CN113096091A - 图像处理方法及装置、电子设备及存储介质 - Google Patents

图像处理方法及装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113096091A
CN113096091A CN202110374020.5A CN202110374020A CN113096091A CN 113096091 A CN113096091 A CN 113096091A CN 202110374020 A CN202110374020 A CN 202110374020A CN 113096091 A CN113096091 A CN 113096091A
Authority
CN
China
Prior art keywords
blood vessel
point
intersection points
origin point
centerline
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
Application number
CN202110374020.5A
Other languages
English (en)
Other versions
CN113096091B (zh
Inventor
张金
王瑜
余航
李焱
王少康
陈宽
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.)
Infervision Medical Technology Co Ltd
Original Assignee
Infervision Medical 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 Infervision Medical Technology Co Ltd filed Critical Infervision Medical Technology Co Ltd
Priority to CN202110374020.5A priority Critical patent/CN113096091B/zh
Publication of CN113096091A publication Critical patent/CN113096091A/zh
Application granted granted Critical
Publication of CN113096091B publication Critical patent/CN113096091B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/60Analysis of geometric attributes
    • G06T7/66Analysis of geometric attributes of image moments or centre of gravity
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10081Computed x-ray tomography [CT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30101Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请公开了一种图像处理方法及装置、电子设备及存储介质。该方法包括:获取第一血管的第一中线与第二血管的多个第二中线的多个交点,其中,所述第一血管的像素尺寸大于所述第二血管的像素尺寸;根据所述多个交点,获取所述第二血管的起源点,其中,所述起源点选自所述多个交点;从所述第一中线和所述多个第二中线中获取所述起源点对应的第二中线,能够避免提取的血管的中线存在瑕疵或中线假阳。

Description

图像处理方法及装置、电子设备及存储介质
技术领域
本发明涉及图像处理技术领域,具体涉及一种图像处理方法及装置、电子设备及存储介质。
背景技术
目前,对医学影像的血管的分割大部分是基于深度学习的分割模型,但是由于血管的拍摄角度和分割模型的准确度等问题,血管的分割通常会存在一定的假阳,这导致在对分割出的血管进行中线提取时,所得到的中线存在瑕疵或中线假阳等情况,从而不利于及时辅助医生进行血管病变的诊断。
发明内容
有鉴于此,本申请的实施例致力于提供一种图像处理方法及装置、电子设备及存储介质,能够避免提取的血管的中线存在瑕疵或中线假阳。
根据本申请实施例的第一方面,提供了一种图像处理方法,包括:获取第一血管的第一中线与第二血管的多个第二中线的多个交点,其中,所述第一血管的像素尺寸大于所述第二血管的像素尺寸;根据所述多个交点,获取所述第二血管的起源点,其中,所述起源点选自所述多个交点;从所述第一中线和所述多个第二中线中获取所述起源点对应的第二中线。
在一个实施例中,所述根据所述多个交点,获取所述第二血管的起源点,包括:确定所述多个第二中线对应的连通域所包含的交点的个数;当所述连通域所包含的交点为至少两个交点时,在所述至少两个交点中保留一个交点作为所述第二血管的起源点;当所述连通域所包含的交点为一个交点时,确定所述交点为所述第二血管的起源点。
在一个实施例中,所述在所述至少两个交点中保留一个交点作为所述第二血管的起源点,包括:确定所述至少两个交点中的每个交点处的第二血管的内切球的像素尺寸的大小;确定像素尺寸最大的内切球对应的交点为所述第二血管的起源点。
在一个实施例中,所述方法还包括:根据所述起源点和所述起源点对应的第二中线的顶点,通过最短路径,获取所述起源点对应的中线树;根据所述中线树去除所述第二中线的中线假阳。
在一个实施例中,所述中线假阳包括所述第二中线的环状假阳和/或所述第二中线的末端假阳。
在一个实施例中,所述方法还包括:将原始医学图像输入分割模型,获得包含所述第一血管和所述第二血管的分割图像;对所述分割图像中的所述第一血管和所述第二血管进行中线提取,以获得合并在一起的所述第一血管的第一中线和所述第二血管的多个第二中线。
在一个实施例中,所述第一血管为主动脉,所述第二血管为冠脉。
根据本申请实施例的第二方面,提供了一种图像处理装置,包括:交点获取模块,配置为获取第一血管的第一中线与第二血管的多个第二中线的多个交点,其中,所述第一血管的像素尺寸大于所述第二血管的像素尺寸;起源点获取模块,配置为根据所述多个交点,获取所述第二血管的起源点,其中,所述起源点选自所述多个交点;中线获取模块,配置为从所述第一中线和所述多个第二中线中获取所述起源点对应的第二中线。
在一个实施例中,所述装置还包括:用于执行上述实施例提及的图像处理方法中的各个步骤的模块。
根据本申请实施例的第三方面,提供了一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器用于执行上述任一实施例所述的图像处理方法。
根据本申请实施例的第四方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述任一实施例所述的图像处理方法。
本申请的实施例所提供的一种图像处理方法,通过合并在一起的第一中线和多个第二中线的交点,可以准确地得到第二血管的起源点,再从第一中线和多个第二中线中提取起源点对应的第二中线,能够更加准确地得到第二血管的第二中线,从而消除第一血管和第二血管的连接处的瑕疵或中线假阳。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1所示为本申请实施例所提供的一种实施环境的示意图。
图2所示为本申请一个实施例提供的图像处理系统的示意图。
图3所示为本申请一个实施例提供的图像处理方法的流程示意图。
图4所示为本申请一个实施例提供的分割图像的示意图。
图5所示为本申请一个实施例提供的第一中线和第二中线的示意图。
图6所示为本申请一个实施例提供的第二血管的起源点的示意图。
图7所示为本申请另一个实施例提供的图像处理方法的流程示意图。
图8所示为本申请又一个实施例提供的图像处理方法的流程示意图。
图9所示为本申请一个实施例提供的中线树的示意图。
图10所示为本申请一个实施例提供的图像处理装置的框图。
图11所示为本申请另一个实施例提供的图像处理装置的框图。
图12所示为本申请又一个实施例提供的图像处理装置的框图。
图13所示为本申请一个实施例提供的电子设备的结构框图。
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。
申请概述
冠脉一般指冠状动脉,是供给心脏血液的血管。冠脉CTA又称为冠脉的成像,是经浅静脉注射增强剂,运用CT检查心脏冠状动脉,了解冠脉血管内有无狭窄的病灶,存在病变的部位、范围、严重程度、管壁情况等作出诊断的无创性的检查技术。冠脉CTA不需要动脉插管,检查术后一般没有并发症,非常适合冠心病的筛查以及确诊冠心病、冠脉放置支架和搭桥术后的复查等。检查过程方便、快捷,临床上主要是用于判断冠状动脉的病变情况,准确率高达90%。
通常的冠脉CTA图像主要分为三个部分,即表面成像(VR)、曲面重建(CPR)和冠脉探针。VR中的冠脉分段和CPR的呈现通常都依赖于冠脉中线,好的中线将是冠脉CTA诊断的关键。
深度学习通过建立具有阶层结构的人工神经网络,在计算系统中实现人工智能。由于阶层结构的人工神经网络能够对输入信息进行逐层提取和筛选,因此深度学习具有表征学习能力,可以实现端到端的监督学习和非监督学习。深度学习所使用的阶层结构的人工神经网络具有多种形态,其阶层的复杂度被通称为“深度”,按构筑类型,深度学习的形式包括多层感知器、卷积神经网络、循环神经网络、深度置信网络和其它混合构筑。深度学习使用数据对其构筑中的参数进行更新以达成训练目标,该过程被通称为“学习”,深度学习提出了一种让计算机自动学习出模式特征的方法,并将特征学习融入到了建立模型的过程中,从而减少了人为设计特征造成的不完备性。
目前,基于深度学习的分割模型提取冠脉CT图像中的冠脉区域,通过分割的冠脉区域进行VR和CPR的呈现成为冠脉CTA图像呈现的常用方法。然而,由于血管的拍摄角度和分割模型的准确度等问题,血管的分割通常会存在一定的假阳,这导致在对分割出的血管进行中线提取时,所得到的中线存在瑕疵或中线假阳等情况,从而不利于及时辅助医生进行血管病变的诊断。
例如,利用分割模型,单独地对冠脉进行分割,分割出的冠脉与主动脉的连接处会出现表面不平滑或部分假阳,这会导致在对冠脉进行中线提取时,所得到的中线存在瑕疵或中线假阳等情况。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1是本申请实施例所提供的一种实施环境的示意图。该实施环境包括CT扫描仪130、服务器120和计算机设备110。计算机设备110可以从CT扫描仪130处获取CT图像,同时,计算机设备110还可以与服务器120之间通过通信网络相连。可选的,通信网络是有线网络或无线网络。
CT扫描仪130用于对人体组织进行X线扫描,得到人体组织的CT图像。在一实施例中,通过CT扫描仪130对胸部进行扫描,可以得到胸部X线正位片,即,胸部CT图像。但是需要说明的是,本申请实施例并不限定CT图像为哪个人体组织的图像,只要包含有像素尺寸相差很大的血管的CT图像均符合要求。
计算机设备110可以是通用型计算机或者由专用的集成电路组成的计算机装置等,本申请实施例对此不做限定。例如,计算机设备110可以是平板电脑等移动终端设备,或者也可以是个人计算机(Personal Computer,PC),比如膝上型便携计算机和台式计算机等等。本领域技术人员可以知晓,上述计算机设备110的数量可以一个或多个,其类型可以相同或者不同。比如上述计算机设备110可以为一个,或者上述计算机设备110为几十个或几百个,或者更多数量。本申请实施例对计算机设备110的数量和设备类型不加以限定。
服务器120是一台服务器,或者由若干台服务器组成,或者是一个虚拟化平台,或者是一个云计算服务中心。
在一些可选的实施例中,计算机设备110中可以部署有分割模型,用于对CT图像中的血管进行分割。计算机设备110可以利用其上部署的分割模型,对其从CT扫描仪130处获取的CT图像中的第一血管和第二血管进行分割,得到包含第一血管和第二血管的分割图像,并对该分割图像中的第一血管和第二血管进行中线提取,得到第一血管的第一中线和第二血管的多个第二中线,然后确定第一中线和多个第二中线的交点,从交点中寻找第二血管的起源点,最后从第一中线和多个第二中线中获取起源点对应的第二中线,从而能够避免提取的血管的中线存在瑕疵或中线假阳。
在一些可选的实施例中,服务器120接收计算机设备110采集到的CT图像,并通过CT图像对神经网络进行训练,以得到分割模型。计算机设备110可以将其从CT扫描仪130获取到的CT图像发送给服务器120,服务器120利用其上训练出的分割模型对CT图像中的第一血管和第二血管进行分割,得到包含第一血管和第二血管的分割图像,并对该分割图像中的第一血管和第二血管进行中线提取,得到第一血管的第一中线和第二血管的多个第二中线,然后确定第一中线和多个第二中线的交点,从交点中寻找第二血管的起源点,并从第一中线和多个第二中线中获取起源点对应的第二中线,最后服务器120将起源点对应的第二中线发送给计算机设备110,以供医护人员查看,从而能够避免提取的血管的中线存在瑕疵或中线假阳。
由于对第一血管和第二血管合并分割,因此,第二血管与第一血管的连接处并不会存在表面的不平滑或部分假阳。同时,对第一血管和第二血管合并提取中线,且通过二者的中线的交点获取第二血管的起源点,因此,第二血管的第二中线也不会存在瑕疵或中线假阳。
图2是本申请一个实施例提供的图像处理系统的框图。如图2所示,该系统包括:
分割模型21,用于对原始医学图像A中的第一血管和第二血管进行分割,得到包含第一血管和第二血管的分割图像B;
中线提取模块22,用于对分割图像B进行中线提取,得到第一血管的第一中线与第二血管的多个第二中线C;
中线处理模块23,用于获取第一血管的第一中线与第二血管的多个第二中线C的多个交点,并根据多个交点,获取第二血管的起源点,再从第一中线和多个第二中线中获取起源点对应的第二中线D;
中线树建立模块24,用于根据起源点和起源点对应的第二中线D的顶点,通过最短路径,获取起源点对应的中线树E;
假阳去除模块25,用于根据中线树E去除第二中线的中线假阳,以得到去除假阳的第二中线F。
参照图2中带箭头实线所示的数据流向,以此方式来获得本实施例中的去除假阳的第二中线F。
示例性方法
图3是本申请一个实施例提供的图像处理方法的流程示意图。图3所述的方法由计算设备(例如,服务器)来执行,但本申请实施例不以此为限。服务器可以是一台服务器,或者由若干台服务器组成,或者是一个虚拟化平台,或者是一个云计算服务中心,本申请实施例对此不作限定。如图3所示,该方法包括如下内容。
S310:获取第一血管的第一中线与第二血管的多个第二中线的多个交点,其中,所述第一血管的像素尺寸大于所述第二血管的像素尺寸。
在一实施例中,如图4所示,第一血管41可以为主动脉,第二血管42为冠脉,但是本申请实施例对此并不作具体限定,只要第一血管的像素尺寸比第二血管的像素尺寸大即可,第一血管还可以为肺动脉,第二血管为肺静脉。
在一实施例中,可以将原始医学图像输入分割模型,获得包含第一血管和第二血管的分割图像;对分割图像中的第一血管和第二血管进行中线提取,以获得合并在一起的第一血管的第一中线和第二血管的多个第二中线。
在一实施例中,该原始医学图像可以是通过计算机断层扫描摄影(ComputedTomography,CT)、计算机X线摄影(Computed Radiography,CR)、数字化X线摄影(DigitalRadiography,DR)、核磁共振或超声等技术直接获得的影像。
在一实施例中,该原始医学图像也可以是指经过预处理后的图像,预处理后的图像可以是指对原始医学图像进行预处理后,得到的医学影像。但是本申请实施例并不具体限定预处理的具体实现方式,预处理可以是指灰度归一化、去噪处理或图像增强处理等。
在一实施例中,该原始医学图像可以是三维平扫CT影像,本申请实施例对此并不作具体限定。
在一实施例中,该分割模型可以采用UNet-3D分割模型,但是本申请实施例对此并不作具体限定。该分割模型的分割属于像素级的3D分割,分割出的分割图像为二值图像,即,第一血管标记为1,第二血管标记为2,背景标记为0。
如图4所示为分割图像的示意图,该分割图像包括第一血管41和第二血管42。
该分割图像包含第一血管和第二血管,也就是说,并没有对第二血管进行单独地分割,而是将第一血管和第二血管合并分割,是因为第一血管与第二血管的连接处通常较为粗糙,容易产生假阳,从而避免了第二血管与第一血管的连接处的表面不平滑或部分假阳。
在一实施例中,可以采用骨架提取方法,例如,skimage中的skeletonize函数,对第一血管和第二血管进行中线提取,但是本申请实施例对此并不作具体限定。
将第一血管和第二血管合并提取中线,而不单独地对第二血管进行中线提取,是因为第一血管与第二血管的连接处通常较为粗糙,容易产生假阳,而将第一血管和第二血管合并提取中线能够在第一血管与第二血管的连接处得到很好的中线,从而避免了第二血管的第二中线的瑕疵或中线假阳。
如图5所示,第一血管的第一中线51位于虚线框内,其余的中线为第二血管的多个第二中线52。
但是需要说明的是,本申请实施例并不具体限定多个第二中线的数量,本申请实施例也并不具体限定多个交点的数量,一个交点可以对应多个第二中线,一个交点也可以对应一个第二中线。如图6所示,交点A、B和D对应多个第二中线,也就是说,从交点A、B和D处沿箭头方向有多个分叉,每个分叉作为一个第二中线;交点C对应一个第二中线,也就是说,从交点C处沿箭头方向无分叉。
S320:根据所述多个交点,获取所述第二血管的起源点,其中,所述起源点选自所述多个交点。
在一实施例中,从多个交点中筛选第二血管的起源点,多个交点均可以作为第二血管的起源点,也可以是多个交点中的部分交点作为第二血管的起源点,本申请实施例对此并不作具体限定。
可以通过预设规则判断多个交点中的哪些交点可以作为第二血管的起源点,但是本申请实施例对预设规则并不作具体限定,本领域技术人员可以根据实际需求,进行不同的选择。
S330:从所述第一中线和所述多个第二中线中获取所述起源点对应的第二中线。
在一实施例中,在得到了第二血管的起源点后,根据起源点递归出每个起源点对应的第二中线,即,去除第一中线和其他交点(非起源点)对应的第二中线,保留起源点对应的第二中线。
因此,相比于仅通过第二血管和第一血管的位置关系来确定第二血管的起源点,本申请通过合并在一起的第一中线和多个第二中线的交点,可以更准确地得到第二血管的起源点,再从第一中线和多个第二中线中提取起源点对应的第二中线,能够更加准确地得到第二血管的第二中线,从而消除第一血管和第二血管的连接处的瑕疵或中线假阳。
在本申请的另一个实施例中,如图7所示,步骤S320包括如下内容。
S710:确定所述多个第二中线对应的连通域所包含的交点的个数。
在一实施例中,多个第二中线中的部分第二中线可以对应一个连通域,多个第二中线中的一个第二中线也可以对应一个连通域,本申请对连通域的构成并不作具体限定。
如图6所示,交点A和B处沿箭头方向有多个第二中线,这些第二中线是相互连通的,因此,这些第二中线对应的连通域所包含的交点的个数为两个;交点C处沿箭头方向有一个第二中线,这一个第二中线对应的连通域所包含的交点的个数为一个;交点D处沿箭头方向有多个第二中线,这些第二中线是相互连通的,因此,这些第二中线对应的连通域所包含的交点的个数为一个。
但是需要说明的是,本申请实施例并不具体限定多个第二中线对应的连通域所包含的交点的个数,可以为一个,也可以为两个,还可以为两个以上。
S720:当所述连通域所包含的交点为至少两个交点时,在所述至少两个交点中保留一个交点作为所述第二血管的起源点。
在一实施例中,由于一个连通域只能对应一个起源点,因此,当连通域所包含的交点为至少两个交点时,在至少两个交点中保留一个交点作为第二血管的起源点。
也就是说,如图6所示的交点A和B,其对应的是一个连通域,那么交点A和B中只能保留其中一个交点作为起源点。
但是需要说明的是,本申请实施例并不具体限定如何在至少两个交点中保留一个交点作为第二血管的起源点,本领域技术人员可以根据实际需求,进行不同的选择。
S730:当所述连通域所包含的交点为一个交点时,确定所述交点为所述第二血管的起源点。
在一实施例中,当连通域所包含的交点为一个交点时,那么该交点可以作为第二血管的起源点。
也就是说,如图6所示的交点C或D,其对应的是一个连通域,那么连通域所包含的该交点可以作为第二血管的起源点。
因此,通过确定多个第二中线对应的连通域所包含的交点的个数,可以对多个交点进行归类,以得出多个交点中的哪些交点为起源点,哪些交点不是起源点,从而更准确地得到第二血管的起源点,进而能够更加准确地得到第二血管的第二中线。
在本申请的另一个实施例中,步骤S720包括:确定所述至少两个交点中的每个交点处的第二血管的内切球的像素尺寸的大小;确定像素尺寸最大的内切球对应的交点为所述第二血管的起源点。
由于起源点处的第二血管的像素尺寸相比于其他位置的第二血管的像素尺寸要大,因此,可以通过最大内切球原则,确定保留至少两个交点中的哪个交点作为第二血管的起源点。
在一实施例中,确定至少两个交点中的每个交点处的第二血管的内切球的像素尺寸的大小,该像素尺寸可以是指内切球的直径,本申请实施例对此并不作具体限定。
在一实施例中,判断至少两个交点中的每个交点处的第二血管的内切球的像素尺寸的大小关系,以在至少两个交点中确定出像素尺寸最大的内切球对应的交点,将其确定为第二血管的起源点。
如图6所示的交点A和B,很明显,在如图4所示的第二血管42中,交点B处的第二血管的像素尺寸远大于交点A处的第二血管的像素尺寸,即,交点A处的第二血管比交点B处的第二血管粗。因此,确定交点B为第二血管的起源点,而交点A为第二血管的一个分支的顶点。
因此,通过从第一中线和多个第二中线的多个交点中提取第二血管的起源点,并通过最大内切球的方式,能够去除多个交点中的起源点假阳,得到第二血管的起源点,即,第二血管的起源点分别为交点B、C和D,其对应的第二中线构成了第二血管的最终的中线。
在本申请的另一个实施例中,如图8所示,所述方法还包括如下内容。
S810:根据所述起源点和所述起源点对应的第二中线的顶点,通过最短路径,获取所述起源点对应的中线树。
示例地,如图9的左侧所示,将起源点对应的每条第二中线建立成无向图,即,起源点E到起源点E对应的一个第二中线的顶点J存在两条路径,即,路径1:E→F→G→H→J,路径2:E→F→H→J,通过dijkstra算法得出最短路径为路径2;起源点E到起源点E对应的另一个第二中线的顶点I也存在两条路径,即,路径3:E→F→G→H→I,路径4:E→F→H→I,通过dijkstra算法得出最短路径为路径4。但是需要说明的是,本申请实施例对求得最短路径的算法并不作具体限定。
除此之外,还存在一个点K,但是由于点K到点K’的像素距离很小,几乎可以忽略不计,因此,点K并不能够构成起源点对应的第二中线的顶点。
因此,如图9的右侧所示,起源点E对应的路径2和路径4共同构成起源点E对应的中线树。
S820:根据所述中线树去除所述第二中线的中线假阳。
在一实施例中,如图9所示,起源点E对应的中线树中并不包含F→G和G→H,因此,通过最短路径的方式所得到的中线树可以将第二中线的环形假阳去除,即,将F→G和G→H所构成的环形假阳删除。
在一实施例中,如图9所示,起源点E对应的中线树中并不包含K’→K,该K’→K的出现是由于第二血管分割过程中产生表面不平滑或者假阳区域,从而造成了中线假阳,因此,通过中线树,可以将第二中线的末端假阳去除,即,将K’→K构成的末端假阳删除。
综上,通过本申请的图像处理方法,能够自动并快速地获取到第二血管的第二中线。
示例性装置
图10所示为本申请一个实施例提供的图像处理装置的框图。如图10所示,该装置1000包括:
交点获取模块1010,配置为获取第一血管的第一中线与第二血管的多个第二中线的多个交点,其中,所述第一血管的像素尺寸大于所述第二血管的像素尺寸;
起源点获取模块1020,配置为根据所述多个交点,获取所述第二血管的起源点,其中,所述起源点选自所述多个交点;
中线获取模块1030,配置为从所述第一中线和所述多个第二中线中获取所述起源点对应的第二中线。
因此,相比于仅通过第二血管和第一血管的位置关系来确定第二血管的起源点,本申请通过合并在一起的第一中线和多个第二中线的交点,可以更准确地得到第二血管的起源点,再从第一中线和多个第二中线中提取起源点对应的第二中线,能够更加准确地得到第二血管的第二中线,从而消除第一血管和第二血管的连接处的瑕疵或中线假阳。
在本申请另一个实施例中,起源点获取模块1020进一步配置为:确定所述多个第二中线对应的连通域所包含的交点的个数;当所述连通域所包含的交点为至少两个交点时,在所述至少两个交点中保留一个交点作为所述第二血管的起源点;当所述连通域所包含的交点为一个交点时,确定所述交点为所述第二血管的起源点。
在本申请另一个实施例中,起源点获取模块1020进一步配置为:确定所述至少两个交点中的每个交点处的第二血管的内切球的像素尺寸的大小;确定像素尺寸最大的内切球对应的交点为所述第二血管的起源点。
在本申请另一个实施例中,如图11所示,图10所示的装置还包括:
建立模块1040,配置为根据所述起源点和所述起源点对应的第二中线的顶点,通过最短路径,获取所述起源点对应的中线树;
去除模块1050,配置为根据所述中线树去除所述第二中线的中线假阳。
在本申请另一个实施例中,所述中线假阳包括所述第二中线的环状假阳和/或所述第二中线的末端假阳。
在本申请另一个实施例中,如图12所示,图10所示的装置还包括:
分割模块1060,配置为将原始医学图像输入分割模型,获得包含所述第一血管和所述第二血管的分割图像;
中线提取模块1070,配置为对所述分割图像中的所述第一血管和所述第二血管进行中线提取,以获得合并在一起的所述第一血管的第一中线和所述第二血管的多个第二中线。
该分割图像包含第一血管和第二血管,也就是说,并没有对第二血管进行单独地分割,而是将第一血管和第二血管合并分割,是因为第一血管与第二血管的连接处通常较为粗糙,容易产生假阳,从而避免了第二血管与第一血管的连接处的表面不平滑或部分假阳。
将第一血管和第二血管合并提取中线,而不单独地对第二血管进行中线提取,是因为第一血管与第二血管的连接处通常较为粗糙,容易产生假阳,而将第一血管和第二血管合并提取中线能够在第一血管与第二血管的连接处得到很好的中线,从而避免了第二血管的第二中线的瑕疵或中线假阳。
在本申请另一个实施例中,所述第一血管为主动脉,所述第二血管为冠脉。
示例性电子设备
下面,参考图13来描述根据本申请实施例的电子设备。图13图示了根据本申请实施例的电子设备的框图。
如图13所示,电子设备1300包括一个或多个处理器1310和存储器1320。
处理器1310可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备1300中的其他组件以执行期望的功能。
存储器1320可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器1310可以运行所述程序指令,以实现上文所述的本申请的各个实施例的图像处理方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以第一中线、第二中线以及分割图像等各种内容。
在一个示例中,电子设备1300还可以包括:输入装置1330和输出装置1340,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如,该输入装置1330可以是上述的麦克风或麦克风阵列,用于捕捉声源的输入信号。在该电子设备是单机设备时,该输入装置1330可以是通信网络连接器。
此外,该输入设备1330还可以包括例如键盘、鼠标等等。
该输出装置1340可以向外部输出各种信息,包括确定出的第二血管的第二中线等。该输出设备1340可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图13中仅示出了该电子设备1300中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备1300还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的图像处理方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的图像处理方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种图像处理方法,其特征在于,包括:
获取第一血管的第一中线与第二血管的多个第二中线的多个交点,其中,所述第一血管的像素尺寸大于所述第二血管的像素尺寸;
根据所述多个交点,获取所述第二血管的起源点,其中,所述起源点选自所述多个交点;
从所述第一中线和所述多个第二中线中获取所述起源点对应的第二中线。
2.根据权利要求1所述的方法,其特征在于,所述根据所述多个交点,获取所述第二血管的起源点,包括:
确定所述多个第二中线对应的连通域所包含的交点的个数;
当所述连通域所包含的交点为至少两个交点时,在所述至少两个交点中保留一个交点作为所述第二血管的起源点;
当所述连通域所包含的交点为一个交点时,确定所述交点为所述第二血管的起源点。
3.根据权利要求2所述的方法,其特征在于,所述在所述至少两个交点中保留一个交点作为所述第二血管的起源点,包括:
确定所述至少两个交点中的每个交点处的第二血管的内切球的像素尺寸的大小;
确定像素尺寸最大的内切球对应的交点为所述第二血管的起源点。
4.根据权利要求1至3中任一项所述的方法,其特征在于,还包括:
根据所述起源点和所述起源点对应的第二中线的顶点,通过最短路径,获取所述起源点对应的中线树;
根据所述中线树去除所述第二中线的中线假阳。
5.根据权利要求4所述的方法,其特征在于,所述中线假阳包括所述第二中线的环状假阳和/或所述第二中线的末端假阳。
6.根据权利要求1至3中任一项所述的方法,其特征在于,还包括:
将原始医学图像输入分割模型,获得包含所述第一血管和所述第二血管的分割图像;
对所述分割图像中的所述第一血管和所述第二血管进行中线提取,以获得合并在一起的所述第一血管的第一中线和所述第二血管的多个第二中线。
7.根据权利要求1至3中任一项所述的方法,其特征在于,所述第一血管为主动脉,所述第二血管为冠脉。
8.一种图像处理装置,其特征在于,包括:
交点获取模块,配置为获取第一血管的第一中线与第二血管的多个第二中线的多个交点,其中,所述第一血管的像素尺寸大于所述第二血管的像素尺寸;
起源点获取模块,配置为根据所述多个交点,获取所述第二血管的起源点,其中,所述起源点选自所述多个交点;
中线获取模块,配置为从所述第一中线和所述多个第二中线中获取所述起源点对应的第二中线。
9.一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于执行上述权利要求1至7中任一项所述的图像处理方法。
10.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1至7中任一项所述的图像处理方法。
CN202110374020.5A 2021-04-07 2021-04-07 图像处理方法及装置、电子设备及存储介质 Active CN113096091B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110374020.5A CN113096091B (zh) 2021-04-07 2021-04-07 图像处理方法及装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110374020.5A CN113096091B (zh) 2021-04-07 2021-04-07 图像处理方法及装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113096091A true CN113096091A (zh) 2021-07-09
CN113096091B CN113096091B (zh) 2022-02-08

Family

ID=76674750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110374020.5A Active CN113096091B (zh) 2021-04-07 2021-04-07 图像处理方法及装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113096091B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004313736A (ja) * 2003-04-02 2004-11-11 Ziosoft Inc 医用画像処理装置、医用画像処理方法、および、プログラム
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
CN110415219A (zh) * 2019-07-04 2019-11-05 杭州深睿博联科技有限公司 基于深度分割网络的医学图像处理方法及装置、设备、存储介质
CN110473172A (zh) * 2019-07-24 2019-11-19 上海联影智能医疗科技有限公司 医学图像解剖中线确定方法、计算机设备和存储介质
CN110706272A (zh) * 2019-10-17 2020-01-17 上海微创医疗器械(集团)有限公司 血管中心线的提取方法、装置、电子设备和存储介质
CN111383259A (zh) * 2020-03-02 2020-07-07 联影智能医疗科技(北京)有限公司 图像分析方法、计算机设备和存储介质
CN112017167A (zh) * 2020-08-24 2020-12-01 杭州深睿博联科技有限公司 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
CN112132981A (zh) * 2020-09-23 2020-12-25 推想医疗科技股份有限公司 图像处理的方法及装置,电子设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004313736A (ja) * 2003-04-02 2004-11-11 Ziosoft Inc 医用画像処理装置、医用画像処理方法、および、プログラム
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
CN110415219A (zh) * 2019-07-04 2019-11-05 杭州深睿博联科技有限公司 基于深度分割网络的医学图像处理方法及装置、设备、存储介质
CN110473172A (zh) * 2019-07-24 2019-11-19 上海联影智能医疗科技有限公司 医学图像解剖中线确定方法、计算机设备和存储介质
CN110706272A (zh) * 2019-10-17 2020-01-17 上海微创医疗器械(集团)有限公司 血管中心线的提取方法、装置、电子设备和存储介质
CN111383259A (zh) * 2020-03-02 2020-07-07 联影智能医疗科技(北京)有限公司 图像分析方法、计算机设备和存储介质
CN112017167A (zh) * 2020-08-24 2020-12-01 杭州深睿博联科技有限公司 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
CN112132981A (zh) * 2020-09-23 2020-12-25 推想医疗科技股份有限公司 图像处理的方法及装置,电子设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ERHAN BAS ET AL: "Automated extraction of blood vessel networks from 3D microscopy image stacks via multi-scale principal curve tracing", 《2011 IEEE INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING: FROM NANO TO MACRO》 *
王胜军等: "一种基于管状特征的冠脉中心线自动提取算法", 《东北大学学报(自然科学版)》 *
董娜娜: "提取血管与血管中心线的算法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)医药卫生科技辑》 *

Also Published As

Publication number Publication date
CN113096091B (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
US10452957B2 (en) Image classification apparatus, method, and program
US11389130B2 (en) System and methods for fast computation of computed tomography based fractional flow reserve
JP2022070934A (ja) ステント検出方法
CN113066090B (zh) 血管分割模型的训练方法及装置、应用方法及装置
EP3975117A1 (en) Image segmentation method and apparatus, and training method and apparatus for image segmentation model
JP2011212156A (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
JP2011098195A (ja) 構造物検出装置および方法ならびにプログラム
CN111178420B (zh) 一种二维造影图像上冠脉段标注方法及系统
EP3564963B1 (en) System and methods for fast computation of computed tomography based fractional flow reserve
CN114359205B (zh) 头颈血管分析方法、装置、存储介质及电子设备
CN117115150B (zh) 用于确定分支血管的方法、计算设备和介质
CN111524109B (zh) 头部医学影像的评分方法和装置、电子设备及存储介质
US20240005510A1 (en) Method and apparatus of nidus segmentation, electronic device, and storage medium
JP2020062355A (ja) 画像処理装置、データ生成装置及びプログラム
WO2022071264A1 (ja) プログラム、モデル生成方法、情報処理装置及び情報処理方法
CN112132981A (zh) 图像处理的方法及装置,电子设备及存储介质
CN113096091B (zh) 图像处理方法及装置、电子设备及存储介质
US20230222668A1 (en) Image processing apparatus, image processing method, and recording medium
CN114565623B (zh) 肺血管分割方法、装置、存储介质及电子设备
WO2022071208A1 (ja) 情報処理装置、情報処理方法、プログラム、モデル生成方法及び訓練データ生成方法
WO2022071265A1 (ja) プログラム、情報処理装置及び情報処理方法
JP7490045B2 (ja) プログラム、情報処理方法、情報処理装置及びモデル生成方法
JP2014188127A (ja) 手術支援装置、方法およびプログラム
KR102000615B1 (ko) 관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치
WO2022202310A1 (ja) プログラム、画像処理方法及び画像処理装置

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