KR101442728B1

KR101442728B1 - Method of classifying pulmonary arteries and veins

Info

Publication number: KR101442728B1
Application number: KR1020130039075A
Authority: KR
Inventors: 서준범; 김남국; 박세연; 이상민
Original assignee: 재단법인 아산사회복지재단
Priority date: 2013-04-10
Filing date: 2013-04-10
Publication date: 2014-09-22
Anticipated expiration: 2033-04-10

Abstract

본 개시는 폐동맥과 폐정맥을 구분하는 방법에 있어서, 폐동맥과 폐정맥을 포함하는 폐 혈관에 해당하는 점들에 대한 폐 혈관 집합을 형성하는 단계;로서, 폐 혈관 집합의 점들 각각이 인텐시티 가중치와 국부 형상 가중치를 포함하는 가중치 정보를 가지고 있는, 폐 혈관 집합을 형성하는 단계; 상기 가중치 정보를 이용하여 폐 혈관 집합의 점들로부터 트리를 형성하는 단계; 그리고, 트리를 복수의 영역으로 분리하여 폐동맥과 폐정맥을 구분하는 단계;를 포함하는 것을 특징으로 하는 폐동맥과 폐정맥을 구분하는 방법에 관한 것이다.The present disclosure relates to a method of distinguishing a pulmonary artery from a pulmonary vein, comprising the steps of: forming a pulmonary blood vessel set for points corresponding to pulmonary veins including the pulmonary artery and the pulmonary vein, wherein each of the points of the pulmonary blood vessel set includes an intensity weight and a local shape weight The method comprising: forming a pulmonary blood vessel set having a weight information including a pulse width and a pulse width; Forming a tree from the points of the pulmonary blood vessel set using the weight information; And separating the pulmonary artery and the pulmonary vein by dividing the tree into a plurality of regions. The present invention also relates to a method for distinguishing a pulmonary vein and a pulmonary vein from each other.

Description

METHOD OF CLASSIFYING PULMONARY ARTERIES AND VEINS [0002]

본 개시(Disclosure)는 전체적으로 폐동맥과 폐정맥을 구분하는 방법에 관한 것으로, 특히 최소 스패닝 트리(Minimum Spanning Tree)를 이용하는 폐동맥과 폐정맥을 구분하는 방법에 관한 것이다.Disclosure relates generally to a method of distinguishing pulmonary artery from pulmonary vein, and more particularly to a method of distinguishing between pulmonary vein and pulmonary vein using a minimum spanning tree.

여기서는, 본 개시에 관한 배경기술이 제공되며, 이들이 반드시 공지기술을 의미하는 것은 아니다(This section provides background information related to the present disclosure which is not necessarily prior art).Herein, the background art relating to the present disclosure is provided, and these are not necessarily meant to be known arts.

폐동맥과 폐정맥을 세그멘테이션(Segmentation) 및/또는 구분(Classification)하는 것은 쉽지 않은 일이다. 폐 혈관은 폐 내에 밀집되어 분포되어 있으며, 형태적 특성(반경, 분지 패턴(branching patterns), 등)도 사람마다 제 각각이기 때문에, 세그멘테이션을 하는 경우에라도 이들을 구분하는 것은 쉽지 않은 일이다. 또한 폐동맥과 폐정맥이 서로 교차하여 지나기 때문에 CT와 같은 3차원 영상 상에서 이들이 겹쳐서 보이기도 한다. 선행기술로서, 'T Buelow, R. Wiemker, T. Blaffert, C. Lorenz, S. Renisch, Automatic extraction of the pulmonary artery tree from multi-slice CT data' Medical Imaging 2005: Physiology, Function, and Structure from Medical Images. Proceedings of the SPIE, 5746, pp. 730-740, Apr. 2005'를 들 수 있다.It is not easy to segment and / or classify the pulmonary artery and pulmonary vein. Since pulmonary blood vessels are densely distributed in the lungs and morphological characteristics (radius, branching patterns, etc.) are also different for each person, it is difficult to distinguish them even when segmented. Because the pulmonary artery and pulmonary vein cross each other, they may overlap on a three-dimensional image such as CT. As a prior art, 'T Buelow, R. Wiemker, T. Blaffert, C. Lorenz, S. Renisch, Automatic extraction of the pulmonary artery tree from multi-slice CT data' Medical Imaging 2005: Physiology, Function, and Structure from Medical Images. Proceedings of the SPIE , 5746, pp. 730-740, Apr. 2005 '.

이에 대하여 '발명의 실시를 위한 구체적인 내용'의 후단에 기술한다.This will be described later in the Specification for Implementation of the Invention.

여기서는, 본 개시의 전체적인 요약(Summary)이 제공되며, 이것이 본 개시의 외연을 제한하는 것으로 이해되어서는 아니된다(This section provides a general summary of the disclosure and is not a comprehensive disclosure of its full scope or all of its features).SUMMARY OF THE INVENTION Herein, a general summary of the present disclosure is provided, which should not be construed as limiting the scope of the present disclosure. of its features).

본 개시에 따른 일 태양에 의하면(According to one aspect of the present disclosure), 폐동맥과 폐정맥을 구분하는 방법에 있어서, 폐동맥과 폐정맥을 포함하는 폐 혈관에 해당하는 점들에 대한 폐 혈관 집합을 형성하는 단계;로서, 폐 혈관 집합의 점들 각각이 인텐시티 가중치와 국부 형상 가중치를 포함하는 가중치 정보를 가지고 있는, 폐 혈관 집합을 형성하는 단계; 상기 가중치 정보를 이용하여 폐 혈관 집합의 점들로부터 트리를 형성하는 단계; 그리고, 트리를 복수의 영역으로 분리하여 폐동맥과 폐정맥을 구분하는 단계;를 포함하는 것을 특징으로 하는 폐동맥과 폐정맥을 구분하는 방법이 제공된다.According to one aspect of the present disclosure, there is provided a method of distinguishing a pulmonary artery from a pulmonary vein, comprising the steps of: forming a pulmonary blood vessel collection for points corresponding to the pulmonary veins including the pulmonary artery and the pulmonary vein; Wherein each of the points of the pulmonary blood vessel set has weight information including an intensity weight and a local shape weight; Forming a tree from the points of the pulmonary blood vessel set using the weight information; And separating the pulmonary artery and the pulmonary vein by dividing the tree into a plurality of regions, wherein the pulmonary artery and the pulmonary vein are separated from each other.

도 1은 볼륨 데이터의 구조를 설명하는 도면,
도 2는 mediastinal view에서 바라본 좌우 폐의 간략화된 모습을 나타내는 도면,
도 3은 폐 CT 영상의 일 예를 나타내는 도면,
도 4는 본 개시에 따른 가중치 기반 EMST의 일 예를 나타내는 도면,
도 5는 본 개시에 따라 간략화된 트리 구조의 일 예를 나타내는 도면,
도 6은 레이블 값에 따라 가지에 인테시티(intensity)를 부여한 이미지,
도 7은 분할에 따라 나누어진 혈관의 3차원 이미지.1 is a view for explaining the structure of volume data,
2 is a simplified view of left and right lungs as viewed from a mediastinal view,
3 is a view showing an example of a lung CT image,
4 is a diagram illustrating an example of a weight-based EMST according to the present disclosure;
Figure 5 is a diagram illustrating an example of a simplified tree structure in accordance with the present disclosure;
FIG. 6 shows an image obtained by assigning an intensity to a branch according to a label value,
Figure 7 is a three-dimensional image of a vessel segmented according to a splitting.

이하, 본 개시를 첨부된 도면을 참고로 하여 자세하게 설명한다(The present disclosure will now be described in detail with reference to the accompanying drawing(s)).
The present disclosure will now be described in detail with reference to the accompanying drawings.

1. 혈관 세그멘테이션 (VESSEL SEGMENTATION)1. VESSEL SEGMENTATION

분할에 앞서 전처리 과정으로서, 본 개시에서는 의료용 이미지(예: CT 영상)로부터 혈관에 해당되는 voxel들을 추출한다. 이를 위해, 먼저 폐에 해당되는 두 개의 닫힌 영역(closed region)을 추출한다. 도 1에서 도시된 바와 같이, 본 연구에서 대상으로 하는 3차원 볼륨 데이터는 d=(d _x , d _y , d _z )^T크기를 가지는 균일한 voxel n=(n _x , n _y , n _z )^T 개로 이루어져 있으며, L=d·n=(L _x , L _y , L _z )^T의 범위(range)를 가지게 된다. 알고리즘의 상세 내용을 설명하기 전에, 알려진 폐혈관의 해부학적 구조를 선행 지식으로 이용하기 위하여 폐의 구조적인 모습을 설명한다.
As a preprocessing step prior to segmentation, the present disclosure extracts voxels corresponding to blood vessels from a medical image (e.g., a CT image). To do this, we first extract two closed regions corresponding to the lungs. As it is shown in FIG. 1, the three-dimensional volume data that are targeted in this study, d = (d _x, d _y, d _z) voxel n = (n _x, n _y, n _z) uniform with the ^T size ^T , and has a range of L = d · n = ( L _x , L _y , L _z ) ^T. Before explaining the details of the algorithm, we describe the structural features of the lungs in order to use the known anatomical structures of the pulmonary vessels as prior knowledge.

1. A. 폐 혈관의 해부학적 구조 (Pulmonary Vessel Anatomy)1. Pulmonary vascular anatomy of the pulmonary vasculature

도 2는 mediastinal view에서 바라본 좌우 폐의 간략화된 모습을 보여주고 있다. 일반적으로, mediastinal view에서 단면을 보았을 때, 좌우 각각 기도와 폐동맥, 그리고 두 개의 폐정맥이 중앙 부근에 위치한다. 기도와 폐동맥, 그리고 폐정맥은 일반적으로 서로 인접해 있고, CT 영상은 attenuation density만을 확인할 수 있으므로 폐동맥과 폐정맥은 구분되지 않고 하나의 영역으로 보이게 된다. 또한 폐의 내부에서도 기도 벽과 혈관, 그리고 fissure 등도 비조영증강 영상에서는 비슷한 intensity를 지니고 있어, intensity만으로는 단순한 구분이 어려운 점이 있다.
FIG. 2 shows a simplified view of the left and right lungs as viewed from the mediastinal view. In general, when viewed from the mediastinal view, the airway, pulmonary artery, and two pulmonary veins are located near the center. The pulmonary artery and pulmonary veins are generally adjacent to each other, and CT images can only identify the attenuation density. In addition, airway walls, blood vessels, and fissures in lungs have similar intensities in nonenhanced images, which is difficult to distinguish simply from intensity.

1. B. 폐 혈관의 추출 (Pulmonary Vessel Extraction)1. B. Pulmonary Vessel Extraction

입력 3차원 볼륨 CT를 voxel의 집합인 V = {c|c = (i,j,k), i=1,…,n _x , j=1,…,n _y , k=1,…,n _z }라 한다. 또한 셀 c에서의 인텐시티(intensity) 값은 I(c)라 하자. 도 3에서 보이는 녹색 영역과 같이 (기도 및 기도 벽을 제외한) 양쪽 폐에 해당되는 voxel들을 추출한 후, 예를 들어, 그 내부의 voxel들 중 -600 HU 이상의 값을 가지는 셀들을 초기 폐혈관 집합으로 추출한다. 여기에서는 가급적 혈관이 아닌 점들이 포함되지 않도록 보수적인(conservative) 기준값을 사용한다.The input three-dimensional volume CT is defined as V = { c | c = ( i , j , k ), i = 1, ... , n _x , j = 1, ... , n _y , k = 1 , ... , n _z }. Let the intensity value in cell c be I ( c ). After extracting the voxels corresponding to both lungs (except for the airway and airway walls) as in the green area shown in FIG. 3, for example, cells having a value of -600 HU or more among the voxels inside the voxels were collected into an initial pulmonary blood vessel collection . Here, conservative reference values are used so that points that are not blood vessels are not included as much as possible.

초기 혈관 후보 셀들을 추출한 후, modified region growing[14]을 통하여 낮은 인텐시티(intensity)를 가지는 폐 주변부의 작은 혈관들까지 추출한다. 이 때 fissure와 같은 혈관이 아닌 조직이 함께 추출될 수 있으며, 이를 이후 과정에서 처리하기 위해 각 셀의 인텐시티(intensity) 값을 저장해 둔다. ([14]: Y. Sato, S. Nakajima, N. Shiraga, H. Atsumi, S. Yoshida, T. Koller, G. Gerig, R. Kikins, 'Three-dimensional multi-scale line filter for segmentation and visualization of curvilinear structures in medical images' Medical Image Analysis, vol. 2, no. 2, pp. 143-168, 1998)After extracting the candidate vessels, we extract small blood vessels in the periphery of the lung with low intensity through modified region growing [14]. At this time, tissues other than blood vessels such as fissures can be extracted together, and the intensities of the respective cells are stored in order to process them later. ([14]: Y. Sato, S. Nakajima, N. Shiraga, H. Atsumi, S. Yoshida, T. Koller, G. Gerig, R. Kikins, 'Three-dimensional multi-scale line filter for segmentation and visualization of curvilinear structures in medical images' Medical Image Analysis , vol. 2, no. 2, pp. 143-168, 1998)

이렇게 추출된 셀 집합(폐 혈관 집합)을 P _V = {v(c)}라 하자. 여기에서 v(c)는 c의 중심 좌표와 가중치로 이루어진 벡터이며 다음과 같이 정의될 수 있다. v = (x, y, z, w) ^T =(v _p ^T , w) ^T , 이 때 v _p = (x, y, z) ^T = ((c _i -0.5)d _x , (c _j -0.5)d _y , (c _k -0.5)d _z ) ^T 이다. 가중치 w는 w = w ₁ x w ₂로 계산하며 이 때 w ₁은 w ₁ = (i - i _min) / (i _max - i _min) 로 정의되는 인텐시티(intensity)로부터 계산되는 가중치며, 이 때, i _max = max{I(v _i )} and i _min = min{I(v _i )}을 나타낸다. w ₂는 다음에서 설명되는 국부적 형상을 나타내는 가중치(국부적 형상 가중치)이다.Let P _v = { v ( c )} be the extracted cell set (pulmonary blood vessel set). Where v ( c ) is a vector of c center coordinates and weights and can be defined as: v = (x, y, z , w) T = (v p T, w) T, At this time, _{v p = (x, y,} z) T = ((c i -0.5) d x, ( c _j -0.5) d _y , ( c _k -0.5) d _z ) ^T. The weight w is w = w ₁ x w _2, where w ₁ is w ₁ = ( i - i _min ) / ( i _max - i _min ), where i _max = max {I ( v _i )} and i _min = min {I ( v _i )}. w ₂ is a weight (local shape weight) representing the local shape described below.

Intensity만을 이용하여 혈관을 추출하면, fissure와 같은 비슷한 강도를 가지는 조직과 미세혈관을 구분해내기 어렵다. 따라서 본 연구에서는 국부적 형상을 나타내는 가중치를 정의하여 각 점과 그 주변부 형상을 통해 혈관 여부를 추가로 판단한다. 먼저 Fissure를 제거하기 위해 국부형상지표로써, 각 점 v _i 에서 30개의 이웃하는 셀들 중 -750HU이상의 셀의 집합 N (v _i )를 이용하여 차이벡터 {(q _p - v _p _i )|q _p ∈ N(v _i )}의 eigenvalue(λ)를 계산한 후, 그 중 최소값(λ_min)과 최대값(λ_max)을 이용하여 (λ_min/λ_max)을 계산한다. 이 값이 작으면 작을수록 평면에 가까운 형상이 되므로 일정 값(0.15) 이하의 점들은 fissure로 판단하고 w ₂=0으로 부여한다. 향후 w ₂=0인 점들은 P _V 에서 제거한다.When extracting blood vessels using only Intensity, it is difficult to distinguish microvessels from tissues having similar strengths such as fissures. Therefore, in this study, the weight representing the local shape is defined, and the presence or absence of the blood vessel is further judged through each point and its peripheral shape. First, to remove the fissure, we use the set of cells N ( v _i ) of -750 HU or more out of 30 neighbors at each point v _i as a local feature index to calculate the difference vector {( q _p - v _p _i ) | q _p (Λ _min / λ _max ) is calculated using the minimum value (λ _min ) and the maximum value (λ _max ) after calculating the eigenvalue (λ) of ∈ N ( v _i ) The smaller the value is, the closer the shape becomes to the plane, so the points with a certain value (0.15) or less are judged to be fissures and given w ₂ = 0. Future points with w ₂ = 0 are removed from P _v .

또한 일반적으로 혈관의 중심부근은 강도가 높은 반면, 혈관벽으로 갈수록 혈류밀도가 및 partial volume effect 등으로 인하여 강도가 낮게 나타나는 점을 이용하기 위해, scalar field가 충돌하는 곳에서의 Laplacian이 0이 아닌 값을 가지게 되는 사실로부터 국부강도지표로서 Laplacian ∇ ² I(v _i )을 계산한 후, 이 값이 0.1 이상이면 두 혈관이 인접하는 영역으로 판단한다. 이러한 점들은 w ₂=0.5로 부여하여 이러한 점들을 통해 연결되는 것을 방지한다. 나머지 점들에 w ₂=1을 부여한다. 이렇게 계산된 w값은 후의 사용을 위해 저장해 둔다.
In addition, in order to take advantage of the fact that the intensity near the center of the blood vessel is generally high, but the strength is low due to the blood flow density and partial volume effect toward the vessel wall, the Laplacian at the collision point of the scalar field is non- , The Laplacian ∇ ² I ( v _i ) is calculated as a local strength indicator. If this value is more than 0.1, the two blood vessels are determined to be adjacent to each other. These points are given as w ₂ = 0.5 to prevent connection through these points. And w ₂ = 1 to the remaining points. The w value thus calculated is stored for later use.

2. 동맥과 정맥의 구분(ARTERY AND VEIN CLASSIFICATION)
2. ARTERY AND VEIN CLASSIFICATION

2. A. 및 B. 초기 트리 형성(Initial Tree Construction) 및 트리 구조의 간략화(Refinement)2. A. and B. Initial Tree Construction and Refinement of Tree Structure

본 개시에서 가장 핵심이 되는 부분 중의 하나는, P _V 로부터 동일한 종류의 혈관(정맥 혹은 동맥)을 이루는 점들을 가지로 연결하는 정확한 트리 구조를 구성하는 것이다. 이 작업을 위해, 본 예에서는 가중치 기반 Euclidean Minimum Spanning Tree(EMST)를 이용한다. 이 때 점 u, v ∈ P _V 를 연결하는 가지 e(u, v)의 가중치는 w _e = w _v /||u-v||로 계산하며, 여기에서 e는 순서쌍(ordered pair)이다. EMST가 Delaunay 삼각화의 부분집합이라는 사실을 이용하여[1], 가중치 기반 Delaunay 삼각화(CGAL library를 이용한 regular triangulation이라고도 불리는)를 먼저 한 후[24], Dijkstra 알고리즘을 통해 가중치 기반 EMST를 계산한다. ([1]: M. de Berg, M. van Kreveld, M. Overmars, O. Schwarzkopf, 'Computational Geometry: Algorithms and Applications (2/E)', Springer, 1997; [24]: CGAL Library [Online], Available: http://www.cgal.org (URL)). 도 4는 본 개시에 따른 가중치 기반 EMST의 일 예를 나타내는 도면으로서, 좌측 이미지는 초기 트리이며, 중앙 이미지는 가중치 기반 Delaunay 삼각화된 상태이며, 우측 이미지는 가중치 기반 EMST이다.One of the most important parts of the present disclosure is to construct an accurate tree structure that connects points that form the same kind of blood vessel (vein or artery) from P _V. For this task, we use the weighted Euclidean Minimum Spanning Tree (EMST) in this example. In this case, the point u , v ∈ The weight of the branch e ( u , v ) connecting P _V is w _e = w _v / || uv ||, where e is an ordered pair. Based on the fact that EMST is a subset of Delaunay triangulation [1], weighted Delaunay triangulation (also called regular triangulation using the CGAL library) is first performed [24] and the weighted EMST is computed via the Dijkstra algorithm . CGAL Library [Online] [1]: M. de Berg, M. van Kreveld, M. Overmars, O. Schwarzkopf, 'Computational Geometry: Algorithms and Applications', Springer , , Available: http://www.cgal.org (URL)). FIG. 4 shows an example of a weight-based EMST according to the present disclosure in which the left image is an initial tree, the center image is a weighted Delaunay triangulated state, and the right image is a weighted EMST.

이후, Livny[9]가 제시한 것과 같은 공지의 방법을 이용하여, 트리 구조의 간략화가 진행될 수 있다. ([9]: Y. Livny, F. Yan, M. Olson, B. Chen, H. Zhang, J. El-Sana, 'Automatic reconstruction of tree skeletal structures from point clouds',　ACM Transactions on Graphics, vol. 29(6), Article 151, 2010) 도 5는 본 개시에 따라 간략화된 트리 구조의 일 예를 나타내는 도면으로서, 좌상측에 초기 트리 T=({v},{e},{(v, e _v )}) (여기서 {(v, e _v )}는 초기 트리 T의 Incidence Table)가 도시되어 있으며, 우상측에 초기 트리의 확대된 화면이 도시되어 있고, 좌하측에 간략화된 트리 T'가 도시되어 있고, 우하측에 간략화된 트리의 확대된 화면이 도시되어 있다.
Thereafter, simplification of the tree structure can be performed using a known method such as that presented by Livny [9]. (9): Y. Livny, F. Yan, M. Olson, B. Chen, H. Zhang, J. El-Sana, 'Automatic reconstruction of tree skeletal structures from point clouds', ACM Transactions on Graphics , vol. 5 shows an example of a simplified tree structure according to the present disclosure. In the upper left side, an initial tree T = ({ v }, { e }, {( v , e _v )}) ({( V , e _v )} is an incidence table of the initial tree T, an enlarged screen of the initial tree is shown on the upper right side, a simplified tree T 'is shown on the lower left side, An enlarged view of the simplified tree on the lower right side is shown.

2.C. 분할과 재결합(Split and Re-merge)2.C. Split and Re-merge

모든 혈관을 하나의 연결된 트리 구조로 연결한 후, 모든 가지가 연결된 뿌리 주위의 영역을 잘라냄으로써 각 가지들을 자동으로 나누어낼 수 있다. 이를 위해, 트리의 리프 에지(leaf edge)로부터 뿌리 방향으로 값이 커지도록 식 (1)과 같이 레이블을 부여한 후, 값이 가장 큰 가지로부터 연결된 가지들 중 레이블이 일정 값 이내의 차이가 나는 가지들을 모두 잘라낸다.After connecting all the blood vessels into a single linked tree structure, each branch can be automatically divided by cutting out the area around the root where all branches are connected. For this purpose, a label is assigned as shown in Equation (1) so that the value increases from the leaf edge to the root direction. Then, the label among the connected branches from the branch having the largest value is within a predetermined value All of them are cut off.

(여기서 e_c는 e의 자식 가지(child edge)를 나타낸다.)(Where e _c represents the child edge of e).

도 6은 레이블 값에 따라 가지에 인테시티(intensity)를 부여한 이미지로서, 낮은 레이블 값을 가지는 가지 끝단에서 어두운 색(dark gray)을 띠며, 레이블 값이 증가함에 따라 밝은 색을 띠고 있다. 도 7은 분할에 따라 나누어진 혈관의 3차원 이미지로서, 뿌리 영역을 잘라냄으로써, 트리가 복수의 영역으로 나뉘어 폐동맥과 폐정맥이 구분될 수 있다.FIG. 6 is an image obtained by assigning an intensity to a branch according to a label value. The image has a dark color at the end of a branch having a low label value, and a bright color as the label value increases. FIG. 7 is a three-dimensional image of a blood vessel divided according to a division, and by cutting off the root region, the tree is divided into a plurality of regions so that the pulmonary artery and the pulmonary vein can be distinguished.

이하 본 개시의 다양한 실시 형태에 대하여 설명한다.Various embodiments of the present disclosure will be described below.

(1) 트리는 가중치 기반 EMST 기법에 의해 형성되는 것을 특징으로 하는 폐동맥과 폐정맥을 구분하는 방법.(1) The tree is formed by a weight-based EMST technique.

(2) 트리는, 폐 혈관 집합 P _V 내의 점들을 가지 e(u,v)(여기서, u, v는 P _V 내의 점)로 연결함으로써 형성되며, 가지 e(u,v)의 가중치는 w _e = w _v /||u-v||(여기서, w _v 는 v의 상기 가중치 정보)로 계산되는 것을 특징으로 하는 폐동맥과 폐정맥을 구분하는 방법.(2) tree has points e (u, v) in the pulmonary vascular set P _V , where u, v are P _V , And the weight of the branch e (u, v) is w _e = w _v / || wherein uv ((where w _v is the weight information of v).

(3) 상기 가중치 정보 w는 w = w ₁ x w ₂로 계산하며, w ₁은 인텐시티 가중치로서 (i - i _min) / (i _max - i _min)로 정의되고(i _max = max{I(v _i )} 및 i _min = min{I(v _i )} 임), w ₂는 국부 형상 가중치인 것을 특징으로 하는 폐동맥과 폐정맥을 구분하는 방법.(3) The weight information w is w = w ₁ x w ₂ , and w ₁ is an intensity weight ( i - i _min ) / ( i _max - i _min ), where i _max = max {I ( v _i )} and i _min = min {I ( v _i )} and w ₂ is a local shape weight. How to.

(4) 다른 혈관들 사이에 위치하는 점들에 대해 상대적으로 낮은 국부 형상 가중치가 부여되는 것을 특징으로 하는 폐동맥과 폐정맥을 구분하는 방법.(4) a relatively low local shape weight is given to points located between other blood vessels.

(5) 폐 혈관 집합 P _V 는 {v(c)}로 주어지며, v(c)는 c의 중심 좌표와 상기 가중치 정보 w로 이루어진 벡터로서, v = (x, y, z, w) ^T =(v _p ^T , w) ^T , where v _p = (x, y, z) ^T = ((c _i -0.5)d _x , (c _j -0.5)d _y , (c _k -0.5)d _z ) ^T 로 정의되는 것을 특징으로 하는 폐동맥과 폐정맥을 구분하는 방법.5 is given by a closed vessel set P _V is {v (c)}, v (c) is a vector consisting of the coordinates and the weight information w of c, v = (x, y , z, w) T _{^{= (v p T, w)}} T, where v p = (x, y, z) T = ((c i -0.5) d x, ( c _j -0.5) d _y , ( c _k -0.5) d _z ) ^T. A method for distinguishing a pulmonary vein from a pulmonary vein.

(6) 트리를 복수의 영역으로 분리하는 과정은 가지의 끝(Leaf Edge)로부터 뿌리로 갈수록 레이블 값이 커지도록 부여한 다음, 레이블 값이 큰 가지를 제거함으로써 이루어지는 것을 특징으로 하는 폐동맥과 폐정맥을 구분하는 방법.(6) The process of separating the tree into a plurality of regions is performed by giving the label value to be increased from the end of the branch (Leaf Edge) to the root, and then removing the branch having a large label value. How to.

(7) 트리를 형성하는 단계는 가중치 기반 Delaunay 삼각화를 행한 후, Dijkstra 알고리즘을 적용하는 과정을 포함하는 것을 특징으로 하는 폐동맥과 폐정맥을 구분하는 방법.(7) the step of forming the tree comprises applying a Dijkstra algorithm after weight-based Delaunay triangulation; and separating the pulmonary artery and the pulmonary vein.

본 개시에 따른 하나의 폐동맥과 폐정맥을 구분하는 방법에 의하면, 폐동맥과 폐정맥을 구분하여 볼 수 있게 된다.According to the method of distinguishing one pulmonary artery from the pulmonary vein according to the present disclosure, the pulmonary artery and the pulmonary vein can be distinguished from each other.

또한 본 개시에 따른 다른 하나의 폐동맥과 폐정맥을 구분하는 방법에 의하면, CT와 같은 비조형(non-contrast) 의료 영상에 있어서도 폐동맥과 폐정맥을 구분하여 볼 수 있게 된다.
Also, according to the method of distinguishing the pulmonary vein from the other pulmonary artery according to the present disclosure, it is possible to distinguish the pulmonary artery and the pulmonary vein from the non-contrast medical image such as CT.

R: 뿌리 영역R: root area

Claims

In a method for distinguishing a pulmonary artery from a pulmonary vein,
Forming a pulmonary vascular set for points corresponding to the pulmonary veins including the pulmonary artery and the pulmonary vein, wherein each of the points of the pulmonary vein collection has weight information including an intensity weight and a local shape weight, ;
Forming a tree from the points of the pulmonary blood vessel set using the weight information; And,
And separating the pulmonary artery and the pulmonary vein by separating the tree into a plurality of regions.

The method according to claim 1,
Wherein the tree is formed by a weight-based EMST technique.

The method according to claim 2,
The tree has points e (u, v) in the pulmonary vascular set P _V (where u, v are P _V , And the weight of the branch e (u, v) is w _e = w _v / || wherein uv ((where w _v is the weight information of v).

The method according to claim 1,
The weight information w is expressed by w = w ₁ x w ₂ , and w ₁ is an intensity weight ( i - i _min ) / ( i _max - i _min ), where i _max = max {I ( v _i )} and i _min = min {I ( v _i )} and w ₂ is a local shape weight. How to.

The method of claim 4,
Wherein a relatively low local shape weight is given to points located between other blood vessels.

The method of claim 4,
Given by a closed vessel set P _V is {v (c)}, v (c) is a vector consisting of the coordinates and the weight information w of c, v = (x, y , z, w) T = (v _{^{^{p T, w) T, where}}} v p = (x, y, z) T = ((c i -0.5) d x, ( c _j -0.5) d _y , ( c _k -0.5) d _z ) ^T. A method for distinguishing a pulmonary vein from a pulmonary vein.

The method according to claim 1,
The method of separating a tree into a plurality of regions is characterized in that the label value is increased from the leaf edge to the root and then the label value is removed.

The method of claim 2,
Wherein the step of forming the tree comprises applying a Dijkstra algorithm after weight-based Delaunay triangulation.

The method according to claim 1,
Given by a closed vessel set P _V is {v (c)}, v (c) is a vector consisting of the coordinates and the weight information w of c, v = (x, y , z, w) T = (v _{^{^{p T, w) T, where}}} v p = (x, y, z) T = ((c i -0.5) d x, ( c _j -0.5) d _y , ( c _k -0.5) d _z ) ^T ,
The weight information w is expressed by w = w ₁ x w ₂ , and w ₁ is an intensity weight ( i - i _min ) / ( i _max - i _min ) where i _max = max {I ( v _i )} and i _min = min {I ( v _i )}, w ₂ is a local shape weight,
The tree has points e (u, v) in the pulmonary vascular set P _V (where u, v are P _V , And the weight of the branch e (u, v) is w _e = w _v / || wherein uv ((where w _v is the weight information of v).

The method of claim 9,
Wherein the step of forming the tree comprises applying a Dijkstra algorithm after weight-based Delaunay triangulation.