CN113888690A - 用于确定血管中的目标区段的方法、设备和介质 - Google Patents
用于确定血管中的目标区段的方法、设备和介质 Download PDFInfo
- Publication number
- CN113888690A CN113888690A CN202111214801.4A CN202111214801A CN113888690A CN 113888690 A CN113888690 A CN 113888690A CN 202111214801 A CN202111214801 A CN 202111214801A CN 113888690 A CN113888690 A CN 113888690A
- Authority
- CN
- China
- Prior art keywords
- point
- vector
- target
- tangent plane
- blood vessel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 81
- 239000013598 vector Substances 0.000 claims description 200
- 230000033001 locomotion Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 2
- 238000002513 implantation Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 32
- 238000012545 processing Methods 0.000 description 18
- 230000000875 corresponding effect Effects 0.000 description 15
- 210000002376 aorta thoracic Anatomy 0.000 description 11
- 206010028980 Neoplasm Diseases 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 7
- 238000002591 computed tomography Methods 0.000 description 6
- 230000003902 lesion Effects 0.000 description 6
- 230000000877 morphologic effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000002583 angiography Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 231100000216 vascular lesion Toxicity 0.000 description 4
- 101001020552 Rattus norvegicus LIM/homeobox protein Lhx1 Proteins 0.000 description 3
- 208000007536 Thrombosis Diseases 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002792 vascular Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 208000037803 restenosis Diseases 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
- 210000001631 vena cava inferior Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/10—Geometric effects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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)
- Computer Graphics (AREA)
- Geometry (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开的实施例涉及用于确定血管中的目标区段的方法、设备和介质。在该方法中,获取基于三维医疗影像数据而重建的关于目标血管的三维模型;基于所述三维模型,生成目标血管的中心线以及中心线点集;在目标血管的候选区段的中心线上选择起始点和末端点,以便计算起始点和末端点之间的沿血管壁的最大长度和最小长度;以及基于目标对象的长度,调整所选择的末端点在中心线上的位置,以便基于调整后的末端点而更新的沿血管壁的最大长度和最小长度来确定目标血管中与目标对象相匹配的目标区段。由此,能够更为准确地确定适于目标对象置入的血管的目标区段。
Description
技术领域
本公开的实施例总体涉及医学图像处理领域,并且更具体地涉及一种用于确定血管中的目标区段的方法、计算设备和计算机可读存储介质。
背景技术
当血管因为存在病变或者其他原因而需要置入目标对象(例如而不限于支架)时,需要测量血管病灶处的形态及尺寸信息,例如,测量迂曲沿壁长度,以便匹配合适的目标对象。由于血管病灶处的形态特征复杂,单凭纯粹的临床经验很难快速精准地确定合适的支架型号以及匹配的目标对象置入区段。
传统的用于确定血管中的目标区段的方案例如是:结合血管造影术所形成的图像,并且通常以血管中线作为支架选型的基准参数来评估支架参数与血管病病变处的匹配情况。但是,由于血管造影图像是二维影像,其投照***有限,因而无法全方位展示病变血管的形态特征;另外,对于存在广泛的弥漫性斑块的血管,选择的目标血管自身存在病变,无法准确评估斑块长度及狭窄程度;再者,以血管中线作为支架选型的基准参数,存在一定不足,无法准确表征置入目标对象的血管区段的有效长度,特别是对于迂曲、重叠的血管,基于血管造影图像测量病变血管中线作为支架选型的基准参数,存在较为明显的误差。上述情形将导致无法准确地确定血管病变位置处的形态特征。进而造成目标对象置入位置不规范、或者选型错误,从而导致不良并发症发生的情况,例如支架内血栓形成、支架引起对侧血栓形成、支架内再狭窄等,严重影响支架的通畅率和患者的生活质量。若支架进入下腔静脉过多易阻塞对侧血流,引起对侧血流阻塞,导致对侧静脉高压或血栓形成。
综上,传统的用于确定血管中的目标区段的方案所存在的不足之处在于:难以准确地确定血管病变位置处的形态特征,进而导致目标对象置入位置确定不规范、或者选型错误。
发明内容
针对上述问题,本公开提供了一种用于确定血管中的目标区段的方法、计算设备和计算机可读存储介质,能够更为准确地确定适于目标对象置入的血管的目标区段。
根据本公开的第一方面,提供了一种用于确定血管中的目标区段的方法,包括:获取基于三维医疗影像数据而重建的关于目标血管的三维模型;基于所述三维模型,生成目标血管的中心线以及中心线点集;在目标血管的候选区段的中心线上选择起始点和末端点,以便计算起始点和末端点之间的沿血管壁的最大长度和最小长度;以及基于目标对象的长度,调整所选择的末端点在中心线上的位置,以便基于调整后的末端点而更新的沿血管壁的最大长度和最小长度来确定目标血管中与目标对象相匹配的目标区段。
根据本公开的第二方面,提供了一种计算设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开的第一方面的方法。
在本公开的第三方面中,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中计算机指令用于使计算机执行本公开的第一方面的方法。
在一些实施例中,计算起始点和末端点之间的沿血管壁的最大长度和最小长度包括:确定用于表征候选区段的血管壁表面的曲线点集;基于曲线点集的坐标信息,计算曲线点集中的相邻两点之间的距离;累加所计算的相邻两点之间的距离,以便生成用于表征血管壁表面的多个曲线的多个长度;以及比较所生成的多个长度,以便确定计算起始点和末端点之间的沿血管壁的最大长度、最小长度和对应的最大长度点集、最小长度点集。
在一些实施例中,计算起始点和末端点之间的沿血管壁的最大长度、最小长度还包括:在候选区段的中心线上,确定距离所选择的起始点最近的第一点和第二点,以便获得从第一点指向起始点的第一向量、从起始点指向第二点的第二向量;确定第一向量与第二向量所形成的夹角是否为角度阈值;响应于确定第一向量与第二向量所形成的夹角为角度阈值,基于第一向量和第二向量计算所选择的起始点位置处的切线向量;基于所计算的起始点位置处的切线向量,确定两个互相垂直第一单位向量、第二单位向量;确定第一反向单位向量和第二反向单位向量,第一反向单位向量为第一单位向量的反向向量,第二反向单位向量为第二单位向量的反向向量;以起始点为起点,沿着第一单位向量、第二单位向量、第一反向单位向量和第二反向单位向量所指示的四个方向进行搜索,以便生成起始点所在切面的切面点坐标集;以及基于切面点坐标集的坐标信息,确定起始点所在切面的切面中心点。
在一些实施例中,计算起始点和末端点之间的沿血管壁的最大长度和最小长度还包括:基于第一单位向量、第二单位向量、第一反向单位向量和第二反向单位向量,生成平均向量集合,平均向量集合中包括2的n次幂个平均向量;基于所确定的切面中心点,沿2的n次幂个平均向量中每一个平均向量的方向进行搜索,以便获得起始点所在切面的切面圆周点集,所述切面圆周点集包括三维模型中用于限定目标血管的边界的2的n次幂个边界点,n为自然数;计算切面圆周点集中的相邻两点之间的距离;累加所计算的切面圆周点集中所有相邻两点之间的距离,以便生成起始点所在切面的圆周周长;以及基于圆周周长,计算起始点所在切面的等效半径。
在一些实施例中,确定用于表征候选区段的血管壁表面的曲线点集包括:在候选区段的中心线上,选择起始点和末端点之间的所有中心点,以便生成候选区段的中心点集;在候选区段的中心点集中,过滤掉与相邻中点的距离小于距离阈值的中点,以便生成经过滤的中心点集;以及计算经过滤的中心点集中的各中点所在切面的圆周周长,以便生成各中点所在切面的等效半径的集合。
在一些实施例中,生成各中点所在切面的等效半径的集合包括:比较起始点所在切面的等效半径与末端点所在切面的等效半径,以便确定最大等效半径;计算经过滤的中心点集中的、位于起始点与末端点之间的当前中点所在切面的圆周周长,以便生成当前中点所在切面的半径;确定当前中点所在切面的半径是否大于最大等效半径;响应于确定当前中点所在切面的半径大于最大等效半径,以最大等效半径作为当前中点所在切面的等效半径;响应于确定当前中点所在切面的半径小于或者等于最大等效半径,以所生成的当前中点所在切面的半径作为当前中点所在切面的等效半径;以及基于经过滤的中心点集中的各中点所在切面的等效半径,生成各中点所在切面的等效半径的集合。在一些实施例中,确定用于表征目标区段的血管壁表面的曲线点集还包括:选取起始点所在切面的切面圆周点集中的点;以起始点指向所选取的点的向量为搜索方向,并且以起始点所在切面的等效半径为搜索距离进行搜索,以便获得曲线点集的起点;基于起始点位置处的切线向量和中心点集中的非起始点所在面,计算非起始点的前一点在非起始点所在面的投影点;基于投影点和非起始点,确定与非起始点相关联的搜索方向向量;以及基于与非起始点相关联的搜索方向向量和等效半径的集合中与非起始点相关联的等效半径,进行搜索,以便得到与非起始点对应的曲线点集中的点。
在一些实施例中,调整所选择的末端点在中心线上的位置,以便基于调整后的末端点而更新的沿血管壁的最大长度和最小长度来确定目标血管中与目标对象相匹配的目标区段包括:在候选区段的中心线上的点中,确定距离所选择的末端点最近的第三点和第四点,以便生成从末端点指向第三点的第三向量,以及从末端点指向第四点的第四向量;将第三向量和第四向量进行归一化,以便生成模向量;基于所生成的模向量和预定系数,生成移动向量;将移动向量与所选择的末端点相加,以生成更新的末端点;以及基于更新的末端点,更新沿血管壁的最大长度、最小长度和曲线点集。
在一些实施例中,调整所选择的末端点在中心线上的位置,以便基于调整后的末端点而更新的沿血管壁的最大长度和最小长度来确定目标血管中与目标对象相匹配的目标区段包括:持续调整更新的末端点,直至确定基于当前更新的末端点所更新的沿血管壁的最大长度和最小长度匹配目标对象的长度;以及基于当前更新的末端点,确定血管中与目标对象相匹配的目标区段,所述目标对象为血管支架。
在一些实施例中,基于所述三维模型,生成目标血管的中心线以及中心线点集包括:
基于目标血管的当前跟踪位置和当前跟踪方向生成目标血管的当前切面,所述当前切面包括所述血管的当前中心点;基于所生成的当前切面的大小确定当前跟踪步长,以便基于所述当前跟踪步长以及所述当前跟踪方向,确定目标血管的下一跟踪位置;基于所述当前跟踪方向、所述当前中心点、所述下一跟踪位置以及预定的角度阈值,确定目标血管的下一跟踪方向;基于所述下一跟踪位置和下一跟踪方向生成目标血管的下一切面,以便依次生成的所述血管的所有切面;以及基于所生成的目标血管的所有切面的中心点,生成目标血管的中心线以及中心线点集。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标注表示相同或相似的元素。
图1示出了用于实现根据本发明的实施例的用于确定血管中的目标区段的方法的***100的示意图。
图2示出了根据本公开的实施例的用于确定血管中的目标区段的方法200的流程图。
图3示出了根据本公开的实施例的用于计算起始点和末端点之间的沿血管壁的最大长度和最小长度的方法300的流程图。
图4示出了根据本公开的实施例的用于确定用于表征候选区段的血管壁表面的曲线点集的方法400的流程图。
图5示出了根据本公开的实施例的用于生成目标血管的中心线以及中心线点集的方法500的流程图。
图6示出了根据本公开的实施例的所计算的起始点和末端点之间的沿血管壁的最大长度和最小长度的示意图。
图7示出了根据本公开的实施例的基于调整后末端点所计算的起始点和末端点之间的沿血管壁的最大长度和最小长度的示意图。
图8示出了根据本公开的实施例的针对存在非囊状肿瘤的胸主动脉确定匹配目标对象的目标区域的示意图。
图9示出了根据本公开的实施例的针对覆盖囊状肿瘤的胸主动脉确定匹配目标对象的目标区域的示意图。
图10示出了根据本公开的实施例的确定目标血管的下一跟踪方向的方法的示意图。
图11示出了根据本公开的实施例的调整血管的下一跟踪方向的示意图。
图12示出了根据本公开的实施例的所生成的目标血管的中点所在切面或目标血管的分支血管的拦截面1200的示意图。
图13示出了根据本公开的实施例的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如前文所描述,在传统的基于X线血管造影图像来确定血管中的目标区段的方案中,由于血管造影图像是二维影像,无法全方位展示病变血管的形态特征;另外,对于广泛的弥漫性斑块,或者迂曲、重叠的血管,基于血管造影图像所测量的病变血管长度会存在一定误差,进而造成目标对象置入位置不规范、或者选型错误,从而导致不良并发症发生的情况。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个,本公开的示例实施例提出了一种用于确定血管中的目标区段的方案,在本公开方案中,通过获取基于三维医疗影像数据而重建的关于目标血管的三维模型,然后基于所述三维模型来生成目标血管的中心线以及中心线点集;以及在目标血管的候选区段的中心线上选择起始点和末端点,以便计算起始点和末端点之间的沿血管壁的最大长度和最小长度,本公开可以准确确定血管的沿壁的长度,由于目标对象置入的目的是在血管中贴壁附着后达到支撑血管的作用,因而测量血管沿壁的长度即轮廓线尺寸能够更为准确表征经由目标对象支撑的直段血管的有效长度。另外,本公开通过基于目标对象的长度,调整所选择的末端点在中心线上的位置,以便基于调整后的末端点而更新的沿血管壁的最大长度和最小长度来确定目标血管中与目标对象相匹配的目标区段。本公开可以利用血管沿壁的长度匹配目标对象的长度,能够更为准确地确定适于目标对象置入的血管的目标区段。
图1示出了用于实现根据本发明的实施例的用于确定血管中的目标区段的方法的***100的示意图。如图1中所示,***100包括计算设备110和医学影像成像设备130和网络140。计算设备110、医学影像成像设备130可以通过网络140(例如,因特网)进行数据交互。
医学影像成像设备130,其例如可以生成关于血管的三维医学影像数据。医学影像成像设备130还可以将所成像的三维医学影像数据发送给计算设备110。医学影像成像设备例如而不限于是:计算机断层扫描(CT)设备、磁共振(magnetic resonance,MR)成像设备、超声成像设备、核医学成像设备(PET-CT、PET-MR等)。医学影像成像设备130例如针对包含目标血管的某一目标部位进行断面扫描,从而得到多层的图像,将该多层的图像例如在z轴上堆叠起来就可以形成三维图像数据。
关于计算设备110,其例如用于获取来自医学影像成像设备130的三维医学影像数据;针对所获取的三维医学影像数据重建关于目标血管的三维模型。计算设备110还可以基于所重建的三维模型,生成目标血管的中心线以及中心线点集;以及在目标血管的候选区段的中心线上选择起始点和末端点,以便计算起始点和末端点之间的沿血管壁的最大长度和最小长度。计算设备110还可以基于目标对象的长度,调整所选择的末端点在中心线上的位置,以便基于调整后的末端点而更新的沿血管壁的最大长度和最小长度来确定目标血管中与目标对象相匹配的目标区段。计算设备110可以具有一个或多个处理单元,包括诸如GPU、FPGA和ASIC等的专用处理单元以及诸如CPU的通用处理单元。另外,在每个计算设备110上也可以运行着一个或多个虚拟机。在一些实施例中,计算设备110与医学影像成像设备130可以集成在一起,也可以是彼此分立设置。在一些实施例中,计算设备110例如包括目标血管三维模型获取单元112、中心线和中心线点集生成单元114、最大长度和最小长度计算单元116、目标区段确定单元118。
关于目标血管三维模型获取单元112,其用于获取基于三维医疗影像数据而重建的关于目标血管的三维模型。
关于中心线和中心线点集生成单元114,其用于获取基于三维医疗影像数据而重建的关于目标血管的三维模型。
关于最大长度和最小长度计算单元116,其用于在目标血管的候选区段的中心线上选择起始点和末端点,以便计算起始点和末端点之间的沿血管壁的最大长度和最小长度。
关于目标区段确定单元118,其用于基于目标对象的长度,调整所选择的末端点在中心线上的位置,以便基于调整后的末端点而更新的沿血管壁的最大长度和最小长度来确定目标血管中与目标对象相匹配的目标区段。
以下结合图2、图6至图9说明用于确定血管中的目标区段的方法200。图2示出了根据本公开的实施例的用于确定血管中的目标区段的方法200的流程图。方法200可由如图1所示的计算设备110执行,也可以在图13所示的电子设备1300处执行。应当理解的是,方法200还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在步骤202处,计算设备110获取基于三维医疗影像数据而重建的关于目标血管的三维模型。
关于目标血管,其可以是主脉血管或主脉血管的多个分支血管中的任一血管。
关于三维医疗影像数据,其例如而不限于是针对含有目标血管的目标部位的3DCT图像,其中每一个医学影像关联有标记数据。应当理解,CT(Computed Tomography),即电子计算机断层扫描,它是利用精确准直的X线束、γ射线、超声波等,与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描。由于该图像技术能清晰地观察到血管的解剖学结构,因此有利于基于3D CT图像实现目标血管的三维重构,以便很好地呈现血管形态以及精确测量、准确定位目标血管的病变范围。应当理解,其他三维医疗影像数据也可以用于关于目标血管的三维模型。
关于三维模型,其例如是计算设备110获取的预先建立的、关于目标血管的三维模型。
应当理解,三维模型也可以是计算设备110基于三维医疗影像数据,经由神经网络模型所构架的分割模型所分割的关于目标血管的多个二维分割图像;然后拼接关于目标血管的多个二维分割图像而生成的。例如,计算设备110可以获取医学影像序列;然后计算设备110针对所获取的医学影像序列进行分割,以便生成二维影像序列;针对二维影像序列进行预处理,以便输入经训练的分割模型;经由分割模型生成关于目标血管的多个二维分割图像;拼接关于目标血管的多个二维分割图像,以便生成关于目标血管的三维模型。该分割模型例如而不限于是基于U-Net网络模型、3D U-Net网络模型所构建。在一些实施例中,将计算设备110还可以将包含目标血管在内的三维医疗影像经由预处理后输入三维重建模型中,对模型进行对应医学影像信息标注后通过AI模块的深度学习训练而生成关于目标血管的三维模型。
在步骤204处,计算设备110基于所述三维模型,生成目标血管的中心线以及中心线点集。
关于生成目标血管的中心线以及中心线点集的方法,其可以包括多种。例如,基于最小路径技术的中心线提取方法、基于形变模型和几何模型组合的中心线提取方法,以及直接中心线跟踪的方法。0.1 0.20.15应变高的要注意
在一些实施例中,生成中心线以及中心线点集的方法例如包括:计算设备110基于目标血管的当前跟踪位置和当前跟踪方向生成目标血管的当前切面,所述当前切面包括所述血管的当前中心点;基于所生成的当前切面的大小确定当前跟踪步长,以便基于所述当前跟踪步长以及所述当前跟踪方向,确定目标血管的下一跟踪位置;基于所述当前跟踪方向、所述当前中心点、所述下一跟踪位置以及预定的角度阈值,确定目标血管的下一跟踪方向;基于所述下一跟踪位置和下一跟踪方向生成目标血管的下一切面,以便依次生成的所述血管的所有切面;以及基于所生成的目标血管的所有切面的中心点,生成目标血管的中心线以及中心线点集。下文将结合图5详细说明用于生成目标血管的中心线以及中心线点集的方法500,在此,不再赘述。
在步骤206处,计算设备110在目标血管的候选区段的中心线上选择起始点和末端点,以便计算起始点和末端点之间的沿血管壁的最大长度和最小长度。
图6示出了根据本公开的实施例的所计算的起始点和末端点之间的沿血管壁的最大长度和最小长度的示意图。如图6所示,在弯形目标血管(即的靶血管)的中心线606上选择起始点P1与的末端点P2,计算出起始点P1与的末端点P2之间的沿血管壁的最大长度602为97.7304mm,沿血管壁的最小长度604为54.2.4784mm。另外,可计算出起始点P1与的末端点P2之间的中心线长度为74.8292mm。
关于计算起始点和末端点之间的沿血管壁的最大长度和最小长度的方法,其例如包括:计算设备110确定用于表征候选区段的血管壁表面的曲线点集;基于曲线点集的坐标信息,计算曲线点集中的相邻两点之间的距离;累加所计算的相邻两点之间的距离,以便生成用于表征血管壁表面的多个曲线的多个长度;以及比较所生成的多个长度,以便确定计算起始点和末端点之间的沿血管壁的最大长度、最小长度和对应的最大长度点集、最小长度点集。
例如,计算设备110确定用于表征目标血管表面的曲线点集E(E1,E2,E3…Ei);基于曲线点集E(E1,E2,E3…Ei)的坐标信息,根据欧氏距离(Euclidean Distance)计算公式,计算曲线点集中的相邻两点(例如,纵向相邻的两点)之间的距离;然后累加所计算的相邻两点之间的距离,以便生成用于表征血管壁表面的曲线的多个长度L1、L2、L3…Li…Ln;比较所生成的多个长度L1、L2、L3…Li…Ln,以便确定计算起始点P1和末端点P2之间的沿血管壁的最大长度Lmax、最小长度Lmin和对应的最大长度点集Emax和最小长度点集Emin。
关于生成用于表征血管壁表面的曲线的多个长度的方法,其例如包括:计算设备110任意选取起始点P1所在切面的切面圆周点集M(M1,M2,…Mi…Mn)中的点Mi;然后,以起始点P1指向所选取的点Mi的向量S1作为搜索方向,并且以起始点P1所在切面的等效半径R1(即,等效半径点集R中与起始点P1所在切面对应的等效半径R1)为搜索距离进行搜索,以便获得曲线点集的起点E1;针对经过滤的中心点集U中的其他的非起始点Ui,基于起始点位置处的切线向量Normi和中心点集中的非起始点Ui所在面Planei,计算非起始点Ui的前一点Ui-1在非起始点Ui所在面Planei的投影点Vi;将投影点Vi与中心点集U中的其他的非起始点Ui相减,确定与非起始点Ui相关联的搜索方向向量S;基于等效半径的集合R中与非起始点Ui对应的等效半径Ri确定搜索距离;以及基于非起始点Ui相关联的搜索方向向量S和所确定的搜索距离,进行搜索,以便得到与非起始点Ui对应的曲线点集中的点Ei,进而确定用于表征目标血管表面的曲线点集E。计算设备110基于曲线点集E的坐标信息,累加曲线点集中的相邻两点之间的距离,以得到与对应的血管表面的曲线的长度Li。按照上述步骤迭代起始点P1所在切面的切面圆周点集M(M1,M2,…Mi…Mn)中所有的点后可得到多个长度L1、L2、L3…Li…Ln。
以下结合公式(1)说明根据欧氏距离(Euclidean Distance)计算计算曲线点集中的相邻两点之间的距离的方法。
在上述公式(1)中,(x1,y1,z1)代表曲线点集中的相邻两点中的前一点的坐标数据。(x2,y2,z2)代表曲线点集中的相邻两点中的后一点的坐标数据。distance代表所计算的相邻两点之间的距离。
在步骤208处,计算设备110基于目标对象的长度,调整所选择的末端点在中心线上的位置,以便基于调整后的末端点而更新的沿血管壁的最大长度和最小长度来确定目标血管中与目标对象相匹配的目标区段。
关于调整所选择的末端点的方法,其例如包括:在延中心线向上或者向下移动末端点。
应当理解,目标对象(例如为血管支架)具有型号及其尺寸参数。例如,计算设备110获取目标对象(例如为血管支架)的最大长度为100mm。图6中所选择的起始点P1与的末端点P2之间的沿血管壁的最大长度602为97.7304mm,小于目标对象(例如为血管支架)的最大长度100mm,需要调整末端点P2。例如,计算设备110将图6中的末端点P2移动至图7所示的更新的末端点P2’的位置。图7示出了根据本公开的实施例的基于调整后末端点所计算的起始点和末端点之间的沿血管壁的最大长度和最小长度的示意图。如图7所示,对于更新的末端点P2’,起始点P1至更新的末端点P2’之间的区段的沿血管壁的最大长度702为100.0012mm,沿血管壁的最小长度704为52.6576mm,另外,中心线长度为76.0272mm。可见,上述基于更新的末端点P2’测量出所更新的沿血管壁的最大长度702和最小长度704符合目标对象(100mm血管支架)置入的要求,因此,图7中轮廓线708所截取区段为与目标对象(100mm血管支架)相匹配的目标区段。
关于更新的沿血管壁的最大长度和最小长度的方法,其例如包括:计算设备110在候选区段的中心线上的点中,确定距离所选择的末端点最近的第三点和第四点,以便生成从末端点指向第三点的第三向量,以及从末端点指向第四点的第四向量;将第三向量和第四向量进行归一化,以便生成模向量;基于所生成的模向量和预定系数,生成移动向量;将移动向量与所选择的末端点相加,以生成更新的末端点;以及基于更新的末端点,更新沿血管壁的最大长度、最小长度和曲线点集。
例如,计算设备110基于步骤204得到的中心线点集N,确定距离步骤206所选择的末端点P2最近的第三点O1和第四点O2(即末端点P2的前后临近点),生成从末端点P2指向第三点O1的第三向量P2O1以及从末端点P2指向第四点O2的第四向量P2O2(第三向量P2O和第四向量P2O2分别对应沿中线向上移动和向下移动);然后将第三向量P2O和第四向量P2O2进行归一化,以便生成模向量;之后,将所得到的模向量乘以预定系数α(α例如为0.1-0.5),以生成移动向量J。然后,计算设备110将末端点P2与移动向量J相加,可得更新的末端点P2',进而生成更新的沿血管壁的最大长度Lmax'、最小长度Lmin'和对应的最大长度点集Emax'和最小长度点集Emin'。
以下结合公式(2)和(3)说明进行归一化的方法。
在上述公式(2)和(3)中,x(x1,x2,…xn)代表向量。norm(x)代表向量x(x1,x2,…xn)的L2范数。应当理解,要使向量x归一化到单位L2范数,即建立一个从向量x′(x′1,x′2,…x′n)的映射,使得量x′的L2范数为1。
关于基于调整后的末端点而更新的沿血管壁的最大长度和最小长度来确定目标血管中与目标对象相匹配的目标区段的方法,其例如包括:计算设备110持续调整更新的末端点,直至确定基于当前更新的末端点所更新的沿血管壁的最大长度和最小长度匹配目标对象的长度;以及基于当前更新的末端点,确定血管中与目标对象相匹配的目标区段,所述目标对象为血管支架。例如,计算设备110确认起始点至更新的末端点之间的整段血管是否符合目标对象置入的要求;如果确定整段血管符合目标对象置入的要求,则确定起始点至更新的末端点之间的区段为目标区段;如果确定整段血管不符合目标对象置入的要求,则继续调整更新的末端点,或者确定是否更换目标对象的长度。
例如,目标血管为存在非囊状肿瘤的胸主动脉,拟置入胸主动脉的目标对象为150mm的血管支架。图8示出了根据本公开的实施例的针对存在非囊状肿瘤的胸主动脉确定匹配目标对象的目标区域的示意图。如图8所示,对于起始点P1至更新的末端点P2’之间的区段的沿血管壁的最大长度802为150.01mm,沿血管壁的最小长度804为87.38mm,另外,中心线806长度为118.64mm。计算设备110确认图8中的起始点P1至更新的末端点P2’之间的整段血管符合目标对象置入的要求,因此,在图8中存在非囊状肿瘤的胸主动脉上的轮廓线808所截取区段为与目标对象(150mm血管支架)相匹配的目标区段。
例如,目标血管为覆盖有囊状肿瘤的胸主动脉,拟置入胸主动脉的目标对象为180mm的血管支架。图9示出了根据本公开的实施例的针对覆盖囊状肿瘤的胸主动脉确定匹配目标对象的目标区域的示意图。应当理解,目标血管为覆盖有囊状肿瘤的胸主动脉,囊状肿瘤的囊状结构910对于目标血管的沿壁的长度即轮廓线尺寸存在影响,因此,为了更为准确表征经由目标对象支撑的直段血管的有效长度,有必要剔除囊状结构对于目标血管的沿壁长度的影响。如图9所示,将所计算的起始点P1至更新的末端点P2’之间的区段的沿血管壁的最大长度和最小长度中剔除囊状结构910对于目标血管的沿壁长度的影响,剔除囊状结构的影响之后,最大长度902为180.46mm,最小长度904为128.78mm。另外,中心线906长度为154.12mm。计算设备110确认图9中的起始点P1至更新的末端点P2’之间的整段血管符合目标对象置入的要求,因此,在图9中覆盖有囊状肿瘤的胸主动脉上的轮廓线908所截取区段为与目标对象(180mm血管支架)相匹配的目标区段。
在上述方案中,通过获取基于三维医疗影像数据而重建的关于目标血管的三维模型,然后基于所述三维模型来生成目标血管的中心线以及中心线点集;以及在目标血管的候选区段的中心线上选择起始点和末端点,以便计算起始点和末端点之间的沿血管壁的最大长度和最小长度,本公开可以准确确定血管的沿壁的长度,由于目标对象置入的目的是在血管中贴壁附着后达到支撑血管的作用,因而测量血管沿壁的长度即轮廓线尺寸能够更为准确表征经由目标对象支撑的直段血管的有效长度。另外,本公开通过基于目标对象的长度,调整所选择的末端点在中心线上的位置,以便基于调整后的末端点而更新的沿血管壁的最大长度和最小长度来确定目标血管中与目标对象相匹配的目标区段。本公开可以利用血管沿壁的长度匹配目标对象的长度,能够更为准确地确定适于目标对象置入的血管的目标区段。
图3示出了根据本公开的实施例的用于计算起始点和末端点之间的沿血管壁的最大长度和最小长度的方法300的流程图。方法300可由如图1所示的计算设备110执行,也可以在图13所示的电子设备1300处执行。应当理解的是,方法300还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在步骤302,计算设备110在候选区段的中心线上,确定距离所选择的起始点最近的第一点和第二点,以便获得从第一点指向起始点的第一向量、从起始点指向第二点的第二向量。
例如,计算设备110根据欧氏距离(Euclidean Distance)计算公式,在目标血管的中心线点集N中的候选区段中确定距离起始点P1最近的第一点q1和第二点q2;以便获得从第一点q1指向起始点P1的第一向量q1P1、从起始点P1指向第二点q2的第二向量P1q2。
在步骤304,计算设备110确定第一向量与第二向量所形成的夹角是否为角度阈值。例如,计算设备110根据三维向量夹角公式计算第一向量与第二向量所形成的夹角;以及确定第一向量与第二向量所形成的夹角是否为180°。如果计算设备110确定第一向量与第二向量所形成的夹角不为角度阈值,则表明所确定的第一点q1和第二点q2并非中心点上的P1的前后临近点,此时,需要跳转至步骤302,重新确定距离所选择的起始点P1的前后临近点。
关于角度阈值,其例如而不限于为180°。在一些实施例中,角度阈值为接近180°的角度值。
以下结合公式(4)说明计算三维向量夹角的方法。
在上述公式(4)中,(x1,y1,z1)代表第一向量。(x2,y2,z2)代表第二向量。θ代表第一向量与第二向量之间的三维向量夹角。
在步骤306,如果计算设备110确定第一向量与第二向量所形成的夹角为角度阈值,基于第一向量和第二向量计算所选择的起始点位置处的切线向量。
例如,如果计算设备110确定第一向量q1P1与第二向量P1q2所形成的夹角为180°,根据向量第一向量q1P1和第二向量P1q2计算起始点P1位置处的切线向量Norm。
在步骤308,计算设备110基于所计算的起始点位置处的切线向量,确定两个互相垂直第一单位向量、第二单位向量。例如,计算设备110基于步骤306所计算的切线向量Norm,确定任意两个互相垂直的第一单位向量a和第二单位向量b。
在步骤310,计算设备110确定第一反向单位向量和第二反向单位向量,第一反向单位向量为第一单位向量的反向向量,第二反向单位向量为第二单位向量的反向向量。例如,计算设备110确定第一单位向量a的反向向量为第一反向单位向量-a;以及确定第二单位向量b的反向向量为第二反向单位向量-b。通过采用上述手段,本公开确定了四个方向的搜索单位步长。应当理解,上述单位向量或者反向单位向量中的单位的长度,即搜索单位步长,小于三维图像体素之间的最小间距。
在步骤312,计算设备110以起始点为起点,沿着第一单位向量、第二单位向量、第一反向单位向量和第二反向单位向量所指示的四个方向进行搜索,以便生成起始点所在切面的切面点坐标集。例如,计算设备110以起始点P1作为起点,沿步骤308和步骤310所确定的第一单位向量a、第二单位向量b、第一反向单位向量-a、第二反向单位向量-b四个方向进行设定查找值的广度优先搜索(BFS)。关于目标血管的三维模型的全局边界位置的阙值为0,如果计算设备110确定搜索的反馈值为阙值“0”或者指示搜索到已知切面,则退回上一层搜索;如果计算设备110确定所有返回值均为阙值“0”或者指示搜索到已知切面,则结束搜索,借此获得一组起始点P1所在切面的切面坐标集S。
在步骤314,计算设备110基于切面点坐标集的坐标信息,确定起始点所在切面的切面中心点。例如,计算设备110基于起始点P1所在切面的切面坐标集S的坐标平均值,确定起始点P1所在切面的中心点Cout。
在步骤316,计算设备110基于第一单位向量、第二单位向量、第一反向单位向量和第二反向单位向量,生成平均向量集合,平均向量集合中包括2的n次幂个平均向量。例如,计算设备110基于步骤308和步骤310所确定的第一单位向量a、第二单位向量b、第一反向单位向量-a、第二反向单位向量-b,对任意两两相邻向量相加后取平均向量,以便生成8个平均向量,然后针对8个平均向量中的任意两两相邻向量相加后取平均向量,以便生成16个平均向量;迭代n-2次后,获得2n个平均向量;基于2n个平均向量组成平均向量集合T。
在步骤318,计算设备110基于所确定的切面中心点,沿2的n次幂个平均向量中每一个平均向量的方向进行搜索,以便获得起始点所在切面的切面圆周点集,所述切面圆周点集包括三维模型中用于限定目标血管的边界的2的n次幂个边界点。应当理解,血管的边界的边界点的数量与平均向量的数量相同。
例如,计算设备110基于步骤314所确定的起始点P1所在切面的中心点Cout,沿步骤316所获得的平均向量集合T中所有向量的平均向量进行有序搜索(例如如图12所示);如果计算设备110确认搜索到关于目标血管的三维模型的边界位置则停止搜索,并返还坐标值,以便最终获得2n(2的n次幂)个用于限定目标血管的边界的边界点的坐标值,以构成起始点所在切面的切面圆周点集(M1,M2,…Mi…Mn)。切面圆周点集例如是图12中的标记1202所指示。
在步骤320,计算设备110计算切面圆周点集中的相邻两点之间的距离。例如,计算设备110根据欧氏距离(Euclidean Distance)计算公式,计算步骤318所获得的起始点所在切面的切面圆周点集(M1,M2,…Mi…Mn)中的相邻两点之间的距离。
在步骤322,计算设备110累加所计算的切面圆周点集中所有相邻两点之间的距离,以便生成起始点所在切面的圆周周长。例如,计算设备110累加所计算的所有相邻点的距离,以便生成起始点所在切面的圆周周长perimeter。
在步骤324,计算设备110基于圆周周长,计算起始点所在切面的等效半径。例如,计算设备110以圆周周长perimeter画完美圆,完美圆的直径即为起始点P1所在切面的等效直径Dp。则为起始点P1所在切面的等效半径。
通过采用上述手段,本公开能够准确并快速地确定基于所确定的等效半径为搜索距离进行搜索,以便准确并快速地获得曲线点集,以用于确定目标血管的沿血管壁的最大长度和最小长度。
图4示出了根据本公开的实施例的用于确定用于表征候选区段的血管壁表面的曲线点集的方法400的流程图。方法400可由如图1所示的计算设备110执行,也可以在图13所示的电子设备1300处执行。应当理解的是,方法400还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在步骤402,计算设备110在候选区段的中心线上,选择起始点和末端点之间的所有中心点,以便生成候选区段的中心点集。例如,计算设备110基于所选择的起始点P1和末端点P2,从中心线点集N中截取候选区段的所有中点,构成候选区段的中心点集C。
在步骤404,计算设备110在候选区段的中心点集中,过滤掉与相邻中点的距离小于距离阈值的中点,以便生成经过滤的中心点集。例如,中心线中的中点之间的间距为0.5,通过设置以距离阈值d并且剔除间隔小于距离阈值d的相邻中点,本公开可以得到间距经控制的稀疏处理后的一段中心线。
例如,计算设备110针对候选区段的中心点集C的所有中点进行以下迭代处理:根据欧氏距离(Euclidean Distance)计算公式求得相邻中点之间的距离;以距离阈值d(距离阈值d例如为最小距离)作为剔除标准,删除候选区段的中心点集C中与上一个中点距离值小于距离阈值d的中点,以便得到经过滤的中心点集U{U1,U2,U3…Un},使得经过滤的中心点集U{U1,U2,U3…Un}中的所有点之间的距离不小于距离阈值d,其中,经过滤的中心点集U中的中点U1对应起始点P1,中点Un对应末端点P2。
在步骤406,计算设备110计算经过滤的中心点集中的各中点所在切面的圆周周长,以便生成各中点所在切面的等效半径的集合。例如,计算设备110针对经过滤的中心点集U中的各中点进行以下迭代处理:针对经过滤的中心点集U中的各中点计算各个中点所在切面的圆周周长,以便生成各中点所在切面的等效半径的集合R{R1,R2,R3…Rn}。
关于生成各中点所在切面的等效半径的集合R{R1,R2,R3…Rn}的方法,其例如包括:比较起始点所在切面(即,起始切面)的等效半径与末端点所在切面(即,结束切面)的等效半径,以便确定最大等效半径;计算经过滤的中心点集中的、位于起始点与末端点之间的当前中点所在切面(即,当前其它切面)的圆周周长,以便生成当前中点所在切面的半径;确定当前中点所在切面的半径是否大于最大等效半径;响应于确定当前中点所在切面的半径大于最大等效半径,以最大等效半径作为当前中点所在切面的等效半径;响应于确定当前中点所在切面的半径小于或者等于最大等效半径,以所生成的当前中点所在切面的半径作为当前中点所在切面的等效半径;以及基于经过滤的中心点集中的各中点所在切面的等效半径,生成各中点所在切面的等效半径的集合。例如,起始切面的等效半径与结束切面的等效半径中的最大值,即,最大等效半径为Rlim,如果当前其它切面的等效半径为r,如果r>Rlim,当前其它切面的等效半径记为Rlim,反之,则当前其它切面的等效半径记为r。
在步骤408,计算设备110选取起始点所在切面的切面圆周点集中的点。例如,计算设备110任意选取起始点P1所在切面的切面圆周点集M(M1,M2,…Mi…Mn)中的点Mi。
在步骤410,计算设备110以起始点指向所选取的点的向量为搜索方向,并且以起始点所在切面的等效半径为搜索距离进行搜索,以便获得曲线点集的起点。例如,计算设备110以起始点P1指向所选取的点Mi的向量S1作为搜索方向,并且以起始点P1所在切面的等效半径R1(即,等效半径点集R中与起始点P1所在切面的等效半径R1)为搜索距离进行搜索,以便获得曲线点集的起点E1。
在步骤412,计算设备110基于起始点位置处的切线向量和中心点集中的非起始点所在面,计算非起始点的前一点在非起始点所在面的投影点。例如,计算设备110针对经过滤的中心点集U中的其他的非起始点Ui,(i不等于1),基于起始点位置处的切线向量Normi和中心点集中的非起始点Ui所在面Planei,计算非起始点Ui的前一点Ui-1在非起始点Ui所在面Planei的投影点Vi。通过采用上述手段,本公开可以准确确定曲线点集中纵向关联的点,以便基于曲线点集中纵向关联的点准确计算用于表征血管壁表面的曲线的长度。
在步骤414,计算设备110基于投影点和非起始点,确定与非起始点相关联的搜索方向向量。例如,计算设备110将投影点Vi与中心点集U中的其他的非起始点Ui相减,确定与非起始点Ui相关联的搜索方向向量S。
在步骤416,计算设备110基于与非起始点相关联的搜索方向向量和等效半径的集合中与非起始点相关联的等效半径,进行搜索,以便得到与非起始点对应的曲线点集中的点。例如,计算设备110基于等效半径的集合R中与非起始点Ui对应的等效半径Ri确定搜索距离;以及基于非起始点Ui相关联的搜索方向向量S和所确定的搜索距离,进行搜索,以便得到与非起始点Ui对应的曲线点集中的点Ei。在一些实施例中,计算设备110针对经过滤的中心点集U中所有中点进行上述同样的搜索操作后可得到所有非起始点对应的曲线点集中的点;基于与步骤410所获得的曲线点集的起点E1和所有非起始点对应的曲线点集中的点,确定用于表征目标血管表面的曲线点集E。
通过采用上述手段,本公开能够准确并且快速地确定表征目标血管表面的曲线点集及其坐标信息。
以下结合图5、图10至图12说明用于生成目标血管的中心线以及中心线点集的方法500。
图5示出了根据本公开的实施例的用于生成目标血管的中心线以及中心线点集的方法500的流程图。图10示出了根据本公开的实施例的确定目标血管的下一跟踪方向的方法的示意图。图11示出了根据本公开的实施例的调整血管的下一跟踪方向的示意图。图12示出了根据本公开的实施例的所生成的目标血管的中点所在切面或目标血管的分支血管的拦截面1200的示意图。方法500可由如图1所示的计算设备110执行,也可以在图13所示的电子设备1300处执行。应当理解的是,方法500还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在步骤502,计算设备110基于目标血管的当前跟踪位置和当前跟踪方向生成目标血管的当前切面,所述当前切面包括所述血管的当前中心点。
初始的跟踪位置(如图10中的1010所指示,或者图11中的1110所指示)可以是目标血管的任意一点。初始的跟踪方向可以是目标血管的在初始的跟踪位置处的血管延伸方向。例如,如果目标血管在初始的跟踪位置处是上下延伸的,则初始的跟踪方向可以是沿目标血管向上的方向,也可以是沿目标血管向下的方向。
在步骤504,计算设备110基于所生成的当前切面的大小确定当前跟踪步长,以便基于所述当前跟踪步长以及所述当前跟踪方向,确定目标血管的下一跟踪位置。例如,计算设备110使得当前跟踪步长与当前切面的大小成正比。通过采用上述手段,本公开可以使得在提取血管的中心线的过程中,跟踪步长并不是固定的,而是会根据当前切面的大小而匹配地变化,避免在血管的转弯处因跟踪步长过大而误判血管的末端,也避免因跟踪步长过小而耗费过多的计算资源和时间。
在步骤506,计算设备110基于所述当前跟踪方向、所述当前中心点、所述下一跟踪位置以及预定的角度阈值,确定目标血管的下一跟踪方向。例如,计算设备110基于下一跟踪位置1006和当前跟踪方向1014,生成血管的预计的下一切面1008;确定当前中心点和预计的下一中心点1012的连线与当前跟踪方向1014之间的当前夹角1002是否大于预定的角度阈值;如果确定当前夹角小于或等于预定的角度阈值,则确定下一跟踪方向与当前跟踪方向一致;如果确定当前夹角大于预定的角度阈值大于预定的角度阈值,例如,图10所示的当前中心点和预计的下一中心点1012(即预计的下一切面1008的中心点)的连线与当前跟踪方向1014之间的当前夹角1002大于预定的角度阈值,则意味着预计的下一切面1008的中心点偏离了当前跟踪方向过多,此时意味着预计的下一切面1008处出现血管的弯折,此时例如需要调整下一跟踪方向,例如,基于当前跟踪方向和当前夹角,确定下一跟踪方向,使得所确定的下一跟踪方向与当前跟踪方向之间的夹角小于预定的角度阈值。例如,如图11所示,调整后的下一跟踪方向1112与当前跟踪方向1114之间的夹角1102小于预定的角度阈值。标记1108指示下一切面。通过采用上述手段,本公开能够有效地避免将血管转弯明显处或稍后的位置误判为血管的末端,从而有助于更精确地提取的血管的中心线。
在步骤508,计算设备110基于所述下一跟踪位置和下一跟踪方向生成目标血管的下一切面,以便依次生成的所述血管的所有切面。例如,计算设备110将下一跟踪位置和下一跟踪方向作为当前跟踪位置和当前跟踪方向,重复执行步骤502至步骤508,直至到达目标血管的末端。
在步骤510,计算设备110基于所生成的目标血管的所有切面的中心点,生成目标血管的中心线以及中心线点集。
关于生成目标血管的中心线以及中心线点集的方法,其例如包括:对基于所生成的目标血管的所有切面的中心点(即,所有切面的中心点的坐标)基于移动平均(movingaverage)算法进行平滑处理,以便得到经平滑处理的中心点集合。通过平滑处理,可有助于得到更高精度的血管中心线。
以下结合公式(5)说明基于移动平均(moving average)算法进行平滑处理的方法。
在上述公式(5)中,MAn代表经由移动平均平滑处理后的数据。Di代表周期i的待平滑处理数据。n代表移动平均的周期数。
在上述方案中,本公开即便针对弯曲明显的目标血管也能够精确地提取的血管的中心线。
在一些实施例中,方法500还可包括基于目标血管(例如,图9中的标记914所指示)与该目标血管的每一分支血管(例如,图9中的标记916所指示)的相交线上的任意两个点,生成目标血管与该分支血管之间的拦截面(例如,图9中的标记912所指示,以及图12所示的目标血管的分支血管的拦截面1200),所生成的拦截面可包括拦截面中心点、用于限定所述拦截面的拦截面点集以及用于限定所述拦截面的边界的拦截面边界点集;以及基于拦截面,确定所述当前切面的所述当前中心点、当前切面点集以及当前切面边界点集。通过采用上述手段,本公开可以避免因目标血管存在分支血管而导致的无法准确确定目标血管的边界,进而无法准确确定目标血管的中心线。应当理解,生成拦截面点集的方法类似于前文生成起始点所在切面的切面点坐标集的方法。在此,不再赘述。
图13示出了可以用来实施本公开内容的实施例的示例电子设备1300的示意性框图。例如,如图1所示的计算设备110可以由电子设备1300来实施。如图所示,电子设备1300包括中央处理单元(CPU)1301,其可以根据存储在只读存储器(ROM)1302中的计算机程序指令或者从存储单元1308加载到随机存取存储器(RAM)1303中的计算机程序指令,来执行各种适当的动作和处理。在随机存取存储器1303中,还可存储电子设备1300操作所需的各种程序和数据。中央处理单元1301、只读存储器1302以及随机存取存储器1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。
电子设备1300中的多个部件连接至输入/输出接口1305,包括:输入单元1306,例如键盘、鼠标、麦克风等;输出单元1307,例如各种类型的显示器、扬声器等;存储单元1308,例如磁盘、光盘等;以及通信单元1309,例如网卡、调制解调器、无线通信收发机等。通信单元1309允许设备1300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理,例如方法200、300、400和500,可由中央处理单元1301执行。例如,在一些实施例中,方法200、300、400和500可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1308。在一些实施例中,计算机程序的部分或者全部可以经由只读存储器1302和/或通信单元1309而被载入和/或安装到设备1300上。当计算机程序被加载到随机存取存储器1303并由中央处理单元1301执行时,可以执行上文描述的方法200、300、400和500的一个或多个动作。
本公开涉及方法、装置、***、电子设备、计算机可读存储介质和/或计算机程序产品。计算机程序产品可以包括用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘计算设备。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (12)
1.一种用于确定血管中的目标区段的方法,包括:
获取基于三维医疗影像数据而重建的关于目标血管的三维模型;
基于所述三维模型,生成目标血管的中心线以及中心线点集;
在目标血管的候选区段的中心线上选择起始点和末端点,以便计算起始点和末端点之间的沿血管壁的最大长度和最小长度;以及
基于目标对象的长度,调整所选择的末端点在中心线上的位置,以便基于调整后的末端点而更新的沿血管壁的最大长度和最小长度来确定目标血管中与目标对象相匹配的目标区段。
2.根据权利要求1所述的方法,其中计算起始点和末端点之间的沿血管壁的最大长度和最小长度包括:
确定用于表征候选区段的血管壁表面的曲线点集;
基于曲线点集的坐标信息,计算曲线点集中的相邻两点之间的距离;
累加所计算的相邻两点之间的距离,以便生成用于表征血管壁表面的多个曲线的多个长度;以及
比较所生成的多个长度,以便确定计算起始点和末端点之间的沿血管壁的最大长度、最小长度和对应的最大长度点集、最小长度点集。
3.根据权利要求2所述的方法,其中计算起始点和末端点之间的沿血管壁的最大长度、最小长度还包括:
在候选区段的中心线上,确定距离所选择的起始点最近的第一点和第二点,以便获得从第一点指向起始点的第一向量、从起始点指向第二点的第二向量;
确定第一向量与第二向量所形成的夹角是否为角度阈值;
响应于确定第一向量与第二向量所形成的夹角为角度阈值,基于第一向量和第二向量计算所选择的起始点位置处的切线向量;
基于所计算的起始点位置处的切线向量,确定两个互相垂直第一单位向量、第二单位向量;
确定第一反向单位向量和第二反向单位向量,第一反向单位向量为第一单位向量的反向向量,第二反向单位向量为第二单位向量的反向向量;
以起始点为起点,沿着第一单位向量、第二单位向量、第一反向单位向量和第二反向单位向量所指示的四个方向进行搜索,以便生成起始点所在切面的切面点坐标集;以及
基于切面点坐标集的坐标信息,确定起始点所在切面的切面中心点。
4.根据权利要求3所述的方法,其中计算起始点和末端点之间的沿血管壁的最大长度和最小长度还包括:
基于第一单位向量、第二单位向量、第一反向单位向量和第二反向单位向量,生成平均向量集合,平均向量集合中包括2的n次幂个平均向量;
基于所确定的切面中心点,沿2的n次幂个平均向量中每一个平均向量的方向进行搜索,以便获得起始点所在切面的切面圆周点集,所述切面圆周点集包括三维模型中用于限定目标血管的边界的2的n次幂个边界点,n为自然数;
计算切面圆周点集中的相邻两点之间的距离;
累加所计算的切面圆周点集中所有相邻两点之间的距离,以便生成起始点所在切面的圆周周长;以及
基于圆周周长,计算起始点所在切面的等效半径。
5.根据权利要求2所述的方法,其中确定用于表征候选区段的血管壁表面的曲线点集包括:
在候选区段的中心线上,选择起始点和末端点之间的所有中心点,以便生成候选区段的中心点集;
在候选区段的中心点集中,过滤掉与相邻中点的距离小于距离阈值的中点,以便生成经过滤的中心点集;以及
计算经过滤的中心点集中的各中点所在切面的圆周周长,以便生成各中点所在切面的等效半径的集合。
6.根据权利要求5所述的方法,其中生成各中点所在切面的等效半径的集合包括:
比较起始点所在切面的等效半径与末端点所在切面的等效半径,以便确定最大等效半径;
计算经过滤的中心点集中的、位于起始点与末端点之间的当前中点所在切面的圆周周长,以便生成当前中点所在切面的半径;
确定当前中点所在切面的半径是否大于最大等效半径;
响应于确定当前中点所在切面的半径大于最大等效半径,以最大等效半径作为当前中点所在切面的等效半径;
响应于确定当前中点所在切面的半径小于或者等于最大等效半径,以所生成的当前中点所在切面的半径作为当前中点所在切面的等效半径;以及
基于经过滤的中心点集中的各中点所在切面的等效半径,生成各中点所在切面的等效半径的集合。
7.根据权利要求5或6所述的方法,其中确定用于表征目标区段的血管壁表面的曲线点集还包括:
选取起始点所在切面的切面圆周点集中的点;
以起始点指向所选取的点的向量为搜索方向,并且以起始点所在切面的等效半径为搜索距离进行搜索,以便获得曲线点集的起点;
基于起始点位置处的切线向量和中心点集中的非起始点所在面,计算非起始点的前一点在非起始点所在面的投影点;
基于投影点和非起始点,确定与非起始点相关联的搜索方向向量;以及
基于与非起始点相关联的搜索方向向量和等效半径的集合中与非起始点相关联的等效半径,进行搜索,以便得到与非起始点对应的曲线点集中的点。
8.根据权利要求1所述的方法,其中调整所选择的末端点在中心线上的位置,以便基于调整后的末端点而更新的沿血管壁的最大长度和最小长度来确定目标血管中与目标对象相匹配的目标区段包括:
在候选区段的中心线上的点中,确定距离所选择的末端点最近的第三点和第四点,以便生成从末端点指向第三点的第三向量,以及从末端点指向第四点的第四向量;
将第三向量和第四向量进行归一化,以便生成模向量;
基于所生成的模向量和预定系数,生成移动向量;
将移动向量与所选择的末端点相加,以生成更新的末端点;以及
基于更新的末端点,更新沿血管壁的最大长度、最小长度和曲线点集。
9.根据权利要求8所述的方法,其中调整所选择的末端点在中心线上的位置,以便基于调整后的末端点而更新的沿血管壁的最大长度和最小长度来确定目标血管中与目标对象相匹配的目标区段包括:
持续调整更新的末端点,直至确定基于当前更新的末端点所更新的沿血管壁的最大长度和最小长度匹配目标对象的长度;以及
基于当前更新的末端点,确定血管中与目标对象相匹配的目标区段,所述目标对象为血管支架。
10.根据权利要求1所述的方法,其中基于所述三维模型,生成目标血管的中心线以及中心线点集包括:
基于目标血管的当前跟踪位置和当前跟踪方向生成目标血管的当前切面,所述当前切面包括所述血管的当前中心点;
基于所生成的当前切面的大小确定当前跟踪步长,以便基于所述当前跟踪步长以及所述当前跟踪方向,确定目标血管的下一跟踪位置;
基于所述当前跟踪方向、所述当前中心点、所述下一跟踪位置以及预定的角度阈值,确定目标血管的下一跟踪方向;
基于所述下一跟踪位置和下一跟踪方向生成目标血管的下一切面,以便依次生成的所述血管的所有切面;以及
基于所生成的目标血管的所有切面的中心点,生成目标血管的中心线以及中心线点集。
11.一种计算设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其中所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111214801.4A CN113888690B (zh) | 2021-10-19 | 2021-10-19 | 用于确定血管中的目标区段的方法、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111214801.4A CN113888690B (zh) | 2021-10-19 | 2021-10-19 | 用于确定血管中的目标区段的方法、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113888690A true CN113888690A (zh) | 2022-01-04 |
CN113888690B CN113888690B (zh) | 2022-08-12 |
Family
ID=79003475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111214801.4A Active CN113888690B (zh) | 2021-10-19 | 2021-10-19 | 用于确定血管中的目标区段的方法、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113888690B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115150A (zh) * | 2023-10-20 | 2023-11-24 | 柏意慧心(杭州)网络科技有限公司 | 用于确定分支血管的方法、计算设备和介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120014574A1 (en) * | 2010-07-13 | 2012-01-19 | Sigrid Ferschel | Method for Determining Properties of a Vessel in a Medical Image |
US20130216110A1 (en) * | 2012-02-21 | 2013-08-22 | Siemens Aktiengesellschaft | Method and System for Coronary Artery Centerline Extraction |
CN106327479A (zh) * | 2016-09-23 | 2017-01-11 | 西安电子科技大学 | 血管造影中介下先心病术中血管辨识的装置及方法 |
CN107205811A (zh) * | 2015-01-12 | 2017-09-26 | 恩都思潘有限公司 | 自弯曲的支架移植物 |
CN108472147A (zh) * | 2015-07-23 | 2018-08-31 | 奥普特米德医疗器械股份有限公司 | 支架 |
CN108648231A (zh) * | 2018-05-14 | 2018-10-12 | 合肥融视信息科技有限公司 | 基于三维医学影像的管状结构长度测量***及方法 |
CN109754397A (zh) * | 2019-01-03 | 2019-05-14 | 东软集团股份有限公司 | 血管段中心路径的提取方法、装置、终端设备及存储介质 |
CN110314024A (zh) * | 2019-06-26 | 2019-10-11 | 北京工业大学 | 一种适形贴壁血管内支架 |
CN111047679A (zh) * | 2019-07-31 | 2020-04-21 | 慧影医疗科技(北京)有限公司 | 一种基于b-s架构的主动脉三维重建可视化*** |
CN111107783A (zh) * | 2017-06-19 | 2020-05-05 | 维兹人工智能公司 | 用于计算机辅助分诊的方法和*** |
CN111462047A (zh) * | 2020-03-06 | 2020-07-28 | 深圳睿心智能医疗科技有限公司 | 血管参数测量方法、装置、计算机设备和存储介质 |
CN111680447A (zh) * | 2020-04-21 | 2020-09-18 | 深圳睿心智能医疗科技有限公司 | 血流特征预测方法、装置、计算机设备和存储介质 |
CN111951277A (zh) * | 2020-07-28 | 2020-11-17 | 杭州电子科技大学 | 一种基于cta图像的冠状动脉分割方法 |
CN111968070A (zh) * | 2020-04-22 | 2020-11-20 | 深圳睿心智能医疗科技有限公司 | 一种基于三维建模的血管检测方法及装置 |
CN112184888A (zh) * | 2020-10-10 | 2021-01-05 | 深圳睿心智能医疗科技有限公司 | 三维血管建模的方法及装置 |
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 |
-
2021
- 2021-10-19 CN CN202111214801.4A patent/CN113888690B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120014574A1 (en) * | 2010-07-13 | 2012-01-19 | Sigrid Ferschel | Method for Determining Properties of a Vessel in a Medical Image |
US20130216110A1 (en) * | 2012-02-21 | 2013-08-22 | Siemens Aktiengesellschaft | Method and System for Coronary Artery Centerline Extraction |
CN107205811A (zh) * | 2015-01-12 | 2017-09-26 | 恩都思潘有限公司 | 自弯曲的支架移植物 |
CN108472147A (zh) * | 2015-07-23 | 2018-08-31 | 奥普特米德医疗器械股份有限公司 | 支架 |
CN106327479A (zh) * | 2016-09-23 | 2017-01-11 | 西安电子科技大学 | 血管造影中介下先心病术中血管辨识的装置及方法 |
CN111107783A (zh) * | 2017-06-19 | 2020-05-05 | 维兹人工智能公司 | 用于计算机辅助分诊的方法和*** |
CN108648231A (zh) * | 2018-05-14 | 2018-10-12 | 合肥融视信息科技有限公司 | 基于三维医学影像的管状结构长度测量***及方法 |
CN109754397A (zh) * | 2019-01-03 | 2019-05-14 | 东软集团股份有限公司 | 血管段中心路径的提取方法、装置、终端设备及存储介质 |
CN110314024A (zh) * | 2019-06-26 | 2019-10-11 | 北京工业大学 | 一种适形贴壁血管内支架 |
CN111047679A (zh) * | 2019-07-31 | 2020-04-21 | 慧影医疗科技(北京)有限公司 | 一种基于b-s架构的主动脉三维重建可视化*** |
CN111462047A (zh) * | 2020-03-06 | 2020-07-28 | 深圳睿心智能医疗科技有限公司 | 血管参数测量方法、装置、计算机设备和存储介质 |
CN111680447A (zh) * | 2020-04-21 | 2020-09-18 | 深圳睿心智能医疗科技有限公司 | 血流特征预测方法、装置、计算机设备和存储介质 |
CN111968070A (zh) * | 2020-04-22 | 2020-11-20 | 深圳睿心智能医疗科技有限公司 | 一种基于三维建模的血管检测方法及装置 |
CN111951277A (zh) * | 2020-07-28 | 2020-11-17 | 杭州电子科技大学 | 一种基于cta图像的冠状动脉分割方法 |
CN112184888A (zh) * | 2020-10-10 | 2021-01-05 | 深圳睿心智能医疗科技有限公司 | 三维血管建模的方法及装置 |
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 |
Non-Patent Citations (1)
Title |
---|
胡春红 等: ""冠脉树中感兴趣血管段最佳造影角度下的定量分析"", 《传感技术学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115150A (zh) * | 2023-10-20 | 2023-11-24 | 柏意慧心(杭州)网络科技有限公司 | 用于确定分支血管的方法、计算设备和介质 |
CN117115150B (zh) * | 2023-10-20 | 2024-01-26 | 柏意慧心(杭州)网络科技有限公司 | 用于确定分支血管的方法、计算设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113888690B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102016959B1 (ko) | 혈관 모델 생성 방법 및 장치 | |
CN111095354B (zh) | 经改进的3-d血管树表面重构 | |
CN108475428B (zh) | 心脏模型引导的冠状动脉分割的***及方法 | |
CN107920747B (zh) | 导丝检测***、方法和装置 | |
US9934566B2 (en) | 3-D vessel tree surface reconstruction method | |
AU2017332031B2 (en) | System and methods for estimation of blood flow characteristics using reduced order model and machine learning | |
US8073227B2 (en) | System and method for geometric modeling of tubular structures | |
US9445777B2 (en) | Projection image generation apparatus, program and method | |
US7388973B2 (en) | Systems and methods for segmenting an organ in a plurality of images | |
US10210612B2 (en) | Method and system for machine learning based estimation of anisotropic vessel orientation tensor | |
US20160328855A1 (en) | Method and System for Whole Body Bone Removal and Vascular Visualization in Medical Image Data | |
CN117115150B (zh) | 用于确定分支血管的方法、计算设备和介质 | |
JP6749917B2 (ja) | iFR−CT | |
Schaap et al. | Bayesian tracking of tubular structures and its application to carotid arteries in CTA | |
EP3025303A1 (en) | Multi-modal segmentation of image data | |
CN113327225B (zh) | 用于提供气道信息的方法 | |
CN113888690B (zh) | 用于确定血管中的目标区段的方法、设备和介质 | |
US8050470B2 (en) | Branch extension method for airway segmentation | |
CN111260704A (zh) | 基于启发式树搜索的血管结构3d/2d刚性配准方法及装置 | |
US20240020877A1 (en) | Determining interventional device position | |
CN116472553A (zh) | 确定介入设备形状 | |
KR102000615B1 (ko) | 관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치 | |
KR20210112436A (ko) | 혈관 특징 정보 기반 다중 모달리티 비강체 정합 방법, 이를 수행하기 위한 기록 매체 및 장치 | |
Grosskopf et al. | Accurate, fast, and robust vessel contour segmentation of CTA using an adaptive self-learning edge model | |
Li et al. | Accurate curvilinear modelling for precise measurements of tubular structures |
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 |