CN116681704B - 颅内血管血流量获取方法、计算机设备和可读存储介质 - Google Patents
颅内血管血流量获取方法、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN116681704B CN116681704B CN202310971262.1A CN202310971262A CN116681704B CN 116681704 B CN116681704 B CN 116681704B CN 202310971262 A CN202310971262 A CN 202310971262A CN 116681704 B CN116681704 B CN 116681704B
- Authority
- CN
- China
- Prior art keywords
- blood flow
- obtaining
- blood vessel
- intracranial
- section
- 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
- 230000017531 blood circulation Effects 0.000 title claims abstract description 83
- 238000007917 intracranial administration Methods 0.000 title claims abstract description 69
- 230000002792 vascular Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 36
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 113
- 230000008859 change Effects 0.000 claims abstract description 37
- 238000002583 angiography Methods 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 5
- 230000015624 blood vessel development Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 239000008280 blood Substances 0.000 abstract description 7
- 210000004369 blood Anatomy 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 239000002872 contrast media Substances 0.000 description 10
- 208000026106 cerebrovascular disease Diseases 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 206010008190 Cerebrovascular accident Diseases 0.000 description 4
- 208000006011 Stroke Diseases 0.000 description 4
- 230000002490 cerebral effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000016988 Hemorrhagic Stroke Diseases 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000035474 group of disease Diseases 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 208000037816 tissue injury Diseases 0.000 description 1
- 231100000216 vascular lesion Toxicity 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
- 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
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/10116—X-ray image
- G06T2207/10121—Fluoroscopy
-
- 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
- G06T2207/30016—Brain
-
- 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
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种颅内血管血流量获取方法、计算机设备和可读存储介质，颅内血管血流量获取方法包括：根据单角度颅内数字减影血管造影影像，获得血管前景二值图；基于血管前景二值图获得预期血管段，重建获得预期血管段的管腔体积；根据预期血管段入口截面与出口截面的灰度值变化延迟，获得入口截面到出口截面的血流时间；结合管腔体积和血流时间获得颅内血管血流量。本申请通过获得出口截面灰度值变化相对于入口截面灰度值变化的滞后时间，即得到血流由入口截面流至出口截面的血流时间，结合重建获得的预期血管段的管腔体积获得血流量。本申请计算简单便捷准确，颅内血管血流量获取结果可作为数据提供给医护人员为诊疗判断提供依据。
Description
技术领域
本申请涉及颅内医学影像处理技术领域，特别是涉及一种颅内血管血流量获取方法、计算机设备和可读存储介质。
背景技术
“脑卒中”又称“中风”、“脑血管意外”。是一种急性脑血管疾病，是由于脑部血管突然破裂或因血管阻塞导致血液不能流入大脑而引起脑组织损伤的一组疾病，包括缺血性和出血性卒中。脑卒中已成为我国第一位死亡原因，也是中国成年人残疾的首要原因，脑卒中具有发病率高、死亡率高和致残率高的特点。
近年来，越来越多的学者在脑血管病的计算流体力学（computational fluiddynamics, CFD）研究领域作出了较大贡献。CFD研究拓宽了脑血管病变的研究视角，可获取血管病变形态与血液流动之间复杂的流固耦合信息。同时，联合脑血管病的血流动力学信息与形态学信息，进一步提高了对脑血管病发生和发展的认识。
CFD包括建立一个血管系统的模型，然后通过求解流体动力学方程来模拟血液流动，在对颅内血管进行CFD模拟时，血流量是一个必不可少的重要输入条件，然而在现有技术中该参数的准确获取存在一定的难度。目前计算评估颅内血流量多借助外在装置仪器，通过装置获取电流或波形信号，通过分析信号的相关性质，间接估计出血流量。这类方法多借助复杂的仪器装置，操作繁琐，价格昂贵，普及度不高，计算也不够准确，从而限制了CFD模拟的准确性。
发明内容
基于此，有必要针对上述技术问题，提供一种颅内血管血流量获取方法。
本申请颅内血管血流量获取方法，包括：
根据单角度颅内数字减影血管造影影像，获得血管前景二值图；
基于所述血管前景二值图获得预期血管段，重建获得预期血管段的管腔体积；
根据所述预期血管段入口截面与出口截面的灰度值变化延迟，获得入口截面到出口截面的血流时间；
结合所述管腔体积和所述血流时间获得颅内血管血流量。
可选的，根据单角度颅内数字减影血管造影影像，获得血管前景二值图，具体包括：
对单角度颅内数字减影血管造影影像进行空间和时间上的滤波，获得每个像素点的像素灰度值随时间的变化曲线；
根据变化曲线上的关键特征，对不同位置的像素点进行分类，分为血管部分以及背景部分，获得含有血管部分的粗分割二值图；
从单角度颅内数字减影血管造影影像中，筛选获得血管显影清晰的一帧影像作为关键帧影像；
结合粗分割二值图，利用水平集分割方法对所述关键帧影像进行分割，获得血管前景二值图。
可选的，基于所述血管前景二值图获得预期血管段，重建获得预期血管段的管腔体积，具体包括：
基于所述血管前景二值图获得预期血管段，结合SOD值和SID值，重建获得预期血管段的管腔体积。
可选的，基于所述血管前景二值图获得预期血管段，具体包括：
基于所述血管前景二值图获得指定的起点坐标和终点坐标，进而获得预期血管段。
可选的，结合SOD值和SID值，重建获得预期血管段的管腔体积，具体包括：
结合SOD值和SID值，对目标血管进行三维重建，获取目标血管的三维中心线和三维直径；
利用修正系数修正所述三维中心线和三维直径，所述修正系数根据造影角度、目标血管类型、以及修正位置参数获得；
根据修正后的三维中心线和三维直径，重建获得预期血管段，进而获得预期血管段的管腔体积。
可选的，根据所述预期血管段入口截面与出口截面的灰度值变化延迟，获得入口截面到出口截面的血流时间，具体包括：
获得所述入口截面的灰度值变化曲线；
获得所述出口截面的灰度值变化曲线；
获得后者相对于前者灰度值变化的滞后时间，将所述滞后时间作为所述入口截面到出口截面的血流时间。
可选的，获得所述入口截面的灰度值变化曲线，具体包括：逐帧计算入口截面的最小灰度值，生成最小灰度值随帧数的变化曲线；
获得所述出口截面的灰度值变化曲线，具体包括：逐帧计算出口截面的最小灰度值，生成最小灰度值随帧数的变化曲线。
可选的，结合所述管腔体积和所述血流时间获得颅内血管血流量，利用下式进行：
Q = V / T
式中，Q为颅内血管血流量，V为所述管腔体积，T为所述血流时间。
本申请还提供一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现本申请所述的颅内血管血流量获取方法的步骤。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本申请所述的颅内血管血流量获取方法的步骤。
本申请还提供一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现本申请所述的颅内血管血流量获取方法的步骤。
本申请颅内血管血流量获取方法至少具有以下效果：
本申请血管前景二值图能够用于将颅内数字减影血管造影影像的前景部分和背景部分区别开来，进而在血管前景二值图上获得预期血管段。
本申请通过获得出口截面灰度值变化相对于入口截面灰度值变化的滞后时间，即可得到造影剂也即是血流由入口截面流至出口截面的血流时间，结合重建获得的预期血管段的管腔体积获得血流量。
本申请计算简单便捷准确，颅内血管血流量获取结果可单独作为数据提供给医护人员为诊疗判断提供依据，也可结合后续CFD计算模拟，为评估脑血管病变提供必要参数。
附图说明
图1为某实施例中颅内血管血流量获取方法的流程示意图；
图2为某实施例中不同帧的2D DSA影像示意图；
图3为某实施例中2D DSA影像的关键帧影像示意图；
图4为图3的血管分割二值图；
图5为某实施例中预期血管段标记示意图，其中下侧白色标识为起点位置，上侧白色标识为终点位置；
图6为某实施例中预期血管段的三维重构示意图；
图7为某实施例中预期血管段的三维模型示意图；
图8为某实施例中入口截面与出口截面上最小灰度值随帧数变化的曲线示意图；
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
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用以解释本申请，并不用于限定本申请。
参见图1～图6，本申请一实施例中提供一种颅内血管血流量获取方法，包括：
步骤S100，根据单角度颅内数字减影血管造影影像，获得血管前景二值图；
步骤S200，基于血管前景二值图获得预期血管段，重建获得预期血管段的管腔体积；
步骤S300，根据预期血管段入口截面与出口截面的灰度值变化延迟，获得入口截面到出口截面的血流时间；
步骤S400，结合管腔体积和血流时间获得颅内血管血流量。
本实施例中的血管前景二值图用于将颅内数字减影血管造影影像（2D DSA影像）的前景部分（血管部分）、背景部分（非血管部分）区别开来，可按照预期在血管前景二值图上获得预期血管段。步骤S200还包括识别目标血管的血管中心线，使入口截面和出口截面均垂直于血管中心线。
在颅内数字减影血管造影影像中，造影剂未流入血管时，血管区域显示为高亮，对应的像素灰度值较高。当造影剂流入血管时，血管区域受造影剂影响将逐渐变暗，对应的像素灰度值逐渐变低。由于造影剂流过入口和出口位置有一定的延迟，这个延迟也会反映在灰度变化曲线上。通过比较入口和出口位置的灰度变化曲线，可读出时间差，即可得到造影剂也代表血流，由入口截面流至出口截面的血流时间T。
本实施例计算简单快捷，结果准确。对输入条件要求较低，仅需要输入单角度颅内2D DSA影像，即可重构出预期血管段的三维模型，同时应用灰度值变化得出血液流过预期血管段起点终点的时间差，最终结合颅内血管管腔体积获得血流量。
本实施例计算简单便捷准确，颅内血管血流量获取结果可单独作为数据提供给医护人员为诊疗判断提供依据。本实施例在应用时也可结合后续CFD计算模拟，为评估脑血管病变提供必要参数，有助于研究人员对颅内血管进行CFD模拟时获得更准确的血流量输入。
参见图1～图7，本申请一实施例中还提供一种颅内血管血流量获取方法，包括（1）～（4）四个部分，分别用于对应性解释前一实施例中步骤S100～步骤S400。包括：（1）从单角度颅内DSA影像中分割出血管部分；（2）确定目标血管段及其三维模型；（3）确定血液流过目标血管段起点终点的时间差；（4）计算流过目标血管段的血流量。
（1）从单角度颅内DSA影像中分割出血管部分，对应步骤S100及其子步骤。
步骤S100，根据单角度颅内数字减影血管造影影像，获得血管前景二值图，具体包括：步骤S110，对单角度颅内数字减影血管造影影像进行空间和时间上的滤波，获得每个像素点的像素灰度值随时间的变化曲线；步骤S120，根据变化曲线上的关键特征，对不同位置的像素点进行分类，分为血管部分以及背景部分，获得含有血管部分的粗分割二值图；步骤S130，从单角度颅内数字减影血管造影影像中，筛选获得血管显影清晰的一帧影像作为关键帧影像；步骤S140，结合粗分割二值图，利用水平集分割方法对关键帧影像进行分割，获得血管前景二值图。
具体地，在颅内血管数字剪影造影即2D DSA影像中选择血管显影清晰的一帧影像作为关键帧影像，利用水平集分割方法对关键帧影像进行分割，获得血管前景二值图，由此分割出血管部分。粗分割二值图表现为图片包括划分的血管部分和背景部分。可以理解，对于血管区域，每个血管的像素点在造影剂流动的时间窗口中，其像素灰度值相应地发生变化。而无血管的背景区域，在造影剂流动的时间窗口中，其像素值基本不变。步骤S120中的关键特征，即可根据该差异进行提取，例如提取灰度值变化幅度等。
图2为从医院获得的原始医学影像，图中可见血液通过造影剂染色，造影剂流过血管将血管在画面中显示出来，显示了血液流过血管的过程，在不同时间到达了不同的位置。
（2）确定目标血管段（预期血管段）及其三维模型，对应步骤S200及其子步骤。
步骤S200，基于血管前景二值图获得预期血管段，重建获得预期血管段的管腔体积，具体包括步骤S210～步骤S220。
步骤S210，基于血管前景二值图获得预期血管段，具体包括：基于血管前景二值图获得指定的起点坐标和终点坐标，进而获得预期血管段。
步骤S220，结合SOD值和SID值，重建获得预期血管段的管腔体积，具体包括：结合SOD值和SID值，对目标血管进行三维重建，获取目标血管的三维中心线和三维直径；利用修正系数修正所述三维中心线和三维直径，所述修正系数根据造影角度、目标血管类型、以及修正位置参数获得；根据修正后的三维中心线和三维直径，重建获得预期血管段，进而获得预期血管段的管腔体积。人工选择感兴趣的血管部分作为目标血管段，确定目标血管段的起点和终点的具体坐标。具体为在图5中人工选起点和终点位置，确定目标血管段。
具体地，结合（1）部分确定的血管分割图（血管前景二值图）、（2）部分确定的目标血管段（预期血管段）、以及SOD和SID值，同时引入参数对血管三维模型的扭曲程度和三维血管真实长度进行修正。例如通过图6所示的原理，由SOD值（Source-to-Object Distance）和SID值（Source-to-Image Distance），结合对血管形状和投影缩减的修正参数，重建出目标血管的三维模型，如图7所示。
参见图6，SOD平面为距离射线源SOD距离，垂直于射线方向的一个平面。考虑到单角度三维重建中三维血管都在SOD平面上，忽略了投影缩减等误差。三维中心线长度和直径数值均通过乘以修正系数ki进行修正。
修正系数ki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。具体地，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。
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。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。
（3）确定血液流过目标血管段起点终点的时间差，对应步骤S300及其子步骤。
步骤S300，根据预期血管段入口截面与出口截面的灰度值变化延迟，获得入口截面到出口截面的血流时间，具体包括步骤S310～步骤S330。
步骤S310，获得入口截面的灰度值变化曲线，具体包括：逐帧计算入口截面的最小灰度值，生成最小灰度值随帧数的变化曲线。
步骤S320，获得出口截面的灰度值变化曲线，具体包括：逐帧计算出口截面的最小灰度值，生成最小灰度值随帧数的变化曲线。
步骤S330，获得后者（步骤S310）相对于前者（步骤S320）灰度值变化的滞后时间，将滞后时间作为入口截面到出口截面的血流时间。
在2D DSA影像中，逐帧进行滤波（例如高斯滤波），减少噪声的干扰。基于目标血管起点、终点位置在2D DSA影像上生成入口截面与出口截面，逐帧计算入口截面与出口截面上的最小灰度值，并生成所述最小灰度值随帧数的变化曲线。本实施例监测最小灰度值随帧数的变化曲线，能够保证当造影剂从任一像素位置流入或流出截面时均能够被检测到，保证获得滞后时间的可靠性。图8两条曲线中灰度值明显下降的时间差异即为血液由目标血管起点流至目标血管终点的时间差，时间差作为血流时间T。
（4）计算流过目标血管段的血流量，对应步骤S400及其子步骤。
步骤S400，结合管腔体积和血流时间获得颅内血管血流量，利用下式进行：Q = V/ T，式中，Q为颅内血管血流量，V为管腔体积，T为血流时间。由管腔体积V，血流时间T，代入公式Q = V / T即可计算获得目标血管的入口流量Q。
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，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血管血流量获取方法。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。
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：
步骤S100，根据单角度颅内数字减影血管造影影像，获得血管前景二值图；
步骤S200，基于血管前景二值图获得预期血管段，重建获得预期血管段的管腔体积；
步骤S300，根据预期血管段入口截面与出口截面的灰度值变化延迟，获得入口截面到出口截面的血流时间；
步骤S400，结合管腔体积和血流时间获得颅内血管血流量。
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：
步骤S100，根据单角度颅内数字减影血管造影影像，获得血管前景二值图；
步骤S200，基于血管前景二值图获得预期血管段，重建获得预期血管段的管腔体积；
步骤S300，根据预期血管段入口截面与出口截面的灰度值变化延迟，获得入口截面到出口截面的血流时间；
步骤S400，结合管腔体积和血流时间获得颅内血管血流量。
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，该计算机程序被处理器执行时实现以下步骤：
在一个实施例中，提供了一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现以下步骤：
步骤S100，根据单角度颅内数字减影血管造影影像的，获得血管前景二值图；
步骤S200，基于血管前景二值图获得预期血管段，重建获得预期血管段的管腔体积；
步骤S300，根据预期血管段入口截面与出口截面的灰度值变化延迟，获得入口截面到出口截面的血流时间；
步骤S400，结合管腔体积和血流时间获得颅内血管血流量。
本实施例中，计算机程序产品包括程序代码部分，以用于当计算机程序产品由一个或多个计算装置执行时，执行本申请各实施例中颅内血管血流量获取方法的步骤。计算机程序产品可被存储在计算机可读记录介质上。还可经由数据网络（例如，通过RAN、经由因特网和/或通过RBS）提供计算机程序产品以便下载。备选地或附加地，该方法可被编码在现场可编程门阵列（FPGA）和/或专用集成电路（ASIC）中，或者功能性可借助于硬件描述语言被提供以便下载。
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。不同实施例中的技术特征体现在同一附图中时，可视为该附图也同时披露了所涉及的各个实施例的组合例。
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.颅内血管血流量获取方法，其特征在于，包括：
根据单角度颅内数字减影血管造影影像，获得血管前景二值图；
基于所述血管前景二值图获得预期血管段，结合SOD值和SID值，对目标血管进行三维重建，获取目标血管的三维中心线和三维直径，利用修正系数修正所述三维中心线和三维直径，所述修正系数根据造影角度、目标血管类型、以及修正位置参数获得，根据修正后的三维中心线和三维直径，重建获得预期血管段，进而获得预期血管段的管腔体积；
根据所述预期血管段入口截面与出口截面的灰度值变化延迟，获得入口截面到出口截面的血流时间；
结合所述管腔体积和所述血流时间获得颅内血管血流量。
2.根据权利要求1所述的颅内血管血流量获取方法，其特征在于，根据单角度颅内数字减影血管造影影像，获得血管前景二值图，具体包括：
对单角度颅内数字减影血管造影影像进行空间和时间上的滤波，获得每个像素点的像素灰度值随时间的变化曲线；
根据变化曲线上的关键特征，对不同位置的像素点进行分类，分为血管部分以及背景部分，获得含有血管部分的粗分割二值图；
从单角度颅内数字减影血管造影影像中，筛选获得血管显影清晰的一帧影像作为关键帧影像；
结合粗分割二值图，利用水平集分割方法对所述关键帧影像进行分割，获得血管前景二值图。
3.根据权利要求1所述的颅内血管血流量获取方法，其特征在于，基于所述血管前景二值图获得预期血管段，具体包括：
基于所述血管前景二值图获得指定的起点坐标和终点坐标，进而获得预期血管段。
4.根据权利要求1所述的颅内血管血流量获取方法，其特征在于，根据所述预期血管段入口截面与出口截面的灰度值变化延迟，获得入口截面到出口截面的血流时间，具体包括：
获得所述入口截面的灰度值变化曲线；
获得所述出口截面的灰度值变化曲线；
获得后者相对于前者灰度值变化的滞后时间，将所述滞后时间作为所述入口截面到出口截面的血流时间。
5.根据权利要求4所述的颅内血管血流量获取方法，其特征在于，获得所述入口截面的灰度值变化曲线，具体包括：逐帧计算入口截面的最小灰度值，生成最小灰度值随帧数的变化曲线；
获得所述出口截面的灰度值变化曲线，具体包括：逐帧计算出口截面的最小灰度值，生成最小灰度值随帧数的变化曲线。
6.根据权利要求1所述的颅内血管血流量获取方法，其特征在于，结合所述管腔体积和所述血流时间获得颅内血管血流量，利用下式进行：
Q = V / T
式中，Q为颅内血管血流量，V为所述管腔体积，T为所述血流时间。
7.计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现如权利要求1～6任一项颅内血管血流量获取方法的步骤。
8.计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如权利要求1～6任一项颅内血管血流量获取方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310971262.1A CN116681704B (zh) | 2023-08-03 | 2023-08-03 | 颅内血管血流量获取方法、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310971262.1A CN116681704B (zh) | 2023-08-03 | 2023-08-03 | 颅内血管血流量获取方法、计算机设备和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116681704A CN116681704A (zh) | 2023-09-01 |
| CN116681704B true CN116681704B (zh) | 2023-10-31 |
Family
ID=87779549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310971262.1A Active CN116681704B (zh) | 2023-08-03 | 2023-08-03 | 颅内血管血流量获取方法、计算机设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116681704B (zh) |
Citations (8)
| 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 |
| 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 |
| CN109448003A (zh) * | 2018-10-26 | 2019-03-08 | 强联智创（北京）科技有限公司 | 一种颅内动脉血管图像分割方法及系统 |
| CN112509081A (zh) * | 2020-11-23 | 2021-03-16 | 西安科锐盛创新科技有限公司 | 颅内血管造影增强三维狭窄化分析模型的建立方法 |
| WO2022045981A1 (en) * | 2020-08-26 | 2022-03-03 | Singapore Health Services Pte Ltd | Medical image processing methods and systems for analysis of coronary artery stenoses |
| CN115715686A (zh) * | 2022-11-21 | 2023-02-28 | 北京东软医疗设备有限公司 | 血管尺寸测量方法及装置 |
| CN115984305A (zh) * | 2022-12-30 | 2023-04-18 | 杭州脉流科技有限公司 | 颅内动脉瘤血管模型的生成方法和计算机可读存储介质 |
| CN116051458A (zh) * | 2022-11-23 | 2023-05-02 | 杭州脉流科技有限公司 | 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102010039312B4 (de) * | 2010-08-13 | 2020-02-13 | Siemens Healthcare Gmbh | Verfahren zur Simulation eines Blutflusses |
-
2023
- 2023-08-03 CN CN202310971262.1A patent/CN116681704B/zh active Active
Patent Citations (8)
| 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 |
| 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 |
| CN109448003A (zh) * | 2018-10-26 | 2019-03-08 | 强联智创（北京）科技有限公司 | 一种颅内动脉血管图像分割方法及系统 |
| WO2022045981A1 (en) * | 2020-08-26 | 2022-03-03 | Singapore Health Services Pte Ltd | Medical image processing methods and systems for analysis of coronary artery stenoses |
| CN112509081A (zh) * | 2020-11-23 | 2021-03-16 | 西安科锐盛创新科技有限公司 | 颅内血管造影增强三维狭窄化分析模型的建立方法 |
| CN115715686A (zh) * | 2022-11-21 | 2023-02-28 | 北京东软医疗设备有限公司 | 血管尺寸测量方法及装置 |
| CN116051458A (zh) * | 2022-11-23 | 2023-05-02 | 杭州脉流科技有限公司 | 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 |
| CN115984305A (zh) * | 2022-12-30 | 2023-04-18 | 杭州脉流科技有限公司 | 颅内动脉瘤血管模型的生成方法和计算机可读存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| Vessel tree surface modeling for blood flow simulation;Korczynska-Czurak, Izabella等;《 2017 SIGNAL PROCESSING: ALGORITHMS, ARCHITECTURES, ARRANGEMENTS, AND APPLICATIONS (SPA 2017)》;全文 * |
| 基于影像特征的颅内动脉瘤三维血流动力学模型建立方法;于红玉;李海云;张莹;杨新健;田新;;中国医疗设备(第10期);全文 * |
| 通过三维数字减影血管造影影像学数据构建颅内动脉瘤的三维有限元模型;刘磊等;《中华老年心脑血管病杂志》(第8期);全文 * |
| 颅内动脉瘤计算流体力学建模方法的研究;付凯亮;王春霞;任国山;于江华;刘怀军;;脑与神经疾病杂志(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116681704A (zh) | 2023-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11633167B2 (en) | X-ray image feature detection and registration systems and methods | |
| CN111968070B (zh) | 一种基于三维建模的血管检测方法及装置 | |
| TW201903708A (zh) | 數位減影血管攝影圖像的分析方法與系統 | |
| US9968319B2 (en) | Generating an at least three-dimensional display data set | |
| Deshpande et al. | Automatic segmentation, feature extraction and comparison of healthy and stroke cerebral vasculature | |
| US11282170B2 (en) | Contrast injection imaging | |
| CN114170134A (zh) | 基于颅内dsa影像的狭窄评估方法及装置 | |
| CN111815598A (zh) | 一种血管参数的计算方法、装置、设备及存储介质 | |
| CN109919953B (zh) | 颈动脉内中膜厚度测量的方法、系统和设备 | |
| CN115439533A (zh) | 获得颅内动脉瘤在血管分段位置的方法、计算机设备、可读存储介质和程序产品 | |
| CN116681716B (zh) | 颅内血管感兴趣区域分割方法、装置、设备和存储介质 | |
| 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 | |
| CN117078711A (zh) | 医学图像分割方法、系统、电子设备和存储介质 | |
| CN116664564B (zh) | 基于颅内医学影像获取血流量的方法和装置 | |
| CN116649995B (zh) | 基于颅内医学影像的血流动力学参数获取方法和装置 | |
| CN116704149B (zh) | 获得颅内动脉狭窄参数的方法和装置 | |
| EP4191525A1 (en) | Systems and methods for analyzing blood vessel images | |
| CN117974654B (zh) | 冠脉图像分割方法、装置、计算机设备和存储介质 | |
| KR20180097037A (ko) | 관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치 | |
| EP4381520A1 (en) | Method and system for automated processing, registration, segmentation, analysis, validation, and visualization of structured and unstructured data | |
| WO2024121220A1 (en) | Processing image data of a fetus |
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 |