CN111429404B - 一种用于心脑血管检测的成像***和方法 - Google Patents

一种用于心脑血管检测的成像***和方法 Download PDF

Info

Publication number
CN111429404B
CN111429404B CN202010140859.8A CN202010140859A CN111429404B CN 111429404 B CN111429404 B CN 111429404B CN 202010140859 A CN202010140859 A CN 202010140859A CN 111429404 B CN111429404 B CN 111429404B
Authority
CN
China
Prior art keywords
image
blood vessel
segmentation
layer
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.)
Active
Application number
CN202010140859.8A
Other languages
English (en)
Other versions
CN111429404A (zh
Inventor
杜杰
董延生
张峰
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.)
Guoke Saifu (Shenzhen) new drug R & D Technology Co., Ltd
Original Assignee
Guoke Saifu Shenzhen New Drug R & D Technology Co Ltd
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 Guoke Saifu Shenzhen New Drug R & D Technology Co Ltd filed Critical Guoke Saifu Shenzhen New Drug R & D Technology Co Ltd
Priority to CN202010140859.8A priority Critical patent/CN111429404B/zh
Publication of CN111429404A publication Critical patent/CN111429404A/zh
Application granted granted Critical
Publication of CN111429404B publication Critical patent/CN111429404B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T2207/10068—Endoscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—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)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供了一种用于心脑血管检测的成像***和方法，属于医学成像技术领域。所述成像***包括依次连接的图像采集模块、图像预分割模块、图像二次分割模块、图像转换模块以及显示模块。图像预分割模块采用有限混合正态分布图像预分割模型对血管横切面二维图像进行预分割，初步提取每个层面的血管信号；然后图像二次分割模块采用图像分割模型对每个层面的血管信号进行二次分割，滤除干扰信号，得到每个层面的血管图像；最后图像转换模块采用最大密度投影的方法将每个层面的血管图像转换为血管三维图像。本发明将图像预分割和二次分割相结合，逐步滤除血管以外的干扰信号，能够得到高精度的血管三维图像。

Description

一种用于心脑血管检测的成像***和方法
技术领域
本发明属于医学成像技术领域，涉及一种用于心脑血管检测的成像***和方法。
背景技术
心血管疾病常见的发病方式有高血压、冠心病、心肌梗死、脑梗塞、脑出血等。其中，大多数心脑血管发生病变的基础为血管壁畸变。动脉粥样硬化和高压性细小动脉硬化导致血管壁增厚***，失去弹性和管腔变小，完全闭塞，产生病理性变化，引发心脑血管疾病。心脑血管疾病具有高发病率、高患病率、高死亡率、高致残率等特点，是影响人类生命健康的主要的慢性非传染疾病。因此，需要通过提前检测和诊断血管中的危险因素，来预防心脑血管疾病的发生或者复发，从而达到降低死亡率的目的。
血管的形态学的诊断作为其中一个血管诊断的方法，需要在诊断前依靠CT(电子计算机断层扫描)、MRA(磁共振血管成像)、血管造影或血管内窥镜等设备和方法对血管进行检测和成像。由于采用上述设备对血管进行检测和成像时，得到的初始图像中不仅包含血管，还包含血管周围的其他组织以及干扰信号。血管被周围其他组织包围，周围组织的图像会影响到医生对血管组织的观察，因此需要借助大量图像处理手段对初始图像进行处理和分割，从而分离出血管信号，将血管信号重建得到血管图像。血管图像分割的目标区域是血管信号，其他的部分都视为背景区域。有效的分割方法的目标是区分血管与周围组织，去除干扰后能更清晰观察到血管从而更为准确的进行诊断。而且对血管分割后可以更方便对血管截面积等参数进行定量测量。因此，准确分割血管对血管三维成像具有重要的意义。
申请号为201710775038.X的中国发明专利提供了一种基于中心线提取的血管图像分割方法、核磁共振成像***。该发明采用基于Hessian矩阵的vesselness滤波对脑部血管数据进行预处理，然后采用拓扑细化方法提取血管中心线，再对原始图像进行边缘扩展，以中心线为正样本，非血管点为负样本，提取训练样本和测试样本的特征，训练SVM模型，得到血管的分割结果。该方法不需要人工标定目标和背景，实现了全自动的血管分割。
然而由于心脑血管具有极其复杂的结构，其尺寸和曲率多变，在较小的范围内有多级分支，末端的分支非常细微，而且患病的血管外观和几何特征受到血管扩张、钙化、动脉瘤和狭窄等病症影响，导致基于中心线提取的血管分割难度增加，且分割精度不高。
发明内容
针对上述现有技术存在的缺陷，本发明的目的在于提供一种用于心脑血管检测的成像***和方法。所述成像***先通过图像预分割模块对血管横切面二维图像进行预分割，初步提取每个层面的血管信号，然后通过图像二次分割模块对每个层面的血管信号进行二次分割，滤除干扰信号，得到每个层面的血管图像，最后进行三维转换得到血管三维图像。本发明将图像预分割和二次分割相结合，逐步滤除血管以外的干扰信号，最终得到高精度的血管三维图像。
为了实现上述目的，本发明采用的技术方案如下：
一种用于心脑血管检测的成像***，包括依次连接的图像采集模块、图像预分割模块、图像二次分割模块、图像转换模块以及显示模块；
所述图像采集模块，用于接收或采集不同层面的血管横切面二维图像；
所述图像预分割模块，用于对所述血管横切面二维图像进行预分割，初步提取每个层面的血管信号；
所述图像二次分割模块，用于对所述每个层面的血管信号进行二次分割，滤除干扰信号，得到每个层面的血管图像；
所述图像转换模块，用于将每个层面的血管图像转换为血管三维图像；
所述显示模块，用于显示所述血管三维图像。
进一步的，所述图像预分割模块通过有限混合正态分布图像预分割模型对血管横切面二维图像进行预分割。
进一步的，所述有限混合正态分布图像预分割模型通过期望极大化算法求解模型参数。
进一步的，所述二次分割采用图像分割模型对所述每个层面的血管信号进行二次分割，所述图像分割模型如下式所示：
Figure GDA0002462017070000031
式中，I表示所有超像素的集合，ω表示同一超像素层内所有邻域超像素对的集合，C表示不同超像素层之间对应的超像素对的集合，Di(fi)为超像素i与其标签fi的匹配程度测量函数，λ和φ为平衡参数，Bmn(fm，fn)为同一超像素层内邻域超像素m和n之间的惩罚函数，Spq(fp，fq)为不同超像素层之间对应超像素对的相似性测量函数。
进一步的，所述图像分割模型的构建方法如下：
(1)使用超像素分割算法生成所述血管信号的三层尺度不同的超像素；
(2)提取步骤(1)所述超像素的特征，获取超像素的结构信息；
(3)在基于图割的图像分割模型中引入步骤(2)所述超像素的结构信息，得到所述图像分割模型；所述基于图割的图像分割模型如下式所示：
Figure GDA0002462017070000032
式中，I表示所有超像素的集合，ω表示同一超像素层内所有邻域超像素对的集合，Di(fi)为超像素i与其标签fi的匹配程度测量函数，λ为平衡参数，Bmn(fm，fn)为同一超像素层内邻域超像素m和n之间的惩罚函数。
进一步的，所述在步骤(1)中，所述三层尺度不同的超像素的像素数目分别为300-500个、800-1500个、6000-10000个。
进一步的，在步骤(2)中，所述超像素的结构信息包括像素特征的均值和协方差。
进一步的，所述图像转换模块通过最大密度投影的方法将所述每个层面的血管图像进行堆叠，得到所述血管三维图像。
进一步的，所述图像采集模块通过CT设备或磁共振设备采集不同层面的血管横切面二维图像。
一种以上所述的用于心脑血管检测的成像***的成像方法，包括以下步骤：
S1.所述图像采集模块采集不同层面的血管横截面二维图像；
S2.所述图像预分割模块分别对步骤S1所述每个层面的血管横截面二维图像进行预分割，初步提取每个层面的血管信号，得到每个层面的初始血管图像；
S3.所述图像二次分割模块对步骤S2所述每个层面的初始血管图像进行二次分割，得到每个层面的血管图像；
S4.所述图像转换模块将步骤S3所述每个层面的血管图像按顺序堆叠，得到血管三维图像，并通过显示模块显示。
有益效果
与现有技术相比，本发明提供的用于心脑血管检测的成像***和方法具有如下有益效果：
(1)本发明提供的用于心脑血管检测的成像***，包括依次连接的图像采集模块、图像预分割模块、图像二次分割模块、图像转换模块以及显示模块。图像预分割模块采用有限混合正态分布图像预分割模型对血管横切面二维图像进行预分割，初步提取每个层面的血管信号；然后图像二次分割模块采用图像分割模型对每个层面的血管信号进行二次分割，滤除干扰信号，得到每个层面的血管图像；最后图像转换模块采用最大密度投影的方法将每个层面的血管图像转换为血管三维图像，实现心脑血管的三维成像。根据此程序***，本发明将图像预分割和二次分割相结合，逐步滤除血管以外的干扰信号，其中图像预分割模型采用有限混合正态分布能够初步分割得到血管数据，图像分割模型再提取初步分割得到血管数据三种不同尺度的超像素，进一步滤除与血管灰度近似的干扰信号(如脂肪组织)，最终得到高精度的血管三维图像。
(2)本发明的图像预分割模块采用有限混合正态分布图像预分割模型，通过假定血管横切面二维图像的灰度分布直方图中中等亮度区域是由两个正态分布构成，总的分布曲线由四个成分组成实现模型的构建。血管横切面二维图像的灰度分布直方图可分为三个主要组成亮度等级，最低等级亮度是噪声信号，脑脊液和骨组织；中等亮度信号是脑组织的信号，包含灰质和白质的信号；最高亮度信号成分主要是动脉血流和脑部四周的脂肪组织的信号。验证表明，该假设符合血管图像分布的真实情况，而且能够很好地从混合成分中分离出血管信号成分，从而达到初步分割血管图像的目的。
(3)本发明的图像分割模块，首先提取初步分割得到的血管信号的三种不同尺度的超像素，然后提取超像素的像素特征的均值和协方差，作为超像素的结构信息，最后将超像素结构信息引入基于图割的图像分割模型中，得到图像分割模型。该图像分割模型通过将三种不同尺度的超像素信息引入模型中，小尺度超像素能够保存图像的局部信息，可以提供局部的邻近约束以克服过分割；大尺度超像素能够保存图像的宏观结构信息，可以提供图像长范围的区域连通性约束以克服欠分割；中维尺度的超像素则可以传递图像全局信息。通过融合三种尺度超像素信息，进一步提高血管图像分割的质量，从而得到高精度的血管三维图像。
附图说明
图1为本发明提供的用于心脑血管检测的成像***的组成框图；
图2为本发明提供的用于心脑血管检测的成像***的成像方法流程图。
具体实施方式
以下将对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例；基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
请参阅图1所示，本发明提供的用于心脑血管检测的成像***，包括依次连接的图像采集模块、图像预分割模块、图像二次分割模块、图像转换模块以及显示模块。
所述图像采集模块，用于接收或采集不同层面的血管横切面二维图像。
优选地，所述图像采集模块通过CT设备或磁共振设备采集不同层面的血管横切面二维图像。以磁共振血管成像设备为例，磁共振成像是常用的诊断手段，具有组织对比度好、无电离辐射等优势。临床中，患者被置于磁体中央，通过控制梯度脉冲和射频脉冲，对患者体内的氢原子(通常情况)进行空间编码，采集信号得到k空间数据，再对k空间数据进行二维傅里叶变换得到磁共振图像。磁共振血管成像主要利用饱和效应、流入增强效应、流动去相位效应。磁共振血管采集原理为：对某一层面发射多次脉冲信号使该层面组织达到饱和状态，经过一段时间TR之后对该层面进行图像采集。静止组织处于饱和状态，信号较低，血管中血液处于流动状态，处于该层面位置的血液从其他位置流入，未经饱和而呈现高信号。这样血液和周围组织信号形成对比，反映到图像上显示血管高亮而周围静止组织较暗，实现了血管图像的采集。由此可见，磁共振血管成像采集到的初始图像是血管横切面二维图像。
所述图像预分割模块，用于对所述血管横切面二维图像进行预分割，初步提取每个层面的血管信号。
进一步的，所述图像预分割模块通过有限混合正态分布图像预分割模型对血管横切面二维图像进行预分割。所述有限混合正态分布图像预分割模型如式(1)所示：
Figure GDA0002462017070000071
式中，at为ft(x)的权重，ft(x)为混合正态分布中第t个分布为
Figure GDA0002462017070000072
的密度函数，t＝1,2,3,4，f4为混合分布血管成分，f1，f2，f3为混合分布背景成分，Φk为混合分布密度函数的参数向量，如式(2)所示：
Figure GDA0002462017070000073
进一步的，所述有限混合正态分布图像预分割模型中的12个未知参数
Figure GDA0002462017070000074
通过期望极大化算法求解。
然后根据最大后验分类方法，如果满足式(3)：
Figure GDA0002462017070000075
即：
Figure GDA0002462017070000076
则认为体素xi属于血管。
本发明的有限混合正态分布模型是假定血管横切面二维图像的灰度分布直方图中，中等亮度区域是由两个正态分布构成，总的分布曲线由四个成分组成。血管横切面二维图像的灰度分布直方图可分为三个主要组成亮度等级。最低等级亮度是噪声信号，脑脊液和骨组织；中等亮度信号是脑组织的信号，包含灰质和白质的信号；最高亮度信号成分主要是动脉血流和脑部四周的脂肪组织的信号，脂肪和血流一样呈高信号是由于脂肪的T1弛豫时间较短。测试表明，该假设比较符合真实情况，而且能够很好地从混合成分中分离出血管信号成分，从而达到初步分割血管图像的目的。
所述图像二次分割模块，用于对所述每个层面的血管信号进行二次分割，滤除干扰信号，得到每个层面的血管图像。
进一步的，所述二次分割采用图像分割模型对所述每个层面的血管信号进行二次分割，所述图像分割模型如式(5)所示：
Figure GDA0002462017070000081
式中，I表示所有超像素的集合，ω表示同一超像素层内所有邻域超像素对的集合，C表示不同超像素层之间对应的超像素对的集合，Di(fi)为超像素i与其标签fi的匹配程度测量函数，λ和φ为平衡参数，Bmn(fm，fn)为同一超像素层内邻域超像素m和n之间的惩罚函数，Spq(fp，fq)为不同超像素层之间对应超像素对的相似性测量函数。
进一步的，所述图像分割模型的构建方法如下：
(1)使用超像素分割算法生成所述血管信号的三层尺度不同的超像素；
所述三层尺度不同的超像素的像素数目分别为300-500个、800-1500个、6000-10000个；其中小尺度超像素保存了血管图像的局部信息，可以提供局部的邻近约束以克服过分割；大尺度超像素保存了图像的宏观结构信息，可以提供血管图像长范围的区域连通性约束以克服欠分割；中维尺度的超像素则可以传递血管图像全局信息。
(2)提取步骤(1)所述超像素的特征，获取超像素的结构信息；
所述超像素的结构信息包括像素特征的均值和协方差；如超像素i的特征可以表示为Gi＝{μi,∑i}，μi为超像素i的均值，∑i为超像素i的协方差，则超像素m的特征Gm＝{μm,∑m}和超像素n的特征Gn＝{μn,∑n}之间的相似性定义如式(6)所示：
Figure GDA0002462017070000091
式中，tr(·)为矩阵的迹运算，d为超像素特征的维数。
(3)在基于图割的图像分割模型中引入步骤(2)所述超像素的结构信息，得到式(5)所示的图像分割模型；所述基于图割的图像分割模型如式(7)所示：
Figure GDA0002462017070000092
式中，I表示所有超像素的集合，ω表示同一超像素层内所有邻域超像素对的集合，Di(fi)为超像素i与其标签fi的匹配程度测量函数，λ为平衡参数，Bmn(fm，fn)为同一超像素层内邻域超像素m和n之间的惩罚函数。
本发明采用分量形式的期望最大化混合高斯算法对图像分割模型进行聚类求解，对前景种子和背景种子聚类可以得到对应的高斯集
Figure GDA0002462017070000093
和
Figure GDA0002462017070000094
其中N和M分别为前景和背景的类别数目。则超像素i与前景和背景模型之间的相似性如式(8)和式(9)所示：
Figure GDA0002462017070000095
Figure GDA0002462017070000096
Bmn(fm,fn)为同一超像素层内邻域超像素m和n之间的惩罚函数，定义如式(10)所示：
Bmn(fm,fn)＝exp(-ξmdis2(Gm,Gn))·δ(fm≠fn) (10)
式中，δ(fm≠fn)＝1如果fm≠fn，否则为0。调节参数ξm是基于m和n所属的超像素层进行设定的，即每一超像素层都有各自的调节参数值，具体定义如式(11)所示：
Figure GDA0002462017070000101
式中，|ωm|表示m所属超像素层的元素数目。Spq(fp,fq)为不同超像素层之间对应超像素对的相似性测量函数，定义如式(12)所示：
Spq(fp,fq)＝exp(-ξmdis2(Gp,Gq))·δ(fp≠fq) (12)
式中，δ(fp≠fq)＝1如果fp≠fq，否则为0。由于p所属超像素层的调节参数值ξp与q所属超像素层的调节参数值ξq并不相等，因此，不同像超素层之间的调节参数ξpq定义如式(13)所示：
Figure GDA0002462017070000102
所述图像转换模块，用于将每个层面的血管图像转换为血管三维图像。
进一步的，所述图像转换模块通过最大密度投影的方法将所述每个层面的血管图像进行堆叠，得到所述血管三维图像。该方法的思想是在投影平面对每个像素以投影角度分别发出射线，穿过体数据，对每条射线上数据值进行比较，选一个最大的值作为响应像素显示值。最大密度投影法最主要的优点是计算量小，计算速度快。
所述显示模块，用于显示所述血管三维图像。
请参阅图2所示，以上所述的用于心脑血管检测的成像***的成像方法，包括以下步骤：
S1.所述图像采集模块通过CT设备或磁共振成像设备采集不同层面的血管横截面二维图像；
S2.所述图像预分割模块采用有限混合正态分布图像预分割模型分别对步骤S1所述每个层面的血管横截面二维图像进行预分割，初步提取每个层面的血管信号，得到每个层面的初始血管图像；
S3.所述图像二次分割模块采用图像分割模型对步骤S2所述每个层面的初始血管图像进行二次分割，进一步滤除干扰信号，得到每个层面的血管图像；
S4.所述图像转换模块采用最大密度投影的方法，将步骤S3所述每个层面的血管图像按顺序堆叠，得到血管三维图像，并通过显示模块显示。
综述所述，本发明提供的用于心脑血管检测的成像***包括依次连接的图像采集模块、图像预分割模块、图像二次分割模块、图像转换模块以及显示模块。图像预分割模块采用有限混合正态分布图像预分割模型对血管横切面二维图像进行预分割，初步提取每个层面的血管信号；然后图像二次分割模块采用图像分割模型对每个层面的血管信号进行二次分割，滤除干扰信号，得到每个层面的血管图像；最后图像转换模块采用最大密度投影的方法将每个层面的血管图像转换为血管三维图像，实现心脑血管的三维成像。根据此程序***，本发明将图像预分割和二次分割相结合，逐步滤除血管以外的干扰信号，其中图像预分割模型采用有限混合正态分布能够初步分割得到血管数据，图像分割模型再提取初步分割得到血管数据三种不同尺度的超像素，进一步滤除与血管灰度近似的干扰信号(如脂肪组织)，最终得到高精度的血管三维图像。
以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种用于心脑血管检测的成像***，其特征在于，包括依次连接的图像采集模块、图像预分割模块、图像二次分割模块、图像转换模块以及显示模块；
所述图像采集模块，用于接收或采集不同层面的血管横切面二维图像；
所述图像预分割模块，用于对所述血管横切面二维图像进行预分割，初步提取每个层面的血管信号；
所述图像二次分割模块，用于对所述每个层面的血管信号进行二次分割，滤除干扰信号，得到每个层面的血管图像；
所述图像转换模块，用于将每个层面的血管图像转换为血管三维图像；
所述显示模块，用于显示所述血管三维图像；
所述二次分割采用图像分割模型对所述每个层面的血管信号进行二次分割，所述图像分割模型如下式所示：
Figure FDA0002695756970000011
式中，I表示所有超像素的集合，ω表示同一超像素层内所有邻域超像素对的集合，C表示不同超像素层之间对应的超像素对的集合，Di(fi)为超像素i与其标签fi的匹配程度测量函数，λ和φ为平衡参数，Bmn(fm，fn)为同一超像素层内邻域超像素m和n之间的惩罚函数，Spq(fp，fq)为不同超像素层之间对应超像素对的相似性测量函数。
2.根据权利要求1所述的一种用于心脑血管检测的成像***，其特征在于，所述图像预分割模块通过有限混合正态分布图像预分割模型对血管横切面二维图像进行预分割。
3.根据权利要求2所述的一种用于心脑血管检测的成像***，其特征在于，所述有限混合正态分布图像预分割模型通过期望极大化算法求解模型参数。
4.根据权利要求1所述的一种用于心脑血管检测的成像***，其特征在于，所述图像分割模型的构建方法如下：
(1)使用超像素分割算法生成所述血管信号的三层尺度不同的超像素；
(2)提取步骤(1)所述超像素的特征，获取超像素的结构信息；
(3)在基于图割的图像分割模型中引入步骤(2)所述超像素的结构信息，得到所述图像分割模型；所述基于图割的图像分割模型如下式所示：
Figure FDA0002695756970000021
式中，I表示所有超像素的集合，ω表示同一超像素层内所有邻域超像素对的集合，Di(fi)为超像素i与其标签fi的匹配程度测量函数，λ为平衡参数，Bmn(fm，fn)为同一超像素层内邻域超像素m和n之间的惩罚函数。
5.根据权利要求4所述的一种用于心脑血管检测的成像***，其特征在于，所述在步骤(1)中，所述三层尺度不同的超像素的像素数目分别为300-500个、800-1500个、6000-10000个。
6.根据权利要求4所述的一种用于心脑血管检测的成像***，其特征在于，在步骤(2)中，所述超像素的结构信息包括像素特征的均值和协方差。
7.根据权利要求1所述的一种用于心脑血管检测的成像***，其特征在于，所述图像转换模块通过最大密度投影的方法将所述每个层面的血管图像进行堆叠，得到所述血管三维图像。
8.根据权利要求1所述的一种用于心脑血管检测的成像***，其特征在于，所述图像采集模块通过CT设备或磁共振设备采集不同层面的血管横切面二维图像。
9.一种如权利要求1至8中任一项权利要求所述的用于心脑血管检测的成像***的成像方法，其特征在于，包括以下步骤：
S1.所述图像采集模块采集不同层面的血管横截面二维图像；
S2.所述图像预分割模块分别对步骤S1所述每个层面的血管横截面二维图像进行预分割，初步提取每个层面的血管信号，得到每个层面的初始血管图像；
S3.所述图像二次分割模块对步骤S2所述每个层面的初始血管图像进行二次分割，得到每个层面的血管图像；
S4.所述图像转换模块将步骤S3所述每个层面的血管图像按顺序堆叠，得到血管三维图像，并通过显示模块显示。
CN202010140859.8A 2020-03-04 2020-03-04 一种用于心脑血管检测的成像***和方法 Active CN111429404B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010140859.8A CN111429404B (zh) 2020-03-04 2020-03-04 一种用于心脑血管检测的成像***和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010140859.8A CN111429404B (zh) 2020-03-04 2020-03-04 一种用于心脑血管检测的成像***和方法

Publications (2)

Publication Number Publication Date
CN111429404A CN111429404A (zh) 2020-07-17
CN111429404B true CN111429404B (zh) 2020-12-15

Family

ID=71547478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010140859.8A Active CN111429404B (zh) 2020-03-04 2020-03-04 一种用于心脑血管检测的成像***和方法

Country Status (1)

Country Link
CN (1) CN111429404B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085736B (zh) * 2020-09-04 2024-02-02 厦门大学 一种基于混维卷积的肾肿瘤分割方法
CN113160120A (zh) * 2021-02-05 2021-07-23 十堰市太和医院 基于多模态融合与深度学习的肝脏血管分割方法及***

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9020232B2 (en) * 2012-07-24 2015-04-28 Kabushiki Kaisha Toshiba Per vessel, vessel tree modelling with shared contours
CN103247073B (zh) * 2013-04-18 2016-08-10 北京师范大学 基于树状结构的三维脑血管模型构造方法
CN107067409A (zh) * 2017-05-09 2017-08-18 上海联影医疗科技有限公司 一种血管分离方法及***
CN108399648A (zh) * 2017-11-21 2018-08-14 北京裕恒佳科技有限公司 对血管进行三维成像的方法以及血管三维成像***
WO2019152850A1 (en) * 2018-02-02 2019-08-08 Centerline Biomedical, Inc. Segmentation of anatomic structures

Also Published As

Publication number Publication date
CN111429404A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
Faragallah et al. A comprehensive survey analysis for present solutions of medical image fusion and future directions
Saba et al. Image enhancement and segmentation techniques for detection of knee joint diseases: A survey
Wang et al. Threshold segmentation algorithm for automatic extraction of cerebral vessels from brain magnetic resonance angiography images
EP4014201A1 (en) Three dimensional object segmentation of medical images localized with object detection
Mahapatra et al. Automatic detection and segmentation of Crohn's disease tissues from abdominal MRI
US8706188B2 (en) Automatic segmentation of articular cartilage from MRI
Gebru et al. Detection of cerebrovascular changes using magnetic resonance angiography
Vasilic et al. A novel local thresholding algorithm for trabecular bone volume fraction mapping in the limited spatial resolution regime of in vivo MRI
Gupta et al. Cardiac MR perfusion image processing techniques: a survey
EP1451602A1 (en) Black blood angiography method and apparatus
Bandhyopadhyay et al. Segmentation of brain MRI image–a review
Kumar et al. Knee articular cartilage segmentation from MR images: A review
CN111429404B (zh) 一种用于心脑血管检测的成像***和方法
Anquez et al. Automatic segmentation of head structures on fetal MRI
Hameeteman et al. Carotid wall volume quantification from magnetic resonance images using deformable model fitting and learning-based correction of systematic errors
Fan et al. Magnetic-resonance image segmentation based on improved variable weight multi-resolution Markov random field in undecimated complex wavelet domain
Cui et al. 2D and 3D vascular structures enhancement via improved vesselness filter and vessel enhancing diffusion
Broderick et al. Technique for the computation of lower leg muscle bulk from magnetic resonance images
Li et al. Clinical study of diffusion-weighted imaging in the diagnosis of liver focal lesion
KR102170977B1 (ko) 자기공명분광 기반 뇌 대사물질에 대한 시변함수를 이용한 뇌 대사물질 네트워크 생성 시스템 및 방법
US20200315547A1 (en) Vertebral artery dissection risk evaluation method, computer device, and storage medium
CN115496743A (zh) 脑血管病变分割方法、装置、存储介质、电子装置
Khode et al. Efficient brain tumor detection using wavelet transform
Tajudin et al. A new technique of flow voids segmentation on MRI image for cerebrovascular disease
CC et al. A review on automatic marker identification methods in watershed algorithms used for medical image segmentation

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Building 3, Golden Symphony home, No.18, East Third Ring Road, Panlong District, Kunming City, Yunnan Province

Applicant after: Zhang Feng

Address before: 250032 Qilu Hospital, No.107 Wenhua West Road, Lixia District, Jinan City, Shandong Province

Applicant before: Zhang Feng

CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Du Jie

Inventor after: Dong Yansheng

Inventor after: Zhang Feng

Inventor before: Zhang Feng

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201124

Address after: B1701, building 1, phase II, Yinxing Zhijie, No. 1301-76, sightseeing Road, Xinlan community, Guanlan street, Longhua District, Shenzhen City, Guangdong Province

Applicant after: Guoke Saifu (Shenzhen) new drug R & D Technology Co., Ltd

Address before: Building 3, Golden Symphony home, No.18, East Third Ring Road, Panlong District, Kunming City, Yunnan Province

Applicant before: Zhang Feng

GR01 Patent grant
GR01 Patent grant