CN113826140A - 血管造影数据分析 - Google Patents

血管造影数据分析 Download PDF

Info

Publication number
CN113826140A
CN113826140A CN202080033268.9A CN202080033268A CN113826140A CN 113826140 A CN113826140 A CN 113826140A CN 202080033268 A CN202080033268 A CN 202080033268A CN 113826140 A CN113826140 A CN 113826140A
Authority
CN
China
Prior art keywords
mask
vessel
voxels
artery
marker
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
Application number
CN202080033268.9A
Other languages
English (en)
Other versions
CN113826140B (zh
Inventor
拉斐尔·那米亚斯
奥利维尔·乔利
埃里克·格里夫森
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.)
Brian Omix Ltd
Original Assignee
Brian Omix 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 Brian Omix Ltd filed Critical Brian Omix Ltd
Publication of CN113826140A publication Critical patent/CN113826140A/zh
Application granted granted Critical
Publication of CN113826140B publication Critical patent/CN113826140B/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
    • G06T7/12—Edge-based segmentation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
    • G06V10/426—Graphical representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • 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
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/404—Angiography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Vascular Medicine (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pulmonology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明涉及一种对来自血管造影扫描的数据进行分析的方法，该血管造影扫描提供有关患者大脑血管的三维信息，该方法包括以下步骤：处理数据(26)以产生三维图像；提取颅骨内的血管系统，以获得血管掩模(28)；使用细化算法对血管掩模进行骨架化(30)以产生骨架掩模；提取中心平面；分析(32)骨架掩模以识别具有两个以上相邻体素的体素，该体素指示分岔、分叉或分支；在骨架掩模中检测头部三条主要供血动脉中每一条的最近端位置，以识别起始位置；然后依次从每个起始位置开始，沿着代表相应血管的线移动以检测(34)血管网络内的多个解剖标记。

Description

血管造影数据分析
技术领域
本发明涉及一种用于对血管造影图像(例如，通过血管造影术获得的患者头部层析图像)对应的数据进行分析的方法，以帮助医务专业人员诊断患者的身体状况并确认合适的治疗。这种图像可称为血管造影片。本发明尤其适于诊断近期患有中风的患者。
背景技术
中风有两种不同的类型：出血性脑中风，这种中风会脑内出血；另一种是缺血性中风，这种中风会有血管堵塞，减少或者阻止血液流向大脑区域。可以通过脑部的计算机层析图像检测出血性脑中风，因为血液比脑组织密度大，因而会更大程度地使X射线衰减。也可以通过脑部的计算机层析图像检测出缺血性中风，因为堵塞原因是血凝块，血凝块可因为其较大的X射线衰减而被检出，同时其中细胞因缺氧而死亡的脑部区域的密度降低至趋于水的密度，因此可通过减少的X射线衰减而检出。本发明尤其适于在缺血性中风发病后的早期阶段确定血凝块的位置，此时清除堵塞的治疗可在患者随后的恢复中对防止进一步脑损伤具有显著的效果。
发明内容
本发明利用计算机断层扫描获得的数据。断层扫描是一种获取物体横断面图像的技术，尤其是通过扫描物体周围的源和相对的传感器，测量X射线沿多个路径通过横断面的衰减，并通过计算来推导横断面图像。沿着任意一条路径，观察到的衰减由构成该路径的物体的每个连续部分的累积衰减决定。虽然计算机断层扫描最初被设想用于获得二维图像，但是可以通过组合来自紧密间隔平面中的多个二维图像的信息，或者通过沿着围绕物体的螺旋路径执行扫描来获得关于物体的三维结构的信息。为了获得二维图像，将横断面区域分解为像素，并计算每个像素的衰减。像素越小，图像的潜在分辨率越大，但需要的计算量越大，图像中的噪声也越多。例如，每个像素可以是1.0平方毫米或0.5平方毫米。为了获得三维图像，将来自多个二维图像的数据组合，并推导出“体积像素”(通常称为“体素”)的衰减值。每个体素的高度(即，与二维图像的平面正交的维度)可以不同于连续的二维图像的平面之间的间距，例如，每个体素的高度可以大于该间距，使得所计算的每个体素的衰减合并了来自多个二维图像的数据。例如，每个体素的高度可能在0.5毫米至8毫米之间，例如高度为5毫米。通常，在原始CT血管造影片中，每个体素的空间维度为0.5毫米×0.5毫米×0.6毫米。
当缺血性中风患者到达医院时，准确并快速地做出适当治疗的决定是很重要的，因为更快的治疗可以最大限度地减少最终受中风影响的脑组织数量。理想情况下，医务专业人员需要知道血管堵塞的位置，死亡的脑组织的位置，以及哪些脑组织区域可以被潜在地挽救。尽管可能一条血管已经被堵塞，从而使大脑组织的一个区域缺氧，但大脑周围的一些区域可以继续通过侧支动脉的灌注获得氧气。因此，如果对患者的治疗足够及时，可能可以确保周围区域不会进一步恶化。计算机断层扫描是一个相对快速的过程，因为患者的头部扫描可以在几分钟内完成。
医务专业人员可以对通过计算机断层扫描(CT)获得的图像进行评估，以确定中风的性质。在缺血性中风的情况下，进行CT血管造影是常见方法，即进行血管造影术，以确定堵塞或血凝块的位置。这涉及在将一定剂量的X射线造影剂注入到血液供应中(通常是注入到静脉中)后进行计算机断层扫描，以便识别出相对较高或较低的局部血液密度。如果缺血性中风是由于大血管堵塞，患者可以接受血管内治疗，也称为血栓切除或机械血栓清除。如果要进行这种治疗，首先准确定位血凝块的位置是至关重要的，这可以通过血管造影来实现，因为它将显示为“造影中止(contrast stop)”，也就是说，在血管内的一个点之外，对比密度缺失或突然降低，在没有血凝块的情况下，预计不会出现这种对比密度的突然变化。机械性血栓切除术主要针对位于大动脉中的堵塞，如颈内动脉(ICA)、大脑中动脉(MCA)近端、大脑前动脉(ACA)近端、基底动脉和大脑后动脉(PCA)近端。因为这些动脉为血栓切除装置提供了必要的通路。因此，正确识别血管造影片中的血管对于帮助医务专业人员识别血管堵塞的范围和位置，从而帮助医务专业人员对患者选择正确的治疗方法和计划的干预至关重要。
然而，这些动脉走的是三维的路径，相互关联有些复杂，尤其是在威利斯(Willis)环附近，而且实际上，不同患者之间相互连接的确切位置也有所不同，因此分析血管造影图像并不简单。因此需要一种用于分析此类血管造影图像的改进方法。
根据本发明的第一方面，提供了一种对来自血管造影扫描的数据进行分析的方法，该血管造影扫描提供关于患者大脑中血管的三维信息，该方法包括以下步骤：
-对数据进行处理以产生三维图像；
-提取颅骨内的血管系统，以获得血管掩模，即只包括血管的三维图像；
-用细化算法对血管掩模进行骨架化，以产生骨架掩模，每条血管都简化为宽度为一体素的线；
-可选地提取中心平面，以将骨架掩模分成左右两侧；
-沿每条血管对骨架掩模进行分析，以识别具有两个以上相邻体素的体素，该体素指示分岔、分叉或分支，这些识别的体素被称为分支体素；
-在骨架掩模中检测头部三条主要供血动脉中每一条的最近端位置，以识别距颅骨的顶点最远的起始位置，三条主要供血动脉为左颈内动脉、右颈内动脉和基底动脉；以及
-依次从每个起始位置开始，沿着代表相应血管的线移动，记录分支体素的位置和分支的相对定向，从而检测血管网络内的多个解剖标记。
应当理解，上述过程使得能够在图像内定位多个不同的解剖标记。检测解剖标记的确切过程显然依赖于解剖标记的性质。一些合适的解剖标记有：
T-ICA：在该标记处颈内动脉分裂成MCA和ACA；
A1/A2：在该标记处左ACA和右ACA通常通过前交通动脉相互连接；
M1/M2：在该标记处MCA分裂成分支；
M1/P1：在该标记处MCA与后交通动脉(通向PCA)相通；以及
B/P1：在该标记处基底动脉分裂形成左PCA和右PCA。
应当理解，除了这些标记之外，还可以识别替选的解剖标记，或者代替这些标记。
例如，可以通过沿着基底动脉向上移动直到到达最高分支点来识别B/P1标记；可以通过沿着相应的ICA移动到第一分支点来识别T-ICA标记。可利用附加信息来识别解剖标记，例如可考虑分支的定向；或者可能存在额外的要求，即分支点落在预定的感兴趣区域内，该感兴趣区域是基于先前的图集图像来确定的。例如，可以通过在来自其他患者的多个CT血管造影片中手工标注等效分支点来建立图集图像，所有的血管造影片相互配准，以便以高统计可能性指示公共图集参考空间中的分支点。
通常用亨氏单位HU(Hounsfield Unit)来测量与体素相关的衰减，其给出了一个线性标度，其中蒸馏水的辐射密度为0HU，而空气的辐射密度为-1000HU。例如，骨的辐射密度将大于200HU，血凝块的辐射密度可能约为60HU，而健康的脑灰质组织的辐射密度约为40HU。
提取颅骨内的血管系统以获得血管掩模的步骤可以通过如下方式来执行：将血管造影图像与和其配准的非造影CT图像(即，患者颅骨的两个图像彼此配准)进行比较，确定图像之间的差异。然后可以通过省略数据小于预设阈值(例如60HU)的体素来进一步改进所得到的体素数据。进一步的后处理步骤可以包括：如果连接组件小于预设体积，例如4、10或20个体素，则移除所得阈值图像中的连接组件。
可以通过将骨架掩模与具有已知中心平面的模板进行配准来执行提取中心平面的步骤。
上述步骤的总体结果是，可以显示示出动脉的三维结构的图像，并且其中识别的解剖标记被标记在图像中。这将有助于医务专业人员确定任何凝块的位置，并确定如何将其移除。因此，作为最后阶段，医务专业人员可以在从该显示中识别的位置进行血栓切除。
附图说明
现在将参考附图仅以示例地方式来进一步更具体地描述本发明，其中：
图1示出了为大脑提供血液的动脉示意图，该视图至少部分是从大脑下方观察的视图，显示了威利斯环；
图2示出了一个特定病人的威利斯环周围动脉段的体绘制的3D网格；
图3示出了一个特定病人的动脉骨架掩模的一部分；以及
图4示出了本发明过程的流程图。
具体实施方式
参考图1，进入大脑的动脉和大脑内的动脉在很大程度上对称于大脑的中心平面。因此，作为一般规则，左侧的任何特征也以镜像形式出现在右侧。血液通过三条动脉供给大脑：基底动脉B，左颈内动脉ICA和右颈内动脉ICA。
基底动脉B由左右椎动脉V汇合而成。基底动脉B向上延伸，由其引出多条动脉：小脑前下动脉AICA、脑桥动脉PA、小脑上动脉SCA，最后基底动脉B分裂成两条大脑后动脉PCA。每个大脑后动脉PCA通过后交通动脉PCom连接到相应的颈内动脉ICA。
每条颈内动脉ICA都有一个分支，即眼动脉OA，然后分裂形成大脑中动脉MCA和大脑前动脉ACA；还有一个分支到脉络膜前动脉ACh。大脑中动脉MCA随后分裂形成两个分支M2。左大脑前动脉ACA和右大脑前动脉ACA由称为前交通动脉ACom的短动脉相互连接。
应当理解，图1是一个简化的示意图，用于指示各种动脉相互连接的常规方式。作为示例，现在参考图2，图2示出了在一个体中从顶部观察时这些相同动脉的三维视图。在标记上有一些小的差别：大脑后动脉PCA的起始部分标记为P1；大脑中动脉MCA的起始部分标记为M1；大脑前动脉ACA在前交通动脉ACom之前的部分标记为A1，大脑前动脉ACA在前交通动脉ACom之后的部分标记为A2。与图1的示意图相比，可以理解的是，排列并不完全对称，还有一些动脉没有其他动脉突出。例如，大脑后动脉PCA的初始部分P1在左侧比在右侧(未标记)更突出，而左侧Pcom(未标记)比右侧PCom更大些。
本发明的方法能够在通过血管造影扫描获取的显示血管的三维图像中识别多个解剖标记的位置。尤其是可以识别以下解剖标记，它们在图1中的位置用相应的附图标记表示：
1.T-ICA：在该处颈内动脉ICA分裂成MCA和ACA；
2.A1/A2：在该处左ACA和右ACA通常通过前交通动脉ACom相互连接；
3.M1/M2：在该处MCA分裂成分支；
4.M1/P1：在该处MCA与后交通动脉PCom(通向PCA)相通；
5.B/P1：在该处基底动脉分裂形成左PCA和右PCA。
获得血管造影图像后，可以使用方法沿着以下路线的来识别这些位置。
a)通过以下方式提取颅骨内的完整血管系统：将非造影CT图像与血管造影图像配准，即，将两个图像配准；进行大脑掩蔽以排除任何明显在大脑之外的图像部分；然后进行减法；然后以固定的HU值(例如，40HU或60HU)进行阈值处理。输出是血管掩模。
b)用细化算法对血管掩模进行骨架化(例如T.Y.Zhang和C.Y.Suen在ACM通讯上发表的“一种用于细化数字图案的快速并行算法(A fast parallel algorithm forthinning digital patterns)”，1984年3月，第27卷，第3期)，从而生成骨架掩模。
c)基于与具有已知中心平面的模板(例如，符合射线照相守则的其中X值小于图像宽度一半的像素位于大脑右侧的图像)的配准来执行中心平面提取，骨架掩模现在针对“左”或“右”的每个前景像素都有标签。
d)通过以下方式对骨架掩模进行分析：起点位于中心平面上(即那些邻近“左”和“右”标签的体素)，并以垂直于中心平面的方式在掩模上进行迭代，寻找分叉/分歧/分支(例如使用T.-C.Lee、R.L.Kashyap和C.-N.Chu于1994年发表于“计算机视觉、图形和图像处理”第56卷第6期第462-478页的“通过3-D内测面/轴细化算法构建骨架模型(Buildingskeleton models via 3-D medial surface/axis thinning algorithms)”中的方法)。分支点处的体素(大于2个骨架掩模邻居)被标记为目标点(hit)。
e)在骨架掩模中检测头部三个主要供血动脉的最近端位置：左ICA、右ICA和基底动脉B。为此，在我们定义的参考模板图像中，针对“左ICA”、“右ICA”或“基底”标记了体素范围。据此选择每个标签范围内骨架掩模中的最低点(距颅骨顶点最远)。
f)从基底动脉B的底部开始，沿着中线路径向上走，并在最高目标点处停止。此目标点定义了B/P1解剖标记5。
g)从左ICA的底部开始，向上移动通过骨架掩模，直到路径上的第一个目标点为止。此目标点定义了左t-ICA标记1。
h)对右ICA重复步骤g)。
i)从左t-ICA标记1开始，沿着ACA的A1段向上并居中走，直到定义A1/A2标记2的第一个目标点为止。
j)从左t-ICA开始，沿着M1中线路径向左和向右横向走，以发现路径中产生到大脑后部的分叉的目标点，并将该目标点标记为M1/P1标记4。横向或向前分叉的第一个目标点定义了M1/M2标记3。
k)对右半部分重复步骤(i)和(j)。
现在参考图3，图3示出了在步骤(b)中产生的骨架掩模的一部分。该图示出了三维骨架掩模的轴向二维视图。掩模由体素行组成，并且应当理解，一个体素和下一个体素之间的一个像素宽度的对角线间隙不代表相应动脉中的断裂，而是一种像素化的人为现象。图像显示了靠近图像中心的威利斯环，以及形成威利斯环下部的大脑后动脉(PCA)。图像左侧显示了完整的威利斯环，通向前交通动脉ACA。在图像的右侧，威利斯环是不完整的，因为大脑中动脉(MCA)由于堵塞而不可见，因此也看不见右侧的后交通动脉。
在进行步骤(c)的中心平面提取时，将骨架掩模与已确定中心平面的模板进行比较。可以从个体的单次扫描中获得模板，从该扫描生成骨架掩模，然后确定骨架掩模的中心平面；或者，可以通过对从许多不同个体的扫描中获得的骨架掩模进行平均来产生模板，然后确定平均掩模的中心平面。
步骤(f)至(k)可利用附加信息来定位解剖标记。在某些情况下，可以使用参考骨架掩模来定义感兴趣区域，也就是说，预期会发现特定解剖标记的区域。因此，可以在先前指定的感兴趣区域内执行在骨架掩模内对分支体素(即目标点)的每个搜索。例如，可以从多个没有遭受任何脑损伤的人的血管造影扫描中获得如图2所示的显示大脑中动脉的三维血管掩模，并且可以(例如由医疗专家)标注三维空间中多个不同解剖标记的位置。因此，对于每个解剖标记，可以推导出该三维空间的一个区域，在该区域中期望可以找到该解剖标记，即感兴趣区域。例如，通过比较几个这种带标注的血管造影扫描，可以计算解剖标记的平均3-D位置，以及标准偏差；然后预期在任何新的扫描中，将在平均位置的三个标准偏差内找到相应的解剖标记。
应当理解，这只是本发明方法的一个示例。尽管骨架掩模通过仅一个体素的宽度线来表示每个动脉，还可以记录关于沿着线的每个位置处的动脉直径的信息以及关于沿着流动路径的距离的信息。如果特定分支体素或目标点存在歧义，则这样的附加信息可以使歧义能够被解决。
现在参考图4，图4示出了该过程的流程图，示意性表示的三列对应于使用装置10的相应部件执行的步骤。装置10主要包括扫描仪12，扫描仪12向计算机14提供数据，计算机14向显示器16提供数据。
第一步骤20涉及对患者头部进行扫描，在该示例中是CT扫描。如虚线21所示，来自第一次CT扫描的数据被传输到计算机14。第二步骤22是将一定剂量造影剂注射到患者体内；在足够的时间延迟后，造影剂已经循环到大脑的血管中，下一步骤24是进行第二次扫描；由于这是包含造影剂的扫描，所得图像可称为血管造影片。如虚线25所示，来自该血管造影扫描的数据也被传送到计算机14。
在步骤26，计算机14将来自血管造影扫描的图像与来自初始扫描的图像进行比较，即比较数据21和数据25对应的图像，以在步骤28中产生例如如图2所示的血管掩模，以三个维度显示血管。然后计算机在步骤30中将该血管掩模骨架化，以产生骨架掩模。然后在步骤32分析骨架掩模以识别任何分支或分叉。然后在步骤34，通过沿着所识别的主要动脉移动，计算机识别解剖标记。
将血管掩模传送到显示器16，如虚线29所示；并且将关于解剖标记位置的数据传送到显示器16，如虚线35所示。然后在步骤36中，显示器16显示已识别的解剖标记叠加在血管掩模中的相应位置的血管掩模。这可以帮助医护人员识别中风的性质、任何堵塞或凝块的位置、以及确定如何最好地治疗病人。

Claims (12)

1.一种对来自血管造影扫描的数据进行分析的方法，该血管造影扫描提供有关患者大脑血管的三维信息，所述方法包括以下步骤：
对所述数据进行处理以产生三维图像；
提取颅骨内的血管系统，以获得血管掩模，即只包括血管的三维图像；
用细化算法对所述血管掩模进行骨架化，以产生骨架掩模，其中每个血管都简化为宽度为一体素的线；
可选地，提取中心平面，以将所述骨架掩模分成左右两侧；
对所述骨架掩模进行分析，以识别具有两个以上相邻体素的体素，所述体素指示分叉、分岔或分支，这些识别出的体素被称为分支体素；
在所述骨架掩模中检测头部三条主要供血动脉中每条动脉的最近端位置，以识别离所述颅骨的顶点最远的起始位置，所述三条主要供血动脉为左颈内动脉、右颈内动脉和基底动脉；以及
依次从每个起始位置开始，沿着代表相应血管的线移动，记录所述分支体素的位置和分支的相对定向，从而检测血管网络内的多个解剖标记。
2.根据权利要求1所述的方法，还包括显示所述血管造影扫描或所述血管掩模连同所述血管造影扫描或所述血管掩模内的相应位置处的所述解剖标记。
3.根据权利要求1或2所述的方法，其中，通过将血管造影图像与和该血管造影图像配准的非造影CT图像进行比较并确定图像之间的差异，来执行所述提取颅骨内的血管系统以获得血管掩模的步骤。
4.根据权利要求3所述的方法，其中，通过省略数据小于预设阈值的体素来进一步改进图像之间的差异的体素数据。
5.根据权利要求4所述的方法，其中，所述预设阈值为60HU。
6.根据前述权利要求中任一项所述的方法，其中，通过将所述骨架掩模与具有已知中心平面的模板进行配准来执行提取中心平面的步骤。
7.根据前述权利要求中任一项所述的方法，其中，所述解剖标记选自：
T-ICA：在该标记处颈内动脉分裂成MCA和ACA；
A1/A2：在该标记处左ACA和右ACA通常通过前交通动脉相互连接；
M1/M2：在该标记处MCA分裂成分支；
M1/P1：在该标记处MCA与后交通动脉相通；以及
B/P1：在该标记处基底动脉分裂形成左PCA和右PCA。
8.根据权利要求7所述的方法，其中，通过在所述骨架掩模中沿着基底动脉的线向上移动直到到达最高分支点来识别B/P1标记。
9.根据权利要求7或8所述的方法，其中，通过沿着ICA的线移动到第一分支点来识别T-ICA标记。
10.根据前述权利要求中任一项所述的方法，其中，除了所述骨架掩模之外，还使用从分支的定向或分支的宽度中选择的附加数据来识别所述解剖标记。
11.根据前述权利要求中任一项所述的方法，其中，除了所述骨架掩模之外，还使用所述解剖标记必须位于所述骨架掩模的先前指定区域内的要求来识别所述解剖标记。
12.根据权利要求11所述的方法，其中，所述骨架掩模的指定区域是基于参考骨架掩模确定的。
CN202080033268.9A 2019-06-12 2020-06-12 血管造影数据分析 Active CN113826140B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
GBGB1908440.9A GB201908440D0 (en) 2019-06-12 2019-06-12 Angiographic data analysis
GB1908440.9 2019-06-12
PCT/GB2020/051418 WO2020249960A1 (en) 2019-06-12 2020-06-12 Angiographic data analysis

Publications (2)

Publication Number Publication Date
CN113826140A true CN113826140A (zh) 2021-12-21
CN113826140B CN113826140B (zh) 2024-02-02

Family

ID=67386257

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080033268.9A Active CN113826140B (zh) 2019-06-12 2020-06-12 血管造影数据分析

Country Status (6)

Country Link
US (1) US11481896B2 (zh)
EP (1) EP3983995B8 (zh)
CN (1) CN113826140B (zh)
ES (1) ES2945891T3 (zh)
GB (1) GB201908440D0 (zh)
WO (1) WO2020249960A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114533002A (zh) * 2022-03-04 2022-05-27 清华大学 一种颈动脉中心线提取方法、装置、存储介质及电子设备

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361584B (zh) * 2021-06-01 2022-05-27 推想医疗科技股份有限公司 模型训练的方法及装置、肺动脉高压的测量方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030031351A1 (en) * 2000-02-11 2003-02-13 Yim Peter J. Vessel delineation in magnetic resonance angiographic images
US20050256400A1 (en) * 2003-12-03 2005-11-17 Bhargav Raman Method to identify arterial and venous vessels
US20080188962A1 (en) * 2007-02-05 2008-08-07 General Electric Company Vascular image extraction and labeling system and method
US20130253895A1 (en) * 2012-03-20 2013-09-26 Isis Innovation Ltd. Quantification of blood volume flow rates from dynamic angiography data
WO2014158345A1 (en) * 2013-01-31 2014-10-02 University Of Iowa Research Foundation Methods and systems for vessel bifurcation detection
US20140355858A1 (en) * 2013-06-03 2014-12-04 University Of Florida Research Foundation, Inc. Vascular anatomy modeling derived from 3-dimensional medical image processing
CN104318557A (zh) * 2014-10-17 2015-01-28 重庆大学 血管骨架线重构及精确管径计算方法
US20180028137A1 (en) * 2016-07-30 2018-02-01 Shanghai United Imaging Healthcare Co., Ltd. Method and system for extracting lower limb vasculature
US20190117179A1 (en) * 2017-10-23 2019-04-25 Mg Stroke Analytics Inc. Systems And Methods For Deciding Management Strategy in Acute Ischemic Strokes Using Rotational Angiography

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7372983B2 (en) * 2001-10-16 2008-05-13 Koninklijke Philips Electronics N.V. Method for automatic branch labeling
WO2005023086A2 (en) * 2003-08-25 2005-03-17 University Of North Carolina At Chapel Hill Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surgical planning
IL246009B (en) * 2016-06-02 2018-11-29 Ezer Haim A system and method for monitoring the condition of a cerebral aneurysm

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030031351A1 (en) * 2000-02-11 2003-02-13 Yim Peter J. Vessel delineation in magnetic resonance angiographic images
US20050256400A1 (en) * 2003-12-03 2005-11-17 Bhargav Raman Method to identify arterial and venous vessels
US20080188962A1 (en) * 2007-02-05 2008-08-07 General Electric Company Vascular image extraction and labeling system and method
US20130253895A1 (en) * 2012-03-20 2013-09-26 Isis Innovation Ltd. Quantification of blood volume flow rates from dynamic angiography data
WO2014158345A1 (en) * 2013-01-31 2014-10-02 University Of Iowa Research Foundation Methods and systems for vessel bifurcation detection
US20140355858A1 (en) * 2013-06-03 2014-12-04 University Of Florida Research Foundation, Inc. Vascular anatomy modeling derived from 3-dimensional medical image processing
CN104318557A (zh) * 2014-10-17 2015-01-28 重庆大学 血管骨架线重构及精确管径计算方法
US20180028137A1 (en) * 2016-07-30 2018-02-01 Shanghai United Imaging Healthcare Co., Ltd. Method and system for extracting lower limb vasculature
US20190117179A1 (en) * 2017-10-23 2019-04-25 Mg Stroke Analytics Inc. Systems And Methods For Deciding Management Strategy in Acute Ischemic Strokes Using Rotational Angiography

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114533002A (zh) * 2022-03-04 2022-05-27 清华大学 一种颈动脉中心线提取方法、装置、存储介质及电子设备
CN114533002B (zh) * 2022-03-04 2024-04-26 清华大学 一种颈动脉中心线提取方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
ES2945891T3 (es) 2023-07-10
WO2020249960A1 (en) 2020-12-17
US11481896B2 (en) 2022-10-25
EP3983995B8 (en) 2023-05-10
US20200394793A1 (en) 2020-12-17
CN113826140B (zh) 2024-02-02
EP3983995B1 (en) 2023-04-05
GB201908440D0 (en) 2019-07-24
EP3983995A1 (en) 2022-04-20

Similar Documents

Publication Publication Date Title
CN107280696B (zh) 确定描述侧支内的血液流动的侧支信息的方法和拍摄装置
US7676257B2 (en) Method and apparatus for segmenting structure in CT angiography
KR101120250B1 (ko) 컴퓨터로 구현된 의학 영상 데이터 처리 방법
JP5123954B2 (ja) 医療画像における病変部の特定及び分析
Zeng et al. Automatic diagnosis based on spatial information fusion feature for intracranial aneurysm
EP2059165B1 (en) Detection and localization of vascular occlusion from angiography data
TW201903708A (zh) 數位減影血管攝影圖像的分析方法與系統
US11282170B2 (en) Contrast injection imaging
US10524823B2 (en) Surgery assistance apparatus, method and program
CN111602173A (zh) 断层扫描数据分析
US20130303900A1 (en) Method and apparatus for processing of stroke ct scans
EP2216751A2 (en) Preventing thoracic bones from being displayed in 3D images
JP2005161044A (ja) 動的制約を用いる多次元構造の抽出方法及びシステム
CN102324090B (zh) 一种从cta图像中去除扫描床的方法及装置
US20230329659A1 (en) System and Methods of Prediction of Ischemic Brain Tissue Fate from Multi-Phase CT-Angiography in Patients with Acute Ischemic Stroke using Machine Learning
CN113826140B (zh) 血管造影数据分析
US8306354B2 (en) Image processing apparatus, method, and program
JP2010178906A (ja) 医用画像処理装置、画像診断装置および医用画像処理プログラム
KR101611488B1 (ko) 의료 영상에서 아티팩트와 병변을 구분하는 방법
US20110069874A1 (en) Medical image processing device, medical image processing method, and medical image processing program
CN114897904B (zh) 基于mra序列图像确定血流储备分数的方法及装置
EP2707850A2 (en) Myocardial clusterification and orientation
Kulathilake et al. A segmentation method for extraction of main arteries from coronary cine-angiograms
JP7382059B2 (ja) 画像処理装置、画像処理方法、およびプログラム
US11967079B1 (en) System and method for automatically detecting large vessel occlusion on a computational tomography angiogram

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