CN115511840A - 图像处理方法、装置、电子设备及存储介质 - Google Patents

图像处理方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115511840A
CN115511840A CN202211199577.0A CN202211199577A CN115511840A CN 115511840 A CN115511840 A CN 115511840A CN 202211199577 A CN202211199577 A CN 202211199577A CN 115511840 A CN115511840 A CN 115511840A
Authority
CN
China
Prior art keywords
image
blood vessel
region
vessel
coronary artery
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
Application number
CN202211199577.0A
Other languages
English (en)
Inventor
平安
彭成宝
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.)
Shenyang Neusoft Intelligent Medical Technology Research Institute Co Ltd
Original Assignee
Shenyang Neusoft Intelligent Medical Technology Research Institute Co Ltd
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 Shenyang Neusoft Intelligent Medical Technology Research Institute Co Ltd filed Critical Shenyang Neusoft Intelligent Medical Technology Research Institute Co Ltd
Priority to CN202211199577.0A priority Critical patent/CN115511840A/zh
Publication of CN115511840A publication Critical patent/CN115511840A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06T7/10—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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/30048—Heart; Cardiac
    • 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
    • G06T2207/30061—Lung
    • 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)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请公开了一种图像处理方法、装置、电子设备及存储介质，其中，方法包括：获取心脏计算机断层扫描血管造影CCTA图像；根据CCTA图像确定冠状动脉血管的血管内腔图像；对冠状动脉血管的血管内腔图像进行边缘提取，得到冠状动脉血管的血管内腔的外轮廓图像；根据CCTA图像确定冠状动脉血管的特征图像，特征图像用于指示冠状动脉血管的血管外轮廓；基于预设算法对血管内腔的外轮廓图像与特征图像进行处理，得到冠状动脉血管的血管区域图像；对血管区域图像与血管内腔图像进行集合运算，得到冠状动脉血管的血管壁图像。通过采用血管图像增强处理与血管区域图像提取相融合的技术有效提高血管壁提取的效率。

Description

图像处理方法、装置、电子设备及存储介质
技术领域
本申请属于图像处理技术领域，尤其涉及一种图像处理方法、装置、电子设备及存储介质。
背景技术
心血管疾病主要是因为冠状动脉血管发生动脉粥样硬化病变而引起血管腔狭窄或阻塞，从而导致的心脏组织发生的缺血性或出血性疾病，其死亡率居各种疾病首位。当前医学研究证明冠状动脉血管粥样硬化斑块负荷及斑块图像组学特征分析对冠心病风险评估具有重要价值。冠状动脉血管粥样硬化斑块存在血管壁中，因此冠状动脉血管壁分割是提取斑块进行分析的基础。而且目前医学界冠心病诊断与风险评估倾向于基于心脏计算机断层扫描血管造影(Cardiac Computed Tomography Angiography,CCTA)图像推断，因此基于CCTA图像的冠状动脉血管壁分割具有重要的临床意义。
随着深度学习技术的发展，基于深度学习技术的医疗图像分割得到了广泛应用，血管壁分割也多见于基于深度学习技术来实现。但是相关技术中基于深度学习技术对血管壁的提取，需要人工定义血管初始轮廓，以及人工标注大量的血管壁数据，操作复杂且耗时，使得血管壁提取的效率较低。
发明内容
本申请实施例提供一种与相关技术不同的实现方案，以解决相关技术中对血管壁的提取，需要人工定义血管初始轮廓，以及人工标注大量的血管壁数据，操作复杂且耗时，使得血管壁提取的效率较低的技术问题。
第一方面，本申请提供一种图像处理方法，包括：
获取心脏计算机断层扫描血管造影CCTA图像；
根据所述CCTA图像确定冠状动脉血管的血管内腔图像；
对所述冠状动脉血管的血管内腔图像进行边缘提取，得到所述冠状动脉血管的血管内腔的外轮廓图像；
根据所述CCTA图像确定所述冠状动脉血管的特征图像，所述特征图像用于指示所述冠状动脉血管的血管外轮廓；
基于预设算法对所述血管内腔的外轮廓图像与所述特征图像进行处理，得到冠状动脉血管的血管区域图像；
对所述血管区域图像与所述血管内腔图像进行集合运算，得到所述冠状动脉血管的血管壁图像。
第二方面，本申请提供一种图像处理装置，包括：
获取模块，用于获取心脏计算机断层扫描血管造影CCTA图像；
第一确定模块，用于根据所述CCTA图像确定冠状动脉血管的血管内腔图像；
边缘提取模块，用于对所述冠状动脉血管的血管内腔图像进行边缘提取，得到所述冠状动脉血管的血管内腔的外轮廓图像；
第二确定模块，用于根据所述CCTA图像确定所述冠状动脉血管的特征图像，所述特征图像用于指示所述冠状动脉血管的血管外轮廓；
处理模块，用于基于预设算法对所述血管内腔的外轮廓图像与所述特征图像进行处理，得到冠状动脉血管的血管区域图像；
集合运算模块，用于对所述血管区域图像与所述血管内腔图像进行集合运算，得到所述冠状动脉血管的血管壁图像。
第三方面，本申请提供一种电子设备，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行第一方面或第一方面各可能的实施方式中的任一方法。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面或第一方面各可能的实施方式中的任一方法。
第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面或第一方面各可能的实施方式中任一所述的方法。
本申请提供的方案，可通过获取心脏计算机断层扫描血管造影CCTA图像；根据所述CCTA图像确定冠状动脉血管的血管内腔图像；对所述冠状动脉血管的血管内腔图像进行边缘提取，得到所述冠状动脉血管的血管内腔的外轮廓图像；根据所述CCTA图像确定所述冠状动脉血管的特征图像，所述特征图像用于指示所述冠状动脉血管的血管外轮廓；基于预设算法对所述血管内腔的外轮廓图像与所述特征图像进行处理，得到冠状动脉血管的血管区域图像；对所述血管区域图像与所述血管内腔图像进行集合运算，得到所述冠状动脉血管的血管壁图像，采用血管图像增强处理与血管区域图像提取相融合的技术，自动基于CCTA图像提取冠状动脉血管壁，解决了对血管壁的提取需要人工定义血管初始轮廓，以及人工标注大量的血管壁数据，操作复杂且耗时，使得血管壁提取的效率较低的技术问题，有效提高了血管壁提取的效率。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关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申请的一些实施例，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。在附图中：
图1为本申请一示例性实施例提供的图像处理方法的流程示意图；
图2a为本申请一示例性实施例提供的一种心脏区域图像的示意图；
图2b为本申请一示例性实施例提供的一种心脏区域冠状增强图像的示意图；
图2c为本申请一示例性实施例提供的一种冠状动脉血管的血内腔在心脏区域图像中的位置的示意图；
图2d为本申请一示例性实施例提供的一种CTA图像的示意图；
图2e为本申请一示例性实施例提供的一种CCTA图像对应的梯度幅值图像的示意图；
图2f为本申请一示例性实施例提供的一种冠状动脉血管的特征图像的示意图；
图2g为本申请一示例性实施例提供的一种冠状动脉血管的血管区域在心脏区域图像中的位置的示意图；
图3为本申请一示例性实施例提供的一种图像处理装置的结构示意图；
图4是本申请实施例提供的电子设备的示意性框图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
本申请实施例的说明书、权利要求书及附图中的术语“第一”和“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请实施例的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，下面对本申请实施例中的部分用语进行解释说明，以便于本领域技术人员理解。
冠脉动脉血管壁：指血管内腔(血液部分)外轮廓到血管外轮廓之间的区域，病变区域处于血管壁之中。
CCTA：Cardiac Computed Tomography Angiograph，心脏计算机断层扫描血管造影。
CTA：Computed Tomography Angiograph，计算机断层扫描血管造影。
体素：是体积元素(Volume Pixel)的简称，是数字数据于三维空间上的最小单位，概念上类似二维空间的最小单位像素。
CT：Computed Tomography，即电子计算机断层扫描，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查。
CT值：测定人体某一局部组织或器官密度大小的一种计量单位，通常称亨氏单位(hounsfield unit，HU)空气为-1000，致密骨为+1000。
黑塞矩阵(Hessian Matrix)，又译作海森矩阵、海瑟矩阵、海塞矩阵等，是一个多元函数的二阶偏导数构成的方阵，描述了函数的局部曲率。黑塞矩阵常用于牛顿法解决优化问题，利用黑塞矩阵可判定多元函数的极值问题。在工程实际问题的优化设计中，所列的目标函数往往很复杂，为了使问题简化，常常将目标函数在某点邻域展开成泰勒多项式来逼近原函数，此时函数在某点泰勒展开式的矩阵形式中会涉及到黑塞矩阵。
置信连接的区域增长算法：首先，算法计算包含在区域中的所有像素亮度的平均值和标准差。用户提供一个因子用来乘以标准差并定义一个平均值的范围。相邻像素中亮度值在这个范围内的将包含到这个区域中。当没有更多的像素符合这个标准时，算法将结束它的第一次迭代。使用包含在区域内的所有像素再次计算亮度值的平均值和标准差。这个平均值和标准差定义一个新的亮度范围，用来查看当前区域的邻域并评价它们的亮度是否落在这个范围内。重复这个迭代过程直到没有新的像素再加进来或者已经达到了迭代器的最大数目。
造影剂:又称对比剂，contrast media,是为增强影像观察效果而注入(或服用)到人体组织或器官的化学制品。这些制品的密度高于或低于周围组织，形成的对比用于某些器械显示图像。如X线观察常用的碘制剂、硫酸钡等。
多阈值分割：如果图像中有多个灰度值不同的区域，那么可以选择一系列的阈值以将每个像素分到合适的类别中去，这种用多个阈值分割的方法称为多阈值分割方法。
形态学操作：通过卷积核卷积，逐个运算出新的图像，影响最后图像的因素：卷积核半径(大小)、卷积核移动步长、卷积核里面的权重值、卷积核方法。
膨胀和腐蚀的主要区别在于：卷积核方法；
膨胀：类似使用最大值方法；
腐蚀：类似使用最小值方法。
形态学闭运算：先膨胀运算，再腐蚀运算(看上去将两个细微连接的图块封闭在一起)。闭运算能够填平小湖(即小孔)，弥合小裂缝，而总的位置和形状不变。闭运算是通过填充图像的凹角来滤波图像的。结构元素大小的不同将导致滤波效果的不同。不同结构元素的选择导致了不同的分割。
大津法：即OTSU算法：使用“最大类间方差”作为标准，利用图像直方图的分布信息，计算出一个阈值，根据像素是否超过阈值将图像分为前景与背景。
CTA：CT血管成像，是CT临床应用中一个非常重要的部分，由于血管及其背景软组织自然对比差，常规CT平扫往往难以显示血管。在进行CTA检查的时候，需要引入对比剂，改变血管与背景组织的影像对比，从而突显血管。
求图像的梯度，一般是指灰度图像或者彩色图像上的操作，数字图像就是离散的点值谱，也可以叫二维离散函数的求导。
Sigmoid函数：是一个在生物学中常见的S型函数，也称为S型生长曲线。在信息科学中，由于其单增以及反函数单增等性质，Sigmoid函数常被用作神经网络的激活函数，将变量映射到0,1之间。
主动轮廓模型：Active contour model，又被称为“Snakes”，是一种从可能含有噪声的图像中提取物体轮廓线的架构。具体作法是先在图像创建一条初始曲线，形状不拘，但需将目标物体轮廓线包在内侧。接着建立“能量方程式”，包括规范曲线形状为目的之“内部能量”，及规范曲线与目标物体轮廓线接近程度之“外部能量”。在运算过程中，最小化内部能量可令曲线持续向内部紧缩并保持平滑；而最小化外部能量则可令曲线持续贴近目标物体轮廓线而到达一致为止。
心血管疾病主要是因为冠状动脉血管发生动脉粥样硬化病变而引起血管腔狭窄或阻塞，从而导致的心脏组织发生的缺血性或出血性疾病，其死亡率居各种疾病首位。当前医学研究证明冠状动脉血管粥样硬化斑块负荷及斑块图像组学特征分析对冠心病风险评估具有重要价值。冠状动脉血管粥样硬化斑块存在血管壁中，因此冠状动脉血管壁分割是提取斑块进行分析的基础。而且目前医学界冠心病诊断与风险评估倾向于基于心脏计算机断层扫描血管造影(Cardiac Computed Tomography Angiography,CCTA)图像的一站式推断，因此基于CCTA图像的冠状动脉血管壁分割具有重要的临床意义。
随着深度学习技术的发展，基于深度学习技术的医疗图像分割得到了广泛应用，血管壁分割也多见于基于深度学习技术来实现。但是相关技术中基于深度学习技术对血管壁的提取，需要人工定义血管初始轮廓，以及人工标注大量的血管壁数据，操作复杂且耗时，使得血管壁提取的效率较低。
因此，本申请提供了一种图像处理方法、装置、电子设备及存储介质，用于解决相关技术中对血管壁的提取，需要人工定义血管初始轮廓，以及人工标注大量的血管壁数据，操作复杂且耗时，使得血管壁提取的效率较低的技术问题。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图1为本申请一示例性实施例提供的一种图像处理方法的流程示意图，该方法的执行主体可以为终端设备，例如计算机，该方法至少包括以下步骤S1-S5：
S1、获取心脏计算机断层扫描血管造影CCTA图像。
可选地，CCTA图像可以表示由心脏计算机断层扫描血管造影成像装置所采集的CCTA截面(例如轴向、矢状、冠状切面等)图像进行后处理(例如重建)得到的3D图像。
S2、根据所述CCTA图像确定冠状动脉血管的血管内腔图像。
CCTA图像由于造影剂显影，冠状动脉血管的血管内腔密度较大，比较突出，因此，冠状动脉血管的血管内腔图像确定是实现冠状动脉血管壁图像提取的基础。
在本申请中的一些可选的实施例中，所述CCTA图像中包含心脏区域信息，其中，心脏区域信息为CCTA图像中的部分图像区域。
在本申请中的一些可选的实施例中，S2中的根据所述CCTA图像确定冠状动脉血管的血管内腔图像，包括步骤S21-S25：
S21、从所述CCTA图像中提取出所述心脏区域信息，得到心脏区域图像。
CCTA图像中通常包括部分肺部区域，由于肺部区域涉及的血管较多，如肺静脉血管与肺动脉血管，若直接基于对CCTA图像进行后续血管增强的步骤，肺部区域的血管可能会干扰冠脉血管增强处理效果，因此可以先进行心脏区域提取。
在本申请中的一些可选的实施例中，S21中，从所述CCTA图像中提取出所述心脏区域信息，得到心脏区域图像，包括步骤S211-S216：
S211、根据多阈值分割算法，对所述CCTA图像进行处理，得到肺部区域二值图像。
肺部组织与其周围组织相比，密度较小，即CT值较低，CT值与CCTA图像中对应体素的体素值相等，因此可以利用肺部组织密度较小这一特性，采用多阈值分割方法，得到肺部区域二值图像。进一步将肺部区域二值图像作为心脏区域提取的基础。
可选地，根据多阈值分割算法，对所述CCTA图像进行处理，得到肺部区域二值图像，包括：
获取目标阈值区间，所述目标阈值区间为预设的表示肺部区域图像的体素值区间；
针对所述CCTA图像中多个体素中的各个体素，若该体素的体素值处于目标阈值区间中，则将该体素确定为肺部区域的体素，若该体素的体素值未处于目标阈值区间中，则确定该体素不是肺部区域的体素；
遍历CCTA图像中的多个体素，将肺部区域的体素的灰度值设置为1，其他体素的灰度值设置为0，得到肺部区域二值图像。
具体地，上述目标阈值区间可以根据通常情况下肺组织的密度值来确定。例如，目标阈值区间可以为[-900，-350]，单位为Hu。
S212、根据形态学闭运算，对所述肺部区域二值图像进行孔洞填充，得到完整肺部区域二值图像。
肺部区域二值图像中通常存在较多的孔洞，这些孔洞一般为肺部血管及软组织。由于肺部血管及软组织的灰度值远大于肺部，因此上述根据多阈值分割算法，对所述CCTA图像进行阈值分割时可能会将肺部血管及软组织分割至其他阈值区间，为了补回这些组织，可以对肺部区域二值图像进行形态学闭运算以填充空洞。在具体实施时，可以根据需求取较大的核半径，以保证肺域内孔洞填满，进而得到完整的肺部区域二值图像。
S213、基于所述完整肺部区域二值图像，从所述CCTA图像中确定出所述完整肺部区域二值图像对应的完整肺部区域图像。
在本申请中的一些可选的实施例中，S213中，基于所述完整肺部区域二值图像，从所述CCTA图像中确定出所述完整肺部区域二值图像对应的完整肺部区域图像，包括以下S01-S03：
S01、基于所述完整肺部区域二值图像，确定肺部区域的多个体素对应的多个第一位置信息；所述第一位置信息为所述体素在所述完整肺部区域二值图像对应的第一坐标系中的坐标；
S02、基于所述多个第一位置信息，确定所述肺部区域的多个体素的多个第二位置信息；所述第二位置信息为所述体素在所述CCTA图像对应的第二坐标系中的坐标；
第一位置信息与第二位置信息一一对应；
第一坐标系与第二坐标系的坐标转换已知。
基于所述多个第一位置信息确定多个第二位置信息的方式可参见相关技术，此处不再赘述。
S03、将所述CCTA图像中所述多个第二位置信息处的体素组成的图像区域确定为所述完整肺部区域二值图像对应的完整肺部区域图像。
S214、展示所述完整肺部区域图像。
可选地，S214中，展示所述完整肺部区域图像，包括：
基于所述完整肺部区域图像，确定所述完整肺部区域图像的外接长方体的初始顶点的坐标，与所述外接长方体的长、宽，以及高；根据所述初始顶点的坐标，与所述外接长方体的长、宽，以及高展示所述外接长方体。
S215、获取用户设置的针对从所述完整肺部区域图像截取出心脏区域图像截取位置信息。
在本申请的一些可选的实施例中，用户可通过在展示于界面的完整肺部区域图像，或外接长方体中触发点击操作设置所述截取位置信息。具体地，用户的点击位置则为截取位置信息。截取位置信息可包括多个位置信息(即多个三维坐标)。
在本申请的一些可选的实施例中，用户还可通过拖动前述外接长方体的8个顶点，所述方法还包括：根据用户拖动外接长方体的8个顶点后，8个顶点的位置信息确定截取位置信息。具体地，可将拖动后的8个顶点的位置信息作为截取位置信息。
用户可根据画面的展示内容灵活选择截取位置信息，并可以实时观测到选择的结果，即心脏区域图像，提高用户体验。
S216、根据所述截取位置信息从所述完整肺部区域图像截取出所述心脏区域图像。
其中，S216中，根据所述截取位置信息从所述完整肺部区域图像截取出所述心脏区域图像，包括：
将所述完整肺部区域图像中，前述截取位置信息对应的图像区域作为心脏区域图。
可选地，前述截取位置信息包括8个顶点坐标，截取位置信息对应的图像区域为截取位置信息围成的长方体图像区域。
图2a为本申请一示例性实施例提供的一种心脏区域图像的示意图。
具体地，上述外接长方体可以为与肺部区域的体积交并比最大的外接长方体，外接长方体相交于同一顶点的三条边的轴向分别为X、Y、Z轴向。用户可以根据经验灵活设置上述截取位置信息，例如，在X轴方向上，心脏区域离两侧比较远，因此用户在X轴方向上在同一条边A上选择的2个截取位置信息中各截取位置信息距离边A的端点较远。在Z轴方向上，由于冠脉末端细血管延伸较长，所以用户在Z轴方向上在同一条边B上选择的2个截取位置信息中各截取位置信息距离边B的端点较近，甚至重合。
S22、根据递归滤波算法，对所述心脏区域图像进行滤波处理，得到所述心脏区域图像对应的第二待处理图像，所述第二待处理图像用于凸显所述心脏区域中的冠状动脉血管的血管区域。
可选地，根据递归滤波算法，对所述心脏区域图像进行滤波处理，得到所述心脏区域图像对应的第二待处理图像，包括：
利用hessian_recursive_gaussian图像过滤函数求解心脏区域Hessian图像，将所述Hessian图像作为所述心脏区域图像对应的第二待处理图像。
在上述利用hessian_recursive_gaussian图像过滤函数求解心脏区域Hessian图像的过程中，Sigma参数取值会影响冠状动脉血管的血管区域凸显的效果，因此，用户可以调整sigma参数取值，以得到理想的血管区域凸显的效果。
S23、根据Frangi滤波增强算法，对所述第二待处理图像进行处理，得到第三待处理图像。
可选地，利用Frangi滤波增强算法，对上述第二待处理图像(Hessian图像)进行处理，对第二待处理图像进行进一步增强处理。图2b为本申请一示例性实施例提供的一种心脏区域冠状增强图像的示意图。前述第三待处理图像可以为心脏区域冠状增强图像，如图2b所示，虚线区域即冠状动脉血管的血管区域，在经过上述进一步增强处理后，可以在图像中凸显出来。
S24、根据大津法，对所述第三待处理图像进行分割处理，得到所述冠状动脉血管的管状区域二值图像。
大津法的原理是对图像所有的体素范围进行遍历(对8位灰度图像来说，就是从0遍历到255)，找出合适的阈值，把原始图像分割成前景图像和背景图像并且两者之间的类方差最大。
根据所述大津法，对所述第三待处理图像进行分割处理，可以将第三待处理图像分割为前景图像与背景图像。其中，前景图像为冠状动脉血管的管状区域二值图像。
S25、根据区域增长算法，对所述冠状动脉血管的管状区域二值图像进行处理，得到所述冠状动脉血管的血管内腔图像。
本申请中的一些可选的实施例中，S25、根据区域增长算法，对所述冠状动脉血管的管状区域二值图像进行处理，包括步骤S251-S256：
S251、获取第一预设参数，所述第一预设参数至少包括：预设相邻核半径、预设缩放因子和预设迭代次数。
第一预设参数可以为用户输入的参数，用户可以根据经验灵活确定第一预设参数。
S252、针对所述管状区域二值图像中，多个血管段区域中的各血管段区域，分别选取至少一个种子点作为所述血管段区域对应的种子点。其中，前述多个血管段区域可以提前由用户标注。
具体地，前述多个血管段区域包含于所述管状区域二值图像中的冠状动脉的左右两个分支区域中，其中，左分支区域可包括多个血管段区域中的一部分血管段区域，右分支区域可包括多个血管段区域中的另一部分血管段区域。
可选地，由于两个分支有差异，因此在进行区域增长提取血管内腔时，还可以逐个分支进行。
可选地，种子点可以为随机选择的体素，也可以为符合一定条件的体素，例如，可以为体素值大于预设体素值阈值的体素。
S253、根据预设相邻核半径，基于所述血管段区域对应的种子点确定血管段区域中的种子点区域。
其中，种子点与种子点区域一一对应，血管段区域中的种子点区域包含血管段区域中各种子点对应的种子点区域。
具体地，确定种子点对应的种子点区域，包括：将以该种子点为球心，预设相邻核半径为球半径，形成的球体区域作为该种子点对应的种子点区域。
S254、基于所述预设缩放因子和预设迭代次数，对所述血管段区域中的种子点区域进行区域增长处理，得到所述血管段区域对应的增长后区域。
当种子点区域为多个时，对所述血管段区域中的种子点区域进行区域增长处理，得到所述血管段区域对应的增长后区域，包括：针对所述血管段区域中的各种子点区域，对所述种子点区域进行区域增长处理，得到所述种子点区域对应的增长后区域；将多个种子点区域对应的多个增长后区域作为血管段区域对应的增长后区域。
可选地，基于所述预设缩放因子和预设迭代次数，对所述种子点区域进行区域增长处理，得到所述种子点区域对应的增长后区域，包括：
确定所述种子点区域中各体素值的平均值与标准差；
基于所述预设缩放因子以及所述各体素值的平均值与标准差，确定目标体素值范围；
基于所述目标体素值范围以及所述预设迭代次数，对所述种子点区域进行区域增长处理，得到所述种子点区域对应的增长后区域。
具体地，上述目标体素值范围可以表示为：
I(X)∈[m-f·σ,m+f·σ]
其中，I(X)为体素值，X为种子点的相邻体素的坐标，m和σ分别是种子点区域中各体素值的平均值与标准差，f为缩放因子。
在对所述种子点区域进行区域增长处理过程中，包括多次迭代，在一次迭代过程中，若种子点的相邻体素的体素值在上述目标体素值范围中，则将该体素加入该种子点对应的种子点区域，若没有更多的体素的体素值在上述目标体素值范围中，则结束该次迭代，进行下一次迭代，以逐步进行区域增长，当满足预设终止条件时，区域增长终止，将当前的种子点区域作为种子点区域对应的增长后区域。其中，预设终止条件可以为：迭代次数大于所述预设迭代次数。
S255、根据所述血管段区域对应的增长后区域生成所述血管段区域对应的血管段区域二值图像，得到多个血管段区域对应的多个血管段区域二值图像。
S256、对所述多个血管段区域二值图像求并集，得到所述冠状动脉血管的血管内腔图像。
在本申请中的一些可选的实施例中，S256、对所述多个血管段区域二值图像求并集，得到所述冠状动脉血管的血管内腔图像，包括：
对所述多个血管段区域二值图像求并集，得到所述冠状动脉血管的血管内腔二值图像；
将所述冠状动脉血管的血管内腔二值图像与所述心脏区域图像进行相乘处理，得到所述冠状动脉血管的血管内腔图像。
图2c为本申请一示例性实施例提供的一种冠状动脉血管的血内腔在心脏区域图像中的位置的示意图。图2c中虚线区域即所述冠状动脉血管的血管内腔区域。
上述冠状动脉血管的管状区域二值图中的冠状动脉为管状，包含了血管内腔及斑块(如钙化点区域)，由于造影剂不均、伪影等，血管内腔区域的体素值可能会出现不均匀的情况，利用区域增长算法进行处理，不仅可以去除冠状动脉血管的管状区域二值图中的斑块，还可以在血管内腔区域的体素值不均匀时，保证血管内腔的完整性。
S3、对所述冠状动脉血管的血管内腔图像进行边缘提取，得到所述冠状动脉血管的血管内腔的外轮廓图像。
具体地，可以利用主动轮廓识别模型或其他的预设的边缘提取算法，对所述冠状动脉血管的血管内腔图像进行边缘提取，得到所述冠状动脉血管的血管内腔的外轮廓图像。
S4、根据所述CCTA图像确定所述冠状动脉血管的特征图像，所述特征图像用于指示所述冠状动脉血管的血管外轮廓。
在本申请的一些可选的实施例中，在S4中，根据所述CCTA图像确定所述冠状动脉血管的特征图像，包括步骤S41-S43：
S41、基于所述CCTA图像进行梯度运算，得到所述CCTA图像对应的梯度幅值图像。
CCTA图像中冠状动脉血管的边界的体素值变化较大，为了凸显冠状动脉血管的边界，可以基于CCTA图像进行梯度运算，以得到CCTA图像对应的梯度幅值图像。
在本申请的一些可选的实施例中，在S41中，基于所述CCTA图像进行梯度运算，包括：
对所述CCTA图像进行预处理，得到预处理后的目标图像，其中预处理包括图像放大和/或图像截取；
对所述目标图像进行梯度运算，得到所述CCTA图像对应的梯度幅值图像。
具体地，上述目标图像可以为CTA图像，图2d为本申请一示例性实施例提供的一种CTA图像的示意图。
图2e为本申请一示例性实施例提供的一种CCTA图像对应的梯度幅值图像的示意图。
S42、对所述梯度幅值图像进行高斯滤波处理，得到滤波后的第一待处理图像。
在对梯度幅值图像进行高斯滤波处理过程中，高斯滤波函数中的参数Sigma(标准差)的取值可以影响梯度幅值图像中冠状动脉血管的边界厚度，参数Sigma的取值越大，梯度幅值图像中冠状动脉血管的边界越厚，因此，可以根据实际需要灵活调整参数Sigma的取值，以控制梯度幅值图像中冠状动脉血管的边界厚度。
S43、对所述第一待处理图像的对比度进行调整，得到所述冠状动脉血管的特征图像。
在本申请中的一些可选的实施例中，在S43中，对所述第一待处理图像的对比度进行调整，包括：
根据Sigmoid函数，将所述第一待处理图像中各体素的体素值映射至预设区间内。
具体地，上述预设区间可以为[0,1]，Sigmoid函数可以表示为：
Figure BDA0003871624710000111
其中，y还需线性变换，即y＝αx+β，α为放大因子，β为变换幅度，x为原图像体素值。在本申请中，是对梯度幅值变换处理，因此α取负数，β取血管边界梯度值的均值，用户可根据具体需要灵活调整。
求解Sigmoid函数，可以获得体素值近似为0或1的图像，即将所述第一待处理图像中各体素的体素值映射至预设区间内，以完成对第一待处理图像的对比度调整，得到冠状动脉血管的特征图像，特征图像可参见图2f所示。
S5、基于预设算法对所述血管内腔的外轮廓图像与所述特征图像进行处理，得到冠状动脉血管的血管区域图像。
在本申请中的一些可选的实施例中，在S5中，基于预设算法对所述血管内腔的外轮廓图像与所述特征图像进行处理，得到冠状动脉血管的血管区域图像，包括步骤S51-S52：
S51、获取第二预设参数，所述第二预设参数包括：延伸方向信息、所述预设算法对应的循环的迭代终止条件信息，所述迭代终止条件包括：循环次数大于预设迭代次数阈值，或相关的损失信息小于预设均方根误差阈值。
具体地，上述延伸方向信息可以为由冠状动脉血管的血管内腔的外轮廓向冠状动脉血管的血管区域边界的方向。
S52、根据所述预设算法与所述第二预设参数，对所述外轮廓图像与所述特征图像进行处理，得到冠状动脉血管的血管区域图像。
可选地，所述预设算法为水平集算法。
可选地，所述预设算法还可以为可基于前述第二预设参数，对所述外轮廓图像与所述特征图像进行处理，得到冠状动脉血管的血管区域图像的其他算法。
在本申请的一些可选的实施例中，在S52中，根据所述水平集算法与所述第二预设参数，对所述外轮廓图像与所述特征图像进行处理，得到冠状动脉血管的血管区域图像，包括步骤S521-S523：
S521、根据所述第二预设参数，对所述外轮廓图像与所述特征图像进行水平集运算，得到水平集图像。
S522、将所述水平集图像中体素值大于或等于第一阈值的体素的体素值设置为1，将所述水平集图像中体素值小于所述第一阈值的体素的体素值设置为0，得到待合并图像。
S523、计算所述待合并图像与所述CCTA图像的乘积，得到所述血管区域图像。
在本申请的另一些可选的实施例中，在S52中，根据所述水平集算法与所述第二预设参数，对所述外轮廓图像与所述特征图像进行处理，得到冠状动脉血管的血管区域图像，包括：
获取预设均方根误差阈值；
基于所述第二预设参数，以及所述预设算法对应的函数，对所述外轮廓图像与所述特征图像进行处理，得到所述冠状动脉血管的血管区域图像。
具体地，可通过ITK(Insight Segmentation and Registration Toolkit)软件实现。
可选地，前述延伸方向信息可以根据预设算法对应的函数对应的默认延伸方向信息确定。
可选地，用户可提前设置：预设迭代次数阈值以及预设均方根误差阈值。
具体地，可通过以下函数设置预设均方根误差阈值(0.01)：
geodesicActiveContour.SetMaximumRMSError(0.01)
具体地，可通过以下函数设置预设迭代次数阈值(1500)：
geodesicActiveContour.SetNumberOfIterations(1500)；
具体地，可执行如下函数：
levelset＝geodesicActiveContour.Execute(initial_img,featureImage)。
其中，initial_img为外轮廓图像，以及featureImage为特征图像,levelset为冠状动脉血管的血管区域图像，geodesicActiveContour.Execute()为用于执行预设算法对应的函数。
图2g为本申请一示例性实施例提供的一种冠状动脉血管的血管区域在心脏区域图像中的位置的示意图。如图2g所示，201区域即冠状动脉血管的血管区域。
S6、对所述血管区域图像与所述血管内腔图像进行集合运算，得到所述冠状动脉血管的血管壁图像。
在本申请中的一些可选的实施例中，在S6中，对所述血管区域图像与所述血管内腔图像进行集合运算，得到所述冠状动脉血管的血管壁图像，包括：
将所述血管区域图像中表征血管区域的体素的集合作为第一体素集合；
将所述血管内腔区域图像中表征血管内腔区域的体素作为第二体素集合；
将所述第二体素集合在所述第一体素集合中的补集确定为第三体素集合；
将所述血管区域图像中，所述第三体素集合中的多个体素组成的图像区域作为所述冠状动脉血管的血管壁图像。
本申请提供的方案，通过获取心脏计算机断层扫描血管造影CCTA图像；根据所述CCTA图像确定冠状动脉血管的血管内腔图像；对所述冠状动脉血管的血管内腔图像进行边缘提取，得到所述冠状动脉血管的血管内腔的外轮廓图像；根据所述CCTA图像确定所述冠状动脉血管的特征图像，所述特征图像用于指示所述冠状动脉血管的血管外轮廓；基于预设算法对所述血管内腔的外轮廓图像与所述特征图像进行处理，得到冠状动脉血管的血管区域图像；对所述血管区域图像与所述血管内腔图像进行集合运算，得到所述冠状动脉血管的血管壁图像。通过采用血管图像增强处理与血管区域图像提取相融合的技术，自动基于CCTA图像提取冠状动脉血管壁，解决了对血管壁的提取需要人工定义血管初始轮廓，以及人工标注大量的血管壁数据，操作复杂且耗时，使得血管壁提取的效率较低的技术问题，有效提高了血管壁提取的效率。
图3为本申请一示例性实施例提供的一种图像处理装置的结构示意图；其中，该装置包括：
获取模块，用于获取心脏计算机断层扫描血管造影CCTA图像；
第一确定模块，用于根据所述CCTA图像确定冠状动脉血管的血管内腔图像；
边缘提取模块，用于对所述冠状动脉血管的血管内腔图像进行边缘提取，得到所述冠状动脉血管的血管内腔的外轮廓图像；
第二确定模块，用于根据所述CCTA图像确定所述冠状动脉血管的特征图像，所述特征图像用于指示所述冠状动脉血管的血管外轮廓；
处理模块，用于基于预设算法对所述血管内腔的外轮廓图像与所述特征图像进行处理，得到冠状动脉血管的血管区域图像；
集合运算模块，用于对所述血管区域图像与所述血管内腔图像进行集合运算，得到所述冠状动脉血管的血管壁图像。
在本申请中的一些可选的实施例中，根据所述CCTA图像确定所述冠状动脉血管的特征图像，所述第二确定模块在用于根据所述CCTA图像确定所述冠状动脉血管的特征图像时，具体用于：
基于所述CCTA图像进行梯度运算，得到所述CCTA图像对应的梯度幅值图像；
对所述梯度幅值图像进行高斯滤波处理，得到滤波后的第一待处理图像；
对所述第一待处理图像的对比度进行调整，得到所述冠状动脉血管的特征图像。
在本申请中的一些可选的实施例中，所述CCTA图像中包含心脏区域信息，所述第一确定模块用于根据所述CCTA图像确定冠状动脉血管的血管内腔图像时，具体用于：
从所述CCTA图像中提取出所述心脏区域信息，得到心脏区域图像；
根据递归滤波算法，对所述心脏区域图像进行滤波处理，得到所述心脏区域图像对应的第二待处理图像，所述第二待处理图像用于凸显所述心脏区域中的冠状动脉血管的血管区域；
根据Frangi滤波增强算法，对所述第二待处理图像进行处理，得到第三待处理图像；
根据大津法，对所述第三待处理图像进行分割处理，得到所述冠状动脉血管的管状区域二值图像；
根据区域增长算法，对所述冠状动脉血管的管状区域二值图像进行处理，得到所述冠状动脉血管的血管内腔图像。
在本申请中的一些可选的实施例中，所述第一确定模块在用于根据区域增长算法，对所述冠状动脉血管的管状区域二值图像进行处理时，包括：
获取第一预设参数，所述第一预设参数至少包括：预设相邻核半径、预设缩放因子和预设迭代次数；
针对所述管状区域二值图像中，多个血管段区域中的各血管段区域，分别选取至少一个种子点作为所述血管段区域对应的种子点；
根据预设相邻核半径，基于所述血管段区域对应的种子点确定血管段区域中的种子点区域；
基于所述预设缩放因子和预设迭代次数，对所述血管段区域中的种子点区域进行区域增长处理，得到所述血管段区域对应的增长后区域；
根据所述增长后区域生成所述血管段区域对应的血管段区域二值图像，得到多个血管段区域对应的多个血管段区域二值图像；
对所述多个血管段区域二值图像求并集，得到所述冠状动脉血管的血内腔图像。
在本申请中的一些可选的实施例中，所述第二确定模块在用于对所述第一待处理图像的对比度进行调整时，具体用于：
根据Sigmoid函数，将所述第一待处理图像中各体素的体素值映射至预设区间内。
在本申请中的一些可选的实施例中，所述第一确定模块在用于从所述CCTA图像中提取出所述心脏区域信息，得到心脏区域图像时，具体用于：
根据多阈值分割算法，对所述CCTA图像进行处理，得到肺部区域二值图像；
根据形态学闭运算，对所述肺部区域二值图像进行孔洞填充，得到完整肺部区域二值图像；
基于所述完整肺部区域二值图像，从所述CCTA图像中确定出所述完整肺部区域二值图像对应的完整肺部区域图像；
展示所述完整肺部区域图像；
获取用户设置的针对从所述完整肺部区域图像截取出心脏区域图像截取位置信息；
根据所述截取位置信息从所述完整肺部区域图像截取出所述心脏区域图像。
在本申请中的一些可选的实施例中，所述处理模块在用于基于预设算法对所述血管内腔的外轮廓图像与所述特征图像进行处理，得到冠状动脉血管的血管区域图像时，具体用于：
获取第二预设参数，所述第二预设参数包括：延伸方向信息、所述预设算法对应的循环的迭代终止条件信息，所述迭代终止条件包括：循环次数大于预设迭代次数阈值，或相关的损失信息小于预设均方根误差阈值；
根据所述预设算法与所述第二预设参数，对所述外轮廓图像与所述特征图像进行处理，得到冠状动脉血管的血管区域图像。
应理解的是，装置实施例与方法实施例可以相互对应，类似的描述可以参照方法实施例。为避免重复，此处不再赘述。具体地，该装置可以执行上述方法实施例，并且该装置中的各个模块的前述和其它操作和/或功能分别为了上述方法实施例中的各个方法中的相应流程，为了简洁，在此不再赘述。
上文中结合附图从功能模块的角度描述了本申请实施例的装置。应理解，该功能模块可以通过硬件形式实现，也可以通过软件形式的指令实现，还可以通过硬件和软件模块组合实现。具体地，本申请实施例中的方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成，结合本申请实施例公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。可选地，软件模块可以位于随机存储器，闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法实施例中的步骤。
图4是本申请实施例提供的电子设备的示意性框图，该电子设备可包括：
存储器301和处理器302，该存储器301用于存储计算机程序，并将该程序代码传输给该处理器302。换言之，该处理器302可以从存储器301中调用并运行计算机程序，以实现本申请实施例中的方法。
例如，该处理器302可用于根据该计算机程序中的指令执行上述方法实施例。
在本申请的一些实施例中，该处理器302可以包括但不限于：
通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等等。
在本申请的一些实施例中，该存储器301包括但不限于：
易失性存储器和/或非易失性存储器。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DR RAM)。
在本申请的一些实施例中，该计算机程序可以被分割成一个或多个模块，该一个或者多个模块被存储在该存储器301中，并由该处理器302执行，以完成本申请提供的方法。该一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述该计算机程序在该电子设备中的执行过程。
如图4所示，该电子设备还可包括：
收发器303，该收发器303可连接至该处理器302或存储器301。
其中，处理器302可以控制该收发器303与其他设备进行通信，具体地，可以向其他设备发送信息或数据，或接收其他设备发送的信息或数据。收发器303可以包括发射机和接收机。收发器303还可以进一步包括天线，天线的数量可以为一个或多个。
应当理解，该电子设备中的各个组件通过总线系统相连，其中，总线系统除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。
本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机执行时使得该计算机能够执行上述方法实施例的方法。或者说，本申请实施例还提供一种包含指令的计算机程序产品，该指令被计算机执行时使得计算机执行上述方法实施例的方法。
当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例该的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，该模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，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。例如，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以该权利要求的保护范围为准。

Claims (10)

1.一种图像处理方法，其特征在于，包括：
获取心脏计算机断层扫描血管造影CCTA图像；
根据所述CCTA图像确定冠状动脉血管的血管内腔图像；
对所述冠状动脉血管的血管内腔图像进行边缘提取，得到所述冠状动脉血管的血管内腔的外轮廓图像；
根据所述CCTA图像确定所述冠状动脉血管的特征图像，所述特征图像用于指示所述冠状动脉血管的血管外轮廓；
基于预设算法对所述血管内腔的外轮廓图像与所述特征图像进行处理，得到冠状动脉血管的血管区域图像；
对所述血管区域图像与所述血管内腔图像进行集合运算，得到所述冠状动脉血管的血管壁图像。
2.根据权利要求1所述的方法，其特征在于，根据所述CCTA图像确定所述冠状动脉血管的特征图像，包括：
基于所述CCTA图像进行梯度运算，得到所述CCTA图像对应的梯度幅值图像；
对所述梯度幅值图像进行高斯滤波处理，得到滤波后的第一待处理图像；
对所述第一待处理图像的对比度进行调整，得到所述冠状动脉血管的特征图像。
3.根据权利要求1所述的方法，其特征在于，所述CCTA图像中包含心脏区域信息，根据所述CCTA图像确定冠状动脉血管的血管内腔图像，包括：
从所述CCTA图像中提取出所述心脏区域信息，得到心脏区域图像；
根据递归滤波算法，对所述心脏区域图像进行滤波处理，得到所述心脏区域图像对应的第二待处理图像，所述第二待处理图像用于凸显所述心脏区域中的冠状动脉血管的血管区域；
根据Frangi滤波增强算法，对所述第二待处理图像进行处理，得到第三待处理图像；
根据大津法，对所述第三待处理图像进行分割处理，得到所述冠状动脉血管的管状区域二值图像；
根据区域增长算法，对所述冠状动脉血管的管状区域二值图像进行处理，得到所述冠状动脉血管的血管内腔图像。
4.根据权利要求3所述的方法，其特征在于，根据区域增长算法，对所述冠状动脉血管的管状区域二值图像进行处理，包括：
获取第一预设参数，所述第一预设参数至少包括：预设相邻核半径、预设缩放因子和预设迭代次数；
针对所述管状区域二值图像中，多个血管段区域中的各血管段区域，分别选取至少一个种子点作为所述血管段区域对应的种子点；
根据预设相邻核半径，基于所述血管段区域对应的种子点确定血管段区域中的种子点区域；
基于所述预设缩放因子和预设迭代次数，对所述血管段区域中的种子点区域进行区域增长处理，得到所述血管段区域对应的增长后区域；
根据所述血管段区域对应的增长后区域生成所述血管段区域对应的血管段区域二值图像，得到多个血管段区域对应的多个血管段区域二值图像；
对所述多个血管段区域二值图像求并集，得到所述冠状动脉血管的血内腔图像。
5.根据权利要求2所述的方法，其特征在于，对所述第一待处理图像的对比度进行调整，包括：
根据Sigmoid函数，将所述第一待处理图像中各体素的体素值映射至预设区间内。
6.根据权利要求3所述的方法，其特征在于，从所述CCTA图像中提取出所述心脏区域信息，得到心脏区域图像，包括：
根据多阈值分割算法，对所述CCTA图像进行处理，得到肺部区域二值图像；
根据形态学闭运算，对所述肺部区域二值图像进行孔洞填充，得到完整肺部区域二值图像；
基于所述完整肺部区域二值图像，从所述CCTA图像中确定出所述完整肺部区域二值图像对应的完整肺部区域图像；
展示所述完整肺部区域图像；
获取用户设置的针对从所述完整肺部区域图像截取出心脏区域图像截取位置信息；
根据所述截取位置信息从所述完整肺部区域图像截取出所述心脏区域图像。
7.根据权利要求1所述的方法，其特征在于，基于预设算法对所述血管内腔的外轮廓图像与所述特征图像进行处理，得到冠状动脉血管的血管区域图像，包括：
获取第二预设参数，所述第二预设参数包括：延伸方向信息、所述预设算法对应的循环的迭代终止条件信息，所述迭代终止条件包括：循环次数大于预设迭代次数阈值，或相关的损失信息小于预设均方根误差阈值；
根据所述预设算法与所述第二预设参数，对所述外轮廓图像与所述特征图像进行处理，得到冠状动脉血管的血管区域图像。
8.一种图像处理装置，其特征在于，包括：
获取模块，用于获取心脏计算机断层扫描血管造影CCTA图像；
第一确定模块，用于根据所述CCTA图像确定冠状动脉血管的血管内腔图像；
边缘提取模块，用于对所述冠状动脉血管的血管内腔图像进行边缘提取，得到所述冠状动脉血管的血管内腔的外轮廓图像；
第二确定模块，用于根据所述CCTA图像确定所述冠状动脉血管的特征图像，所述特征图像用于指示所述冠状动脉血管的血管外轮廓；
处理模块，用于基于预设算法对所述血管内腔的外轮廓图像与所述特征图像进行处理，得到冠状动脉血管的血管区域图像；
集合运算模块，用于对所述血管区域图像与所述血管内腔图像进行集合运算，得到所述冠状动脉血管的血管壁图像。
9.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法。
CN202211199577.0A 2022-09-29 2022-09-29 图像处理方法、装置、电子设备及存储介质 Pending CN115511840A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211199577.0A CN115511840A (zh) 2022-09-29 2022-09-29 图像处理方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211199577.0A CN115511840A (zh) 2022-09-29 2022-09-29 图像处理方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115511840A true CN115511840A (zh) 2022-12-23

Family

ID=84508272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211199577.0A Pending CN115511840A (zh) 2022-09-29 2022-09-29 图像处理方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115511840A (zh)

Similar Documents

Publication Publication Date Title
CN107230206B (zh) 一种基于多模态数据的超体素序列肺部图像的3d肺结节分割方法
CN110706246B (zh) 一种血管图像分割方法、装置、电子设备和存储介质
CN109544566B (zh) 冠脉图像分割方法、装置、计算机设备和存储介质
CN111008984B (zh) 医学影像中正常器官的轮廓线自动勾画方法
US7639855B2 (en) Medical image processing apparatus, and medical image processing method
CN111227822A (zh) 基于心肌血流量和ct图像的冠状动脉血流储备分数计算方法
CN112258514B (zh) 一种ct影像肺血管的分割方法
WO2022105623A1 (zh) 一种基于迁移学习的颅内血管病灶识别方法
CN109727242B (zh) 血管中心线提取方法、装置、计算机设备和存储介质
CN111476791B (zh) 图像处理方法、图像处理装置和非暂时性计算机可读介质
CN108876794A (zh) 体积图像数据中的动脉瘤与载瘤血管的隔离
CN113538471B (zh) 斑块的分割方法、装置、计算机设备和存储介质
Tan et al. An approach for pulmonary vascular extraction from chest CT images
CN115100066A (zh) 图像重建方法及装置
Gu et al. Segmentation of coronary arteries images using global feature embedded network with active contour loss
Kiraly et al. 3D human airway segmentation for virtual bronchoscopy
CN112562058B (zh) 一种基于迁移学习的颅内血管模拟三维模型快速建立方法
Dawood et al. The importance of contrast enhancement in medical images analysis and diagnosis
CN117036530A (zh) 基于跨模态数据的冠状动脉血流储备分数预测方法及装置
Shiffman et al. Semiautomated editing of computed tomography sections for visualization of vasculature
JP2019515255A (ja) 医療画像処理
CN115511840A (zh) 图像处理方法、装置、电子设备及存储介质
CN111798468B (zh) 图像处理方法及装置、存储介质及电子终端
CN115775219A (zh) 医学图像分割方法、系统、电子设备及介质
Alom et al. Automatic slice growing method based 3D reconstruction of liver with its vessels

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