CN115760961A - 血管图像处理方法、装置、服务器及后处理图像生成系统 - Google Patents
血管图像处理方法、装置、服务器及后处理图像生成系统 Download PDFInfo
- Publication number
- CN115760961A CN115760961A CN202111022564.1A CN202111022564A CN115760961A CN 115760961 A CN115760961 A CN 115760961A CN 202111022564 A CN202111022564 A CN 202111022564A CN 115760961 A CN115760961 A CN 115760961A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- image
- centerline
- naming
- vessel
- 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 390
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 238000012805 post-processing Methods 0.000 title claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 25
- 241000282414 Homo sapiens Species 0.000 claims description 38
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 10
- 230000008439 repair process Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 11
- 210000000988 bone and bone Anatomy 0.000 description 17
- 210000001519 tissue Anatomy 0.000 description 11
- 230000004087 circulation Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 210000004004 carotid artery internal Anatomy 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 210000001367 artery Anatomy 0.000 description 4
- 210000000269 carotid artery external Anatomy 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 208000026106 cerebrovascular disease Diseases 0.000 description 3
- 230000002526 effect on cardiovascular system Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 210000004872 soft tissue Anatomy 0.000 description 3
- 210000003462 vein Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 210000003109 clavicle Anatomy 0.000 description 2
- 239000002872 contrast media Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供一种血管图像处理方法、装置、服务器及后处理图像生成系统，对血管进行血管中心线命名，以获取血管中心线的命名数据；并根据命名确定血管段所在位置，根据血管段所在位置的不同，采用不同的处理方式，对血管图像进行不同的处理。避免血管图像采集过程中可能产生的误差，提高血管图像采集的精度。
Description
技术领域
本申请涉及医学图像处理技术领域，具体涉及一种血管图像处理方法、装置、服务器及后处理图像生成系统。
背景技术
随着人类生活水平的提高，心脑血管疾病已成为影响人类健康的头号死因，根据世界卫生组织最近进行的人类“十大死因”调查显示：每年全世界心脑血管疾病死亡人数已占据所有死亡人数的23.6％。因此，对心脑血管疾病的早起定量诊断和风险评估对延长人类预期寿命、提高人类的生活质量起着非常关键的作用。
X射线血管造影技术是通过造影剂显示血管的一种方法。在临床的诊疗中，医生往往需要根据患者的血管造影图像进行分析判断。而如何根据造影图像进行血管疾病的诊断，则需要精确的从造影图像中分割出血管的结构，包括血管的中心线、分叉点与直径的提取。不仅如此，从造影图像中分割出血管对于血管三维重建、拓扑结构分析、可视化渲染以及血管功能分析都有重要的研究意义。
头颈血管非常复杂，旁边骨非常多、还有一些受造影剂量较少的影响，导致血管提取难度非常高。非常容易提取漏、提取错等。
发明内容
本申请提供一种血管图像处理方法、装置、服务器及后图像处理系统，旨在解决现有技术下的血管造影图像提取不准，精度不高的问题。
一方面，本申请实施例提供一种血管图像处理方法，所述方法包括：
对待处理的初始血管图像进行血管中心线命名，得到组成所述血管中心线的血管中心线点的命名数据；
在不存在未命名的血管段的情况下，根据所述命名数据，确定不同血管段的命名，并以血管段的命名确定所述血管段所在的人体部位；
基于所述血管段所在的人体部位相对应的预设血管处理方式，对所述初始血管图像进行相应处理，得到优化血管图像。
在本申请一种可能的实施例中，所述在不存在未命名的血管段的情况下，根据所述命名数据，确定不同血管段的命名，并以血管段的命名确定所述血管段所在的人体部位的步骤包括：
根据所述命名数据，对所述初始血管图像中的血管进行分段，得到不同血管段的命名；
基于不同血管段的命名，确定不同血管段所在的人体部位。
在本申请一种可能的实施例中，所述对待处理的初始血管图像进行血管中心线命名，得到所述血管中心线对应的命名数据的步骤之后包括：
在存在未命名的血管段的情况下，去除所述初始血管图像中所述未命名的血管段。
在本申请一种可能的实施例中，判断是否存在未命名的血管段的依据为：判断基于所述命名数据确定的血管段的长度是否小于预设长度范围。
在本申请一种可能的实施例中，所述基于所述血管段所在的人体部位相对应的预设处理方式，对所述初始血管图像进行相应处理，得到优化血管图像的步骤包括：
基于血管段所在的人体部位，匹配对应的血管经验模型；
根据所述血管经验模型和/或血管中心线中的中心线关键点的命名数据，对血管段进行优化处理，得到优化血管图像。
在本申请一种可能的实施例中，所述中心线关键点的获取步骤包括：
基于关键点识别模型，确定组成血管中心线的血管中心线点中的中心线关键点。
在本申请一种可能的实施例中，所述优化处理的步骤包括：
根据血管中心线中的中心线关键点和/或所述血管经验模型，对血管进行重新命名，区分不同类型的血管段；和/或，
根据血管中心线中的中心线关键点和/或所述血管经验模型，确定血管中心线出现断裂的位置，利用预设修复算法对血管断裂位置进行断裂修复。
另一方面，本申请实施例还提供一种血管图像处理装置，所述装置包括：
获取模块，用于对待处理的初始血管图像进行血管中心线命名，得到组成所述血管中心线的血管中心线点的命名数据；
定位模块，用于在不存在未命名的血管段的情况下，根据所述命名数据，确定不同血管段的命名，并以血管段的命名确定所述血管段所在的人体部位；
优化模块，用于基于所述血管段所在的人体部位相对应的预设血管处理方式，对所述初始血管图像进行相应处理，得到优化血管图像。
另一方面，本申请还提供一种服务器，所述服务器包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现上述任一项所述的血管图像处理方法。
另一方面，本申请还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进行加载，以执行上述任一项所述的血管图像处理方法中的步骤。
另一方面，本申请实施例还提供一种后处理图像生成系统，包括：分割模块、中心线提取模块、血管图像处理装置和图像生成模块；所述血管图像处理装置包括如上所述的血管图像处理装置。
有益效果：本申请提供一种血管图像处理方法、装置、服务器及后处理图像生成系统，对血管进行血管中心线命名，以获取血管中心线的命名数据；根据命名数据截取血管段，并确定其所在位置，根据血管段所在位置的不同，采用不同的处理方式，对血管图像进行不同的处理。避免血管图像采集过程中可能产生的误差，提高血管图像采集的精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，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为本申请实施例中血管图像处理方法的一个实施例流程示意图；
图2为本申请实施例提供的得到初始血管图像的一实施例流程示意图；
图3为本申请实施例提供的对血管进行分类整理的一实施例流程示意图；
图4为本申请实施例提供的血管中心线一实施例示意图；
图5为本申请实施例提供的中心线关键点一实施例示意图；
图6为本申请实施例提供的对血管进行优化的一实施例流程示意图；
图7为本申请实施例提供的血管一实施例示意图；
图8为本申请实施例提供的血管另一实施例示意图；
图9为本申请实施例提供的血管图像处理装置一实施例示意图；
图10示出了本申请实施例所涉及到的服务器的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
本申请实施例提供一种血管图像处理方法、装置、服务器及后处理图像生成系统，以下分别进行详细说明。
如图1所示，为本申请实施例中血管图像处理方法的一个实施例流程示意图，该血管图像处理方法包括：
11、对待处理的初始血管图像进行血管中心线命名，得到组成血管中心线的血管中心线点的命名数据。
在本申请的实施例中，血管中心线反映了血管空间拓扑结构的骨架，根据血管中心线，可以确定血管的空间拓扑结构。同时，可以根据血管中心线确定不同血管中心线对应的具体血管；因此在本申请的实施例中，可以对血管中心线进行命名，得到血管中心线对应命名数据。根据血管中心线对应的命名数据能够确定不同血管段落具体是什么血管，进而对不同血管段进行优化处理。
其中，命名数据是对组成血管中心线的血管中心线点集的命名。通过命名数据能够对血管进行分段；根据不同血管段处于的人体位置，能够确定血管的类型，例如动脉血管、静脉血管和毛细血管等；或者，血管的名称，例如颈外动脉、颈内动脉等；还可以确定血管的分布及血管走向等信息。
12、在存在未命名的血管段的情况下，去除初始血管图像中未命名的血管段。
13、在不存在未命名的血管段的情况下，根据命名数据，确定不同血管段的命名，并以血管段的命名确定血管段所在的人体部位。
由于人体中存在很多不同的血管，而本申请实施例所提供的血管图像处理方法主要是人体动脉血管进行处理，因此需要将血管图像中的其他血管去除。
具体的，由于本申请实施例提供的血管图像处理方法仅对动脉相关血管进行中心线的识别和命名，而对于其他未识别命名的图像来说，则是本申请中的无关血管。
因此，可以判断血管中心线中是否存在未命名的血管段，这些未命名的血管段通常是静脉或处于游离状态的血管，对这里血管可以进行擦除擦操作，即去除这部分未命名的血管段。
在本申请的一些实施例中，判断是否存在未命名的血管段的依据也可以为：判断基于命名数据确定的血管段的长度是否小于预设范围。而由于本申请实施例是对包含血管的医学图像进行处理，因此在一些实施例中，判断这类未命名的血管段可以包括：判断血管段的长度是否小于预设体素范围，且血管中心线的点为集中且密集的点。若是这类血管段满足前述判断条件，则可以确定这类血管段为未命名的血管段，可以直接进行擦除擦操作，去除这部分血管段。
其中体素即为医学图像对应的像素。在一个具体实施例中，预设体素范围可以为50-100体素(即50-100像素)；对于不同位置的不同血管来说，判断未命名血管对应的血管段长度(或者说体素范围)也不同。在一个具体实施例中，未命名血管对应的血管段长度可以为80体素。
14、基于血管段所在人体部位相对应的预设血管处理方式，对初始血管图像进行相应处理，得到优化后的血管图像。
在本申请的实施例中，根据命名数据确定了不同血管段所在的位置后，可以根据预设的不同的血管处理方式，对初始血管图像中的血管进行对应的处理，得到优化后的血管图像。
其中，对血管段进行的操作包括但不限于断裂修复、人体前后循环血管分开等。
本申请实施例提供的血管图像处理方法，对血管进行血管中心线命名，以获取血管中心线的命名数据；并根据命名确定血管段所在位置，根据血管段所在位置的不同，采用不同的处理方式，对血管图像进行不同的处理。避免血管图像采集过程中可能产生的误差，提高血管图像采集的精度。
在上述实施例中，可以利用CT等手段先获取待处理的初始血管图像。其中，CT(Computed Tomography，计算机断层扫描)是利用精确准直的X线束、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。而利用CT获取到的图像中不仅包括血管，还包括骨骼等结构，因此需要对CT获取到的图像进行处理，将血管部分单独筛选出来。如图2所示，为本申请实施例提供的得到初始血管图像的一实施例流程示意图，可以包括：
21、提取第一造影图像中的多个关键生理信息。
其中，第一造影图像即为利用CT等方式获取到的医学图像。而关键生理信息是选取的可以参考的特征，使得利用这些特征(即利用关键生理信息)可以区分不同的结构，例如区分骨骼和血管。具体可以是人体中某个部位的局部组织，或具体到某一个血管、某一个骨骼上的拐点等。而在本申请的实施例中，关键生理信息通常为多个，且对于不同的分割来说，关键生理信息的选取也不同。
具体的，对于骨分割来说，骨分割中的关键生理信息通常是人体骨骼组织上的关键生理信息；而对于血管分割来说，血管分割中的关键生理信息通常是人体血管组织上的关键生理信息。利用关键生理信息可以对初始图像进行分割，将初始图像中不同的结构或组织分割开。
22、根据多个关键生理信息对第一造影图像进行组织图像分割，得到第二造影图像。
由于对目标部位进行造影得到的图像是包括目标部位的骨骼、软组织等其他结构，因此还需要将其他结构剔除，得到血管单独对应的造影图像。
而由于本申请实施例提供的方法主要用于头颈处的血管图像的处理，因此需要对第一造影图像进行组织分割，将初始图像中的脑部和颈部等组织结构分离开，并去除初始图像中的骨骼等结构，得到第二造影图像。
其中，利用多个关键生理信息对初始图像进行血管图像分割的具体步骤可以参考现有技术，此处不做任何限定。且在本申请的实施例中，进行不同组织分割的顺序不做限定，只需最后得到的第二造影图像中仅包括血管即可。
另外，在上述实施例中，可以利用预先训练好的神经网络模型进行组织分割，也可以利用二分法等分割算法进行分割；具体分割步骤可以参考现有技术，此处不做限定。
通过上述方式得到的第二造影图像即可作为初始血管图像。由于分割的误差，还需要对初始血管图像中的多条血管进行分类整理。如图3所示，为本申请实施例提供的对血管进行分类整理的一实施例流程示意图，可以包括：
31、利用预设中心线提取方法对初始血管图像进行血管中心线提取，得到所述血管中心线。
在本申请的实施例中，可以利用预设的骨架算法/收型算法提前初始血管图像中的血管中心线。利用骨架算法/收型算法提取血管中心线的方法可以参考现有技术，此处不做任何限定。
如图4所示，为本申请实施例提供的血管中心线一实施例示意图。由于血管中心线可以代表血管网络的拓扑结构，一条血管通常对应唯一的血管中心线，因此在确定了血管中心线后，可以直接确认每个血管中心线对应的血管。即利用血管中心线可以直接区分不同的血管。
32、对血管中心线进行命名，得到组成血管中心线的血管中心线点的命名数据。
请参考图4，在图4所示的实施例中，血管中心线点的命名数据可以为三维点集的形式。例如，血管中心线的命名三维点集可以为：
[(A2，A4，A5)，(A1，A2，A3)]；其中，第一个血管段的名称为(A2，A4，A5)；第二个血管段的名称为(A1，A2，A3)。
33、根据命名三维点集，对初始血管图像中的血管进行划分，得到多个不同的血管段，并确定每个血管段各自对应的命名。
在上述实施例中，根据命名三维点集，对初始血管图像中的血管进行划分，得到多段不同的血管段，并确定每个血管段各自对应的命名，可以包括：
根据命名三维点集，确定不同血管各自对应的血管中心线命名；根据不同血管各自对应的血管中心线命名，确定相同位置的血管段对应的多个命名；根据相同位置的血管对应的多个命名，确定血管段对应的最终命名。
请参考图4，在图4中可以确定每个血管段各自对应的命名三维点集，但由于血管中还存在端点、拐点、分叉点等，使得不同血管段的命名三维点集之间存在交叉，因此可以根据不同血管段各自对应的命名三维点集进一步确定不同血管段各自对应的命名。
在本申请的实施例中，在确定了不同血管段对应的命名后，还需要血管进行划分，将血管进行实际的划分，得到多个不同的血管段。同时还需要对血管进行修复等处理，避免得到的血管分段出现断裂等问题。
具体的，基于所述血管段所在的人体部位相对应的预设血管处理方式，对所述初始血管图像进行相应处理，得到优化血管图像，可以包括：
确定血管中心线上的中心线关键点；基于中心线关键点对血管进行重新命名。必要时，可以引用该血管位于人体部位对应的血管经验模型，从而确定某段血管的走向、血管类型等信息，从而完成对不同血管的段的重新命名；通过不同血管段的重新命名，区分不同类型的血管段。即可以基于血管段所在的人体部位，匹配对应的血管经验模型；并根据血管经验模型和/或血管中心线中的中心线关键点的命名数据，对血管段进行优化处理，得到优化血管图像。
具体的，可以确定血管中心线上的对应的起始点、中间分叉点等中心线关键点。根据所需的血管段的位置，基于中心线关键点对血管段进行划分。如图5所示，为本申请实施例提供的中心线关键点一实施例示意图。在图5中，血管中心线上可以同时包括多个起始点和多个分叉点等中心线关键点。在中心线关键点处对血管进行拆分，可以得到多个不同的血管段对应的第二血管图像。
在本申请的实施例中，可以以血管中心线上的起始点、中间分叉点等中心线关键点作为深度学习神经网络模型的输入，以训练深度学习神经网络模型，得到可以识别中心线关键点的关键点识别模型；再利用训练后的关键点识别模型识别图像中的中心线关键点；即基于关键点识别模型，确定组成血管中心线的血管中心线点中的中心线关键点。
同时，将识别出的中心线关键点距离误差在预设范围内的部分中心线关键点，作为关键点识别模型实际的输出；即作为真实的中心线关键点。
其中，中心线关键点距离误差在预设范围内，可以为距离误差小于等于5％。即预测得到的中心线关键点与真实的中心线关键点之间的距离误差小于等于5％。
在上述实施例中，若是血管中心线中的起始点恰好为某一位置处的血管的真实起始点，则可以直接在真实起始点处进行划分。而若是血管中心线中的起始点并非某一位置血管的真实起始点，则将该血管中心线的起始点作为普通的命名点使用。
具体的，由于进行中心线关键点识别时会存在误差，因此使得部分中心线关键点(例如血管段的起始点)可以匹配到合适的血管段，此时将中心线关键点作为血管段的起始点进行血管的划分。而有些时候，识别出的中心线关键点的误差较大，使得中心线关键点无法匹配到真实的血管段的起始点，此时只能将距离中心线关键点最近的血管中心线点作为某一血管段的起始点，进行分段命名。
需要说明的是，在本申请的实施例中，是先识别出多个血管中心线点(包括中心线关键点)，即识别出了血管中心线；再根据多个血管中心线点对血管进行划分命名。
在得到多个第二血管图像后，还需要对第二血管图像中的血管进行优化处理，避免血管出现断裂等问题。
其中，对血管进行优化处理可以包括：根据血管中心线关键性和/或血管经验模型，对血管进行重新命名，区分不同类型的血管段；和/或，根据血管中心线中的中心线关键点和/或血管经验模型，确定血管中心线出现断裂的位置，利用预设修复算法对血管断裂的位置进行断裂修复。
如图6所示，为本申请实施例提供的对血管优化的一实施例流程示意图，可以包括：
61、根据命名数据，对第一血管图像中的关键生理信息处进行去骨粘连处理。
其中，骨粘连是骨骼和周围软组织发生的粘连，特别见于关节周围的骨骼发生粘连。由于发生骨粘连，骨头和软组织粘结在一起，会影响血管的分布以及血管的走向，因此需要对关键生理信息处进行去骨粘连处理。
具体的，由于本申请主要是对头颈处的血管进行处理，此时的关键生理信息可以为头颈处的虹吸段，主要为颈内动脉虹吸段。而颈内动脉虹吸段是将颈内动脉分为七段，其中一段因为形似虹吸作用，就像一个管路的弯曲一样，所以叫做颈内动脉虹吸段。而颈内动脉虹吸段容易发生病变，因此需要对此处进行单独的去骨粘连处理，获取精度更高的虹吸段血管对应的血管图像。
62、修整第一血管图像中关键生理信息处的锁骨动脉和颈外动脉。
在其他一些实施例中，需要关注的是头颈处的锁骨动脉和颈外动脉，还需要对这些血管进行修整，修整这些血管中模糊的部分。尤其是对血管中关键生理信息处的血管进行修整，提高血管的精度。
63、去除第一血管图像中关键生理信息处的静脉，得到第二血管图像。
由于本申请主要是对头颈处的血管进行处理，而头颈处的疾病通常与动脉有关，因此需要去除头颈处的静脉血管，仅保留头颈处的动脉血管。
而去除头颈中关键生理信息处的静脉血管，可以利用人工智能(ArtificialIntelligence，AI)去除，或是直接利用人工处理(Manual Handing，HI)。具体处理流程可以参考现有技术，此处不做限定。
如图7所示，为本申请实施例提供的血管一实施例示意图。在图7所示的实施例中，有些血管距离较近，导致提取血管中心线时，不同血管对应的多个血管中心线点集中在一起。例如(P1、P2、P3)是一条血管，(B1、B2、B3)是一条血管。但是，由于B2与P1之间距离太近，可能会将B2误判为P1的分支，导致将P1和B2作为一条血管段落。这时候，就需要结合经验模型对两条血管进行拆分。
在另一些实施例中，还可以对血管进行擦除。如图8所示，为本申请提供的血管另一实施例示意图。具体的，根据血管中心线点的名称，可以知道血管段位于人体生理组织的位置。然后，根据该部位血管的经验模型(例如，血管图谱等)，将原本距离较为相近的血管中心线点，划分归类，从而区分开不同段落的血管。如图所示，真实的血管应该是(C1，C2，C3)，但是，由于C1和C3的位置较近，可能会被误认为有血管，导致直接将(C1，C3)作为一段血管。此时，需要根据血管的命名和经验模型，擦除存在误区的血管中心线。
在上述实施例中，对血管对应的第一血管图像进行优化的方法还可以包括：若血管中心线出现断裂，则利用预设修复算法对血管进行断裂修复。
具体的，由于已经确定了血管中心线的名称，根据血管中心线的名称可以确定某个区间内应该存在有血管，但却没有对应的血管中心线的命名，说明此处血管缺失。此时，可以取缺失部分最近的两个血管中心线点，并利用生长算法/最短路径等算法，补上缺失的中心线点，以对血管进行断裂修复，并更新命名。具体的修复过程可以参考现有技术，此处不做限定。
在本申请的另一些实施例中，对血管对应的第一血管图像进行优化的方法还可以包括：
根据人体对应的前后循环系统，将第一血管图像中的血管分为前循环血管和后循环血管；分别对前循环血管和后循环血管进行优化。
具体的，在上述对血管进行优化时，由于人体存在前循环和后循环两套血液循环系统，且不同的循环系统利用的血管存在差异；因此需要将头颈处的血管按照血液循环的顺序，将前循环和后循环中的血管分开进行优化。
在上述实施例的基础上，在对血管进行分割优化后，实际上还需要对第二血管图像进行处理，得到便于医生观看或理解的图像。
其中，可以利用虚拟现实(Virtual Reality，VR)或是利用曲面重建(curvedplanar reformat,CPR)等方法对第二血管图像进行处理，将第二血管图像转变为便于观看或理解的平面图像或3D立体图像。
为了更好实施本申请实施例中血管图像处理方法，在血管图像处理方法基础之上，本申请实施例中还提供一种造影图像处理装置，如图9所示，所述造影图像处理装置900包括：
获取模块901，用于对待处理的初始血管图像进行血管中心线命名，得到组成所述血管中心线的血管中心线点的命名数据；
定位模块902，用于在不存在未命名的血管段的情况下，根据所述命名数据，确定不同血管段的命名，并以血管段的命名确定所述血管段所在的人体部位；
优化模块903，用于基于所述血管段所在的人体部位相对应的预设血管处理方式，对所述初始血管图像进行相应处理，得到优化血管图像。
本申请实施例提供的血管图像处理装置，对血管进行血管中心线命名，以获取血管中心线的命名数据；并根据命名确定血管段所在位置，根据血管段所在位置的不同，采用不同的处理方式，对血管图像进行不同的处理。避免血管图像采集过程中可能产生的误差，提高血管图像采集的精度。
在本申请的一些实施例中，获取模块901还可以用于：提取第一造影图像中的多个关键生理信息；根据多个关键生理信息对第一造影图像进行组织图像分割，得到第二造影图像。
通过上述方式得到的第二造影图像即可作为初始血管图像。
在本申请的一些实施例中，获取模块901还可以用于：利用预设中心线提取方法对初始血管图像进行血管中心线提取，得到所述血管中心线；对血管中心线进行命名，得到组成血管中心线的血管中心线点的命名数；据根据命名三维点集，对初始血管图像中的血管进行划分，得到多个不同的血管段，并确定每个血管段各自对应的命名。
在本申请的一些实施例中，优化模块903还可以用于：根据命名数据，对第一血管图像中的关键生理信息处进行去骨粘连处理；修整第一血管图像中关键生理信息处的锁骨动脉和颈外动脉；去除第一血管图像中关键生理信息处的静脉，得到第二血管图像。
本申请还提供一种服务器，其集成了本申请实施例所提供的任一种造影图像处理装置，如图10所示，其示出了本申请实施例所涉及到的服务器的结构示意图，具体来讲：
该服务器可以包括一个或者一个以上处理核心的处理器1001、一个或一个以上计算机可读存储介质的存储器1002、电源1003和输入单元1004等部件。本领域技术人员可以理解，图10中示出的服务器结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器1001是该服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器1002内的软件程序和/或模块，以及调用存储在存储器1002内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。可选的，处理器1001可包括一个或多个处理核心；优选的，处理器1001可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1001中。
存储器1002可用于存储软件程序以及模块，处理器1001通过运行存储在存储器1002的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器1002可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器1002可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器1002还可以包括存储器控制器，以提供处理器1001对存储器1002的访问。
服务器还包括给各个部件供电的电源1003，优选的，电源1003可以通过电源管理系统与处理器1001逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源1003还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该服务器还可包括输入单元1004，该输入单元1004可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，服务器还可以包括显示单元等，在此不再赘述。具体在本实施例中，服务器中的处理器1001会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器1002中，并由处理器1001来运行存储在存储器1002中的应用程序，从而实现各种功能，如下：
对待处理的初始血管图像进行血管中心线命名，得到血管中心线对应的多个命名以及对应的命名数据；判断血管中心线上是否存在未命名的血管段；若不存在未命名的血管段，则根据命名数据判断命名对应的血管段，以确定血管段所在的位置；根据血管段所在的位置，采用预设血管处理方式对初始血管图像进行相应处理，得到不同血管段对应的第一血管图像。
本申请还提供一种计算机可读存储介质，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。存储介质存储有计算机程序，该计算机程序被处理器进行加载，以执行本申请实施例所提供的任一种造影图像处理方法中的步骤。例如，所述计算机程序被处理器进行加载可以执行如下步骤：
对待处理的初始血管图像进行血管中心线命名，得到血管中心线对应的多个命名以及对应的命名数据；判断血管中心线上是否存在未命名的血管段；若不存在未命名的血管段，则根据命名数据判断命名对应的血管段，以确定血管段所在的位置；根据血管段所在的位置，采用预设血管处理方式对初始血管图像进行相应处理，得到不同血管段对应的第一血管图像。
本申请实施例还提供一种后处理图像生成系统，该后处理图像生成系统可以包括分割模块、中心线提取模块、血管图像处理装置和图像生成模块。其中，血管图像处理装置包括如上任一项所述的血管图像处理装置。
需要说明的是，本申请实施例方法由于是在电子设备中执行，各电子设备的处理对象均以数据或信息的形式存在，例如时间，实质为时间信息，可以理解的是，后续实施例中若提及尺寸、数量、位置等，均为对应的数据存在，以便电子设备进行处理，具体此处不作赘述。
以上对本申请实施例所提供的一种血管图像处理方法、装置、服务器及后处理图像生成系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种血管图像处理方法，其特征在于，所述方法包括：
对待处理的初始血管图像进行血管中心线命名，得到组成所述血管中心线的血管中心线点的命名数据；
在不存在未命名的血管段的情况下，根据所述命名数据，确定不同血管段的命名，并以血管段的命名确定所述血管段所在的人体部位；
基于所述血管段所在的人体部位相对应的预设血管处理方式，对所述初始血管图像进行相应处理，得到优化血管图像。
2.根据权利要求1所述的血管图像处理方法，其特征在于，所述在不存在未命名的血管段的情况下，根据所述命名数据，确定不同血管段的命名，并以血管段的命名确定所述血管段所在的人体部位的步骤包括：
根据所述命名数据，对所述初始血管图像中的血管进行分段，得到不同血管段的命名；
基于不同血管段的命名，确定不同血管段所在的人体部位。
3.根据权利要求1所述的血管图像处理方法，其特征在于，所述对待处理的初始血管图像进行血管中心线命名，得到所述血管中心线对应的命名数据的步骤之后包括：
在存在未命名的血管段的情况下，去除所述初始血管图像中所述未命名的血管段。
4.根据权利要求1至3任一项所述的血管图像处理方法，其特征在于，判断是否存在未命名的血管段的依据为：判断基于所述命名数据确定的血管段的长度是否小于预设长度范围。
5.根据权利要求1所述的血管图像处理方法，其特征在于，所述基于所述血管段所在的人体部位相对应的预设处理方式，对所述初始血管图像进行相应处理，得到优化血管图像的步骤包括：
基于血管段所在的人体部位，匹配对应的血管经验模型；
根据所述血管经验模型和/或血管中心线中的中心线关键点的命名数据，对血管段进行优化处理，得到优化血管图像。
6.根据权利要求5所述的血管图像处理方法，其特征在于，所述中心线关键点的获取步骤包括：
基于关键点识别模型，确定组成血管中心线的血管中心线点中的中心线关键点。
7.根据权利要求5所述的血管图像处理方法，其特征在于，所述优化处理的步骤包括：
根据血管中心线中的中心线关键点和/或所述血管经验模型，对血管进行重新命名，区分不同类型的血管段；和/或，
根据血管中心线中的中心线关键点和/或所述血管经验模型，确定血管中心线出现断裂的位置，利用预设修复算法对血管断裂位置进行断裂修复。
8.一种血管图像处理装置，其特征在于，所述装置包括：
获取模块，用于对待处理的初始血管图像进行血管中心线命名，得到组成所述血管中心线的血管中心线点的命名数据；
定位模块，用于在不存在未命名的血管段的情况下，根据所述命名数据，确定不同血管段的命名，并以血管段的命名确定所述血管段所在的人体部位；
优化模块，用于基于所述血管段所在的人体部位相对应的预设血管处理方式，对所述初始血管图像进行相应处理，得到优化血管图像。
9.一种服务器，其特征在于，所述服务器包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至8中任一项所述的造影图像处理方法。
10.一种后处理图像生成系统，其特征在于，包括：分割模块、中心线提取模块、血管图像处理装置和图像生成模块；所述血管图像处理装置包括如权利要求8所述的血管图像处理装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111022564.1A CN115760961B (zh) | 2021-09-01 | 2021-09-01 | 血管图像处理方法、装置、服务器及后处理图像生成系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111022564.1A CN115760961B (zh) | 2021-09-01 | 2021-09-01 | 血管图像处理方法、装置、服务器及后处理图像生成系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115760961A true CN115760961A (zh) | 2023-03-07 |
| CN115760961B CN115760961B (zh) | 2023-08-29 |
Family
ID=85332021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111022564.1A Active CN115760961B (zh) | 2021-09-01 | 2021-09-01 | 血管图像处理方法、装置、服务器及后处理图像生成系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115760961B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105139030A (zh) * | 2015-08-18 | 2015-12-09 | 青岛海信医疗设备股份有限公司 | 一种肝脏血管的分类方法 |
| US20160007947A1 (en) * | 2014-07-14 | 2016-01-14 | Volcano Corporation | Devices, Systems, and Methods for Improved Accuracy Model of Vessel Anatomy |
| CN106097298A (zh) * | 2016-05-27 | 2016-11-09 | 中国人民解放军第三军医大学 | 基于球空间划分的冠状动脉自动分段与解剖学标记方法 |
| US20180177474A1 (en) * | 2012-10-24 | 2018-06-28 | Cathworks Ltd. | Creating a vascular tree model |
| CN108765363A (zh) * | 2018-03-24 | 2018-11-06 | 语坤（北京）网络科技有限公司 | 一种基于人工智能的冠脉cta自动后处理系统 |
| CN112967284A (zh) * | 2021-04-30 | 2021-06-15 | 平安科技（深圳）有限公司 | 血管图像分段分析方法、装置、设备及存储介质 |
-
2021
- 2021-09-01 CN CN202111022564.1A patent/CN115760961B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180177474A1 (en) * | 2012-10-24 | 2018-06-28 | Cathworks Ltd. | Creating a vascular tree model |
| US20160007947A1 (en) * | 2014-07-14 | 2016-01-14 | Volcano Corporation | Devices, Systems, and Methods for Improved Accuracy Model of Vessel Anatomy |
| CN105139030A (zh) * | 2015-08-18 | 2015-12-09 | 青岛海信医疗设备股份有限公司 | 一种肝脏血管的分类方法 |
| CN106097298A (zh) * | 2016-05-27 | 2016-11-09 | 中国人民解放军第三军医大学 | 基于球空间划分的冠状动脉自动分段与解剖学标记方法 |
| CN108765363A (zh) * | 2018-03-24 | 2018-11-06 | 语坤（北京）网络科技有限公司 | 一种基于人工智能的冠脉cta自动后处理系统 |
| CN112967284A (zh) * | 2021-04-30 | 2021-06-15 | 平安科技（深圳）有限公司 | 血管图像分段分析方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 杨枫;王福海;郑书刚;郑彩端;: "低剂量CT血管造影应用于临床颈动脉狭窄程度分级中的效果分析", 中国CT和MRI杂志, no. 11 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115760961B (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11138733B2 (en) | Vascular characteristic determination with correspondence modeling of a vascular tree | |
| Van Rikxoort et al. | Automated segmentation of pulmonary structures in thoracic computed tomography scans: a review | |
| US7447344B2 (en) | System and method for visualization of pulmonary emboli from high-resolution computed tomography images | |
| EP2194505B1 (en) | Method and apparatus for segmenting spine and aorta in a medical image according to a skeletal atlas | |
| EP2810598B1 (en) | Surgical support device, surgical support method and surgical support program | |
| JP6220310B2 (ja) | 医用画像情報システム、医用画像情報処理方法及びプログラム | |
| US8588498B2 (en) | System and method for segmenting bones on MR images | |
| JP2008503303A (ja) | 気管気管支樹を表示する方法及び装置 | |
| JP2019512131A (ja) | 画像ベースの患者固有の血流力学的モデルにおいて解像されていない血管を特定してモデル化するためのシステム及び方法 | |
| KR20080073238A (ko) | 의학 영상 데이터 처리 방법 | |
| CN112862833A (zh) | 血管分段方法、电子装置和存储介质 | |
| CN110111354A (zh) | 肝脏医学图像动脉区域分割方法及系统 | |
| Affane et al. | Robust deep 3-D architectures based on vascular patterns for liver vessel segmentation | |
| CN114255207A (zh) | 用于确定重要性评分的方法和系统 | |
| Mistelbauer et al. | Semi-automatic vessel detection for challenging cases of peripheral arterial disease | |
| CN113177945A (zh) | 用于将分割图链接到体数据的系统和方法 | |
| Gharleghi et al. | Computed tomography coronary angiogram images, annotations and associated data of normal and diseased arteries | |
| CN105844687B (zh) | 用于处理医学影像的装置和方法 | |
| Chakshu et al. | Automating fractional flow reserve (FFR) calculation from CT scans: A rapid workflow using unsupervised learning and computational fluid dynamics | |
| KR102229367B1 (ko) | 뇌혈관 비교 판독 영상 디스플레이 장치 및 방법 | |
| CN116309346A (zh) | 医学图像的检测方法、装置、设备、存储介质及程序产品 | |
| CN115760961B (zh) | 血管图像处理方法、装置、服务器及后处理图像生成系统 | |
| Miao et al. | Visual quantification of the circle of willis: An automated identification and standardized representation | |
| Miao et al. | CoWRadar: Visual Quantification of the Circle of Willis in Stroke Patients. | |
| EP3588378B1 (en) | Method for determining at least one enhanced object feature of an object of interest |
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 | ||
| CP03 | Change of name, title or address |
Address after: 100120 rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing Patentee after: Shukun Technology Co.,Ltd. Country or region after: China Address before: 100120 rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing Patentee before: Shukun (Beijing) Network Technology Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |
Effective date of registration: 20240925 Address after: Room 313 and 315, Building No. 11, Innovation Road, Changping District, Beijing 102200 Patentee after: YUKUN (BEIJING) NETWORK TECHNOLOGY Co.,Ltd. Country or region after: China Address before: 100120 rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing Patentee before: Shukun Technology Co.,Ltd. Country or region before: China |