CN114820600B - 基于oct图像的冠脉血管内支架检测方法及检测系统 - Google Patents
基于oct图像的冠脉血管内支架检测方法及检测系统 Download PDFInfo
- Publication number
- CN114820600B CN114820600B CN202210732207.2A CN202210732207A CN114820600B CN 114820600 B CN114820600 B CN 114820600B CN 202210732207 A CN202210732207 A CN 202210732207A CN 114820600 B CN114820600 B CN 114820600B
- Authority
- CN
- China
- Prior art keywords
- image
- stent
- guide wire
- coronary
- oct
- 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
- 210000004351 coronary vessel Anatomy 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 30
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 230000002708 enhancing effect Effects 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000012014 optical coherence tomography Methods 0.000 description 50
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 208000026106 cerebrovascular disease Diseases 0.000 description 3
- 230000002526 effect on cardiovascular system Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 206010003211 Arteriosclerosis coronary artery Diseases 0.000 description 2
- 208000007536 Thrombosis Diseases 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 208000026758 coronary atherosclerosis Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000037803 restenosis Diseases 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 208000012287 Prolapse Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G06T5/94—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
-
- 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
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
- G06T2207/30021—Catheter; Guide wire
-
- 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
- G06T2207/30052—Implant; Prosthesis
-
- 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
Abstract
本发明公开了一种基于OCT图像的冠脉血管内支架检测方法及检测系统，该方法包括：获取原始的OCT冠脉血管图像，并置于极坐标环境；将原始的OCT冠脉血管图像进行预处理，所述预处理包括检测OCT冠脉血管图像中导管所在位置，并去除导管区域；获取在导丝回撤过程中形成的图像序列，在笛卡尔坐标环境下，形成三维重建体数据；利用多尺度Frangi对预处理后的冠脉血管图像进行滤波增强，增强图像中支架阴影结构；对增强后的图像，检测支架阴影位置，确定支架位置；利用三维重建体数据检测导丝的位置和检测出的支架位置，分割出导丝区域去除导丝。本方法利用多尺度Frangi滤波增强后，进行支架阴影位置检测，去除导丝，减少了噪声影响，得到高保真的图像。
Description
技术领域
本发明涉及医疗图像处理技术领域，尤其涉及一种基于OCT图像的冠脉血管内支架检测方法及检测系统。
背景技术
全球范围内，心脑血管疾病已经成为了威胁人类健康的主要疾病之一，冠状动脉粥样硬化是心脑血管疾病的主要病因。目前，冠脉支架介入性治疗方法因其创伤小、效果好，已经成为治疗冠状动脉粥样硬化疾病的一个主要治疗方案。在治疗的过程中，支架通过处理被放在冠状动脉里面，以降低血管再狭窄和形成血栓的概率。
光学相干断层成像(optical coherence tomography，OCT) 是当前诊断心脑血管疾病的一种最新的血管内影像学技术。OCT利用近红外光，是一种高分辨率的影像学技术，可探查生物组织微米级结构。它的轴向分辨率为 10µm左右，横向的分辨率为 20µm左右，探测深度约为2mm。
通过使用OCT技术对植入支架后的冠脉血管成像，观测者可以清晰观察各种粥样硬化斑块特征，评估支架是否贴壁良好，以及是否存在支架位置覆盖、组织脱垂、组织撕裂、支架内再狭窄、斑块或者血栓等，这些对于临床诊断和治疗都有重要意义。然而，手动的标记支架是一项耗时耗力且效率较低的工程。因此，发明一种高效可行的支架自动检测算法以辅助医生的诊断和治疗十分必要。
近年来，国外已有不少期刊发表对冠状动脉支架检测的研究。Matheus和Diego等人提出了一种基于形态学重建结合特征提取的自动分割算法，可以有效地分割出支架，但是精度较低并且没能找出支架点的位置。Nico Bruining和Kenji Sihan等在OCT图像基础上，提出了一种基于K近邻的支架检测方法，实现了OCT序列的批操作，但对于聚类算法和伪影的问题依然有待后来者深入研究。Hong Lu等人通过提取OCT图像在极坐标下每条A-lines上的一些特征，从而组成特征向量，采用机器学习的方法，利用决策分类树进行训练和分类，检测出支架的位置。该算法对于特征不明显，强度较弱的支架会存在漏检的情况，并且采用机器学习的方法，时间开销较大，满足实时性的要求仍然具有挑战性。目前大部分的支架检测算法鲁棒性和效率不高，存在多检或漏检的情况，并且对于导丝的影响没有较好的解决方法。
发明内容
因此，本发明的目的在于提供一种基于OCT图像的冠脉血管内支架检测方法及检测系统，能够对获取的图像进行处理后，排除图像中导丝的影响，实现对不同尺寸支架的监测。
为了实现上述目的，本发明的一种基于OCT图像的冠脉血管内支架检测的方法，包括以下步骤:
S1、获取原始的OCT冠脉血管图像，并将原始的OCT冠脉血管图像置于极坐标环境；
S2、将原始的OCT冠脉血管图像进行预处理，所述预处理包括检测OCT冠脉血管图像中导管所在位置，并去除导管区域；
S3、获取在导丝回撤过程中预处理后形成的图像序列，在笛卡尔坐标环境下，形成三维重建体数据；
S4、利用多尺度Frangi对预处理后的冠脉血管图像进行滤波增强，增强图像中支架阴影结构；
S5、对增强后的图像，检测支架阴影位置，确定支架位置；
S6、利用三维重建体数据检测导丝的位置和检测出的支架位置，分割出导丝区域，去除导丝。
进一步优选的，在S4中，所述在对去除导丝后的图像，利用多尺度Frangi进行滤波增强，包括以下步骤：
S401、对预处理后的冠脉血管图像，按照设置的尺度空间和步长，计算图像的高斯函数的二阶偏导数；
S402、计算图像与高斯二阶偏导的卷积，生成Hessian矩阵；
S403、计算Hessian矩阵特征值，求出不同尺度对应的滤波响应；
S404、计算图像中每一个像素的不同尺度中滤波响应的最大值，作为滤波输出。
在上述任意一项实施例中进一步优选的，在S5中，所述检测支架阴影位置确定支架位置，包括如下步骤：
S501、对多尺度Frangi滤波后图像的每条A-line进行灰度累计，得到一个灰度分布曲线；
S502、求取所述灰度分度曲线的波峰、波谷的强度值和位置；
S503、两个波谷之间存在潜在的阴影区域，再根据设定的阈值范围，得到最终检测出的支架阴影位置。
在上述任意一项实施例中进一步优选的，在S503中，得到最终检测出的支架阴影位置，具体包括如下步骤：
将灰度分布曲线的波峰的强度值，记为最大值，并标记为潜在的支架位置；将波谷的强度值，记为最小值；
计算最大值的2/3处的最大峰值带宽，将设定的最小值和最大峰值带宽，与预设阈值进行比较，确定是否是支架位置；
将检测出的输入同一个支架阴影区的支架点进行聚类，从而得到极坐标下支架的位置。
在上述任意一项实施例中进一步优选的，在S6中，所述分割出导丝区域，去除导丝，包括以下步骤：
将读取的原始OCT血管图像以及检测出的支架位置转化到笛卡尔坐标下，对于每帧图像，根据之前利用三维体数据检测出的导丝位置，求取导丝与检测支架点的欧氏距离，将距离最小的支架点作为导丝点去掉，得到了最终的检测结果。
本发明还提供一种基于OCT图像的冠脉血管内支架检测的系统，包括图像获取模块、三维重建模块、图像增强模块、支架监测模块和导丝去除模块；
所述图像获取模块，用于获取极坐标环境下的原始的OCT冠脉血管图像， S2、将原始的OCT冠脉血管图像进行预处理，所述预处理包括检测OCT冠脉血管图像中导管所在位置，并去除导管区域；
所述三维重建模块，获取在导丝回撤过程中预处理后形成的图像序列，在笛卡尔坐标环境下，形成三维重建体数据；
所述图像增强模块，利用多尺度Frangi对预处理后的冠脉血管图像进行滤波增强，增强图像中支架阴影结构；
所述支架监测模块，对增强后的图像，检测支架阴影位置，确定支架位置；
所述导丝去除模块，用于将极坐标环境下获取，利用三维重建体数据检测导丝的位置和检测出的支架位置转换到笛卡尔坐标下，并分割出导丝区域，去除导丝。
在上述任意一项实施例中进一步优选的，所述图像增强模块，在对去除导丝后的图像，利用多尺度Frangi进行滤波增强，执行以下操作：对预处理后的冠脉血管图像，按照设置的尺度空间和步长，计算图像的高斯函数的二阶偏导数；计算图像与高斯二阶偏导的卷积，生成Hessian矩阵；
计算Hessian矩阵特征值，求出不同尺度对应的滤波响应；
计算图像中每一个像素的不同尺度中滤波响应的最大值，作为滤波输出
在上述任意一项实施例中进一步优选的，所述支架监测模块在检测支架时，包括对多尺度Frangi滤波后图像的每条A-line进行灰度累计，得到一个灰度分布曲线；求取所述灰度分度曲线的波峰、波谷的强度值和位置；两个波谷之间存在潜在的阴影区域，再根据设定的阈值范围，得到最终检测出的支架阴影位置。
在上述任意一项实施例中进一步优选的，所述根据两个波谷之间存在潜在的阴影区域，再根据设定的阈值范围，得到最终检测出的支架阴影位置，包括
将灰度分布曲线的波峰的强度值，记为最大值，并标记为潜在的支架位置；将波谷的强度值，记为最小值；
计算最大值的2/3处的最大峰值带宽，将设定的最小值和最大峰值带宽，与预设阈值进行比较，确定是否是支架位置；
将检测出的输入同一个支架阴影区的支架点进行聚类，从而得到极坐标下支架的位置。
在上述任意一项实施例中进一步优选的，所述导丝去除模块，在去除导丝时，执行以下操作：将读取的原始OCT血管图像以及检测出的支架位置转化到笛卡尔坐标下，对于每帧图像，根据之前利用三维体数据检测出的导丝位置，求取导丝与检测支架点的欧氏距离，将距离最小的支架点作为导丝点去掉，得到了最终的检测结果。
本申请公开的基于OCT图像的冠脉血管内支架检测方法及检测系统，相比于现有技术，至少具有以下优点：
1、本发明提供的基于OCT图像的冠脉血管内支架检测方法和监测系统，对获取的冠脉图像，利用三维体数据分割导丝；利用多尺度Frangi滤波增强后，进行支架阴影位置检测，去除导丝，减少了噪声影响，得到高保真的图像。
2、本发明提供的基于OCT图像的冠脉血管内支架检测方法和监测系统，在检测支架的过程中，采用Frangi滤波器，对滤波后的图像的每条A-line进行灰度累计，通过统计波峰波谷，并与设置的阈值进行比较，从而准确的判断支架的位置，避免对强度较弱的支架形成漏检，同时Frangi滤波后计算量减小，支架检测算法鲁棒性显著提高，计算效率明显提升。
附图说明
图1为本发明基于OCT图像的冠脉血管内支架检测方法的方法流程示意图；
图2为原始的OCT冠脉血管图像；
图3为经过预处理后的冠脉血管图像；
图4为三维重建结果示意图；
图5为多尺度Frangi滤波增强算法的流程示意图；
图6为多尺度Frangi滤波后的冠脉血管图像；
图7为检测支架阴影位置算法的流程示意图；
图8为对每条A-line进行灰度累计后的强度曲线图；
图9为确定支架位置算法的流程示意图；
图10为一条A-line的灰度分布曲线图；
图11为极坐标下支架检测结果示意图；
图12为笛卡尔坐标下支架检测结果示意图；
图13为另一帧冠脉血管内支架检测结果示意图；
图14为本发明提供的基于OCT图像的冠脉血管内支架检测系统的结构示意图。
具体实施方式
以下通过附图和具体实施方式对本发明作进一步的详细说明。
如图1所示，本发明一方面实施例提供的基于OCT图像的冠脉血管内支架检测方法，包括以下步骤
S1、获取原始的OCT冠脉血管图像，并将原始的OCT冠脉血管图像置于极坐标环境；
S2、将原始的OCT冠脉血管图像进行预处理，所述预处理包括检测OCT冠脉血管图像中导管所在位置，并去除导管区域；
S3、获取在导丝回撤过程中预处理后形成的图像序列，在笛卡尔坐标环境下，形成三维重建体数据；
S4、利用多尺度Frangi对预处理后的冠脉血管图像进行滤波增强，增强图像中支架阴影结构；
S5、对增强后的图像，检测支架阴影位置，确定支架位置；
S6、利用三维重建体数据检测导丝的位置和检测出的支架位置，分割出导丝区域，去除导丝。
在一个实施例中步骤S1，获取原始OCT冠脉血管图像时，是从光学相干断层成像系统中实时采集的数据或者读取事先采集并保存好的数据，此时的血管图像是基于ρ轴和θ轴定义的极坐标下的图像。ρ轴为径向采样，代表每条A-line的采样点数，θ轴为扫描角度的采样，代表A-line的线数。在本实施案例中，读取的原始OCT血管图像的大小为1000线×512点，如图2所示。原始的OCT图像大小可根据实际情况中数据采集的点数和线数而改变，并不限于1000线×512点。
在S2中，由于导管成像比较亮，会对支架检测造成干扰。因此，需要检测所述的OCT图像中导管所在的区域，并将导管所在的区域从原图像中去除。
由于导管成像在整个OCT血管图像中的位置和大小是固定的，故可以设定一个固定阈值消除导管的影响。在本实施案例中，阈值可设置为80，但不限于80，可以根据实际情况中导管的大小以及图像的大小设置合理的阈值。将原始OCT图像中ρ值小于80的图像直接切除，从而消除导管带来的影响，处理后的图像大小变成了1000×432。通过此过程，不仅消除了导管的影响，并且减小了图像的尺寸，从而在不影响支架检测的前提下提高了算法的运行效率。
OCT成像系统在获取血管图像的过程中会受到噪声的污染，尤其因为生物组织光学特性的不同产生了较多的散斑噪声。为了得到高保真的图像，尽可能的还原组织信息的真实结构，保证后期算法的稳定性，必须对获取的OCT 图像作去噪处理。通过对各种滤波算法的研究和验证，考虑到噪声的去除和边缘的保留，在本实施案例中，滤波器优选5*5大小的中值滤波器，当然也可以采用其他尺寸的中值滤波器或者均值滤波器、高斯滤波器等其他滤波器。经过预处理后的图像，如图3所示。
在S3中，利用三维体数据分割导丝，首先将整个回撤过程中经过预处理后的图像序列转化到笛卡尔坐标下，再利用光线投影法对图像序列进行三维重建，三维重建的结果，如图4所示。在三维体数据的导丝区域选取初始的种子点，根据设定的相似性准则更新种子点，并放入栈中，当没有更多的新种子点产生时，区域生长法结束，此时栈中所有体素构成的元素即为导丝区域。在本实施案例中，相似性准则如式(1)，式中为种子点处的灰度值，为种子点邻域内体素的灰度值，邻域大小为3*3*3，阈值T设为16。对得到的导丝区域，在x,y方向上进行聚合求平均，从而得到每帧图像中导丝的位置。
S4中，多尺度Frangi滤波增强，在本实施案例中，优选三个尺度的Frangi滤波器，参照图5，在一个多尺度Frangi滤波增强的过程中，包括以下步骤：
S401，获取预处理后的冠脉血管图像；初始化空间尺度
，范围为[3，7]，迭代步长
step=2；
根据式(2)~(5)，计算高斯函数的二阶偏导，
；高斯核函
数：
x方向上的二阶偏微分：
y方向上的二阶偏微分：
x，y方向上的混合偏微分：
S402，计算图像与高斯函数二阶偏导的卷积，生成Hessian矩阵；
S403，计算Hessian矩阵的特征值
和
，且
；根据式(6)~(8)求出
对
应的滤波响应，在本实施案例中，通过多次试验选择，；β为区域抑制参数，β愈大则对条状区
域抑制愈弱。c为平滑参数，c愈大图像愈平滑。
S404，根据式(9)，求出图像中每一个像素不同尺度中滤波响应最大值作为最终输出，结果如图6所示。
步骤S5，检测支架阴影位置，参照图7，在一个检测支架阴影位置的过程中，包括以下步骤：
S501，对Frangi滤波后的图像的每条A-line进行灰度累计，得到一个灰度分布曲线，采用1000×1的向量表示，如图8所示；
S502，寻找上述向量的波峰和波谷，并记录其位置
，
及对应的强度值，
，
，其中，，每对波谷之间存在一个候选的支架阴影区域；
S503，根据式(10)计算候选支架阴影区域的强度值；
优选的，S504根据先验知识确定支架阴影区的阈值为threshold，在本实施案例中，经过多次实验发现，threshold=(maxv-minv)*0.25时效果最好，maxv、minv分别为上述向量的最大、最小值，从而实现了自适应的阈值设置。
S505将
的候选阴影区作为最终检测出的支架阴影区域，支架阴影
区域的位置为
。
在上述检测出的支架阴影区域检测支架位置，参照图9，在一个检测支架位置的过程中，包括以下步骤：
求支架阴影区域内每条A-line的灰度分布曲线，其中一条A-line的灰度分布曲线
如图10所示，图中
为横坐标，灰度值I为纵坐标，从图10中可明显看出曲线具有一个的快
速上升且快速下降的波峰，该波峰即为确定A-line是否包括属于支架坐标点的重要特征；
求每条A-line灰度分布曲线中最大峰值对应的灰度值
及位置
；
求2/3峰值处的峰值带宽
，参考图10；
寻找属于支架的点，如果A-line的最大峰值
大于最小峰值且峰值带宽小于最
大峰值带宽
，则确定该A-line包括属于支架的点，并且
即为属于支架的坐标点。在
本实施案例中，最小峰值为80，最大峰值带宽为18；
确定支架位置，在同一个支架阴影区域内对求出的所有属于该支架的坐标点进行聚合，根据欧氏距离去除一些离群点，再求其他点坐标的平均值作为最终的支架位置。在极坐标下，检测结果如图11所示。
步骤S6，坐标转换及去除导丝，利用式(11)将原始OCT冠脉血管图像以及检测出的支架点转化到笛卡尔坐标下。在本实施案例中，笛卡尔坐标下的OCT血管图像的中心为，图像的大小为，然后计算支架与上述所求导丝的欧式距离，将距离最小的支架点判定为导丝并将其去掉，从而得到最终的支架检测结果。
通过以上的步骤便可以实现对OCT冠脉血管内支架的自动检测，检测结果如图12所示。图13是对该回撤过程中另一帧冠脉血管图像内支架的检测结果示意图。从检测结果图中可以看出，本发明提出的一种基于OCT图像的冠脉血管内支架检测的方法能够准确的检测出不同尺寸大小的支架，降低了漏检率，并且不受导丝的影响，检测算法简单有效，具有较好的鲁棒性和实时性。
如图14所示，本发明还提供一种基于OCT图像的冠脉血管内支架检测的系统，用于实施上述方法，包括图像获取模块、三维重建模块、图像增强模块、支架监测模块和导丝去除模块；
所述图像获取模块，用于获取极坐标环境下的原始的OCT冠脉血管图像，将原始的OCT冠脉血管图像进行预处理，所述预处理包括检测OCT冠脉血管图像中导管所在位置，并去除导管区域；
所述三维重建模块，获取在导丝回撤过程中预处理后形成的图像序列，在笛卡尔坐标环境下，形成三维重建体数据；
所述图像增强模块，利用多尺度Frangi对预处理后的冠脉血管图像进行滤波增强，增强图像中支架阴影结构；
所述支架监测模块，对增强后的图像，检测支架阴影位置，确定支架位置；
所述导丝去除模块，用于将极坐标环境下获取，利用三维重建体数据检测导丝的位置和检测出的支架位置转换到笛卡尔坐标下，并分割出导丝区域，去除导丝。
所述图像增强模块，在对去除导丝后的图像，利用多尺度Frangi进行滤波增强，执行以下操作：对预处理后的冠脉血管图像，按照设置的尺度空间和步长，计算图像的高斯函数的二阶偏导数；计算图像与高斯二阶偏导的卷积，生成Hessian矩阵；
计算Hessian矩阵特征值，求出不同尺度对应的滤波响应；
计算图像中每一个像素的不同尺度中滤波响应的最大值，作为滤波输出。
在上述任意一项实施例中进一步优选的，所述支架监测模块在检测支架时，包括对多尺度Frangi滤波后图像的每条A-line进行灰度累计，得到一个灰度分布曲线；求取所述灰度分度曲线的波峰、波谷的强度值和位置；两个波谷之间存在潜在的阴影区域，再根据设定的阈值范围，得到最终检测出的支架阴影位置。
在上述任意一项实施例中进一步优选的，所述根据两个波谷之间存在潜在的阴影区域，再根据设定的阈值范围，得到最终检测出的支架阴影位置，包括
将灰度分布曲线的波峰的强度值，记为最大值，并标记为潜在的支架位置；将波谷的强度值，记为最小值；
计算最大值的2/3处的最大峰值带宽，将设定的最小值和最大峰值带宽，与预设阈值进行比较，确定是否是支架位置；
将检测出的输入同一个支架阴影区的支架点进行聚类，从而得到极坐标下支架的位置。
在上述任意一项实施例中进一步优选的，所述导丝去除模块，在去除导丝时，执行以下操作：将读取的原始OCT血管图像以及检测出的支架位置转化到笛卡尔坐标下，对于每帧图像，根据之前利用三维体数据检测出的导丝位置，求取导丝与检测支架点的欧氏距离，将距离最小的支架点作为导丝点去掉，得到了最终的检测结果。
显然，上述实施例仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (5)
1.一种基于OCT图像的冠脉血管内支架检测的系统，其特征在于，包括图像获取模块、预处理模块、三维重建模块、图像增强模块、支架监测模块和导丝去除模块；
所述图像获取模块，用于获取极坐标环境下的原始的OCT冠脉血管图像；
所述预处理模块，用于将原始的OCT冠脉血管图像进行预处理，所述预处理包括检测OCT冠脉血管图像中导管所在位置，并去除导管区域；
所述三维重建模块，获取在导丝回撤过程中预处理后形成的图像序列，在笛卡尔坐标环境下，形成三维重建体数据；
所述图像增强模块，利用多尺度Frangi对预处理后的冠脉血管图像进行滤波增强，增强图像中支架阴影结构；
所述支架监测模块，对增强后的图像，检测支架阴影位置，确定支架位置；
所述导丝去除模块，用于将极坐标环境下获取，利用三维重建体数据检测导丝的位置和检测出的支架位置转换到笛卡尔坐标下，并分割出导丝区域，去除导丝。
2.根据权利要求1所述的基于OCT图像的冠脉血管内支架检测的系统，其特征在于，所述图像增强模块，对预处理后的冠脉血管图像，利用多尺度Frangi进行滤波增强，执行以下操作：对预处理后的冠脉血管图像，按照设置的尺度空间和步长，计算图像的高斯函数的二阶偏导数；计算图像与高斯二阶偏导的卷积，生成Hessian矩阵；
计算Hessian矩阵特征值，求出不同尺度对应的滤波响应；
计算图像中每一个像素的不同尺度中滤波响应的最大值，作为滤波输出。
3.根据权利要求1所述的基于OCT图像的冠脉血管内支架检测的系统，其特征在于，所述支架监测模块在检测支架时，包括对多尺度Frangi滤波后图像的每条A-line进行灰度累计，得到一个灰度分布曲线；求取所述灰度分度曲线的波峰、波谷的强度值和位置；两个波谷之间存在潜在的阴影区域，再根据设定的阈值范围，得到最终检测出的支架阴影位置。
4.根据权利要求3所述的基于OCT图像的冠脉血管内支架检测的系统，其特征在于，所述根据两个波谷之间存在潜在的阴影区域，再根据设定的阈值范围，得到最终检测出的支架阴影位置，包括：
将灰度分布曲线的波峰的强度值，记为最大值，并标记为潜在的支架位置；将波谷的强度值，记为最小值；
计算最大值的2/3处的最大峰值带宽，将设定的最小值和最大峰值带宽，与预设阈值进行比较，确定是否是支架位置；
将检测出的输入同一个支架阴影区的支架点进行聚类，从而得到极坐标下支架的位置。
5.根据权利要求1所述的基于OCT图像的冠脉血管内支架检测的系统，其特征在于，所述导丝去除模块，在去除导丝时，执行以下操作：将读取的原始OCT血管图像以及检测出的支架位置转化到笛卡尔坐标下，对于每帧图像，根据之前利用三维体数据检测出的导丝位置，求取导丝与检测支架点的欧氏距离，将距离最小的支架点作为导丝点去掉，得到了最终的检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210732207.2A CN114820600B (zh) | 2022-06-27 | 2022-06-27 | 基于oct图像的冠脉血管内支架检测方法及检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210732207.2A CN114820600B (zh) | 2022-06-27 | 2022-06-27 | 基于oct图像的冠脉血管内支架检测方法及检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114820600A CN114820600A (zh) | 2022-07-29 |
| CN114820600B true CN114820600B (zh) | 2022-09-27 |
Family
ID=82521248
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210732207.2A Active CN114820600B (zh) | 2022-06-27 | 2022-06-27 | 基于oct图像的冠脉血管内支架检测方法及检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114820600B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115330756B (zh) * | 2022-10-11 | 2023-02-28 | 天津恒宇医疗科技有限公司 | 基于光影特征的oct图像中导丝识别方法及识别系统 |
| CN117291920B (zh) * | 2023-11-27 | 2024-03-12 | 天津恒宇医疗科技有限公司 | 基于oct成像的脂质斑块检测分析方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102005059271A1 (de) * | 2005-12-12 | 2007-06-14 | Siemens Ag | Kathetervorrichtung |
| CN105769192A (zh) * | 2016-02-24 | 2016-07-20 | 苏州润心医疗科技有限公司 | 一种冠状动脉斑块的多频三维检测方法 |
| CN106846347A (zh) * | 2017-02-15 | 2017-06-13 | 深圳市中科微光医疗器械技术有限公司 | 基于oct的支架植入术前的分析系统及分析方法 |
| CN107133959A (zh) * | 2017-06-12 | 2017-09-05 | 上海交通大学 | 一种快速的血管边界三维分割方法及系统 |
| CN107920747A (zh) * | 2015-07-25 | 2018-04-17 | 光学实验室成像公司 | 导丝检测系统、方法和装置 |
| CN110717888A (zh) * | 2019-09-06 | 2020-01-21 | 天津大学 | 一种血管内光学相干层析成像血管壁内轮廓自动识别方法 |
| CN111493830A (zh) * | 2020-04-24 | 2020-08-07 | 天津恒宇医疗科技有限公司 | 一种基于冠脉分叉病变的oct三维可视化系统及工作方法 |
| CN112308874A (zh) * | 2020-11-19 | 2021-02-02 | 天津大学 | 基于管壁连通域唯一性的iv-oct血管轮廓识别方法 |
| CN112509020A (zh) * | 2020-12-07 | 2021-03-16 | 昆山戎影医疗科技有限公司 | 血管外部影像与腔内影像的配准方法、装置及计算设备 |
| CN113470137A (zh) * | 2021-06-30 | 2021-10-01 | 天津大学 | 基于灰度加权的ivoct图像导丝伪影去除方法 |
| CN114145719A (zh) * | 2022-02-08 | 2022-03-08 | 天津恒宇医疗科技有限公司 | 双模冠脉血管图像三维融合的方法和融合系统 |
| CN114612475A (zh) * | 2022-05-12 | 2022-06-10 | 青岛美迪康数字工程有限公司 | 胆管支架规格选择方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109091167A (zh) * | 2018-06-29 | 2018-12-28 | 东南大学 | 冠状动脉粥样硬化斑块增长的预测方法 |
| CN210541686U (zh) * | 2018-12-19 | 2020-05-19 | 首都医科大学附属北京安贞医院 | 一种用于治疗冠状动脉穿孔的封堵导管 |
| CN113143405A (zh) * | 2021-06-01 | 2021-07-23 | 上海融脉医疗科技有限公司 | 一种血管内取栓网盘支架及其输送装置 |
-
2022
- 2022-06-27 CN CN202210732207.2A patent/CN114820600B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102005059271A1 (de) * | 2005-12-12 | 2007-06-14 | Siemens Ag | Kathetervorrichtung |
| CN107920747A (zh) * | 2015-07-25 | 2018-04-17 | 光学实验室成像公司 | 导丝检测系统、方法和装置 |
| CN105769192A (zh) * | 2016-02-24 | 2016-07-20 | 苏州润心医疗科技有限公司 | 一种冠状动脉斑块的多频三维检测方法 |
| CN106846347A (zh) * | 2017-02-15 | 2017-06-13 | 深圳市中科微光医疗器械技术有限公司 | 基于oct的支架植入术前的分析系统及分析方法 |
| CN107133959A (zh) * | 2017-06-12 | 2017-09-05 | 上海交通大学 | 一种快速的血管边界三维分割方法及系统 |
| CN110717888A (zh) * | 2019-09-06 | 2020-01-21 | 天津大学 | 一种血管内光学相干层析成像血管壁内轮廓自动识别方法 |
| CN111493830A (zh) * | 2020-04-24 | 2020-08-07 | 天津恒宇医疗科技有限公司 | 一种基于冠脉分叉病变的oct三维可视化系统及工作方法 |
| CN112308874A (zh) * | 2020-11-19 | 2021-02-02 | 天津大学 | 基于管壁连通域唯一性的iv-oct血管轮廓识别方法 |
| CN112509020A (zh) * | 2020-12-07 | 2021-03-16 | 昆山戎影医疗科技有限公司 | 血管外部影像与腔内影像的配准方法、装置及计算设备 |
| CN113470137A (zh) * | 2021-06-30 | 2021-10-01 | 天津大学 | 基于灰度加权的ivoct图像导丝伪影去除方法 |
| CN114145719A (zh) * | 2022-02-08 | 2022-03-08 | 天津恒宇医疗科技有限公司 | 双模冠脉血管图像三维融合的方法和融合系统 |
| CN114612475A (zh) * | 2022-05-12 | 2022-06-10 | 青岛美迪康数字工程有限公司 | 胆管支架规格选择方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| Optimized computer-aided segmentation and 3D reconstruction using intracoronary optical coherence tomography;Lambros Athanasiou 等;《HHS Public Access》;20180731;正文第1-24页 * |
| 基于OCT影像的动脉粥样硬化斑块类型识别研究;何春柳;《中国知网优秀博士学位论文集 医药卫生科技辑》;20220215;正文第1-86页 * |
| 植入药物洗脱支架后晚期获得性贴壁不良的情况;马丹等;《哈尔滨医科大学学报》;20160225(第01期);第63-66页 * |
| 血流剪切力对支架内新生动脉粥样硬化形成的影响;谢祖龙等;《现代生物医学进展》;20180430(第08期);第89-93页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114820600A (zh) | 2022-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114820600B (zh) | 基于oct图像的冠脉血管内支架检测方法及检测系统 | |
| CN106780495B (zh) | 基于oct的心血管植入支架自动检测与评估方法及系统 | |
| US8831304B2 (en) | Blood vessel segmentation with three-dimensional spectral domain optical coherence tomography | |
| 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 | |
| EP2404553B1 (en) | Image processing device and method, and program | |
| US8411927B2 (en) | Marker detection in X-ray images | |
| US20130051676A1 (en) | Microcalcification Detection Classification in Radiographic Images | |
| CN113470137B (zh) | 基于灰度加权的ivoct图像导丝伪影去除方法 | |
| CN111178369A (zh) | 一种医学影像的识别方法及系统、电子设备、存储介质 | |
| KR101906944B1 (ko) | Ivoct 영상 기반 혈관 내강의 자동 분류 방법 및 시스템 | |
| Escorcia-Gutierrez et al. | Convexity shape constraints for retinal blood vessel segmentation and foveal avascular zone detection | |
| US20220142606A1 (en) | Ultrasound analysis method and device | |
| Jainish et al. | A novel automatic retinal vessel extraction using maximum entropy based EM algorithm | |
| Singh et al. | Feature enhancement in medical ultrasound videos using multifractal and contrast adaptive histogram equalization techniques | |
| Tsai et al. | Adaptive segmentation of vessels from coronary angiograms using multi-scale filtering | |
| KR102242114B1 (ko) | Oct 의료 영상 기반 인공지능 컴퓨터 보조 진단 시스템 및 그 방법 | |
| Rezatofighi et al. | An enhanced segmentation of blood vessels in retinal images using contourlet | |
| Huang et al. | Automatic quantitative analysis of bioresorbable vascular scaffold struts in optical coherence tomography images using region growing | |
| Li et al. | Automated retinal vessel segmentation using multiscale analysis and adaptive thresholding | |
| JP2010200925A (ja) | 画像処理装置および方法並びにプログラム | |
| Radovanovic et al. | Carotid Artery Segmentation Using Convolutional Neural Network in Ultrasound Images | |
| Wang et al. | A robust automated method to detect stent struts in 3D intravascular optical coherence tomographic image sequences | |
| Cho et al. | An Extraction Algorithm for Deep Characterization Using DeepCNN in Diagnostic Ultrasound Images | |
| Filho et al. | Moment-based texture segmentation of luminal contour in intravascular ultrasound images | |
| Zayanthi et al. | Carotid artery boundary extraction using segmentation techniques: a comparative study |
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 |