一种基于骨架线的脑血管定量分析方法

摘要

本发明涉及一种基于骨架线的血管定量分析方法。本发明采用基于脑血管DICOM数据定量分析的方法，在原始数据中对脑血管进行分割，并识别出Wills环部分，采用骨架线提取算法进行Wills环骨架线提取，得到Wills环骨架线及其采样点半径几何模型。对骨架上的每段血管进行语义标识和规律采样，并计算采样点处的特征量信息并保存在数据库中。与传统的二维投影图像定量化分析和血管三维体积的定量化分析相比，本发明能够得到更加精确的结果。本发明采用B样条曲线方法拟合原始离散骨架，使血管骨架形态连续化，从而可以获取血管上任意一点的特征量，得到更为精确的特征量计算结果。

说明书

技术领域

本发明属于计算机图形学领域，涉及医学图像在图形几何形态上的定量分析，尤其涉及一种基于骨架线的脑血管定量分析方法。

背景技术

脑血管疾病是一种脑血管对大脑供应功能障碍疾病，严重脑血管疾病可导致中风并很有可能因此使病人残疾或死亡。中风通常是由脑血管动脉瘤破裂导致的。脑血管动脉瘤经常会出现在Wills环(大脑动脉环)上。所以关于Willis环的研究及其定量分析对于动脉瘤破裂和脑梗塞等疾病来说是非常重要的。Wills环由大脑前动脉的左右支(ACAs)、前交通动脉(ACo)、大脑中动脉的左右支(MCAs)、颈内动脉左右支(ICAs)、大脑后交通动脉的左右支(PCos)、大脑后动脉的左右支(PCAs)以及基底动脉(BA)构成。

随着医学图像技术的快速发展，医学图像对于医生诊断脑血管疾病来说，已经成为一个必不可少的工具。磁共振血管造影(Magnetic Resonance Angiography，MRA)用来评判颈内血管时，不需要像导管血管造影术一样侵入体内，可以检测到不易检查到的血栓，以避免其引发像中风等疾病的风险。因为MRA的高特异性和敏感性，可以保证关于Wills环各种形态变化的回顾性研究。通过亮血成像的TOF MRA图像经常用于诊断脑血管疾病，所以在当前的研究中多使用TOF图像。Wills环有大量各种各样不同的形态，这种不同不仅仅体现在几何上，也体现在拓扑上。从拓扑上来看，环上血管有旁生有缺失等各种情况出现，目前已经发现的Wills环的拓扑形态有83种。标准的、完整的和对称的Wills环估计只存在于40％～50％的健康人群中。从几何形态上来看，在Wills环中，每根血管都有不同的曲率、挠率和半径的变化，具有复杂的几何结构。正常人群Wills环血管在几何形态上呈现怎样的规律，患病人群Wills环的几何特征又和疾病有怎样的关系等都是非常值得关注的方向。

目前，针对Wills环形态分析的研究大多数停留在其拓扑结构的分析，定量分析方法技术上有欠缺；大部分关于血管特征量的测量停留在片数据上，而不是基于三维骨架数据。而且测量方法比较粗糙，结果不连续，不够精确；测量的特征量不够全面。大部分都是测量血管长度、最大横截面积处或具体位置处的半径、根据血流量测量的体积。这是针对环上血管扩张延长症的研究涉及到的特征量；针对Wills环上血管迂曲的研究大都没有依据计算特征量评判。根据特征量来进行迂曲评判的大都是视网膜血管及一些病变组织(如肿瘤)上，也有一些在冠状动脉、胸动脉等血管上的迂曲研究。但是这些迂曲上的研究最多涉及到曲率和弧长弦长比等特征，没有涉及到挠率的计算；目前医生对于疾病的诊断都还只是通过看片主观判断，并没有一个精确的数据参考标准。

发明内容

为了解决现有技术中存在的上述问题，本发明提出一种基于骨架线的血管定量分析方法，该方法通过对不同人群(正常人群和患病人群)脑血管数据进行分析，得到正常人群大脑动脉环血管的几何形态规律、血管之间的相关性、患病人群和大脑动脉环几何形态规律的相关性。

为达到上述目的，本发明采用如下技术方案：

一种基于骨架线的血管定量分析方法，包括以下步骤：

步骤1，根据采集到的脑血管DICOM(Digital Imaging and Communications in Medicine，医学数字成像和通信)数据，得到所述数据的最大密度投影图，采用粒子群优化算法对原始数据进行分割处理，得到分割体数据和Mesh数据。

步骤2，从分割处理后的数据中人工识别出Wills环部分，并采用骨架线提取算法进行Wills环骨架线提取，得到Wills环骨架线及其采样点血管半径几何模型。

步骤3，参照最大密度投影图对Wills环骨架线上的血管分支进行语义标识，并设定采样规则。

步骤4，对Wills环骨架线上的每段血管进行拟合，计算每段血管的特征量。

步骤5，对计算结果进行数据统计分析。

进一步地，步骤3中设定的采样规则为：在单段血管上按长度进行均匀采样。

进一步地，步骤4采用B样条拟合法对Wills环骨架线上的每段血管进行拟合。

优选地，计算血管的特征量的方法如下：

步骤4.1，计算采样点处的局部特征量；

步骤4.1.1，计算半径，方法如下：

采用球B样条拟合原始离散点骨架；

对所要计算的一段血管按照设定的采样规则进行采样；

将血管区域的边界看作是单参数球体的包络面，根据解析几何知识求解血管的半径。

步骤4.1.2，计算长度、曲率、挠率、采样点与首尾点连线的夹角值，方法如下：

采用B样条曲线拟合法进行曲线拟合；

对所要计算的一段血管按照设定的采样规则进行采样；

根据解析几何知识求解长度、曲率、挠率、采样点与首尾点连线的夹角值；

步骤4.2，计算全局特征量；

分别计算曲率和挠率对弧长的积分：根据步骤1分割出的体数据计算每段血管的体积，根据步骤1分割出的Mesh数据计算每段血管的表面积。

进一步地，步骤5对计算结果进行数据统计分析的内容包括：计算特征量的基本统计量，对基本统计量与血管或疾病、性别年龄因素的相关性分析。基本统计量包括均值、方差、标准差、四分距以及特征量参数的区间估计。

与现有技术相比，本发明具有以下有益效果：

本发明采用基于脑血管DICOM数据定量分析的方法，在原始数据中对脑血管进行分割，识别出Wills环部分，采用骨架线提取算法进行Wills环骨架线提取，得到Wills环骨架线及其采样点半径几何模型。对骨架线上的每段血管进行语义标识和规律采样，并计算采样点处的特征量。与传统的二维投影图像定量化分析和血管三维体积的定量化分析相比，本发明能够得到更加精确的结果。本发明采用B样条曲线方法拟合原始离散骨架，使血管骨架形态连续化，从而可以获取血管上任意一点的特征量，得到更为精确的特征量计算结果。本发明的应用使得在人群中进行各项数据统计分析变得不再困难，比如进行正常人群大脑动脉环几何形态规律的研究、大脑几何形态同疾病、性别、年龄、种族等因素的相关关系等。还可以为医生的临床诊断提供参考，使疾病诊断更加客观。

附图说明

图1为最大密度投影图；

图2为对原始数据进行分割处理得到的体绘图；

图3为对原始数据进行分割处理得到的Mesh图；

图4为Wills环骨架线及其采样点血管半径几何模型；

图5为Wills骨架及其语义标识；

图6为血管半径的统计分析结果。

具体实施方式

下面结合附图和实施例对本发明做进一步说明。

一种基于骨架线的血管定量分析方法，包括以下步骤：

步骤1，根据采集到的脑血管DICOM数据，通过透视得到所述数据的最大密度投影图，采用粒子群优化算法对原始数据进行分割处理，得到分割体数据或Mesh数据，如图1、2、3所示。

通过比较分割数据的形态结构与最大密度投影图，可以验证分割结果的准确性。

步骤2，从分割处理后的数据中人工识别出Wills环部分，保留与Wills环相连的小段血管分支，删除其他无关血管及噪点。采用L1-medial骨架线提取算法进行Wills环骨架线提取，得到Wills环骨架线及其采样点血管半径几何模型。如图4所示。

步骤3，参照最大密度投影图对Wills环骨架线上的血管分支进行语义标识，并设定采样规则。

参照最大密度投影图进行语义标识，可以提高标识的准确性。Wills骨架及其语义标识的示意图如图5所示，常用标识的含义如下：

ACAI-大脑前动脉左支，ACAr-大脑前动脉右支，ACo-前交通动脉，MCAl-中动脉左支，MCAr-中动脉右支，PCol-后交通动脉左支，PCor-后交通动脉右支，PCAl-大脑后动脉左支，PCAr-大脑后动脉右支，BA-基底动脉。

步骤4，对Wills环骨架线上的每段血管进行曲线拟合，利用得到的连续的Wills环骨架线曲线计算每段血管的特征量。

步骤2获得的Wills环骨架线是离散的，对离散点集进行拟合，使离散点连续化。这样处理有利于提高特征量的计算精度。

步骤5，对计算结果进行数据统计分析。

所述步骤3中设定的采样规则为：在单段血管上按长度进行均匀采样。通常设定均匀采样20个点，当然，为了提高精度也可以进行密度更高的均匀采样。

所述步骤4采用B样条拟合法对Wills环骨架线上的每段血管进行拟合。

优选地，计算血管的特征量的方法如下：

步骤4.1，计算采样点处的局部特征量；

步骤4.1.1，计算半径，方法如下：

采用球B样条拟合原始离散点骨架；

对所要计算的一段血管按照设定的采样规则进行采样；

将血管区域的边界看作是单参数球体的包络面，根据解析几何知识求解血管的半径。

步骤4.1.2，计算长度、曲率、挠率、采样点与首尾点连线的夹角值，方法如下：

采用B样条曲线拟合法进行曲线拟合；

对所要计算的一段血管按照设定的采样规则进行采样；

根据解析几何知识求解长度、曲率、挠率、采样点与首尾点连线的夹角值。

步骤4.2，计算全局特征量；

计算曲率和挠率对弧长的积分；

计算每段血管的体积和表面积。血管的表面积通过求分割数据中所有三角面片的总面积来计算。血管的体积通过求每个坐标点表示的小立方体的总体积来计算。

所述步骤5对计算结果进行数据统计分析的内容包括：计算特征量的基本统计量，对各基本统计量与各血管或疾病、性别年龄因素的相关性分析。基本统计量包括均值、方差、标准差、四分距以及各特征量参数的区间估计。

对血管半径的统计分析结果如图6所示。由图6可以看出，大部分半径值都位于区间[2,3](mm)，在相应比例处的采样点半径呈现出几乎一致的波动趋势。半径值越大的位置越容易引起血管扩张，半径值越小的位置越容易发生血管狭窄。通过半径这一特征量，可以进行血管狭窄扩张方面的疾病分析。

本发明不限于上述实施方式，本领域技术人员所做出的对上述实施方式任何显而易见的改进或变更，都不会超出本发明的构思和所附权利要求的保护范围。