CN112102327A - 一种图像处理方法、装置及计算机可读存储介质 - Google Patents

一种图像处理方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN112102327A
CN112102327A CN201910525842.1A CN201910525842A CN112102327A CN 112102327 A CN112102327 A CN 112102327A CN 201910525842 A CN201910525842 A CN 201910525842A CN 112102327 A CN112102327 A CN 112102327A
Authority
CN
China
Prior art keywords
image
blood vessel
vessel wall
wall
segmentation
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.)
Granted
Application number
CN201910525842.1A
Other languages
English (en)
Other versions
CN112102327B (zh
Inventor
郑海荣
刘新
万丽雯
张娜
张磊
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201910525842.1A priority Critical patent/CN112102327B/zh
Publication of CN112102327A publication Critical patent/CN112102327A/zh
Application granted granted Critical
Publication of CN112102327B publication Critical patent/CN112102327B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例公开了一种图像处理方法及装置，该方法包括：采集第一血管图像和所述第一血管图像对应的第一血管壁图像；将所述第一血管图像和所述第一血管壁图像进行图像配准，得到第一图像；对所述第一图像中的血管进行拉直处理，得到第二图像；截取所述第二图像中血管壁的横断面图像。采用本申请实施例，获得血管壁的横断面图像，节约了时间，提高了效率，方便后续的诊断。

Description

一种图像处理方法、装置及计算机可读存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种图像处理方法、装置及计算机可读存储介质。
背景技术
脑血管病已成为我国死亡率和致残率最高的疾病，主要由脑动脉粥样硬化斑块破裂所致，准确识别斑块结构和特性是早期预防和精确治疗的关键。基于磁共振的三维全脑血管壁成像是目前唯一可以显示脑动脉斑块的新型前沿技术，其对颅内动脉斑块的诊断价值已基本得到临床认可。并提出了斑块智能诊断的方法。
目前大部分斑块智能诊断方法聚焦在后端，即通过人工智能的方法，自动分析血管壁横断面图像，以获得血管壁形态学数据，从而根据血管壁的形态学数据进行诊断。但是，在脑血管斑块人工智能诊断方面，在通过智能诊断之前，需要通过手动分割、配准来获得血管壁的横断面图像，以完成诊断前的处理工作。然而手动获取横断面图像的方式效率低。
发明内容
本申请实施例提供一种图像处理方法，可以获得血管壁的横断面图像，节约了时间，提高了效率，方便后续的诊断。
第一方面，本申请实施例提供了一种图像处理方法，该方法包括：
采集第一血管图像和所述第一血管图像对应的第一血管壁图像；
将所述第一血管图像和所述第一血管壁图像进行图像配准，得到第一图像；
对所述第一图像中的血管进行拉直处理，得到第二图像；
截取所述第二图像中血管壁的横断面图像。
在一种可能的实现方式中，所述方法还包括：
对所述第一血管图像中的血管和背景进行图像分割处理，得到第二血管图像；
所述将所述第一血管图像和所述第一血管壁图像进行图像配准，得到第一图像，包括：
将所述第二血管图像和所述第一血管壁图像进行图像配准，得到第一图像。
在一种可能的实现方式中，所述对所述第一血管图像中的血管和背景进行图像分割处理，得到第二血管图像，包括：
对所述第一血管图像进行图像增强处理，得到第三血管图像；
将所述第一血管图像和所述第三血管图像进行图像融合处理，得到第四血管图像；
对所述第四血管图像进行阈值化处理，得到第五血管图像；
对所述第五血管图像中的血管和背景进行图像分割处理，得到所述第二血管图像。
在一种可能的实现方式中，所述对所述第五血管图像进行图像分割处理，得到所述第二血管图像，包括：
根据所述第四血管图像的直方图数据构建图像分割模型；
使用所述图像分割模型对所述第五血管图像的血管和背景进行图像分割，得到所述第二血管图像。
在一种可能的实现方式中，所述对所述第一血管图像中的血管和背景进行图像分割处理，得到第二血管图像之后，所述方法还包括：
对所述第二血管图像进行图像滤波处理，得到第六血管图像；
所述将所述第二血管图像和所述第一血管壁图像进行图像配准，得到第一图像，包括：
将所述第六血管图像与所述第一血管壁图像进行图像配准，得到第一图像。
在一种可能的实现方式中，所述将所述第一血管图像和所述第一血管壁图像进行图像配准，得到第一图像，包括：
将所述第一血管图像和所述第一血管壁图像转换到同一坐标系中；
将转换后的第一血管图像和第一血管壁图像进行图像配准，得到所述第一图像。
在一种可能的实现方式中，所述对所述第一图像中的血管进行拉直处理，得到第二图像，包括：
确定所述第一血管的第一中轴线，所述第一血管为所述第一图像中的任意一根血管；
计算所述第一中轴线在第一点的法向量和副法向量，所述第一点为所述第一中轴线上的任意一点；
截取所述第一点的血管壁平面图像，得到血管壁平面图像，所述血管壁平面图像包括所述法向量和副法向量；
调整所述血管壁平面图像的位置，使所述血管壁平面图像包括中心点的法向量重合。
在一种可能的实现方式中，所述截取所述第二图像中血管壁的横断面图像，包括：
确定所述第二图像中第一血管的第二中轴线；
截取所述第二图像中与所述第二中轴线垂直的平面图像，得到所述第二图像中血管壁的横断面图像；
将所述血管壁的横断面图像输入图像分割神经网络中，得到所述血管壁横断面图像的血管壁分割图像；
分析所述血管壁分割图像中的血管壁；
在分析出所述血管壁为异常血管壁的情况下，确定所述血管壁对应的区域为病变区。
在一种可能的实现方式中，所述方法还包括：
沿所述第二中轴线截取所述第二图像得到纵向血管壁平面图像；
在所述纵向血管平面图像中标记所述病变区；
显示标记后的纵向血管平面图像。
第二方面，本申请实施例提供了一种图像处理装置，包括：
采集单元，用于采集第一血管图像和所述第一血管图像对应的第一血管壁图像；
配准单元，用于将所述第一血管图像和所述第一血管壁图像进行图像配准，得到第一图像；
拉直单元，用于对所述第一图像中的血管进行拉直处理，得到第二图像；
截取单元，用于截取所述第二图像中血管壁的横断面图像。
在一种可能的实现方式中，所述装置还包括：
分割单元，用于对所述第一血管图像中的血管和背景进行图像分割处理，得到第二血管图像；
所述配准单元，具体用于：
将所述第二血管图像和所述第一血管壁图像进行图像配准，得到第一图像。
在一种可能的实现方式中，所述分割单元，具体用于：
对所述第一血管图像进行图像增强处理，得到第三血管图像；
将所述第一血管图像和所述第三血管图像进行图像融合处理，得到第四血管图像；
对所述第四血管图像进行阈值化处理，得到第五血管图像；
对所述第五血管图像中的血管和背景进行图像分割处理，得到所述第二血管图像。
在一种可能的实现方式中，所述分割单元，具体用于：
根据所述第四血管图像的直方图数据构建图像分割模型；
使用所述图像分割模型对所述第五血管图像的血管和背景进行图像分割，得到所述第二血管图像。
在一种可能的实现方式中，所述装置还包括：
滤波单元，用于对所述第二血管图像进行图像滤波处理，得到第六血管图像；
所述配准单元，具体用于：
将所述第六血管图像与所述第一血管壁图像进行图像配准，得到第一图像。
在一种可能的实现方式中，所述配准单元，具体用于：
将所述第一血管图像和所述第一血管壁图像转换到同一坐标系中；
将转换后的第一血管图像和第一血管壁图像进行图像配准，得到所述第一图像。
在一种可能的实现方式中，所述拉直单元，具体用于：
确定所述第一血管的第一中轴线，所述第一血管为所述第一图像中的任意一根血管；
计算所述第一中轴线在第一点的法向量和副法向量，所述第一点为所述第一中轴线上的任意一点；
截取所述第一点的血管壁平面图像，得到血管壁平面图像，所述血管壁平面图像包括所述法向量和副法向量；
调整所述血管壁平面图像的位置，使所述血管壁平面图像包括中心点的法向量重合。
在一种可能的实现方式中，所述截取单元，具体用于：
确定所述第二图像中第一血管的第二中轴线；
截取所述第二图像中与所述第二中轴线垂直的平面图像，得到所述第二图像中血管壁的横断面图像；
将所述血管壁的横断面图像输入图像分割神经网络中，得到所述血管壁横断面图像的血管壁分割图像；
分析所述血管壁分割图像中的血管壁；
在分析出所述血管壁为异常血管壁的情况下，确定所述血管壁对应的区域为病变区。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括处理器和存储器，该处理器和存储器相互连接。该存储器用于存储支持该终端设备执行上述第一方面和/或第一方面任一种可能的实现方式提供的方法的计算机程序，该计算机程序包括程序指令，该处理器被配置用于调用上述程序指令，执行上述第一方面和/或第一方面任一种可能的实施方式所提供的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包括程序指令，该程序指令当被处理器执行时使该处理器执行上述第一方面和/或第一方面任一种可能的实施方式所提供的方法。
本申请实施例通过将采集到的血管图像和血管壁图像进行配准，得到配准后的图像；然后对配准后的图像中的血管进行拉直处理，得到拉直后的图像，并通过拉直后的图像获得血管壁的横断面图像，节约了获取横断面图像的时间，提高了效率，也方便医生的诊断。同时还可以将得到的横断面图像输入到图像分割神经网络，得到血管壁图像的血管壁分割结，以便可以进一步根据血管壁的分割结果进行智能诊断。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
图1是本申请实施例提供的一种图像处理方法的流程示意图；
图2是本申请实施例提供的一种图像处理方法的另一流程示意图；
图3是本申请实施例提供的一种图像处理装置的结构示意图；
图4是本申请实施例提供的电子设备的结构示意图；
图5是本申请实施例提供的采集血管图像和采集的血管壁图像的示意图；
图6是本申请实施例提供的血管拉直处理的示意图；
图7是本申请实施例提供的血管拉直处理的另一示意图；
图8是本申请实施例提供的分割神经网络示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
请参阅图1，图1是本申请实施例提供的一种图像处理方法的一流程示意图。如图1所示，该图像处理方法包括：
101、采集第一血管图像和上述第一血管图像对应的第一血管壁图像。
在一种可能的实现方式中，采集的第一血管图像为采集人体脑血管三维飞行时间测距法(Time Of Flight，TOF)磁共振的图像，可以通过内置的核磁共振成像装置得到脑血管的图像，也可以通过外接的核磁共振成像装置得到脑血管的图像。在采集到血管图像后，采集该血管图像对应的血管壁图像，即同一采集位置的血管壁图像，得到第一血管壁图像。其中，血管图像可展示血管内部的图像，而血管壁图像为血管外部的图像。采集的图像可以如图5所示：(a)为人体脑血管位置的示意图，(b)为采集到的三维TOF磁共振脑血管图像，(c)为三维TOF磁共振脑血管图像对应的三维血管壁图像。在采集的过程中，采集完血管图像后，可以调整采集装置的成像参数，在同一采集位置可采集到该血管图像对应的血管壁图像。其中，采集的方法在这里不做限定。图5中的(d)中下图为三维TOF磁共振脑血管图像与对应的血管壁图像配准后截取的某一位置横断面图像，(d)中上图为截取的横断面示意图，通过对截取到的横截面进行分析，可以分析出病变的原因，还可以根据截取横截面图像的位置，确定病变的位置。
102、将上述第一血管图像和上述第一血管壁图像进行图像配准，得到第一图像。
在一种可能的实现方式中，将采集到的血管图像与对应的血管壁图像进行图像配准，图像配准就是将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程。
由于飞行时间测距磁共振血管成像(Time Of Flight MagneticResonanceAngiography，TOF-MRA)图像和三维血管壁图像成像模态的不同，导致图像间逻辑像素不匹配，所以需要将两个图像的数据转换到同一坐标系中，在图像采集过程中，保持病人体位不变，即采集位置不变，则两个模态的数据在世界物理坐标系下的索引相同的，所以将第一血管图像和第一血管壁图像的逻辑坐标与世界坐标的关系，将两个模态的图像数据建立联系。其中，将上述第一血管图像和上述第一血管壁图像转换到同一坐标系中将采集到的第一血管图像与第一血管壁图像转换到同一坐标系中，可以是将第一血管图像的坐标系与第一血管壁图像的坐标系转换到第三坐标系中，也可以是将第一血管图像的坐标系转换到第一血管壁图像的坐标系中，还可以是将第一血管壁图像的坐标系转换到第一血管图像的坐标系中，本申请不做限定。
本申请以将上述第一血管图像的坐标系转换到上述第一血管壁图像的坐标系为例进行讲解，其中，逻辑坐标与世界坐标存在以下对应关系，通过该对应关系可以将逻辑坐标转换到世界坐标：
[B,L,H]＝TransformMatrix·[X*spacing,Y*spacing,Z*spacing]+Origin
TransformMatrix＝RXRYRZ
Figure BDA0002098181680000081
Figure BDA0002098181680000082
Figure BDA0002098181680000083
其中，[B,L,H]代表物理空间信息坐标，X*spacing,Y*spacing,Z*spacing则代表X,Y,Z方向的像素间距，而RX,RY,RZ分别代表则代表图像坐标系的X,Y,Z轴与物理坐标系的X,Y,Z轴之间夹角的余弦值，Origin代表三维图像坐标原点的像素对应的物理坐标。
通过上述逻辑坐标与世界坐标的转换关系，将上述第一血管图像的逻辑坐标转换到世界坐标中，再通过世界坐标与上述第一血管壁图像逻辑坐标的对应关系将上述第一血管图像的世界坐标转换到上述第一血管壁图像的逻辑坐标，即完成了转换。可选地，在配准之前可对血管图像进行图像分割处理，将血管图像中的血管与背景的图像分割出来。再将分割后的血管图像与血管壁图像转换到同一坐标系中。
其中，上述世界坐标系可作为中间坐标系，便于上述第一血管图像的坐标系转换到第一血管壁图像的坐标系，也可以将世界坐标系作为中间坐标系将上述第一血管壁图像的坐标系转换到第一血管图像的坐标系，还可以将两幅图像的逻辑坐标同时转换到世界坐标系中。
在将上述第一血管图像的坐标系与第一血管壁图像的坐标系转换到同一坐标系后，对两个图像的数据进行配准。对两幅图像进行特征提取得到特征点；通过进行相似性度量找到匹配的特征点对；然后通过匹配的特征点对得到图像空间坐标变换参数；最后由坐标变换参数进行图像配准，即在同一坐标系中将两幅图像中对应位置进行相似性度量的像素点或者特征点匹配起来，得到匹配后的像素点或者特征点，为上述第一图像。
其中，图像配准的方式可以是相对配准，也可以是绝对配准，这里不做限定。上述图像配准的方法可以是基于灰度信息法，也可以是变换域法，还可以是基于特征法，这里也不做限定。
103、对上述第一图像中的血管进行拉直处理，得到第二图像。
在得到配准后的第一图像后，为了更好的对血管进行诊断与分析，可将图像中弯曲的血管进行拉直处理，即对配准后的图像进行拉直曲面重建，得到拉直后的图像，该图像也为三维图像。
其中，通过配准，可以得到血管与血管壁图像中每一点的坐标，通过计算可以得到组成每一根血管的中轴线上的点的三维坐标。以一根血管为例进行描述，选取图像中任意的一根血管，作为第一血管，通过计算可得该第一血管的中轴线上点的三维坐标，而该中轴线为一条空间三维曲线，对于空间三维曲线上任意一点，都存在着三个向量：切向量、法向量、和副法向量，其中，切向量代表中轴线走势方向，法向量和副法向量为垂直于切向量方向所在的平面，三个两两相交切相互垂直，他们之间的关系反映了空间曲线的运动特点。
拉直的第一步是确定该第一血管的中轴线，为第一中轴线，第二步为在该中轴线上的每一点处建立弗莱纳(Frenet)标架，该标架为由该点的切向量、法向量以及副法向量组成的坐标系。其中对于上述中轴线上的任一点P1，计算该点处的三个矢量的方法是：
假设有相邻的3点P0(x0,y0,z0)，P1(x1,y1,z1)，P2(x2,y2,z2)，取P1点处的两个切向量
Figure BDA0002098181680000101
的平均值作为该点切向量
Figure BDA0002098181680000102
根据切向量与副法向量的相交关系对切向量
Figure BDA0002098181680000103
进行叉乘运算，可以求出副法向量
Figure BDA0002098181680000104
然后根据右手法则再次利用叉乘运算可以计算出法向量
Figure BDA0002098181680000105
计算公式如下：
Figure BDA0002098181680000106
然后对这三个矢向量进行单位正交化，即求得该点处的Frenet标架。在对血管进行拉直处理时，主要采用拉直曲面重建算法，以血管中心线为输入，根据所需要达到的层厚和采样平面的分辨率信息，可以得出重新差分过后的中轴线。其中，层厚为中轴线上相邻两点之间的间距。其中，血管的中轴线如图6所示，中轴线上取的点与点之间的间距为人为预设的层厚数据，以P4点为例，建立在P4点处的Frenet标架，其中，截取在该点的血管壁平面图像，得到该点的血管壁平面图像，该平面图像为由法向量和副法向量构成的平面，如图上的
Figure BDA0002098181680000107
和
Figure BDA0002098181680000108
可以理解的是，法向量和副法向量构成的平面即为该点血管的横断面图像，该图像是二维的血管壁平面图像。
在上述中轴线上所选取的每一点都截取法向量和副法向量构成的平面图像后，将得到的血管壁平面图像重组，即先调整每一点的位置，使上述中轴线被拉直，即血管壁平面图像的中心点位置上的法向量重合，就得到了拉直后的血管图像，为第二图像。
其中，截取的血管壁平面图像可以是正方形的，也可以是长方形的，还可以是圆形的，这里也不做限定。若截取的血管壁平面图像是正方形的，则拉直重建后得到的图像类似一个“立方体”，其中立方体的中轴线为该血管的中轴线，若截取的血管壁平面图像是圆形的图像，则拉直重建后得到的图像类似一个“圆柱体”。如图7所示，最左边的图像为脑血管图像，中间的图像为拉直后的血管纵向切面的图像，最右边的三个图像为分别在纵向切面图像对应的a、b、c点处截取的二维血管壁平面图像。
104、截取上述第二图像中血管壁的横断面图像。
在得到拉直处理后的第二图像后，以上述第一血管为例，确定拉直后的第一血管的中轴线，为第二中轴线，截取与该中轴线垂直的屏幕图像，得到述第二图像中血管壁的横断面图像，如图7所示最右边的a、b、c三点对应的三个图像。
进一步地，可以将血管壁的横断面图像输入图像分割神经网络中，得到上述血管壁横断面图像的血管壁分割图像，此处主要是利用训练后的神经网络分割血管壁图像，可以输出背景与血管壁的分割图像。
如图8所示，A为图像分割神经网络，该网络基于密集卷积网络(DenseNet)与U型神经网络(UNet)相结合的DUNet网络结构。网络架构由Denseblock、编码解码路径组成。其中Denseblock由五层卷积神经网络加上密集连接构成。编码路径包括4个卷积单元，每个卷积单元由卷积层、批量归一化层、参数整流线性单元(PReLU)激活层和另一个卷积层组成。相邻的卷积单元通过最大池化层连接，用于将图像下采样到其一半大小。从上述编码路径导出的特征再经历一个反转卷积过程解码，生成最终与输入图像具有相同维度的上采样分割结果。具体过程为将128×128大小的图像输入第一个卷积单元，其中含32个大小为K＝3的卷积核，产生32个特征图。根据等式O＝(W-K+2P)/S+1，可以设置步长S＝1和填充P＝1得到的特征映射O的大小与输入图像大小W相同。随后的批量标准化、PReLU激活和卷积层也具有相同的卷积核大小和特征映射数。最大池化层将图像下采样为64x64。随后的卷积单元进一步增加了特征映射数量，同时减小了图像大小，从而导致低阶和高阶卷积特征的分层提取。
从上述编码路径导出的特征再经历一个反转卷积过程解码，生成最终与输入图像具有相同维度的上采样分割结果。类似地，使用具有与上述相同设置的3个卷积单元，其中分别通过跳层与编码路径中的对应单元连接，以通过重用特征映射来帮助解码路径更好地恢复空间详细信息。最终得到血管壁的分割结果。
如图8所示，B为上述神经网络分割结果，其中三组图分别是截取的第二图像中血管壁的横断面图像，右图分别为分割出的结果，其中位于四周的黑色的部分是背景图，位于中间白色的部分是分割出的血管壁，而中心处黑色的部分为血管壁内部的血管腔。
进一步地，可对分割出的血管壁图像进行分析，确定是否发生病变。其中分析的方法可以是计算分割出的图像中血管壁图像中血管壁的面积，根据计算出的面积与预设面积范围做比较，在超过预设面积范围后，确定该血管壁的对应的区域发生病变。还可以计算血管壁的面积占总分割面积的百分比，在大于预设百分比的时候，确定该血管壁的对应的区域发生病变。其中，分析的方法本申请不做限定。
可选地，可以沿上述选取的第二中轴线截图第二图像的纵向血管壁平面图像，将上述分析出发生病变的图像进行标记，并标记在所第二图像的纵向血管壁平面图像中，并将标记后的纵向血管平面图像显示出来，以便于医生直观的观察出发生病变的血管区域，并做出诊断意见。
本申请实施例通过将采集到的血管图像和血管壁图像进行配准，得到配准后的图像；然后对配准后的图像中的血管进行拉直处理，得到拉直后的图像，并通过拉直后的图像获得血管壁的横断面图像，节约了获取横断面图像的时间，提高了效率，也方便医生的诊断。同时还可以将得到的横断面图像输入到图像分割神经网络，得到血管壁图像的血管壁分割结，以便可以进一步根据血管壁的分割结果进行智能诊断。
请参阅图2，图2是本申请实施例提供的一种图像处理方法的另一流程示意图。如图2所示，该图像处理方法包括：
201、采集第一血管图像和上述第一血管图像对应的第一血管壁图像。
其中，步骤201的具体实现过程可参见上述图1所对应实施例中对步骤101的描述，这里将不再继续进行赘述。
202、对上述第一血管图像中的血管和背景进行图像分割处理，得到第二血管图像。
在一种可能的实现方式中，在采集到第一血管图像后，由于核磁共振成像过程中，图像往往会出现偏置场，造成图像的对比度不均匀，所以第一步可以校正上述第一血管图像的偏置场，其中，校正偏置场的方法可以是尼可拉斯方法，也可以是使用N4BiasFieldCorrection的方法，本申请不做限定。
在一种可能的实现方式中，可以对在校正偏置场后得到的图像进行图像增强处理，得到第三血管图像。其中，对上述图像血管图像增强可以采用基于黑塞矩阵(Hessian)的多尺度血管增强，增强上述血管图像中的血管部分。基于Hessian矩阵的多尺度滤波技术能够增强数据中的管状目标。为了得到不同尺度下的血管特性，将原始数据I与多尺度高斯核进行卷积操作，在尺度σ下，坐标为(x,y,z)的点i(其灰度值是Iσ(i)),其对应的Hessian矩阵计算如下：
Figure BDA0002098181680000131
对H(i,σ)进行特征值分解，可以得到3个特征值(v1,v2,v3)，其中|v1|≤|v2|≤|v3|。一般情况下，血管点对应的Hessian矩阵的特征值满足以下关系式：
v2≈v3；|v2,3|＞＞|v1|
为了改善低对比度的情况，对v3在每个卷积尺度下进行重新定义为如下形式：
Figure BDA0002098181680000132
其中，τ是一个0到1之间的阈值，σ是滤波尺度。最后，增强响应如下血管响应函数计算得出：
Figure BDA0002098181680000133
在一种可能的实现方式中，在得到图像增强后的第三血管图像后，为了在保留原始数据信息的前提下进一步增强血管目标，可以对得到的图像进行进一步的处理，即将第一血管图像与第三血管图像进行图像融合处理，图像融合处理是指将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等，最大限度的提取各自信道中的有利信息，最后综合成高质量的图像，以提高图像信息的利用率、改善计算机解译精度和可靠性、提升原始图像的空间分辨率和光谱分辨率。上述融合后得到的图像，为第四血管图像。
在一种可能的实现方式中，可以对得到的第四血管图像进行阈值化处理，即对图像进行阈值分割，将得到的第四血管图像的像素点分为若干类，在第四血管图像中，主要存在两类，一类是背景的像素点，一类是血管的像素点，在阈值化处理之后，得到第五血管图像。
在一种可能的实现方式中，在得到第五血管图像后，可以对第五图像进一步分割处理，采用直方图匹配的方法，对图像的数据进行变换，进一步改善图像中血管的质量。
在一种可能的实现方式中，在直方图匹配后，可根据直方图的数据建立混合高斯模型，本申请以由三个高斯分布组成的高斯混合模型对其灰度分布拟合的方式为例进行讲解。具体地，高灰度区域的血管类用第三个高斯分布模拟。对应的高斯混合模型表达式如下：
Figure BDA0002098181680000141
其中fGi(x|ui,σi)(i＝1,2,3)为高斯分布,以及fG3(x|u3,σ3)对应于脑血管类别，通过对多尺度滤波结果进行试探阈值预分割，从中获取一定数量的标记信息。因为脑组织区域的所有体素D＝Du∪Dl可以分为未标记数据集Du和标记数据Dl。采用期望最大化算法迭代求解高斯混合模型中的参数，同时为了充分利用标记数据，本申请使用半监督参数更新来学习参数。
其中模型参数迭代更新方程如下:
Figure BDA0002098181680000142
Figure BDA0002098181680000143
Figure BDA0002098181680000144
其中xj为第j个像素的灰度值，N(·)为颅颈区域的所有体素的个数，Dli是标记信息中属于第i个分布成分的数据。所以后验概率可以由如下公式求得：
Figure BDA0002098181680000151
根据贝叶斯判别准则，对于TOF-MRA中的每一个体素，当且仅当其血管类条件概率大于背景类条件概率时，可将其判定为血管类(LV)，否则为背景类(LB)。至此，得到类条件概率以及初始标记场。
203、对上述第二血管图像进行图像滤波处理，得到第六血管图像。
在一种可能的实现方式中，使用上述混合高斯模型对第五血管图像中的血管进行提取之后，可以对提取后的第二图像进行图像滤波，对上述分割结果进行优化，优化的方法可以是利用马尔科夫随机场(MRF)的方法，也可以是其他方法，本申请不做限定。本申请以使用马尔科夫随机场进行优化为例进行讲解。
由于高斯混合模型只考虑了原始数据的灰度信息，因此基于高斯混合模型得到的初始分割结果会包含很多孤立的噪声点，为了对初始分割结果进行进一步的优化，有必要结合空间领域信息对数据进行进一步的分割，根据MRF与吉布斯(Gibbs)分布的等效性，P(x)可以通过下式计算：
Figure BDA0002098181680000152
Z为规范化因子，U(x)是Gibbs能量函数，我们在脑组织区域定义领域为6的马尔可夫随机场，作为一种特殊处理，仅考虑领域中的双点势团函数，则U(x)可以定义为：
Figure BDA0002098181680000153
Figure BDA0002098181680000154
其中Vf(xi)为血管特征图中xi处的血管得分。由于最大化MRF的联合概率很难，我们采用迭代条件模型(ICM)进行求解，ICM采用贪婪策略最大化局部后验概率，主要过程为：算法在第n步，在已知观测数据yi和标记场
Figure BDA0002098181680000155
的条件下，算法利用最大化后验概率P(xi|yi,xj∈Ni)顺序从
Figure BDA0002098181680000156
更新到
Figure BDA0002098181680000157
在得到了优化后的图像，即第六血管图像，将该图像与第一血管壁进行配准。
204、将上述第六血管图像和上述第一血管壁图像进行图像配准，得到第一图像。
在一种可能的实现方式中，将优化后的血管图像与第一血管壁图像进行图像配准。具体配准的实现过程可参见上述图1所对应实施例中对步骤102的描述，这里将不再继续进行赘述。
205、对上述第一图像中的血管进行拉直处理，得到第二图像。
206、截取上述第二图像中血管壁的横断面图像。
其中，步骤205-步骤206的具体实现过程可参见上述图1所对应实施例中对步骤103-104的描述，这里将不再继续进行赘述。
本申请实施例通过将采集到的血管图像和血管壁图像进行配准，得到配准后的图像；然后对配准后的图像中的血管进行拉直处理，得到拉直后的图像，并通过拉直后的图像获得血管壁的横断面图像，节约了获取横断面图像的时间，提高了效率，也方便医生的诊断。同时还可以将得到的横断面图像输入到图像分割神经网络，得到血管壁图像的血管壁分割结，以便可以进一步根据血管壁的分割结果进行智能诊断。
请参阅图3，图3是本申请实施例提供的一种图像处理装置的结构示意图。如图3所示，该图像处理装置3000包括：
采集单元301，用于采集第一血管图像和上述第一血管图像对应的第一血管壁图像；
配准单元302，用于将上述第一血管图像和上述第一血管壁图像进行图像配准，得到第一图像；
拉直单元303，用于对上述第一图像中的血管进行拉直处理，得到第二图像；
截取单元304，用于截取上述第二图像中血管壁的横断面图像。
在一种可能的实现方式中，上述装置3000还包括：
分割单元305，用于对上述第一血管图像中的血管和背景进行图像分割处理，得到第二血管图像；
上述配准单元302，具体用于：
将上述第二血管图像和上述第一血管壁图像进行图像配准，得到第一图像。
在一种可能的实现方式中，上述分割单元305，具体用于：
对上述第一血管图像进行图像增强处理，得到第三血管图像；
将上述第一血管图像和上述第三血管图像进行图像融合处理，得到第四血管图像；
对上述第四血管图像进行阈值化处理，得到第五血管图像；
对上述第五血管图像中的血管和背景进行图像分割处理，得到上述第二血管图像。
在一种可能的实现方式中，上述分割单元305，具体用于：
根据上述第四血管图像的直方图数据构建图像分割模型；
使用上述图像分割模型对上述第五血管图像的血管和背景进行图像分割，得到上述第二血管图像。
在一种可能的实现方式中，上述装置3000还包括：
滤波单元306，用于对上述第二血管图像进行图像滤波处理，得到第六血管图像；
上述配准单元302，具体用于：
将上述第六血管图像与上述第一血管壁图像进行图像配准，得到第一图像。
在一种可能的实现方式中，上述配准单元302，具体用于：
将上述第一血管图像和上述第一血管壁图像转换到同一坐标系中；
将转换后的第一血管图像和第一血管壁图像进行图像配准，得到上述第一图像。
在一种可能的实现方式中，上述拉直单元303，具体用于：
确定上述第一血管的第一中轴线，上述第一血管为上述第一图像中的任意一根血管；
计算上述第一中轴线在第一点的法向量和副法向量，上述第一点为上述第一中轴线上的任意一点；
截取上述第一点的血管壁平面图像，得到血管壁平面图像，上述血管壁平面图像包括上述法向量和副法向量；
调整上述血管壁平面图像的位置，使上述血管壁平面图像包括中心点的法向量重合。
在一种可能的实现方式中，上述截取单元304，具体用于：
确定上述第二图像中第一血管的第二中轴线；
截取上述第二图像中与上述第二中轴线垂直的平面图像，得到上述第二图像中血管壁的横断面图像；
将上述血管壁的横断面图像输入图像分割神经网络中，得到上述血管壁横断面图像的血管壁分割图像；
分析上述血管壁分割图像中的血管壁；
在分析出上述血管壁为异常血管壁的情况下，确定上述血管壁对应的区域为病变区。
本申请实施例通过将采集到的血管图像和血管壁图像进行配准，得到配准后的图像；然后对配准后的图像中的血管进行拉直处理，得到拉直后的图像，并通过拉直后的图像获得血管壁的横断面图像，节约了获取横断面图像的时间，提高了效率，也方便医生的诊断。同时还可以将得到的横断面图像输入到图像分割神经网络，得到血管壁图像的血管壁分割结，以便可以进一步根据血管壁的分割结果进行智能诊断。
可以理解的是，本实施例的服务器的采集单元301、配准单元302、拉直单元303、截取单元304、分割单元305、滤波单元306的功能可以根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
请参阅图4，图4是本申请实施例提供的电子设备的结构示意图。如图4所示，本实施例中的电子设备可以包括：一个或多个处理器401、输入设备402、输出设备403和存储器404。上述处理器401、输入设备402、输出设备403和存储器402通过总线连接。存储器402用于存储计算机程序，该计算机程序包括程序指令，处理器401用于执行存储器402存储的程序指令，其中，处理器401被配置用于调用程序指令执行以下步骤：
上述处理器401控制上述输入设备402采集第一血管图像和上述第一血管图像对应的第一血管壁图像；
将上述第一血管图像和上述第一血管壁图像进行图像配准，得到第一图像；
对上述第一图像中的血管进行拉直处理，得到第二图像；
截取上述第二图像中血管壁的横断面图像。
在一种可能的实现方式中，上述处理器401还被调用执行如下步骤：
对上述第一血管图像中的血管和背景进行图像分割处理，得到第二血管图像；
上述将上述第一血管图像和上述第一血管壁图像进行图像配准，得到第一图像，包括：
将上述第二血管图像和上述第一血管壁图像进行图像配准，得到第一图像。
在一种可能的实现方式中，上述处理器401对上述第一血管图像中的血管和背景进行图像分割处理，得到第二血管图像，包括：
对上述第一血管图像进行图像增强处理，得到第三血管图像；
将上述第一血管图像和上述第三血管图像进行图像融合处理，得到第四血管图像；
对上述第四血管图像进行阈值化处理，得到第五血管图像；
对上述第五血管图像中的血管和背景进行图像分割处理，得到上述第二血管图像。
在一种可能的实现方式中，上述处理器401对上述第五血管图像进行图像分割处理，得到上述第二血管图像，包括：
根据上述第四血管图像的直方图数据构建图像分割模型；
使用上述图像分割模型对上述第五血管图像的血管和背景进行图像分割，得到上述第二血管图像。
在一种可能的实现方式中，上述处理器401被调用执行上述对上述第一血管图像中的血管和背景进行图像分割处理，得到第二血管图像之后，还包括：
对上述第二血管图像进行图像滤波处理，得到第六血管图像；
上述将上述第二血管图像和上述第一血管壁图像进行图像配准，得到第一图像，包括：
将上述第六血管图像与上述第一血管壁图像进行图像配准，得到第一图像。
在一种可能的实现方式中，上述处理器401将上述第一血管图像和上述第一血管壁图像进行图像配准，得到第一图像，包括：
将上述第一血管图像和上述第一血管壁图像转换到同一坐标系中；
将转换后的第一血管图像和第一血管壁图像进行图像配准，得到上述第一图像。
在一种可能的实现方式中，上述处理器401对上述第一图像中的血管进行拉直处理，得到第二图像，包括：
确定上述第一血管的第一中轴线，上述第一血管为上述第一图像中的任意一根血管；
计算上述第一中轴线在第一点的法向量和副法向量，上述第一点为上述第一中轴线上的任意一点；
截取上述第一点的血管壁平面图像，得到血管壁平面图像，上述血管壁平面图像包括上述法向量和副法向量；
调整上述血管壁平面图像的位置，使上述血管壁平面图像包括中心点的法向量重合。
在一种可能的实现方式中，上述处理器401截取上述第二图像中血管壁的横断面图像，包括：
确定上述第二图像中第一血管的第二中轴线；
截取上述第二图像中与上述第二中轴线垂直的平面图像，得到上述第二图像中血管壁的横断面图像；
将上述血管壁的横断面图像输入图像分割神经网络中，得到上述血管壁横断面图像的血管壁分割图像；
分析上述血管壁分割图像中的血管壁；
在分析出上述血管壁为异常血管壁的情况下，确定上述血管壁对应的区域为病变区。
应当理解，在一些可行的实施方式中，上述处理器401可以是中央处理单元(central processing unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，DSP)、专用集成电路(application specific integratedcircuit，ASIC)、现成可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器402可以包括只读存储器和随机存取存储器，并向处理器401提供指令和数据。存储器402的一部分还可以包括非易失性随机存取存储器。例如，存储器402还可以存储设备类型的信息。
具体实现中，上述终端设备可通过其内置的各个功能模块执行如上述图1至图2中各个步骤所提供的实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。
本申请实施例通过将采集到的血管图像和血管壁图像进行配准，得到配准后的图像；然后对配准后的图像中的血管进行拉直处理，得到拉直后的图像，并通过拉直后的图像获得血管壁的横断面图像，节约了获取横断面图像的时间，提高了效率，也方便医生的诊断。同时还可以将得到的横断面图像输入到图像分割神经网络，得到血管壁图像的血管壁分割结，以便可以进一步根据血管壁的分割结果进行智能诊断。
在本申请的另一实施例中提供一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现：
上述计算机可读存储介质可以是前述任一实施例上述的终端的内部存储单元，例如终端的硬盘或内存。上述计算机可读存储介质也可以是上述终端的外部存储设备，例如上述终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，上述计算机可读存储介质还可以既包括上述终端的内部存储单元也包括外部存储设备。上述计算机可读存储介质用于存储上述计算机程序以及上述终端所需的其他程序和数据。上述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、服务器和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本申请实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上上述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种图像处理的方法，其特征在于，包括：
采集第一血管图像和所述第一血管图像对应的第一血管壁图像；
将所述第一血管图像和所述第一血管壁图像进行图像配准，得到第一图像；
对所述第一图像中的血管进行拉直处理，得到第二图像；
截取所述第二图像中血管壁的横断面图像。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述第一血管图像中的血管和背景进行图像分割处理，得到第二血管图像；
所述将所述第一血管图像和所述第一血管壁图像进行图像配准，得到第一图像，包括：
将所述第二血管图像和所述第一血管壁图像进行图像配准，得到第一图像。
3.根据权利要求2所述的方法，其特征在于，所述对所述第一血管图像中的血管和背景进行图像分割处理，得到第二血管图像，包括：
对所述第一血管图像进行图像增强处理，得到第三血管图像；
将所述第一血管图像和所述第三血管图像进行图像融合处理，得到第四血管图像；
对所述第四血管图像进行阈值化处理，得到第五血管图像；
对所述第五血管图像中的血管和背景进行图像分割处理，得到所述第二血管图像。
4.根据权利要求3所述的方法，其特征在于，所述对所述第五血管图像进行图像分割处理，得到所述第二血管图像，包括：
根据所述第四血管图像的直方图数据构建图像分割模型；
使用所述图像分割模型对所述第五血管图像的血管和背景进行图像分割，得到所述第二血管图像。
5.根据权利要求2所述的方法，其特征在于，所述对所述第一血管图像中的血管和背景进行图像分割处理，得到第二血管图像之后，还包括：
对所述第二血管图像进行图像滤波处理，得到第六血管图像；
所述将所述第二血管图像和所述第一血管壁图像进行图像配准，得到第一图像，包括：
将所述第六血管图像与所述第一血管壁图像进行图像配准，得到第一图像。
6.根据权利要求1所述的方法，其特征在于，所述将所述第一血管图像和所述第一血管壁图像进行图像配准，得到第一图像，包括：
将所述第一血管图像和所述第一血管壁图像转换到同一坐标系中；
将转换后的第一血管图像和第一血管壁图像进行图像配准，得到所述第一图像。
7.根据权利要求1所述的方法，其特征在于，所述对所述第一图像中的血管进行拉直处理，得到第二图像，包括：
确定所述第一血管的第一中轴线，所述第一血管为所述第一图像中的任意一根血管；
计算所述第一中轴线在第一点的法向量和副法向量，所述第一点为所述第一中轴线上的任意一点；
截取所述第一点的血管壁平面图像，得到血管壁平面图像，所述血管壁平面图像包括所述法向量和副法向量；
调整所述血管壁平面图像的位置，使所述血管壁平面图像包括中心点的法向量重合。
8.根据权利要求1-7任一项所述的方法，其特征在于，所述截取所述第二图像中血管壁的横断面图像，包括：
确定所述第二图像中第一血管的第二中轴线；
截取所述第二图像中与所述第二中轴线垂直的平面图像，得到所述第二图像中血管壁的横断面图像；
将所述血管壁的横断面图像输入图像分割神经网络中，得到所述血管壁横断面图像的血管壁分割图像；
分析所述血管壁分割图像中的血管壁；
在分析出所述血管壁为异常血管壁的情况下，确定所述血管壁对应的区域为病变区。
9.一种图像处理装置，其特征在于，包括：
采集单元，用于采集第一血管图像和所述第一血管图像对应的第一血管壁图像；
配准单元，用于将所述第一血管图像和所述第一血管壁图像进行图像配准，得到第一图像；
拉直单元，用于对所述第一图像中的血管进行拉直处理，得到第二图像；
截取单元，用于截取所述第二图像中血管壁的横断面图像。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-8任一项所述的方法。
CN201910525842.1A 2019-06-18 2019-06-18 一种图像处理方法、装置及计算机可读存储介质 Active CN112102327B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910525842.1A CN112102327B (zh) 2019-06-18 2019-06-18 一种图像处理方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910525842.1A CN112102327B (zh) 2019-06-18 2019-06-18 一种图像处理方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112102327A true CN112102327A (zh) 2020-12-18
CN112102327B CN112102327B (zh) 2024-02-27

Family

ID=73749091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910525842.1A Active CN112102327B (zh) 2019-06-18 2019-06-18 一种图像处理方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112102327B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114119626A (zh) * 2021-10-18 2022-03-01 北京理工大学 一种基于统计学模型和多尺度滤波的脑血管图像分割方法
CN115100222A (zh) * 2022-08-24 2022-09-23 首都医科大学附属北京朝阳医院 分离动静脉血管的图像处理方法、装置、存储介质及终端

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004313736A (ja) * 2003-04-02 2004-11-11 Ziosoft Inc 医用画像処理装置、医用画像処理方法、および、プログラム
US20070165916A1 (en) * 2003-11-13 2007-07-19 Guy Cloutier Automatic multi-dimensional intravascular ultrasound image segmentation method
CN103914814A (zh) * 2012-12-28 2014-07-09 北京思创贯宇科技开发有限公司 一种ct冠脉图像与xa造影图像的图像融合方法及系统
CN109102511A (zh) * 2018-07-06 2018-12-28 深圳先进技术研究院 一种脑血管分割方法、系统及电子设备
CN109727242A (zh) * 2018-12-28 2019-05-07 上海联影医疗科技有限公司 血管中心线提取方法、装置、计算机设备和存储介质
CN109886953A (zh) * 2019-02-27 2019-06-14 数坤（北京）网络科技有限公司 一种血管异常检测方法、装置及计算机可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004313736A (ja) * 2003-04-02 2004-11-11 Ziosoft Inc 医用画像処理装置、医用画像処理方法、および、プログラム
US20070165916A1 (en) * 2003-11-13 2007-07-19 Guy Cloutier Automatic multi-dimensional intravascular ultrasound image segmentation method
CN103914814A (zh) * 2012-12-28 2014-07-09 北京思创贯宇科技开发有限公司 一种ct冠脉图像与xa造影图像的图像融合方法及系统
CN109102511A (zh) * 2018-07-06 2018-12-28 深圳先进技术研究院 一种脑血管分割方法、系统及电子设备
CN109727242A (zh) * 2018-12-28 2019-05-07 上海联影医疗科技有限公司 血管中心线提取方法、装置、计算机设备和存储介质
CN109886953A (zh) * 2019-02-27 2019-06-14 数坤（北京）网络科技有限公司 一种血管异常检测方法、装置及计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MINGQIANG WEI 等: "Centerline Extraction of Vasculature Mesh", 《IEEE ACCESS》, vol. 6, pages 10257 - 10268, XP011679068, DOI: 10.1109/ACCESS.2018.2802478 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114119626A (zh) * 2021-10-18 2022-03-01 北京理工大学 一种基于统计学模型和多尺度滤波的脑血管图像分割方法
CN115100222A (zh) * 2022-08-24 2022-09-23 首都医科大学附属北京朝阳医院 分离动静脉血管的图像处理方法、装置、存储介质及终端
CN115100222B (zh) * 2022-08-24 2022-12-09 首都医科大学附属北京朝阳医院 分离动静脉血管的图像处理方法、装置、存储介质及终端

Also Published As

Publication number Publication date
CN112102327B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
Li et al. Brain tumor detection based on multimodal information fusion and convolutional neural network
Yang et al. Research on feature extraction of tumor image based on convolutional neural network
Zhang et al. Detecting anatomical landmarks from limited medical imaging data using two-stage task-oriented deep neural networks
CN110599528A (zh) 一种基于神经网络的无监督三维医学图像配准方法及系统
CN111429474B (zh) 基于混合卷积的乳腺dce-mri图像病灶分割模型建立及分割方法
WO2003046814A1 (en) Automated registration of 3-d medical scans of similar anatomical structures
CN112164082A (zh) 基于3d卷积神经网络分割多模态mr脑部图像方法
CN112258514B (zh) 一种ct影像肺血管的分割方法
CN112102385B (zh) 一种基于深度学习的多模态肝脏磁共振影像配准系统
CN107507212B (zh) 数字脑可视化方法、装置、计算设备及存储介质
US20030099384A1 (en) Detection and analysis of lesions in contact with a structural boundary
CN113077479A (zh) 急性缺血性脑卒中病灶自动分割方法、系统、终端及介质
CN112215844A (zh) 基于ACU-Net的MRI多模态图像分割方法和系统
CN112750531A (zh) 一种中医自动化望诊系统、方法、设备和介质
WO2021183765A1 (en) Automated detection of tumors based on image processing
CN112102327A (zh) 一种图像处理方法、装置及计算机可读存储介质
CN113706514B (zh) 基于模板图像的病灶定位方法、装置、设备及存储介质
CN117218453B (zh) 一种不完备多模态医学影像学习方法
Wen et al. Msgfusion: Medical semantic guided two-branch network for multimodal brain image fusion
CN113674251A (zh) 基于多模态影像的腰椎图像分类识别系统、设备和介质
Hsu A hybrid approach for brain image registration with local constraints
Schmidt-Richberg et al. Abdomen segmentation in 3D fetal ultrasound using CNN-powered deformable models
Delmoral et al. Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study
Khaniabadi et al. Comparative review on traditional and deep learning methods for medical image segmentation
Ullah et al. Histogram equalization based enhancement and mr brain image skull stripping using mathematical morphology

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