CN115564817A - 三维血管图像的确定方法、装置、设备及存储介质 - Google Patents
三维血管图像的确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115564817A CN115564817A CN202211417958.1A CN202211417958A CN115564817A CN 115564817 A CN115564817 A CN 115564817A CN 202211417958 A CN202211417958 A CN 202211417958A CN 115564817 A CN115564817 A CN 115564817A
- Authority
- CN
- China
- Prior art keywords
- image
- blood vessel
- information
- images
- contour
- 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.)
- Granted
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 364
- 238000000034 method Methods 0.000 title claims abstract description 98
- 230000004927 fusion Effects 0.000 claims abstract description 176
- 230000000747 cardiac effect Effects 0.000 claims abstract description 70
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 32
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims description 72
- 238000004458 analytical method Methods 0.000 claims description 26
- 230000000007 visual effect Effects 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 20
- 230000000737 periodic effect Effects 0.000 claims description 19
- 239000008280 blood Substances 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 16
- 210000004369 blood Anatomy 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000011426 transformation method Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000002608 intravascular ultrasound Methods 0.000 description 57
- 238000010586 diagram Methods 0.000 description 35
- 238000004422 calculation algorithm Methods 0.000 description 23
- 238000012545 processing Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 15
- 210000004351 coronary vessel Anatomy 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 239000012528 membrane Substances 0.000 description 6
- 238000012014 optical coherence tomography Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 239000003550 marker Substances 0.000 description 5
- 238000003909 pattern recognition Methods 0.000 description 5
- 230000002526 effect on cardiovascular system Effects 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 208000031481 Pathologic Constriction Diseases 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 239000002775 capsule Substances 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000036262 stenosis Effects 0.000 description 2
- 208000037804 stenosis Diseases 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 206010003211 Arteriosclerosis coronary artery Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 208000026758 coronary atherosclerosis Diseases 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 210000004231 tunica media Anatomy 0.000 description 1
- 238000012285 ultrasound imaging 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
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供了一种三维血管图像的确定方法、装置、设备及存储介质;方法包括:针对获取的血管图像序列,确定第一融合相关信息,第一融合相关信息表示不同血管图像之间的相关性信息;对第一融合相关信息进行周期性分析,确定心动周期,并基于心动周期确定血管图像序列中的舒张末期图像;根据舒张末期图像,确定待构建血管的特征边界,并基于特征边界确定舒张末期图像各自的轮廓信息;基于舒张末期图像各自的轮廓信息,进行三维图像合成,得到待构建血管的三维血管图像。通过本申请能够保留三维血管图像中更多有效细节信息,进而提高三维血管图像的准确度。
Description
技术领域
本申请涉及医疗图像处理技术,尤其涉及一种三维血管图像的确定方法、装置、设备及存储介质。
背景技术
目前在医疗图像领域,利用血管内超声影像或光学相干断层扫描影像等二维血管图像确定三维血管图像有了很大的发展,通常使用的方法有传统形态学算法、模式识别算法或机器学习算法等。
但是,血管图像在获取的过程中会受到冠脉斑块,导丝伪影,导管伪影等现象的影响,使得血管图像之间的质量差距较大。如此,上述方法利用二维血管图像来确定三维血管图像时,由于受到不同血管图像之间质量差距的影响,三维血管图像难以准确地反映血管腔的情况,例如血管腔走向、血管腔狭窄程度或者血管腔内面积等等,导致三维血管图像中有效细节信息丢失,进而降低了三维血管图像的准确度。
发明内容
本申请实施例提供一种三维血管图像的确定方法、装置、设备及存储介质,能够保留三维血管图像中的有效细节信息,进而提高三维血管图像的准确度。
本申请实施例的技术方案是这样实现的:
根据本申请实施例的一个方面,提供一种三维血管图像的确定方法,包括:针对获取的血管图像序列,确定第一融合相关信息,所述第一融合相关信息表示不同血管图像之间的相关性信息;对所述第一融合相关信息进行周期性分析,确定心动周期,并基于所述心动周期确定所述血管图像序列中的舒张末期图像;根据所述舒张末期图像,确定待构建血管的特征边界,并基于所述特征边界确定所述舒张末期图像各自的轮廓信息;基于所述舒张末期图像各自的轮廓信息,进行三维图像合成,得到所述待构建血管的三维血管图像。
根据本申请实施例的一个方面,提供一种三维血管图像的确定装置,包括:信息确定模块、周期分析模块、轮廓获取模块和模型确定模块,其中,所述信息确定模块,用于针对获取的血管图像序列,确定第一融合相关信息,所述第一融合相关信息表示不同血管图像之间的相关性信息;所述周期分析模块,用于对所述第一融合相关信息进行周期性分析,确定心动周期,并基于所述心动周期确定所述血管图像序列中的舒张末期图像;所述轮廓获取模块,用于根据所述舒张末期图像,确定待构建血管的特征边界,并基于所述特征边界确定所述舒张末期图像各自的轮廓信息;所述模型确定模块,用于基于所述舒张末期图像各自的轮廓信息,进行三维图像合成,得到所述待构建血管的三维血管图像。
根据本申请实施例的一个方面,提供一种电子设备,包括存储器和处理器,其中,所述存储器,用于存储计算机程序;所述处理器,用于执行所述存储器中存储的计算机程序,实现本申请实施例提供的三维血管图像的确定方法。
根据本申请实施例的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本申请实施例提供的所述的三维血管图像的确定方法。
本申请实施例提供了一种三维血管图像的确定方法、装置、设备及存储介质,针对获取的血管图像序列,确定第一融合相关信息,第一融合相关信息表示不同血管图像之间的相关性信息,对第一融合相关信息进行周期性分析,确定心动周期。一方面,本申请实施例中心动周期的确定考虑到不同血管图像之间的相关性信息,而不仅仅依赖于所获取的血管图像,避免了不同血管图像质量差距较大的问题。如此,利用第一融合相关信息进行周期性分析从而确定心动周期,能够提高心动周期的准确度,进而提高舒张末期图像在血管图像序列的定位精准度。又一方面,本申请实施例中利用基于心动周期确定血管图像序列中舒张末期图像,根据舒张末期图像,确定待构建血管的特征边界,并基于特征边界确定舒张末期图像各自的轮廓信息。如此,在基于舒张末期图像确定待构建血管的特征边界,能够避免由于血管图像的质量而影响特征边界的确定,进而提高轮廓信息的准确度。另一方面,本申请实施例基于舒张末期图像各自的轮廓信息,进行三维图像合成,得到待构建血管的三维血管图像,在进行三维图像合成时,利用的是舒张末期图像的轮廓信息,根据每舒张末期图像的轮廓信息可以对缺少的血管图像的轮廓信息补全,进而可以得到血管图像序列中所有血管图像的轮廓信息,如此,基于血管图像序列中所有血管图像的轮廓信息进行三维图像合成得到三维血管图像,能够避免不同血管图像之间质量差距造成的影响,可以保留三维血管图像中更多有效细节信息,进而能够提高三维血管图像的准确度。再一方面,本申请实施例在进行三维图像合成过程中无需对血管图像做预处理操作,也无需大量血管图像数据集,如此,能够提高三维图像合成的实用性以及可操作性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本申请的实施例,并与说明书一起用于说明本申请的技术方案。显而易见地,下面描述中的附图仅仅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。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1为本申请实施例提供的一种三维血管图像确定方法的流程示意图一;
图2为本申请实施例提供的一种三维血管图像确定方法的流程示意图二;
图3为本申请实施例提供的一种三维血管图像确定方法的流程示意图三;
图4为本申请实施例提供的一种三维血管图像确定方法的流程示意图四;
图5为本申请实施例提供的一种三维血管图像确定方法的流程示意图五;
图6为本申请实施例提供的一种三维血管图像确定方法的流程示意图六;
图7为本申请实施例提供的另一种三维血管图像的确定方法的流程示意图;
图8为本申请实施例提供的一种血管图像序列示意图;
图9为本申请实施例提供的一种第一融合相关信息示意图;
图10为本申请实施例提供的一种第三融合相关信息示意图;
图11为本申请实施例提供的一种目标融合相关信息示意图;
图12为本申请实施例提供的一种纵向视角与轴向视角示意图;
图13为本申请实施例提供的一种预设轴向视角示意图;
图14为本申请实施例提供的一种舒张末期轴向图像示意图;
图15为本申请实施例提供的一种特征边界示意图;
图16为本申请实施例提供的一种带有分割标记点的舒张末期图像示意图;
图17为本申请实施例提供的一种微调后的带有分割标记点的舒张末期图像示意图;
图18为本申请实施例提供的一种相邻两个舒张末期图像的轮廓信息示意图;
图19为本申请实施例提供的一种相邻两个舒张末期图像的轮廓信息之间的差集区域示意图;
图20为本申请实施例提供的另一种相邻两个舒张末期图像的轮廓信息之间的差集区域示意图;
图21为本申请实施例提供的又一种相邻两个舒张末期图像的轮廓信息之间的差集区域示意图;
图22为本申请实施例提供的一种待补全血管图像的轮廓信息示意图;
图23为本申请实施例提供的一种三维血管图像示意图;
图24为本申请实施例提供的一种三维血管图像的确定装置的结构示意图;
图25为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,所描述的实施例不应视为对本申请的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
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申请的技术领域的技术人员通常理解的含义相同,本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
在以下的描述中,涉及到“一些实施例”、“本实施例”、“本申请实施例”以及举例等等,其描述了所有可能实施例的子集,但是可以理解, “一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
如果申请文件中出现“第一/第二”的类似描述则增加以下的说明,在以下的描述中,所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
对本申请实施例进行进一步详细说明之前,对本申请实施例中涉及的名词和术语进行说明,本申请实施例中涉及的名词和术语适用于如下的解释。
1)血管内超声(Intravenous Ultrasound,IVUS):血管内超声是通过心导管将微型化的超声换能器置入心血管腔内,显示心血管断面形态或血流图形,主要包括超声显像技术和多普勒血流测定两方面,用于检查血管内壁的情况,在本申请实施例中,利用血管内超声得到血管横截面形态的二维图像。
2)光学相干断层扫描(Optical Coherence Tomography,OCT):光学相干断层扫描利用弱相干光干涉仪的基本原理,检测生物组织不同深度层面对入射弱相干光的背向反射或几次散射信号,通过扫描,可得到生物组织二维或三维结构图像,在本申请实施例中,利用相干光断层扫描技术得到血管横截面形态的二维图像。
在医疗图像应用领域,通常利用血管内超声技术以及光学相干断层扫描技术获得血管横截面形态的二维图像,随后对血管横截面图像进行处理来构建出三维血管图像,基于三维血管图像可以观察到血管腔形态、血管壁结构,且通过对准确分割血管膜(中膜-内膜-外模)边界,可以直观且准确的分析出血管腔横截面积、血管腔面积狭窄等情况,进而判断病变严重程度。因此,对血管横截面图像进行分析已经被广泛的应用于临床的病症诊断中,比如,冠状动脉粥样硬化,心肌梗塞,以及支架手术规划等。目前利用血管横截面图像构建三维血管图像常用的方法有传统形态学算法,模式识别算法,机器学习算法等。其中,传统形态学算法通常将血管横截面图像进行滤波处理,并将滤波处理后的血管横截面图像进行人工标记操作,随后将带有标记的血管横截面图像通过空间顺序进行连接,构成三维血管模型;模式识别算法中可以利用snake算法给出初始三维血管轮廓,将初始三维血管轮廓作为基准逐步迭代,不断改进三维血管轮廓,进而得到较精确的三维血管模型;机器学习算法通常是获取大量血管横截面图像以及三维血管模型的数据集作为训练数据集,利用训练数据集对初始三维血管模型进行迭代训练,在迭代的过程中,根据目标函数不断的优化初始三维血管模型进而得到准确的三维血管模型。
上述方法依赖于获取的血管横截面图像,但是血管横截面图像在获取的过程中,会受到冠脉斑块,导丝伪影,导管伪影等的影响,导致血管横截面图像的质量较差,因此极大的影响了三维血管模型的准确度,另外,上述方法依赖于人工参与、迭代训练以及大数据支持,限制了三维血管模型构建的实用性。
基于此,本申请实施例提供一种三维血管图像的确定方法,该方法应用于电子设备,该电子设备在实施的过程中可以为各种类型的具有信息处理能力的设备,例如所述电子设备可以包括手机、平板电脑、台式机、笔记本电脑、或传感设备等。该方法所实现的功能可以通过电子设备中的处理器调用程序代码来实现,当然程序代码可以保存在计算机存储介质中,可见,该电子设备至少包括处理器和存储介质。
本申请实施例提供一种三维血管图像的确定方法,如图1所示,所述方法包括步骤101至步骤104:
步骤101、针对获取的血管图像序列,确定第一融合相关信息,第一融合相关信息表示不同血管图像之间的相关性信息。
在一些实施例中,血管图像序列包括多个连续的血管图像,也就是说,不同的血管图像之间具有空间以及时间的相对关系。
在一些实施例中,血管图像序列中不同的血管图像具有不同的索引信息,上述索引信息可以为序列标号,例如1、2、3……。
在一些实施例中,血管图像可以是血管内超声横截面图像、光学相干断层扫描图像、核磁共振图像、电子计算机断层扫描(Computed Tomography,CT)图像等等,本实施例对血管图像的具体形式不做任何限制。
需要说明的是,血管图像序列是对应于需要进行三维血管重建的部位的,例如冠脉、颈动脉、颅内动脉等等,本实施例对血管图像序列所对应的部位不做任何限制,具体可以根据实际情况进行相应的选择。
在一些实施例中,血管图像序列可以是通过医疗设备实时获取的,例如,可以是通过核磁共振设备实时采集到血管图像序列,可以是通过心导管将微型化的超声换能器置入心血管腔内进而采集到血管图像序列,也可以是利用相干光断层扫描技术采集到血管图像序列。另外,血管图像序列也可以是通过存储设备获取的,本实施例对血管图像序列的获取方式不做任何限制,具体可以根据实际情况进行相应的选择。
在一些实施例中,第一融合相关信息表示不同血管图像之间的相关性信息,相关性信息可以理解为血管图像之间的物理特征的相关程度,比如颜色分布、像素灰度值以及边缘特征等等。以血管图像的像素灰度值为例,若两个血管图像中像素灰度值差异较大,则表示上述两个血管图像的相关程度较小,进而相关信息的数值较小;若两个血管图像中像素灰度值差异较小,则表示上述两个血管图像的相关程度较大,进而相关信息的数值较大。
在一些实施例中,第一融合相关信息包括归一化互相关信息、梯度信息和均方差信息中的至少一种,也就是说,第一融合相关信息可以为归一化互相关信息、梯度信息或者均方差信息,也可以为上述三种信息的融合信息,本实施例对第一融合相关信息的内容不作任何限制,具体可以根据实际情况进行相应的选择。
需要说明的是,归一化互相关信息可以表示血管图像之间的相似程度,若血管图像之间的相似程度越高,则归一化互相关的值越大,反之,则归一化互相关的值越小。梯度信息可以表示血管图像的边缘信息以及纹理信息。均方差信息可以表示血管图像之间的差异程度,若血管图像之间的差异程度越大,则均方差信息的值越大,反之,则均方差信息的值越小。
在一些实施例中,可以基于血管图像中各像素点的像素值得到归一化互相关信息、梯度信息和均方差信息。
在一些实施例中,血管图像序列中相邻血管图像之间的归一化互相关信息可以根据以下公式(1)确定
其中,表示血管图像序列中第个大小为像素的血管图像,表示血管图像序列中第个大小为像素的血管图像,表示第个血管图像中坐标为的像素点的像素值,表示第i个血管图像的横坐标大小,表示第i个血管图像的纵坐标大小,表示均值操作,表示对输入信号做均值操作,表示对第个血管图像中各像素点的像素值做均值操作,表示对第个血管图像中各像素点的像素值做均值操作,表示第个血管图像与第个血管图像之间的归一化互相关信息。
在一些实施例中,血管图像序列中血管图像的梯度信息可以根据以下公式(2)确定:
其中,表示输入信号沿着x轴方向的梯度信息,表示输入信号沿着y轴方向的梯度信息,表示第i个血管图像中各像素点沿x轴方向的梯度信息,表示第i个血管图像中各像素点沿y轴方向的梯度信息,以及的大小与血管图像的大小保持一致,也就是说,血管图像中各像素点具有对应的梯度信息,表示输入矩阵中各像素点的值进行求和操作,表示第i个血管图像的梯度信息。在本实施例中,针对第i个血管图像中坐标为的像素点的梯度信息可以根据以下公式(3)以及公式(4)确定:
血管图像序列中相邻血管图像之间的均方差信息可以根据以下公式(5)确定:
在一些实施例中,基于上述血管图像序列中相邻血管图像之间的归一化互相关信息、血管图像序列中血管图像的梯度信息以及血管图像序列中相邻血管图像之间的均方差信息,可以根据以下公式(6)确定第一融合相关信息:
其中,为第个血管图像与第i+1个血管图像之间的归一化互相关信息,表示第i个血管图像的梯度信息,表示第个血管图像与第i+1个血管图像之间均方差信息,表示第i个血管图像对应的第一融合相关信息,、与分别表示归一化互相关信息、梯度信息以及均方差信息的比例因子,、与之间的关系为,例如,、以及。
步骤102、对第一融合相关信息进行周期性分析,确定心动周期,并基于心动周期确定血管图像序列中的舒张末期图像。
在一些实施例中,第一融合相关信息是一个与时间相关的序列信息,上述序列信息与血管图像序列相对应,可以理解的是,第一融合相关信息的索引信息与血管图像序列的索引信息是一一对应的。
在一些实施例中,心动周期为一次心跳的起始到下一次心跳的起始,也就是说,心脏每收缩和舒张一次构成一个心动周期,进一步地,舒张末期图像为心脏处于舒张状态下的图像。
在一些实施例中,第一融合相关信息以时间为自变量,各项指标的幅度变化为因变量,若基于第一融合相关信息进行周期性分析,考虑到的因素较为复杂。如此,通过频域变换法,将第一融合相关信息转换为频域的第二融合相关信息,使得周期性分析问题更加简单以及直观。
在一些实施例中,对第二融合相关信息还可进行滤波操作,生成第三融合相关信息,第三融合相关信息表征血管图像序列中各个血管图像融合以及滤波后形成的计算结果,第三融合相关信息相较于第二融合相关信息更平滑,更容易进行周期性分析。在本实施例中,第三融合相关信息与血管图像序列相对应,可以理解的是,第三融合相关信息的索引信息与血管图像序列的索引信息是一一对应的。
在一些实施例中,可以基于第三融合相关信息进行周期性分析,确定血管图像序列对应的多个心动周期,其中,心动周期为第三融合相关信息中具有周期性形态的数据范围。示例性的,第三融合相关信息中包括多个周期形态的波形,每个周期形态的波形中具有最高点以及最低点,最高点以及最低点之间的波形可以表示为一个心动周期。
在一些实施例中,可以基于心动周期确定血管图像序列中的舒张末期图像。其中,第三融合相关信息是具有周期形态的计算结果,第三融合相关信息的索引信息与血管图像序列的索引信息是一一对应的。如此,获取每个心动周期中第三融合相关信息的最小值的目标索引信息,从血管图像序列中,确定与目标索引信息对应的目标血管图像,目标血管图像即为舒张末期图像。
步骤103、根据舒张末期图像,确定待构建血管的特征边界,并基于特征边界确定舒张末期图像各自的轮廓信息。
在一些实施例中,待构建血管的特征边界可以为在轴向视角下对血管膜的分割边界,可以为血管中膜-血管外模的分割边界,也可以为血管中膜-血管内模的分割边界,本申请对此不做任何限定,具体可以根据实际情况进行相应的选择。
在一些实施例中,血管图像的轮廓信息可以是在纵向视角下血管图像中血管膜的分割边界,与上述特征边界相对应,血管图像的轮廓信息可以为血管中膜-血管外模的分割边界,也可以为血管中膜-血管内模的分割边界。
在一些实施例中,可以将血管图像序列中各个舒张末期图像按照空间相对位置堆叠成三维矩阵,得到舒张末期三维图像,在获取到舒张末期三维图像之后,对将舒张末期三维图像沿着多个预设轴向视角进行分割,得到与多个预设轴向视角对应的多个舒张末期轴向图像。
在一些实施例中,通过对多个舒张末期轴向图像进行分割,得到待构建血管的特征边界。对于舒张末期三维图像的分割方式,可以采用人工处理方式得到,也可以采用半自动处理方式或者自动处理方式。其中,对于人工处理方式,可以通过手动勾画的方式确定舒张末期轴向图像的特征边界;对于自动处理方式,可以通过深度学习、模式识别等方式自动提取舒张末期轴向图像的特征边界。在这里也可采用其他方式进行特征边界的确定,本实施例对特征边界的确定方式不做任何限制,具体可以根据实际情况进行相应的选择。
在一些实施例中,基于特征边界中各像素点的第一位置,以及每个预设轴向视角到纵向视角的位置对应关系,确定每个舒张末期轴向图像中,特征边界中各像素点在舒张末期图像的第二位置并标记,得到带有分割标记点的舒张末期图像。其中,第一位置与第二位置用于表示像素点的空间位置关系,例如,第一位置与第二位置可以是三维坐标值。可以理解的是,舒张末期图像中分割标记点与特征边界中各像素点是一一对应的。
在一些实施例中,针对每个舒张末期图像的各分割标记点,可以对每个分割标记点的位置进行微调操作,使得微调后的各分割标记点更贴合舒张末期图像的轮廓信息。在本实施例中,可以对舒张末期图像中各分割标记点的位置通过手动调整的方式进行微调。示例性的,可以对舒张末期图像中各分割标记点的位置通过自动调整的方式进行微调,例如,利用深度学习算法,形态学算法等等可以实现自动调整,本实施例对分割标记点的微调方式不做任何限制,具体可以根据实际情况进行相应的选择。
在一些实施例中,基于带有分割标记点的舒张末期图像中的各个第二位置,确定舒张末期图像各自的轮廓信息。在本实施例中,将舒张末期图像中各分割标记点相连接得到对应的轮廓图,上述轮廓图为舒张末期图像的轮廓信息。
在一些实施例中,可以基于机器学习算法、传统形态学算法、深度学习算法等将舒张末期图像中分割标记点相连接得到对应的轮廓信息,本实施例对分割标记点的连接方式不做任何限制,具体可以根据实际情况进行相应的选择。
步骤104、基于舒张末期图像各自的轮廓信息,进行三维图像合成,得到待构建血管的三维血管图像。
在一些实施例中,根据每相邻两个舒张末期图像各自的轮廓信息进行轮廓补全,得到血管图像序列的目标轮廓信息,基于目标轮廓信息,进行三维图像合成,得到待构建血管的三维血管图像。在本实施例中,血管图像序列中包括多个舒张末期图像,相邻的两个舒张末期对应一个完整的心动周期,如此,通过对相邻的两个舒张末期图像之间缺少的血管图像的轮廓信息进行轮廓补全,可以得到对应的一个心动周期中所有血管图像的轮廓信息。
在本实施例中,根据下一个相邻两个舒张末期图像各自的轮廓信息进行轮廓补全,直至遍历完血管图像序列中的最后一个舒张末期图像时为止,得到补全后的多次轮廓信息。将血管图像序列中舒张末期图像与补全后的多次轮廓信息按照空间的位置关系进行整合,得到血管图像序列的目标轮廓信息,上述目标轮廓信息为血管图像序列中所有血管图像的轮廓信息。
在本实施例中,将血管图像序列的目标轮廓信息进行三维图像合成,得到待构建血管的三维血管图像。
在一些实施例中,可以通过现有的图像编辑器对血管图像序列的目标轮廓信息进行三维图像合成,现有的图像编辑器可以对图像进行旋转、拉伸、轮廓倒角等操作,使多个二维的目标轮廓信息转换为三维血管图像。也可以通过一些图像处理算法对血管图像序列的目标轮廓信息进行三维图像合成从而得到三维血管图像,例如,三角网络关系、卷积神经网络等算法,本实施例对三维图像的合成方式不做任何限制,具体可以根据实际情况进行相应的选择。
在本实施例中,提供了一种三维血管图像的确定方法,首先针对获取的血管图像序列,确定第一融合相关信息,对第一融合相关信息进行周期性分析,确定心动周期。由于第一融合相关信息可以充分考虑到不同血管图像之间的相关性信息,因此基于第一融合相关信息进行周期性分析可以提高血管图像序列中心动周期的准确度。进而,基于心动周期可以准确定位到血管图像序列中的舒张末期图像,根据舒张末期图像,确定待构建血管的特征边界,并基于特征边界确定舒张末期图像各自的轮廓信息。最后,通过舒张末期图像各自的轮廓信息,进行三维图像合成,得到待构建血管的三维血管图像。一方面,本实施例中心动周期的确定考虑到不同血管图像之间的相关性信息,而不仅仅依赖于所获取的血管图像的质量,避免了不同血管图像质量差距较大的问题,提高了心动周期的准确度,进而提高了舒张末期图像在血管图像序列的定位精准度,如此,在利用舒张末期图像的轮廓信息进行三维图像合成时,提高了三维血管图像的准确度。另一方面,本实施例对三维血管图像进行三维图像合成时,利用的是舒张末期图像的轮廓信息,在三维图像合成的过程中无需对血管图像做预处理操作,也无需大量血管图像数据集,如此,提高了三维图像合成的实用性以及可操作性。
在其中一个实施例中,如图2所示,步骤102的实现可以包括步骤201至步骤203:
步骤201、利用频域变换方法,将第一融合相关信息转换为频域的第二融合相关信息。
在本实施例中,本实施例利用傅里叶变换方法,将第一融合相关信息转换为频域的第二融合相关信息,可以根据以下公式(7)将第一融合相关信息转换为频域的第二融合相关信息:
其中,表示第一融合相关信息,表示采样点数,表示傅里叶变换,表示第二融合相关信息。在本实施例中,作为采样点数表示进行傅里叶变换后输出信号的长度,通常的取值为2的幂次方。示例性的,采样点数为2048,则,此时第一融合相关信息经过傅里叶变换后的第二融合相关信息的信号长度为11,这里的长度是指第二融合相关信息包括11个与频率相关的序列。
步骤202、对第二融合相关信息进行滤波操作,生成第三融合相关信息;第三融合相关信息表征血管图像序列中各个血管图像融合以及滤波后形成的计算结果。
在本实施例中,第二融合相关信息通过巴特沃斯滤波器进行滤波操作,生成第三融合相关信息,通过滤波操作,可以去除第二融合相关信息的噪声信息以及高频信息,使得第三融合相关信息相对于第二融合相关信息的波形形态更为平滑。
在本实施例中,第三融合相关信息与血管图像序列相对应,可以理解的是,第三融合相关信息的索引信息与血管图像序列的索引信息是一一对应的。示例性的,第三融合相关信息的横坐标与血管图像序列的序列号一一对应的,也就是说,第三融合相关信息中的每个值对应于血管图像序列中的一个血管图像。
在本实施例中,可以通过以下公式(8)确定巴特沃斯滤波器的最大频率,可以通过以下公式(9)确定巴特沃斯滤波器的截止频率:
其中,表示巴特沃斯滤波器的采样频率,表示巴特沃斯滤波器的最大频率,表示巴特沃斯滤波器的截止频率,表示获取输入信息的最大值,表示第二融合相关信息的最大值,表示获取输入信息的索引信息,则表示第二融合相关信息的最大值对应的索引信息,在本实施例中,在公式(8)中,巴特沃斯滤波器的采样频率可以通过以下公式(10)确定:
其中,表示血管图像的回撤率,表示血管图像的播放率,上述以及由DICOM(Digital Imaging and Communications inMedicine,医学数字成像和通信)中的字段信息确定的,DICOM标准是医学图像和相关信息的国际标准,DICOM标准存储有血管图像相关的信息。示例性的,血管图像的回撤率在DICOM标准中的字段信息为[0018,3101],血管图像的播放率在DICOM标准中的字段信息为[0018,0040],根据字段信息可以在DICOM标准找到血管图像的回撤率以及播放率对应的数值。
在本实施例中,在得到巴特沃斯滤波器的最大频率以及截止频率后,可以通过以下公式(11)将第二融合相关信息进行滤波操作,得到第三融合相关信息:
其中,表示第三融合相关信息,表示第一融合相关信息,表示巴特沃斯滤波器的最大频率,表示巴特沃斯滤波器的截止频率,表示巴特沃斯滤波器的阶数,表示对输入信号进行巴特沃斯滤波操作,其中,的阶数可以根据实际情况来确定,示例性的,。
步骤203、根据第三融合相关信息进行周期性分析,确定血管图像序列对应的多个心动周期;心动周期为第三融合相关信息中具有周期性形态的数据范围。
在本实施例中,第三融合相关信息中包括多个周期形态的数据范围,每个周期形态的数据范围中具有最高点以及最低点,最高点以及最低点之间的数据范围可以表示为一个心动周期。如此,通过确定第三融合相关信息中多个周期形态中最高点与最低点的数据范围可以确定血管图像序列的多个心动周期。
在本申请实施例中,提供了一种心动周期确定方法,首先利用频域变换方法,将第一融合相关信息转换为频域的第二融合相关信息。然后,对第二融合相关信息进行滤波操作生成第三融合相关信息。最后,对第三融合相关信息进行周期性分析,确定血管图像序列对应的多个心动周期。本实施例一方面通过将时域的第一融合相关信息转换为频域的第二融合相关信息进行周期性分析问题,可以降低周期分析的复杂度并简化周期分析的过程。另一方面,滤波操作可以有效去除第二融合相关信息的噪声信息以及高频信息,使得第三融合相关信息相对于第二融合相关信息的波形形态更为平滑,进而提高了心动周期的准确度。
在其中一个实施例中,如图3所示,步骤102的实现还可以包括步骤301至步骤302:
步骤301、确定各个心动周期对应的目标融合相关信息,目标融合相关信息表示每个心动周期中第三融合相关信息的最小值。
在本实施例中,目标融合相关信息表示每个心动周期中第三融合相关信息的最小值,在本实施例中,第三融合相关信息中包括多个周期形态的数据范围,而每个周期形态的数据范围对应于一个心动周期。如此,通过获取每个周期形态的数据范围中最低点可以确定各个心动周期对应的目标融合相关信息。
步骤302、从血管图像序列中,确定与目标融合相关信息对应的目标血管图像,目标血管图像为舒张末期图像。
在本实施例中,目标融合相关信息为每个心动周期中第三融合相关信息的最小值,第三融合相关信息的索引信息与血管图像序列的索引信息是一一对应的。如此,可以通过获取每个心动周期中目标融合相关信息的索引信息,从血管图像序列中,确定与该索引信息对应的血管图像,即为舒张末期图像。
在本申请实施例中,提供了一种舒张末期图像获取方法,首先确定各个心动周期对应的目标融合相关信息,然后从血管图像序列中,确定与目标融合相关信息对应的目标血管图像,目标血管图像即为舒张末期图像。在本实施例中通过心动周期确定血管图像序列中的舒张末期图像,并不依赖于所获取的血管图像序列,这样可以避免通过血管图像序列中不同血管图像质量差距较大的问题。例如,不同血管图像的可能会受到冠脉斑块,导丝伪影,导管伪影等现象的影响,导致舒张末期图像判断出现失误。如此,通过心动周期确定血管图像序列中的舒张末期图像可以提高舒张末期图像的定位准确度。
在其中一个实施例中,如图4所示,步骤103的实现可以包括步骤401至步骤403:
步骤401、将各个舒张末期图像按照空间相对位置堆叠成三维矩阵,得到舒张末期三维图像。
在本实施例中,舒张末期图像为二维血管图像,各个舒张末期图像具有空间相对位置关系的,可以理解的是,各个舒张末期图像具有对应的索引信息,舒张末期图像的索引信息与血管图像序列的索引信息相互对应。
在本实施例中,将各个舒张末期图像按照各自的索引信息堆叠成三维矩阵的形式,得到舒张末期三维图像。示例性的,舒张末期图像的大小为,其单位为像素,各个舒张末期图像的索引信息依次为1,5,9,13,19,23……,共有180张舒张末期图像,那么,将各个舒张末期图像按照索引信息中各序列号的大小进行排列,堆叠成三维矩阵形式的舒张末期三维图像,该舒张末期三维图像的大小为。
步骤402、沿着多个预设轴向视角,对舒张末期三维图像进行分割,得到与多个预设轴向视角对应的多个舒张末期轴向图像。
在本实施例中,舒张末期三维图像为多个舒张末期图像按照空间相对位置堆叠成的三维矩阵,舒张末期图像的堆叠方向为纵向视角,而旁边一侧视角为轴向视角,可以理解的是,看向舒张末期三维图像中舒张末期图像的视角为纵向视角,而另一侧则为轴向视角。
在本实施例中,将舒张末期三维图像按照多个预设轴向视角进行分割,可以得到与多个预设轴向视角对应的多个舒张末期轴向图像,上述舒张末期轴向图像为与预设轴向视角对应的二维图像,也就是说舒张末期图像为舒张末期三维图像的横截面图像,舒张末期轴向图像为舒张末期三维图像的剖面图像。示例性的,将180张大小为像素的舒张末期图像按照空间相对位置进行堆叠后得到大小为的舒张末期三维图像,然后将上述舒张末期三维图像,按照0度、30度、60度、90度、120度以及150度的轴向视角进行分割,得到与上述轴向视角对应的6个大小为的轴向图像,上述6个轴向图像分别与0度、30度、60度、90度、120度以及150度的轴向视角相对应。
步骤403、基于多个舒张末期轴向图像,确定待构建血管的特征边界。
在本实施例中,舒张末期轴向图像可以理解为舒张末期三维图像的剖面图像,待构建血管的特征边界可以理解为血管膜的分割边界,例如,血管中膜-血管外模的分割边界或者血管中膜-血管内模的分割边界。
在本实施例中,通过对多个舒张末期轴向图像进行分割,得到待构建血管的特征边界,对于特征边界的分割方式,可以采用人工处理方式得到,也可以采用半自动处理方式或者自动处理方式。其中,对于人工处理方式,可以通过手动勾画的方式确定舒张末期轴向图像的特征边界,对于自动处理方式,可以通过深度学习、模式识别等方式自动提取舒张末期轴向图像的特征边界。
在本申请实施例中,提供了一种特征边界获取方法,将多个二维的舒张末期图像转换为三维的舒张末期三维图像,并使三维的舒张末期三维图像按照预设轴向视角进行轴向分割得到舒张末期轴向图像。上述舒张末期轴向图像为舒张末期三维图像的剖面图,如此,基于舒张末期轴向图像可以确定出待构建血管的特征边界。
在其中一个实施例中,如图5所示,步骤103的实现还可以包括步骤501至步骤502:
步骤501、基于特征边界中各像素点的第一位置,以及每个预设轴向视角到纵向视角的位置对应关系,确定每个舒张末期轴向图像中,特征边界中各像素点在舒张末期图像的第二位置并标记,得到带有分割标记点的舒张末期图像。
在本实施例中,特征边界中各像素点的第一位置可以为特征边界中像素点的坐标值,上述第一位置可以表示特征边界中各像素点与各舒张末期图像的空间位置对应关系,可以理解的是,根据特征边界中像素点的第一位置,可以确定该像素点对应于具体哪一个舒张末期图像。
在本实施例中,针对每个舒张末期轴向图像,在确定特征边界中各像素点与各舒张末期图像的空间位置对应关系后,依据每个预设轴向视角到纵向视角的位置对应关系,确定特征边界中各像素点在舒张末期图像的第二位置并标记于对应的舒张末期图像中,预设轴向视角到纵向视角的位置对应关系可以通过以下公式(12)以及公式(13)确定:
其中,表示舒张末期轴向图像中像素点的坐标值,表示舒张末期轴向图像中像素点对应于舒张末期图像中像素点的坐标值,表示舒张末期图像的大小的一半,例如,舒张末期图像的大小为像素,则为200,表示特征边界中各像素点对应的预设轴向视角,例如,的取值为0、30、60、90、120或者150,为圆周率,表示对输入信息进行正弦计算,表示对输入信息进行余弦计算。
在本实施例中,通过将舒张末期轴向图像中特征边界中各像素点标记于对应的舒张末期图像中,可以得到带有分割标记点的舒张末期图像,可以理解的是,舒张末期图像中各分割标记点对应于舒张末期轴向图像中特征边界的各像素点。
在本实施例中,针对每个舒张末期图像的各分割标记点,可以对每个分割标记点的位置进行微调操作,在本实施例中,可以对舒张末期图像中各分割标记点的位置通过手动调整的方式进行微调,示例性的,可以对舒张末期图像中各分割标记点的位置通过自动调整的方式进行微调,例如,利用深度学习算法,形态学算法等等可以实现自动调整。
步骤502、基于带有分割标记点的舒张末期图像中的各个第二位置,确定舒张末期图像各自的轮廓信息。
在本实施例中,第二位置为分割标记点在舒张末期图像的位置信息,例如坐标值,基于舒张末期图像中各分割标记点的位置信息将各分割标记点相连接得到对应的轮廓图,上述轮廓图为舒张末期图像的轮廓信息。在本实施例中对于分割标记点的连接方式可以基于机器学习算法、传统形态学算法、深度学习算法等等,本实施例对分割标记点的连接方式不做任何限制。
在本申请实施例中,提供了一种轮廓信息获取方法,通过舒张末期轴向图像中特征边界中各像素点的第一位置,以及每个预设轴向视角到纵向视角的位置对应关系,将特征边界中各像素点作为分割标记点标记于舒张末期图像的第二位置,如此,根据舒张末期图像的分割标记点,可以确定出舒张末期图像的轮廓信息。
在其中一个实施例中,如图6所示,步骤103的实现可以包括步骤601至步骤602:
步骤601、根据每相邻两个舒张末期图像各自的轮廓信息进行轮廓补全,得到血管图像序列的目标轮廓信息。
在本实施例中,目标轮廓信息为血管图像序列中所有血管图像的轮廓信息,在本实施例中,血管图像序列中包括多个舒张末期图像,相邻的两个舒张末期对应一个完整的心动周期,如此,通过对相邻的两个舒张末期图像之间缺少的血管图像的轮廓信息进行轮廓补全,可以得到对应的一个心动周期中所有血管图像的轮廓信息。
在本实施例中,依次对血管图像序列中相邻的两个舒张末期图像之间缺少的血管图像的轮廓信息进行轮廓补全,可以得到血管图像序列的中所有血管图像的轮廓信息,即为目标轮廓信息。
在本实施例中,获取当前相邻的两个舒张末期图像的轮廓信息之间的当前物理距离,当前物理距离表征在纵向视角下当前相邻的两个舒张末期图像的轮廓信息之间的像素点的像素值差异。
在本实施例中,当前物理距离表示在纵向视角下当前相邻的两个舒张末期图像的轮廓信息之间的像素点的像素值差异。可以理解的是,在纵向视角下,相邻的两个舒张末期图像的轮廓信息并不是完全重叠在一起的,两个轮廓信息是具有差异性的。如此,在纵向视角下相邻的两个舒张末期图像的轮廓信息是具有一定物理距离的,而上述物理距离体现为两个舒张末期图像的轮廓信息之间具有差集区域。
在本实施例中,在纵向视角下,获取当前相邻的两个舒张末期图像的轮廓信息之间所包含区域之间的差集区域,根据邻域能量强度法,获取差集区域中各像素点的像素值,各像素点的像素值表征当前相邻的两个舒张末期图像的轮廓信息之间的当前物理距离。
示例性的,创建一个与舒张末期图像大小相同的二维矩阵M,M大小为,当前相邻的两个舒张末期图像的轮廓信息分别为轮廓1以及轮廓2。依据当前相邻的两个舒张末期图像的轮廓信息的索引信息,将之间轮廓1以及轮廓2分别标记于二维矩阵M中,并将轮廓1中各像素点的像素值设置为1,轮廓2中各像素点的像素值设置为255,轮廓1与轮廓2之间的差集区域中各像素点的值为128。根据邻域能量强度法确定差集区域中各像素点的像素值可以通过以下公式(14)确定:
其中,的取值范围为,的取值范围为,为M矩阵的大小,表示第i个血管图像的横坐标大小,表示第i个血管图像的纵坐标大小,M的大小与舒张末期图像的大小保持一致,表示处理后的差集区域M中各像素点的像素值,表示处理前的差集区域M中各像素点的像素值。根据公式(14)可以得到轮廓1与轮廓2之间的差集区域中各像素点的像素值呈现为像素灰度值渐进变化的形式,示例性的,轮廓1与轮廓2之间的差集区域的像素值具有逐渐变强的趋势。
在本实施例中,依据当前相邻的两个舒张末期图像的序列差值,确定当前分割阈值。
其中,序列差值为当前相邻的两个舒张末期图像索引信息的差值,例如,两个舒张末期图像索引信息分别为1和100,那么序列差值为100-1=99。假设血管图像序列中相邻血管图像之间的物理距离相同,也就是说,血管图像的回撤速率相同,则相邻的两个舒张末期图像的序列差值表示当前相邻的两个舒张末期图像中缺少的血管图像的数量。
在本实施例中,根据以下公式(15)可以确定当前分割阈值:
在本实施例中,基于当前物理距离以及当前分割阈值,补全当前待补全血管图像的当前轮廓信息,当前待补全血管图像为当前相邻的两个舒张末期图像之间的血管图像。
在本实施例中,当前相邻的两个舒张末期图像之间具有多个缺少的血管图像,根据当前相邻的两个舒张末期图像的轮廓信息之间的当前物理距离以及当前分割阈值对当前待补全血管图像的当前轮廓信息进行补全。
在本实施例中,获取当前相邻的两个舒张末期图像的轮廓信息之间的差集区域的像素点,判断当前像素点的当前物理距离是否等于当前分割阈值,若是,则将当前像素点标记至与当前待补全血管图像对应位置的像素点中,继续获取差集区域的像素点进行判断,直至遍历完差集区域中最后一个像素点时为止,得到当前待补全血管图像的当前轮廓信息。
在本实施例中,继续根据下一个相邻两个舒张末期图像各自的轮廓信息进行轮廓补全,直至遍历完血管图像序列中的最后一个舒张末期图像时为止,得到补全后的多次轮廓信息。
在本实施例中,基于舒张末期图像各自的轮廓信息,以及对应的补全后的多次轮廓信息,得到血管图像序列的目标轮廓信息。
在本实施例中,将血管图像序列中舒张末期图像与补全后的多次轮廓信息按照空间的位置关系进行整合,得到血管图像序列的目标轮廓信息,上述目标轮廓信息为血管图像序列中所有血管图像的轮廓信息。
步骤602、基于目标轮廓信息,进行三维图像合成,得到待构建血管的三维血管图像。
在本实施例中,目标轮廓信息为血管图像序列中所有血管图像的轮廓信息,将目标轮廓信息利用三维图像重建技术进行三维图像合成,得到待构建血管的三维血管图像。例如可以通过现有的图像编辑器对血管图像序列的目标轮廓信息进行三维图像合成,或者可以通过一些图像处理算法对血管图像序列的目标轮廓信息进行三维图像合成,本实施例对三维图像的合成方式不做任何限制。
在本实施例中,基于目标轮廓信息,利用三角网格关系进行三维图像合成,得到待构建血管的三维血管图像,在本实施例中,针对目标轮廓信息中各轮廓信息,利用三角网格关系在每相邻的两个轮廓信息之间建立网格关系,按照三角网格模型格式生成三维血管模型。
在本申请实施例中,提供了一种三维图像合成方法,首先根据每相邻两个舒张末期图像各自的轮廓信息进行轮廓补全,得到血管图像序列的目标轮廓信息,随后基于目标轮廓信息,进行三维图像合成,得到待构建血管的三维血管图像。本实施例对三维血管图像进行三维图像合成时,利用的是舒张末期图像的轮廓信息,在三维图像合成的过程中无需对血管图像做预处理操作,也无需大量血管图像数据集,如此,提高了三维图像合成的实用性以及可操作性。
本申请实施例提出了一种三维血管图像的确定方法,应用于构建三维冠状动脉的场景,利用血管内超声(Intravenous Ultrasound,IVUS)影像对三维冠脉腔内影像进行构建,本实施例分为以下几个方面,首先获取IVUS图像(血管图像序列),对IVUS图像做周期性分析,选取心动周期中每个周期的舒张末期图像,并将舒张末期图像还原成原始尺度。然后基于舒张末期图像分别生成0度,30度,60度,90度,120度以及150度共6个角度的轴向图(舒张末期轴向图像)。随后分别在6个轴向图中进行手动分割标记,沿中膜与外膜交界处标出标记线(特征边界),并且生成每一个IVUS图像中对应的轮廓点(分割标记点),并可以在IVUS图像中对轮廓点进行调整,然后根据最终的轮廓(轮廓信息)生成分割结果。最终根据每个IVUS图像的实际物理位置计算轮廓之间的邻域能量函数,根据结果进行三维重建,生成最终的三维冠脉模型(三维血管模型),如图7所示,包括步骤701至步骤705:
步骤701、获取IVUS图像。
在本实施例中,IVUS图像序列是一个由多个二维血管图像组成的图像序列,图8为本申请实施例提供的一种IVUS图像示意图,如图8所示,IVUS图像是由多个二维图像组成的一个图像序列(假设为n个二维图像),其基本形式如图8所示,IVUS图像序列具有空间及时间的相对关系,设IVUS图像序列为,不同IVUS图像之间具有空间以及时间的相对位置关系。
在本实施例中,第一融合相关信息包括IVUS图像序列中相邻IVUS图像之间的归一化互相关信息、IVUS图像序列中血管图像的梯度信息以及IVUS图像序列中相邻IVUS图像之间的均方差信息,根据公式(1)至公式(6)可得到第一融合相关信息。图9为本申请实施例提供的一种第一融合相关信息示意图,如图9所示,第一融合相关信息与IVUS图像序列中IVUS图像是相对应的,可以理解的是,每个IVUS图像对应于一个第一融合相关信息的值。
步骤702、对IVUS图像进行周期性分析。
在本实施例中,利用频域变换方法,将第一融合相关信息转换为频域的第二融合相关信息;对第二融合相关信息进行滤波操作,生成第三融合相关信息;第三融合相关信息表征血管图像序列中各个IVUS图像融合以及滤波后形成的计算结果。
在本实施例中,根据公式(7)将第一融合相关信息转换为频域的第二融合相关信息,在本实施例中,根据公式(8)至公式(11)对第二融合相关信息进行滤波操作,生成第三融合相关信息。图10为本申请实施例提供的一种第三融合相关信息示意图,如图10所示,第三融合相关信息与IVUS图像序列中IVUS图像是相对应的,可以理解的是,每个IVUS图像对应于一个第三融合相关信息的值。
在本实施例中,根据第三融合相关信息进行周期性分析,确定IVUS图像序列对应的多个心动周期;心动周期为第三融合相关信息中具有周期性形态的数据范围。
在本实施例中,通过确定第三融合相关信息中多个周期形态中最高点与最低点的数据范围可以确定IVUS图像序列的多个心动周期。
在本实施例中、确定各个心动周期对应的目标融合相关信息,目标融合相关信息表示每个心动周期中第三融合相关信息的最小值;从IVUS图像序列中,确定与目标融合相关信息对应的目标IVUS图像,目标IVUS图像为舒张末期图像。
在本实施例中,通过获取每个周期形态的数据范围中最低点可以确定各个心动周期对应的目标融合相关信息,图11为本申请实施例提供的一种目标融合相关信息示意图,如图11所示,目标融合相关信息表示每个心动周期中第三融合相关信息的最小值,获取第三融合相关信息中所标记的目标融合相关信息的索引信息,根据目标融合相关信息的索引信息可以确定出该目标融合相关信息在IVUS图像序列中对应的IVUS图像,该IVUS图像即为舒张末期图像。
步骤703、基于IVUS图像,生成轴向图。
在本实施例中,将各个舒张末期图像按照空间相对位置关系堆叠成一个三维矩阵,该三维矩阵为舒张末期三维图像,舒张末期图像的堆叠方向为纵向视角,而旁边一侧视角为轴向视角。图12为本申请实施例提供的一种纵向视角与轴向视角示意图,如图12所示,看向舒张末期三维图像中舒张末期图像的视角为纵向视角,而另一侧则为轴向视角。在本实施例中,图13为本申请实施例提供的一种预设轴向视角示意图,如图13所示,将预设轴向视角设置为0度、30度、60度、90度、120度以及150度。
在本实施例中,针对每个舒张末期轴向图像进行手动分割标记,得到与多个预设轴向视角对应的多个舒张末期轴向图像。在本实施例中,将舒张末期三维图像按照0度、30度、60度、90度、120度以及150度预设轴向视角进行分割,可以得到与上述6个预设轴向视角对应的6个舒张末期轴向图像。图14为本申请实施例提供的一种舒张末期轴向图像示意图,如图14所示,按照从上到下,从左至右的顺序,图14中各图分别表示轴向视角为0度、30度、60度、90度、120度以及150度对应的舒张末期轴向图像。
步骤704、对轴向图进行手动分割,并生成IVUS图像的轮廓;
在本实施例中,针对每个舒张末期轴向图像,用手动勾画的方式确定待构建血管的特征边界。图15为本申请实施例提供的一种特征边界示意图,如图15所示,按照从上到下,从左至右的顺序,图15中各图分别表示轴向视角为0度、30度、60度、90度、120度以及150度对应的舒张末期轴向图像中的特征边界,针对如图12所示的6个舒张末期轴向图像,图15共得到12个特征边界,从图15中箭头所指处可以看出每个舒张末期轴向图像中具有上特征边界以及下特征边界,上特征边界以及下特征边界可以反映出在轴向视角下血管中膜-血管外模的分割边界。
在本实施例中,根据特征边界中各像素点与各舒张末期图像的空间位置对应关系,确定各像素点具体对应的舒张末期图像。
在本实施例中,依据公式(12)以及公式(13)确定每个预设轴向视角到纵向视角的位置对应关系,从而确定每个舒张末期轴向图像的特征边界中各像素点在舒张末期图像的第二位置,并将特征边界中各像素点标记于舒张末期图像中对应位置上,得到带有分割标记点的舒张末期图像。图16为本申请实施例提供的一种带有分割标记点的舒张末期图像示意图,如图16所示,针对如图15所示的12个特征边界,在舒张末期图像中对应于12个分割标记点。
在本实施例中,针对每个分割标记点的舒张末期图像,可以对分割标记点进行微调操作,在本实施例中,对每个分割标记点的舒张末期图像中分割标记点通过手动调整方式对各分割标记点的位置进行微调。例如,对图16中箭头所指的分割标记点进行微调,如图17所示,对舒张末期图像中异常分割标记点进行微调后,图17中箭头所指的分割标记点更贴合舒张末期图像的轮廓。
在本实施例中,基于舒张末期图像中的各分割标记点的位置信息,将各分割标记点相连接得到进而确定出舒张末期图像轮廓信息。
步骤705、基于IVUS图像的轮廓,构建三维冠状动脉,得到三维冠脉模型。
在本实施例中,创建一个与舒张末期图像大小相同的二维矩阵M,M大小为,这里的二维矩阵M为假设值,同理,M的大小为的像素值也为假设值,其中,表示第i个血管图像的横坐标大小,表示第i个血管图像的纵坐标大小。当前相邻的两个舒张末期图像的轮廓信息分别为轮廓1以及轮廓2,依据当前相邻的两个舒张末期图像的轮廓信息的索引信息,将之间轮廓1以及轮廓2分别标记于二维矩阵M中,并将轮廓1中各像素点的像素值设置为1,轮廓2中各像素点的像素值设置为255。图18为本申请实施例提供的一种相邻两个舒张末期图像的轮廓信息示意图,如图18所示,轮廓1中各像素点的像素值为1,轮廓2中各像素点的像素值为255,轮廓1相较于轮廓2的亮度较暗。
在本实施例中,获取当前相邻的两个舒张末期图像的轮廓信息之间所包含区域之间的差集区域,图19为本申请实施例提供的一种相邻两个舒张末期图像的轮廓信息之间的差集区域示意图,如图19所示,轮廓1与轮廓2之间的差集区域中各像素点的像素值为128。
在本实施例中,依据公式(14),利用邻域能量强度法获取差集区域中各像素点的像素值,图20为本申请实施例提供的另一种相邻两个舒张末期图像的轮廓信息之间的差集区域示意图,如图20所示,轮廓1与轮廓2之间的差集区域中各像素点的像素值呈现为像素灰度值渐进变化的形式。图21为本申请实施例提供的又一种相邻两个舒张末期图像的轮廓信息之间的差集区域示意图,如图21所示,从差集区域中局部放大图看出,轮廓1到轮廓2之间区域中各像素点的像素值由1至255缓慢变化,因此,轮廓1与轮廓2之间的差集区域的像素值具有逐渐变强的趋势。
在本实施例中,通过差集区域中各像素点的像素值可以表征当前相邻的两个舒张末期图像的轮廓信息之间的当前物理距离,例如,差集区域中某一像素点的像素值为240,则该像素点距离轮廓1(像素值为1)物理距离较远,该像素点距离轮廓2(像素值为255)物理距离较近。
在本实施例中,依据当前相邻的两个舒张末期图像的序列差值,依据公式(9)确定当前相邻的两个舒张末期图像的当前分割阈值,针对相邻的两个舒张末期图像中缺少的血管图像,每个血管图像具有一个对应的分割阈值。
示例性的,针对公式(15),取对上述描述进行解释,当时,此时,则当前待补全IVUS图像的当前分割阈值为255/2,基于图21所示的相邻两个舒张末期图像的轮廓信息之间的差集区域示意图,轮廓1到轮廓2之间的差集区域中各像素点的像素值由1至255缓慢变化,遍历轮廓1到轮廓2之间的差集区域中各像素点,判断差集区域中各像素点的像素值是否等于当前分割阈值255/2,将上述差集区域中像素值为255/2的像素点标记于当前待补全IVUS图像对应位置的像素点,获得当前待补全IVUS图像的轮廓信息。图22为本申请实施例提供的一种待补全IVUS图像的轮廓信息示意图,如图22所示,轮廓1与轮廓2之间的轮廓为待补全血管图像的轮廓信息,局部放大图可以看出,轮廓1的灰度值为1,待补全血管图像的轮廓为255/2,轮廓2的灰度值为255,由此三种轮廓的灰度值由浅至深。
在本实施例中,针对差集区域中各像素点,若当前像素点的当前物理距离以及当前分割阈值满足预设条件,则将当前像素点标记在当前待补全IVUS图像对应位置的像素点中,得到一个带有轮廓标记点的待补全IVUS图像;继续下一个像素点的判断,直至遍历完差集区域中最后一个像素点时为止,基于多个带有轮廓标记点的待补全IVUS图像,得到当前待补全IVUS图像的当前轮廓信息。
在本实施例中,继续根据下一个相邻两个舒张末期图像各自的轮廓信息进行轮廓补全,直至遍历完IVUS图像序列中的最后一个舒张末期图像时为止,得到补全后的多次轮廓信息,基于舒张末期图像各自的轮廓信息,以及对应的补全后的多次轮廓信息,得到IVUS图像序列的目标轮廓信息。
在本实施例中,基于IVUS图像序列中各个轮廓,利用三角网格关系进行三维图像合成,得到如图23所示的三维冠脉模型。
本申请实施例一方面,使用一个新的周期性分析方法,保证心动周期中选择正确的时期,这是保证冠脉三维重构准确性的最重要因素。另一方面,在最终的三维重建中,使用了轮廓渐变补全方法,以适应由于IVUS拍摄过程中心率的变化造成的心动周期不均匀的实际问题。又一方面,本申请实施例整体流程具有先进性,避免了现有方法中的针对各类冠脉区域进行的复杂识别累计的误差,且无需任何预处理或前处理,整体设计方案可拓展性强,可操作性强。再一方面,本申请实施例的技术流程从实用性和泛用性出发,设计目的是,满足很多真实工况下质量差距很大的各类数据的处理要求,在实际操作中,针对IVUS这样的低分辨率,高噪音和伪影的数据,均有很好的效果,鲁棒性强。
应当注意,尽管在附图中以特定顺序描述了本申请中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等;或者,将不同实施例中步骤组合为新的技术方案。
基于前述的实施例,本申请实施例提供一种三维血管图像的确定装置,该装置包括所包括的各模块、以及各模块所包括的各单元,可以通过处理器来实现;当然也可通过具体的逻辑电路实现;在实施的过程中,处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)等。
图24为本申请实施例提供的一种三维血管图像的确定装置的结构示意图,如图24所示,所述装置1000包括信息确定模块1010、周期分析模块1020、轮廓获取模块1030和模型确定模块1040,其中,信息确定模块1010,用于针对获取的血管图像序列,确定第一融合相关信息,所述第一融合相关信息表示不同血管图像之间的相关性信息;
周期分析模块1020,用于对所述第一融合相关信息进行周期性分析,确定心动周期,并基于所述心动周期确定所述血管图像序列中的舒张末期图像;
轮廓获取模块1030,用于根据所述舒张末期图像,确定待构建血管的特征边界,并基于所述特征边界确定所述舒张末期图像各自的轮廓信息;
模型确定模块1040,用于基于所述舒张末期图像各自的轮廓信息,进行三维图像合成,得到所述待构建血管的三维血管图像。
在一些实施例中,所述第一融合相关信息包括:归一化互相关信息、梯度信息和均方差信息中的至少一种;所述信息确定模块1010,还用于确定所述图像序列中相邻血管图像之间的归一化互相关信息;确定所述图像序列中血管图像的梯度信息;确定所述图像序列中相邻血管图像之间的均方差信息。
在一些实施例中,所述周期分析模块1020,包括频域转换单元、滤波单元以及分析单元,其中,所述频域转换单元,用于利用频域变换方法,将所述第一融合相关信息转换为频域的第二融合相关信息;
所述滤波单元,用于对所述第二融合相关信息进行滤波操作,生成第三融合相关信息;所述第三融合相关信息表征所述血管图像序列中各个血管图像融合以及滤波后形成的计算结果;
所述分析单元,用于根据所述第三融合相关信息进行周期性分析,确定所述血管图像序列对应的多个所述心动周期;所述心动周期为所述第三融合相关信息中具有周期性形态的数据范围。
在一些实施例中,所述周期分析模块1020,还包括目标信息确定单元以及目标图像确定单元,其中,所述目标信息确定单元,用于确定各个所述心动周期对应的目标融合相关信息,所述目标融合相关信息表示每个所述心动周期中第三融合相关信息的最小值;
所述目标图像确定单元,用于从所述血管图像序列中,确定与所述目标融合相关信息对应的目标血管图像,所述目标血管图像为所述舒张末期图像。
在一些实施例中,所述轮廓获取模块1030,包括三维图像获取单元、轴向图像获取单元以及特征边界确定单元,其中,所述三维图像获取单元,用于将各个所述舒张末期图像按照空间相对位置堆叠成三维矩阵,得到舒张末期三维图像;
所述轴向图像获取单元,用于沿着多个预设轴向视角,对所述舒张末期三维图像进行分割,得到与所述多个预设轴向视角对应的多个舒张末期轴向图像;
所述特征边界确定单元,用于基于所述多个舒张末期轴向图像,确定所述待构建血管的特征边界。
在一些实施例中,所述轮廓获取模块1030,还包括分割标记点提取单元以及轮廓信息确定单元,其中,所述分割标记点提取单元,用于基于所述特征边界中各像素点的第一位置,以及每个预设轴向视角到纵向视角的位置对应关系,确定每个舒张末期轴向图像中,所述特征边界中各像素点在所述舒张末期图像的第二位置并标记,得到带有分割标记点的舒张末期图像;
所述轮廓信息确定单元,用于基于所述带有分割标记点的舒张末期图像中的各个所述第二位置,确定所述舒张末期图像各自的轮廓信息。
在一些实施例中,所述模型确定模块1040,包括轮廓补全单元以及三维血管图像确定单元,其中,所述轮廓补全单元,用于根据每相邻两个舒张末期图像各自的轮廓信息进行轮廓补全,得到所述血管图像序列的目标轮廓信息;
所述三维血管图像确定单元,用于基于所述目标轮廓信息,进行三维图像合成,得到所述待构建血管的三维血管图像。
在一些实施例中,所述轮廓补全单元,还用于获取当前相邻的两个舒张末期图像的轮廓信息之间的当前物理距离,所述当前物理距离表征在纵向视角下所述当前相邻的两个舒张末期图像的轮廓信息之间的像素点的像素值差异;依据所述当前相邻的两个舒张末期图像的序列差值,确定当前分割阈值;基于所述当前物理距离以及所述当前分割阈值,补全当前待补全血管图像的当前轮廓信息,所述当前待补全血管图像为所述当前相邻的两个舒张末期图像之间的血管图像;继续根据下一个相邻两个舒张末期图像各自的轮廓信息进行轮廓补全,直至遍历完所述血管图像序列中的最后一个舒张末期图像时为止,得到补全后的多次轮廓信息;基于所述舒张末期图像各自的轮廓信息,以及对应的所述补全后的多次轮廓信息,得到所述血管图像序列的所述目标轮廓信息。
在一些实施例中,所述三维血管图像确定单元,还用于基于所述目标轮廓信息,利用三角网格关系进行三维图像合成,得到所述待构建血管的三维血管图像。
以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
需要说明的是,本申请实施例中图24所示的三维血管图像的确定装置对模块的划分是示意性的,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。另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。也可以采用软件和硬件结合的形式实现。
需要说明的是,本申请实施例中,如果以软件功能模块的形式实现上述的方法,并作为独立的产品销售或使用时,也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,本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得电子设备执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件和软件结合。
本申请实施例提供一种电子设备,图25为本申请实施例提供的一种电子设备的结构示意图,如图25所示,所述电子设备2000包括存储器2001和处理器2002,所述存储器2001存储有可在处理器2002上运行的计算机程序,所述处理器2002执行所述计算机程序时实现上述实施例中提供的三维血管图像的确定方法中的步骤。
需要说明的是,存储器2001配置为存储由处理器2002可执行的指令和应用,还可以缓存在处理器2002以及电子设备2000中各模块待处理或已经处理的数据(例如,图像数据、音频数据、语音通信数据和视频通信数据),可以通过闪存(FLASH)或随机访问存储器(Random Access Memory,RAM)实现。
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,该计算机程序被处理器执行时实现上述实施例中提供的三维血管图像的确定方法中的步骤。
本申请实施例提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述方法实施例提供的方法中的步骤。
这里需要指出的是:以上存储介质和设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请存储介质、存储介质和设备实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”或“一些实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”或“在一些实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如对象A和/或对象B,可以表示:单独存在对象A,同时存在对象A和对象B,单独存在对象B这三种情况。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的实施例仅仅是示意性的,例如,所述模块的划分,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,如:多个模块或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或模块的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的模块可以是、或也可以不是物理上分开的,作为模块显示的部件可以是、或也可以不是物理模块;既可以位于一个地方,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全部模块来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能模块可以全部集成在一个处理单元中,也可以是各模块分别单独作为一个单元,也可以两个或两个以上模块集成在一个单元中;上述集成的模块既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得电子设备执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的几个方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
以上所述,仅为本申请的实施方式,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所述权利要求的保护范围为准。
Claims (14)
1.一种三维血管图像的确定方法,其特征在于,包括:
针对获取的血管图像序列,确定第一融合相关信息,所述第一融合相关信息表示不同血管图像之间的相关性信息;
对所述第一融合相关信息进行周期性分析,确定心动周期,并基于所述心动周期确定所述血管图像序列中的舒张末期图像;
根据所述舒张末期图像,确定待构建血管的特征边界,并基于所述特征边界确定所述舒张末期图像各自的轮廓信息;
基于所述舒张末期图像各自的轮廓信息,进行三维图像合成,得到所述待构建血管的三维血管图像。
2.根据权利要求1所述的方法,其特征在于,所述第一融合相关信息包括:归一化互相关信息、梯度信息和均方差信息中的至少一种;
所述针对获取的血管图像序列,确定第一融合相关信息,包括以下至少一种:
确定所述血管图像序列中相邻血管图像之间的归一化互相关信息;
确定所述血管图像序列中血管图像的梯度信息;
确定所述血管图像序列中相邻血管图像之间的均方差信息。
3.根据权利要求1或2所述的方法,其特征在于,所述对所述第一融合相关信息进行周期性分析,确定心动周期,包括:
利用频域变换方法,将所述第一融合相关信息转换为频域的第二融合相关信息;
对所述第二融合相关信息进行滤波操作,生成第三融合相关信息;所述第三融合相关信息表征所述血管图像序列中各个血管图像融合以及滤波后形成的计算结果;
根据所述第三融合相关信息进行周期性分析,确定所述血管图像序列对应的多个所述心动周期;所述心动周期为所述第三融合相关信息中具有周期性形态的数据范围。
4.根据权利要求3所述的方法,其特征在于,所述基于所述心动周期确定所述血管图像序列中的舒张末期图像,包括:
确定各个所述心动周期对应的目标融合相关信息,所述目标融合相关信息表示每个所述心动周期中第三融合相关信息的最小值;
从所述血管图像序列中,确定与所述目标融合相关信息对应的目标血管图像,所述目标血管图像为所述舒张末期图像。
5.根据权利要求1或2所述的方法,其特征在于,所述舒张末期图像包括多个;所述根据所述舒张末期图像,确定待构建血管的特征边界,包括:
将各个所述舒张末期图像按照空间相对位置堆叠成三维矩阵,得到舒张末期三维图像;
沿着多个预设轴向视角,对所述舒张末期三维图像进行分割,得到与所述多个预设轴向视角对应的多个舒张末期轴向图像;
基于所述多个舒张末期轴向图像,确定所述待构建血管的特征边界。
6.根据权利要求5所述的方法,其特征在于,所述基于所述特征边界确定所述舒张末期图像各自的轮廓信息,包括:
基于所述特征边界中各像素点的第一位置,以及每个预设轴向视角到纵向视角的位置对应关系,确定每个舒张末期轴向图像中,所述特征边界中各像素点在所述舒张末期图像的第二位置并标记,得到带有分割标记点的舒张末期图像;
基于所述带有分割标记点的舒张末期图像中的各个所述第二位置,确定所述舒张末期图像各自的轮廓信息。
7.根据权利要求1或2所述的方法,其特征在于,所述基于所述舒张末期图像各自的轮廓信息,进行三维图像合成,得到所述待构建血管的三维血管图像,包括:
根据每相邻两个舒张末期图像各自的轮廓信息进行轮廓补全,得到所述血管图像序列的目标轮廓信息;
基于所述目标轮廓信息,进行三维图像合成,得到所述待构建血管的三维血管图像。
8.根据权利要求7所述的方法,其特征在于,所述根据每相邻两个舒张末期图像各自的轮廓信息进行轮廓补全,得到所述血管图像序列的目标轮廓信息,包括:
获取当前相邻的两个舒张末期图像的轮廓信息之间的当前物理距离,所述当前物理距离表征在纵向视角下所述当前相邻的两个舒张末期图像的轮廓信息之间的像素点的像素值差异;
依据所述当前相邻的两个舒张末期图像的序列差值,确定当前分割阈值;
基于所述当前物理距离以及所述当前分割阈值,补全当前待补全血管图像的当前轮廓信息,所述当前待补全血管图像为所述当前相邻的两个舒张末期图像之间的血管图像;
继续根据下一个相邻两个舒张末期图像各自的轮廓信息进行轮廓补全,直至遍历完所述血管图像序列中的最后一个舒张末期图像时为止,得到补全后的多次轮廓信息;
基于所述舒张末期图像各自的轮廓信息,以及对应的所述补全后的多次轮廓信息,得到所述血管图像序列的所述目标轮廓信息。
9.根据权利要求8所述的方法,其特征在于,所述获取当前相邻的两个舒张末期图像的轮廓信息之间的当前物理距离,包括:
在纵向视角下,获取所述当前相邻的两个舒张末期图像的轮廓信息之间所包含区域之间的差集区域;
根据邻域能量强度法,获取所述差集区域中各像素点的像素值,基于所述差集区域中各像素点的像素值差异,得到所述当前物理距离。
10.根据权利要求9所述的方法,其特征在于,所述基于所述当前物理距离以及所述当前分割阈值,补全当前待补全血管图像的当前轮廓信息,包括:
针对所述差集区域中各像素点,若当前像素点的当前物理距离以及当前分割阈值满足预设条件,则将所述当前像素点标记在所述当前待补全血管图像对应位置的像素点中,得到一个带有轮廓标记点的待补全血管图像;
继续下一个像素点的判断,直至遍历完所述差集区域中最后一个像素点时为止,基于多个所述带有轮廓标记点的待补全血管图像,得到当前待补全血管图像的当前轮廓信息。
11.根据权利要求7所述的方法,其特征在于,所述基于所述目标轮廓信息,进行三维图像合成,得到所述待构建血管的三维血管图像,包括:
基于所述目标轮廓信息,利用三角网格关系进行三维图像合成,得到所述待构建血管的三维血管图像。
12.一种三维血管图像的确定装置,其特征在于,所述装置包括:信息确定模块、周期分析模块、轮廓获取模块和模型确定模块,其中,
所述信息确定模块,用于针对获取的血管图像序列,确定第一融合相关信息,所述第一融合相关信息表示不同血管图像之间的相关性信息;
所述周期分析模块,用于对所述第一融合相关信息进行周期性分析,确定心动周期,并基于所述心动周期确定所述血管图像序列中的舒张末期图像;
所述轮廓获取模块,用于根据所述舒张末期图像,确定待构建血管的特征边界,并基于所述特征边界确定所述舒张末期图像各自的轮廓信息;
所述模型确定模块,用于基于所述舒张末期图像各自的轮廓信息,进行三维图像合成,得到所述待构建血管的三维血管图像。
13.一种电子设备,其特征在于,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1至11任一项所述的方法。
14.一种计算机可读存储介质,其特征在于,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权利要求1至11任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211417958.1A CN115564817B (zh) | 2022-11-14 | 2022-11-14 | 三维血管图像的确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211417958.1A CN115564817B (zh) | 2022-11-14 | 2022-11-14 | 三维血管图像的确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115564817A true CN115564817A (zh) | 2023-01-03 |
CN115564817B CN115564817B (zh) | 2023-04-14 |
Family
ID=84770073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211417958.1A Active CN115564817B (zh) | 2022-11-14 | 2022-11-14 | 三维血管图像的确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115564817B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051553A (zh) * | 2023-03-30 | 2023-05-02 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 一种在三维医学模型内部进行标记的方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060241511A1 (en) * | 2005-03-17 | 2006-10-26 | Carsten Warmuth | Computerized method for predicting the diastolic rest period in a cardiac cycle |
CN111754506A (zh) * | 2020-07-01 | 2020-10-09 | 杭州脉流科技有限公司 | 基于腔内影像的冠脉狭窄率计算方法、装置、系统和计算机存储介质 |
CN112752546A (zh) * | 2018-09-26 | 2021-05-04 | 皇家飞利浦有限公司 | 血管内超声成像 |
EP3866112A2 (en) * | 2020-11-30 | 2021-08-18 | Beijing Baidu Netcom Science And Technology Co. Ltd. | Method, apparatus, device, storage medium and program for three-dimensional reconstruction |
CN113724377A (zh) * | 2021-11-01 | 2021-11-30 | 杭州晟视科技有限公司 | 冠脉血管的三维重建方法、装置、电子设备及存储介质 |
-
2022
- 2022-11-14 CN CN202211417958.1A patent/CN115564817B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060241511A1 (en) * | 2005-03-17 | 2006-10-26 | Carsten Warmuth | Computerized method for predicting the diastolic rest period in a cardiac cycle |
CN112752546A (zh) * | 2018-09-26 | 2021-05-04 | 皇家飞利浦有限公司 | 血管内超声成像 |
CN111754506A (zh) * | 2020-07-01 | 2020-10-09 | 杭州脉流科技有限公司 | 基于腔内影像的冠脉狭窄率计算方法、装置、系统和计算机存储介质 |
EP3866112A2 (en) * | 2020-11-30 | 2021-08-18 | Beijing Baidu Netcom Science And Technology Co. Ltd. | Method, apparatus, device, storage medium and program for three-dimensional reconstruction |
CN113724377A (zh) * | 2021-11-01 | 2021-11-30 | 杭州晟视科技有限公司 | 冠脉血管的三维重建方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
QI GAO等: "Post-processing techniques of 4D flow MRI: velocity and wall shear stress" * |
杨宇: "基于快速推进法的血管内超声图像序列的三维分割" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051553A (zh) * | 2023-03-30 | 2023-05-02 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 一种在三维医学模型内部进行标记的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115564817B (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3723038B1 (en) | Fast calculation method and system employing plaque stability index of medical image sequence | |
US11501485B2 (en) | System and method for image-based object modeling using multiple image acquisitions or reconstructions | |
US7359554B2 (en) | System and method for identifying a vascular border | |
KR102251830B1 (ko) | 초음파 및 ct 영상의 정합에 관한 시스템 및 작동 방법 | |
US9514530B2 (en) | Systems and methods for image-based object modeling using multiple image acquisitions or reconstructions | |
EP1534137B1 (en) | System and method for identifying a vascular border | |
CN111354006A (zh) | 超声图像中目标组织的描迹方法及装置 | |
CN115564817B (zh) | 三维血管图像的确定方法、装置、设备及存储介质 | |
CN112862827B (zh) | 一种左心耳的开口参数确定方法、装置、终端及存储介质 | |
Moshfegh et al. | Development of an innovative technology to segment luminal borders of intravascular ultrasound image sequences in a fully automated manner | |
US20220398720A1 (en) | Diagnostic support program | |
Tamimi-Sarnikowski et al. | Automatic segmentation of vessels in in-vivo ultrasound scans | |
CN112826535A (zh) | 一种超声成像中自动定位血管的方法和装置及设备 | |
Dos Santos Filho et al. | Detection of luminal contour using fuzzy clustering and mathematical morphology in intravascular ultrasound images | |
Jansen et al. | Local and global distensibility assessment of abdominal aortic aneurysms in vivo from probe tracked 2D ultrasound images | |
CN118021351B (zh) | 基于ivus图像的rfr计算方法及系统 | |
EP4407555A1 (en) | Estimating diffuse plaque burden of a vessel | |
CN117058162A (zh) | 冠状动脉树提取方法及相关装置 | |
US20240070855A1 (en) | Method and System of Calculating the Cross-section Area and Included Angle of Three-dimensional Blood Vessel Branch | |
CN117058176A (zh) | 获取心脏区域分割边界的方法及相关装置 | |
Gangidi et al. | A New Feature Extraction Approach for Segmentation of Intravascular Ultrasound Images | |
CN114098777A (zh) | 心脏期相的获取方法及装置、存储介质、计算机设备 | |
CN117976233A (zh) | 一种确定血流储备分数的系统及方法 | |
Pombo et al. | Semiautomatic Calculation of Ejection Fraction Using Echocardiographic Image Processing | |
CN113450368A (zh) | 图像处理方法及装置 |
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 |