一种头颈制造技术

本发明专利技术提供了一种头颈

【技术实现步骤摘要】
一种头颈CTA血管提取方法


[0001]本专利技术涉及医学影像处理
，尤其涉及一种头颈
CTA
血管提取方法
。

技术介绍

[0002]CTA(CT angiography
，计算机断层扫描血管造影术
)
是一种通过对身体血管中注射对比剂后，通过对比剂的
CT
图像重建，帮助分析和诊断血管疾病和状态的技术
。
[0003]常用于血管堵塞
、
畸形或软斑等脑血管疾病检查，拥有较高的空间分辨率，随着技术的进步头颈
CTA
图像越来越接近
DSA
图像，在很多场合可以代替
DSA。
头颈
CTA
血管分析是诊断头颈血管疾病的一个关键分析工具，对头颈主要血管进行自动命名可以提高医生的诊断效率
。
[0004]动脉血管的精准分割程度决定了
CTA
的质量
。
在对病人进行头颈部
CTA
扫描时，因为不同病人的心跳与呼吸差异，在图像中不仅存在动脉血管而且也存在很多静脉血管从而导致自动血管命名
(
准确获得左
/
右颈动脉
、
左
/
右椎动脉
)
的准确率不高，经常需要手动修正
。
[0005]当前传统的头颈
CTA
血管命名方法通常都是先经过
CT
和头颈
CTAr/>图像配准再进行减影操作获得去骨后的血管图像，然后再通过手动点击血管初始与中止点获取对应的中心线路径
。
这种算法有以下缺点：
1.
需要手动介入操作；
2.
造影剂过低或存在回流的情况下，中心仍然会出错，准确度会大幅下降；
3.
手动修改复杂，效率不高
。
[0006]并且，单独的
AI
算法则存在另外一个问题：训练集
label
标注以及准确率问题
。
头颈部血管脉络复杂
、
数量多，半径小，且需要同时考虑病变，导致标注难度极大
。
需要由经验丰富的医生来操作，一例完整的头颈
CTA
动脉血管标注，需要耗费专业医生数小时的时间，而
AI
算法需要大量的数据，成本极高，当前的准确率约
92
‑
93
％，仍未达到理想状态
。
[0007]当前的
CTA
算法存在如下缺点：
(1)
使用纯粹的传统算法，存在骨残渣或静脉回流等问题的干扰，血管命名准确率低，经常需要人工干预
。(2)
使用纯粹的
AI
算法，存在数据集的标注困难，数据不够的问题
。

技术实现思路

[0008]为了克服上述技术缺陷，本专利技术的目的在于提供一种精确度更高的头颈
CTA
血管提取方法
。
[0009]本专利技术公开了一种头颈
CTA
血管提取方法，包括如下步骤：获取头颈
CT
图像和头颈
CTA
图像，将所述头颈
CT
图像和所述头颈
CTA
图像进行配准后获得血管的第一掩膜图像；提取所述血管的第一掩膜图像中的特征点并通过深度学习模型进行进行分类，获得动脉点信息；对所述血管的第一掩膜图像进行裁剪，获得颈部区域的第二掩膜图像；基于所述动脉点信息从所述第二掩膜图像中提取颈动脉和椎动脉；对所述颈动脉和所述椎动脉分别向上延伸和向下延伸，实现4支动脉的提取
。
[0010]优选的，所述提取所述血管的第一掩膜图像中的特征点并通过深度学习模型进行
分类，获得动脉点信息包括：在所述头颈
CTA
图像中分别在
x、y、z
三个方向进行预设范围的切片；将三个所述切片输入所述深度学习模型中进行分类，以获得动脉点信息
。
[0011]优选的，所述提取所述血管的第一掩膜图像中的特征点并通过深度学习模型进行分类，获得动脉点信息还包括：对所述血管的第一掩膜图像进行二值化处理；对二值化的所述血管的第一掩膜图像进行三维距离变换，获取每个像素到预设目标像素的最短距离值；提取所述最短距离值在若干个预设局部的局部极大值，并对所述局部极大值进行稀释采样；在所述头颈
CTA
图像中以所述局部极大值为中心，分别在
x、y、z
三个方向进行预设范围的切片
。
[0012]优选的，所述提取所述血管的第一掩膜图像中的特征点并通过深度学习模型进行分类，获得动脉点信息之前还包括：获取预设数量的头颈
CTA
数据，并对所述头颈
CTA
数据中的动脉
、
静脉
、
骨头进行标签标记；将所述头颈
CTA
数据分为训练集
、
测试集和验证集；通过分类网络对所述头颈
CTA
数据进行分类训练
、
测试和验证，以区分动脉和非动脉，从而获取所述深度学习模型；所述分类网络包括
ResNet、DenseNet、VGG。
[0013]优选的，所述对所述颈动脉和所述椎动脉分别向上延伸和向下延伸包括：对所述颈动脉和所述椎动脉分别向上延伸到头部
、
向下延伸到心脏
。
[0014]优选的，所述基于所述动脉点信息从所述第二掩膜图像中提取颈动脉和椎动脉时，依据规则包括：所选取的所述颈动脉和所述椎动脉的
CT
值大于
200Hu。
[0015]优选的，所述基于所述动脉点信息从所述第二掩膜图像中提取颈动脉和椎动脉时，依据规则包括：所述颈动脉的半径大于所述椎动脉的半径
。
[0016]优选的，所述基于所述动脉点信息从所述第二掩膜图像中提取颈动脉和椎动脉时包括：区分血管的左右位置
、
及中心位置
。
[0017]优选的，将所述
CT
数据和所述
CTA
数据进行配准后获得血管的第一掩膜图像包括：将所述
CT
数据和所述
CTA
数据进行配准后，再进行减影，获得所述血管的第一掩膜图像
。
[0018]优选的，所述基于所述动脉点信息从所述第二掩膜图像中提取颈动脉和椎动脉包括：将所述第二掩膜图像中的颈动脉去除后，获得第三掩膜图像，从所述第三掩膜图像中提取所述椎动脉
。
[0019]采用了上述技术方案后，与现有技术相比，具有以下有益效果：
[0020]1.
本专利技术结合传统算法和深度学习算法，利用该模型获得的动脉信息进行动脉优先处理，大幅度降低了残渣和静脉回流的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种头颈
CTA
血管提取方法，其特征在于，包括如下步骤：获取头颈
CT
图像和头颈
CTA
图像，将所述头颈
CT
图像和所述头颈
CTA
图像进行配准后获得血管的第一掩膜图像；提取所述血管的第一掩膜图像中的特征点并通过深度学习模型进行进行分类，获得动脉点信息；对所述血管的第一掩膜图像进行裁剪，获得颈部区域的第二掩膜图像；基于所述动脉点信息从所述第二掩膜图像中提取颈动脉和椎动脉；对所述颈动脉和所述椎动脉分别向上延伸和向下延伸，实现4支动脉的提取
。2.
根据权利要求1所述的头颈
CTA
血管提取方法，其特征在于，所述提取所述血管的第一掩膜图像中的特征点并通过深度学习模型进行分类，获得动脉点信息包括：在所述头颈
CTA
图像中分别在
x、y、z
三个方向进行预设范围的切片；将三个所述切片输入所述深度学习模型中进行分类，以获得动脉点信息
。3.
根据权利要求2所述的头颈
CTA
血管提取方法，其特征在于，所述提取所述血管的第一掩膜图像中的特征点并通过深度学习模型进行分类，获得动脉点信息还包括：对所述血管的第一掩膜图像进行二值化处理；对二值化的所述血管的第一掩膜图像进行三维距离变换，获取每个像素到预设目标像素的最短距离值；提取所述最短距离值在若干个预设局部的局部极大值，并对所述局部极大值进行稀释采样；在所述头颈
CTA
图像中以所述局部极大值为中心，分别在
x、y、z
三个方向进行预设范围的切片
。4.
根据权利要求1或3所述的头颈
CTA
血管提取方法，其特征在于，所述提取所述血管的第一掩膜图像中的特征点并通过深度学习模型进行分类，获得动脉点信息之前还包括：获取预设数量的头颈
CTA
数据，并对所述头颈
CTA
数据中的动脉
、
静脉
、
骨头进行标签标记；将所述头颈
CTA

【专利技术属性】
技术研发人员：应关荣，李晓光，叶宏伟，王瑶法，
申请(专利权)人：明峰医疗系统股份有限公司，
类型：发明
国别省市：