CN116616804B - 颅内动脉狭窄评估参数获取方法、装置、设备和存储介质 - Google Patents
颅内动脉狭窄评估参数获取方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116616804B CN116616804B CN202310913192.4A CN202310913192A CN116616804B CN 116616804 B CN116616804 B CN 116616804B CN 202310913192 A CN202310913192 A CN 202310913192A CN 116616804 B CN116616804 B CN 116616804B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- frame
- dimensional
- target blood
- intracranial
- 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
- 238000007917 intracranial administration Methods 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 63
- 206010060965 Arterial stenosis Diseases 0.000 title claims abstract description 47
- 238000011156 evaluation Methods 0.000 title claims abstract description 34
- 239000002872 contrast media Substances 0.000 claims abstract description 82
- 238000013136 deep learning model Methods 0.000 claims abstract description 16
- 210000004204 blood vessel Anatomy 0.000 claims description 246
- 210000001367 artery Anatomy 0.000 claims description 39
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 30
- 230000036262 stenosis Effects 0.000 claims description 30
- 208000037804 stenosis Diseases 0.000 claims description 30
- 238000002583 angiography Methods 0.000 claims description 28
- 238000012937 correction Methods 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 13
- 238000002601 radiography Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 230000002441 reversible effect Effects 0.000 claims description 3
- 230000002792 vascular Effects 0.000 abstract description 2
- 230000017531 blood circulation Effects 0.000 description 12
- 230000036772 blood pressure Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 208000028867 ischemia Diseases 0.000 description 6
- 238000012854 evaluation process Methods 0.000 description 5
- 206010057469 Vascular stenosis Diseases 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 230000000004 hemodynamic effect Effects 0.000 description 2
- 230000002966 stenotic effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 201000006474 Brain Ischemia Diseases 0.000 description 1
- 206010008120 Cerebral ischaemia Diseases 0.000 description 1
- 230000008321 arterial blood flow Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5294—Devices using data or image processing specially adapted for radiation diagnosis involving using additional data, e.g. patient information, image labeling, acquisition parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T7/13—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
- G06T7/60—Analysis of geometric attributes
- G06T7/68—Analysis of geometric attributes of symmetry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/24—Fluid dynamics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Vascular Medicine (AREA)
- Quality & Reliability (AREA)
- Dentistry (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Graphics (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种颅内动脉狭窄评估参数获取方法、装置、设备和存储介质,通过利用标准造影剂像素范围在单个造影角度下的颅内动脉血管影像数据中确定关键帧图像,再利用深度学习模型对该帧中的目标血管进行分割得到目标血管二值图,提取其中的二维中心线以及二维轮廓线,并根据投影关系得到目标血管的三维模型,针对目标血管的近端和远端的血管横截面线通过自动数帧方法在影像数据中得到造影剂流经目标血管起始帧和终止帧,再根据起始帧及终止帧进行计算得到造影剂流经目标血管所用的时间,最后根据目标血管的三维模型以及造影剂流经目标血管所用的时间进行计算,得到颅内动脉狭窄评估参数。采用本方法可自动得到颅内动脉狭窄评估参数。
Description
技术领域
本申请涉及医学影像处理技术领域,特别是涉及一种颅内动脉狭窄评估参数获取方法、装置、设备和存储介质。
背景技术
近年来,心脑血管疾病居于我国致死原因的首位,而其中粥样硬化导致的血管狭窄是心脑血管疾病发生的主要原因之一。在心内狭窄缺血评估领域,研究者们已经证明了仅仅使用形态学上的狭窄程度来评估血管狭窄和心肌缺血程度并不准确,所以冠脉血流储备分数(Fractional Flow Reserve, FFR)这一功能学指标已经被广泛采用以评估冠状动脉的狭窄缺血程度。但在颅内狭窄缺血评估领域,目前依然采用以附近正常血管为参照的形态学狭窄程度来评定颅内动脉的狭窄程度。从血流动力学角度出发,颅内动脉狭窄缺血程度不只和颅内血管形态上的狭窄程度相关,还和血管内血液状态相关。参考冠脉领域,仅仅使用狭窄程度等形态学指标来对脑组织缺血进行评估,存在误判的风险,可能导致患者被过度治疗或治疗不足。
所以,需要一种类似冠脉领域中FFR的狭窄评估方法来对颅内动脉狭窄进行更准确的评估。
发明内容
基于此,有必要针对上述技术问题,提供一种更为精准且更为自动化的颅内动脉狭窄评估参数获取方法、装置、设备和存储介质。
一种颅内动脉狭窄评估参数获取方法,所述方法包括:
获取颅内动脉血管影像数据,所述颅内动脉血管影像数据中包括按时间排序且造影角度相同的多帧颅内血管造影图像;
在所述颅内动脉血管影像数据中,通过统计各帧颅内血管造影图像处于标准造影剂像素范围的像素个数确定关键帧;
基于深度学习模型对所述关键帧中的目标血管进行自动分割,得到目标血管二值图;
提取所述目标血管二值图中目标血管的二维中心线以及轮廓线,基于投影关系根据所述目标血管的二维中心线以及轮廓线计算得到目标血管的三维模型;
针对所述目标血管的近端和远端的血管横截面线通过自动数帧方法在所述颅内动脉血管影像数据中得到造影剂流经所述目标血管起始帧和终止帧,再根据所述起始帧、终止帧以及帧率进行计算得到造影剂流经目标血管所用的时间;
根据所述目标血管的三维模型以及造影剂流经目标血管所用的时间进行计算,得到颅内动脉狭窄评估参数。
在其中一实施例中,所述标准造影剂像素范围为通过对所有帧颅内血管造影图像中每一个像素点的像素值进行统计,得到的像素值最低区间。
在其中一实施例中,在采用所述基于深度学习模型对所述关键帧中的目标血管进行自动分割时,依次采用关键分叉点识别模型、狭窄检测模型以及分割模型对所述关键帧进行处理,得到所述关键帧中的目标血管二值图。
在其中一实施例中,所述依次采用关键分叉点识别模型、狭窄检测模型以及分割模型对所述关键帧进行处理,得到所述关键帧中的目标血管二值图包括:
对所述关键帧进行处理提取出其中血管树的骨架,利用所述关键分叉点识别模型对骨架中的关键分叉点进行识别,确定不同血管段的分界位置;
利用所述狭窄检测模型对所述关键帧中狭窄所在的位置区域进行预测,并将该位置区域用边界框进行标识,根据所述边界框的中心与各血管段的距离远近确定狭窄所在血管段;
利用所述分割模型对狭窄所在血管关键分叉点之间的部分进行分割,得到所述关键帧中的目标血管二值图。
在其中一实施例中,所述基于投影关系根据所述目标血管的二维中心线以及轮廓线计算得到目标血管的三维模型包括:
所述目标血管的二维中心线和轮廓线均由多个离散点构成;
基于射线源、三维颅内血管以及二维颅内血管影像所在平面之间的关系,根据每一个二维中心线离散点坐标得到对应三维中心线离散点坐标;
根据所述二维中心线上每个离散点与轮廓线之间的距离得到二维中心线上每个离散点的直径,再根据各离散点的直径基于投影关系逆向还原得到所述三维中心线上每个离散点对应的三维直径;
根据所述三维中心线以及该中心线上每一个离散点对应的三维直径进行重建,得到所述目标血管的三维模型。
在其中一实施例中,在根据所述三维中心线以及该中心线上每一个离散点对应的三维直径重建所述目标血管的三维模型之前,还根据修正系数对所述三维中心线的长度和三维直径进行修正;
其中,所述修正系数根据所述颅内动脉血管影像数据的造影角度、目标血管类型以及修正位置参数查找修正系数表得到。
在其中一实施例中,所述对所述目标血管的近端和远端的血管横截面线通过自动数帧方法在所述颅内动脉血管影像数据中得到造影剂流经所述目标血管起始帧和终止帧包括:
针对每一帧的目标血管近端和远端血管横截面线,记录截面线上所有像素值的最小值,统计所有帧的像素值最小值得到时间-最小密度曲线;
根据时间-最小密度曲线确定造影剂流经所述目标血管起始帧和终止帧。
一种颅内动脉狭窄评估参数获取装置,所述装置包括:
影像数据获取模块,们勇于获取颅内动脉血管影像数据,所述颅内动脉血管影像数据中包括按时间排序且造影角度相同的多帧颅内血管造影图像;
关键帧确定模块,用于在所述颅内动脉血管影像数据中,通过统计各帧颅内血管造影图像处于标准造影剂像素范围的像素个数确定关键帧;
目标血管二值图分割模块,用于基于深度学习模型对所述关键帧中的目标血管进行自动分割,得到目标血管二值图;
目标血管的三维模型重建模块,用于提取所述目标血管二值图中目标血管的二维中心线以及轮廓线,基于投影关系根据所述目标血管的二维中心线以及轮廓线计算得到目标血管的三维模型;
造影剂流经目标血管所用的时间计算模块,用于针对所述目标血管的近端和远端的血管横截面线通过自动数帧方法在所述颅内动脉血管影像数据中得到造影剂流经所述目标血管起始帧和终止帧,再根据所述起始帧、终止帧以及帧率进行计算得到造影剂流经目标血管所用的时间;
颅内动脉狭窄评估参数获得模块,用于根据所述目标血管的三维模型以及造影剂流经目标血管所用的时间进行计算,得到颅内动脉狭窄评估参数。
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,所述处理器执行所述计算机程序时实现以下步骤:
获取颅内动脉血管影像数据,所述颅内动脉血管影像数据中包括按时间排序且造影角度相同的多帧颅内血管造影图像;
在所述颅内动脉血管影像数据中,通过统计各帧颅内血管造影图像处于标准造影剂像素范围的像素个数确定关键帧;
基于深度学习模型对所述关键帧中的目标血管进行自动分割,得到目标血管二值图;
提取所述目标血管二值图中目标血管的二维中心线以及轮廓线,基于投影关系根据所述目标血管的二维中心线以及轮廓线计算得到目标血管的三维模型;
针对所述目标血管的近端和远端的血管横截面线通过自动数帧方法在所述颅内动脉血管影像数据中得到造影剂流经所述目标血管起始帧和终止帧,再根据所述起始帧、终止帧以及帧率进行计算得到造影剂流经目标血管所用的时间;
根据所述目标血管的三维模型以及造影剂流经目标血管所用的时间进行计算,得到颅内动脉狭窄评估参数。
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执行时实现以下步骤:
获取颅内动脉血管影像数据,所述颅内动脉血管影像数据中包括按时间排序且造影角度相同的多帧颅内血管造影图像;
在所述颅内动脉血管影像数据中,通过统计各帧颅内血管造影图像处于标准造影剂像素范围的像素个数确定关键帧;
基于深度学习模型对所述关键帧中的目标血管进行自动分割,得到目标血管二值图;
提取所述目标血管二值图中目标血管的二维中心线以及轮廓线,基于投影关系根据所述目标血管的二维中心线以及轮廓线计算得到目标血管的三维模型;
针对所述目标血管的近端和远端的血管横截面线通过自动数帧方法在所述颅内动脉血管影像数据中得到造影剂流经所述目标血管起始帧和终止帧,再根据所述起始帧、终止帧以及帧率进行计算得到造影剂流经目标血管所用的时间;
根据所述目标血管的三维模型以及造影剂流经目标血管所用的时间进行计算,得到颅内动脉狭窄评估参数。
上述颅内动脉狭窄评估参数获取方法、装置、设备和存储介质,通过利用标准造影剂像素范围在单个造影角度下的颅内动脉血管影像数据中确定一帧关键帧图像,再利用深度学习模型对该关键帧中的目标血管进行分割,得到目标血管二值图,提取目标血管二值图中目标血管的二维中心线以及二维轮廓线,并根据三维血管以及二维血管影像之间的投影关系得到目标血管的三维模型,针对目标血管的近端和远端的血管横截面线通过自动数帧方法在颅内动脉血管影像数据中得到造影剂流经目标血管起始帧和终止帧,再根据起始帧、终止帧以及帧率进行计算得到造影剂流经目标血管所用的时间,最后根据目标血管的三维模型以及造影剂流经目标血管所用的时间进行计算,得到颅内动脉狭窄评估参数。采用本方法可自动得到颅内动脉狭窄评估参数,避免了繁琐的人工操作的同时也避免了人工操作带来的误差,进一步提高了参数的精准度。
附图说明
图1为一个实施例中颅内动脉狭窄评估参数获取方法的流程示意图;
图2为一个实施例中单造影角度投影关系示意图;
图3为一个实施例中血管横截面点云获取过程示意图;
图4为一个实施例中近端血管横截面线以及远端血管横截面线示意图;
图5为另一个实施例中颅内动脉狭窄评估参数获取方法的流程框图;
图6为另一个实施例中提取的关键帧示意图;
图7为另一个实施例中关键分叉点识别示意图;
图8为另一个实施例中狭窄血管段所在区域预测示意图;
图9为图6分割后得到的目标血管二值图;
图10为图6中目标血管的三维模型示意图;
图11为另一个实施例中用自动数帧的方法对目标血管近端进行数帧结果,其中,(a)表示目标血管近端横截面线对应的时间-最小密度曲线,(b)表示数帧结果对应的帧图像示意图;
图12为另一个实施例中用自动数帧的方法对目标血管远端进行数帧结果,其中,(a)表示表示目标血管远端横截面线对应的时间-最小密度曲线,(b)表示数帧结果对应的帧图像示意图;
图13为一个实施例中颅内动脉狭窄评估参数获取装置的结构框图;
图14为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在现有技术中,针对DSA(Digital Subtraction Angiography,数字减影血管造影)的处理及功能学参数的计算方法都需要工人操作较多,导致重复性较差的问题,如图1所示,提供了一种颅内动脉狭窄评估参数获取方法,包括以下步骤:
步骤S100,获取颅内动脉血管影像数据,该颅内动脉血管影像数据中包括按时间排序且造影角度相同的多帧颅内血管造影图像;
步骤S110,在颅内动脉血管影像数据中,通过统计各帧颅内血管造影图像处于标准造影剂像素范围的像素个数确定关键帧;
步骤S120,基于深度学习模型对关键帧中的目标血管进行自动分割,得到目标血管二值图;
步骤S130,提取目标血管二值图中目标血管的二维中心线以及轮廓线,基于投影关系根据目标血管的二维中心线以及轮廓线计算得到目标血管的三维模型;
步骤S140,针对目标血管的近端和远端的血管横截面线通过自动数帧方法在颅内动脉血管影像数据中得到造影剂流经目标血管起始帧和终止帧,再根据起始帧、终止帧以及帧率进行计算得到造影剂流经目标血管所用的时间;
步骤S150,根据目标血管的三维模型以及造影剂流经目标血管所用的时间进行计算,得到颅内动脉狭窄评估参数。
在对颅内动脉狭窄评估的现有技术中,首先需要挑选两个造影角度差大于25°的相同目标血管的影像序列,但因颅内血管形态扭曲,且可能被动脉瘤影响,找到两个满足角度差要求又恰好充分暴露目标血管的影像并不容易,且更多的影像输入意味着更多对病人的辐射伤害。其次,现有技术所需人工操作包括:选取关键帧(造影剂充盈且清晰)、人工选取匹配点校正投影关系、选定目标血管起止点、调节血管轮廓,这导致了整个评估过程速度较慢,且需要人工操作的步骤过多,对人工操作的准确性要求过高,评估过程可控性较差,同时降低了评估过程的可重复性。
而在本实施例中,通过寻找关键帧、分割目标血管、三维重建、自动数帧、参数计算等过程完成评估参数的自动计算,可以对颅内动脉狭窄引起的缺血程度进行评估,没有繁琐人工操作,使颅内动脉狭窄评估更加便利的同时,保证了评估过程的可重复性。
在步骤S100中,获取的颅内动脉血管影像数据均是在同一造影角度下得到,使得处理数据的获取更为简单。
在本实施例中,颅内动脉血管影像数据为待进行血管狭窄评估对象的颅内动脉血管数字减影血管造影序列,其中包括多帧连续拍摄得到的颅内动脉血管图像。该影像数据中记录了造影剂流经颅内动脉各血管的过程。
在步骤S110中,需要在多帧颅内动脉血管图像中选取一帧造影剂最充盈且清晰的一帧作为关键帧,以便后续在该关键帧上提取目标血管段。
在本实施例中,统计各帧颅内血管造影图像中落入标准造影剂像素范围内像素点个数,将个数最多的一帧颅内血管造影图像作为关键帧。
具体的,首先对影像序列所有帧的全部像素值进行统计,相对于背景部分,造影剂显影部分的像素值更低,故取像素值最低的一个区间作为标准造影剂像素范围。然后统计每一帧影像中处于标准造影剂像素范围的像素个数,个数最多的一帧可以被认为是造影剂显影范围最广的一帧,即为关键帧。
在本实施例中,取像素值最低的一个区间作为标准造影剂像素范围,根据处于此范围内的像素点个数来判断关键帧,可以降低造影剂浓度变化对关键帧判断的影响。
在步骤S120中,在采用基于深度学习模型对关键帧中的目标血管进行自动分割时,依次采用关键分叉点识别模型、狭窄检测模型以及分割模型对关键帧进行处理,得到关键帧中的目标血管二值图。
在该步骤中,采用已训练好的深度学习模型对关键帧进行处理,从而识别出其中狭窄的目标血管段。
具体的,依次采用关键分叉点识别模型、狭窄检测模型以及分割模型对关键帧进行处理,得到所述关键帧中的目标血管二值图包括:对关键帧进行处理提取出其中血管树的骨架图,利用关键分叉点识别模型对骨架图中的关键分叉点进行识别,确定不同血管段的分界位置,接着利用狭窄检测模型对关键帧中狭窄所在的位置区域进行预测,并将该位置区域用边界框进行标识,根据边界框的中心与各血管段的距离远近确定狭窄所在血管段,最后利用分割模型对狭窄所在血管关键分叉点之间的部分进行分割,得到关键帧中的目标血管二值图。实际上,分割得到的目标血管二值图也就是颅内动脉中狭窄血管段。
在步骤S130中,基于投影关系根据目标血管的二维中心线以及轮廓线计算得到目标血管的三维模型包括:目标血管的二维中心线和轮廓线均由多个离散点构成,基于射线源、三维颅内血管以及二维颅内血管影像所在平面之间的位置关系,根据每一个二维中心线离散点坐标得到对应三维中心线离散点坐标,根据二维中心线上每个离散点与轮廓线之间的距离得到二维中心线上每个离散点的直径,再根据各离散点的直径基于投影关系逆向还原得到三维中心线上每个离散点对应的三维直径,最后根据三维中心线以及该中心线上每一个离散点对应的三维直径进行重建,得到目标血管的三维模型。
具体的,首先基于关键帧中的目标血管二值图提取狭窄目标血管段的在图像上的二维中心以及血管轮廓线,而二维中心线和轮廓线都由足够多的、均匀的离散点组成。
由于,真实的颅内血管(三维)大致在距离射线源SOD(Source Object Distance)距离的平面内,而DSA影像(二维)在距离射线源图像SID(Source Image ReceptorDistance)距离的平面内,针对二维中心线上每一个离散点坐标X(x, y, SID),由相似三角形关系,如图2所示,可由X·SOD/SID得到三维中心线离散点坐标。
进一步的,根据二维中心线上的每个离散点与二维轮廓线的距离得到二维中心线每个离散点的对应直径。与三维中心线获取过程相似,基于相似三角形关系以及投影关系可逆向还原得到每个三维中心线离散点对应的三维直径。
进一步的,根据邻近三维中心线离散点获得该每个三维中心线离散点切向方向,继而获得各点的法平面,即各点的血管横截面方向。如图3所示,由三维中心线离散点和三维直径在血管横截面上以圆形轮廓拟合,可得到每个三维中心线离散点的横截面轮廓拟合点云,综合所有的横截面轮廓点云可以得到整个目标血管三维轮廓的点云,继而可重建得到目标血管的三维模型。
考虑到单角度三维重建中假设三维血管都在SOD平面上,忽略了投影缩减等误差,在本实施例中,三维中心线长度和直径数值均需要通过乘以修正系数进行修正。
在本实施例中,修正系数的数值是根据造影角度、目标血管类型以及修正位置参数查找修正系数表获得。
其中,造影角度由颅内血管造影数据自身标签信息中获得,目标血管类型根据目标血管二维中心线和对应的二维分段模板确定。
在其中一实施例中,根据目标血管二维中心线和对应的二维分段模板确定目标血管类型的方法为:首先建立标准颅内血管骨干线的三维分段模板,针对不同造影角度可以得到对应的二维分段模板,每个分段都对应各自血管类型,将目标血管二维中心线和二维分段模板上的不同血管段中心线进行配准,取配准误差最小的血管段血管类型为目标血管类型。在其他实施例中,还可以根据实际情况采用其他方式获取目标血管类型。
其中,修正位置参数是从血管近端到修正位置的中心线长度占目标血管中心线总长的比例。
其中,修正系数表是统计大量实际病例在不同造影角度、不同血管类型和不同修正位置参数下实际数据和单角度三维重建未修正数据的比值得到的经验数值表。
在步骤S140中,针对关键帧中的目标血管段近端和远端的血管横截面线分别通过自动数帧方法可得到造影剂流经该血管段的起始帧n1,终止帧n2,两帧之差除以影像序列的帧率c,则可得到造影剂流经目标血管所用时间t:
(1)
在本实施例中,采用的自动数帧方法为:通过记录每一帧的目标血管近端和远端血管横截面线上所有像素值的最小值,构建对应目标血管近端和远端血管横截面线的时间-最小密度曲线,再根据时间-最小密度曲线得到目标血管近端和远端的初始帧以及终止帧。
在其中一实施例中,得到目标血管近端和远端血管横截面线的时间-最小密度曲线后,还分别根据曲线确定相应判定阈值,再根据时间-最小密度曲线以及对应的判定阈值得到目标血管近端和远端的初始帧以及终止帧。
具体的,针对每一帧的目标血管近端和远端血管横截面线,记录截面线上所有像素值的最小值,统计所有帧的像素值最小值得到目标血管近端和远端横截面线上的时间-最小密度曲线,分别针对目标血管近端和远端横截面线,根据时间-最小密度曲线上像素值最小值和初始帧像素值得到判定阈值,根据时间-最小密度曲线和判定阈值确定造影剂流经所述目标血管起始帧和终止帧。
具体的,自动数帧的方法具体为:根据关键帧中目标血管段在该帧图像中的位置,针对每一帧的目标血管近端横截面线,记录截面线上所有像素值的最小值,统计所有帧的像素值最小值得到时间-最小密度曲线。由时间-最小密度曲线上像素值最小值和初始帧像素值/>的差值/>,乘以系数/>再与/>相加得到判定阈值/>,可认为当血管横截面线的最小像素值低于判定阈值时,造影剂已经流过了血管横截面线。
为了消除噪声或其他能引起像素值波动因素的影响,由像素值最小值所在帧向前寻找,找到第一次血管横截面线上最小像素值大于判定阈值的帧为n帧,像素值,/>帧的像素值为/>,线性插值得到数帧结果/>,同理可得到目标血管远端数帧结果为/>。其中,近端血管横截面线以及远端血管横截面线如图4所示。
在步骤S150中,根据目标血管的三维模型以及造影剂流经目标血管所用的时间进行计得到的颅内动脉狭窄评估参数包括:平均血流速度、平均血液流量、血液压力下降值、血液压力比等狭窄评估参数。
在本实施例中,计算平均血流速度时,由修正后的目标血管三维中心线长度L和造影剂流经目标血管的所用时间t,可以得到造影剂流经目标血管的平均速度:
(2)
其中,平均血液流速则和造影剂平均流速近似相等。
在本实施例中,计算平均血液流量时,三维中心线点云包含个离散点,结合每个离散点对应的修正后三维直径信息,可以计算得到目标血管每个位置的截面积/>,结合每段血管的修正后长度/>可以得到目标血管的体积,结合造影剂流经目标血管的所用时间t,采用以下公式计算得到血液平均血液流量:
(3)
在本实施例中,计算血液压力下降值时,利用目标血管的三维模型参数和血流速度,考虑扩张压降、粘性压降和伯努利变化项,依据血流动力学计算血液经过目标血管的血液压力下降值,采用以下公式:
(4)
在公式(4)中,a为粘性损失系数,b为扩张损失系数,c为伯努利系数,b和c的数值都与血管三维形态相关。
在本实施例中,计算血液压力比时,根据目标血管近端压力和血液压力下降值相减得到远端压力/>,可以通过/>得到血液压力比。其中/>可由指引导管和压力传感器测得。
在一实施例中,根据如图5所示的流程步骤对本方法进行实施。
首先,获取待进行评估对象的单个造影角度的颅内动脉血管DSA影像序列,对影像序列所有帧的全部像素值进行统计,像素值范围在,取像素值最低的一个区间/>作为标准造影剂像素范围,其中/>取值范围建议0.2~0.5,统计每一帧影像中像素值处于此区间的像素个数,个数最多帧为关键帧。提取的关键帧如图6所示。
接着,针对关键帧影像提取血管树的骨架线,基于深度学习方法,依次使用关键分叉点识别模型、狭窄检测模型、分割模型完成目标血管分割,得到目标血管二值图。其中,利用关键分叉点识别模型进行关键分叉点,其示意图像如图7所示,利用狭窄检测模型进行狭窄部分预测,其示意图像如图8所示,最后利用分割模型得到的关键帧目标血管分割二值图,如图9所示,也就是对图6中的目标血管进行分割后得到。
再提取关键帧目标血管的中心线和轮廓线,基于相似三角形关系,根据投影关系逆向还原得到三维中心线离散点、对应的横截面方向以及三维直径,进而得到目标血管三维模型轮廓点云。根据造影角度、目标血管类型、修正位置参数查找修正系数表得到修正系数ki对三维中心线长度和直径数值进行修正,最后重建得到的目标血管三维模型如图10所示。
再利用自动数帧的方法在颅内动脉血管DSA影像序列内自动寻找对应目标血管近端和远端的初始帧以及终止帧。
针对每一帧的目标血管近端横截面线,记录截面线上所有像素值的最小值,统计所有帧的像素值最小值得到时间-最小密度曲线,由曲线上像素值最小值、初始帧像素值/>得到差值/>,乘以系数/>,再与/>相加得到判定阈值,/>取值范围建议0~0.2。由像素值最小值所在帧向前寻找,找到第一次血管横截面线上最小像素值大于阈值的帧为n帧,像素值/>,/>帧的像素值为,线性插值得到数帧结果/>。同理可得到目标血管远端数帧结果为/>。如图11所示,图11中(a)表示目标血管近端横截面线对应的时间-最小密度曲线,图11中(b)表示数帧结果对应的帧。如图12所示,图12中(a)表示目标血管远端横截面线对应的时间-最小密度曲线,图12中(b)表示数帧结果对应的帧。
再读取影像信息可知影像帧率c,则可得到造影剂流经目标血管的时间差:。
最后,利用公式(2)、公式(3)以及公式(4)可对平均血流速度、平均血液流量、血液压力下降值、血液压力比等狭窄评估参数。
上述颅内动脉狭窄评估参数获取方法中,通过寻找关键帧、分割目标血管、三维重建、自动数帧、参数计算等过程完成平均血流速度、平均血液流量、血液压力下降值、血液压力比等参数的自动计算,可以对颅内动脉狭窄引起的缺血程度进行评估,没有繁琐人工操作,使颅内动脉狭窄评估更加便利的同时,保证了评估过程的可重复性。在本方法中取像素值最低的一个区间作为标准造影剂像素范围,根据处于此范围内的像素点个数来判断关键帧,可以降低造影剂浓度变化对关键帧判断的影响。同时,利用关键分叉点识别模型、狭窄检测模型、分割模型自动完成关键帧狭窄所在目标血管的分割,省去了复杂的人工操作。本方法仅通过单张造影影像序列就可自动计算狭窄评估参数,且根据造影角度、目标血管类型和修正位置使用不同的修正系数,降低了狭窄评估对输入影像的要求,同时也保证了计算的准确性。并且,采用基于血管横截面线上所有像素值的最小值组成时间-最小密度曲线进行自动数帧,对造影剂通过目标血管起点终点位置的检测更加灵敏。最后采用本方法通过估算体积和自动数帧获取的时间来计算平均血液流量,可协助临床上颅内动脉血流量评估。
应该理解的是,虽然图1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,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图13所示,提供了一种颅内动脉狭窄评估参数获取装置,包括:影像数据获取模块200、关键帧确定模块210、目标血管二值图分割模块220、目标血管的三维模型重建模块230、造影剂流经目标血管所用的时间计算模块240和颅内动脉狭窄评估参数获得模块250,其中:
影像数据获取模块200,用于获取颅内动脉血管影像数据,所述颅内动脉血管影像数据中包括按时间排序且造影角度相同的多帧颅内血管造影图像;
关键帧确定模块210,用于在所述颅内动脉血管影像数据中,通过统计各帧颅内血管造影图像处于标准造影剂像素范围的像素个数确定关键帧;
目标血管二值图分割模块220,用于基于深度学习模型对所述关键帧中的目标血管进行自动分割,得到目标血管二值图;
目标血管的三维模型重建模块230,用于提取所述目标血管二值图中目标血管的二维中心线以及轮廓线,基于投影关系根据所述目标血管的二维中心线以及轮廓线计算得到目标血管的三维模型;
造影剂流经目标血管所用的时间计算模块240,用于针对所述目标血管的近端和远端的血管横截面线通过自动数帧方法在所述颅内动脉血管影像数据中得到造影剂流经所述目标血管起始帧和终止帧,再根据所述起始帧、终止帧以及帧率进行计算得到造影剂流经目标血管所用的时间;
颅内动脉狭窄评估参数获得模块250,用于根据所述目标血管的三维模型以及造影剂流经目标血管所用的时间进行计算,得到颅内动脉狭窄评估参数。
关于颅内动脉狭窄评估参数获取装置的具体限定可以参见上文中对于颅内动脉狭窄评估参数获取方法的限定,在此不再赘述。上述颅内动脉狭窄评估参数获取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14所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。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、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。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种颅内动脉狭窄评估参数获取方法。该计算机设备的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14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以下步骤:
获取颅内动脉血管影像数据,所述颅内动脉血管影像数据中包括按时间排序且造影角度相同的多帧颅内血管造影图像;
在所述颅内动脉血管影像数据中,通过统计各帧颅内血管造影图像处于标准造影剂像素范围的像素个数确定关键帧;
基于深度学习模型对所述关键帧中的目标血管进行自动分割,得到目标血管二值图;
提取所述目标血管二值图中目标血管的二维中心线以及轮廓线,基于投影关系根据所述目标血管的二维中心线以及轮廓线计算得到目标血管的三维模型;
针对所述目标血管的近端和远端的血管横截面线通过自动数帧方法在所述颅内动脉血管影像数据中得到造影剂流经所述目标血管起始帧和终止帧,再根据所述起始帧、终止帧以及帧率进行计算得到造影剂流经目标血管所用的时间;
根据所述目标血管的三维模型以及造影剂流经目标血管所用的时间进行计算,得到颅内动脉狭窄评估参数。
在一个实施例中,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以下步骤:
获取颅内动脉血管影像数据,所述颅内动脉血管影像数据中包括按时间排序且造影角度相同的多帧颅内血管造影图像;
在所述颅内动脉血管影像数据中,通过统计各帧颅内血管造影图像处于标准造影剂像素范围的像素个数确定关键帧;
基于深度学习模型对所述关键帧中的目标血管进行自动分割,得到目标血管二值图;
提取所述目标血管二值图中目标血管的二维中心线以及轮廓线,基于投影关系根据所述目标血管的二维中心线以及轮廓线计算得到目标血管的三维模型;
针对所述目标血管的近端和远端的血管横截面线通过自动数帧方法在所述颅内动脉血管影像数据中得到造影剂流经所述目标血管起始帧和终止帧,再根据所述起始帧、终止帧以及帧率进行计算得到造影剂流经目标血管所用的时间;
根据所述目标血管的三维模型以及造影剂流经目标血管所用的时间进行计算,得到颅内动脉狭窄评估参数。
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、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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发明专利范围的限制。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,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种颅内动脉狭窄评估参数获取方法,其特征在于,所述方法包括:
获取颅内动脉血管影像数据,所述颅内动脉血管影像数据中包括按时间排序且造影角度相同的多帧颅内血管造影图像;
在所述颅内动脉血管影像数据中,通过统计各帧颅内血管造影图像处于标准造影剂像素范围的像素个数确定关键帧,其中,所述标准造影剂像素范围为通过对所有帧颅内血管造影图像中每一个像素点的像素值进行统计,得到的像素值最低区间;
基于深度学习模型对所述关键帧中的目标血管进行自动分割,得到目标血管二值图;
提取所述目标血管二值图中目标血管的二维中心线以及轮廓线,基于投影关系根据所述目标血管的二维中心线以及轮廓线计算得到目标血管的三维模型,包括:所述目标血管的二维中心线和轮廓线均由多个离散点构成,基于射线源、三维颅内血管以及二维颅内血管影像所在平面之间的关系,根据每一个二维中心线离散点坐标得到对应三维中心线离散点坐标,根据所述二维中心线上每个离散点与轮廓线之间的距离得到二维中心线上每个离散点的直径,再根据各离散点的直径基于投影关系逆向还原得到所述三维中心线上每个离散点对应的三维直径,并对得到的所述三维中心线上每个离散点对应的三维直径进行修正,根据修正后的数据进行重建,得到所述目标血管的三维模型;
针对所述目标血管的近端和远端的血管横截面线通过自动数帧方法在所述颅内动脉血管影像数据中得到造影剂流经所述目标血管的起始帧和终止帧,再根据所述起始帧、终止帧以及帧率进行计算得到造影剂流经目标血管所用的时间;
根据所述目标血管的三维模型以及造影剂流经目标血管所用的时间进行计算,得到颅内动脉狭窄评估参数。
2.根据权利要求1所述颅内动脉狭窄评估参数获取方法,其特征在于,在采用所述基于深度学习模型对所述关键帧中的目标血管进行自动分割时,依次采用关键分叉点识别模型、狭窄检测模型以及分割模型对所述关键帧进行处理,得到所述关键帧中的目标血管二值图。
3.根据权利要求2所述颅内动脉狭窄评估参数获取方法,其特征在于,所述依次采用关键分叉点识别模型、狭窄检测模型以及分割模型对所述关键帧进行处理,得到所述关键帧中的目标血管二值图包括:
对所述关键帧进行处理提取出其中血管树的骨架,利用所述关键分叉点识别模型对骨架中的关键分叉点进行识别,确定不同血管段的分界位置;
利用所述狭窄检测模型对所述关键帧中狭窄所在的位置区域进行预测,并将所述位置区域用边界框进行标识,根据所述边界框的中心与各血管段的距离远近确定狭窄所在血管段;
利用所述分割模型对狭窄所在血管关键分叉点之间的部分进行分割,得到所述关键帧中的目标血管二值图。
4.根据权利要求3所述颅内动脉狭窄评估参数获取方法,其特征在于,在根据所述三维中心线以及该中心线上每一个离散点对应的三维直径重建所述目标血管的三维模型之前,还根据修正系数对所述三维中心线的长度和三维直径进行修正;
其中,所述修正系数根据所述颅内动脉血管影像数据的造影角度、目标血管类型以及修正位置参数查找修正系数表得到。
5.根据权利要求4所述颅内动脉狭窄评估参数获取方法,其特征在于,所述对所述目标血管的近端和远端的血管横截面线通过自动数帧方法在所述颅内动脉血管影像数据中得到造影剂流经所述目标血管起始帧和终止帧包括:
针对每一帧的目标血管近端和远端血管横截面线,记录截面线上所有像素值的最小值,统计所有帧的像素值最小值得到时间-最小密度曲线;
根据时间-最小密度曲线确定造影剂流经所述目标血管起始帧和终止帧。
6.一种颅内动脉狭窄评估参数获取装置,其特征在于,所述装置包括:
影像数据获取模块,用于获取颅内动脉血管影像数据,所述颅内动脉血管影像数据中包括按时间排序且造影角度相同的多帧颅内血管造影图像;
关键帧确定模块,用于在所述颅内动脉血管影像数据中,通过统计各帧颅内血管造影图像处于标准造影剂像素范围的像素个数确定关键帧,其中,所述标准造影剂像素范围为通过对所有帧颅内血管造影图像中每一个像素点的像素值进行统计,得到的像素值最低区间;
目标血管二值图分割模块,用于基于深度学习模型对所述关键帧中的目标血管进行自动分割,得到目标血管二值图;
目标血管的三维模型重建模块,用于提取所述目标血管二值图中目标血管的二维中心线以及轮廓线,基于投影关系根据所述目标血管的二维中心线以及轮廓线计算得到目标血管的三维模型,包括:所述目标血管的二维中心线和轮廓线均由多个离散点构成,基于射线源、三维颅内血管以及二维颅内血管影像所在平面之间的关系,根据每一个二维中心线离散点坐标得到对应三维中心线离散点坐标,根据所述二维中心线上每个离散点与轮廓线之间的距离得到二维中心线上每个离散点的直径,再根据各离散点的直径基于投影关系逆向还原得到所述三维中心线上每个离散点对应的三维直径,并对得到的所述三维中心线上每个离散点对应的三维直径进行修正,根据修正后的数据进行重建,得到所述目标血管的三维模型;
造影剂流经目标血管所用的时间计算模块,用于针对所述目标血管的近端和远端的血管横截面线通过自动数帧方法在所述颅内动脉血管影像数据中得到造影剂流经所述目标血管的起始帧和终止帧,再根据所述起始帧、终止帧以及帧率进行计算得到造影剂流经目标血管所用的时间;
颅内动脉狭窄评估参数获得模块,用于根据所述目标血管的三维模型以及造影剂流经目标血管所用的时间进行计算,得到颅内动脉狭窄评估参数。
7.一种计算机设备,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5中任一项所述方法的步骤。
8.一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5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310913192.4A CN116616804B (zh) | 2023-07-25 | 2023-07-25 | 颅内动脉狭窄评估参数获取方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310913192.4A CN116616804B (zh) | 2023-07-25 | 2023-07-25 | 颅内动脉狭窄评估参数获取方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116616804A CN116616804A (zh) | 2023-08-22 |
CN116616804B true CN116616804B (zh) | 2023-10-13 |
Family
ID=87603112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310913192.4A Active CN116616804B (zh) | 2023-07-25 | 2023-07-25 | 颅内动脉狭窄评估参数获取方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116616804B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115150B (zh) * | 2023-10-20 | 2024-01-26 | 柏意慧心(杭州)网络科技有限公司 | 用于确定分支血管的方法、计算设备和介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127117A (zh) * | 2007-09-11 | 2008-02-20 | 华中科技大学 | 一种利用序列数字减影血管造影图像分割血管数据的方法 |
WO2010058398A2 (en) * | 2007-03-08 | 2010-05-27 | Sync-Rx, Ltd. | Image processing and tool actuation for medical procedures |
JP2010131048A (ja) * | 2008-12-02 | 2010-06-17 | Toshiba Corp | X線画像診断装置 |
JP2014200616A (ja) * | 2013-04-10 | 2014-10-27 | 株式会社東芝 | 医用画像処理装置、x線診断装置及び医用画像処理プログラム |
CN106327487A (zh) * | 2016-08-18 | 2017-01-11 | 苏州润心医疗科技有限公司 | 基于x射线冠脉造影图像的冠状动脉血流储备分数计算方法 |
CN108550388A (zh) * | 2018-01-12 | 2018-09-18 | 深圳科亚医疗科技有限公司 | 基于血管造影的计算血管血流参数的装置和系统 |
CN110310256A (zh) * | 2019-05-30 | 2019-10-08 | 上海联影智能医疗科技有限公司 | 冠脉狭窄检测方法、装置、计算机设备和存储介质 |
CN112790777A (zh) * | 2019-11-14 | 2021-05-14 | 巫湘沂 | 以动态影像判断血流量变化及血管阻塞区域的方法 |
CN113499090A (zh) * | 2021-05-21 | 2021-10-15 | 杭州脉流科技有限公司 | 冠状动脉血流储备分数得到方法、装置、计算机设备和存储介质 |
CN114170134A (zh) * | 2021-11-03 | 2022-03-11 | 杭州脉流科技有限公司 | 基于颅内dsa影像的狭窄评估方法及装置 |
CN116385540A (zh) * | 2023-03-30 | 2023-07-04 | 深圳睿心智能医疗科技有限公司 | 一种血管造影非充盈帧的导管定位方法和导管定位装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2709059B1 (en) * | 2012-09-17 | 2014-11-05 | Pie Medical Imaging BV | Method and apparatus for quantitative measurements on sequences of images, particularly angiographic images |
JP6664873B2 (ja) * | 2014-11-21 | 2020-03-13 | キヤノンメディカルシステムズ株式会社 | 画像処理装置、x線診断装置、及び、画像処理プログラム |
JP2018068400A (ja) * | 2016-10-25 | 2018-05-10 | コニカミノルタ株式会社 | 動態画像処理装置 |
-
2023
- 2023-07-25 CN CN202310913192.4A patent/CN116616804B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010058398A2 (en) * | 2007-03-08 | 2010-05-27 | Sync-Rx, Ltd. | Image processing and tool actuation for medical procedures |
CN101127117A (zh) * | 2007-09-11 | 2008-02-20 | 华中科技大学 | 一种利用序列数字减影血管造影图像分割血管数据的方法 |
JP2010131048A (ja) * | 2008-12-02 | 2010-06-17 | Toshiba Corp | X線画像診断装置 |
JP2014200616A (ja) * | 2013-04-10 | 2014-10-27 | 株式会社東芝 | 医用画像処理装置、x線診断装置及び医用画像処理プログラム |
CN106327487A (zh) * | 2016-08-18 | 2017-01-11 | 苏州润心医疗科技有限公司 | 基于x射线冠脉造影图像的冠状动脉血流储备分数计算方法 |
CN108550388A (zh) * | 2018-01-12 | 2018-09-18 | 深圳科亚医疗科技有限公司 | 基于血管造影的计算血管血流参数的装置和系统 |
CN110310256A (zh) * | 2019-05-30 | 2019-10-08 | 上海联影智能医疗科技有限公司 | 冠脉狭窄检测方法、装置、计算机设备和存储介质 |
CN112790777A (zh) * | 2019-11-14 | 2021-05-14 | 巫湘沂 | 以动态影像判断血流量变化及血管阻塞区域的方法 |
CN113499090A (zh) * | 2021-05-21 | 2021-10-15 | 杭州脉流科技有限公司 | 冠状动脉血流储备分数得到方法、装置、计算机设备和存储介质 |
CN114170134A (zh) * | 2021-11-03 | 2022-03-11 | 杭州脉流科技有限公司 | 基于颅内dsa影像的狭窄评估方法及装置 |
CN116385540A (zh) * | 2023-03-30 | 2023-07-04 | 深圳睿心智能医疗科技有限公司 | 一种血管造影非充盈帧的导管定位方法和导管定位装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116616804A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116616804B (zh) | 颅内动脉狭窄评估参数获取方法、装置、设备和存储介质 | |
US20230139405A1 (en) | Stenosis assessment method and device based on intracranial DSA imaging | |
CN117058327B (zh) | 获得冠脉血流储备分数的方法和计算机设备 | |
CN110490974B (zh) | 用于确定血管中血流速度的方法、系统、装置和介质 | |
CN110120031B (zh) | 一种得到血管血流储备分数的方法和装置 | |
KR102272413B1 (ko) | 관상동맥 혈관조영술 기반의 기계 학습을 통한 허혈 병변 정보 제공 장치, 정보 제공 방법 및 이의 기록매체 | |
US9462987B2 (en) | Determining plaque deposits in blood vessels | |
CN112419276A (zh) | 调节血管轮廓及中心线的方法及存储介质 | |
CN116051458A (zh) | 基于术前冠脉造影影像评估术后冠脉血流储备分数的方法和计算机设备 | |
CN117036530B (zh) | 基于跨模态数据的冠状动脉血流储备分数预测方法及装置 | |
CN116205917B (zh) | 获取冠脉血流储备的方法、装置、计算机设备和存储介质 | |
CN115761132A (zh) | 自动重构冠脉三维模型的方法及装置 | |
TW202326615A (zh) | 造影影像判定方法及造影影像判定裝置 | |
CN116704149B (zh) | 获得颅内动脉狭窄参数的方法和装置 | |
CN116649996B (zh) | 获得颅内动脉狭窄血流动力学参数的方法和装置 | |
Lu et al. | Automatic stent strut detection in intravascular OCT images using image processing and classification technique | |
KR102000615B1 (ko) | 관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치 | |
CN110033466B (zh) | 一种基于多灰度级的冠脉拉直图像分割边界确定方法 | |
Tung et al. | Automatic detection of coronary stent struts in intravascular OCT imaging | |
CN116681704B (zh) | 颅内血管血流量获取方法、计算机设备和可读存储介质 | |
Babin et al. | Segmentation of phase-contrast mr images for aortic pulse wave velocity measurements | |
CN112790777A (zh) | 以动态影像判断血流量变化及血管阻塞区域的方法 | |
CN114708259B (zh) | 基于cta的头颈血管狭窄检测方法、装置、设备及介质 | |
EP4369290A1 (en) | Determining estimates of hemodynamic properties based on an angiographic x-ray examination | |
CN118154590A (zh) | 颅内大血管闭塞区域检测方法、装置、设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |