CN115272363B - 一种重建颈动脉三维图像的方法、装置及存储介质 - Google Patents
一种重建颈动脉三维图像的方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115272363B CN115272363B CN202210825585.5A CN202210825585A CN115272363B CN 115272363 B CN115272363 B CN 115272363B CN 202210825585 A CN202210825585 A CN 202210825585A CN 115272363 B CN115272363 B CN 115272363B
- Authority
- CN
- China
- Prior art keywords
- image
- level set
- target image
- processed
- carotid artery
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 210000001715 carotid artery Anatomy 0.000 claims abstract description 50
- 238000002372 labelling Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 20
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 230000003068 static effect Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 210000001367 artery Anatomy 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 10
- 210000001519 tissue Anatomy 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000017531 blood circulation Effects 0.000 description 4
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 3
- 230000002490 cerebral effect Effects 0.000 description 3
- 206010008118 cerebral infarction Diseases 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000002792 vascular Effects 0.000 description 3
- 208000014882 Carotid artery disease Diseases 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000036770 blood supply Effects 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000035755 proliferation Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 201000006474 Brain Ischemia Diseases 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical group [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 206010067116 Carotid arteriosclerosis Diseases 0.000 description 1
- 206010008120 Cerebral ischaemia Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 102000008186 Collagen Human genes 0.000 description 1
- 108010035532 Collagen Proteins 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000005189 Embolism Diseases 0.000 description 1
- 206010019468 Hemiplegia Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 206010047513 Vision blurred Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000002399 angioplasty Methods 0.000 description 1
- 201000007201 aphasia Diseases 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 210000000269 carotid artery external Anatomy 0.000 description 1
- 210000004004 carotid artery internal Anatomy 0.000 description 1
- 230000007213 cerebrovascular event Effects 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 230000009693 chronic damage Effects 0.000 description 1
- 229920001436 collagen Polymers 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002075 inversion recovery Methods 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002784 sclerotic effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000002460 smooth muscle Anatomy 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 210000005166 vasculature Anatomy 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请实施例公开了一种重建颈动脉三维图像的方法、装置及存储介质,其中重建颈动脉三维图像的方法包括步骤:S1、对获取的待处理目标影像进行预处理,通过预先构建的分割模型对预处理后的待处理目标影像进行分割,得到目标图像;S2、根据目标图像,创建像素体积,基于像素体积,创建3D水平集图像;S3、初始化3D水平集图像,得到颈动脉树,对颈动脉树进行标注,得到标注图像;S4、将标注图像反向投影到3D水平集图像的初始帧上,判断3D水平集图像是否满足解剖特征标准,若否,则基于获取的3D水平集屏蔽帧重复步骤S1至S4,直至获得满足解剖特征标准的3D水平集图像。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种重建颈动脉三维图像的方法、装置及存储介质。
背景技术
颈动脉斑块是颈动脉硬化的粥样斑块,是全身性动脉硬化的一种表现。在颈动脉这个部位,更加容易形成斑块,因为颈动脉受血流的冲击力较大,尤其在颈内和颈外动脉分叉的位置上,受血流冲击力更大,造成长期高速血流,引起动脉内膜的慢性损伤,引起钙质、脂质、胆固醇增生、沉积,中膜的平滑肌组织和胶原组织的沉积和增生,引起硬化斑块形成。如果形成斑块较大,管腔狭窄严重时,可造成脑供血不足,引起相应的脑缺血症状,严重时可引起脑卒中,即脑梗,导致偏瘫、失语、视物模糊或者黑蒙。此外,不稳定斑块在血流冲击下,可造成远端的血管栓塞,导致脑供血不足及脑梗死。
磁共振血管造影(MRA)是一种广泛用于颈动脉疾病的诊断和管理的影像学方法。MRA提供的高分辨率图像可以帮助临床医生甚至在早期阶段检测动脉粥样硬化斑块,评估其稳定性并支持临床决策。在此背景下,大量研究表明,通过血流施加于血管中的生物力学力与动脉粥样硬化斑块组织的发展和进展之间存在联系。MRA图像可用于患者特定的血管管腔和外壁的三维重建,并在应用计算流体动力学(CFD)模拟后,计算出的生物力学力可能与斑块组织特征和脑血管事件如中风相关。因此,新的成像方法和技术可以增强血管***的可视化,更好的对管腔、管壁和斑块组织的图像进行分割,可以更好的对颈动脉斑块的诊断、分析斑块的性质和治疗颈动脉粥样硬化疾病提供更准确的三维血管模型和有价值的信息。
但是,目前利用MRA检测和评估动脉粥样硬化斑块及其稳定性效果欠佳,况且需要临床医生大量的时间和精力去完成这个任务,现有技术中的颈动脉三维重建的半自动和全自动的重建方法尚不完善,仍然需要专家临床医生进行适当的注释来评估分割算法获得的结果,而且既往的研究提出的重建分割算法尚无大量的数据进行充分的验证,欠缺较好的准确性。
发明内容
本申请实施例的目的在于提供一种重建颈动脉三维图像的方法、装置及存储介质,用以解决现有技术中的颈动脉三维重建的半自动和全自动的重建方法尚不完善,欠缺较好的准确性的问题。
为实现上述目的,本申请实施例提供一种重建颈动脉三维图像的方法,包括步骤:S1、对获取的待处理目标影像进行预处理,通过预先构建的分割模型对预处理后的所述待处理目标影像进行分割,得到目标图像;
S2、根据所述目标图像,创建像素体积,基于所述像素体积,创建3D水平集图像;
S3、初始化所述3D水平集图像,得到颈动脉树,对所述颈动脉树进行标注,得到标注图像;
S4、将所述标注图像反向投影到所述3D水平集图像的初始帧上,判断所述3D水平集图像是否满足解剖特征标准,若否,则基于获取的3D水平集屏蔽帧重复步骤S1至S4,直至获得满足所述解剖特征标准的所述3D水平集图像。
可选地,所述预处理包括:
在所述待处理目标影像上选择一个静态窗口,将所述静态窗口设置为裁剪区域,使所述颈动脉包含在所述裁剪区域内;
采用自适应直方图均衡滤波器处理所述裁剪区域,得到预处理后的所述待处理目标影像。
可选地,通过预先构建的所述分割模型对预处理后的所述待处理目标影像进行分割,得到所述目标图像的方法包括:
基于预处理后得到的所述待处理目标影像的TOF图像序列和T1W图像序列,通过为每个T1W图像分配最近的TOF帧来注册所述TOF图像序列和T1W图像序列,并作为所述分割模型的输入;
获取所述分割模型输出的100*100像素的所述目标图像。
可选地,判断所述3D水平集图像是否满足所述解剖特征标准的方法包括:
应用连通分量计算算法,在所述初始帧以及之后的每一帧上检测所有剩余轮廓,根据特定区域的解剖特征,判断是否满足所述解剖特征标准,所述解剖特征标准包括:在分叉之前有一个血管,分叉之后有两个血管,分叉上方10mm有三个或四个血管分叉。
可选地,获取待处理目标影像的方法包括:
采用双侧四通道相控阵颈动脉线圈进行MRI检查;
根据所述MRI检查,采集以DICOM格式存储的数据,得到所述待处理目标影像。
可选地,构建所述分割模型的方法包括:
获取UD-Net模型,所述UD-Net模型的卷积层为滤波器尺寸为3*3*3的三维卷积层;
获取训练图像,所述训练图像包括标注后的颈动脉的TOF框架上的管腔壁图像和T1W框架上的颈动脉的动脉壁图像;
将所述训练图像作为输入对所述UD-Net模型进行训练,得到所述分割模型。
为实现上述目的,本申请还提供一种重建颈动脉三维图像的装置,包括:存储器;以及
与所述存储器连接的处理器,所述处理器被配置成:
S1、对获取的待处理目标影像进行预处理,通过预先构建的分割模型对预处理后的所述待处理目标影像进行分割,得到目标图像;
S2、根据所述目标图像,创建像素体积,基于所述像素体积,创建3D水平集图像;
S3、初始化所述3D水平集图像,得到颈动脉树,对所述颈动脉树进行标注,得到标注图像;
S4、将所述标注图像反向投影到所述3D水平集图像的初始帧上,判断所述3D水平集图像是否满足解剖特征标准,若否,则基于获取的3D水平集屏蔽帧重复步骤S1至S4,直至获得满足所述解剖特征标准的所述3D水平集图像。
可选地,所述处理器还被配置成:
在所述待处理目标影像上选择一个静态窗口,将所述静态窗口设置为裁剪区域,使所述颈动脉包含在所述裁剪区域内;
采用自适应直方图均衡滤波器处理所述裁剪区域,得到预处理后的所述待处理目标影像。
可选地,所述处理器还被配置成:
基于预处理后得到的所述待处理目标影像的TOF图像序列和T1W图像序列,通过为每个T1W图像分配最近的TOF帧来注册所述TOF图像序列和T1W图像序列,并作为所述分割模型的输入;
获取所述分割模型输出的100*100像素的所述目标图像。
为实现上述目的,本申请还提供一种计算机存储介质,其上存储有计算机程序,其中所述计算机程序被机器执行时实现如上所述的方法的步骤。
本申请实施例具有如下优点:
1.本申请实施例提供一种重建颈动脉三维图像的方法,包括步骤:S1、对获取的待处理目标影像进行预处理,通过预先构建的分割模型对预处理后的所述待处理目标影像进行分割,得到目标图像;S2、根据所述目标图像,创建像素体积,基于所述像素体积,创建3D水平集图像;S3、初始化所述3D水平集图像,得到颈动脉树,对所述颈动脉树进行标注,得到标注图像;S4、将所述标注图像反向投影到所述3D水平集图像的初始帧上,判断所述3D水平集图像是否满足解剖特征标准,若否,则基于获取的3D水平集屏蔽帧重复步骤S1至S4,直至获得满足所述解剖特征标准的所述3D水平集图像。
通过上述方法,基于MRI多光谱序列的颈动脉分割,使用图像处理方法、机器学习方法和混合模型来分割血管的内腔和外壁,利用基于纹理的图像处理算法和混合迭代框架中的UD-Net深度学习模型,能够准确、自动地提供颈动脉分叉和较小分支的三维模型,且经过大量的数据训练和验证,能够取得满意的分割结果。
附图说明
为了更清楚地说明本申请的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
图1为本申请实施例提供的一种重建颈动脉三维图像的方法的流程图;
图2为本申请实施例提供的一种重建颈动脉三维图像的方法的UD-Net模型示意图;
图3为本申请实施例提供的一种重建颈动脉三维图像的方法的分割模型的分割效果示意图;
图4为本申请实施例提供的一种重建颈动脉三维图像的方法的3D水平集图像示意图;
图5为本申请实施例提供的一种重建颈动脉三维图像的装置的模块框图。
具体实施方式
以下由特定的具体实施例说明本申请的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
此外,下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本申请一实施例提供一种重建颈动脉三维图像的方法,参考图1,图1为本申请的一实施方式中提供的一种重建颈动脉三维图像的方法的流程图,应当理解的是,该方法还可以包括未示出的附加框和/或可以省略所示出的框,本申请的范围在此方面不受限制。
执行步骤S1,对获取的待处理目标影像进行预处理,通过预先构建的分割模型对预处理后的所述待处理目标影像进行分割,得到目标图像。
在一些实施例中,获取待处理目标影像的方法包括:采用双侧四通道相控阵颈动脉线圈进行MRI检查;根据所述MRI检查,采集以DICOM格式存储的数据,得到所述待处理目标影像。
具体地,采用双侧四通道相控阵颈动脉线圈进行MRI检查(1.5T或3.0T)。MRI序列的采集参数如下:(i)TOF图像:重复时间:23ms,有效回波时间:
3.2ms,视场[FOV]:160mm,切片厚度:1mm;(ii)快速自旋回波双反转恢复制备序列:申请时间:1428.57ms,有效回声时间:7.672ms,FOV:100mm,截面厚度:3mm,采集数据以DICOM格式存储。
在一些实施例中,所述预处理包括:在所述待处理目标影像上选择一个静态窗口,将所述静态窗口设置为裁剪区域,使所述颈动脉包含在所述裁剪区域内;采用自适应直方图均衡滤波器处理所述裁剪区域,得到预处理后的所述待处理目标影像。
具体地,预处理的第一步是通过选择一个静态的100x100像素的窗口(对于左动脉模型或对于右动脉模型)自动分割包含正在重建的颈动脉的图像区域来实现的,设定窗口的坐标的前提是保证整个动脉包含在裁剪区域。在裁剪区域上,采用自适应直方图均衡滤波器,旨在将输入序列放置到到接下来的步骤中。
在一些实施例中,通过预先构建的所述分割模型对预处理后的所述待处理目标影像进行分割,得到所述目标图像的方法包括:基于预处理后得到的所述待处理目标影像的TOF图像序列和T1W图像序列,通过为每个T1W图像分配最近的TOF帧来注册所述TOF图像序列和T1W图像序列,并作为所述分割模型的输入;获取所述分割模型输出的100*100像素的所述目标图像。
具体地,基于DICOM格式的磁共振(MRI)的TOF和T1加权(T1W)图像序列,通过为每个T1W分配“最近”的TOF帧来注册这两个序列(TOF和T1W)。
在一些实施例中,构建所述分割模型的方法包括:获取UD-Net模型,所述UD-Net模型的卷积层为滤波器尺寸为3*3*3的三维卷积层;获取训练图像,所述训练图像包括标注后的颈动脉的TOF框架上的管腔壁图像和T1W框架上的颈动脉的动脉壁图像;将所述训练图像作为输入对所述UD-Net模型进行训练,得到所述分割模型。
具体地,所述分割模型,用于从每个MRI序列中分离感兴趣的像素(TOF序列的管腔和T1W序列的外动脉壁),参考图2,UD-Net是一种具有卷积层的编码器-解码器网络,其特征是编码器和解码器层之间的跳跃连接传递。本申请将UD-Net模型中的所有二维卷积层均替换为滤波器尺寸为3×3×3的三维卷积层,网络有五级结构,包括四个下采样和上采样步骤:572×570×568→284×282×280→140×138×136→68×66×64→32×30×28→56×54×52→104×102×100→200×198×196→392×390×388×386。每个灰色方框对应一个多通道特征图。通道数表示在方框的顶部,因为该方法在医学图像分割任务中显示了显著的结果。对颈动脉的TOF框架上的管腔壁和T1W框架上的颈动脉的动脉壁进行了标注。标注后运用作UD-Net模型的建立(一个模型用于分割管腔,另一个模型用于分割外动脉壁)训练阶段的输入,这个数据的训练过程产生了两个数据集,一个是100(TOF帧)x100x100像素的管腔壁数据集,另一个是10(T1W帧)x100x100像素的颈动脉的血管壁成形图像。这个深度神经网络是用Pytork函数API实现的。网络输出的是一个100x100像素的图像,为了保证激活函数被利用,选择了二元交叉熵损失函数,分割效果参考图3所示,图3为(A)TOF图像和(B)血管成形图像用于UD-Net训练的相应遮罩图像。
执行步骤S2,根据所述目标图像,创建像素体积,基于所述像素体积,创建3D水平集图像。
执行步骤S3,初始化所述3D水平集图像,得到颈动脉树,对所述颈动脉树进行标注,得到标注图像。
具体地,通过将得到的目标图像进行叠加,并创建一个像素体积(一个用于TOF,一个用于T1W)。在创建的体积上,应用3D水平集,该水平集是曲率形态学算子的核心,所使用的形态学算子如公式(1)。
E(S)=∫∫g(I)(S(a))da (1)
da是面积的欧几里德元素,将感兴趣的区域被单独标注出来,3D水平集图像模型初始化为体积周围的圆柱体,并在颈动脉树上逐渐标注,此过程将生成分割像素的标注图像。
执行步骤S4,将所述标注图像反向投影到所述3D水平集图像的初始帧上,判断所述3D水平集图像是否满足解剖特征标准,若否,则基于获取的3D水平集屏蔽帧重复步骤S1至S4,直至获得满足所述解剖特征标准的所述3D水平集图像。
在一些实施例中,判断所述3D水平集图像是否满足所述解剖特征标准的方法包括:应用连通分量计算算法,在所述初始帧以及之后的每一帧上检测所有剩余轮廓,根据特定区域的解剖特征,判断是否满足所述解剖特征标准,所述解剖特征标准包括:在分叉之前有一个血管,分叉之后有两个血管,分叉上方10mm有三个或四个血管分叉。
具体地,上述步骤完成后将所有标注图像反向投影到初始帧上。然后,应用连通分量计算算法,在每一帧上检测所有剩余轮廓,根据特定区域的解剖特征,可以预期在分叉之前会有一个血管,分叉之后会有两个血管,分叉上方10mm会有三到四个血管分叉。如果出现不满足这些标准时,基于最新接收到的水平集屏蔽帧重复上述实施例中的算法,并再次向模型提供血管的形态学信息,优化更好的分割和重建颈动脉形态,直至经过十次迭代的模型重建,这个分析和研究过程一直持续到一个解剖学上有效的模型产生,参考图4。
通过上述方法,基于MRI多光谱序列的颈动脉分割,使用图像处理方法、机器学习方法和混合模型来分割血管的内腔和外壁,利用基于纹理的图像处理算法和混合迭代框架中的UD-Net深度学习模型,能够准确、自动地提供颈动脉分叉和较小分支的三维模型,且经过大量的数据训练和验证,能够取得满意的分割结果。
图5为本申请实施例提供的一种重建颈动脉三维图像的装置的模块框图。该装置包括:
存储器201;以及与所述存储器201连接的处理器202,所述处理器202被配置成:S1、对获取的待处理目标影像进行预处理,通过预先构建的分割模型对预处理后的所述待处理目标影像进行分割,得到目标图像;
S2、根据所述目标图像,创建像素体积,基于所述像素体积,创建3D水平集图像;
S3、初始化所述3D水平集图像,得到颈动脉树,对所述颈动脉树进行标注,得到标注图像;
S4、将所述标注图像反向投影到所述3D水平集图像的初始帧上,判断所述3D水平集图像是否满足解剖特征标准,若否,则基于获取的3D水平集屏蔽帧重复步骤S1至S4,直至获得满足所述解剖特征标准的所述3D水平集图像。
在一些实施例中,所述处理器202还被配置成:在所述待处理目标影像上选择一个静态窗口,将所述静态窗口设置为裁剪区域,使所述颈动脉包含在所述裁剪区域内;
采用自适应直方图均衡滤波器处理所述裁剪区域,得到预处理后的所述待处理目标影像。
在一些实施例中,所述处理器202还被配置成:基于预处理后得到的所述待处理目标影像的TOF图像序列和T1W图像序列,通过为每个T1W图像分配最近的TOF帧来注册所述TOF图像序列和T1W图像序列,并作为所述分割模型的输入;
获取所述分割模型输出的100*100像素的所述目标图像。
在一些实施例中,所述处理器202还被配置成:应用连通分量计算算法,在所述初始帧以及之后的每一帧上检测所有剩余轮廓,根据特定区域的解剖特征,判断是否满足所述解剖特征标准,所述解剖特征标准包括:在分叉之前有一个血管,分叉之后有两个血管,分叉上方10mm有三个或四个血管分叉。
在一些实施例中,所述处理器202还被配置成:采用双侧四通道相控阵颈动脉线圈进行MRI检查;
根据所述MRI检查,采集以DICOM格式存储的数据,得到所述待处理目标影像。
在一些实施例中,所述处理器202还被配置成:获取UD-Net模型,所述UD-Net模型的卷积层为滤波器尺寸为3*3*3的三维卷积层;
获取训练图像,所述训练图像包括标注后的颈动脉的TOF框架上的管腔壁图像和T1W框架上的颈动脉的动脉壁图像;
将所述训练图像作为输入对所述UD-Net模型进行训练,得到所述分割模型。
具体实现方法参考前述方法实施例,此处不再赘述。
本申请可以是方法、装置、***和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本申请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/或边缘服务器。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。
用于执行本申请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,从而实现本申请的各个方面。
这里参照根据本申请实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本申请的各个方面。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、专用计算机或其他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他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、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程数据处理装置或其他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、其他可编程数据处理装置、或其他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申请的多个实施例的***、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。
注意,除非另有直接说明,否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此,除非另有明确说明,否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下,进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头,该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
虽然,上文中已经用一般性说明及具体实施例对本申请作了详尽的描述,但在本申请基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本申请精神的基础上所做的这些修改或改进,均属于本申请要求保护的范围。
Claims (10)
1.一种重建颈动脉三维图像的方法,其特征在于,包括以下步骤:
S1、对获取的待处理目标影像进行预处理,通过预先构建的分割模型对预处理后的所述待处理目标影像进行分割,得到目标图像;
S2、根据所述目标图像,创建像素体积,基于所述像素体积,创建3D水平集图像;
S3、初始化所述3D水平集图像,得到颈动脉树,对所述颈动脉树进行标注,得到标注图像;
S4、将所述标注图像反向投影到所述3D水平集图像的初始帧上,判断所述3D水平集图像是否满足解剖特征标准,若否,则基于获取的3D水平集屏蔽帧重复步骤S1至S4,直至获得满足所述解剖特征标准的所述3D水平集图像。
2.根据权利要求1所述的重建颈动脉三维图像的方法,其特征在于,所述预处理包括:
在所述待处理目标影像上选择一个静态窗口,将所述静态窗口设置为裁剪区域,使所述颈动脉包含在所述裁剪区域内;
采用自适应直方图均衡滤波器处理所述裁剪区域,得到预处理后的所述待处理目标影像。
3.根据权利要求1所述的重建颈动脉三维图像的方法,其特征在于,通过预先构建的所述分割模型对预处理后的所述待处理目标影像进行分割,得到所述目标图像的方法包括:
基于预处理后得到的所述待处理目标影像的TOF图像序列和T1W图像序列,通过为每个T1W图像分配最近的TOF帧来注册所述TOF图像序列和T1W图像序列,并作为所述分割模型的输入;
获取所述分割模型输出的100*100像素的所述目标图像。
4.根据权利要求1所述的重建颈动脉三维图像的方法,其特征在于,判断所述3D水平集图像是否满足所述解剖特征标准的方法包括:
应用连通分量计算算法,在所述初始帧以及之后的每一帧上检测所有剩余轮廓,根据特定区域的解剖特征,判断是否满足所述解剖特征标准,所述解剖特征标准包括:在分叉之前有一个血管,分叉之后有两个血管,分叉上方10mm有三个或四个血管分叉。
5.根据权利要求1所述的重建颈动脉三维图像的方法,其特征在于,获取待处理目标影像的方法包括:
采用双侧四通道相控阵颈动脉线圈进行MRI检查;
根据所述MRI检查,采集以DICOM格式存储的数据,得到所述待处理目标影像。
6.根据权利要求1所述的重建颈动脉三维图像的方法,其特征在于,构建所述分割模型的方法包括:
获取UD-Net模型,所述UD-Net模型的卷积层为滤波器尺寸为3*3*3的三维卷积层;
获取训练图像,所述训练图像包括标注后的颈动脉的TOF框架上的管腔壁图像和T1W框架上的颈动脉的动脉壁图像;
将所述训练图像作为输入对所述UD-Net模型进行训练,得到所述分割模型。
7.一种重建颈动脉三维图像的装置,其特征在于,包括:
存储器;以及
与所述存储器连接的处理器,所述处理器被配置成:
S1、对获取的待处理目标影像进行预处理,通过预先构建的分割模型对预处理后的所述待处理目标影像进行分割,得到目标图像;
S2、根据所述目标图像,创建像素体积,基于所述像素体积,创建3D水平集图像;
S3、初始化所述3D水平集图像,得到颈动脉树,对所述颈动脉树进行标注,得到标注图像;
S4、将所述标注图像反向投影到所述3D水平集图像的初始帧上,判断所述3D水平集图像是否满足解剖特征标准,若否,则基于获取的3D水平集屏蔽帧重复步骤S1至S4,直至获得满足所述解剖特征标准的所述3D水平集图像。
8.根据权利要求7所述的重建颈动脉三维图像的装置,其特征在于,所述处理器还被配置成:
在所述待处理目标影像上选择一个静态窗口,将所述静态窗口设置为裁剪区域,使所述颈动脉包含在所述裁剪区域内;
采用自适应直方图均衡滤波器处理所述裁剪区域,得到预处理后的所述待处理目标影像。
9.根据权利要求7所述的重建颈动脉三维图像的装置,其特征在于,所述处理器还被配置成:
基于预处理后得到的所述待处理目标影像的TOF图像序列和T1W图像序列,通过为每个T1W图像分配最近的TOF帧来注册所述TOF图像序列和T1W图像序列,并作为所述分割模型的输入;
获取所述分割模型输出的100*100像素的所述目标图像。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被机器执行时实现如权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210825585.5A CN115272363B (zh) | 2022-07-13 | 2022-07-13 | 一种重建颈动脉三维图像的方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210825585.5A CN115272363B (zh) | 2022-07-13 | 2022-07-13 | 一种重建颈动脉三维图像的方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115272363A CN115272363A (zh) | 2022-11-01 |
CN115272363B true CN115272363B (zh) | 2023-06-09 |
Family
ID=83766156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210825585.5A Active CN115272363B (zh) | 2022-07-13 | 2022-07-13 | 一种重建颈动脉三维图像的方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115272363B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136157A (zh) * | 2019-04-09 | 2019-08-16 | 华中科技大学 | 一种基于深度学习的三维颈动脉超声图像血管壁分割方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362271B (zh) * | 2020-03-06 | 2022-09-09 | 深圳睿心智能医疗科技有限公司 | 血管三维影像分割方法、装置、计算机设备和存储介质 |
CN114533002B (zh) * | 2022-03-04 | 2024-04-26 | 清华大学 | 一种颈动脉中心线提取方法、装置、存储介质及电子设备 |
-
2022
- 2022-07-13 CN CN202210825585.5A patent/CN115272363B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136157A (zh) * | 2019-04-09 | 2019-08-16 | 华中科技大学 | 一种基于深度学习的三维颈动脉超声图像血管壁分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115272363A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hatvani et al. | Deep learning-based super-resolution applied to dental computed tomography | |
Iyer et al. | AngioNet: A convolutional neural network for vessel segmentation in X-ray angiography | |
CN110298844B (zh) | X光造影图像血管分割与识别方法及装置 | |
CN107145756A (zh) | 一种脑卒中类型预测方法以及装置 | |
US11468570B2 (en) | Method and system for acquiring status of strain and stress of a vessel wall | |
US20090074277A1 (en) | Registration method with three-dimensional representation of a vascular tree as a function of blood flow | |
CN111091575B (zh) | 一种基于强化学习方法的医学图像分割方法 | |
US11763454B2 (en) | Processing a medical image | |
KR102150853B1 (ko) | 암 영역에 대한 딥러닝 모델 학습 장치 및 방법 | |
EP3279865B1 (en) | Method, device and system for simulating shadow images | |
CN111540025A (zh) | 预测用于图像处理的图像 | |
CN113506310A (zh) | 医学图像的处理方法、装置、电子设备和存储介质 | |
CN106803241A (zh) | 血管造影图像的处理方法及装置 | |
CN116503607B (zh) | 一种基于深度学习的ct图像分割方法和*** | |
US8077954B2 (en) | System and method for image processing | |
CN113313728B (zh) | 一种颅内动脉分割方法及*** | |
Sander et al. | Autoencoding low-resolution MRI for semantically smooth interpolation of anisotropic MRI | |
CN115272363B (zh) | 一种重建颈动脉三维图像的方法、装置及存储介质 | |
Haouchine et al. | Estimation of high framerate digital subtraction angiography sequences at low radiation dose | |
IL129201A (en) | 4d kappa 5 gaussian noise reduction | |
CN116168099A (zh) | 医疗图像的重建方法及装置、非易失性存储介质 | |
CN113706541B (zh) | 一种图像处理方法及装置 | |
US11508048B2 (en) | Method and system for generating composite PET-CT image based on non-attenuation-corrected PET image | |
Ravi et al. | Accelerated MRI using intelligent protocolling and subject-specific denoising applied to Alzheimer's disease imaging | |
CN113129297A (zh) | 基于多期相肿瘤影像的直径自动测量方法及*** |
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 |