脑血管形态特征定量分析方法技术

本发明专利技术属于医学影像技术领域，具体为一种脑血管形态特征定量分析方法。本发明专利技术利用血管网络的结构特点，通过构建血管网络邻接矩阵实现各项定量特征的计算，具有很强的普适性，可用于X射线、CT、MRI等不同采集方式获取的血管影像。分析结果包含血管分支数目、分支长度、血管半径、血管弯曲度、血管网络复杂度等多种特征，能够有效提高医生分析血管定量参数的效率；本发明专利技术具有旋转不变性，血管影像经过旋转后不影响分析结果，可实现二维血管影像以及三维血管影像的自动分析。本发明专利技术在心血管疾病以及未来其他重大血管疾病的智能诊治中发挥巨大的作用，极具市场潜力和经济社会效益。极具市场潜力和经济社会效益。极具市场潜力和经济社会效益。

【技术实现步骤摘要】
脑血管形态特征定量分析方法


[0001]本专利技术属于医学影像
，具体涉及一种脑血管形态特征定量分析方法。

技术介绍

[0002]众多疾病的产生与发展往往伴随着组织器官内血管的异常和病变。随着医学影像技术的飞速发展，利用各种成像方法无创地观察组织血管，分析和研究血管的变化情况，在临床中发挥重要作用。
[0003]血管异常与病变是心脑血管疾病、肝硬化、各色肿瘤等多种疾病主要特征。长期以来，组织血管定量分析的方法是利用组织切片，测量血管密度、血管长度和管径等相关参数。此类方法属有创的方法，在实施过程中，需重复进行血管染色，借助光学显微镜进行观测。测量结果受染色结果的影响较大，同时光学显微镜的观测范围十分有限，影响测量结果的准确性。随着成像技术的不断发展，采用X射线，CT，PET，MR等成像技术，能够实现无创的获取组织血管影像，进一步可利用算法进行血管定量分析。
[0004]目前临床医生利用医学影像分析血管分布和形态变化，研究相关疾病的预防、发现和诊治方法，往往只能凭借主观的经验观察，对疾病的严重程度、治疗效果等的分析过分依赖医生本身的主观判断。同时，伴随着成像技术的进步和完善，影像所包含的信息更为丰富与复杂，加重了医生观测与分析数据的负担，进而影响诊断的准确性和治疗效果。因此，对血管进行自动的定量分析具有十分重要的实用价值。现有的血管定量分析方法能够实现简单的分支、半径计算，但缺少其他定量方法，难以用于肿瘤鉴别。
[0005]本专利技术利用CT、MR等影像，自动提取脑血管的定量特征，包括血管密度类特征，血管弯曲度特征和血管网络特征等。利用这些血管定量特征可用于识别、评估脑血管疾病，如脑卒中、脑动脉瘤、脑动脉狭窄等。

技术实现思路

[0006]针对现有技术存在的不足，本专利技术旨在提供一种自动脑血管形态特征定量分析方法。该方法适用于不同采集方式获取的血管图像，能够自动计算血管的分支、半径、弯曲度等特征，可便于临床分析与诊治。
[0007]本专利技术提供的脑血管形态特征定量分析方法，具体步骤如下：
[0008]步骤S1，从不同的采集方式中，获取组织影像的血管结构；
[0009]步骤S2，利用形态学细化算法(Kollmannsberger Pet al.The small world of osteocytes:connectomics of the lacuno
‑
canalicular network in bone.New Journal of Physics.2017)，对步骤S1中的血管结构进行细化，获取血管结构的中心线，中心线所有点的集合记为C；
[0010]步骤S3，判断血管中心线上点之间的邻接关系，构建中心线上所有点的邻接矩阵，记为A；
[0011]步骤S4，利用邻接矩阵计算中心线上所有点的度，根据度的大小将所有点分为结
点与边结点：度为2的点是边结点，记为E，其他点为结点，记为N；
[0012]步骤S5，利用遍历搜索方法，构建结点的邻接矩阵，记为A
node
，并得到中心线各分支的长度与分支个数；
[0013]步骤S6，计算所有边结点所处位置的血管半径；
[0014]步骤S7，计算所有边结点的弯曲程度，求出每条分支的平均弯曲程度；
[0015]步骤S8，利用邻接矩阵A，计算血管网络的聚类系数、网络结构熵。
[0016]本专利技术步骤S3中，所述邻接关系是指两点距离小于等于
[0017]本专利技术步骤S4中，所述计算中心线上所有点的度，其中点的度是指与该点邻接的点的个数。
[0018]本专利技术步骤S5中，所述利用遍历搜索方法构建结点邻接矩阵，具体包括如下子步骤：
[0019]步骤S51，从N中随机选取一个结点n
i
，利用邻接矩阵A，找出所有与之相邻的点，记为集合S；
[0020]步骤S52，从S中一点出发，重复搜寻其下一个相邻点，直到出现一个相邻点为结点n
j
的点，记n
i
与n
j
邻接，并计算搜寻次数，记为分支长度；
[0021]步骤S53，重复步骤S52，直至搜索完成集合S中的所有点；
[0022]步骤S54，重复步骤S51、步骤S52、步骤S53，直至搜索完成集合N中的所有点；
[0023]步骤S55，利用邻接矩阵A
node
，计算出分支数。
[0024]本专利技术步骤S6中，所述计算所有边结点所处位置的血管半径，具体包括如下子步骤：
[0025]步骤S61，从E中随机选取一点e
i
，利用邻接矩阵A，找出与之相邻的两个点，e
i
与相邻两点构成的向量记为V
i1
、V
i2
；
[0026]步骤S62，分别计算e
i
位置下，血管在水平面、冠状面和矢状面的截面面积；
[0027]步骤S63，计算水平面、冠状面和矢状面截面面积在向量V
i1
、V
i2
上的投影；
[0028]步骤S64，计算所有投影面积的均值，记为e
i
位置下的横截面积，并计算半径；
[0029]步骤S65，重复步骤S61、步骤S62、步骤S63、步骤S64，直至完成E中所有点的计算。
[0030]本专利技术步骤S7中，所述计算所有边结点的弯曲程度，求出每条分支的平均弯曲程度；
[0031]本专利技术步骤S8中，所述利用邻接矩阵A，计算血管网络的聚类系数、网络结构熵；
[0032]基于上述脑血管形态特征定量分析方法，本专利技术还构建了脑血管形态特征定量分析系统。该定量分析系统包括：形态学细化算法模块，邻接矩阵构建模块，结点与边结点构建模块，结点邻接矩阵构建模块，血管半径、弯曲度计算模块，血管网络的聚类系数、网络结构熵计算模块；这些模块用于执行本专利技术方法中，步骤S2、步骤S3、步骤S4、步骤S5、步骤S6和步骤S7、步骤S8的操作。
[0033]与现有技术相比，本专利技术具有如下有益效果：
[0034]1、相较于传统的组织切片法分析血管定量参数，本专利技术提出通用的血管自动定量分析方法，能够实现全自动血管定量分析；分析结果中包含血管分支数目，分支长度，血管半径，血管弯曲度，血管网络复杂度等多种特征，能够十分有效地提高医生分析血管定量参数的效率，促进相关领域研究；
[0035]2、本专利技术利用血管网络的结构特点，构建网络邻接矩阵实现各项定量特征的计算，具有很强的普适性，可用于X射线、CT、MRI等不同采集方式获取的血管影像；本专利技术具有旋转不变性，血管影像经过旋转后不影响分析结果，可实现二维血管影像以及三维血管影像的自动分析；
[0036]3、本专利技术利用血管影像分析得出的定量参数，能够得到优于传统主观观测法的定量结果，可供临床医生对比分析病变与非病变、轻度病变与重度病变之间的血管定量差异；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脑血管形态特征定量分析方法，其特征在于，具体步骤如下：步骤S1，从不同的采集方式中，获取组织影像的血管结构；步骤S2，利用形态学细化算法，对步骤S1中的血管结构进行细化，获取血管结构的中心线，中心线所有点的集合记为C；步骤S3，判断血管中心线上点之间的邻接关系，构建中心线上所有点的邻接矩阵，记为A；步骤S4，利用邻接矩阵计算中心线上所有点的度，根据度的大小将所有点分为结点与边结点：度为2的点是边结点，记为E，其他点为结点，记为N；步骤S5，利用遍历搜索方法，构建结点的邻接矩阵，记为A
node
，并得到中心线各分支的长度与分支个数；步骤S6，计算所有边结点所处位置的血管半径；步骤S7，计算所有边结点的弯曲程度，求出每条分支的平均弯曲程度；步骤S8，利用邻接矩阵A，计算血管网络的聚类系数、网络结构熵。2.根据权利要求1所述的脑血管形态特征定量分析方法，其特征在于，步骤S3中所述邻接关系是指两点距离小于等于3.根据权利要求2所述的脑血管形态特征定量分析方法，其特征在于，步骤S4中所述计算中心线上所有点的度，其中点的度指与该点邻接的点的个数。4.根据权利要求3所述的脑血管形态特征定量分析方法，其特征在于，步骤S5中所述利用遍历搜索方法构建结点邻接矩阵，具体包括如下子步骤：步骤S51，从N中随机选取一个结点n
i
，利用邻接矩阵A，找出所有与之相邻的点，记为集合S；步骤S52，从S中一点出发，重复搜寻其下一个相邻点，直到出现一个相邻点为结点n
j
的点，记n
i
与n
j
邻接，并计算搜寻次数，记为分支长度；步骤S53，重复步骤S52，直至搜索完成集合S中的所有点；步骤S54，重复步骤S51、步骤S52、步骤S53，直至搜索完成集合N中的所有点；步骤S55，利用邻接矩阵A
node
，计算出分支数。5.根据权利要求4所述的脑血管形态特征定量分析方法，其特征在于，步骤S6中所述计算所有边结点所处位置的血管半径，具体包括如下子步骤：步骤S61，从E中随机选取一点e
i
，利用邻接矩阵A，找出与之相邻的两个点，e

【专利技术属性】
技术研发人员：王鹤，张博宇，
申请(专利权)人：复旦大学，
类型：发明
国别省市：