CN111986205B - 血管树生成及病变识别方法、装置、设备及可读存储介质 - Google Patents
血管树生成及病变识别方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN111986205B CN111986205B CN201910425253.6A CN201910425253A CN111986205B CN 111986205 B CN111986205 B CN 111986205B CN 201910425253 A CN201910425253 A CN 201910425253A CN 111986205 B CN111986205 B CN 111986205B
- Authority
- CN
- China
- Prior art keywords
- vessel
- blood vessel
- region
- node
- tree
- 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
- 230000003902 lesion Effects 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 96
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 234
- 239000011159 matrix material Substances 0.000 claims abstract description 50
- 230000002792 vascular Effects 0.000 claims abstract description 39
- 238000011160 research Methods 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 13
- 210000000056 organ Anatomy 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 4
- 230000018109 developmental process Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 230000036285 pathological change Effects 0.000 claims 1
- 231100000915 pathological change Toxicity 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 14
- 210000004072 lung Anatomy 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000002591 computed tomography Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 230000004256 retinal image Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- 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)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种血管树生成及病变识别方法、装置、设备及可读存储介质。该方法包括：获取医学影像，所述医学影像包括多个体素；从所述医学影像中分割出多个血管区域，所述血管区域包括：血管及与血管具有相似特征的体素；根据所述多个血管区域之间的邻近关系，建立所述多个血管区域的关联矩阵；分别获取每个所述血管区域的血管段及血管分叉点；根据所述关联矩阵，将各所述血管区域分别包含的所述血管段、所述血管分叉点及其之间的连接关系，构建为所述多个血管区域的血管图；以及基于所述血管图中的多个连通子图，建立对应的多棵血管树。该方法能够对血管影像本身的形态、结构、特征及血管之间的连接关系进行分析，构建出精确的血管树。
Description
技术领域
本发明涉及医疗图像处理及应用技术领域，具体而言，涉及一种血管树生成方法、病变识别方法、病变研判方法、装置、设备及可读存储介质。
背景技术
在医学影像领域，对于血管影像、结构与形态的计算机自动提取、建模与分析，是实现智能医疗的一个基本问题。例如，在CT(Computed Tomography，电子计算机断层扫描)领域，对输出的医学影像中的血管结构进行有效的信息抽象、提取和运算可以大大提高对相关病变自动识别率。
目前，医学影像中对于血管影像的研究主要集中在以下几个方面：一是采用图像处理的方法，将血管结构在原始影像中强化显示，从而达到辅助医护人员进行诊断的目的；二是通过图像和图形学的方法，将血管影像从医学影像中分离并提取出来，为智能诊断算法提供更加有利于识别的输入。
针对其中第一个方面，其作用主要在于强化血管影像的显示，但并没有对血管结构进行处理。而针对其中第二个方面，其仅是单纯地提取出血管图像，但并没有对血管本身的形态、结构、特征及血管段之间的连接关系进行分析及建模。
在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此，本发明提供一种血管树生成方法、病变识别方法、病变研判方法、装置、设备及可读存储介质。
本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本发明的一方面，提供一种基于医学影像的血管树生成方法，包括：获取医学影像，所述医学影像包括多个体素；从所述医学影像中分割出多个血管区域，所述血管区域包括：血管及与血管具有相似特征的体素；根据所述多个血管区域之间的邻近关系，建立所述多个血管区域的关联矩阵；分别获取每个所述血管区域的血管段及血管分叉点；根据所述关联矩阵，将各所述血管区域分别包含的所述血管段、所述血管分叉点及其之间的连接关系，构建为以所述血管段及所述血管分叉点为节点的血管图；以及基于所述血管图中的多个连通子图，建立对应的多棵血管树；其中，所述血管树中的节点分别为与其对应的所述连通子图包含的所述血管段。
根据本发明的一实施方式，根据所述多个血管区域之间的邻近关系，建立所述多个血管区域的关联矩阵包括：针对所述医学影像的每一层图像：将所述多个血管区域在该层覆盖的区域作为结点，***空间索引结构；针对每个所述血管区域，扩展相邻的体素，获得该血管区域的扩展区域；以该血管区域的扩展区域为空间查询条件，在所述空间索引结构中查找与该血管区域交叠的交叠血管区域；根据对每个所述血管区域的扩展次数，对所述关联矩阵中的相应元素赋值；以及获得所述多个血管区域的所述关联矩阵。
根据本发明的一实施方式，分别获取每个所述血管区域的血管段及血管分叉点包括：针对每个所述血管区域：通过计算分形学，为该血管区域生成相应的多个三维骨架；分别从每个三维骨架中获取出所述血管分叉点，所述血管分叉点为周围有2个或多于2个相邻体素的体素；以及针对每个所述三维骨架：去掉其中的所述血管分叉点，以获得该三维骨架中的多个血管段骨架；分别对所述多个血管段骨架进行区域增长，以获得与所述多个血管段骨架分别对应的多个所述血管段；并分别确定所述多个血管段的属性，所述属性包括：所述血管段的长度、半径、方向、体素集合。
根据本发明的一实施方式，每棵所述血管树包括主干节点和分支节点；基于所述血管图中的多个连通子图，建立对应的多棵血管树包括：针对每个所述连通子图，选取其中与心脏距离最近、半径最大且只有一个与其相邻的所述血管分叉点的所述血管段为所述血管树的根节点；从所述根节点开始，依次处理该连通子图中的所有节点，包括：针对该节点的每个相邻的血管分叉点：获取该血管分叉点的相邻节点；从所述相邻节点中选取其中之一作为所述主干节点，并标记其他相邻节点为所述分支节点；连接该节点与所述主干节点，构成主干边；连接该节点与所述分支节点，构成分支边。
根据本发明的一实施方式，分别对所述多个血管段骨架进行区域增长，以获得与所述多个血管段骨架分别对应的多个所述血管段包括：构建所述血管区域的体素关联矩阵A，其中当两个体素相邻时，所述关联矩阵A中的元素为1；当两个体素不相邻时，所述关联矩阵A中的元素为0；构建各血管段的向量b，并其中的点在所述向量b上赋值为对应所述血管段骨架的编号；重复下述步骤，直到所述向量b中所有元素不为0，从而获得所述血管段：1)使gij＝aijbj，其中aij为所述关联矩阵A中的元素，bj为所述向量b中元素；2)使bi’＝max(gi1,gi2,…,gin)；3)如果bj等于0，则使得bj等于bi’。
根据本发明的一方面，提供一种基于血管树的病变识别方法，包括：基于根据上述任意一种基于医学影像的血管树生成方法所生成的血管树，根据预定义的病变识别规则，进行病变识别。
根据本发明的一实施方式，所述病变识别规则包括以下规则中的部分或全部：当所述血管树中的节点数目小于预设的节点数目阈值时，确定所述血管树对应的区域存在病变；当所述血管树中的节点与其相邻节点的半径差值均大于预设的第一半径阈值时，确定所述节点对应的区域存在病变；当采用广度优先遍历策略遍历所述血管树的各节点时，确定前后访问的两个节点的半径差值落在预设的半径范围之外的节点对应的区域存在病变；当所述血管树的分支节点的半径大于预设的第二半径阈值时，确定所述分支节点对应的区域存在病变；对于医学影像为左右对称器官的影像，当所述器官左右两边最大的两棵血管树中节点的半径分布曲线的KL距离大于预设的第一距离阈值时，确定所述两棵血管树对应的区域存在病变；对于医学影像为左右非对称器官的影像，当所述血管树中节点的半径分布曲线与标准半径曲线的KL距离大于预设的第二距离阈值时，确定所述血管树对应的区域存在病变。
根据本发明的一方面，提供一种基于血管树的病变区域研判方法，包括：基于根据上述任意一种基于医学影像的血管树生成方法所生成的血管树，根据预定义的病变研判规则，对待研判区域进行病变研判。
根据本发明的一实施方式，所述病变研判规则包括以下规则中的部分或全部：当所述待研判区域的半径与所述待研判区域所在的所述血管树的节点的半径的差值大于预设的第一半径阈值时，确定所述待研判区域为病变区域；当所述待研判区域所在的血管树的节点数少于预设的第一节点数目阈值时，确定所述待研判区域为病变区域；当所述待研判区域的半径与所述待研判区域所在的所述血管树的节点的所有相邻节点的半径的差值均大于预设的第二半径阈值时，确定所述待研判区域为病变区域；当所述待研判区域所在的所述血管树的节点的半径大于第三半径阈值，且所述节点的子树的节点小于第二节点数目阈值时，确定所述待研判区域为病变区域。
根据本发明的一方面，提供一种基于医学影像的血管树生成装置，包括：影像获取模块，用于获取医学影像，所述医学影像包括多个体素；区域分割模块，用于从所述医学影像中分割出多个血管区域，所述血管区域包括：血管及与血管具有相似特征的体素；矩阵建立模块，用于根据所述多个血管区域之间的邻近关系，建立所述多个血管区域的关联矩阵；血管段获取模块，用于分别获取每个所述血管区域的血管段及血管分叉点；血管图构建模块，用于根据所述关联矩阵，将各所述血管区域分别包含的所述血管段、所述血管分叉点及其之间的连接关系，构建以所述血管段及所述血管分叉点为节点的血管图；以及血管树建立模块，用于基于所述血管图中的多个连通子图，建立对应的多棵血管树；其中，每棵血管树包括主干节点和分支节点。
根据本发明的一方面，提供一种基于血管树的病变识别装置，包括：病变识别模块，用于基于根据上述任意一种基于医学影像的血管树生成方法所生成的血管树，根据预定义的病变识别规则，进行病变识别。
根据本发明的一方面，提供一种基于血管树的病变区域研判装置，包括：病变研判模块，用于基于根据上述任意一种基于医学影像的血管树生成方法所生成的血管树，根据预定义的病变研判规则，对待研判区域进行病变研判。
根据本发明的一方面，提供一种计算机设备，包括：存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令，所述处理器执行所述可执行指令时实现如上述任意一种方法。
根据本发明的一方面，提供一种计算机可读存储介质，其上存储有计算机可执行指令，所述可执行指令被处理器执行时实现如上述任意一种方法。
根据本发明实施方式提供的基于医学影像的血管树生成方法，针对分割出的血管影像，可对血管影像本身的形态、结构、特征及血管之间的连接关系进行分析，并构建出精确的血管树。该血管树不仅可用于病变识别，还可以用于对通过其他方式识别出的病变区域进一步的进行研判，以获得更精确的病变识别结果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。
附图说明
通过参照附图详细描述其示例实施例，本发明的上述和其它目标、特征及优点将变得更加显而易见。
图1是根据一示例性实施方式示出的一种基于医学影像的血管树生成方法的流程图。
图2是根据一示例示出的一个血管区域在某一层的截面图。
图3和图4分别示出了基于扫描到的视网膜影像及肺部影像根据上述血管树生成方法所生成的血管树。
图5是根据一示例性实施方式示出的另一种基于医学影像的血管树生成方法的流程图。
图6是根据一示例性实施方式示出的再一种基于医学影像的血管树生成方法的流程图。
图7示出了为图2所示的血管区域所生成的三维骨架在一层的截面图。
图8是根据一示例示出的血管段的生成过程的示意图。
图9是根据一示例性实施方式示出的再一种基于医学影像的血管树生成方法的流程图。
图10示出了根据如图8所示的各血管段生成血管树的过程。
图11是根据一示例性实施方式示出的一种基于血管树的病变识别方法的流程图。
图12示出了根据该识别规则识别出的肺部病变的示意图。
图13是根据一示例性实施方式示出的一种基于血管树的病变区域研判方法的流程图。
图14是根据一示例性实施方式示出的一种基于医学影像的血管树生成装置的框图。
图15是根据一示例性实施方式示出的一种基于血管树的病变识别装置的框图。
图16是根据一示例性实施方式示出的一种基于血管树的病变区域研判装置的框图。
图17是根据一示例性实施方式示出的一种电子设备的结构示意图。
图18是根据一示例性实施方式示出的一种计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现或者操作以避免喧宾夺主而使得本发明的各方面变得模糊。
此外，在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示单独存在A、单独存在B及同时存在A和B三种情况。符号“/”一般表示前后关联对象是一种“或”的关系。术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
图1是根据一示例性实施方式示出的一种基于医学影像的血管树生成方法的流程图。
参考图1，基于医学影像的血管树生成方法10包括：
在步骤S102中，获取医学影像。
该医学影像例如可以包括CT医学影像、MRI(Magnetic Resonance Imaging，核磁共振)医学影像、超声波医学影像等；此外，该医学影像中采集的器官可以为肺、肝脏、脑部、视网膜等，本发明不以此为限。
以常见的轴位CT扫描影像为例，该医学影像可为三维张量Q，其中的每一个元素qi,j,k为非负整数，又可以称为体素或像素。其中下标i＝0,1,2,3,……，为CT扫描某层中的行索引；下标j＝0,1,2,3,……，为CT扫描某层中的列索引；k＝0,1,2,3,……为CT扫描的层索引。
在步骤S104中，从医学影像中分割出多个血管区域。
对该医学影像进行图像预处理，可以将除了血管区域及与血管有相似特征的体素之外的非血管区域(以肺部影像为例，如肺部的空气区域)及其他组织区域的体素值均设置为0，以从该医学影像中分割出多个血管区域。
该血管区域包括：血管及与血管具有相似特征的体素。
将一个血管区域即为rx，rx∈R，其中R为从该医学影像中分割出的血管区域的集合。每个血管区域均为一个独立的三维区域，并且每个血管区域不与其他血管区域相邻。也就是说每个血管区域轴位相邻的体素值均为0。图2是根据一示例示出的一个血管区域在某一层的截面图。其中，黑色体素值为0，白色体素值大于0。
在步骤S106中，根据多个血管区域之间的邻近关系，建立多个血管区域的关联矩阵。
多个血管区域的关联矩阵可以记为M，用于表示各血管区域之间的近邻关系，即哪些血管区域距离较近。因为距离较近的血管区域很可能是影像中相连接在一起的血管，只是由于通过阈值法判决判决时或由于CT扫描的噪声使得这些血管断开了。所以该关联矩阵的构建有助于建立血管区域之间的可能的连接关系。
在步骤S108中，分别获取每个血管区域的血管段及血管分叉点。
例如，可以通过计算分形学(又可以称为计算形态学)，获取每个血管区域包含的血管段及血管分叉点。
在步骤S110中，根据关联矩阵，将各血管区域分别包含的血管段、血管分叉点及其之间的连接关系，构建为以血管段及血管分叉点为节点的血管图。
例如，可以首先将各血管区域包含的血管段、血管分叉点、及血管段与血管分叉点之间连接关系构建为初步的血管图，之后再根据关联矩阵M，将各血管区域之间的连接关系补入该初步的血管图中，得到最终的血管图(如可记为G)。
在步骤S112中，基于血管图中的多个连通子图，建立对应的多棵血管树。
其中，各血管树中的节点分别为与其对应的连通子图包含的血管段。
血管图中可以包括多个连通子图，每个连通子图中的各血管段是相互连接的，而连通子图之间的血管不相连接。基于各连通子图，建立相对应的各血管树。例如，左右肺部之间的血管不相互连接，因而分属于不同的连通子图，可以分别构建出不同的血管树。
根据本发明实施方式提供的基于医学影像的血管树生成方法，针对分割出的血管影像，可对血管影像本身的形态、结构、特征及血管之间的连接关系进行分析，并构建出精确的血管树。该血管树不仅可用于病变识别，还可以用于对通过其他方式识别出的病变区域进一步的进行研判，以获得更精确的病变识别结果。图3和图4分别示出了基于扫描到的视网膜影像及肺部影像根据上述血管树生成方法所生成的血管树。其中图3(a)和图4(a)分别示出了扫描到的视网膜影像及肺部影像，图3(b)和图4(b)分别示出了视网膜影像及肺部影像所对应的血管树。由图3和图4可以看出，通过该方法，可以基于获取到的医学影像生成精确的血管树。
应清楚地理解，本发明描述了如何形成和使用特定示例，但本发明的原理不限于这些示例的任何细节。相反，基于本发明公开的内容的教导，这些原理能够应用于许多其它实施方式。
图5是根据一示例性实施方式示出的另一种基于医学影像的血管树生成方法的流程图。与图1所示的基于医学影像的血管树生成方法10不同的是，图5所示的基于医学影像的血管树生成方法20进一步提供了根据多个血管区域之间的邻近关系，建立多个血管区域的关联矩阵的方法。
参考图5，基于医学影像的血管树生成方法20包括：
在步骤S202中，针对医学影像的每一层图像，分别对多个血管区域进行处理：
1.将多个血管区域rx在该层覆盖的区域作为结点，***空间索引结构Ik。
该空间索引结构Ik例如可以为现有的Rtree结构索引，或者也可以为现有的其他空间索引结构。
2.针对每个血管区域rx，扩展与其相邻的体素，获得该血管区域的扩展区域，如可记为rx’。
3.以该血管区域的扩展区域rx’为空间查询条件，在空间索引结构Ik中查找与该血管区域rx交叠的交叠血管区域ry。
4.根据扩展次数，对关联矩阵M中的相应元素赋值。
例如，初始化扩展次数z＝0，且rx’＝rx。
如果关联矩阵M中元素mxy等于0或者mxy大于z，则使将z赋值给mxy及myx。
完成本次扩展后，如果扩展次数z没有达到预设的阈值(如2～6个体素)，则跳转到步骤2，重复执行。
在步骤S204中，获得多个血管区域的关联矩阵。
当针对各层完成上述操作后，建立起最终的多个血管区域的关联矩阵。
图6是根据一示例性实施方式示出的再一种基于医学影像的血管树生成方法的流程图。与图1所示的基于医学影像的血管树生成方法10不同的是，图6所示的基于医学影像的血管树生成方法30进一步提供了分别获取每个血管区域的血管段及血管分叉点的方法。
参考图6，基于医学影像的血管树生成方法30包括：针对每个血管区域分别执行如下步骤：
在步骤S302中，通过计算分形学，为该血管区域生成相应的多个三维骨架。
采用计算分形学中现有的骨架提取(skeletonization)方法，可为每个血管区域生成相应的三维骨架。图7示出了为图2所示的血管区域所生成的三维骨架在一层的截面图。
在步骤S304中，分别从每个三维骨架中获取血管分叉点。
血管分叉点为周围有2个或多于2个相邻体素的体素，例如如图7中灰色体素。
在具体实现时，例如可以将血管分叉点的体素值置为-1，且将其标记为虚拟节点，并加入到虚拟节点集合S中。
在步骤S306中，针对每个三维骨架：去掉其中的血管分叉点，以获得该三维骨架中的多个血管段骨架；分别对多个血管段骨架进行区域增长，以获得与多个血管段骨架分别对应的多个血管段；并分别确定多个血管段的属性。
图8是根据一示例示出的血管段的生成过程的示意图。其中，图8(a)示出了骨架的各血管分叉点s。
去除各血管分叉点s后，利用连通区域的标签(labeling)方法，获得如图8(b)所示的各血管段骨架。血管段骨架实际上是不含任何血管分支的血管段的中心线。
将每个血管段骨架进行区域增长，还原成如图8(c)所示的血管段。具体地，对每个血管段依次向周围扩展相邻的血管区域中的体素，直到没有血管区域体素可以被扩展为止。
算法方案例如可以包括：基于Matrix-Vector Iteration框架进行算法设计。
定义血管区域的体素关联矩阵A，其中当两个体素相邻时，对应矩阵A中的元素为1，否则为0。为这些体素的血管段分配向量b。由于血管段骨架已知并标有大于0的编号，将其中的点在向量b上赋值为血管段骨架的编号。
重复下述操作：
1.使gij＝aijbj，表示体素i通过边aij可以到达血管骨架bj；
2.使bi’＝max(gi1,gi2,…,gin)，其决定了体素i最终可达的血管段骨架；
3.如果bi等于0，则使得bi＝bi’。
直到向量b中所有元素不为0，即获得了分配，从而完成了从血管段骨架到血管段的区域增长。
血管段集合例如可以记为V，每个血管段v∈V。
之后分别计算每个血管段的属性，血管段属性可以包括：血管段的长度、半径、方向、体素集合等，可以被分别记为{l,r,θ,C}。
其中，每个血管段v对应的体素的集合被记为C。
血管段v的半径可以通过公式(1)计算：
其中，函数dist(p,Pc)表示属于O的点p到该血管段v对应的骨架Pc的距离。
计算每个血管段v的方向θ：将血管段所有的体素C的主要分布方向作为该血管段v的方向。将血管段的体素集合C表示为3×N的体素点坐标矩阵，每个三维列向量c∈C为其中的一个体素坐标。因此，可以利用主成分分析法(Principal Component Analysis，PCA)，获得体素点分布的方向，即
其中为C中体素的平均坐标。
血管段v的长度l可以通过公式(2)计算：
其中，T表示转置。
图9是根据一示例性实施方式示出的再一种基于医学影像的血管树生成方法的流程图。与图1所示的基于医学影像的血管树生成方法10不同的是，图9所示的基于医学影像的血管树生成方法40进一步提供了基于所述血管图中的多个连通子图，建立对应的多棵血管树的方法。
参考图9，基于医学影像的血管树生成方法40包括：
在步骤S402中，针对每个连通子图，选取其中与心脏距离最近、半径最大且只有一个与其相邻的血管分叉点的血管段作为该血管树的根节点。
例如，可以将该根节点记为vc。图10示出了根据如图8所示的各血管段生成血管树的过程。其中图10(a)为多个血管段和血管分叉点的示意图，图10(b)为根据图10(a)中的血管段和血管分叉点构建的血管图中的一个连通子图的示意图。图10(c)示出了根据图10(b)所示的连通子图生成的血管树的示意图。
如图10(b)所示，血管段v0符合血管树根节点的选取规则。
在步骤S404中，从根节点开始，依次处理该连通子图中的所有节点，包括：针对该节点的每个相邻的血管分叉点：
1.获取该血管分叉点的相邻节点。
以处理如图10(b)中的根节点v0为例，其血管分叉点s0的相邻节点分别为血管段v1和v4,。
2.从相邻节点中选取其中之一作为血管树的主干节点，并标记其他相邻节点为分支节点。
从相邻节点中选取其中之一作为血管树的主干节点例如可以包括：按照公式(3)选取主干节点：
其中vτ表示该主干节点，表示该血管分叉点的相邻节点的集合。σ＝2～5个体素，表示血管节点之间半径差的上限
3.连接该节点与主干节点，构成并将其标记为主干边τ。
4.连接该节点与分支节点，构成并将其标记为分支边b。
构造完成的血管树如图10(c)所示。
图11是根据一示例性实施方式示出的一种基于血管树的病变识别方法的流程图。
参考图11，基于血管树的病变识别方法50包括：
在步骤S502中，基于根据上述基于医学影像的血管树生成方法10～40中的任一种生成的血管树，根据预定义的病变识别规则，进行病变识别。
在一些实施例中，病变识别规则包括以下规则中的部分或全部：
当血管树中的节点数目小于预设的节点数目阈值时，确定血管树对应的区域存在病变。
例如，该血管树只有孤立的根节点，或者节点非常少，也即树根深度很小，则确定该血管树对应的区域存在病变。该节点数目阈值在应用时可以根据实际需求而设置。
当血管树中的节点与其相邻节点的半径差值均大于预设的第一半径阈值时，确定节点对应的区域存在病变。
该第一半径阈值例如可以设置为1～5体素数，但本发明不以此为限。
当采用广度优先遍历策略遍历血管树的各节点时，确定前后访问的两个节点的半径差值落在预设的半径范围之外的节点对应的区域存在病变。
该半径范围例如可以设置为[-1,2]，但本发明不以此为限。
当血管树的分支节点的半径大于预设的第二半径阈值时，确定分支节点对应的区域存在病变。
该第二半径阈值例如可以设置为1～5，但本发明不以此为限。
对于医学影像为左右对称器官的影像，当器官左右两边最大的两棵血管树中节点的半径分布曲线的KL距离大于预设的第一距离阈值时，确定两棵血管树对应的区域存在病变。
KL距离，是Kullback-Leibler差异(Kullback-Leibler Divergence)的简称，也叫做相对熵(Relative Entropy)。它衡量的是相同事件空间里的两个概率分布的差异情况。
具体地，假设两棵血管树中节点的半径分布向量为p1和p2，则其KL距离根据公式(4)计算：
其中，p1和p2为归一化向量，p1(x)与p2(x)分别为两棵血管树中节点的半径分布函数，即半径大小为x的血管段数量比例分别为p1(x)与p2(x)。
图12示出了根据该识别规则识别出的肺部病变的示意图。如图12(a)所示，左右肺部的对应的两棵血管树中节点的半径的分布曲线之间的KL距离大于第一距离阈值，对应取出每层的CT扫描图，找到如图12(b)所示的大片病变，并且在很多层都可以看到。
对于医学影像为左右非对称器官的影像，当血管树中节点的半径分布曲线与标准半径曲线的KL距离大于预设的第二距离阈值时，确定血管树对应的区域存在病变。
该标准半径曲线例如可以通过统计所有正常人群在标准化后的血管树中节点半径的分布曲线而获得。
标准化方法对于(x，y，z)∈Ql进行如下变换获得：
x’＝(x-x_min)/(x_max-x_min)
y’＝(y-y_min)/(y_max-x_min)
z’＝(z-z_min)/(z_max-z_min)
Ql表示CT影像三维张量Q的器官分割区域张量，x_min,x_max表示Ql中非0体素坐标的最小横坐标、最大横坐标。其他坐标同理。
上述第一距离阈值和第二距离阈值在应用时可以根据实际需求而进行设置。
根据本发明实施方式提供的基于血管树的病变识别方法，基于构建的血管树，根据预定义的病变识别规则，可以精确地识别出医学影像中的病变。
图13是根据一示例性实施方式示出的一种基于血管树的病变区域研判方法的流程图。
参考图13，基于血管树的病变区域研判方法60包括：
在步骤S602中，基于根据上述基于医学影像的血管树生成方法10～40中的任一种生成的血管树，根据预定义的病变研判规则，对待研判区域进行病变研判。
在一些实施例中，病变研判规则包括以下规则中的部分或全部：
当待研判区域的半径与待研判区域所在的血管树的节点的半径的差值大于预设的第一半径阈值时，确定待研判区域为病变区域。
该第一半径阈值例如可以设置为1～5，但本发明不以此为限。
当待研判区域所在的血管树的节点数少于预设的第一节点数目阈值时，确定待研判区域为病变区域。
当待研判区域的半径与待研判区域所在的血管树的节点的所有相邻节点的半径的差值均大于预设的第二半径阈值时，确定待研判区域为病变区域。
当待研判区域所在的血管树的节点的半径大于第三半径阈值(例如为0.5～2)，且节点的子树的节点小于第二节点数目阈值时，确定待研判区域为病变区域。
需要说明的是，上述各阈值在应用时，可以根据实际需求设置，本发明不以此为限。
根据本发明实施方式提供的基于血管树的病变区域研判方法，基于构建的血管树，根据预定义的病变研判规则，可以对识别出的病变区域进一步进行研判，以提高病变识别的准确度。
本领域技术人员可以理解实现上述实施方式的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
此外，需要注意的是，上述附图仅是根据本发明示例性实施方式的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
图14是根据一示例性实施方式示出的一种基于医学影像的血管树生成装置的框图。
参考图14，基于医学影像的血管树生成装置70包括：影像获取模块702、区域分割模块704、矩阵建立模块706、血管段获取模块708、血管图构建模块710及血管树建立模块712。
其中，影像获取模块702用于获取医学影像，所述医学影像包括多个体素。
区域分割模块704用于从医学影像中分割出多个血管区域，血管区域包括：血管及与血管具有相似特征的体素。
矩阵建立模块706用于根据多个血管区域之间的邻近关系，建立多个血管区域的关联矩阵。
血管段获取模块708用于分别获取每个血管区域的血管段及血管分叉点。
血管图构建模块710用于根据关联矩阵，将各血管区域分别包含的血管段、血管分叉点及其之间的连接关系，构建以血管段及血管分叉点为节点的血管图。
血管树建立模块712用于基于血管图中的多个连通子图，建立对应的多棵血管树。
其中，每棵血管树包括主干节点和分支节点。
在一些实施例中，矩阵建立模块706包括：第一建立单元和第二建立单元。其中，第一建立单元用于针对医学影像的每一层图像：将多个血管区域在该层覆盖的区域作为结点，***空间索引结构；针对每个血管区域，扩展相邻的体素，获得该血管区域的扩展区域；以该血管区域的扩展区域为空间查询条件，在空间索引结构中查找与该血管区域交叠的交叠血管区域；根据对每个血管区域的扩展次数，对关联矩阵中的相应元素赋值。第二建立单元用于获得多个血管区域的关联矩阵。
在一些实施例中，血管段获取模块708包括：骨架生成单元、分叉点去除单元及血管段获得单元。其中，骨架生成单元用于通过计算分形学，为该血管区域生成相应的多个三维骨架。分叉点去除单元用于分别从每个三维骨架中获取出血管分叉点，血管分叉点为周围有2个或多于2个相邻体素的体素。血管段获得单元用于针对每个三维骨架：去掉其中的血管分叉点，以获得该三维骨架中的多个血管段骨架；分别对多个血管段骨架进行区域增长，以获得与多个血管段骨架分别对应的多个血管段；并分别确定多个血管段的属性，属性包括：血管段的长度、半径、方向、体素集合。
在一些实施例中，血管段获得单元还包括：矩阵构建子单元、向量构建子单元及区域增长子单元。矩阵构建子单元用于构建所述血管区域的体素关联矩阵A，其中当两个体素相邻时，所述关联矩阵A中的元素为1；当两个体素不相邻时，所述关联矩阵A中的元素为0；向量构建子单元用于构建各血管段的向量b，并其中的点在所述向量b上赋值为对应所述血管段骨架的编号；区域增长子单元用于重复下述步骤，直到所述向量b中所有元素不为0，从而获得所述血管段：
1)使gij＝aijbj，其中aij为所述关联矩阵A中的元素，bj为所述向量b中元素；
2)使bi’＝max(gi1,gi2,…,gin)；
3)如果bj等于0，则使得bj等于bi’。
在一些实施例中，每棵血管树包括主干节点和分支节点。血管树建立模块712包括：第一建立单元，用于针对每个连通子图，选取其中与心脏距离最近、半径最大且只有一个与其相邻的血管分叉点的血管段为血管树的根节点；从根节点开始，依次处理该连通子图中的所有节点，包括：针对该节点的每个相邻的血管分叉点：获取该血管分叉点的相邻节点；从相邻节点中选取其中之一作为主干节点，并标记其他相邻节点为分支节点；连接该节点与主干节点，构成主干边；连接该节点与分支节点，构成分支边。
根据本发明实施方式提供的基于医学影像的血管树生成方装置，针对分割出的血管影像，可对血管影像本身的形态、结构、特征及血管之间的连接关系进行分析，并构建出精确的血管树。该血管树不仅可用于病变识别，还可以用于对通过其他方式识别出的病变区域进一步的进行研判，以获得更精确的病变识别结果。
图15是根据一示例性实施方式示出的一种基于血管树的病变识别装置的框图。
参考图15，基于血管树的病变识别装置80包括：病变识别模块802，用于基于根据上述基于医学影像的血管树生成方法10～40中的任一种生成的血管树，根据预定义的病变识别规则，进行病变识别。
在一些实施例中，病变研判规则包括以下规则中的部分或全部：
当待研判区域的半径与待研判区域所在的血管树的节点的半径的差值大于预设的第一半径阈值时，确定待研判区域为病变区域；
当待研判区域所在的血管树的节点数少于预设的第一节点数目阈值时，确定待研判区域为病变区域；
当待研判区域的半径与待研判区域所在的血管树的节点的所有相邻节点的半径的差值均大于预设的第二半径阈值时，确定待研判区域为病变区域；
当待研判区域所在的血管树的节点的半径大于第三半径阈值，且节点的子树的节点小于第二节点数目阈值时，确定待研判区域为病变区域。
根据本发明实施方式提供的基于血管树的病变识别装置，基于构建的血管树，根据预定义的病变识别规则，可以精确地识别出医学影像中的病变。
图16是根据一示例性实施方式示出的一种基于血管树的病变区域研判装置的框图。
参考图16，基于血管树的病变区域研判装置90包括：病变研判模块902，用于基于根据上述基于医学影像的血管树生成方法10～40中的任一种生成的血管树，根据预定义的病变研判规则，对待研判区域进行病变研判。
在一些实施例中，病变研判规则包括以下规则中的部分或全部：
当待研判区域的半径与待研判区域所在的血管树的节点的半径的差值大于预设的第一半径阈值时，确定待研判区域为病变区域；
当待研判区域所在的血管树的节点数少于预设的第一节点数目阈值时，确定待研判区域为病变区域；
当待研判区域的半径与待研判区域所在的血管树的节点的所有相邻节点的半径的差值均大于预设的第二半径阈值时，确定待研判区域为病变区域；
当待研判区域所在的血管树的节点的半径大于第三半径阈值，且节点的子树的节点小于第二节点数目阈值时，确定待研判区域为病变区域。
根据本发明实施方式提供的基于血管树的病变区域研判装置，基于构建的血管树，根据预定义的病变研判规则，可以对识别出的病变区域进一步进行研判，以提高病变识别的准确度。
需要注意的是，上述附图中所示的框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图17是根据一示例性实施方式示出的一种电子设备的结构示意图。需要说明的是，图17示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图17所示，电子设备800以通用计算机设备的形式表现。电子设备800的组件包括：至少一个中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序代码或者从至少一个存储单元808加载到随机访问存储器(RAM)803中的程序代码而执行各种适当的动作和处理。
特别地，根据本发明的实施例，所述程序代码可以被中央处理单元801执行，使得中央处理单元801执行本说明书上述方法实施例部分中描述的根据本发明各种示例性实施方式的步骤。例如，中央处理单元801可以执行如图1、图5、图6、图9、图11或图14中所示的步骤。
在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。CPU 801、ROM802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入单元806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出单元807；包括硬盘等的存储单元808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信单元809。通信单元809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储单元808。
图18是根据一示例性实施方式示出的一种计算机可读存储介质的示意图。
参考图18所示，描述了根据本发明的实施方式的设置为实现上述方法的程序产品900，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如图1、图5、图6、图9、图11或图14中所示的功能。
以上具体地示出和描述了本发明的示例性实施方式。应可理解的是，本发明不限于这里描述的详细结构、设置方式或实现方法；相反，本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (14)
1.一种基于医学影像的血管树生成方法，其特征在于，包括：
获取医学影像，所述医学影像包括多个体素；
从所述医学影像中分割出多个血管区域，所述血管区域包括：血管及与血管具有相似特征的体素；
根据所述多个血管区域之间的邻近关系，建立所述多个血管区域的关联矩阵；
分别获取每个所述血管区域的血管段及血管分叉点；
根据所述关联矩阵，将各所述血管区域分别包含的所述血管段、所述血管分叉点及其之间的连接关系，构建为以所述血管段及所述血管分叉点为节点的血管图；以及
基于所述血管图中的多个连通子图，建立对应的多棵血管树；
其中，所述血管树中的节点分别为与其对应的所述连通子图包含的所述血管段。
2.根据权利要求1所述的方法，其特征在于，根据所述多个血管区域之间的邻近关系，建立所述多个血管区域的关联矩阵包括：
针对所述医学影像的每一层图像：将所述多个血管区域在该层覆盖的区域作为结点，***空间索引结构；针对每个所述血管区域，扩展相邻的体素，获得该血管区域的扩展区域；以该血管区域的扩展区域为空间查询条件，在所述空间索引结构中查找与该血管区域交叠的交叠血管区域；根据对每个所述血管区域的扩展次数，对所述关联矩阵中的相应元素赋值；以及
获得所述多个血管区域的所述关联矩阵。
3.根据权利要求1所述的方法，其特征在于，分别获取每个所述血管区域的血管段及血管分叉点包括：针对每个所述血管区域：
通过计算分形学，为该血管区域生成相应的多个三维骨架；
分别从每个三维骨架中获取出所述血管分叉点，所述血管分叉点为周围有2个或多于2个相邻体素的体素；以及
针对每个所述三维骨架：去掉其中的所述血管分叉点，以获得该三维骨架中的多个血管段骨架；分别对所述多个血管段骨架进行区域增长，以获得与所述多个血管段骨架分别对应的多个所述血管段；并分别确定所述多个血管段的属性，所述属性包括：所述血管段的长度、半径、方向、体素集合。
4.根据权利要求3所述的方法，其特征在于，分别对所述多个血管段骨架进行区域增长，以获得与所述多个血管段骨架分别对应的多个所述血管段包括：
构建所述血管区域的体素关联矩阵A，其中当两个体素相邻时，所述关联矩阵A中的元素为1；当两个体素不相邻时，所述关联矩阵A中的元素为0；
构建各血管段的向量b，并其中的点在所述向量b上赋值为对应所述血管段骨架的编号；
重复下述步骤，直到所述向量b中所有元素不为0，从而获得所述血管段：
1)使gij＝aijbj，其中aij为所述关联矩阵A中的元素，bj为所述向量b中元素；
2)使bi’＝max(gi1,gi2,…,gin)；
3)如果bj等于0，则使得bj等于bi’。
5.根据权利要求1所述的方法，其特征在于，每棵所述血管树包括主干节点和分支节点；基于所述血管图中的多个连通子图，建立对应的多棵血管树包括：针对每个所述连通子图，选取其中与心脏距离最近、半径最大且只有一个与其相邻的所述血管分叉点的所述血管段为所述血管树的根节点；从所述根节点开始，依次处理该连通子图中的所有节点，包括：
针对该节点的每个相邻的血管分叉点：获取该血管分叉点的相邻节点；从所述相邻节点中选取其中之一作为所述主干节点，并标记其他相邻节点为所述分支节点；连接该节点与所述主干节点，构成主干边；连接该节点与所述分支节点，构成分支边。
6.一种基于血管树的病变识别方法，其特征在于，包括：
基于根据权利要求1-5任一项所述的基于医学影像的血管树生成方法所生成的血管树，根据预定义的病变识别规则，进行病变识别。
7.根据权利要求6所述的方法，其特征在于，所述病变识别规则包括以下规则中的部分或全部：
当所述血管树中的节点数目小于预设的节点数目阈值时，确定所述血管树对应的区域存在病变；
当所述血管树中的节点与其相邻节点的半径差值均大于预设的第一半径阈值时，确定所述节点对应的区域存在病变；
当采用广度优先遍历策略遍历所述血管树的各节点时，确定前后访问的两个节点的半径差值落在预设的半径范围之外的节点对应的区域存在病变；
当所述血管树的分支节点的半径大于预设的第二半径阈值时，确定所述分支节点对应的区域存在病变；
对于医学影像为左右对称器官的影像，当所述器官左右两边最大的两棵血管树中节点的半径分布曲线的KL距离大于预设的第一距离阈值时，确定所述两棵血管树对应的区域存在病变；
对于医学影像为左右非对称器官的影像，当所述血管树中节点的半径分布曲线与标准半径曲线的KL距离大于预设的第二距离阈值时，确定所述血管树对应的区域存在病变。
8.一种基于血管树的病变区域研判方法，其特征在于，包括：
基于根据权利要求1-5任一项所述的基于医学影像的血管树生成方法所生成的血管树，根据预定义的病变研判规则，对待研判区域进行病变研判。
9.根据权利要求8所述的方法，其特征在于，所述病变研判规则包括以下规则中的部分或全部：
当所述待研判区域的半径与所述待研判区域所在的所述血管树的节点的半径的差值大于预设的第一半径阈值时，确定所述待研判区域为病变区域；
当所述待研判区域所在的血管树的节点数少于预设的第一节点数目阈值时，确定所述待研判区域为病变区域；
当所述待研判区域的半径与所述待研判区域所在的所述血管树的节点的所有相邻节点的半径的差值均大于预设的第二半径阈值时，确定所述待研判区域为病变区域；
当所述待研判区域所在的所述血管树的节点的半径大于第三半径阈值，且所述节点的子树的节点小于第二节点数目阈值时，确定所述待研判区域为病变区域。
10.一种基于医学影像的血管树生成装置，其特征在于，包括：
影像获取模块，用于获取医学影像，所述医学影像包括多个体素；
区域分割模块，用于从所述医学影像中分割出多个血管区域，所述血管区域包括：血管及与血管具有相似特征的体素；
矩阵建立模块，用于根据所述多个血管区域之间的邻近关系，建立所述多个血管区域的关联矩阵；
血管段获取模块，用于分别获取每个所述血管区域的血管段及血管分叉点；
血管图构建模块，用于根据所述关联矩阵，将各所述血管区域分别包含的所述血管段、所述血管分叉点及其之间的连接关系，构建为以所述血管段及所述血管分叉点为节点的血管图；以及
血管树建立模块，用于基于所述血管图中的多个连通子图，建立对应的多棵血管树；
其中，每棵血管树包括主干节点和分支节点。
11.一种基于血管树的病变识别装置，其特征在于，包括：
病变识别模块，用于基于根据权利要求1-5任一项所述的基于医学影像的血管树生成方法所生成的血管树，根据预定义的病变识别规则，进行病变识别。
12.一种基于血管树的病变区域研判装置，其特征在于，包括：
病变研判模块，用于基于根据权利要求1-5任一项所述的基于医学影像的血管树生成方法所生成的血管树，根据预定义的病变研判规则，对待研判区域进行病变研判。
13.一种计算机设备，包括：存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令，其特征在于，所述处理器执行所述可执行指令时实现如权利要求1-9任一项所述的方法。
14.一种计算机可读存储介质，其上存储有计算机可执行指令，其特征在于，所述可执行指令被处理器执行时实现如权利要求1-9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910425253.6A CN111986205B (zh) | 2019-05-21 | 2019-05-21 | 血管树生成及病变识别方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910425253.6A CN111986205B (zh) | 2019-05-21 | 2019-05-21 | 血管树生成及病变识别方法、装置、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111986205A CN111986205A (zh) | 2020-11-24 |
| CN111986205B true CN111986205B (zh) | 2024-04-02 |
Family
ID=73437592
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910425253.6A Active CN111986205B (zh) | 2019-05-21 | 2019-05-21 | 血管树生成及病变识别方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111986205B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115272159A (zh) * | 2021-04-30 | 2022-11-01 | 数坤(北京)网络科技股份有限公司 | 一种图像识别方法、装置、电子设备和可读存储介质 |
| CN115375705B (zh) * | 2022-08-04 | 2023-03-31 | 北京医准智能科技有限公司 | 一种血管分割方法、装置、电子设备及存储介质 |
| WO2024125528A1 (en) * | 2022-12-12 | 2024-06-20 | Shanghai United Imaging Intelligence Co., Ltd. | Lesion identification systems and methods |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102254083A (zh) * | 2010-04-26 | 2011-11-23 | 西门子公司 | 用于对血管树进行自动矢量化的方法和计算机*** |
| CN107545585A (zh) * | 2016-06-28 | 2018-01-05 | 西门子保健有限责任公司 | 用于配准第一图像数据组和第二图像数据组的方法和设备 |
| CN111986137A (zh) * | 2019-05-21 | 2020-11-24 | 梁红霞 | 生物器官病变检测方法、装置、设备及可读存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8150113B2 (en) * | 2008-01-23 | 2012-04-03 | Carestream Health, Inc. | Method for lung lesion location identification |
-
2019
- 2019-05-21 CN CN201910425253.6A patent/CN111986205B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102254083A (zh) * | 2010-04-26 | 2011-11-23 | 西门子公司 | 用于对血管树进行自动矢量化的方法和计算机*** |
| CN107545585A (zh) * | 2016-06-28 | 2018-01-05 | 西门子保健有限责任公司 | 用于配准第一图像数据组和第二图像数据组的方法和设备 |
| CN111986137A (zh) * | 2019-05-21 | 2020-11-24 | 梁红霞 | 生物器官病变检测方法、装置、设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111986205A (zh) | 2020-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别*** | |
| CN108416802B (zh) | 一种基于深度学习的多模医学图像非刚性配准方法及*** | |
| CN110689038A (zh) | 神经网络模型的训练方法、装置和医学图像处理*** | |
| CN111986205B (zh) | 血管树生成及病变识别方法、装置、设备及可读存储介质 | |
| US7095890B2 (en) | Integration of visual information, anatomic constraints and prior shape knowledge for medical segmentations | |
| CN109215033A (zh) | 图像分割的方法及*** | |
| Lei et al. | Brain tumor segmentation in MR images using a sparse constrained level set algorithm | |
| JP6626344B2 (ja) | 画像処理装置、画像処理装置の制御方法およびプログラム | |
| CN111986137B (zh) | 生物器官病变检测方法、装置、设备及可读存储介质 | |
| Zhao et al. | Automatic retinal vessel segmentation using multi-scale superpixel chain tracking | |
| JP2009517163A (ja) | 画像内の参照構造に関連付けられた構造をセグメント化する方法、システム及びコンピュータ・プログラム | |
| CN113538471B (zh) | 斑块的分割方法、装置、计算机设备和存储介质 | |
| Sivanesan et al. | Unsupervised medical image segmentation with adversarial networks: From edge diagrams to segmentation maps | |
| Cerrolaza et al. | Fetal skull segmentation in 3D ultrasound via structured geodesic random forest | |
| CN111461065A (zh) | 管状结构识别方法、装置、计算机设备和可读存储介质 | |
| Oghli et al. | Left ventricle segmentation using a combination of region growing and graph based method | |
| CN117474930A (zh) | 关于ct图像左心房和左心耳组织的联合分割方法和*** | |
| CN116958705A (zh) | 基于图神经网络的医学影像归类*** | |
| WO2022227193A1 (zh) | 肝脏区域分割方法、装置、电子设备及存储介质 | |
| Zhou et al. | Automatic segmentation of liver from CT scans with CCP–TSPM algorithm | |
| Szmul et al. | Supervoxels for graph cuts-based deformable image registration using guided image filtering | |
| CN115690486A (zh) | 识别图像中病灶方法、装置、设备及存储介质 | |
| Tufail et al. | Extraction of region of interest from brain MRI by converting images into neutrosophic domain using the modified S-function | |
| He et al. | Semi-automatic 3D segmentation of brain structures from MRI | |
| Yang et al. | Scale-aware auto-context-guided Fetal US segmentation with structured random forests |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Liang Hongxia Inventor after: Zhao Lijun Inventor after: Liu Shenghua Inventor after: Dong Ailian Inventor before: Liang Hongxia Inventor before: Zhao Lijun Inventor before: Zhang Xiaoya Inventor before: Dong Ailian |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |