CN112509078A - 一种颅内血管造影增强三维狭窄化分析模型的建立方法 - Google Patents

一种颅内血管造影增强三维狭窄化分析模型的建立方法 Download PDF

Info

Publication number
CN112509078A
CN112509078A CN202011322265.5A CN202011322265A CN112509078A CN 112509078 A CN112509078 A CN 112509078A CN 202011322265 A CN202011322265 A CN 202011322265A CN 112509078 A CN112509078 A CN 112509078A
Authority
CN
China
Prior art keywords
blood
image
enhanced
bright
black
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.)
Withdrawn
Application number
CN202011322265.5A
Other languages
English (en)
Inventor
贾艳楠
王文杰
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.)
Xian Cresun Innovation Technology Co Ltd
Original Assignee
Xian Cresun Innovation Technology Co Ltd
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 Xian Cresun Innovation Technology Co Ltd filed Critical Xian Cresun Innovation Technology Co Ltd
Priority to CN202011322265.5A priority Critical patent/CN112509078A/zh
Publication of CN112509078A publication Critical patent/CN112509078A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06T7/13—Edge detection
    • 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
    • G06T7/30—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
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20024—Filtering details
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/424—Iterative

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种颅内血管造影增强三维狭窄化分析模型的建立方法，包括：获取颅内血管部位的亮血图像组、黑血图像组和增强黑血图像组；利用基于高斯分布抽样的互信息和图像金字塔的配准方法，得到配准后亮血图像组；利用配准后亮血图像组得到伪影消除增强黑血图像组；利用配准后亮血图像组建立血液三维模型和血管三维模型；基于伪影消除增强黑血图像组和黑血图像组得到造影增强三维模型；基于血液三维模型、血管三维模型、造影增强三维模型，得到血管造影增强三维模型；获取血管造影增强三维模型中各段血管的表征血管狭窄程度的目标参数的数值，并对血管造影增强三维模型进行标记，得到颅内血管造影增强三维狭窄化分析模型。

Description

一种颅内血管造影增强三维狭窄化分析模型的建立方法
技术领域
本发明属于图像处理领域，具体涉及一种颅内血管造影增强三维狭窄化分析模型的建立方法。
背景技术
随着我国国民经济的快速发展，人们对健康问题越来越重视。《Lancet》在2019年6月发表的论文分析了从1990年到2017年，中国34个省份(包括港澳台)居民的死亡原因，发现高居中国人死亡原因第一位的是脑卒中。脑卒中是颅内血管破裂、狭窄或堵塞引起脑组织坏死，进而产生的一系列症状，包括脑出血、脑梗死等，如果治疗不及时，患者可能会死亡；而即使治疗及时，也有可能造成患者残疾。
目前临床上对于颅内血管病变程度与血管狭窄化程度的评估，通常使用基于管腔成像的方法，如数字减影血管造影术(Digital Subtraction Angiography,DSA)、CT血管成像(Computed Tomography Angiography,CTA)、磁共振血管成像(Magnetic ResonanceAngiography,MRA)以及高分辨率磁共振血管成像(High-Resolution Magnetic ResonanceAngiography,HRMRA)等。颅内动脉血管与颈动脉和椎动脉相连，在脑底部形成环状结构，结构形态特殊，走形曲折，且管壁厚度极薄。通过磁共振血管成像技术，能够清晰地描绘出颅内动脉血管的路径。
其中，磁共振血管成像技术(MRA或HRMRA)作为一种对患者无创的成像方法，可以清晰地检测到颅内血管的血管壁结构并进行分析，扫描得到的磁共振图像对于软组织的分辨率高，没有骨伪影，图像质量好，且能够使用多种序列扫描得到具有不同成像特点的组织结构，在颅内血管的显示上具有明显的优越性。
由于磁共振血管成像技术得到的亮血序列、黑血序列对应的图像均为二维图像，在临床上，医生需要凭借经验结合两种图像的信息，来获得颅内血管的综合情况，以进行颅内血管病变分析。但二维图像具有局限性，不利于简便快速地获得颅内血管的真实信息。并且，从上述成像方法所得到的图像中，无法直观、快速地得到关于颅内血管狭窄程度的分析数据，不利于临床上对颅内血管病灶区域的定位分析。
发明内容
为了在临床应用上，简便、快速、直观地获得颅内血管的真实信息和关于颅内血管狭窄程度的分析数据，以进行颅内血管病变分析。本发明实施例提供了一种颅内血管造影增强三维狭窄化分析模型的建立方法。包括：
获取颅内血管部位的亮血图像组、黑血图像组和增强黑血图像组；其中，所述亮血图像组、所述黑血图像组、所述增强黑血图像组分别包括K个亮血图像、黑血图像和增强黑血图像；所述亮血图像组、所述黑血图像组、所述增强黑血图像组中的图像一一对应；K为大于2的自然数；
以所述增强黑血图像组为基准，利用基于高斯分布抽样的互信息和图像金字塔的配准方法，对所述亮血图像组进行图像配准，得到配准后亮血图像组；
利用所述配准后亮血图像组，对所述增强黑血图像组中的增强黑血图像进行流空伪影消除操作，得到伪影消除增强黑血图像组；
利用所述配准后亮血图像组建立血液三维模型；
利用所述配准后亮血图像组建立血液边界扩展的血管三维模型；
基于所述伪影消除增强黑血图像组和所述黑血图像组，得到造影增强三维模型；
基于所述血液三维模型、所述血管三维模型、所述造影增强三维模型，得到血管造影增强三维模型；
获取所述血管造影增强三维模型中各段血管的表征血管狭窄程度的目标参数的数值，并利用各段血管的所述目标参数的数值对所述血管造影增强三维模型进行标记，得到颅内血管造影增强三维狭窄化分析模型。
本发明实施例所提供的方案中，首先对磁共振血管成像技术扫描得到的亮血图像和增强黑血图像采用基于高斯分布抽样的互信息和图像金字塔的配准方法进行图像配准，可提高配准效率，使图像从低分辨率到高分辨率逐层提高配准精度。通过上述图像配准可以将亮血图像和增强黑血图像统一在相同坐标系下。其次利用配准后亮血图像对增强黑血图像进行流空伪影消除操作，可以显示更准确、全面的血管信息。本发明实施例所提供的方案是从图像后处理的角度对流空伪影进行消除，无需使用新的成像技术、成像模式或脉冲序列，因此可以简便、准确、快速地消除流空伪影，并可以在临床应用实现较好的推广。再次，利用配准后亮血图像建立血液三维模型，和血液边界扩展的血管三维模型，并基于所述伪影消除增强黑血图像组和所述黑血图像组得到具有造影增强效果的造影增强三维模型；之后基于血液三维模型、血管三维模型、造影增强三维模型，得到具有造影增强效果的血管壁对应的血管造影增强三维模型。最后利用所述血管造影增强三维模型中表征血管狭窄程度的目标参数的数值进行标记，得到颅内血管造影增强三维狭窄化分析模型。该颅内血管造影增强三维狭窄化分析模型实现了颅内血管的三维可视化，无需医生通过想象力还原颅内血管组织结构及病症特征等，可以提供形象的颅内血管三维空间信息，便于直观观测，便于定位与显示狭窄的病灶区域。能够在临床应用上，简便、快速、直观地获得颅内血管的真实信息和关于颅内血管狭窄程度的分析数据。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。
图1为本发明实施例提供的一种颅内血管造影增强三维狭窄化分析模型的建立方法的流程示意图；
图2为本发明实施例的颅内血管磁共振图像的待配准区域示意图；
图3(a)为本发明实施例的颅内血管磁共振图像的亮血高斯金字塔和黑血高斯金字塔；图3(b)为本发明实施例的颅内血管磁共振图像的亮血拉普拉斯金字塔和黑血拉普拉斯金字塔；
图4为本发明实施例的颅内血管磁共振图像的拉普拉斯金字塔图像的配准结果；
图5为本发明实施例的颅内血管磁共振图像基于互信息的高斯金字塔图像配准步骤示意图；
图6为本发明实施例的不同迭代次数下的归一化互信息；
图7为包含互信息金字塔方法的多种配准方法的颅内血管磁共振图像的配准结果；
图8为本发明实施例的基于高斯分布抽样的互信息和图像金字塔的配准方法与互信息金字塔方法的颅内血管磁共振图像的配准结果；
图9为本发明实施例所提供的灰度线性变换及参数设置示意图；
图10为本发明实施例的灰度线性变换结果图；
图11为本发明实施例的图像二值化结果图；
图12为本发明实施例中针对颅内血管用不同方法得到的流空伪影消除结果；
图13中(a)(b)(c)分别为本发明实施例针对颅内血管的血液三维模型效果图、血管三维模型效果图和造影增强三维模型效果图；
图14为本发明实施例针对颅内血管的造影增强三维模型效果图；
图15为本发明实施例颅内血管造影增强三维狭窄化分析模型效果图；
图16为本发明实施例的颅内血管造影增强三维狭窄化分析模型和切面图显示效果图。
具体实施方式
如图1所示，本发明实施例所提供的一种颅内血管造影增强三维狭窄化分析模型的建立方法，可以包括如下步骤：
S1，获取颅内血管部位的亮血图像组、黑血图像组和增强黑血图像组；
其中，亮血图像组、黑血图像组、增强黑血图像组分别包括K个亮血图像、黑血图像和增强黑血图像；亮血图像组、黑血图像组、增强黑血图像组中的图像一一对应；K为大于2的自然数；
亮血图像组和黑血图像组是对颅内血管部位使用磁共振血管成像技术分别进行亮血序列扫描和黑血序列扫描得到的图像组。增强黑血图像组是对患者先注入顺磁性造影剂，再对颅内血管部位使用磁共振血管成像技术进行黑血序列扫描得到的图像组。本发明实施例中，磁共振血管成像技术优选为HRMRA。亮血图像组、黑血图像组、增强黑血图像组中的K个图像是一一对应的，其中对应方式是按照扫描时间形成的图像次序相同。
S2，以增强黑血图像组为基准，利用基于高斯分布抽样的互信息和图像金字塔的配准方法，对亮血图像组进行图像配准，得到配准后亮血图像组；
可选的一种实施方式中，S2可以包括S21和S22：
S21，将每个亮血图像和对应的增强黑血图像作为一个图像对，对每个图像对进行预处理，得到该图像对的第一亮血图像和第一黑血图像；
可选的另一种实施方式中，对每个图像对进行预处理，得到该图像对的第一亮血图像和第一黑血图像，可以包括S211和S212：
S211，针对每个图像对，以增强黑血图像为基准，将亮血图像进行坐标变换和图像插值，使用基于互信息的相似性度量，并采用预定搜索策略，得到预配准后的第一亮血图像；
增强黑血图像是按冠状面扫描成像的，而亮血图像却是按轴状面扫描成像的，序列扫描方向的不同导致两者最终的磁共振成像层面不同，因此需要通过坐标变换来实现在一个标准参考坐标系下观察不同成像层面的磁共振图像。
针对血管图像，可以利用医学图像DICOM(Digital Imaging and Communicationsin Medicine,医学数字成像与通信)文件中的方向信息实现图像的坐标变换。DICOM文件是CT或核磁共振等医疗设备的图像保存格式，DICOM3.0格式影像文件中含有与成像方向有关的方位标签信息，该信息简要地介绍了患者与影像仪器之间的方位关系，通过其中的数据，可以得知在图像中每个像素准确的位置信息。具体的，增强黑血图像和亮血图像为待配准的图像，可以根据亮血图像的DICOM文件中的方位标签信息，以增强黑血图像的坐标系为基准，将增强黑血图像作为参考图像，将亮血图像作为浮动图像，将亮血图像进行坐标变换，实现旋转亮血图像至与增强黑血图像相同坐标系的目的，旋转后亮血图像的扫描方向也变为呈冠状面。
为了便于理解本发明实施例的方法，以下结合图像配准过程进行简要介绍，具体过程可以借鉴相关现有技术进行了解。
对于两幅图像A和B的配准，实际上就是将图像A中的每个坐标位置通过一个映射关系，对应到图像B中。具体的坐标变换方法可以包括刚体变换、仿射变换、投影变换和非线性变换等。由于颅内血管可以看作是一个刚体，因此，本发明实施例选用刚体变换作为坐标变换方法。
但是在坐标变换过程中，浮动图像的坐标系会发生拉伸或形变，经过坐标变换后的图像像素坐标与原图的采样网格并不会完全重合，即原先为整数的像素坐标点经过坐标变换后可能不再是整数，导致图像的有些区域丢失掉部分像素，因此在图像坐标变换的过程中，需要同时对图像进行重采样插值，来确定经过坐标变换后图像像素坐标点的灰度值，便于后续处理。图像插值方法包括最近邻插值、双线性插值和双三次插值等。本发明实施例对三种插值方法进行了实验，共设定了5项评价指标，分别是均方根误差RMSE、峰值信噪比PSNR、归一化互相关系数NCC、归一化互信息NMI以及耗时Time，其中RMSE越小配准越精确，PSNR、NCC与NMI值越高配准越精确。从整体实验数据上看，双三次插值的精度明显优于最近邻插值和双线性插值，因此，选定双三次插值。
使用图像插值方法将缺失的像素点进行图像恢复之后，还需要使用某种相似性度量来计算参考图像和变化后的浮动图像的相似性，接着利用搜索策略找到最优的相似性度量，循环反复迭代求优，直到两幅图像的相似性度量达到最优时，迭代停止，最后根据确定的空间变换矩阵(旋转矩阵)对浮动图像进行坐标转换，实现图像完全配准。待配准的图像在经历一个迭代算法优化后，能够计算得到两幅图像的空间位置配准关系以及配准图像，使得配准后的浮动图像与参考图像相似度达到最高。
衡量两幅图像之间特征相似性的尺度为相似性度量，选择合适的相似性度量可以提高配准精度，有效抑制噪声等，它在图像的配准中有着非常重要作用。常用的相似性度量主要分为三大类，分别是距离度量、相关度量以及信息熵。在本发明实施例中，针对颅内血管，其可以看作是一个刚体，几乎不会发生形变，不同于心脏或肺部等器官会随着人的呼吸等运动发生改变，因此针对颅内血管可以选用互信息或归一化互信息作为相似性度量，使配准效果更精确。
互信息和归一化互信息是信息熵中的一种。互信息(Mutual Information,MI)，它衡量了两幅图像之间的相关性，或是互相包含的信息量，用来解释两幅图像是否达到了最优配准，互信息的值越大，表示两幅图像越相似。归一化互信息(Normalization MutualInformation,NMI)，是互信息度量的改良，当两幅待配准图像的像素灰度级数类似的时候，使用NMI作为相似性度量，得到的配准图像准确度更高，更加可靠。NMI的取值范围为[0,1]，值越接近于1，表明两幅图像越相似。归一化互信息的概念，解决了当两幅图像的重叠部分较小或者重叠区域大部分为背景信息时，基于互信息的图像配准反而精度不高，配准效果不好的问题，降低了互信息对于图像重叠区域的敏感性。
图像配准实质上是一个多参数的优化问题，即通过使用某种搜索策略对图像进行空间坐标变化，最终使得两幅图像的相似性度量达到最优，其中搜索策略与空间坐标变化在实际计算过程中是彼此交叉进行的。算法思想是在每次迭代中计算两幅图像之间的相似性度量，并通过平移或旋转等坐标变换的操作调整浮动图像，同时对图像进行插值，一直到两幅图像的相似性度量最大为止。目前常用的搜索策略包括梯度下降优化器、基于进化策略(Evolution Strategy,ES)的(1+1)-ES等等。本发明实施例中对上述两种搜索策略进行实验，(1+1)-ES的配准图像效果显示更清晰，优于梯度下降优化器；因此本发明实施例使用(1+1)-ES作为预定搜索策略。
通过该步骤的预配准，可以初步实现在同一坐标系下对比相同扫描层面的磁共振图像，但是由于亮血序列和黑血序列扫描的时间不同，且患者可能在扫描前后发生了轻微的运动，所以上述操作只是一个粗糙的坐标变换，仅通过预配准并不能实现多模态磁共振图像的完全配准，但是该步骤可以为后续的精确配准环节省略不必要的处理过程，提高处理速度。
S212，从增强黑血图像中，提取与第一亮血图像的扫描范围相同的区域内容，形成第一黑血图像。
由于血管成像在不同磁共振序列中的扫描范围不同，当亮血图像经过图像坐标变换后，其冠状面的信息并没有增强黑血图像的信息丰富，因此为能够更快速、准确地配准好两种序列下的同一区域，可以根据第一亮血图像的扫描区域，在增强黑血图像中提取出相同的扫描区域，缩小后续图像的配准范围。
可选的，S212可以包括以下步骤：
1.获得第一亮血图像中血管的边缘轮廓信息；
具体可以使用Sobel边缘检测方法等方法获取边缘轮廓信息。边缘轮廓信息包含各个边缘点的坐标值。
2.在边缘轮廓信息中，提取横坐标、纵坐标的最小值和最大值，基于获得的四个坐标值确定初始提取边框；
也就是在边缘轮廓信息中，提取最小横坐标值、最大横坐标值、最小纵坐标值、最大纵坐标值，利用这四个坐标值确定方形边框的四个顶点，从而得到初始提取边框；
3.在第一亮血图像的尺寸范围内，将初始提取边框沿四个方向分别扩大预设数量个像素大小，得到最终提取边框；
其中，四个方向分别是横纵坐标的正负方向；预设数量根据血管图像的类型合理选择，目的是保证扩大后的最终提取边框不超过第一亮血图像的尺寸范围，比如预设数量可以为20等。
4.在增强黑血图像中提取最终提取边框中对应的区域内容，形成第一黑血图像。
依据最终提取边框划定的坐标范围，提取增强黑血图像中对应区域的内容，将提取出的内容形成第一黑血图像。该步骤通过提取待配准区域来获取两种模态下磁共振图像的共同扫描范围，有利于后续的快速配准。
参见图2，图2为本发明实施例的颅内血管磁共振图像的待配准区域示意图，其中左图为预配准后的第一亮血图像，右图为增强黑血图像，方框为增强黑血图像中待提取区域。这个区域包含了在颅内血管磁共振图像中，亮血序列以及黑血序列的共同扫描范围，通过确定待提取区域，能够更快速地关注到有用信息。
本发明实施例的上述两步预处理过程有着非常重要的作用，经过该预处理后的图像可以更多地关注有用信息，排除无关信息，在实际使用中，使用该图像预处理可以提高颅内血管图像配准、识别的可靠性。
S22，针对每个第一亮血图像，以对应的第一黑血图像为基准，利用基于高斯分布抽样的互信息和图像金字塔的配准方法进行图像配准，得到包括K个配准后亮血图像的配准后亮血图像组；
可选的一种实施方式中，S22可以包括S221～S224：
S221，采用高斯分布抽样选取预处理后的部分图像对作为测试图像对；
本发明实施例的测试图像对是待配准的图像对，本发明实施例对待配准图像对的随机选取采用高斯分布抽样。这是由于亮血图像与增强黑血图像的扫描方向不同，在图像预处理过程中，为在同一成像层面上观测亮血图像与增强黑血图像，亮血图像经过了坐标变换与插值，使得每一张亮血图像与当前层面的增强黑血图像对应；同时由于亮血图像与增强黑血图像的扫描范围不同，亮血图像边缘层的数据可能并不完整。综上原因，扫描中间层的亮血数据与增强黑血数据最丰富，因此选取高斯均值μ为待配准图像总数的一半，使得高斯随机选取到中间层图像配准的概率最大。
S222，对每个测试图像对中的第一亮血图像和第一黑血图像，采用基于互信息和图像金字塔的配准方法进行图像配准，得到配准后该测试图像对中第一亮血图像对应的旋转矩阵；可选的一种实施方式中，S222具体可以包括步骤A1～A4：
A1，针对每个测试图像对，基于下采样处理，由第一亮血图像得到亮血高斯金字塔，由第一黑血图像得到黑血高斯金字塔；其中，亮血高斯金字塔和黑血高斯金字塔中包括从下至上分辨率依次变小的m个图像；m为大于3的自然数；
为提高图像配准的准确度，避免图像在配准过程中收敛到局部最大值，可以使用多分辨率策略来解决局部极值的问题，同时多分辨率策略可以在满足图像配准精度的条件下，提高算法执行速度，增加鲁棒性。构建图像金字塔就是一种通过增加模型复杂度来提高配准精度和速度的有效方式，即在配准过程中，按从粗配准到精配准的顺序执行，首先对低分辨率的图像进行配准，接着在低分辨率图像配准完成的基础上，对分辨率高的图像进行配准。可选的一种实施方式中，A1步骤可以包括：
获取第i层的输入图像，对第i层的输入图像利用高斯内核进行滤波，并删除滤波后图像的偶数行和偶数列，得到高斯金字塔的第i层图像Gi，并将第i层图像Gi作为第i+1层的输入图像，得到高斯金字塔的第i+1层图像Gi+1；
其中，i＝1、2，…，m-1；当高斯金字塔为亮血高斯金字塔时，第1层的输入图像为第一亮血图像，当高斯金字塔为黑血高斯金字塔时，第1层的输入图像为第一黑血图像。
具体的，高斯金字塔中的多个图像是同一原图像不同分辨率所对应的图像。高斯金字塔通过高斯滤波和下采样来获取图像，它的每一层构建步骤可以分为两步：首先使用高斯滤波对图像进行平滑滤波，即采用高斯内核进行滤波；接着删除滤波后图像的偶数行和偶数列，即将低一层图像的宽和高缩小一半，得到当前层图像，因此当前层图像为低一层图像大小的四分之一，通过不断地迭代以上步骤，最终可以得到高斯金字塔。高斯滤波其实是一种低通滤波器，高斯金字塔中的图像频率范围很广，其中低一层图像的截止频率是高一层图像截止频率的2倍。高斯滤波先使用高斯函数来计算得到一个权重矩阵，再使用该权重矩阵对原图像做卷积运算，一般可以使用二维的高斯模板进行上述处理。虽然使用二维的高斯模板可以实现模糊图像的效果，但是当一个点在边界，周围没有足够的点时，会由于权重矩阵的关系导致边缘图像缺失，因此本发明实施例对二维高斯模板进行优化。可以将二维高斯滤波拆分成两个独立的一维高斯滤波，分别在横纵两个方向上进行图像滤波。将高斯函数分离，不仅能够消除二维高斯模板产生的边缘，还可以极大地加快程序的运行速度。相较于其他模糊滤波器，高斯滤波既可以实现图像的模糊效果，又能更好地保留边际效果。
本步骤中通过对经过预处理后的第一亮血图像和第一黑血图像进行上述处理，可以得到亮血高斯金字塔和黑血高斯金字塔。如图3(a)所示，图3(a)为本发明实施例的颅内血管磁共振图像的亮血高斯金字塔和黑血高斯金字塔。
这些分辨率逐渐减小，来源于同一张图像不同分辨率的图像组合，排列起来形似金字塔，因此被称为图像金字塔，其中分辨率最高的图像位于金字塔底部，分辨率最低的图像位于金字塔顶部。在计算机视觉下不同分辨率的图像，恰恰模拟了在不同距离下人眼观测的一幅图像，在图像信息处理上，多分辨率的图像相较于传统的单分辨率图像，更容易获取图像的本质特征。
A2，基于上采样处理，利用亮血高斯金字塔得到亮血拉普拉斯金字塔，利用黑血高斯金字塔得到黑血拉普拉斯金字塔；其中，亮血拉普拉斯金字塔和黑血拉普拉斯金字塔中包括从下至上分辨率依次变小的m-1个图像；
由于高斯金字塔是向下采样，即缩小图像，因此会丢失掉图像的一部分数据。因此，本发明实施例为避免图像在缩放过程中的数据缺失，恢复细节数据，使用拉普拉斯金字塔，配合高斯金字塔一起实现图像重建，在高斯金字塔图像的基础上突出细节。可选的一种实施方式中，A2步骤可以包括：
对高斯金字塔的第i+1层图像Gi+1进行上采样，并用数据0填充新增的行和列，得到填充图像；
对填充图像利用高斯内核进行卷积，获得填充像素的近似值，得到放大图像；
将高斯金字塔的第i层图像Gi与放大图像相减，得到拉普拉斯金字塔的第i层图像Li；
其中，当高斯金字塔为亮血高斯金字塔时，拉普拉斯金字塔为亮血拉普拉斯金字塔，当高斯金字塔为黑血高斯金字塔时，拉普拉斯金字塔为黑血拉普拉斯金字塔。
由于拉普拉斯金字塔是图像经过下采样操作后与原图的残差，因此从下至上对比，拉普拉斯金字塔比高斯金字塔结构少一层高层图像。
具体的，生成拉普拉斯金字塔结构的数学公式如(1)所示，其中Li表示第i层拉普拉斯金字塔(亮血拉普拉斯金字塔或黑血拉普拉斯金字塔)，Gi表示第i层高斯金字塔(亮血高斯金字塔或黑血高斯金字塔)，而UP操作为向上采样放大图像，符号
Figure BDA0002793259110000101
是卷积符号，
Figure BDA0002793259110000102
是在构建高斯金字塔中使用的高斯内核。此公式表明了拉普拉斯金字塔实质上是使用原图像减去先缩小、再放大的图像的残差数据构成的，是一种残差预测金字塔，核心思想是用来存储图像经过下采样操作后与原图的差异，保留图像的高频信息，目的是为能够完整地恢复出每一层级进行下采样操作前的图像。由于之前下采样操作丢失的一部分信息并不能通过上采样来完全恢复，即下采样是不可逆的，所以图像先经过下采样，再进行上采样后的显示效果比原图模糊。通过存储图像经过下采样操作后与原图的残差，能够在高斯金字塔图像的基础上给不同频率层的图像增加细节，对细节等进行突出。
Figure BDA0002793259110000111
对应于4层的高斯金字塔，本步骤可以得到图像层数为3的亮血拉普拉斯金字塔和黑血拉普拉斯金字塔。如图3(b)所示，图3(b)为本发明实施例的颅内血管磁共振图像的亮血拉普拉斯金字塔和黑血拉普拉斯金字塔。图像显示使用了伽马矫正实现更清晰的效果，伽马值为0.5。
A3，对亮血拉普拉斯金字塔和黑血拉普拉斯金字塔中对应层的图像进行配准，得到配准的亮血拉普拉斯金字塔；
可选的一种实施方式中，A3步骤可以包括：
针对亮血拉普拉斯金字塔和黑血拉普拉斯金字塔中的每一层，将该层对应的黑血拉普拉斯图像作为参考图像，将该层对应的亮血拉普拉斯图像作为浮动图像，使用基于互信息的相似性度量，，并采用预定搜索策略，实现图像配准，得到配准后的该层亮血拉普拉斯图像；
由配准后的多层亮血拉普拉斯图像，依据分辨率依次减小的顺序，从下至上构成配准的亮血拉普拉斯金字塔；
其中，黑血拉普拉斯图像为黑血拉普拉斯金字塔中的图像，亮血拉普拉斯图像为亮血拉普拉斯金字塔中的图像。
该步骤中的配准过程类似于前述的预配准过程，通过对亮血拉普拉斯图像进行坐标变换、图像插值，使用相似性度量及预定搜索策略，实现图像配准，可以得到配准后的亮血拉普拉斯图像。其中，坐标变换、图像插值、相似性度量及预定搜索策略不再赘述。
结果如图4所示，图4为本发明实施例的颅内血管磁共振图像的拉普拉斯金字塔图像的配准结果，左图为黑血拉普拉斯金字塔中的参考图像，中图为亮血拉普拉斯金字塔中已配准好的图像，右图为左、中两幅图像直接叠加后的效果图(附图图像是原图经过灰度处理的图像，颜色未示出)。
A4，利用配准的亮血拉普拉斯金字塔作为叠加信息，对亮血高斯金字塔和黑血高斯金字塔中各层图像进行自上而下的配准，得到配准的亮血高斯金字塔，并得到配准后该测试图像对中第一亮血图像对应的旋转矩阵。
在该步骤的配准中，需要对高斯金字塔中不同分辨率的图像进行配准，由于低分辨率图像的配准可以更容易把握住图像的本质特征，因此本发明实施例在低分辨率图像配准的基础上配准高分辨率图像，即将高斯金字塔图像从上到下配准，将上一层图像的配准结果作为下一层图像配准的输入。
可选的一种实施方式中，A4可以包括：
对亮血高斯金字塔和黑血高斯金字塔中自上而下的第j层，将该层对应的黑血高斯图像作为参考图像，将该层对应的亮血高斯图像作为浮动图像，使用基于互信息的相似性度量，并采用预定搜索策略，实现图像配准，得到配准后的第j层亮血高斯图像；
将配准后的第j层亮血高斯图像进行上采样操作，并与配准后的对应层亮血拉普拉斯图像相加，利用相加后的图像替换亮血高斯金字塔中第j+1层的亮血高斯图像；
将第j+1层的黑血高斯图像作为参考图像，将替换后的第j+1层的亮血高斯图像作为浮动图像，使用预定相似性度量及预定搜索策略，实现图像配准，得到配准后的第j+1层亮血高斯图像；
其中j＝1，2，…，m-1，黑血高斯图像为黑血高斯金字塔中的图像，亮血高斯图像为亮血高斯金字塔中的图像。
重复以上操作，直至完成底层高斯金字塔图像的高分辨率配准，得到配准的亮血高斯金字塔。在配准过程中，类似于前述的预配准过程。其中，坐标变换、图像插值、相似性度量及预定搜索策略不再赘述。
基于互信息的高斯金字塔图像配准具体步骤如图5所示，图5为本发明实施例的颅内血管磁共振图像基于互信息的高斯金字塔图像配准步骤示意图。首先对顶层的低分辨率的黑血高斯图像和顶层的低分辨率亮血高斯图像进行基于互信息的配准；接着将已配准好的亮血高斯图像进行上采样操作，并与保留了高频信息，且根据上述操作已配准好的对应层的亮血拉普拉斯图像相加，作为下一层亮血高斯图像；接着将上述操作得到的亮血高斯图像作为输入图像，再与对应层的黑血高斯图像进行配准，重复以上操作，直至完成底层高斯金字塔图像的高分辨率配准。
在基于互信息的高斯金字塔图像配准中，需要对每一层亮血高斯图像和黑血高斯图像以归一化互信息作为相似性度量进行配准，通过循环迭代计算两幅图的NMI，直至NMI达到最大。其中当迭代次数太小时，不能完成图像的准确配准，但是当迭代次数太大时，计算量会急剧增加，图6为本发明实施例的不同迭代次数下的归一化互信息，当高斯金字塔中分辨率最高的底层图像配准达到最大NMI值且数据稳定时，停止迭代。
至此，得到配准的亮血高斯金字塔，其中的亮血图像的坐标系与增强黑血图像的坐标系一致，且图像具备较高的相似性，可以完成本发明实施例的血管图像配准过程。并且，配准后可以得到配准后该测试图像对中第一亮血图像对应的旋转矩阵。
为验证本发明实施例中的基于互信息和图像金字塔的配准方法(简称为互信息金字塔方法)的有效性与实用性进行了对比实验，共使用了五位患者的颅内血管磁共振图像，同时选取仅使用DICOM图像方位标签信息进行配准的算法，以及基于互信息度量的配准算法，与本发明实施例中的互信息金字塔方法进行对比，其中基于互信息度量的算法是通过多参数优化方法寻找参考图像和浮动图像间的最佳变换，使得两幅图像的互信息值最大，并没有使用到图像金字塔算法。实验平台是Matlab R2016b。针对实验的图像配准结果，在定性分析方面，由于多模态医学图像间存在较大的灰度差异，将配准图像与参考图像相减得到的差值图像无法有效地反映出多模态医学图像的配准结果，因此本发明实施例通过将配准图像与参考图像进行重叠，获得可以反映出配准图像和参考图像对齐程度的彩色重叠图像，通过彩色重叠图像对多模态配准算法的配准效果进行定性分析，图7显示了多模态颅内血管磁共振图像的配准结果，图7为包含互信息金字塔方法的多种配准方法的颅内血管磁共振图像的配准结果。其中，(a)为参考图像；(b)为浮动图像；(c)为基于图像方位标签信息的重叠图像；(d)为基于互信息度量的重叠图像；(e)为本发明实施例的互信息金字塔方法的重叠图像。其中附图均为原图的灰度图，彩色未示出。在定量分析方面，采用归一化互相关系数NCC，归一化互信息NMI作为评价指标，当归一化互相关系数NCC和归一化互信息NMI的值越大时，表示图像配准精度越高，表1显示了不同配准算法的评价指标结果分析。受篇幅所限，仅示出患者A数据。
表1 不同配准方法的结果分析
Figure BDA0002793259110000131
a中的值是基于患者多幅图像配准的评价指标平均值±均方误差
从图7的重叠图像可以明显看出，基于互信息度量的方法出现了较大的配准偏移，分析原因可能是因为仅使用基于互信息度量的方法容易陷入局部最优值，而非全局最优值；基于图像方位标签信息的配准效果表现同样欠佳，图像出现了部分不重叠情况；而互信息金字塔方法的配准图像效果表现良好，图像显示更加清晰，图像几乎完全重叠在一起。由表1可知，从NCC与NMI这两个评价指标来看，相较于只使用DICOM图像的方位标签信息的配准算法，以及基于互信息度量的配准算法，本发明实施例的互信息金字塔方法在配准精度上有所提高，说明本发明实施例提出的基于互信息和图像金字塔的配准方法可以良好地处理多模态颅内血管磁共振图像的配准。
S223，获得所有测试图像对的旋转矩阵的均值；
上一步中，可以获得每个测试图像对中，配准后第一亮血图像对应的旋转矩阵，那么，可以计算获得所有测试图像对的旋转矩阵的均值。
S224，利用旋转矩阵的均值，对除测试图像对之外的、其余预处理后的图像对中的第一亮血图像进行坐标变换，完成图像配准，得到若干个配准后图像对。
考虑到患者在使用磁共振亮血序列扫描时，如果发生了轻微的运动，那么亮血序列扫描得到的颅内血管图像坐标位置就会发生轻微的变化，这时需要将每一张亮血图像都进行空间坐标变换操作，才能保持与增强黑血图像具有相同的坐标位置。基于互信息和图像金字塔的配准方法的配准过程中需要不停地迭代计算每两幅待配准图像的互信息，当图像尺寸和数量较大时，耗时会过大，如果对所有待配准的图像对均使用基于互信息和图像金字塔的配准方法会导致计算速度较慢。而发明人考虑到颅内血管可以看作是一个刚体，它不同于心脏或肺部等器官会随着人的呼吸等运动发生改变，所以每一张亮血图像的空间坐标变换操作几乎都是一致的，即几乎使用的是同一个旋转矩阵。那么，可以使用患者的少量几张亮血图像配准计算得到的旋转矩阵，来对所有亮血图像进行相同的空间坐标变换，而无需再对每张亮血图像求旋转矩阵，从而加速图像配准过程。该步骤中，利用旋转矩阵的均值，也就是一个新的旋转矩阵，对其余预处理后的图像对中的第一亮血图像进行坐标变换，可以快速完成所有图像的配准，极大地提高了配准速度。在该步骤后，可以得到配准后的若干个亮血图像，这些亮血图像和对应的增强黑血图像在同一坐标系下，且相似度较高。
为验证本发明实施例的基于高斯分布抽样的互信息和图像金字塔的配准方法的可行性，共使用了五位患者的颅内血管磁共振图像进行配准，其中患者A、B、C、D的增强黑血图像与亮血图像分别为160张，患者E的增强黑血图像与亮血图像分别为150张。图8显示了多模态颅内血管磁共振图像的配准结果对比。图8为本发明实施例的基于高斯分布抽样的互信息和图像金字塔的配准方法与互信息金字塔方法的颅内血管磁共振图像的配准结果。其中(a)为参考图像；(b)为浮动图像；(c)为互信息金字塔方法的重叠图像；(d)为本发明方法的重叠图像，标准差σ取1；(e)为本发明方法的重叠图像，标准差σ取2；(f)为本发明方法的重叠图像，标准差σ取3；(g)为本发明方法的重叠图像，标准差σ取4；(h)为本发明方法的重叠图像，标准差σ取5；(i)为本发明方法的重叠图像，标准差σ取6。各图像为处理后的灰度图，彩色未示出。在定量分析方面，采用归一化互相关系数NCC，归一化互信息NMI作为评价指标，NCC与NMI的值越大时，表示图像配准精度越高。表2为对患者A图像对均使用基于互信息和图像金字塔的配准方法(简称为互信息金字塔方法)，以及使用本发明实施例提出的基于高斯分布抽样的互信息和图像金字塔的配准方法(简称为本发明方法)的配准结果(其余患者数据受篇幅限制不予显示)。由于本发明方法不需要对所有图像进行配准，只需要随机选取少量几幅图像进行配准即可，因此实验设置高斯分布均值μ为待配准图像总数的一半，标准差σ分别为1，2，3，4，5，6时，随机抽取20幅增强黑血图像与对应的亮血图像进行配准。
表2 不同配准算法的结果分析
Figure BDA0002793259110000151
a中的值是基于160幅亮血图像与160幅增强黑血图像配准的评价指标平均值±均方误差
从图8的重叠图像可以明显看出，互信息金字塔方法的配准图像与本发明方法的配准图像效果表现均良好，图像都几乎完全重叠在一起；且由表2可知，从NCC与NMI这两个评价指标来看，虽然本发明方法相较于互信息金字塔方法精度较低，但在不同的高斯分布函数设置下，均没有相差太多。当参与配准的图像尺寸较大，数量较多时，互信息金字塔方法计算量较大。实验结果证明本发明方法配准耗时仅为互信息金字塔方法配准时间的五分之一，可大幅度提高配准速度。
本发明实施例提供的配准方案中，颅内血管可视为一个刚体，每一张亮血图像的空间坐标变换操作几乎一致，因此可以使用同一个旋转矩阵。因此，一方面选取少量图像对进行亮血图像的图像配准，利用已配准的少量亮血图像的旋转矩阵的均值，对其余图像对的亮血图像进行相同的空间坐标变换，而无需再对其余每张亮血图像求旋转矩阵，因此可以加速图像配准过程。另一方面，在图像配准过程中，基于互信息作为相似性度量，并采用图像金字塔算法增加模型复杂度，可以提高配准精度和速度。相比现有技术中，观察颅内血管的亮血图像和黑血图像需要医生凭着空间想象和主观经验。本发明实施例采用图像配准方法可以将亮血图像和增强黑血图像统一在相同坐标系下，可以方便医生理解黑血序列和亮血序列对应的颅内血管图像，简便、快速地得到诊断所需的综合信息，为后续的医疗诊断、制定手术计划、放射治疗计划等提供准确可靠的参考信息。同时，该图像配准是后续流空伪影消除的重要步骤。通过本发明实施例提供的配准方案，可以给其余医学图像配准提供一种较好的参考方式，具有很大的临床应用价值。同时，本发明实施例的图像配准过程是后续消除流空伪影的重要基础。
在图像配准后，可以对配准后增强黑血图像中的流空伪影进行消除，其中流空伪影出现的原因是在血管壁成像过程中，由于血管太细小，走向迂曲处血液流速较慢，以及周围血液和组织液可能有信号污染等问题，导致在黑血序列扫描得到的图像中，本应该为黑色的血液信息反而表现为亮色，从而模拟正常个体的壁增厚或斑块外观，夸大血管狭窄程度。本发明实施例考虑利用配准后亮血图像中的血液信息，对配准后增强黑血图像中信号显示不正确的血液信息进行修正，将配准后亮血图像中的血液信息嵌入配准后增强黑血图像中，以达到图像融合的效果。具体可以通过以下步骤实现：
S3，利用配准后亮血图像组，对增强黑血图像组中的增强黑血图像进行流空伪影消除操作，得到伪影消除增强黑血图像组；
可选的一种实施方式中，S3可以包括S31～S34：
S31，针对每一个配准后亮血图像，提高该配准后亮血图像的对比度，得到对比增强亮血图像；
步骤可选的一种实施方式中，可以根据在亮血图像中血液呈高信号，而周围脑组织呈低信号的特点，对配准后亮血图像进行灰度线性变换，调整图像灰度范围，实现提高图像对比度的目的。
比如，配准后亮血图像所使用的一种具体的灰度线性变换及参数设置如图9所示，图9为本发明实施例所提供的灰度线性变换及参数设置示意图。利用图9所示的灰度线性变换，可以将原来的配准后亮血图像f中较小的灰度值变化区间扩展为新的配准后亮血图像f1(对比增强亮血图像)中的较大灰度值变化区间，调整图像灰度范围，实现提高配准后亮血图像的对比度的目的。通过该步骤，可以得到对比增强亮血图像。参见图10，图10为本发明实施例的灰度线性变换结果图，即配准后亮血图像经过灰度线性变换后的结果图。其中，左图为配准后亮血图像，右图为其经过灰度线性变换后的结果图，可以看到右图中血液部分与周围像素相比对比度明显增强。由于医学图像像素范围较大，可能是-1000～+1000，通过该步骤，可以将像素范围归一化为0～255，成为符合一般图像处理的像素范围，可便于后续处理。关于灰度线性变换的具体过程可以参见相关现有技术，在此不再赘述。
S32，从对比增强亮血图像中提取出血液信息，得到亮血特征图；
可选的一种实施方式中，S32可以包括以下步骤：
S321，利用预设图像二值化方法确定第一阈值；
S322，利用第一阈值，从对比增强亮血图像中提取出血液信息；
该步骤使用的方法称为阈值分割。
S323，由提取出的血液信息得到亮血特征图。
预设图像二值化方法即图像的二值化处理，可以将图像上的点的灰度置为0或255，也就是将整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。本发明实施例通过预设图像二值化方法可以将对比增强亮血图像中的血液信息突出显示为白色，将无关信息显示为黑色，以便于提取出血液信息对应的亮血特征图。本发明实施例中的预设图像二值化方法可以包括最大类间方差法OTSU、kittle等等。
血液信息的提取公式如(2)所示，其中T(x,y)为对比增强亮血图像灰度值，F(x,y)为亮血特征图灰度值，T为第一阈值。
Figure BDA0002793259110000181
可选的一种实施方式中，采用最大类间方差法OTSU，结果如图11所示，图11为本发明实施例的图像二值化结果图，其中左图为对比增强亮血图像，右图为其经过阈值提取后的血液信息。可以看到，右图中显示为亮色的部分仅为与血液相关的信息。
S33，将亮血特征图与该配准后亮血图像对应的增强黑血图像，依据预设融合公式进行图像融合，得到该增强黑血图像对应的流空伪影消除的目标增强黑血图像；
在该步骤中，首先建立亮血特征图与对应的增强黑血图像之间的空间映射关系，将亮血特征图映射到对应的增强黑血图像中，依据预设融合公式进行图像融合，其中预设融合公式为：
Figure BDA0002793259110000182
其中，F(x,y)为亮血特征图的灰度值，R(x,y)为对应的增强黑血图像的灰度值，g(x,y)为融合后的目标增强黑血图像的灰度值。
经过以上操作，可以将对应的增强黑血图像中本应该为黑色，却表现为亮色的流空伪影灰度值更改为黑色，从而实现消除流空伪影的目的。参见图12，图12为本发明实施例中针对颅内血管用不同方法得到的流空伪影消除结果，其中箭头所示处出现了流空伪影，左一图为出现了流空伪影的颅内血管增强黑血图像的原图，左二图为使用基于互信息和图像金字塔的配准方法的流空伪影消除方法得到的结果，左三图为使用基于高斯分布抽样的互信息和图像金字塔的配准方法的流空伪影消除方法得到的结果，其中高斯分布标准差σ为3，可以看出本发明实施例所采用的基于高斯分布抽样的互信息和图像金字塔的配准方法的流空伪影消除方法的消除效果与基于互信息和图像金字塔的配准方法的流空伪影消除方法的消除效果都较好。
S34，由K个增强黑血图像对应的目标增强黑血图像，得到伪影消除增强黑血图像组。
所有增强黑血图像均完成流空伪影消除后，可以得到伪影消除增强黑血图像组。
本发明实施例所提供的方案中，通过阈值分割从配准后的亮血图像中提取血液信息，将其融合进配准后的增强黑血图像中，从而对配准后的增强黑血图像中信号显示不正确的血液信息进行修正，将表现为亮色的流空伪影灰度值更改为黑色，从而实现消除流空伪影的目的，得到显示更准确、全面的颅内血管图像。本发明实施例所提供的方案是从图像后处理的角度对流空伪影进行消除，无需使用新的成像技术、成像模式或脉冲序列，因此可以简便、准确、快速地消除流空伪影，并可以在临床应用实现较好的推广。
S4，利用配准后亮血图像组建立血液三维模型；
可以理解的是，配准后亮血图像均为二维图，通过对配准后亮血图像进行三维重建，可以将血液信息表现为三维结构，建立出血液三维模型。其中，二维图像通过插值得到具有立体效果的三维模型的过程称为三维重建。目前的三维重建技术包括移动立方体(Marching Cubes,MC)方法、最大密度投影(Maximum Intensity Projection,MIP)方法、表面阴影遮盖方法(SSD)、容积漫游技术(VRT)、曲面重建方法(CPR)、虚拟内镜技术(VE)等等。本发明实施例可以采用任意一种三维重建方法建立血液三维模型。该血液三维模型可以初步模拟三维血管，直观地显示血管的走向及病灶区域等。
可选的一种实施方式中，S4可以包括S41～S43：
S41，获取K个对比增强亮血图像构成的第一三维体数据；
可以获取S31步骤得到的K个对比增强亮血图像。本领域技术人员可以理解的是，K个对比增强亮血图像其实是层叠为一个三维立方体数据的。为了方便区分，本发明实施例中将其命名为第一三维体数据。
S42，利用最大类间方差法计算第一三维体数据中，居中的第二三维体数据对应的第二阈值；
该步骤仍是利用最大类间方差法OTSU确定阈值，但和S321中利用该方法确定第一阈值有所不同，本步骤中是使用最大类间方差法OTSU求出位于第一三维体数据这个大的三维立方体中，靠近中间部分的一个小立方体(称为第二三维体数据)中的多个对比增强亮血图像所对应的一个阈值作为第二阈值。
因为在对比增强图像中，血液信息基本集中于图像的中部，那么，针对第一三维体数据中，选取居中的小的立方体数据(第二三维体数据)确定第二阈值，可以减小阈值计算量，提高计算速度，且该第二阈值准确适用于第一三维体数据中所有血液信息。
对于第二三维体数据的大小，可以首先确定第一三维体数据的中心点，然后以预设边长在立方体对应的六个方向延伸，从而确定第二三维体数据的大小，其中，预设边长可以根据包含Willis环的经验值确定，比如为第一三维体数据这个立方体的边长的1/4等。其中Willis环是颅内最重要的侧支循环途径，将两侧半球和前、后循环联系起来。
S43，将第二阈值作为移动立方体方法的输入阈值，利用移动立方体方法对第一三维体数据进行处理，得到血液三维模型。
如前，移动立方体方法(简称MC)是一种三维重建方法，可以依据给定的输入阈值，对第一三维体数据进行处理，直接得到血液三维模型。
移动立方体方法相较于其他的面绘制算法，具有生成网格质量好的优点。关于移动立方体方法对第一三维体数据的具体处理过程，请参见相关的现有技术，在此不做赘述。
具体结果参见图13(a)，图13(a)为本发明实施例针对颅内血管的血液三维模型效果图。
S5，利用配准后亮血图像组建立血液边界扩展的血管三维模型；
S4步骤中得到的是血液三维模型，其表征的其实是颅内血液的流向和区域分布，由于实际中血液外围存在有血管壁，因此血液三维模型其实并不能完全代表真实的颅内血管情况。
因此，在S5步骤中，可以对配准后亮血图像中的血液边界进行扩展，使得扩展后的血液边界能够涵盖颅内血管壁的范围，形成一个中空管的效果，再对扩展血液边界后的二维图像利用三维重建方法生成三维模型，进而得到比S4中的血液三维模型更接近真实颅内血管情况的血管三维模型。
关于血液边界的扩展可以通过检测配准后亮血图像中血液边界像素点，将检测到的像素点向预设方向扩展预设个像素点实现，预设个像素点可以根据大量颅内血管直径及血管壁厚度数据所得到的经验值来选取。当然，本发明实施例中扩展血液边界的方式不限于此。
可选的一种实施方式中，S5可以包括S51～S55：
S51，获取K个亮血特征图；
即获取S32步骤得到的K个亮血特征图。
S52，针对每个亮血特征图，利用膨胀操作扩大该亮血特征图中血液的边界，得到该亮血特征图对应的扩展亮血特征图；
膨胀操作是形态学运算的一种，膨胀操作可以填充图像中的空洞，并使物体位于边缘的凸出点向外扩张，最终膨胀后的物体比原先的面积更大。膨胀运算可以记为
Figure BDA0002793259110000211
定义为
Figure BDA0002793259110000212
其中B为结构元素，A为原图。这里的原图A是亮血特征图，亮血特征图中仅有0和255两种像素值，0对应黑色，255对应白色。
结构元素也称为内核(简称为kernel)，内核可视为一个卷积核。膨胀操作就是利用这个卷积核B对原图A进行卷积运算求局部最大值，卷积核B通常有个锚点，通常位于卷积核的中央位置。随着卷积核扫描原图A，计算叠加区域的最大像素值，并将锚点的位置用最大值替换。也就是最大化操作导致图片中亮的区域增长(所以叫做膨胀)。简单来说就是利用卷积核在原图上进行从左到右，从上到下的平移，如果卷积核对应的框中存在白色，那么这个框内所有的颜色都变为白色。
内核可以为矩形、椭圆、圆形。具体可以在OpenCV的函数cv2.getStructuringElement()中，通过传递内核的形状和大小，即可获得所需的内核。
一种可选的实施方式中，可以利用半径为1的圆形内核对亮血特征图进行多步膨胀，直到达到最大梯度位置停止膨胀，从而确定血管外壁边界，实现血管壁的分割，得到亮血特征图对应的扩展亮血特征图。由于血管壁紧贴血液，且管壁极薄，假设膨胀后的范围就是血管壁的所在范围，这步操作即可将血液附近的血管壁所在区域包括进来，作为血管壁造影增强特性的搜索范围。关于膨胀操作的具体实施过程可以参见相关现有技术，在此不再赘述。
S53，将该亮血特征图对应的扩展亮血特征图与该亮血特征图求差，得到该亮血特征图对应的差值特征图；
该步骤针对每个亮血特征图得到的差值特征图是一个类似于中空血管的二维平面图。同样的，该差值特征图的像素值也仅有0和255。
S54，确定第三阈值；
该步骤可以根据经验值为所有差值特征图选定一个像素值作为第三阈值，比如可以选取100～200之间的任意一个值，如128作为第三阈值。
S55，将第三阈值作为移动立方体方法的输入阈值，利用移动立方体方法对K个差值特征图进行处理，得到血液边界扩展的血管三维模型。
移动立方体方法利用第三阈值作为输入阈值，可以由K个差值特征图得到血液边界扩展的血管三维模型。关于移动立方体方法的具体实施过程在此不再赘述。
具体结果参见图13(b)，图13(b)为本发明实施例针对颅内血管的血管三维模型效果图。其中图像进行了灰度处理，在实际中，可以以蓝色等颜色进行显示。
S6，基于伪影消除增强黑血图像组和黑血图像组，得到造影增强三维模型；
可选的一种实施方式中，S6包括S61和S62：
S61，将伪影消除增强黑血图像组和黑血图像组中对应图像相减，得到K个造影增强图；
每个目标增强黑血图像和对应的黑血图像相减，可以得到具有造影增强效果的造影增强图，当所有目标增强黑血图像和对应的黑血图像均相减后，可以得到K个造影增强图，可以理解的是，这K个造影增强图均是二维图。
S62，利用K个造影增强图建立造影增强三维模型。
该步骤可以利用移动立方体方法实现，具体参见S4和S5，在此不再赘述。具体结果参见图13(c)，图13(c)为本发明实施例针对颅内血管的造影增强三维模型效果图。其中图像进行了灰度处理，在实际中，可以以红色等颜色进行显示。
S7，基于血液三维模型、血管三维模型、造影增强三维模型，得到血管造影增强三维模型；
可选的一种实施方式中，S7可以包括以下步骤：
S71，保留造影增强三维模型中与血管三维模型的重叠部分，得到保留后造影增强三维模型；
由于S6得到的造影增强三维模型并非只包含了血管的造影增强，需要排除无关组织的增强特性，因此使用S5得到的血管三维模型中血管壁造影增强特性的搜索范围，来判断S6得到的造影增强三维模型是否位于血液附近的血管壁区域，即判断造影增强三维模型中是否有与血管三维模型的重叠部分，如果是，则表明重叠部分位于搜索范围之内，则需要保留该重叠部分，因此得到保留后造影增强三维模型。
S72，将保留后造影增强三维模型与血液三维模型融合，得到血管造影增强三维模型。
将表征血管造影增强的保留后造影增强三维模型，与表征血液信息的血液三维模型进行融合，可以直观显示有明显造影增强的血管壁，可以清晰地看到颅内血管的哪个部位范围内造影增强效果最为明显，那么该区域可能出现粥样硬化或易损性斑块。
可选的一种实施方式中，血管造影增强三维模型中可以获得造影增强定量分析，具体的，可以针对血管造影增强三维模型中血管壁上任意一个点，得到斑块强化指数CE，其中CE定义为：
Figure BDA0002793259110000231
其中，SpreBBMR和SpostBBMR分别为黑血图像和造影增强黑血图像中的信号强度。
本领域技术人员可以理解的是，SpreBBMR和SpostBBMR分别是拍摄黑血图像和造影增强黑血图像后，图像中携带的信息。本发明实施例利用上述信息得到颅内血管壁边沿各个点的斑块强化指数CE，并将其体现在血管造影增强三维模型中，可以方便医生获取更为详细的血管信息，具体的，当CE大于一个斑块阈值，比如0.5时，表示该处血管壁上出现了斑块，因此，通过测量血管壁区域的斑块强化指数，有助于鉴别责任颅内动脉斑块等，可以提供有价值的诊断辅助信息。关于两个三维模型的融合技术可以采用现有技术实现，在此不做赘述。
具体结果参见图14，图14为本发明实施例针对颅内血管的血管造影增强三维模型效果图。其中图像进行了灰度处理。在实际中，图14中可以用不同颜色进行区分，比如蓝色为没有出现造影增强的血管部位，红色处为出现了造影增强的血管部位。说明书附图中白色线圈内的亮色部分为出现了造影增强的颅内血管部位，即该处可能出现了颅内动脉粥样硬化的病症或者易损性斑块，其余部分为没有出现造影增强的血管部位，并且该血管造影增强三维模型可以实现旋转、放大缩小等基本功能，从而辅助医生定位病灶区域，作出更精准的判断。
S8，获取血管造影增强三维模型中各段血管的表征血管狭窄程度的目标参数的数值，并利用各段血管的目标参数的数值对血管造影增强三维模型进行标记，得到颅内血管造影增强三维狭窄化分析模型。
可选的一种实施方式中，S8可以包括S81～S84：
S81，针对血管造影增强三维模型中的每一段血管，从预设的三个方位进行切分，获得各方位的二维切面图；
该步骤中，可以先将血管造影增强三维模型中的血管进行划分，针对每一段血管，从预设的三个方位进行切分，获得各方位的二维切面图。
其中，预设的三个方位包括：轴位、冠状位和矢状位。
关于对血管造影增强三维模型进行某一方位切分，得到该方位的二维切面图，可以采用现有技术实现，在此不再赘述。
S82，将每个方位的二维切面图中的血管进行腐蚀操作，记录血管腐蚀至单个像素时的目标腐蚀次数；
腐蚀操作是形态学运算的一种，腐蚀操作能够消去物体的边缘数据，腐蚀后的物体比原先面积小，甚至会完全消失，腐蚀还可以断开一些细小狭长的连通区域。当血管较粗时，可以进行多次腐蚀操作，而血管较细小时，却只能进行少数几次腐蚀操作，本发明实施例是根据腐蚀操作达到血管对应部分达到单个像素时的次数估计血管的粗细程度。本领域技术人员可以理解的是，血管腐蚀至单个像素也就是达到最细状态，可能是一个点，也可能是一条线。关于腐蚀操作的具体过程可以参见相关的现有技术，在此不再赘述。
在S82步骤中，针对轴位的二维切面图中的血管进行腐蚀操作，记录该方位的二维切面图中的血管腐蚀至单个像素时对应的目标腐蚀次数n1；针对冠状位的二维切面图中的血管进行腐蚀操作，记录该方位的二维切面图中的血管腐蚀至单个像素时对应的目标腐蚀次数n2；针对矢状位的二维切面图中的血管进行腐蚀操作，记录该方位的二维切面图中的血管腐蚀至单个像素时对应的目标腐蚀次数n3。
S83，根据该段血管在三个方位分别对应的目标腐蚀次数，得到表征该段血管狭窄程度的目标参数的数值；
可选的一种实施方式中，目标参数包括狭窄率和/或扁平度；本领域技术人员可以理解，这两个参数均可以表征血管狭窄程度。
当目标参数包括狭窄率时，S83可以包括：
根据n1、n2、n3，利用血管的狭窄率公式得到该段血管的狭窄率的数值；其中，狭窄率公式为：
Figure BDA0002793259110000241
其中，分辨率为各方位二维切面图的分辨率(三个方位的二维切面图的分辨率相同)，狭窄率的数值越小表明血管越狭窄。
当目标参数包括扁平度时，S83可以包括：
根据n1、n2、n3，利用血管的扁平度公式得到该段血管的扁平度的数值；其中，扁平度公式为：
Figure BDA0002793259110000251
扁平度的数值越大表明血管越狭窄。
S84，利用各段血管的目标参数的数值对血管造影增强三维模型进行标记，得到颅内血管造影增强三维狭窄化分析模型。
通过上述步骤，可以得到每一段血管的目标参数的数值，那么可以将各段血管的这些数值在血管造影增强三维模型上进行标记，得到颅内血管造影增强三维狭窄化分析模型。即将各个点的目标参数的数值嵌入在该颅内血管造影增强三维狭窄化分析模型中，以便于在需要时，可以提取出并显示每个点的目标参数的数值，便于医生在观察整体三维血管状态时，及时获取各个位置的血管狭窄程度的数据，比如，在计算机的显示屏上显示该颅内血管造影增强三维狭窄化分析模型时，可以在模型的空白区域显示鼠标位置点的狭窄率和/或扁平度的数值。可选的一种实施方式中，S84可以包括：
利用各段血管的目标参数的数值，采用与各数值对应的颜色对血管造影增强三维模型进行标记，得到颅内血管造影增强三维狭窄化分析模型。
为了便于直观显示，可以将不同的数值利用不同的颜色标记在血管造影增强三维模型上得到血管造影增强三维狭窄化分析模型，比如针对狭窄率数值由小至大可以用由浅至深的多个颜色对应标记，针对扁平度数值，由于数值较少，可能只有2种数值，那么可以采用与狭窄率区分的两种颜色对应标记。采用不同色调的颜色显示可以更加直观地表现出血管的狭窄化程度，便于引起医生的注意。
图15为本发明实施例的颅内血管的血管造影增强三维狭窄化分析模型效果图。其中左图为狭窄率标记效果，右图为扁平度标记效果。在实际中，模型上显示有不同的颜色，可以区分狭窄化程度，比如血管较细的部位为暖色调，最狭窄的部位为红色，血管较粗的部位为冷色调，最粗的部位显示为绿色等，白色箭头所示处为颅内血管的突变狭窄，不同色调的颜色显示可以更加直观地表现出血管的狭窄化。附图中是经过灰度处理的效果，颜色未示出。
其中，优选的实施方式中，可以在一个颅内血管造影增强三维狭窄化分析模型上用不同数值对应的颜色标记狭窄率数值，在另一个颅内血管造影增强三维狭窄化分析模型上用不同数值对应的颜色标记扁平度数值，以便于医生分别观察狭窄率情况和扁平度情况。
并且进一步的，由于医生习惯于观察切平面的二维医学图像，本发明实施例可以在提供模拟化三维血管狭窄分析模型的同时提供三个方位的二维切面图，即可以将该模拟化三维血管狭窄分析模型中的每一个点对应的当前点所在冠状面、矢状面、轴状面图像显示出来。参见图16，图16为本发明实施例的颅内血管的血管造影增强三维狭窄化分析模型和切面图显示效果图。图16中血管的暖色调处可能出现了血管狭窄化，冷色调处没有明显的血管狭窄化现象，且图像右边的三幅二维图像从上至下分别为当前点所在的轴状面、矢状面以及冠状面成像；在显示该模拟化三维血管狭窄分析模型时，还可以使用诸如红绿蓝三种颜色的点，实现两个点测距，三个点测量角度的功能，并在显示屏左下方显示出来，在显示屏右下方显示当前选取模型的体积大小。以便于医生获取颅内血管更为详细的数据。
本发明实施例所提供的方案中，首先对磁共振血管成像技术扫描得到的亮血图像和增强黑血图像采用基于高斯分布抽样的互信息和图像金字塔的配准方法进行图像配准，可提高配准效率，使图像从低分辨率到高分辨率逐层提高配准精度。通过上述图像配准可以将亮血图像和增强黑血图像统一在相同坐标系下。其次利用配准后亮血图像对增强黑血图像进行流空伪影消除操作，可以显示更准确、全面的血管信息。本发明实施例所提供的方案是从图像后处理的角度对流空伪影进行消除，无需使用新的成像技术、成像模式或脉冲序列，因此可以简便、准确、快速地消除流空伪影，并可以在临床应用实现较好的推广。再次，利用配准后亮血图像建立血液三维模型，和血液边界扩展的血管三维模型，并基于伪影消除增强黑血图像组和黑血图像组得到具有造影增强效果的造影增强三维模型；之后基于血液三维模型、血管三维模型、造影增强三维模型，得到具有造影增强效果的血管壁对应的血管造影增强三维模型。最后利用血管造影增强三维模型中表征血管狭窄程度的目标参数的数值进行标记，得到颅内血管造影增强三维狭窄化分析模型。该颅内血管造影增强三维狭窄化分析模型实现了颅内血管的三维可视化，无需医生通过想象力还原颅内血管组织结构及病症特征等，可以提供形象的颅内血管三维空间信息，便于直观观测，便于定位与显示狭窄的病灶区域。能够在临床应用上，简便、快速、直观地获得颅内血管的真实信息和关于颅内血管狭窄程度的分析数据。
注：本发明实施例中的患者实验数据均来源于陕西省人民医院，图像可用作一般的科学研究。以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种颅内血管造影增强三维狭窄化分析模型的建立方法，其特征在于，包括：
获取颅内血管部位的亮血图像组、黑血图像组和增强黑血图像组；其中，所述亮血图像组、所述黑血图像组、所述增强黑血图像组分别包括K个亮血图像、黑血图像和增强黑血图像；所述亮血图像组、所述黑血图像组、所述增强黑血图像组中的图像一一对应；K为大于2的自然数；
以所述增强黑血图像组为基准，利用基于高斯分布抽样的互信息和图像金字塔的配准方法，对所述亮血图像组进行图像配准，得到配准后亮血图像组；
利用所述配准后亮血图像组，对所述增强黑血图像组中的增强黑血图像进行流空伪影消除操作，得到伪影消除增强黑血图像组；
利用所述配准后亮血图像组建立血液三维模型；
利用所述配准后亮血图像组建立血液边界扩展的血管三维模型；
基于所述伪影消除增强黑血图像组和所述黑血图像组，得到造影增强三维模型；
基于所述血液三维模型、所述血管三维模型、所述造影增强三维模型，得到血管造影增强三维模型；
获取所述血管造影增强三维模型中各段血管的表征血管狭窄程度的目标参数的数值，并利用各段血管的所述目标参数的数值对所述血管造影增强三维模型进行标记，得到颅内血管造影增强三维狭窄化分析模型。
2.根据权利要求1所述的方法，其特征在于，所述以所述增强黑血图像组为基准，利用基于高斯分布抽样的互信息和图像金字塔的配准方法，对所述亮血图像组进行图像配准，得到配准后亮血图像组，包括：
将每个亮血图像和对应的增强黑血图像作为一个图像对，对每个图像对进行预处理，得到该图像对的第一亮血图像和第一黑血图像；
针对每个第一亮血图像，以对应的第一黑血图像为基准，利用基于高斯分布抽样的互信息和图像金字塔的配准方法进行图像配准，得到包括K个配准后亮血图像的配准后亮血图像组。
3.根据权利要求2所述的方法，其特征在于，所述针对每个第一亮血图像，以对应的第一黑血图像为基准，利用基于高斯分布抽样的互信息和图像金字塔的配准方法进行图像配准，得到包括K个配准后亮血图像的配准后亮血图像组，包括：
采用高斯分布抽样选取预处理后的部分图像对作为测试图像对；
对每个测试图像对中的所述第一亮血图像和所述第一黑血图像，采用基于互信息和图像金字塔的配准方法进行图像配准，得到配准后该测试图像对中所述第一亮血图像对应的旋转矩阵；
获得所有测试图像对的旋转矩阵的均值；
利用所述旋转矩阵的均值，对除所述测试图像对之外的、其余预处理后的图像对中的所述第一亮血图像进行坐标变换，完成图像配准，得到包括K个配准后亮血图像的配准后亮血图像组。
4.根据权利要求3所述的方法，其特征在于，所述对每个测试图像对中的所述第一亮血图像和所述第一黑血图像，采用基于互信息和图像金字塔的配准方法进行图像配准，得到配准后该测试图像对中所述第一亮血图像对应的旋转矩阵，包括：
针对每个测试图像对，基于下采样处理，由所述第一亮血图像得到亮血高斯金字塔，由所述第一黑血图像得到黑血高斯金字塔；其中，所述亮血高斯金字塔和所述黑血高斯金字塔中包括从下至上分辨率依次变小的m个图像；m为大于3的自然数；
基于上采样处理，利用所述亮血高斯金字塔得到亮血拉普拉斯金字塔，利用所述黑血高斯金字塔得到黑血拉普拉斯金字塔；其中，所述亮血拉普拉斯金字塔和所述黑血拉普拉斯金字塔中包括从下至上分辨率依次变小的m-1个图像；
对所述亮血拉普拉斯金字塔和所述黑血拉普拉斯金字塔中对应层的图像进行配准，得到配准的亮血拉普拉斯金字塔；
利用所述配准的亮血拉普拉斯金字塔作为叠加信息，对所述亮血高斯金字塔和所述黑血高斯金字塔中各层图像进行自上而下的配准，得到配准的亮血高斯金字塔，并得到配准后该测试图像对中所述第一亮血图像对应的旋转矩阵。
5.根据权利要求1或4所述的方法，其特征在于，所述利用所述配准后亮血图像组，对所述增强黑血图像组中的增强黑血图像进行流空伪影消除操作，得到伪影消除增强黑血图像组，包括：
针对每一个配准后亮血图像，提高该配准后亮血图像的对比度，得到对比增强亮血图像；
从所述对比增强亮血图像中提取出血液信息，得到亮血特征图；
将所述亮血特征图与该配准后亮血图像对应的增强黑血图像，依据预设融合公式进行图像融合，得到该增强黑血图像对应的流空伪影消除的目标增强黑血图像；
由K个增强黑血图像对应的目标增强黑血图像，得到伪影消除增强黑血图像组。
6.根据权利要求5所述的方法，其特征在于，所述从所述对比增强亮血图像中提取出血液信息，得到亮血特征图，包括：
利用预设图像二值化方法确定第一阈值；
利用所述第一阈值，从所述对比增强亮血图像中提取出血液信息；
由提取出的所述血液信息得到亮血特征图。
7.根据权利要求5所述的方法，其特征在于，所述利用所述配准后亮血图像组建立血液三维模型，包括：
获取K个对比增强亮血图像构成的第一三维体数据；
利用最大类间方差法计算所述第一三维体数据中，居中的第二三维体数据对应的第二阈值；
将所述第二阈值作为移动立方体方法的输入阈值，利用所述移动立方体方法对所述第一三维体数据进行处理，得到血液三维模型。
8.根据权利要求6所述的方法，其特征在于，所述利用所述配准后亮血图像组建立血液边界扩展的血管三维模型，包括：
获取K个所述亮血特征图；
针对每个亮血特征图，利用膨胀操作扩大该亮血特征图中血液的边界，得到该亮血特征图对应的扩展亮血特征图；
将该亮血特征图对应的扩展亮血特征图与该亮血特征图求差，得到该亮血特征图对应的差值特征图；
确定第三阈值；
将所述第三阈值作为移动立方体方法的输入阈值，利用所述移动立方体方法对K个所述差值特征图进行处理，得到血液边界扩展的血管三维模型。
9.根据权利要求1所述的方法，其特征在于，所述基于所述血液三维模型、所述血管三维模型、所述造影增强三维模型，得到血管造影增强三维模型，包括：
保留所述造影增强三维模型中与所述血管三维模型的重叠部分，得到保留后造影增强三维模型；
将所述保留后造影增强三维模型与所述血液三维模型融合，得到血管造影增强三维模型。
10.根据权利要求1或9所述的方法，其特征在于，所述获取所述血管造影增强三维模型中各段血管的表征血管狭窄程度的目标参数的数值，并利用各段血管的所述目标参数的数值对所述血管造影增强三维模型进行标记，得到颅内血管造影增强三维狭窄化分析模型，包括：
针对所述血管造影增强三维模型中的每一段血管，从预设的三个方位进行切分，获得各方位的二维切面图；
将每个方位的二维切面图中的血管进行腐蚀操作，记录血管腐蚀至单个像素时的目标腐蚀次数；
根据该段血管在所述三个方位分别对应的目标腐蚀次数，得到表征该段血管狭窄程度的目标参数的数值；
利用各段血管的所述目标参数的数值对所述血管造影增强三维模型进行标记，得到颅内血管造影增强三维狭窄化分析模型。
CN202011322265.5A 2020-11-23 2020-11-23 一种颅内血管造影增强三维狭窄化分析模型的建立方法 Withdrawn CN112509078A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011322265.5A CN112509078A (zh) 2020-11-23 2020-11-23 一种颅内血管造影增强三维狭窄化分析模型的建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011322265.5A CN112509078A (zh) 2020-11-23 2020-11-23 一种颅内血管造影增强三维狭窄化分析模型的建立方法

Publications (1)

Publication Number Publication Date
CN112509078A true CN112509078A (zh) 2021-03-16

Family

ID=74959533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011322265.5A Withdrawn CN112509078A (zh) 2020-11-23 2020-11-23 一种颅内血管造影增强三维狭窄化分析模型的建立方法

Country Status (1)

Country Link
CN (1) CN112509078A (zh)

Similar Documents

Publication Publication Date Title
WO2022105647A1 (zh) 一种颅内血管造影增强三维模型的建立方法
WO2022105623A1 (zh) 一种基于迁移学习的颅内血管病灶识别方法
CN112598619A (zh) 基于迁移学习的颅内血管模拟三维狭窄化模型的建立方法
CN112562058B (zh) 一种基于迁移学习的颅内血管模拟三维模型快速建立方法
CN112634196A (zh) 一种基于智慧医疗的医学图像分割与显示方法
CN114170152A (zh) 一种模拟化三维颅内血管狭窄分析模型的建立方法
US11830193B2 (en) Recognition method of intracranial vascular lesions based on transfer learning
CN112508873A (zh) 基于迁移学习的颅内血管模拟三维狭窄化模型的建立方法
CN112509075A (zh) 基于智慧医疗的颅内血管病灶标记与三维显示方法
CN112509079A (zh) 颅内血管造影增强三维狭窄化分析模型的建立方法
CN114170151A (zh) 一种基于迁移学习的颅内血管病灶识别方法
CN112509076A (zh) 基于智慧医疗的颅内血管病灶标记与三维显示系统
CN112508868A (zh) 一种颅内血管综合图像生成方法
US12112489B2 (en) Method of establishing an enhanced three-dimensional model of intracranial angiography
CN114240841A (zh) 一种模拟化三维血管狭窄分析模型的建立方法
CN112509077A (zh) 一种基于智慧医疗的颅内血管图像分割与显示方法
CN112634386A (zh) 一种血管造影增强三维狭窄化分析模型的建立方法
CN114170337A (zh) 一种基于迁移学习的颅内血管增强三维模型的建立方法
CN112509081A (zh) 颅内血管造影增强三维狭窄化分析模型的建立方法
CN112669256B (zh) 一种基于迁移学习的医学图像分割与显示方法
CN112509080A (zh) 一种基于迁移学习的颅内血管模拟三维模型的建立方法
CN112508881A (zh) 一种颅内血管图像配准方法
CN112508877A (zh) 一种血管综合图像生成方法
CN112508874A (zh) 基于智慧医疗的脑血管病变标记与三维显示系统
CN112509078A (zh) 一种颅内血管造影增强三维狭窄化分析模型的建立方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210316