在数字图像数据中识别注有造影剂的血管的方法技术

本发明专利技术涉及在数字３Ｄ图像数据中识别有造影剂的血管的方法，ａ）选择图像数据中一个属于血管的图像体素作为种子点；ｂ）选择图像体素强度的当前阈值作为种子点的强度，将种子点与阈值相对应；ｃ）在与该种子点相邻的图像体素中寻找新种子点，并根据其强度和当前阈值与特定的阈值相对应；ｄ）重复步骤ｃ），直至找不到其他种子点；ｅ）将找到的种子点存储为血管体素，并与当前阈值相对应；ｆ）降低当前阈值；ｇ）重复步骤ｃ）至ｆ），直至满足中断条件，ｈ）将血管作为所有血管体素的集合来识别，其中，存在可能导致与待识别血管有特殊联系的相应方法步骤误识别的在先知识，步骤ａ）至ｈ）中的至少一个是在考虑该在先知识的情况下而改变或扩展的。

【技术实现步骤摘要】

本专利技术涉及一种在通过3D-血管造影获得的数字图像数据中识别注有造影剂的血管的方法。
技术介绍
心脏冠状血管疾病是整个工业社会中人类的主要死因之一。这种情况下，心脏功能缺陷主要是由反常的狭窄所引起的，即冠状动脉变窄。这常常会导致危及生命的心肌梗塞。近来，在一些例如螺旋-CT(多层心脏计算机X射线断层造影-MSCT)方法中的技术改进使得可以在亚毫米范围内产生具有高位置分辨率的心脏三维图像。这其中，在约20秒的时间窗内对患者体内，例如含有心脏的胸腔拍摄64张平行的截面图像，即层。在此尤其是通过静脉内注射造影剂来显示冠状动脉。这一技术例如公知为3D-血管造影术(计算机X射线断层血管造影术-CTA)。这种成像方法的结果是可以产生患者的数字3D图像数据组。为了能够对这些图像就患者的心脏或冠状动脉的状况进行分析，需要从图像数据中对所谓的冠状树进行识别或进行足够对比度的显示。在此冠状树是冠状动脉或血管的总和，而不包括包含在图像数据组中的其它图像信息。换句话说，应从图像数据中将冠状树提取出来，从而使其例如能够单独地，即在空旷的空间内可图像显示或者可测量。这种将冠状树从图像数据中凸现出来的过程——在专业领域内也被称为分割——将在以下始终称为识别。这种识别的质量或品质对于随后的医疗诊断来说是非常重要的，例如分析是否存在血管变窄或者其程度如何。血管变窄是由于脂肪堆积、钙质堆积、动脉瘤或其他解剖学上的畸变如心脏冠状动脉缺陷等造成的。除了对心脏冠状血管进行诊断，即仅仅是诊断的确定外，其定性和定量分析也是非常有用的。例如，对于必要的介入、如置入支架前的处理方案。这里，在手术的前期准备阶段就要确定出支架、所需导管的长度或者搭桥的尺寸。医学图像数据中对相应血管的识别由于血管结构通常很细而成为严峻的挑战。例如血管的直径通常在数字图像数据中只覆盖很少图像点或体素。识别中的另一难题是待识别的血管靠近图像数据中同样以足够对比度显示的心室或心房。另外，也需要有可靠的方法或算法对测量噪声和图像干扰进行相应的图像处理。因此，为了在医学2D-或3D-图像或图像数据中识别血管，已开发出许多方法。有一类方法是基于所谓的相邻差异，这种差异由图像数据计算得出。这些方法的主要缺陷是它们严重受制于图像数据中存在的噪声。还存在基于带有或不带有形状模型的可塑造模型的方法。这里，大多数模型或方法都以识别管状结构为目标，但是它们在识别冠状树中的血管分枝时就很成问题或者会失效。此外，获得形状模型需要用手工分割血管树或冠状树的在已知图像数据的、庞大而具有代表性的数据基础上进行繁复工作的训练阶段。但是在医疗实践中最为困难和严重的情况下变异的血管树常常会被错误地分割，因为它们与通常的模式或通常的形状模型偏差太大。尽管基于模型的方法比前述那些方法对于图像噪声明显更可靠一些，但是这些方法多数还不适用于3D分析。这还因为它们是计算集中的。相反，线性算法或轮廓算法则只是提取或识别出图像数据中血管的中线，而不是整个血管体积或内腔。另外，这种技术需要很好地手工初始化。因此这里需要通过尽可能熟练的使用者，例如血管外科医生来做大量的准备工作。例如，在实践中首先要在3D区域内设置相应的标记来初始化这种方法，这是非常昂贵的。另一广泛使用并且基本的算法是所谓的区域生长或成长方法，该方法一般广泛用于分割图像数据并且已经例如按照而用于血管识别或分割。该方法用于2D或3D的情况，并且在此针对的是图像数据体素的亮度值或色度值或灰度值。该方法基于的基本假设是，紧邻着且具有类似亮度值的体素极有可能属于同一个对象。以下在不限制普遍性的情况下，将注有造影剂的血管，也即富积有造影剂的血管在图像数据中比周围组织等更为明亮的显示，并且这些更明亮的体素具有更高的灰度值或强度值。至于所要分割的3D图像数据，指的是纯灰度值图像，也即不是彩色图像。体素的灰度值用Hounsfield单位表示。首先，多数情况下要手动地先给出第一种子点或萌芽点sp，即其中添加了空种子点集合SPT的一个单独的图像体素。在此，T是种子点的灰度。由此出发，该方法分割图像数据或对血管进行识别，其中，逐步地检测与种子点sp相邻的体素nsp，看其是否可能是血管体素。将这些体素作为可能的种子点添加到相应于其灰度值I的种子点集合SPI中。然后如下所述，当T设为相应的值I时，对相应存储的种子点进行处理。如果检测了阈值T的所有邻居，则将种子点本身添加到空的分割的区域R中。该区域R就是生长的血管树。针对相应的阈值T，通常要选择出其值为Tmax≥T≥Tmin的总间隔，并且在方法过程中逐步地降低实际的阈值T。如果对于已经分割的区域R不能再找到其他其强度大于目前的阈值T的相邻体素nsp，则将其降低一个预定的步幅，并且以此改变的阈值T来进行进一步的方法过程。被分割的种子点、也即属于集合R的种子点，一般用识别其的、相应的阈值T来标记。由此产生根据强度值划分的结果R，该结果使得在完成所有的算法处理之后也能逐步离开已经分割的区域。最大阈值Tmax在此是指手工确定的第一种子点的强度。最小阈值Tmin则是由使用者交互式地确定的。在整个阈值间隔Tmin至Tmax内进行分割。虽然通过提高最小阈值Tmin使用者可以减小已知的错误分割，例如心室的集合。但是其中的缺点是，所有那些被识别为是正确的、但是强度却比Tmin更小的血管，同样会在结果中消失。如果例如在左心室的区域内寻找时算法在高阈值处出现了分岔，则由此就只能分割一小部分的待分割血管，即非常明亮的血管，而不会出现大范围的错误切割。现根据图9来详细阐述现有技术中已知的生长算法。在起始步骤300，首先由一个未示出的使用者在未示出的3D-图像数据中手工选择出作为种子点sp的第一体素。将该种子点sp的灰度I选择为最大阈值Tmax。接着，将集合SPTmax的种子点sp记作唯一的种子点。另外，使用者再根据其经验值确定下限阈值Tmin。首先，在循环开始302a处确定位于阈值上限Tmax和阈值下限Tmin之间的实际阈值T的值域，在此首先设实际阈值T为阈值上限Tmax。在下一个循环起点304a处又从由此而首先对应于上述集合SPTmax的种子点集合SPT中选择第一种子点sp。在其后的循环起点306a处又针对刚选出的种子点sp而从直接邻接于sp的相邻体素的集合中选择出种子点sp的第一相邻体素nsp。现在在分支308中对相邻体素nsp进行检测，考察其亮度值或强度值HU(nsp)是否大于或等于阈值下限Tmin。如果满足这一标准，则在步骤311的是分支310中，将相邻体素nsp写作种子点集合SP1的新种子点或添入其中。这里，种子点集合的阈值I由相邻体素HU(nsp)的强度最小值和实际的阈值T确定。相反，在相应的否分支312中则不进行进一步操作。然后在循环终点306b中检测，对于当前种子点sp是否存在另一相邻体素nsp。如果是，则将其选择出来并返回循环起点306a。如果否，则在步骤314中将种子点sp添加到结果集合R中，其中当前阈值T来标记种子点sp。另外，还要将sp从种子点集合SPT中去除，并因此而进行完全的处理。然后在循环终点304b中检测，在种子点集合SPT中是否存在其他种子点sp。如果是，则分支到循环起点304a，并从集合SPT中选择下一个种子本文档来自技高网...

【技术保护点】
一种用于在数字三维图像数据中识别注有造影剂的血管（６０，７０，９２ａ，ｂ）的方法，该方法包括以下步骤：ａ）选择三维图像数据中一个属于血管（６０，７０，９２ａ，ｂ）的图像体素作为种子点（ｓｐ），ｂ）选择图像体素（ｓｐ，ｎｓｐ）强度（ＨＵ）的当前阈值（Ｔ）作为该种子点（ｓｐ）的强度（ＨＵ），并将该种子点（ｓｐ）与该阈值（Ｔ）相对应，ｃ）根据用于寻找新种子点的检测标准（３０８）在与该种子点（ｓｐ）相邻的图像体素（ｎｓｐ）中寻找新的种子点（ｓｐ），并根据其强度（ＨＵ）和当前阈值（Ｔ）与特定的阈值（Ｔ，ＨＵ（ｎｓｐ））相对应，ｄ）不断重复步骤ｃ），直至在该当前阈值（Ｔ）中再也找不到其他种子点（ｓｐ），ｅ）将找到的种子点（ｓｐ）存储为属于血管（６０，７０，９２ａ，ｂ）的血管体素（Ｒ），并与当前阈值（Ｔ）相对应，ｆ）降低当前阈值（Ｔ），ｇ）重复步骤ｃ）至ｆ），直至满足中断条件，ｈ）在图像数据中将血管作为所有血管体素（Ｒ）的集合来识别，其特征在于，存在可能导致与待识别的血管（６０，７０，９２ａ，ｂ）有特殊联系的相应方法步骤误识别的在先知识，所述方法步骤ａ）至ｈ）中的至少一个步骤是在考虑该在先知识的情况下而改变或扩展的。...

【技术特征摘要】
...

【专利技术属性】
技术研发人员：迈克尔朔伊林，迈克尔苏林，
申请(专利权)人：西门子公司，
类型：发明
国别省市：DE[德国]