一种大血管PET/CT图像数据智能分割方法与流程

摘要: 本发明涉及图像识别,具体涉及一种大血管pet/ct图像数据智能分割方法。背景技术:1、大血管管壁的代谢摄取水平是评估大血管相关病变的重要参考指标之一,准确获取血...
一种大血管PET/CT图像数据智能分割方法与流程

本发明涉及图像识别,具体涉及一种大血管pet/ct图像数据智能分割方法。

背景技术:

1、大血管管壁的代谢摄取水平是评估大血管相关病变的重要参考指标之一,准确获取血管管腔和管壁分别对应的标准化摄取值分布数据是实现该类定量分析的基础。

2、目前基于深度学习的血管自动分割技术多用于对ct图像中血管的整体轮廓进行分割,例如公开文献《23-deep-learning method for fully automatic segmentation ofthe abdominal aortic aneurysm from computed tomography imaging》中公开的分割模型,主要面向腹主动脉瘤等血管病变的整体轮廓分割任务,所得到的分割结果通常以管腔为主,缺少针对管壁区域的精细化分割能力,难以将管腔和管壁准确区分。

3、此外,现有的血管管腔与管壁分割方法多应用于核磁共振图像,例如公开文献《25-automated segmentation of thoracic aortic lumen and vessel wall on three-dimensional bright- and black-blood magnetic resonance imaging using nnu-net》中公开的方法,通常依赖双模态图像数据实现管腔与管壁的区分,其分割原理和图像特性与ct图像存在较大差异,难以直接迁移应用于以ct图像为基础的分割任务。

4、另外,由于pet图像与ct图像的空间分辨率及成像原理存在差异,在将血管管腔和管壁的分割结果映射至pet图像以提取标准化摄取值分布数据时,不同的图像映射方式可能对提取结果的精度产生影响,现有技术缺少对不同映射方式下摄取值分布一致性进行验证的技术手段,导致定量分析结果的可靠性难以保证。

5、综上,现有技术存在血管管腔和管壁分割精度不足、ct图像管壁分割方法欠缺、以及pet与ct图像映射方式对摄取值提取精度影响未知等问题,需要一种能够实现血管管腔和管壁精细化自动分割并准确提取标准化摄取值分布数据的技术方案。

技术实现思路

1、本发明要解决的技术问题是现有技术中缺乏针对大血管ct图像管腔和管壁分别进行精细化自动分割的方法,且pet图像与ct图像之间不同的映射方式对标准化摄取值提取精度存在影响,导致血管管壁定量分析的分割精度和可靠性不足。

2、为解决上述技术问题,本发明提供一种大血管pet/ct图像数据智能分割方法,该方法包括: 获取受检对象经空间配准的ct图像数据和pet图像数据; 对所述ct图像数据进行深度学习自动分割,得到血管管腔掩膜; 根据所述血管管腔掩膜确定局部管腔直径,按照所述局部管腔直径确定膨胀距离,对所述血管管腔掩膜按照所述膨胀距离向外进行形态学膨胀,得到候选管壁区域; 根据预设ct值区间将所述候选管壁区域内体素划分为低密度类、中密度类和高密度类,并对所述候选管壁区域内体素的ct值分布进行高斯混合模型聚类,结合划分结果和聚类结果将所述候选管壁区域限定在预设厚度范围内,得到血管管壁区域,其中所述血管管壁区域对应中密度类; 将所述血管管腔掩膜和所述血管管壁区域映射至所述pet图像数据,按照预设横截面间隔沿血管走向提取对应区域的标准化摄取值分布数据。

3、在一种可能的实现方式中,所述局部管腔直径根据所述血管管腔掩膜在垂直于血管走向的截面上的等效直径确定。

4、在一种可能的实现方式中,所述膨胀距离为3毫米至5毫米。

5、在一种可能的实现方式中,所述低密度类对应的ct值区间为负150亨氏单位至负30亨氏单位,所述中密度类对应的ct值区间为30亨氏单位至100亨氏单位,所述高密度类对应的ct值大于130亨氏单位。

6、在一种可能的实现方式中,所述预设厚度范围为3毫米以内。

7、在一种可能的实现方式中,还包括:对所述血管管壁区域进行连通域分析,去除面积小于预设面积阈值的孤立区域,并对去除孤立区域后的所述血管管壁区域进行形态学闭运算处理,得到优化后的血管管壁区域。

8、在一种可能的实现方式中,还包括:对所述血管管腔掩膜进行骨架化处理,得到血管中心线,沿所述血管中心线按照所述预设横截面间隔生成与血管走向垂直的横截面,所述横截面用于提取所述标准化摄取值分布数据。

9、在一种可能的实现方式中,将所述血管管腔掩膜和所述血管管壁区域映射至所述pet图像数据的方式为按照所述ct图像数据与所述pet图像数据之间的空间配准关系,将所述血管管腔掩膜和所述血管管壁区域直接映射至所述pet图像数据的图像空间。

10、在另一种可能的实现方式中,将所述血管管腔掩膜和所述血管管壁区域映射至所述pet图像数据的方式为按照所述ct图像数据与所述pet图像数据之间的空间配准关系,将所述pet图像数据重采样至所述ct图像数据的图像空间,再将所述血管管腔掩膜和所述血管管壁区域与重采样后的所述pet图像数据进行映射。

11、本发明的技术方案具有以下有益效果:通过深度学习自动分割获得血管管腔掩膜,并结合形态学膨胀、ct值区间划分和高斯混合模型聚类实现血管管壁的精细化分割,在缺少专用管壁分割模型的情况下实现了管腔和管壁的自动化分离,提高了血管管壁分割的自动化程度和分割精度。所述膨胀距离根据局部管腔直径确定,能够适应血管不同节段管径存在的差异,提高候选管壁区域确定的针对性。通过将候选管壁区域限定在预设厚度范围内并结合ct值密度分类确定中密度类对应区域为目标管壁区域,能够有效排除脂肪和钙化等干扰组织,提高管壁区域分割的准确性。通过对血管管壁区域进行连通域分析和形态学闭运算处理,能够降低钙化等高密度组织造成的分割碎片化问题,提高管壁区域的完整性。通过对血管管腔掩膜进行骨架化处理并沿血管中心线生成垂直横截面,能够提高沿血管走向提取标准化摄取值分布数据的一致性。此外,本发明提供的两种血管管腔和管壁向pet图像映射的方式,能够实现血管管腔和管壁标准化摄取值分布数据的定量提取,并为不同映射方式下摄取值分布一致性的比较分析提供了技术手段,提高了定量分析结果的可靠性。

1.一种大血管pet/ct图像数据智能分割方法,其特征在于,

2.根据权利要求1所述的方法,其特征在于,所述局部管腔直径根据所述血管管腔掩膜在垂直于血管走向的截面上的等效直径确定。

3.根据权利要求1所述的方法,其特征在于,所述膨胀距离为3毫米至5毫米。

4.根据权利要求1所述的方法,其特征在于,所述低密度类对应的ct值区间为负150亨氏单位至负30亨氏单位,所述中密度类对应的ct值区间为30亨氏单位至100亨氏单位,所述高密度类对应的ct值大于130亨氏单位。

5.根据权利要求1所述的方法,其特征在于,所述预设厚度范围为3毫米以内。

6.根据权利要求1所述的方法,其特征在于,对所述候选管壁区域内体素的ct值分布进行高斯混合模型聚类的步骤中,聚类数量为3,分别对应所述低密度类、所述中密度类和所述高密度类。

7.根据权利要求1所述的方法,其特征在于,还包括:对所述血管管壁区域进行连通域分析,去除面积小于预设面积阈值的孤立区域,并对去除孤立区域后的所述血管管壁区域进行形态学闭运算处理,得到优化后的血管管壁区域。

8.根据权利要求1所述的方法,其特征在于,还包括:对所述血管管腔掩膜进行骨架化处理,得到血管中心线;沿所述血管中心线按照预设横截面间隔生成与血管走向垂直的横截面,所述横截面用于提取所述标准化摄取值分布数据。

9.根据权利要求1所述的方法,其特征在于,将所述血管管腔掩膜和所述血管管壁区域映射至所述pet图像数据的步骤包括:按照所述ct图像数据与所述pet图像数据之间的空间配准关系,将所述血管管腔掩膜和所述血管管壁区域直接映射至所述pet图像数据的图像空间。

10.根据权利要求1所述的方法,其特征在于,将所述血管管腔掩膜和所述血管管壁区域映射至所述pet图像数据的步骤包括:按照所述ct图像数据与所述pet图像数据之间的空间配准关系,将所述pet图像数据重采样至所述ct图像数据的图像空间,再将所述血管管腔掩膜和所述血管管壁区域与重采样后的所述pet图像数据进行映射。