CN114170134B - 基于颅内dsa影像的狭窄评估方法及装置 - Google Patents
基于颅内dsa影像的狭窄评估方法及装置 Download PDFInfo
- Publication number
- CN114170134B CN114170134B CN202111295618.1A CN202111295618A CN114170134B CN 114170134 B CN114170134 B CN 114170134B CN 202111295618 A CN202111295618 A CN 202111295618A CN 114170134 B CN114170134 B CN 114170134B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- image
- target
- frame
- intracranial
- 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
- 238000007917 intracranial administration Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 75
- 208000031481 Pathologic Constriction Diseases 0.000 title claims abstract description 63
- 230000036262 stenosis Effects 0.000 title claims abstract description 63
- 208000037804 stenosis Diseases 0.000 title claims abstract description 63
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 230
- 238000004088 simulation Methods 0.000 claims abstract description 28
- 230000000004 hemodynamic effect Effects 0.000 claims abstract description 22
- 230000017531 blood circulation Effects 0.000 claims description 57
- 230000036772 blood pressure Effects 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 31
- 239000002872 contrast media Substances 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 18
- 230000003902 lesion Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012952 Resampling Methods 0.000 claims description 10
- 230000002792 vascular Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 11
- 206010057469 Vascular stenosis Diseases 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000002601 radiography Methods 0.000 abstract description 4
- 238000003860 storage Methods 0.000 description 16
- 238000004590 computer program Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 239000008280 blood Substances 0.000 description 7
- 210000004369 blood Anatomy 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 208000026106 cerebrovascular disease Diseases 0.000 description 3
- 230000002526 effect on cardiovascular system Effects 0.000 description 3
- 208000028867 ischemia Diseases 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 2
- 238000002583 angiography Methods 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 210000004351 coronary vessel Anatomy 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 229910052740 iodine Inorganic materials 0.000 description 2
- 239000011630 iodine Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 201000000057 Coronary Stenosis Diseases 0.000 description 1
- 206010011089 Coronary artery stenosis Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 241001233061 earthworms Species 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect 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
-
- 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
- A61B6/50—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
-
- 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
- A61B6/507—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 determination of haemodynamic parameters, e.g. perfusion CT
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- 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
- A61B6/52—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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- High Energy & Nuclear Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Vascular Medicine (AREA)
- Quality & Reliability (AREA)
- Neurology (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Neurosurgery (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种基于颅内DSA影像的狭窄评估方法及装置,其方法包括:获取颅内DSA影像,并从所述DSA影像提取包含目标血管的两张平面图像,其中所述两张平面图像具有不同的拍摄角度;根据所述两张平面图像,建立所述目标血管的三维模型;基于建立的目标血管的三维模型,以及所述DSA影像,对所述目标血管进行血流动力学模拟。本申请实现了对颅内血管狭窄的功能学评估,提高了诊断准确性,为神经科医生的确定干预手段提供了一定的辅助作用;将心内无创FFR技术应用在了颅内血管狭窄评估中,仅依靠造影就能进行功能学评估,节约了患者的医学检查成本;操作更加便利,可重复性更高。
Description
技术领域
本申请涉及医疗技术领域,具体涉及一种基于颅内DSA影像的狭窄评估方法及装置。
背景技术
近年来,全世界每年死于心脑血管疾病的人数高达1500万人,居各种死因首位,而且,心脑血管疾病年轻化趋势有逐年加剧的倾向。在心脑血管疾病中,因血管堵塞造成的心肌、脑组织缺血是临床上正面临的重要挑战,在冠脉领域,临床技术已由单纯的狭窄程度评估转化为功能学评估,FFR技术已经广泛应用于冠心病的临床诊断中。
遗憾的是,在脑卒中邻域,目前依旧停留在以目测的血管狭窄程度(如直径狭窄率、面积狭窄率、最小管腔面积等)来评估脑组织是否缺血。从血流动力学角度来说,组织是否缺血由血管的几何形态以及血管内血流状态共同决定,单独由狭窄程度进行缺血诊断存在一定的误判可能,该问题已在冠脉领域中得到证实,这也导致FFR技术在冠脉狭窄评估中应用越来越广泛。
发明内容
针对上述问题,本申请实施例提供了一种基于颅内DSA影像的狭窄评估方法及装置。
第一方面,提供了一种基于颅内DSA影像的狭窄评估方法,所述方法包括:
获取颅内DSA影像,并从所述DSA影像提取包含目标血管的两张平面图像,其中所述两张平面图像具有不同的拍摄角度;
根据所述两张平面图像,建立所述目标血管的三维模型;
基于建立的目标血管的三维模型,以及所述DSA影像,对所述目标血管进行血流动力学模拟,以得到目标血管的指定狭窄评估参数,其中,所述狭窄评估参数包括平均血流速度、血液平均流量、血压压力梯度、以及血液压力比中的至少一项。
可选的,在上述方法中,所述获取颅内DSA影像,并从所述DSA影像提取包含目标血管的两张平面图像,其中所述两张平面图像具有不同的拍摄角度,包括:
获取两组不同角度拍摄的颅内DSA影像;
分别将各DSA影像中的平均灰度最小的一帧,作为关键帧;
对得到的两个关键帧进行强化特征提取,获得血管树骨架图;
确定所述目标血管的起点和终点,从所述血管树骨架图中切割出目标血管,以获得包含目标血管的两张平面图像。
可选的,在上述方法中,所述对得到的两个关键帧进行强化特征提取,获得血管树骨架图,包含:
对所述两个关键帧依次进行高斯平滑处理、重采样处理、海森矩阵强化处理、二值化处理、以及腐蚀算法细化处理,得到血管树骨架图。
可选的,在上述方法中,所述根据所述两张平面图像,建立所述目标血管的三维模型,包括:
分别提取各平面图像中目标血管的中心线和边界线;
确定两张平面图像中目标血管的中心线的匹配关系,并根据所述匹配关系确定所述目标血管在三维空间的三维中心线;
根据所述目标血管的三维中心线,以及所述匹配关系确定目标血管的三维模型。
可选的,在上述方法中,所述分别提取各平面图像中目标血管的中心线和边界线,包括:
对于一张平面图像,确定目标血管的起始点和终点;
采用最小路径算法,确定出所述起始点与所述终点之间的中心线,作为目标血管的中心线;
确定中心线上的多个采样点;
在确定的多个采样点处,沿所述中心线法线方向对所述平面图像进行重采样,得到重采样图像;
在所述重采样图像中,确定各采样点的边界强度值,得到边界强度图像;
在所述边界强度图像中,采用最小路径算法,确定出与所述中心线对应的两条边界线。
可选的,在上述方法中,所述指定狭窄评估参数为平均血流速度;
所述基于建立的目标血管的三维模型,以及所述DSA影像,对所述目标血管进行血流动力学模拟,以得到目标血管的指定狭窄评估参数,包括:
根据所述DSA影像,确定造影剂流过所述目标血管的起始帧和结束帧;并根据以下公式确定平均血流速度:
V=L/((F2–F1)/fps);
其中,V为平均血流速度,L为目标血管长度,fps为DSA影像的时间分辨率,F1为起始帧在所述DSA影像中的帧数,F2为结束帧在所述DSA影像中的帧数。
可选的,在上述方法中,所述指定狭窄评估参数为血液平均流量;
所述基于建立的目标血管的三维模型,以及所述DSA影像,对所述目标血管进行血流动力学模拟,以得到目标血管的指定狭窄评估参数,还包括:
将目标血管的三维模型离散成多个三维中心点;
确定各三维中心点到目标血管的起点的长度,以及各中心点对应的血管横截面;并根据以下公式确定血液平均流量:
其中,V为目标血管内平均血流速度,Si为第i个三维中心点所对应的血管截面积。
可选的,在上述方法中,所述指定狭窄评估参数为血压压力梯度;
所述基于建立的目标血管的三维模型,以及所述DSA影像,对所述目标血管进行血流动力学模拟,以得到目标血管的指定狭窄评估参数,还包括:
对于一个三维中心点,采用下述公式确定该三维中心点相对于所述目标血管的起点的压降:
DPi=a*V+b*V2+c*V,
其中,DPi为第i个三维中心点相对于所述目标血管的起点的压降,a为粘性损失系数,b为扩张损失系数,c为伯努利系数;
确定出的各三维中心点的压降,形成了所述血压压力梯度PG。
可选的,在上述方法中,所述指定狭窄评估参数为血液压力比;
所述基于建立的目标血管的三维模型,以及所述DSA影像,对所述目标血管进行血流动力学模拟,以得到目标血管的指定狭窄评估参数,还包括:
根据下述公式确定血液压力比:
PR=1–PG/Pa;
其中,PR为血液压力比,PG为血压压力梯度,Pa为导管室中获取的病变近端压力。
第二方面,提供了一种颅内血管的血液流动状态评估装置,所述装置包括:
图像处理单元,用于获取目标血管的DSA影像,并从所述DSA影像提取目标血管的关键帧的两张平面图像,其中所述两张平面图像具有不同的拍摄角度;
模型建立单元,用于根据所述两张平面图像,建立所述目标血管的三维模型;
数值模拟单元,用于基于建立的目标血管的三维模型,对所述目标血管进行血流动力学模拟,以得到目标血管的狭窄评估参数,其中,所述狭窄评估参数包括平均血流速度、血液平均流量、血压压力梯度、以及血液压力比中的至少一项。
第三方面,本申请实施例还提供了一种电子设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行上述任一的方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行上述任一的方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
本申请通过获取颅内DSA影像,并从所述DSA影像提取包含目标血管的两张平面图像,其中所述两张平面图像具有不同的拍摄角度;根据所述两张平面图像,建立所述目标血管的三维模型;基于建立的目标血管的三维模型,以及所述DSA影像,对所述目标血管进行血流动力学模拟,以得到目标血管的指定狭窄评估参数,其中,所述指定狭窄评估参数包括平均血流速度、血液平均流量、血压压力梯度、以及血液压力比中的至少一项。本申请基于颅内DSA影像,重构得到病变血管的三维模型,结合患者特异性血流参数,估算狭窄评估参数,包括但不限于平均血流速度、血液平均流量、血压压力梯度、以及血液压力等。本申请第一,基于颅内DSA造影影像,实现了对颅内血管狭窄的功能学评估,提高了诊断准确性,为神经科医生的确定干预手段提供了一定的辅助作用;第二,本申请将心内无创FFR技术应用在了颅内血管狭窄评估中,仅依靠造影就能进行功能学评估,节约了患者的医学检查成本;第三,本申请相比于心内无创FFR技术,实现了图像自动识别以及自动平均血流速度估算,操作更加便利,可重复性更高。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出根据本申请的一个实施例的基于颅内DSA影像的狭窄评估方法的流程示意图;
图2示出了根据本申请的一个实施例中的平均灰度值的计算结果曲线;
图3示出了两个不同拍摄角度的目标血管的血管树骨架图(包括图3a和图3b);
图4示出了根据本申请一个实施例的两张不同拍摄角度的经过图像特征提取后得到的包含目标血管的平面图像(包括图4a和图4b);
图5示出了根据本申请的一个实施例的目标血管的三维模型;
图6示出了根据本申请的一个实施例的目标血管的压力比的计算结果分布的可视化图像;
图7示出了根据本申请的一个实施例中造影剂流过血管的起始帧和结束帧图像,以及造影剂时间-浓度曲线;
图8示出根据本申请的一个实施例的基于颅内DSA影像的狭窄评估装置的结构示意图;
图9为本申请实施例中一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1示出了根本申请一个实施例的基于颅内DSA影像的狭窄评估方法的流程示意图,从图1可以看出,本申请至少包括步骤S110~步骤S130:
步骤S110:获取颅内DSA影像,并从DSA影像提取包含目标血管的两张平面图像,其中两张平面图像具有不同的拍摄角度。
本申请的血液流动状态评估方法是基于三维模型实现的,首先需要建立目标血管的三维模型,三维模型的建立是基于血管造影技术中获取的DSA影像实现。首选获取颅内DSA影像,该DSA影像可以理解为是一段视频流,视频流由连续的多帧图像组成。在血管造影技术中,为了能够使机器“看到”血管,需要向血管中注射造影剂。当造影剂充满病变血管时,是最理想的状态。
可以将这种最理想的状态定义为关键帧,在颅内DSA造影中,当含碘造影剂流入血管时,会吸收部分X光,导致血管在图像中变暗,因此,当造影剂充分流入、充满血管,即造影充分时,该帧的平均灰度值将达到最小值,也就是平均灰度值最低的帧可以理解为关键帧。
为了达到比较理想的效果,可以以关键帧为基础进行后续的步骤。在后续的三维模型建立的过程,需要获取至少不同拍摄角度的两张图像,对此,可以获取两个不同角度拍摄得到的DSA影像,重复上述关键帧的确定步骤,得到两个关键帧,作为包含目标血管的平面图像。
该“获取”过程,可以理解为接收,由工作人员输入即可。需要说明的是,这两张平面图像具有不同的拍摄角度。如果具有相同的拍摄角度,则获取到的图像是一样的,不具有“融合”的意义。为了得到更好的效果,在本申请的一些实施例中,两张平面图像之间的拍摄角度的差值不小于25°。
步骤S120:根据两张平面图像,建立目标血管的三维模型。
将上述含有目标血管的两张平面图像进行“融合”,建立目标血管的三维模型。
在本申请的一些实施例中,对于三维模型的建立可以采取下述方法:分别提取各平面图像中目标血管的中心线和边界线;确定两张平面图像中目标血管的中心线的匹配关系,并根据所述匹配关系确定所述目标血管在三维空间的三维中心线;根据所述目标血管的三维中心线,以及所述匹配关系确定目标血管的三维模型。
血管在平面图像中呈“蚯蚓”状,或者也可以理解为不规则的“管”状,采用图像识别技术,对每张平面图像进行处理,得到目标血管的中心线和边界线,需要说明的而是,中心线和边界线也是不规则的。
对于中心线和边界线的识别可参考现有技术中的图像识别技术。如首先对图像进行二值化处理,然后识别目标血管的两条边界线,将两条边界线的中间位置的线作为中心线。
然后将两张平面图像中目标血管融合在三维空间的坐标系统中,形成一个血管的三维模型,在本申请中,先确定目标血管在三维空间的三维中心线的位置信息,然后围绕三维中心线确定目标血管的三维模型。
首先确定两张平面图像中目标血管的中心线的匹配关系,在本申请的一些实施例中,基于双目视觉算法中的极线定义,将两张平面图像中目标血管的中心线离散成多对对应的中心点对。
将两张平面图像分别记为第一图像和第二图像,第一图像中的目标血管记为第一血管,第二图像中的目标血管记为第二血管。
假设在第一血管有多个第一中心点Pi,第二血管有多个第一中心点Qi,第一血管的第一中心点Pi与第二血管的第一中心点Qi相对应,这样就形成了两张平面图像中目标血管的中心线的匹配关系。
为了提高建模精度,可以将中心线离散成尽量多的中心点对。
根据两张平面图像中目标血管的中心线的匹配关系,确定目标血管在三维空间的三维中心线。具体的,在本申请的一些实施例中,确定两种平面图像中的拍摄光源点位置;根据所述拍摄光源点位置,与各中心点对的位置,确定所述目标血管的多个空间三维点;将所述多个空间三维点采用平滑曲线连接,得到所述三维中心线。
假设在读取造影影像时,可分别获得两张图像中,两个视角的X光源点O1、O2,连接射线O1Pi、O2Qi,两条射线的交点即为Pi与Qi所对应的空间三维点。逐一对配对的中心点对进行上述操作,可得到目标病变血管的三维中心线。
在本申请另一些实施例中,两张平面图像中目标血管的中心线的匹配关系还包括各中心点对对应的四个匹配点,具体的确定方法是:对于一条中心线上的一个中心点,沿其中心点的法线方向,确定与该中心线对应的两条边界线上与该中心点对应的两个匹配点,对于中心点对的另一个中心点,也采用同样的方法,可以得到两个匹配点,从而确定出的四个匹配点,就为该中心点对与四条边界线的匹配点。该匹配点的作用是为了后续中建立三维模型的边界线做准备。采用上述的方法,将两条中心线上的多个中心点对与边界线的匹配点均确定出来,每个中心点对对应四个匹配点。
在获得目标血管在三维空间的三维中心线后,围绕该三维中心线确定出目标血管的三维模型,即需要确定出该三维中心线的边界线即可。
具体的,将与各中心点对应的四个匹配点,分别投影到三维空间的一个横截面中;闭合同一横截面中的四个匹配点的投影点,得到该横截面的目标血管的轮廓;将得到的各横截面的目标血管的轮廓连接,得到目标血管的三维模型。
对于一对中心点对,其对应的四个匹配点,将这四个匹配点投影到三维空间的围绕三维中心线的同一个横截面上,得到四个投影点,然后闭合同一横截面中的四个匹配点的四个投影点,需要说明的是,最好采用曲线拟合的方式进行闭合。对多个中心点对分别进行上述操作,可以得到围绕三维中心线的多个“环状”轮廓,然后将得到的各横截面的目标血管的轮廓连接,得到目标血管的三维模型。
步骤S130:基于建立的目标血管的三维模型,以及DSA影像,对目标血管进行血流动力学模拟,以得到目标血管的指定狭窄评估参数,其中,狭窄评估参数包括平均血流速度、血液平均流量、血压压力梯度、以及血液压力比中的至少一项。
在建立目标血管的三维模型后,可以在三维模型的基础上进行血流动力学模拟,从而将FFR(血流储备分数)相关技术引入到颅内狭窄评估中。
具体的,可以估算出平均血流速度、血液平均流量、血压压力梯度、以及血液压力比等FFR的相关参数,其中,血液平均流量、血压压力梯度、以及血液压力比等是以平均血流速度为基础的。
在本申请的一些实施例中,平均血流速度估算可以采取下述方法:手动选取了目标血管的起点与终点,为准确估算平均血流速度,需识别出造影剂刚刚到达起点对应的起始帧F1,以及造影剂刚刚到达终点对应的结束帧F2,平均血流速度V计算公式为:
V=L/((F2–F1)/fps);
其中,L为目标血管长度,可由三维中心线长度代替,fps为DSA影像的时间分辨率,可从影像标签中读取。
请参考图7,图7示出了根据本申请的一个实施例中造影剂流过血管的起始帧和结束帧图像,以及造影剂时间-浓度曲线。对于F1的求取,在确定起始点在DSA图像上的坐标后,以该点为中心,在n*n范围内,计算该点的像素平均值,特别的,n的可取值为3、5或7。对于DSA影像,逐帧计算起始点平均灰度值,然后以第一帧图像的平均灰度值分别减去各帧图像对应的灰度平均值,得到各帧对应的造影剂浓度,按时间顺序排列,最终得到起始点的造影剂时间-浓度曲线。在该曲线上搜索最大值点Imax,基于该最大值设定造影剂流入标记阈值σ,该阈值的计算公式为:σ=a*Imax,其中a为权重系数,取值范围为0.1–0.5。
在求得标记阈值σ后,在造影剂时间-浓度曲线上,搜索第一个大于等于σ的点,该点对应的影像帧数即为起始帧F1,同理可求得结束帧F2。
然后可进行其他参数的计算,在本申请的一些实施例中,其中,血液平均流量的计算可采用下述方法:将目标血管的三维模型离散成多个三维中心点;
确定各三维中心点到目标血管的起点的长度,以及各中心点对应的血管横截面;并根据以下公式确定血液平均流量:
其中,V为目标血管内平均血流速度,Si为第i个中心点所对应的血管截面积。
在计算得到平均血流速度后,基于该平均速度与血管三维模型,可计算病变血管的血流动力学参数,如平均流量Q、压力梯度PG以及压力比PR等。
具体地,将目标血管三维模型按三维中心点离散,假设目标血管三维中心线由P1、P2...PN共N个中心点构成,则可逐一计算各中心点到目标血管起点长度L1、L2...LN,各中心点对应血管截面积S1、S2...SN。
平均流量Q的计算公式为:
其中,V为血管内平均血流速度,SiSi为第i个中心点所对应的血管截面积。
在本申请的一些实施例中,在上述方法中,血压压力梯度可以采用下述方法确定:
对于一个三维中心点,采用下述公式确定该三维中心点相对于所述目标血管的起点的压降:
DPi=a*V+b*V2+c*V,
其中,DPi为第i个三维中心点相对于所述目标血管的起点的压降,a为粘性损失系数,b为扩张损失系数,c为伯努利系数;
确定出的各三维中心点的压降,形成了所述血压压力梯度PG。
具体地,对任一中心点Pi,结合该点到目标血管起点长度Li以及血管截面积S1-Si,均可计算出该点相对于目标血管起点的压降DPi,具体计算公式为:
DPi=a*V+b*V2+c*V,
其中,a为粘性损失系数,由血液粘性与血管几何形态确定,b为扩张损失系数,由血管狭窄程度确定,c为伯努利系数,由血管出入口形态确定。
对所有中心点均计算出其对应压降,即可得到整支目标病变血管的压力梯度PG,即PG=DPN。
在本申请的一些实施例中,在上述方法中,所述血液压力比可以采用下述方法确定;根据下述公式确定血液压力比:
PR=1-PG/Pa,
其中,PR为血液压力比,PG为血压压力梯度,Pa为导管室中获取的病变近端压力。
若导管室中能够获取病变近端压力Pa,则压力比PR计算公式为:
PR=1-PG/Pa,
若无法获取Pa准确值,则Pa默认取90mmHG。
由图1所示的方法可以看出,本申请通过获取颅内DSA影像,并从所述DSA影像提取包含目标血管的两张平面图像,其中所述两张平面图像具有不同的拍摄角度;根据所述两张平面图像,建立所述目标血管的三维模型;基于建立的目标血管的三维模型,以及所述DSA影像,对所述目标血管进行血流动力学模拟,以得到目标血管的指定狭窄评估参数,其中,所述指定狭窄评估参数包括平均血流速度、血液平均流量、血压压力梯度、以及血液压力比中的至少一项。本申请基于颅内DSA影像,重构得到病变血管的三维模型,结合患者特异性血流参数,估算狭窄评估参数,包括但不限于平均血流速度、血液平均流量、血压压力梯度、以及血液压力等。本申请第一,基于颅内DSA造影影像,实现了对颅内血管狭窄的功能学评估,提高了诊断准确性,为神经科医生确定干预手段提供了一定的辅助作用;第二,本申请将心内无创FFR技术应用在了颅内血管狭窄评估中,仅仅造影就能进行功能学评估,节约了患者的医学检查成本;第三,本申请相比于心内无创FFR技术,实现了图像自动识别以及自动平均血流速度估算,操作更加便利,可重复性更高。
在本申请的一些实施例中,对于平面图像中的中心线和边界线的提取也可以采取下述的方法:对于一张平面图像,确定目标血管的起始点和终点;采用最小路径算法,确定出所述起始点与所述终点之间的中心线,作为目标血管的中心线;确定中心线上的多个采样点;在确定的多个采样点处,沿所述中心线法线方向对所述平面图像进行重采样,得到重采样图像;在所述重采样图像中,确定各采样点的边界强度值,得到边界强度图像;在所述边界强度图像中,采用最小路径算法,确定出与所述中心线对应的两条边界线。
具体的,对于一张图像中的目标血管,可手动选取目标病变血管起点、终点,应用dijkstra最小路径算法可提取出目标血管的初始中心线。以中心线各组成点为中心,沿中心线法线方向对关键帧图像进行重采样,得到重采样图像。在重采样图像中,逐点计算边界强度值,可得到边界强度图像,在该图像中利用最小路径算法搜索得到与中心线对应的两条血管边界线,反映射回原始图像中,则中心线、边界线皆提取完成。
在本申请的一些实施例中,所述沿一个中心点的法线方向,确定与该中心线对应的两条边界线上与该中心点对应的两个匹配点,包括:确定所述中心点的法向量,并沿所述法向量的方向作射线;将所述射线与所述中心线对应的两条边界线的两个交点,作为与该中心点对应的两个匹配点。
也就是说,在确定边界线与中心点的匹配点时,对于一个中心点,先确定其法线方向,然后沿着法线方向做出射线,射线与两条边界线的交点,就是该中心点对应的匹配点。对于一个中心点对,对应四个匹配点。
在本申请的一些实施例中,有的血管特别弯曲,一条射线与一条边界线可能有不只一个交点,此时,将距离中心点最近的交点作为匹配点。
以下给出了本申请的另一个实施例,其流程可简述如下:
第一,关键帧提取:导入DSA影像后,逐帧计算图像平均灰度值,记图像大小为M*N,影像总帧数为K,则平均灰度值计算公式为:
其中,IkIk为第k帧图像平均灰度值,I(i,j)I(i,j)为第k帧图像坐标(i,j)(i,j)处的灰度值。在颅内DSA造影中,当含碘造影剂流入血管时,会吸收部分X光,导致血管在图像中变暗,因此,当造影剂充分流入、充满血管,即造影充分时,该帧的平均灰度值将达到最小值。具体地,关键帧O定义为:O=arg min(IkIk),即DSA影像所有帧图像中,平均灰度值最小的一帧,如图2所示,图2示出了根据本申请的一个实施例中的平均灰度值的计算结果曲线,其中将平均灰度值最小的一帧作为关键帧。
第二,图像处理:在提取到关键帧图像后,首先对图像进行高斯平滑,然后将图像统一重采样至512*512,接着应用海森矩阵强化管状的血管结构。在得到强化后的血管图像后,利用阈值法对整个图像进行二值化处理,可提取出整个血管树的大致范围,紧接着利用腐蚀算法对血管树进行细化处理,最终得到整个血管树的骨架图,如图3所示,图3示出了两个不同拍摄角度的目标血管的血管树骨架图。
第三,特征提取:在得到整个血管树的中心线即骨架图后,手动选取目标病变血管起点、终点,应用dijkstra最小路径算法可提取出目标血管的初始中心线。以中心线各组成点为中心,沿中心线法线方向对关键帧图像进行重采样,得到重采样图像。在重采样图像中,逐点计算边界强度值,可得到边界强度图像,在该图像中利用最小路径算法搜索得到与中心线对应的两条血管边界线,反映射回原始图像中,则中心线、边界线皆提取完成,图像特征提取结束,如图4所示,图4示出了根据本申请一个实施例的两张不同拍摄角度的经过图像特征提取后得到的包含目标血管的平面图像。
第四,极线匹配:将两组角度差≥25°的颅内造影DSA影像进行上述步骤,可得到两组图像的中心线、边界线。在三维重建中,需要确定两组不同角度中心线之间的匹配关系,因此,使用双目视觉算法中的极线定义,可以将两条中心线离散成配对的中心点。
第五,中心线边界线匹配:在得到两组相匹配的中心线后,分别对两个视角的中心线与边界线进行匹配。具体地,对于中心线上的每一个中心点Pi,计算其法向量,过Pi沿法向量作一条直线,该直线与两条边界线的交点即为边界线与中心点Pi的匹配点,分别记为Li、Ri。
特别地,当血管扭曲严重时,边界线上可能存在多个待取交点,分别计算每个待取点离中心点Pi距离,以距离最近的点作为匹配点Li或Ri。
第六,三维重建:在完成前两步匹配操作后,得到了不同视角的两条中心线之间的匹配关系,记第一个视角中心点Pi对应第二个视角中心点Qi。在读取DSA影像时,可分别获得两个视角的X光源点O1、O2,连接射线O1Pi、O2Qi,两条射线的交点即为Pi与Qi所对应的空间三维点。逐一对配对的中心点进行上述操作,可得到目标病变血管的三维中心线,然后将每个中心点对应的4个二维边界点投影到三维空间中,即可得到目标病变血管每个横截面的4个边界点,利用B样条曲线依次闭合连接该4个空间边界点,即可得到该截面上的血管轮廓。在所有截面上均找到血管轮廓后,则目标病变血管三维重建完成,如图5所示,图5示出了根据本申请的一个实施例的目标血管的三维模型。
第七,平均血流速度估算,如图6所示,图6示出了根据本申请的一个实施例的目标血管的压力比的计算结果分布的可视化图像。
图8示出了根据本申请的一个实施例的基于颅内DSA影像的狭窄评估装置,该装置800包括:
图像处理单元810,用于获取颅内DSA影像,并从所述DSA影像提取目标血管的关键帧的两张平面图像,其中所述两张平面图像具有不同的拍摄角度;
模型建立单元820,用于根据所述两张平面图像,建立所述目标血管的三维模型;
数值模拟单元830,用于基于建立的目标血管的三维模型,对所述目标血管进行血流动力学模拟,以得到目标血管的狭窄评估参数,其中,所述狭窄评估参数包括平均血流速度、血液平均流量、血压压力梯度、以及血液压力比中的至少一项。
在本申请的一些实施例中,在上述装置中,图像处理单元810,用于获取两组不同角度拍摄的颅内DSA影像;分别将各DSA影像中的平均灰度最小的一帧,作为关键帧;对得到的两个关键帧进行强化特征提取,获取血管树骨架图;确定所述目标血管的起点和终点,从所述血管树骨架图切割出目标血管,以获得包含目标血管的两张平面图像。
在本申请的一些实施例中,在上述装置中,图像处理单元810,用于对所述两个关键帧依次进行高斯平滑处理、重采样处理、海森矩阵强化处理、二值化处理,以及腐蚀算法细化处理,得到血管树骨架图。
在本申请的一些实施例中,在上述装置中,模型建立单元820,用于分别提取各平面图像中目标血管的中心线和边界线;确定两张平面图像中目标血管的中心线的匹配关系,并根据所述匹配关系确定所述目标血管在三维空间的三维中心线;根据所述目标血管的三维中心线,以及所述匹配关系确定目标血管的三维模型。
在本申请的一些实施例中,在上述装置中,模型建立单元820,用于对于一张平面图像,确定目标血管的起始点和终点;采用最小路径算法,确定出所述起始点与所述终点之间的中心线,作为目标血管的中心线;确定中心线上的多个采样点;在确定的多个采样点处,沿所述中心线法线方向对所述平面图像进行重采样,得到重采样图像;在所述重采样图像中,确定各采样点的边界强度值,得到边界强度图像;在所述边界强度图像中,采用最小路径算法,确定出与所述中心线对应的两条边界线。
在本申请的一些实施例中,在上述装置中,所述指定狭窄评估参数为平均血流速度;数值模拟单元830,用于根据所述DSA影像,确定造影剂流过所述目标血管的起始帧和结束帧;并根据以下公式确定平均血流速度:
V=L/((F2–F1)/fps);
其中,V为平均血流速度,L为目标血管长度,fps为DSA影像的时间分辨率,F1为起始帧在所述DSA影像中的帧数,F2为结束帧在所述DSA影像中的帧数。
在本申请的一些实施例中,在上述装置中,所述指定狭窄评估参数为血液平均流量;数值模拟单元830,还用于将目标血管的三维模型离散成多个三维中心点;确定各三维中心点到目标血管的起点的长度,以及各中心点对应的血管横截面;并根据以下公式确定血液平均流量:
其中,V为目标血管内平均血流速度,Si为第i个中心点所对应的血管截面积。
在本申请的一些实施例中,在上述装置中,所述指定狭窄评估参数为血压压力梯度;数值模拟单元830,还用于对于一个三维中心点,采用下述公式确定该三维中心点相对于所述目标血管的起点的压降:
DPi=a*V+b*V2+c*V,
其中,DPi为第i个三维中心点相对于所述目标血管的起点的压降,a为粘性损失系数,b为扩张损失系数,c为伯努利系数;确定出的各三维中心点的压降,形成了所述血压压力梯度PG。
在本申请的一些实施例中,在上述装置中,所述指定狭窄评估参数为血液压力比;数值模拟单元830,还用于根据下述公式确定血液压力比:
PR=1–PG/Pa,
其中,PR为血液压力比,PG为血压压力梯度,Pa为导管室中获取的病变近端压力。
需要说明的是,上述的颅内血管的血液流动状态评估装置可一一实现前述的颅内血管的血液流动状态评估方法。
图9是本申请的一个实施例电子设备的结构示意图。请参考图9,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成一种基于颅内DSA影像的狭窄评估装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
获取颅内DSA影像,并从所述DSA影像提取包含目标血管的两张平面图像,其中所述两张平面图像具有不同的拍摄角度;
根据所述两张平面图像中,建立所述目标血管的三维模型;
基于建立的目标血管的三维模型,以及所述DSA影像,对所述目标血管进行血流动力学模拟,以得到目标血管的指定狭窄评估参数,其中,所述指定狭窄评估参数包括平均血流速度、血液平均流量、血压压力梯度、以及血液压力比中的至少一项。
上述如本申请图8所示实施例揭示的基于颅内DSA影像的狭窄评估装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(CentralProcessing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图8中基于颅内DSA影像的狭窄评估装置执行的方法,并实现基于颅内DSA影像的狭窄评估装置在图8所示实施例的功能,本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行图8所示实施例中基于颅内DSA影像的狭窄评估装置执行的方法,并具体用于执行:
获取颅内DSA影像,并从所述DSA影像提取包含目标血管的两张平面图像,其中所述两张平面图像不同的拍摄角度;
根据所述两张平面图像中,建立所述目标血管的三维模型;
基于建立的目标血管的三维模型,以及所述DSA影像,对所述目标血管进行血流动力学模拟,以得到目标血管的指定狭窄评估参数,其中,所述指定狭窄评估参数包括平均血流速度、血液平均流量、血压压力梯度、以及血液压力比中的至少一项。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于颅内DSA影像的狭窄评估方法,其特征在于,所述方法包括:
获取颅内DSA影像,并从所述DSA影像提取包含目标颅内血管的两张平面图像,其中所述两张平面图像具有不同的拍摄角度;
根据所述两张平面图像,建立所述目标颅内血管的三维模型;
基于建立的目标颅内血管的三维模型,以及所述DSA影像,对所述目标颅内血管进行血流动力学模拟,以得到目标颅内血管的指定狭窄评估参数,其中,
所述指定狭窄评估参数为平均血流速度;
所述基于建立的目标颅内血管的三维模型,以及所述DSA影像,对所述目标颅内血管进行血流动力学模拟,以得到目标颅内血管的指定狭窄评估参数,包括:
根据所述DSA影像,确定造影剂流过所述目标颅内血管的起始帧和结束帧;并根据以下公式确定平均血流速度:
V=L/((F2–F1)/fps);
其中,V为平均血流速度,L为目标颅内血管长度,fps为所述DSA影像的时间分辨率,F1为起始帧在所述DSA影像中的帧数,F2为结束帧在所述DSA影像中的帧数;
其中,F1和F2通过以下方法确定:
确定起始点在所述DSA影像上的坐标;
以所述起始点为中心在n*n范围内计算所述起始点的像素平均值;
逐帧计算所述起始点的平均灰度值;
以第一帧图像的平均灰度值分别减去各帧图像对应的平均灰度值,得到各帧对应的造影剂浓度;
以时间顺序排列各帧对应的造影剂浓度得到起始点的造影剂时间-浓度曲线;
搜索所述曲线的最大值点Imax,基于所述最大值点设定造影剂流入标记阈值σ;其中,σ=a*Imax,其中a为权重系数,取值范围为0.1–0.5;
在所述曲线上搜索第一个大于等于σ的点,以该点对应的影像帧数作为F1;
同理求得F2。
2.根据权利要求1所述的方法,其特征在于,所述获取颅内DSA影像,并从所述DSA影像提取包含目标颅内血管的两张平面图像,其中所述两张平面图像具有不同的拍摄角度,包括:
获取两组不同角度拍摄的颅内DSA影像;
分别将各DSA影像中的平均灰度最小的一帧,作为关键帧;
对得到的两个关键帧进行强化特征提取,获得颅内血管树骨架图;
确定所述目标颅内血管的起点和终点,从所述颅内血管树骨架图中切割出目标颅内血管,以获得包含目标颅内血管的两张平面图像。
4.根据权利要求2所述的方法,其特征在于,所述对得到的两个关键帧进行强化特征提取,获得颅内血管树骨架图,包含:
对所述两个关键帧依次进行高斯平滑处理、重采样处理、海森矩阵强化处理、二值化处理、以及腐蚀算法细化处理,得到颅内血管树骨架图。
5.根据权利要求1所述的方法,其特征在于,所述根据所述两张平面图像,建立所述目标颅内血管的三维模型,包括:
分别提取各平面图像中目标颅内血管的中心线和边界线;
确定两张平面图像中目标颅内血管的中心线的匹配关系,并根据所述匹配关系确定所述目标颅内血管在三维空间的三维中心线;
根据所述目标颅内血管的三维中心线,以及所述匹配关系确定目标颅内血管的三维模型。
6.根据权利要求1所述的方法,其特征在于,所述分别提取各平面图像中目标颅内血管的中心线和边界线,包括:
对于一张平面图像,确定目标颅内血管的起始点和终点;
采用最小路径算法,确定出所述起始点与所述终点之间的中心线,作为目标颅内血管的中心线;
确定中心线上的多个采样点;
在确定的多个采样点处,沿所述中心线法线方向对所述平面图像进行重采样,得到重采样图像;
在所述重采样图像中,确定各采样点的边界强度值,得到边界强度图像;
在所述边界强度图像中,采用最小路径算法,确定出与所述中心线对应的两条边界线。
8.根据权利要求7所述的方法,其特征在于,所述指定狭窄评估参数为血压压力梯度;
所述基于建立的目标颅内血管的三维模型,以及所述DSA影像,对所述目标颅内血管进行血流动力学模拟,以得到目标颅内血管的指定狭窄评估参数,还包括:
对于一个三维中心点,采用下述公式确定该三维中心点相对于所述目标颅内血管的起点的压降:
DPi=a*V+b*V2+c*V,
其中,DPi为第i个三维中心点相对于所述目标颅内血管的起点的压降,a为粘性损失系数,b为扩张损失系数,c为伯努利系数;
确定出的各三维中心点的压降,形成了所述血压压力梯度PG。
9.根据权利要求8所述的方法,其特征在于,所述指定狭窄评估参数为血液压力比;
所述基于建立的目标颅内血管的三维模型,以及所述DSA影像,对所述目标颅内血管进行血流动力学模拟,以得到目标颅内血管的指定狭窄评估参数,还包括:
根据下述公式确定血液压力比:
PR=1–PG/Pa;
其中,PR为血液压力比,PG为血压压力梯度,Pa为导管室中获取的病变近端压力。
10.一种颅内血管的血液流动状态评估装置,其特征在于,所述装置包括:
图像处理单元,用于获取颅内DSA影像,并从所述DSA影像提取目标颅内血管的关键帧的两张平面图像,其中所述两张平面图像具有不同的拍摄角度;
模型建立单元,用于根据所述两张平面图像,建立所述目标颅内血管的三维模型;
数值模拟单元,用于基于建立的目标颅内血管的三维模型,对所述目标颅内血管进行血流动力学模拟,以得到目标颅内血管的指定狭窄评估参数,其中,
所述指定狭窄评估参数为平均血流速度;
所述数值模拟单元,用于根据所述DSA影像,确定造影剂流过所述目标颅内血管的起始帧和结束帧;并根据以下公式确定平均血流速度:
V=L/((F2–F1)/fps);
其中,V为平均血流速度,L为目标颅内血管长度,fps为所述DSA影像的时间分辨率,F1为起始帧在所述DSA影像中的帧数,F2为结束帧在所述DSA影像中的帧数;
其中,F1和F2通过以下方法确定:
确定起始点在所述DSA影像上的坐标;
以所述起始点为中心在n*n范围内计算所述起始点的像素平均值;
逐帧计算所述起始点的平均灰度值;
以第一帧图像的平均灰度值分别减去各帧图像对应的平均灰度值,得到各帧对应的造影剂浓度;
以时间顺序排列各帧对应的造影剂浓度得到起始点的造影剂时间-浓度曲线;
搜索所述曲线的最大值点Imax,基于所述最大值点设定造影剂流入标记阈值σ;其中,σ=a*Imax,其中a为权重系数,取值范围为0.1–0.5;
在所述曲线上搜索第一个大于等于σ的点,以该点对应的影像帧数作为F1;
同理求得F2。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111295618.1A CN114170134B (zh) | 2021-11-03 | 2021-11-03 | 基于颅内dsa影像的狭窄评估方法及装置 |
US17/976,511 US20230139405A1 (en) | 2021-11-03 | 2022-10-28 | Stenosis assessment method and device based on intracranial DSA imaging |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111295618.1A CN114170134B (zh) | 2021-11-03 | 2021-11-03 | 基于颅内dsa影像的狭窄评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114170134A CN114170134A (zh) | 2022-03-11 |
CN114170134B true CN114170134B (zh) | 2023-03-10 |
Family
ID=80477905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111295618.1A Active CN114170134B (zh) | 2021-11-03 | 2021-11-03 | 基于颅内dsa影像的狭窄评估方法及装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230139405A1 (zh) |
CN (1) | CN114170134B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116649995B (zh) * | 2023-07-25 | 2023-10-27 | 杭州脉流科技有限公司 | 基于颅内医学影像的血流动力学参数获取方法和装置 |
CN116616804B (zh) * | 2023-07-25 | 2023-10-13 | 杭州脉流科技有限公司 | 颅内动脉狭窄评估参数获取方法、装置、设备和存储介质 |
CN116649996B (zh) * | 2023-07-28 | 2023-10-31 | 杭州脉流科技有限公司 | 获得颅内动脉狭窄血流动力学参数的方法和装置 |
CN116649925B (zh) * | 2023-07-28 | 2023-10-31 | 杭州脉流科技有限公司 | 颅内动脉狭窄功能学评估的方法和装置 |
CN116664564B (zh) * | 2023-07-28 | 2023-10-31 | 杭州脉流科技有限公司 | 基于颅内医学影像获取血流量的方法和装置 |
CN116704149B (zh) * | 2023-08-03 | 2023-11-14 | 杭州脉流科技有限公司 | 获得颅内动脉狭窄参数的方法和装置 |
CN116740768B (zh) * | 2023-08-11 | 2023-10-20 | 南京诺源医疗器械有限公司 | 基于鼻颅镜的导航可视化方法、系统、设备及存储介质 |
CN118098607B (zh) * | 2024-04-29 | 2024-06-28 | 四川大学 | 一种冠状动脉供血功能评估方法、系统、设备以及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490040A (zh) * | 2019-05-30 | 2019-11-22 | 浙江理工大学 | 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法 |
CN110866914A (zh) * | 2019-11-21 | 2020-03-06 | 北京冠生云医疗技术有限公司 | 脑动脉瘤血流动力学指标的评估方法、系统、设备及介质 |
CN110889896A (zh) * | 2019-11-11 | 2020-03-17 | 苏州润迈德医疗科技有限公司 | 获取血管狭窄病变区间及三维合成方法、装置和系统 |
CN111161342A (zh) * | 2019-12-09 | 2020-05-15 | 杭州脉流科技有限公司 | 基于冠脉造影图像获取血流储备分数的方法、装置、设备、系统及可读存储介质 |
CN111166317A (zh) * | 2018-11-13 | 2020-05-19 | 苏州润迈德医疗科技有限公司 | 基于造影图像计算造影血流储备分数和静息态压力比值的方法 |
CN111754506A (zh) * | 2020-07-01 | 2020-10-09 | 杭州脉流科技有限公司 | 基于腔内影像的冠脉狭窄率计算方法、装置、系统和计算机存储介质 |
CN112089433A (zh) * | 2020-09-24 | 2020-12-18 | 杭州阿特瑞科技有限公司 | 一种基于cta和dsa的冠状动脉血流储备分数测量方法 |
CN112508954A (zh) * | 2021-02-07 | 2021-03-16 | 南京景三医疗科技有限公司 | 一种管状结构狭窄度的计算方法、计算装置和电子设备 |
CN113040795A (zh) * | 2021-03-12 | 2021-06-29 | 北京阅影科技有限公司 | 无导丝ffr、无导丝imr和无导丝cfr的检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009028194A (ja) * | 2007-07-26 | 2009-02-12 | Ge Medical Systems Global Technology Co Llc | 超音波撮像装置 |
WO2012029459A1 (ja) * | 2010-08-31 | 2012-03-08 | 株式会社日立メディコ | 超音波診断装置及び超音波画像表示方法 |
US10159454B2 (en) * | 2011-09-09 | 2018-12-25 | Siemens Healthcare Gmbh | Contrast agent perfusion adaptive imaging system |
US9226683B2 (en) * | 2012-04-16 | 2016-01-05 | Siemens Medical Solutions Usa, Inc. | System scan timing by ultrasound contrast agent study |
CN111462146A (zh) * | 2020-04-16 | 2020-07-28 | 成都信息工程大学 | 一种基于时空智能体的医学图像多模态配准方法 |
-
2021
- 2021-11-03 CN CN202111295618.1A patent/CN114170134B/zh active Active
-
2022
- 2022-10-28 US US17/976,511 patent/US20230139405A1/en active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111166317A (zh) * | 2018-11-13 | 2020-05-19 | 苏州润迈德医疗科技有限公司 | 基于造影图像计算造影血流储备分数和静息态压力比值的方法 |
CN110490040A (zh) * | 2019-05-30 | 2019-11-22 | 浙江理工大学 | 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法 |
CN110889896A (zh) * | 2019-11-11 | 2020-03-17 | 苏州润迈德医疗科技有限公司 | 获取血管狭窄病变区间及三维合成方法、装置和系统 |
CN110866914A (zh) * | 2019-11-21 | 2020-03-06 | 北京冠生云医疗技术有限公司 | 脑动脉瘤血流动力学指标的评估方法、系统、设备及介质 |
CN111161342A (zh) * | 2019-12-09 | 2020-05-15 | 杭州脉流科技有限公司 | 基于冠脉造影图像获取血流储备分数的方法、装置、设备、系统及可读存储介质 |
CN111754506A (zh) * | 2020-07-01 | 2020-10-09 | 杭州脉流科技有限公司 | 基于腔内影像的冠脉狭窄率计算方法、装置、系统和计算机存储介质 |
CN112089433A (zh) * | 2020-09-24 | 2020-12-18 | 杭州阿特瑞科技有限公司 | 一种基于cta和dsa的冠状动脉血流储备分数测量方法 |
CN112508954A (zh) * | 2021-02-07 | 2021-03-16 | 南京景三医疗科技有限公司 | 一种管状结构狭窄度的计算方法、计算装置和电子设备 |
CN113040795A (zh) * | 2021-03-12 | 2021-06-29 | 北京阅影科技有限公司 | 无导丝ffr、无导丝imr和无导丝cfr的检测方法 |
Non-Patent Citations (4)
Title |
---|
Assessing the hemodynamic significance of coronary artery stenosis: analysis of translesional pressure-flow velocity relations in patients;Donohue T J等;《 Journal of the American College of Cardiology》;19931231;第22卷(第2期);第449-458页 * |
冠状动脉狭窄病变功能学评估新进展;安梦楠等;《中国介入心脏病学杂志>;20181231;第26卷(第11期);第638-640页 * |
基于Hessian矩阵的冠脉造影图像分割与骨架提取;秦红星等;《数据采集与处理》;20161231;第31卷(第5期);摘要、第1.2节、第2节及图1、图3(e) * |
血流储备分数(FFR)在重度颈内动脉狭窄中的实验研究;柯伟等;《卒中与神经疾病》;20200831;第27卷(第4期);摘要 * |
Also Published As
Publication number | Publication date |
---|---|
CN114170134A (zh) | 2022-03-11 |
US20230139405A1 (en) | 2023-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114170134B (zh) | 基于颅内dsa影像的狭窄评估方法及装置 | |
US11633167B2 (en) | X-ray image feature detection and registration systems and methods | |
JP7090546B2 (ja) | 灌流デジタルサブトラクション血管造影 | |
CN111652917B (zh) | 血管数据处理和图像配准系统、方法及装置 | |
Athanasiou et al. | Three-dimensional reconstruction of coronary arteries and plaque morphology using CT angiography–comparison and registration with IVUS | |
US11961187B2 (en) | Reconstruction method of organ vessel centerline | |
CN110494889B (zh) | 造影注射成像 | |
Palti-Wasserman et al. | Identifying and tracking a guide wire in the coronary arteries during angioplasty from x-ray images | |
Jandt et al. | Automatic generation of 3D coronary artery centerlines using rotational X-ray angiography | |
EP3359041B1 (en) | Mobile ffr simulation | |
JP2018537157A (ja) | 非侵襲的血流予備量比(ffr)に対する側副血流モデル化 | |
JP5830626B2 (ja) | 画像領域対応付け装置、3次元モデル生成装置、画像領域対応付け方法、及び画像領域対応付け用プログラム | |
Zhang et al. | Simultaneous registration of location and orientation in intravascular ultrasound pullbacks pairs via 3D graph-based optimization | |
Blondel et al. | Automatic trinocular 3D reconstruction of coronary artery centerlines from rotational X-ray angiography | |
CN114170135A (zh) | 基于颅内dsa影像的血液状态评估方法及装置 | |
Sakellarios et al. | IVUS image processing methodologies | |
Shakir et al. | Early detection, segmentation and quantification of coronary artery blockage using efficient image processing technique | |
JP2023547373A (ja) | 血管流体流速を決定する方法 | |
Gutierrez et al. | CAD of Cardiovascular Diseases | |
Swoboda et al. | From 2d to 4d in quantitative left ventricle wall motion analysis of biplanar x-ray angiograms | |
CN117576006A (zh) | 冠状动脉血流储备分数的确定方法、装置、设备及介质 | |
Brieva | A string matching shape prior to constraint the level set evolution for the segmentation of x-ray coronary angiography | |
CN113538403A (zh) | 一种虚拟dsa影像获取装置、方法、介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |