CN107133959A - 一种快速的血管边界三维分割方法及*** - Google Patents

一种快速的血管边界三维分割方法及*** Download PDF

Info

Publication number
CN107133959A
CN107133959A CN201710438256.4A CN201710438256A CN107133959A CN 107133959 A CN107133959 A CN 107133959A CN 201710438256 A CN201710438256 A CN 201710438256A CN 107133959 A CN107133959 A CN 107133959A
Authority
CN
China
Prior art keywords
image
artifact
vessel
module
curve
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
Application number
CN201710438256.4A
Other languages
English (en)
Other versions
CN107133959B (zh
Inventor
黄佳悦
涂圣贤
余炜
张素
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Bodong Medical Technology Co ltd
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201710438256.4A priority Critical patent/CN107133959B/zh
Publication of CN107133959A publication Critical patent/CN107133959A/zh
Application granted granted Critical
Publication of CN107133959B publication Critical patent/CN107133959B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Endoscopes (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种快速的血管边界三维分割方法及***，该***包括：预处理模块；第一坐标变换模块，将图像转换为极坐标系下图像；图像伪影识别模块：确定所述图像中的伪影，生成伪影掩膜图像；管腔中心定位模块：确定原始图像中的血管管腔中心；第二坐标变换模块：将确定血管管腔中心的图像，转换为极坐标系下新图像，并根据所述伪影掩膜图像去除新图像中伪影；管腔边界提取模块：依据去除伪影后的图像生成能量消耗图像，确定极坐标系下图像的血管边界；坐标反变换模块：将极坐标系下图像的血管边界转换为原始图像坐标系下的血管边界曲线。本发明能够很好地识别并排除图像中导丝伪影、血管分叉，从而实现快速准确的血管三维边界分割。

Description

一种快速的血管边界三维分割方法及***
技术领域
本发明涉及一种基于光学相干断层成像图像的血管三维重建方法，属于医学图像处理领域和医学检测技术领域。
背景技术
光学相干断层成像(Optical Coherence Tomography，OCT)是一种新兴的高分辨率断层成像技术。和血管内超声(Intravascular Ultrasound，IVUS)原理类似，该技术以近红外线作为光源，利用光波的干涉法则进行成像，将光束扫描组织的光信号转换成电信号，经过计算机处理后显示为灰色图或伪彩色图的二维和三维图像。由于光的波长较声波更短，光学相干断层成像具有更高的分辨率，可达10～20um。
基于光学相干断层成像图像的血管分割与重建，可以提供高精度高准确度的血管三维模型，以提高后期虚拟血流储备分数计算的准确度。目前，基于光学相干断层成像图像的血管分割存在一下两个难点：如何达到快速的分割与重建；分割重建过程中如何排除导丝伪影、分支以及图像质量不佳等因素的干扰，从而实现全自动三维血管分割。
由于存在上述难点，目前光学相干断层成像设备自带的图像分割与重建***还有诸多缺陷。目前比较典型的血管分割方法有如下几类：
方法1：St Jude公司生产的光学相干断层成像设备自带的血管分割与重建功能主要通过分析OCT图像A-Line的灰度变化，提取A-Line中特殊灰度点作为管腔边界点，再将若干个管腔边界点插值形成管腔边界曲线，获得血管分割结果，形成血管三维模型。上述方法存在如下技术缺陷：无法识别血管分支；在图像质量不佳的情况下，无发识别管腔边界点，无法进行分割，导致血管三维模型重建错误。
专利文献CN 105741251 A：公开了一种肝脏CTA序列图像的血管分割方法。该方法首先对输入三维肝脏序列图像进行对比度增强和平滑噪声预处理，然后，采用OOF和OFA算法增强肝脏血管及其边界，细化血管中心；根据血管的几何结构，自动搜索血管中心线的种子点，并提取肝脏血管的中心线、构建肝脏血管树；最后，结合快速行进法初步分割肝脏血管并计算相应的血管和背景灰度直方图，采用图割算法实现肝脏血管的精确分割。但是，上述发明并不适用于OCT图像，OCT图像和CTA图像中血管形态、灰度并不相同：CTA图像中血管依靠管腔中充满造影剂的血液呈高灰度的树状结构；而OCT图像为单一血管成像，血管呈管状，且血管管腔内部呈低灰度，管壁呈高灰度。
专利文献CN 101283929 A：公开了一种血管三维模型的重建方法。该发明着重于血管的三维重建，其技术方案如下：它将由IVUS图像序列获取的血管横截面信息和由基于X射线造影图像的三维重建获得的超声导管空间几何信息结合起来，准确重建出血管的解剖结构。而其中的采用的血管分割方式为：snake模型与动态规划相结合的分割方式，该算法劣势在于需要在首帧图像中手动选择血管轮廓点，且snake模型不适用于存在导丝伪影和血管分支的OCT图像。虽然与分别单独利用两种图像获得的重建结果相比较，该发明能够更全面和准确地反映血管及可能存在的斑块的真实形态，但是由于该发明的两个图像源在图像分辨率方面与光学相干断层成像图像相比并没有优势，因此其血管三维重建结果的精确度劣于本发明。再者，在斑块真实形态反应方面，光学相干断层成像的优势非常显著，能够反应IVUS和X射线造影图像不能反映的纤维帽厚度、巨噬细胞浸润程度和斑块性质等信息。
专利文献CN 106570856 A：公开了一种使用水平集动态规划颈总动脉内中膜厚度测量装置和方法，由计算机对接收到的超声图像后进行处理，计算机上设置有图像裁剪模块模块、提取ROI模块、图像动态拉伸模块、图像滤波模块、估计LII模块、估计MAI模块、动态规划调整估计边界模块以及后处理模块。该发明将计算机图像处理技术应用在颈动脉超声波图像内中膜厚度测量中，可以避免手动测量方式存在的低效率及不稳定的缺陷。该方法中的水平集用于初始化ROI区域的提取，而本发明用于寻找血管管腔中心，在具体寻找中心的算法上具有实质性的区别。而且该方法和本专利的应用领域具有巨大差异，该方法着重于对颈动脉超声波图像中膜的厚度进行测量，并未应用于本发明所述的血管分割与重建领域。再者，该发明和本发明的***模块之间存在巨大差异，算法实现方面与数据结构构建方面也完全不同，本发明提供的诸如导丝伪影去除、分支识别等功能该发明并未提供。
专利文献CN 102243759 A：公开了一种基于几何形变模型的三维肺血管图像分割方法，该发明步骤为：(1)根据人体生理结构特点确定血管分割计算区域；(2)血管区域均值计算，定位目标内外同质区域；(3)血管边缘能量计算，使曲面沿着在图像梯度方向的二阶导数进行演化，以使其精确收敛到目标边缘；(4)在上述基础上，建立三维血管分割曲面演化模型，有效结合肺血管内外区域均值和边缘能量；(5)根据所构建的形变模型，采用优化水平集演化求解，根据水平集函数曲面演化隐含地求解曲面运动。该发明对专利文献CN101283929 A中使用的snake模型进行修改，创新了一种基于几何形变模型的图像分割方法，使用优化水平集演化进行求解。然而，该发明并不适用于基于光学相干断层成像图像的分割与血管重建。因为OCT图像中存在导丝、导管伪影和分支，通过几何形变模型无法去除导管，会把导丝后方的伪影(非血管管腔部分)作为管腔分割出，并且无法去除分支。
上述设备软件及专利文献虽然从不同角度、不同图像源和不同计算方法方面给出了医学图像的分割方法，但是仍存在一种或多种技术缺陷，并不适用于OCT图像的血管边界分割。因此，需要提供一种新的血管边界三维分割的方法及***，能够克服上述缺陷，实现快速、准确的三维分割。
发明内容
本发明的目的为克服现有技术的不足，提供一种高效准确的血管边界三维分割方法及***，避免手动分割的低效率及不稳定和现有自动分割方法无法排除管腔分支的缺点。
本发明提供了以下的技术方案：
首先，本发明提供了1.一种血管边界三维分割方法，其特征在于，所述方法包括：
步骤1：获取OCT图像；
步骤2：对所述OCT图像进行预处理；
步骤3：将预处理后的OCT图像进行极坐标转换；
步骤4：去除步骤3转换后的OCT图像中的伪影，所述伪影包括导管伪影、导丝伪影，伪影信息用伪影掩膜图像保存；
步骤5：确定OCT图像中的血管管腔中心；
步骤6：以所述管腔中心为极坐标原点，将图像转换为极坐标图像，获得新图像，并利用步骤4获得的伪影掩膜图像，去除所述新图像中的伪影，所述伪影包括导管伪影、导丝伪影；
步骤7：依据所述步骤6的结果，生成能量消耗图像，并提取总能量消耗最低的曲线，所述曲线对应OCT图像的血管边界；
步骤8：将步骤7中获取的所述血管边界，通过坐标反变换，转换回笛卡尔坐标系下的血管边界曲线。
优选地，获取OCT图像可以是从本地磁盘读取或者通过OCT设备直接进行传输。
优选地，所述步骤2包括：
201：用一固定掩膜I0去除图像***的图像摄取信息；
202：对图像进行三维高斯滤波；高斯滤波的方差为σi＝ai*Spacing[i]，i∈[1,3]表示维度，ai为一常数，Spacing[i]为维度i的像素间物理距离。
优选地，所述步骤4进一步包括：由于导管物理直径固定，且一直位于图像中心，故可以通过将OCT图像正中心固定半径内的灰度值修改为0，去除图像中的导管伪影。
进一步优选地，修改伪影掩膜图像中正中心固定半径内的灰度值，保存导管伪影信息。
优选地，所述步骤4进一步包括：去除导丝伪影前，先将所述转换后的OCT图像，沿极坐标轴的方向进行累加降维。进一步优选地，累加降维可以采用如下方式，即沿着极坐标轴的方向进行，得到累加结果T(θ,z)：
其中，Image1(θ,ρ,z)为极坐标下的图像。由于导丝伪影后方一直为低灰度区域，故在T(θ,z)中，导丝呈现为一条暗带。
优选地，对于单根导丝，提取T(θ,z)中暗带上下边缘，所述上下边缘的曲线对应图像中的导丝伪影的上下角度，将处于该部分角度的像素置0，以去除导丝伪影；所述上下边缘的提取，通过图像卷积完成；
T(θ,z)为累加降维后的极坐标图像。
进一步优选地，对于单根导丝的情况，可以通过提取T(θ,z)中暗带上下边缘曲线来排除原始图像中导丝伪影，提取方法与步骤7管腔边界提取类似。
优选地，对于多根导丝，首先，对T(θ,z)图像进行顶帽变换、开运算、闭运算进行处理，并将后图像进行二值化；
其次，对二值化后获得的图像，去除面积较小的联通区域，保留暗带；
再次，提取暗带上下边缘，所述上下边缘的曲线对应图像中的导丝伪影的上下角度，修改伪影掩膜图像中处于该部分角度的像素灰度，保存导丝伪影结果；
T(θ,z)为累加降维后的极坐标图像。
进一步优选地，对于该存在多根导丝的情况，将通过一系列形态学操作加二值化与连通分量筛选提取T(θ,z)中暗带。形态学操作包括：顶帽变换、开运算、闭运算，二值化采用Otsu二值化。顶帽变换用于去除图像不同区域灰度不均的情况，开运算、闭运算主要消除图像中支架的影响，二值化后，导丝形成的暗带以及一些支架形成的暗点将变为0。通过连通分量的判断去除支架形成的暗点，保留暗带。得到暗带的结果后，将原始图像中的导丝伪影保存于伪影掩膜图像的方法与单根导丝相同。
理论上，去除多根导丝的方法对于单根导丝同样适用，但去除单根导丝的方法考虑了导丝上下层连续的特性，效果更优。最终求得的伪影结果通过伪影掩膜保存。
优选地，通过快速波阵面演化方法确定OCT图像中的血管管腔中心。该快速波阵面演化方法可以采用基础的算法公式即可，不需要进行改进调整，也可适用于本发明的技术方案之中。
优选地，所述步骤7中，血管边界的获取包括：
步骤701，通过边缘提取，加强图像中的边界曲线；
步骤702，将边缘提取后的图像转换为能量消耗图像；所述能量消耗图像的求取为：
其中，Temp(i,j,k)为掩膜，Image2为边缘提取后的图像；
步骤703，通过动态规划方法，寻找CostImage(x,y,z)中总能量消耗最低的曲线。
更为优选地，管腔中心定位也可采用以下具体方式：
采用快速波阵面演化的方法进行初步的管腔分割，对分割的结果进行中心的求取，作为管腔中心。分割结果的中心可以例如是通过求取其最小内切圆的圆心来确定，当然，也可以通过其他方式，例如外切多边形、形心求取方法等。
考虑到管腔中心具有连续性，故最后对中心曲线进行曲线拟合，具体例如可以采用Bezier曲线拟合。
更为优选地，管腔边界提取可以采用以下具体的方式进行：
在完成坐标转换后，每层原始图像中一个封闭的呈圆形的管腔边界将变为一个从极坐标系图像左侧横穿至右侧的曲线。管腔边界提取也变为提取极坐标系图像左侧横穿至右侧的曲线。边界曲线求取可先通过图像边缘提取加强边界曲线，将其转换为能量消耗图像，再通过寻找总能量消耗最小的曲线求取边界曲线。具体步骤如下：
更为优选地，能量消耗图像的求取可以采用如下的方式：
从图像的下端往上，到达管腔边界时，灰度突然上升。故可以用掩膜卷积进行边缘增强，求取能量消耗图像CostImage(x,y,z)：
其中，Temp(i,j,k)为大小为l*m*n的掩膜。CostImage(x,y,z)考虑了血管管腔三维空间连续的特性，能约束分支的产生。
更为优选地，管腔边界曲线的求取可以采用如下的方式：
管腔边界求取完成的是寻找CostImage(x,y,z)中总能量消耗最低的曲线，可以由动态规划快速完成。
动态规划的状态转移方程为：
其中，曲线从START(起点集合)开始延伸，f(i,j,k)表示：从起点集到坐标(i,j,k)的所有曲线中，总能量消耗最低的曲线的能量消耗为f(i,j,k)。N(i,j,k)表示从起点集到坐标(i,j,k)的曲线的位于坐标(i,j,k)前一点的点集，即转移规则。转移规则满足如下要求：
具有方向性，只能顺时针或者逆时针转移，即只能一直从左往右或者从右往左转移状态。
邻域转移，只能从当前位置转移到相邻的位置，邻域大小不限，可根据图像进行调节。
cost(i,j,k)表示在(i,j,k)处的能量消耗函数：
cost(i,j,k)＝CostImage(i,j,k)+m(i,j,k)
其中，CostImage(i,j,k)为步骤a中求取的能量消耗图像。
m(i,j,k)表示(i,j,k)处人为设定的能量消耗，可作为用户调整边界时在能量消耗函数上的体现。extra(i,j,k,i′,j′,k′)表示转移代价，表示从坐标(i′,j′,k′)转移到坐标(i,j,k)的额外能量消耗。此项在一定程度上约束了状态转移，能约束分支的产生。
更新f(i,j,k)时，记录坐标(i,j,k)从哪一坐标(i′,j′,k′)更新而来。
最终的总能量消耗最低的血管边界曲线Curve生成如下：在转移终点集中寻找f(i,j,k)最小的坐标(i,j,k)，再依次回推其上一坐标(i′,j′,k′)，直至回到起点集合。
此外，本发明还提供了一种快速的血管边界三维分割***，其特征在于，所述***包括：
预处理模块，对获取的图像进行预处理；
坐标变换模块1(即第一坐标变换模块)，以图像正中心为极坐标原点，将图像转换为极坐标系下图像；
去除图像伪影模块：确定所述图像中的伪影，并对确定管腔中心的转换为极坐标系下的图像去除伪影；所述伪影包括导管、导丝伪影；
管腔中心定位模块：确定原始图像中的血管管腔中心；
坐标变换模块2(即第二坐标变换模块)：将确定血管管腔中心的图像，以所述管腔中心作为极坐标原点，转换为极坐标系下图像，并结合伪影掩膜图像去除伪影；
管腔边界提取模块：依据去除伪影后的图像生成能量消耗图像，并提取总能量消耗最低的曲线，以确定极坐标系下图像的血管边界；
坐标反变换模块：将极坐标系下图像的血管边界转换为原始图像坐标系下的血管边界曲线。
优选地，所述***还包括OCT图像获取模块，用于获取OCT图像。
优选地，所述图像预处理模块将处理后的图像传输给坐标变换模块1与管腔中心定位模块。
优选地，所述图像伪影识别模块识别伪影，并生成伪影掩模图像，并传输给管腔边界提取模块。
优选地，所述坐标变换模块2根据伪影掩膜图像、管腔中心曲线、预处理后的图像生成新的极坐标系下以管腔中心为极坐标原点的OCT图像，将图像传输给管腔边界提取模块。
优选地，所述坐标变换模块1(即第一坐标变换模块)、坐标变换模块2(即第二坐标变换模块)可设置为同一坐标变换模块。
OCT图像获取模块获取图像后，将图像传输给预处理模块，预处理模块对图像进行预处理，将生成的新图像传输给坐标变换模块1与管腔中心定位模块。坐标变换模块1将原始OCT图像转换为极坐标系下OCT图像传输给图像伪影识别模块。图像伪影识别模块去除导管导丝伪影，生成伪影掩膜图像，传输给管腔边界提取模块。管腔中心定位模块从预处理模块获得图像后，生成管腔中心，将管腔中心曲线传输给坐标变换模块2。坐标变换模块2根据伪影掩膜图像、管腔中心曲线、OCT图像生成新的极坐标系下以管腔中心为极坐标原点的OCT图像，将图像传输给管腔边界提取模块。管腔边界提取模块提取出管腔边界曲线后，将曲线数据传输给坐标反变换模块，坐标反变换模块将极坐标系下的曲线转换为原始坐标系下曲线。
本发明的特点及有益效果是：
利用最小能量消耗和波阵面演化相结合的方法，实现了全自动、快速、准确的血管边界三维分割。解决了现有分割技术存在的导丝伪影识别困难、血管分支识别困难和质量不佳图像的无法分割等问题，提高分割速度的同时，保证分割的准确性。
附图说明：
图1为本发明实施例的算法流程图；
图2为本发明实施例的原始OCT图像；
图3为本发明实施例的固定掩膜示例图；
图4为本发明实施例的坐标变换后的OCT图像；
图5为本发明实施例的累加降维示意图；
图6为本发明实施例的上下边缘提取结果示例图；
图7为本发明实施例的伪影掩膜示意图；
图8为本发明实施例的得到血管边界后的OCT图像；
图9为本发明实施例的快速的血管边界三维分割***的结构示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。应当明确，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本领域技术人员应当知晓，下述具体实施例或具体实施方式，是本发明为进一步解释具体的发明内容而列举的一系列优化的设置方式，而该些设置方式之间均是可以相互结合或者相互关联使用的，除非在本发明明确提出了其中某些或某一具体实施例或实施方式无法与其他的实施例或实施方式进行关联设置或共同使用。同时，下述的具体实施例或实施方式仅作为最优化的设置方式，而不作为限定本发明的保护范围的理解。
实施例1：
如图1，是本发明实施的快速的血管边界三维分割方法的流程图。首先获取原始OCT图像并对其进行预处理，预处理包括滤波降噪并用固定掩膜去除图像***无用信息。然后，将图像进行极坐标变换，并根据所得图像去除原始OCT图像中的导丝、导管伪影。接着，利用快速波阵面扩散算法寻找原始OCT图像中的管腔中心。再根据求得管腔中心进行极坐标变换，用动态规划的方法快速对管腔边界进行提取。最后，将提取得到的极坐标系下的边界曲线反变换回OCT原始图像坐标系下边界曲线。
下面结合图1，以一实例详细说明本发明的快速的血管边界三维分割方法。
假设获取的原始图像大小为
1.获取OCT图像：
从OCT成像设备获取OCT原始图像，图像的大小为700*700*270，像素间物理距离Spacing＝(0.014mm,0.014mm,0.2mm)，OCT图像及图像中各部分如图2所示。
2.预处理：
首先，用一个固定的掩膜I0去除图像***的图像摄取信息。掩膜I0为直径为700的一个圆，圆的中心位于原始图像中心，圆内灰度为255，圆外灰度为0。
对图像进行高斯滤波，高斯滤波的方差为σi＝ai*Spacing[i]，i∈[1,3]表示维度，ai为一常数，Spacing[i]为维度i的像素间物理距离。其中a1＝2，a2＝2，a3＝0。
3.对OCT原始图像进行坐标变换：
将原始图像转换为以图像正中心为极坐标原点的极坐标系图像：
Image(x,y,z)→Image1(θ,ρ,z)
极坐标系极轴方向进行了降采样，最终变换所得图像大小为180*100*270。
4.去除图像中的导管伪影和导丝伪影：
导管的物理直径为1mm，故将图像中心直径为1÷0.014≈71的圆作为导管所在位置。导管伪影信息保存在伪影掩膜图中。
导丝伪影处理过程中的降维累加过程如图5所示。降维累加沿着极坐标轴的方向进行，得到累加结果T(θ,z)：
由于导丝伪影后方一直为低灰度区域，故在T(θ,z)中，导丝呈现为一条暗带。降维累加结果T(θ,z)的大小为180*270。
对于单根导丝的情况，可以通过提取T(θ,z)中暗带上下边缘来排除原始图像中导丝伪影。上下边缘的提取由图像卷积完成：
其中，TempUp(i,j)为上边缘算子：
TempDown(i,j)为下边缘算子：
上下边缘提取结果如图6所示。
提取的上下边缘曲线对应于原始图像的导丝伪影的上下角度，通过修改处于这部分角度的伪影掩膜中的像素保存导丝伪影结果。
对于少数图像存在多根导丝的情况，将通过一系列形态学操作加二值化与连通分量筛选提取T(θ,z)中暗带。形态学操作包括：顶帽变换、开运算、闭运算，二值化采用Otsu二值化。
顶帽变换用于去除图像不同区域灰度不均的情况，算子大小为15*15。
开运算、闭运算主要消除图像中支架的影响，算子大小为1*5。
对结果进行Otsu二值化后，导丝形成的暗带以及一些支架形成的暗点将变为0。通过连通分量检测去除面积较小的连通区域，保留暗带，阈值取为50。得到暗带的结果后，去除原始图像中的导丝伪影方法与单根导丝相同。
理论上，去除多根导丝的方法对于单根导丝同样适用，但去除单根导丝的方法考虑了导丝上下层连续的特性，效果更优。
5.管腔中心定位：
管腔中心定位主要由快速波阵面演化算法完成。快速波阵面演化算法是求解Eikonal方程的一种求解方法。Eikonal方程近似波动方程，形式如下：
Eikonal方程解T(x)的物理含义是波从源点x0以速度F(x)扩散到达计算域Ω内x点所需要消耗的最短时间。
若速度F(x)满足恒正或恒负，即可将方程转换为
速度函数F(x)为与图像的灰度值、均匀性、边界特性相关的函数。
快速波阵面演化算法计算过程如下：
a.初始化
1)将导管区域加入集合Alive，对Alive集合内的点的波阵面到达时间T设为0，即T(x,y,z)＝0；
2)将Alive内点的邻域坐标加入集合Trial，根据方程(2)求解到达时间为T。
3)将其余点的加入集合Far，且将T设为∞。
b.波阵面演化
1)将Trial集合中T最小的坐标(i,j,k)加入到Alive集合中，并从Trail集合中删除。
2)将在集合Far和集合Trial的(i,j,k)的邻域进行更新：若其在Far集合，则将其加入Trial集合，并将其从Far集合去除。
3)根据方程(2)重新计算(i,j,k)的所有邻域的T。
4)回到步骤1)
快速波阵面演化算法计算完成后，取T＝Ts的波阵面作为管腔扩散边界。求其内切圆的圆心，作为管腔的中心。其中Ts表示扩散截止时间，取Ts＝5.2。
最后对求取的管腔中心曲线进行Bezier曲线拟合。
6.坐标变换：
将原始图像转换为以上一步求取的管腔中心为极坐标原点的极坐标系图像：
Image(x,y,z)→Image2(θ,ρ,z)
极坐标系极轴方向进行了降采样，最终变换所得图像大小为180*100*270。
7.管腔边界提取：
在上一步完成坐标转换后，每层原始图像中一个封闭的呈圆形的管腔边界将变为一个从极坐标系图像左侧横穿至右侧的曲线。管腔边界提取也变为提取极坐标系图像左侧横穿至右侧的曲线。边界曲线求取可先通过图像边缘提取加强边界曲线，将其转换为能量消耗图像，再通过寻找总能量消耗最小的曲线求取边界曲线。具体步骤如下：
a.能量消耗图像的求取
从图像的下端往上，到达管腔边界时，灰度突然上升。故可以用掩膜卷积进行边缘增强，求取能量消耗图像CostImage(x,y,z)：
其中，Temp(i,j,k)为大小为l*m*n的掩膜。
取值为Temp(i,j,k)＝(-1,-2,-1；0,0,0；1,2,1；
-1,-2,-1；0,0,0；1,2,1；
-1,-2,-1；0,0,0；1,2,1；)
CostImage(x,y,z)考虑了血管管腔三维空间连续的特性，能约束分支的产生。
b.管腔边界曲线的求取
管腔边界求取完成的是寻找CostImage(x,y,z)中总能量消耗最低的曲线，可以由动态规划快速完成。
动态规划的状态转移方程为：
其中，曲线从START(起点集合，取i＝0的所有坐标)开始延伸，f(i,j,k)表示：从起点集到坐标(i,j,k)的所有曲线中，总能量消耗最低的为f(i,j,k)。N(i,j,k)表示从起点集到坐标(i,j,k)的曲线集的位于坐标(i,j,k)之前的点集，即转移规则。转移规则满足如下要求：
1.具有方向性，只能顺时针或者逆时针转移，即只能一直从左往右或者从右往左转移状态。
2.邻域转移，只能从当前位置转移到相邻的位置，邻域大小不限，可根据图像进行调节。
N(i,j,k)＝{(i-1,j-3,k),(i-1,j-2,k),(i-1,j-1,k),(i-1,j,k),(i-1,j+1,k),(i-1,j+2,k),(i-1,j+3,k)}
cost(i,j,k)表示在(i,j,k)处的能量消耗函数：
cost(i,j,k)＝CostImage(i,j,k)+m(i,j,k)
其中，CostImage(i,j,k)为步骤a中求取的能量消耗图像。
m(i,j,k)表示(i,j,k)处人为设定的能量消耗，可作为用户调整边界时在能量消耗函数上的体现。
extra(i,j,k,i′,j′,k′)表示转移代价，表示从坐标(i′,j′,k′)转移到坐标(i,j,k)的额外能量消耗。此项在一定程度上约束了状态转移，能约束分支的产生。
d(i,j,k,i′,j′,k′)＝h(i-i′,j-j′,k-k′)
更新f(i,j,k)时，记录坐标(i,j,k)从哪一坐标(i′,j′,k′)更新而来。
最终的总能量消耗最低的血管边界曲线Curve生成如下：在转移终点集中寻找f(i,j,k)最小的坐标(imin,jmin,kmin)，再依次回推其上一坐标(i′,j′,k′)，直至回到起点集合。
坐标反变换的具体步骤是：
将血管边界曲线Curve中的每一个坐标依次从极坐标系变换回OCT原始图像坐标系，生成OCT原始图像坐标系中的边界曲线。最终的边界曲线如图8所示。
实施例2：
下面，结合图9，对本实施例的快速的血管边界三维分割***进行说明。该***包括：
预处理模块，对获取的图像进行预处理；
坐标变换模块1，以图像正中心为极坐标原点，将图像转换为极坐标系下图像；
去除图像伪影模块：确定所述图像中的伪影，并对确定管腔中心的转换为极坐标系下的图像去除伪影；所述伪影包括导管、导丝伪影；
管腔中心定位模块：确定原始图像中的血管管腔中心；
坐标变换模块2：将确定血管管腔中心的图像，以所述管腔中心作为极坐标原点，转换为极坐标系下图像；
管腔边界提取模块：依据去除伪影后的图像生成能量消耗图像，并提取总能量消耗最低的曲线，以确定极坐标系下图像的血管边界；
坐标反变换模块：将极坐标系下图像的血管边界转换为原始图像坐标系下的血管边界曲线。
优选地，所述***还包括OCT图像获取模块，用于获取OCT图像。
优选地，所述图像预处理模块将处理后的图像传输给坐标变换模块1与管腔中心定位模块。
优选地，所述图像伪影识别模块识别伪影，并生成伪影掩模图像，并传输给管腔边界提取模块。
优选地，所述坐标变换模块2根据伪影掩膜图像、管腔中心曲线、预处理后的图像生成新的极坐标系下以管腔中心为极坐标原点的OCT图像，将图像传输给管腔边界提取模块。
优选地，所述坐标变换模块1、坐标变换模块2可设置为同一坐标变换模块。
当***运作时，OCT图像获取模块获取图像后，将图像传输给预处理模块，预处理模块对图像进行预处理，将生成的新图像传输给坐标变换模块1与管腔中心定位模块。坐标变换模块1将原始OCT图像转换为极坐标系下OCT图像传输给图像伪影识别模块。图像伪影识别模块去除导管导丝伪影，生成伪影掩膜图像，传输给管腔边界提取模块。管腔中心定位模块从预处理模块获得图像后，生成管腔中心，将管腔中心曲线传输给坐标变换模块2。坐标变换模块2根据伪影掩膜图像、管腔中心曲线、OCT图像生成新的极坐标系下以管腔中心为极坐标原点的OCT图像，将图像传输给管腔边界提取模块。管腔边界提取模块提取出管腔边界曲线后，将曲线数据传输给坐标反变换模块，坐标反变换模块将极坐标系下的曲线转换为原始坐标系下曲线。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种血管边界三维分割方法，所述方法包括：
步骤1：获取OCT图像；
步骤2：对所述OCT图像进行预处理；
步骤3：将预处理后的OCT图像进行极坐标转换；
步骤4：识别步骤3转换后的OCT图像中的伪影，所述伪影包括导管伪影、导丝伪影；
步骤5：确定OCT图像中的血管管腔中心；
步骤6：以所述管腔中心为极坐标原点，将图像转换为极坐标图像，获得新图像，并利用步骤4获得的伪影，去除所述新图像中的伪影，所述伪影包括导管伪影、导丝伪影；
步骤7：依据所述步骤6的结果，生成能量消耗图像，并提取总能量消耗最低的曲线，所述曲线对应OCT图像的血管边界；
步骤8：将步骤7中获取的所述血管边界，通过坐标反变换，转换为笛卡尔坐标系下的血管边界曲线。
2.根据权利要求1所述的方法，其特征在于，所述步骤2进一步包括：
步骤201：用一固定掩膜I0去除图像***的图像摄取信息；
步骤202：对图像进行三维高斯滤波；高斯滤波的方差为σi＝ai*Spacing[i]，i∈[1,3]表示维度，ai为一常数，Spacing[i]为维度i的像素间物理距离。
3.根据权利要求1所述的方法，其特征在于，所述步骤4进一步包括：
修改伪影掩膜图像中相应位置的灰度值，保存导丝伪影信息。
4.根据权利要求1或2或3所述的方法，其特征在于，所述步骤4进一步包括：去除导丝伪影前，先将所述转换后的OCT图像，沿极坐标轴的方向进行累加降维。
5.根据权利要求4所述的方法，其特征在于，对于单根导丝，提取T(θ,z)中暗带上下边缘，所述上下边缘的曲线对应图像中的导丝伪影的上下角度，将处于该部分角度的像素置0，以去除导丝伪影；所述上下边缘的提取，通过图像卷积完成；
T(θ,z)为累加降维后的极坐标图像。
6.根据权利要求4所述的方法，其特征在于，对于多根导丝，首先，对T(θ,z)图像进行顶帽变换、开运算、闭运算进行处理，并将后图像进行二值化；
其次，对二值化后获得的图像，去除面积较小的联通区域，保留暗带；
再次，提取暗带上下边缘，所述上下边缘的曲线对应图像中的导丝伪影的上下角度，修改伪影掩膜图像中处于该部分角度的像素灰度，保存导丝伪影结果；
T(θ,z)为累加降维后的极坐标图像。
7.根据权利要求1或2或3所述的方法，其特征在于，所述步骤5中，通过快速波阵面演化方法确定OCT图像中的血管管腔中心。
8.根据权利要求1或2或3所述的方法，其特征在于，所述步骤7中，血管边界的获取包括：
步骤701，通过边缘提取，加强图像中的边界曲线；
步骤702，将边缘提取后的图像转换为能量消耗图像；所述能量消耗图像的求取为：
其中，Temp(i,j,k)为掩膜，Image2为边缘提取后的图像；
步骤703，通过动态规划方法，寻找CostImage(x,y,z)中总能量消耗最低的曲线。
9.一种快速的血管边界三维分割***，所述***包括：
预处理模块，对获取的图像进行预处理；
第一坐标变换模块，以图像正中心为极坐标原点，将图像转换为极坐标系下图像；
图像伪影识别模块：确定所述图像中的伪影，生成伪影掩膜图像；所述伪影包括导管、导丝伪影；
管腔中心定位模块：确定原始图像中的血管管腔中心；
第二坐标变换模块2：将确定血管管腔中心的图像，以所述管腔中心作为极坐标原点，转换为极坐标系下图像，并结合伪影掩膜图像去除伪影；
管腔边界提取模块：依据去除伪影后的图像生成能量消耗图像，并提取总能量消耗最低的曲线，以确定极坐标系下图像的血管边界；
坐标反变换模块：将极坐标系下图像的血管边界转换为原始图像坐标系下的血管边界曲线。
10.根据权利要求9所述的***，其特征在于，所述***还包括OCT图像获取模块，用于获取OCT图像。
CN201710438256.4A 2017-06-12 2017-06-12 一种快速的血管边界三维分割方法及*** Active CN107133959B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710438256.4A CN107133959B (zh) 2017-06-12 2017-06-12 一种快速的血管边界三维分割方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710438256.4A CN107133959B (zh) 2017-06-12 2017-06-12 一种快速的血管边界三维分割方法及***

Publications (2)

Publication Number Publication Date
CN107133959A true CN107133959A (zh) 2017-09-05
CN107133959B CN107133959B (zh) 2020-04-28

Family

ID=59734620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710438256.4A Active CN107133959B (zh) 2017-06-12 2017-06-12 一种快速的血管边界三维分割方法及***

Country Status (1)

Country Link
CN (1) CN107133959B (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108182680A (zh) * 2017-12-28 2018-06-19 西安中科微光影像技术有限公司 一种基于ivoct图像的分叉血管的角度自动识别方法
CN108230341A (zh) * 2018-03-07 2018-06-29 汕头大学 一种基于分层抠图算法的眼底图像血管分割方法
CN108735270A (zh) * 2018-05-25 2018-11-02 杭州脉流科技有限公司 基于降维模型的血流储备分数获取方法、装置、***和计算机存储介质
CN108765432A (zh) * 2018-05-07 2018-11-06 山东大学 一种颈动脉内中膜边界自动分割方法与***
CN109118508A (zh) * 2018-08-31 2019-01-01 成都美律科技有限公司 Ivoct图像血管壁内腔轮廓提取方法
CN109389568A (zh) * 2018-10-25 2019-02-26 中国科学院上海光学精密机械研究所 自动测量皮肤光学相干层析图像中表皮厚度的方法
CN110060261A (zh) * 2019-04-17 2019-07-26 北京理工大学 一种基于光学相干层成像***的血管分割方法
CN110717888A (zh) * 2019-09-06 2020-01-21 天津大学 一种血管内光学相干层析成像血管壁内轮廓自动识别方法
US10631718B2 (en) 2015-08-31 2020-04-28 Gentuity, Llc Imaging system includes imaging probe and delivery devices
CN111093525A (zh) * 2018-08-07 2020-05-01 温州医科大学 光学相干断层图像处理方法
CN111161342A (zh) * 2019-12-09 2020-05-15 杭州脉流科技有限公司 基于冠脉造影图像获取血流储备分数的方法、装置、设备、***及可读存储介质
CN111523538A (zh) * 2020-04-14 2020-08-11 博动医学影像科技（上海）有限公司 一种血管图像的处理方法、***、计算设备及存储介质
CN112509020A (zh) * 2020-12-07 2021-03-16 昆山戎影医疗科技有限公司 血管外部影像与腔内影像的配准方法、装置及计算设备
CN112635029A (zh) * 2020-12-31 2021-04-09 上海联影智能医疗科技有限公司 一种医学影像处理方法、装置、终端及存储介质
CN112766046A (zh) * 2020-12-28 2021-05-07 深圳市捷顺科技实业股份有限公司 一种目标检测方法及相关装置
CN113222956A (zh) * 2021-05-25 2021-08-06 南京大学 基于超声图像识别血管中斑块的方法
CN113436099A (zh) * 2021-06-25 2021-09-24 天津大学 血管内光学相干层析成像两级导管伪影去除方法
CN114170258A (zh) * 2021-12-10 2022-03-11 深圳市赛禾医疗技术有限公司 图像分割方法、装置、电子设备及存储介质
US11278206B2 (en) 2015-04-16 2022-03-22 Gentuity, Llc Micro-optic probes for neurology
CN114445515A (zh) * 2022-02-14 2022-05-06 深圳市赛禾医疗技术有限公司 图像伪影去除方法、装置、电子设备及存储介质
CN114820600A (zh) * 2022-06-27 2022-07-29 天津恒宇医疗科技有限公司 基于oct图像的冠脉血管内支架检测方法及检测***
US11684242B2 (en) 2017-11-28 2023-06-27 Gentuity, Llc Imaging system
CN116563414A (zh) * 2023-07-11 2023-08-08 天津博霆光电技术有限公司 基于oct的心血管成像颤影消除方法及设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100094127A1 (en) * 2008-10-14 2010-04-15 Lightlab Imaging, Inc. Methods for stent strut detection and related measurement and display using optical coherence tomography
US8750615B2 (en) * 2010-08-02 2014-06-10 Case Western Reserve University Segmentation and quantification for intravascular optical coherence tomography images
WO2014117108A1 (en) * 2013-01-25 2014-07-31 Duke University Segmentation and identification of closed-contour features in images using graph theory and quasi-polar transform
CN104766304A (zh) * 2015-02-26 2015-07-08 浙江工业大学 一种基于多序列医学图像的血管配准方法
CN104851103A (zh) * 2015-05-29 2015-08-19 西安交通大学医学院第一附属医院 基于sd-oct视网膜图像的脉络膜血管抽取方法
CN104966288A (zh) * 2015-06-11 2015-10-07 南京沃福曼医疗科技有限公司 一种基于图像处理的血管内壁自动寻找方法
CN105825488A (zh) * 2016-05-30 2016-08-03 天津大学 一种心血管内光学相干层析图像增强方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100094127A1 (en) * 2008-10-14 2010-04-15 Lightlab Imaging, Inc. Methods for stent strut detection and related measurement and display using optical coherence tomography
US8750615B2 (en) * 2010-08-02 2014-06-10 Case Western Reserve University Segmentation and quantification for intravascular optical coherence tomography images
WO2014117108A1 (en) * 2013-01-25 2014-07-31 Duke University Segmentation and identification of closed-contour features in images using graph theory and quasi-polar transform
CN104766304A (zh) * 2015-02-26 2015-07-08 浙江工业大学 一种基于多序列医学图像的血管配准方法
CN104851103A (zh) * 2015-05-29 2015-08-19 西安交通大学医学院第一附属医院 基于sd-oct视网膜图像的脉络膜血管抽取方法
CN104966288A (zh) * 2015-06-11 2015-10-07 南京沃福曼医疗科技有限公司 一种基于图像处理的血管内壁自动寻找方法
CN105825488A (zh) * 2016-05-30 2016-08-03 天津大学 一种心血管内光学相干层析图像增强方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
B TAR等: "The Effect of the Sensor Position of the Pressure Wire Distal to a Coronary", 《COMPUTING IN CARDIOLOGY 2013》 *
陆雪松等: "一种面向医学图像非刚性配准的多维特征度量方法", 《自动化学报》 *

Cited By (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11278206B2 (en) 2015-04-16 2022-03-22 Gentuity, Llc Micro-optic probes for neurology
US11937786B2 (en) 2015-08-31 2024-03-26 Gentuity, Llc Imaging system includes imaging probe and delivery devices
US11064873B2 (en) 2015-08-31 2021-07-20 Gentuity, Llc Imaging system includes imaging probe and delivery devices
US11583172B2 (en) 2015-08-31 2023-02-21 Gentuity, Llc Imaging system includes imaging probe and delivery devices
US10631718B2 (en) 2015-08-31 2020-04-28 Gentuity, Llc Imaging system includes imaging probe and delivery devices
US11684242B2 (en) 2017-11-28 2023-06-27 Gentuity, Llc Imaging system
CN108182680A (zh) * 2017-12-28 2018-06-19 西安中科微光影像技术有限公司 一种基于ivoct图像的分叉血管的角度自动识别方法
CN108182680B (zh) * 2017-12-28 2021-12-28 中科微光医疗研究中心(西安)有限公司 一种基于ivoct图像的分叉血管的角度自动识别方法
CN108230341A (zh) * 2018-03-07 2018-06-29 汕头大学 一种基于分层抠图算法的眼底图像血管分割方法
CN108230341B (zh) * 2018-03-07 2021-12-17 汕头大学 一种基于分层抠图算法的眼底图像血管分割方法
CN108765432A (zh) * 2018-05-07 2018-11-06 山东大学 一种颈动脉内中膜边界自动分割方法与***
CN108765432B (zh) * 2018-05-07 2020-08-07 山东大学 一种颈动脉内中膜边界自动分割方法与***
CN108735270A (zh) * 2018-05-25 2018-11-02 杭州脉流科技有限公司 基于降维模型的血流储备分数获取方法、装置、***和计算机存储介质
CN111093525A (zh) * 2018-08-07 2020-05-01 温州医科大学 光学相干断层图像处理方法
CN109118508A (zh) * 2018-08-31 2019-01-01 成都美律科技有限公司 Ivoct图像血管壁内腔轮廓提取方法
CN109118508B (zh) * 2018-08-31 2022-03-25 成都美律科技有限公司 Ivoct图像血管壁内腔轮廓提取方法
CN109389568B (zh) * 2018-10-25 2022-04-01 中国科学院上海光学精密机械研究所 自动测量皮肤光学相干层析图像中表皮厚度的方法
CN109389568A (zh) * 2018-10-25 2019-02-26 中国科学院上海光学精密机械研究所 自动测量皮肤光学相干层析图像中表皮厚度的方法
CN110060261A (zh) * 2019-04-17 2019-07-26 北京理工大学 一种基于光学相干层成像***的血管分割方法
CN110717888A (zh) * 2019-09-06 2020-01-21 天津大学 一种血管内光学相干层析成像血管壁内轮廓自动识别方法
CN110717888B (zh) * 2019-09-06 2021-03-12 天津大学 一种血管内光学相干层析成像血管壁内轮廓自动识别方法
CN111161342B (zh) * 2019-12-09 2023-08-29 杭州脉流科技有限公司 基于冠脉造影图像获取血流储备分数的方法、装置、设备、***及可读存储介质
CN111161342A (zh) * 2019-12-09 2020-05-15 杭州脉流科技有限公司 基于冠脉造影图像获取血流储备分数的方法、装置、设备、***及可读存储介质
CN111523538A (zh) * 2020-04-14 2020-08-11 博动医学影像科技（上海）有限公司 一种血管图像的处理方法、***、计算设备及存储介质
CN112509020A (zh) * 2020-12-07 2021-03-16 昆山戎影医疗科技有限公司 血管外部影像与腔内影像的配准方法、装置及计算设备
CN112766046B (zh) * 2020-12-28 2024-05-10 深圳市捷顺科技实业股份有限公司 一种目标检测方法及相关装置
CN112766046A (zh) * 2020-12-28 2021-05-07 深圳市捷顺科技实业股份有限公司 一种目标检测方法及相关装置
CN112635029A (zh) * 2020-12-31 2021-04-09 上海联影智能医疗科技有限公司 一种医学影像处理方法、装置、终端及存储介质
CN113222956A (zh) * 2021-05-25 2021-08-06 南京大学 基于超声图像识别血管中斑块的方法
CN113222956B (zh) * 2021-05-25 2023-09-15 南京大学 基于超声图像识别血管中斑块的方法
CN113436099B (zh) * 2021-06-25 2022-03-22 天津大学 血管内光学相干层析成像两级导管伪影去除方法
CN113436099A (zh) * 2021-06-25 2021-09-24 天津大学 血管内光学相干层析成像两级导管伪影去除方法
CN114170258A (zh) * 2021-12-10 2022-03-11 深圳市赛禾医疗技术有限公司 图像分割方法、装置、电子设备及存储介质
CN114445515A (zh) * 2022-02-14 2022-05-06 深圳市赛禾医疗技术有限公司 图像伪影去除方法、装置、电子设备及存储介质
CN114820600B (zh) * 2022-06-27 2022-09-27 天津恒宇医疗科技有限公司 基于oct图像的冠脉血管内支架检测方法及检测***
CN114820600A (zh) * 2022-06-27 2022-07-29 天津恒宇医疗科技有限公司 基于oct图像的冠脉血管内支架检测方法及检测***
CN116563414A (zh) * 2023-07-11 2023-08-08 天津博霆光电技术有限公司 基于oct的心血管成像颤影消除方法及设备
CN116563414B (zh) * 2023-07-11 2023-09-12 天津博霆光电技术有限公司 基于oct的心血管成像颤影消除方法及设备

Also Published As

Publication number Publication date
CN107133959B (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
CN107133959A (zh) 一种快速的血管边界三维分割方法及***
CN107808156A (zh) 感兴趣区域提取方法
Sun et al. Graph-based IVUS segmentation with efficient computer-aided refinement
CN109146854B (zh) 一种肺结节与肺部血管伴生关系的分析方法
CN101425186B (zh) 一种基于ct图像的肝脏分段方法及其***
JP2008521461A (ja) 知識構造のマッピングを使用した管状器官を測定する方法
CN113674279B (zh) 基于深度学习的冠脉cta影像的处理方法及装置
CN111415335B (zh) 血管标注方法和装置
CN109740600B (zh) 高亮病灶区域的定位方法、装置、计算机设备以及存储介质
CN106446360A (zh) 基于显微ct测量的缺损颅骨组织工程血管支架参数化设计方法
CN117115150B (zh) 用于确定分支血管的方法、计算设备和介质
CN112991365B (zh) 一种冠状动脉分割方法、***及存储介质
US8050470B2 (en) Branch extension method for airway segmentation
CN109886973B (zh) 一种血管提取方法、装置及计算机可读存储介质
CN115564782A (zh) 3d血管及气管分割方法及***
JP2009045286A (ja) 医用画像処理装置、医用画像診断装置、及びプログラム
JP5202841B2 (ja) 医用イメージングシステム及び関心対象をセグメント化する方法
CN111627023B (zh) 一种冠脉投影图像生成的方法、装置及计算机可读介质
JP2006521150A5 (zh)
CN112862850A (zh) 数字剪影血管造影影像处理方法及装置
CN113744215B (zh) 三维断层扫描图像中树状管腔结构中心线的提取方法和装置
CN113488146B (zh) 一种头颈部鼻咽癌引流区和转移***的自动勾画方法
CN111768374B (zh) 一种肺部图像辅助呈现方法
CN114081625B (zh) 导航路径规划方法、***和可读存储介质
CN115082585A (zh) 医学影像重建方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230626

Address after: 200235 A6, Building 1, No. 900 Yishan Road, Xuhui District, Shanghai

Patentee after: Shanghai Bodong Medical Technology Co.,Ltd.

Address before: 200240 No. 800, Dongchuan Road, Shanghai, Minhang District

Patentee before: SHANGHAI JIAO TONG University