CN115359051B - 基于图形识别的动脉瘤识别方法 - Google Patents
基于图形识别的动脉瘤识别方法 Download PDFInfo
- Publication number
- CN115359051B CN115359051B CN202211277514.2A CN202211277514A CN115359051B CN 115359051 B CN115359051 B CN 115359051B CN 202211277514 A CN202211277514 A CN 202211277514A CN 115359051 B CN115359051 B CN 115359051B
- Authority
- CN
- China
- Prior art keywords
- developing
- aneurysm
- edge
- development
- 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
- 206010002329 Aneurysm Diseases 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000011161 development Methods 0.000 claims abstract description 105
- 230000005856 abnormality Effects 0.000 claims abstract description 36
- 230000003902 lesion Effects 0.000 claims abstract description 11
- 230000018109 developmental process Effects 0.000 claims description 103
- 238000010586 diagram Methods 0.000 claims description 23
- 239000000203 mixture Substances 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000015624 blood vessel development Effects 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims 2
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 210000004204 blood vessel Anatomy 0.000 description 24
- 238000002583 angiography Methods 0.000 description 4
- 239000002872 contrast media Substances 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000036285 pathological change Effects 0.000 description 3
- 231100000915 pathological change Toxicity 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 201000008450 Intracranial aneurysm Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
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
-
- 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
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/10121—Fluoroscopy
-
- 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
- G06T2207/30016—Brain
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Software Systems (AREA)
- Dentistry (AREA)
- Vascular Medicine (AREA)
- Physiology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及数据识别技术领域,具体涉及基于图形识别的动脉瘤识别方法。该方法是一种应用电子设备进行识别的方法,利用人工智能系统完成对动脉瘤的识别。该方法首先通过DSA造影设备识别得到动脉瘤图像,对动脉瘤图像进行数据处理得到多个显影边缘点对,进一步进行数据处理得到显影边缘点对的异常程度,由异常程度得到异常的显影边缘点对的位置,作为动脉瘤病变位置。本发明通过分析动脉瘤图像中的图形特征数据得到异常的显影边缘点对,进而得到动脉瘤病变位置,在不丢失动脉瘤图像的细节信息的情况下,根据图像的图形特征数据对动脉瘤进行了识别。
Description
技术领域
本发明涉及数据识别技术领域,具体涉及基于图形识别的动脉瘤识别方法。
背景技术
心脑血管系统疾病是一种突发疾病,其中脑动脉瘤等血管瘤疾病更是具有潜伏性、突发性的特点。通常通过血管造影技术,直接在病变附近注入造影剂,可直接观察到病变的部位及其状况。其数字减影血管造影技术(Digital subtraction angiography ,DSA)是医学影像中继X射线CT之后,利用电子计算机与常规X射线血管造影相结合的一项新技术。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,血管在X射线照射下显影,并将显影过程拍摄下来。从显影的结果可以看到血液流动顺序,血管充盈情况从而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图像计算机,通过减影、增强和再成像等操作来获得清晰的纯血管影像,其一般是连续帧的部分动脉瘤图像。
目前,常见的对动脉瘤图像中动脉瘤的识别方法为将动脉瘤图像输入训练好的分割网络实现对动脉瘤图像中动脉瘤的分割。但由于在动脉瘤图像中存在部分动脉瘤区域和血管的显影值差异过小,使得直接使用训练好的分割网络分割动脉瘤难以分割出与血管差异过小的动脉瘤,容易丢失部分细节信息,导致其存在误差,进而影响后续对动脉瘤的识别。
发明内容
为了解决上述技术问题,本发明的目的在于提供基于图形识别的动脉瘤识别方法,所采用的技术方案具体如下:
获取连续帧动脉瘤图像;采集所述连续帧动脉瘤图像中同一位置处像素点对应的灰度值序列;
基于所述灰度值序列中相邻两个灰度值的均值和相邻两个灰度值对应的时间的差值,计算对应的像素点的显影程度;由各像素点的所述显影程度构建显影特征图;根据所述显影特征图中各像素点的梯度幅值大小筛选出显影边缘点;基于多个所述显影边缘点对应的灰度值序列之间的差异,对显影边缘点进行两两匹配得到多个显影边缘点对;
基于所述显影边缘点对中两个显影边缘点的梯度方向的差异,计算所述显影边缘点对所对应的异常程度;所述异常程度大于等于预设异常阈值的显影边缘点对所处的位置,为动脉瘤病变位置。
优选的,所述采集所述连续帧动脉瘤图像中同一位置处像素点对应的灰度值序列,包括:
采集所述连续帧动脉瘤图像中同一位置处像素点的灰度值作为初始灰度值,按照动脉瘤图像采集时间的先后顺序构建对应的初始灰度值序列;
对所述初始灰度值序列中的初始灰度值进行灰度反转,得到反转灰度值和对应的反转灰度值序列;将所述反转灰度值序列作为所述连续帧动脉瘤图像中同一位置处像素点对应的灰度值序列。
优选的,所述基于所述灰度值序列中相邻两个灰度值的均值和相邻两个灰度值对应的时间的差值,计算对应的像素点的显影程度,包括:
所述显影程度的计算公式为:
其中,为连续帧动脉瘤图像中第个像素点对应的显影程度;为连续帧动脉瘤图
像的总帧数;为第帧动脉瘤图像中第个像素点对应的灰度值;为第帧
动脉瘤图像中第个像素点对应的灰度值;为第帧动脉瘤图像对应的采集时间;为第帧动脉瘤图像对应的采集时间。
优选的,所述由各像素点的所述显影程度构建显影特征图,包括:
所述显影特征图中各像素点的像素值为像素点所对应的所述显影程度。
优选的,所述根据所述显影特征图中各像素点的梯度幅值大小筛选出显影边缘点,包括:
获取所述显影特征图中各像素点的梯度幅值和对应的梯度直方图;基于所述梯度直方图,利用EM算法拟合高斯混合模型,所述高斯混合模型包含两个子高斯模型;
将两个子高斯模型按照子高斯模型的均值大小进行升序排列,赋予所述子高斯模型对应的序号;将像素点对应的所述梯度幅值分别输入两个所述子高斯模型得到对应的两个子高斯模型的值,较大子高斯模型的值对应的子高斯模型的序号作为像素点对应的序号,将序号较大的像素点作为高斯混合模型。
优选的,所述基于多个所述显影边缘点对应的灰度值序列之间的差异,对显影边缘点进行两两匹配得到多个显影边缘点对,包括:
连接相邻的所述显影边缘点,得到多个血管显影边缘;
选取任意显影边缘点作为目标边缘点,所述目标边缘点所属的血管显影边缘作为目标边缘;利用动态时间规整算法,计算所述目标边缘点对应的灰度值序列和除所述目标边缘外其他血管显影边缘上各显影边缘点对应的灰度值序列的归整路径距离;选取最小的规整路径距离对应的显影边缘点作为待选边缘点,所述目标边缘点和所述待选边缘点为一对显影边缘点。
优选的,所述基于所述显影边缘点对中两个显影边缘点的梯度方向的差异,计算所述显影边缘点对所对应的异常程度,包括:
连接所述显影边缘点对中两个显影边缘点,得到边缘点连线和对应的连线方向;
分别获取所述显影边缘点对中两个显影边缘点的梯度方向,作为第一梯度方向和第二梯度方向;所述第一梯度方向和所述连线方向的角度差值作为第一角度差,所述第二梯度方向和所述连线方向的角度差值作为第二角度差;
当所述第一角度差和所述第二角度差均为零时,将所述显影边缘点对的异常程度置为零;
当所述第一角度差和所述第二角度差至少有一个不为零时,所述第一角度差和所述第二角度差的差值的绝对值作为第一绝对值,所述第一角度差和所述第二角度差的和作为角度和;所述第一绝对值与所述角度和的比值为所述显影边缘点对的异常程度。
本发明实施例至少具有如下有益效果:
本发明利用各帧动脉瘤图像上各像素点的灰度值序列完整全面的获取了显影点的信息,得到各像素点的显影程度,并构建成一个显影特征图,基于显影特征图进行血管显影边缘的检测,直接将各像素点在整个显影过程中表现出来的灰度值构成灰度值序列,对各像素点的显影程度进行更加整体全面的评价,减少了部分血管区域由于显影剂流动的原因在各帧动脉瘤图像上不明显,进而未被划分为血管区域的情况,避免了存在丢失部分细节的问题;
在得到动脉瘤图像中的显影边缘点对之后,基于显影边缘点对中两个显影边缘点的梯度方向的差异,计算显影边缘点对所对应的异常程度,根据异常程度确定动脉瘤病变位置,直接通过血管显影边缘以及血管本身具有的近似平行的特征来识别动脉瘤。
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为本发明一个实施例所提供的基于图形识别的动脉瘤识别方法的方法流程图。
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基于图形识别的动脉瘤识别方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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。
本发明实施例提供了基于图形识别的动脉瘤识别方法的具体实施方法,该方法适用于动脉瘤识别。该场景下通过DSA造影设备得到动脉瘤图像。为了解决直接使用训练好的分割网络分割动脉瘤难以分割出与血管差异过小的动脉瘤,容易丢失部分细节信息,导致其存在误差,进而影响后续对动脉瘤的识别的问题。本发明通过对动脉瘤图像上各像素点的灰度值序列进行分析得到各像素点的显影程度,构建显影特征图;基于显影特征图中各像素点的梯度幅值实现对血管显影边缘的检测,得到多个显影边缘点对,基于显影边缘点对中两个显影边缘点的梯度方向的差异,计算显影边缘点对所对应的异常程度;根据异常程度确定动脉瘤的病变位置;在不丢失动脉瘤图像的细节信息的情况下,根据像素点的特征数据对动脉瘤进行了识别。
下面结合附图具体的说明本发明所提供的基于图形识别的动脉瘤识别方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于图形识别的动脉瘤识别方法的步骤流程图,该方法包括以下步骤:
步骤S100,获取连续帧动脉瘤图像;采集所述连续帧动脉瘤图像中同一位置处像素点对应的灰度值序列。
利用DSA造影设备,基于DSA减影过程获取连续帧动脉瘤图像,该动脉瘤图像也即通过DSA造影设备得到的图像。其中,DSA减影技术即利用X光照射注入血管中的造影剂,并进行减影操作后获得血管区域灰度图像的技术。减影过程也即为获取连续帧动脉瘤图像的过程。
采集连续帧动脉瘤图像中同一位置处像素点对应的灰度值序列。具体的:采集连续帧动脉瘤图像中同一位置处像素点的灰度值作为初始灰度值,按照动脉瘤图像采集时间的先后顺序构建对应的初始灰度值序列,其中,初始灰度值序列是按照动脉瘤图像采集时间的先后顺序构建的。对初始灰度值序列中的初始灰度值进行灰度反转,得到反转灰度值和对应的反转灰度值序列。将反转灰度值序列作为连续帧动脉瘤图像中相同位置处像素点对应的灰度值序列。通过灰度反转将动脉瘤图像中的血管影像变为高亮,将其他组织背景变为高暗,在进行灰度反转之后,对得到的灰度值序列内的灰度值进行归一化,以便于后续的处理。
常见的方法为将单帧动脉瘤图像中的血管区域利用灰度直方图分割方法在设置灰度阈值之后进行血管区域的分割,这种方式局限于单帧动脉瘤图像的显影效果,而本发明将各帧动脉瘤图像上同一位置的像素点对应的灰度值构建成灰度值序列,由于各帧动脉瘤图像是相同的待测血管组织在不同时刻上获得的动脉瘤图像,因此不同帧动脉瘤图像上同一位置处的像素点的灰度值即表示不同时刻该像素点在各帧动脉瘤图像的灰度值。
步骤S200,基于所述灰度值序列中相邻两个灰度值的均值和相邻两个灰度值对应的时间的差值,计算对应的像素点的显影程度;由各像素点的所述显影程度构建显影特征图;根据所述显影特征图中各像素点的梯度幅值大小筛选出显影边缘点;基于多个所述显影边缘点对应的灰度值序列之间的差异,对显影边缘点进行两两匹配得到多个显影边缘点对。
对于连续帧动脉瘤图像上任意像素点,可以通过对像素点所对应的灰度值序列中每个时刻的灰度值进行评价,进而评价该像素点位置处的显影程度。像素点位置处的显影程度与其在所有时刻对应的灰度值有关,即显影剂在血管中某处出现过的浓度过大,停留时间越长,该位置像素的显影程度就越大,越反映该像素点为血管区域内像素点的概率越大。其浓度可由像素点的灰度值反映,停留时间可由采集动脉瘤图像的时间间隔决定。
连续帧动脉瘤图像中第个像素点对应的显影程度的计算公式为:
其中,为连续帧动脉瘤图像的总帧数;为第帧动脉瘤图像中第个像素点对
应的灰度值;为第帧动脉瘤图像中第个像素点对应的灰度值;为第帧动脉
瘤图像对应的采集时间;为第帧动脉瘤图像对应的采集时间。
像素点对应的灰度值越大,对应的显影程度越大;像素点对应的灰度值越大,相邻帧动脉瘤图像的间隔时间越长,则对应的显影程度越大。通过像素点对应的灰度值序列中灰度值的大小来反映该像素点的显影程度。计算各像素点的显影程度,由各像素点的显影程度构建显影特征图,该显影特征图中各像素点的像素值为像素点所对应的显影程度,该显影特征图和单帧动脉瘤图像的大小相同。
根据显影特征图中各像素点的梯度幅值大小筛选出显影边缘点,具体的:
对于显影特征图,像素点对应的显影程度越大,反映该像素点所处位置越有可能
是血管区域;反之,若像素点不在血管区域内,其对应的显影程度会近似趋近于0,基于这个
逻辑,利用sobel算子计算显影特征图上各像素点的梯度幅值以及梯度方向,分别以
表示,其中梯度方向属于,梯度方向是以垂直向下的方向为0°方向,梯度方向为
一个径向。获取显影特征图中各像素点对应的梯度幅值、梯度方向和对应的梯度直方图,梯
度直方图表示每个梯度幅值在显影特征图上出现的概率。以所有梯度幅值和其对应的出现
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,也即基于梯度直
方图,利用EM算法拟合一维高斯混合模型。在本发明中该一维高斯混合模型中的子高斯模
型数量为2,子高斯模型的数量为自定义数量,在本发明中为了分类出显影边缘点和非显影
边缘点,故设定为了含有两个子高斯模型。即该高斯混合模型包含两个子高斯模型。用高斯
混合模型描述每个灰度值在图像上出现的概率,该概率是由两个子高斯模型的计算结果乘
上其对应的权重得到的。将两个子高斯模型按照子高斯模型的均值大小从小到大进行升序
排列,赋予子高斯模型对应的序号。在本发明中由于高斯混合模型仅含有两个子高斯模型,
故将子高斯模型的均值较小的子高斯模型赋予序号1,将子高斯模型的均值较大的子高斯
模型赋予序号2。
该高斯混合模型的公式为:
其中,为序号为的子高斯模型对应的权重;为序号为的子高斯模型;为
输入的第个像素点的梯度幅值;为序号为的子高斯模型的值乘以其对应权重的
值。
对于一个梯度幅值来说,会对应一共两个,从两个中选取较
大的值,将较大的值对应的子高斯模型的序号作为像素点对应的序号;也即将像素点对应
的梯度幅值分别输入两个子高斯模型得到对应的两个子高斯模型的值,较大子高斯模型的
值对应的子高斯模型的序号作为像素点对应的序号。对每个像素点赋予序号,即每个像素
点对应的序号为1或2,将序号较大的像素点作为高斯混合模型;将序号较小的像素点作为
非高斯混合模型。需要说明的是,将序号较大的像素点作为高斯混合模型是因为显影边缘
点的显影梯度幅值较高,而非显影边缘点的显影梯度幅值较低。
筛选出显影特征图中所有的显影边缘点。将相邻的显影边缘点相连,得到血管显影边缘,将孤立的显影边缘点作为噪声去除,在本发明实施例中将八邻域内均不存在其他显影边缘点的显影边缘点作为孤立的显影边缘点。由于显影边缘点在显影特征图和动脉瘤图像中的位置相同,故可将显影特征图中的血管显影边缘映射至动脉瘤图像中,也即血管显影边缘在显影特征图中和动脉瘤图像中的位置相同,在动脉瘤图像中同样的将孤立的显影边缘点当作噪声去除。
对于血管显影边缘上各显影边缘点,由于显影剂在血管中流动时,流经血管壁时具有最相似灰度值序列的两个像素点应当分别位于血管两侧边缘上,灰度值序列包含了显影剂在血管区域内流动的时序特征,也即流经血管区域各处的先后顺序信息。也即显影剂同时流经血管两侧边缘上的两个显影边缘点时,这两个显影边缘点可作为血管两侧边缘的同时显影的显影边缘点对。由此,基于多个显影边缘点对应的灰度值序列之间的差异,对显影边缘点进行两两匹配得到多个显影边缘点对。具体的:
选取任意显影边缘点作为目标边缘点a,将目标边缘点a所属的血管显影边缘作为目标边缘。利用动态时间规整算法,计算目标像素点与目标边缘点a不直接相连或者间接相连的显影边缘点对应的两个灰度值序列的归整路径距离,也即计算目标像素点a对应的灰度值序列和除目标边缘外其他血管显影边缘上各显影边缘点对应的灰度值序列的归整路径距离。需要说明的是,除目标像素点所属的目标边缘外,其他血管显影边缘上的每个显影边缘点均与目标像素点有一个对应的归整路径距离。选取最小的归整路径距离对应的显影边缘点作为待选边缘点,目标像素点和待选边缘点为一对显影边缘点对。在组成一对显影边缘点对之后,将显影边缘点对内的两个显影边缘点标记为已配对,对其他未配对的显影边缘点同样进行该匹配操作。需要说明的是,一个显影边缘点可以与多个点同时配对,这是由于在一些血管弯曲处,显影边缘点也不是完全一一对应的,但显影剂流经时存在近似的同时性,因此可以进行一对多的配对。对所有非孤立的显影边缘点进行配对,直到所有的非孤立的显影边缘点均被标记为已配对。经过该匹配过程,获得所有配对好的显影边缘点对。
步骤S300,基于所述显影边缘点对中两个显影边缘点的梯度方向的差异,计算所述显影边缘点对所对应的异常程度;所述异常程度大于等于预设异常阈值的显影边缘点对所处的位置,为动脉瘤病变位置。
由于正常的血管两侧血管壁是近似平行或近似对称的,故血管显影边缘也应该是
近似平行或者近似对称的,因此若一对显影边缘点对是正常血管边缘上的两点,组成显影
边缘点对的两点的连线方向与两个显影边缘点本身的梯度方向之间差异应该相同。也即显
影边缘点对中两点本身的显影梯度方向与两点的连线方向可构成两个方向偏差,而这两个
方向偏差之间的差异若相差很小,则可反映该显影边缘点对越属于正常;反之,这两个方向
偏差之间的差异越大,越反映两个显影边缘点越不符合平行性以及对称性。以表示第个
同时显影边缘点对的显影梯度方向偏差差异,连接显影边缘点对中两个显影边缘点,得到
边缘点连线和对应的连线方向,该连线方向与水平方向构成的夹角的范围属于,表
示第个显影边缘点对上两点的连线方向;分别获取显影边缘点对中两个显影边缘点的梯
度方向,作为第一梯度方向和第二梯度方向,分别表示组成第个显影边缘点对上显
影边缘点本身的梯度方向;第一梯度方向和连线方向的角度差值作为第一角度差,第二梯
度方向和连线方向的角度差值作为第二角度差,则以角度差表示梯度方向与连线方
向之间的方向差异,以角度差表示梯度方向与连线方向之间的方向差异,方向
差异为两个径向之间的差异,故第一角度差和第二角度差均为锐角,取值范围为。需要
说明的是,存在第一角度差和第二角度差均为0的情况,当第一角度差和第二角度差均为0
时,认为第一角度差和第二角度差之间的差异为0,则反映两个显影边缘点的梯度幅值方向
相同,符合平行性;故将第一角度差和第二角度差均为0时,将该显影边缘点对的异常程度
置为0。
当第一角度差和第二角度差至少有一个不为0时,在得到第一角度差和第二角度差之后,将二者基于取值范围进行归一化处理,将第一角度差和第二角度差更新为归一化后的数值。以第一角度差和第二角度差的差值的绝对值作为第一绝对值,第一角度差和第二角度差的和作为角度和;第一绝对值与角度和的比值为显影边缘点对的异常程度。
该第个显影边缘点对所对应的异常程度的计算公式为:
其中,为第p个显影边缘点对的第一角度差;为第p个显影边缘点对的第二
角度差;为第一绝对值;为角度和。
该异常程度越趋近于1,反映第一角度差和第二角度差之间的差异越大,该显影边
缘点对越异常;反之,异常程度越趋近于0,反映第一角度差和第二角度差之间的差异越小,
该显影边缘点对越正常。该异常程度的取值范围为获取每个显影边缘点对所对应的
异常程度。异常程度大于等于预设异常阈值的显影边缘点对所处的位置,为动脉瘤病变位
置;也即当异常程度大于等于预设异常阈值时,反映该显影边缘点对存在病变异常,标记该
显影边缘点对所处的位置为动脉瘤病变位置,完成动脉瘤识别。在本发明实施例中预设异
常阈值的取值为0.2,在其他实施例中实施者可根据实际情况调整该取值。
综上所述,本发明涉及数据识别领域。该方法首先获取连续帧动脉瘤图像;采集连续帧动脉瘤图像中同一位置处像素点对应的灰度值序列;基于灰度值序列中相邻两个灰度值的均值和相邻两个灰度值对应的时间的差值,计算对应的像素点的显影程度;由各像素点的显影程度构建显影特征图;根据显影特征图中各像素点的梯度幅值大小筛选出显影边缘点;基于多个显影边缘点对应的灰度值序列之间的差异,对显影边缘点进行两两匹配得到多个显影边缘点对;基于显影边缘点对中两个显影边缘点的梯度方向的差异,计算显影边缘点对所对应的异常程度;异常程度大于等于预设异常阈值的显影边缘点对所处的位置,为动脉瘤病变位置。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
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 (3)
1.基于图形识别的动脉瘤识别方法,其特征在于,该方法包括以下步骤:
获取连续帧动脉瘤图像;采集所述连续帧动脉瘤图像中同一位置处像素点对应的灰度值序列;
基于所述灰度值序列中相邻两个灰度值的均值和相邻两个灰度值对应的时间的差值,计算对应的像素点的显影程度;由各像素点的所述显影程度构建显影特征图;根据所述显影特征图中各像素点的梯度幅值大小筛选出显影边缘点;基于多个所述显影边缘点对应的灰度值序列之间的差异,对显影边缘点进行两两匹配得到多个显影边缘点对;
基于所述显影边缘点对中两个显影边缘点的梯度方向的差异,计算所述显影边缘点对所对应的异常程度;所述异常程度大于等于预设异常阈值的显影边缘点对所处的位置,为动脉瘤病变位置;
所述基于所述灰度值序列中相邻两个灰度值的均值和相邻两个灰度值对应的时间的差值,计算对应的像素点的显影程度,包括:
所述显影程度的计算公式为:
其中,为连续帧动脉瘤图像中第个像素点对应的显影程度;为连续帧动脉瘤图像
的总帧数;为第帧动脉瘤图像中第个像素点对应的灰度值;为第
帧动脉瘤图像中第个像素点对应的灰度值;为第帧动脉瘤图像对应的采集时间;
为第帧动脉瘤图像对应的采集时间;
所述由各像素点的所述显影程度构建显影特征图,包括:
所述显影特征图中各像素点的像素值为像素点所对应的所述显影程度;
所述根据所述显影特征图中各像素点的梯度幅值大小筛选出显影边缘点,包括:
获取所述显影特征图中各像素点的梯度幅值和对应的梯度直方图;基于所述梯度直方图,利用EM算法拟合高斯混合模型,所述高斯混合模型包含两个子高斯模型;
将两个子高斯模型按照子高斯模型的均值大小进行升序排列,赋予所述子高斯模型对应的序号;将像素点对应的所述梯度幅值分别输入两个所述子高斯模型得到对应的两个子高斯模型的值,较大子高斯模型的值对应的子高斯模型的序号作为像素点对应的序号,将序号较大的像素点作为高斯混合模型;
所述基于所述显影边缘点对中两个显影边缘点的梯度方向的差异,计算所述显影边缘点对所对应的异常程度,包括:
连接所述显影边缘点对中两个显影边缘点,得到边缘点连线和对应的连线方向;
分别获取所述显影边缘点对中两个显影边缘点的梯度方向,作为第一梯度方向和第二梯度方向;所述第一梯度方向和所述连线方向的角度差值作为第一角度差,所述第二梯度方向和所述连线方向的角度差值作为第二角度差;
当所述第一角度差和所述第二角度差均为零时,将所述显影边缘点对的异常程度置为零;
当所述第一角度差和所述第二角度差至少有一个不为零时,所述第一角度差和所述第二角度差的差值的绝对值作为第一绝对值,所述第一角度差和所述第二角度差的和作为角度和;所述第一绝对值与所述角度和的比值为所述显影边缘点对的异常程度。
2.根据权利要求1所述的基于图形识别的动脉瘤识别方法,其特征在于,所述采集所述连续帧动脉瘤图像中同一位置处像素点对应的灰度值序列,包括:
采集所述连续帧动脉瘤图像中同一位置处像素点的灰度值作为初始灰度值,按照动脉瘤图像采集时间的先后顺序构建对应的初始灰度值序列;
对所述初始灰度值序列中的初始灰度值进行灰度反转,得到反转灰度值和对应的反转灰度值序列;将所述反转灰度值序列作为所述连续帧动脉瘤图像中同一位置处像素点对应的灰度值序列。
3.根据权利要求1所述的基于图形识别的动脉瘤识别方法,其特征在于,所述基于多个所述显影边缘点对应的灰度值序列之间的差异,对显影边缘点进行两两匹配得到多个显影边缘点对,包括:
连接相邻的所述显影边缘点,得到多个血管显影边缘;
选取任意显影边缘点作为目标边缘点,所述目标边缘点所属的血管显影边缘作为目标边缘;利用动态时间规整算法,计算所述目标边缘点对应的灰度值序列和除所述目标边缘外其他血管显影边缘上各显影边缘点对应的灰度值序列的归整路径距离;选取最小的规整路径距离对应的显影边缘点作为待选边缘点,所述目标边缘点和所述待选边缘点为一对显影边缘点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211277514.2A CN115359051B (zh) | 2022-10-19 | 2022-10-19 | 基于图形识别的动脉瘤识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211277514.2A CN115359051B (zh) | 2022-10-19 | 2022-10-19 | 基于图形识别的动脉瘤识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115359051A CN115359051A (zh) | 2022-11-18 |
CN115359051B true CN115359051B (zh) | 2023-12-15 |
Family
ID=84008178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211277514.2A Active CN115359051B (zh) | 2022-10-19 | 2022-10-19 | 基于图形识别的动脉瘤识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115359051B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883824A (zh) * | 2021-01-28 | 2021-06-01 | 重庆邮电大学 | 一种用于智能采血的手指静脉特征识别装置及其识别方法 |
CN114170143A (zh) * | 2021-11-11 | 2022-03-11 | 复旦大学 | 数字减影血管造影中的动脉瘤检测和破裂风险预测方法 |
CN114359288A (zh) * | 2022-03-22 | 2022-04-15 | 珠海市人民医院 | 基于人工智能的医学影像脑动脉瘤检测和定位方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825235B (zh) * | 2016-03-16 | 2018-12-25 | 新智认知数据服务有限公司 | 一种基于多特征图深度学习的图像识别方法 |
CN108703764B (zh) * | 2018-05-29 | 2021-11-05 | 北京东软医疗设备有限公司 | 血管造影方法、装置、系统、设备及存储介质 |
CN109493348B (zh) * | 2018-10-26 | 2021-11-26 | 强联智创(北京)科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
CN110974415B (zh) * | 2019-12-19 | 2020-10-30 | 向欣 | 一种动脉瘤容积的三维造影动脉瘤形态数据库建立方法 |
CN111445478B (zh) * | 2020-03-18 | 2023-09-08 | 吉林大学 | 一种用于cta图像的颅内动脉瘤区域自动检测系统和检测方法 |
-
2022
- 2022-10-19 CN CN202211277514.2A patent/CN115359051B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883824A (zh) * | 2021-01-28 | 2021-06-01 | 重庆邮电大学 | 一种用于智能采血的手指静脉特征识别装置及其识别方法 |
CN114170143A (zh) * | 2021-11-11 | 2022-03-11 | 复旦大学 | 数字减影血管造影中的动脉瘤检测和破裂风险预测方法 |
CN114359288A (zh) * | 2022-03-22 | 2022-04-15 | 珠海市人民医院 | 基于人工智能的医学影像脑动脉瘤检测和定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115359051A (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8244012B2 (en) | Computer aided detection of pulmonary embolism with local characteristic features in CT angiography | |
Wimmer et al. | A generic probabilistic active shape model for organ segmentation | |
Chen et al. | 3D intracranial artery segmentation using a convolutional autoencoder | |
EP1465109A2 (en) | Method for automated analysis of digital chest radiographs | |
CN113177943B (zh) | 一种脑卒中ct影像分割方法 | |
JP2007307358A (ja) | 画像処理方法および装置ならびにプログラム | |
TW201903708A (zh) | 數位減影血管攝影圖像的分析方法與系統 | |
CN108038513A (zh) | 一种肝脏超声图像的特征分类方法 | |
CN109949280B (zh) | 图像处理方法、装置、设备存储介质及生长发育评估系统 | |
CN104616289A (zh) | 一种3d ct图像中骨组织的移除方法及系统 | |
Chen et al. | A lung dense deep convolution neural network for robust lung parenchyma segmentation | |
CN116934743B (zh) | 医学影像肿瘤恶性风险评估方法、系统、设备和存储介质 | |
Jerman et al. | Computer-aided detection and quantification of intracranial aneurysms | |
KR102043829B1 (ko) | 병변 발생 시점 추정 방법, 장치 및 프로그램 | |
CN112784928A (zh) | Dsa影像识别方法、装置及存储介质 | |
CN115187566A (zh) | 基于mra影像的颅内动脉瘤检测方法及装置 | |
CN112819800A (zh) | Dsa影像识别方法、装置及存储介质 | |
Banerjee et al. | A CADe system for gliomas in brain MRI using convolutional neural networks | |
CN109009000A (zh) | 一种主动脉夹层破口位置的检测方法 | |
CN110136107B (zh) | 基于dssd和时域约束x光冠脉造影序列自动分析方法 | |
CN116862930B (zh) | 适用于多模态的脑血管分割方法、装置、设备和存储介质 | |
CN113724203B (zh) | 应用于oct图像中目标特征分割的模型训练方法及装置 | |
CN115359051B (zh) | 基于图形识别的动脉瘤识别方法 | |
CN117333667A (zh) | 一种脑部ct图像出血区域自动分割方法及系统 | |
US20230115927A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231215 Address after: Room 103-16, Building 19, No. 1399 Liangmu Road, Cangqian Street, Yuhang District, Hangzhou City, Zhejiang Province, 310000 Patentee after: Aomingcheng (Hangzhou) Biotechnology Co.,Ltd. Address before: No. 108, Dayu West Road, Zhangjian Industrial Park, Dayu Town, Rudong County, Nantong City, Jiangsu Province, 226000 Patentee before: Jiangsu nuoyang Home Technology Co.,Ltd. |
|
TR01 | Transfer of patent right |