CN114494070A - 血管图像的增强方法、装置、设备和存储介质 - Google Patents

血管图像的增强方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN114494070A
CN114494070A CN202210108082.6A CN202210108082A CN114494070A CN 114494070 A CN114494070 A CN 114494070A CN 202210108082 A CN202210108082 A CN 202210108082A CN 114494070 A CN114494070 A CN 114494070A
Authority
CN
China
Prior art keywords
blood vessel
point
image
value
target
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
CN202210108082.6A
Other languages
English (en)
Inventor
丑远婷
车占全
高耀宗
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.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare 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 Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN202210108082.6A priority Critical patent/CN114494070A/zh
Publication of CN114494070A publication Critical patent/CN114494070A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • 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
    • G06T2207/20172—Image enhancement details
    • 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)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种血管图像的增强方法、装置、设备和存储介质。所述方法包括：获取原始血管图像对应的血管分割图像和原始血管图像对应的血管分割概率图；根据血管分割图像中各血管点的特征值和预设阈值，确定原始血管图像中待增强的目标血管点；根据目标血管点的特征值和血管分割概率图，对目标血管点的特征值进行增强，得到增强后的血管图像。采用本方法能够清晰显示细小血管和血管末端。

Description

血管图像的增强方法、装置、设备和存储介质
技术领域
本申请涉及医学影像技术领域，特别是涉及一种血管图像的增强方法、装置、设备和存储介质。
背景技术
当前，心脑血管疾病仍极大地威胁着人类的生命，而对于心脑血管疾病的诊断主要依靠血管造影图像，医生通过观察血管造影图像可以直观地了解血管的走形与结构等，然而，在实际医学成像过程中，由于一些细小血管和血管末端的灰度值比较低，导致其对比度较低，血管显示不够清晰，不利于医生观察血管的形态。因此，较为清晰的血管图像对于医生的临床诊断具有重要意义。传统技术中，主要是采用基于Hessian矩阵的方法对血管图像进行增强，但是，这种增强方法对细小血管和血管末端的显示不够清晰。
发明内容
基于此，有必要针对上述技术问题，提供一种能够清晰显示细小血管和血管末端的血管图像的增强方法、装置、设备和存储介质。
第一方面，本申请提供了一种血管图像的增强方法，所述方法包括：
获取原始血管图像对应的血管分割图像和所述原始血管图像对应的血管分割概率图；
根据所述血管分割图像中各血管点的特征值和预设阈值，确定所述原始血管图像中待增强的目标血管点；
根据所述目标血管点的特征值和所述血管分割概率图，对所述目标血管点的特征值进行增强，得到增强后的血管图像。
在其中一个实施例中，所述根据所述目标血管点的特征值和所述血管分割概率图，对所述目标血管点的特征值进行增强，得到增强后的血管图像，包括：
根据所述血管分割概率图，确定所述目标血管点对应的概率值；所述概率值用于表征所述目标血管点属于血管的概率；
根据所述目标血管点的特征值、所述目标血管点对应的概率值和预设的增强函数，得到所述目标血管点的增强值；
根据所述目标血管点的特征值和所述增强值，对所述目标血管点的特征值进行增强，得到所述增强后的血管图像。
在其中一个实施例中，所述根据所述目标血管点的特征值、所述目标血管点对应的概率值和预设的增强函数，得到所述目标血管点的增强值，包括：
根据预设的增量值和所述目标血管点的特征值，得到第一增强系数；
根据所述目标血管点对应的概率值和所述增强函数，得到第二增强系数；
根据所述第一增强系数和所述第二增强系数，得到所述目标血管点的增强值。
在其中一个实施例中，所述根据所述目标血管点的特征值和所述血管分割概率图，对所述目标血管点的特征值进行增强，得到增强后的血管图像之前，所述方法还包括：
根据所述血管分割图像，对所述血管分割概率图进行处理，得到处理后的血管分割概率图；
所述根据所述目标血管点的特征值和所述血管分割概率图，对所述目标血管点的特征值进行增强，得到增强后的血管图像，包括：
根据所述目标血管点的特征值和所述处理后的血管分割概率图，对所述目标血管点的特征值进行增强，得到增强后的血管图像。
在其中一个实施例中，所述根据所述血管分割图像，对所述血管分割概率图进行处理，得到处理后的血管分割概率图，包括：
根据所述血管分割图像，确定所述目标血管点在所述血管分割概率图中的初始概率值是否大于等于预设的概率阈值；
若是，则将所述目标血管点的初始概率值确定为所述目标血管点的目标概率值，若否，则将所述概率阈值确定为所述目标血管点的目标概率值，得到所述处理后的血管分割概率图。
在其中一个实施例中，所述根据所述血管分割图像中各血管点的特征值和预设阈值，确定所述原始血管图像中待增强的目标血管点，包括：
将各所述血管点的特征值和所述预设阈值进行比较，将血管点的特征值小于所述预设阈值的血管点确定为所述目标血管点。
在其中一个实施例中，所述方法还包括：
对所述增强后的血管图像进行平滑处理，得到平滑处理后的血管图像。
第二方面，本申请还提供了一种血管图像的增强装置，所述装置包括：
获取模块，用于获取原始血管图像对应的血管分割图像和所述原始血管图像对应的血管分割概率图；
确定模块，用于根据所述血管分割图像中各血管点的特征值和预设阈值，确定所述原始血管图像中待增强的目标血管点；
增强模块，用于根据所述目标血管点的特征值和所述血管分割概率图，对所述目标血管点的特征值进行增强，得到增强后的血管图像。
第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取原始血管图像对应的血管分割图像和所述原始血管图像对应的血管分割概率图；
根据所述血管分割图像中各血管点的特征值和预设阈值，确定所述原始血管图像中待增强的目标血管点；
根据所述目标血管点的特征值和所述血管分割概率图，对所述目标血管点的特征值进行增强，得到增强后的血管图像。
第四方面，本申请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，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取原始血管图像对应的血管分割图像和所述原始血管图像对应的血管分割概率图；
根据所述血管分割图像中各血管点的特征值和预设阈值，确定所述原始血管图像中待增强的目标血管点；
根据所述目标血管点的特征值和所述血管分割概率图，对所述目标血管点的特征值进行增强，得到增强后的血管图像。
第五方面，本申请还提供了一种计算机程序产品，所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取原始血管图像对应的血管分割图像和所述原始血管图像对应的血管分割概率图；
根据所述血管分割图像中各血管点的特征值和预设阈值，确定所述原始血管图像中待增强的目标血管点；
根据所述目标血管点的特征值和所述血管分割概率图，对所述目标血管点的特征值进行增强，得到增强后的血管图像。
上述血管图像的增强方法、装置、设备、存储介质和程序产品，由于是根据各血管点的特征值和预设阈值确定的待增强的目标血管点，选定的目标血管点是需要增强的血管点，这样再根据目标血管点的特征值和血管分割概率图，对目标血管点的特征值进行增强时只对需要增强的血管点进行处理，具有针对性，而目标血管点均为需要增强的血管点包括了细小血管和血管的末端，因此，对目标血管点的特征值进行增强时，能够对细小血管和血管的末端的特征值进行增强，进而使得得到的增强后的血管图像能够清晰地显示细小血管和血管的末端；另外，由于目标血管点是需要增强的血管点，这样只对需要增强的血管点进行处理，提高了对血管图像进行增强的处理速度。
附图说明
图1为一个实施例中血管图像的增强方法的应用环境图；
图2为一个实施例中血管图像的增强方法的流程示意图；
图3为另一个实施例中血管图像的增强方法的流程示意图；
图4为另一个实施例中血管图像的增强方法的流程示意图；
图5为一个实施例中原始的冠脉血管图像示意图；
图6为一个实施例中增强和平滑处理后的血管图像示意图；
图7为另一个实施例中血管图像的增强方法的流程示意图；
图8为一个实施例中血管图像的增强装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
当前，心脑血管疾病仍极大地威胁着人类的生命，而对于心脑血管疾病的诊断主要依靠血管造影图像，医生通过观察血管造影图像可以直观地了解血管的走形与结构等。然而，在实际医学成像过程中，由于一些细小血管和血管末端的灰度值比较低，导致其对比度较低，血管显示不够清晰，不利于医生观察血管的形态。以冠脉的血管造影图像为例，以心脏为背景时，血管末端与心脏的对比度不明显，这种情况将不利于医生观察血管形态。因此，如何改善细小血管和血管末端在血管图像中的显示效果，获得较为清晰的血管图像对于医生的临床诊断具有重要意义。传统技术中，主要是采用基于Hessian矩阵的方法对血管图像进行增强，其主要思想是构建基于Hessian矩阵的多尺度血管增强滤波器，利用Hessian滤波器采用滤波的方式对血管图像进行增强。然而，传统的血管增强方法会抑制图像中非血管部分，突显图像中的血管结构，但这样不适合同时观察血管和其他一些非血管但需要关注的部分，对于细小血管和血管末端的显示不够清晰；另外，上述计算过程较为复杂，计算方式并不简便。因此，本申请提出一种基于血管分割概率图的血管增强方法，通过该血管增强算法能够对细小血管以及血管末端灰度值较低的区域进行增强，上述增强过程中只对需要增强的血管点进行处理，计算过程较为简便，提高了对待增强血管点的处理速度，在获得较为清晰的血管图像的同时提高了得到的增强后的血管图像的效率，确保了得到的增强后的血管图像的实时性。
本申请实施例提供的血管图像的增强方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的，该计算机设备可以是服务器，可以是个人计算机，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。
在一个实施例中，如图2所示，提供了一种血管图像的增强方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
S201，获取原始血管图像对应的血管分割图像和原始血管图像对应的血管分割概率图。
其中，原始血管图像可以为感兴趣区域对应的CT血管造影(CT angiography，CTA)图像，或者也可以为其他医学图像。可选的，感兴趣区域可以为冠脉区域，也可以为脑部区域等等。原始血管图像对应的血管分割图像可以为对血管图像中的各血管进行分割分段后的图像。原始血管图像对应的血管分割概率图中各点的概率值为0-1之间的数，各点的概率值可以用于表征该点属于血管的概率。可选的，计算机设备可以将原始血管图像输入预先训练好的神经网络模型，通过该神经网络模型先得到原始血管分割图像对应的血管分割概率图，再利用预设的概率阈值对血管分割概率图进行划分，得到血管分割图像。可以理解的是，上述预先训练好的神经网络模型可以是以样本血管图像为初始神经网络模型的输入，以样本血管图像对应的样本血管分割图像为金标准对初始神经网络模型进行训练得到的。
S202，根据血管分割图像中各血管点的特征值和预设阈值，确定原始血管图像中待增强的目标血管点。
其中，血管数据展示在图像中体现为血管点；上述血管分割图像中各血管点的特征值可以为各血管点的灰度值，也可以为各血管点的像素值，又或者，可以为各血管点的体素值。可选的，上述预设阈值可以为计算机设备根据上述血管分割图像中血管分割区域的特征值的平均值和阈值系数所确定的，以血管分割图像中各血管点的特征值为灰度值为例，则上述预设阈值可以根据公式：T＝k×b得到，式中，T表示上述预设阈值，k表示阈值系数，b表示血管分割图像中血管分割区域的平均灰度值。可选的，计算机设备可以通过预设阈值对血管分割图像中各血管点的特征值进行逐点判断，确定出原始血管图像中特征值较低的点，将原始血管图像中特征值较低的点确定为原始血管图像中待增强的目标血管点。可选的，计算机设备可以将各血管点的特征值小于预设阈值的血管点确定为待增强的目标血管点。可选的，计算机设备确定的待增强的目标血管点可以为零散分布的血管点，也可以为分散比较密集的血管点。
S203，根据目标血管点的特征值和血管分割概率图，对目标血管点的特征值进行增强，得到增强后的血管图像。
可选的，计算机设备可以根据上述血管分割概率图得到目标血管点属于血管的概率值，根据目标血管点的特征值和目标血管点属于血管的概率值，对目标血管的特征值进行增强，得到增强后的血管图像。进一步地，作为一种可以实现的实施方式，计算机设备可以根据目标血管点的特征值和目标血管点属于血管的概率值，得到目标血管点的增强值，利用得到的目标血管点的增强值对目标血管点的特征值进行增强，得到增强后的血管图像。以目标血管点的特征值为目标血管点的灰度值为例，计算机设备对目标血管点的特征值进行增强，可以是增强目标血管点的灰度值，又例如，目标血管点的特征值为目标血管点的体素值，则计算机设备对目标血管点的特征值进行增强，可以是增强目标血管点的体素值。
上述血管图像的增强方法中，由于计算机设备是根据各血管点的特征值和预设阈值确定的待增强的目标血管点，选定的目标血管点是需要增强的血管点，这样再根据目标血管点的特征值和血管分割概率图，对目标血管点的特征值进行增强时只对需要增强的血管点进行处理，具有针对性，能够确保对确定的目标血管点均进行针对性的增强，而目标血管点均为需要增强的血管点包括了细小血管和血管的末端，因此，对目标血管点的特征值进行增强时，能够对细小血管和血管的末端的特征值进行增强，进而使得得到的增强后的血管图像能够清晰地显示细小血管和血管的末端；另外，由于目标血管点是需要增强的血管点，这样只对需要增强的血管点进行处理，提高了对血管图像进行增强的处理速度。
在上述计算机设备根据目标血管点的特征值和血管分割概率图，对目标血管点的特征值进行增强的场景中，计算机设备可以先确定出目标血管点的增强值，利用目标血管点的增强值对目标血管点进行增强。在一个实施例中，如图3所示，上述S203，包括：
S301，根据血管分割概率图，确定目标血管点对应的概率值；概率值用于表征目标血管点属于血管的概率。
可以理解的是，血管分割概率图中对应的有原始血管图像中各体素点属于血管的概率值，计算机设备根据该血管分割概率图，能够确定出上述目标血管点对应的概率值，其中，目标血管点对应的概率值为0-1之间的数，目标血管点对应的概率值越大表征目标血管点属于血管的概率越大，目标血管点对应的概率值越小表征目标血管点属于血管的概率越小。
S302，根据目标血管点的特征值、目标血管点对应的概率值和预设的增强函数，得到目标血管点的增强值。
可选的，计算机设备可以根据目标血管点对应的概率值和预设的增强函数，得到目标血管点的增强系数，根据目标血管点的增强系数和目标血管的特征值，得到目标血管点的增强值。
可选的，作为一种可以实现的实施方式，如图4所示，计算机设备可以通过如下步骤得到目标血管点的增强值：
S401，根据预设的增量值和目标血管点的特征值，得到第一增强系数；
S402，根据目标血管点对应的概率值和增强函数，得到第二增强系数；
S403，根据第一增强系数和第二增强系数，得到目标血管点的增强值。
其中，上述S401中预设的增量值可以为计算机设备根据经验值确定的。可选的，计算机设备可以将预设的增量值和目标血管点的特征值的差值，确定为上述第一增强系数。可选的，上述S403中，计算机设备可以将第一增强系数和第二增强系数的乘积值，确定为上述目标血管点的增强值。也就是说，上述计算机设备得到目标血管点的增强值的过程可以通过下述公式进行表示：H＝(B-Xijk)×f(Pijk)，式中，H表示目标血管点的增强值，Xijk表示目标血管点的特征值，ijk表示目标血管点的坐标值，B表示预设的增量值，Pijk表示目标血管点对应的概率值，f(x)表示增强函数，x表示自变量，B-Xijk表示第一增强系数，f(Pijk)表示第二增强函数，其中，f(x)可以通过公式f(x)＝xn获取，其中，n为幂指数，n的取值理论上为n∈(0,+∞)，或者，f(x)可以通过公式f(x)＝x/m获取，式中，m∈[1,+∞)。
S303，根据目标血管点的特征值和增强值，对目标血管点的特征值进行增强，得到增强后的血管图像。
可选的，计算机设备可以将目标血管点的特征值和上述增强值之和确定为目标血管点增强后的特征值，使用增强后的特征值替换血管图像中目标血管点的特征值，得到增强后的血管图像。或者，计算机设备可以将目标血管点的特征值和上述增强值的加权和确定为目标血管点增强后的特征值，使用增强后的特征值替换血管图像中目标血管点的特征值，得到增强后的血管图像。
本实施例中，由于计算机设备根据血管分割概率图能够准确地确定出目标血管点对应的概率值，从而可以根据目标血管点的特征值、目标血管点对应的概率值和预设的增强函数，得到目标血管点的增强值，进而可以根据目标血管点的特征值和得到的增强值，对目标血管点的特征值进行增强，确保了不会遗漏掉细小血管和末端的血管，进而使得得到的增强后的血管图像能够清晰地显示细小血管和血管的末端；另外，由于确定的目标血管点是待增强的血管点，这样对目标血管点的特征值进行增强时，不会对非血管点的特征值进行增强，减少了运算量，计算量较小，从而提高了对目标血管点进行增强的实时性，也即提高了得到的增强后的血管图像的实时性。
在上述计算机设备根据目标血管点的特征值和血管分割概率图，对目标血管点的特征值进行增强的场景中，由于原始血管图像对应的血管分割图像中的分割结果可能做了后处理，导致某些血管部分的概率值较小，但理论上这些点的概率值应该大于等于预设的概率阈值，因此，计算机设备还可以对血管分割概率图进行处理。在上述实施例的基础上，在一个实施例中，上述方法还包括：根据血管分割图像，对血管分割概率图进行处理，得到处理后的血管分割概率图；上述S203，包括：根据目标血管点的特征值和处理后的血管分割概率图，对目标血管点的特征值进行增强，得到增强后的血管图像。
具体地，计算机设备根据上述血管分割图像中各血管所在的位置，在血管分割概率图中找到对应的血管，进而对该血管中各血管点的概率值进行处理，得到处理后的血管分割概率图；进而，计算机设备根据上述目标血管点的特征值和处理后的血管分割概率图，对目标血管点的特征值进行增强，得到增强后的血管图像。可选的，计算机设备可以根据上述血管分割图像，确定目标血管点在上述血管分割概率图中的初始概率值是否大于等于预设的概率阈值，若计算机设备确定目标血管点在血管分割概率图中的初始概率值大于等于预设的概率阈值，则计算机设备将目标血管点的初始概率值确定为目标血管点的目标概率值，若计算机设备确定目标血管点在血管分割概率图中的初始概率值小于预设的概率阈值，则计算机设备将上述概率阈值确定为目标血管点的目标概率值，得到处理后的血管分割概率图。优选地，在本申请的实施例中预设的概率阈值可以为0.5，也就是说，计算机设备可以根据下述公式对血管分割概率图进行处理：P'ijk＝max(0.5,Pijk)，式中，Pijk表示目标血管点在血管分割概率图中的初始概率值，P'ijk表示目标血管点在血管分割概率图中的目标概率值。
进一步地，作为一种可选的实施方式，计算机设备根据目标血管点的特征值和处理后的血管分割概率图，对目标血管点的特征值进行增强时，可以利用下述公式对目标血管点的特征值进行增强：X'ijk＝Xijk+(B-Xijk)×f(P'ijk)，式中，Xijk表示目标血管点的特征值，B表示预设的增量值，P'ijk表示目标血管对应的处理后的概率值，f(x)表示增强函数，x表示自变量，其中，f(x)可以通过公式f(x)＝xn获取，其中，n为幂指数，n的取值理论上为n∈(0,+∞)，或者，f(x)可以通过公式f(x)＝x/m获取，式中，m∈[1,+∞)。
本实施例中，由于计算机设备得到的增强后的血管图像是根据目标血管点的特征值和处理后的血管分割概率图，对目标血管点的特征值进行增强的，由于血管分割概率图是经过处理的，这样能够使计算机设备对目标血管点的特征进行较为准确地增强，从而使得得到的增强后的血管图像的增强效果较好，另外，若待增强的血管区域对应的概率值较大，则将补偿较多的特征值；同时，血管特征值越小时，也会补偿较多的特征值，能够有效地增加血管图像中显示的清晰程度，以此获得较为清晰的血管图像。
在上述计算机设备根据血管分割图像中各血管点的特征值和预设阈值，确定原始图像中待增强的目标血管点的场景中，计算机设备可以将血管点的特征值小于预设阈值的血管点确定为目标血管点。在一个实施例中，上述S202，包括：将各血管点的特征值和预设阈值进行比较，将血管点的特征值小于预设阈值的血管点确定为目标血管点。
可选的，计算机设备可以通过获取各血管点的特征值和预设阈值的差值，将血管点的特征值小于预设阈值的血管点确定为上述目标血管点；或者，计算机设备可以通过获取各血管点的特征值和预设阈值的比值，将血管点的特征值小于预设阈值的血管点确定为上述目标血管点。可以理解的是，若血管点的特征值和预设阈值的差值小于0，则说明血管点的特征值小于预设阈值；若血管点的特征值和预设阈值的比值小于1，则说明血管点的特征值小于预设阈值。需要说明的是，对于血管点的特征值大于预设阈值的血管点计算机设备不需要对这些血管点进行增强处理，计算机设备进行增强处理的血管点只包括比较结果中血管的特征值小于预设阈值的血管点。
本实施例中，由于计算机设备将各血管点的特征值和预设阈值进行比较的过程较为简单，因此，计算机设备能够快速地得到各血管点的特征值和预设阈值的比较结果，从而计算机设备可以快速地将比较结果中血管点的特征值小于预设阈值的血管点确定为目标血管点，提高了确定目标血管点的实时性，进一步地，在对血管点的特征值进行增强时，增强的是目标血管点的特征值，不会对非血管点的进行增强，减少了运算量，计算量较小，从而提高了对目标血管点进行增强的实时性，也即提高了得到的增强后的血管图像的实时性。
在一些场景中，计算机设备若对增强后的血管图像直接进行显示可能会使得血管边缘产生一些噪声，因此，计算机设备还可以对增强后的血管图像进行平滑处理，使增强后的血管图像显示更美观。在上述实施例的基础上，在一个实施例中，上述方法还包括：对增强后的血管图像进行平滑处理，得到平滑处理后的血管图像。
其中，平滑，也可叫滤波，或者合在一起叫平滑滤波，平滑滤波是低频增强的空间域滤波技术。可选的，上述平滑处理可以包括均值滤波、中值滤波、高斯滤波、双边滤波中的至少一种滤波处理。示例性地，以冠脉血管造影图像为例，图5为原始的冠脉血管图像，图6为对增强后的血管图像再进行平滑处理后得到的平滑处理后的血管图像，通过对比图5和图6可以看出，图6中对左侧血管延伸出来的细小血管以及右侧血管延伸出来的细小血管以及血管末端显示的更清晰直观。
本实施例中，计算机设备对增强后的血管图像再进行平滑处理，能够避免血管边缘产生的噪声，使得平滑处理后的血管图像中细小血管和血管末端的显示更加清晰直观。
为了便于本领域技术人员的理解，以下对本申请提供的血管图像的增强方法进行详细介绍，请参考图7，该方法可以包括：
S1，获取原始血管图像对应的血管分割图像和原始血管图像对应的血管分割概率图。
S2，将各血管点的特征值和预设阈值进行比较，将血管点的特征值小于预设阈值的血管点确定为目标血管点。
S3，根据血管分割图像，确定目标血管点在血管分割概率图中的初始概率值是否大于等于预设的概率阈值；
S4，若是，则将目标血管点的初始概率值确定为目标血管点的目标概率值，若否，则将概率阈值确定为目标血管点的目标概率值，得到处理后的血管分割概率图。
S5，根据处理后的血管分割概率图，确定目标血管点对应的目标概率值；目标概率值表征目标血管点属于血管的概率。
S6，根据预设的增量值和目标血管点的特征值，得到第一增强系数。
S7，根据目标血管点对应的概率值和增强函数，得到第二增强系数。
S8，根据第一增强系数和第二增强系数，得到目标血管点的增强值。
S9，根据目标血管点的特征值和增强值，对目标血管点的特征值进行增强，得到增强后的血管图像。
S10，对增强后的血管图像进行平滑处理，得到平滑处理后的血管图像。
需要说明的是，针对上述S1-S10中的描述可以参见上述实施例中相关的描述，且其效果类似，本实施例在此不再赘述。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的血管图像的增强方法的血管图像的增强装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个血管图像的增强装置实施例中的具体限定可以参见上文中对于血管图像的增强方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种血管图像的增强装置，包括：获取模块、确定模块和增强模块，其中：
获取模块，用于获取原始血管图像对应的血管分割图像和原始血管图像对应的血管分割概率图；
确定模块，用于根据血管分割图像中各血管点的特征值和预设阈值，确定原始血管图像中待增强的目标血管点；
增强模块，用于根据目标血管点的特征值和血管分割概率图，对目标血管点的特征值进行增强，得到增强后的血管图像。
本实施例提供的血管图像的增强装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述增强模块，包括：第一确定单元、第二确定单元和增强单元，其中：
第一确定单元，用于根据血管分割概率图，确定目标血管点对应的概率值；概率值表征目标血管点属于血管的概率。
第二确定单元，用于根据目标血管点的特征值、目标血管点对应的概率值和预设的增强函数，得到目标血管点的增强值。
增强单元，用于根据目标血管点的特征值和增强值，对目标血管点的特征值进行增强，得到增强后的血管图像。
本实施例提供的血管图像的增强装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述第二确定单元，用于根据预设的增量值和目标血管点的特征值，得到第一增强系数；根据目标血管点对应的概率值和增强函数，得到第二增强系数；根据第一增强系数和第二增强系数，得到目标血管点的增强值。
本实施例提供的血管图像的增强装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述装置还包括：第一处理模块，其中：
第一处理模块，用于根据血管分割图像，对血管分割概率图进行处理，得到处理后的血管分割概率图；
上述增强模块，用于根据目标血管点的特征值和处理后的血管分割概率图，对目标血管点的特征值进行增强，得到增强后的血管图像。
本实施例提供的血管图像的增强装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述第一处理模块，包括：第三确定单元和第四确定单元，其中：
第三确定单元，用于根据血管分割图像，确定目标血管点在血管分割概率图中的初始概率值是否大于等于预设的概率阈值。
第四确定单元，用于若目标血管点在血管分割概率图中的初始概率值大于等于预设的概率阈值，则将目标血管点的初始概率值确定为目标血管点的目标概率值，若目标血管点在血管分割概率图中的初始概率值小于预设的概率阈值，则将概率阈值确定为目标血管点的目标概率值，得到处理后的血管分割概率图。
本实施例提供的血管图像的增强装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述确定模块，包括：比较单元，其中：
比较单元，用于将各血管点的特征值和预设阈值进行比较，将血管点的特征值小于预设阈值的血管点确定为目标血管点。
本实施例提供的血管图像的增强装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述装置还包括：第二处理模块，其中：
第二处理模块，用于对增强后的血管图像进行平滑处理，得到平滑处理后的血管图像。
本实施例提供的血管图像的增强装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
上述血管图像的增强装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取原始血管图像对应的血管分割图像和原始血管图像对应的血管分割概率图；
根据血管分割图像中各血管点的特征值和预设阈值，确定原始血管图像中待增强的目标血管点；
根据目标血管点的特征值和血管分割概率图，对目标血管点的特征值进行增强，得到增强后的血管图像。
上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取原始血管图像对应的血管分割图像和原始血管图像对应的血管分割概率图；
根据血管分割图像中各血管点的特征值和预设阈值，确定原始血管图像中待增强的目标血管点；
根据目标血管点的特征值和血管分割概率图，对目标血管点的特征值进行增强，得到增强后的血管图像。
上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取原始血管图像对应的血管分割图像和原始血管图像对应的血管分割概率图；
根据血管分割图像中各血管点的特征值和预设阈值，确定原始血管图像中待增强的目标血管点；
根据目标血管点的特征值和血管分割概率图，对目标血管点的特征值进行增强，得到增强后的血管图像。
上述实施例提供的计算机程序产品，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种血管图像的增强方法，其特征在于，所述方法包括：
获取原始血管图像对应的血管分割图像和所述原始血管图像对应的血管分割概率图；
根据所述血管分割图像中各血管点的特征值和预设阈值，确定所述原始血管图像中待增强的目标血管点；
根据所述目标血管点的特征值和所述血管分割概率图，对所述目标血管点的特征值进行增强，得到增强后的血管图像。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标血管点的特征值和所述血管分割概率图，对所述目标血管点的特征值进行增强，得到增强后的血管图像，包括：
根据所述血管分割概率图，确定所述目标血管点对应的概率值；所述概率值用于表征所述目标血管点属于血管的概率；
根据所述目标血管点的特征值、所述目标血管点对应的概率值和预设的增强函数，得到所述目标血管点的增强值；
根据所述目标血管点的特征值和所述增强值，得到所述增强后的血管图像。
3.根据权利要求2所述的方法，其特征在于，所述根据所述目标血管点的特征值、所述目标血管点对应的概率值和预设的增强函数，得到所述目标血管点的增强值，包括：
根据预设的增量值和所述目标血管点的特征值，得到第一增强系数；
根据所述目标血管点对应的概率值和所述增强函数，得到第二增强系数；
根据所述第一增强系数和所述第二增强系数，得到所述目标血管点的增强值。
4.根据权利要求1所述的方法，其特征在于，所述根据所述目标血管点的特征值和所述血管分割概率图，对所述目标血管点的特征值进行增强，得到增强后的血管图像之前，所述方法还包括：
根据所述血管分割图像，对所述血管分割概率图进行处理，得到处理后的血管分割概率图；
所述根据所述目标血管点的特征值和所述血管分割概率图，对所述目标血管点的特征值进行增强，得到增强后的血管图像，包括：
根据所述目标血管点的特征值和所述处理后的血管分割概率图，对所述目标血管点的特征值进行增强，得到增强后的血管图像。
5.根据权利要求4所述的方法，其特征在于，所述根据所述血管分割图像，对所述血管分割概率图进行处理，得到处理后的血管分割概率图，包括：
根据所述血管分割图像，确定所述目标血管点在所述血管分割概率图中的初始概率值是否大于等于预设的概率阈值；
若是，则将所述目标血管点的初始概率值确定为所述目标血管点的目标概率值，若否，则将所述概率阈值确定为所述目标血管点的目标概率值，得到所述处理后的血管分割概率图。
6.根据权利要求1所述的方法，其特征在于，所述根据所述血管分割图像中各血管点的特征值和预设阈值，确定所述原始血管图像中待增强的目标血管点，包括：
将各所述血管点的特征值和所述预设阈值进行比较，将血管点的特征值小于所述预设阈值的血管点确定为所述目标血管点。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：
对所述增强后的血管图像进行平滑处理，得到平滑处理后的血管图像。
8.一种血管图像的增强装置，其特征在于，所述装置包括：
获取模块，用于获取原始血管图像对应的血管分割图像和所述原始血管图像对应的血管分割概率图；
确定模块，用于根据所述血管分割图像中各血管点的特征值和预设阈值，确定所述原始血管图像中待增强的目标血管点；
增强模块，用于根据所述目标血管点的特征值和所述血管分割概率图，对所述目标血管点的特征值进行增强，得到增强后的血管图像。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，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实现权利要求1至7中任一项所述的方法的步骤。
CN202210108082.6A 2022-01-28 2022-01-28 血管图像的增强方法、装置、设备和存储介质 Pending CN114494070A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210108082.6A CN114494070A (zh) 2022-01-28 2022-01-28 血管图像的增强方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210108082.6A CN114494070A (zh) 2022-01-28 2022-01-28 血管图像的增强方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN114494070A true CN114494070A (zh) 2022-05-13

Family

ID=81475548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210108082.6A Pending CN114494070A (zh) 2022-01-28 2022-01-28 血管图像的增强方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN114494070A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437236A (zh) * 2023-12-21 2024-01-23 中国人民解放军总医院第一医学中心 一种胃肠镜图像异常检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437236A (zh) * 2023-12-21 2024-01-23 中国人民解放军总医院第一医学中心 一种胃肠镜图像异常检测方法及系统
CN117437236B (zh) * 2023-12-21 2024-03-01 中国人民解放军总医院第一医学中心 一种胃肠镜图像异常检测方法及系统

Similar Documents

Publication Publication Date Title
CN111368849B (zh) 图像处理方法、装置、电子设备及存储介质
CN111598989B (zh) 一种图像渲染参数设置方法、装置、电子设备及存储介质
CN113936011A (zh) 基于注意力机制的ct影像肺叶图像分割系统
JP7076168B1 (ja) リアルタイム映像における画像の物体輪郭を強調する方法
CN113610752A (zh) 乳腺图像配准方法、计算机设备和存储介质
CN102419864A (zh) 一种提取脑部ct图像骨骼方法及装置
CN114494070A (zh) 血管图像的增强方法、装置、设备和存储介质
TW202033159A (zh) 圖像處理方法、裝置及系統、電子設備及電腦可讀儲存媒體
JP4668289B2 (ja) 画像処理装置および方法並びにプログラム
Dawood et al. The importance of contrast enhancement in medical images analysis and diagnosis
CN116245832B (zh) 一种图像处理方法、装置、设备及存储介质
CN112116623A (zh) 图像分割方法及装置
CN111209946A (zh) 三维图像处理方法、图像处理模型训练方法及介质
CN116128895A (zh) 医学图像分割方法、装置和计算机可读存储介质
CN113222987B (zh) 磁共振成像血管壁增强强度映射方法、装置、设备和介质
CN113888566B (zh) 目标轮廓曲线确定方法、装置、电子设备以及存储介质
CN115375583A (zh) 一种pet参数图像的增强方法、装置、设备及存储介质
CN114926448A (zh) 一种胶囊内窥镜图像特征点提取方法
CN113706541B (zh) 一种图像处理方法及装置
CN110738612B (zh) X光透视图像的降噪方法及计算机可读存储介质
Singh et al. Dark channel processing for medical image enhancement
CN113393427A (zh) 斑块分析方法、装置、计算机设备和存储介质
JP5892656B2 (ja) 描画処理プログラム、描画処理方法及び描画処理装置
Liang et al. Fast single frame super-resolution using perceptual visibility optimization
CN113112507B (zh) 灌注影像分析方法、系统、电子设备及存储介质

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