CN115965750B - 血管重建方法、装置、计算机设备和可读存储介质 - Google Patents
血管重建方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN115965750B CN115965750B CN202310255062.6A CN202310255062A CN115965750B CN 115965750 B CN115965750 B CN 115965750B CN 202310255062 A CN202310255062 A CN 202310255062A CN 115965750 B CN115965750 B CN 115965750B
- Authority
- CN
- China
- Prior art keywords
- frame
- blood vessel
- image
- pixel
- points
- 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
Links
Images
Abstract
本申请涉及一种血管重建方法、装置、计算机设备和可读存储介质。方法包括:获取目标对象的多帧血管内超声图像;对每帧血管内超声图像进行二值化处理,得到对应的二值化图像;遍历每帧二值化图像的像素点,选取符合预设条件的像素点为目标像素点,根据目标像素点勾勒血管的管腔边缘,得到分割后的感兴趣区域;根据分割后的感兴趣区域,获取每个感兴趣区域的中心点坐标;根据获得的所有中心点坐标,构建血管的中心线;将每帧血管内超声图像按照预设顺序插入中心线中,重建血管。本申请可筛选出更具管腔边缘特征的像素点,提升了勾勒的准确性,使重建出的三维模型更贴近于血管的真实情况,为医生提供了更多的血管的有效信息。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种血管重建方法、装置、计算机设备和可读存储介质。
背景技术
血管内超声成像(Intravascular Ultrasound, IVUS)作为一种血管内组织结构的高效探查技术,能够提供高时空分辨率的血管横截面信息。
然而,目前IVUS探头获取的血管内横截面图像,其易受血液影响而产生血液斑点,导致对血管管腔边缘的识别更依赖于医生的经验。同时,目前IVUS探头只可扫描出血管腔内与血管壁周围的组织信息,无法直接精确地获取受试血管的弯曲情况。再者,目前主流的IVUS系统对于血管组织信息都是基于二维断层扫描序列的方式呈现的,导致一些三维病灶在单帧二维图像中可能呈现为面积较小或像素值较低的部分,只能依赖于医生的血管组织结构的知识基础和IVUS系统的使用经验,从连续多帧独立图像中识别出可疑信息。
因此,为避免医生的主观差异,减少漏检情况,亟需一种能够准确获得血管信息的技术方案。
发明内容
基于此,有必要针对上述技术问题,提供一种血管重建方法、装置、计算机设备和可读存储介质,用于解决现有技术中通过IVUS探头获取的血管内横截面图像,其血管信息不够准确的问题。
第一方面,本申请提供了一种血管重建方法。所述方法包括:
获取目标对象的多帧血管内超声图像;
对每帧所述血管内超声图像进行二值化处理,得到对应的二值化图像;
遍历每帧所述二值化图像的像素点,选取符合预设条件的所述像素点为目标像素点,根据所述目标像素点勾勒血管的管腔边缘,得到分割后的感兴趣区域;
根据分割后的所述感兴趣区域,获取每个所述感兴趣区域的中心点坐标;
根据获得的所有所述中心点坐标,构建血管的中心线;
将每帧所述血管内超声图像按照预设顺序插入所述中心线中,重建所述血管。
在其中一个实施例中,所述对每帧所述血管内超声图像进行二值化处理,得到对应的二值化图像的步骤,包括:
对每帧所述血管内超声图像进行降噪处理,并对降噪后的图像进行锐化处理;
采用KMeans算法对锐化后的图像进行二值化处理,得到对应的二值化图像。
在其中一个实施例中,进行所述二值化处理的步骤,包括:
从所述血管内超声图像或者所述锐化后的图像中提取多个像素点作为样本像素点;
从所述样本像素点中选择两个初始中心像素点;
计算除了所述初始中心像素点的各样本像素点与每个所述初始中心像素点之间的相似度;根据所述相似度,对各所述样本像素点进行分类;
按照分类的结果,对各所述样本像素点进行标记,得到二值化图像。
在其中一个实施例中,所述得到二值化图像之后的步骤,包括:
对所述二值化图像进行膨胀处理,并对经过膨胀处理的所述二值化图像进行中值滤波处理,遍历每帧中值滤波处理后的所述二值化图像的像素点。
在其中一个实施例中,所述二值化图像包括多张单帧图像,所述单帧图像包括多条扫描线;
所述遍历所述二值化图像的像素点,选取符合预设条件的所述像素点为目标像素点,根据所述目标像素点勾勒血管的管腔边缘的步骤,包括:
从各所述扫描线上选取多个像素点作为采样点;
遍历每条所述扫描线上的所述采样点,选取标记为第一标识且满足第一预设条件的所述采样点为第一目标像素点;
根据所述第一目标像素点,确认每帧所述二值化图像中导管与环晕伪影的边缘区域;
从所述边缘区域内的扫描线上,选择标记为第二标识且满足第二预设条件的采样点为第二目标像素点;其中,所述第二标识和所述第一标识不同,且选自0或者1;
根据所述第二目标像素点,勾勒血管的管腔边缘。
在其中一个实施例中,所述选取标记为第一标识且满足第一预设条件的所述采样点为第一目标像素点的步骤,包括:
获取所有所述采样点的像素值;
计算每个标记为第一标识的采样点的前第一预设数量个采样点的平均像素值a以及后第二预设数量个采样点的平均像素值b,若所述平均像素值a大于第一预设阈值且所述平均像素值b小于第二预设阈值,则该采样点为所述第一目标像素点;其中,所述第一预设阈值和所述第二预设阈值的范围为0-1。
在其中一个实施例中,所述选择标记为第二标识且满足第二预设条件的采样点为第二目标像素点的步骤,包括:
获取所述边缘区域内的各采样点的像素值;
计算每个标记为第二标识的采样点的前第三预设数量个采样点的平均像素值c以及后第四预设数量个采样点的平均像素值d,若所述平均像素值c大于第三预设阈值且所述平均像素值d小于第四预设阈值,则该采样点为所述第二目标像素点;其中,所述第三预设阈值和所述第四预设阈值的范围为0-1。
在其中一个实施例中,所述根据分割后的所述感兴趣区域,获取每个所述感兴趣区域的中心点坐标的步骤,包括:
根据所述感兴趣区域的管腔边缘,计算所述感兴趣区域的最大内切圆的圆心坐标;
根据所述圆心坐标,确定所述感兴趣区域的中心点坐标。
在其中一个实施例中,所述根据所述圆心坐标,确定所述感兴趣区域的中心点坐标的步骤包括:
将所述圆心坐标作为所述感兴趣区域的中心点坐标;
或者,将第一帧所述血管内超声图像的圆心坐标作为中心点坐标,在当前帧血管内超声图像中,确定前一帧血管内超声图像的中心点坐标在所述当前帧血管内超声图像中的对应坐标,并获取所述对应坐标的预设范围内所有像素点的坐标值,根据所述坐标值,计算各所述像素点与所述当前帧血管内超声图像的感兴趣区域的管腔边缘的最小距离,得到第一距离集合;
确认所述第一距离集合中最大距离值对应的像素点的坐标,作为所述当前血管内超声图像的感兴趣区域的中心点坐标。
在其中一个实施例中,所述根据获得的所有所述中心点坐标,构建血管的中心线,包括:
对所有所述中心点进行多项式拟合,得到血管的中心线。
在其中一个实施例中,将每帧所述血管内超声图像按照预设顺序插入所述中心线中,重建所述血管的步骤,包括:
逐帧插入各所述血管内超声图像至所述中心线中,其中,插入的所述血管内超声图像与所述中心线正交;
采用插值的方式,填充每帧所述血管内超声图像之间的三维空间,以重建所述血管。
第二方面,本申请还提供了一种血管重建装置。所述装置包括:
接收模块,用于获取目标对象的血管内超声图像;
处理模块,用于对每帧所述血管内超声图像进行二值化处理,得到对应的二值化图像;
分割模块,用于遍历每帧所述二值化图像的像素点,选取符合预设条件的所述像素点为目标像素点,根据所述目标像素点勾勒血管的管腔边缘,得到分割后的感兴趣区域;
中心线构建模块,用于根据分割后的所述感兴趣区域,获取每个所述感兴趣区域的中心点坐标;根据获得的所有所述中心点坐标,构建血管的中心线;
血管重建模块,用于将每帧所述血管内超声图像按照预设顺序插入所述中心线中,重建所述血管。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面中的血管重建方法的方法步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述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中的血管重建方法的方法步骤。
上述血管重建方法、装置、计算机设备和可读存储介质,至少具有以下优点:
本申请首先对目标对象的血管内超声图像进行处理,将表征血管的管腔边缘的目标像素点筛选出来,并根据筛选出的识别点勾勒管腔边缘,得到分割后的血管,进而根据分割后的血管构建血管中心线,以重建血管。采用上述方案,可筛选出更具管腔边缘特征的像素点,提升了勾勒的准确性,使重建出的三维模型更贴近于血管的真实情况,为医生提供了更多的血管的有效信息。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
为了更清楚地说明本发明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。
图1为一个实施例中血管重建方法的应用环境图;
图2为一个实施例中血管重建方法的流程示意图;
图3为一个实施例中处理得到二值化图像步骤的流程示意图;
图4中的(a)图为一个实施例中原始的血管内超声图像;
图4中的(b)图为另一个实施例中预处理后的血管内超声图像;
图4中的(c)图为另一个实施例中KMeans算法处理后的二值化图像;
图4中的(d)图为另一个实施例中膨胀处理处理后的二值化图像;
图4中的(e)图为另一个实施例中中值滤波处理后的二值化图像;
图5为一个实施例中遍历二值化图像的像素点步骤的流程示意图;
图6中的(a)图为一个实施例中边缘区域的结构示意图;
图6中的(b)图为另一个实施例中管腔边缘的结构示意图;
图6中的(c)图为另一个实施例中分割后的单帧图像的示意图;
图7为一个实施例中插入血管内超声图像至中心线的示意图;
图8为一个实施例中血管重建装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
为了阐释的目的而描述了本发明的一些示例性实施例,需要理解的是,本发明可通过附图中没有具体示出的其他方式来实现。
本申请实施例提供的血管重建方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。
其中,终端102可以将获取的目标对象的多帧血管内超声图像发送至服务器104,以使得服务器104对各血管内超声图像进行处理,例如服务器104对每帧所述血管内超声图像进行二值化处理,得到对应的二值化图像,遍历每帧二值化图像的像素点,将符合预设条件的像素点作为目标像素点,并根据目标像素点勾勒血管的管腔边缘,得到分割后的感兴趣区域;根据分割后的感兴趣区域,获取每个感兴趣区域的中心点坐标;根据获得的所有中心点坐标,构建血管的中心线;将每帧血管内超声图像按照预设顺序插入中心线中,重建血管,这样服务器104将重建后的血管反馈至终端102。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个可行的实施例中,本申请实施例提供了一种血管重建方法,以下以该方法应用于图1中的服务器为例进行说明。
请参阅图2,图2为本实施例的一种血管重建方法的流程示意图,具体包括以下步骤:
步骤S202,获取目标对象的血管内超声图像。
具体的说,目标对象的血管内超声图像是通过血管内超声成像技术获取的,通过导管技术将微型IVUS探头送入血管腔内,操作者即可通过显示界面实时查看管腔和管壁的横截面图像;同时,还可在操作时逐帧自动保存横截面图像,各横截面图像的集合形成本实施例中的血管内超声图像。
步骤S204,对每帧血管内超声图像进行二值化处理,得到对应的二值化图像。
具体的说,对每帧血管内超声图像分别进行二值化处理,得到其对应的二值化图像,是指将256个亮度等级的血管内超声图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。以便于对血管内超声图像进行下一步处理时,图像的集合性质只与像素值为0或1的点的位置有关,不再涉及像素的多级值,降低了后续处理的难度。
可选的,在对血管内超声图像进行二值化处理之前,还对每帧血管内超声图像进行预处理,以降低噪声对后续处理的干扰。其中,预处理的方式可根据需要进行选择,例如进行降噪并增强图像锐利度等操作。应理解,图像降噪用于去除图像采集、传输或压缩过程中产生的噪声,提高图像的清晰度。而锐利度是通过数学计算式或演算法,在影像局部的区域,让相对亮的像素更加强其亮度或让相对暗的像素更减低其亮度,使得影像中的物体边缘更加明显,方便后续的图像分割。
步骤S206,遍历每帧二值化图像的像素点,将符合预设条件的像素点作为目标像素点,并根据目标像素点勾勒血管的管腔边缘,得到分割后的感兴趣区域。
具体的说,若二值化图像中的某个特定物体,例如本实施例中的血管的管壁或管腔,有均匀一致的灰度值,并且其处在一个具有其他等级灰度值的均匀背景下,通过选择合适的阈值,即可对二值化图像中的各像素点进行分类,挑选出符合第一预设条件的像素点,例如将同属于某一类的像素点挑选出来并进行勾勒,从而将血管的管壁和管腔分割开,得到分割后的血管内的感兴趣区域。
步骤S208, 根据分割后的感兴趣区域管,获取每个感兴趣区域的中心点坐标。
步骤S210,根据获得的所有中心点坐标,构建血管的中心线。
步骤S212,将每帧血管内超声图像按照预设顺序插入中心线中,重建血管。
具体的说,上述步骤S202-步骤S206是对每帧血管内超声图像进行处理,将微型IVUS探头拍摄的血管的管壁和管腔分割开,得到具有管腔边缘的单帧图像。遍历管腔边缘内的所有像素点,计算各像素点与管腔边缘的欧氏距离的最小值集合,并选择集合中最大值对应的像素点作为该单帧图像的中心点坐标。进而按照帧数顺序集合各中心点坐标,在三维空间上构建得到血管的中心线。将每帧血管内超声图像插入中心线的对应中心点坐标中,即可得到重建的血管。
上述血管重建方法,首先处理目标对象的血管内超声图像,得到二值化图像;再通过根据图像识别需求事先设定的预设条件,对二值化图像的各像素点进行筛选,从而将表征血管的管腔边缘的目标像素点挑选出来,并根据挑选出的目标像素点勾勒管腔边缘,得到分割后的感兴趣区域,进而根据分割后的感兴趣区域构建血管中心线,以重建血管。采用上述方案,可筛选出更具管腔边缘特征的像素点,提升了勾勒的准确性,使重建出的三维模型更贴近于血管的真实情况,为医生提供了更多的血管的有效信息。
请参阅图3,在一个可行的实施例中,处理血管内超声图像,得到二值化图像,包括:
步骤S302,从血管内超声图像中提取多个像素点作为样本像素点。
步骤S304,从样本像素点中选择两个初始中心像素点,计算除了初始中心像素点的各样本像素点与每个初始中心像素点之间的相似度。
步骤S306,根据相似度对各样本像素点进行分类。
步骤S308,按照分类的结果对各样本像素点进行标记,得到二值化图像。
具体的说,从每帧血管内超声图像中分别提取多个像素点作为样本像素点,计算各样本像素点的相似度,将属于同一区域或组织的像素点划分到同一个类别中,进而将血管的管壁与管腔区域划分开。
通常来说,基于区域的分割方法的基本思想是先从血管内超声图像中找一个目标区域作为种子目标区域,然后根据事先确定的相似准则将种子目标区域周围邻域中与种子目标区域有相同或相似性质的目标区域合并到种子目标区域所在的区域中,将这些新目标区域当作新的种子目标区域继续进行上面的过程,直到再没有满足条件的目标区域可被包括进来。其实施方式包括多种算法,例如阈值分割算法、区域生长算法及区域合并算法,具体到本实施例中,采用了KMeans聚类算法,对血管内超声图像进行分类,得到二值化图像,其中KMeans聚类算法的主要步骤包括:
步骤一、随机选择k个类的初始中心像素值;
步骤二、遍历横截面图像的样本像素值,计算每个样本像素值到k个中心像素值的欧氏距离,并将其对应的像素点归到距离最短的那一类中;
步骤三、计算k类中像素值的均值,以更新中心像素值;
步骤四、迭代步骤二和三,直到中心像素值保持不变,迭代结束;
步骤五、将属于相同类的像素值分别置相同像素值。
采用上述方案,即可通过计算各横截面图像中样本像素点的类内相似性,按照区域对各样本像素点进行分类,并根据分类结果将相同区域的像素点标记为相同的像素值,例如k=2时,则0类像素值置0,1类像素值置1。从而将血管的管壁和管腔的区域划分开来,得到二值化图像。
请参阅图4,图4中的(a)图为原始的血管内超声图像,其具有低噪声点和高噪声点,在进行了上述降噪并增强图像锐利度等预处理后,仍有部分噪声未被滤除干净,如(b)图所示。由此导致各血管内超声图像经过上述KMeans算法处理后,依然存在少量孤立点,如(c)图所示。为提高后续勾勒管腔边缘的准确度,本申请对经过KMeans算法处理后的二值化图像进行了进一步处理,处理方式包括膨胀处理及中值滤波处理,具体的,首先对二值化图像进行5×5内核大小的膨胀操作,进而将经过膨胀处理的二值化图像进行中值滤波处理。应理解,图像的膨胀处理,是在图像的边缘添加像素值,使得整体的像素值扩张,进而达到图像的膨胀效果,从而填充掉目标边缘或内部的孔洞。在此基础上,进一步进行中值滤波处理,选取数字图像或数字序列中像素点及其周围临近像素点(一共有奇数个像素点)的像素值,将这些像素值排序,然后将位于中间位置的像素值作为当前像素点的像素值,让周围的像素值接近真实值,从而消除孤立的噪声点。图4中的(d)图为经过膨胀处理后的二值化图像,图4中的(e)图为经过中值滤波处理后的二值化图像,可见,(e)图中的二值化图像边缘更加平滑,使得管腔边缘的识别准确性更高。
请参阅图5,在一个可行的实施例中,遍历二值化图像的像素点,选取符合预设条件的像素点为目标像素点,根据目标像素点勾勒血管的管腔边缘,包括:
步骤502,从各扫描线上选取多个像素点作为采样点。
步骤504,遍历每条所述扫描线上的采样点,选取标记为第一标识且满足第一预设条件的各采样点为第一目标像素点。
步骤506,根据第一目标像素点,确认每帧二值化图像中导管与环晕伪影的边缘区域。
步骤508,从边缘区域内的扫描线上,选择标记为第二标识且满足第二预设条件的采样点为第二目标像素点;其中,第二标识和第一标识不同,且选自0或者1。
步骤510,根据第二目标像素点,勾勒血管的管腔边缘。
具体的说,由于血管内超声图像为截取的连续多帧的横截面图像,则相应的,血管内超声图像处理后得到的二值化图像包括多张单帧图像,且每张血管内超声图像和每张单帧图像逐帧一一对应。进一步的,单帧图像包括多条扫描线,从每条扫描线上选取多个像素点作为采样点,应理解,这些采样点在前述二值化处理中,已根据分类结果标记有像素值,例如标记为第一标识的多个采样点,为像素值为0的像素点;以及标记为第二标识的多个采样点,为像素值为1的像素点。针对每条扫描线,从第一个采样点开始,向下遍历每一个采样点。挑选出符合第一预设条件的采样点,作为后续勾勒管腔边缘的目标像素点,从而将二值化图像中与管腔边缘相关的像素点,从大量无关的像素点中挑选出来。
可选的,还可先选取一条扫描线上的采样点,遍历该条扫描线上的采样点,挑选出符合第一预设条件的采样点后,再对下一条扫描线执行上述操作,直至完成每张单帧图像。
通常来说,血管的分割方法包括传统的分割方法,例如:基于特征的分割方法、基于区域的分割方法,以及近年来主要研究的基于深度学习的分割方法。传统的分割方法在面对更复杂的血管环境,及导管距离血管壁很近等特殊情况时,其准确性会大幅下降。而基于深度学习的分割方法,虽然在复杂的血管情况下具有更突出的性能表现,然而该方法依赖于大量图像数据与手动标注,由此带来更高的计算复杂度。基于此,本申请结合了基于特征的分割方法和基于区域的分割方法,先基于区域的分割方法,对二值化图像的各像素点进行分类,将血管的管腔和管壁划分开,进而在上述划分结果的基础上,采用基于特征的分割方法勾勒血管的管腔边缘,得到分割后的血管,以下进行详细的说明:
请参阅图6,为减少误识别,本实施例先对导管与环晕伪影的边缘区域进行识别,进一步的,在边缘区域的识别基础上,再对血管的管腔边缘进行识别。具体的说,针对单帧图像中的每条扫描线,从第一个采样点开始向下遍历,查找标记为第一标识的采样点为第一类目标像素点,应理解,此处的第一标识和第二标识即为不同类别像素点对应的像素值,例如第一标识为0,则查找扫描线上所有标记为0的采样点,并将其勾勒出来,从而形成导管与环晕伪影的边缘区域,如图6中的(a)图的箭头所示区域。
可选的,导管与环晕伪影区域仍可能存在孤立点,导致导管与环晕伪影边缘点误识别,因此识别出一个标记为第一标识的采样点后,还进一步判断该采样点是否符合第一预设条件,若符合,则挑选该采样点为第一类目标像素点,若不符合,则继续向下遍历。
可选的,该采样点符合第一预设条件的判断方式,包括:
遍历二值化图像中所有的采样点,获取各采样点的像素值;计算每个标记为第一标识的采样点的前第一预设数量个采样点的平均像素值a以及后第二预设数量个采样点的平均像素值b,若平均像素值a大于第一预设阈值,且平均像素值b小于第二预设阈值,则认为该采样点符合第一预设条件;其中,第一预设阈值和第二预设阈值的范围为0-1。
进一步的,从导管与环晕伪影的边缘区域中的每条扫描线上,挑选标记为第二标识的各采样点为第二目标像素点,例如第二标识为1,则查找扫描线上所有标记为1的采样点,并将其勾勒出来,从而形成血管的管腔边缘,如图6中的(b)图的箭头所示区域。
可选的,导管与环晕伪影的大致区域被识别后,由于管腔内仍可能存在孤立点,导致管腔边缘点误识别,因此识别出一个被标记为第二标识的采样点后,还进一步判断该采样点是否符合第二预设条件,若符合,则挑选该采样点为第二目标像素点。若不符合,则继续向下遍历。
可选的,该采样点符合第二预设条件的判断方式,包括:
遍历边缘区域内的采样点,获取各采样点的像素值;计算每个标记为第二标识的采样点的前第三预设数量个采样点的平均像素值c以及后第四预设数量个采样点的平均像素值d,若平均像素值c小于第三预设阈值,且平均像素值d大于第四预设阈值,则认为该采样点符合第二预设条件;其中,第一预设阈值和第二预设阈值的范围为0-1。
需要说明的是,上述第一预设条件和第二预设条件中涉及的数据,例如第一预设数量、第一预设阈值等参数,其实际数值可根据识别要求进行相应调整,本实施例中不对其具体数值进行限定。
图6中的(c)图所示为经过上述分割处理后的血管内超声图像,从(c)图中可见,经过分割处理后的血管内横截面图像,管腔边缘较为清晰,有助于后期对病变组织做出更准确的评估。
在一个可行的实施例中,根据分割后的感兴趣区域,获取感兴趣区域的中心点坐标,包括:
根据每张单帧图像感兴趣区域的管腔边缘,计算该管腔的最大内切圆的圆心坐标,根据圆心坐标确定感兴趣区域的中心点坐标。
具体的说,由于血管的走向极为复杂,导致IVUS仪器成像时,导管并不是始终保持与血管的管壁处于平行的状态,因此存在数据误差,导致若将上述单帧图像直接拼接,得到的血管三维结构是存在误差的。为了获取连续帧之间的相对位置变化,使重建出的三维血管结构更真实,以为医生提供更多待测试血管的有效信息,本实施例中基于下述策略对血管的中心线进行了计算:假设一个球体在血管中运动,其直径逼近甚至近似于血管内径,因此该球体的球心可被近似视作血管的中心。过球心的截面为球的最大圆,而每帧图像与血管的中心线均有且只有一个交点,因此每帧图像必包含球体的最大圆,而该最大圆即为血管管腔的最大内切圆,且该内切圆的圆心即为血管的中心。
具体的说,由于换能器的旋转成像速度较快,且回撤速度较慢,因此相邻帧的单帧图像的差异较小,相邻帧中的管腔中心坐标也较为接近,基于上述相邻帧特点,本实施例中采用手动确定管腔边缘的第一帧图像的血管中心点。
因此,在假设血管无严重扭曲、且每帧图像间隔的实际距离始终保持恒定的情况下,上述根据圆心坐标确定血管的中心点坐标,包括:
将上述步骤中,根据第一帧图像感兴趣区域的管腔边缘,计算该管腔的最大内切圆获取的圆心坐标作为血管的中心点坐标。
或者,获取圆心坐标预设范围内所有像素点的坐标,计算各像素点与感兴趣区域的管腔边缘的最小距离,得到第一距离集合;选择第一距离集合中最大距离值对应的像素点的坐标,作为感兴趣区域的中心点坐标。
进一步的,从第二帧图像的血管中心点开始,遍历单帧图像的管腔边缘,获取上一帧圆心坐标预设范围内,下一帧所有像素点的坐标,例如获取上一帧圆心坐标为中心的11×11窗口邻域内的所有像素点,选取一个像素点坐标(xp,yp),计算其与管腔边缘像素点(xl,yl)的欧氏距离的最小值,得到集合S,其表达式为:
其中,sp为像素点p到管腔边缘像素点l的欧式距离的最小值。
集合S中的最大值,即为管腔中该圆心坐标对应的最大内切圆的半径,例如sp的值最大,则将像素点p的坐标(xp,yp)记为中心点坐标。进一步的,若同时有多个像素点坐标对应的欧式距离的最小值为集合S中的最大值,则选择其中与该帧图像中心最近的坐标值为中心点坐标。
重复上述步骤,计算出每张单帧图像中的中心点坐标,并按照帧数合并各中心点坐标,得到血管的中心点集合。
基于上述步骤得到的血管的中心点集合,通过多项式拟合,计算得到拟合系数,根据拟合系数确定多项式方程,进而可将血管中心线方程组表示为:
其中,x表示拟合后的中心点的x轴坐标;y表示拟合后的中心点的y轴坐标;z表示单帧图像为第z帧; fx(z)、fy(z)分别表示图像帧数z与中心点x轴坐标和y轴坐标的映射函数。
上述实施例中,通过将感兴趣区域最大内切圆的圆心作为血管的中心,可降低成像时导管与管壁的角度偏差导致的数据误差。同时,在初步获取内切圆的圆心坐标基础上,进一步从圆心坐标预设范围内寻找最优的像素点,作为血管的中心点坐标,进一步提高了数据的精确度,使重建出的血管的三维模型更贴近于血管的真实情况,为医生提供了更多的血管的有效信息。
在一个可行的实施例中,将血管内超声图像按照预设顺序插入中心线中,包括:逐帧插入各血管内超声图像至中心线中,其中,插入的横截面图像与中心线正交。
请参阅图7,如图7所示,将各血管内超声图像按照中心线方程组中的位置插入中心线中,例如上述像素点p对应的横截面图像插入坐标(xp,yp)中,并确保插入的内超声图像与中心线正交,从而得到血管的三维模型的结构。
可选的,将血管内超声图像按照预设顺序插入中心线中之后,还包括:
采用插值的方式,例如二次线性插值、三次B样条插样等算法,填充每帧血管内超声图像之间的三维空间,得到重建后的血管的三维模型,应理解,血管的三维模型包括管腔的三维模型。
上述实施例中,将各内超声图像逐帧插入对应的中心点坐标中,可准确定位每帧图像在中心线上的位置,重建出更真实的三维血管结构,得到精确度更高的三维模型。
其中,为了使得本领域技术人员充分理解本申请,以下对本申请的血管重建方法的步骤进行详细说明:
首先,获取目标对象的多帧血管内超声图像,其中,血管内超声图像为逐帧保存的横截面图像。对上述横截面图像进行降噪并增强图像锐利度等预处理后,再采用KMeans聚类算法对每张横截面图像进行像素值分类,并根据分类结果将相同类别区域的像素点标记为相同的像素值,从而将血管的管壁和管腔的区域划分开来,得到二值化图像。进一步的,为提高后续勾勒管腔边缘的准确度,还对得到的二值化图像进行了进一步处理,处理方式包括膨胀处理及中值滤波处理。
其次,从二值化图像的每条扫描线上选取多个像素点作为采样点,针对每条扫描线,从第一个采样点开始,向下遍历各采样点,在识别出一个标记为第一标识的采样点后,确定该采样点满足前第一预设数量个采样点的平均像素值大于第一预设阈值、且该采样点其后第二预设数量个采样点的平均像素值小于第二预设阈值的情况下,才将该采样点挑选为第一类目标像素点,否则继续向下遍历,直至完成每条扫描线。根据第一类目标像素点,勾勒导管与环晕伪影的边缘区域。
再次,在边缘区域中的每条扫描线上,从第一个采样点开始,向下遍历各采样点,在识别出一个标记为第二标识的采样点后,确定该采样点满足前第三预设数量个采样点的平均像素值小于第三预设阈值,且该采样点其后第四预设数量个采样点的平均像素值大于第四预设阈值的情况下,才将该采样点挑选为第二目标像素点,否则继续向下遍历,直至完成每条扫描线。根据第二目标像素点,勾勒血管的管腔边缘,得到分割后的血管。
进一步的,针对每张单帧图像,根据该单帧图像内的管腔边缘,计算血管管腔的最大内切圆的圆心坐标,将该圆心坐标作为血管的中心点坐标;或者,获取圆心坐标预设范围内所有像素点的坐标,计算各像素点与血管的管腔边缘的距离最小值,得到第一集合;选择第一集合中最大距离对应的像素点的坐标,作为血管的中心点坐标。重复上述步骤,计算得到每张单帧图像中的中心点坐标,合并后得到血管的中心点集合,对该中心点集合进行多项式拟合,得到血管的中心线。将血管内超声图像按照对应的中心点坐标,逐帧插入中心线中,且插入过程中,确保插入的血管内超声图像与中心线正交。最后采用插值的方式,填充每帧血管内超声图像之间的三维空间,得到重建后的血管。
上述血管重建方法,首先预处理目标对象的血管内超声图像;再基于区域的分割方法、形态学运算和滤波处理,对预处理后图像的各像素点进行标记,得到二值化图像;并基于特征的分割方法,对标记后的像素点进行第一次筛选,将血管的导管与环晕伪影和管腔划分开,进而在上述划分结果的基础上,对像素点进行第二次筛选,并勾勒第二次筛选出的像素点,识别管壁并得到血管的管腔边缘,从而获得分割后的血管。采用上述将基于区域和基于特征的分割方法相结合的方案,可筛选出更具管腔边缘特征的像素点,提升了勾勒的准确性,为后续重建血管提供了准确的参数。进一步的,根据分割后的血管的管腔边缘,计算该血管管腔的最大内切圆的圆心坐标,根据圆心坐标确定血管的中心点坐标,可降低成像时导管与管壁的角度偏差导致的数据误差,使重建出的血管的三维模型更贴近于血管的真实情况,为医生提供了更多的血管的有效信息。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的血管重建方法的血管重建装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个血管重建装置实施例中的具体限定可以参见上文中对于血管重建方法的限定,在此不再赘述。
请参阅图8,在一个可行的实施例中,本申请实施例提供了一种血管重建装置,包括:接收模块、处理模块、分割模块、中心线构建模块和血管重建模块,其中:
接收模块,用于获取目标对象的血管内超声图像。
处理模块,用于对每帧血管内超声图像进行二值化处理,得到对应的二值化图像。
其中,处理模块处理血管内超声图像,得到二值化图像的步骤,包括:
步骤一、从血管内超声图像中提取多个像素点作为样本像素点。
步骤二、从样本像素点中选择两个初始中心像素点,计算除了初始中心像素点的各样本像素点与每个初始中心像素值之间的相似度。
步骤三、根据相似度对各样本像素点进行分类。
步骤四、按照分类的结果对各样本像素点进行标记,得到二值化图像。
可选的,处理模块,还用于在对血管内超声图像进行二值化处理之前,对血管内超声图像进行例如降噪并增强图像锐利度等预处理,以增加图像的清晰度。
可选的,处理模块,还用于对二值化图像进行了例如膨胀处理、中值滤波等处理,以去除二值化图像中的少量孤立点,以提高后续分割精度。
分割模块,用于遍历每帧二值化图像的像素点,将符合预设条件的像素点作为目标像素点,并根据目标像素点勾勒血管的管腔边缘,得到分割后的感兴趣区域。
其中,分割模块遍历二值化图像的像素点,选取符合预设条件的像素点为目标像素点,根据目标像素点勾勒血管的管腔边缘的步骤,包括:
步骤一、从各扫描线上选取多个像素点作为采样点。
步骤二、遍历每条扫描线上的采样点,选取标记为第一标识且满足第一预设条件的所述采样点为第一目标像素点。
步骤三、根据第一目标像素点,确认每帧二值化图像中导管与环晕伪影的边缘区域。
步骤四、从边缘区域内的扫描线上,选择标记为第二标识且满足第二预设条件的采样点为第二目标像素点;其中,第二标识和第一标识不同,且选自0或者1。
步骤五、根据第二目标像素点,勾勒血管的管腔边缘。
可选的,分割模块判断该采样点符合第一预设条件的判断方式,包括:
遍历二值化图像中所有的采样点,获取各采样点的像素值;计算每个标记为第一标识的采样点的前第一预设数量个采样点的平均像素值a以及后第二预设数量个采样点的平均像素值b,若平均像素值a大于第一预设阈值,且平均像素值b小于第二预设阈值,则认为该采样点符合第一预设条件;其中,第一预设阈值和第二预设阈值的范围为0-1。
可选的,分割模块,判断该采样点符合第二预设条件的判断方式,包括:
遍历边缘区域内的采样点,获取各采样点的像素值;计算每个标记为第二标识的采样点的前第三预设数量个采样点的平均像素值c以及后第四预设数量个采样点的平均像素值d,若平均像素值c小于第三预设阈值,且平均像素值d大于第四预设阈值,则认为该采样点符合第二预设条件;其中,第一预设阈值和第二预设阈值的范围为0-1。
中心线构建模块,用于根据分割后的感兴趣区域,获取感兴趣区域的中心点坐标;根据中心点坐标,构建血管的中心线。
具体的说,中心线构建模块根据分割后的感兴趣区域,获取感兴趣区域的中心点坐标的步骤,包括:针对每个单帧图像中的管腔边缘,计算该管腔的最大内切圆的圆心坐标,根据圆心坐标确定感兴趣区域的中心点坐标。
可选的,中心线构建模块根据圆心坐标确定血管的中心点坐标的步骤,包括:获取圆心坐标预设范围内所有像素点的坐标,计算各像素点与感兴趣区域的管腔边缘的最小距离,得到第一距离集合;选取第一距离集合中最大距离值对应的像素点的坐标,作为感兴趣区域的中心点坐标。根据从多帧血管内超声图像获得的所有中心点坐标,构建血管的中心线。
血管重建模块,用于将血管内超声图像按照预设顺序插入中心线中,以重建血管的三维模型。
具体的说,血管重建模块将血管内超声图像按照预设顺序插入中心线中的步骤,包括:将各血管内超声图像逐帧插入至中心线中,并确保插入的血管内超声图像与中心线正交。
可选的,血管重建模块将血管内超声图像按照预设顺序插入中心线中之后,还包括:采用插值的方式,填充每帧血管内超声图像之间的三维空间,得到重建后的血管。
上述血管重建装置,首先预处理目标对象的血管内超声图像;再基于区域的分割方法、形态学运算和滤波处理,对预处理后图像的各像素点进行标记,得到二值化图像;并基于特征的分割方法,对标记后的像素点进行第一次筛选,将血管的导管与环晕伪影和管腔划分开,进而在上述划分结果的基础上,对像素点进行第二次筛选,并勾勒第二次筛选出的像素点,识别管壁并得到血管的管腔边缘,从而获得分割后的血管。采用上述将基于区域和基于特征的分割方法相结合的方案,可筛选出更具管腔边缘特征的像素点,提升了勾勒的准确性,为后续重建血管提供了准确的参数。进一步的,根据分割后的血管的管腔边缘,计算该血管管腔的最大内切圆的圆心坐标,根据圆心坐标确定血管的中心点坐标,可降低成像时导管与管壁的角度偏差导致的数据误差,使重建出的血管的三维模型更贴近于血管的真实情况,为医生提供了更多的血管的有效信息。
上述血管重建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个可行的实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种血管重建方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个可行的实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述血管重建方法中的方法步骤。
在一个可行的实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述血管重建方法中的方法步骤。
在一个可行的实施例中,提供了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上述血管重建方法中的方法步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random AccessMemory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (13)
1.一种血管重建方法,其特征在于,所述方法包括:
获取目标对象的多帧血管内超声图像;
对每帧所述血管内超声图像进行二值化处理,得到对应的二值化图像;所述二值化图像包括多张单帧图像,所述单帧图像包括多条扫描线;
从各所述扫描线上选取多个像素点作为采样点;
遍历每条所述扫描线上的所述采样点,选取标记为第一标识且满足第一预设条件的所述采样点为第一目标像素点;
根据所述第一目标像素点,确认每帧所述二值化图像中导管与环晕伪影的边缘区域;
从所述边缘区域内的扫描线上,选择标记为第二标识且满足第二预设条件的采样点为第二类目标像素点;其中,所述第二标识和所述第一标识不同,且选自0或者1;
根据所述第二类目标像素点,勾勒血管的管腔边缘,得到分割后的感兴趣区域;
根据分割后的所述感兴趣区域,获取每个所述感兴趣区域的中心点坐标;
根据获得的所有所述中心点坐标,构建血管的中心线;
将每帧所述血管内超声图像按照预设顺序插入所述中心线中,重建所述血管。
2.根据权利要求1所述的方法,其特征在于,所述对每帧所述血管内超声图像进行二值化处理,得到对应的二值化图像的步骤,包括:
对每帧所述血管内超声图像进行降噪处理,并对降噪后的图像进行锐化处理;
采用KMeans算法对锐化后的图像进行二值化处理,得到对应的二值化图像。
3.根据权利要求1或2所述的方法,其特征在于,进行所述二值化处理的步骤,包括:
从所述血管内超声图像或者所述锐化后的图像中提取多个像素点作为样本像素点;
从所述样本像素点中选择两个初始中心像素点;计算除了所述初始中心像素点的各样本像素点与每个所述初始中心像素值之间的相似度;
根据所述相似度,对各所述样本像素点进行分类;
按照分类的结果,对各所述样本像素点进行标记,得到二值化图像。
4.根据权利要求3所述的方法,其特征在于,所述得到二值化图像之后的步骤,包括:
对所述二值化图像进行膨胀处理,并对经过膨胀处理的所述二值化图像进行中值滤波处理,遍历每帧中值滤波处理后的所述二值化图像的像素点。
5.根据权利要求1所述的方法,其特征在于,所述选取标记为第一标识且满足第一预设条件的所述采样点为第一目标像素点的步骤,包括:
获取所有所述采样点的像素值;
计算每个标记为第一标识的采样点的前第一预设数量个采样点的平均像素值a以及后第二预设数量个采样点的平均像素值b,若所述平均像素值a大于第一预设阈值且所述平均像素值b小于第二预设阈值,则该采样点为所述第一目标像素点;其中,所述第一预设阈值和所述第二预设阈值的范围为0-1。
6.根据权利要求5所述的方法,其特征在于,所述选择标记为第二标识且满足第二预设条件的采样点为第二类目标像素点的步骤,包括:
获取所述边缘区域内的各采样点的像素值;
计算每个标记为第二标识的采样点的前第三预设数量个采样点的平均像素值c以及后第四预设数量个采样点的平均像素值d,若所述平均像素值c大于第三预设阈值且所述平均像素值d小于第四预设阈值,则该采样点为所述第二类目标像素点;其中,所述第三预设阈值和所述第四预设阈值的范围为0-1。
7.根据权利要求1或2所述的方法,其特征在于,所述根据分割后的所述感兴趣区域,获取每个所述感兴趣区域的中心点坐标的步骤,包括:
根据所述感兴趣区域的管腔边缘,计算所述感兴趣区域的最大内切圆的圆心坐标;
根据所述圆心坐标,确定所述感兴趣区域的中心点坐标。
8.根据权利要求7所述的方法,其特征在于,所述根据所述圆心坐标,确定所述感兴趣区域的中心点坐标的步骤包括:
将所述圆心坐标作为所述感兴趣区域的中心点坐标;
或者,将第一帧所述血管内超声图像的圆心坐标作为中心点坐标,在当前帧血管内超声图像中,确定前一帧血管内超声图像的中心点坐标在所述当前帧血管内超声图像中的对应坐标,并获取所述对应坐标的预设范围内所有像素点的坐标值,根据所述坐标值,计算各所述像素点与所述当前血管内超声图像的感兴趣区域的管腔边缘的最小距离,得到第一距离集合;
确认所述第一距离集合中最大距离值对应的像素点的坐标,作为所述当前血管内超声图像的感兴趣区域的中心点坐标。
9.根据权利要求8所述的方法,其特征在于,所述根据获得的所有所述中心点坐标,构建血管的中心线,包括:
对所有所述中心点进行多项式拟合,得到血管的中心线。
10.根据权利要求1所述的方法,其特征在于,将每帧所述血管内超声图像按照预设顺序插入所述中心线中,重建所述血管的步骤,包括:
逐帧插入各所述血管内超声图像至所述中心线中,其中,插入的所述血管内超声图像与所述中心线正交;
采用插值的方式,填充每帧所述血管内超声图像之间的三维空间,以重建所述血管。
11.一种血管重建装置,其特征在于,所述装置包括:
接收模块,用于获取目标对象的多帧血管内超声图像;
处理模块,用于对每帧所述血管内超声图像进行二值化处理,得到对应的二值化图像;所述二值化图像包括多张单帧图像,所述单帧图像包括多条扫描线;
分割模块,用于从各所述扫描线上选取多个像素点作为采样点;遍历每条所述扫描线上的所述采样点,选取标记为第一标识且满足第一预设条件的所述采样点为第一目标像素点;根据所述第一目标像素点,确认每帧所述二值化图像中导管与环晕伪影的边缘区域;从所述边缘区域内的扫描线上,选择标记为第二标识且满足第二预设条件的采样点为第二类目标像素点;其中,所述第二标识和所述第一标识不同,且选自0或者1;根据所述第二类目标像素点,勾勒血管的管腔边缘,得到分割后的感兴趣区域;
中心线构建模块,用于根据分割后的所述感兴趣区域,获取每个所述感兴趣区域的中心点坐标;根据获得的所有所述中心点坐标,构建血管的中心线;
血管重建模块,用于将每帧所述血管内超声图像按照预设顺序插入所述中心线中,重建所述血管。
12.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的方法的步骤。
13.一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至10中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310255062.6A CN115965750B (zh) | 2023-03-16 | 2023-03-16 | 血管重建方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310255062.6A CN115965750B (zh) | 2023-03-16 | 2023-03-16 | 血管重建方法、装置、计算机设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115965750A CN115965750A (zh) | 2023-04-14 |
CN115965750B true CN115965750B (zh) | 2023-06-16 |
Family
ID=85888224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310255062.6A Active CN115965750B (zh) | 2023-03-16 | 2023-03-16 | 血管重建方法、装置、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115965750B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116168034B (zh) * | 2023-04-25 | 2023-07-18 | 深圳思谋信息科技有限公司 | 编织物的缺陷检测方法、装置、设备及存储介质 |
CN117064446B (zh) * | 2023-10-13 | 2024-01-12 | 山东大学 | 基于血管内超声的血管动态三维重建系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693710A (zh) * | 2020-12-30 | 2022-07-01 | 深圳开立生物医疗科技股份有限公司 | 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质 |
CN115775217A (zh) * | 2021-09-07 | 2023-03-10 | 上海微创卜算子医疗科技有限公司 | 血管数字化结构的获取方法、电子设备和存储介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8483488B2 (en) * | 2009-08-07 | 2013-07-09 | Medinol Ltd. | Method and system for stabilizing a series of intravascular ultrasound images and extracting vessel lumen from the images |
CN102332161B (zh) * | 2011-09-13 | 2013-06-19 | 中国科学院深圳先进技术研究院 | 基于图像的血管内中膜厚度自动提取方法及系统 |
EP3628235A1 (en) * | 2018-09-26 | 2020-04-01 | Koninklijke Philips N.V. | Intravascular ultrasound imaging |
GB201819596D0 (en) * | 2018-11-30 | 2019-01-16 | Univ Oxford Innovation Ltd | Reconstruction method |
CN113706684A (zh) * | 2020-05-22 | 2021-11-26 | 深圳市理邦精密仪器股份有限公司 | 三维血管图像重建方法、系统、医疗设备以及存储介质 |
JPWO2021251425A1 (zh) * | 2020-06-09 | 2021-12-16 | ||
CN112419277B (zh) * | 2020-11-25 | 2024-02-23 | 苏州润迈德医疗科技有限公司 | 三维血管中心线合成方法、系统及存储介质 |
CN113724377B (zh) * | 2021-11-01 | 2022-03-11 | 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 |
CN115546185A (zh) * | 2022-10-28 | 2022-12-30 | 杭州晟视科技有限公司 | 血管图像的轮廓提取方法、装置、设备及存储介质 |
CN115661225B (zh) * | 2022-12-26 | 2023-03-21 | 深圳微创踪影医疗装备有限公司 | 三维血管图像重建方法、装置、计算机设备、存储介质 |
CN115670520B (zh) * | 2023-01-06 | 2023-05-16 | 深圳微创踪影医疗装备有限公司 | 血管内超声成像方法、装置、计算机设备、存储介质 |
-
2023
- 2023-03-16 CN CN202310255062.6A patent/CN115965750B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693710A (zh) * | 2020-12-30 | 2022-07-01 | 深圳开立生物医疗科技股份有限公司 | 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质 |
CN115775217A (zh) * | 2021-09-07 | 2023-03-10 | 上海微创卜算子医疗科技有限公司 | 血管数字化结构的获取方法、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115965750A (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10949977B2 (en) | Methods and systems for image segmentation | |
CN115965750B (zh) | 血管重建方法、装置、计算机设备和可读存储介质 | |
CN108022238B (zh) | 对3d图像中对象进行检测的方法、计算机存储介质和系统 | |
US9959615B2 (en) | System and method for automatic pulmonary embolism detection | |
CN111161275B (zh) | 医学图像中目标对象的分割方法、装置和电子设备 | |
JP2021521982A (ja) | 超音波断層撮影画像上の特徴抽出および分類のためのシステムおよび方法 | |
US9058650B2 (en) | Methods, apparatuses, and computer program products for identifying a region of interest within a mammogram image | |
CN109712131B (zh) | 肺结节特征的量化方法、装置、电子设备及存储介质 | |
CN110276408B (zh) | 3d图像的分类方法、装置、设备及存储介质 | |
Mouton et al. | Materials-based 3D segmentation of unknown objects from dual-energy computed tomography imagery in baggage security screening | |
US10706534B2 (en) | Method and apparatus for classifying a data point in imaging data | |
CN109961446B (zh) | Ct/mr三维图像分割处理方法、装置、设备及介质 | |
CN110910405A (zh) | 基于多尺度空洞卷积神经网络的脑肿瘤分割方法及系统 | |
WO2021136368A1 (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
Sivanesan et al. | Unsupervised medical image segmentation with adversarial networks: From edge diagrams to segmentation maps | |
CN114298971A (zh) | 一种冠状动脉分割方法、系统、终端以及存储介质 | |
CN116051553B (zh) | 一种在三维医学模型内部进行标记的方法和装置 | |
Alshehri et al. | Medical image segmentation using multifractal analysis | |
CN116128895A (zh) | 医学图像分割方法、装置和计算机可读存储介质 | |
CN111292298A (zh) | 乳腺癌病理分型确定方法、装置和存储介质 | |
Florindo et al. | Texture descriptors by a fractal analysis of three-dimensional local coarseness | |
CN117635519A (zh) | 基于ct图像的病灶检测方法、装置及计算机可读存储介质 | |
JP2016146132A (ja) | 形状特徴抽出方法、形状特徴抽出処理装置、形状記述方法及び形状分類方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |