CN113781405B - 血管中心线提取方法、装置、计算机设备和可读存储介质 - Google Patents
血管中心线提取方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN113781405B CN113781405B CN202110956551.5A CN202110956551A CN113781405B CN 113781405 B CN113781405 B CN 113781405B CN 202110956551 A CN202110956551 A CN 202110956551A CN 113781405 B CN113781405 B CN 113781405B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- data
- vessel
- aortic
- connection
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 59
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 370
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 210000000056 organ Anatomy 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 28
- 230000003187 abdominal effect Effects 0.000 claims description 25
- 210000000709 aorta Anatomy 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 10
- 239000000284 extract Substances 0.000 description 9
- 238000010968 computed tomography angiography Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 210000003734 kidney Anatomy 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 210000000683 abdominal cavity Anatomy 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 210000002808 connective tissue Anatomy 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 210000000952 spleen Anatomy 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000019553 vascular disease Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000002767 hepatic artery Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000001363 mesenteric artery superior Anatomy 0.000 description 1
- 210000000713 mesentery Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及计算机技术领域，特别是涉及一种血管中心线提取方法、装置、计算机设备和可读存储介质。所述方法包括：获取检测对象的影像数据；基于影像数据，获取主动脉血管数据，以及与主动脉血管相连接的连接血管的连接起始点位置数据；根据主动脉血管数据以及各连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管；根据各连接血管，确定各连接血管的生长端点位置数据；基于各连接血管的连接起始点位置数据以及生长端点位置数据，对各连接血管进行中心线的提取，得到对应各连接血管的血管中心线。采用本方法能够提升血管中心线提取的智能化水平。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种血管中心线提取方法、装置、计算机设备和可读存储介质。
背景技术
血管疾病是一种严重威胁人类，特别是50岁以上中老年人健康的常见病，具有高患病率、高致残率和高死亡率的特点。血管疾病的诊断主要是通过CT血管造影(CTangiography，CTA)数据进行分析，以确定血管是否存在病变。而对CTA数据进行处理，提取血管中心线，并对各血管中心进行标识，可以有效提升医生的诊断效率。
在传统方式中，在获取到CTA数据，通常是由医生手动进行血管中心线的提取以及命名，然后在进行后需要诊断。
但是，人工进行血管中心线的提取，提取过程不够智能化，使得提取处理过程效率较低，直接影响后续的诊断检测的效率。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提升血管中心线提取智能化水平的血管中心线提取方法、装置、计算机设备和存储介质。
一种血管中心线提取方法，所述方法包括：
获取检测对象的影像数据；
基于影像数据，获取主动脉血管数据，以及与主动脉血管相连接的连接血管的连接起始点位置数据；
根据主动脉血管数据以及各连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管；
根据各连接血管，确定各连接血管的生长端点位置数据；
基于各连接血管的连接起始点位置数据以及生长端点位置数据，对各连接血管进行中心线的提取，得到对应各连接血管的血管中心线。
在其中一个实施例中，基于影像数据，获取主动脉血管数据，以及与主动脉血管相连接的连接血管的连接起始点位置数据，包括：
将影像数据输入主动脉提取模型中，得到主动脉血管数据；
将影像数据输入起始点提取模型中，得到初始连接起始点位置数据；
统计初始连接起始点位置数据中连接起始点位置数据的数据数量，并判断数据数量是否等于预设数量；
当数据数量小于预设数量时，则根据主动脉血管数据，对未提取到的连接起始点位置进行提取，得到全部与主动脉血管相连接的连接血管的连接起始点位置数据。
在其中一个实施例中，根据主动脉血管数据，对未提取到的连接起始点位置进行提取，包括：
根据初始连接起始点位置数据，确定已提取到的各连接起始点位置数据；
基于主动脉血管数据，确定主动脉血管上的各分支节点，并获取各分支节点的节点位置数据；
根据各节点位置数据和已提取到的各连接起始点位置数据，确定未提取到的连接起始点位置的连接起始点位置数据。
在其中一个实施例中，基于主动脉血管数据，确定主动脉血管上的各分支节点，并获取各分支节点的节点位置数据，包括：
基于主动脉血管数据，确定局部主动脉血管中心线；
确定局部主动脉血管中心线上各位置点对应的领域点的数量；
根据各位置点的领域点的数量，确定局部主动脉血管的分支节点，并确定各分支节点的节点位置数据。
在其中一个实施例中，连接血管的血管中心线为各腹腔器官与主动血管的连接血管的中心线；根据主动脉血管数据，对未提取到的连接起始点位置进行提取，得到全部与主动脉血管相连接的连接血管的连接起始点位置数据，包括：
确定各腹腔器官与主动脉血管相连接血管的连接起始点位置在主动脉血管上的初始位置；
基于初始位置以及主动脉血管数据，对未提取到的连接起始点位置进行提取，得到全部腹腔器官与主动脉血管的连接血管的连接起始点位置数据。
在其中一个实施例中，获取主动脉血管数据，包括：
获取主动脉主干血管数据；
根据主动脉血管数据以及各连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管，包括：
根据主动脉主干血管数据以及各连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管。
在其中一个实施例中，根据主动脉血管数据以及各连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管，包括：
获取连接血管的生长要求以及对应的生长参数；
根据各生长要求、生长参数以及主动脉血管数据，从各连接起始点位置数据确定的连接起始点位置进行血管生长，得到对应的各连接血管。
一种血管中心线提取装置，所述装置包括：
第一获取模块，用于获取检测对象的影像数据；
第二获取模块，用于基于影像数据，获取主动脉血管数据，以及与主动脉血管相连接的连接血管的连接起始点位置数据；
生长模块，用于根据主动脉血管数据以及各连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管；
生长端点位置确定模块，用于根据各连接血管，确定各连接血管的生长端点位置数据；
血管中心线提取模块，用于基于各连接血管的连接起始点位置数据以及生长端点位置数据，对各连接血管进行中心线的提取，得到对应各连接血管的血管中心线。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的方法的步骤。
上述血管中心线提取方法、装置、计算机设备和可读存储介质，通过获取检测对象的影像数据，并基于影像数据，获取主动脉血管数据，以及与主动脉血管相连接的连接血管的连接起始点位置数据，然后根据主动脉血管数据以及各连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管，并根据各连接血管，确定各连接血管的生长端点位置数据，进一步基于各连接血管的连接起始点位置数据以及生长端点位置数据，对各连接血管进行中心线的提取，得到对应各连接血管的血管中心线，相比于人工进行血管中心线的提取，提升了血管中心线提取的智能化水平。并且，通过上述方法进行血管的生长以及血管中心线的提取，可以同时准确提取到各生长的血管的中心线，提升血管中心线提取的准确性。
附图说明
图1为一个实施例中血管中心线提取方法的应用场景图；
图2为一个实施例中血管中心线提取方法的流程示意图；
图3为一个实施例中主动脉血管的示意图；
图4为一个实施例中生长的血管的示意图；
图5为一个实施例中提取到的血管中心线的示意图；
图6为一个实施例中位置点的领域点的示意图；
图7为一个实施例中确定初始位置的示意图；
图8为一个实施例中主动脉部分血管数据的示意图；
图9为一个实施例中不带分支节点的主动脉血管的示意图；
图10为一个实施例中血管中心线提取装置的结构框图；
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的血管中心线提取方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102采集检测对象的影像数据，并发送至服务器104。服务器104在获取到检测对象的影像数据后，可以基于影像数据，获取主动脉血管数据，以及与主动脉血管相连接的连接血管的连接起始点位置数据。然后服务器104可以根据主动脉血管数据以及各连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管。进一步，服务器104可以根据各连接血管，确定各血管的生长端点位置数据，并基于各连接血管的连接起始点位置数据以及生长端点位置数据，对各连接血管进行中心线的提取，得到对应各连接血管的血管中心线。其中，终端102可以但不限于是各种可以对待检测对象的影像数据进行扫描采集的设备，例如，可以是进行CTA数据或者是Dicom(DigitalImaging and Communications in Medicine，即医学数字成像和通信)数据采集的设备等，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种血管中心线提取方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S202，获取检测对象的影像数据。
其中，影像数据可以是指用于进行血管造影分析的数据，例如，可以是CTA数据或者是Dicom数据等。
在本实施例中，终端可以基于用户的指示，采集影像数据，然后通过网络发送至服务器，以使得服务器可以进行后续的处理。本领域技术人员可以理解的是，在某些实施例，终端在采集到影像数据后，直接执行后续的处理流程，而无需服务器参与。
步骤S204，基于影像数据，获取主动脉血管数据，以及与主动脉血管相连接的连接血管的连接起始点位置数据。
其中，主动脉血管数据是指人体血管中主动脉血管所对应的数据。此处所述主动脉血管数据可以是主动脉血管的位置数据或者是图像数据等，本申请对此不作限制。带分支的主动脉如图3所示。
连接起始点位置是指与主动脉血管相连接血管与主动脉血管的连接点。
在本实施例中，服务器可以通过训练完成的主动脉提取网络，从影像数据中提取出主动脉血管所对应的主动脉血管数据。
进一步，服务器可以根据影像数据，确定与主动脉血管相连接的各连接血管的连接起始点位置数据，例如，可以通过深度学习的方式，对影像数据进行特征提取，然后进行回归预测，以确定各连接血管的连接起始点位置数据。
在一个实施例中，以腹腔器官为例，如指肝、脾、肾等腹腔器官，服务器可以基于影像数据获取各腹腔器官与主动脉血管相连接的连接血管，如图3中301所示。
步骤S206，根据主动脉血管数据以及各连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管。
在本实施例中，服务器在确定主动脉血管数据以及各连接血管的连接起始点位置数据后，可以通过预设的生长方式，对各连接血管进行生长，得到对应各的各连接血管，继续以腹腔器官为例，生成的连接血管如图4所示。
具体地，服务器可以通过自适应阈值的方式或者血管追踪的方式，根据确定的各连接器起始点位置以及主动脉血管数据，进行血管的生长。
本领域技术人员可以理解的是，此处生长方式仅为举例说明，在其他实施例中，也可以是通过其他的生长方式对各连接血管进行生长，本申请对此不作限制。
步骤S208，根据各连接血管，确定各连接血管的生长端点位置数据。
其中，生长端点是指连接血管的末端端点，具体可以是指连接血管与人体器官的连接点。如以腹腔器官为例，生长端点是指连接血管与肝、脾、肾等腹腔器官相连接的位置点。
在本实施例中，服务器通过血管生长，得到对应各连接血管后，可以根据生长得到的各连接血管，确定各连接血管的生长端点位置数据。
具体地，服务器可以通过中心线算法提取各连接血管的所有端点，例如，可以包括但不限于距离场算法、水平集算法等，得到对应各连接血管的所有端点。例如，以腹腔器官为例，可以得到肝动脉的最左最右端点、肠系膜的最下端点、左肾的最右端点、右肾的最左端点等。
步骤S210，基于各连接血管的连接起始点位置数据以及生长端点位置数据，对各连接血管进行中心线的提取，得到对应各连接血管的血管中心线。
具体地，服务器可以通过前文所述的距离场算法、水平集算法或者是其他中心线提取算法，计算各连接血管的连接起始点位置至生长端点位置的中心线，以得到各连接血管的血管中心线，如图5所示。
在其中一个实施例中服务器也可以基于用户指示，根据连接起始点位置数据，确定主动脉中对应各连接起始点位置的主动脉中心点，并将确定的各主动脉中心点作为起始点，然后进行血管中心点的提取。从而使得提取的血管中心线的起始点为主动脉中心点，而不是主动脉分叉点。
在本实施例中，服务器在提取到对应各连接血管的血管中心线之后，可以对提取到的各血管中心线进行命名，例如，对于腹腔器官的各连接血管，服务器可以根据对应腹腔器官的名称，对各血管中心线进行命名，以便于后续医生可以直接根据命名确定各腹腔血管，从而可以有效提升医生的诊断效率。
上述血管中心线提取方法中，通过获取检测对象的影像数据，并基于影像数据，获取主动脉血管数据，以及与主动脉血管相连接的连接血管的连接起始点位置数据，然后根据主动脉血管数据以及各连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管，并根据各连接血管，确定各连接血管的生长端点位置数据，进一步基于各连接血管的连接起始点位置数据以及生长端点位置数据，对各连接血管进行中心线的提取，得到对应各连接血管的血管中心线，相比于人工进行血管中心线的提取，提升了血管中心线提取的智能化水平。并且，通过上述方法进行血管的生长以及血管中心线的提取，可以同时准确提取到各生长的血管的中心线，提升血管中心线提取的准确性。
在其中一个实施例中，基于影像数据，获取主动脉血管数据，以及与主动脉血管相连接的连接血管的连接起始点位置数据，可以包括：将影像数据输入主动脉提取模型中，得到主动脉血管数据；将影像数据输入起始点提取模型中，得到初始连接起始点位置数据；统计初始连接起始点位置数据中连接起始点位置数据的数据数量，并判断数据数量是否等于预设数量；当数据数量小于预设数量时，则根据主动脉血管数据，对未提取到的连接起始点位置进行提取，得到全部与主动脉血管相连接的连接血管的连接起始点位置数据。
其中，主动脉提取模型以及起始点提取模型均是指预先训练并测试完成的模型，可以是基于深度学习的神经网络模型等。
在本实施例中，服务器在获取到影像数据后，可以将获取到的影像数据输入预先构建并训练完成的主动脉提取模型中，以进行主动脉血管的提取，得到主动脉血管数据。
同理，服务器可以将获取到的影像数据输入起始点提起模型中，通过起始点模型对影像数据进行特征提取以及回归预测后，得到各连接血管的初始连接起始点位置数据。
在本实施例中，服务器在提取得到各连接血管的初始连接起始点位置数据后，可以根据得到的初始连接起始点位置数据，确定连接起始点位置数据的数据数量，以此来确定对应的连接血管的连接起始点是否提取完成。
例如，在进行腹腔器官连接血管的连起始点提取的时候，需要提取4个起始点，即腹腔干分叉起始点、肠系膜上动脉分叉起始点、左右肾分叉起始点，即需要得到4个连接起始点位置数据。当服务器通过对初始连接起始点位置数据进行分析，如初始连接起始点位置数据中用于指示连接起始点位置数据的指示数据为“-1”，则确定该连接起始点位置数据对应的数据未提取到，从而通过统计指示数据为“-1”的数据量，即可确定初始连接起始点位置数据中连接起始点位置数据的数据数量。
进一步，当服务器确定数据数量小于预设数量时，即引用前例，数据数量小于“4”时，则可以根据提取得到的主动脉血管数据，对未提取到的连接起始点位置进行提取，从而得到全部腹腔器官与主动脉血管相连接血管的连接起始点位置数据。
上述实施例中，通过起始点提取模型提取初始连接起始点位置数据，然后通过统计初始连接起始点位置数据中连接起始点位置数据的数据数量，并进行比较判定，并通过主动脉血管数据进行连接起始点位置数据的补充提取，从而可以使得提取到的连接起始点位置数据更加完善，进而可以提升后续数据的准确性，以提升血管中心线提取的准确性。
在其中一个实施例中，根据主动脉血管数据，对未提取到的连接起始点位置进行提取，可以包括：根据初始连接起始点位置数据，确定已提取到的各连接起始点位置数据；基于主动脉血管数据，确定主动脉血管上的各分支节点，并获取各分支节点的节点位置数据；根据各节点位置数据和已提取到的各连接起始点位置数据，确定未提取到的连接起始点位置的连接起始点位置数据。
在本实施例中，如前文所述，服务器可以根据提取到的初始连接起始点位置数据中指示数据为“-1”的数据量，确定初始连接起始点位置数据中连接起始点位置数据的数据数量。同时服务器可以根据数据为“-1”或者是非“-1”的指示数据，确定已经提取到的各连接起始点位置数据以及未提取到的连接起始点位置。
进一步，服务器可以根据提取到的主动脉血管数据，确定主动脉血管上的各分支节点，如3中302所示，并获取各分支节点的节点位置数据。
进一步，服务器可以将各分支节点的节点位置数据与已经提取到的各连接起始点位置数据进行比较，并进行筛选，以确定节点位置数据中对应未提取到的连接起始点位置的连接起始点位置数据。例如，服务器得到节点1～节点4的4个节点位置数据，根据初始连接起始点位置数据得到了编号为1的连接起始点位置数据以及编号为2的连接起始点位置数据，通过位置数据比较，确定节点1的节点位置数据与编号为2的连接起始点位置数据重叠或者是偏差在预设范围内，节点3的节点位置数据与编号为1的连接起始点位置数据重叠或者是偏差在预设范围内，则服务器可以确定节点2和节点4的节点位置数据为未提取到的2个连接起始点位置的连接起始点位置数据。
上述实施例中，通过根据初始连接起始点位置数据，确定已提取到的各连接起始点位置数据，然后基于主动脉血管数据，确定主动脉血管上的各分支节点，并获取各分支节点的节点位置数据，并根据各节点位置数据，确定未提取到的连接起始点位置的连接起始点位置数据，可以准确确定各未提取到的连接起始点位置的连接起始点位置数据，可以提升未提取到的连接起始点位置数据的准确性，进而可以提升后续处理的准确性。
在其中一个实施例中，基于主动脉血管数据，确定主动脉血管上的各分支节点，并获取各分支节点的节点位置数据，可以包括：基于主动脉血管数据，确定局部主动脉血管中心线；确定局部主动脉血管中心线上各位置点对应的领域点的数量；根据各位置点的领域点的数量，确定局部主动脉血管的分支节点，并确定各分支节点的节点位置数据。
其中，领域点是指主动脉血管中各位置点可延伸方向的点，例如参考图6，在A位置点处，领域点包括A1、A2两个点，则在A位置点处可以往A1位置、A2位置两个方向进行延伸，而在B位置点处，领域点包括B1、B2、B3三个点，则在B位置点处可以往B1位置、B2位置、B3位置三个方向延伸。
在本实施例中，服务器可以根据主动脉血管数据，确定局部主动脉血管中心线。例如，服务器可以通过中心线提取算法等，提取主动脉血管的主动脉血管中心线，然后获取局部主动脉血管中心线，或者服务器也可以基于先从主动脉上截取局部主动脉血管，然后进行局部主动脉血管中心的提取。
进一步，服务器可以基于局部主动脉血管中心线，确定局部主动脉血管中心线上各位置点所对应领域点的数量，然后根据各位置点的领域点的数量，确定主动脉血管的分支节点，例如，继续参考图6，对于A位置点，其仅只包括两个领域点，则其不存在分支节点，而对于B位置点，包括3个领域点，其可以往3个方向进行延伸，则包括1个分支节点。
在本实施例中，服务器在确定各分支节点后，可以对应获取各位置点的位置数据，并作为对应分支节点的节点位置数据。
上述实施例中，通过基于主动脉血管数据，确定局部主动脉血管中心线，然后进行领域点的统计，相比于直接对主动脉血管数据进行领域点的确定，可以减少确定的数据量，提升处理效率。并且，通过对主动脉血管上的各位置点的领域点的数量进行统计，并进行分析，可以确定主动脉血管上的各分支节点，进而可以准确获取各分支节点的节点位置数据，以提升后续数据处理的准确性。
在其中一个实施例中，如前文所述，血管中心线可以为各腹腔器官与主动血管的连接血管的中心线。
在本实施例中，根据主动脉血管数据，对未提取到的连接起始点位置进行提取，得到全部与主动脉血管相连接的连接血管的连接起始点位置数据，可以包括：确定各腹腔器官与主动脉血管相连接血管的连接起始点位置在主动脉血管上的初始位置；基于初始位置以及主动脉血管数据，对未提取到的连接起始点位置进行提取，得到全部腹腔器官与主动脉血管的连接血管的连接起始点位置数据。
具体地，服务器可以基于用户的指示，确定主动脉血管上各腹腔器官与主动脉血管相连接血管的初始位置，例如，可以通过框选的方式，从腹腔器官与主动脉血管的矢状位图、冠状位图以及横断位图中至少一个确定初始位置，如图7所示，图7中的(a)为初始位置的矢状位图，图7中的(b)为初始位置的冠状位图，图7中的(c)为初始位置的横断位图。
进一步，服务器可以根据确定的初始位置，对主动脉血管数据进行裁减，得到对应的主动脉部分血管数据，如图8所示。
进一步，服务器可以根据前文所述的方式，对主动脉部分血管数据进行连接起始点位置数据的提取，以提取出未提取到的连接起始点位置的连接起始点位置数据，以得到全部腹腔器官与主动脉血管相连接血管的连接起始点位置数据。
上述实施例中，先根据腹腔器官与主动脉血管的矢状位图、冠状位图以及横断位图中至少一个，确定各腹腔器官与主动脉血管相连接血管的连接起始点位置在主动脉血管上的初始位置，然后再对未提取到的连接起始点位置进行提取，可以减少提取未提取到的连接起始点位置的连接起始点位置数据需处理的数据量，可以节约数据处理资源。并且，可以减少处理时间，进而可以提升处理效率。
在其中一个实施例中，获取主动脉血管数据，可以包括：获取主动脉主干血管数据。
继续参考图3，在基于主动脉血管数据进行连接起始点位置的补充提取的时候，是根据携带有分支节点的主动脉血管数据进行的。
在本实施例中，服务器获取主动脉数据的时候，还可以获取主动脉主干血管数据，即获取不带分支节点的主动脉血管数据，如图9所示，并进行后续的处理。
在本实施例中，根据主动脉血管数据以及各连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管，可以包括：根据主动脉主干血管数据以及各连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管。
在本实施例中，服务器可以根据连接起始点位置数据，对各连接血管进行生长的时候，可以以主动脉主干血管数据作为约束条件，使得血管生长可以向着远离主动脉血管的方向，可以防止在进行血管生长是通过主动脉血管扩散至其他血管，提升生成的血管的准确性。
在其中一个实施例中，在其中一个实施例中，根据主动脉血管数据以及各连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管，可以包括：获取连接血管的生长要求以及对应的生长参数；根据各生长要求、生长参数以及主动脉血管数据，从各连接起始点位置数据确定的连接起始点位置进行血管生长，得到对应的各连接血管。
其中，生长要求是指用于约束各连接血管的要求，例如，对于腹腔器官，对应左肾的连接血管，其从连接起始点位置，仅能往左进行生长，且按照实际血管的方向进行生长，而对于右肾的连接血管，其从连接起始点位置，仅能往右进行生长，且按照实际血管的方向进行生长。
生长参数是指血管生长过程中所对应的各种约束参数，例如，血管的长度、血管半径、点数等。
对于对应不同的连接血管，其所对应的生长要求以及生长参数可以不同。
在本实施例中，服务器可以根据各生长要求、生长参数以及主动脉血管数据，从各连接起始点位置数据确定的连接起始点位置进行血管生长，得到对应的各连接血管，如按照前文所述的，通过自适应阈值的生长方式，逐渐降低阈值，直到生长的血管的长度、半径、点数等满足要求，则停止进行生长。或者采用血管追踪的方式等。
上述实施例中，通过获取生长要求以及对应的生长参数，并根据各生长要求、生长参数以及主动脉血管数据，从各连接起始点位置数据确定的连接起始点位置进行血管生长，得到对应的各连接血管，可以生长得到的血管符合实际血管的要求，可以提升生成的血管的准确性，进而可以提升血管中心线提取的准确性。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图10所示，提供了一种血管中心线提取装置，包括：第一获取模块100、第二获取模块200、生长模块300、生长端点位置确定模块400以及血管中心线提取模块500，其中：
第一获取模块100，用于获取检测对象的影像数据。
第二获取模块200，用于基于所述影像数据，获取主动脉血管数据，以及与主动脉血管相连接的连接血管的连接起始点位置数据。
生长模块300，用于根据所述主动脉血管数据以及各所述连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管。
生长端点位置确定模块400，用于根据各连接血管，确定各连接血管的生长端点位置数据。
血管中心线提取模块500，用于基于各所述连接血管的连接起始点位置数据以及生长端点位置数据，对各所述连接血管进行中心线的提取，得到对应各连接血管的血管中心线。
在其中一个实施例中，第二获取模块200可以包括：
主动脉血管数据获取子模块，用于将影像数据输入主动脉提取模型中，得到主动脉血管数据。
初始连接起始点位置数据获取子模块，用于将影像数据输入起始点提取模型中，得到初始连接起始点位置数据。
判断子模块，用于统计初始连接起始点位置数据中连接起始点位置数据的数据数量，并判断数据数量是否等于预设数量。
补充提取子模块，用于当所述数据数量小于所述预设数量时，则根据所述主动脉血管数据，对未提取到的连接起始点位置进行提取，得到全部与主动脉血管相连接的连接血管的连接起始点位置数据。
在其中一个实施例中，补充提取子模块可以包括：
第一连接起始点位置数据确定单元，用于根据初始连接起始点位置数据，确定已提取到的各连接起始点位置数据。
节点位置数据获取单元，用于基于主动脉血管数据，确定主动脉血管上的各分支节点，并获取各分支节点的节点位置数据。
第二连接起始点位置数据确定单元，用于根据各节点位置数据和已提取到的各连接起始点位置数据，确定未提取到的连接起始点位置的连接起始点位置数据。
在其中一个实施例中，节点位置数据获取单元可以包括：
主动脉血管中心线确定子单元，用于基于主动脉血管数据，确定局部主动脉血管中心线。
领域点数量确定子单元，用于确定局部主动脉血管中心线上各位置点对应的领域点的数量。
节点位置数据获取子单元，用于根据各位置点的领域点的数量，确定局部主动脉血管的分支节点，并确定各分支节点的节点位置数据。
在其中一个实施例中，连接血管的血管中心线为各腹腔器官与主动血管的连接血管的中心线。
在本实施例中，补充提取子模块可以包括：
初始位置确定单元，用于确定各腹腔器官与主动脉血管的连接血管的连接起始点位置在主动脉血管上的初始位置。
补充提取单元，用于基于初始位置以及主动脉血管数据，对未提取到的连接起始点位置进行提取，得到全部腹腔器官与主动脉血管三维连接血管的连接起始点位置数据。
在其中一个实施例中，第二获取模块200用于获取主动脉主干血管数据。
在本实施例中，生长模块300用于根据所述主动脉主干血管数据以及各所述连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管。
在其中一个实施例中，生长模块300可以包括：
生长要求以及生长参数获取子模块，用于获取连接血管的生长要求以及对应的生长参数。
生长子模块，用于根据各所述生长要求、所述生长参数以及所述主动脉血管数据，从各所述连接起始点位置数据确定的连接起始点位置进行血管生长，得到对应的各连接血管。
关于血管中心线提取装置的具体限定可以参见上文中对于血管中心线提取方法的限定，在此不再赘述。上述血管中心线提取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储影像数据、主动脉血管数据、连接起始点位置数据、腹腔器官连接血管、生长端点位置数据以及血管中心线数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种血管中心线提取方法。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取检测对象的影像数据；基于影像数据，获取主动脉血管数据，以及与主动脉血管相连接的连接血管的连接起始点位置数据；根据主动脉血管数据以及各连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管；根据各连接血管，确定各连接血管的生长端点位置数据；基于各连接血管的连接起始点位置数据以及生长端点位置数据，对各连接血管进行中心线的提取，得到对应各连接血管的血管中心线。
在其中一个实施例中，处理器执行计算机程序时实现基于影像数据，获取主动脉血管数据，以及与主动脉血管相连接的连接血管的连接起始点位置数据，可以包括：将影像数据输入主动脉提取模型中，得到主动脉血管数据；将影像数据输入起始点提取模型中，得到初始连接起始点位置数据；统计初始连接起始点位置数据中连接起始点位置数据的数据数量，并判断数据数量是否等于预设数量；当数据数量小于预设数量时，则根据主动脉血管数据，对未提取到的连接起始点位置进行提取，得到全部与主动脉血管相连接的连接血管的连接起始点位置数据。
在其中一个实施例中，处理器执行计算机程序时实现根据主动脉血管数据，对未提取到的连接起始点位置进行提取，可以包括：根据初始连接起始点位置数据，确定已提取到的各连接起始点位置数据；基于主动脉血管数据，确定主动脉血管上的各分支节点，并获取各分支节点的节点位置数据；根据各节点位置数据和已提取到的各连接起始点位置数据，确定未提取到的连接起始点位置的连接起始点位置数据。
在其中一个实施例中，处理器执行计算机程序时实现基于主动脉血管数据，确定主动脉血管上的各分支节点，并获取各分支节点的节点位置数据，可以包括：基于主动脉血管数据，确定局部主动脉血管中心线；确定局部主动脉血管中心线上各位置点对应的领域点的数量；根据各位置点的领域点的数量，确定局部主动脉血管的分支节点，并确定各分支节点的节点位置数据。
在其中一个实施例中，处理器执行计算机程序时实现连接血管的血管中心线为各腹腔器官与主动血管的连接血管的中心线；根据主动脉血管数据，对未提取到的连接起始点位置进行提取，得到全部与主动脉血管相连接的连接血管的连接起始点位置数据，可以包括：确定各腹腔器官与主动脉血管相连接血管的连接起始点位置在主动脉血管上的初始位置；基于初始位置以及主动脉血管数据，对未提取到的连接起始点位置进行提取，得到全部腹腔器官与主动脉血管的连接血管的连接起始点位置数据。
在其中一个实施例中，处理器执行计算机程序时实现获取主动脉血管数据，可以包括：获取主动脉主干血管数据。
在本实施例中，处理器执行计算机程序时实现根据主动脉血管数据以及各连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管，可以包括：根据主动脉主干血管数据以及各连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管。
在其中一个实施例中，处理器执行计算机程序时实现根据主动脉血管数据以及各连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管，可以包括：获取连接血管的生长要求以及对应的生长参数；根据各生长要求、生长参数以及主动脉血管数据，从各连接起始点位置数据确定的连接起始点位置进行血管生长，得到对应的各连接血管。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取检测对象的影像数据；基于影像数据，获取主动脉血管数据，以及与主动脉血管相连接的连接血管的连接起始点位置数据；根据主动脉血管数据以及各连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管；根据各连接血管，确定各连接血管的生长端点位置数据；基于各连接血管的连接起始点位置数据以及生长端点位置数据，对各连接血管进行中心线的提取，得到对应各连接血管的血管中心线。
在其中一个实施例中，计算机程序被处理器执行时实现基于影像数据，获取主动脉血管数据，以及与主动脉血管相连接的连接血管的连接起始点位置数据，可以包括：将影像数据输入主动脉提取模型中，得到主动脉血管数据；将影像数据输入起始点提取模型中，得到初始连接起始点位置数据；统计初始连接起始点位置数据中连接起始点位置数据的数据数量，并判断数据数量是否等于预设数量；当数据数量小于预设数量时，则根据主动脉血管数据，对未提取到的连接起始点位置进行提取，得到全部与主动脉血管相连接的连接血管的连接起始点位置数据。
在其中一个实施例中，计算机程序被处理器执行时实现根据主动脉血管数据，对未提取到的连接起始点位置进行提取，可以包括：根据初始连接起始点位置数据，确定已提取到的各连接起始点位置数据；基于主动脉血管数据，确定主动脉血管上的各分支节点，并获取各分支节点的节点位置数据；根据各节点位置数据和已提取到的各连接起始点位置数据，确定未提取到的连接起始点位置的连接起始点位置数据。
在其中一个实施例中，计算机程序被处理器执行时实现基于主动脉血管数据，确定主动脉血管上的各分支节点，并获取各分支节点的节点位置数据，可以包括：基于主动脉血管数据，确定局部主动脉血管中心线；确定局部主动脉血管中心线上各位置点对应的领域点的数量；根据各位置点的领域点的数量，确定局部主动脉血管的分支节点，并确定各分支节点的节点位置数据。
在其中一个实施例中，计算机程序被处理器执行时实现连接血管的血管中心线为各腹腔器官与主动血管的连接血管的中心线；根据主动脉血管数据，对未提取到的连接起始点位置进行提取，得到全部与主动脉血管相连接的连接血管的连接起始点位置数据，可以包括：确定各腹腔器官与主动脉血管相连接血管的连接起始点位置在主动脉血管上的初始位置；基于初始位置以及主动脉血管数据，对未提取到的连接起始点位置进行提取，得到全部腹腔器官与主动脉血管的连接血管的连接起始点位置数据。
在其中一个实施例中，计算机程序被处理器执行时实现获取主动脉血管数据，可以包括：获取主动脉主干血管数据。
在本实施例中，计算机程序被处理器执行时实现根据主动脉血管数据以及各连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管，可以包括：根据主动脉主干血管数据以及各连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管。
在其中一个实施例中，计算机程序被处理器执行时实现根据主动脉血管数据以及各连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管，可以包括：获取连接血管的生长要求以及对应的生长参数；根据各生长要求、生长参数以及主动脉血管数据，从各连接起始点位置数据确定的连接起始点位置进行血管生长，得到对应的各连接血管。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种血管中心线提取方法，其特征在于，所述方法包括：
获取检测对象的影像数据；
基于所述影像数据，获取主动脉血管数据，以及与主动脉血管相连接的连接血管的连接起始点位置数据；
根据所述主动脉血管数据以及各所述连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管；
根据各所述连接血管，确定各连接血管的生长端点位置数据；所述生长端点位置数据为所述连接血管的末端端点对应的位置数据；
基于各所述连接血管的连接起始点位置数据以及生长端点位置数据，对各所述连接血管进行中心线的提取，得到对应各连接血管的血管中心线。
2.根据权利要求1所述的方法，其特征在于，所述基于所述影像数据，获取主动脉血管数据，以及与主动脉血管相连接的连接血管的连接起始点位置数据，包括：
将所述影像数据输入主动脉提取模型中，得到主动脉血管数据；
将所述影像数据输入起始点提取模型中，得到初始连接起始点位置数据；
统计所述初始连接起始点位置数据中连接起始点位置数据的数据数量，并判断所述数据数量是否等于预设数量；
当所述数据数量小于所述预设数量时，则根据所述主动脉血管数据，对未提取到的连接起始点位置进行提取，得到全部与主动脉血管相连接的连接血管的连接起始点位置数据。
3.根据权利要求2所述的方法，其特征在于，所述根据所述主动脉血管数据，对未提取到的连接起始点位置进行提取，包括：
根据所述初始连接起始点位置数据，确定已提取到的各连接起始点位置数据；
基于所述主动脉血管数据，确定主动脉血管上的各分支节点，并获取各分支节点的节点位置数据；
根据各所述节点位置数据和已提取到的各连接起始点位置数据，确定未提取到的连接起始点位置的连接起始点位置数据。
4.根据权利要求3所述的方法，其特征在于，所述基于所述主动脉血管数据，确定主动脉血管上的各分支节点，并获取各分支节点的节点位置数据，包括：
基于所述主动脉血管数据，确定局部主动脉血管中心线；
确定所述局部主动脉血管中心线上各位置点对应的领域点的数量；所述领域点为所述局部主动脉血管中心线上各所述位置点在可延伸方向上的点；
根据各位置点的领域点的数量，确定所述局部主动脉血管的分支节点，并确定各分支节点的节点位置数据。
5.根据权利要求2所述的方法，其特征在于，所述连接血管的血管中心线为各腹腔器官与主动血管的连接血管的中心线；所述根据所述主动脉血管数据，对未提取到的连接起始点位置进行提取，得到全部与主动脉血管相连接的连接血管的连接起始点位置数据，包括：
确定各腹腔器官与主动脉血管的连接血管的连接起始点位置在所述主动脉血管上的初始位置；
基于所述初始位置以及所述主动脉血管数据，对未提取到的连接起始点位置进行提取，得到全部腹腔器官与主动脉血管的连接血管的连接起始点位置数据。
6.根据权利要求1所述的方法，其特征在于，所述获取主动脉血管数据，包括：
获取主动脉主干血管数据；
所述根据所述主动脉血管数据以及各所述连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管，包括：
根据所述主动脉主干血管数据以及各所述连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管。
7.根据权利要求1所述的方法，其特征在于，所述根据所述主动脉血管数据以及各所述连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管，包括：
获取连接血管的生长要求以及对应的生长参数；
根据各所述生长要求、所述生长参数以及所述主动脉血管数据，从各所述连接起始点位置数据确定的连接起始点位置进行血管生长，得到对应的各连接血管。
8.一种血管中心线提取装置，其特征在于，所述装置包括：
第一获取模块，用于获取检测对象的影像数据；
第二获取模块，用于基于所述影像数据，获取主动脉血管数据，以及与主动脉血管相连接的连接血管的连接起始点位置数据；
生长模块，用于根据所述主动脉血管数据以及各所述连接起始点位置数据，对各连接血管进行生长，得到对应的各连接血管；
生长端点位置确定模块，用于根据各所述连接血管，确定各连接血管的生长端点位置数据；所述生长端点位置数据为所述连接血管的末端端点对应的位置数据；
血管中心线提取模块，用于基于各所述连接血管的连接起始点位置数据以及生长端点位置数据，对各所述连接血管进行中心线的提取，得到对应各连接血管的血管中心线。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110956551.5A CN113781405B (zh) | 2021-08-19 | 2021-08-19 | 血管中心线提取方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110956551.5A CN113781405B (zh) | 2021-08-19 | 2021-08-19 | 血管中心线提取方法、装置、计算机设备和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113781405A CN113781405A (zh) | 2021-12-10 |
| CN113781405B true CN113781405B (zh) | 2024-03-22 |
Family
ID=78838650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110956551.5A Active CN113781405B (zh) | 2021-08-19 | 2021-08-19 | 血管中心线提取方法、装置、计算机设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113781405B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112734828A (zh) * | 2021-01-28 | 2021-04-30 | 依未科技(北京)有限公司 | 一种眼底血管中心线确定的方法、装置、介质和设备 |
| CN113012114A (zh) * | 2021-03-02 | 2021-06-22 | 推想医疗科技股份有限公司 | 一种血管识别方法、装置、存储介质及电子设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7532748B2 (en) * | 2004-11-24 | 2009-05-12 | General Electric Company | Methods and apparatus for selecting and/or labeling vessel branches |
| US10206646B2 (en) * | 2016-03-10 | 2019-02-19 | Siemens Healthcare Gmbh | Method and system for extracting centerline representation of vascular structures in medical images via optimal paths in computational flow fields |
| CN106127819B (zh) * | 2016-06-30 | 2019-10-08 | 上海联影医疗科技有限公司 | 医学图像中提取血管中心线的方法及其装置 |
-
2021
- 2021-08-19 CN CN202110956551.5A patent/CN113781405B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112734828A (zh) * | 2021-01-28 | 2021-04-30 | 依未科技(北京)有限公司 | 一种眼底血管中心线确定的方法、装置、介质和设备 |
| CN113012114A (zh) * | 2021-03-02 | 2021-06-22 | 推想医疗科技股份有限公司 | 一种血管识别方法、装置、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113781405A (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109461138B (zh) | 参数计算方法、系统、可读存储介质及计算机设备 | |
| JP7086336B2 (ja) | 組織結節検出方法及びそのモデルトレーニング方法、装置、機器、システム、並びにそのコンピュータプログラム | |
| CN111127527B (zh) | 基于ct影像骨骼配准实现肺结节自适应匹配的方法与装置 | |
| CN112435263A (zh) | 医学图像分割方法、装置、设备、系统及计算机存储介质 | |
| CN109712163B (zh) | 冠脉提取方法、装置、图像处理工作站和可读存储介质 | |
| CN112184656B (zh) | 基于超声动态图像的胎儿切面的确定方法及装置 | |
| KR20190132832A (ko) | 딥러닝을 기반으로 하는 아밀로이드 양성 또는 음성을 예측하기 위한 방법 및 장치 | |
| CN111738975B (zh) | 图像辨识方法及图像辨识装置 | |
| CN114511670B (zh) | 基于动态灌注影像的血管重建方法、装置、设备和介质 | |
| CN110598696A (zh) | 医学图像扫描定位方法、医学图像扫描方法和计算机设备 | |
| CN111652849A (zh) | 血流参数计算结果获取方法、装置、设备和系统 | |
| CN113706442A (zh) | 基于人工智能的医疗图像处理方法、装置及电子设备 | |
| CN117078711A (zh) | 医学图像分割方法、系统、电子设备和存储介质 | |
| CN113744223A (zh) | 血管的风险评估方法、计算机设备和存储介质 | |
| CN111312374A (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
| CN113781405B (zh) | 血管中心线提取方法、装置、计算机设备和可读存储介质 | |
| CN113616226A (zh) | 一种血管分析方法、系统、设备及存储介质 | |
| CN117036530A (zh) | 基于跨模态数据的冠状动脉血流储备分数预测方法及装置 | |
| CN116091444A (zh) | 侧枝评价方法及装置、存储介质、终端 | |
| CN111161240A (zh) | 血管分类方法、计算机设备和可读存储介质 | |
| CN109461143B (zh) | 图像显示方法、装置、计算机设备和存储介质 | |
| KR20210015834A (ko) | 진단 지원 시스템, 진단 지원 방법 및 진단 지원 프로그램 | |
| US20140032180A1 (en) | Method and apparatus for computing deformation of an object | |
| CN111062943B (zh) | 斑块稳定性的确定方法、装置及医疗设备 | |
| CN111652954A (zh) | 一种基于左心室分割图片的左心室容积自动计算方法、装置、计算机设备以及存储介质 |
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 |