CN114202509A - 一种血管运动状态的确定方法及装置 - Google Patents

一种血管运动状态的确定方法及装置 Download PDF

Info

Publication number
CN114202509A
CN114202509A CN202111319015.0A CN202111319015A CN114202509A CN 114202509 A CN114202509 A CN 114202509A CN 202111319015 A CN202111319015 A CN 202111319015A CN 114202509 A CN114202509 A CN 114202509A
Authority
CN
China
Prior art keywords
blood vessel
target
motion
cross
parameters
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
CN202111319015.0A
Other languages
English (en)
Inventor
张宇楠
佟丽霞
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.)
Neusoft Medical Systems Co Ltd
Original Assignee
Neusoft Medical Systems 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 Neusoft Medical Systems Co Ltd filed Critical Neusoft Medical Systems Co Ltd
Priority to CN202111319015.0A priority Critical patent/CN114202509A/zh
Publication of CN114202509A publication Critical patent/CN114202509A/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • 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
    • G06T17/30—Polynomial surface description
    • 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
    • G06T2207/30048—Heart; Cardiac
    • 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
    • G06T2207/30196—Human being; Person
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请公开了一种血管运动状态的确定方法及装置。其中方法包括：获取包含目标血管的原始扫描数据；为所述目标血管配置若干运动参数；基于所述原始扫描数据和各所述运动参数，获取至少一幅所述目标血管的横截面图像；根据所述横截面图像的质量参数，迭代所述运动参数，以获取若干目标运动参数；基于各所述目标运动参数获得所述目标血管的运动状态。本申请能够准确的确定目标运动参数，进而可以基于目标运动参数准确的确定血管的运动状态。

Description

一种血管运动状态的确定方法及装置
技术领域
本申请涉及医学检测技术领域，特别涉及一种血管运动状态的确定方法及装置。
背景技术
在心脏造影成像CT(电子计算机断层扫描，Computed Tomography)检查过程中，由于心跳的影响，血管的成像有时会伴有严重的运动伪影，影响CT图像的诊断价值。如果能获得心脏及血管在CT扫描过程中的运动状态，则可以通过运动补偿来抑制甚至完全消除运动伪影，提升CT临床诊断准确性。
在相关技术中，为了获得心脏血管的运动信息，需要重建血管在连续多个不同时刻的三维图像，通过识别图像上的一系列特征点，在不同时刻的图像间建立这些特征点的空间位置的对应关系，获得特征点的运动规律，进而推算出血管及心脏的运动状态。，而在实际诊断过程中只需要一个时刻的清晰图像，重建多个不同时刻的三维图像使受检人员实际接受了超出诊断必要的辐射剂量；并且，由于心脏的运动伪影会使成像质量恶化，在每个时刻的心脏三维图像上都会影响图像特征点的识别和空间对应关系的建立，进而造成运动状态的估计结果不够准确的问题。
发明内容
有鉴于此，本发明提供了一种血管运动状态的确定方法、装置、存储介质及一种图像重建方法，主要目的在于解决目前存在心脏血管运动评估不够准确的问题。
为解决上述问题，本申请提供一种血管运动状态的确定方法，包括：
获取包含目标血管的原始扫描数据；
为所述目标血管配置若干运动参数；
基于所述原始扫描数据和各所述运动参数，获取至少一幅所述目标血管的横截面图像；
根据所述横截面图像的质量参数，迭代所述运动参数，以获取若干目标运动参数；
基于各所述目标运动参数获得所述目标血管的运动状态。
可选的，所述为所述目标血管配置若干运动参数，具体包括：
为所述目标血管整体匹配若干运动参数；
或者，沿目标血管的长度方向对目标血管进行分区，获得若干采样区；
为各所述采样区配置对应的若干运动参数，所述若干采样区的运动参数至少部分不同。
可选的，基于所述原始扫描数据和各所述运动参数，获取至少一幅所述目标血管的横截面图像，具体包括：
基于各所述运动参数，对所述原始扫描数据进行运动补偿，获得补偿后的重建数据；
基于所述重建数据，获取至少一幅所述目标血管的横截面图像。
可选的，在基于所述重建数据，获取至少一幅所述目标血管的横截面图像之前，所述方法还包括：
至少基于目标血管的位置信息以及目标血管的横截面积阈值，确定目标重建范围；
基于所述重建数据，获取至少一幅所述目标血管的横截面图像，包括：
基于所述目标重建范围，获取至少一幅所述目标血管的横截面图像。
可选的，在基于所述原始扫描数据和各所述运动参数，获取至少一幅所述目标血管的横截面图像之前，所述方法还包括：
基于目标血管的原始扫描数据，获取所述目标血管的原始三维图像；
基于所述原始三维图像，获取所述目标血管的中心线，并在所述中心线上选取至少一个采样点；
在基于所述原始扫描数据和各所述运动参数，获取至少一幅所述目标血管的横截面图像，包括：基于所述原始扫描数据和各所述运动参数，获取所述至少一点采样点位置的所述目标血管的横截面图像。
可选的，所述质量参数包括血管的CT值、血管边缘的清晰度、以及血管横截面形状中的一种或几种运动伪影评估参数；
根据所述横截面图像的质量参数，迭代所述运动参数，以获取若干目标运动参数，具体包括：
获取所述横截面图像对应的血管的CT值、血管边缘的清晰度、以及血管横截面形状中一种或多种，基于对应的所述血管的目标CT值、血管边缘的目标清晰度或血管横截面目标形状，迭代所述运动参数，以获取若干目标运动参数。
可选的，所述基于各所述目标运动参数获得所述目标血管的运动状态，具体包括：
基于各所述目标运动参数确定与各所述目标运动参数对应的目标运动模型，以基于所述目标运动模型获得所述目标血管的不同位置在不同时刻下的运动参数，获得目标血管的运动状态。
为解决上述问题，本申请提供一种图像重建方法，包括：
通过上述任意一项所述血管运动状态的确定方法获取目标血管的运动状态；
采用所述目标血管的运动状态补偿所述原始扫描数据后，重建目标血管的三维图像。
为解决上述问题，本申请提供一种血管运动状态的确定装置，包括：
获取模块，用于获取包含目标血管的原始扫描数据；
配置模块，用于为所述目标血管配置若干运动参数；
重建模块，基于所述原始扫描数据和各所述运动参数，获取至少一幅所述目标血管的横截面图像；
确定模块，根据所述横截面图像的质量参数，迭代所述运动参数，以获取若干目标运动参数；
获得模块，用于基于各所述目标运动参数获得所述目标血管的运动状态。
为解决上述问题，本申请提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述血管运动状态的确定方法的步骤。
本申请中，通过采用循环迭代的方式来确定出血管的目标运动参数，由此后续就可以基于各目标运动参数来确定血管的运动状态，以使得血管运动状态的确定更加准确。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本申请实施例一种血管运动状态确定方法的方法流程图；
图2为本申请又一实施例一种血管运动状态确定方法的原理图；
图3为本申请实施例中确定重建范围的示意图；
图4为本申请实施例中基于血管横截面积进行运动状态评估的原理图。
具体实施方式
此处参考附图描述本申请的各种方案以及特征。
应理解的是，可以对此处申请的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例，并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本申请的这些和其它特性将会变得显而易见。
还应当理解，尽管已经参照一些具体实例对本申请进行了描述，但本领域技术人员能够确定地实现本申请的很多其它等效形式。
当结合附图时，鉴于以下详细说明，本申请的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本申请的具体实施例；然而，应当理解，所申请的实施例仅仅是本申请的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此，本文所申请的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本申请的相同或不同实施例中的一个或多个。
本申请实施例提供一种血管运动状态的确定方法，如图1所示，包括：
步骤S101，获取包含目标血管的原始扫描数据；
本步骤在具体实施过程中，可以对心脏血管进行CT扫描，以此来获得某一时刻下包含目标血管的扫描数据，为后续基于该组扫描数据进行图像重建、确定血管的目标运动参数奠定了基础。本步骤中，目标血管具体为心脏血管，如动脉血管等等。
步骤S102，为所述目标血管配置若干初始运动参数；
本步骤在具体实施过程中，可以先确定若干采样位置，然后为各采样位置配置对应的初始运动参数。对于位于x的采样点，其在不同时刻t会运动到不同的空间位置s(x,t)＝(x(t),y(t),z(t))T，这里的s(x,t)表示图像上位于x的采样点在CT扫描过程中的运动位置变化的函数，称为采样点的运动向量/运动参数。由于一条血管上有大量的采样点，精确描述每个采样点的运动向量过于复杂，由此可以利用数学模型对整条血管上不同采样点的运动向量的分布进行近似，如此只需要少量采样点(血管某些采样点的实际运动参数)就能描述血管的运动状态，降低运算的复杂度。因此本步骤中具体可以利用预定的运动模型来为目标血管的各采样位置配置一初始运动参数，即通过给定一组描述血管运动状态的模型参数Λ，将模型参数Λ带入到预定的运动模型就能得到血管各位置的初始运动参数s(x,t)。
步骤S103，基于所述原始扫描数据和各所述运动参数，获取至少一幅所述目标血管的横截面图像；
本步骤在具体实施过程中，具体是基于运动参数采用带有运动补偿的反投影的重建方法，来对原始扫描数据进行图像重建，以此来获得补偿后的重建数据，即获得心脏血管的三维图像，然后通过对心脏血管的三维图像进行图像提取，来获得目标血管的至少一副横截面积图像。为后续基于横截面积图像进行评估确定初始运动参数能否作为血管的真实运动参数/目标运动参数奠定了基础。
本步骤在具体实施过程中，在获取目标血管的横截面图像之前，还可以预先确定用于进行图像提取的采样点，然后基于所述原始扫描数据和各所述运动参数，获取所述至少一点采样点位置的所述目标血管的横截面图像。采样点的具体确定过程为：基于目标血管的原始扫描数据，获取所述目标血管的原始三维图像；基于所述原始三维图像，获取所述目标血管的中心线，并在所述中心线上选取至少一个采样点。
步骤S104，根据所述横截面图像的质量参数，迭代所述运动参数，以获取若干目标运动参数；
本步骤中所述质量参数包括血管的CT值、血管边缘的清晰度、以及血管横截面形状中的一种或几种运动伪影评估参数。在获得横截面图像之后，就可以根据上述这些图像的质量参数来对运动参数进行迭代，即确定出满足条件的质量参数所对应的运动参数为目标运动参数，在质量参数不满足条件时，重新迭代更新运动参数。
步骤S105，基于各所述目标运动参数获得所述目标血管的运动状态；
本步骤在具体实施过程中，具体可以基于各所述目标运动参数、与各目标运动参数对应的位置信息以及时间确定至少一个血管运动模型的模型参数，以获得至少一个目标运动模型。例如在获得了血管目标运动参数后，可以将各目标运动参数代入到预定的一个血管运动模型中，或者将各目标运动参数代入到不同的血管运动模型中，以此来获得与各血管运动模型对应的模型参数，由此获得至少一个目标运动模型。最后利用目标运动模型就可以计算获得血管不同位置在不同时刻下的运动参数，以获得血管的运动状态。
本实施例中，通过获得单个时刻的心脏三维图像所必须的CT数据即原始扫描数据，通过采用循环迭代的方式来确定出血管各采样位置的目标运动参数，由此后续就可以基于该目标运动参数来确定血管的运动状态，例如根据各目标运动参数确定与各所述目标运动参数对应的至少一个初始模型参数为目标模型参数；基于所述目标模型参数确定目标运动模型，以基于所述目标运动模型计算获得血管不同位置在不同时刻下的运动参数，获得血管的运动状态。
在上述实施例的基础上，本申请又一实施例提供一种血管运动状态的确定方法，如图2所示，包括如下步骤：
步骤S201，获取包含目标血管的原始扫描数据；
本步骤在具体实施过程中，具体获得的单一时刻的心脏扫描数据，获得了原始扫描数据
步骤S202，至少基于所述目标血管的位置信息以及目标血管的横截面积阈值，确定目标重建范围；
本步骤在具体实施过程中，由于后续需要针对某些预定的采样位置进行血管横截面积图像的提取，因此在确定目标重建范围时，可以结合各采样位置来确定目标重建范围，以使的目标重建范围的确定更加的合理，能够在保证重建获得的图像满足实际需要的情况下缩减重建范围，以降低图像重建的工作量。
本步骤中对于一条需要确定运动状态的目标血管，可以通过其中心线来描述其在三维空间中的形态。沿着血管中心线，首先确定一系列采样点S，每个采样点代表附近血管的运动状态。划分采样点的方式可以根据实现的便利性、精度需求等灵活确定，例如可以采用均匀分布的采样，也可以根据血管的曲率变化情况等非均匀地选取采样。
在确定重建范围时，例如可以沿着血管中心线选取一系列采样点S，由于后续需要提取血管在这些采样点的横截面图像、并利用图像评估运动伪影强弱，因此可以根据各采样点S、以及血管横截面积阈值以及血管位置信息等等，确定提取完整血管横截面图像所需的z方向重建范围。如图3所示，具体可以采用如下方式来确定重建范围：沿着血管中心线，遍历所有的采样点，确定要在采样点位置提取出血管的完整横截面及其周边一定范围的心脏组织所必需的z方向重建范围。对于空间位置为x＝(x,y,z)T的采样点，根据预定的公式可以确定其必需的z方向重建范围为：zmin(x)≤z≤zmax(x)，由此就可以获得与各采样点对应的重建范围，进而可以根据各采样点对应的重建范围确定最终的目标重建范围。后续只需要重建目标重建范围内的心脏及血管的3D图像，就能完整地提取出各采样点的血管横截面图像。
步骤S203，为所述目标血管配置若干初始运动参数；
本步骤在具体实施过程中，可以采用如下两种方式来为目标血管配置初始运动参数，方式一：为所述目标血管整体匹配若干运动参数。具体配置过程为：为所述目标血管匹配对应的第一运动模型；为所述第一运动模型配置初始模型参数，获得第一初始运动模型；基于所述第一初始运动模型为所述目标血管配置所述若干初始运动参数。即本种方式下是利用预定的某一运动模型，通过为运动模型配置初始模型参数Λ＝(λ1,λ2,…,λN)T，以此来获得在采样时刻下、各采样点S的运动参数s(xn,t)。运动模型具体可以采用多项式模型、样条插值模型等，模型的参数Λ只要确定，就能迅速地得到各个采样点的运动向量/运动参数。
方式二：沿目标血管的长度方向对目标血管进行分区或分段，获得若干采样区；为各所述采样区配置对应的若干运动参数，所述若干采样区的运动参数至少部分不同。具体配置过程为：为各所述采样区匹配对应的第二运动模型，各所述第二运动模型不同；为各所述第二运动模型配置初始模型参数，获得所述第二初始运动模型；基于各所述第二初始运动模型为所述目标血管配置所述若干初始运动参数。本种方式下，由于血管具有一定的长度，血管不同部分的运动状态可能会有复杂的变化，此时采用单一的运动模型来描述整条血管上所有采样点的运动状态会不够准确，由此可以对血管按照一定的长度进行分段，这样在每一段血管上使用不同的运动模型来描述其运动状态，由此能够保证后续获得的目标运动参数更加准确、可靠。
步骤S204，基于各所述运动参数以及所述重建范围，对所述原始扫描数据进行运动补偿，获得补偿后的重建数据；
本步骤在具体实施过程中，具体可以使用带有运动补偿的反投影算法，利用心脏扫描数据重建出包含采样点x周围的心脏3D图像img(x；Λ)，即获得补偿后的重建数据，该重建数据可以理解为第一初始图像，即心脏血管三维图像。本步骤中，由于初始模型参数Λ设置的不同，因此血管各位置的初始运动参数s(xn,t)会不同，进而根据各初始运动参数s(xn,t)进行图像重建的重建结果会发生变化。
步骤S205，基于所述重建数据，获取至少一幅所述目标血管的横截面图像。
本步骤在具体实施过程中，具体可以基于目标重建范围以及重建数据，获取至少一幅所述目标血管的横截面图像。也就是说在获得三维的第一初始图像img(x；Λ)后，就可以从三维的第一初始图像img(x；Λ)中提取获得若干横截面积图像，例如对至少一个采样位置进行血管图像提取，以获取至少一点采样点位置的目标血管的横截面图像Π(x；Λ)。本步骤中的具体提取过程类似于现有技术中医学图像处理中的MPR技术，都是从3D图像中提取出某一特定平面上的信息。
步骤S206，获取所述横截面图像对应的血管的CT值、血管边缘的清晰度、以及血管横截面形状中一种或多种，基于对应的所述血管的目标CT值、血管边缘的目标清晰度或血管横截面目标形状，迭代所述运动参数，以获取若干目标运动参数。
本步骤在具体实施过程中，获取若干目标运动参数的过程如下：
步骤S2061：基于各所述血管横截面图像对应的所述血管的目标CT值、血管边缘的目标清晰度和血管横截面目标形状中的一种或几种，进行运动伪影评估，获得第一评估结果；
本步骤在具体实施过程中评估原理如图4所示，在获得了血管横截面图像后，就可以从血管横截面图像中提取获得质量参数，即获得运动伪影评估参数，然后利用对图像运动伪影的量化标准/预定的评分规则进行评分，获得初始评估结果L。
由于血管的运动伪影在血管横截面图像上的主要表现为：(1)导致血管的CT值(即图像上血管横截面区域的灰度值)减低，会导致对比度恶化，甚至使得较为细小的血管难以识别；(2)导致血管边缘的清晰度减低，使得血管与周围组织的边界模糊；(3)导致血管形状变扭曲，使原本近似圆形的血管横截面形状变得不规则，并且在血管横截面之外产生明显的弧状结构。因而，可以基于血管的CT值、血管边缘的清晰度、以及血管横截面形状中的一种或几种运动伪影评估参数，来识别运动伪影，评估其对图像质量的影响。例如，可以采用经典图像处理中的梯度算子来提取图像边缘，即确定血管边缘并评估边缘的清晰度。通过基于图像灰度的阈值分割算法，可以提取血管横截面，并确定该区域的平均值，这一数值越低，说明血管的CT值受到运动伪影的影响越大。由于血管横截面近似为圆形，因此可以使用采用人工设计的卷积核的方式来训练获得血管横截面形状提取模型，以此来对血管横截面图像进行2D卷积，提取图像上的圆形特征，并根据提取结果(血管横截面形状)与预定血管横截面形状进行比较，以此来评估血管偏离圆形的程度；当然，也可以利用之前血管边界提取的结果，或者血管横截面的灰度分割结果来确定血管的轮廓，然后计算该轮廓相对于圆形轮廓的偏离程度，作为运动伪影强弱的评估参数。
本步骤中，为了使得最终的评估结果更加准确，即准确的获得运动伪影评估参数，还可以结合其他降噪、对比度增强的图像处理算法，先对图像上可能干扰评估结果的噪声等成分加以抑制，突出所关心的血管和运动伪影等特征。即采用降噪、对比度增强等图像处理方式对各血管横截面图像进行处理，获得处理后的血管横截面图像；然后基于处理后的各血管横截面图像进行运动伪影评估，以此来使得最终的评估结果更加准确。
本步骤在具体实施过程中，在获得上述血管的CT值、血管边缘的清晰度、以及血管横截面形状等运动伪影评估参数后，还可以按照预定的评分规则为各项评估参数匹配评分值，然后将各项运动伪影的评估参数对应的得分进行加权、以获得与横截面图像对应的初始评估结果L，L＝L(Λ；x)，最后根据各初始评估结果L例如通过求取平均值或者求和的方式来获得所述第一评估结果f(Λ)，
Figure BDA0003344559560000111
其中预定的评分规则中可以包含有不同血管的CT值与分值的映射关系、不同血管边缘的清晰度与分值的映射关系以及不同的血管横截面形状与分值的映射关系。比如血管的CT值越小，说明运动伪影越强，由此匹配的分值就越大。再如，管边缘的清晰度越低，说明运动伪影越强，则匹配的分值也越大。再如，血管形状偏离圆形越大(形状越扭曲)，说明运动伪影越强，则匹配的分值也越大。其中，分值匹配的大小可以根据实际需要调整，例如血管的CT值越小，说明运动伪影越强，由此匹配的分值可以越小；同理也可以对管边缘的清晰度以及血管形状偏离圆形的程度进行分值的匹配。
当然，本步骤在具体实施过程中还可以采用基于深度学习的方法，通过积累的临床数据训练的人工神经网络来对血管图像的运动伪影直接进行识别和评价。
步骤S2062，判断所述第一评估结果是否满足预设条件；在确定所述第一评估结果不满足所述预设条件的情况下，重新执行步骤S203以更新所述运动参数；在确定所述第一评估结果满足所述预设条件的情况下，则执行步骤S2063。
本步骤中预设条件可以为预定的评分阈值，比如最终第一评估结果的分值大于预定的评分阈值时，说明重建后的第一初始图像存在较强的运动伪影，则确定第一评估结果不满足预设条件，各采样位置的初始运动参数不是心脏血管的实际运动参数。当第一评估结果的分值小于或等于预定的评分阈值时，说明重建后的第一初始图像运动伪影较弱或者不存在运动伪影，则确定第一评估结果满足预设条件，即各采样位置的初始运动参数可以作为心脏血管的实际运动参数。因为，只有基于血管的实际运动参数采用运动补偿反投影重建获得第一初始图像才会没有运动伪影，或者重建获得第一初始图像的运动伪影较弱，因此可以根据运动伪影的强弱反推确认图像重建时所采用的初始运动参数是否为血管的实际运动参数。在更新初始运动参数时，具体可以通过为运动模型重新配置初始运动参数的方式来获得更新后的初始模型，然后利用更新后的初始模型来获得更新后的若干初始运动参数，即通过不断的迭代更新模型参数来迭代更新目标血管各位置的初始运动参数。
步骤S2063，确定所述第一评估结果对应的各所述运动参数为各所述目标运动参数。
本步骤中当确定了第一评估结果满足预设条件时，说明重建后的第一初始图像/重建数据的运动伪影较弱或不存在运动伪影，因而各所述初始运动参数与血管真实运动状态较为接近或一致，各初始运动参数可以作为血管真实运动状态。
步骤S207，基于各所述目标运动参数确定与各所述目标运动参数对应的目标运动模型，以基于所述目标运动模型获得所述目标血管的不同位置在不同时刻下的运动参数，获得目标血管的运动状态。
本步骤在具体实施过程中，具体可以基于各所述目标运动参数、各目标运动参数对应的位置信息以及时间确定与各所述目标运动参数对应的至少一个初始模型参数为目标模型参数；然后基于所述目标模型参数确定目标运动模型，以基于所述目标运动模型计算获得目标血管的不同位置在不同时刻下的运动参数，获得血管的运动状态。即当获得了各目标运动参数后，就可以将各目标运动参数代入到之前预设的血管运动模型中，以此来获得该运动模型的目标模型参数，进而获得目标运动模型。由于血管具有一定的长度，因此可以用多个运动模型来分段/分区的描述血管的运动状态。即按照血管的长度方向为血管进行分区/分段，获得若干采样区/采样段，然后为每一采样区/采样段配置对应的运动模型，这样在根据各初始运动参数获得各目标运动参数后，就可以将各目标运动参数代入到对应的运动模型中、获得各目标模型参数，以此来获得与各采样区/采样段对应的目标运动模型。
在获得与目标血管对应的统一目标运动模型、或者获得与目标血管各区段对应的目标运动模型后，就可以利用目标运动模型来快速的确定目标血管的不同位置在不同时刻下的运动参数。进而推算出心脏的运动状态，为后续进行心脏图像重的重建奠定了基础。
本实例中，根据初始运动参数来重建获得重建数据/第一初始图像，然后通过从第一初始图像中提取横截面图像来对重建后的第一初始图像进行运动伪影评估，在评估结果不满足预设条件、即第一初始图像的运动伪影较强的情况下，重新更新一组初始运动参数，然后重复执行图像重建、血管横截面图像提取等步骤，来获得新的评估结果，直至重建后的第一初始图像的运动伪影较弱或不存在运动伪影时，说明初始运动参数是与血管的实际运动参数较为接近或一致，由此将初始运动参数作为目标运动参数即作为血管的实际运动参数，使得后续基于目标运动参数获得的目标运动模型更加准确、可靠，为后续基于目标运动模型准确的确定目标血管任意位置的运动状态奠定了基础。本实施例中，通过根据单一时刻的扫描数据就能确定出血管的运动状态，由此能够减少受检人员的所受的辐射剂量，同时也减轻了针对多幅三维图像进行特征识别、位置映射及运动估算等计算的压力，减少了计算量。
本申请另一实施例提供一种图像重建方法，包括如下步骤：
步骤一、获取目标血管的运动状态；
步骤二、采用所述目标血管的运动状态补偿所述原始扫描数据后，重建目标血管的三维图像。
本实施例中步骤一中的获取目标血管的运动状态的过程，可以参加上述任意一个血管运动状态的确定方法的实施例，本实施例在此不再重复赘述。
本实施例中，通过获得单个时刻的心脏三维图像所必须的CT数据即原始扫描数据，通过采用循环迭代的方式来确定出血管各采样位置的的目标运动参数，由此后续就可以基于该目标运动参数来确定血管的运动状态，例如例如根据各目标运动参数确定至少一个目标运动模型，最后利用该目标运动模型就可以准确的计算获得血管不同位置在不同时刻下的运动参数，以获得血管的运动状态；为后续基于血管的运动状态进行心脏血管图像的重建奠定了基础。
本申请另一实施例提供一种血管运动状态的确定装置，包括：
获取模块，用于获取包含目标血管的原始扫描数据；
配置模块，用于为所述目标血管配置若干运动参数；
重建模块，基于所述原始扫描数据和各所述运动参数，获取至少一幅所述目标血管的横截面图像；
确定模块，根据所述横截面图像的质量参数，迭代所述运动参数，以获取若干目标运动参数。
获得模块，用于基于各所述目标运动参数获得所述目标血管的运动状态。
本实施例在具体实施过程中，所述配置模块具体用于：为所述目标血管整体匹配若干运动参数；或者，沿目标血管的长度方向对目标血管进行分区，获得若干采样区；为各所述采样区配置对应的若干运动参数，所述若干采样区的运动参数至少部分不同。
本实施例在具体实施过程中，所述重建模块具体用于：基于各所述运动参数，对所述原始扫描数据进行运动补偿，获得补偿后的重建数据；基于所述重建数据，获取至少一幅所述目标血管的横截面图像。
本实施例中的血管运动状态的确定装置还包括重建范围确定模块，其具体用于：在基于所述重建数据，获取至少一幅所述目标血管的横截面图像之前，至少基于目标血管的位置信息以及目标血管的横截面积阈值，确定目标重建范围；所述重建模块具体用于：基于所述目标重建范围，获取至少一幅所述目标血管的横截面图像。
本实施例中血管运动状态的确定装置还包括采样点确定模块，其具体用于：基于目标血管的原始扫描数据，获取所述目标血管的原始三维图像；基于所述原始三维图像，获取所述目标血管的中心线，并在所述中心线上选取至少一个采样点。所述重建模块具体用于：基于所述原始扫描数据和各所述运动参数，获取所述至少一点采样点位置的所述目标血管的横截面图像。
本实施例中，所述质量参数包括血管的CT值、血管边缘的清晰度、以及血管横截面形状中的一种或几种运动伪影评估参数；所述确定模块具体用于：获取所述横截面图像对应的血管的CT值、血管边缘的清晰度、以及血管横截面形状中一种或多种，基于对应的所述血管的目标CT值、血管边缘的目标清晰度或血管横截面目标形状，迭代所述运动参数，以获取若干目标运动参数。
本实施例中，所述获得模块具体用于：基于各所述目标运动参数确定与各所述目标运动参数对应的目标运动模型，以基于所述目标运动模型获得所述目标血管的不同位置在不同时刻下的运动参数，获得目标血管的运动状态。
本实施例中，通过获得单个时刻的心脏三维图像所必须的CT数据即原始扫描数据，通过采用循环迭代的方式来确定出血管各采样位置的的目标运动参数，由此后续就可以基于该目标运动参数来确定血管的至少一个目标运动模型，最后利用该目标运动模型就可以准确的计算获得血管不同位置在不同时刻下的运动参数，以获得血管的运动状态；为后续基于血管的运动状态进行心脏血管图像的重建奠定了基础。
本申请另一实施例提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下方法的步骤：
步骤一、获取包含目标血管的原始扫描数据；
步骤二、为所述目标血管配置若干初始运动参数；
步骤三、基于所述原始扫描数据和各所述运动参数，获取至少一幅所述目标血管的横截面图像；
步骤四、根据所述横截面图像的质量参数，迭代所述运动参数，以获取若干目标运动参数；
步骤五、基于各所述目标运动参数获得所述目标血管的运动状态。
上述方法步骤的具体实施过程可参见上述任一血管运动状态的确定方法的实施例，本实施例在此不再重复赘述。
本实施例中，通过获得单个时刻的心脏三维图像所必须的CT数据即原始扫描数据，通过采用循环迭代的方式来确定出血管各采样位置的的目标运动参数，由此后续就可以基于该目标运动参数来确定血管的运动状态，例如例如根据各目标运动参数确定至少一个目标运动模型，最后利用该目标运动模型就可以准确的计算获得血管不同位置在不同时刻下的运动参数，以获得血管的运动状态；为后续基于血管的运动状态进行心脏血管图像的重建奠定了基础。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (10)

1.一种血管运动状态的确定方法，其特征在于，包括：
获取包含目标血管的原始扫描数据；
为所述目标血管配置若干运动参数；
基于所述原始扫描数据和各所述运动参数，获取至少一幅所述目标血管的横截面图像；
根据所述横截面图像的质量参数，迭代所述运动参数，以获取若干目标运动参数；
基于各所述目标运动参数获得所述目标血管的运动状态。
2.如权利要求1所述的方法，其特征在于，所述为所述目标血管配置若干运动参数，具体包括：
为所述目标血管整体匹配若干运动参数；
或者，沿目标血管的长度方向对目标血管进行分区，获得若干采样区；
为各所述采样区配置对应的若干运动参数，所述若干采样区的运动参数至少部分不同。
3.如权利要求1所述的方法，其特征在于，基于所述原始扫描数据和各所述运动参数，获取至少一幅所述目标血管的横截面图像，具体包括：
基于各所述运动参数，对所述原始扫描数据进行运动补偿，获得补偿后的重建数据；
基于所述重建数据，获取至少一幅所述目标血管的横截面图像。
4.如权利要求3所述的方法，其特征在于，在基于所述重建数据，获取至少一幅所述目标血管的横截面图像之前，所述方法还包括：
至少基于目标血管的位置信息以及目标血管的横截面积阈值，确定目标重建范围；
基于所述重建数据，获取至少一幅所述目标血管的横截面图像，包括：
基于所述目标重建范围，获取至少一幅所述目标血管的横截面图像。
5.根据权利要求1所述的方法，其特征在于，在基于所述原始扫描数据和各所述运动参数，获取至少一幅所述目标血管的横截面图像之前，所述方法还包括：
基于目标血管的原始扫描数据，获取所述目标血管的原始三维图像；
基于所述原始三维图像，获取所述目标血管的中心线，并在所述中心线上选取至少一个采样点；
在基于所述原始扫描数据和各所述运动参数，获取至少一幅所述目标血管的横截面图像，包括：基于所述原始扫描数据和各所述运动参数，获取所述至少一点采样点位置的所述目标血管的横截面图像。
6.如权利要求1所述的方法，其特征在于，所述质量参数包括血管的CT值、血管边缘的清晰度、以及血管横截面形状中的一种或几种运动伪影评估参数；
根据所述横截面图像的质量参数，迭代所述运动参数，以获取若干目标运动参数，具体包括：
获取所述横截面图像对应的血管的CT值、血管边缘的清晰度、以及血管横截面形状中一种或多种，基于对应的所述血管的目标CT值、血管边缘的目标清晰度或血管横截面目标形状，迭代所述运动参数，以获取若干目标运动参数。
7.如权利要求1所述的方法，其特征在于，所述基于各所述目标运动参数获得所述目标血管的运动状态，具体包括：
基于各所述目标运动参数确定与各所述目标运动参数对应的目标运动模型，以基于所述目标运动模型获得所述目标血管的不同位置在不同时刻下的运动参数，获得目标血管的运动状态。
8.一种图像重建方法，其特征在于，包括：
通过权利要求1-7任一项所述的血管运动状态的确定方法获取目标血管的运动状态；
采用所述目标血管的运动状态补偿所述原始扫描数据后，重建目标血管的三维图像。
9.一种血管运动状态的确定装置，其特征在于，包括：
获取模块，用于获取包含目标血管的原始扫描数据；
配置模块，用于为所述目标血管配置若干运动参数；
重建模块，基于所述原始扫描数据和各所述运动参数，获取至少一幅所述目标血管的横截面图像；
确定模块，根据所述横截面图像的质量参数，迭代所述运动参数，以获取若干目标运动参数；
获得模块，用于基于各所述目标运动参数获得所述目标血管的运动状态。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-7任一项所述血管运动状态的确定方法的步骤。
CN202111319015.0A 2021-11-09 2021-11-09 一种血管运动状态的确定方法及装置 Pending CN114202509A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111319015.0A CN114202509A (zh) 2021-11-09 2021-11-09 一种血管运动状态的确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111319015.0A CN114202509A (zh) 2021-11-09 2021-11-09 一种血管运动状态的确定方法及装置

Publications (1)

Publication Number Publication Date
CN114202509A true CN114202509A (zh) 2022-03-18

Family

ID=80647119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111319015.0A Pending CN114202509A (zh) 2021-11-09 2021-11-09 一种血管运动状态的确定方法及装置

Country Status (1)

Country Link
CN (1) CN114202509A (zh)

Similar Documents

Publication Publication Date Title
CN107563983B (zh) 图像处理方法以及医学成像设备
CN107038728B (zh) 基于迭代重建的轮廓自动化确定
CN111008984B (zh) 医学影像中正常器官的轮廓线自动勾画方法
US9430825B2 (en) Image processing apparatus, control method, and computer readable storage medium for analyzing retina layers of an eye
EP1690230B1 (en) Automatic multi-dimensional intravascular ultrasound image segmentation method
US5669382A (en) System for measuring myocardium in cardiac images
CN109478327B (zh) 用于在任意视场计算断层摄影血管造影（cta）中自动检测全身动脉的方法
US9111174B2 (en) Machine learnng techniques for pectoral muscle equalization and segmentation in digital mammograms
CN110796613A (zh) 一种图像伪影的自动识别方法及装置
US20150110373A1 (en) Systems and methods for registration of ultrasound and ct images
US20080159606A1 (en) Object Recognition System for Medical Imaging
KR101258814B1 (ko) 동적조영증강 유방 ｍｒ 영상에서 조직별 밝기값 보정 및 종양 강성 제약을 적용한 비강체 정합 방법 및 시스템
CN109377481B (zh) 图像质量评价方法、装置、计算机设备和存储介质
US20210272291A1 (en) Method and computer program for segmentation of optical coherence tomography images of the retina
CN113327225B (zh) 用于提供气道信息的方法
Vera et al. An automatic technique for left ventricle segmentation from msct cardiac volumes
CN109816665B (zh) 一种光学相干断层扫描图像的快速分割方法及装置
Bock et al. Robust vessel segmentation
CN111640127A (zh) 一种用于骨科的精准临床诊断导航方法
Georgieva et al. Ultrasound image processing for improving diagnose of renal diseases
CN114202509A (zh) 一种血管运动状态的确定方法及装置
CN111640126A (zh) 基于医学影像的人工智能诊断辅助方法
Georgieva et al. Prostate segmentation in ultrasound images using hybrid method
CN111768391B (zh) 一种基于ct影像的全自动心脏功能学分析方法、装置、计算机设备以及存储介质
CN113658172B (zh) 图像处理方法及装置、计算机可读存储介质及电子设备

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