CN114677396A - 图像处理方法、图像处理设备与计算机可读存储介质 - Google Patents

图像处理方法、图像处理设备与计算机可读存储介质 Download PDF

Info

Publication number
CN114677396A
CN114677396A CN202210584133.2A CN202210584133A CN114677396A CN 114677396 A CN114677396 A CN 114677396A CN 202210584133 A CN202210584133 A CN 202210584133A CN 114677396 A CN114677396 A CN 114677396A
Authority
CN
China
Prior art keywords
image
black blood
tof
blood
black
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.)
Granted
Application number
CN202210584133.2A
Other languages
English (en)
Other versions
CN114677396B (zh
Inventor
张超
董嘉慧
张海鹏
王纯亮
赵清华
毛益进
刘伟
焦力群
李龙
杨斌
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.)
Beijing Yueying Technology Co ltd
Tianjin Yuanjing Technology Service Co ltd
Original Assignee
Beijing Yueying Technology Co ltd
Tianjin Yuanjing Technology Service 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 Beijing Yueying Technology Co ltd, Tianjin Yuanjing Technology Service Co ltd filed Critical Beijing Yueying Technology Co ltd
Priority to CN202211021567.8A priority Critical patent/CN115359078A/zh
Priority to CN202211020387.8A priority patent/CN115359077A/zh
Priority to CN202211021573.3A priority patent/CN115359079A/zh
Priority to CN202210584133.2A priority patent/CN114677396B/zh
Publication of CN114677396A publication Critical patent/CN114677396A/zh
Application granted granted Critical
Publication of CN114677396B publication Critical patent/CN114677396B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/38—Registration of image sequences
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G06T2207/10096—Dynamic contrast-enhanced magnetic resonance imaging [DCE-MRI]
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20161—Level set
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30172—Centreline of tubular or elongated structure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/24—Fluid dynamics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/44—Morphing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请提供了一种图像处理方法、图像处理设备与计算机可读存储介质。该方法包括获取目标组织的同一部位的TOF图像和第一黑血图像；获取第一血管中心线，第一血管中心线为TOF图像中的血管结构的血管中心线；将第一血管中心线确定为第一黑血图像中的血管结构的初始中心线，基于初始中心线且采用预定图像分割算法对第一黑血图像进行分割，得到第一黑血图像的第二血管中心线，初始中心线为第一黑血图像的第二血管中心线提供了一个参考基准以引导对第一黑血图像进行分割；基于第二血管中心线构建出第一黑血图像的目标黑血血管模型。本方案实现了对第一黑血图像的中心线的精确确定，进一步保证了血管模型的准确性。

Description

图像处理方法、图像处理设备与计算机可读存储介质
技术领域
本申请涉及医学影像领域，具体而言，涉及一种图像处理方法、图像处理设备、计算机可读存储介质和设备。
背景技术
黑血图像由于其高信噪比、清晰的伪狭窄结构、非侵入性、各向同性的分辨率以及允许对管腔和外壁进行体积测量等优点引起越来越广泛的关注。分割黑血图像中的血管结构后对其进行建模，更利于后续仿真操作。然而黑血图像存在大量伪血管结构，且血管结构对比度差，导致无法将黑血图像中的血管结构精确分割出来。
目前已经公开的对比文件（CN 114299055 A）公开了：通过对黑血医学图像和亮血医学图像分别进行血管标识处理，得到黑血血管标识图像和亮血血管标识图像，对黑血血管标识图像和亮血血管标识图像进行配准和融合处理，得到融合血管标识图像；提取融合血管标识图像中每段血管的分段中心线，并根据每段血管的分段中心线确定黑血医学图像或亮血医学图像中血管的中心线。即通过对黑血医学图像和亮血医学图像进行融合后，得到融合后的图像，采用融合后的图像的中心线去分别确定黑血医学图像或亮血医学图像中血管的中心线。即在确定黑血图像的中心线之前务必需要经过融合的步骤。这样在一定程度上也造成了计算的复杂度。
发明内容
本申请的主要目的在于提供一种图像处理方法、图像处理设备、计算机可读存储介质和设备，以至少解决难以将黑血图像中的血管结构精确分割出来的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种图像处理方法，包括：获取目标组织的同一部位的TOF图像和第一黑血图像；获取第一血管中心线，所述第一血管中心线为所述TOF图像中的血管结构的血管中心线；将所述第一血管中心线确定为所述第一黑血图像中的血管结构的初始中心线，基于所述初始中心线且采用预定图像分割算法对所述第一黑血图像进行分割，得到所述第一黑血图像的第二血管中心线，所述初始中心线为所述第一黑血图像的第二血管中心线提供了一个参考基准以引导对所述第一黑血图像进行分割；基于所述第二血管中心线构建出所述第一黑血图像的目标黑血血管模型。
可选地，基于所述初始中心线且采用预定图像分割算法对所述第一黑血图像进行分割，得到所述第一黑血图像的第二血管中心线，包括：确定所述TOF图像的第一特征量权重；确定所述第一黑血图像的第二特征量权重；基于所述初始中心线、所述TOF图像的第一特征量权重和所述第一黑血图像的第二特征量权重，采用所述预定图像分割算法对所述第一黑血图像进行分割，得到所述第一黑血图像的第二血管中心线。
可选地，基于所述初始中心线、所述TOF图像的第一特征量权重和所述第一黑血图像的第二特征量权重，采用所述预定图像分割算法对所述第一黑血图像进行分割，得到所述第一黑血图像的第二血管中心线，包括：根据具有所述第一特征量权重的所述TOF图像，确定所述预定图像分割算法的第一参量；根据具有所述第二特征量权重的所述第一黑血图像，确定所述预定图像分割算法的第二参量；基于所述初始中心线、采用具有所述第一参量和所述第二参量的所述预定图像分割算法对所述第一黑血图像进行分割，得到所述第一黑血图像的第二血管中心线。
可选地，获取目标组织的TOF图像，包括：对所述第一黑血图像进行编码得到黑血图像相关特征；对所述黑血图像相关特征，进行解码得到第一TOF图像。
可选地，对所述黑血图像相关特征，进行解码得到第一TOF图像，包括：对所述黑血图像相关特征，进行第一解码过程得到第一解码结果，进行第二解码过程得到第二解码结果；融合所述第一解码结果和所述第二解码结果，得到融合结果；根据所述融合结果确定所述第一TOF图像。
可选地，根据所述融合结果确定所述第一TOF图像，包括：结合步骤：结合所述融合结果和所述第二解码结果，生成第二黑血图像；比对步骤：比对所述第二黑血图像和所述第一黑血图像，得到比较结果；确定步骤：根据所述比较结果确定所述黑血图像相关特征的评分；调整步骤；基于所述黑血图像相关特征的评分调整所述黑血图像相关特征，且对调整后的黑血图像相关特征重新进行解码得到所述第一TOF图像；不断循环执行所述结合步骤、所述比对步骤、所述确定步骤、所述调整步骤，直到所述评分达到预定评分值，根据所述调整后的黑血图像相关特征确定最终的第一TOF图像。
可选地，获取目标组织的同一部位的TOF图像，包括：获取所述目标组织的同一部位的第二TOF图像，所述第二TOF图像是直接采用仪器测量得到的；获取第一血管中心线，所述第一血管中心线为所述TOF图像中的血管结构的血管中心线，包括：采用第一配准算法对所述第二TOF图像的全局空间位置和所述第一黑血图像的全局空间位置进行配准处理，得到第三TOF图像；采用第二配准算法对所述第三TOF图像的局部组织结构和所述第一黑血图像的局部组织结构进行配准处理，得到第四TOF图像；将所述第四TOF图像中的血管结构的血管中心线确定为所述第一血管中心线。
可选地，采用第一配准算法对所述第二TOF图像的全局空间位置和所述第一黑血图像的全局空间位置进行配准处理，得到第三TOF图像，包括：构建所述第二TOF图像和所述第一黑血图像之间的仿射变换矩阵；结合所述仿射变换矩阵和所述第二TOF图像，得到所述第三TOF图像。
可选地，构建所述第二TOF图像和所述第一黑血图像之间的仿射变换矩阵，包括：获取所述第二TOF图像的尺度不变特征点和所述第一黑血图像的尺度不变特征点；对所述第二TOF图像的尺度不变特征点和所述第一黑血图像的尺度不变特征点，进行匹配，得到所述仿射变换矩阵。
可选地，采用第二配准算法对所述第三TOF图像的局部组织结构和所述第一黑血图像的局部组织结构进行配准处理，得到第四TOF图像，包括：对所述第三TOF图像和第一黑血图像进行多尺度采样，得到采样结果；基于所述采样结果获取所述第三TOF图像和第一黑血图像之间的弹性形变场；根据所述弹性形变场和所述第三TOF图像得到所述第四TOF图像。
可选地，基于所述采样结果获取所述第三TOF图像和第一黑血图像之间的弹性形变场，包括：基于所述采样结果在每一个采样尺度上构建对称Demons滤波器；基于所述对称Demons滤波器采用有限差分求解结构，获取所述第三TOF图像和所述第一黑血图像之间的所述弹性形变场。
可选地，在基于所述第二血管中心线构建出所述第一黑血图像中的血管结构模型之后，所述方法还包括：获取所述目标组织中的血管结构的边界条件；根据所述边界条件和所述第一黑血图像中的血管结构模型，构建CFD模型。
根据本申请的另一方面，提供了一种图像处理设备，包括：第一获取单元，用于获取目标组织的同一部位的TOF图像和第一黑血图像；第二获取单元，用于获取第一血管中心线，所述第一血管中心线为所述TOF图像中的血管结构的血管中心线；第一确定单元，用于将所述第一血管中心线确定为所述第一黑血图像中的血管结构的初始中心线，基于所述初始中心线且采用预定图像分割算法对所述第一黑血图像进行分割，得到所述第一黑血图像的第二血管中心线，所述初始中心线为所述第一黑血图像的第二血管中心线提供了一个参考基准以引导对所述第一黑血图像进行分割；第一构建单元，用于基于所述第二血管中心线构建出所述第一黑血图像中的血管结构模型。
根据本申请的另一方面，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程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的方法。
根据本申请的另一方面，提供了一种设备，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的方法。
应用本申请的技术方案，采用TOF图像中的血管结构的血管中心线引导对所述原始黑血图像进行分割，实现了对原始黑血图像的第二血管中心线的精确确定，并且本方案克服了原始黑血图像中存在大量的伪血管信息的难题，降低黑血图像中的伪血管信息对分割结果的干扰；且本方案相对于现有技术中的“引用几何算子，优化三维可变形模型的传统活动轮廓模型方法直接分割黑血血管管腔和外壁”、“首先配准对比增强磁共振血管造影和黑血磁共振图像，然后利用霍夫变换和几何活动轮廓模型直接提取血管腔，融合内外血管壁，呈现完整的血管腔和外壁分割”等方案无需依赖于手动设置的初始轮廓，且分割用时较短、分割效果比较理想。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了根据本申请的实施例的一种图像处理方法流程图；
图2示出了根据本申请的实施例的获取第一TOF图像的原理图；
图3示出了根据本申请的实施例的图像处理设备示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，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的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。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。
应该理解的是，当元件（诸如层、膜、区域、或衬底）描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。
为了便于描述，以下对本申请实施例涉及的部分名词或术语进行说明：
黑血成像：在磁共振血管成像中，在血流进入成像容积之前施加一个饱和射频脉冲，使血流饱和。当其流入成像容积时再施加射频脉冲，由于已被预饱和血流的纵向磁化矢量很小，几乎不产生MR信号，所以血流呈黑色低信号，衬托出血管的影像。黑血技术又称为预饱和技术，是磁共振血管成像的基本技术之一。
TOF成像（即时间飞跃法成像）：在磁共振血管成像中，白血技术即时间飞跃法，基于血流的流入增强效应。TR较短的快速扰相GRE T1WI序列进行采集，成像容积或层面内的静止组织被反复激发而处于饱和状态，磁化矢量很小，从而抑制了静止的背景组织，而成像之外的血液没有受到射频脉冲的饱和，当血流流入成像容积或层面时就具有较高的信号，与静止组织之间形成较好的对比。
仿射变换：平移向量+旋转变换组合而成，可以同时实现旋转，缩放，平移等空间变换。
尺度不变特征：对旋转、尺度缩放、亮度变化等保持不变性，对视角变换、仿射变化、噪声也保持一定程度的稳定性。
弹性形变场：待配准图像相对于固定图像在不同方向维度上的不规则位移场。
有限差分：有限差分是形式为f(x+b)-f(x+a)的数学表达式。如果有限差分除以b-a，则得到差商。有限差分导数的逼近在微分方程数值解的有限差分方法，特别是边界值问题，起着关键的作用。有限差分法是一种常用的数值解法，它是在微分方程中用差商代替偏导数，得到相应的差分方程，通过解差分方程得到微分方程解的近似值。
实施例1
本实施例涉及一种图像处理方法。
图1是根据本申请实施例的图像处理方法的流程图。如图1所示，该方法包括以下步骤：
步骤S10，获取目标组织的同一部位的TOF图像和第一黑血图像；
具体地，目标组织可以为头部组织或者颈部组织等，目标组织的同一部位可以是头部组织含有动脉的区域，或者颈部组织含有动脉的区域；目标组织也可以其他组织，本申请对此不做具体限定。
示例性的，第一黑血图像可以是医学扫描设备采用黑血技术得到的医学图像；
本实施例对获取第一黑血图像的具体方法不作限制，只要能够实现其功能即可。
本实施例中TOF图像是第一TOF图像，第一TOF图像不是采用测量仪器直接得到的图像，而是采用第一黑血图像合成的。具体地，获取第一TOF图像包括如下步骤：
步骤S100，对第一黑血图像进行编码得到黑血图像相关特征；
步骤S101，对黑血图像相关特征，进行解码得到第一TOF图像。
即可以采用合适的编码算法对第一黑血图像进行编码得到黑血图像相关特征，然后采用黑血图像相关特征去解码合成第一TOF图像。本实施例中不再采用相关的测量仪器去获取TOF图像。这样通过合成得到的TOF图像，既接近于真实TOF图像，具有足够的还原度，又可以使得图像质量更高，更好地保存重要的结构细节信息，有助于后续获取更为精准的第二血管中心线。
示例性的，步骤S101包括如下步骤：
步骤S1010，对黑血图像相关特征，进行第一解码过程得到第一解码结果，进行第二解码过程得到第二解码结果；
步骤S1011，融合第一解码结果和第二解码结果，得到融合结果；
步骤S1012，根据融合结果确定第一TOF图像。
上通过采用不同的解码方法对黑血图像相关特征进行解码，之后再将两种解码的结果进行合成，可以得到更为精准的第一TOF图像，提升合成TOF图像的还原度、准确度和精确度。
根据融合结果确定第一TOF图像的具体的实现过程如下：
结合步骤：结合融合结果和第二解码结果，生成第二黑血图像；
比对步骤：比对第二黑血图像和第一黑血图像，得到比较结果；
确定步骤：根据比较结果确定黑血图像相关特征的评分；
示例性的，第二黑血图像和第一黑血图像越相似，原始黑血图像相关特征的评分越高。
调整步骤；基于黑血图像相关特征的评分调整黑血图像相关特征，且对调整后的黑血图像相关特征重新进行解码得到第一TOF图像；
不断循环执行结合步骤、比对步骤、确定步骤、调整步骤，直到评分达到预定评分值，根据调整后的黑血图像相关特征确定最终的第一TOF图像。
更为具体的，如图2所示，采用编码器对第一黑血图像（即图2中的真实黑血）进行编码得到黑血图像相关特征，采用第一解码器对黑血图像相关特征进行第一解码过程得到第一解码结果，采用第二解码器对黑血图像相关特征进行第二解码过程得到第二解码结果，采用自注意力模块融合第一解码结果和第二解码结果得到融合结果，其中，第一解码结果作为自注意力模块的第一输入，第二解码结果作为自注意力模块的第二输入，融合结果作为自注意力模块的输出；将自注意力模块输出的融合结果输入至第二解码器中进行运算，生成第二黑血图像（即图2中的重建黑血），比对第二黑血图像和第一黑血图像，得到比较结果，根据比较结果确定黑血图像相关特征的评分，基于黑血图像相关特征的评分调整黑血图像相关特征，且对调整后的黑血图像相关特征重新进行解码得到第一TOF图像（即图2中的合成TOF），基于图2所示的结构实现确定最终的第一TOF图像。其中，自注意力模块通过交叉引用两种不同模态的特征来利用不同模态进行合成指导，由几个1x1的卷积层和一个跳跃连接组成，对输入特征维度不进行修改。1x1卷积为后续乘法调整通道维度。而后通过跳跃连接将第二TOF图像（即图2中的真实TOF）特征添加到互信息中，保持原有特征维度。
示例性的，融合自注意力机制为跨模态注意力机制，基于包含跨模态注意力机制的生成对抗式网络，将原始黑血图像模拟生成合成TOF图像。
步骤S11，获取第一血管中心线，第一血管中心线为TOF图像中的血管结构的血管中心线；
上述步骤中，可以采用任何可行的中心线提取算法获取TOF图像中的血管结构的血管中心线（例如骨架法、最优路径法、水平集法），本申请实施例不对获取TOF图像中的血管结构的血管中心线的方法进行限定。
如上本实施例中的TOF图像指的是第一TOF图像，自然本实施例中的第一血管中心线指的是第一TOF图像中的血管结构的中心线；
步骤S12，将第一血管中心线确定为第一黑血图像中的血管结构的初始中心线，基于初始中心线且采用预定图像分割算法对第一黑血图像进行分割，得到第一黑血图像的第二血管中心线，初始中心线为第一黑血图像的第二血管中心线提供了一个参考基准以引导对第一黑血图像进行分割；
上述步骤中，由于对获取血管的中心线是对血管进行建模的关键步骤，若想得到精准的黑血图像中的血管结构，关键的一步是提取黑血图像的血管中心线。但由于在黑血图像中存在大量的伪血管信息，导致很多方法仍然无法实现对黑血图像的精准分割。本申请提出了采用TOF图像的血管中心线作为原始黑血图像中的血管结构的初始中心线，进而引导对原始黑血图像的分割步骤，以实现对原始黑血图像的精准分割。
示例性的，预定图像分割算法为水平集分割算法。
示例性的，将第一TOF图像的中心线确定为第一黑血图像中的血管结构的初始中心线；
示例性的，基于初始中心线且采用预定图像分割算法对第一黑血图像进行分割，得到第一黑血图像的第二血管中心线，包括如下步骤：
步骤S120，确定第一TOF图像的第一特征量权重；
步骤S121，确定第一黑血图像的第二特征量权重；
步骤S122，基于初始中心线、第一TOF图像的第一特征量权重和第一黑血图像的第二特征量权重，采用预定图像分割算法对第一黑血图像进行分割，得到第一黑血图像的第二血管中心线。
为了避免第一黑血图像的血管边界模糊（在一些情况下，是由于颈外段信号低导致的）的问题，对第一TOF图像和第一黑血图像设置不同的权重，进而基于权重的特征采用预定图像分割算法对原始黑血图像进行分割，得到第一黑血图像的第二血管中心线。
更为具体的，上述特征量可以是图像的像素值，例如第一TOF图像的像素值对应的权重为60%，第一黑血图像对应的权重为40%。这样将第一TOF图像和第一黑血图像进行结合后，再去确定第一黑血图像的第二血管中心线。这样既结合了第一黑血图像的特征还结合了第一TOF图像的特征以使得得到的第二血管中心线更为准确。
示例性的，步骤S122包括：
步骤S1220，根据具有第一特征量权重的第一TOF图像，确定预定图像分割算法的第一参量；
步骤S1221，根据具有第二特征量权重的第一黑血图像，确定预定图像分割算法的第二参量；
步骤S1222，基于初始中心线、采用具有第一参量和第二参量的预定图像分割算法对第一黑血图像进行分割，得到第一黑血图像的第二血管中心线。
也就是说，具有第一特征量权重的第一TOF图像会影响到预定图像分割算法中的特定的参量；同样，具有第二特征量权重的第一黑血图像也会影响到预定图像分割算法中的特定的参量，然后再根据受到具有第一特征量权重的第一TOF图像和第二特征量权重的第一黑血图像影响的参量，去进行图像分割的步骤，以得到原始黑血图像的第二血管中心线。
更为具体的，根据具有第一特征量权重的第一TOF图像，确定水平集分割算法的阈值；根据具有第二特征量权重的第一黑血图像，确定水平集分割算法的梯度，进而根据已经确定的阈值和梯度去进行图像分割的步骤，以得到原始黑血图像的第二血管中心线。
步骤S13，基于第二血管中心线构建出第一黑血图像的目标黑血血管模型。
上述步骤中，可以基于最终确定的第二血管中心线和半径函数，构建原始黑血图像的目标黑血血管模型。
上述步骤中，原始黑血图像狭窄结构清晰，提取原始黑血图像的中心线，更利于精准地对狭窄结构建模及血流动力分析。
具体地，根据第一黑血图像的第二血管中心线和血管半径函数构建黑血图像血管模型，设置初始半径函数，采用距离变换重新估计中心线，采用曲线拟合估计新的半径函数，不断优化血管中心线和血管半径，以实现对目标黑血图像血管模型的构建。
在步骤S13之后，方法还包括：
步骤S14，获取目标组织中的血管结构的边界条件；
步骤S15，根据边界条件和第一黑血图像中的血管结构模型，构建CFD模型。
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。
实施例2
本实施例涉及一种图像处理方法。该方法包括以下步骤：
步骤S20，获取目标组织的同一部位的TOF图像和第一黑血图像；
具体地，第一黑血图像是直接采用测量仪器得到的；
本实施例中TOF图像是第二TOF图像，第二TOF图像是直接采用仪器测量得到的；
具体而言，第二TOF图像和第一黑血图像可以是使用医学扫描设备得到并存储在终端的存储器中的。终端在需要时，直接在存储器中获取第一黑血图像和第二TOF图像。本实施例对获取第二TOF图像和第一黑血图像的具体方法不作限制，只要能够实现其功能即可。
步骤S21，获取第一血管中心线，第一血管中心线为TOF图像中的血管结构的血管中心线；
上述步骤中，可以采用任何可行的中心线提取算法获取TOF图像中的血管结构的血管中心线（例如骨架法、最优路径法、水平集法），本申请实施例不对获取TOF图像中的血管结构的血管中心线的方法进行限定。
步骤S210，采用第一配准算法对第二TOF图像的全局空间位置和第一黑血图像的全局空间位置进行配准处理，得到第三TOF图像；
步骤S210包括：
步骤S2101，构建第二TOF图像和第一黑血图像之间的仿射变换矩阵；
构建第二TOF图像和第一黑血图像之间的仿射变换矩阵的具体的实现过程如下：
获取第二TOF图像的尺度不变特征点和第一黑血图像的尺度不变特征点；
对第二TOF图像的尺度不变特征点和第一黑血图像的尺度不变特征点，进行匹配，得到仿射变换矩阵。
更为具体地，构建两幅图像之间包括平移、旋转和缩放在内的仿射变换，选择尺度不变特征点，利用互信息相似性测度对特征点进行匹配，得到放射变换矩阵，应用变换矩阵到第二TOF图像，得到第三TOF图像，将两幅图像在空间位置上进行对齐。
步骤S2102，结合仿射变换矩阵和第二TOF图像，得到第三TOF图像。
步骤S211，采用第二配准算法对第三TOF图像的局部组织结构和第一黑血图像的局部组织结构进行配准处理，得到第四TOF图像；
步骤S211包括：
步骤S2110，对第三TOF图像和第一黑血图像进行多尺度采样，得到采样结果；
步骤S2111，基于采样结果获取第三TOF图像和第一黑血图像之间的弹性形变场；
更为具体地，基于采样结果在每一个采样尺度上构建对称Demons滤波器；
基于对称Demons滤波器采用有限差分求解结构，获取第三TOF图像和第一黑血图像之间的弹性形变场。
更为具体的，对第三TOF图像和第一黑血图像等间距降采样，构建多尺度弹性配准算法结构，在每个尺度上构建基于互信息相似性测度的快速对称Demons滤波器，利用有限差分求解结构，计算每次迭代更新第三TOF图像与第一黑血图像之间的弹性形变场，将其作用于第三TOF图像，得到最终的弹性配准结果，将两幅图像的组织结构边缘进行对齐。
步骤S2112，根据弹性形变场和第三TOF图像得到第四TOF图像。
步骤S212，将第四TOF图像中的血管结构的血管中心线确定为第一血管中心线。
步骤S22，将第一血管中心线确定为第一黑血图像中的血管结构的初始中心线，基于初始中心线且采用预定图像分割算法对第一黑血图像进行分割，得到第一黑血图像的第二血管中心线，初始中心线为第一黑血图像的第二血管中心线提供了一个参考基准以引导对第一黑血图像进行分割；
上述步骤中，由于对获取血管的中心线是对血管进行建模的关键步骤，若想得到精准的黑血图像中的血管结构，关键的一步是提取黑血图像的血管中心线。但由于在黑血图像中存在大量的伪血管信息，导致很多方法仍然无法实现对黑血图像的精准分割。本申请提出了采用TOF图像的血管中心线作为原始黑血图像中的血管结构的初始中心线，进而引导对原始黑血图像的分割步骤，以实现对原始黑血图像的精准分割。
示例性的，预定图像分割算法为水平集分割算法。
步骤S22包括：
步骤S221，确定第四TOF图像的第一特征量权重；
步骤S222，确定第一黑血图像的第二特征量权重；
步骤S223，基于初始中心线、第四TOF图像的第一特征量权重和第一黑血图像的第二特征量权重，采用预定图像分割算法对第一黑血图像进行分割，得到第一黑血图像的第二血管中心线。
为了避免第一黑血图像的血管边界模糊（在一些情况下，是由于颈外段信号低导致的）的问题，对第四TOF图像和第一黑血图像设置不同的权重，进而基于权重的特征采用预定图像分割算法对第一黑血图像进行分割，得到第一黑血图像的第二血管中心线。
更为具体的，上述特征量可以是图像的像素值，例如第四TOF图像的像素值对应的权重为60%，第一黑血图像对应的权重为40%。这样将第四TOF图像和第一黑血图像进行结合后，再去确定第一黑血图像的第二血管中心线。这样既结合了第一黑血图像的特征还结合了第四TOF图像的特征以使得可以得到更为准确的第二血管中心线。
步骤S223包括：
步骤S2231，根据具有第一特征量权重的第四TOF图像，确定预定图像分割算法的第一参量；
步骤S2232，根据具有第二特征量权重的第一黑血图像，确定预定图像分割算法的第二参量；
步骤S2233，基于初始中心线、采用具有第一参量和第二参量的预定图像分割算法对第一黑血图像进行分割，得到第一黑血图像的第二血管中心线。
步骤S23，基于第二血管中心线构建出第一黑血图像的目标黑血血管模型。
本实施例中的基于第二血管中心线构建出第一黑血图像的目标黑血血管模型的具体的方案与实施例1相同，此处不再赘述。
也就是说，具有第一特征量权重的第四TOF图像会影响到预定图像分割算法中的特定的参量，同样，具有第二特征量权重的第一黑血图像也会影响到预定图像分割算法中的特定的参量，然后再根据受到具有第一特征量权重的第四TOF图像和第二特征量权重的第一黑血图像影响的参量，去进行图像分割的步骤，以得到原始黑血图像的第二血管中心线。
更为具体的，根据具有第一特征量权重的第四TOF图像，确定水平集分割算法的阈值；根据具有第二特征量权重的第一黑血图像，确定水平集分割算法的梯度，进而根据已经确定的阈值和梯度去进行图像分割的步骤，以得到原始黑血图像的第二血管中心线。
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。
步骤S24，获取目标组织中的血管结构的边界条件；
步骤S25，根据边界条件和第一黑血图像中的血管结构模型，构建CFD模型。
更为具体的，提取参考图像包括但不限于相位对比增强核磁图像中椎动脉和颈内动脉垂直段和远离感兴趣区域的血管末端截断区域，获得血管入口和血管出口三个方向的血液流速信息，获得血管模型仿真对应的边界条件。从黑血图像分割血管模型中提取动脉血管内壁的3D几何形态，将每根远离感兴趣区域的动脉远端进行截断，用电路模型表征血管末端阻力系数、血液流量以及血液压力的关系，构建流体力学CFD模型。获取黑血图像血管的压力波形集合，利用传递函数对中心动脉压进行计算，得到目标血管的入口压力值。利用边界条件以及入口压力值对黑血血管进行血流动力仿真。
上述实施例1和实施例2，采用TOF图像中的血管结构的血管中心线引导对原始黑血图像的分割，实现了对原始黑血图像的第二血管中心线的精确确定，并且本方案克服了原始黑血图像中存在大量的伪血管信息的难题，降低黑血图像中的伪血管信息对分割结果的干扰；且本方案相对于现有技术中的“引用几何算子，优化三维可变形模型的传统活动轮廓模型方法直接分割黑血血管管腔和外壁”、“首先配准对比增强磁共振血管造影和黑血磁共振图像，然后利用霍夫变换和几何活动轮廓模型直接提取血管腔，融合内外血管壁，呈现完整的血管腔和外壁分割”等方案无需依赖于手动设置的初始轮廓，且分割用时较短、分割效果比较理想。
更进一步地，背景技术中提到的对比文件CN114299055A，是在得到融合血管标识图像的分段中心线的基础上去确定黑血医学图像中血管的中心线或亮血医学图像中血管的中心线。即对比文件中的黑血医学图像中血管的中心线或亮血医学图像中血管的中心线均与融合血管标识图像是有关系的，但是本申请中的TOF图像中的血管结构的血管中心线是单独获取的，获取原始黑血图像的中心线的过程中使用到了TOF图像中的血管结构的血管中心线，即本申请中获取原始黑血图像的中心线的过程必要发生在获取TOF图像中的血管结构的血管中心线之后，且本申请中并没有得到融合血管标识图像的步骤。
在实施例1和实施例2中，可以设定颈内血管为初始血管分割起点，利用包括但不限于半自动改进的分水岭和基于血管特征增强的血管分割算法提取TOF图像血管结构。粗略提取初始血管中心线，确定初始半径函数，构建初始血管模型。利用水平集方法分割血管轮廓，距离变换重新估计新的中心线，曲线拟合估计新的半径函数，不断优化血管中心线和血管半径，对TOF血管结构进行精准建模。
实施例3
本申请实施例还提供了一种图像处理设备，需要说明的是，本申请实施例的图像处理设备可以用于执行本申请实施例所提供的用于图像处理方法。以下对本申请实施例提供的图像处理设备进行介绍。
图3是根据本申请实施例的图像处理设备的示意图。如图3所示，该装置包括：
第一获取单元31，用于获取目标组织的同一部位的TOF图像和第一黑血图像；
第二获取单元32，用于获取第一血管中心线，第一血管中心线为TOF图像中的血管结构的血管中心线；
第一确定单元33，用于将第一血管中心线确定为第一黑血图像中的血管结构的初始中心线，基于初始中心线且采用预定图像分割算法对第一黑血图像进行分割，得到第一黑血图像的第二血管中心线，初始中心线为第一黑血图像的第二血管中心线提供了一个参考基准以引导对第一黑血图像进行分割；
第一构建单元34，用于基于第二血管中心线构建出第一黑血图像中的血管结构模型。
进一步地，第一确定单元包括第一确定模块、第二确定模块和分割模块，第一确定模块用于确定TOF图像的第一特征量权重；第二确定模块用于确定第一黑血图像的第二特征量权重；分割模块用于基于初始中心线、TOF图像的第一特征量权重和第一黑血图像的第二特征量权重，采用预定图像分割算法对第一黑血图像进行分割，得到第一黑血图像的第二血管中心线。
进一步地，分割模块包括第一确定子模块、第二确定子模块和分割子模块，第一确定子模块用于根据具有第一特征量权重的TOF图像，确定预定图像分割算法的第一参量；第二确定子模块用于根据具有第二特征量权重的第一黑血图像，确定预定图像分割算法的第二参量；分割子模块用于基于初始中心线、采用具有第一参量和第二参量的预定图像分割算法对第一黑血图像进行分割，得到第一黑血图像的第二血管中心线。
进一步地，第一获取单元包括编码模块和解码模块，编码模块用于对第一黑血图像进行编码得到黑血图像相关特征；解码模块用于对黑血图像相关特征，进行解码得到第一TOF图像。
进一步地，解码模块包括处理子模块、融合子模块和第四确定子模块，处理子模块用于对黑血图像相关特征，进行第一解码过程得到第一解码结果，进行第二解码过程得到第二解码结果；融合子模块用于融合第一解码结果和第二解码结果，得到融合结果；第四确定子模块用于根据融合结果确定第一TOF图像。
进一步地，第四确定子模块用于执行如下步骤，结合步骤：结合融合结果和第二解码结果，生成第二黑血图像；比对步骤：比对第二黑血图像和第一黑血图像，得到比较结果；确定步骤：根据比较结果确定黑血图像相关特征的评分；调整步骤；基于黑血图像相关特征的评分调整黑血图像相关特征，且对调整后的黑血图像相关特征重新进行解码得到第一TOF图像；不断循环执行结合步骤、比对步骤、确定步骤、调整步骤，直到评分达到预定评分值，根据调整后的黑血图像相关特征确定最终的第一TOF图像。
进一步地，第一获取单元还用于获取目标组织的同一部位的第二TOF图像，第二TOF图像是直接采用仪器测量得到的；第二获取单元包括第一配准模块、第二配准模块和第三确定模块，第一配准模块用于采用第一配准算法对第二TOF图像的全局空间位置和第一黑血图像的全局空间位置进行配准处理，得到第三TOF图像；第二配准模块用于采用第二配准算法对第三TOF图像的局部组织结构和第一黑血图像的局部组织结构进行配准处理，得到第四TOF图像；第三确定模块用于将第四TOF图像中的血管结构的血管中心线确定为第一血管中心线。
进一步地，第一配准模块包括构建子模块和结合子模块，构建子模块用于构建第二TOF图像和第一黑血图像之间的仿射变换矩阵；结合子模块用于结合仿射变换矩阵和第二TOF图像，得到第三TOF图像。
进一步地，构建子模块还被配置为获取第二TOF图像的尺度不变特征点和第一黑血图像的尺度不变特征点；对第二TOF图像的尺度不变特征点和第一黑血图像的尺度不变特征点，进行匹配，得到仿射变换矩阵。
进一步地，第二配准模块包括采样子模块、获取子模块和对齐子模块，采样子模块用于对第三TOF图像和第一黑血图像进行多尺度采样，得到采样结果；获取子模块用于基于采样结果获取第三TOF图像和第一黑血图像之间的弹性形变场；对齐子模块用于根据弹性形变场和第三TOF图像得到第四TOF图像。
进一步地，获取子模块还被配置为基于采样结果在每一个采样尺度上构建对称Demons滤波器；基于对称Demons滤波器采用有限差分求解结构，获取第三TOF图像和第一黑血图像之间的弹性形变场。
进一步地，设备还包括第三获取单元和第二构建单元，第三获取单元用于在基于第二血管中心线构建出第一黑血图像中的血管结构模型之后，获取目标组织中的血管结构的边界条件；第二构建单元用于根据边界条件和第一黑血图像中的血管结构模型，构建CFD模型。
图像处理设备包括处理器和存储器，上述第一获取单元、第二获取单元、第一确定单元和第一构建单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现对黑血血管的中心线的精准提取。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例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程序，其中，在程序运行时控制计算机可读存储介质所在设备执行图像处理方法。
本发明实施例提供了一种处理器，处理器用于运行程序，其中，程序运行时执行图像处理方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：
步骤S10，获取目标组织的同一部位的TOF图像和第一黑血图像；
步骤S11，获取第一血管中心线，第一血管中心线为TOF图像中的血管结构的血管中心线；
步骤S12，将第一血管中心线确定为第一黑血图像中的血管结构的初始中心线，基于初始中心线且采用预定图像分割算法对第一黑血图像进行分割，得到第一黑血图像的第二血管中心线，初始中心线为第一黑血图像的第二血管中心线提供了一个参考基准以引导对第一黑血图像进行分割；
步骤S13，基于第二血管中心线构建出第一黑血图像的目标黑血血管模型。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
步骤S10，获取目标组织的同一部位的TOF图像和第一黑血图像；
步骤S11，获取第一血管中心线，第一血管中心线为TOF图像中的血管结构的血管中心线；
步骤S12，将第一血管中心线确定为第一黑血图像中的血管结构的初始中心线，基于初始中心线且采用预定图像分割算法对第一黑血图像进行分割，得到第一黑血图像的第二血管中心线，初始中心线为第一黑血图像的第二血管中心线提供了一个参考基准以引导对第一黑血图像进行分割；
步骤S13，基于第二血管中心线构建出第一黑血图像的目标黑血血管模型。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，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 (15)

1.一种图像处理方法，其特征在于，包括：
获取目标组织的同一部位的TOF图像和第一黑血图像；
获取第一血管中心线，所述第一血管中心线为所述TOF图像中的血管结构的血管中心线；
将所述第一血管中心线确定为所述第一黑血图像中的血管结构的初始中心线，基于所述初始中心线且采用预定图像分割算法对所述第一黑血图像进行分割，得到所述第一黑血图像的第二血管中心线，所述初始中心线为所述第一黑血图像的第二血管中心线提供了一个参考基准以引导对所述第一黑血图像进行分割；
基于所述第二血管中心线构建出所述第一黑血图像的目标黑血血管模型。
2.根据权利要求1所述的方法，其特征在于，基于所述初始中心线且采用预定图像分割算法对所述第一黑血图像进行分割，得到所述第一黑血图像的第二血管中心线，包括：
确定所述TOF图像的第一特征量权重；
确定所述第一黑血图像的第二特征量权重；
基于所述初始中心线、所述TOF图像的第一特征量权重和所述第一黑血图像的第二特征量权重，采用所述预定图像分割算法对所述第一黑血图像进行分割，得到所述第一黑血图像的第二血管中心线。
3.根据权利要求2所述的方法，其特征在于，基于所述初始中心线、所述TOF图像的第一特征量权重和所述第一黑血图像的第二特征量权重，采用所述预定图像分割算法对所述第一黑血图像进行分割，得到所述第一黑血图像的第二血管中心线，包括：
根据具有所述第一特征量权重的所述TOF图像，确定所述预定图像分割算法的第一参量；
根据具有所述第二特征量权重的所述第一黑血图像，确定所述预定图像分割算法的第二参量；
基于所述初始中心线、采用具有所述第一参量和所述第二参量的所述预定图像分割算法对所述第一黑血图像进行分割，得到所述第一黑血图像的第二血管中心线。
4.根据权利要求1所述的方法，其特征在于，获取目标组织的TOF图像，包括：
对所述第一黑血图像进行编码得到黑血图像相关特征；
对所述黑血图像相关特征，进行解码得到第一TOF图像。
5.根据权利要求4所述的方法，其特征在于，对所述黑血图像相关特征，进行解码得到第一TOF图像，包括：
对所述黑血图像相关特征，进行第一解码过程得到第一解码结果，进行第二解码过程得到第二解码结果；
融合所述第一解码结果和所述第二解码结果，得到融合结果；
根据所述融合结果确定所述第一TOF图像。
6.根据权利要求5所述的方法，其特征在于，根据所述融合结果确定所述第一TOF图像，包括：
结合步骤：结合所述融合结果和所述第二解码结果，生成第二黑血图像；
比对步骤：比对所述第二黑血图像和所述第一黑血图像，得到比较结果；
确定步骤：根据所述比较结果确定所述黑血图像相关特征的评分；
调整步骤：基于所述黑血图像相关特征的评分调整所述黑血图像相关特征，且对调整后的黑血图像相关特征重新进行解码得到所述第一TOF图像；
不断循环执行所述结合步骤、所述比对步骤、所述确定步骤、所述调整步骤，直到所述评分达到预定评分值，根据所述调整后的黑血图像相关特征确定最终的第一TOF图像。
7.根据权利要求1所述的方法，其特征在于，
获取目标组织的同一部位的TOF图像，包括：
获取所述目标组织的同一部位的第二TOF图像，所述第二TOF图像是直接采用仪器测量得到的；
获取第一血管中心线，所述第一血管中心线为所述TOF图像中的血管结构的血管中心线，包括：
采用第一配准算法对所述第二TOF图像的全局空间位置和所述第一黑血图像的全局空间位置进行配准处理，得到第三TOF图像；
采用第二配准算法对所述第三TOF图像的局部组织结构和所述第一黑血图像的局部组织结构进行配准处理，得到第四TOF图像；
将所述第四TOF图像中的血管结构的血管中心线确定为所述第一血管中心线。
8.根据权利要求7所述的方法，其特征在于，采用第一配准算法对所述第二TOF图像的全局空间位置和所述第一黑血图像的全局空间位置进行配准处理，得到第三TOF图像，包括：
构建所述第二TOF图像和所述第一黑血图像之间的仿射变换矩阵；
结合所述仿射变换矩阵和所述第二TOF图像，得到所述第三TOF图像。
9.根据权利要求8所述的方法，其特征在于，构建所述第二TOF图像和所述第一黑血图像之间的仿射变换矩阵，包括：
获取所述第二TOF图像的尺度不变特征点和所述第一黑血图像的尺度不变特征点；
对所述第二TOF图像的尺度不变特征点和所述第一黑血图像的尺度不变特征点，进行匹配，得到所述仿射变换矩阵。
10.根据权利要求8所述的方法，其特征在于，采用第二配准算法对所述第三TOF图像的局部组织结构和所述第一黑血图像的局部组织结构进行配准处理，得到第四TOF图像，包括：
对所述第三TOF图像和第一黑血图像进行多尺度采样，得到采样结果；
基于所述采样结果获取所述第三TOF图像和第一黑血图像之间的弹性形变场；
根据所述弹性形变场和所述第三TOF图像得到所述第四TOF图像。
11.根据权利要求10所述的方法，其特征在于，基于所述采样结果获取所述第三TOF图像和第一黑血图像之间的弹性形变场，包括：
基于所述采样结果在每一个采样尺度上构建对称Demons滤波器；
基于所述对称Demons滤波器采用有限差分求解结构，获取所述第三TOF图像和所述第一黑血图像之间的所述弹性形变场。
12.根据权利要求1至11中任一项所述的方法，其特征在于，在基于所述第二血管中心线构建出所述第一黑血图像中的血管结构模型之后，所述方法还包括：
获取所述目标组织中的血管结构的边界条件；
根据所述边界条件和所述第一黑血图像中的血管结构模型，构建CFD模型。
13.一种图像处理设备，其特征在于，包括：
第一获取单元，用于获取目标组织的同一部位的TOF图像和第一黑血图像；
第二获取单元，用于获取第一血管中心线，所述第一血管中心线为所述TOF图像中的血管结构的血管中心线；
第一确定单元，用于将所述第一血管中心线确定为所述第一黑血图像中的血管结构的初始中心线，基于所述初始中心线且采用预定图像分割算法对所述第一黑血图像进行分割，得到所述第一黑血图像的第二血管中心线，所述初始中心线为所述第一黑血图像的第二血管中心线提供了一个参考基准以引导对所述第一黑血图像进行分割；
第一构建单元，用于基于所述第二血管中心线构建出所述第一黑血图像中的血管结构模型。
14.一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程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至12中任意一项所述的方法。
15.一种设备，其特征在于，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求1至12中任意一项所述的方法。
CN202210584133.2A 2022-05-27 2022-05-27 图像处理方法、图像处理设备与计算机可读存储介质 Active CN114677396B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202211021567.8A CN115359078A (zh) 2022-05-27 2022-05-27 融合tof图像和黑血图像的方法、装置与设备
CN202211020387.8A CN115359077A (zh) 2022-05-27 2022-05-27 确定黑血血管模型的方法与装置
CN202211021573.3A CN115359079A (zh) 2022-05-27 2022-05-27 图像分割方法
CN202210584133.2A CN114677396B (zh) 2022-05-27 2022-05-27 图像处理方法、图像处理设备与计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210584133.2A CN114677396B (zh) 2022-05-27 2022-05-27 图像处理方法、图像处理设备与计算机可读存储介质

Related Child Applications (3)

Application Number Title Priority Date Filing Date
CN202211021573.3A Division CN115359079A (zh) 2022-05-27 2022-05-27 图像分割方法
CN202211020387.8A Division CN115359077A (zh) 2022-05-27 2022-05-27 确定黑血血管模型的方法与装置
CN202211021567.8A Division CN115359078A (zh) 2022-05-27 2022-05-27 融合tof图像和黑血图像的方法、装置与设备

Publications (2)

Publication Number Publication Date
CN114677396A true CN114677396A (zh) 2022-06-28
CN114677396B CN114677396B (zh) 2022-09-20

Family

ID=82079336

Family Applications (4)

Application Number Title Priority Date Filing Date
CN202211020387.8A Withdrawn CN115359077A (zh) 2022-05-27 2022-05-27 确定黑血血管模型的方法与装置
CN202211021573.3A Withdrawn CN115359079A (zh) 2022-05-27 2022-05-27 图像分割方法
CN202210584133.2A Active CN114677396B (zh) 2022-05-27 2022-05-27 图像处理方法、图像处理设备与计算机可读存储介质
CN202211021567.8A Withdrawn CN115359078A (zh) 2022-05-27 2022-05-27 融合tof图像和黑血图像的方法、装置与设备

Family Applications Before (2)

Application Number Title Priority Date Filing Date
CN202211020387.8A Withdrawn CN115359077A (zh) 2022-05-27 2022-05-27 确定黑血血管模型的方法与装置
CN202211021573.3A Withdrawn CN115359079A (zh) 2022-05-27 2022-05-27 图像分割方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202211021567.8A Withdrawn CN115359078A (zh) 2022-05-27 2022-05-27 融合tof图像和黑血图像的方法、装置与设备

Country Status (1)

Country Link
CN (4) CN115359077A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115187598A (zh) * 2022-09-09 2022-10-14 天津远景科技服务有限公司 血管造影图像的处理方法、装置、系统、设备及介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116664644B (zh) * 2023-07-28 2023-11-28 北京清影华康科技有限公司 一种基于磁共振图像的血管中心线配准方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784762A (zh) * 2020-06-01 2020-10-16 北京理工大学 X光造影图像血管中心线提取方法及装置
CN112508880A (zh) * 2020-11-23 2021-03-16 西安科锐盛创新科技有限公司 颅内血管图像配准方法、电子设备和计算机可读存储介质
CN112562058A (zh) * 2020-11-23 2021-03-26 西安电子科技大学 一种基于迁移学习的颅内血管模拟三维模型快速建立方法
CN112561781A (zh) * 2020-12-07 2021-03-26 深圳先进技术研究院 一种磁共振血管壁图像分析方法、系统及计算机可读介质
CN113076705A (zh) * 2021-03-26 2021-07-06 北京阅影科技有限公司 血流动力的仿真方法及装置
CN113192031A (zh) * 2021-04-29 2021-07-30 上海联影医疗科技股份有限公司 血管分析方法、装置、计算机设备和存储介质
CN113223015A (zh) * 2021-05-11 2021-08-06 清华大学 血管壁图像分割方法、装置、计算机设备和存储介质
CN114299055A (zh) * 2021-12-31 2022-04-08 上海联影医疗科技股份有限公司 血管中心线确定方法、装置、计算机设备和可读存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784762A (zh) * 2020-06-01 2020-10-16 北京理工大学 X光造影图像血管中心线提取方法及装置
CN112508880A (zh) * 2020-11-23 2021-03-16 西安科锐盛创新科技有限公司 颅内血管图像配准方法、电子设备和计算机可读存储介质
CN112562058A (zh) * 2020-11-23 2021-03-26 西安电子科技大学 一种基于迁移学习的颅内血管模拟三维模型快速建立方法
CN112561781A (zh) * 2020-12-07 2021-03-26 深圳先进技术研究院 一种磁共振血管壁图像分析方法、系统及计算机可读介质
CN113076705A (zh) * 2021-03-26 2021-07-06 北京阅影科技有限公司 血流动力的仿真方法及装置
CN113192031A (zh) * 2021-04-29 2021-07-30 上海联影医疗科技股份有限公司 血管分析方法、装置、计算机设备和存储介质
CN113223015A (zh) * 2021-05-11 2021-08-06 清华大学 血管壁图像分割方法、装置、计算机设备和存储介质
CN114299055A (zh) * 2021-12-31 2022-04-08 上海联影医疗科技股份有限公司 血管中心线确定方法、装置、计算机设备和可读存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115187598A (zh) * 2022-09-09 2022-10-14 天津远景科技服务有限公司 血管造影图像的处理方法、装置、系统、设备及介质

Also Published As

Publication number Publication date
CN115359079A (zh) 2022-11-18
CN115359078A (zh) 2022-11-18
CN115359077A (zh) 2022-11-18
CN114677396B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN114677396B (zh) 图像处理方法、图像处理设备与计算机可读存储介质
US10769791B2 (en) Systems and methods for cross-modality image segmentation
Dahnke et al. Cortical thickness and central surface estimation
CN113313234A (zh) 用于图像分割的神经网络系统和方法
Lee et al. Deep learning in MR image processing
Liu et al. Pseudoclick: Interactive image segmentation with click imitation
Tabelow et al. Local estimation of the noise level in MRI using structural adaptation
Gómez et al. Designing contrasts for rapid, simultaneous parameter quantification and flow visualization with quantitative transient-state imaging
CN114022359A (zh) 图像超分辨率模型训练方法、装置、存储介质及设备
Ehricke et al. Regularization of bending and crossing white matter fibers in MRI Q-ball fields
CN115375897A (zh) 图像处理方法、装置、设备及介质
Kaandorp et al. Deep learning intravoxel incoherent motion modeling: Exploring the impact of training features and learning strategies
Costanzo et al. Fast and accurate cnn-based machine learning approach for microwave medical imaging in cancer detection
US8170321B2 (en) System and method for contour tracking in cardiac phase contrast flow MR images
Dela Haije et al. Sharpening fibers in diffusion weighted MRI via erosion
Krajsek et al. A Riemannian Bayesian framework for estimating diffusion tensor images
Sun et al. Leveraging EAP-sparsity for compressed sensing of MS-HARDI in-space
CN113409324B (zh) 一种融合微分几何信息的脑分割方法
Ayub et al. Inpainting cropped diffusion mri using deep generative models
CN111563875B (zh) 基于动态边缘预测的核磁共振影像中肾脏分离方法及装置
CN113129297A (zh) 基于多期相肿瘤影像的直径自动测量方法及系统
Löcke et al. A comparison of phase unwrapping methods in velocity‐encoded MRI for aortic flows
US9285448B2 (en) Iterative reconstruction method with penalty terms from examination objects
Janssen et al. The Hessian of axially symmetric functions on SE (3) and application in 3D image analysis
Ben Alaya et al. Comparison analysis of local angular interpolation methods in diffusion MRI

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
CB02 Change of applicant information

Address after: Room 101, 1st Floor, Section 2, No. 122, Dongting Road, Economic and Technological Development Zone, Binhai New Area, Tianjin 300457

Applicant after: Tianjin Yuanjing Technology Service Co.,Ltd.

Applicant after: Beijing Yueying Technology Co.,Ltd.

Address before: 300480 Junlan Mingdi, Binhai Zhongguancun Science and Technology Park, economic and Technological Development Zone, Binhai New Area, Tianjin 1 / 2 / 3 / 4-107 (No. 109 of hexintai (Tianjin) business secretary Co., Ltd.)

Applicant before: Tianjin Yuanjing Technology Service Co.,Ltd.

Applicant before: Beijing Yueying Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant