CN112017176B - 一种心脏冠脉血管的自动化命名方法及装置 - Google Patents
一种心脏冠脉血管的自动化命名方法及装置 Download PDFInfo
- Publication number
- CN112017176B CN112017176B CN202010932700.XA CN202010932700A CN112017176B CN 112017176 B CN112017176 B CN 112017176B CN 202010932700 A CN202010932700 A CN 202010932700A CN 112017176 B CN112017176 B CN 112017176B
- Authority
- CN
- China
- Prior art keywords
- branch
- branches
- lcx
- lad
- axis
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 210000004351 coronary vessel Anatomy 0.000 title claims abstract description 37
- 230000011218 segmentation Effects 0.000 claims abstract description 40
- 238000012216 screening Methods 0.000 claims abstract description 10
- 210000004204 blood vessel Anatomy 0.000 claims description 162
- 210000003291 sinus of valsalva Anatomy 0.000 claims description 37
- 230000002107 myocardial effect Effects 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 201000001779 Leukocyte adhesion deficiency Diseases 0.000 description 101
- 230000000747 cardiac effect Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000012163 sequencing technique Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000002861 ventricular Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 230000002792 vascular Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000000596 ventricular septum Anatomy 0.000 description 1
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
-
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/30—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)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种心脏冠脉血管的自动化命名方法及装置，其中方法包括：获取冠脉血管分割结果，提取中心线；确定主血管起始点，提取主血管分支结构，确定左右子树；计算左右子树的属性；确定LM段，筛选LAD‑LCX分叉点，识别LAD、LCX、RI分支；遍历LAD分支每一分岔，判定分岔血管为LAD/D/Others；遍历LCX分支每一分岔，判定分岔血管为LCX/OM，识别LPLB，LPDA；遍历右子树所有分叉点，识别RCA/CA/AM/RPDA/RPLB。
Description
技术领域
本发明涉及计算机领域，尤其涉及一种心脏冠脉血管的自动化命名方法及装置。
背景技术
对心脏冠脉血管的自动化分段和命名在自动化心脏冠脉辅助诊断系统中具有重要价值，包括为病灶自动化定位提供支撑，辅助诊断报告撰写，支持医生快速查看、定位病灶以及在多根血管中导航等。
以下，提供一些现有方案：
现有方案1：
1.专利-CN 108717695 A/申请号201810379289.0-申请人数坤(北京)网络科技有限公司-发明名称：心脏冠脉血管自动分段命名方法
现有方法步骤概述：:
S1、提取心脏冠脉3D图像的血管中心线,定义血管中心线中各点的三
维坐标；S2、从心脏冠脉血管中识别左冠脉及右冠脉；S3、从识别的右冠脉中识别RCA、R-PDA以及R-PLB；S4、从识别的左冠脉中识别LM、
LAD及LCX；S5、从识别的LCX中识别OM1、OM2及OM3；S6、从识
别的LAD中识别D1、D2及D3；S7、从识别的LAD及LCX中识别RI。
2.现有方案2：Wu D,Wang X,Bai J,et al.Automated anatomical labeling ofcoronary arteries via bidirectional tree LSTMs.Int J Comput Assist RadiolSurg.2019；14(2):271-280.doi:10.1007/s11548-018-1884-6
a.提取中心线，得到分叉点及对应血管段(“血管段”指两分叉点中间部分)
b.由血管段建立树结构
c.提取血管段SCT、起点、中间点、结束点位置和方向特征，采用bi-directional-TreeLSTM在预标注数据集上进行训练,获得预测结果。
3.现有方案3：Yang,H.,Zhen,X.,Chi,Y.,Zhang,L.,&Hua,X.S..(2020).Cpr-gcn:conditional partial-residual graph convolutional network in automatedanatomical labeling of coronary arteries.
a.提取中心线，得到分叉点及对应血管段(“血管段”指两分叉点中间部分)
b.由血管段建立树结构
c.以图网络进行血管命名的训练，以血管形态以及图像特征作为输入。
然而现有对心脏冠脉血管的自动化分段和命名方法中，由于冠脉血管走型在不同病人之间差异大、干扰血管多，因而导致算法鲁棒性受限和准确性不高的问题。
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心脏冠脉血管的自动化命名方法及装置。
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心脏冠脉血管的自动化命名方法，包括：获取冠脉血管分割结果，提取中心线；确定主血管起始点，提取主血管分支结构，确定左右子树；计算左右子树的属性；确定LM段，筛选LAD-LCX分叉点，识别LAD、LCX、RI分支；遍历LAD分支每一分岔，判定分岔血管为LAD/D/Others；遍历LCX分支每一分岔，判定分岔血管为LCX/OM，识别LPLB，LPDA；遍历右子树所有分叉点，识别RCA/CA/AM/RPDA/RPLB。
其中，提取中心线包括：通过基于细化或最优路径的方式提取中心线。
其中，确定主血管起始点,确定主血管起始点，提取主血管分支结构，确定左右子树包括：从分割结果中分离主动脉窦；对分割结果进行降采样以及形态学开操作，取最大连通分量，进行上采样，得到单独的主动脉窦的分割掩码，确定中心线上处于主动脉窦与其余血管交界面上的点为主血管起始点候选，其中，对处于同一连通分量的多个点，确定距主动脉窦中心最近的点为主血管起始点候选；由所有主血管起始点候选开始，进行血管树的搜索，确定其中最大的两棵血管树，定为左右子树候选；定义三维坐标系，其中，三维坐标系包括：由人体两肩方向逆时针转动45度角为y轴，人体头脚方向为z轴，由y\z轴按右手系定义的坐标方向为x轴；取左右子树的质心，确定x轴正方向分量更大的为右子树，另一棵为左子树。
其中，计算左右子树的属性包括：对于左右子树中每个节点，计算以该节点为根的子树的大小，子树上各点的方向，子树在y轴投影的范围，子树在z轴范围；计算左右子树包围盒，求得包围盒中心。
其中，确定LM段，筛选LAD-LCX分叉点，识别LAD、LCX、RI分支包括：由左子树起始点开始，选择前N个分叉点作为LAD-LCX起始点，其中N为预设个数；对每个分叉点，计算如下多线索分值：分支大小、z轴最大投影范围和y轴投影范围；将分支大小、z轴最大投影范围和y轴投影范围三个线索分支加权，取具有最大分值的分叉点作为LAD-LCX分叉点；取LAD-LCX分叉点所有分支在x-y平面上的投影，计算投影方向，由y轴负方向开始逆时针计算，确定角度最小的为LCX分支，最大的为LAD分支，其余为RI分支；其中，如果未识别RI分支，则分别对LAD分支，LCX分支的子分叉点再次进行x-y平面投影角度排序，取角度较小或者较大的作为RI分支候选，若距LAD-LCX分叉点距离最近的RI分支小于预设距离，则确定为RI分支。
其中，遍历LAD分支每一分岔，判定分岔血管为LAD/D/Others包括：对LAD分支中所有子分支节点，计算如下分值：血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围；将血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围四个线索分支归一化后加权融合，确定得分最高的分支为LAD主分支；局部相对方向角度大于LAD分支的，为其他干扰分支；局部相对方向角度小于LAD分支的，为D分支，其中，D分支命名为Dn，n由1开始，依次累加。
其中，遍历LCX分支每一分岔，判定分岔血管为LCX/OM，识别LPLB，LPDA包括：对LCX分支中所有子分支节点，计算如下分值：血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围；将血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围四个线索分支归一化后加权融合，确定得分最高的分支为LCX主分支；局部相对方向角度大于LCX分支的，为其他干扰分支；局部相对方向角度小于LCX分支的，为OM分支，其中，OM分支命名为OMn，n由1开始，依次累加；对命名为OMn分支，确定满足条件1和条件2的分支标记为LPLB；其中，条件1包括：在y-z平面上，以直线拟合分支，同时将心肌掩码投影到此平面；若位于分支上方的心肌掩码像素占比在第一预设比例以上，则条件1满足；条件2包括：在x-y平面上，以直线拟合分支，同时将心肌掩码投影到此平面；若左侧所占比例在第二预设比例以上，则条件2满足；若LCX末端朝向前方且夹角小于预设角度，将LCX标记为LPDA。
其中，遍历右子树所有分叉点，识别RCA/CA/AM/RPDA/RPLB包括：对右子树中所有子分支节点，计算如下分值：血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围；以及计算当前已被识别为RCA的血管段拟合垂直于x-y平面的平面，并计算血管分支相对于该平面的距离；通过计算RCA由水平方向到竖直方向最大角度转折点，以及由竖直方向到心底部水平方向最大转折点，将距离主动脉窦预设个像素内的分支标记为CA；对于近中段分支，标记为AM，其中AM包括若干个，依次标记为AM1,AM2,AM3……；对远段分支，将首段分支标记为RPDA，其后分支标记为RPLB，其中RPLB包括若干个，依次标记为RPLB1，RPLB2，RPLB3……。
其中，方法还包括：对所有标记为AM、RPDA、RPLB的分支，选取最优的RPDA，并重新标记RPDA前的分支为AM，之后为RPLB。
其中，选取最优的RPDA包括：选择血管在xy平面切割心肌mask、血管分支大小，以及血管分支末端到LAD末端距离三个线索，进行加权计算，确定最优的RPDA；其中，采用由逐对优劣排序到整体优劣排序的方式对每个线索所有分支两两判断其相对优劣性。
本发明另一方面提供了一种心脏冠脉血管的自动化命名装置，包括：提取模块，用于获取冠脉血管分割结果，提取中心线；确定模块，用于确定主血管起始点，提取主血管分支结构，确定左右子树；计算模块，用于计算左右子树的属性；识别模块，用于确定LM段，筛选LAD-LCX分叉点，识别LAD、LCX、RI分支；遍历LAD分支每一分岔，判定分岔血管为LAD/D/Others；遍历LCX分支每一分岔，判定分岔血管为LCX/OM，识别LPLB，LPDA；遍历右子树所有分叉点，识别RCA/CA/AM/RPDA/RPLB。
其中，提取模块通过如下方式提取中心线：提取模块，具体用于通过基于细化或最优路径的方式提取中心线。
其中，确定模块通过如下方式确定主血管起始点,确定主血管起始点，提取主血管分支结构，确定左右子树：确定模块，具体用于从分割结果中分离主动脉窦；对分割结果进行降采样以及形态学开操作，取最大连通分量，进行上采样，得到单独的主动脉窦的分割掩码，确定中心线上处于主动脉窦与其余血管交界面上的点为主血管起始点候选，其中，对处于同一连通分量的多个点，确定距主动脉窦中心最近的点为主血管起始点候选；由所有主血管起始点候选开始，进行血管树的搜索，确定其中最大的两棵血管树，定为左右子树候选；定义三维坐标系，其中，三维坐标系包括：由人体两肩方向逆时针转动45度角为y轴，人体头脚方向为z轴，由y\z轴按右手系定义的坐标方向为x轴；取左右子树的质心，确定x轴正方向分量更大的为右子树，另一棵为左子树。
其中，计算模块通过如下方式计算左右子树的属性：计算模块，具体用于对于左右子树中每个节点，计算以该节点为根的子树的大小，子树上各点的方向，子树在y轴投影的范围，子树在z轴范围；计算左右子树包围盒，求得包围盒中心。
其中，识别模块通过如下方式确定LM段，筛选LAD-LCX分叉点，识别LAD、LCX、RI分支：识别模块，具体用于由左子树起始点开始，选择前N个分叉点作为LAD-LCX起始点，其中N为预设个数；对每个分叉点，计算如下多线索分值：分支大小、z轴最大投影范围和y轴投影范围；将分支大小、z轴最大投影范围和y轴投影范围三个线索分支加权，取具有最大分值的分叉点作为LAD-LCX分叉点；取LAD-LCX分叉点所有分支在x-y平面上的投影，计算投影方向，由y轴负方向开始逆时针计算，确定角度最小的为LCX分支，最大的为LAD分支，其余为RI分支；其中，如果未识别RI分支，则分别对LAD分支，LCX分支的子分叉点再次进行x-y平面投影角度排序，取角度较小或者较大的作为RI分支候选，若距LAD-LCX分叉点距离最近的RI分支小于预设距离，则确定为RI分支。
其中，识别模块通过如下方式遍历LAD分支每一分岔，判定分岔血管为LAD/D/Others：识别模块，具体用于对LAD分支中所有子分支节点，计算如下分值：血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围；将血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围四个线索分支归一化后加权融合，确定得分最高的分支为LAD主分支；局部相对方向角度大于LAD分支的，为其他干扰分支；局部相对方向角度小于LAD分支的，为D分支，其中，D分支命名为Dn，n由1开始，依次累加。
其中，识别模块通过如下方式遍历LCX分支每一分岔，判定分岔血管为LCX/OM，识别LPLB，LPDA：识别模块，具体用于对LCX分支中所有子分支节点，计算如下分值：血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围；将血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围四个线索分支归一化后加权融合，确定得分最高的分支为LCX主分支；局部相对方向角度大于LCX分支的，为其他干扰分支；局部相对方向角度小于LCX分支的，为OM分支，其中，OM分支命名为OMn，n由1开始，依次累加；对命名为OMn分支，确定满足条件1和条件2的分支标记为LPLB；其中，条件1包括：在y-z平面上，以直线拟合分支，同时将心肌掩码投影到此平面；若位于分支上方的心肌掩码像素占比在第一预设比例以上，则条件1满足；条件2包括：在x-y平面上，以直线拟合分支，同时将心肌掩码投影到此平面；若左侧所占比例在第二预设比例以上，则条件2满足；若LCX末端朝向前方且夹角小于预设角度，将LCX标记为LPDA。
其中，识别模块通过如下方式遍历右子树所有分叉点，识别RCA/CA/AM/RPDA/RPLB：识别模块，具体用于对右子树中所有子分支节点，计算如下分值：血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围；以及计算当前已被识别为RCA的血管段拟合垂直于x-y平面的平面，并计算血管分支相对于该平面的距离；通过计算RCA由水平方向到竖直方向最大角度转折点，以及由竖直方向到心底部水平方向最大转折点，将距离主动脉窦预设个像素内的分支标记为CA；对于近中段分支，标记为AM，其中AM包括若干个，依次标记为AM1,AM2,AM3……；对远段分支，将首段分支标记为RPDA，其后分支标记为RPLB，其中RPLB包括若干个，依次标记为RPLB1，RPLB2，RPLB3……。
其中，装置还包括：重标记模块，用于对所有标记为AM、RPDA、RPLB的分支，选取最优的RPDA，并重新标记RPDA前的分支为AM，之后为RPLB。
其中，重标记模块通过如下方式选取最优的RPDA：重标记模块，具体用于选择血管在xy平面切割心肌mask、血管分支大小，以及血管分支末端到LAD末端距离三个线索，进行加权计算，确定最优的RPDA；其中，采用由逐对优劣排序到整体优劣排序的方式对每个线索所有分支两两判断其相对优劣性。
由此可见，通过本发明提供的心脏冠脉血管的自动化命名方法及装置，完成心脏冠脉血管的自动命名分段功能，利用血管分支间相对关系，结合多种线索计算血管分支作为主分支/其他分支的相对分数进行命名判断，可有效增强对于各类变异情况的鲁棒性。
此外，对于每个主分支，在每个分支处所提取的血管相对关系较为一致，可以用同一套代码实现，实现上较为简单，不易出错。
进一步，在融合多种血管分支相对关系线索时，提出了将逐对(Pairwise)优劣排序转换为整体优劣排序的方法，不仅增强了方法鲁棒性，且支持增加新的相对关系线索。
此外，还支持LPLB(左室后支)，LPDA(左后降支)，CA(圆锥支)，AM(锐缘支)血管的命名。
进一步，引入心肌分割mask,提升部分血管命名的准确性和鲁棒性；在无需任何标注数据的情况下实现自动化命名。在此基础上，也可以容易地融合机器学习作为线索。
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心脏冠脉血管的自动化命名方法的流程图；
图2为本发明实施例提供的心脏冠脉血管的自动化命名装置的结构示意图。
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。
图1示出了本发明实施例提供的心脏冠脉血管的自动化命名方法的流程图，参见图1，本发明实施例提供的心脏冠脉血管的自动化命名方法，包括：
S1，获取冠脉血管分割结果，提取中心线。
作为本发明实施例的一个可选实施方式，提取中心线包括：通过基于细化或最优路径的方式提取中心线。具体地，由冠脉血管分割结果，通过基于细化或最优路径的方式提取中心线，之后搜索血管树，可以确定左右分支。
S2，确定主血管起始点，提取主血管分支结构，确定左右子树。
作为本发明实施例的一个可选实施方式，确定主血管起始点,确定主血管起始点，提取主血管分支结构，确定左右子树包括：从分割结果中分离主动脉窦；对分割结果进行降采样以及形态学开操作，取最大连通分量，进行上采样，得到单独的主动脉窦的分割掩码，确定中心线上处于主动脉窦与其余血管交界面上的点为主血管起始点候选，其中，对处于同一连通分量的多个点，确定距主动脉窦中心最近的点为主血管起始点候选；由所有主血管起始点候选开始，进行血管树的搜索，确定其中最大的两棵血管树，定为左右子树候选；定义三维坐标系，其中，三维坐标系包括：由人体两肩方向逆时针转动45度角为y轴，人体头脚方向为z轴，由y\z轴按右手系定义的坐标方向为x轴；取左右子树的质心，确定x轴正方向分量更大的为右子树，另一棵为左子树。
具体地，由冠脉血管分割结果，通过基于细化或最优路径的方式提取中心线，并搜索血管树，确定左右分支具体可以包括以下几步：
1.1确定主血管起始点：
首先从分割结果中分离主动脉窦。观察到与主动脉窦相比，其他血管属于较为纤细的结构这一特点，对分割结果进行降采样以及形态学开操作，并取最大连通分量及进行上采样，得到单独的主动脉窦的分割掩码。
中心线上处于主动脉窦与其余血管交界面上的点，均为主血管起始点候选，对处于同一连通分量的多个点，选择距主动脉窦中心最近的点。
1.2血管树构建：由所有起始点候选开始，进行血管树的搜索。其中最大的两棵血管树，定为左右子树候选。
1.3定义三维坐标系如下：经观察发现，绝大部分心脏冠脉图像中，心尖方向更接近45度角，据此，定义由人体两肩方向逆时针转动45度角为y轴(也即下文所述“前方”)，人体头脚方向为z轴，由y\z轴按右手系定义的坐标方向为x轴。(对比实验发现，采用此坐标系，与CN108717695A所采用的坐标系相比，可提升左右冠脉识别，以及与心脏方向(前方、左右、后方)相关特征的准确性)
1.4取两棵血管树的质心，x轴正方向分量更大的为右子树，另一棵为左子树。
S3，计算左右子树的属性。
作为本发明实施例的一个可选实施方式，计算左右子树的属性包括：对于左右子树中每个节点，计算以该节点为根的子树的大小，子树上各点的方向，子树在y轴投影的范围，子树在z轴范围；计算左右子树包围盒，求得包围盒中心。
具体地，对于所有子树，计算其所有节点的属性：包括对于子树中每个节点，计算以该节点为根的子树的大小(点数目)，子树上各点的方向(多尺度计算)，子树在心脏前后方(y轴)投影的范围，子树在心脏上下方(z轴)范围。计算左右血管树包围盒，求得包围盒中心。
S4，确定LM段，筛选LAD-LCX分叉点，识别LAD、LCX、RI分支。
作为本发明实施例的一个可选实施方式，确定LM段，筛选LAD-LCX分叉点，识别LAD、LCX、RI分支包括：
由左子树起始点开始，选择前N个分叉点作为LAD-LCX起始点，其中N为预设个数；对每个分叉点，计算如下多线索分值：分支大小、z轴最大投影范围和y轴投影范围；将分支大小、z轴最大投影范围和y轴投影范围三个线索分支加权，取具有最大分值的分叉点作为LAD-LCX分叉点；取LAD-LCX分叉点所有分支在x-y平面上的投影，计算投影方向，由y轴负方向开始逆时针计算，确定角度最小的为LCX分支，最大的为LAD分支，其余为RI分支；其中，如果未识别RI分支，则分别对LAD分支，LCX分支的子分叉点再次进行x-y平面投影角度排序，取角度较小或者较大的作为RI分支候选，若距LAD-LCX分叉点距离最近的RI分支小于预设距离，则确定为RI分支。
具体地，确定LM段，筛选LAD-LCX分叉点，识别LAD，LCX，RI分支可以包括以下几步：
4.1由左子树起始点开始，选择前5个分叉点(观察到LM上干扰血管所形成的子树总是较主血管所形成的子树为小，在每个分叉点处，选择大小最大的分支前进)作为LAD-LCX起始点。对每个分叉点，计算如下多线索分值：
a.分支大小：计算分叉点子树中，较小的子树相对于该子树的比值，令分叉点子树中，除最大分支以外的子树集合为C：
S＝mini(size(Childi))/size(Parent),i∈C
直观上，对于真正的LAD-LCX分支，S较大。
b.z轴最大投影范围：计算分叉点子树z轴的投影范围：
直观上，对真正LAD-LCX分支，较大。
c.y轴投影范围：Sy＝(1-Intersecty)+Uniony，其中，Intersecty为分支在y轴投影相交部分占整个子树的y轴投影范围之比，Uniony为分支在y轴投影并集占整个子树的y轴投影范围之比，有多个分支时，均取最大值。直观上，对真正的LAD-LCX分支，Intersecty较小，而Uniony较大，因而整体分值较大。
d.将上述三种线索分支加权，之后取具有最大分值的分叉点作为LAD-LCX分叉点。
4.2在LAD-LCX分叉点识别之后，取该点所有分支在x-y平面上的投影，计算投影方向，由y轴负方向开始逆时针计算，角度最小的为LCX分支，最大的为LAD分支，其余(如有)为RI分支。
4.3若上一步未识别RI分支，则分别对LAD，LCX分支的子分叉点再次进行x-y平面投影角度排序，取角度较小(较大)的作为RI分支候选。若距分叉点距离最近的RI分支小于3mm，判定为RI分支。
S5，遍历LAD分支每一分岔，判定分岔血管为LAD/D/Others。
作为本发明实施例的一个可选实施方式，遍历LAD分支每一分岔，判定分岔血管为LAD/D/Others包括：对LAD分支中所有子分支节点，计算如下分值：血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围；将血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围四个线索分支归一化后加权融合，确定得分最高的分支为LAD主分支；局部相对方向角度大于LAD分支的，为其他干扰分支；局部相对方向角度小于LAD分支的，为D分支，其中，D分支命名为Dn，n由1开始，依次累加。
具体地，识别LAD、D分支可以包括：
对LAD分支中所有子分支节点，计算如下分值：
a.血管局部相对方向：定义分支节点上局部坐标系如下：父节点血管段末端方向为y轴正方向；由血管树包围盒中心指向分叉点的向量，与y轴正交化后，为z轴正方向；y-z轴叉积为x方向。计算各分支投影到局部坐标xy平面的角度(由y轴负方向开始计算由y轴负方向开始计算)。若局部坐标x轴正方向与LCX方向大于90度，上述角度取负值。
b.血管连续性：计算父节点血管末端与分支的方向一致性(cos相似性)以及直径一致性。
c.z轴最大投影范围:计算方式见3.1b
d.y轴正方向最大投影范围
将上述4中线索分支归一化后加权融合，得分最高的分支为LAD主分支；局部相对方向角度大于LAD分支的，为其他干扰分支(如室间隔支)；局部相对方向角度小于LAD分支的，命名为Dn分支，n需要由1开始，依次累加。
S6，遍历LCX分支每一分岔，判定分岔血管为LCX/OM，识别LPLB，LPDA。
作为本发明实施例的一个可选实施方式，遍历LCX分支每一分岔，判定分岔血管为LCX/OM，识别LPLB，LPDA包括：对LCX分支中所有子分支节点，计算如下分值：血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围；将血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围四个线索分支归一化后加权融合，确定得分最高的分支为LCX主分支；局部相对方向角度大于LCX分支的，为其他干扰分支；局部相对方向角度小于LCX分支的，为OM分支，其中，OM分支命名为OMn，n由1开始，依次累加；对命名为OMn分支，确定满足条件1和条件2的分支标记为LPLB；其中，条件1包括：在y-z平面上，以直线拟合分支，同时将心肌掩码投影到此平面；若位于分支上方的心肌掩码像素占比在第一预设比例以上，则条件1满足；条件2包括：在x-y平面上，以直线拟合分支，同时将心肌掩码投影到此平面；若左侧所占比例在第二预设比例以上，则条件2满足；若LCX末端朝向前方且夹角小于预设角度，将LCX标记为LPDA。
具体地，所用线索与步骤S5一致，只是对a，若局部坐标与LAD方向大于90度，角度取负值，对d，求y轴负方向最大投影范围。
对命名的OMn分支，依次检测条件：1.在y-z平面上，以直线拟合分支，同时将心肌掩码投影到此平面。若位于分支上方的心肌掩码像素占比在80％以上，则条件1满足。2.在x-y平面上，以直线拟合分支，同时将心肌掩码投影到此平面。若左侧所占比例在5％以上，则条件2满足。将满足条件1和2的分支标记为LPLB分支。
若LCX末端朝向前方(y轴正方向)且夹角小于45度，将LCX标记为LPDA。
S7，遍历右子树所有分叉点，识别RCA/CA/AM/RPDA/RPLB。
作为本发明实施例的一个可选实施方式，遍历右子树所有分叉点，识别RCA/CA/AM/RPDA/RPLB包括：对右子树中所有子分支节点，计算如下分值：血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围；以及计算当前已被识别为RCA的血管段拟合垂直于x-y平面的平面，并计算血管分支相对于该平面的距离；通过计算RCA由水平方向到竖直方向最大角度转折点，以及由竖直方向到心底部水平方向最大转折点，将距离主动脉窦预设个像素内的分支标记为CA；对于近中段分支，标记为AM，其中AM包括若干个，依次标记为AM1,AM2,AM3……；对远段分支，将首段分支标记为RPDA，其后分支标记为RPLB，其中RPLB包括若干个，依次标记为RPLB1，RPLB2，RPLB3……。
具体地，对于RCA及其分支的识别，除采用步骤5中a,b,c,d 4种线索之外，进一步对于当前已被识别为RCA的血管段拟合垂直于x-y平面的平面，并计算血管分支相对于该平面的距离。RCA主分支通常距该平面较近。
同时，通过计算RCA由水平方向到竖直方向最大角度转折点，以及由竖直方向到心底部水平方向最大转折点(即RCA近、中、远段)，将距离主动脉窦80个像素内的分支标记为CA；对于近中段分支，依次标记为AM1,2,3等；对远段分支，将首段分支标记为RPDA，其后分支标记为RPLB1，2，3等。
作为本发明实施例的一个可选实施方式，本发明提供的心脏冠脉血管的自动化命名方法还包括：对所有标记为AM、RPDA、RPLB的分支，选取最优的RPDA，并重新标记RPDA前的分支为AM，之后为RPLB。优选的，选取最优的RPDA包括：选择血管在xy平面切割心肌mask、血管分支大小，以及血管分支末端到LAD末端距离三个线索，进行加权计算，确定最优的RPDA；其中，采用由逐对优劣排序到整体优劣排序的方式对每个线索所有分支两两判断其相对优劣性。
具体地，对于上一步中所有标记为AM、RPDA、RPLB的分支，本步骤选取最优的RPDA，并重新标记RPDA前的为AM分支，之后为RPLB。
然而，在需要从多个(此步骤时常可由5-6个RPDA候选)分支中优选RPDA时，融合不同线索对所有分支打分，求得最优RPDA分支是存在困难的。此处选择血管在xy平面切割心肌mask、血管分支大小，以及血管分支末端到LAD末端距离三个线索。这三个不同线索在分值的尺度以及对结果的影响权重方面，难以把握。然而，每一个线索，对于两个分支候选，均能明确给出优劣关系。为此，申请人采用由逐对优劣排序到整体优劣排序的方式解决此难点。具体而言，申请人首先对每个线索，对所有分支两两判断其相对优劣性。随后求解：
||Ps-(M1+λ2M2+λ3M3)||2
其中s为带求解的全局优劣排序，P将全局排序转换为两两排序，并要求其结果与三个线索所得到的两两优劣排序尽可能类似。通过此方法，可以简洁地融合多个不同类型的线索。
由此可见，通过本发明提供的心脏冠脉血管的自动化命名方法，完成心脏冠脉血管的自动命名分段功能，解决由于因冠脉血管走型在不同病人之间差异大、干扰血管多而导致的算法鲁棒性和准确性问题。
其中，利用血管分支间相对关系，结合多种线索计算血管分支作为主分支/其他分支的相对分数进行命名判断，可有效增强对于各类变异情况的鲁棒性。
此外，对于每个主分支，在每个分支处所提取的血管相对关系较为一致，可以用同一套代码实现，实现上较为简单，不易出错。
进一步，在融合多种血管分支相对关系线索时，提出了将逐对(Pairwise)优劣排序转换为整体优劣排序的方法，不仅增强了方法鲁棒性，且支持增加新的相对关系线索。
此外，还支持LPLB(左室后支)，LPDA(左后降支)，CA(圆锥支)，AM(锐缘支)血管的命名。
进一步，引入心肌分割mask,提升部分血管命名的准确性和鲁棒性；在无需任何标注数据的情况下实现自动化命名。在此基础上，也可以容易地融合机器学习作为线索。
图2示出了本发明实施例提供的心脏冠脉血管的自动化命名装置的结构示意图，该心脏冠脉血管的自动化命名装置应用上述方法，以下仅对心脏冠脉血管的自动化命名装置的结构进行简单说明，其他未尽事宜，请参照上述心脏冠脉血管的自动化命名方法中的相关描述，参见图2，本发明实施例提供的心脏冠脉血管的自动化命名装置，包括：
提取模块，用于获取冠脉血管分割结果，提取中心线；
确定模块，用于确定主血管起始点，提取主血管分支结构，确定左右子树；
计算模块，用于计算左右子树的属性；
识别模块，用于确定LM段，筛选LAD-LCX分叉点，识别LAD、LCX、RI分支；遍历LAD分支每一分岔，判定分岔血管为LAD/D/Others；遍历LCX分支每一分岔，判定分岔血管为LCX/OM，识别LPLB，LPDA；遍历右子树所有分叉点，识别RCA/CA/AM/RPDA/RPLB。
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提取中心线：提取模块，具体用于通过基于细化或最优路径的方式提取中心线。
作为本发明实施例的一个可选实施方式，确定模块通过如下方式确定主血管起始点,确定主血管起始点，提取主血管分支结构，确定左右子树：确定模块，具体用于从分割结果中分离主动脉窦；对分割结果进行降采样以及形态学开操作，取最大连通分量，进行上采样，得到单独的主动脉窦的分割掩码，确定中心线上处于主动脉窦与其余血管交界面上的点为主血管起始点候选，其中，对处于同一连通分量的多个点，确定距主动脉窦中心最近的点为主血管起始点候选；由所有主血管起始点候选开始，进行血管树的搜索，确定其中最大的两棵血管树，定为左右子树候选；定义三维坐标系，其中，三维坐标系包括：由人体两肩方向逆时针转动45度角为y轴，人体头脚方向为z轴，由y\z轴按右手系定义的坐标方向为x轴；取左右子树的质心，确定x轴正方向分量更大的为右子树，另一棵为左子树。
作为本发明实施例的一个可选实施方式，计算模块通过如下方式计算左右子树的属性：计算模块，具体用于对于左右子树中每个节点，计算以该节点为根的子树的大小，子树上各点的方向，子树在y轴投影的范围，子树在z轴范围；计算左右子树包围盒，求得包围盒中心。
作为本发明实施例的一个可选实施方式，识别模块通过如下方式确定LM段，筛选LAD-LCX分叉点，识别LAD、LCX、RI分支：识别模块，具体用于由左子树起始点开始，选择前N个分叉点作为LAD-LCX起始点，其中N为预设个数；对每个分叉点，计算如下多线索分值：分支大小、z轴最大投影范围和y轴投影范围；将分支大小、z轴最大投影范围和y轴投影范围三个线索分支加权，取具有最大分值的分叉点作为LAD-LCX分叉点；取LAD-LCX分叉点所有分支在x-y平面上的投影，计算投影方向，由y轴负方向开始逆时针计算，确定角度最小的为LCX分支，最大的为LAD分支，其余为RI分支；其中，如果未识别RI分支，则分别对LAD分支，LCX分支的子分叉点再次进行x-y平面投影角度排序，取角度较小或者较大的作为RI分支候选，若距LAD-LCX分叉点距离最近的RI分支小于预设距离，则确定为RI分支。
作为本发明实施例的一个可选实施方式，识别模块通过如下方式遍历LAD分支每一分岔，判定分岔血管为LAD/D/Others：识别模块，具体用于对LAD分支中所有子分支节点，计算如下分值：血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围；将血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围四个线索分支归一化后加权融合，确定得分最高的分支为LAD主分支；局部相对方向角度大于LAD分支的，为其他干扰分支；局部相对方向角度小于LAD分支的，为D分支，其中，D分支命名为Dn，n由1开始，依次累加。
作为本发明实施例的一个可选实施方式，识别模块通过如下方式遍历LCX分支每一分岔，判定分岔血管为LCX/OM，识别LPLB，LPDA：识别模块，具体用于对LCX分支中所有子分支节点，计算如下分值：血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围；将血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围四个线索分支归一化后加权融合，确定得分最高的分支为LCX主分支；局部相对方向角度大于LCX分支的，为其他干扰分支；局部相对方向角度小于LCX分支的，为OM分支，其中，OM分支命名为OMn，n由1开始，依次累加；对命名为OMn分支，确定满足条件1和条件2的分支标记为LPLB；其中，条件1包括：在y-z平面上，以直线拟合分支，同时将心肌掩码投影到此平面；若位于分支上方的心肌掩码像素占比在第一预设比例以上，则条件1满足；条件2包括：在x-y平面上，以直线拟合分支，同时将心肌掩码投影到此平面；若左侧所占比例在第二预设比例以上，则条件2满足；若LCX末端朝向前方且夹角小于预设角度，将LCX标记为LPDA。
作为本发明实施例的一个可选实施方式，识别模块通过如下方式遍历右子树所有分叉点，识别RCA/CA/AM/RPDA/RPLB：识别模块，具体用于对右子树中所有子分支节点，计算如下分值：血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围；以及计算当前已被识别为RCA的血管段拟合垂直于x-y平面的平面，并计算血管分支相对于该平面的距离；通过计算RCA由水平方向到竖直方向最大角度转折点，以及由竖直方向到心底部水平方向最大转折点，将距离主动脉窦预设个像素内的分支标记为CA；对于近中段分支，标记为AM，其中AM包括若干个，依次标记为AM1,AM2,AM3……；对远段分支，将首段分支标记为RPDA，其后分支标记为RPLB，其中RPLB包括若干个，依次标记为RPLB1，RPLB2，RPLB3……。
作为本发明实施例的一个可选实施方式，装置还包括：重标记模块，用于对所有标记为AM、RPDA、RPLB的分支，选取最优的RPDA，并重新标记RPDA前的分支为AM，之后为RPLB。
作为本发明实施例的一个可选实施方式，重标记模块通过如下方式选取最优的RPDA：重标记模块，具体用于选择血管在xy平面切割心肌mask、血管分支大小，以及血管分支末端到LAD末端距离三个线索，进行加权计算，确定最优的RPDA；其中，采用由逐对优劣排序到整体优劣排序的方式对每个线索所有分支两两判断其相对优劣性。
由此可见，通过本发明提供的心脏冠脉血管的自动化命名装置，完成心脏冠脉血管的自动命名分段功能，解决由于因冠脉血管走型在不同病人之间差异大、干扰血管多而导致的算法鲁棒性和准确性问题。
其中，利用血管分支间相对关系，结合多种线索计算血管分支作为主分支/其他分支的相对分数进行命名判断，可有效增强对于各类变异情况的鲁棒性。
此外，对于每个主分支，在每个分支处所提取的血管相对关系较为一致，可以用同一套代码实现，实现上较为简单，不易出错。
进一步，在融合多种血管分支相对关系线索时，提出了将逐对(Pairwise)优劣排序转换为整体优劣排序的方法，不仅增强了方法鲁棒性，且支持增加新的相对关系线索。
此外，还支持LPLB(左室后支)，LPDA(左后降支)，CA(圆锥支)，AM(锐缘支)血管的命名。
进一步，引入心肌分割mask,提升部分血管命名的准确性和鲁棒性；在无需任何标注数据的情况下实现自动化命名。在此基础上，也可以容易地融合机器学习作为线索。
因此，相对已有方法，本发明具有以下优势：
1.CN108717695A大量采用绝对化的阈值进行血管命名判定，对于存在大量变异情况的冠脉血管，其鲁棒性受限。与之相对，本发明主要利用血管分支间相对关系，结合多种线索计算血管分支作为主分支/其他分支的相对分数进行命名判断，可有效增强对于各类变异情况的鲁棒性。
2.CN108717695A对冠脉三大主分支RCA,LAD,LCX，每一分支均分别设计命名策略进行处理，在方法实现上繁琐易错。本发明对于每个主分支，在每个分支处所提取的血管相对关系较为一致，可以用同一套代码实现，实现上较为简单，不易出错。
3.本方法在融合多种血管分支相对关系线索时，提出了将逐对(Pairwise)优劣排序转换为整体优劣排序的方法，不仅增强了方法鲁棒性，且支持增加新的相对关系线索。CN108717695A仅通过人工设定判定条件或通过单一线索(如距离冠脉主动脉窦中心点远近)进行选择。
4.CN108717695A未提及LPLB(左室后支)，LPDA(左后降支)，CA(圆锥支)，AM(锐缘支)命名，本发明支持这些血管的命名。
5.本发明引入心肌分割mask,提升部分血管命名的准确性和鲁棒性。
6.本发明在无需任何标注数据的情况下可以达到较好的命名效果，同时可以融合机器学习(如PointNet)进行有监督训练的预测结果，但与其他纯基于机器学习的方法相比，可以显著减少训练数据量。
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 (16)
1.一种心脏冠脉血管的自动化命名方法，其特征在于，包括：
获取冠脉血管分割结果，提取中心线；
确定主血管起始点，提取主血管分支结构，确定左右子树；
计算所述左右子树的属性；
确定LM段，筛选LAD-LCX分叉点，识别LAD、LCX、RI分支；
遍历LAD分支每一分岔，判定分岔血管为LAD/D/Others；
遍历LCX分支每一分岔，判定分岔血管为LCX/OM，识别LPLB，LPDA；
遍历右子树所有分叉点，识别RCA/CA/AM/RPDA/RPLB；
其中，所述确定主血管起始点,确定主血管起始点，提取主血管分支结构，确定左右子树包括：
从所述分割结果中分离主动脉窦；
对所述分割结果进行降采样以及形态学开操作，取最大连通分量，进行上采样，得到单独的主动脉窦的分割掩码，确定中心线上处于所述主动脉窦与其余血管交界面上的点为主血管起始点候选，其中，对处于同一连通分量的多个点，确定距所述主动脉窦中心最近的点为所述主血管起始点候选；
由所有所述主血管起始点候选开始，进行血管树的搜索，确定其中最大的两棵血管树，定为左右子树候选；
定义三维坐标系，其中，所述三维坐标系包括：由人体两肩方向逆时针转动45度角为y轴，人体头脚方向为z轴，由y\z轴按右手系定义的坐标方向为x轴；
取所述左右子树的质心，确定x轴正方向分量更大的为右子树，另一棵为左子树；
所述确定LM段，筛选LAD-LCX分叉点，识别LAD、LCX、RI分支包括：
由所述左子树起始点开始，选择前N个分叉点作为LAD-LCX起始点，其中N为预设个数；
对每个所述分叉点，计算如下多线索分值：分支大小、z轴最大投影范围和y轴投影范围；
将所述分支大小、所述z轴最大投影范围和所述y轴投影范围三个线索分支加权，取具有最大分值的分叉点作为所述LAD-LCX分叉点；
取所述LAD-LCX分叉点所有分支在x-y平面上的投影，计算投影方向，由y轴负方向开始逆时针计算，确定角度最小的为所述LCX分支，最大的为所述LAD分支，其余为所述RI分支；其中，如果未识别所述RI分支，则分别对所述LAD分支，所述LCX分支的子分叉点再次进行x-y平面投影角度排序，取角度较小或者较大的作为RI分支候选，若距所述LAD-LCX分叉点距离最近的RI分支小于预设距离，则确定为所述RI分支。
2.根据权利要求1所述的方法，其特征在于，提取中心线包括：
通过基于细化或最优路径的方式提取中心线。
3.根据权利要求1所述的方法，其特征在于，所述计算所述左右子树的属性包括：
对于所述左右子树中每个节点，计算以该节点为根的子树的大小，子树上各点的方向，子树在y轴投影的范围，子树在z轴范围；
计算左右子树包围盒，求得包围盒中心。
4.根据权利要求1所述的方法，其特征在于，所述遍历LAD分支每一分岔，判定分岔血管为LAD/D/Others包括：
对所述LAD分支中所有子分支节点，计算如下分值：血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围；
将所述血管局部相对方向、所述血管连续性、所述z轴最大投影范围和所述y轴正方向最大投影范围四个线索分支归一化后加权融合，确定得分最高的分支为LAD主分支；局部相对方向角度大于所述LAD分支的，为其他干扰分支；局部相对方向角度小于所述LAD分支的，为D分支，其中，D分支命名为Dn，n由1开始，依次累加。
5.根据权利要求1所述的方法，其特征在于，所述遍历LCX分支每一分岔，判定分岔血管为LCX/OM，识别LPLB，LPDA包括：
对所述LCX分支中所有子分支节点，计算如下分值：血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围；
将所述血管局部相对方向、所述血管连续性、所述z轴最大投影范围和所述y轴正方向最大投影范围四个线索分支归一化后加权融合，确定得分最高的分支为LCX主分支；局部相对方向角度大于所述LCX分支的，为其他干扰分支；局部相对方向角度小于所述LCX分支的，为OM分支，其中，OM分支命名为OMn，n由1开始，依次累加；
对命名为OMn分支，确定满足条件1和条件2的分支标记为所述LPLB；其中，条件1包括：在y-z平面上，以直线拟合分支，同时将心肌掩码投影到此平面；若位于分支上方的心肌掩码像素占比在第一预设比例以上，则条件1满足；条件2包括：在x-y平面上，以直线拟合分支，同时将心肌掩码投影到此平面；若左侧所占比例在第二预设比例以上，则条件2满足；
若LCX末端朝向前方且夹角小于预设角度，将LCX标记为所述LPDA。
6.根据权利要求1所述的方法，其特征在于，所述遍历右子树所有分叉点，识别RCA/CA/AM/RPDA/RPLB包括：
对所述右子树中所有子分支节点，计算如下分值：血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围；以及计算当前已被识别为RCA的血管段拟合垂直于x-y平面的平面，并计算血管分支相对于该平面的距离；
通过计算RCA由水平方向到竖直方向最大角度转折点，以及由竖直方向到心底部水平方向最大转折点，将距离主动脉窦预设个像素内的分支标记为CA；对于近中段分支，标记为AM，其中所述AM包括若干个，依次标记为AM1,AM2,AM3……；对远段分支，将首段分支标记为所述RPDA，其后分支标记为所述RPLB，其中所述RPLB包括若干个，依次标记为RPLB1，RPLB2，RPLB3……。
7.根据权利要求6所述的方法，其特征在于，还包括：
对所有标记为所述AM、所述RPDA、所述RPLB的分支，选取最优的RPDA，并重新标记RPDA前的分支为所述AM，之后为所述RPLB。
8.根据权利要求7所述的方法，其特征在于，所述选取最优的RPDA包括：
选择血管在xy平面切割心肌mask、血管分支大小，以及血管分支末端到LAD末端距离三个线索，进行加权计算，确定最优的RPDA；其中，采用由逐对优劣排序到整体优劣排序的方式对每个线索所有分支两两判断其相对优劣性。
9.一种心脏冠脉血管的自动化命名装置，其特征在于，包括：
提取模块，用于获取冠脉血管分割结果，提取中心线；
确定模块，用于确定主血管起始点，提取主血管分支结构，确定左右子树；
计算模块，用于计算所述左右子树的属性；
识别模块，用于确定LM段，筛选LAD-LCX分叉点，识别LAD、LCX、RI分支；遍历LAD分支每一分岔，判定分岔血管为LAD/D/Others；遍历LCX分支每一分岔，判定分岔血管为LCX/OM，识别LPLB，LPDA；遍历右子树所有分叉点，识别RCA/CA/AM/RPDA/RPLB；
其中：所述确定模块通过如下方式确定主血管起始点,确定主血管起始点，提取主血管分支结构，确定左右子树：
所述确定模块，具体用于从所述分割结果中分离主动脉窦；对所述分割结果进行降采样以及形态学开操作，取最大连通分量，进行上采样，得到单独的主动脉窦的分割掩码，确定中心线上处于所述主动脉窦与其余血管交界面上的点为主血管起始点候选，其中，对处于同一连通分量的多个点，确定距所述主动脉窦中心最近的点为所述主血管起始点候选；由所有所述主血管起始点候选开始，进行血管树的搜索，确定其中最大的两棵血管树，定为左右子树候选；定义三维坐标系，其中，所述三维坐标系包括：由人体两肩方向逆时针转动45度角为y轴，人体头脚方向为z轴，由y\z轴按右手系定义的坐标方向为x轴；取所述左右子树的质心，确定x轴正方向分量更大的为右子树，另一棵为左子树；
所述识别模块通过如下方式确定LM段，筛选LAD-LCX分叉点，识别LAD、LCX、RI分支：
所述识别模块，具体用于由所述左子树起始点开始，选择前N个分叉点作为LAD-LCX起始点，其中N为预设个数；对每个所述分叉点，计算如下多线索分值：分支大小、z轴最大投影范围和y轴投影范围；将所述分支大小、所述z轴最大投影范围和所述y轴投影范围三个线索分支加权，取具有最大分值的分叉点作为所述LAD-LCX分叉点；取所述LAD-LCX分叉点所有分支在x-y平面上的投影，计算投影方向，由y轴负方向开始逆时针计算，确定角度最小的为所述LCX分支，最大的为所述LAD分支，其余为所述RI分支；其中，如果未识别所述RI分支，则分别对所述LAD分支，所述LCX分支的子分叉点再次进行x-y平面投影角度排序，取角度较小或者较大的作为RI分支候选，若距所述LAD-LCX分叉点距离最近的RI分支小于预设距离，则确定为所述RI分支。
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提取中心线：
所述提取模块，具体用于通过基于细化或最优路径的方式提取中心线。
11.根据权利要求9所述的装置，其特征在于，所述计算模块通过如下方式计算所述左右子树的属性：
所述计算模块，具体用于对于所述左右子树中每个节点，计算以该节点为根的子树的大小，子树上各点的方向，子树在y轴投影的范围，子树在z轴范围；计算左右子树包围盒，求得包围盒中心。
12.根据权利要求9所述的装置，其特征在于，所述识别模块通过如下方式遍历LAD分支每一分岔，判定分岔血管为LAD/D/Others：
所述识别模块，具体用于对所述LAD分支中所有子分支节点，计算如下分值：血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围；将所述血管局部相对方向、所述血管连续性、所述z轴最大投影范围和所述y轴正方向最大投影范围四个线索分支归一化后加权融合，确定得分最高的分支为LAD主分支；局部相对方向角度大于所述LAD分支的，为其他干扰分支；局部相对方向角度小于所述LAD分支的，为D分支，其中，D分支命名为Dn，n由1开始，依次累加。
13.根据权利要求9所述的装置，其特征在于，所述识别模块通过如下方式遍历LCX分支每一分岔，判定分岔血管为LCX/OM，识别LPLB，LPDA：
所述识别模块，具体用于对所述LCX分支中所有子分支节点，计算如下分值：血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围；将所述血管局部相对方向、所述血管连续性、所述z轴最大投影范围和所述y轴正方向最大投影范围四个线索分支归一化后加权融合，确定得分最高的分支为LCX主分支；局部相对方向角度大于所述LCX分支的，为其他干扰分支；局部相对方向角度小于所述LCX分支的，为OM分支，其中，OM分支命名为OMn，n由1开始，依次累加；对命名为OMn分支，确定满足条件1和条件2的分支标记为所述LPLB；其中，条件1包括：在y-z平面上，以直线拟合分支，同时将心肌掩码投影到此平面；若位于分支上方的心肌掩码像素占比在第一预设比例以上，则条件1满足；条件2包括：在x-y平面上，以直线拟合分支，同时将心肌掩码投影到此平面；若左侧所占比例在第二预设比例以上，则条件2满足；若LCX末端朝向前方且夹角小于预设角度，将LCX标记为所述LPDA。
14.根据权利要求9所述的装置，其特征在于，所述识别模块通过如下方式遍历右子树所有分叉点，识别RCA/CA/AM/RPDA/RPLB：
所述识别模块，具体用于对所述右子树中所有子分支节点，计算如下分值：血管局部相对方向、血管连续性、z轴最大投影范围和y轴正方向最大投影范围；以及计算当前已被识别为RCA的血管段拟合垂直于x-y平面的平面，并计算血管分支相对于该平面的距离；通过计算RCA由水平方向到竖直方向最大角度转折点，以及由竖直方向到心底部水平方向最大转折点，将距离主动脉窦预设个像素内的分支标记为CA；对于近中段分支，标记为AM，其中所述AM包括若干个，依次标记为AM1,AM2,AM3……；对远段分支，将首段分支标记为所述RPDA，其后分支标记为所述RPLB，其中所述RPLB包括若干个，依次标记为RPLB1，RPLB2，RPLB3……。
15.根据权利要求14所述的装置，其特征在于，还包括：
重标记模块，用于对所有标记为所述AM、所述RPDA、所述RPLB的分支，选取最优的RPDA，并重新标记RPDA前的分支为所述AM，之后为所述RPLB。
16.根据权利要求15所述的装置，其特征在于，所述重标记模块通过如下方式选取最优的RPDA：
所述重标记模块，具体用于选择血管在xy平面切割心肌mask、血管分支大小，以及
血管分支末端到LAD末端距离三个线索，进行加权计算，确定最优的RPDA；其中，采用由逐对优劣排序到整体优劣排序的方式对每个线索所有分支两两判断其相对优劣性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010932700.XA CN112017176B (zh) | 2020-09-08 | 2020-09-08 | 一种心脏冠脉血管的自动化命名方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010932700.XA CN112017176B (zh) | 2020-09-08 | 2020-09-08 | 一种心脏冠脉血管的自动化命名方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112017176A CN112017176A (zh) | 2020-12-01 |
| CN112017176B true CN112017176B (zh) | 2024-08-09 |
Family
ID=73516069
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010932700.XA Active CN112017176B (zh) | 2020-09-08 | 2020-09-08 | 一种心脏冠脉血管的自动化命名方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112017176B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106097298A (zh) * | 2016-05-27 | 2016-11-09 | 中国人民解放军第三军医大学 | 基于球空间划分的冠状动脉自动分段与解剖学标记方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7941462B2 (en) * | 2008-09-24 | 2011-05-10 | Toshiba Medical Visualization Systems Europe, Limited | Method and apparatus for classification of coronary artery image data |
| US9814433B2 (en) * | 2012-10-24 | 2017-11-14 | Cathworks Ltd. | Creating a vascular tree model |
| EP3723041A1 (en) * | 2012-10-24 | 2020-10-14 | CathWorks Ltd. | Automated measurement system and method for coronary artery disease scoring |
| CN104867147A (zh) * | 2015-05-21 | 2015-08-26 | 北京工业大学 | 基于冠状动脉造影图像分割的syntax自动评分方法 |
| CN108717695B (zh) * | 2018-04-25 | 2021-07-13 | 数坤(北京)网络科技股份有限公司 | 心脏冠脉血管自动分段命名方法 |
| CN111292314B (zh) * | 2020-03-03 | 2024-05-24 | 上海联影智能医疗科技有限公司 | 冠脉分段方法、装置、图像处理系统和存储介质 |
-
2020
- 2020-09-08 CN CN202010932700.XA patent/CN112017176B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106097298A (zh) * | 2016-05-27 | 2016-11-09 | 中国人民解放军第三军医大学 | 基于球空间划分的冠状动脉自动分段与解剖学标记方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112017176A (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10079071B1 (en) | Method and system for whole body bone removal and vascular visualization in medical image data | |
| CN111145206B (zh) | 肝脏图像分割质量评估方法、装置及计算机设备 | |
| US20240206838A1 (en) | Vascular selection from images | |
| JP4914517B2 (ja) | 構造物検出装置および方法ならびにプログラム | |
| US8548213B2 (en) | Method and system for guiding catheter detection in fluoroscopic images | |
| US10235753B2 (en) | Automatic recognition of anatomical landmarks | |
| CN108717695B (zh) | 心脏冠脉血管自动分段命名方法 | |
| JP2009072576A (ja) | 血管造影画像の定量的分岐解析のための方法、装置およびコンピュータプログラム | |
| Bismuth et al. | Curvilinear structure enhancement with the polygonal path image-application to guide-wire segmentation in x-ray fluoroscopy | |
| 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 | |
| CN112017176B (zh) | 一种心脏冠脉血管的自动化命名方法及装置 | |
| Yang et al. | Catheter detection in 3d ultrasound using triplanar-based convolutional neural networks | |
| Wang et al. | A 3D tubular flux model for centerline extraction in neuron volumetric images | |
| Tu et al. | 3D reconstruction of coronary arteries from two X-ray angiograms based on anatomic model | |
| CN114359284A (zh) | 用于对视网膜眼底图像进行分析的方法及其相关产品 | |
| US9336458B2 (en) | Image processing device, method and program | |
| KR101852689B1 (ko) | 혈관대응최적화를 이용한 관상동맥 혈관 추출 장치 및 방법 | |
| CN112337082B (zh) | 一种ar沉浸式虚拟视觉感知交互系统和方法 | |
| CN111507981B (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
| Novikov et al. | Automated anatomy-based tracking of systemic arteries in arbitrary field-of-view CTA scans | |
| Wang et al. | Vessel extraction in coronary X-ray angiography | |
| Jiang et al. | Robust visual tracking using a contextual boosting approach | |
| Meshgi et al. | Information-maximizing sampling to promote tracking-by-detection | |
| Kerkeni et al. | Automatic bifurcation detection in coronary x-ray angiographies | |
| Fang et al. | Greedy Graph Searching for Vascular Tracking in Angiographic Image Sequences |
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 |