CN110111354A - 肝脏医学图像动脉区域分割方法及*** - Google Patents
肝脏医学图像动脉区域分割方法及*** Download PDFInfo
- Publication number
- CN110111354A CN110111354A CN201910241626.4A CN201910241626A CN110111354A CN 110111354 A CN110111354 A CN 110111354A CN 201910241626 A CN201910241626 A CN 201910241626A CN 110111354 A CN110111354 A CN 110111354A
- Authority
- CN
- China
- Prior art keywords
- liver
- vessel
- seed point
- image
- module
- 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.)
- Pending
Links
- 210000004185 liver Anatomy 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 50
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 51
- 210000001367 artery Anatomy 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 230000002792 vascular Effects 0.000 claims abstract description 14
- 230000002440 hepatic effect Effects 0.000 claims abstract description 9
- 230000000717 retained effect Effects 0.000 claims abstract description 6
- 238000012790 confirmation Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 16
- 230000002708 enhancing effect Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 239000000523 sample Substances 0.000 claims description 11
- 238000009877 rendering Methods 0.000 claims description 9
- 238000003706 image smoothing Methods 0.000 claims description 6
- 239000008280 blood Substances 0.000 claims description 5
- 210000004369 blood Anatomy 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims 1
- 210000004351 coronary vessel Anatomy 0.000 description 7
- 241000415078 Anemone hepatica Species 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 210000000709 aorta Anatomy 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012742 biochemical analysis Methods 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000014616 translation Effects 0.000 description 1
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种肝脏医学图像动脉区域分割方法及***,该方法包括:去除肝脏CT图像上的肌肉组织及肝组织;选取肝脏血管轮廓上的数据空间作为运行区域;计算运行区域中每个点的Hessian矩阵函数数值,获得函数数值集合,在函数数值集合中选择指定步长提取种子点;计算获得的每个种子点的法曲率,设定种子点的两个主曲率,参考已设定的两个主曲率的参数范围,保留主曲率属于参数范围内的种子点;追踪保留的种子点,获得血管的中心线,比较垂直于拓扑细化法的追踪方向的像素的灰度值,设定血管边界的灰度值得到血管边界;以及确定血管数目、血管半径,根据血管半径设定血管的长轴和短轴,以椭圆来描绘血管截面形状建模,获取肝脏动脉分割图像。
Description
技术领域
本发明涉及一种医学影像处理***,特别涉及一种肝脏医学图像的处理***。
背景技术
通常,肝病患者进行外科手术需要术前采集肝脏CT造影图像,显示出肝脏动脉的解剖结构,定位病灶供血的肝脏动脉,尽量减小手术对肝脏组织的影响。目前,动脉区域的分割是根据医生临床以及肉眼观察判断进行估计,往往由于不够准确而影响手术效果或造成手术失败。因此,医疗领域一直都在努力研发一种能够自动分割肝脏动脉区域的***。
如中国专利申请201510313660.X号公开的一种基于CT图像的肝动脉分割方法,其包括:载入肝动脉CT图像数据和对应的肝掩模数据,并定位动脉种子点;对CT图像数据进行分割,分别得到包含脊椎骨及其相连肋骨和肝动脉的第一二值体数据以及分别得到包含脊椎骨及其相连肋骨和肝动脉的第二二值体数据;在第二二值体数据中剔除与第一二值体数据中相同的部分,获得第三二值体数据;利用干动脉种子点在第三二值体数据上进行三维区域增长,得到肝动脉分割结果。然而,该分割方法对于分割区域中存在血管交叉或与其他组织附着的情况缺乏精细处理,导致获得的肝动脉分割图像精确度较低,不利于病灶识别。
又如中国专利申请201410132571.0号公开的一种冠状动脉分割方法及装置,包括如下步骤:(1)确定原始图像中主动脉的位置,并对原始图像进行增强滤波,得到增强滤波图像;(2)根据主动脉位置、原始图像以及增强滤波图像的灰度,得到左、右冠脉的起始区域;(3)基于至少一项预设分割阈值分割增强率波图像,获取预设阈值对应的候选区域,并根据该候选区域和左、右冠脉的起始区域,确定左、右冠脉的候选区域;(4)根据主动脉和左、右动脉候选区域的位置关系,分别对左、右冠脉候选区域进行筛选,筛选后和起始区域进行连接,得到左、右冠脉。然而,该方法分割得到的冠状动脉存在血管交叉或与其他组织附着的问题。
因此,提供一种能够快速高效准确的在肝脏医学图像中分割肝脏动脉血管的肝脏医学图像动脉区域分割方法及***法成为业内急需解决的问题
发明内容
本发明的目的是提供一种肝脏医学图像动脉区域分割方法及***,该方法快速高效,解决了血管交叉或与其他组织附着的问题,分割处理后得到的肝脏动脉分割图像精确度高。
为了实现上述目的,本发明一个方面提供了一种肝脏医学图像动脉区域分割方法,包括:(1)去除肝脏CT图像上的肌肉组织及肝组织,露出肝脏血管轮廓;(2)选取肝脏血管轮廓上的距离最远的呈对角线的两点,以选中的两点为对角线建立长方体,以长方体所包含的数据空间作为运行区域;(3)通过Hessian矩阵函数计算运行区域中每个点的Hessian矩阵函数数值,获得函数数值集合,在函数数值集合中选择指定步长提取种子点,其中,指定步长设定为小于5个体素;(4)计算步骤(3)中获得的每个种子点的法曲率,将法曲率的最大值和最小值设定为种子点的两个主曲率,参考已设定的两个主曲率的参数范围,剔除主曲率不属于参数范围内的种子点,以剔除肝脏血管轮廓中的非管状组织,保留主曲率属于参数范围内的种子点;(5)基于拓扑细化法追踪步骤(4)保留的种子点,获得血管的中心线,比较垂直于拓扑细化法的追踪方向的像素的灰度值,设定血管边界的灰度值得到血管边界;以及(6)确定血管数目,根据中心线到血管边界的距离测算血管半径,根据血管半径设定血管的长轴和短轴,以椭圆来描绘血管截面形状建模,获取肝脏动脉分割图像。
可选择地,步骤(5)中,两个主曲率的商值均为0。
可选择地,该方法进一步包括步骤(1)之前,对肝脏CT图像进行增强处理。
其中,Hessian矩阵,通常称为黑塞矩阵,又译作海森矩阵、海瑟矩阵、海塞矩阵等,是一个多元函数的二阶偏导数构成的方阵,描述了函数的局部曲率。黑塞矩阵最早于19世纪由德国数学家Ludwig Otto Hesse提出,并以其名字命名。在工程实际问题的优化设计中,常常将目标函数在某点邻域展开成泰勒多项式来逼近原函数,此时函数在某点泰勒展开式的矩阵形式中会涉及到黑塞矩阵。
本发明的另一个方面在于提供一种肝脏医学图像动脉区域分割***,包括:数据读取模块,其用于读取肝脏CT图像;运行区域划分模块,其与数据读取模块通信连接,用于在肝脏CT图像上选择距离最远的呈对角线的两点,以选中的两点为对角线建立长方体,以长方体中所包含的数据空间作为运行区域;函数计算模块,其与运行区域划分模块通信连接,用于通过Hessian矩阵函数计算运行区域中每个点的Hessian矩阵函数数值,获得函数数值集合,在函数数值集合中选择指定步长提取种子点,其中,指定步长设定为小于5个体素;种子点确认模块,其与函数计算模块通信连接,用于计算函数计算模块获得的每个种子点的法曲率,将法曲率的最大值和最小值设定为种子点的两个主曲率,以这两个主曲率为上下限设定参数范围,剔除主曲率不属于参数范围内的种子点,保留主曲率属于参数范围内的种子点;中心线提取模块,其与种子点确认模块通信连接,用于基于拓扑细化法追踪种子点确认模块保留的种子点,获得血管的中心线,比较垂直于拓扑细化法的追踪方向的像素的灰度值,设定血管边界的灰度值得到血管边界;以及三维绘制模块,其与中心线提取模块通信连接,用于在确定血管数目后,根据中心线到血管边界的距离测算血管半径,根据血管半径设定血管的长轴和短轴,以椭圆来描绘血管截面形状建模。
可选择地,进一步包括与数据读取模块及运行区域划分模块通信连接的图像预处理模块,图像预处理模块包括通信连接的图像平滑单元和图像增强单元,其中,图像平滑单元用于通过空域法在空间域中对每幅肝脏CT图像的像素灰度值直接进行运算处理,以滤除每幅肝脏CT图像中的噪声;图像增强单元用于尖锐化增强处理经过图像平滑处理单元处理后的每幅肝脏CT图像。
可选择地,种子点确认模块还用于计算动脉血管的形状指数。
可选择地,种子点确认模块包括通信连接的法曲率计算单元及种子点保留单元,其中,法曲率计算单元用于计算函数计算模块获得的每个种子点的法曲率,将法曲率的最大值和最小值设定为种子点的两个主曲率;种子点保留单元用于参考已设定的两个主曲率的参数范围,剔除主曲率不属于参数范围内的种子点,保留主曲率属于参数范围内的种子点。
可选择地,中心线提取模块包括通信连接的中心点探测单元以及血管边界探测单元,其中,中心点探测单元用于基于拓扑细化法追踪种子点确认模块保留的种子点,获得血管的中心线;血管边界探测单元用于比较垂直于拓扑细化法的追踪方向的像素的灰度值,设定血管边界的灰度值得到血管边界。
可选择地,三维绘制模块包括:通信连接的血管数目计算单元、血管半径测量单元、以及区域合并绘制单元,其中,血管数目计算单元用于对肝脏CT图像进行区域裁剪确定血管数目;血管半径测量单元用于根据中心线到血管边界的距离测算血管半径;区域合并绘制单元用于根据血管半径,设定血管的长轴和短轴,以椭圆来描绘血管截面形状建模。
可选择地,还包括与三维绘制模块通信连接的肝脏动脉数据库,其用于存储肝脏来源信息、对应肝脏的肝脏CT图像、以及对应的肝脏动脉分割图像。
可选择地,肝脏来源信息至少包含上传的对应肝脏CT图像的患病类型、患者性别、患者年龄、生活地区以及就诊医院等来源信息。
可选择地,肝脏来源信息还可以包含:患者生活习惯、生化检查信息、患者典型症状、体征、医学图像、影像诊断结果、治疗方案、不良反应及主治医师等。
可选择地,还包括与数据库通信连接的检索模块,其用于在肝脏动脉数据库中检索目标肝脏的肝脏CT图像及对应的肝脏动脉分割图像。
可选择地,函数计算模块设定的参数还可以包括:动脉血管高斯曲率、平均曲率以及弯曲度等相关参数。
可选择地,主曲率和形状指数都可以描述各类物体的不同形状,理想管状结构的两个主曲率的商值约为0,形状指数约等于0.75。血管的形状指数范围是0.65~0.8。
可选择地,主曲率的参数范围可为0.5~0.7。
可选择地,血管数目计算单元设定肝脏CT图像上每根血管有且只有一个亮区,即每根血管通过各切片只有一次,血管平稳的改变方向,所有血管在第一次切片开始,即没有新的神经血管出现在其余的切片。
本发明的有益效果是:(1)、本发明以中心线、长轴和短轴建立椭圆血管模型,由于各个血管不是均匀的,不同血管的不同部位半径不同,但是对于每根血管来说,半径的变化是连续的,避免将血管设定为圆形造成误差使获得的分割图像更接近真实血管;(2)、本发明除去肝脏CT图像中的非管状组织,三维绘制模块进一步确定动脉血管数目,避免因三维空间中血管发生附着或交叉导致提取到的中心线丢失影响分割准确度;(3)本发明的分割***通过函数计算模块设置血管参数,例如主曲率和形状指数等,可以刻画动脉血管曲面的波动、凹凸等微小形状变化。
附图说明
图1为本发明的肝脏医学图像动脉区域分割***的构造示意图。
图2为本发明的肝脏医学图像动脉区域分割方法的流程示意图。
具体实施方式
请参照图1,根据本发明的一种非限制性实施方式,提供了一种肝脏医学图像动脉区域分割***,包括:数据读取模块10、运行区域划分模块20、函数计算模块30、种子点确认模块40、中心线提取模块50、以及三维绘制模块60。
其中,数据读取模块10用于读取肝脏CT图像。
运行区域划分模块20用于在肝脏CT图像上选择距离最远的呈对角线的两点,以选中的两点为对角线建立长方体,以长方体中所包含的数据空间作为运行区域。
函数计算模块30用于通过Hessian矩阵函数计算运行区域中每个点的Hessian矩阵函数数值,获得函数数值集合,在函数数值集合中选择指定步长提取种子点,其中,指定步长设定为小于5个体素。
种子点确认模块40用于计算函数计算模块获得的每个种子点的法曲率,将法曲率的最大值和最小值设定为种子点的两个主曲率,参考已设定的两个主曲率的参数范围,剔除主曲率不属于参数范围内的种子点,保留主曲率属于参数范围内的种子点。
中心线提取模块50用于基于拓扑细化法追踪种子点确认模块保留的种子点,获得血管的中心线,比较垂直于拓扑细化法的追踪方向的像素的灰度值,设定血管边界的灰度值得到血管边界。
三维绘制模块60用于在确定血管数目后,根据中心线到血管边界的距离测算血管半径,根据血管半径设定血管的长轴和短轴,以椭圆来描绘血管截面形状建模。
作为一种可替代实施方式,还包括与数据读取模块10及运行区域划分模块20通信连接的图像预处理模块70,图像预处理模块70包括图像平滑单元710和图像增强单元720。其中,图像平滑单元710用于通过空域法在空间域中对每幅肝脏CT图像的像素灰度值直接进行运算处理,从而滤除每幅肝脏CT图像中的噪声。图像增强单元720用于尖锐化增强处理经过图像平滑处理单元处理后的每幅肝脏CT图像。
作为另一种可替代实施方式,种子点确认模块40包括通信连接的法曲率计算单元410及种子点保留单元420。其中,法曲率计算单元410用于计算函数计算模块获得的每个种子点的法曲率,将法曲率的最大值和最小值设定为种子点的两个主曲率。种子点保留单元420用于参考已设定的两个主曲率的参数范围,剔除主曲率不属于参数范围内的种子点,保留主曲率属于参数范围内的种子点。
中心线提取模块50包括中心点探测单元510以及血管边界探测单元520。其中,中心点探测单元510用于基于拓扑细化法追踪种子点确认模块保留的种子点,获得血管的中心线。血管边界探测单元520用于比较垂直于拓扑细化法的追踪方向的像素的灰度值,设定血管边界的灰度值得到血管边界。
三维绘制模块60包括血管数目计算单元610、血管半径测量单元620、以及区域合并绘制单元630。其中,血管数目计算单元610用于对肝脏CT图像进行区域裁剪确定血管数目。血管半径测量单元620用于根据中心线到血管边界的距离测算血管半径。区域合并绘制单元630用于根据血管半径,设定血管的长轴和短轴,以椭圆来描绘血管截面形状建模。
作为又一种可替代实施方式,肝脏医学图像动脉区域分割***还包括肝脏动脉数据库80及检索模块90。其中,肝脏动脉数据库80用于存储肝脏来源信息、对应肝脏的肝脏CT图像、以及对应的肝脏动脉分割图像。检索模块90用于在肝脏动脉数据库80中检索目标肝脏的肝脏CT图像及对应的肝脏动脉分割图像。
下面,结合图2,详细叙述本发明的肝脏医学图像动脉区域分割方法。如图2所示,首先,在步骤S1中,去除肝脏CT图像上的肌肉组织及肝组织,露出肝脏血管轮廓。接着,在步骤S2中,选取肝脏血管轮廓上的距离最远的呈对角线的两点,以选中的两点为对角线建立长方体,以长方体所包含的数据空间作为运行区域。然后,在步骤S3中,通过Hessian矩阵函数计算运行区域中每个点的Hessian矩阵函数数值,获得函数数值集合,在函数数值集合中选择指定步长提取种子点,其中,指定步长设定为小于5个体素。随后,在步骤S4中,计算步骤S3中获得的每个种子点的法曲率,将法曲率的最大值和最小值设定为种子点的两个主曲率,参考已设定的两个主曲率的参数范围,剔除主曲率不属于参数范围内的种子点,以剔除肝脏血管轮廓中的非管状组织,保留主曲率属于参数范围内的种子点;在步骤S5中,基于拓扑细化法追踪步骤S4保留的种子点,获得血管的中心线,比较垂直于拓扑细化法的追踪方向的像素的灰度值,设定血管边界的灰度值得到血管边界。最后,在步骤S6中,确定血管数目,根据中心线到血管边界的距离测算血管半径,根据血管半径设定血管的长轴和短轴,以椭圆来描绘血管截面形状建模。
尽管在此已详细描述本发明的优选实施方式,但要理解的是本发明并不局限于这里详细描述和示出的具体结构和步骤,在不偏离本发明的实质和范围的情况下可由本领域的技术人员实现其它的变型和变体。
Claims (10)
1.一种肝脏医学图像动脉区域分割方法,包括:
(1)去除肝脏CT图像上的肌肉组织及肝组织,露出肝脏血管轮廓;
(2)选取所述肝脏血管轮廓上的距离最远的呈对角线的两点,以选中的两点为对角线建立长方体,以长方体所包含的数据空间作为运行区域;
(3)通过Hessian矩阵函数计算运行区域中每个点的Hessian矩阵函数数值,获得函数数值集合,在所述函数数值集合中选择指定步长提取种子点,其中,所述指定步长设定为小于5个体素;
(4)计算步骤(3)中获得的每个所述种子点的法曲率,将所述法曲率的最大值和最小值设定为所述种子点的两个主曲率,参考已设定的两个主曲率的参数范围,剔除主曲率不属于所述参数范围内的种子点,以剔除所述肝脏血管轮廓中的非管状组织,保留主曲率属于所述参数范围内的种子点;
(5)基于拓扑细化法追踪步骤(4)保留的种子点,获得血管的中心线,比较垂直于所述拓扑细化法的追踪方向的像素的灰度值,设定血管边界的灰度值得到血管边界;以及
(6)确定血管数目,根据所述中心线到所述血管边界的距离测算血管半径,根据所述血管半径设定血管的长轴和短轴,以椭圆来描绘血管截面形状建模,获取肝脏动脉分割图像。
2.如权利要求1所述的肝脏医学图像动脉区域分割方法,其特征在于,进一步包括步骤(1)之前,对所述肝脏CT图像进行增强处理。
3.一种肝脏医学图像动脉区域分割***,其特征在于,包括:
数据读取模块,其用于读取肝脏CT图像;
运行区域划分模块,其与所述数据读取模块通信连接,用于在所述肝脏CT图像上选择距离最远的呈对角线的两点,以选中的两点为对角线建立长方体,以长方体中所包含的数据空间作为运行区域;
函数计算模块,其与所述运行区域划分模块通信连接,用于通过Hessian矩阵函数计算所述运行区域中每个点的Hessian矩阵函数数值,获得函数数值集合,在函数数值集合中选择指定步长提取种子点,其中,指定步长设定为小于5个体素;
种子点确认模块,其与所述函数计算模块通信连接,用于计算所述函数计算模块获得的每个种子点的法曲率,将法曲率的最大值和最小值设定为种子点的两个主曲率,参考已设定的两个主曲率的参数范围,剔除主曲率不属于参数范围内的种子点,保留主曲率属于参数范围内的种子点;
中心线提取模块,其与所述种子点确认模块通信连接,用于基于拓扑细化法追踪所述种子点确认模块保留的种子点,获得血管的中心线,比较垂直于拓扑细化法的追踪方向的像素的灰度值,设定血管边界的灰度值得到血管边界;以及
三维绘制模块,其与所述中心线提取模块通信连接,用于在确定血管数目后,根据所述中心线到所述血管边界的距离测算血管半径,根据所述血管半径设定血管的长轴和短轴,以椭圆来描绘血管截面形状建模。
4.如权利要求3所述的肝脏医学图像动脉区域分割***,其特征在于,进一步包括与所述数据读取模块及所述运行区域划分模块通信连接的图像预处理模块,所述图像预处理模块包括通信连接的图像平滑单元和图像增强单元,
其中,所述图像平滑单元用于通过空域法在空间域中对每幅肝脏CT图像的像素灰度值直接进行运算处理,以滤除每幅肝脏CT图像中的噪声;
所述图像增强单元用于尖锐化增强处理经过所述图像平滑处理单元处理后的每幅肝脏CT图像。
5.如权利要求3所述的肝脏医学图像动脉区域分割***,其特征在于,所述种子点确认模块还用于计算动脉血管的形状指数。
6.如权利要求3所述的肝脏医学图像动脉区域分割***,其特征在于,所述种子点确认模块包括通信连接的法曲率计算单元及种子点保留单元,
其中,所述法曲率计算单元用于计算所述函数计算模块获得的每个种子点的法曲率,将法曲率的最大值和最小值设定为种子点的两个主曲率;
所述种子点保留单元用于参考已设定的两个主曲率的参数范围,剔除主曲率不属于参数范围内的种子点,保留主曲率属于参数范围内的种子点。
7.如权利要求3所述的肝脏医学图像动脉区域分割***,其特征在于,中心线提取模块包括通信连接的中心点探测单元以及血管边界探测单元,
其中,所述中心点探测单元用于基于拓扑细化法追踪所述种子点确认模块保留的种子点,获得血管的中心线;
所述血管边界探测单元用于比较垂直于拓扑细化法的追踪方向的像素的灰度值,设定血管边界的灰度值得到血管边界。
8.如权利要求7所述的肝脏医学图像动脉区域分割***,其特征在于,所述三维绘制模块包括:通信连接的血管数目计算单元、血管半径测量单元、以及区域合并绘制单元,
其中,所述血管数目计算单元用于对肝脏CT图像进行区域裁剪确定血管数目;
所述血管半径测量单元用于根据所述中心线到所述血管边界的距离测算血管半径;
所述区域合并绘制单元用于根据所述血管半径,设定血管的长轴和短轴,以椭圆来描绘血管截面形状建模。
9.如权利要求3所述的肝脏医学图像动脉区域分割***,其特征在于,还包括与所述三维绘制模块通信连接的肝脏动脉数据库,其用于存储肝脏来源信息、对应肝脏的肝脏CT图像、以及对应的肝脏动脉分割图像。
10.如权利要求9所述的肝脏医学图像动脉区域分割***,其特征在于,还包括与所述数据库通信连接的检索模块,其用于在所述肝脏动脉数据库中检索目标肝脏的肝脏CT图像及对应的肝脏动脉分割图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910241626.4A CN110111354A (zh) | 2019-03-28 | 2019-03-28 | 肝脏医学图像动脉区域分割方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910241626.4A CN110111354A (zh) | 2019-03-28 | 2019-03-28 | 肝脏医学图像动脉区域分割方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110111354A true CN110111354A (zh) | 2019-08-09 |
Family
ID=67484698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910241626.4A Pending CN110111354A (zh) | 2019-03-28 | 2019-03-28 | 肝脏医学图像动脉区域分割方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110111354A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489005A (zh) * | 2020-11-26 | 2021-03-12 | 推想医疗科技股份有限公司 | 骨分割方法及装置、骨折检出方法及装置 |
CN112734785A (zh) * | 2021-01-28 | 2021-04-30 | 依未科技(北京)有限公司 | 亚像素级眼底血管边界确定的方法、装置、介质和设备 |
CN115359056A (zh) * | 2022-10-19 | 2022-11-18 | 浙江华诺康科技有限公司 | ***细胞检测方法、装置和计算机设备 |
-
2019
- 2019-03-28 CN CN201910241626.4A patent/CN110111354A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489005A (zh) * | 2020-11-26 | 2021-03-12 | 推想医疗科技股份有限公司 | 骨分割方法及装置、骨折检出方法及装置 |
CN112734785A (zh) * | 2021-01-28 | 2021-04-30 | 依未科技(北京)有限公司 | 亚像素级眼底血管边界确定的方法、装置、介质和设备 |
CN112734785B (zh) * | 2021-01-28 | 2024-06-07 | 依未科技(北京)有限公司 | 亚像素级眼底血管边界确定的方法、装置、介质和设备 |
CN115359056A (zh) * | 2022-10-19 | 2022-11-18 | 浙江华诺康科技有限公司 | ***细胞检测方法、装置和计算机设备 |
CN115359056B (zh) * | 2022-10-19 | 2023-03-24 | 浙江华诺康科技有限公司 | ***细胞检测方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111227822B (zh) | 基于心肌血流量和ct图像的冠状动脉血流储备分数计算方法 | |
US10748451B2 (en) | Methods and systems for generating fluid simulation models | |
CN106097298B (zh) | 基于球空间划分的冠状动脉自动分段与解剖学标记方法 | |
Carvalho et al. | 3D segmentation algorithms for computerized tomographic imaging: a systematic literature review | |
CN110490040B (zh) | 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法 | |
CN110448319B (zh) | 基于造影影像及冠状动脉的血流速度计算方法 | |
CN110956626B (zh) | 一种基于图像的预后评估方法及装置 | |
JP2019512131A (ja) | 画像ベースの患者固有の血流力学的モデルにおいて解像されていない血管を特定してモデル化するためのシステム及び方法 | |
CN110111354A (zh) | 肝脏医学图像动脉区域分割方法及*** | |
CN112308846B (zh) | 血管分割方法、装置及电子设备 | |
Potočnik et al. | Computerized detection and recognition of follicles in ovarian ultrasound images: a review | |
Zhou et al. | Automatic detection approach for bioresorbable vascular scaffolds using a U-shaped convolutional neural network | |
Selle et al. | Analysis of the morphology and structure of vessel systems using skeletonization | |
Ghaffari et al. | Validation of parametric mesh generation for subject-specific cerebroarterial trees using modified Hausdorff distance metrics | |
Landgren et al. | An automated system for the detection and diagnosis of kidney lesions in children from scintigraphy images | |
CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
CN115546123A (zh) | 基于机器学习的腹主动脉瘤破裂风险的预测*** | |
Bodur et al. | Semi-automatic aortic aneurysm analysis | |
Miao et al. | CoWRadar: Visual Quantification of the Circle of Willis in Stroke Patients. | |
Chakshu et al. | Automating fractional flow reserve (FFR) calculation from CT scans: A rapid workflow using unsupervised learning and computational fluid dynamics | |
Zhou et al. | A new segment method for pulmonary artery and vein | |
Mamatha | Detection of Brain Tumor in MR images using hybrid Fuzzy C-mean clustering with graph cut segmentation technique | |
Marone et al. | Learning the lumen border using a convolutional neural networks classifier | |
CN115760961B (zh) | 血管图像处理方法、装置、服务器及后处理图像生成*** | |
US20240070855A1 (en) | Method and System of Calculating the Cross-section Area and Included Angle of Three-dimensional Blood Vessel Branch |
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 |