CN117649371B - 一种脑血管介入手术模拟器图像处理方法及装置 - Google Patents
一种脑血管介入手术模拟器图像处理方法及装置 Download PDFInfo
- Publication number
- CN117649371B CN117649371B CN202410124613.XA CN202410124613A CN117649371B CN 117649371 B CN117649371 B CN 117649371B CN 202410124613 A CN202410124613 A CN 202410124613A CN 117649371 B CN117649371 B CN 117649371B
- Authority
- CN
- China
- Prior art keywords
- image
- cerebrovascular
- edge
- cerebral
- blood vessel
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 87
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 210000004556 brain Anatomy 0.000 title claims description 16
- 230000002490 cerebral effect Effects 0.000 claims abstract description 135
- 230000002792 vascular Effects 0.000 claims abstract description 93
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000005192 partition Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 52
- 238000005315 distribution function Methods 0.000 claims description 23
- 230000001186 cumulative effect Effects 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000005728 strengthening Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 11
- 238000013152 interventional procedure Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及脑血管介入手术模拟器技术领域，具体涉及一种脑血管介入手术模拟器图像处理方法及装置，所述方法包括以下步骤：获取脑血管图像，并对所述脑血管图像进行网格分区增强处理，得到增强图像集；获取所述增强图像集中至少一个元素对应的方向滤波器，并根据所述方向滤波器计算脑血管边缘强化区域;根据所述脑血管边缘强化区域计算脑血管修正因子，并得到脑血管网络区域；获取脑血管区域对应的拓扑分析因子，并根据至少一个拓扑分析因子得到目标脑血管网络图像。本发明通过网格分区增强和方向滤波器的应用，能够突出显示脑血管的边缘和细节，提供更清晰的脑血管结构视图。
Description
技术领域
本发明涉及脑血管介入手术模拟器技术领域，具体涉及一种脑血管介入手术模拟器图像处理方法及装置。
背景技术
血管介入模拟器是用来对血管介入手术进行综合培训的模拟手术教学设备，其可以模拟血管介入治疗中遇到的各种情况，借助其进行教学，可以使实习生在无介入辐射风险环境下更直观地学习脑血管解剖知识，了解穿刺及脑血管介入治疗技能。在脑血管介入手术的领域中，准确的图像处理是至关重要的。
在现有技术中，通常依赖于标准的医学成像技术，如MRI或CT扫描，来获取脑血管图像。然而，这些技术在处理图像时可能无法充分突出脑血管的细节，尤其是在脑血管分支点和细小血管的表示上。
有鉴于此特提出本发明。
发明内容
本发明要解决的技术问题在于克服现有技术的不足，提供一种脑血管介入手术模拟器图像处理方法及装置。
第一方面，为解决上述技术问题，本发明采用技术方案的基本构思是：
一种脑血管介入手术模拟器图像处理方法，所述方法包括以下步骤：
获取脑血管图像，并对所述脑血管图像进行网格分区增强处理，得到增强图像集；
获取所述增强图像集中至少一个元素对应的方向滤波器，并根据所述方向滤波器计算脑血管边缘强化区域;
根据所述脑血管边缘强化区域计算脑血管修正因子，并得到脑血管网络区域；
计算所述脑血管网络区域的结构特征，并根据所述结构特征对脑血管网络区域进行分割，得到脑血管区域；
获取脑血管区域对应的拓扑分析因子，并根据至少一个拓扑分析因子得到目标脑血管网络图像。
在上述任一方案中优选的是，获取脑血管图像，并对所述脑血管图像进行网格分区增强处理，得到增强图像集，包括：
使用高斯金字塔将所述脑血管图像进行分解，得到包括不同尺度的图像层；
将所述图像层中每个尺度的图像进行网格划分，得到至少一个网格区域；
对每个网格区域计算统计特征，并根据所述统计特征得到每个网格区域的对比度水平；
根据所述对比度水平计算每个网格区域的累积分布函数，并使用所述累积分布函数映射每个网格区域原始灰度值到更新灰度值；
依次对每个网格区域进行直方图均衡化处理，并将直方图均衡化处理后的各网格区域重新组合，得到增强图像集。
在上述任一方案中优选的是，获取所述增强图像集中至少一个元素对应的方向滤波器，并根据所述方向滤波器计算脑血管边缘强化区域，包括：
根据脑血管的平均直径和预设曲率，构建不同方向和波长的滤波器，并通过至少一个滤波器获取边缘强化图像，得到边缘强化图像集；
将边缘强化图像集内所有元素进行合并，得到综合边缘强化图像；其中，对每个像素位置，从边缘强化图像集中选取最大边缘强度的元素作为该像素的最终边缘强度；
对所述综合边缘强化图像中各像素点的边缘强度进行遍历，并将其与邻近像素在相同方向上的边缘强度进行比较，若一个像素的边缘强度在其邻近方向上是局部最大时，则保留该像素点为边缘点；
对所有边缘点进行连接处理，得到脑血管边缘。
在上述任一方案中优选的是，对所有边缘点进行连接处理，得到脑血管边缘，包括：
对相邻边缘点进行筛选得到断点集；
获取断点集中元素所在线段两端的方向和宽度，并根据所述方向和宽度设置样条曲线控制点；
使用所述样条曲线控制点构建三次贝塞尔曲线，并在相邻两断点间通过所述三次贝塞尔曲线连接。
在上述任一方案中优选的是，根据所述脑血管边缘强化区域计算脑血管修正因子，并得到脑血管网络区域，包括：
根据预设脑血管宽度构建圆形结构元素，并依次以所述脑血管边缘强化区域中各像素点为所述圆形结构元素的圆心，获取各像素点在圆形结构元素内的最大灰度值，并将所述最大灰度值赋予该像素点；
再次以各像素点为所述圆形结构元素的圆心，获取各像素点在圆形结构元素内的最小灰度值，并将所述最小灰度值赋予该像素点；
对所有像素点进行移除判断，得到不能移除的像素点集，生成脑血管中心线；
根据所述脑血管中心线对脑血管路径和分支点进行筛选，以去除伪脑血管路径及伪分支点。
在上述任一方案中优选的是，计算所述脑血管网络区域的结构特征，并根据所述结构特征对脑血管网络区域进行分割，得到脑血管区域，包括：
计算所述脑血管网络区域中脑血管的方向性、宽度、分支模式和密度；
根据脑血管的方向性、宽度、分支模式和密度创建分割模型，并使用所述分割模型对所述脑血管网络区域中的每个像素进行分类，确定其是否属于脑血管区域；
分析分类结果，并使用形态学方法对血管的分支和交叉点区域进行调整。
在上述任一方案中优选的是，获取脑血管区域对应的拓扑分析因子，并根据至少一个拓扑分析因子得到目标脑血管网络图像，包括：
计算脑血管区域的拓扑特征；
使用图像处理算法识别血管分支点和交叉点，对于每个血管分支，计算其长度和宽度，以及与其他分支的连接方式；
计算血管网络的整体特性，并将异常短或异常长的血管分支进行校正；
将校正后的血管网络数据重新映射到图像空间，生成目标脑血管网络图像。
第二方面，一种脑血管介入手术模拟器图像处理装置，包括：
第一获取模块，用于获取脑血管图像，并对所述脑血管图像进行网格分区增强处理，得到增强图像集；
第二获取模块，用于获取所述增强图像集中至少一个元素对应的方向滤波器，并根据所述方向滤波器计算脑血管边缘强化区域;
修正模块，用于根据所述脑血管边缘强化区域计算脑血管修正因子，并得到脑血管网络区域；
分割模块，用于计算所述脑血管网络区域的结构特征，并根据所述结构特征对脑血管网络区域进行分割，得到脑血管区域；
处理模块，用于获取脑血管区域对应的拓扑分析因子，并根据至少一个拓扑分析因子得到目标脑血管网络图像。
第三方面，一种脑血管介入手术模拟器图像处理设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一所述的脑血管介入手术模拟器图像处理方法。
第四方面，一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现上述任一所述的脑血管介入手术模拟器图像处理方法。
与现有技术相比，本申请实施例的脑血管介入手术模拟器图像处理方法，通过网格分区增强和方向滤波器的应用，本方法能够突出显示脑血管的边缘和细节，提供更清晰的血管结构视图；通过计算血管修正因子和应用结构特征分析，本方法能够更准确地识别和提取脑血管网络，包括细小和复杂的血管分支；结合结构特征和拓扑分析因子，本方法实现了对脑血管区域的精确分割和优化，能够有效去除图像噪声和伪影。
下面结合附图对本发明的具体实施方式作进一步详细的描述。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分，本领域技术人员应该理解的是，这些附图未必是按比例绘制的，在附图中：
图1为本申请实施例脑血管介入手术模拟器图像处理方法的流程示意图；
图2为本申请实施例脑血管介入手术模拟器图像处理装置模块示意图。
需要说明的是，这些附图和文字描述并不旨在以任何方式限制本发明的构思范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念，附图中的元素是示意性的，没有按比例绘制。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
本申请下述实施例以脑血管介入手术模拟器图像处理方法为例进行详细说明本申请的方案，但是此实施例并不能限制本申请保护范围。
如图1所示，本发明提供了一种脑血管介入手术模拟器图像处理方法，所述方法包括以下步骤：
步骤1，获取脑血管图像，并对所述脑血管图像进行网格分区增强处理，得到增强图像集；
步骤2，获取所述增强图像集中至少一个元素对应的方向滤波器，并根据所述方向滤波器计算脑血管边缘强化区域;
步骤3，根据所述脑血管边缘强化区域计算脑血管修正因子，并得到脑血管网络区域；
步骤4，计算所述脑血管网络区域的结构特征，并根据所述结构特征对脑血管网络区域进行分割，得到脑血管区域；
步骤5，获取脑血管区域对应的拓扑分析因子，并根据至少一个拓扑分析因子得到目标脑血管网络图像。
在本发明实施例所述的脑血管介入手术模拟器图像处理方法中，通过对脑血管图像进行网格分区增强处理，可以使脑血管的图像更加清晰，边缘更加明显。利用方向滤波器强化脑血管边缘，有助于更准确地识别出脑血管的边界和结构。通过计算脑血管修正因子和对脑血管网络区域的结构特征进行分析，可以更准确地映射出脑血管网络的结构。获取并分析脑血管区域的拓扑因子，有助于从更深层次理解脑血管网络的特性。可以得到更加精确和详细的目标脑血管网络图像。
在本发明一优选的实施例中，上述所述步骤1，获取脑血管图像，并对所述脑血管图像进行网格分区增强处理，得到增强图像集，包括：
步骤11，使用高斯金字塔将所述脑血管图像进行分解，得到包括不同尺度的图像层；
步骤12，将所述图像层中每个尺度的图像进行网格划分，得到至少一个网格区域；
步骤13，对每个网格区域计算统计特征，并根据所述统计特征得到每个网格区域的对比度水平；
步骤14，根据所述对比度水平计算每个网格区域的累积分布函数，并使用所述累积分布函数映射每个网格区域原始灰度值到更新灰度值；
步骤15，依次对每个网格区域进行直方图均衡化处理，并将直方图均衡化处理后的各网格区域重新组合，得到增强图像集。
在本发明实施例所述的脑血管介入手术模拟器图像处理方法中，使用高斯金字塔进行图像分解，可以得到不同尺度的图像层。有助于更好地识别和分析细微结构及其变化，将图像进行网格划分并计算每个区域的统计特征，如对比度水平，有助于更精确地分析图像的局部特征。可以提升图像处理的细致程度，使得对脑血管图像的分析更为精确。通过计算累积分布函数并映射原始灰度值到更新灰度值，可以有效地调整每个网格区域的对比度水平。可以改善图像的整体质量，使得细节更加清晰，有助于更好地识别和分析脑血管结构。对每个网格区域进行直方图均衡化处理，有助于改善图像的整体亮度和对比度，使得图像的视觉效果更佳。将经过处理的各个网格区域重新组合，得到增强图像集，可以确保图像的完整性和连续性。提高了脑血管图像的质量和分析的精确度。有助于医生更准确地理解脑血管的结构，特别是在复杂或微妙的变化方面。
在本发明一优选的实施例中，上述步骤13，对每个网格区域计算统计特征，并根据所述统计特征得到每个网格区域的对比度水平，包括：
步骤131，通过公式：；
计算每个网格区域的加权平均灰度值，其中，/>为每个像素的权重，/>为位于位置/>的像素值，N为像素的总数；
步骤132，通过公式：
；
计算每个网格区域的加权标准差；
步骤133，通过公式：
；
计算每个网格区域的对比度系数，其中，/>、/>、/>为系数，/>为网格区域的边缘强度总和，/>为灰度级/>的概率，/>为可能的灰度级数目。
在本发明实施例所述的脑血管介入手术模拟器图像处理方法中，通过计算每个网格区域的加权平均灰度值，可以更准确地反映出该区域的平均光强水平。考虑了每个像素的权重，使得结果更加符合实际图像的特性。有助于提高对脑血管图像整体亮度水平的理解，尤其是在区分不同脑血管区域时。计算每个网格区域的加权标准差有助于理解该区域内像素值的分布情况。可以用于判断图像的均匀性和稳定性。有助于识别图像的噪声和伪影，从而进行有效的调整和改善。对比度系数的计算为每个网格区域提供了一种量化对比度的方法。系数综合考虑了边缘强度、灰度级概率和灰度级数目，从而能够更全面地描述网格区域的对比度水平。有助于突出脑血管的关键特征，如血管壁的轮廓和血管内的流动情况。通过这些计算步骤，可以得到关于脑血管图像每个网格区域更详细和准确的信息。使得医生可以对脑血管的微小变化有更深入的理解，计算这些统计特征并基于它们调整对比度水平，有助于提升图像的整体质量。通过对每个网格区域的详细分析，可以更准确地识别和分割脑血管区域，从而使得后续处理步骤更加准确和有效。计算出的对比度系数可以用于调整图像的对比度，使得脑血管的重要特征更加明显。有助于医生更清晰地观察到脑血管的细节，如狭窄、异常扩张或其他结构变化，通过标准化的计算方法，这可以减少主观判断的干扰，提高图像分析的客观性和重复性。对脑血管图像中每个网格区域进行统计特征计算的过程，不仅增强了图像的可视化效果，还提供了更多关于脑血管状态的详细信息。
在本发明一优选的实施例中，上述步骤131还包括：
步骤1311，通过公式：
；
计算每个像素的权重，其中，/>为根据/>处像素边缘强度的权重，/>为[0,1]的数值，/>、/>分别为网格区域中心的横纵坐标，/>为决定/>随距离中心的变化速度。
在本发明实施例所述的脑血管介入手术模拟器图像处理方法中，在这个步骤中，像素的权重不仅仅基于其灰度值，还考虑了像素的边缘强度。使得图像增强处理能够更加关注于图像中的边缘信息，特别是对于血管边缘的强调。通过将像素的位置（相对于网格区域中心的横纵坐标）纳入权重计算，能够使得靠近网格中心的像素具有更大的影响力。有助于强调网格中心区域的图像内容，使得图像的关键部分（如中心血管）得到更加突出的展示。通过调整权重随着距离中心变化的速度，可以有效控制图像增强的局部性。图像增强可以更加精细和有针对性地应用于不同的区域，从而确保关键区域（如血管）得到适当的强调，同时保持其他区域的自然状态。通过这样的权重计算，可以更有效地优化图像中的局部对比度。通过精确控制每个像素的权重，可以更好地突出血管结构，使其在图像中更加清晰可辨。有助于提升图像中细节的表现，尤其是对于那些在原始图像中可能不太明显的细微特征通过这种方法，图像处理变得更加自适应，能够根据每个像素的特性和位置自动调整其处理方式。
在本发明一优选的实施例中，上述步骤14，根据所述对比度水平计算每个网格区域的累积分布函数，并使用所述累积分布函数映射每个网格区域原始灰度值到更新灰度值，包括：
步骤141，对每个网格区域生成灰度直方图，并计算归一化直方图；
步骤142，根据归一化直方图计算初始累积分布函数；
步骤143，根据每个网格区域的对比度系数计算每个网格区域对应的对比度调整系数；
步骤144，根据所述对比度调整系数对所述初始累积分布函数进行调整，得到每个网格区域对应的更新累计分布函数；
步骤145，根据所述更新累计分布函数对每个网格区域中的每个像素重新分配灰度级。
在本发明实施例所述的脑血管介入手术模拟器图像处理方法中，对每个网格区域生成灰度直方图，并进行归一化，有助于理解该区域的灰度分布。可以为后续的图像增强和调整提供必要的信息。归一化直方图有助于标准化处理过程，使其更加一致和可比较。通过归一化直方图计算初始累积分布函数，可以为每个网格区域提供一个基准的灰度分布。基于每个网格区域的对比度系数来计算对应的对比度调整系数，使得对比度的调整更加精确和个性化。考虑到了不同区域的特定需求，使得增强效果更加符合实际的图像特性。通过对比度调整系数对初始累积分布函数进行调整，可以更好地控制图像的对比度和细节。调整后的累积分布函数更能反映出每个区域的特定对比度需求，从而使得图像在局部区域的对比度得到优化。根据更新的累积分布函数对每个网格区域中的每个像素重新分配灰度级，这一步骤使得图像的对比度和清晰度得到进一步增强。通过这种方法，可以确保图像中每个区域的灰度级别都得到最佳调整，从而提高整体图像的可视化质量。通过这些步骤，图像的细节表现力得到提升，特别是对于脑血管的细微部分，如血管壁的轮廓和分支。整体上，这些步骤通过改善图像的对比度和清晰度，优化了图像的视觉效果。这一系列的图像处理步骤增强了图像处理的自动化能力，提高了处理过程的精确度和重复性。通过这种方式调整图像，可以确保在不同亮度水平下，图像都能够保持良好的细节和对比度。通过提供更清晰、对比度更高的图像，医生能够更准确地分析脑血管的状况，通过精细的灰度调整和分布函数的优化，显著提升了脑血管图像的质量，有助于提高临床诊断和治疗规划的准确性和效率。
在本发明一优选的实施例中，上述步骤143，根据每个网格区域的对比度系数计算每个网格区域对应的对比度调整系数，包括：
步骤1431，通过公式：
；
计算每个网格区域对应的对比度调整系数，其中，/>和/>为可调整的参数。
在本发明一优选的实施例中，将对比度调整系数应用于初始累积分布函数，调整方法可以是改变初始累积分布函数的斜率或改变其形状，以增加或减少对比度。例如，可以通过拉伸CDF曲线的上部分（代表较亮区域）和压缩下部分（代表较暗区域）来增加对比度。
在本发明实施例所述的脑血管介入手术模拟器图像处理方法中，通过计算每个网格区域的对比度调整系数，可以根据每个区域的具体需要进行个性化对比度调整。通过改变初始累积分布函数的斜率或形状，可以有效地增加或减少图像对比度。通过拉伸CDF曲线的上部分（代表较亮区域）和压缩下部分（代表较暗区域），可以使图像在不同的亮度条件下保持良好的细节和对比度。这种对比度调整增强了图像的整体视觉效果，通过改进图像的对比度和清晰度，医生可以更准确地识别和评估脑血管的状况，通过可调整的参数，医生或技术人员可以根据具体情况调整对比度级别，这提供了更大的灵活性来适应不同的图像条件，使得图像处理更加一致，减少人为误差，提高处理效率和质量。
在本发明一优选的实施例中，上述步骤2，获取所述增强图像集中至少一个元素对应的方向滤波器，并根据所述方向滤波器计算脑血管边缘强化区域，包括：
步骤21，根据脑血管的平均直径和预设曲率，构建不同方向和波长的滤波器，并通过至少一个滤波器获取边缘强化图像，得到边缘强化图像集；
步骤22，将边缘强化图像集内所有元素进行合并，得到综合边缘强化图像；其中，对每个像素位置，从边缘强化图像集中选取最大边缘强度的元素作为该像素的最终边缘强度；
步骤23，对所述综合边缘强化图像中各像素点的边缘强度进行遍历，并将其与邻近像素在相同方向上的边缘强度进行比较，若一个像素的边缘强度在其邻近方向上是局部最大时，则保留该像素点为边缘点；
步骤24，对所有边缘点进行连接处理，得到脑血管边缘。
在本发明实施例所述的脑血管介入手术模拟器图像处理方法中，根据脑血管的平均直径和预设曲率构建的滤波器可以针对脑血管的特定特征进行优化。使得滤波器能够更有效地捕捉脑血管边缘的特征，从而提高边缘检测的准确性。通过应用这些滤波器，可以获得多个方向的边缘强化图像集，这样的集合为后续的图像分析提供了丰富的信息。每个方向的滤波器能够强化该方向上的边缘特征，从而使得血管边缘更加清晰。将边缘强化图像集内所有元素合并，得到的综合边缘强化图像能够综合各个方向的边缘信息。对每个像素位置，从边缘强化图像集中选取最大边缘强度的元素作为该像素的最终边缘强度，有助于突出图像中最显著的边缘特征，通过遍历综合边缘强化图像中各像素点的边缘强度，并将其与邻近像素在相同方向上的边缘强度进行比较，可以有效地识别出真正的边缘点。当一个像素的边缘强度在其邻近方向上是局部最大时保留为边缘点，这有助于减少错误的边缘识别，提高边缘检测的准确性。对所有边缘点进行连接处理以得到脑血管边缘。通过连接边缘点，可以重构出脑血管的完整结构，能够显著增强脑血管的边缘特征，使得脑血管的形态更加清晰可见。
在本发明一优选的实施例中，上述步骤24，对所有边缘点进行连接处理，得到脑血管边缘，包括：
步骤241，对相邻边缘点进行筛选得到断点集；
步骤242，获取断点集中元素所在线段两端的方向和宽度，并根据所述方向和宽度设置样条曲线控制点；其中，所述控制点位于断点两端，并沿着血管的预测方向延伸一定距离，形成一条平滑的曲线，通过在断点两端设置控制点，位置可以根据血管方向前进血管宽度的一半或更多，可以确保曲线平滑地过渡并符合血管的自然流向；
步骤243，使用所述样条曲线控制点构建三次贝塞尔曲线，并在相邻两断点间通过所述三次贝塞尔曲线连接。
在本发明实施例所述的脑血管介入手术模拟器图像处理方法中，通过对相邻边缘点进行筛选，以得到断点集，可以有效地识别出脑血管边缘中的不连续部分。有助于后续更准确地重建血管的完整轮廓。在断点两端设置样条曲线控制点，并根据血管的预测方向和宽度进行调整，可以确保所构建的曲线平滑地过渡并符合血管的自然流向。有助于在图像中重建出更加自然和准确的血管轮廓，特别是在血管弯曲或分支的地方。通过构建三次贝塞尔曲线来连接相邻的两个断点，可以生成平滑且连续的血管边缘线。有助于提高重建血管轮廓的准确性和连续性，通过提供更连续和平滑的血管轮廓，可以优化图像的整体视觉效果，使得血管结构更加清晰和易于识别。提高了图像处理过程的自动化程度，可以更快速、更一致地处理大量的医学图像，减少人工干预和主观误差。
在本发明一优选的实施例中，上述步骤3，根据所述脑血管边缘强化区域计算脑血管修正因子，并得到脑血管网络区域，包括：
步骤31，根据预设脑血管宽度构建圆形结构元素，并依次以所述脑血管边缘强化区域中各像素点为所述圆形结构元素的圆心，获取各像素点在圆形结构元素内的最大灰度值，并将所述最大灰度值赋予该像素点；
步骤32，再次以各像素点为所述圆形结构元素的圆心，获取各像素点在圆形结构元素内的最小灰度值，并将所述最小灰度值赋予该像素点；
步骤33，对所有像素点进行移除判断，得到不能移除的像素点集，生成脑血管中心线，其中，若像素点的8邻域像素为前景像素，则该像素点不能移除；
步骤34，根据所述脑血管中心线对脑血管路径和分支点进行筛选，以去除伪脑血管路径及伪分支点。
在本发明实施例所述的脑血管介入手术模拟器图像处理方法中，通过构建圆形结构元素并以脑血管边缘强化区域中的各像素点为圆心，可以获取并强化脑血管边缘的最大和最小灰度值。有助于突出血管的边缘，并增强血管的可视化效果，使得血管的轮廓更加清晰。对所有像素点进行移除判断，以生成脑血管中心线，并去除非血管结构，有助于减少图像中的噪声和非相关内容。可以更清晰地突出真实的脑血管结构，根据脑血管中心线对脑血管路径和分支点进行筛选，可以去除伪脑血管路径及伪分支点。确保了图像中仅显示真实和重要的脑血管结构，通过这些步骤，可以提高图像的价值，使医生能够更准确地分析血管的状态，包括血管的宽度、路径和分支情况，整体上，这些步骤通过改善血管的可视化效果，提高了图像的视觉质量。清晰定义的脑血管结构为使用高级图像分析技术提供了准确的基础数据，通过精确地识别和显示脑血管的真实路径和分支点，可以减少因图像质量不佳导致的误诊和漏诊。这些步骤可以通过自动化的图像处理算法来执行，提高了处理效率，同时保持了高水平的准确性。
在本发明一优选的实施例中，上述步骤34，根据所述脑血管中心线对脑血管路径和分支点进行筛选，以去除伪脑血管路径及伪分支点，包括：
步骤341，在脑血管中心线上筛选分支点，以得到潜在分支点集；
步骤342，对于每个潜在分支点，评估其连接的血管路径的角度和连续性，以得到分支点集；
步骤343，对所述分支点集内元素依次进行判断，去除伪分支点。
在本发明一优选的实施例中，上述步骤341，在血管中心线上筛选分支点，以得到潜在分支点集，包括：
步骤3411，对脑血管中心线上每个像素点，考虑其8邻域/>内的像素；
步骤3412，定义函数，其中，/>表示为若像素i是前景像素，且与P在几何连续，则返回1，否则返回0；
步骤3413，若≥2，则/>被标记为潜在分支点。
在本发明一优选的实施例中，上述步骤342，对于每个潜在分支点，评估其连接的血管路径的角度和连续性，以得到分支点集，包括：
步骤3421，计算分支点与其相邻前景像素的向量方向，设/>为从P到邻域像素i的向量；
步骤3422，通过角度差函数计算任意两个向量之间的角度差，若存在任意两个向量/>和/>使得角度差函数/>小于预设阈值，则该分支点为有效分支点。
在本发明一优选的实施例中，上述步骤343，对所述分支点集内元素依次进行判断，去除伪分支点，包括：
步骤3431，对于每个标记的分支点，计算其邻域内前景像素的局部密度，/>，其中，/>为一个判断函数，用于判断像素i是否是前景像素。
在本发明实施例所述的脑血管介入手术模拟器图像处理方法中，若像素i是前景像素（即属于脑血管），返回1；若像素i是背景像素（即不属于脑血管），返回0；在计算局部密度/>的过程中，/> 用于识别像素的邻域内哪些像素属于脑血管；通过求和/>的返回值，并除以邻域内像素总数，反映了在像素的邻域内，前景像素（即脑血管像素）所占的比例，用来评估分支点其所在区域的脑血管密度，从而再区分伪分支点。
步骤3432，若小于另一个预设阈值，则判定/>是伪分支点并去除。
在本发明实施例所述的脑血管介入手术模拟器图像处理方法中，在脑血管中心线上筛选分支点，以得到潜在分支点集，有助于识别出脑血管网络中的关键节点。对每个潜在分支点，评估其连接的血管路径的角度和连续性，可以确保所识别的分支点是真实有效的。有助于提高脑血管网络重建的准确性，对分支点集内的元素进行进一步判断和筛选，去除伪分支点，可以显著提高脑血管图像的质量。通过去除不准确的血管结构，可以提高图像的可解释性。通过精确的算法和方法来识别和去除伪分支点，可以减少人为判断中可能出现的错误和偏差。
在本发明一优选的实施例中，上述步骤4，计算所述脑血管网络区域的结构特征，并根据所述结构特征对脑血管网络区域进行分割，得到脑血管区域，包括：
步骤41，计算所述脑血管网络区域中脑血管的方向性、宽度、分支模式和密度；
步骤42，根据脑血管的方向性、宽度、分支模式和密度创建分割模型，并使用所述分割模型对所述脑血管网络区域中的每个像素进行分类，确定其是否属于脑血管区域；
步骤43，分析分类结果，并使用形态学方法对血管的分支和交叉点区域进行调整，以保持脑血管的连续性。
在本发明一优选的实施例中，方向性可以通过计算每个血管像素的局部梯度方向来估算。使用像素的梯度信息构建方向场，表示血管在每个点的流动方向。宽度分析涉及测量血管中心线上的像素到最近的边缘的平均距离，用于估计血管的平均宽度。分支模式和密度的分析可以通过对血管中心线进行分支点检测和统计来实现，包括分支点的数量和分布。
在本发明一优选的实施例中，分割模型可以是基于阈值的简单模型，也可以是更复杂的机器学习模型，如基于决策树或神经网络的分类器。应用分割模型对图像中的每个像素进行分类，确定其是否属于脑血管区域。例如，可以基于像素的方向性、宽度和距离最近分支点的距离来决定其类别。在分割过程中，可能需要考虑像素之间的空间关系，以确保分割的连续性和一致性。可以通过使用图割算法或马尔可夫随机场等技术来实现。
在本发明一优选的实施例中，对于可能由分割过程中的误差产生的孤立区域或异常结构，应用基于邻域分析的校正技术。例如，如果一个小区域在空间上与主要血管网络分离，但具有类似的结构特征（如宽度和方向），则可能将其合并回血管网络。利用迭代的优化技术，如模拟退火或梯度下降方法，对分割边界进行微调，以实现更精确的血管边界定位。
通过这些步骤，步骤4不仅能够根据结构特征精确地对脑血管网络区域进行分割，还能通过后续的优化和校正确保分割结果的准确性和一致性。这种方法可以从复杂的脑血管图像中提取出清晰、连续且准确的脑血管结构。
在本发明一优选的实施例中，上述步骤5，获取脑血管区域对应的拓扑分析因子，并根据至少一个拓扑分析因子得到目标脑血管网络图像，包括：
步骤51，计算脑血管区域的拓扑特征；
步骤52，使用图像处理算法识别血管分支点和交叉点，对于每个血管分支，计算其长度和宽度，以及与其他分支的连接方式；
步骤53，计算血管网络的整体特性，并将异常短或异常长的血管分支进行校正；
步骤54，将校正后的血管网络数据重新映射到图像空间，生成目标脑血管网络图像。
在本发明一优选的实施例中，脑血管区域的拓扑特征包括血管分支数、血管长度、血管网络的密度和复杂度。这些特征可通过分析血管中心线和血管分支点来获得。使用图论的概念，将血管网络视为图，其中血管分支作为边，分支点作为顶点。对于识别为异常的拓扑特征，进行进一步的检查和校正。包括使用形态学方法调整血管分支长度或重新连接断裂的血管。在血管网络中应用基于图的优化算法，如最短路径算法，以优化血管路径和分支的表示。例如，对于看似非直观或过于曲折的血管路径，可以通过重新计算分支间的最短或最合理路径来进行校正。对于交叉点过于密集的区域，采用空间重新分布算法来调整交叉点的位置，减少交叉点的拥挤，并确保血管网络的整体可读性和功能性。
在本发明实施例所述的脑血管介入手术模拟器图像处理方法中，通过计算血管分支数、血管长度、血管网络的密度和复杂度等拓扑特征，可以为分析提供重要的量化数据。这些数据有助于理解血管网络的结构，识别异常和潜在的病理变化。使用图像处理算法识别血管的分支点和交叉点，并计算每个分支的长度和宽度，有助于详细了解血管的结构特点。对异常短或异常长的血管分支进行校正，有助于提高图像的真实性和准确性。将校正后的血管网络数据重新映射到图像空间，生成目标脑血管网络图像，可以提供更准确和现实的血管网络视觉表示。将血管网络视为图，其中血管分支作为边，分支点作为顶点，有助于更系统地分析和优化血管网络。例如，应用最短路径算法优化血管路径，可以提高血管网络的表示质量。对于识别为异常的拓扑特征，如断裂的血管，使用形态学方法进行重新连接，有助于恢复血管网络的完整性，对于交叉点过于密集的区域，采用空间重新分布算法来调整交叉点的位置，有助于减少交叉点的拥挤，并确保血管网络的整体可读性和功能性。通过优化血管路径和分支的表示，可以使血管网络图像更加直观和清晰。
如图2所示，本发明的实施例还提供一种脑血管介入手术模拟器图像处理装置，包括：
第一获取模块10，用于获取脑血管图像，并对所述脑血管图像进行网格分区增强处理，得到增强图像集；
第二获取模块20，用于获取所述增强图像集中至少一个元素对应的方向滤波器，并根据所述方向滤波器计算脑血管边缘强化区域;
修正模块30，用于根据所述脑血管边缘强化区域计算脑血管修正因子，并得到脑血管网络区域；
分割模块40，用于计算所述脑血管网络区域的结构特征，并根据所述结构特征对脑血管网络区域进行分割，得到脑血管区域；
处理模块50，用于获取脑血管区域对应的拓扑分析因子，并根据至少一个拓扑分析因子得到目标脑血管网络图像。
需要说明的是，该装置是与上述方法相对应的装置，上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置（包括处理器、存储介质等）或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种脑血管介入手术模拟器图像处理方法，其特征在于，所述方法包括以下步骤：
获取脑血管图像，并对所述脑血管图像进行网格分区增强处理，得到增强图像集，包括：
使用高斯金字塔将所述脑血管图像进行分解，得到包括不同尺度的图像层；
将所述图像层中每个尺度的图像进行网格划分，得到至少一个网格区域；
对每个网格区域计算统计特征，并根据所述统计特征得到每个网格区域的对比度水平；
根据所述对比度水平计算每个网格区域的累积分布函数，并使用所述累积分布函数映射每个网格区域原始灰度值到更新灰度值；
依次对每个网格区域进行直方图均衡化处理，并将直方图均衡化处理后的各网格区域重新组合，得到增强图像集；
获取所述增强图像集中至少一个元素对应的方向滤波器，并根据所述方向滤波器计算脑血管边缘强化区域，包括：
根据脑血管的平均直径和预设曲率，构建不同方向和波长的滤波器，并通过至少一个滤波器获取边缘强化图像，得到边缘强化图像集；
将边缘强化图像集内所有元素进行合并，得到综合边缘强化图像；其中，对每个像素位置，从边缘强化图像集中选取最大边缘强度的元素作为该像素的最终边缘强度；
对所述综合边缘强化图像中各像素点的边缘强度进行遍历，并将其与邻近像素在相同方向上的边缘强度进行比较，若一个像素的边缘强度在其邻近方向上是局部最大时，则保留该像素点为边缘点；
对所有边缘点进行连接处理，得到脑血管边缘，包括：
对相邻边缘点进行筛选得到断点集；
获取断点集中元素所在线段两端的方向和宽度，并根据所述方向和宽度设置样条曲线控制点；
使用所述样条曲线控制点构建三次贝塞尔曲线，并在相邻两断点间通过所述三次贝塞尔曲线连接;
根据所述脑血管边缘强化区域计算脑血管修正因子，并得到脑血管网络区域，包括：
根据预设脑血管宽度构建圆形结构元素，并依次以所述脑血管边缘强化区域中各像素点为所述圆形结构元素的圆心，获取各像素点在圆形结构元素内的最大灰度值，并将所述最大灰度值赋予该像素点；
再次以各像素点为所述圆形结构元素的圆心，获取各像素点在圆形结构元素内的最小灰度值，并将所述最小灰度值赋予该像素点；
对所有像素点进行移除判断，得到不能移除的像素点集，生成脑血管中心线；
根据所述脑血管中心线对脑血管路径和分支点进行筛选，以去除伪脑血管路径及伪分支点；
计算所述脑血管网络区域的结构特征，并根据所述结构特征对脑血管网络区域进行分割，得到脑血管区域；
获取脑血管区域对应的拓扑分析因子，并根据至少一个拓扑分析因子得到目标脑血管网络图像。
2.根据权利要求1所述的脑血管介入手术模拟器图像处理方法，其特征在于，计算所述脑血管网络区域的结构特征，并根据所述结构特征对脑血管网络区域进行分割，得到脑血管区域，包括：
计算所述脑血管网络区域中脑血管的方向性、宽度、分支模式和密度；
根据脑血管的方向性、宽度、分支模式和密度创建分割模型，并使用所述分割模型对所述脑血管网络区域中的每个像素进行分类，确定其是否属于脑血管区域；
分析分类结果，并使用形态学方法对血管的分支和交叉点区域进行调整。
3.根据权利要求2所述的脑血管介入手术模拟器图像处理方法，其特征在于，获取脑血管区域对应的拓扑分析因子，并根据至少一个拓扑分析因子得到目标脑血管网络图像，包括：
计算脑血管区域的拓扑特征；
使用图像处理算法识别血管分支点和交叉点，对于每个血管分支，计算其长度和宽度，以及与其他分支的连接方式；
计算血管网络的整体特性，并将异常短或异常长的血管分支进行校正；
将校正后的血管网络数据重新映射到图像空间，生成目标脑血管网络图像。
4.一种脑血管介入手术模拟器图像处理装置，其特征在于，包括：
第一获取模块，用于获取脑血管图像，并对所述脑血管图像进行网格分区增强处理，得到增强图像集，包括：
使用高斯金字塔将所述脑血管图像进行分解，得到包括不同尺度的图像层；
将所述图像层中每个尺度的图像进行网格划分，得到至少一个网格区域；
对每个网格区域计算统计特征，并根据所述统计特征得到每个网格区域的对比度水平；
根据所述对比度水平计算每个网格区域的累积分布函数，并使用所述累积分布函数映射每个网格区域原始灰度值到更新灰度值；
依次对每个网格区域进行直方图均衡化处理，并将直方图均衡化处理后的各网格区域重新组合，得到增强图像集；
第二获取模块，用于获取所述增强图像集中至少一个元素对应的方向滤波器，并根据所述方向滤波器计算脑血管边缘强化区域，包括：
根据脑血管的平均直径和预设曲率，构建不同方向和波长的滤波器，并通过至少一个滤波器获取边缘强化图像，得到边缘强化图像集；
将边缘强化图像集内所有元素进行合并，得到综合边缘强化图像；其中，对每个像素位置，从边缘强化图像集中选取最大边缘强度的元素作为该像素的最终边缘强度；
对所述综合边缘强化图像中各像素点的边缘强度进行遍历，并将其与邻近像素在相同方向上的边缘强度进行比较，若一个像素的边缘强度在其邻近方向上是局部最大时，则保留该像素点为边缘点；
对所有边缘点进行连接处理，得到脑血管边缘，包括：
对相邻边缘点进行筛选得到断点集；
获取断点集中元素所在线段两端的方向和宽度，并根据所述方向和宽度设置样条曲线控制点；
使用所述样条曲线控制点构建三次贝塞尔曲线，并在相邻两断点间通过所述三次贝塞尔曲线连接;
修正模块，用于根据所述脑血管边缘强化区域计算脑血管修正因子，并得到脑血管网络区域，包括：
根据预设脑血管宽度构建圆形结构元素，并依次以所述脑血管边缘强化区域中各像素点为所述圆形结构元素的圆心，获取各像素点在圆形结构元素内的最大灰度值，并将所述最大灰度值赋予该像素点；
再次以各像素点为所述圆形结构元素的圆心，获取各像素点在圆形结构元素内的最小灰度值，并将所述最小灰度值赋予该像素点；
对所有像素点进行移除判断，得到不能移除的像素点集，生成脑血管中心线；
根据所述脑血管中心线对脑血管路径和分支点进行筛选，以去除伪脑血管路径及伪分支点；
分割模块，用于计算所述脑血管网络区域的结构特征，并根据所述结构特征对脑血管网络区域进行分割，得到脑血管区域；
处理模块，用于获取脑血管区域对应的拓扑分析因子，并根据至少一个拓扑分析因子得到目标脑血管网络图像。
5.一种脑血管介入手术模拟器图像处理设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3中任一所述的脑血管介入手术模拟器图像处理方法。
6.一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中存储有程序，该程序被处理器执行时实现如权利要求1-3中任一所述的脑血管介入手术模拟器图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410124613.XA CN117649371B (zh) | 2024-01-30 | 2024-01-30 | 一种脑血管介入手术模拟器图像处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410124613.XA CN117649371B (zh) | 2024-01-30 | 2024-01-30 | 一种脑血管介入手术模拟器图像处理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117649371A CN117649371A (zh) | 2024-03-05 |
| CN117649371B true CN117649371B (zh) | 2024-04-09 |
Family
ID=90045582
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410124613.XA Active CN117649371B (zh) | 2024-01-30 | 2024-01-30 | 一种脑血管介入手术模拟器图像处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117649371B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105005998A (zh) * | 2015-08-05 | 2015-10-28 | 大连理工大学 | 一种基于多角度序列化图像空间特征点集的脑血管图像分割方法 |
| CN107491636A (zh) * | 2017-07-26 | 2017-12-19 | 武汉大学 | 一种基于计算流体力学的脑血管储备力仿真系统和方法 |
| CN111281410A (zh) * | 2020-03-13 | 2020-06-16 | 杨振全 | 一种基于造影技术的脑血管疾病成像方法及应用的造影剂 |
| CN113052860A (zh) * | 2021-04-02 | 2021-06-29 | 首都师范大学 | 一种三维脑血管分割方法及存储介质 |
| CN114708280A (zh) * | 2022-04-12 | 2022-07-05 | 吉林大学 | 一种可适用于多模态的脑血管分割算法 |
| CN114723698A (zh) * | 2022-03-30 | 2022-07-08 | 浙江工业大学 | 一种基于多尺度注意力网络的脑血管图像分割方法 |
| CN115661467A (zh) * | 2022-12-28 | 2023-01-31 | 中国科学院自动化研究所 | 脑血管图像分割方法、装置、电子设备及存储介质 |
| CN115719335A (zh) * | 2022-11-03 | 2023-02-28 | 沈阳建筑大学 | 一种脑血管图像-标签两阶段生成方法、装置及存储介质 |
| CN116342588A (zh) * | 2023-05-22 | 2023-06-27 | 徕兄健康科技(威海)有限责任公司 | 一种脑血管图像增强方法 |
| CN116862889A (zh) * | 2023-07-21 | 2023-10-10 | 四川省中医药科学院中医研究所 | 一种基于核磁共振图像的脑血管硬化检测方法 |
| CN116935164A (zh) * | 2023-07-27 | 2023-10-24 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 脑血管识别模型构建方法及网络构建方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10768259B2 (en) * | 2018-10-15 | 2020-09-08 | Zayed University | Cerebrovascular segmentation from MRA images |
-
2024
- 2024-01-30 CN CN202410124613.XA patent/CN117649371B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105005998A (zh) * | 2015-08-05 | 2015-10-28 | 大连理工大学 | 一种基于多角度序列化图像空间特征点集的脑血管图像分割方法 |
| CN107491636A (zh) * | 2017-07-26 | 2017-12-19 | 武汉大学 | 一种基于计算流体力学的脑血管储备力仿真系统和方法 |
| CN111281410A (zh) * | 2020-03-13 | 2020-06-16 | 杨振全 | 一种基于造影技术的脑血管疾病成像方法及应用的造影剂 |
| CN113052860A (zh) * | 2021-04-02 | 2021-06-29 | 首都师范大学 | 一种三维脑血管分割方法及存储介质 |
| CN114723698A (zh) * | 2022-03-30 | 2022-07-08 | 浙江工业大学 | 一种基于多尺度注意力网络的脑血管图像分割方法 |
| CN114708280A (zh) * | 2022-04-12 | 2022-07-05 | 吉林大学 | 一种可适用于多模态的脑血管分割算法 |
| CN115719335A (zh) * | 2022-11-03 | 2023-02-28 | 沈阳建筑大学 | 一种脑血管图像-标签两阶段生成方法、装置及存储介质 |
| CN115661467A (zh) * | 2022-12-28 | 2023-01-31 | 中国科学院自动化研究所 | 脑血管图像分割方法、装置、电子设备及存储介质 |
| CN116342588A (zh) * | 2023-05-22 | 2023-06-27 | 徕兄健康科技(威海)有限责任公司 | 一种脑血管图像增强方法 |
| CN116862889A (zh) * | 2023-07-21 | 2023-10-10 | 四川省中医药科学院中医研究所 | 一种基于核磁共振图像的脑血管硬化检测方法 |
| CN116935164A (zh) * | 2023-07-27 | 2023-10-24 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 脑血管识别模型构建方法及网络构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 计算机辅助血管介入技术进展综述;李娜等;《 计算机辅助设计与图形学学报》;20220731;第34卷(第7期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117649371A (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jafarzadeh Ghoushchi et al. | An extended approach to the diagnosis of tumour location in breast cancer using deep learning | |
| CN108154519A (zh) | 眼底图像中血管的分割方法、装置及存储介质 | |
| CN105640577A (zh) | 一种自动检测放射影像中局部性病变的方法和系统 | |
| CN112365973B (zh) | 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统 | |
| CN103942780B (zh) | 基于改进模糊连接度算法的丘脑及其子结构分割方法 | |
| Ozkava et al. | An efficient retinal blood vessel segmentation using morphological operations | |
| CN111815663A (zh) | 一种基于Hessian矩阵和灰度法的肝血管分割系统 | |
| CN116630762B (zh) | 一种基于深度学习的多模态医学图像融合方法 | |
| Ribeiro et al. | Handling inter-annotator agreement for automated skin lesion segmentation | |
| CN112862022A (zh) | 一种计算非增强ct的aspects评分方法 | |
| KR102421110B1 (ko) | 뇌질환 판단을 위한 딥러닝 기반의 pet 영상 분류 장치 및 그 방법 | |
| CN112907581A (zh) | 一种基于深度学习的mri多类脊髓肿瘤分割方法 | |
| CN117649371B (zh) | 一种脑血管介入手术模拟器图像处理方法及装置 | |
| Mouzai et al. | Low-contrast X-ray enhancement using a fuzzy gamma reasoning model | |
| CN111784652A (zh) | 基于强化学习多尺度神经网络的mri分割方法 | |
| CN111145155A (zh) | 一种睑板腺腺体的识别方法 | |
| Bajla et al. | Nonlinear filtering of magnetic resonance tomograms by geometry-driven diffusion | |
| Soni et al. | Automatic Pulmonary Cancer Detection using Prewitt & Morphological Dilation | |
| Mahapatra et al. | An optimal statistical feature‐based transformation function for enhancement of retinal images using adaptive enhanced leader particle swarm optimization | |
| CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
| Dovganich et al. | Automatic quality control in lung X-ray imaging with deep learning | |
| Khan et al. | A Computer-Aided Diagnostic System to Identify Diabetic Retinopathy, Utilizing a Modified Compact Convolutional Transformer and Low-Resolution Images to Reduce Computation Time. Biomedicines. 2023. No. 11. Art. 1566 | |
| Dash et al. | Analysis of vessel segmentation based on various enhancement techniques for improvement of vessel intensity profile | |
| CN114387380A (zh) | 用于生成3d医学图像数据的基于计算机的可视化的方法 | |
| Kabir | A rule based segmentation approaches to extract retinal blood vessels in fundus image |
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 |