CN112102275B - 肺主动脉血管图像提取方法、装置、存储介质及电子设备 - Google Patents
肺主动脉血管图像提取方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112102275B CN112102275B CN202010942410.3A CN202010942410A CN112102275B CN 112102275 B CN112102275 B CN 112102275B CN 202010942410 A CN202010942410 A CN 202010942410A CN 112102275 B CN112102275 B CN 112102275B
- Authority
- CN
- China
- Prior art keywords
- image
- lung
- pulmonary
- target
- mediastinum
- 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
- 230000002685 pulmonary effect Effects 0.000 title claims abstract description 133
- 238000000605 extraction Methods 0.000 title claims abstract description 15
- 210000004072 lung Anatomy 0.000 claims abstract description 251
- 210000001370 mediastinum Anatomy 0.000 claims abstract description 106
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 103
- 238000000034 method Methods 0.000 claims abstract description 69
- 210000001147 pulmonary artery Anatomy 0.000 claims abstract description 69
- 238000010968 computed tomography angiography Methods 0.000 claims abstract description 61
- 238000004891 communication Methods 0.000 claims abstract description 55
- 230000011218 segmentation Effects 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 230000002792 vascular Effects 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 208000010378 Pulmonary Embolism Diseases 0.000 description 10
- GMOGICAFJFPMNS-UHFFFAOYSA-N 4-(1,4,8,11-tetrazacyclotetradec-1-ylmethyl)benzoic acid Chemical compound C1=CC(C(=O)O)=CC=C1CN1CCNCCCNCCNCCC1 GMOGICAFJFPMNS-UHFFFAOYSA-N 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 208000005189 Embolism Diseases 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 210000004872 soft tissue Anatomy 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 208000002381 Brain Hypoxia Diseases 0.000 description 1
- 206010008479 Chest Pain Diseases 0.000 description 1
- 206010009866 Cold sweat Diseases 0.000 description 1
- 206010010071 Coma Diseases 0.000 description 1
- 206010010904 Convulsion Diseases 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 208000002251 Dissecting Aneurysm Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 206010000891 acute myocardial infarction Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 206010002895 aortic dissection Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 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
- 238000005538 encapsulation Methods 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001991 pathophysiological effect Effects 0.000 description 1
- 210000004224 pleura Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000001839 systemic circulation Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000011800 void material Substances 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
本公开涉及一种肺中纵隔内的肺主动脉血管图像提取方法、装置、存储介质及电子设备。该方法包括：根据肺动脉CT血管造影的3D图像确定肺罩图像，所述肺罩图像为二值图像；从所述肺罩图像中确定肺中纵膈域，并根据所述肺中纵膈域在所述肺罩图像中的位置从所述肺动脉CT血管造影的3D图像中确定肺中纵膈图像；基于分水岭分割算法对所述肺中纵膈图像进行分割，得到所述肺中纵膈图像的多个连通组件；根据各所述连通组件的灰度值大小从所述多个连通组件中确定肺主动脉血管组件，并将所述肺主动脉血管组件对应的图像作为肺主动脉血管的图像。采用这种方法，可以提取到准确且清晰的肺中纵隔内的肺主动脉血管图像。
Description
技术领域
本公开涉及计算机视觉技术领域，具体地，涉及一种肺中纵隔内的肺主动脉血管图像提取方法、装置、存储介质及电子设备。
背景技术
肺栓塞(pulmonary embolism，简称PE)是指因体循环的各种栓子脱落阻塞肺动脉及其分支而引发肺循环障碍的临床病理生理综合征。肺栓塞患者会突发不明原因的虚脱、面色苍白、出冷汗、呼吸困难、胸痛、咳嗽等症状，以及伴有脑缺氧症状如表现为极度焦虑不安、倦怠、恶心、抽搐、昏迷。肺栓塞是高发病率、高死亡率的常见病，其发病率仅次于急性心肌梗死及主动脉夹层。但是由于肺栓塞症状、体征的“不典型”性，因此很容易出现漏诊或误诊。
相关技术中，肺动脉CT血管造影(CTPA)是辅助诊断肺栓塞的重要手段。CTPA数据是目前用于诊断肺栓塞的最准确的依据。具体地，计算机辅助肺栓塞诊断的方法涉及肺分割、血管分割、带栓塞的肺动脉血管树的构建以及候选栓塞分类判断等技术。由于栓塞只存在于肺动脉内，因此血管分割技术是该辅助方法的核心，目前采用的血管分割方法有如下两种：一是依据管状局部特征提取血管的方法。二是基于种子点进行血管跟踪提取血管的方法。但是，采用这两种方式都不能够准确地提取到清晰的肺中纵隔内的肺主动脉血管。
发明内容
本公开的目的是提供一种肺中纵隔内的肺主动脉血管图像提取方法、装置、存储介质及电子设备，以解决相关技术中存在的问题。
为了实现上述目的，本公开实施例的第一部分，提供一种肺中纵隔内的肺主动脉血管图像提取方法，所述方法包括：
根据肺动脉CT血管造影的3D图像确定肺罩图像，所述肺罩图像为二值图像；
从所述肺罩图像中确定肺中纵膈域，并根据所述肺中纵膈域在所述肺罩图像中的位置从所述肺动脉CT血管造影的3D图像中确定肺中纵膈图像；
基于分水岭分割算法对所述肺中纵膈图像进行分割，得到所述肺中纵膈图像的多个连通组件；
根据各所述连通组件的灰度值大小从所述多个连通组件中确定肺主动脉血管组件，并将所述肺主动脉血管组件对应的图像作为肺主动脉血管的图像。
可选地，所述根据肺动脉CT血管造影的3D图像确定肺罩图像，包括：
根据目标灰度值区间对所述肺动脉CT血管造影的3D图像进行分割，得到对应的肺部图像，所述肺部图像中每一体素的灰度值处于所述目标灰度值区间；
对所述肺部图像的二值图像进行连通组件分析，得到所述二值图像的至少一个连通组件；并，
将所述二值图像的至少一个连通组件中的体素数量最多的连通组件作为肺部组件，并将所述肺部组件对应的图像作为所述肺罩图像。
可选地，所述将所述肺部组件对应的图像作为所述肺罩图像，包括：
对所述肺部组件对应的图像进行空洞填充，将空洞填充后的图像作为所述肺罩图像。
可选地，所述从所述肺罩图像中确定肺中纵膈域，包括：
确定所述肺罩的外接长方体的目标顶点的坐标，以及所述目标顶点连接的所述外接长方体的三条边的长度，所述目标顶点为所述外接长方体的任一顶点；
计算在将所述外接长方体的每一条边向该长方体的中心方向缩进预设距离的情况下，所述目标顶点缩进后的坐标以及所述三条边缩进后的长度；
根据所述目标顶点缩进后的坐标以及所述三条边缩进后的长度对所述肺罩图像进行分割，得到目标长方体；
将所述目标长方体中除去表征肺部的体素后的剩余部分作为所述肺中纵膈域。
可选地，所述方法还包括：
在根据所述目标顶点缩进后的坐标以及所述三条边缩进后的长度对所述肺罩图像进行分割，得到目标长方体之后，计算所述目标长方体的中心点到肺中纵膈的质心点的偏移向量，并根据所述偏移向量的预设倍数的值移动所述目标长方体，得到修正后的所述目标长方体。
可选地，所述根据各所述连通组件的灰度值大小从所述多个连通组件中确定肺主动脉血管组件，包括：
从所述多个连通组件中确定体素数量最多的前N个连通组件；
将所述N个连通组件中的灰度值最大的连通组件作为所述肺主动脉血管组件。
可选地，所述方法还包括：
从所述多个连通组件中确定体素数量最多的前M个连通组件，并从所述M个连通组件中确定灰度值大于预设阈值的目标组件，其中，M大于N；
在用于表征所述3D图像的正视平面的XY坐标平面内，若所述目标组件的质心点的X坐标小于第一肺主动脉血管的外接长方体右肺侧顶点的X坐标，且所述目标组件的质心点的Y坐标大于所述第一肺主动脉血管的外接长方体的质心点的Y坐标，则将所述目标组件与所述肺主动脉血管组件对应的图像作为肺主动脉血管的图像，所述第一肺主动脉血管是所述肺主动脉血管组件对应图像中的肺主动脉血管。
可选地，在所述根据肺动脉CT血管造影的3D图像确定肺罩之前，所述方法还包括：
将所述肺动脉CT血管造影的3D图像中体素空间间距设置为预设空间间距；
对所述肺动脉CT血管造影的3D图像进行窗体变换处理，使得每一体素的灰度值处于预设区间。
根据本公开实施例的第二部分，提供一种肺中纵隔内的肺主动脉血管图像提取装置，所述装置包括：
第一确定模块，被配置为用于根据肺动脉CT血管造影的3D图像确定肺罩图像，所述肺罩图像为二值图像；
第二确定模块，被配置为用于从所述肺罩图像中确定肺中纵膈域，并根据所述肺中纵膈域在所述肺罩图像中的位置从所述肺动脉CT血管造影的3D图像中确定肺中纵膈图像；
第一执行模块，被配置为用于基于分水岭分割算法对所述肺中纵膈图像进行分割，得到所述肺中纵膈图像的多个连通组件；
第三确定模块，被配置为用于根据各所述连通组件的灰度值大小从所述多个连通组件中确定肺主动脉血管组件，并将所述肺主动脉血管组件对应的图像作为肺主动脉血管的图像。
可选地，所述第一确定模块包括：
第一分割子模块，被配置为用于根据目标灰度值区间对所述肺动脉CT血管造影的3D图像进行分割，得到对应的肺部图像，所述肺部图像中每一体素的灰度值处于所述目标灰度值区间；
分析子模块，被配置为用于对所述肺部图像的二值图像进行连通组件分析，得到所述二值图像的至少一个连通组件；并，
第一执行子模块，被配置为用于将所述二值图像的至少一个连通组件中的体素数量最多的连通组件作为肺部组件，并将所述肺部组件对应的图像作为所述肺罩图像。
可选地，所述第一执行子模块还被配置为用于对所述肺部组件对应的图像进行空洞填充，将空洞填充后的图像作为所述肺罩图像。
可选地，所述第二确定模块包括：
第一确定子模块，被配置为用于确定所述肺罩的外接长方体的目标顶点的坐标，以及所述目标顶点连接的所述外接长方体的三条边的长度，所述目标顶点为所述外接长方体的任一顶点；
计算子模块，被配置为用于计算在将所述外接长方体的每一条边向该长方体的中心方向缩进预设距离的情况下，所述目标顶点缩进后的坐标以及所述三条边缩进后的长度；
第二分割子模块，被配置为用于根据所述目标顶点缩进后的坐标以及所述三条边缩进后的长度对所述肺罩图像进行分割，得到目标长方体；
第二执行子模块，被配置为用于将所述目标长方体中除去表征肺部的体素后的剩余部分作为所述肺中纵膈域。
可选地，所述装置还包括：
修正模块，被配置为用于在根据所述目标顶点缩进后的坐标以及所述三条边缩进后的长度对所述肺罩图像进行分割，得到目标长方体之后，计算所述目标长方体的中心点到肺中纵膈的质心点的偏移向量，并根据所述偏移向量的预设倍数的值移动所述目标长方体，得到修正后的所述目标长方体。
可选地，所述第三确定模块包括：
第二确定子模块，被配置为用于从所述多个连通组件中确定体素数量最多的前N个连通组件；
第三执行子模块，被配置为用于将所述N个连通组件中的灰度值最大的连通组件作为所述肺主动脉血管组件。
可选地，所述装置还包括：
第四确定模块，被配置为用于从所述多个连通组件中确定体素数量最多的前M个连通组件，并从所述M个连通组件中确定灰度值大于预设阈值的目标组件，其中，M大于N；
第二执行模块，被配置为用于在用于表征所述3D图像的正视平面的XY坐标平面内，若所述目标组件的质心点的X坐标小于第一肺主动脉血管的外接长方体右肺侧顶点的X坐标，且所述目标组件的质心点的Y坐标大于所述第一肺主动脉血管的外接长方体的质心点的Y坐标，则将所述目标组件与所述肺主动脉血管组件对应的图像作为肺主动脉血管的图像，所述第一肺主动脉血管是所述肺主动脉血管组件对应图像中的肺主动脉血管。
可选地，所述装置还包括：
预处理模块，被配置为用于在所述根据肺动脉CT血管造影的3D图像确定肺罩之前，将所述肺动脉CT血管造影的3D图像中体素空间间距设置为预设空间间距；并对所述肺动脉CT血管造影的3D图像进行窗体变换处理，使得每一体素的灰度值处于预设区间。
根据本公开实施例的第三部分，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上述第一部分中任一项所述方法的步骤。
根据本公开实施例的第四部分，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，以实现上述第一部分中任一项所述方法的步骤。
采用上述技术方案，至少能够达到如下技术效果：
根据肺动脉CT血管造影的3D图像确定肺罩图像，并从该肺罩图像中确定肺中纵膈域，进一步地，可以根据该肺中纵膈域在该肺罩图像中的位置从该肺动脉CT血管造影的3D图像中确定肺中纵膈图像。在得到肺中纵膈图像之后，基于分水岭分割算法对该肺中纵膈图像进行分割，得到该肺中纵膈图像的多个连通组件，根据各连通组件的灰度值大小从该多个连通组件中确定肺主动脉血管组件，并将该肺主动脉血管组件对应的图像作为肺主动脉血管的图像。其中，由于分水岭分割算法可以精确识别图像中灰度值的细微变化，因此在面对肺中纵膈图像中血管之间存在粘连的情况时，通过分水岭分割算法可以准确地将粘连的血管分割开。因而采用这种方法可以在确定肺中纵隔图像之后，提取到准确且清晰的肺中纵隔内的肺主动脉血管图像。
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是根据本公开一示例性实施例示出的一种肺中纵隔内的肺主动脉血管图像提取方法的流程图。
图2是根据本公开一示例性实施例示出的一种肺动脉CT血管造影的3D图像的正视图。
图3是根据本公开一示例性实施例示出的一种3D肺部二值图像的中切面的正视图。
图4是根据本公开一示例性实施例示出的一种3D肺罩图像的中切面的正视图。
图5是根据本公开一示例性实施例示出的另一种3D肺罩图像的中切面的正视图。
图6是根据本公开一示例性实施例示出的一种3D肺中纵膈图像的正视图。
图7是根据本公开一示例性实施例示出的一种肺主动脉血管的正视图。
图8是根据本公开一示例性实施例示出的一种肺主动脉血管补缺方法的流程图。
图9是根据本公开一示例性实施例示出的一种补缺后的肺主动脉血管的正视图。
图10是根据本公开一示例性实施例示出的一种肺中纵隔内的肺主动脉血管图像提取装置的框图。
图11是根据本公开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
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
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。
相关技术中，采用依据管状局部特征提取血管的方法，利用Hessian矩阵的特征值，通过增强滤波对肺血管进行分割。但是，在进行滤波去噪时会将粘连的血管之间的边界变得模糊，这会导致血管难以分割，且分割后的图像边界不清晰。因此，这种方法常用于对肺内部进行肺实质分割。而面对肺中纵膈内纵膈血管与肺动脉血管以及血管之间粘连的复杂情况，这种方法并不适用。
而采用基于种子点进行血管跟踪以提取血管的方法，该方法需要预先设置种子点，然后采用区域生长技术跟踪3D血管域提取血管以构建血管树。但是，在肺栓塞等因素导致的血管相互渗透粘连使得血管难以分割的前提下，若采用这种方法，会因为不同的人的肺纵隔解剖结构以及血管分布存在差别，导致不同人的CTPA图像存在差异，使得种子点的设置出现偏差，进而导致血管分割误差。采用这种方法，除了不能准确分割血管之外，还存在计算量大的问题。因此这种方式效率很低。
有鉴于此，本公开实施例提供一种肺中纵隔内的肺主动脉血管图像提取方法、装置、存储介质及电子设备，以准确地提取清晰的肺中纵隔内的肺主动脉血管图像。
为了使本领域普通技术人员更加容易理解本公开的技术方案，下面首先对本公开实施例中涉及到的相关术语进行简单解释。
肺中纵膈，表征左右肺之间的纵膈，其中纵膈是左右纵隔胸膜之间的器官、结构和结缔组织的总称。
组件(Component)是对数据和方法的简单封装，可以理解为对象。
连通区域(Connected Component)是指图像中具有相同像素值(或满足特定相似性准则)且位置相邻的前景像素点组成的图像区域。
体素，是体积元素(Volume Pixel)的简称，是数字数据于三维空间上的最小单位，概念上类似二维空间的最小单位像素。
连通组件，在本公开中，连通组件表征3D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3D图像区域。
分隔水平，是分水岭分割算法中的一个参数，该参数的值越小说明分割域越小，该参数的值越大说明分割域越大。其中分割域越小分割越精细。
下面对本公开的技术方案进行详细的实施例说明。
应当先说明的是，在本公开的实施例中，由于是基于肺动脉CT血管造影的3D图像提取肺中纵隔内的肺主动脉血管图像，因此，在本公开的实施例中所涉及到的图像均为3D图像，在附图示例时以各3D图像的正视图/中切面图进行示例。
图1是根据本公开一示例性实施例示出的一种肺中纵隔内的肺主动脉血管图像提取方法的流程图，如图1所示，该方法包括以下步骤：
S11、根据肺动脉CT血管造影的3D图像确定肺罩图像，所述肺罩图像为二值图像。
S12、从所述肺罩图像中确定肺中纵膈域，并根据所述肺中纵膈域在所述肺罩图像中的位置从所述肺动脉CT血管造影的3D图像中确定肺中纵膈图像。
在确定肺罩图像之后，可以根据肺罩图像确定左右肺之间的中纵膈域。而根据肺中纵膈域在肺罩图像中的具体坐标位置可以从肺动脉CT血管造影的3D图像中确定肺中纵膈所在的位置，进而可以从肺动脉CT血管造影的3D图像中分割出肺中纵膈图像。
S13、基于分水岭分割算法对所述肺中纵膈图像进行分割，得到所述肺中纵膈图像的多个连通组件。
分水岭分割算法是一种图像区域分割法，在分割的过程中，它会把临近体素间的相似性作为重要的参考依据，从而将在空间位置上相近并且灰度值相近(同一梯度内灰度值)的体素点互相连接起来构成一个封闭的轮廓。
在S13中，采用基于梯度特征的分水岭分割算法，依据中纵隔图像预先计算梯度特征图，根据梯度分割图像可以使分割后图像边界更清晰，接着基于梯度特征图进行带有连通域的分水岭操作，得到肺中纵膈图像的多个连通组件。其中，分隔水平设置可以根据需求的分割效果来确定。应当说明的是，由于采用基于梯度特征的分水岭分割算法进行图像分割，因此得到的每一连通组件中的体素的灰度值处于对应的梯度范围内。
S14、根据各所述连通组件的灰度值大小从所述多个连通组件中确定肺主动脉血管组件，并将所述肺主动脉血管组件对应的图像作为肺主动脉血管的图像。
一种可实现的实施方式，可以将灰度值最大的连通组件确定为肺主动脉血管组件，并将该肺主动脉血管组件对应的图像作为肺中纵隔内的肺主动脉血管的图像。
采用这种方法，根据肺动脉CT血管造影的3D图像确定肺罩图像，并从该肺罩图像中确定肺中纵膈域，进一步地，可以根据该肺中纵膈域在该肺罩图像中的位置从该肺动脉CT血管造影的3D图像中确定肺中纵膈图像。如此可以从肺动脉CT血管造影的3D图像中准确的确定肺中纵膈的图像。在得到肺中纵膈图像之后，基于分水岭分割算法对该肺中纵膈图像进行分割，得到该肺中纵膈图像的多个连通组件，根据各连通组件的灰度值大小从该多个连通组件中确定肺主动脉血管组件，并将该肺主动脉血管组件对应的图像作为肺主动脉血管的图像。其中，由于分水岭分割算法可以精确识别图像中灰度值的细微变化，因此在面对肺中纵膈图像中血管之间存在粘连的情况时，通过分水岭分割算法可以准确地将粘连的血管分割开，并且采用基于梯度的分水岭分割算法可以使图像分割边界十分清晰，因此采用这种方法可以在确定肺中纵隔图像之后，提取到准确且清晰的肺中纵隔内的肺主动脉血管图像。
上述方法与相关技术中依据管状局部特征提取血管的方法相比较，由于没有进行去噪声处理，因此可以避免滤波去噪时将粘连的血管之间的边界变得模糊的问题。从而采用上述方法可以提取到肺中纵隔内的肺主动脉血管图像，且提取到的肺主动脉血管图像边界清晰。
上述方法与相关技术中基于种子点进行血管跟踪以提取血管的方法相比较，本公开上述方法因无需设置种子点而避免了种子点设置偏差时导致的分割误差。因此，采用这种方法提取到的肺中纵隔内的肺主动脉血管图像更加准确、清晰。
可选地，在步骤S11之前，上述方法还可以包括以下预处理步骤：
将所述肺动脉CT血管造影的3D图像中体素空间间距设置为预设空间间距；对所述肺动脉CT血管造影的3D图像进行窗体变换处理，使得每一体素的灰度值处于预设区间。
在采集肺动脉CT血管造影的3D图像时，会根据被采集对象等因素对CT扫描装置的参数进行对应设置，而不同的参数设置使得成像图像存在差异。例如不同的参数设置使图像中各体素之间的空间距离不同。为了使本公开的技术方案具有普适性，在本公开实施例中，可以先对肺动脉CT血管造影的3D图像进行预处理。具体地，针对肺动脉CT血管造影的3D图像进行再采样处理，使肺动脉CT血管造影的3D图像中各体素空间间距均为[1,1,1]。并针对肺动脉CT血管造影的3D图像进行窗体变换使得图像中每一体素的灰度值在-1024至1024之间。
采用这种预处理方法，有利于后续实施例中目标灰度值区间的确定。
可选地，上述S11具体可以包括以下步骤：
根据目标灰度值区间对所述肺动脉CT血管造影的3D图像进行分割，得到对应的肺部图像，所述肺部图像中每一体素的灰度值处于所述目标灰度值区间；对所述肺部图像的二值图像进行连通组件分析，得到所述二值图像的至少一个连通组件；并，将所述二值图像的至少一个连通组件中的体素数量最多的连通组件作为肺部组件，并将所述肺部组件对应的图像作为所述肺罩图像。
其中，目标灰度值区间可以根据上述窗体变换后使得图像中每一体素的灰度值处于[-1024，1024]的区间进行确定。示例地，目标灰度值区间可以为[-900，-600]。当体素的灰度值处于该[-900，-600]区间时，基本可以确定该体素是肺部的体素。
详细地，参见图2，图2示出了一张体素的灰度值处于[-1024，1024]的肺动脉CT血管造影的3D图像的正视图。根据目标灰度值区间[-900，-600]对图2所示的肺动脉CT血管造影的3D图像进行分割，可以得到每一体素的灰度值处于[-900，-600]区间的肺部图像。进一步地，可以确定该肺部图像的二值图像，该肺部图像的二值图像如图3所示。
接着，对图3所示的二值图像进行连通组件分析，具体地，将该二值图像中具有相同灰度值、且位置相邻的前景体素组成的图像区域作为一个连通组件，从而得到该二值图像的一个或多个连通组件，并将其中体素数量最多的连通组件作为肺部组件，并将肺部组件对应的图像作为肺罩图像。例如，针对图3所示的二值图像所对应的完整3D二值图像，得到的3D肺罩图像的正视图如图4所示。
此处需说明的是，图3是3D肺部二值图像的正视图，面对该3D肺部二值图像，从360度观看该3D肺部二值图像时，该3D肺部二值图像中存在多个分离的白色区域，即存在多个连通组件。
图4是3D肺罩图像的正视图，面对该3D肺罩图像，从360度观看该3D肺罩图像时，该3D肺罩图像中白色区域是连接在一起的，即图4中的白色区域实际为连通的一个区域。
在本公开的附图中，之所以用各3D图像的切面图进行展示，是因为通过3D图像只能看见肺部外观，而看不见肺内孔洞。而为了使本领域普通技术人更加直观的看到本公开的技术方案所产生的技术效果，所以在附图中以各3D图像的切面图进行直观的展示。
一种可能的情况，在对肺部图像的二值图像进行连通组件分析后，可能得到零个连通组件，这可能是因为有些肺动脉CT血管造影的3D图像中肺部灰度值较高，从而在根据目标灰度值区间对肺动脉CT血管造影的3D图像进行分割时，未将肺部分割出来。因此，一种可实现的实施方式，若在对所述肺部图像的二值图像进行连通域组件分析后，没有得到连通域组件，则扩大所述目标灰度值区间的范围，并重新执行根据目标灰度值区间对所述肺动脉CT血管造影的3D图像进行分割、以及对所述肺部图像的二值图像进行连通域组件分析的步骤。示例地，可以将目标灰度值区间[-900，-600]扩大为[-900，-400]。
应当说明的是，大部分肺动脉CT血管造影的3D图像中肺部灰度值较低，若目标灰度值区间中的最大值设置过大，那么在进行分割时可能会带入肺周边组织，使肺部分割不彻底。因此，在扩大上述目标灰度值区间时不宜扩的过大。
可选地，所述将所述肺部组件对应的图像作为所述肺罩图像，包括：
对所述肺部组件对应的图像进行空洞填充，将空洞填充后的图像作为所述肺罩图像。
如图4所示，肺罩图像中存在较多的空洞，这些空洞一般为肺部血管及软组织。由于肺部血管及软组织的灰度值远大于肺部，因此根据上述目标灰度值区间进行分割时可能会将肺部血管及软组织分割掉。为了补回这些组织，可以对肺部组件对应的图像进行形态学闭运算以填充空洞。本领域普通技术人员应当理解的是，在对图像中的空洞进行闭运算时，具体根据设置的核半径填充空洞使其与周围的前景图像成为一体，而不难理解的是核半径设置的越大，填充的空洞越大，因此，在具体实施时，可以根据需求设置核半径值以确定填充哪些空洞。
对图4所对应的3D肺罩图像进行空洞填充之后，可以得到如图5所示的填充后的肺罩图像。一种可实现的实施方式，可以根据肺罩图像从肺动脉CT血管造影的3D图像中确定肺部图像。
参见图5，在上述S12中，所述从所述肺罩图像中确定肺中纵膈域，具体可以通过以下步骤确定肺中纵膈域：
S51、确定所述肺罩的外接长方体的目标顶点的坐标，以及所述目标顶点连接的所述外接长方体的三条边的长度，所述目标顶点为所述外接长方体的任一顶点。
一种可实现的实施方式，上述外接长方体可以是与肺罩的体积交并比最大的外接长方体。通常情况下，目标顶点连接的该外接立方体的三条边的轴向分别为X、Y、Z轴向。坐标系XYZ为拍摄CTPA图像的装置的世界坐标系。
若目标顶点为外接长方体的初始顶点，初始顶点即X、Y、Z坐标值最小的点。那么，根据外接长方体的初始顶点的坐标值、该初始顶点连接的三条边的长度以及该三条边的轴向，可以唯一确定该外接长方体的三维坐标。
S52、计算在将所述外接长方体的每一条边向该长方体的中心方向缩进预设距离的情况下，所述目标顶点缩进后的坐标以及所述三条边缩进后的长度。
其中，预设距离可以根据经验进行设置，预设距离用于保障缩进后的目标长方体包括肺中纵膈所在的区域。
例如，可以根据样本的年龄、性别等因素，设置对应的预设距离。
S53、根据所述目标顶点缩进后的坐标以及所述三条边缩进后的长度对所述肺罩图像进行分割，得到目标长方体。
应当理解的是，基于几何运算，在将外接长方体的每一条边向该长方体的中心方向缩进预设距离的情况下，可以仅根据目标顶点缩进前的坐标以及该三条边缩进前的长度、目标顶点缩进后的坐标以及该三条边缩进后的长度和预设距离计算得到缩进后的目标长方体的位置区域。
S54、将所述目标长方体中除去表征肺部的体素后的剩余部分作为所述肺中纵膈域。
目标长方体中除去表征肺部的体素后的剩余部分即为肺中纵膈域。其中，不难理解的是，上述步骤S53中得到的目标长方体中，体素值为1的体素即为上述表征肺部的体素。
一种可实现的实施方式，由于目标长方体是从肺罩图像中得到的，因此，可以基于肺罩图像，将目标长方体中肺罩位置的体素的灰度值设置为0，其余体素的灰度值保留为1，即把目标长方体中含有的肺域部分清除掉，从而得到肺中纵膈的二值图像。
由于不同的人的肺中纵隔解剖结构不一样，因而存在不同的人其肺中纵隔相对肺部的位置具有不同偏移的情况。因此，在一种可实现的实施方式中，可以对得到的目标长方体进行位置修正。
具体地，可以在根据所述目标顶点缩进后的坐标以及所述三条边缩进后的长度对所述肺罩图像进行分割，得到目标长方体之后，计算所述目标长方体的中心点到肺中纵膈的质心点的偏移向量，并根据所述偏移向量的预设倍数的值移动所述目标长方体，得到修正后的所述目标长方体。
其中，预设倍数为小于1且大于0的数。通过计算目标长方体的中心点到肺中纵膈的质心点的偏移向量，将该偏移向量乘以预设倍数，得到目标偏移向量，根据目标偏移向量移动该目标长方体以使移动后的目标长方体的中心点更接近肺中纵膈的质心点。
可选地，上述S14具体可以包括以下步骤：
从所述多个连通组件中确定体素数量最多的前N个连通组件；将所述N个连通组件中的灰度值最大的连通组件作为所述肺主动脉血管组件。
示例地，从多个连通组件中确定体素数量最多的前5个连通组件，并将这5个连通组件中的灰度值最大的连通组件作为肺主动脉血管组件。
采用这种方法，可以从如图6所示的肺中纵膈图像的多个连通组件中，确定得到肺主动脉血管组件的图像如图7所示。
一种不可避免的情况，由于在上述步骤S13中采用了基于分水岭分割算法对肺中纵膈图像进行分割，而分水岭分割算法因对图像中灰度值的细微变化非常敏感，因此可能存在过度分割的情况。
通过发明人大量实验验证后分析得出，采用本公开的上述方法，常使得右肺动脉近尾部位置的血管常被过度分割。而经过肺中纵膈解剖结构分析，可以基本确定各血管位置之间的差异(包括主动脉/静脉)。进而确定了右肺动脉近尾部常被过度分割的血管位于主干肺动脉的外接长方体右肺侧底部。因此，本公开实施例还提供一种针对上述得到的肺主动脉血管组件对应的图像进行补缺的方法，该补缺方法具体包括以下步骤：
从S13中得到的所述多个连通组件中确定体素数量最多的前M个连通组件，并从所述M个连通组件中确定灰度值大于预设阈值的目标组件，其中，M大于N；在用于表征所述3D图像的正视平面的XY坐标平面内，若所述目标组件的质心点的X坐标小于第一肺主动脉血管的外接长方体右肺侧顶点的X坐标，且所述目标组件的质心点的Y坐标大于所述第一肺主动脉血管的外接长方体的质心点的Y坐标，则将所述目标组件与所述肺主动脉血管组件对应的图像作为肺主动脉血管的图像，所述第一肺主动脉血管是所述肺主动脉血管组件对应图像中的肺主动脉血管。
其中，M的值可以为15，预设阈值可以为200Hu对应的灰度值，其中，Hu为CT单位，称为亨氏单位。
应当说明的是，上述XY坐标平面是指上述根据肺动脉CT血管造影的3D图像的坐标系下的XY坐标平面，3D图像的坐标系即拍摄CTPA图像的装置的世界坐标系。应当说明的是图7左侧的肺主动脉血管分支为靠近人体右肺侧肺主动脉血管分支。
详细地，参见图8，上述补缺方法的具体实施步骤可以为：
S81、从基于分水岭分割算法对所述肺中纵膈图像进行分割，得到所述肺中纵膈图像的多个连通组件中，确定体素数量最多的前M个连通组件，并从所述M个连通组件中确定灰度值大于预设阈值的目标组件；
S82、计算每一目标组件的质心点坐标，以及肺主动脉血管组件的质心点坐标；
S83、针对每一目标组件，判断该目标组件的质心点X坐标是否小于第一肺主动脉血管的外接长方体右肺侧顶点的X坐标；
若是，执行S84。
S84、判断该目标组件的质心点Y坐标是否大于所述第一肺主动脉血管的外接长方体的质心点的Y坐标；
若是，执行S85。
S85、将该目标组件作为被过度分割的肺主动脉血管组件，并将该目标组件与所述肺主动脉血管组件对应的图像肺主动脉血管的图像。
采用这种方法，可以将图7所示的肺主动脉血管图像补全得到如图9所示的肺主动脉血管图像。
因而采用本公开的上述方法，可以在提取到准确且清晰的肺中纵隔内的肺主动脉血管图像基础上，得到更加完整的肺中纵隔内的肺主动脉血管图像。从而这种方法可以向用户提供准确地、详细地用于诊断肺栓塞的依据。
本公开实施例还提供一种肺中纵隔内的肺主动脉血管图像提取装置，如图10所示，所述装置100包括：
第一确定模块101，被配置为用于根据肺动脉CT血管造影的3D图像确定肺罩图像，所述肺罩图像为二值图像；
第二确定模块102，被配置为用于从所述肺罩图像中确定肺中纵膈域，并根据所述肺中纵膈域在所述肺罩图像中的位置从所述肺动脉CT血管造影的3D图像中确定肺中纵膈图像；
第一执行模块103，被配置为用于基于分水岭分割算法对所述肺中纵膈图像进行分割，得到所述肺中纵膈图像的多个连通组件；
第三确定模块104，被配置为用于根据各所述连通组件的灰度值大小从所述多个连通组件中确定肺主动脉血管组件，并将所述肺主动脉血管组件对应的图像作为肺主动脉血管的图像。
采用这种装置，根据肺动脉CT血管造影的3D图像确定肺罩图像，并从该肺罩图像中确定肺中纵膈域，进一步地，根据该肺中纵膈域在该肺罩图像中的位置从该肺动脉CT血管造影的3D图像中确定肺中纵膈图像。如此可以从肺动脉CT血管造影的3D图像中准确的确定肺中纵膈的图像。在得到肺中纵膈图像之后，基于分水岭分割算法对该肺中纵膈图像进行分割，得到该肺中纵膈图像的多个连通组件，根据各连通组件的灰度值大小从该多个连通组件中确定肺主动脉血管组件，并将该肺主动脉血管组件对应的图像作为肺主动脉血管的图像。由于分水岭分割算法可以精确识别图像中灰度值的细微变化，因此在面对肺中纵膈图像中血管之间存在粘连的情况时，通过分水岭分割算法可以准确地将粘连的血管分割开，并且采用基于梯度的分水岭分割算法可以使图像分割边界十分清晰，因此采用这种装置可以在确定肺中纵隔图像之后，进一步提取到准确且清晰的肺中纵隔内的肺主动脉血管图像。
可选地，所述第一确定模块101包括：
第一分割子模块，被配置为用于根据目标灰度值区间对所述肺动脉CT血管造影的3D图像进行分割，得到对应的肺部图像，所述肺部图像中每一体素的灰度值处于所述目标灰度值区间；
分析子模块，被配置为用于对所述肺部图像的二值图像进行连通组件分析，得到所述二值图像的至少一个连通组件；并，
第一执行子模块，被配置为用于将所述二值图像的至少一个连通组件中的体素数量最多的连通组件作为肺部组件，并将所述肺部组件对应的图像作为所述肺罩图像。
可选地，所述第一执行子模块103还被配置为用于对所述肺部组件对应的图像进行空洞填充，将空洞填充后的图像作为所述肺罩图像。
可选地，所述第二确定模块102包括：
第一确定子模块，被配置为用于确定所述肺罩的外接长方体的目标顶点的坐标，以及所述目标顶点连接的所述外接长方体的三条边的长度，所述目标顶点为所述外接长方体的任一顶点；
计算子模块，被配置为用于计算在将所述外接长方体的每一条边向该长方体的中心方向缩进预设距离的情况下，所述目标顶点缩进后的坐标以及所述三条边缩进后的长度；
第二分割子模块，被配置为用于根据所述目标顶点缩进后的坐标以及所述三条边缩进后的长度对所述肺罩图像进行分割，得到目标长方体；
第二执行子模块，被配置为用于将所述目标长方体中除去表征肺部的体素后的剩余部分作为所述肺中纵膈域。
可选地，所述装置还包括：
修正模块，被配置为用于在根据所述目标顶点缩进后的坐标以及所述三条边缩进后的长度对所述肺罩图像进行分割，得到目标长方体之后，计算所述目标长方体的中心点到肺中纵膈的质心点的偏移向量，并根据所述偏移向量的预设倍数的值移动所述目标长方体，得到修正后的所述目标长方体。
可选地，所述第三确定模块104包括：
第二确定子模块，从所述多个连通组件中确定体素数量最多的前N个连通组件；
第三执行子模块，被配置为用于将所述N个连通组件中的灰度值最大的连通组件作为所述肺主动脉血管组件。
可选地，所述装置还包括：
第四确定模块，被配置为用于从所述多个连通组件中确定体素数量最多的前M个连通组件，并从所述M个连通组件中确定灰度值大于预设阈值的目标组件，其中，M大于N；
第二执行模块，被配置为用于在用于表征所述3D图像的正视平面的XY坐标平面内，若所述目标组件的质心点的X坐标小于第一肺主动脉血管的外接长方体右肺侧顶点的X坐标，且所述目标组件的质心点的Y坐标大于所述第一肺主动脉血管的外接长方体的质心点的Y坐标，则将所述目标组件与所述肺主动脉血管组件对应的图像作为肺主动脉血管的图像，所述第一肺主动脉血管是所述肺主动脉血管组件对应图像中的肺主动脉血管。
可选地，所述装置还包括：
预处理模块，被配置为用于在所述根据肺动脉CT血管造影的3D图像确定肺罩之前，将所述肺动脉CT血管造影的3D图像中体素空间间距设置为预设空间间距；并对所述肺动脉CT血管造影的3D图像进行窗体变换处理，使得每一体素的灰度值处于预设区间。
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。
图11是根据一示例性实施例示出的一种电子设备700的框图。如图11所示，该电子设备700可以包括：处理器701，存储器702。该电子设备700还可以包括多媒体组件703，输入/输出(I/O)接口704，以及通信组件705中的一者或多者。
其中，处理器701用于控制该电子设备700的整体操作，以完成上述的肺中纵隔内的肺主动脉血管图像提取方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700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702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703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702或通过通信组件705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704为处理器701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705用于该电子设备700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 Field Communication，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705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700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，用于执行上述的肺中纵隔内的肺主动脉血管图像提取方法。
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中纵隔内的肺主动脉血管图像提取方法的步骤。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702，上述程序指令可由电子设备700的处理器701执行以完成上述的肺中纵隔内的肺主动脉血管图像提取方法。
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 (11)
1.一种肺中纵隔内的肺主动脉血管图像提取方法，其特征在于，所述方法包括：
根据肺动脉CT血管造影的3D图像确定肺罩图像，所述肺罩图像为二值图像；
从所述肺罩图像中确定肺中纵膈域，并根据所述肺中纵膈域在所述肺罩图像中的位置从所述肺动脉CT血管造影的3D图像中确定肺中纵膈图像；
基于分水岭分割算法对所述肺中纵膈图像进行分割，得到所述肺中纵膈图像的多个连通组件；
根据各所述连通组件的灰度值大小从所述多个连通组件中确定肺主动脉血管组件，并将所述肺主动脉血管组件对应的图像作为肺主动脉血管的图像。
2.根据权利要求1所述的方法，其特征在于，所述根据肺动脉CT血管造影的3D图像确定肺罩图像，包括：
根据目标灰度值区间对所述肺动脉CT血管造影的3D图像进行分割，得到对应的肺部图像，所述肺部图像中每一体素的灰度值处于所述目标灰度值区间；
对所述肺部图像的二值图像进行连通组件分析，得到所述二值图像的至少一个连通组件；并，
将所述二值图像的至少一个连通组件中的体素数量最多的连通组件作为肺部组件，并将所述肺部组件对应的图像作为所述肺罩图像。
3.根据权利要求2所述的方法，其特征在于，所述将所述肺部组件对应的图像作为所述肺罩图像，包括：
对所述肺部组件对应的图像进行空洞填充，将空洞填充后的图像作为所述肺罩图像。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述从所述肺罩图像中确定肺中纵膈域，包括：
确定肺罩的外接长方体的目标顶点的坐标，以及所述目标顶点连接的所述外接长方体的三条边的长度，所述目标顶点为所述外接长方体的任一顶点；
计算在将所述外接长方体的每一条边向该长方体的中心方向缩进预设距离的情况下，所述目标顶点缩进后的坐标以及所述三条边缩进后的长度；
根据所述目标顶点缩进后的坐标以及所述三条边缩进后的长度对所述肺罩图像进行分割，得到目标长方体；
将所述目标长方体中除去表征肺部的体素后的剩余部分作为所述肺中纵膈域。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
在根据所述目标顶点缩进后的坐标以及所述三条边缩进后的长度对所述肺罩图像进行分割，得到目标长方体之后，计算所述目标长方体的中心点到肺中纵膈的质心点的偏移向量，并根据所述偏移向量的预设倍数的值移动所述目标长方体，得到修正后的所述目标长方体。
6.根据权利要求1所述的方法，其特征在于，所述根据各所述连通组件的灰度值大小从所述多个连通组件中确定肺主动脉血管组件，包括：
从所述多个连通组件中确定体素数量最多的前N个连通组件；
将所述N个连通组件中的灰度值最大的连通组件作为所述肺主动脉血管组件。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
从所述多个连通组件中确定体素数量最多的前M个连通组件，并从所述M个连通组件中确定灰度值大于预设阈值的目标组件，其中，M大于N；
在用于表征所述3D图像的正视平面的XY坐标平面内，若所述目标组件的质心点的X坐标小于第一肺主动脉血管的外接长方体右肺侧顶点的X坐标，且所述目标组件的质心点的Y坐标大于所述第一肺主动脉血管的外接长方体的质心点的Y坐标，则将所述目标组件与所述肺主动脉血管组件对应的图像作为肺主动脉血管的图像，所述第一肺主动脉血管是所述肺主动脉血管组件对应图像中的肺主动脉血管。
8.根据权利要求1所述的方法，其特征在于，在所述根据肺动脉CT血管造影的3D图像确定肺罩之前，所述方法还包括：
将所述肺动脉CT血管造影的3D图像中体素空间间距设置为预设空间间距；
对所述肺动脉CT血管造影的3D图像进行窗体变换处理，使得每一体素的灰度值处于预设区间。
9.一种肺中纵隔内的肺主动脉血管图像提取装置，其特征在于，所述装置包括：
第一确定模块，被配置为用于根据肺动脉CT血管造影的3D图像确定肺罩图像，所述肺罩图像为二值图像；
第二确定模块，被配置为用于从所述肺罩图像中确定肺中纵膈域，并根据所述肺中纵膈域在所述肺罩图像中的位置从所述肺动脉CT血管造影的3D图像中确定肺中纵膈图像；
第一执行模块，被配置为用于基于分水岭分割算法对所述肺中纵膈图像进行分割，得到所述肺中纵膈图像的多个连通组件；
第三确定模块，被配置为用于根据各所述连通组件的灰度值大小从所述多个连通组件中确定肺主动脉血管组件，并将所述肺主动脉血管组件对应的图像作为肺主动脉血管的图像。
10.一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1-8中任一项所述方法的步骤。
11.一种电子设备，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1-8中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010942410.3A CN112102275B (zh) | 2020-09-09 | 2020-09-09 | 肺主动脉血管图像提取方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010942410.3A CN112102275B (zh) | 2020-09-09 | 2020-09-09 | 肺主动脉血管图像提取方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112102275A CN112102275A (zh) | 2020-12-18 |
| CN112102275B true CN112102275B (zh) | 2023-08-08 |
Family
ID=73751207
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010942410.3A Active CN112102275B (zh) | 2020-09-09 | 2020-09-09 | 肺主动脉血管图像提取方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112102275B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344897B (zh) * | 2021-06-24 | 2022-01-11 | 推想医疗科技股份有限公司 | 肺部图像的管径测量方法及装置、图像处理方法及装置 |
| 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 |
| CN113261985A (zh) * | 2021-06-29 | 2021-08-17 | 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 |
| CN114927202B (zh) * | 2022-06-13 | 2023-03-24 | 上海市胸科医院 | 肺部形变模拟方法、装置及服务器 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961273A (zh) * | 2018-07-03 | 2018-12-07 | 东北大学 | 一种从ct影像中分割肺动脉和肺静脉的方法及系统 |
| CN109035272A (zh) * | 2018-07-27 | 2018-12-18 | 广州大学 | 基于ct图像的肺分割方法、装置及计算机可读存储介质 |
| CN109727260A (zh) * | 2019-01-24 | 2019-05-07 | 杭州英库医疗科技有限公司 | 一种基于ct影像的三维肺叶分割方法 |
| 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 (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7860283B2 (en) * | 2006-10-25 | 2010-12-28 | Rcadia Medical Imaging Ltd. | Method and system for the presentation of blood vessel structures and identified pathologies |
| US10278585B2 (en) * | 2012-06-21 | 2019-05-07 | Novadaq Technologies ULC | Quantification and analysis of angiography and perfusion |
| 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 |
-
2020
- 2020-09-09 CN CN202010942410.3A patent/CN112102275B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961273A (zh) * | 2018-07-03 | 2018-12-07 | 东北大学 | 一种从ct影像中分割肺动脉和肺静脉的方法及系统 |
| CN109035272A (zh) * | 2018-07-27 | 2018-12-18 | 广州大学 | 基于ct图像的肺分割方法、装置及计算机可读存储介质 |
| CN109727260A (zh) * | 2019-01-24 | 2019-05-07 | 杭州英库医疗科技有限公司 | 一种基于ct影像的三维肺叶分割方法 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112102275A (zh) | 2020-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Li et al. | Optimal surface segmentation in volumetric images-a graph-theoretic approach | |
| WO2018120644A1 (zh) | 血管提取方法及系统 | |
| US9811912B2 (en) | Image processing apparatus, image processing method and medical imaging device | |
| US8761475B2 (en) | System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans | |
| KR101967357B1 (ko) | 이미징 데이터 내에서 잠재적인 이형을 분리하기 위한 방법 및 장치 그리고 의료 영상에의 응용 | |
| US7912266B2 (en) | System and method for robust segmentation of tubular structures in 2D and 3D images | |
| CN112102267B (zh) | 肺动脉血管树的获取方法、装置、存储介质和电子设备 | |
| US20070165917A1 (en) | Fully automatic vessel tree segmentation | |
| Tschirren | Segmentation, anatomical labeling, branchpoint matching, and quantitative analysis of human airway trees in volumetric CT images | |
| CN112991365B (zh) | 一种冠状动脉分割方法、系统及存储介质 | |
| WO2008091583A2 (en) | Image-based extraction for vascular trees | |
| US9582934B2 (en) | Method and system for efficient extraction of a silhouette of a 3D mesh | |
| US9129391B2 (en) | Semi-automated preoperative resection planning | |
| CN112465749B (zh) | 提取肺栓塞图像的方法、装置、存储介质及电子设备 | |
| CN109886973A (zh) | 一种血管提取方法、装置及计算机可读存储介质 | |
| CN111179298A (zh) | 基于ct图像的三维肺自动分割与左右肺分离方法及其系统 | |
| CN114365188A (zh) | 基于vrds ai下腔静脉影像的分析方法及产品 | |
| CN117152173A (zh) | 一种基于DUNetR模型的冠状动脉分割方法和系统 | |
| Kang et al. | 3D active vessel tracking using an elliptical prior | |
| CN113192099B (zh) | 一种组织提取方法、装置、设备和介质 | |
| CN114862885A (zh) | 肝脏mri影像缩域分割与三维病灶重建方法 | |
| 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 | |
| Patil et al. | A robust system for segmentation of primary liver tumor in CT images | |
| López-Mir et al. | Aorta segmentation using the watershed algorithm for an augmented reality system in laparoscopic surgery |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201216 Address after: Room 2070, building 2, Lane 1800, Xinyang Road, Lingang New Area, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai, 200120 Applicant after: NEUSOFT XIKANG HEALTH TECHNOLOGY CO.,LTD. Address before: Room 419, 175-2, Chuangxin Road, Hunnan District, Shenyang City, Liaoning Province Applicant before: SHENYANG NEUSOFT INTELLIGENT MEDICAL TECHNOLOGY RESEARCH INSTITUTE Co.,Ltd. |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |