CN113222974A - 一种侧支循环的自动评价方法和装置 - Google Patents

一种侧支循环的自动评价方法和装置 Download PDF

Info

Publication number
CN113222974A
CN113222974A CN202110602267.8A CN202110602267A CN113222974A CN 113222974 A CN113222974 A CN 113222974A CN 202110602267 A CN202110602267 A CN 202110602267A CN 113222974 A CN113222974 A CN 113222974A
Authority
CN
China
Prior art keywords
blood vessel
mask
image
brain tissue
region
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110602267.8A
Other languages
English (en)
Other versions
CN113222974B (zh
Inventor
付璐
才品嘉
李戈
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.)
Neusoft Medical Systems Co Ltd
Original Assignee
Shenyang Advanced Medical Equipment Technology Incubation Center 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 Shenyang Advanced Medical Equipment Technology Incubation Center Co ltd filed Critical Shenyang Advanced Medical Equipment Technology Incubation Center Co ltd
Priority to CN202110602267.8A priority Critical patent/CN113222974B/zh
Publication of CN113222974A publication Critical patent/CN113222974A/zh
Application granted granted Critical
Publication of CN113222974B publication Critical patent/CN113222974B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/20084—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

Landscapes

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

Abstract

本公开实施例提供一种侧支循环的自动评价方法和装置，其中方法包括：获取血管造影图像序列，血管造影图像序列包括不同时期的被检体头部的影像；提取血管造影图像序列中每帧血管造影图像中的脑组织掩膜；对于血管造影图像序列中的任一时期对应的多帧血管造影图像，基于多帧血管造影图像对应的多个脑组织掩膜，提取得到所述时期的候选血管掩膜；基于任一时期对应的候选血管掩膜，确定待检区域中的侧支血管在所述时期的血管充盈度；基于不同时期的血管充盈度，确定被检体的侧支循环的评价结果。该方法可以自动确定被检体的侧支循环的评价结果，准确率较高，耗时较少，评价一致性高。

Description

一种侧支循环的自动评价方法和装置
技术领域
本公开实施例涉及医疗图像处理技术领域，特别涉及一种侧支循环的自动评价方法和装置。
背景技术
脑血管疾病是全球健康领域的热点问题，特别地，脑卒中已成为我国第一位致死疾病，也是中国成年人残疾的首要原因。其中，缺血性卒中的发病率显著高于出血性脑卒中，占脑卒中总数的60％～70％。相关研究表明，侧支循环与急性缺血性卒中的发生、病情进展、治疗方式的选择以及预后密切相关，因此，通过影像评估缺血性卒中患者侧支循环情况已经成为缺血性卒中诊治中的重要一环。
在临床诊断中，通常由医生根据相应标准对患者侧支循环情况进行评价，手动的评价方式需要耗费医生极大的时间与精力，并且评价准确性高度依赖医生专业程度和主观判断，此种评价方式容易导致医生工作效率低下，并且由于不同医生的经验不同使评价一致性降低，进而影响卒中病情的发展和治疗手段的选择。
发明内容
有鉴于此，本公开实施例提供至少一种侧支循环的自动评价方法和装置。
具体地，本公开实施例是通过如下技术方案实现的：
第一方面，提供一种侧支循环的自动评价方法，所述方法包括：
获取血管造影图像序列，所述血管造影图像序列包括不同时期的被检体头部的影像；
提取所述血管造影图像序列中每帧血管造影图像中的脑组织掩膜，所述脑组织掩膜用于表示血管造影图像中的脑组织的区域；
对于所述血管造影图像序列中的任一时期对应的多帧血管造影图像，基于所述多帧血管造影图像对应的多个所述脑组织掩膜，提取得到所述时期的候选血管掩膜，所述候选血管掩膜包含所述时期中所述多帧血管造影图像中侧支血管的区域信息和像素信息；
基于任一时期对应的所述候选血管掩膜，确定待检区域中的侧支血管在所述时期的血管充盈度，所述待检区域为所述被检体的大脑中待检类型的动脉供血区；
基于不同时期的所述血管充盈度，确定所述被检体的侧支循环的评价结果。
结合本公开的任一实施方式，所述待检区域包括左侧待检区域和右侧待检区域，所述血管充盈度用血管灰度均值表示；所述基于任一时期对应的所述候选血管掩膜，确定待检区域中的侧支血管在所述时期的血管充盈度，包括：获取所述左侧待检区域的面积和所述右侧待检区域的面积；确定在所述时期所述待检区域中的侧支血管的灰度值之和；基于任一时期的所述面积和所述灰度值之和，确定在所述时期中所述左侧待检区域的血管灰度均值和所述右侧待检区域的血管灰度均值；
结合本公开的任一实施方式，所述待检区域包括左侧待检区域和右侧待检区域，所述不同时期中包括动脉期；所述基于不同时期的所述血管充盈度，确定所述被检体的侧支循环的评价结果，包括：基于不同时期的所述血管充盈度，确定所述左侧待检区域和右侧待检区域中的异常侧或者正常侧；基于不同时期的异常侧的血管充盈度与动脉期的正常侧的血管充盈度，确定所述被检体的侧支循环的评价结果。
结合本公开的任一实施方式，所述对于所述血管造影图像序列中的任一时期对应的多帧血管造影图像，基于所述多帧血管造影图像对应的多个所述脑组织掩膜，提取得到所述时期的候选血管掩膜，包括：对于所述血管造影图像序列中的任一时期对应的多帧血管造影图像，基于所述多帧血管造影图像对应的多个所述脑组织掩膜，得到所述时期的包含脑组织的去骨图像序列，所述去骨图像序列是所述时期的所述血管造影图像序列中的脑组织部分；识别所述去骨图像序列中各帧去骨图像中的血管，得到各帧血管图像；对于所述各帧血管图像沿轴向空间维度进行最大密度投影，得到最大密度投影图像，所述最大密度投影图像中包含主干血管和所述侧支血管；基于所述最大密度投影图像，提取得到所述时期的候选血管掩膜。
结合本公开的任一实施方式，所述识别所述去骨图像序列中各帧去骨图像中的血管，得到各帧血管图像，包括：通过灰度阈值法提取各帧去骨图像中的血管，得到各帧血管粗提图像，所述血管粗提图像中包含血管和残留头骨；提取三维血管粗提图像中的连通域，分别计算各个连通域内像素的坐标的标准差，所述三维血管粗提图像由各帧血管粗提图像组成；基于所述连通域的标准差，确定所述连通域中血管连通域；基于所述血管连通域，确定所述三维血管粗提图像中的各帧血管图像。
结合本公开的任一实施方式，所述基于所述最大密度投影图像，提取得到所述时期的候选血管掩膜，包括：获取所述最大密度投影图像中各条血管的半径或直径；响应于所述血管的半径小于预设半径，或者响应于所述血管的直径小于预设直径，确定所述血管为侧支血管；确定所述最大密度投影图像中侧支血管的区域为所述时期的候选血管掩膜。
结合本公开的任一实施方式，在所述基于任一时期对应的所述候选血管掩膜，确定待检区域中的侧支血管在所述时期的血管充盈度之前，所述方法还包括：提取各帧所述血管造影图像中的头部掩膜，所述头部掩膜用于表示血管造影图像中的头骨的区域；基于所述头部掩膜，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的角度和位置。
结合本公开的任一实施方式，在所述基于所述头部掩膜，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的角度和位置之后，所述方法还包括：基于标准脑组织掩膜与标准分区模板的对应关系，以及所述标准脑组织掩膜与所述脑组织掩膜的对应的关系，得到所述被检体的大脑中待检类型的动脉供血区；所述标准分区模板为已标注待检类型的动脉供血区的标准大脑图像，所述标准脑组织掩膜为所述标准大脑图像中脑组织的区域。
结合本公开的任一实施方式，所述提取各帧所述血管造影图像中的头部掩膜，包括：对任一帧所述血管造影图像中的头部进行分割，得到初步分割结果；对初步分割结果进行处理，得到头骨连通域图像；提取所述头骨连通域图像中的最大连通域，所述最大连通域作为该帧血管造影图像中的头部掩膜。
结合本公开的任一实施方式，所述基于所述头部掩膜，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的角度，包括：对于预设角度范围内的任一角度，根据旋转该角度后的所述头部掩膜与翻转所述旋转该角度后的头部掩膜的差异，确定第一损失；响应于在第一角度下所述第一损失为最低，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的角度为第一角度。
结合本公开的任一实施方式，所述基于所述头部掩膜，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的位置，包括：基于计算得到的所述头部掩膜的质心，将所述质心确定为所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的中心。
第二方面，提供一种侧支循环的自动评价装置，所述装置包括：
图像获取模块，用于获取血管造影图像序列，所述血管造影图像序列包括不同时期的被检体头部的影像；
脑组织掩膜提取模块，用于提取所述血管造影图像序列中每帧血管造影图像中的脑组织掩膜，所述脑组织掩膜用于表示血管造影图像中的脑组织的区域；
候选血管掩膜提取模块，用于对于所述血管造影图像序列中的任一时期对应的多帧血管造影图像，基于所述多帧血管造影图像对应的多个所述脑组织掩膜，提取得到所述时期的候选血管掩膜，所述候选血管掩膜包含所述时期中所述多帧血管造影图像中侧支血管的区域信息和像素信息；
血管充盈度确定模块，用于基于任一时期对应的所述候选血管掩膜，确定待检区域中的侧支血管在所述时期的血管充盈度，所述待检区域为所述被检体的大脑中待检类型的动脉供血区；
评价结果模块，用于基于不同时期的所述血管充盈度，确定所述被检体的侧支循环的评价结果。
结合本公开的任一实施方式，所述待检区域包括左侧待检区域和右侧待检区域，所述血管充盈度用血管灰度均值表示；所述血管充盈度确定模块，具体用于：获取所述左侧待检区域的面积和所述右侧待检区域的面积；确定在所述时期所述待检区域中的侧支血管的灰度值之和；基于任一时期的所述面积和所述灰度值之和，确定在所述时期中所述左侧待检区域的血管灰度均值和所述右侧待检区域的血管灰度均值；
结合本公开的任一实施方式，所述待检区域包括左侧待检区域和右侧待检区域，所述不同时期中包括动脉期；所述评价结果模块，具体用于：基于不同时期的所述血管充盈度，确定所述左侧待检区域和右侧待检区域中的异常侧或者正常侧；基于不同时期的异常侧的血管充盈度与动脉期的正常侧的血管充盈度，确定所述被检体的侧支循环的评价结果。
结合本公开的任一实施方式，所述候选血管掩膜提取模块，具体用于：对于所述血管造影图像序列中的任一时期对应的多帧血管造影图像，基于所述多帧血管造影图像对应的多个所述脑组织掩膜，得到所述时期的包含脑组织的去骨图像序列，所述去骨图像序列是所述时期的所述血管造影图像序列中的脑组织部分；识别所述去骨图像序列中各帧去骨图像中的血管，得到各帧血管图像；对于所述各帧血管图像沿轴向空间维度进行最大密度投影，得到最大密度投影图像，所述最大密度投影图像中包含主干血管和所述侧支血管；基于所述最大密度投影图像，提取得到所述时期的候选血管掩膜。
结合本公开的任一实施方式，所述候选血管掩膜提取模块在用于识别所述去骨图像序列中各帧去骨图像中的血管，得到各帧血管图像时，具体用于：通过灰度阈值法提取各帧去骨图像中的血管，得到各帧血管粗提图像，所述血管粗提图像中包含血管和残留头骨；提取三维血管粗提图像中的连通域，分别计算各个连通域内像素的坐标的标准差，所述三维血管粗提图像由各帧血管粗提图像组成；基于所述连通域的标准差，确定所述连通域中血管连通域；基于所述血管连通域，确定所述三维血管粗提图像中的各帧血管图像。
结合本公开的任一实施方式，所述候选血管掩膜提取模块在用于基于所述最大密度投影图像，提取得到所述时期的候选血管掩膜，具体用于：获取所述最大密度投影图像中各条血管的半径或直径；响应于所述血管的半径小于预设半径，或者响应于所述血管的直径小于预设直径，确定所述血管为侧支血管；确定所述最大密度投影图像中侧支血管的区域为所述时期的候选血管掩膜。
结合本公开的任一实施方式，所述装置还包括：头部掩膜提取模块，用于在所述基于任一时期对应的所述候选血管掩膜，确定待检区域中的侧支血管在所述时期的血管充盈度之前，提取各帧所述血管造影图像中的头部掩膜，所述头部掩膜用于表示血管造影图像中的头骨的区域；基于所述头部掩膜，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的角度和位置。
结合本公开的任一实施方式，所述装置还包括：图像配准模块，用于在所述基于所述头部掩膜，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的角度和位置之后，基于标准脑组织掩膜与标准分区模板的对应关系，以及所述标准脑组织掩膜与所述脑组织掩膜的对应的关系，得到所述被检体的大脑中待检类型的动脉供血区；所述标准分区模板为已标注待检类型的动脉供血区的标准大脑图像，所述标准脑组织掩膜为所述标准大脑图像中脑组织的区域。
结合本公开的任一实施方式，所述头部掩膜提取模块，在用于提取各帧所述血管造影图像中的头部掩膜时，具体用于：对任一帧所述血管造影图像中的头部进行分割，得到初步分割结果；对初步分割结果进行处理，得到头骨连通域图像；提取所述头骨连通域图像中的最大连通域，所述最大连通域作为该帧血管造影图像中的头部掩膜。
结合本公开的任一实施方式，所述图像配准模块，在用于所述基于所述头部掩膜，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的角度时，具体用于：对于预设角度范围内的任一角度，根据旋转该角度后的所述头部掩膜与翻转所述旋转该角度后的头部掩膜的差异，确定第一损失；响应于在第一角度下所述第一损失为最低，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的角度为第一角度。
结合本公开的任一实施方式，所述图像配准模块，在用于所述基于所述头部掩膜，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的位置，具体用于：基于计算得到的所述头部掩膜的质心，将所述质心确定为所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的中心。
第三方面，提供一种电子设备，所述设备包括存储器、处理器，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时实现本公开任一实施例所述的侧支循环的自动评价方法。
第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本公开任一实施例所述的侧支循环的自动评价方法。
本公开实施例的技术方案提供的侧支循环的自动评价方法，可以通过对被检体不同时期的血管造影图像序列提取脑组织掩膜，并基于脑组织掩膜，提取不同时期的候选血管掩膜，然后基于候选血管掩膜，确定待检区域中的侧支血管在不同时期的血管充盈程度，来自动确定被检体的侧支循环的评价结果，实现了较高准确率的侧支循环自动评价功能，并且耗时较少，评价一致性高，可以帮助医生准确高效判断被检体侧支循环的情况，提升医生的工作效率。另外，由于先得到脑组织掩膜，再通过脑组织掩膜提取候选血管掩膜，能够使得候选血管掩膜提取得更加精确。
附图说明
为了更清楚地说明本公开一个或多个实施例或相关技术中的技术方案，下面将对实施例或相关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公开一个或多个实施例中记载的一些实施例，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是本公开实施例示出的一种侧支循环的自动评价方法的流程图；
图1A是本公开实施例示出的一种被检体的侧支循环的自动评价结果；
图1B是本公开实施例示出的另一种被检体的侧支循环的自动评价结果；
图2是本公开实施例示出的一种提取候选血管掩膜的方法的流程图；
图3是本公开实施例示出的另一种的侧支循环的自动评价方法的流程图；
图3A是本公开实施例示出的一种左右两侧的大脑中动脉供血区；
图4是本公开实施例示出的一种侧支循环的自动评价装置的框图；
图5是本公开实施例示出的另一种侧支循环的自动评价装置的框图；
图6是本公开实施例示出的一种电子设备的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
大脑的侧支循环是指当供血动脉严重狭窄或闭塞时，血流可通过其他血管到达缺血区，使缺血组织得到不同程度的灌注代偿，是脑循环代偿机制之一，可增加卒中后缺血半暗带血供，在急性缺血性卒中的预后评估中扮演着重要角色。目前由医生手动对被检体侧支循环情况的评价，并且往往只考虑被检体动脉达峰期影像患侧血管的数量和CT值来进行评估，而缺失了血流流速信息，导致在静脉期以及静脉晚期充盈的血管被忽视，影响侧支循环最终的评价结果。
如图1所示，图1是本公开实施例示出的一种侧支循环的自动评价方法的流程图，该方法可以由服务器、计算机等设备执行，包括：
在步骤100中，获取血管造影图像序列，所述血管造影图像序列包括不同时期的被检体头部的影像。
为了确定被检体的侧支循环情况，可以采集该被检体头部的血管造影图像序列，血管造影图像序列可以通过血管造影成像技术对注射了造影剂的被检体在不同时期进行扫描得到。不同时期可以是注射造影剂后的动脉期、静脉期以及静脉晚期等时期，特别的，可以为动脉达峰期、静脉达峰期和静脉晚期。不同时期可以由本领域技术人员根据实际需求选取。本实施例不对所使用的血管造影成像技术进行限制，比如，可以是DSA(DigitalSubtraction Angiography，数字减影血管造影)，或者CTA(Computed TomographyAngiography，计算机断层扫描血管成像)等技术。
实际实施中，可以先于不同时期采集到被检体的原始血管造影图像序列，具体的，经过扫描设备扫描被检体，初步得到的原始血管造影图像序列是被检体的横断层的图像序列，通常包括被检体的胸部、颈部和头部，其中我们只对包含头部的断层图像感兴趣。
根据扫描方向，选择保留特定长度的原始血管造影图像序列的开端部分或末尾部分作为血管造影图像序列。特定长度的数值可以由本领域技术人员基于统计数据或业务经验进行设置，比如可以是160mm，以确保血管造影图像序列包含头部中的血管，并且分离去除特定长度之外的包含胸部、颈部的断层图像。
其中，扫描方向可以由本领域技术人员根据医院的扫描设备及医生的操作习惯进行对应设置，一般设置一次即可，在扫描设备的扫描方向不发生改变的情况下无需改变设置。
本实施例中，以通过CTA技术对注射了造影剂的被检体在三个时期分别进行扫描得到的血管造影图像序列为例，来说明侧支循环的自动评价方法是如何实现的。三个时期分别为注射造影剂后的动脉期、静脉期和静脉晚期。
在步骤102中，提取所述血管造影图像序列中每帧血管造影图像中的脑组织掩膜。
其中，所述脑组织掩膜用于表示血管造影图像中的脑组织的区域，可以是血管造影图像去除头骨及头骨外部组织得到的蒙版，其中头骨中脑组织区域内的像素可以标记为1，其余部分可以标记为0。对于每帧血管造影图像都可以提取对应的一个脑组织掩膜。
本实施例不限制提取脑组织掩膜的方法，比如，可以使用主动轮廓模型算法提取脑组织掩膜，也可以使用其他方式如神经网络来提取脑组织掩膜。
在步骤104中，对于所述血管造影图像序列中的任一时期对应的多帧血管造影图像，基于所述多帧血管造影图像对应的多个所述脑组织掩膜，提取得到所述时期的候选血管掩膜。
其中，所述候选血管掩膜包含所述时期中所述多帧血管造影图像中侧支血管的区域信息和像素信息。
本步骤中，可以对动脉期、静脉期和静脉晚期这三个时期对应的多帧血管造影图像进行相同的处理，得到三个候选血管掩膜。通过脑组织掩膜可以对多帧血管造影图像进行去骨处理，得到其中只包含脑组织的多帧图像，以避免头骨对后续血管提取的影响。对只包含脑组织的多帧图像进行血管提取并过滤侧支血管之外的血管，可以得到候选血管掩膜。候选血管掩膜中包含了血管造影图像中侧支血管的区域信息和侧支血管的所在区域的每个像素的像素信息。其中，任一时期的候选血管掩膜上每个位置上像素的像素信息可以是所述时期对应的多帧血管造影图像中每个位置的像素的最大的亮度值信息、最大的灰度值信息或者最大的密度信息等。
本实施例不限制血管提取具体所使用的方法，可以是通过区域增长算法或FCM聚类算法提取血管，也可以根据血管形态特征，通过多种阈值法、滤波法相结合提取血管。
在步骤106中，基于任一时期对应的所述候选血管掩膜，确定待检区域中的侧支血管在所述时期的血管充盈度。
其中，所述待检区域为所述被检体的大脑中待检类型的动脉供血区，大脑中的动脉供血区一般分为三种类型：大脑前动脉供血区、大脑中动脉供血区和大脑后动脉供血区。本实施例中待检类型的动脉供血区可以是其中任一种，这里以大脑中动脉供血区作为待检区域为例进行说明。
血管充盈度是血管中血液多少的衡量，本实施例不限制血管充盈度的表示方式，比如，血管充盈度可以用侧支血管的区域面积占待检区域的面积的比值表示，也可以用待检区域中侧支血管分支的个数表示，也可以用候选血管掩膜中所有像素的灰度值之和表示。
在一种实施方式中，血管充盈度用血管灰度均值表示，待检区域包括左侧待检区域和右侧待检区域，基于任一时期对应的所述候选血管掩膜，确定待检区域中的侧支血管在所述时期的血管充盈度，可以包括：
获取左侧待检区域的面积和右侧待检区域的面积；确定在所述时期待检区域中的侧支血管的灰度值之和；基于任一时期的所述面积和所述灰度值之和，确定在所述时期中左侧待检区域的血管灰度均值和右侧待检区域的血管灰度均值。
实际实施中，可以按照预设的左侧待检区域和右待检区域的位置在一个脑组织掩膜或者一帧血管造影图像中得到左侧待检区域的面积和右侧待检区域的面积，再通过每个时期的候选血管掩膜确定该时期中侧支血管所在区域的每个像素的灰度值之和，左侧待检区域中灰度值之和与左侧待检区域的面积的比值为该时期的左侧待检区域的血管灰度均值，右侧待检区域中灰度值之和与右侧待检区域的面积的比值为该时期的右侧待检区域的血管灰度均值。
本示例中，用血管灰度均值作为血管充盈度的表示，将供血区的面积和侧支血管的灰度加以考虑，将侧支循环的形成情况量化，可以更精确和方便的对被检体的侧支循环的进行评价。
在步骤108中，基于不同时期的所述血管充盈度，确定所述被检体的侧支循环的评价结果。
血管充盈度越高，则说明被检体的侧支循环形成的越完整，被检体的侧支循环的评价结果越好；反之，血管充盈度越低，则说明被检体的侧支循环形成的越不完整，被检体的侧支循环的评价结果越差。
侧支循环的评价结果可以用等级表示，比如，可以用优，良，中，差来表示等级，也可以用字母A,B,C,D等来表示等级。对侧支循环的评价也可以采用本领域常见的评价标准，比如，rLMC分值标准、Tan分值标准，Miteff分值标准以及ASITN/SIR分值标准。
本公开实施例提供的侧支循环的自动评价方法，可以通过对被检体不同时期的血管造影图像序列提取脑组织掩膜，并基于脑组织掩膜，提取不同时期的候选血管掩膜，然后基于候选血管掩膜，确定待检区域中的侧支血管在不同时期的血管充盈程度，来自动确定被检体的侧支循环的评价结果，实现了较高准确率的侧支循环自动评价功能，并且耗时较少，评价一致性高，可以帮助医生准确高效判断被检体侧支循环的情况，提升医生的工作效率。另外，由于先得到脑组织掩膜，再通过脑组织掩膜提取候选血管掩膜，能够使得候选血管掩膜提取得更加精确。
在一种实施方式中，待检区域包括左侧待检区域和右侧待检区域，不同时期中包括动脉期，基于不同时期的所述血管充盈度，确定所述被检体的侧支循环的评价结果，可以包括：
基于不同时期的所述血管充盈度，确定所述左侧待检区域和右侧待检区域中的异常侧或者正常侧；基于不同时期的异常侧的血管充盈度与动脉期的正常侧的血管充盈度，确定所述被检体的侧支循环的评价结果。
实际实施中，一般情况下，血管充盈度较高的那一侧待检区域为正常侧，血管充盈度较低的那一侧待检区域为异常侧。通常，正常侧的绝大多数动脉血管在动脉期充盈，而异常侧对应的血管会出现延迟充盈以及血容量降低的情况，所以将动脉期的正常侧的血管充盈度作为评价标准，通过异常侧的血管充盈度来表征被检体侧支循环的情况，得到侧支循环的评价结果。
此外，在左右两侧待检区域的血管充盈度均较高的时候，可以设定阈值，血管充盈度均超过该阈值，则说明被检体的侧支循环形成情况很好，两侧均为正常侧，侧支循环的评价结果为优。
比如，血管充盈度用血管灰度均值表示时，可以根据左右两侧待检区域的血管灰度均值大小来判断哪一侧是异常侧。首先参考动脉期大脑两侧待检区域的血管灰度均值，若一侧血管灰度均值小于对侧血管灰度均值的某个比例，比如80％，此比例可以由本领域技术人员基于统计数据或业务经验进行设定，则判定血管灰度均值较小的一侧为异常侧；若动脉期大脑两侧待检区域的血管灰度均值之差占均值较大的那一侧的比率小于20％，则对静脉期两侧待检区域的血管灰度均值进行比较，较小的一侧为异常侧。
在一示例中，采用不同时期的异常侧血管灰度均值与正常侧动脉期血管灰度均值的比值来量化表征侧支形成情况，即异常侧的充盈范围，其中，动脉期比值为异常侧在动脉期的血管灰度均值与正常侧在动脉期的血管灰度均值之比，静脉期比值为异常侧在静脉期的血管灰度均值与正常侧在动脉期的血管灰度均值之比，静脉晚期比值为异常侧在静脉晚期的血管灰度均值与正常侧在动脉期的血管灰度均值之比，可以根据这三个比值确定异常侧的侧支循环情况。比如，可以是在动脉期比值为三个比值中最高值时，确定侧支循环的评价结果为优；或者，可以是在三个比值中任一个比值达到预设的临界阈值时，确定侧支循环的评价结果为预设的对应的结果。
优选的，可以使用ASITN/SIR分值标准对异常侧的侧支循环情况进行评价，评价标准可以如表1所示：
表1 ASTIN/SIR评价量表
Figure BDA0003093295430000141
分值越高，则表示被检体异常侧的侧支循环形成越好。实际实施中，可以设置动脉期比值、静脉期比值和静脉晚期三个比值中，最高的比值对应的时期为充盈时相，该比值确定为充盈范围，待检区域即为缺血区域，根据充盈时相和充盈范围可以按照ASTIN/SIR评价量表进行评价。
如图1A所示，图1A为根据本实施例的方法得到的被检体的侧支循环的自动评价结果的示意图，其上叠加显示了三个时期的候选血管掩膜，每个时期用不同的灰度值表示，其中异常侧为大脑左侧，充盈时相为静脉期，充盈范围为83.0843％，缺血区域为大脑中动脉供血区，由于被检体的异常侧在静脉晚期可见缺血区域内完全的侧支循环形成，而在动脉期没有达到充盈，所以评价结果是3分。
如图1B所示，图1B为根据本实施例的方法得到的被检体的侧支循环的自动评价结果的示意图，其上叠加显示了三个时期的候选血管掩膜，每个时期用不同的灰度值表示，其中，大脑左右侧均为正常侧，充盈时相为动脉期，充盈范围为94.181％，在静脉期以前可见完全的侧支循环形成，所以评价结果是4分。
在一种实施方式中，上述实施例中对于所述血管造影图像序列中的任一时期对应的多帧血管造影图像，基于所述多帧血管造影图像对应的多个所述脑组织掩膜，提取得到所述时期的候选血管掩膜，可以包括如下处理，如图2所示。
在步骤200中，对于所述血管造影图像序列中的任一时期对应的多帧血管造影图像，基于所述多帧血管造影图像对应的多个所述脑组织掩膜，得到所述时期的包含脑组织的去骨图像序列。
其中，所述去骨图像序列是所述时期的所述血管造影图像序列中的脑组织部分。
本实施例中，对于对动脉期、静脉期和静脉晚期这三个时期对应的多帧血管造影图像进行相同的处理。
对于任一时期对应的多帧血管造影图像，通过脑组织掩膜可以对多帧血管造影图像进行去骨处理，去除头骨及头骨外部组织之后得到只包含脑组织的去骨图像序列，以避免头骨对后续血管提取的影响。其中，每帧血管造影图像通过该帧血管造影图像对应的脑组织掩膜进行去骨处理得到去骨图像。
在步骤202中，识别所述去骨图像序列中各帧去骨图像中的血管，得到各帧血管图像。
对各帧去骨图像中的血管进行提取，可以得到对应的各帧血管图像。本实施例不限制血管提取具体所使用的方法。
在一示例中，所述识别所述去骨图像序列中各帧去骨图像中的血管，得到各帧血管图像，包括：
首先，通过灰度阈值法提取各帧去骨图像中的血管，得到各帧血管粗提图像，所述血管粗提图像中包含血管和残留头骨。可以依据血管和其他脑组织的灰度特征，使用灰度阈值法进行血管粗略提取，在设定灰度范围内的像素点保留，其他像素点滤除，得到血管粗提图像。血管粗提图像常常伴随着未成功分离的残留头骨，此类残留头骨的灰度范围与血管的灰度范围有所重叠。
其次，提取三维血管粗提图像中的连通域，分别计算各个连通域内像素的坐标的标准差，所述三维血管粗提图像由各帧血管粗提图像组成。
多帧二维的血管粗提图像组合成三维血管粗提图像，连通域包括血管连通域和残留头骨连通域，其中，每帧血管粗提图像与邻近的血管粗提图像中的血管区域连通为血管连通域，每帧血管粗提图像与邻近的血管粗提图像中的残留头骨区域连通为残留头骨连通域，分别计算各个连通域内每个像素的坐标的标准差。
再次，基于所述连通域的标准差，确定所述连通域中血管连通域。
由于血管是管状的，而残留头骨是块状的，通常血管连通域标准差远大于头骨连通域标准差，给定标准差阈值，可以筛选出血管连通域，以进一步将头骨分离。
最后，基于所述血管连通域，确定所述三维血管粗提图像中的各帧血管图像。
基于三维血管粗提图像中的血管连通域，可以确定每帧血管粗提图像对应的血管图像。
该示例中，根据血管的形态特征，利用灰度阈值法和标准差阈值法相结合的方法去除了血管图像中的残留头骨，快速准确地实现了血管提取。
在步骤204中，对于所述各帧血管图像沿轴向空间维度进行最大密度投影，得到最大密度投影图像。
所述最大密度投影图像中包含了各种血管，主要包含主干血管和侧支血管，最大密度投影可以是每个位置上像素的像素信息的投影，比如亮度值信息、灰度值信息或者密度信息，在最大密度投影图像的每个位置上保留像素信息的最大值。
本实施例以灰度值信息为例，为了突出血管的特征，便于在二维图像上呈现更完整的血管形态和灰度分布，将对各帧血管图像沿轴向空间维度进行灰度的最大密度投影，得到单帧最大密度投影图像。最大密度投影图像包含了血管区域中每个坐标位置上像素的最大灰度值信息，该最大灰度值信息是各帧血管图像对应坐标位置上像素的灰度值信息中最大的一个。每一个时期都有一个最大密度投影图像，本实施例中三个时期对应三个最大密度投影图像。
此外，最大密度投影图像一般伴有一定程度的噪声，为了更加精确地提取血管，降低噪声影响，可以采用非局部均值滤波对最大密度投影图像进行去噪处理，其中滤波处理中的关键参数，如搜索框半径、邻域框半径和加权因子数值，可以由本领域技术人员基于统计数据或业务经验进行设置，本实施例对此不进行限定。
在步骤206中，基于所述最大密度投影图像，提取得到所述时期的候选血管掩膜。
通过最大密度投影图像所包含的血管特征，可以得到包含所述时期中的侧支血管的区域信息和像素信息的候选血管掩膜。对于三个最大密度投影图像可以得到三个候选血管掩膜。
在一示例中，所述基于所述最大密度投影图像，提取得到所述时期的候选血管掩膜，包括：
获取所述最大密度投影图像中各条血管的半径或直径，响应于所述血管的半径小于预设半径，或者响应于所述血管的直径小于预设直径，确定所述血管为侧支血管，确定所述最大密度投影图像中侧支血管的区域为所述时期的候选血管掩膜。
最大密度投影图像中包含了大脑中主干血管和侧支血管，需要理解的是，在血管发生堵塞部位之前的血管是不能视为侧支循环中的一部分的，因此需要将其去除，这部分血管通常位于动脉起始段，具有半径或直径较大的特征。
可以采用半径阈值法将侧支血管从中分离，可以是将低于预设半径的血管确定为侧支血管，并将侧支血管所在区域内每个像素的灰度值保留，其余高于预设半径的血管所在区域内每个像素的灰度值则赋值为0，得到所述时期的候选血管掩膜。采用直径阈值法时，则以预设直径为判断依据。
实际实施中，获取最大密度投影图像中各条血管的半径时，首先进行血管中心线提取，之后以中心线上各个像素点为中心，确定各个像素点到血管外壁的距离，得到血管轴向和横向上各个像素点对应的血管半径。
本示例可以通过阈值法对最大密度投影图像中血管进行过滤，可以排除近端血管的干扰，更为准确地实现了血管提取。
本实施例提供的侧支循环的自动评价方法，在基于脑组织掩膜，提取不同时期的候选血管掩膜时，可以根据血管形态特征，利用各种阈值法相结合来提取得到不同时期的候选血管掩膜，使得到的候选血管掩膜中血管特征更为突出，其中侧支血管的区域更为准确。而传统的头部血管提取算法，比如区域生长算法和FCM聚类算法，其中，区域生长算法耗时较长，无法满足实时性要求，FCM聚类无法清晰地提取出不同类型的血管，且噪声极多难以去除，血管精确提取是对侧支循环进行评价的关键，因此血管信息的损失和噪声的引入将会影响评价结果，相较于传统方法，本实施例可以快速准确地提取出候选血管掩膜，从而在基于候选血管掩膜，确定待检区域中的侧支血管在不同时期的血管充盈程度，自动确定被检体的侧支循环的评价结果时，评价结果更为准确，耗时更少，评价一致性更高。
图3提供了本公开另一实施例的侧支循环的自动评价方法，该方法可以包括如下处理，其中，与图1和图2的流程相同的步骤将不再详述。
在步骤300中，获取血管造影图像序列，所述血管造影图像序列包括不同时期的被检体头部的影像。
在步骤302中，提取所述血管造影图像序列中每帧血管造影图像中的脑组织掩膜。
在步骤304中，提取各帧所述血管造影图像中的头部掩膜，所述头部掩膜用于表示血管造影图像中的头骨的区域。
对于每帧血管造影图像提取对应的头部掩膜，本实施例不限制提取头部掩膜的方式，比如，可以使用神经网络的方式提取，还可以使用其它方式提取。
在一示例中，提取各帧血管造影图像中的头部掩膜，可以包括：
对任一帧所述血管造影图像中的头部进行分割，得到初步分割结果。可以使用灰度阈值法，将在设定灰度范围内的像素点保留，得到头骨的初步分割结果。
对初步分割结果进行处理，得到头骨连通域图像。可以在初步分割结果的基础上，先后进行形态学开运算和闭运算，将其中的头骨区域连通，得到包含多个连通域的头骨连通域图像。
提取所述头骨连通域图像中的最大连通域，所述最大连通域作为该帧血管造影图像中的头部掩膜。提取其中最大连通域，得到完整的头部掩膜，头部掩膜是血管造影图像去除皮肤、肌肉等头骨外部组织得到的蒙版，其中头骨及头骨之内的区域的像素可以标记为1，其余部分可以标记为0。该示例可以准确高效地提取头部掩膜。
本步骤也可以在步骤302之前执行。
在步骤306中，基于所述头部掩膜，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的角度和位置。
可以通过头部掩膜提取头部的对称轴，以对称轴为图像的中心线，从而校正上述图像的角度和位置。
例如，可以通过头部对称轴提取算法进行提取头部的对称轴，头部对称轴提取算法可以是特征点拟合法或者局部特征(如脑室)对称法，这两类方法都是基于头部内组织特征进行对称轴的确定，特征点拟合法中依靠清晰的脑中线结构通过霍夫变换提取头部的对称轴，局部特征对称法基于完整脑室结构确定对称轴的位置。然而对于被检体来说，被检体的头部内的组织很可能已经发生形变，这两种方法计算得到的对称轴的角度会受到影响，将会导致上述图像的角度和位置校正不准确。
在一示例中，所述基于所述头部掩膜，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的角度，可以包括：
对于预设角度范围内的任一角度，根据旋转该角度后的所述头部掩膜与翻转所述旋转该角度后的头部掩膜的差异，确定第一损失；响应于在第一角度下所述第一损失为最低，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的角度为第一角度。
头部掩膜可以通过图像矩阵来表示，其中，头骨及头骨之内的区域的像素标记为1，其余部分标记为0。基于头部掩膜来校正图像角度，主要是通过在一定的预设角度范围内，对旋转角度进行遍历，对于每个角度可以确定一个假定的对称轴，可以计算旋转不同角度后的头部掩膜与该角度旋转后再沿对称轴翻转后的头部掩膜的差异，确定为第一损失。旋转时，可以绕头部掩膜的旋转中心来旋转，旋转中心可以是每个头部掩膜的质心。第一损失越小，则说明该对称轴分割的头部掩膜越为对称，在第一损失为最低时，可以确定第一角度，将各帧血管造影图像、以及脑组织掩膜相应地旋转第一角度，从而校正上述图像的角度。
其中，第一损失是通过损失函数计算上述差异得到的损失函数值得到的，比如，损失函数表达式可以如下：
costs(Theta)＝norm(Mh_rot-Mh_fli)/R (1)
其中，Theta为头部掩膜旋转的角度，该旋转可以是基于最大的头部掩膜的质心的旋转，Theta的范围可以由本领域技术人员根据经验设定，比如可以是(-15°，15°)范围内；costs(Theta)的值为Theta角度下的第一损失；Mh_rot为头部掩膜Mh旋转Theta后得到的图像矩阵，Mh_fli为Mh_rot绕对称轴翻转后的图像矩阵，R为基于旋转Theta后确定的穿过头部掩膜的对称轴的长度；norm为矩阵范数，用于衡量差异的大小。
损失函数值为最小时，对应的角度即为旋转角，根据旋转角对头部掩膜以及与其匹配的一系列图像，即各帧血管造影图像、以及脑组织掩膜等做出相同的旋转调整，此时进行旋转时使用多个头部掩膜中最大的头部掩膜的质心作为旋转中心。此方法不依赖头部内部的结构，对脑组织的形态和成像质量没有要求，适用性和准确率较高。
需要说明的是，在计算第一损失时，是分别计算各个头部掩膜对应的损失函数值，将损失函数值之和确定为第一损失。
在一示例中，所述基于所述头部掩膜，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的位置，可以包括：
基于计算得到的所述头部掩膜的质心，将所述质心确定为所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的中心。
在校正了角度后，还需要对位置进行校正。分别计算各个头部掩膜对应的质心，将所有质心的平均值确定为校正所使用的质心，根据该质心与整张头部掩膜的图像中心的偏移量，对所有头部掩膜以及与其匹配的一系列图像，即各帧血管造影图像、以及脑组织掩膜等做出相同的调整，使该质心位于整张图像的中心。
本步骤中对于上述图像的角度与位置的调整是为了便于后续步骤中的图像配准。
在步骤308中，对于所述血管造影图像序列中的任一时期对应的多帧血管造影图像，基于所述多帧血管造影图像对应的多个所述脑组织掩膜，提取得到所述时期的候选血管掩膜。
所述候选血管掩膜包含所述时期中所述多帧血管造影图像中侧支血管的区域信息和像素信息。
本步骤可以在校正后脑组织掩膜以及各帧血管造影图像的基础上进行，本步骤也可以在未进行校正时，即步骤306之前执行。
在步骤310中，基于标准脑组织掩膜与标准分区模板的对应关系，以及所述标准脑组织掩膜与所述脑组织掩膜的对应的关系，得到所述被检体的大脑中待检类型的动脉供血区。
所述标准分区模板为已标注待检类型的动脉供血区的标准大脑图像，所述标准脑组织掩膜为所述标准大脑图像中脑组织的区域。
本步骤在图像配准之前，需要先提供标准脑组织掩膜及其对应的标准分区模板，标准分区模板上可以只标注待检类型的动脉供血区，待检类型的动脉供血区可以是大脑前动脉供血区、大脑中动脉供血区或者大脑后动脉供血区。标准分区模板上也可以将上述三种动脉供血区均标注上。标准脑组织掩膜是通过与上述从血管造影图像中提取脑组织掩膜的相同方法，从标准大脑图像中提取出来的。
根据临床数据统计大脑中动脉发生闭塞或狭隘概率最高，因此接下来的实施举例将针对大脑中动脉展开，但本公开不仅限于对大脑中动脉进行侧支循环的自动评价。
基于标准脑组织掩膜与标准分区模板的对应关系，以及标准脑组织掩膜与脑组织掩膜的对应的关系，利用仿射变换算法，得到待检体的大脑中动脉供血区的标记图像，该标记图像标记了被检体的大脑中待检类型的动脉供血区的位置，即大脑中动脉供血区的位置，该标记图像是对标准分区模板的变换。标记分为左右侧，属于大脑中动脉供血区内的像素被标记为1，其余部分标记为0。
在步骤312中，基于任一时期对应的所述候选血管掩膜，确定待检区域中的侧支血管在所述时期的血管充盈度。
本实施例中待检区域可以是大脑中动脉供血区，如图3A所示，框选的位置为左右两侧的大脑中动脉供血区。血管充盈度用血管灰度均值表示。
获取左侧待检区域的面积和右侧待检区域的面积。例如，基于待检体的大脑中动脉供血区的标记图像，对左右侧被标记像素(即为被标记为1的像素)个数总和分别计算，作为左右侧大脑中动脉的供血区面积SL和SR；
确定在所述时期待检区域中的侧支血管的灰度值之和。例如，基于大脑中动脉供血区的标记图像的尺寸与候选血管掩膜的图像尺寸一致，且各点像素位置一一对应，可以根据大脑中动脉供血区的标记图像，在候选血管掩膜中提取不同时期左右两侧的大脑中动脉供血区内血管对应的灰度值，并分别求和，其中，静脉期对应的左侧待检区域的灰度值之和为GL1、动脉期对应的左侧待检区域的灰度值之和为GL2、静脉晚期对应的左侧待检区域的灰度值之和为GL3，静脉期对应的右侧待检区域的灰度值之和为GR1、动脉期对应的右侧待检区域的灰度值之和为GR2、静脉晚期对应的右侧待检区域的灰度值之和为GR3。
确定在所述时期中左侧待检区域的血管灰度均值和右侧待检区域的血管灰度均值。例如，基于大脑中动脉左右侧供血区面积SL、SR及灰度值之和GL1、GL2、GL3、GR1、GR2、GR3，可以确定左侧对应中动脉供血区内的血管灰度均值为gLn，右侧对应中动脉供血区内的血管灰度均值为gRn，计算公式如下，其中，n＝1,2,3。
gLn＝GLn/SL (2)
gRn＝GRn/SR (3)
在步骤314中，基于不同时期的所述血管充盈度，确定所述被检体的侧支循环的评价结果。
本步骤中，基于不同时期的所述血管充盈度，确定所述左侧待检区域和右侧待检区域中的异常侧或者正常侧。
例如，异常侧用字符abnor代表，正常侧用字符nor代表。若gL1>gR1，且有
Figure BDA0003093295430000231
则异常侧为右侧，即
gLn＝gnor (4)
gRn＝gabnor (5)
异常侧的充盈范围可以用Radion表示，计算公式如下，其中，n＝1,2,3。
Figure BDA0003093295430000232
Radion数值最大的时期为异常侧血管充盈期，此时期对应的充盈范围即为评价待检者侧支循环所使用的充盈范围。
本公开实施例的技术方案提供的侧支循环的自动评价方法，可以通过对被检体不同时期的血管造影图像序列提取脑组织掩膜和头部掩膜，通过头部掩膜对脑组织掩膜和血管造影图像进行校正，以使通过校正后的图像进行图像配准，自动得到待检区域的位置，并基于脑组织掩膜，提取不同时期的候选血管掩膜，然后基于候选血管掩膜，确定待检区域中的侧支血管在不同时期的血管充盈程度，来自动确定被检体的侧支循环的评价结果，实现了较高准确率的侧支循环自动评价功能，并且耗时较少，评价一致性高，可以帮助医生准确高效判断被检体侧支循环的情况，提升医生的工作效率。
本公开实施例提供了一种侧支循环的自动评价装置，如图4所示，该装置可以包括：图像获取模块41，脑组织掩膜提取模块42，候选血管掩膜提取模块43，血管充盈度确定模块44和评价结果模块45。
图像获取模块41，用于获取血管造影图像序列，所述血管造影图像序列包括不同时期的被检体头部的影像。
脑组织掩膜提取模块42，用于提取所述血管造影图像序列中每帧血管造影图像中的脑组织掩膜，所述脑组织掩膜用于表示血管造影图像中的脑组织的区域。
候选血管掩膜提取模块43，用于对于所述血管造影图像序列中的任一时期对应的多帧血管造影图像，基于所述多帧血管造影图像对应的多个所述脑组织掩膜，提取得到所述时期的候选血管掩膜，所述候选血管掩膜用于表示所述时期中所述多帧血管造影图像中侧支血管的区域。
血管充盈度确定模块44，用于基于任一时期对应的所述候选血管掩膜，确定待检区域中的侧支血管在所述时期的血管充盈度，所述待检区域为所述被检体的大脑中待检类型的动脉供血区。
评价结果模块45，用于基于不同时期的所述血管充盈度，确定所述被检体的侧支循环的评价结果。
本公开实施例的技术方案提供的侧支循环的自动评价装置，可以通过对被检体不同时期的血管造影图像序列提取脑组织掩膜，并基于脑组织掩膜，提取不同时期的候选血管掩膜，然后基于候选血管掩膜，确定待检区域中的侧支血管在不同时期的血管充盈程度，来自动确定被检体的侧支循环的评价结果，实现了较高准确率的侧支循环自动评价功能，并且耗时较少，评价一致性高，可以帮助医生准确高效判断被检体侧支循环的情况，提升医生的工作效率。另外，由于先得到脑组织掩膜，再通过脑组织掩膜提取候选血管掩膜，能够使得候选血管掩膜提取得更加精确。
在一示例中，所述待检区域包括左侧待检区域和右侧待检区域，所述血管充盈度用血管灰度均值表示；所述血管充盈度确定模块44，具体用于：获取所述左侧待检区域的面积和所述右侧待检区域的面积；确定在所述时期所述待检区域中的侧支血管的灰度值之和；基于任一时期的所述面积和所述灰度值之和，确定在所述时期中所述左侧待检区域的血管灰度均值和所述右侧待检区域的血管灰度均值；
在一示例中，所述待检区域包括左侧待检区域和右侧待检区域，所述不同时期中包括动脉期；所述评价结果模块45，具体用于：基于不同时期的所述血管充盈度，确定所述左侧待检区域和右侧待检区域中的异常侧或者正常侧；基于不同时期的异常侧的血管充盈度与动脉期的正常侧的血管充盈度，确定所述被检体的侧支循环的评价结果。
在一示例中，所述候选血管掩膜提取模块43，具体用于：对于所述血管造影图像序列中的任一时期对应的多帧血管造影图像，基于所述多帧血管造影图像对应的多个所述脑组织掩膜，得到所述时期的包含脑组织的去骨图像序列，所述去骨图像序列是所述时期的所述血管造影图像序列中的脑组织部分；识别所述去骨图像序列中各帧去骨图像中的血管，得到各帧血管图像；对于所述各帧血管图像沿轴向空间维度进行最大密度投影，得到最大密度投影图像，所述最大密度投影图像中包含主干血管和所述侧支血管；基于所述最大密度投影图像，提取得到所述时期的候选血管掩膜。
在一示例中，所述候选血管掩膜提取模块43，在用于识别所述去骨图像序列中各帧去骨图像中的血管，得到各帧血管图像时，具体用于：通过灰度阈值法提取各帧去骨图像中的血管，得到各帧血管粗提图像，所述血管粗提图像中包含血管和残留头骨；提取三维血管粗提图像中的连通域，分别计算各个连通域内像素的坐标的标准差，所述三维血管粗提图像由各帧血管粗提图像组成；基于所述连通域的标准差，确定所述连通域中血管连通域；基于所述血管连通域，确定所述三维血管粗提图像中的各帧血管图像。
在一示例中，所述候选血管掩膜提取模块43，在用于基于所述最大密度投影图像，提取得到所述时期的候选血管掩膜，具体用于：获取所述最大密度投影图像中各条血管的半径或直径；响应于所述血管的半径小于预设半径，或者响应于所述血管的直径小于预设直径，确定所述血管为侧支血管；确定所述最大密度投影图像中侧支血管的区域为所述时期的候选血管掩膜。
如图5所示,所述装置还包括：头部掩膜提取模块46，图像配准模块47
所述头部掩膜提取模块46，用于在所述基于任一时期对应的所述候选血管掩膜，确定待检区域中的侧支血管在所述时期的血管充盈度之前，提取各帧所述血管造影图像中的头部掩膜，所述头部掩膜用于表示血管造影图像中的头骨的区域；基于所述头部掩膜，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的角度和位置。
所述图像配准模块47，用于在所述基于所述头部掩膜，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的角度和位置之后，基于标准脑组织掩膜与标准分区模板的对应关系，以及所述标准脑组织掩膜与所述脑组织掩膜的对应的关系，得到所述被检体的大脑中待检类型的动脉供血区；所述标准分区模板为已标注待检类型的动脉供血区的标准大脑图像，所述标准脑组织掩膜为所述标准大脑图像中脑组织的区域。
在一示例中，所述头部掩膜提取模块46，在用于提取各帧所述血管造影图像中的头部掩膜时，具体用于：对任一帧所述血管造影图像中的头部进行分割，得到初步分割结果；对初步分割结果进行处理，得到头骨连通域图像；提取所述头骨连通域图像中的最大连通域，所述最大连通域作为该帧血管造影图像中的头部掩膜。
在一示例中，所述图像配准模块47，在用于所述基于所述头部掩膜，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的角度时，具体用于：对于预设角度范围内的任一角度，根据旋转该角度后的所述头部掩膜与翻转所述旋转该角度后的头部掩膜的差异，确定第一损失；响应于在第一角度下所述第一损失为最低，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的角度为第一角度。
在一示例中，所述图像配准模块47，在用于所述基于所述头部掩膜，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的位置，具体用于：基于计算得到的所述头部掩膜的质心，将所述质心确定为所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的中心。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
本公开实施例还提供了一种电子设备，如图6所示，所述电子设备包括存储器51、处理器52，所述存储器51用于存储可在处理器上运行的计算机指令，所述处理器52用于在执行所述计算机指令时实现本公开任一实施例所述的侧支循环的自动评价方法。
本公开实施例还提供了一种计算机程序产品，该产品包括计算机程序/指令，该计算机程序/指令被处理器执行时实现本公开任一实施例所述的侧支循环的自动评价方法。
本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本公开任一实施例所述的侧支循环的自动评价方法。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。
应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。
以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。

Claims (14)

1.一种侧支循环的自动评价方法，其特征在于，所述方法包括：
获取血管造影图像序列，所述血管造影图像序列包括不同时期的被检体头部的影像；
提取所述血管造影图像序列中每帧血管造影图像中的脑组织掩膜，所述脑组织掩膜用于表示血管造影图像中的脑组织的区域；
对于所述血管造影图像序列中的任一时期对应的多帧血管造影图像，基于所述多帧血管造影图像对应的多个所述脑组织掩膜，提取得到所述时期的候选血管掩膜，所述候选血管掩膜包含所述时期中所述多帧血管造影图像中侧支血管的区域信息和像素信息；
基于任一时期对应的所述候选血管掩膜，确定待检区域中的侧支血管在所述时期的血管充盈度，所述待检区域为所述被检体的大脑中待检类型的动脉供血区；
基于不同时期的所述血管充盈度，确定所述被检体的侧支循环的评价结果。
2.根据权利要求1所述的方法，其特征在于，所述待检区域包括左侧待检区域和右侧待检区域，所述血管充盈度用血管灰度均值表示；
所述基于任一时期对应的所述候选血管掩膜，确定待检区域中的侧支血管在所述时期的血管充盈度，包括：
获取所述左侧待检区域的面积和所述右侧待检区域的面积；
确定在所述时期所述待检区域中的侧支血管的灰度值之和；
基于任一时期的所述面积和所述灰度值之和，确定在所述时期中所述左侧待检区域的血管灰度均值和所述右侧待检区域的血管灰度均值。
3.根据权利要求1所述的方法，其特征在于，所述待检区域包括左侧待检区域和右侧待检区域，所述不同时期中包括动脉期；
所述基于不同时期的所述血管充盈度，确定所述被检体的侧支循环的评价结果，包括：
基于不同时期的所述血管充盈度，确定所述左侧待检区域和右侧待检区域中的异常侧或者正常侧；
基于不同时期的异常侧的血管充盈度与动脉期的正常侧的血管充盈度，确定所述被检体的侧支循环的评价结果。
4.根据权利要求1所述的方法，其特征在于，所述对于所述血管造影图像序列中的任一时期对应的多帧血管造影图像，基于所述多帧血管造影图像对应的多个所述脑组织掩膜，提取得到所述时期的候选血管掩膜，包括：
对于所述血管造影图像序列中的任一时期对应的多帧血管造影图像，基于所述多帧血管造影图像对应的多个所述脑组织掩膜，得到所述时期的包含脑组织的去骨图像序列，所述去骨图像序列是所述时期的所述血管造影图像序列中的脑组织部分；
识别所述去骨图像序列中各帧去骨图像中的血管，得到各帧血管图像；
对于所述各帧血管图像沿轴向空间维度进行最大密度投影，得到最大密度投影图像，所述最大密度投影图像中包含主干血管和所述侧支血管；
基于所述最大密度投影图像，提取得到所述时期的候选血管掩膜。
5.根据权利要求4所述的方法，其特征在于，所述识别所述去骨图像序列中各帧去骨图像中的血管，得到各帧血管图像，包括：
通过灰度阈值法提取各帧去骨图像中的血管，得到各帧血管粗提图像，所述血管粗提图像中包含血管和残留头骨；
提取三维血管粗提图像中的连通域，分别计算各个连通域内像素的坐标的标准差，所述三维血管粗提图像由各帧血管粗提图像组成；
基于所述连通域的标准差，确定所述连通域中血管连通域；
基于所述血管连通域，确定所述三维血管粗提图像中的各帧血管图像。
6.根据权利要求4所述的方法，其特征在于，所述基于所述最大密度投影图像，提取得到所述时期的候选血管掩膜，包括：
获取所述最大密度投影图像中各条血管的半径或直径；
响应于所述血管的半径小于预设半径，或者响应于所述血管的直径小于预设直径，确定所述血管为侧支血管；
确定所述最大密度投影图像中侧支血管的区域为所述时期的候选血管掩膜。
7.根据权利要求1所述的方法，其特征在于，在所述基于任一时期对应的所述候选血管掩膜，确定待检区域中的侧支血管在所述时期的血管充盈度之前，所述方法还包括：
提取各帧所述血管造影图像中的头部掩膜，所述头部掩膜用于表示血管造影图像中的头骨的区域；
基于所述头部掩膜，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的角度和位置。
8.根据权利要求7所述的方法，其特征在于，在所述基于所述头部掩膜，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的角度和位置之后，所述方法还包括：
基于标准脑组织掩膜与标准分区模板的对应关系，以及所述标准脑组织掩膜与所述脑组织掩膜的对应的关系，得到所述被检体的大脑中待检类型的动脉供血区；
所述标准分区模板为已标注待检类型的动脉供血区的标准大脑图像，所述标准脑组织掩膜为所述标准大脑图像中脑组织的区域。
9.根据权利要求7所述的方法，其特征在于，所述提取各帧所述血管造影图像中的头部掩膜，包括：
对任一帧所述血管造影图像中的头部进行分割，得到初步分割结果；
对初步分割结果进行处理，得到头骨连通域图像；
提取所述头骨连通域图像中的最大连通域，所述最大连通域作为该帧血管造影图像中的头部掩膜。
10.根据权利要求7所述的方法，其特征在于，所述基于所述头部掩膜，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的角度，包括：
对于预设角度范围内的任一角度，根据旋转该角度后的所述头部掩膜与翻转所述旋转该角度后的头部掩膜的差异，确定第一损失；
响应于在第一角度下所述第一损失为最低，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的角度为第一角度。
11.根据权利要求7所述的方法，其特征在于，所述基于所述头部掩膜，校正所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的位置，包括：
基于计算得到的所述头部掩膜的质心，将所述质心确定为所述血管造影图像序列中的各帧血管造影图像、以及所述脑组织掩膜的中心。
12.一种侧支循环的自动评价装置，其特征在于，所述装置包括：
图像获取模块，用于获取血管造影图像序列，所述血管造影图像序列包括不同时期的被检体头部的影像；
脑组织掩膜提取模块，用于提取所述血管造影图像序列中每帧血管造影图像中的脑组织掩膜，所述脑组织掩膜用于表示血管造影图像中的脑组织的区域；
候选血管掩膜提取模块，用于对于所述血管造影图像序列中的任一时期对应的多帧血管造影图像，基于所述多帧血管造影图像对应的多个所述脑组织掩膜，提取得到所述时期的候选血管掩膜，所述候选血管掩膜包含所述时期中所述多帧血管造影图像中侧支血管的区域信息和像素信息；
血管充盈度确定模块，用于基于任一时期对应的所述候选血管掩膜，确定待检区域中的侧支血管在所述时期的血管充盈度，所述待检区域为所述被检体的大脑中待检类型的动脉供血区；
评价结果模块，用于基于不同时期的所述血管充盈度，确定所述被检体的侧支循环的评价结果。
13.一种电子设备，其特征在于，所述设备包括存储器、处理器，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时实现权利要求1至11任一所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至11任一所述的方法。
CN202110602267.8A 2021-05-31 2021-05-31 一种侧支循环的自动评价方法和装置 Active CN113222974B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110602267.8A CN113222974B (zh) 2021-05-31 2021-05-31 一种侧支循环的自动评价方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110602267.8A CN113222974B (zh) 2021-05-31 2021-05-31 一种侧支循环的自动评价方法和装置

Publications (2)

Publication Number Publication Date
CN113222974A true CN113222974A (zh) 2021-08-06
CN113222974B CN113222974B (zh) 2023-12-29

Family

ID=77081765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110602267.8A Active CN113222974B (zh) 2021-05-31 2021-05-31 一种侧支循环的自动评价方法和装置

Country Status (1)

Country Link
CN (1) CN113222974B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332043A (zh) * 2021-12-31 2022-04-12 深圳市铱硙医疗科技有限公司 基于ct灌注影像的侧枝循环测量方法、装置、设备及介质
CN117291281A (zh) * 2023-08-29 2023-12-26 强联智创（北京）科技有限公司 评估脑部侧支循环的评估模型进行训练的方法及相关产品

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013185022A1 (en) * 2012-06-08 2013-12-12 The Ohio State University Methods and compositions for improving pial collateral circulation and treating blood clotting disorders
WO2014034940A1 (ja) * 2012-08-31 2014-03-06 株式会社 東芝 医用診断画像処理装置
WO2017204244A1 (ja) * 2016-05-26 2017-11-30 国立大学法人名古屋大学 血管新生療法を実施した重症虚血肢患者の治療効果の評価方法及びモニタリング方法、治療効果の評価試薬、並びに、治療効果の評価装置及びコンピュータプログラム
CN109410221A (zh) * 2018-10-31 2019-03-01 上海联影医疗科技有限公司 脑灌注图像分割方法、装置、服务器和存储介质
CN109907758A (zh) * 2019-03-15 2019-06-21 脑玺(上海)智能科技有限公司 颅内血管血流延迟的影像标注方法及系统
CN110448319A (zh) * 2018-05-08 2019-11-15 博动医学影像科技（上海）有限公司 基于造影影像及冠状动脉的血流速度计算方法
CN110934606A (zh) * 2019-10-31 2020-03-31 上海杏脉信息科技有限公司 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质
CN110934608A (zh) * 2019-10-31 2020-03-31 上海杏脉信息科技有限公司 脑卒中早期cta图像评估系统及评估方法、可读存储介质
CN111513738A (zh) * 2020-04-10 2020-08-11 北京东软医疗设备有限公司 血管造影方法、装置、设备及系统
CN112263225A (zh) * 2020-10-26 2021-01-26 中国人民解放军总医院第一医学中心 一种基于脑血流的侧支血管及组织功能评估方法
CN112509075A (zh) * 2020-11-23 2021-03-16 西安科锐盛创新科技有限公司 基于智慧医疗的颅内血管病灶标记与三维显示方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013185022A1 (en) * 2012-06-08 2013-12-12 The Ohio State University Methods and compositions for improving pial collateral circulation and treating blood clotting disorders
CN104507468A (zh) * 2012-06-08 2015-04-08 俄亥俄州立大学 用于改善软膜侧支循环和治疗血液凝固障碍的方法与组合物
WO2014034940A1 (ja) * 2012-08-31 2014-03-06 株式会社 東芝 医用診断画像処理装置
WO2017204244A1 (ja) * 2016-05-26 2017-11-30 国立大学法人名古屋大学 血管新生療法を実施した重症虚血肢患者の治療効果の評価方法及びモニタリング方法、治療効果の評価試薬、並びに、治療効果の評価装置及びコンピュータプログラム
CN110448319A (zh) * 2018-05-08 2019-11-15 博动医学影像科技（上海）有限公司 基于造影影像及冠状动脉的血流速度计算方法
CN109410221A (zh) * 2018-10-31 2019-03-01 上海联影医疗科技有限公司 脑灌注图像分割方法、装置、服务器和存储介质
CN109907758A (zh) * 2019-03-15 2019-06-21 脑玺(上海)智能科技有限公司 颅内血管血流延迟的影像标注方法及系统
CN110934606A (zh) * 2019-10-31 2020-03-31 上海杏脉信息科技有限公司 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质
CN110934608A (zh) * 2019-10-31 2020-03-31 上海杏脉信息科技有限公司 脑卒中早期cta图像评估系统及评估方法、可读存储介质
CN111513738A (zh) * 2020-04-10 2020-08-11 北京东软医疗设备有限公司 血管造影方法、装置、设备及系统
CN112263225A (zh) * 2020-10-26 2021-01-26 中国人民解放军总医院第一医学中心 一种基于脑血流的侧支血管及组织功能评估方法
CN112509075A (zh) * 2020-11-23 2021-03-16 西安科锐盛创新科技有限公司 基于智慧医疗的颅内血管病灶标记与三维显示方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
NATHAN WEINSTEIN ET AL.: "Modeling the Blood Vessels of the Brain", 《HIGH PERFORMANCE COMPUTER APPLICATIONS》 *
李振光: "缺血性卒中新观点：侧支循环评估", 《HTTPS://MAX.BOOK118.COM/HTML/2018/1107/7106156025001156.SHTM》 *
李晗 等: "基于多模态CT评估缺血性脑卒中侧支循环的研究进展", 《中国中西医结合影像学杂志》 *
胡苏华;彭伟;许辉;吕育玲;乔向亮;: "侧支循环与急性脑梗死机械取栓疗效及转归的相关性分析", 神经损伤与功能重建, no. 11 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332043A (zh) * 2021-12-31 2022-04-12 深圳市铱硙医疗科技有限公司 基于ct灌注影像的侧枝循环测量方法、装置、设备及介质
CN117291281A (zh) * 2023-08-29 2023-12-26 强联智创（北京）科技有限公司 评估脑部侧支循环的评估模型进行训练的方法及相关产品

Also Published As

Publication number Publication date
CN113222974B (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
Rusko et al. Fully automatic liver segmentation for contrast-enhanced CT images
WO2018023917A1 (zh) 一种下肢血管的提取方法及系统
CN111539944B (zh) 肺部病灶统计属性获取方法、装置、电子设备和存储介质
CN109064476B (zh) 一种基于水平集的ct胸片肺组织图像分割方法
CN110163809A (zh) 基于U-net生成对抗网络DSA成像方法及装置
EP3352135B1 (en) Method and apparatus for segmentation of blood vessels
CN113222974B (zh) 一种侧支循环的自动评价方法和装置
CN105701778A (zh) 一种从ct图像中去除金属伪影的方法
CN109431531A (zh) 基于灌注成像的血管分割方法及装置和计算机装置
CN115564737A (zh) 冠状动脉ct造影图像的分割方法、装置与存储介质
CN109740602B (zh) 肺动脉期血管提取方法及系统
KR101611488B1 (ko) 의료 영상에서 아티팩트와 병변을 구분하는 방법
WO2023063318A1 (ja) 診断支援プログラム
CN112132837A (zh) 一种胸部骨骼自动提取方法、系统、电子设备及存储介质
CN113935976A (zh) 一种增强ct图像的脏器内血管自动分割方法及系统
Bandekar et al. Automated pericardial fat quantification in CT data
Chillet et al. Vascular atlas formation using a vessel-to-image affine registration method
Cárdenes et al. 3D modeling of coronary artery bifurcations from CTA and conventional coronary angiography
CN112767333A (zh) 一种基于cta影像的双下肢血管区域判断方法及系统
CN112862850A (zh) 数字剪影血管造影影像处理方法及装置
Karim et al. Left atrium segmentation for atrial fibrillation ablation
JP6705528B2 (ja) 医用画像表示処理方法、医用画像表示処理装置およびプログラム
EP3658031B1 (en) Motion compensated cardiac valve reconstruction
CN114723739B (zh) 一种基于cta影像的血管分段模型训练数据标注方法及装置
CN112767332B (zh) 一种基于cta影像的血管区域判断方法及系统

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240204

Address after: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province

Patentee after: Shenyang Neusoft Medical Systems Co.,Ltd.

Country or region after: China

Address before: Room 336, 177-1, Chuangxin Road, Hunnan New District, Shenyang City, Liaoning Province

Patentee before: Shenyang advanced medical equipment Technology Incubation Center Co.,Ltd.

Country or region before: China