CN112652011B - 目标血管的提取方法、提取装置与计算机可读存储介质 - Google Patents
目标血管的提取方法、提取装置与计算机可读存储介质 Download PDFInfo
- Publication number
- CN112652011B CN112652011B CN202011568988.3A CN202011568988A CN112652011B CN 112652011 B CN112652011 B CN 112652011B CN 202011568988 A CN202011568988 A CN 202011568988A CN 112652011 B CN112652011 B CN 112652011B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- image
- target blood
- extracting
- algorithm
- 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.)
- Active
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 315
- 238000000605 extraction Methods 0.000 title claims abstract description 70
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 136
- 230000011218 segmentation Effects 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims description 53
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 210000001519 tissue Anatomy 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000004351 coronary vessel Anatomy 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种目标血管的提取方法、提取装置与计算机可读存储介质。该提取方法包括采用快速行进算法从包括目标血管的原始图像中提取目标血管中心线;采用GPU加速的自动水平集算法对原始图像进行分割,得到分割图像;获取分割图像对应的距离图像;根据目标血管中心线和距离图像,确定血管形状模型;根据分割图像和血管形状模型,提取仅包括目标血管主干的图像。本方案由于将快速行进算法、GPU加速和自动水平集算法相结合,大大加快了目标血管提取的速度,兼顾了从复杂图像中提取目标血管的准确性与效率,且提取的结果不易受到图像质量的影响。
Description
技术领域
本申请涉及血管影像领域,具体而言,涉及一种目标血管的提取方法、提取装置、计算机可读存储介质与处理器。
背景技术
从血管影像(CT造影/核磁共振/超声影像等)中提取血管具有非常重要的临床意义。医学影像中目标血管的分割与提取对于图像理解、图像分析、中心线提取、图像分割、模型重构有很高的研究价值与技术挑战。传统的中心线提取算法(如分割血管后提取中心线法以及血管细化法)以及血管分割算法(如阈值法)虽能解决特定需求下的血管形态提取问题,但大都未能同时兼顾复杂影像中血管提取的准确性与效率,且提取结果容易受到图像质量的影响。
快速行进(Fast Marching)是一种特殊的水平集算法,通过求解程函方程,求解计算域中给定点之间波传播消耗的最短时间。最初快速行进算法被用于计算提取给定点之间的最短路径,在三维图像上,计算量比较大,而且提取的是最短路径,相对于中心线可能存在偏差。
水平集算法是一种跟踪捕捉曲线或曲面轮廓表面运动的一种动态隐式算法。算法于1987年被提出以来,经过近些年的发展与完善,衍生出多种对不同应用场景下图片分割的快速算法。该类算法在计算过程中不直接对轮廓进行操作,而是将轮廓设置成一个更高维度下函数的零水平集。这个更高维度的函数被称为水平集函数。对此水平集函数进行微分,求解空间中各点的速度值,从而求解下一时刻高维函数值。通过从输出的高维函数中提取零水平集来得到运动轮廓。该方法理论上能对任意复杂的结构进行模式化和拓扑变化,确保了对复杂拓扑结构的图像分割的准确性。但水平集分割算法需要大量的迭代来更新计算中的速度函数。对于三维图像,计算量往往过于庞大,严重限制了该方法的应用。
而血管分割中的另一个难题是分支血管以及噪音对目标血管在分割算法中的干扰。因分支血管直接与目标血管相连,无论传统的阈值法或水平集法均很难从目标血管中去除分支血管。而对于贴近骨骼/组织/病变等的血管,由于像素流明接近,在利用分割结果重建血管时同样很难还原血管真实结构。
发明内容
本申请的主要目的在于提供一种目标血管的提取方法、提取装置、计算机可读存储介质与处理器,以解决现有技术中从血管影像中提取目标血管的效率较低的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种目标血管的提取方法,包括:采用快速行进算法从包括目标血管的原始图像中提取目标血管中心线;采用GPU加速的自动水平集算法对所述原始图像进行分割,得到分割图像;获取所述分割图像对应的距离图像;根据所述目标血管中心线和所述距离图像,确定血管形状模型;根据所述分割图像和所述血管形状模型,提取仅包括目标血管主干的图像。
进一步地,采用快速行进算法从包括目标血管的原始图像中提取目标血管中心线,包括:对快速行进算法进行优化,得到一种优化快速行进算法;采用所述优化快速行进算法提取所述目标血管中心线。
进一步地,采用所述优化快速行进算法提取所述目标血管中心线,包括:对所述原始图像进行预处理,得到二值化图像;在所述二值化图像上选取所述目标血管内的至少两个端点,所述端点包括第一端点和第二端点;采用所述优化快速行进算法提取所述目标血管中心线,所述目标血管中心线为从所述第一端点到所述第二端点的线段。
进一步地,采用GPU加速的自动水平集算法对所述原始图像进行分割,得到分割图像,包括:对自动水平集算法进行优化,得到优化自动水平集算法;采用GPU加速的所述优化自动水平集算法对所述原始图像进行分割,得到所述分割图像。
进一步地,采用GPU加速的所述优化自动水平集算法对所述原始图像进行分割,得到所述分割图像,包括:对所述二值化图像进行分割,得到所述分割图像。
进一步地,根据所述目标血管中心线和所述距离图像,确定血管形状模型,包括:从所述分割图像中提取目标血管轮廓;根据所述距离图像,获取所述目标血管中心线上的点到所述目标血管轮廓的最短距离;以所述最短距离为半径对所述目标血管中心线进行膨胀,得到所述血管形状模型。
进一步地,根据所述分割图像和所述血管形状模型,提取仅包括目标血管主干的图像,包括:确定第一占比,所述第一占比为所述分割图像对所述仅包括目标血管主干的图像的影响占比;确定第二占比,所述第二占比为所述血管形状模型对所述仅包括目标血管主干的图像的影响占比;根据所述第一占比、所述第二占比、所述分割图像、所述血管形状模型,确定所述仅包括目标血管主干的图像。
进一步地,在所述二值化图像上选取所述目标血管内的至少两个端点,包括:采用半自动方式或者全自动方式,选取所述端点。
进一步地,对自动水平集算法进行优化,包括:在水平集分割计算时加入数值求解的收敛判定。
根据本申请的另一个方面,提供了一种目标血管的提取装置,包括:第一提取单元,用于采用快速行进算法从包括目标血管的原始图像中提取目标血管中心线;分割单元,用于采用GPU加速的自动水平集算法对所述原始图像进行分割,得到分割图像;获取单元,用于获取所述分割图像对应的距离图像;确定单元,用于根据所述目标血管中心线和所述距离图像,确定血管形状模型;第二提取单元,用于根据所述分割图像和所述血管形状模型,提取仅包括目标血管主干的图像。
根据本申请的又一个方面,提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的目标血管的提取方法。
根据本申请的再一个方面,提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行任意一种所述的目标血管的提取方法。
应用本申请的技术方案,采用快速行进算法提取目标血管中心线,采用GPU加速的自动水平集算法对原始图像进行分割得到分割图像,根据目标血管中心线和距离图像确定血管形状模型,根据分割图像和血管形状模型,提取仅包括目标血管主干的图像,实现了从包括目标血管的原始图像中提取仅包括目标血管主干的图像,降低了分支血管、其他干扰组织结构以及噪音对目标血管主干的干扰,且由于将快速行进算法、GPU加速和自动水平集算法相结合,大大加快了目标血管提取的速度,兼顾了从复杂图像中提取目标血管的准确性与效率,且提取的结果不易受到图像质量的影响。本方案大幅提高了目标血管提取的效率,对二维/三维医疗影像中单根以及多根血管提取均具有很好的鲁棒性。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了根据本申请的实施例的目标血管的提取方法流程图;
图2示出了根据本申请的实施例的目标血管的提取装置示意图;
图3示出了根据本申请的实施例的以二维DSA(Digital SubtractionAngiography,数字剪影血管造影)影像为例的中心线提取过程示意图;
图4示出了根据本申请的实施例的以二维DSA影像为例的图像分割过程示意图;
图5示出了根据本申请的实施例的二维DSA影像的单根血管提取的构建过程以及最终结果图;
图6示出了根据本申请的实施例的三维CTA(Coronary Computed Tomography,CT冠脉造影)影像的中多根血管的中心线结果、分割结果以及最终结果图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应该理解的是,当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时,该元件可直接在该另一元件上,或者也可存在中间元件。而且,在说明书以及权利要求书中,当描述有元件“连接”至另一元件时,该元件可“直接连接”至该另一元件,或者通过第三元件“连接”至该另一元件。
正如背景技术中所介绍的,现有技术中从血管影像中提取目标血管的效率较低,为解决如上从血管影像中提取目标血管的效率较低的问题,本申请的实施例提供了一种目标血管的提取方法、提取装置、计算机可读存储介质与处理器。
根据本申请的实施例,提供了一种目标血管的提取方法。
图1是根据本申请实施例的目标血管的提取方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101,采用快速行进算法从包括目标血管的原始图像中提取目标血管中心线;
步骤S102,采用GPU加速的自动水平集算法对上述原始图像进行分割,得到分割图像;
步骤S103,获取上述分割图像对应的距离图像;
步骤S104,根据上述目标血管中心线和上述距离图像,确定血管形状模型;
步骤S105,根据上述分割图像和上述血管形状模型,提取仅包括目标血管主干的图像。
具体地,获取上述分割图像对应的距离图像,包括:对分割图像进行标准化处理,并对标准化处理所得图像求取其对应的距离图像。
上述方案中,采用快速行进算法提取目标血管中心线,采用GPU加速的自动水平集算法对原始图像进行分割得到分割图像,根据目标血管中心线和距离图像确定血管形状模型,根据分割图像和血管形状模型,提取仅包括目标血管主干的图像,实现了从包括目标血管的原始图像中提取仅包括目标血管主干的图像,降低了分支血管、其他干扰组织结构以及噪音对目标血管主干的干扰,且由于将快速行进算法、GPU加速和自动水平集算法相结合,大大加快了目标血管提取的速度,兼顾了从复杂图像中提取目标血管的准确性与效率,且提取的结果不易受到图像质量的影响。本方案大幅提高了目标血管提取的效率,对二维/三维医疗影像中单根以及多根血管提取均具有很好的鲁棒性。
优选地,水平集分割算法(相当于自动水平集算法)需要大量的迭代来更新计算中的速度函数。对于三维图像,计算量往往过于庞大,严重限制了利用水平集分割算法获取分割图像的速度,将本方案应用于三维图像中,显著提高了采用自动水平集算法对上述原始图像进行分割,得到分割图像的速度,进而提高了从原始图像提取仅包括目标血管主干的图像的速率,例如,对于三维图像(大小为512×512×345)的计算时间仅有1分钟左右。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请的一种实施例中,采用快速行进算法从包括目标血管的原始图像中提取目标血管中心线,包括:对快速行进算法进行优化,得到一种优化快速行进算法;采用上述优化快速行进算法提取上述目标血管中心线,保证了提取的目标血管中心线的准确性。
本申请的一种实施例中,采用上述优化快速行进算法提取上述目标血管中心线,包括:对上述原始图像进行预处理,得到二值化图像;在上述二值化图像上选取上述目标血管内的至少两个端点,上述端点包括第一端点和第二端点;用上述优化快速行进算法提取上述目标血管中心线,上述目标血管中心线为从上述第一端点到上述第二端点的线段。即采用优化快速行进算法实现从第一端点到第二端点的目标血管中心线的提取,保证了提取的目标血管中心线的准确性,且本方案减小了对图像预处理的要求。
本申请的一种实施例中,采用上述优化快速行进算法提取上述目标血管中心线,包括:在原始图像上选取上述目标血管内的至少两个端点,上述端点包括第一端点和第二端点,采用上述优化快速行进算法提取上述目标血管中心线,上述目标血管中心线为从上述第一端点到上述第二端点的线段,即不仅可以从二值化图像选取目标血管内的端点,也可以从原始图像上选取目标血管内的端点。
本申请的一种实施例中,采用GPU加速的自动水平集算法对上述原始图像进行分割,得到分割图像,包括:对自动水平集算法进行优化,得到优化自动水平集算法;采用GPU加速的上述优化自动水平集算法对上述原始图像进行分割,得到上述分割图像。采用优化自动水平集算法实现了对分割图像快速且准确的获取。
本申请的一种实施例中,采用GPU加速的上述优化自动水平集算法对上述原始图像进行分割,得到上述分割图像,包括:对上述二值化图像进行分割,得到上述分割图像。采用优化自动水平集算法对二值化图像进行分割,得到了精确的分割图像。
本申请的一种实施例中,根据上述目标血管中心线和上述距离图像,确定血管形状模型,包括:从上述分割图像中提取目标血管轮廓;根据上述距离图像,获取上述目标血管中心线上的点到上述目标血管轮廓的最短距离;以上述最短距离为半径对上述目标血管中心线进行膨胀,得到上述血管形状模型。距离图像表征了分割图像的任意一点到目标血管轮廓的最短距离,所以根据距离图像可以获取目标血管中心线上的点到上述目标血管轮廓的最短距离,然后以最短距离为半径对上述目标血管中心线进行膨胀,获取血管形状模型,实现了对血管形状模型的精确获取。
本申请的一种实施例中,根据上述分割图像和上述血管形状模型,提取仅包括目标血管主干的图像,包括:确定第一占比,上述第一占比为上述分割图像对上述仅包括目标血管主干的图像的影响占比;确定第二占比,上述第二占比为上述血管形状模型对上述仅包括目标血管主干的图像的影响占比;根据上述第一占比、上述第二占比、上述分割图像、上述血管形状模型,确定上述仅包括目标血管主干的图像。例如,第一占比为20%,第二占比为80%;第一占比为0%,第二占比为100%;第一占比为10%,第二占比为90%,利用加权平均的思想,实现对仅包括目标血管主干的图像的精确获取。
本申请的一种实施例中,在原始图像上选取上述目标血管内的至少两个端点,包括:采用半自动方式或者全自动方式,选取上述端点,其中,半自动方式是指目标血管中其中一个端点(如血管入口)已通过其特征进行自动检索确认,而另一端点需要人为选择确认。此方法多用于分析分叉血管含有单一入口多出口的血管中的一支;全自动方式是指通过对目标血管的两个端点根据其特征进行自动化检索,不需人为干预,此方法适用于血管整体分析。保证了端点获取方式的多样化,继而保证了端点的准确性。当然,还可以采用交互式选择的方式,选取上述端点,其中,交互式选择是指在推荐血管两端点的情况下对推荐端点的修改与确认,或者是在没有推荐端点的原图上直接点击选取两个端点。此方法多于用分析血管中特定段。
本申请的一种实施例中,对快速行进算法进行优化,还包括对血管端点的推荐和对血管中心线位置的矫正,对血管中心线位置的矫正是指对于某些特殊血管,最终中心线的位置可以根据实际情况进行微调,以实现对血管中心线的精确确定。其中血管端点的推荐的方式包括但不限于根据目标点的特征状态进行推荐,如血管端点(单侧连通血管)、血管分叉点(三个方向连通血管)、血管直径特定点等等。又如,对于固定影像血管初始位置变化很小的情况下,初始点位置已知,此时初始点可以作为大多子血管分析的一个推荐点。
本申请的一种实施例中,对快速行进算法进行优化,包括对快速行进算法所得曲线居中性进行改善,有助于仅包括目标血管主干的图像的准确性。
本申请的一种实施例中,对自动水平集算法进行优化,包括:在水平集分割计算时加入数值求解的收敛判定。在采用自动水平集算法对上述原始图像进行分割求取分割图像时涉及到多种数值的求解,水平集分割算法需要大量的迭代来更新计算中的速度函数,加入数值求解的收敛判定,保证结果准确的前提下避免了不必要的迭代次数,减少了计算量,加快了目标血管的提取的速度,且保证了提取结果的准确性,在三维图像的处理中凸显优势。
本申请的一种实施例中,对自动水平集算法进行优化,还包括:结合基于区域算法的水平集算法与梯度水平集的惩罚项对自动水平集算法进行优化,基于区域算法的水平集算法的速度项的更新求解区域内像素值的差值,而基于梯度算法的水平集算法的速度项更新求解图像上的梯度值。在实际应用中,水平集所求曲线上的点在演化的过程中存在速度不等的可能,在长时间迭代之后,曲面的等值线可能会出现相互交错,为确保分割结果的正确性,传统的水平及算法须在多次迭代后重新初始化速度场。解决演化速度不一引起的等值线相交的问题的方法之一是确保曲面演化方向的单一性,本发明中采用DRLSE算法中提出的惩罚项很好解决该问题。此方法的特点是能量方程的在之外引入第三项惩罚项(或称为距离项,distance regular)。从而确保曲线等值面间间距,避免等值面交叉而需要重新初始化问题。
本申请实施例还提供了一种目标血管的提取装置,需要说明的是,本申请实施例的目标血管的提取装置可以用于执行本申请实施例所提供的用于目标血管的提取方法。以下对本申请实施例提供的目标血管的提取装置进行介绍。
图2是根据本申请实施例的目标血管的提取装置的示意图。如图2所示,该装置包括:
第一提取单元10,用于采用快速行进算法从包括目标血管的原始图像中提取目标血管中心线;
分割单元20,用于采用GPU加速的自动水平集算法对上述原始图像进行分割,得到分割图像;
获取单元30,用于获取上述分割图像对应的距离图像;
确定单元40,用于根据上述目标血管中心线和上述距离图像,确定血管形状模型;
第二提取单元50,用于根据上述分割图像和上述血管形状模型,提取仅包括目标血管主干的图像。
上述方案中,提取单元采用快速行进算法提取目标血管中心线,分割单元采用GPU加速的自动水平集算法对原始图像进行分割得到分割图像,确定单元根据目标血管中心线和距离图像确定血管形状模型,第二提取单元根据分割图像和血管形状模型,提取仅包括目标血管主干的图像,实现了从包括目标血管的原始图像中提取仅包括目标血管主干的图像,降低了分支血管、其他干扰组织结构以及噪音对目标血管主干的干扰,且由于将快速行进算法、GPU加速和自动水平集算法相结合,大大加快了目标血管提取的速度,兼顾了从复杂图像中提取目标血管的准确性与效率,且提取的结果不易受到图像质量的影响。本方案大幅提高了目标血管提取的效率,对二维/三维医疗影像中单根以及多根血管提取均具有很好的鲁棒性。
优选地,水平集分割算法(相当于自动水平集算法)需要大量的迭代来更新计算中的速度函数。对于三维图像,计算量往往过于庞大,严重限制了利用水平集分割算法获取分割图像的速度,将本方案应用于三维图像中,显著提高了采用自动水平集算法对上述原始图像进行分割,得到分割图像的速度,进而提高了从原始图像提取仅包括目标血管主干的图像的速率,例如,对于三维图像(大小为512×512×345)的计算时间仅有1分钟左右。
本申请的一种实施例中,第一提取单元包括第一优化模块和第一提取模块,第一优化模块用于对快速行进算法进行优化,得到一种优化快速行进算法;第一提取模块用于采用上述优化快速行进算法提取上述目标血管中心线,保证了提取的目标血管中心线的准确性。
本申请的一种实施例中,第一提取模块还包括预处理子模块、选取子模块和提取子模块,预处理子模块用于对上述原始图像进行预处理,得到二值化图像;选取子模块用于在上述二值化图像上选取上述目标血管内的至少两个端点,上述端点包括第一端点和第二端点;提取子模块用于用上述优化快速行进算法提取上述目标血管中心线,上述目标血管中心线为从上述第一端点到上述第二端点的线段。即采用优化快速行进算法实现从第一端点到第二端点的目标血管中心线的提取,保证了提取的目标血管中心线的准确性。
本申请的一种实施例中,分割单元包括第二优化模块和分割模块,第二优化模块用于对自动水平集算法进行优化,得到优化自动水平集算法;分割模块用于采用GPU加速的上述优化自动水平集算法对上述原始图像进行分割,得到上述分割图像。采用优化自动水平集算法实现了对分割图像快速且准确的获取。
本申请的一种实施例中,分割模块还用于对上述二值化图像进行分割,得到上述分割图像。采用优化自动水平集算法对二值化图像进行分割,得到了精确的分割图像。
本申请的一种实施例中,确定单元包括第一提取模块、获取模块和膨胀模块,第一提取模块用于从上述分割图像中提取目标血管轮廓;获取模块用于根据上述距离图像,获取上述目标血管中心线上的点到上述目标血管轮廓的最短距离;膨胀模块用于以上述最短距离为半径对上述目标血管中心线进行膨胀,得到上述血管形状模型。距离图像表征了分割图像的任意一点到目标血管轮廓的最短距离,所以根据距离图像可以获取目标血管中心线上的点到上述目标血管轮廓的最短距离,然后以最短距离为半径对上述目标血管中心线进行膨胀,获取血管形状模型,实现了对血管形状模型的精确获取。
本申请的一种实施例中,第二提取单元包括第一确定模块、第二确定模块和第三确定模块,第一确定模块用于确定第一占比,上述第一占比为上述分割图像对上述仅包括目标血管主干的图像的影响占比;第二确定模块用于确定第二占比,上述第二占比为上述血管形状模型对上述仅包括目标血管主干的图像的影响占比;第三确定模块用于根据上述第一占比、上述第二占比、上述分割图像、上述血管形状模型,确定上述仅包括目标血管主干的图像。例如,第一占比为20%,第二占比为80%;第一占比为0%,第二占比为100%;第一占比为10%,第二占比为90%,利用加权平均的思想,实现对仅包括目标血管主干的图像的精确获取。将分割图像与血管形状模型以特定权重进行求和(可单步求和也可以迭代进行多步求和),获取仅包括目标血管主干的图像。
本申请的一种实施例中,选取子模块还用于采用半自动方式或者全自动方式,选取上述端点,保证了端点获取方式的多样化,继而保证了端点的准确性。
本申请的一种实施例中,第二优化模块还用于在水平集分割计算时加入数值求解的收敛判定。在采用自动水平集算法对上述原始图像进行分割求取分割图像时涉及到多种数值的求解,水平集分割算法需要大量的迭代来更新计算中的速度函数,加入数值求解的收敛判定,保证结果准确的前提下避免了不必要的迭代次数,减少了计算量,加快了目标血管的提取的速度,且保证了提取结果的准确性,在三维图像的处理中凸显优势。
所述目标血管的提取装置包括处理器和存储器,上述第一提取单元、分割单元、获取单元、确定单元和第二提取单元,等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来提高提取目标血管的效率。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行所述目标血管的提取方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述目标血管的提取方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现至少以下步骤:
步骤S101,采用快速行进算法从包括目标血管的原始图像中提取目标血管中心线;
步骤S102,采用GPU加速的自动水平集算法对上述原始图像进行分割,得到分割图像;
步骤S103,获取上述分割图像对应的距离图像;
步骤S104,根据上述目标血管中心线和上述距离图像,确定血管形状模型;
步骤S105,根据上述分割图像和上述血管形状模型,提取仅包括目标血管主干的图像。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有至少如下方法步骤的程序:
步骤S101,采用快速行进算法从包括目标血管的原始图像中提取目标血管中心线;
步骤S102,采用GPU加速的自动水平集算法对上述原始图像进行分割,得到分割图像;
步骤S103,获取上述分割图像对应的距离图像;
步骤S104,根据上述目标血管中心线和上述距离图像,确定血管形状模型;
步骤S105,根据上述分割图像和上述血管形状模型,提取仅包括目标血管主干的图像。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
实施例
本实施例涉及一种具体的目标血管的提取方法,该方法包括如下步骤:
步骤S1:获取包括目标血管的原始图像;
步骤S2:对上述原始图像进行预处理,得到二值化图像;
步骤S3:采用快速行进算法从二值化图像上选取上述目标血管内的至少两个端点,上述端点包括第一端点和第二端点,上述目标血管中心线为从上述第一端点到上述第二端点的线段;
具体地,对图3A进行预处理(包括Hessian增强与图像二值化),得到二值化图像。本步骤中对于原始图像的预处理要求远低于传统算法。增强图像如图3B所示、二值化图像结果如图3C所示。在二值化图像上确定目标血管的至少两个端点,包括第一端点以及第二端点,结果如图3D所示。利用改进的快速行进算法提取经过两个端点的血管中心线,结果如图3E所示(二维图像(大小为512×512)计算时间在1秒以内)。
步骤S4:采用GPU加速的自动水平集算法对上述原始图像进行分割,得到分割图像,对图3C所示的二值化图像利用GPU加速下的水平集算法进行图像分割。对于原始DSA影像(图4A所示)利用水平集分割结果如图4B所示。在GPU的加速下图像的分割速度大幅提升(二维图像(大小为512×512)计算时间在1秒左右)。
步骤S5:获取上述分割图像对应的距离图像;
步骤S6:从上述分割图像中提取目标血管轮廓,根据上述距离图像,获取上述目标血管中心线上的点到上述目标血管轮廓的最短距离;以上述最短距离为半径对上述目标血管中心线进行膨胀,得到上述血管形状模型;
步骤S7:确定第一占比,上述第一占比为上述分割图像对上述仅包括目标血管主干的图像的影响占比;确定第二占比,上述第二占比为上述血管形状模型对上述仅包括目标血管主干的图像的影响占比;根据上述第一占比、上述第二占比、上述分割图像、上述血管形状模型,确定上述仅包括目标血管主干的图像。
具体地,利用图4B所得分割图像(图5B)求取血管图像的距离图像(图5D),距离图像描述血管中各点到血管轮廓的最短距离。结合中心线(图5C)获取中心线上各点到真实血管轮廓的最短距离。对血管中心线进行其在距离图像上对应的距离的膨胀扩张,生成血管形状模型(图5E)。结合血管形状模型(图5E)与水平集分割结果图像(图5B)获取最终提取出的目标血管(仅包括目标血管主干的图像)。对于原始DSA影像(图5A)中的目标血管,提取的最终结果如图5F所示,实现了对仅包括目标血管主干的图像的精确而快速地提取。
本发明对于三维医学影像中血管的提取同样具有很好的准确性、高效性以及鲁棒性(三维图像(大小为512×512×345)计算时间在1分钟左右)。图6所示为三维CTA影像应用过程以及结果图,其中,图6A为初始影像;图6B为水平集分割结果;图6C为多支冠脉血管中心线结果;图6D为多支冠脉血管提取结果。实现了对三维医学影像中的目标血管的精确提取。
综上,本发明对于医疗影像中(不限于DSA以及CTA)中血管的提取(单根/多根)具有很好的准确性与鲁棒性,对二维/三维血管建模进行了很大提升。
从以上的描述中,可以看出,本申请上述的实施例实现了如下技术效果:
1)、本申请的目标血管的提取方法,采用快速行进算法提取目标血管中心线,采用GPU加速的自动水平集算法对原始图像进行分割得到分割图像,根据目标血管中心线和距离图像确定血管形状模型,根据分割图像和血管形状模型,提取仅包括目标血管主干的图像,实现了从包括目标血管的原始图像中提取仅包括目标血管主干的图像,降低了分支血管、其他干扰组织结构以及噪音对目标血管主干的干扰,且由于将快速行进算法、GPU加速和自动水平集算法相结合,大大加快了目标血管提取的速度,兼顾了从复杂图像中提取目标血管的准确性与效率,且提取的结果不易受到图像质量的影响。本方案大幅提高了目标血管提取的效率,对二维/三维医疗影像中单根以及多根血管提取均具有很好的鲁棒性。
2)、本申请的目标血管的提取装置,提取单元采用快速行进算法提取目标血管中心线,分割单元采用GPU加速的自动水平集算法对原始图像进行分割得到分割图像,确定单元根据目标血管中心线和距离图像确定血管形状模型,第二提取单元根据分割图像和血管形状模型,提取仅包括目标血管主干的图像,实现了从包括目标血管的原始图像中提取仅包括目标血管主干的图像,降低了分支血管、其他干扰组织结构以及噪音对目标血管主干的干扰,且由于将快速行进算法、GPU加速和自动水平集算法相结合,大大加快了目标血管提取的速度,兼顾了从复杂图像中提取目标血管的准确性与效率,且提取的结果不易受到图像质量的影响。本方案大幅提高了目标血管提取的效率,对二维/三维医疗影像中单根以及多根血管提取均具有很好的鲁棒性。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种目标血管的提取方法,其特征在于,包括:
采用快速行进算法从包括目标血管的原始图像中提取目标血管中心线;
采用GPU加速的自动水平集算法对所述原始图像进行分割,得到分割图像;
获取所述分割图像对应的距离图像;
根据所述目标血管中心线和所述距离图像,确定血管形状模型;
根据所述分割图像和所述血管形状模型,提取仅包括目标血管主干的图像;
根据所述目标血管中心线和所述距离图像,确定血管形状模型,包括:
从所述分割图像中提取目标血管轮廓;
根据所述距离图像,获取所述目标血管中心线上的点到所述目标血管轮廓的最短距离;
以所述最短距离为半径对所述目标血管中心线进行膨胀,得到所述血管形状模型;采用GPU加速的自动水平集算法对所述原始图像进行分割,得到分割图像,包括:
对自动水平集算法进行优化,得到优化自动水平集算法;
采用GPU加速的所述优化自动水平集算法对所述原始图像进行分割,得到所述分割图像;
根据所述分割图像和所述血管形状模型,提取仅包括目标血管主干的图像,包括:
确定第一占比,所述第一占比为所述分割图像对所述仅包括目标血管主干的图像的影响占比;
确定第二占比,所述第二占比为所述血管形状模型对所述仅包括目标血管主干的图像的影响占比;
根据所述第一占比、所述第二占比、所述分割图像、所述血管形状模型,确定所述仅包括目标血管主干的图像。
2.根据权利要求1所述的提取方法,其特征在于,采用快速行进算法从包括目标血管的原始图像中提取目标血管中心线,包括:
对快速行进算法进行优化,得到一种优化快速行进算法;
采用所述优化快速行进算法提取所述目标血管中心线。
3.根据权利要求2所述的提取方法,其特征在于,采用所述优化快速行进算法提取所述目标血管中心线,包括:
对所述原始图像进行预处理,得到二值化图像;
在所述二值化图像上选取所述目标血管内的至少两个端点,所述端点包括第一端点和第二端点;
采用所述优化快速行进算法提取所述目标血管中心线,所述目标血管中心线为从所述第一端点到所述第二端点的线段;
在所述二值化图像上选取所述目标血管内的至少两个端点,包括:
采用半自动方式或者全自动方式,选取所述端点。
4.根据权利要求3所述的提取方法,其特征在于,
对自动水平集算法进行优化,包括:
在水平集分割计算时加入数值求解的收敛判定。
5.根据权利要求4所述的提取方法,其特征在于,采用GPU加速的所述优化自动水平集算法对所述原始图像进行分割,得到所述分割图像,包括:
对所述二值化图像进行分割,得到所述分割图像。
6.一种目标血管的提取装置,其特征在于,包括:
第一提取单元,用于采用快速行进算法从包括目标血管的原始图像中提取目标血管中心线;
分割单元,用于采用GPU加速的自动水平集算法对所述原始图像进行分割,得到分割图像;
获取单元,用于获取所述分割图像对应的距离图像;
确定单元,用于根据所述目标血管中心线和所述距离图像,确定血管形状模型;
第二提取单元,用于根据所述分割图像和所述血管形状模型,提取仅包括目标血管主干的图像;
所述确定单元包括:
第一提取模块,用于从所述分割图像中提取目标血管轮廓;
获取模块,用于根据所述距离图像,获取所述目标血管中心线上的点到所述目标血管轮廓的最短距离;
膨胀模块,用于以所述最短距离为半径对所述目标血管中心线进行膨胀,得到所述血管形状模型;
分割单元包括第二优化模块和分割模块,所述第二优化模块用于对自动水平集算法进行优化,得到优化自动水平集算法;所述分割模块用于采用GPU加速的所述优化自动水平集算法对所述原始图像进行分割,得到所述分割图像;
第二提取单元包括第一确定模块、第二确定模块和第三确定模块,
所述第一确定模块用于确定第一占比,所述第一占比为所述分割图像对所述仅包括目标血管主干的图像的影响占比;
所述第二确定模块用于确定第二占比,所述第二占比为所述血管形状模型对所述仅包括目标血管主干的图像的影响占比;
所述第三确定模块用于根据所述第一占比、所述第二占比、所述分割图像、所述血管形状模型,确定所述仅包括目标血管主干的图像。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至5中任意一项所述的目标血管的提取方法。
8.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至5中任意一项所述的目标血管的提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011568988.3A CN112652011B (zh) | 2020-12-25 | 2020-12-25 | 目标血管的提取方法、提取装置与计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011568988.3A CN112652011B (zh) | 2020-12-25 | 2020-12-25 | 目标血管的提取方法、提取装置与计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112652011A CN112652011A (zh) | 2021-04-13 |
CN112652011B true CN112652011B (zh) | 2023-04-14 |
Family
ID=75363406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011568988.3A Active CN112652011B (zh) | 2020-12-25 | 2020-12-25 | 目标血管的提取方法、提取装置与计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112652011B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269806B (zh) * | 2021-04-30 | 2023-04-14 | 北京阅影科技有限公司 | 测量血管内部血流流量的方法、装置与处理器 |
CN115631303A (zh) * | 2021-04-30 | 2023-01-20 | 北京阅影科技有限公司 | 确定血管中心线真伪以及截断位置的方法与装置 |
CN115511773B (zh) * | 2021-06-21 | 2023-08-29 | 数坤(上海)医疗科技有限公司 | 一种血管中心线提取方法、装置、设备和可读存储介质 |
CN114330161A (zh) * | 2021-12-16 | 2022-04-12 | 深圳市阅影科技有限公司 | 血流储备分数ffr值确定模型的生成方法及其装置 |
WO2023115576A1 (zh) * | 2021-12-24 | 2023-06-29 | 北京阅影科技有限公司 | 血管信息的处理方法及其装置、计算机可读存储介质 |
CN114693648A (zh) * | 2022-04-02 | 2022-07-01 | 深圳睿心智能医疗科技有限公司 | 一种血管中心线提取方法及其系统 |
CN115187598B (zh) * | 2022-09-09 | 2023-02-03 | 天津远景科技服务有限公司 | 血管造影图像的处理方法、装置、系统、设备及介质 |
CN116228779B (zh) * | 2023-05-10 | 2023-08-01 | 北京清影华康科技有限公司 | 一种血管中心路径提取方法及装置 |
CN117115150B (zh) * | 2023-10-20 | 2024-01-26 | 柏意慧心(杭州)网络科技有限公司 | 用于确定分支血管的方法、计算设备和介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102903115A (zh) * | 2012-10-12 | 2013-01-30 | 中国科学院深圳先进技术研究院 | 一种管状物体中心线的提取方法 |
CN103871043A (zh) * | 2012-12-12 | 2014-06-18 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
CN106127819A (zh) * | 2016-06-30 | 2016-11-16 | 上海联影医疗科技有限公司 | 医学图像中提取血管中心线的方法及其装置 |
CN106296664A (zh) * | 2016-07-30 | 2017-01-04 | 上海联影医疗科技有限公司 | 血管提取方法 |
CN106340021A (zh) * | 2016-08-18 | 2017-01-18 | 上海联影医疗科技有限公司 | 血管提取方法 |
CN107203741A (zh) * | 2017-05-03 | 2017-09-26 | 上海联影医疗科技有限公司 | 血管提取方法、装置及其系统 |
CN109410181A (zh) * | 2018-09-30 | 2019-03-01 | 神州数码医疗科技股份有限公司 | 一种心脏图像分割方法及装置 |
CN109461143A (zh) * | 2018-10-12 | 2019-03-12 | 上海联影医疗科技有限公司 | 图像显示方法、装置、计算机设备和存储介质 |
CN111681224A (zh) * | 2020-06-09 | 2020-09-18 | 上海联影医疗科技有限公司 | 获取血管参数的方法和装置 |
CN111681242A (zh) * | 2020-08-14 | 2020-09-18 | 北京至真互联网技术有限公司 | 视网膜血管动静脉区分方法和装置、设备 |
-
2020
- 2020-12-25 CN CN202011568988.3A patent/CN112652011B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102903115A (zh) * | 2012-10-12 | 2013-01-30 | 中国科学院深圳先进技术研究院 | 一种管状物体中心线的提取方法 |
CN103871043A (zh) * | 2012-12-12 | 2014-06-18 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
CN106127819A (zh) * | 2016-06-30 | 2016-11-16 | 上海联影医疗科技有限公司 | 医学图像中提取血管中心线的方法及其装置 |
CN106296664A (zh) * | 2016-07-30 | 2017-01-04 | 上海联影医疗科技有限公司 | 血管提取方法 |
CN106340021A (zh) * | 2016-08-18 | 2017-01-18 | 上海联影医疗科技有限公司 | 血管提取方法 |
CN107203741A (zh) * | 2017-05-03 | 2017-09-26 | 上海联影医疗科技有限公司 | 血管提取方法、装置及其系统 |
CN109410181A (zh) * | 2018-09-30 | 2019-03-01 | 神州数码医疗科技股份有限公司 | 一种心脏图像分割方法及装置 |
CN109461143A (zh) * | 2018-10-12 | 2019-03-12 | 上海联影医疗科技有限公司 | 图像显示方法、装置、计算机设备和存储介质 |
CN111681224A (zh) * | 2020-06-09 | 2020-09-18 | 上海联影医疗科技有限公司 | 获取血管参数的方法和装置 |
CN111681242A (zh) * | 2020-08-14 | 2020-09-18 | 北京至真互联网技术有限公司 | 视网膜血管动静脉区分方法和装置、设备 |
Non-Patent Citations (2)
Title |
---|
Segmentation of carotid arteries in computed tomography angiography_images using fast marching and graph cut methods;H.R.Hemmati et al.;《2013 21st Iranian Conference on Electrical Engineering (ICEE)》;20130916;全文 * |
一种从X射线血管造影图像中自动分割冠状动脉的新方法;周寿军 等;《中国科学(E辑:信息科学)》;20071215;第37卷(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112652011A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112652011B (zh) | 目标血管的提取方法、提取装置与计算机可读存储介质 | |
JP4248399B2 (ja) | 自動枝ラベリング方法 | |
CN107067409A (zh) | 一种血管分离方法及系统 | |
US20060098870A1 (en) | Region competition via local watershed operators | |
CN112017167A (zh) | 一种基于双向冠脉血管跟踪的冠脉中心线生成方法及装置 | |
CN111275633A (zh) | 基于图像分割的点云去噪方法、系统、装置和存储介质 | |
Sormann et al. | Bp-mvsnet: Belief-propagation-layers for multi-view-stereo | |
CN114882145A (zh) | 车道线拟合方法、设备和计算机可读存储介质 | |
CN107403465B (zh) | 基于结构先验与深度学习的城市场景分段平面重建方法 | |
CN113269806B (zh) | 测量血管内部血流流量的方法、装置与处理器 | |
CN108537802A (zh) | 一种血管分割方法及装置 | |
CN115049683B (zh) | 放疗影像靶区的勾画方法和装置、处理器及电子设备 | |
CN113034683B (zh) | 确定血管中心线真伪以及截断位置的方法与装置 | |
CN113592764A (zh) | 识别和分割不同模态不同解剖部位动脉瘤的系统和方法 | |
CN113488146B (zh) | 一种头颈部鼻咽癌引流区和转移淋巴结的自动勾画方法 | |
Gupta et al. | Stereo correspondence using efficient hierarchical belief propagation | |
CN109493406B (zh) | 快速百分比靠近软阴影绘制方法 | |
CN113487604B (zh) | 对应点推荐方法、装置、计算机可读存储介质与处理器 | |
Min et al. | An asymmetric post-processing for correspondence problem | |
CN111524235B (zh) | 三维点云数据的处理方法及装置 | |
Xu et al. | Animated 3d line drawings with temporal coherence | |
US10984581B2 (en) | UV transfer | |
CN117876428B (zh) | 基于图像处理的目标跟踪方法、装置、计算机设备及介质 | |
CN110335353B (zh) | 街区自动细分的方法、装置、设备及存储介质 | |
Heng et al. | Disparity Refinement Using Merged Super-Pixels for Stereo Matching |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |