CN113516677B - 一种结构化分级管状结构血管的方法、装置及电子设备 - Google Patents

一种结构化分级管状结构血管的方法、装置及电子设备 Download PDF

Info

Publication number
CN113516677B
CN113516677B CN202110397001.4A CN202110397001A CN113516677B CN 113516677 B CN113516677 B CN 113516677B CN 202110397001 A CN202110397001 A CN 202110397001A CN 113516677 B CN113516677 B CN 113516677B
Authority
CN
China
Prior art keywords
image
blood vessel
growth
tubular structure
point
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
Application number
CN202110397001.4A
Other languages
English (en)
Other versions
CN113516677A (zh
Inventor
刘恩佑
张欢
王少康
陈宽
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.)
Infervision Medical Technology Co Ltd
Original Assignee
Infervision Medical Technology 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 Infervision Medical Technology Co Ltd filed Critical Infervision Medical Technology Co Ltd
Priority to CN202110397001.4A priority Critical patent/CN113516677B/zh
Publication of CN113516677A publication Critical patent/CN113516677A/zh
Application granted granted Critical
Publication of CN113516677B publication Critical patent/CN113516677B/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
    • G06T7/10—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
    • G06T7/0002—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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/30172—Centreline of tubular or elongated structure

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供了一种结构化分级管状结构血管的方法、装置及电子设备，结构化分级管状结构血管的方法包括：对管状结构血管图像进行距离变换，得到管状结构血管图像内各像素点的距离变换结果；基于所述距离变换结果进行区域生长，获取纵膈图像，将管状结构血管图像与纵膈图像进行减运算，得到肺内血管图像；提取肺内血管图像的中线；基于中线进行线段提取以及分级的线段层级关系，获取中线结构图像；将中线结构图像映射到管状结构血管图像，得到结构化分级管状结构血管。可以提高管状结构血管的分级精度。

Description

一种结构化分级管状结构血管的方法、装置及电子设备
技术领域
本发明涉及血管分级技术领域，具体而言，涉及一种结构化分级管状结构血管的方法、装置及电子设备。
背景技术
用计算机断层成像(CT，Computed Tomography)扫描仪获得的管状结构血管CT图像中包含有大量的病理信息，但由于管状结构血管包含大量粗细不均的结构，因而，需要通过结构化分级，对管状结构血管的生理解剖结构进行量化分级，以便能够基于量化的结构化分级进行管状结构血管的三维重建，有利于对病理信息进行精确定位。
目前，一般采用基于深度学习的分割模型，通过对管状结构血管进行语义分割，将管状结构血管分割为线段和线段结构关系，从而获取管状结构血管的结构化分级。但该方法，对于数量多、大小差别大，网络结构复杂的管状结构血管，例如，肺血管，由于肺血管内粒度小的肺内血管，距离纵膈较远，血管较细且相互交错，难以区分，使得该方法对粒度小的肺内血管的结构化分级的精度较低。
发明内容
有鉴于此，本发明的目的在于提供结构化分级管状结构血管的方法、装置及电子设备，以提高管状结构血管的分级精度。
第一方面，本发明实施例提供了结构化分级管状结构血管的方法，包括：
对管状结构血管图像进行距离变换，得到管状结构血管图像内各像素点的距离变换结果；
基于所述距离变换结果进行区域生长，获取纵膈图像，将管状结构血管图像与纵膈图像进行减运算，得到肺内血管图像；
提取肺内血管图像的中线；
基于中线进行线段提取以及分级的线段层级关系，获取中线结构图像；
将中线结构图像映射到管状结构血管图像，得到结构化分级管状结构血管。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述管状结构血管图像为肺血管图像，所述基于所述距离变换结果进行区域生长，获取纵膈图像，包括：
依据各像素点的距离变换结果，对肺血管图像进行分层；
依据各分层对应的距离，剥离出距离大于预设分层距离阈值的分层，得到掩膜种子数据；
以掩膜种子数据为生长点，以各分层为轨道数据进行生长，得到纵膈图像。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述提取肺内血管图像的中线，包括：
提取肺内血管图像的一目标像素点，以该目标像素点为中心构建图像模板：
判断该图像模板内的像素点是否满足预设的迭代条件，若满足，删除目标像素点；
将构建的图像模板前移一像素点，执行判断该图像模板内的像素点是否满足预设的迭代条件的步骤，直至遍历完肺内血管图像的每一像素点，得到中线。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述基于中线进行线段提取，包括：
确定中线的起点；
从起点进行遍历，若遍历到第一端点或第一节点，将该第一端点或第一节点确定为线段的一侧端点，从该线段的侧端点继续进行遍历，直到遍历到第二端点或第二节点，将该第二端点或第二节点确定为线段的另一侧端点，直至遍历完中线。
结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述确定中线的起点，包括：
获取以中线的候选像素点为中心的目标区域，若该目标区域内存在纵膈像素点，确定该候选像素点为中线的起点。
结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，确定所述端点和节点，包括：
获取以待确定像素点为中心的待确定区域；
统计待确定区域中，距离值为第一距离的像素点的数量，其中，第一距离为肺内血管距离背景像素点的距离；
若数量为2，确定该待确定像素点为端点，若数量大于3，确定该待确定像素点为节点。
结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，确定所述分级的线段层级关系，包括：
依据提取的线段，若相邻两线段的交点为端点，则该两线段的层级关系分级为平级，若相邻两线段的交点为节点，则依据从起点进行遍历的方向，前一形成的线段为后一形成的线段的父级。
结合第一方面、第一方面的第一种可能的实施方式至第六种可能的实施方式中的任一种可能的实施方式，本发明实施例提供了第一方面的第七种可能的实施方式，其中，所述将中线结构图像映射到管状结构血管图像，包括：
对管状结构血管图像进行距离变换，得到生长轨道；
控制中线结构图像按照生长轨道进行生长。
结合第一方面的第七种可能的实施方式，本发明实施例提供了第一方面的第八种可能的实施方式，其中，所述控制中线结构图像按照生长轨道进行生长，得到结构化分级管状结构血管，包括：
以中线结构图像为生长点，遍历生长轨道，在生长轨道上筛选大于初始生长阈值的像素点，进行一轮生长，所述初始生长阈值为生长轨道上的像素点最大距离；
判断遍历生长轨道是否完毕，如果是，将初始生长阈值减1，得到更新生长阈值；
判断更新生长阈值是否等于0，若等于，终止生长，得到结构化分级管状结构血管；若不等于，遍历生长轨道，在生长轨道上筛选大于更新生长阈值的像素点，进行次一轮生长，直至更新生长阈值为0。
第二方面，本发明实施例提供了一种结构化分级管状结构血管的装置，包括：
距离变换模块，用于对管状结构血管图像进行距离变换，得到管状结构血管图像内各像素点的距离变换结果；
分割模块，用于基于所述距离变换结果进行区域生长，获取纵膈图像，将管状结构血管图像与纵膈图像进行减运算，得到肺内血管图像；
中线提取模块，用于提取肺内血管图像的中线；
结构获取模块，用于基于中线进行线段提取以及分级的线段层级关系，获取中线结构图像；
映射模块，用于将中线结构图像映射到管状结构血管图像，得到结构化分级管状结构血管。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述的方法的步骤。
本发明实施例提供的结构化分级管状结构血管的方法、装置及电子设备，通过对管状结构血管图像进行距离变换，得到管状结构血管图像内各像素点的距离变换结果；基于所述距离变换结果进行区域生长，获取纵膈图像，将管状结构血管图像与纵膈图像进行减运算，得到肺内血管图像；提取肺内血管图像的中线；基于中线进行线段提取以及分级的线段层级关系，获取中线结构图像；将中线结构图像映射到管状结构血管图像，得到结构化分级管状结构血管。这样，通过提取肺内血管图像的中线，中线在血管分割的粒度上更细，从而使得依据中线进行结构化分级的精度较高，因而，在将中线结构图像映射到管状结构血管图像时，能够保障映射的管状结构血管图像的结构化分级精度，从而提升管状结构血管的分级精度。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的结构化分级管状结构血管的方法流程示意图；
图2示出了本发明实施例所提供的结构化分级管状结构血管的装置结构示意图；
图3为本申请实施例提供的一种计算机设备300的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
目前，采用基于深度学习的分割模型实现管状结构血管结构化分级的方法，对于数量多、大小差别大，网络结构复杂的管状结构血管，对粒度小的血管的结构化分级的精度较低。本发明实施例中，考虑到肺内血管细且相互交错，通过对肺血管图像进行距离变换，获取纵膈图像，依据肺血管图像以及纵膈图像，获取肺内血管图像，对肺内血管图像进行中线提取，通过中线进行结构化分级，可以获得较高的分级精度，再通过将分级精度较高的结构化分级结果映射至肺血管图像，从而提升小粒度的肺内血管的结构化分级精度。
本发明实施例提供了一种结构化分级管状结构血管的方法、装置及电子设备，下面通过实施例进行描述。
图1示出了本发明实施例所提供的结构化分级管状结构血管的方法流程示意图。如图1所示，该方法包括：
步骤101，对管状结构血管图像进行距离变换，得到管状结构血管图像内各像素点的距离变换结果；
本发明实施例中，管状结构血管图像包括但不限于：管状结构血管CT图像、管状结构血管核磁共振成像(MRI，Magnetic Resonance Imaging)图像、管状结构血管数字放射成像(DR，Digital Radiography)图像等。
本发明实施例中，作为一可选实施例，管状结构血管包括但不限于：肺血管、支气管。以肺血管为例，肺血管包括纵膈以及肺内血管，其中，纵膈结构较为简单，而肺内血管的结构较为复杂，病灶的病症千差万别，因而，通过将纵膈和肺内血管进行有效分割，对肺内血管进行深入研究，可以降低后续结构化分级的运算量。
本发明实施例中，由于纵膈和肺内血管的一个重要区别在于其厚度不同。因此，作为一可选实施例，可以利用距离变换对肺血管进行分割。其中，距离变换用于确定目标点相对于预设像素点的距离。本发明实施例中，距离变换用于计算肺血管图像内的像素点距离背景像素点(背景层)的距离。因而，当管状结构血管图像为肺血管图像，对管状结构血管图像进行距离变换，得到管状结构血管图像内各像素点的距离变换结果，包括：
对肺血管图像进行距离变换，得到肺血管图像内各像素点距离预设背景像素点的像素点距离。
本发明实施例中，像素点距离是指像素点到预设背景像素点(背景层)的最短距离。对于管状结构血管图像来说，每个像素点距离背景像素点的距离值不同，其中，位于管状结构血管中心的像素点距离背景像素点的距离值较大，位于管状结构血管外侧的像素点距离背景像素点的距离值较小。这样，后续中，可以基于像素点距离区分纵膈以及肺内血管。
步骤102，基于所述距离变换结果进行区域生长，获取纵膈图像，将管状结构血管图像与纵膈图像进行减运算，得到肺内血管图像；
本发明实施例中，作为一可选实施例，基于所述距离变换结果进行区域生长，获取纵膈图像，包括：
A11，依据各像素点的距离变换结果，对肺血管图像进行分层；
本发明实施例中，由于纵膈的厚度较厚，肺内血管较薄，因而，作为一可选实施例，分层数可以设置为2，这样，依据各像素点的像素点距离，对肺血管图像进行分层，可以得到由内到外的两个分层。当然，实际应用中，分层数也可以设置为其他值，通过分层，可以将肺血管图像分为多个部分。
A12，依据各分层对应的距离，剥离出距离大于预设分层距离阈值的分层，得到掩膜种子数据；
本发明实施例中，每一分层对应有一分层距离，基于分层距离，对各分层进行剥离，可以得到掩膜种子数据。例如，对于上述两个分层，将分层距离较大的分层从两个分层中剥离出来。
A13，以掩膜种子数据为生长点，以各分层为轨道数据进行生长，得到纵膈图像。
本发明实施例中，以剥离后得到的掩膜(mask)作为种子数据(seedarray)，以种子数据中的像素点为生长起点，以剥离前的mask作为轨道数据(trackarray)，进行n层生长(对于上述对应的两个分层，n为2).从而得到主干分割的纵膈图像。
本发明实施例中，从管状结构血管图像中减去纵膈图像，得到肺内血管图像。
步骤103，提取肺内血管图像的中线；
本发明实施例中，作为一可选实施例，通过骨架化提取肺内血管图像的中轴(中线)，这样，能够使得提取的中线最大限度地保留肺内血管的拓扑学结构信息。
本发明实施例中，中线表示物体分割的拓扑结构，且设置中线的厚度为1，即中线上每个像素点到背景层的最短距离都为1。
本发明实施例中，由于肺内血管具有管状结构，作为一可选实施例，利用骨架化技术中的图像细化(image thinning)技术，迭代地从肺内血管中剔除非中线点，从而得到中线。
本发明实施例中，以肺内血管图像为二维图像为例，提取肺内血管图像的中线，包括：
A21，提取肺内血管图像的一目标像素点，以该目标像素点为中心构建图像模板：
本发明实施例中，构建的图像模板尺寸为：3x3。
A22，判断该图像模板内的像素点是否满足预设的迭代条件，若满足，删除目标像素点；
本发明实施例中，迭代条件包括第一迭代条件以及第二迭代条件，若满足第一迭代条件或第二迭代条件，则删除目标像素点。其中，
第一迭代条件如下：
Figure BDA0003018930450000101
式中，
B(P1)为P2-P9的8个像素点中，非零(即1)的像素点个数；其中，P1位于图像模板的中心，中心的正上方为像素点P1，其余像素点以像素点P1为起点，按照顺时针方向排列。
A(P～)为像素点P2-P9为序时，像素点从0-1变化的次数。
第二迭代条件如下：
Figure BDA0003018930450000102
本发明实施例中，如果满足上述第一迭代条件或第二迭代条件，则判断像素点P1为删除点，删除该像素点后，将目标像素点移至下一像素点，继续进行迭代。
本发明实施例中，以第一迭代条件为例，若第一迭代条件中的各子条件均成立，则满足第一迭代条件。
A23，将构建的图像模板前移一像素点，执行判断该图像模板内的像素点是否满足预设的迭代条件的步骤，直至遍历完肺内血管图像的每一像素点，得到中线。
本发明实施例中，以定义的图像模板为迭代的图像，每次迭代前进一个像素点。在每次迭代过程中，以目标像素点为锚点，扫描图像模板中的每个像素点，如果目标像素点的值为1，则进入迭代过程，直到没有像素点可以被删除为止。
步骤104，基于中线进行线段提取以及分级的线段层级关系，获取中线结构图像；
本发明实施例中，作为一可选实施例，基于中线进行线段提取，包括：
确定中线的起点；
从起点进行遍历，若遍历到第一端点或第一节点，将该第一端点或第一节点确定为线段的一侧端点，从该线段的侧端点继续进行遍历，直到遍历到第二端点或第二节点，将该第二端点或第二节点确定为线段的另一侧端点，直至遍历完中线。
本发明实施例中，起点为肺内血管和纵膈的交接处。作为一可选实施例，确定中线的起点，包括：
获取以中线的候选像素点为中心的目标区域，若该目标区域内存在纵膈像素点，确定该候选像素点为中线的起点。
本发明实施例中，目标区域可以是二维区域或三维区域，目标区域的大小可依据实际需要确定，例如，对于二维区域，可以设置为一3x3的区域，对于三维区域，可以设置为一3x3x3的区域。若设置的目标区域内存在纵膈像素点，则确定该目标区域中心的像素点(候选像素点)为起点，该起点为肺内血管和纵膈的交接处。
本发明实施例中，从起点出发，由内向外对中线进行遍历，从而将中线拆分为线段，并提取拆分的线段的层级关系。
本发明实施例中，对端点和节点进行定义。作为一可选实施例，确定端点和节点，包括：
获取以待确定像素点为中心的待确定区域；
统计待确定区域中，距离值为第一距离的像素点的数量，其中，第一距离为肺内血管距离背景像素点的距离；
若数量为2，确定该待确定像素点为端点，若数量大于3，确定该待确定像素点为节点。
本发明实施例中，在待确定区域中，统计大小等于以待确定像素点为中心的二维区域(3*3)或者三维区域(3*3*3)内，像素点距离值为1(肺内血管距离背景像素点的距离)的像素点的数量。
本发明实施例中，统计的二维区域或三维区域内，将值为1的像素点的数量定义为度，其中，
若度为2，则该中线上的像素点为端点(vertex_point)；
若度大于3，则该中线上的像素点为节点(joint_point)；
若度等于3，则该中线上的像素点为线段点(seg_point)。
本发明实施例中，端点是拓扑结构的末端或始端，节点是新拓扑结构出现的点，线段点是组成线段的点。
本发明实施例中，线段为从端点或者节点到端点或者节点的线段点的集合，包括：端点到端点、端点到节点、节点到端点以及节点到节点。
本发明实施例中，作为一可选实施例，确定分级的线段层级关系，包括：
依据提取的线段，若相邻两线段的交点为端点，则该两线段的层级关系分级为平级，若相邻两线段的交点为节点，则依据从起点进行遍历的方向，前一形成的线段为后一形成的线段的父级。
本发明实施例中，在对中线进行线段划分后，依据线段两端的端点或节点，确定线段之间的层级关系，例如，如两线段之间的交点为端点，则该两线段为平级关系，若两线段之间的交点为节点，则线段层级关系为：依据遍历的方向，前一形成的线段为后一形成的线段的父级。然后，依据划分的线段以及获取的线段之间的分级层级关系，构建中线结构图像。
步骤105，将中线结构图像映射到管状结构血管图像，得到结构化分级管状结构血管。
本发明实施例中，依据分级的线段层级关系和划分的线段，将中线结构图像映射到肺血管图像上。作为一可选实施例，利用反染色进行映射。
本发明实施例中，反染色利用区域生长(regiongrow)进行生长。
本发明实施例中，作为一可选实施例，将中线结构图像映射到管状结构血管图像，包括：
对管状结构血管图像进行距离变换，得到生长轨道；
控制中线结构图像按照生长轨道进行生长。
本发明实施例中，以中线图结构为种子数据(seedarray)，以肺血管图像(原始mask)为轨道数据(trackarray)，对轨道数据进行距离变换，得到生长轨道，控制种子数据按照生长轨道进行生长。
本发明实施例中，种子数据和轨道数据具有重合区域，而种子数据相对于轨道数据，在血管分割的粒度上更细。对轨道数据进行距离变换，这样，进行距离变换后得到的生长轨道内较大的值可以描述整个管状结构血管的形状，种子数据沿着生长轨道的管状结构生长，而种子数据在血管分割的粒度上更细，从而能够使得进行生长后得到的分级精度较高。
本发明实施例中，生长从一组生长点开始，其中，生长点可以是单个像素点，也可以是一小区域。将中线结构图像映射到管状结构血管图像，是指将与该生长点性质相似的相邻像素点或者区域与生长点合并，形成新的生长点，重复此过程直到不能找到与生长点性质相似的相邻像素点为止。
本发明实施例中，由于种子数据按照距离变换后的生长轨道进行生长，而在轨道数据的距离变换中，像素点距离值为像素点距离背景层的距离，因而，可以利用像素点距离值进行迭代生长。作为一可选实施例，控制中线结构图像按照生长轨道进行生长，得到结构化分级管状结构血管，包括：
以中线结构图像为生长点，遍历生长轨道，在生长轨道上筛选大于初始生长阈值的像素点，进行一轮生长，所述初始生长阈值为生长轨道上的像素点最大距离；
判断遍历生长轨道是否完毕，如果是，将初始生长阈值减1，得到更新生长阈值；
判断更新生长阈值是否等于0，若等于，终止生长，得到结构化分级管状结构血管；若不等于，遍历生长轨道，在生长轨道上筛选大于更新生长阈值的像素点，进行次一轮生长，直至更新生长阈值为0。
本发明实施例中，每一轮生长对应一次迭代，在一轮生长完毕后，将初始生长阈值或更新生长阈值减1，判断减1后的阈值是否为0，如果为0，则终止迭代返回结果。若不为0，则进行下一轮的生长，即以上一轮生长得到的生长结果对应的像素点为新的生长点，在生长轨道上筛选大于减1后的阈值的像素点进行生长，直至减1后的阈值为0。举例来说，若生长轨道上的各像素点的像素点距离分别为1、2、3，其中，像素点距离为1的像素点为第一层，标记为1；像素点距离为2的像素点为第二层，标记为2；像素点距离为3的像素点为第三层，标记为3。则可以将初始生长阈值设置为2，首先，以中线结构图像为生长点，将标记为3的第三层的像素点作为生长轨道进行第一级区域生长；其次，以第一级区域生长得到的各像素点为新的生长点，将标记为2的第二层的像素点作为新生长轨道进行第二级区域生长；最后，以第二级区域生长得到的各像素点为新的生长点，将标记为1的第一层的像素点作为新生长轨道进行第三级区域生长。这样，采用从距离值最大的像素点距离开始依次递减生长的策略，即依据像素点距离从大至小的顺序，先对生长轨道(轨道数据)中像素点距离较大的像素点进行迭代区域生长，再对轨道数据中像素点距离较小的像素点进行迭代区域生长，能够使得像素点有序且准确地进行生长，可以保证区域生长算法从管状结构中心向周围的生长方式，从而可以有效解决管状结构粘连所导致串色的问题。
本发明实施例中，如前所述，像素点最大距离对应的像素点位于管状结构血管的中心，而由于对位于管状结构血管中心位置的像素点进行结构化分级的精度较高，因而，利用像素点最大距离对应的像素点进行迭代区域生长，能够保障区域生长结果对应的像素点的结构化分级精度，进而能够提升使得依次利用像素点距离递减对应的像素点进行迭代区域生长，得到的各区域生长结果对应的像素点的结构化分级精度。
图2示出了本发明实施例所提供的结构化分级管状结构血管的装置结构示意图。如图2所示，包括：
距离变换模块201，用于对管状结构血管图像进行距离变换，得到管状结构血管图像内各像素点的距离变换结果；
本发明实施例中，作为一可选实施例，管状结构血管包括但不限于：肺血管、支气管。管状结构血管图像包括但不限于：管状结构血管CT图像、管状结构血管MRI图像、管状结构血管DR图像等。
分割模块202，用于基于所述距离变换结果进行区域生长，获取纵膈图像，将管状结构血管图像与纵膈图像进行减运算，得到肺内血管图像；
本发明实施例中，作为一可选实施例，分割模块202包括：
分层单元(图中未示出)，用于依据各像素点的距离变换结果，对肺血管图像进行分层；
本发明实施例中，依据各像素点的像素点距离，对肺血管图像进行分层，可以得到由内到外的两个分层。
剥离单元，用于依据各分层对应的距离，剥离出距离大于预设分层距离阈值的分层，得到掩膜种子数据；
生长单元，用于以掩膜种子数据为生长点，以各分层为轨道数据进行生长，得到纵膈图像；
本发明实施例中，以剥离后得到的掩膜作为种子数据，以种子数据中的像素点为生长起点，以剥离前的掩膜作为轨道数据，进行2层生长.从而得到纵膈图像。
逻辑运算单元，用于将管状结构血管图像与纵膈图像进行减运算，得到肺内血管图像。
中线提取模块203，用于提取肺内血管图像的中线；
本发明实施例中，通过骨架化提取肺内血管图像的中线，这样，能够使得提取的中线最大限度地保留肺内血管的拓扑学结构信息。
本发明实施例中，作为一可选实施例，中线提取模块203包括：
模板构建单元(图中未示出)，用于提取肺内血管图像的一目标像素点，以该目标像素点为中心构建图像模板：
判断单元，用于判断该图像模板内的像素点是否满足预设的迭代条件，若满足，删除目标像素点；
本发明实施例中，迭代条件包括第一迭代条件以及第二迭代条件，若满足第一迭代条件或第二迭代条件，则删除目标像素点。其中，
第一迭代条件如下：
Figure BDA0003018930450000161
第二迭代条件如下：
Figure BDA0003018930450000171
遍历单元，用于将构建的图像模板前移一像素点，执行判断该图像模板内的像素点是否满足预设的迭代条件的步骤，直至遍历完肺内血管图像的每一像素点，得到中线。
结构获取模块204，用于基于中线进行线段提取以及分级的线段层级关系，获取中线结构图像；
本发明实施例中，作为一可选实施例，结构获取模块204包括：
起点确定单元(图中未示出)，用于确定中线的起点；
本发明实施例中，起点为肺内血管和纵膈的交接处。
线段确定单元，用于从起点进行遍历，若遍历到第一端点或第一节点，将该第一端点或第一节点确定为线段的一侧端点，从该线段的侧端点继续进行遍历，直到遍历到第二端点或第二节点，将该第二端点或第二节点确定为线段的另一侧端点，直至遍历完中线；
结构获取单元，用于获取分级的线段层级关系，依据线段以及线段层级关系构建中线结构图像。
本发明实施例中，作为一可选实施例，起点确定单元，具体用于：
获取以中线的候选像素点为中心的目标区域，若该目标区域内存在纵膈像素点，确定该候选像素点为中线的起点。
本发明实施例中，作为一可选实施例，结构获取单元具体用于：
依据提取的线段，若相邻两线段的交点为端点，则该两线段的层级关系分级为平级，若相邻两线段的交点为节点，则依据从起点进行遍历的方向，前一形成的线段为后一形成的线段的父级。
本发明实施例中，作为另一可选实施例，结构获取模块204还包括：
端节点确定单元，用于获取以待确定像素点为中心的待确定区域；
统计待确定区域中，距离值为第一距离的像素点的数量，其中，第一距离为肺内血管距离背景像素点的距离；
若数量为2，确定该待确定像素点为端点，若数量大于3，确定该待确定像素点为节点。
映射模块205，用于将中线结构图像映射到管状结构血管图像，得到结构化分级管状结构血管。
本发明实施例中，作为一可选实施例，映射模块205包括：
生长轨道确定单元(图中未示出)，用于对管状结构血管图像进行距离变换，得到生长轨道；
控制单元，用于控制中线结构图像按照生长轨道进行生长。
本发明实施例中，作为一可选实施例，控制单元具体用于：
以中线结构图像为生长点，遍历生长轨道，在生长轨道上筛选大于初始生长阈值的像素点，进行一轮生长，所述初始生长阈值为生长轨道上的像素点最大距离；
判断遍历生长轨道是否完毕，如果是，将初始生长阈值减1，得到更新生长阈值；
判断更新生长阈值是否等于0，若等于，终止生长，得到结构化分级管状结构血管；若不等于，遍历生长轨道，在生长轨道上筛选大于更新生长阈值的像素点，进行次一轮生长，直至更新生长阈值为0。
如图3所示，本申请一实施例提供了一种计算机设备300，用于执行图1中的结构化分级管状结构血管的方法，该设备包括存储器301、处理器302及存储在该存储器301上并可在该处理器302上运行的计算机程序，其中，上述处理器302执行上述计算机程序时实现上述结构化分级管状结构血管的方法的步骤。
具体地，上述存储器301和处理器302能够为通用的存储器和处理器，这里不做具体限定，当处理器302运行存储器301存储的计算机程序时，能够执行上述结构化分级管状结构血管的方法。
对应于图1中的结构化分级管状结构血管的方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述结构化分级管状结构血管的方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述结构化分级管状结构血管的方法。
在本申请所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种结构化分级管状结构血管的方法，其特征在于，包括：
对管状结构血管图像进行距离变换，得到管状结构血管图像内各像素点的距离变换结果；
基于所述距离变换结果进行区域生长，获取纵膈图像，将管状结构血管图像与纵膈图像进行减运算，得到肺内血管图像；
提取肺内血管图像的中线；
基于中线进行线段提取以及确定分级的线段层级关系，获取中线结构图像，所述确定分级的线段层级关系包括：依据提取的线段，若相邻两线段的交点为端点，则该两线段的层级关系分级为平级，若相邻两线段的交点为节点，则依据从起点进行遍历的方向，前一形成的线段为后一形成的线段的父级，其中，端点是拓扑结构的末端或始端，节点是新拓扑结构出现的点；确定所述端点和节点，包括：获取以待确定像素点为中心的待确定区域；统计待确定区域中，距离值为第一距离的像素点的数量，其中，第一距离为肺内血管距离背景像素点的距离；若数量为2，确定该待确定像素点为端点，若数量大于3，确定该待确定像素点为节点；
将中线结构图像映射到管状结构血管图像，得到结构化分级管状结构血管。
2.根据权利要求1所述的方法，其特征在于，所述管状结构血管图像为肺血管图像，所述基于所述距离变换结果进行区域生长，获取纵膈图像，包括：
依据各像素点的距离变换结果，对肺血管图像进行分层；
依据各分层对应的距离，剥离出距离大于预设分层距离阈值的分层，得到掩膜种子数据；
以掩膜种子数据为生长点，以各分层为轨道数据进行生长，得到纵膈图像。
3.根据权利要求1所述的方法，其特征在于，所述提取肺内血管图像的中线，包括：
A21，提取肺内血管图像的一目标像素点，以该目标像素点为中心构建图像模板：
A22，判断该图像模板内的像素点是否满足预设的迭代条件，若满足，删除目标像素点，执行步骤A23，若不满足，执行步骤A23；
A23，将构建的图像模板前移一像素点，执行判断该图像模板内的像素点是否满足预设的迭代条件的步骤，直至遍历完肺内血管图像的每一像素点，得到中线。
4.根据权利要求1所述的方法，其特征在于，所述基于中线进行线段提取，包括：
确定中线的起点；
从起点进行遍历，若遍历到第一端点或第一节点，将该第一端点或第一节点确定为线段的一侧端点，从该线段的侧端点继续进行遍历，直到遍历到第二端点或第二节点，将该第二端点或第二节点确定为线段的另一侧端点，直至遍历完中线。
5.根据权利要求4所述的方法，其特征在于，所述确定中线的起点，包括：
获取以中线的候选像素点为中心的目标区域，若该目标区域内存在纵膈像素点，确定该候选像素点为中线的起点。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述将中线结构图像映射到管状结构血管图像，包括：
对管状结构血管图像进行距离变换，得到生长轨道；
控制中线结构图像按照生长轨道进行生长。
7.根据权利要求6所述的方法，其特征在于，所述控制中线结构图像按照生长轨道进行生长，得到结构化分级管状结构血管，包括：
以中线结构图像为生长点，遍历生长轨道，在生长轨道上筛选大于初始生长阈值的像素点，进行一轮生长，所述初始生长阈值为生长轨道上的像素点最大距离；
判断遍历生长轨道是否完毕，如果是，将初始生长阈值减1，得到更新生长阈值；
判断更新生长阈值是否等于0，若等于，终止生长，得到结构化分级管状结构血管；若不等于，遍历生长轨道，在生长轨道上筛选大于更新生长阈值的像素点，进行次一轮生长，直至更新生长阈值为0。
8.一种结构化分级管状结构血管的装置，其特征在于，包括：
距离变换模块，用于对管状结构血管图像进行距离变换，得到管状结构血管图像内各像素点的距离变换结果；
分割模块，用于基于所述距离变换结果进行区域生长，获取纵膈图像，将管状结构血管图像与纵膈图像进行减运算，得到肺内血管图像；
中线提取模块，用于提取肺内血管图像的中线；
结构获取模块，用于基于中线进行线段提取以及确定分级的线段层级关系，获取中线结构图像，所述确定分级的线段层级关系包括：依据提取的线段，若相邻两线段的交点为端点，则该两线段的层级关系分级为平级，若相邻两线段的交点为节点，则依据从起点进行遍历的方向，前一形成的线段为后一形成的线段的父级，其中，端点是拓扑结构的末端或始端，节点是新拓扑结构出现的点；确定所述端点和节点，包括：获取以待确定像素点为中心的待确定区域；统计待确定区域中，距离值为第一距离的像素点的数量，其中，第一距离为肺内血管距离背景像素点的距离；若数量为2，确定该待确定像素点为端点，若数量大于3，确定该待确定像素点为节点；
映射模块，用于将中线结构图像映射到管状结构血管图像，得到结构化分级管状结构血管。
9.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的结构化分级管状结构血管的方法的步骤。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的结构化分级管状结构血管的方法的步骤。
CN202110397001.4A 2021-04-13 2021-04-13 一种结构化分级管状结构血管的方法、装置及电子设备 Active CN113516677B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110397001.4A CN113516677B (zh) 2021-04-13 2021-04-13 一种结构化分级管状结构血管的方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110397001.4A CN113516677B (zh) 2021-04-13 2021-04-13 一种结构化分级管状结构血管的方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN113516677A CN113516677A (zh) 2021-10-19
CN113516677B true CN113516677B (zh) 2022-02-22

Family

ID=78062357

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110397001.4A Active CN113516677B (zh) 2021-04-13 2021-04-13 一种结构化分级管状结构血管的方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113516677B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805871A (zh) * 2018-06-14 2018-11-13 艾瑞迈迪医疗科技（北京）有限公司 血管图像处理方法、装置、计算机设备和存储介质
CN109146854A (zh) * 2018-08-01 2019-01-04 东北大学 一种肺结节与肺部血管伴生关系的分析方法
CN110706272A (zh) * 2019-10-17 2020-01-17 上海微创医疗器械（集团）有限公司 血管中心线的提取方法、装置、电子设备和存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020009215A1 (en) * 2000-01-18 2002-01-24 Arch Development Corporation Automated method and system for the segmentation of lung regions in computed tomography scans
US7221787B2 (en) * 2002-12-10 2007-05-22 Eastman Kodak Company Method for automated analysis of digital chest radiographs
WO2014168350A1 (ko) * 2013-04-10 2014-10-16 재단법인 아산사회복지재단 폐동맥과 폐정맥을 구분하는 방법 및 이를 이용한 혈관의 정량화 방법
CN104809730B (zh) * 2015-05-05 2017-10-03 上海联影医疗科技有限公司 从胸部ct图像提取气管的方法和装置
CN110378923A (zh) * 2019-07-25 2019-10-25 杭州健培科技有限公司 一种智能肺部气管树分割提取和分级的方法与装置
CN111899245B (zh) * 2020-07-30 2021-03-09 推想医疗科技股份有限公司 图像分割、模型的训练方法及装置，电子设备及存储介质
CN112132981A (zh) * 2020-09-23 2020-12-25 推想医疗科技股份有限公司 图像处理的方法及装置，电子设备及存储介质
CN112288718B (zh) * 2020-10-29 2021-11-02 推想医疗科技股份有限公司 图像处理方法及装置，电子设备及计算机可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805871A (zh) * 2018-06-14 2018-11-13 艾瑞迈迪医疗科技（北京）有限公司 血管图像处理方法、装置、计算机设备和存储介质
CN109146854A (zh) * 2018-08-01 2019-01-04 东北大学 一种肺结节与肺部血管伴生关系的分析方法
CN110706272A (zh) * 2019-10-17 2020-01-17 上海微创医疗器械（集团）有限公司 血管中心线的提取方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN113516677A (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
US11042822B2 (en) Systems and methods for using geometry sensitivity information for guiding workflow
CN109146948B (zh) 基于视觉的作物长势表型参数量化与产量相关性分析方法
US8073227B2 (en) System and method for geometric modeling of tubular structures
Miranda et al. Riverbed: A novel user-steered image segmentation method based on optimum boundary tracking
CN111768411B (zh) 冠脉中心线提取方法、装置、计算机设备和存储介质
CN111462047B (zh) 血管参数测量方法、装置、计算机设备和存储介质
WO2019000455A1 (zh) 图像分割的方法及系统
CN111696210A (zh) 一种基于三维点云数据特征轻量化的点云重构方法及系统
CN109903319B (zh) 一种基于多分辨率的快速迭代最近点配准算法
Jalba et al. An unified multiscale framework for planar, surface, and curve skeletonization
CN105389821B (zh) 一种基于云模型和图割相结合的医学图像分割方法
CN105335965B (zh) 一种高分辨率遥感图像多尺度自适应决策融合分割方法
JP2013077296A (ja) 画像処理装置、画像処理方法およびプログラム
US10150281B2 (en) Three-dimensional object division output apparatus and its application
CN109345536B (zh) 一种图像超像素分割方法及其装置
JP2017111814A (ja) 堆積物体の認識方法、装置、及び機器による選別システム
Arakeri et al. An effective and efficient approach to 3D reconstruction and quantification of brain tumor on magnetic resonance images
CN111932552A (zh) 一种主动脉建模的方法及装置
CN113516677B (zh) 一种结构化分级管状结构血管的方法、装置及电子设备
CN111986216A (zh) 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法
CN116778486A (zh) 一种血管造影图像的点云分割方法、装置、设备及介质
Jin et al. A new approach of arc skeletonization for tree-like objects using minimum cost path
CN108198213B (zh) 一种标记管状结构的方法及装置、管状结构的处理终端
CN115908418A (zh) 一种主动脉ct图像中心线确定方法、系统、设备及介质
CN114533002A (zh) 一种颈动脉中心线提取方法、装置、存储介质及电子设备

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