CN1943515A - 在数字图像数据中识别注有造影剂的血管的方法 - Google Patents

Abstract

本发明涉及在数字3D图像数据中识别有造影剂的血管的方法，a)选择图像数据中一个属于血管的图像体素作为种子点；b)选择图像体素强度的当前阈值作为种子点的强度，将种子点与阈值相对应；c)在与该种子点相邻的图像体素中寻找新种子点，并根据其强度和当前阈值与特定的阈值相对应；d)重复步骤c)，直至找不到其他种子点；e)将找到的种子点存储为血管体素，并与当前阈值相对应；f)降低当前阈值；g)重复步骤c)至f)，直至满足中断条件，h)将血管作为所有血管体素的集合来识别，其中，存在可能导致与待识别血管有特殊联系的相应方法步骤误识别的在先知识，步骤a)至h)中的至少一个是在考虑该在先知识的情况下而改变或扩展的。

Description

在数字图像数据中识别注有造影剂的血管的方法

技术领域

本发明涉及一种在通过3D-血管造影获得的数字图像数据中识别注有造影剂的血管的方法。

背景技术

心脏冠状血管疾病是整个工业社会中人类的主要死因之一。这种情况下，心脏功能缺陷主要是由反常的狭窄所引起的，即冠状动脉变窄。这常常会导致危及生命的心肌梗塞。

近来，在一些例如螺旋-CT(多层心脏计算机X射线断层造影-MSCT)方法中的技术改进使得可以在亚毫米范围内产生具有高位置分辨率的心脏三维图像。这其中，在约20秒的时间窗内对患者体内，例如含有心脏的胸腔拍摄64张平行的截面图像，即层。在此尤其是通过静脉内注射造影剂来显示冠状动脉。这一技术例如公知为3D-血管造影术(计算机X射线断层血管造影术-CTA)。这种成像方法的结果是可以产生患者的数字3D图像数据组。

为了能够对这些图像就患者的心脏或冠状动脉的状况进行分析，需要从图像数据中对所谓的冠状树进行识别或进行足够对比度的显示。在此冠状树是冠状动脉或血管的总和，而不包括包含在图像数据组中的其它图像信息。换句话说，应从图像数据中将冠状树提取出来，从而使其例如能够单独地，即在空旷的空间内可图像显示或者可测量。这种将冠状树从图像数据中凸现出来的过程——在专业领域内也被称为分割——将在以下始终称为识别。

这种识别的质量或品质对于随后的医疗诊断来说是非常重要的，例如分析是否存在血管变窄或者其程度如何。血管变窄是由于脂肪堆积、钙质堆积、动脉瘤或其他解剖学上的畸变如心脏冠状动脉缺陷等造成的。

除了对心脏冠状血管进行诊断，即仅仅是诊断的确定外，其定性和定量分析也是非常有用的。例如，对于必要的介入、如置入支架前的处理方案。这里，在手术的前期准备阶段就要确定出支架、所需导管的长度或者搭桥的尺寸。

医学图像数据中对相应血管的识别由于血管结构通常很细而成为严峻的挑战。例如血管的直径通常在数字图像数据中只覆盖很少图像点或体素。识别中的另一难题是待识别的血管靠近图像数据中同样以足够对比度显示的心室或心房。另外，也需要有可靠的方法或算法对测量噪声和图像干扰进行相应的图像处理。

因此，为了在医学2D-或3D-图像或图像数据中识别血管，已开发出许多方法。

有一类方法是基于所谓的相邻差异，这种差异由图像数据计算得出。这些方法的主要缺陷是它们严重受制于图像数据中存在的噪声。

还存在基于带有或不带有形状模型的可塑造模型的方法。这里，大多数模型或方法都以识别管状结构为目标，但是它们在识别冠状树中的血管分枝时就很成问题或者会失效。此外，获得形状模型需要用手工分割血管树或冠状树的在已知图像数据的、庞大而具有代表性的数据基础上进行繁复工作的训练阶段。但是在医疗实践中最为困难和严重的情况下变异的血管树常常会被错误地分割，因为它们与通常的模式或通常的形状模型偏差太大。尽管基于模型的方法比前述那些方法对于图像噪声明显更可靠一些，但是这些方法多数还不适用于3D分析。这还因为它们是计算集中的。

相反，线性算法或轮廓算法则只是提取或识别出图像数据中血管的中线，而不是整个血管体积或内腔。另外，这种技术需要很好地手工初始化。因此这里需要通过尽可能熟练的使用者，例如血管外科医生来做大量的准备工作。例如，在实践中首先要在3D区域内设置相应的标记来初始化这种方法，这是非常昂贵的。

另一广泛使用并且基本的算法是所谓的区域生长或成长方法，该方法一般广泛用于分割图像数据并且已经例如按照[Boskamp，Tobias等，“New VesselAnalysis Tool for Morphometric Quantification and Visualization of Vessels in CTans MR Imaging Data Sets”，RadioGraphics，第24卷，第1期，第287-297页，在线出版，2004]而用于血管识别或分割。

该方法用于2D或3D的情况，并且在此针对的是图像数据体素的亮度值或色度值或灰度值。该方法基于的基本假设是，紧邻着且具有类似亮度值的体素极有可能属于同一个对象。以下在不限制普遍性的情况下，将注有造影剂的血管，也即富积有造影剂的血管在图像数据中比周围组织等更为明亮的显示，并且这些更明亮的体素具有更高的灰度值或强度值。至于所要分割的3D图像数据，指的是纯灰度值图像，也即不是彩色图像。体素的灰度值用Hounsfield单位表示。

首先，多数情况下要手动地先给出第一种子点或萌芽点sp，即其中添加了空种子点集合SP_T的一个单独的图像体素。在此，T是种子点的灰度。由此出发，该方法分割图像数据或对血管进行识别，其中，逐步地检测与种子点sp相邻的体素nsp，看其是否可能是血管体素。将这些体素作为可能的种子点添加到相应于其灰度值I的种子点集合SP_I中。然后如下所述，当T设为相应的值I时，对相应存储的种子点进行处理。

如果检测了阈值T的所有邻居，则将种子点本身添加到空的分割的区域R中。该区域R就是生长的血管树。

针对相应的阈值T，通常要选择出其值为T_max≥T≥T_min的总间隔，并且在方法过程中逐步地降低实际的阈值T。

如果对于已经分割的区域R不能再找到其他其强度大于目前的阈值T的相邻体素nsp，则将其降低一个预定的步幅，并且以此改变的阈值T来进行进一步的方法过程。

被分割的种子点、也即属于集合R的种子点，一般用识别其的、相应的阈值T来标记。由此产生根据强度值划分的结果R，该结果使得在完成所有的算法处理之后也能逐步离开已经分割的区域。

最大阈值T_max在此是指手工确定的第一种子点的强度。最小阈值T_min则是由使用者交互式地确定的。在整个阈值间隔T_min至T_max内进行分割。

虽然通过提高最小阈值T_min使用者可以减小已知的错误分割，例如心室的集合。但是其中的缺点是，所有那些被识别为是正确的、但是强度却比T_min更小的血管，同样会在结果中消失。如果例如在左心室的区域内寻找时算法在高阈值处出现了分岔，则由此就只能分割一小部分的待分割血管，即非常明亮的血管，而不会出现大范围的错误切割。

现根据图9来详细阐述现有技术中已知的生长算法。

在起始步骤300，首先由一个未示出的使用者在未示出的3D-图像数据中手工选择出作为种子点sp的第一体素。将该种子点sp的灰度I选择为最大阈值T_max。接着，将集合SP_Tmax的种子点sp记作唯一的种子点。另外，使用者再根据其经验值确定下限阈值T_min。

首先，在循环开始302a处确定位于阈值上限T_max和阈值下限T_min之间的实际阈值T的值域，在此首先设实际阈值T为阈值上限T_max。在下一个循环起点304a处又从由此而首先对应于上述集合SP_Tmax的种子点集合SP_T中选择第一种子点sp。在其后的循环起点306a处又针对刚选出的种子点sp而从直接邻接于sp的相邻体素的集合中选择出种子点sp的第一相邻体素nsp。

现在在分支308中对相邻体素nsp进行检测，考察其亮度值或强度值HU(nsp)是否大于或等于阈值下限T_min。如果满足这一标准，则在步骤311的是分支310中，将相邻体素nsp写作种子点集合SP₁的新种子点或添入其中。这里，种子点集合的阈值I由相邻体素HU(nsp)的强度最小值和实际的阈值T确定。相反，在相应的否分支312中则不进行进一步操作。

然后在循环终点306b中检测，对于当前种子点sp是否存在另一相邻体素nsp。如果是，则将其选择出来并返回循环起点306a。如果否，则在步骤314中将种子点sp添加到结果集合R中，其中当前阈值T来标记种子点sp。另外，还要将sp从种子点集合SP_T中去除，并因此而进行完全的处理。

然后在循环终点304b中检测，在种子点集合SP_T中是否存在其他种子点sp。如果是，则分支到循环起点304a，并从集合SP_T中选择下一个种子点。如果否，则分支到循环终点302b处，并在那里将当前阈值T降低一个固定的步幅，在本例中是向T_min的方向降低一个灰度级，并接着分支到循环起点302a处。

在最后的方法步骤之后，随着阈值T＝T_min，算法结束。

结果集合R此时包含经分割的血管树，即在生长算法过程中确定的所有种子点sp以及在起始步骤300中的起始种子点sp，其中每个起始点sp都对应于其被补充进结果集合R中的当前阈值T。

即便该区域生长法也具有上述那些缺陷，但是其基本优点是处理时的快速和转化为计算机程序的简单。

发明内容

因此，本发明要解决的技术问题在于提供一种用于在数字3D图像数据中识别注有造影剂的血管的相应的改进的方法。

步骤a)至h)描述了相应于现有技术已知的、以上已根据图9描述的一般的生长算法的基本形式。

这里，本发明基于如下认识，即迄今基于这种算法的已知方法在实施或使用时没有顾及到那些待分割的结构。

因此，根据本发明，是在考虑了有关待识别的血管的在先知识的情况下进行至少一个方法步骤a)至h)。有关待识别的血管的在先知识例如可以是其主要形状、大小、直径等。对于冠状动脉而言已知，例如，它们的直径在轴向上从心室出发不允许有明显的增加。所以，如果在分割血管的方法过程中形成了相对于已知血管的异乎寻常大的直径的区域，则可以断定，这是错误的分割并且不是患者的待识别的血管。根据本发明，在步骤a)至h)中通过改变或扩展而融入这些知识，从而实现本发明的方法。

上述生长算法的优点在此也仍然保留。但对于从例如计算机断层造影-血管造影数据中分割出冠状动脉树则得到明显的改善。因此该方法仍保持是快速的，并因此也可施用于大的3D数据组。由此其可用于诊疗所的日常使用。错误分割的风险得到最大程度的降低，因为最经常的错误分割的特性已事先知晓，并可通过相应的步骤根据在先知识而将它们检测或捕捉出来。本发明的方法不仅可以用于CTA数据，而且还可例如用于磁共振血管造影(MRA)等技术中。另外，本方法也不限于分割冠状动脉，而且也可用于其他血管，例如在患者背部或脑部的血管。

在本发明方法中可以采集在该方法的某个特定段中对应于相一阈值的种子点的数目，当该数目超过最大值时产生溢出信号，并且在该阶段中不将对应于该阈值的种子点作为血管体素存储。

这里，该方法阶段是指任意、但又固定定义的方法部分，例如整个方法步骤c)，其是在同一当前阈值处进行的。

如果在特定的方法步骤中有特别多的种子点对应于相同的阈值，即它们的数目超过最大值，则意味着分割了一个按公知的方式不属于血管的区域。对于这些方案来说存在着有关血管的在先知识，即在一个特定的方法步骤中分割血管的某一段，并且该段只具有特定的最大体积。因此，在该方法步骤中新找到的种子点的数目也是有限的。

由此，当事实上只有所预期的血管被正确识别时，只允许采集特定最大数目的种子点。否则则认为该方法识别出位于血管之外的区域。而这就是一种所谓的“溢出”，因为，换句话说，算法在识别过程中游离于血管之外。

因此在这种情况下就会产生溢出信号。可以以各种方法和方式分析或进一步利用该溢出信号。例如可以结束整个方法，或者也可以对溢出做出合适的反应。

根据在先知识已知，在相应方法阶段中识别出的种子点的、超过最大值的数目不属于或者部分不属于血管。因此也就不把它们作为血管体素存储。这意味着，不将新出现的种子点标记或存储为血管体素，或者将已存储的种子点或血管体素相应地再从血管体素集合中去除。

上述识别溢出的方法变形还可以在作为血管识别具有多条分支的血管的情形下进一步具体化。如果对应于同一阈值的种子点数目仅在第一分支中超过最大值，则可以针对该第一支路中断停止该方法，而对其他支路继续执行该方法。由此，在上述溢出识别时不会完全终止该过程，而是基本上只在形成溢出的位置，即识别出异常多种子点的位置处终止。然后，在其余支路中继续执行该生长法。

例如，在3D图像数据中，在溢出位置处设置相应的标记或标识，以此来中断在该位置处的分割，或者换句话说结束溢出。不在出现溢出的支路内的血管的剩下的血管树则可以不受阻碍地继续生长。

针对存储的血管体素的至少一个子区域，可以确定在该子区域内血管体素的总数N、确定其所有相邻的图像体素同样也是血管体素的该子区域的内部血管体素的数目N₁、确定该子区域的密度值d＝N₁/N，并且当密度值d低于边界值d_min时，不再继续存储该存储的血管体素的子区域。

这一方法变形所基于的知识是，例如在对患者的心室进行分割时会出现所谓的缺陷或稀疏-体素集。这里，血管体素包括一个特定的隔开的体积，但是并非所有的图像体素在体积内都能看作是血管体素。换句话说，在体积内存在许多非血管体素的位置，换句话说也就是并非是大块的、只是由血管体素组成的图像，而是先前所述的一种有缺陷的图像。利用上述方法变形可以将这样的图像从血管体素的解集中去除，其中不存储这样的血管体素或将已经存储的血管体素再删除。

在步骤a)中可以选择由步骤b)的种子点所围绕的预定数量的图像体素的最大强度值作为阈值。这里所利用的在先知识为：由于噪声原因，相邻图像体素的亮度或强度通常强烈不同，即使它们原本应该具有相同亮度，因为它们属于相一图像，例如血管。因为在步骤b)中要选择特定的图像体素作为种子点，所以其对应于阈值的强度值就会强烈地取决于实际所选择的图像体素。如果所选择的、3D图像数据中位于已知属于血管的区域内的图像体素的强度值，由于噪声的原因而例如在该方法的开始就相对于其他位于血管中的图像体素非常低，则在第一方法阶段中，也即在最大阈值的阶段中，就可以将很大量的图像体素标记为血管体素。这样，所有属于血管的图像体素都至少具有起始体素的亮度。如果能辨认出溢出或稀疏-体素，则这会较少差异的解集合，因为第一方法阶段的所有血管体素都对应于相对较低的阈值。

通过根据本发明从第一种子点的周围选择最大强度值，就能在3D-图像数据的图像噪声范围内，在通常手动选择的第一种子点的位置处对该方法采用实际的血管最大强度值。因此，该方法是在明显更高的最大阈值处开始的，而这产生所识别的血管的明显不同的结果集合，因为较暗的图像体素已属于其他的解子集(Lsungsteilmenge)。

在第一次方法运行的步骤h)结束之后，可以将识别出的血管存储为第一部分血管，然后以步骤a)开始第二次方法运行，在步骤b)中选择第二种子点，然后以步骤c)至h)运行第二方法过程，并将在步骤h)中识别出的血管作为第二部分血管，与第一部分血管整合成总的血管。

由此同时或相继地执行多次生长法，但无论如何都是相互独立地进行的，即它们分别以不同的、也就是第一和第二种子点开始，并且通常由此会导致不同的部分血管作为结果。这样还可以识别出并无相互联系的血管树。另外，尽管如此或者在例如由于如上所述的溢出现象而发生第一方法过程中断时，也仍然可以完整地，即无其他溢出地执行第二方法过程。

该方法可以在3D-血管造影和/或造影剂-计算机X射线断层造影范围内执行。首先对于3D-血管造影或造影剂-CT技术来说，在其中所生成的3D-图像数据中将血管识别出来是非常重要的，并且可以通过本发明的方法而相对于现有技术明显改善这种识别过程。

作为血管可以识别患者的冠状心脏冠状血管。首先对于心脏冠状血管而言存在着许多在先知识，从而使得根据本发明通过考虑这些在先知识而可特别好且特别有效地匹配和改善这种生长法。

作为识别心脏冠状血管时的准备知识，可以考虑那些对于患者心脏冠状血管、心室、其心房和大动脉的认知。首先，心脏冠状动脉的明显特征即能区分心室和心房或大动脉，从而能赋予本发明方案特别好的结果。例如，如果在心脏冠状血管位置处分割或识别心室、其心房或大动脉，则可以特别简单地识别相应的溢出情况。

在方法流程中当前阈值改变的范围可以取决于当前阈值的起始值，也即步骤a)中算得的阈值的值。例如，通过使用S形函数可以将不同亮度的起始阈值分配到当前阈值贯穿其中的不同的阈值范围。位于特别明亮或特别灰暗的待识别血管中的起始点可以带来明显更好的切割效果。由于当前阈值的数值范围取决于起始值，所以也可以同样很好地分割不同来源的图像数据。因此，利用本发明的方法在获得3D-图像数据时可以顾及到不同的患者数据和图像拍摄参数。

附图说明

为进一步阐述本发明，可参考附图所示的实施例。附图均为示意的原理图：

图1为用于从3D图像数据中分割出血管的方法的流程图片段；

图2为图1所示方法的另一片段的流程图；

图3示出图1和图2所示方法的另一替代方案；

图4为图1至3的替代方案的流程图；

图5示出取自含有设置于其中的种子点的血管的片段和所属的阈值；

图6示出用于确定图5阈值的S形函数；

图7示出带有处于溢出状态的分割结果的待分割血管的片段；

图8示出作为分割结果的血管树；

图9示出现有技术中从3D-图像数据中分割血管的方法的流程图。

具体实施方式

图1所示为根据本发明扩展的如图9的现有技术的方法的第一实施方式。在图1中进行所谓的“整体”溢出识别。图7所示为在血管82中的这种溢出84。以下还将进一步详细阐述溢出的形成。

为了识别溢出，在图1中，在已知的如图9的方法中嵌入了两个方法阶段2a、2b。方法阶段2a位于循环起点302a和304a之间。方法阶段2b则在步骤314和循环终点304b之间。在方法阶段2a内，在步骤4中将数值变量n设为0，并在变量N中计算当前有效的种子点集合SP_T的大小，也即其中所含的种子点sp的数量作为|SP_T|。

接着，进行如图9的已知方法，直至步骤314。在此，如上所述，对于种子点集合SP_T的确定选出的种子点sp检测其所有的相邻点nsp，并且必要时在步骤311中作为种子点集合SP_{min(HU(nsp)；T)}的新种子点加入。

根据本发明，在此将新种子点nsp分别添加到相应种子点集合SP_{min(HU(nsp)；T)}的末端。另外，在集合SP_T中，在循环起点304a总是从集合的开始对要处理的种子点sp进行处理。因此，所有的种子点集合SP都在先进先出栈的意义上构成集合，使得在该方法中实际上最先或最后添加的种子点sp也最先或最后被处理。

在步骤314之后，对所有当前种子点sp的相邻点进行考察，对种子点用当前阈值T来标记，将其添加到结果集合R中，并从种子点集合SP_T中去除。然后，按照本发明在步骤6中将数字变量增加值1。因此n描述的是截至此时在步骤314中已经处理的种子点的数目。

在分支8检查是否所有在步骤4中确定的N个种子点，即所有在流程开始时包含于种子点集合SP_T中的种子点sp都已经被处理，也就是n是否等于N。如果还不是这种情况，则进入带有循环终点304b的否支路10中，并以已知的方式对种子点集合SP_T中的下一个种子点sp进行处理。

但是如果所有在步骤4中确定的N个种子点sp都已被处理，则进入是支路12。在那里考察种子点集合SP_T是否异乎寻常强烈地生长。为此，在步骤14中将数字变量n首先重新设置为数值0，并确定此时种子点集合SP_T的大小作为N。由于至此自步骤4以来所有n个种子点都已经在各个步骤314中被从集合SP_T中去除了，因此N给出了自步骤4以来添加到集合SP_T中的所有种子点sp的数目。

在岔口16处检查，变量N是否低于先前所设定的最大允许的添加的种子点数N_max。如果是这样，则说明在步骤4和14之间没有添加异常多的种子点sp到集合SP_T中。由此可以断定该方法没有分支到如图7所示的溢出中。因此选定是支路18，并且该方法如通常那样从循环终点304b处继续进行。

但是如果至少有N_max个种子点sp添加到集合SP_T中，则可以判断发生了如图7所示的溢出。因此分支16断定进入否支路20，由此该方法也就在步骤24中识别出“整体”溢出。

在此位置，本发明方法的第一实施方式停止。但是在这个位置处，也可以如箭头22所示，进入如图2所示的另一个方法阶段26中，其代替所述在步骤24的方法中断执行。

在步骤24中确定了溢出之后，在步骤28中从结果集合R中去除所有自循环起点302a以来所添加的种子点sp。换句话说也就是所有截至此时在当前阈值T下的分割结果。也就是说，将结果集合R重新置回其在处理阈值T+1之后所具有的状态，并且对于阈值T以替代方式再次执行分割。

在与循环起点304a相同的循环起点30a，再次从种子点集合SP_T中选择出第一种子点sp，但这次在步骤32中添加到新的、开始是空的结果集合R_temp中。在类似于循环起点302a的循环起点34a，现在将临时阈值T_temp设定为等于当前阈值T，并且该值在方法阶段26的过程中通常是逐步降低到T_min的。

接着，在方法阶段36中几乎一样地执行如图1所示的生长法。只是将图1的步骤314中的种子点不是添加到结果集合R中，而是添加到结果集合R_temp中。

图1的方法阶段2b也稍有改动：图1的否支路20对应于图2中的是支路38，并且通向图2中的步骤40而不是图1中的步骤24。在步骤40中，也即当检测到溢出时，也将所有自循环起点34a起在值T_temp下添加到结果集合R_temp中的种子点sp_T，temp去除。另外，对应于图1中的是支路18和否支路10的图2中的否支路42不是通向图1的循环终点304b，而是通向循环终点34，在其中将临时阈值T_temp下降一个灰度级。

在从T、即在步骤24中揭示溢出的图1的循环起点302a的当前灰度值到循环终点34b内或步骤40之后的T_min运行完所有的临时阈值T_temp以后，将执行图2中的判断步骤44。

在判断步骤44中检查，截至此时所得到的结果集合R_temp是否具有有空隙的、也即所谓的“稀疏”结构。为此，对于包含于结果集合R_temp中的种子点sp确定一个密度值d，d＝N₁/N，其中N＝|R_temp|表示包含在R_temp中的体素或种子点sp的数目，N₁表示R_temp中的内部体素的数目。内部体素是那些其所有相邻点也同样属于R_temp的体素。如果所确定的密度值d大于或等于先前所确定的阈值d_min，则分割结果R_temp就足够“密”，也就是说没有“稀疏”的区域。于是，在图2中就要分支到否支路46。在那里，在步骤48中将所确定的临时结果R_temp添加到总结果R中。

相反，如果R_temp是具有空隙、即“稀疏”分布的体素的集合，则有d＜d_min，因此分支到是支路50。在该支路中，首先在步骤52中清空集合R_temp，因为分割带有稀疏体素组的方法阶段26不会产生有意义的结果。此外，还要将当前种子点sp遮蔽(ausmaskieren)，即该种子点sp在整个其余的方法流程中再不会被处理，因为该点造成分支进入空隙分布的结果区域R_temp。

接着，方法阶段26分岔进入循环终点30b，从那里处理集合SP_T中的下一个种子点sp。方法阶段26在处理完最后一个种子点sp之后，就转向循环终点302b或图1或图9中的循环起点302a。由此，也就结束了对图1步骤24中所确定的溢出的处理。然后，图1的方法按照往常那样继续进行。

作为其他方法变形，还可以同时和/或相继执行多个如图9的完整的生长法。这一过程如图3所示。当然，在执行生长法200时也可以使用根据本发明改进的生长法。在此各个生长法200的区别在于在步骤300中选择第一种子点sp。这样，每个单独的生长方法200都对结果提供自己的结果集合R₁、R₂和R₃。在最后一步中，将这些结果集合R₁至R₃合并成总结果集合R_ges。

图4中描绘了另一方法变形。在起始步骤300中还另外手动选择一个起始点sp作为起始体素。但是这里并不选择起始点sp的强度或灰度值作为最大阈值T_max，而是选择来自先前定义的起始点sp的相邻体素组中的体素的最大强度。在围绕sp的三个空间方向上可以考虑例如将在7×7×3相邻关系内的所有体素作为相邻点，条件是当所有的体素体积都由层析图像(Schichtbilder)构成时，并且均要在2D层析图像中选择7×7的相邻点，并且对于起始体素的层还要考虑到两个相邻的层，也就是总共考虑三个层。

另一方法变形可根据示出血管树60的图5来阐述。在该血管树上，根据图3以不同选择的起始点62和64实施生长方法200的两个不同的方法过程。第一起始点62具有灰度值或强度I₁。如图6所示，根据S形函数68，起始点62的强度I₁对应着值ΔT₁＝T_max-T_min。也就是说，在相应的方法流程200中，在循环起点302a或循环终点302b处ΔT₁在灰度值T_max至T_min之间变化。

第二种子点64不同于第一种子点62，位于血管树60的另一个支路血管66中。因此，对于种子点64的强度I₂有I₂＜I₁。由此根据图6中的S形函数68，值I₂也对应较小的值ΔT₂。因此，在对应于种子点64的方法流程200中，在循环开始302a或循环终点302b，T_max与T_min之间的灰度值ΔT₂小于在对应于种子点62的方法流程200中的。

图7描绘了血管树70中生长方法200的分支情况。这里，在血管72中，区域R沿着箭头74的方向生长。在血管岔口76上，分割出的区域R首先沿着两个可能的分岔方向生长，如箭头78所示。在位置80处，血管82的生长算法在阈值T时分岔发生了溢出84。也就是说现在该方法添加到区域R的体素并不属于血管70，而是例如属于相邻于血管的骨结构或凹穴。

通过本发明的如图1的方法能够在步骤24中发现这种溢出84，并且如图2的步骤28所示那样，将在阈值T时溢出84的部分结果从结果R中去除。然后，在阈值T+1处的分割结果R则保留。该方法在血管82中终止于位置83处，而在血管86中则终止于位置88处。

但是，由于根据图2在方法阶段26中进行的其他临时生长过程，所以血管86中的区域R也可能越过位置88向外沿着箭头78的方向继续生长，因为在这一支路内没有识别出溢出，并且那里的种子点sp没有在是支路50或步骤51中被遮蔽。

图8所示为作为分割结果R_ges的血管树90，该血管树由两个部分结果R，即此处没有示出的人体心脏的左和右冠状动脉92a、b组成，并且该血管树是根据图3以两个同时进行的生长方法200得到的。对于相应的方法，在左和右冠状动脉的大动脉出口区域手工选择种子点94a、b。图8中的图像是从分割结果R_ges中通过所谓的“体积着色(Volume-Rendering)”技术作为人工三维透视图由3D体素数据或图像数据绘制出来的，据此可以实施本发明方法。

Claims (10)

1、一种用于在数字三维图像数据中识别注有造影剂的血管(60，70，92a，b)的方法，该方法包括以下步骤：

a)选择三维图像数据中一个属于血管(60，70，92a，b)的图像体素作为种子点(sp)，

b)选择图像体素(sp，nsp)强度(HU)的当前阈值(T)作为该种子点(sp)的强度(HU)，并将该种子点(sp)与该阈值(T)相对应，

c)根据用于寻找新种子点的检测标准(308)在与该种子点(sp)相邻的图像体素(nsp)中寻找新的种子点(sp)，并根据其强度(HU)和当前阈值(T)与特定的阈值(T，HU(nsp))相对应，

d)不断重复步骤c)，直至在该当前阈值(T)中再也找不到其他种子点(sp)，

e)将找到的种子点(sp)存储为属于血管(60，70，92a，b)的血管体素(R)，并与当前阈值(T)相对应，

f)降低当前阈值(T)，

g)重复步骤c)至f)，直至满足中断条件，

h)在图像数据中将血管作为所有血管体素(R)的集合来识别，

其特征在于，存在可能导致与待识别的血管(60，70，92a，b)有特殊联系的相应方法步骤误识别的在先知识，所述方法步骤a)至h)中的至少一个步骤是在考虑该在先知识的情况下而改变或扩展的。

2、如权利要求1所述的方法，其中，

-采集在该方法的特定阶段中对应于同一阈值(T)的种子点(sp)的数目(N)，

-如果该数目(N)超过最大值(N_max)，则产生溢出信号(24)，

-如果产生了溢出信号(24)，则在该阶段中不将对应于该阈值(T)的种子点(sp)作为血管体素(R)存储。

3、如权利要求2所述的方法，其中，作为血管(60，70，92a，b)识别具有多条支路(82，86)的血管，并且对应于同一阈值(T)的种子点(sp)的数目(N)只在第一支路(82)内超过最大值(N_max)，则此时：

-对该第一支路(82)中断该方法，

-对其余的支路(86)继续实施该方法。

4、如上述权利要求之一所述的方法，其中，对于所存储的血管体素(R)的至少一个子区域：

-确定在该子区域中图像体素的总数(N)，

-确定该子区域中其所有相邻的图像体素(nsp)也同样是血管体素(R)的内部血管体素的数目(N₁)，

-对于该子区域，根据d＝N₁/N来确定密度值(d)，

-若该密度值(d)低于边界值(d_min)，则不继续存储所存血管体素(R)的该子区域。

5、如上述权利要求之一所述的方法，其中，

-在步骤a)中，选择预定数量的围绕在步骤b)的种子点(sp)周围的图像体素的强度值(HU)最大值作为阈值(T)。

6、如上述权利要求之一所述的方法，其中，

-在第一次方法运行的步骤h)结束之后，存储所识别出的血管(R)作为第一部分血管(R₁)，

-以步骤a)开始第二次方法运行，

-在步骤b)选择第二种子点(sp)，

-以步骤c)至h)进行第二次方法运行，

-将在步骤h)中识别出的血管(R)作为第二部分血管(R₂，R₃)和第一部分血管(R₁)结合成整个血管(R_ges)。

7、如上述权利要求之一所述的方法，其中，在三维血管造影和/或造影剂-计算机X射线断层造影的范围内实施该方法。

8、如上述权利要求之一所述的方法，其中，作为血管(60，70，92a，b)识别患者的冠状心脏动脉。

9、如权利要求8所述的方法，其中，作为所述在先知识考虑关于患者的心脏冠状血管、心室、其心房和大动脉的知识。

10、如上述权利要求之一所述的方法，其中，在方法步骤f)的运行中根据步骤a)中的当前阈值(T)来改变当前阈值(T)的区域(ΔT)，取决于在步骤a)中所确定的当前阈值(T)。

Images