CN113261985A - 一种医学图像处理方法、装置、介质及电子设备 - Google Patents
一种医学图像处理方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN113261985A CN113261985A CN202110728424.XA CN202110728424A CN113261985A CN 113261985 A CN113261985 A CN 113261985A CN 202110728424 A CN202110728424 A CN 202110728424A CN 113261985 A CN113261985 A CN 113261985A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- pulmonary
- artery
- medical image
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 61
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 403
- 230000002685 pulmonary effect Effects 0.000 claims abstract description 189
- 210000001367 artery Anatomy 0.000 claims abstract description 159
- 210000001147 pulmonary artery Anatomy 0.000 claims abstract description 97
- 210000001370 mediastinum Anatomy 0.000 claims abstract description 94
- 210000003492 pulmonary vein Anatomy 0.000 claims abstract description 58
- 210000003462 vein Anatomy 0.000 claims abstract description 55
- 210000004072 lung Anatomy 0.000 claims abstract description 50
- 238000004891 communication Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims description 45
- 238000013135 deep learning Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 description 31
- 238000012549 training Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 208000019693 Lung disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000004088 microvessel Anatomy 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30061—Lung
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Optics & Photonics (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pulmonology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种医学图像处理方法、装置、介质及电子设备。所述医学图像处理方法包括:获取患者的肺部医学图像;根据患者的肺部医学图像获取患者的肺部血管模型;将纵隔区域血管分类为纵隔区域肺动脉血管和纵隔区域肺静脉血管;根据第一肺内血管与纵隔区域肺动脉血管和纵隔区域肺静脉血管的连通关系,将第一肺内血管分类为第一动脉血管和第一静脉血管;根据第二肺内血管的位置和形态,将第二肺内血管分类为第二动脉血管和第二静脉血管;根据第一动脉血管和第二动脉血管获取肺内动脉血管,根据第一静脉血管和第二静脉血管获取肺内静脉血管。所述医学图像处理方法能够准确地区分所述肺部医学图像中的静脉和动脉。
Description
技术领域
本发明涉及一种图像处理方法,特别是涉及一种医学图像处理方法、装置、介质及电子设备。
背景技术
随着医学影像技术的发展以及计算机图像处理技术在医学图像处理领域的应用,医务人员可以借助计算机图像处理技术对医学影像进行分析处理得到相关疾病的辅助诊断结论。对于一些肺部疾病来说,在获取辅助诊断结论之前需要对肺部医学图像中的动脉血管和静脉血管进行区分。然而,发明人在实际应用中发现,现有的图像分割技术仅能够对肺部医学图像进行分割得到肺部血管,但无法准确地对肺部医学图像中的动脉和静脉进行区分。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种医学图像处理方法、装置、介质及电子设备,用于解决现有技术中无法准确地对肺部医学图像中的动脉和静脉进行区分的问题。
为实现上述目的及其他相关目的,本发明的第一方面提供一种医学图像处理方法,所述医学图像处理方法包括:获取患者的肺部医学图像;根据所述患者的肺部医学图像获取患者的肺部血管模型,其中,所述肺部血管模型包括肺内血管和纵隔区域血管,所述肺内血管包括第一肺内血管和第二肺内血管,所述第一肺内血管是指与所述纵隔区域血管相连通的血管,所述第二肺内血管是指与所述纵隔区域血管不连通的血管;将所述纵隔区域血管分类为纵隔区域肺动脉血管和纵隔区域肺静脉血管;根据所述第一肺内血管与所述纵隔区域肺动脉血管和所述纵隔区域肺静脉血管的连通关系,将所述第一肺内血管分类为第一动脉血管和第一静脉血管;根据所述第二肺内血管的位置和形态,将所述第二肺内血管分类为第二动脉血管和第二静脉血管;根据所述第一动脉血管和所述第二动脉血管获取肺内动脉血管,根据所述第一静脉血管和所述第二静脉血管获取肺内静脉血管。
于所述第一方面的一实施例中,将所述纵隔区域血管分类为所述纵隔区域肺动脉血管和所述纵隔区域肺静脉血管的实现方法包括:根据所述肺部血管模型获取纵隔区域血管模型;利用一训练好的深度学习网络模型对所述纵隔区域血管模型进行二分类,以将所述纵隔区域血管分类为所述纵隔区域肺动脉血管和所述纵隔区域肺静脉血管。
于所述第一方面的一实施例中,根据所述第一肺内血管与所述纵隔区域肺动脉血管和所述纵隔区域肺静脉血管的连通关系,将所述第一肺内血管分类为所述第一动脉血管和所述第一静脉血管的实现方法包括:根据所述肺部血管模型获取肺内血管模型;获取所述肺内血管模型中与所述纵隔区域肺动脉血管相连通的血管作为所述第一动脉血管;获取所述肺内血管模型中与所述纵隔区域肺静脉血管相连通的血管作为所述第一静脉血管。
于所述第一方面的一实施例中,根据所述第二肺内血管的位置和形态,将所述第二肺内血管分类为第二动脉血管和第二静脉血管的一种实现方法包括:根据所述患者的肺部医学图像获取患者的气道模型,其中,所述气道模型包括多段支气道;获取各所述第二肺内血管与各所述支气道的相对位置关系,将所述第二肺内血管分类为所述第二动脉血管和所述第二静脉血管。
于所述第一方面的一实施例中,根据所述第一动脉血管和所述第二动脉血管获取肺内动脉血管的实现方法包括:获取所述第一动脉血管的中心线以及所述第一动脉血管的中心线端点;获取所述第二动脉血管的中心线以及所述第二动脉血管的中心线端点;根据所述第二动脉血管的中心线与所述第一动脉血管的中心线、以及所述第二动脉血管的中心线端点与所述第一动脉血管的中心线端点,判断所述第二动脉血管是否能够与所述第一动脉血管对应相连;将所有能够对应相连的所述第二动脉血管与所述第一动脉血管相连接,以得到所述肺内动脉血管。
于所述第一方面的一实施例中,根据所述第二肺内血管的位置和形态,将所述第二肺内血管分类为第二动脉血管和第二静脉血管的一种实现方法包括:根据所述第二肺内血管与所述第一肺内血管的相对位置获取能够对应连通的第一肺内血管和第二肺内血管;根据所述第二肺内血管与所述第一动脉血管和所述第二动脉血管的对应连通关系,将所述第二肺内血管分类为所述第二动脉血管和所述第二静脉血管。
于所述第一方面的一实施例中,所述医学图像处理方法还包括:利用一显示器显示所述纵隔区域肺动脉血管、所述纵隔区域肺静脉血管、所述肺内动脉血管和/或所述肺内静脉血管;根据接收到的用户指令调整所述显示器对所述纵隔区域肺动脉血管、所述纵隔区域肺静脉血管、所述肺内动脉血管和/或所述肺内静脉血管的显示方式。
本发明的第二方面提供一种医学图像处理装置,所述医学图像处理装置包括:医学图像获取模块,用于获取患者的肺部医学图像;血管模型获取模块,用于根据所述患者的肺部医学图像获取患者的肺部血管模型,其中,所述肺部血管模型包括肺内血管和纵隔区域血管,所述肺内血管包括第一肺内血管和第二肺内血管,所述第一肺内血管是指与所述纵隔区域血管相连通的血管,所述第二肺内血管是指与所述纵隔区域血管不连通的血管;纵隔区域血管分类模块,用于将所述纵隔区域血管分类为纵隔区域肺动脉血管和纵隔区域肺静脉血管;第一肺内血管分类模块,用于根据所述第一肺内血管与所述纵隔区域肺动脉血管和所述纵隔区域肺静脉血管的连通关系,将所述第一肺内血管分类为第一动脉血管和第一静脉血管;第二肺内血管分类模块,用于根据所述第二肺内血管的位置和形态,将所述第二肺内血管分类为第二动脉血管和第二静脉血管;肺内血管获取模块,用于根据所述第一动脉血管和所述第二动脉血管获取肺内动脉血管,根据所述第一静脉血管和所述第二静脉血管获取肺内静脉血管。
本发明的第三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,该计算机程序被处理器执行时实现本发明第一方面任一项所述的医学图像处理方法。
本发明的第四方面提供一种电子设备,所述电子设备包括:存储器,存储有一计算机程序;处理器,与所述存储器通信相连,调用所述计算机程序时执行本发明第一方面任一项所述的医学图像处理方法;显示器,与所述处理器和所述存储器通信相连,用于显示所述医学图像处理方法的相关GUI交互界面。
如上所述,本发明的一个或多个实施例提供了一种医学图像处理方法,所述医学图像处理方法具有以下有益效果:
对于肺部血管来说,其包含直径较大的纵隔区域血管以及直径较小的肺内血管。对于直径较大的纵隔区域血管,所述医学图像处理方法能够准确地将所述纵隔区域血管分类为纵隔区域肺静脉血管和纵隔区域肺动脉血管;对于直径较小的肺内血管,所述医学图像处理方法能够根据肺内血管与纵隔区域血管的连通关系将部分肺内血管划分为第一动脉血管和第一静脉血管,并根据肺内血管的位置和形态将部分肺内血管划分为第二动脉血管和第二静脉血管。因此,所述医学图像处理方法能够准确地对肺部血管中的动脉和静脉进行划分。
附图说明
图1显示为本发明所述医学图像处理方法于一具体实施例中的流程图。
图2显示为本发明所述医学图像处理方法于一具体实施例中步骤S13的详细流程图。
图3显示为本发明所述医学图像处理方法于一具体实施例中步骤S14的详细流程图。
图4A显示为本发明所述医学图像处理方法于一具体实施例中步骤S15的详细流程图。
图4B显示为本发明所述医学图像处理方法于一具体实施例中步骤S152的详细流程图。
图4C显示为本发明所述医学图像处理方法于一具体实施例中步骤S151的详细流程图。
图4D显示为本发明所述医学图像处理方法于一具体实施例中步骤S151的详细流程图。
图5A显示为本发明所述医学图像处理方法于一具体实施例中获取肺内动脉血管的流程图。
图5B显示为本发明所述医学图像处理方法于一具体实施例中步骤S53的详细流程图。
图5C显示为本发明所述医学图像处理方法于一具体实施例中步骤S54的详细流程图。
图5D显示为本发明所述医学图像处理方法于一具体实施例中的关键步骤流程图。
图6A显示为本发明所述医学图像处理方法于一具体实施例中获取肺内动脉血管的流程图。
图6B显示为本发明所述医学图像处理方法于一具体实施例中步骤S63的详细流程图。
图7显示为本发明所述医学图像处理方法于一具体实施例中的关键步骤流程图。
图8显示为本发明所述医学图像处理装置于一具体实施例中的结构示意图。
图9显示为本发明所述电子设备于一具体实施例中的结构示意图。
元件标号说明
1 医学图像处理装置
11 医学图像获取模块
12 血管模型获取模块
13 纵隔区域血管分类模块
14 第一肺内血管分类模块
15 第二肺内血管分类模块
16 肺内血管获取模块
900 电子设备
910 存储器
920 处理器
930 显示器
S11~S16 步骤
S131~S132 步骤
S141~S143 步骤
S151~S152 步骤
S1521~S1525 步骤
S1511~S1513 步骤
S1514~S1517 步骤
S51~S54 步骤
S531~S534 步骤
S541~S545 步骤
S55~S58 步骤
S61~S63 步骤
S631~S634 步骤
S71~S72 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。此外,在本文中,诸如“第一”、“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
现有的图像分割技术仅能够对肺部医学图像进行分割得到肺部血管,但无法准确地对肺部医学图像中的动脉和静脉进行区分。针对这一问题,于本发明的一实施例中提出了一种医学图像处理方法。请参阅图1,所述医学图像处理方法包括:
S11,获取患者的肺部医学图像,所述肺部医学图像例如为CT扫描得到的三维体素图像。
S12,根据所述患者的肺部医学图像获取患者的肺部血管模型,其中,所述肺部血管模型包括肺内血管和纵隔区域血管,所述肺内血管包括第一肺内血管和第二肺内血管,所述第一肺内血管是指与所述纵隔区域血管相连通的血管,所述第二肺内血管是指与所述纵隔区域血管不连通的血管。具体地,肺部包括肺内部分(也即左肺部分和右肺部分)和纵隔部分,其中,所述肺内血管是指所述肺内部分的血管,其直径通常较小,且肺内血管包含大量的边缘细微血管;所述纵隔区域血管是指纵隔部分的血管,也即位于左右肺之间且与肺内血管相连的血管,其直径较大。
步骤S12可以采用阈值法、深度学习分割方法等对所述肺部医学图像进行分割以得到所述肺部血管模型。然而,由于肺内血管的直径通常较小,且包含大量的边缘细微血管,因此,分割得到的所述肺部血管模型中的肺内血管往往存在边界不清晰、断裂等问题,这就导致实际应用中很难区分所述肺内血管中的动脉和静脉。
S13,将所述纵隔区域血管分类为纵隔区域肺动脉血管和纵隔区域肺静脉血管。如前所述,所述纵隔区域血管的直径较大,因此,步骤S13可以很容易地将所述纵隔区域血管分类为所述纵隔区域肺动脉血管和纵隔区域肺静脉血管。
S14,根据所述第一肺内血管与所述纵隔区域肺动脉血管和所述纵隔区域肺静脉血管的连通关系,将所述第一肺内血管分类为第一动脉血管和第一静脉血管。由于所述肺内血管中的动脉与所述纵隔区域血管中的动脉相连,而所述肺内血管中的静脉与所述纵隔区域血管中的静脉相连,因此,步骤S14可以将与所述纵隔区域肺动脉血管相连通的肺内血管划分为所述第一动脉血管,将与所述纵隔区域肺静脉血管相连通的肺内血管划分为所述第一静脉血管。
S15,根据所述第二肺内血管的位置和形态,将所述第二肺内血管分类为第二动脉血管和第二静脉血管。由于所述第二肺内血管与所述纵隔区域血管不连通,因此,所述第二肺内血管实质上属于所述肺部血管模型中的断裂部分。步骤S15可以根据所述第二肺内血管的位置和形态获取其与周围组织和/或器官的相对位置关系,其中,周围组织和/或器官的类型可以根据所述患者的肺部医学图像确定,此时,基于该相对位置关系以及解剖学先验知识即可根据周围组织的类型对所述第二肺内血管进行划分。
S16,根据所述第一动脉血管和所述第二动脉血管获取肺内动脉血管,根据所述第一静脉血管和所述第二静脉血管获取肺内静脉血管。其中,所述肺内动脉血管包含所述第一动脉血管和所述第二动脉血管,所述肺内静脉血管包含所述第一静脉血管和所述第二静脉血管。
根据以上描述可知,对于直径较大的纵隔区域血管,本实施例所述医学图像处理方法通过对所述纵隔区域血管进行分类即可获取所述纵隔区域肺静脉血管和所述纵隔区域肺动脉血管。而对于直径较小的肺内血管,所述医学图像处理方法分别根据所述第一肺内血管与所述纵隔区域血管的连通关系以及所述第二肺内血管的位置和形态获取所述第一动脉血管、所述第二动脉血管、所述第一静脉血管和所述第二静脉血管,并最终获取所述肺内动脉血管和所述肺内静脉血管。
此外,本实施例并非根据所述肺部医学图像直接对所述肺内血管中的动脉和静脉进行分类,而是根据所述第一肺内血管与所述纵隔区域血管的连通关系和所述第二肺内血管的位置与形态来对所述肺内血管中的动脉和静脉进行分类,因此,本实施例中获取的分类结果不会受到所述肺部血管模型中存在的血管边界不清晰、血管断裂等问题的影响,因而具有较高的精确度。
于本发明的一实施例中,考虑到所述肺内血管的直径较小,容易因为边界不清晰、断裂等情况导致所述肺部血管模型中的所述肺内血管外壁出现凸起,针对这一问题,本实施例所述医学图像处理方法还可以包括:对于一段肺内血管,获取该段肺内血管的最小直径,并且,获取该段肺内血管中直径大于该最小直径m倍的部分作为凸起部分,其中,m大于1;基于此,根据该段肺内血管的中心线和所述凸起部分上下段血管的直径、采用形态学膨胀生成新的血管段模型,并利用所述新的血管段模型替换所述凸起部分。通过此种方式能够去除所述肺内血管中的凸起,有利于提升所述肺部血管模型的准确度。
请参阅图2,于本发明的一实施例中,将所述纵隔区域血管分类为纵隔区域肺动脉血管和纵隔区域肺静脉血管的实现方法包括:
S131,根据所述肺部血管模型获取纵隔区域血管模型。具体地,步骤S131可以根据所述肺部医学影像获取纵隔轮廓,并根据所述纵隔轮廓和所述肺部血管模型获取所述纵隔区域血管模型。例如,可以将所述纵隔轮廓和所述肺部血管模型配准至一幅图像中,位于所述纵隔轮廓内的部分肺部血管模型即为所述纵隔区域血管模型。
S132,利用一训练好的深度学习网络模型对所述纵隔区域血管模型进行二分类,以将所述纵隔区域血管分类为纵隔区域肺动脉血管和纵隔区域肺静脉血管,其中,所述深度学习网络模型例如为分类器模型。具体地,步骤S132可以将所述纵隔区域血管模型输入所述深度学习网络模型,根据所述深度学习网络模型的输出即可获取所述纵隔区域肺动脉血管和所述纵隔区域肺静脉血管。
可选地,所述深度学习网络模型的一种训练方法包括:获取训练数据,其中,所述训练数据为多幅具有血管分类标签的图像,所述训练数据例如可以由医务人员对医学图像进行人工标注获得;利用所述训练数据对所述深度学习网络模型进行训练。
根据以上描述可知,本实施例通过所述深度学习网络模型对所述纵隔区域血管模型进行处理即可将所述纵隔区域血管分类为纵隔区域肺动脉血管和纵隔区域肺静脉血管。需要说明的是,此种方法并不适用于所述肺内血管,由于所述肺内血管的直径较小,且肺内血管模型往往存在血管边界不清晰、血管断裂等问题,这会导致所述深度学习网络模型的分类准确性较低,难以满足实际应用的需求。
请参阅图3,于本发明的一实施例中,根据所述第一肺内血管与所述纵隔区域肺动脉血管和所述纵隔区域肺静脉血管的连通关系,将所述第一肺内血管分类为第一动脉血管和第一静脉血管的实现方法包括:
S141,根据所述肺部血管模型获取肺内血管模型。具体地,步骤S141可以根据所述肺部医学影像获取左肺轮廓和右肺轮廓,并根据所述左肺轮廓、所述右肺轮廓和所述肺部血管模型获取所述肺内血管模型。例如,可以将所述左肺轮廓、所述右肺轮廓和所述肺部血管模型配准至一幅图像中,位于所述左肺轮廓和所述右肺轮廓内的部分肺部血管模型即为所述肺内血管模型。
S142,获取所述肺内血管模型中与所述纵隔区域肺动脉血管相连通的血管作为所述第一动脉血管。具体地,所述肺内血管模型中,能够跟所述纵隔区域肺动脉血管形成连通域的血管即为所述第一动脉血管,其中,连通域的判断可以采用现有技术实现,此处不作赘述。
S143,获取所述肺内血管模型中与所述纵隔区域肺静脉血管相连通的血管作为所述第一静脉血管。具体地,所述肺内血管模型中,能够跟所述纵隔区域肺静脉血管形成连通域的血管即为所述第一静脉血管,其中,连通域的判断可以采用现有技术实现,此处不作赘述。
根据以上描述可知,本实施例给出了一种判断所述第一肺内血管为动脉血管还是静脉血管的方法。此种方法仅依赖于血管之间的连通性,具有实现简单、准确率高等优点。此外,由于第一肺内血管的直径较小,相关技术中根据所述肺部医学图像直接获取所述第一肺内血管的分类时往往准确率较低,而本实施例所提供的方法与所述第一肺内血管的直径无关,因此,与相关技术相比,本实施例对所述第一肺内血管的分类更为准确。
请参阅图4A,于本发明的一实施例中,根据所述第二肺内血管的位置和形态,将所述第二肺内血管分类为第二动脉血管和第二静脉血管的一种实现方法包括:
S151,根据所述患者的肺部医学图像获取患者的气道模型,其中,所述气道模型包括多段支气道。
S152,根据各所述第二肺内血管与各所述支气道的相对位置关系,将所述第二肺内血管分类为所述第二动脉血管和所述第二静脉血管。根据解剖学先验知识可知,肺内动脉血管通常与支气道紧密相邻,而肺内静脉血管则通常与支气道相距较远,因此,步骤S152可以根据各所述第二肺内血管与所述支气道之间的相对位置关系判断所述第二肺内血管为静脉或动脉。
可选地,请参阅图4B,对于任一所述第二肺内血管A,判断该第二肺内血管A属于所述第二动脉血管还是所述第二静脉血管的实现方法包括:
S1521,获取各段所述支气道与该第二肺内血管A的中心线,其中,获取中心线的方式可以采用现有技术实现,此处不做过多赘述。
S1522,在该第二肺内血管A的中心线上获取多个第一参考点。例如,可以采用等间距或者不等间距取点的方式在该第二肺内血管A的中心线上获取所述多个参考点。
S1523,在所有支气道的中心线上,分别获取与各所述第一参考点距离最近的点作为第二参考点。
S1524,若所有第二参考点均位于同一段支气道的中心线上,获取各所述第一参考点与该段支气道的距离。其中,所述第一参考点与某一段支气道的距离可以根据实际需求定义,例如可以为所述第一参考点与该段支气道的最近距离。
S1525,若存在N个或N个以上的所述第一参考点与该段支气道的距离小于一第一距离阈值,则判断该第二肺内血管A属于所述第二动脉血管,否则,判断该第二肺内血管A属于所述第二静脉血管。其中,N为正整数且其取值大于一数量阈值,所述第一距离阈值和所述数量阈值可以根据实际需求或者经验设置。
根据以上描述可知,本实施例提供了一种对第二肺内血管进行分类的方法,需要说明的是,该方法仅适用于与支气道紧密相邻的肺内血管,而不适用于所述纵隔区域血管。由于第二肺内血管的直径往往更加细小,相关技术中根据所述肺部医学图像基本不可能准确地对所述第二肺内血管进行分类,而本实施例所提供的方法与所述第二肺内血管的直径无关,而仅依赖于所述第二肺内血管的位置和中心线,因此,与相关技术相比,本实施例对所述第二肺内血管的分类更为准确。
可选地,请参阅图4C,本实施例中根据所述患者的肺部医学图像获取患者的气道模型的一种实现方法包括:
S1511,对所述肺部医学图像进行分割以获取初始气道模型,其中,所述初始气道模型包括分割以后得到的所有气道。
S1512,获取所述初始气道模型中的断裂区域。例如,可以将所述主气道以及与所述主气道相连通的支气道作为第一气道,其他气道作为第二气道,所述断裂区域可以为所述第二气道的端面与所述第一气道的端面之间的区域,也可以为所述第二气道的端面之间的区域。
S1513,对所述断裂区域进行修复以获取气道模型。具体地,获取所述断裂区域的气道模型,将所述断裂区域的气道模型与所述第一气道和所述第二气道相拼接即可获得所述气道模型。
可选地,请参阅图4D,本实施例中根据所述患者的肺部医学图像获取患者的气道模型的另一种实现方法包括:
S1514,对所述肺部医学图像进行分割以获取气道的第一分割结果。其中,所述第一分割结果是对整个所述肺部医学图像进行分割得到的分割结果,属于气道的整体分割结果。
S1515,获取所述肺部医学图像的至少一个区域图像,其中,所述区域图像的范围小于所述肺部医学图像的范围,并且主要包含直径较小的分支气道或末端气道。与所述肺部医学图像相比,所述区域图像包括气道的更多细节。所述区域图像可以直接从所述肺部医学图像中获取,也可以对所述肺部医学图像进行一定比例的放大之后再从中获取所述区域图像。
S1516,对所述区域图像进行分割以获取气道的第二分割结果。与所述第一分割结果相比,所述第二分割结果是对更为细致的分支气道或末端气道的分割结果。
S1517,根据所述第一分割结果和所述第二分割结果进行融合以获取所述气道模型。
可选地,获取所述气道模型的实现方法还可以包括:根据所述区域图像获取至少一个子区域图像,其中,各所述子区域图像的范围小于所述区域图像的范围,并且,与所述区域图像相比,所述子区域图像包括气道更进一步的细节;对所述子区域图像进行分割以获取气道的第三分割结果,与所述第二分割结果相比,所述第三分割结果是对更为细致的分支气道或末端气道的分割结果。此时,所述气道模型由所述第一分割结果、所述第二分割结果和所述第三分割结果融合得到。
可以理解的是,所述医学图像处理方法还可以进一步对所述子区域图像进行分割,以得到更为细致的第四分割结果、第五分割结果等,所述气道模型可以由所述第一分割结果、所述第二分割结果、所述第三分割结果、所述第四分割结果、所述第五分割结果等融合得到。
根据以上描述可知,本实施例所述医学图像处理方法能够获取不同等级的气道分割结果,并将其融合至所述气道模型中,与现有技术相比,本实施例通过在不同尺度的图像上分别对气道进行分割从而获得不同尺度的气道分割结果,并最终将各分割结果进行融合得到所述气道模型,因而本实施例中获取的气道模型包含更多级别的气道。
请参阅图5A,于本发明的一实施例中,根据所述第一动脉血管和所述第二动脉血管获取肺内动脉血管的实现方法包括:
S51,获取所述第一动脉血管的中心线以及所述第一动脉血管的中心线端点。例如,对于任一第一动脉血管,可以每隔一段距离获取该第一动脉血管的一个截面,并获取各截面的中心点,将各中心点连接起来即可得到该第一动脉血管的中心线,该第一动脉血管的中心线的端点即为该第一动脉血管的中心线端点。除此之外,步骤S51也可以采用其他方式获取所述第一动脉血管的中心线,此处不作限制。需要说明的是,部分所述第一动脉血管可能包括分岔,因此,所述第一动脉血管的中心线端点可能为两个或多个。
S52,获取所述第二动脉血管的中心线以及所述第二动脉血管的中心线端点。其中,获取所述第二动脉血管的中心线及中心线端点的方式与上述步骤S51类似,此处不作过多赘述。
S53,根据所述第二动脉血管的中心线与所述第一动脉血管的中心线,以及所述第二动脉血管的中心线端点与所述第一动脉血管的中心线端点,判断所述第二动脉血管是否能够与所述第一动脉血管对应相连。
S54,将所有能够对应相连的所述第二动脉血管与所述第一动脉血管相连接,以得到所述肺内动脉血管。
可选地,请参阅图5B,对于一第一动脉血管A和一第二动脉血管B,判断该第一动脉血管A和该第二动脉血管B是否能够对应相连的实现方法包括:
S531,在该第一动脉血管A的中心线端点中选取一第一端点,在该第二动脉血管B的中心线端点中选取一第二端点。具体地,分别获取该第一动脉血管A的各中心线端点与该第二动脉血管B的各中心线端点之间的距离,并选取该距离最小时该第一动脉血管A的端点为所述第一端点、该第二动脉血管B的端点为所述第二端点。
S532,获取所述第一端点与所述第二端点之间的距离,并根据该距离判断该第一动脉血管A和该第二动脉血管B是否能够对应相连:若该距离小于一第二距离阈值,则判断该第二动脉血管B与该第一动脉血管A能够对应相连,否则,判断该第二动脉血管B与该第一动脉血管A不能够对应相连。
S533,获取该第二动脉血管B的中心线与该第一动脉血管A的中心线之间的角度,并根据该角度判断该第一动脉血管A和该第二动脉血管B是否能够对应相连:若该角度小于一角度阈值,则判断该第二动脉血管B与该第一动脉血管A能够对应相连,否则,判断该第二动脉血管B与该第一动脉血管A不能够对应相连。该第二动脉血管B的中心线与该第一动脉血管A的中心线之间的角度例如为:该第二动脉血管B的中心线在所述第二端点位置的延长线、与该第一动脉血管A的中心线在所述第一端点位置的延长线之间的夹角的角度。
S534,获取该第二动脉血管B与该第一动脉血管A的直径差异,并根据该直径差异判断该第一动脉血管A和该第二动脉血管B是否能够对应相连:若该直径差异小于一差异阈值,则判断该第二动脉血管B与该第一动脉血管A能够对应相连,否则,判断该第二动脉血管B与该第一动脉血管A不能够对应相连。该直径差异例如为该第二动脉血管B在所述第二端点处的直径、与该第一动脉血管A在所述第一端点处的直径之间的差异值。
上述步骤S531~S534中,所述第二距离阈值、所述角度阈值和所述差异阈值可以根据经验或者实际需求设置。需要说明的是,上述标号S532、S533和S534仅用于区分不同的步骤,而非代表三者的执行顺序,实际应用中,可以根据实际需求选取所述距离、所述角度和/或所述差异来判断该第一动脉血管A和该第二动脉血管B是否能够对应相连。
可选地,对于一第一动脉血管C和一第二动脉血管D,若该第一动脉血管C能够与该第二动脉血管D对应相连,请参阅图5C,将该第一动脉血管C和该第二动脉血管D相连接的实现方法包括:
S541,在该第一动脉血管C的中心线端点中选取一第一端点,在该第二动脉血管D的中心线端点中选取一第二端点。具体方法与步骤S531类似,此处不作过多赘述。
S542,将所述第一端点和所述第二端点相连,以获取一血管模型的中心线。优选地,采用B样条几何曲线将所述第一端点和所述第二端点相连,以得到一平滑的曲线作为所述血管模型的中心线。
S543,根据该第一动脉血管C的直径和该第二动脉血管D的直径获取所述血管模型的直径。具体地,步骤S543可以根据所述血管模型的中心线上各点的位置获取所述血管模型在各点的直径。例如,若所述血管模型的中心线靠近该第一动脉血管C的端点为P1,靠近该第二动脉血管D的端点为P2,则对于所述血管模型中心线上的任一点P,所述血管模型在P点的直径可以为(l1×d2+l2×d1)/(l1+l2),其中,l1和l2分别为该点P与端点P1和端点P2之间的距离,d1和d2分别为所述血管模型在端点P1和端点P2处的直径,所述血管模型在端点P1处的直径为该第一动脉血管C在点P1的直径,所述血管模型在端点P2处的直径为该第二动脉血管D在点P2的直径。
S544,根据所述血管模型的中心线和直径获取所述血管模型。例如,可以在所述血管模型的中心线上选取多个基点并获取所述血管模型在各所述基点位置的直径,以各所述基点为圆心、所述血管模型在各所述基点位置的直径为直径获取多个圆形,将各圆形之间利用圆柱或圆台连接起来即可得到所述血管模型。
S545,将该第一动脉血管C、所述血管模型和该第二动脉血管D拼接成一连通的动脉血管,以实现该第一动脉血管C和该第二动脉血管D的连接。
对于所有能够对应相连的所述第二动脉血管与所述第一动脉血管,可以采用上述步骤S541~S545进行连接,连接完成以后即可得到所述肺内动脉血管。
可选地,请参阅图5D,根据所述第一动脉血管和所述第二动脉血管获取肺内动脉血管的实现方法还可以包括:
S55,根据所述肺内动脉血管和所述肺部血管模型,获取新的第一动脉血管和新的第二动脉血管。其中,所述新的第一动脉血管是指所述肺内动脉血管,所述新的第二动脉血管是指不包含于所述肺内动脉血管的第二动脉血管。
S56,判断所述新的第二动脉血管是否能够与所述新的第一动脉血管对应相连,其中,步骤S56的判断方法可以采用上述步骤S541~S545类似的方式,此处不作过多赘述。
S57,将所有能够对应相连的所述新的第二动脉血管与所述新的第一动脉血管相连接,以对所述肺内动脉血管进行更新。
S58,基于更新以后的所述肺内动脉血管,继续执行上述步骤S55~S57,直到所有的第二动脉血管均不能够与所述第一动脉血管对应相连。
根据以上描述可知,本实施例提供了一种根据第一动脉血管和第二动脉血管获取肺内动脉血管的方法。可以理解的是,也可以采用与本实施例相似的方法根据所述第一静脉血管和所述第二静脉血管获取肺内静脉血管,为节省说明书篇幅,此处不作过多赘述。
请参阅图6A,于本发明的一实施例中,根据所述第一动脉血管和所述第二动脉血管获取肺内动脉血管的一种实现方法包括:
S61,获取所述第二动脉血管与所述第一动脉血管之间的断裂区域。
S62,获取所述断裂区域中的一个或多个点作为锚点。具体地,步骤S62的一种实现方法包括:获取所述断裂区域的中心线,并在所述断裂区域的中心线上选取一个或多个点作为所述锚点。
S63,根据所述锚点进行扩展以连接所述第一动脉血管和所述第二动脉血管,进而获取所述肺内动脉血管。
可选地,请参阅图6B,根据所述锚点进行扩展以连接所述第一动脉血管和所述第二动脉血管的实现方法包括:
S631,获取所述第一动脉血管和所述第二动脉血管的输出概率图(probabilitymap)和多尺度海森滤波图(multi-scale hessian-based filter map)。
S632,将所述输出概率图和所述多尺度海森滤波图进行叠加,以获取血管相似性概率图。
S633,将所述第一动脉血管和所述第二动脉血管的末端点作为锚点,获取血管相似性概率图,采用区域生长算法在所有锚点之间生成连接路径,并获取各连接路径的距离。
S634,对距离最小的连接路径所对应的锚点进行连接,即可获取所述肺内动脉血管。
根据以上描述可知,本实施例提供了另一种获取肺内动脉血管的方法。可以理解的是,也可以采用与本实施例相似的方法根据所述第一静脉血管和所述第二静脉血管获取所述肺内静脉血管,为节省说明书篇幅,此处不做过多赘述。
请参阅图7,于本发明的一实施例中,根据所述第二肺内血管的位置和形态,将所述第二肺内血管分类为第二动脉血管和第二静脉血管的一种实现方法包括:
S71,根据所述第二肺内血管与所述第一肺内血管的相对位置获取能够对应连通的第一肺内血管和第二肺内血管。例如,可以采用与上述步骤S51~S53类似的方法判断所述第一肺内血管和所述第二肺内血管是否能够对应连通,其中,能够对应相连的所述第一肺内血管和所述第二肺内血管即为能够对应连通;根据判断结果获取所有能够对应连通的所述第一肺内血管和所述第二肺内血管。
S72,根据所述第二肺内血管与所述第一动脉血管和所述第二动脉血管的对应连通关系,将所述第二肺内血管分类为所述第二动脉血管和所述第二静脉血管。具体地,步骤S62可以将能够与所述第一动脉血管对应连通的第二肺内血管分类为所述第二动脉血管,将能够与所述第一静脉血管对应连通的第二肺内血管分类为所述第二静脉血管。
于本发明的一实施例中,所述医学图像处理方法还包括:利用一显示器显示所述纵隔区域肺动脉血管、所述纵隔区域肺静脉血管、所述肺内动脉血管和/或所述肺内静脉血管;根据接收到的用户指令调整所述显示器对所述纵隔区域肺动脉血管、所述纵隔区域肺静脉血管、所述肺内动脉血管和/或所述肺内静脉血管的显示方式。例如,可以调整相应的血管显示或隐藏,以及调整相应血管的显示颜色等。
基于以上对所述医学图像处理方法的描述,本发明还提供一种医学图像处理装置。请参阅图8,于本发明的一实施例中,所述医学图像处理装置1包括医学图像获取模块11、血管模型获取模块12、纵隔区域血管分类模块13、第一肺内血管分类模块14、第二血管分类模块15和肺内血管获取模块16。其中,所述医学图像获取模块11用于获取患者的肺部医学图像。所述血管模型获取模块12用于根据所述患者的肺部医学图像获取患者的肺部血管模型,其中,所述肺部血管模型包括肺内血管和纵隔区域血管,所述肺内血管包括第一肺内血管和第二肺内血管,所述第一肺内血管是指与所述纵隔区域血管相连通的血管,所述第二肺内血管是指与所述纵隔区域血管不连通的血管。所述纵隔区域血管分类模块13用于将所述纵隔区域血管分类为纵隔区域肺动脉血管和纵隔区域肺静脉血管。所述第一肺内血管分类模块14用于根据所述第一肺内血管与所述纵隔区域肺动脉血管和所述纵隔区域肺静脉血管的连通关系,将所述第一肺内血管分类为第一动脉血管和第一静脉血管。所述第二肺内血管分类模块15用于根据所述第二肺内血管的位置和形态,将所述第二肺内血管分类为第二动脉血管和第二静脉血管。所述肺内血管获取模块16用于根据所述第一动脉血管和所述第二动脉血管获取肺内动脉血管,根据所述第一静脉血管和所述第二静脉血管获取肺内静脉血管。
本实施例中,所述医学图像处理装置1中的各模块与图1所示医学图像处理方法中的各步骤相对应,为节省说明书篇幅,此处不做过多赘述。
基于以上对所述医学图像处理方法的描述,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现图1所示的医学图像处理方法。
基于以上对所述医学图像处理方法的描述,本发明还提供一种电子设备。请参阅图9,于本发明的一实施例中,所述电子设备900包括存储器910、处理器920和显示器930。所述存储器910存储有一计算机程序,所述处理器920与所述存储器910通信相连,调用所述计算机程序时执行图1所示的医学图像处理方法,所述显示器930与所述处理器920和所述存储器910通信相连,用于显示所述医学图像处理方法的相关GUI交互界面。
本发明所述医学图像处理方法的保护范围不限于本实施例列举的步骤执行顺序,凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
本发明还提供一种医学图像处理装置,所述医学图像处理装置可以实现本发明所述的医学图像处理方法,但本发明所述的医学图像处理方法的实现装置包括但不限于本实施例列举的医学图像处理装置的结构,凡是根据本发明的原理所做的现有技术的结构变形和替换,都包括在本发明的保护范围内。
本发明中,对于直径较大的纵隔区域血管,所述医学图像处理方法能够准确地将所述纵隔区域血管分类为纵隔区域肺静脉血管和纵隔区域肺动脉血管;对于直径较小的肺内血管,所述医学图像处理方法根据肺内血管与纵隔区域血管的连通关系将部分肺内血管划分为第一动脉血管和第一静脉血管,并根据肺内血管的位置和形态将部分肺内血管划分为第二动脉血管和第二静脉血管。因此,所述医学图像处理方法能够准确地对肺部血管中的动脉和静脉进行划分。
综上所述,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种医学图像处理方法,其特征在于,所述医学图像处理方法包括:
获取患者的肺部医学图像;
根据所述患者的肺部医学图像获取患者的肺部血管模型,其中,所述肺部血管模型包括肺内血管和纵隔区域血管,所述肺内血管包括第一肺内血管和第二肺内血管,所述第一肺内血管是指与所述纵隔区域血管相连通的血管,所述第二肺内血管是指与所述纵隔区域血管不连通的血管;
将所述纵隔区域血管分类为纵隔区域肺动脉血管和纵隔区域肺静脉血管;
根据所述第一肺内血管与所述纵隔区域肺动脉血管和所述纵隔区域肺静脉血管的连通关系,将所述第一肺内血管分类为第一动脉血管和第一静脉血管;
根据所述第二肺内血管的位置和形态,将所述第二肺内血管分类为第二动脉血管和第二静脉血管;
根据所述第一动脉血管和所述第二动脉血管获取肺内动脉血管,根据所述第一静脉血管和所述第二静脉血管获取肺内静脉血管。
2.根据权利要求1所述的医学图像处理方法,其特征在于,将所述纵隔区域血管分类为所述纵隔区域肺动脉血管和所述纵隔区域肺静脉血管的实现方法包括:
根据所述肺部血管模型获取纵隔区域血管模型;
利用一训练好的深度学习网络模型对所述纵隔区域血管模型进行二分类,以将所述纵隔区域血管分类为所述纵隔区域肺动脉血管和所述纵隔区域肺静脉血管。
3.根据权利要求1所述的医学图像处理方法,其特征在于,根据所述第一肺内血管与所述纵隔区域肺动脉血管和所述纵隔区域肺静脉血管的连通关系,将所述第一肺内血管分类为所述第一动脉血管和所述第一静脉血管的实现方法包括:
根据所述肺部血管模型获取肺内血管模型;
获取所述肺内血管模型中与所述纵隔区域肺动脉血管相连通的血管作为所述第一动脉血管;
获取所述肺内血管模型中与所述纵隔区域肺静脉血管相连通的血管作为所述第一静脉血管。
4.根据权利要求1所述的医学图像处理方法,其特征在于,根据所述第二肺内血管的位置和形态,将所述第二肺内血管分类为第二动脉血管和第二静脉血管的一种实现方法包括:
根据所述患者的肺部医学图像获取患者的气道模型,其中,所述气道模型包括多段支气道;
获取各所述第二肺内血管与各所述支气道的相对位置关系,将所述第二肺内血管分类为所述第二动脉血管和所述第二静脉血管。
5.根据权利要求1所述的医学图像处理方法,其特征在于,根据所述第一动脉血管和所述第二动脉血管获取肺内动脉血管的实现方法包括:
获取所述第一动脉血管的中心线以及所述第一动脉血管的中心线端点;
获取所述第二动脉血管的中心线以及所述第二动脉血管的中心线端点;
根据所述第二动脉血管的中心线与所述第一动脉血管的中心线、以及所述第二动脉血管的中心线端点与所述第一动脉血管的中心线端点,判断所述第二动脉血管是否能够与所述第一动脉血管对应相连;
将所有能够对应相连的所述第二动脉血管与所述第一动脉血管相连接,以得到所述肺内动脉血管。
6.根据权利要求1所述的医学图像处理方法,其特征在于,根据所述第二肺内血管的位置和形态,将所述第二肺内血管分类为第二动脉血管和第二静脉血管的一种实现方法包括:
根据所述第二肺内血管与所述第一肺内血管的相对位置获取能够对应连通的第一肺内血管和第二肺内血管;
根据所述第二肺内血管与所述第一动脉血管和所述第二动脉血管的对应连通关系,将所述第二肺内血管分类为所述第二动脉血管和所述第二静脉血管。
7.根据权利要求1所述的医学图像处理方法,其特征在于,所述医学图像处理方法还包括:
利用一显示器显示所述纵隔区域肺动脉血管、所述纵隔区域肺静脉血管、所述肺内动脉血管和/或所述肺内静脉血管;
根据接收到的用户指令调整所述显示器对所述纵隔区域肺动脉血管、所述纵隔区域肺静脉血管、所述肺内动脉血管和/或所述肺内静脉血管的显示方式。
8.一种医学图像处理装置,其特征在于,所述医学图像处理装置包括:
医学图像获取模块,用于获取患者的肺部医学图像;
血管模型获取模块,用于根据所述患者的肺部医学图像获取患者的肺部血管模型,其中,所述肺部血管模型包括肺内血管和纵隔区域血管,所述肺内血管包括第一肺内血管和第二肺内血管,所述第一肺内血管是指与所述纵隔区域血管相连通的血管,所述第二肺内血管是指与所述纵隔区域血管不连通的血管;
纵隔区域血管分类模块,用于将所述纵隔区域血管分类为纵隔区域肺动脉血管和纵隔区域肺静脉血管;
第一肺内血管分类模块,用于根据所述第一肺内血管与所述纵隔区域肺动脉血管和所述纵隔区域肺静脉血管的连通关系,将所述第一肺内血管分类为第一动脉血管和第一静脉血管;
第二肺内血管分类模块,用于根据所述第二肺内血管的位置和形态,将所述第二肺内血管分类为第二动脉血管和第二静脉血管;
肺内血管获取模块,用于根据所述第一动脉血管和所述第二动脉血管获取肺内动脉血管,根据所述第一静脉血管和所述第二静脉血管获取肺内静脉血管。
9.一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:该计算机程序被处理器执行时实现权利要求1-7任一项所述的医学图像处理方法。
10.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有一计算机程序;
处理器,与所述存储器通信相连,调用所述计算机程序时执行权利要求1-7任一项所述的医学图像处理方法;
显示器,与所述处理器和所述存储器通信相连,用于显示所述医学图像处理方法的相关GUI交互界面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110728424.XA CN113261985B (zh) | 2021-06-29 | 一种医学图像处理方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110728424.XA CN113261985B (zh) | 2021-06-29 | 一种医学图像处理方法、装置、介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113261985A true CN113261985A (zh) | 2021-08-17 |
CN113261985B CN113261985B (zh) | 2024-06-28 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114445391A (zh) * | 2022-01-30 | 2022-05-06 | 推想医疗科技股份有限公司 | 血管分段方法及其装置、电子设备和计算机可读存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101721204A (zh) * | 2008-10-09 | 2010-06-09 | 西门子公司 | 用于肺动脉高压的自动、非介入性诊断和平均肺动脉压的测量的系统和方法 |
WO2015175806A1 (en) * | 2014-05-16 | 2015-11-19 | The Trustees Of The University Of Pennsylvania | Applications of automatic anatomy recognition in medical tomographic imagery based on fuzzy anatomy models |
US20160117814A1 (en) * | 2013-04-10 | 2016-04-28 | The Asan Foundation | Method for distinguishing pulmonary artery and pulmonary vein, and method for quantifying blood vessels using same |
WO2019048418A1 (en) * | 2017-09-05 | 2019-03-14 | Koninklijke Philips N.V. | DETERMINATION OF REGIONS OF HYPERDENSE PULMONARY TISSUE IN AN IMAGE OF A LUNG |
CN109767448A (zh) * | 2019-01-17 | 2019-05-17 | 上海长征医院 | 分割模型训练方法及装置 |
CN111265234A (zh) * | 2020-03-05 | 2020-06-12 | 上海市肺科医院(上海市职业病防治院) | 一种肺部纵膈淋巴结的性质判定方法及系统 |
CN111696089A (zh) * | 2020-06-05 | 2020-09-22 | 上海联影医疗科技有限公司 | 一种动静脉确定方法、装置、设备和存储介质 |
CN111861988A (zh) * | 2020-06-09 | 2020-10-30 | 深圳市旭东数字医学影像技术有限公司 | 基于支气管的自动及半自动肺分叶分段的方法及其系统 |
CN111899245A (zh) * | 2020-07-30 | 2020-11-06 | 北京推想科技有限公司 | 图像分割、模型的训练方法及装置,电子设备及存储介质 |
CN112102275A (zh) * | 2020-09-09 | 2020-12-18 | 沈阳东软智能医疗科技研究院有限公司 | 肺主动脉血管图像提取方法、装置、存储介质及电子设备 |
CN112102267A (zh) * | 2020-08-31 | 2020-12-18 | 沈阳东软智能医疗科技研究院有限公司 | 肺动脉血管树的获取方法、装置、存储介质和电子设备 |
CN112465749A (zh) * | 2020-11-11 | 2021-03-09 | 沈阳东软智能医疗科技研究院有限公司 | 提取肺栓塞图像的方法、装置、存储介质及电子设备 |
US20210142470A1 (en) * | 2019-11-12 | 2021-05-13 | International Intelligent Informatics Solution Laboratory LLC | System and method for identification of pulmonary arteries and veins depicted on chest ct scans |
CN112861961A (zh) * | 2021-02-03 | 2021-05-28 | 推想医疗科技股份有限公司 | 肺血管分类方法及装置、存储介质及电子设备 |
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101721204A (zh) * | 2008-10-09 | 2010-06-09 | 西门子公司 | 用于肺动脉高压的自动、非介入性诊断和平均肺动脉压的测量的系统和方法 |
US20160117814A1 (en) * | 2013-04-10 | 2016-04-28 | The Asan Foundation | Method for distinguishing pulmonary artery and pulmonary vein, and method for quantifying blood vessels using same |
WO2015175806A1 (en) * | 2014-05-16 | 2015-11-19 | The Trustees Of The University Of Pennsylvania | Applications of automatic anatomy recognition in medical tomographic imagery based on fuzzy anatomy models |
WO2019048418A1 (en) * | 2017-09-05 | 2019-03-14 | Koninklijke Philips N.V. | DETERMINATION OF REGIONS OF HYPERDENSE PULMONARY TISSUE IN AN IMAGE OF A LUNG |
CN109767448A (zh) * | 2019-01-17 | 2019-05-17 | 上海长征医院 | 分割模型训练方法及装置 |
US20210142470A1 (en) * | 2019-11-12 | 2021-05-13 | International Intelligent Informatics Solution Laboratory LLC | System and method for identification of pulmonary arteries and veins depicted on chest ct scans |
CN111265234A (zh) * | 2020-03-05 | 2020-06-12 | 上海市肺科医院(上海市职业病防治院) | 一种肺部纵膈淋巴结的性质判定方法及系统 |
CN111696089A (zh) * | 2020-06-05 | 2020-09-22 | 上海联影医疗科技有限公司 | 一种动静脉确定方法、装置、设备和存储介质 |
CN111861988A (zh) * | 2020-06-09 | 2020-10-30 | 深圳市旭东数字医学影像技术有限公司 | 基于支气管的自动及半自动肺分叶分段的方法及其系统 |
CN111899245A (zh) * | 2020-07-30 | 2020-11-06 | 北京推想科技有限公司 | 图像分割、模型的训练方法及装置,电子设备及存储介质 |
CN112102267A (zh) * | 2020-08-31 | 2020-12-18 | 沈阳东软智能医疗科技研究院有限公司 | 肺动脉血管树的获取方法、装置、存储介质和电子设备 |
CN112102275A (zh) * | 2020-09-09 | 2020-12-18 | 沈阳东软智能医疗科技研究院有限公司 | 肺主动脉血管图像提取方法、装置、存储介质及电子设备 |
CN112465749A (zh) * | 2020-11-11 | 2021-03-09 | 沈阳东软智能医疗科技研究院有限公司 | 提取肺栓塞图像的方法、装置、存储介质及电子设备 |
CN112861961A (zh) * | 2021-02-03 | 2021-05-28 | 推想医疗科技股份有限公司 | 肺血管分类方法及装置、存储介质及电子设备 |
Non-Patent Citations (2)
Title |
---|
ASHA KANDATHIL等: "Pulmonary vascular anatomy & anatomical variants", 《CARDIOVASC DIAGN THER》, vol. 8, no. 3, 30 June 2018 (2018-06-30), pages 201 - 207 * |
张杰慧: "基于CT造影图像的肺栓塞计算机辅助检测", 《中国优秀硕士论文学位论文全文数据库信息科技辑》, no. 12, 15 December 2011 (2011-12-15), pages 138 - 63 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114445391A (zh) * | 2022-01-30 | 2022-05-06 | 推想医疗科技股份有限公司 | 血管分段方法及其装置、电子设备和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6751427B2 (ja) | 自動医療画像注釈の検証及び修正のためのシステム及び方法 | |
US10079071B1 (en) | Method and system for whole body bone removal and vascular visualization in medical image data | |
Lebre et al. | Automatic segmentation methods for liver and hepatic vessels from CT and MRI volumes, applied to the Couinaud scheme | |
Bauer et al. | Segmentation of interwoven 3d tubular tree structures utilizing shape priors and graph cuts | |
EP3294136B1 (en) | System for quantifying regional fissure features | |
JP4950071B2 (ja) | 3次元医療画像からの肺動脈樹の自動抽出の方法 | |
EP2510500A2 (en) | A system for rapid and accurate quantitative assessment of traumatic brain injury | |
KR20220108158A (ko) | 병변으로 덮인 체표면적 백분율에 기초한 피부 질환의 중증도 결정 방법 | |
CN110163872A (zh) | 一种hrmr图像分割与三维重建的方法及电子设备 | |
JP5833578B2 (ja) | 神経精神医学障害に関する規範的なデータセット | |
Rosell et al. | A three-stage method for the 3D reconstruction of the tracheobronchial tree from CT scans | |
CN117373070B (zh) | 血管分段标注的方法及装置、电子设备和存储介质 | |
Le et al. | Functional segmentation for preoperative liver resection based on hepatic vascular networks | |
CN113261985A (zh) | 一种医学图像处理方法、装置、介质及电子设备 | |
CN113261985B (zh) | 一种医学图像处理方法、装置、介质及电子设备 | |
Kohout et al. | Aneurysm identification by analysis of the blood-vessel skeleton | |
CN113450277B (zh) | 一种医学图像处理方法、介质及电子设备 | |
Roy et al. | Automated nuclei analysis from digital histopathology | |
CN116739990A (zh) | 一种腹主动脉参数自动测量方法 | |
KR20230012363A (ko) | 뇌 혈관 모델링을 이용한 병변 분석 방법 및 그 장치 | |
CN115457038A (zh) | 分级预测模型的训练方法、分级预测的方法及相关产品 | |
Visualisierung | Evaluation of Streamline Clustering Techniques for Blood Flow Data |
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 |