CN112102267B - 肺动脉血管树的获取方法、装置、存储介质和电子设备 - Google Patents

肺动脉血管树的获取方法、装置、存储介质和电子设备 Download PDF

Info

Publication number
CN112102267B
CN112102267B CN202010898536.5A CN202010898536A CN112102267B CN 112102267 B CN112102267 B CN 112102267B CN 202010898536 A CN202010898536 A CN 202010898536A CN 112102267 B CN112102267 B CN 112102267B
Authority
CN
China
Prior art keywords
binary image
blood vessel
image
vessel
lung
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
Application number
CN202010898536.5A
Other languages
English (en)
Other versions
CN112102267A (zh
Inventor
平安
张霞
何光宇
王希
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Neusoft Intelligent Medical Technology Research Institute Co Ltd
Original Assignee
Shenyang Neusoft Intelligent Medical Technology Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenyang Neusoft Intelligent Medical Technology Research Institute Co Ltd filed Critical Shenyang Neusoft Intelligent Medical Technology Research Institute Co Ltd
Priority to CN202010898536.5A priority Critical patent/CN112102267B/zh
Publication of CN112102267A publication Critical patent/CN112102267A/zh
Application granted granted Critical
Publication of CN112102267B publication Critical patent/CN112102267B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—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
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (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)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本公开涉及一种肺动脉血管树的获取方法、装置、存储介质和电子设备，该方法包括：对CTPA图像进行分割，以获取肺实质二值图像，肺实质二值图像用于指示肺实质在CTPA图像中的位置，根据肺实质二值图像，确定肺内血管二值图像，肺内血管二值图像用于指示肺内血管在CTPA图像中的位置，对主动脉血管三维图像进行分割，以获取主动脉血管二值图像，主动脉血管二值图像用于指示主动脉血管在主动脉血管三维图像中的位置，主动脉血管三维图像为CTPA图像中，主动脉血管对应的图像，将肺内血管二值图像与主动脉血管二值图像拼接为组合二值图像，利用组合二值图像中，包括体素数量最多的连通组件，提取CTPA图像中的肺动脉血管树。

Description

肺动脉血管树的获取方法、装置、存储介质和电子设备
技术领域
本公开涉及图像处理技术领域，具体地，涉及一种肺动脉血管树的获取方法、装置、存储介质和电子设备。
背景技术
随着图像处理技术的不断发展，CT(英文：Computed Tomography，中文：电子计算机断层扫描)设备由于具有扫描时间快，图像清晰等特点，能够有效辅助医生观察扫描部位的状况，在医疗领域得到了广泛应用。尤其是针对肺栓塞(英文：Pulmonary Embolism，缩写：PE)症状的判断，可以借助CTPA(英文：Computed Tomography Pulmonary Angiogram，中文：CT肺动脉造影)技术来构建肺动脉血管树，从而跟踪肺动脉血管，以检测肺栓塞位置。因此要准确检测肺栓塞位置，需要构建准确、完整的肺动脉血管树。
相关技术中，构建肺动脉血管树通常分为两种方式：一种是基于指定的种子点，利用区域生长技术跟踪血管域以提取血管树，然而由于不同人的解剖结构以及血管分布存在差别，种子点的设置不准确，可能导致构建出的肺动脉血管树不准确，并且由于血管中可能存在肺栓塞，还可能会导致构建出的血管存在中断，无法获得准确的肺动脉血管树。另一种是基于Hessian特征值，利用血管增强滤波来对肺血管进行分割，但对于肺门交叉处的血管分割效果差，也会导致肺动脉血管树不准确。
发明内容
本公开的目的是提供一种肺动脉血管树的获取方法、装置、存储介质和电子设备，用以解决现有技术中存在的肺动脉血管树的准确度低的问题。
为了实现上述目的，根据本公开实施例的第一方面，提供一种肺动脉血管树的获取方法，所述方法包括：
对CTPA图像进行分割，以获取肺实质二值图像，所述肺实质二值图像用于指示肺实质在所述CTPA图像中的位置，所述CTPA图像为三维图像；
根据所述肺实质二值图像，确定肺内血管二值图像，所述肺内血管二值图像用于指示肺内血管在所述CTPA图像中的位置；
对主动脉血管三维图像进行分割，以获取主动脉血管二值图像，所述主动脉血管二值图像用于指示主动脉血管在所述主动脉血管三维图像中的位置，所述主动脉血管三维图像为所述CTPA图像中，主动脉血管对应的图像；
将所述肺内血管二值图像与所述主动脉血管二值图像拼接为组合二值图像；
利用所述组合二值图像中，包括体素数量最多的连通组件，提取所述CTPA图像中的肺动脉血管树，所述肺动脉血管树为三维图像。
可选地，所述根据所述肺实质二值图像，确定肺内血管二值图像，包括：
对所述肺实质二值图像进行闭运算，以填充所述肺实质二值图像中的空洞；
根据填充后的所述肺实质二值图像与填充前的所述肺实质二值图像的差，确定初始肺内血管二值图像；
对所述初始肺内血管二值图像进行过滤，以获取所述肺内血管二值图像。
可选地，所述对所述初始肺内血管二值图像进行过滤，以获取所述肺内血管二值图像，包括：
利用所述初始肺内血管二值图像，提取所述CTPA图像中的肺内血管树，所述肺内血管树为三维图像；
提取所述肺内血管树的边缘特征，并根据所述边缘特征确定所述肺内血管树中，为圆柱状的血管区域；
根据所述血管区域，确定所述肺内血管二值图像。
可选地，在所述将所述肺内血管二值图像与所述主动脉血管二值图像拼接为组合二值图像之前，所述方法还包括：
对所述肺内血管二值图像进行开运算，以过滤所述肺内血管二值图像中的噪声；
对所述主动脉血管二值图像进行闭运算，以填充所述主动脉血管二值图像中的空洞；
所述将所述肺内血管二值图像与所述主动脉血管二值图像拼接为组合二值图像，包括：
将过滤后的所述肺内血管二值图像与填充后的所述主动脉血管二值图像拼接为所述组合二值图像。
可选地，在所述将所述肺内血管二值图像与所述主动脉血管二值图像拼接为组合二值图像之后，所述方法还包括：
根据所述组合二值图像确定所述主动脉血管与所述肺内血管之间是否存在空洞；
若所述主动脉血管与所述肺内血管之间存在空洞，对所述组合二值图像进行填充，以获取目标组合二值图像；
所述利用所述组合二值图像中，包括体素数量最多的连通组件，提取所述CTPA图像中的肺动脉血管树，包括：
利用所述目标组合二值图像中，包括体素数量最多的连通组件，提取所述CTPA图像中的所述肺动脉血管树。
可选地，所述根据所述组合二值图像确定所述主动脉血管与所述肺内血管之间是否存在空洞，包括：
根据所述组合二值图像中所述主动脉血管的外接立方体，确定所述主动脉血管的目标侧的目标端点，所述目标端点在所述外接立方体上，所述目标侧为所述主动脉血管的左侧或右侧；
确定目标相邻点是否属于所述肺内血管，所述目标相邻点为所述目标端点在所述目标侧的相邻点；
若所述目标相邻点属于所述肺内血管，确定所述主动脉血管与所述肺内血管之间不存在空洞；
若所述目标相邻点不属于所述肺内血管，确定所述主动脉血管与所述肺内血管之间存在空洞。
可选地，所述若所述主动脉血管与所述肺内血管之间存在空洞，对所述组合二值图像进行填充，以获取目标组合二值图像，包括：
确定目标中止点，所述目标中止点为所述肺内血管中，位于所述目标端点的所述目标侧，且与所述目标端点距离最小的点；
在所述目标端点与所述目标中止点之间构建圆柱体，并对构建所述圆柱体之后的所述组合二值图像进行闭运算，以获取所述目标组合二值图像。
可选地，所述利用所述组合二值图像中，包括体素数量最多的连通组件，提取所述CTPA图像中的肺动脉血管树，包括：
确定所述组合二值图像中包括的至少一个连通组件；
确定所述至少一个连通组件中，包括体素数量最多的目标连通组件；
将所述组合二值图像中，所述目标连通组件所在的区域作为提取二值图像，并根据所述提取二值图像提取所述CTPA图像中的所述肺动脉血管树。
可选地，所述方法还包括：
从所述CPTA图像中提取中纵隔区域对应的中纵隔三维图像；
获取所述中纵膈三维图像中包括的至少一个连通组件；
根据每个所述连通组件的灰度值，和每个所述连通组件包括的体素数量，从所述至少一个连通组件中确定所述主动脉血管对应的目标连通组件；
将所述中纵膈三维图像中，所述目标连通组件所在的区域作为所述主动脉血管三维图像。
根据本公开实施例的第二方面，提供一种肺动脉血管树的获取装置，所述装置包括：
分割模块，用于对CTPA图像进行分割，以获取肺实质二值图像，所述肺实质二值图像用于指示肺实质在所述CTPA图像中的位置，所述CTPA图像为三维图像；
确定模块，用于根据所述肺实质二值图像，确定肺内血管二值图像，所述肺内血管二值图像用于指示肺内血管在所述CTPA图像中的位置；
所述分割模块，还用于对主动脉血管三维图像进行分割，以获取主动脉血管二值图像，所述主动脉血管二值图像用于指示主动脉血管在所述主动脉血管三维图像中的位置，所述主动脉血管三维图像为所述CTPA图像中，主动脉血管对应的图像；
组合模块，用于将所述肺内血管二值图像与所述主动脉血管二值图像拼接为组合二值图像；
提取模块，用于利用所述组合二值图像中，包括体素数量最多的连通组件，提取所述CTPA图像中的肺动脉血管树，所述肺动脉血管树为三维图像。
可选地，所述确定模块包括：
填充子模块，用于对所述肺实质二值图像进行闭运算，以填充所述肺实质二值图像中的空洞；
确定子模块，用于根据填充后的所述肺实质二值图像与填充前的所述肺实质二值图像的差，确定初始肺内血管二值图像；
过滤子模块，用于对所述初始肺内血管二值图像进行过滤，以获取所述肺内血管二值图像。
可选地，所述过滤子模块用于：
利用所述初始肺内血管二值图像，提取所述CTPA图像中的肺内血管树，所述肺内血管树为三维图像；
提取所述肺内血管树的边缘特征，并根据所述边缘特征确定所述肺内血管树中，为圆柱状的血管区域；
根据所述血管区域，确定所述肺内血管二值图像。
可选地，所述装置还包括：
过滤模块，用于在所述将所述肺内血管二值图像与所述主动脉血管二值图像拼接为组合二值图像之前，对所述肺内血管二值图像进行开运算，以过滤所述肺内血管二值图像中的噪声；
第一填充模块，用于对所述主动脉血管二值图像进行闭运算，以填充所述主动脉血管二值图像中的空洞；
所述组合模块用于：
将过滤后的所述肺内血管二值图像与填充后的所述主动脉血管二值图像拼接为所述组合二值图像。
可选地，所述装置还包括：
判断模块，用于在所述将所述肺内血管二值图像与所述主动脉血管二值图像拼接为组合二值图像之后，根据所述组合二值图像确定所述主动脉血管与所述肺内血管之间是否存在空洞；
第二填充模块，用于若所述主动脉血管与所述肺内血管之间存在空洞，对所述组合二值图像进行填充，以获取目标组合二值图像；
所述提取模块用于：
利用所述目标组合二值图像中，包括体素数量最多的连通组件，提取所述CTPA图像中的所述肺动脉血管树。
可选地，所述判断模块用于：
根据所述组合二值图像中所述主动脉血管的外接立方体，确定所述主动脉血管的目标侧的目标端点，所述目标端点在所述外接立方体上，所述目标侧为所述主动脉血管的左侧或右侧；
确定目标相邻点是否属于所述肺内血管，所述目标相邻点为所述目标端点在所述目标侧的相邻点；
若所述目标相邻点属于所述肺内血管，确定所述主动脉血管与所述肺内血管之间不存在空洞；
若所述目标相邻点不属于所述肺内血管，确定所述主动脉血管与所述肺内血管之间存在空洞。
可选地，所述第二填充模块用于：
确定目标中止点，所述目标中止点为所述肺内血管中，位于所述目标端点的所述目标侧，且与所述目标端点距离最小的点；
在所述目标端点与所述目标中止点之间构建圆柱体，并对构建所述圆柱体之后的所述组合二值图像进行闭运算，以获取所述目标组合二值图像。
可选地，所述提取模块用于：
确定所述组合二值图像中包括的至少一个连通组件；
确定所述至少一个连通组件中，包括体素数量最多的目标连通组件；
将所述组合二值图像中，所述目标连通组件所在的区域作为提取二值图像，并根据所述提取二值图像提取所述CTPA图像中的所述肺动脉血管树。
可选地，所述装置还包括：
获取模块，用于从所述CPTA图像中提取中纵隔区域对应的中纵隔三维图像；
所述获取模块，还用于获取所述中纵膈三维图像中包括的至少一个连通组件；
所述确定模块，还用于根据每个所述连通组件的灰度值，和每个所述连通组件包括的体素数量，从所述至少一个连通组件中确定所述主动脉血管对应的目标连通组件；
所述确定模块，还用于将所述中纵膈三维图像中，所述目标连通组件所在的区域作为所述主动脉血管三维图像。
根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开实施例的第一方面所述方法的步骤。
根据本公开实施例的第四方面，提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现本公开实施例的第一方面所述方法的步骤。
通过上述技术方案，本公开首先对CTPA图像进行分割，得到用于指示肺实质在CTPA图像中的位置的肺实质二值图像，之后根据肺实质二值图像确定用于指示肺内血管在CTPA图像中的位置的肺内血管二值图像。再对主动脉血管对应的主动脉血管三维图像进行分割，以获取用于指示主动脉血管在主动脉血管三维图像中的位置的主动脉血管二值图像，然后将肺内血管二值图像与主动脉血管二值图像进行拼接，得到组合二值图像，最后利用组合二值图像中，包括体素数量最多的连通组件，提取CTPA图像中的肺动脉血管树。本公开分别对肺内血管和主动脉血管进行处理，以获取肺内血管二值图像和主动脉血管二值图像，然后拼接得到能够指示肺内血管和主动脉血管位置的组合二值图像，从而利用组合二值图像提取肺动脉血管树，避免了由于肺栓塞造成的血管中断，也避免了肺门交叉处的血管提取不准确的问题，提高了肺动脉血管树的准确度和完整度。并且由于主动脉血管只与肺内动脉血管相连，因此根据连通组件中包括的体素数量，可以准确去除肺内静脉血管，进一步提高了肺动脉血管树的准确度。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据一示例性实施例示出的一种肺动脉血管树的获取方法的流程图；
图2是根据一示例性实施例示出的肺内血管二值图像的示意图；
图3是根据一示例性实施例示出的肺内血管树和主动脉血管三维图像的示意图；
图4是根据一示例性实施例示出的肺动脉血管树的示意图；
图5是根据一示例性实施例示出的另一种肺动脉血管树的获取方法的流程图；
图6是根据一示例性实施例示出的肺内血管树的示意图；
图7是根据一示例性实施例示出的另一种肺动脉血管树的获取方法的流程图；
图8是根据一示例性实施例示出的另一种肺动脉血管树的获取方法的流程图；
图9是根据一示例性实施例示出的另一种肺动脉血管树的获取方法的流程图；
图10是根据一示例性实施例示出的另一种肺动脉血管树的获取方法的流程图；
图11是根据一示例性实施例示出的主动脉血管二值图像的示意图；
图12是根据一示例性实施例示出的另一种肺动脉血管树的获取方法的流程图；
图13是根据一示例性实施例示出的肺动脉血管树的示意图；
图14是根据一示例性实施例示出的另一种肺动脉血管树的获取方法的流程图；
图15是根据一示例性实施例示出的一种肺动脉血管树的获取装置的框图；
图16是根据一示例性实施例示出的另一种肺动脉血管树的获取装置的框图；
图17是根据一示例性实施例示出的另一种肺动脉血管树的获取装置的框图；
图18是根据一示例性实施例示出的另一种肺动脉血管树的获取装置的框图；
图19是根据一示例性实施例示出的另一种肺动脉血管树的获取装置的框图；
图20是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在介绍本公开提供的肺动脉血管树的获取方法、装置、存储介质和电子设备之前，首先对本公开中各个实施例所涉及的应用场景进行介绍，该应用场景为利用CT设备对人体的肺部进行CTPA扫描，得到CTPA图像。CTPA图像为三维图像，包括了整个肺部的三维结构。人体的肺部主要是肺实质、中纵隔、肺血管和软组织组成。其中，肺实质包括左肺和右肺，中纵隔为左右肺之间的纵膈。肺血管可以分为肺动脉血管和肺静脉血管，进一步的，根据肺血管所在位置不同，还可以分为位于肺内的肺内血管(包括：肺内动脉血管、肺内静脉血管)，和位于中纵隔内的中纵隔内血管(包括：中纵隔内动脉血管、中纵隔内静脉血管)。
图1是根据一示例性实施例示出的一种肺动脉血管树的获取方法的流程图，如图1所示，该方法包括以下步骤：
步骤101，对CTPA图像进行分割，以获取肺实质二值图像，肺实质二值图像用于指示肺实质在CTPA图像中的位置，CTPA图像为三维图像。
举例来说，由于肺栓塞只存在于肺动脉血管，因此要检测肺部是否存在肺栓塞，需要从CTPA图像中准确提取出肺动脉血管树。首先，对获取到的CTPA图像进行分割，以得到肺实质二值图像，肺实质二值图像可以理解为一个掩模矩阵，能够指示肺实质在CTPA图像中的位置，其中属于肺实质的区域为白色，其他区域为黑色。需要说明的是，本公开实施例中的二值图像(包括肺实质二值图像、后文所提及的填充后的肺实质二值图像、主动脉血管二值图像、组合二值图像等)，均为三维图像(即三维二值图像)。由于三维二值图像不便于展示，因此本公开仅用横截面作为示意，肺实质二值图像的一个横截面可以如图2中的(a)所示，其中白色区域即为肺实质对应的部分。
具体的，在对CTPA图像进行分割前，可以先对CTPA图像进行预处理，例如可以先对CTPA图像进行再采样处理，使得体素(英文：Volume Pixel，全称：体积元素)空间的间距调整为[1，1，1]，这样，体素空间中的坐标轴的尺度能够保持一致。然后再进行窗体变换，使得体素空间中的每个体素的灰度值位于-1024Hu到1024Hu之间。之后，对经过预处理的CTPA图像按照阈值分割法，或者区域生长分割法(英文：Region Growing Segmentation)进行分割，以得到肺实质二值图像。
步骤102，根据肺实质二值图像，确定肺内血管二值图像，肺内血管二值图像用于指示肺内血管在CTPA图像中的位置。
示例的，从图2中的(a)所示出的肺实质二值图像可以看出，肺实质中包括了大量的空洞，即为肺内血管。因此，可以先对肺实质二值图像进行形态学闭运算，先膨胀后腐蚀，从而填充肺实质二值图像中的空洞，然后可以将填充后的肺实质二值图像与填充前的肺实质二值图像求差，即可得到能够指示肺内血管在CTPA图像中的位置的肺内血管二值图像。以图2中的(a)所示的肺实质二值图像为例，那么填充后的肺实质二值图像可以为图2中的(b)所示，将图2中的(b)与图2中的(a)求差，即可得到肺内血管二值图像。肺内血管二值图像可以从CTPA图像中提取出肺内血管组成的肺内血管树，如图3中的(a)所示，需要说明的是，肺内血管树中既包括了肺内动脉血管，又包括了肺内静脉血管。
步骤103，对主动脉血管三维图像进行分割，以获取主动脉血管二值图像，主动脉血管二值图像用于指示主动脉血管在主动脉血管三维图像中的位置，主动脉血管三维图像为CTPA图像中，主动脉血管对应的图像。
示例的，对于中纵隔内血管来说，肺栓塞只可能出现在主动脉血管中。因此可以对主动脉血管三维图像按照指定的阈值进行分割，得到能够指示主动脉血管在主动脉血管三维图像中的位置的主动脉血管二值图像。由于肺栓塞所在区域的灰度值通常在-50Hu至150Hu之间，因此，为了更准确地确定血管和肺栓塞的位置，可以将-50Hu作为指定的阈值。例如，主动脉血管三维图像可以如图3中的(b)所示，选取其中灰度值大于-50Hu的体素作为主动脉血管所在的位置，即可得到主动脉血管二值图像。
需要说明的是，主动脉血管三维图像包括了位于中纵隔内的主动脉血管的三维结构，可以是从CTPA图像中分割出来的。具体的，可以按照预设的中纵隔区域，先从CTPA图像中提取出中纵隔三维图像，中纵隔三维图像包括了中纵隔的三维结构。然后确定中纵隔三维图像中包括的一个或多个连通组件(英文：Connected Component)，在这些连通组件中筛选出主动脉血管对应的连通组件，从而将中纵隔三维图像中，该连通组件所在的区域作为主动脉血管三维图像。其中，连通组件是指三维图像中具有相同体素值(或满足特定相似性准则)，且位置相邻的前景体素点组成的区域。由于主动脉血管三维图像是从CTPA图像中分割出来的，也就是说主动脉血管三维图像与CTPA图像使用相同的坐标系，因此，主动脉血管二值图像同样能够指示主动脉血管在CTPA图像中的位置的。
步骤104，将肺内血管二值图像与主动脉血管二值图像拼接为组合二值图像。
步骤105，利用组合二值图像中，包括体素数量最多的连通组件，提取CTPA图像中的肺动脉血管树，肺动脉血管树为三维图像。
示例的，肺动脉血管组成的肺动脉血管树中包括了两部分，一部分是肺内动脉血管，另一部分是中纵隔内的主动脉血管。因此，可以将肺内血管二值图像与主动脉血管二值图像进行拼接，得到组合二值图像。组合二值图像能够指示肺内血管和主动脉血管在在CTPA图像中的位置。例如，可以将肺内血管二值图像与主动脉血管二值图像进行并集运算，即可得到组合二值图像。进一步的，由于主动脉血管只与肺内动脉血管相连，即主动脉血管与肺内静脉血管之间是不相连的。也就是说，在将肺内血管二值图像与主动脉血管二值图像进行拼接时，主动脉血管二值图像，能够与肺内血管二值图像中表示肺内动脉血管的区域连通，而与肺内血管二值图像中表示肺内静脉血管的区域为分离状态。因此，组合二值图像中，包括体素数量最多的连通组件，即为肺内动脉血管和主动脉血管所在的区域。那么，可以利用组合二值图像中，包括体素数量最多的连通组件来提取CTPA图像中的肺动脉血管树，如图4所示。这样，通过将肺内血管二值图像和主动脉血管二值图像进行拼接，得到能够指示肺内血管和主动脉血管位置的组合二值图像，从而利用组合二值图像提取肺动脉血管树，避免了由于肺栓塞造成的血管中断，也避免了肺门交叉处的血管提取不准确的问题，提高了肺动脉血管树的准确度和完整度。并且根据连通组件中包括的体素数量，可以准确去除肺内静脉血管，进一步提高了肺动脉血管树的准确度。
综上所述，本公开首先对CTPA图像进行分割，得到用于指示肺实质在CTPA图像中的位置的肺实质二值图像，之后根据肺实质二值图像确定用于指示肺内血管在CTPA图像中的位置的肺内血管二值图像。再对主动脉血管对应的主动脉血管三维图像进行分割，以获取用于指示主动脉血管在主动脉血管三维图像中的位置的主动脉血管二值图像，然后将肺内血管二值图像与主动脉血管二值图像进行拼接，得到组合二值图像，最后利用组合二值图像中，包括体素数量最多的连通组件，提取CTPA图像中的肺动脉血管树。本公开分别对肺内血管和主动脉血管进行处理，以获取肺内血管二值图像和主动脉血管二值图像，然后拼接得到能够指示肺内血管和主动脉血管位置的组合二值图像，从而利用组合二值图像提取肺动脉血管树，避免了由于肺栓塞造成的血管中断，也避免了肺门交叉处的血管提取不准确的问题，提高了肺动脉血管树的准确度。并且由于主动脉血管只与肺内动脉血管相连，因此根据连通组件中包括的体素数量，可以准确去除肺内静脉血管，进一步提高了肺动脉血管树的准确度。
图5是根据一示例性实施例示出的另一种肺动脉血管树的获取方法的流程图，如图5所示，步骤102的实现方式可以包括：
步骤1021，对肺实质二值图像进行闭运算，以填充肺实质二值图像中的空洞。
步骤1022，根据填充后的肺实质二值图像与填充前的肺实质二值图像的差，确定初始肺内血管二值图像。
步骤1023，对初始肺内血管二值图像进行过滤，以获取肺内血管二值图像。
举例来说，要确定肺内血管的在CTPA图像中的位置，可以先对肺实质二值图像进行形态学闭运算，先膨胀后腐蚀，以填充肺实质二值图像中的空洞。以图2中的(a)所示出的肺实质二值图像为例，闭运算可以理解为先将白色部分变大，把小块的黑色区域挤掉，然后再将大块的黑色区域还原回来，填充后的肺实质二值图像可以为图2中的(b)所示。其中，闭运算核半径可以设置为较大值(例如：大于6)，以尽可能将肺实质二值图像中的空洞填满。之后用填充后的肺实质二值图像，减去填充前的肺实质二值图像，得到初始肺内血管二值图像。由于肺部中还存在软组织，因此肺实质二值图像中的空洞还可能包括有软组织，初始肺内血管二值图像中也可能包括有软组织。可以理解为，如果利用初始肺内血管二值图像从CTPA图像中提取血管树，那么得到的是既包括肺内血管，又包括软组织的一个待清理的肺内血管树。所以，需要对初始肺内血管二值图像进行过滤，以过清理掉其中软组织所在的部分，以获取能够准确表示肺内血管的肺内血管二值图像。
具体的，对初始肺内血管树二值图像进行过滤的具体方式可以包括以下步骤：
步骤1)利用初始肺内血管二值图像，提取CTPA图像中的肺内血管树，肺内血管树为三维图像。
首先，先利用初始肺内血管二值图像，提取CTPA图像中的肺内血管树，其中，肺内血管树为三维图像，如图6中的(a)所示。此时，肺内血管树中既包括肺内血管，又包括软组织，需要清理掉粘连在肺内血管上的软组织。
步骤2)提取肺内血管树的边缘特征，并根据边缘特征确定肺内血管树中，为圆柱状的血管区域。
步骤3)根据血管区域，确定肺内血管二值图像。
示例的，可以利用ITK(英文：Insight Segmentation and RegistrationToolkit)等图像处理工具，调用Hessian特征分析函数，以及Gaussian过滤混合函数，提取肺内血管树的边缘特征。边缘特征可以理解为肺内血管树中边界的梯度。其中，Hessian特征分析函数中的参数sigma决定了血管的粗细程度，因此不宜设置过小(例如可以设置为2-4)。之后，对边缘特征进行度量，以确定肺内血管树中，为圆柱状的血管区域。例如，利用ITK工具，可以调用Hessian3D血管度量函数(其中Alpha1可以设置为0.5，Alpha2可以设置为2)来对边缘特征进行度量，以突显血管区域(例如：提高血管区域的灰度值)，得到3D血管度量图像。
最后根据血管区域，确定肺内血管二值图像。例如，可以先利用Otsu阈值分割算法，对3D血管度量图像进行分割，提取出被突显的血管区域。然后根据被突显的血管区域，提取CTPA图像中的肺内血管树，即为清理后的肺内血管树，如图6中的(b)所示，可以看出，粘连在肺内血管上的软组织已被去除。最后，由于肺栓塞所在区域的灰度值通常在-50Hu至150Hu之间，因此，为了更准确地确定血管和肺栓塞的位置，可以对清理后的肺内血管树按照-50Hu作为阈值进行分割，选取其中灰度值大于-50Hu的体素作为脉内血管所在第位置，以得到肺内血管二值图像。
根据边缘特征来确定血管区域，是将肺内血管树中为圆柱状的区域提取出来，因此，不管肺内血管内部是否存在肺栓塞，都可以完整地识别出血管区域，不会因为肺栓塞，而导致血管中断，能够进一步保证根据肺内血管二值图像提取出的肺内血管树的完整性。
图7是根据一示例性实施例示出的另一种肺动脉血管树的获取方法的流程图，如图7所示，在步骤104之前，该方法还可以包括：
步骤106，对肺内血管二值图像进行开运算，以过滤肺内血管二值图像中的噪声。
步骤107，对主动脉血管二值图像进行闭运算，以填充主动脉血管二值图像中的空洞。
相应的，步骤104的实现方式可以为：
将过滤后的肺内血管二值图像与填充后的主动脉血管二值图像拼接为组合二值图像。
举例来说，在步骤104之前，可以先对肺内血管二值图像进行形态学开运算(核半径可以设置为2)，先腐蚀后膨胀，从而过滤肺内血管二值图像中的噪声，使得肺内血管二值图像中各个分支血管能够分离。同时，还可以对主动脉血管二值图像进行闭运算(核半径可以设置为10)，以填充主动脉血管二值图像中的空洞。之后，将过滤后的肺内血管二值图像与填充后的主动脉血管二值图像进行拼接，作为组合二值图像。由于过滤后的肺内血管二值图像能够使各个分支血管能够分离，因此组合二值图像中主动脉血管能够与肺内动脉血管无缝连接在一起，进一步提高了组合二值图像的准确度。
图8是根据一示例性实施例示出的另一种肺动脉血管树的获取方法的流程图，如图8所示，步骤105的实现方式可以包括以下步骤：
步骤1051，确定组合二值图像中包括的至少一个连通组件。
步骤1052，确定至少一个连通组件中，包括体素数量最多的目标连通组件。
步骤1053，将组合二值图像中，目标连通组件所在的区域作为提取二值图像，并根据提取二值图像提取CTPA图像中的肺动脉血管树。
举例来说，在获得组合二值图像之后，可以利用连通组件标记算法(英文：Connected Component Labeling Algorithm)，提取出组合二值图像中的至少一个连通组件，并确定每个连通组件包括的体素数量。然后将包括体素数量最多的连通组件，作为目标连通组件，目标连通组件在组合二值图像中的区域，即对应主动脉血管与肺内动脉血管相连的区域。因此，可以将组合二值图像中，目标连通组件所在的区域作为提取二值图像，并根据提取二值图像提取CTPA图像中的肺动脉血管树，如图4所示。
图9是根据一示例性实施例示出的另一种肺动脉血管树的获取方法的流程图，如图9所示，在步骤104之后，该方法还可以包括：
步骤108，根据组合二值图像确定主动脉血管与肺内血管之间是否存在空洞。
步骤109，若主动脉血管与肺内血管之间存在空洞，对组合二值图像进行填充，以获取目标组合二值图像。
相应的，步骤105的实现方式可以为：
利用目标组合二值图像中，包括体素数量最多的连通组件，提取CTPA图像中的肺动脉血管树。
举例来说，由于肺栓塞不仅存在于肺内动脉血管中，还可能存在于主动脉血管中，或者存在于肺内动脉血管与主动脉血管的连接处。通过步骤102的处理，可以得到能够完整提取肺内血管的肺内血管二值图像，不会由于肺内动脉血管中的肺栓塞造成中断，通过步骤103的处理，可以得到能够完整提取出主动脉血管的主动脉血管二值图像，不会由于主动脉血管中的肺栓塞造成中断。然而，如果肺内动脉血管与主动脉血管的连接处存在肺栓塞，可能导致利用组合二值图像提取出的肺动脉血管树，在肺内动脉血管与主动脉血管之间存在中断。
因此，为了能够提取完整的肺动脉血管树，可以在得到组合二值图像之后，先判断主动脉血管与肺内血管之间是否存在空洞，如果主动脉血管与肺内血管之间不存在空洞，那么可以直接利用组合二值图像中，包括体素数量最多的连通组件，提取CTPA图像中的肺动脉血管树。如果主动脉血管与肺内血管之间存在空洞，那么需要先对组合二值图像进行填充，以将主动脉血管与肺内血管之间的空洞填满，得到目标组合二值图像，最后利用目标组合二值图像中，包括体素数量最多的连通组件，提取CTPA图像中的肺动脉血管树。
图10是根据一示例性实施例示出的另一种肺动脉血管树的获取方法的流程图，如图10所示，步骤108可以通过以下步骤来实现：
步骤1081，根据组合二值图像中主动脉血管的外接立方体，确定主动脉血管的目标侧的目标端点，目标端点在外接立方体上，目标侧为主动脉血管的左侧或右侧。
在一种应用场景中，判断主动脉血管与肺内血管之间是否存在空洞的方式，可以先确定组合二值图像中主动脉血管的外接立方体。例如，可以根据主动脉血管二值图像确定主动脉血管所在的区域，从而确定相应的外接立方体。之后，确定主动脉血管上，位于外接立方体上的目标端点。目标端点可以理解为主动脉血管最左侧或者最右侧的端点。以图11所示的主动脉血管二值图像，目标侧为左侧为例，那么目标端点即为点A。具体的，可以先求得外接立方体的左下角顶点坐标(xs,ys,zs)，其中，xs表示左下角顶点在x轴上的坐标，ys表示左下角顶点在y轴上的坐标，zs表示左下角顶点在z轴上的坐标。然后取x＝xs的截面，并把该截面的值转换为数组，其中白色体素(即属于主动脉血管的体素)的值为1，黑色体素(即不属于主动脉血管的体素)的值为0。之后，利用数组where函数求得该数组中等于1的元素，对应的体素即为属于主动脉血管的点的坐标：(xs,y’s,z’s)，即为点A。需要说明的是，按照上述方法求得的端点可能为一个或多个，当存在多个端点时，可以选取任一个端点作为目标端点。
步骤1082，确定目标相邻点是否属于肺内血管，目标相邻点为目标端点在目标侧的相邻点。
步骤1083，若目标相邻点属于肺内血管，确定主动脉血管与肺内血管之间不存在空洞。
步骤1084，若目标相邻点不属于肺内血管，确定主动脉血管与肺内血管之间存在空洞。
之后，在组合二值图像中找到目标端点的目标相邻节点，可以理解为在组合二值图像中，将目标端点向目标侧移动一个体素的点。例如，目标端点的坐标为(xs,y’s,z’s)，目标侧为左侧，那么目标相邻点的坐标即为(xs-1,y’s,z’s)。若目标相邻点属于肺内血管(即目标相邻点的值等于1)，那么表示目标端点与肺内血管已经连接起来，即主动脉血管与肺内血管之间不存在空洞。若目标相邻点不属于肺内血管(即目标相邻点的值等于0)，那么表示目标端点与肺内血管没有连接起来，即主动脉血管与肺内血管之间存在空洞。
图12是根据一示例性实施例示出的另一种肺动脉血管树的获取方法的流程图，如图12所示，步骤109可以包括：
步骤1091，确定目标中止点，目标中止点为肺内血管中，位于目标端点的目标侧，且与目标端点距离最小的点。
步骤1092，在目标端点与目标中止点之间构建圆柱体，并对构建圆柱体之后的组合二值图像进行闭运算，以获取目标组合二值图像。
在主动脉血管与肺内血管之间存在空洞的场景中，对组合二值图像进行填充的方式，可以是先确定目标中止点。目标中止点可以理解为，肺内血管中，位于目标端点的目标侧，且与目标端点距离最小的点，也就是说目标端点和目标中止点之间，属于主动脉血管与肺内血管之间存在的空洞。以目标侧为左侧来举例，那么目标端点的右侧属于主动脉血管，目标中止点的左侧属于肺内血管。确定目标中止点的方式，可以是将目标端点连续向目标侧移动，直至移动到的位置属于肺内血管(即该位置的值等于1)。
之后，可以在目标端点与目标中止点之间构建圆柱体，作为血管来填充主动脉血管与肺内血管之间存在的空洞。具体的填充方式，可以是目标端点向目标侧的反方向移动预设数量(例如可以是10)个体素，得到提取点。以目标端点的坐标为(xs,y’s,z’s)，目标侧为左侧为例，那么提取点的坐标即为(xs+10,y’s,z’s)。然后取x＝xs+10的截面，并将这个截面向目标侧进行复制，一直复制到目标中止点，那么就可以在目标端点与目标中止点之间构建一个圆柱体，使得主动脉血管与肺内血管之间桥接起来。
由于上述实施例中，主动脉血管与肺内血管之间存在的空洞位于主动脉血管的目标侧，因此可以再对构建圆柱体之后的组合二值图像进行形态学闭运算，使得如果目标侧的反方向，主动脉血管与肺内血管之间也存在的空洞，可以通过闭运算中的膨胀步骤进行填充，从而使得目标侧的反方向上，主动脉血管与肺内血管之间也能够进行桥接，得到目标组合二值图像。肺栓塞通常存在于主动脉血管的左端，因此，目标侧可以设置为左侧，可以通过步骤1091至步骤1092来填充主动脉血管的左端的空洞，再通过闭运算来填充主动脉血管的右端的空洞，得到目标组合二值图像。这样，利用目标组合二值图像中，包括体素数量最多的连通组件，提取CTPA图像中的肺动脉血管树，如图13所示，能够完整提取出肺内动脉血管和主动脉血管，还能完整提取出肺内动脉血管与主动脉血管的连接处，进一步保证了肺动脉血管树的准确度和完整度。
以下针对如何获取主动脉血管三维图像，进行具体的说明：
图14是根据一示例性实施例示出的另一种肺动脉血管树的获取方法的流程图，如图14所示，该方法还可以包括以下步骤：
步骤110，从CPTA图像中提取中纵隔区域对应的中纵隔三维图像。
步骤111，获取中纵膈三维图像中包括的至少一个连通组件。
举例来说，可以根据预先确定的中纵隔区域，从CPTA图像中提取出中纵隔三维图像，中纵隔三维图像包括了中纵隔的三维结构。进一步的，可以确定中纵膈三维图像中包括的至少一个连通组件，例如可以利用分水岭分割算法来处理中纵膈三维图像，以确定中纵隔三维图像中的连通组件。
步骤112，根据每个连通组件的灰度值，和每个连通组件包括的体素数量，从至少一个连通组件中确定主动脉血管对应的目标连通组件。
步骤113，将中纵膈三维图像中，目标连通组件所在的区域作为主动脉血管三维图像。
示例的，可以先确定每个连通组件的灰度值，和每个连通组件包括的体素数量。之后，先按照体素数量对连通组件进行排序，确定体素数量最大的T(例如可以设置为5)个连通组件。再将T个连通组件中，灰度值最大的连通组件作为目标连通组件。最后，将中纵膈三维图像中，目标连通组件所在的区域作为主动脉血管三维图像。
综上所述，本公开首先对CTPA图像进行分割，得到用于指示肺实质在CTPA图像中的位置的肺实质二值图像，之后根据肺实质二值图像确定用于指示肺内血管在CTPA图像中的位置的肺内血管二值图像。再对主动脉血管对应的主动脉血管三维图像进行分割，以获取用于指示主动脉血管在主动脉血管三维图像中的位置的主动脉血管二值图像，然后将肺内血管二值图像与主动脉血管二值图像进行拼接，得到组合二值图像，最后利用组合二值图像中，包括体素数量最多的连通组件，提取CTPA图像中的肺动脉血管树。本公开分别对肺内血管和主动脉血管进行处理，以获取肺内血管二值图像和主动脉血管二值图像，然后拼接得到能够指示肺内血管和主动脉血管位置的组合二值图像，从而利用组合二值图像提取肺动脉血管树，避免了由于肺栓塞造成的血管中断，也避免了肺门交叉处的血管提取不准确的问题，提高了肺动脉血管树的准确度和完整度。并且由于主动脉血管只与肺内动脉血管相连，因此根据连通组件中包括的体素数量，可以准确去除肺内静脉血管，进一步提高了肺动脉血管树的准确度。
图15是根据一示例性实施例示出的一种肺动脉血管树的获取装置的框图，如图15所示，该装置200包括：
分割模块201，用于对CTPA图像进行分割，以获取肺实质二值图像，肺实质二值图像用于指示肺实质在CTPA图像中的位置，CTPA图像为三维图像。
确定模块202，用于根据肺实质二值图像，确定肺内血管二值图像，肺内血管二值图像用于指示肺内血管在CTPA图像中的位置。
分割模块201，还用于对主动脉血管三维图像进行分割，以获取主动脉血管二值图像，主动脉血管二值图像用于指示主动脉血管在主动脉血管三维图像中的位置，主动脉血管三维图像为CTPA图像中，主动脉血管对应的图像。
组合模块203，用于将肺内血管二值图像与主动脉血管二值图像拼接为组合二值图像。
提取模块204，用于利用组合二值图像中，包括体素数量最多的连通组件，提取CTPA图像中的肺动脉血管树，肺动脉血管树为三维图像。
图16是根据一示例性实施例示出的另一种肺动脉血管树的获取装置的框图，如图16所示，确定模块202包括：
填充子模块2021，用于对肺实质二值图像进行闭运算，以填充肺实质二值图像中的空洞。
确定子模块2022，用于根据填充后的肺实质二值图像与填充前的肺实质二值图像的差，确定初始肺内血管二值图像。
过滤子模块2023，用于对初始肺内血管二值图像进行过滤，以获取肺内血管二值图像。
在一种实现方式中，过滤子模块2023可以用于执行以下步骤：
步骤1)利用初始肺内血管二值图像，提取CTPA图像中的肺内血管树，肺内血管树为三维图像。
步骤2)提取肺内血管树的边缘特征，并根据边缘特征确定肺内血管树中，为圆柱状的血管区域。
步骤3)根据血管区域，确定肺内血管二值图像。
图17是根据一示例性实施例示出的另一种肺动脉血管树的获取装置的框图，如图17所示，该装置200还可以包括：
过滤模块205，用于在将肺内血管二值图像与主动脉血管二值图像拼接为组合二值图像之前，对肺内血管二值图像进行开运算，以过滤肺内血管二值图像中的噪声。
第一填充模块206，用于对主动脉血管二值图像进行闭运算，以填充主动脉血管二值图像中的空洞。
相应的，组合模块203用于：
将过滤后的肺内血管二值图像与填充后的主动脉血管二值图像拼接为组合二值图像。
图18是根据一示例性实施例示出的另一种肺动脉血管树的获取装置的框图，如图18所示，该装置200还可以包括：
判断模块207，用于在将肺内血管二值图像与主动脉血管二值图像拼接为组合二值图像之后，根据组合二值图像确定主动脉血管与肺内血管之间是否存在空洞。
第二填充模块208，用于若主动脉血管与肺内血管之间存在空洞，对组合二值图像进行填充，以获取目标组合二值图像。
相应的，提取模块204可以用于：
利用目标组合二值图像中，包括体素数量最多的连通组件，提取CTPA图像中的肺动脉血管树。
在一种实现方式中，判断模块207可以用于执行以下步骤：
步骤4)根据组合二值图像中主动脉血管的外接立方体，确定主动脉血管的目标侧的目标端点，目标端点在外接立方体上，目标侧为主动脉血管的左侧或右侧。
步骤5)确定目标相邻点是否属于肺内血管，目标相邻点为目标端点在目标侧的相邻点。
步骤6)若目标相邻点属于肺内血管，确定主动脉血管与肺内血管之间不存在空洞。
步骤7)若目标相邻点不属于肺内血管，确定主动脉血管与肺内血管之间存在空洞。
在另一种实现方式中，第二填充模块208可以用于执行以下步骤：
步骤8)确定目标中止点，目标中止点为肺内血管中，位于目标端点的目标侧，且与目标端点距离最小的点。
步骤9)在目标端点与目标中止点之间构建圆柱体，并对构建圆柱体之后的组合二值图像进行闭运算，以获取目标组合二值图像。
在另一种实现方式中，提取模块204可以用于执行以下步骤：
步骤10)确定组合二值图像中包括的至少一个连通组件。
步骤11)确定至少一个连通组件中，包括体素数量最多的目标连通组件。
步骤12)将组合二值图像中，目标连通组件所在的区域作为提取二值图像，并根据提取二值图像提取CTPA图像中的肺动脉血管树。
图19是根据一示例性实施例示出的另一种肺动脉血管树的获取装置的框图，如图19所示，该装置200还包括：
获取模块209，用于从CPTA图像中提取中纵隔区域对应的中纵隔三维图像。
获取模块209，还用于获取中纵膈三维图像中包括的至少一个连通组件。
确定模块202，还用于根据每个连通组件的灰度值，和每个连通组件包括的体素数量，从至少一个连通组件中确定主动脉血管对应的目标连通组件。
确定模块202，还用于将中纵膈三维图像中，目标连通组件所在的区域作为主动脉血管三维图像。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
综上所述，本公开首先对CTPA图像进行分割，得到用于指示肺实质在CTPA图像中的位置的肺实质二值图像，之后根据肺实质二值图像确定用于指示肺内血管在CTPA图像中的位置的肺内血管二值图像。再对主动脉血管对应的主动脉血管三维图像进行分割，以获取用于指示主动脉血管在主动脉血管三维图像中的位置的主动脉血管二值图像，然后将肺内血管二值图像与主动脉血管二值图像进行拼接，得到组合二值图像，最后利用组合二值图像中，包括体素数量最多的连通组件，提取CTPA图像中的肺动脉血管树。本公开分别对肺内血管和主动脉血管进行处理，以获取肺内血管二值图像和主动脉血管二值图像，然后拼接得到能够指示肺内血管和主动脉血管位置的组合二值图像，从而利用组合二值图像提取肺动脉血管树，避免了由于肺栓塞造成的血管中断，也避免了肺门交叉处的血管提取不准确的问题，提高了肺动脉血管树的准确度和完整度。并且由于主动脉血管只与肺内动脉血管相连，因此根据连通组件中包括的体素数量，可以准确去除肺内静脉血管，进一步提高了肺动脉血管树的准确度。
图20是根据一示例性实施例示出的一种电子设备300的框图。如图20所示，该电子设备300可以包括：处理器301，存储器302。该电子设备300还可以包括多媒体组件303，输入/输出(I/O)接口304，以及通信组件305中的一者或多者。
其中，处理器301用于控制该电子设备300的整体操作，以完成上述的肺动脉血管树的获取方法中的全部或部分步骤。存储器302用于存储各种类型的数据以支持在该电子设备300的操作，这些数据例如可以包括用于在该电子设备300上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器302可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件303可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器302或通过通信组件305发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口304为处理器301和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件305用于该电子设备300与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件305可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，电子设备300可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的肺动脉血管树的获取方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的肺动脉血管树的获取方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器302，上述程序指令可由电子设备300的处理器301执行以完成上述的肺动脉血管树的获取方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的肺动脉血管树的获取方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (12)

1.一种肺动脉血管树的获取方法，其特征在于，所述方法包括：
对CTPA图像进行分割，以获取肺实质二值图像，所述肺实质二值图像用于指示肺实质在所述CTPA图像中的位置，所述CTPA图像为三维图像；
根据所述肺实质二值图像，确定肺内血管二值图像，所述肺内血管二值图像用于指示肺内血管在所述CTPA图像中的位置；
对主动脉血管三维图像进行分割，以获取主动脉血管二值图像，所述主动脉血管二值图像用于指示主动脉血管在所述主动脉血管三维图像中的位置，所述主动脉血管三维图像为所述CTPA图像中，主动脉血管对应的图像；
将所述肺内血管二值图像与所述主动脉血管二值图像拼接为组合二值图像；
利用所述组合二值图像中，包括体素数量最多的连通组件，提取所述CTPA图像中的肺动脉血管树，所述肺动脉血管树为三维图像。
2.根据权利要求1所述的方法，其特征在于，所述根据所述肺实质二值图像，确定肺内血管二值图像，包括：
对所述肺实质二值图像进行闭运算，以填充所述肺实质二值图像中的空洞；
根据填充后的所述肺实质二值图像与填充前的所述肺实质二值图像的差，确定初始肺内血管二值图像；
对所述初始肺内血管二值图像进行过滤，以获取所述肺内血管二值图像。
3.根据权利要求2所述的方法，其特征在于，所述对所述初始肺内血管二值图像进行过滤，以获取所述肺内血管二值图像，包括：
利用所述初始肺内血管二值图像，提取所述CTPA图像中的肺内血管树，所述肺内血管树为三维图像；
提取所述肺内血管树的边缘特征，并根据所述边缘特征确定所述肺内血管树中，为圆柱状的血管区域；
根据所述血管区域，确定所述肺内血管二值图像。
4.根据权利要求1所述的方法，其特征在于，在所述将所述肺内血管二值图像与所述主动脉血管二值图像拼接为组合二值图像之前，所述方法还包括：
对所述肺内血管二值图像进行开运算，以过滤所述肺内血管二值图像中的噪声；
对所述主动脉血管二值图像进行闭运算，以填充所述主动脉血管二值图像中的空洞；
所述将所述肺内血管二值图像与所述主动脉血管二值图像拼接为组合二值图像，包括：
将过滤后的所述肺内血管二值图像与填充后的所述主动脉血管二值图像拼接为所述组合二值图像。
5.根据权利要求1所述的方法，其特征在于，在所述将所述肺内血管二值图像与所述主动脉血管二值图像拼接为组合二值图像之后，所述方法还包括：
根据所述组合二值图像确定所述主动脉血管与所述肺内血管之间是否存在空洞；
若所述主动脉血管与所述肺内血管之间存在空洞，对所述组合二值图像进行填充，以获取目标组合二值图像；
所述利用所述组合二值图像中，包括体素数量最多的连通组件，提取所述CTPA图像中的肺动脉血管树，包括：
利用所述目标组合二值图像中，包括体素数量最多的连通组件，提取所述CTPA图像中的所述肺动脉血管树。
6.根据权利要求5所述的方法，其特征在于，所述根据所述组合二值图像确定所述主动脉血管与所述肺内血管之间是否存在空洞，包括：
根据所述组合二值图像中所述主动脉血管的外接立方体，确定所述主动脉血管的目标侧的目标端点，所述目标端点在所述外接立方体上，所述目标侧为所述主动脉血管的左侧或右侧；
确定目标相邻点是否属于所述肺内血管，所述目标相邻点为所述目标端点在所述目标侧的相邻点；
若所述目标相邻点属于所述肺内血管，确定所述主动脉血管与所述肺内血管之间不存在空洞；
若所述目标相邻点不属于所述肺内血管，确定所述主动脉血管与所述肺内血管之间存在空洞。
7.根据权利要求6所述的方法，其特征在于，所述若所述主动脉血管与所述肺内血管之间存在空洞，对所述组合二值图像进行填充，以获取目标组合二值图像，包括：
确定目标中止点，所述目标中止点为所述肺内血管中，位于所述目标端点的所述目标侧，且与所述目标端点距离最小的点；
在所述目标端点与所述目标中止点之间构建圆柱体，并对构建所述圆柱体之后的所述组合二值图像进行闭运算，以获取所述目标组合二值图像。
8.根据权利要求1-7中任一项所述的方法，其特征在于，所述利用所述组合二值图像中，包括体素数量最多的连通组件，提取所述CTPA图像中的肺动脉血管树，包括：
确定所述组合二值图像中包括的至少一个连通组件；
确定所述至少一个连通组件中，包括体素数量最多的目标连通组件；
将所述组合二值图像中，所述目标连通组件所在的区域作为提取二值图像，并根据所述提取二值图像提取所述CTPA图像中的所述肺动脉血管树。
9.根据权利要求1-7中任一项所述的方法，其特征在于，所述方法还包括：
从所述CTPA图像中提取中纵隔区域对应的中纵隔三维图像；
获取所述中纵隔三维图像中包括的至少一个连通组件；
根据每个所述连通组件的灰度值，和每个所述连通组件包括的体素数量，从所述至少一个连通组件中确定所述主动脉血管对应的目标连通组件；
将所述中纵隔三维图像中，所述目标连通组件所在的区域作为所述主动脉血管三维图像。
10.一种肺动脉血管树的获取装置，其特征在于，所述装置包括：
分割模块，用于对CTPA图像进行分割，以获取肺实质二值图像，所述肺实质二值图像用于指示肺实质在所述CTPA图像中的位置，所述CTPA图像为三维图像；
确定模块，用于根据所述肺实质二值图像，确定肺内血管二值图像，所述肺内血管二值图像用于指示肺内血管在所述CTPA图像中的位置；
所述分割模块，还用于对主动脉血管三维图像进行分割，以获取主动脉血管二值图像，所述主动脉血管二值图像用于指示主动脉血管在所述主动脉血管三维图像中的位置，所述主动脉血管三维图像为所述CTPA图像中，主动脉血管对应的图像；
组合模块，用于将所述肺内血管二值图像与所述主动脉血管二值图像拼接为组合二值图像；
提取模块，用于利用所述组合二值图像中，包括体素数量最多的连通组件，提取所述CTPA图像中的肺动脉血管树，所述肺动脉血管树为三维图像。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-9中任一项所述方法的步骤。
12.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-9中任一项所述方法的步骤。
CN202010898536.5A 2020-08-31 2020-08-31 肺动脉血管树的获取方法、装置、存储介质和电子设备 Active CN112102267B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010898536.5A CN112102267B (zh) 2020-08-31 2020-08-31 肺动脉血管树的获取方法、装置、存储介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010898536.5A CN112102267B (zh) 2020-08-31 2020-08-31 肺动脉血管树的获取方法、装置、存储介质和电子设备

Publications (2)

Publication Number Publication Date
CN112102267A CN112102267A (zh) 2020-12-18
CN112102267B true CN112102267B (zh) 2023-07-07

Family

ID=73756635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010898536.5A Active CN112102267B (zh) 2020-08-31 2020-08-31 肺动脉血管树的获取方法、装置、存储介质和电子设备

Country Status (1)

Country Link
CN (1) CN112102267B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113409328B (zh) * 2021-06-02 2024-01-02 东北大学 Ct图像的肺动静脉分割方法、装置、介质及设备
CN113506250B (zh) * 2021-06-25 2024-05-28 沈阳东软智能医疗科技研究院有限公司 肺主动脉血管提取方法、装置、可读存储介质和电子设备
CN113261985B (zh) * 2021-06-29 2024-06-28 上海长征医院 一种医学图像处理方法、装置、介质及电子设备
CN116245823B (zh) * 2023-02-08 2024-08-09 中日友好医院(中日友好临床医学研究所) 基于肺血管分形维数和弯曲度的慢性血栓栓塞性肺动脉高压量化评估方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530283A (zh) * 2016-10-20 2017-03-22 北京工业大学 一种基于svm的医疗图像血管识别方法
CN107045721A (zh) * 2016-10-24 2017-08-15 东北大学 一种从胸部ct图像中提取肺血管的方法及装置
CN110738652A (zh) * 2019-10-17 2020-01-31 青岛海信医疗设备股份有限公司 一种肺部动静脉分离方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10157467B2 (en) * 2015-08-07 2018-12-18 Arizona Board Of Regents On Behalf Of Arizona State University System and method for detecting central pulmonary embolism in CT pulmonary angiography images

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530283A (zh) * 2016-10-20 2017-03-22 北京工业大学 一种基于svm的医疗图像血管识别方法
CN107045721A (zh) * 2016-10-24 2017-08-15 东北大学 一种从胸部ct图像中提取肺血管的方法及装置
CN110738652A (zh) * 2019-10-17 2020-01-31 青岛海信医疗设备股份有限公司 一种肺部动静脉分离方法及装置

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
Automatic segmentation and recognition of anatomical lung structures from high-resolution chest CT images;Xiangrong Zhou等;《Computerized Medical Imaging and Graphics》;第30卷(第5期);299-313 *
Morpho-geometrical approach for 3D segmentation of pulmonary vascular tree in multi-slice CT;Catalin Fetita等;《PROCEEDINGS OF SPIE》;第7259卷;72594F-1 - 72594F-12 *
Regulated morphology approach to fuzzy shape analysis with application to blood vessel extraction in thoracic CT scans;Changhua Wu等;《 PROCEEDINGS OF SPIE》;第53701卷;1262-1270 *
Segmentation of pulmonary vascular tree by incorporating vessel enhancement filter and variational region-growing;Duan Hui-Hong等;《Journal of X-Ray Science and Technology》;第27卷(第2期);343-360 *
三维CT图像肺血管自动分割的研究;齐元凯;《中国硕士学位论文全文数据库 信息科技辑》(第03期);I138-921 *
基于CT造影图像的肺栓塞计算机辅助检测;张杰慧;《中国博士学位论文全文数据库 信息科技辑》(第12期);I138-63 *
结合区域生长与灰度重建的CT图像肺气管树分割;彭双等;《中国图象图形学报》;第19卷(第09期);1377-1383 *
肺CT图像的血管骨架化方法;陈刚等;《计算机科学》;第40卷(第5期);274-278 *

Also Published As

Publication number Publication date
CN112102267A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN112102267B (zh) 肺动脉血管树的获取方法、装置、存储介质和电子设备
US10079071B1 (en) Method and system for whole body bone removal and vascular visualization in medical image data
US9811912B2 (en) Image processing apparatus, image processing method and medical imaging device
CN112102275B (zh) 肺主动脉血管图像提取方法、装置、存储介质及电子设备
US9600890B2 (en) Image segmentation apparatus, medical image device and image segmentation method
EP2120208A1 (en) Method and system for lesion segmentation
US8165376B2 (en) System and method for automatic detection of rib metastasis in computed tomography volume
EP3497669B1 (en) Method for automatically detecting systemic arteries in arbitrary field-of-view computed tomography angiography (cta).
US9098912B2 (en) Method, system and computer readable medium for automatic segmentation of a medical image
CN110648338B (zh) 图像分割方法、可读存储介质及图像处理装置
JP2008521461A (ja) 知識構造のマッピングを使用した管状器官を測定する方法
Gao et al. A new paradigm of interactive artery/vein separation in noncontrast pulmonary CT imaging using multiscale topomorphologic opening
CN112465749B (zh) 提取肺栓塞图像的方法、装置、存储介质及电子设备
US9582934B2 (en) Method and system for efficient extraction of a silhouette of a 3D mesh
US8050470B2 (en) Branch extension method for airway segmentation
US20090310883A1 (en) Image processing apparatus, method, and program
Kaftan et al. A two-stage approach for fully automatic segmentation of venous vascular structures in liver CT images
CN109886973B (zh) 一种血管提取方法、装置及计算机可读存储介质
CN112862850A (zh) 数字剪影血管造影影像处理方法及装置
CN113506250B (zh) 肺主动脉血管提取方法、装置、可读存储介质和电子设备
Luo et al. Recent progresses on cerebral vasculature segmentation for 3D quantification and visualization of MRA
CN116051566B (zh) 一种用于ct增强图像的血管自动分割方法
EP4281932A1 (en) Segment shape determination
Li et al. A novel combined level set model for automatic MR image segmentation
CN114913133A (zh) 肺部医学图像的处理方法及装置、存储介质和计算机设备

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