CN112862833A - 血管分段方法、电子装置和存储介质 - Google Patents

血管分段方法、电子装置和存储介质 Download PDF

Info

Publication number
CN112862833A
CN112862833A CN202011640860.3A CN202011640860A CN112862833A CN 112862833 A CN112862833 A CN 112862833A CN 202011640860 A CN202011640860 A CN 202011640860A CN 112862833 A CN112862833 A CN 112862833A
Authority
CN
China
Prior art keywords
vessel
blood vessel
segmentation
segment
image
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.)
Pending
Application number
CN202011640860.3A
Other languages
English (en)
Inventor
李想
沈宏
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.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare 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 Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN202011640860.3A priority Critical patent/CN112862833A/zh
Publication of CN112862833A publication Critical patent/CN112862833A/zh
Pending 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/504—Clinical applications involving diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10084—Hybrid tomography; Concurrent acquisition with multiple different tomographic modalities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Abstract

本申请涉及一种血管分段方法、电子装置和存储介质。其中，该血管分段方法包括：获取下肢的医学图像；根据医学图像，获取血管分割图像和盆骨分割图像；根据盆骨分割图像，确定髂前上棘顶点和耻骨结节顶点的位置；根据髂前上棘顶点和耻骨结节顶点的位置，对血管分割图像分段，获得髂动脉与股总动脉的分段结果。通过本申请，解决了相关技术中无法对髂动脉和股总动脉进行精准分类的缺陷，不仅提高了血管分段的精度，还能够通过计算机实现全自动化的血管分段，提高了血管分段效率。

Description

血管分段方法、电子装置和存储介质
技术领域
本申请涉及医学影像处理领域，特别是涉及血管分段方法、电子装置和存储介质。
背景技术
CT血管造影作为一种介入检测方法，现被广泛外周血管的诊断、治疗以及支架手术的规划。经计算机对CTA图像进行处理后，可以显示外周血管的三维重建图像，其影像对外周血管病变可提供重要的诊断依据。
当前医院系统中的外周血管分析软件的常用方法主要为传统的图像处理方法，例如阈值分割方法或区域生长方法等。但是在外周血管自动化重建过程中，这些方法会导致噪声、断裂等异常情况，且得不到有效的解决；再者，在重建后的影像观察中，现有技术无法实现对下肢外周血管进行精细的分段测量，例如髂动脉和股总动脉之间没有明显的分界点，无法采用传统的基于血管分叉点的血管分段进行分段。
发明内容
在本实施例中提供了一种血管分段方法、电子装置和存储介质，以解决相关技术无法进行精细的血管分段的问题。
第一方面，在本实施例中提供了一种血管分段方法，包括：获取下肢的医学图像；根据所述医学图像，获取血管分割图像和盆骨分割图像；根据所述盆骨分割图像，确定髂前上棘顶点和耻骨结节顶点的位置；根据所述髂前上棘顶点和所述耻骨结节顶点的位置，对所述血管分割图像分段，获得髂动脉与股总动脉的分段结果。
在其中的一些实施例中，在根据所述医学图像，获取所述血管分割图像之后，所述方法还包括：获取所述血管分割图像的中心线，根据所述中心线对所述血管分割图像进行分段，得到由髂动脉和股总动脉组成的第一初步血管分段；根据所述髂前上棘顶点和所述耻骨结节顶点的位置，对所述血管分割图像分段，获得髂动脉与股总动脉的分段结果包括：根据所述髂前上棘顶点和所述耻骨结节顶点的位置，对所述第一初步血管分段进行分段，获得髂动脉与股总动脉的分段结果。
在其中的一些实施例中，根据所述髂前上棘顶点和所述耻骨结节顶点的位置，对所述第一初步血管分段进行分段，获得髂动脉与股总动脉的分段结果包括：确定所述髂前上棘顶点和所述耻骨结节顶点的中点位置；根据所述中点位置，将所述第一初步血管分段划分为上下两个分段，将所述第一初步血管中位于上部的分段作为髂动脉分段，将所述第一初步血管中位于下部的分段作为股总动脉分段。
在其中的一些实施例中，根据所述中心线对所述血管分割图像进行分段，还得到第二初步血管分段，所述第二初步血管分段包括股深动脉、腘动脉和胫腓动脉。
在其中的一些实施例中，所述方法还包括：确定所述第二初步血管分段中联结股深动脉与股腘动脉的第一血管分叉点和联结股腘动脉和胫腓动脉的第二血管分叉点；将所述第二初步血管分段中所述第二血管分叉点以下的血管作为胫腓动脉分段；以及以所述第一血管分叉点为起点分别向下查找中心线，根据查找到的中心线的相对长度区分股深动脉分段和股腘动脉分段。
在其中的一些实施例中，所述方法还包括：根据所述医学图像，获取病灶信息；根据对所述血管分割图像分段得到的血管分段，确定所述血管分段的原始血管直径；根据对所述血管分段和所述血管分段内的病灶信息，确定所述血管分段的血流血管直径；根据所述原始血管直径和所述血流血管直径，确定所述血管分段的血管狭窄率。
在其中的一些实施例中，所述病灶信息包括病灶的形态和病灶在所述血管分割图像中的位置；根据对所述血管分段和所述血管分段内的病灶信息，确定所述血管分段的血流血管直径包括：将所述病灶的形态按照所述病灶的位置叠加到所述血管分段中，得到所述血管分段的实际血管分段图像；根据所述实际血管分段图像，确定所述血管分段的血流血管直径。
在其中的一些实施例中，在根据所述原始血管直径和所述血流血管直径，确定所述血管分段的血管狭窄率之后，所述方法还包括：根据所述血管狭窄率和解剖学评分表，对下肢的血管及各血管分段的狭窄程度评分。
第二方面，在本实施例中提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行第一方面所述的血管分段方法。
第三方面，在本实施例中提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行第一方面所述的血管分段方法。
与相关技术相比，在本实施例中提供的血管分段方法、电子装置和存储介质中，以盆骨分割图像中髂前上棘顶点和耻骨结节顶点的位置作为血管分割图像中血管分段的参考位置，获取髂动脉和股总动脉的分段结果，弥补了相关技术中无法对髂动脉和股总动脉进行精准分类的缺陷，不仅提高了血管分段的精度，还能够通过计算机实现全自动化的血管分段，提高了血管分段效率。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，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是本实施例的CT系统的结构示意图；
图2是本实施例的电子装置的硬件结构示意图；
图3是本实施例的血管分段方法的流程图；
图4是本实施例的V-Net网络的网络结构的示意图；
图5是本实施例的血管评估方法的流程图；
图6是本申请实施例的血管评估系统的结构框图；
图7是本申请实施例的通过邻域确定中心线的属性信息的示意图；
图8是本申请实施例的下肢外周血管的分段示意图；
图9是本申请优选实施例的下肢外周血管的分段方法的示意图；
图10是本申请优选实施例的病灶位置的血管狭窄率的示意图；
图11是本申请优选实施例的血管评估系统的图形用户界面的示意图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。
除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元)，而可包括未列出的步骤或模块(单元)，或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。
本申请所涉及的血管分段方法可用于对任意模态的医学影像的血管影像的处理。本申请实施例提供的血管分段方法可以应用于医学影像处理系统中，在该医学影像处理系统可以包括医学图像扫描设备和电子装置。
其中，医学图像扫描设备可以是磁共振系统(MR系统)、正电子发射计算机断层显像系统(PET系统)、正电子发射计算机断层显像-磁共振多模态混合系统(PET-MR系统)、电子计算机断层扫描系统(CT系统)、X射线扫描系统等任意一种或者多种医学图像扫描系统。
下面以医学图像扫描设备为CT系统为例对本申请实施例进行描述和说明。
在本实施例中，CT系统包括检查床110和扫描部件120。其中，检查床110适于承载待检查者。检查床110能够移动，使得待检查者的待检查部位被移动到适合被检测的位置，例如图1中标示为200的位置。扫描部件120具有射线源121和探测器122。
射线源121可以被配置为对待检查者的待检查部位发出射线，用以产生医学图像的扫描数据。待检查者的待检查部位可包括物质、组织、器官、样本、身体，或类似物，或者其他任意组合。在某些实施例中，待检查者的待检查部位可以包括患者或者其一部分，即可以包括头、胸、肺、心脏、胸膜、纵膈、腹、四肢、血管，或类似物，或其任意组合。射线源121被配置为用于产生射线或其他类型的射线。射线能够穿过待检查者的待检查部位。穿过待检查者的待检查部位后被探测器122接收。
射线源121可包括射线发生器。射线发生器可包括一个或多个射线管。射线管可以发射射线或射线束。射线源121可以是X射线球管、冷阴极离子管、高真空热阴极管、旋转阳极管等。发射的射线束的形状可以是线形、窄笔形、窄扇形、扇形、锥形、楔形、或类似物，或不规则形状，或其任何组合。射线束的扇形角度可以是20°至90°范围内的一定值。射线源121中的射线管可以固定在一个位置。在某些情况下，可以平移或旋转射线管。
探测器122可配置为接收来自射线源121或其他辐射源的射线。来自射线源121的射线可以穿过待检查者，然后到达探测器122。接收射线之后，探测器122产生蕴含待检查者的射线图像的探测结果。探测器122包括射线检测器或者其他部件。射线检测器的形状可以是扁平、弓形、圆形、或类似物，或其任意组合。弓形检测器的扇形角度范围可以是20°至90°。扇形角度可固定或者根据不同的情况可调。不同的情况包括期望的图像分辨率、图像大小、检测器的灵敏度、检测器的稳定性、或类似物，或其任意组合。在一些实施例中，检测器的像素可以是最小检测单元的数量，例如检测器单元的数量(例如，闪烁体或光电传感器等)。检测器的像素可以布置成单行、双行或另一数目的行。射线检测器是一维、二维、或者三维的。
CT系统还包括扫描控制装置和图像生成装置。其中，扫描控制装置被配置为控制检查床110和扫描部件120进行扫描。图像生成装置用于根据探测器122的探测结果生成医学影像。
由于扫描部件120在进行扫描时往往会发出射线，因此在一些实施例中，为了避免CT系统的操作者暴露在这些辐射下，可以将图像生成装置设置在与扫描部件120不同的房间内，使得CT系统的操作者可以处在另外的房间内，避免受到射线照射，并能够通过图像生成装置生成以及观察扫描结果。
本实施例的电子装置包括处理器211、存储有计算机程序指令的存储器212和显示设备214。
上述处理器211可以包括中央处理器(CPU)，或者特定集成电路(ApplicationSpecific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
在其中一些实施例中，处理器211可以被配置为执行本申请实施例提供的血管分段方法。
在本实施例提供了一种血管分段方法。图3是本实施例的血管分段方法的流程图，如图3所示，该流程包括如下步骤：
步骤S301，获取下肢的医学图像。
其中，医学图像可以是医学扫描系统实时重建得到的医学图像，也可以是从医学图像数据库中获取到的医学图像。这些医学图像的模态包括但不限于磁共振(MagneticResonance，简称为MR)、电子计算机断层扫描(Computed Tomography，简称为CT)或正电子发射型计算机断层显像(Positron Emission Computed Tomography，简称为PET)等，并且上述的医学图像不限于二维图像或三维图像。
步骤S302，根据医学图像，获取血管分割图像和盆骨分割图像；
通过图像分割能够获取血管分割图像和盆骨分割图像。在本实施例中采用的图像分割方法包括但不限于：区域生长法、阈值分割法，或者基于深度学习网络的分割方法。获取得到的血管分割图像和盆骨分割图像具有与医学图像相同的分辨率，因此，盆骨分割图像上的每个像素或体素的位置与血管分割图像中像素或体素的位置一一对应。
以采用基于深度学习网络的分割方法对医学图像进行处理得到血管分割图像为例，在本实施例中，用已训练的图像分割模型处理医学图像，得到图像分割结果；其中，图像分割模型基于卷积神经网络构建，图像分割模型被训练为对医学图像中每个像素或体素进行分类，以得到图像分割结果。
医学图像的分割任务是一种标签分类任务，由于医学图像的处理通常难以获得数以万计的训练图像，因此在本实施例中基于全卷积网络构建的深度学习模型来进行医学图像的图像分割处理。其中，全卷积网络又称为U-Net网络，U-Net进行了4次的最大池化下采样，每一次采样后都使用了卷积进行信息提取得到特征图，然后再经过4次上采样恢复输入像素尺寸。U-Net关键之处在于，每一次下采样都会有一个跳跃连接与对应的上采样进行级联，这种不同尺度的特征融合对上采样恢复像素大有帮助，具体来说就是高层(浅层)下采样倍数小，特征图具备更加细致的图特征，底层(深层)下采样倍数大，信息经过大量浓缩，空间损失大，但有助于分类。在U-Net网络中将高层特征和底层特征进行融合时，从而获得了更好的分割效果。另外，在U-Net网络中没有任何全连接层，并且仅使用每个卷积的有效部分(每次卷积操作都是有效卷积操作)，即分割映射仅包含在输入图像中可获得完整上下文的像素。该策略允许通过重叠图像区策略无缝分割任意大小的图像。
在本实施例中，采用U-Net网络的一种变形形式来进行医学图像的分割，该变形形式由于其网络架构形似V型而被称为V-Net网络。图4是本实施例的V-Net网络的网络架构的示意图。
参考图4，V-Net网络的网络架构使用卷积操作来提取数据的特征，于此同时在每个“阶段”的末尾通过合适的步长来降低数据的分辨率。整个结构的左边是一个逐渐压缩的路径，而右边是一个逐渐解压缩(扩展)的路径。最终输出的大小是和图像原始尺寸一样大。所有的卷积操作都使用了合适的padding操作。
V-Net网络中左边的压缩路径被分为了多个阶段，每个阶段都具有相同的分辨率。每个阶段都包含1到3个卷积层。为了使每个阶段学习一个参数函数：将每阶段的输入和输出进行相加以获得残差函数的学习。结合试验观察得知：这种结构为了确保在短时间内收敛需要一个未曾学过残差函数的相似性网络。
V-Net网络中每个阶段的卷积操作使用的卷积核大小为5×5×5。在压缩路径一端，数据经过每个阶段处理之后会通过大小为2×2×2且步长为2的卷积核进行分辨率压缩。因此，每个阶段结束之后，特征图大小减半，这与池化层起着类似的作用。因为图像分辨率降低和残差网络的形式，从而将特征图的通道数进行的翻倍。整个网络结构中，均使用PReLu非线性激活函数。
本实施例的V-Net网络使用卷积操作替代池化操作，在一些特殊的实现方式下可以在训练过程中减小内存的使用。这是因为在方向传播过程中并不需要像池化操作一样去切换输入和输出之间的映射，同时也更易于理解和分析。
下采样有利于在接下来的网络层中减小输入信号的尺寸同时扩大特征的感受野范围，下一层感受到的特征数量是上一层的两倍。
网络右边部分的功能主要是提取特征和扩展低分辨率的空间支持以组合必要的信息，从而输出一个多通道的体数据分割。最后一个卷积层输出的多个特征图大小与原输入大小一致。这些特征图通过这个卷积层来利用soft-max来生成用于多分类任务的分割概率图。在右边解压缩路径中每个阶段的最后，通过一个解卷积操作来恢复输入数据的大小。
于此同时，在收缩路径中每阶段的结果都会作为输入的一部分加入到右边解压缩对应的阶段中。这样就能够保留一部分由于压缩而丢失的信息，从而提高最终边界分割的准确性，同时这样有利于提高模型的收敛速度。
继续参考图4，在其中的一些实施例中，使用已训练的深度学习模型处理医学图像，得到图像分割结果包括如下步骤：
在其中的一些实施例中，上述的V-Net网络最后一个卷积层输出的特征图为四个，分别用于医学图像中背景、正常血管、钙化斑块和非钙化斑块等四种分类标签的分类。通过这样的方式，能够同时获得多个分类结果，以便于对血管分割图像进行进一步的处理和分析。
步骤S303，根据盆骨分割图像，确定髂前上棘顶点和耻骨结节顶点的位置。
在获取盆骨分割图像后，基于盆骨分割图像中盆骨的骨标志坐标的绝对位置、相对位置等条件作为约束，则可以确定髂前上棘顶点和耻骨结节顶点。
步骤S304，根据髂前上棘顶点和耻骨结节顶点的位置，对血管分割图像分段，获得髂动脉与股总动脉的分段结果。
在本实施例中，对血管分割图像进行初步分段采用基于中心线的血管分段方法。例如先获取血管分割图像的中心线，然后根据中心线对血管分割图像进行分段。
由于髂动脉和股总动脉之间不是通过血管分叉点分界的，因此二者之间没有明显的分界线，无法通过中心线的血管分叉点进行血管分段；而股深动脉和腘动脉都通过下肢血管的最后一个血管分叉点连接，仅通过中心线的血管分叉点也无法区分岀股深动脉和腘动脉。因此，基于中心线上各像素的位置信息和属性信息对下肢的血管进行血管分段，最终能够得到由髂动脉和股总动脉组成的第一初步血管分段，以及由股深动脉、腘动脉和胫腓动脉组成的第二初步血管分段。
其中，对下肢的血管分割图像提取中心线可以采用包括但不限于灰度质心法、基于拓扑细化的方法、基于Hessian矩阵的追踪方法等方法。其中，基于拓扑细化的方法又称为骨架法或骨架化操作，其原理是使用形态学腐蚀操作来不断去除物体的边界，直至仅剩其骨架。进行骨架化操作得到的中心线边界不平滑，为了得到平滑的中心线，还可以通过滤波等方法对骨架化操作得到的中心线进行平滑处理，得到平滑的中心线。
上述的基于中心线的血管分段包括：根据中心线上各像素的位置信息和属性信息，对血管分割图像分段，得到第一初步血管分段和/或第二初步血管分段，属性信息包括：血管分叉点、血管中间点和血管末端点。
上述提取到的中心线的宽度通常为一个像素或者体素，中心线呈现与血管的分叉形态相同的形态，则中心线上每个像素都具有属性信息，以表示该像素点在血管分割图像中的位置信息。这些属性信息包括：在邻域内具有一个邻域点的像素的属性信息为血管末端点，在邻域内具有两个邻域点的像素的属性信息为血管中间点，在邻域内具有三个领域点的像素的属性信息为血管分叉点。
为了实现计算机自动化查找中心线内各个像素的属性信息，在本实施例中通过邻域查找的方法结合像素连通性来自动查找像素的属性信息。首先，建立坐标系，确定中心线上各像素的位置信息；然后，按照设定的邻域大小，获取中心线上各像素的邻域；最后，根据中心线上各像素的邻域内属于中心线的像素的连通性，确定中心线上各像素的属性信息。
对于二维图像上由3×3像素组成的像素块中处于正中心的像素而言，其具有8像素的邻域。对于中心线的像素宽度为1像素而言，采用像素的8邻域就能够实现中心线上各像素的属性信息的提取，其中，在8邻域上只有1个与中心像素连通的像素，则该中心像素为血管末端点；在8邻域上有两个与中心像素连通的像素，则该中心像素为血管中间点；在8邻域上有三个与中心像素连通的像素，则表示该中心像素为血管分叉点。通常不会存在8邻域上有三个以上的像素与中心像素连通。
对于三维图像上由3×3×3体素组成的体素块中处于正中心的体素而言，其具有26体素的邻域。对于中心线的体素宽度为1体素而言，采用体素的26邻域就能够实现中心线上各体素的属性信息的提取，其中，在26邻域上只有1个与中心体素连通的体素，则该中心体素为血管末端点；在26邻域上有两个与中心体素连通的体素，则该中心体素为血管中间点；在26邻域上有三个与中心体素连通的体素，则表示该中心体素为血管分叉点。通常不会存在26邻域上有三个以上的体素与中心体素连通。
对于前述得到的第一初步血管分段，还可以根据髂前上棘顶点和耻骨结节顶点的位置，确定髂前上棘顶点和耻骨结节顶点连线的中点位置，然后基于该中点位置作为位置参考，确定髂动脉与股总动脉的分段界限；根据该分段界限，就能够将第一初步血管分段进一步分为髂动脉分段与股总动脉分段。
例如，当血管分割图像为二维图像时，可以过该中点位置作水平线，该水平线与血管分割图像的交点即为髂动脉与股总动脉的分段界限。再例如，当血管分割图像为三维图像时，可以过该中点位置作水平面，该水平面与血管分割图像的交点即为髂动脉与股总动脉的分段界限。
对于前述得到的第二初步血管分段，也可以进一步进行分段处理。在其中的一些实施例中，还可以确定第二初步血管分段中联结股深动脉与股腘动脉的第一血管分叉点和联结股腘动脉和胫腓动脉的第二血管分叉点；将第二初步血管分段中第二血管分叉点以下的血管作为胫腓动脉分段；以及以第一血管分叉点为起点分别向下查找中心线，根据查找到的中心线的相对长度区分股深动脉分段和股腘动脉分段。其中，具有较长的中心线的血管为腘动脉分段，具有较短的中心线的血管为股深动脉分段。
通过上述步骤S301至步骤S304，基于血管分叉点结合以骨标志点作为参考的血管分段，可以获得髂动脉与股总动脉的分段结果。进一步的，结合步骤S301至步骤S304的分段结果，结合基于中心线长度的血管分段，可以将下肢血管准确地进行血管分段，得到髂动脉、股总动脉、股深动脉、腘动脉和胫腓动脉等各个血管分段。通过本申请实施例，解决了相关技术中血管分段不准确的问题，而通过计算机实现上述方法也实现了血管分段的自动化，提高了血管分段效率。
基于上述的血管分段方法，本实施例还提供了基于上述的血管分段结果的血管评估方法。图5是根据本申请实施例的血管评估方法的流程图，如图5所示，该流程包括如下步骤：
步骤S501，将血管分割图像进行血管分段，得到各血管分段结果。
步骤S502，根据医学图像，获取病灶信息。
步骤S503，根据对血管分割图像分段得到的血管分段，确定血管分段的原始血管直径。
步骤S504，根据对血管分段和血管分段内的病灶信息，确定血管分段的血流血管直径。
步骤S505，根据原始血管直径和血流血管直径，确定血管分段的血管狭窄率。
其中，上述步骤S502中获取的病灶信息包括但不限于病灶的形态、病灶在血管分割图像中的位置等信息。在其中一些实施例中，基于深度学习的图像分割方法，通过图像分割网络模型处理医学图像同时获得血管分割图像和病灶信息。
需要说明的是，在基于深度学习的图像分割方法获得的血管分割图像中，各血管分段中得到的是原始血管的图像。该原始血管的图像是指根据血管壁确定的血管图像，该血管图像的直径为原始血管直径。在正常的血管中，原始血管直径与血流实际流经的血流血管直径是相等的。然而，原始血管在收到诸如钙化灶的影响而导致血流血管直径变小。
为了计算血管分段的血管狭窄率，在本申请实施例中，可以通过血管分割图像确定该血管分段的原始血管直径，然后将病灶的形态按照病灶的位置叠加到血管分段中，得到血管分段的实际血管分段图像，根据实际血管分段图像，就能够确定血管分段的血流血管直径，该血流血管直径受到病灶的影响可能导致血管直径变小。通过比较原始血管直径和血流血管直径，就能够确定该血管分段的血管狭窄率。
在获得了每个血管分段的血管狭窄率之后，可以根据血管狭窄率和解剖学(Anatomic Runoff Score，简称为ARS)评分表，对下肢的血管及各血管分段的狭窄程度进行评分。其中，该评分包括但不限于：对于下肢的血管的总评分，以及各个血管分段的子评分。在本实施例中，通过基于多学科血管专家组成的团队通过经验得出的ARS评估规则结合血管狭窄度对血管进行总评分和子评分，不仅能够统一血管评价的标准，而且将血管的评分分为多个层级，便于医生阅片和病情诊断。
本实施例还提供了一种运用上述血管分段方法的血管评估系统。图6是本实施例提供的血管评估系统的结构示意图，如图6所示，该系统包括：数据获取模块61、图像分割模块62、自动分段模块63以及病灶评估输出模块64；各模块描述如下：
数据获取模块61，用于连接医院设备系统拉取数据，获取患者的下肢外周的血管影像数据，该血管影像数据可以为任意模态的医学图像。
图像分割模块62，包括分割网络模型与中心线提取单元。
其中，分割网络模型的结构是一种基于全卷积神经网络模型V-Net的四分类网络。其训练过程包括：在训练图像上随机采样，将采样块输入到基于全卷积神经网络模型V-Net的四分类网络训练学习，得到分割网络模型。其中分割网络模型有四类分割标签，分别为背景、正常血管、钙化斑块、非钙化斑块。在进行血管分段时，将血管影像数据经过诸如裁剪等预处理后输入到分割网络模型中，得到完整的血管分割图像。
其中，中心线提取单元用于对血管分割图像进行骨架化操作，提取中心线。首先，利用高斯平滑滤波对中心线进行操作，输出平滑的中心线。定义沿着腹主动脉向下肢的方向为Z轴，冠状面顶端由左到右为X轴，垂直于X轴为Y轴正方向，确定中心线上所有点的三维坐标，然后利用该中心线具有26邻域的单像素连通性的属性，标记中心线的三种属性点，如图7所示，血管末端点只有1个邻域点，如P点；血管中间点具有2个邻域点，如M点；血管分叉点具有3个领域点，如Q点。根据以上3个属性信息，可以预提取出血管的分叉点与端点，为下一步自动分段算法提供输入。
自动分段模块63，用于将下肢外周血管左右肢进行自动分段，包括髂动脉、股总动脉、股深动脉、腘动脉和胫腓动脉共五段，参考图8，自动分段模块63对血管分段包括如下步骤：
步骤1，利用位置信息，将中心线分为左肢中心线与右肢中心线。首先沿着中心线的Z轴正方向，标记第一个血管分叉点
Figure BDA0002880284600000111
当中心线上的某点的Z轴坐标大于Q1点的Z轴坐标，且当中心线上的某点的X轴坐标小于Q1点的X轴坐标，则确定该点为左肢中心线上的点；由此确定左肢中心线；当中心线上的某点的Z轴坐标大于Q1点的Z轴坐标，且当中心线上的某点的X轴坐标大于Q1点的X轴坐标，则确定该点为右肢中心线上的点；由此确定右肢中心线。
步骤2，利用血管分叉点信息，以左肢中心线为例，先将左肢中心线分为三大部分：髂动脉加股总动脉、股深动脉加腘动脉、胫腓动脉。具体步骤包括：沿着Z轴正方向，找到第二、第三个血管分叉点Q2、Q3。
当左肢中心线上某点的Z轴坐标介于Q1和Q2的Z轴坐标之间时，确定这些点组成的中心线对应的血管为左肢的“髂动脉+股总动脉”的初步分段；当左肢中心线上某点的Z轴坐标介于Q2和Q3的Z轴坐标之间时，确定这些点组成的中心线对应的血管为左肢的“股深动脉+腘动脉”的初步分段；当左肢中心线上某点的Z轴坐标大于Q3的Z轴坐标时，确定这些点组成的中心线对应的血管为左肢的胫腓动脉分段。
步骤3，由于股总动脉是髂动脉动脉的延续，两者界限无分叉点可参考，区分的重要参考标志位于腹股沟韧带的中点，而识别腹股沟韧带的骨标志是盆骨的髂前上棘和耻骨联合。为实现股总动脉与髂动脉动脉的分段，本实施例利用盆骨分割来定位腹股沟韧带中点。参考图9，该方法包括如下步骤：
步骤3-1，首先利用全卷积神经网络模型提取下肢外周血管图像中的盆骨区域，该网络模型可以是U-Net或V-Net等包含降采样和升采样的全卷积网络。
步骤3-2，以左肢为例，利用左边盆骨的骨标志坐标的绝对位置、相对位置等条件确定髂前上棘顶点D1(x,y,z)和耻骨结节顶点D2(x,y,z)。
步骤3-3，计算得到两个骨标志顶点的中点坐标Dmid(x,y,z)＝(D1(x,y,z)+D2(x,y,z))/2。当左肢中心线上某点的Z轴坐标介于中点的Z轴坐标和Q1的Z轴坐标之间时，确定这些点组成的中心线对应的血管为左肢髂动脉；当左肢中心线上某点的Z轴坐标介于中点的Z轴坐标和Q2的Z轴坐标之间时，确定这些点组成的中心线对应的血管为左股总动脉。
通过上述步骤，基于血管分叉点结合以骨标志点作为参考的血管分段，可以获得髂动脉与股总动脉的分段结果；并且上述方法能够采用计算机设备自动化实现，提高了血管分段效率。
步骤4，获取左肢的“股深动脉+腘动脉”的初步分段之后，以血管分叉点Q2为起点，得到两条中心线，沿着Z轴正方向寻找最长的中心线。寻找完成后，最长的血管即为左肢的腘动脉，其次长的为左肢的股深动脉。
步骤5，右肢分段同上步骤1至步骤5。最终得到左右两边各五段。
病灶评估输出模块64，用于根据分段结果，定位每一段的斑块位置，分析每段的狭窄率及狭窄程度。
其中，针对某一血管分段，依据分割的病灶结果和获取的分段中心线，计算正常血流血管的直径曲线S1以及原始血管的直径曲线S2。对比S1与S2曲线变化，S1与S2相差较大处，记该位置为该段最狭窄的地方，如图10所示。根据直径比得到狭窄率，并分析出该区域的狭窄程度：轻度狭窄(0～50％)、中度狭窄(50～75％)、重度狭窄(75％～99％)以及闭塞(100％)。
最后对下肢左右两边各五段依次计算每段的狭窄率，根据ARS评分规则，可以得到左右肢的子评分以及总体评分。
本系统的病灶评估输出模块64还提供了主界面。如图11所示，主界面包含四个图像窗口：三维重建图、冠状面图、矢状面图及曲面重建拉直图，主界面右侧设置相应病灶结果的展示列表。结果输出界面设有诊断与检测结果的文本报告窗口。
采用上述的系统，选择导入图像按钮可打开患者病例图像，则将显示图11所示的主界面，点击血管分割按钮开始血管分割与分析。医生手动点击分段血管名称后，横断面、冠状面界面、矢状面界面将分别显示该血管位置的病灶列表。曲面重建拉直图(Straightened Curve Planar Reformation，简称为SCPR)界面显示当前选中的血管段的拉直效果图，在拉直图中同步显示出的斑块狭窄部位，便于查看该段血管的病灶形态、定位斑块和筛选狭窄部位。另外在血管分割与分析界面的右侧显示各分段的狭窄信息、斑块信息以及ARS得分等。医生查阅并修改完成所有分段分割结果后，结果输出界面将得到智能分析结果以及ARS总评分，点击结构化报告导出即可生成结构化报告。可提高医生对下肢外周血管疾病的诊断检出率，定量评估外周动脉粥样硬化疾病的程度，并协助进一步治疗。
上述的血管评估系统具有下列的有益效果：
(1)基于深度学习模型自动分割重建下肢外周血管，在血管本身形态结构的复杂性的情况下，分割网络模型根据大量真实影像数据进行训练；得到的分割网络模型可以提高重建的精度与速度，减少传统算法处理中的背景杂乱干扰、血管分支分割错误、血管欠分割等问题。
(2)根据血管分割结果，利用中心线的分叉点及解剖学知识对下肢外周血管进行自动分段，分为髂动脉、股总动脉、股深动脉、腘动脉和胫腓动脉。其中髂动脉与股总动脉的分段过程无分叉点可参考，上述实施例提出了基于盆骨分割模型，根据盆骨位置坐标确定腹股沟韧带的方法，利用腹股沟韧带找到髂动脉与股总动脉的分段点。相比于现有的手动分段流程，自动分段命名功能为后续的血管整体评分提供了科学的分段参考，并节省医生逐个病例手动分段分析的时间。
(3)对左右肢的各五段，依据中心线计算每段血管的直径变化，根据血管直径的变化值与正常参考值的对比，查找曲线变化最大的部分，计算该血管段的狭窄程度。基于多学科血管专家组成的团队通过经验得出的ARS评估规则，自动计算左右肢的各分段子评分以及下肢外周血管的总体ARS评分，为医生阅片提供下肢外周血管健康状况的评估量化依据。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。
在本实施例中还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取下肢的医学图像；
S2，根据医学图像，获取血管分割图像和盆骨分割图像；
S3，根据盆骨分割图像，确定髂前上棘顶点和耻骨结节顶点的位置；
S4，根据髂前上棘顶点和耻骨结节顶点的位置，对血管分割图像分段，获得髂动脉与股总动脉的分段结果。
需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。
此外，结合上述实施例中提供的血分段方法，在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种血管分段方法。
应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本申请提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本申请保护范围。
显然，附图只是本申请的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本申请适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本申请公开的内容不足。
“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本申请中描述的实施例在没有冲突的情况下，可以与其它实施例结合。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种血管分段方法，其特征在于包括：
获取下肢的医学图像；
根据所述医学图像，获取血管分割图像和盆骨分割图像；
根据所述盆骨分割图像，确定髂前上棘顶点和耻骨结节顶点的位置；
根据所述髂前上棘顶点和所述耻骨结节顶点的位置，对所述血管分割图像分段，获得髂动脉与股总动脉的分段结果。
2.根据权利要求1所述的血管分段方法，其特征在于，
在根据所述医学图像，获取所述血管分割图像之后，所述方法还包括：获取所述血管分割图像的中心线，根据所述中心线对所述血管分割图像进行分段，得到由髂动脉和股总动脉组成的第一初步血管分段；
根据所述髂前上棘顶点和所述耻骨结节顶点的位置，对所述血管分割图像分段，获得髂动脉与股总动脉的分段结果包括：根据所述髂前上棘顶点和所述耻骨结节顶点的位置，对所述第一初步血管分段进行分段，获得髂动脉与股总动脉的分段结果。
3.根据权利要求2所述的血管分段方法，其特征在于，根据所述髂前上棘顶点和所述耻骨结节顶点的位置，对所述第一初步血管分段进行分段，获得髂动脉与股总动脉的分段结果包括：
确定所述髂前上棘顶点和所述耻骨结节顶点的中点位置；
根据所述中点位置，将所述第一初步血管分段划分为上下两个分段，将所述第一初步血管中位于上部的分段作为髂动脉分段，将所述第一初步血管中位于下部的分段作为股总动脉分段。
4.根据权利要求2所述的血管分段方法，其特征在于，根据所述中心线对所述血管分割图像进行分段，还得到第二初步血管分段，所述第二初步血管分段包括股深动脉、腘动脉和胫腓动脉。
5.根据权利要求4所述的血管分段方法，其特征在于，所述方法还包括：
确定所述第二初步血管分段中联结股深动脉与股腘动脉的第一血管分叉点和联结股腘动脉和胫腓动脉的第二血管分叉点；
将所述第二初步血管分段中所述第二血管分叉点以下的血管作为胫腓动脉分段；以及
以所述第一血管分叉点为起点分别向下查找中心线，根据查找到的中心线的相对长度区分股深动脉分段和股腘动脉分段。
6.根据权利要求3或5所述的血管分段方法，其特征在于，所述方法还包括：
根据所述医学图像，获取病灶信息；
根据对所述血管分割图像分段得到的血管分段，确定所述血管分段的原始血管直径；
根据对所述血管分段和所述血管分段内的病灶信息，确定所述血管分段的血流血管直径；
根据所述原始血管直径和所述血流血管直径，确定所述血管分段的血管狭窄率。
7.根据权利要求6所述的血管分段方法，其特征在于，所述病灶信息包括病灶的形态和病灶在所述血管分割图像中的位置；根据对所述血管分段和所述血管分段内的病灶信息，确定所述血管分段的血流血管直径包括：
将所述病灶的形态按照所述病灶的位置叠加到所述血管分段中，得到所述血管分段的实际血管分段图像；
根据所述实际血管分段图像，确定所述血管分段的血流血管直径。
8.根据权利要求6所述的血管分段方法，其特征在于，在根据所述原始血管直径和所述血流血管直径，确定所述血管分段的血管狭窄率之后，所述方法还包括：
根据所述血管狭窄率和解剖学评分表，对下肢的血管及各血管分段的狭窄程度评分。
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至8中任一项所述的血管分段方法。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1至8中任一项所述的血管分段方法。
CN202011640860.3A 2020-12-31 2020-12-31 血管分段方法、电子装置和存储介质 Pending CN112862833A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011640860.3A CN112862833A (zh) 2020-12-31 2020-12-31 血管分段方法、电子装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011640860.3A CN112862833A (zh) 2020-12-31 2020-12-31 血管分段方法、电子装置和存储介质

Publications (1)

Publication Number Publication Date
CN112862833A true CN112862833A (zh) 2021-05-28

Family

ID=76000726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011640860.3A Pending CN112862833A (zh) 2020-12-31 2020-12-31 血管分段方法、电子装置和存储介质

Country Status (1)

Country Link
CN (1) CN112862833A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436709A (zh) * 2021-07-23 2021-09-24 上海商汤智能科技有限公司 图像显示方法以及相关装置、设备
CN114266791A (zh) * 2021-12-31 2022-04-01 上海联影智能医疗科技有限公司 搭桥重建方法及计算机设备
CN114359205A (zh) * 2021-12-29 2022-04-15 推想医疗科技股份有限公司 头颈血管分析方法、装置、存储介质及电子设备
CN115953495A (zh) * 2023-03-14 2023-04-11 北京唯迈医疗设备有限公司 基于二维造影图像的智能路径规划装置、系统和存储介质
WO2023125969A1 (en) * 2021-12-31 2023-07-06 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for bypass vessel reconstruction
CN116681716A (zh) * 2023-08-04 2023-09-01 杭州脉流科技有限公司 颅内血管感兴趣区域分割方法、装置、设备和存储介质
CN117474938A (zh) * 2023-11-02 2024-01-30 首都医科大学附属北京朝阳医院 血管树自动分段方法、装置、计算机设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160125595A1 (en) * 2014-11-03 2016-05-05 Algotec Systems Ltd. Method for segmentation of the head-neck arteries, brain and skull in medical images
CN108765363A (zh) * 2018-03-24 2018-11-06 语坤（北京）网络科技有限公司 一种基于人工智能的冠脉cta自动后处理系统
CN109741344A (zh) * 2018-12-28 2019-05-10 上海联影智能医疗科技有限公司 血管分割方法、装置、医疗影像设备及存储介质
CN111369542A (zh) * 2020-03-06 2020-07-03 上海联影智能医疗科技有限公司 血管标记方法、图像处理系统和存储介质
CN111754506A (zh) * 2020-07-01 2020-10-09 杭州脉流科技有限公司 基于腔内影像的冠脉狭窄率计算方法、装置、系统和计算机存储介质
CN111932535A (zh) * 2020-09-24 2020-11-13 北京百度网讯科技有限公司 用于处理图像的方法、装置、设备以及存储介质
CN112001925A (zh) * 2020-06-24 2020-11-27 上海联影医疗科技股份有限公司 图像的分割方法、放射治疗系统、计算机设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160125595A1 (en) * 2014-11-03 2016-05-05 Algotec Systems Ltd. Method for segmentation of the head-neck arteries, brain and skull in medical images
CN108765363A (zh) * 2018-03-24 2018-11-06 语坤（北京）网络科技有限公司 一种基于人工智能的冠脉cta自动后处理系统
CN109741344A (zh) * 2018-12-28 2019-05-10 上海联影智能医疗科技有限公司 血管分割方法、装置、医疗影像设备及存储介质
CN111369542A (zh) * 2020-03-06 2020-07-03 上海联影智能医疗科技有限公司 血管标记方法、图像处理系统和存储介质
CN112001925A (zh) * 2020-06-24 2020-11-27 上海联影医疗科技股份有限公司 图像的分割方法、放射治疗系统、计算机设备和存储介质
CN111754506A (zh) * 2020-07-01 2020-10-09 杭州脉流科技有限公司 基于腔内影像的冠脉狭窄率计算方法、装置、系统和计算机存储介质
CN111932535A (zh) * 2020-09-24 2020-11-13 北京百度网讯科技有限公司 用于处理图像的方法、装置、设备以及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ERANGA UKWATTAA 等: "Joint segmentation of lumen and outer wall from femoral artery MR images: Towards 3D imaging measurements of peripheral arterial disease", 《MEDICAL IMAGE ANALYSIS》, 2 September 2015 (2015-09-02), pages 120 - 132 *
吴秋雯;周书怡;耿辰;李郁欣;曹鑫;耿道颖;杨丽琴;: "基于深度学习的计算机体层摄影血管造影颈动脉斑块分割初步研究", 上海医学, no. 05, 25 May 2020 (2020-05-25), pages 32 - 35 *
石小强;仇广林;梁挺;李徐奇;王曙逢;: "混合现实技术在原发性腹膜后肿瘤手术中应用研究", 中国实用外科杂志, no. 07, 1 July 2020 (2020-07-01), pages 70 - 73 *
赵爽;黄子星;刘荣波;周莹;: "成人腹股沟区CT影像解剖", 中国普外基础与临床杂志, no. 06, 25 June 2010 (2010-06-25), pages 104 - 108 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436709A (zh) * 2021-07-23 2021-09-24 上海商汤智能科技有限公司 图像显示方法以及相关装置、设备
CN114359205A (zh) * 2021-12-29 2022-04-15 推想医疗科技股份有限公司 头颈血管分析方法、装置、存储介质及电子设备
CN114359205B (zh) * 2021-12-29 2022-11-01 推想医疗科技股份有限公司 头颈血管分析方法、装置、存储介质及电子设备
CN114266791A (zh) * 2021-12-31 2022-04-01 上海联影智能医疗科技有限公司 搭桥重建方法及计算机设备
WO2023125969A1 (en) * 2021-12-31 2023-07-06 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for bypass vessel reconstruction
CN115953495A (zh) * 2023-03-14 2023-04-11 北京唯迈医疗设备有限公司 基于二维造影图像的智能路径规划装置、系统和存储介质
CN116681716A (zh) * 2023-08-04 2023-09-01 杭州脉流科技有限公司 颅内血管感兴趣区域分割方法、装置、设备和存储介质
CN116681716B (zh) * 2023-08-04 2023-10-10 杭州脉流科技有限公司 颅内血管感兴趣区域分割方法、装置、设备和存储介质
CN117474938A (zh) * 2023-11-02 2024-01-30 首都医科大学附属北京朝阳医院 血管树自动分段方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN112862833A (zh) 血管分段方法、电子装置和存储介质
EP2194505B1 (en) Method and apparatus for segmenting spine and aorta in a medical image according to a skeletal atlas
US20190021677A1 (en) Methods and systems for classification and assessment using machine learning
JP6877868B2 (ja) 画像処理装置、画像処理方法および画像処理プログラム
Schaap et al. Standardized evaluation methodology and reference database for evaluating coronary artery centerline extraction algorithms
US9495794B2 (en) Three-dimensional image display apparatus, method, and program
CN104622495B (zh) 医用图像处理装置以及医用图像处理方法
JP5584006B2 (ja) 投影画像生成装置、投影画像生成プログラムおよび投影画像生成方法
CN106097298B (zh) 基于球空间划分的冠状动脉自动分段与解剖学标记方法
WO2022037696A1 (zh) 基于深度学习的骨骼分割方法和系统
CN104254874B (zh) 用于辅助2d‑3d图像配准的方法及系统
JP5345947B2 (ja) 対象物を撮像する撮像システム及び撮像方法
JP6301277B2 (ja) 診断補助画像生成装置および診断補助画像生成方法、並びに、診断補助画像生成プログラム
US20050168474A1 (en) Method, computer program and system of visualizing image data
Išgum et al. Automated aortic calcium scoring on low‐dose chest computed tomography
CN113470060B (zh) 基于ct影像的冠状动脉多角度曲面重建可视化方法
JP5364009B2 (ja) 画像生成装置、画像生成方法、及びそのプログラム
Ropinski et al. Multimodal vessel visualization of mouse aorta PET/CT scans
Klein et al. Automatic segmentation of the wire frame of stent grafts from CT data
Perchet et al. Advanced navigation tools for virtual bronchoscopy
Czajkowska et al. Skeleton graph matching vs. maximum weight cliques aorta registration techniques
Larralde et al. Evaluation of a 3D segmentation software for the coronary characterization in multi-slice computed tomography
Affane et al. Robust deep 3-d architectures based on vascular patterns for liver vessel segmentation
Mughal et al. Early lung cancer detection by classifying chest CT images: a survey
Peter et al. Novel registration-based framework for CT angiography in lower legs

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