TWI797767B - 基於評估腦中風之血管造影方法及血管造影裝置 - Google Patents

基於評估腦中風之血管造影方法及血管造影裝置 Download PDF

Info

Publication number
TWI797767B
TWI797767B TW110137182A TW110137182A TWI797767B TW I797767 B TWI797767 B TW I797767B TW 110137182 A TW110137182 A TW 110137182A TW 110137182 A TW110137182 A TW 110137182A TW I797767 B TWI797767 B TW I797767B
Authority
TW
Taiwan
Prior art keywords
image
blood vessel
vascular
fractal
grayscale
Prior art date
Application number
TW110137182A
Other languages
English (en)
Other versions
TW202316447A (zh
Inventor
葛宗融
古騏銘
王竣鴻
Original Assignee
中原大學
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 中原大學 filed Critical 中原大學
Priority to TW110137182A priority Critical patent/TWI797767B/zh
Priority to US17/960,917 priority patent/US20230103920A1/en
Application granted granted Critical
Publication of TWI797767B publication Critical patent/TWI797767B/zh
Publication of TW202316447A publication Critical patent/TW202316447A/zh

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20036—Morphological image processing
    • G06T2207/20044—Skeletonization; Medial axis transform
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • G06T2207/30008—Bone
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Multimedia (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Physiology (AREA)
  • Vascular Medicine (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

一種基於評估腦中風之血管造影方法，包括：自至少一CTA影像中篩選取得一醫學圖像資料；對醫學圖像資料轉化為一灰度圖像；對灰度圖像基於是否滿足一特定灰度值條件進行灰階反轉後再進行閥值分割以取得一二值化圖像；對二值化圖像確定至少一血管區域並進行一骨架化處理程序並且基於該血管區域之一血管圖像特徵篩選提取一血管增強圖像；對血管增強圖像進行一碎形分析以產生一或多個血管特徵量化參數之血管特性分析樣本；其中血管特徵量化參數至少包含碎形維度、血管密度、血管骨架密度以及血管直徑指數之量化數值。藉此，提升臨床醫師診斷的準確率和缺血性腦中風患者的存活率。

Description

基於評估腦中風之血管造影方法及血管造影裝置
本發明為關於一種醫學圖像處理技術領域，尤指一種利用碎形分析來量化腦血管側枝循環狀態，用以評估缺血性中風的電腦斷層血管攝影影像的造影方法以及造影裝置。
在2015年世界衛生組織統計之十大死因中，中風位居第二名的高位[1]，顯示中風所造成的影響不可小覷，而中風可以分為腦內出血導致的出血性中風以及腦內血管閉塞導致的缺血性中風兩種型式，其中以缺血性中風為最常見。缺血性腦中風患者在進行治療前，會先由臨床醫師針對該病患的狀況進行術前的評估，以預測術後的臨床結果來判斷是否要進行治療，其中，側枝循環的狀態評估是預測術後臨床結果的主要指標，通常具有良好側枝循環狀態的病患會有較高的可能性獲得有利的術後臨床結果。
電腦斷層血管攝影(Computed tomography angiography, CTA)有掃描時間短、較容易取得、具有較好觀察者一致性等優點，在缺血性中風病患的側枝循環評估中是個良好的成像工具。然而，CTA是ㄧ種單相的成像方式，其缺乏的時間訊息可能導致臨床醫師誤判側枝循環的狀態。因此，多相電腦斷層血管攝影(Multiphase computed tomography angiography, Multiphase CTA)成為臨床醫師評估側枝循環狀態的新選擇，其同時具有空間及時間的分辨率，使臨床醫師可以通過各階段的側枝循環變化進行更可靠的側枝循環狀態評估。
在缺血性中風病患的術前評估中，Multiphase CTA是臨床醫師評估側枝循環狀態的可靠工具，然而，現今臨床醫師大多依靠其豐富的臨床經驗對Multiphase CTA各階段影像進行評估，雖然已有評估的標準，但判定上仍存在許多模糊的地帶，尚缺乏客觀的參數去量化各階段側枝循環的變化。
因此如何建立一個為臨床醫師在側枝循環狀態評估上提供可參考影像資訊以及判讀，係為本發明之精神所在。
本發明提供一種基於評估腦中風之血管造影方法、血管造影裝置，利用碎形分析來量化側枝循環狀態以預測評估患者罹患缺血性中風的術後臨床結果，通過四個血管特徵量化參數(FD、VD、SD和VDI)以量化Multiphase CTA影像中腦血管側支循環，藉由量化頭顱側支血管參數程式直接讀取DICOM影像格式並自動校正大腦影像和區分患者左右半腦影像，將左右半腦影像處理成二值化血管影像及骨架化影像，此兩種影像可以計算出FD、VD、SD和VDI，不僅可以輔助年輕醫師在缺血性中風的評估，並且可以快速地進行大數據的分析，達到節省醫師的時間和體力，進而提升臨床醫師診斷的準確率和缺血性中風患者的存活率之效果。
為達成本發明之一目的，本發明提供一種基於評估腦中風之血管造影方法，包括：自至少一CTA影像中篩選取得一醫學圖像資料，該醫學圖像資料為特定冠狀動脈樹幾何結構圖像；對該醫學圖像資料轉化為一灰度圖像；對該灰度圖像基於是否滿足一特定灰度值條件進行灰階反轉後再進行閥值分割，以取得一二值化圖像；對該二值化圖像確定至少一血管區域並進行一骨架化處理程序；基於該血管區域之一血管圖像特徵篩選提取一血管增強圖像；以及對該血管增強圖像進行一碎形分析，以產生一或多個血管特徵量化參數之血管特性分析樣本；其中該血管圖像特徵包含選自圖像之灰度值、梯度值、對比值、形狀輪廓、灰度值方差、位置關係或前述任一者以上之組合，而該血管特徵量化參數至少包含碎形維度、血管密度、血管骨架密度以及血管直徑指數之量化數值。
根據本發明一實施例，其中該碎形分析係根據盒子計數演算法(Box-counting dimension)進行運算產生一或多個該血管特徵量化參數。
根據本發明一實施例，其中在該自Multiphase CTA影像中篩選取得該醫學圖像資料的步驟中更包含一圖像資料篩選程序，該圖像資料篩選程序係為過濾Multiphase CTA影像中包含有位於頭顱底部以及頭顱頂部之該Multiphase CTA影像。
根據本發明一實施例，其中在取得該二值化圖像後更包含在取得該二值化圖像後更包含一歸一化處理程序以及一邊緣強化處理程序，該歸一化處理程序包含針對該二值化圖像進行影像置中、影像角度校正、左/右腦分割之影像處理，該邊緣強化處理程序包含針對該歸一化處理程序後的圖像進行去除背景以及再次二值化之影像處理。
根據本發明一實施例，其中該骨架化處理程序係通過Zhang 骨架化演算法進行影像處理。
為達成本發明之一目的，本發明提供一種基於評估腦中風之血管造影裝置，包括：至少一電腦主機，其包含該圖像獲取模組用以執行自個體的至少一CTA影像中篩選獲取一醫學圖像資料，該醫學圖像資料為特定冠狀動脈樹幾何結構圖像；該轉化模組用以執行對該醫學圖像資料轉化為一灰度圖像；該二值化處理模組用以對該灰度圖像基於是否滿足一特定灰度值條件進行灰階反轉後再進行閥值分割以取得一二值化圖像；該特徵篩選模組用以執行對該二值化圖像確定至少一血管區域並進行一骨架化處理程序；基於該血管區域之一血管圖像特徵篩選提取一血管增強圖像；以及該碎形分析模組用以執行對該血管增強圖像進行一碎形分析以產生一或多個血管特徵量化參數之血管特性分析樣本；其中該血管圖像特徵包含選自圖像之灰度值、梯度值、對比值、形狀輪廓、灰度值方差、位置關係或前述任一者以上之組合，而該血管特徵量化參數至少包含碎形維度、血管密度、血管骨架密度以及血管直徑指數之量化數值。
根據本發明一實施例，其中該電腦主機載有Image J之影像分析軟體以進行該圖像獲取模組、該轉化模組、該二值化處理模組、該特徵篩選模組及該碎形分析模組之圖像處理。
根據本發明一實施例，其中該碎形分析模組根據盒子計數演算法(Box-counting)進行運算產生一或多個該血管特徵量化參數。
在下文將參考隨附圖式，可更充分地描述各種例示性實施例，在隨附圖式中展示一些例示性實施例。然而，本發明概念可能以許多不同形式來體現，且不應解釋為限於本文中所闡述之例示性實施例。確切而言，提供此等例示性實施例使得本發明將為詳盡且完整，且將向熟習此項技術者充分傳達本發明概念的範疇。類似數字始終指示類似元件。以下將以多種實施例配合圖式來說明所述磁控量測系統，然而，下述實施例並非用以限制本發明。
為了對本發明的技術特徵、目的和效果有更加清楚的理解，現對照附圖詳細說明本發明的具體實施方式。有關本發明之所用術語“個體”以及“患者”可交換使用，表示包括靈長類(如猴、黑猩猩以及人類)的哺乳動物。在某些實施方案中，個體或患者患有或易患特徵為的疾病。
在本說明書中提到的“一個實施方案(one embodiment)””或“一個實施方案(an embodiment)”或“在另一實施方案中(in another embodiment)”或“一些實施方案(some embodiments)”或“其他實施方案(other embodiments)”表示結合上述實施方案描述的具體物件的特點、結構或特徵包括在至少一個實施方案中。因此，在本說明書中各處出現的短語“在一個實施方案中(in one embodiment)”或“在一個實施方案中(in an embodiment)”或“在另一實施方案中”或“在一些實施方案中”或“其他實施方案”未必都表示相同的實施方案。此外，在一個或多個實施方案中，可以以任何合適的方式組合具體的特點、結構或特徵。
在說明本發明前，先行提起本發明主要動機以及根據此動機開發出本發明的目的以及功效。本發明所述之血管造影方法及其血管造影裝置是基於利用碎形分析量化側枝循環狀態以預測、評估或驗證患者缺血性中風的術後臨床結果。因此，本發明將於後下述針對側枝循環狀態在預測缺血性腦中風療效的應用、碎形分析在醫學上的應用、碎形維度在血管量化上的應用做出說明。
在缺血性中風病患的術前評估中，Multiphase CTA是臨床醫師評估側枝循環狀態的可靠工具，碎形分析是量化目標物的物體填充率以及均勻度的一種方法學，在醫學影像的量化分析方面已有許多相關的應用[8-11]，因此本發明使用碎形分析中最重要的兩個參數，碎形維度(Fractal dimension, FD)和間隙度(Lacunarity, L)來量化Multiphase CTA影像各階段的側枝循環變化。本發明的研究目的示意圖如圖1-1，本發明會透過與臨床醫師的合作，獲取缺血性中風患者的Multiphase CTA影像以及臨床醫師所圈選的感興趣區域(Region of interest, ROI)，並對其CTA影像進行影像前處理以提取血管的資訊，再對其進行碎形分析以量化側枝循環的變化，為臨床醫師在側枝循環狀態評估上提供可參考的客觀參數，最後利用其資訊來構建深度學習(Deep learning)的模型，建立一個可靠的電腦輔助技術(Computer assisted techniques, CAT)。
基於側枝循環在預測缺血性腦中風療效的應用；在2011年，Oh Young Bang等學者針對138個美國案例和84個韓國案例此兩個不同族群的缺血性中風患者，評估其術前的側枝循環狀態與接受血管內治療後的血管再通結果之間的關係，側枝循環狀態由診斷性腦血管攝影來評級，其研究結果顯示，等級差的側枝循環的病患只有14.1%有完整的血管再通情況，好的側枝循環病患和優良的側枝循環的病患則有25.2%以及41.5%的病患有完整的血管再通情況，其結果表示良好的側枝循環狀態等級與缺血性中風患者治療後的血管再通率有顯著相關(P＜0.001)。
基於碎形維度在血管量化上的應用在2009年；Ferdinand Miteff等學者利用CTA影像進行側枝循環狀態的評級，並評估其與缺血性中風患者術後臨床結果之間的關係，臨床結果有利與否由術後三個月的改良Rankin量表(modified Rankin Scale, mRS)來評估，mRS = 0-2為有利的臨床結果，mRS ＞ 2則為不利的臨床結果，其研究結果顯示具有好的側枝循環評級的病患有47%得到了有利的臨床結果，表示CTA評級的良好側枝循環狀態與缺血性中風的術後臨床結果有顯著的相關(P＜0.05)。然而，單相的CTA缺乏時間的訊息，和具有時間訊息的雙相、多相電腦斷層掃描相比，在側枝循環的評級能力上相對較差。在2015年，Bijoy K. Menon等學者同時利用CTA和Multiphase CTA做側枝循環的評級，並評估兩者的評級和缺血性中風患者術後臨床結果之間的關係，其臨床結果的好壞使用mRS來評估，其研究結果顯示，在與有利臨床結果(mRS＜3)的關係中，Multiphase CTA的相關性(P=0.01)比CTA的相關性(P=0.05)來得高，表示Multiphase CTA在側枝循環的評估上是ㄧ個可靠的成像工具。
基於碎形分析在醫學上的應用；肝細胞癌的腫瘤血管會有局灶性洩漏且具有不均勻血流量的現象，因此會選擇使用抗血管的治療，然而現今治療效果的評估工具主要是使用固體腫瘤反應評估標準(Response Evaluation Criteria in Solid Tumors, RECIST)來進行評估，但此方式是一種侵入性的檢測，因此，Koichi Hayano等學者在2014年提出使用電腦斷層灌注影像(computed tomography perfusion images, CTP images)的碎形維度來評估HCC的治療效果。其使用Image J的碎形分析插件Fraclac來進行碎形分析，選擇Box-counting演算法，分組標準使用有利生存期(Progression-free Survival, PFS)，以六個月為閥值來區分治療效果的好壞，其研究結果顯示，臨床結果與治療前後CTP影像的碎形維度變化有顯著相關(P=0.01)，有利臨床結果(PFS ≥ 6 months)治療後的CTP影像碎形維度普遍下降，代表其腫瘤血管有被明顯的抑制，其結果表示碎形維度能評估抗血管藥物是否有實際的作用在肝細胞癌的腫瘤上。神經膠質瘤是神經膠質細胞的異質性腫瘤，可以區分為不同的等級，惡性腫瘤的機率隨著等級提高而上升，然而常規的MRI技術也難以區分膠質瘤的等級，因此， Smitha, KA等學者在2015年提出使用碎形分析中最重要的兩個參數，碎形維度(Fractal dimension, FD)和間隙度(Lacunarity, L)分析MRI影像來評估膠質瘤等級，其使用Image J的碎形分析軟體Fraclac來進行碎形分析，選擇Box-counting演算法，將膠質瘤等級分為低等級和高等級兩個組別，其研究結果顯示，無論是碎形維度還是間隙度，在高低等級膠質瘤的比較中都具有顯著差異，其中以間隙度的表現更佳優良(P(FD) = 0.04, P(L) = 0.001)，證明在MRI影像的碎形分析中，碎形維度和間隙度都可以成為膠質瘤等級區分的參考標準。
承上所述，本發明所述之血管造影方法以及血管造影裝置是基於利用碎形分析量化側枝循環狀態以預測、評估或驗證患者缺血性中風的術後臨床結果。關於本發明通過以碎形分析的理論模型將於下述說明。
請參閱圖1a所示，其繪製本發明所述之血管造影方法之流程圖。該血管造影方法包括：
步驟S1：自Multiphase CTA影像中篩選取得一醫學圖像資料，該醫學圖像資料為特定冠狀動脈樹幾何結構圖像；
步驟S2：對該醫學圖像資料轉化為一灰度圖像；
步驟S3：對該灰度圖像基於是否滿足一特定灰度值條件進行灰階反轉後再進行閥值分割以取得一二值化圖像；
步驟S4：對該二值化圖像確定至少一血管區域(ROI)並基於該血管區域之一血管圖像特徵篩選提取一血管增強圖像；該血管圖像特徵包含選自圖像之灰度值、梯度值、對比值、形狀輪廓、灰度值方差、位置關係或前述任一者以上之組合。
步驟S5：對該血管增強圖像進行一碎形分析，以產生一或多個血管特徵量化參數之血管特性分析樣本；其中該血管圖像特徵包含選自圖像之灰度值、梯度值、對比值、形狀輪廓、灰度值方差、位置關係或前述任一者以上之組合，而該血管特徵量化參數至少包含一血管密度(Vessel Density, VD), 血管骨架密度(Skeleton Density, SD), 血管直徑指數(Cascular Diameter Index,VDI), 碎形維度(Fractal dimension,FD)之量化數值。
根據上述方法，請參閱圖1b所示，本發明再提供一種基於評估腦中風之血管造影裝置，包括：至少一電腦主機100，其包含一圖像獲取模組110、一轉化模組120、一二值化處理模組130、一特徵篩選模組140及一碎形分析模組150；該圖像獲取模組110用以執行自個體獲取醫學圖像資料P1，該醫學圖像資料P1為特定冠狀動脈樹幾何結構圖像；該轉化模組120用以執行對該醫學圖像資料P1轉化為灰度圖像P2；該二值化處理模組130用以對該灰度圖像P2基於是否滿足一特定灰度值條件進行灰階反轉後再進行閥值分割以取得二值化圖像P3；該特徵篩選模組140用以執行對該二值化圖像P3確定至少一血管區域(ROI)並基於該血管區域之血管圖像特徵篩選提取血管增強圖像P4；以及該碎形分析模組150用以執行對該血管增強圖像P4進行碎形分析以產生一或多個血管特徵量化參數之血管特性分析樣本P5；其中該血管圖像特徵包含選自圖像之灰度值、梯度值、對比值、形狀輪廓、灰度值方差、位置關係或前述任一者以上之組合，而該血管特徵量化參數至少包含該血管特徵量化參數至少包含一血管密度(Vessel Density, VD), 血管骨架密度(Skeleton Density, SD), 血管直徑指數(Cascular Diameter Index,VDI), 碎形維度(Fractal dimension,FD)之量化數值。
上述中，碎形(Fractal)通常被定義為一個粗糙或零碎的幾何形狀，在碎形幾何圖形的整體或局部範圍中，可以將其分為數個部分，而每個部份都會近似甚至相等於其整體或局部範圍的形狀，即具有自我相似的性質，大自然中也有許多具有碎形類似性質的事物，如植物的根、海岸線、雪花等。以經典碎形圖形考區曲線(Koch curve)為例，將1單位長度的線段AD平分成三等份，即線段AB、BC及CD，以中間線段BC為底畫一個正三角形，再將BC線段去除(如下圖1-3步驟)，重複對新圖形的每一線段執行相同步驟(如下圖，4-6步驟)，重複無數次後即為考區曲線，可以看到考區曲線的每個線段都近似於其整體圖形形狀。
Figure 02_image001
碎形幾何學之父Benoit Mandelbrot在1967年發表的論文“How long is the coast of Britain? Statistical self-similarity and fractional dimension”中分析了海岸線長度與其使用的量尺大小之間的關係，發現在海岸線這種具碎形特徵的事物中，使用的量尺尺度越小，量測出的海岸線長度就越大，理論上只要量尺夠小，任何海岸線長度都將為無限長，而在對數圖形中，兩者之間卻呈線性關係。以考區曲線為例，隨著使用量尺的最小單位(Scale)變小，所量測到的邊長(Length)則會變高，1/Scale與L之間的關係呈指數曲線(如下圖(a))，理論上只要量尺夠小，量測出的邊長會趨近無限大，而在對數圖形中兩者之間的關係卻呈線性曲線(如下圖(b))。
Figure 02_image003
在此情況下，海岸線以及參考區曲線的長度是多少就顯得不那麼重要了，重要的是其線性線段的斜率(Slope)所代表的意義，而當被測量的物件為拓樸維度一維的直線線段時，得到的斜率則為0，延伸此概念，將log(1/Scale)與log(Length)之間的線性關係更改為log(1/Scale)與log(NS)之間的線性關係(NS為量尺量測的次數)，使分析直線線段的線性關係斜率變為1，與拓樸維度的維數相等，此時的線性關係的斜率即代表所分析碎形物件的自我相似維度(Self-similarity dimension)，即碎形維度(Fractal dimension, FD)。碎形維度是一種可以量化物體複雜度的形態學，被定義為一個零碎的形狀可以被分為數個細小的物件，這些數個細小的物件與原始的形狀有著相似的特性。在20世紀，對於不能積分表示的複雜物體，Benoit Mandelbrot引入了碎形這一個理論。理論上碎形量尺的尺度越小，越可以精準的量測物體的複雜度，而在對數的圖形上碎形量尺與複雜度呈現線性的關係，也就是說如何縮小碎形的量尺以取得精準的物體複雜度顯得不那麼重要，而應該專注於量尺與複雜度之間線性斜率的關係。碎形可以被用來量測長度，面積或體積的複雜度。FD可以描述許多自然幾何特徵，例如在生物物體中紋理或結構中的自相似性。
Figure 02_image005
碎形有許多不同的演算法，在自然界中並不是所有的物體都符合完美的碎型特徵，幾乎所有的自然界的物體都很難找到自似性，此時求出自然界物體的碎形維度會成為一個棘手的問題，而本發明所使用的是Box-counting演算法，它是Hausdorff Dimension的簡化型，Box-counting演算法不複雜，可以容易的應用在許多研究中。Box-counting演算法會先定義Box的大小(Box size)，將碎型圖案放入Box中，再計算碎型圖案總共占多少了Box數(Box numbers)。Box的大小根據圖案的大小依序更換成更小的值，計算不同Box大小時的Box數在做出指數圖所得到的斜率即為碎形維度。
在盒子計數演算法下，與碎形維度不同，間隙度是計算每個量尺方格所占像素的變化，而不是量尺方格的計數數量，此處間隙度(L)可以表示為：
Figure 02_image007
其中，σε是當前量尺方格對背景方格的倍率為ε時，量尺方格內前景像素的標準差；με是當前量尺方格對背景方格的倍率為ε時，量尺方格內前景像素的平均值。
在ImageJ中，間隙度的計算一樣會考慮網格方位的因素，因此在ImageJ中的間隙度(L)的計算公式為： L =
Figure 02_image009
/ Grid positions
Figure 02_image011
= (
Figure 02_image013
/ N
其中，Λg為當網格方位為g時的間隙度；σεg是網格方位為g且當前量尺方格對背景方格的倍率為ε時，量尺方格內前景像素的標準差；μεg是網格方位為g且當前量尺方格對背景方格的倍率為ε時，量尺方格內前景像素的平均值；N為使用了幾種量尺方格對背景方格的倍率。
本發明係採用之影像分析軟體Image J作為血管造影方法及其血管造影裝置上的應用；主要基於ImageJ軟體的應用和開發，該軟體綜合圖像去噪、圖像增強、閾值選擇、圖像二值化、邊緣檢測、細微性分析和計算等領域的各種方法,探求圖像邊緣提取的多種優化解決方案,力求簡便、快捷。利用電腦影像處理技術完成細微性實際尺寸的測量是國內顆粒界所公認的測定粒徑分佈結果與實際吻合最好的測試技術，而保證所測得結果準確的關鍵是對所獲得的細微性圖像能進行正確的處理，能減少了人機交互的環節解決了圖像處理耗時的難題。以下ImageJ軟體對於圖像處理涉及到高斯濾波、FFT、彩色圖像邊緣提取、數學形態學與圖像融合相結合的方法提取血管的資訊；腦血管資訊的碎形分析選擇使用碎形分析中最重要的兩個參數，碎形維度和間隙度，來量化Multiphase CTA各階段血管的變化，此部分將使用Image J的碎形分析插件Fraclac來進行；碎形分析所量化的參數將透過統計分析以及接收者操作特徵曲線(Receiver operating characteristic curve, ROC曲線)進行鑑別度測試，最後通過量化參數的鑑別結果來構建深度學習的模型，建立一個可靠的評估腦中風血管造影方法。
承上所述，關於Multiphase CTA影像的影像處理大致分為以下幾個階段，以下配合圖式並舉例說明，在影像處理之前，首先會先進行一影像前處理，其包含圖像資料轉檔程序以及圖像資料篩選程序，其中轉檔程序係將Multiphase CTA影像的DICOM影像格式轉換成一般的圖檔格式；例如：JPEG影像格式，因為DICOM檔案會因為Multiphase CTA影像成像時技師的調控，造成顯示的亮度範圍有所不同，因此會先將DICOM檔調整至固定的亮度範圍(-225~525)，並將其轉換為8-bit的灰階影像(灰度值為0~255)，最後再轉為常用的一般的圖檔格式以進行後續的影像前處理。篩選程序主要是因為具生理意義的Multiphase CTA影像在接近頭顱底部和頭顱頂部位置的部分因為骨頭過多，不易觀察到腦血管的變化趨勢，因此在第一階段之前會進行篩選程序，該篩選程序係過濾該醫學圖像資料中包含有位於頭顱底部以及頭顱頂部之該醫學圖像資料。
第一階段：去除頭骨影像作業，如圖2a-2b所示：主要包含去除空腔(Remove Cavity)以及頭骨剝離(Remove skull)之處理程序；：去除空腔主要通過影像分析軟體Image J的多邊行選擇(polygon selections)功能進行手動的圈選，並使用清除外部(clear outside)功能去除圈選區外的資訊以針對灰階影像中白色空腔部分予以去除，亦即上述是否滿足該特定灰度值條件的部分進行灰階反轉；例如：將灰階影像中N x M個pixels中的pixel灰度值大於10(包含10)的部分轉換為0(黑色)，其他部分則保持原本的灰度值，以獲取去除空腔後的灰階影像。頭骨剝離是為了統一區分腦血管與其於腦部資訊，將去除空腔後的灰階影像做二值化。在本實施例中，本發明主要採用灰度值128為閥值，將灰度值128(含128)以下轉換為灰度值0(黑色)，灰度值高於128則轉換為灰度值255(白色)，在對二值化影像進行Canny 邊緣偵測以得到頭骨邊緣並使頭骨邊外的pixel值轉變為0，以獲取頭骨剝離後的二值化影像並進行以下第二階段。
第二階段：歸一化作業，如圖3a-3c所示：該歸一化作業主要包含影像置中以及左/右腦影像分割之處理程序，因為拍攝患者CTA影像十大腦很難剛好在中間位置，而使後續進行左/右腦影像分割無法順利分割，因此必須先進行影像置中之處理程序已將大腦影像移置中心，主要是偵測上/下/左/右邊界的位置點以計算出大腦中心點位置，根據大腦中心點位置以調整整張影像使其置中，爾後進行左/右腦影像分割的處裡程序，以取得左腦以及右腦分割後的切割影像，爾後進行第三階段。
第三階段：邊緣強化處理程序，如圖4所示：去除頭骨之後整體的圖像背景為白色，而碎形分析必須使分析目標為前景像素，因此要將白色的背景去除，通過影像分析軟體Image J的去除背景功能(Subtract background)進行背景的去除，將白色的背景更改為黑色的背景，本實施例中，所採用的去除滾球半徑(Rolling ball radius)為50像素，但不依此為限。為了將去除背景後留下的腦與頭骨交界處消除，在進行去除背景功能後，背景交界處灰階值會有降低的現象，進行影像的再次二值化，此次二值化只保留灰階值為255的白色部分，即只保留血管的資訊，其於資訊皆將轉換為黑色，爾後進行以下第四階段。
第四階段：骨架化影像作業（Image Skeletonization）：由於分析目標是腦部血管的分布情形，並不包括血流量等因素，因此將會對血管資訊進行骨架化，通過影像分析軟體Image J的骨架化(Skeletonize)功能進行骨架化處理以提取血管增強圖像進而完成影像前處理作業。在本實施例中，為了取得後續可以運算血管圖像特徵參數的骨架化影像，本發明所述之骨架化演算法係採用Zhang演算法， Zhang演算法主要分為兩個步驟，執行兩個步驟一輪可以刪除一層的物件邊界，因此反覆執行兩個步驟可取得最終的骨架化影像；如下Zhang演算法關係式表示，其中N(p1)表示在p1相鄰的8個pixels終非0的個數，S(p1)表示依序由p2、p3…p9最後再到p2間的pixel值由0變成1的次數，當滿足每個步驟的四條件時則將p1刪除。
Figure 02_image015
第五階段：確定血管區域(ROI)之血管圖像特徵篩選提取血管增強圖像，如圖5所示：經上述影像二值化及骨架化的處理程序之後取得血管增強圖像，通過程式計算左/右腦部中側枝循環血管中心位置至頭顱邊界的長度，進而圈選出左/右腦側枝循環血管的區域範圍(圖式中橢圓區域範圍)，以進行後續該橢圓區域範圍中的血管特徵量化參數之計算。
第六階段：完成上述影像前處理後所提取的血管增強圖像將進行碎形分析，以產生一或多個血管特徵量化參數之血管特性分析樣本。通過影像分析軟體Image J的碎形分析插件Fraclac來進行血管資訊的碎形分析，量化各階段血管的變化以產生一或多個血管特徵量化參數之血管特性分析樣本。本實施例中採用盒子計數演算法進行碎形分析，並獲取碎形維度(FD B)以及間隙度的資訊；其中盒子計數演算法參數設定為：最小量尺方格大小為5*5像素，以減少受到影像像素限制所造成的誤差；最大量尺方格大小為背景方格的45%，避免無意義的過大量尺方格，網格位置數(Grid positions)設置為12，減少因網格方向所造成的盒子計數偏差。
承上所述，血管特徵量化參數包含血管密度(Vessel Density, VD), 血管骨架密度(Skeleton Density, SD), 血管直徑指數(Cascular Diameter Index,VDI), 碎形維度(Fractal dimension,FD)。血管密度(VD)的公式如下式1-1，首先在二值化的圖形下計算血管密度，血管密度被定義為在所有影像的總面積區域與二值化圖形血管所占的面積區域的比值。假設在ㄧ長寬為n×n的影像中，其中n為影像的長度，𝐵(𝑖,𝑗)代表在骨架化前影像中白色的pixels，也代表著CTA骨架化前影像中血管的部分，而𝑋(𝑖,𝑗)所表示的是所有影像的pixels，(𝑖,𝑗)表示影像的座標，VD即為血管密度(Vessel Density)。 VD=∑𝐵(𝑖,𝑗)𝑛(𝑖,𝑗)(∑𝑋(𝑖,𝑗)𝑛(𝑖,𝑗))2…………………式1-1
血管骨架密度(SD) 如下式1-2，血管骨架密度被定義為所有影像的影像區域與骨架部分區域面積的比值，而碎形維度也會由骨架化影像進行運算。血管骨架密度(SD)與血管密度(VD)相似，在長寬為n×n的影像中，其中n為影像的長度，𝐿(𝑖,𝑗)代表在骨架化後影像中白色的pixels，也代表著CTA影像中血管骨架的部分，而𝑋(𝑖,𝑗)所表示的是所有影像的pixels，(𝑖,𝑗)表示影像的座標，SD即為骨架密度(Skeleton Density)。 SD=∑𝐿(𝑖,𝑗)𝑛(𝑖,𝑗)(∑𝑋(𝑖,𝑗)𝑛(𝑖,𝑗))2…………………式1-2
血管直徑指數(VDI) 如下式1-3，是使用血管密度(VD)和血管骨架密度(SD)計算，血管直徑指數(VDI)定義為血管密度(VD)和血管骨架密度(SD)的比值。在長寬為n×n的影像中，𝐵(𝑖,𝑗)代表著CTA影像中血管的部分，𝐿(𝑖,𝑗)代表著CTA影像中血管骨架的部分，VDI則是血管直徑指數(Vessel Diameter Index)。 VDI=𝑉𝐷𝑆𝐷=∑𝐵(𝑖,𝑗)𝑛(𝑖,𝑗)∑𝐿(𝑖,𝑗)𝑛(𝑖,𝑗) …………………式1-3
碎形維度(FD) 的數值主要是由Box尺寸和Box個數對數的斜率計算得出，而在自然界不存在著完美的碎形圖案，因此基本上不同的Box尺寸所對應Box個數的斜率並無法呈現絕對的線性關係。在計算不同種類物件的FD時，需先紀錄各Box尺寸下FD 之斜率，取其中線性度較高的FD，並非計算全段FD之斜率。
承上所述，血管密度(VD)的基本定義是在CTA影像中血管所含的密度，經上述影像處理過後白色的像素在生理意義上即代表著血管。也就是說在計算血管所含的密度需計算在影像中白色像素數目佔整張影像像素數目的比例，本發明程式會由影像的左上角開始一格一格掃描CTA影像全部的像素並同時計算白色的像數目和整張影像的像素數目，藉此得知血管的密度VD。 FD與血管骨架密度(SD) 相對血管密度(VD)的不同是影像來源的選擇。血管密度(VD)所使用的影像是骨架化前的血管影像，這樣的影像當中包含了血管長度和寬度的資訊。血管骨架密度(SD)和碎形維度(FD)則是使用骨架化影像，血管骨架密度(SD)在生理上的意義代表著血管長度的資訊，計算上不需要額外的資訊，因此在計算上使用骨架化影像以去除血管寬度資訊。與血管骨架密度(SD)類似，碎形維度(FD)所代表的是形狀上的維度，原始骨架前的血管影像在血管邊界可能含有細微的毛邊，這些毛邊可能會影響碎形維度(FD)在計算形狀維度的數值，因此在影像的選擇上必須使用骨架化影像。 最後血管直徑指數(VDI)代表的是血管的寬度。血管密度(VD)所含的資訊包括了血管寬度資訊，為將寬度資訊從血管密度(VD)提取出來，在計算上為去除血管密度(VD)之長度資訊，即為血管骨架密度(SD)。血管密度(VD)與血管骨架密度(SD)相除可獲得血管寬度資訊(VDI)。
根據上述影像處理後並經碎形分析後的資訊，本發明基於評估腦中風之血管造影裝置更包含一操作者介面，如圖8所示。操作者介面可分為四個功能區，(1)介面操作區；(2)影像顯示區；(3)參數顯示區和(4)儲存與關閉。介面操作區可讀取資料夾內所有DICOM檔案，並自動排序和顯示DICOM影像。影像顯示區可顯示原始DICOM影像和影像處理後影像供使用者觀看。參數顯示區則顯示了左右腦的血管參數。最後儲存與關閉可以儲存DICOM的影像和血管參數讓使用者可以記錄患者臨床資訊。
通過操作者介面中各功能區的介面操作區「Open DICOM」鍵用以選取DICOM檔案，按下「Open DICOM」會進入「Select the DICOM Folder」的檔案選取頁面。本發明程式可直接點選DICOM資料夾，不必點選單一檔案。接著程式會自動掃描資料夾內所有DICOM檔案，存取DICOM檔名路徑和根據DICOM裡的Instance。在影像顯示區以致使用者可以順暢的觀測DICOM影像。在查看DICOM影像時可使用「Open DICOM」下方的左右鍵來資料夾內的所有DICOM影像。使用者成功開啟DICOM影像後，按下「Image analysis」和「Parameter」鍵分別可以進行影像處理和血管參數的運算。「Image analysis」的影像處理執行時間約2秒可以完成，執行後程式會自動過濾顱底和顱頂的影像，篩選五張具生理意義顱中影像，接著執行按照順序自動執行二值化、去除外殼、影像置中、大腦切割和骨架化的影像處理。執行完畢會將數值顯示在參數顯示區。「Parameter」會一次進行FD、VD、SD和VDI的運算。FD Box的尺寸使用8 pixels至256 pixels，FD和SD運算影像的選擇使用骨架化影像，VD則使用骨架化前影像，而VD和SD計算完畢後才會執行VDI的運算。所有的參數運算都會左右半腦，使用者可依據這些血管參數初步評估堵塞半腦為於何側。
圖8中影像顯示區共含兩張影像，左圖為CTA原始影像，右圖為影像處理後影像。CTA原始影像在執行完「Open DICOM」即可查看查看，此時影像可顯示DICOM資料夾內的所有影像。當執行完「Image analysis」後CTA原始影像因經過篩選，會幫助使用者顯示具中風生理意義之五張影像。而右側影像處理影像在「Image analysis」皆不會顯示任何影像直至影像處理完畢，在最左側的參數顯示區共有八項參數，分別是左腦的FD、VD、SD、VDI和右腦的FD、VD、SD、VDI八項，此區所顯示左右腦血管參數是根據拍攝CTA影像患者大腦所運算分析取得，而並非使用者在使用上視覺直觀的左右邊方向，這是因為CTA影像的拍攝方向與視覺直觀的方向是相反的，因此為方便使用者在使用上的便利，在顯示的時候是將左腦參數放至右邊方向；反之，右腦參數放至左邊方向。而由上而下參數則分別是FD、VD、SD和VDI。再者，使用者欲紀錄DICOM之影像及血管參數可以儲存當下DICOM資料夾內具生理意義五張CTA的影像和血管參數數值。
根據上述本發明所述之血管造影方法及血管造影裝置，本發明針對4位病患的腦殼中部挑選三個組別的影像前處理後所提取的血管增強圖像，如圖6a~6d的case1、case2、case3 以及case4，並通過與臨床醫師的合作所圈選的ROI區域，ROI區域的圈選使用與影像前處理相同的影像分析軟體ImageJ，使用其手繪選擇工具(freehand selections)由臨床醫師用鼠標進行ROI的圈選，ROI訊息的存儲方面使用其ROI Manager的功能進行碎形分析。本發明的目的是預測缺血性中風的術後臨床結果，而臨床結果的判定採用改良Rankin量表(Modified Rankin scale, mRS)，此中風量表是最廣泛使用的臨床結果指標，mRS量表各評分症狀如下表1所示，本發明將mRS量表評分小於3的案例判定為有利的量床結果，mRS量表評分大於等於3的案例則判定為不利的臨床結果。
Figure 02_image017
表1 mRS量表
通過碎形維度(FD B)量化側枝循環的血管填充率與複雜度，Multiphase CTA的側枝循環評分標準有相當部分是自身各phase的側枝循環變化來決定，如下表2所示。因此將對碎形維度(FD B)進行數據的歸一化，其歸一化的標準目前設定為，在左右腦的比較中，以同一組Multiphase CTA影像中(phase1~phase3)，無症狀對側半腦最高的碎形維度為依據，設定其為100%，而在全腦的比較中，則使用最高的全腦碎形維度為依據。
Figure 02_image019
表2 Multiphase CTA側枝循環評級標準
根據上述實施例，請參考圖9所示，本發明基於上述血管造影方法及血管造影裝置所產生的資訊，進一步提出評估腦中風的風險鑑別方法的可能實施方案，該風險鑑別方法大致包括以下步驟： 步驟S10：基於該血管特性分析樣本之一個或多個位置的側枝血管形貌進行分析； 步驟S20：基於該血管特徵量化參數之至少一該量化數值與一對照標準值比對以產生一歸一化比對數據(complete ratio of collateral)； 步驟S30：基於該歸一化比對數據比對改良Rankin量表(Modified Rankin scale, mRS)以取得一分級結果； 步驟S40：基於該分級結果作為評估腦中風的一風險鑑別指標(如上述mRS量表)；其中該分級結果之評級標準係以0~6之等級為標準，該風險鑑別指標係以0~3之級距作為一第一鑑別指標，而以4~6之級距作為一第二鑑別指標。
根據本發明一實施例，其中該歸一化比對數據係透過統計學方法，其包含邏輯回歸、廣義線性模型、隨機森林法來確定重要參數並確定該些參數的預測模型，再利用接收者操作特徵曲線(ROC曲線)下進行面積、靈敏性與特異性的驗證。
通過評估腦中風的風險鑑別系統所執行的鑑別方法，針對上述4位病患的腦殼中部挑選三個組別的影像前處理後所提取的血管增強圖像(如圖3a~3d的case1、case2、case3 以及case4)，進行了各phase左右半腦碎形維度(FD B)的分析，各案例case1、case2、case3 以及case4的左右半腦碎形維度變化分別對應圖4a~4d，其中FD B經過歸一化後，其趨勢變化程度並沒有顯著差異，但標準差有明顯得降低，可以預期進行統計分析和鑑別度測試時，歸一化的參數可以有更好的顯著差異和鑑別度；據此可協助醫師迅速判斷case1為右腦阻塞，case2、case3 以及case4案例皆為左腦阻塞，阻塞處半腦皆使用紅色實心方型表示。所分析案例的通過風險鑑別指標(如上述mRS量表)進行風險鑑別後的mRS分數進行分級，可將case 1、case 3以及case 4判定為有利的臨床結果(mRS＜3)，case2則為不利的臨床結果(mRS
Figure 02_image021
3)。
綜上所述，本發明所揭示的一種基於評估腦中風之血管造影方法以及血管造影裝置，希望可以透過四個血管特徵量化參數，FD、VD、SD和VDI量化Multiphase CTA影像中腦血管側支循環，設計出一種可自動量化頭顱側支血管參數，通過自動量化頭顱側支血管參數可以直接讀取Digital Imaging and Communications in Medicine(DICOM)並自動校正大腦影像和區分患者左右半腦影像，將左右半腦影像處理成二值化血管影像及骨架化影像，此兩種影像可以計算出FD、VD、SD和VDI以提供醫師參考分析血管參數。本發明不僅可以輔助年輕醫師在缺血性中風的評估，並且可以快速地進行大數據的分析，達到節省醫師的時間和體力，進而提升臨床醫師診斷的準確率和缺血性中風患者的存活率之效果。
以上所述，乃僅記載本發明為呈現解決問題所採用的技術手段之較佳實施方式或實施例而已，並非用來限定本發明專利實施之範圍。即凡與本發明專利申請範圍文義相符，或依本發明專利範圍所做的均等變化與修飾，皆為本發明專利範圍所涵蓋。
S1-S6:基於評估腦中風之血管造影方法的流程圖 S10~S40:基於評估腦中風之風險鑑別方法的流程圖 100:電腦主機 110:圖像獲取模組 120:轉化模組 130:二值化處理模組 140:特徵篩選模組 150:碎形分析模組 P1:醫學圖像資料 P2:灰度圖像 P3:二值化圖像 P4:血管增強圖像 P5:血管特性分析樣本 VD:血管密度 SD:血管骨架密度 FD:碎形維度 VDI:血管直徑指數
圖1a為本發明所述之血管造影方法的流程示意圖。 圖1b為本發明所述之血管造影裝置的方塊示意圖。 圖2a-2b為本發明所述之去除頭骨影像作業的圖像示意圖。 圖3a-3c為本發明所述之歸一化作業的圖像示意圖。 圖4為本發明所述之邊緣強化處理程序的圖像示意圖。 圖5為本發明所述之血管圖像特徵篩選的圖像示意圖。 圖6a~6d為本發明所述之不同病患的腦殼中部的血管增強圖像。 圖7a~7d為本發明圖3a~3d之左右半腦碎形維度變化圖。 圖8為本發明所述之血管造影裝置中的操作者介面示意圖。 圖9為本發明所述之風險鑑別方法的流程示意圖。
S1-S6:基於評估腦中風之血管造影方法的流程圖

Claims (10)

  1. 一種基於評估腦中風之血管造影方法，包括：自至少一CTA影像中篩選取得一醫學圖像資料，該醫學圖像資料為特定冠狀動脈樹幾何結構圖像；對該醫學圖像資料轉化為一灰度圖像；對該灰度圖像進行一去除頭骨影像作業，包含去除空腔以及頭骨剝離之處理程序，針對該灰度圖像基於是否滿足一特定灰度值條件進行灰階反轉後再進行閥值分割，以取得一二值化圖像；對該二值化圖像確定至少一血管區域並進行一骨架化處理程序；基於該血管區域之一血管圖像特徵篩選提取一血管增強圖像；以及對該血管增強圖像進行一碎形分析，以產生一或多個血管特徵量化參數之血管特性分析樣本；其中該血管圖像特徵包含選自圖像之灰度值、梯度值、對比值、形狀輪廓、灰度值方差、位置關係或前述任一者以上之組合，而該血管特徵量化參數至少包含碎形維度、血管密度、血管骨架密度以及血管直徑指數之量化數值。
  2. 如請求項1所述之基於評估腦中風之血管造影方法，其中該碎形分析係根據盒子計數演算法(Box-counting dimension)進行運算產生一或多個該血管特徵量化參數。
  3. 如請求項1所述之基於評估腦中風之血管造影方法，其中在自Multiphase CTA影像中篩選取得該醫學圖像資料的步驟中更包含一圖像資料篩選程序，該圖像資料篩選程序係為過濾該Multiphase CTA影像中包含有位於頭顱底部以及頭顱頂部之該Multiphase CTA影像。
  4. 如請求項1所述之基於評估腦中風之血管造影方法，其中在取得該二值化圖像後更包含一歸一化處理程序以及一邊緣強化處理程序，該歸一化處理程序包含針對該二值化圖像進行影像置中、影像角度校正、左/右腦分割之影像處理，該邊緣強化處理程序包含針對該歸一化處理程序後的圖像進行去除背景以及再次二值化之影像處理。
  5. 如請求項1所述之基於評估腦中風之血管造影方法，其中該骨架化處理程序係通過Zhang骨架化演算法進行影像處理。
  6. 一種基於評估腦中風之血管造影裝置，包括：至少一電腦主機，其包含一圖像獲取模組、一轉化模組、一二值化處理模組、一特徵篩選模組及一碎形分析模組；該圖像獲取模組用以執行自個體的至少一CTA影像中篩選獲取一醫學圖像資料，該醫學圖像資料為特定冠狀動脈樹幾何結構圖像；該轉化模組用以執行對該醫學圖像資料轉化為一灰度圖像；該二值化處理模組用以對該灰度圖像進行一去除頭骨影像作業，其包含去除空腔以及頭骨剝離之處理程序，基於是否滿足一特定灰度值條件進行灰階反轉後再進行閥值分割以取得一二值化圖像；該特徵篩選模組用以執行對該二值化圖像確定至少一血管區域並進行一骨架化處理程序；基於該血管區域之一血管圖像特徵篩選提取一血管增強圖像；以及該碎形分析模組用以執行對該血管增強圖像進行一碎形分析以產生一或多個血管特徵量化參數之血管特性分析樣本； 其中該血管圖像特徵包含選自圖像之灰度值、梯度值、對比值、形狀輪廓、灰度值方差、位置關係或前述任一者以上之組合，而該血管特徵量化參數至少包含碎形維度、血管密度、血管骨架密度以及血管直徑指數之量化數值。
  7. 如請求項6所述之基於評估腦中風之血管造影裝置，其中該碎形分析模組係根據盒子計數演算法(Box-counting dimension)進行運算產生一或多個該血管特徵量化參數。
  8. 如請求項6所述之基於評估腦中風之血管造影裝置，其中該圖像獲取模組更包含用以執行一圖像資料篩選程序，該圖像資料篩選程序係為過濾Multiphase CTA影像中包含有位於頭顱底部以及頭顱頂部之該Multiphase CTA影像。
  9. 如請求項6所述之基於評估腦中風之血管造影裝置，其中該特徵篩選模組更包含用以執行一歸一化處理程序以及一邊緣強化處理程序，該歸一化處理程序包含針對該二值化圖像進行影像置中、影像角度校正、左/右腦分割之影像處理，該邊緣強化處理程序包含針對該歸一化處理程序後的圖像進行去除背景以及再次二值化之影像處理。
  10. 如請求項6所述之基於評估腦中風之血管造影裝置，其中該骨架化處理程序係通過Zhang骨架化演算法進行影像處理。
TW110137182A 2021-10-06 2021-10-06 基於評估腦中風之血管造影方法及血管造影裝置 TWI797767B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW110137182A TWI797767B (zh) 2021-10-06 2021-10-06 基於評估腦中風之血管造影方法及血管造影裝置
US17/960,917 US20230103920A1 (en) 2021-10-06 2022-10-06 Device and method of angiography for cerebrovascular obliteration

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110137182A TWI797767B (zh) 2021-10-06 2021-10-06 基於評估腦中風之血管造影方法及血管造影裝置

Publications (2)

Publication Number Publication Date
TWI797767B true TWI797767B (zh) 2023-04-01
TW202316447A TW202316447A (zh) 2023-04-16

Family

ID=85775238

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110137182A TWI797767B (zh) 2021-10-06 2021-10-06 基於評估腦中風之血管造影方法及血管造影裝置

Country Status (2)

Country Link
US (1) US20230103920A1 (zh)
TW (1) TWI797767B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201219013A (en) * 2010-11-15 2012-05-16 Univ Nat Central Method for generating bone mask
US20200013163A1 (en) * 2018-07-03 2020-01-09 Caroline Choi Method for Diagnosing, Predicting, Determining Prognosis, Monitoring, or Staging Disease Based on Vascularization Patterns
CN111612778A (zh) * 2020-05-26 2020-09-01 上海交通大学 一种术前cta与术中x光冠状动脉配准方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201219013A (en) * 2010-11-15 2012-05-16 Univ Nat Central Method for generating bone mask
US20200013163A1 (en) * 2018-07-03 2020-01-09 Caroline Choi Method for Diagnosing, Predicting, Determining Prognosis, Monitoring, or Staging Disease Based on Vascularization Patterns
CN112367905A (zh) * 2018-07-03 2021-02-12 卡罗琳·乔伊 基于脉管化模式的诊断、预测、确定预后、监测或分期疾病的方法
CN111612778A (zh) * 2020-05-26 2020-09-01 上海交通大学 一种术前cta与术中x光冠状动脉配准方法

Also Published As

Publication number Publication date
TW202316447A (zh) 2023-04-16
US20230103920A1 (en) 2023-04-06

Similar Documents

Publication Publication Date Title
Xu et al. DeepLN: a framework for automatic lung nodule detection using multi-resolution CT screening images
da Silva Sousa et al. Methodology for automatic detection of lung nodules in computerized tomography images
US6609021B1 (en) Pulmonary nodule detection using cartwheel projection analysis
Liu et al. A CADe system for nodule detection in thoracic CT images based on artificial neural network
US20070133852A1 (en) Method and system of computer-aided quantitative and qualitative analysis of medical images
CN107133638B (zh) 基于两分类器的多参数mri前列腺癌cad方法及系统
Zhang et al. Design of automatic lung nodule detection system based on multi-scene deep learning framework
CN110838114B (zh) 肺结节检测方法、装置及计算机存储介质
CN106530298A (zh) 一种基于三支决策的肝脏肿瘤ct图像分类方法
CN112215799A (zh) 一种磨玻璃肺结节自动分类方法及系统
WO2021209887A1 (en) Rapid, accurate and machine-agnostic segmentation and quantification method and device for coronavirus ct-based diagnosis
Riaz et al. Impact of visual features on the segmentation of gastroenterology images using normalized cuts
Koprowski et al. Assessment of significance of features acquired from thyroid ultrasonograms in Hashimoto's disease
US20150065868A1 (en) System, method, and computer accessible medium for volumetric texture analysis for computer aided detection and diagnosis of polyps
Kuo et al. Fast fully automatic detection, classification and 3D reconstruction of pulmonary nodules in CT images by local image feature analysis
CN102171725B (zh) 脑室分析
Wang et al. [Retracted] Design Computer‐Aided Diagnosis System Based on Chest CT Evaluation of Pulmonary Nodules
CN117727441A (zh) 基于临床-融合影像计算机模型预测肺癌免疫疗效方法
Junior et al. Evaluating margin sharpness analysis on similar pulmonary nodule retrieval
TWI797767B (zh) 基於評估腦中風之血管造影方法及血管造影裝置
El Hassani et al. Efficient lung CT image segmentation using mathematical morphology and the region growing algorithm
TWM527991U (zh) 醫療影像處理裝置
Zuluaga et al. Feature selection for SVM-based vascular anomaly detection
Karwoski et al. Processing of CT images for analysis of diffuse lung disease in the lung tissue research consortium
Bravo Valero et al. A comprehensive study of a similarity criterion in cardiac computerized tomography images enhancement