CN113408647A - 一种脑小血管结构特征的提取方法 - Google Patents
一种脑小血管结构特征的提取方法 Download PDFInfo
- Publication number
- CN113408647A CN113408647A CN202110769461.5A CN202110769461A CN113408647A CN 113408647 A CN113408647 A CN 113408647A CN 202110769461 A CN202110769461 A CN 202110769461A CN 113408647 A CN113408647 A CN 113408647A
- Authority
- CN
- China
- Prior art keywords
- cerebral
- small
- image
- cerebral small
- vessel
- 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
- 230000002490 cerebral effect Effects 0.000 title claims abstract description 136
- 238000000605 extraction Methods 0.000 title claims abstract description 10
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 128
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 238000007637 random forest analysis Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 210000003657 middle cerebral artery Anatomy 0.000 claims description 4
- 210000003625 skull Anatomy 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 8
- 208000029812 Cerebral Small Vessel disease Diseases 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 208000006011 Stroke Diseases 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 208000010482 CADASIL Diseases 0.000 description 1
- 208000033221 Cerebral autosomal dominant arteriopathy with subcortical infarcts and leukoencephalopathy Diseases 0.000 description 1
- 208000033935 Cerebral autosomal dominant arteriopathy-subcortical infarcts-leukoencephalopathy Diseases 0.000 description 1
- 208000018152 Cerebral disease Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 208000032274 Encephalopathy Diseases 0.000 description 1
- 208000026350 Inborn Genetic disease Diseases 0.000 description 1
- 208000024556 Mendelian disease Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 210000002565 arteriole Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001736 capillary Anatomy 0.000 description 1
- 208000016886 cerebral arteriopathy with subcortical infarcts and leukoencephalopathy Diseases 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 201000006417 multiple sclerosis Diseases 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
- 210000000264 venule Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
Abstract
本发明公开了一种脑小血管结构特征的提取方法，包括：获取原始脑血管图像并进行预处理，得到脑小血管区域图像；对脑小血管区域图像进行特征提取，得到脑小血管图像特征；基于脑小血管图像特征，对脑小血管进行追踪，获得脑小血管追踪结果；对脑小血管追踪结果进行筛选，获得正常脑小血管追踪结果；基于正常脑小血管追踪结果，重建血管模型，输出脑小血管的结构特征。本发明提出了一种基于深度学习、机器学习和多重滤波的脑小血管结构特征提取方法，实现了血管模型的高度自动化的三维重建，其中利用卷积神经网络和随机森林方法实现了脑小血管结构的自动提取，尤其对小血管的多级细小分支重建有很好的效果，能够定量脑小血管的多种结构特征。
Description
技术领域
本发明涉及生物图像的计算机分析技术，特别是涉及一种脑小血管结构特征的提取方法。
背景技术
脑小血管病(CSVD)是由大脑内直径在40μm～400μm间的小动脉、穿支动脉、毛细血管及小静脉等小血管病变所导致的一系列症状的综合征。近年来，由于脑小血管病与多种脑疾病发生或病理变化之间可能存在相互作用，人们对脑小血管病理学的兴趣与日俱增。有数据显示，脑小血管病占全球卒中病因的20％，也就是说全球平均每5例卒中患者，就有1例是脑小血管病。研究表明，脑小血管病在老年人中最为多发，与30％的缺血性脑卒中、25％的颅内多发性硬化相关，且与阿尔兹海默症、常染色体显性遗传病合并皮质下梗死和白质脑病(CADASIL)等疾病的发生发展有关。7T环境下血液流动时间序列磁共振血管成像(TOF-MRA)已被证明是一种有临床诊断价值的无创性脑小血管成像技术，尤其是对于豆纹动脉(LSA)这样的脑小血管。然而，由于磁共振成像(MRI)图像的分辨率和伪影，脑小血管区域存在着信噪比低，个体差异大，对比度差等问题，精确提取脑小血管的血管结构仍然是一个挑战。目前临床上对于脑小血管的判断仅能依靠目视，缺乏完整重建且定量评估的工具。
发明内容
本发明的目的是提供一种脑小血管结构特征的提取方法，以解决上述现有技术存在的问题，能够精确提取脑小血管的结构特征，为无创评估脑小血管血流状态提供依据。
为实现上述目的，本发明提供了如下方案：脑小血管结构特征的提取方法，包括：
获取脑血管图像，并对获取的图像进行预处理，得到脑小血管区域图像；
对所述脑小血管区域图像进行特征提取，得到脑小血管图像特征；
基于所述脑小血管图像特征，对脑小血管进行追踪，获得脑小血管追踪结果；所述脑小血管包含主干脑小血管和分支脑小血管；
对所述脑小血管追踪结果进行筛选，获得正常脑小血管追踪结果；
基于所述正常脑小血管追踪结果，重建血管模型，输出脑小血管的结构特征。
优选地，对获取的所述脑血管图像进行预处理的过程为：
对获取的所述脑血管图像进行颅骨剥离，获得剥离后图像；
对所述剥离后图像进行非均匀性校正，获得校正后图像；
对所述校正后图像进行0-255标准化处理，获得处理后图像；
对所述处理后图像进行区域选定，选定的区域包括大脑中动脉MCA起始处到分叉处区域和从MCA发出的所有脑小血管起始到终末区域；
对所述选定的区域进行阈值法分割，得到脑小血管区域图像。
优选地，采用卷积神经网络CNN模型对所述脑小血管区域图像进行特征提取，得到脑小血管图像特征。
优选地，对所述脑小血管进行追踪的过程为：
基于所述脑小血管图像特征，对所述脑小血管区域图像采用双线性插值方式进行放大，获得放大图像；
采用均值滤波对所述放大图像进行平滑，获得平滑后的放大图像；
采用圆柱体嵌套的方式对平滑后的所述放大图像中的血管进行拟合，获得拟合后的血管图像；
基于拟合后的所述血管图像，采用随机森林方法获取圆柱体顶点位置，通过圆柱体的参数判断是否为所述脑小血管，获得所述脑小血管的追踪结果。
优选地，所述分支脑小血管在所述圆柱体顶点的球形区域中进行确定，所述球形区域的球心为所述圆柱体顶点横截面的圆心，所述球形区域的半径为所述圆柱体半径的若干倍。
优选地，所述圆柱体的参数包括：
B:圆柱体内血管点数量占圆柱体体积的比值；
R:圆柱体顶点在四个方向到血管边缘的距离方差；
A:圆柱体中心线的偏转角度；
S:圆柱体顶点周围血管点数量；
H:三维Hessian矩阵的三个特征值标准差。
优选地，对所述脑小血管追踪结果进行筛选的方法包括：
基于所述脑小血管追踪结果，建立筛选模型，所述筛选模型用于去除异常脑小血管追踪结果，获得正常脑小血管追踪结果。
优选地，重建血管模型的方法包括：
基于所述正常脑小血管追踪结果，采用VTK和VMTK的算法建立三维血管模型。
本申请的技术方案的有益效果：
本发明提出了一种基于深度学习、机器学习和多重滤波的脑小血管结构特征提取方法，实现了血管模型的高度自动化的三维重建，其中利用卷积神经网络和随机森林方法实现了脑小血管结构的自动提取，尤其对小血管的多级细小分支重建有很好的效果，可以定量脑小血管的多种结构特征，如半径、长度、曲率等指标。其中在卷积神经网络模型的输入层采用了小patch的训练样本，从而能够提取血管的细微结构，并且在预处理阶段采用了阈值分割的方式，减少了计算量；在用随机森林方法进行血管追踪过程中采用了圆柱体嵌套的方式拟合血管，并且随机森林模型采用了圆柱体的5个参数特征组合，保证了Hessian矩阵这一确保管状特性的算法被保留，同时增强了鲁棒性，避免了因小血管形状奇特而被Hessian矩阵过滤掉的情况，并且可以确保在小血管密集处不易交叉追错。本发明还增加了基于连通区域分支血管检测的处理，通过细化搜索方式获得尽可能完整的血管网络，提高了图像分割精度和血管连续性，对整体性能的提升有积极作用。并且在整个过程中，还对图像进行了多重滤波，减少了噪声对图像的影响，从而能够精确提取脑小血管的结构特征。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，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为提取脑小血管的结构特征的流程图；
图2为采用的卷积神经网络CNN模型的架构图；
图3(a)正常人的脑小血管图像；
图3(b)脑小血管病病人的脑小血管图像。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1，本发明提供了一种脑小血管结构特征的提取方法，包括：
S1：获取脑血管图像，并对获取的图像进行预处理，得到脑小血管区域图像：
本实施例，通过核磁共振成像MRI获取脑血管图像；本实施例所用MRI为7T MRI；
采用linux系统虚拟机中的FSL5.0软件对获取的图像进行颅骨剥离(BET brainextraction)；
对颅骨剥离后的图像进行非均匀校正，其中非均匀校正采用Python中的SimpleITK包进行N4偏置场校正；
对非均匀校正后的图像进行0-255标准化处理，得到处理后图像；
对处理后图像进行区域选定，选定的区域为双侧大脑中动脉MCA区域，该区域包括大脑中动脉MCA起始处到分叉处区域和从MCA发出的所有脑小血管起始到终末区域；
采用灰度阈值法分割选定的区域(即双侧MCA区域)；其中设置血管下限、背景上限两个阈值，基于血管下限和背景上限两个阈值将选定区域分割为背景区域、大血管区域、脑小血管区域；其中灰度值小于背景上限则为背景区域，灰度值大于血管下限则为大血管区域，灰度值在背景上限和血管下限之间则为脑小血管区域；
图像中还存在无法被分割的散在血管点，根据聚类分析cluster算法和势能算法来确定散在血管点，并将确定的散在血管点纳入到分割出来的脑小血管区域中；其中确定散在血管点的方式为：根据连通性相关的cluster算法，得到多个分离的数据簇cluster，以最大的cluster为基准，在剩余的cluster中去除掉体素(voxel)小于100的和Hessian矩阵三个特征值中不符合管状结构的；其中通过Hessian矩阵的三个特征值λ1、λ2、λ3判断该点是否满足管状结构，当Hessian矩阵的特征值λ1/λ2<20，返回λ3的绝对值abs(λ3)>0.05时，该点不符合管状结构；且设定Hessian矩阵的大小为15×15×15，且三个特征值的绝对值按大小排列后λ1＞＞λ2，λ3≈0；随后采用势能算法，遍历最大的cluster周围的点，将散在血管信号纳入到分割出来的血管区域当中，如果该点满足：在周围3×3×3的区域内亮度大于周围26个点平均值以及至少16个点的一定倍数(本实施例中为确保局部灰度值突出，设置16个点的1.5-2倍，其余图像此处倍数应视其图像质量而定)。且当该点被设定为血管点后，Hessian矩阵仍满足，则认定是血管点；迭代上述过程，迭代次数视图像血管连接度情况而定；迭代步骤，在健康人中可以跳过；
基于上述步骤，可获取到完整的脑小血管区域图像。
基于完整的脑小血管区域生成血管掩膜，生成血管掩膜后，利用均值滤波去除散在的假阳性体素，并平滑血管边缘，其中均值滤波的滤波核为3×3×3；
S2：对脑小血管区域图像进行特征提取，得到脑小血管图像特征：
采用卷积神经网络(CNN)模型(如图2所示)对滤波后的脑小血管区域图像进行特征提取的过程为：
遍历灰度值在背景上限和血管下限之间的点，取11×11×11的区域作为训练样本；
在输入层中输入训练样本，对该样本进行归一化处理，然后进行神经网络的训练；
设置第一层为卷积层，设置128个卷积核，每个卷积核大小为3×3×3，并与输入层相连进行卷积；得到128个特征map；
设置第二层为池化层，池化核大小为2×2×2，对第一层的各个map进行下采样，获得128个特征map；
设置第三层为卷积层，对第二层的各个特征map采用3×3×3大小的卷积核进行卷积，输出128个特征map；
设置第四层为Flatten层，对第三层数据进行压平；
设置第五、六、七层为全连接层对数据进行加权，其中第五层共128个类，第六层共16个类，第七层共2个类；
输出层采用softmax的激活函数，对上层卷积得到的特征进行分类，得到脑小血管图像特征；
其中CNN模型采用了2000个正样本和15000个负样本作为训练单元；并且训练集和测试集按照8:2的比例设定。
S3：基于脑小血管图像特征，对脑小血管进行追踪，获得脑小血管追踪结果；
首先采用双线性插值的方式对脑小血管区域图像进行放大，将图像中的体素(voxel)插值到各项同性的水平；在放大完成后，采用均值滤波对图像进行平滑，其中滤波核为3×3×3；
整体上采用圆柱体嵌套的方式对平滑后的放大图像中的血管进行拟合，获得拟合后的血管图像；
在本实施例中，在拟合后的血管图像上选定2个点作为初始向量，以该向量的方向为z轴进行方向计算，其中采用左手坐标系；设定初始步长为10，初始偏转角度为20°，采用随机森林方法获取圆柱体顶点位置；在训练随机森林的过程中，选取2000个正样本和46000个负样本用于随机森林的训练，在随机森林模型中，采用了5个圆柱体参数作为随机森林中的随机选取的特征，进行样本分类；
其中圆柱体参数包括：B:圆柱体内血管点数量占圆柱体体积的比值；R:圆柱体顶点在四个方向到血管边缘的距离方差；A:圆柱体中心线的偏转角度；S:圆柱体顶点周围血管点数量；H:三维Hessian矩阵的三个特征值标准差。
根据圆柱体的参数样本分类的计算结果，我们可以不断确定下一步圆柱体顶点的位置，直到无法追踪到下一步血管，此时为初步追踪结束；接下来，随机森林模型自动变化搜索角度和搜索步长，在同一步长下先按5°的倍数改变搜索角度，当搜索角度大于60°时回归初始角度并使步长+2，重复这一过程，直到当搜索半径大于基准步长的2倍仍无法找到血管时，则最终追踪结束，获得脑小血管追踪结果。
脑小血管区域还包括分支脑小血管区域；基于高连通性区域来对分支脑小血管进行搜索，所述高连通性区域是在法平面上，根据血管中心线中每一个点对应的当前圆柱体的半径变化率大于0.5的区域；其中分支脑小血管在每一步搜索到的圆柱体顶点的球形区域中进行确定，该球形区域为搜索到的圆柱体半径3倍大的球形区域；将确定的分支脑小血管添加到脑小血管追踪结果中。
S4：对脑小血管追踪结果进行筛选，获得正常脑小血管追踪结果：
首先取待筛选血管长度的1/3中每一点作为Hessian矩阵的中心点，通过Hessian矩阵的三个特征值λ1、λ2、λ3判断该点是否满足管状结构；当Hessian矩阵的特征值λ1/λ2<20，返回λ3的绝对值abs(λ3)>0.05时，该点不符合管状结构。其中设定Hessian矩阵的大小为25×25×25，且三个特征值的绝对值按大小排列后λ1＞＞λ2，λ3≈0。
脑小血管追踪结果除了Hessian矩阵的特征值不符合管状结构的异常脑小血管追踪结果外，还包括损失函数大于n×10，其中n是分支级数；和其他血管重复率大于30％；曲率大于80或小于5；样条曲线中30％的点在原图中灰度值小于30％的异常脑小血管追踪结果。
基于脑小血管追踪结果，建立筛选模型，将异常的脑小血管追踪结果进行筛除，获得正常的脑小血管追踪结果。
筛选结束后，使用三阶Bezier样条曲线对筛选后的脑小血管进行平滑衔接。
S5：基于正常脑小血管追踪结果，重建血管模型，输出脑小血管的结构特征。
基于平滑衔接后的正常脑小血管追踪结果，采用VTK和VMTK的算法建立三维血管模型。采用Python中VTK包的管道和VMTK包生成及渲染代码进行重建，可以使得每一支血管的量化参数会自动显示在输出的命令行窗口中。并且当模型中包括多个数据簇cluster时，如果两个cluster连接处样条曲线上的点的平均灰度值小于30％的点，则将此处的血管半径设为0，即可正确显示病灶处的情况，本实施例中给出了部分重建的三维血管模型，如图3(a)、图3(b)所示。
为了更好理解本模型，下面结合实施例对本模型做进一步地详细说明：
与目前常用的U-NET方法相比，本发明的方法拥有更高的骰子相似系数(DSC)和更低的豪斯多夫(Hausdorff)距离。特别是在小血管区域，本发明的方法显示了更好的血管分割效果。表1显示了本发明的方法与U-NET方法在DSC和Hausdorff距离上的对比。
表1
实施例中还选取了一部分的具有三级分支脑小血管区域图像作为研究图像，分别利用本发明的方法和U-NET方法对研究图像进行分割；在分割结果中，U-NET方法分割的图像只能标记血管的主干位置，无法标记血管的分支，而本发明的方法分割的图像能连贯的标记到血管的全部三级分支，由此可知，本发明的方法在目前的自动化处理当中效果是最好的，并且在血管多处中断且有非管状现象的发生(即血管狭窄导致的血流信号间断出现)，合并脑小血管对比度下降的病人当中，也可以保证二级分支被全部追踪。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种脑小血管结构特征的提取方法，其特征在于：
获取脑血管图像，并对获取的图像进行预处理，得到脑小血管区域图像；
对所述脑小血管区域图像进行特征提取，得到脑小血管图像特征；
基于所述脑小血管图像特征，对脑小血管进行追踪，获得脑小血管追踪结果；所述脑小血管包含主干脑小血管和分支脑小血管；
对所述脑小血管追踪结果进行筛选，获得正常脑小血管追踪结果；
基于所述正常脑小血管追踪结果，重建血管模型，输出脑小血管的结构特征。
2.根据权利要求1所述的脑小血管结构特征的提取方法，其特征在于：
对获取的所述脑血管图像进行预处理的过程为：
对获取的所述脑血管图像进行颅骨剥离，获得剥离后图像；
对所述剥离后图像进行非均匀性校正，获得校正后图像；
对所述校正后图像进行0-255标准化处理，获得处理后图像；
对所述处理后图像进行区域选定，选定的区域包括大脑中动脉MCA起始处到分叉处区域和从MCA发出的所有脑小血管起始到终末区域；
对所述选定的区域进行阈值法分割，得到脑小血管区域图像。
3.根据权利要求1所述的脑小血管结构特征的提取方法，其特征在于：
采用卷积神经网络CNN模型对所述脑小血管区域图像进行特征提取，得到脑小血管图像特征。
4.根据权利要求1所述的脑小血管结构特征的提取方法，其特征在于：
对所述脑小血管进行追踪的过程为：
基于所述脑小血管图像特征，对所述脑小血管区域图像采用双线性插值方式进行放大，获得放大图像；
采用均值滤波对所述放大图像进行平滑，获得平滑后的放大图像；
采用圆柱体嵌套的方式对平滑后的所述放大图像中的血管进行拟合，获得拟合后的血管图像；
基于拟合后的所述血管图像，采用随机森林方法获取圆柱体顶点位置，通过圆柱体的参数判断是否为所述脑小血管，获得所述脑小血管的追踪结果。
5.根据权利要求4所述的脑小血管结构特征的提取方法，其特征在于：
所述分支脑小血管在所述圆柱体顶点的球形区域中进行确定，所述球形区域的球心为所述圆柱体顶点横截面的圆心，所述球形区域的半径为所述圆柱体半径的若干倍。
6.根据权利要求4所述的脑小血管结构特征的提取方法，其特征在于：
所述圆柱体的参数包括：
B:圆柱体内血管点数量占圆柱体体积的比值；
R:圆柱体顶点在四个方向到血管边缘的距离方差；
A:圆柱体中心线的偏转角度；
S:圆柱体顶点周围血管点数量；
H:三维Hessian矩阵的三个特征值标准差。
7.根据权利要求1所述的脑小血管结构特征的提取方法，其特征在于：
对所述脑小血管追踪结果进行筛选的方法包括：
基于所述脑小血管追踪结果，建立筛选模型，所述筛选模型用于去除异常脑小血管追踪结果，获得正常脑小血管追踪结果。
8.根据权利要求1所述的脑小血管结构特征的提取方法，其特征在于：
重建血管模型的方法包括：
基于所述正常脑小血管追踪结果，采用VTK和VMTK的算法建立三维血管模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110769461.5A CN113408647B (zh) | 2021-07-07 | 2021-07-07 | 一种脑小血管结构特征的提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110769461.5A CN113408647B (zh) | 2021-07-07 | 2021-07-07 | 一种脑小血管结构特征的提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113408647A true CN113408647A (zh) | 2021-09-17 |
| CN113408647B CN113408647B (zh) | 2024-04-02 |
Family
ID=77685459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110769461.5A Active CN113408647B (zh) | 2021-07-07 | 2021-07-07 | 一种脑小血管结构特征的提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113408647B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114119519A (zh) * | 2021-11-16 | 2022-03-01 | 高峰 | 一种侧支循环评估方法 |
| CN115953555A (zh) * | 2022-12-29 | 2023-04-11 | 南京鼓楼医院 | 一种基于超声测量值的子宫腺肌病建模方法 |
| WO2024037358A1 (zh) * | 2022-08-15 | 2024-02-22 | 上海交通大学医学院附属第九人民医院 | 一种穿支血管自动识别和定位方法、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050249327A1 (en) * | 2002-06-04 | 2005-11-10 | Onno Wink | Rotational angiography based hybrid 3-d reconstruction of coronary arterial structure |
| CN104867147A (zh) * | 2015-05-21 | 2015-08-26 | 北京工业大学 | 基于冠状动脉造影图像分割的syntax自动评分方法 |
| CN107067409A (zh) * | 2017-05-09 | 2017-08-18 | 上海联影医疗科技有限公司 | 一种血管分离方法及系统 |
| CN107203741A (zh) * | 2017-05-03 | 2017-09-26 | 上海联影医疗科技有限公司 | 血管提取方法、装置及其系统 |
| KR20170128975A (ko) * | 2016-05-16 | 2017-11-24 | 한국전자통신연구원 | 혈관 분할 장치 및 그것의 혈관 분할 방법 |
| CN111899213A (zh) * | 2020-06-03 | 2020-11-06 | 浙江工业大学 | 一种基于高角度分辨率扩散成像的脑血管重建方法 |
| CN112308846A (zh) * | 2020-11-04 | 2021-02-02 | 赛诺威盛科技（北京）有限公司 | 血管分割方法、装置及电子设备 |
-
2021
- 2021-07-07 CN CN202110769461.5A patent/CN113408647B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050249327A1 (en) * | 2002-06-04 | 2005-11-10 | Onno Wink | Rotational angiography based hybrid 3-d reconstruction of coronary arterial structure |
| CN104867147A (zh) * | 2015-05-21 | 2015-08-26 | 北京工业大学 | 基于冠状动脉造影图像分割的syntax自动评分方法 |
| KR20170128975A (ko) * | 2016-05-16 | 2017-11-24 | 한국전자통신연구원 | 혈관 분할 장치 및 그것의 혈관 분할 방법 |
| CN107203741A (zh) * | 2017-05-03 | 2017-09-26 | 上海联影医疗科技有限公司 | 血管提取方法、装置及其系统 |
| CN107067409A (zh) * | 2017-05-09 | 2017-08-18 | 上海联影医疗科技有限公司 | 一种血管分离方法及系统 |
| CN111899213A (zh) * | 2020-06-03 | 2020-11-06 | 浙江工业大学 | 一种基于高角度分辨率扩散成像的脑血管重建方法 |
| CN112308846A (zh) * | 2020-11-04 | 2021-02-02 | 赛诺威盛科技（北京）有限公司 | 血管分割方法、装置及电子设备 |
Non-Patent Citations (4)
| Title |
|---|
| FAN LI 等: "Segmentation and reconstruction of cerebral vessels from 3D Rotational Angiography for AVM embolization planning", IEEE, 6 November 2014 (2014-11-06) * |
| 周寿军 等: "一种从X射线血管造影图像中自动分割冠状动脉的新方法", 中国科学(E辑:信息科学), no. 12, 15 December 2007 (2007-12-15) * |
| 秦中元 等: "基于树形模型的血管三维拓扑结构描述", 西安交通大学学报, no. 12, 20 December 2003 (2003-12-20) * |
| 解立志 等: "球B样条曲线结合树状结构的脑血管表示模型", 计算机辅助设计与图形学学报, no. 04, 15 April 2013 (2013-04-15) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114119519A (zh) * | 2021-11-16 | 2022-03-01 | 高峰 | 一种侧支循环评估方法 |
| WO2024037358A1 (zh) * | 2022-08-15 | 2024-02-22 | 上海交通大学医学院附属第九人民医院 | 一种穿支血管自动识别和定位方法、设备及存储介质 |
| CN115953555A (zh) * | 2022-12-29 | 2023-04-11 | 南京鼓楼医院 | 一种基于超声测量值的子宫腺肌病建模方法 |
| CN115953555B (zh) * | 2022-12-29 | 2023-08-22 | 南京鼓楼医院 | 一种基于超声测量值的子宫腺肌病建模方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113408647B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113408647B (zh) | 一种脑小血管结构特征的提取方法 | |
| CN108154519B (zh) | 眼底图像中血管的分割方法、装置及存储介质 | |
| Chen et al. | 3D intracranial artery segmentation using a convolutional autoencoder | |
| CN111292338B (zh) | 一种从眼底oct图像中分割脉络膜新生血管的方法及系统 | |
| CN109190690B (zh) | 基于机器学习的swi图像的脑微出血点检测识别方法 | |
| CN111340789A (zh) | 眼底视网膜血管识别及量化方法、装置、设备及存储介质 | |
| CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
| CN109431531B (zh) | 基于灌注成像的血管分割方法及装置和计算机装置 | |
| CN111667467B (zh) | 基于聚类算法的下肢血管钙化指数多参数累积计算方法 | |
| AU2010220015A2 (en) | Image processing device and method, and program | |
| CN113177943B (zh) | 一种脑卒中ct影像分割方法 | |
| WO2022121100A1 (zh) | 一种基于darts网络的多模态医学图像融合方法 | |
| CN112529909A (zh) | 一种基于图像补全的肿瘤图像脑区分割方法及系统 | |
| CN112991365B (zh) | 一种冠状动脉分割方法、系统及存储介质 | |
| CN112950644B (zh) | 基于深度学习的新生儿大脑图像分割方法及模型构建方法 | |
| CN111815663A (zh) | 一种基于Hessian矩阵和灰度法的肝血管分割系统 | |
| CN116862889A (zh) | 一种基于核磁共振图像的脑血管硬化检测方法 | |
| CN115018863A (zh) | 基于深度学习的图像分割方法及装置 | |
| CN108734771B (zh) | 基于三维医学影像的血管提取系统及分析方法 | |
| CN114119626A (zh) | 一种基于统计学模型和多尺度滤波的脑血管图像分割方法 | |
| CN112562058B (zh) | 一种基于迁移学习的颅内血管模拟三维模型快速建立方法 | |
| Gour et al. | Blood vessel segmentation using hybrid median filtering and morphological transformation | |
| CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
| CN116958705A (zh) | 基于图神经网络的医学影像归类系统 | |
| CN114862799B (zh) | 一种用于flair-mri序列的全自动脑体积分割方法 |
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 |