CN108428210A - 血管图像重建方法和重建装置 - Google Patents
血管图像重建方法和重建装置 Download PDFInfo
- Publication number
- CN108428210A CN108428210A CN201710079854.7A CN201710079854A CN108428210A CN 108428210 A CN108428210 A CN 108428210A CN 201710079854 A CN201710079854 A CN 201710079854A CN 108428210 A CN108428210 A CN 108428210A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- blood
- node
- vessel
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 719
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000002792 vascular Effects 0.000 claims abstract description 58
- 230000002708 enhancing effect Effects 0.000 claims abstract description 50
- 230000011218 segmentation Effects 0.000 claims abstract description 45
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 239000008280 blood Substances 0.000 claims description 22
- 210000004369 blood Anatomy 0.000 claims description 22
- 239000000284 extract Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 10
- 210000005166 vasculature Anatomy 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 5
- 238000000926 separation method Methods 0.000 description 5
- 239000002956 ash Substances 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 241001632427 Radiola Species 0.000 description 3
- 235000004338 Syringa vulgaris Nutrition 0.000 description 3
- 244000297179 Syringa vulgaris Species 0.000 description 3
- 239000002872 contrast media Substances 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 235000002918 Fraxinus excelsior Nutrition 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 210000005075 mammary gland Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
Classifications
-
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种血管图像重建方法和装置,该方法包括:对经过多尺度脉管增强算法分割后的血管图像进行预处理;根据预处理后的血管图像生成包含表示各血管的各节点以及相关节点之间的路径的带权图,各路径具有表示相应血管之间的距离的权值;计算所述带权图中其他各节点到指定节点的最短路径;沿着所述最短路径对由不同节点表示的不同血管进行连接,以得到重建后的血管树图像。利用区域生长算法、定向拓展算法对经过多尺度脉管增强算法分割后的血管图像进行预处理。该装置包括:预处理模块、最短路径计算模块、血管树图像生成模块。本发明提供的技术方案能够在血管图像重建时以较快的速度获得更准确、更完整的血管树图像。
Description
技术领域
本发明涉及计算机技术,尤其涉及计算机辅助术前规划技术。
背景技术
在传统的术前规划过程中,医生通过观察2D的CT图像,依据经验和想象力来判断病灶与血管的位置关系,分析手术难度和可行性,据此制定手术方案。目前的CT成像中使用了造影剂来对血管进行增强,但造影剂在血管图像中的分布并不十分理想,并且由于个体的差异以及成像时各种噪音的干扰,最后得到的图像具有对比度低,噪音高的特点。
利用多尺度脉管增强算法等方法对于一些质量并不太理想的图像(例如上文中提到的具有高噪声、低对比度特点的图像)进行血管图像分割后,经过现有的血管图像重建方法进行血管图像重建后生成的血管图像并不连贯,最终生成的血管树图像也不够准确和完整,仍然会存在很多噪音干扰。现有的血管图像重建技术无法满足在血管图像重建过程中快速、准确地生成完整的血管树图像的实际需求。
发明内容
为了解决上述问题,本发明提供了血管图像重建方法和重建装置,能够以较快的速度将分割后的血管图像重建成更加准确、完整的血管树图像。
一方面,本发明实施例提供了一种血管图像重建方法,所述方法包括:
对经过多尺度脉管增强算法分割后的血管图像进行预处理;
根据预处理后的血管图像生成包含表示各血管的各节点以及相关节点之间的路径的带权图,各路径具有表示相应血管之间的距离的权值;
计算所述带权图中其他各节点到指定节点的最短路径;
沿着所述最短路径对由不同节点表示的不同血管进行连接,以得到重建后的血管树图像。
优选地,所述对经过多尺度脉管增强算法分割后的血管图像进行预处理包括:利用区域生长算法对经过多尺度脉管增强算法分割后的血管图像进行第一预处理。
优选地,所述对经过多尺度脉管增强算法分割后的血管图像进行预处理包括:利用定向拓展算法对第一预处理后的血管图像进行第二预处理。
优选地,所述根据预处理后的血管图像生成带权图包括:
提取预处理后的血管图像中的各血管中心线;
基于所述各血管中心线上的点确定各血管的代表端点;
根据各血管的代表端点利用预定函数计算各血管之间的距离;
根据各血管的代表端点以及各血管之间的距离,生成包含表示各血管的各节点以及相关节点之间的路径的带权图,各路径具有表示相应血管之间距离的权值。
优选地,所述生成包含表示各血管的各节点以及相关节点之间的路径的带权图,各路径具有表示相应血管之间距离的权值为:
如果第一血管与第二血管之间的距离小于第一阈值,则将第一血管的代表端点作为第一节点,将第二血管的代表端点作为第二节点,并在第一节点和第二节点之间添加具有表示所述距离的权值的直接路径,以生成包含表示各血管的各节点以及相关节点之间的路径的带权图,各路径具有表示相应血管之间的距离的权值。
优选地,所述计算所述带权图中其他各节点到指定节点的最短路径为:利用Dijkstra算法计算所述带权图中其他各节点到指定节点的最短路径。
优选地,所述沿着所述最短路径对由不同节点表示的不同血管进行连接,以得到重建后的血管树图像包括:
如果第三节点与指定节点之间路径上的权值之和小于第二阈值,则沿着所述最短路径将第三血管与第四血管进行连接;
在对与指定节点之间路径上的权值之和小于第二阈值的所有节点表示的血管沿着所述最短路径完成连接后,删除未被连接的血管以得到重建后的血管树图像。
优选地,所述沿着所述最短路径对由不同节点表示的不同血管进行连接,以得到重建后的血管树图像包括:
沿着所述最短路径将第三血管与第四血管通过第五血管进行连接,第五血管的半径Ri由如下公式确定:
其中,和分别为第三血管的半径和第四血管的半径,且第三血管、第四血管和第五血管的横截面的圆心共线,i3、i4和i分别为上述三个圆心在所述共线坐标轴上的坐标,且i3<i<i4。
另一方面,本发明实施例还提供了一种血管图像重建装置,所述装置包括:
预处理模块,用于对经过多尺度脉管增强算法分割后的血管图像进行预处理;
最短路径计算模块,用于:
根据预处理后的血管图像生成包含表示各血管的各节点以及相关节点之间的路径的带权图,各路径具有表示相应血管之间的距离的权值;
计算所述带权图中其他各节点到指定节点的最短路径;
血管树图像生成模块,用于沿着所述最短路径对由不同节点表示的不同血管进行连接,以得到重建后的血管树图像。
优选地,所述预处理模块用于:利用区域生长算法对经过多尺度脉管增强算法分割后的血管图像进行第一预处理。
优选地,所述预处理模块还用于:利用定向拓展算法对第一预处理后的血管图像进行第二预处理。
优选地,所述最短路径计算模块用于:
提取预处理后的血管图像中的各血管中心线;
基于所述各血管中心线上的点确定各血管的代表端点;
根据各血管的代表端点利用预定函数计算各血管之间的距离;
根据各血管的代表端点以及各血管之间的距离,生成包含表示各血管的各节点以及相关节点之间的路径的带权图,各路径具有表示相应血管之间距离的权值。
优选地,如果第一血管与第二血管之间的距离小于第一阈值,则所述最短路径计算模块将第一血管的代表端点作为第一节点,将第二血管的代表端点作为第二节点,并在第一节点和第二节点之间添加具有表示所述距离的权值的直接路径,以生成包含表示各血管的各节点以及相关节点之间的路径的带权图,各路径具有表示相应血管之间的距离的权值。
优选地,所述最短路径计算模块利用Dijkstra算法计算所述带权图中其他各节点到指定节点的最短路径。
优选地,如果第三节点与指定节点之间路径上的权值之和小于第二阈值,则所述血管树生成模块用于:
沿着所述最短路径将第三血管与第四血管进行连接;
在对与指定节点之间路径上的权值之和小于第二阈值的所有节点表示的血管沿着所述最短路径完成连接后,删除未被连接的血管以得到重建后的血管树图像。
优选地,在沿着所述最短路径对所述最短路径上的节点表示的仍断开的血管进行连接,以得到重建后的血管树图像时,所述血管树生成模块用于:沿着所述最短路径将第三血管与第四血管通过第五血管进行连接,第五血管的半径Ri由如下公式确定:
其中,和分别为第三血管的半径和第四血管的半径,且第三血管、第四血管和第五血管的横截面的圆心共线,i3、i4和i分别为上述三个圆心在所述共线坐标轴上的坐标,且i3<i<i4。
本发明提供的血管图像重建技术方案,能够将经分割后仍断开的血管重新连接起来,以较快的速度进行血管重建,生成更加准确、完整的血管树图像,并且可以被广泛地应用于如肺部、肝脏、乳腺等各种器官,帮助医生更直观地了解病灶周围血管的分布情况,精确地掌握病灶距离最近的血管的距离,通过这些具体的量化信息来判断病灶的病变程度和手术的可行性。
附图说明
图1a是本发明实施例一提供的血管图像重建方法的示意图;
图1b是本发明实施例一中海森矩阵的三个特征值在管状结构中表示的三个方向的示意图;
图2a是本发明实施例二提供的血管图像重建方法的示意图;
图2b是本发明实施例二区域增长算法中种子点及其相邻点的位置关系示意图;
图3a是本发明实施例三提供的血管图像重建方法的示意图;
图3b是本发明实施例三中定向拓展算法原理的示意图;
图3c是本发明实施例三中的血管图像在利用定向拓展算法进行预处理之前的效果图;
图3d是图3c中的血管图像在利用定向处理算法进行预处理之后的效果图;
图4a是本发明实施例四提供的血管图像重建方法的示意图;
图4b是本发明实施例四中血管中心线上的点及其相邻点的位置关系示意图;
图4c是本发明实施例四中预定函数Q的图像;
图4d是本发明实施例四中根据预处理后的血管图像生成的带权图;
图4e是本发明实施例四中在带权图中搜索到的其他各节点与根节点之间的最短路径示意图;
图4f是本发明实施例四中经血管重建后生成的血管树图像的示意图;
图5a是本发明实施例五提供的血管图像重建方法的示意图;
图5b是本发明实施例五至七中根据预处理后的血管图像生成的带权图;
图5c是本发明实施例五至七中搜索到的其他节点到根节点的最短路径示意图;
图5d本发明实施例五和六中经血管重建后生成的血管树图像的示意图;
图6a是本发明实施例六提供的血管图像重建方法的示意图;
图6b是本发明实施例六中搜索到的从节点1到根节点的最短路径示意图;
图7a是本发明实施例七提供的血管图像重建方法的示意图;
图7b是本发明实施例七中第三血管、第四血管、第五血管位置关系的示意图;
图7c本发明实施例七中经血管重建后生成的血管树图像的示意图;
图8是本发明实施例八至十四提供的血管图像重建装置的示意图;
图9a是本发明中利用多尺度脉管增强算法直接获得的血管图像分割结果的效果图;
图9b是图9a中的血管图像分割结果经过本发明提供的技术方案重建后获得的血管树图像的效果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下将参照本发明实施例中的附图,通过实施方式清楚、完整地描述本发明的技术方案,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。
在本发明的实施例中,相关名词解释如下:
第一血管是指:在根据血管图像生成带权图的过程中,如果两个血管之间的距离小于预定值,则将其中一个血管称为第一血管,并将第一血管抽象为带权图中的一个节点;
第二血管是指:在根据血管图像生成带权图的过程中,如果两个血管之间的距离小于预定值,则将这两个血管中除了第一血管之外的另一个血管称为第二血管,并将第二血管抽象为带权图中的另一个节点;
第一节点是指:在根据血管图像生成带权图的过程中,经第一血管抽象而来的节点;
第二节点是指:在根据血管图像生成带权图的过程中,经第二血管抽象而来的节点;
第一阈值是指:在根据血管图像生成带权图的过程中,如果第一血管和第二血管之间的距离小于预定值,则将此预定值称为第一阈值,同时将第一血管抽象为带权图中的第一节点,将第二血管抽象为带权图中的第二节点;
指定节点:即根节点,根节点表示用户在血管图像中指定的直径最粗处的血管;
最短路径:在用于血管重建的带权图中,如果从某一节点到指定节点(即根节点)之间存在若干个不同路径,则其中权值之和为最小值的路径称为从该点到指定节点的最短路径,从该点到指定节点间的最短路径之间可能存在其他节点,也可能不存在其他节点;
第三血管是指:在血管图像重建过程中,待连接的两个血管中的一个血管;
第四血管是指:在血管图像重建过程中,待连接的两个血管中需要与第三血管相连接的另一个血管;
第三节点是指:在根据血管图像生成的带权图中,表示第三血管的节点;
第四节点是指:在根据血管图像生成的带权图中,表示第四血管的节点,第四节点位于第三节点到指定节点之间的最短路径上,且为第三节点的相邻节点,假设第三节点到指定节点之间最短路径上的权值之和为c,第四节点到指定节点之间最短路径上的权值之和为d,则c>d;
第五血管是指:在血管图像重建过程中,沿着第三节点与指定节点之间的最短路径对第三血管和第四血管之间进行连接的血管部分,在连接以前,第三血管和第四血管之间是断开的,经连接后,第三血管和第四血管之间是连通的;
第二阈值是指:在根据血管图像生成的带权图中已经找到从第三节点到指定节点之间的最短路径,第三节点和第四节点为此最短路径上的相邻节点,第三节点到指定节点之间的最短路径上的权值之和为c,第四节点到指定节点之间最短路径上的权值之和为d,且c>d,如果c小于预定值,则沿着所述最短路径将第三血管与第四血管进行连接,并且将此预定值称为第二阈值。
第一预处理:在对分割后的血管图像进行重建时,可以使用多种预处理方法,其中对分割后的血管图像直接使用的预处理方法称为第一预处理。
第二预处理:在对分割后的血管图像进行重建时,可以使用多种预处理方法,其中对经过第一预处理后的血管图像使用的预处理方法称为第二预处理。
在本发明实施例的血管树图像的示意图中,深色的圆点为由根节点表示的血管,由圆括号“()”括起来的数字表示血管,如“(2)”,表示由节点2表示的血管2;由方括号“[]”括起来的数字表示两血管之间的距离(即带权图中两个节点之间直接路径的权值),如“[2.2]”,表示两血管之间的距离为2.2。
实施例一
如图1a所示,在本发明的第一个实施例中,对经过多尺度脉管增强算法分割的血管图像进行预处理,根据预处理后的血管图像生成带权图,计算带权图中其他各节点到根节点的最短路径,再根据此最短路径对此路径上节点表示的血管进行连接,生成最终的血管树图像。
S101、对经过多尺度脉管增强算法分割后的血管图像进行预处理。
目前的CT图像中,由于血管的灰度值与周围的组织十分接近,并且在成像过程中会产生噪声和干扰,特别是一些相对细小的血管,即使在CT图像中已经使用了造影剂对血管进行增强,效果也十分有限。因此,通常会利用多尺度脉管增强算法对血管进行一定程度的增强,以达到区分血管和周围组织的效果。
利用多尺度脉管增强算法对血管进行增强的过程如下:血管在三维空间中的像素点的几何坐标为(x,y,z),灰度值I=F(x,y,z)。对三维空间中的像素点的灰度值函数与高斯函数的卷积使用泰勒级数展开,基于此泰勒级数进行二阶导数运算,并用海森(Hessian)矩阵H的形式表达如下:
即:
其他以此类推,其中G(σ)为高斯函数。求出这个海森矩阵的三个特征值λ1、λ2、λ3,且|λ1|≤|λ2|≤|λ3|。如图1b所示,海森矩阵的三个特征值分别代表了管状结构的三个方向。由于血管是管状结构,属于血管中的点所对应的海森矩阵的特征值应该是λ1较小并接近于0,而λ2和λ3都是绝对值较大的负值。
为了在图像中最大程度的增强血管,使用Frangi滤波器对血管进行增强。Frangi滤波器的表示形式如下:
其中,α、β、c是可调节的滤
波器参数,在本实施例中,值分别为0.5、0.5和10,σ是多尺度参数,描述高斯核的大小,用于计算海森矩阵。Frangi滤波器不但增强了血管的图像,还有效地抑制了其他形状结构的干扰。但通过这个方法增强的血管,尤其在较细的血管连接处,是不连续的。因为在血管的连接处,管状结构特征不明显,连接点很有可能也被滤波器抑制了。因此,需要对增强后的血管图像进行修复和重新连接。
为了提高血管图像重建的质量,在对断开的血管进行重新连接以前需要先对血管图像进行预处理,例如,首先对血管图像进行去噪、对分离程度不大的细小血管进行初次连接尝试等等。
S102、根据预处理后的血管图像构建带权图。
在对血管图像进行预处理后,仍然有很多血管是断开的。按照以下方法构造带权图:将每一个已连通的血管部分抽象为一个节点,在表示相关血管的两个节点之间添加直接路径,并利用预定函数K(在本实施例中,预定函数K为K=1*(相关血管间的距离))计算此直接路径的权值。
S103、计算带权图中其他各节点到根节点的最短路径。
根据血管图像中直径最粗处的血管,用户在带权图中选择表示该血管的节点作为根节点,并计算其他各节点到根节点的最短路径。
S104、对最短路径上的节点表示的血管进行连接以生成血管树图像。
沿着最短路径对此路径上的节点所表示的血管进行连接,删除未被连接的血管,生成重建后的血管树图像。
实施例二
如图2a所示,在本发明的第二个实施例中,利用区域生长算法对经过多尺度脉管增强算法分割后的血管图像进行预处理,基于预处理后的血管图像生成带权图,计算带权图中其他各节点到根节点的最短路径,根据最短路径对此路径上的节点表示的血管进行连接,得到重建后的血管树图像。
S201、在经过多尺度脉冲增强算法分割后的血管图像中选取种子点。
区域生长算法将种子点附近灰度值近似的区域连通起来。这是一个迭代的过程,基于每个种子点像素进行迭代生长。
在本实施例中,首先经过多尺度脉管增强算法对血管进行分割,然后在分割后的血管图像中选取种子点,方法如下:在上文提到的Frangi滤波器中,f(δ)即为相应像素的灰度值。对于属于血管的像素,其f(δ)的值较大。计算f(δ)的直方图(灰度直方图是指:在数字图像中,对于每一个灰度值统计出具有该灰度值的像素数),并找到80%分位数X,即在x坐标轴上找到X,使直方图中f(δ)位于小于X的区域的面积为80%,将所有大于X的点选取为种子点。
S202、根据种子点的灰度值计算用于区域生长的预定灰度值范围。
假定种子点s的灰度值为T,则选取T*(1-10%)到T*(1+10%)之间的灰度值作为围绕种子点s进行区域生长的预定灰度值范围。
S203、如果种子点周围不存在位于预定灰度值范围的相邻点,则转到步骤S205,否则转到步骤S204。
如图2b所示,对于每个种子点s(图2b中间深色的点),在其周围都会环绕八个相邻点(图2b中环绕四周的浅色的点),在种子点s的八个相邻点中,选取位于预定灰度值范围的点用于区域生长。
如果种子点周围不存在位于预定灰度值范围的相邻点,则利用区域生长算法进行预处理的过程结束,转到步骤S205继续后续其他步骤;否则转到步骤S204。
S204、将种子点与位于预定灰度值范围内的点进行区域生长,并将这些点作为新的种子点。
将种子点s与位于预定灰度值范围内的点连通(即进行区域生长)。对于从步骤S201中选取的所有种子点,都进行上述区域生长过程,从而在血管图像中逐步扩大种子点所属血管的连通区域。
将位于预定灰度值范围内的点作为新的种子点,然后转到步骤S202继续进行新一轮的区域生长过程。
S205、根据区域生长算法预处理后的血管图像生成带权图。
在经过区域生长算法预处理后的血管图像中对所有的血管进行如下处理:将每一个连通的血管部分表示为带权图中的节点;计算各连通的血管部分间的距离,在分别表示不同连通的血管部分的两个节点之间添加直接路径,并利用预定函数K(在本实施例中,预定函数K为K=1*(相应连通的血管部分之间的距离))计算此直接路径的权值。这样,就生成了与经过区域生长算法预处理后的血管图像对应的带权图。
S206、在带权图中计算其他各点到指定节点的最短路径。
根据血管图像中直径最粗处的血管,用户在带权图中选择表示该血管的节点作为根节点(即指定节点),并计算其他各节点到根节点的最短路径。
S207、对最短路径上的节点表示的血管进行连接以生成血管树图像。
沿着最短路径对此路径上的节点所表示的血管进行连接,删除未被连接的血管,生成重建后的血管树图像。
实施例三
如图3a所示,在本发明的第三个实施例中,首先利用区域生长算法对经过多尺度脉管增强算法分割后的血管图像进行第一预处理,然后再利用定向拓展对经过第一预处理后的血管图像进行第二预处理,在此基础上生成带权图,计算带权图中其他各节点到根节点的最短路径,根据最短路径对此路径上的节点表示的血管进行连接,得到重建后的血管树图像。
S301、对经过多尺度脉管增强算法分割后的血管图像利用区域生长算法进行第一预处理。
多尺度脉管增强算法的原理请见本发明实施例一步骤S101中的描述,在利用该算法对血管图像进行分割时,对三维空间中的像素点的灰度值函数与高斯函数的卷积使用泰勒级数展开,基于此泰勒级数进行二阶导数运算,并表示为海森(Hessian)矩阵的形式。求出这个海森矩阵的三个特征值λ1、λ2、λ3,且|λ1|≤|λ2|≤|λ3|。
利用区域生长算法进行第一预处理的过程如下:在利用多尺度脉管增强算法分割后的血管图像中选取种子点,在种子点相邻的点中选取位于预定灰度值范围内的点进行区域生长,并将选取的这些点作为下一轮区域生长的种子点;对于选取的所有种子点,都进行上述的区域生长过程,从而在血管图像中逐步扩大种子点所属血管的连通区域;基于新的种子点通过反复迭代选取位于预定灰度值范围内的点进行区域生长,并将每次选取的这些点作为迭代过程中下一轮区域生长的种子点,直到被选中的种子点周围不存在位于预定灰度值范围的相邻点为止。
S302、确定血管中心线的方向。
在实际应用过程中,经过区域生长算法进行第一预处理后,很多的血管分支是不连续的,但是大部分断开的血管比较细小,并且分离程度不是很大,因此,首先利用定向拓展算法尝试对这些血管进行连接。
将在多尺度脉管增强算法中得到的海森矩阵的绝对值最小的特征值λ1对应的特征向量所代表的方向作为血管中心线的方向。
S303、将经过区域生长算法进行第一预处理后的所有血管沿着血管中心线的方向进行定向拓展。
图3b为定向拓展算法原理的示意图:图中的箭头方向即为血管中心线的方向,左下角标号为1的白色连通区域和右上角标号为2的白色连通区域表示两根十分接近但仍断开的血管,将这两者分别沿着各自的血管中心线进行定向拓展,它们相交于图3b中标号为3的白色点。在实际应用中,通常将每个血管在各自的血管中心线上定向拓展3mm,如果某两个血管能够相交,则这两个断开的血管通过定向拓展成功地连接起来,在后续步骤中无需再对它们进行连接;对于经过定向拓展后没有相交的血管,将在后续的步骤中继续对它们进行连接尝试。
S304、根据经定向拓展算法进行第二预处理后的血管图像生成带权图。
在对血管图像进行预处理后,仍然有很多血管是断开的。按照以下方法构造带权图:将每一个已连通的血管部分抽象为一个节点,在表示相关血管的两个节点之间添加直接路径,并利用预定函数K(在本实施例中,预定函数K为K=1*(相关血管间的距离))计算此直接路径的权值。
S305、计算带权图中其他各节点到根节点的最短路径。
根据血管图像中直径最粗处的血管,用户在带权图中选择表示该血管的节点作为根节点,并计算其他各节点到根节点的最短路径。
S306、对最短路径上的节点表示的血管进行连接以生成血管树图像。
沿着最短路径对此路径上的节点所表示的血管进行连接,删除未被连接的血管,生成重建后的血管树图像。
图3c是经第一预处理后的血管图像在利用定向拓展算法进行第二预处理之前的效果图,图3d是图3c中的血管图像在利用定向拓展算法进行第二预处理之后的效果图,可以看到,经过定向拓展后,很多原本断开的细小血管已连接在一起。
实施例四
在本发明的第四个实施例中,首先对经过多尺度脉管增强算法分割后的血管图像进行预处理,在此基础上利用二值图像的细化技术获取各血管中心线,根据血管中心线上的点确定各血管的代表端点,利用预定函数计算各血管之间的距离,然后根据各血管的代表端点以及各血管间的距离生成带权图,计算带权图中其他各节点到根节点的最短路径,基于最短路径对仍断开的血管进行连接,得到重建后的血管树图像。
S401、对经过多尺度脉管增强算法分割后的血管图像进行预处理。
对经过分割后的血管图像利用区域生长算法和定向拓展算法进行预处理,将灰度值近似的区域连通起来,同时对分离程度不大的细小血管进行初次连接尝试。
S402、利用二值图像的细化技术提取血管中心线。
由于在预处理过程中使用了区域生长算法,在经过预处理后的血管图像中可以得到属于血管的区域。二值图像细化技术(thinning)定义血管上(包括血管内部)的像素的值为1,血管外部的像素的值为0。经过层层迭代运算,重复删除图像边缘的像素,最终得到单像素宽的骨架。二值图像的细化技术有很多种算法,在本实施例中,使用Zhang并行快速细化算法,最终将删除所有值为0的像素即非血管中心线上的像素,仅保留值为1的像素即血管中心线上的像素,从而提取出血管中心线。
S403、基于血管中心线上的点确定血管的代表端点。
在血管图像中,只有血管中心线上的点(即像素)灰度值才不为0,这些点的灰度值等于该点处血管的半径。对所有血管中心线上的点进行判断,如果该点只有一个相邻的灰度值不为0的点,则将这样的点视为血管的端点。如图4b所示:在该图中,中间三个深色的方格表示位于血管中心线上的点,灰度值均大于0;围绕在三个深色方格周围的其他浅色方格表示位于非血管中心线上的点。对于每个血管中心线上的点,在其周围都会环绕八个相邻点,如果血管中心线上某一点周围的八个相邻点中有两个灰度不为零的点,那么此点为血管中心线上的非端点(例如图4b中第二行中间的深色方格表示的点),如果血管中心线上某一点周围的八个相邻点中只有一个灰度不为零的点,那么此点为血管中心线上的端点(例如:图4b中第二行最左面的深色方格表示的点,以及第二行最右面的深色方格表示的点),可以用此点表示该血管的一个端点。在血管的两个端点中任选一个端点作为该血管的代表端点。
S404、根据各血管的代表端点利用预定函数计算各血管之间的距离。
在血管图像中,每个像素的损耗由预定函数Q决定。定义血管内部的损耗为0,所以两个血管之间的距离(又称损耗)为这两个血管分别对应的代表端点(即该血管的任一端点)之间的所有像素的损耗之和。对于不同的应用需求可以选取不同的预定函数Q。在本实施例中,预定函数Q的表示为:
当I≥m+s时,Q(I)=0;
当I≤m-s时,Q(I)=1;
当m-s<I<m+s时,Q(I)=(m+s-I)/2s;
其中,I为血管图像中像素的灰度值,m为整张血管图像的灰度值的平均值,s为灰度值I的标准差。如图4c所示,每个像素的损耗都是0到1之间的值。根据预定函数Q能够计算血管图像中每个像素的损耗,进而计算出两个血管之间的距离。
S405、根据各血管的代表端点以及各血管之间的距离生成带权图。
由于已将每一个血管及已经与其连通的部分表示为此血管的代表端点,在根据血管图像构成带权图时,可以将第一血管的代表端点作为带权图中的第一节点,将第二血管的代表端点作为带权图中的第二节点,在第一节点和第二节点之间添加直接路径,并利用预定函数K计算此直接路径的权值,在本实施例中,预定函数K=1*(第一血管和第二血管之间的距离)。按照上述方法处理完血管图像中的所有血管后,就得到了由表示血管的节点和节点间具有权值的路径构成的带权图,该权值表示相应血管之间的距离。根据血管图像中直径最粗处的血管,用户在带权图中选择表示该血管的节点作为根节点(即指定节点)。
如图4d所示,在本实施例的带权图中,共有三个节点,即根节点、节点1和节点2。在初始状态时,节点1与根节点之间的直接路径的权值为4.7,节点2与根节点之间的直接路径的权值为7,节点1与节点2之间的直接路径的权值为8.1。
S406、计算带权图中其他各节点到指定节点的最短路径。
利用最短路径搜索算法(如Bellman-Ford算法、Floyd-Warshall算法等)计算其他各节点到根节点的最短路径。如图4e所示,在本实施例中,经计算后得到的其他各节点与根节点的最短路径为:节点1与根节点之间的最短路径为从节点1到根节点之间的直接路径,其权值为4.7;节点2与根节点之间的最短路径为从节点2到根节点之间的直接路径,其权值为7。
S407、连接最短路径上的节点表示的血管,生成血管树图像。
沿着最短路径对此路径上的节点所表示的血管进行连接,删除未被连接的血管,生成重建后如图4f所示的血管树图像。
实施例五
如图5a所示,在本发明的第五个实施例中,首先对经过多尺度脉管增强算法分割后的血管图像进行预处理;然后计算各血管之间的距离;在生成带权图时,如果第一血管和第二血管之间的距离小于第一阈值,则在第一节点和第二节点之间添加以此距离为权值的直接路径;计算带权图中其他各节点与根节点间的最短路径;基于最短路径连接此路径上的节点表示的血管,得到重建后的血管树图像。
S501、对经过多尺度脉管增强算法分割后的血管图像进行预处理。
对经过分割后的血管图像利用区域生长算法和定向拓展算法进行预处理,将灰度值近似的区域连通起来,同时对分离程度不大的细小血管进行初次连接尝试。
S502、计算各血管之间的距离。
利用二值图像的细化技术提取血管中心线,基于血管中心线上的点确定血管的端点,选择该血管的任一端点作为该血管的代表端点。由于定义血管内部的损耗为0,所以两个血管之间的距离(又称损耗)为这两个血管分别对应的代表端点(即该血管的任一端点)之间的所有像素的损耗之和。对于不同的应用需求可以选取不同的预定函数Q。根据预定函数Q计算血管图像中每个像素的损耗,进而计算出两个血管之间的距离。
S503、如果第一血管和第二血管之间的距离小于第一阈值,则在第一节点和第二节点之间添加以此距离为权值的直接路径,构建带权图。
根据血管图像中直径最粗处的血管,用户在带权图中选择表示该血管的节点作为根节点。
如果第一血管和第二血管之间的距离小于第一阈值,则在第一节点和第二节点之间添加直接路径,利用预定函数K(在本实施例中,预定函数K为K=1*(第一血管和第二血管之间的距离))计算此直接路径的权值;否则,在带权图中不添加第一节点和第二节点之间的直接路径。通常,2≤第一阈值≤5,在本实施例中,第一阈值为5。
在本实施例中,举例来说,以下各节点对(但不局限于这些节点对)表示的两个血管之间的距离均大于第一阈值5:
节点2表示的血管2和节点11表示的血管11之间的距离为8.1;
节点4表示的血管4和节点8表示的血管8之间的距离为8.2;
节点8表示的血管8和根节点表示的直径最粗的血管之间的距离为7;
节点10表示的血管10和节点12表示的血管12之间的距离为9.2。
所以,如图5b所示,在最终生成的带权图中,相应节点对之间均不存在直接路径。
S504、计算带权图中其他各节点与根节点间的最短路径。
计算图5b所示带权图中其他各节点与根节点间的最短路径,最终其他各节点与根节点之间的最短路径如图5c中标有箭头的路径所示。
S505、根据最短路径对仍断开的血管进行连接,生成血管树图像。
沿着最短路径对此路径上的节点所表示的血管进行连接,删除未被连接的血管,生成重建后如图5d所示的血管树图像。
实施例六
如图6a所示,在本发明的第六个实施例中,首先对经过多尺度脉管增强算法分割后的血管图像进行预处理;计算各血管间的距离;在生成带权图时,如果第一血管和第二血管之间的距离小于第一阈值,则在第一节点和第二节点之间添加以此距离为权值的直接路径;利用Dijkstra算法计算带权图中其他各节点与根节点间的最短路径;基于最短路径对此路径上的节点表示的血管进行连接;在删除未被连接的血管后得到重建的血管树图像。
S601、对经过多尺度脉管增强算法分割后的血管图像进行预处理。
对经过分割后的血管图像利用区域生长算法和定向拓展算法进行预处理,将灰度值近似的区域连通起来,同时对分离程度不大的细小血管进行初次连接尝试。
S602、计算各血管之间的距离。
利用二值图像的细化技术提取血管中心线,基于血管中心线上的点确定血管的端点,选择该血管的任一端点作为该血管的代表端点。由于定义血管内部的损耗为0,所以两个血管之间的距离(又称损耗)为这两个血管分别对应的代表端点(即该血管的任一端点)之间的所有像素的损耗之和。对于不同的应用需求可以选取不同的预定函数Q。根据预定函数Q计算血管图像中每个像素的损耗,进而计算出两个血管之间的距离。
S603、如果第一血管和第二血管之间的距离小于第一阈值,则在第一节点和第二节点之间添加以此距离为权值的直接路径,构建带权图。
根据血管图像中直径最粗处的血管,用户在带权图中选择表示该血管的节点作为根节点。
如果第一血管和第二血管之间的距离小于第一阈值,则在第一节点和第二节点之间添加以此距离为权值的直接路径,利用预定函数K(在本实施例中,预定函数K为K=1*(第一血管和第二血管之间的距离))计算此直接路径的权值;否则,在带权图中不添加第一节点和第二节点之间的直接路径。在本实施例中,第一阈值为5。
在本实施例中,最终生成的带权图如图5b所示。
S604、利用Dijkstra算法计算带权图中其他各节点间与根节点的最短路径。
与如Bellman-Ford算法和Floyd-Warshall算法等其他搜索最短路径的算法相比,Dijkstra算法的效率更高,因此在本实施例中选用Dijkstra算法。
利用Dijkstra算法计算其他各节点与根节点间的最短路径的原理如下:
1.确定本轮计算的目标节点O,本轮计算的目的是搜索从节点O到根节点R之间的最短路径。
2.将节点O到其自身的距离定义为0,其他节点的当前值就是节点O与该节点之间路径的权值之和,也可以理解为从节点O到该节点的距离。将节点O到所有其他节点的初始距离都定义为无穷大。
3.将节点O定义为“正在工作的”节点W,将除了节点O以外的其他所有节点都定义为“未访问的”节点。
4.将从节点W到其多个相邻节点之间的多个距离值(此处的每一个距离值即为两个相应节点之间直接路径的权值)进行比较,记录这些距离值中的最小值v,找到与值v对应的节点W的相邻节点N,并将节点N的当前值更新为节点W的当前值与值v之和(即从目标节点O到节点N之间路径上的权值之和)。
5.将节点W定义为“已访问的”节点,所有“已访问的”节点都将不再被重新检测和计算。
6.将节点N作为下一个“正在工作的”节点W,重复步骤4和5,直到选取的节点W与根节点R之间存在直接路径(此时,节点W成为根节点R的相邻节点),此时,从本轮计算的目标节点O到根节点R之间的最短路径P已被找到,同时,位于此最短路径P上除了节点O之外的其他节点到根节点R之间的最短路径也已被找到。
7.在本轮计算的目标节点O的相邻节点中,过滤掉已找到其与根节点R之间最短路径的那些节点,在保留下来的节点中选择与节点O之间距离最短的节点作为下一轮计算的目标节点O,重复步骤3至7的计算过程,直到根节点R被标记为“已访问的”节点时为止,此时,对带权图中的每一个节点都已找到从其到根节点R之间的最短路径。
以图5b所示的带权图为例,利用Dijkstra算法计算其他各节点到根节点的最短路径的过程描述如下:
1.确定本轮计算的目标节点O为节点1,本轮计算的目的是搜索从节点1到根节点R之间的最短路径。
2.将节点1到其自身的距离定义为0,其他节点的当前值就是节点1与该节点之间路径的权值之和,也可以理解为从节点1到该节点的距离。将节点1到所有其他节点的初始距离都定义为无穷大。
3.将节点1定义为“正在工作的”节点W,将除了节点1以外的其他所有节点都定义为“未访问的”节点。
4.将从节点W到其多个相邻节点(当节点W为节点1时,相邻节点为节点2、节点3、节点4)之间的多个距离值进行比较可知,这多个距离值中的最小值v为2.2(当节点W为节点1时),节点3(当节点W为节点1时)即为与值v对应的节点W的相邻节点N,因此将节点N的当前值更新为节点W的当前值与值v之和(即当节点W为节点1时,将节点3的当前值更新为2.2:0+2.2=2.2)。
5.将节点W定义为“已访问的”节点,以后不再重新检测和计算节点1。
6.将节点3作为下一个“正在工作的”节点W,重复上述步骤4和5,直到将节点6选取为节点W时,节点6与根节点R间存在直接路径(此时,节点6成为根节点R的相邻节点),此时,从本轮计算的目标节点1到根节点R之间的最短路径P已被找到,同时,位于此最短路径P上除了节点1之外的其他节点(即节点3、节点6)到根节点R之间的最短路径也已被找到。从节点1到根节点R的最短路径如图6b中的标有箭头的路径所示。
7、在本轮计算的目标节点O的相邻节点中,过滤掉已找到其与根节点之间最短路径的那些节点,在保留下来的节点中选择与节点O之间距离最短的节点作为下一轮计算的目标节点O,(当节点O为节点1时,过滤掉节点3,因为节点1与节点2之间的距离为3.5,小于节点1与节点4之间的距离4,所以选取节点2作为下一轮计算的目标节点O),重复步骤3至7的计算过程,直到根节点R被标记为“已访问的”节点时为止,如图5c中标有箭头的路径所示,此时,对带权图中的每一个节点都已找到从其到根节点R之间的最短路径。
S605、根据最短路径对此路径上的节点表示的血管进行连接,生成血管树图像。
沿着最短路径对此路径上的节点所表示的血管进行连接,删除未被连接的血管,生成重建后如图5d所示的血管树图像。
实施例七
如图7a所示,在本发明的第七个实施例中,首先利用区域生长算法和定向拓展算法对经过多尺度脉管增强算法分割后的血管图像进行预处理;计算各血管间的距离;在生成带权图时,如果第一血管和第二血管之间的距离小于第一阈值,则在第一节点和第二节点之间添加以此距离为权值的直接路径;利用Dijkstra算法计算带权图中其他各节点与根节点间的最短路径;如果表示第三血管的节点与根节点之间在最短路径上的权值之和小于第二阈值,则通过半径为Ri的第五血管将第三血管与第四血管进行连接;在删除未被连接的血管后得到重建的血管树图像。
S701、利用区域生长算法对经过多尺度脉管增强算法分割后的血管图像进行第一预处理。
在利用多尺度脉管增强算法对血管图像进行分割后,利用区域生长算法进行第一预处理,过程如下:在利用多尺度脉管增强算法分割后的血管图像中选取种子点,在种子点相邻的点中选取灰度值位于预定范围内的点进行区域生长,并将选取的这些点作为下一轮区域生长的种子点;对于选取的所有种子点,都进行上述的区域生长过程,从而在血管图像中逐步扩大种子点所属血管图像的连通区域;基于新的种子点通过反复迭代选取灰度值位于预定范围内的点进行区域生长,并将每次选取的这些点作为迭代过程中下一轮区域生长的种子点,直到被选中的种子点周围不存在灰度值位于预定范围的相邻点为止。
S702、利用定向拓展算法对血管图像进行第二预处理。
利用定向拓展算法对血管图像进行第二预处理,过程如下:将在多尺度脉管增强算法中得到的海森矩阵的绝对值最小的特征值λ1对应的特征向量所代表的方向作为血管中心线的方向;将经过第一预处理后的所有血管沿着血管中心线的方向定向拓展3mm,如果某两个血管能够相交,则这两个断开的血管通过定向拓展成功地连接起来,在后续步骤中无需再对它们进行连接;对于经过定向拓展后没有相交的血管,将在后续的步骤中继续对它们进行连接尝试。
S703、计算各血管之间的距离。
利用二值图像的细化技术提取血管中心线,基于血管中心线上的点确定血管的端点,选择该血管的任一端点作为该血管的代表端点。由于定义血管内部的损耗为0,所以两个血管之间的距离(又称损耗)为这两个血管分别对应的代表端点(即该血管的任一端点)之间的所有像素的损耗之和。对于不同的应用需求可以选取不同的预定函数Q。根据预定函数Q计算血管图像中每个像素的损耗,进而计算出两个血管之间的距离。
S704、如果第一血管和第二血管之间的距离小于第一阈值,则在第一节点和第二节点之间添加以此距离为权值的直接路径,构建带权图。
根据血管图像中直径最粗处的血管,用户在带权图中选择表示该血管的节点作为根节点。
如果第一血管和第二血管之间的距离小于第一阈值,则在第一节点和第二节点之间添加直接路径,并利用预定函数K(在本实施例中,预定函数K为K=1*(第一血管和第二血管之间的距离))计算此直接路径的权值;否则,在带权图中不添加第一节点和第二节点之间的直接路径。在本实施例中,第一阈值为5。
在本实施例中,最终生成的带权图如图5b所示。
S705、利用Dijkstra算法计算带权图中其他各节点与根节点间的最短路径。
利用Dijkstra算法计算带权图中其他各节点与根节点间的最短路径,最终计算出的其他各节点与根节点之间的最短路径如图5c中标有箭头的路径所示。
S706、如果第三节点与根节点之间在最短路径上的权值之和小于第二阈值,则通过半径为Ri的第五血管将第三血管与第四血管进行连接,生成血管树图像。
第三血管的半径值和第四血管的半径值可以从CT图像中直接获取,但是在原始的CT图像中第三血管和第四血管之间是断开的,如果第三节点与根节点之间在最短路径上的权值之和小于第二阈值,则沿着最短路径通过半径为Ri的第五血管将第三血管与第四血管进行连接;否则不对第三血管和第四血管进行连接。
在本实施例中,第二阈值为20。如图5c所示,在带权图中,节点12和节点11均位于最短路径上,但是节点12与表示根节点之间的路径(节点12->节点11->节点10->节点7->节点9->根节点)上的权值之和为22.9(4.5+4.6+4.8+4.2+2.6+2.2=22.9),大于第二阈值20,所以,在最终生成的血管树图像中,不应将第三血管即血管12与第四血管即血管11相连接。
如图7b所示,将第三血管和第四血管断开处连接起来的第五血管在坐标为i处的半径Ri计算过程如下:
其中,为第三血管的半径,为第四血管的半径,且第三血管、第四血管和第五血管的横截面的圆心共线,i3、i4和i分别为上述三个圆心在所述共线坐标轴上的坐标,且i3<i<i4。
删除尚未被连接的血管,得到重建后的血管树图像。如图7c所示,在最终生成的血管树图像中,并没有将血管12与血管11相连接。
实施例八
如图8所示,本发明的实施例八提供了一种用于血管图像重建的装置,所述装置包括:
预处理模块810,用于对经过多尺度脉管增强算法分割后的血管图像进行预处理;
最短路径计算模块820,用于:
根据预处理后的血管图像生成包含表示各血管的各节点以及相关节点之间的路径的带权图,各路径具有表示相应血管之间的距离的权值;
计算所述带权图中其他各节点到指定节点的最短路径;
血管树图像生成模块830,用于沿着所述最短路径对由不同节点表示的不同血管进行连接,以得到重建后的血管树图像。
预处理模块810对经过多尺度脉管增强算法分割后的血管图像进行预处理;最短路径计算模块820根据预处理后的血管图像构建带权图,并计算带权图中其他各节点到指定节点的最短路径;血管树图像生成模块830对最短路径上的节点表示的血管进行连接,以生成血管树图像。
实施例九
如图8所示,本发明的实施例九提供了一种用于血管图像重建的装置,所述装置包括:
预处理模块810,用于利用区域生长算法对经过多尺度脉管增强算法分割后的血管图像进行第一预处理;
最短路径计算模块820,用于:
根据预处理后的血管图像生成包含表示各血管的各节点以及相关节点之间的路径的带权图,各路径具有表示相应血管之间的距离的权值;
计算所述带权图中其他各节点到指定节点的最短路径;
血管树图像生成模块830,用于沿着所述最短路径对所述最短路径上的节点表示的仍断开的血管进行连接,以得到重建后的血管树图像。
预处理模块810在经过多尺度脉冲增强算法分割后的血管图像中选取种子点,根据种子点的灰度值计算用于区域生长的预定灰度值范围,将种子点与位于预定灰度值范围内的点进行区域生长,并将这些点作为新的种子点反复迭代进行区域生长,直到种子点周围不存在位于预定灰度值范围的相邻点为止;最短路径计算模块820根据区域生长算法预处理后的血管图像生成带权图,在带权图中计算其他各点到指定节点的最短路径;血管树图像生成模块830对最短路径上的节点表示的血管进行连接,以生成血管树图像。
实施例十
如图8所示,本发明的实施例十提供了一种用于血管图像重建的装置,所述装置包括:
预处理模块810,用于:
利用区域生长算法对经过多尺度脉管增强算法分割后的血管图像进行第一预处理;
利用定向拓展算法对第一预处理后的血管图像进行第二预处理;
最短路径计算模块820,用于:
根据预处理后的血管图像生成包含表示各血管的各节点以及相关节点之间的路径的带权图,各路径具有表示相应血管之间的距离的权值;
计算所述带权图中其他各节点到指定节点的最短路径;
血管树图像生成模块830,用于沿着所述最短路径对所述最短路径上的节点表示的仍断开的血管进行连接,以得到重建后的血管树图像。
预处理模块810对经过多尺度脉管增强算法分割后的血管图像利用区域生长算法进行第一预处理,确定血管中心线的方向,将经过区域生长算法进行第一预处理后的所有血管沿着血管中心线的方向进行定向拓展;最短路径计算模块820根据经定向拓展算法进行第二预处理后的血管图像生成带权图,并计算带权图中其他各节点到根节点的最短路径;血管树图像生成模块830对最短路径上的节点表示的血管进行连接,以生成血管树图像。
实施例十一
如图8所示,本发明的实施例十一提供了一种用于血管图像重建的装置,所述装置包括:
预处理模块810,用于对经过多尺度脉管增强算法分割后的血管图像进行预处理;
最短路径计算模块820,用于:
提取预处理后的血管图像中的各血管中心线;
基于所述各血管中心线上的点确定各血管的代表端点;
根据各血管的代表端点利用预定函数计算各血管之间的距离;
根据各血管的代表端点以及各血管之间的距离,生成包含表示各血管的各节点以及相关节点之间的路径的带权图,各路径具有表示相应血管之间距离的权值;
计算所述带权图中其他各节点到指定节点的最短路径;
血管树图像生成模块830,用于沿着所述最短路径对所述最短路径上的节点表示的仍断开的血管进行连接,以得到重建后的血管树图像。
预处理模块810对经过多尺度脉管增强算法分割后的血管图像进行预处理;最短路径计算模块820利用二值图像的细化技术提取血管中心线,基于血管中心线上的点确定血管的代表端点,根据各血管的代表端点利用预定函数计算各血管之间的距离,以各血管的代表端点为节点,以相应节点间的路径为基础生成带权图,各路径的权值表示相应血管间的距离,并计算带权图中其他各节点到指定节点的最短路径;血管树图像生成模块830连接最短路径上的节点表示的血管,生成血管树图像。
实施例十二
如图8所示,本发明的实施例十二提供了一种用于血管图像重建的装置,所述装置包括:
预处理模块810,用于对经过多尺度脉管增强算法分割后的血管图像进行预处理;
最短路径计算模块820,用于:
提取预处理后的血管图像中的各血管中心线;
基于所述各血管中心线上的点确定各血管的代表端点;
根据各血管的代表端点利用预定函数计算各血管之间的距离;
如果第一血管与第二血管之间的距离小于第一阈值,则将第一血管的代表端点作为第一节点,将第二血管的代表端点作为第二节点,并在第一节点和第二节点之间添加具有表示所述距离的权值的直接路径,以生成包含表示各血管的各节点以及相关节点之间的路径的带权图,各路径具有表示相应血管之间的距离的权值;
计算所述带权图中其他各节点到指定节点的最短路径;
血管树图像生成模块830,用于沿着所述最短路径对所述最短路径上的节点表示的仍断开的血管进行连接,以得到重建后的血管树图像。
预处理模块810对经过多尺度脉管增强算法分割后的血管图像进行预处理;最短路径计算模块820计算各血管之间的距离,如果第一血管和第二血管之间的距离小于第一阈值,则在第一节点和第二节点之间添加直接路径,该直接路径具有表示所述距离的权值,从而生成带权图,计算带权图中其他各节点与根节点间的最短路径;血管树图像生成模块830根据最短路径对仍断开的血管进行连接,生成血管树图像。
实施例十三
如图8所示,本发明的实施例十三提供了一种用于血管图像重建的装置,所述装置包括:
预处理模块810,用于对经过多尺度脉管增强算法分割后的血管图像进行预处理;
最短路径计算模块820,用于:
提取预处理后的血管图像中的各血管中心线;
基于所述各血管中心线上的点确定各血管的代表端点;
根据各血管的代表端点利用预定函数计算各血管之间的距离;
如果第一血管与第二血管之间的距离小于第一阈值,则将第一血管的代表端点作为第一节点,将第二血管的代表端点作为第二节点,并在第一节点和第二节点之间添加直接路径,该路径具有表示所述距离的权值,以生成包含表示各血管的各节点以及相关节点之间的具有表示相应血管之间距离的权值的路径的带权图;
利用Dijkstra算法计算所述带权图中其他各节点到指定节点的最短路径;
血管树图像生成模块830,用于沿着所述最短路径对所述最短路径上的节点表示的血管进行连接,以得到重建后的血管树图像。
预处理模块810对经过多尺度脉管增强算法分割后的血管图像进行预处理;最短路径计算模块820计算各血管之间的距离,如果第一血管和第二血管之间的距离小于第一阈值,则在第一节点和第二节点之间添加直接路径,该路径具有表示所述距离的权值,构建带权图,利用Dijkstra算法计算带权图中其他各节点间与根节点的最短路径;血管树图像生成模块830根据最短路径对此路径上的节点表示的血管进行连接,生成血管树图像。
实施例十四
如图8所示,本发明的实施例十四提供了一种用于血管图像重建的装置,所述装置包括:
预处理模块810,用于:
利用区域生长算法对经过多尺度脉管增强算法分割后的血管图像进行第一预处理;
利用定向拓展算法对第一预处理后的血管图像进行第二预处理;
最短路径计算模块820,用于:
提取预处理后的血管图像中的各血管中心线;
基于所述各血管中心线上的点确定各血管的代表端点;
根据各血管的代表端点利用预定函数计算各血管之间的距离;
如果第一血管与第二血管之间的距离小于第一阈值,则将第一血管的代表端点作为第一节点,将第二血管的代表端点作为第二节点,并在第一节点和第二节点之间添加直接路径,该路径具有表示所述距离的权值,以生成包含表示各血管的各节点以及相关节点之间的路径的带权图;
利用Dijkstra算法计算所述带权图中其他各节点到指定节点的最短路径;
血管树图像生成模块830,用于:
如果第三节点与指定节点之间路径上的权值之和小于第二阈值,则沿着所述最短路径将第三血管与第四血管进行连接;
在对与指定节点之间路径上的权值之和小于第二阈值的所有节点表示的血管沿着所述最短路径完成连接后,删除未被连接的血管以得到重建后的血管树图像;
在沿着所述最短路径将第三血管与第四血管通过第五血管进行连接时,第五血管的半径Ri由如下公式确定:
其中,和分别为第三血管的半径和第四血管的半径,且第三血管、第四血管和第五血管的横截面的圆心共线,i3、i4和i分别为上述三个圆心在所述共线坐标轴上的坐标,且i3<i<i4。
预处理模块810利用区域生长算法对经过多尺度脉管增强算法分割后的血管图像进行第一预处理,利用定向拓展算法对血管图像进行第二预处理;最短路径计算模块820计算各血管之间的距离,如果第一血管和第二血管之间的距离小于第一阈值,则在第一节点和第二节点之间添加以此距离为权值的直接路径,构建带权图,利用Dijkstra算法计算带权图中其他各节点与根节点间的最短路径;如果第三节点与根节点之间在最短路径上的权值之和小于第二阈值,则血管树图像生成模块830通过半径为Ri的第五血管将第三血管与第四血管进行连接,生成血管树图像。
图9a是本发明中利用多尺度脉管增强算法直接获得的血管图像分割结果的效果图,图9b是图9a中的血管图像分割结果经过本发明提供的技术方案重建后获得的血管树图像的效果图,经对比可知,通过本发明提供的技术方案获得的血管图像重建后的血管树图像更加完整和准确。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (16)
1.一种血管图像重建方法,其特征在于,所述方法包括:
对经过多尺度脉管增强算法分割后的血管图像进行预处理;
根据预处理后的血管图像生成包含表示各血管的各节点以及相关节点之间的路径的带权图,各路径具有表示相应血管之间的距离的权值;
计算所述带权图中其他各节点到指定节点的最短路径;
沿着所述最短路径对由不同节点表示的不同血管进行连接,以得到重建后的血管树图像。
2.根据权利要求1所述的血管图像重建方法,其特征在于,所述对经过多尺度脉管增强算法分割后的血管图像进行预处理包括:利用区域生长算法对经过多尺度脉管增强算法分割后的血管图像进行第一预处理。
3.根据权利要求2所述的血管图像重建方法,其特征在于,所述对经过多尺度脉管增强算法分割后的血管图像进行预处理包括:利用定向拓展算法对第一预处理后的血管图像进行第二预处理。
4.根据权利要求1至3中任意一项所述的血管图像重建方法,其特征在于,所述根据预处理后的血管图像生成带权图包括:
提取预处理后的血管图像中的各血管中心线;
基于所述各血管中心线上的点确定各血管的代表端点;
根据各血管的代表端点利用预定函数计算各血管之间的距离;
根据各血管的代表端点以及各血管之间的距离,生成包含表示各血管的各节点以及相关节点之间的路径的带权图,各路径具有表示相应血管之间距离的权值。
5.根据权利要求4所述的血管图像重建方法,其特征在于,所述生成包含表示各血管的各节点以及相关节点之间的路径的带权图,各路径具有表示相应血管之间距离的权值为:
如果第一血管与第二血管之间的距离小于第一阈值,则将第一血管的代表端点作为第一节点,将第二血管的代表端点作为第二节点,并在第一节点和第二节点之间添加具有表示所述距离的权值的直接路径,以生成包含表示各血管的各节点以及相关节点之间的路径的带权图,各路径具有表示相应血管之间的距离的权值。
6.根据权利要求1所述的血管重建方法,其特征在于,所述计算所述带权图中其他各节点到指定节点的最短路径为:利用Dijkstra算法计算所述带权图中其他各节点到指定节点的最短路径。
7.根据权利要求1所述的血管图像重建方法,其特征在于,所述沿着所述最短路径对由不同节点表示的不同血管进行连接,以得到重建后的血管树图像包括:
如果第三节点与指定节点之间路径上的权值之和小于第二阈值,则沿着所述最短路径将第三血管与第四血管进行连接;
在对与指定节点之间路径上的权值之和小于第二阈值的所有节点表示的血管沿着所述最短路径完成连接后,删除未被连接的血管以得到重建后的血管树图像。
8.根据权利要求1所述的血管图像重建方法,其特征在于,所述沿着所述最短路径对由不同节点表示的不同血管进行连接,以得到重建后的血管树图像包括:
沿着所述最短路径将第三血管与第四血管通过第五血管进行连接,第五血管的半径Ri由如下公式确定:
其中,和分别为第三血管的半径和第四血管的半径,且第三血管、第四血管和第五血管的横截面的圆心共线,i3、i4和i分别为上述三个圆心在所述共线坐标轴上的坐标,且i3<i<i4。
9.一种血管图像重建装置,其特征在于,所述装置包括:
预处理模块,用于对经过多尺度脉管增强算法分割后的血管图像进行预处理;
最短路径计算模块,用于:
根据预处理后的血管图像生成包含表示各血管的各节点以及相关节点之间的路径的带权图,各路径具有表示相应血管之间的距离的权值;
计算所述带权图中其他各节点到指定节点的最短路径;
血管树图像生成模块,用于沿着所述最短路径对由不同节点表示的不同血管进行连接,以得到重建后的血管树图像。
10.根据权利要求9所述的血管图像重建装置,其特征在于,所述预处理模块用于:利用区域生长算法对经过多尺度脉管增强算法分割后的血管图像进行第一预处理。
11.根据权利要求10所述的血管图像重建装置,其特征在于,所述预处理模块还用于:利用定向拓展算法对第一预处理后的血管图像进行第二预处理。
12.根据权利要求9至11中任意一项所述的血管图像重建装置,其特征在于,所述最短路径计算模块用于:
提取预处理后的血管图像中的各血管中心线;
基于所述各血管中心线上的点确定各血管的代表端点;
根据各血管的代表端点利用预定函数计算各血管之间的距离;
根据各血管的代表端点以及各血管之间的距离,生成包含表示各血管的各节点以及相关节点之间的路径的带权图,各路径具有表示相应血管之间距离的权值。
13.根据权利要求12所述的血管图像重建装置,其特征在于,如果第一血管与第二血管之间的距离小于第一阈值,则所述最短路径计算模块将第一血管的代表端点作为第一节点,将第二血管的代表端点作为第二节点,并在第一节点和第二节点之间添加具有表示所述距离的权值的直接路径,以生成包含表示各血管的各节点以及相关节点之间的路径的带权图,各路径具有表示相应血管之间的距离的权值。
14.根据权利要求9所述的血管图像重建装置,其特征在于,所述最短路径计算模块利用Dijkstra算法计算所述带权图中其他各节点到指定节点的最短路径。
15.根据权利要求9所述的血管图像重建装置,其特征在于,如果第三节点与指定节点之间路径上的权值之和小于第二阈值,则所述血管树生成模块用于:
沿着所述最短路径将第三血管与第四血管进行连接;
在对与指定节点之间路径上的权值之和小于第二阈值的所有节点表示的血管沿着所述最短路径完成连接后,删除未被连接的血管以得到重建后的血管树图像。
16.根据权利要求9所述的血管图像重建装置,其特征在于,在沿着所述最短路径对所述最短路径上的节点表示的仍断开的血管进行连接,以得到重建后的血管树图像时,所述血管树生成模块用于:沿着所述最短路径将第三血管与第四血管通过第五血管进行连接,第五血管的半径Ri由如下公式确定:
其中,和分别为第三血管的半径和第四血管的半径,且第三血管、第四血管和第五血管的横截面的圆心共线,i3、i4和i分别为上述三个圆心在所述共线坐标轴上的坐标,且i3<i<i4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710079854.7A CN108428210B (zh) | 2017-02-15 | 2017-02-15 | 血管图像重建方法和重建装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710079854.7A CN108428210B (zh) | 2017-02-15 | 2017-02-15 | 血管图像重建方法和重建装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108428210A true CN108428210A (zh) | 2018-08-21 |
CN108428210B CN108428210B (zh) | 2021-11-16 |
Family
ID=63155160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710079854.7A Expired - Fee Related CN108428210B (zh) | 2017-02-15 | 2017-02-15 | 血管图像重建方法和重建装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108428210B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934913A (zh) * | 2019-03-19 | 2019-06-25 | 肖仁德 | 颅内动脉瘤虚拟介入支架植入方法、装置、计算机设备 |
CN110288572A (zh) * | 2019-06-13 | 2019-09-27 | 北京理工大学 | 血管中心线自动提取方法及装置 |
CN111539917A (zh) * | 2020-04-09 | 2020-08-14 | 北京深睿博联科技有限责任公司 | 一种基于粗细粒度融合的血管分割方法、***、终端及存储介质 |
CN111862304A (zh) * | 2020-06-30 | 2020-10-30 | 西安增材制造国家研究院有限公司 | 基于骨架引导的分割下腔静脉和腹主动脉的方法及装置 |
CN113160189A (zh) * | 2021-04-27 | 2021-07-23 | 中国科学院深圳先进技术研究院 | 血管中心线提取方法、装置、设备及存储介质 |
CN113658104A (zh) * | 2021-07-21 | 2021-11-16 | 南方科技大学 | 血管图像处理方法、电子设备及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101422352A (zh) * | 2008-12-10 | 2009-05-06 | 华北电力大学(保定) | 一种交互式冠状动脉虚拟血管镜的实现方法 |
CN103679801A (zh) * | 2013-12-01 | 2014-03-26 | 北京航空航天大学 | 一种基于多视角x光片的心血管三维重建方法 |
US20170018116A1 (en) * | 2015-07-14 | 2017-01-19 | Siemens Medical Solutions Usa, Inc. | 3-d vessel tree surface reconstruction method |
-
2017
- 2017-02-15 CN CN201710079854.7A patent/CN108428210B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101422352A (zh) * | 2008-12-10 | 2009-05-06 | 华北电力大学(保定) | 一种交互式冠状动脉虚拟血管镜的实现方法 |
CN103679801A (zh) * | 2013-12-01 | 2014-03-26 | 北京航空航天大学 | 一种基于多视角x光片的心血管三维重建方法 |
US20170018116A1 (en) * | 2015-07-14 | 2017-01-19 | Siemens Medical Solutions Usa, Inc. | 3-d vessel tree surface reconstruction method |
Non-Patent Citations (1)
Title |
---|
LI CHEN,ET AL: "Retinal image registration using topological vascular treesegmentation and bifurcation structures", 《BIOMEDICAL SIGNAL PROCESSING AND CONTROL》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934913A (zh) * | 2019-03-19 | 2019-06-25 | 肖仁德 | 颅内动脉瘤虚拟介入支架植入方法、装置、计算机设备 |
CN110288572A (zh) * | 2019-06-13 | 2019-09-27 | 北京理工大学 | 血管中心线自动提取方法及装置 |
CN110288572B (zh) * | 2019-06-13 | 2021-09-21 | 北京理工大学 | 血管中心线自动提取方法及装置 |
CN111539917A (zh) * | 2020-04-09 | 2020-08-14 | 北京深睿博联科技有限责任公司 | 一种基于粗细粒度融合的血管分割方法、***、终端及存储介质 |
CN111539917B (zh) * | 2020-04-09 | 2023-08-25 | 北京深睿博联科技有限责任公司 | 一种基于粗细粒度融合的血管分割方法、***、终端及存储介质 |
CN111862304A (zh) * | 2020-06-30 | 2020-10-30 | 西安增材制造国家研究院有限公司 | 基于骨架引导的分割下腔静脉和腹主动脉的方法及装置 |
CN111862304B (zh) * | 2020-06-30 | 2023-09-05 | 西安增材制造国家研究院有限公司 | 基于骨架引导的分割下腔静脉和腹主动脉的方法及装置 |
CN113160189A (zh) * | 2021-04-27 | 2021-07-23 | 中国科学院深圳先进技术研究院 | 血管中心线提取方法、装置、设备及存储介质 |
CN113658104A (zh) * | 2021-07-21 | 2021-11-16 | 南方科技大学 | 血管图像处理方法、电子设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108428210B (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108428210A (zh) | 血管图像重建方法和重建装置 | |
KR101979418B1 (ko) | 3-차원 텍스처링된 메시들의 견고한 병합 | |
Wang et al. | Converting an unstructured quadrilateral mesh to a standard T-spline surface | |
Hamarneh et al. | 3D live-wire-based semi-automatic segmentation of medical images | |
Najman et al. | A graph-based mathematical morphology reader | |
CN116051580A (zh) | 一种血管分离方法及*** | |
Mansilla et al. | Oriented image foresting transform segmentation: Connectivity constraints with adjustable width | |
CN101551862B (zh) | 基于边界距离场的血管中心路径提取方法 | |
CN108961273B (zh) | 一种从ct影像中分割肺动脉和肺静脉的方法及*** | |
Price et al. | Object-based vectorization for interactive image editing | |
WO2009020630A2 (en) | System and method for robust segmentation of tubular structures in 2d and 3d images | |
CN109886973B (zh) | 一种血管提取方法、装置及计算机可读存储介质 | |
Kitrungrotsakul et al. | Liver segmentation using superpixel-based graph cuts and restricted regions of shape constrains | |
CN113160189A (zh) | 血管中心线提取方法、装置、设备及存储介质 | |
CN109948575A (zh) | 超声图像中眼球区域分割方法 | |
US9072494B2 (en) | Generation of visual command data | |
Wang et al. | Coronary artery segmentation and skeletonization based on competing fuzzy connectedness tree | |
Bajaj et al. | Tetrahedral meshes from planar cross-sections | |
JP7187680B2 (ja) | 線構造抽出装置及び方法、プログラム並びに学習済みモデル | |
WO2015181604A1 (en) | A computer implemented method for identifying channels from representative data in a 3d volume and a computer program product implementing the method | |
Chen et al. | A thinning-based liver vessel skeletonization method | |
Vihrovs et al. | An inverse distance-based potential field function for overlapping point set visualization | |
Wang et al. | Generation of unit-width curve skeletons based on valence driven spatial median (VDSM) | |
Szymczak et al. | Coronary vessel cores from 3D imagery: a topological approach | |
Kao et al. | Incremental construction and dynamic maintenance of constrained Delaunay triangulations |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211116 |