CN116612102A - 血管图像处理系统、装置及存储介质 - Google Patents
血管图像处理系统、装置及存储介质 Download PDFInfo
- Publication number
- CN116612102A CN116612102A CN202310640919.6A CN202310640919A CN116612102A CN 116612102 A CN116612102 A CN 116612102A CN 202310640919 A CN202310640919 A CN 202310640919A CN 116612102 A CN116612102 A CN 116612102A
- Authority
- CN
- China
- Prior art keywords
- vessel
- blood vessel
- determining
- stenosis
- angiographic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 39
- 230000002792 vascular Effects 0.000 title claims abstract description 24
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 136
- 208000031481 Pathologic Constriction Diseases 0.000 claims abstract description 57
- 230000036262 stenosis Effects 0.000 claims abstract description 57
- 208000037804 stenosis Diseases 0.000 claims abstract description 57
- 238000002583 angiography Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 19
- 206010057469 Vascular stenosis Diseases 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 abstract description 9
- 238000011002 quantification Methods 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 14
- 238000003672 processing method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000010968 computed tomography angiography Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000002585 cerebral angiography Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002586 coronary angiography Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种血管图像处理系统、装置及存储介质。其中，系统包括：处理器，该处理器被配置为执行以下方法，包括：获取血管造影图像序列，血管造影图像序列包括至少两帧血管造影图像，至少两帧血管造影图像对应同一投照体位；针对各血管造影图像，确定当前血管造影图像中的血管狭窄段的近心端和远心端；基于近心端与远心端定位血管狭窄段的目标区域；根据所有血管造影图像中的目标区域的血管直径，确定目标区域的相对形变比值。本发明解决了现有的基于图像配准的血管形变计算方法或系统存在准确性不高的问题，实现了目标区域血管形变的量化，提高了血管形变计算的准确性。
Description
技术领域
本发明涉及图像处理领域，尤其涉及血管图像处理系统、装置及存储介质。
背景技术
血管斑块镶嵌于动脉血管壁内层，是黄白色的、质地像粥状的块状物，是动脉硬化的标志。血管的形变影响斑块稳定性，血管形变越大，斑块越不稳定，容易发生心血管不良事件。
现有技术可以利用腔内影像学检查等方式获得血管图像，基于图像配准确定血管形变程度，从而判断斑块稳定性。但图像配准会增加血管形变计算的误差。因此现有的基于图像配准的血管形变计算方法或系统存在准确性不高的问题。
发明内容
本发明提供了一种血管图像处理系统、装置及存储介质，以解决现有的基于图像配准的血管形变计算方法或系统存在准确性不高的问题。
根据本发明的一方面，提供了一种血管图像处理系统，该系统包括：
处理器，处理器被配置为执行以下方法，包括：
获取血管造影图像序列，血管造影图像序列包括至少两帧血管造影图像，至少两帧血管造影图像对应同一投照体位；
针对各血管造影图像，确定当前血管造影图像中的血管狭窄段的近心端和远心端；
基于近心端与远心端定位血管狭窄段的目标区域；
根据所有血管造影图像中的目标区域的血管直径，确定目标区域的相对形变比值。
根据本发明的另一方面，提供了一种血管图像处理装置，该装置包括：
图像获取模块，用于获取血管造影图像序列，血管造影图像序列包括至少两帧血管造影图像，至少两帧血管造影图像对应同一投照体位；
端点确定模块，用于针对各血管造影图像，确定当前血管造影图像中的血管狭窄段的近心端和远心端；
目标区域模块，用于基于近心端与远心端定位血管狭窄段的目标区域；
比值确定模块，用于根据所有血管造影图像中的目标区域的血管直径，确定目标区域的相对形变比值。
根据本发明的另一方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现以下方法，包括：
获取血管造影图像序列，血管造影图像序列包括至少两帧血管造影图像，至少两帧血管造影图像对应同一投照体位；
针对各血管造影图像，确定当前血管造影图像中的血管狭窄段的近心端和远心端；
基于近心端与远心端定位血管狭窄段的目标区域；
根据所有血管造影图像中的目标区域的血管直径，确定目标区域的相对形变比值。
本发明实施例的技术方案，通过获取血管造影图像序列，根据血管造影图像序列确定目标区域的血管直径，得到该区域血管相对形变比值，实现目标区域的血管形变的量化，且提高了血管形变计算的准确性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
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是根据本发明实施例提供的一种血管图像处理系统的结构框图；
图2是根据本发明实施例提供的一种血管图像处理方法的流程图；
图3是根据本发明实施例提供的另一种血管图像处理方法的流程图；
图4是根据本发明实施例提供的一种血管图像处理装置的结构框图；
图5是根据本发明实施例提供的又一种血管图像处理装置的结构框图；
图6是根据本发明实施例提供的另一种血管图像处理装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1是根据本发明实施例提供的一种血管图像处理系统的结构框图，本实施例可适用于基于血管造影图像计算血管形变的场景。本文所示的部件、它们的连接和关系以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图1所示，该血管图像处理系统10包括：处理器11，以及与处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储血管图像处理系统10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
血管图像处理系统10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许血管图像处理系统10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。该处理器11被配置为执行血管图像处理方法，如图2所示，该血管图像处理方法包括：
S210、获取血管造影图像序列，血管造影图像序列包括至少两帧血管造影图像，至少两帧血管造影图像对应同一投照体位。
其中，血管造影图像序列可以是基于数字减影脑血管造影(Digital SubtractionAngiography，DSA)、磁共振血管造影(Magnetic Resonance Angiography，MRA)或CT血管造影(Computed Tomography Angiography，CTA)得到的二维/三维的血管造影图像，也可以是经过处理/转换可以得到血管造影图像的其他格式的数据。
对血管造影图像序列中的各图像进行处理，可以得到血管的几何特征或血管轮廓。示例性的，可以得到血管的管腔直径。
投照体位以影像增强器的位置而定，即从影像增强器的位置来观察心脏。进一步的，冠状动脉造影常用的投照体位包括：左前斜位、左侧位和右前斜位，由于个体差异性，血管的形态可能发生变化，因此在实际应用中，可以根据需要对投照体位进行调整。
可以理解的是，不同帧的血管造影图像对应于不同时刻的血管造影图像，因此，通过对同一投照体位在不同时刻的血管造影图像进行对比分析，可以得到同一投照体位下，对应同一位置的血管形变。
S220、针对各血管造影图像，确定当前血管造影图像中的血管狭窄段的近心端和远心端。
其中，近心端和远心端不是固定的位置，是相对而言的。从心脏发出的动脉血管逐渐分支成毛细血管，再逐渐汇集成静脉血管回到心脏。针对任一血管上的两点，离心脏近的一端就称为近心端，离心脏远的一端就称远心端。
在一个实施例中，近心端和远心端可以是血管狭窄段中的任意两点。在另一实施例中，近心端或远心端位于血管狭窄段，而另一端位于连接血管狭窄段的正常血管段上。在又一实施例中，近心端和远心端分别位于连接血管狭窄段的正常血管段上。
具体的，可以通过人工标注确定血管造影图像中的血管狭窄段的近心端和远心端，示例性的，响应于用户的端点选择操作，确定当前血管造影图像中的血管狭窄段的近心端和远心端；也可以使用基于目标检测算法和/或图像分割算法的神经网络模型得到血管造影图像中的血管狭窄段的图像，然后进一步根据血管狭窄段中血流方向/其血管狭窄段的两端与心脏的距离，进一步确定近心端和远心端。
在一个实施例中，基于设定血管狭窄检测算法，确定用于定位当前血管造影图像中的血管狭窄段的外接框；根据与心脏距离的远近，将与外接框相交的两个血管端点分别作为近心端与远心端。其中，外接框的中心线与血管狭窄段的血管中心线重合。其中，外接框的中心线与血管狭窄段的血管中心线重合，外接框中心线的形状可以是直线型、C型或S型。可选地，外接框各处的目标宽度相同，其中，目标宽度是指外接框在垂直于外接框中心线方向的宽度。
其中，设定血管狭窄检测算法可以是用于增强场景文本检测的视觉-语言预训练框架(Vision-Language Pre-Training paradigm for boosting Scene Text Detectors，简称VLPT-STD)。以外接框为矩形框为例，将血管造影图像输入设定血光狭窄检测算法，得到该血管造影图像中血管狭窄段的外接框的宽和高以及置信度，将置信度较高的疑似血管狭窄段的外接框作为最终的检测结果进行输出；在血管造影图像中，根据血管的走向，确定该血管与该外接框相交的两个端点，离心脏近的一端为近心端，离心脏远的一端为远心端。
在一个实施例中，确定用于从当前血管造影图像中分割血管狭窄段的分割掩膜；根据与心脏距离的远近，将与分割掩膜相交的两个血管端点分别作为近心端与远心端。具体的，确定当前血管造影图像中的血管狭窄段，制作对应的分割掩膜；将该分割掩膜与血管造影图像相乘，得到该血管造影图像中血管狭窄段的区域图像；在血管造影图像中，确定该血管与该分割掩膜相交的两个端点，离心脏近的一端为近心端，离心脏远的一端为远心端。
可选的，基于已训练的关键点检测模型，确定当前血管造影图像中的血管狭窄段的近心端与远心端。其中，关键点是血管狭窄段对应的像素点，或用于分割正常血管段与血管狭窄段的像素点。示例性的，关键点是血管狭窄段的所有像素点，或者，正常血管段与血管狭窄段的边界线的像素点。
在一个实施例中，关键点检测模型的具体结构可以包括特征提取网络和预测网络。具体的，特征提取网络用于提取血管造影图像的特征数据，将血管造影图像的特征数据输入到预测网络中，输出血管造影图像中的血管狭窄段对应的像素点或该血管狭窄段的两端点，将该像素点或两端点作为关键点；在血管造影图像中，确定所有关键点的位置，将离心脏近的关键点作为近心端，将离心脏远的关键点作为远心端。
进一步的，确定当前血管造影图像中的血管狭窄段的近心端和远心端，包括：
步骤a1、基于参考血管管腔与实际血管管腔的差值，确定当前血管造影图像中的血管狭窄段。
其中，参考血管管腔是理论上正常血管的管腔，实际血管管腔为血管造影图像中血管的管腔。
首先，确定血管管腔的直径/宽度的理论值，作为参考直径；确定血管图像中血管的直径/宽度，作为实际直径；然后，计算血管造影图像中每个像素点的(参考直径-实际直径)/参考直径×100％，作为管腔比例；最后，预先设置了管腔比例阈值，若管腔比例大于该管腔比例阈值，则认为该像素点的血管狭窄，若管腔比例小于/等于该管腔比例阈值，则认为该像素点对应的血管正常。
步骤a2、根据与心脏距离的远近，将血管狭窄段的两端点分别作为近心端与远心端。
具体的，根据血管狭窄段的两端的端点与心脏的距离，将血管狭窄段的两端点中离心脏近的一端作为近心端，离心脏远的一端作为远心端。
S230、基于近心端与远心端定位血管狭窄段的目标区域。
针对每帧血管造影图像，根据近心端和远心端确定目标区域。示例性的，将远心端和近心端分别作为血管狭窄段目标区域的起点和终点，即将处于远心端和近心端之间的血管区域作为血管狭窄段的目标区域。
S240、根据所有血管造影图像中的目标区域的血管直径，确定目标区域的相对形变比值。
其中，相对形变比值是所有血管造影图像中，针对目标区域的血管直径与理论血管直径的差值计算得到的用于表示目标区域的血管的直径变化程度的量化指标。示例性的，相对形变比值是目标区域的血管直径与理论血管直径的差值与理论血管直径的比值。
具体的，针对每帧血管造影图像，使用现有的算法确定目标区域的血管轮廓和/或中心线，基于血管轮廓和/或血管中心线确定血管直径。示例性的，通过现有的算法提取目标区域的血管轮廓线，得到血管轮廓坐标；针对每个血管轮廓坐标，确定该血管轮廓坐标的最小外接矩形，然后将该矩形的边缘向着血管中心的方向平移，直到与位于另一端的边缘相交，交点与该边缘之间的距离就是此处的血管直径。
在一个实施例中，通过以下步骤确定目标区域的血管直径，包括：确定目标区域的平均血管宽度，将平均血管宽度作为目标区域的血管直径；或者确定目标区域的最小血管宽度，将最小血管宽度作为目标区域的血管直径。具体的，针对每帧血管造影图像，确定目标区域中每个血管截面的血管宽度，取每个血管截面的血管宽度的平均值，得到该目标区域的平均血管宽度，作为目标区域的血管直径；或者取每个血管截面的血管宽度的最小值，得到该目标区域的最小血管宽度，作为目标区域的血管直径。
在一个实施例中，在相对形变比值大于设定形变阈值的情况下，输出用于表示冠脉斑块易脱落的提示信息。可以理解的是，当相对形变比值大于设定形变阈值，冠脉斑块不稳定，易脱落。示例性的，当相对形变比值大于12％，判定冠脉斑块不稳定，易脱落，输出用于表示冠脉斑块易脱落的提示信息。其中，提示信息可以是任何形式的提示信息，用于提醒用户目标区域的冠脉斑块易脱落，这样做的好处是，便于用户及时对风险进行干预，增强安全性。
此外，考虑到相对形变比值与冠脉斑块的脱落风险程度在一些场景中可能呈现正相关的关系，因此，可设置不同于上述提示信息的第二提示信息，用于提醒用户目标区域的冠脉斑块处于第二脱落风险等级。可选的，设置了不同的形变阈值，用于表示冠脉斑块的不同脱落风险。当相对形变比值大于第一形变阈值，表示冠脉斑块处于第一脱落风险等级，输出用于表示冠脉斑块易脱落的第一提示信息；当相对形变比值大于第二形变阈值，表示冠脉斑块处于第二脱落风险等级，输出用于表示冠脉斑块易脱落的第二提示信息。其中，第一形变阈值大于第二形变阈值，第一脱落风险等级高于第二脱落风险等级。
本实施例的技术方案，通过获取血管造影图像序列，根据血管造影图像序列确定目标区域的血管直径，得到该区域血管相对形变比值，且设置了冠脉斑块易脱落的提示信息，实现目标区域的血管形变的量化，能够实时对血管中的斑块进行监控，且提高了血管形变计算的准确性。
图3是根据本发明实施例提供的另一种血管图像处理方法的流程图，本实施例与上述实施例中的血管图像处理方法属于同一个发明构思，在上述实施例的基础上进一步描述了基于近心端与远心端定位血管狭窄段的目标区域。
如图3所示，该血管图像处理方法包括：
S310、获取血管造影图像序列，血管造影图像序列包括至少两帧血管造影图像，至少两帧血管造影图像对应同一投照体位。
S320、针对各血管造影图像，确定当前血管造影图像中的血管狭窄段的近心端和远心端。
S3301、确定血管狭窄段的血管长度。
具体的，血管狭窄段的血管长度为近心端到远心端的距离。
S3302、针对血管狭窄段，从近心端去掉第一血管长度的血管段，从远心端去掉第二血管长度的血管段，以得到目标区域。
其中，第一血管长度与第二血管长度之和小于血管长度，且大于或等于0。
具体的，将血管狭窄段上的任意两点之间的血管段作为目标区域，该两点的距离大于0，该目标区域包括一个或多个像素。
可以理解的是，目标区域可以包括近心端和远心端中的至少一个端点；也可以不包括近心端和远心端。
具体的，可以将距离近心端第一血管长度处作为目标区域的第一端点，将距离远心端第二血管长度处作为目标区域的第二端点，第一血管长度与第二血管长度之和小于血管长度，且大于或等于0；将第一端点和第二端点之间的血管作为目标区域。
示例性的，针对长度为L的血管狭窄段，该血管狭窄段的近心端为P点，远心端为D点，第一血管长度为L×N％，第二血管长度为L×M％，0≤(M+N)<100；将血管狭窄段中距离P点第一血管长度的点记为P1点，将距离D点第二血管长度的点记为D1点，将P1点到D1点之间的血管作为目标区域。
这样做的好处是，由于血管狭窄段的近心端和/或远心端可能位于血管的正常区域和血管狭窄段的边界，也就是说，近心端和/或远心端处可能并未发生血管狭窄，因此，从近心端去掉第一血管长度的血管段，从远心端去掉第二血管长度的血管段，使得目标区域均为发生血管狭窄的区域，进一步提高血管形变计算的准确性。
S340、根据所有血管造影图像中的目标区域的血管直径，确定目标区域的相对形变比值。
确定所有血管造影图像中目标区域的血管直径的最大值和最小值，最大值减去最小值得到差值，差值除以最大值，得到比值，该比值作为目标区域的相对形变比值。
本实施例的技术方案，选取血管狭窄段的一段血管作为目标区域，根据目标区域的血管直径确定相对形变比值，进一步提高了血管形变计算的准确性。
图4是根据本发明实施例提供的一种血管图像处理装置的结构框图，本实施例可适用于基于血管造影图像计算血管形变的场景。该装置可以由软件和/或硬件的方式来实现，集成于具有应用开发功能的血管图像处理系统中。
如图4所示，该血管图像处理装置包括：
图像获取模块401，用于获取血管造影图像序列，血管造影图像序列包括至少两帧血管造影图像，至少两帧血管造影图像对应同一投照体位；
端点确定模块402，用于针对各血管造影图像，确定当前血管造影图像中的血管狭窄段的近心端和远心端；
目标区域模块403，用于基于近心端与远心端定位血管狭窄段的目标区域；
比值确定模块404，用于根据所有血管造影图像中的目标区域的血管直径，确定目标区域的相对形变比值。
可选的，端点确定模块402用于：
基于设定血管狭窄检测算法，确定用于定位当前血管造影图像中的血管狭窄段的外接框；
根据与心脏距离的远近，将与外接框相交的两个血管端点分别作为近心端与远心端。
可选的，端点确定模块402还用于：
确定用于从当前血管造影图像中分割血管狭窄段的分割掩膜；
根据与心脏距离的远近，将与分割掩膜相交的两个血管端点分别作为近心端与远心端。
可选的，端点确定模块402还用于：基于已训练的关键点检测模型，确定当前血管造影图像中的血管狭窄段的近心端与远心端。
可选的，端点确定模块402还用于：
基于参考血管管腔与实际血管管腔的差值，确定当前血管造影图像中的血管狭窄段；
根据与心脏距离的远近，将血管狭窄段的两端点分别作为近心端与远心端。
可选的，目标区域模块403用于：
确定血管狭窄段的血管长度；
针对血管狭窄段，从近心端去掉第一血管长度的血管段，从远心端去掉第二血管长度的血管段，以得到目标区域；
其中，第一血管长度与第二血管长度之和小于血管长度，且大于或等于0。
可选的，如图5所示，该装置还包括直径确定模块405，该直径确定模块405具体用于：
确定目标区域的平均血管宽度；
将平均血管宽度作为目标区域的血管直径；
或者，
确定目标区域的最小血管宽度；
将最小血管宽度作为目标区域的血管直径。
可选的，如图6所示，该装置还包括脱落提示模块406，该脱落提示模块406具体用于：在相对形变比值大于设定形变阈值的情况下，输出用于表示冠脉斑块易脱落的提示信息。
本发明实施例的技术方案，通过各个模块之间的相互配合，获取血管造影图像序列，根据血管造影图像序列确定目标区域的血管直径，得到该区域血管相对形变比值，实现目标区域的血管形变的量化，且提高了血管形变计算的准确性。
本发明实施例所提供的血管图像处理装置可执行本发明任一实施例所提供的血管图像处理方法，具备执行方法相应的功能模块和有益效果。
在一些实施例中，血管图像处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到血管图像处理系统10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的血管图像处理方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行血管图像处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备或上述内容的任何合适组合。
为了提供与用户的交互，可以在血管图像处理系统上实施此处描述的系统和技术，该血管图像处理系统具有：用于向用户显示信息的显示装置(例如，CRT(Cathode RayTube，阴极射线管)或者LCD(Liquid Crystal Display，液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给血管图像处理系统。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种血管图像处理系统，其特征在于，包括处理器，所述处理器被配置为执行以下方法，包括：
获取血管造影图像序列，所述血管造影图像序列包括至少两帧血管造影图像，所述至少两帧血管造影图像对应同一投照体位；
针对各血管造影图像，确定当前血管造影图像中的血管狭窄段的近心端和远心端；
基于所述近心端与所述远心端定位所述血管狭窄段的目标区域；
根据所有血管造影图像中的所述目标区域的血管直径，确定所述目标区域的相对形变比值。
2.根据权利要求1所述的系统，其特征在于，所述确定当前血管造影图像中的血管狭窄段的近心端和远心端，包括：
基于设定血管狭窄检测算法，确定用于定位所述当前血管造影图像中的血管狭窄段的外接框；
根据与心脏距离的远近，将与所述外接框相交的两个血管端点分别作为近心端与远心端。
3.根据权利要求1所述的系统，其特征在于，所述确定当前血管造影图像中的血管狭窄段的近心端和远心端，包括：
确定用于从所述当前血管造影图像中分割所述血管狭窄段的分割掩膜；
根据与心脏距离的远近，将与所述分割掩膜相交的两个血管端点分别作为近心端与远心端。
4.根据权利要求1所述的系统，其特征在于，所述确定当前血管造影图像中的血管狭窄段的近心端和远心端，包括：
基于已训练的关键点检测模型，确定所述当前血管造影图像中的血管狭窄段的近心端与远心端。
5.根据权利要求1所述的系统，其特征在于，所述确定当前血管造影图像中的血管狭窄段的近心端和远心端，包括：
基于参考血管管腔与实际血管管腔的差值，确定当前血管造影图像中的血管狭窄段；
根据与心脏距离的远近，将所述血管狭窄段的两端点分别作为近心端与远心端。
6.根据权利要求1所述的系统，其特征在于，所述基于所述近心端与所述远心端定位所述血管狭窄段的目标区域，包括：
确定所述血管狭窄段的血管长度；
针对所述血管狭窄段，从所述近心端去掉第一血管长度的血管段，从所述远心端去掉第二血管长度的血管段，以得到目标区域；
其中，所述第一血管长度与所述第二血管长度之和小于所述血管长度，且大于或等于0。
7.根据权利要求1所述的系统，其特征在于，通过以下步骤确定所述目标区域的血管直径，包括：
确定所述目标区域的平均血管宽度；
将所述平均血管宽度作为所述目标区域的血管直径；
或者，
确定所述目标区域的最小血管宽度；
将所述最小血管宽度作为所述目标区域的血管直径。
8.根据权利要求1所述的系统，其特征在于，还包括：
在所述相对形变比值大于设定形变阈值的情况下，输出用于表示冠脉斑块易脱落的提示信息。
9.一种血管图像处理装置，其特征在于，包括：
图像获取模块，用于获取血管造影图像序列，所述血管造影图像序列包括至少两帧血管造影图像，所述至少两帧血管造影图像对应同一投照体位；
端点确定模块，用于针对各血管造影图像，确定当前血管造影图像中的血管狭窄段的近心端和远心端；
目标区域模块，用于基于所述近心端与所述远心端定位所述血管狭窄段的目标区域；
比值确定模块，用于根据所有血管造影图像中的所述目标区域的血管直径，确定所述目标区域的相对形变比值。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现以下方法，包括：
获取血管造影图像序列，所述血管造影图像序列包括至少两帧血管造影图像，所述至少两帧血管造影图像对应同一投照体位；
针对各血管造影图像，确定当前血管造影图像中的血管狭窄段的近心端和远心端；
基于所述近心端与所述远心端定位所述血管狭窄段的目标区域；
根据所有血管造影图像中的所述目标区域的血管直径，确定所述目标区域的相对形变比值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310640919.6A CN116612102A (zh) | 2023-05-31 | 2023-05-31 | 血管图像处理系统、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310640919.6A CN116612102A (zh) | 2023-05-31 | 2023-05-31 | 血管图像处理系统、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116612102A true CN116612102A (zh) | 2023-08-18 |
Family
ID=87679854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310640919.6A Pending CN116612102A (zh) | 2023-05-31 | 2023-05-31 | 血管图像处理系统、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116612102A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190380593A1 (en) * | 2018-06-15 | 2019-12-19 | Pie Medical Imaging B.V. | Method and Apparatus for Quantitative Hemodynamic Flow Analysis |
| CN110889896A (zh) * | 2019-11-11 | 2020-03-17 | 苏州润迈德医疗科技有限公司 | 获取血管狭窄病变区间及三维合成方法、装置和系统 |
| CN112288731A (zh) * | 2020-11-05 | 2021-01-29 | 杭州深睿博联科技有限公司 | 一种血管狭窄分析方法及装置 |
| CN114418977A (zh) * | 2022-01-07 | 2022-04-29 | 乐普（北京）医疗器械股份有限公司 | 基于血管造影视频进行冠脉造影定量分析的方法和装置 |
| CN114418976A (zh) * | 2022-01-07 | 2022-04-29 | 乐普（北京）医疗器械股份有限公司 | 一种血管造影图像的分析方法和装置 |
| WO2022129273A1 (en) * | 2020-12-16 | 2022-06-23 | Koninklijke Philips N.V. | An angiogram for stenosis analysis |
| CN114782358A (zh) * | 2022-04-18 | 2022-07-22 | 上海博动医疗科技股份有限公司 | 一种血管形变自动计算的方法、装置及存储介质 |
| CN115423826A (zh) * | 2022-09-21 | 2022-12-02 | 深圳睿心智能医疗科技有限公司 | 管腔分割模型的训练方法、装置、电子设备及存储介质 |
| CN115564787A (zh) * | 2022-09-21 | 2023-01-03 | 深圳睿心智能医疗科技有限公司 | 管腔分割模型的训练方法、装置、电子设备及存储介质 |
-
2023
- 2023-05-31 CN CN202310640919.6A patent/CN116612102A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190380593A1 (en) * | 2018-06-15 | 2019-12-19 | Pie Medical Imaging B.V. | Method and Apparatus for Quantitative Hemodynamic Flow Analysis |
| CN110889896A (zh) * | 2019-11-11 | 2020-03-17 | 苏州润迈德医疗科技有限公司 | 获取血管狭窄病变区间及三维合成方法、装置和系统 |
| CN112288731A (zh) * | 2020-11-05 | 2021-01-29 | 杭州深睿博联科技有限公司 | 一种血管狭窄分析方法及装置 |
| WO2022129273A1 (en) * | 2020-12-16 | 2022-06-23 | Koninklijke Philips N.V. | An angiogram for stenosis analysis |
| CN114418977A (zh) * | 2022-01-07 | 2022-04-29 | 乐普（北京）医疗器械股份有限公司 | 基于血管造影视频进行冠脉造影定量分析的方法和装置 |
| CN114418976A (zh) * | 2022-01-07 | 2022-04-29 | 乐普（北京）医疗器械股份有限公司 | 一种血管造影图像的分析方法和装置 |
| CN114782358A (zh) * | 2022-04-18 | 2022-07-22 | 上海博动医疗科技股份有限公司 | 一种血管形变自动计算的方法、装置及存储介质 |
| CN115423826A (zh) * | 2022-09-21 | 2022-12-02 | 深圳睿心智能医疗科技有限公司 | 管腔分割模型的训练方法、装置、电子设备及存储介质 |
| CN115564787A (zh) * | 2022-09-21 | 2023-01-03 | 深圳睿心智能医疗科技有限公司 | 管腔分割模型的训练方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111640124B (zh) | 一种血管提取方法、装置、设备及存储介质 | |
| CN113643354B (zh) | 基于增强分辨率的眼底图像的血管管径的测量装置 | |
| CN117373070B (zh) | 血管分段标注的方法及装置、电子设备和存储介质 | |
| CN115170510B (zh) | 一种病灶检测方法、装置、电子设备及可读存储介质 | |
| CN115375583A (zh) | 一种pet参数图像的增强方法、装置、设备及存储介质 | |
| CN113469963B (zh) | 肺动脉图像分割方法及装置 | |
| CN116091702A (zh) | 血管结构重建方法、装置、设备和存储介质 | |
| CN116612102A (zh) | 血管图像处理系统、装置及存储介质 | |
| CN115861189A (zh) | 图像配准方法、装置、电子设备及存储介质 | |
| CN115147360B (zh) | 一种斑块分割方法、装置、电子设备及可读存储介质 | |
| CN115482261A (zh) | 血管配准方法、装置、电子设备及存储介质 | |
| CN115409856A (zh) | 一种肺部医学图像处理方法、装置、设备及存储介质 | |
| CN117115086A (zh) | 一种dsa影像关键帧提取方法、装置、设备及介质 | |
| CN116958692A (zh) | 一种血管造影图像关键帧选取方法、装置、设备及介质 | |
| CN115861623A (zh) | 血管图像分割方法、装置、电子设备以及存储介质 | |
| CN116029967B (zh) | 一种肺栓塞图像的处理方法、装置、设备及存储介质 | |
| CN115984562A (zh) | 血管图像分割方法、装置、电子设备以及存储介质 | |
| CN116523796A (zh) | 血管图像校正方法、装置、系统和介质 | |
| CN116245853A (zh) | 血流储备分数确定方法、装置、电子设备及存储介质 | |
| CN116740094A (zh) | 血管分割方法、装置、电子设备及存储介质 | |
| CN116883357A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| CN115908821A (zh) | 血管图像分割方法、装置、电子设备以及存储介质 | |
| CN117274332A (zh) | 一种造影与腔内影像配准交互方法、装置、设备及介质 | |
| CN117496055A (zh) | 一种血管重建方法、装置、电子设备及存储介质 | |
| CN117350986A (zh) | 一种冠脉血管关键点定位方法、装置、设备及介质 |
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 |