CN114445445B - Ct图像的动脉分割方法、装置、电子设备及存储介质 - Google Patents
Ct图像的动脉分割方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114445445B CN114445445B CN202210367059.9A CN202210367059A CN114445445B CN 114445445 B CN114445445 B CN 114445445B CN 202210367059 A CN202210367059 A CN 202210367059A CN 114445445 B CN114445445 B CN 114445445B
- Authority
- CN
- China
- Prior art keywords
- image information
- artery
- bone
- image
- enhanced
- 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
- 210000001367 artery Anatomy 0.000 title claims abstract description 250
- 230000011218 segmentation Effects 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 93
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 135
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 54
- 230000000877 morphologic effect Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 22
- 241000197236 Chrysanthemoides monilifera Species 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000002591 computed tomography Methods 0.000 description 323
- 210000001519 tissue Anatomy 0.000 description 18
- 230000008859 change Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000002708 enhancing effect Effects 0.000 description 5
- 210000004185 liver Anatomy 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000002872 contrast media Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 208000014018 liver neoplasm Diseases 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010019695 Hepatic neoplasm Diseases 0.000 description 1
- 241001085205 Prenanthella exigua Species 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 201000007270 liver cancer Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 210000003462 vein Anatomy 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及CT图像处理技术领域，具体公开了一种CT图像的动脉分割方法、装置、电子设备及存储介质，其中，方法包括以下步骤：获取原始CT图像信息；对所述原始CT图像信息进行去骨处理获取去骨CT图像信息；对所述原始CT图像信息中的血管进行形态学增强获取增强CT图像信息；基于区域生长算法根据所述去骨CT图像信息及所述增强CT图像信息获取动脉图像信息；该方法基于原始CT图像信息去骨和形态学增强分别获取了去骨CT图像信息及增强CT图像信息，基于去骨CT图像信息及增强CT图像信息分析获取动脉图像信息，使得动脉图像信息能更顺利地分割出来，能有效提高动脉图像信息的分割精度、分割效率。
Description
技术领域
本申请涉及CT图像处理技术领域，具体而言，涉及一种CT图像的动脉分割方法、装置、电子设备及存储介质。
背景技术
CT（Computed Tomography）扫描是临床上常用的检查手段。
在CT图像分析过程中，常需要依据从图像中分割动脉图像以供医生进行分析诊断，现有的分割方式主要分为各自单独使用的阈值分割、区域生长、水平集、机器学习、深度学习方法等；这些方法普遍存在分割精度不高、分割速度慢的问题。
针对上述问题，目前尚未有有效的技术解决方案。
发明内容
本申请的目的在于提供一种CT图像的动脉分割方法、装置、电子设备及存储介质，以提高CT图像中动脉图像的分割精度及速度。
第一方面，本申请提供了一种CT图像的动脉分割方法，用于CT图像进行动脉分割，所述方法包括以下步骤：
获取原始CT图像信息；
对所述原始CT图像信息进行去骨处理获取去骨CT图像信息；
对所述原始CT图像信息中的血管进行形态学增强获取增强CT图像信息；
基于区域生长算法根据所述去骨CT图像信息及所述增强CT图像信息获取动脉图像信息。
本申请的CT图像的动脉分割方法，基于原始CT图像信息去骨和形态学增强分别获取了不包含骨头影像数据的去骨CT图像信息及血管影像数据更为突出的增强CT图像信息，基于去骨CT图像信息及增强CT图像信息分析获取动脉图像信息，能确保动脉图像信息分割的准确率；基于形态学增强获取的增强CT图像信息也使得动脉图像信息能更顺利地分割出来，有效提高动脉图像信息的分割精度、分割效率。
所述的CT图像的动脉分割方法，其中，所述对所述原始CT图像信息进行去骨处理获取去骨CT图像信息的步骤包括：
基于所述区域生长算法根据所述原始CT图像信息获取骨头CT图像信息；
剔除所述原始CT图像信息中的所述骨头CT图像信息获取所述去骨CT图像信息。
在该示例的CT图像的动脉分割方法中，剔除原始CT图像信息中的骨头CT图像信息便使得该CT图像去除了所有骨头影像数据，即保留了除骨头影像数据的所有组织影像数据所构成的去骨CT图像信息。
所述的CT图像的动脉分割方法，其中，所述基于所述区域生长算法根据所述原始CT图像信息获取骨头CT图像信息的步骤包括：
根据预设的骨头CT范围信息在所述原始CT图像信息获取多个骨头种子点信息；
根据预设的骨头梯度阈值和骨头像素阈值及所述原始CT图像信息，利用所述区域生长算法遍历所述骨头种子点信息获取所述骨头CT图像信息。
在该示例的CT图像的动脉分割方法中，设置骨头梯度阈值及骨头像素阈值的双阈值生长方法获取骨头CT图像信息以进行去骨处理，能确保去骨CT图像信息中去骨处理准确且去骨的区域平滑，避免骨头影像数据对动脉分割过程产生干扰。
所述的CT图像的动脉分割方法，其中，所述对所述原始CT图像信息中的血管进行形态学增强获取增强CT图像信息的步骤包括：
采用顶帽变换提升所述原始CT图像信息中血管的对比度以获取所述增强CT图像信息。
该示例的CT图像的动脉分割方法利用顶帽变换的图像算法增强血管的突出度并使血管对应的像素的CT值更均匀。
所述的CT图像的动脉分割方法，其中，所述基于区域生长算法根据所述去骨CT图像信息及所述增强CT图像信息获取动脉图像信息的步骤包括：
根据大津阈值法或预设的动脉CT范围信息在所述去骨CT图像信息获取多个动脉种子点信息；
根据预设的动脉梯度阈值、普通动脉像素阈值和增强动脉像素阈值以及所述去骨CT图像信息和所述增强CT图像信息，利用所述区域生长算法遍历所述动脉种子点信息获取所述动脉图像信息。
所述的CT图像的动脉分割方法，其中，所述根据预设的动脉梯度阈值、普通动脉像素阈值和增强动脉像素阈值以及所述去骨CT图像信息和所述增强CT图像信息，利用区域生长算法遍历所述动脉种子点信息获取所述动脉图像信息的步骤包括：
基于以下判断条件遍历所有动脉种子点信息以进行区域生长获取所述动脉CT图像信息：判断所有所述动脉种子点信息在所述去骨CT图像信息中的预设邻域像素是否均大于所述普通动脉像素阈值，及判断所有所述动脉种子点信息在所述增强CT图像信息中的所述预设邻域像素是否均大于所述增强动脉像素阈值，以及判断所述增强CT图像信息中的所述种子点信息与所述预设邻域像素之间的梯度是否小于所述动脉梯度阈值。
所述的CT图像的动脉分割方法，其中，所述方法还包括执行于所述对所述原始CT图像信息进行去骨处理获取去骨CT图像信息的步骤与所述基于区域生长算法根据所述去骨CT图像信息及所述增强CT图像信息获取动脉图像信息的步骤之间的步骤：
根据预设的血管CT范围信息对所述去骨CT图像信息进行区域分割以限定所述动脉图像信息的获取范围。
第二方面，本申请还提供了一种CT图像的动脉分割装置，用于CT图像进行动脉分割，所述装置包括：
获取模块，用于获取原始CT图像信息；
去骨模块，用于对所述原始CT图像信息进行去骨处理获取去骨CT图像信息；
增强模块，用于对所述原始CT图像信息中的血管进行形态学增强获取增强CT图像信息；
分割模块，用于基于区域生长算法根据所述去骨CT图像信息及所述增强CT图像信息获取动脉图像信息。
本申请的CT图像的动脉分割装置，利用去骨模块及增强模块分别基于原始CT图像信息去骨和形态学增强获取了不包含骨头影像数据的去骨CT图像信息及血管影像数据更为突出的增强CT图像信息，基于去骨CT图像信息及增强CT图像信息分析获取动脉图像信息，能确保动脉图像信息分割的准确率；基于形态学增强获取的增强CT图像信息也使得动脉图像信息能更顺利地分割出来，有效提高动脉图像信息的分割精度、分割效率。
第三方面，本申请还提供了一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的所述方法中的步骤。
第四方面，本申请还提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
由上可知，本申请提供了一种CT图像的动脉分割方法、装置、电子设备及存储介质，其中，分割方法基于原始CT图像信息去骨和形态学增强分别获取了不包含骨头影像数据的去骨CT图像信息及血管影像数据更为突出的增强CT图像信息，基于去骨CT图像信息及增强CT图像信息分析获取动脉图像信息，能确保动脉图像信息分割的准确率；基于形态学增强获取的增强CT图像信息也使得动脉图像信息能更顺利地分割出来，能有效提高动脉图像信息的分割精度、分割效率。
附图说明
图1为本申请实施例提供的CT图像的动脉分割方法的流程图。
图2为本申请实施例提供的CT图像的动脉分割方法的更优选的流程图。
图3为一原始CT图像信息的示意图。
图4为根据图3的原始CT图像信息获取的去骨CT图像信息的示意图。
图5为根据图3的原始CT图像信息获取的增强CT图像信息的示意图。
图6为根据本申请实施例提供的CT图像的动脉分割方法获取的动脉图像信息建立的动脉模型的示意图。
图7为本申请实施例提供的CT图像的动脉分割装置的结构示意图。
图8为本申请实施例提供的电子设备的结构示意图。
附图标记：201、获取模块；202、去骨模块；203、增强模块；204、限区模块；205、分割模块；301、处理器；302、存储器；303、通信总线。
具体实施方式
下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
CT（Computed Tomography）扫描是临床上常用的检查手段，在肝胆外科领域，对于疑似肝癌病例，通常需要做增强CT扫描，在扫描过程中给病人注射造影剂，从而提高肝脏肿瘤、血管的对比度。
通常一次肝脏增强CT扫描包含动脉期、静脉期、平衡期三个序列图像，动脉期图像和静脉期图像分别表示造影剂在动脉、静脉浓度高峰时所扫描的图像，平衡期图像表示造影剂均匀分布在腹部各组织时的图像。
本申请实施例主要进行动脉图像的自动分割，故为针对肝脏增强CT扫描中的动脉期获取的CT图像进行分割。
现有的主流动脉分割算法主要包括阈值分割、区域生长、水平集、机器学习、深度学习等。
在上述这些分割方法中，阈值分割方法简单快速，但无法对复杂图像进行准确分割，存在分割精度低的问题；区域生长根据区域内像素相似程度进行分割，对局部差异较为敏感，但对全局差异控制不足，容易导致过分割或欠分割的问题；水平集算法较为复杂，存在分割速度过慢的问题；机器学习、深度学习方法需要大量数据进行训练，且训练结果难以掌控，也存在一定的分割精度问题。
第一方面，请参照图1-图5，图1-图5是本申请一些实施例中的一种CT图像的动脉分割方法，用于CT图像进行动脉分割，方法包括以下步骤：
S1、获取原始CT图像信息；
具体地，该原始CT图像信息为基于CT扫描设备扫描人体获取的CT图像，本申请实施例的分割方法主要用于动脉分割，故CT图像主要是包含动脉影像数据的CT图像，尤其是包含肝脏动脉影像数据的动脉期CT图像。
S2、对原始CT图像信息进行去骨处理获取去骨CT图像信息；
具体地，在CT图像中，不同人体组织具有不同的CT值，其中，骨头的CT值与血管的CT值较为接近，且例如脊柱这类骨头附近具有较多的动脉分支，因此，骨头的影像数据极大程度地影响了CT图像中的动脉影像数据的分离，故需要先将原始CT图像信息的骨头影像数据分离去除，即利用去骨处理去除原始CT图像信息的骨头影像数据以获取去骨CT图像信息，该去骨CT图像信息为不包含骨头影像数据的原始CT图像信息。
更具体地，去骨处理为根据骨头特性进行对应骨头影像数据的去除处理过程，可以是根据区域生长算法或者是阈值分割方法进行去除。
S3、对原始CT图像信息中的血管进行形态学增强获取增强CT图像信息；
具体地，对血管进行形态学增强意为根据血管的形态学特点增加其在对应图像中的对比度，以增强其与其他元素的区分度；由于CT图像以CT值作为像素数据进行图像构建，故步骤S3应当理解为根据血管形态学增强血管影像数据的CT值或减少血管以外的影像数据的CT值，或理解为根据血管形态学增大血管影像数据与血管以外的影像数据的对比度。
更具体地，动脉属于人体中直径较小的组织，无论是径向获取的动脉影像数据或者是斜向截取的动脉影像数据（CT图像中包含各种角度截取的动脉影像数据），其在CT图像中占据的面积也远小于其他组织（如肝脏、肾脏等）占据的面积，因此，可以基于动脉影像数据在CT图像中占据面积小的特性对其影像进行增强，即基于作为血管的动脉影像数据的形态学特点增强其在CT影像中的突出度。
更具体地，原始CT图像信息以图像的形式存在，故步骤S3为对图像中的像素进行处理，即增强与血管相关的像素点在图像中的突出度，使得CT图像中血管与其他组织之间具有更大的区分度，即步骤S3获取了血管影像数据比其他组织的影像数据更突出的增强CT图像信息。
S5、基于区域生长算法根据去骨CT图像信息及增强CT图像信息获取动脉图像信息。
具体地，去骨CT图像信息表征了没有骨头影像数据的CT图像，增强CT图像信息表征了血管影像数据比其他组织的影像数据更突出的CT图像，综合上述两种CT图像进行区域生长获取动脉图像信息，使得获得的动脉图像信息为建立在与其他组织及骨头的CT值具有足够的区分度的前提下进行获取，从而确保动脉分割的准确率，避免获取的动脉图像信息包含了其他组织或骨头的噪点。
更具体地，区域生长（region growing）算法是指将成组的像素或区域发展成更大区域的运算过程，即为根据目标点的邻域特性参数进行生长覆盖获取符合要求的区域的算法，在本申请实施例中，步骤S5为根据动脉的CT值进行区域生长。
更具体地，如图6所示，本申请实施例的分割方法获取的动脉图像信息还可以用于组建动脉模型，即基于多个原始CT图像信息分割获取对应的动脉图像信息，然后根据多个原始CT图像信息获取的间隔将动脉图像信息按对应距离排列建模以还原动脉的三维形象从而建立动脉模型，以更清晰地表现对应人体中的动脉形态学特点。
本申请实施例的CT图像的动脉分割方法，基于原始CT图像信息去骨和形态学增强分别获取了不包含骨头影像数据的去骨CT图像信息及血管影像数据更为突出的增强CT图像信息，基于去骨CT图像信息及增强CT图像信息分析获取动脉图像信息，能确保动脉图像信息分割的准确率，使得医护人员能根据该动脉图像信息对患者进行更为准确的诊断；基于形态学增强获取的增强CT图像信息也使得动脉图像信息能更顺利地分割出来，有效提高动脉图像信息的分割精度、分割效率。
具体地，步骤S2和S3均为对步骤S1获取的CT图像信息进行独立处理以分别获取去骨CT图像信息和增强CT图像信息，因此，在本申请实施例实施过程中，步骤S2和S3应当理解为没有必然的先后执行顺序，即步骤S2可以执行在步骤S3之后，也可以执行在步骤S3之前，还可以是与步骤S3同时执行，其中，如图2所示，步骤S2优选为与步骤S3同时启动执行，以提高本申请实施例的方法获取动脉图像信息的速度。
在一些优选的实施方式中，对原始CT图像信息进行去骨处理获取去骨CT图像信息的步骤包括：
S21、基于区域生长算法根据原始CT图像信息获取骨头CT图像信息；
具体地，由于骨头的密度较大，在CT图像中具有较高的CT值，使得骨头影像数据在CT图像中表现为较为明显的白色区域，如图3所示的中下部作为脊柱的部分表现为明亮的白色区域；因此，步骤S21可根据骨头具有较高CT值的特性获取骨头CT图像信息。
更具体地，骨头CT图像信息为原始CT图像信息中的骨头影像数据占据的区域信息。
S22、剔除原始CT图像信息中的骨头CT图像信息获取去骨CT图像信息。
具体地，剔除原始CT图像信息中的骨头CT图像信息便使得该CT图像去除了所有骨头影像数据，即保留了除骨头影像数据外的所有组织影像数据所构成的去骨CT图像信息。
更具体地，如图3和图4所示，图3中下部的白色区域为作为脊柱的骨头，根据步骤S21-22处理后将该部分骨头影像数据去除获取了图4所示的去骨CT图像信息，余下的白色区域为CT值较高的、除骨头以外的组织。
更具体地，剔除骨头CT图像信息的过程可以是屏蔽骨头CT图像信息占据的区域信息，也可以是将骨头CT图像信息占据的区域信息的CT值置零（即如图4所示将脊柱对应的区域将CT值设为0，即设为黑色），还可以是将骨头CT图像信息定义为不可选区域（即限定为步骤S5中不能进行区域生长的区域），从而使得去骨CT图像信息中骨头影像数据能与血管影像数据完全区分开来。
更具体地，在本申请实施例中，剔除骨头CT图像信息的过程优选为将骨头CT图像信息占据的区域信息的CT值置零，有利于步骤S5利用区域生长算法获取动脉图像信息。
在一些优选的实施方式中，基于区域生长算法根据原始CT图像信息获取骨头CT图像信息的步骤包括：
S211、根据预设的骨头CT范围信息在原始CT图像信息获取多个骨头种子点信息；
具体地，采用阈值分割方法获取骨头CT图像信息可能会产生骨头组织缺失的问题，而骨头属于CT图像中面积远大于血管的面积的组织，且一般为连续的大片组织，因此，本申请实施例获取骨头CT图像信息的过程也优选为采用区域生长算法。
更具体地，区域生长算法的原理为根据特定条件设定若干种子点，然后根据种子点邻域像素是否满足预设条件进行生长，遍历所有种子点后便能完成对应生长对象的区域筛选；在本申请实施例中，由于骨头影像数据具有相对较高的CT值，因此，本申请实施例获取的骨头种子点信息为在骨头CT范围信息内的像素点。
更具体地，骨头的CT值一般在200-800范围内，本申请实施例的方法优选为在该范围内设置骨头的CT值下限以获取骨头种子点信息。
更具体地，由于血管CT值一般在90-300的范围内，为了预留具有足够的生长范围及确保具有足够数量的可供生长的种子点信息，且与血管影像数据明确区分，需要将骨头种子点信息的CT值设置在300以上；在本申请优选的实施例中，步骤S211为将CT值大于350的像素点设置为获取骨头CT图像信息的骨头种子点信息。
S212、根据预设的骨头梯度阈值和骨头像素阈值及原始CT图像信息，利用区域生长算法遍历骨头种子点信息获取骨头CT图像信息。
具体地，基于区域生长算法对原始CT图像信息遍历骨头种子点信息能快速、准确地获取原始CT图像信息的骨头分布情况。
更具体地，设置骨头梯度阈值进行区域生长，使得基于骨头种子点信息生长的邻域像素的CT值变化梯度在该梯度阈值范围内，即确保获取的骨头CT图像信息的CT值变化程度在预设范围内，即将梯度变化过大的部分视为非骨头影像数据，避免将具有较大CT值但明显与骨头影像数据不连续的组织的影像数据纳入骨头CT图像信息中；设置骨头像素阈值进行区域生长，使得基于骨头种子信息生长的邻域像素的CT值必须满足骨头的CT下限值，即将梯度变化在前述骨头梯度阈值范围内但CT值明显不满足骨头影像数据的像素点排除在骨头CT图像信息中；通过设置上述两个阈值条件，能获取多片连续的且CT值在骨头CT值范围内的区域图像，这些区域图像构成了完整且清楚反映骨头分布情况的骨头CT图像信息。
更具体地，骨头梯度阈值及骨头像素阈值应根据CT扫描设备的运行参数设定，如根据获取的原始CT图像信息的分辨率、色域进行设定。
更具体地，在本申请实施例中，假设所有骨头种子点信息构成的集合为P，P={pi},i=1,2,3……n1，n1≥1，其中，i为骨头种子点信息编号，pi为骨头种子点信息所在像素的CT值，n1为骨头种子点信息的数量，定义pj为区域生长过程中pi的邻域像素的CT值，j为邻域像素标记符，获取骨头CT图像信息的区域生长算法应满足以下生长条件进行生长：
pi-pj<Th1 （1）
pj>Th2 （2）
其中，Th1为预设的骨头梯度阈值，Th2为预设的骨头像素阈值。
基于上述生长条件进行区域生长能准确地从原始CT图像信息中获取与其他组织区分开来的骨头CT图像信息。
在本申请实施例中，Th1优选为30，Th2优选为150。
本申请实施例的分割方法中，设置骨头梯度阈值及骨头像素阈值的双阈值生长方法获取骨头CT图像信息以进行去骨处理，能确保去骨CT图像信息中去骨处理准确且去骨的区域平滑，避免骨头影像数据对动脉分割过程产生干扰。
在一些优选的实施方式中，在获取骨头CT图像信息的区域生长算法中，以骨头种子点信息的4邻域或8邻域像素点进行判断是否符合生长条件进行生长；在本申请实施例中，优选为以8邻域像素点进行判断生长，以提高去骨处理效率。
在一些优选的实施方式中，对原始CT图像信息中的血管进行形态学增强获取增强CT图像信息的步骤包括：
S31、采用顶帽变换提升原始CT图像信息中血管的对比度以获取增强CT图像信息。
具体地，形态学处理的方式一般为图像腐蚀、膨胀、开运算、闭运算等，在本申请实施例中，则是利用顶帽变换的图像增强算法来提高血管在CT图像出的突出度。
更具体地，顶帽变换主要用途是用一个结构元通过开操作或闭操作从一幅图像中删除物体，再根据差操作得到一幅仅保留已删除分量的图像，以及校正对象不均匀光照的影响；在本申请实施例中，步骤S31主要是利用顶帽变换的图像算法增强血管的突出度并使血管对应的像素的CT值更均匀。
在一些优选的实施方式中，步骤S31优选为采用顶帽变换的图像算法获取增强CT图像信息，其中，该顶帽变换操作满足：
其中，s为结构算子，用于进行形态学的腐蚀和膨胀基本操作，I为原图，即原始CT图像信息，Itophat为顶帽变换后的图像，即增强CT图像信息。
对于式（3），将结构算子s设计为10mm半径的圆盘结构，基本上能够覆盖所有血管横截面；如图5所示，通过上述顶帽变换后获取的图像中血管（图示中a处）的对比度明显提升，与其他组织区分明显，有利于后续进行动脉图像信息的分割。
在一些优选的实施方式中，基于区域生长算法根据去骨CT图像信息及增强CT图像信息获取动脉图像信息的步骤包括：
S51、根据大津阈值法或预设的动脉CT范围信息在去骨CT图像信息获取多个动脉种子点信息；
具体地，本申请实施例中获取动脉图像信息需依赖区域生长算法进行获取，故需在区域生长前设定动脉种子点信息；通过大津阈值法或预设的动脉CT范围信息能迅速、精确地获取多个可用的动脉种子点信息；其中，利用预设的动脉CT范围信息获取动脉种子信息的过程与获取骨头种子点信息的过程类似，在此不再赘述。
更具体地，由于去骨CT图像信息已通过去骨处理去除了骨头影像数据，因此该图像信息中高密度区域（高CT值区域）基本上只剩下动脉影像数据所在的像素点，因此，在本申请实施例中，优选为采用大津阈值法获取动脉种子点信息，相比利用预设的动脉CT范围信息获取动脉种子点信息，大津阈值法能更快地对去骨CT图像信息进行阈值分隔，在去除骨头影像数据的前提下，能更高效、准确地获取动脉种子点信息。
更具体地，大津阈值法又叫最大类间方差法或最大类间阈值法（OTSU），主要是根据图像的像素点的灰度与阈值比较而将图像分为前景和背景两个部分，从而快速地确定动脉种子点信息。
S53、根据预设的动脉梯度阈值、普通动脉像素阈值和增强动脉像素阈值以及去骨CT图像信息和增强CT图像信息，利用区域生长算法遍历动脉种子点信息获取动脉图像信息。
具体地，基于区域生长算法遍历骨头种子点信息能快速、准确地获取动脉图像信息。
更具体地，设置动脉梯度阈值进行区域生长，使得基于动脉种子点信息生长的邻域像素的CT值变化梯度在该梯度阈值范围内，即确保获取的动脉图像信息的CT值变化程度在预设范围内，即将梯度变化过大的部分视为非动脉影像数据，避免将具有较大CT值但明显与动脉影像数据不连续的组织的影像数据纳入动脉图像信息中；设置普通动脉像素阈值和增强动脉像素阈值进行区域生长，使得基于动脉种子信息在去骨CT图像信息及增强CT图像信息中生长的邻域像素的CT值必须满足对应的动脉的CT下限值，即将梯度变化在前述动脉梯度阈值范围内但CT值明显不满足动脉影像数据的像素点排除在动脉图像信息中；通过设置上述三个阈值条件，能获取连续的且CT值在动脉CT值范围内的区域图像，这些区域图像构成了完整且清楚反映动脉分布情况的动脉图像信息。
更具体地，动脉梯度阈值、普通动脉像素阈值应根据CT扫描设备的运行参数设定，如根据获取的原始CT图像信息的分辨率、色域进行设定；增强动脉像素阈值应根据步骤S3形态学增强处理所采用的参数进行设定。
在一些优选的实施方式中，步骤S51和步骤S53之间还包括步骤：
S52、采用3*3小结构算子对去骨CT图像信息进行形态学腐蚀操作，去除去骨CT图像信息去骨后的噪声。
在一些优选的实施方式中，根据预设的动脉梯度阈值、普通动脉像素阈值和增强动脉像素阈值以及去骨CT图像信息和增强CT图像信息，利用区域生长算法遍历动脉种子点信息获取动脉图像信息的步骤包括：
S531、基于以下判断条件遍历所有动脉种子点信息以进行区域生长获取动脉CT图像信息：判断所有动脉种子点信息在去骨CT图像信息中的预设邻域像素是否均大于普通动脉像素阈值，及判断所有动脉种子点信息在增强CT图像信息中的预设邻域像素是否均大于增强动脉像素阈值，以及判断增强CT图像信息中的种子点信息与预设邻域像素之间的梯度是否小于动脉梯度阈值。
具体地，在本申请实施例中，假设所有动脉种子点信息构成的集合为A和B，其中，A定义为对应在增强CT图像信息中的动脉种子点信息，B定义为对应在去骨CT图像信息中的动脉种子点信息，A={ai},i=1,2,3……n2，n2≥1，B={bi},i=1,2,3……n2，n2≥1，其中，ai为动脉种子点信息所在像素的CT值，bi为动脉种子点信息所在像素的CT值，n2为动脉种子点信息的数量，i为动脉种子点信息编号，定义aj为区域生长过程中增强CT图像信息中ai的邻域像素的CT值，bj为区域生长过程中去骨CT图像信息中bi的邻域像素的CT值，j为邻域像素标记符，获取动脉图像信息的区域生长算法应满足以下生长条件进行生长：
ai-aj<Tht （4）
aj>Thv1 （5）
bj>Thv2 （6）
其中，Tht为预设的动脉梯度阈值，Thv1为预设的增强动脉像素阈值，Thv2为预设的普通动脉像素阈值。
基于上述生长条件进行区域生长能准确地获取动脉图像信息，具有鲁棒性高的特点。
在本申请实施例中，优选为以4邻域像素点进行动脉图像信息的区域生长，以提获取的动脉图像信息的精度。
本申请实施例的分割方法中，设置动脉梯度阈值、普通动脉像素阈值和增强动脉像素阈值的三阈值生长方法获取动脉图像信息以进行动脉图像分割，能确保动脉图像信息分割准确，以完整动脉的高精度分割。
在一些优选的实施方式中，该方法还包括执行于对原始CT图像信息进行去骨处理获取去骨CT图像信息的步骤与基于区域生长算法根据去骨CT图像信息及增强CT图像信息获取动脉图像信息的步骤之间的步骤：
S4、根据预设的血管CT范围信息对去骨CT图像信息进行区域分割以限定动脉图像信息的获取范围。
具体地，设置步骤S4能限定步骤S53区域生长算法运行的生长区域，即利用预设的血管CT范围信息在区域生长前限定动脉的CT值范围，能有效避免出现过分割现象，可有效限制步骤S53区域生长的计算环境，从而提高动脉图像信息的分割效率。
在一些优选的实施方式中，由于去骨CT图像信息已经去除了骨头影像数据，因此，该图像中高密度区域（高CT值区域）主要集中在动脉血管区域中，故步骤S4中预设的血管CT范围信息为90-300,即利用90及300两个CT值对去骨CT图像信息进行区域分割，只保留90-300CT值以内的像素对应的区域供步骤S53进行区域生长以分割获取动脉图像信息。
第二方面，请参照图7，图7是本申请一些实施例中提供的一种CT图像的动脉分割装置，用于CT图像进行动脉分割，装置包括：
获取模块201，用于获取原始CT图像信息；
去骨模块202，用于对原始CT图像信息进行去骨处理获取去骨CT图像信息；
增强模块203，用于对原始CT图像信息中的血管进行形态学增强获取增强CT图像信息；
分割模块205，用于基于区域生长算法根据去骨CT图像信息及增强CT图像信息获取动脉图像信息。
本申请实施例的CT图像的动脉分割装置，利用去骨模块202及增强模块203分别基于原始CT图像信息去骨和形态学增强获取了不包含骨头影像数据的去骨CT图像信息及血管影像数据更为突出的增强CT图像信息，基于去骨CT图像信息及增强CT图像信息分析获取动脉图像信息，能确保动脉图像信息分割的准确率，使得医护人员能根据该动脉图像信息对患者进行更为准确的诊断。
在一些优选的实施方式中，本申请实施例的CT图像的动脉分割装置还包括：
限区模块204，用于根据预设的血管CT范围信息对去骨CT图像信息进行区域分割以限定动脉图像信息的获取范围。
在一些优选的实施方式中，本申请实施例的CT图像的动脉分割装置用于执行上述第一方面提供的CT图像的动脉分割方法。
第三方面，请参照图8，图8为本申请实施例提供的一种电子设备的结构示意图，本申请提供一种电子设备，包括：处理器301和存储器302，处理器301和存储器302通过通信总线303和/或其他形式的连接机构（未标出）互连并相互通讯，存储器302存储有处理器301可执行的计算机程序，当计算设备运行时，处理器301执行该计算机程序，以执行时执行上述实施例的任一可选的实现方式中的方法。
第四方面，本申请实施例提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random Access Memory, 简称SRAM），电可擦除可编程只读存储器（ElectricallyErasable Programmable Read-Only Memory, 简称EEPROM），可擦除可编程只读存储器（Erasable Programmable Read Only Memory, 简称EPROM），可编程只读存储器（Programmable Red-Only Memory, 简称PROM），只读存储器（Read-Only Memory, 简称ROM），磁存储器，快闪存储器，磁盘或光盘。
综上，本申请实施例提供了一种CT图像的动脉分割方法、装置、电子设备及存储介质，其中，分割方法基于原始CT图像信息去骨和形态学增强分别获取了不包含骨头影像数据的去骨CT图像信息及血管影像数据更为突出的增强CT图像信息，基于去骨CT图像信息及增强CT图像信息分析获取动脉图像信息，能确保动脉图像信息分割的准确率；基于形态学增强获取的增强CT图像信息也使得动脉图像信息能更顺利地分割出来，能有效提高动脉图像信息的分割精度、分割效率。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。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，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，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通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，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网络单元上。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。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (8)
1.一种CT图像的动脉分割方法，用于CT图像进行动脉分割，其特征在于，所述方法包括以下步骤：
获取原始CT图像信息；
对所述原始CT图像信息进行去骨处理获取去骨CT图像信息；
对所述原始CT图像信息中的血管进行形态学增强获取增强CT图像信息；
基于区域生长算法根据所述去骨CT图像信息及所述增强CT图像信息获取动脉图像信息；
所述基于区域生长算法根据所述去骨CT图像信息及所述增强CT图像信息获取动脉图像信息的步骤包括：
根据大津阈值法或预设的动脉CT范围信息在所述去骨CT图像信息获取多个动脉种子点信息；
根据预设的动脉梯度阈值、普通动脉像素阈值和增强动脉像素阈值以及所述去骨CT图像信息和所述增强CT图像信息，利用所述区域生长算法遍历所述动脉种子点信息获取所述动脉图像信息；
所述根据预设的动脉梯度阈值、普通动脉像素阈值和增强动脉像素阈值以及所述去骨CT图像信息和所述增强CT图像信息，利用所述区域生长算法遍历所述动脉种子点信息获取所述动脉图像信息的步骤包括：
基于以下判断条件遍历所有动脉种子点信息以进行区域生长获取所述动脉CT图像信息：判断所有所述动脉种子点信息在所述去骨CT图像信息中的预设邻域像素是否均大于所述普通动脉像素阈值，及判断所有所述动脉种子点信息在所述增强CT图像信息中的所述预设邻域像素是否均大于所述增强动脉像素阈值，以及判断所述增强CT图像信息中的所述种子点信息与所述预设邻域像素之间的梯度是否小于所述动脉梯度阈值。
2.根据权利要求1所述的CT图像的动脉分割方法，其特征在于，所述对所述原始CT图像信息进行去骨处理获取去骨CT图像信息的步骤包括：
基于所述区域生长算法根据所述原始CT图像信息获取骨头CT图像信息；
剔除所述原始CT图像信息中的所述骨头CT图像信息获取所述去骨CT图像信息。
3.根据权利要求2所述的CT图像的动脉分割方法，其特征在于，所述基于所述区域生长算法根据所述原始CT图像信息获取骨头CT图像信息的步骤包括：
根据预设的骨头CT范围信息在所述原始CT图像信息获取多个骨头种子点信息；
根据预设的骨头梯度阈值和骨头像素阈值及所述原始CT图像信息，利用所述区域生长算法遍历所述骨头种子点信息获取所述骨头CT图像信息。
4.根据权利要求1所述的CT图像的动脉分割方法，其特征在于，所述对所述原始CT图像信息中的血管进行形态学增强获取增强CT图像信息的步骤包括：
采用顶帽变换提升所述原始CT图像信息中血管的对比度以获取所述增强CT图像信息。
5.根据权利要求1所述的CT图像的动脉分割方法，其特征在于，所述方法还包括执行于所述对所述原始CT图像信息进行去骨处理获取去骨CT图像信息的步骤与所述基于区域生长算法根据所述去骨CT图像信息及所述增强CT图像信息获取动脉图像信息的步骤之间的步骤：
根据预设的血管CT范围信息对所述去骨CT图像信息进行区域分割以限定所述动脉图像信息的获取范围。
6.一种CT图像的动脉分割装置，用于CT图像进行动脉分割，其特征在于，所述装置包括：
获取模块，用于获取原始CT图像信息；
去骨模块，用于对所述原始CT图像信息进行去骨处理获取去骨CT图像信息；
增强模块，用于对所述原始CT图像信息中的血管进行形态学增强获取增强CT图像信息；
分割模块，用于基于区域生长算法根据所述去骨CT图像信息及所述增强CT图像信息获取动脉图像信息；
所述基于区域生长算法根据所述去骨CT图像信息及所述增强CT图像信息获取动脉图像信息的步骤包括：
根据大津阈值法或预设的动脉CT范围信息在所述去骨CT图像信息获取多个动脉种子点信息；
根据预设的动脉梯度阈值、普通动脉像素阈值和增强动脉像素阈值以及所述去骨CT图像信息和所述增强CT图像信息，利用所述区域生长算法遍历所述动脉种子点信息获取所述动脉图像信息；
所述根据预设的动脉梯度阈值、普通动脉像素阈值和增强动脉像素阈值以及所述去骨CT图像信息和所述增强CT图像信息，利用所述区域生长算法遍历所述动脉种子点信息获取所述动脉图像信息的步骤包括：
基于以下判断条件遍历所有动脉种子点信息以进行区域生长获取所述动脉CT图像信息：判断所有所述动脉种子点信息在所述去骨CT图像信息中的预设邻域像素是否均大于所述普通动脉像素阈值，及判断所有所述动脉种子点信息在所述增强CT图像信息中的所述预设邻域像素是否均大于所述增强动脉像素阈值，以及判断所述增强CT图像信息中的所述种子点信息与所述预设邻域像素之间的梯度是否小于所述动脉梯度阈值。
7.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-5任一项所述方法中的步骤。
8.一种存储介质，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器执行时运行如权利要求1-5任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210367059.9A CN114445445B (zh) | 2022-04-08 | 2022-04-08 | Ct图像的动脉分割方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210367059.9A CN114445445B (zh) | 2022-04-08 | 2022-04-08 | Ct图像的动脉分割方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114445445A CN114445445A (zh) | 2022-05-06 |
| CN114445445B true CN114445445B (zh) | 2022-07-01 |
Family
ID=81359757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210367059.9A Active CN114445445B (zh) | 2022-04-08 | 2022-04-08 | Ct图像的动脉分割方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114445445B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117635950B (zh) * | 2024-01-04 | 2024-04-09 | 广东欧谱曼迪科技股份有限公司 | 血管分割矫正处理的方法、装置、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106127819A (zh) * | 2016-06-30 | 2016-11-16 | 上海联影医疗科技有限公司 | 医学图像中提取血管中心线的方法及其装置 |
| CN106407917A (zh) * | 2016-09-05 | 2017-02-15 | 山东大学 | 基于动态尺度分配的视网膜血管提取方法及系统 |
| CN106611411A (zh) * | 2015-10-19 | 2017-05-03 | 上海联影医疗科技有限公司 | 一种医学图像中肋骨分割的方法及医学图像处理装置 |
| CN109069100A (zh) * | 2016-11-09 | 2018-12-21 | 深圳市理邦精密仪器股份有限公司 | 超声成像系统及其方法 |
| CN112991365A (zh) * | 2021-05-11 | 2021-06-18 | 广东工业大学 | 一种冠状动脉分割方法、系统及存储介质 |
| CN114066886A (zh) * | 2022-01-11 | 2022-02-18 | 北京威高智慧科技有限公司 | 骨骼分割边界确定方法、装置、电子设备及存储介质 |
| CN114240851A (zh) * | 2021-11-25 | 2022-03-25 | 深圳市旭东数字医学影像技术有限公司 | 基于ct图像的肺动静脉提取方法、装置及电子设备 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101140659B (zh) * | 2007-09-29 | 2010-08-04 | 华中科技大学 | 在数字血管造影图像中分割血管数据的方法 |
| CN102651130B (zh) * | 2012-03-30 | 2014-04-16 | 宋怡 | 水平集图像处理方法 |
| WO2014152939A1 (en) * | 2013-03-14 | 2014-09-25 | President And Fellows Of Harvard College | Methods and systems for identifying a physiological state of a target cell |
| CN104978726A (zh) * | 2014-04-03 | 2015-10-14 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
| KR102328327B1 (ko) * | 2014-09-26 | 2021-11-22 | 소마로직, 인크. | 심혈관 위험 사건 예측 및 이의 용도 |
| CN104851108B (zh) * | 2015-06-09 | 2017-11-28 | 武汉联影医疗科技有限公司 | 基于ct图像的肝动脉分割方法 |
| CN105488800A (zh) * | 2015-11-30 | 2016-04-13 | 上海联影医疗科技有限公司 | 特征提取方法、计算机辅助诊断的方法及其系统 |
| CN105913432B (zh) * | 2016-04-12 | 2018-08-28 | 妙智科技（深圳）有限公司 | 基于ct序列图像的主动脉提取方法及装置 |
| WO2018001099A1 (zh) * | 2016-06-30 | 2018-01-04 | 上海联影医疗科技有限公司 | 一种血管提取方法与系统 |
| US10492723B2 (en) * | 2017-02-27 | 2019-12-03 | Case Western Reserve University | Predicting immunotherapy response in non-small cell lung cancer patients with quantitative vessel tortuosity |
| CN110717852B (zh) * | 2019-06-13 | 2022-09-16 | 内蒙古大学 | 一种基于fpga的田间视频图像实时分割系统及方法 |
| JP2023504141A (ja) * | 2019-11-27 | 2023-02-01 | ハッケンサック メリディアン ヘルス センター フォー ディスカバリー アンド イノベーション | 骨髄破壊的傷害に曝露された患者を処置する際にアンジオクライン因子を含む医薬組成物を使用するための方法 |
| US11423304B2 (en) * | 2020-01-15 | 2022-08-23 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method for semantic analysis of multimedia data using attention-based fusion network |
| CN112767333A (zh) * | 2021-01-08 | 2021-05-07 | 心医国际数字医疗系统(大连)有限公司 | 一种基于cta影像的双下肢血管区域判断方法及系统 |
-
2022
- 2022-04-08 CN CN202210367059.9A patent/CN114445445B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106611411A (zh) * | 2015-10-19 | 2017-05-03 | 上海联影医疗科技有限公司 | 一种医学图像中肋骨分割的方法及医学图像处理装置 |
| CN106127819A (zh) * | 2016-06-30 | 2016-11-16 | 上海联影医疗科技有限公司 | 医学图像中提取血管中心线的方法及其装置 |
| CN106407917A (zh) * | 2016-09-05 | 2017-02-15 | 山东大学 | 基于动态尺度分配的视网膜血管提取方法及系统 |
| CN109069100A (zh) * | 2016-11-09 | 2018-12-21 | 深圳市理邦精密仪器股份有限公司 | 超声成像系统及其方法 |
| CN112991365A (zh) * | 2021-05-11 | 2021-06-18 | 广东工业大学 | 一种冠状动脉分割方法、系统及存储介质 |
| CN114240851A (zh) * | 2021-11-25 | 2022-03-25 | 深圳市旭东数字医学影像技术有限公司 | 基于ct图像的肺动静脉提取方法、装置及电子设备 |
| CN114066886A (zh) * | 2022-01-11 | 2022-02-18 | 北京威高智慧科技有限公司 | 骨骼分割边界确定方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114445445A (zh) | 2022-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210106299A1 (en) | Method and system for extracting lower limb vasculature | |
| US8761475B2 (en) | System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans | |
| WO2018023917A1 (zh) | 一种下肢血管的提取方法及系统 | |
| WO2012040410A9 (en) | Method and system for liver lesion detection | |
| US7593762B2 (en) | System and method for automatically segmenting bones in computed tomography angiography data | |
| López-Mir et al. | Liver segmentation in MRI: A fully automatic method based on stochastic partitions | |
| CN110706241B (zh) | 一种三维病灶区域提取方法和装置 | |
| CN111161241A (zh) | 一种肝脏图像识别方法、电子设备及存储介质 | |
| CN109919254B (zh) | 乳腺密度分类方法、系统、可读存储介质和计算机设备 | |
| CN114066886B (zh) | 骨骼分割边界确定方法、装置、电子设备及存储介质 | |
| CN109740602B (zh) | 肺动脉期血管提取方法及系统 | |
| CN114445445B (zh) | Ct图像的动脉分割方法、装置、电子设备及存储介质 | |
| Soler et al. | Fully automatic anatomical, pathological, and functional segmentation from CT scans for hepatic surgery | |
| CN115049807B (zh) | 肺部血管模型的建立方法、装置及服务器 | |
| CN112132837A (zh) | 一种胸部骨骼自动提取方法、系统、电子设备及存储介质 | |
| CN110428431B (zh) | 一种心脏医学图像的分割方法、装置、设备及存储介质 | |
| Selle et al. | Analysis of the morphology and structure of vessel systems using skeletonization | |
| CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
| CN112862850A (zh) | 数字剪影血管造影影像处理方法及装置 | |
| Shiffman et al. | Semiautomated editing of computed tomography sections for visualization of vasculature | |
| CN112767333A (zh) | 一种基于cta影像的双下肢血管区域判断方法及系统 | |
| CN114066885B (zh) | 下肢骨骼模型构造方法、装置、电子设备及存储介质 | |
| Freiman et al. | Vessels-cut: a graph based approach to patient-specific carotid arteries modeling | |
| CN113192099B (zh) | 一种组织提取方法、装置、设备和介质 | |
| Bilodeau et al. | Multistage graph-based segmentation of thoracoscopic images |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 528253 Room 503, Floor 5, Building A, Jingu Zhichuang Industrial Community, No. 2, Yong'an North Road, Dawu Community, Guicheng Street, Nanhai District, Foshan City, Guangdong Province (residence declaration) Patentee after: Guangdong Oupu Mandi Technology Co.,Ltd. Address before: 528251 room 503, floor 5, building a, Jingu Zhichuang industrial community, No. 2, Yong'an North Road, Dawei community, Guicheng Street, Nanhai District, Foshan City, Guangdong Province Patentee before: GUANGDONG OPTOMEDIC TECHNOLOGY CO.,LTD. |
|
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Guo Zhifei Inventor after: Li Ming Inventor after: Zhong Wenzhao Inventor after: Chen Zihao Inventor after: Liang Jiangrong Inventor after: An Xin Inventor before: Guo Zhifei Inventor before: Li Ming Inventor before: Liang Jiangrong Inventor before: An Xin |