CN112767333A - 一种基于cta影像的双下肢血管区域判断方法及系统 - Google Patents
一种基于cta影像的双下肢血管区域判断方法及系统 Download PDFInfo
- Publication number
- CN112767333A CN112767333A CN202110026590.5A CN202110026590A CN112767333A CN 112767333 A CN112767333 A CN 112767333A CN 202110026590 A CN202110026590 A CN 202110026590A CN 112767333 A CN112767333 A CN 112767333A
- Authority
- CN
- China
- Prior art keywords
- data
- blood vessel
- image
- lower limb
- region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 231
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000010968 computed tomography angiography Methods 0.000 title abstract description 51
- 210000003141 lower extremity Anatomy 0.000 claims abstract description 147
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 126
- 210000001015 abdomen Anatomy 0.000 claims abstract description 47
- 230000003187 abdominal effect Effects 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims description 20
- 230000002792 vascular Effects 0.000 claims description 20
- 210000000702 aorta abdominal Anatomy 0.000 claims description 18
- 239000012535 impurity Substances 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 210000000746 body region Anatomy 0.000 claims description 14
- 101100171060 Caenorhabditis elegans div-1 gene Proteins 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 5
- 230000032798 delamination Effects 0.000 claims description 2
- 238000002591 computed tomography Methods 0.000 description 40
- 210000000038 chest Anatomy 0.000 description 21
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 101100269850 Caenorhabditis elegans mask-1 gene Proteins 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000003414 extremity Anatomy 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000013517 stratification Methods 0.000 description 2
- 208000019553 vascular disease Diseases 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000005202 decontamination Methods 0.000 description 1
- 230000003588 decontaminative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 231100000216 vascular lesion Toxicity 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
- G06T2207/30012—Spine; Backbone
-
- 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
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (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)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于CTA影像的双下肢血管区域判断方法及系统,属于医学图像处理技术领域。所述方法包括:获取待处理数据;基于所述待处理数据自动选择种子点;在所述待处理数据中提取出目标数据,所述目标数据包括双下肢骨骼和血管数据;对双下肢骨骼和血管数据进行去骨处理得到双下肢血管区域。所述目标数据还包括腹部骨骼和血管数据,对腹部骨骼和血管数据进行去骨处理得到腹部血管区域。本发明对胸部、腹部、双下肢进行部位分割,利用各个部位不同特征,对腹部和双下肢区域进行单独处理,避免了部位特征差异带来的影响;自动选择两个种子点,避免了一个序列每层的遍历耗时,并且可以有效提取骨骼和血管,同时不用去床就能去掉床板的干扰。
Description
技术领域
本发明涉及医学图像处理技术领域,具体涉及一种基于CTA影像的双下肢血管区域判断方法及系统。
背景技术
计算机断层扫描血管造影(CTA)是使用造影剂注入血管并进行CT扫描,以帮助诊断和评估血管疾病或相关状况,例如动脉瘤或阻塞。在医学领域,CTA影像经过三维重建,能更直观的显示人体结构。胸腹部及下肢的CTA影像增强血管,凸显血管病灶,但是这两个部位三维重建影像包括多个脏器、血管和骨骼,对血管诊断有极大影响。
目前,有些血管区域获取主要依靠医生手动操作或者半自动操作,工作量大,易产生疲劳。也有一些自动获取方法,常见的方法有非CTA图像和CTA图像进行减影、模型配准、基于阈值的区域生长、深度学习方法等。减影需要进行两次CT扫描,比较耗时,增加了对病人的辐射。模型配准算法复杂,很难应用到实际中。胸腹部结构复杂,经过增强的血管和骨骼CT值相近,没有固定阈值,很难用单阈值进行分割。深度学习方法,需要专业医生标准的标注数据,不适合短期快速开发应用。
发明内容
针对现有技术存在上述问题,本申请提供一种基于CTA影像的双下肢血管区域判断方法及系统,其在双下肢分割时,速度快,简单有效,并解决了部分骨骼和血管的粘连问题;其技术方案如下:
一种基于CTA影像的双下肢血管区域判断方法,包括:
获取待处理数据;
基于所述待处理数据自动选择种子点;
在所述待处理数据中提取出目标数据,所述目标数据包括双下肢骨骼和血管数据;
对所述双下肢骨骼和血管数据进行去骨处理得到双下肢血管区域。
可选的,所述目标数据还包括腹部骨骼和血管数据,对所述腹部骨骼和血管数据进行去骨处理得到腹部血管区域。
可选的,获取待处理数据,具体为:
对CTA影像数据进行双阈值预处理获得骨骼与血管区域;
基于所述骨骼与血管区域分割出胸部与腹部数据;
基于所述骨骼与血管区域定位相对尾椎区域分割出腹部与双下肢数据;
在所述相对尾椎区域找出腹部与双下肢分界线;
所述双下肢数据根据判定条件去除脚部干扰。
可选的,基于所述骨骼与血管区域定位相对尾椎区域分割出腹部与双下肢数据,具体为:
获取人体区域mask_body的上边界bottom、下边界top、左边界left、右边界right;
根据所述人体区域mask_body的边界获取相对尾椎区域上边界bottom_relatice、下边界top_relative、左边界left_relative、右边界right_relative为:
bottom_relative=bottom
top_relative=bottom+(top-bottom)*0.4
left_relative=(right+left)/2–(right-left)*0.1
right_relative=(right+left)/2+(right-left)*0.1。
可选的,所述双下肢数据根据判定条件去除脚部干扰,具体为:
从上到下遍历CTA影像数据,当某一层人体区域mask_body为空时,判定为双下肢数据,亦为分界线;
所述某一层人体区域mask_body图像的高为height,宽为weight,定义偏移量div_1,div_2,其获取方式如下所示:
div_1=top–bottom
div_2=right-left
从上到下遍历CTA影像数据,当0<div_1<height/2和0<div_2<weight/2时,判定为双下肢数据,亦为分界线。
可选的,获取待处理数据,具体为:
通过人工标记获得训练数据,所述训练数据包括标记数据和原始数据;
对所述原始数据预处理获取输入数据;
将所述输入数据送入残差全卷积网络训练分类模型;
根据所述分类模型得到胸部数据、腹部数据和双下肢数据。
可选的,对所述双下肢骨骼和血管数据进行去骨处理得到双下肢血管区域,具体为:
将双下肢骨骼和血管mask进行预处理后,在二维空间上获取每一层数据的连通性,进而得到每个连通区域面积area、周长perimeter、边界bbox、质心centriod、圆形度circularity;
根据判定条件提取双下肢血管特征;
针对所述双下肢血管粘连做精确分割获取三维血管数据;
对所述三维血管数据进行z方向去杂处理。
可选的,根据判定条件提取双下肢血管特征,具体为:
根据判定条件提取血管图像包围盒,所述判定条件为0<area<πR2,0<perimeter<2πR,其中R为血管半径;
若连通区域在所述血管图像包围盒内,则获取连通区域所对应原始图像的平均CT值和标准差,如果平均CT值mean大于零,方差小于设定值,则连通区域所对应的位置标记为双下肢血管。
可选的,针对所述双下肢血管粘连做精确分割获取三维血管数据,具体为:
通过连通区域特性定位出骨骼和血管的粘连部位,提取出所述粘连部位的原始图像temp_image,所述原始图像temp_image的左边界为bbox[1],右边界为bbox[3],上边界为bbox[0],下边界为bbox[2];
以迭代的方式提升所述原始图像temp_image的二值化阈值;
每次循环迭代重新获取新阈值下的连通区域,根据判定条件提取出分离的双下肢血管,取每次迭代结果的交集,替换骨骼和血管mask的(bbox[0]:bbox[2],bbox[1]bbox[3])区域。
可选的,对所述腹部骨骼和血管数据进行去骨处理得到腹部血管区域,具体为:
获取腹部骨骼和血管mask的包围盒mask_temp;
对所述包围盒mask_temp进行预处理得到图像mask_pre;
从上到下遍历所述图像mask_pre获取第一个圆,所述第一个圆所在层参数为分层界限layer1;
从所述第一个圆开始逐层遍历,找到整个腹主动脉圆,并确定所述腹主动脉圆分支层layer2;
对所述分层界限layer1、腹主动脉圆分支层layer2去除圆外部干扰。
若质心不在包围盒内,则不是血管区域。
一种基于CTA影像的双下肢血管区域判断系统,包括:
数据获取模块,用于获取待处理数据;
种子点选择模块,基于所述待处理数据自动选择种子点;
目标数据提取模块,在所述待处理数据中提取出目标数据,所述目标数据包括双下肢骨骼和血管数据;
双下肢血管区域获取模块,对所述双下肢骨骼和血管数据进行去骨处理得到双下肢血管区域。
经由上述方案可知,本申请提供的一种基于CTA影像的双下肢血管区域判断方法及系统,对胸部、腹部、双下肢进行部位分割,利用各个部位不同特征,对腹部和双下肢区域进行单独处理,避免了部位特征差异带来的影响;自动选择两个种子点,避免了一个序列每层的遍历耗时,并且可以有效提取骨骼和血管,同时不用去床就能去掉床板的干扰;本发明能够分割出腹部和双下肢数据,并且得到的分界线是相对的,偏差几层不会对后续算法有任何影响。且在双下肢分割时,速度快,简单有效,并解决了部分骨骼和血管的粘连。
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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的基于CTA影像的双下肢血管区域判断方法一流程示意图;
图2为本申请实施例提供的获取待处理数据其中一种方式的流程示意图;
图3为本申请实施例提供的人体区域与骨骼和血管区域的尾椎相对区域对比图;
图4为本申请实施例提供的获取待处理数据另一种方式的流程示意图;
图5为本申请实施例提供的基于所述待处理数据自动选择种子点流程示意图;
图6为本申请实施例提供的在所述待处理数据中提取出目标数据流程示意图;
图7为本申请实施例提供的对所述双下肢骨骼和血管数据进行去骨处理得到双下肢血管区域流程示意图;
图8为本申请实施例提供的对所述腹部骨骼和血管数据进行去骨处理得到腹部血管区域流程示意图;
图9为本申请实施例提供的一种基于CTA影像的双下肢血管区域判断系统原理框图。
图10为本申请实施例提供的基于CTA影像的双下肢血管区域判断的电子设备结构示意图。
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清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
图1为本申请实施例提供的基于CTA影像的双下肢血管区域判断方法一流程示意图,本实施例可适用于需要提取目标血管的情况,该方法可以由基于CTA影像的双下肢血管区域判断装置来执行,该装置可以采用软件和/或硬件的方式实现,该装置可以配置于计算机设备中。如图1所示,本实施例的方法可以包括:
S1.获取待处理数据;
待处理数据获取方式有两种,其中一种是通过CTA影像数据进行部位分割,将其分为胸部、腹部、双下肢数据,不同部位单独处理,避免了每个部位不同特征受单一算法的局限问题;所述CTA(CT angiography,CT血管造影)是将CT增强技术与薄层、大范围、快速扫描技术相结合,通过合理的后处理,清晰显示全身各部位血管细节。具有无创和操作简便的特点,对于血管变异、血管疾病以及显示病变和血管关系有重要价值。因此,CTA影像数据主要利用CT(Computed Tomography,计算机体层摄影)扫描技术获取。另一种是使用神经网络训练分类模型,得到胸部、腹部、双下肢数据。
S2.基于所述待处理数据自动选择种子点;
腹部、双下肢数据经过增强作用,血管和骨骼的CT值高于皮肤和其他脏器;基于该特性自动选择种子点,且在高亮的血管和骨骼上进行选取。鉴于双下肢分为左右腿,可能存在两腿不相连的情况,故选择两个种子点,避免有漏选组织的情况发生,并给整体血管和骨骼的提取提供了双重保障;此处,该步骤为了使算法一致性,故针对腹部区域也选择两个种子点。
S3.在所述待处理数据中提取出目标数据,所述目标数据包括双下肢骨骼和血管数据;
步骤S1得到的所述待处理数据是三维体数据,使用多阈值三维体区域生长方法提取出目标数据,由于本发明针对腹部和双下肢的血管区域使用不同方法进行提取,故所述目标数据包括腹部骨骼和血管数据、双下肢骨骼和血管数据。
S4.对所述双下肢骨骼和血管数据进行去骨处理得到双下肢血管区域;
双下肢血管特征相对于胸腹部比较单一,接近类圆形。双下肢骨骼区域相对胸腹部也比较单一,没有肋骨,脊椎骨的干扰。而且双下肢骨骼的外边缘轮廓CT值相较于骨髓质区域偏高,通过获取每一层骨骼和血管的结构特征就可以提取出血管,去除骨骼。
本发明实施例提供的一种基于CTA影像的双下肢血管区域判断方法,根据腹部、双下肢特征单独进行去骨处理,避免了不同部位差异带来的影响;通过中心层选择两个种子点,避免了一个序列每层的遍历耗时,并且可以有效提取骨骼和血管,同时不用去床就能去掉床板的干扰;腹部及双下肢部位分割处理时能够找到分界线,并且分界线是相对位置,偏差几层对后续算法不会产生任何影响。
在一种可能的实现方式中,还需对所述目标数据中的腹部骨骼和血管数据进行去骨处理得,到腹部血管区域;腹部去骨采用分层方法,避免腹部结构复杂,对整个去骨方法的影响;腹部分层处理关键在于定位腹主动脉圆,定义分层界限layer1为第一个腹主动脉圆层,layer2为腹主动脉圆开始分支层。
图2为本申请实施例提供的获取待处理数据其中一种方式的流程示意图,在一种可能的实现方式中,可以包括:
S111.对CTA影像数据进行双阈值预处理获得骨骼与血管区域;
给定阈值T1,可以设为-150,对CTA影像数据进行图像二值化处理,得到人体区域二值化图像,并使用形态学开操作去除噪声点,再移除连通区域像素点个数小于10000的区域,避免小区域干扰;进而得到人体完整区域图像mask_body。
给定阈值T2,可以设为150,对CTA影像数据进行图像二值化处理,取与图像mask_body的交集,得到骨骼和血管区域mask。
S112.基于所述骨骼与血管区域分割出胸部与腹部数据;
对骨骼和血管区域mask进行去噪等处理,从上到下(CT图像的横断面,从头部到脚部方向)逐层遍历,获取连通特性,根据连通域属性结合定位的肺腔底层边界,得到胸部和腹部的分界线,结束逐层遍历。分界线是相对值即可,不需要精确值,前后偏差若干层对后续的去骨没有任何影响。
S113.基于所述骨骼与血管区域定位相对尾椎区域分割出腹部与双下肢数据;
根据尾椎在横断面上的结构特性,可以定位尾椎结束的相对位置,作为划分腹部和双下肢的分界线。此分界线不需要精确到某一层,前后误差若干层不会影响腹部分割和双下肢分割。
S114.在所述相对尾椎区域找出腹部与双下肢分界线;
定位出尾椎区域后,从上到下遍历骨骼和血管区域mask(头部到脚部方向),如果尾椎区域像素全为0,则判断此层为分界线层。
S115.所述双下肢数据根据判定条件去除脚部干扰。
脚部也被定义到双下肢部分,但是脚部数据横断面和腿部数据存在区别,为防止脚部数据干扰,故设定判定条件。
CTA影像一般包括胸部、腹部、双下肢部位,各个部位的分割线需要自动分割出来。对于双下肢去骨,首先需要提取双下肢与胸腹的分界线,得到双下肢数据。
在一种可能的实现方式中,基于所述骨骼与血管区域定位相对尾椎区域分割出腹部与双下肢数据,可以包括:
获取人体区域mask_body的上边界bottom、下边界top、左边界left、右边界right;
根据所述人体区域mask_body的边界获取相对尾椎区域上边界bottom_relatice、下边界top_relative、左边界left_relative、右边界right_relative为:
bottom_relative=bottom
top_relative=bottom+(top-bottom)*0.4
left_relative=(right+left)/2–(right-left)*0.1
right_relative=(right+left)/2+(right-left)*0.1。
如图3所示,左图为人体区域mask_body的某一层,黑虚线是尾椎的相对区域。右图为骨骼和血管区域mask的某一层,白虚线是尾椎的相对区域。
在一种可能的实现方式中,所述双下肢数据根据判定条件去除脚部干扰,可以包括:
第一判定条件:从上到下遍历CTA影像数据,当某一层人体区域mask_body为空时,判定为双下肢数据,亦为分界线;
第二判定条件:所述某一层人体区域mask_body图像的高为height,宽为weight,定义偏移量div_1,div_2,其获取方式如下所示:
div_1=top–bottom
div_2=right-left
从上到下遍历CTA影像数据,当0<div_1<height/2和0<div_2<weight/2时,判定为双下肢数据,亦为分界线。
图4为本申请实施例提供的获取待处理数据另一种方式的流程示意图,在一种可能的实现方式中,可以包括:
S121.通过人工标记获得训练数据,所述训练数据包括标记数据和原始数据;
人工标记依据为胸腹数据与双下肢数据的区别特征。胸部与腹部分割线依据肺腔和尾椎特征。如果只存在肺腔,人工标记为胸部数据。如果不存在肺腔,存在尾椎区域,则标记为腹部数据。如果不存在尾椎区域,则标记为双下肢数据。
S122.对所述原始数据预处理获取输入数据;
使用步骤S111中双阈值方法对原始数据预处理,避免噪声等对网络的干扰。其分两种方式作为神经网络训练的输入;一种方式为,CT序列的每一层,也就是二维数据作为输入。另一种方式是对CT三维体数据进行分块,将切分好的数据送给网络作为输入。
S123.将所述输入数据送入残差全卷积网络训练分类模型;
把经过标记的预处理数据,送入残差全卷积网络进行网络训练,得到三分类(胸部、腹部数据和双下肢)的网络模型。
S124.根据所述分类模型得到胸部数据、腹部数据和双下肢数据。
预测数据集通过训练的网络模型进行预测,自动分类出胸部、腹部数据和双下肢数据。
上述过程为使用神经网络分割CTA影像。
图5为本申请实施例提供的基于所述待处理数据自动选择种子点流程示意图,在一种可能的实现方式中,可以包括:
S21.获取某一参考层的图像,所述图像从中间列分为左右两部分;
根据某参考层图像来进行种子点的选择,本实施例选择中间层作为参考层,所述参考层大小可以为512*512,从中间列分为左右两部分,所述左右两部分图像自动选择种子点的方法一致。
S22.对每部分图像进行分块,获得每块的平均CT值,将CT值最大的一块作为选择区域;
确定待分割图像水平方向上第一数量的列分割线,以及垂直方向上第二数量的行分割线;根据各列分割线以及各行分割线,对待分割图像进行分块,每块大小可以为32*32,获得每块的平均CT值,将CT值最大的一块作为选择区域;
S23.对所述选择区域内的所有点进行比较操作,获得点Px为种子点。
对于选择区域内任一点Px,定义Vx=min(Hpx,Hpx1,Hpx2,Hpx3,Hpx4),其中Hpx为点Px的CT值,Hpx1,Hpx2,Hpx3,Hpx4分别为点Px的四邻域点Px1、Px2、Px3、Px4的CT值,选择最大Vx所对应的点Px为种子点,所述种子点选择在骨骼或者血管上。
本发明使用两个自动选择的种子点,可以有效的提取骨骼和血管,并且避免了双下肢左右腿不相连的情况,该方法不用经过去床算法,直接屏蔽掉了床板的影响,同时该算法适合整个CTA影像骨骼和血管的提取,不受单一部位的影响。
图6为本申请实施例提供的在所述待处理数据中提取出目标数据流程示意图,在一种可能的实现方式中,可以包括:
S31.获取第一阈值作为生长条件,使用自动选择的两个种子点进行区域生长,分割出骨骼和血管mask1;
床板和血管的CT值接近,但是床板和骨骼通过皮肤隔开,皮肤的CT值要远小于骨骼和血管,并且种子点选择在骨骼或者血管上。选择第一阈值T可以为80,80做为最佳阈值可以通过皮肤隔开骨骼和床板作为生长条件,使用自动选择的两个种子点进行区域生长,分割出骨骼和血管mask1。
S32.获取第二阈值,屏蔽掉杂质,得到骨骼和血管mask2;
使用第二阈值T可以为150,将阈值小于150的杂质全部屏蔽掉,其所述杂质包括其他脏器,皮肤,噪声等。
S33.将所述骨骼和血管mask1与所述骨骼和血管mask2的交集作为分割后的骨骼和血管mask。
得到的骨骼和血管mask为该步骤最终分割结果,该方法能够快速提取出骨骼和血管,并且不用经过去床处理,自动屏蔽了床板的影响。其不仅适用于各个部位区域,更能适用于整个CTA影像的提取。
图7为本申请实施例提供的对所述双下肢骨骼和血管数据进行去骨处理得到双下肢血管区域流程示意图,在一种可能的实现方式中,可以包括:
S41.将双下肢骨骼和血管mask进行预处理后,在二维空间上获取每一层数据的连通性,进而得到每个连通区域面积area、周长perimeter、边界bbox、质心centriod、圆形度circularity;
对双下肢骨骼和血管mask进行预处理,依次进行开操作,填充空洞,去除小面积噪声干扰等操作。得到的双下肢骨骼和血管mask是三维体数据,在二维空间上获取每一层数据的连通性,进而得到每个连通区域的面积area、周长perimeter、边界bbox、质心centriod、圆形度circularity。
S42.根据判定条件提取双下肢血管特征;
由于血管特征为类圆形,故可以通过圆形包围盒限定,圆形度等特征提取血管特征,采用的方式为:
根据判定条件提取血管图像包围盒,所述判定条件为0<area<πR2,0<perimeter<2πR,其中R为血管半径,可以为15;
若连通区域在所述血管图像包围盒内,则获取连通区域所对应原始图像的平均CT值和标准差,如果平均CT值mean大于零,方差小于设定值,该设定值可以为300,则连通区域所对应的位置标记为双下肢血管。
S43.针对所述双下肢血管粘连做精确分割获取三维血管数据;
如果圆形度circularity<0.5且area>πR2时,判定为骨骼和血管粘连,此时需要对粘连部位做精确分割,可以为:
首先,通过连通区域特性定位出骨骼和血管的粘连部位,提取出所述粘连部位的原始图像temp_image,所述原始图像temp_image的左边界为bbox[1],右边界为bbox[3],上边界为bbox[0],下边界为bbox[2];
其次,以迭代的方式提升所述原始图像temp_image的二值化阈值;初始阈值设为300,每次迭代阈值增加30,直到阈值到达500为止,停止循环迭代。
最后,每次循环迭代重新获取新阈值下的连通区域,根据判定条件(使用步骤42方法)提取出分离的双下肢血管,取每次迭代结果的交集,替换骨骼和血管mask的(bbox[0]:bbox[2],bbox[1]bbox[3])区域。
S44.对所述三维血管数据进行z方向去杂处理。
此时得到的三维血管数据可能会有杂质干扰,由于血管在z方向的连通特性好于杂质在z方向的连通特性。故获取三维体的连通特性,得到体数据的z方向边界。如果z反向上下边界差的绝对值小于20,则为杂质,将杂质去除,最后得到双下肢血管区域。
本发明实施例提供的双下肢分割方法,速度快,简单有效,并解决了部分骨骼和血管的粘连。
图8为本申请实施例提供的对所述腹部骨骼和血管数据进行去骨处理得到腹部血管区域流程示意图,在一种可能的实现方式中,可以包括:
S51.获取腹部骨骼和血管mask的包围盒mask_temp;
腹部血管分布在人体区域的左右两侧,找到腹部血管包围盒可以减少一部分干扰。其方法是针对腹部原始图像,设置阈值T为-150,该值会保留皮肤区域,再经进一步预处理,通过形态学开操作,移除连通区域像素点个数小于10000的区域。由于人体边缘连通区域足够大,所以该个数限制不会影响到对人体区域的提取。
需要说明的是,为获得人体区域的左右边界,分别定义左边界为left,右边界为right;其腹部血管包围盒的中心索引为(right+left)/2,左右偏移量为(right-left)*0.25,因此腹部血管包围盒左右边界分别为:((right+left)/2-(right-left)*0.25),((right+left)/2+(right-left)*0.25)。根据包围盒左右边界,定义骨骼和血管mask的包围盒mask_temp,定义原图像数据包围盒image_temp。
S52.对所述包围盒mask_temp进行预处理得到图像mask_pre;
对包围盒mask_temp进行预处理得到mask_pre,过程为填充空洞,并进行开操作,作用是防止后续定位腹主动脉圆时受到孔洞的影响。
S53.从上到下遍历所述图像mask_pre获取第一个圆,所述第一个圆所在层参数为分层界限layer1;
从上到下遍历图像mask_pre,通过霍夫变换找到第一个圆,并得到当前层圆的平均CT值和方差。若所述当前层圆的平均CT值大于0,方差小于150(可以根据实际情况进行调整),则获取的第一个圆满足腹主动脉圆的要求,保存所述第一个圆的半径、圆心坐标、平均CT值、方差以及第一个圆所在层等参数,此层定义为分层界限layer1。
S54.从所述第一个圆开始逐层遍历,找到整个腹主动脉圆,并确定所述腹主动脉圆分支层layer2;
其具体方法为:
第一判断条件:从所述第一个圆开始逐层遍历,若连续两层没有圆,则停止遍历,保存分支层所在层数以及分支层之前遍历得到的圆参数列表;
第二判断条件:获取相邻两层的圆参数,判断前后两层圆心的距离,若相邻两层圆心之间距离小于阈值5(可以根据实际情况进行调整),则符合圆的判断条件;将此层参数和下一层参数继续比较,保存此层所在的层数、圆心,半径参数,然后再迭代比较直至符合第四判断条件;
第三判断条件:若相邻两层圆心之间距离大于阈值5,获取当前层的平均CT值和方差,如果平均CT值大于0和方差小于设150,则判定为圆。
第四判断条件:若相邻两层圆心之间距离大于阈值5,并且不满足平均CT值大于0和方差小于150时,进行计数,出现相邻两层不符合条件,则可判断为圆的最后一层,即为即为腹主动脉圆分支层layer2,如图5所示,分别为layer1和layer2的骨骼和血管mask。
S55.对所述分层界限layer1、腹主动脉圆分支层layer2去除圆外部干扰。
获取骨骼和血管mask的连通性、圆心参数,通过圆心提取出圆;预防圆心坐标偏差,导致漏检,圆心向左偏移10(可以根据实际情况进行调整)个像素,在这10个像素内,以新的圆心坐标,提取新圆。得到新圆的上边界bottom_c,下边界top_c。将所述上边界bottom_c以上的连通域全部置为0,以移除圆外部干扰。
在一种可能的实现方式中,对所述腹部骨骼和血管数据进行去骨处理得到腹部血管区域,还包括:经过处理得到各层骨骼和血管mask(包括layer1,layer2层及以外的所有层)。获取骨骼和血管mask的连通性,得到连通域面积area,周长perimeter,质心centroid,边界bbox,圆形度circularity,进而得到平均CT值mean和标准差deviation。
设定判断条件:
若所述平均CT值mean>400(可以根据实际情况进行调整)、标准差deviation>100(可以根据实际情况进行调整)、圆形度circularity<0.2,则不是血管区域;
若所述连通域面积area>πR2,周长perimeter>2πR,平均CT值mean>0,标准差deviation>100,则不是血管区域;其中R为血管半径可以取值为15;
若质心不在包围盒内,则不是血管区域。
在一种可能的实现方式中,提取血管特征后,利用血管的三维连通性,在z方向去除骨骼杂质。由于去骨分割结果中存在血管和骨骼碎片,利用血管的连通性,在z方向去除杂质;其方法为根据血管的三维连通性,如果z方向的厚度小于50,即为骨骼杂质。经过去杂质后得到最终血管区域,此时腹部去骨过程结束。
本发明对各个部位使用单独方法进行处理,利用各个部位不同的特征,有利于产品化,提高了实用性。
本申请实施例还提供了一种基于CTA影像的双下肢血管区域判断系统,下面对本申请实施例提供的基于CTA影像的双下肢血管区域判断系统进行描述,其与上文描述的基于CTA影像的双下肢血管区域判断方法可相互对应参照。
图9为本申请实施例提供的一种基于CTA影像的双下肢血管区域判断系统原理框图,该系统可以包括:数据获取模块91、种子点选择模块92、目标数据提取模块93、双下肢血管区域获取模块94;其中:
数据获取模块91,用于获取待处理数据;
种子点选择模块92,基于所述待处理数据自动选择种子点;
目标数据提取模块93,在所述待处理数据中提取出目标数据,所述目标数据包括双下肢骨骼和血管数据;
双下肢血管区域获取模块94,对所述双下肢骨骼和血管数据进行去骨处理得到双下肢血管区域。
本发明实施例提供的一种基于CTA影像的双下肢血管区域判断方法,根据腹部、双下肢特征单独进行去骨处理,避免了不同部位差异带来的影响;通过中心层选择两个种子点,避免了一个序列每层的遍历耗时,并且可以有效提取骨骼和血管,同时不用去床就能去掉床板的干扰;腹部及双下肢部位分割处理时能够找到分界线,并且分界线是相对位置,偏差几层对后续算法不会产生任何影响。
在一种可能的实现方式中,所述目标数据还包括腹部骨骼和血管数据,对所述腹部骨骼和血管数据进行去骨处理得到腹部血管区域。
在一种可能的实现方式中,数据获取模块91,可以包括为:
预处理模块,用于对CTA影像数据进行双阈值预处理获得骨骼与血管区域;
胸部与腹部数据分割模块,基于所述骨骼与血管区域分割出胸部与腹部数据;
腹部与双下肢数据分割模块,基于所述骨骼与血管区域定位相对尾椎区域分割出腹部与双下肢数据;
分界线获取模块,用于在所述相对尾椎区域找出腹部与双下肢分界线;
干扰去除模块,用于所述双下肢数据根据判定条件去除脚部干扰。
在一种可能的实现方式中,腹部与双下肢数据分割模块内具体实现方式可以为:
获取人体区域mask_body的上边界bottom、下边界top、左边界left、右边界right;
根据所述人体区域mask_body的边界获取相对尾椎区域上边界bottom_relatice、下边界top_relative、左边界left_relative、右边界right_relative为:
bottom_relative=bottom
top_relative=bottom+(top-bottom)*0.4
left_relative=(right+left)/2–(right-left)*0.1
right_relative=(right+left)/2+(right-left)*0.1。
在一种可能的实现方式中,干扰去除模块内具体实现方式可以为:
从上到下遍历CTA影像数据,当某一层人体区域mask_body为空时,判定为双下肢数据,亦为分界线;
所述某一层人体区域mask_body图像的高为height,宽为weight,定义偏移量div_1,div_2,其获取方式如下所示:
div_1=top–bottom
div_2=right-left
从上到下遍历CTA影像数据,当0<div_1<height/2和0<div_2<weight/2时,判定为双下肢数据,亦为分界线。
在一种可能的实现方式中,数据获取模块91,可以包括为:
训练数据获取模块,用于通过人工标记获得训练数据,所述训练数据包括标记数据和原始数据;
输入数据获取模块,用于对所述原始数据预处理获取输入数据;
送入模块,用于将所述输入数据送入残差全卷积网络训练分类模型;
分类数据获取模块,用于根据所述分类模型得到胸部数据、腹部数据和双下肢数据。
在一种可能的实现方式中,输入数据获取模块内具体实现方式可以为:使用双阈值预处理原始数据获取输入数据,所述输入数据包括CT序列每一层的二维数据和分块的CT三维体数据。
在一种可能的实现方式中,种子点选择模块92,可以包括:
参考层获取模块,用于获取某一参考层的图像,所述图像从中间列分为左右两部分;
分块模块,用于对每部分图像进行分块,获得每块的平均CT值,将CT值最大的一块作为选择区域;
种子点获得模块,所述选择区域内的任一点Px,定义Vx=min(Hpx,Hpx1,Hpx2,Hpx3,Hpx4),其中Hpx为点Px的CT值,Hpx1,Hpx2,Hpx3,Hpx4分别为点Px的四邻域点Px1、Px2、Px3、Px4的CT值,选择最大Vx所对应的点Px为种子点,所述种子点选择在骨骼或者血管上。
在一种可能的实现方式中,目标数据提取模块93,可以包括:
mask1获取模块,获取第一阈值作为生长条件,使用自动选择的两个种子点进行区域生长,分割出骨骼和血管mask1;
mask2获取模块,获取第二阈值,屏蔽掉杂质,得到骨骼和血管mask2;
Mask获取模块,将所述骨骼和血管mask1与所述骨骼和血管mask2的交集作为分割后的骨骼和血管mask。
在一种可能的实现方式中,双下肢血管区域获取模块94,可以包括:
参数获取模块,用于将双下肢骨骼和血管mask进行预处理后,在二维空间上获取每一层数据的连通性,进而得到每个连通区域面积area、周长perimeter、边界bbox、质心centriod、圆形度circularity;
特征提取模块,用于根据判定条件提取双下肢血管特征;
精确分割模块,用于针对所述双下肢血管粘连做精确分割获取三维血管数据;
去杂处理模块,用于对所述三维血管数据进行z方向去杂处理。
在一种可能的实现方式中,特征提取模块内具体实现方式可以为:
根据判定条件提取血管图像包围盒,所述判定条件为0<area<πR2,0<perimeter<2πR,其中R为血管半径;
若连通区域在所述血管图像包围盒内,则获取连通区域所对应原始图像的平均CT值和标准差,如果平均CT值mean大于零,方差小于设定值,则连通区域所对应的位置标记为双下肢血管。
在一种可能的实现方式中,精确分割模块内具体实现方式可以为:
通过连通区域特性定位出骨骼和血管的粘连部位,提取出所述粘连部位的原始图像temp_image,所述原始图像temp_image的左边界为bbox[1],右边界为bbox[3],上边界为bbox[0],下边界为bbox[2];
以迭代的方式提升所述原始图像temp_image的二值化阈值;
每次循环迭代重新获取新阈值下的连通区域,根据判定条件提取出分离的双下肢血管,取每次迭代结果的交集,替换骨骼和血管mask的(bbox[0]:bbox[2],bbox[1]bbox[3])区域。
在一种可能的实现方式中,还包括腹部血管区域获取模块,所述腹部血管区域获取模块可以包括:
包围盒mask_temp获取模块,用于获取腹部骨骼和血管mask的包围盒mask_temp;
图像mask_pre获取模块,用于对所述包围盒mask_temp进行预处理得到图像mask_pre;
layer1获取模块,用于从上到下遍历所述图像mask_pre获取第一个圆,所述第一个圆所在层参数为分层界限layer1;
layer2获取模块,用于从所述第一个圆开始逐层遍历,找到整个腹主动脉圆,并确定所述腹主动脉圆分支层layer2;
外部干扰去除模块,用于对所述分层界限layer1、腹主动脉圆分支层layer2去除圆外部干扰。
在一种可能的实现方式中,所述腹部血管区域获取模块还可以包括:
参数获得模块,用于获取分层处理后的骨骼和血管mask的连通性,得到连通域面积area,周长perimeter,质心centroid,边界bbox,圆形度circularity,进而得到平均CT值mean和标准差deviation;
判断模块,若所述平均CT值mean、标准差deviation、圆形度circularity符合设定的判断条件,则不是血管区域;若所述连通域面积area>πR2,周长perimeter>2πR,平均CT值mean>0,标准差deviation大于设定值,则不是血管区域;其中R为血管半径;若质心不在包围盒内,则不是血管区域。
图10为本申请实施例提供的基于CTA影像的双下肢血管区域判断的电子设备的结构示意图。该电子设备可以包括:至少一个处理器101,至少一个通信接口102,至少一个存储器103和至少一个通信总线104;且处理器101、通信接口102、存储器103通过通信总线104完成相互间的通信;
处理器101可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific IntegratedCircuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;
存储器103可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory)等,例如至少一个磁盘存储器;
其中,存储器存储有程序,处理器可调用存储器存储的程序,所述程序用于:
获取待处理数据;
基于所述待处理数据自动选择种子点;
在所述待处理数据中提取出目标数据,所述目标数据包括双下肢骨骼和血管数据;
对所述双下肢骨骼和血管数据进行去骨处理得到双下肢血管区域。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述基于CTA影像的双下肢血管区域判断方法。其中,可读介质中存储的程序被处理器执行时,可以使处理器主要实现如下方法:
获取待处理数据;
基于所述待处理数据自动选择种子点;
在所述待处理数据中提取出目标数据,所述目标数据包括双下肢骨骼和血管数据;
对所述双下肢骨骼和血管数据进行去骨处理得到双下肢血管区域。
本实施例提出的可读存储介质与上述的基于CTA影像的双下肢血管区域判断方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例与上述实施例具有相同的有益效果。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。
对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种基于CTA影像的双下肢血管区域判断方法,其特征在于,包括:
获取待处理数据;
基于所述待处理数据自动选择种子点;
在所述待处理数据中提取出目标数据,所述目标数据包括双下肢骨骼和血管数据;
对所述双下肢骨骼和血管数据进行去骨处理得到双下肢血管区域。
2.根据权利要求1所述一种基于CTA影像的双下肢血管区域判断方法,其特征在于,所述目标数据还包括腹部骨骼和血管数据,对所述腹部骨骼和血管数据进行去骨处理得到腹部血管区域。
3.根据权利要求1所述一种基于CTA影像的双下肢血管区域判断方法,其特征在于,获取待处理数据,具体为:
对CTA影像数据进行双阈值预处理获得骨骼与血管区域;
基于所述骨骼与血管区域分割出胸部与腹部数据;
基于所述骨骼与血管区域定位相对尾椎区域分割出腹部与双下肢数据;
在所述相对尾椎区域找出腹部与双下肢分界线;
所述双下肢数据根据判定条件去除脚部干扰。
4.根据权利要求3所述一种基于CTA影像的双下肢血管区域判断方法,其特征在于,基于所述骨骼与血管区域定位相对尾椎区域分割出腹部与双下肢数据,具体为:
获取人体区域mask_body的上边界bottom、下边界top、左边界left、右边界right;
根据所述人体区域mask_body的边界获取相对尾椎区域上边界bottom_relatice、下边界top_relative、左边界left_relative、右边界right_relative为:
bottom_relative=bottom
top_relative=bottom+(top-bottom)*0.4
left_relative=(right+left)/2–(right-left)*0.1
right_relative=(right+left)/2+(right-left)*0.1。
5.根据权利要求3所述一种基于CTA影像的双下肢血管区域判断方法,其特征在于,所述双下肢数据根据判定条件去除脚部干扰,具体为:
从上到下遍历CTA影像数据,当某一层人体区域mask_body为空时,判定为双下肢数据,亦为分界线;
所述某一层人体区域mask_body图像的高为height,宽为weight,定义偏移量div_1,div_2,其获取方式如下所示:
div_1=top–bottom
div_2=right-left
从上到下遍历CTA影像数据,当0<div_1<height/2和0<div_2<weight/2时,判定为双下肢数据,亦为分界线。
6.根据权利要求1所述一种基于CTA影像的双下肢血管区域判断方法,其特征在于,获取待处理数据,具体为:
通过人工标记获得训练数据,所述训练数据包括标记数据和原始数据;
对所述原始数据预处理获取输入数据;
将所述输入数据送入残差全卷积网络训练分类模型;
根据所述分类模型得到胸部数据、腹部数据和双下肢数据。
7.根据权利要求1所述一种基于CTA影像的双下肢血管区域判断方法,其特征在于,对所述双下肢骨骼和血管数据进行去骨处理得到双下肢血管区域,具体为:
将双下肢骨骼和血管mask进行预处理后,在二维空间上获取每一层数据的连通性,进而得到每个连通区域面积area、周长perimeter、边界bbox、质心centriod、圆形度circularity;
根据判定条件提取双下肢血管特征;
针对所述双下肢血管粘连做精确分割获取三维血管数据;
对所述三维血管数据进行z方向去杂处理。
8.根据权利要求7所述一种基于CTA影像的双下肢血管区域判断方法,其特征在于,根据判定条件提取双下肢血管特征,具体为:
根据判定条件提取血管图像包围盒,所述判定条件为0<area<πR2,0<perimeter<2πR,其中R为血管半径;
若连通区域在所述血管图像包围盒内,则获取连通区域所对应原始图像的平均CT值和标准差,如果平均CT值mean大于零,方差小于设定值,则连通区域所对应的位置标记为双下肢血管。
9.根据权利要求7所述一种基于CTA影像的双下肢血管区域判断方法,其特征在于,针对所述双下肢血管粘连做精确分割获取三维血管数据,具体为:
通过连通区域特性定位出骨骼和血管的粘连部位,提取出所述粘连部位的原始图像temp_image,所述原始图像temp_image的左边界为bbox[1],右边界为bbox[3],上边界为bbox[0],下边界为bbox[2];
以迭代的方式提升所述原始图像temp_image的二值化阈值;
每次循环迭代重新获取新阈值下的连通区域,根据判定条件提取出分离的双下肢血管,取每次迭代结果的交集,替换骨骼和血管mask的(bbox[0]:bbox[2],bbox[1]bbox[3])区域。
10.根据权利要求2所述一种基于CTA影像的双下肢血管区域判断方法,其特征在于,对所述腹部骨骼和血管数据进行去骨处理得到腹部血管区域,具体为:
获取腹部骨骼和血管mask的包围盒mask_temp;
对所述包围盒mask_temp进行预处理得到图像mask_pre;
从上到下遍历所述图像mask_pre获取第一个圆,所述第一个圆所在层参数为分层界限layer1;
从所述第一个圆开始逐层遍历,找到整个腹主动脉圆,并确定所述腹主动脉圆分支层layer2;
对所述分层界限layer1、腹主动脉圆分支层layer2去除圆外部干扰。
11.一种基于CTA影像的双下肢血管区域判断系统,其特征在于,包括:
数据获取模块,用于获取待处理数据;
种子点选择模块,基于所述待处理数据自动选择种子点;
目标数据提取模块,在所述待处理数据中提取出目标数据,所述目标数据包括双下肢骨骼和血管数据;
双下肢血管区域获取模块,对所述双下肢骨骼和血管数据进行去骨处理得到双下肢血管区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110026590.5A CN112767333B (zh) | 2021-01-08 | 2021-01-08 | 一种基于cta影像的双下肢血管区域判断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110026590.5A CN112767333B (zh) | 2021-01-08 | 2021-01-08 | 一种基于cta影像的双下肢血管区域判断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112767333A true CN112767333A (zh) | 2021-05-07 |
CN112767333B CN112767333B (zh) | 2024-07-16 |
Family
ID=75701162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110026590.5A Active CN112767333B (zh) | 2021-01-08 | 2021-01-08 | 一种基于cta影像的双下肢血管区域判断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767333B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113598804A (zh) * | 2021-07-29 | 2021-11-05 | 江苏明天互联网大健康科技有限公司 | 基于人工智能的双下肢去骨综合控制系统 |
CN114445445A (zh) * | 2022-04-08 | 2022-05-06 | 广东欧谱曼迪科技有限公司 | Ct图像的动脉分割方法、装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110077740A (ko) * | 2009-12-30 | 2011-07-07 | 서울여자대학교 산학협력단 | 혈관 및 석회질 자동 추출장치 및 방법 |
CN103985123A (zh) * | 2014-05-17 | 2014-08-13 | 清华大学深圳研究生院 | 基于cta图像的腹主动脉瘤外边界分割方法 |
KR20150012894A (ko) * | 2013-07-26 | 2015-02-04 | 서울여자대학교 산학협력단 | 혈관 조영된 컴퓨터 단층 영상의 혈관 분할 시스템 및 그 분할 방법 |
CN104484874A (zh) * | 2014-12-04 | 2015-04-01 | 中国人民解放军第四军医大学 | 基于ct造影成像的活体动物下肢血管分割方法 |
CN106485704A (zh) * | 2016-09-30 | 2017-03-08 | 上海联影医疗科技有限公司 | 血管中心线的提取方法 |
CN107025646A (zh) * | 2017-03-03 | 2017-08-08 | 沈阳东软医疗系统有限公司 | 一种下肢血管提取方法和装置 |
WO2018023917A1 (zh) * | 2016-07-30 | 2018-02-08 | 上海联影医疗科技有限公司 | 一种下肢血管的提取方法及系统 |
US20190066294A1 (en) * | 2017-08-31 | 2019-02-28 | Shenzhen United Imaging Healthcare Co., Ltd. | System and method for image segmentation |
CN109740602A (zh) * | 2019-01-10 | 2019-05-10 | 上海联影医疗科技有限公司 | 肺动脉期血管提取方法及系统 |
CN112132837A (zh) * | 2020-08-19 | 2020-12-25 | 心医国际数字医疗系统(大连)有限公司 | 一种胸部骨骼自动提取方法、系统、电子设备及存储介质 |
-
2021
- 2021-01-08 CN CN202110026590.5A patent/CN112767333B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110077740A (ko) * | 2009-12-30 | 2011-07-07 | 서울여자대학교 산학협력단 | 혈관 및 석회질 자동 추출장치 및 방법 |
KR20150012894A (ko) * | 2013-07-26 | 2015-02-04 | 서울여자대학교 산학협력단 | 혈관 조영된 컴퓨터 단층 영상의 혈관 분할 시스템 및 그 분할 방법 |
CN103985123A (zh) * | 2014-05-17 | 2014-08-13 | 清华大学深圳研究生院 | 基于cta图像的腹主动脉瘤外边界分割方法 |
CN104484874A (zh) * | 2014-12-04 | 2015-04-01 | 中国人民解放军第四军医大学 | 基于ct造影成像的活体动物下肢血管分割方法 |
WO2018023917A1 (zh) * | 2016-07-30 | 2018-02-08 | 上海联影医疗科技有限公司 | 一种下肢血管的提取方法及系统 |
CN106485704A (zh) * | 2016-09-30 | 2017-03-08 | 上海联影医疗科技有限公司 | 血管中心线的提取方法 |
CN107025646A (zh) * | 2017-03-03 | 2017-08-08 | 沈阳东软医疗系统有限公司 | 一种下肢血管提取方法和装置 |
US20190066294A1 (en) * | 2017-08-31 | 2019-02-28 | Shenzhen United Imaging Healthcare Co., Ltd. | System and method for image segmentation |
CN109740602A (zh) * | 2019-01-10 | 2019-05-10 | 上海联影医疗科技有限公司 | 肺动脉期血管提取方法及系统 |
CN112132837A (zh) * | 2020-08-19 | 2020-12-25 | 心医国际数字医疗系统(大连)有限公司 | 一种胸部骨骼自动提取方法、系统、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
FENGJUN ZHAO等: ""Segmentation of blood vessels using rule-based and machine-learning- based methods: a review"", 《MULTIMEDIA SYSTEMS》 * |
王光磊等: ""基于置信连接的CT血管造影分层可视化研究"", 《河北大学学报(自然科学版)》, vol. 36, no. 3, pages 1 * |
王胜军: ""基于特征和层间相关性的CTA体数据自动去骨算法"", 《中国生物医学工程学报》, vol. 29, no. 6 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113598804A (zh) * | 2021-07-29 | 2021-11-05 | 江苏明天互联网大健康科技有限公司 | 基于人工智能的双下肢去骨综合控制系统 |
CN114445445A (zh) * | 2022-04-08 | 2022-05-06 | 广东欧谱曼迪科技有限公司 | Ct图像的动脉分割方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112767333B (zh) | 2024-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210106299A1 (en) | Method and system for extracting lower limb vasculature | |
US11062449B2 (en) | Method and system for extracting vasculature | |
WO2018023917A1 (zh) | 一种下肢血管的提取方法及系统 | |
CN106108925B (zh) | 用于医学图像中全身骨移除和血管可视化的方法和系统 | |
KR20130012297A (ko) | 병변 검출 장치, 병변 검출 방법 및 병변 진단 장치 | |
CN109740602B (zh) | 肺动脉期血管提取方法及系统 | |
CN112767333B (zh) | 一种基于cta影像的双下肢血管区域判断方法及系统 | |
CN113222974B (zh) | 一种侧支循环的自动评价方法和装置 | |
CN112132837B (zh) | 一种胸部骨骼自动提取方法、系统、电子设备及存储介质 | |
Jimenez-Carretero et al. | Optimal multiresolution 3D level-set method for liver segmentation incorporating local curvature constraints | |
Cheng et al. | Airway segmentation and measurement in CT images | |
CN106910193B (zh) | 一种扫描图像处理方法 | |
Straka et al. | 3D watershed transform combined with a probabilistic atlas for medical image segmentation | |
Campadelli et al. | Automatic liver segmentation from abdominal CT scans | |
Dabass et al. | Effectiveness of region growing based segmentation technique for various medical images-a study | |
CN112767332B (zh) | 一种基于cta影像的血管区域判断方法及系统 | |
CN113160248A (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
CN112862850A (zh) | 数字剪影血管造影影像处理方法及装置 | |
Freiman et al. | Vessels-cut: a graph based approach to patient-specific carotid arteries modeling | |
Yamaguchi et al. | Three-dimensional semiautomatic liver segmentation method for non-contrast computed tomography based on a correlation map of locoregional histogram and probabilistic atlas | |
Zhang et al. | Automatic rib segmentation in chest CT volume data | |
Mokri et al. | Lung segmentation in CT for thoracic PET-CT registration through visual study | |
Yang et al. | Graph cuts based left atrium segmentation refinement and right middle pulmonary vein extraction in C-arm CT | |
Samundeeswari et al. | A novel multilevel hybrid segmentation and refinement method for automatic heterogeneous true NSCLC nodules extraction | |
Wu et al. | A method for extracting suspected parotid lesions in CT images using feature-based segmentation and active contours based on stationary wavelet transform |
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 |