CN115953413B - 一种mra图像分割方法、装置及存储介质 - Google Patents

一种mra图像分割方法、装置及存储介质 Download PDF

Info

Publication number
CN115953413B
CN115953413B CN202310233362.4A CN202310233362A CN115953413B CN 115953413 B CN115953413 B CN 115953413B CN 202310233362 A CN202310233362 A CN 202310233362A CN 115953413 B CN115953413 B CN 115953413B
Authority
CN
China
Prior art keywords
mra image
mra
vessel
probability model
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310233362.4A
Other languages
English (en)
Other versions
CN115953413A (zh
Inventor
刘伟奇
马学升
陈金钢
陈磊
彭思源
赵晓彤
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.)
Tongxin Zhiyi Technology Beijing Co ltd
Original Assignee
Tongxin Zhiyi Technology Beijing 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 Tongxin Zhiyi Technology Beijing Co ltd filed Critical Tongxin Zhiyi Technology Beijing Co ltd
Priority to CN202310233362.4A priority Critical patent/CN115953413B/zh
Publication of CN115953413A publication Critical patent/CN115953413A/zh
Application granted granted Critical
Publication of CN115953413B publication Critical patent/CN115953413B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请实施例公开了一种MRA图像分割方法、装置及存储介质，其中MRA图像分割方法包括步骤：获取MRA图像，建立所述MRA图像数据中的血管信号概率模型；基于所述血管信号概率模型，利用最大期望算法分割所述MRA图像，得到分割后的血管图像。通过上述方法，基于血流的物理描述，因此可以准确处理正常和异常情况，提高了分割使用不同扫描仪获取的MRA图像的准确性。

Description

一种MRA图像分割方法、装置及存储介质
技术领域
本申请涉及图像处理技术领域，具体涉及一种MRA图像分割方法、装置及存储介质。
背景技术
早期诊断和及时治疗颅内血管疾病的方法是利用无创MRA(Magnetic ResonanceAngiography,磁共振血管造影)进行准确的脑血管分割。当前，从MRA数据中分割血管的技术可以大致分为两类：可变形模型和统计方法。可变形模型：通过优化依赖于图像梯度和表面平滑度的能量函数来迭代地调整血管的初始边界表面。拓扑适应性表面使经典可变形模型在分割颅内脉管系统方面更有效。使用水平集技术实现的测地线活动轮廓为分割MRA图像提供了灵活的拓扑适应性，包括更有效地适应例如由张量特征值表示的局部几何结构。血管表面的快速分割是通过使3D球囊充气的快速行进方法来获得的。动脉和静脉内血液的毛细血管被建模，并用作可变形模型的外力来分割血管。目前已经有几种方法来分割血管，这些方法基于血管骨架的提取和使用多尺度方案来考虑血管大小的多样性。在这些方法中，中心线模型可以通过血管建模方法显式、隐式或通过后处理生成。统计方法：从信号边缘概率分布的特定模式与感兴趣区域相关联的意义上说,MRA图像是多模态的。边缘分布分别使用静止CSF（脑脊液）和骨骼、脑组织（白质和灰质）和动脉的两个高斯和一个均匀或赖斯分量的混合物建模。均匀成分假定血流是严格层流的。使用传统的EM算法识别（估计）混合物。
但是，由于血流速度和粘度、血管直径和扫描仪灵敏度的变化，传统模型不能准确显示所有信号的变化。
发明内容
本申请实施例的目的在于提供一种MRA图像分割方法、装置及存储介质，用以解决现有技术中的从MRA数据中分割血管的技术，由于血流速度和粘度、血管直径和扫描仪灵敏度的变化，不能准确显示所有信号的变化的问题。
为实现上述目的，本申请实施例提供一种MRA图像分割方法，包括步骤：获取MRA图像，建立所述MRA图像数据中的血管信号概率模型；
基于所述血管信号概率模型，利用最大期望算法分割所述MRA图像，得到分割后的血管图像。
可选地，建立所述MRA图像数据中的所述血管信号概率模型的方法包括：
利用公式
Figure SMS_1
获得层流和湍流分量的混合的所述血管信号概率模型，其中，
Figure SMS_2
，无条件概率密度
Figure SMS_3
，
Figure SMS_4
,作为Q元信号的图像强度或灰度级，常数
Figure SMS_5
≤Q-1，β∈[0,1]。
可选地，利用最大期望算法分割所述MRA图像的方法包括：
利用公式
Figure SMS_6
分割所述MRA图像，其中，csf指所述MRA图像中的脑脊液、骨骼和脂肪，bt指所述MRA图像中的脑组织，bv指所述MRA图像中的血管，
Figure SMS_7
是混合权重，αbv+ αcsf+ αbt= 1，三个子模型
Figure SMS_8
中的每一个都是一个主要分量与几个交替符号从属分量的线性组合的混合，这些分量被选择为紧密近似经验边际信号分布Femp= (femp(q) :q∈ Q)。
可选地，血管子模型的主要成分是离散参数分布
Figure SMS_9
，其中，θ = (β,qmax)为其参数，在单位区间上对应整数值q ∈ Q：
Figure SMS_10
。
可选地，还包括：创建三个三维模型，用来模拟血管系统中存在的分叉、零曲率和高曲率；
基于三个所述三维模型，从代表血管、脑脊液的信号中计算经验类分布
Figure SMS_11
、
Figure SMS_12
和
Figure SMS_13
，以及所述MRA图像的脑组织，使用逆映射方法生成幻象信号；
计算总分割误差，所述总分割误差是通过错误体素相对于三维模型中体素总数的百分比来评估的。
为实现上述目的，本申请还提供一种MRA图像分割装置，包括：存储器；以及
与所述存储器连接的处理器，所述处理器被配置成：
获取MRA图像，建立所述MRA图像数据中的血管信号概率模型；
基于所述血管信号概率模型，利用最大期望算法分割所述MRA图像，得到分割后的血管图像。
为实现上述目的，本申请还提供一种计算机存储介质，其上存储有计算机程序，其中所述计算机程序被机器执行时实现如上所述的方法的步骤。
本申请实施例具有如下优点：
本申请实施例提供一种MRA图像分割方法，包括步骤：获取MRA图像，建立所述MRA图像数据中的血管信号概率模型；基于所述血管信号概率模型，利用最大期望算法分割所述MRA图像，得到分割后的血管图像。
通过上述方法，基于血流的物理描述，因此可以准确处理正常和异常情况，提高了分割使用不同扫描仪获取的MRA图像的准确性。
附图说明
为了更清楚地说明本申请的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
图1为本申请实施例提供的一种MRA图像分割方法的流程图；
图2为本申请实施例提供的一种MRA图像分割方法的收缩对血管中血流速度的影响和沿血管的每个横截面的速度范围示意图；
图3为本申请实施例提供的一种MRA图像分割方法的概率密度以及分别具有层流和湍流流动的血管的合成横截面图像示意图；
图4为本申请实施例提供的一种MRA图像分割方法的三个TOF-MRA切片，其经验分布femp(q)与主要混合p3(q)重叠示意图；
图5为本申请实施例提供的一种MRA图像分割方法的三类MRA的估计边际密度示意图；
图6为本申请实施例提供的一种MRA图像分割方法的分割后的血管图像示意图；
图7为本申请实施例提供的一种MRA图像分割方法的三维模型的分割结果；
图8为本申请实施例提供的一种MRA图像分割装置的模块框图。
具体实施方式
以下由特定的具体实施例说明本申请的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
此外，下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本申请一实施例提供一种MRA图像分割方法，参考图1，图1为本申请的一实施方式中提供的一种MRA图像分割方法的流程图，应当理解的是，该方法还可以包括未示出的附加框和/或可以省略所示出的框，本申请的范围在此方面不受限制。
在步骤101处，获取MRA图像，建立所述MRA图像数据中的血管信号概率模型。
在一些实施例中，建立所述MRA图像数据中的所述血管信号概率模型的方法包括：
利用公式
Figure SMS_14
获得层流和湍流分量的混合的所述血管信号概率模型，其中，
Figure SMS_15
，无条件概率密度
Figure SMS_16
，
Figure SMS_17
,作为Q元信号的图像强度或灰度级，常数
Figure SMS_18
≤Q-1，β∈[0,1]。
具体地，设q;
Figure SMS_19
，作为Q元信号的图像强度或灰度级。传统的血管体素强度模型假设层流血流具有抛物线速度流过血管的圆形横截面。那么血管的强度分布是
Figure SMS_20
，其中
Figure SMS_21
是距离半径为R的血管中心距离
Figure SMS_22
处的强度，常数
Figure SMS_23
≤Q-1取决于扫描仪。
在这种情况下，圆形截面上的强度以概率密度均匀分布：
Figure SMS_24
在[0,qmax]范围内。尽管如此，对于具有正常血管系统的受试者，层流仅保持
Figure SMS_25
。
各种疾病改变血液速度或粘度或两者并导致湍流。湍流取决于血管直径和血流速度和粘度。由于血液粘度较低，贫血经常导致湍流。动脉收缩增加血流速度（见图2）和血管疾病，如血栓形成、栓塞、甲状腺毒症、动脉粥样硬化和心脏瓣膜病也会导致湍流。
通常，湍流将[-1,1]范围内的均匀随机因子ξ添加到抛物线强度分布：
方程（1）：
Figure SMS_26
推导方程(1)中强度的概率密度，在血管上，让
Figure SMS_27
和
Figure SMS_28
分别为半径为
Figure SMS_29
的圆形面积和半径为
Figure SMS_30
的圆形容器横截面的最大面积。让
Figure SMS_31
，
Figure SMS_32
，和
Figure SMS_33
分别表示ar边界上强度的条件密度，无条件密度和整个血管强度的概率。
Figure SMS_34
的密度是
Figure SMS_35
因为
Figure SMS_36
。符合方程（1），
Figure SMS_37
，强度
Figure SMS_38
有一个条件密度
Figure SMS_39
。则血管区域强度的概率分布为：
方程（2）：
Figure SMS_40
因此，无条件概率密度为：
方程（3）：
Figure SMS_41
由于MRA可能代表正常和异常受试者，血管信号模型可以建立为层流和湍流分量的混合：
方程（4）：
Figure SMS_42
该模型中不同混合权重β∈[0,1]的概率密度如图3所示。
MRA图像包含三个感兴趣区域（信号类别）：
较暗的脑脊液、骨骼和脂肪（cerebrospinal fluid, csf)）；
脑组织（灰质和白质）（brain tissues, bt）；
较亮血管（blood vessels, bv）；
前两类的边缘信号分布通常具有复杂的形状，与传统的单个高斯分布有很大不同。方程式(4)中的模型仅描述圆柱形血管，并且应该有额外的术语来改变其形状以解释由于狭窄引起的血流变化。通常，没有预定义的概率模型可以准确地描述由于血流速度和粘度、血管直径和扫描仪灵敏度的变化而导致的所有信号变化。
在步骤102处，基于所述血管信号概率模型，利用最大期望算法分割所述MRA图像，得到分割后的血管图像。
在一些实施例中，利用最大期望算法分割所述MRA图像的方法包括：
利用公式
Figure SMS_43
分割所述MRA图像，其中，csf指所述MRA图像中的脑脊液、骨骼和脂肪，bt指所述MRA图像中的脑组织，bv指所述MRA图像中的血管，
Figure SMS_44
是混合权重，αbv+ αcsf+ αbt= 1，三个子模型
Figure SMS_45
中的每一个都是一个主要分量与几个交替符号从属分量的线性组合的混合，这些分量被选择为紧密近似经验边际信号分布Femp= (femp(q) :q∈ Q)。
在一些实施例中，血管子模型的主要成分是离散参数分布
Figure SMS_46
，其中，θ = (β,qmax)为其参数，在单位区间上对应整数值q ∈Q：
Figure SMS_47
。
具体地，本实施例提出了一种自适应概率模型来处理正常和异常的MRA图像。它混合了代表上述实施例中主要图像区域的三个子模型（分别缩写为“csf”、“bt”和“bv”）：
方程（5）：
Figure SMS_48
其中
Figure SMS_49
是混合权重（αbv+ αcsf+ αbt= 1），三个子模型
Figure SMS_50
中的每一个都是一个主要分量与几个交替符号从属分量的线性组合的混合，这些分量被选择为紧密近似经验边际信号分布Femp= (femp(q) :q∈ Q)。
血管子模型的主要成分是离散参数分布
Figure SMS_51
，简写为θ =(β,qmax)为其参数。它是通过对方程式中的密度进行积分而获得的。在单位区间上对应整数值q ∈ Q：
Figure SMS_52
。
因为通常
Figure SMS_53
，这个分布只有一个参数β。另外两个主要成分是离散概率分布
Figure SMS_54
的离散高斯(DG)积分单位间隔上的正态参数密度：
Figure SMS_55
对于
Figure SMS_56
其中Φθ(q)是累积高斯概率函数，参数为θ= (μ,σ2)，即均值μ和方差σ2。
每个子模型的从属部分
Figure SMS_57
是离散高斯(LCDG)与Ci,p正和Ci,n负分量在其权重明显限制下的线性组合。在M步上对参数β的非解析估计
Figure SMS_58
其中
Figure SMS_59
是q的子模型i。
在一些实施例中，还包括：创建三个三维模型，用来模拟血管系统中存在的分叉、零曲率和高曲率；
基于三个所述三维模型，从代表血管、脑脊液的信号中计算经验类分布
Figure SMS_60
、
Figure SMS_61
和
Figure SMS_62
，以及所述MRA图像的脑组织，使用逆映射方法生成幻象信号；
计算总分割误差，所述总分割误差是通过错误体素相对于三维模型中体素总数的百分比来评估的。
具体地，前述实施例没有将模型限制为仅确保非负信号概率的LCDG的适当子集。由于模型提供了非常接近的近似值，因此可以忽略此限制。
方程(5)的模型是基于EM的方法构建的。图4显示了边际经验分布Femp和它们的初始3分量占主导地位的混合物，它们包含两个高斯分量和方程(4)中的血管模型。对于图4中的切片A、B和C，后者的估计参数β分别为0.92、0.18和0.038，这反映了基于物理学的考虑所预期的血液湍流水平。
对经验密度和三种主要模式之间的偏差进行建模。在本申请中，使用之前实施例修改过的EM算法来执行这一步，该方法的最终结果如图5所示。图6显示了使用图5所示估计密度的分割结果。
准确地获得手动分割的完整血管树来验证本申请的算法是非常困难的。为了定量评估其性能，本实施例在图7中创建了三个三维模型，其几何形状类似于已知基本事实的血管。这三个模型模拟了任何血管系统中存在的分叉、零曲率和高曲率，它们变化的半径模拟了大血管和小血管。
为了使这三个模型的分布类似于MRA图像，首先本实施例从代表血管、CSF（脑脊液）的信号中计算经验类分布
Figure SMS_63
、
Figure SMS_64
和
Figure SMS_65
，以及来自放射科医生分割的MRA图像的脑组织。然后，使用逆映射方法生成幻象信号。生成的模型直方图类似于图3中的直方图。
总分割误差是通过错误体素相对于地面实况三维模型中体素总数的百分比来评估的。图7显示，该方法获得的最大误差为1.34%，最小误差为0.18%。这些结果证实了所提出方法的高精度。
因此，本申请的自适应模型显着提高了分割使用不同扫描仪获取的MRA图像的准确性。传统方法要么假设纯层流血流，要么预先选择简单的参数分布以尝试考虑实际信号特征。相比之下，本申请的模型来源于血流的物理描述，因此可以准确地处理正常和异常情况。此外，本申请估计权重 β ∈[0,1]。(4)为特定受试者提供血流异常百分比的自然测量。
通过上述方法，基于血流的物理描述，因此可以准确处理正常和异常情况，提高了分割使用不同扫描仪获取的MRA图像的准确性。为了获得验证，本申请使用了使用特殊的3D几何模型。最大误差为1.34%，最小误差为0.18%。此结果证明了本实施例方法的高精度高。总分割误差通过错误体素相对于地面实况3D模型中体素总数的百分比来评估。可适用于分割TOF-MRA和PC-MRA图像。
本申请推导了MRA图像上血管的更一般的概率模型，以解释血管系统的正常和异常状态，即层流和湍流血液没有和有狭窄的流动。该模型考虑了层流（对于正常受试者）和湍流血流（在贫血或狭窄等异常情况下），并产生了一种从MRA数据中提取脑血管系统的快速算法。为了准确地将血管与其他感兴趣区域分开，边缘分布通过导出模型和许多主要和从属离散高斯的自适应线性组合来精确近似，而不是仅使用三个预先选择的高斯和统一或赖斯组件。
图8为本申请实施例提供的一种MRA图像分割装置的模块框图。该装置包括：
存储器201；以及与所述存储器201连接的处理器202，所述处理器202被配置成：获取MRA图像，建立所述MRA图像数据中的血管信号概率模型；
基于所述血管信号概率模型，利用最大期望算法分割所述MRA图像，得到分割后的血管图像。
在一些实施例中，所述处理器202还被配置成：建立所述MRA图像数据中的所述血管信号概率模型的方法包括：
利用公式
Figure SMS_66
获得层流和湍流分量的混合的所述血管信号概率模型，其中，
Figure SMS_67
，无条件概率密度
Figure SMS_68
，
Figure SMS_69
,作为Q元信号的图像强度或灰度级，常数
Figure SMS_70
≤Q-1，β∈[0,1]。
在一些实施例中，所述处理器202还被配置成：利用最大期望算法分割所述MRA图像的方法包括：
利用公式
Figure SMS_71
分割所述MRA图像，其中，csf指所述MRA图像中的脑脊液、骨骼和脂肪，bt指所述MRA图像中的脑组织，bv指所述MRA图像中的血管，
Figure SMS_72
是混合权重，αbv+ αcsf+ αbt= 1，三个子模型
Figure SMS_73
中的每一个都是一个主要分量与几个交替符号从属分量的线性组合的混合，这些分量被选择为紧密近似经验边际信号分布Femp= (femp(q) :q∈ Q)。
在一些实施例中，所述处理器202还被配置成：血管子模型的主要成分是离散参数分布
Figure SMS_74
，其中，θ = (β,qmax)为其参数，在单位区间上对应整数值q∈ Q：
Figure SMS_75
。
在一些实施例中，所述处理器202还被配置成：创建三个三维模型，用来模拟血管系统中存在的分叉、零曲率和高曲率；
基于三个所述三维模型，从代表血管、脑脊液的信号中计算经验类分布
Figure SMS_76
、
Figure SMS_77
和
Figure SMS_78
，以及所述MRA图像的脑组织，使用逆映射方法生成幻象信号；
计算总分割误差，所述总分割误差是通过错误体素相对于三维模型中体素总数的百分比来评估的。
具体实现方法参考前述方法实施例，此处不再赘述。
本申请可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本申请的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本申请的各个方面。
这里参照根据本申请实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本申请的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
注意，除非另有直接说明，否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此，除非另有明确说明，否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下，进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头，该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
虽然，上文中已经用一般性说明及具体实施例对本申请作了详尽的描述，但在本申请基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本申请精神的基础上所做的这些修改或改进，均属于本申请要求保护的范围。

Claims (8)

1.一种MRA图像分割方法，其特征在于，包括以下步骤：
获取MRA图像，建立所述MRA图像数据中的血管信号概率模型；
建立所述MRA图像数据中的所述血管信号概率模型的方法包括：
利用公式
Figure QLYQS_1
，
获得层流和湍流分量的混合的所述血管信号概率模型，其中，
Figure QLYQS_2
，无条件概率密度
Figure QLYQS_3
，q∈Q={0, 1, . . . , Q-1},作为Q元信号的图像强度或灰度级，常数
Figure QLYQS_4
≤ Q-1，β∈[0,1]；
基于所述血管信号概率模型，利用最大期望算法分割所述MRA图像，得到分割后的血管图像。
2.根据权利要求1所述的MRA图像分割方法，其特征在于，利用最大期望算法分割所述MRA图像的方法包括：
利用公式
Figure QLYQS_5
,
分割所述MRA图像，其中，csf指所述MRA图像中的脑脊液、骨骼和脂肪，bt指所述MRA图像中的脑组织，bv指所述MRA图像中的血管，
Figure QLYQS_6
是混合权重，αbv+ αcsf+ αbt= 1，三个子模型
Figure QLYQS_7
中的每一个都是一个主要分量与几个交替符号从属分量的线性组合的混合，这些分量被选择为紧密近似经验边际信号分布Femp= (femp(q) :q∈ Q)。
3.根据权利要求2所述的MRA图像分割方法，其特征在于，还包括：
血管子模型的主要成分是离散参数分布Ψθ,bv= (ψbv(qθ) : q = 0, . . . , qmax)，其中，θ = (β,qmax)为其参数，在单位区间上对应整数值q ∈ Q：
Figure QLYQS_8
。
4.根据权利要求3所述的MRA图像分割方法，其特征在于，还包括：
创建三个三维模型，用来模拟血管系统中存在的分叉、零曲率和高曲率；
基于三个所述三维模型，从代表血管、脑脊液的信号中计算经验类分布
Figure QLYQS_9
、
Figure QLYQS_10
和
Figure QLYQS_11
，以及所述MRA图像的脑组织，使用逆映射方法生成幻象信号；
计算总分割误差，所述总分割误差是通过错误体素相对于三维模型中体素总数的百分比来评估的。
5.一种MRA图像分割装置，其特征在于，包括：
存储器；以及
与所述存储器连接的处理器，所述处理器被配置成：
获取MRA图像，建立所述MRA图像数据中的血管信号概率模型；
建立所述MRA图像数据中的所述血管信号概率模型的方法包括：
利用公式
Figure QLYQS_12
，
获得层流和湍流分量的混合的所述血管信号概率模型，其中，
Figure QLYQS_13
，无条件概率密度
Figure QLYQS_14
，q∈Q={0, 1, . . . , Q-1},作为Q元信号的图像强度或灰度级，常数
Figure QLYQS_15
≤ Q-1，β∈[0,1]；
基于所述血管信号概率模型，利用最大期望算法分割所述MRA图像，得到分割后的血管图像。
6.根据权利要求5所述的MRA图像分割装置，其特征在于，所述处理器还被配置成：
利用最大期望算法分割所述MRA图像的方法包括：
利用公式
Figure QLYQS_16
,
分割所述MRA图像，其中，csf指所述MRA图像中的脑脊液、骨骼和脂肪，bt指所述MRA图像中的脑组织，bv指所述MRA图像中的血管，
Figure QLYQS_17
是混合权重，αbv+ αcsf+ αbt= 1，三个子模型
Figure QLYQS_18
中的每一个都是一个主要分量与几个交替符号从属分量的线性组合的混合，这些分量被选择为紧密近似经验边际信号分布Femp= (femp(q) :q∈ Q)。
7.根据权利要求6所述的MRA图像分割装置，其特征在于，所述处理器还被配置成：
血管子模型的主要成分是离散参数分布Ψθ,bv=(ψbv(qθ):q=0,...,qmax)，其中，θ=(β,qmax)为其参数，在单位区间上对应整数值q ∈ Q：
Figure QLYQS_19
。
8.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被机器执行时实现如权利要求1至4中任一项所述的方法的步骤。
CN202310233362.4A 2023-03-13 2023-03-13 一种mra图像分割方法、装置及存储介质 Active CN115953413B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310233362.4A CN115953413B (zh) 2023-03-13 2023-03-13 一种mra图像分割方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310233362.4A CN115953413B (zh) 2023-03-13 2023-03-13 一种mra图像分割方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN115953413A CN115953413A (zh) 2023-04-11
CN115953413B true CN115953413B (zh) 2023-06-02

Family

ID=85892327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310233362.4A Active CN115953413B (zh) 2023-03-13 2023-03-13 一种mra图像分割方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115953413B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116465489B (zh) * 2023-04-19 2024-10-11 重庆邮电大学 一种基于曲率的日盲紫外光电探测器信号分割方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109102511B (zh) * 2018-07-06 2021-05-25 深圳先进技术研究院 一种脑血管分割方法、系统及电子设备
US10768259B2 (en) * 2018-10-15 2020-09-08 Zayed University Cerebrovascular segmentation from MRA images
CN114503159A (zh) * 2019-08-14 2022-05-13 豪夫迈·罗氏有限公司 通过对象检测定位的医学图像的三维对象分割
CN114119626B (zh) * 2021-10-18 2024-07-19 北京理工大学 一种基于统计学模型和多尺度滤波的脑血管图像分割方法
CN114459728B (zh) * 2022-04-13 2022-06-24 中国空气动力研究与发展中心高速空气动力研究所 一种低温温敏漆转捩测量试验方法
CN115661467B (zh) * 2022-12-28 2023-05-05 中国科学院自动化研究所 脑血管图像分割方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN115953413A (zh) 2023-04-11

Similar Documents

Publication Publication Date Title
Barbosa et al. B-spline explicit active surfaces: an efficient framework for real-time 3-D region-based segmentation
US9968257B1 (en) Volumetric quantification of cardiovascular structures from medical imaging
Ramos-Llordén et al. Anisotropic diffusion filter with memory based on speckle statistics for ultrasound images
El-Baz et al. Precise segmentation of 3-D magnetic resonance angiography
Worz et al. Segmentation and quantification of human vessels using a 3-D cylindrical intensity model
Zhuge et al. An abdominal aortic aneurysm segmentation method: Level set with region and statistical information
Afifi et al. Liver segmentation approach using graph cuts and iteratively estimated shape and intensity constrains
CN115661467B (zh) 脑血管图像分割方法、装置、电子设备及存储介质
US10768259B2 (en) Cerebrovascular segmentation from MRA images
El-baz et al. Probabilistic modeling of blood vessels for segmenting magnetic resonance angiography images
El-Baz et al. A new adaptive probabilistic model of blood vessels for segmenting MRA images
Stefanescu et al. Non-rigid atlas to subject registration with pathologies for conformal brain radiotherapy
Huynh et al. Fully automated MR liver volumetry using watershed segmentation coupled with active contouring
Perez Malla et al. Evaluation of enhanced learning techniques for segmenting ischaemic stroke lesions in brain magnetic resonance perfusion images using a convolutional neural network scheme
CN107004268A (zh) 结直肠肿瘤的动态对比增强图像的自动感兴趣区域分割及配准
CN115953413B (zh) 一种mra图像分割方法、装置及存储介质
CN111462145B (zh) 基于双权重符号压力函数的活动轮廓图像分割方法
Wei et al. Learning-based 3D surface optimization from medical image reconstruction
CN110110727A (zh) 基于条件随机场和贝叶斯后处理的图像分割方法
CN113870284A (zh) 用于对医学影像进行分割的方法、设备和介质
El-Baz et al. Probabilistic modeling of blood vessels for segmenting MRA images
Zhou et al. Interactive medical image segmentation using snake and multiscale curve editing
Maher et al. Neural network vessel lumen regression for automated lumen cross-section segmentation in cardiovascular image-based modeling
Hong et al. 3D vasculature segmentation using localized hybrid level-set method
CN113284151A (zh) 一种基于深度卷积神经网络的胰腺分割方法及系统

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