CN111062942B - 血管分叉的检测方法、装置及医疗设备 - Google Patents
血管分叉的检测方法、装置及医疗设备 Download PDFInfo
- Publication number
- CN111062942B CN111062942B CN202010179294.4A CN202010179294A CN111062942B CN 111062942 B CN111062942 B CN 111062942B CN 202010179294 A CN202010179294 A CN 202010179294A CN 111062942 B CN111062942 B CN 111062942B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- mask image
- mask
- processed
- image
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 299
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000012216 screening Methods 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 31
- 238000004891 communication Methods 0.000 claims description 22
- 230000001174 ascending effect Effects 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 abstract description 2
- 238000012217 deletion Methods 0.000 description 9
- 230000037430 deletion Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000007547 defect Effects 0.000 description 4
- 210000001715 carotid artery Anatomy 0.000 description 3
- 230000002792 vascular Effects 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 210000001168 carotid artery common Anatomy 0.000 description 2
- 210000000269 carotid artery external Anatomy 0.000 description 2
- 210000004004 carotid artery internal Anatomy 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Geometry (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)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及血管分叉的检测方法、装置及医疗设备，方法包括获取目标医学图像；目标医学图像包括多个连续的医学子图像；确定与目标医学图像中的医学子图像一一对应的掩膜图像；掩膜图像用于表示血管管壁以及血管管腔的区域；在掩膜图像中筛选出待处理掩膜图像；对待处理掩膜图像进行插值处理，在待处理掩膜图像中形成完整的血管管壁和/或血管管腔的轮廓，以对待处理掩膜图像进行修正；根据修正后的待处理掩膜图像以及其他掩膜图像中血管管壁以及血管管腔的连通区域的数量，检测血管分叉位置对应的目标医学子图像。利用插值方式对血管管壁和/或血管管腔的轮廓缺失的掩膜图像的修正，提高了血管检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及血管分叉的检测方法、装置及医疗设备。
背景技术
心脑血管疾病导致死亡的主要死亡原因之一。其中，心脑血管疾病中与颈动脉粥样硬化斑块相关的约占30%。有研究表明，颈动脉斑块好发于颈总动脉分叉处。因此，需要对颈总动脉分叉的位置进行检测，并基于检测结果对分叉处的颈动脉斑块再进行分析。然而，单纯地从原始血管图像进行血管分割无法提供足够信息以供临床使用，其他血管特征的提取例如血管中心线、直径或分叉等信息和血管分割任务同等重要。因此，能够精确定位血管分叉位置对颈动脉斑块的快速判别以及表征血管结构属性具有重要意义。
目前一些自动检测血管分叉的方法大都针对有标注的训练数据，比如X射线成像，该成像技术得到的图像分辨率较高，能够很清楚地看到成像部位的血管，但存在注射的造影剂对人体造成辐射的问题。另一类基于种子点的方法，其检测结果的好坏依赖于种子点的选取，当血管结构复杂且分叉较多时漏检率较高。
发明内容
有鉴于此，本发明实施例提供了一种血管分叉的检测方法、装置及医疗设备，以解决血管分叉的检测问题。
根据第一方面，本发明实施例提供了一种血管分叉的检测方法，包括：
获取目标医学图像；其中，所述目标医学图像包括多个连续的医学子图像；
确定与所述目标医学图像中的医学子图像一一对应的掩膜图像；其中，所述掩膜图像用于表示血管管壁以及血管管腔的区域；
在所述掩膜图像中筛选出待处理掩膜图像；其中，所述待处理掩膜图像为血管管壁和/或血管管腔的轮廓缺失的掩膜图像；
对所述待处理掩膜图像进行插值处理，在所述待处理掩膜图像中形成完整的血管管壁和/或血管管腔的轮廓，以对所述待处理掩膜图像进行修正；
根据修正后的待处理掩膜图像以及其他掩膜图像中血管管壁以及血管管腔的连通区域的数量，检测血管分叉位置对应的目标医学子图像。
本发明实施例提供的血管分叉的检测方法，基于获取到的医学图像自身进行的，而不需要大量标注的样本数据以及种子点的使用，能够避免现有检测方法的缺陷；且该检测方法利用插值方式对血管管壁和/或血管管腔的轮廓缺失的掩膜图像进行修正，以保证血管分叉的检测是基于完整的血管管壁和/或血管管腔进行的，提高了血管检测的准确性。
结合第一方面，在第一方面第一实施方式中，所述在所述掩膜图像中筛选出待处理掩膜图像，包括：
结合各个所述医学子图像的方向信息，将所述掩膜图像划分为不同类型的掩膜图像；其中，所述掩膜图像的类型包括左侧颈内血管掩膜图像、左侧颈外血管掩膜图像、右侧颈内血管掩膜图像以及右侧颈外血管掩膜图像；
对于各个类型的掩膜图像，基于所述掩膜图像的标识进行待处理掩膜图像的筛选，以得到所述待处理掩膜图像的标识以及所述待处理掩膜图像的缺失类型；其中，所述掩膜图像的标识与所述掩膜图像一一对应；所述待处理掩膜图像的缺失类型包括所述血管管壁和/或血管管腔的轮廓缺失。
本发明实施例提供的血管分叉的检测方法，对掩膜图像划分为不同的类型，以使得对待处理掩膜图像的筛选是在各个类型的掩膜图像下进行的，能够提高血管分叉检测的准确性。
结合第一方面第一实施方式，在第一方面第二实施方式中，所述对于各个类型的掩膜图像，基于所述掩膜图像的标识进行待处理掩膜图像的筛选，包括：
在各个类型的掩膜图像中，分别筛选出包含血管管壁的掩膜图像的标识以及包含血管管腔的掩膜图像的标识，分别得到第一标识序列以及第二标识序列；
计算所述第一标识序列以及所述第二标识序列的并集得到第一集合，并对所述第一集合内的标识进行升序排序，以确定最小标识以及最大标识；
基于所述最小标识以及最大标识，对升序排序后的第一集合内的标识进行步长为1的连续处理，得到第二集合；
根据所述第二集合中的标识以及所述第一标识序列与所述第二标识序列，确定所述待处理掩膜图像的标识以及所述待处理掩膜图像的缺失类型。
本发明实施例提供的血管分叉的检测方法，对待处理掩膜图像的筛选是基于掩膜图像的标识进行的，能够减少数据处理量，提高了血管分叉的检测效率。
结合第一方面第一实施方式，在第一方面第三实施方式中，所述对所述待处理掩膜图像进行插值处理，在所述待处理掩膜图像中形成完整的血管管壁和/或血管管腔的轮廓，以对所述待处理掩膜图像进行修正，包括：
对于各个类型的掩膜图像，基于所述待处理掩膜图像的缺失类型确定目标掩膜图像；
利用所述目标掩膜图像对所述待处理掩膜图像进行插值处理，在所述待处理掩膜图像中形成完整的血管管壁和/或血管管腔的轮廓；
基于插值形成的轮廓，在所述待处理掩膜图像中形成完整的血管管壁和/或血管管腔的区域，以对所述待处理掩膜图像进行修正。
本发明实施例提供的血管分叉的检测方法，在对待处理掩膜图像进行插值处理时，基于同一类型的其他掩膜图像进行的，一方面能够减少数据处理量，另一方面能够保证修正后的掩膜图像的准确性。
结合第一方面第三实施方式，在第一方面第四实施方式中，所述利用所述目标掩膜图像对所述待处理掩膜图像进行插值处理，在所述待处理掩膜图像中形成完整的血管管壁和/或血管管腔的轮廓，包括：
将所述目标掩膜图像转换为极坐标系下的目标掩膜图像；
对所述极坐标系下的目标掩膜图像进行等角度采样，以得到对应于每个采样角度的多个采样点；
基于所述每个采样角度的多个采样点进行曲线拟合，得到与所述每个采样角度对应的拟合曲线；
对所述拟合曲线进行插值处理，得到所述待处理掩膜图像中对应于所述每个采样角度的插值点；
在所述待处理掩膜图像上利用所述插值点形成完整的管壁和/或管腔的轮廓。
结合第一方面，或第一方面第一实施方式至第四实施方式中任一项，在第一方面第五实施方式中，所述根据修正后的待处理掩膜图像以及其他掩膜图像中血管管壁以及血管管腔的连通区域的数量，检测血管分叉位置对应的医学子图像，包括：
分别在更新后的待处理掩膜图像以及其他掩膜图像中查询具有两个血管管壁连通区域以及两个血管管腔连通区域的掩膜图像；
确定查询出的掩膜图像的上一个掩膜图像对应的医学子图像为所述目标医学子图像。
本发明实施例提供的血管分叉的检测方法，由于掩膜图像中的血管管壁连通区域以及血管管腔连通区域的数量能够直观地反映出血管交叉的位置，因此基于掩膜图像进行血管管壁连通区域以及血管管腔连通区域的数量的确定，以进行目标医学子图像的确定，能够在保证检测准确性的基础上，提高血管分叉的检测效率。
结合第一方面，在第一方面第六实施方式中，所述确定与所述目标医学图像中的医学子图像一一对应的掩膜图像，包括：
遍历每个所述医学子图像的所有轮廓；
对所述轮廓提取凸包，得到由所述轮廓包围的多边形的所有点的集合；
基于所述所有点的集合，判断所述所有点的集合中的点是否在所述多边形内或边界上，以对所述凸包进行修正，得到与所述医学子图像一一对应的掩膜图像。
根据第二方面，本发明实施例还提供了一种血管分叉的检测装置，包括：
获取模块，用于获取目标医学图像；其中，所述目标医学图像包括多个连续的医学子图像；
掩膜图像确定模块，用于确定与所述目标医学图像中的医学子图像一一对应的掩膜图像；其中，所述掩膜图像用于表示血管管壁以及血管管腔的区域；
筛选模块，用于在所述掩膜图像中筛选出待处理掩膜图像；其中，所述待处理掩膜图像为血管管壁和/或血管管腔的轮廓缺失的掩膜图像；
插值模块，用于对所述待处理掩膜图像进行插值处理，在所述待处理掩膜图像中形成完整的血管管壁和/或血管管腔的轮廓，以对所述待处理掩膜图像进行修正；
检测模块，用于根据修正后的待处理掩膜图像以及其他掩膜图像中血管管壁以及血管管腔的连通区域的数量，检测血管分叉位置对应的目标医学子图像。
本发明实施例提供的血管分叉的检测装置，基于获取到的医学图像自身进行的，而不需要大量标注的样本数据以及种子点的使用，能够避免现有检测方法的缺陷；且该检测装置利用插值方式对血管管壁和/或血管管腔的轮廓缺失的掩膜图像进行修正，以保证血管分叉的检测是基于完整的血管管壁和/或血管管腔进行的，提高了血管检测的准确性。
根据第三方面，本发明实施例提供了一种医疗设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中所述的血管分叉的检测方法。
根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的血管分叉的检测方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的血管分叉的检测方法的流程图；
图2是根据本发明实施例的血管分叉的检测方法的流程图；
图3a是根据本发明实施例的待处理掩膜图像的示意图；
图3b是根据本发明实施例的修正后的待处理掩膜图像的示意图；
图4a是根据本发明实施例的管壁插值的示意图；
图4b是根据本发明实施例的管腔插值的示意图；
图4c是根据本发明实施例的管壁管腔插值的示意图；
图5是根据本发明实施例的等角度采样的示意图；
图6是根据本发明实施例的根据边界点生成连通区域的示意图；
图7是根据本发明实施例的血管分叉处的插值示意图；
图8是根据本发明实施例的血管分叉的检测方法的流程图；
图9是根据本发明实施例的血管分叉的检测装置的结构框图；
图10是本发明实施例提供的医疗设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。
需要说明的是，本发明实施例中的血管分叉的检测方法可以用于颈动脉部分的血管，也可以用于其他部分的血管分叉的检测，在此对待检测的血管所在部位并不做任何限制。在下文的描述中以颈动脉部分的血管分叉检测为例进行详细描述。
对于同一血管而言，其包括血管管壁以及血管管腔。以颈动脉部位的血管为例，在分叉前可以将血管称之为颈总动脉血管，分叉后称之为颈内动脉血管以及颈外动脉血管。当然，在分叉前也可以认为颈内动脉血管与颈外动脉血管是重合的。
根据本发明实施例，提供了一种血管分叉的检测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种血管分叉的检测方法，可用于医疗设备，图1是根据本发明实施例的血管分叉的检测方法的流程图，如图1所示，该流程包括如下步骤：
S11，获取目标医学图像。
其中，所述目标医学图像包括多个连续的医学子图像。
所述的目标医学图像可以是同一患者的同一部位的磁共振图像或者CT图像等等，其中磁共振图像可以是T1序列（纵向驰豫时间T1加权序列）图像、T2序列（横向驰豫时间T2加权序列）、TOF序列（时间飞逝序列）图像、PD序列图像以及T1C序列（T1对比度增强序列）图像中的一种。
对于每个目标医学图像而言，其包括多个连续的医学子图像。其中，所述连续可以是采集时间的连续，也可以是图像层面的连续等等，在此对其并不做任何限制。
对于目标医学图像的获取可以是医疗设备实时获取或采集到的，也可以是事先存储的医疗设备中的，在此对医学图像的获取方式并不做任何限制。
S12，确定与目标医学图像中的医学子图像一一对应的掩膜图像。
其中，所述掩膜图像用于表示血管管壁以及血管管腔的区域。
如上文所述，目标医学图像包括多个连续的医学子图像，医疗设备对每个医学子图像进行血管轮廓（包括血管管壁轮廓以及血管管腔轮廓）的勾画，在勾画出血管轮廓之后，基于血管轮廓就可以形成血管区域（包括血管管壁区域以及血管管腔区域），从而可以得到与医学子图像一一对应的掩膜图像mask。若医学子图像的数量表示为nSlice，那么掩膜图像的数量表示为nSlice。掩膜图像的大小表示为nRow × nCol，nRow为对应的医学子图像的行数，nCol为对应的医学图像的列数。例如，目标医疗图像包括10个医学子图像，则得到的10个掩膜图像。所述血管管壁的区域包括血管管壁的轮廓以及轮廓内的像素点，所述血管管腔的区域包括血管管腔的轮廓以及轮廓内的像素点。
血管管壁以及血管管腔的轮廓可以是手动勾画得到的，也可以采用自动勾画得到的。其中，自动勾画可以是采用阈值、区域生长、水平集等方法，在此对血管管壁以及血管管腔轮廓的分割所采用的具体方法并不做任何限制，只需保证其能够分割出血管管壁以及血管管腔的轮廓即可。
在分割出血管管壁以及血管管腔的轮廓之后即可得到掩膜图像，其中，可以在掩膜图像中采用不同的像素值区分血管管壁以及血管管腔。例如，掩膜图像中对应于血管管壁部分的像素点的像素值为管壁索引值（wallIndex），对应于血管管腔部分的像素点的像素值为管腔索引值（lumenIndex），除血管管壁以及血管管腔部分的像素点的像素值可以为区别与wallIndex以及lumenIndex的其他数值（例如，0）。那么，就可以利用管壁索引值、管腔索引值以及其他数值形成掩膜图像。至此，就可以形成对应于每个医学子图像的掩膜图像。
进一步可选地，对于每个掩膜图像而言，还可以设置一个标记以区分该掩膜图像中是否包括有血管管壁和/或血管管腔的轮廓，例如，设置一个标记i，当i=1，表示该掩膜图像包括血管管壁的轮廓；当i=2，表示该掩膜图像包括血管管腔的轮廓。
S13，在掩膜图像中筛选出待处理掩膜图像。
其中，所述待处理掩膜图像为血管管壁和/或血管管腔的轮廓缺失的掩膜图像。
由于在对医学子图像进行轮廓勾画时，可能会出现所得到的掩膜图像中存在血管管壁的轮廓缺失，或血管管腔的轮廓缺失，或者血管管壁管腔的轮廓缺失的情况；若出现血管轮廓（血管管壁和/或血管管腔的轮廓）的缺失，那么在掩膜图像中就会出现血管区域（血管管壁和/或血管管腔的区域）的缺失。因此，在进行血管分叉检测之前就需要筛选出这部分的掩膜图像（即，待处理掩膜图像），以保证用于血管分叉检测的掩膜图像中血管管壁以及血管管腔的完整性。
医疗设备在上述S12中得到与医学子图像一一对应的掩膜图像，且已经通过不同的像素值区分掩膜图像中的血管管壁以及血管管腔，那么医疗设备就可以通过遍历掩膜图像中各个像素点的像素值的方式，确定该掩膜图像是否为血管管壁和/或血管管腔的轮廓缺失。
进一步可选地，如上文所述，也可以对每个掩膜图像设置一个标记，利用该标记即可确定该掩膜图像是否包括血管管壁和/或血管管腔的轮廓。例如，可以先利用标记i确定是否包括血管管壁和/或血管管腔的轮廓，再计算该掩膜图像中所有像素点的像素值之和判断其是否大于0（如上文所述，掩膜图像中除血管管壁以及血管管腔部分的像素点的像素值为0），若像素值之和大于0则可以确定该掩膜图像包括血管管壁和/或血管管腔的轮廓。
医疗设备在确定出包括血管管壁和/或血管管腔的区域的掩膜图像之后，再结合所有的掩膜图像，就可以在所有掩膜图像中筛选出血管管壁和/或血管管腔的轮廓缺失的待处理掩膜图像，即筛选出待处理掩膜图像。其中，待处理掩膜图像的缺失类型包括3种，即血管管壁轮廓缺失的掩膜图像、血管管腔轮廓缺失的掩膜图像以及血管管壁和血管管腔轮廓均缺失的掩膜图像。
S14，对待处理掩膜图像进行插值处理，在待处理掩膜图像中形成完整的血管管壁和/或血管管腔的轮廓，以对待处理掩膜图像进行修正。
医疗设备在筛选出待处理掩膜图像之后，可以利用其他轮廓未缺失的掩膜图像对其进行插值处理，在待处理掩膜图像中形成完整的血管管壁和/或血管管腔的轮廓。
由于医学图像中的医学子图像是连续的图像，那么每个医学子图像之间的偏移量并不是很大，那么就可以利用与待处理子图像相邻的医学子图像对应的掩膜图像对待处理子图像对应的掩膜图像进行插值处理；也可以采用其他插值方式，在此对具体的插值方式在此并不做任何限定，可以根据实际情况进行具体设置。
在得到完整的血管管壁和/或血管管腔的轮廓之后，就可以由轮廓形成血管管壁和/或血管管腔的区域，从而实现对待处理掩膜图像的修正。
S15，根据修正后的待处理掩膜图像以及其他掩膜图像中血管管壁以及血管管腔的连通区域的数量，检测血管分叉位置对应的目标医学子图像。
医疗设备可以对修正后的待处理掩膜图像以及其他掩膜图像进行血管管壁以及血管管腔的连通区域的提取（例如，采用8邻域进行连通区域提取），一般血管在分叉前，连通区域总共为2个；血管的分叉位置连通区域常见“8”字型；血管在分叉后，有血管管壁的连通区域有2个，血管管腔的连通区域有2个，因此，就可以利用血管管壁以及血管管腔的连通区域的数量，检测血管分叉位置对应的目标医学子图像。
本实施例提供的血管分叉的检测方法，基于获取到的医学图像自身进行的，而不需要大量标注的样本数据以及种子点的使用，能够避免现有检测方法的缺陷；且该检测方法利用插值方式对血管管壁和/或血管管腔的轮廓缺失的掩膜图像进行修正，以保证血管分叉的检测是基于完整的血管管壁和/或血管管腔进行的，提高了血管检测的准确性。
在本实施例中提供了一种血管分叉的检测方法，可用于医疗设备，图2是根据本发明实施例的血管分叉的检测方法的流程图，如图2所示，该流程包括如下步骤：
S21，获取目标医学图像。
其中，所述目标医学图像包括多个连续的医学子图像。
详细请参见图1所示实施例的S11，在此不再赘述。
S22，确定与目标医学图像中的医学子图像一一对应的掩膜图像。
其中，所述掩膜图像用于表示血管管壁以及血管管腔的区域。
详细请参见图1所示实施例的S12，在此不再赘述。
S23，在掩膜图像中筛选出待处理掩膜图像。
其中，所述待处理掩膜图像为血管管壁和/或血管管腔的轮廓缺失的掩膜图像。
具体地，上述S23包括以下步骤：
S231，结合各个医学子图像的方向信息，将掩膜图像划分为不同类型的掩膜图像。
其中，所述掩膜图像的类型包括左侧颈内血管掩膜图像、左侧颈外血管掩膜图像、右侧颈内血管掩膜图像以及右侧颈外血管掩膜图像。
医疗设备可以将S22中得到的掩膜分为左侧血管掩膜图像，以及右侧血管掩膜图像；再对单侧血管掩膜图像进行颈内血管以及颈外血管的划分。
医疗设备结合各个医学子图像的方向信息将掩膜图像划分为左侧血管掩膜图像以及右侧血管掩膜图像。具体地，可以包括如下步骤：
（1）根据医学图像头文件的imageOrientationPatient属性得到图像左右两侧的标识坐标
（2）对掩膜图像进行连通区域标记
（3）遍历每个连通区域得到该区域的质心坐标
（4）求出区域质心到左右两侧标识坐标点的距离
（5）如果该区域到左侧的距离小于到右侧的距离，则标记该区域在左侧；否则，标记在右侧。
再对单侧血管掩膜图像进行颈内外血管掩膜图像的划分，其划分方式与左右侧血管掩膜图像的划分方式类似。具体地，可以包括如下步骤：
（1）根据医学图像头文件imageOrientationPatient属性得到图像前侧的标识坐标landmark_A；
（2）对左侧血管掩膜图像和右侧血管掩膜图像提取连通区域；
（3）如果连通区域数目等于2，分别计算两个连通区域region1和region2的质心坐标meanCoord1和meanCoord2到landmark_A的距离dist1和dist2；
（4）如果dist1<dist2，前侧区域（即，颈外血管）为region2；否则为region1。
由此就可以将单侧血管掩膜图像进一步划分为单侧颈内外血管掩膜图像。
颈内/外血管掩膜图像可以表示为maskijA以及maskijP，
，L为左侧，R为右
侧，
，
为医学子图像的数量。其中，在没分叉的医
学子图像，其对应的各个类型的掩膜图像相同，即
。
S232，对于各个类型的掩膜图像，基于掩膜图像的标识进行待处理掩膜图像的筛选，以得到待处理掩膜图像的标识以及待处理掩膜图像的缺失类型。
其中，所述掩膜图像的标识与掩膜图像一一对应；所述待处理掩膜图像的缺失类型包括血管管壁和/或血管管腔的轮廓缺失。
医疗设备在对待处理掩膜图像筛选时，是对于各个类型的掩膜图像分别进行处理的。例如，对左侧颈内血管掩膜图像、左侧颈外血管掩膜图像、右侧颈内血管掩膜图像以及右侧颈外血管掩膜图像分别进行待处理掩膜图像的筛选。由于各个类型的筛选方式类似，在下文的描述中仅以左侧颈内血管掩膜图像为例进行详细描述。
所述掩膜图像的标识可以理解为对应医学子图像的下标，如上文所述，掩膜图像中已经包括用于区分血管管壁轮廓以及血管管腔轮廓的标记。对于左侧颈内血管掩膜图像而言，医疗设备可以遍历所有的掩膜图像，利用各个掩膜图像的标记确定其是否包括血管管壁或血管管腔的轮廓；再结合掩膜图像的标识即可得到左侧颈内血管掩膜图像中包括血管管壁或血管管腔轮廓的掩膜图像；在确定出左侧颈内血管掩膜图像中包括血管管壁或血管管腔轮廓的掩膜图像之后，就可以筛选出血管管壁和/或血管管腔的轮廓缺失的待处理子图像对应的掩膜图像。
具体地，上述S232可以包括如下步骤：
（1）在各个类型的掩膜图像中，分别筛选出包含血管管壁的掩膜图像的标识以及包含血管管腔的掩膜图像的标识，分别得到第一标识序列以及第二标识序列。
如上文所述，以左侧颈内血管掩膜图像为例，对其进行包含血管管壁的掩膜图像以及包含血管管腔的掩膜图像的筛选，并存储包含血管管壁的掩膜图像的标识得到第一标识序列，以及存储包含血管管腔的掩膜图像的标识得到第二标识序列。
（2）计算第一标识序列以及第二标识序列的并集得到第一集合，并对第一集合内的标识进行升序排序，以确定最小标识以及最大标识。
医疗设备计算第一标识序列以及第二标识序列的并集，得到左侧颈内血管掩膜图像中包括血管管壁轮廓或者血管管腔轮廓的掩膜图像；并利用其标识形成第一集合。该第一集合内的元素为包括血管管壁轮廓或者血管管腔轮廓的掩膜图像的标识。
对第一集合中的标识进行升序排序，即按照医学子图像的顺序进行排序，确定出第一集合中的最小标识以及最大标识。该方法可以去除在医学图像最开始处以及结束处的医学子图像中血管管壁轮廓以及血管管腔轮廓缺失的掩膜图像，实现掩膜图像的掐头去尾处理，减少数据处理量。其中，对于血管分叉而言，其在医学图像的最开始处以及结束处的血管轮廓对血管分叉位置的确定的影响并不大。
（3）基于最小标识以及最大标识，对升序排序后的第一集合内的标识进行步长为1的连续处理，得到第二集合。
然而，在最小标识与最大标识之间可能存在血管管壁轮廓以及血管管腔轮廓均缺失的掩膜图像的标识，从而导致第一集合中的标识并不连续。通过对第一集合中的标识进行步长为1的连续处理，可以使得所得到的第二集合中的标识连续，以包括掐头去尾后的所有掩膜图像的标识。
（4）根据第二集合中的标识以及第一标识序列与第二标识序列，确定待处理掩膜图像的标识以及待处理掩膜图像的缺失类型。
如上文所述，待处理掩膜图像的缺失类型包括3种，血管管壁轮廓的缺失、血管管腔轮廓的缺失以及血管管壁管腔轮廓的缺失。
对于第一种缺失类型，待处理掩膜图像的标识，可以用第二集合与第一标识序列作差得到；
对于第二种缺失类型，待处理掩膜图像的标识，可以用第二集合与第二标识序列作差得到；
对于第三种缺失类型，待处理掩膜图像的标识，可以第二集合与第一集合作差得到。
S24，对待处理掩膜图像进行插值处理，在待处理掩膜图像中形成完整的血管管壁和/或血管管腔的轮廓，以对待处理掩膜图像进行修正。
请参见图3a，图3a示出了第m个医学子图像与第n个医学子图像之间的待处理掩膜图像，通过插值处理之后，得到如图3b所示的掩膜图像。后续利用图3b所示的图像就可以进行血管分叉位置的确定。其中，图3a以及图3b中外侧的圆为血管管壁轮廓，内侧的圆为血管管腔轮廓。
具体地，上述S24包括如下步骤：
S241，对于各个类型的掩膜图像，基于待处理掩膜图像的缺失类型确定目标掩膜图像。
所述的目标掩膜图像为用于对待处理掩膜图像进行插值处理的图像，其中，结合上文所述，待处理掩膜图像的缺失类型不同，其对应的目标掩膜图像也就相应的不同。
以左侧颈内血管掩膜图像为例，若待处理掩膜图像的缺失类型为血管管壁轮廓的缺失，那么就对应于上述的第一种缺失类型，在得到待处理掩膜图像的标识之后，可以确定第一标识序列对应的掩膜图像为目标掩膜图像（即，左侧颈内血管管壁掩膜图像）。
S242，利用目标掩膜图像对待处理掩膜图像进行插值处理，在待处理掩膜图像中形成完整的血管管壁和/或血管管腔的轮廓。
其中，如图4a所示，图4a-4c分别示出了插值后的血管管壁、血管管腔以及血管管壁管腔的示意图。可选地，上述S242包括如下步骤：
（1）将目标掩膜图像转换为极坐标系下的目标掩膜图像。
医疗设备将S241中确定出的目标掩膜图像的边界轮廓点坐标从笛卡尔坐标系转换到极坐标系下。
（2）对极坐标系下的目标掩膜图像进行等角度采样，以得到对应于每个采样角度的多个采样点。
依次对各个极坐标下的目标掩膜图像进行等角度采样，例如，采样角度为0°、10°、20°、…、350°，每个采样角度得到n个采样点。即，对应于每个目标掩膜图像，在每个采样角度下可以得到n个采样点。例如，目标掩膜图像为m，那么在每个采样角度下总共可以得到n*m个采样点。请参见图5，图5示出了对待处理掩膜图像进行等角度采样的示意图。
（3）基于每个采样角度的多个采样点进行曲线拟合，得到与所述每个采样角度对应的拟合曲线。
医疗设备在每个采样角度下的多个采样点进行曲线拟合，得到拟合曲线pk，其中，k为采样角度。
（4）对拟合曲线进行插值处理，得到待处理掩膜图像中对应于所述每个采样角度的插值点。
医疗设备对每个采样角度下的拟合曲线进行插值处理，即可得到待处理掩膜图像中对应于每个采样角度的插值点，进而可以得到完整的血管管壁轮廓。
（5）在待处理掩膜图像上利用插值点形成完整的管壁和/或管腔的轮廓。
S243，基于插值形成的轮廓，在待处理掩膜图像中形成完整的血管管壁和/或血管管腔的区域，以对待处理掩膜图像进行修正。
医疗设备利用转角法结合插值得到的轮廓点生成连通区域，最终得到完整的血管管壁区域，以修正待处理掩膜图像。请参见图6，图6示出了对待处理掩膜图像根据插值的轮廓点生成连通区域的示意图。
需要说明的是，颈内血管管腔、颈外血管管壁以及颈外血管管腔的插值与颈内血管管壁的插值类似，可以参见上述的插值方法，在此不再赘述。例如，请参见图7，图7示出了对血管管壁管腔的插值结果示意图。
S25，根据修正后的待处理掩膜图像以及其他掩膜图像中血管管壁以及血管管腔的连通区域的数量，检测血管分叉位置对应的目标医学子图像。
详细请参见图1所示实施例的S15，在此不再赘述。
本实施例提供的血管分叉的检测方法，对掩膜图像划分为不同的类型，以使得对待处理掩膜图像的筛选是在各个类型的掩膜图像下进行的，能够提高血管分叉检测的准确性。
在本实施例中提供了一种血管分叉的检测方法，可用于医疗设备，图8是根据本发明实施例的血管分叉的检测方法的流程图，如图8所示，该流程包括如下步骤：
S31，获取目标医学图像。
其中，所述目标医学图像包括多个连续的医学子图像。
详细请参见图2所示实施例的S21，在此不再赘述。
S32，确定与目标医学图像中的医学子图像一一对应的掩膜图像。
其中，所述掩膜图像用于表示血管管壁以及血管管腔的区域。
具体地，上述S32包括如下步骤：
S321，遍历每个医学子图像的所有轮廓。
医疗设备对医学图像中的医学子图像的轮廓进行遍历，得到血管管壁轮廓以及血管管腔轮廓。
S322，对轮廓提取凸包，得到由轮廓包围的多边形的所有点的集合。
其中，多边形的所有点包括多边形边界点和内部点。
S323，基于所有点的集合，判断所有点的集合中的点是否在多边形内或边界上，以对凸包进行修正，得到与医学子图像一一对应的掩膜图像。
S33，在掩膜图像中筛选出待处理掩膜图像。
其中，所述待处理子图像为血管管壁和/或血管管腔的轮廓缺失的医学子图像。
详细请参见图2所示实施例的S23，在此不再赘述。
S34，对待处理掩膜图像进行插值处理，在待处理掩膜图像中形成完整的血管管壁和/或血管管腔的轮廓，以对待处理掩膜图像进行修正。
详细请参见图3所示实施例的S24，在此不再赘述。
S35，根据修正后的待处理掩膜图像以及其他掩膜图像中血管管壁以及血管管腔的连通区域的数量，检测血管分叉位置对应的目标医学子图像。
具体地，上述S35包括如下步骤：
S351，分别在更新后的待处理掩膜图像以及其他掩膜图像中查询具有两个血管管壁连通区域以及两个血管管腔连通区域的掩膜图像。
医疗设备对经过S34处理之后的所有单侧血管掩膜图像进行连通区域的提取，得到每一个单侧血管掩膜图像中血管管壁的连通区域的数量，以及血管管腔的连通区域的数量。遍历所得到的连通区域的数量，定位至具有两个血管管壁连通区域以及两个血管管腔连通区域的掩膜图像。
S352，确定查询出的掩膜图像的上一个掩膜图像对应的医学子图像为所述目标医学子图像。
医疗设备在定位到某一掩膜图像之后，将该掩膜图像的上一个掩膜图像对应的医学子图像确定为目标医学子图像，即血管分叉所在的医学子图像。
本实施例提供的血管分叉的检测方法，由于掩膜图像中的血管管壁连通区域以及血管管腔连通区域的数量能够直观地反映出血管交叉的位置，因此基于掩膜图像进行血管管壁连通区域以及血管管腔连通区域的数量的确定，以进行目标医学子图像的确定，能够在保证检测准确性的基础上，提高血管分叉的检测效率。
在本实施例中还提供了一种血管分叉的检测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种血管分叉的检测装置，如图9所示，包括：
获取模块41，用于获取目标医学图像；其中，所述目标医学图像包括多个连续的医学子图像；
掩膜图像确定模块42，用于确定与所述目标医学图像中的医学子图像一一对应的掩膜图像；其中，所述掩膜图像用于表示血管管壁以及血管管腔的区域；
筛选模块43，用于在所述掩膜图像中筛选出待处理掩膜图像；其中，所述待处理掩膜图像为血管管壁和/或血管管腔的轮廓缺失的掩膜图像；
插值模块44，用于对所述待处理掩膜图像进行插值处理，在所述待处理掩膜图像中形成完整的血管管壁和/或血管管腔的轮廓，以对所述待处理掩膜图像进行修正；
检测模块45，用于根据修正后的待处理掩膜图像以及其他掩膜图像中血管管壁以及血管管腔的连通区域的数量，检测血管分叉位置对应的目标医学子图像。
本实施例提供的血管分叉的检测装置，基于获取到的医学图像自身进行的，而不需要大量标注的样本数据以及种子点的使用，能够避免现有检测方法的缺陷；且该检测装置利用插值方式对血管管壁和/或血管管腔的轮廓缺失的掩膜图像的进行修正，以保证血管分叉的检测是基于完整的血管管壁和/或血管管腔进行的，提高了血管检测的准确性。
本实施例中的血管分叉的检测装置是以功能单元的形式来呈现，这里的单元是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本发明实施例还提供一种医疗设备，具有上述图9所示的血管分叉的检测装置。
请参阅图10，图10是本发明可选实施例提供的一种医疗设备的结构示意图，如图10所示，该医疗设备可以包括：至少一个处理器51，例如CPU（Central Processing Unit，中央处理器），至少一个通信接口53，存储器54，至少一个通信总线52。其中，通信总线52用于实现这些组件之间的连接通信。其中，通信接口53可以包括显示屏（Display）、键盘（Keyboard），可选通信接口53还可以包括标准的有线接口、无线接口。存储器54可以是高速RAM存储器（Random Access Memory，易挥发性随机存取存储器），也可以是非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。存储器54可选的还可以是至少一个位于远离前述处理器51的存储装置。其中处理器51可以结合图9所描述的装置，存储器54中存储应用程序，且处理器51调用存储器54中存储的程序代码，以用于执行上述任一方法步骤。
其中，通信总线52可以是外设部件互连标准（peripheral componentinterconnect，简称PCI）总线或扩展工业标准结构（extended industry standardarchitecture，简称EISA）总线等。通信总线52可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器54可以包括易失性存储器（英文：volatile memory），例如随机存取存储器（英文：random-access memory，缩写：RAM）；存储器也可以包括非易失性存储器（英文：non-volatile memory），例如快闪存储器（英文：flash memory），硬盘（英文：hard diskdrive，缩写：HDD）或固态硬盘（英文：solid-state drive，缩写：SSD）；存储器54还可以包括上述种类的存储器的组合。
其中，处理器51可以是中央处理器（英文：central processing unit，缩写：CPU），网络处理器（英文：network processor，缩写：NP）或者CPU和NP的组合。
其中，处理器51还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路（英文：application-specific integrated circuit，缩写：ASIC），可编程逻辑器件（英文：programmable logic device，缩写：PLD）或其组合。上述PLD可以是复杂可编程逻辑器件（英文：complex programmable logic device，缩写：CPLD），现场可编程逻辑门阵列（英文：field-programmable gate array，缩写：FPGA），通用阵列逻辑（英文：generic arraylogic, 缩写：GAL）或其任意组合。
可选地，存储器54还用于存储程序指令。处理器51可以调用程序指令，实现如本申请图1、2以及8实施例中所示的血管分叉的检测方法。
本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的血管分叉的检测方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）、随机存储记忆体（Random Access Memory，RAM）、快闪存储器（Flash Memory）、硬盘（Hard DiskDrive，缩写：HDD）或固态硬盘（Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (9)
1.一种血管分叉的检测方法，其特征在于，包括：
获取目标医学图像；其中，所述目标医学图像包括多个连续的医学子图像；
确定与所述目标医学图像中的医学子图像一一对应的掩膜图像；其中，所述掩膜图像用于表示血管管壁以及血管管腔的区域；
在所述掩膜图像中筛选出待处理掩膜图像；其中，所述待处理掩膜图像为血管管壁和/或血管管腔的轮廓缺失的掩膜图像；
对所述待处理掩膜图像进行插值处理，在所述待处理掩膜图像中形成完整的血管管壁和/或血管管腔的轮廓，以对所述待处理掩膜图像进行修正；
根据修正后的待处理掩膜图像以及其他掩膜图像中血管管壁以及血管管腔的连通区域的数量，检测血管分叉位置对应的目标医学子图像；
其中，所述在所述掩膜图像中筛选出待处理掩膜图像，包括：
结合各个所述医学子图像的方向信息，将所述掩膜图像划分为不同类型的掩膜图像；其中，所述掩膜图像的类型包括左侧颈内血管掩膜图像、左侧颈外血管掩膜图像、右侧颈内血管掩膜图像以及右侧颈外血管掩膜图像；
对于各个类型的掩膜图像，基于所述掩膜图像的标识进行所述待处理掩膜图像的筛选，以得到所述待处理掩膜图像的标识以及所述待处理掩膜图像的缺失类型；其中，所述掩膜图像的标识与所述掩膜图像一一对应；所述待处理掩膜图像的缺失类型包括所述血管管壁和/或血管管腔的轮廓缺失。
2.根据权利要求1所述的方法，其特征在于，所述对于各个类型的掩膜图像，基于所述掩膜图像的标识进行待处理掩膜图像的筛选，包括：
在各个类型的掩膜图像中，分别筛选出包含血管管壁的掩膜图像的标识以及包含血管管腔的掩膜图像的标识，分别得到第一标识序列以及第二标识序列；
计算所述第一标识序列以及所述第二标识序列的并集得到第一集合，并对所述第一集合内的标识进行升序排序，以确定最小标识以及最大标识；
基于所述最小标识以及最大标识，对升序排序后的第一集合内的标识进行步长为1的连续处理，得到第二集合；
根据所述第二集合中的标识以及所述第一标识序列与所述第二标识序列，确定所述待处理掩膜图像的标识以及所述待处理掩膜图像的缺失类型。
3.根据权利要求1所述的方法，其特征在于，所述对所述待处理掩膜图像进行插值处理，在所述待处理掩膜图像中形成完整的血管管壁和/或血管管腔的轮廓，以对所述待处理掩膜图像进行修正，包括：
对于各个类型的掩膜图像，基于所述待处理掩膜图像的缺失类型确定目标掩膜图像；
利用所述目标掩膜图像对所述待处理掩膜图像进行插值处理，在所述待处理掩膜图像中形成完整的血管管壁和/或血管管腔的轮廓；
基于插值形成的轮廓，在所述待处理掩膜图像中形成完整的血管管壁和/或血管管腔的区域，以对所述待处理掩膜图像进行修正。
4.根据权利要求3所述的方法，其特征在于，所述利用所述目标掩膜图像对所述待处理掩膜图像进行插值处理，在所述待处理掩膜图像中形成完整的血管管壁和/或血管管腔的轮廓，包括：
将所述目标掩膜图像转换为极坐标系下的目标掩膜图像；
对所述极坐标系下的目标掩膜图像进行等角度采样，以得到对应于每个采样角度的多个采样点；
基于所述每个采样角度的多个采样点进行曲线拟合，得到与所述每个采样角度对应的拟合曲线；
对所述拟合曲线进行插值处理，得到所述待处理掩膜图像中对应于所述每个采样角度的插值点；
在所述待处理掩膜图像上利用所述插值点形成完整的血管管壁和/或血管管腔的轮廓。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述根据修正后的待处理掩膜图像以及其他掩膜图像中血管管壁以及血管管腔的连通区域的数量，检测血管分叉位置对应的医学子图像，包括：
分别在更新后的待处理掩膜图像以及其他掩膜图像中查询具有两个血管管壁连通区域以及两个血管管腔连通区域的掩膜图像；
确定查询出的掩膜图像的上一个掩膜图像对应的医学子图像为所述目标医学子图像。
6.根据权利要求1所述的方法，其特征在于，所述确定与所述目标医学图像中的医学子图像一一对应的掩膜图像，包括：
遍历每个所述医学子图像的所有轮廓；
对所述轮廓提取凸包，得到由所述轮廓包围的多边形的所有点的集合；
基于所述所有点的集合，判断所述所有点的集合中的点是否在所述多边形内或边界上，以对所述凸包进行修正，得到与所述医学子图像一一对应的掩膜图像。
7.一种血管分叉的检测装置，其特征在于，包括：
获取模块，用于获取目标医学图像；其中，所述目标医学图像包括多个连续的医学子图像；
掩膜图像确定模块，用于确定与所述目标医学图像中的医学子图像一一对应的掩膜图像；其中，所述掩膜图像用于表示血管管壁以及血管管腔的区域；
筛选模块，用于在所述掩膜图像中筛选出待处理掩膜图像；其中，所述待处理掩膜图像为血管管壁和/或血管管腔的轮廓缺失的掩膜图像；
插值模块，用于对所述待处理掩膜图像进行插值处理，在所述待处理掩膜图像中形成完整的血管管壁和/或血管管腔的轮廓，以对所述待处理掩膜图像进行修正；
检测模块，用于根据修正后的待处理掩膜图像以及其他掩膜图像中血管管壁以及血管管腔的连通区域的数量，检测血管分叉位置对应的目标医学子图像
其中，所述在所述掩膜图像中筛选出待处理掩膜图像，包括：
结合各个所述医学子图像的方向信息，将所述掩膜图像划分为不同类型的掩膜图像；其中，所述掩膜图像的类型包括左侧颈内血管掩膜图像、左侧颈外血管掩膜图像、右侧颈内血管掩膜图像以及右侧颈外血管掩膜图像；
对于各个类型的掩膜图像，基于所述掩膜图像的标识进行所述待处理掩膜图像的筛选，以得到所述待处理掩膜图像的标识以及所述待处理掩膜图像的缺失类型；其中，所述掩膜图像的标识与所述掩膜图像一一对应；所述待处理掩膜图像的缺失类型包括所述血管管壁和/或血管管腔的轮廓缺失。
8.一种医疗设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-6中任一项所述的血管分叉的检测方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的血管分叉的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010179294.4A CN111062942B (zh) | 2020-03-16 | 2020-03-16 | 血管分叉的检测方法、装置及医疗设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010179294.4A CN111062942B (zh) | 2020-03-16 | 2020-03-16 | 血管分叉的检测方法、装置及医疗设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111062942A CN111062942A (zh) | 2020-04-24 |
| CN111062942B true CN111062942B (zh) | 2020-06-12 |
Family
ID=70307920
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010179294.4A Active CN111062942B (zh) | 2020-03-16 | 2020-03-16 | 血管分叉的检测方法、装置及医疗设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111062942B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112288794B (zh) * | 2020-09-04 | 2021-09-07 | 深圳硅基智能科技有限公司 | 眼底图像的血管管径的测量方法及测量装置 |
| CN114511615A (zh) * | 2021-12-31 | 2022-05-17 | 深圳市中科微光医疗器械技术有限公司 | 一种校准图像的方法及装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103337096B (zh) * | 2013-07-19 | 2015-09-09 | 东南大学 | 一种冠状动脉ct造影图像钙化点检测方法 |
| CN104036521A (zh) * | 2014-07-03 | 2014-09-10 | 重庆大学 | 一种新的视网膜眼底图像分割方法 |
| EP3142069B1 (en) * | 2015-09-10 | 2020-05-13 | Agfa HealthCare | Method, apparatus and system for analyzing medical images of blood vessels |
| CA3000948C (en) * | 2015-10-13 | 2024-02-20 | Lightlab Imaging, Inc. | Intravascular imaging system and methods to determine cut plane view angle of side branch |
| CN109643449A (zh) * | 2016-04-14 | 2019-04-16 | 光学实验室成像公司 | 血管分支的识别 |
| CN108182680B (zh) * | 2017-12-28 | 2021-12-28 | 中科微光医疗研究中心(西安)有限公司 | 一种基于ivoct图像的分叉血管的角度自动识别方法 |
| CN108280833B (zh) * | 2018-01-18 | 2021-09-24 | 华南农业大学 | 一种植物根系分叉特征的骨架提取方法 |
| CN109977956B (zh) * | 2019-04-29 | 2022-11-18 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、装置、电子设备以及存储介质 |
-
2020
- 2020-03-16 CN CN202010179294.4A patent/CN111062942B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111062942A (zh) | 2020-04-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11922615B2 (en) | Information processing device, information processing method, and storage medium | |
| KR20210002104A (ko) | 목표 검출 및 목표 검출 네트워크의 훈련 | |
| US9811912B2 (en) | Image processing apparatus, image processing method and medical imaging device | |
| US8437520B2 (en) | Medical image processor and medical image processing method | |
| KR101899866B1 (ko) | 병변 경계의 오류 검출 장치 및 방법, 병변 경계의 오류 수정 장치 및 방법 및, 병변 경계의 오류 검사 장치 | |
| US9600890B2 (en) | Image segmentation apparatus, medical image device and image segmentation method | |
| CN110189258B (zh) | 基于mri多模态序列的颈动脉管腔和管壁自动分割方法 | |
| CN113362331A (zh) | 图像分割方法、装置、电子设备及计算机存储介质 | |
| CN111062942B (zh) | 血管分叉的检测方法、装置及医疗设备 | |
| CN109509198B (zh) | 校正损伤的设备和方法 | |
| US11416999B2 (en) | Methods, systems, and computer programs for segmenting a tooth's pulp region from an image | |
| JP6853419B2 (ja) | 情報処理装置、情報処理方法、コンピュータプログラム | |
| JP4964171B2 (ja) | 対象領域抽出方法および装置ならびにプログラム | |
| CN111402406A (zh) | 血管三维重建方法、装置及医疗设备 | |
| CN113537408B (zh) | 一种超声图像处理方法、装置、设备及存储介质 | |
| CN111127404B (zh) | 一种医疗影像轮廓快速提取方法 | |
| CN112365498A (zh) | 一种针对二维图像序列中多尺度多形态目标的自动检测方法 | |
| CN107169975A (zh) | 超声图像的分析方法及装置 | |
| CN117237261A (zh) | 图像处理方法及图像处理系统 | |
| CN111932495B (zh) | 一种医学图像检测方法、装置及存储介质 | |
| JP7019104B2 (ja) | 閾値の学習方法 | |
| CN113963006B (zh) | 一种视网膜血管矢量化模型的构建方法、装置及存储介质 | |
| JP2016195755A (ja) | 医用画像処理装置、医用画像処理方法及び医用イメージング装置 | |
| CN111524081B (zh) | 肺部影像角度矫正方法、装置、电子设备和存储介质 | |
| US20250014330A1 (en) | Method for extracting an intersection area from a segmentation mask |
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 |