CN112508888A - 面向医学影像的脑动脉快速自动分割方法及系统 - Google Patents
面向医学影像的脑动脉快速自动分割方法及系统 Download PDFInfo
- Publication number
- CN112508888A CN112508888A CN202011349387.3A CN202011349387A CN112508888A CN 112508888 A CN112508888 A CN 112508888A CN 202011349387 A CN202011349387 A CN 202011349387A CN 112508888 A CN112508888 A CN 112508888A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- threshold
- pixels
- coefficient
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 210000001627 cerebral artery Anatomy 0.000 title claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 64
- 210000003625 skull Anatomy 0.000 claims abstract description 23
- 238000007917 intracranial administration Methods 0.000 claims abstract description 11
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 210000003484 anatomy Anatomy 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 4
- 206010002329 Aneurysm Diseases 0.000 abstract description 2
- 208000031513 cyst Diseases 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 201000008450 Intracranial aneurysm Diseases 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000002583 angiography Methods 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000002490 cerebral effect Effects 0.000 description 3
- 239000002872 contrast media Substances 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000005291 magnetic effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- 206010011732 Cyst Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000002551 anterior cerebral artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000010253 intravenous injection Methods 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 210000003657 middle cerebral artery Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000005298 paramagnetic effect Effects 0.000 description 1
- 210000003388 posterior cerebral artery Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002366 time-of-flight method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 208000019553 vascular disease Diseases 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
- 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
- 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
- G06T2207/30008—Bone
-
- 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
- G06T2207/30016—Brain
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种面向医学影像的脑动脉快速自动分割方法及系统，该方法包括以下步骤：1)对输入的图像进行校正；2)对校正后的图像采用自检测分割方法进行阈值分割；3)对阈值分割后的图像使用自适应颅内模板去除颅骨；4)对去除颅骨后的图像进行种子点集阈值计算；5)种子点集自动提取；6)进行直方图统计，计算阈值系数；7)区域增长；8)精细分割。采用本发明的方法，能够自动地提取图像内的血管区域，并且自动化阈值计算方法对于不同类型的影像均具有较好的适应性与鲁棒性；本发明所采用的分割方法不仅适用于正常解剖结构的血管，对于有动脉瘤、囊肿等解剖结构变异或正常生理结构变异，均能够实现较好的分割效果。
Description
技术领域
本发明涉及医学图像处理技术领域，特别涉及一种面向医学影像的脑动脉快速自动分割方法及系统。
背景技术
由于MRA具有安全性与无创性而被广泛应用于临床，它利用血液流动时所产生的MR信号与周围组织不同，从而显示血管和血流的信号特征，能够提供详细直观的血管影像，用来对脑动脉瘤的诊断和手术计划。比较常用的MRA方法有时间飞跃法(TOF)、相位对比法(PCA)以及对比增强磁共振血管造影法(CE-MRA)。时间飞跃法和相位对比法属于流动血液的MR信号与周围静止组织的MR信号差异而建立图像对比度的技术，是不需使用造影剂进行相关成像的技术。而对比增强MRA是利用顺磁性物质缩短血液T1的磁共振血管成像技术，属于造影剂增强MRA。由于时间飞跃法较为快速并且血管对比度较强，被广泛使用于临床。
CT血管成像(CTA)指静脉注射含碘造影剂后，经计算机对图像进行处理后，可以三维显示颅内血管系统。CTA可清楚显示Willis动脉环，以及大脑前、中、后动脉及其主要分支，对闭塞性血管病变可提供重要的诊断依据。可以将缺血性脑血管病的诊断提早到发病后2小时。
脑血管分割一直是医学图像处理领域中研究的热点与难点，准确的脑血管分割可以为脑动脉瘤影像的分析提供重要依据，同时又可以用于脑血管的匹配、三维重建等，从而更好地用来观察脑动脉瘤的形态特征。常用的脑血管分割方法有基于阈值的分割方法、基于区域生长的分割方法、基于脑血管中心线的分割方法和基于形变模型的分割方法。
但现在的脑动脉血管分割方法还普遍存在适应性与鲁棒性不够、算法复杂、效率低等问题，所以现在需要一种更可靠的方案。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种面向医学影像的脑动脉快速自动分割方法及系统。
为解决上述技术问题，本发明采用的技术方案是：提供一种面向医学影像的脑动脉快速自动分割方法，包括以下步骤：
1)对输入的图像进行校正：对输入图像进行均匀性、灰度分布范围矫正；
2)对校正后的图像采用自检测分割方法进行阈值分割；
3)对阈值分割后的图像使用自适应颅内模板去除颅骨；
4)对去除颅骨后的图像进行种子点集阈值计算；
5)种子点集自动提取：在去除颅骨后的图像中，提取像素数高于步骤4)得到的种子点集阈值的连通域作为种子点集；
6)进行直方图统计，计算阈值系数：统计所提取的种子点集的直方图，计算其平均值、方差，采用高斯分布模型，按照不同的系数等级a，计算得到高斯函数的边界f，获得系数等级与高斯函数边界的对应关系f(a)；对步骤1)输入的原始图像使用与步骤3)相同的自适应颅内模板去除颅骨，然后依据上述系数等级与高斯函数边界的对应关系f(a)，统计去除颅骨的图像中符合不同系数等级的边界的像素数量p(a)，按照像素数量p(a)与系数等级a的变化关系，选择阈值系数a'；
7)区域增长：以步骤6)选择的系数a'对应的高斯函数边界f(a')作为边界阈值，对步骤5)获得的种子点集进行区域增长，得到脑动脉血管的粗分割图像；
8)精细分割：提取粗分割图像的血管中心线，对中心线上的每一点，根据其相应的粗分割结果半径，以2倍半径为距离设置两个端点，采用图割方法，得到两个端点间的边界，对中心线上所有的点都采用同样方法得到边界，对所有的短边界相交的部分取交点内侧，使全部短边界相连接，得到脑动脉血管的精细分割图像。
其中，步骤1)输入的原始图像可为包含脑动脉的MRA、CTA等类型的医学图像。当血管区域比背景的像素值或体素值密度更高时，本发明的方法均可适用。本发明可用于处理二维或三维图像。
优选的是，所述步骤2)具体包括：
2-1)采用自检测分割方法，首先设置初始阈值，按该初始阈值对校正后的图像分割形成二值化的预分割图像，统计预分割图像内的前景像素总数Q；图像的二值化通常将大于等于阈值的点设为1，小于阈值的点设为0，并且，值为1的点是前景；
2-2)将预分割图像分为不同区域，统计不同区域范围内的像素数量关系；
2-3)判断预分割图像是否满足以下条件：
A、当前景像素总数Q在预先设定的阈值范围内，
B、不同区域范围内的像素数量关系满足预先设定的标准；
当预分割图像不同时满足上述调节A和B时，丢弃预分割图像，对初始阈值进行一定比例的提升或下降，对校正后的图像进行重新分割，直到预分割图像同时满足上述调节A和B，则将分割结果作为阈值分割后的图像输出。
优选的是，所述步骤3)具体包括：对于阈值分割后的图像，以图像中心为圆心，间隔一定度数设置向外的辐射线，以图像边缘向内的方向检测每个辐射线上的第一个像素值阶跃点；
对得到的所有第一个像素值阶跃点，计算每两个点之间的X方向的欧式距离Xa，计算每两个点之间的Y方向的欧式距离Ya，然后取所有Xa中的最大值Xamax，取所有Ya中的最大值Yamax；再以Xamax作为X方向的轴、Yamax作为Y方向的轴，建立椭圆；
沿椭圆边界以特定半径的球形算子进行膨胀，得到两个椭圆，该两个椭圆作为自适应颅内模板，两个椭圆内的区域即为去除颅骨的分割结果。
优选的是，所述步骤3)中，对三维数据，从中央横断面向上下两个方向，建立其横断面上的每一层的模板，当该层的分割图像无法建立模板时，采用其相邻层已有的模板作为该层模板。
优选的是，所述步骤4)具体包括：采用连通域检测方法，统计步骤3)得到的去除颅骨后的图像的连通域，并计算各连通域中像素的数量，并按像素从多到少进行排名，根据排名的情况设置相应的种子点集阈值。连通域的统计，可采用4邻域、8邻域的统计方式，4邻域即当一个前景像素点在另一个前景像素点的4邻域内时，视为连通，8邻域即当一个前景像素点在另一个前景像素点的8邻域内时，视为连通。
优选的是，所述步骤4)中，将连通域按照像素数量进行排名后，当有两个以上连通域时，根据前两位连通域的像素数、差异率，将种子点集阈值设置为不同的档次，其中差异率的定义为：100％*(第一名像素数-第二名像素数)/第一名像素数。
所述步骤4)中，若去除颅骨后的图像中的连通域数量小于3个时，则返回步骤2)，重新调整初始阈值，再依次进行步骤2)、步骤3)的操作，直至去除颅骨后的图像中的连通域数量不小于3个。
优选的是，所述步骤6)中，计算每个系数等级a对应的像素数量p(a)，系数等级a越大，像素数量p(a)越高，取系数-像素数曲线的曲率最大处对应的系数，作为阈值系数a'。
本发明还提供一种面向医学影像的脑动脉快速自动分割系统，其采用如上所述的方法对包含脑动脉的医学影像进行脑动脉分割。
本发明还提供一种存储介质，其上存储有计算机程序，该程序被执行时用于实现如上所述的方法。
本发明还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法。
本发明的有益效果是：
1、对于白血影像(如CTA、MRA等)，采用本发明的方法，能够自动地提取图像内的血管区域，并且自动化阈值计算方法对于不同类型的影像均具有较好的适应性与鲁棒性；
2、本发明所采用的分割方法不仅适用于正常解剖结构的血管，对于有动脉瘤、囊肿等解剖结构变异或正常生理结构变异，均能够实现较好的分割效果；
3、本发明的分割方法无需预训练，且对于图像的分辨率、层厚等无固定要求，适应范围较广。
4、本发明的分割过程所采用的算法时间复杂度低，计算速度快。
附图说明
图1为本发明的面向医学影像的脑动脉快速自动分割方法的流程图；
图2为本发明的实施例中采用自检测分割方法进行阈值分割的示意图；
图3为本发明的实施例中对阈值分割后的图像使用自适应颅内模板去除颅骨的示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
实施例1
本实施例中输入的原始图像为TOF-MRA影像，输入图像尺寸为1024*1024*240。
参照图1，本实施例提供的一种面向医学影像的脑动脉快速自动分割方法，包括以下步骤：
S1)对输入的图像进行校正；对输入图像先做N3-bias校正，然后进行直方图均衡化，将影像的像素值范围统一至0-1024；
S2)对校正后的图像采用自检测分割方法进行阈值分割：
参照图2，设置开始阈值为300，以该阈值进行阈值分割，大于等于300的像素为1，小于300的为0，统计像素值为1的像素数量，并统计以图像中心为中心，400*400*240区域、以及每向外400*400*240的各级区域内的像素数量，如图2所示，当总像素数量小于1000000，且区域3中的像素数量大于区域1+2的像素数量时，视为满足标准；否则，如果总像素大于1000000，则将阈值设为当前阈值*120％，如果总像素满足要求，但区域3中的像素数量小于区域1+2的数量时，将阈值设为当前阈值*80％，重复判断直到两个条件均满足；
S3)对阈值分割后的图像使用自适应颅内模板去除颅骨：
参照图3，以阈值分割后的图像中心为圆心，每间隔30°设置一向外的辐射线，从图像由边缘向中心的方向计算像素值从0变为1的点，计算X、Y方向上各两个点的欧氏距离，以这两个距离为长短轴建立椭圆，沿椭圆边界以半径为50的球形算子进行膨胀，得到两个椭圆，该两个椭圆作为自适应颅内模板，两个椭圆内的区域即为去除颅骨的分割结果。
S4)对去除颅骨后的图像进行种子点集阈值计算：
按照8邻域统计连通域，得到5个连通域，像素数量分别为(1)10000、(2)9600、(3)3000、(4)1000、(5)300，第一名与第二名的差异率为4％，则按下表1为标准，阈值设为5000(当图像不同时，按照图像分辨率对下表中的数量进行线性调整，当前标准为1024*1024*240分辨率)，则取连通域(1)、(2)。
表1
| 第一名像素数 | 差异率 | 阈值 |
| ≥100000 | ≥50％ | 第一名像素数-30000 |
| ≥100000 | <50％ | 50000 |
| <100000且≥50000 | ≥50％ | 第一名像素数-10000 |
| <100000且≥50000 | <50％ | 20000 |
| <50000且≥10000 | ≥50％ | 第一名像素数-2000 |
| <50000且≥10000 | <50％ | 5000 |
| <10000且≥3000 | ≥50％ | 第一名像素数-1000 |
| <10000且≥3000 | <50％ | 3000 |
| <3000 | ≥50％ | 第一名像素数-1500 |
| <3000 | <50％ | 800 |
S5)种子点集自动提取：在去除颅骨后的图像中，提取像素数高于步骤4)得到的种子点集阈值(5000)的连通域作为种子点集，即按上述标准提取连通域(1)、(2)为种子点集；
S6)进行直方图统计，计算阈值系数：
统计原始图像中种子点集的平均像素值μ为800，标准差σ为50，采用高斯分布模型，按照系数X取(μ-Xσ,μ+Xσ)范围作为阈值范围，则X有1、1.24、1.68、1.96、2.48……，按照不同的系数对应的像素数量，1.96为曲率最大的点，则选择1.96为阈值系数；
高斯分布的计算函数为：
S7)区域增长：以连通域(1)、(2)为种子点集，(800-1.96*50，800+1.96*50)为阈值，进行区域增长，得到脑动脉血管的粗分割结果；
S8)精细分割：取粗分割结果的中心线，按每个中心线上点处的半径2倍得到中心线外两点，对线上点与这两点之间的区域采用图割算法计算边界，得到这一点的精细边界，对所有的短边界相交的部分取交点内侧，使全部短边界相连接，得到脑动脉血管的精细分割结果。
按照实施例1的方法对96例核磁血管造影成像(TOF-MRA)图像进行分割处理时，分割成功率达到100％，在层厚0.625mm下，可分割得到1.5mm以上的全部脑血管，相对于其他方法，分割成功率高，参数自动化程度高，分割精细度更高。
本实施例还提供一种面向医学影像的脑动脉快速自动分割系统，其采用实施例1的方法对包含脑动脉的医学影像进行脑动脉分割。
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被执行时用于实现实施例1的方法。
本实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例1的方法。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。
Claims (10)
1.一种面向医学影像的脑动脉快速自动分割方法，其特征在于，包括以下步骤：
1)对输入的图像进行校正；
2)对校正后的图像采用自检测分割方法进行阈值分割；
3)对阈值分割后的图像使用自适应颅内模板去除颅骨；
4)对去除颅骨后的图像进行种子点集阈值计算；
5)种子点集自动提取：在去除颅骨后的图像中，提取像素数高于步骤4)得到的种子点集阈值的连通域作为种子点集；
6)进行直方图统计，计算阈值系数：统计所提取的种子点集的直方图，计算其平均值、方差，采用高斯分布模型，按照不同的系数等级a，计算得到高斯函数的边界f，获得系数等级与高斯函数边界的对应关系f(a)；对步骤1)输入的原始图像使用与步骤3)相同的自适应颅内模板去除颅骨，然后依据上述系数等级与高斯函数边界的对应关系f(a)，统计去除颅骨的图像中符合不同系数等级的边界的像素数量p(a)，按照像素数量p(a)与系数等级a的变化关系，选择阈值系数a'；
7)区域增长：以步骤6)选择的系数a'对应的高斯函数边界f(a')作为边界阈值，对步骤5)获得的种子点集进行区域增长，得到脑动脉血管的粗分割图像；
8)精细分割：提取粗分割图像的血管中心线，对中心线上的每一点，根据其相应的粗分割结果半径，以2倍半径为距离设置两个端点，采用图割方法，得到两个端点间的边界，对中心线上所有的点都采用同样方法得到边界，对所有的短边界相交的部分取交点内侧，使全部短边界相连接，得到脑动脉血管的精细分割图像。
2.根据权利要求1所述的面向医学影像的脑动脉快速自动分割方法，其特征在于，所述步骤2)具体包括：
2-1)采用自检测分割方法，首先设置初始阈值，按该初始阈值对校正后的图像分割形成二值化的预分割图像，统计预分割图像内的前景像素总数Q；
2-2)将预分割图像分为不同区域，统计不同区域范围内的像素数量关系；
2-3)判断预分割图像是否满足以下条件：
A、当前景像素总数Q在预先设定的阈值范围内，
B、不同区域范围内的像素数量关系满足预先设定的标准；
当预分割图像不同时满足上述调节A和B时，丢弃预分割图像，对初始阈值进行一定比例的提升或下降，对校正后的图像进行重新分割，直到预分割图像同时满足上述调节A和B，则将分割结果作为阈值分割后的图像输出。
3.根据权利要求2所述的面向医学影像的脑动脉快速自动分割方法，其特征在于，所述步骤3)具体包括：对于阈值分割后的图像，以图像中心为圆心，间隔一定度数设置向外的辐射线，以图像边缘向内的方向检测每个辐射线上的第一个像素值阶跃点；
对得到的所有第一个像素值阶跃点，计算每两个点之间的X方向的欧式距离Xa，计算每两个点之间的Y方向的欧式距离Ya，然后取所有Xa中的最大值Xamax，取所有Ya中的最大值Yamax；再以Xamax作为X方向的轴、Yamax作为Y方向的轴，建立椭圆；
沿椭圆边界以特定半径的球形算子进行膨胀，得到两个椭圆，该两个椭圆作为自适应颅内模板，两个椭圆内的区域即为去除颅骨的分割结果。
4.根据权利要求3所述的面向医学影像的脑动脉快速自动分割方法，其特征在于，所述步骤3)中，对三维数据，从中央横断面向上下两个方向，建立其横断面上的每一层的模板，当该层的分割图像无法建立模板时，采用其相邻层已有的模板作为该层模板。
5.根据权利要求3所述的面向医学影像的脑动脉快速自动分割方法，其特征在于，所述步骤4)具体包括：采用连通域检测方法，统计步骤3)得到的去除颅骨后的图像的连通域，并计算各连通域中像素的数量，并按像素从多到少进行排名，根据排名的情况设置相应的种子点集阈值。
6.根据权利要求5所述的面向医学影像的脑动脉快速自动分割方法，其特征在于，所述步骤4)中，将连通域按照像素数量进行排名后，当有两个以上连通域时，根据前两位连通域的像素数、差异率，将种子点集阈值设置为不同的档次，其中差异率的定义为：100％*(第一名像素数-第二名像素数)/第一名像素数。
7.根据权利要求5所述的面向医学影像的脑动脉快速自动分割方法，其特征在于，所述步骤6)中，计算每个系数等级a对应的像素数量p(a)，系数等级a越大，像素数量p(a)越高，取系数-像素数曲线的曲率最大处对应的系数，作为阈值系数a'。
8.一种面向医学影像的脑动脉快速自动分割系统，其特征在于，其采用如权利要求1-7中任意一项所述的方法对包含脑动脉的医学影像进行脑动脉分割。
9.一种存储介质，其上存储有计算机程序，其特征在于，该程序被执行时用于实现如权利要求1-7中任意一项所述的方法。
10.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011349387.3A CN112508888B (zh) | 2020-11-26 | 2020-11-26 | 面向医学影像的脑动脉快速自动分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011349387.3A CN112508888B (zh) | 2020-11-26 | 2020-11-26 | 面向医学影像的脑动脉快速自动分割方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112508888A true CN112508888A (zh) | 2021-03-16 |
| CN112508888B CN112508888B (zh) | 2023-12-19 |
Family
ID=74966363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011349387.3A Active CN112508888B (zh) | 2020-11-26 | 2020-11-26 | 面向医学影像的脑动脉快速自动分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112508888B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113066061A (zh) * | 2021-03-24 | 2021-07-02 | 同心医联科技（北京）有限公司 | 一种基于mra的动脉瘤检测方法、系统、终端及介质 |
| CN113160245A (zh) * | 2021-04-01 | 2021-07-23 | 深圳市铱硙医疗科技有限公司 | 基于分块区域生长法的ct脑实质分割系统、方法及装置 |
| CN113177952A (zh) * | 2021-04-27 | 2021-07-27 | 湖南科技大学 | 基于方向信息的腹部ct图像肝脏区域自动分割方法 |
| CN113920128A (zh) * | 2021-09-01 | 2022-01-11 | 北京长木谷医疗科技有限公司 | 膝关节股骨胫骨分割方法和装置 |
| CN113951912A (zh) * | 2021-09-10 | 2022-01-21 | 数坤(北京)网络科技股份有限公司 | 一种脑灌注后处理方法和装置 |
| CN114359207A (zh) * | 2021-12-29 | 2022-04-15 | 推想医疗科技股份有限公司 | 颅内血管分割方法、装置、存储介质及电子设备 |
| CN114529533A (zh) * | 2022-02-22 | 2022-05-24 | 深圳市澈影医生集团有限公司 | 一种mra脑部图像的自动分析系统及方法 |
| CN114627147A (zh) * | 2022-05-16 | 2022-06-14 | 青岛大学附属医院 | 基于多阈值图像分割的颅面标志点自动识别方法 |
| CN118154626A (zh) * | 2024-05-09 | 2024-06-07 | 清泽医疗科技(广东)有限公司 | 一种神经阻滞麻醉超声引导图像处理方法 |
| CN118154590A (zh) * | 2024-05-09 | 2024-06-07 | 杭州脉流科技有限公司 | 颅内大血管闭塞区域检测方法、装置、设备和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080159604A1 (en) * | 2005-12-30 | 2008-07-03 | Allan Wang | Method and system for imaging to identify vascularization |
| US20110170759A1 (en) * | 2008-05-08 | 2011-07-14 | Oslo Universitetssykehus Hf | Vessel segmentation in dce mr imaging |
| CN105279759A (zh) * | 2015-10-23 | 2016-01-27 | 浙江工业大学 | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 |
| CN105427277A (zh) * | 2015-10-30 | 2016-03-23 | 上海联影医疗科技有限公司 | 血管提取方法 |
| CN106651846A (zh) * | 2016-12-20 | 2017-05-10 | 中南大学湘雅医院 | 视网膜血管图像的分割方法 |
| WO2020177126A1 (zh) * | 2019-03-07 | 2020-09-10 | 深圳先进技术研究院 | 图像处理方法、系统、计算设备及存储介质 |
-
2020
- 2020-11-26 CN CN202011349387.3A patent/CN112508888B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080159604A1 (en) * | 2005-12-30 | 2008-07-03 | Allan Wang | Method and system for imaging to identify vascularization |
| US20110170759A1 (en) * | 2008-05-08 | 2011-07-14 | Oslo Universitetssykehus Hf | Vessel segmentation in dce mr imaging |
| CN105279759A (zh) * | 2015-10-23 | 2016-01-27 | 浙江工业大学 | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 |
| CN105427277A (zh) * | 2015-10-30 | 2016-03-23 | 上海联影医疗科技有限公司 | 血管提取方法 |
| CN106651846A (zh) * | 2016-12-20 | 2017-05-10 | 中南大学湘雅医院 | 视网膜血管图像的分割方法 |
| WO2020177126A1 (zh) * | 2019-03-07 | 2020-09-10 | 深圳先进技术研究院 | 图像处理方法、系统、计算设备及存储介质 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113066061B (zh) * | 2021-03-24 | 2024-02-02 | 同心医联科技（北京）有限公司 | 一种基于mra的动脉瘤检测方法、系统、终端及介质 |
| CN113066061A (zh) * | 2021-03-24 | 2021-07-02 | 同心医联科技（北京）有限公司 | 一种基于mra的动脉瘤检测方法、系统、终端及介质 |
| CN113160245A (zh) * | 2021-04-01 | 2021-07-23 | 深圳市铱硙医疗科技有限公司 | 基于分块区域生长法的ct脑实质分割系统、方法及装置 |
| CN113177952A (zh) * | 2021-04-27 | 2021-07-27 | 湖南科技大学 | 基于方向信息的腹部ct图像肝脏区域自动分割方法 |
| CN113920128A (zh) * | 2021-09-01 | 2022-01-11 | 北京长木谷医疗科技有限公司 | 膝关节股骨胫骨分割方法和装置 |
| CN113920128B (zh) * | 2021-09-01 | 2023-02-21 | 北京长木谷医疗科技有限公司 | 膝关节股骨胫骨分割方法和装置 |
| CN113951912A (zh) * | 2021-09-10 | 2022-01-21 | 数坤(北京)网络科技股份有限公司 | 一种脑灌注后处理方法和装置 |
| CN114359207A (zh) * | 2021-12-29 | 2022-04-15 | 推想医疗科技股份有限公司 | 颅内血管分割方法、装置、存储介质及电子设备 |
| CN114529533A (zh) * | 2022-02-22 | 2022-05-24 | 深圳市澈影医生集团有限公司 | 一种mra脑部图像的自动分析系统及方法 |
| CN114627147A (zh) * | 2022-05-16 | 2022-06-14 | 青岛大学附属医院 | 基于多阈值图像分割的颅面标志点自动识别方法 |
| CN118154626A (zh) * | 2024-05-09 | 2024-06-07 | 清泽医疗科技(广东)有限公司 | 一种神经阻滞麻醉超声引导图像处理方法 |
| CN118154590A (zh) * | 2024-05-09 | 2024-06-07 | 杭州脉流科技有限公司 | 颅内大血管闭塞区域检测方法、装置、设备和存储介质 |
| CN118154626B (zh) * | 2024-05-09 | 2024-07-16 | 清泽医疗科技(广东)有限公司 | 一种神经阻滞麻醉超声引导图像处理方法 |
| CN118154590B (zh) * | 2024-05-09 | 2024-07-16 | 杭州脉流科技有限公司 | 颅内大血管闭塞区域检测方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112508888B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112508888B (zh) | 面向医学影像的脑动脉快速自动分割方法及系统 | |
| Manniesing et al. | Level set based cerebral vasculature segmentation and diameter quantification in CT angiography | |
| CN107292312B (zh) | 肿瘤ct图像处理方法 | |
| Sujan et al. | A segmentation based automated system for brain tumor detection | |
| CN115661467B (zh) | 脑血管图像分割方法、装置、电子设备及存储介质 | |
| CN112150477B (zh) | 脑影像动脉全自动分割方法及装置 | |
| US20100049035A1 (en) | Brain image segmentation from ct data | |
| CN117557460B (zh) | 一种血管造影图像增强方法 | |
| CN112419282B (zh) | 脑部医学影像中动脉瘤的自动检测方法及系统 | |
| CN105167798A (zh) | 一种冠状动脉cta影像中提取血管方法 | |
| Kumar et al. | Image processing in diabetic related causes | |
| Salih et al. | Mammography image segmentation based on fuzzy morphological operations | |
| Farzaneh et al. | Atlas based 3D liver segmentation using adaptive thresholding and superpixel approaches | |
| Qiao et al. | Automatic liver segmentation method based on improved region growing algorithm | |
| CN114757953B (zh) | 医学超声图像识别方法、设备及存储介质 | |
| Muda et al. | Integration of fuzzy C-Means with correlation template and active contour for brain lesion segmentation in diffusion-weighted MRI | |
| CN114445445B (zh) | Ct图像的动脉分割方法、装置、电子设备及存储介质 | |
| Wong-od et al. | Automated segmentation of media-adventitia and lumen from intravascular ultrasound images using non-parametric thresholding | |
| CN113724264B (zh) | 图像分割方法、系统和可读存储介质 | |
| Almi'ani et al. | A modified region growing based algorithm to vessel segmentation in magnetic resonance angiography | |
| Napier et al. | A CAD system for brain haemorrhage detection in head CT scans | |
| Elizabeth et al. | A survey on various segmentation methods in medical imaging | |
| Isa et al. | The automated segmentation techniques of T2-weighted MRI images using K-means clustering and Otsu-based thresholding method | |
| McLaughlin et al. | Demarcation of aneurysms using the seed and cull algorithm | |
| Luo et al. | Extraction of brain vessels from magnetic resonance angiographic images: Concise literature review, challenges, and proposals |
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 |