CN111968070A - 一种基于三维建模的血管检测方法及装置 - Google Patents
一种基于三维建模的血管检测方法及装置 Download PDFInfo
- Publication number
- CN111968070A CN111968070A CN202010322538.XA CN202010322538A CN111968070A CN 111968070 A CN111968070 A CN 111968070A CN 202010322538 A CN202010322538 A CN 202010322538A CN 111968070 A CN111968070 A CN 111968070A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- dimensional image
- dimensional
- calcified plaque
- vessel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 456
- 238000001514 detection method Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 claims description 57
- 238000012549 training Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000013135 deep learning Methods 0.000 claims description 22
- 210000000702 aorta abdominal Anatomy 0.000 claims description 16
- 210000001367 artery Anatomy 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000003321 amplification Effects 0.000 claims description 13
- 210000003090 iliac artery Anatomy 0.000 claims description 13
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 13
- 210000000709 aorta Anatomy 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000005452 bending Methods 0.000 claims description 7
- 210000002376 aorta thoracic Anatomy 0.000 claims description 6
- 210000000988 bone and bone Anatomy 0.000 claims description 6
- 230000002087 whitening effect Effects 0.000 claims description 5
- 210000001015 abdomen Anatomy 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 11
- 238000010276 construction Methods 0.000 abstract description 4
- 238000012800 visualization Methods 0.000 abstract description 4
- 230000011218 segmentation Effects 0.000 description 53
- 238000005259 measurement Methods 0.000 description 33
- 238000010586 diagram Methods 0.000 description 28
- 208000002223 abdominal aortic aneurysm Diseases 0.000 description 23
- 208000007474 aortic aneurysm Diseases 0.000 description 23
- 230000008569 process Effects 0.000 description 23
- 238000005457 optimization Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000002308 calcification Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 208000031481 Pathologic Constriction Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 210000002565 arteriole Anatomy 0.000 description 2
- 210000001715 carotid artery Anatomy 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 208000037804 stenosis Diseases 0.000 description 2
- 230000036262 stenosis Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 210000003270 subclavian artery Anatomy 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本申请的实施例提供了一种基于三维建模的血管检测方法及装置。该基于三维建模的血管检测方法包括:将包含血管的医学影像输入三维重建模型中,在检测到血管上存在钙化斑块时,输出包含血管和钙化斑块的三维图像;扫描三维图像得到血管中的种子点和端点;基于种子点和端点,拟合得到血管的中心线;最后以中心线为基准对血管和/或钙化斑块进行检测,以得到血管的各种医学参数。本实施例通过三维重建模型重建得到完整清晰的血管和钙化斑块的三维图像,并提取到准确、全面的种子点,生成各血管中光滑的中心线,以基于中心线对血管和/或钙化斑块进行检测,增强了血管模型构建和血管检测的可视化效果,提高了血管和钙化斑块检测的精确性。
Description
技术领域
本申请涉及医学影像技术领域,具体而言,涉及一种基于三维建模的血管检测方法及装置。
背景技术
在很多血管检测过程中,一般通过语义分割来处理血管,在医学影像的语义分割中,基本上都是基于2D的影像,少部分是基于3D的影像。目前,针对人体各主动脉的分割任务较少,且分割的效果不好。并且,原始的医学影像包含血管和其他组织器官,甚至存在一些钙化斑块,这些情况都将导致血管检测的精确性较低的问题。
发明内容
本申请的实施例提供了一种基于三维建模的血管检测方法及装置,进而至少在一定程度上可以增强血管模型构建和血管检测的可视化效果,提高血管检测的精确性。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供了一种基于三维建模的血管检测方法,包括:将包含血管的医学影像输入三维重建模型中,在检测到所述血管上存在钙化斑块时,输出包含所述血管和所述钙化斑块的三维图像,其中,所述三维重建模型为基于血管的医学影像样本以及所述医学影像样本对应的标注信息通过深度学习训练得到;扫描所述三维图像,得到所述血管中的种子点和端点;基于所述种子点和所述端点,拟合得到所述血管的中心线;以所述中心线为基准对所述血管和/或所述钙化斑块进行检测。
根据本申请实施例的一个方面,提供了一种基于三维建模的血管检测装置,包括:输入单元,用于将包含血管的医学影像输入三维重建模型中,在检测到所述血管上存在钙化斑块时,输出包含所述血管和所述钙化斑块的三维图像,其中,所述三维重建模型为基于血管的医学影像样本以及所述医学影像样本对应的标注信息通过深度学习训练得到;扫描单元,用于扫描所述三维图像,得到所述血管中的种子点和端点;拟合单元,用于基于所述种子点和所述端点,拟合得到所述血管的中心线;检测单元,用于以所述中心线为基准对所述血管和/或所述钙化斑块进行检测。
在本申请的一些实施例中,基于前述方案,所述输入单元包括:第一输入单元,用于将包含血管的医学影像输入三维重建模型中,得到血管初步三维图像,识别并去除所述血管初步三维图像中分布在所述血管之外、且与所述血管不连通的像素点,得到血管三维图像;第一生成单元,用于在检测到所述血管上存在钙化斑块时,生成斑块初步三维图像;合并单元,用于将所述血管三维图像和所述斑块初步三维图像进行合并,得到合并图像;第一识别单元,用于识别并去除所述合并图像中分布在所述血管之外、且与所述血管不连通的像素点,得到所述三维图像。
在本申请的一些实施例中,基于前述方案,所述输入单元包括:第二输入单元,用于将包含血管的医学影像输入三维重建模型中,在检测到所述血管上存在钙化斑块时,输出包含所述血管和钙化斑块的初步三维图像;去除单元,用于去除所述初步三维图像中分布在所述血管之外、且与所述血管不连通的像素点,得到所述三维图像。
在本申请的一些实施例中,基于前述方案,所述去除单元包括:第二识别单元,用于识别所述初步三维图像中的血管区域,得到血管区域对应的最大连通区域;二值化单元,用于对所述初步三维图像进行二值化,得到二值矩阵,所述三维图像中的血管区域和钙化斑块区域在所述二值矩阵中对应的值为1,所述三维图像中的其余区域在所述二值矩阵中对应的值为0;乘积单元,用于基于所述最大连通区域对应的矩阵与所述二值矩阵之间的乘积,得到所述三维图像。
在本申请的一些实施例中,基于前述方案,所述基于三维建模的血管检测装置还包括:第一获取单元,用于获取所述医学影像样本;预处理单元,用于对所述医学影像样本进行预处理,得到训练图像;其中,所述预处理包括以下至少一种:基于各向同性对所述医学影像样本在三个坐标维度上分别进行插值、对所述医学影像样本进行白化、对所述医学影像样本进行数据扩增、对目标区域进行重复采样;其中,所述目标区域包括设定的采样点、直径小于预设直径的血管区域;所述数据扩增包括以下至少一种:对所述医学影像样本进行平移、旋转、镜像、亮度调整、缩放以及裁剪;训练单元,用于基于所述训练图像及其对应的标注信息进行深度学习训练,得到所述三维重建模型。
在本申请的一些实施例中,基于前述方案,所述扫描单元包括:第一扫描单元,用于根据医学影像对应的身体部位,对所述三维图像从z轴平面顶部向下扫描,得到所述身体部位中各动脉在水平方向上的血管截面;种子单元,用于求取各血管截面的质心,作为所述种子点;位置单元,用于根据所述血管的位置和扫描得到的血管截面数量,确定所述血管中目标点的位置;端点单元,用于将所述目标点的位置处对应的血管截面中的质心作为所述血管的端点。
在本申请的一些实施例中,基于前述方案,所述身体部位为腹部;所述第一扫描单元包括:第二扫描单元,用于基于所述三维图像的z轴平面顶部向下水平扫描;第三识别单元,用于当扫描到水平方向上的两个血管截面时,识别其中面积较大的血管截面对应的血管为腹主动脉中的升主动脉,面积较小的血管截面对应的血管为所述腹主动脉中的降主动脉;第四识别单元,用于若已扫描区域占所述三维图像中的比例等于预设比例,且在扫描得到两个血管截面且未出现第三个血管截面时,将所述两个血管截面对应的血管分别识别为左髂动脉和右髂动脉。
在本申请的一些实施例中,基于前述方案,所述拟合单元包括:计算单元,用于根据所述种子点和所述端点在所述三维图像中的位置,计算各血管中的种子点与所述血管的端点之间的最短路径;第一拟合单元,用于对所述最短路径进行拟合,得到所述中心线。
在本申请的一些实施例中,基于前述方案,所述第一拟合单元包括:第二拟合单元,用于对所述最短路径进行拟合,得到初版中心线;提取单元,用于若检测到在所述血管弯曲处所述初版中心线贴血管壁,则在所述初版中心线上任取一个目标点,提取过所述目标点且垂直于所述初版中心线的血管截面;更新单元,用于基于所述目标点对应的血管截面的质心,更新所述初版中心线,得到所述中心线。
在本申请的一些实施例中,基于前述方案,所述基于三维建模的血管检测装置还包括:第二获取单元,用于获取用户触发的中心线移动指令,所述中心线移动指令包括所述中心线上的目标点以及移动的目标位置;调整单元,用于调整所述目标点处对应的中心线至所述目标位置。
在本申请的一些实施例中,基于前述方案,所述检测单元包括:以下至少一项:第一检测单元,用于基于所述中心线确定所述血管截面的中点,以所述中点为圆心,确定所述血管截面的最小内接圆的直径为所述血管在所述血管截面处的最大径,确定所述血管截面的最大内切圆的直径为所述血管在所述血管截面处的最小径;第二检测单元,用于基于所述中心线上任意两点在血管中的位置,测量得到所述任意两点对应的血管长度;第三检测单元,用于基于所述中心线上任意两点、所述血管内腔上的点分别在血管中的位置,测量得到所述血管内腔上的点所在位置处的血管弯曲角度;第四检测单元,用于根据所述中心线,测量所述三维模型中所述钙化斑块的参数,所述参数包括所述钙化斑块的长度、面积、体积、厚度、硬度以及所述钙化斑块在血管壁上的位置中的至少一个。
在本申请的一些实施例中,基于前述方案,所述基于三维建模的血管检测装置还包括:衍生单元,用于基于所述三维图像生成衍生图像,所述衍生图像包括:所述三维图像对应的骨性标识图、至少两个视角对应的视图以及根据基于所述三维图像的截面生成的梯度图;报告单元,用于根据所述医学影像对应的用户的身份信息、所述衍生图像以及检测到的所述血管和/或所述钙化斑块的参数,生成检测报告。
在本申请的一些实施例中,基于前述方案,所述基于三维建模的血管检测装置还包括:三维血管单元,用于将包含血管的医学影像输入三维重建模型中,输出包含所述血管的三维图像;血管扫描单元,用于扫描所述三维图像,得到所述血管中的种子点和端点;血管拟合单元,用于基于所述种子点和所述端点,拟合得到所述血管的中心线;血管检测单元,用于以所述中心线为基准对所述血管进行检测。
根据本申请实施例的一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例中所述的基于三维建模的血管检测方法。
根据本申请实施例的一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中所述的基于三维建模的血管检测方法。
在本申请的一些实施例所提供的技术方案中,通过三维重建模型重建得到完整清晰的血管和钙化斑块的三维图像,并提取到准确、全面的种子点,生成各血管中光滑的中心线,以基于中心线对血管进行检测,增强了血管模型构建和血管检测的可视化效果,提高了血管和钙化斑块检测的精确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图;
图2示意性示出了根据本申请的一个实施例的基于三维建模的血管检测方法的流程图;
图3示意性示出了根据本申请的一个实施例的基于深度学习进行训练的示意图;
图4示意性示出了根据本申请的一个实施例的腹主动脉瘤血管和钙化斑块的分割示意图;
图5示意性示出了根据本申请的一个实施例的一种三维图像的优化示意图;
图6示意性示出了根据本申请的一个实施例的腹主动脉瘤血管分割的示意图;
图7示意性示出了根据本申请的一个实施例的腹主动脉瘤血管分割优化的示意图;
图8示意性示出了根据本申请的一个实施例的腹主动脉瘤钙化斑块分割的示意图;
图9示意性示出了根据本申请的一个实施例的腹主动脉瘤钙化斑块分割优化的示意图;
图10示意性示出了根据本申请的一个实施例的腹主动脉的血管位置的示意图;
图11示意性示出了根据本申请的一个实施例的骨性标志与分割结果和中心线的示意图;
图12示意性示出了根据本申请的一个实施例的一种三维视图的示意图;
图13示意性示出了根据本申请的一个实施例的一种长度测量的示意图;
图14示意性示出了根据本申请的一个实施例的一种角度测量的示意图;
图15示意性示出了根据本申请的一个实施例的一种角度测量的示意图;
图16示意性示出了根据本申请的一个实施例的直径测量的示意图;
图17示意性示出了根据本申请的一个实施例的边缘信息的梯度图的示意图;
图18示意性示出了根据本申请的一个实施例的基于三维重建的血管检测的示意图;
图19示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。
如图1所示,系统架构可以包括影像采集装置101、网络102、服务器103以及终端设备104。其中,本实施例中采集装置101用于采集血管的医学影像装置,可以为电子计算机断层扫描(Computed Tomography,CT)设备、核磁共振成像(Magnetic Resonance Imaging,MRI)设备等,此处不做限定;本实施例中的网络104用以在终端设备和服务器103之间提供通信链路的介质,可以包括各种连接类型,例如有线通信链路、无线通信链路,或者蓝牙、5G网络等,此处不做限定,用于传输采集到的医学影像至血管检测装置;本实施例中终端设备104可以为智能手机、平板电脑和便携式计算机104中的一种或多种,当然也可以是台式计算机等等,此处不做限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。比如服务器103可以是多个服务器组成的服务器集群等。
需要说明的是,本实施例中服务器103可以与终端设备104具有相同的功能,即将包含血管的医学影像输入到三维重建模型中,其中,三维重建模型为基于血管的医学影像样本以及医学影像样本对应的标注信息通过深度学习训练得到,以在检测到血管上存在钙化斑块时,输出包含血管和钙化斑块的三维图像;通过扫描三维图像,得到血管中的种子点和端点;基于种子点和端点,拟合得到血管的中心线;最后以中心线为基准对血管和/或钙化斑块进行检测,以得到血管的各种医学参数。本实施例通过三维重建模型重建得到完整清晰的血管三维图像,并提取到准确、全面的种子点和端点,生成各血管中光滑的中心线,以基于中心线对血管进行检测,增强了血管模型构建和血管检测的可视化效果,提高了血管和钙化斑块检测的精确性。
需要说明的是,本申请实施例所提供的基于三维建模的血管检测方法一般由服务器103执行,相应地,基于三维建模的血管检测装置一般设置于服务器103中。但是,在本申请的其它实施例中,终端设备也可以与服务器具有相似的功能,从而执行本申请实施例所提供的基于三维建模的血管检测方法。
以下对本申请实施例的技术方案的实现细节进行详细阐述:
图2示出了根据本申请的一个实施例的基于三维建模的血管检测方法的流程图,该基于三维建模的血管检测方法可以由服务器或终端设备来执行。参照图2所示,该基于三维建模的血管检测方法至少包括步骤S210至步骤S240,详细介绍如下:
在步骤S210中,将包含血管的医学影像输入三维重建模型中,在检测到血管上存在钙化斑块时,输出包含血管和钙化斑块的三维图像,其中,三维重建模型为基于血管的医学影像样本以及医学影像样本对应的标注信息通过深度学习训练得到。
在本申请的一个实施例中,在对三维图像进行重建之前,先获取血管的医学影像样本;对血管的医学影像样本进行预处理,得到训练图像;通过深度学习的方法对训练图像以及医学影像样本对应的标注信息进行训练,得到三维重建模型,该三维重建模型用于对医学影像进行重建,得到其对应的三维图像。具体的,本实施例中对医学影像样本进行预处理可以包括差值、白化处理、数据扩增以及对一些特殊区域的重复采样。具体说明如下:
在插值处理中,采用BSpline等插值算法对CT、MRI等进行插值,以达到3个维度各上采样的效果。上采样后的CT、MRI等能提高分辨率,对深度学习在训练时更注意细节,及帮助人工标注的修改。在各向同性过程中,插值到各坐标轴的x,y和z的间隔spacing相同,插值后的间隔为:spacing=max_spacing(x,y,z)/2。本实施例中通过调整各向同性,帮助人工与深度学习算法理解贴近实际情况。在白化处理的过程中,由于在实际应用中各家医院采用不同的医学影像设备,造成同一个深度学习模型有较大的分割结果差异。本实施例将原始的医学影像等进行白化,增加深度学习模型的鲁棒性,示例性的,将CT值在-2048~3000HU区间的进行线性映射到[0,1]区间中。
在对原始的医学影像数据进行扩增的处理中,由于医学影像数据的样本数较少,在深度学习训练时需要人为增加数据样本以改进分割结果的鲁棒性。相较于现有的技术采用简单复制样本的方法来扩增数据样本,本实施例中基于医学影像的特征,对重点区域进行扩增,以保证模型训练的效果。具体的,本实施例中通过如下方式进行数据扩增:
1)、数据扩增:图像平移、旋转、镜像、亮度变化和缩放等数据扩增的方法来改进分割结果,尤其是增加一个服从正态分布噪声的数据扩增方法改进分割效果明显;
2)、增加采样点:继续插值提高医学影像数据的分辨率,骨架化操作后增加训练的采样点。骨架化操作指的是,针对血管提取主要的点集概括血管形态。该操作理解为:提高分辨率导致视野变大,采用同样大小的点概括血管形态时,该点集需要更多的元素。
3)、目标区域的重复采样:本实施例中目标区域包括设定的采样点、直径小于预设直径的血管区域,例如在腹主动脉中,目标区域包括大的主动脉和小的动脉,动脉的大小差异比较大。针对小动脉重复采样,以帮助深度学习算法更关注小动脉的学习。
4)、裁剪图像分册subVolume:裁剪一个subvolume进行训练,该subvolume的中心为血管上的采样点。值得注意的是:在实际训练中,都是以subVolume进行训练。一方面,医学影像数据一般都很大,例如512*512*800左右,只将整个医学影像数据丢进深度神经网络中训练会造成内存溢出。另一方面,subVolume可以理解为包含血管特征的样本,一个医学影像数据可以裁剪出很多个subVolume,即物理上的数据扩增。在深度学习的3D分割中,对原始的医学影像数据根据采样点裁剪一个小的subVolume,有针对性的对血管训练以得到具有鲁棒性的分割模型。
需要说明的是,本实施例中的图像预处理和数据扩增之间分先后,且两者的共同操作对最终的分割结果并无影响,此处对该部分的执行顺序不做限定。
图3为本申请实施例提供的基于深度学习进行训练的示意图。
如图3所示,本实施例中先将原始的医学影像样本310输入深度神经网络320中,得到神经网络预测结果330:再把预测结果330和人工标注340做比较,反馈给深度神经网络;最后,基于比较结果更新深度神经网络360,使其朝着减少预测误差的方向演化。本实施例中通过使用大量数据,成千上万次的重复上述迭代过程,最终预测结果会和人工标准接近。
需要说明的是,本申请实施例中的深度神经网络320可以是基于U型网络构建,也可以是其它的网络结构,例如生成式对抗网络(GAN,GenerativeAdversarial Networks)等,此处不做限定。
进一步的,在基于训练得到的分割网络得到分割结果之后,可以通过交并比作为分割结果性能的对比统计分析指标:
dice=2×(A∩B)/(A+B)
其中,A为分割结果的像素体积,B为人工标注结果的像素体积。本实施例中的分割结果统计中,交并比dice高达98.5%。
在本申请的一个实施例中,在将包含血管的医学影像输入三维重建模型中,以对医学影像进行分割和重建,得到只包含血管或者钙化斑块的图像,并基于医学影像中的图像位置,得到血管的三维图像。
在训练得到三维重建模型之后,将医学影像输入三维重建模型中。在实际的医学数据中,很多年纪较大的人在血管检查时,会出现钙化斑块的情况。考虑到这种情况,本实施例中将医学影像输入三维重建模型时,在检测到血管上存在钙化斑块时,可以直接输出包含血管和钙化斑块的初步三维图像,以针对血管和钙化斑块进行处理。
图4为本申请实施例提供的一种腹主动脉瘤血管和钙化斑块的分割示意图。
如图4所示,本实施例中医学影像对应的区域为人体的腹主动脉,将包含腹主动脉瘤血管和钙化斑块的人工标注结果与原始的医学影像410作为腹主动脉瘤三维重建的深度学习算法模型的输入。模型的输出为与原始医学影像数据大小的概率图420,其中具体包括P1(背景430)、P2(血管440)和P3(钙化斑块450)。对概率图P1、P2和P3做平均最大值argmax操作,得到最终腹主动脉瘤分割结果R,R的尺寸与概率图相同。
需要说明的是,本申请实施例中的腹主动脉瘤三维重建的深度学习算法可以是基于U型网络构建,也可以是其它的网络结构,例如生成式对抗网络(GAN,GenerativeAdversarial Networks)等,此处不做限定。
上述步骤S210中将包含血管的医学影像输入三维重建模型中,在检测到血管上存在钙化斑块时,输出包含血管和钙化斑块的三维图像的过程,具体包括如下步骤:
将包含血管的医学影像输入三维重建模型中,在检测到血管上存在钙化斑块时,输出包含血管和钙化斑块的初步三维图像;
去除初步三维图像中分布在血管之外、且与血管不连通的像素点,得到三维图像。
在本申请的一个实施例中,将包含血管的医学影像输入三维重建模型中,在检测到血管上存在钙化斑块时,输出包含血管和钙化斑块的初步三维图像。在得到初步三维图像之后,初步三维图像中包括了所有的主动脉、钙化斑块,其中可能存在所扫描区域中一些零碎的血管部分或者钙化斑块部分。考虑到这种情况,本实施例中识别出主动脉对应的连通域之外的其余部分作为背景像素点,将背景像素点进行滤除,得到清楚的三维图像。
进一步的,在本申请的一个实施例中,上述步骤中,去除初步三维图像中分布在血管之外、且与血管不连通的像素点,得到三维图像的过程,包括如下步骤:
识别初步三维图像中的血管区域,得到血管区域对应的最大连通区域;
对初步三维图像进行二值化,得到二值矩阵,三维图像中的血管区域和钙化斑块区域在二值矩阵中对应的值为1,三维图像中的其余区域在二值矩阵中对应的值为0;
基于最大连通区域对应的矩阵与二值矩阵之间的乘积,得到三维图像。
具体的,本实施例先识别初步三维图像中的连通的血管区域,作为最大连通区域,并将最大连通区域和钙化斑块区域在二值矩阵中的数值作为1,同时将三维图像中的其余区域对应的值设定为0。之后,将最大连通区域对应的矩阵与二值矩阵之间进行相乘,得到去除干扰的三维图像。在该三维图像中,去除了初步三维图像中分布在血管之外、且与血管不连通的像素点,减少了三维图像识别和检测过程中的干扰因素。
图5为本申请实施例提供的一种三维图像的优化示意图。
如图5所示,本实施例中医学影像对应的区域为人体的腹主动脉,针对深度学习得到的分割结果,即初步三维图像510,其中包括血管520、钙化斑块530以及背景540,去除其中的背景像素点的优化操作如下:初步三维图像二值化:将非0元素(血管和钙化分割的结果)置为1,元素0(背景)保留,得到二值矩阵D;最大联通区域处理:将血管主动脉和钙化区域作为最大连通区域mask,以筛除非最大联通区域;血管和钙化分割结果提纯:矩阵相乘mask*D,得到三维图像550,其中包括血管以及血管上的钙化斑块。
本实施例中通过对初步三维图像进行优化,滤除其中的背景杂质,得到清晰的动脉及其上的钙化斑块的图像,避免了后期扫描过程中背景对扫描效果的影响,间接提高了扫描检测的准确率。
需要说明的是,本实施例中在对血管进行分割和背景优化的过程中,可以对血管和钙化斑块同时进行并行处理(如上述方法),也可以将血管和钙化斑块分开进行串行处理(如下)。两种处理方式对计算机设备的设备参数要求不同,但最后具有相同的处理效果,此处可以基于计算机设备的性能做以选择,本次不做限定。
上述步骤S210中将包含血管的医学影像输入三维重建模型中,在检测到血管上存在钙化斑块时,输出包含血管和钙化斑块的三维图像的过程,具体包括如下步骤:
将包含血管的医学影像输入三维重建模型中,得到血管初步三维图像,识别并去除血管初步三维图像中分布在血管之外、且与血管不连通的像素点,得到血管三维图像;
在检测到血管上存在钙化斑块时,生成斑块初步三维图像;
将血管三维图像和斑块初步三维图像进行合并,得到合并图像;
识别并去除合并图像中分布在血管之外、且与血管不连通的像素点,得到三维图像。
具体的,本实施例中先将医学影像输入三维重建模型中,得到血管初步三维图像,再通过上述方法去除血管初步三维图像中分布在血管之外、且与血管不连通的像素点,得到血管三维图像;与其串联的,在检测到血管上存在钙化斑块时,生成斑块初步三维图像;将血管三维图像和斑块初步三维图像进行合并,得到合并图像;最后将去除合并图像中分布在血管之外、且与血管不连通的像素点,得到三维图像。通过上述串联执行的方式,也可以达到与并联的方式同样的技术效果。
本次以腹主动脉作为代表示例,可以用于本实施例中的方法处理人体部位其它区域的血管影像。具体的串行处理过程分为4个步骤,如下步骤一至步骤四:
在步骤一中,进行腹主动脉瘤血管分割。图6为本申请实施例提供的腹主动脉瘤血管分割的示意图,如图6所示,本实施例中将腹主动脉瘤血管的人工标注结果610与原始的医学影像作为模型的输入,其中包括标注出来的血管区域620,模型的输出为与原始医学影像数据大小的概率图P(630)。对概率图P进行特定阈值的二值化,得到腹主动脉瘤血管的分割结果,其中包括血管区域640和背景区域650。
在步骤二中,进行腹主动脉瘤血管分割优化。图7为本申请实施例提供的腹主动脉瘤血管分割优化的示意图,如图7所示,针对深度学习得到的腹主动脉瘤血管分割结果710的优化,其中,710中包括血管区域720和背景区域730。错误的分割一般不与动脉血管相连,本实施例采用最大连通区域处理即可剔除错误分割,最终得到具有良好鲁棒性的分割结果,得到只包含血管区域750的血管三维图像。
在步骤三中,进行腹主动脉瘤钙化斑块分割。图8为本申请实施例提供的腹主动脉瘤钙化斑块分割的示意图,如8所示,将腹主动脉瘤钙化斑块的人工标注结果810与原始的医学影像作为模型的输入,其中,人工标注结果中只包含钙化区域820。模型的输出为与原始医学影像数据大小的概率图P(830)。对概率图P进行特定阈值的二值化,得到腹主动脉瘤钙化斑块的分割结果,其中包括钙化区域840以及背景区域850。
在步骤四中,进行腹主动脉瘤钙化斑块的分割优化。图9为本申请实施例提供的腹主动脉瘤钙化斑块分割优化的示意图,如9所示,针对钙化斑块的原始分割结果910和优化后的血管分割920结果进行融合,然后剔除一些错误的钙化斑块分割。钙化斑块的原始分割结果和优化后的血管分割结果的融合,采用两个图像相加的方式。融合后的结果930中,错误的钙化斑块分割一般不与动脉相连,采用最大连通区域处理即可剔除错误分割,最终得到具有良好鲁棒性的分割结果,其中只包括血管区域940和钙化区域950。
在步骤S220中,扫描三维图像,得到血管中的种子点和端点。
在本申请的一个实施例中,步骤扫描三维图像,得到血管中的种子点和端点的过程,包括步骤S2201~S2204:
在步骤S2201中,根据医学影像对应的身体部位,对三维图像从z轴平面顶部向下扫描,得到身体部位中各动脉在水平方向上的血管截面。
在本申请的一个实施例中,由于医学影像所扫描的对象不同,因此三维图像中包含的血管的形态和数目不同。本实施例在执行扫描的过程中,是基于医学影像对应的身体部位从z轴平面顶部向下扫描,以确定其在身体部位中对应的动脉类型,并基于动脉类型确定其在水平方向上的血管截面。
在本申请的一个实施例中,身体部位为腹部,其对应的血管为腹主动脉;上述步骤S2201中,根据医学影像对应的身体部位,对三维图像从z轴平面顶部向下扫描,得到身体部位中各动脉在水平方向上的血管截面的过程,包括:
基于三维图像的z轴平面顶部向下水平扫描;
当扫描到水平方向上的两个血管截面时,识别其中面积较大的血管截面对应的血管为腹主动脉中的升主动脉,面积较小的血管截面对应的血管为腹主动脉中的降主动脉;
若已扫描区域占三维图像中的比例等于预设比例,且在扫描得到两个血管截面且未出现第三个血管截面时,将两个血管截面对应的血管分别识别为左髂动脉和右髂动脉。
具体的,先对得到的三维图像进行二值化,将非1元素置为0,即背景和钙化分割的结果,将元素1对应的血管区域保留。从Z轴平面顶部开始往下扫描,当只有2个大的连通域且面积大于预设阈值时,记录面积较大者为升主动脉,面积较小的血管截面对应的血管为降主动脉,本次的预设阈值可以为降主动脉的面积极值,例如πcm2。继续向下扫描,当升主动脉即将消失时,在最后消失时向上截取预设数量的截面。当扫描位置完成90%且只有2个连通域,即识别当前扫描到的两个血管截面分别为左髂动脉和右髂动脉。
在步骤S2202中,求取各血管截面的质心,作为种子点。
在本申请的一个实施例中,在获取到目标位置处的血管截面之后,通过求取血管截面的质心,作为该出血管的种子点。本实施例中的能自动的提取种子点,具有较高的鲁棒性和全面性。
具体的,本实施例中的血管截面的质心可以视为血管截面的中心点。
可选的,本实施中的种子点的数目可以为1个,以基于该种子点来确定中心线的初始位置。示例性的,在腹主动脉中,种子点位于升主动脉起始处,髂动脉上的两个截面的质心是常见的2个端点。
在步骤S2203中,根据血管的位置和扫描得到的血管截面数量,确定血管中目标点的位置。
在本申请的一个实施例中,目标点用于表示具有医学特征代表的血管位置,例如动脉中的端点位置。本实施例中通过根据扫描得到的血管位置和血管截面的数量,来确定这些目标点的位置。
图10为本申请实施例提供的一种腹主动脉的血管位置的示意图。
如图10所示,当扫描位置完成90%且只有2个连通域,即左、右髂动脉时,在1010的扫描位置处,继续向下扫描当即将出现超过3个连通域时,截取只有两个连通域的截面1010,此处为该处左、右髂动脉的端点位置1020和1030,即目标点。示例性的,在弓上三分支远端,图10顶部从右往左,可以得到左锁骨下动脉1040、左颈动脉1050、右颈动脉1060和右锁骨下动脉1070的中心线端点,此处不做赘述。
在步骤S2204中,将目标点的位置处对应的血管截面中的质心作为血管的端点。
在得到目标点的位置之后,将将目标点的位置处对应的血管截面中的质心作为血管的端点。本实施例中血管的端点用于在拟合血管中心线的过程中,作为每一段血管的中心线端点。
在步骤S230中,基于种子点和端点,拟合得到血管的中心线。
在本申请的一个实施例中,步骤S230中基于种子点和端点,拟合得到血管的中心线的过程,包括步骤S2301和步骤S2302:
在步骤S2301中,根据种子点和端点在三维图像中的位置,计算各血管中的种子点与血管的端点之间的最短路径。
在本申请的一个实施例中,根据提取的种子点和各中心线的端点,提取中心线问题可以退化成两点间的最短路径问题,依次跟各中心线端点,求出从种子点到该端点的最短路径。可选的,本实施例中确定最短路径的方法可以用动态规划方法、迪杰斯特拉方法等,此处不做限定。
在步骤S2302中,对最短路径进行拟合,得到中心线。
在本申请的一个实施例中,基于动态规划得到的中心线集合为初版中心线,在实际应用中在血管弯曲等处容易出现中心线贴着血管壁行走的现象,考虑到这一问题,本实施例中进行中心线优化。具体的,由于初版中心线行走的方向与实际中心线比较吻合,因此在初版中心线上任取一个点,提取该该点垂直初版中心线的截面,求该截面血管的质心作为优化后的中心线上的点;同理迭代完成初版中心线上所有点的更新;迭代更新完所有初版中心线上所有的点,可以得到贴近实际的中心线。
本实施例技术方案能自动的生成中心线,生成的中心线包含所有血管,中心线符合实际情况且光滑。
在本申请的一个实施例中,由于在很多情况下,拟合得到中心线可能存在偏差,因此在步骤S2302中对最短路径进行拟合,得到中心线的过程,包括如下步骤:
对最短路径进行拟合,得到初版中心线;
若检测到在血管弯曲处初版中心线贴血管壁,则在初版中心线上任取一个目标点,提取过目标点且垂直于初版中心线的血管截面;
基于目标点对应的血管截面的质心,更新初版中心线,得到中心线。
具体的,本实施例中通过基于最短路径的方式进行拟合得到初版中心线之后,若存在血管弯曲处初版中心线贴血管壁,则在初版中心线上任取一个目标点,提取过目标点且垂直于初版中心线的血管截面;基于目标点对应的血管截面的质心,调整或更新初版中心线,得到中心线。通过上述方法对中心线进行偏心优化调整,可以提高中心线的准确率,进而提高血管检测的精确性。
除此之外,在得到中心线之后,用户还可以主动对其进行修改或调整。以使得终端通过获取用户触发的中心线移动指令,中心线移动指令包括中心线上的目标点以及移动的目标位置;调整目标点处对应的中心线至目标位置。通过这种方式可以发挥用户的主观观察和修改能力,提高生成中心线过程的人性化。
在步骤S240中,以中心线为基准对血管和/或钙化斑块进行检测。
在本申请的一个实施例中,在确定中心线之后,以中心线为基准对血管和/或钙化斑块进行检测,本实施例中对血管进行检测可以包括测量血管的参数和钙化斑块的参数。本实施例基于3D测量,能提供多角度、全方位的观察视角,能提供良好的交互体验。
在本申请的一个实施例中,测量血管的参数和钙化斑块的参数中,包括以下至少一项:
基于中心线确定血管截面的中点,以中点为圆心,确定血管截面的最小内接圆的直径为血管在血管截面处的最大径,确定血管截面的最大内切圆的直径为血管在血管截面处的最小径;
基于中心线上任意两点在血管中的位置,测量得到任意两点对应的血管长度;
基于中心线上任意两点、血管内腔上的点分别在血管中的位置,测量得到血管内腔上的点所在位置处的血管弯曲角度;
根据中心线,测量三维模型中钙化斑块的参数,参数包括钙化斑块的长度、面积、体积、厚度、硬度以及钙化斑块在血管壁上的位置中的至少一个。
图11为本申请实施例提供的一种骨性标志与分割结果和中心线的示意图。
如图11所示,在本申请的一个实施例中,三维图像及其中的中心线等信息可以在终端中显示出来,其中可以包括血管1110、骨骼1120以及血管的中心线1130(中心线在图11中显示较细)。本实施例中可以通过终端中的应用程序显示,或者基于Web的形式显示,通过这种方式,用户可以直接在终端界面上进行操作,提高测量的交互性、人性化,进而提高检测的精确性。
需要说明的是,本实施例技术方案是基于Web的,不局限于操作系统。
在本申请的一个实施例中,若用户根据临床经验需要微调中心线的,可在Web上拖动中心线上的点手动调整;调整后的中心线能实时对中心线三维显示;
在本申请的一个实施例中,图12为本申请实施例提供的一种三维视图的示意图。如图12所示,可以通过三维视图的方式,获取三维图像对应的矢状图、冠状图以及轴向图,以跟更加清楚的显示三维重建中血管和钙化斑块的分布。
在本申请的一个实施例中,在进行测量时,选择预设的测量方式时,用户根据临床经验可在选中的中心线上任意选点测量。预设的测量方式包括:长度、角度、最大径、最小径和等效直径测量等,此处不做限定。
示例性的,图13为本申请实施例提供的一种长度测量的示意图。如图13中的界面显示,在进行长度测量时,根据中心线上任意两点,计算中心线距离。在测量过程中,可以在终端界面上生成测量列表,并在测量列表中建立测量记录,其中可以包括测量名称(如Measure 0)、测量结果(80.082mm)以及测量点的三维坐标等信息。
示例性的,图14和图15为本申请实施例提供的一种角度测量的示意图。如图14和图15中的界面显示,在进行角度测量时,中心线上任意三点构成的夹角,可衡量血管的弯曲程度。图15中的两个方向角的测量,其测量方式与一个方向角的测量方式相同,通过两个方向角的测量可以帮助手术时快速调整到最佳造影角度。
在本申请的一个实施例中,图16为本申请实施例提供的一种直径测量的示意图。如图16所示,在测量血管的最大径和最小径时。在中心线上任意选取一点,根据该点的法向量在医学影像上截取过该点垂直于法向量的平面,利用三维重建结果计算血管的最大径、最小径和等效直径。实际血管边缘是复杂的多边形,最大径、最小径不一定过内切圆或外接圆的圆心,改进最大径、最小径的测量方法更符合实际情况。例如,计算等效直径为:周长/π;计算最大径为:max{dmax=max{i→j}|i,j∈血管边缘};计算最小径为:min{dmax=max{i→j}|i,j∈血管边缘}。
在本申请的一个实施例中,图17为本申请实施例提供的一种边缘信息的梯度图的示意图,通过根据医学影像中的血管截面生成梯度图,以方便医生观察截面的边缘信息。
在本申请的一个实施例中,在测量钙化斑块的过程中,可以测量的数据量有钙化斑块在血管上的总表面积、总体积、平均厚度、平均CT值(衡量斑块硬度),除此之外,还可以手动测量钙化斑块的长度,计算狭窄处钙化斑块与血管长度比,即狭窄处量化。
在本申请的一个实施例中,步骤S240中以中心线为基准对血管和/或钙化斑块进行检测的过程之后,还包括如下步骤:
基于三维图像生成衍生图像,衍生图像包括:三维图像对应的骨性标识图、至少两个视角对应的视图以及根据基于三维图像的截面生成的梯度图;
根据医学影像对应的用户的身份信息、衍生图像以及检测到的血管和/或钙化斑块的参数,生成检测报告。
本实施例中基于三维图像生成的衍生图像可以为骨性标识图(图11)、至少两个视角对应的视图(图12)以及根据基于三维图像的截面生成的梯度图(图17)等,此处不做限定,还可以为其它的视图。
在本申请的一个实施例中,具体的,测量报告开始部分是患者的病例信息,如姓名、性别、年龄等信息;在交互测量时,用户可根据自己感兴趣的区域测量(如长度、角度、最大径、最小径)、方位角和钙化斑块信息,添加到测量列表;根据测量列表,截取Web上的测量图和相应的测量结果,生成图文形式的测量报告。图文报告包括用户的身份信息、各衍生图像、测量得到的血管和/或钙化斑块的形态和测量结果描述等,方便医生查看具体细节,能根据精确的三维重建结果,准确、全面的了解钙化斑块信息。本实施例中通过自动生成测量图文报告的方式,提高了检测过程的效率,进而使得检测者或者医生可以基于生成的检测报告进行诊断或治疗。
需要说明的是,本实施例中,在检测到血管上存在钙化斑块时,输出包含血管和钙化斑块的三维图像,并对其中的血管和钙化斑块的信息进行处理。而在未检测到钙化斑块时,输出包含血管的三维图像;扫描三维图像,得到血管中的种子点和端点;基于种子点和端点,拟合得到血管的中心线;以中心线为基准对血管进行检测。其未检测到钙化斑块时对血管的处理过程和处理方式与检测到钙化斑块时的相同,仅仅是不需要对钙化斑块进行处理,此处不做赘述。
图18为本申请实施例提供的一种基于三维重建的血管检测的示意图。
如图18所示,本实施例中通过对原始医学影像数据进行血管及钙化斑块三维重建1820,其中可以包括并行和串行(1830、1840)的方式,在得到三维图像之后,通过扫描的方法提取血管中的种子点1850,并基于种子点生成中心线1860,以基于中心线进行血管和钙化斑块的交互测量1870,最后基于测量结果生成报告。通过这种方式既提高了血管检测的精确度,同时提高了血管检测的效率。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的基于三维建模的血管检测方法。对于本申请装置实施例中未披露的细节,请参照本申请上述的基于三维建模的血管检测方法的实施例。
图19示出了根据本申请的一个实施例的基于三维建模的血管检测装置的框图。
参照图19所示,根据本申请的一个实施例的基于三维建模的血管检测装置1900,包括:输入单元1910,用于将包含血管的医学影像输入三维重建模型中,在检测到血管上存在钙化斑块时,输出包含血管和钙化斑块的三维图像,其中,三维重建模型为基于血管的医学影像样本以及医学影像样本对应的标注信息通过深度学习训练得到;扫描单元1920,用于扫描三维图像,得到血管中的种子点和端点;拟合单元1930,用于基于种子点和端点,拟合得到血管的中心线;检测单元1940,用于以中心线为基准对血管和/或钙化斑块进行检测。
在本申请的一些实施例中,基于前述方案,输入单元包括:第一输入单元,用于将包含血管的医学影像输入三维重建模型中,得到血管初步三维图像,识别并去除血管初步三维图像中分布在血管之外、且与血管不连通的像素点,得到血管三维图像;第一生成单元,用于在检测到血管上存在钙化斑块时,生成斑块初步三维图像;合并单元,用于将血管三维图像和斑块初步三维图像进行合并,得到合并图像;第一识别单元,用于识别并去除合并图像中分布在血管之外、且与血管不连通的像素点,得到三维图像。
在本申请的一些实施例中,基于前述方案,输入单元包括:第二输入单元,用于将包含血管的医学影像输入三维重建模型中,在检测到血管上存在钙化斑块时,输出包含血管和钙化斑块的初步三维图像;去除单元,用于去除初步三维图像中分布在血管之外、且与血管不连通的像素点,得到三维图像。
在本申请的一些实施例中,基于前述方案,去除单元包括:第二识别单元,用于识别初步三维图像中的血管区域,得到血管区域对应的最大连通区域;二值化单元,用于对初步三维图像进行二值化,得到二值矩阵,三维图像中的血管区域和钙化斑块区域在二值矩阵中对应的值为1,三维图像中的其余区域在二值矩阵中对应的值为0;乘积单元,用于基于最大连通区域对应的矩阵与二值矩阵之间的乘积,得到三维图像。
在本申请的一些实施例中,基于前述方案,基于三维建模的血管检测装置还包括:第一获取单元,用于获取医学影像样本;预处理单元,用于对医学影像样本进行预处理,得到训练图像;其中,预处理包括以下至少一种:基于各向同性对医学影像样本在三个坐标维度上分别进行插值、对医学影像样本进行白化、对医学影像样本进行数据扩增、对目标区域进行重复采样;其中,目标区域包括设定的采样点、直径小于预设直径的血管区域;数据扩增包括以下至少一种:对医学影像样本进行平移、旋转、镜像、亮度调整、缩放以及裁剪;训练单元,用于基于训练图像及其对应的标注信息进行深度学习训练,得到三维重建模型。
在本申请的一些实施例中,基于前述方案,扫描单元包括:第一扫描单元,用于根据医学影像对应的身体部位,对三维图像从z轴平面顶部向下扫描,得到身体部位中各动脉在水平方向上的血管截面;种子单元,用于求取各血管截面的质心,作为种子点;位置单元,用于根据血管的位置和扫描得到的血管截面数量,确定血管中目标点的位置;端点单元,用于将目标点的位置处对应的血管截面中的质心作为血管的端点。
在本申请的一些实施例中,基于前述方案,身体部位为腹部;第一扫描单元包括:第二扫描单元,用于基于三维图像的z轴平面顶部向下水平扫描;第三识别单元,用于当扫描到水平方向上的两个血管截面时,识别其中面积较大的血管截面对应的血管为腹主动脉中的升主动脉,面积较小的血管截面对应的血管为腹主动脉中的降主动脉;第四识别单元,用于若已扫描区域占三维图像中的比例等于预设比例,且在扫描得到两个血管截面且未出现第三个血管截面时,将两个血管截面对应的血管分别识别为左髂动脉和右髂动脉。
在本申请的一些实施例中,基于前述方案,拟合单元包括:计算单元,用于根据种子点和端点在三维图像中的位置,计算各血管中的种子点与血管的端点之间的最短路径;第一拟合单元,用于对最短路径进行拟合,得到中心线。
在本申请的一些实施例中,基于前述方案,第一拟合单元包括:第二拟合单元,用于对最短路径进行拟合,得到初版中心线;提取单元,用于若检测到在血管弯曲处初版中心线贴血管壁,则在初版中心线上任取一个目标点,提取过目标点且垂直于初版中心线的血管截面;更新单元,用于基于目标点对应的血管截面的质心,更新初版中心线,得到中心线。
在本申请的一些实施例中,基于前述方案,基于三维建模的血管检测装置还包括:第二获取单元,用于获取用户触发的中心线移动指令,中心线移动指令包括中心线上的目标点以及移动的目标位置;调整单元,用于调整目标点处对应的中心线至目标位置。
在本申请的一些实施例中,基于前述方案,检测单元包括:以下至少一项:第一检测单元,用于基于中心线确定血管截面的中点,以中点为圆心,确定血管截面的最小内接圆的直径为血管在血管截面处的最大径,确定血管截面的最大内切圆的直径为血管在血管截面处的最小径;第二检测单元,用于基于中心线上任意两点在血管中的位置,测量得到任意两点对应的血管长度;第三检测单元,用于基于中心线上任意两点、血管内腔上的点分别在血管中的位置,测量得到血管内腔上的点所在位置处的血管弯曲角度;第四检测单元,用于根据中心线,测量三维模型中钙化斑块的参数,参数包括钙化斑块的长度、面积、体积、厚度、硬度以及钙化斑块在血管壁上的位置中的至少一个。
在本申请的一些实施例中,基于前述方案,基于三维建模的血管检测装置还包括:衍生单元,用于基于三维图像生成衍生图像,衍生图像包括:三维图像对应的骨性标识图、至少两个视角对应的视图以及根据基于三维图像的截面生成的梯度图;报告单元,用于根据医学影像对应的用户的身份信息、衍生图像以及检测到的血管和/或钙化斑块的参数,生成检测报告。
在本申请的一些实施例中,基于前述方案,基于三维建模的血管检测装置还包括:三维血管单元,用于将包含血管的医学影像输入三维重建模型中,输出包含血管的三维图像;血管扫描单元,用于扫描三维图像,得到血管中的种子点和端点;血管拟合单元,用于基于种子点和端点,拟合得到血管的中心线;血管检测单元,用于以中心线为基准对血管进行检测。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (14)
1.一种基于三维建模的血管检测方法,其特征在于,包括:
将包含血管的医学影像输入三维重建模型中,在检测到所述血管上存在钙化斑块时,输出包含所述血管和所述钙化斑块的三维图像,其中,所述三维重建模型为基于血管的医学影像样本以及所述医学影像样本对应的标注信息通过深度学习训练得到;
扫描所述三维图像,得到所述血管中的种子点和端点;
基于所述种子点和所述端点,拟合得到所述血管的中心线;
以所述中心线为基准对所述血管和/或所述钙化斑块进行检测。
2.根据权利要求1所述的方法,其特征在于,将包含血管的医学影像输入三维重建模型中,在检测到所述血管上存在钙化斑块时,输出包含所述血管和所述钙化斑块的三维图像,包括:
将包含血管的医学影像输入三维重建模型中,得到血管初步三维图像,识别并去除所述血管初步三维图像中分布在所述血管之外、且与所述血管不连通的像素点,得到血管三维图像;
在检测到所述血管上存在钙化斑块时,生成斑块初步三维图像;
将所述血管三维图像和所述斑块初步三维图像进行合并,得到合并图像;
识别并去除所述合并图像中分布在所述血管之外、且与所述血管不连通的像素点,得到所述三维图像。
3.根据权利要求1所述的方法,其特征在于,将包含血管的医学影像输入三维重建模型中,在检测到所述血管上存在钙化斑块时,输出包含所述血管和所述钙化斑块的三维图像,包括:
将包含血管的医学影像输入三维重建模型中,在检测到所述血管上存在钙化斑块时,输出包含所述血管和钙化斑块的初步三维图像;
去除所述初步三维图像中分布在所述血管之外、且与所述血管不连通的像素点,得到所述三维图像。
4.根据权利要求3所述的方法,其特征在于,去除所述初步三维图像中分布在所述血管之外、且与所述血管不连通的像素点,得到所述三维图像,包括:
识别所述初步三维图像中的血管区域,得到血管区域对应的最大连通区域;
对所述初步三维图像进行二值化,得到二值矩阵,所述三维图像中的血管区域和钙化斑块区域在所述二值矩阵中对应的值为1,所述三维图像中的其余区域在所述二值矩阵中对应的值为0;
基于所述最大连通区域对应的矩阵与所述二值矩阵之间的乘积,得到所述三维图像。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述医学影像样本;
对所述医学影像样本进行预处理,得到训练图像;其中,所述预处理包括以下至少一种:基于各向同性对所述医学影像样本在三个坐标维度上分别进行插值、对所述医学影像样本进行白化、对所述医学影像样本进行数据扩增、对目标区域进行重复采样;其中,所述目标区域包括设定的采样点、直径小于预设直径的血管区域;所述数据扩增包括以下至少一种:对所述医学影像样本进行平移、旋转、镜像、亮度调整、缩放以及裁剪;
基于所述训练图像及其对应的标注信息进行深度学习训练,得到所述三维重建模型。
6.根据权利要求1所述的方法,其特征在于,扫描所述三维图像,得到所述血管中的种子点和端点,包括:
根据医学影像对应的身体部位,对所述三维图像从z轴平面顶部向下扫描,得到所述身体部位中各动脉在水平方向上的血管截面;
求取各血管截面的质心,作为所述种子点;
根据所述血管的位置和扫描得到的血管截面数量,确定所述血管中目标点的位置;
将所述目标点的位置处对应的血管截面中的质心作为所述血管的端点。
7.根据权利要求6所述的方法,其特征在于,所述身体部位为腹部;
根据医学影像对应的身体部位,对所述三维图像从z轴平面顶部向下扫描,得到所述身体部位中各动脉在水平方向上的血管截面,包括:
基于所述三维图像的z轴平面顶部向下水平扫描;
当扫描到水平方向上的两个血管截面时,识别其中面积较大的血管截面对应的血管为腹主动脉中的升主动脉,面积较小的血管截面对应的血管为所述腹主动脉中的降主动脉;
若已扫描区域占所述三维图像中的比例等于预设比例,且在扫描得到两个血管截面且未出现第三个血管截面时,将所述两个血管截面对应的血管分别识别为左髂动脉和右髂动脉。
8.根据权利要求1所述的方法,其特征在于,基于所述种子点和所述端点,拟合得到所述血管的中心线,包括:
根据所述种子点和所述端点在所述三维图像中的位置,计算各血管中的种子点与所述血管的端点之间的最短路径;
对所述最短路径进行拟合,得到所述中心线。
9.根据权利要求8所述的方法,其特征在于,对所述最短路径进行拟合,得到所述中心线,包括:
对所述最短路径进行拟合,得到初版中心线;
若检测到在所述血管弯曲处所述初版中心线贴血管壁,则在所述初版中心线上任取一个目标点,提取过所述目标点且垂直于所述初版中心线的血管截面;
基于所述目标点对应的血管截面的质心,更新所述初版中心线,得到所述中心线。
10.根据权利要求1所述的方法,其特征在于,基于所述种子点和所述端点,拟合得到所述血管的中心线之后,还包括:
获取用户触发的中心线移动指令,所述中心线移动指令包括所述中心线上的目标点以及移动的目标位置;
调整所述目标点处对应的中心线至所述目标位置。
11.根据权利要求1所述的方法,其特征在于,以所述中心线为基准对所述血管和/或所述钙化斑块进行检测,包括以下至少一项:
基于所述中心线确定所述血管截面的中点,以所述中点为圆心,确定所述血管截面的最小内接圆的直径为所述血管在所述血管截面处的最大径,确定所述血管截面的最大内切圆的直径为所述血管在所述血管截面处的最小径;
基于所述中心线上任意两点在血管中的位置,测量得到所述任意两点对应的血管长度;
基于所述中心线上任意两点、所述血管内腔上的点分别在血管中的位置,测量得到所述血管内腔上的点所在位置处的血管弯曲角度;
根据所述中心线,测量所述三维模型中所述钙化斑块的参数,所述参数包括所述钙化斑块的长度、面积、体积、厚度、硬度以及所述钙化斑块在血管壁上的位置中的至少一个。
12.根据权利要求1所述的方法,其特征在于,以所述中心线为基准对所述血管和/或所述钙化斑块进行检测之后,还包括:
基于所述三维图像生成衍生图像,所述衍生图像包括:所述三维图像对应的骨性标识图、至少两个视角对应的视图以及根据基于所述三维图像的截面生成的梯度图;
根据所述医学影像对应的用户的身份信息、所述衍生图像以及检测到的所述血管和/或所述钙化斑块的参数,生成检测报告。
13.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将包含血管的医学影像输入三维重建模型中,输出包含所述血管的三维图像;
扫描所述三维图像,得到所述血管中的种子点和端点;
基于所述种子点和所述端点,拟合得到所述血管的中心线;
以所述中心线为基准对所述血管进行检测。
14.一种基于三维建模的血管检测装置,其特征在于,包括:
输入单元,用于将包含血管的医学影像输入三维重建模型中,在检测到所述血管上存在钙化斑块时,输出包含所述血管和所述钙化斑块的三维图像,其中,所述三维重建模型为基于血管的医学影像样本以及所述医学影像样本对应的标注信息通过深度学习训练得到;
扫描单元,用于扫描所述三维图像,得到所述血管中的种子点和端点;
拟合单元,用于基于所述种子点和所述端点,拟合得到所述血管的中心线;
检测单元,用于以所述中心线为基准对所述血管和/或所述钙化斑块进行检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010322538.XA CN111968070B (zh) | 2020-04-22 | 2020-04-22 | 一种基于三维建模的血管检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010322538.XA CN111968070B (zh) | 2020-04-22 | 2020-04-22 | 一种基于三维建模的血管检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111968070A true CN111968070A (zh) | 2020-11-20 |
CN111968070B CN111968070B (zh) | 2023-12-05 |
Family
ID=73358125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010322538.XA Active CN111968070B (zh) | 2020-04-22 | 2020-04-22 | 一种基于三维建模的血管检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111968070B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614141A (zh) * | 2020-12-18 | 2021-04-06 | 深圳市德力凯医疗设备股份有限公司 | 血管扫描路径的规划方法、装置、存储介质及终端设备 |
CN112669293A (zh) * | 2020-12-31 | 2021-04-16 | 上海商汤智能科技有限公司 | 图像检测方法和检测模型的训练方法及相关装置、设备 |
CN113177928A (zh) * | 2021-05-18 | 2021-07-27 | 数坤(北京)网络科技股份有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
CN113256564A (zh) * | 2021-04-28 | 2021-08-13 | 深圳睿心智能医疗科技有限公司 | 医学影像中的导管参数提取方法及装置 |
CN113506262A (zh) * | 2021-07-07 | 2021-10-15 | 上海商汤智能科技有限公司 | 图像处理方法、装置及其相关设备和存储介质 |
CN113888690A (zh) * | 2021-10-19 | 2022-01-04 | 柏意慧心(杭州)网络科技有限公司 | 用于确定血管中的目标区段的方法、设备和介质 |
CN114176616A (zh) * | 2021-11-30 | 2022-03-15 | 上海联影智能医疗科技有限公司 | 静脉血栓的检测方法、电子设备和存储介质 |
CN114862850A (zh) * | 2022-07-06 | 2022-08-05 | 深圳科亚医疗科技有限公司 | 一种血管医学图像的目标检测方法、装置及介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070248250A1 (en) * | 2006-04-21 | 2007-10-25 | Siemens Corporate Research, Inc. | Three-Dimensional (3D) Modeling of Coronary Arteries |
US20120075638A1 (en) * | 2010-08-02 | 2012-03-29 | Case Western Reserve University | Segmentation and quantification for intravascular optical coherence tomography images |
CN103337071A (zh) * | 2013-06-19 | 2013-10-02 | 北京理工大学 | 基于结构重建的皮下静脉三维可视化装置及方法 |
CN103462696A (zh) * | 2013-09-17 | 2013-12-25 | 浙江大学 | 一种集成血管内光相干断层扫描(oct)影像和数字减影(dsa)影像的一体化在线实时处理仪 |
CN104933756A (zh) * | 2014-03-21 | 2015-09-23 | 北京冠生云医疗技术有限公司 | 三维冠状动脉分析模型的构建方法和系统 |
CN104992437A (zh) * | 2015-06-29 | 2015-10-21 | 北京欣方悦医疗科技有限公司 | 一种冠脉三维图像分割的方法 |
US20160045180A1 (en) * | 2014-08-18 | 2016-02-18 | Michael Kelm | Computer-Aided Analysis of Medical Images |
CN106228561A (zh) * | 2016-07-29 | 2016-12-14 | 上海联影医疗科技有限公司 | 血管提取方法 |
CN106709920A (zh) * | 2016-12-15 | 2017-05-24 | 上海联影医疗科技有限公司 | 血管提取方法及其装置 |
CN106846463A (zh) * | 2017-01-13 | 2017-06-13 | 清华大学 | 基于深度学习神经网络的显微图像三维重建方法及系统 |
US20180000441A1 (en) * | 2016-06-30 | 2018-01-04 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for extracting blood vessel |
CN108830848A (zh) * | 2018-05-25 | 2018-11-16 | 深圳科亚医疗科技有限公司 | 利用计算机确定血管上的血管状况参数的序列的装置和系统 |
CN108961224A (zh) * | 2018-06-20 | 2018-12-07 | 厦门大学 | 一种基于隐式拉伸曲面的冠脉血管几何模型重建方法 |
CN110517238A (zh) * | 2019-08-20 | 2019-11-29 | 厦门天允星途医疗科技有限公司 | Ct医学影像ai三维重建与人机交互可视化网络系统 |
CN110866914A (zh) * | 2019-11-21 | 2020-03-06 | 北京冠生云医疗技术有限公司 | 脑动脉瘤血流动力学指标的评估方法、系统、设备及介质 |
-
2020
- 2020-04-22 CN CN202010322538.XA patent/CN111968070B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070248250A1 (en) * | 2006-04-21 | 2007-10-25 | Siemens Corporate Research, Inc. | Three-Dimensional (3D) Modeling of Coronary Arteries |
US20120075638A1 (en) * | 2010-08-02 | 2012-03-29 | Case Western Reserve University | Segmentation and quantification for intravascular optical coherence tomography images |
CN103337071A (zh) * | 2013-06-19 | 2013-10-02 | 北京理工大学 | 基于结构重建的皮下静脉三维可视化装置及方法 |
CN103462696A (zh) * | 2013-09-17 | 2013-12-25 | 浙江大学 | 一种集成血管内光相干断层扫描(oct)影像和数字减影(dsa)影像的一体化在线实时处理仪 |
CN104933756A (zh) * | 2014-03-21 | 2015-09-23 | 北京冠生云医疗技术有限公司 | 三维冠状动脉分析模型的构建方法和系统 |
US20160045180A1 (en) * | 2014-08-18 | 2016-02-18 | Michael Kelm | Computer-Aided Analysis of Medical Images |
CN104992437A (zh) * | 2015-06-29 | 2015-10-21 | 北京欣方悦医疗科技有限公司 | 一种冠脉三维图像分割的方法 |
US20180000441A1 (en) * | 2016-06-30 | 2018-01-04 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for extracting blood vessel |
CN106228561A (zh) * | 2016-07-29 | 2016-12-14 | 上海联影医疗科技有限公司 | 血管提取方法 |
CN106709920A (zh) * | 2016-12-15 | 2017-05-24 | 上海联影医疗科技有限公司 | 血管提取方法及其装置 |
CN106846463A (zh) * | 2017-01-13 | 2017-06-13 | 清华大学 | 基于深度学习神经网络的显微图像三维重建方法及系统 |
CN108830848A (zh) * | 2018-05-25 | 2018-11-16 | 深圳科亚医疗科技有限公司 | 利用计算机确定血管上的血管状况参数的序列的装置和系统 |
CN108961224A (zh) * | 2018-06-20 | 2018-12-07 | 厦门大学 | 一种基于隐式拉伸曲面的冠脉血管几何模型重建方法 |
CN110517238A (zh) * | 2019-08-20 | 2019-11-29 | 厦门天允星途医疗科技有限公司 | Ct医学影像ai三维重建与人机交互可视化网络系统 |
CN110866914A (zh) * | 2019-11-21 | 2020-03-06 | 北京冠生云医疗技术有限公司 | 脑动脉瘤血流动力学指标的评估方法、系统、设备及介质 |
Non-Patent Citations (2)
Title |
---|
LAMBROS S. ATHANASIOU 等: "Three-dimensional reconstruction of coronary arteries and plaque morphology using CT angiography - comparison and registration using IVUS", 《2015 37TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY (EMBC)》 * |
李光瑞: "基于图像的动脉血管三维重建与分割方法的研究与实现", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614141A (zh) * | 2020-12-18 | 2021-04-06 | 深圳市德力凯医疗设备股份有限公司 | 血管扫描路径的规划方法、装置、存储介质及终端设备 |
CN112614141B (zh) * | 2020-12-18 | 2023-09-19 | 深圳市德力凯医疗设备股份有限公司 | 血管扫描路径的规划方法、装置、存储介质及终端设备 |
CN112669293A (zh) * | 2020-12-31 | 2021-04-16 | 上海商汤智能科技有限公司 | 图像检测方法和检测模型的训练方法及相关装置、设备 |
CN113256564A (zh) * | 2021-04-28 | 2021-08-13 | 深圳睿心智能医疗科技有限公司 | 医学影像中的导管参数提取方法及装置 |
CN113256564B (zh) * | 2021-04-28 | 2024-03-01 | 深圳睿心智能医疗科技有限公司 | 医学影像中的导管参数提取方法及装置 |
CN113177928A (zh) * | 2021-05-18 | 2021-07-27 | 数坤(北京)网络科技股份有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
CN113506262A (zh) * | 2021-07-07 | 2021-10-15 | 上海商汤智能科技有限公司 | 图像处理方法、装置及其相关设备和存储介质 |
CN113888690A (zh) * | 2021-10-19 | 2022-01-04 | 柏意慧心(杭州)网络科技有限公司 | 用于确定血管中的目标区段的方法、设备和介质 |
CN113888690B (zh) * | 2021-10-19 | 2022-08-12 | 柏意慧心(杭州)网络科技有限公司 | 用于确定血管中的目标区段的方法、设备和介质 |
CN114176616A (zh) * | 2021-11-30 | 2022-03-15 | 上海联影智能医疗科技有限公司 | 静脉血栓的检测方法、电子设备和存储介质 |
CN114862850A (zh) * | 2022-07-06 | 2022-08-05 | 深圳科亚医疗科技有限公司 | 一种血管医学图像的目标检测方法、装置及介质 |
CN114862850B (zh) * | 2022-07-06 | 2022-09-20 | 深圳科亚医疗科技有限公司 | 一种血管医学图像的目标检测方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111968070B (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111968070B (zh) | 一种基于三维建模的血管检测方法及装置 | |
US10762637B2 (en) | Vascular segmentation using fully convolutional and recurrent neural networks | |
JP4728627B2 (ja) | Ct血管造影法における構造を領域分割する方法及び装置 | |
CN104217418B (zh) | 钙化血管的分割 | |
US9792703B2 (en) | Generating a synthetic two-dimensional mammogram | |
CN110998602A (zh) | 使用深度学习方法对3d牙颌面结构的分类和3d建模 | |
CN108348206B (zh) | 用于无创血流储备分数(ffr)的侧支流建模 | |
US20150348259A1 (en) | Quantitative method for 3-d bone mineral density visualization and monitoring | |
US10685438B2 (en) | Automated measurement based on deep learning | |
US20160217567A1 (en) | Multi-modal segmentatin of image data | |
JP2015066311A (ja) | 画像処理装置、画像処理方法、画像処理装置の制御プログラム、記録媒体 | |
JP2009028161A (ja) | 医用画像表示装置及び医用画像表示方法 | |
EP3424017A1 (en) | Automatic detection of an artifact in patient image data | |
JP2024515635A (ja) | 超音波及びカメラ画像から3d画像を再構成するためのシステム及び方法 | |
WO2022051344A1 (en) | System and method for virtual pancreatography pipeline | |
EP3554369A1 (en) | System and method for dark-field-imaging | |
Sarwal et al. | Three dimensional reconstruction of coronary arteries from two views | |
JP2014023640A (ja) | 画像処理装置及びプログラム | |
JP2011161104A (ja) | 画像生成装置、画像生成方法、及びそのプログラム | |
JP6716197B2 (ja) | 画像処理装置およびx線診断装置 | |
WO2023237553A1 (en) | Method and system for assessing functionally significant vessel obstruction based on machine learning | |
JP2007044346A (ja) | 医用画像処理装置における関心領域の経時的特定方法及び医用画像処理装置 | |
Ma et al. | Image Segmentation Technology Based on Attention Mechanism and ENet | |
Alom et al. | Automatic slice growing method based 3D reconstruction of liver with its vessels | |
Shingrani et al. | Automation process for morphometric analysis of volumetric CT data from pulmonary vasculature in rats |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |