CN107527341B - 血管造影图像的处理方法和*** - Google Patents
血管造影图像的处理方法和*** Download PDFInfo
- Publication number
- CN107527341B CN107527341B CN201710764182.3A CN201710764182A CN107527341B CN 107527341 B CN107527341 B CN 107527341B CN 201710764182 A CN201710764182 A CN 201710764182A CN 107527341 B CN107527341 B CN 107527341B
- Authority
- CN
- China
- Prior art keywords
- image
- coronary artery
- determining
- voxel
- blood vessel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
-
- 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)
- Computer Vision & Pattern Recognition (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)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种血管造影图像的处理方法,包括以下步骤:在血管造影图像中,确定包含冠状动脉的目标区域;对所述包含冠状动脉的目标区域进行线性增强;确定冠状动脉的预设灰度阈值范围;保存灰度值在预设灰度阈值范围的体素点;处理所述体素点形成冠状动脉图像,从而可以便利地将冠状动脉图像与心脏腔室图像剥离。
Description
技术领域
本发明属于图像识别及处理的技术领域,特别是涉及一种针对血管的图像处理方法和***。
背景技术
心脏是人体心血管***的关键器官。现代医学成像技术能够提供心脏的结构和功能信息。其中,CT(Computed Tomography)和MR(Magnetic Resonance)成像速度快、分辨率高、信息量多,是做心脏检查的重要手段。血管造影可以辅助进行冠脉病变引起的冠心病、心绞痛等病变位置的定位、病变程度的评估。冠脉分包括左冠状动脉和右冠状动脉两个部分。左冠状动脉和右冠状动脉分别从心脏底部的主动脉发出,向心尖的方向延伸,包络在心脏的表面。离冠脉根部越远,冠脉越细。
在实现传统技术的过程中,发明人发现存在以下技术问题:
从血管造影图像中定位并提取出左右两个冠状动脉血管,是心脏血管造影技术的关键步骤。虽然冠脉中有造影剂会比较亮,但是心脏的部分腔室中也存在造影剂,并且冠脉又在腔室的表面,所以,在血管造影中,将冠状动脉图像与心脏腔室图像剥离,操作难度大。
发明内容
基于此,有必要针对上述冠脉中有造影剂,同时心脏的部分腔室中也存在造影剂,并且冠脉又在心脏的部分腔室的表面导致的、将冠状动脉图像与心脏腔室图像剥离的操作难度大的技术问题,提供一种血管造影中冠状动脉图像的处理方法。
根据本申请的第一方面,提出一种血管造影图像的处理方法,包括以下步骤:
在血管造影图像中,确定包含冠状动脉的目标区域;
对所述包含冠状动脉的目标区域进行线性增强;
确定冠状动脉的预设灰度阈值范围;
保存灰度值在预设灰度阈值范围的体素点;
处理所述体素点形成冠状动脉图像。
在其中一个实施例中,所述确定冠状动脉的目标区域的步骤,包括:
在所述血管造影图像中,分割得到主动脉图像和分布有冠状动脉的心包图像;
将所述心包图像,向四周扩展预设尺寸,形成确定的冠状动脉的目标区域。
在其中一个实施例中,所述确定冠状动脉的目标区域的步骤,包括:
在血管造影图像中,分割得到主动脉图像;
根据所述主动脉图像,确定冠状动脉的目标区域。
在其中一个实施例中,对所述包含冠状动脉的目标区域进行线性增强,包括:
采用多尺度滤波或基于Hessian矩阵的增强算法对所述血管造影图像进行线性增强。
在其中一个实施例中,确定冠状动脉的预设灰度阈值范围的步骤,包括:
获取灰度值与灰度值对应的体素体积累积图像;
确定冠状动脉体素体积值;
以预设倍数冠状动脉体素体积值为灰度值对应的体素体积累积值,根据灰度值-灰度值对应的体素体积累积图像,确定冠状动脉的预设灰度阈值范围。
在其中一个实施例中,所述处理所述像素点形成冠状动脉图像的步骤,包括:
根据设定灰度阈值,对所述像素点进行第一次筛选,获取第一子集;
确定第一子集中各连通域的起点和重心;
根据各连通域的起点和重心分别确定与左冠脉、右冠脉的相对应的连通域;
分别在与左冠脉、右冠脉的相对应的连通域内提取左冠脉的起始连通域和右冠脉的起始连通域。
在其中一个实施例中,所述方法还包括:
在所述血管造影图像中确定主动脉图像末端层的位置;
根据所述主动脉图像末端层的位置对与左冠脉、右冠脉的相对应的连通域进行第二次筛选。
根据本申请的第二方面,提出一种血管造影图像处理方法,包括以下步骤:
获取血管造影图像;
在血管造影图像中,确定包含目标血管的目标区域;
对所述包含目标血管的目标区域进行线性增强;
确定目标血管对应的预设灰度阈值范围;
保存灰度值在预设灰度阈值范围的体素点;
处理所述体素点形成目标血管图像。
在其中一个实施例中,所述目标血管为心脏区域中的冠状动脉、视网膜血管或肝脏血管中的至少一种。
根据本申请的第三方面,提出一种血管造影图像处理***,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,所述程序用于执行如下操作:
获取血管造影图像;
在血管造影图像中,确定包含目标血管的目标区域;
对所述包含目标血管的目标区域进行线性增强;
确定目标血管对应的预设灰度阈值范围;
保存灰度值在预设灰度阈值范围的体素点;
处理所述体素点形成目标血管图像。
附图说明
图1为本申请实施例提供血管造影中冠状动脉图像的处理方法的流程图。
图2为本申请实施例提供血管造影中为阈值分割后,形成的分离的主动脉图像和分布有冠状动脉的心包图像。
图3为本申请实施例提供的对血管造影图像进行预设体素尺寸的线性增强后的图像。
图4为根据4倍冠状动脉体素体积值为灰度值对应的体素体积累积值,确定左右冠脉图像的预设灰度阈值的图像。
图5为去掉连通域集合中包含的体素点数量不超过预设第一数量的连通域元素,形成连通域集合的第一子集的图像。
图6为保留起点的位置离主动脉图像在预设第二体素尺寸内,且位于主动脉末端层以上的连通域元素的图像。
图7为左、右冠脉连通域的候选元素中分别筛选最长的5个连通域元素的图像。
图8为确定左、右冠脉起始连通域的图像。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了使本申请的技术便于理解,特将本申请中涉及的技术作以下简要说明:
计算机断层成像(Computed Tomography,又称为电脑断层扫描,简称CT),是一种影像诊断学的检查。X射线计算机断层成像(X-Ray Computed Tomography,简称X-CT)是一种利用数位几何处理后重建的三维放射线医学影像。X射线计算机断层成像技术主要通过单一轴面的X射线旋转照射人体,由于不同的组织对X射线的吸收能力不同,可以用电脑的三维技术重建出断层面影像。然后,经由窗宽(Windowing)、或窗位(Window)处理,可以得到相应组织的断层影像。最后,将断层影像层层堆叠,形成立体影像。
X射线断层面的数据是由X射线的射源绕标的物一圈采集。传感器放置于X射线射源的对角位置。在标的物被推入射源内侧的过程中,采集到数据也不断地处理,最后经由一系列的数字运算,也就是所谓的断层面重建来得到影像。
不同的放射强度(Radiodensity)对应到256种不同程度的灰阶值,通过8位显示器进行显示0~255的不同程度的灰阶值。具体的,将数据的最小值和最大值之间的动态范围(dynamic range,DR)的之间转换到8个bit表示的0~255的256个灰阶值。
窗技术(Window Technique)是用以观察不同密度正常组织或病变的一种显示技术,其包括窗宽(Window Width)和窗位(Window Level)。
窗宽是指用韩森费尔德单位(Hounsfield Unit,简称HU)所得的数据来计算出影像的过程。窗宽是电脑断层扫描动态(CT/DR)图像上显示的CT/DR值范围。在CT/DR值范围内组织和病变均以不同的模拟灰度显示。对于确定的CT/DR值范围,高于此范围的组织和病变,无论是高于多少,都均为白影显示,不再有灰度差异;反之,低于此范围的组织和病变,不论是低于多少,均为黑影显示,也无灰度差异。增大窗宽,则图像所示CT/DR值范围加大,显示具有不同放射强度的组织结构增多,但各结构间的灰度差别减少;减小窗宽,则显示组织结构减少,而各结构间的灰度差别增加。
窗位是窗的中心位置。同样的窗宽,窗位不同,包括CT/DR范围的CT/DR值有差异。例如,窗宽同为W=60HU,当窗位为L=0HU时,其CT/DR值范围为-30HU~+30HU;而窗位L=10HU时,则CT/DR值范围为-20HU~+40HU。通常,欲观察某一组织的结构及发生的病变,应以该组织的CT/DR值为窗位,以获得显示最佳效果。假设窗位不变,定义的窗宽范围变窄后,我们称为窄窗位(Narrow Window),细部的小变化就可以分辨出来,称为对比压缩。
三维重建指用数学的方法从断层成像仪的传感器测量到的信号——X射线通过人体后的衰减,重建出器官的三维影像。目前常用的重建方法主要有两种:滤波反投影法(Filtered Backprojection)和卷积反投影法(Convolution Backprojection)。
目前X-CT成像都是等方性(x,y,z轴的分辨率相同)或是接近等方性的分辨率,所以,借着计算机三维重建技术,只要把所有的小体素堆叠起来,就可以用不同的视点来看影像。
放射强度(Radiodensity)的阈值是可以调整的,当阈值一定,便可使用“边缘侦察(edge detection)”影像处理法,使得三维标的物成像。不同的标的物可以选用不同的阈值进行成像,同时使用不同的颜色来代表不同的解剖构造,例如骨、肌肉和软骨的成像,然而,构造进一步的细微结构无法成像。
在体素成像(Volume Rendering)中,利用透明度和颜色可以在单一影像中的显示的特色,可以呈现更多的细节。例如:骨盆就可以用半透明的方式显现,即使是斜位角,小部分其他的解剖成像并不会挡住其他重要的部分。
对于一些部位,虽然结构不同,但是有相似的阻射性,只是单纯地改变体素成像的参数,仍然无法区分。可以用手动或是自动的方式去除不想要的部分,这种方法通常称为影像分割(Segmentation)。
CT血管造影是指利用CT技术,引入造影剂使血液对X射线的通透性降低,使血管在CT片上显示为高阻射密度影像,从而将血管与其它组织区分开来。通常,为便于观察病变,要通过计算机进行影像重建,以显示不同切面上的图像。
以上为便于理解本申请的技术内容所作的简要说明,下面介绍本申请的具体实施方式。
本申请提出一种血管造影图像处理方法,包括以下步骤:在血管造影图像中,确定包含目标血管的目标区域;在确定的包含目标血管的目标区域内,对血管造影图像进行线性增强;确定目标血管对应的预设灰度阈值范围;保存灰度值在预设灰度阈值范围的体素点;处理体素点形成目标血管图像。可选地,目标血管为心脏区域中的冠状动脉、视网膜血管或肝脏血管等。请参照图1,为本申请提供的一种血管造影中冠状动脉图像的处理方法,包括以下步骤:
S100:在血管造影图像中,确定冠状动脉的目标区域。
本申请中可以通过手动或是自动的方式,在血管造影图像中,采用影像分割技术,确定心包和主动脉分布的区域,并进一步根据心包和主动脉分布的区域,确定冠状动脉的目标区域。
进一步的,在本申请提供的又一种实施例中,所述确定冠状动脉的目标区域的步骤,包括:
在血管造影图像中,分割得到主动脉图像和分布有冠状动脉的心包图像;
将所述心包图像,向四周扩展预设尺寸,形成确定的冠状动脉的目标区域。需要说明的是,本申请中的心包图像也可称之为心脏边界、心脏轮廓或者心脏区域。
在一个实施例中,心包图像通过如下步骤获得:获取血管造影图像对应的医学图像序列,该医学图像序列中包含心脏区域对应的部分,且该医学图像序列为多个2D切片/片层组成的三维图像;在医学图像序列中确定参考层图像,并对所述参考层图像进行心脏分割;根据参考层图像的心脏分割结果,确定包含心脏边界的窄带区域;在所述窄带区域内应用图割算法窄带图割算法,对医学图像序列逐层进行心脏分割。本申请的血管造影图像可以是磁共振血管造影图像或者CT血管造影图像或者PET-CT图像的血管造影图像、PET-MR图像的血管造影图像等。在以下说明中,以CT血管造影图像为例说明。
可选地,在窄带区域应用图割算法窄带图割算法对CT血管造影图像逐层进行心脏分割,包括:将与参考层图像相邻的图像层作为当前层图像;基于梯度提取当前层图像的边界作为第一边缘图像;将在第一边缘图像中与窄带区域对应的图像区域,通过图割算法确定一条最优闭合曲线,然后根据最优闭合曲线对当前层图像进行心脏分割;将当前层图像作为前一层图像,将与当前层图像相邻且未进行心脏分割的图像作为当前层图像,返回继续对当前层图像进行心脏分割,直至完成对心脏区域的分割。
在另一个实施例中,心包图像通过如下步骤获得:获取CT血管造影图像对应的医学图像序列,该医学图像序列中包含心脏区域对应的部分,且该医学图像序列为多个2D切片/片层组成的三维图像;在医学图像序列中分别沿Z轴方向(垂直横断面方向)确定起始层和终止层,根据起始层和终止层确定参考层图像,参考层图像介于起始层和终止层;在参考层中分割得到心脏的分割结果;根据参考层心脏的分割结果在CT血管造影图像中检测肝和胃在横断面上开始出现的位置;由于肝和胃与心脏存在位置相邻关系,根据肝和胃在横断面上开始出现的位置可辅助心脏的分割结果。在此实施例中利用已检测的胃在横断面上开始出现的位置可确定心脏分割的修正的终止层,并利用已检测的肝在横断面上开始出现的位置将心脏分为上段和下段,由于上段心脏仅与肺相连接,心脏边界较明显,可以采用较简单的梯度检测方法对心脏进行分割;而下段心脏与肝脏、胃和肺多器官相连接,心脏边界模糊,需要采用较上段复杂的方法对心脏边界进行检测。
请参照图2,为本申请提供的阈值分割后,形成的分离的主动脉图像和分布有冠状动脉的心包图像。图2从各种视角展示了分离的主动脉图像和分布有冠状动脉的心包图像。将心包图像向四周扩展预设尺寸,例如向四周扩展预设体素尺寸,例如,前后左右分别扩大7个体素尺寸,上下扩大5个体素尺寸。从而,可以形成确定的冠状动脉的目标区域。
进一步的,在本申请提供的又一种实施例中,所述确定冠状动脉的目标区域的步骤,包括:
在CT血管造影图像中,分割得到主动脉图像;
根据所述主动脉图像,确定冠状动脉的目标区域。其中主动脉图像的提取或识别过程可参考文献:CT图像中的主动脉分割方法[J].现代科学仪器,2013(2):45-48;或者基于分水岭算法的交互式三维分割方法[J].中国组织工程研究,2011,15(39):7351-7354等。
S200:对冠状动脉的目标区域进行线性增强。
线性增强的方法可采用多尺度滤波或基于Hessian矩阵的增强算法。其中,多尺度滤波的增强算法可参考文献Multiscale vessel enhancement filtering[C]//International Conference on Medical Image Computing and Computer-AssistedIntervention.Springer Berlin Heidelberg,1998:130-137或者Vessel enhancementfilter using directional filter bank[J].Computer Vision and ImageUnderstanding,2009,113(1):101-112。基于Hessian矩阵的增强算法可参考文献Selective enhancement filters for nodules,vessels,and airway walls in two andthree dimensional CT scans[J].Medical physics,2003,30(8):2040-2051。
在本申请提供的一种实施例中,对所述CT血管造影图像进行线性增强的步骤,包括:
对所述CT血管造影图像进行预设体素尺寸的线性增强,以高亮显示冠状动脉:
假设CT血管造影图像中的线状目标区域(在此实施例中为血管)可先进行高斯滤波;
然后计算三维Hessian矩阵的特征值,特征值用λ1、λ2和λ3表示,且三个特征值分别对应二阶倒数fxx、fyy、fzz。考虑到冠状动脉分叉处呈现出点的特性,我们用到点和线的特征,满足如下公式:
Kline(λ1,λ2,λ3)=(|λ2|-|λ3|)/|λ1|,Kdot=|λ3|/|λ1|),我们用的点和线同时增强的公式具体如下:
Kline&dot=λ2。
进一步的,在本申请提供的又一种实施例中,所述预设体素尺寸为1-3个体素。
线性增强后的显示效果如图3所示。
S300:确定冠状动脉的预设灰度阈值范围。
可以理解的是,这里确定冠状动脉的预设灰度阈值范围,为前述窗技术中确定窗宽和窗位的操作。
进一步的,在本申请提供的又一种实施例中,确定冠状动脉的预设灰度阈值范围的步骤,包括:
获取灰度值-灰度值对应的体素体积累积图像;
确定冠状动脉体素体积值;
以预设倍数冠状动脉体素体积值为灰度值对应的体素体积累积值,根据灰度值-灰度值对应的体素体积累积图像,确定冠状动脉的预设灰度阈值范围。
对所述CT血管造影图像进行线性增强后的图像,作灰度值-灰度值对应的体素体积累积图像的直方图。
通过对人体每搏输出量的了解和对已有冠脉数据的统计分析,我们知道左右冠脉体积约3000体素。
由于做了线性增强,预设倍数为3-5倍的体素体积累积中包括了左右冠脉图像,更优的,预设倍数为4倍的体素体积累积中包括了左右冠脉图像。
从而,可以根据预设倍数冠状动脉体素体积值为灰度值对应的体素体积累积值,根据灰度值-灰度值对应的体素体积累积图像,确定冠状动脉的预设灰度阈值范围。如图4为根据4倍冠状动脉体素体积值为灰度值对应的体素体积累积值,确定左右冠脉图像的预设灰度阈值为143HU。
S400:保存灰度值在预设灰度阈值范围的体素点。
保存灰度值大于预设灰度阈值的体素点。该预设灰度阈值可以是第一灰度阈值,如143U。需要说明的是,对于三维医学图像而言本申请中的体素点也可称之为像素点。
S500:处理所述体素点形成冠状动脉图像。
进一步的,在本申请提供的又一种实施例中,所述处理所述体素点形成冠状动脉图像的步骤,包括:1)根据设定灰度阈值,对所述像素点进行第一次筛选,获取第一子集。在此实施例中,设定灰度阈值可选择第二设定灰度阈值,该过程包括:首先确定连续的所述体素点形成的连通域集合;然后,去掉连通域集合中包含的体素点数量不超过预设第一数量的连通域元素,形成所述连通域集合的第一子集。
2)确定第一子集中各连通域的起点和重心。可选地,确定所述第一子集中各连通域元素距离所述主动脉图像最近的点,作为连通域元素的起点。
3)根据各连通域的起点和重心分别确定与左冠脉、右冠脉的相对应的连通域。可选地,根据所述起点的位置和连通域元素的重心,确定第一子集中各连通域元素归属于左冠状动脉连通域集合还是归属于右冠状动脉连通域集合。
4)分别在与左冠脉、右冠脉的相对应的连通域内提取左冠脉的起始连通域和右冠脉的起始连通域。可选地:在左冠状动脉连通域集合中保留离所述起点的位置在预设第二体素尺寸内,形成所述连通域集合的第二子集;
在所述第二子集中,按照长度从长到短排序取前预设第二数量的连通域元素,作为左冠脉连通域的候选元素;
确定所述左冠脉连通域的候选元素中距离所述主动脉图像最近的连通域元素,作为左冠脉的起始连通域;
在右冠状动脉连通域集合中保留离所述起点的位置在预设第二体素尺寸内,形成所述连通域集合的第三子集;
在所述第三子集中,按照长度从长到短排序取前预设第二数量的连通域元素,作为右冠脉连通域的候选元素;
确定所述右冠脉连通域的候选元素中距离所述主动脉图像最近的连通域元素,作为右冠脉的起始连通域。
可选地,为了排除冠脉提取中其他连通域的影响,还可执行如下操作:在所述血管造影图像中确定主动脉图像末端层的位置;根据所述主动脉图像末端层的位置对与左冠脉、右冠脉的相对应的连通域进行第二次筛选,该筛选步骤可包括:仅保留位于主动脉末端层以上的连通域元素。
具体的,确定连续的体素点形成的连通域集合。然后,去掉连通域集合中包含的体素点数量不超过预设第一数量的连通域元素,形成连通域集合的第一子集,如图5所示。预设第一数量为20-50,其中,以预设第一数量为35时最优。确定第一子集中各连通域元素距离主动脉图像最近的点,作为连通域元素的起点。根据起点的位置和连通域元素的重心,确定第一子集中各连通域元素归属于左冠状动脉连通域集合还是归属于右冠状动脉连通域集合。在左冠状动脉连通域集合中保留起点的位置离主动脉图像在预设第二体素尺寸内,且位于主动脉末端层以上的连通域元素,形成连通域集合的第二子集。在右冠状动脉连通域集合中保留起点的位置离主动脉图像在预设第二体素尺寸内,且位于主动脉末端层以上的连通域元素,形成连通域集合的第三子集,如图6所示。在第二子集中,按照长度从长到短排序取前预设第二数量的连通域元素,作为左冠脉连通域的候选元素。在第三子集中,按照长度从长到短排序取前预设第二数量的连通域元素,作为右冠脉连通域的候选元素。预设第二数量为3-7,其中,预设第二数量为5时最优,如图7所示。确定左冠脉连通域的候选元素中距离主动脉图像最近的连通域元素,作为左冠脉的起始连通域。确定所述右冠脉连通域的候选元素中距离主动脉图像最近的连通域元素,作为右冠脉的起始连通域,如图8所示。
由于对CT血管造影图像进行线性增强,从而可以便利地将冠状动脉图像与心脏腔室图像剥离。
本申请还提供一种血管造影图像处理方法,包括以下步骤:
获取血管造影图像;
在血管造影图像中,确定包含目标血管的目标区域;
对包含目标血管的目标区域进行线性增强;
确定目标血管对应的预设灰度阈值范围;
保存灰度值在预设灰度阈值范围的体素点;
处理所述体素点形成目标血管图像。
进一步的,在本申请提供的又一种实施例中,所述目标血管为心脏区域中的冠状动脉、视网膜血管或肝脏血管中的至少一种。
本申请还提供一种CT血管造影图像处理***,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,所述程序用于执行如下操作:
获取血管造影图像,该血管造影图像可以是MR血管造影图像或CT血管造影图像;
在血管造影图像中,确定包含目标血管的目标区域或感兴趣区域;
在确定的包含目标血管的感兴趣区域内,对所述血管造影图像进行线性增强;
确定目标血管对应的预设灰度阈值范围;
保存灰度值在预设灰度阈值范围的体素点;
处理所述体素点形成目标血管图像。
下面介绍一种本申请的具体应用场景:
获取CT血管造影图像对应的医学图像序列,该医学图像序列中包含心脏区域对应的部分,且该医学图像序列为多个2D切片/片层组成的三维图像;在医学图像序列中确定参考层图像,并对所述参考层图像进行心脏分割;根据参考层图像的心脏分割结果,确定包含心脏边界的窄带区域;在所述窄带区域内应用图割算法窄带图割算法,对医学图像序列逐层进行心脏分割。
在窄带区域应用图割算法窄带图割算法对CT血管造影图像逐层进行心脏分割,包括:将与参考层图像相邻的图像层作为当前层图像;基于梯度提取当前层图像的边界作为第一边缘图像;将在第一边缘图像中与窄带区域对应的图像区域,通过图割算法确定一条最优闭合曲线,然后根据最优闭合曲线对当前层图像进行心脏分割;将当前层图像作为前一层图像,将与当前层图像相邻且未进行心脏分割的图像作为当前层图像,返回继续对当前层图像进行心脏分割,直至完成对心脏区域的分割。
或者,获取CT血管造影图像对应的医学图像序列,该医学图像序列中包含心脏区域对应的部分,且该医学图像序列为多个2D切片/片层组成的三维图像;在医学图像序列中分别沿Z轴方向(垂直横断面方向)确定起始层和终止层,根据起始层和终止层确定参考层图像,参考层图像介于起始层和终止层;在参考层中分割得到心脏的分割结果;根据参考层心脏的分割结果在CT血管造影图像中检测肝和胃在横断面上开始出现的位置;由于肝和胃与心脏存在位置相邻关系,根据肝和胃在横断面上开始出现的位置可辅助心脏的分割结果。在此实施例中利用已检测的胃在横断面上开始出现的位置可确定心脏分割的修正的终止层,并利用已检测的肝在横断面上开始出现的位置将心脏分为上段和下段,由于上段心脏仅与肺相连接,心脏边界较明显,可以采用较简单的梯度检测方法对心脏进行分割;而下段心脏与肝脏、胃和肺多器官相连接,心脏边界模糊,需要采用较上段复杂的方法对心脏边界进行检测。
心脏分割后,形成的分离的主动脉图像和分布有冠状动脉的心包图像。
将心包图像向四周扩展预设尺寸,例如向四周扩展预设体素尺寸,例如,前后左右分别扩大7个体素尺寸,上下扩大5个体素尺寸。从而,可以形成确定的冠状动脉的目标区域。
采用多尺度滤波或基于Hessian矩阵的增强算法对所述CT血管造影图像进行线性增强。
然后,获取灰度值-灰度值对应的体素体积累积图像;确定冠状动脉体素体积值;以预设倍数冠状动脉体素体积值为灰度值对应的体素体积累积值,根据灰度值-灰度值对应的体素体积累积图像,确定冠状动脉的预设灰度阈值范围。
保存灰度值大于预设灰度阈值的体素点。
确定连续的所述体素点形成的连通域集合;
去掉连通域集合中包含的体素点数量不超过预设第一数量的连通域元素,形成所述连通域集合的第一子集;
确定所述第一子集中各连通域元素距离所述主动脉图像最近的点,作为连通域元素的起点;
根据所述起点的位置和连通域元素的重心,确定第一子集中各连通域元素归属于左冠状动脉连通域集合还是归属于右冠状动脉连通域集合;
在左冠状动脉连通域集合中保留所述起点的位置离主动脉图像在预设第二体素尺寸内,形成所述连通域集合的第二子集;
在所述第二子集中,按照长度从长到短排序取前预设第二数量的连通域元素,作为左冠脉连通域的候选元素;
确定所述左冠脉连通域的候选元素中距离所述主动脉图像最近的连通域元素,作为左冠脉的起始连通域;
在右冠状动脉连通域集合中保留所述起点的位置离主动脉图像在预设第二体素尺寸内,形成所述连通域集合的第三子集;
在所述第三子集中,按照长度从长到短排序取前预设第二数量的连通域元素,作为右冠脉连通域的候选元素;
确定所述右冠脉连通域的候选元素中距离所述主动脉图像最近的连通域元素,作为右冠脉的起始连通域。
优选的,可以在所述第二子集的元素中仅保留位于主动脉末端层以上的连通域元素。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种血管造影图像的处理方法,其特征在于,包括以下步骤:
在血管造影图像中,确定包含冠状动脉的目标区域;
对所述包含冠状动脉的目标区域进行线性增强;
确定冠状动脉的预设灰度阈值范围;
保存灰度值在预设灰度阈值范围的体素点;
处理所述体素点形成冠状动脉图像;
所述处理所述体素点形成冠状动脉图像,包括:
获取所述体素点中的第一子集,并确定所述第一子集中各连通域的起点和重心;
根据所述各连通域的起点和重心分别确定与左冠脉、右冠脉的相对应的连通域,在所述与左冠脉、右冠脉的相对应的连通域内分别提取左冠脉的起始连通域和右冠脉的起始连通域。
2.根据权利要求1所述的方法,其特征在于,所述确定冠状动脉的目标区域的步骤,包括:
在所述血管造影图像中,分割得到主动脉图像和分布有冠状动脉的心包图像;
将所述心包图像,向四周扩展预设尺寸,形成确定的冠状动脉的目标区域。
3.根据权利要求1所述的方法,其特征在于,所述确定冠状动脉的目标区域的步骤,包括:
在血管造影图像中,分割得到主动脉图像;
根据所述主动脉图像,确定冠状动脉的目标区域。
4.根据权利要求1所述的方法,其特征在于,对所述包含冠状动脉的目标区域进行线性增强,包括:
采用多尺度滤波或基于Hessian矩阵的增强算法对所述血管造影图像进行线性增强。
5.根据权利要求1所述的方法,其特征在于,确定冠状动脉的预设灰度阈值范围的步骤,包括:
获取灰度值与灰度值对应的体素体积累积图像;
确定冠状动脉体素体积值;
以预设倍数冠状动脉体素体积值为灰度值对应的体素体积累积值,根据灰度值-灰度值对应的体素体积累积图像,确定冠状动脉的预设灰度阈值范围。
6.根据权利要求5所述的方法,其特征在于,所述处理所述体素点形成冠状动脉图像的步骤,包括:
根据设定灰度阈值,对所述体素点进行第一次筛选,获取第一子集;
确定第一子集中各连通域的起点和重心;
根据各连通域的起点和重心分别确定与左冠脉、右冠脉的相对应的连通域;
分别在与左冠脉、右冠脉的相对应的连通域内提取左冠脉的起始连通域和右冠脉的起始连通域。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
在所述血管造影图像中确定主动脉图像末端层的位置;
根据所述主动脉图像末端层的位置对与左冠脉、右冠脉的相对应的连通域进行第二次筛选。
8.一种血管造影图像处理方法,其特征在于,包括以下步骤:
获取血管造影图像;
在血管造影图像中,确定包含目标血管的目标区域;
对所述包含目标血管的目标区域进行线性增强;
确定目标血管对应的预设灰度阈值范围;
保存灰度值在预设灰度阈值范围的体素点;
处理所述体素点形成目标血管图像;
处理所述体素点形成目标血管图像,包括:
获取所述体素点中的第一子集,并确定所述第一子集中各连通域的起点和重心;
根据所述各连通域的起点和重心分别确定与所述目标血管相对应的连通域,在与所述目标血管相对应的连通域内分别提取所述目标血管的起始连通域。
9.根据权利要求8所述的方法,其特征在于,所述目标血管为心脏区域中的冠状动脉、视网膜血管或肝脏血管中的至少一种。
10.一种血管造影图像处理***,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,所述程序用于执行如下操作:
获取血管造影图像;
在血管造影图像中,确定包含目标血管的目标区域;
对所述包含目标血管的目标区域进行线性增强;
确定目标血管对应的预设灰度阈值范围;
保存灰度值在预设灰度阈值范围的体素点;
处理所述体素点形成目标血管图像;
处理所述体素点形成目标血管图像,包括:
获取所述体素点中的第一子集,并确定所述第一子集中各连通域的起点和重心;
根据所述各连通域的起点和重心分别确定与所述目标血管相对应的连通域,在与所述目标血管相对应的连通域内分别提取所述目标血管的起始连通域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710764182.3A CN107527341B (zh) | 2017-08-30 | 2017-08-30 | 血管造影图像的处理方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710764182.3A CN107527341B (zh) | 2017-08-30 | 2017-08-30 | 血管造影图像的处理方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107527341A CN107527341A (zh) | 2017-12-29 |
CN107527341B true CN107527341B (zh) | 2020-05-19 |
Family
ID=60682828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710764182.3A Active CN107527341B (zh) | 2017-08-30 | 2017-08-30 | 血管造影图像的处理方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107527341B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805923B (zh) * | 2018-06-01 | 2022-04-01 | 东软医疗***股份有限公司 | 生理参数获取方法和装置 |
CN109345546B (zh) * | 2018-09-30 | 2019-09-17 | 数坤(北京)网络科技有限公司 | 一种冠脉体数据模型分割方法及设备 |
CN109712163B (zh) * | 2018-12-05 | 2021-05-18 | 上海联影医疗科技股份有限公司 | 冠脉提取方法、装置、图像处理工作站和可读存储介质 |
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 |
CN109949408A (zh) * | 2019-03-13 | 2019-06-28 | 安徽紫薇帝星数字科技有限公司 | 一种基于图割算法的医学图像重建方法及其*** |
CN110264427A (zh) * | 2019-06-27 | 2019-09-20 | 四川工商学院 | 一种冠脉造影方法、设备及计算机可读存储介质 |
CN110400626B (zh) * | 2019-07-08 | 2023-03-24 | 上海联影智能医疗科技有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
CN110706246B (zh) * | 2019-10-15 | 2022-08-02 | 上海微创卜算子医疗科技有限公司 | 一种血管图像分割方法、装置、电子设备和存储介质 |
CN111047612B (zh) * | 2019-12-25 | 2023-02-24 | 宝鸡市中医医院 | 一种冠状动脉ct血管造影图像分割方法 |
CN113610841B (zh) * | 2021-08-26 | 2022-07-08 | 首都医科大学宣武医院 | 一种血管异常图像识别方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663709A (zh) * | 2012-04-28 | 2012-09-12 | 大连海事大学 | 一种x射线冠脉造影图像血管增强方法 |
CN104867147A (zh) * | 2015-05-21 | 2015-08-26 | 北京工业大学 | 基于冠状动脉造影图像分割的syntax自动评分方法 |
CN104978725A (zh) * | 2014-04-03 | 2015-10-14 | 上海联影医疗科技有限公司 | 一种冠状动脉分割方法和装置 |
CN106296660A (zh) * | 2016-07-28 | 2017-01-04 | 北京师范大学 | 一种全自动冠状动脉分割方法 |
CN106447645A (zh) * | 2016-04-05 | 2017-02-22 | 天津大学 | 增强ct图像中冠脉钙化检测及量化装置和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8311308B2 (en) * | 2009-12-10 | 2012-11-13 | Siemens Corporation | Stent viewing using a learning based classifier in medical imaging |
-
2017
- 2017-08-30 CN CN201710764182.3A patent/CN107527341B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663709A (zh) * | 2012-04-28 | 2012-09-12 | 大连海事大学 | 一种x射线冠脉造影图像血管增强方法 |
CN104978725A (zh) * | 2014-04-03 | 2015-10-14 | 上海联影医疗科技有限公司 | 一种冠状动脉分割方法和装置 |
CN104867147A (zh) * | 2015-05-21 | 2015-08-26 | 北京工业大学 | 基于冠状动脉造影图像分割的syntax自动评分方法 |
CN106447645A (zh) * | 2016-04-05 | 2017-02-22 | 天津大学 | 增强ct图像中冠脉钙化检测及量化装置和方法 |
CN106296660A (zh) * | 2016-07-28 | 2017-01-04 | 北京师范大学 | 一种全自动冠状动脉分割方法 |
Non-Patent Citations (3)
Title |
---|
automatic segmentation of coronary arteries using Gabor filters and thresholding based on multiobjective optimization;Ivan Cruz-Aceves 等;《Biomedical Signal Processing and Control》;20160331(第25期);第76-85页 * |
冠状动脉立体定量评估关键技术研究;欧阳自鹏;《中国优秀硕士学位论文全文数据库-信息科技辑》;20170315(第3期);第I138-5211页 * |
基于局部复杂度信息测度的冠脉造影图像分割;康文炜 等;《光电子.激光》;20110630;第22卷(第6期);第955-960页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107527341A (zh) | 2017-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107527341B (zh) | 血管造影图像的处理方法和*** | |
JP6877868B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
Kostis et al. | Three-dimensional segmentation and growth-rate estimation of small pulmonary nodules in helical CT images | |
Shikata et al. | Automated segmentation of pulmonary vascular tree from 3D CT images | |
US6754376B1 (en) | Method for automatic segmentation of medical images | |
EP3547207A1 (en) | Blood vessel extraction method and system | |
CN107563998B (zh) | 医学图像中心脏图像处理方法 | |
JP6570145B2 (ja) | 画像を処理する方法、プログラム、代替的な投影を構築する方法および装置 | |
John et al. | Multilevel thresholding based segmentation and feature extraction for pulmonary nodule detection | |
JP2011517986A (ja) | 腹部大動脈瘤の自動検知および正確なセグメント分割 | |
JP2009511216A (ja) | コンピュータトモグラフィーコロノグラフィー画像のデジタルデジタル洗浄用の構造解析システム、方法、ソフトウェア構成及びコンピュータがアクセス可能な媒体 | |
JP3656695B2 (ja) | 骨計測方法および装置 | |
JP2011514822A (ja) | Ctスキャンデータをセグメント化する方法とシステム | |
Tozaki et al. | Pulmonary organs analysis for differential diagnosis based on thoracic thin-section CT images | |
Van Dongen et al. | Automatic segmentation of pulmonary vasculature in thoracic CT scans with local thresholding and airway wall removal | |
JP2015066311A (ja) | 画像処理装置、画像処理方法、画像処理装置の制御プログラム、記録媒体 | |
JP2002099896A (ja) | 異常陰影候補検出方法および装置 | |
Kumar et al. | Detection system for lung cancer based on neural network: X-Ray validation performance | |
Jayanthi et al. | Extracting the liver and tumor from abdominal CT images | |
Bui et al. | An automatic random walk based method for 3D segmentation of the heart in cardiac computed tomography images | |
JP2019515255A (ja) | 医療画像処理 | |
US10993688B2 (en) | Method of data processing for computed tomography | |
Tsai et al. | Adaptive segmentation of vessels from coronary angiograms using multi-scale filtering | |
Fetita et al. | Morpho-geometrical approach for 3D segmentation of pulmonary vascular tree in multi-slice CT | |
Jawaid et al. | A review of the state-of-the-art methods for plaque detection in cardiac CT angiography |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Patentee after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Patentee before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |