CN115375719A - 一种血管图像分割方法及装置 - Google Patents
一种血管图像分割方法及装置 Download PDFInfo
- Publication number
- CN115375719A CN115375719A CN202210992487.0A CN202210992487A CN115375719A CN 115375719 A CN115375719 A CN 115375719A CN 202210992487 A CN202210992487 A CN 202210992487A CN 115375719 A CN115375719 A CN 115375719A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- image
- point
- preliminary
- enhanced
- 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.)
- Pending
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 408
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003709 image segmentation Methods 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 60
- 238000001914 filtration Methods 0.000 claims abstract description 53
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000000877 morphologic effect Effects 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 12
- 230000007797 corrosion Effects 0.000 claims description 11
- 238000005260 corrosion Methods 0.000 claims description 11
- 230000002708 enhancing effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 9
- 238000007781 pre-processing Methods 0.000 description 8
- 230000009467 reduction Effects 0.000 description 8
- 238000010606 normalization Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000002583 angiography Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 238000002203 pretreatment Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000002792 vascular Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000000608 laser ablation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
- 238000012800 visualization 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
- G06T7/10—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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
- G06T2207/20041—Distance transform
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种血管图像分割方法及装置,该方法包括:利用多尺度滤波对待处理医学影像进行增强处理,得到增强血管图像,以及所述增强血管图像中各像素点处的预测血管方向;对所述增强血管图像进行阈值分割以及形态学处理,获取初步血管模型及其初步中心线;利用所述增强血管图像中各像素点处的预测血管方向对所述初步中心线进行延伸,得到优化中心线;在所述增强血管图像中以所述优化中心线为基础,利用区域增长算法得到优化血管模型。本发明对不同直径的血管进行了增强,提取并优化了血管中心线,优化中心线上的每一点都属于血管点,通过优化中心线提供了大量、准确的种子点,进而通过区域增长法得到了全面准确的血管模型。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及一种血管图像分割方法及装置。
背景技术
血管疾病尤其是心脑血管疾病,已经成为了威胁人类生命安全的主要疾病之一。在外科手术过程中,良好三维血管的可视化效果对于相关手术的成功实施十分重要。例如,在肿瘤切除手术、激光消融手术等过程中,需要对病灶周围血管分布、血管结构、走向以及半径有一个清晰的了解。
对于血管影像的分割,现有技术中通常基于阈值对医学影像进行分割处理得到血管点,然而,其分割阈值难以确定,而且血管(尤其是血管边界区域)的分割精度往往不高。因此,需要一种能够快速、精确的从医学影像中分割出血管的技术方案。
发明内容
本发明提供一种血管图像分割方法及装置,用以解决现有技术中血管图像分割精度不高的缺陷。
本发明提供一种血管图像分割方法,包括:
利用多尺度滤波对待处理医学影像进行增强处理,得到增强血管图像,以及所述增强血管图像中各像素点处的预测血管方向;
对所述增强血管图像进行阈值分割以及形态学处理,获取初步血管模型及其初步中心线;
利用所述增强血管图像中各像素点处的预测血管方向对所述初步中心线进行延伸,得到优化中心线;
在所述增强血管图像中以所述优化中心线为基础,利用区域增长算法得到优化血管模型。
根据本发明提供的一种血管图像分割方法,其特征在于,所述利用多尺度滤波对待处理医学影像进行增强处理,得到增强血管图像,以及所述增强血管图像中各像素点处的预测血管方向,包括:
利用多个尺度的滤波器分别对所述待处理医学影像进行滤波处理,得到每一尺度的滤波器对所述待处理医学影像中各像素点的滤波结果以及预测血管方向;
对于所述待处理医学影像的每一像素点,将该像素点的多个尺度的滤波结果中最大的响应值确定为该像素点的最终滤波结果,并将所述最大的响应值对应的预测血管方向作为该像素点处的最终预测血管方向;
根据所述待处理图像的所有像素点的最终滤波结果,生成所述增强血管图像。
根据本发明提供的一种血管图像分割方法,所述对所述增强血管图像进行阈值分割以及形态学处理,获取初步血管模型及其初步中心线,包括:
基于第一强度阈值,对所述增强血管图像进行二值化处理,得到二值化图像;
对所述二值化图像进行连通域分析、筛选,得到所述初步血管模型;
基于形态学对所述初步血管模型进行处理,提取得到所述初步中心线。
根据本发明提供的一种血管图像分割方法,所述第一强度阈值根据所述增强血管图像的像素点的最大强度值按照第一预设比例设定。
根据本发明提供的一种血管图像分割方法,所述对所述二值化图像进行连通域分析、筛选,得到所述初步血管模型,包括:
提取出所述二值化图像中的连通域,并根据预设体积阈值进行筛选,剔除所有连通域中体积小于预设体积阈值的连通域,得到初步血管模型。
根据本发明提供的一种血管图像分割方法,所述基于形态学对所述初步血管模型进行处理,提取得到所述初步中心线,包括:
利用距离变换,和/或,腐蚀算法对所述初步血管模型进行处理,得到所述初步中心线。
根据本发明提供的一种血管图像分割方法,所述利用所述增强血管图像中各像素点处的预测血管方向对所述初步中心线进行延伸,得到优化中心线,包括:
确定所述初步中心线的各个末端点;
对于所述各个末端点中的每一末端点,执行如下操作:
根据第一末端点的预测血管方向,确定相应的第一延伸点;其中,所述第一末端点是所述各个末端点中的任意一个;
判断所述第一末端点与所述第一延伸点之间是否满足预设延伸条件;
在满足所述预设延伸条件的情况下,将所述第一延伸点加入所述初步中心线,得到更新后的中心线,并以所述第一延伸点作为新的末端点执行下一次延伸,直至确定当前分支的最终末端点;
在所述各个末端点所在分支的最终末端点均已确定的情况下,将相应更新后的中心线作为所述优化中心线。
根据本发明提供的一种血管图像分割方法,所述预设延伸条件,包括:
所述第一末端点的预测血管方向与所述第一延伸点的预测血管方向之间的夹角小于预设夹角阈值;
和/或,所述第一末端点在所述增强血管图像中的强度与所述第一延伸点在所述增强血管图像中的强度的比值大于第二预设比例。
根据本发明提供的一种血管图像分割方法,所述在所述增强血管图像中以所述优化中心线为基础,利用区域增长算法得到优化血管模型,包括:
以所述优化中心线为初始血管集合,确定相应的相邻点集合;
对于所述相邻点集合中的每一像素点,确定该像素点的所有邻域点中属于所述初始血管集合的点并计算平均强度值,在该像素点的强度值与所述平均强度值的比值大于第三预设比例的情况下,将该像素点从所述相邻点集合中删除,并加入到所述初始血管集合中;
迭代执行上述过程,直至不再有新的像素点加入所述初始血管集合,并根据更新后的所述初始血管集合确定所述优化血管模型。
根据本发明提供的一种血管图像分割方法,还包括:
对原始脑影像进行预处理,得到所述待处理医学影像;
其中,所述预处理包括以下一项或更多项:
降噪处理,偏移场校正,灰度归一化。
本发明还提供一种血管图像分割装置,包括:
血管增强模块,用于利用多尺度滤波对待处理医学影像进行增强处理,得到增强血管图像,以及所述增强血管图像中各像素点处的预测血管方向;
中心线提取模块,用于对所述增强血管图像进行阈值分割以及形态学处理,获取初步血管模型及其初步中心线;
中心线优化模块,用于利用所述增强血管图像中各像素点处的预测血管方向对所述初步中心线进行延伸,得到优化中心线;
血管优化模块,用于在所述增强血管图像中以所述优化中心线为基础,利用区域增长算法得到优化血管模型。
根据本发明提供的一种血管图像分割装置,所述血管增强模块,包括:
滤波单元,用于利用多个尺度的滤波器分别对所述待处理医学影像进行滤波处理,得到每一尺度的滤波器对所述待处理医学影像中各像素点的滤波结果以及预测血管方向;
确定单元,用于对于所述待处理医学影像的每一像素点,将该像素点的多个尺度的滤波结果中最大的响应值确定为该像素点的最终滤波结果,并将所述最大的响应值对应的预测血管方向作为该像素点处的最终预测血管方向;
汇总单元,根据所述待处理图像的所有像素点的最终滤波结果,生成所述增强血管图像。
根据本发明提供的一种血管图像分割装置,所述中心线提取模块,包括:
二值化单元,用于基于第一强度阈值,对所述增强血管图像进行二值化处理,得到二值化图像;
连通域单元,用于对所述二值化图像进行连通域分析、筛选,得到所述初步血管模型;
提取单元,用于基于形态学对所述初步血管模型进行处理,提取得到所述初步中心线。
根据本发明提供的一种血管图像分割装置,所述第一强度阈值根据所述增强血管图像的像素点的最大强度值按照第一预设比例设定。
根据本发明提供的一种血管图像分割装置,所述连通域单元,进一步用于提取出所述二值化图像中的连通域,并根据预设体积阈值进行筛选,剔除所有连通域中体积小于预设体积阈值的连通域,得到初步血管模型。
根据本发明提供的一种血管图像分割装置,所述提取单元,进一步用于利用距离变换,和/或,腐蚀算法对所述初步血管模型进行处理,得到所述初步中心线。
根据本发明提供的一种血管图像分割装置,所述中心线优化模块,包括:
末梢单元,用于确定所述初步中心线的各个末端点;
延伸单元,用于对于所述各个末端点中的每一末端点,执行如下操作:
根据第一末端点的预测血管方向,确定相应的第一延伸点;其中,所述第一末端点是所述各个末端点中的任意一个;
判断所述第一末端点与所述第一延伸点之间是否满足预设延伸条件;
在满足所述预设延伸条件的情况下,将所述第一延伸点加入所述初步中心线,得到更新后的中心线,并以所述第一延伸点作为新的末端点执行下一次延伸,直至确定当前分支的最终末端点;
更新单元,用于在所述各个末端点所在分支的最终末端点均已确定的情况下,将相应更新后的中心线作为所述优化中心线。
根据本发明提供的一种血管图像分割装置,所述预设延伸条件,包括:
所述第一末端点的预测血管方向与所述第一延伸点的预测血管方向之间的夹角小于预设夹角阈值;
和/或,所述第一末端点在所述增强血管图像中的强度与所述第一延伸点在所述增强血管图像中的强度的比值大于第二预设比例。
根据本发明提供的一种血管图像分割装置,所述血管优化模块,包括:
相邻点单元,用于以所述优化中心线为初始血管集合,确定相应的相邻点集合;
血管点增长单元,用于对于所述相邻点集合中的每一像素点,确定该像素点的所有邻域点中属于所述初始血管集合的点并计算平均强度值,在该像素点的强度值与所述平均强度值的比值大于第三预设比例的情况下,将该像素点从所述相邻点集合中删除,并加入到所述初始血管集合中;
迭代单元,用于迭代执行上述过程,直至不再有新的像素点加入所述初始血管集合,并根据更新后的所述初始血管集合确定所述优化血管模型。
根据本发明提供的一种血管图像分割装置,还包括:
预处理模块,用于对原始脑影像进行预处理,得到所述待处理医学影像;
其中,所述预处理包括以下一项或更多项:
降噪处理,偏移场校正,灰度归一化。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述血管图像分割方法的全部或部分步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述血管图像分割方法的全部或部分步骤。
本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机可执行指令,所述指令在被执行时用于实现如上述任一种所述血管图像分割方法的全部或部分步骤。
本发明提供的一种血管图像分割方法及装置,通过多尺度滤波对待处理医学影像中不同直径的血管进行了增强,使得血管特征更加明显,并且得到了各像素点处的预测血管方向,通过阈值分割以及形态学处理提取了血管的初步中心线,结合各像素点处的预测血管方向延伸了血管中心线得到优化中心线,优化中心线指示了更加全面的血管走向信息(尤其是末端血管的走向信息),并且优化中心线上的每一点都属于血管点,都可以作为血管区域的种子点;相较于现有技术中手动选取有限数量的种子点,本实施例中以优化中心线上的点为基础,提供了大量、准确的种子点,进而结合区域增长法识别、拓展了血管区域,得到了全面、准确的血管模型。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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他的附图。
图1是本发明提供的一种血管图像分割方法示意图;
图2是本发明提供的一种血管图像分割装置的结构示意;
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图3描述本发明的一种血管图像分割方法及装置。
图1是本发明提供的一种血管图像分割方法示意图,如图1所示,该方法包括:
S11、利用多尺度滤波器对待处理医学影像进行增强处理,得到增强血管图像,以及所述增强血管图像中各像素点处的预测血管方向。
具体地,待处理医学影像是包含血管结构的医学影像,医学影像类型可以是增强T1影像、时间飞跃法血管成像(TOF-MRA)影像、相位对比血管成像(PC-MRA)等等,拍摄的可以是脑部血管,心/肺血管,颈部血管,眼底血管等等。
本发明可以对血管进行二维或三维模型重建,以下仅以三维模型重建进行说明。为便于分割出血管像素进行血管模型重建,可以通过滤波器(例如,高斯滤波器)对待处理医学影像进行处理,以增强其中的管状结构特征,抑制其他结构特征及噪声。由于不同尺度因子(滤波器的方差)的滤波器可检测并增强不同粗细的血管,而在影像处理过程中无法对影像数据中血管等结构的尺度进行预估,因此可以通过多个尺度的滤波器进行滤波处理,然后,对于每一像素(二维像素或三维像素,本文中统称为像素),取其多个尺度滤波器的滤波结果中最大的响应值作为该像素的滤波(增强)结果,综合多个尺度的滤波结果得到增强血管图像(即多尺度滤波),通过多尺度滤波可以对医学影像中不同粗细的血管结构均起到增强效果。
另外,还通话多尺度滤波输出每一像素点处曲率变化最小的方向,并将该方向作为该像素点处的预测血管方向。由于在进行图像处理时,并不知道哪些像素点是血管点,哪些是非血管点,因此,对所有的像素点均输出其预测血管方向。这里的预测血管方向是一种假设的方向,如果一个像素点是血管中的像素点,那么,该像素点沿着血管走向的方向的图像强度变化是最小的,此曲率变化最小的方向也就是该像素点处的预测血管方向。
S12、对所述增强血管图像进行阈值分割以及形态学处理,获取初步血管模型及其初步中心线。
具体地,血管区域的像素点与其他组织的像素点涉及的图像强度范围不同,在增强血管图像的基础上通过阈值范围过滤,可以初步分割出血管像素点,得到初步血管模型,然后通过形态学处理(腐蚀等处理)确定其初步中心线。
对于基于阈值的图像分割,其分割阈值难以精确地确定,相应地,通过阈值分割确定出的初步血管模型存在一定误差。对于本方案而言,尽管在初步血管模型的基础上确定出的初步中心线不一定是严格的血管中心线,但是该初步中心线上的点均属于血管像素点,可以以此为基础(作为种子点),通过区域增长法确定出准确的血管区域。
S13、利用所述增强血管图像中各像素点处的预测血管方向,对所述初步中心线进行延伸,得到优化中心线。
血管分割过程中,末端血管的分割精度直接影像到血管分割效果,直接通过形态学确定的中心线存在一定误差,尤其是对于末端直径较小的血管。对此,利用多尺度滤波过程中得到的每一像素的预测血管方向,对初步中心下进行进一步的延伸优化,得到优化中心线,优化中心线更加准确地捕捉了末端血管的走向。
S14、在所述增强血管图像中以所述优化中心线为基础,利用区域增长算法得到优化血管模型。
具体地,以优化中心线作为“初始血管”,优化中心线上的每一点均为血管像素点,利用区域增长算法以“初始血管”为基础拓展血管区域,将与优化中心线中血管像素点满足预设增长条件的像素点加入到血管区域,迭代执行上述血管区域增长过程,直至血管区域不再增加,即得到优化血管模型。
本实施例中通过多尺度滤波对待处理医学影像中不同直径的血管进行了增强,使得血管特征更加明显,并且得到了各像素点处的预测血管方向;通过阈值分割以及形态学处理提取了血管的初步中心线,结合各像素点处的预测血管方向延伸了血管中心线得到优化中心线,优化中心线指示了更加全面的血管走向信息(尤其是末端血管的走向信息),并且优化中心线上的每一点都属于血管像素点,都可以作为血管区域的种子点;相较于现有技术中手动选取有限数量的种子点,本实施例中以优化中心线上的点为基础,提供了大量、准确的种子点,进而结合区域增长法识别、拓展了血管区域,得到了全面、准确的血管模型。
基于上述实施例,在一个实施例中,所述利用多尺度滤波对待处理医学影像进行增强处理,得到增强血管图像,以及所述增强血管图像中各像素点处的预测血管方向,包括:
利用多个尺度的滤波器分别对所述待处理医学影像进行滤波处理,得到每一尺度的滤波器对所述待处理医学影像中各像素点的滤波结果以及预测血管方向;
对于所述待处理医学影像的每一像素点,将该像素点的多个尺度的滤波结果中最大的响应值确定为该像素点的最终滤波结果,并将所述最大的响应值对应的预测血管方向作为该像素点处的最终预测血管方向;
根据所述待处理图像的所有像素点的最终滤波结果,生成所述增强血管图像。
具体地,在人的视觉中,对物体的观察尺度不同,物体的呈现方式也不同,对计算机而言,其无法预知某种尺度的物体结构是有意义的,因此有必要将所有尺度的结构表示出来。具体地,利用多个尺度的滤波器(优选为高斯滤波器,高斯滤波器的方差参数即相应的“尺度”)分别对待处理医学影像进行滤波处理,检测并增强医学影像中的管状结构,得到每一尺度的滤波器对待处理医学影像中各像素点的滤波增强结果。每一尺度的滤波器在检测管状结构时,还能够输出待处理医学影像中各像素点处的预测血管方向,预测血管方向是某一像素点处与其周边像素强度变化最小(即曲率最小)的方向。具体可基于黑塞矩阵(Hessian矩阵)获取,黑塞矩阵是通过对多元函数进行二阶偏导运算进而组装形成的方阵,在三维血管分割中,表现为如下的3×3方阵:
其中,f表示三维的待处理医学影像中的像素强度,H(f)表示黑塞矩阵,x、y、z表示三维坐标分量。
对待处理医学影像中的每一像素点进行黑塞矩阵运算,并求取相应黑塞矩阵的特征值和特征向量,每一黑塞矩阵对应三个特征值及三个特征向量。其中,特征值的绝对值大小代表了曲率变化大小,绝对值最小的特征值对应的特征向量的方向即为曲率最小的方向,也就是相应的预测血管方向。
在生成最终的增强血管图像时,将待处理医学影像的多个尺度的增强结果进行融合,对于待处理医学影像中的每一像素点,取其各个尺度滤波结果中最大的响应值作为该像素点的血管增强结果,并将该最大响应值的对应尺度的滤波器对该像素点的预测血管方向作为最终的预测血管方向,增强血管图像的各像素点的预测血管方向即为方向场。
本实施例中的多尺度滤波通过综合多个尺度的滤波器对不同直径的血管进行增强,加强了待处理医学影像中的血管结构特征,便于实现血管的全面准确分割,此外,还输出了增强血管图像中各像素点处的预测血管方向,为优化血管中心线奠定了基础。
基于上述任一实施例,在一个实施例中,所述对所述增强血管图像进行阈值分割以及形态学处理,获取初步血管模型及其初步中心线,包括:
基于第一强度阈值,对所述增强血管图像进行二值化处理,得到二值化图像;
对所述二值化图像进行连通域分析、筛选,得到所述初步血管模型;
基于形态学对所述初步血管模型进行处理,提取得到所述初步中心线。
具体地,血管像素点和非血管像素点在图像强度上存在差别,可以通过预先设定的第一强度阈值进行处理,将小于第一强度阈值的点作为非血管像素点,将大于第一强度阈值的点认为是血管像素点,初步区分出血管像素点和非血管像素点,得到二值化图像。第一强度阈值根据需求设置,例如,可以是针对增强血管图像中的像素强度设置的,也可以是将增强血管图像归一化后,针对归一化区间设置的。例如将图像强度归一化至[0,1]区间,将第一强度阈值设置为0.001,则归一化强度小于0.001的像素(非血管像素点)被置为0,归一化强度大于0.001的像素(血管像素点)被置为1。
进一步地,在二值化图像的基础上进行连通域分析,去除孤立噪声点,筛选出初步血管模型,然后通过形态学处理(腐蚀等过程)确定其初步中心线。
本实施例中通过第一强度阈值进行二值化处理,初步区分了血管像素点以及非血管像素点,并通过连通域分析、筛选,去除了噪声点,初步获取了血管模型,通过形态学处理初步提取了血管模型的中心线。
基于上述任一实施例,在一个实施例中,所述第一强度阈值根据所述增强血管图像的像素点的最大强度值按照第一预设比例设定。
具体的,由于不同类型的医学影像,不同的成像环境可能导致在医学影像中的血管像素点的强度是不同的,设置固定数值的第一强度阈值难以适应不同类型不同成像环境的医学影像。对此,可以将第一强度阈值根据增强血管图像中像素点的最大强度值按照第一预设比例设定,例如设定为增强血管图像中像素点的最大强度值的1‰。
本实施例中将第一强度阈值按照增强血管图像中像素点的最大强度值按照第一预设比例设定,提升了对不同类型、不同成像环境的医学影像的适应性,提升了初步血管模型的分割效果。
基于上述任一实施例,在一个实施例中,所述对所述二值化图像进行连通域分析、筛选,得到所述初步血管模型,包括:
提取出所述二值化图像中的连通域,并根据预设体积阈值进行筛选,剔除所有连通域中体积小于预设体积阈值的连通域,得到初步血管模型。
具体地,二值化图像中的连通域代表一系列的具有相似近图像强度的相邻像素点,一些噪声点在图像中也显示为体积较小的连通域,通过预设体积阈值进行筛选,可以剔除连通域中体积较小的连通域,得到初步的血管模型。预设体积阈值可以根据经验值进行设置,例如设置为50000个像素点。
本实施例中通过预设体积阈值对各连通域进行筛选,剔除了孤立的噪声点,提升了初步血管模型的精度。
基于上述任一实施例,在一个实施例中,所述基于形态学对所述初步血管模型进行处理,提取得到所述初步中心线,包括:
利用距离变换,和/或,腐蚀算法对所述初步血管模型进行处理,得到所述初步中心线。
具体地,可以通过距离变换提取初步血管模型的中心线:距离变换是指,对于二值图像,将前景像素的值转化为该点到最近的背景点的距离,或将背景像素的值转化为该点到最近的前景点的距离。对于本方案而言,将二值化图像中的血管像素点的值转化为该点到最近的非血管点的距离,然后,根据一系列的最近距离值的最大值组成初步中心线。
还可以利用腐蚀算法提取初步血管模型的中心线:腐蚀算法可以理解为利用一个具有一定体积、形状的结构元素在待处理医学影像内部移动,该结构元素的原点在移动过程中经过的所有可能的位置构成了腐蚀后的结果。每经过一次“腐蚀”,就对初步血管模型进行了一次“缩小”,经过多次腐蚀即可提取出血管模型的初步中心线。
此外还可以综合距离变换和腐蚀算法提取血管模型的初步中心线,综合两种方式提取出的中心线,相互修正。
本实施例中通过距离变换、腐蚀算法,精确地提取出了初步血管模型的初步中心线,初步中心线上的点都属于血管像素点,可以作为血管模型的种子点,初步中心线还能够指示血管的走向信息,可见初步中心线为后续生成优化血管模型提供了大量准确的种子点。
基于上述任一实施例,在一个实施例中,所述利用所述增强血管图像中各像素点处的预测血管方向对所述初步中心线进行延伸,得到优化中心线,包括:
确定所述初步中心线的各个末端点;
对于所述各个末端点中的每一末端点,执行如下操作:
根据第一末端点的预测血管方向,确定相应的第一延伸点;其中,所述第一末端点是所述各个末端点中的任意一个;
判断所述第一末端点与所述第一延伸点之间是否满足预设延伸条件;
在满足所述预设延伸条件的情况下,将所述第一延伸点加入所述初步中心线,得到更新后的中心线,并以所述第一延伸点作为新的末端点执行下一次延伸,直至确定当前分支的最终末端点;
在所述各个末端点所在分支的最终末端点均已确定的情况下,将相应更新后的中心线作为所述优化中心线。
具体地,提取出初步中心线的各分支末端点,以便对各末端点进行延伸优化。对于每一末端点,根据增强血管图像中对于该像素点的预测血管方向,确定该末端点沿其预测血管方向上的延伸点。如果该末端点与延伸点满足预设的延伸条件,则将该延伸点作为该中心线分支的新的末端点,继续进行下一次延伸判断。当各末端点均已延伸完毕,则相应更新后的中心线即为优化后的中心线。末端点与延伸点之间的预设延伸条件根据需求进行预先设置,例如对末端点与延伸点的图像强度关系进行设置。
本实施例中对初步中心线的各个末端点分别结合预设延伸条件进行迭代延伸得到了优化中心,优化中心线上的点都属于血管像素点,可以作为血管模型的种子点,初步中心线还能够指示血管的走向信息,可见初步中心线为后续生成优化血管模型提供了大量、全面、准确的种子点。
基于上述任一实施例,在一个实施例中,所述预设延伸条件,包括:
所述第一末端点的预测血管方向与所述第一延伸点的预测血管方向之间的夹角小于预设夹角阈值;
和/或,所述第一末端点在所述增强血管图像中的强度与所述第一延伸点在所述增强血管图像中的强度的比值大于第二预设比例。
具体地,预设延伸条件可以是末端点的预测血管方向与延伸点的预测血管方向之间的夹角小于预设的夹角阈值,其含义为:我们认为血管中的像素点在其延伸方向(对应预测血管方向)在像素级别上不会发生突变,即延伸方向上相邻的像素点的下一延伸方向不会大幅度地发生改变。预设延伸条件还可以是延伸点在增强血管图像中的图像强度与末端点在增强血管图像中的图像强度的比值大于第二预设比例,即延伸方向上下一相邻的像素点的图像强度不会大幅度地衰减。
基于上述任一实施例,在一个实施例中,所述在所述增强血管图像中以所述优化中心线为基础,利用区域增长算法得到优化血管模型,包括:
以所述优化中心线为初始血管集合,确定相应的相邻点集合;
对于所述相邻点集合中的每一像素点,确定该像素点的所有邻域点中属于所述初始血管集合的点并计算平均强度值,在该像素点的强度值与所述平均强度值的比值大于第三预设比例的情况下,将该像素点从所述相邻点集合中删除,并加入到所述初始血管集合中;
迭代执行上述过程,直至不再有新的像素点加入所述初始血管集合,并根据更新后的所述初始血管集合确定所述优化血管模型。
具体地,优化中心线上的像素点均为血管像素点,且给出了血管的各分支的所在位置,将增强血管图像中属于优化中心线上的像素点作为初始血管集合,并确定与优化中心线上像素点直接相邻的像素点,构成相邻点集合。对于相邻点集合中的每一像素点,确定其邻域范围内所有的邻域点中出现在初始血管集合中的像素点,计算这些点的平均强度值,在该像素点的图像强度与上述平均强度的比值大于第三预设比例的情况下,将该像素点作为血管像素点,从相邻点集合中删除,并加入到初始血管集合中。
迭代执行上述血管区域增长过程,直至不再有新的像素点加入到初始血管集合中,将相应更新后的初始血管集合确定为优化血管模型。需要说明的是,上述迭代过程可以是每当有像素点加入到初始血管集合后,即根据新的血管集合,重新确定其相邻点集合,进行迭代增长;也可以是在当前相邻点集合中的像素点均判断完毕后,才根据相应更新后的初始血管集合重新确定新的相邻点集合,进行下一轮迭代增长。
本实施例中根据优化中线为基础进行血管区域增长,为优化血管模型提供了大量的、分布广泛的基础血管像素点(即种子点),提升了血管模型的分割精度和效率,尤其提升了末端血管的分割精度,通过邻域点的图像强度判断,通过设置合理的区域增长条件精确识别了血管像素点,进一步提升了血管模型的分割精度。
基于上述任一实施例,在一个实施例中,所述邻域点的邻域范围根据需求设置。
具体地,邻域点的领域范围可以设置为3×3×3,也可以设置为5×5×5、7×7×7,领域范围越大,其在判断中心像素点是否为血管像素点时,越多地参考周边像素点。
基于上述任一实施例,在一个实施例中,方法还包括:
对原始脑影像进行预处理,得到所述待处理医学影像;
其中,所述预处理包括以下一项或更多项:
降噪处理,偏移场校正,灰度归一化。
具体地,图像在采集和传输时可能会有像素灰度的突变,为了减少这种突变对后续处理带来的影响,对此,可以对待处理医学医学影像进行降噪处理。例如,利用降噪滤波器(例如曲率滤波、高斯滤波)对待处理医学医学影像进行降噪处理。
此外,在图像采集时,扫描仪中的患者位置,扫描仪本身磁场强度不均匀等因素会导致医学图像上的亮度差异,这些亮度差异会严重影像分割精度。对此,可以对待处理医学医学影像进行偏移场的矫正,避免对分割精度的干扰。
还可以将待处理医学医学影像进行灰度的归一化,将不同设备采集的影像灰度全部缩放至0~1,以方便后续步骤应用。
本实施例中通过降噪处理、偏移场校正、灰度归一化提升了数据处理效率以及血管分割精度。
下面通过一个优选的实施例对本发明提供的血管图像分割方法进行说明:
步骤1、获取原始医学影像I1。
影像影像可以是增强T1影像、时间飞跃法血管成像(TOF-MRA)影像、相位对比血管成像(PC-MRA)等等。
步骤2、对原始医学影像I1进行预处理,得到待处理医学影像I2。
预处理可以包括去噪(曲率去噪、高斯去噪等)、偏移矫正、灰度归一化。
步骤3、利用多尺度血管增强滤波器对待处理医学影像I2进行血管增强,得到增强血管图像I3。
使用基于黑塞矩阵(Hessian)的多尺度血管增强滤波器对I2中的管状结构进行检测、增强,得到增强后的影像I3及各像素点处的预测血管方向,其中,滤波器的参数是自适应的,滤波器参数自适应是指根据当前待处理的血管图像灰度范围自动调整滤波器参数,例如,根据血管图像灰度范围自动调整FrangiC参数(即血管强度常量,用于分割噪声与管状结构)。
步骤4、对增强血管图像I3使用自适应阈值分割和形态学处理,得到初步血管模型I42。
将I3中像素点的最大强度值(滤波响应值)的千分之一确定第一强度阈值thl,计算公式如下:
thl=max(I3)×0.001
对I3使用thl进行二值化处理,大于thl的像素点置为1,不大于thl的像素点置为0,得到二值影像I41。确定I41中所有置为1的像素点组成的多个连通域,去除其中体积小于预设体积阈值的连通域(此部分多为噪声)防止噪声对后续步骤产生影响,得到初步血管模型I42。其中,预设体积阈值通常取50000。
步骤5、对初步血管模型I42进行形态学处理提取初步血管模型I42的初步中心线I5。
具体可以利用距离变换或多次腐蚀的方式提取出初步血管模型I42的初步中心线。
步骤6、将所述利用多尺度血管增强滤波器的性质对初步中心线I5进行延伸,得到I6,。
定位初步中心线I5的所有分支的末端点,用Ω表示末端点的集合。在任一末端点,检验预测血管方向(见步骤3)的下一点是否与该末端点具有相近的方向,同时其强度是否高于自身,满足这两个条件则将该点认为是血管的新末梢位置。
例如,对某一末梢位置点P0,该点预测血管方向为Vec(P0),在I3中的强度为I3(P0),预测血管方向上最近像素点为P1,P1在的预测血管方向为Vec(P1),在I3中的强度为I3(P1),向量Vec(P0)与Vec(P1)的夹角为∠P0P1。
当下述两个条件同时成立时,则将P1也认为是中心线上的一点,同时作为下一次循环检验的P0。否则此分支的末端点停止生长。公式中thlang是一常量,含义是二者同向时,可接受的夹角的最大值。
迭代执行上述过程直到不再有新的像素点被加入中心线,最终得到出优化中心线I6。
步骤7、使用区域增长法,以I6中的优化中心线上的所有点作为种子点,结合增强血管图像I3中对应的各像素点的图像强度进行血管区域进行增长,得到优化血管模型I7。
使用V表示已有的血管点的集合,使用B表示所有背景点中与V直接相邻的背景点的集合。
循环判断:
对B中一各背景点b(b∈B),使用N(b)表示所有与其直接相邻的点(此处,直接相邻可以指以b为中心的一定邻域范围的立方体内所有点),N(b)∩V表示b的相邻点中属于血管点的所有点,使用avg(b)表示N(b)∩V中所有点在I3中的图像强度的平均值,若b点对应在I3中的图像强度I3(b)满足:
I3(b)>ξ×avg(b)
则将b点加入V中,同时更新B。公式中ξ为某小于1的正常数。
直到不再有新的点被加入,此时集合V内所有点构成了血管的掩膜图像,也就是优化血管模型I7。
下面对本发明提供的血管图像分割装置进行描述,下文描述的血管分割装置与上文描述的血管分割方法可相互对应参照。
图2是本发明提供的一种血管图像分割装置的结构示意图,如图2所示,该装置包括:
血管增强模块21,用于利用多尺度滤波对待处理医学影像进行增强处理,得到增强血管图像,以及所述增强血管图像中各像素点处的预测血管方向;
中心线提取模块22,用于对所述增强血管图像进行阈值分割以及形态学处理,获取初步血管模型及其初步中心线;
中心线优化模块23,用于利用所述增强血管图像中各像素点处的预测血管方向对所述初步中心线进行延伸,得到优化中心线;
血管优化模块24,用于在所述增强血管图像中以所述优化中心线为基础,利用区域增长算法得到优化血管模型。
基于上述实施例,在一个实施例中,所述血管增强模块21,包括:
滤波单元,用于利用多个尺度的滤波器分别对所述待处理医学影像进行滤波处理,得到每一尺度的滤波器对所述待处理医学影像中各像素点的滤波结果以及预测血管方向;
确定单元,用于对于所述待处理医学影像的每一像素点,将该像素点的多个尺度的滤波结果中最大的响应值确定为该像素点的最终滤波结果,并将所述最大的响应值对应的预测血管方向作为该像素点处的最终预测血管方向;
汇总单元,根据所述待处理图像的所有像素点的最终滤波结果,生成所述增强血管图像。
基于上述任一实施例,在一个实施例中,所述中心线提取模块22,包括:
二值化单元,用于基于第一强度阈值,对所述增强血管图像进行二值化处理,得到二值化图像;
连通域单元,用于对所述二值化图像进行连通域分析、筛选,得到所述初步血管模型;
提取单元,用于基于形态学对所述初步血管模型进行处理,提取得到所述初步中心线。
基于上述任一实施例,在一个实施例中,所述第一强度阈值根据所述增强血管图像的像素点的最大强度值按照第一预设比例设定。
基于上述任一实施例,在一个实施例中,所述连通域单元,进一步用于提取出所述二值化图像中的连通域,并根据预设体积阈值进行筛选,剔除所有连通域中体积小于预设体积阈值的连通域,得到初步血管模型。
基于上述任一实施例,在一个实施例中,所述提取单元,进一步用于利用距离变换,和/或,腐蚀算法对所述初步血管模型进行处理,得到所述初步中心线。
基于上述任一实施例,在一个实施例中,所述中心线优化模块23,包括:
末梢单元,用于确定所述初步中心线的各个末端点;
延伸单元,用于对于所述各个末端点中的每一末端点,执行如下操作:
根据第一末端点的预测血管方向,确定相应的第一延伸点;其中,所述第一末端点是所述各个末端点中的任意一个;
判断所述第一末端点与所述第一延伸点之间是否满足预设延伸条件;
在满足所述预设延伸条件的情况下,将所述第一延伸点加入所述初步中心线,得到更新后的中心线,并以所述第一延伸点作为新的末端点执行下一次延伸,直至确定当前分支的最终末端点;
更新单元,用于在所述各个末端点所在分支的最终末端点均已确定的情况下,将相应更新后的中心线作为所述优化中心线。
基于上述任一实施例,在一个实施例中,所述预设延伸条件,包括:
所述第一末端点的预测血管方向与所述第一延伸点的预测血管方向之间的夹角小于预设夹角阈值;
和/或,所述第一末端点在所述增强血管图像中的强度与所述第一延伸点在所述增强血管图像中的强度的比值大于第二预设比例。
基于上述任一实施例,在一个实施例中,所述血管优化模块24,包括:
相邻点单元,用于以所述优化中心线为初始血管集合,确定相应的相邻点集合;
血管点增长单元,用于对于所述相邻点集合中的每一像素点,确定该像素点的所有邻域点中属于所述初始血管集合的点并计算平均强度值,在该像素点的强度值与所述平均强度值的比值大于第三预设比例的情况下,将该像素点从所述相邻点集合中删除,并加入到所述初始血管集合中;
迭代单元,用于迭代执行上述过程,直至不再有新的像素点加入所述初始血管集合,并根据更新后的所述初始血管集合确定所述优化血管模型。
基于上述任一实施例,在一个实施例中,装置还包括:
预处理模块,用于对原始脑影像进行预处理,得到所述待处理医学影像;
其中,所述预处理包括以下一项或更多项:
降噪处理,偏移场校正,灰度归一化。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行上述各提供的血管图像分割方法的全部或部分步骤。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各提供的血管图像分割方法的全部或部分步骤。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的血管图像分割方法的全部或部分步骤。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种血管图像分割方法,其特征在于,包括:
利用多尺度滤波对待处理医学影像进行增强处理,得到增强血管图像,以及所述增强血管图像中各像素点处的预测血管方向;
对所述增强血管图像进行阈值分割以及形态学处理,获取初步血管模型及其初步中心线;
利用所述增强血管图像中各像素点处的预测血管方向对所述初步中心线进行延伸,得到优化中心线;
在所述增强血管图像中以所述优化中心线为基础,利用区域增长算法得到优化血管模型。
2.根据权利要求1所述的血管图像分割方法,其特征在于,其特征在于,所述利用多尺度滤波对待处理医学影像进行增强处理,得到增强血管图像,以及所述增强血管图像中各像素点处的预测血管方向,包括:
利用多个尺度的滤波器分别对所述待处理医学影像进行滤波处理,得到每一尺度的滤波器对所述待处理医学影像中各像素点的滤波结果以及预测血管方向;
对于所述待处理医学影像的每一像素点,将该像素点的多个尺度的滤波结果中最大的响应值确定为该像素点的最终滤波结果,并将所述最大的响应值对应的预测血管方向作为该像素点处的最终预测血管方向;
根据所述待处理图像的所有像素点的最终滤波结果,生成所述增强血管图像。
3.根据权利要求1所述的血管图像分割方法,其特征在于,所述对所述增强血管图像进行阈值分割以及形态学处理,获取初步血管模型及其初步中心线,包括:
基于第一强度阈值,对所述增强血管图像进行二值化处理,得到二值化图像;
对所述二值化图像进行连通域分析、筛选,得到所述初步血管模型;
基于形态学对所述初步血管模型进行处理,提取得到所述初步中心线。
4.根据权利要求3所述的血管图像分割方法,其特征在于,所述第一强度阈值根据所述增强血管图像的像素点的最大强度值按照第一预设比例设定。
5.根据权利要求3所述的血管图像分割方法,其特征在于,所述对所述二值化图像进行连通域分析、筛选,得到所述初步血管模型,包括:
提取出所述二值化图像中的连通域,并根据预设体积阈值进行筛选,剔除所有连通域中体积小于预设体积阈值的连通域,得到初步血管模型。
6.根据权利要求3所述的血管图像分割方法,其特征在于,所述基于形态学对所述初步血管模型进行处理,提取得到所述初步中心线,包括:
利用距离变换,和/或,腐蚀算法对所述初步血管模型进行处理,得到所述初步中心线。
7.根据权利要求1所述的血管图像分割方法,其特征在于,所述利用所述增强血管图像中各像素点处的预测血管方向对所述初步中心线进行延伸,得到优化中心线,包括:
确定所述初步中心线的各个末端点;
对于所述各个末端点中的每一末端点,执行如下操作:
根据第一末端点的预测血管方向,确定相应的第一延伸点;其中,所述第一末端点是所述各个末端点中的任意一个;
判断所述第一末端点与所述第一延伸点之间是否满足预设延伸条件;
在满足所述预设延伸条件的情况下,将所述第一延伸点加入所述初步中心线,得到更新后的中心线,并以所述第一延伸点作为新的末端点执行下一次延伸,直至确定当前分支的最终末端点;
在所述各个末端点所在分支的最终末端点均已确定的情况下,将相应更新后的中心线作为所述优化中心线。
8.根据权利要求7所述的血管图像分割方法,其特征在于,所述预设延伸条件,包括:
所述第一末端点的预测血管方向与所述第一延伸点的预测血管方向之间的夹角小于预设夹角阈值;
和/或,所述第一末端点在所述增强血管图像中的强度与所述第一延伸点在所述增强血管图像中的强度的比值大于第二预设比例。
9.根据权利要求1所述的血管图像分割方法,其特征在于,所述在所述增强血管图像中以所述优化中心线为基础,利用区域增长算法得到优化血管模型,包括:
以所述优化中心线为初始血管集合,确定相应的相邻点集合;
对于所述相邻点集合中的每一像素点,确定该像素点的所有邻域点中属于所述初始血管集合的点并计算平均强度值,在该像素点的强度值与所述平均强度值的比值大于第三预设比例的情况下,将该像素点从所述相邻点集合中删除,并加入到所述初始血管集合中;
迭代执行上述过程,直至不再有新的像素点加入所述初始血管集合,并根据更新后的所述初始血管集合确定所述优化血管模型。
10.一种血管图像分割装置,其特征在于,包括:
血管增强模块,用于利用多尺度滤波对待处理医学影像进行增强处理,得到增强血管图像,以及所述增强血管图像中各像素点处的预测血管方向;
中心线提取模块,用于对所述增强血管图像进行阈值分割以及形态学处理,获取初步血管模型及其初步中心线;
中心线优化模块,用于利用所述增强血管图像中各像素点处的预测血管方向对所述初步中心线进行延伸,得到优化中心线;
血管优化模块,用于在所述增强血管图像中以所述优化中心线为基础,利用区域增长算法得到优化血管模型。
11.一种医疗机器人,其特征在于,包括:
主机,可用于执行权利要求1-9任一项所述的血管图像分割方法;
显示设备,与所述主机通信连接,用于显示血管分割结果;
机械臂,与所述主机通信连接,用于根据所述主机的控制指令,执行手术作业。
12.一种计算机程序产品,所述计算机程序产品包括计算机可执行指令,其特征在于,所述指令在被执行时用于实现如权利要求1至9任一项所述血管图像分割方法的全部或部分步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210992487.0A CN115375719A (zh) | 2022-08-18 | 2022-08-18 | 一种血管图像分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210992487.0A CN115375719A (zh) | 2022-08-18 | 2022-08-18 | 一种血管图像分割方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115375719A true CN115375719A (zh) | 2022-11-22 |
Family
ID=84065159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210992487.0A Pending CN115375719A (zh) | 2022-08-18 | 2022-08-18 | 一种血管图像分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115375719A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115186A (zh) * | 2023-10-25 | 2023-11-24 | 高州市人民医院 | 基于区域生长的心血管分割方法 |
CN117557460A (zh) * | 2024-01-12 | 2024-02-13 | 济南科汛智能科技有限公司 | 一种血管造影图像增强方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408453A (zh) * | 2014-09-29 | 2015-03-11 | 北京理工大学 | 基于多特征聚类的近红外皮下静脉分割方法 |
US20150131881A1 (en) * | 2013-11-12 | 2015-05-14 | Siemens Aktiengesellschaft | 2d visualization for rib analysis |
CN107613874A (zh) * | 2015-03-31 | 2018-01-19 | 新加坡科技研究局 | 用于评估血管狭窄的方法和装置 |
CN112184888A (zh) * | 2020-10-10 | 2021-01-05 | 深圳睿心智能医疗科技有限公司 | 三维血管建模的方法及装置 |
CN114119626A (zh) * | 2021-10-18 | 2022-03-01 | 北京理工大学 | 一种基于统计学模型和多尺度滤波的脑血管图像分割方法 |
-
2022
- 2022-08-18 CN CN202210992487.0A patent/CN115375719A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150131881A1 (en) * | 2013-11-12 | 2015-05-14 | Siemens Aktiengesellschaft | 2d visualization for rib analysis |
CN104408453A (zh) * | 2014-09-29 | 2015-03-11 | 北京理工大学 | 基于多特征聚类的近红外皮下静脉分割方法 |
CN107613874A (zh) * | 2015-03-31 | 2018-01-19 | 新加坡科技研究局 | 用于评估血管狭窄的方法和装置 |
CN112184888A (zh) * | 2020-10-10 | 2021-01-05 | 深圳睿心智能医疗科技有限公司 | 三维血管建模的方法及装置 |
CN114119626A (zh) * | 2021-10-18 | 2022-03-01 | 北京理工大学 | 一种基于统计学模型和多尺度滤波的脑血管图像分割方法 |
Non-Patent Citations (3)
Title |
---|
MEYSAM TAVAKOLI ET AL: "《Automated Microaneurysms Detection in Retinal Images Using Radon Transform and Supervised Learning: Application to Mass Screening of Diabetic Retinopathy》", 《IEEE》, 20 April 2021 (2021-04-20) * |
张帆: "《血管中心线提取算法研究》" * |
张帆: "《血管中心线提取算法研究》", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, no. 09 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115186A (zh) * | 2023-10-25 | 2023-11-24 | 高州市人民医院 | 基于区域生长的心血管分割方法 |
CN117115186B (zh) * | 2023-10-25 | 2024-02-02 | 高州市人民医院 | 基于区域生长的心血管分割方法 |
CN117557460A (zh) * | 2024-01-12 | 2024-02-13 | 济南科汛智能科技有限公司 | 一种血管造影图像增强方法 |
CN117557460B (zh) * | 2024-01-12 | 2024-03-29 | 济南科汛智能科技有限公司 | 一种血管造影图像增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563983B (zh) | 图像处理方法以及医学成像设备 | |
CN109741344B (zh) | 血管分割方法、装置、医疗影像设备及存储介质 | |
CN115375719A (zh) | 一种血管图像分割方法及装置 | |
CN108022251B (zh) | 一种管状结构的中心线的提取方法及系统 | |
CN112288786B (zh) | 电子装置及非暂态计算机可读存储介质 | |
CN116236150A (zh) | 基于眼底图像的动静脉血管图像分割方法 | |
CN107633514B (zh) | 一种肺结节周边血管量化评估系统及方法 | |
CN109087310B (zh) | 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 | |
CN111815663A (zh) | 一种基于Hessian矩阵和灰度法的肝血管分割系统 | |
Mudassar et al. | Extraction of blood vessels in retinal images using four different techniques | |
CN115049807B (zh) | 肺部血管模型的建立方法、装置及服务器 | |
CN112396565A (zh) | 静脉穿刺机器人的图像及视频血管增强与分割方法和系统 | |
CN115393239A (zh) | 一种多模态眼底图像配准和融合方法及系统 | |
CN109410181B (zh) | 一种心脏图像分割方法及装置 | |
CN113889238B (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
CN106651981B (zh) | 一种环形伪影修正的方法及装置 | |
CN112862850A (zh) | 数字剪影血管造影影像处理方法及装置 | |
CN109948622A (zh) | 一种头颈体动脉瘤检测方法、装置及计算机可读存储介质 | |
CN112381084B (zh) | 断层图像的轮廓自动识别方法 | |
Tsai et al. | Adaptive segmentation of vessels from coronary angiograms using multi-scale filtering | |
CN111899272A (zh) | 基于耦合神经网络和线连接器的眼底图像血管分割方法 | |
MUSTAFA et al. | Automatic blood vessel detection on retinal image using hybrid combination techniques | |
CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
CN111739026A (zh) | 一种基于血管中心线的黏连割除方法及装置 | |
You et al. | Extraction of samples from airway and vessel trees in 3D lung CT based on a multi-scale principal curve tracing algorithm |
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 |