CN112184888A - 三维血管建模的方法及装置 - Google Patents
三维血管建模的方法及装置 Download PDFInfo
- Publication number
- CN112184888A CN112184888A CN202011080380.6A CN202011080380A CN112184888A CN 112184888 A CN112184888 A CN 112184888A CN 202011080380 A CN202011080380 A CN 202011080380A CN 112184888 A CN112184888 A CN 112184888A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- contour
- image
- preliminary
- target
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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)
- Geometry (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请的实施例提供了一种三维血管建模的方法、装置、计算机可读介质及电子设备。该三维血管建模的方法包括:对待处理的二维血管图像进行分割处理,得到所述二维血管图像中的血管区域,在得到二维血管图像的血管区域之后,基于检测得到的初步中心线和初步轮廓,在二维场景下进行迭代调整得到目标中心线和目标轮廓,提高了中心线和轮廓识别的精确性,并能以较高的处理速度确定出目标中心线和目标轮廓,以在最后基于目标中心线和目标轮廓构建得到精确的三维血管模型,整个过程高效率、高精度、自动化地完成了血管的三维建模,为之后的血管分析提供了可靠的分析基础。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种三维血管建模的方法、装置、计算机可读介质及电子设备。
背景技术
随着数字图像和人工智能技术的发展,在很多医学领域中也用到了相关的技术。例如,相关技术中通过对医学图像进行建模,来得到对应的模型。例如生成血管轮廓或者中心线模型等等。但是相关技术中只基于灰度的方法往往对灰度的依赖较大,有时会忽视血管的结构;并且对于造影剂较淡的地方,中心线往往会偏离血管中心;对于血管分叉处,轮廓的确定受到较大影响,且在模糊的血管边缘有较差的分辨能力,容易受到背景噪声的影响。上述种种缺陷都将造成血管建模中出现不精确的问题,进而影响之后的血管状态分析。
发明内容
本申请的实施例提供了一种三维血管建模的方法、装置、计算机可读介质及电子设备,进而至少在一定程度上可以基于目标中心线和目标轮廓构建得到精确的三维血管模型,整个过程高效率、高精度、自动化地完成了血管的三维建模,为之后的血管分析提供了可靠的分析基础。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供了一种三维血管建模的方法,包括:对待处理的二维血管图像进行分割处理,得到所述二维血管图像中的血管区域,其中,所述二维血管图像包括血管的二维造影影像;检测所述血管区域中的初步中心线,并基于所述初步中心线确定所述血管区域的初步轮廓;基于所述初步轮廓对所述初步中心线进行调整,得到校正中心线,并基于所述校正中心线调整所述初步轮廓,得到校正轮廓,重复迭代上述中心线和轮廓的调整过程,直至得到所述二维血管图像的目标中心线与目标轮廓;基于所述目标中心线与目标轮廓,构建所述血管区域对应的三维血管模型。
根据本申请实施例的一个方面,提供了一种三维血管建模的装置,包括:分割单元,用于对待处理的二维血管图像进行分割处理,得到所述二维血管图像中的血管区域,其中,所述二维血管图像包括血管的二维造影影像;检测单元,用于检测所述血管区域中的初步中心线,并基于所述初步中心线确定所述血管区域的初步轮廓;校正单元,用于基于所述初步轮廓对所述初步中心线进行调整,得到校正中心线,并基于所述校正中心线调整所述初步轮廓,得到校正轮廓,重复迭代上述中心线和轮廓的调整过程,直至得到所述二维血管图像的目标中心线与目标轮廓;构建单元,用于基于所述目标中心线与目标轮廓,构建所述血管区域对应的三维血管模型。
在本申请的一些实施例中,基于前述方案,所述分割单元用于:将所述二维血管图像输入图像分割算法中,输出概率图像,其中,所述图像分割算法包括如下至少一种:基于灰度的图像分割算法、梯度的图像分割算法、基于二阶导数矩阵的图像分割算法以及基于深度学习的图像分割算法;基于设定的分割阈值,对所述概率图像进行阈值分割处理,得到所述二维血管图像中的血管区域。
在本申请的一些实施例中,基于前述方案,所述检测单元用于通过如下至少一种方式,确定所述血管区域中的初步中心线:基于形态学骨架化的方式,对所述血管区域进行处理,得到所述血管区域的初步中心线;通过区域增长法,对所述血管区域进行处理,得到所述血管区域的初步中心线;基于深度学习的方式,确定所述血管区域的初步中心线;对所述二维血管图像进行图像滤波处理,得到滤波结果,基于最小路径的方式,从所述滤波结果中提取得到所述初步中心线。
在本申请的一些实施例中,基于前述方案,所述检测单元包括:选取单元,用于从所述初步中心线中选取目标中心点对应的至少两个邻近中心点;区域单元,用于基于所述目标中心点与所述至少两个邻近中心点分别构成的方向向量之间的夹角,从所述血管区域中确定所述目标中心点对应的子区域图像;直径单元,用于基于所述子区域图像,确定所述目标中心点在所述血管区域中对应的轮廓边界;处理单元,用于重新选取目标中心点及其对应的邻近中心点,并确定所述目标中心点在所述血管区域中对应的轮廓边界,直至处理完毕所述初步中心线的全长对应的中心点;轮廓确定单元,用于基于所述血管区域中的各目标中心点对应的轮廓边界,确定所述血管区域对应的初步轮廓。
在本申请的一些实施例中,基于前述方案,所述邻近中心点包括第一邻近中心点和第二邻近中心点;所述区域单元包括:第一向量单元,用于基于所述目标中心点、所述第一邻近中心点以及第二邻近中心点的位置,确定所述目标中心点与所述第一邻近中心点构成的第一方向向量、所述目标中心点与所述第二邻近中心点构成的第二方向向量;第二向量单元,用于基于所述第一方向向量与所述第二方向向量之间的夹角,确定所述夹角的角平分向量;图像选取单元,用于基于所述角平分向量以及所述角平分向量对应的垂直向量,从所述血管区域中选取所述目标中心点对应的子区域图像。
在本申请的一些实施例中,基于前述方案,所述直径单元用于:对所述目标中心点对应的子区域图像进行插值处理,生成子区域插值图像;将所述子区域插值图像输入基于神经网络的识别模型中进行轮廓识别,得到所述子区域插值图像对应的概率图像;基于所述概率图像,确定所述目标中心点在所述血管区域中对应的轮廓边界。
在本申请的一些实施例中,基于前述方案,所述直径单元用于:基于所述子区域图像中的像素值,确定各像素对应的梯度值;通过高斯差分方法,确定各所述梯度值对应的梯度曲线;基于所述梯度曲线中的波谷位置对应的距离,确定所述目标中心点在所述血管区域中对应的轮廓边界。
在本申请的一些实施例中,基于前述方案,所述三维血管建模的装置还用于:检测所述初步中心线中的非平滑部分,对所述非平滑部分进行样条插值处理,得到平滑的初步中心线;和/或检测所述初步轮廓的两条轮廓边缘中的非平滑区域,对所述非平滑区域进行样条插值处理,得到平滑的初步轮廓。
在本申请的一些实施例中,基于前述方案,所述校正单元用于:
基于所述初步轮廓对应血管区域,通过形态学骨架化的方法,确定所述初步轮廓对应的校正中心线;基于所述校正中心线中对应的校正中心点,确定各所述校正中心点对应的子校正轮廓以及各所述子校正轮廓对应的轮廓边界;将各所述校正中心点对应的轮廓边界,得到所述校正中心线对应的校正轮廓。
在本申请的一些实施例中,基于前述方案,所述三维血管建模的装置还用于:获取中心线调整指令;基于所述中心线调整指令,调整所述初步中心线,得到校正中心线;基于所述校正中心线调整所述初步轮廓得到校正轮廓,重复迭代上述中心线和轮廓的调整过程,直至得到所述二维血管图像的所述目标中心线与所述目标轮廓;和/或获取轮廓调整指令;基于所述轮廓调整指令,调整所述初步轮廓,得到校正轮廓;基于所述校正轮廓调整所述初步中心线得到校正中心线,重复迭代上述中心线和轮廓的调整过程,直至得到所述二维血管图像的目标中心线与目标轮廓。
在本申请的一些实施例中,基于前述方案,所述构建单元用于:基于同一血管对应的至少两个血管区域,将所述至少两个血管区域对应的目标轮廓投影至其对应的三维坐标系;对各所述三维坐标系中的目标轮廓进行合成,生成所述血管区域对应的三维血管模型。
根据本申请实施例的一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例中所述的三维血管建模的方法。
根据本申请实施例的一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中所述的三维血管建模的方法。
根据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的三维血管建模的方法。
在本申请的一些实施例所提供的技术方案中,在得到二维血管图像的血管区域之后,基于检测得到的初步中心线和初步轮廓,在二维场景下进行迭代调整得到目标中心线和目标轮廓,提高了中心线和轮廓识别的精确性,并能以较高的处理速度确定出目标中心线和目标轮廓,以在最后基于目标中心线和目标轮廓构建得到精确的三维血管模型,整个过程高效率、高精度、自动化地完成了血管的三维建模,为之后的血管分析提供了可靠的分析基础。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图;
图2示意性示出了根据本申请的一个实施例的三维血管建模的方法的流程图;
图3示意性示出了根据本申请的一个实施例的训练图像分割算法的示意图;
图4示意性示出了根据本申请的一个实施例的基于图像分割算法分割图像的示意图;
图5示意性示出了根据本申请的一个实施例的生成初步中心线的示意图;
图6示意性示出了根据本申请的一个实施例的生成初步轮廓的示意图;
图7示意性示出了根据本申请的一个实施例的确定子区域图像的示意图;
图8示意性示出了根据本申请的一个实施例的冠脉轮廓局部采样范围矩形的双线性插值的示意图;
图9示意性示出了根据本申请的一个实施例的冠脉轮廓分割深度学习框架的示意图;
图10示意性示出了根据本申请的一个实施例的确定冠脉局部轮廓边界的示意图;
图11示意性示出了根据本申请的一个实施例的确定冠脉局部轮廓边界的示意图;
图12示意性示出了根据本申请的一个实施例的冠脉中心线自动平滑的示意图;
图13示意性示出了根据本申请的一个实施例的冠脉轮廓自动平滑的示意图;
图14示意性示出了根据本申请的一个实施例的冠脉中心线与轮廓自动迭代优化的示意图;
图15示意性示出了根据本申请的一个实施例的中心线与轮廓手动调整的示意图;
图16示意性示出了根据本申请的一个实施例的基于中心线与轮廓进行三维血管建模的示意图;
图17示意性示出了根据本申请的一个实施例的投影几何关系的示意图;
图18示意性示出了根据本申请的一个实施例的三维血管建模的示意图;
图19示意性示出了根据本申请的一个实施例的三维血管建模的装置的框图;
图20示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。
如图1所示,系统架构可以包括医学影像采集装置101、网络102、服务器103以及终端设备104。其中,本实施例中采集装置101用于采集主动脉的医学影像,可以为电子计算机断层扫描(Computed Tomography,CT)设备、核磁共振成像(Magnetic Resonance Imaging,MRI)设备等,此处不做限定;本实施例中的网络104用以在终端设备和服务器103之间提供通信链路,可以包括各种连接类型,例如有线通信链路、无线通信链路,或者蓝牙、5G网络等,此处不做限定,用于传输采集到的医学影像至血管检测装置;本实施例中终端设备104可以为智能手机、平板电脑和便携式计算机104中的一种或多种,当然也可以是台式计算机等等,此处不做限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。比如服务器103可以是多个服务器组成的服务器集群等。
需要说明的是,本实施例中服务器103可以与终端设备104具有相同的功能,即基于获取到的血管的医学影像进行三维血管建模。具体的,在进行三维血管建模时,对待处理的二维血管图像进行分割处理,得到二维血管图像中的血管区域,其中,二维血管图像包括血管的二维造影影像;检测血管区域中的初步中心线,并基于初步中心线确定血管区域的初步轮廓;基于初步轮廓对初步中心线进行调整,得到校正中心线,并基于校正中心线调整初步轮廓,得到校正轮廓,重复迭代上述中心线和轮廓的调整过程,直至得到二维血管图像的目标中心线与目标轮廓;基于目标中心线与目标轮廓,构建血管区域对应的三维血管模型。
上述方案,先对待处理的二维血管图像进行分割处理,得到二维血管图像中的血管区域,例如二维造影影像中的血管区域;之后对血管区域中的初步中心线进行检测,以基于初步中心线确定血管区域的初步轮廓;在得到初步中心线和初步轮廓之后,对初步轮廓对初步中心线进行调整得到校正中心线,之后基于校正中心线调整初步轮廓得到校正轮廓,并在校正过程中重复迭代上述中心线和轮廓的调整过程,直至得到二维血管图像的目标中心线与目标轮廓;最后基于目标中心线与目标轮廓,构建血管区域对应的三维血管模型。本申请实施例在得到二维血管图像的血管区域之后,基于检测得到的初步中心线和初步轮廓,在二维场景下进行迭代调整得到目标中心线和目标轮廓,提高了中心线和轮廓识别的精确性,并能以较高的处理速度确定出目标中心线和目标轮廓,以在最后基于目标中心线和目标轮廓构建得到精确的三维血管模型,整个过程高效率、高精度、自动化地完成了血管的三维建模,为之后的血管分析提供了可靠的分析基础。
需要说明的是,本申请实施例所提供的三维血管建模的方法一般由服务器103执行,相应地,三维血管建模的装置一般设置于服务器103中。但是,在本申请的其它实施例中,终端设备也可以与服务器具有相似的功能,从而执行本申请实施例所提供的三维血管建模的方案。
以下对本申请实施例的技术方案的实现细节进行详细阐述:
图2示出了根据本申请的一个实施例的三维血管建模的方法的流程图,该三维血管建模的方法可以由服务器来执行,该服务器可以是图1中所示的服务器。参照图2所示,该三维血管建模的方法至少包括步骤S210至步骤S240,详细介绍如下:
在步骤S210中,对待处理的二维血管图像进行分割处理,得到二维血管图像中的血管区域,其中,二维血管图像包括血管的二维造影影像。
在本申请的一个实施例中,可以通服务器直接获取待处理的二维血管图像,也可以通过摄像造影装置来获取二维血管图像,在对二维血管图像进行分割处理时,可以通过算法模型的方式进行分割,得到二维血管图像中的血管区域。
示例性的,本实施例中的二维血管图像为二维的平面图像,其中可以为二维造影影像等等。
图3为本申请实施例提供的一种训练图像分割算法的示意图。
如图3所示,本实施例中将2D的原始冠脉造影图像310通过神经网络320,得到预测结果;在330中把预测结果和人工标注做比较,反馈给神经网络;之后更新神经网络,使其朝着减少预测误差的方向演进。本实施例中使用大量数据,成千上万次的重复上述迭代过程,最终预测结果会和人工标准接近,得到精确的图像分割算法,以基于图像分割算法直接对冠脉全图进行分割,实现端到端的算法处理方式,快速简洁。
在本申请的一个实施例中,在对图像分割算法进行训练之前,先进行数据预处理与数据扩增。示例性的,本实施例中的数据预处理可以包括白化处理等,实际情况中,各家医院采用不同的医学影像设备,造成同一个深度学习模型有较大的分割结果差异。将原始的医学影像等进行白化,例如将0~255的灰度值线性映射到[0,1],增加深度学习模型的鲁棒性。本实施例中考虑到医学影像数据的样本数较少,在深度学习训练时需要人为增加数据样本以改进分割结果的鲁棒性。相较于现有的技术采用简单复制样本的方法来扩增数据样本,本技术采用:图像平移、旋转、镜像、亮度变化和缩放等数据扩增的方法来改进分割结果,尤其是增加一个服从正态分布噪声的数据扩增方法改进分割效果明显。本实施例中通过对原始的冠脉造影医学影像数据做数据预处理及数据扩增工作,以提高深度学习分割算法的准确率、鲁棒性。
在本申请的一个实施例中,步骤S210中对待处理的二维血管图像进行分割处理,得到二维血管图像中的血管区域的过程,包括如下步骤:将二维血管图像输入图像分割算法中,输出概率图像,其中,图像分割算法包括如下至少一种:基于灰度的图像分割算法、梯度的图像分割算法、基于二阶导数矩阵的图像分割算法以及基于深度学习的图像分割算法;基于设定的分割阈值,对概率图像进行阈值分割处理,得到二维血管图像中的血管区域。
图4为本申请实施例提供的一种基于图像分割算法分割图像的示意图。
如图4所示,本实施例中二维血管图像为原始冠脉造影图像410,图像分割算法为深层神经网络420。通过将原始冠脉造影图像410输入深层神经网络420中,模型的输出为与原始医学影像数据大小一致的概率图P。对概率图P做阈值分割操作,得到最终冠脉造影分割结果R,即深层学习分割结果430。其中,R的尺寸与概率图相同,本实施例中的阈值可以设置为0.5,概率图像中的1表示血管,0表示背景。
在步骤S220中,检测血管区域中的初步中心线,并基于初步中心线确定血管区域的初步轮廓。
请继续参考图4所示,在本申请的一个实施例中,在得到血管区域之后,检测血管区域中的初步中心线,即2D骨架化结果440,并基于初步中心线确定血管区域的初步轮廓。需要说明的是,本实施例中的步骤S220是基于二维图像执行的,因此,本实施例中的初步轮廓也为二维的血管边界。
在本申请的一个实施例中,步骤S220中检测血管区域中的初步中心线的过程,包括通过如下至少一种方式,确定血管区域中的初步中心线:基于形态学骨架化的方式,对血管区域进行处理,得到血管区域的初步中心线;通过区域增长法,对血管区域进行处理,得到血管区域的初步中心线;基于深度学习的方式,确定血管区域的初步中心线;对二维血管图像进行图像滤波处理,得到滤波结果,基于最小路径的方式,从滤波结果中提取得到初步中心线。
图5为本申请实施例提供的一种生成初步中心线的示意图。
如图5所示,本实施中不仅可以通过深度学习+图像骨架化的方法获取冠脉中心线,还可以通过传统的图像几何滤波算法对原始冠脉造影510进行处理,生成滤波结果520,之后通过最小路径的方法提取得到其中的中心线530。
图6为本申请实施例提供的一种生成初步轮廓的示意图。
如图6所示,本实施例中在获得中心线610之后,跟据每个点上的局部情况,通过分割的方式得到每个点对应的2D轮廓边界,之后,基于2D轮廓边界生成初步轮廓620。
在本申请的一个实施例中,步骤S220中基于初步中心线确定血管区域的初步轮廓的过程,包括步骤S221~S225:
步骤S221,从初步中心线中选取目标中心点对应的至少两个邻近中心点。
图7为本申请实施例提供的一种确定子区域图像的示意图。
如图7所示,本实施例中目标中心点为Pi、邻近中心点Pi-1、Pi+1。
步骤S222,基于目标中心点与至少两个邻近中心点分别构成的方向向量之间的夹角,从血管区域中确定目标中心点对应的子区域图像。
具体的,邻近中心点包括第一邻近中心点和第二邻近中心点;步骤S222中基于目标中心点与至少两个邻近中心点分别构成的方向向量之间的夹角,从血管区域中确定目标中心点对应的子区域图像的过程,具体包括:基于目标中心点、第一邻近中心点以及第二邻近中心点的位置,确定目标中心点与第一邻近中心点构成的第一方向向量、目标中心点与第二邻近中心点构成的第二方向向量;基于第一方向向量与第二方向向量之间的夹角,确定夹角的角平分向量;基于角平分向量以及角平分向量对应的垂直向量,从血管区域中选取目标中心点对应的子区域图像。
如图7所示,本实施例中目标中心点为Pi、第一邻近中心点Pi-1以及第二邻近中心点Pi+1的位置,确定目标中心点与第一邻近中心点构成的第一方向向量、目标中心点与第二邻近中心点构成的第二方向向量;基于第一方向向量与第二方向向量之间的夹角,确定夹角的角平分向量ti;基于角平分向量以及角平分向量对应的垂直向量di,从血管区域中选取目标中心点对应的子区域图像,即图7中虚线框对应的区域710。
步骤S223,基于子区域图像,确定目标中心点在血管区域中对应的轮廓边界。
在本申请的一个实施例中,在生成子区域图像之后,基于子区域图像的宽度或者长度,确定目标中心点在血管区域中对应的轮廓边界。
具体的,步骤S223中基于子区域图像,确定目标中心点在血管区域中对应的轮廓边界的过程,包括步骤S2231~S2233:
步骤S2231,对目标中心点对应的子区域图像进行插值处理,生成子区域插值图像。
图8为本申请实施例提供的一种冠脉轮廓局部采样范围矩形的双线性插值的示意图。
如图8所示,在步骤S2231中,当我们确定了中心线上某个点的局部采样矩形区域810,我们会对2D冠脉造影图像进行采样,若直接“挖”出图像上的矩形区域,会产生不完整的像素,比如“半个”像素。为了采样得到的图像为完整的像素数组,进行插值处理,例如双线性插值操作,以生成子区域插值图像820。
步骤S2232,将子区域插值图像输入基于神经网络的识别模型中进行轮廓识别,得到子区域插值图像对应的概率图像。
图9为本申请实施例提供的一种冠脉轮廓分割深度学习框架的示意图。
如图9所示,将原始轮廓插值图像910输入深度神经网络920中,得到预测结果;在930中把预测结果和人工标注做比较,反馈给神经网络;更新神经网络,使其朝着减少预测误差的方向演进。本实施例中使用大量数据,成千上万次的重复上述迭代过程,最终预测结果会和人工标准接近。本方案针对局部采样图像进行分割,能较好地处理血管分支处,以及噪声等复杂情况,避免了其他全局不利因素的影响。
图10为本申请实施例提供的一种确定冠脉局部轮廓边界的示意图。
如图10所示,在步骤S2232中,经过插值的局部图像采样矩形区域输入已经训练好的深层神经网络模型1010中,模型的输出为与输入数据大小一致的概率图P。
步骤S2233,基于概率图像,确定目标中心点在血管区域中对应的轮廓边界。
对概率图P做阈值分割(阈值可以设置为0.5)操作,得到最终局部轮廓分割结果R(1表示血管,0表示背景),R的尺寸与概率图相同,然后提取出分割结果的轮廓边界1020。
具体的,步骤S223中基于子区域图像,确定目标中心点在血管区域中对应的轮廓边界的过程,包括如下步骤:基于子区域图像中的像素值,确定各像素对应的梯度值;通过高斯差分方法,确定各梯度值对应的梯度曲线;基于梯度曲线中的波谷位置对应的距离,确定目标中心点在血管区域中对应的轮廓边界。
图11为本申请实施例提供的一种确定冠脉局部轮廓边界的示意图。
如图11所示,选取待处理点Pi的前后邻近点Pi-1与Pi+1,获得方向向量Pi-1Pi与PiPi+ 11110,取它们夹角的平分方向为方向向量di为血管的平滑走向,ti垂直于di,di与ti作为采样矩形两个轴的方向。对2D冠脉造影图像进行采样,进行双线性插值操作1120,得到的图像为完整的像素数组。再对采样块的法线方向用高斯差分的方法得到梯度曲线,选择曲线的两个波谷内侧间距作为轮廓边界1130。
步骤S224,重新选取目标中心点及其对应的邻近中心点,并确定目标中心点在血管区域中对应的轮廓边界,直至处理完毕初步中心线的全长对应的中心点。
在本申请的一个实施例中,在生成当前目标中心点对应的轮廓边界之后,重新选取下一个目标中心点及其对应的邻近中心点,并确定目标中心点在血管区域中对应的轮廓边界,直至处理完毕初步中心线的全长对应的中心点。
步骤S225,基于血管区域中的各目标中心点对应的轮廓边界,确定血管区域对应的初步轮廓。
在本申请的一个实施例中,基于血管区域中的各目标中心点对应的轮廓边界,对这些轮廓边界进行离散的组合,生成血管区域对应的初步轮廓。
在本申请的一个实施例中,本实施例中的方法还包括:检测初步中心线中的非平滑部分,对非平滑部分进行样条插值处理,得到平滑的初步中心线;和/或检测初步轮廓的两条轮廓边缘中的非平滑区域,对非平滑区域进行样条插值处理,得到平滑的初步轮廓。
图12为本申请实施例提供的冠脉中心线自动平滑的示意图。
图12中,通过对冠脉分割结果进行骨架化处理得到的中心线1210,经过Spline算法自动光滑处理,得到一条较为光滑的中心线1220。
图13为本申请实施例提供的冠脉轮廓自动平滑的示意图。
图13中,将自动生成的冠脉轮廓1310,经过Spline算法自动光滑处理,得到两条较为光滑的轮廓线1320。
在步骤S230中,基于初步轮廓对初步中心线进行调整,得到校正中心线,并基于校正中心线调整初步轮廓,得到校正轮廓,重复迭代上述中心线和轮廓的调整过程,直至得到二维血管图像的目标中心线与目标轮廓。
图14为本申请实施例提供的冠脉中心线与轮廓自动迭代优化的示意图。
如图14所示,在本申请的一个实施例中,为了使自动生成的中心线分布在血管中心,并且轮廓也更贴合在血管边缘,在生成初始中心线1410和初始轮廓1420之后,采用中心线与轮廓迭代优化的方法对已生成的中心线与轮廓进行处理。具体的,根据轮廓优化中心线1430,使得中心线自动分布在血管的中心,获得新的中心线1440之后,根据新的中心线优化轮廓1450,再次生成新的轮廓1460,以此类推,进行数次迭代之后,得到接近真实情况的血管。
在本申请的一个实施例中,步骤S230中基于初步轮廓对初步中心线进行调整,得到校正中心线,并基于校正中心线调整初步轮廓,得到校正轮廓的过程,包括如下步骤:基于初步轮廓对应血管区域,通过形态学骨架化的方法,确定初步轮廓对应的校正中心线;基于校正中心线中对应的校正中心点,确定各校正中心点对应的子校正轮廓以及各子校正轮廓对应的轮廓边界;将各校正中心点对应的轮廓边界,得到校正中心线对应的校正轮廓。
本实施例中,可以基于校正中心线来调整轮廓,在调整中心线时,中心线上对应点的轮廓会自动跟随;同样的,调整轮廓时,中心线也会自动跟随。其中自动跟随包括自动迭代优化与自动平滑。
在本申请的一个实施例中,方法还包括:获取中心线调整指令;基于中心线调整指令,调整初步中心线,得到校正中心线;基于校正中心线调整初步轮廓得到校正轮廓,重复迭代上述中心线和轮廓的调整过程,直至得到二维血管图像的目标中心线与目标轮廓;和/或获取轮廓调整指令;基于轮廓调整指令,调整初步轮廓,得到校正轮廓;基于校正轮廓调整初步中心线得到校正中心线,重复迭代上述中心线和轮廓的调整过程,直至得到二维血管图像的目标中心线与目标轮廓。
图15为本申请实施例提供的中心线与轮廓手动调整的示意图。
如图15所示,认为平滑后的中心线与轮廓仍存在误差,可以通过拖动中心线或者轮廓上的控制点进行微调。手动微调中心线时,对应点的轮廓会自动跟随;同样的,调整轮廓时,中心线也会自动跟随。其中自动跟随包括自动迭代优化与自动平滑。
需要说明的是,上述方案中,可以对中心线和轮廓其中的一个进行调整,也可以对两者都进行调整。
在步骤S240中,基于目标中心线与目标轮廓,构建血管区域对应的三维血管模型。
图16为本申请实施例提供的基于中心线与轮廓进行三维血管建模的示意图。
如图16所示,两幅造影上的2D中心线与轮廓1610可通过投影几何关系生成3D的中心线与轮廓1620,并最终生成血管3D模型1630。
在本申请的一个实施例中,步骤S240中基于目标中心线与目标轮廓,构建血管区域对应的三维血管模型的过程,包括如下步骤:基于同一血管对应的至少两个血管区域,将至少两个血管区域对应的目标轮廓投影至其对应的三维坐标系;对各三维坐标系中的目标轮廓进行合成,生成血管区域对应的三维血管模型。
图17为本申请实施例提供的投影几何关系的示意图。
如图17所示,通过DICOM冠脉造影数据可以获取O1XYZ坐标系与O2XYZ坐标系在三维空间中的原点以及方向,结合上述获得的两个投影平面上的2D中心线与轮廓,即第一投影平面1720和第二投影平面1710,通过几何空间数学关系式计算出3D的血管模型。
图18为本申请实施例提供的三维血管建模的示意图。
如图18所示,本实施例中通过对原始医学影像的冠脉造影1810进行冠脉分割1820,之后确定冠脉的中心线1830并对其进行自动平滑,之后对中心线和冠脉轮廓1850进行自动迭代优化1840,同时也可以进行手工调整1860,以得到最后的冠脉模型1870。本实施例所产生的有益效果是多方面的、高效的、自动化的和准确的。在高度自动化的操作下,精准地进行冠脉三维建模。本实施例不局限于操作系统;交互简便,仅需选择感兴趣血管段的首尾两点,便能自动生成中心线与轮廓;自动算法的计算速度快,人工交互选点完成后,几乎瞬间自动生成中心线与轮廓;自动生成的中心线与轮廓,准确及光滑;本实施例提供的手动调整方法,能提供良好的交互体验,尽可能降低了操作的复杂度。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的三维血管建模的方法。可以理解的是,装置可以是运行于计算机设备中的一个计算机程序(包括程序代码),例如该装置为一个应用软件;该装置可以用于执行本申请实施例提供的方法中的相应步骤。对于本申请装置实施例中未披露的细节,请参照本申请上述的三维血管建模的方法的实施例。
图19示出了根据本申请的一个实施例的三维血管建模的装置的框图。
参照图19所示,根据本申请的一个实施例的三维血管建模的装置1900,包括:分割单元1910,用于对待处理的二维血管图像进行分割处理,得到所述二维血管图像中的血管区域,其中,所述二维血管图像包括血管的二维造影影像;检测单元1920,用于检测所述血管区域中的初步中心线,并基于所述初步中心线确定所述血管区域的初步轮廓;校正单元1930,用于基于所述初步轮廓对所述初步中心线进行调整,得到校正中心线,并基于所述校正中心线调整所述初步轮廓,得到校正轮廓,重复迭代上述中心线和轮廓的调整过程,直至得到所述二维血管图像的目标中心线与目标轮廓;构建单元1940,用于基于所述目标中心线与目标轮廓,构建所述血管区域对应的三维血管模型。
在本申请的一些实施例中,基于前述方案,所述分割单元1910包括:选取单元,用于从初步中心线中选取目标中心点对应的至少两个邻近中心点;区域单元,用于基于目标中心点与至少两个邻近中心点分别构成的方向向量之间的夹角,从血管区域中确定目标中心点对应的子区域图像;直径单元,用于基于子区域图像,确定目标中心点在血管区域中对应的轮廓边界;处理单元,用于重新选取目标中心点及其对应的邻近中心点,并确定目标中心点在血管区域中对应的轮廓边界,直至处理完毕初步中心线的全长对应的中心点;轮廓确定单元,用于基于血管区域中的各目标中心点对应的轮廓边界,确定血管区域对应的初步轮廓。
在本申请的一些实施例中,基于前述方案,邻近中心点包括第一邻近中心点和第二邻近中心点;区域单元包括:第一向量单元,用于基于目标中心点、第一邻近中心点以及第二邻近中心点的位置,确定目标中心点与第一邻近中心点构成的第一方向向量、目标中心点与第二邻近中心点构成的第二方向向量;第二向量单元,用于基于第一方向向量与第二方向向量之间的夹角,确定夹角的角平分向量;图像选取单元,用于基于角平分向量以及角平分向量对应的垂直向量,从血管区域中选取目标中心点对应的子区域图像。
在本申请的一些实施例中,基于前述方案,直径单元用于:对目标中心点对应的子区域图像进行插值处理,生成子区域插值图像;将子区域插值图像输入基于神经网络的识别模型中进行轮廓识别,得到子区域插值图像对应的概率图像;基于概率图像,确定目标中心点在血管区域中对应的轮廓边界。
在本申请的一些实施例中,基于前述方案,直径单元用于:基于子区域图像中的像素值,确定各像素对应的梯度值;通过高斯差分方法,确定各梯度值对应的梯度曲线;基于梯度曲线中的波谷位置对应的距离,确定目标中心点在血管区域中对应的轮廓边界。
在本申请的一些实施例中,基于前述方案,三维血管建模的装置还用于:检测初步中心线中的非平滑部分,对非平滑部分进行样条插值处理,得到平滑的初步中心线;和/或检测初步轮廓的两条轮廓边缘中的非平滑区域,对非平滑区域进行样条插值处理,得到平滑的初步轮廓。
在本申请的一些实施例中,基于前述方案,校正单元用于:基于初步轮廓对应血管区域,通过形态学骨架化的方法,确定初步轮廓对应的校正中心线;基于校正中心线中对应的校正中心点,确定各校正中心点对应的子校正轮廓以及各子校正轮廓对应的轮廓边界;将各校正中心点对应的轮廓边界,得到校正中心线对应的校正轮廓。
在本申请的一些实施例中,基于前述方案,三维血管建模的装置还用于:获取中心线调整指令;基于中心线调整指令,调整初步中心线,得到校正中心线;基于校正中心线调整初步轮廓得到校正轮廓,重复迭代上述中心线和轮廓的调整过程,直至得到二维血管图像的目标中心线与目标轮廓;和/或获取轮廓调整指令;基于轮廓调整指令,调整初步轮廓,得到校正轮廓;基于校正轮廓调整初步中心线得到校正中心线,重复迭代上述中心线和轮廓的调整过程,直至得到二维血管图像的目标中心线与目标轮廓。
在本申请的一些实施例中,基于前述方案,构建单元用于:基于同一血管对应的至少两个血管区域,将至少两个血管区域对应的目标轮廓投影至其对应的三维坐标系;对各三维坐标系中的目标轮廓进行合成,生成血管区域对应的三维血管模型。
图20示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图20示出的电子设备的计算机系统2000仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图20所示,计算机系统2000包括中央处理单元(Central Processing Unit,CPU)2001,其可以根据存储在只读存储器(Read-Only Memory,ROM)2002中的程序或者从储存部分2008加载到随机访问存储器(RandomAccess Memory,RAM)2003中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 2003中,还存储有系统操作所需的各种程序和数据。CPU 2001、ROM 2002以及RAM 2003通过总线2004彼此相连。输入/输出(Input/Output,I/O)接口2005也连接至总线2004。
以下部件连接至I/O接口2005:包括键盘、鼠标等的输入部分2006;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分2007;包括硬盘等的储存部分2008;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分2009。通信部分2009经由诸如因特网的网络执行通信处理。驱动器2010也根据需要连接至I/O接口2005。可拆卸介质2011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器2010上,以便于从其上读出的计算机程序根据需要被安装入储存部分2008。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分2009从网络上被下载和安装,和/或从可拆卸介质2011被安装。在该计算机程序被中央处理单元(CPU)2001执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的方法。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (12)
1.一种三维血管建模的方法,其特征在于,包括:
对待处理的二维血管图像进行分割处理,得到所述二维血管图像中的血管区域,其中,所述二维血管图像包括血管的二维造影影像;
检测所述血管区域中的初步中心线,并基于所述初步中心线确定所述血管区域的初步轮廓;
基于所述初步轮廓对所述初步中心线进行调整,得到校正中心线,并基于所述校正中心线调整所述初步轮廓,得到校正轮廓,重复迭代上述中心线和轮廓的调整过程,直至得到所述二维血管图像的目标中心线与目标轮廓;
基于所述目标中心线与目标轮廓,构建所述血管区域对应的三维血管模型。
2.根据权利要求1所述的方法,其特征在于,对待处理的二维血管图像进行分割处理,得到所述二维血管图像中的血管区域,包括:
将所述二维血管图像输入图像分割算法中,输出概率图像,其中,所述图像分割算法包括如下至少一种:基于灰度的图像分割算法、梯度的图像分割算法、基于二阶导数矩阵的图像分割算法以及基于深度学习的图像分割算法;
基于设定的分割阈值,对所述概率图像进行阈值分割处理,得到所述二维血管图像中的血管区域。
3.根据权利要求1所述的方法,其特征在于,检测所述血管区域中的初步中心线,包括:
通过如下至少一种方式,确定所述血管区域中的初步中心线:
基于形态学骨架化的方式,对所述血管区域进行处理,得到所述血管区域的初步中心线;
通过区域增长法,对所述血管区域进行处理,得到所述血管区域的初步中心线;
基于深度学习的方式,确定所述血管区域的初步中心线;
对所述二维血管图像进行图像滤波处理,得到滤波结果,基于最小路径的方式,从所述滤波结果中提取得到所述初步中心线。
4.根据权利要求1所述的方法,其特征在于,基于所述初步中心线确定所述血管区域的初步轮廓,包括:
从所述初步中心线中选取目标中心点对应的至少两个邻近中心点;
基于所述目标中心点与所述至少两个邻近中心点分别构成的方向向量之间的夹角,从所述血管区域中确定所述目标中心点对应的子区域图像;
基于所述子区域图像,确定所述目标中心点在所述血管区域中对应的轮廓边界;
重新选取目标中心点及其对应的邻近中心点,并确定所述目标中心点在所述血管区域中对应的轮廓边界,直至处理完毕所述初步中心线的全长对应的中心点;
基于所述血管区域中的各目标中心点对应的轮廓边界,确定所述血管区域对应的初步轮廓。
5.根据权利要求4所述的方法,其特征在于,所述邻近中心点包括第一邻近中心点和第二邻近中心点;
基于所述目标中心点与所述至少两个邻近中心点分别构成的方向向量之间的夹角,从所述血管区域中确定所述目标中心点对应的子区域图像,包括:
基于所述目标中心点、所述第一邻近中心点以及第二邻近中心点的位置,确定所述目标中心点与所述第一邻近中心点构成的第一方向向量、所述目标中心点与所述第二邻近中心点构成的第二方向向量;
基于所述第一方向向量与所述第二方向向量之间的夹角,确定所述夹角的角平分向量;
基于所述角平分向量以及所述角平分向量对应的垂直向量,从所述血管区域中选取所述目标中心点对应的子区域图像。
6.根据权利要求4所述的方法,其特征在于,基于所述子区域图像,确定所述目标中心点在所述血管区域中对应的轮廓边界,包括:
对所述目标中心点对应的子区域图像进行插值处理,生成子区域插值图像;
将所述子区域插值图像输入基于神经网络的识别模型中进行轮廓识别,得到所述子区域插值图像对应的概率图像;
基于所述概率图像,确定所述目标中心点在所述血管区域中对应的轮廓边界。
7.根据权利要求4所述的方法,其特征在于,基于所述子区域图像,确定所述目标中心点在所述血管区域中对应的轮廓边界,包括:
基于所述子区域图像中的像素值,确定各像素对应的梯度值;
通过高斯差分方法,确定各所述梯度值对应的梯度曲线;
基于所述梯度曲线中的波谷位置对应的距离,确定所述目标中心点在所述血管区域中对应的轮廓边界。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
检测所述初步中心线中的非平滑部分,对所述非平滑部分进行样条插值处理,得到平滑的初步中心线;和/或
检测所述初步轮廓的两条轮廓边缘中的非平滑区域,对所述非平滑区域进行样条插值处理,得到平滑的初步轮廓。
9.根据权利要求1所述的方法,其特征在于,基于所述初步轮廓对所述初步中心线进行调整,得到校正中心线,包括:
基于所述初步轮廓对应血管区域,通过形态学骨架化的方法,确定所述初步轮廓对应的校正中心线;
基于所述校正中心线中对应的校正中心点,确定各所述校正中心点对应的子校正轮廓以及各所述子校正轮廓对应的轮廓边界;
将各所述校正中心点对应的轮廓边界,得到所述校正中心线对应的校正轮廓。
10.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取中心线调整指令;基于所述中心线调整指令,调整所述初步中心线,得到校正中心线;基于所述校正中心线调整所述初步轮廓得到校正轮廓,重复迭代上述中心线和轮廓的调整过程,直至得到所述二维血管图像的所述目标中心线与所述目标轮廓;
和/或
获取轮廓调整指令;基于所述轮廓调整指令,调整所述初步轮廓,得到校正轮廓;基于所述校正轮廓调整所述初步中心线得到校正中心线,重复迭代上述中心线和轮廓的调整过程,直至得到所述二维血管图像的目标中心线与目标轮廓。
11.根据权利要求1所述的方法,其特征在于,基于所述目标中心线与目标轮廓,构建所述血管区域对应的三维血管模型,包括:
基于同一血管对应的至少两个血管区域,将所述至少两个血管区域对应的目标轮廓投影至其对应的三维坐标系;
对各所述三维坐标系中的目标轮廓进行合成,生成所述血管区域对应的三维血管模型。
12.一种三维血管建模的装置,其特征在于,包括:
分割单元,用于对待处理的二维血管图像进行分割处理,得到所述二维血管图像中的血管区域,其中,所述二维血管图像包括血管的二维造影影像;
检测单元,用于检测所述血管区域中的初步中心线,并基于所述初步中心线确定所述血管区域的初步轮廓;
校正单元,用于基于所述初步轮廓对所述初步中心线进行调整,得到校正中心线,并基于所述校正中心线调整所述初步轮廓,得到校正轮廓,重复迭代上述中心线和轮廓的调整过程,直至得到所述二维血管图像的目标中心线与目标轮廓;
构建单元,用于基于所述目标中心线与目标轮廓,构建所述血管区域对应的三维血管模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011080380.6A CN112184888A (zh) | 2020-10-10 | 2020-10-10 | 三维血管建模的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011080380.6A CN112184888A (zh) | 2020-10-10 | 2020-10-10 | 三维血管建模的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112184888A true CN112184888A (zh) | 2021-01-05 |
Family
ID=73947479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011080380.6A Pending CN112184888A (zh) | 2020-10-10 | 2020-10-10 | 三维血管建模的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184888A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862759A (zh) * | 2021-01-19 | 2021-05-28 | 杭州深睿博联科技有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
CN113012114A (zh) * | 2021-03-02 | 2021-06-22 | 推想医疗科技股份有限公司 | 一种血管识别方法、装置、存储介质及电子设备 |
CN113256564A (zh) * | 2021-04-28 | 2021-08-13 | 深圳睿心智能医疗科技有限公司 | 医学影像中的导管参数提取方法及装置 |
CN113674392A (zh) * | 2021-07-06 | 2021-11-19 | 北京阅影科技有限公司 | 三维血管模型的生成方法及其装置 |
CN113888690A (zh) * | 2021-10-19 | 2022-01-04 | 柏意慧心(杭州)网络科技有限公司 | 用于确定血管中的目标区段的方法、设备和介质 |
CN115187598A (zh) * | 2022-09-09 | 2022-10-14 | 天津远景科技服务有限公司 | 血管造影图像的处理方法、装置、系统、设备及介质 |
CN115239892A (zh) * | 2022-09-23 | 2022-10-25 | 天津远景科技服务有限公司 | 三维血管模型的构建方法、装置、设备及存储介质 |
CN115375719A (zh) * | 2022-08-18 | 2022-11-22 | 华科精准(北京)医疗科技有限公司 | 一种血管图像分割方法及装置 |
CN115482181A (zh) * | 2021-05-31 | 2022-12-16 | 数坤(北京)网络科技股份有限公司 | 一种图像信息提取方法、装置、电子设备和可读存储介质 |
CN115661225A (zh) * | 2022-12-26 | 2023-01-31 | 深圳微创踪影医疗装备有限公司 | 三维血管图像重建方法、装置、计算机设备、存储介质 |
-
2020
- 2020-10-10 CN CN202011080380.6A patent/CN112184888A/zh active Pending
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862759A (zh) * | 2021-01-19 | 2021-05-28 | 杭州深睿博联科技有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
CN113012114A (zh) * | 2021-03-02 | 2021-06-22 | 推想医疗科技股份有限公司 | 一种血管识别方法、装置、存储介质及电子设备 |
CN113012114B (zh) * | 2021-03-02 | 2021-12-03 | 推想医疗科技股份有限公司 | 一种血管识别方法、装置、存储介质及电子设备 |
CN113256564A (zh) * | 2021-04-28 | 2021-08-13 | 深圳睿心智能医疗科技有限公司 | 医学影像中的导管参数提取方法及装置 |
CN113256564B (zh) * | 2021-04-28 | 2024-03-01 | 深圳睿心智能医疗科技有限公司 | 医学影像中的导管参数提取方法及装置 |
CN115482181A (zh) * | 2021-05-31 | 2022-12-16 | 数坤(北京)网络科技股份有限公司 | 一种图像信息提取方法、装置、电子设备和可读存储介质 |
CN115482181B (zh) * | 2021-05-31 | 2024-05-24 | 数坤(北京)网络科技股份有限公司 | 一种图像信息提取方法、装置、电子设备和可读存储介质 |
CN113674392A (zh) * | 2021-07-06 | 2021-11-19 | 北京阅影科技有限公司 | 三维血管模型的生成方法及其装置 |
CN113888690A (zh) * | 2021-10-19 | 2022-01-04 | 柏意慧心(杭州)网络科技有限公司 | 用于确定血管中的目标区段的方法、设备和介质 |
CN115375719A (zh) * | 2022-08-18 | 2022-11-22 | 华科精准(北京)医疗科技有限公司 | 一种血管图像分割方法及装置 |
CN115187598A (zh) * | 2022-09-09 | 2022-10-14 | 天津远景科技服务有限公司 | 血管造影图像的处理方法、装置、系统、设备及介质 |
CN115239892A (zh) * | 2022-09-23 | 2022-10-25 | 天津远景科技服务有限公司 | 三维血管模型的构建方法、装置、设备及存储介质 |
CN115239892B (zh) * | 2022-09-23 | 2023-02-03 | 天津远景科技服务有限公司 | 三维血管模型的构建方法、装置、设备及存储介质 |
CN115661225A (zh) * | 2022-12-26 | 2023-01-31 | 深圳微创踪影医疗装备有限公司 | 三维血管图像重建方法、装置、计算机设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112184888A (zh) | 三维血管建模的方法及装置 | |
EP3449421B1 (en) | Classification and 3d modelling of 3d dento-maxillofacial structures using deep learning methods | |
US10636141B2 (en) | Adversarial and dual inverse deep learning networks for medical image analysis | |
CN110310287B (zh) | 基于神经网络的危及器官自动勾画方法、设备和存储介质 | |
Wu et al. | Feature matching and deformation for texture synthesis | |
CN113313234A (zh) | 用于图像分割的神经网络系统和方法 | |
US10405834B2 (en) | Surface modeling of a segmented echogenic structure for detection and measurement of anatomical anomalies | |
US10258304B1 (en) | Method and system for accurate boundary delineation of tubular structures in medical images using infinitely recurrent neural networks | |
CN111640120A (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
WO2021136368A1 (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
Gsaxner et al. | Exploit fully automatic low-level segmented PET data for training high-level deep learning algorithms for the corresponding CT data | |
CN111932552B (zh) | 一种主动脉建模的方法及装置 | |
CN110211200B (zh) | 一种基于神经网络技术的牙弓线生成方法及其系统 | |
CN112801999B (zh) | 确定心脏冠脉优势型的方法及装置 | |
CN112785580B (zh) | 确定血管流速的方法及装置 | |
US10706548B2 (en) | Automated segmentation of organs, such as kidneys, from magnetic resonance images | |
CN115546185A (zh) | 血管图像的轮廓提取方法、装置、设备及存储介质 | |
Niroshika et al. | Active contour model to extract boundaries of teeth in dental X-ray images | |
CN114445419A (zh) | 一种基于支气管拓扑结构的肺段分割方法、装置及系统 | |
CN113935889A (zh) | 2d/3d冠状动脉自动配准方法、系统及介质 | |
CN112712527A (zh) | 一种基于DR-Unet104的医疗图像分割方法 | |
CN117274216B (zh) | 基于水平集分割的超声下颈动脉斑块检测方法及系统 | |
Kim et al. | Confidence-controlled local isosurfacing | |
CN114787867A (zh) | 用于医学图像配准的器官变形补偿 | |
Rajesh et al. | Tumor Detection Based on 3D Segmentation Using Region of Interest |
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 |