CN106228561A - 血管提取方法 - Google Patents
血管提取方法 Download PDFInfo
- Publication number
- CN106228561A CN106228561A CN201610608532.2A CN201610608532A CN106228561A CN 106228561 A CN106228561 A CN 106228561A CN 201610608532 A CN201610608532 A CN 201610608532A CN 106228561 A CN106228561 A CN 106228561A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- region
- vessel
- main
- medical image
- 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.)
- Granted
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 50
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 234
- 238000000034 method Methods 0.000 claims abstract description 77
- 239000000284 extract Substances 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 239000008280 blood Substances 0.000 claims description 25
- 210000004369 blood Anatomy 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000002792 vascular Effects 0.000 description 14
- 206010002329 Aneurysm Diseases 0.000 description 8
- 230000002308 calcification Effects 0.000 description 7
- 239000002872 contrast media Substances 0.000 description 7
- 210000001367 artery Anatomy 0.000 description 6
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000002583 angiography Methods 0.000 description 5
- 210000000988 bone and bone Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 210000001015 abdomen Anatomy 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 210000003462 vein Anatomy 0.000 description 4
- 210000002385 vertebral artery Anatomy 0.000 description 4
- 238000013316 zoning Methods 0.000 description 4
- 208000032170 Congenital Abnormalities Diseases 0.000 description 3
- 210000004004 carotid artery internal Anatomy 0.000 description 3
- 210000000038 chest Anatomy 0.000 description 3
- 238000010968 computed tomography angiography Methods 0.000 description 3
- 210000001841 basilar artery Anatomy 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 210000001951 dura mater Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000003141 lower extremity Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 101800004637 Communis Proteins 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 208000009443 Vascular Malformations Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004191 axillary artery Anatomy 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000002302 brachial artery Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 210000003240 portal vein Anatomy 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000003492 pulmonary vein Anatomy 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
- G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种血管提取方法，包括如下步骤：获取医学图像；将所述医学图像与标记有血管图谱的模板图像进行配准，获取标记有血管图谱的医学图像，所述获取标记有血管图谱的医学图像包含一个或多个区域，所述区域包含至少一条主血管；根据主血管的特征选择第一提取方法，提取该区域内的主血管；检测所述区域内提取的主血管，判断是否满足结束条件，若满足，则保存当前该区域提取的血管；否则，排除所述第一提取方法，选择第二提取方法，继续提取该区域中的主血管，并重复检测步骤，直至提取成功；连接各个区域提取的主血管，获取血管提取结果。本发明能够有效提取包含非典型血管的完整血管组织，提高医疗诊断的准确性。
Description
【技术领域】
本发明涉及医学图像处理领域，特别是涉及一种血管提取方法。
【背景技术】
血管成像技术包括CT血管造影(CTA，CT angiography)，磁共振血管造影(Magnetic Resonance Angiography，MRA)，以及MR非造影成像等，可以帮助医生诊断血管的各种疾病，如钙化、狭窄、动脉瘤、硬脑膜静脉窦等。通过血管成像技术获取的血管图像，主要是三维图像，并不能给医生直观的感受。因此需要从医学图像中提取血管并以三维显示技术展示血管的形态，以更好地辅助医生对病灶进行分析，提高医疗诊断的准确性和科学性，有利于制定最优的治疗方案及手术规划，对医学研究具有重要的意义。
医学图像中的血管大多呈现管状结构，其灰度值在一定范围内，可用采用基于阈值或者基于模型等算法提取血管。但对于非典型的血管，例如由于动脉瘤或钙化等疾病的影响导致血管狭窄，或者由于造影剂过低或扫描问题，可能呈现不同的形态，因此，针对典型血管采用的提取方法可能在提取非典型血管是造成提取欠提取或过提取。
现有技术中，血管提取的方法主要有：
1.基于血管的图像特征，如灰度，梯度或其组合提取血管。然而，对于造影剂较弱的情况下，其灰度值与血管壁处的梯度值明显低于正常造影剂血管，因此会出现提取失败。而对于血管钙化的情况，其灰度和梯度值则明显高于正常血管，与骨相混。还有一些血管，如椎动脉、颈内动脉等，仅仅与低密度骨或硬脑膜窦贴合难以分辨，也无法通过灰度和梯度等图像信息分别。从而不适用于这些血管的提取，造成提取失败。
2.基于血管模型，在提取过程中不完全依赖灰度和梯度等信息，还检测血管的形状，因此，对于过高或过低灰度值的血管，如果具备典型血管的形状特征，也能较好的提取出来。但是，有些疾病血管，例如严重的动脉瘤或血栓等原因引起的血管狭窄，使其不符合管状结构的典型血管形状特征。又如有些严重钙化血管，导致血管畸形，也不再呈现管状结构。在这些情况下，这种类型的提取方法也会失败。
3.基于能谱图将人体划分为不同区域，在不同区域采用不同的方法进行处理。但对于血管来说，其特点并不与平面划分一致。在同一平面划分区域内，同样有各种不同类型的血管。因此并不适用于包含典型和非典型血管的提取。
综上所述，由于血管***的复杂性，常用的血管提取方法往往适用于特定部位的血管，或血管的特定状态，特别是针对正常的无疾病并且造影剂充分的血管，可以获得较好的提取效果，但是对于一些非典型血管则提取效果欠佳。因此，有必要对现有血管提取方法进行改进，以有效提取包含非典型血管的完整血管。
【发明内容】
本发明所要解决的技术问题提出一种血管提取方法，其能有效改进现有血管提取方法，以有效获取含非典型血管和典型血管的完整血管结构。
本发明为解决上述技术问题所采用的技术方案为一种血管的提取方法，包括如下步骤：
获取医学图像；
将所述医学图像与标记有血管图谱的模板图像进行配准，根据映射关系将所述血管图谱匹配至所述医学图像，获取标记有血管图谱的医学图像，
所述获取标记有血管图谱的医学图像包含一个或多个区域，其中，所述区域包含至少一条主血管；
根据所述区域内的主血管的特征选择第一提取方法，提取该区域内的主血管；
检测所述区域内提取的主血管，判断是否满足结束条件，若满足，则保存当前该区域提取的血管；否则，
排除所述第一提取方法，选择第二提取方法，继续提取该区域中的主血管，并重复检测步骤，直至提取成功；
连接各个区域提取的主血管，获取血管提取结果。
优选的，所述多个区域有重叠部分。
优选的，所述任一区域内主血管的特征为基于所述血管图谱获取的形态学特征、空间位置、强度值或梯度或前述组合。
优选的，所述检测各区域提取的主血管，包括如下步骤：
获取任所述区域提取的主血管，腐蚀所述主血管，提取该区域中的最大连通域；
判断所述最大连通域是否满足结束条件，若满足，则保存当前该区域提取的血管；否则，重复检查步骤。
优选的，所述结束条件包括：提供形状条件，若所述主血管的形状满足所述形状条件，则保存当前该区域提取的血管。
优选的，所述形状条件包括连通域的截面半径、截面形态和空间形态。
优选的，所述截面形态为圆形。
优选的，所述结束条件还包括：计算所述连通域的尺寸与所述血管图谱对应区域的尺寸的比值，若所述比值大于阈值，则保存当前该区域提取的血管。
优选的，所述阈值的取值范围为0.8～1。
优选的，所述血管提取方法还包括，基于模型方法或者区域生长方法提取微血管，融合所述微血管和主血管，获取血管的提取结果。
与现有技术相比，本发明的优点在于：首先，采用与模板图像进行配准，根据血管图谱将医学图像中的血管***划分为不同区域，此区域可互相重叠；在每个区域中，选择针对该区域中主血管特征的提取方法，便于针对不同的血管特点选择合适的提取方法，有效提高血管提取的准确性。其次，检测血管提取是否成功，若失败可采用迭代模式选取不同提取方法，直至成功，用以提取非典型血管。最后，将各区域中的血管连接起来，组成包含典型血管和非典型血管的主血管树，并在此基础上提取次要的和细小的微血管，以获取完整的血管。
【附图说明】
图1为本发明一实施例中血管的提取方法流程图；
图2a和2b为本发明一实施例中标记有血管图谱的医学图像示意图；
图3为本发明又一实施例中血管的提取方法流程图；
图4为本发明一实施例中提取血管的结果示意图。
【具体实施方式】
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施的限制。
其次，本发明利用示意图进行详细描述，在详述本发明实施例时，为便于说明，所述示意图只是实施例，其在此不应限制本发明保护的范围。使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图和实施例对本发明的具体实施方式做详细的说明。
本实施例采用一种血管的提取方法如图1所示，包括如下步骤：
S11：获取医学图像。所述医学图像通过各类模态的成像***扫描采集获得三维或二维图像，也可以通过诸如存储系影像归档和通信***(Picture Archiving andCommunication Systems，PACS)等内部或外部存储***传输获得。所述模态包括但不限于磁共振成像(MRI)、磁共振血管造影(MRA)、计算机断层扫描(CT)、正电子发射断层扫描(Positron Emission Tomography，PET)等一种或多种的组合。所述医学图像包含各类血管区域，例如头颈部血管，胸腹部血管和下肢血管，所述血管区域包含主血管和微血管，主血管可以是动脉血管、静脉血管等血管，或者上述的任意组合。动脉血管可以是头动脉、颈动脉、胸动脉、腹动脉、腋动脉、肱动脉等，或者上述的任意组合。微血管包括主血管分支血管以及毛细血管，所述微血管与主血管构成完整的血管树。
S12：将所述医学图像与标记有血管图谱的模板图像进行配准，根据映射关系将所述血管图谱匹配至所述医学图像，获取标记有血管图谱的医学图像；所述获取标记有血管图谱的医学图像包含一个或多区域，其中，所述区域包含至少一条主血管。
本实施例中，所述血管图谱可以是标记正常人体血管***或者参考病例中对血管区域的信息叠加，合成获取血管区域分布的统计概率图，所述概率图中某一个像素点的概率值可以表示目标区域(即血管所在的区域)的位置概率(即该位置为目标区域的概率)，也可以表示为医学图像中任一个连通域是主血管在空间分布的概率图。所述主血管可以是主要的动脉或静脉或其组合，例如对于头颈部的血管中左右颈总动脉、左右椎动脉等，对于腹部的血管中的腹主动脉，以及肺静脉和门静脉等。在一些实施例中，所述主血管在医学图像上显示为一个连通域，对应血管基于统计在空间分布的概率。在一些实施例中，对于空间分布上为同一类血管的连通域在医学图像上可以显示为同一连通域，在医学图像上赋予相同的强度值。图2a和2b为标记有血管图谱的医学图像示意图，分别表示胸腹部血管的正面和背面图像。其中区域A是左颈内动脉，区域B是右颈内动脉，区域C是基底动脉，区域D是右椎动脉，和区域E是左椎动脉。本发明中对于血管图谱中标记的标准不作具体限定，可以为血管之间的空间位置关系、连接关系或者形态学关系。例如，图2a和2b中的区域A和B在空间上显示对称性，可以在血管图谱中合并标记为同一个连通域。
本实施例中，将所述医学图像与标记有血管图谱的模板图像进行配准，根据映射关系将所述血管图谱匹配至所述医学图像，可以通过标记有血管图谱的医学图像，将所述医学图像划分成不同的区域，所述区域有别于通常按照生理结构划分成例如，头部、颈部、腹部、下肢等等不同的区域。配准的方法可以基于一定映射关系(例如基于仿射配准关系矩阵和非刚体配准的形变场)，将每个参考病例中血管区域(例如主血管)映射到一个坐标空间，例如，模板图像的坐标空间，并计算出包含有个主血管区域的概率分布。进一步地，在一些实施例中，可以动态选择适应的配准方法或者空间变换模型。
本实施例中，所述获取标记有血管图谱的医学图像包含一个或多个区域，其中，所述区域包含至少一条主血管，根据血管图谱，所述区域可以是主血管在空间分布的概率图，由于血管的空间构型和位置关系，例如血管分叉或空间部分重叠原因，根据血管图谱划分的各个区域在空间上可能有部分重叠，。例如图2a和2b为标记有血管图谱的医学图像示意图中区域A是左颈内动脉，区域B是右颈内动脉，区域C是基底动脉，三者在空间上有部分重叠。在一些实施例中，提取血管过程是限定在根据所述血管图谱划分区域中进行的，各个血管的提取过程是相互独立的，所以各区域在空间上可以有部分重叠。
步骤S13：根据任一区域内的主血管的特征选择第一提取方法，提取该区域内的主血管。所述第一提取方法可以是基于半径等条件的水平集算法、基于阈值的提取方法、基于边缘的提取方法、基于区域的提取方法、基于聚类分析的提取方法、基于小波变换的提取方法、基于数学形态学的方法、基于人工神经网络的方法、基于遗传算法的方法、以及相同或不同部位血管的组合方法等。优选的，所述第一提取方法为基于主血管特征所选取最优化的提取算法。
在一些实施例中，主血管的特征可以包括血管的对称性、血管的尺寸(例如，面积、直径、半径等)、血管连通域的面积、血管的位置、灰度值和梯度值、血管的空间构型等中的一种或多种。例大脑动脉区域，可采用灰度与梯度限定的区域生长方法，提取血管。对于血管与骨紧密贴合，且血管和骨对应的灰度和梯度都不呈现差异的区域，如颈内动脉，椎动脉等，可采用基于形状约束或机器学习的方法进行血管提取。在一些实施例中，可以先确定血管中心线，进一步基于血管中心线生长血管。在一些实施例中，可以通过构建血管模型提取血管。在一些实施例中，可以根据血管的特征(例如灰度值)，在血管图谱划分的区域内进行区域生成提取血管。在一些实施例中，可以通过机器学习的方式提取血管。在一些实施例中，还可以根据已经提取的血管，确定主血管。
S14～S17：检测各个区域内提取的主血管，判断是否满足结束条件，若满足，则保存当前该区域提取的血管；否则，排除所述第一提取方法，选择第二提取方法，继续提取该区域中的主血管，并重复检测步骤，直至提取成功。
由于动脉瘤或钙化等疾病的影响导致血管发生形变(例如过血管界面畸形或者过于狭窄)，或者由于造影剂过低或扫描问题而呈现不同的形态，可能导致针对典型血管的常用提取方法(例如所述第一提取方法)对于非典型血管提取失败，因此本实施例中通过检测步骤S14～S17检测血管提取是否成功，若失败可采用迭代模式选取不同提取方法，直至成功，用以提取非典型的血管。所述非典型血管可以为由于动脉瘤或钙化等疾病的影响导致血管形态畸变或狭窄，或者由于造影剂过低或扫描问题引起的形态异常的血管。本实施例中，可以获取所述区域提取的主血管，由于所述第一提取方法所提取的主血管往往包含分叉血管或其它微血管，本实施例在检测步骤前，还可以对所述主血管进行腐蚀操作，以获取一个或多个连通域，计算并提取该区域中的体积最大连通域判断是否符合结束条件；所述结束条件可以为形状条件，所述形状条件包括连通域的截面半径、截面形态和空间形态。所述结束条件还可以包括：计算所述连通域的尺寸与所述血管图谱对应区域的尺寸的比值。由于本实施例中，根据所述血管图谱划分区域内提取主血管，而所述划分区域如前详述是区域可以是主血管在空间分布的概率图，所以可以根据计算所述连通域的尺寸与所述血管图谱对应区域的尺寸的比值，判断该连通域长度是否横贯所述区域。本实施例中，所述连通域的长度可以是Z轴方向上的长度。
若所述连通域的满足结束条件，则保存当前该区域提取的血管，否则，对于诸如由于严重的动脉瘤导致血管形态发生变化，例如血管界面形状因动脉瘤而过于狭窄呈现非圆形特征，则重复检测步骤。否则，选择第二提取方法提取该区域的主血管，并重复前述检测步骤，直至提取成功。
本实施例中，所述第二提取方法可以是针对动脉瘤血管的提取方法，针对低造影剂血管的提取方法，针对钙化畸形血管的提取方法等。针对动脉瘤的提取方法，可采用无形状约束的水平集算法，在一定的灰度和梯度阈值之上提取血管。针对低造影剂血管的提取方法，可采用基于血管模型的方法，根据依赖灰度梯度等图像特征信息，形状约束信息提取血管。针对钙化畸形血管的提取，可综合形状与梯度等各类信息，提取血管。
S18：连接各个区域提取的主血管，获取血管提取结果。对于各个区域提取成功的主血管，进一步地基于各类血管提取方法，例如基于模型方法或者区域生长方法提取微血管，融合所述微血管和主血管，获取包含典型血管和非典型血管的完整血管树结构。
为使本发明的上述目的、特征和优点能够更加明显易懂，本发明提供又一血管的提取方法的实施例，下面结合图3所示作说明。
S31～S34：获取医学图像。将所述医学图像与标记有血管图谱的模板图像进行配准，根据映射关系获取标记有血管图谱的医学图像。具体配准方法前已详述，在此不再赘述。配准后的医学图像根据所述血管图谱划分为一个或多个区域，其中，所述区域包含至少一条主血管，在一些实施例中，所述区域是根据血管图谱上的血管区域分布的统计概率区域，例如如图2a和2b所示，区域A为根据血管图谱划分的左颈内动脉区域，区域B是根据血管图谱划分的右颈内动脉区域。根据任一区域内主血管的特征选择第一提取方法提取该主血管。例如，基于结构特征及血管增强的方法提取各脉起止血管种子点，接着根据基于半径等条件的水平集算法、基于阈值的提取方法、基于边缘的提取方法、基于区域的提取方法、基于聚类分析的提取方法、基于小波变换的提取方法、基于数学形态学的方法、基于人工神经网络的方法、基于遗传算法的方法等方法获得血管边界或者血管中心线，从而实现提取主血管。
S35～S38：获取所述区域提取的主血管，腐蚀所述主血管，提取该区域中最大体积的连通域。判断该连通域是否满足结束条件。本实施例中，所提取的目标是根据血管图谱划分的主血管，提取血管的限定区域是基于血管图谱中标记的该主血管的空间分布概率图，而针对典型血管的第一提取方法提取的血管通常含有分叉血管组织，或者部分骨头等其它噪音组织，所以需要进行腐蚀操作，获取各个独立的连通域，提取体积最大的连通域作为候选主血管进行检测步骤，判断是否符合结束条件。本实施例中，所述结束条件包括形状条件，所述行状态条件包括连通域的截面半径、截面形态和空间形态等。血管为管状结构，可以通过判断所述连通域是否满足形状条件来判断是否成功提取血管，本实施例中，所述截面形态优选为圆形。所述结束条件还包括，判断所述连通域的尺寸与所述血管图谱对应区域的尺寸的比值。计算所述体积最大连通域长轴的长度与所述血管图谱对应区域的Z轴方向上长度的比值，若所述比值大于阈值a，则保存当前该区域提取的血管所述阈值a取值范围为0.8～1。排除所述第一提取方法，选择第二提取方法，继续提取该区域中的主血管。保存该区域提取的主血管。
S39～S311：连接各个区域提取的主血管，获取主血管的提取结果。接着基于模型方法或者区域生长方法提取微血管。融合所述微血管和主血管，获取包含主血管和微血管的完整血管树，如图4所示为头颈部血管提取结果，其中包括左、右颈内动脉区域的主血管以及其它头部微血管构成的完整血管的提取结果。
综上所述，本发明提供一种血管的提取方法，采用模板配准技，根据血管图谱将医学图像中的血管***划分为不同区域，每个区域中至少包括一条主血管，此区域可互相重叠；在每个区域中，选择针对该区域中主血管特征的提取方法，便于针对不同的血管特点选择合适的提取方法，有效提高血管提取的准确性。其次，检测血管提取是否成功，若失败可采用迭代模式选取不同提取方法，直至成功，用以提取非典型血管。最后，将各区域血管连接起来，并在此基础上提取次要的和细小的血管，组成包含典型血管和非典型血管的主血管树，以获取完整的血管。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种血管提取方法，其特征在于，包括如下步骤：
获取医学图像；
将所述医学图像与标记有血管图谱的模板图像进行配准，根据映射关系将所述血管图谱匹配至所述医学图像，获取标记有血管图谱的医学图像；
所述标记有血管图谱的医学图像包含一个或多个区域，其中，所述区域包含至少一条主血管；
根据所述区域内的主血管的特征选择第一提取方法，提取该区域内的主血管；
检测所述该区域内提取的主血管，判断是否满足结束条件，若满足，则保存当前该区域提取的血管；否则，
排除所述第一提取方法，选择第二提取方法，继续提取该区域中的主血管，并重复检测步骤，直至提取成功；
连接各个区域提取的主血管，获取血管提取结果。
2.根据权利要求1所述的血管提取方法，其特征在于，所述多个区域有重叠部分。
3.根据权利要求1所述的血管提取方法，其特征在于，所述区域内主血管的特征为基于所述血管图谱获取的主血管的形态学特征、空间位置、强度值或梯度或前述组合。
4.根据权利要求1所述的血管提取方法，其特征在于，所述检测各个区域提取的主血管，包括如下步骤：
获取所述区域提取的主血管，腐蚀所述主血管，提取该区域中最大体积的连通域；
判断所述连通域是否满足结束条件，若满足，则保存当前该区域提取的血管；否则，重复检查步骤，直至提取血管成功。
5.根据权利要求4所述的血管提取方法，其特征在于，所述结束条件包括：提供形状条件，若所述连通域的形状满足所述形状条件，则保存当前该区域提取的血管。
6.根据权利要求5所述的血管提取方法，其特征在于，所述形状条件包括连通域的截面半径、截面形态和空间形态。
7.根据权利要求6所述的血管提取方法，其特征在于，所述截面形态为圆形。
8.根据权利要求4所述的血管提取方法，其特征在于，所述结束条件还包括，计算所述最大体积的连通域长轴的长度与所述血管图谱对应区域的Z轴方向上长度的比值，若所述比值大于阈值，则保存当前该区域提取的血管。
9.根据权利要求8所述的血管提取方法，其特征在于，所述阈值的取值范围为0.8～1。
10.根据权利要求1所述的血管提取方法，其特征在于，基于模型方法或者区域生长方法提取微血管，融合所述微血管和主血管，获取血管的提取结果。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610608532.2A CN106228561B (zh) | 2016-07-29 | 2016-07-29 | 血管提取方法 |
| PCT/CN2017/088276 WO2018001099A1 (zh) | 2016-06-30 | 2017-06-14 | 一种血管提取方法与*** |
| US15/663,909 US10357218B2 (en) | 2016-06-30 | 2017-07-31 | Methods and systems for extracting blood vessel |
| US16/517,961 US11344273B2 (en) | 2016-06-30 | 2019-07-22 | Methods and systems for extracting blood vessel |
| US17/654,598 US20220192617A1 (en) | 2016-06-30 | 2022-03-14 | Methods and systems for extracting blood vessel |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610608532.2A CN106228561B (zh) | 2016-07-29 | 2016-07-29 | 血管提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106228561A true CN106228561A (zh) | 2016-12-14 |
| CN106228561B CN106228561B (zh) | 2019-04-23 |
Family
ID=57535240
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610608532.2A Active CN106228561B (zh) | 2016-06-30 | 2016-07-29 | 血管提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106228561B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709920A (zh) * | 2016-12-15 | 2017-05-24 | 上海联影医疗科技有限公司 | 血管提取方法及其装置 |
| CN109583364A (zh) * | 2018-11-27 | 2019-04-05 | 上海鹰瞳医疗科技有限公司 | 图像识别方法及设备 |
| CN109801277A (zh) * | 2019-01-18 | 2019-05-24 | 浙江大学 | 一种图像处理方法及装置、存储介质 |
| US10357218B2 (en) | 2016-06-30 | 2019-07-23 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for extracting blood vessel |
| CN110176013A (zh) * | 2019-05-29 | 2019-08-27 | 数坤（北京）网络科技有限公司 | 血管分割方法、装置、电子设备及存储介质 |
| CN110211111A (zh) * | 2019-05-31 | 2019-09-06 | 上海联影医疗科技有限公司 | 一种血管提取的方法、装置、图像处理设备及存储介质 |
| CN110610495A (zh) * | 2018-06-15 | 2019-12-24 | 北京京东尚科信息技术有限公司 | 图像处理方法、***和电子设备 |
| CN111161270A (zh) * | 2019-12-24 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 医学影像的血管分割方法、计算机设备和可读存储介质 |
| CN111938686A (zh) * | 2020-08-17 | 2020-11-17 | 上海市第六人民医院 | 一种脑部医学图像处理装置及方法 |
| CN111968070A (zh) * | 2020-04-22 | 2020-11-20 | 深圳睿心智能医疗科技有限公司 | 一种基于三维建模的血管检测方法及装置 |
| CN112308846A (zh) * | 2020-11-04 | 2021-02-02 | 赛诺威盛科技（北京）有限公司 | 血管分割方法、装置及电子设备 |
| CN112996440A (zh) * | 2018-11-05 | 2021-06-18 | 株式会社岛津制作所 | X射线摄像装置 |
| CN113192099A (zh) * | 2021-04-30 | 2021-07-30 | 上海联影医疗科技股份有限公司 | 一种组织提取方法、装置、设备和介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1893876A (zh) * | 2003-12-16 | 2007-01-10 | 株式会社日立医药 | 区域提取方法及装置 |
| CN102332054A (zh) * | 2011-08-25 | 2012-01-25 | 西北工业大学 | 三维大脑磁共振图像的大脑皮层表面标志区域识别方法 |
| CN103295200A (zh) * | 2013-05-29 | 2013-09-11 | 深圳大学 | 数字图像配准方法及装置、数字减影图像矫正方法及设备 |
| CN103810709A (zh) * | 2014-02-25 | 2014-05-21 | 南京理工大学 | 基于血管的眼底图像与sd-oct投影图像配准方法 |
| CN103871036A (zh) * | 2012-12-12 | 2014-06-18 | 上海联影医疗科技有限公司 | 用于三维数字减影血管造影图像的快速配准和拼接方法 |
| CN104091346A (zh) * | 2014-07-24 | 2014-10-08 | 东南大学 | 一种全自动ct图像冠状动脉钙化分数计算方法 |
| CN104166979A (zh) * | 2013-12-31 | 2014-11-26 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
| CN105069803A (zh) * | 2015-08-19 | 2015-11-18 | 西安交通大学 | 一种基于彩色图像的糖尿病病变体微血管瘤的分类装置 |
| WO2016056642A1 (ja) * | 2014-10-08 | 2016-04-14 | イービーエム株式会社 | 血流シミュレーションのための血流解析機器、その方法及びコンピュータソフトウエアプログラム |
-
2016
- 2016-07-29 CN CN201610608532.2A patent/CN106228561B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1893876A (zh) * | 2003-12-16 | 2007-01-10 | 株式会社日立医药 | 区域提取方法及装置 |
| CN102332054A (zh) * | 2011-08-25 | 2012-01-25 | 西北工业大学 | 三维大脑磁共振图像的大脑皮层表面标志区域识别方法 |
| CN103871036A (zh) * | 2012-12-12 | 2014-06-18 | 上海联影医疗科技有限公司 | 用于三维数字减影血管造影图像的快速配准和拼接方法 |
| CN103295200A (zh) * | 2013-05-29 | 2013-09-11 | 深圳大学 | 数字图像配准方法及装置、数字减影图像矫正方法及设备 |
| CN104166979A (zh) * | 2013-12-31 | 2014-11-26 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
| CN103810709A (zh) * | 2014-02-25 | 2014-05-21 | 南京理工大学 | 基于血管的眼底图像与sd-oct投影图像配准方法 |
| CN104091346A (zh) * | 2014-07-24 | 2014-10-08 | 东南大学 | 一种全自动ct图像冠状动脉钙化分数计算方法 |
| WO2016056642A1 (ja) * | 2014-10-08 | 2016-04-14 | イービーエム株式会社 | 血流シミュレーションのための血流解析機器、その方法及びコンピュータソフトウエアプログラム |
| CN105069803A (zh) * | 2015-08-19 | 2015-11-18 | 西安交通大学 | 一种基于彩色图像的糖尿病病变体微血管瘤的分类装置 |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10357218B2 (en) | 2016-06-30 | 2019-07-23 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for extracting blood vessel |
| US11344273B2 (en) | 2016-06-30 | 2022-05-31 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for extracting blood vessel |
| CN106709920A (zh) * | 2016-12-15 | 2017-05-24 | 上海联影医疗科技有限公司 | 血管提取方法及其装置 |
| CN110610495A (zh) * | 2018-06-15 | 2019-12-24 | 北京京东尚科信息技术有限公司 | 图像处理方法、***和电子设备 |
| CN110610495B (zh) * | 2018-06-15 | 2022-06-07 | 北京京东尚科信息技术有限公司 | 图像处理方法、***和电子设备 |
| CN112996440A (zh) * | 2018-11-05 | 2021-06-18 | 株式会社岛津制作所 | X射线摄像装置 |
| CN109583364A (zh) * | 2018-11-27 | 2019-04-05 | 上海鹰瞳医疗科技有限公司 | 图像识别方法及设备 |
| CN109801277A (zh) * | 2019-01-18 | 2019-05-24 | 浙江大学 | 一种图像处理方法及装置、存储介质 |
| CN109801277B (zh) * | 2019-01-18 | 2021-04-20 | 浙江大学 | 一种图像处理方法及装置、存储介质 |
| CN110176013A (zh) * | 2019-05-29 | 2019-08-27 | 数坤（北京）网络科技有限公司 | 血管分割方法、装置、电子设备及存储介质 |
| CN110211111A (zh) * | 2019-05-31 | 2019-09-06 | 上海联影医疗科技有限公司 | 一种血管提取的方法、装置、图像处理设备及存储介质 |
| CN111161270B (zh) * | 2019-12-24 | 2023-10-27 | 上海联影智能医疗科技有限公司 | 医学影像的血管分割方法、计算机设备和可读存储介质 |
| CN111161270A (zh) * | 2019-12-24 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 医学影像的血管分割方法、计算机设备和可读存储介质 |
| CN111968070A (zh) * | 2020-04-22 | 2020-11-20 | 深圳睿心智能医疗科技有限公司 | 一种基于三维建模的血管检测方法及装置 |
| CN111968070B (zh) * | 2020-04-22 | 2023-12-05 | 深圳睿心智能医疗科技有限公司 | 一种基于三维建模的血管检测方法及装置 |
| CN111938686A (zh) * | 2020-08-17 | 2020-11-17 | 上海市第六人民医院 | 一种脑部医学图像处理装置及方法 |
| CN111938686B (zh) * | 2020-08-17 | 2021-04-20 | 上海市第六人民医院 | 一种脑部医学图像处理装置及方法 |
| CN112308846A (zh) * | 2020-11-04 | 2021-02-02 | 赛诺威盛科技（北京）有限公司 | 血管分割方法、装置及电子设备 |
| CN112308846B (zh) * | 2020-11-04 | 2021-07-13 | 赛诺威盛科技(北京)股份有限公司 | 血管分割方法、装置及电子设备 |
| CN113192099B (zh) * | 2021-04-30 | 2023-02-17 | 上海联影医疗科技股份有限公司 | 一种组织提取方法、装置、设备和介质 |
| CN113192099A (zh) * | 2021-04-30 | 2021-07-30 | 上海联影医疗科技股份有限公司 | 一种组织提取方法、装置、设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106228561B (zh) | 2019-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106228561A (zh) | 血管提取方法 | |
| Berhane et al. | Fully automated 3D aortic segmentation of 4D flow MRI for hemodynamic analysis using deep learning | |
| US11344273B2 (en) | Methods and systems for extracting blood vessel | |
| US11816837B2 (en) | Vascular characteristic determination with correspondence modeling of a vascular tree | |
| CN106683090B (zh) | 医学图像中肋骨的定位方法及其*** | |
| CN112489047B (zh) | 一种基于深度学习的盆骨及其动脉血管的多层级分割方法 | |
| CN101065776B (zh) | 分割解剖学结构的三维数字表示的方法和工作站 | |
| CN112001925B (zh) | 图像的分割方法、放射治疗***、计算机设备和存储介质 | |
| CN106600609B (zh) | 一种医学图像中脊柱的分割方法及*** | |
| CN112508965B (zh) | 医学影像中正常器官的轮廓线自动勾画*** | |
| CN105190630A (zh) | 计算血流储备分数 | |
| CN106682636A (zh) | 血管提取方法及其*** | |
| US20180225821A1 (en) | Vascular territory segmentation using mutual clustering information from image space and label space | |
| US9189866B2 (en) | Vascular tree from anatomical landmarks and a clinical ontology | |
| CN106709920B (zh) | 血管提取方法及其装置 | |
| CN106651874B (zh) | 基于多模态mri数据的脑瘤术后空间域分割方法 | |
| Hsu et al. | Gap-free segmentation of vascular networks with automatic image processing pipeline | |
| US8934690B2 (en) | Method for processing vascular structure images | |
| CN104915989B (zh) | 基于ct影像的血管三维分割方法 | |
| Yoshida et al. | Intermodality feature fusion combining unenhanced computed tomography and ferumoxytol-enhanced magnetic resonance angiography for patient-specific vascular mapping in renal impairment | |
| Larralde et al. | Evaluation of a 3D segmentation software for the coronary characterization in multi-slice computed tomography | |
| CN108573494B (zh) | 一种管状结构提取方法及装置 | |
| Kociński et al. | Towards multi-scale personalized modeling of brain vasculature based on magnetic resonance image processing | |
| Redaelli et al. | An assisted automated procedure for vessel geometry reconstruction and hemodynamic simulations from clinical imaging | |
| CN108717538B (zh) | 一种管状结构提取方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | 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 | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 201807 No. 2258 Chengbei Road, Jiading Industrial Zone, Jiading District, Shanghai. Patentee after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 No. 2258 Chengbei Road, Jiading Industrial Zone, Jiading District, Shanghai. Patentee before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |