CN117274280A - 用于血管分段的方法、设备和计算机可读存储介质 - Google Patents
用于血管分段的方法、设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN117274280A CN117274280A CN202311146894.0A CN202311146894A CN117274280A CN 117274280 A CN117274280 A CN 117274280A CN 202311146894 A CN202311146894 A CN 202311146894A CN 117274280 A CN117274280 A CN 117274280A
- Authority
- CN
- China
- Prior art keywords
- vessel
- segment
- starting point
- global
- target
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 76
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 88
- 230000002792 vascular Effects 0.000 claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 230000004044 response Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 12
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000007667 floating Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 3
- 238000011282 treatment Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 238000001514 detection method Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012805 post-processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 210000000711 cavernous sinus Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- 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
- G06T2207/30172—Centreline of tubular or elongated structure
Abstract
本公开公开了一种用于血管分段的方法、设备和计算机可读存储介质,该方法包括:基于包含血管的医学图像,获取全局血管掩模图;确定所述全局血管掩模图中血管分段的起始点信息;以及使用快速行进算法对相邻起始点的起始点信息进行计算,以确定血管分段结果。根据本公开实施例的方法,能够得到自然分段的结果。
Description
技术领域
本公开一般涉及图像处理技术领域。更具体地,本公开涉及一种用于血管分段的方法、设备和计算机可读存储介质。
背景技术
血管分段是将医学影像中的血管按照血管类别或者解剖学理论进行分段(例如颈内动脉的分段可以包括7段,分别是颈段、岩段、破裂孔段、海绵窦段、床突段、眼段和交通段),以便辅助医生更精准的定位和描述血管中的病灶(例如狭窄、肿瘤、斑块等)。将医学影像中的血管进行分段,可以在血管模型上利用不同颜色或不同灰度显示分段结果,以实现血管分段的可视化(例如图1中所示)。
目前实现血管分段的方法通常是基于血管模型的表面,提取中心线来进行分段。该方法存在两种缺陷:一个是生成模型的过程中,由于血管较细,可能导致血管模型的断裂,从而影响分段结果的准确性;另外一个是通过中心线对血管分段后,需要恢复回血管图像,在这个恢复过程中,血管分段的边界不容易处理,使得血管分段边界的过渡难以自然。
发明内容
为了至少解决如上所提到的一个或多个技术问题,本公开在多个方面中提出了一种全新的用于血管分段的方案。
在第一方面中,本公开提供一种用于血管分段的方法,包括:基于包含血管的医学图像,获取全局血管掩模图;确定所述全局血管掩模图中血管分段的起始点信息;以及使用快速行进算法对相邻起始点的起始点信息进行计算,以确定血管分段结果。
在一些实施例中,使用快速行进算法对相邻起始点的起始点信息进行计算,以确定血管分段结果包括:使用快速行进算法对相邻起始点中每个起始点的起始点信息进行计算,以确定所述每个起始点的传播时间的梯度;基于相邻起始点的传播时间的梯度之间的方向关系,确定相邻起始点之间的血管分段结果。
在另一些实施例中,所述方法进一步包括:根据相邻起始点的传播时间的梯度的点积结果,确定所述方向关系。
在又一些实施例中,确定相邻起始点之间的血管分段结果包括以下至少之一:将所述点积结果小于零的区域确定为目标血管段;将所述点积结果大于零的区域确定为非目标血管段;将所述点积结果等于零的位置确定为目标血管段的分段边界。
在一些实施例中,所述方法进一步包括:依次确定所述全局血管掩模图中每相邻两个起始点之间的血管分段结果;其中响应于已确定当前相邻两个起始点之间的血管分段结果,在对下一对相邻两个起始点进行计算时,将当前确定的血管分段结果中目标血管段标记为背景。
在另一些实施例中,所述方法还包括:响应于所述血管分段结果中存在目标弯曲血管段,对所述目标弯曲血管段进行膨胀处理,以得到膨胀血管段;以及响应于所述膨胀血管段中存在除所述目标弯曲血管段之外的前景像素点,将所述前景像素点并入到所述目标弯曲血管段中,其中所述前景像素点是全局血管掩模图中确定为血管区域的像素点。
在又一些实施例中,将所述前景像素点并入到所述目标弯曲血管段中包括:对所述前景像素点进行连通域处理;以及将所述前景像素点的连通区域并入到所述目标弯曲血管段中。
在一些实施例中,所述方法还包括:基于所述血管分段结果中各目标血管段的血管中心线,确定各目标血管段的最短路径长度;以及基于血管分段的长度统计学信息和各目标血管段的最短路径长度,判断所述血管分段结果中是否存在异常分段结果。
在另一些实施例中,确定所述全局血管掩模图中血管分段的起始点信息包括:基于所述医学图像或者所述全局血管掩模图,确定血管分段的原起始点坐标;基于所述全局血管掩模图中血管掩膜的坐标范围和所述原起始点坐标,判断所述原起始点坐标是否在所述血管掩膜上;响应于所述原起始点坐标在所述血管掩膜上,确定所述原起始点坐标为所述起始点信息;响应于所述原起始点坐标不在所述血管掩膜上,将所述坐标范围内距离所述原起始点坐标最近的坐标点确定为所述起始点信息。
在又一些实施例中,所述方法还包括:对所述全局血管掩模图进行以下预处理中的至少一种:最大连通域处理;形态学闭操作。
在一些实施例中,在使用快速行进算法对相邻起始点的起始点信息进行计算之前,所述方法还包括:将所述全局血管掩模图的数据类型从8位无符号整型转换为32位浮点数;和/或将所述全局血管掩模图中的背景位置的标签值赋值为-1。
在第二方面中,本公开提供一种用于血管分段的设备,包括,至少一个处理器;存储器,其存储有程序指令,当所述程序指令由所述至少一个处理器执行时,使得所述设备执行根据本公开在第一方面中的任一项所述的方法。
在第三方面中,本公开提供一种计算机可读存储介质,其存储有用于血管分段的程序,当所述程序由处理器来运行时,执行根据本公开在第一方面中的任一项所述的方法。
通过如上所提供的用于血管分段的方案,本公开实施例通过基于全局血管掩模图和起始点信息,使用快速行进算法对相邻起始点的起始点信息进行计算,可以逐段对血管掩膜进行处理,而无需基于血管模型的中心线进行分段,从而能够得到自然分段的结果,以及使得分段过程更加快速和分段结果更加准确。
附图说明
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1示出了基于血管模型实现的血管分段的示意图;
图2示出了根据本公开实施例的用于血管分段的方法流程图;
图3示出了根据本公开另一个实施例的用于血管分段的方法流程图;
图4示出了根据本公开实施例的根据相邻起始点的方向关系进行分段的示意图;
图5示出了根据本公开实施例的包括对目标弯曲血管段进行后处理的用于血管分段的方法流程图;
图6示出了根据本公开实施例的目标弯曲血管段的示意图;
图7是示出根据本公开实施例的用于血管分段的系统的示意框图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
应当理解,本公开的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本公开说明书中所使用的术语仅仅是出于描述特定实施例的目的,而并不意在限定本公开。如在本公开说明书和权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解,在本公开说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合附图来详细描述本公开的具体实施方式。
图2示出了根据本公开实施例的用于血管分段的方法流程图。如图2中所示,方法200可以包括:在步骤202中,可以基于包含血管的医学图像,获取全局血管掩模图。在一些实施例中,包含血管的医学图像可以为包含血管影像的医学图像,例如可以包括电子计算机断层扫描(“Computed Tomography”,简称CT)图、核磁共振影像图、X光片、血管造影图等中的至少一种。
在另一些实施例中,可以使用分割模型对医学图像进行血管分割,以得到全局血管掩模图。在又一些实施例中,分割模型可以包括深度神经网络模型,例如Unet模型等。在对分割模型进行训练时,可以对训练图像中的血管区域进行标注,从而使得训练后的分割模型可以用于对医学图像中的血管进行分割。全局血管掩模图为血管未分段的掩模图。在另一些实施例中,全局血管掩模图中的血管区域的标签值可以为1,背景区域的标签值可以为0。
在一些实施例中,在获得了全局血管掩模图之后,方法200还可以包括:对全局血管掩模图进行以下预处理中的至少一种:最大连通域处理;形态学闭操作等。对全局血管掩模图进行最大连通域处理可以是对分割结果的修正,通过在全局血管掩模图中确定最大连通域,可以将其他小面积的连通域删除(例如通过将标签值赋值为0,使其成为背景区域等方式实现),从而可以排除掉杂质、毛细血管等影像的影响。对全局血管掩模图进行形态学闭操作,可以是对全局血管掩膜图进行先膨胀后腐蚀的操作,以排除小型黑洞的影响。
接着,在步骤204中,可以确定全局血管掩模图中血管分段的起始点信息。在一些实施例中,起始点信息可以包括起始点的位置信息,例如起始点坐标等。确定全局血管掩模图中血管分段的起始点信息可以是确定一个或多个起始点的起始点信息。在一些实施例中,可以使用检测模型来对全局血管掩模图进行起始点检测,以确定全局血管掩模图中血管分段处的起始点信息。在另一些实施例中,检测模型可以采用深度神经网络模型等,例如RetinaUNet等,或者采用关键点检测模型等。在对检测模型进行训练时,可以对训练图像中的血管分段边界的关键点进行标注,或者可以对训练图像中的血管的中心线的分段点进行标注,从而使得训练后的检测模型可以用于对血管分段的起始点进行检测。
进一步地,在步骤206中,可以使用快速行进算法对相邻起始点的起始点信息进行计算,以确定血管分段结果。快速行进算法(“FastMarching Method”)是求解程函方程的一种高效数值算法,其中程函方程属于非线性偏微分方程,可以认为是一种近似波动方程。快速行进算法在求解程函方程时的求解结果的物理含义可以是:曲线以某速度到达计算域每一点所需要消耗的最短时间。快速行进算法所需的输入数据可以包括速度图像和点坐标。
在一些实施例中,在步骤206中,可以使用快速行进算法对全局血管掩模图中相邻起始点中每个起始点的起始点信息进行计算,以获得从每个起始点开始向各方向扩散的传播时间,进而可以根据相邻起始点的传播时间和/或扩散方向之间的关系,确定相邻起始点之间的血管分段结果。在另一些实施例中,可以使用快速行进算法对相邻两个起始点进行计算,以确定相邻两个起始点之间的血管分段结果。在又一些实施例中,可以使用快速行进算法依次确定全局血管掩模图中每相邻两个起始点之间的血管分段结果,进而可以对全局血管掩模图中的血管掩膜进行逐段计算,以便通过逐段确定血管分段结果来获得最终全部的血管分段结果。
在一些实施例中,血管分段结果可以包括目标血管段、非目标血管段和分段边界等中的至少一种。在另一些实施例中,可以对确定的每个目标血管段设置相应的标签值,并且不同的目标血管段设置不同的标签值,有利于实现对全部血管分段结果中不同目标血管段的区分和呈现。在又一些实施例中,在全局图像掩模图上确定了血管分段结果后,还可以将血管分段的掩膜结果对应到原始的医学图像中,以实现在医学图像中显示血管分段结果。
进一步地,在又一些实施例中,方法200还可以包括:基于血管分段结果中各目标血管段的血管中心线,确定各目标血管段的最短路径长度;以及基于血管分段的长度统计学信息和各目标血管段的最短路径长度,判断血管分段结果中是否存在异常分段结果。首先,可以对血管分段结果中的目标血管段的掩膜进行骨架提取操作,以确定各目标血管段的血管中心线。骨架提取操作可以采用现有的或者未来可实现的骨架提取技术来实现。然后可以使用例如关键点检测技术来确定血管中心线上的关键点信息,并且可以基于各目标血管段的血管中心线和关键点信息,确定各目标血管段的最短路径长度。通过判断最短路径长度是否符合相应血管段的长度统计学信息,或者判断最短路径长度与长度统计学信息之间的偏差是否在预设范围内,可以确定目标血管段是否为异常分段结果。在一些应用场景中,假设相比于长度统计学信息,某目标血管段的最短路径长度过长或者过短,可以认为该段目标血管段存在异常,则可以进行排除处理或者复核处理等。
以上结合图2对根据本公开实施例的用于血管分段的方法进行了示例性的描述,可以理解的是,上面的描述是示例性的而非限制性的,例如步骤204中确定全局血管掩模图中的起始点信息可以不限于是直接对全局血管掩模图进行处理来获得,也可以通过对医学图像进行处理来获得。下面将结合图3进行示例性的说明。
图3示出了根据本公开另一个实施例的用于血管分段的方法流程图。通过下面的描述可知,图3所示出的方法300可以是前文中结合图2描述的方法200的一个表现形式。因此,前文中结合图2对方法200的描述,也可以应用于下面对方法300的描述中。
如图3中所示,方法300可以包括:在步骤301中,可以基于包含血管的医学图像,获取全局血管掩模图。步骤301可以与前文中结合图2描述的步骤202相同或相似,此处不再赘述。
接着,在步骤302中,可以基于医学图像或者全局血管掩模图,确定血管分段的原起始点坐标。在一些实施例中,可以使用检测模型来对全局血管掩模图进行起始点检测,以确定全局血管掩模图中血管分段处的原起始点坐标。在另一些实施例中,可以使用检测模型对医学图像进行检测,以确定医学图像中血管分段处的原起始点坐标。检测模型在前文中已经进行了举例说明,此处不再赘述。
然后,流程可以前进到步骤303中,可以基于全局血管掩模图中血管掩膜的坐标范围和原起始点坐标,判断原起始点坐标是否在血管掩膜上。全局血管掩模图中血管掩膜是全局血管掩模图中的前景区域,其坐标范围可以包括该前景区域中每个像素点的坐标位置。根据原起始点坐标是否在血管掩膜的坐标范围内,可以判断原起始点坐标是否在血管掩膜上。在一些实施例中,当在步骤302中是基于医学图像确定的原起始点坐标,由于全局血管掩模图也是基于医学图像而获得的,因此医学图像与全局血管掩模图可以是在相同坐标系下,基于此,可以将医学图像中确定的原起始点坐标直接对应到全局血管掩模图的坐标系中进行判断。
在一些实施例中,步骤303可以进一步包括:响应于原起始点坐标在血管掩膜上,确定原起始点坐标为起始点信息;响应于原起始点坐标不在血管掩膜上,将坐标范围内距离原起始点坐标最近的坐标点确定为起始点信息。原起始点坐标在血管掩膜上,也就是说,原起始点坐标在血管掩膜的坐标范围内,此时可以将该原起始点坐标确定为待计算的起始点的起始点信息。响应于任一原起始点坐标不在血管掩膜的坐标范围内,可以在血管掩膜的坐标范围内选取与原起始点坐标距离最近的像素点作为修正后的起始点,将该距离最近的像素点的坐标确定为修正后的起始点的起始点信息。
可以理解的是,步骤302和步骤303可以是前文中结合图2描述的步骤204的一些实施方式。在确定了位于血管掩膜上的各起始点的起始点信息后,流程可以前进到步骤304和步骤305中,步骤304和步骤305可以是前文中结合图2描述的步骤206的一些实施方式。在步骤304中,可以使用快速行进算法对相邻起始点中每个起始点的起始点信息进行计算,以确定每个起始点的传播时间的梯度。在使用快速行进算法对起始点信息进行计算时,可以将全局血管掩模图作为速度图像进行计算。例如,在一些实施例中,可以使用快速行进算法对全局血管掩模图和全局血管掩模图中相邻起始点的每个起始点的起始点坐标进行计算,以得到每个起始点的传播时间的梯度。
在一些实施例中,在使用快速行进算法对相邻起始点的起始点信息进行计算之前,方法300还可以包括:将全局血管掩模图的数据类型从8位无符号整型转换为32位浮点数;和/或将全局血管掩模图中的背景位置的标签值赋值为-1。数据类型的转换可以更适于快速行进算法的计算。在一些可能的实施例中,全局血管掩模图中的背景位置(即非血管位置)的标签值原为0,将背景位置的标签值赋值为-1,可以在使用快速行进算法进行计算时认为-1的位置没有传播速度,从而无需计算处理,既有利于提高计算效率,也有利于提高计算结果的准确率。
进一步地,在步骤305中,可以基于相邻起始点的传播时间的梯度之间的方向关系,确定相邻起始点之间的血管分段结果。通过使用快速行进算法对相邻起始点中每个起始点进行计算,可以得到每个起始点的传播时间的梯度,该梯度反映了每个相邻点在临近区域内的传播方向(或称扩散方向)。本发明人创造性的发现,相邻两个起始点之间的该传播方向的关系,可以用于确定血管分段结果。例如,在一些实施例中,响应于相邻两个起始点在血管中某区域的传播方向相反,可以确定该传播方向相反的区域为目标血管段;响应于相邻两个起始点在血管中某区域的传播方向相同,可以确定该传播方向相同的区域为非目标血管段;以及还可以将传播方向相同和相反的分界面确定为血管分段的分段边界(也可以是目标血管段的分段边界)。通过将血管掩膜中全部起始点按照每相邻两个起始点为一组进行依次计算,可以逐段确定相邻起始点之间的目标血管段的区域,进而可以逐步确定出全局血管掩模图中的全部血管区域的血管分段结果。
在另一些实施例中,步骤305可以进一步包括:根据相邻起始点的传播时间的梯度的点积结果,确定方向关系。在又一些实施例中,确定相邻起始点之间的血管分段结果可以包括以下至少之一:将点积结果小于零的区域确定为目标血管段;将点积结果大于零的区域确定为非目标血管段;将点积结果等于零的位置确定为目标血管段的分段边界。在一些可能的实施例中,相邻起始点的传播时间的梯度的点积结果可以表示为:
其中,表示相邻两个起始点中的一个起始点的传播时间的梯度,/>表示相邻两个起始点中的另一个起始点的传播时间的梯度,φ表示点积结果。如果φ<0,说明传播方向相反,如果φ>0,说明传播方向相同。基于该特性,可以将φ作为确定目标血管段区域是否位于两个点之间的依据。等值面φ=0,既可以用于确定相邻两个起始点之间的主干血管段(即目标血管段),同时还具有去除旁支的作用。为了便于理解,下面将结合图4进行说明。
图4示出了根据本公开实施例的根据相邻起始点的方向关系进行分段的示意图。为了便于描述,图4中示意性的示出了部分血管掩膜图。在前文中结合图2描述的步骤204以及图3描述的步骤303中确定了起始点信息之后,例如确定了图4中所示的位于血管掩膜400上的第一起始点401和第二起始点402(第一起始点401和第二起始点402为相邻起始点)的坐标位置,然后,可以使用快速行进算法分别计算第一起始点401和第二起始点402的传播时间的梯度,根据梯度的方向性进行血管分段处理。
如图4中所示,根据快速行进算法的计算结果,第一起始点401的传播方向可以沿虚线箭头方向扩散,第二起始点402的传播方向可以沿实线箭头方向扩散。可以看出,在第一起始点401和第二起始点402的传播方向上,二者在某些区域的传播方向相反,在某些区域的传播方向相同。因此,可以将第一起始点401和第二起始点402的传播方向相同的区域确定为非目标血管段,将第一起始点401和第二起始点402的传播方向不同的区域确定为目标血管段。
例如,在第一起始点401和第二起始点402之间的主干血管区域403,计算得到的点积结果φ<0,说明二者的传播方向相反,可以确定该主干血管区域403为目标血管段。还例如,在第一起始点401和第二起始点402之间的旁支血管区域404,计算得到的点积结果φ>0,说明二者的传播方向相同,可以确定该旁支血管区域404为非目标血管段。再例如,在第一起始点401背向第二起始点402延伸的血管区域405中,第一起始点401和第二起始点402的传播方向相同,或者可能仅存在第一起始点401的传播速度,在血管区域405中,计算得到的点积结果φ>0,可以确定该血管区域405为非目标血管段。类似地,在第二起始点402背向第一起始点401延伸的血管区域406中,第一起始点401和第二起始点402的传播方向相同,或者可能仅存在第二起始点402的传播速度,在血管区域406中,计算得到的点积结果φ>0,可以确定该血管区域406为非目标血管段。进一步地,在计算得到点积结果φ=0的位置处407,通常也是φ>0和φ<0的分界面处,可以确定该位置处407为目标血管段的分段边界。
在一些实施例中,根据本公开实施例的方法可以进一步包括:依次确定全局血管掩模图中每相邻两个起始点之间的血管分段结果;其中响应于已确定当前相邻两个起始点之间的血管分段结果,在对下一对相邻两个起始点进行计算时,将当前确定的血管分段结果中目标血管段标记为背景。以图4中所示为例,在确定了第一起始点401和第二起始点402之间的目标血管段(如图示中的主干血管区域403)之后,可以在对下一对相邻两个起始点的计算过程中,将该目标血管段的标签值赋值为与背景相同的标签值(例如0或-1等)。根据这样的设置,在对下一对相邻两个起始点进行计算时,可以无需再重复计算已确定的目标血管段所在区域的传播时间,有利于减少计算量,以及提高计算效率。
还需要说明的是,依次确定每相邻两个起始点之间的血管分段结果,并不限于全局血管掩模图中的每个起始点仅参与一次计算过程,而是可以在计算了例如图4中所示的第一起始点401和第二起始点402之后,计算第一起始点401与其另一相邻起始点(例如图示中沿血管区域405延伸方向上的起始点)之间的血管分段结果,或者计算第二起始点402与其另一相邻起始点(例如图示中沿血管区域406延伸方向上的起始点)之间的血管分段结果。
以上结合图3和图4对根据本公开另一实施例的用于血管分段的方法进行了示例性的描述,可以理解的是,通过在相邻两个起始点应用快速行进算法计算传播时间的迎风梯度场(upwind gradientfield),利用计算结果的方向性特性判断血管分段结果,可以准确、快速的确定感兴趣的目标血管段的区域,同时还具有自动去除血管旁支的优点。还可以理解的是,上面的描述是示例性的而非限制性的,根据本公开实施例的方法还可以包括其他后处理步骤。下面将结合图5进行示例性的描述。
图5示出了根据本公开实施例的包括对目标弯曲血管段进行后处理的用于血管分段的方法流程图。如图5中所示,方法500可以包括:在步骤501中,可以基于包含血管的医学图像,获取全局血管掩模图。在步骤502中,可以确定全局血管掩模图中血管分段的起始点信息。接着,在步骤503中,可以使用快速行进算法对相邻起始点的起始点信息进行计算,以确定血管分段结果。步骤501、502和503已经在前文中结合图2的方法200和图3的方法300进行了详细的描述,此处将不再赘述。
在本实施例中,在确定了全局血管掩模图中全部血管分段结果之后,流程可以前进到步骤504中,响应于血管分段结果中存在目标弯曲血管段,对目标弯曲血管段进行膨胀处理,以得到膨胀血管段。在一些实施例中,目标弯曲血管段可以为血管分段结果中曲率(弯曲度)超过预设阈值的目标血管段,或者可以为具有凸起结构的感兴趣目标血管段。为了便于理解,下面将结合图6进行示例性说明。
图6示出了根据本公开实施例的目标弯曲血管段的示意图。如图6中所示,在一些应用场景中,存在过度弯曲的血管段,该血管段在进行前述快速行进算法的计算中,可能出现计算得到的梯度场大于零的区域。例如图6中所示的,根据相邻两个起始点的传播方向(如图示中的虚线箭头方向和实线箭头方向)相反(即φ<0)的区域确定了目标血管段601,而在相邻两个起始点之间可能由于血管过度弯曲而存在传播方向相同(即φ>0)的局部区域603,该局部区域603可能会在步骤503的判断过程中被排除掉,使得实际确定的目标血管段601出现缺失而变得并不完整。
为了解决这个问题,在根据曲率、弯曲度、统计学信息或者医师经验信息等指标确定了目标血管段601为目标弯曲血管段之后,可以对该目标弯曲血管段进行膨胀处理,以得到例如图示中的膨胀血管段602,该膨胀血管段602在图中以点划线之间的区域示出,膨胀血管段602的区域面积大于目标弯曲血管段。
返回图5继续描述,在步骤505中,响应于膨胀血管段中存在除目标弯曲血管段之外的前景像素点,将前景像素点并入到目标弯曲血管段中。为了便于理解,继续结合图6进行说明。
如图6中所示,膨胀血管段602中存在除目标弯曲血管段之外的前景像素点,这里的前景像素点是全局血管掩模图中血管掩膜的像素点,也就是在全局血管掩模图中确定为血管区域的像素点。膨胀血管段602中存在这样的前景像素点,并且该前景像素点是与目标弯曲血管段连通的,则可以将这样的前景像素点的标签值修改为与目标弯曲血管段相同的标签值,使其并入到目标弯曲血管段中。进一步地,通过对计算确定的不同的目标血管段设置不同的标签值,可以在进行膨胀处理和并入处理时,将符合条件的前景像素点的标签值修改为相对应的目标血管段的标签值。
例如,假设在全局血管掩模图中的血管区域的像素点的标签值均设置为1,在后续计算中确定的不同目标血管段的像素点的标签值分别设置为2、3、4、5等,本实施例中需要进行处理的目标弯曲血管段为标签值为2的目标血管段,则可以将符合并入条件的前景像素点的标签值由1修改为2,以实现并入。
通过将全部血管分段结果中不同的目标血管段设置不同的标签值,以及设置的是与原全局血管掩模图中的血管区域不同的标签值,可以在针对目标弯曲血管段进行处理时,避免将其他相邻的目标血管段的像素并入,从而可以精准的并入符合并入条件的原全局血管掩模图的前景像素点,实现对目标弯曲血管段的精准修正。
在又一些实施例中,步骤505还可以包括:对前景像素点进行连通域处理;以及将前景像素点的连通区域并入到目标弯曲血管段中。在一些应用场景中,可能存在膨胀血管段602未将局部区域603内的前景像素点全部包含在内的问题,通过对位于膨胀血管段602内的前景像素点进行形态学连通域处理,可以将局部区域603完整的并入到目标弯曲血管段中,实现对局部区域603的修复,使得经过该后处理得到的最终目标血管段更加的精准和完整。
以上结合图5和图6对根据本公开实施例的用于血管分段的方法中的一些后处理步骤进行了示例性的描述,可以理解的是,图中所示的是示例性的而非限制性的,例如图6中所示的目标血管段的弯曲程度是示意性的,也可以不限于这样形态的目标血管段,对于总体曲率较低但是具有凸起的目标血管段,也可以适用于本实施例的处理方法中。
综上,通过上面结合多个附图对根据本公开实施例的用于血管分段的方法进行的描述,可以理解的是,基于以上全局血管掩膜图以及相应的血管分段起始点信息,将快速行进算法应用到血管分段的计算中,能够自动、快速的得到分段结果,并且得到的血管分段结果具有过渡自然、分段准确、边界清楚等优点。由于血管分段结果可以直接在全局血管掩膜图上进行处理,因此也无需恢复回血管图像的操作。在一些实施例中,通过确定点积结果为零的分界面,还可以实现自动去除血管旁支的效果。
进一步地,本公开还在第二方面中提供一种用于血管分段的设备,包括,至少一个处理器;存储器,其存储有程序指令,当该程序指令由至少一个处理器执行时,使得该设备执行根据本公开在前文中结合图2-图6中的任一项所述的方法。
图7是示出根据本公开实施例的用于血管分段的系统的示意框图。该系统700可以包括根据本公开实施例的设备701以及其外围设备和外部网络,其中设备701用于基于输入的医学图像进行血管分段等操作,以实现前述结合图2-图6任一所述的本公开实施例的技术方案。
如图7中所示,设备701可以包括CPU 7011,其可以是通用CPU、专用CPU或者其他信息处理以及程序运行的执行单元。进一步,设备701还可以包括大容量存储器7012和只读存储器ROM 7013,其中大容量存储器7012可以配置用于存储各类数据,包括全局血管掩模图、起始点信息和血管分段结果等以及运行神经网络所需要的各种程序,ROM 7013可以配置成存储对于设备701的加电自检、系统中各功能模块的初始化、系统的基本输入/输出的驱动程序及引导操作系统所需的数据。
进一步,设备700还包括其他的硬件平台或组件,例如示出的TPU 7014、GPU 7015、FPGA 7016和MLU 7017。可以理解的是,尽管在设备700中示出了多种硬件平台或组件,但这里仅仅是示例性的而非限制性的,本领域技术人员可以根据实际需要增加或移除相应的硬件。例如,设备701可以仅包括CPU作为公知硬件平台和另一硬件平台作为本公开的测试硬件平台。
本公开的设备701还包括通信接口7018,从而可以通过该通信接口7018连接到局域网/无线局域网(LAN/WLAN)705,进而可以通过LAN/WLAN连接到本地服务器706或连接到因特网(“Internet”)707。替代地或附加地,本公开的设备701还可以通过通信接口7018基于无线通信技术直接连接到因特网或蜂窝网络,例如基于第三代(“3G”)、第四代(“4G”)或第5代(“5G”)的无线通信技术。在一些应用场景中,本公开的设备701还可以根据需要访问外部网络的服务器708以及可能的数据库709,以便获得各种已知的医学图像、统计学信息等,并且可以远程地存储各种参数或者中间数据。
设备701的外围设备可以包括显示装置702、输入装置703以及数据传输接口704。在一个实施例中,显示装置702可以例如包括一个或多个扬声器和/或一个或多个视觉显示器,其配置用于对本公开设备的运算过程或者分段结果进行语音提示和/或图像视频显示。输入装置703可以包括例如键盘、鼠标、麦克风、姿势捕捉相机,或其他输入按钮或控件,其配置用于接收医学图像的输入或用户指令。数据传输接口704可以包括例如串行接口、并行接口或通用串行总线接口(“USB”)、小型计算机系统接口(“SCSI”)、串行ATA、火线(“FireWire”)、PCI Express和高清多媒体接口(“HDMI”)等,其配置用于与其他设备或系统的数据传输和交互。根据本公开的方案,该数据传输接口704可以接收医学图像、统计学信息等,并且向设备701传送各种类型的数据和结果。
本公开的设备701的上述CPU 7011、大容量存储器7012、只读存储器ROM 7013、TPU7014、GPU 7015、FPGA 7016、MLU 7017和通信接口7018可以通过总线7019相互连接,并且通过该总线与外围设备实现数据交互。在一个实施例中,通过该总线7019,CPU 7011可以控制设备701中的其他硬件组件及其外围设备。
在工作中,本公开的设备701的处理器CPU 7011可以通过输入装置703或数据传输接口704接收医学图像,并调取存储于存储器7012中的计算机程序指令或代码对接收到的医学图像进行处理,以得到全局血管掩模图、起始点信息或者血管分段结果等。在CPU 7011通过执行程序指令确定了血管分段结果后,可以在显示装置702上显示或者通过语音提示的方式输出血管分段结果。另外,设备701还可以通过通信接口7018将血管分段结果上传至网络,例如远程的数据库709。
还应当理解,本申请示例的执行指令的任何模块、单元、组件、服务器、计算机、终端或设备可以包括或以其他方式访问计算机可读介质,诸如存储介质、计算机存储介质或数据存储设备(可移除的)和/或不可移动的)例如磁盘、光盘或磁带。计算机存储介质可以包括以用于存储信息的任何方法或技术实现的易失性和非易失性,可移动和不可移动介质,例如计算机可读指令、数据结构、程序模块或其他数据。
基于上文,本申请还提供一种计算机可读存储介质,其上存储有计算机可读指令,该计算机可读指令被一个或多个处理器执行时,实现如前文结合图2-图6中任一实施例所述的用于血管分段的方法。
计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(Resistive Random Access Memory)、动态随机存取存储器DRAM(DynamicRandom Access Memory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等,或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
虽然本文已经示出和描述了本公开的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式来提供。本领域技术人员可以在不偏离本公开思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本公开的过程中,可以采用对本文所描述的本公开实施例的各种替代方案。所附权利要求书旨在限定本公开的保护范围,并因此覆盖这些权利要求范围内的等同或替代方案。
Claims (13)
1.一种用于血管分段的方法,包括:
基于包含血管的医学图像,获取全局血管掩模图;
确定所述全局血管掩模图中血管分段的起始点信息;以及
使用快速行进算法对相邻起始点的起始点信息进行计算,以确定血管分段结果。
2.根据权利要求1所述的方法,其中使用快速行进算法对相邻起始点的起始点信息进行计算,以确定血管分段结果包括:
使用快速行进算法对相邻起始点中每个起始点的起始点信息进行计算,以确定所述每个起始点的传播时间的梯度;
基于相邻起始点的传播时间的梯度之间的方向关系,确定相邻起始点之间的血管分段结果。
3.根据权利要求2所述的方法,进一步包括:
根据相邻起始点的传播时间的梯度的点积结果,确定所述方向关系。
4.根据权利要求3所述的方法,其中确定相邻起始点之间的血管分段结果包括以下至少之一:
将所述点积结果小于零的区域确定为目标血管段;
将所述点积结果大于零的区域确定为非目标血管段;
将所述点积结果等于零的位置确定为目标血管段的分段边界。
5.根据权利要求1-4任一所述的方法,进一步包括:
依次确定所述全局血管掩模图中每相邻两个起始点之间的血管分段结果;其中
响应于已确定当前相邻两个起始点之间的血管分段结果,在对下一对相邻两个起始点进行计算时,将当前确定的血管分段结果中目标血管段标记为背景。
6.根据权利要求1-5任一所述的方法,还包括:
响应于所述血管分段结果中存在目标弯曲血管段,对所述目标弯曲血管段进行膨胀处理,以得到膨胀血管段;以及
响应于所述膨胀血管段中存在除所述目标弯曲血管段之外的前景像素点,将所述前景像素点并入到所述目标弯曲血管段中,其中所述前景像素点是全局血管掩模图中确定为血管区域的像素点。
7.根据权利要求6所述的方法,其中将所述前景像素点并入到所述目标弯曲血管段中包括:
对所述前景像素点进行连通域处理;以及
将所述前景像素点的连通区域并入到所述目标弯曲血管段中。
8.根据权利要求1-4任一所述的方法,还包括:
基于所述血管分段结果中各目标血管段的血管中心线,确定各目标血管段的最短路径长度;以及
基于血管分段的长度统计学信息和各目标血管段的最短路径长度,判断所述血管分段结果中是否存在异常分段结果。
9.根据权利要求1所述的方法,其中确定所述全局血管掩模图中血管分段的起始点信息包括:
基于所述医学图像或者所述全局血管掩模图,确定血管分段的原起始点坐标;
基于所述全局血管掩模图中血管掩膜的坐标范围和所述原起始点坐标,判断所述原起始点坐标是否在所述血管掩膜上;
响应于所述原起始点坐标在所述血管掩膜上,确定所述原起始点坐标为所述起始点信息;
响应于所述原起始点坐标不在所述血管掩膜上,将所述坐标范围内距离所述原起始点坐标最近的坐标点确定为所述起始点信息。
10.根据权利要求1所述的方法,还包括:
对所述全局血管掩模图进行以下预处理中的至少一种:
最大连通域处理;
形态学闭操作。
11.根据权利要求1所述的方法,其中在使用快速行进算法对相邻起始点的起始点信息进行计算之前,所述方法还包括:
将所述全局血管掩模图的数据类型从8位无符号整型转换为32位浮点数;和/或
将所述全局血管掩模图中的背景位置的标签值赋值为-1。
12.一种用于血管分段的设备,包括,
至少一个处理器;
存储器,其存储有程序指令,当所述程序指令由所述至少一个处理器执行时,使得所述设备执行根据权利要求1-11的任一项所述的方法。
13.一种计算机可读存储介质,其存储有用于血管分段的程序,当所述程序由处理器来运行时,执行根据权利要求1-11的任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311146894.0A CN117274280A (zh) | 2023-09-06 | 2023-09-06 | 用于血管分段的方法、设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311146894.0A CN117274280A (zh) | 2023-09-06 | 2023-09-06 | 用于血管分段的方法、设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117274280A true CN117274280A (zh) | 2023-12-22 |
Family
ID=89215165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311146894.0A Pending CN117274280A (zh) | 2023-09-06 | 2023-09-06 | 用于血管分段的方法、设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117274280A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361554A (zh) * | 2014-10-23 | 2015-02-18 | 中国科学院苏州生物医学工程技术研究所 | 一种基于血管内超声图像的血管外膜自动检测方法 |
CN111192324A (zh) * | 2019-12-26 | 2020-05-22 | 广东星舆科技有限公司 | 线段交点位置的确定方法、装置及可读存储介质 |
CN112734761A (zh) * | 2021-04-06 | 2021-04-30 | 中科慧远视觉技术(北京)有限公司 | 工业品图像边界轮廓提取方法 |
CN115861158A (zh) * | 2021-09-27 | 2023-03-28 | 上海微创卜算子医疗科技有限公司 | 血管中心线提取方法、装置、电子设备及存储介质 |
-
2023
- 2023-09-06 CN CN202311146894.0A patent/CN117274280A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361554A (zh) * | 2014-10-23 | 2015-02-18 | 中国科学院苏州生物医学工程技术研究所 | 一种基于血管内超声图像的血管外膜自动检测方法 |
CN111192324A (zh) * | 2019-12-26 | 2020-05-22 | 广东星舆科技有限公司 | 线段交点位置的确定方法、装置及可读存储介质 |
CN112734761A (zh) * | 2021-04-06 | 2021-04-30 | 中科慧远视觉技术(北京)有限公司 | 工业品图像边界轮廓提取方法 |
CN115861158A (zh) * | 2021-09-27 | 2023-03-28 | 上海微创卜算子医疗科技有限公司 | 血管中心线提取方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287956B (zh) | 血管中心线自动匹配方法及装置 | |
CN111814794B (zh) | 文本检测方法、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 | |
CN112308866B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110378913B (zh) | 图像分割方法、装置、设备及存储介质 | |
CN114565763B (zh) | 图像分割方法、装置、设备、介质及程序产品 | |
US10891471B2 (en) | Method and system for pose estimation | |
CN110570394B (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN115456990B (zh) | 一种基于ct图像的肋骨计数方法、装置、设备及存储介质 | |
CN109948575B (zh) | 超声图像中眼球区域分割方法 | |
CN113160189A (zh) | 血管中心线提取方法、装置、设备及存储介质 | |
CN112508969B (zh) | 基于深度学习网络的三维影像的管状结构分割图断裂修复系统 | |
CN115546570A (zh) | 一种基于三维深度网络的血管图像分割方法及系统 | |
CN113256670A (zh) | 图像处理方法及装置、网络模型的训练方法及装置 | |
CN113299363A (zh) | 一种基于yolov5的皮肤科非处方药售药方法 | |
CN110522449B (zh) | 一种斑块分型方法、装置、电子设备及可读存储介质 | |
CN113658165B (zh) | 杯盘比确定方法、装置、设备及存储介质 | |
CN113362291A (zh) | 用于获取图像中目标物的方法和相关产品 | |
CN112541900A (zh) | 基于卷积神经网络的检测方法、装置、计算机设备及存储介质 | |
CN117373070A (zh) | 血管分段标注的方法及装置、电子设备和存储介质 | |
CN113140291A (zh) | 图像分割方法、装置、模型训练方法及电子设备 | |
CN117274280A (zh) | 用于血管分段的方法、设备和计算机可读存储介质 | |
CN115546149B (zh) | 肝脏分割方法及装置、电子设备及存储介质 | |
CN116993812A (zh) | 冠脉血管中心线的提取方法、装置、设备及存储介质 | |
CN111325756A (zh) | 基于深度学习网络的三维影像动静脉分割方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |