CN112509081A - 颅内血管造影增强三维狭窄化分析模型的建立方法 - Google Patents
颅内血管造影增强三维狭窄化分析模型的建立方法 Download PDFInfo
- Publication number
- CN112509081A CN112509081A CN202011322288.6A CN202011322288A CN112509081A CN 112509081 A CN112509081 A CN 112509081A CN 202011322288 A CN202011322288 A CN 202011322288A CN 112509081 A CN112509081 A CN 112509081A
- Authority
- CN
- China
- Prior art keywords
- blood
- enhanced
- image
- bright
- dimensional
- 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- Withdrawn
Links
- 238000002583 angiography Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000007917 intracranial administration Methods 0.000 title claims abstract description 84
- 238000004458 analytical method Methods 0.000 title claims abstract description 56
- 210000004369 blood Anatomy 0.000 claims abstract description 413
- 239000008280 blood Substances 0.000 claims abstract description 413
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 134
- 208000031481 Pathologic Constriction Diseases 0.000 claims abstract description 54
- 230000036262 stenosis Effects 0.000 claims abstract description 54
- 208000037804 stenosis Diseases 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000002708 enhancing effect Effects 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims description 34
- 238000010586 diagram Methods 0.000 claims description 33
- 230000002792 vascular Effects 0.000 claims description 16
- 230000007797 corrosion Effects 0.000 claims description 14
- 238000005260 corrosion Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000002372 labelling Methods 0.000 claims 1
- 230000008030 elimination Effects 0.000 abstract description 5
- 238000003379 elimination reaction Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 29
- 238000003384 imaging method Methods 0.000 description 22
- 230000005291 magnetic effect Effects 0.000 description 12
- 239000003086 colorant Substances 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 206010057469 Vascular stenosis Diseases 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000003628 erosive effect Effects 0.000 description 5
- 230000000877 morphologic effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000010339 dilation Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000007667 floating Methods 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 238000011524 similarity measure Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 231100000216 vascular lesion Toxicity 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010968 computed tomography angiography Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000005298 paramagnetic effect Effects 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 230000025033 vasoconstriction Effects 0.000 description 1
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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T2207/30101—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)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (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：获取颅内血管的亮血图像组、黑血图像组和增强黑血图像组；对每个亮血图像利用最近邻插值法进行插值处理，并进行图像配准，得到配准后亮血图像组；利用配准后亮血图像组对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；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，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。
Description
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
据统计显示，高居人类死亡原因是中风，而中风又是由于颅内血管堵塞或发生破裂，影响血液正常流通，进而导致的梗死性疾病。因此，对颅内血管病变程度与血管狭窄化程度的评估就显得尤为重要。目前通常使用基于管腔成像的方法对颅内血管的病变程度以及血管狭窄化程度进行评估，常用的方法有数字减影血管造影术(Digital SubtractionAngiography,DSA)、CT血管成像(Computed Tomography Angiography,CTA)、磁共振血管成像(Magnetic Resonance Angiography，MRA)以及高分辨率磁共振血管成像(High-Resolution Magnetic Resonance Angiography,HRMRA)等。
磁共振血管成像技术(MRA或HRMRA)作为一种对人体无创的成像方法，可以清晰地检测到血管壁结构并进行分析，尤其是HRMRA中的亮血序列和黑血序列，通过增强血液与管壁结构组织的对比度，可以清晰地观测到管壁是否发生了病变，准确识别出发生狭窄的血管及出现斑块的管壁，从而真实准确地评估血管狭窄化程度和病变严重性。
然而，磁共振血管成像技术得到的亮血序列和黑血序列对应的图像均为二维图像。在临床上，医生通常需要凭借经验结合两种图像的信息，来获得血管的综合情况，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
为了解决现有技术中存在的上述问题，本发明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。本发明要解决的技术问题通过以下技术方案实现：
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，包括：
获取颅内血管的亮血图像组、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；
针对所述亮血图像组中每一个亮血图像，以所述增强黑血图像组中对应的增强黑血图像为基准，采用最近邻插值法进行插值处理，并进行图像配准，得到包括K个配准后亮血图像的配准后亮血图像组；
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，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最近邻插值法进行插值处理，并进行图像配准。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
图1是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是本发明实施例提供的图像配准框架图；
图3是采用不同搜索策略对亮血图像和增强黑血图像的配准结果图；
图4是本发明实施例提供的空间坐标变换示意图；
图5是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6是本发明实施例的灰度线性变换结果图；
图7是本发明实施例的图像二值化结果图；
图8是本发明实施例针对颅内血管的流空伪影消除结果；
图9是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10是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；
图11是本发明实施例的颅内血管造影增强三维狭窄化分析模型效果图；
图12是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
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
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。
需要说明的是，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的执行主体可以为一种颅内血管造影增强三维狭窄化分析模型的建立装置，该装置可以运行于电子设备中。其中，该电子设备可以为颅内血管成像设备，或者图像处理设备，当然并不局限于此。
下面，对颅内血管造影增强三维狭窄化分析模型的建立方法进行详细介绍。
参见图1，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，可以包括以下步骤：
步骤S1，获取颅内血管的亮血图像组、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。
亮血图像组是对颅内血管部位使用磁共振血管成像技术进行亮血序列扫描得到的图像组。黑血图像组是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。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。
步骤S2，针对亮血图像组中每一个亮血图像，以增强黑血图像组中对应的增强黑血图像为基准，采用最近邻插值法进行插值处理，并进行图像配准，得到包括K个配准后亮血图像的配准后亮血图像组。
该步骤实际上是完成每一个亮血图像的图像配准，即将待配准的亮血图像作为浮动图像，将该亮血图像对应的增强黑血图像作为参考图像，采用最近邻插值法进行插值处理，并进行图像配准。
可选的一种实施方式中，步骤S2可以包括S21～S27。
步骤S21，针对每个亮血图像，获取该亮血图像和对应的增强黑血图像的DICOM方位标签信息。
只有熟悉医学图像文件的信息，才能实现对医学图像的准确处理，达到预期效果。医学数字成像与通信(Digital Imaging and Communications in Medicine,DICOM)已成为医学界中最流行的标准之一。对基于DICOM 3.0标准的医学图像进行处理时，必然要导入DICOM图像进行文件解析。
DICOM文件是CT或核磁共振等医疗设备的图像保存格式，DICOM标准中存储的内容除了图像信息，还包括患者的个人数据，图像层厚，时间戳，医疗设备信息等。对象信息定义(Information Object Definitions,IODs)是医学图像的核心数据，它描述了图像数据以及与这些图像数据相关的信息，且对象信息定义中的每个属性数据都有各自特定的含义。IODs主要是由Patient，Study，Series和Image这四大类别构成，Patient描述了患者姓名、性别、出生日期等个人信息；Study描述了检查日期、部位以及检查类型等；Series主要包括图像位置、方位、层厚、层与层之间的间距等属性；Image描述了图像像素、像素间距、截距、斜率等。
本步骤通过导入亮血图像和增强黑血图像进行文件解析，得到亮血图像和增强黑血图像各自的方位标签信息，该方位标签信息是DICOM3.0格式影像文件中与成像方向有关的数据，如下表1所示的图像方位属性。这些信息给出了患者与影像仪器之间的方位关系。
表1 DICOM图像方位属性
| 属性名称 | Tag | VM |
| Patient Position | (0008,5100) | 1 |
| Image Position(Patient) | (0020,0032) | 3 |
| Image Orientation(Patient) | (0020,0037) | 6 |
| Pixel Spacing | (0028,0030) | 2 |
| Slice Thickness | (0018,0050) | 1 |
步骤S22，根据DICOM方位标签信息，以增强黑血图像坐标系作为标准坐标系，对该亮血图像坐标系进行坐标变换至标准坐标系。
将亮血图像和增强黑血图像进行配准，实际上就是将亮血图像中的每个坐标位置通过一个映射关系，对应到增强黑血图像中。因为颅内血管可以看作是一个刚体，它几乎不会发生形变，因此本发明实施例优选采用刚体变换的方式进行空间坐标变换。
刚体变换通过平移和旋转实现图像配准，配准前后图像中任意两点间的距离不变，如公式(1)所示，(x1,y1)为原图坐标，(x2,y2)为旋转θ角后得到的图像坐标，tx,ty分别为原图在x轴、y轴的位移。
步骤S23，同时对该亮血图像采用最近邻插值法进行插值处理；
在进行空间坐标变换的过程中，经过坐标变换后的亮血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，因此为重新确定经过变换后图像像素坐标点的灰度值，需要对亮血图像进行插值处理。
本发明实施例采用的是最近邻插值法进行插值处理。最近邻插值是计算最简单的插值方法，即经过插值后的像素输出值为输入图像中最近采样点的值，最近邻插值的基数如公式(2)所示，这种方法速度快且计算量小，处理效率高。
其中，x为周围像素点的像素灰度值，x0为当前像素点的像素灰度值，m为阈值，h(x)为输出的像素灰度值。
需要说明的是，上述步骤S23和步骤S22可交叉进行。
将原图缩小50％，对图像插值方法进行仿真实验。表2所示数据为重复100次插值操作的结果平均值，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。可以看出最近邻插值得到的图像计算方法速度快且计算量小。
表2图像插值结果
步骤S24，利用相似性度量计算插值处理后的亮血图像与增强黑血图像的相似性。
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的作用。
示例性的，本发明实施例提供的一种相似性度量采用信息熵度量，信息熵包括互信息和归一化互信息，互信息(Mutual Information，MI)如公式(3)所示，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 Mutual Information,NMI)如公式(4)所示，是互信息测度的改良，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。
作为本发明实施例更优选的实施方式，采用归一化互信息作为相似性度量计算插值处理后的亮血图像与增强黑血图像的相似性，可以判断得更加精确。
步骤S25，利用搜索策略找取最优的相似性度量。
请参见图2，图2是本发明实施例提供的图像配准框架图。图2中，浮动图像为亮血图像，参考图像为增强黑血图像，对亮血图像进行坐标变换并进行插值，同时利用相似性度量计算插值处理后的亮血图像与增强黑血图像的相似性；之后利用搜索策略找取最优的相似性度量，以坐标变换-插值-相似性度量-搜索策略循环反复迭代求优，直到相似性度量达到最优时，迭代停止。
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测度，并通过平移或旋转等空间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最大为止。
作为一种实施方式，搜索策略采用(1+1)-ES进化策略。进化策略(EvolutionStrategy,ES)通过模拟生物的遗传变异过程，对问题进行分析解决，它提供了一系列用于评估一个问题候选解决方案的参数优化算法。进化策略采用实数值作为基因，并遵循N(0,σ)的高斯分布产生新个体。(1+1)-ES这种进化策略只有一个父代，每次也只产生一个子代，通过将变异后的个体与父代进行比较，从这两个个体中选择较好的一个。如公式(5)所示，其中Xt为第t代个体，N(0,σ)是均值为0，标准差为σ的正态分布。
Xt+1＝Xt+N(0,σ) (5)
进化策略的关键步骤在于交叉、变异、变异程度的变化以及选择。其中交叉通过交换两个父代个体的基因，重组出子代新个体的基因。变异则是在选择的各分量上加一个由N(0,σ)生成的新个体分量，其中σ为变异程度，σ不是固定不变的，而是在刚开始的时候较大，直到算法接近收敛时逐渐变小，同时为防止搜索算法陷入局部极值，可以指定收敛的最大迭代次数。最后从父代个体和子代个体中选择最优个体，作为最优解。
下面使用(1+1)-ES搜索策略进行实验，同时对比梯度下降优化器的实验结果。
搜索策略分别对160幅亮血图像与相应扫描层面的160幅增强黑血图像进行配准，其中增强黑血图像为参考图像，亮血图像为浮动图像，配准结果显示如图3所示，图3是采用不同搜索策略对亮血图像和增强黑血图像的配准结果图。图3(a)为未使用优化器配准的两幅图像成对显示结果，图3(b)为使用梯度下降优化器配准的图像成对显示结果，图3(c)为使用(1+1)-ES优化器配准的图像成对显示结果。图像显示采用蒙太奇效果，使用伪彩色透明处理增强黑血图像与亮血图像，其中紫色为增强黑血图像，绿色为亮血图像(由于图像处理为灰度图像，颜色在图中未示出)。从图中可以看出，未使用优化器进行配准的图像中，增强黑血图像与亮血图像并未重合，且阴影较多；当使用梯度下降优化器配准图像时，虽然较图3(a)配准效果较好，但在脑灰质处仍出现了明显的不重合现象；而使用(1+1)-ES优化器的图像中，配准结果精确，图像中不重合的阴影部分完全消失。表3所示数据为配准结果的3项评价指标，分别是归一化互信息NMI、归一化互相关系数NCC与算法耗时Time。
表3不同搜索策略下的结果分析
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
从实验结果图上看，(1+1)-ES的配准图像效果显示更清晰，优于梯度下降优化器；从实验数据上看，三项评价指标都表现了(1+1)-ES优化器的良好性能，因此本发明实施例优先选用(1+1)-ES作为搜索策略。
步骤S26，根据空间变换矩阵对相似性度量达到最优时的亮血图像进行坐标转换，得到该亮血图像对应的配准后亮血图像。
当相似性度量达到最优时，迭代停止，根据相似度量最优值对此时的亮血图像再次进行坐标变换，实现亮血图像和增强黑血图像的在同一坐标系下的完全配准。
请参见图4，图4是本发明实施例提供的空间坐标变换示意图。图4中，左侧图为增强黑血图像，增强黑血图像是按冠状面扫描成像的；右侧上方图为原始亮血图像，原始亮血图像却是按轴状面成像的；序列扫描方向的不同导致最终的磁共振成像层面不同，因此需要通过空间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。右侧下方图为经过空间变换的亮血图像；可以看出，经过空间变换的亮血图像和增强黑血图像已经处于同一坐标系下，可以观察不同成像层面的磁共振图像。
步骤S27，由K个亮血图像分别对应的配准后亮血图像，构成配准后亮血图像组。
所有亮血图像均配准完成后，由K个配准后亮血图像可以得到配准后亮血图像组。每一个配准后亮血图像和对应的增强黑血图像可以作为配准后图像对。
通过以上步骤，可以实现亮血图像和增强黑血图像的图像配准，在本发明实施例提供的配准方案中，基于亮血图像和其对应的增强黑血图像的DICOM方位标签信息，以增强黑血图像坐标系作为标准坐标系，对亮血图像的坐标系进行坐标变换，对该亮血图像采用最近邻插值法进行插值处理，利用搜索策略找去最优的相似性度量，并根据空间变换矩阵对相似性度量达到最优时的亮血图像进行坐标转换，得到配准后亮血图像组。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，可以方便医生理解黑血序列和亮血序列对应的血管图像，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。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：
步骤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，步骤S3可以包括步骤S31～S34：
步骤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，一种配准后亮血图像所使用的灰度线性变换及参数设置如图5所示，图5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5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，实现针对K个配准后亮血图像得到对应的K个对比增强亮血图像。如图6所示，图6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。
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。
步骤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，步骤S32可以包括以下步骤：
步骤S321，利用预设图像二值化方法确定第一阈值。
步骤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。
步骤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(6)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。
可选的一种实施方式中，采用最大类间方差法OTSU得到亮血特征图，结果如图7所示，图7为本发明实施例的图像二值化结果图，图7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。
步骤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：
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8，图8为本发明实施例针对颅内血管的流空伪影消除结果。图8中左图为增强黑血图像原图，右图为流空伪影消除后的增强黑血图像，箭头所示处出现了流空伪影，对比可见流空伪影的消除效果较为明显。
步骤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。
步骤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颅内血管，直观地显示颅内血管的走向及病灶区域等。
可选的一种实施方式中，步骤S4可以包括步骤S41～S43：
步骤S41，获取K个对比增强亮血图像构成的第一三维体数据。
可以获取步骤S31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。
步骤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，但和步骤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。
步骤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9(a)，图9(a)为本发明实施例针对颅内血管的血液三维模型效果图。
步骤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。
步骤S4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，在步骤S5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，步骤S5可以包括步骤S51～S55：
步骤S51，获取K个亮血特征图。
即获取步骤S32得到的K个亮血特征图。
步骤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，形态学运算基本思想是在原图中利用结构元素，提取出用户感兴趣的图像数据，剔除无关信息，保留感兴趣区域的本质特征，一般用于二值图像，通常用来提取连通区域或消除噪声等，在图像处理中有着广泛的应用。常用的形态学操作有：腐蚀、膨胀、开运算、闭运算。
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
定义为
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。
步骤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。
步骤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。
步骤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9(b)，图9(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。
步骤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，步骤S6包括步骤S61～S62：
步骤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。
步骤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，具体参见步骤S4和步骤S5，在此不再赘述。
该步骤可以利用移动立方体方法实现，具体参见步骤S4和步骤S5，在此不再赘述。具体结果参见图9(c)，图9(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。
步骤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，步骤S7可以包括步骤S71～S72：
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。
由于步骤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，因此使用步骤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，来判断步骤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。
步骤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：
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10，图10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颅内血管部位，在实际中，图10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。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。
步骤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，步骤S8可以包括步骤S81～步骤S84：
步骤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。
步骤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。
步骤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：
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：
扁平度的数值越大表明血管越狭窄。
步骤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11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12，图12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。图12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最近邻插值法进行插值处理，并进行图像配准。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。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
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；
针对所述亮血图像组中每一个亮血图像，以所述增强黑血图像组中对应的增强黑血图像为基准，采用最近邻插值法进行插值处理，并进行图像配准，得到包括K个配准后亮血图像的配准后亮血图像组；
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，所述针对所述亮血图像组中每一个亮血图像，以所述增强黑血图像组中对应的增强黑血图像为基准，采用最近邻插值法进行插值处理，并进行图像配准，得到包括K个配准后亮血图像的配准后亮血图像组，包括：
针对每个亮血图像，获取该亮血图像和对应的增强黑血图像的DICOM方位标签信息；
根据所述DICOM方位标签信息，以所述增强黑血图像坐标系作为标准坐标系，对该亮血图像坐标系进行坐标变换至所述标准坐标系；
同时对该亮血图像采用最近邻插值法进行插值处理；
利用相似性度量计算插值处理后的亮血图像与所述增强黑血图像的相似性；
利用搜索策略找取最优的相似性度量；
根据空间变换矩阵对相似性度量达到最优时的亮血图像进行坐标转换，得到该亮血图像对应的配准后亮血图像；
由K个亮血图像分别对应的配准后亮血图像，构成配准后亮血图像组。
3.根据权利要求2所述的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，所述最近邻插值法采用如下公式：
其中，x为周围像素点的像素灰度值，x0为当前像素点的像素灰度值，m为阈值，h(x)为输出的像素灰度值。
4.根据权利要求1所述的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，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。
5.根据权利要求4所述的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，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。
6.根据权利要求4所述的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，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。
7.根据权利要求5所述的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，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。
8.根据权利要求4所述的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，所述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，包括：
将所述伪影消除增强黑血图像组和所述黑血图像组中对应图像相减，得到K个造影增强图；
利用所述K个造影增强图建立造影增强三维模型。
9.根据权利要求1所述的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，所述基于所述血液三维模型、所述颅内血管三维模型、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所述的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，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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011322288.6A CN112509081A (zh) | 2020-11-23 | 2020-11-23 | 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 |
|---|---|---|---|
| CN202011322288.6A CN112509081A (zh) | 2020-11-23 | 2020-11-23 | 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 |
|---|---|
| CN112509081A true CN112509081A (zh) | 2021-03-16 |
Family
ID=74959535
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011322288.6A Withdrawn CN112509081A (zh) | 2020-11-23 | 2020-11-23 | 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) | CN112509081A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116681704A (zh) * | 2023-08-03 | 2023-09-01 | 杭州脉流科技有限公司 | 颅内血管血流量获取方法、计算机设备和可读存储介质 |
-
2020
- 2020-11-23 CN CN202011322288.6A patent/CN112509081A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116681704A (zh) * | 2023-08-03 | 2023-09-01 | 杭州脉流科技有限公司 | 颅内血管血流量获取方法、计算机设备和可读存储介质 |
| CN116681704B (zh) * | 2023-08-03 | 2023-10-31 | 杭州脉流科技有限公司 | 颅内血管血流量获取方法、计算机设备和可读存储介质 |
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 | |
| 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 | |
| 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 | |
| CN112508869A (zh) | 颅内血管图像融合方法和计算机可读存储介质 | |
| CN114170151A (zh) | 一种基于迁移学习的颅内血管病灶识别方法 | |
| 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 | |
| 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 | |
| CN112509081A (zh) | 颅内血管造影增强三维狭窄化分析模型的建立方法 | |
| CN112508880A (zh) | 颅内血管图像配准方法、电子设备和计算机可读存储介质 | |
| CN112634386A (zh) | 一种血管造影增强三维狭窄化分析模型的建立方法 | |
| CN114240841A (zh) | 一种模拟化三维血管狭窄分析模型的建立方法 | |
| US20220164967A1 (en) | Method of establishing an enhanced three-dimensional model of intracranial angiography | |
| CN112509077A (zh) | 一种基于智慧医疗的颅内血管图像分割与显示方法 | |
| 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 | |
| CN112669256B (zh) | 一种基于迁移学习的医学图像分割与显示方法 | |
| CN112508879A (zh) | 颅内血管造影增强三维狭窄化分析模型的建立方法 | |
| CN112509076A (zh) | 基于智慧医疗的颅内血管病灶标记与三维显示系统 | |
| CN112508874A (zh) | 基于智慧医疗的脑血管病变标记与三维显示系统 | |
| CN112509085A (zh) | 脑血管图像流空伪影消除方法和系统 | |
| CN112508878A (zh) | 一种脑血管图像配准与融合方法 |
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 |