血管分割方法、装置及存储介质与流程

本发明涉及图像识别、处理技术，尤其涉及一种血管分割方法、装置及存储介质。

背景技术：

颅内动脉瘤(ia)是一种脑血管疾病，主要发生在脑动脉，其特征是血管病理性扩张。其世界发病率约为1％至3％，占非创伤性威胁生命的蛛网膜下腔出血的80％以上。并且，目前关于颅内动脉瘤发展的理论表明，血管结缔组织普遍存在虚弱。这是对血管动脉瘤患者的长期损伤。动脉瘤及载瘤血管的观测及识别对于动脉瘤的治疗至关重要。颅内动脉瘤的成功治疗取决于对特定动脉瘤与其载瘤血管和附近分支的解剖关系的充分了解。此外，新的血管内技术常常受到尺寸限制的限制。有必要提供一种有效的方法对处于颅内动脉瘤高风险的受试者进行血管分割，以提供足够的放射学筛查指南并有效分配医疗资源。

在当前情况下，临床医生通常仅依赖于血管造影(cta)结果。而在过去的一项研究中，仅使用传统cta进行观测载瘤血管的医生约有16.2％的误诊率。而cta原始图像的载瘤血管误诊是动脉内再灌注治疗后心率失常(ht)和临床预后不良的危险因素。经典的特征提取方法由于复杂的血管分布而受到严重阻碍。

先前的研究表明，动脉瘤模型的体积在很大程度上取决于不同的血管分割方法。血管分割方法同样会影响动脉瘤的局部几何形状。因此，必须进行验证，比较分段方法并调整这些分段技术的参数，以确保特定于患者的脑血管血流动力学分析的质量。

但是当血管分割时出现处理强度变化的脉管系统以及受湍流影响的低对比度的动脉瘤区域时，在对血管进行分割时，精确度较低。

技术实现要素：

本发明实施例提供一种血管分割方法、装置及存储介质，将相邻血管分解为近血管区域和远血管区域，并且引入了其他几何描述值，进而可以对血管用于功能相关的流场段进行更好的区分，使得血管分割更加的准确。

本发明实施例的第一方面，提供一种血管分割方法，包括：

通过3d-cta扫描获得动脉瘤图像数据，提取所述动脉瘤图像中的血管网络，对所述血管网络进行优化处理；

基于动脉瘤图像数据重建多边形血管网格，确定将动脉瘤囊和相邻血管分开的动脉瘤口和相邻血管的中心线；

对相邻血管进行分析处理，获得将近血管区域与远血管区域分隔开的过渡区域，得到轴向平面；

对所述轴向平面进行计算，使轴向平面的方向与孔口轮廓中心点和相邻血管过渡区的距离最小；

基于所述轴向平面的计算结果得到血管分割后的血管分割图像。

可选地，在第一方面的一种可能实现方式中，所述通过3d-cta扫描获得动脉瘤图像数据，提取所述动脉瘤图像中的血管网络，对所述血管网络进行优化处理包括：

确定血管网络的起点；

搜索所有与起点连接的血管网络；

对所述搜索到的血管网络进行优化。

可选地，在第一方面的一种可能实现方式中，还包括：

基于测地线活动轮廓模型和chan-vese模型整合区域和边界信息，通过使用整体阈值和梯度幅度来生成速度函数对血管进行分割；

基于chan-vese模型计算得到初始阈值；

在分割血管的过程中对所述chan-vese模型持续训练。

可选地，在第一方面的一种可能实现方式中，chan-vese模型基于mumford-shah函数，水平集框架中关联的演进偏微分方程如以下公式所示

其中μin是平均强度的目标对象的，μout代表均值强度，λ1，λ2，α和β是正的常数。

可选地，在第一方面的一种可能实现方式中，基于以下公式判断血管分割是否完成，

i(x)∈[x-t1，x+t2]

其中，t1和t2表示区域强度的低阈值和高阈值，l(x)表示图像，x表示要考虑包含在区域中的特定相邻像素的位置；

当没有更多满足上述公式标准的相邻像素时，则认为血管分割已经完成。

可选地，在第一方面的一种可能实现方式中，还包括：

获取三个连续的中心线顶点p1，p2和p3，其中所述p2是平面的原点；通过以下公式计算法线向量n正交切割平面

最接近中心线的集合代表当前中心线容器的横截面，基于椭圆计算横截面。

本发明实施例的第二方面，提供一种血管分割装置，包括：

处理模块，用于通过3d-cta扫描获得动脉瘤图像数据，提取所述动脉瘤图像中的血管网络，对所述血管网络进行优化处理；

确定模块，用于基于动脉瘤图像数据重建多边形血管网格，确定将动脉瘤囊和相邻血管分开的动脉瘤口和相邻血管的中心线；

获得模块，用于对相邻血管进行分析处理，获得将近血管区域与远血管区域分隔开的过渡区域，得到轴向平面；

计算模块，用于对所述轴向平面进行计算，使轴向平面的方向与孔口轮廓中心点和相邻血管过渡区的距离最小；

分割模块，用于基于所述轴向平面的计算结果得到血管分割后的血管分割图像。

可选地，在第二方面的一种可能实现方式中，所述处理模块还用于执行以下步骤，包括：

确定血管网络的起点；

搜索所有与起点连接的血管网络；

对所述搜索到的血管网络进行优化。

可选地，在第二方面的一种可能实现方式中，还包括切割模块，所述切割单元，所述切割单元执行以下步骤，包括：

基于测地线活动轮廓模型和chan-vese模型整合区域和边界信息，通过使用整体阈值和梯度幅度来生成速度函数对血管进行分割；

基于chan-vese模型计算得到初始阈值；

在分割血管的过程中对所述chan-vese模型持续训练。

本发明实施例的第三方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。

本发明提供的一种血管分割方法、装置及存储介质，为了创建更可靠的血管分割来识别病因，本发明采用了将邻近血管分解成近血管和远血管区域的解决方案，血管的长度和宽度是在微血管网络的定量评估中获得的，进一步将分解应用于计算特征轴向平面。本发明可以处理强度变化的脉管系统以及受湍流影响的低对比度的动脉瘤区域，提高血管分割的精度。

附图说明

图1为血管分割方法的第一种实施方式的流程图；

图2为血管分割方法的第二种实施方式的流程图；

图3为血管的分割示意图；

图4为血管的分割示意图；

图5为血管分割装置的第一种实施方式的结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含a、b和c”、“包含a、b、c”是指a、b、c三者都包含，“包含a、b或c”是指包含a、b、c三者之一，“包含a、b和/或c”是指包含a、b、c三者中任1个或任2个或3个。

应当理解，在本发明中，“与a对应的b”、“与a相对应的b”、“a与b相对应”或者“b与a相对应”，表示b与a相关联，根据a可以确定b。根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其他信息确定b。a与b的匹配，是a与b的相似度大于或等于预设的阈值。

取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。

下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

本发明提供一种血管分割方法，如图1和图2所示，包括：

步骤s10、通过3d-cta扫描获得动脉瘤图像数据，提取所述动脉瘤图像中的血管网络，对所述血管网络进行优化处理；

步骤s20、基于动脉瘤图像数据重建多边形血管网格，确定将动脉瘤囊和相邻血管分开的动脉瘤口和相邻血管的中心线；

步骤s20、对相邻血管进行分析处理，获得将近血管区域与远血管区域分隔开的过渡区域，得到轴向平面；

步骤s30、对所述轴向平面进行计算，使轴向平面的方向与孔口轮廓中心点和相邻血管过渡区的距离最小；

基于所述轴向平面的计算结果得到血管分割后的血管分割图像。

本算法通过3dcta扫描，图像经工作台速度为9mm/s和零度工作台(机架倾斜)的ct血管造影扫描仪获取。从颈总动脉开始扫描，并继续平行于眼眶线直至威利斯环水平，在此期间以3.5mls/s的速度静脉注射对比剂。动脉瘤图像为512×512像素场，而连续厚度的切片用于分割和重建3d血管几何形状。像素以hounsfield单位(hu)表示。初始的零水平集是一个直角棱镜表面，它是通过在cta图像两侧减去两个像素而构成。在使用形态学表征方法的第三血管量化部分中，对血管的长度和宽度进行量化。血管的总面积和长度分别通过从血管段图像进行像素累积而获得，因此，宽度被定义为面积与长度之比。

在血管提取部分中，首先应用从血管的起点(作为微血管网络)确定连接区域。为了获得具有较低噪声和较少伪像的准确和优化的血管网络集合，在此提出一种改进的方法。在此列出三个主要处理步骤。

在一个实施例中，在步骤s10中，还包括：

确定血管网络的起点。通过局部线横断检测cta图像的矩阵，并记录没有有效点的线数。如果检测值的比例低于预设阈值，则将该点视为起点。然后执行z形横断检测，并继续搜索合格血管网络的其他起点，直到完成所有横断检测。

搜索所有与起点连接的血管网络。首先，将所有起点标记为初始血管网络的一部分，并在网络点集中恢复。然后，将检测坐标从起点移动到光学相干断层摄影血管造影术(octa)图像中的下一个位置，并计算检测点到集合中所有点之间的最小距离dmin。如果dmin足够小(2个像素以内)，即检测到的点足够近或与网络点集中恢复的某些血管相连，它将被标记为初始血管网络的一部分并存储在集合中。通过全局图像横断检测，将满足要求的所有点集存储起来，从而获得初始血管网络。但是，由于通过区域连通性方法提取的血管对起始位置敏感，因此原始图像将分别旋转90°，180°和270°，以搜索不同的起始点和初始血管。最后，将从不同起点获得的血管网络合并以获得完整的血管网络。

对所述搜索到的血管网络进行优化。二进制图像微血管可以通过最大类间方差法(otsu)图像二值化方法来实现。在最初的血管网络中，由于距离或灰度值太接近实际血管，可能会将某些噪音和伪影错误地标记为血管。因此，本算法将噪声和伪影减少方法(将形态学和逐段分析方法相结合)应用到真空闭合辅助(vca)中。在这里，提取octa图像中的微血管的骨架，以获得仅显示血管骨架的较细的血管图。逐段分析方法用于评估提取的血管骨架的正确性，以进一步减少噪声和伪影。每个血管曲线的分支和断点信息用于获得每个血管的分支长度和总长度。如果分支长度太短，或总长度与分叉点数加断点数的比值低于预设阈值，将被视为噪音或要消除的伪影。因此，可以容易地将噪声和伪像像素与血管像素区分开。执行上述所有步骤后，最终获得了完全优化的血管网络。

chan-vese模型基于mumford-shah函数。水平集框架中关联的演进偏微分方程(pde)为

其中μin是平均强度的目标对象的，μout代表均值强度，λ1，λ2，α和β是正的常数。chan-vese模型不需要与图像梯度有关的术语。相反，将区域强度信息用于分割的目标对象。该模型在边界模糊的图像分割中表现出显着的有效性。

将三维表面模型导入到系统中，以生成用于cta计算的体积有限元网格。四面体和棱镜像素的非结构化网格用于以一致的网格密度进行体积网格划分。对于特定于患者的截短模型，像素数量根据截短模型的体积差异而变化，但是这些模型占据相同的像素密度，约为2800个像素/mm3。像素总数从180万到834万不等，足以获得无网格计算流体力学(cfd)模拟结果。对于理想模型，生成了300万个四面体和棱镜像素，其密度为1868个像素/mm3。四面体单元格是由具有不同网格密度的网格生成的，用于表面网格化。在所有这些模型中，壁、入口和出口的网孔最小分辨率约为0.1mm，而动脉瘤囊的网孔最小分辨率约为0.05mm。

从图像数据重建多边形血管网格。确定将动脉瘤囊和相邻血管分开的动脉瘤口和相邻血管的中心线。这些几何描述值和多边形容器网格构成了基于近似方法进行自动容器分析的输入。分析的结果是将近血管区域与远血管区域分隔开的过渡区域。通过这种分解，得出了轴向平面，即另一个几何描述值。本算法针对此多功能平台提出了两个应用程序：自动定义血管整理以及通过虚拟相机的放置来支持3d交互。

由于探索用于风险分析的动脉瘤内血流和开发新的治疗方案并不是常见的临床程序的一部分，因此，一种有助于该过程的分解方法将成为医学研究的工具。但是，只要在临床常规中获得流量数据，就可以在临床上使用。基于本算法，血管是自动的，原因有两个：产生可重现的结果和避免繁琐的交互，因为医学研究人员在使用已建立的探查软件时必须处理多维数据上多个自由度的交互。从分解中导出的几何描述符不仅应有助于分析过程，而且还应支持与数据的交互。

该算法基于测地线活动轮廓模型和chan-vese模型整合区域和边界信息，通过使用整体阈值和梯度幅度来生成速度函数，从而分割血管。初始阈值是根据chan-vese模型计算得出的，然后在整个细分过程中进行迭代更新。在达到动脉瘤边界时，由于动脉瘤强度与非动脉瘤强度之间的对比，阈值的变化将减小，并且迭代将停止以此实现分割载瘤血管与非载瘤血管。然后可以根据动脉瘤形状的复杂性以自动或半自动的方式实现该算法。

从图像数据重建多边形血管网格。确定将动脉瘤囊和相邻血管分开的动脉瘤口和相邻血管的中心线。这些几何描述值和多边形容器网格构成了基于近似方法进行自动容器分析的输入。分析的结果是将近血管区域与远血管区域分隔开的过渡区域。通过这种分解，得出了轴向平面，即另一个几何描述值。

扩张后的(33内核)二进制分割掩码将应用于原始数据集。屏蔽的数据集构成了marchingcubes算法的输入。根据应用程序(可视化等)和图像数据的质量，可选择是否进行后处理步骤。其中包括去除表面噪声，切入和切出正交口或去除由于混合过程中部分体积效应引起的容器混合。一旦表面的形状质量通过，就可以通过提前进行重新网格化来改善表面像素的质量。

在一个实施例中，还包括：

基于以下公式判断血管分割是否完成，

i(x)∈[x-t1，x+t2]

其中，t1和t2表示区域强度的低阈值和高阈值，i(x)表示图像，x表示要考虑包含在区域中的特定相邻像素的位置；

当没有更多满足上述公式标准的相邻像素时，则认为血管分割已经完成。

进行血管表面分解，需要从表面得出两个附加的几何描述值：相邻血管的中心线和动脉瘤口平面。为了计算中心线，本方法使用血管建模工具包(vmtk)且在中心线的起点和终点进行交互。根据曲面网格计算出3dvoronoi图，并将其用于定义中心线。

由于生成的中心线直接来自多边形表面，适合作为后续表面采样的几何路径。为了生成动脉瘤口平面，本方法采用迭代方法，将动脉瘤囊上的表面，中心线和一个用户定义的点作为输入，而输出是四个控制点，位于相邻血管和动脉瘤之间。使用特定的插值方案从控制点生成弯曲，光滑的表面。

在一个实施例中，如图3所示，还包括：

获取三个连续的中心线顶点p1，p2和p3，其中所述p2是平面的原点；通过以下公式计算法线向量n正交切割平面

最接近中心线的集合代表当前中心线容器的横截面，基于椭圆计算横截面。

本算法介于高斯-牛顿算法和梯度下降方法之间。它使用轮廓值和高斯函数作为输入，并迭代地更改三个功能参数a，b和c，直到轮廓和函数值之间的平方距离最小为止。一旦对模型函数进行了参数化，就可以得到p＝n-√(π/b)＝39的跃迁位置p，它是从广义高斯曲线的方差得出的。

一旦计算了所有中心线位置的近似椭圆，本算法采用面积a＝πab，而a和b是每个椭圆的长轴和短轴的长度，并沿中心线的曲面采样，2d域中一组选定的一组切割顶点的近似椭圆以及映射回3d域的近似椭圆的短轴/长轴。

而对于相邻血管，分解方法的两个主要机制是基于近似值的：血管横截面形状的近似值和沿中心线的血管面积分布的近似值。两者均基于沿其中心线对船只采样。对于每个相邻的血管，采样从入口/出口开始，并朝动脉瘤进行。可以将合适的初始视点定义为提供最低程度的视觉阻塞的视点。轴向平面的方向应使其与孔口轮廓中心点和相邻血管过渡区的距离最小。因此，其法线矢量自动提供一组中心点“侧面”的视图，从而最大程度地降低了遮挡的可能性。视点的选择还应反映出动脉瘤囊是所关注的主要特征。如果大多数动脉瘤囊顶点位于轴向平面的相对侧，则可通过使用标准的反向平面作为观察方向来实现。

其次是优化由此获得的血管分割图像。二进制图像微血管可以通过otsu图像二值化方法来实现。在最初的血管网络中，由于距离或灰度值太接近实际血管，可能会将某些噪音和伪影错误地标记为血管。因此，本算法将噪声和伪影减少方法(将形态学和逐段分析方法相结合)应用到cta中。在这里，提取octa图像中的微血管的骨架，以获得仅显示血管骨架的较细的血管图。逐段分析方法用于评估提取的血管骨架的正确性，以进一步减少噪声和伪影。每个血管曲线的分支和断点信息用于获得每个血管的分支长度和总长度。如果分支长度太短，或总长度与分叉点数加断点数的比值低于预设阈值，将被视为噪音或要消除的伪影。因此，可以容易地将噪声和伪像像素与血管像素区分开。执行上述所有步骤后，最终获得了完全优化的血管网络。

最后，本发明的血管分割结果如图4所示。根据过渡区域(红色)和孔口轮廓(蓝色)计算中心点(pi)，并将其投影到平面空间中。在那里，平面中心点(pm)用于通过角度(a–c)比较来定义阶数。从表面距离度量(最大表面距离(hd)和平均绝对表面距离(masd))获得的结果表明了本分割方法的可靠性，本方法的hd值介于0.51至1.89像素之间，最大masd为0.08。以此来实现本算法对血管的分割。

本发明具有以下的优点，包括：

1、本发明提供的辅助血管分析的常用方法是将解剖结构分解为动脉瘤载瘤血管和邻近的血管。这种分解用于基于几何的分析和动脉瘤囊形状指数的计算。其他方法集中在提取动脉瘤颈或动脉瘤口。而血管的形态对流速，湍流等流动特性有重大影响。因此，将提取的解剖特征(血管颈部，瘤口等)的几何信息包括到分析过程中有助于研究流场的特定部分或用于提取某些流动特征。本算法将相邻血管分解为近血管和远血管区域的自动方法引入了其他几何描述值。这些可以用于功能相关的流场段的更好区分。

2、本算法在测试阶段被应用于数据库中的9个数据集中，选择的数据集代表脑动脉瘤的解剖学变异性，包括小，中，大侧动脉瘤以及小至巨大的分叉动脉瘤，最多可有6个相邻血管。在所有数据集上，分解都可以自动实现。由于噪声水平随机改变了局部表面直径，最高可达15％，因此本方法可以成功地应用于所有数据集。可以成功分解9个数据集中的6个数据集，而噪声水平最高为30％。

3、与传统的血管分割结果相比，本算法可以有效地消除周围的大量散射噪声，并使用cta图像获得干净的血管网络。此外，改进的算法可以有效降低近点噪声并完全消除任何人工噪声，从而可以更精确地测量血管长度和宽度。

4、将数据集的平均结果与算法使用自动方法的结果进行定性比较。手动和自动结果表明，对于超过85％的过渡区域(中心点位置偏差<10％容器直径)，它们具有足够的一致性。

5、根据实验结果，算法方案对动脉瘤的敏感性非常好。实际上，即使使用没有人工输入的数据集，灵敏度也大大高于以前的报告(报告的灵敏度范围为69％至99％)。此外，可能更重要的是，对于小动脉瘤，根据本方法测出的载瘤血管分割方案的灵敏度可高达91％，远高于目前临床检测到的报告的35％至56％的灵敏度。

6、本算法可以降低并忽略血管分割后的噪声水平，并成功将邻近血管分解成近血管和远血管区域的自动算法，与现有算法相比，所提出的方法在准确性上表现出更好的性能，因此可用于血管动脉瘤治疗监测。在进行血管动脉瘤治疗监测研究后，数据表明，从治疗的第一天到第七天，神经血管冲突(nvc)的平均(算术平均)长度已大大缩短了36.8％(p<0.01)，表明计算效果显着。并从原先医生对载瘤血管16.2％的误诊率降低至5％。同时，本算法操作简便，cta方案的检测结果可以整合到图像中查看工具并以多种方式显示，包括基于2d切片的突出显示和基于3d容器的注释。然后，放射科医师可以考虑其他因素(例如患者病史，机器变异性，和其他并存的病理。通过限制检测次数，放射科医生可以调整cta输出的置信度。由于将成为动脉瘤的可能性分配给了每个动脉瘤候选者，因此放射线医师也可以通过对该概率进行阈值调整置信度。且误报数量非常易于管理(每个案例可以接受少于十个误报)，并且高效的用户界面可以使查看该数量的候选对象成为一项快速任务。

颅内动脉瘤的检测是一项重要的任务。不明的动脉瘤破裂并随后发生颅内出血是年轻人发病和死亡的重要原因。筛查的作用一直存在争议，但对于高风险人群(如颅内动脉瘤家族病史丰富的人群或易患多囊性肾病的人群)通常被接受。筛选的价值与准确性直接相关。如果遗漏许多肯定的情况，则该值较低。如果存在很多误报，则在机会和潜在发病率方面，确认测试的成本较高时，该值也较低。提高测试的准确性使其更适合筛查更广泛的人群。从这个角度来看，使用本算法提高颅内动脉瘤载瘤血管筛查及分割的准确性是一项重要的进展。此外，针对所有可疑病理(包括中风，神经功能障碍和其他)的颅内cta检查数量非常多，应对每种检查进行血管分割评估。

经过9个数据集的测算，通过使用本算法计算得出的血管分割差异保持在较低的水平，同仅使用cta目测的常规诊断误诊率相比，本算法的误诊率仅为5％左右并结合形态学特征消除了噪声和伪影。由于本算法使用的自动分解方法即使在严重的表面噪声下也很稳定，因此在所有测试情况下都能提供足够的结果。这种稳健性主要归因于借助于模型函数对血管面积和面积轮廓的近似。因此，本方法也适用于质量较低的数据，因为它可能是由于次优的扫描条件或简化的重构流程导致的。

本算法可以处理强度变化的脉管系统以及受相邻血管影响的低对比度的动脉瘤载瘤血管区域。它基于使用多范围滤镜和局部方差来提取基于强度的图像特征，以识别对比度变化的脉管系统。同时为了解决与现有血管分割模型函数不相似的过渡带的局部剖面变化，本算法通过模型函数和剖面的局部比较来优化找到的过渡位置。如果过渡位置的轮廓值超过模型功能的值，便可将向后迭代血管(“远离动脉瘤”的血管)，直到模型功能值高于轮廓值。如果轮廓值超过模型功能值，则执行类似的前向过渡。它是一种能够通过设置种子点解剖动脉瘤及载瘤血管的技术。该方法也适用于复杂脑血管解剖形状的分割。

本血管分割算法的一个关键功能是它是自动化视点设置的。以现行的临床医学技术，在三维空间中导航时探索多维数据是一项繁琐的任务。而本算法的精心选择的自动视点可以帮助获得给定数据的空间概览。一旦完成特定的探索步骤，它也可用作用户可以返回的探索过程的开始位置。在3d交互领域，视点自动选择是一种支持探索过程的前瞻性技术。这意味着操作员的结果不会有变化，并且可以应用于可能难以获得高级操作员专业知识的筛查中心。同时该算法在计算上是合理的。中值执行时间为8个最小中央处理器(cpumin)，而台式机最多为27个(cpumin)。这意味着可以将其插入典型放射科的工作流程中，而几乎不会产生影响。

此外该算法的重点是复杂的时间相关的血流模式与动脉瘤破裂位置之间的关系。算法使用除了口孔轮廓和中心线外的其他几何描述值，并指出过渡区对于诸如播种流线和遮盖流场部分等其余任务时的作用。并且医学界普遍公认自动选择视点对血管分割的好处。

几何描述值的自动计算是对现有血管分割工作流程和研究数据库应用程序的宝贵扩展。未来的工作将集中在集成过程上，并将重点放在可能出现的其他依赖于应用程序的需求上。结果和分析已经证实，通过改进的血管分割算法提出的优化过程对于以较低噪声和更少伪像的血管进行分割和量化既有效又可行。因此，它可以潜在地用于监测治疗期间的颅内动脉瘤。最后，根据结果对统计分析的研究还表明，该方法可以在实践中潜在地应用于将来在治疗后监测新血管形成的变化，并有进一步的改进。

本发明的实施例还提供一种血管分割装置，如图5所示，包括：

处理模块，用于通过3d-cta扫描获得动脉瘤图像数据，提取所述动脉瘤图像中的血管网络，对所述血管网络进行优化处理；

确定模块，用于基于动脉瘤图像数据重建多边形血管网格，确定将动脉瘤囊和相邻血管分开的动脉瘤口和相邻血管的中心线；

获得模块，用于对相邻血管进行分析处理，获得将近血管区域与远血管区域分隔开的过渡区域，得到轴向平面；

计算模块，用于对所述轴向平面进行计算，使轴向平面的方向与孔口轮廓中心点和相邻血管过渡区的距离最小；

分割模块，用于基于所述轴向平面的计算结果得到血管分割后的血管分割图像。

在一个实施例中，所述处理模块还用于执行以下步骤，包括：

确定血管网络的起点；

搜索所有与起点连接的血管网络；

对所述搜索到的血管网络进行优化。

在一个实施例中，还包括切割模块，所述切割单元，所述切割单元执行以下步骤，包括：

基于测地线活动轮廓模型和chan-vese模型整合区域和边界信息，通过使用整体阈值和梯度幅度来生成速度函数对血管进行分割；

基于chan-vese模型计算得到初始阈值；

在分割血管的过程中对所述chan-vese模型持续训练。

其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(applicationspecificintegratedcircuits，简称：asic)中。另外，该asic可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(rom)、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。

本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。

在上述终端或者服务器的实施例中，应理解，处理器可以是中央处理单元(英文：centralprocessingunit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digitalsignalprocessor，简称：dsp)、专用集成电路(英文：applicationspecificintegratedcircuit，简称：asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。