CN113066091A - 基于黑血管壁曲面重建的脑血管分割方法、装置及存储介质 - Google Patents

基于黑血管壁曲面重建的脑血管分割方法、装置及存储介质 Download PDF

Info

Publication number
CN113066091A
CN113066091A CN202110336239.6A CN202110336239A CN113066091A CN 113066091 A CN113066091 A CN 113066091A CN 202110336239 A CN202110336239 A CN 202110336239A CN 113066091 A CN113066091 A CN 113066091A
Authority
CN
China
Prior art keywords
blood vessel
vessel wall
axis
curved surface
data
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
CN202110336239.6A
Other languages
English (en)
Inventor
马学升
刘伟奇
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.)
Kunming Tongxin Yilian Technology Co ltd
Original Assignee
Kunming Tongxin Yilian 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 Kunming Tongxin Yilian Technology Co ltd filed Critical Kunming Tongxin Yilian Technology Co ltd
Priority to CN202110336239.6A priority Critical patent/CN113066091A/zh
Publication of CN113066091A publication Critical patent/CN113066091A/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
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • 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
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Vascular Medicine (AREA)
  • Cardiology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供一种基于黑血管壁曲面重建的脑血管分割方法、装置及存储介质，包括：获取图像中黑血管壁轮廓的离散点，基于所述离散点得到黑血管壁重建曲面；获取所述黑血管壁重建曲面的中心线，在所述中心线的X轴、Y轴及Z轴分别进行线性采样；建立与所述X轴、Y轴及Z轴对应的三个成像平面，所述三个成像平面分别映射中心线上三个感兴趣矢量方向上的采样数据；构建分割子网和诊断子网，基于所述分割子网和诊断子网对所述采样数据进行处理，分割管腔区域和外壁区域，得到脑血管的形态信息和血管形态。

Description

基于黑血管壁曲面重建的脑血管分割方法、装置及存储介质
技术领域
本发明涉及血管分割、人工智能技术，尤其涉及一种基于黑血管壁曲面重建的脑血管分割方法、装置及存储介质。
背景技术
在医学影像领域，血管成像技术有很多种：比如传统常见的X线血管造影技术——即数字减影血管造影(DSA)，CT血管成像技术(Computed Tomography Angiogram，CTA)和亮血磁共振血管成像技术等。依靠传统技术所得到的图像信息一般都是血管腔内血流的信息，而非血管管壁的信息。为了对其进行弥补，近年来，3D黑血技术已被指出可以进行对血管壁的高分辨率成像。
在针对血管的手术计划中，例如手术切除或经皮支架植入物的部署，在很大程度上取决于血管的几何特征。因此，对血管进行分割以评估其几何特征在医学治疗中起着重要作用。由于血管走行迂曲，在磁共振(Magnetic resonance imaging，MRI)单一成像层面上，不能显示整段血管管壁完整的图像。在大多数情况下，传统3D MRI图像中血管的可视性很差。由于血管普遍拥有复杂的几何形状，以及旧技术无法将读数方向与血流方向对齐以实现血液抑制的重要性，因此不可能有一个方向可以在单次采集中很好地描绘血管的三个平面。
同时，传统的后处理软件手动操作方法繁琐，使得医生操作该软件重建图像的后处理工作耗时长。并且，使用基于2D切片的手动分割方法来处理3D数据集存在一些缺点。例如，基于2D切片的方法不会在纵向尺寸上强制轮廓连续。其次，它不允许高效的手动轮廓编辑。为了解决这些缺点，从高分辨率的MRI黑血图像中对动脉瘤腔和外壁进行逐层手动划界和分割非常耗时，乏味，而且需要熟练的放射科医生花费30多分钟才能进行有效分别，非常容易出现疲劳错误。因此，亟需一种能够高效辅助主动脉腔和进行外壁分割的技术方案。
发明内容
本发明实施例提供一种基于黑血管壁曲面重建的脑血管分割方法、装置及存储介，能够高效辅助主动脉腔和进行外壁分割。
本发明实施例的第一方面，提供一种基于黑血管壁曲面重建的脑血管分割方法，包括：
获取图像中黑血管壁轮廓的离散点，基于所述离散点得到黑血管壁重建曲面；
获取所述黑血管壁重建曲面的中心线，在所述中心线的X轴、Y轴及Z轴分别进行线性采样；
建立与所述X轴、Y轴及Z轴对应的三个成像平面，所述三个成像平面分别映射中心线上三个感兴趣矢量方向上的采样数据；
构建分割子网和诊断子网，基于所述分割子网和诊断子网对所述采样数据进行处理，分割管腔区域和外壁区域，得到脑血管的形态信息和血管形态。
可选地，在第一方面的一种可能实现方式中，所述获取图像中黑血管壁轮廓的离散点，基于所述离散点得到黑血管壁重建曲面包括：
在获得离散点后，对所述离散点进行插值，获取平滑的轮廓线拟合曲线；
沿着感兴趣方向对轮廓线进行投影形成扫描曲面；
显示扫描曲面对应的血管体数据，得到黑血管壁重建曲面。
可选地，在第一方面的一种可能实现方式中，还包括：
对中心线数据进行采样，将毫米的坐标值转成维度坐标值，使其位于原始黑血管壁数据中；
对转换后的坐标值进行差分计算，在采样后的中心线数据处建立感兴趣矢量，对原始黑血管壁数据进行曲面灰度值采样；
对采样数据进行曲面重组，将重组数据进行灰度值变换。
可选地，在第一方面的一种可能实现方式中，所述在所述中心线的X轴、Y轴及Z轴分别进行线性采样包括：
在中心线C上每一个中心点Ci处，同时设定三个感兴趣矢量Lx,Ly,Lz；
分别沿着X,Y,Z轴方向进行线性采样，采样长度分别对应黑血管壁数据在三个维度上的长度。
可选地，在第一方面的一种可能实现方式中，所述建立与所述X轴、Y轴及Z轴对应的三个成像平面，所述三个成像平面分别映射中心线上三个感兴趣矢量方向上的采样数据包括：
建立三个成像平面Csox、Csoy、Csoz,分别映射中心线上三个感兴趣矢量方向上的采样数据，即成像平面Csox映射Lx矢量方向的体数据、成像平面Csoy映射Ly矢量方向的体数据、成像平面Csoz映射Lz矢量方向的体数据。
本发明实施例的第二方面，提供一种基于黑血管壁曲面重建的脑血管分割装置，包括：
重建模块，用于获取图像中黑血管壁轮廓的离散点，基于所述离散点得到黑血管壁重建曲面；
采样模块，用于获取所述黑血管壁重建曲面的中心线，在所述中心线的X轴、Y轴及Z轴分别进行线性采样；
映射模块，用于建立与所述X轴、Y轴及Z轴对应的三个成像平面，所述三个成像平面分别映射中心线上三个感兴趣矢量方向上的采样数据；
处理模块，用于构建分割子网和诊断子网，基于所述分割子网和诊断子网对所述采样数据进行处理，分割管腔区域和外壁区域，得到脑血管的形态信息和血管形态。
可选地，在第二方面的一种可能实现方式中，所述获取图像中黑血管壁轮廓的离散点，基于所述离散点得到黑血管壁重建曲面包括：
在获得离散点后，对所述离散点进行插值，获取平滑的轮廓线拟合曲线；
沿着感兴趣方向对轮廓线进行投影形成扫描曲面；
显示扫描曲面对应的血管体数据，得到黑血管壁重建曲面。
可选地，在第二方面的一种可能实现方式中，还包括：
对中心线数据进行采样，将毫米的坐标值转成维度坐标值，使其位于原始黑血管壁数据中；
对转换后的坐标值进行差分计算，在采样后的中心线数据处建立感兴趣矢量，对原始黑血管壁数据进行曲面灰度值采样；
对采样数据进行曲面重组，将重组数据进行灰度值变换。
可选地，在第二方面的一种可能实现方式中，所述在所述中心线的X轴、Y轴及Z轴分别进行线性采样包括：
在中心线C上每一个中心点Ci处，同时设定三个感兴趣矢量Lx,Ly,Lz；
分别沿着X,Y,Z轴方向进行线性采样，采样长度分别对应黑血管壁数据在三个维度上的长度。
本发明实施例的第三方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。
本发明提供的一种基于黑血管壁曲面重建的脑血管分割方法、装置及存储介质，能够解决常规成像等输出结果均为断面而不能精准诊断病变的问题。其可以重建患者特定的三维(3-dimensional，3D)几何形状，这有助于在治疗的各个阶段进行测量。特别地，这些几何形状可以促进对系统性血管疾病风险的评估
本发明使用黑血技术针对血管曲面重建，提出了一种改良型的血管曲面重建算法。基于轮廓形变和对应点匹配相结合的混合插值算法，可以在进行图像序列层间插值的同时较好地保持了目标的轮廓形状与灰度信息。该方法在表现出组织细节特征的同时又把人体器官的轮廓勾勒得更加清楚、细致，经过该方法处理后的体数据的重建效果将更加生动，组织细节的定位更加准确。该技术通过研发一款管壁成像曲面重建算法，在黑血高分辨扫描之后，对影片进行管壁成像曲面重建后处理，从而可以多方向、直观、清晰的显示整体血管情况，使得医生对血管粗细、形状和空间位置有定性和定量的认识。在黑血管壁曲面重建的研究上，它解决了传统可视化技术无法跟踪观察血管管壁的问题，对于显示血管管腔狭窄及狭窄位置、判断动脉狭窄程度等方面具有综合优势。
附图说明
图1为基于黑血管壁曲面重建的脑血管分割方法的第一种实施方式的流程图；
图2为曲面重建的第一种实施方式的流程图；
图3为曲面重建的第二种实施方式的流程图；
图4为是否可以编辑轮廓的示意图；
图5为基于黑血管壁曲面重建的脑血管分割装置的第一种实施方式的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)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，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应当理解，在本发明中，“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。
应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，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。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
本发明提供一种基于黑血管壁曲面重建的脑血管分割方法，如图1所示，包括：
步骤S10、获取图像中黑血管壁轮廓的离散点，基于所述离散点得到黑血管壁重建曲面。
在步骤S10中，还包括：
在获得离散点后，对所述离散点进行插值，获取平滑的轮廓线拟合曲线；
沿着感兴趣方向对轮廓线进行投影形成扫描曲面；
显示扫描曲面对应的血管体数据，得到黑血管壁重建曲面。
利用多平面重建获取黑血管壁轮廓的离散点；然后，对离散点进行插值，获取平滑的轮廓线拟合曲线；其次，沿着感兴趣方向对轮廓线进行投影形成扫描曲面；最后，显示扫描曲面对应的血管体数据，得到黑血管壁重建曲面。曲面重建基本流程如图2所示。
步骤S20、获取所述黑血管壁重建曲面的中心线，在所述中心线的X轴、Y轴及Z轴分别进行线性采样。
在步骤S20中，还包括：
对中心线数据进行采样，将毫米的坐标值转成维度坐标值，使其位于原始黑血管壁数据中；
对转换后的坐标值进行差分计算，在采样后的中心线数据处建立感兴趣矢量，对原始黑血管壁数据进行曲面灰度值采样；
对采样数据进行曲面重组，将重组数据进行灰度值变换。
首先对中心线数据进行采样，将毫米的坐标值转成维度坐标值，使其位于原始黑血管壁数据中，同时要对转换后的坐标值进行差分计算，用于控制中心线的采样步长；接着在采样后的中心线数据处建立感兴趣矢量，对原始黑血管壁数据进行曲面灰度值采样，采样过程中要不断更新采样点的位置；最后，对采样数据进行曲面重组，将重组数据进行灰度值变换。连续采集动脉瘤壁的黑血MRI和管腔的椭圆中心对比增强磁共振血管成像(contrast enhancedmagnetic resonance angiography，CE-MRA)，以最大程度地减少两次采集之间患者运动的影响。3D序列使用了切片选择90°激发脉冲和非选择重聚焦脉冲。重新聚焦翻转角经过调制，可针对特定的880ms和40ms组合在回波列上产生恒定的横向磁化强度。本算法使用了八个启动回波，在此期间未收集任何数据，以避免回波序列开始时横向磁化的快速变化，并使信号从流动的血液中移出。
步骤S30、建立与所述X轴、Y轴及Z轴对应的三个成像平面，所述三个成像平面分别映射中心线上三个感兴趣矢量方向上的采样数据。
在步骤S30中，还包括：
所述在所述中心线的X轴、Y轴及Z轴分别进行线性采样包括：
在中心线C上每一个中心点Ci处，同时设定三个感兴趣矢量Lx,Ly,Lz；
分别沿着X,Y,Z轴方向进行线性采样，采样长度分别对应黑血管壁数据在三个维度上的长度。
建立三个成像平面Csox、Csoy、Csoz,分别映射中心线上三个感兴趣矢量方向上的采样数据，即成像平面Csox映射Lx矢量方向的体数据、成像平面Csoy映射Ly矢量方向的体数据、成像平面Csoz映射Lz矢量方向的体数据。
针对传统曲面重建存在感兴趣矢量方向单一且不能有效保持血管形状走势问题，本算法可同时观察三个特定感兴趣矢量方向的改良型黑血管壁曲面重建，如图3所示。
在中心线C上每一个中心点Ci处，同时设定三个感兴趣矢量Lx,Ly,Lz,使其分别沿着X,Y,Z轴方向进行线性采样，采样长度分别对应黑血管壁数据在三个维度上的长度，即保证中心点所在位置在感兴趣矢量方向上数据采样的完整性，这样就全面地保存了中心点处周围的组织信息，同时准确记录下中心点处对应的坐标值。完成上述采样步骤后，建立三个成像平面Csox、Csoy、Csoz,分别映射中心线上三个感兴趣矢量方向上的采样数据，即成像平面Csox映射Lx矢量方向的体数据、成像平面Csoy映射Ly矢量方向的体数据、成像平面Csoz映射Lz矢量方向的体数据，映射时保持拉伸曲面重建的拉伸方法。对于三个成像平面Csox、Csoy、Csoz,为了方便描述，统一将长度对应中心线长度，宽度对应各自感兴趣矢量采样宽度。
φ(x，y)＞0，(x，y)∈Iin
φ(z，y)＜0，(x，y)∈Iout
φ(x，y)＝0，(x，y)∈C
根据上述公式本算法将定义为由外部约束力引导的能量最小的样条，这些样条将其拉向诸如边缘的特征。同时其还定义了一个内部能量项，用于对移动曲线施加平滑度约束。该公式基于速度项的设计，可以使不断发展的前沿在靠近对象边界并逐渐停止时逐渐达到零速度。速度项可能取决于前沿的边界，同时它也可以利用由不断发展的前沿包围的区域内部的信息，以满足Lipschitz连续函数φ的零级集合来实现全局程序集缓存的细分。
步骤S40、构建分割子网和诊断子网，基于所述分割子网和诊断子网对所述采样数据进行处理，分割管腔区域和外壁区域，得到脑血管的形态信息和血管形态。
本发明由分割子网和诊断子网组成，用于在MRI图像上执行分割和诊断任务，其中手动标记的管腔面积，手动标记的外壁面积和手动标记的病变类型基于修改后的临床标准被用作事实依据。具体而言，将具有加权融合层的深U形卷积神经网络(ConvolutionalNeural Network，CNN)设计为分割子网，在三重监督下，可以同时分割管腔区域和外壁区域，以提供血管壁图作为形态信息。然后，从两个深层的卷积神经网络(ConvolutionalNeural Network，CNN)中提取图像，图像流和获得的血管壁图的形态流，并将其组合以获得诊断子网中的血管形态。
基于本公式，本发明通过检查相邻切片上的腔区域之间的比率是否在0.5和1.5之间来约束边界的连续性。如果该比率超出此范围，则算法将暂停以允许用户编辑当前图像切片上的轮廓，并且用户在继续传播之前可以确定是否编辑轮廓，如图4所示。视场的方向决定了血液抑制的有效性，因为梯度仅在启动回波期间沿读出方向执行。结果，对于在脚头方向上读出的冠状位，血液信号在降主动脉中受到很好的抑制，而主动脉弓中存在残余信号。类似地，对于沿前后方向读数的横向取向，主动脉弓中的血液信号会得到更好的抑制，而在降主动脉中则可以看到明显的血液信号(箭头)。使用比在切片方向上编码量更窄的激发量来对3D图像进行扫描计划，以对由非选择性重聚焦脉冲产生的潜在伪像进行空间编码。在条带编码方向上显示的所得3D图像显示出对外部音量信号的出色抑制。通过内部体积和外部体积的平面图像显示了外部体积抑制的有效性。外部体积图像中的信号放大50倍，以突出显示这些小瓶中的信号抑制，其范围在第一阶段中，范围从250毫秒到1500毫秒。
在血液信号未得到适当抑制或动脉严重狭窄的极端情况下，本算法会进行边界编辑。由于手动编辑引入了观察者的可变性并需要花费时间，因此本算法使用的自动编辑机制应将用户交互降至最低，同时还提供灵活性。其编辑机制包含两个主要组件：(1)曲线平面重新格式化曲面重建(Curved Plannar Reformation,CPR)视图和(2)在CPR视图中构建平滑轮廓。
在本算法3D分割方法中，可将第一项血管轮廓传播到其相邻图像切片以用作初始轮廓，然后使用先前描述的可变形轮廓模型对其进行细化。根据此技术对现有的基于2D切片的分割方法进行了三项创新：(1)在分割管腔时，使用配准模块在将先前切片用作最终轮廓之前将其转换为最终轮廓。在下一个切片前，以改善初始轮廓。(2)开发了一种传播机制，用户可以在其中编辑管腔轮廓，以防止算法偏离方向。(3)为了提高壁边界分割的准确性，引入了两遍处理，其中基于2D切片的分割向前和向后传播一次，从而在每个轴向图像上产生两个轮廓。然后，在每个轴向图像上，使用基于梯度的边界决策过程来基于两个轮廓确定最终轮廓。
最终，本技术使用了一组基于距离和面积的指标来评估分割精度。首先分别评估管腔和外壁边界。其次，通过比较它们的相关平均值，最大厚度和血管壁面积(即内腔和外壁边界所包围的区域)，评估了四个半自动分割的边界与黄金标准。
因此，在依据此结论，使用本算法的黑血序列可以产生高分辨率的血管壁的图像并根据参数与实际情况在之上进行自动血管切割。直接比较显示，与现有检查相比，本图像可显示出更多的血管壁病变，并且血管壁与周围组织的对比度也更高。通过将离体标本的MRI成像与组织学测量值进行比较，可以进行壁厚测量的验证。
本发明包括以下优点，首先，本算法能全面直观细腻的将位于不同层面的三维弯曲血管中的感兴趣区域进行统一展示，提供了整体剖析图，给人整体全局概念，为医生提供更加准确客观的影像学依据，对于使用黑血技术对管壁组织疾病进行的诊断具有不可替代的辅助意义。
其次在临床应用上，避免传统手工操作带来的效率低下问题，将临床医生从海量的断层图像中解放出来，大大提高医生诊断疾病的效率。血管壁成像安全，可靠，可产生出色的诊断图像。针对传统曲面重建存在感兴趣矢量方向单一且不能有效保持血管形状走势问题，本算法采用同时观察三个特定感兴趣矢量方向的改良型黑血管壁曲面重建，能全面直观细腻的将位于不同层面的三维弯曲冠状目标等感兴趣区域进行统一展示，提供了整体剖析图，给人整体全局概念，本分割程序大约需要8-10分钟来处理3D股动脉数据集的300mm纵向覆盖范围，与人工检查相比，这大大减少了分析时间。该工具可进行大的横截面分析以评估与周围动脉斑块负荷增加相关的风险，而纵向研究则可评估斑块负荷大小与PAD症状之间的相关性。为医生提供更加准确客观的影像学依据，对于黑血管壁组织疾病的诊断具有不可替代的辅助意义。
本发明还提供一种基于黑血管壁曲面重建的脑血管分割装置，如图5所示，包括：
重建模块，用于获取图像中黑血管壁轮廓的离散点，基于所述离散点得到黑血管壁重建曲面；
采样模块，用于获取所述黑血管壁重建曲面的中心线，在所述中心线的X轴、Y轴及Z轴分别进行线性采样；
映射模块，用于建立与所述X轴、Y轴及Z轴对应的三个成像平面，所述三个成像平面分别映射中心线上三个感兴趣矢量方向上的采样数据；
处理模块，用于构建分割子网和诊断子网，基于所述分割子网和诊断子网对所述采样数据进行处理，分割管腔区域和外壁区域，得到脑血管的形态信息和血管形态。
在一个实施例中，所述获取图像中黑血管壁轮廓的离散点，基于所述离散点得到黑血管壁重建曲面包括：
在获得离散点后，对所述离散点进行插值，获取平滑的轮廓线拟合曲线；
沿着感兴趣方向对轮廓线进行投影形成扫描曲面；
显示扫描曲面对应的血管体数据，得到黑血管壁重建曲面。
在一个实施例中，还包括：
对中心线数据进行采样，将毫米的坐标值转成维度坐标值，使其位于原始黑血管壁数据中；
对转换后的坐标值进行差分计算，在采样后的中心线数据处建立感兴趣矢量，对原始黑血管壁数据进行曲面灰度值采样；
对采样数据进行曲面重组，将重组数据进行灰度值变换。
在一个实施例中，所述在所述中心线的X轴、Y轴及Z轴分别进行线性采样包括：
在中心线C上每一个中心点Ci处，同时设定三个感兴趣矢量Lx,Ly,Lz；
分别沿着X,Y,Z轴方向进行线性采样，采样长度分别对应黑血管壁数据在三个维度上的长度。
其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits，简称：ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述终端或者服务器的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种基于黑血管壁曲面重建的脑血管分割方法，其特征在于，包括：
获取图像中黑血管壁轮廓的离散点，基于所述离散点得到黑血管壁重建曲面；
获取所述黑血管壁重建曲面的中心线，在所述中心线的X轴、Y轴及Z轴分别进行线性采样；
建立与所述X轴、Y轴及Z轴对应的三个成像平面，所述三个成像平面分别映射中心线上三个感兴趣矢量方向上的采样数据；
构建分割子网和诊断子网，基于所述分割子网和诊断子网对所述采样数据进行处理，分割管腔区域和外壁区域，得到脑血管的形态信息和血管形态。
2.根据权利要求1所述的基于黑血管壁曲面重建的脑血管分割方法，其特征在于，
所述获取图像中黑血管壁轮廓的离散点，基于所述离散点得到黑血管壁重建曲面包括：
在获得离散点后，对所述离散点进行插值，获取平滑的轮廓线拟合曲线；
沿着感兴趣方向对轮廓线进行投影形成扫描曲面；
显示扫描曲面对应的血管体数据，得到黑血管壁重建曲面。
3.根据权利要求2所述的基于黑血管壁曲面重建的脑血管分割方法，其特征在于，还包括：
对中心线数据进行采样，将毫米的坐标值转成维度坐标值，使其位于原始黑血管壁数据中；
对转换后的坐标值进行差分计算，在采样后的中心线数据处建立感兴趣矢量，对原始黑血管壁数据进行曲面灰度值采样；
对采样数据进行曲面重组，将重组数据进行灰度值变换。
4.根据权利要求1所述的基于黑血管壁曲面重建的脑血管分割方法，其特征在于，
所述在所述中心线的X轴、Y轴及Z轴分别进行线性采样包括：
在中心线C上每一个中心点Ci处，同时设定三个感兴趣矢量Lx,Ly,Lz；
分别沿着X,Y,Z轴方向进行线性采样，采样长度分别对应黑血管壁数据在三个维度上的长度。
5.根据权利要求1所述的基于黑血管壁曲面重建的脑血管分割方法，其特征在于，
所述建立与所述X轴、Y轴及Z轴对应的三个成像平面，所述三个成像平面分别映射中心线上三个感兴趣矢量方向上的采样数据包括：
建立三个成像平面Csox、Csoy、Csoz,分别映射中心线上三个感兴趣矢量方向上的采样数据，即成像平面Csox映射Lx矢量方向的体数据、成像平面Csoy映射Ly矢量方向的体数据、成像平面Csoz映射Lz矢量方向的体数据。
6.一种基于黑血管壁曲面重建的脑血管分割装置，其特征在于，包括：
重建模块，用于获取图像中黑血管壁轮廓的离散点，基于所述离散点得到黑血管壁重建曲面；
采样模块，用于获取所述黑血管壁重建曲面的中心线，在所述中心线的X轴、Y轴及Z轴分别进行线性采样；
映射模块，用于建立与所述X轴、Y轴及Z轴对应的三个成像平面，所述三个成像平面分别映射中心线上三个感兴趣矢量方向上的采样数据；
处理模块，用于构建分割子网和诊断子网，基于所述分割子网和诊断子网对所述采样数据进行处理，分割管腔区域和外壁区域，得到脑血管的形态信息和血管形态。
7.根据权利要求6所述的基于黑血管壁曲面重建的脑血管分割装置，其特征在于，
所述获取图像中黑血管壁轮廓的离散点，基于所述离散点得到黑血管壁重建曲面包括：
在获得离散点后，对所述离散点进行插值，获取平滑的轮廓线拟合曲线；
沿着感兴趣方向对轮廓线进行投影形成扫描曲面；
显示扫描曲面对应的血管体数据，得到黑血管壁重建曲面。
8.根据权利要求7所述的基于黑血管壁曲面重建的脑血管分割装置，其特征在于，还包括：
对中心线数据进行采样，将毫米的坐标值转成维度坐标值，使其位于原始黑血管壁数据中；
对转换后的坐标值进行差分计算，在采样后的中心线数据处建立感兴趣矢量，对原始黑血管壁数据进行曲面灰度值采样；
对采样数据进行曲面重组，将重组数据进行灰度值变换。
9.根据权利要求6所述的基于黑血管壁曲面重建的脑血管分割装置，其特征在于，
所述在所述中心线的X轴、Y轴及Z轴分别进行线性采样包括：
在中心线C上每一个中心点Ci处，同时设定三个感兴趣矢量Lx,Ly,Lz；
分别沿着X,Y,Z轴方向进行线性采样，采样长度分别对应黑血管壁数据在三个维度上的长度。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现权利要求1至5任一所述的方法。
CN202110336239.6A 2021-03-29 2021-03-29 基于黑血管壁曲面重建的脑血管分割方法、装置及存储介质 Pending CN113066091A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110336239.6A CN113066091A (zh) 2021-03-29 2021-03-29 基于黑血管壁曲面重建的脑血管分割方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110336239.6A CN113066091A (zh) 2021-03-29 2021-03-29 基于黑血管壁曲面重建的脑血管分割方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN113066091A true CN113066091A (zh) 2021-07-02

Family

ID=76564287

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110336239.6A Pending CN113066091A (zh) 2021-03-29 2021-03-29 基于黑血管壁曲面重建的脑血管分割方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113066091A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538618A (zh) * 2021-08-30 2021-10-22 复旦大学附属中山医院 多模态多对比度医学图像的快速曲面重建方法及存储介质
CN113836832A (zh) * 2021-08-13 2021-12-24 中国人民解放军东部战区总医院 一种确定血管状态参数的方法和装置
CN114299357A (zh) * 2021-12-18 2022-04-08 深圳先进技术研究院 一种用于血管壁影像分割的自定义卷积路径方法
CN114677436A (zh) * 2022-03-14 2022-06-28 南京邮电大学 基于模型配准的脑部cta图像中的脑血管自动定位方法
CN114723684A (zh) * 2022-03-22 2022-07-08 推想医疗科技股份有限公司 模型训练方法及其装置、血管结构生成方法及其装置
CN116934741A (zh) * 2023-09-11 2023-10-24 首都医科大学附属北京天坛医院 一站式血管壁的成分和定量参数获取方法和装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113836832A (zh) * 2021-08-13 2021-12-24 中国人民解放军东部战区总医院 一种确定血管状态参数的方法和装置
CN113538618A (zh) * 2021-08-30 2021-10-22 复旦大学附属中山医院 多模态多对比度医学图像的快速曲面重建方法及存储介质
CN114299357A (zh) * 2021-12-18 2022-04-08 深圳先进技术研究院 一种用于血管壁影像分割的自定义卷积路径方法
CN114299357B (zh) * 2021-12-18 2024-05-03 深圳先进技术研究院 一种用于血管壁影像分割的自定义卷积路径方法
CN114677436A (zh) * 2022-03-14 2022-06-28 南京邮电大学 基于模型配准的脑部cta图像中的脑血管自动定位方法
CN114723684A (zh) * 2022-03-22 2022-07-08 推想医疗科技股份有限公司 模型训练方法及其装置、血管结构生成方法及其装置
CN116934741A (zh) * 2023-09-11 2023-10-24 首都医科大学附属北京天坛医院 一站式血管壁的成分和定量参数获取方法和装置
CN116934741B (zh) * 2023-09-11 2023-12-26 首都医科大学附属北京天坛医院 一站式血管壁的成分和定量参数获取方法和装置

Similar Documents

Publication Publication Date Title
CN113066091A (zh) 基于黑血管壁曲面重建的脑血管分割方法、装置及存储介质
US11896416B2 (en) Method for calculating coronary artery fractional flow reserve on basis of myocardial blood flow and CT images
US7356367B2 (en) Computer aided treatment planning and visualization with image registration and fusion
JP4728627B2 (ja) Ｃｔ血管造影法における構造を領域分割する方法及び装置
CN102763135B (zh) 用于自动分割和时间跟踪的方法
EP3723041A1 (en) Automated measurement system and method for coronary artery disease scoring
WO2005086093A2 (en) System and method for detecting the aortic valve using a model-based segmentation technique
CN109584195B (zh) 一种双模图像自动融合方法
WO2022105623A1 (zh) 一种基于迁移学习的颅内血管病灶识别方法
CN112862833A (zh) 血管分段方法、电子装置和存储介质
Liu et al. Extraction of coronary atherosclerotic plaques from computed tomography imaging: a review of recent methods
Sakellarios et al. Novel methodology for 3D reconstruction of carotid arteries and plaque characterization based upon magnetic resonance imaging carotid angiography data
CN113902690A (zh) 基于血管腔内影像计算血流储备分数的方法、装置、计算设备以及存储介质
CN113592879A (zh) 基于人工智能的颈动脉斑块分割方法、装置及存储介质
Sun et al. Measurement of the geometric parameters of the aortic bifurcation from magnetic resonance images
CN113057677B (zh) 超声和ct图像融合的心脏影像建模方法、系统及设备
CN111627023B (zh) 一种冠脉投影图像生成的方法、装置及计算机可读介质
Sonka et al. Lumen centerline detection in complex coronary angiograms
CN112669449A (zh) 基于3d重建技术的cag和ivus精准联动分析方法及系统
Larralde et al. Evaluation of a 3D segmentation software for the coronary characterization in multi-slice computed tomography
Pellot et al. An attempt to 3D reconstruct vessel morphology from X-ray projections and intravascular ultrasounds modeling and fusion
Adams et al. Algorithm for quantifying advanced carotid artery atherosclerosis in humans using MRI and active contours
Chen et al. A novel algorithm for refining cerebral vascular measurements in infants and adults
Son et al. Reconstruction of blood vessel model with adventitia from CT and IVUS images for FSI analysis
US20240070855A1 (en) Method and System of Calculating the Cross-section Area and Included Angle of Three-dimensional Blood Vessel Branch

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