冠状动脉成像的中心线提取软件的设计与实现

发布时间：2025-04-18 05:16

　　随着经济社会的飞速发展,人口老龄化、城镇化进程加速,我国心血管患病人数日益增加,已成为重大公共卫生问题。心血管疾病是可防可治的,关键在于“早发现、早预防、早治疗”。医学影像正是筛查、诊断此类疾病的关键途径之一。随着科学技术日新月异地发展,医学影像在临床上应用的比重也不断增加。冠状动脉血管成像(CTCA)可以清楚显示冠状动脉的结构,加之影像重建技术,可以将冠状动脉图像通过计算机立体还原,可以进行组织定量分析、诊断,定位组织病变的位置,学习组织结构,规划治疗以及指导手术等。本文主要研究对象为冠状动脉CT血管影像(CTCA),首先对冠状动脉血管分割、血管中心线提取算法进行调研及实验,然后开发冠状动脉成像的血管中心线提取软件。具体工作内容和成果如下:(1)针对心血管专科开发医学影像平台的需求,对本文提出的冠状动脉中心线提取软件进行架构设计。将平台设计为四层:数据层、算法层、接口层、应用层。数据层是架构的第一层,为上层提供数据。算法层利用MITK、开源算法和自研算法共同构建。接口层位于第三层,将第二层提供的算法通过封装、组合等手段,供上层应用层调用。应用层通过图形交互界面提供交互功能和结果展示。(...

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

图１．１血管分割流程图??Ｆｉｇｕｒｅ?１．１?Ｖａｓｃｕｌａｒ?ｓｅｇｍｅｎｔａｔｉｏｎ?ｆｌｏｗ?ｃｈａｒｔ??

无监督学习方法基于整体输入数据的统计分布来表示指定特征。在没有标记??数据训练的情况下适用此方法。以分割性能评判时，通常劣于监督学习方法。一??个典型的无监督学习分割模型如

图１．２无监督学习分割模型??Ｆｉｇｕｒｅ?１．２?Ｕｎｓｕｐｅｒｖｉｓｅｄ?ｌｅａｒｎｉｎｇ?ｓｅｇｍｅｎｔａｔｉｏｎ?ｍｏｄｅｌ??

别的数据（如图像的像素大小、梯度、颜色或灰度信息等）。原始图像与其对应??的标签数据一起参与模型训练。训练好的模型用于新数据的预测。一个典型的有??监督学习分割模型如图１．３所示。??０??Ｔｅｓｔｉｎｇ?ｉｍａｇｅ??ｆ??Ｆｅａｔｕｒｅ??ＴＲＡＩＮＩＮＧ???｜???—??....

图１．３有监督学习分割模型??Ｆｉｒｕｒｅ?１．３?Ｓｕｐｅｒｖｉｓｅｄ?ｌｅａｒｎｉｎｇ?ｓｅｇｍｅｎｔａｔｉｏｎ?ｍｏｄｅｌ??文献８提取一组几何和图像特征，然后使用概性増强树（ＰＢＴ）训练

＼ｍｏｄｅｌｙ＾??圓??Ｓｅｇｍｅｎｔｅｄ?ｉｍａｇｅ??图１．２无监督学习分割模型??Ｆｉｇｕｒｅ?１．２?Ｕｎｓｕｐｅｒｖｉｓｅｄ?ｌｅａｒｎｉｎｇ?ｓｅｇｍｅｎｔａｔｉｏｎ?ｍｏｄｅｌ??有监督学习用标记的数据训练获得规则。在血管分割任务中，一般是像素级??别的数据（如图....

图１．４最大内切圆法??Ｆｉｒｕｒｅ?１．４?Ｍａｘｉｍｕｍ?ｉｎｓｃｒｉｂｅｄ?ｃｉｒｃｌｅ?ｍｅｔｈｏｄ??

草原区各向均匀蔓延，当火蔓延时与其他方向的火相遇，即燃灭。燃灭的点集构??成草原（即目标区域）的骨架。“最大内切圆”是计算目标区域的最大内切圆，??内切圆的圆心即为骨架上的点，如图１．４所示。随着内接圆在目标区域移动，便??得到内切圆圆心构成的点集，该点集构成目标区域的骨架［２３....

本文编号：4040591