CN113850778A - 冠脉oct图像的自动分割方法、装置、计算设备以及存储介质 - Google Patents

冠脉oct图像的自动分割方法、装置、计算设备以及存储介质 Download PDF

Info

Publication number
CN113850778A
CN113850778A CN202111121100.6A CN202111121100A CN113850778A CN 113850778 A CN113850778 A CN 113850778A CN 202111121100 A CN202111121100 A CN 202111121100A CN 113850778 A CN113850778 A CN 113850778A
Authority
CN
China
Prior art keywords
oct image
segmentation
image
oct
lumen
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.)
Pending
Application number
CN202111121100.6A
Other languages
English (en)
Inventor
何京松
夏永清
刘欣
冷晓畅
向建平
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.)
Arteryflow Technology Co ltd
Original Assignee
Arteryflow 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 Arteryflow Technology Co ltd filed Critical Arteryflow Technology Co ltd
Priority to CN202111121100.6A priority Critical patent/CN113850778A/zh
Publication of CN113850778A publication Critical patent/CN113850778A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06T7/12—Edge-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
    • G06T7/13—Edge detection
    • 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
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (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)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种冠脉OCT图像的自动分割方法、装置、计算设备以及存储介质，包括：对OCT图像采用粗分割和细分割两个过程，且将上一帧OCT图像的精细分割结果作为当前帧OCT图像的粗分割结果，继续进行细分割过程，保证了OCT图像序列中管腔边界整体分割结果的连续性；这样，对于冠脉管腔中存在血液残留的OCT图像，基于前面无血液残留的OCT图像的细分割结果再进行细分割，可以大大地降低残留血液对管腔分割精度的影响，能够明显提升血液的OCT图像的分割准确性；采用dijkstra最小路径算法在图像中搜索识别管腔边界，可以准确地区分分支血管，避免在血管分叉开口处高估管腔造成的管腔边界分割不准确。

Description

冠脉OCT图像的自动分割方法、装置、计算设备以及存储介质
技术领域
本发明属于医学图像处理领域，具体涉及一种冠脉OCT图像的自动分割方法、装置、计算设备以及存储介质。
背景技术
在当今的临床实践中，冠状动脉疾病的诊断大多采用有创成像方式，其中冠状动脉造影是最流行的一种，目前被认为是心导管和血流动力学评估的金标准。然而，冠状动脉造影术产生的光度图只描绘了特定投影角度下管腔的二维投影直径，而没有任何关于管腔或者斑块的几何形态信息。因此，导致最近的冠状动脉造影常常伴随着较新的血管内成像技术如血管内超声(Intra Vascular UltraSound,IVUS)和光学相干层析(OpticalCoherence Tomography,OCT)等，它们分别采用超声波和近红外光以生成冠状动脉的横断面图像。OCT图像具有极高的图像对比度以及空间分辨率(10-20微米)，其空间分辨率常常可达到IVUS图像的10倍左右，因此可以清晰地表征动脉粥样硬化斑块形态和支架植入状态，包括支架贴壁性和支架覆盖率等。
通过分析OCT图像得到的最小管腔直径、最小管腔面积以及狭窄程度等参数对冠状动脉疾病诊断具有重大意义，因此，在OCT图像分析中，冠状动脉管腔的精准分割是面临的主要挑战之一。
在OCT成像时，需要在一定时间内排空冠脉血管中的血液，如此方能更清晰地得到血管壁的结构信息，从而进行管腔分割或者斑块识别。然而，在实际应用中，冠脉OCT的成像血管段(尤其是首尾两端)往往会存在一定的血液残留，这对管腔识别与斑块分析造成了巨大的干扰，在现有的管腔分割技术中，对带有血液的OCT图像的分割结果准确性较低，鲁棒性较差。
在现有技术中，动态轮廓与区域增长等方法常常应用于冠脉OCT图像的管腔分割，但这些方法均具有各自的局限性。具体地，当应用动态轮廓方法进行管腔分割时，初始管腔轮廓对最终分割结果具有很大的影响，且该动态轮廓方法无法处理冠状动脉内血液未排除干净的OCT图像。当应用区域增长方法进行管腔分割时，对于分叉处的OCT图像往往分割结果欠佳，且同样无法处理包含血液的OCT图像。
再者，动态轮廓与区域增长等现有方法对于冠脉OCT图像的每一横截面图像的管腔分割往往是独立进行，这导致最终分割出的管腔轮廓连续性较差。
发明内容
鉴于上述，本发明的目是提供一种冠脉OCT图像的自动分割方法、装置、计算设备以及存储介质，以提升包含血液的OCT图像、分叉处OCT图像中管腔分割的准确性，且提升相邻帧管腔轮廓的连续性。
第一方面，实施例提供的一种冠脉OCT图像的自动分割方法，包括以下步骤：
获取对目标冠脉血管进行OCT分析得到的OCT图像序列；
粗分割过程：将OCT图像转换成极坐标格式图像后，依据像素点的灰度值计算边界强度值，根据像素点的边界强度值，应用dijksta(迪杰斯特拉)最小路径算法在极坐标格式图像中搜索管腔边界，将得到的管腔边界经平滑后反映射到OCT图像，得到粗分割结果；
细分割过程：以粗分割结果中管腔边界点为中心，沿外法线方向对OCT图像进行重采样，应用dijksta最小路径算法在重采样图像中搜索管腔边界，将得到的管腔边界经平滑后反映射到OCT图像，得到细分割结果；
将细分割结果中的管腔边界映射到相邻的下一帧OCT图像中作为粗分割结果，然后进行细分割过程，得到细分割结果。
在一个实施例中，所述将OCT图像转换成极坐标格式图像包括：以OCT图像的中心为极点构建包含角度和极轴的极坐标系，在极轴上按照长度间隔度取多个离散像素点，在角度方向按照角度间隔度取多个离散像素点，对每个离散像素点进行插值运算，得到极坐标格式图像。
在一个实施例中，采用以下公式根据像素点的灰度值计算边界强度值：
Grad(i,j)＝a*(I(i+1,j)-I(i,j))+b*((I(i+2,j)-I(i-1,j))+(I(i+1,j-1)-I(i,j-1))+(I(i+1,j+1)-I(i,j+1)))+c*((I(i+2,j-1)-I(i-1,j-1))+(I(i+2,j+1)-I(i-1,j+1)))
其中，Grad(i,j)表示位置(i,j)处像素点的边界强度值，I()表示像素点的灰度值，a、b、c分别为距离权重系数；所述距离权重系数a的取值范围为0.8-1.2；所述距离权重系数b的取值范围为0.4–0.6；所述距离权重系数c的取值范围为0.2–0.3。
在一个实施例中，应用dijksta最小路径算法在极坐标格式图像中搜索管腔边界时，以边界强度值的倒数作为像素点的消耗值。
在一个实施例中，应用dijksta最小路径算法在极坐标格式图像中搜索管腔边界之前，通过设定最小值限制，将小于最小限制值的边界强度值归一到最小限制值，以实现对边界强度值的过滤预处理；然后，根据过滤预处理后的边界强度值，应用dijksta最小路径算法在极坐标格式图像中搜索管腔边界。
在一个实施例中，以粗分割结果中管腔边界点为中心，沿外法线方向对OCT图像进行重采样时，设置采样间隔的取值范围为0.5–1.0个像素。
第二方面，实施例提供的一种冠脉OCT图像的自动分割装置，包括：
获取模块，用于获取对目标冠脉血管进行OCT分析得到的OCT图像序列；
粗分割模块，用于将OCT图像转换成极坐标格式图像后，依据像素点的灰度值计算边界强度值，根据像素点的边界强度值，应用dijksta最小路径算法在极坐标格式图像中搜索管腔边界，将得到的管腔边界经平滑后反映射到OCT图像，得到粗分割结果；
细分割模块，用于以粗分割结果中管腔边界点为中心，沿外法线方向对OCT图像进行重采样，应用dijksta最小路径算法在重采样图像中搜索管腔边界，将得到的管腔边界经平滑后反映射到OCT图像，得到细分割结果；
传递模块，用于细分割结果中的管腔边界映射到相邻的下一帧OCT图像中作为粗分割结果。
第三方面，实施例提供的一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的冠脉OCT图像的自动分割方法。
第四方面，实施例提供的一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理执行时实现第一方面所述的冠脉OCT图像的自动分割方法。
上述实施例提供的技术方案，具有的有益效果至少包括：
对OCT图像采用粗分割和细分割两个过程，且将上一帧OCT图像的精细分割结果作为当前帧OCT图像的粗分割结果，继续进行细分割过程，保证了OCT图像序列中管腔边界整体分割结果的连续性；这样，对于冠脉管腔中存在血液残留的OCT图像，基于前面无血液残留的OCT图像的细分割结果再进行细分割，可以大大地降低残留血液对管腔分割精度的影响，相比于动态轮廓算法，能够明显提升有血液残留的OCT图像的分割准确性；
采用dijkstra(迪杰斯特拉)最小路径算法在图像中搜索识别管腔边界，相比于区域增长算法，可以准确地区分分支血管，避免在血管分叉开口处高估管腔造成的管腔边界分割不准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
图1是一实施例提供的冠脉OCT图像的自动分割方法的流程图；
图2是一实施例提供的首帧OCT图像；
图3是一实施例提供的将OCT图像转换成的极坐标格式图像；
图4是一实施例提供的在极坐标格式图像中进行dijkstra最小路径算法搜索识别的管腔边界；
图5是一实施例提供的对管腔边界的平滑结果图；
图6是一实施例提供的将平滑后的管腔边界映射到首帧OCT图像示意图；
图7是一实施例提供的原第十帧OCT图像；
图8是一实施例提供的对第十帧OCT图像对应的重采样图像；
图9是一实施例提供的在重采样图像中进行dijkstra最小路径算法搜索识别的管腔边界；
图10是一实施例提供的将管腔边界映射到第十帧OCT图像示意图；
图11是一实施例提供的第九张图像与第十张图像之间的管腔边界对比示意图；
图12是一实施例提供的对分叉OCT图像的分割结果示意图；
图13是一实施例提供的对具有血液残留的OCT图像的分割结果示意图；
图14是一实施例提供的冠脉OCT图像的自动分割装置的结构示意图。
具体实施方式
为使本发明的目的、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发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
针对现有技术对存在血液残留的OCT图像、分叉处OCT图像进行管腔分割不准确的问题，实施例提供了一种冠脉OCT图像的自动分割方法和装置。
图1是一实施例提供的冠脉OCT图像的自动分割方法的流程图。如图1所示，实施例提供的冠脉OCT图像的自动分割方法，包括以下步骤：
S101，获取对目标冠脉血管进行OCT分析得到的OCT图像序列。
实施例中，对目标冠脉血管进行OCT分析得到OCT图像序列。该OCT图像序列本质上是一段目标冠脉血管的连续横截面图像，因此，冠脉OCT图像序列由N张连续的横截面OCT图像构成，分别记为I1、I2、I3…IN。针对每帧OCT图像进行粗分割和细分割两个过程以获得OCT图像中的管腔边界轮廓。
S102，对OCT图像序列中首帧OCT图像进行粗分割。
实施例中，对首帧OCT图像进行粗分割的过程包括：将OCT图像转换成极坐标格式图像后，依据像素点的灰度值计算边界强度值，根据像素点的边界强度值，应用dijksta最小路径算法在极坐标格式图像中搜索管腔边界，将得到的管腔边界经平滑后反映射到OCT图像，得到粗分割结果。
图2为示例性地给出了首帧OCT图像。图2所示的首帧OCT图像的坐标系统为直角坐标系，这样可以与真实的血管横截面相吻合。基于此，在一个可能的实施方式中，将OCT图像转换成极坐标格式图像包括：以OCT图像的中心为极点构建包含角度和极轴的极坐标系，在极轴上按照长度间隔度取多个离散像素点，在角度方向按照角度间隔度取多个离散像素点，对每个离散像素点进行插值运算，得到极坐标格式图像。
示例性地，可以将OCT图像的直角坐标系的原点，也就是OCT图像的中心为极点，以相互垂直的x轴和y轴分别为极坐标系的极轴(或0°方向)和90°方向，在极轴方向，按照长度间隔spa取n1个离散点，在角度方向，按照角度间隔rad取n2个离散点，优选地，spa大小为1-4个像素单位，n1大小为50–400，rad大小为1°-9°，n2大小为40–360；然后对每个离散点采用双线性插值或其他插值方法进行插值计算以得到离散点对应的新像素值，这样即得到极坐标格式图像。对图2所示的OCT图像按照spa＝1.5，n1＝200，rad＝3.6°，n2＝100进行转换，得到如图3所示的极坐标格式图像。
在获得尺寸为n1*n2的极坐标格式图像后，对于任意位置(i，j)的像素点，其灰度值为I(i，j)，边界强度为Grad(i，j)。在一般Roberts算子、Sobel算子等处理方式中，边界强度定义为灰度梯度的绝对值。但是在本发明中，冠脉OCT图像表现为管腔区域低灰度值，血管壁区域高灰度值的特性，针对这图像，直接将灰度梯度的绝对值定义为边界强度并不准确。经过实验探究，实施例中，将边界强度定义为极轴方向的灰度梯度，即采用以下公式根据像素点的灰度值计算边界强度值：
Grad(i,j)＝a*(I(i+1,j)-I(i,j))+b*((I(i+2,j)-I(i-1,j))+(I(i+1,j-1)-I(i,j-1))+(I(i+1,j+1)-I(i,j+1)))+c*((I(i+2,j-1)-I(i-1,j-1))+(I(i+2,j+1)-I(i-1,j+1)))
其中，Grad(i,j)表示位置(i,j)处像素点的边界强度值，I()表示像素点的灰度值，a、b、c分别为距离权重系数。优选地，a的取值范围为0.8-1.2；b的取值范围为0.4–0.6；c的取值范围为0.2–0.3。
由上述边界强度值计算公式可知，任一像素点的边界强度由其临近的3*4个点决定，该边界强度值越大，其作为管腔边界的可能性越大，该边界强度值越小，其作为管腔边界的可能性越小。
实施例中，根据像素点的边界强度值，应用dijksta最小路径算法在极坐标格式图像中搜索管腔边界时，以边界强度值的倒数作为像素点的消耗值cost，即cost＝1/Grad。
需要注意的是，由边界强度值计算公式可知，对于某些像素点来说，其边界强度值可能为负，负边界强度值以及过小的负边界强度并不能很好地应用dijksta最小路径算法进行管腔边界搜索。基于此，在实施例中，应用dijksta最小路径算法在极坐标格式图像中搜索管腔边界之前，通过设定边界强度值的最小值限制σ，将小于最小限制值的边界强度值归一到最小限制值，即如果Grad<σ，则令Grad＝σ，以实现对边界强度值的过滤预处理；然后，根据过滤预处理后的边界强度值，应用dijksta最小路径算法在极坐标格式图像中搜索管腔边界，得到的管腔边界如图4所示。实施例中，可以设置边界强度值的最小限制值σ取值为5–10。
在获得管腔边界后，将得到的管腔边界进行一定程度的平滑处理，对图4所示的管腔边界进行平滑处理得到的结果如图5所示，然后将图5所示的平滑后的管腔边界反映射到OCT图像，得到如图6所示的粗分割结果。
S103，对OCT图像进行细分割，将得到的细分割结果作为OCT图像的分割结果。
实施例中，对粗分割结果进行细分割的过程为：以粗分割结果中管腔边界点为中心，沿外法线方向对OCT图像进行重采样，应用dijksta最小路径算法在重采样图像中搜索管腔边界，将得到的管腔边界经平滑后反映射到OCT图像，得到细分割结果。
在对粗分割结果进行重采样时，设置采样间隔的取值范围为0.5–1.0个像素单位，逐一以各管腔边界点为中心，沿外法线方向按照采样间隔进行重采样，得到重采样图像，然后对重采样图像应用dijksta最小路径算法识别出更精细的管腔边界，该更精细的管腔边界经过平滑滤波后映射回原首帧OCT图像，即首帧OCT图像I1分割的最终分割结果。
S104，将细分割结果中的管腔边界映射到相邻的下一帧OCT图像中作为粗分割结果，然后进行细分割过程。
在OCT图像序列中，相邻两张OCT图像的空间间隔较小，因此相邻两张OCT图像对应的管腔边界不会产生太大的突变。在得到OCT图像I1的细分割的最终管腔边界后，将最终管腔边映射到OCT图像I2中，以此作为OCT图像I2的粗略分割结果，应用与OCT图像I1精细分割相同的方法，即可得到OCT图像I2的精细分割管腔边界。按此方法进行迭代分割，直至最后一张OCT图像IN分割结束，即可得到整个冠脉OCT图像序列的最终分割结果，以供后续进行最小管腔直径、最小管腔面积以及狭窄程度等形态学参数的分析处理。
针对如图7所示的第十帧OCT图像I10，将第九帧OCT图像I9的最终管腔边界映射到第十帧OCT图像作为第十帧OCT图像I10的粗分割结果，对第十帧OCT图像I10的粗分割结果按照采样间隔Δs＝0.8进行重采样得到如图8所示的重采样图像，然后在在重采样图像中进行dijkstra最小路径算法搜索得到如图9所示的管腔边界，将该管腔边界映射到第十帧OCT图像I10，得到如图10所示的精细分割结果，该精细分割结果中的管腔边界与第九帧OCT图像I9中管腔边界的对比如图11所示。
采用上述冠脉OCT图像的自动分割方法对分叉OCT图像和具有血液残留的OCT图像的分割结果如图12和图13所示，分析图12和图13所示可以看到分割结果中清晰准确地呈现了管腔边界。
图14是一实施例提供的冠脉OCT图像的自动分割装置的结构示意图。如图14所示，实施例提供的自动分割装置1400包括：
获取模块1401，用于获取对目标冠脉血管进行OCT分析得到的OCT图像序列；
粗分割模块1402，用于将OCT图像转换成极坐标格式图像后，依据像素点的灰度值计算边界强度值，根据像素点的边界强度值，应用dijksta最小路径算法在极坐标格式图像中搜索管腔边界，将得到的管腔边界经平滑后反映射到OCT图像，得到粗分割结果；
细分割模块1403，用于以粗分割结果中管腔边界点为中心，沿外法线方向对OCT图像进行重采样，应用dijksta最小路径算法在重采样图像中搜索管腔边界，将得到的管腔边界经平滑后反映射到OCT图像，得到细分割结果；
传递模块1404，用于细分割结果中的管腔边界映射到相邻的下一帧OCT图像中作为粗分割结果。
需要说明的是，上述实施例提供的冠脉OCT图像的自动分割装置在进行冠脉OCT图像的管腔边界分割时，应以上述各功能模块的划分进行举例说明，可以根据需要将上述功能分配由不同的功能模块完成，即在终端或服务器的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的冠脉OCT图像的自动分割装置与冠脉OCT图像的自动分割方法实施例属于同一构思，其具体实现过程详见冠脉OCT图像的自动分割方法实施例，这里不再赘述。
上述冠脉OCT图像的自动分割方法和装置，对OCT图像采用粗分割和细分割两个过程，且将上一帧OCT图像的精细分割结果作为当前帧OCT图像的粗分割结果，继续进行细分割过程，保证了OCT图像序列中管腔边界整体分割结果的连续性；这样，对于冠脉管腔中存在血液残留的OCT图像，基于前面无血液残留的OCT图像的细分割结果再进行细分割，可以大大地降低残留血液对管腔分割精度的影响，相比于动态轮廓算法，能够明显提升血液的OCT图像的分割准确性；
采用dijkstra最小路径算法在图像中搜索识别管腔边界，相比于区域增长算法，可以准确地区分分支血管，避免在血管分叉开口处高估管腔造成的管腔边界分割不准确。
实施例还提供了一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，所述处理器执行所述计算机程序时实现上述冠脉OCT图像的自动分割方法，即实现以下步骤：
S101，获取对目标冠脉血管进行OCT分析得到的OCT图像序列；
S102，对OCT图像序列中首帧OCT图像进行粗分割；
S103，对粗分割结果进行细分割，将得到的细分割结果作为OCT图像的分割结果；
S104，将细分割结果中的管腔边界映射到相邻的下一帧OCT图像中作为粗分割结果，然后进行细分割过程。
实际应用中，存储器可以为在近端的易失性存储器，如RAM，还可以是非易失性存储器，如ROM，FLASH，软盘，机械硬盘等，还可以是远端的存储云。处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)、或现场可编程门阵列(FPGA)，即可以通过这些处理器实现冠脉OCT图像的自动分割步骤。
实施例还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理执行时实现上述冠脉OCT图像的自动分割方法，即实现以下步骤：
S101，获取对目标冠脉血管进行OCT分析得到的OCT图像序列；
S102，对OCT图像序列中首帧OCT图像进行粗分割；
S103，对粗分割结果进行细分割，将得到的细分割结果作为OCT图像的分割结果；
S104，将细分割结果中的管腔边界映射到相邻的下一帧OCT图像中作为粗分割结果，然后进行细分割过程。
实际应用中，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种冠脉OCT图像的自动分割方法，其特征在于，包括以下步骤：
获取对目标冠脉血管进行OCT分析得到的OCT图像序列；
粗分割过程：将OCT图像转换成极坐标格式图像后，依据像素点的灰度值计算边界强度值，根据像素点的边界强度值，应用dijksta最小路径算法在极坐标格式图像中搜索管腔边界，将得到的管腔边界经平滑后反映射到OCT图像，得到粗分割结果；
细分割过程：以粗分割结果中管腔边界点为中心，沿外法线方向对OCT图像进行重采样，应用dijksta最小路径算法在重采样图像中搜索管腔边界，将得到的管腔边界经平滑后反映射到OCT图像，得到细分割结果；
将细分割结果中的管腔边界映射到相邻的下一帧OCT图像中作为粗分割结果，然后进行细分割过程，得到细分割结果。
2.根据权利要求1所述的冠脉OCT图像的自动分割方法，其特征在于，所述将OCT图像转换成极坐标格式图像包括：以OCT图像的中心为极点构建包含角度和极轴的极坐标系，在极轴上按照长度间隔度取多个离散像素点，在角度方向按照角度间隔度取多个离散像素点，对每个离散像素点进行插值运算，得到极坐标格式图像。
3.根据权利要求1所述的冠脉OCT图像的自动分割方法，其特征在于，采用以下公式根据像素点的灰度值计算边界强度值：
Grad(i,j)＝a*(I(i+1,j)-I(i,j))+b*((I(i+2,j)-I(i-1,j))+(I(i+1,j-1)-I(i,j-1))+(I(i+1,j+1)-I(i,j+1)))+c*((I(i+2,j-1)-I(i-1,j-1))+(I(i+2,j+1)-I(i-1,j+1)))
其中，Grad(i,j)表示位置(i,j)处像素点的边界强度值，I()表示像素点的灰度值，a、b、c分别为距离权重系数。
4.根据权利要求1所述的冠脉OCT图像的自动分割方法，其特征在于，所述距离权重系数a的取值范围为0.8-1.2；所述距离权重系数b的取值范围为0.4–0.6；所述距离权重系数c的取值范围为0.2–0.3。
5.根据权利要求1所述的冠脉OCT图像的自动分割方法，其特征在于，应用dijksta最小路径算法在极坐标格式图像中搜索管腔边界时，以边界强度值的倒数作为像素点的消耗值。
6.根据权利要求1所述的冠脉OCT图像的自动分割方法，其特征在于，应用dijksta最小路径算法在极坐标格式图像中搜索管腔边界之前，通过设定最小值限制，将小于最小限制值的边界强度值归一到最小限制值，以实现对边界强度值的过滤预处理；然后，根据过滤预处理后的边界强度值，应用dijksta最小路径算法在极坐标格式图像中搜索管腔边界。
7.根据权利要求1所述的冠脉OCT图像的自动分割方法，其特征在于，以粗分割结果中管腔边界点为中心，沿外法线方向对OCT图像进行重采样时，设置采样间隔的取值范围为0.5–1.0个像素。
8.一种冠脉OCT图像的自动分割装置，其特征在于，包括：
获取模块，用于获取对目标冠脉血管进行OCT分析得到的OCT图像序列；
粗分割模块，用于将OCT图像转换成极坐标格式图像后，依据像素点的灰度值计算边界强度值，根据像素点的边界强度值，应用dijksta最小路径算法在极坐标格式图像中搜索管腔边界，将得到的管腔边界经平滑后反映射到OCT图像，得到粗分割结果；
细分割模块，用于以粗分割结果中管腔边界点为中心，沿外法线方向对OCT图像进行重采样，应用dijksta最小路径算法在重采样图像中搜索管腔边界，将得到的管腔边界经平滑后反映射到OCT图像，得到细分割结果；
传递模块，用于细分割结果中的管腔边界映射到相邻的下一帧OCT图像中作为粗分割结果。
9.一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，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1～7任一项所述的冠脉OCT图像的自动分割方法。
10.一种计算机存储介质，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执行时实现权利要求1～7任一项所述的冠脉OCT图像的自动分割方法。
CN202111121100.6A 2021-09-24 2021-09-24 冠脉oct图像的自动分割方法、装置、计算设备以及存储介质 Pending CN113850778A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111121100.6A CN113850778A (zh) 2021-09-24 2021-09-24 冠脉oct图像的自动分割方法、装置、计算设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111121100.6A CN113850778A (zh) 2021-09-24 2021-09-24 冠脉oct图像的自动分割方法、装置、计算设备以及存储介质

Publications (1)

Publication Number Publication Date
CN113850778A true CN113850778A (zh) 2021-12-28

Family

ID=78979112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111121100.6A Pending CN113850778A (zh) 2021-09-24 2021-09-24 冠脉oct图像的自动分割方法、装置、计算设备以及存储介质

Country Status (1)

Country Link
CN (1) CN113850778A (zh)

Similar Documents

Publication Publication Date Title
CN107133959B (zh) 一种快速的血管边界三维分割方法及系统
CN108038848B (zh) 基于医学影像序列斑块稳定性指标的快速计算方法及系统
US7397935B2 (en) Method for segmentation of IVUS image sequences
CN110448319B (zh) 基于造影影像及冠状动脉的血流速度计算方法
US20100021025A1 (en) Method, Apparatus and Computer Program for Quantitative Bifurcation Analysis in 3D Using Multiple 2D Angiographic Images
Tang et al. Semiautomatic carotid lumen segmentation for quantification of lumen geometry in multispectral MRI
US11961187B2 (en) Reconstruction method of organ vessel centerline
JP2010536412A (ja) ３次元（３ｄ）画像データボリュームにおける断面をサンプリングするための画像形成方法
CN113902690A (zh) 基于血管腔内影像计算血流储备分数的方法、装置、计算设备以及存储介质
US8428316B2 (en) Coronary reconstruction from rotational X-ray projection sequence
CN113066091A (zh) 基于黑血管壁曲面重建的脑血管分割方法、装置及存储介质
CN111784720B (zh) 一种dsa和ivoct的血管图像融合方法
US11593941B2 (en) Image processing apparatus, image processing method, and storage medium
CN103020958B (zh) 一种基于曲率尺度空间的血管自动匹配方法
CN117115150B (zh) 用于确定分支血管的方法、计算设备和介质
CN114693710A (zh) 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质
CN109919953B (zh) 颈动脉内中膜厚度测量的方法、系统和设备
Cao et al. Multiparameter synchronous measurement with IVUS images for intelligently diagnosing coronary cardiac disease
CN113592879A (zh) 基于人工智能的颈动脉斑块分割方法、装置及存储介质
CN112651984A (zh) 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质
Blondel et al. Automatic trinocular 3D reconstruction of coronary artery centerlines from rotational X-ray angiography
JP3626974B2 (ja) 医療診断用画像処理装置
CN113850778A (zh) 冠脉oct图像的自动分割方法、装置、计算设备以及存储介质
CN109919913B (zh) 一种冠状动脉的半径计算方法、终端及存储介质
CN108805815B (zh) 基于x射线血管造影图像的血管拉直重建方法

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