CN115131508B - 基于数据处理的dsa建模点云数据融合处理方法 - Google Patents
基于数据处理的dsa建模点云数据融合处理方法 Download PDFInfo
- Publication number
- CN115131508B CN115131508B CN202211045079.0A CN202211045079A CN115131508B CN 115131508 B CN115131508 B CN 115131508B CN 202211045079 A CN202211045079 A CN 202211045079A CN 115131508 B CN115131508 B CN 115131508B
- Authority
- CN
- China
- Prior art keywords
- point
- blood vessel
- bifurcation
- bifurcation point
- points
- 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
Images
Classifications
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及基于数据处理的DSA建模点云数据融合处理方法。该方法采用DSA造影设备识别图形获取不同视点下待检测血管组织的血管减影图像,然后对获取到的不同视点下待检测血管组织的血管减影图像进行数据处理,得到各分叉点的可信度和各中轴点的可信度,基于各分叉点的可信度和各中轴点的可信度,对各血管中轴三维点云数据进行融合,得到综合血管中轴三维点云数据,进而对待检测血管组织进行三维重建。因此,本发明提供的方法采用图形识别的方式,并进行相关的数据处理,重建待检测血管组织的三维模型,提高了血管三维模型的重建精度。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于数据处理的DSA建模点云数据融合处理方法。
背景技术
随着计算机产业的发展,现代临床医学日益依赖新型的数字化医疗设备,心血管系统疾病是一种突发疾病,利用数字化技术,可以更加方便医疗人员定量地获取有关心血管系统的特征信息,有利于做出正确的诊断。其中,数字减影血管造影技术(DSA)是医学影像中继X射线CT之后,电子计算机与常规X射线血管造影相结合的一项新技术,该技术的基本原理是将含有有机化合物在X射线照射下透明的造影剂快速注入血流,将血管在X线照射下显影,并将显影过程拍摄下来,根据显影的结果了解血管的生理或病理变化,将注入造影剂前后拍摄的两帧X射线图像经数字化输入计算机,通过减影、增强和再成像等操作来获得清晰的纯血管影像,这就是DSA。
对于DSA造影方法来说其本身只获得了血管的二维造影图像信息,但对于一些需要关注血管三维模型并通过血管三维空间结构来进行血管病理诊断的情况来说,DSA获得的二维造影图像信息也可作为血管三维模型重建的依据,利用多视点成像方法重建血管结构的三维点云模型。现有技术一般先提取DSA造影图像的血管中轴并以提取出的血管中轴上的分叉点作为匹配特征点,但其一般利用细化方法将血管图像细化后进行血管中轴的提取,而由于DSA造影图像本身仅为一个二维图像,二维的DSA造影图像存在血管重叠交叉产生的遮挡问题,这样一来提取出的血管中轴就存在着重叠、遮挡问题,作为匹配特征点的分叉点更容易产生血管重叠的问题,若不对重叠的分叉点分别进行评价,直接进行血管三维点的获取会使重建出的血管三维模型产生较大误差,影响重建精度。
发明内容
为了解决现有方法重建血管组织的三维模型时存在的精度低的问题,本发明的目的在于提供一种基于数据处理的DSA建模点云数据融合处理方法,所采用的技术方案具体如下:
本发明提供了一种基于数据处理的DSA建模点云数据融合处理方法,该方法包括以下步骤:
获取待检测血管组织在不同视点下的血管减影图像中的血管区域;
对于任一视点下的血管减影图像:获取该图像中各血管中轴段上的中轴点和该图像中的各交汇区域;根据各交汇区域的边数和各交汇区域的边缘像素点的曲率,得到各交汇区域的类别;所述类别包括交叉类别和分叉类别;若交汇区域对应的类别为分叉类别,则将对应交汇区域的中心点记为分叉点;
对于任一视点下的血管减影图像中的任一分叉点:根据该分叉点所在的交汇区域中像素点的灰度均值和与该分叉点所在的交汇区域相连的各血管中轴段上的中轴点的灰度均值,计算该分叉点的可信度;将与该分叉点相连的各血管中轴段划分成预设个数的等份,根据各分割点对应的血管直径,得到该分叉点对应的多个匹配特征序列;
根据任意两个视点下的血管减影图像中各分叉点对应的多个匹配特征序列,得到各分叉点匹配点对;以各分叉点匹配点对中两个分叉点的可信度的均值作为三维重建时对应分叉点对应的可信度;根据各分叉点匹配点对中两个分叉点的可信度和各分叉点匹配点对中两个分叉点到与其所在的交汇区域相连的各血管中轴段上的中轴点的长度,计算三维重建时各中轴点的可信度;
根据三维重建时各分叉点对应的可信度和各中轴点的可信度,对各血管中轴三维点云数据进行融合,得到综合血管中轴三维点云数据;根据综合血管中轴三维点云数据和各中轴点对应的血管直径,对待检测血管组织进行三维重建。
优选的,所述获取待检测血管组织在不同视点下的血管减影图像中的血管区域,包括:
对于待检测血管组织在任一视点下的血管减影图像:
对该血管减影图像进行灰度化处理,得到血管减影灰度图像;
统计所述血管减影灰度图像中各灰度值对应的像素点的数量,根据所述血管减影灰度图像中各灰度值对应的像素点的数量,得到灰度直方图;
根据所述灰度直方图,利用EM算法拟合得到对应的高斯混合模型;所述高斯混合模型中的子高斯模型个数为2;
根据所述高斯混合模型,将所述灰度图像中的像素点划分为背景点和血管组织点,根据血管组织点得到血管区域。
优选的,所述获取该图像中各血管中轴段上的中轴点和该图像中的各交汇区域,包括:
获取该图像中的血管区域的边缘,对于该图像中的血管区域的任一血管组织点,判断该血管组织点与所述边缘上距离最近的点是否为两个,若是,则判定该血管组织点为中轴点;若不是,则判定该血管组织点不为中轴点;
以各连续获取的中轴点中的距离交汇处最近的中轴点对应的两个最近的血管边缘点截取血管区域边缘;将截取后的边缘点平移至交汇处,构成延长的中轴点,将由延长的中轴点围成的区域作为交汇区域。
优选的,所述根据各交汇区域的边数和各交汇区域的边缘像素点的曲率,得到各交汇区域的类别,包括:
若交汇区域的边数等于3,则判定对应交汇区域为分叉区域;
若交汇区域的边数大于3,则计算交汇区域各边缘上任意两个相邻点曲率的差值,获取曲率的差值的最大值与最小值之差,将所述曲率的差值的最大值与最小值之差进行归一化,得到交汇区域各边缘对应的归一化差值;计算交汇区域各边缘对应的归一化差值的均值;判断所述交汇区域各边缘对应的归一化差值的均值是否小于设定阈值,若小于,则判定对应交汇区域为分叉区域;若大于等于,则判定对应交汇区域为交叉区域。
优选的,采用如下公式计算该分叉点的可信度:
优选的,所述根据各分割点对应的血管直径,得到该分叉点对应的多个匹配特征序列,包括:
根据各分割点对应的血管直径,构建各血管中轴段对应的血管直径序列;所述血管直径序列中的各元素为对应血管中轴段的各分割点对应的血管直径;
将与该分叉点相连的各血管中轴段对应的血管直径序列作为该分叉点对应的多个匹配特征序列。
优选的,根据任意两个视点下的血管减影图像中各分叉点对应的多个匹配特征序列,得到各分叉点匹配点对,包括:
将所述任意两个视点下的血管减影图像中的一个血管减影图像记为第一图像,将所述任意两个视点下的血管减影图像中的另一个血管减影图像记为第二图像;
对于第一图像中的任一分叉点:
将该分叉点记为目标分叉点,根据所述目标分叉点对应的匹配特征序列,采用极线约束,初步筛选出第二图像中与目标分叉点匹配的分叉点;根据所述第二图像中与目标分叉点匹配的分叉点,得到与目标分叉点匹配的候选集合;若候选集合为空,则判定目标分叉点在第二图像中无匹配点;若候选集合非空,则判定候选集合中存在与目标分叉点相匹配的分叉点;
根据目标分叉点对应的各匹配特征序列和候选集合中各候选分叉点对应的各匹配特征序列,计算目标分叉点的各匹配特征序列与候选集合中各候选分叉点的各匹配特征序列的相似度;根据所述相似度,得到第二图像中与该目标分叉点匹配的分叉点,将该目标分叉点和第二图像中与该目标分叉点匹配的分叉点作为一个分叉点匹配点对。
优选的,采用如下公式计算目标分叉点的各匹配特征序列与候选集合中各候选分叉点的各匹配特征序列的相似度:
其中,为目标分叉点的第个匹配特征序列与候选集合中任一候选分叉点的第个匹配特征序列的相似度,为目标分叉点的第个匹配特征序列中第个元素的值,为候选分叉点的第个匹配特征序列中第个元素的值,为目标分叉点的第个匹配特征序列中元素的总个数或候选分叉点的第个匹配特征序列中元素的总个数,为目标分叉点的第个匹配特征序列和候选分叉点的第个匹配特征序列中元素的最大值,为目标分叉点的第个匹配特征序列和候选分叉点的第个匹配特征序列中元素的最小值。
优选的,采用如下公式计算三维重建时各中轴点的可信度:
其中,为三维重建时任一中轴点的可信度,为第一张血管减影图像中与该中轴点所在血管段相连的交汇区域中的交叉点的可信度,为第二张血管减影图像中与该中轴点所在血管段相连的交汇区域中的交叉点的可信度,为第一张血管减影图像中该中轴点与对应分叉点的长度,为第二张血管减影图像中该中轴点与对应分叉点的长度;
所述对应分叉点为与该中轴点所在血管段相连的交汇区域中的交叉点。
优选的,所述根据三维重建时各分叉点对应的可信度和各中轴点的可信度,对各血管中轴三维点云数据进行融合,得到综合血管中轴三维点云数据,包括:
将可信度大于设定可信度阈值的点作为点云融合时的匹配点,进行三维点云数据的融合,得到综合血管中轴三维点云数据。
本发明具有如下有益效果:本发明首先获取了待检测血管组织在不同视点下的血管减影图像中的血管区域,考虑到待检测的血管组织的血管减影图像中交叉区域存在较大的重叠性,本发明不选择交叉区域的特征作为匹配特征,而分叉点本身包含着血管组织拓扑结构的信息,本发明对分叉区域中的分叉点的可信度进行计算,然后本发明根据与各分叉点相连的各血管的直径,构建各分叉点对应的多个匹配特征序列,根据任意两个视点下的血管减影图像中各分叉点对应的多个匹配特征序列,得到各分叉点匹配点对;以各分叉点匹配点对中两个分叉点的可信度的均值作为三维重建时对应分叉点对应的可信度;根据各分叉点匹配点对中两个分叉点的可信度和各分叉点匹配点对中两个分叉点到与其所在的交汇区域相连的各血管中轴段上的中轴点的长度,计算三维重建时各中轴点的可信度;接着根据三维重建时各分叉点对应的可信度和各中轴点的可信度,对各血管中轴三维点云数据进行融合,得到综合血管中轴三维点云数据;根据综合血管中轴三维点云数据和各中轴点对应的血管直径,对待检测血管组织进行三维重建。本发明在对待检测血管组织进行三维重建时,考虑到了由于血管结构引起的遮挡情况,计算了各分叉点的可信度和各中轴点的可信度,将可信度高的点作为匹配点,再基于中轴点对应的血管直径进行血管组织三维点云模型的重建,提高了重建待检测血管组织的三维模型时的重建精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明提供的基于数据处理的DSA建模点云数据融合处理方法的流程图;
图2为待检测血管组织分叉区域的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于数据处理的DSA建模点云数据融合处理方法进行详细说明如下。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于数据处理的DSA建模点云数据融合处理方法的具体方案。
基于数据处理的DSA建模点云数据融合处理方法实施例:
现有方法重建血管组织的三维模型时存在精度低的问题。为了解决上述问题,本实施例提出了一种基于数据处理的DSA建模点云数据融合处理方法,如图1所示,本实施例的一种基于数据处理的DSA建模点云数据融合处理方法包括以下步骤:
步骤S1,获取待检测血管组织在不同视点下的血管减影图像中的血管区域。
为了利用多个视点下采集的二维血管减影图像生成血管的三维模型,本实施例利用现有的DSA造影设备获取多个视点下的血管减影图像,DSA造影设备本身利用C形头的旋转,使得获取的血管DSA减影图像是相机光心在同一个圆形轨迹上的不同位置处对同一个血管组织采集图像的结果。本实施例利用现有的DSA造影设备获取了待检测血管组织在多个视点下的血管减影图像,然后对这些血管减影图像中的血管组织点和背景点进行区分。
血管减影图像中血管组织点和背景点的区分过程具体为:
对于任一视点下的血管减影图像:
首先对该血管减影图像进行灰度化处理,得到血管减影灰度图像,统计所述血管减影灰度图像中各灰度值对应的像素点的数量,根据所述血管减影灰度图像中各灰度值对应的像素点的数量,得到灰度直方图;然后利用混合高斯模型对灰度直方图进行拟合,灰度直方图表示每个灰度值在该血管减影灰度图像中出现的概率,以所有灰度值和其对应的概率为样本数据,根据这些样本数据利用EM算法拟合一维高斯混合模型,EM算法为现有技术,此处不再赘述,本实施例中高斯混合模型中的子高斯模型个数为2,目的是将血管减影图像中的像素点划分为两类(即血管组织点和背景点),本实施例用该高斯混合模型描述每个灰度值在图像上出现概率,这个概率是由2个子高斯模型的计算结果乘以其权重获得的,将这2个子高斯模型按子高斯模型的均值从小到大排序后,分别记为序号1和序号2,对于一个新输入的灰度值,表示方式如下:
其中,为输入的灰度值,为灰度值为的像素点在血管减影灰度图像上出现的概率,为序号为的子高斯模型的值乘以其对应权重的值,对于一个灰度值,其会对应2个,背景点较亮,其对应的灰度值较大,本实施例选择其中较大的一个,以其对应的序号作为其类别标号,若一个像素点的灰度值对应的类别序号为2,则称其为背景点;若一个像素点的灰度值对应的类别序号为1,则称其为血管组织点。
至此,获得该血管减影图像中的背景点和血管组织点,若一个背景点的八邻域内存在互相相邻的血管组织点,则将此背景点判定为血管组织点,对该血管减影图像中的所有背景点进行上述操作;然后对该血管减影图像中的所有血管组织点进行如下判断:若一个血管组织点的八邻域内至少存在一个背景点,则将此血管组织点判定为血管区域的边缘点,进行上述操作后获得该血管减影图像中所有血管区域边缘点。
采用上述方法,获得待检测血管组织在不同视点下的血管减影图像中的血管区域。
步骤S2,对于任一视点下的血管减影图像:获取该图像中各血管中轴段上的中轴点和该图像中的各交汇区域;根据各交汇区域的边数和各交汇区域的边缘像素点的曲率,得到各交汇区域的类别;所述类别包括交叉类别和分叉类别;若交汇区域对应的类别为分叉类别,则将对应交汇区域的中心点记为分叉点。
考虑到待检测血管组织某一部分本身不存在交叉的现象,但是由于视点的位置和血管的结构,使得从采集的图像上来看该部分是交叉的,交叉区域存在较大的重叠性,因此不选择交叉区域作为匹配特征,而分叉区域本身包含着血管组织拓扑结构的信息,因此需要对分叉点的可信度进行计算。
对于在一个视点下获取的血管减影图像,其中,,为视点的个数,设血管减影图像中的血管区域为,这个血管区域的边缘为,对中的每个点,判断点在上最邻近(距离最近)的点的个数是否为两个,若是,则将此点作为血管的一个中轴点,以边缘上这个最邻近点与点的距离的二倍作为该中轴点处对应的血管直径。采用上述方法,找到血管区域上血管未分叉或未交叉部分的中轴点,如图2中的1所示,但血管交叉处或分叉处由于血管区域边缘复杂,无法采用上述方法找出中轴点,若想找到血管交叉处、分叉处的中轴点,需要进行如下操作:
血管分叉处以及交叉处类似两条路的交汇处,血管中轴即为路中间的线,已获取的血管中轴会在血管进入交叉、分叉部分之前断开,如图2所示,以各连续确定的中轴点中的距离交汇处最近的中轴点对应的两个最近的边缘点,截取血管区域边缘,将截取后的边缘点平移至交汇处,构成延长的中轴点,根据延长的中轴点获取由延长中轴点围成的交汇区域,如图2所示,图中的2为交汇区域(形似三角形的区域)。
交叉点与分叉点的具体识别过程为:
交汇区域是由多段截取边缘组成,其边数大于等于三,若交汇区域的边数等于3,则判定其为分叉区域,其内存在分叉点;若交汇区域的边数大于三,则计算组成交汇区域的每条边缘上各点的曲率,计算相邻点曲率之差,获取同一条边缘上计算出的所有相邻点曲率差值的最大值与最小值之差,将该最大值与最小值的差值进行归一化,并求交汇区域所有边缘的该归一化差值的均值,此均值越趋近于1,越说明该交汇区域属于交叉区域,此均值越趋近于0,越说明该交汇区域属于分叉区域;本实施例设置阈值为0.5,在具体应用中,该阈值实施者可自行设定,当交汇区域所有边缘的该归一化差值的均值小于0.5时,则判定该交汇区域为分叉区域,当交汇区域所有边缘的该归一化差值的均值大于等于0.5时,则判定该交汇区域为交叉区域;经过上述处理,完成了对所有交汇区域的判别,接下来对于分叉区域:本实施例将分叉交汇区域内距离各交汇区域边缘距离相等的点作为交汇区域中心点,定义该中心为分叉点。
至此,对于在一个视点获得的血管减影图像,获得了其上的非交汇血管中轴点、各交叉区域和各分叉区域的中心点(分叉点)。
步骤S3,对于任一视点下的血管减影图像中的任一分叉点:根据该分叉点所在的交汇区域中像素点的灰度均值和与该分叉点所在的交汇区域相连的各血管中轴段上的中轴点的灰度均值,计算该分叉点的可信度;将与该分叉点相连的各血管中轴段划分成预设个数的等份,根据各分割点对应的血管直径,得到该分叉点对应的多个匹配特征序列。
由于待检测的血管组织的血管减影图像中交叉区域存在较大的重叠性,因此本实施例不选择交叉区域的特征作为匹配特征;而分叉点本身包含着血管组织拓扑结构的信息,因此需要对分叉区域的可信度进行计算。若在一个视点处获得的血管减影图像中的分叉区域存在着由结构引起的遮挡,(血管中轴是一条线,但血管组织本身是圆管状的,减影后也存在着由于遮挡引起的灰度值大小不一的情况。)使得血管中轴相对于视点是竖直的,即顺着视点方向延伸的,当分叉点也正好处在遮挡区域之中时,分叉点所在的交汇区域内的像素灰度值应与该分叉点相连的一条血管组织上的中轴点的灰度值相似,且小于其它未被遮挡的血管中轴点的灰度值。基于此,本实施例根据血管减影图像中各分叉点邻近的中轴点的信息计算各分叉点的可信度,分叉点的可信度与其所处的交汇区域有关。
首先计算该分叉点所在的交汇区域内所有点(血管组织点)的灰度均值,同时计算与该分叉点相连的各血管中轴段上的中轴点的灰度均值;然后根据该分叉点所在的交汇区域内所有点的灰度均值和与该分叉点相连的各血管中轴段上的中轴点的灰度均值,计算分叉点的可信度,即:
其中,为分叉点的可信度,为与分叉点相连的血管中轴段的数量,为血管减影图像上血管区域内最大的灰度值,为与分叉点相连的第个血管中轴段上的中轴点的灰度均值。为一个归一化数值,其越趋近于1,说明分叉点越可信,其越趋近于0,说明分叉点越不可信,说明其越处在被遮挡的区域。
对于与分叉点所在交汇区域相连的任一血管中轴段,将其平均分成份,则获得个分割点(包含血管中轴段的两个端点),将这个分割点按照距离分叉点由近到远的排列并以其对应的血管直径作为序列中的元素值,构建该血管中轴段对应的一个长度为的血管直径序列;采用上述方法,得到与分叉点所在交汇区域相连的所有血管中轴段对应的血管直径序列。因此,对于分叉点,其一共对应个长度为的血管直径序列,本实施例以这些序列作为分叉点的匹配特征,即得到了分叉点对应的多个匹配特征序列。
至此,采用上述方法,得到了所有视角下的血管减影图像中所有分叉点的可信度以及所有分叉点对应的匹配特征序列。
步骤S4,根据任意两个视点下的血管减影图像中各分叉点对应的多个匹配特征序列,得到各分叉点匹配点对;以各分叉点匹配点对中两个分叉点的可信度的均值作为三维重建时对应分叉点对应的可信度;根据各分叉点匹配点对中两个分叉点的可信度和各分叉点匹配点对中两个分叉点到与其所在的交汇区域相连的各血管中轴段上的中轴点的长度,计算三维重建时各中轴点的可信度。
根据血管减影图像和中各分叉点的匹配特征以及可信度重建一个血管中轴三维点云数据,该血管中轴点云数据上各点对应一个可信度。根据立体匹配规则,需要在和中分别寻找一个点,作为两张图像上的一对匹配点对,根据匹配点对进行三维重建。
寻找匹配点对的具体过程如下:
对于血管减影图像中的一个分叉点,将其记为目标分叉点,在血管减影图像中的所有分叉点中寻找到一个分叉点与其匹配。本实施例首先根据极线约束以及匹配分叉点对中的匹配特征序列数应相同的条件,初步筛选出中与目标分叉点匹配的分叉点组成的候选集合,若此步骤获得的候选集合为空,则判定目标分叉点在中无匹配点;若候选集合非空,则判定候选集合中存在与目标分叉点相匹配的分叉点,计算目标分叉点与候选集合中每个候选分叉点的匹配特征相似度,选择候选集合中与目标点分叉点最相似的一个候选分叉点作为匹配结果,获得一对匹配点对。极线约束为现有技术,此处不再赘述。
上述步骤中两个分叉点的匹配特征的相似度计算方式如下:
由于目标分叉点与候选集合中的所有分叉点的匹配特征序列数均相同,也即两个匹配特征序列的序列个数相同,则对于任一目标分叉点,计算其与一个候选分叉点的匹配特征的相似度,即计算这些匹配特征序列的相似度。本实施例假设目标分叉点的匹配特征序列数为3,即目标分叉点一共有3个匹配特征序列,此时其候选集合中的候选分叉点也都是匹配特征序列数为3的分叉点,要想衡量目标分叉点与候选分叉点之间的相似度就需要计算二者的匹配特征序列之间的相似度,计算方式如下:
其中,为目标分叉点的第个匹配特征序列与候选集合中任一候选分叉点的第个匹配特征序列的相似度,为目标分叉点的第个匹配特征序列中第个元素的值,为候选分叉点的第个匹配特征序列中第个元素的值,为每个序列中元素的总个数(即目标分叉点的第个匹配特征序列中元素的总个数或候选分叉点的第个匹配特征序列中元素的总个数),为目标分叉点的第个匹配特征序列和候选分叉点的第个匹配特征序列中元素的最大值,为目标分叉点的第个匹配特征序列和候选分叉点的第个匹配特征序列中元素的最小值;为一个归一化的数据,其值越趋近于1,说明序列和序列越相似,其值越趋近于0,说明序列和序列越不相似。
采用上述方法,得到该目标分叉点对应的序列中的任一序列和候选集合中任一候选分叉点对应的序列中的任一序列之间的相似度,然后基于最大相似度期望对上述序列进行一一匹配,获得一种可以使两个序列一一对应同时其相似度最大的连线方法;此时,计算出所有序列间相似度的均值,并将该均值作为目标分叉点与候选分叉点的最终相似度。
至此,以上述方式对每个目标分叉点在其候选分叉点集合中寻找匹配点对。获取最终的分叉点匹配点对。
本实施例在上述步骤得到了血管减影图像和血管减影图像中对应的分叉点匹配点对,接下来本实施例基于匹配结果结合立体成像的原理对其进行三维重建,以分叉点匹配点对中的两个分叉点对应的可信度均值作为三维重建时对应分叉点对应的可信度;其它中轴点利用连续性约束也可获取三维重建后的点,具体的,在前面步骤中已得到了所有分叉点的可信度,对于任一分叉点匹配点对:获取这两个分叉点所在的两张血管减影图像中与这两个分叉点所在的交汇区域相连的血管中轴段上的所有中轴点和对应分叉点的长度,基于该分叉点匹配点对中两个分叉点的可信度和所述长度,计算三维重建时各中轴点的可信度,即:
其中,为三维重建时任一中轴点的可信度,为第一张血管减影图像中与该中轴点所在血管段相连的交汇区域中的交叉点的可信度,为第二张血管减影图像中与该中轴点所在血管段相连的交汇区域中的交叉点的可信度,为第一张血管减影图像中该中轴点与对应分叉点的长度,为第二张血管减影图像中该中轴点与对应分叉点的长度;所述对应分叉点为与该中轴点所在血管段相连的交汇区域中的交叉点。
至此,采用上述方法,得到了重建后的三维血管中轴点点云数据上所有点(中轴点和交叉点)的可信度。
步骤S5,根据三维重建时各分叉点对应的可信度和各中轴点的可信度,对各血管中轴三维点云数据进行融合,得到综合血管中轴三维点云数据;根据综合血管中轴三维点云数据和各中轴点对应的血管直径,对待检测血管组织进行三维重建。
根据每个血管中轴三维点云数据上各血管中轴点的可信度和各分叉点的可信度对所有血管中轴三维点云数据进行融合,获取综合血管中轴三维点云数据,并根据各中轴点对应的血管直径,进行待检测血管组织三维点云模型的重建。
在本实施例中,从多个视点的血管减影图像中选取了两个视点的血管减影图像,以这两张血管减影图像为例,进行了待检测血管组织三维点云模型的重建,在具体应用中,可以选择多个视点下的血管减影图像,获得多个三维点云数据,将所有三维点云数据中每个分叉点和每个中轴点的可信度进行累加并排序,在点云融合时优先将可信度累加和高的点设为匹配点,进行三维点云数据融合,获得综合血管中轴三维点云数据,在具体应用中,实施者可自行设定可信度阈值,将可信度大于可信度阈值的点作为匹配点,进行三维点云数据融合,获得综合血管中轴三维点云数据;根据获得的综合血管中轴三维点云数据,根据其上每个血管中轴点对应的血管直径构建血管组织模型,实现待检测血管组织的三维重建。现有技术在对待检测血管组织进行三维点云数据融合时,将血管的分叉点作为匹配点,未考虑到遮挡情况对分叉点的干扰,影响最终待检测血管组织三维模型的重建精度,而本实施例将可信度高的点作为三维点云数据融合时的匹配点,排除了遮挡情况的干扰,提高了待检测血管组织三维模型的重建精度。三维点云数据融合为现有技术,此处不再赘述。
本实施例首先获取了待检测血管组织在不同视点下的血管减影图像中的血管区域,考虑到待检测的血管组织的血管减影图像中交叉区域存在较大的重叠性,本实施例不选择交叉区域的特征作为匹配特征,而分叉点本身包含着血管组织拓扑结构的信息,本实施例对分叉区域中的分叉点的可信度进行计算,然后本实施例根据与各分叉点相连的各血管的直径,构建各分叉点对应的多个匹配特征序列,根据任意两个视点下的血管减影图像中各分叉点对应的多个匹配特征序列,得到各分叉点匹配点对;以各分叉点匹配点对中两个分叉点的可信度的均值作为三维重建时对应分叉点对应的可信度;根据各分叉点匹配点对中两个分叉点的可信度和各分叉点匹配点对中两个分叉点到与其所在的交汇区域相连的各血管中轴段上的中轴点的长度,计算三维重建时各中轴点的可信度;接着根据三维重建时各分叉点对应的可信度和各中轴点的可信度,对各血管中轴三维点云数据进行融合,得到综合血管中轴三维点云数据;根据综合血管中轴三维点云数据和各中轴点对应的血管直径,对待检测血管组织进行三维重建。本实施例在对待检测血管组织进行三维重建时,考虑到了由于血管结构引起的遮挡情况,计算了各分叉点的可信度和各中轴点的可信度,将可信度高的点作为匹配点,再基于中轴点对应的血管直径进行血管组织三维点云模型的重建,提高了重建待检测血管组织的三维模型时的重建精度。
需要说明的是:以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于数据处理的DSA建模点云数据融合处理方法,其特征在于,该方法包括以下步骤:
获取待检测血管组织在不同视点下的血管减影图像中的血管区域;
对于任一视点下的血管减影图像:获取该图像中各血管中轴段上的中轴点和该图像中的各交汇区域;根据各交汇区域的边数和各交汇区域的边缘像素点的曲率,得到各交汇区域的类别;所述类别包括交叉类别和分叉类别;若交汇区域对应的类别为分叉类别,则将对应交汇区域的中心点记为分叉点;
对于任一视点下的血管减影图像中的任一分叉点:根据该分叉点所在的交汇区域中像素点的灰度均值和与该分叉点所在的交汇区域相连的各血管中轴段上的中轴点的灰度均值,计算该分叉点的可信度;将与该分叉点相连的各血管中轴段划分成预设个数的等份,根据各分割点对应的血管直径,得到该分叉点对应的多个匹配特征序列;
根据任意两个视点下的血管减影图像中各分叉点对应的多个匹配特征序列,得到各分叉点匹配点对;以各分叉点匹配点对中两个分叉点的可信度的均值作为三维重建时对应分叉点对应的可信度;根据各分叉点匹配点对中两个分叉点的可信度和各分叉点匹配点对中两个分叉点到与其所在的交汇区域相连的各血管中轴段上的中轴点的长度,计算三维重建时各中轴点的可信度;
根据三维重建时各分叉点对应的可信度和各中轴点的可信度,对各血管中轴三维点云数据进行融合,得到综合血管中轴三维点云数据;根据综合血管中轴三维点云数据和各中轴点对应的血管直径,对待检测血管组织进行三维重建;
所述DSA为数字减影血管造影技术。
2.根据权利要求1所述的基于数据处理的DSA建模点云数据融合处理方法,其特征在于,所述获取待检测血管组织在不同视点下的血管减影图像中的血管区域,包括:
对于待检测血管组织在任一视点下的血管减影图像:
对该血管减影图像进行灰度化处理,得到血管减影灰度图像;
统计所述血管减影灰度图像中各灰度值对应的像素点的数量,根据所述血管减影灰度图像中各灰度值对应的像素点的数量,得到灰度直方图;
根据所述灰度直方图,利用EM算法拟合得到对应的高斯混合模型;所述高斯混合模型中的子高斯模型个数为2;
根据所述高斯混合模型,将所述灰度图像中的像素点划分为背景点和血管组织点,根据血管组织点得到血管区域。
3.根据权利要求1所述的基于数据处理的DSA建模点云数据融合处理方法,其特征在于,所述获取该图像中各血管中轴段上的中轴点和该图像中的各交汇区域,包括:
获取该图像中的血管区域的边缘,对于该图像中的血管区域的任一血管组织点,判断该血管组织点与所述边缘上距离最近的点是否为两个,若是,则判定该血管组织点为中轴点;若不是,则判定该血管组织点不为中轴点;
以各连续获取的中轴点中的距离交汇处最近的中轴点对应的两个最近的血管边缘点截取血管区域边缘;将截取后的边缘点平移至交汇处,构成延长的中轴点,将由延长的中轴点围成的区域作为交汇区域。
4.根据权利要求1所述的基于数据处理的DSA建模点云数据融合处理方法,其特征在于,所述根据各交汇区域的边数和各交汇区域的边缘像素点的曲率,得到各交汇区域的类别,包括:
若交汇区域的边数等于3,则判定对应交汇区域为分叉区域;
若交汇区域的边数大于3,则计算交汇区域各边缘上任意两个相邻点曲率的差值,获取曲率的差值的最大值与最小值之差,将所述曲率的差值的最大值与最小值之差进行归一化处理,得到交汇区域各边缘对应的归一化差值;计算交汇区域各边缘对应的归一化差值的均值;判断所述交汇区域各边缘对应的归一化差值的均值是否小于设定阈值,若小于,则判定对应交汇区域为分叉区域;若大于等于,则判定对应交汇区域为交叉区域。
6.根据权利要求1所述的基于数据处理的DSA建模点云数据融合处理方法,其特征在于,所述根据各分割点对应的血管直径,得到该分叉点对应的多个匹配特征序列,包括:
根据各分割点对应的血管直径,构建各血管中轴段对应的血管直径序列;所述血管直径序列中的各元素为对应血管中轴段的各分割点对应的血管直径;
将与该分叉点相连的各血管中轴段对应的血管直径序列作为该分叉点对应的多个匹配特征序列。
7.根据权利要求1所述的基于数据处理的DSA建模点云数据融合处理方法,其特征在于,根据任意两个视点下的血管减影图像中各分叉点对应的多个匹配特征序列,得到各分叉点匹配点对,包括:
将所述任意两个视点下的血管减影图像中的一个血管减影图像记为第一图像,将所述任意两个视点下的血管减影图像中的另一个血管减影图像记为第二图像;
对于第一图像中的任一分叉点:
将该分叉点记为目标分叉点,根据所述目标分叉点对应的匹配特征序列,采用极线约束,初步筛选出第二图像中与目标分叉点匹配的分叉点;根据所述第二图像中与目标分叉点匹配的分叉点,得到与目标分叉点匹配的候选集合;若候选集合为空,则判定目标分叉点在第二图像中无匹配点;若候选集合非空,则判定候选集合中存在与目标分叉点相匹配的分叉点;
根据目标分叉点对应的各匹配特征序列和候选集合中各候选分叉点对应的各匹配特征序列,计算目标分叉点的各匹配特征序列与候选集合中各候选分叉点的各匹配特征序列的相似度;根据所述相似度,得到第二图像中与该目标分叉点匹配的分叉点,将该目标分叉点和第二图像中与该目标分叉点匹配的分叉点作为一个分叉点匹配点对。
8.根据权利要求7所述的基于数据处理的DSA建模点云数据融合处理方法,其特征在于,采用如下公式计算目标分叉点的各匹配特征序列与候选集合中各候选分叉点的各匹配特征序列的相似度:
10.根据权利要求1所述的基于数据处理的DSA建模点云数据融合处理方法,其特征在于,所述根据三维重建时各分叉点对应的可信度和各中轴点的可信度,对各血管中轴三维点云数据进行融合,得到综合血管中轴三维点云数据,包括:
将可信度大于设定可信度阈值的点作为点云融合时的匹配点,进行三维点云数据的融合,得到综合血管中轴三维点云数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211045079.0A CN115131508B (zh) | 2022-08-30 | 2022-08-30 | 基于数据处理的dsa建模点云数据融合处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211045079.0A CN115131508B (zh) | 2022-08-30 | 2022-08-30 | 基于数据处理的dsa建模点云数据融合处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115131508A CN115131508A (zh) | 2022-09-30 |
CN115131508B true CN115131508B (zh) | 2022-11-25 |
Family
ID=83387077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211045079.0A Active CN115131508B (zh) | 2022-08-30 | 2022-08-30 | 基于数据处理的dsa建模点云数据融合处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115131508B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763642A (zh) * | 2009-12-31 | 2010-06-30 | 华中科技大学 | 一种用于冠脉造影三维重建的匹配方法 |
CN107610773A (zh) * | 2017-09-12 | 2018-01-19 | 北京即刻叁维数据科技股份有限公司 | 一种基于主动脉医学影像的血管夹层辅助诊断方法 |
CN114332285A (zh) * | 2022-03-11 | 2022-04-12 | 首都医科大学附属北京安贞医院 | 一种冠状动脉路径图的生成方法、装置、可读存储介质 |
-
2022
- 2022-08-30 CN CN202211045079.0A patent/CN115131508B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763642A (zh) * | 2009-12-31 | 2010-06-30 | 华中科技大学 | 一种用于冠脉造影三维重建的匹配方法 |
CN107610773A (zh) * | 2017-09-12 | 2018-01-19 | 北京即刻叁维数据科技股份有限公司 | 一种基于主动脉医学影像的血管夹层辅助诊断方法 |
CN114332285A (zh) * | 2022-03-11 | 2022-04-12 | 首都医科大学附属北京安贞医院 | 一种冠状动脉路径图的生成方法、装置、可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115131508A (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Development of a quantitative intracranial vascular features extraction tool on 3 D MRA using semiautomated open‐curve active contour vessel tracing | |
CN110222759B (zh) | 一种冠状动脉易损斑块自动识别系统 | |
US9471989B2 (en) | Vascular anatomy modeling derived from 3-dimensional medical image processing | |
US7742629B2 (en) | System and method for three-dimensional reconstruction of a tubular organ | |
US20170262733A1 (en) | Method and System for Machine Learning Based Classification of Vascular Branches | |
CN111696089A (zh) | 一种动静脉确定方法、装置、设备和存储介质 | |
US20160328855A1 (en) | Method and System for Whole Body Bone Removal and Vascular Visualization in Medical Image Data | |
CN111369528B (zh) | 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法 | |
CN109377458B (zh) | 一种冠脉分割断裂的修复方法及装置 | |
US20140355854A1 (en) | Segmentation of a structure | |
CN111598853B (zh) | 针对肺炎的ct影像评分方法、装置及设备 | |
CN111932554A (zh) | 一种肺部血管分割方法、设备及存储介质 | |
WO2011093921A1 (en) | Automated vascular region separation in medical imaging | |
CN111932497B (zh) | 一种冠状动脉识别方法及装置 | |
KR102395873B1 (ko) | 자동으로 혈관 영상을 처리하는 방법 및 장치 | |
CN113327225A (zh) | 用于提供气道信息的方法 | |
CN113313715B (zh) | 心脏动脉血管的分割方法、分割装置、设备和介质 | |
CN109875595B (zh) | 一种颅内血管状态检测方法及装置 | |
CN115131508B (zh) | 基于数据处理的dsa建模点云数据融合处理方法 | |
Perchet et al. | Advanced navigation tools for virtual bronchoscopy | |
Kang et al. | 3D active vessel tracking using an elliptical prior | |
Zhao et al. | Automatic aortic dissection centerline extraction via morphology-guided CRN tracker | |
CN115908418A (zh) | 一种主动脉ct图像中心线确定方法、系统、设备及介质 | |
CN114998582A (zh) | 一种冠脉血管的分割方法、装置及存储介质 | |
CN115409758A (zh) | 一种从造影图像中综合性量化评估血管狭窄的方法 |
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 |