CN117350986A - 一种冠脉血管关键点定位方法、装置、设备及介质 - Google Patents
一种冠脉血管关键点定位方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117350986A CN117350986A CN202311410436.3A CN202311410436A CN117350986A CN 117350986 A CN117350986 A CN 117350986A CN 202311410436 A CN202311410436 A CN 202311410436A CN 117350986 A CN117350986 A CN 117350986A
- Authority
- CN
- China
- Prior art keywords
- point
- points
- blood vessel
- vessel
- bending
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 210000004351 coronary vessel Anatomy 0.000 title claims abstract description 36
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 193
- 238000005452 bending Methods 0.000 claims abstract description 148
- 230000011218 segmentation Effects 0.000 claims abstract description 56
- 238000002583 angiography Methods 0.000 claims abstract description 39
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 22
- 230000036262 stenosis Effects 0.000 claims description 22
- 208000037804 stenosis Diseases 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004807 localization Effects 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 20
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000017531 blood circulation Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 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
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 230000015624 blood vessel development Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000002586 coronary angiography Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 208000019622 heart disease Diseases 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
- 238000007726 management method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/0002—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
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (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)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种冠脉血管关键点定位方法、装置、设备及介质,通过获取血管造影图像,对所述血管造影图像进行分割,得到所述血管造影图像的血管分割图像,所述血管分割图像中包括主支血管和分支血管;确定所述主支血管上的分叉点和弯曲点;将所述主支血管的预设长度区间内的所述分叉点和所述弯曲点作为候选终止点,基于血管弯曲数量阈值对所述候选终止点进行判定,在所述候选终止点中确定所述主支血管的目标终止点。本发明实施例可以通过结合深度学习方法和传统方法,解决冠脉血管关键点的假阳性高的问题,实现对血管的分叉点、弯曲点和终止点的定位,提高冠脉血管关键点定位的准确度。
Description
技术领域
本发明涉及图像数据处理技术领域,尤其涉及一种冠脉血管关键点定位方法、装置、设备及介质。
背景技术
冠状动脉造影术是心脏疾病诊断的重要方法,全自动血管关键点定位在手术规划和介入治疗中有着重要的研究意义和价值。
目前,通常直接基于深度学习对血管造影图像进行回归预测,得到血管的分叉点和起始点,但是,血管造影图像的具有复杂性,由于造影剂的流动,血管显影经常不完整或不清晰,并且由于投影的本质导致血管之间相互重叠和缠绕,导致现有方法得到的血管关键点的准确度低。
发明内容
本发明提供了一种冠脉血管关键点定位方法、装置、设备及介质,以解决冠脉血管关键点的假阳性高的问题,实现对血管的分叉点、弯曲点和终止点的定位,提高冠脉血管关键点定位的准确度。
根据本发明的一方面,提供了一种冠脉血管关键点定位方法,包括:
获取血管造影图像,对血管造影图像进行分割,得到血管造影图像的血管分割图像,血管分割图像中包括主支血管和分支血管;
确定主支血管上的分叉点和弯曲点;
将主支血管的预设长度区间内的分叉点和弯曲点作为候选终止点,基于血管弯曲数量阈值对候选终止点进行判定,在候选终止点中确定主支血管的目标终止点。
根据本发明的另一方面,提供了一种冠脉血管关键点定位装置,包括:
血管分割模块,用于获取血管造影图像,对血管造影图像进行分割,得到血管造影图像的血管分割图像,血管分割图像中包括主支血管和分支血管;
分叉点和弯曲点确定模块,用于确定主支血管上的分叉点和弯曲点;
终止点确定模块,用于将主支血管的预设长度区间内的分叉点和弯曲点作为候选终止点,基于血管弯曲数量阈值对候选终止点进行判定,在候选终止点中确定主支血管的目标终止点。
根据本发明的另一方面,提供了一种电子设备,电子设备包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;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,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行本发明任一实施例的冠脉血管关键点定位方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,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本发明任一实施例的冠脉血管关键点定位方法。
本发明实施例的技术方案,通过获取血管造影图像,对血管造影图像进行分割,得到血管造影图像的血管分割图像,血管分割图像中包括主支血管和分支血管;确定主支血管上的分叉点和弯曲点;将主支血管的预设长度区间内的分叉点和弯曲点作为候选终止点,基于血管弯曲数量阈值对候选终止点进行判定,在候选终止点中确定主支血管的目标终止点,解决了冠脉血管关键点的假阳性高的问题,实现了对血管的分叉点、弯曲点和终止点的定位,提高了冠脉血管关键点定位的准确度。
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。本发明的其他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的介绍,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是本发明实施例一提供的一种冠脉血管关键点定位方法的流程图;
图2为本发明实施例所适用的血管分叉点定位过程的示意图;
图3为血管终止点选择示意图;
图4是本发明实施例二提供的一种冠脉血管关键点定位方法的流程图;
图5是本发明实施例三提供的一种冠脉血管关键点定位装置的结构示意图;
图6是实现本发明实施例的冠脉血管关键点定位方法的电子设备的结构示意图。
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、完整的描述,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”“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。
实施例一
图1是本发明实施例一提供的一种冠脉血管关键点定位方法的流程图,本实施例可适用于对需要关注的冠脉血管进行关键点定位的情况,该方法可以由冠脉血管关键点定位装置来执行,该冠脉血管关键点定位装置可以采用硬件和/或软件的形式实现,该冠脉血管关键点定位装置可配置于计算机等电子设备中。如图1所示,该方法包括:
S110、获取血管造影图像,对血管造影图像进行分割,得到血管造影图像的血管分割图像,血管分割图像中包括主支血管和分支血管。
在本实施例中,血管造影图像为待进行关键点识别的数字减影心血管造影术(Digital subtraction angiography,DSA)图像,可以是目标对象(例如人体或动物体)的DSA图像,例如,DSA图像可以为实时采集图像,或者从外部导入或从数据库中读取的。
血管分割图像是对血管造影图像进行血管分割处理得到的分割图像,提取血管造影图像中的血管部分,剔除血管造影图像中背景部分,以减少背景部分对血管分析的干扰。可选的,可以采用血管分割模型对血管造影图像进行分割。具体的,读取血管造影图像,通过血管分割模型对血管造影图像进行分割处理,得到血管分割图像,该血管分割图像中包括像素点分割标签,根据像素点分割标签确定背景、主支血管和分支血管。
示例性的,对于血管分割模型的训练阶段,对大量的血管造影图像进行血管的多类标注,例如分支为1,主支为2,背景为0,基于标注结果,训练用于血管分割的分割模型,例如U-net、V-net和ViT,得到训练好的血管分割模型,通过训练好的血管分割模型预测新的血管造影图像,得到血管分割结果,确定血管分割结果中的连通域,剔除连通域面积小于预设连通域阈值的连通域,得到简化后的血管分割图像,并基于预测标签为1的像素点确定分支血管,基于预测标签为2的像素点确定主支血管。
S120、确定主支血管上的分叉点和弯曲点。
在本实施例中,分叉点是主支血管分叉位置处的点,弯曲点是主支血管弯曲位置处的点。具体的,通过分叉点确定算法和弯曲点确定算法对血管分割图像进行处理,得到一个或多个分叉点和弯曲点。
可选的,对血管分割图像进行血管中心线提取,得到主支血管的血管中心线;对主支血管的血管中心线上任一特征点,确定特征点的邻域范围内非背景的像素点数量;在特征点的邻域范围内非背景的像素点数量大于预设值的情况下,确定特征点为主支血管上的分叉点。
在本实施例中,主支血管的血管中心线是带有所有分支血管头部的主支中心线。在血管分割模型中提取主支血管,对主支血管进行中心线提取。可选的,可以是通过对主支血管进行骨骼化处理,实现对主支血管的血管中心线的提取,得到原始血管造影图像对应的主支血管的血管中心线。可选的,还可以是将主支血管输入至血管中心线提取模型中,得到该血管中心线提取模型输出的血管中心线。
特征点是血管中心线上的点,对血管中心线上的每一特征点进行分叉点判定,确定血管中心线上的分叉点。遍历主支血管的血管中心线上的每一特征点,并计算该特征点对应的邻域范围内非背景的像素点数量,通过预设值对特征点对应邻域范围内非背景的像素点数量进行判定,其中,预设值是判定特征点属于分叉点的邻域范围内非背景的像素点数量的阈值。如果非背景的像素点数量大于预设值,则认为该特征点是主支血管分叉位置处的点,将该特征点确定为主支血管上的分叉点。
示例性的,图2为本发明实施例所适用的血管分叉点定位过程的示意图,如图2所示,图2中的(a)为血管造影图像,图2中的(b)为血管分割图像,其中白色标记区域为分割标签为2的主支血管,灰色标记区域为分割标签为1分支血管,图2中的(c)上图为主支血管,对图2中的(b)血管分割图像进行二值化,并对二值化后的血管进行骨架化,得到图2中的(c)下图所示的血管中心线,将图2中的(c)上图所示的主支血管和图2中的(c)下图所示的血管中心线进行与运算,得到图2中的(d)所示的主支血管的血管中心线,采用深度优先遍历算法对主支血管的血管中心线上的特征点进行遍历,并计算8邻域内不为背景的像素个数,其中,预设值为2,8邻域内不为背景的像素个数大于2的特征点为分叉点,删除分支血管头部后,如图2中的(e)所示,8邻域内不为背景的像素个数为1的特征点为主支血管的端点,获得两个端点在图像坐标系下的坐标,假设为(x1,y1)和(x2,y2),则主支血管的起始点为:
对血管中心线上的每一特征点进行弯曲点判定,确定血管中心线上的弯曲点。可选的,对主支血管的血管中心线上任一特征点,确定特征点的曲率;在特征点的曲率大于预设曲率阈值的情况下,确定特征点为主支血管上的弯曲点。
在本实施例中,曲率可以理解为主支血管的血管中心线上任一特征点的切线方向角对弧长的转动率,曲率越大,主支血管的弯曲程度越大。预设曲率阈值是判定特征点属于弯曲点的曲率的阈值。
具体的,通过曲率算法对主支血管的血管中心线上任一特征点进行曲率计算,得到任一特征点的曲率,将该特征点的曲率与预设曲率阈值进行比对,如果该特征点的曲率大于预设曲率阈值,则将该特征点作为主支血管上的弯曲点。
示例性的,对血管中心线上的特征点进行间隔为1的等间隔采样,假设以采样点(x0,y0)为中心,在中心线图上采样k×k邻域的特征点,采用曲线拟合方法将采样区域的特征点拟合成曲线y=ax3+bx2+cx+d,根据曲线方程的一阶导数y′和二阶导数y″计算采样点(x0,y0)的曲率:k=|y″|/(1+y′2)3/2,如果k大于预设曲率阈值,则将采样点(x0,y0)作为弯曲点。
为了提高弯曲点定位速度,可以基于方向变化角度确定弯曲点,可选的,对主支血管的血管中心线上任一特征点,确定特征点的方向变化角度;在特征点的方向变化角度大于预设方向变化角度阈值的情况下,确定特征点为主支血管上的弯曲点。
在本实施例中,方向变化角度可以理解为主支血管的血管中心线上任一特征点的切线方向角对弧长的后继特征点的切线方向角变化的角度,方向变化角度越大,主支血管的弯曲程度越大。基于方向变化角度在主支血管的血管中心线的特征点中确定主支血管上的弯曲点,相对于基于曲率对主支血管的血管中心线的特征点的分析,降低了计算复杂度,能够提高弯曲点定位效率。在预设长度区间的候选终止点中确定主支血管的目标终止点,相对于对主支血管中全部的候选终止点的分析,减少了候选终止点的数量,能够提高目标终止点的定位效率,具有较高的准确性。预设方向变化角度阈值是判定特征点属于弯曲点的方向变化角度的阈值。
具体的,通过方向变化角度算法对主支血管的血管中心线上任一特征点进行方向变化角度计算,得到任一特征点的方向变化角度,将该特征点的方向变化角度与预设方向变化角度阈值进行比对,如果该特征点的方向变化角度大于预设方向变化角度阈值,则将该特征点作为主支血管上的弯曲点。
示例性的,选定血管中心线上任一特征点坐标[xi,yi],并获得该特征点的后继特征点坐标[xi+k,yi+k],其中,k表示选定点之后的第k个特征点,其中,血管中心线上特征点的序号,可以是沿血流方向进行设置。计算该特征点的方向向量:计算该特征点的方向余弦,确定方向变化角度:/>如果该特征点的方向变化角度大于预设方向变化角度阈值,则将该特征点作为弯曲点。
S130、将主支血管的预设长度区间内的分叉点和弯曲点作为候选终止点,基于血管弯曲数量阈值对候选终止点进行判定,在候选终止点中确定主支血管的目标终止点。
在本实施例中,预设长度区间为预先设置的终止点在主支血管中的长度区间,通过在预设长度区间的候选终止点中确定主支血管的目标终止点,相对于对主支血管中全部的候选终止点的分析,减少了候选终止点的数量,能够提高目标终止点的定位效率,具有较高的准确性。可选的,预设长度区间可以是主支血管中位于末端的预设长度比例的区域,该预设长度比例可以是1/2或1/3等,可根据需求设置。其中,可以是根据血流流向对主支血管进行区间划分,例如将主支血管划分为前1/2段和后1/2段,该预设长度区间可以是主支血管的后1/2段。
候选终止点包括分叉点和弯曲点,目标终止点为主支血管上的终止点。血管弯曲数量阈值是判定特征点属于终止点的对应的弯曲点数量的阈值。
具体的,确定主支血管的预设长度区间,对主支血管进行区间定位,选择预设长度区间内的分叉点和弯曲点作为候选终止点,遍历候选终止点,如果当前候选终止点之前的弯曲点数量小于等于血管弯曲数量阈值,且存在相邻候选终止点对应的弯曲点数量大于血管弯曲数量阈值,则将该候选终止点作为主支血管的目标终止点。
示例性的,假设主支血管的终止点前的血管段至多存在一个弯曲血管段,而一个弯曲血管段通常会出现3个弯曲点,则设定血管弯曲数量阈值为3,选择主支血管的预设长度区间内的分叉点和弯曲点作为候选终止点,从后至前遍历候选终止点,如果当前候选终止点对应的弯曲点数量为3,且上一个候选终止点对应的弯曲点数量为4,则将当前候选终止点作为主支血管的目标终止点。
冠脉血管关键点还包括主支血管的狭窄点,可选的,基于主支血管的血管中心线的每一特征点与主支血管的轮廓的距离,确定每一特征点的狭窄率,基于狭窄率阈值对每一特征点进行判定,确定主支血管的狭窄点。
在本实施例中,狭窄率为主支血管的每一特征点对应的(参考直径-真实直径)/参考直径。狭窄率阈值是判定特征点属于狭窄点的狭窄率的阈值。
具体的,可以采用基于深度学习的方法,也可采用传统学习的方法,得到主支血管的血管中心线的每一特征点到主支血管的两侧轮廓的距离,得到每一特征点对应的真实直径,拟合每一特征点相邻的多个特征点对应的真实直径,得到每一特征点对应的参考直径,计算每一特征点的狭窄率,将狭窄率大于狭窄率阈值的特征点作为主支血管的狭窄点。
示例性的,可以对主支血管进行取反操作,得到背景区域以主支血管的血管中心线的每一个特征点为起点,采用步长为1的膨胀算法向四周膨胀,直到近似于圆形的膨胀区域/>与背景区域/>相交,即/>停止膨胀,每一特征点与主支血管的轮廓的距离为膨胀区域/>的直径/>其中,S为通过像素求和得到的膨胀区域/>的圆形面积;也可以基于大量的主支血管的血管中心线的特征点坐标以及到对应主支血管的两侧轮廓坐标的距离值,以均方误差作为损失,训练用于计算血管直径d的卷积神经网络或循环神经网络模型,对于血管直径D推理阶段,输入主支血管的血管中心线的特征点坐标[xi,yi],推断出每一特征点到两侧轮廓的距离[ri,1,ri,2],计算得到血管直径D=ri,1+ri,2。采用最小二乘法拟合参考直径D,得到每一特征点的狭窄率,假设狭窄率阈值为20%,如果存在多个特征点的狭窄率>20%,则将狭窄率最大的特征点作为主支血管的狭窄点。图3为血管终止点选择示意图,如图3所示,将血管中心线按照长度平均分成10段,由于血管终止点通常在血管后1/2处,抛弃血管中心线前1/2长度区间;由于CT-FFR的压力测量应在狭窄远端约2厘米处进行,血管终止点需在狭窄点2厘米之后;由于末端显影不清晰,抛弃血管中心线后1/9长度区间。根据以上规则,将预设长度区间确定为主支血管的1/2到9/10的长度区间。
本实施例的技术方案,通过获取血管造影图像,对血管造影图像进行分割,得到血管造影图像的血管分割图像,血管分割图像中包括主支血管和分支血管;确定主支血管上的分叉点和弯曲点;将主支血管的预设长度区间内的分叉点和弯曲点作为候选终止点,基于血管弯曲数量阈值对候选终止点进行判定,在候选终止点中确定主支血管的目标终止点,解决了冠脉血管关键点的假阳性高的问题,实现了对血管的分叉点、弯曲点和终止点的定位,提高了冠脉血管关键点定位的准确度。
实施例二
图4是本发明实施例二提供的一种冠脉血管关键点定位方法的流程图,本发明实施例的技术方案在上述任意实施例基础上进一步优化。如图4所示,该方法包括:
S210、获取血管造影图像,对血管造影图像进行分割,得到血管造影图像的血管分割图像,血管分割图像中包括主支血管和分支血管。
S220、确定主支血管上的分叉点和弯曲点。
S230、将主支血管的预设长度区间内的分叉点和弯曲点作为候选终止点。
S240、基于分叉点和弯曲点在主支血管上的位置,对分叉点和弯曲点分别进行排序。
具体的,根据分叉点在主支血管上的位置,对候选终止点中的分叉点进行排序;根据弯曲点在主支血管上的位置,对候选终止点中的弯曲点进行排序。
示例性的,基于血流流向确定分叉点和弯曲点在主支血管中的位置,将分叉点沿血流流向的反方向进行排序,得到候选终止点的分叉点列表;将弯曲点沿血流流向进行排序,得到候选终止点的弯曲点列表。
需要注意的是,在候选终止点中,分叉点优先弯曲点确定为目标终止点。
S250、基于分叉点的排序,依次遍历分叉点,基于每一分叉点的位置之前的弯曲点数量和血管弯曲数量阈值进行比对,确定目标终止点。
具体的,根据候选终止点中的分叉点的排序,依次遍历候选终止点中的分叉点,确定每一分叉点的位置之前的属于候选终止点的弯曲点数量,根据每一分叉点对应的弯曲点数量与血管弯曲数量阈值的大小关系,确定位置之前的弯曲点数量满足血管弯曲数量阈值,且相邻分叉点位置之前的弯曲点数量不满足血管弯曲数量阈值的一个分叉点为目标终止点。
示例性的,假设候选终止点中有三个排序后的分叉点a、分叉点b和分叉点c,分叉点a和分叉点b的位置之前的弯曲点数量大于血管弯曲数量阈值,分叉点c的位置之前的弯曲点数量不满足血管弯曲数量阈值,则将分叉点b为目标终止点。
可选的,对于当前分叉点,在当前分叉点的位置之前的弯曲点数量小于或等于血管弯曲数量阈值的情况下,确定当前分叉点为目标终止点;在当前分叉点的位置之前的弯曲点数量大于血管弯曲数量阈值的情况下,基于血管弯曲数量阈值对位于当前分叉点的位置之前的下一分叉点进行判定。
具体的,根据候选终止点中的分叉点的排序,依次遍历候选终止点中的分叉点,判断当前分叉点位置之前的属于候选终止点的弯曲点数量,如果当前分叉点对应的弯曲点数量小于等于血管弯曲数量阈值,且相邻分叉点对应的弯曲点数量大于血管弯曲数量阈值,则将当前分叉点作为主支血管的目标终止点;如果当前分叉点对应的弯曲点数量大于血管弯曲数量阈值,则舍弃当前分叉点,判断位于当前分叉点的位置之前的下一分叉点。
示例性的,候选终止点的分叉点列表中存在三个排序后的分叉点a、分叉点b和分叉点c,其中,分叉点a在主支血管长度的位置最远,分叉点c在主支血管长度的位置最近,当前分叉点为分叉点a,分叉点a对应的弯曲点数量大于血管弯曲数量阈值,则舍弃分叉点a,判断位于分叉点a的位置之前的分叉点b,当前分叉点为分叉点b,分叉点b对应的弯曲点数量小于等于血管弯曲数量阈值,则将分叉点b作为主支血管的目标终止点。
可选的,在候选终止点中的分叉点分别对应的弯曲点数量均大于血管弯曲数量阈值的情况下,遍历弯曲点列表,基于血管弯曲数量阈值确定对应的弯曲点为目标终止点。
具体的,如果候选终止点中的任一分叉点对应的弯曲点数量均大于血管弯曲数量阈值,则依次遍历弯曲点列表,基于血管弯曲数量阈值的数值确定对应序号的弯曲点为目标终止点;如果候选终止点中的任一分叉点对应的弯曲点数量均小血管弯曲数量阈值,则将弯曲点列表中在主支血管长度的位置最远的弯曲点作为目标终止点。
示例性的,假设血管弯曲数量阈值为3,如果候选终止点中的任一分叉点对应的弯曲点数量均大于血管弯曲数量阈值,则将弯曲点列表中第3个弯曲点作为目标终止点;如果候选终止点中的任一分叉点对应的弯曲点数量均小于血管弯曲数量阈值,弯曲点列表中有2个弯曲点,则将第2个弯曲点作为目标终止点。
本实施例的技术方案,通过获取血管造影图像,对血管造影图像进行分割,得到血管造影图像的血管分割图像,血管分割图像中包括主支血管和分支血管;确定主支血管上的分叉点和弯曲点;将主支血管的预设长度区间内的分叉点和弯曲点作为候选终止点;基于分叉点和弯曲点在主支血管上的位置,对分叉点和弯曲点分别进行排序;基于分叉点的排序,依次遍历分叉点,基于每一分叉点的位置之前的弯曲点数量和血管弯曲数量阈值进行比对,确定目标终止点,提高了冠脉血管终止点定位的准确度,有助于后续血管的三维重建。
实施例三
图5是本发明实施例三提供的一种冠脉血管关键点定位装置的结构示意图。如图5所示,该装置包括:
血管分割模块310,用于获取血管造影图像,对血管造影图像进行分割,得到血管造影图像的血管分割图像,血管分割图像中包括主支血管和分支血管;
分叉点和弯曲点确定模块320,用于确定主支血管上的分叉点和弯曲点;
终止点确定模块330,用于将主支血管的预设长度区间内的分叉点和弯曲点作为候选终止点,基于血管弯曲数量阈值对候选终止点进行判定,在候选终止点中确定主支血管的目标终止点。
本实施例的技术方案,通过获取血管造影图像,对血管造影图像进行分割,得到血管造影图像的血管分割图像,血管分割图像中包括主支血管和分支血管;确定主支血管上的分叉点和弯曲点;将主支血管的预设长度区间内的分叉点和弯曲点作为候选终止点,基于血管弯曲数量阈值对候选终止点进行判定,在候选终止点中确定主支血管的目标终止点,解决了冠脉血管关键点的假阳性高的问题,实现了对血管的分叉点、弯曲点和终止点的定位,提高了冠脉血管关键点定位的准确度。
在上述实施例的基础上,可选的,分叉点和弯曲点确定模块320,具体用于:
对血管分割图像进行血管中心线提取,得到主支血管的血管中心线;
对主支血管的血管中心线上任一特征点,确定特征点的邻域范围内非背景的像素点数量;
在特征点的邻域范围内非背景的像素点数量大于预设值的情况下,确定特征点为主支血管上的分叉点。
在上述实施例的基础上,可选的,分叉点和弯曲点确定模块320,具体用于:
对主支血管的血管中心线上任一特征点,确定特征点的曲率;
在特征点的曲率大于预设曲率阈值的情况下,确定特征点为主支血管上的弯曲点。
在上述实施例的基础上,可选的,终止点确定模块330,包括:
分叉点和弯曲点排序单元,用于基于分叉点和弯曲点在主支血管上的位置,对分叉点和弯曲点分别进行排序;
目标终止点确定单元,用于基于分叉点的排序,依次遍历分叉点,基于每一分叉点的位置之前的弯曲点数量和血管弯曲数量阈值进行比对,确定目标终止点。
在上述实施例的基础上,可选的,目标终止点确定单元,具体用于:
对于当前分叉点,在当前分叉点的位置之前的弯曲点数量小于或等于血管弯曲数量阈值的情况下,确定当前分叉点为目标终止点;
在当前分叉点的位置之前的弯曲点数量大于血管弯曲数量阈值的情况下,基于血管弯曲数量阈值对位于当前分叉点的位置之前的下一分叉点进行判定。
在上述实施例的基础上,可选的,目标终止点确定单元,具体用于:
在候选终止点中的分叉点分别对应的弯曲点数量均大于血管弯曲数量阈值的情况下,遍历弯曲点列表,基于血管弯曲数量阈值确定对应的弯曲点为目标终止点。
在上述实施例的基础上,可选的,分叉点和弯曲点确定模块320之后,还包括:
狭窄点确定模块,用于基于主支血管的血管中心线的每一特征点与主支血管的轮廓的距离,确定每一特征点的狭窄率,基于狭窄率阈值对每一特征点进行判定,确定主支血管的狭窄点。
本发明实施例所提供的冠脉血管关键点定位装置可执行本发明任意实施例所提供的冠脉血管关键点定位方法,具备执行方法相应的功能模块和有益效果。
实施例四
图6是实现本发明实施例的冠脉血管关键点定位方法的电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其他类似的计算装置。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6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器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,还可存储电子设备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。
电子设备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允许电子设备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。处理器11执行上文所描述的各个方法和处理,例如冠脉血管关键点定位方法。
在一些实施例中,冠脉血管关键点定位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/或安装到电子设备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冠脉血管关键点定位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)而被配置为执行冠脉血管关键点定位方法。
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。
用于实施本发明的冠脉血管关键点定位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。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,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一种冠脉血管关键点定位方法,该方法包括:
获取血管造影图像,对血管造影图像进行分割,得到血管造影图像的血管分割图像,血管分割图像中包括主支血管和分支血管;确定主支血管上的分叉点和弯曲点;将主支血管的预设长度区间内的分叉点和弯曲点作为候选终止点,基于血管弯曲数量阈值对候选终止点进行判定,在候选终止点中确定主支血管的目标终止点。
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,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(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电子设备。其他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)
1.一种冠脉血管关键点定位方法,其特征在于,包括:
获取血管造影图像,对所述血管造影图像进行分割,得到所述血管造影图像的血管分割图像,所述血管分割图像中包括主支血管和分支血管;
确定所述主支血管上的分叉点和弯曲点;
将所述主支血管的预设长度区间内的所述分叉点和所述弯曲点作为候选终止点,基于血管弯曲数量阈值对所述候选终止点进行判定,在所述候选终止点中确定所述主支血管的目标终止点。
2.根据权利要求1所述的方法,其特征在于,所述主支血管上的分叉点的确定方法,包括:
对所述血管分割图像进行血管中心线提取,得到所述主支血管的血管中心线;
对所述主支血管的血管中心线上任一特征点,确定所述特征点的邻域范围内非背景的像素点数量;
在所述特征点的邻域范围内非背景的像素点数量大于预设值的情况下,确定所述特征点为所述主支血管上的分叉点。
3.根据权利要求2所述的方法,其特征在于,所述主支血管上的弯曲点的确定方法,包括:
对所述主支血管的血管中心线上任一特征点,确定所述特征点的曲率;
在所述特征点的曲率大于预设曲率阈值的情况下,确定所述特征点为所述主支血管上的弯曲点。
4.根据权利要求1所述的方法,其特征在于,所述基于血管弯曲数量阈值对所述候选终止点进行判定,在所述候选终止点中确定所述主支血管的目标终止点,包括:
基于所述分叉点和所述弯曲点在所述主支血管上的位置,对所述分叉点和所述弯曲点分别进行排序;
基于所述分叉点的排序,依次遍历所述分叉点,基于每一分叉点的位置之前的弯曲点数量和所述血管弯曲数量阈值进行比对,确定所述目标终止点。
5.根据权利要求4所述的方法,其特征在于,所述基于每一分叉点的位置之前的弯曲点数量和所述血管弯曲数量阈值进行比对,确定所述目标终止点,包括:
对于当前分叉点,在所述当前分叉点的位置之前的弯曲点数量小于或等于所述血管弯曲数量阈值的情况下,确定所述当前分叉点为目标终止点;
在所述当前分叉点的位置之前的所述弯曲点数量大于所述血管弯曲数量阈值的情况下,基于所述血管弯曲数量阈值对位于所述当前分叉点的位置之前的下一分叉点进行判定。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
在所述候选终止点中的所述分叉点分别对应的所述弯曲点数量均大于所述血管弯曲数量阈值的情况下,遍历所述弯曲点列表,基于血管弯曲数量阈值确定对应的所述弯曲点为所述目标终止点。
7.根据权利要求2所述的方法,其特征在于,所述方法还包括:
基于所述主支血管的血管中心线的每一特征点与所述主支血管的轮廓的距离,确定所述每一特征点的狭窄率,基于狭窄率阈值对所述每一特征点进行判定,确定所述主支血管的狭窄点。
8.一种冠脉血管关键点定位装置,其特征在于,包括:
血管分割模块,用于获取血管造影图像,对所述血管造影图像进行分割,得到所述血管造影图像的血管分割图像,所述血管分割图像中包括主支血管和分支血管;
分叉点和弯曲点确定模块,用于确定所述主支血管上的分叉点和弯曲点;
终止点确定模块,用于将所述主支血管的预设长度区间内的所述分叉点和所述弯曲点作为候选终止点,基于血管弯曲数量阈值对所述候选终止点进行判定,在所述候选终止点中确定所述主支血管的目标终止点。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的冠脉血管关键点定位方法。
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权利要求1-7中任一项所述的冠脉血管关键点定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311410436.3A CN117350986A (zh) | 2023-10-27 | 2023-10-27 | 一种冠脉血管关键点定位方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311410436.3A CN117350986A (zh) | 2023-10-27 | 2023-10-27 | 一种冠脉血管关键点定位方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117350986A true CN117350986A (zh) | 2024-01-05 |
Family
ID=89362899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311410436.3A Pending CN117350986A (zh) | 2023-10-27 | 2023-10-27 | 一种冠脉血管关键点定位方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117350986A (zh) |
-
2023
- 2023-10-27 CN CN202311410436.3A patent/CN117350986A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240206838A1 (en) | Vascular selection from images | |
CN111145173A (zh) | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 | |
CN110910441A (zh) | 一种中心线提取的方法及装置 | |
CN115781673B (zh) | 一种零件抓取方法、装置、设备及介质 | |
CN115170510B (zh) | 一种病灶检测方法、装置、电子设备及可读存储介质 | |
CN117373070A (zh) | 血管分段标注的方法及装置、电子设备和存储介质 | |
CN113971728B (zh) | 图像识别方法、模型的训练方法、装置、设备及介质 | |
CN113450329B (zh) | 一种微循环图像血管分支红细胞流速计算方法及系统 | |
CN115690143B (zh) | 图像分割方法、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 | |
CN115482261A (zh) | 血管配准方法、装置、电子设备及存储介质 | |
CN116843622A (zh) | 血管中心线确定系统、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 | |
CN114937149A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115423826A (zh) | 管腔分割模型的训练方法、装置、电子设备及存储介质 | |
CN115311244A (zh) | 一种病灶尺寸确定方法、装置、电子设备及存储介质 | |
CN117496055A (zh) | 一种血管重建方法、装置、电子设备及存储介质 | |
CN117522912A (zh) | 一种血管命名方法、装置、电子设备及存储介质 | |
CN113256564B (zh) | 医学影像中的导管参数提取方法及装置 | |
CN115880494A (zh) | 血管图像分割方法、装置、电子设备以及存储介质 | |
CN118038470B (zh) | 水尺水位识别方法、装置、电子设备及存储介质 | |
CN116721148A (zh) | 一种中心线生成方法、装置、电子设备及存储介质 | |
CN118628667A (zh) | 肺部图像三维重建优化方法及装置、电子设备和存储介质 | |
CN117764911A (zh) | 一种血管命名方法、装置、设备及介质 | |
CN116883386A (zh) | 一种数据增强方法、装置、电子设备及存储介质 |
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 |