CN112132814A - 基于双向最小路径传播的心脏cta冠脉树自动提取方法 - Google Patents
基于双向最小路径传播的心脏cta冠脉树自动提取方法 Download PDFInfo
- Publication number
- CN112132814A CN112132814A CN202011022869.8A CN202011022869A CN112132814A CN 112132814 A CN112132814 A CN 112132814A CN 202011022869 A CN202011022869 A CN 202011022869A CN 112132814 A CN112132814 A CN 112132814A
- Authority
- CN
- China
- Prior art keywords
- point
- path
- points
- coronary artery
- minimum path
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 42
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 35
- 210000004351 coronary vessel Anatomy 0.000 claims abstract description 55
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 26
- 230000000747 cardiac effect Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 12
- 239000004576 sand Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 description 14
- 210000004204 blood vessel Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000002583 angiography Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000013152 interventional procedure Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- 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)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于双向最小路径传播的心脏CTA冠脉树自动提取方法，首先通过双向最小路径传播得到每条冠脉的初始路径，然后通过候选路径、3D目标区域内的候选点、拉普拉斯算子和Dijkstra算法得到每条冠脉的最优路径，最后通过基于三次样条插值的迭代寻优算法得到每条冠脉中心线。本发明基于双向最小路径传播和多线程技术进行冠脉的分段提取并可实时提取冠脉树，具有效率高、精度高等多项优点。
Description
技术领域
本发明属于医学图像处理领域，主要涉及一种基于双向最小路径传播的心脏CTA冠脉树自动提取方法。
背景技术
目前，冠心病是导致人类死亡的主要原因之一，介入治疗成为治疗冠心病的主要手段。随着CT(Computed Tomography,电子计算机断层扫描)成像及血管造影技术的发展，医学图像处理技术在介入治疗手术中辅助作用越来越重要。但目前很少甚至几乎没有诊疗设备所采用的技术能高效精确的从心脏CTA(angiography,血管造影术)图像中提取冠脉或冠脉树，而且很容易引起诊断效率低和漏诊等不可避免的难题。因此一种基于双向最小路径传播的心脏CTA冠脉树自动提取方法也就显得非常重要。比如，一些诊疗设备所采用的冠脉树提取技术精确度欠佳且运行时间很长，同时又因其局部精确度欠佳且较大弯曲处误差较大，因此，迫切的需要一种新的方案解决上述技术问题。
发明内容
为了克服现有技术中存在的问题，针对诊疗设备在辅助诊疗过程中因计算效率或精确度等各种因素导致辅助诊疗效果欠佳的问题，提供一种具有高效率、高精度的基于双向最小路径传播的心脏CTA冠脉树自动提取方法。
为实现上述目的，本发明的技术方案如下：一种基于双向最小路径传播的心脏CTA冠脉树自动提取方法，每条冠脉的初始路径首先通过双向最小路径传播得到，然后它的最优路径通过一些候选路径，3D目标区域内的一些候选点，拉普拉斯算子和Dijkstra算法得到。最后，每条冠脉中心线通过基于三次样条插值的迭代寻优算法得到。
具体包括以下步骤：
步骤1双向最小路径传播：
在图像I中，最小路径方法提取冠脉中心线是通过发现一个与轮廓有关的最小积分能量实现的。在本文中，根据给定的代价函数，首先将路径C上的积分能量定义为如下公式:
其中Ω表示数据空间，E(C)表示沿路径C的积分能量，ω表示一个正则化项,C(s)∈Rn表示弧长s为1的参数化曲线，P(C(s))表示路径C中各点的代价值。我们将P视为一个像素级的代价映射，并在目标图像I中假设特征点的值小于非特征点的值的情况下计算它的值。因此需要根据目标图像的特征属性来构建代价映射P。简单或复杂的信息也可以作为图像I的特征属性，比如图像强度，中值测度。
起点和当前点之间的最小路径代价U(Ps,P)定义为如下公式：
其中A(Ps,P)包含所有潜在连接点P和Ps的路径集合。对于能量函数P～(C),我们采用了对称凸性能量。这个能量函数考虑了局部强度分布，并结合了对称性和凸性，其中对称性意味着强度分布关于中心线点应该是近似对称的，凸性意味着当它接近中心线点时强度应该更高。这个方程通常采用基于快速行进算法或Dijkstra算法的单向最小路径传播方法求解。单向最小路径传播算法假设所有位于中心线上的特征点得到的代价值都比位于中心线外的特征点小得多。然而，在真实的医学图像中，情况并非总是如此。由于图像噪声和伪影，以及血管斑块，一些中心线点可能比其他点具有更高的成本值，有时甚至高于正常组织点。在这种情况下，单向的最小路径传播无法通过异常点，导致严重错误的中心线。因此，我们引入了双向最小路径传播。
在双向最小路径传播前，分别将起点Ps和终点Pe的代价设置为最小，除起点和终点外的每个点的代价设置为无穷大，并用集合Paths保存从起点Ps开始搜索并途径的每个点的前点信息，用集合Pathe保存从起点Pe开始搜索并途径的每个点的前点信息。这样，每个点P到起点Ps的路径就是从这个点P向起点Ps回溯得到的路径，每个点P到终点Pe的路径就是从这个点P向终点Pe回溯得到的路径。在双向最小路径传播中，分别从起点Ps和终点Pe开始朝着靠近对方的方向同时执行最小路径传播，并用集合Sets保存从起点Ps开始搜索并途径的点，用集合Sete保存从起点Pe开始搜索并途径的点。如果一个点P同时出现在点集Sets和Sete中，则起点Ps和终点Pe之间的路径通过Ps到P的路径和Pe到P的路径连接得到。为了处理异常点，传播会在一定迭代次数lStop后终止。但是，大多数中心线点仍然在搜索期间被遍历，即它们包括在点集Sets和Sete中，此时在这两个点集中寻找一对距离最小的点<P1,P2>，则起点Ps和终点Pe之间的路径通过Ps到P1的路径、Pe到P2的路径、P1到P2的最短路径连接得到。
当使用基于最小路径的技术跟踪血管中心线时，另一个重要问题是处理大曲率血管时的捷径连接。捷径问题是指最小路径技术更倾向于直接连接Ps和Pe(因为距离较短)。但是我们在此采用回溯的方法解决这个问题，即在找到一个新点P后，算法首先从P开始由原路退回lback步得到另一个点Pback。点P和Pback之间的累积能量被视为代价，而不是整个路径上的累积能量。因此公式(2)也有如下形式：
步骤2冠脉树提取：
在鹿特丹心脏CTA数据集中，每个3D CTA图像包含一个具有4条冠脉的树形结构。在冠脉树提取过程中，每一次迭代只提取一条冠脉，然后将提取的4条冠脉中心线映射到一个3D特征图像上，从而形成一个二值化特征图像。由于4条冠脉的提取过程都是相同的，所以我们以第一个数据集中的第一个冠脉(右冠脉)为例来解释任一条冠脉的提取流程。
步骤2.1CTA数据预处理
2.1.1读取并处理image00.raw
从数据源中读取image00.raw文件，按照文件的存储格式转化为512*512*272大小的心脏CTA图像。
2.1.2读取并处理image00.mhd
从数据源中读取image00.mhd文件，按照文件的存储信息读取CTA图像的空间信息spacings和offsets。
2.1.3读取标准点并进行坐标变换
读取右冠脉的4个坐标文件(pointS.txt,pointB.txt,pointA.txt,和pointE.txt)，并根据步骤2.1.2所读取的spacings和offsets信息对这4个坐标点进行坐标变换，得到S点、B点、A点和E点。
步骤2.2S点到E点的初始路径：
基于步骤2.1.3获得的S点，B点，A点，E点，分别利用步骤1定义的双向最小路径传播计算S点和B点之间的最小路径、B点和A点之间的最小路径、A点和E点之间的最小路径。将此3个最小路径上的点映射到一个特征图像上，然后在此特征图像上追踪一条连接S点和E点的初始路径，并记录此初始路径上的所有点(有序)。
步骤2.3S点到E点的最优路径：
步骤2.3.1候选路径和候选点：
虽然我们将双向搜索合并到最小路径传播中，但提取的结果有时会偏离参考中心线，因此，我们使用中心线曲率来检测那些不正确的部分，并使用简单的策略来提供一些候选路径和候选点，以便在后续工作中进行细化。我们将步骤2.2中初始路径上的有序点表示为一个有序集合L＝{L0,…,L|L|-1},其中|L|表示集合L的大小。第i个有序点表示为Li,其中i表示点的下标索引(0≤i≤|L|-1)。每个有序点Li的曲率通过如下公式计算：
筛选出所有大于预定义曲率阈值TC(比如0.75)的点，然后以这些曲率最大点为中心计算一些候选路径和候选点。由于在每个曲率最大点附近计算2条最短路径和一些候选点的过程都是相同的，所以我们以其中一个曲率最大点为例来解释其计算候选路径和候选点的过程。例如，Lm是一个曲率最大点，分别用Dijkstra算法计算Lm-5和Lm+5之间的最短路径和Lm-10和Lm+10之间的最短路径，然后通过点Lm-10和Lm+10的坐标之差构建一个3D目标区域，计算此目标区域内每一个体素的对称凸性能量，并筛选所有大于预定义能量阈值Te(比如0.001)的体素，且将其作为候选点。然而，在这些离散的候选点中，有些点更可能是噪声点而非中心线点，因此我们应用一个体积阈值Tv(比如15)来过滤这些点，并将大于体积阈值Tv的点作为候选点。最后，将此2条最短路径上的点和这些已过滤的候选点放入到特征图像IC中。
步骤2.3.2拉普拉斯算子：
接下来，从特征图像IC中过滤掉一些非特征点，将得到的特征点作为下一步骤2.4的数据输入。具体来说，将拉普拉斯算子定义为一个过滤器掩码[-1,-1,-1:-1,8,-1:-1,-1,-1]。在目标图像I中，该掩码与特征图像IC中所有非零点对应的点进行卷积操作，然后将卷积结果映射到特征图像IC中，从而形成一个新图像IC。在新图像IC中，分别利用Dijkstra算法计算S点和B点之间的最短路径、B点和A点之间的最短路径、A点和E点之间的最短路径，并追踪一条连接S点和E点的最优路径，且记录此最优路径上的所有点(有序)。
步骤2.4冠脉中心线计算；
步骤2.4.1迭代寻优算法：
在步骤2.3.2得到最优路径以后，我们将它表示为一个有序集合L＝{L0,…,L|L|-1},其中|L|表示集合L的大小。第i个有序点表示为Li,其中i表示点的下标索引(0≤i≤|L|-1)。在迭代寻优过程中，首先利用公式(4)计算有序点L0+5和L0+20之间的最大曲率点，表示为Lm，然后在利用公式(4)计算点Lm+5和Lm+20之间的最大曲率点，以此类推。迭代重复进行直到最后一个被识别的点位于点L|L|-21和L|L|-6之间终止。迭代过程中产生的所有最大曲率点的下标索引构成有序集B。基于自适应采样算法(分割大边思想)，如果下标索引B[0]和B[1]之间的距离大于预定义的阈值δ(迭代寻优终止条件)，则利用公式(4)在点LB[0]和LB[1]之间计算一个曲率最大点。如果下标索引B[1]和B[2]之间的差值大于常数δ，则利用公式(4)在点LB[1]和LB[2]之间在计算一个曲率最大点，以此类推。迭代重复进行直到集合B中任意两个相邻元素的差值小于常数δ为止。上述迭代过程可描述为如下所示:
步骤1:将L0点(即S点)的下标索引0放入集合B中；
步骤2:利用公式(4)在Lk+5和Lk+20之间计算一个曲率最大点Lm，其中k＝0,1,...,|L|-21。
然后把点Lm的下标索引m放入集合B中。最后k＝m。重复步骤2直到m+5>|L|-1为止；
步骤3:将点L|L|-1(即E点)的下标索引|L|-1放入集合B中；
步骤4:如果下标索引B[k]和B[k+1]之间的距离大于一个预定义的阈值δ，则在点LB[k]和LB[k+1]之间计算一个曲率最大点Lm，并将此点Lm的索引m放入集合B中，然后利用冒泡排序算法按照索引值递增的顺序进行排序，重复步骤4直到集合B中任意两个相邻元素值之间的距离小于δ为止；
步骤5:得到|B|个有序中心线点。
最后，根据|B|个有序中心线点，通过三次样条插值算法计算右冠脉中心线。
本发明的系统组成包括：冠脉树提取程序、存储设备和CPU/GPU执行设备，其中冠脉树提取程序负责信息的接收、处理、编程指令的发出和结果的显示，存储设备负责数据源、编程软件和输出结果的存放，CPU/GPU执行设备负责处理程序发出的编程指令。
所述存储设备包括：数据源(imagexx.raw，imagexx.mhd，pointS.txt，pointB.txt，pointA.txt，和pointE.txt)和编程软件(Matlab2018b和VS2012)。
有益效果：本发明基于双向最小路径传播进行单条冠脉的分段提取，并可快速精确的获取单条冠脉和冠脉树。与现有技术相比，本发明具有以下优点：
1)实时提取冠脉树：
现有方法还没有基于双向最小路径传播实时提取冠脉树。由于每套鹿特丹CTA数据集包含4条冠脉，每条冠脉的提取过程都是相互独立的，且每条冠脉中分段(即S点到B点、B点到A点、A点到E点)提取的过程也是相互独立的，因此使用多线程技术可以很好的加快提取速度。
实时提取必要性举例：随着现代科学技术的发展，医学图像处理技术得到越来越多医生的青睐，也被越来越多的患者所接受。虽然诊疗辅助设备可以帮助医生判断血管是否病变、病变程度以及病变位置等等，但诊疗效果低和漏诊现象时常发生，同时在临床医学上，尤其是介入手术规划和手术导航中，由于血管状态受患者心跳、血管收缩等等因素的影响时刻都在变化，更需要实时提取冠脉中心线以及时指导手术的进行。
2)精确提取冠脉树：
现有诊疗设备的冠脉树提取方法复杂、全局精确度和局部精确度差、不能实时应对临床突发场景，故本发明提出一种基于双向最小路径传播的冠脉树自动提取方法，以期诊疗设备的提取效果更加精确和实时化，尽量避免或减少漏诊等因素的干扰。
精确提取必要性举例：精确提取冠脉树可以有效分析感兴趣的血管结构，进而判断血管损伤、建立介入手术路径，给心血管疾病的诊疗提供必要的指导和帮助。在临床医学上，冠脉树的精确提取能够用于辅助诊断、介入手术规划和血管介入手术导航，并成为重要的临床应用工具，进而提高介入治疗的成功率。
附图说明
图1是本发明的双向最小路径传播伪代码流程图；
图2是本发明的数据源预处理流程图；
图3是本发明的单条冠脉提取流程图；
图4是本发明的第一套鹿特丹数据集的心脏CTA冠脉树自动提取场景实例；
图5是本发明的心脏CTA冠脉树提取系统模块框架图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求限定的范围。
下面结合附图1至5对本发明的实施例作进一步说明，如图4(a)所示场景：冠脉树金标准和16个标准点，其中金标准是医生手动标注的冠脉中心线，每条冠脉包含4个标准点(从前往后依次：S点，B点，A点，E点)。
本实施例具备如下具体步骤：
步骤1)双向最小路径传播，算法伪代码如附图1所示：
假设图4(a)中的B点是起点，A点是终点。分别从起点B和终点A开始朝着靠近对方的方向同时执行最小路径传播，把从B开始搜索并途径的点放入集合Sets中，把从A开始搜索并途径的点放入集合Sete中。如果4(a)中的P点同时出现在集合Sets和Sete中，则停止迭代，然后从P点开始向B点回溯并计算一条最小路径，同时从P点开始向A点回溯并计算一条最小路径。如果迭代终止后集合Sets和Sete中没有共同点，则在这两个集合中计算一对距离最小的点<P1,P2>,然后从P1开始向A点回溯并计算一条最小路径，从P2开始向B点回溯并计算一条最小路径，同时在P1和P2之间求一条最短路径。
步骤2)冠脉树提取；
由于每条冠脉的提取过程都是相同的，所以我们以第一个数据集的第一个冠脉(右冠脉)为例来具体解释算法流程。
步骤2.1)CTA数据预处理，流程如附图2所示：
读取image00.raw并得到512*512*272心脏CTA图像，读取image00.mhd并得到spacings和offsets，读取pointS.txt,pointB.txt,pointA.txt,and pointE.txt并进行坐标变换得到S点，B点，A点，E点(其位置如图4(a)所示)。
步骤2.2)S点到E点的初始路径，流程如附图4(b)所示：
分别利用双向最小路径传播计算S点和B点之间的最小路径、B点和A点之间的最小路径、A点和E之间的最小路径。将此3个最小路径上的点映射到一个特征图像上，然后在此特征图像上追踪一条连接S点和E点的初始路径，并记录此路径上的有序点。
步骤2.3)S点到E点的最优路径，流程如附图4(c)和4(d)所示：
利用公式(4)计算初始路径上所有点的曲率，并筛选出曲率大于0.75的所有点。由于以每个最大曲率点为中心计算候选路径和候选点的过程都是相同的，所以以其中一个曲率最大点为例。如图4(c)中的点L100，分别利用Dijkstra算法计算点L95和L105之间的最短路径、点L90和L110之间的最短路径，同时以点L90和L110的坐标信息构建一个如图4(c)中的3D目标区域(白色虚线框)，且在此目前区域内分别根据能量阈值0.001和体积阈值15计算一些候选点，然后将这两条最短路径和这些候选点映射到特征图像上。将拉普拉斯算子和目标图像中与特征图像相对应的非零点进行卷积，并将卷积结果映射到特征图像上，然后分别利用Dijkstra算法计算S点和B点之间的最短路径、B点和A点之间的最短路径、A点和E点之间的最短路径，并追踪一条连接S点和E点的最优路径，且记录此最优路径上的有序点。
步骤2.4)冠脉中心线计算，效果如附图4(e)所示：
将最优路径上的有序点表示为一个有序集合L＝{L0,…,L|L|-1},并在点L5和L20之间求一个最大曲率点L10，在点L10和L25之间求一个曲率最大点，以此类推直到迭代终止，并得到集合B。在集合B中，如果任意两个相邻元素的差值大于δ，则在此相邻元素对应的2个相应点之间计算一个曲率最大点，并将其索引放入集合B中，且对B进行冒泡排序，以此类推直到B中任意相邻元素的差值小于δ为止。算例如下：假设L＝{L0,…,L32}，δ＝8。
步骤1:将0放入集合B中；
步骤2:在L5和L20之间求最大曲率点L10，将10放入集合B中，在L15和L30之间求曲率最大点L17，将17放入集合B中；
步骤3:将32放入集合B中，且B＝{0,10,17,32}；
步骤4:在点L0和L10之间求最大曲率点L5，将5放入B中，排序后B＝{0,5,10,17,32}。在点L17和L32之间求最大曲率点L22，将22放入B中，排序号B＝{0,5,10,17,22,32}。在点L22和L32之间求最大曲率点L27，将27放入B中，排序后B＝{0,5,10,17,22,27,32}；
步骤5:得到7个最大曲率点：L0，L5，L10，L17，L22，L27，L32。
最后，根据7个有序中心线点，通过三次样条插值算法计算右冠脉中心线。
需要说明的是上述实施例仅仅是本发明的较佳实施例，并没有用来限定本发明的保护范围，在上述技术方案的基础上做出的等同替换或者替代，均属于本发明的保护范围。
Claims (10)
1.基于双向最小路径传播的心脏CTA冠脉树自动提取方法，其特征在于：所述方法包括如下步骤：
步骤1：双向最小路径传播，即分别从给定的两个点(起点和终点)同时开始执行最小路径传播，在有限的迭代次数内从两个点集中寻找第一个相同点或一对距离最小的点；
步骤2：冠脉树提取，即根据双向最小路径传播和多线程技术进行单条冠脉的分段提取及每条冠脉的单独提取，然后将提取的冠脉信息组合成一个树型结构。
2.根据权利要求1所述的基于双向最小路径传播的心脏CTA冠脉树自动提取方法，其特征在于：所述步骤1中双向最小路径传播的具体流程为：
1.1分别从起点Ps和终点Pe开始朝着靠近对方的方向同时执行最小路径传播，分别用点集Sets和Sete保存从Ps和Pe开始搜索并途径的点；
1.2如果一个点同时出现在点集Sets和Sete中，则Ps和Pe之间的路径通过Ps到P的路径和Pe到P的路径连接得到；
1.3如果在有限迭代次数内没找到一个共同点，然后在点集Sets和Sete中寻找一对距离最小的点<P1,P2>，则Ps和Pe之间的路径通过Ps到P1的路径、Pe到P2的路径和P1到P2的最短路径连接得到。
3.根据权利要求1所述的基于双向最小路径传播的心脏CTA冠脉树自动提取方法，其特征在于：所述步骤2中冠脉树提取的具体流程为：
2.1 CTA数据预处理；
2.2 S点到E点的初始路径；
2.3 S点到E点的最优路径；
2.4冠脉中心线计算。
4.根据权利要求3所述的基于双向最小路径传播的心脏CTA冠脉树自动提取方法，其特征在于：所述步骤2.1中CTA数据预处理的具体流程为：
2.1.1读取imagexx.raw并得到心脏CTA图像；
2.1.2读取imagexx.mhd并得到spacings和offsets；
2.1.3读取标准点信息并进行坐标变换，得到S点、B点、A点和E点。
5.根据权利要求3所述的基于双向最小路径传播的心脏CTA冠脉树自动提取方法，其特征在于：所述步骤2.2中S点到E点的初始路径的具体流程为：
2.2.1利用双向最小路径传播计算S点到B点的最小路径；
2.2.2利用双向最小路径传播计算B点到A点的最小路径；
2.2.3利用双向最小路径传播计算A点到E点的最小路径；
2.2.4追踪S点到E点的初始路径并记录此路径上的所有点。
6.根据权利要求3所述的基于双向最小路径传播的心脏CTA冠脉树自动提取方法，其特征在于：所述步骤2.3中S点到E点的最优路径的具体流程为：
2.3.1利用初始路径上点的曲率信息计算一些候选路径；
2.3.2在利用最大曲率点信息构建的目标区域内筛选一些候选点；
2.3.3拉普拉斯算子与特征图像上的点相对应的目标图像上的点进行卷积操作；
2.3.4分别利用Dijkstra算法计算S点到B点的最短路径、B点到A点的最短路径和A点到E点的最短路径；
2.3.5追踪S点到E点的最优路径且记录此路径上的所有点。
7.根据权利要求3所述的基于双向最小路径传播的心脏CTA冠脉树自动提取方法，其特征在于：所述步骤2.4中冠脉中心线计算的具体流程为：
2.4.1将起点A点的下标索引放入集合B中；
2.4.2从起点A点开始在下标索引的固定间距范围内利用曲率公式计算一个曲率最大点，并将其下标索引放入集合B中。在再从此曲率最大点开始在下标索引的固定间距范围内利用曲率公式计算另一个曲率最大点，并将其下标索引放入集合B中。以此类推，循环往复，直至到达终点E点为止；
2.4.3将终点E点的下标索引放入集合B中；
2.4.4如果集合B中任意两个相邻元素之间的距离大于一个预定义阈值，则在此两个元素对应的中心线点之间利用曲率公式在计算一个曲率最大点，并将其放入集合B中且使之有序，以此类推，循环往复，直至集合B中任意两个相邻元素之间的距离小于此预定义阈值为止。终得|B|个有序中心线点；
2.4.5利用三次样条插值算法计算冠脉中心线。
8.根据权利要求1～7所述的基于双向最小路径传播的心脏CTA冠脉树自动提取方法，其特征在于：该方法实现的系统的组成包括：冠脉树提取程序、存储设备和CPU/GPU执行设备，其中冠脉树提取程序负责信息的接收、处理、编程指令的发出和结果的显示，存储设备负责数据源、编程软件和输出结果的存放，CPU/GPU执行设备负责处理程序发出的编程指令。
9.根据权利要求8所述的基于双向最小路径传播的心脏CTA冠脉树自动提取方法，其特征在于：所述的冠脉树提取程序是由C++语言和matlab语言混合编写。
10.根据权利要求8所述的基于双向最小路径传播的心脏CTA冠脉树自动提取方法，其特征在于：所述的存储设备包括：数据源(imagexx.raw，imagexx.mhd，pointS.txt,pointB.txt，pointA.txt，和pointE.txt)和编程软件(Matlab2018b和VS2012)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011022869.8A CN112132814A (zh) | 2020-09-25 | 2020-09-25 | 基于双向最小路径传播的心脏cta冠脉树自动提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011022869.8A CN112132814A (zh) | 2020-09-25 | 2020-09-25 | 基于双向最小路径传播的心脏cta冠脉树自动提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112132814A true CN112132814A (zh) | 2020-12-25 |
Family
ID=73839341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011022869.8A Pending CN112132814A (zh) | 2020-09-25 | 2020-09-25 | 基于双向最小路径传播的心脏cta冠脉树自动提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112132814A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080205722A1 (en) * | 2005-08-17 | 2008-08-28 | Koninklijke Phillips Electronics N.V. | Method and Apparatus for Automatic 4D Coronary Modeling and Motion Vector Field Estimation |
| CN104282009A (zh) * | 2013-07-02 | 2015-01-14 | 上海联影医疗科技有限公司 | 一种冠脉的提取方法 |
| CN111429438A (zh) * | 2020-03-30 | 2020-07-17 | 中国科学院深圳先进技术研究院 | 血管中心线、心脏冠脉树的提取方法、设备及存储介质 |
-
2020
- 2020-09-25 CN CN202011022869.8A patent/CN112132814A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080205722A1 (en) * | 2005-08-17 | 2008-08-28 | Koninklijke Phillips Electronics N.V. | Method and Apparatus for Automatic 4D Coronary Modeling and Motion Vector Field Estimation |
| CN104282009A (zh) * | 2013-07-02 | 2015-01-14 | 上海联影医疗科技有限公司 | 一种冠脉的提取方法 |
| CN111429438A (zh) * | 2020-03-30 | 2020-07-17 | 中国科学院深圳先进技术研究院 | 血管中心线、心脏冠脉树的提取方法、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6894896B2 (ja) | Ｘ線画像特徴検出および位置合わせのシステムおよび方法 | |
| Chen et al. | Curve-like structure extraction using minimal path propagation with backtracking | |
| CN111798451B (zh) | 基于血管3d/2d匹配的3d导丝跟踪方法及装置 | |
| CN101425186B (zh) | 一种基于ct图像的肝脏分段方法及其系统 | |
| US6690816B2 (en) | Systems and methods for tubular object processing | |
| JP6636331B2 (ja) | 血流予備量比の算出 | |
| US8548213B2 (en) | Method and system for guiding catheter detection in fluoroscopic images | |
| CN111429438B (zh) | 血管中心线、心脏冠脉树的提取方法、设备及存储介质 | |
| KR102050649B1 (ko) | 2차원 x-선 조영영상의 혈관 구조 추출 방법, 이를 수행하기 위한 기록매체 및 장치 | |
| CN111932554B (zh) | 一种肺部血管分割方法、设备及存储介质 | |
| US20080247621A1 (en) | Method and Apparatus for Positioning a Device in a Tubular Organ | |
| JP2018139693A (ja) | 画像分類装置、方法およびプログラム | |
| JP2019500146A (ja) | 体部の３次元モデル | |
| JP2018134393A (ja) | 血管のセグメンテーションの方法および装置 | |
| CN112419484B (zh) | 三维血管合成方法、系统及冠状动脉分析系统和存储介质 | |
| CN112862833A (zh) | 血管分段方法、电子装置和存储介质 | |
| CN111612778B (zh) | 一种术前cta与术中x光冠状动脉配准方法 | |
| CN115953495B (zh) | 基于二维造影图像的智能路径规划装置、系统和存储介质 | |
| CN112348883B (zh) | 血管介入手术中介入器械端点实时定位系统、方法、装置 | |
| CN107392891B (zh) | 血管树提取方法、装置、设备及存储介质 | |
| CN116051738A (zh) | 基于cta影像的冠状动脉血管模型重构的方法和可读存储介质 | |
| Liu et al. | Robust optimization-based coronary artery labeling from X-ray angiograms | |
| Feng et al. | Multi-stage fully convolutional network for precise prostate segmentation in ultrasound images | |
| US20240005510A1 (en) | Method and apparatus of nidus segmentation, electronic device, and storage medium | |
| CN112132814A (zh) | 基于双向最小路径传播的心脏cta冠脉树自动提取方法 |
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 |