096091A (zh) * | 2021-04-07 | 2021-07-09 | 推想医疗科技股份有限公司 | 图像处理方法及装置、电子设备及存储介质 |
CN113096091B (zh) * | 2021-04-07 | 2022-02-08 | 推想医疗科技股份有限公司 | 图像处理方法及装置、电子设备及存储介质 |
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 |
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 |
CN114972859A (zh) * | 2022-05-19 | 2022-08-30 | 推想医疗科技股份有限公司 | 像元的分类方法、模型训练方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112017167A (zh) | 一种基于双向冠脉血管跟踪的冠脉中心线生成方法及装置 | |
CN112652011B (zh) | 目标血管的提取方法、提取装置与计算机可读存储介质 | |
US20240206838A1 (en) | Vascular selection from images | |
CN111145173B (zh) | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 | |
CN112700490B (zh) | 一种基于最大半径搜索的冠脉中心线生成方法及装置 | |
CN110706272B (zh) | 血管中心线的提取方法、装置、电子设备和存储介质 | |
WO2019149076A1 (zh) | 词向量生成方法、装置以及设备 | |
CN101256675A (zh) | 用于多级光线跟踪的方法和装置 | |
CN115829058B (zh) | 训练样本处理方法、跨模态匹配方法、装置、设备和介质 | |
CN112487823A (zh) | 一种基于bert模型的文本语义相似度计算方法 | |
US10599782B2 (en) | Analytical optimization of translation and post editing | |
CN109855622B (zh) | 用于移动机器人的路径搜索方法及设备 | |
US20230232055A1 (en) | Automated workflows from media asset differentials | |
CN109242168B (zh) | 确定最短路径的方法、装置、设备和计算机可读存储介质 | |
CN113269806B (zh) | 测量血管内部血流流量的方法、装置与处理器 | |
CN114564523B (zh) | 针对智慧虚拟场景的大数据漏洞分析方法及云端ai系统 | |
CN114612211A (zh) | 一种启发式自引入技术债务数据标注及训练方法和系统 | |
CN112017190A (zh) | 一种用于血管分割补全的全局网络构建和训练方法及装置 | |
CN115631302A (zh) | 确定血管中心线真伪以及截断位置的方法与装置 | |
CN117036640B (zh) | 冠状动脉血管模型重构方法、装置、设备和存储介质 | |
CN112927350B (zh) | 多域地质体模型构建方法、装置、设备及存储介质 | |
US20180074836A1 (en) | Increasing precision of a process model with loops | |
Ma et al. | ZoomViT: an observation behavior-based fine-grained recognition scheme | |
CN116309430A (zh) | 一种管状器官的检测方法、装置、存储介质及设备 | |
CN114913201A (zh) | 多目标跟踪方法、装置、电子设备、存储介质和产品 |
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 |