CN112132981A - 图像处理的方法及装置,电子设备及存储介质 - Google Patents
图像处理的方法及装置,电子设备及存储介质 Download PDFInfo
- Publication number
- CN112132981A CN112132981A CN202011009597.8A CN202011009597A CN112132981A CN 112132981 A CN112132981 A CN 112132981A CN 202011009597 A CN202011009597 A CN 202011009597A CN 112132981 A CN112132981 A CN 112132981A
- Authority
- CN
- China
- Prior art keywords
- pixel
- blood vessel
- vessel
- point
- continuity
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30101—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)
- Architecture (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种图像处理的方法及装置,电子设备及存储介质。该方法包括:确定血管分割图像的血管末端;利用第一预设像素尺寸的立体图形,对所述血管末端进行像素填充,以获得修复的血管分割图像,能够将血管末端的较细的且藕断丝连的血管进行自动修复,从而能够在三维可视化的过程中,得到更好的血管3D结果,进而有利于及时辅助医生进行血管病变的诊断。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种图像处理的方法及装置,电子设备及存储介质。
背景技术
目前,对CT医学影像的血管的分割大部分是基于深度学习的血管分割模型,但是经过血管分割模型所获得的血管分割结果中会存在一些缺陷,例如,血管末端的血管太细,且存在藕断丝连的现象。如果将血管分割模型输出的血管分割结果直接进行三维可视化,在三维可视化的过程中,血管末端将出现血管断裂的现象,从而使得血管VR失真,不利于及时辅助医生进行血管病变的诊断。
发明内容
有鉴于此,本申请的实施例致力于提供一种图像处理的方法及装置,电子设备及存储介质,能够将血管末端的较细的且藕断丝连的血管进行自动修复,从而能够在三维可视化的过程中,得到更好的血管3D结果,进而有利于及时辅助医生进行血管病变的诊断。
根据本申请实施例的第一方面,提供了一种图像处理的方法,包括:确定血管分割图像的血管末端;利用第一预设像素尺寸的立体图形,对所述血管末端进行像素填充,以获得修复的血管分割图像。
在一个实施例中,所述确定血管分割图像的血管末端,包括:对所述血管分割图像进行血管的中线提取,以获得血管中线图像;根据所述血管中线图像的中线上的多个像素点的连续性,获取所述血管的顶点,其中,所述中线上的多个像素点中的每个像素点的连续性为所述像素点和与其相邻的像素点的二值化数值相同;基于所述顶点,确定所述血管末端。
在一个实施例中,所述根据所述血管中线图像的中线上的多个像素点的连续性,获取所述血管的顶点,包括:遍历所述中线上的多个像素点中的每个像素点的连续性;当所述中线上的像素点具有一个方向的连续性,确定所述像素点为所述血管的顶点。
在一个实施例中,所述方法还包括:当所述中线上的像素点具有至少三个方向的连续性,确定所述像素点为所述血管的交叉点。
在一个实施例中,所述基于所述顶点,确定所述血管末端,包括:基于所述顶点和所述交叉点,确定所述血管末端。
在一个实施例中,所述遍历所述中线上的多个像素点中的每个像素点的连续性,包括:以所述中线上的多个像素点中的每个像素点为第二预设像素尺寸的立体图形的中心点,在所述第二预设像素尺寸的立体图形内,遍历所述中线上的多个像素点中的每个像素点沿各个方向的连续性。
在一个实施例中,当所述血管分割图像为肺血管分割图像时,所述方法还包括:以所述肺血管分割图像的中线上的多个像素点中的每个像素点为第三预设像素直径的球体的中心点,遍历所述球体内的像素点是否均具有连续性,其中,所述球体内的像素点的连续性为所述像素点和与其相邻的像素点的二值化数值相同;根据所述球体内的像素点的连续性,确定与所述球体的中心点对应的所述中线上的像素点为靠近心脏的肺血管的中心点。
在一个实施例中,所述根据所述球体内的像素点的连续性,确定与所述球体的中心点对应的所述中线上的像素点为靠近心脏的血管的中心点,包括:确定多个球体内的像素点均具有连续性;保留与所述多个球体的中心点对应的所述中线上的多个第一像素点;继续增大所述第三预设像素直径的大小,获取所述中线上的一个第一像素点为靠近所述心脏的肺血管的中心点。
在一个实施例中,所述方法还包括:根据原始血管图像,通过网络模型,获得所述血管分割图像。
在一个实施例中,所述利用第一预设像素尺寸的立体图形为长、宽和高均为3个像素的立方体。
根据本申请实施例的第二方面,提供了一种图像处理的装置,包括:确定模块,配置为确定血管分割图像的血管末端;修复模块,配置为利用第一预设像素尺寸的立体图形,对所述血管末端进行像素填充,以获得修复的血管分割图像。
根据本申请实施例的第三方面,提供了一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器用于执行上述任一实施例所述的图像处理的方法。
根据本申请实施例的第四方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述任一实施例所述的图像处理的方法。
本申请的实施例所提供的一种图像处理的方法,通过先确定血管分割图像的血管末端,再利用第一预设像素尺寸的立体图形,对血管末端进行像素填充,以获得修复的血管分割图像,这样能够将血管末端的较细的且藕断丝连的血管进行自动修复,从而能够在三维可视化的过程中,得到更好的血管3D结果,进而有利于及时辅助医生进行血管病变的诊断。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1a是本申请一个实施例提供的血管分割模型输出的血管分割图像的示意图。
图1b是本申请一个实施例提供的平滑的血管分割图像的示意图。
图1c是本申请一个实施例提供的膨胀的血管分割图像的示意图。
图2是本申请实施例所提供的一种实施环境的示意图。
图3是本申请一个实施例提供的图像处理的方法的流程示意图。
图4是本申请一个实施例提供的经过平滑后形成的修复的血管分割图像的示意图。
图5是本申请另一个实施例提供的图像处理的方法的流程示意图。
图6是本申请一个实施例提供的血管中线图像的示意图。
图7是本申请又一个实施例提供的图像处理的方法的流程示意图。
图8是本申请一个实施例提供的肺血管分割图像的示意图。
图9是本申请一个实施例提供的分段显示的肺血管分割图像的示意图。
图10所示为本申请一个实施例提供的图像处理的装置的框图。
图11所示为本申请一个实施例提供的电子设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
申请概述
深度学习通过建立具有阶层结构的人工神经网络,在计算系统中实现人工智能。由于阶层结构的人工神经网络能够对输入信息进行逐层提取和筛选,因此深度学习具有表征学习能力,可以实现端到端的监督学习和非监督学习。深度学习所使用的阶层结构的人工神经网络具有多种形态,其阶层的复杂度被通称为“深度”,按构筑类型,深度学习的形式包括多层感知器、卷积神经网络、循环神经网络、深度置信网络和其它混合构筑。深度学习使用数据对其构筑中的参数进行更新以达成训练目标,该过程被通称为“学习”,深度学习提出了一种让计算机自动学习出模式特征的方法,并将特征学习融入到了建立模型的过程中,从而减少了人为设计特征造成的不完备性。
CT(Computed Tomography),即电子计算机断层扫描,它是利用精确准直的X线束、γ射线、超声波等,与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描,具有扫描时间快,图像清晰等特点,可用于多种疾病的检查。
VTK(Visualization Toolkit)是指三维可视化,只要是将3D-mask(三维的二值化图像)进行可视化的三维展示,其能够很好地显示三维图像,因此,可以将血管分割图像(即,血管的二值化图像),利用VTK,进行三维可视化的展示。
目前最常见的获得血管分割图像的方法是基于深度学习的血管分割模型,然而,基于深度学习的血管分割模型对CT图像进行分割后,得到的血管分割图像的血管末端的血管太细,且存在藕断丝连的现象,对其进行三维可视化,血管末端存在血管断裂的现象,使得血管VR失真,不利于及时辅助医生进行血管病变的诊断。
例如,如图1a所示为经过血管分割模型得到的血管分割图像,可以看出,该血管分割图像不仅呈现出血管末端的血管太细,且存在藕断丝连的现象,而且其血管较为粗糙,出现了明显的梯田现象。为了解决血管粗糙的情况,可以对血管分割图像进行平滑操作,以得到如图1b所示的平滑的血管分割图像。从图1b可以看出,虽然血管分割图像变得较为平滑,但是血管末端呈现出血管断开的现象,并且藕断丝连的现象也更加严重。此时,为了解决血管末端的血管断开和血管粗糙的情况,可以先对血管分割图像进行膨胀操作,之后再进行平滑操作,以得到如图1c所示的膨胀的血管分割图像。从图1c可以看出,血管整体变大,尤其在血管末端更为明显,如果将该修复的血管分割图像进行三维可视化,虽然血管末端的血管断开情况得到了改善,但是这并不符合实际的需求,更不利于及时辅助医生进行血管病变的诊断。
针对如前所述的技术问题,本申请的基本构思是提出一种图像处理的方法,主要是先确定血管分割图像的血管末端,再利用第一预设像素尺寸的立体图形,对血管末端进行像素填充,以获得修复的血管分割图像,这样能够将血管末端的较细的且藕断丝连的血管进行自动修复,从而能够在三维可视化的过程中,得到更好的血管3D结果,进而有利于及时辅助医生进行血管病变的诊断。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2是本申请实施例所提供的一种实施环境的示意图。该实施环境包括CT扫描仪230、服务器220和计算机设备210。计算机设备210可以从CT扫描仪230处获取CT图像,同时,计算机设备210还可以与服务器220之间通过通信网络相连。可选的,通信网络是有线网络或无线网络。
CT扫描仪230用于对人体组织进行X线扫描,得到人体组织的CT图像。在一实施例中,通过CT扫描仪230对肺部进行扫描,可以得到胸部X线正位片,例如,肺部图像。但是需要说明的是,本申请实施例并不限定CT图像为哪个人体组织的图像,只要包含有血管的图像均符合要求,为了方便对本申请进行说明,以下以肺部图像为例进行描述。
计算机设备210可以是通用型计算机或者由专用的集成电路组成的计算机装置等,本申请实施例对此不做限定。例如,计算机设备210可以是平板电脑等移动终端设备,或者也可以是个人计算机(Personal Computer,PC),比如膝上型便携计算机和台式计算机等等。本领域技术人员可以知晓,上述计算机设备210的数量可以一个或多个,其类型可以相同或者不同。比如上述计算机设备210可以为一个,或者上述计算机设备210为几十个或几百个,或者更多数量。本申请实施例对计算机设备210的数量和设备类型不加以限定。
在一实施例中,计算机设备210中可以部署有血管分割模型,用于对肺部图像进行肺血管的分割。计算机设备210可以利用其上部署的血管分割模型,将其从CT扫描仪230获取的肺部图像进行肺血管分割,从而得到肺血管分割图像,然后计算机设备210再对肺血管分割图像进行处理,以确定肺血管末端,最后计算机设备210对肺血管末端进行像素填充,从而获得修复的肺血管分割图像。这样,能够将血管末端的较细的且藕断丝连的血管进行自动修复,从而能够在三维可视化的过程中,得到更好的血管3D结果,进而有利于及时辅助医生进行血管病变的诊断。
服务器220是一台服务器,或者由若干台服务器组成,或者是一个虚拟化平台,或者是一个云计算服务中心。
在一些可选的实施例中,服务器220接收计算机设备210采集到的训练图像,并通过训练图像对神经网络进行训练,以得到血管分割模型。计算机设备210可以将其从CT扫描仪230获取到的肺部图像发送给服务器220,服务器220利用其上训练出的血管分割模型进行肺血管分割,从而得到肺血管分割图像,然后服务器220再对肺血管分割图像进行处理,以确定肺血管末端,最后服务器220对肺血管末端进行像素填充,从而获得修复的肺血管分割图像,并将修复的肺血管分割图像发送给计算机设备210,以便于利用VTK,对修复的肺血管分割图像进行三维可视化的展示,以供医护人员查看。这样,能够将血管末端的较细的且藕断丝连的血管进行自动修复,从而能够在三维可视化的过程中,得到更好的血管3D结果,进而有利于及时辅助医生进行血管病变的诊断。
示例性方法
图3是本申请一个实施例提供的图像处理的方法的流程示意图。图3所述的方法由计算设备(例如,服务器)来执行,但本申请实施例不以此为限。服务器可以是一台服务器,或者由若干台服务器组成,或者是一个虚拟化平台,或者是一个云计算服务中心,本申请实施例对此不作限定。如图3所示,该方法包括如下内容。
S310:确定血管分割图像的血管末端。
在一实施例中,可以将原始血管图像输入网络模型中,以获得所述血管分割图像。该血管分割图像可以理解为二值图像,即,血管分割图像中的各个像素点可以用0或1进行表示,1表示血管区域的像素点,0表示背景区域的像素点。
该原始血管图像可以为电子计算机断层成像(Computed Tomography,CT)、核磁共振成像(Magnetic Resonance Imaging,MRI)、计算机放射成像(Computed Radiography,CR)或数字放射成像(Digital radiography,DR)等医学影像,本申请实施例对此不作具体限定。
本申请实施例对该网络模型的具体类型不作限定,该网络模型可以是通过机器学习所获得的浅层模型,例如SVM分类器,或线性回归分类器等等,通过机器学习所获得的网络模型可以实现快速的图像分割,以提高模型分割的效率;该网络模型也可以是指通过深度学习获得的深层模型,该网络模型可以由任意类型的神经网络构成,且这些网络可以以ResNet、ResNeXt或DenseNet等为主干网络,通过深度学习所获得的网络模型可以提高模型分割的准确性。可选地,该网络模型可以为卷积神经网络(Convolutional NeuralNetwork,CNN)、深度神经网络(Deep Neural Network,DNN)或循环神经网络(RecurrentNeural Network,RNN)等。该网络模型可以包括输入层、卷积层、池化层、连接层等神经网络层,本申请实施例对此不作具体限定。另外,本申请实施例对每一种神经网络层的个数也不作限定。
在一实施例中,血管末端是由一端血管所构成,但是本申请实施例并不具体限定血管末端具体是由哪一段血管所构成,由于基于该网络模型所得到的血管分割图像的血管末端的血管太细,且存在藕断丝连的现象,因此血管末端可以是指任意尺寸较细,且存在藕断丝连的现象的一端血管,例如,该血管末端可以是从血管的顶点向血管方向延伸所形成的一段血管,也可以是血管末梢处的任一点向血管方向延伸所形成的一段血管。
本申请实施例也并不具体限定血管末端的具体长度,本领域技术人员可以根据实际需求,来设定血管末端的长度。
S320:利用第一预设像素尺寸的立体图形,对所述血管末端进行像素填充,以获得修复的血管分割图像。
在一实施例中,在获得了血管末端后,利用第一预设像素尺寸的立体图形,对血管末端的每个像素点进行像素填充,以将血管末端的较细的血管或者藕断丝连的血管的像素尺寸扩大为与第一预设像素尺寸相同的尺寸,从而获得修复的血管分割图像。
在一实施例中,该第一预设像素尺寸的立体图形可以是指长、宽和高均为3个像素的立方体,但是本申请实施例并不具体限定第一预设像素尺寸的具体大小,第一预设像素尺寸还可以设定为长、宽和高为2个像素,只要在利用第一预设像素尺寸的立体图形,对血管末端进行像素填充时,不会使血管整体变大即可。
在一实施例中,还可以根据血管末端的血管像素尺寸来设定第一预设像素尺寸的大小,这样可以在对血管末端进行像素填充时,不会使血管整体变大,例如,可以将第一预设像素尺寸设定为小于血管末端的血管平均像素尺寸。
本申请实施例也并不具体的限定立体图形的具体形状,可以为立方体,也可以为球体,还可以为其他立体图形。如果立体图形采用为球体,该球体的第一预设像素尺寸是指该球体的半径,可以将其设定为1个像素。
在一实施例中,还可以对修复的血管分割图像进行平滑操作,以获得经过平滑后形成的修复的血管分割图像,如图4所示。可以明显看出,即使对修复的血管分割图像经过平滑操作后,该血管末端也不会出现血管断裂的情况。
通过本申请的方法对血管末端进行修复,其速度大约为2秒一个CT图像,速度较快,有利于及时辅助医生进行诊断。
由此可见,通过先确定血管分割图像的血管末端,再利用第一预设像素尺寸的立体图形,对血管末端进行像素填充,以获得修复的血管分割图像,这样能够将血管末端的较细的且藕断丝连的血管进行自动修复,从而能够在三维可视化的过程中,得到更好的血管3D结果,进而有利于及时辅助医生进行血管病变的诊断。
在本申请另一个实施例中,如图5所示的方法是图3所示的方法的示例,如图5所示的方法还包括以下内容。
图5所示的方法中的步骤S510与图3所示的方法中的步骤S310相同,具体细节将不在此处进行赘述,请参见图3所示的方法中的步骤S310。
S520:对所述血管分割图像进行血管的中线提取,以获得血管中线图像。
在一实施例中,在得到了血管分割图像后,可以对该血管分割图像进行血管的中线提取,以获得血管中线图像,如图6所示。该血管中线图像也可以理解为二值图像,即,血管中线图像中的各个像素点可以用0或1进行表示,1表示中线上的像素点,0表示背景区域的像素点。
但是本申请实施例并不具体限定中线提取的具体实现方式,本领域技术人员可以根据实际需求,采用不同的中线提取的方法,例如,采用morphology函数。
虽然基于该网络模型所得到的血管分割图像的血管末端的血管太细,且存在藕断丝连的现象,但是通过提取血管分割图像的血管的中线,所得到的用于确定血管末端的血管中线图像中的中线是连续的,且不存在断开的现象,这样可以更加准确的得到血管末端。
S530:根据所述血管中线图像的中线上的多个像素点的连续性,获取所述血管的顶点,其中,所述中线上的多个像素点中的每个像素点的连续性为所述像素点和与其相邻的像素点的二值化数值相同。
在一实施例中,在得到了血管中线图像后,可以根据中线上的多个像素点的连续性,来获取血管的顶点,如图6所示的白色的圆点就是指血管的顶点。
在一实施例中,中线上的像素点的连续性为该像素点和与其相邻的血管中线图像中的像素点的二值化数值相同。中线上的像素点的二值化数值为1,那么如果与其相邻的血管中线图像的像素点的二值化数值为1,则表示该像素点具有连续性,如果与其相邻的血管中线图像的像素点的二值化数值为0,则表示该像素点不具有连续性。
对于血管的顶点,即,位于该中线的顶端的像素点,与其相邻的像素点既可以是中线上的像素点(其与血管的顶点具有连续性),也可以是背景的像素点(其与血管的顶点不具有连续性),所以血管的顶点只具有一个方向的连续性。根据血管的顶点只具有一个方向的连续性,可以从中线上选取到血管的顶点。
与血管的顶点相邻的像素点可以是指向各个方向(即,360度的方向)形成的与该顶点相邻的像素点,包括该顶点向中线方向形成的像素点,也包括该顶点向背景方向所形成的像素点。
在一个实施例中,可以遍历所述中线上的多个像素点中的每个像素点的连续性,当所述中线上的像素点具有一个方向的连续性,确定所述像素点为所述血管的顶点。
遍历中线上的多个像素点中的每个像素点的连续性,从中线上的多个像素点中找到符合要求的像素点为血管的顶点。例如,当中线上的像素点具有一个方向的连续性,也就是说,该像素点和与其相邻的中线上的像素点具有连续性(即,中线方向),而该像素点和与其相邻的背景的像素点不具有连续性(即,背景方向),从而可以确定该像素点为血管的顶点。
S540:基于所述顶点,确定所述血管末端。
在一实施例中,在得到了血管的顶点后,可以以该顶点为起点,向血管方向延伸预设的距离,所形成的一段血管就是指血管末端。但还是本申请实施例并不具体限定预设的距离的具体取值,本领域技术人员可以根据实际需求,来设定预设的距离的具体取值。
在另一实施例中,在得到了血管的顶点后,可以以该顶点为起点,再在中线上选取一个特定像素点作为血管末端的终点,该顶点和该特定像素点相连接,就得到了血管的末端。但还是本申请实施例并不具体限定选取中线上而定那个像素点为该特定像素点,本领域技术人员可以根据实际需求,来选取该特定像素点。
但是需要说明的是,本申请实施例并不具体限定如何根据顶点,来确定血管末端。
在本申请另一个实施例中,所述方法还包括:当所述中线上的像素点具有至少三个方向的连续性,确定所述像素点为所述血管的交叉点。
遍历中线上的多个像素点中的每个像素点的连续性,从中线上的多个像素点中找到符合要求的像素点为血管的交叉点,如图6所示的白色的方点就是指血管的交叉点。血管的交叉点就是指多个血管相交的点,那么交叉点由至少三个血管相交而组成。
对于血管的交叉点,与其相邻的像素点既可以是中线上的至少三个像素点(即,沿中线方向,其与血管的交叉点具有连续性),也可以是背景的像素点(即,沿背景方向,与血管的交叉点不具有连续性),所以血管的顶点具有至少三个方向的连续性。根据血管的交叉点具有至少三个方向的连续性,可以从中线上选取到血管的交叉点。
但是需要说明的是,血管上的交叉点可以有很多个,本申请实施例并不具体限定所确定的交叉点为中线上的哪个交叉点,本领域技术人员可以根据实际需求,选择不同的交叉点,例如,可以选择离血管的顶点最近的一个交叉点。
在本申请另一个实施例中,所述基于所述顶点,确定所述血管末端,包括:基于所述顶点和所述交叉点,确定所述血管末端。
在一示例中,将该顶点和该交叉点相连接,可以得到血管的末端。
在本申请另一个实施例中,所述遍历所述中线上的多个像素点中的每个像素点的连续性,包括:以所述中线上的多个像素点中的每个像素点为第二预设像素尺寸的立体图形的中心点,在所述第二预设像素尺寸的立体图形内,遍历所述中线上的多个像素点中的每个像素点沿各个方向的连续性。
在一示例中,将第二预设像素尺寸的立体图形的中心点与中线上的每个像素点相重合。
在一示例中,在该第二预设像素尺寸的立体图形内,计算中线上的每个像素点的连续性,即,沿各个方向上,确定中线上的每个像素点是否具有连续性。例如,中线上的每个像素点的二值化数值为1,在该第二预设像素尺寸的立体图形内,当中线上的一像素点只沿一个方向具有连续性时,即,二值化数值为1的且与其相邻的中线上的其他像素点也只有一个,那么中线上的该像素点为血管的顶点;当中线上的一像素点沿至少三个方向具有连续性时,即,二值化数值为1的且与其相邻的中线上的其他像素点有至少三个,那么中线上的该像素点为血管的交叉点;当中线上的一像素点沿两个方向具有连续性时,即,二值化数值为1的且与其相邻的中线上的其他像素点有两个,那么中线上的该像素点为血管上的除顶点和交叉点以外的任意点。
在一实施例中,该第二预设像素尺寸的立体图形可以是指长、宽和高均为3个像素的立方体,但是本申请实施例并不具体限定第二预设像素尺寸的具体大小,第二预设像素尺寸还可以设定为长、宽和高为5个像素;同时,本申请实施例也并不具体限定第二预设像素尺寸的立体图形的具体形状,该立体图形还可以为球形等,只要可以遍历出中线上的多个像素点中的每个像素点的向各个方向的连续性即可。
当所述血管分割图像为肺血管分割图像时,图7是本申请又一个实施例提供的图像处理的方法的流程示意图。图7所述的方法由计算设备(例如,服务器)来执行,但本申请实施例不以此为限。服务器可以是一台服务器,或者由若干台服务器组成,或者是一个虚拟化平台,或者是一个云计算服务中心,本申请实施例对此不作限定。如图7所示,该方法包括如下内容。
S710:以所述肺血管分割图像的中线上的多个像素点中的每个像素点为第三预设像素直径的球体的中心点,遍历所述球体内的像素点是否均具有连续性,其中,所述球体内的像素点的连续性为所述像素点和与其相邻的像素点的二值化数值相同。
在一实施例中,球体内的像素点的连续性为所述像素点和与其相邻的像素点的二值化数值相同。肺血管分割图像的肺血管的像素点的二值化数值为1,那么如果与其相邻的像素点的二值化数值为1,则表示该像素点具有连续性,如果与其相邻的像素点的二值化数值为0,则表示该像素点不具有连续性。
在一实施例中,可以对肺血管分割图像进行肺血管的中线提取,以在该肺血管分割图像上提取出肺血管的中线。
在一实施例中,球体内的像素点可以仅包括肺血管上的像素点,即,当以中线上的像素点为中心的肺血管的内切球的像素直径大于或等于第三预设像素直径时,球体内的像素点仅包括血管上的像素点。此时,球体内的像素点均具有连续性,即,球体内所有像素点的二值化数值均为1。
在一实施例中,球体内的像素点也可以包括肺血管上的像素点和背景的像素点,即,当以中线上的像素点为中心的肺血管的内切球的像素直径小于第三预设像素直径时,球体内的像素点既包括血管上的像素点,又包括背景的像素点。此时,球体内的像素点有些具有连续性,有些不具有连续性,即,球体内的肺血管上的像素点的二值化数值为1,球体内的背景的像素点的二值化数值为0,血管上的像素点和背景的像素点不具有连续性。
S720:根据所述球体内的像素点的连续性,确定与所述球体的中心点对应的所述中线上的像素点为靠近心脏的肺血管的中心点。
由于肺血管分割图像的肺血管的中线上有很多个像素点,如果将中线上的每个像素点均为中心,来求得每个像素点对应的肺血管的内切球,然后再对比每个肺血管的内切球的像素直径的大小,进而获得内切球的像素直径最大的像素点,通过这种方式,计算效率会非常低下。因此,可以预先设定第三预设像素直径的球体,将该球体的中心与中线上的每个像素点相重合,遍历该球体内的像素点是否均具有连续性,从中线上的很多个像素点中筛选出像素直径最大的内切球的中心点为符合要求的像素点,如图8中所示的白色小球体即为像素直径最大的肺血管的内切球。
但是本申请实施例并不具体限定第三预设像素直径的具体大小,本领域技术人员可以根据实际需求,来设定第三预设像素直径的具体大小,只要可以快速地求得内切球的像素直径最大的像素点即可。
通过确定靠近心脏的肺血管的中心点,不仅便于医生进行不同病变的诊断治疗,还可以在三维可视化的过程中,以靠近心脏的肺血管的中心点为球心,不断改变球体的像素直径大小,来对肺血管进行不同程度的分段显示,从而有利于医生灵活观察离靠近心脏的肺血管的中心点远近不同的血管情况。
例如,如图8所示的像素直径最大的肺血管的内切球的中心点就是肺血管分割图的中线上的一个像素点,可以将该像素点确定为靠近心脏的肺血管的中心点,通过设定分段显示的球体的像素直径,例如,以图8所示的大球体的像素直径为分段显示的球体的像素直径,可以得到如图9所示的肺血管的分段显示结果。
在一实施例中,球体的像素直径通过以下方式计算得出,计算肺血管分割图像的所有血管末端的中线上的点到靠近心脏的肺血管的中心点的距离,求出其平均像素距离,以该平均像素距离为球体的像素直径,但是本申请实施例并不以此为限。
在本申请另一个实施例中,所述根据所述球体内的像素点的连续性,确定与所述球体的中心点对应的所述中线上的像素点为靠近心脏的肺血管的中心点,包括:确定多个球体内的像素点均具有连续性;保留与所述多个球体的中心点对应的所述中线上的多个第一像素点;继续增大所述第三预设像素直径的大小,获取所述中线上的一个第一像素点为靠近所述心脏的肺血管的中心点。
应当理解,肺血管分割图像的中线上的每个像素点均可以作为第三预设像素直径的球体的中心点,那么可以得到多个第三预设像素直径的球体,再遍历多个第三预设像素直径的球体中的每个第三预设像素直径的球体内的像素点是否均具有连续性。
在一实施例中,可以确定出多个第三预设像素直径的球体内的像素点均具有连续性,也就是说,以中线上的多个第一像素点为中心的肺血管的内切球的像素直径均大于第三预设像素直径,那么保留中线上的多个第一像素点。
在一实施例中,继续不断的增大第三预设像素直径的大小,迭代执行上述步骤S710和S720,并利用二分法,可以从多个第一像素点中筛选出一个第一像素点,以该第一像素点为中心的肺血管的内切球的像素直径最大,那么该第一像素点即为靠近所述心脏的肺血管的中心点。
但是需要说明的是,本申请实施例并不限定从多个第一像素点中筛选出一个第一像素点的具体实现方式,可以采用二分法进行筛选,也可以采用其他方法进行筛选。
在本申请另一实施例中,如果血管末端是由中线上的顶点和与该顶点最近的第一交叉点连接得到,通过去掉血管末端的中线,将第一分叉点看作为新的血管末端的顶点,可以得到第二交叉点,如此不断递归,可以得到中线上的所有交叉点。根据所有交叉点,可以求得多级中线分段显示,即,所有交叉点中的任意一个交叉点和靠近心脏的肺血管的中心点可以形成一级分段显示。通过确定肺血管的所有交叉点,可以对分段显示进行更加细致的划分,以供医生进行血管病变的诊断治疗。
示例性装置
本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图10所示为本申请一个实施例提供的图像处理的装置的框图。如图10所示,该装置1000包括:
确定模块1010,配置为确定模块,配置为确定血管分割图像的血管末端;
修复模块1020,配置为利用第一预设像素尺寸的立体图形,对所述血管末端进行像素填充,以获得修复的血管分割图像。
在一个实施例中,所述装置1000还包括:用于执行上述实施例提及的图像处理的方法中的各个步骤的模块。
示例性电子设备
下面,参考图11来描述根据本申请实施例的电子设备。图11图示了根据本申请实施例的电子设备的框图。
如图11所示,电子设备1100包括一个或多个处理器1110和存储器1120。
处理器1110可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备1100中的其他组件以执行期望的功能。
存储器1120可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器1110可以运行所述程序指令,以实现上文所述的本申请的各个实施例的图像处理的方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中,电子设备1100还可以包括:输入装置1130和输出装置1140,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如,该输入装置1130可以是上述的麦克风或麦克风阵列,用于捕捉声源的输入信号。在该电子设备是单机设备时,该输入装置1130可以是通信网络连接器。
此外,该输入设备1130还可以包括例如键盘、鼠标等等。
该输出装置1140可以向外部输出各种信息,包括确定出的征象类别信息等。该输出设备1140可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图11中仅示出了该电子设备1100中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备1100还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的图像处理的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的图像处理的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (12)
1.一种图像处理的方法,其特征在于,包括:
确定血管分割图像的血管末端;
利用第一预设像素尺寸的立体图形,对所述血管末端进行像素填充,以获得修复的血管分割图像。
2.根据权利要求1所述的方法,其特征在于,所述确定血管分割图像的血管末端,包括:
对所述血管分割图像进行血管的中线提取,以获得血管中线图像;
根据所述血管中线图像的中线上的多个像素点的连续性,获取所述血管的顶点,其中,所述中线上的多个像素点中的每个像素点的连续性为所述像素点和与其相邻的像素点的二值化数值相同;
基于所述顶点,确定所述血管末端。
3.根据权利要求2所述的方法,其特征在于,所述根据所述血管中线图像的中线上的多个像素点的连续性,获取所述血管的顶点,包括:
遍历所述中线上的多个像素点中的每个像素点的连续性;
当所述中线上的像素点具有一个方向的连续性,确定所述像素点为所述血管的顶点。
4.根据权利要求3所述的方法,其特征在于,还包括:
当所述中线上的像素点具有至少三个方向的连续性,确定所述像素点为所述血管的交叉点,
其中,所述基于所述顶点,确定所述血管末端,包括:
基于所述顶点和所述交叉点,确定所述血管末端。
5.根据权利要求3所述的方法,其特征在于,所述遍历所述中线上的多个像素点中的每个像素点的连续性,包括:
以所述中线上的多个像素点中的每个像素点为第二预设像素尺寸的立体图形的中心点,在所述第二预设像素尺寸的立体图形内,遍历所述中线上的多个像素点中的每个像素点沿各个方向的连续性。
6.根据权利要求1至5中任一项所述的方法,其特征在于,当所述血管分割图像为肺血管分割图像时,所述方法还包括:
以所述肺血管分割图像的中线上的多个像素点中的每个像素点为第三预设像素直径的球体的中心点,遍历所述球体内的像素点是否均具有连续性,其中,所述球体内的像素点的连续性为所述像素点和与其相邻的像素点的二值化数值相同;
根据所述球体内的像素点的连续性,确定与所述球体的中心点对应的所述中线上的像素点为靠近心脏的肺血管的中心点。
7.根据权利要求6所述的方法,其特征在于,所述根据所述球体内的像素点的连续性,确定与所述球体的中心点对应的所述中线上的像素点为靠近心脏的肺血管的中心点,包括:
确定多个球体内的像素点均具有连续性;
保留与所述多个球体的中心点对应的所述中线上的多个第一像素点;
继续增大所述第三预设像素直径的大小,获取所述中线上的一个第一像素点为靠近所述心脏的肺血管的中心点。
8.根据权利要求1至5中任一项所述的方法,其特征在于,还包括:
根据原始血管图像,通过网络模型,获得所述血管分割图像。
9.根据权利要求1至5中任一项所述的方法,其特征在于,所述利用第一预设像素尺寸的立体图形为长、宽和高均为3个像素的立方体。
10.一种图像处理的装置,其特征在于,包括:
确定模块,配置为确定血管分割图像的血管末端;
修复模块,配置为利用第一预设像素尺寸的立体图形,对所述血管末端进行像素填充,以获得修复的血管分割图像。
11.一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于执行上述权利要求1至9中任一项所述的方法。
12.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1至9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011009597.8A CN112132981A (zh) | 2020-09-23 | 2020-09-23 | 图像处理的方法及装置,电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011009597.8A CN112132981A (zh) | 2020-09-23 | 2020-09-23 | 图像处理的方法及装置,电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112132981A true CN112132981A (zh) | 2020-12-25 |
Family
ID=73841271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011009597.8A Pending CN112132981A (zh) | 2020-09-23 | 2020-09-23 | 图像处理的方法及装置,电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132981A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096091A (zh) * | 2021-04-07 | 2021-07-09 | 推想医疗科技股份有限公司 | 图像处理方法及装置、电子设备及存储介质 |
CN113516677A (zh) * | 2021-04-13 | 2021-10-19 | 推想医疗科技股份有限公司 | 一种结构化分级管状结构血管的方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110142318A1 (en) * | 2009-12-10 | 2011-06-16 | Siemens Corporation | Stent viewing using a learning based classifier in medical imaging |
CN104778678A (zh) * | 2014-10-09 | 2015-07-15 | 中国石油大学(华东) | 一种考虑孔喉末端的孔隙喉道识别方法 |
-
2020
- 2020-09-23 CN CN202011009597.8A patent/CN112132981A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110142318A1 (en) * | 2009-12-10 | 2011-06-16 | Siemens Corporation | Stent viewing using a learning based classifier in medical imaging |
CN104778678A (zh) * | 2014-10-09 | 2015-07-15 | 中国石油大学(华东) | 一种考虑孔喉末端的孔隙喉道识别方法 |
Non-Patent Citations (5)
Title |
---|
宋强等: "基于渗透算法和改进型OPTA的裂纹检测算法", 《计算机工程与应用》 * |
林喜荣等: "人体手背血管图像的特征提取及匹配", 《清华大学学报》 * |
薛文格等: "基于Krisch算子和绝对关联度的图像边缘检测", 《计算机与数字工程》 * |
贾昔玲: "一种新的基于二值图像的边缘检测算法", 《科技情报开发与经济》 * |
贾桂敏等: "手指静脉红外图像血管网络修复新方法", 《红外与激光工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096091A (zh) * | 2021-04-07 | 2021-07-09 | 推想医疗科技股份有限公司 | 图像处理方法及装置、电子设备及存储介质 |
CN113096091B (zh) * | 2021-04-07 | 2022-02-08 | 推想医疗科技股份有限公司 | 图像处理方法及装置、电子设备及存储介质 |
CN113516677A (zh) * | 2021-04-13 | 2021-10-19 | 推想医疗科技股份有限公司 | 一种结构化分级管状结构血管的方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113066090B (zh) | 血管分割模型的训练方法及装置、应用方法及装置 | |
US7620225B2 (en) | Method for simple geometric visualization of tubular anatomical structures | |
WO2019037676A1 (zh) | 图像处理方法及装置 | |
US20080094389A1 (en) | Image Processing System for Automatic Segmentation of a 3-D Tree-Like Tubular Surface of an Object, Using 3-D Deformable Mesh Models | |
US10706534B2 (en) | Method and apparatus for classifying a data point in imaging data | |
EP3975117A1 (en) | Image segmentation method and apparatus, and training method and apparatus for image segmentation model | |
JP7346553B2 (ja) | 深層学習を使用する3dデータセット内のオブジェクトの成長率の決定 | |
WO2022062770A1 (zh) | 图像分割的方法及装置,以及电子设备 | |
CN114359205B (zh) | 头颈血管分析方法、装置、存储介质及电子设备 | |
CN111145160B (zh) | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 | |
CN113240696B (zh) | 图像处理方法及装置,模型的训练方法及装置,电子设备 | |
US11600379B2 (en) | Systems and methods for generating classifying and quantitative analysis reports of aneurysms from medical image data | |
CN112132981A (zh) | 图像处理的方法及装置,电子设备及存储介质 | |
CN113160189A (zh) | 血管中心线提取方法、装置、设备及存储介质 | |
CN115965750B (zh) | 血管重建方法、装置、计算机设备和可读存储介质 | |
JP2021521949A (ja) | インターベンショナルx線画像及びディープラーニングを用いたインタラクティブ冠動脈ラベル付け | |
CN114022471B (zh) | 确定穿刺点的方法及装置,电子设备及存储介质 | |
WO2022071208A1 (ja) | 情報処理装置、情報処理方法、プログラム、モデル生成方法及び訓練データ生成方法 | |
CN113962958A (zh) | 一种征象检测方法及装置 | |
CN114974596A (zh) | 一种动脉瘤内扰流装置模拟方法及装置 | |
CN113096091B (zh) | 图像处理方法及装置、电子设备及存储介质 | |
CN114359207B (zh) | 颅内血管分割方法、装置、存储介质及电子设备 | |
CN114565623B (zh) | 肺血管分割方法、装置、存储介质及电子设备 | |
CN115222665B (zh) | 一种斑块检测方法、装置、电子设备及可读存储介质 | |
EP4356837A1 (en) | Medical image diagnosis system, medical image diagnosis system evaluation method, and program |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201225 |
|
RJ01 | Rejection of invention patent application after publication |