CN115456950B - 一种穿支血管自动识别和定位方法、设备及存储介质 - Google Patents

一种穿支血管自动识别和定位方法、设备及存储介质 Download PDF

Info

Publication number
CN115456950B
CN115456950B CN202210972708.8A CN202210972708A CN115456950B CN 115456950 B CN115456950 B CN 115456950B CN 202210972708 A CN202210972708 A CN 202210972708A CN 115456950 B CN115456950 B CN 115456950B
Authority
CN
China
Prior art keywords
blood vessel
image data
signal
perforator
dimensional image
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
Application number
CN202210972708.8A
Other languages
English (en)
Other versions
CN115456950A (zh
Inventor
冯少清
喜雯婧
顾坚磊
章一新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ninth Peoples Hospital Shanghai Jiaotong University School of Medicine
Original Assignee
Ninth Peoples Hospital Shanghai Jiaotong University School of Medicine
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ninth Peoples Hospital Shanghai Jiaotong University School of Medicine filed Critical Ninth Peoples Hospital Shanghai Jiaotong University School of Medicine
Priority to CN202210972708.8A priority Critical patent/CN115456950B/zh
Publication of CN115456950A publication Critical patent/CN115456950A/zh
Priority to PCT/CN2023/111224 priority patent/WO2024037358A1/zh
Application granted granted Critical
Publication of CN115456950B publication Critical patent/CN115456950B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种穿支血管自动识别和定位方法、设备及存储介质，其中，方法包括：根据目标穿支，确定扫描方向上的扫描范围，并且提取扫描范围内三维图像数据；对所述三维图像数据进行降维处理得到分层切分图像数据；以所述分层切分图像数据为最小分析单位，通过信噪比动态阈值法筛选出穿支血管信号点；将三维图像数据中相连的所述穿支血管信号点进行三维重建，并通过重建后的信噪比总分筛选出候选穿支血管；根据候选穿支血管对于表皮层和深部肌肉层的相对位置、斜率和深度确定穿支血管。本发明能够实现对穿支血管的自动快速定位。

Description

一种穿支血管自动识别和定位方法、设备及存储介质
技术领域
本发明涉及医学图像处理技术领域，特别是涉及一种穿支血管自动识别和定位方法。
背景技术
穿支皮瓣移植手术是显微外科领域的前沿，是体表器官再造(如乳房再造)、外伤或肿瘤缺损修复达到最好修复效果且使得最小供区损伤的必备技术。
皮瓣是指一块包含皮肤与皮下组织的复合组织块，该组织块内含有其固有的供养血管。常将皮瓣由身体一处转移至另一处的以修复上述原因造成的缺损，这样的手术过程称为皮瓣移植手术。穿支血管指穿入皮肤及其相应皮下组织的血管，其作用是为所穿入的皮肤提供血供。穿支皮瓣的特点是供养该皮瓣的穿支血管被完整解剖至入皮点，其源头的主干血管得以保留，主干血管供养的其他肌肉等组织不受影响，传统的皮瓣切除技术不解剖至入皮点，直接将血管在主干离断，所以损伤更大。
穿支皮瓣的主要技术难点在于穿支血管变异较大，不仅在不同人体之间，甚至是同一躯体的不同两侧的位置都存在显著的差异，而且穿支血管入皮点的口径非常其细(0.5-1mm)，在不知道其具体位置的情况下查极易损伤，损伤即意味着手术失败，故手术风险高，主刀医生术中的压力大。
可视化影像方法来对穿支血管入皮点进行术前定位，使得手术医生在术前即可明晰穿支血管入皮点的位置，大大降低了术中解剖的风险和所花的时间，从而提高手术的成功率，其中断层扫描的医学影像学检查(如增强CT血管造影，CTA，增强MR血管造影，MRA)是常用方法之一。断层影像学扫描穿支血管定位技术已相对成熟，定位准确率高，可从不同维度查看穿支血管的位置信息。然后利用容积重建(VR)技术在患者体表标记穿支血管的入皮点。
然而上述方法中重要的局限是读片和定位工作需要手术团队的外科医生亲自完成，国内影像科医生因对解剖理解局限或者其他原因无法代劳，也很少有影像科医生会掌握这项技术。穿支血管断层影像图像读片和标记所花时间通常是45分钟左右，对于外科医生的精力是巨大的占用，且是一个机械和重复的工作。
发明内容
本发明所要解决的技术问题是提供一种穿支血管自动识别和定位方法，能够实现对穿支血管的自动快速定位。
本发明解决其技术问题所采用的技术方案是：提供一种穿支血管自动识别和定位方法，包括以下步骤：
根据目标穿支，确定扫描方向上的扫描范围，并且提取扫描范围内三维图像数据；
对所述三维图像数据进行降维处理得到分层切分图像数据；
以所述分层切分图像数据为最小分析单位，通过信噪比动态阈值法筛选出穿支血管信号点；
将三维图像数据中相连的所述穿支血管信号点进行三维重建，并通过重建后的信噪比总分筛选出候选穿支血管；
根据候选穿支血管对于表皮层和深部肌肉层的相对位置、斜率和深度确定穿支血管。
所述对所述三维图像数据进行降维处理得到分层切分图像数据具体包括：
将三维图像数据中连续n张图像进行合并，得到信号增强后的二维图像数据；
在二维图像数据中标记出皮肤表面的边界线以及皮下脂肪和肌肉的边界线，并将两条边界线围成的皮下脂肪区域作为目标分析区域；
将所述目标分析区域进行分层切分，得到多张连续皮下深度的分层切分图像数据。
所述将三维图像数据中连续n张图像进行合并时，在同一位置取像素值最小的点作为合并后图像的像素值。
所述空气和皮肤表面的边界坐标通过机器学习算法获取，所述皮下脂肪和肌肉的边界线的坐标通过像素均值变化率获取。
所述以所述分层切分图像数据为最小分析单位，通过信噪比动态阈值法筛选出穿支血管信号点具体包括：
将所述相同皮下深度的分层切分图像数据转换为二维数组，将所述二维数组中相同皮肤位置，不同深度的若干像素点中最小或最大像素值，作为候选血管信号点，并取其临近位置的最小或最大像素值作为背景参考值，计算候选血管信号点的相对信噪比；
挑选出像素值小于像素阈值的点作为集合，再从所述集合中选出相对信噪超过信噪比阈值的点作为穿支血管信号点，并标记出所述穿支血管信号点所对应的横坐标。
所述计算候选血管信号点的相对信噪比时，通过((X4+X5/2)*(X2+X3+X4+X5))/(X0+X1)计算得到，其中，Xn为距离所述候选血管信号点n个像素的点的像素均值，X0为所述候选血管信号点的像素值。
所述将三维图像数据中相连的所述穿支血管信号点进行三维重建具体为：
将所述穿支血管信号点所对应的横坐标映射到二维图像数据中，将二维图像数据中与所述穿支血管信号点相邻的点进行合并，并通过求和的方式计算合并后穿支血管信号点的连续性，空间走向和信噪比；
将二维图像数据进行融合，形成三维空间，将二维图像数据中合并后的点放入所述三维空间中，将三维空间中与所述二维图像数据中合并后的点相邻的点进行合并，并通过求和的方式计算合并后的信噪比。
所述步骤(5)后还包括：基于信噪比和血管质量计算每条穿支血管的总分，并将总分最高的穿支血管作为最终穿支血管。
本发明解决其技术问题所采用的技术方案是：提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述的穿支血管自动识别和定位方法的步骤。
本发明解决其技术问题所采用的技术方案是：一种计算机可读存储介质，所述计算机可读存储介质上存储有可执行计算机程序，所述可执行计算机程序被处理器执行时，使得所述处理器执行上述的穿支血管自动识别和定位方法的步骤。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明通过对三维图像数据进行二次降维处理，在一维图像中寻找穿支信号点，使得处理速度得到提升，从而能够在5分钟内完成穿支血管定位工作。本发明方法以熟悉断层扫描的医学影像穿支血管定位技术的医师的人工判断结果为金标准，自动化穿支血管定位的结果和金标准基本吻合，优势穿支血管识别率超过99％。
附图说明
图1是本发明第一实施方式的流程图；
图2是本发明第一实施方式中二维图像数据的分析范围示意图；
图3是本发明第一实施方式中二维图像数据切成长条形的示意图；
图4是本发明第一实施方式中二维图像数据转换为一维图像数据的示意图；
图5是本发明第一实施方式中单层二维图像数据输出结果示意图；
图6是本发明第一实施方式中不同层二维图像数据在三维空间中连续的点合并后的结果示意图；
图7是本发明第一实施方式中皮下静脉和穿支血管的区分示意图；
图8是本发明第一实施方式的运算结果与金标准的初步比较结果示意图；
图9是本发明第二实施方式的人机交互界面示意图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种穿支血管自动识别和定位方法，该方法可以对医学影像数据进行自动解析，自动计算和识别目标穿支血管，根据优势程度对其进行排序，并返回其位置信息，可用于术前穿支血管定位或其他需要穿支血管识别和定位的临床及科研应用。如图1所示，包括以下步骤：根据目标穿支，确定扫描方向上的扫描范围，并且提取扫描范围内三维图像数据；对所述三维图像数据进行降维处理得到分层切分图像数据；以所述分层切分图像数据为最小分析单位，通过信噪比动态阈值法筛选出穿支血管信号点；将三维图像数据中相连的所述穿支血管信号点进行三维重建，并通过重建后的信噪比总分筛选出候选穿支血管；根据候选穿支血管对于表皮层和深部肌肉层的相对位置、斜率和深度确定穿支血管，并返回穿支血管在三维坐标系中的坐标。
该方法自动读取和解析标准化的断层医学影像文件(如dicom)中数据；对数据中穿支血管的肌肉穿出点，和皮下软组织内走行路径能够进行自动识别；并且基于信号强弱，走行方向等信息对穿支血管进行打分并排序，计算结果中输出穿支血管定位信息及其得分和排序情况。具体如下：
1)标准化断层影像学文件数据读取和解析(原始图像信息读入多维数组，包涵z,y,x轴三维坐标+该坐标的像素值)。
2)限定z轴上的分析范围。根据目标穿支，限定z轴方向上的扫描范围，并且提取对应数据。以DIEA(腹壁下穿支动脉)为例，原始图像含人体胸部至膝盖，DIEA血管需要的分析范围为肚脐到会阴以上，因此根据图像既有特征(肚脐会在横断面图像上出现凹陷)，先识别体表边界，再识别体表边界中点出现凹陷的位置为肚脐，截取肚周至尺骨的dicom图像为分析对象。
3)将z轴上相邻的水平面的截图进行适当合并后，得到二维图像数据，并对二维图像数据进行分析。为增强穿支点的信号，皮下穿支血管是连续走行的，所以相邻截图上的穿支信号大体是位置相邻的，合并之后基本相连续或者融合。合并之后z轴方向上水平截图的数量＝上一步截取范围内水平截图数量/n(n＝相邻合并的图像数量)。本步骤中的合并逻辑为：在相邻的n张图中选取同一位置像素值最小的点作为合并后图像的像素值。遍历合并后的图像，以合并后的一个水平截面图像(二维)为单位作后续分析，由此将三维图像转化为二维图像进行分析。
4)在二维图像上限定分析范围，即在二维图像数据中标记出空气和皮肤表面的边界线以及皮下脂肪和肌肉的边界线，并将两条边界线围成的区域作为目标分析区域。
4.1分析范围的上界：本步骤中定义皮肤，分水岭算法标记空气和皮肤表面的边界。
4.2分析范围的下界：a)对二维图像进行条状切分，以体表形状为边，读取高度为10像素的图像值，这些值放入一个高为10，宽为原图像x轴全长的子图像，重构子图像，从不规则形变为长方形。b)分析范围的下界判断：腹腔内部与体表以外类似，深色为主，目标分析范围的皮下组织像素值更高，给切分后的长方形子图像设定阈值，判断分析范围的下界。上述每一个切分出的10像素高的长方形图像中，对其灰度值的均值进行计算：当像素值高更接近白色的点的占比达到阈值时，图像已经进入肌肉的范围，判定为分析范围的下界已到达。图2给出了本实施方式中二维图像数据的分析范围，图2中A为分析范围的上界，B为分析范围的下届，两者之间即为目标分析区域。
5)对分析范围内的二维图像作长条形切分，将每个长条形作为一维序列进行分析。调用4.2a)中的方法，将二维图像切成10个像素高的长条形，见图3。此时二维图像可以改为二维数组，再其转化为一个一维数组，如图4所示，该一维数组的数据结构为：[横坐标1对应值，横坐标2对应值，…]，数组内元素的编号对应横坐标，横坐标对应值为：同一横坐标对应的10个像素点中最小像素值(即信号最强，最黑的点)。计算“信号强”的点的信噪比，本实施方式中的信噪比即点本身的像素值和周围点像素值的对比，血管的像素值低，近于0(图像上颜色深)，其周围的点像素值高(图像上更接近于白色)，故信号点与周围点差别越大，与血管的特征越相符，得分越高。本步骤中信噪比计算逻辑为：((X4+X5/2)*(X2+X3+X4+X5))/(X0+X1)，其中，Xn为距离所述穿支信号点n个像素的点的像素均值，X0为所述穿支信号点的像素值。
6)从一维图像数据中找出“信号强”的点(图中最接近黑色，像素值最小的点)，本实施方式中的“信号强”的点即为穿支信号点，其可以通过以下方式找出：挑选出像素值小于60的点作为集合，再从所述集合中选出相对信噪比大于所述集合的中位数cutoff的点作为穿支血管信号点，并标记出所述穿支血管信号点所对应的横坐标。如果出现多个穿支血管信号点所对应的横坐标距离太近，则可以进行适当合并。
迭代上述步骤5)-6)，直到每个二维图像数据的都被切割的分层，且计算完毕。
7)将二维图像中“信号强”的点所在位置上相邻的点进行合并，并将这些点的信噪比相加，即将所述穿支血管信号点所对应的横坐标映射到二维图像数据中，将二维图像数据中与所述穿支血管信号点相邻的点进行合并，并这些点的信噪比进行求和，得到合并后穿支血管信号点的连续性，空间走向和信噪比，图5是单层二维图像输出结果示意图。
8)将上一步骤中二维图像上的点放入三维中，合并位置相邻的点，信号强度求和。同一根穿支的信号会出现在不同扫描层面上，但是其位置关系是相邻的，因此本步骤将二维图像融合，形成三维空间，将之前识别出来的点放入三维空间中进行距离判断，对位置相邻的点进行融合，并对信号强度进行求和(见图6)。
值得一提的是，上述步骤中的各项阈值可以采用真实患者影像学数据进行调试，调整后可以获得最佳计算结果。
9)区分皮下静脉和穿支血管：位置上相邻的高信噪比信号，除了可能是目标穿支血管，也可能是皮下静脉。两者在上述步骤下信号强度得分均较高，两者的主要差别是：穿支血管会不断向深部走行，最终和肌肉表面相交，而皮下静脉始终在脂肪层中平行走行，不和深部组织相交(见图7，其中，C为穿支血管，D为静脉信号)。故本步骤中将上一步得到的信号相对于深部肌肉层的斜率判断逻辑和信号深度逻辑来区分皮下静脉和穿支血管，从而排除静脉信号。
10)标记出穿支血管后，对其进行系统评分，得出最佳穿支血管。排除静脉信号后，可能存在多个穿支血管，为了保证手术的成功率，本实施方式可以对各个穿支血管进行评分，得到最佳穿支血管作为最终穿支血管。本步骤中在评分时，结合穿支血管的信噪比强度及其他确定的有助于鉴别血管质量的逻辑(如外径、分叉)对多个穿支血管进行系统评分，该评分可以采用加权求和的方式进行，计算得出评分后，标记评分中最高分的候选穿支信号所在位置，该位置即为识别出的最佳穿支。
11)最佳穿支血管的肌肉穿出点坐标向体表坐标系换算，具体为：将穿支血管的肌肉穿出点的空间位置信息投射到体表，在体表皮肤目标范围内任意标记点为原点的建立坐标系，算法计算出该投影点在体表坐标系中坐标，方便使用者将其位置信息标记于患者体表，为术中设计提供支持。
采用上述方法得到的穿支血管和金标准基本吻合，其识别率超过99％，主刀医生可审查自动识别的穿支图像，对结果进行确认，并根据手术设计的需要选择最匹配的候选穿支血管。其中，金标准为以熟悉断层扫描的医学影像穿支血管定位技术的医师的人工判断结果。
使用20例真实病例数据进行初步测试(12例腹壁下穿支血管，8例选股外侧动脉降支穿支血管)，将本实施方式的计算结果与三位拥有>5年穿支血管人工识别经验的临床医师判定结果的平均值进行比较，排位前3的穿支血管匹配度为98.33％，排位前5的穿支血管匹配度为96％，排位前10的穿支血管匹配符为90.50％(见图8)。
不难发现，本发明通过对三维图像数据进行二次降维处理，在一维图像中寻找穿支信号点，使得处理速度得到提升，从而能够在5分钟内完成穿支血管定位工作，相比于原来45分钟的判断时间，大大缩短了穿支定位工作时间，提升了工作效率。
本发明的第二实施方式涉及一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行第一实施方式中穿支血管自动识别和定位方法的步骤。本实施方式可搭载于多种移动计算平台，实现识别工作的移动或远程操作(见图9)。
本发明的第三实施方式涉及一种计算机可读存储介质，所述计算机可读存储介质上存储有可执行计算机程序，所述可执行计算机程序被处理器执行时，使得所述处理器执行第一实施方式中穿支血管自动识别和定位方法的步骤。

Claims (8)

1.一种穿支血管自动识别和定位方法，其特征在于，包括以下步骤：
根据目标穿支，确定扫描方向上的扫描范围，并且提取扫描范围内三维图像数据；
对所述三维图像数据进行降维处理得到分层切分图像数据；具体包括：
将三维图像数据中连续n张图像进行合并，得到信号增强后的二维图像数据；
在二维图像数据中标记出皮肤表面的边界线以及皮下脂肪和肌肉的边界线，并将两条边界线围成的皮下脂肪区域作为目标分析区域；
将所述目标分析区域进行分层切分，得到多张连续皮下深度的分层切分图像数据；
以所述分层切分图像数据为最小分析单位，通过信噪比动态阈值法筛选出穿支血管信号点；具体包括：
将相同皮下深度的分层切分图像数据转换为二维数组，将所述二维数组中相同皮肤位置，不同深度的若干像素点中最小或最大像素值，作为候选血管信号点，并取其临近位置的最小或最大像素值作为背景参考值，计算候选血管信号点的相对信噪比；
挑选出像素值小于像素阈值的点作为集合，再从所述集合中选出相对信噪超过信噪比阈值的点作为穿支血管信号点，并标记出所述穿支血管信号点所对应的横坐标；
将三维图像数据中相连的所述穿支血管信号点进行三维重建，并通过重建后的信噪比总分筛选出候选穿支血管；
根据候选穿支血管对于表皮层和深部肌肉层的相对位置、斜率和深度确定穿支血管。
2.根据权利要求1所述的穿支血管自动识别和定位方法，其特征在于，所述将三维图像数据中连续n张图像进行合并时，在同一位置取像素值最小的点作为合并后图像的像素值。
3.根据权利要求1所述的穿支血管自动识别和定位方法，其特征在于，所述皮肤表面和空气的边界坐标通过机器学习算法获取，所述皮下脂肪和肌肉的边界线的坐标通过像素均值变化率获取。
4.根据权利要求1所述的穿支血管自动识别和定位方法，其特征在于，所述计算候选血管信号点的相对信噪比时，通过((X4+X5/2)*(X2+X3+X4+X5))/(X0+X1)计算得到，其中，Xn为距离所述候选血管信号点n个像素的点的像素均值，X0为所述候选血管信号点的像素值。
5.根据权利要求1所述的穿支血管自动识别和定位方法，其特征在于，所述将三维图像数据中相连的所述穿支血管信号点进行三维重建具体为：
将所述穿支血管信号点所对应的横坐标映射到二维图像数据中，将二维图像数据中与所述穿支血管信号点相邻的点进行合并，并通过求和的方式计算合并后穿支血管信号点的连续性，空间走向和信噪比；
将二维图像数据进行融合，形成三维空间，将二维图像数据中合并后的点放入所述三维空间中，将三维空间中与所述二维图像数据中合并后的点相邻的点进行合并，并通过求和的方式计算合并后的信噪比。
6.根据权利要求1所述的穿支血管自动识别和定位方法，其特征在于，所述根据候选穿支血管对于表皮层和深部肌肉层的相对位置、斜率和深度确定穿支血管后还包括：基于信噪比和血管质量计算每条穿支血管的总分，并将总分最高的穿支血管作为最终穿支血管。
7.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-6中任一所述的穿支血管自动识别和定位方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有可执行计算机程序，所述可执行计算机程序被处理器执行时，使得所述处理器执行如权利要求1-6中任一所述的穿支血管自动识别和定位方法的步骤。
CN202210972708.8A 2022-08-15 2022-08-15 一种穿支血管自动识别和定位方法、设备及存储介质 Active CN115456950B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210972708.8A CN115456950B (zh) 2022-08-15 2022-08-15 一种穿支血管自动识别和定位方法、设备及存储介质
PCT/CN2023/111224 WO2024037358A1 (zh) 2022-08-15 2023-08-04 一种穿支血管自动识别和定位方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210972708.8A CN115456950B (zh) 2022-08-15 2022-08-15 一种穿支血管自动识别和定位方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN115456950A CN115456950A (zh) 2022-12-09
CN115456950B true CN115456950B (zh) 2023-08-11

Family

ID=84299175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210972708.8A Active CN115456950B (zh) 2022-08-15 2022-08-15 一种穿支血管自动识别和定位方法、设备及存储介质

Country Status (2)

Country Link
CN (1) CN115456950B (zh)
WO (1) WO2024037358A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115456950B (zh) * 2022-08-15 2023-08-11 上海交通大学医学院附属第九人民医院 一种穿支血管自动识别和定位方法、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6501848B1 (en) * 1996-06-19 2002-12-31 University Technology Corporation Method and apparatus for three-dimensional reconstruction of coronary vessels from angiographic images and analytical techniques applied thereto
WO2010067276A1 (en) * 2008-12-10 2010-06-17 Koninklijke Philips Electronics N.V. Vessel analysis
CN102764124A (zh) * 2012-07-09 2012-11-07 华东师范大学 一种基于磁共振成像对穿支皮瓣血管定位与测量的方法
CN107616839A (zh) * 2017-11-10 2018-01-23 岳春华 一种基于3d打印重建的皮瓣穿支动脉定位方法
CN111358553A (zh) * 2020-03-11 2020-07-03 宁波市第一医院 一种穿支皮瓣构建方法、装置、计算机设备及可存储介质
CN112116704A (zh) * 2020-09-11 2020-12-22 同济大学 基于光学相干层析成像的皮下微血管分割与三维重建方法
CN113674279A (zh) * 2021-10-25 2021-11-19 青岛美迪康数字工程有限公司 基于深度学习的冠脉cta影像的处理方法及装置
CN114399594A (zh) * 2021-12-28 2022-04-26 深圳先进技术研究院 一种基于中心线提取的血管壁影像自动曲面重建方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10219742B2 (en) * 2008-04-14 2019-03-05 Novadaq Technologies ULC Locating and analyzing perforator flaps for plastic and reconstructive surgery
US10709399B2 (en) * 2017-11-30 2020-07-14 Shenzhen Keya Medical Technology Corporation Methods and devices for performing three-dimensional blood vessel reconstruction using angiographic images
CN111243087B (zh) * 2020-01-20 2023-11-21 上海市第一人民医院 眼底血管的三维重建方法、装置及电子设备
CN111862114A (zh) * 2020-07-10 2020-10-30 温州医科大学 一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法与装置
CN113408647B (zh) * 2021-07-07 2024-04-02 中国科学院生物物理研究所 一种脑小血管结构特征的提取方法
CN115456950B (zh) * 2022-08-15 2023-08-11 上海交通大学医学院附属第九人民医院 一种穿支血管自动识别和定位方法、设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6501848B1 (en) * 1996-06-19 2002-12-31 University Technology Corporation Method and apparatus for three-dimensional reconstruction of coronary vessels from angiographic images and analytical techniques applied thereto
WO2010067276A1 (en) * 2008-12-10 2010-06-17 Koninklijke Philips Electronics N.V. Vessel analysis
CN102764124A (zh) * 2012-07-09 2012-11-07 华东师范大学 一种基于磁共振成像对穿支皮瓣血管定位与测量的方法
CN107616839A (zh) * 2017-11-10 2018-01-23 岳春华 一种基于3d打印重建的皮瓣穿支动脉定位方法
CN111358553A (zh) * 2020-03-11 2020-07-03 宁波市第一医院 一种穿支皮瓣构建方法、装置、计算机设备及可存储介质
CN112116704A (zh) * 2020-09-11 2020-12-22 同济大学 基于光学相干层析成像的皮下微血管分割与三维重建方法
CN113674279A (zh) * 2021-10-25 2021-11-19 青岛美迪康数字工程有限公司 基于深度学习的冠脉cta影像的处理方法及装置
CN114399594A (zh) * 2021-12-28 2022-04-26 深圳先进技术研究院 一种基于中心线提取的血管壁影像自动曲面重建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CT血管造影在腓肠内侧动脉穿支皮瓣血管定位中的应用;方早 等;《中国口腔颌面外科杂志》;第13卷(第3期);第220-225页 *

Also Published As

Publication number Publication date
WO2024037358A1 (zh) 2024-02-22
CN115456950A (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
US20180276821A1 (en) Method for Automatically Recognizing Liver Tumor Types in Ultrasound Images
CN108335304B (zh) 一种腹部ct扫描序列图像的主动脉瘤分割方法
CN111932554B (zh) 一种肺部血管分割方法、设备及存储介质
KR20130012297A (ko) 병변 검출 장치, 병변 검출 방법 및 병변 진단 장치
JP2011517986A (ja) 腹部大動脈瘤の自動検知および正確なセグメント分割
CN104248454B (zh) 一种二维超声图像与穿刺针共面判断方法
Memon et al. Segmentation of lungs from CT scan images for early diagnosis of lung cancer
CN105654490A (zh) 一种基于超声弹性图像的病变区域提取方法及装置
WO2016064921A1 (en) Automatic detection of regions of interest in 3d space
JP2018134393A (ja) 血管のセグメンテーションの方法および装置
CN111325759A (zh) 血管分割方法、装置、计算机设备及可读存储介质
CN115456950B (zh) 一种穿支血管自动识别和定位方法、设备及存储介质
CN112862833A (zh) 血管分段方法、电子装置和存储介质
CN105956198A (zh) 一种基于病灶位置与内容的乳腺图像检索系统及方法
US9275452B2 (en) Method and system for automatically determining compliance of cross sectional imaging scans with a predetermined protocol
CN113288186A (zh) 基于深度学习算法的乳腺肿瘤组织检测方法及装置
CN111507978A (zh) 一种泌尿外科用智能数字影像处理系统
US7421100B2 (en) Method, computer program and system of visualizing image data
CN111899850A (zh) 医学影像的信息处理方法、显示方法及可读存储介质
Bouchebbah et al. 3D automatic levels propagation approach to breast MRI tumor segmentation
Wijata et al. Unbiased validation of the algorithms for automatic needle localization in ultrasound-guided breast biopsies
US20230177681A1 (en) Method for determining an ablation region based on deep learning
KR20140109320A (ko) 초음파 영상 처리 방법과 장치 및 유방암 진단장치
CN110136095A (zh) 肝脏三维ct图像病变区域自动提取系统及方法
CN113838020B (zh) 一种基于钼靶影像的病变区域量化方法

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