CN114533002B - 一种颈动脉中心线提取方法、装置、存储介质及电子设备 - Google Patents

一种颈动脉中心线提取方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN114533002B
CN114533002B CN202210208070.0A CN202210208070A CN114533002B CN 114533002 B CN114533002 B CN 114533002B CN 202210208070 A CN202210208070 A CN 202210208070A CN 114533002 B CN114533002 B CN 114533002B
Authority
CN
China
Prior art keywords
carotid
image
skeleton line
carotid artery
skeleton
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
Application number
CN202210208070.0A
Other languages
English (en)
Other versions
CN114533002A (zh
Inventor
李睿
邱伟
陈硕
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202210208070.0A priority Critical patent/CN114533002B/zh
Publication of CN114533002A publication Critical patent/CN114533002A/zh
Application granted granted Critical
Publication of CN114533002B publication Critical patent/CN114533002B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/46—Arrangements for interfacing with the operator or the patient
    • A61B6/461—Displaying means of special interest
    • A61B6/466—Displaying means of special interest adapted to display 3D data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/68—Analysis of geometric attributes of symmetry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • 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

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • Vascular Medicine (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Physiology (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Cardiology (AREA)
  • Pulmonology (AREA)
  • Computing Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Geometry (AREA)
  • Algebra (AREA)
  • Signal Processing (AREA)

Abstract

本发明提供一种颈动脉中心线提取方法、装置、存储介质及电子设备。该方法包括：获取三维颈部血管图像；从所述三维颈部血管图像中分割得到血管掩膜图像；从所述血管掩膜图像中提取血管骨架线，形成三维颈部血管骨架线图像；从所述三维颈部血管中心线图像中识别出颈动脉骨架线，得到颈动脉骨架线图像，其中，所述颈动脉骨架线包括左颈动脉骨架线和右颈动脉骨架线；从所述颈动脉骨架线图像中提取出颈总动脉‑颈内动脉中心线。本发明解决了从颈部血管三维图像自动、准确提取出颈动脉中心线的技术问题，避免了复杂的网络设计和手动标注等问题，原理简单且实用性极强。

Description

一种颈动脉中心线提取方法、装置、存储介质及电子设备
技术领域
本发明涉及图像分割领域，尤其涉及一种颈动脉中心线提取方法、装置、存储介质及电子设备。
背景技术
脑卒中已经成为了威胁人类生命健康的重大疾病，其中颈动脉粥样硬化是引发脑卒中疾病的重要原因之一。检测动脉粥样硬化病变通常需要先提取颈动脉的几何形态，获取血管形态信息。颈动脉的中心线可以表示血管的拓扑结构，能够反映血管的形态特征，是定量分析判断颈动脉结构病变的基础。尤其是从颈总动脉出发到颈内动脉的给颅内供血的血管分支，这是临床医生最关注的，也是最容易发生病变造成重大疾病的分支。
时间飞跃法磁共振血管造影成像(Time of flight Magnetic resonanceangiography，TOF MRA)是临床诊疗中医生用来诊断血管疾病的重要影像检查手段。该技术通过抑制静止的组织的信号，增强流动的血液的信号来产生血管造影效果，具有对比度高，空间分辨率高和覆盖面大等优点。随着病人数量的增加，而且在磁共振造影图像中手动标注血管中心线非常耗时耗力，因此需要用计算机实现对颈动脉中心线的自动提取，可以极大的减轻放射科医生的工作量，加快疾病诊断速度。
相关技术中，血管中心线的提取主要分为三类，第一类是在血管分割的基础上用形态学细化的算法来获得中心线，但是难以提取到特定的分支。第二类是先计算出血管距离场和人为设定种子点(起点和终点)，然后运用最小路径法获得目标血管的中心线，此方法往往是半自动的。第三类是通过二维或三维神经网络来直接预测图像每一层的血管中心线来获得目标血管中心线，具有端到端的优点，但存在对数据集和计算机硬件要求高，容易预测到其他分支的缺点。
上述技术的缺点如下：
1、传统的获取特定血管分支中心线的方法是半自动的，需要医生参与提取过程，增加医生的工作量。
2、深度学习分割算法存在对数据集和计算机硬件要求高，且容易预测到错误分支的缺点。
因此，有必要提供一种新的提取颈动脉中心线的方案，从颈部血管三维图像自动、准确提取出颈动脉中心线。
发明内容
为解决从颈部血管三维图像自动、准确提取出颈动脉中心线的技术问题，本发明实施例提供一种颈动脉中心线提取方法、装置、存储介质及电子设备。
第一方面，本发明实施例提供一种颈动脉中心线提取方法，包括：
获取三维颈部血管图像；
从所述三维颈部血管图像中分割得到血管掩膜图像；
从所述血管掩膜图像中提取血管骨架线，形成三维颈部血管骨架线图像；
从所述三维颈部血管中心线图像中识别出颈动脉骨架线，得到颈动脉骨架线图像，其中，所述颈动脉骨架线包括左颈动脉骨架线和右颈动脉骨架线；
从所述颈动脉骨架线图像中提取出颈总动脉-颈内动脉中心线。
在一些实施方式中，所述方法还包括：
将所述颈总动脉-颈内动脉中心线进行平滑处理。
在一些实施方式中，所述三维颈部血管图像，包括三维颈部TOF MRA图像或三维颈部CTA图像。
在一些实施方式中，从所述血管掩膜图像中提取血管骨架线，形成三维颈部血管骨架线图像，包括：
利用三维骨架化算法中的细化方法，将所述血管掩膜图像处理成三维颈部血管骨架线图像，并确定所述三维颈部血管中心线图像中各中心线上每个点的三维坐标。
在一些实施方式中，从所述三维颈部血管骨架线图像中识别出颈动脉骨架线，得到颈动脉骨架线图像，包括：
对所述三维颈部血管骨架线图像进行连通域分析；
计算所述三维颈部血管骨架线图像中26邻域连通域的数量及每个连通域的大小；
针对最大的四个连通域，分别计算连通域质心的X坐标和Y坐标；
在X坐标相对较大的两个连通域中选取Y坐标相对较小的连通域，确定为左颈动脉骨架线，在X坐标相对较小的两个连通域中选取Y坐标相对较小的连通域确定为右颈动脉骨架线，分别得到左颈动脉骨架线线图像和右颈动脉骨架线图像。
在一些实施方式中，从所述颈动脉骨架线图像中提取出颈总动脉-颈内动脉中心线，包括：
在所述颈动脉骨架线图像中进行端点检测，用设定的卷积核与所述颈动脉骨架线图像进行卷积计算，将计算所得结果图像中体素值为预设值的点确定为端点，将Z坐标最小的端点确定为颈总动脉中心线的起点；
以所述起点作为搜索起点，基于深度优先搜索算法搜索得到所述颈动脉骨架线图像中的各个分支，得到分支集合；
在所述分支集合中选取长度大于所述颈动脉骨架线图像高度值的分支，构成目标分支集合；
分别计算所述目标分支集合中各分支的末端M个像素的X坐标的平均值和Z坐标的平均值，并计算出两个平均值的乘积或商值，基于所述乘积或所述商值确定颈总动脉-颈内动脉中心线。
在一些实施方式中，所述基于所述乘积或所述商值确定颈总动脉-颈内动脉中心线，包括：
针对左颈动脉骨架线，将所述商值最小的分支确定为左颈总动脉-颈内动脉中心线；
针对右颈动脉骨架线，将所述乘积最大的分支确定为右颈总动脉-右颈内动脉中心线。
第二方面，本发明实施例提供一种颈动脉中心线提取装置，包括：
图像获取模块，用于获取三维颈部血管图像；
图像处理模块，用于从所述三维颈部血管图像中分割得到血管掩膜图像；
第一提取模块，用于从所述血管掩膜图像中提取血管骨架线，形成三维颈部血管骨架线图像；
中心线识别模块，用于从所述三维颈部血管骨架线图像中识别出颈动脉骨架线，得到颈动脉骨架线图像，其中，所述颈动脉骨架线包括左颈动脉骨架线和右颈动脉骨架线；
第二提取模块，用于从所述颈动脉骨架线图像中提取出颈总动脉-颈内动脉中心线。
第三方面，本发明实施例提供一种计算机可读存储介质，包括：所述计算机可读存储介质上存储有计算机程序，所述计算机程序被一个或多个处理器执行时，实现如第一方面所述的颈动脉中心线提取方法。
第四方面，本发明实施例提供一种电子设备，包括：包括存储器和一个或多个处理器，所述存储器上存储有计算机程序，所述计算机程序被所述一个或多个处理器执行时实现如第一方面所述的颈动脉中心线提取方法。
与现有技术相比，本发明的一个或多个实施例至少具有如下有益效果：
本发明实施例提供的颈动脉中心线提取方法、装置、存储介质及电子设备，将血管中心线提取算法与颈动脉的血管几何结构特征相结合，基于不同分支的形态学特征，制定了提取颈总动脉与颈内动脉这一分支的规则，能够在骨架树中自动提取出从颈总动脉出发到颈内动脉的血管中心线，其准确度、实用性、性能与现有技术相比都有明显提升。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定。
图1是本发明实施例提供的一种颈动脉中心线提取方法流程图；
图2是按照本方法得到左颈总动脉-颈内动脉分支中心线的示意图。
具体实施方式
下面将结合本发明实施例中附图，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发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，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，都属于本发明保护的范围。
实施例一
图1示出了一种颈动脉中心线提取方法流程图，如图1所示，本实施例提供的颈动脉中心线提取方法，至少包括步骤S101～步骤S105：
步骤S101、获取三维颈部血管图像。
在一些实施方式中，三维颈部血管图像包括但不限于三维颈部TOF MRA图像或三维颈部CTA(CT血管造影)图像，在实际应用中，三维颈部血管图像还可以是其他类型的图像。
步骤S102、从三维颈部血管图像中分割得到血管掩膜图像。
在实际应用中，可基于已有的TOF MRA图像血管分割的深度学习算法进行血管掩膜图像分割，本实施例中使用经典的3D U-Net模型对三维颈部血管图像进行血管分割，生成三维颈部动脉的血管掩膜图像Vessel_mask。
步骤S103、从血管掩膜图像中提取血管骨架线，形成三维颈部血管骨架线图像。
在一些实施方式中，从血管掩膜图像中提取血管骨架线，形成三维颈部血管骨架线图像，包括：
步骤S103a、利用三维骨架化算法中的细化方法，将血管掩膜图像处理成三维颈部血管骨架线图像，并确定三维颈部血管骨架线图像中各骨架线上每个点的三维坐标。
基于三维骨架化算法中的细化方法，将步骤S102所获得的二值的血管掩膜图像Vessel_mask处理成三维颈部血管骨架线图像，并定义骨架线上每个点的三维坐标：
定义沿着人两肩的方向为X轴，其中，人左手所在方向为X轴正方向；
定义从人体的颈前到颈后为Y的正方向；
定义沿着人体向头的方向为Z轴正方向。
通过上述定义，可以确定出三维颈部血管骨架线图像中各骨架线上每个点的三维坐标。
步骤S104、从三维颈部血管骨架线图像中识别出颈动脉骨架线，得到颈动脉骨架线图像，其中，颈动脉骨架线包括左颈动脉骨架线和右颈动脉骨架线。
在一些实施方式中，步骤S104从三维颈部血管骨架线图像中识别出颈动脉骨架线，得到颈动脉骨架线图像，包括：
步骤S104a、对三维颈部血管骨架线图像进行连通域分析；
步骤S104b、计算三维颈部血管骨架线图像中26邻域连通域的数量及每个连通域的大小；
步骤S104c、针对最大的四个连通域，分别计算连通域质心的X坐标和Y坐标；
步骤S104d、在X坐标相对较大的两个连通域中选取Y坐标相对较小的连通域，确定为左颈动脉骨架线，在X坐标相对较小的两个连通域中选取Y坐标相对较小的连通域确定为右颈动脉骨架线，分别得到左颈动脉骨架线图像和右颈动脉骨架线图像。
在一些情形中，还可以基于连通域分析的结果得到左椎动脉骨架线图像和右椎动脉骨架线图像。因此，本方法还可以进一步包括：
在剩余的两个连通域中，选取X坐标较大的连通确定为左椎动脉骨架线，选取X坐标较小的连通域定为右椎动脉骨架线。
分别只保留左颈动脉骨架线、右颈动脉骨架线、左椎动脉骨架线、右椎动脉骨架线中的一个，而将其他连通域删掉，可以分别得到左颈动脉骨架线图像(CA_left)、右颈动脉骨架线图像(CA_right)、左椎动脉骨架线图像(VA_left)、右椎动脉骨架线图像(VA_right)。
步骤S105、从颈动脉骨架线图像中提取出颈总动脉-颈内动脉中心线。
在一些实施方式中，步骤S105从颈动脉中心线图像中提取出颈总动脉-颈内动脉中心线，包括：
步骤S105a、在颈动脉骨架线图像中进行端点检测，用设定的卷积核与颈动脉骨架线图像进行卷积计算，将计算所得结果图像中体素值为预设值的点确定为端点，将Z坐标最小的端点确定为颈总动脉中心线的起点Start_point。
在一些情形中，卷积核的尺寸为3×3×3，核中心值为100、核边缘值为1，卷积核与图像进行卷积计算的结果图像中体素值为101的点确定为端点，端点可能有一个或多个，将其中Z坐标最小的点作为为颈总动脉中心线的起点进行下面的搜索。
应当理解的是，上述尺寸、核中心值、核边缘值仅为一个示例，在实际中，核边缘值比核中心值明显小即可，可取上述示例以外的值。
步骤S105b、以起点作为搜索起点，基于深度优先搜索算法搜索得到颈动脉骨架线图像中的各个分支，得到分支集合。
以步骤S105a所确定的起点作为搜索起点，基于深度优先搜索算法搜索得到左颈动脉血管树上的各个分支，得到分支集合Branch_List。在一个示例中，在搜索过程中维护一个动态的Closed表，表中记录所有已经搜索过的位置，每次搜索从起点开始，到一个端点结束，在搜索的同时构建分支，搜索至所有端点遍历完成。
步骤S105c、在分支集合中选取长度大于颈动脉骨架线图像高度值的分支，构成目标分支集合。
在步骤S105b搜索到的分支集合Branch_List中选取长度大于颈动脉骨架线图像Z方向尺寸大小(高度值)的数根分支，构成目标分支集合Branch_target_List。
步骤S105d、分别计算目标分支集合中各分支的末端M个像素的Y坐标的平均值和Z坐标的平均值，并计算出两个平均值的乘积，基于乘积确定颈总动脉-颈内动脉中心线。
在一个示例中，M＝40，分别计算目标分支集合Branch_target_List中各分支末端40个像素的X坐标和Z坐标的平均值和/>并计算出两者的乘积/>和商值/>
在确定左颈总动脉-颈内动脉分支、右颈总动脉-颈内动脉分支时，在基于乘积确定颈总动脉-颈内动脉中心线之前的步骤都是相同的，在基于乘积确定颈总动脉-颈内动脉中心线时，左颈总动脉-颈内动脉分支、右颈总动脉-颈内动脉分支则有所区别。
在一些实施方式中，基于乘积或商值确定颈总动脉-颈内动脉中心线，包括：
针对左颈动脉骨架线，将商值最小的分支确定为左颈总动脉-颈内动脉中心线；
针对右颈动脉骨架线，将乘积最大的分支确定为右颈总动脉-右颈内动脉中心线。
以左颈动脉骨架线图像为例，在左颈动脉骨架线图像中进行端点检测，用设定的卷积核与左颈动脉骨架线图像进行卷积计算，将计算所得结果图像中体素值为预设值的点确定为端点，将Z坐标最小的端点确定为颈总动脉中心线的起点；以起点作为搜索起点，基于深度优先搜索算法搜索得到颈动脉骨架线图像中的各个分支，得到分支集合，并在分支集合中选取长度大于颈动脉骨架线图像高度值的预设数量的分支，构成目标分支集合；分别计算目标分支集合中各分支的末端M个像素的X坐标的平均值和Z坐标的平均值，并计算出两个平均值的商值，将商值最小的分支确定为左颈总动脉-颈内动脉中心线。
以右颈动脉骨架线图像为例，在右颈动脉骨架线图像中进行端点检测，用设定的卷积核与右颈动脉骨架线图像进行卷积计算，将计算所得结果图像中体素值为预设值的点确定为端点，将Z坐标最小的端点确定为颈总动脉中心线的起点；以起点作为搜索起点，基于深度优先搜索算法搜索得到右颈动脉骨架线图像中的各个分支，得到分支集合，并在分支集合中选取长度大于右颈动脉骨架线图像高度值的预设数量的分支，构成目标分支集合；分别计算目标分支集合中各分支的末端M个像素的X坐标的平均值和Z坐标的平均值，并计算出两个平均值的乘积，将乘积最大的分支确定为右颈总动脉-颈内动脉中心线。
以左椎动脉骨架线图像为例，在左椎动脉骨架线图像中进行端点检测，将Z坐标最小的端点确定为左椎动脉中心线的起点，而Z坐标最大的端点确定为终点。同样基于深度优先搜索算法得到从起点到终点的血管中心线，即为左椎动脉中心线。右椎动脉中心线分支同理可得。
在一些实施方式中，上述方法还包括：
步骤S106、将颈总动脉-颈内动脉中心线进行平滑处理。
将颈总动脉-颈内动脉中心线采用滑动平均法进行平滑优化处理，在一个示例中，步长可设置为3，得到最终的颈总动脉-颈内动脉分支。
在一个示例中，图2提供了按照本方法得到左颈总动脉-颈内动脉分支中心线的示意图。
本实施例的方法，基于高分辨率三维颈部TOF MRA图像，能够自动且准确地从原核磁图像中自动提取出血管中心线并从中提取识别出所需的颈总动脉-颈内动脉，实现了颈总-颈内动脉的自动提取识别。也可以适用于相似类型的三维颈部血管图像，如颈部CTA。避免了复杂的网络设计和手动标注等问题，原理简单且实用性极强。
实施例二
本实施例提供一种颈动脉中心线提取装置，包括：
图像获取模块，用于获取三维颈部血管图像；
图像处理模块，用于从所述三维颈部血管图像中分割得到血管掩膜图像；
第一提取模块，用于从所述血管掩膜图像中提取血管中心线，形成三维颈部血管中心线图像；
中心线识别模块，用于从所述三维颈部血管中心线图像中识别出颈动脉中心线，得到颈动脉中心线图像，其中，所述颈动脉中心线包括左颈动脉中心线和右颈动脉中心线；
第二提取模块，用于分别从所述颈动脉中心线图像中提取出颈总动脉-颈内动脉中心线。
应当理解的是，本实施例的装置具备方法实施例的全部有益效果。
本领域的技术人员应当明白，上述各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何限定的硬件和软件结合。
实施例三
本实施例提供一种计算机可读存储介质，包括：计算机可读存储介质上存储有计算机程序，计算机程序被一个或多个处理器执行时，实现实施例一的颈动脉中心线提取方法。
本实施例中，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，例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(Electrically Erasable 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 Read-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。
实施例四
本实施例提供一种电子设备，包括：包括存储器和一个或多个处理器，存储器上存储有计算机程序，计算机程序被一个或多个处理器执行时实现实施例一的颈动脉中心线提取方法。
本实施例中，处理器可以是专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、数字信号处理器(Digital Signal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(ProgrammableLogic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例中的方法。在处理器上运行的计算机程序被执行时所实现的方法可参照本发明前述实施例提供的方法的具体实施例，此处不再赘述。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统和方法实施例仅仅是示意性的。
需要说明的是，在本文中，本申请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。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (9)

1.一种颈动脉中心线提取方法，其特征在于，包括：
获取三维颈部血管图像；
从所述三维颈部血管图像中分割得到血管掩膜图像；
从所述血管掩膜图像中提取血管骨架线，形成三维颈部血管骨架线图像；
从所述三维颈部血管中心线图像中识别出颈动脉骨架线，得到颈动脉骨架线图像，其中，所述颈动脉骨架线包括左颈动脉骨架线和右颈动脉骨架线；
从所述颈动脉骨架线图像中提取出颈总动脉-颈内动脉中心线；
从所述颈动脉骨架线图像中提取出颈总动脉-颈内动脉中心线，包括：
在所述颈动脉骨架线图像中进行端点检测，用设定的卷积核与所述颈动脉骨架线图像进行卷积计算，将计算所得结果图像中体素值为预设值的点确定为端点，将Z坐标最小的端点确定为颈总动脉中心线的起点；
以所述起点作为搜索起点，基于深度优先搜索算法搜索得到所述颈动脉骨架线图像中的各个分支，得到分支集合；
在所述分支集合中选取长度大于所述颈动脉骨架线图像高度值的分支，构成目标分支集合；
分别计算所述目标分支集合中各分支的末端M个像素的X坐标的平均值和Z坐标的平均值，并计算出两个平均值的乘积或商值，基于所述乘积或所述商值确定颈总动脉-颈内动脉中心线。
2.根据权利要求1所述的颈动脉中心线提取方法，其特征在于，还包括：
将所述颈总动脉-颈内动脉中心线进行平滑处理。
3.根据权利要求1所述的颈动脉中心线提取方法，其特征在于，所述三维颈部血管图像，包括三维颈部TOF MRA图像或三维颈部CTA图像。
4.根据权利要求1所述的颈动脉中心线提取方法，其特征在于，从所述血管掩膜图像中提取血管骨架线，形成三维颈部血管骨架线图像，包括：
利用三维骨架化算法中的细化方法，将所述血管掩膜图像处理成三维颈部血管骨架线图像，并确定所述三维颈部血管中心线图像中各中心线上每个点的三维坐标。
5.根据权利要求1所述的颈动脉中心线提取方法，其特征在于，从所述三维颈部血管骨架线图像中识别出颈动脉骨架线，得到颈动脉骨架线图像，包括：
对所述三维颈部血管骨架线图像进行连通域分析；
计算所述三维颈部血管骨架线图像中26邻域连通域的数量及每个连通域的大小；
针对最大的四个连通域，分别计算连通域质心的X坐标和Y坐标；
在X坐标相对较大的两个连通域中选取Y坐标相对较小的连通域，确定为左颈动脉骨架线，在X坐标相对较小的两个连通域中选取Y坐标相对较小的连通域确定为右颈动脉骨架线，分别得到左颈动脉骨架线线图像和右颈动脉骨架线图像。
6.根据权利要求1所述的颈动脉中心线提取方法，其特征在于，所述基于所述乘积或所述商值确定颈总动脉-颈内动脉中心线，包括：
针对左颈动脉骨架线，将所述商值最小的分支确定为左颈总动脉-颈内动脉中心线；
针对右颈动脉骨架线，将所述乘积最大的分支确定为右颈总动脉-颈内动脉中心线。
7.一种颈动脉中心线提取装置，其特征在于，包括：
图像获取模块，用于获取三维颈部血管图像；
图像处理模块，用于从所述三维颈部血管图像中分割得到血管掩膜图像；
第一提取模块，用于从所述血管掩膜图像中提取血管骨架线，形成三维颈部血管骨架线图像；
中心线识别模块，用于从所述三维颈部血管骨架线图像中识别出颈动脉骨架线，得到颈动脉骨架线图像，其中，所述颈动脉骨架线包括左颈动脉骨架线和右颈动脉骨架线；
第二提取模块，用于从所述颈动脉骨架线图像中提取出颈总动脉-颈内动脉中心线；
所述第二提取模块，用于从所述颈动脉骨架线图像中提取出颈总动脉-颈内动脉中心线，具体包括：
在所述颈动脉骨架线图像中进行端点检测，用设定的卷积核与所述颈动脉骨架线图像进行卷积计算，将计算所得结果图像中体素值为预设值的点确定为端点，将Z坐标最小的端点确定为颈总动脉中心线的起点；
以所述起点作为搜索起点，基于深度优先搜索算法搜索得到所述颈动脉骨架线图像中的各个分支，得到分支集合；
在所述分支集合中选取长度大于所述颈动脉骨架线图像高度值的分支，构成目标分支集合；
分别计算所述目标分支集合中各分支的末端M个像素的X坐标的平均值和Z坐标的平均值，并计算出两个平均值的乘积或商值，基于所述乘积或所述商值确定颈总动脉-颈内动脉中心线。
8.一种计算机可读存储介质，其特征在于，包括：所述计算机可读存储介质上存储有计算机程序，所述计算机程序被一个或多个处理器执行时，实现如权利要求1至6中任一项所述的颈动脉中心线提取方法。
9.一种电子设备，其特征在于，包括：包括存储器和一个或多个处理器，所述存储器上存储有计算机程序，所述计算机程序被所述一个或多个处理器执行时实现如权利要求1至6中任一项所述的颈动脉中心线提取方法。
CN202210208070.0A 2022-03-04 2022-03-04 一种颈动脉中心线提取方法、装置、存储介质及电子设备 Active CN114533002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210208070.0A CN114533002B (zh) 2022-03-04 2022-03-04 一种颈动脉中心线提取方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210208070.0A CN114533002B (zh) 2022-03-04 2022-03-04 一种颈动脉中心线提取方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN114533002A CN114533002A (zh) 2022-05-27
CN114533002B true CN114533002B (zh) 2024-04-26

Family

ID=81662341

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210208070.0A Active CN114533002B (zh) 2022-03-04 2022-03-04 一种颈动脉中心线提取方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN114533002B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272363B (zh) * 2022-07-13 2023-06-09 同心智医科技(北京)有限公司 一种重建颈动脉三维图像的方法、装置及存储介质
CN115311448B (zh) * 2022-09-02 2024-07-12 敬科(深圳)机器人科技有限公司 一种网状物料定位的方法、装置及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485704A (zh) * 2016-09-30 2017-03-08 上海联影医疗科技有限公司 血管中心线的提取方法
CN109584169A (zh) * 2018-10-26 2019-04-05 首都医科大学宣武医院 一种基于中心线的颅内血管图像的截取方法及系统
CN110517279A (zh) * 2019-09-20 2019-11-29 北京深睿博联科技有限责任公司 头颈血管中心线提取方法及装置
CN113100801A (zh) * 2021-04-14 2021-07-13 清华大学 动脉瘤的入射角的确定方法、装置、电子设备及存储介质
CN113826140A (zh) * 2019-06-12 2021-12-21 布莱恩欧米克斯有限公司 血管造影数据分析

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10206646B2 (en) * 2016-03-10 2019-02-19 Siemens Healthcare Gmbh Method and system for extracting centerline representation of vascular structures in medical images via optimal paths in computational flow fields

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485704A (zh) * 2016-09-30 2017-03-08 上海联影医疗科技有限公司 血管中心线的提取方法
CN109584169A (zh) * 2018-10-26 2019-04-05 首都医科大学宣武医院 一种基于中心线的颅内血管图像的截取方法及系统
CN113826140A (zh) * 2019-06-12 2021-12-21 布莱恩欧米克斯有限公司 血管造影数据分析
CN110517279A (zh) * 2019-09-20 2019-11-29 北京深睿博联科技有限责任公司 头颈血管中心线提取方法及装置
CN113100801A (zh) * 2021-04-14 2021-07-13 清华大学 动脉瘤的入射角的确定方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种针对造影图像中血管狭窄的自动识别技术;冯瑶;刘宁;冯亚崇;;生物医学工程学杂志(02);380-386 *

Also Published As

Publication number Publication date
CN114533002A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
Patel et al. Intracerebral haemorrhage segmentation in non-contrast CT
CN110490040B (zh) 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法
CN108133476B (zh) 一种肺结节自动检测方法及系统
EP2916737B1 (en) System and method for automated detection of lung nodules in medical images
US7447344B2 (en) System and method for visualization of pulmonary emboli from high-resolution computed tomography images
CN114533002B (zh) 一种颈动脉中心线提取方法、装置、存储介质及电子设备
CN110448319B (zh) 基于造影影像及冠状动脉的血流速度计算方法
JP6713690B2 (ja) 血管形状構築装置、その方法及びコンピュータソフトウエアプログラム
CN112308846B (zh) 血管分割方法、装置及电子设备
Vukadinovic et al. Segmentation of the outer vessel wall of the common carotid artery in CTA
Van Dongen et al. Automatic segmentation of pulmonary vasculature in thoracic CT scans with local thresholding and airway wall removal
Tan et al. An approach for pulmonary vascular extraction from chest CT images
Sangsefidi et al. Balancing the data term of graph-cuts algorithm to improve segmentation of hepatic vascular structures
Li et al. An automatic and efficient coronary arteries extraction method in CT angiographies
Sukanya et al. Region based coronary artery segmentation using modified Frangi's vesselness measure
KR20160053325A (ko) 장기의 동맥 및 정맥의 구분 방법
Xiao et al. Cerebrovascular segmentation of TOF-MRA based on seed point detection and multiple-feature fusion
Delmoral et al. Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study
Maklad et al. Blood vessel-based liver segmentation through the portal phase of a CT dataset
CN112862786B (zh) Cta影像数据处理方法、装置及存储介质
Anitha et al. An efficient method for the detection of oblique fissures from computed tomography images of lungs
Miao et al. Visual quantification of the circle of willis: An automated identification and standardized representation
Miao et al. CoWRadar: Visual Quantification of the Circle of Willis in Stroke Patients.
Guo et al. Pulmonary artery segmentation based on three-dimensional region growth approach
Luo et al. Extraction of brain vessels from magnetic resonance angiographic images: Concise literature review, challenges, and proposals

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