CN116309264A - 造影图像判定方法及造影图像判定装置 - Google Patents
造影图像判定方法及造影图像判定装置 Download PDFInfo
- Publication number
- CN116309264A CN116309264A CN202211501927.4A CN202211501927A CN116309264A CN 116309264 A CN116309264 A CN 116309264A CN 202211501927 A CN202211501927 A CN 202211501927A CN 116309264 A CN116309264 A CN 116309264A
- Authority
- CN
- China
- Prior art keywords
- image
- images
- pipe diameter
- candidate
- processor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 28
- 208000037804 stenosis Diseases 0.000 claims description 28
- 230000036262 stenosis Effects 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 16
- 230000003628 erosive effect Effects 0.000 claims description 4
- 210000004204 blood vessel Anatomy 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 10
- 238000003745 diagnosis Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000012216 imaging agent Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000004351 coronary vessel Anatomy 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 241000519995 Stachys sylvatica Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/0002—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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- 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
- G06T2207/30008—Bone
- G06T2207/30012—Spine; Backbone
-
- 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
-
- 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
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
-
- 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
- G06T2207/30172—Centreline of tubular or elongated structure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明的实施例提供一种造影图像判定方法及造影图像判定装置。所述方法包括:取得经注射显影剂的身体部位的多张第一图像;通过对各第一图像进行第一图像前处理操作取得对应的多张第二图像;取得各第二图像的像素统计特性;基于各第二图像的像素统计特性找出候选图像;以及在所述多个第一图像中找出对应于候选图像的参考图像。
Description
技术领域
本发明涉及一种图像判定机制,且尤其涉及一种造影图像判定方法及造影图像判定装置。
背景技术
在现有技术中,为了识别病患的血管是否出现狭窄的情况,需对病患施打血管显影剂,并对经施打血管显影剂的身体部位拍摄多张血管造影图像。之后,医生需从这些血管造影图像中手动选出具最佳显影效果的一张最佳血管造影图像,再于所选的最佳血管造影图像中找出对应于血管狭窄处的位置,方能进行后续的诊断。
然而,对于医生或其他相关人员而言,从所拍摄的多张血管造影图像中挑选最佳血管造影图像并不容易。因此,对于本领域技术人员而言,如何设计一种挑选符合需求的血管造影图像的机制实为一项重要议题。
发明内容
有鉴于此,本发明提供一种造影图像判定方法及造影图像判定装置,其可用于解决上述技术问题。
本发明的实施例提供一种造影图像判定方法,适用于一造影图像判定装置,包括:取得经注射显影剂的一身体部位的多张第一图像;通过对各第一图像进行一第一图像前处理操作取得对应于所述多个第一图像的多张第二图像,其中各第二图像为二值化图像;取得各第二图像的一像素统计特性;基于各第二图像的像素统计特性从所述多个第二图像中找出至少一候选图像;以及在所述多个第一图像中找出对应于至少一候选图像的至少一参考图像。本发明的实施例提供一种造影图像判定装置,包括存储电路及处理器。存储电路存储一程序代码。处理器耦接存储电路并存取程序代码以执行:取得经注射显影剂的一身体部位的多张第一图像;通过对各第一图像进行一第一图像前处理操作取得对应于所述多个第一图像的多张第二图像,其中各第二图像为二值化图像;取得各第二图像的一像素统计特性;基于各第二图像的像素统计特性从所述多个第二图像中找出至少一候选图像;以及在所述多个第一图像中找出对应于至少一候选图像的至少一参考图像。
附图说明
包含附图以便进一步理解本发明,且附图并入本说明书中并构成本说明书的一部分。附图说明本发明的实施例,并与描述一起用于解释本发明的原理。
图1是依据本发明的实施例示出的造影图像判定装置示意图;
图2是依据本发明的实施例示出的造影图像判定方法流程图;
图3是依据本发明的实施例示出的取得第一图像及第二图像的示意图;
图4是依据本发明的实施例示出的像素统计特性变化示意图;
图5是依据本发明的实施例示出的判定管状对象狭窄比例的方法流程图;
图6是依据本发明的实施例示出的识别第一目标区域图像的示意图;
图7是依据本发明的实施例示出的取得第二目标区域图像的示意图;
图8是依据图7示出的判定狭窄位置的示意图。
具体实施方式
现将详细地参考本发明的示范性实施例,示范性实施例的实例说明于附图中。只要有可能,相同组件符号在附图和描述中用来表示相同或相似部分。
请参照图1,其是依据本发明的实施例示出的造影图像判定装置示意图。在不同的实施例中,造影图像判定装置100可以是各式智能型装置、计算机装置或任何具备图像处理/分析功能的装置,但可不限于此。
在一些实施例中,造影图像判定装置100例如可用于运行医疗院所的医疗信息***(Hospital Information System,HIS),并可用于为医护人员提供所需的信息,但可不限于此。
在图1中,造影图像判定装置100包括存储电路102及处理器104。存储电路102例如是任意型式的固定式或可移动式随机存取内存(Random Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、闪存(Flash memory)、硬盘或其他类似装置或这些装置的组合,而可用以记录多个程序代码或模块。
处理器104耦接于存储电路102,并可为一般用途处理器、特殊用途处理器、传统的处理器、数字信号处理器、多个微处理器(microprocessor)、一个或多个结合数字信号处理器核心的微处理器、控制器、微控制器、特殊应用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可程序门阵列电路(Field Programmable Gate Array,FPGA)、任何其他种类的集成电路、状态机、基于进阶精简指令集机器(Advanced RISCMachine,ARM)的处理器以及类似品。
在本发明的实施例中,处理器104可存取存储电路102中记录的模块、程序代码来实现本发明提出的造影图像判定,其细节详述如下。
请参照图2,其是依据本发明的实施例示出的造影图像判定方法流程图。本实施例的方法可由图1的造影图像判定装置100执行,以下即搭配图1所示的组件说明图2各步骤的细节。另外,为使本案概念更易于理解,以下将辅以图3内容作说明,其中图3是依据本发明的实施例示出的取得第一图像及第二图像的示意图。
首先,在步骤S210中,处理器104取得经注射显影剂的身体部位的多张第一图像311、…、31K、…、31N。
在图3中,所考虑的身体部位例如是某病患的冠状动脉,而医护人员可在为此病患注射显影剂后,通过相关仪器对其冠状动脉的区域连续拍摄多张血管造影图像作为上述第一图像311、…、31K、…、31N,再由处理器104据以进行后续处理/分析,但可不限于此。
在图3情境中,由于显影剂会随着时间而使冠状动脉附近的血管颜色逐渐变深再逐渐变浅,因此在现有技术中需由医师从第一图像311、…、31K、…、31N挑出其认为显影剂最明显(即,血管颜色最深)的最佳血管造影图像,以进行后续的诊断。然而,如先前所言,挑出最佳血管造影图像的过程并不容易。因此,在一个实施例中,本发明提出的造影图像判定方法可理解为用于协助进行上述挑选,但可不限于此。以下将作进一步说明。
在取得上述第一图像311、…、31K、…、31N之后,在步骤S220中,处理器104通过对各第一图像311、…、31K、…、31N进行第一图像前处理操作取得分别对应于所述多个第一图像311、…、31K、…、31N的多张第二图像321、…、32K、…、32N。
在一实施例中,上述第一图像前处理操作例如包括二值化操作。例如,在处理器104对第一图像31K进行二值化操作时,处理器104可先判定对应于第一图像31K的灰阶阈值(例如是第一图像31K中全部像素的灰阶平均值),并将第一图像31K中灰阶值低于灰阶阈值的像素判定为具有灰阶值255(其例如对应于白色),以及将第一图像31K中灰阶值高于灰阶阈值的像素判定为具有灰阶值0(其例如对应于黑色)。简言之,处理器104可将第一图像31K中较深色区域(例如对应于血管的区域)中的像素皆设定为灰阶值255,并同时将第一图像31K中较浅色区域(例如未对应于血管的区域)中的像素皆设定为灰阶值0,但可不限于此。
此外,处理器104可对其他第一图像亦进行上述二值化操作。由此,可让所取得的各第二图像321、…、32K、…、32N皆为二值化图像。
此外,上述第一图像前处理还可包括对比增强操作及图像形态学中的侵蚀操作的至少其中之一。例如,在处理器104对第一图像311进行对比增强操作时,可强化第一图像311中的主体(例如血管)与背景(例如血管以外的区域)之间的差异。另外,在处理器104对第一图像311进行侵蚀操作时,处理器104例如可相应地过滤第一图像311中的背景杂点,进而达到降低背景噪声的效果。
在图3情境中,在执行上述第一图像前处理的过程中,处理器104可对各第一图像311、…、31K、…、31N依序执行对比增强操作、二值化操作及侵蚀操作,以得到分别对应于第一图像311、…、31K、…、31N的第二图像321、…、32K、…、32N(其个别为二值化图像),但可不限于此。
在步骤S230中,处理器104取得各第二图像321、…、32K、…、32N的像素统计特性。在一实施例中,各第二图像321、…、32K、…、32N的像素统计特性包括各第二图像321、…、32K、…、32N的灰阶值总和。例如,第二图像321的像素统计特性例如是第二图像321中像素的灰阶值总和,第二图像32K的像素统计特性例如是第二图像32K中像素的灰阶值总和,第二图像32N的像素统计特性例如是第二图像32N中像素的灰阶值总和,但可不限于此。
在步骤S240中,处理器104基于各第二图像321、…、32K、…、32N的像素统计特性从所述多个第二图像中找出候选图像。在本实施例中,候选图像可理解为较可能对应于最佳(血管)造影图像的一或多个第二图像,但可不限于此。
在图3情境中,由于各第二图像321、…、32K、…、32N中对应于血管区域的像素例如呈现为白色(即,灰阶值为255),因此当某个第二图像的灰阶值总和越高时,即代表此第二图像中白色的区域越多,亦即血管越明显。
因此,处理器104例如可在第二图像321、…、32K、…、32N中找出具有最高的像素统计特性(例如最高的灰阶值总和)的特定图像作为候选图像的其中之一。在图3情境中,假设第二图像32K具有最高的灰阶值总和,则处理器104例如可判定第二图像32K为上述特定图像,并将其作为候选图像的其中之一。
请参照图4,其是依据本发明的实施例示出的像素统计特性变化示意图。在图4中,横轴例如是第二图像321、…、32K、…、32N的索引值,纵轴例如是各第二图像321、…、32K、…、32N对应的像素统计特性(例如,灰阶值总和)。在图4情境中,可看出最高的像素统计特性约略对应于索引值为48的第二图像。基此,处理器104例如可将第二图像321、…、32K、…、32N中排序第48的第二图像作为上述特定图像,但可不限于此。
在一些实施例中,处理器104还可基于特定图像在第二图像321、…、32K、…、32N中找出至少一其他图像,其中各其他图像与特定图像之间的时间差小于时间阈值。举例而言,假设所考虑的时间阈值为3秒,则处理器104例如可将与特定图像(例如第二图像32K)相距3秒内的其他第二图像作为上述其他图像,但可不限于此。之后,处理器104可判定上述其他图像亦属于候选图像。亦即,处理器104除了可将上述特定图像作为候选图像之外,亦可将与特定图像在时间上相近的其他图像亦作为候选图像,但可不限于此。
之后,在步骤S250中,处理器104在所述多个第一图像311、…、31K、…、31N中找出对应于候选图像的参考图像。在一实施例中,假设所考虑的候选图像仅包括第二图像32K,则处理器104例如可将对应于第二图像32K的第一图像31K作为参考图像。
在其他实施例中,假设所考虑的候选图像除了包括第二图像32K之外还包括其他第二图像,则处理器104可将对应于第二图像32K的第一图像31K及对应于所述其他第二图像的其他第一图像皆作为参考图像,但可不限于此。
由上可知,本发明实施例可用于在多张第一图像311、…、31K、…、31N中找出具最佳显影效果的其中之一(例如第一图像31K)。由此,可有效提升找出最佳造影图像的效率,从而让医师能够便利地依据最佳造影图像进行后续诊断。
此外,本发明实施例可将与具最佳显影效果的造影图像与其他时间上相近的图像一并作为参考图像供医师参考,进而让医师能够依其主观意识而选择所需的造影图像作为后续诊断的依据,但可不限于此。
在其他实施例中,处理器104亦可基于其他方式从第一图像311、…、31K、…、31N中找出一或多张参考图像。
在第一实施例中,处理器104可直接计算第一图像311、…、31K、…、31N个别的灰阶值总和,并将第一图像311、…、31K、…、31N中具最低灰阶值总和的一者判定为参考图像。
在第二实施例中,处理器104可先从第一图像311、…、31K、…、31N中分割出一特定区域,再计算各第一图像311、…、31K、…、31N中特定区域的灰阶值总和。在第二实施例中,处理器104可通过将各第一图像311、…、31K、…、31N去除(固定)边界区域的方式来在第一图像311、…、31K、…、31N中分割出特定区域。例如,当处理器104在第一图像311中分割特定区域时,处理器104可通过将第一图像311的四个边界分别移除固定宽度的区域来得到第一图像311中的特定区域,但可不限于此。之后,处理器104可计算第一图像311中特定区域的灰阶值总和。
对于其他的第一图像,处理器104可进行相似的处理以得到各第一图像的特定区域及对应的灰阶值总和。之后,处理器104将第一图像311、…、31K、…、31N中对应于最低灰阶值总和的一者判定为参考图像。
在第三实施例中,处理器104同样可从第一图像311、…、31K、…、31N中分割出特定区域,再计算各第一图像311、…、31K、…、31N中特定区域的灰阶值总和,惟处理器104可采用不同于第二实施例的方式在各从第一图像311、…、31K、…、31N中分割出特定区域。
以第一图像311为例,处理器104可从第一图像311的上侧边界往下搜寻,直至找到出现明显灰阶值变化的列,再以此列作为第一图像311的特定区域的上边界。另外,处理器104可从第一图像311的下侧边界往上搜寻,直至找到出现明显灰阶值变化的列,再以此列作为第一图像311的特定区域的下边界。相似地,处理器104可从第一图像311的左、右侧边界分别往右、左搜寻,直至找到出现明显灰阶值变化的两个行,再以此二行作为第一图像311的特定区域的左、右边界。之后,处理器104可计算第一图像311中特定区域的灰阶值总和。
在第三实施例中,处理器104可基于上述教示而在其他的第一图像中分割特定区域,并计算对应的灰阶值总和。之后,处理器104将第一图像311、…、31K、…、31N中对应于最低灰阶值总和的一者判定为参考图像,但可不限于此。
在一实施例中,处理器104可基于所取得的一或多张参考图像个别作进一步分析/处理,以得到进一步的判定结果。以下将作进一步说明。
为便于理解,以下仅以所取得的一或多张参考图像的其中之一(下称第一参考图像)为例作说明,而本领域具通常知识者应可相应推得处理器104对其他参考图像所进行的操作。
请参照图5,其是依据本发明的实施例示出的判定管状对象狭窄比例的方法流程图。本实施例的方法可由图1的造影图像判定装置100执行,以下即搭配图1所示的组件说明图5各步骤的细节。
首先,在步骤S510中,处理器104在第一参考图像中识别包括管状对象的第一目标区域图像。在本发明实施例中,所述管状对象例如是出现血管狭窄病灶的血管区段,但可不限于此。
请参照图6,其是依据本发明的实施例示出的识别第一目标区域图像的示意图。在图6中,假设第一参考图像600为经图2方法所取得的其中一张参考图像,则处理器104例如可在第一参考图像600中识别分别包括管状对象611a、612a的第一目标区域图像611、612。在本实施例中,管状对象611a、612a个别例如是出现血管狭窄病灶的血管区段,但可不限于此。
在一实施例中,处理器104例如可将第一参考图像600输入经预训练的机器学习模型,而此机器学习模型可相应地在第一参考图像600中标示出第一目标区域图像611、612。
在一实施例中,为使上述机器学习模型具备上述能力,在此机器学习模型的训练过程中,设计者可将经特殊设计的训练数据馈入此机器学习模型,以让此机器学习模型进行相应的学习。举例而言,在取得某张已标注为包括感兴趣区域(例如管状对象)的图像之后,处理器104可据以产生对应的特征向量,并将其馈入上述机器学习模型。由此,可让上述机器学习模型从此特征向量中学习有关于感兴趣区域(例如管状对象)的相关特征。在此情况下,当此机器学习模型日后接收对应于上述特征向量的图像时,此机器学习模型即可相应地判定此图像中包括感兴趣区域(例如管状对象),但可不限于此。
之后,在步骤S520中,处理器104通过对第一目标区域图像进行第二图像前处理操作而取得第二目标区域图像。为使本案概念更易于理解,以下将辅以图7内容作说明,其中图7是依据本发明的实施例示出的取得第二目标区域图像的示意图。
在图7中,假设第一目标区域图像711(其包括管状对象711a)是由处理器104在某个第一参考图像中识别而得。在此情况下,处理器104可对第一目标区域图像711进行第二图像前处理操作。
在图7中,在处理器104对第一目标区域图像711进行第二图像前处理操作的过程中,处理器104例如可依序对第一目标区域图像711进行平滑滤波、自适应二值化及图像形态学等图像处理,以得到第二目标区域图像714,其中第二目标区域图像714为二值化图像。
在本实施例中,处理器104例如可通过上述平滑滤波来对第一目标区域图像711进行图像平滑处理,以得到图像712。由此,可达到降低图像噪声的效果。
另外,在进行上述自适应二值化的过程中,处理器104例如可针对图像712中的每个像素进行计算而决定对应的灰阶阈值,并据以对每个像素进行二值化,进而得到图像713。由此,可避免因像素灰阶分布不均而衍生其他后续问题。
再者,在基于图像形态学处理图像713的过程中,处理器104可对图像713的中的白色区域进行关闭(closing),再对图像713中的白色区域进行开启(opening),以得到第二目标区域图像714。由此,可达到去除血管内杂点的效果。在一实施例中,上述关闭操作例如是令图像713中的白色区域先往外膨胀再往内侵蚀,以过滤血管内的细微黑点。另外,上述开启操作例如是将经开启处理的图像713中的白色区域往内侵蚀再往外膨胀,以过滤外部背景中的细微白点,但可不限于此。
在取得第二目标区域图像714之后,在步骤S530中,处理器104基于第二目标区域图像714判定管状对象711a的管径变化,并据以判定管状对象711a的狭窄位置。
请参照图8,其是依据图7示出的判定狭窄位置的示意图。在图8中,处理器104例如可在图7的第二目标区域图像714中判定管状对象711a的中心线811,其中中心线811包括多个候选位置。
在一实施例中,处理器104可将第二目标区域图像714中的各个白色区域进行骨架化(细线化),并使用连通表示法标记出最大连通区域,以获得管状对象711a的中心线811。由此,可避免计算到其他背景杂点的骨架。
在一实施例中,处理器104可基于名为”scikit-image”的图像前处理函式库中的medial_axis函式来进行上述骨架化的操作,但可不限于此。
之后,处理器104可判定管状对象711a在中心线811上各候选位置处的管径,并据以判定管状对象711a的管径变化。
在图8中,假设候选位置811a、811b、811c为中心线811上的其中三个候选位置,而处理器104可相应地判定各候选位置811a、811b、811c的管径D1、D2、D3。对于中心线811上的其他候选位置,处理器104亦可判定对应的管径。
之后,处理器104例如可判定中心线811上的候选位置中具最小管径的一者为狭窄位置。举例而言,假设管径D2为最小管径,则处理器104可判定候选位置811b即为上述狭窄位置,但可不限于此。
在判定狭窄位置之后,在步骤S540中,处理器104基于管径变化及狭窄位置判定对应狭窄位置的狭窄比例。
在图8中,处理器104可基于管径变化在狭窄位置的两侧判定位于中心线811上的第一位置及第二位置。在本实施例中,假设候选位置811a、811c分别为所考虑的第一位置及第二位置,但可不限于此。之后,处理器104可基于第一位置的管径D1及第二位置的管径D3估计对应于狭窄位置(例如候选位置811b)的估计管径(以下称为ED)。在一实施例中,处理器104例如可通过内插法估计介于管径D1、D3之间的估计管径ED,但可不限于此。
接着,处理器104可基于估计管径ED与狭窄位置(例如候选位置811b)的管径D2判定对应狭窄位置的狭窄比例。在一实施例中,上述狭窄比例可表征为”1-(D2/ED)x100%”,但可不限于此。
在一实施例中,第一目标区域图像711可理解为出现血管堵塞的区域,因此处理器104亦可基于中心线811的长度判定管状对象711a的长度,亦即出现堵塞现象的血管长度,但可不限于此。
综上所述,本发明实施例提出可在多张造影图像中找出具最佳造影质量的参考图像,进而提升找出最佳造影图像的效率。由此,可让医师能够便利地依据最佳造影图像进行后续诊断。此外,本发实施例另提出基于参考图像判定管状对象上的狭窄位置及对应的狭窄比例的方法,进而可作为医师后续诊断上的参考。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (13)
1.一种造影图像判定方法,适用于造影图像判定装置,其特征在于,包括:
取得经注射显影剂的身体部位的多张第一图像;
通过对各所述第一图像进行第一图像前处理操作取得对应于所述多个第一图像的多张第二图像,其中各所述第二图像为二值化图像;
取得各所述第二图像的像素统计特性;
基于各所述第二图像的所述像素统计特性从所述多个第二图像中找出至少一候选图像;以及
在所述多个第一图像中找出对应于所述至少一候选图像的至少一参考图像。
2.根据权利要求1所述的方法,其中各所述第一图像为血管造影图像。
3.根据权利要求1所述的方法,其中所述第一图像前处理至少包括二值化操作。
4.根据权利要求3所述的方法,其中所述第一图像前处理还包括对比增强操作及侵蚀操作的至少其中之一。
5.根据权利要求1所述的方法,其中各所述第二图像的所述像素统计特性包括各所述第二图像的灰阶值总和。
6.根据权利要求1所述的方法,其中基于各所述第二图像的所述像素统计特性从所述多个第二图像中找出所述至少一候选图像的步骤包括:
在所述多个第二图像中找出具有最高的所述像素统计特性的特定图像作为所述至少一候选图像的其中之一。
7.根据权利要求6所述的方法,其中所述多个第一图像为经连续拍摄而得,且基于各所述第二图像的所述像素统计特性从所述多个第二图像中找出所述至少一候选图像的步骤还包括:
基于所述特定图像在所述多个第二图像找出至少一其他图像,其中各所述其他图像与所述特定图像之间的时间差小于时间阈值;
判定所述至少一其他图像属于所述至少一候选图像。
8.根据权利要求1所述的方法,其中所述至少一参考图像包括第一参考图像,且所述方法还包括:
在所述第一参考图像中识别包括管状对象的第一目标区域图像;
通过对所述第一目标区域图像进行第二图像前处理操作而取得第二目标区域图像,其中所述第二目标区域图像为二值化图像;
基于所述第二目标区域图像判定所述管状对象的管径变化,并据以判定所述管状对象的狭窄位置;以及
基于所述管径变化及所述狭窄位置判定对应所述狭窄位置的狭窄比例。
9.根据权利要求8所述的方法,其中基于所述第二目标区域图像判定所述管状对象的所述管径变化的步骤包括:
在所述第二目标区域图像中判定所述管状对象的中心线,其中所述中心线包括多个候选位置;
判定所述管状对象在各所述候选位置处的管径,并据以判定所述管状对象的所述管径变化。
10.根据权利要求9所述的方法,其中所述狭窄位置对应于所述多个候选位置中具最小管径的一者。
11.根据权利要求9所述的方法,其中基于所述管径变化及所述狭窄位置判定对应所述狭窄位置的所述狭窄比例的步骤包括:
基于所述管径变化在所述狭窄位置的两侧判定位于所述中心在线的第一位置及第二位置;
基于所述第一位置的所述管径及所述第二位置的所述管径估计对应于所述狭窄位置的估计管径;以及
基于所述估计管径与所述狭窄位置的所述管径判定对应所述狭窄位置的所述狭窄比例。
12.根据权利要求9所述的方法,还包括:
基于所述中心线的长度判定所述管状对象的长度。
13.一种造影图像判定装置,其特征在于,包括:
存储电路,其存储程序代码;以及
处理器,其耦接所述存储电路并存取所述程序代码以执行:
取得经注射显影剂的身体部位的多张第一图像;
通过对各所述第一图像进行第一图像前处理操作取得对应于所述多个第一图像的多张第二图像,其中各所述第二图像为二值化图像;
取得各所述第二图像的像素统计特性;
基于各所述第二图像的所述像素统计特性从所述多个第二图像中找出至少一候选图像;以及
在所述多个第一图像中找出对应于所述至少一候选图像的至少一参考图像。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163291461P | 2021-12-20 | 2021-12-20 | |
US63/291,461 | 2021-12-20 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116309264A true CN116309264A (zh) | 2023-06-23 |
Family
ID=86768623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211501927.4A Pending CN116309264A (zh) | 2021-12-20 | 2022-11-28 | 造影图像判定方法及造影图像判定装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230196568A1 (zh) |
CN (1) | CN116309264A (zh) |
TW (1) | TWI824829B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078698B (zh) * | 2023-08-22 | 2024-03-05 | 山东第一医科大学第二附属医院 | 一种基于深度学习的外周血管影像辅助分割方法及*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017074123A (ja) * | 2015-10-13 | 2017-04-20 | 東芝メディカルシステムズ株式会社 | 医用画像処理装置及びx線診断装置 |
TW201903708A (zh) * | 2017-06-06 | 2019-01-16 | 國立陽明大學 | 數位減影血管攝影圖像的分析方法與系統 |
EP3797399A1 (en) * | 2018-05-23 | 2021-03-31 | ACIST Medical Systems, Inc. | Flow measurement using image data |
TWI770235B (zh) * | 2018-07-20 | 2022-07-11 | 巫湘沂 | 以動態影像判斷血流量變化及血管阻塞區域之方法 |
TWI698225B (zh) * | 2019-06-11 | 2020-07-11 | 宏碁股份有限公司 | 血管狀態評估方法與血管狀態評估裝置 |
TWI711051B (zh) * | 2019-07-11 | 2020-11-21 | 宏碁股份有限公司 | 血管狀態評估方法與血管狀態評估裝置 |
-
2022
- 2022-11-18 TW TW111144120A patent/TWI824829B/zh active
- 2022-11-28 CN CN202211501927.4A patent/CN116309264A/zh active Pending
- 2022-12-15 US US18/081,694 patent/US20230196568A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
TWI824829B (zh) | 2023-12-01 |
TW202326615A (zh) | 2023-07-01 |
US20230196568A1 (en) | 2023-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110706246B (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
Lareyre et al. | A fully automated pipeline for mining abdominal aortic aneurysm using image segmentation | |
CN108280827B (zh) | 基于深度学习的冠状动脉病变自动检测方法、***和设备 | |
CN110648338B (zh) | 图像分割方法、可读存储介质及图像处理装置 | |
CN112308846B (zh) | 血管分割方法、装置及电子设备 | |
CN114066886B (zh) | 骨骼分割边界确定方法、装置、电子设备及存储介质 | |
CN117557460B (zh) | 一种血管造影图像增强方法 | |
CN111640124B (zh) | 一种血管提取方法、装置、设备及存储介质 | |
JP2007517574A (ja) | 画像における自動造影剤制御 | |
CN114693710A (zh) | 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质 | |
CN112784928A (zh) | Dsa影像识别方法、装置及存储介质 | |
CN116309264A (zh) | 造影图像判定方法及造影图像判定装置 | |
CN116579954A (zh) | 一种超高清内窥镜图像智能增强方法 | |
CN115100494A (zh) | 一种病灶图像的识别方法、装置、设备及可读存储介质 | |
US20240005510A1 (en) | Method and apparatus of nidus segmentation, electronic device, and storage medium | |
CN112950734A (zh) | 冠脉重建方法、装置、电子设备和存储介质 | |
CN116228781A (zh) | 冠脉血管分割方法、装置、电子设备及存储介质 | |
CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
CN117078711A (zh) | 医学图像分割方法、***、电子设备和存储介质 | |
CN113902689A (zh) | 一种血管中心线提取方法、***、终端以及存储介质 | |
TWI790179B (zh) | 心導管影像辨識及評估方法 | |
Rizki et al. | Active Contour-Based Analysis of Stent Characterization in Cardiac Coronary Arteries from 2D Intravascular Ultrasound Images | |
CN112862787B (zh) | Cta影像数据处理方法、装置及存储介质 | |
CN113539516B (zh) | 治疗方案的应用后效果的获取方法及装置 | |
CN116543035A (zh) | 一种血管直径的预测方法、装置、电子设备及存储介质 |
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 |