CN113160189A - 血管中心线提取方法、装置、设备及存储介质 - Google Patents

血管中心线提取方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113160189A
CN113160189A CN202110460939.6A CN202110460939A CN113160189A CN 113160189 A CN113160189 A CN 113160189A CN 202110460939 A CN202110460939 A CN 202110460939A CN 113160189 A CN113160189 A CN 113160189A
Authority
CN
China
Prior art keywords
blood vessel
energy
vessel
image
dimensional
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
CN202110460939.6A
Other languages
English (en)
Other versions
CN113160189B (zh
Inventor
宋佳宁
刘畅
刘嘉
张攀登
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202110460939.6A priority Critical patent/CN113160189B/zh
Publication of CN113160189A publication Critical patent/CN113160189A/zh
Application granted granted Critical
Publication of CN113160189B publication Critical patent/CN113160189B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请适用于图像处理技术领域，提供了一种血管中心线提取方法、装置、设备及存储介质。该方法包括：根据血管影像进行血管三维重建，得到三维血管图像；对三维血管图像中的血管进行中心线提取，得到第一血管中心线；确定第一血管中心线中断连部分的端点；对第一血管中心线中断连部分的端点进行连接，得到第二血管中心线。如此，可以从血管影像中提取出连续的血管中心线，保证了提取的血管中心线的完整性。

Description

血管中心线提取方法、装置、设备及存储介质
技术领域
本申请属于图像处理技术领域，尤其涉及一种血管中心线提取方法、装置、设备及存储介质。
背景技术
血管中心线与血管具有相同的拓扑和相似的几何形状，可以很好的反应血管走向和血管的空间结构，因此，从血管影像中提取血管中心线有助于诊断、治疗和监测血管疾病。其中，血管可以为动脉血管或静脉血管等，动脉血管可以为冠状动脉血管等。
相关技术中，对于获取的血管影像，可以先通过卷积神经网络对血管影像进行图像分割，再根据图像分割结果进行血管三维重建，得到三维血管图像。然后由用户指定血管的端点，根据用户指定的端点，对三维血管图像中的血管进行中心线提取，得到血管中心线。
但是，由于血管拓扑结构复杂，且血管特别细小，血管半径仅有0.5毫米-3毫米左右，再加上血管影像中存在成像伪影、以及图像分割算法误差等干扰因素，从三维血管图像中提取的血管中心线在远端部分可能会存在很多断连的地方，导致提取的血管中心线不连续，无法获取完整的血管中心线。
发明内容
本申请实施例提供了一种血管中心线提取方法、装置、设备及存储介质，可以解决相关技术中提取的血管中心线不连续，无法获取完整的血管中心线的问题。
第一方面，本申请实施例提供了一种血管中心线提取方法，包括：
根据血管影像进行血管三维重建，得到三维血管图像；
对所述三维血管图像中的血管进行中心线提取，得到第一血管中心线；
确定所述第一血管中心线中断连部分的端点；
对所述第一血管中心线中断连部分的端点进行连接，得到第二血管中心线。
可选地，所述根据血管影像进行血管三维重建，得到三维血管图像，包括：
获取所述血管影像的多层切片图像；
通过全卷积密集网络模型，对所述多层切片图像分别进行图像分割，得到与所述多层切片图像一一对应的多个二维血管图像；
根据所述多个二维血管图像进行血管三维重建，得到所述三维血管图像。
可选地，所述确定所述第一血管中心线中断连部分的端点，包括：
确定所述第一血管中心线中各个分支的端点，得到多个端点；
以所述多个端点为顶点、所述多个端点中每两个端点的欧几里得距离作为对应顶点的权重边，构建权重边无向图；
确定所述权重边无向图的最小生成树，所述最小生成树为所述权重边无向图中权重边之和最小的子图；
将所述多个端点中与所述最小生成树中多个顶点对应且未按照所述多个顶点的连接方式进行连接的端点确定为断连部分的端点。
可选地，所述对所述第一血管中心线中断连部分的端点进行连接，得到第二血管中心线，包括：
按照所述最小生成树中与所述断裂部分的端点对应的顶点的连接方式，对所述第一血管中心线中断连部分的端点进行连接，得到所述第二血管中心线。
可选地，所述按照所述最小生成树中与所述断裂部分的端点对应的顶点的连接方式，对所述第一血管中心线中断连部分的端点进行连接，包括：
若按照所述最小生成树中与所述断裂部分的端点对应的顶点的连接方式，确定所述第一血管中心线中断连部分的端点中的两个端点需要进行连接，且所述两个端点满足预设限制条件，则将所述两个端点进行连接。
可选地，所述预设限制条件包括以下条件中的一种或多种：
两个端点的切线向量之间的夹角大于或等于角度阈值；
两个端点的距离小于或等于距离阈值。
可选地，所述对所述第一血管中心线中断裂的端点进行连接，得到第二血管中心线之后，还包括：
根据所述三维血管图像，生成血管能量图，所述血管能量图中血管部分的能量大小与离背景的距离对应；
根据所述血管能量图对所述第二血管中心线进行修正，得到第三血管中心线。
可选地，所述根据所述三维血管图像，生成血管能量图，包括：
对所述三维血管图像进行距离变换，得到第一能量图，所述第一能量图中离背景越远的血管部分的能量越大；将所述第一能量图确定为所述血管能量图；
或者，
对所述三维血管图像进行距离变换，得到第一能量图，所述第一能量图中离背景越远的血管部分的能量越大；对所述第一能量图进行取反处理，得到所述血管能量图，所述血管能量图中离背景越远的血管部分的能量越小；
或者，
对所述血管影像进行血管增强，得到第一管状结构图；对所述三维血管图像进行距离变换，得到第一能量图，所述第一能量图中离背景越远的血管部分的能量越大；根据所述第一管状结构图和所述第一能量图，生成所述血管能量图。
可选地，所述根据所述第一管状结构图和所述第一能量图，生成所述血管能量图，包括：
对所述第一管状结构图和所述第一能量图进行融合处理，得到所述血管能量图，所述血管能量图中离背景越远的血管部分的能量越大；
或者，
对所述第一管状结构图进行取反处理，得到第二管状结构图，以及对所述第一能量图进行取反处理，得到第二能量图；对所述第二管状结构图和所述第二能量图进行融合处理，得到所述血管能量图，所述血管能量图中离背景越远的血管部分的能量越小。
可选地，所述根据所述血管能量图对所述第二血管中心线进行修正，得到第三血管中心线，包括：
根据所述血管能量图，构建所述第二血管中心线的目标能量函数；
根据所述目标能量函数，对所述第二血管中心线进行修正，得到第三血管中心线。
可选地，所述根据所述血管能量图构建所述第二血管中心线的目标能量函数，包括：
根据所述血管能量图，生成所述第二血管中心线的能量函数，将所述第二血管中心线的能量函数确定为所述目标能量函数；
或者，
根据所述血管能量图，生成所述第二血管中心线的能量函数；根据所述能量函数、预设曲线长度约束条件以及预设曲率约束条件，构建所述目标能量函数。
可选地，所述根据所述目标能量函数，对所述第二血管中心线进行修正，得到第三血管中心线，包括：
若所述血管能量图中离背景越远的血管部分的能量越大，则以所述目标能量函数最大化为调整目标，对所述第二血管中心线进行调整，得到所述第三血管中心线；
若所述血管能量图中离背景越远的血管部分的能量越小，则以所述目标能量函数最小化为调整目标，对所述第二血管中心线进行调整，得到所述第三血管中心线。
第二方面，本申请实施例提供了一种血管中心线提取装置，包括：
重建模块，用于根据血管影像进行血管三维重建，得到三维血管图像；
提取模块，用于对所述三维血管图像中的血管进行中心线提取，得到第一血管中心线；
确定模块，用于确定所述第一血管中心线中断连部分的端点；
连接模块，用于对所述第一血管中心线中断连部分的端点进行连接，得到第二血管中心线。
可选地，所述重建模块用于：
获取所述血管影像的多层切片图像；
通过全卷积密集网络模型，对所述多层切片图像分别进行图像分割，得到与所述多层切片图像一一对应的多个二维血管图像；
根据所述多个二维血管图像进行血管三维重建，得到所述三维血管图像。
可选地，所述确定模块用于：
确定所述第一血管中心线中各个分支的端点，得到多个端点；
以所述多个端点为顶点、所述多个端点中每两个端点的欧几里得距离作为对应顶点的权重边，构建权重边无向图；
确定所述权重边无向图的最小生成树，所述最小生成树为所述权重边无向图中权重边之和最小的子图；
将所述多个端点中与所述最小生成树中多个顶点对应且未按照所述多个顶点的连接方式进行连接的端点确定为断连部分的端点。
可选地，所述连接模块用于：
按照所述最小生成树中与所述断裂部分的端点对应的顶点的连接方式，对所述第一血管中心线中断连部分的端点进行连接，得到所述第二血管中心线。
可选地，所述连接模块用于：
若按照所述最小生成树中与所述断裂部分的端点对应的顶点的连接方式，确定所述第一血管中心线中断连部分的端点中的两个端点需要进行连接，且所述两个端点满足预设限制条件，则将所述两个端点进行连接。
可选地，所述预设限制条件包括以下条件中的一种或多种：
两个端点的切线向量之间的夹角大于或等于角度阈值；
两个端点的距离小于或等于距离阈值。
可选地，所述装置还包括：
生成模块，用于根据所述三维血管图像，生成血管能量图，所述血管能量图中血管部分的能量大小与离背景的距离对应；
修正模块，用于根据所述血管能量图对所述第二血管中心线进行修正，得到第三血管中心线。
可选地，所述生成模块用于：
对所述三维血管图像进行距离变换，得到第一能量图，所述第一能量图中离背景越远的血管部分的能量越大；将所述第一能量图确定为所述血管能量图；
或者，
对所述三维血管图像进行距离变换，得到第一能量图，所述第一能量图中离背景越远的血管部分的能量越大；对所述第一能量图进行取反处理，得到所述血管能量图，所述血管能量图中离背景越远的血管部分的能量越小；
或者，
对所述血管影像进行血管增强，得到第一管状结构图；对所述三维血管图像进行距离变换，得到第一能量图，所述第一能量图中离背景越远的血管部分的能量越大；根据所述第一管状结构图和所述第一能量图，生成所述血管能量图。
可选地，所述生成模块用于：
对所述第一管状结构图和所述第一能量图进行融合处理，得到所述血管能量图，所述血管能量图中离背景越远的血管部分的能量越大；
或者，
对所述第一管状结构图进行取反处理，得到第二管状结构图，以及对所述第一能量图进行取反处理，得到第二能量图；对所述第二管状结构图和所述第二能量图进行融合处理，得到所述血管能量图，所述血管能量图中离背景越远的血管部分的能量越小。
可选地，所述修正模块用于：
根据所述血管能量图，构建所述第二血管中心线的目标能量函数；
根据所述目标能量函数，对所述第二血管中心线进行修正，得到第三血管中心线。
可选地，所述修正模块用于：
根据所述血管能量图，生成所述第二血管中心线的能量函数，将所述第二血管中心线的能量函数确定为所述目标能量函数；
或者，
根据所述血管能量图，生成所述第二血管中心线的能量函数；根据所述能量函数、预设曲线长度约束条件以及预设曲率约束条件，构建所述目标能量函数。
可选地，所述修正模块用于：
若所述血管能量图中离背景越远的血管部分的能量越大，则以所述目标能量函数最大化为调整目标，对所述第二血管中心线进行调整，得到所述第三血管中心线；
若所述血管能量图中离背景越远的血管部分的能量越小，则以所述目标能量函数最小化为调整目标，对所述第二血管中心线进行调整，得到所述第三血管中心线。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的血管中心线提取方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的血管中心线提取方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的血管中心线提取方法。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例中，通过根据血管影像进行血管三维重建，得到三维血管图像，对三维血管图像中的血管进行中心线提取，得到血管中心线之后，自动确定血管中心线中断连部分的端点，并对血管中心线中断连部分的端点进行连接，可以得到连续的血管中心线，保证了提取的血管中心线的完整性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种血管中心线提取方法的流程图；
图2是本申请实施例提供的一种对血管造影图像进行图像分割和三维重建的示意图；
图3是本申请实施例提供的一种对血管中心线中断连部分的端点进行连接的示意图；
图4是本申请实施例提供的一种血管中心线的局部示意图；
图5是本申请实施例提供的一种血管能量图的投影示意图；
图6是本申请实施例提供的一种血管中心线提取装置的结构示意图；
图7是本申请实施例提供的一种计算机设备的结构框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
首先，对本申请实施例涉及的应用场景和实施环境进行说明。
本申请实施例提供的血管中心线提取方法可以应用于提取目标血管的中心线的场景中。其中，目标血管可以为动脉血管和/静脉血管。比如，目标血管可以为冠状动脉血管或颅内血管等。另外，可以应用于从血管影像中提取目标血管的中心线，血管影像可以为血管造影图像、核磁共振影像或血管内超声影像等医学影像。
另外，本申请实施例提供的血管中心线提取方法可以应用于计算机设备中，该计算机设备可以为手机、平板电脑或台式计算机等，本申请实施例对该计算机设备的具体类型不作任何限制。比如，该计算机设备可以为与血管影像的采集设备进行连接，用于从采集设备采集的血管影像中提取目标血管的中心线。或者，该计算机设备也可以集成在血管影像的采集设备中，本申请实施例对此不做限定。
接下来，对本申请实施例提供的血管中心线提取方法进行详细说明。
图1是本申请实施例提供的一种血管中心线提取方法的流程图，该方法应用于计算机设备中，如图1所示，该方法包括如下步骤：
步骤101：根据血管影像进行血管三维重建，得到三维血管图像。
其中，血管影像是指对被检者的血管进行检测得到的医学影像。比如，血管影像可以为血管造影图像、核磁共振影像或血管内超声影像等。血管造影图像是指在被检者的血管中注入造影剂后对被检者进行扫描处理得到的三维立体影像。比如，血管造影图像可以为CTA(Computed Tomography Angiography，计算机断层扫描血管造影)图像。
其中，三维血管图像中的血管可以为预先设置的目标血管，如动脉血管或静脉血管，动脉血管可以为冠状动脉血管等。也即是，三维血管图像可以为目标血管的三维血管图像。比如，三维血管图像为冠状动脉血管的三维血管图像，以便后续提取冠状动脉血管的中心线。或者，三维血管图像为颅内血管的三维血管图像，以便后续提取颅内血管的中心线。本申请实施例对三维血管图像中的血管类型不做限定。
为了生成准确清晰的三维血管图像，在根据血管影像进行血管三维重建时，通常需要先对血管影像进行图像分割，以得到目标血管的血管图像。再根据目标血管的血管图像进行血管三维重建，得到目标血管的三维血管图像。
作为一个示例，可以先获取血管影像的多层切片图像，然后对多层切片图像分别进行图像分割，得到与多层切片图像一一对应的多个二维血管图像，再根据多个二维血管图像进行血管三维重建，得到三维血管图像。
其中，多个二维血管图像可以为目标血管的二维血管图像，如冠状动脉的二维血管图像。多层切片图像的图像数量可以预先设置，比如可以预先设置为275。
作为一个示例，为了提高图像分割的准确性，可以通过深度学习网络模型对多层切片图像分别进行图像分割。其中，该深度学习网络模型可以为密集网络(DenseNet)模型，比如可以为全卷积密集网络(Full Convolution-DenseNet，FC-DenseNet)模型等。当然，该深度学习网络模型也可以为其他网络模型，本申请实施例对此不做限定。
其中，全卷积密集网络是一种具有密集连接的卷积神经网络，可以很好地适应血管的复杂树形结构以及血管分支直径从近端部分到远端部分的显著差异，因此采用全卷积密集网络模型对血管影像进行图像分割，可以从血管影像中分割出较为完整的血管结构以及远端部分的细小血管，从而在最大程度上提取出血管的所有分支避免遗漏，进而提高了血管分割的准确性。
请参考图2，图2是本申请实施例提供的一种对血管造影图像进行图像分割和三维重建的示意图。如图2所示，可以获取血管造影图像的275层切片图像，将这275层切片图像分别输入至全卷积密集网络模型，通过全卷积密集网络模型对这275层切片图像分别进行图像分割，得到与这275层切片图像一一对应的275个冠状动脉的二维血管图像。然后根据这275个冠状动脉的二维血管图像进行血管三维重建，得到冠状动脉的三维血管图像。
其中，该深度学习网络模型可以预先根据样本数据进行训练得到。其中，该样本数据可以包括样本血管影像的多个样本切片图像，以及每个样本切片图像对应的样本二维血管图像。其中，样本切片图像对应的样本二维血管图像可以由人工对样本切片图像中的血管分支进行标注得到。
比如，以血管为管状动脉血管为例，可以先收集冠状动脉数据集，冠状动脉数据集包括多个冠状动脉的血管造影图像，每个冠状动脉的血管造影图像包括275层切片图像。然后，使用软件对冠状动脉数据集进行仔细的人工标注，以尽可能标注出每个切片图像中所有可见的冠状动脉分支。然后根据标注后的冠状动脉数据集对待训练的深度学习网络模型进行训练，以得到训练好的深度学习网络模型。在模型训练完成后，将血管造影图像的多层切片图像分别输入至训练好的深度学习网络模型进行图像分割，即可输出与多层切片图像一一对应的多个二维血管图像。
步骤102：对三维血管图像中的血管进行中心线提取，得到第一血管中心线。
其中，第一血管中心线为三维血管图像中血管的中心线。第一血管中心线的基本结构与对应血管的基本结构相同，第一血管中心线可以保留对应血管的拓扑和欧拉特征。第一血管中心线通常为树状结构，包括多个分支。
作为一个示例，可以先将三维血管图像转换为二进制图像，再对转换后的二进制图像中的血管进行收缩处理，以将二进制图像中的血管处理成指定像素宽度的曲线，将指定像素宽的曲线作为提取出的第一血管中心线。其中，指定像素宽度可以预先设置，比如可以为1像素宽度或2像素宽度等。
需要说明的是，对三维血管图像中的血管进行中心线提取也可以称为对三维血管图像进行形态学骨架提取，得到血管骨架，该血管骨架即为第一血管中心线。形态学骨架提取可以在保留对象的拓扑和欧拉特征的同时提取中心线。
作为一个示例，可以对三维血管图像中的目标血管进行中心线提取，得到目标血管的第一血管中心线。
步骤103：确定第一血管中心线中断连部分的端点。
由于血管的远端拓扑结构复杂，且血管特别细小，血管半径仅有0.5毫米-3毫米左右，再加上血管影像中经常存在成像伪影等干扰因素，因此从三维血管图像中提取的第一血管中心线在远端部分会存在很多断连的地方，导致提取的第一血管中心线不连续。
本申请实施例中，为了保证第一血管中心线的连续，在提取第一血管中心线之后，可以先确定第一血管中心线中断连部分的端点，以将第一血管中心线中断连部分的端点进行连接，从而形成完整连续的血管中心线。
作为一个示例，可以先基于第一血管中心线构建权重边无向图，再计算该权重边无向图的最小生成树，根据最小生成树确定第一血管中心线中断连部分的端点。
比如，可以先确定第一血管中心线中各个分支的端点，得到多个端点，然后以这多个端点为顶点、多个端点中每两个端点的距离作为对应顶点的权重边，构建权重边无向图。再确定权重边无向图的最小生成树(Minimum SpanningTree，MST)。之后，将多个端点中与最小生成树中的多个顶点对应且未按照多个顶点的连接方式进行连接的端点确定为断连部分的端点。
其中，两个顶点的权重边是指两个顶点之间的边的权重。两个顶点的权重边可以为对应的两个端点之间的距离。权重边无向图为包含多个顶点的完全连通图。权重边无向图的最小生成树是权重边无向图的极小连通子图，其包含权重边无向图中的所有点的，且具有保持图连通的最少的边，是权重边无向图中权重边之和最小的子图。也即是，最小生成树是权重边无向图的边的子集，最小生成树将权重边无向图的所有顶点连接在一起，没有任何须循环，并且边的总权重最小。
作为一个示例，两个端点之间的距离可以为两个端点之间的欧几里得距离。也即是，可以这多个端点为顶点、多个端点中每两个端点之间的欧几里得距离作为对应顶点的权重边，构建权重边无向图。相应地，权重边无向图的最小生成树可以为欧几里得最小生成树(Euclidean Minimum SpanningTree，EMST)。
根据最小生成树可以确定第一血管中心线中的哪些端点是可以连接而未连接的，这些可以连接而未连接的端点即可第一血管中心线中断连部分的端点。在第一血管中心线连接这些端点，即可得到完整连续的血管中心线。
请参考图3，图3是本申请实施例提供的一种对血管中心线中断连部分的端点进行连接的示意图。如图3所示，对三维血管图像31中的血管进行中心线提取，得到第一血管中心线32。其中，第一血管中心线32不连续，其在远端存在断连部分。本申请实施例可以确定第一血管中心线32中断连部分的端点，然后对第一血管中心线32中断连部分的端点进行连接，即可得到第二血管中心线33，第二血管中心线33是连续的，不存在断连部分。
步骤104：对第一血管中心线中断连部分的端点进行连接，得到第二血管中心线。
作为一个示例，可以根据最小生成树中多个顶点的的连接方式，对第一血管中心线中断连部分的端点进行连接，得到第二血管中心线。比如，可以按照最小生成树中与第一血管中心线中断裂部分的端点对应的顶点的连接方式，对第一血管中心线中断连部分的端点进行连接，得到第二血管中心线。
另外，为了避免连接错误，使得连接后的端点所形成的曲线符合血管的拓扑结构特定，还可以根据血管的拓扑结构为断连部分的端点的连接增加限制条件。对于第一血管中心线中断连部分中需要连接的任意两个端点，可以先判断这两个端点是否满足预设限制条件，若满足预设限制条件，则对这两个端点进行连接，若不满足预设限制条件，则不对这两个端点进行连接。如此，可以使得对断连部分的端点进行连接后得到的血管中心线符合血管的拓扑结构特点，避免连接错误。
作为一个示例，预设限制条件可以包括以下条件中的一种或多种：两个端点的切线向量之间的夹角大于或等于角度阈值；两个端点的距离小于或等于距离阈值。其中，角度阈值和距离阈值可以预先设置。比如，角度阈值可以为90度，距离阈值可以为20个像素。当然，角度阈值和距离阈值还可以根据需要设置为其他数值，本申请实施例在此不做限定。
作为一个示例，确定每个端点的切线向量的操作可以包括：确定该端点在所在分支上的邻近点，根据该端点以及该端点在所在分支上的邻近点确定该端点的切线向量。请参考图4，图4是本申请实施例提供的一种血管中心线的局部示意图。如图4所示，图4中的血管中心线发生了断连，断连部分的端点为端点A和端点B。对于端点A和端点B，可以分别确定端点A在所在分支上的邻近点A’，以及端点B在所在分支上的邻近点B’，则端点A的切线向量
Figure BDA0003042217040000121
端点B的切线向量
Figure BDA0003042217040000122
作为一个示例，按照最小生成树中与第一血管中心线中断裂部分的端点对应的顶点的连接方式，对第一血管中心线中断连部分的端点进行连接的操作包括：若按照最小生成树中与断裂部分的端点对应的顶点的连接方式，确定第一血管中心线中断连部分的端点中的两个端点需要进行连接，且两个端点满足预设限制条件，则将这两个端点进行连接。
本申请实施例中，可以将对第一血管中心线中断连部分的端点进行连接，得到的完整连续的第二血管中心线作为最终提取的目标血管中心线。
在另一个实施例中，为了使得提取的血管中心线更加准确，在对第一血管中心线中断连部分的端点进行连接，得到完整连续的第二血管中心线之后，还可以进一步对第二血管中心线进行修正。接下来，将对第二血管中心线的修正方式进行举例说明。
步骤105：根据三维血管图像，生成血管能量图，血管能量图中血管部分的能量大小与离背景的距离对应。
本申请实施例中，为了对第二血管中心线进行修正，需要先根据三维血管图像生成血管能量图，以便根据血管能量图对第二血管中心线进行修改。
其中，血管能量图用于指示三维血管图像中血管部分的能量大小，且血管部分的能量大小与血管部分离背景的距离相对应。另外，血管能量图中血管部分的能量大小可以用血管能量图中血管部分的亮度大小来指示，血管部分的亮度越大，则表示血管部分的能量越大。
需要说明的是，血管能量图中血管部分的能量大小与离背景的距离可以呈正比。比如，血管能量图中离背景越远的血管部分的能量越大，即血管中心较亮而边缘较暗。或者，血管能量图中血管部分的能量大小与离背景的距离也可以呈反比。比如，血管能量图中离背景越远的血管部分的能量越小，即血管中心较暗而边缘较亮。
作为一个示例，根据三维血管图像，生成血管能量图可以包括以下几种实现方式：
第一种实现方式：对三维血管图像进行距离变换，得到第一能量图，第一能量图中离背景越远的血管部分的能量越大；将第一能量图确定为血管能量图。
其中，对三维血管图像进行距离变换的操作可以包括：确定三维血管图像中血管部分中每个像素与背景的距离，根据距离与能量的对应关系，确定三维血管图像中血管部分中每个像素的能量，从而生成第一能量图。其中，距离与能量的对应关系为正比关系，距离越大则对应的能量越大。
第一种实现方式生成的血管能量图为第一能量图，该血管能量图中离背景越远的血管部分的能量越大，即该血管能量图中血管中心的能量较大血管边缘的能量较小，相应地，血管中心较亮边缘较暗。
第二种实现方式：对三维血管图像进行距离变换，得到第一能量图；对第一能量图进行取反处理，得到血管能量图，血管能量图中离背景越远的血管部分的能量越小。
第一种实现方式生成的血管能量图为对第一能量图取反处理后得到第二能量图，该血管能量图中离背景越远的血管部分的能量越小，即该血管能量图中血管中心的能量较大血管边缘的能量较小，相应地，血管中心较亮边缘较暗。
第三种实现方式：对血管影像进行血管增强，得到第一管状结构图；对三维血管图像进行距离变换，得到第一能量图；根据第一管状结构图和第一能量图，生成血管能量图。
其中，根据第一管状结构图和第一能量图，生成血管能量图的操作可以包括以下几种实现方式：
1)对第一管状结构图和第一能量图进行融合处理，得到血管能量图，该血管能量图中离背景越远的血管部分的能量越大。
2)对第一管状结构图进行取反处理，得到第二管状结构图，以及对第一能量图进行取反处理，得到第二能量图；对第二管状结构图和第二能量图进行融合处理，得到血管能量图，该血管能量图中离背景越远的血管部分的能量越小。
作为一个示例，可以先对血管影像进行血管增强，得到第一管状结构图Ds，以及对三维血管图像进行距离变换，得到第一能量图Dd。然后对第一管状结构图进行取反处理，得到第二管状结构图-Ds，以及对第一能量图进行取反处理，得到第二能量图-Dd。再对第二管状结构图和第二能量图进行融合处理，得到血管能量图D。比如，D＝(-Ds)+(-Dd)。
请参考图5，图5是本申请实施例提供的一种血管能量图的投影示意图。图5所示的投影是血管能量图在y轴上的投影，由图5可以看出，血管能量图在靠近血管边缘时能量较大，而在血管中心时能量达到最小值。
步骤106：根据血管能量图对第二血管中心线进行修正，得到第三血管中心线。
根据血管能量图对第二血管中心线进行修正是指第二血管中心线在血管能量图的推力作用下向实际血管中心靠近的过程，使得修正后的第二血管中心线在达到实际血管中心时对应能量最小或最大，从而使得修正后的第二血管中心线最大限度地接近实际血管中心线。
作为一个示例，可以先根据血管能量图，构建第二血管中心线的目标能量函数，再根据目标能量函数，对第二血管中心线进行修正，得到第三血管中心线。
为了便于对第二血管中心线进行修正，可以先将第二血管中心线分解为多个分支，每个分支是一条曲线。对于多个分支中的每个分支，根据血管能量图确定每个分支的目标能量函数，再每个分支的目标能量函数，对每个分支进行修正。
其中，每个分支的目标能量函数为每个分子的目标能量方程，用于指示每个分支的能量。示例地，某个分支r可以定义为：p(k)，k＝0,...,m。其中，k用于指示分支r中离散的点，m为r的长度。
作为一个示例，第二血管中心线是树状结构，因此以将其看作是一个树的深度优先遍历问题。比如，对于冠状动脉血管，可以将主动脉所在的分支端点作为根结点，其余端点作为叶子结点，然后采用深度优先搜索的方法对叶子结点进行遍历，并将遍历过的叶子结点放入栈中，每次遍历到叶子节点时，栈的所有结点即是冠状动脉树的一个分支，保存该分支并清空栈。直到所有叶子结点均被访问完，便可将有分叉的冠状动脉树分解成若干条分支。之后，再对每条分支单独进行修正。
作为一个示例，根据血管能量图构建第二血管中心线的目标能量函数的操作包括以下两种实现方式：
第一种实现方式：根据血管能量图，生成第二血管中心线的能量函数，将第二血管中心线的能量函数确定为目标能量函数。
具体地，对于第二血管中心线中的每个分支，可以根据血管能量图，生成每个分支的目标能量函数。
例如，令p(k)＝[x(k),y(k),z(k)]为某个分支r的参数方程，k＝0,...,m，其中，m为分支r的长度。假设分支r的两个端点分别p(0)＝[x0,y0,z0]和p(m)＝[xe,ye,ze]。在分支r的两个端点固定的条件下，分支r的目标能量函数可以如以下公式(1)所示：
Figure BDA0003042217040000151
其中，D(x(k),y(k),z(k))表示分支r中点k的能量，(x(k),y(k),z(k))为分支r中点k的坐标；x(0)＝x0,y(0)＝y0,z(0)＝z0,x(m)＝xe,y(m)＝ye,z(m)＝ze。
第二种实现方式：根据血管能量图，生成第二血管中心线的能量函数；根据该能量函数、预设曲线长度约束条件以及预设曲率约束条件，构建第二血管中心线的目标能量函数。
本申请实施例中，为了避免修正后的血管中心线坍缩在一点，还可以在能量函数的基础上增加预设曲线长度约束条件和预设曲率约束条件。其中，预设曲线长度约束条件用于限制血管中心线的分支中相邻两点的距离，使得分支上的点均匀分布。预设曲率约束条件用于限制血管中心线的分支中每点处的曲率，使得分支曲线较为平滑。
通过在能量函数的基础上增加预设曲线长度约束条件和预设曲率约束条件，可以使得修正后的血管中心线在外力、平滑度和两点之间距离这三者之间进行权衡。
例如，令p(k)＝[x(k),y(k),z(k)]为某个分支r的参数方程，k＝0,...,m，其中，m为分支r的长度。假设分支r的两个端点分别p(0)＝[x0,y0,z0]和p(m)＝[xe,ye,ze]。在分支r的两个端点固定的条件下，分支r的目标能量函数可以如以下公式(2)所示：
Figure BDA0003042217040000161
其中，D(x(k),y(k),z(k))表示分支r中点k的能量，(x(k),y(k),z(k))为分支r中点k的坐标；x(0)＝x0,y(0)＝y0,z(0)＝z0,x(m)＝xe,y(m)＝ye,z(m)＝ze；||p(k)′||dk表示分支r的长度；||p(k)″||dk表示分支r中点k的曲率；α，β为权重。
作为一个示例，根据目标能量函数，对第二血管中心线进行修正，得到第三血管中心线的操作包括以下两种实现方式：
第一种实现方式：若血管能量图中离背景越远的血管部分的能量越大，则以目标能量函数最大化为调整目标，对第二血管中心线进行调整，得到第三血管中心线。
也即是，可以对目标能量函数进行最大值求解，求取使得标能量函数最大化的血管中心线参数，根据求取的血管中心线参数对第二血管中心线进行调整，得到第三血管中心线。
比如，可以对下述最大化目标能量函数(3)或(4)进行求解：
Figure BDA0003042217040000162
Figure BDA0003042217040000163
通过对上述公式(3)或(4)进行求解，可以得到分支r中除两个端点之外的若干点的目标坐标，将这若干点的原始坐标调整为目标坐标，即可实现对分支r进行调整。
第二种实现方式：若血管能量图中离背景越远的血管部分的能量越小，则以目标能量函数最小化为调整目标，对第二血管中心线进行调整，得到第三血管中心线。
也即是，可以对目标能量函数进行最小值求解，求取使得标能量函数最小化的血管中心线参数，根据求取的血管中心线参数对第二血管中心线进行调整，得到第三血管中心线。
比如，可以对下述最小化目标能量函数(5)或(6)进行求解：
Figure BDA0003042217040000171
Figure BDA0003042217040000172
通过对上述公式(5)或(6)进行求解，可以得到分支r中除两个端点之外的若干点的目标坐标，将这若干点的原始坐标调整为目标坐标，即可实现对分支r进行调整。
本申请实施例中，通过根据血管影像进行血管三维重建，得到三维血管图像，对三维血管图像中的血管进行中心线提取，得到第一血管中心线之后，自动确定第一血管中心线中断连部分的端点，并对第一血管中心线中断连部分的端点进行连接，可以得到连续的第二血管中心线，保证了提取的血管中心线的完整性。
另外，在得到连续的第二血管中心线之后，通过根据三维血管图像，生成血管能量图，根据血管能量图对第二血管中心线进行修正，还可以得到更为准确的第三血管中心线，从而提高了提取血管中心线的准确性。另外，通过采用全卷积密集网络对血管影像进行图像分割，可以从血管影像中分割出较为完整的血管结构以及远端部分的细小血管，从而在最大程度上提取出血管的所有分支避免遗漏，进而提高了血管分割的准确性。另外，相关技术中在根据血管影像生成三维血管图像之后，还需要由用户手动指定端点并进行许多交互操作，而本申请实施例则不需要用户进行交互操作，从而节省了人工成本，提高了血管中心线的提取效率。
图6是本申请实施例提供的一种血管中心线提取装置的结构示意图，该装置可以集成于计算机设备中，如图6所示，该装置包括：重建模块601，提取模块602，确定模块603和连接模块604；
重建模块601，用于根据血管影像进行血管三维重建，得到三维血管图像；
提取模块602，用于对该三维血管图像中的血管进行中心线提取，得到第一血管中心线；
确定模块603，用于确定该第一血管中心线中断连部分的端点；
连接模块604，用于对该第一血管中心线中断连部分的端点进行连接，得到第二血管中心线。
可选地，该重建模块601用于：
获取该血管影像的多层切片图像；
通过全卷积密集网络模型，对该多层切片图像分别进行图像分割，得到与该多层切片图像一一对应的多个二维血管图像；
根据该多个二维血管图像进行血管三维重建，得到该三维血管图像。
可选地，该确定模块603用于：
确定该第一血管中心线中各个分支的端点，得到多个端点；
以该多个端点为顶点、该多个端点中每两个端点的欧几里得距离作为对应顶点的权重边，构建权重边无向图；
确定该权重边无向图的最小生成树，该最小生成树为该权重边无向图中权重边之和最小的子图；
将该多个端点中与该最小生成树中多个顶点对应且未按照该多个顶点的连接方式进行连接的端点确定为断连部分的端点。
可选地，该连接模块604用于：
按照该最小生成树中与该断裂部分的端点对应的顶点的连接方式，对该第一血管中心线中断连部分的端点进行连接，得到该第二血管中心线。
可选地，该连接模块604用于：
若按照该最小生成树中与该断裂部分的端点对应的顶点的连接方式，确定该第一血管中心线中断连部分的端点中的两个端点需要进行连接，且该两个端点满足预设限制条件，则将该两个端点进行连接。
可选地，该预设限制条件包括以下条件中的一种或多种：
两个端点的切线向量之间的夹角大于或等于角度阈值；
两个端点的距离小于或等于距离阈值。
可选地，该装置还包括：
生成模块，用于根据该三维血管图像，生成血管能量图，该血管能量图中血管部分的能量大小与离背景的距离对应；
修正模块，用于根据该血管能量图对该第二血管中心线进行修正，得到第三血管中心线。
可选地，该生成模块用于：
对该三维血管图像进行距离变换，得到第一能量图，该第一能量图中离背景越远的血管部分的能量越大；将该第一能量图确定为该血管能量图；
或者，
对该三维血管图像进行距离变换，得到第一能量图，该第一能量图中离背景越远的血管部分的能量越大；对该第一能量图进行取反处理，得到该血管能量图，该血管能量图中离背景越远的血管部分的能量越小；
或者，
对该血管影像进行血管增强，得到第一管状结构图；对该三维血管图像进行距离变换，得到第一能量图，该第一能量图中离背景越远的血管部分的能量越大；根据该第一管状结构图和该第一能量图，生成该血管能量图。
可选地，该生成模块用于：
对该第一管状结构图和该第一能量图进行融合处理，得到该血管能量图，该血管能量图中离背景越远的血管部分的能量越大；
或者，
对该第一管状结构图进行取反处理，得到第二管状结构图，以及对该第一能量图进行取反处理，得到第二能量图；对该第二管状结构图和该第二能量图进行融合处理，得到该血管能量图，该血管能量图中离背景越远的血管部分的能量越小。
可选地，该修正模块用于：
根据该血管能量图，构建该第二血管中心线的目标能量函数；
根据该目标能量函数，对该第二血管中心线进行修正，得到第三血管中心线。
可选地，该修正模块用于：
根据该血管能量图，生成该第二血管中心线的能量函数，将该第二血管中心线的能量函数确定为该目标能量函数；
或者，
根据该血管能量图，生成该第二血管中心线的能量函数；根据该能量函数、预设曲线长度约束条件以及预设曲率约束条件，构建该目标能量函数。
可选地，该修正模块用于：
若该血管能量图中离背景越远的血管部分的能量越大，则以该目标能量函数最大化为调整目标，对该第二血管中心线进行调整，得到该第三血管中心线；
若该血管能量图中离背景越远的血管部分的能量越小，则以该目标能量函数最小化为调整目标，对该第二血管中心线进行调整，得到该第三血管中心线。
本申请实施例中，通过根据血管影像进行血管三维重建，得到三维血管图像，对三维血管图像中的血管进行中心线提取，得到第一血管中心线之后，自动确定第一血管中心线中断连部分的端点，并对第一血管中心线中断连部分的端点进行连接，可以得到连续的第二血管中心线，保证了提取的血管中心线的完整性。
另外，在得到连续的第二血管中心线之后，通过根据三维血管图像，生成血管能量图，根据血管能量图对第二血管中心线进行修正，还可以得到更为准确的第三血管中心线，从而提高了提取血管中心线的准确性。另外，通过采用全卷积密集网络对血管影像进行图像分割，可以从血管影像中分割出较为完整的血管结构以及远端部分的细小血管，从而在最大程度上提取出血管的所有分支避免遗漏，进而提高了血管分割的准确性。另外，相关技术中在根据血管影像生成三维血管图像之后，还需要由用户手动指定端点并进行许多交互操作，而本申请实施例则不需要用户进行交互操作，从而节省了人工成本，提高了血管中心线的提取效率。
图7是本申请实施例提供的一种计算机设备700的结构框图。该计算机设备700可以是手机、平板电脑、台式计算机、服务器等电子设备。该计算机设备700可用于实施上述实施例中提供的血管中心线提取方法。
通常，计算机设备700包括有：处理器701和存储器702。
处理器701可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器701可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(FieldProgrammable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器701也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器701可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器701还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器702可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器702还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器702中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器701所执行以实现本申请中方法实施例提供的血管中心线提取方法。
在一些实施例中，计算机设备700还可选包括有：外围设备接口703和至少一个外围设备。处理器701、存储器702和外围设备接口703之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口703相连。具体地，外围设备可以包括：显示屏704、音频电路705、通信接口706和电源707中的至少一种。
本领域技术人员可以理解，图7中示出的结构并不构成对计算机设备700的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
在示例性的实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，所述指令被处理器执行时实现上述血管中心线提取方法。
在示例性实施例中，还提供了一种计算机程序产品，当该计算机程序产品被执行时，其用于实现上述血管中心线提取方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (15)

1.一种血管中心线提取方法，其特征在于，所述方法包括：
根据血管影像进行血管三维重建，得到三维血管图像；
对所述三维血管图像中的血管进行中心线提取，得到第一血管中心线；
确定所述第一血管中心线中断连部分的端点；
对所述第一血管中心线中断连部分的端点进行连接，得到第二血管中心线。
2.如权利要求1所述的方法，其特征在于，所述根据血管影像进行血管三维重建，得到三维血管图像，包括：
获取所述血管影像的多层切片图像；
通过全卷积密集网络模型，对所述多层切片图像分别进行图像分割，得到与所述多层切片图像一一对应的多个二维血管图像；
根据所述多个二维血管图像进行血管三维重建，得到所述三维血管图像。
3.如权利要求1所述的方法，其特征在于，所述确定所述第一血管中心线中断连部分的端点，包括：
确定所述第一血管中心线中各个分支的端点，得到多个端点；
以所述多个端点为顶点、所述多个端点中每两个端点的欧几里得距离作为权重边，构建权重边无向图；
确定所述权重边无向图的最小生成树，所述最小生成树为所述权重边无向图中权重边之和最小的子图；
将所述多个端点中与所述最小生成树中的多个顶点对应且未按照所述多个顶点的连接方式进行连接的端点确定为断连部分的端点。
4.如权利要求3所述的方法，其特征在于，所述对所述第一血管中心线中断连部分的端点进行连接，得到第二血管中心线，包括：
按照所述最小生成树中与所述断裂部分的端点对应的顶点的连接方式，对所述第一血管中心线中断连部分的端点进行连接，得到所述第二血管中心线。
5.如权利要求4所述的方法，其特征在于，所述按照所述最小生成树中与所述断裂部分的端点对应的顶点的连接方式，对所述第一血管中心线中断连部分的端点进行连接，包括：
若按照所述最小生成树中与所述断裂部分的端点对应的顶点的连接方式，确定所述第一血管中心线中断连部分的端点中的两个端点需要进行连接，且所述两个端点满足预设限制条件，则将所述两个端点进行连接。
6.如权利要求5所述的方法，其特征在于，所述预设限制条件包括以下条件中的一种或多种：
两个端点的切线向量之间的夹角大于或等于角度阈值；
两个端点的距离小于或等于距离阈值。
7.如权利要求1-6任一所述的方法，其特征在于，所述对所述第一血管中心线中断裂的端点进行连接，得到第二血管中心线之后，还包括：
根据所述三维血管图像，生成血管能量图，所述血管能量图中血管部分的能量大小与离背景的距离对应；
根据所述血管能量图对所述第二血管中心线进行修正，得到第三血管中心线。
8.如权利要求7所述的方法，其特征在于，所述根据所述三维血管图像，生成血管能量图，包括：
对所述三维血管图像进行距离变换，得到第一能量图，所述第一能量图中离背景越远的血管部分的能量越大；将所述第一能量图确定为所述血管能量图；
或者，
对所述三维血管图像进行距离变换，得到第一能量图；对所述第一能量图进行取反处理，得到所述血管能量图，所述血管能量图中离背景越远的血管部分的能量越小；
或者，
对所述血管影像进行血管增强，得到第一管状结构图；对所述三维血管图像进行距离变换，得到第一能量图；根据所述第一管状结构图和所述第一能量图，生成所述血管能量图。
9.如权利要求8所述的方法，其特征在于，所述根据所述第一管状结构图和所述第一能量图，生成所述血管能量图，包括：
对所述第一管状结构图和所述第一能量图进行融合处理，得到所述血管能量图，所述血管能量图中离背景越远的血管部分的能量越大；
或者，
对所述第一管状结构图进行取反处理，得到第二管状结构图，以及对所述第一能量图进行取反处理，得到第二能量图；对所述第二管状结构图和所述第二能量图进行融合处理，得到所述血管能量图，所述血管能量图中离背景越远的血管部分的能量越小。
10.如权利要求7所述的方法，其特征在于，所述根据所述血管能量图对所述第二血管中心线进行修正，得到第三血管中心线，包括：
根据所述血管能量图，构建所述第二血管中心线的目标能量函数；
根据所述目标能量函数，对所述第二血管中心线进行修正，得到第三血管中心线。
11.如权利要求10所述的方法，其特征在于，所述根据所述血管能量图构建所述第二血管中心线的目标能量函数，包括：
根据所述血管能量图，生成所述第二血管中心线的能量函数，将所述第二血管中心线的能量函数确定为所述目标能量函数；
或者，
根据所述血管能量图，生成所述第二血管中心线的能量函数；根据所述能量函数、预设曲线长度约束条件以及预设曲率约束条件，构建所述目标能量函数。
12.如权利要求10所述的方法，其特征在于，所述根据所述目标能量函数，对所述第二血管中心线进行修正，得到第三血管中心线，包括：
若所述血管能量图中离背景越远的血管部分的能量越大，则以所述目标能量函数最大化为调整目标，对所述第二血管中心线进行调整，得到所述第三血管中心线；
若所述血管能量图中离背景越远的血管部分的能量越小，则以所述目标能量函数最小化为调整目标，对所述第二血管中心线进行调整，得到所述第三血管中心线。
13.一种血管中心线提取装置，其特征在于，所述装置包括：
重建模块，用于根据血管影像进行血管三维重建，得到三维血管图像；
提取模块，用于对所述三维血管图像中的血管进行中心线提取，得到第一血管中心线；
确定模块，用于确定所述第一血管中心线中断连部分的端点；
连接模块，用于对所述第一血管中心线中断连部分的端点进行连接，得到第二血管中心线。
14.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至12任一项所述的方法。
15.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至15任一项所述的方法。
CN202110460939.6A 2021-04-27 2021-04-27 血管中心线提取方法、装置、设备及存储介质 Active CN113160189B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110460939.6A CN113160189B (zh) 2021-04-27 2021-04-27 血管中心线提取方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110460939.6A CN113160189B (zh) 2021-04-27 2021-04-27 血管中心线提取方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113160189A true CN113160189A (zh) 2021-07-23
CN113160189B CN113160189B (zh) 2024-08-23

Family

ID=76871384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110460939.6A Active CN113160189B (zh) 2021-04-27 2021-04-27 血管中心线提取方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113160189B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113744272A (zh) * 2021-11-08 2021-12-03 四川大学 一种基于深度神经网络的脑动脉自动勾画方法
CN113888690A (zh) * 2021-10-19 2022-01-04 柏意慧心(杭州)网络科技有限公司 用于确定血管中的目标区段的方法、设备和介质
CN114145719A (zh) * 2022-02-08 2022-03-08 天津恒宇医疗科技有限公司 双模冠脉血管图像三维融合的方法和融合系统
CN114419047A (zh) * 2022-03-30 2022-04-29 中国科学院自动化研究所 用于确定血管形态特征的方法、装置、设备和存储介质
CN116740049A (zh) * 2023-07-12 2023-09-12 强联智创（北京）科技有限公司 用于盲补连头颈胸血管中心线的方法、设备及存储介质
CN116758050A (zh) * 2023-07-12 2023-09-15 强联智创（北京）科技有限公司 用于颅内Wills环血管中心线盲补全的方法及产品

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007052123A1 (de) * 2007-10-31 2009-05-14 Siemens Ag Verfahren zur Erstellung eines Fusionsbildes aus wenigstens einer zweidimensionalen und wenigstens dreidimensionalen auf wenigstens ein Blutgefäß bezogenen medizinischen Bildaufnahme sowie zugehörige medizinische Einrichtung
CN103021022A (zh) * 2012-11-22 2013-04-03 北京理工大学 基于参数形变模型能量优化的血管重建方法
CN108428210A (zh) * 2017-02-15 2018-08-21 浙江京新术派医疗科技有限公司 血管图像重建方法和重建装置
CN110189295A (zh) * 2019-04-16 2019-08-30 浙江工业大学 基于随机森林和中心线的眼底视网膜血管分割方法
CN110349175A (zh) * 2019-06-25 2019-10-18 深圳先进技术研究院 一种动静脉畸形分割方法、系统及电子设备
CN112465772A (zh) * 2020-11-25 2021-03-09 平安科技（深圳）有限公司 眼底彩照图像血管评估方法、装置、计算机设备和介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007052123A1 (de) * 2007-10-31 2009-05-14 Siemens Ag Verfahren zur Erstellung eines Fusionsbildes aus wenigstens einer zweidimensionalen und wenigstens dreidimensionalen auf wenigstens ein Blutgefäß bezogenen medizinischen Bildaufnahme sowie zugehörige medizinische Einrichtung
CN103021022A (zh) * 2012-11-22 2013-04-03 北京理工大学 基于参数形变模型能量优化的血管重建方法
CN108428210A (zh) * 2017-02-15 2018-08-21 浙江京新术派医疗科技有限公司 血管图像重建方法和重建装置
CN110189295A (zh) * 2019-04-16 2019-08-30 浙江工业大学 基于随机森林和中心线的眼底视网膜血管分割方法
CN110349175A (zh) * 2019-06-25 2019-10-18 深圳先进技术研究院 一种动静脉畸形分割方法、系统及电子设备
CN112465772A (zh) * 2020-11-25 2021-03-09 平安科技（深圳）有限公司 眼底彩照图像血管评估方法、装置、计算机设备和介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
唐泽圣 等: "《三维数据场可视化》", 31 May 2000, 清华大学出版社, pages: 187 - 189 *
梁礼明 等: "融合形状先验的水平集眼底图像血管分割", 《计算机学报》, vol. 41, no. 7, pages 1678 - 1692 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113888690A (zh) * 2021-10-19 2022-01-04 柏意慧心(杭州)网络科技有限公司 用于确定血管中的目标区段的方法、设备和介质
CN113888690B (zh) * 2021-10-19 2022-08-12 柏意慧心(杭州)网络科技有限公司 用于确定血管中的目标区段的方法、设备和介质
CN113744272A (zh) * 2021-11-08 2021-12-03 四川大学 一种基于深度神经网络的脑动脉自动勾画方法
CN114145719A (zh) * 2022-02-08 2022-03-08 天津恒宇医疗科技有限公司 双模冠脉血管图像三维融合的方法和融合系统
CN114419047A (zh) * 2022-03-30 2022-04-29 中国科学院自动化研究所 用于确定血管形态特征的方法、装置、设备和存储介质
CN116740049A (zh) * 2023-07-12 2023-09-12 强联智创（北京）科技有限公司 用于盲补连头颈胸血管中心线的方法、设备及存储介质
CN116758050A (zh) * 2023-07-12 2023-09-15 强联智创（北京）科技有限公司 用于颅内Wills环血管中心线盲补全的方法及产品
CN116740049B (zh) * 2023-07-12 2024-02-27 强联智创（北京）科技有限公司 用于盲补连头颈胸血管中心线的方法、设备及存储介质
CN116758050B (zh) * 2023-07-12 2024-06-21 强联智创（北京）科技有限公司 用于颅内Wills环血管中心线盲补全的方法及产品

Also Published As

Publication number Publication date
CN113160189B (zh) 2024-08-23

Similar Documents

Publication Publication Date Title
CN113160189B (zh) 血管中心线提取方法、装置、设备及存储介质
US20230104173A1 (en) Method and system for determining blood vessel information in an image
Wu et al. Segmentation and reconstruction of vascular structures for 3D real-time simulation
Danilov et al. Methods of graph network reconstruction in personalized medicine
US20080273777A1 (en) Methods And Apparatus For Segmentation And Reconstruction For Endovascular And Endoluminal Anatomical Structures
US20070109299A1 (en) Surface-based characteristic path generation
US10275909B2 (en) Systems and methods for an integrated system for visualizing, simulating, modifying and 3D printing 3D objects
Ito et al. Robust generation of high‐quality unstructured meshes on realistic biomedical geometry
CN117115150B (zh) 用于确定分支血管的方法、计算设备和介质
CN114004793A (zh) 血流特性获取方法、装置、电子设备及存储介质
CN113888566B (zh) 目标轮廓曲线确定方法、装置、电子设备以及存储介质
CN115731232A (zh) 血管图像处理方法、装置、可读存储介质及电子设备
CN117373070A (zh) 血管分段标注的方法及装置、电子设备和存储介质
Touati et al. A robust construction algorithm of the centerline skeleton for complex aortic vascular structure using computational fluid dynamics
CN116993920A (zh) 一种血管重建方法、装置、电子设备及存储介质
CN112381824A (zh) 一种对图像的几何特征进行提取的方法和相关产品
CN115482358B (zh) 一种三角网格曲面的生成方法、装置、设备及存储介质
CN115147360B (zh) 一种斑块分割方法、装置、电子设备及可读存储介质
Cheng et al. Automatic centerline detection of small three-dimensional vessel structures
WO2022163513A1 (ja) 学習済みモデルの生成方法、機械学習システム、プログラムおよび医療画像処理装置
CN115482261A (zh) 血管配准方法、装置、电子设备及存储介质
CN115018825A (zh) 一种冠脉优势型的分类方法、分类装置及存储介质
CN109272485B (zh) 血管三维模型的修补方法、装置和电子设备
Deschamps et al. Grouping connected components using minimal path techniques
Novikov et al. Automated anatomy-based tracking of systemic arteries in arbitrary field-of-view CTA scans

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