CN113838036A - 一种基于局部聚类和滤波的冠脉分割方法 - Google Patents
一种基于局部聚类和滤波的冠脉分割方法 Download PDFInfo
- Publication number
- CN113838036A CN113838036A CN202111141792.0A CN202111141792A CN113838036A CN 113838036 A CN113838036 A CN 113838036A CN 202111141792 A CN202111141792 A CN 202111141792A CN 113838036 A CN113838036 A CN 113838036A
- Authority
- CN
- China
- Prior art keywords
- point
- coronary
- filtering
- seed
- coronary artery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 210000004351 coronary vessel Anatomy 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000011218 segmentation Effects 0.000 title claims abstract description 50
- 238000001914 filtration Methods 0.000 title claims abstract description 39
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 17
- 230000005855 radiation Effects 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims abstract description 5
- 230000004044 response Effects 0.000 claims description 6
- 230000002792 vascular Effects 0.000 claims description 3
- 230000000747 cardiac effect Effects 0.000 abstract description 8
- 239000002872 contrast media Substances 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 2
- 238000010968 computed tomography angiography Methods 0.000 description 17
- 238000003384 imaging method Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms 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
- 238000003709 image segmentation Methods 0.000 description 1
- 239000012216 imaging agent Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering 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
- G06T7/11—Region-based segmentation
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (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)
- Image Processing (AREA)
Abstract
本发明公开了一种基于局部聚类和滤波的冠脉分割方法，涉及医学图像处理技术领域。该方法包括在冠脉CTA图像上提取冠脉种子点的感兴趣区域；在感兴趣区域中获得疑似种子点集合；对疑似种子点集合进行滤波，筛掉假种子点获得有效种子点集合；针对有效种子点集合中的种子点逐点进行区域生长，直至所有的种子点生长完毕为止。在每个种子点的生长过程中，采用对称放射滤波器来筛选血管区域，解决了心脏CTA图像中噪声、伪影和非冠脉组织等不相关区域对冠脉分割的干扰的问题；采用基于距离聚类分割方法，解决了心脏CTA图像中造影剂不均衡，冠脉错层，伪影模糊等问题，从而快速、稳定、高效地进行心脏CTA图像的冠脉分割。
Description
技术领域
本发明涉及医学图像处理技术领域，具体涉及一种基于局部聚类和滤波的冠脉分割方法。
背景技术
心血管疾病已经成为当前威胁人类生命的重要疾病之一。随着医学影像技术的快速发展，基于多层螺旋CT采集的心脏影像数据在心血管疾病诊断中发挥越来越重要的作用。如何方便、快捷地辅助临床工作者从海量的心脏影像数据中准确地获得有价值的心血管临床诊疗信息，一直是医学影像学者们努力的目标，也是当今医学工作者必须面临的巨大挑战。
目前冠脉CTA(Computed Tomography Angiography，计算机断层扫描血管造影术)图像的血管分割方法主要分为基于传统的分割算法和基于深度学习的分割算法。传统的算法有：1)基于区域生长的方法，例如区域生长、包含标准的或者自适应的波传播法；2)基于活动轮廓模型方法，例如依据血管特定参数的活动轮廓模型，或者依据图像能量的活动轮廓模型；3)基于中心线追踪的方法，例如直接中心线追踪，或者采用最小代价路径的方法提取血管。随着深度学习技术的不断发展，目前深度网络已经逐渐发展成为医学图像分割的主力，例如采用FCN(Fully Convolutional Network，全卷积网络)、CNN(ConvolutionalNeural Networks，卷积神经网络)和语义分割网络U-Net等深度学习网络对冠脉CTA进行分割。
虽然现有医学影像处理技术发展很快，但存在许多不足，无法满足日益增长的临床要求。例如区域生长算法稳健性不高，缺乏合理的收敛准则；活动轮廓法需要较强的约束准则，人机交互程度高；中心线方法无法直接分割血管轮廓，需要结合血管外观和几何信息；深度学习方法需要大量的训练数据和标注数据，并且对细节分割欠缺。
发明内容
针对上述现有技术存在的不足，本发明提供了一种基于局部聚类和滤波的冠脉分割方法，旨在快速准确地从冠脉CTA图像中分割出冠脉，获得准确的冠脉结构。
为实现上述目的，本发明提供以下的技术方案：
一种基于局部聚类和滤波的冠脉分割方法，该方法包括如下步骤：
步骤1：输入冠脉CTA图像，提取冠脉种子点的感兴趣区域；
步骤2：从冠脉种子点的感兴趣区域中获取冠脉强响应点作为冠脉的疑似种子点，获得疑似种子点集合；
步骤3：对步骤2获得的疑似种子点集合进行滤波，筛掉假种子点，获得有效种子点集合，且若有效种子点集合为空，则结束，若有效种子点集合非空，则执行步骤4；
步骤4：针对有效种子点集合中的种子点，逐点进行区域生长，对第i个种子点执行步骤5至步骤9，直到所有的种子点生长完毕，获得冠脉分割结果；
步骤5：对当前种子点进行区域生长，生长的条件是以种子点周围26邻域内的CT均值与方差的和及它们的差作为区域生长的高低阈值，若符合生长条件则获得区域块，并执行步骤6，否则，则令i＝i+1，并返回步骤4；
步骤6：对区域块中的每个点进行滤波，去除非冠脉组织上的点；
步骤7：对步骤6中获得的区域块进行距离聚类，获得区域块簇集合，使得集合中的每个区域块簇上的点到其聚类中心的距离小于等于设定值；
步骤8：把每个区域块簇作为一个新的区域块，并计算当前区域块的CT均值和方差，并以它们的和及它们的差作为区域生长的高低阈值，作为下一次局部区域生长的条件，若待生长的点符合生长条件则获得区域块，执行步骤9，否则，则令i＝i+1，并返回步骤4；
步骤9：按照步骤6至步骤8的方法，重复执行步骤6至步骤8，直到没有可生长的区域块时，令i＝i+1，并返回步骤4。
进一步地，根据所述的基于局部聚类和滤波的冠脉分割方法，在所述冠脉CTA图像上采用阈值分割法提取冠脉种子点的感兴趣区域。
进一步地，根据所述的基于局部聚类和滤波的冠脉分割方法，采用血管增强滤波器从冠脉种子点的感兴趣区域中获取冠脉强响应点。
进一步地，根据所述的基于局部聚类和滤波的冠脉分割方法，所述滤波的方法为：在当前点x0的三个正交面横断面、冠状面和矢状面上分别采用对称放射滤波器，当其中至少两个正交面具有梯度对称性质时，则判断点x0属于冠脉，否则将点x0视为非冠脉组织上的点；
所述对称放射滤波器为2D滤波器，在点x0的二维平面上，以x0为中心，在2π范围内，向外发射N条对称射线对，所述对称射线对为方向相反且对称的两条射线，射线截止的范围是Dmax，射线中的每个点的间隔步长是σ；射线中的每个当前点与其下一个点之间会存在梯度差，在Dmax范围内，若射线对中两条射线的梯度差均满足预设阈值T2，则判断这条射线对满足对称梯度性；在2π范围内的N条射线对中，若超过预设阈值T1条的射线对满足对称梯度性，则认为当前点x0在当前平面上具有血管结构的对称梯度性。
进一步地，根据所述的基于局部聚类和滤波的冠脉分割方法，所述二维平面为血管的横截面或者自定义的2D平面。
进一步地，根据所述的基于局部聚类和滤波的冠脉分割方法，所述Dmax＝血管的最大直径。
进一步地，根据所述的基于局部聚类和滤波的冠脉分割方法，所述间隔步长σ的经验值为1mm；所述对称射线对总数N的经验值为24；所述阈值T1的经验值为16；所述阈值T2的经验值为70。
进一步地，根据所述的基于局部聚类和滤波的冠脉分割方法，所述距离聚类的方法为：将数据集X按照定义的距离D划分为N个簇集，每个所述簇集代表一个类，每个所述类有一个类别中心μi；选取欧式距离作为相似性和距离判断准则，计算该类内各点到聚类中心μi的距离小于等于D的簇数N。
进一步地，根据所述的基于局部聚类和滤波的冠脉分割方法，所述D＝血管的最大半径。
总体而言，通过本发明所构思的以上技术方案较现有技术具有以下有益效果：采用对称放射滤波器来筛选血管区域，解决了心脏CTA图像中噪声、伪影和非冠脉组织等不相关区域对冠脉分割的干扰的问题；采用基于距离聚类分割方法，可以解决心脏CTA图像中造影剂不均衡，冠脉错层，伪影模糊等问题，从而快速、稳定、高效地进行心脏CTA图像的冠脉分割。
附图说明
图1为本实施方式基于局部聚类和滤波的冠脉分割方法流程示意图；
图2为本实施方式的对称放射滤波器的结构示意图；
图3为本实施方式滤波方法的流程示意图；
图4(a)为原始数据集X的结构示意图；(b)采用本发明的距离聚类方法对数据集X进行聚类的结果示意图；
图5为本实施方式获得的冠脉分割结果图。
具体实施方式
为了使本发明的目的、技术方案及优势更加清晰，下面结合附图和具体实施例对本发明做进一步详细说明。此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
图1是本实施方式基于局部聚类和滤波的冠脉分割方法的流程示意图，该方法用于对冠脉CTA图像进行处理，分割出图像中的冠脉，如图1所示，所述基于局部聚类和滤波的冠脉分割方法包括如下步骤：
步骤1：输入冠脉CTA图像，提取冠脉种子点的感兴趣区域；
在冠脉CTA图像上，冠脉属于高亮组织，虽然受心脏成像、造影剂不均衡等各种因素的影响，冠脉成像会出现模糊，其组织的CT值会变化很大，但是对于冠脉种子点的感兴趣区域来说，只要满足主要冠脉的部分组织在感兴趣区域内即可。感兴趣区域的获取方法很多，例如阈值分割法，本实施方式是在冠脉CTA图像上采用阈值分割法，获得冠脉种子点的感兴趣区域，减少种子点的查找范围；
步骤2：获得疑似种子点集合：在冠脉种子点的感兴趣区域中，采用血管增强滤波器，获得冠脉强响应点，作为冠脉的疑似种子点，获得疑似种子点集合；
在种子点感兴趣区域内，采用血管增强滤波器，可以获得具有强响应值的像素点，这些像素点就构成疑似种子点集合。血管增强滤波器有很多种，例如可以使用Hessian矩阵变换和管状结构相似性函数获得具有强管状结构特征的冠脉内的点。
步骤3：获得有效种子点集合：对获得的疑似种子点集合进行滤波，筛掉假种子点，获得有效种子点集合，且若有效种子点集合为空，则结束，若有效种子点集合非空，则执行步骤4；
步骤2中获得的疑似种子点集合里包含大量的非冠脉内的点，因此还需要一个筛选滤波器进一步筛掉非冠脉组织上的点。本发明设计了一种对称放射滤波器，如图2所示。在点x0的二维平面上，以x0为中心，在2π范围内，向外发射N条对称射线对，所述对称射线对为方向相反且对称的两条射线，如图2所示的带箭头的实线，射线截止的范围是Dmax，射线中的每个点的间隔步长是σ。射线中的每个当前点与其下一个点之间会存在梯度差，在Dmax范围内，若射线对中两条射线的梯度差均满足预设阈值T2，则判断这条射线对满足对称梯度性。在2π范围内，N条射线对中若存在超过预设阈值T1条的射线对满足对称梯度性，则认为当前点x0在当前平面上具有血管结构的对称梯度性。本发明中Dmax是根据血管的最大直径确定的，即Dmax＝血管的最大直径，一般是8mm。射线中每个点的间隔步长σ的经验取值是1mm。对称射线对总数N的经验值为24，阈值T1的经验值为16，即超过一半以上的射线对具有对称性，则认为当前点在此平面上具有梯度对称性质。阈值T2的经验值为70，即认为当血管边界最大梯度大于70时，当前点在此射线对上具有边界梯度变化特征。
对称放射滤波器是一个2D滤波器，它需要作用在2D平面上。2D平面可以是血管的横截面也可以是自定义的2D平面。考虑到对称放射滤波器的特点，以及冠脉血管结构特点，本发明采用三个正交面联合判断的方法来筛选疑似冠脉点。如图3所示，首先获得当前点x0的三个正交面，即横断面、冠状面和矢状面；然后在三个正交面上分别采用对称放射滤波器，当其中两个正交面或者三个正交面都具有梯度对称性质时，则判断点x0属于冠脉，否则点x0是非冠脉组织上的点。
步骤4：针对有效种子点集合中的种子点，逐点进行区域生长，对于第i个种子点执行步骤5至步骤9，直到所有的种子点生长完毕为止，图5是本实施方式得到的冠脉分割结果图。
步骤5：对当前种子点进行区域生长，生长的条件是以种子点周围26邻域内的CT均值与方差的和及它们的差作为区域生长的高低阈值，若符合生长条件则获得区域块，并执行步骤6，否则，则令i＝i+1，并返回步骤4；
区域块的获取采用的是区域生长的方法，考虑冠脉CTA图像的特点，即在心脏CTA的冠脉成像中，受到噪声比如机器伪影，运动伪影，造影剂剂量问题等的影响，整个冠脉的成像会出现不稳定的变化，如CT值变化大，冠脉图像错层，图像模糊等，只有在局部小范围内，冠脉的成像才具有相似性。因此在区域生长的过程中，首先对种子点进行预生长，然后获得其26邻域内的CT均值MeanCT和标准差SDCT，则区域块的生长条件是：
其中Threlow和Threhigh分别是区域生长的高低阈值。种子点的26邻域生长可以构成一个初始的小区域块，把这个小区域块内的每个点都作为种子点，再对它们进行基于Threlow和Threhigh的26邻域生长，可以获得大的区域块。
步骤6：区域块滤波：采用对区域块中的每个点进行滤波，去除非冠脉组织上的点；
步骤6中获得的区域块是一个粗糙的分割结果，它会包含很多非冠脉组织，因此需要对区域块进行筛选滤波。本实施方式中采用步骤4中所述的滤波方法，对区域块中的每个点进行滤波，去除非冠脉组织上的点。
步骤7：区域块聚类分析：对步骤6中滤波后获得的区域块进行距离聚类，获得区域块簇集合，使得集合中的每个区域块簇上的点到其聚类中心的距离小于等于设定值；
考虑到冠脉CTA图像的特点，如果直接在步骤6的基础上进行迭代式的区域生长，则会很容易陷入冠脉的过分割或者欠分割中。因此本发明设计了一种距离聚类方法。距离聚类的核心思想是使聚类域中所有的目标点到聚类中心的距离都满足定义的条件。如图4(a)和(b)所示，将数据集X按照定义的距离D划分为N个簇集。每个簇集代表一个类，每个类有一个类别中心μi。选取欧式距离作为相似性和距离判断准则，计算该类内各点到聚类中心μi的距离小于等于D的簇数N。一般D的取值是依据血管的最大半径，即D＝血管的最大半径，例如4mm。
步骤8：区域块局部迭代式生长：把每个区域块簇作为一个新的区域块，并计算当前区域块的CT均值和方差，并以它们的和及它们的差作为区域生长的高低阈值，作为下一次局部区域生长的条件，若待生长的点符合生长条件则获得区域块，执行步骤9，否则，则令i＝i+1，并返回步骤4；
步骤9：按照步骤6至步骤8的方法，重复执行步骤6至步骤8，直到没有可生长的区域块时，令i＝i+1，并返回步骤4。
区域块聚类后，可以获得多个区域块簇，每个区域块簇就是一个新的小区域块，获得其CT均值MeanCT和标准差SDCT，从而更新下一个区域块的生长条件Threlow和Threhigh，再对这个区域块重复步骤6至步骤8的算法，直到所有的区域块生长完毕为止。
采用本发明方法在冠脉CTA数据集上进行了测试，并与三位专家手动分割结果进行了比较，定量分析结果表明，采用本发明方法得到的分割结果与三名专家手动标定的分割结果一致，误差评估也在手动标定的误差范围内，对异常病变血管也具有很好的分割效果，能够满足临床实际应用需求。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；因而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (9)
1.一种基于局部聚类和滤波的冠脉分割方法，其特征在于，该方法包括如下步骤：
步骤1：输入冠脉CTA图像，提取冠脉种子点的感兴趣区域；
步骤2：从冠脉种子点的感兴趣区域中获取冠脉强响应点作为冠脉的疑似种子点，获得疑似种子点集合；
步骤3：对步骤2获得的疑似种子点集合进行滤波，筛掉假种子点，获得有效种子点集合，且若有效种子点集合为空，则结束，若有效种子点集合非空，则执行步骤4；
步骤4：针对有效种子点集合中的种子点，逐点进行区域生长，对第i个种子点执行步骤5至步骤9，直到所有的种子点生长完毕，获得冠脉分割结果；
步骤5：对当前种子点进行区域生长，生长的条件是以种子点周围26邻域内的CT均值与方差的和及它们的差作为区域生长的高低阈值，若符合生长条件则获得区域块，并执行步骤6，否则，则令i＝i+1，并返回步骤4；
步骤6：对区域块中的每个点进行滤波，去除非冠脉组织上的点；
步骤7：对步骤6中获得的区域块进行距离聚类，获得区域块簇集合，使得集合中的每个区域块簇上的点到其聚类中心的距离小于等于设定值；
步骤8：把每个区域块簇作为一个新的区域块，并计算当前区域块的CT均值和方差，并以它们的和及它们的差作为区域生长的高低阈值，作为下一次局部区域生长的条件，若待生长的点符合生长条件则获得区域块，执行步骤9，否则，则令i＝i+1，并返回步骤4；
步骤9：按照步骤6至步骤8的方法，重复执行步骤6至步骤8，直到没有可生长的区域块时，令i＝i+1，并返回步骤4。
2.根据权利要求1所述的基于局部聚类和滤波的冠脉分割方法，其特征在于，在所述冠脉CTA图像上采用阈值分割法提取冠脉种子点的感兴趣区域。
3.根据权利要求1所述的基于局部聚类和滤波的冠脉分割方法，其特征在于，采用血管增强滤波器从冠脉种子点的感兴趣区域中获取冠脉强响应点。
4.根据权利要求1所述的基于局部聚类和滤波的冠脉分割方法，其特征在于，所述滤波的方法为：在当前点x0的三个正交面横断面、冠状面和矢状面上分别采用对称放射滤波器，当其中至少两个正交面具有梯度对称性质时，则判断点x0属于冠脉，否则将点x0视为非冠脉组织上的点；
所述对称放射滤波器为2D滤波器，在点x0的二维平面上，以x0为中心，在2π范围内，向外发射N条对称射线对，所述对称射线对为方向相反且对称的两条射线，射线截止的范围是Dmax，射线中的每个点的间隔步长是σ；射线中的每个当前点与其下一个点之间会存在梯度差，在Dmax范围内，若射线对中两条射线的梯度差均满足预设阈值T2，则判断这条射线对满足对称梯度性；在2π范围内的N条射线对中，若超过预设阈值T1条的射线对满足对称梯度性，则认为当前点x0在当前平面上具有血管结构的对称梯度性。
5.根据权利要求4所述的基于局部聚类和滤波的冠脉分割方法，其特征在于，所述二维平面为血管的横截面或者自定义的2D平面。
6.根据权利要求4所述的基于局部聚类和滤波的冠脉分割方法，特征在于，所述Dmax＝血管的最大直径。
7.根据权利要求4所述的基于局部聚类和滤波的冠脉分割方法，特征在于，所述间隔步长σ的经验值为1mm；所述对称射线对总数N的经验值为24；所述阈值T1的经验值为16；所述阈值T2的经验值为70。
8.根据权利要求1所述的基于局部聚类和滤波的冠脉分割方法，其特征在于，所述距离聚类的方法为：将数据集X按照定义的距离D划分为N个簇集，每个所述簇集代表一个类，每个所述类有一个类别中心μi；选取欧式距离作为相似性和距离判断准则，计算该类内各点到聚类中心μi的距离小于等于D的簇数N。
9.根据权利要求8所述的基于局部聚类和滤波的冠脉分割方法，其特征在于，所述D＝血管的最大半径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111141792.0A CN113838036B (zh) | 2021-09-28 | 2021-09-28 | 一种基于局部聚类和滤波的冠脉分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111141792.0A CN113838036B (zh) | 2021-09-28 | 2021-09-28 | 一种基于局部聚类和滤波的冠脉分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113838036A true CN113838036A (zh) | 2021-12-24 |
| CN113838036B CN113838036B (zh) | 2023-10-13 |
Family
ID=78970921
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111141792.0A Active CN113838036B (zh) | 2021-09-28 | 2021-09-28 | 一种基于局部聚类和滤波的冠脉分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113838036B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070248250A1 (en) * | 2006-04-21 | 2007-10-25 | Siemens Corporate Research, Inc. | Three-Dimensional (3D) Modeling of Coronary Arteries |
| US20080100621A1 (en) * | 2006-10-25 | 2008-05-01 | Siemens Corporate Research, Inc. | System and method for coronary segmentation and visualization |
| US20120275674A1 (en) * | 2011-04-27 | 2012-11-01 | General Electric Company | Method and apparatus for generating a perfusion image |
| CN104867147A (zh) * | 2015-05-21 | 2015-08-26 | 北京工业大学 | 基于冠状动脉造影图像分割的syntax自动评分方法 |
| CN110458847A (zh) * | 2019-07-05 | 2019-11-15 | 心医国际数字医疗系统(大连)有限公司 | 基于cta影像的自动冠脉分割及中心线提取方法 |
| CN110458848A (zh) * | 2019-07-05 | 2019-11-15 | 心医国际数字医疗系统(大连)有限公司 | 判断影像的冠脉分割中冠脉分支及掩膜数据转换为中心线点集的方法 |
| CN111047607A (zh) * | 2019-12-09 | 2020-04-21 | 赛诺威盛科技（北京）有限公司 | 一种自动分割冠状动脉的方法 |
| US20200320751A1 (en) * | 2019-04-06 | 2020-10-08 | Kardiolytics Inc. | Autonomous segmentation of contrast filled coronary artery vessels on computed tomography images |
-
2021
- 2021-09-28 CN CN202111141792.0A patent/CN113838036B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070248250A1 (en) * | 2006-04-21 | 2007-10-25 | Siemens Corporate Research, Inc. | Three-Dimensional (3D) Modeling of Coronary Arteries |
| US20080100621A1 (en) * | 2006-10-25 | 2008-05-01 | Siemens Corporate Research, Inc. | System and method for coronary segmentation and visualization |
| US20120275674A1 (en) * | 2011-04-27 | 2012-11-01 | General Electric Company | Method and apparatus for generating a perfusion image |
| CN104867147A (zh) * | 2015-05-21 | 2015-08-26 | 北京工业大学 | 基于冠状动脉造影图像分割的syntax自动评分方法 |
| US20200320751A1 (en) * | 2019-04-06 | 2020-10-08 | Kardiolytics Inc. | Autonomous segmentation of contrast filled coronary artery vessels on computed tomography images |
| CN110458847A (zh) * | 2019-07-05 | 2019-11-15 | 心医国际数字医疗系统(大连)有限公司 | 基于cta影像的自动冠脉分割及中心线提取方法 |
| CN110458848A (zh) * | 2019-07-05 | 2019-11-15 | 心医国际数字医疗系统(大连)有限公司 | 判断影像的冠脉分割中冠脉分支及掩膜数据转换为中心线点集的方法 |
| CN113240684A (zh) * | 2019-07-05 | 2021-08-10 | 心医国际数字医疗系统(大连)有限公司 | 对提取出含冠脉中心线的掩膜数据转换为中心线点集方法 |
| CN111047607A (zh) * | 2019-12-09 | 2020-04-21 | 赛诺威盛科技（北京）有限公司 | 一种自动分割冠状动脉的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张子恒;祝磊;马骏;徐平;刘亦安;薛凌云;: "改进型骨骼细化算法提取冠状动脉中心线", 中国医学影像技术, no. 09 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113838036B (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107563983B (zh) | 图像处理方法以及医学成像设备 | |
| CN110458847B (zh) | 基于cta影像的自动冠脉分割及中心线提取方法 | |
| CN111951277B (zh) | 一种基于cta图像的冠状动脉分割方法 | |
| CN108765385B (zh) | 一种双源ct冠状动脉自动提取方法 | |
| Liu et al. | Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window | |
| CN111047607B (zh) | 一种自动分割冠状动脉的方法 | |
| CN113240684B (zh) | 对提取出含冠脉中心线的掩膜数据转换为中心线点集方法 | |
| Kaftan et al. | Fuzzy pulmonary vessel segmentation in contrast enhanced CT data | |
| Ma et al. | A coronary artery segmentation method based on region growing with variable sector search area | |
| CN113436203A (zh) | 一种心室膜自动分割方法 | |
| KR101625955B1 (ko) | 장기의 동맥 및 정맥의 구분 방법 | |
| Lidayová et al. | Fast vascular skeleton extraction algorithm | |
| CN112712540B (zh) | 一种基于ct影像的肺部支气管提取方法 | |
| Nardelli et al. | Deep-learning strategy for pulmonary artery-vein classification of non-contrast CT images | |
| CN113408603A (zh) | 一种基于多分类器融合的冠状动脉狭窄病变程度识别方法 | |
| CN112529918B (zh) | 一种脑部ct图像中脑室区域分割的方法、装置及设备 | |
| Qiao et al. | Automatic liver segmentation method based on improved region growing algorithm | |
| CN113838036B (zh) | 一种基于局部聚类和滤波的冠脉分割方法 | |
| Ma et al. | A novel automatic coronary artery segmentation method based on region growing with annular and spherical sector partition | |
| CN115588102A (zh) | 基于深度图的肺癌多模态特征提取融合方法及系统 | |
| KR20230092947A (ko) | 의료용 이미지 내에서 적어도 하나의 관상 구조체를 세그멘트화하고 식별하기 위한 방법 및 시스템 | |
| Franchi et al. | A shape-based segmentation algorithm for X-ray digital subtraction angiography images | |
| Sui et al. | A novel method for vessel segmentation and automatic diagnosis of vascular stenosis | |
| CN107689043B (zh) | 一种血管段终端节点与分支节点的获取方法 | |
| CN114693698A (zh) | 一种基于神经网络的计算机辅助肺气道分割方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |