CN113516644B - 一种血管内光学相干层析成像分支血管识别方法 - Google Patents
一种血管内光学相干层析成像分支血管识别方法 Download PDFInfo
- Publication number
- CN113516644B CN113516644B CN202110789641.XA CN202110789641A CN113516644B CN 113516644 B CN113516644 B CN 113516644B CN 202110789641 A CN202110789641 A CN 202110789641A CN 113516644 B CN113516644 B CN 113516644B
- Authority
- CN
- China
- Prior art keywords
- contour
- blood vessel
- vessel
- branch
- image
- 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.)
- Active
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012014 optical coherence tomography Methods 0.000 title claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000009499 grossing Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 230000001131 transforming effect Effects 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 description 8
- 238000011426 transformation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000002608 intravascular ultrasound Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 244000208734 Pisonia aculeata Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 235000015243 ice cream Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000869 mutational effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20036—Morphological image processing
- G06T2207/20041—Distance transform
-
- 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
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Endoscopes (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及一种血管内光学相干层析成像分支血管识别方法,包括下列步骤:(1)对原始图像Ori进行血管轮廓提取,方法如下:第一步:图像增强和自适应二值化;第二步:连通域处理;第三步:插值与平滑处理;(2)分支血管识别,方法如下:第一步:坐标变换;第二步:主血管中心的确定;第三步:质心位置和质心矩的确定;第四步:分支血管存在性判定;第五步:计算主血管最大半径;第六步:分支血管轮廓与分界点识别。
Description
技术领域
本发明涉及内窥光学相干层析成像(Intravascular Optical CoherenceTomography,IV-OCT)覆盖心血管、脑血管等内窥OCT成像领域,尤其涉及一种基于质心特征与距离变换方法的IV-OCT血管图像的分支血管的识别方法。
背景技术
血管内窥光学相干层析成像技术(IV-OCT)是一种基于导管的检查方法,它利用近红外光,可获取分辨率为十倍于血管内超声(IVUS)的体内血管壁微结构的高分辨率成像。分支血管信息对血管模型的流体模拟与数值分析,以及不同类别血管图像的配准都有很大的应用价值。因此,分支血管的准确识别及识别在冠状动脉疾病的治疗中显得尤为重要。
目前,分支血管的识别方法主要可以分为手动识别和自动识别。自动识别相对于手动识别来说更为快速和便捷。近年来,不断有学者提出全自动识别血管分支血管的方法,其中:Alberti等[1]使用IVUS图像中基于纹理的特征,检测到分叉,从而评估三个不同的分类器(Adaboost,Random Forest和SVM)。Macedo等[2]通过从管腔轮廓提取几何特征来识别分支,这是通过使用基于Ughi等人[3]的一组算子进行检测的。Macedo等人,Porto等人[4,5]使用相同数据集和特征评估了神经网络和SVM分类器在分支检测任务中的性能。通常,使用神经网络获得的结果要比SVM更好。Wang等[6]提出了一种基于典型IVOCT图像的所有公共组件的准确分割的全自动方法来检测IVOCT回拉运行中的分支。他们通过分析管腔中心与其轮廓之间的距离来检测分支,使用了Dijkstra的算法用于从梯度图像检测管腔轮廓,并通过距离变换方法检测管腔中心。Cao等人[7]提出了一种全自动的侧支口检测和主血管分割方法,他们的算法创造性地将曲率的定义转化为法向量与指向主血管中心向量夹角的计算。
主流的两种分支识别方法中,Wang等人基于距离的方法识别准确度受方法限制,Cao等人利用法向量的方法对血管轮廓形状的规则与否极为敏感,易出现误识别。IVOCT图像血管轮廓与分支的准确识别,具有重要的研究意义和实际价值。专利CN112308874[8]提出一种于管壁连通域唯一性的IV-OCT血管轮廓识别方法。
参考文献:
[1]M.Alberti et al.Automatic bifurcation detection in coronary IVUSsequences[J].IEEE Trans.Biomed.Eng.2012,vol.59,no.4,pp:1022-1031.
[2]C.D.N.Porto,C.F.F.C.Filho,M.M.G.Macedo,M.A.Gutierrez andM.G.F.Costa.Classification of bifurcations regions in IVOCT images usingsupport vector machine and artificial neural network models[J].Int.Soc.Opt.Photon.vol.3,Mar.2017.
[3]E.W.Dijkstra.A note on two problems in connexion with graphs[J].Numer.Math,Dec.1959vol.1,no.1:269-271.
[4]M.M.G.Macedo,W.V.N.M.Z.Galon,C.K.Takimura,P.A.Lemos andM.A.Gutierrez.A bifurcation identifier for IV-OCT using orthogonal leastsquares and supervised machine learning[J].Comput.Med.Imag.Graph,2015.vol.46:237-248.
[5]G.J.Ughi,T.Adriaenssens,W.Desmet and J.D’hooge.Fully automaticthree-dimensional visualization of intravascular optical coherence tomographyimages:Methods and feasibility in vivo[J].Biomed.Opt.Express,Dec.2012vol.3,no.12:3291-3303.
[6]A.Wang,J.Eggermont,J.H.C.Reiber and J.Dijkstra.Fully automatedside branch detection in intravascular optical coherence tomography pullbackruns[J].Biomed.Opt.Express,2014vol.5,no.9:3160-3173.
[7]Y.Cao et al.Automatic Side Branch Ostium Detection and MainVascular Segmentation in Intravascular Optical Coherence Tomography Images[C].In IEEE Journal of Biomedical and Health Informatics,Sept.2018vol.22,no.5:1531-1539.
[8]丁振扬,朱丰裕,刘铁根,刘琨,江俊峰,陶魁园,李清瑞,朱亚楠,商明健,胡景淇.基于管壁连通域唯一性的IV-OCT血管轮廓识别方法[P].CN112308874A,2021-02-02
发明内容
本发明的目的是提供一种IV-OCT血管图像的分支血管识别方法,以克服现有的手动IV-OCT血管图像的分支血管识别和分割较为耗时与自动IV-OCT血管图像的分支血管识别和分割出现识别困难的问题。本发明使用自适应阈值二值化优化了CN112308874所提出的血管轮廓分割方法,并在此基础上提出了一种血管内光学相干层析成像分支血管识别方法。总流程为:首先使用基于形态学和自适应阈值二值化的方法对血管轮廓进行分割,然后利用基于质心特征的距离变换方法检测分支口点,将管腔轮廓分为分支和主血管区域,能够正确提取出分支血管区域。技术方案如下:
一种血管内光学相干层析成像分支血管识别方法,包括下列步骤:
(1)对原始图像Ori进行血管轮廓提取,方法如下:
第一步:图像增强和自适应二值化;
利用直方图方法对原始图像Ori进行图像增强,扩展图像的灰度范围,然后进行模板2×2的中值滤波,去除部分零散噪声点的影响;使用Bradley方法检测每个点周围的像素点的灰度,通过局部自适应阈值对图像Ori2进行二值化,处理后图像用BW表示;
第二步:连通域处理;
选用半径为1的圆盘状结构元素se,对BW首先进行形态开运算,腐蚀掉过小的散点,合并较大的连通域;利用方向特征对导管进行切除,根据面积特征对剩余的散点噪声部分进行去除;根据A-line上连通域的唯一性,检测并去除大块的残留血液,得到的结果图用BW2表示;
第三步:插值与平滑处理;
根据BW2,使用双立方插值的方法将导丝区域轮廓还原,并选取阈值用平滑函数对插值后的轮廓进行二次处理,从而得到更加准确的轮廓CONT;
(2)分支血管识别,方法如下:
第一步:坐标变换
将轮廓CONT从极坐标变换为笛卡尔坐标,变换后的轮廓记为管腔轮廓CONT2;
第二步:主血管中心的确定
利用所检测到管腔轮廓CONT2的轮廓点建立一个距离映射图谱,在距离映射图谱中,把被CONT2轮廓所包围的管腔内每个位置的值定义为这个位置到最近的轮廓点的距离,将距离映射图谱中值最大的位置所对应的像素点确定为主血管的中心,相应的距离记为Rr;
第三步:质心位置和质心矩的确定
血管的质心定义为被轮廓CONT2所包围的管腔内所有像素的平均坐标,图像的质心距定义为主血管中心与质心的距离;
第四步:分支血管存在性判定
若图像中存在与主血管中心距离大于1.7倍Rr的轮廓点,并且图像的质心矩大于0.2倍Rr,则图像被判断为具有分支;否则,图像被判断为无分支血管,并输出主血管数据;
第五步:计算主血管最大半径
过主血管中心画出一条与主血管中心—质心连线互相垂直的直线,使用这条直线将血管轮廓分为两个部分;认为分支血管轮廓存在于质心所处的区域中,并且其对侧的区域不存在分支;然后,遍历没有分支的这部分轮廓点,寻找与主血管中心距离最大的轮廓点,将此轮廓点与主血管中心的距离视为主血管的最大半径,记作Rmax;
第六步:分支血管轮廓与分界点识别
将Rmax作为分支轮廓与主血管轮廓的判断标准,与主血管中心距离小于Rmax的轮廓点标记为主血管轮廓,大于Rmax的轮廓点标记为分支轮廓;对所有轮廓点逐个检索使其按顺时针排列好,我们将主血管的轮廓点标记为0,分支的轮廓点标记为1,按顺时针顺序检测出血管轮廓标记由0变1和由1变0的两个突变点,即得到主血管和分支的分界点。
与现有技术相比,本发明的有益效果是:本发明克服了现有的手动IV-OCT血管图像的分支血管识别和分割较为耗时与自动IV-OCT血管图像的分支血管识别和分割出现识别困难的问题。在不设定感兴趣区域,不需要进行人工标记以训练分类器的情况下,使用了迭代次数较少的基于质心特征和距离变换分支血管识别方法,从而能够正确提取出分支血管区域。
附图说明
图1是一种IVOCT血管图像的分支血管全自动识别方法的流程图;
图2自适应阈值二值化后IVOCT极坐标下图像
图3笛卡尔坐标系下IVOCT图像血管轮廓
图4主血管中心,质心和最大主血管半径的示意图
图5笛卡尔坐标系下IVOCT主血管轮廓与分支血管轮廓
具体实施方式
下面结合附图和具体实施例对本发明技术方案作进一步详细描述,所描述的具体实施例仅对本发明进行解释说明,并不用以限制本发明。
如图1所示,本发明提出的一种IVOCT血管图像的分支血管全自动识别方法包括以下步骤:
本发明提供了一种基于质心特征和距离变换的IV-OCT血管图像的管腔轮廓全自动识别方法,本发明克服现有的手动IV-OCT血管图像的分支血管识别和分割较为耗时与自动IV-OCT血管图像的分支血管识别和分割出现识别困难的问题。本发明在整个识别过程中,首先使用基于形态学和自适应阈值二值化的方法对血管轮廓进行分割,然后利用基于质心特征的距离变换方法检测分支口点,将管腔轮廓分为分支和主血管区域,能够正确提取出分支血管区域。
为了解决上述技术问题,本发明提出了一种基于质心特征和距离变换的IV-OCT血管图像的分支血管自动识别方法,其特征在于整个识别过程使用了质心的提取和距离变换,方法简单;并能够在不训练分类器,无人工参与的情况下快速正确识别出分支血管位置,所述方法包括以下步骤:
(1)对原始图像Ori进行血管轮廓识别,方法如下:
步骤一:对原始图像Ori进行图像增强和中值滤波;利用直方图方法对原图进行图像增强,扩展图像的灰度范围,然后进行模板2×2的中值滤波,去除部分零散噪声点的影响。将中值滤波后的图像Ori2使用Bradley方法,使用局部自适应阈值对图像Ori2进行二值化。该方法使用像素邻域的局部均值强度,来确定每个像素点的阈值。本发明使用图像大小1/8的邻域大小进行阈值的计算。使用Bradley方法可以有效的检测出一片区域中的像素点的相对强度,从而分离开噪声和信号,并且不会忽略较弱的血管信号。处理后图像如图2所示,记为BW。
步骤三:对二值化后的图像BW中的连通域进行处理。
用半径为1的圆盘状结构元素se,对BW首先进行形态开运算,腐蚀掉过小的散点,合并较大的连通域。形状为直线型的导管的方向主要集中在90°左右,。因此我们设定方向阈值为89.5°。如果连通区域的方向若大于设定的方向阈值,便认定为导管,反之,则将此连通区域确定为血管。对经过方向检测后的连通域继续进行面积检测。设定面积阈值为0.05mm2。将方向属性大于方向阈值以及面积阈值小于0.05mm2的连通区域的像素值置为0。根据A-line上连通域的唯一性,可以检测并去除大块的残留血液。由于血管壁围绕管腔分布,因此,从管腔中心发出的射线(A-line)通过且仅通过一次血管壁。在二值化图像中,所有的A-line也只通过一个血管壁连通域。利用这一性质,可以将A-line所通过的其它非血管壁连通域进行去除。得到该步骤的结果图用BW2表示;
步骤四:插值与平滑处理;
使用双线性内插法插值BW2的连通域边缘,得到血管轮廓。通过极坐标图像中邻近的2*2像素点区域来计算x*y的值。
使用稳健二次回归对所得到的轮廓进行平滑处理,消除轮廓的毛刺。得到的轮廓记为CONT。
(2)分支血管识别,方法如下:
步骤一:应用坐标变换方法,将极坐标下的轮廓点变换为笛卡尔坐标下的轮廓点。由于CONT是极坐标下轮廓点,这里需要将轮廓变换为笛卡尔坐标,以方便后面分支的识别。两种坐标系的对应关系为:
其中,ρ和θ分别为极坐标系下的极径和极角,x和y分别为笛卡尔坐标系下的横纵坐标。变换后的轮廓记为CONT2。变换之后的血管轮廓图像如图3所示。
步骤二:利用CONT2的轮廓点可以建立一个距离映射,确定主血管中心。
利用轮廓CONT2可以建立一个与原图等大的距离映射图谱。在图谱中,我们把每个位置的值定义为这个位置到最近的轮廓点的距离,并且只保留位于管腔内的值,将管腔外所有位置值设置为零。这样,就可以将图谱中值最大的位置所对应的像素点确定为主血管的中心。该方法的原理可以理解为寻找管腔轮廓的最大内切圆,而该圆的圆心即为主血管中心,并将其半径定义为Rr;
步骤三:确定质心位置和质心距。
血管内腔的质心是IVOCT图像的重要特征之一,也是分支识别重要的判断依据。血管的质心定义为管腔内所有像素的平均坐标,如下所示:
式中,l为管腔内像素数,x、y分别为横纵坐标。然后,我们定义了图像的质心距为主血管中心与质心的距离。
步骤四:判断图像中是否存在分支血管
在确定主血管中心后,可以通过分析血管轮廓与中心的距离特征来判断分支的存在与否。一般来说,距离的急剧增加代表可能存在分支。并且,通过对大量图像的处理,可以发现存在分支的图像其质心距(主血管中心与质心的距离)明显偏大。据质心的位置特征,可以进一步确定分支的存在与否,避免误识别的出现。在本方法中,若图像中存在与主血管中心的距离大于1.7倍Rr的轮廓点,并且血管轮廓的质心距大于0.2倍Rr,该图像才被判断为具有分支。否则,图像被判断为无分支血管,并输出主血管数据。
步骤五:计算主血管最大半径。
过主血管中心画出一条与主血管中心—质心连线垂直的直线,使用这条直线将血管轮廓分为两个部分。我们认为分支血管轮廓存在于质心所处的区域中,并且其对侧的区域不存在分支。然后,遍历没有分支的这部分轮廓点,寻找与主血管中心距离最大的轮廓点,将该距离视为主血管的最大半径,记作Rmax。如图4所示。
步骤六:分支血管轮廓与分界点识别。
我们将Rmax作为分支的判断标准,与主血管中心距离小于Rmax的轮廓点标记为主血管轮廓,大于Rmax的轮廓点标记为分支轮廓。
为了得到主血管轮廓与分支血管轮廓的分界点,我们对所有轮廓点逐个检索使其按顺时针排列好,将主血管的轮廓点标记为0,分支的轮廓点标记为1。然后顺时针检测出轮廓点标记由0变1和由1变0的两个突变点就得到了主血管轮廓与分支血管的分界点。分支血管识别效果如图5所示。
IV-OCT血管图像的分支血管的正确识别对血管模型的流体模拟与数值分析,以及不同类别血管图像的配准都有很大的应用价值。现有训练分类器,神经网络,法向量等方法可以实现IV-OCT分支血管的识别和提取。但在识别和提取轮廓的过程中,可能会受到训练时间较长,人工干预较多等问题的限制。本专利提出整个识别过程使用了图像增强、自适应阈值二值化、连通域操作、主血管中心及质心特征的应用,距离变换方法等步骤能够全自动地正确提取出分支血管以及与主血管的分界点。尽管上面结合附图对本发明进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨的情况下,还可以做出很多变形,这些均属于本发明的保护之内。
Claims (1)
1.一种血管内光学相干层析成像分支血管识别方法,包括下列步骤:
(1)对原始图像Ori进行血管轮廓提取,方法如下:
第一步:图像增强和自适应二值化;
利用直方图方法对原始图像Ori进行图像增强,扩展图像的灰度范围,然后进行模板2×2的中值滤波,去除部分零散噪声点的影响,得到图像Ori2;使用Bradley方法检测每个点周围的像素点的灰度,通过局部自适应阈值对图像Ori2进行二值化,处理后图像用BW表示;
第二步:连通域处理;
选用半径为1的圆盘状结构元素se, 对BW首先进行形态开运算,腐蚀散点,得到连通区域;根据直线型的导管的方向设定方向阈值为,如果连通区域的方向若大于设定的方向阈值,便认定为导管,反之,则将此连通区域确定为血管连通区域;对经过方向检测后的血管连通区域继续进行面积检测,设定面积阈值,将方向属性大于方向阈值以及小于面积阈值的连通区域的像素值置为0,得到二值化图像;根据管腔中心发出的射线A-line上连通域的唯一性,在所得到的二值化图像中,所有的射线A-line也只通过一个血管连通区域,射线A-line所通过的其它非血管连通区域进行去除,得到的结果图用BW2表示;
第三步:插值与平滑处理;
根据BW2,使用双立方插值的方法将导丝区域轮廓还原,并选取阈值用平滑函数对插值后的轮廓进行二次处理,从而得到更加准确的轮廓CONT;
(2)分支血管识别,方法如下:
第一步:坐标变换
将轮廓CONT从极坐标变换为笛卡尔坐标,变换后的轮廓记为管腔轮廓CONT2;
第二步:主血管中心的确定
利用所检测到管腔轮廓CONT2的轮廓点建立一个距离映射图谱,在距离映射图谱中,把被CONT2轮廓所包围的管腔内每个位置的值定义为这个位置到最近的轮廓点的距离,将距离映射图谱中值最大的位置所对应的像素点确定为主血管的中心,相应的距离记为Rr;
第三步:质心位置和质心矩的确定
血管的质心定义为被轮廓CONT2所包围的管腔内所有像素的平均坐标,图像的质心距定义为主血管中心与质心的距离;
第四步:分支血管存在性判定
若图像中存在与主血管中心距离大于1.7倍Rr的轮廓点,并且图像的质心矩大于0.2倍Rr,则图像被判断为具有分支;否则,图像被判断为无分支血管,并输出主血管数据;
第五步:计算主血管最大半径
过主血管中心画出一条与主血管中心—质心连线互相垂直的直线,使用这条直线将血管轮廓分为两个部分;认为分支血管轮廓存在于质心所处的区域中,并且其对侧的区域不存在分支;然后,遍历没有分支的这部分轮廓点,寻找与主血管中心距离最大的轮廓点,将此轮廓点与主血管中心的距离视为主血管的最大半径,记作Rmax;
第六步:分支血管轮廓与分界点识别
将Rmax作为分支轮廓与主血管轮廓的判断标准,与主血管中心距离小于Rmax的轮廓点标记为主血管轮廓,大于Rmax的轮廓点标记为分支轮廓;对所有轮廓点逐个检索使其按顺时针排列好,将主血管的轮廓点标记为0,分支的轮廓点标记为1,按顺时针顺序检测出血管轮廓标记由0变1和由1变0的两个突变点,即得到主血管和分支的分界点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110789641.XA CN113516644B (zh) | 2021-07-13 | 2021-07-13 | 一种血管内光学相干层析成像分支血管识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110789641.XA CN113516644B (zh) | 2021-07-13 | 2021-07-13 | 一种血管内光学相干层析成像分支血管识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516644A CN113516644A (zh) | 2021-10-19 |
CN113516644B true CN113516644B (zh) | 2022-04-01 |
Family
ID=78067282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110789641.XA Active CN113516644B (zh) | 2021-07-13 | 2021-07-13 | 一种血管内光学相干层析成像分支血管识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516644B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820678B (zh) * | 2022-06-27 | 2022-09-16 | 天津恒宇医疗科技有限公司 | 基于oct图像的血管壁内轮廓自动提取方法及系统 |
CN117495668B (zh) * | 2023-12-29 | 2024-03-29 | 柏意慧心(杭州)网络科技有限公司 | 用于确定主血管路径和分支血管路径的方法、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118508A (zh) * | 2018-08-31 | 2019-01-01 | 成都美律科技有限公司 | Ivoct图像血管壁内腔轮廓提取方法 |
CN111784720A (zh) * | 2020-06-19 | 2020-10-16 | 天津大学 | 一种dsa和ivoct的血管图像融合方法 |
CN112116704A (zh) * | 2020-09-11 | 2020-12-22 | 同济大学 | 基于光学相干层析成像的皮下微血管分割与三维重建方法 |
CN112200883A (zh) * | 2020-11-03 | 2021-01-08 | 华北电力大学(保定) | 一种定量血管内光学相干层析成像方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ITMI20121156A1 (it) * | 2012-06-29 | 2013-12-30 | Consiglio Nazionale Ricerche | Metodo di elaborazione di immagini di tomografia a coerenza ottica |
CN105825488B (zh) * | 2016-05-30 | 2018-08-21 | 天津大学 | 一种心血管内光学相干层析图像增强方法 |
CN108090900B (zh) * | 2017-12-28 | 2021-12-28 | 中科微光医疗研究中心(西安)有限公司 | 一种基于ivoct图像的分叉血管自动识别方法 |
CN108182680B (zh) * | 2017-12-28 | 2021-12-28 | 中科微光医疗研究中心(西安)有限公司 | 一种基于ivoct图像的分叉血管的角度自动识别方法 |
CN110717888B (zh) * | 2019-09-06 | 2021-03-12 | 天津大学 | 一种血管内光学相干层析成像血管壁内轮廓自动识别方法 |
CN112308874B (zh) * | 2020-11-19 | 2022-04-15 | 天津大学 | 基于管壁连通域唯一性的iv-oct血管轮廓识别方法 |
-
2021
- 2021-07-13 CN CN202110789641.XA patent/CN113516644B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118508A (zh) * | 2018-08-31 | 2019-01-01 | 成都美律科技有限公司 | Ivoct图像血管壁内腔轮廓提取方法 |
CN111784720A (zh) * | 2020-06-19 | 2020-10-16 | 天津大学 | 一种dsa和ivoct的血管图像融合方法 |
CN112116704A (zh) * | 2020-09-11 | 2020-12-22 | 同济大学 | 基于光学相干层析成像的皮下微血管分割与三维重建方法 |
CN112200883A (zh) * | 2020-11-03 | 2021-01-08 | 华北电力大学(保定) | 一种定量血管内光学相干层析成像方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113516644A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717888B (zh) | 一种血管内光学相干层析成像血管壁内轮廓自动识别方法 | |
CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像系统 | |
CN112716446B (zh) | 高血压性视网膜病变的病变特征的测量方法及测量系统 | |
CN110448319B (zh) | 基于造影影像及冠状动脉的血流速度计算方法 | |
CN110448335B (zh) | 一种基于超声图像的胎儿头围全自动测量方法和装置 | |
CN113516644B (zh) | 一种血管内光学相干层析成像分支血管识别方法 | |
Panda et al. | New binary Hausdorff symmetry measure based seeded region growing for retinal vessel segmentation | |
CN112837306B (zh) | 基于深度学习和中智理论的冠状动脉病变功能学定量方法 | |
WO2022048171A1 (zh) | 眼底图像的血管管径的测量方法及测量装置 | |
CN108846827B (zh) | 一种基于多圆快速分割眼底视盘的方法 | |
Nazarudin et al. | Review on automated follicle identification for polycystic ovarian syndrome | |
Oliveira et al. | Simultaneous detection of prominent points on breast cancer conservative treatment images | |
CN110111354A (zh) | 肝脏医学图像动脉区域分割方法及系统 | |
CN113012127A (zh) | 基于胸部医学影像的心胸比测量方法 | |
CN108416769A (zh) | 基于预处理的ivoct图像易损斑块自动检测方法 | |
Rashid et al. | Segmenting melanoma lesion using single shot detector (SSD) and level set segmentation technique | |
CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
Zhou et al. | Automatic angle of progress measurement of intrapartum transperineal ultrasound image with deep learning | |
Alazawee et al. | Analyzing and detecting hemorrhagic and ischemic strokebased on bit plane slicing and edge detection algorithms | |
Song et al. | A new separation algorithm for overlapping blood cells using shape analysis | |
CN116030041B (zh) | 一种颈总动脉超声波横切图像血管壁分割方法 | |
Wong-od et al. | Intravascular ultrasound image recovery and segmentation based on circular analysis | |
CN113627231B (zh) | 一种基于机器视觉的视网膜oct图像中液体区域自动分割方法 | |
Castro et al. | Vessel detection in carotid ultrasound images using artificial neural networks | |
Jadhav et al. | SEGMENTATION OF BRIGHT REGION OF THE OPTIC DISC FOR EYE DISEASE PREDICTION. |
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 |