根据本发明,提供了一种用于产生血管的三维困像的方法.所述 方法包括沿着血管的中心线的第一估计放置第一组
种子点.围绕种子 点中的第一种子点构造环困,上述困位于通过种子点中的上述第一种 子点的平面中并且上述平面垂直于中心线的笫一估计.所述困包括多 个节点和连接这些节点的边缘.所述方法
正交于环困的边缘应用滤 波,以便由此估计垂直于中心线的第一估计的平面中的图像梯度.通 过使用作用于环图的最小平均环
优化算法来检测血管边界,其中图的 边缘的权重(值)被选择为由滤波获得的图像梯度的倒数.确定所估 计的边界的新中心,以便由此生成新种子点.使用新种子点重复所述 方法,以便由此生成平面中的血管的最终边界,当新生成的种子点基 本上保持被固定在适当的
位置时建立上述最终边界.针对第一组种子 点中的每一个种子点重复所述方法.根据最终边界产生血管的表面.
在一个
实施例中,所述方法正交于环图的边缘应用多尺度均值移 位,以便由此估计垂直于中心线的笫一估计的平面中的困像梯度,
在一个实施例中,所述图包括多个节点和连接这些节点的边缘. 所迷节点被等间隔地布置在以种子点为中心的多个同心圃的每一个圆 周周围。
本发明的一个或多个实施例的细节在
附图和下面的描述中进行阐 述。本发明的其他特征、目标和优点将根据
说明书和附困以及根据权 利要求书而显而易见.
图l是根据本发明的方法的
流程图;
图2A-2D示出根据本发明的用于构造困并且将上述图应用于血管的橫截面图像和用于检测血管的边界的方法;图2E描绘
叠加在困2E中所示的血管困像上的困,上述边界根据 本发明来确定;图2F示出计算正交于该闺的边缘的闺像梯度的例子;图3示出不同血管的2D分割结果,顶行显示典型冠状血管(2),
钙化,分支;底行显示腹主
动脉瘤(AAA)和颈动脉的内外边界,观察 到种子点也被描绘;图4示出由于附近结构而丢失的边界根据本发明通过最小平均环 算法而平滑地闭合,其中左边困像上的线显示可能的图像边缘;图5示出即使种子点在血管外部,根据本发明的方法也能够检测 血管边界;图6A描绘初始中心线模型和相应的橫截面边界;图6B描绘校正 后的中心线模型,并且困6C显示校正后的路径和边界的3D可視化;图7A显示根据两个连续轮廓构造3D三
角形表面;困7B示出即使 初始中
心轴曲线通到血管外部也可以获得正确的建模;以及困7C显示 在会合点处的2D轮廓,3D表面模型根据这些交叉轮廓的并集被构造; 以及图8示出CTA中的冠状动脉的3D构造. 各个图中的相似的附困标记表示相似的元件. 具体实施方式现在参考图1,示出了方法的流程图.简短地,该方法包括在步骤 100中沿着血管的中心线的第一估计(手动地、或者使用计算机算法自 动地)放置第一组种子点.围绕种子点中的第一种子点构造环图,上 述图位于通过种子点中的上述第一种子点的平面中并且上述平面垂直 于中心线的第一估计.该困包括多个节点和连接节点的边缘.在步骤 102中等间隔地在以种子点为中心的多个同心圃的每一个圃周周围布 置所述节点.在步骤104中所述方法正交于该环图的边缘应用滤波、 例如多尺度均值移位亮度检测,以便由此估计垂直于中心线的第 一估 计的平面中的图像梯度.替代地,可以通过其他技术来计算困像梯度. 在步骤108中通过使用作用于该环图的最小平均环优化算法来检测血 管边界,其中该困的边缘的权重(值)被选择为由多尺度均值移位滤 波获得的图像梯度的倒数。在这里,使用Howard算法.在步骤108中确定所估计的边界的新中心,以便由此生成新种子 点。在步骤110中使用新种子点重复所述方法,以便由此生成平面中 的血管的最终边界,当新生成的种子点基本上保持被固定在适当的位 置时建立上述最终边界.针对笫一組种子点中的每一个种子点重复所 述方法。在步猓112中根据最终边界产生血管的表面.更具体地,可以根据二元分割算法、例如T. Deschamps和L. Cohen ,斤著的 Fast extraction of minimal paths in 3d images and applications to virtual endoscopy (Medical Image Analysis, 5 (4): 281-299 , 2001年);和S. Olabarriaga 、 M, Bree鹏r和 W. Niessen所著的Minimum cost path algorithm for coronary artery central axis tracking in CT images (MICCAI, 2003年) 获得中心线,或者可以粗略地由用户创建中心线.接着,如下构造环困:在平面中建立节点的阵列.更具体地,在 以如上所述的那样所估计的种子点为中心的同心圆中以有规律的角度 希置所述节点.因而,每个节点具有唯一的半径r和与参考轴的唯一 的角偏差a,即每个节点具有可以以极坐标r, a表示的唯一的位置, 如针对图2B中突出显示的具有极坐标rl, al的示范性节点所示的, 接着,针对每个
指定节点,构造在困2B中用箭头所示的三个边缘.更 具体地,所述边缘在起始节点处并且在以下附加条件下终止于最靠近 指定起始节点的三个终止节点:终止节点必须以比起始节点的角度更 大的角度被
定位,例如对于在rl, al处的示范性起始节点来说,终止 节点真有角度a2、 a3和a4,其中:a2大于al; a3大于al;并且a4 大于al。因而,在这里终止节点具有极坐标:r2, a2; r3, a3;和r4, a4.接着,从起始节点到三个终止节点中的每一个构造线(在这里被 称为边缘),因而,参考图2B中的例子,三个边缘E1、 E2和E3被构 造,在闺2C中显示了完成的图.现在参考图2D,示出了血管的困像,上述图像是通过经过如上所 述的那样所估计的中心线而获得的.应当注意的是,血管更亮(即在 中心区域中具有更大的亮度,同时背景、即相邻组织在更暗的、即亮 度更小的区域中被示出)。当从种子点(即血管的所估计的中心)向 外前进时,通过观察亮度的变化(即亮度梯度)来检测血管的边界. 图2C的图被叠加在该闺像上,如图2E中所示.该闺中的每个边缘具有与其相关的成本值.在这里,根据本发明,如闺2F中的箭头所示, 根据正交地应用于边缘的多尺度移位
滤波器来计算边缘的梯度值(或 成本).多尺度移位滤波在上面所引用的序列号为No. 11/399, 164、 申请曰为2006年4月6曰、发明名称为"Method and apparatus for detecting vessel boundaries"、发明人为Huseyin Tek, Alper Ayvaci和Dorin Co迈aniciu、作为2006年11月23曰所公开的美国 专利公开2006/262988被公开、受让人与本专利申请的受让人相同的 美国专利申请中被描述,该专利申请的主题被结合于此以作参考.在传统的基于困的表示中,图的边缘的成本被指定为困像梯度的 函数,常常通过取对应于边缘的两个顶点的像素的亮度差来计算这样 的图像梯度.如果结构边界具有隔离的台阶边缘的形式,则这将是好 的.然而,实际上,即使在单个横截面血管边界时,扩散边缘、低对 比度边缘和间咪边缘也经常出现.根据这些亮度轮廓的边缘的稳健和 精确检测需要在多个尺度中进行
边缘检测.在该方法中,将首先在 H. Tek 、 A. Ayvaci 和 D. Comaniciu 所著的 Multi-scale vessel boundary detection (Workshop of CVBIA,笫388-398页,2005 年)中所提出的基于多尺度均值移位的边缘检测用于环图,参阅上述 文章,其主題被结合于此以作参考.具体而言,均值移位分析(参见 D. Comaniciu和P. Meer所著的Mean shift: A robust approach toward feature space analysis (IEEE Trans.PAMI, 24(5):603-619, 2002年))已经被用于检测亮度数据的边缘.然而,由于目标 边界常常处于多个空间和范围尺度中,因此结果的稳健性和精度大大 地取决于均值移位分析的空间和范围尺度参数的选择.Tek等人(H. Tek、 A. Ayvaci和D. Co迈aniciu所著的Multi-scale vessel boundary detection (Workshop of CVBIA,笫388-398页,2005 年))研发了一种基于几何结构的算法,该算法在多个尺度中沿着ID 射线应用空间滤波器尺寸算子.最佳范围核尺寸直接来自包含在空间 核之下的亮度数据.在该
框架中,通过使用边缘强度函数和亮度局部 模式来组合从多个滤波器获得的边缘(H.Tek、 A.Ayvaci和 D. Comaniciu 所著的 Multi-scale vessel boundary detection(Workshop of CVBIA,笫388-398页,2005年).应当注意的是,在传统方法中,由于缺少隐含的对象表示,因此不能正交于感兴趣的边界计算边缘的成本.然而,在这里,种子点的 存在隐含地限定结构的内部,因而正交于边缘执行梯度计算.换句话 说,所述方法简单地从正交于边缘的射线获取样本并且沿着该边缘执行多尺度边缘检测,这在困2E中被示出.所述方法使用该边缘的权重 的多尺度边缘响应的倒数,如上面结合图2F所述的.确定所估计的边界的新中心,以便由此生成新种子点。使用该新 种子点重复所述方法,以便由此生成平面中的血管的最终边界,当新 生成的种子点基本上保持被固定在适当的位置时建立这样的最终边 界。最终血管边界在困2F中被示出叠加在这样的血管的原始困像上.针对第一组种子点中的每一个种子点重复所述方法,根据最终边 界产生血管的表面。图3示出由上述方法对冠状血管边界、颈动脉和腹主动脉瘤(AAA) 的橫截面边界检测结果.通常,由于CTA中血栓和其周围之间的低对 比度,因此AAA中的血栓边界的检测相当困难。需要注意的是所述方 法能够相当精确地获得该边界.由于以下几个原因,所述方法适合于计算血管橫截面边界:具体 而言,(i)它总是返回单个闭合的且平滑的轮廓,该轮廓与典型的血 管边界一致.(ii)例如由于附近的血管,血管边界上的丢失边缘通 过平滑的轮廓段、即椭圃
片段自然地闭合,参见图4. (iii)由于它 计算"平均"成本,因此不存在轮廊的基于其尺寸的显著偏好.大多 数基于图切割的算法常常相对于大的轮廓段而优选小的轮廓段,因而 常常导致显著误差.(iv)它在计算上是高效的,即它在Pentium IV 2. 5GHz PC上花费不到0. 5秒,(v )结果的精度独立于种子点的位置, 参见图5。图6A示出初始中心线模型和相应的橫截面边界.通过算法校正后 的中心线和横截面边界在困6B和6C中被显示.应当注意的是该算法 对初始路径中的误差是稳健的.具体而言,有可能的是中心线模型100 可以部分地行进到血管外部,如在区域102中那样。在这样的情况下, 橫截面边界的种子点落在正确的橫截面边界之外.如果种子点在血管 外部,则最小平均环算法产生2D轮廓,该轮廓包括种子点和血管边界 的大部分,参见图5和图7B.这些结果并不意外,原因是该算法用平 清的椭阖曲线段隐含地闭合边界的丟失部分.观察到从该橫截面边界的中心检测到的新中心线点落在血管的内部.因而,在血管外部的路 径点被拉向血管的实际中心.目前,每个血管分支通过所述方法被独立地建模,应当观察到不同分支的橫截面边界104在会合点106处彼 此交叉,参见困7。在这样的位置中,橫截面边界的并集被用于构造 3D表面模型.图8示出根据该算法获得的3D冠状血管模型.已描述了本发明的多个实施例.然而,应理解的是,可以在不脱 离本发明的精神和范围的情况下进行各种
修改.因此,其他实施例在 以下
权利要求的范闺内.