CN114332202B - 血管模型的处理方法及其装置、计算机可读存储介质 - Google Patents
血管模型的处理方法及其装置、计算机可读存储介质 Download PDFInfo
- Publication number
- CN114332202B CN114332202B CN202111670339.9A CN202111670339A CN114332202B CN 114332202 B CN114332202 B CN 114332202B CN 202111670339 A CN202111670339 A CN 202111670339A CN 114332202 B CN114332202 B CN 114332202B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- target
- image
- point
- vessel
- 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
- 238000003672 processing method Methods 0.000 title abstract description 8
- 230000002792 vascular Effects 0.000 title description 3
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 307
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000000605 extraction Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 24
- 230000000694 effects Effects 0.000 description 15
- 230000001131 transforming effect Effects 0.000 description 7
- 230000009466 transformation Effects 0.000 description 6
- 238000002583 angiography Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000033115 angiogenesis Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种血管模型的处理方法及其装置、计算机可读存储介质。其中，该方法包括：响应作用于目标血管的初始血管图像上的预定操作，并基于预定操作确定初始血管图像上的特征点，其中，特征点包括以下至少之一：目标血管的血管断裂处两侧的点、目标血管的中心线断裂处两侧的点；获取特征点预定范围内各个节点的像素值；基于各个节点的像素值搜索得到目标血管的目标血管中心线；基于目标血管中心线以及目标血管中心线上各个点对应的血管半径得到目标血管模型。本发明解决了相关技术中对断裂血管或者断裂血管的中心线进行处理的方式可靠性较低的技术问题。
Description
技术领域
本发明涉及图像处理领域，具体而言，涉及一种血管模型的处理方法及其装置、计算机可读存储介质。
背景技术
数字剪影血管造影技术DSA，是显示冠状动脉的金标准。但是由于受到心跳波动引起的运动伪影，以及血管狭窄位置造影质量差而导致狭窄位置边缘模糊等原因，图像具有前景、背景对比度较低，血管边缘模糊，狭窄等关键位置信息丢失等缺陷。
在对图像进行分析时，研究学者一般会对原始图像进行滤波增强处理，来去除噪声对数据的影响，同时采用多种增强方法增强目标血管的边缘，例如，使用边缘增强算子、Frangi增强方法等。但多种方法对于图像质量较差的图像仍然提取不到完整的关键位置信息。
例如，一帧原始DSA图像数据，如图1(a)所示(图1(a)是根据现有技术的原始DSA图像的示意图)所示，其中，白色矩形框内部为一处狭窄区域，图1(b)是根据现有技术的对原始图像进行Frangi增强的效果图，如图1(b)所示，由于原图血管狭窄处狭窄程度较大，造影剂浓度小，此处与背景像素值相近，使得增强算法在这种情况下失效，导致此处血管模型断裂，完全缺失狭窄处信息，该图像是灰度渐变的图像，为了方便显示将除背景外的其他区域像素值置1，如图1(c)所示(图1(c)是根据现有技术的对原始图像进行Frangi增强的二值图)，此时可见分叉处血管已经完全断裂。血管模型断裂会严重影响后续的中心线提取、半径的获取、血流流量流速等后续分析。虽然Hessian增强算法有多个参数可以调整，但是如果针对狭窄区域调参又会造成正常血管区域严重失真，所以无法依赖增强算法调参来避免血管断裂问题的发生。
针对这一问题有些直接对血管操作，通过对断裂血管进行多次膨胀，直到两段血管构成一个连通域，然后进行腐蚀操作，然而此方法不适合解决断裂过大的情况，会导致正常血管区域发生严重失真。另外还有一些对中心线进行操作，采取判断端点间距离，若大于一定距离则认为应该相连，通过拟合曲线相连接，此方法具有一定计算量，而且需要设定阈值，同样无法解决断裂过大的情况。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种血管模型的处理方法及其装置、计算机可读存储介质，以至少解决相关技术中对断裂血管或者断裂血管的中心线进行处理的方式可靠性较低的技术问题。
根据本发明实施例的一个方面，提供了一种血管模型的处理方法，包括：响应作用于目标血管的初始血管图像上的预定操作，并基于所述预定操作确定所述初始血管图像上的特征点，其中，所述特征点包括以下至少之一：所述目标血管的血管断裂处两侧的点、所述目标血管的中心线断裂处两侧的点；获取所述特征点预定范围内各个节点的像素值；基于所述各个节点的像素值搜索得到所述目标血管的目标血管中心线；基于所述目标血管中心线以及所述目标血管中心线上各个点对应的血管半径得到目标血管模型。
可选地，所述方法还包括：获取所述目标血管的初始血管图像；对所述初始血管图像进行提取，得到所述目标血管，其中，所述初始血管图像的提取方式包括以下至少之一：边缘提取、图像增强。
可选地，在获取所述特征点预定范围内各个节点的像素值之前，所述方法还包括：对所述初始血管图像或所述目标血管对应的目标血管图像进行图像转换，以确定所述初始血管图像内各点或所述目标血管图像内各点的像素值。
可选地，对所述初始血管图像或所述目标血管图像进行图像转换，包括：确定所述目标血管内各点到所述目标血管边缘的距离；将所述目标血管内各点到所述目标血管边缘的距离确定为所述初始血管图像内各点或所述目标血管图像内各点的像素值。
可选地，基于所述各个节点的像素值搜索得到所述目标血管的目标血管中心线，包括：基于所述各个节点的像素值的倒数确定所述各个节点的代价值利用最短路径策略搜索所述各个节点的代价值中变化的较小值，确定所述目标血管的多个中心点；遍历所述多个中心点中每一个中心点与其相邻中心点的代价值小于预定阈值的部分中心点；确定所述部分中心点构成的中心线为所述目标血管中心线。
可选地，确定所述部分中心点构成的中心线为所述目标血管中心线，包括：获取多条曲线段中每条曲线段的长度值，其中，所述多条曲线段是基于所述部分中心点确定的曲线段；基于所述每条曲线段的长度值以及预定长度值对所述多个中心点进行插值处理，得到插值处理后的部分中心点；基于插值处理后的部分中心点得到所述目标血管中心线。
可选地，基于所述每条曲线段的长度值以及预定长度值对所述部分中心点进行插值处理，包括：将所述每条曲线段的长度值分别与所述预定长度值进行比较，得到比较结果；将所述比较结果中长度值大于所述预定长度值的曲线段确定为插值对象；基于所述预定长度对所述插值对象进行插值处理。
可选地，基于所述目标血管中心线以及所述目标血管中心线上各个点对应的血管半径得到目标血管模型，包括：基于所述目标血管的血管类型确定所述目标血管的血管半径最小阈值；基于所述初始血管图像内各点或所述图像增强处理后的初始目标血管图像内各点的像素值确定所述目标血管中心线上各个点对应的血管半径；基于所述血管半径最小阈值以及所述各个点对应的血管半径得到所述目标血管模型。
根据本发明实施例的另外一个方面，还提供了一种血管模型的处理装置，包括：确定模块，用于响应作用于目标血管的初始血管图像上的预定操作，并基于所述预定操作确定所述初始血管图像上的特征点，其中，所述特征点包括以下至少之一：所述目标血管的血管断裂处两侧的点、所述目标血管的中心线断裂处两侧的点；第一获取模块，用于获取所述特征点预定范围内各个节点的像素值；搜索模块，用于基于所述各个节点的像素值搜索得到所述目标血管的目标血管中心线；第二获取模块，用于基于所述目标血管中心线以及所述目标血管中心线上各个点对应的血管半径得到目标血管模型。
可选地，所述装置还包括：第一获取单元，用于获取所述目标血管的初始血管图像；提取单元，用于对所述初始血管图像进行提取，得到所述目标血管，其中，所述初始血管图像的提取方式包括以下至少之一：边缘提取、图像增强。
可选地，所述装置还包括：转换单元，用于在获取所述特征点预定范围内各个节点的像素值之前，对所述初始血管图像或所述目标血管对应的目标血管图像进行图像转换，以确定所述初始血管图像内各点或所述目标血管图像内各点的像素值。
可选地，所述转换单元，包括：第一确定子单元，用于确定所述目标血管内各点到所述目标血管边缘的距离；第二确定子单元，用于将所述目标血管内各点到所述目标血管边缘的距离确定为所述初始血管图像内各点或所述目标血管图像内各点的像素值。
可选地，所述搜索模块，包括：第一确定单元，用于基于所述各个节点的像素值的倒数确定所述各个节点的代价值第二确定单元，用于利用最短路径策略搜索所述各个节点的代价值中变化的较小值，确定所述目标血管的多个中心点；遍历单元，用于遍历所述多个中心点中每一个中心点与其相邻中心点的代价值小于预定阈值的部分中心点；第三确定单元，用于确定所述部分中心点构成的中心线为所述目标血管中心线。
可选地，所述第三确定单元，包括：获取子单元，用于获取多条曲线段中每条曲线段的长度值，其中，所述多条曲线段是基于所述部分中心点确定的曲线段；第一插值处理子单元，用于基于所述每条曲线段的长度值以及预定长度值对所述多个中心点进行插值处理，得到插值处理后的部分中心点；获取子单元，用于基于插值处理后的部分中心点得到所述目标血管中心线。
可选地，所述处理子单元，包括：比较子单元，用于将所述每条曲线段的长度值分别与所述预定长度值进行比较，得到比较结果；确定子单元，用于将所述比较结果中长度值大于所述预定长度值的曲线段确定为插值对象；第二插值处理子单元，用于基于所述预定长度对所述插值对象进行插值处理。
可选地，所述第二获取模块，包括：第四确定单元，用于基于所述目标血管的血管类型确定所述目标血管的血管半径最小阈值；第五确定单元，用于基于所述初始血管图像内各点或所述图像增强处理后的初始目标血管图像内各点的像素值确定所述目标血管中心线上各个点对应的血管半径；第二获取单元，用于基于所述血管半径最小阈值以及所述各个点对应的血管半径得到所述目标血管模型。
根据本发明实施例的另外一个方面，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包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述计算机可读存储介质所在设备执行上述中任一项所述的血管模型的处理方法。
根据本发明实施例的另外一个方面，还提供了一种处理器，所述处理器用于运行计算机程序，其中，所述计算机程序运行时执行上述中任一项所述的血管模型的处理方法。
在本发明实施例中，响应作用于目标血管的初始血管图像上的预定操作，并基于预定操作确定初始血管图像上的特征点，其中，特征点包括以下至少之一：目标血管的血管断裂处两侧的点、目标血管的中心线断裂处两侧的点；获取特征点预定范围内各个节点的像素值；基于各个节点的像素值搜索得到目标血管的目标血管中心线；基于目标血管中心线以及目标血管中心线上各个点对应的血管半径得到目标血管模型。通过本发明实施例提供的血管模型的处理方法，达到了基于预定操作获取目标血管中心线以及目标血管中心线上各个点对应的血管半径以得到目标血管模型的目的，从而实现了提升对断裂血管进行处理的可靠性的技术效果，进而解决了相关技术中对断裂血管或者断裂血管的中心线进行处理的方式可靠性较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1(a)是根据现有技术的原始DSA图像的示意图；
图1(b)是根据现有技术的对原始图像进行Frangi增强的效果图；
图1(c)是根据现有技术的对原始图像进行Frangi增强的二值图；
图2是根据本发明实施例的血管模型的处理方法的流程图；
图3(a)是根据本发明实施例的针对二维图像使用Distance transform变换前的效果图；
图3(b)是根据本发明实施例的针对二维图像使用Distance transform变换前的效果图；
图4(a)是根据本发明实施例的针对三维图像使用Distance transform变换前的效果图；
图4(b)是根据本发明实施例的针对三维图像使用Distance transform变换前的效果图；
图5是根据本发明实施例的优选的血管模型的处理方法的逻辑流程图；
图6是根据本发明实施例的血管模型生成步骤的示意图；
图7是根据本发明实施例的血管模型的处理装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种血管模型的处理方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图2是根据本发明实施例的血管模型的处理方法的流程图，如图2所示，该方法包括如下步骤：
步骤S102，响应作用于目标血管的初始血管图像上的预定操作，并基于预定操作确定初始血管图像上的特征点，其中，特征点包括以下至少之一：目标血管的血管断裂处两侧的点、目标血管的中心线断裂处两侧的点。
可选的，在上述步骤中，获取数字剪影血管造影技术DSA影像，选择目标血管造影图像来使用预定算法来获取初始血管图像上的特征点，其中，预定算法包括但不限于：多尺度Frangi滤波算法。
步骤S204，获取特征点预定范围内各个节点的像素值。
可选的，获取特征点在某个预定范围内的各个节点的像素值，其中，节点为人工交互获取到的感兴趣点，分别包括起点和终点。
步骤S206，基于各个节点的像素值搜索得到目标血管的目标血管中心线。
可选的，在上述步骤中，基于各个节点对应的像素值取像素值的倒数作为节点之间的特定值，则获取多个特定值，结合沿着最小的特定值的方向进行追踪来得到中心点，进行多组这样的处理并且将多个中心点进行连接，则得到目标血管的目标血管中心线。
步骤S208，基于目标血管中心线以及目标血管中心线上各个点对应的血管半径得到目标血管模型。
由上可知，在本发明实施例中，首先可以响应作用于目标血管的初始血管图像上的预定操作，并基于预定操作确定初始血管图像上的特征点，其中，特征点包括以下至少之一：目标血管的血管断裂处两侧的点、目标血管的中心线断裂处两侧的点；接着可以获取特征点预定范围内各个节点的像素值；接着可以基于各个节点的像素值搜索得到目标血管的目标血管中心线；最后可以基于目标血管中心线以及目标血管中心线上各个点对应的血管半径得到目标血管模型。通过本发明实施例提供的血管模型的处理方法，达到了基于预定操作获取目标血管中心线以及目标血管中心线上各个点对应的血管半径以得到目标血管模型的目的，从而实现了提升对断裂血管进行处理的可靠性的技术效果，进而解决了相关技术中对断裂血管或者断裂血管的中心线进行处理的方式可靠性较低的技术问题。
作为一种可选的实施例，该血管模型的处理方法还包括：获取目标血管的初始血管图像；对初始血管图像进行提取，得到目标血管，其中，初始血管图像的提取方式包括以下至少之一：边缘提取、图像增强。
在上述可选的实施例中，首先可以获取数字剪影血管造影技术DSA影像，选择一张血管造影图像，作为后续分析的输入，接着，使用多尺度Frangi滤波增强图像(不限于该增强方法)，其中，需要说明的是，该增强方法可以较好地识别管状结构，在增强模糊边缘的同时，加强对背景噪声的抑制，使得增强效果更加明显，所以该方法多用于血管增强方面，保证大部分血管边缘被准确识别。但是，由于该方法依赖原始像素值，所以对于造影不均匀的位置，血管最亮的位置不在血管中心。
作为一种可选的实施例，在获取特征点预定范围内各个节点的像素值之前，该血管模型的处理方法还包括：对初始血管图像或目标血管对应的目标血管图像进行图像转换，以确定初始血管图像内各点或目标血管图像内各点的像素值。
在上述可选的实施例中，首先对初始血管图像或者目标血管对应的血管图像进行图像转换，接着基于图像转换结果来确定血管图像内每个点的像素值，需要说明的是，图像转换的预定算法包括但不限于：图像二值化算法。
需要说明的是，在基于所述预定操作确定所述初始血管图像上的特征点之前，所述方法还包括：对所述初始血管图像进行识别，以得到所述目标血管或所述目标血管的中心线的断裂信息；基于所述断裂信息对所述目标血管或所述目标血管的中心线的断裂处进行突出显示。
作为一种可选的实施例，对初始血管图像或目标血管图像进行图像转换，包括：确定目标血管内各点到目标血管边缘的距离；将目标血管内各点到目标血管边缘的距离确定为初始血管图像内各点或目标血管图像内各点的像素值。
在上述可选的实施例中，首先对增强图像进行Distance transform变换，需要说明的是，该算法不考虑原始图像的像素值，只考虑血管内部的点与血管边缘的距离，将距离作为当前图像的像素值，即血管中心上的点距离血管边缘最远，同时该点的像素值最大、亮度最亮，从中心向边缘过渡，像素值逐渐降低，直到到达边缘，像素值为0，进入背景。此操作输入为二值图，该操作突出血管中心像素值与便于正确追踪路径是得到居中中心线的前提。
图3(a)是根据本发明实施例的针对二维图像使用Distance transform变换前的效果图，如图3(a)所示，二维图像中使用Distance transform变换前在大角度弯曲的血管处中心线提取不太准确，在应用了Distance transform变换后如图3(b)(图3(b)是根据本发明实施例的针对二维图像使用Distance transform变换前的效果图)所示，在大角度弯曲的血管处以及其他地方的中心线提取准确性有了很大提升。
图4(a)是根据本发明实施例的针对三维图像使用Distance transform变换前的效果图，如图4(a)所示，三维图像中使用Distance transform变换前在大角度弯曲的血管处中心线提取不太准确，在应用了Distance transform变换后如图4(b)(图4(b)是根据本发明实施例的针对三维图像使用Distance transform变换前的效果图)所示，在大角度弯曲的血管处以及其他地方的中心线提取准确性有了很大提升。
作为一种可选的实施例，基于各个节点的像素值搜索得到目标血管的目标血管中心线，包括：基于各个节点的像素值的倒数确定各个节点的代价值利用最短路径策略搜索各个节点的代价值中变化的较小值，确定目标血管的多个中心点；遍历多个中心点中每一个中心点与其相邻中心点的代价值小于预定阈值的部分中心点；确定部分中心点构成的中心线为目标血管中心线。
在上述可选的实施例中，首先可以计算Minimum Cost。需要说明的是，解决最短路径问题常用的方法包括但不限于：Dijkstra算法、Floyd算法等，其中各节点的最短路径由Minimum Cost决定。本方法构造Minimum Cost函数的方法中，Minimum Cost根据图像像素值计算得到，由于血管中心线位置像素值大，但是算法寻找最短路径时按最小的Cost进行追踪，所以取像素值的倒数作为节点间的Cost，所以算法将按照Cost降低最缓慢的方向追踪，寻找连续的中心线。
作为一种可选的实施例，确定部分中心点构成的中心线为目标血管中心线，包括：获取多条曲线段中每条曲线段的长度值，其中，多条曲线段是基于部分中心点确定的曲线段；基于所述每条曲线段的长度值以及预定长度值对所述多个中心点进行插值处理，得到插值处理后的部分中心点；基于插值处理后的部分中心点得到所述目标血管中心线。
需要说明的是，插值处理就是利用已知邻近像素点的灰度值(或RGB图像中的三色值)来产生未知像素点的灰度值，以便由原始图像再生具有更高分辨率的图像，是对原图像的像素重新分布，从而来改变像素数量的一种方法。
作为一种可选的实施例，基于每条曲线段的长度值以及预定长度值对部分中心点进行插值处理，包括：将每条曲线段的长度值分别与预定长度值进行比较，得到比较结果；将比较结果中长度值大于预定长度值的曲线段确定为插值对象；基于预定长度对插值对象进行插值处理。
在上述可选的实施例中，首先对中心线使用插值方法来获取中心线插值，并且为了保证后续步骤能够生成连贯血管，那么中心线不能太稀疏，为了防止这一问题，本方法对全部中心点进行插值处理，例如使用定步长插值法，该方法将初始中心点连接的曲线段按其距离长短重新划分，保证两点间距离不超过某个阈值，阈值可手动设置。
作为一种可选的实施例，基于目标血管中心线以及目标血管中心线上各个点对应的血管半径得到目标血管模型，包括：基于目标血管的血管类型确定目标血管的血管半径最小阈值；基于初始血管图像内各点或图像增强处理后的初始目标血管图像内各点的像素值确定目标血管中心线上各个点对应的血管半径；基于血管半径最小阈值以及各个点对应的血管半径得到目标血管模型。
图5是根据本发明实施例的优选的血管模型的处理方法的逻辑流程图，如图5所示，下面结合图6(图6是根据本发明实施例的血管模型生成步骤的示意图)详细介绍本发明实施例提供的方法的步骤。
步骤一、获取初始图像。获取数字剪影血管造影技术DSA影像，选择一张血管造影图像，如图6中A图所示，作为后续分析的输入。
步骤二、滤波增强图像。常用的增强算法可以增强模糊边缘，加强对背景噪声的抑制，增大前景与背景的区别。但是方法基本依赖原始像素值，所以针对图像质量差、关键位置模糊等情况效果较差，同时对于造影不均匀的位置，血管最亮的位置不在血管中心，如图6中B图所示。
步骤三、对增强图像进行Distance transform变换。该算法不考虑原始图像的像素值，只考虑血管内部的点与血管边缘的距离，将距离作为当前图像的像素值，即血管中心上的点距离血管边缘最远，同时该点的像素值最大、亮度最亮，从中心向边缘过渡，像素值逐渐降低，直到到达边缘，像素值为0，进入背景。如图6中C图所示，此操作输入为二值图，该操作突出血管中心像素值，便于正确追踪路径，是得到居中中心线的前提。
步骤四、人工交互获取感兴趣点，分别包括起点和终点。
步骤五、计算Minimum Cost。解决最短路径问题常用的方法有Dijkstra算法、Floyd算法等，其中各节点的最短路径由Minimum Cost决定。本方法构造Minimum Cost函数的方法如下，Minimum Cost根据图像像素值计算得到，由于血管中心线位置像素值大，但是算法寻找最短路径时按最小的Cost进行追踪，所以取像素值的倒数作为节点间的Cost，所以算法将按照Cost降低最缓慢的方向追踪，寻找连续的中心线。
步骤六、使用插值方法，对中心线插值，为了保证后续步骤能够生成连贯血管，那么中心线不能太稀疏，为了防止这一问题，如图6中D图所示，本方法实施例对全部中心点进行插值处理。如定步长插值法，该方法将初始中心点连接的曲线段按其距离长短重新划分，保证两点间距离不超过某个阈值，阈值可手动设置。
步骤七、构造Distancemap。可连接断裂的血管，如图6中E图所示，本步骤输入为中心线和断裂的血管，将Distance transform图的像素值转换为该中心点处的半径大小，并设置半径最小阈值，保证所有中心点都有半径信息，最终即可得到补全的血管。
由上可知，通过本发明实施例可以提取出断裂血管的中心线，以修补断裂的血管，还可解决断裂处距离较大的血管修补问题。另外，方法可通过确定额外的点作为中心线的必经点，来获取指定的中心线；相较于完全依赖血管的中心线提取方法(拓扑细化)，本方法可以使中心线击穿血管，进而修补断裂的血管，另外，相较于基于距离的中心线提取方法，本方法可以使中心线居中，得到可靠的半径信息。
实施例2
根据本发明实施例的另外一个方面，还提供了一种血管模型的处理装置，图7是根据本发明实施例的血管模型的处理装置的示意图，如图7所示，包括：确定模块71、第一获取模块73、搜索模块75以及第二获取模块77。下面对该血管模型的处理装置进行说明。
确定模块71，用于响应作用于目标血管的初始血管图像上的预定操作，并基于预定操作确定初始血管图像上的特征点，其中，特征点包括以下至少之一：目标血管的血管断裂处两侧的点、目标血管的中心线断裂处两侧的点；
第一获取模块73，用于获取特征点预定范围内各个节点的像素值；
搜索模块75，用于基于各个节点的像素值搜索得到目标血管的目标血管中心线；
第二获取模块77，用于基于目标血管中心线以及目标血管中心线上各个点对应的血管半径得到目标血管模型。
此处需要说明的是，上述确定模块71、第一获取模块73、搜索模块75以及第二获取模块77对应于实施例1中的步骤S202至S208，上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
由上可知，在本发明实施例中，首先可以借助确定模块71响应作用于目标血管的初始血管图像上的预定操作，并基于预定操作确定初始血管图像上的特征点，其中，特征点包括以下至少之一：目标血管的血管断裂处两侧的点、目标血管的中心线断裂处两侧的点；接着可以借助第一获取模块73获取特征点预定范围内各个节点的像素值；接着可以借助搜索模块75基于各个节点的像素值搜索得到目标血管的目标血管中心线；最后可以借助第二获取模块77基于目标血管中心线以及目标血管中心线上各个点对应的血管半径得到目标血管模型。通过本发明实施例提供的血管模型的处理装置，达到了基于预定操作获取目标血管中心线以及目标血管中心线上各个点对应的血管半径以得到目标血管模型的目的，从而实现了提升对断裂血管进行处理的可靠性的技术效果，进而解决了相关技术中对断裂血管或者断裂血管的中心线进行处理的方式可靠性较低的技术问题。
可选地，该血管模型的处理装置还包括：第一获取单元，用于获取目标血管的初始血管图像；提取单元，用于对初始血管图像进行提取，得到目标血管，其中，初始血管图像的提取方式包括以下至少之一：边缘提取、图像增强。
可选地，该血管模型的处理装置还包括：转换单元，用于在获取特征点预定范围内各个节点的像素值之前，对初始血管图像或目标血管对应的的目标血管图像进行图像转换，以确定初始血管图像内各点或目标血管图像内各点的像素值。
可选地，转换单元，包括：第一确定子单元，用于确定目标血管内各点到目标血管边缘的距离；第二确定子单元，用于将目标血管内各点到目标血管边缘的距离确定为初始血管图像内各点或目标血管图像内各点的像素值。
可选地，搜索模块，包括：第一确定单元，用于基于各个节点的像素值的倒数确定各个节点的代价值第二确定单元，用于利用最短路径策略搜索各个节点的代价值中变化的较小值，确定目标血管的多个中心点；遍历单元，用于遍历多个中心点中每一个中心点与其相邻中心点的代价值小于预定阈值的部分中心点；第三确定单元，用于确定部分中心点构成的中心线为目标血管中心线。
可选地，第三确定单元，包括：获取子单元，用于获取多条曲线段中每条曲线段的长度值，其中，多条曲线段是基于部分中心点确定的曲线段；第一插值处理子单元，用于基于每条曲线段的长度值以及预定长度值对多个中心点进行插值处理，得到插值处理后的部分中心点；获取子单元，用于基于插值处理后的部分中心点得到目标血管中心线。
可选地，处理子单元，包括：比较子单元，用于将每条曲线段的长度值分别与预定长度值进行比较，得到比较结果；确定子单元，用于将比较结果中长度值大于预定长度值的曲线段确定为插值对象；第二插值处理子单元，用于基于预定长度对插值对象进行插值处理。
可选地，第二获取模块，包括：第四确定单元，用于基于目标血管的血管类型确定目标血管的血管半径最小阈值；第五确定单元，用于基于初始血管图像内各点或图像增强处理后的初始目标血管图像内各点的像素值确定目标血管中心线上各个点对应的血管半径；第二获取单元，用于基于血管半径最小阈值以及各个点对应的血管半径得到目标血管模型。
实施例3
根据本发明实施例的另外一个方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序被处理器运行时控制计算机可读存储介质所在设备执行上述中任一项的血管模型的处理方法。
实施例4
根据本发明实施例的另外一个方面，还提供了一种处理器，处理器用于运行计算机程序，其中，计算机程序运行时执行上述中任一项的血管模型的处理方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种血管模型的处理方法，其特征在于，包括：
响应作用于目标血管的初始血管图像上的预定操作，并基于所述预定操作确定所述初始血管图像上的特征点，其中，所述特征点包括以下至少之一：所述目标血管的血管断裂处两侧的点、所述目标血管的中心线断裂处两侧的点；
获取所述特征点预定范围内各个节点的像素值；
基于所述各个节点的像素值搜索得到所述目标血管的目标血管中心线；
基于所述目标血管的血管类型确定所述目标血管的血管半径最小阈值；
基于所述初始血管图像内各点或图像增强处理后的初始目标血管图像内各点的像素值确定所述目标血管中心线上各个点对应的血管半径；
基于所述血管半径最小阈值以及所述各个点对应的血管半径得到所述目标血管模型；
其中，基于所述各个节点的像素值搜索得到所述目标血管的目标血管中心线，包括：基于所述各个节点的像素值的倒数确定所述各个节点的代价值；利用最短路径策略搜索所述各个节点的代价值中变化的较小值，确定所述目标血管的多个中心点；遍历所述多个中心点中每一个中心点与其相邻中心点的代价值小于预定阈值的部分中心点；获取多条曲线段中每条曲线段的长度值，其中，所述多条曲线段是基于所述部分中心点确定的曲线段；基于所述每条曲线段的长度值以及预定长度值对所述多个中心点进行插值处理，得到插值处理后的部分中心点；基于插值处理后的部分中心点得到所述目标血管中心线。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述目标血管的初始血管图像；
对所述初始血管图像进行提取，得到所述目标血管，其中，所述初始血管图像的提取方式包括以下至少之一：边缘提取、图像增强。
3.根据权利要求2所述的方法，其特征在于，在获取所述特征点预定范围内各个节点的像素值之前，所述方法还包括：对所述初始血管图像或所述目标血管对应的目标血管图像进行图像转换，以确定所述初始血管图像内各点或所述目标血管图像内各点的像素值。
4.根据权利要求3所述的方法，其特征在于，对所述初始血管图像或所述目标血管图像进行图像转换，包括：
确定所述目标血管内各点到所述目标血管边缘的距离；
将所述目标血管内各点到所述目标血管边缘的距离确定为所述初始血管图像内各点或所述目标血管图像内各点的像素值。
5.根据权利要求1所述的方法，其特征在于，基于所述每条曲线段的长度值以及预定长度值对所述部分中心点进行插值处理，包括：
将所述每条曲线段的长度值分别与所述预定长度值进行比较，得到比较结果；
将所述比较结果中长度值大于所述预定长度值的曲线段确定为插值对象；
基于所述预定长度对所述插值对象进行插值处理。
6.一种血管模型的处理装置，其特征在于，包括：
确定模块，用于响应作用于目标血管的初始血管图像上的预定操作，并基于所述预定操作确定所述初始血管图像上的特征点，其中，所述特征点包括以下至少之一：所述目标血管的血管断裂处两侧的点、所述目标血管的中心线断裂处两侧的点；
第一获取模块，用于获取所述特征点预定范围内各个节点的像素值；
搜索模块，用于基于所述各个节点的像素值搜索得到所述目标血管的目标血管中心线；
第二获取模块，用于基于所述目标血管的血管类型确定所述目标血管的血管半径最小阈值；基于所述初始血管图像内各点或图像增强处理后的初始目标血管图像内各点的像素值确定所述目标血管中心线上各个点对应的血管半径；基于所述血管半径最小阈值以及所述各个点对应的血管半径得到所述目标血管模型；
其中，所述搜索模块，包括：第一确定单元，用于基于所述各个节点的像素值的倒数确定所述各个节点的代价值第二确定单元，用于利用最短路径策略搜索所述各个节点的代价值中变化的较小值，确定所述目标血管的多个中心点；遍历单元，用于遍历所述多个中心点中每一个中心点与其相邻中心点的代价值小于预定阈值的部分中心点；第三确定单元，用于确定所述部分中心点构成的中心线为所述目标血管中心线；所述第三确定单元，包括：获取子单元，用于获取多条曲线段中每条曲线段的长度值，其中，所述多条曲线段是基于所述部分中心点确定的曲线段；第一插值处理子单元，用于基于所述每条曲线段的长度值以及预定长度值对所述多个中心点进行插值处理，得到插值处理后的部分中心点；获取子单元，用于基于插值处理后的部分中心点得到所述目标血管中心线。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述计算机可读存储介质所在设备执行上述权利要求1至5中任一项所述的血管模型的处理方法。
8.一种计算机处理器，其特征在于，所述计算机处理器用于运行计算机程序，其中，所述计算机程序运行时执行上述权利要求1至5中任一项所述的血管模型的处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111670339.9A CN114332202B (zh) | 2021-12-30 | 2021-12-30 | 血管模型的处理方法及其装置、计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111670339.9A CN114332202B (zh) | 2021-12-30 | 2021-12-30 | 血管模型的处理方法及其装置、计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114332202A CN114332202A (zh) | 2022-04-12 |
| CN114332202B true CN114332202B (zh) | 2023-11-24 |
Family
ID=81020975
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111670339.9A Active CN114332202B (zh) | 2021-12-30 | 2021-12-30 | 血管模型的处理方法及其装置、计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114332202B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118297974B (zh) * | 2024-06-06 | 2024-08-13 | 柏意慧心(杭州)网络科技有限公司 | 一种血管夹层腔体分离方法及装置、存储介质、设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184567A (zh) * | 2011-05-04 | 2011-09-14 | 北京师范大学 | 基于球b样条曲线的三维血管模型构造方法 |
| CN107067398A (zh) * | 2017-04-28 | 2017-08-18 | 青岛海信医疗设备股份有限公司 | 用于三维医学模型中缺失血管的补全方法及装置 |
| CN109272485A (zh) * | 2018-08-07 | 2019-01-25 | 青岛海信医疗设备股份有限公司 | 血管三维模型的修补方法、装置和电子设备 |
| CN110223271A (zh) * | 2019-04-30 | 2019-09-10 | 深圳市阅影科技有限公司 | 血管图像的自动水平集分割方法及装置 |
| CN112700490A (zh) * | 2021-01-08 | 2021-04-23 | 杭州深睿博联科技有限公司 | 一种基于最大半径搜索的冠脉中心线生成方法及装置 |
| CN112884826A (zh) * | 2021-03-26 | 2021-06-01 | 北京阅影科技有限公司 | 血管中心线的提取方法及装置 |
| CN113516700A (zh) * | 2021-07-07 | 2021-10-19 | 上海商汤智能科技有限公司 | 图像处理方法、装置及其相关设备和存储介质 |
| CN113674392A (zh) * | 2021-07-06 | 2021-11-19 | 北京阅影科技有限公司 | 三维血管模型的生成方法及其装置 |
| CN113724315A (zh) * | 2021-09-03 | 2021-11-30 | 上海海事大学 | 眼底视网膜血管宽度测量方法、电子设备及计算机可读存储介质 |
-
2021
- 2021-12-30 CN CN202111670339.9A patent/CN114332202B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184567A (zh) * | 2011-05-04 | 2011-09-14 | 北京师范大学 | 基于球b样条曲线的三维血管模型构造方法 |
| CN107067398A (zh) * | 2017-04-28 | 2017-08-18 | 青岛海信医疗设备股份有限公司 | 用于三维医学模型中缺失血管的补全方法及装置 |
| CN109272485A (zh) * | 2018-08-07 | 2019-01-25 | 青岛海信医疗设备股份有限公司 | 血管三维模型的修补方法、装置和电子设备 |
| CN110223271A (zh) * | 2019-04-30 | 2019-09-10 | 深圳市阅影科技有限公司 | 血管图像的自动水平集分割方法及装置 |
| CN112700490A (zh) * | 2021-01-08 | 2021-04-23 | 杭州深睿博联科技有限公司 | 一种基于最大半径搜索的冠脉中心线生成方法及装置 |
| CN112884826A (zh) * | 2021-03-26 | 2021-06-01 | 北京阅影科技有限公司 | 血管中心线的提取方法及装置 |
| CN113674392A (zh) * | 2021-07-06 | 2021-11-19 | 北京阅影科技有限公司 | 三维血管模型的生成方法及其装置 |
| CN113516700A (zh) * | 2021-07-07 | 2021-10-19 | 上海商汤智能科技有限公司 | 图像处理方法、装置及其相关设备和存储介质 |
| CN113724315A (zh) * | 2021-09-03 | 2021-11-30 | 上海海事大学 | 眼底视网膜血管宽度测量方法、电子设备及计算机可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 一种从 X 射线血管造影图像中自动分割冠状动脉的新方法;周寿军 等;《中国科学》;第37卷(第12期);第1531-5143页 * |
| 高毓麟 等.《矿山控制系统的计算机仿真》.北京：煤炭工业出版社,1992,第68-91页. * |
| 黄善国 等.《 多维光网络规划与优化技术》.北京：北京邮电大学出版社,2019,第70-76页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114332202A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112419271B (zh) | 一种图像分割方法、装置及计算机可读存储介质 | |
| CN113221925B (zh) | 一种基于多尺度图像的目标检测方法及装置 | |
| US20160259972A1 (en) | Complex background-oriented optical character recognition method and device | |
| CN111292272B (zh) | 图像处理方法、装置、介质以及电子设备 | |
| CN104919491A (zh) | 图像处理的改进或与图像处理相关的改进 | |
| CN114332202B (zh) | 血管模型的处理方法及其装置、计算机可读存储介质 | |
| Chen et al. | Single depth image super-resolution using convolutional neural networks | |
| CN115631112B (zh) | 一种基于深度学习的建筑轮廓矫正方法及装置 | |
| CN114862861B (zh) | 基于少样本学习的肺叶分割方法和装置 | |
| CN113963006B (zh) | 一种视网膜血管矢量化模型的构建方法、装置及存储介质 | |
| CN109712134B (zh) | 虹膜图像质量评价方法、装置及电子设备 | |
| CN114758268A (zh) | 手势识别方法、装置及智能设备 | |
| Wang | Segmentation of the left ventricle in short‐axis sequences by combining deformation flow and optical flow | |
| CN113744158B (zh) | 图像生成方法、装置、电子设备和存储介质 | |
| CN116543373A (zh) | 基于区块链的直播视频大数据智能分析和优化方法及系统 | |
| CN113378847B (zh) | 字符分割方法、系统、计算机设备和存储介质 | |
| CN115170657A (zh) | 钢轨识别方法及装置 | |
| Yang et al. | Hierarchical joint bilateral filtering for depth post-processing | |
| CN114648751A (zh) | 一种处理视频字幕的方法、装置、终端及存储介质 | |
| JP2000132692A (ja) | 曲線の特徴点抽出方法及びこの方法を記録した記録媒体 | |
| CN111898531A (zh) | 卫星通信信号识别方法、装置及电子设备 | |
| CN110866525A (zh) | 图像角度矫正方法、装置、计算机设备及存储介质 | |
| CN115187598B (zh) | 血管造影图像的处理方法、装置、系统、设备及介质 | |
| CN116029942B (zh) | 一种深度学习图像边缘强化的方法、相关装置及存储介质 | |
| US20230077715A1 (en) | Methods for segmenting digital images, devices and systems for the same |
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 |