CN112634196A - 一种基于智慧医疗的医学图像分割与显示方法 - Google Patents

一种基于智慧医疗的医学图像分割与显示方法 Download PDF

Info

Publication number
CN112634196A
CN112634196A CN202011324139.3A CN202011324139A CN112634196A CN 112634196 A CN112634196 A CN 112634196A CN 202011324139 A CN202011324139 A CN 202011324139A CN 112634196 A CN112634196 A CN 112634196A
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Withdrawn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
CN202011324139.3A
Other languages
English (en)
Inventor
贾艳楠
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 CN202011324139.3A priority Critical patent/CN112634196A/zh
Publication of CN112634196A publication Critical patent/CN112634196A/zh
Priority to CN202111375083.9A priority patent/CN114187238A/zh
Withdrawn legal-status Critical Current

Links

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
    • 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
    • G06T7/10—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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Graphics (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于智慧医疗的医学图像分割与显示方法，包括：获取血管部位的亮血图像组、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；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，得到血管造影增强三维狭窄化分析模型；将血管造影增强三维狭窄化分析模型进行显示。本发明的方法可以辅助医生直观进行病灶判断。

Description

一种基于智慧医疗的医学图像分割与显示方法
技术领域
本发明属于图像处理领域，具体涉及一种基于智慧医疗的医学图像分割与显示方法。
背景技术
据最新的医疗数据显示，血管类疾病已严重影响当代人的生命健康，成为致死率较高的疾病之一。比如动脉粥样硬化、炎症性血管疾病、血管真性肿瘤性疾病等等。血管类疾病中常见的诱因是血管狭窄、堵塞、破裂，以及斑块等等。目前临床上对于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 TomographyAngiography,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。
其中，MRA和HRMRA作为一种对患者无创的成像方法，可以清晰地检测到血管壁结构并进行分析，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，在血管的显示上具有明显的优越性。
但由于MRA和HRMRA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，来获得血管的综合情况，以进行血管病变分析。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、快速地得到关于血管狭窄程度的分析数据，不利于临床上对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、直观地获得血管的真实信息和关于血管狭窄程度的分析数据，以进行血管病变分析。本发明实施例提供了一种基于智慧医疗的医学图像分割与显示方法。包括：
获取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；
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，利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，得到血管造影增强三维狭窄化分析模型；
本发明的方案能够在临床应用上，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，辅助医生更加精确、直观地进行病灶分析和判断。
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基于智慧医疗的医学图像分割与显示方法的流程示意图；
图2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3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4(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4(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5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6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7为本发明实施例的不同迭代次数下的归一化互信息；
图8为多种配准方法的颅内血管磁共振图像的配准结果；
图9为本发明实施例的灰度线性变换结果图；
图10为本发明实施例的图像二值化结果图；
图11为本发明实施例针对颅内血管的流空伪影消除结果；
图12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13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；
图14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；
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和切面图显示效果图；
图16为本发明实施例提供的颅内血管的血管造影增强三维狭窄化分析模型裸眼3D全息可视化图；
图17为本发明实施例提供的对颅内血管的血管造影增强三维狭窄化分析模型的裸眼3D全息显示结果进行手势识别的示意图；
图18为本发明实施例提供的颅内血管的血管造影增强三维狭窄化分析模型的3D打印结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述。
为了在临床应用上，简便、快速、直观地获得血管的真实信息和关于血管狭窄程度的分析数据，以进行血管病变分析。本发明实施例提供了一种基于智慧医疗的医学图像分割与显示方法。
如图1所示，本发明实施例所提供的一种基于智慧医疗的医学图像分割与显示方法，可以包括如下步骤：
S1，获取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；
本发明实施例中，血管可以是颅内血管、心血管、眼底血管等组织部位的血管，在此，并不对本发明实施例的血管部位进行限制。
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，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，利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，利用基于互信息的相似性度量，并引入图像金字塔方法，进行图像配准。
可选的一种实施方式中，S2可以包括S21～S27：
S21，对每一个亮血图像和对应的增强黑血图像进行预处理，得到第一亮血图像和第一黑血图像；
可选的另一种实施方式中，S21可以包括S211和S212：
S211，针对每一个亮血图像，以对应的增强黑血图像为基准，将该亮血图像进行坐标变换和图像插值，并使用基于互信息的相似性度量及预定搜索策略，得到预配准后的第一亮血图像；
S211步骤实际上是对亮血图像以增强黑血图像为基准进行的图像预配准。
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。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。图像插值方法可以采用最近邻插值、双线性插值和双三次插值等方法中的任意一种。
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。
在本发明实施例中，采用基于互信息的相似性度量，具体可以为互信息或归一化互信息。
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，本发明实施例中的预定搜索策略可以根据需要选择。
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，从对应的增强黑血图像中，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.在对应的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，提取对应的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。
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图像配准、识别的可靠性。
本发明实施例中，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，选择使用多分辨率策略来解决局部极值的问题，同时利用多分辨率策略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。因此采用图像金字塔方法。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，可以采用以下步骤：
S22，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；
可选的一种实施方式中，S22可以包括以下步骤：
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。
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。其中，图像层数m可以为4。
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，在后续步骤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。
S23，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；
可选的一种实施方式中，S23可以包括以下步骤：
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 BDA0002793806170000081
是卷积符号，
Figure BDA0002793806170000082
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 BDA0002793806170000083
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。
S24，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，S24可以包括以下步骤：
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及预定搜索策略，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，使用基于互信息的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。
S25，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；
针对S25，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，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，S25可以包括以下步骤：
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及预定搜索策略，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。其中的亮血图像的坐标系与黑血图像的坐标系一致，且图像具备较高的相似性。配准过程类似于前述的预配准过程，不再赘述。
S26，基于配准的亮血高斯金字塔得到该亮血图像对应的配准后亮血图像；
该步骤中，获取配准的亮血高斯金字塔中的底层图像作为配准后亮血图像。
S27，由K个亮血图像分别对应的配准后亮血图像，得到配准后亮血图像组。
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，基于互信息作为相似性度量，可以提高配准精度；同时引入了图像金字塔算法，它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，即首先对分辨率较低的图像进行粗配准，接着在粗配准的基础上，对分辨率高的图像进行精配准，通过运用高斯金字塔和拉普拉斯金字塔来对血管图像进行分解和重建，模拟了人眼在不同距离下观测一幅图像的效果，更容易获取血管图像的本质特征。使用金字塔算法对血管部位的磁共振亮血图像与黑血图像进行配准，可以提高配准效率，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，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：
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2所示，图2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2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(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。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。
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 BDA0002793806170000121
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 BDA0002793806170000122
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。
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。
S4，利用配准后亮血图像组建立血液三维模型；
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。
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。
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；
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。
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。
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S71和S72：
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 BDA0002793806170000151
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。
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。
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 BDA0002793806170000171
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 BDA0002793806170000172
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。
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。
其中，优选的实施方式中，可以在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，本发明实施例在血管狭窄化分析的同时，还可以提供各方位对应的二维切面图，即将该血管造影增强三维狭窄化分析模型中的每一个点对应的当前点所在冠状面、矢状面、轴状面图像一并显示出来。在显示该血管造影增强三维狭窄化分析模型时，还可以使用诸如三种颜色的点，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。
S9，将血管造影增强三维狭窄化分析模型进行显示。
上述步骤得到对血管狭窄进行标记的血管造影增强三维狭窄化分析模型，可以直接通过软件在计算机显示屏上显示，当然，也可以采用其它更为直观的方法进行显示。
作为本发明的一种实施方式，将血管造影增强三维狭窄化分析模型进行显示，具体可以采用裸眼3D全息显示系统进行显示。本发明的方案并不需要采取任何穿戴式设备，如VR或MR眼镜，而是采用裸眼3D全息显示系统，将前后左右四个角度的图像通过软件分别投射到金字塔全息玻璃上，便于多位医生围在一起，同时看清楚颅内血管三维结构以及病变位置；且具有成像空间大、分辨率高、安静、方便讨论，及成本较低等优点。
为了进一步增强得到血管模型的立体感觉，以及增加医生的观看代入感，在裸眼3D全息显示的基础上，也可以进一步采用手势识别对所述裸眼3D全息显示的血管造影增强三维狭窄化分析模型进行操作，比如，手势识别可以采用Leap Motion体感控制器，以进行手动缩放、旋转、切割、虚拟手术等操作。本发明的方案采用的手势识别技术，可以利用红外LED+灰阶照相机的方式采集双手数据；前者利用双目视觉原理测量深度，后者提取关键点，从而重建出手掌在真实三维世界中的信息。
当然，采用手势识别也可以针对计算机显示屏上输出的血管造影增强三维狭窄化分析模型直接进行手动缩放、旋转、切割、虚拟手术等操作。采用手势识别的优点是体积小，识别精度高，不受环境光源的限制，还能进行测距。作为本发明的另一种实施方式，将血管造影增强三维狭窄化分析模型进行显示，具体可以将所述血管造影增强三维狭窄化分析模型导出为STL文件并通过3D打印显示。通过将最终得到的血管模型进行3D打印显示，并对比正常的血管三维模型，可以直观的看出哪个位置血管出现狭窄，发生了病变。
需要说明的是，上述用于显示的裸眼3D全息显示、手势识别和3D打印均可采用现有技术中相应的技术，在此不再赘述。
本发明实施例所提供的方案中，首先对磁共振技术扫描得到的亮血图像和增强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，可以提高配准效率，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，得到血管造影增强三维狭窄化分析模型。该血管造影增强三维狭窄化分析模型实现了血管的三维可视化，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、直观地获得血管的真实信息和关于血管狭窄程度的分析数据。
以下以颅内血管为例，说明本发明实施例所提供的基于智慧医疗的医学图像分割与显示方法的实施过程和实施效果。实施过程可以包括以下步骤：
步骤一，获取血管部位的亮血图像组、黑血图像组和增强黑血图像组；
步骤二，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，利用基于互信息和图像金字塔的配准方法进行图像配准，得到配准后亮血图像组；
在该步骤可以参见前文S2，包括：
(一)，对每一个亮血图像和对应的增强黑血图像进行预处理，得到第一亮血图像和第一黑血图像；该预处理过程可以分为两个主要步骤：
(1)预配准：
由于颅内血管可以看作是一个刚体，因此，该步骤选用刚体变换作为坐标变换方法。具体预配准过程参见S211步骤。
本发明实施例对亮血图像的图像插值方法进行仿真实验，先将原图缩小50％，然后使用不同插值算法得到与原图大小相同的效果图，并与原图像做对比。并利用均方根误差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进行评判。从实验数据得知，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，本发明实施例采用双三次插值。
实验中，使用梯度下降优化器和(1+1)-ES这两种搜索策略分别对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，结果显示，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，虽然较未使用前配准效果较好，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。从归一化互信息NMI、归一化互相关系数NCC与算法耗时Time进行评价，(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。
(2)统一扫描区域：
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。具体过程参见S212步骤，在此不再赘述。
参见图3，图3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。
(二)，在预处理之后，可以采用基于互信息和图像金字塔的配准方法对第一亮血图像和第一黑血图像进行图像配准，具体参见前文步骤S22～S27相关内容，在此不再赘述。具体包括：
①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4个图像；如图4(a)所示，图4(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。
②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3个图像；亮血拉普拉斯金字塔和黑血拉普拉斯金字塔的生成过程参见前文S23，在此不再赘述。如图4(b)所示，图4(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。
③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；
在该步骤中，使用互信息作为两幅图的相似性度量，选用(1+1)-ES作为搜索策略，在每一次图像配准进行坐标变换后，循环迭代计算两幅图的互信息，直至互信息达到最大，图像配准完成。具体过程参见前文S24，在此不再赘述。
结果如图5所示，图5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，叠加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拉普拉斯金字塔图像，绿色为亮血拉普拉斯金字塔图像(附图图像是原图经过灰度处理的图像，颜色未示出)。
④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；
该步骤参见前文S25，基于互信息的高斯金字塔图像配准具体步骤如图6所示，图6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7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。
为验证本发明实施例的基于互信息和图像金字塔的图像配准方法的有效性与实用性进行了对比实验，使用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，与本发明实施例的基于互信息和图像金字塔的配准方法进行对比，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，采用定性分析与定量分析相结合。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8显示了多模态颅内血管磁共振图像的配准结果，图8为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)为本发明实施例的基于互信息和图像金字塔的图像配准方法的重叠图像。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 BDA0002793806170000221
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8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，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；而基于互信息和图像金字塔的配准方法的图像效果表现良好，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，本发明实施例提出的基于互信息和图像金字塔的配准方法在配准精度上有所提高，可以良好地处理多模态颅内血管磁共振图像的配准。
⑤基于配准的亮血高斯金字塔得到该亮血图像对应的配准后亮血图像；
获取配准的亮血高斯金字塔中的底层图像作为配准后亮血图像，将配准后亮血图像和对应的增强黑血图像作为配准后图像对。
⑥由K个亮血图像分别对应的配准后亮血图像，得到配准后亮血图像组。
本发明实施例中使用基于互信息与图像金字塔的图像配准方法，不仅考虑灰度信息的相关性，而且利用高斯金字塔提高配准效率，使图像从低分辨率到高分辨率，逐层提高配准精度。
步骤三，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；具体参见前文S3步骤。结果如下：
如图9所示，图9为本发明实施例的灰度线性变换结果图。图9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。采用最大类间方差法OTSU得到亮血特征图，结果如图10所示，图10为本发明实施例的图像二值化结果图，图10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。图11为本发明实施例针对颅内血管的流空伪影消除结果。图11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。
步骤四，利用配准后亮血图像组建立血液三维模型；
步骤五，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；
步骤六，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；
步骤七，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。
步骤八，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，得到血管造影增强三维狭窄化分析模型。
步骤九，将血管造影增强三维狭窄化分析模型进行显示。
关于步骤四至步骤九的具体过程不再赘述。具体结果如下，参见图12，图12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12中从左至右分别为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。其中各图均进行了灰度处理，在实际中，可以以不同颜色进行显示，比如血管三维模型效果图和造影增强三维模型效果图分别以蓝色和红色进行显示。
图13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血管部位，在实际中，图13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。
图14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。
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15，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和切面图显示效果图。图15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。
参见图16，图16是本发明实施例提供的颅内血管的血管造影增强三维狭窄化分析模型裸眼3D全息可视化图，图中，前视、后视、左视、右视四个视图组合在一起，实现裸眼3D全息可视化。参见图17，图17是本发明实施例提供的对颅内血管的血管造影增强三维狭窄化分析模型的裸眼3D全息显示结果进行手势识别的示意图。请参见图18，图18是本发明实施例提供的颅内血管的血管造影增强三维狭窄化分析模型的3D打印结果图。图16-图18提供的显示方法，均是为了进一步将得到的颅内血管的血管造影增强三维狭窄化分析模型更直观的进行展示，以便于医生对颅内病灶判断时代入感更强。
本发明实施例所提供的方案中得到的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)

1.一种基于智慧医疗的医学图像分割与显示方法，其特征在于，包括：
获取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；
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，利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，得到血管造影增强三维狭窄化分析模型；
将所述血管造影增强三维狭窄化分析模型进行显示。
2.根据权利要求1所述的方法，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，利用基于互信息和图像金字塔的配准方法进行图像配准，得到配准后亮血图像组，包括：
对每一个亮血图像和对应的增强黑血图像进行预处理，得到第一亮血图像和第一黑血图像；
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；
基于所述配准的亮血高斯金字塔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，得到配准后亮血图像组。
3.根据权利要求2所述的方法，其特征在于，所述对每一个亮血图像和对应的增强黑血图像进行预处理，得到第一亮血图像和第一黑血图像，包括：
针对每一个亮血图像，以对应的增强黑血图像为基准，将该亮血图像进行坐标变换和图像插值，并使用基于互信息的相似性度量及预定搜索策略，得到预配准后的第一亮血图像；
从对应的增强黑血图像中，提取与所述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。
4.根据权利要求1或3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。
5.根据权利要求3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。
6.根据权利要求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。
7.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。
8.根据权利要求1或7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，得到血管造影增强三维狭窄化分析模型。
9.根据权利要求1所述的方法，其特征在于，所述将所述血管造影增强三维狭窄化分析模型进行显示，包括：
将所述血管造影增强三维狭窄化分析模型通过计算机显示屏显示；或采用裸眼3D全息显示系统进行显示；或将所述血管造影增强三维狭窄化分析模型导出为STL文件并通过3D打印显示。
10.根据权利要求9所述的方法，其特征在于，在所述血管造影增强三维狭窄化分析模型通过计算机显示屏显示，或采用裸眼3D全息显示系统进行显示之后，还包括：
采用手势识别对所显示的血管造影增强三维狭窄化分析模型进行手动缩放、旋转、切割、虚拟手术操作。
CN202011324139.3A 2020-11-23 2020-11-23 一种基于智慧医疗的医学图像分割与显示方法 Withdrawn CN112634196A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011324139.3A CN112634196A (zh) 2020-11-23 2020-11-23 一种基于智慧医疗的医学图像分割与显示方法
CN202111375083.9A CN114187238A (zh) 2020-11-23 2021-11-19 一种基于智慧医疗的医学图像分割与显示方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011324139.3A CN112634196A (zh) 2020-11-23 2020-11-23 一种基于智慧医疗的医学图像分割与显示方法

Publications (1)

Publication Number Publication Date
CN112634196A true CN112634196A (zh) 2021-04-09

Family

ID=75303871

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202011324139.3A Withdrawn CN112634196A (zh) 2020-11-23 2020-11-23 一种基于智慧医疗的医学图像分割与显示方法
CN202111375083.9A Pending CN114187238A (zh) 2020-11-23 2021-11-19 一种基于智慧医疗的医学图像分割与显示方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202111375083.9A Pending CN114187238A (zh) 2020-11-23 2021-11-19 一种基于智慧医疗的医学图像分割与显示方法

Country Status (1)

Country Link
CN (2) CN112634196A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393427A (zh) * 2021-05-28 2021-09-14 上海联影医疗科技股份有限公司 斑块分析方法、装置、计算机设备和存储介质
CN115482181A (zh) * 2021-05-31 2022-12-16 数坤(北京)网络科技股份有限公司 一种图像信息提取方法、装置、电子设备和可读存储介质
EP4207060A1 (en) * 2021-12-27 2023-07-05 Shanghai United Imaging Healthcare Co., Ltd. Methods and systems for image analysis
CN116759052A (zh) * 2023-06-20 2023-09-15 华平祥晟(上海)医疗科技有限公司 一种基于大数据的图像存储管理系统及方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393427A (zh) * 2021-05-28 2021-09-14 上海联影医疗科技股份有限公司 斑块分析方法、装置、计算机设备和存储介质
CN115482181A (zh) * 2021-05-31 2022-12-16 数坤(北京)网络科技股份有限公司 一种图像信息提取方法、装置、电子设备和可读存储介质
CN115482181B (zh) * 2021-05-31 2024-05-24 数坤(北京)网络科技股份有限公司 一种图像信息提取方法、装置、电子设备和可读存储介质
EP4207060A1 (en) * 2021-12-27 2023-07-05 Shanghai United Imaging Healthcare Co., Ltd. Methods and systems for image analysis
CN116759052A (zh) * 2023-06-20 2023-09-15 华平祥晟(上海)医疗科技有限公司 一种基于大数据的图像存储管理系统及方法
CN116759052B (zh) * 2023-06-20 2024-04-05 华平祥晟(上海)医疗科技有限公司 一种基于大数据的图像存储管理系统及方法

Also Published As

Publication number Publication date
CN114187238A (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
CN112634196A (zh) 一种基于智慧医疗的医学图像分割与显示方法
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
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
CN114170152A (zh) 一种模拟化三维颅内血管狭窄分析模型的建立方法
CN112102373A (zh) 一种基于强约束仿射形变特征学习的颈动脉多模态图像配准方法
CN112991365B (zh) 一种冠状动脉分割方法、系统及存储介质
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
CN112509079A (zh) 颅内血管造影增强三维狭窄化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
CN112669256B (zh) 一种基于迁移学习的医学图像分割与显示方法
CN114240841A (zh) 一种模拟化三维血管狭窄分析模型的建立方法
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
CN112508874A (zh) 基于智慧医疗的脑血管病变标记与三维显示系统
US20220164967A1 (en) Method of establishing an enhanced three-dimensional model of intracranial angiography
CN112509076A (zh) 基于智慧医疗的颅内血管病灶标记与三维显示系统
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
CN112509081A (zh) 颅内血管造影增强三维狭窄化分析模型的建立方法
CN116797519A (zh) 脑胶质瘤分割和三维可视化模型训练方法及系统
CN112508881A (zh) 一种颅内血管图像配准方法

Legal Events

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

Application publication date: 20210409

WW01 Invention patent application withdrawn after publication