CN113570600B - 基于ai技术进行支架内漏检测方法、系统及设备 - Google Patents

基于ai技术进行支架内漏检测方法、系统及设备 Download PDF

Info

Publication number
CN113570600B
CN113570600B CN202111119165.7A CN202111119165A CN113570600B CN 113570600 B CN113570600 B CN 113570600B CN 202111119165 A CN202111119165 A CN 202111119165A CN 113570600 B CN113570600 B CN 113570600B
Authority
CN
China
Prior art keywords
image
stent
segmentation
endoleak
blood
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.)
Active
Application number
CN202111119165.7A
Other languages
English (en)
Other versions
CN113570600A (zh
Inventor
郑月宏
陈跃鑫
傅士光
穆鹏鹏
唐芳萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Original Assignee
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peking Union Medical College Hospital Chinese Academy of Medical Sciences filed Critical Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Priority to CN202111119165.7A priority Critical patent/CN113570600B/zh
Publication of CN113570600A publication Critical patent/CN113570600A/zh
Application granted granted Critical
Publication of CN113570600B publication Critical patent/CN113570600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion

Abstract

本发明公开了基于AI技术进行支架内漏检测方法、系统及设备，所述支架内漏检测方法包括：获取植入血管支架术后患者影像图像；将所述影像图像输入第一分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中的支架的坐标点集合；获得植入血管支架术后患者的血液造影的影像图像；将所述血液造影的影像图像输入第二分割网络，得到分割图像，通过对所述分割图像的进行索引得到所述分割图像中血液造影的坐标点集合；计算所述支架的坐标点集合与所述血液造影的坐标点集合的最小距离；比较所述最小距离和预设阈值的大小，输出是否存在支架内漏风险的结果。本发明具有很好的临床应用前景。

Description

基于AI技术进行支架内漏检测方法、系统及设备
技术领域
本发明涉及人工智能和医学影像分析技术领域，更具体地，涉及基于AI技术进行支架内漏检测方法、系统、设备和计算机可读存储介质。
背景技术
腹主动脉瘤腔内隔绝术（EVAR）具有创伤小、术中出血量少、术后恢复快、住院时间短等优点，随着EVAR技术的成熟及移植物的改进,目前EVAR已成为腹主动脉疾病腔内治疗的首选方法。但是随着时间的延长，EVAR术后出现的内漏是影响手术远期疗效的最常见因素。EVAR术后内漏的发生是导致动脉瘤瘤体继续增大、甚至破裂，以及需要再次干预治疗的最主要原因。
目前内漏诊断主要依靠各种影像检查,如数字减影血管造影DSA、CTA、磁共振血管造影MRA、彩色多普勒超声等,但是每种检查方法各有利弊。而且目前EVAR术后内漏的诊治依然存在不少的困境。困境之一：低流量、低流速的内漏容易误诊。困境二：无常规入路的内漏栓塞因常规的动脉入路无法到达内漏血管，栓塞，使得内漏查出非常困难。困境三：不同内漏需要不同的解决方案，不仅需要早期发现内漏，还需要知道具体内漏分型。
目前人工进行判断得出结论存在个体经验差异，同时存在时效问题，所以需要一种基于AI技术进行EVAR手术支架内漏检测与分型的方法，可以有效的帮助医生提前检测内漏风险，提高内漏检测的时效性和准确性；同时这项技术也可以有效的运用到基层医院，让更多的患者可以就地检查术后内漏风险，减轻三甲医院的压力。
发明内容
鉴于上述问题，本发明提出了一种基于AI技术进行支架内漏检测方法、系统、设备和计算机可读存储介质。
本发明的目的在于提供一种基于AI技术进行支架内漏检测的方法，包括：
获取植入血管支架术后患者影像图像；
将所述影像图像输入第一分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中的支架的坐标点集合；
获得植入血管支架术后患者的血液造影的影像图像；
将所述血液造影的影像图像输入第二分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中血液造影的坐标点集合；
计算所述支架的坐标点集合与所述血液造影的坐标点集合的最小距离；
比较所述最小距离和预设阈值的大小，输出是否存在支架内漏风险的结果。
进一步，所述获得植入血管支架术后患者的血液造影的影像图像包括注入造影剂后获得血液造影的影像图像或视频，采用目标跟踪算法对所述血液造影的影像图像或视频进行计算，得到框选到的图像，将所述框选到的图像输入第二分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中血液造影的坐标点集合；
进一步，所述获得植入血管支架术后患者的血液造影的影像图像是注入造影剂后获得血液造影的影像图像，将所述血液造影的影像图像输入第二目标检测模型，得到框选到血液造影的图像，将所述框选到血液造影的图像输入第二分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中血液造影的坐标点集合；
可选的，所述第二目标检测模型主要包括第二特征提取模块、第二区域生成网络、第二定位网络，所述第二特征模块对所述血液造影的影像图像进行特征提取，将提取的特征输入所述第二区域生成网络，生成所述血液造影的影像图像的候选框，所述第二定位网络对带候选框的血液造影的影像图像进行定位，得到血液造影的候选框的坐标，剪接得到框选到血液造影的影像图像，将框选到续页造影的影像图像输入第二分割网络获取所述血液造影的影像图像中的血液造影的坐标点集合。
进一步，将所述影像图像输入第一目标检测模型，得到框选到支架的影像图像，将所述框选到支架的影像图像输入第一分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中的支架的坐标点集合。
可选的，所述第一目标检测模型主要包括第一特征提取模块、第一区域生成网络、第一定位网络，所述第一特征模块对所述影像图像进行特征提取，将提取的特征输入所述第一区域生成网络，生成所述影像图像的候选框，所述第一定位网络对带候选框的影像图像进行定位，得到支架的候选框的坐标，剪接得到框选到支架的影像图像，将框选到支架的影像图像输入第一分割网络获取所述影像图像中的支架的坐标点集合。
进一步，采用欧式距离、标准化欧式距离计算所述支架的坐标点集合与所述血液造影的坐标点集合的最小距离。
进一步，当得到不存在支架内漏风险，终止检测，输出不存在支架内漏风险的检测结果；当得到存在支架内漏风险时，将所述血液造影的影像图像属于预设的内漏分型模型中，输出具体内漏分型类别的分类结果。
进一步，所述预设的内漏分型模型是多分类模型，所述的分类结果为Ⅰ型内漏、Ⅱ型内漏、Ⅲ型内漏、Ⅳ型内漏或Ⅴ型内漏。
本发明的目的在于提供一种基于AI技术进行支架内漏检测系统，其特征在于，包括：
第一获取模块，用于获取植入血管支架术后患者影像图像；
第一分割模块，用于将所述影像图像输入第一分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中的支架的坐标点集合；
第二获取模块，用于获得植入血管支架术后患者的血液造影的影像图像；
第二分割模块，用于将所述血液造影的影像图像输入第二分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中血液造影的坐标点集合；
计算模块，用于计算所述支架的坐标点集合与所述血液造影的坐标点集合的最小距离；
输出模块，用于比较所述最小距离和预设阈值的大小，得到是否存在支架内漏风险。
进一步，一种基于AI技术进行支架内漏检测系统，还包括：
第一目标检测模块，所述第一目标检测模块位于第一获取模块后，用于将所述影像图像输入第一目标检测模型，得到框选到支架的影像图像；
可选的，还包括第二目标检测模块，所述第二目标检测模块位于第二获取模块后，用于将所述血液造影的影像图像输入第二目标检测模型，得到框选到血液造影的图像；
可选的，还包括第二输出模块，用于将所述血液造影的影像图像属于预设的内漏分型模型中，输出具体内漏分型类别的分类结果。
本发明的目的在于提供一种基于AI技术进行支架内漏检测设备，包括：
存储器和一个或多个处理器；
所述存储器用于存储程序指令；
所述一个或多个处理器，用于调用程序指令，当程序指令被执行时，用于执行以下操作：
获取植入血管支架术后患者影像图像；
对所述影像图像进行特征提取；
将提取的特征输入第一分割网络获取所述影像图像中的支架的坐标点集合；
获得植入血管支架术后患者的血液造影的影像图像；
对所述血液造影的影像图像进行特征提取；
将提取的特征输入第二分割网络获取所述血液造影的影像图像中血液造影的坐标点集合；
计算所述支架的坐标点集合与所述血液造影的坐标点集合的最小距离；
比较所述最小距离和预设阈值的大小，输出是否存在支架内漏风险的结果。
本发明的目的在于提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的基于AI技术进行支架内漏检测方法。
本申请解决的问题及优势：
1 本申请不仅可以提前检测内漏风险，还能提高内漏检测的时效性和准确性，避免人为经验等因素造成的诊断差异；
2 不仅能早期发现内漏，还进一步对检测出有内漏风险的影像进行内漏分型分类，给出具体内漏分型（Ⅰ型内漏、Ⅱ型内漏、Ⅲ型内漏、Ⅳ型内漏或Ⅴ型内漏）的诊断，为支架内漏的精准治疗提供基础；
3 通过目标检测模型，进一步精准的识别到目标影像区域，为后续精准分割提供基础；
4 通过目标跟踪算法，精准的识别血液造影的影像图像，为后续精准分割提供基础。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他的附图。
图1示出了根据本发明一个实施例的一种基于AI技术进行支架内漏检测方法的示意流程图；
图2示出了根据本发明一个实施例的一种基于AI技术进行支架内漏检测设备的示意流程图；
图3示出了根据本发明一个实施例的一种基于AI技术进行支架内漏检测系统的示意流程图；
图4示出了根据本发明一个实施例的一种基于AI技术进行支架内漏检测计算机可读存储介质示意流程图；
图5 示出了本发明一个实施例的对支架的定位图；
图6示出了本发明一个实施例的对血液造影影像的叠加增强图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
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，本领域技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的一种基于AI技术进行支架内漏检测的方法示意流程图，具体地，所述方法包括如下步骤：
101：获取植入血管支架术后患者影像图像；
在一个实施例中，通过实时接入C型臂产生的影像数据获取植入血管支架术后患者影像图像。
在一个实施例中，基于dicom协议，将手术过程中产生的影像实时接入工作站，并将dicom文件解析为jpg格式的文件。
在一个实施例中，对获取的影像图像进行图片预处理，可选的，将图像调整为统一的固定大小M * N，例如800 * 600；可选的，在训练阶段，则将候选框进行等比例缩放。
102：将所述影像图像输入第一分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中的支架的坐标点集合；
在一个实施例中，将所述影像图像输入第一目标检测模型，得到框选到支架的影像图像，将所述框选到支架的影像图像输入第一分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中的支架的坐标点集合。
在一个实施例中，所述第一目标检测模型主要包括第一特征提取模块、第一区域生成网络、第一定位网络，所述第一特征模块对所述影像图像进行特征提取，将提取的特征输入所述第一区域生成网络，生成所述影像图像的候选框（参见图5），所述第一定位网络对带候选框的影像图像进行定位，得到支架的候选框的坐标，剪接得到框选到支架的影像图像，将框选到支架的影像图像输入第一分割网络获取所述影像图像中的支架的坐标点集合。
在一个实施例中，第一目标检测模型可以是R-CNN、fast R-CNN、faster R-CNN、R-FCN、YOLO、SSD(Single Shot MultiBox Detector)等。
在一个实施例中，第一特征提取模块可以是resnet、resnext、resnest、senet、regnet等。
在一个实施例中，第一分割网络可以是基于深度学习的分割，包括基于特征编码的分割方法、基于区域选择的分割方法、基于RNN的图像的分割方法、基于上采样/反卷积的分割方法、基于提高特征分辨率的分割方法、基于特征增强的分割方法、基于CRF/MRF的方法等；可选的，第一分割网络可以是Unet，SegNet，FCN，DeepLab系列，RefineNet，PSPNet，Large kernel Matter等。
103：获得植入血管支架术后患者的血液造影的影像图像；
在一个实施例中，注入造影剂后获得血液造影的影像图像或视频图像，进一步可对视频图像进行分帧处理，获取一系列影像图像。
在一个实施例中（如图6），通过影像增强软件对所述血液造影的影像图像进行叠加增强。
104：将所述血液造影的影像图像输入第二分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中血液造影的坐标点集合；
在一个实施例中，将所述血液造影的影像图像输入第二目标检测模型，得到框选到血液造影的图像，将所述框选到血液造影的图像输入第二分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中血液造影的坐标点集合。
在一个实施例中，所述第二目标检测模型主要包括第二特征提取模块、第二区域生成网络、第二定位网络，所述第二特征模块对所述血液造影的影像图像进行特征提取，将提取的特征输入所述第二区域生成网络，生成所述血液造影的影像图像的候选框，所述第二定位网络对带候选框的血液造影的影像图像进行定位，得到血液造影的候选框的坐标，剪接得到框选到血液造影的影像图像，将框选到续页造影的影像图像输入第二分割网络获取所述血液造影的影像图像中的血液造影的坐标点集合。
在一个实施例中，第二目标检测模型可以是R-CNN、fast R-CNN、faster R-CNN、R-FCN、RPN、YOLO、SSD(Single Shot MultiBox Detector)等。
在一个实施例中，第二特征提取模块可以是CNN卷积神经网络、resnet101网络等。
在一个实施例中，第二分割网络可以是基于深度学习的分割，包括基于特征编码的分割方法、基于区域选择的分割方法、基于RNN的图像的分割方法、基于上采样/反卷积的分割方法、基于提高特征分辨率的分割方法、基于特征增强的分割方法、基于CRF/MRF的方法等；可选的，第二分割网络可以是Unet，SegNet，FCN，DeepLab系列，RefineNet，PSPNet，Large kernel Matter等。
在一个实施例中，所述获得植入血管支架术后患者的血液造影的影像图像包括注入造影剂后获得血液造影的影像图像或视频，采用目标跟踪算法对所述血液造影的影像图像或视频进行计算，得到框选到的图像，将所述框选到的图像输入第二分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中血液造影的坐标点集合。
在一个实施例中，目标跟踪算法可以是BOOSTING Tracker、MIL Tracker、CSRTTracker、MedianFlow Tracker、TLD Tracker、MOSSE Tracker、GOTURN Tracker等。
在一个实施例中，目标跟踪算法可以采用生成式模型和判别式模型。生成式模型反映同类别的相似度，包括光流法、粒子滤波、Meanshift 算法 、Camshift算法、KCF、SRDCF、SRDCFdecon、stable、EBT等算法。判别式模型反映不同类别的差异，通过对比目标模型和背景信息的差异, 将目标模型提取出来, 从而得到当前帧中的目标位置。包括MIL，OAB，struck，MEEM，TLD、支持向量机等算法。
在一个实施例中，目标跟踪算法可以采用深度学习方法，基于深度学习的目标跟踪算法可以分为：对相关滤波算法改进：C-COT、ECO；利用辅助图片数据预训练深度模型，在线跟踪时微调：DLT、SO-DLT；利用现有大规模分类数据集预训练的CNN分类网络提取特征：FCNT；利用跟踪序列预训练，在线跟踪时微调：MDNet；运用递归神经网络进行目标跟踪的新思路：RTT、DeepTracking。
105：计算所述支架的坐标点集合与所述血液造影的坐标点集合的最小距离；
在一个实施例中，采用欧式距离、标准化欧式距离计算所述支架的坐标点集合与所述血液造影的坐标点集合的最小距离。
106：比较所述最小距离和预设阈值的大小，输出是否存在支架内漏风险的结果。
在一个实施例中，预设阈值的选取是基于训练集训练得到的。
在一个实施例中，当得到不存在支架内漏风险，终止检测，输出不存在支架内漏风险的检测结果；当得到存在支架内漏风险时，将所述血液造影的影像图像属于预设的内漏分型模型中，输出具体内漏分型类别的分类结果。
在一个实施例中，预设的内漏分型模型的训练方法包括：获取含有Ⅰ型内漏、Ⅱ型内漏、Ⅲ型内漏、Ⅳ型内漏及Ⅴ型内漏标签的影像图像，输入分类器中，得到所述影像图像的具体分类结果，将获得的分类结果与所述标签进行比对，根据比对结果优化分类器，得到预设的内漏分型模型。
在一个实施例中，所述预设的内漏分型模型是多分类模型，所述的分类结果为Ⅰ型内漏、Ⅱ型内漏、Ⅲ型内漏、Ⅳ型内漏或Ⅴ型内漏。
所述内漏分型为：
①Ⅰ型内漏。支架近端和远端锚定区与自体血管无法紧密贴合而产生的内漏。②Ⅱ型内漏。来自分支动脉的返流，血液流经肠系膜下动脉、腰动脉、髂内动脉、骶正中动脉等侧支动脉返流瘤腔内。③Ⅲ型内漏。支架之间的结合处无法紧密贴合而形成的内漏。④Ⅳ型内漏。支架外覆的人造血管编织物缝隙形成的渗漏。⑤ Ⅴ型内漏 。EVAR 后瘤腔内出现持续性或复发性压力增大的情况, 而常规影像检查未发现内漏征象者。
图2是本发明实施例提供的一种基于AI技术进行支架内漏检测设备，所述设备包括：存储器和一个或多个处理器；
所述存储器用于存储程序指令；
所述一个或多个处理器，用于调用程序指令，当程序指令被执行时，用于执行以下操作：
获取植入血管支架术后患者影像图像；
对所述影像图像进行特征提取；
将提取的特征输入第一分割网络获取所述影像图像中的支架的坐标点集合；
获得植入血管支架术后患者的血液造影的影像图像；
对所述血液造影的影像图像进行特征提取；
将提取的特征输入第二分割网络获取所述血液造影的影像图像中血液造影的坐标点集合；
计算所述支架的坐标点集合与所述血液造影的坐标点集合的最小距离；
比较所述最小距离和预设阈值的大小，输出是否存在支架内漏风险的结果。
在一个实施例中，当得到不存在支架内漏风险，终止检测，输出不存在支架内漏风险的检测结果；当得到存在支架内漏风险时，将所述血液造影的影像图像属于预设的内漏分型模型中，输出具体内漏分型类别的分类结果。
图3是一种基于AI技术进行支架内漏检测系统，包括：
第一获取模块，用于获取植入血管支架术后患者影像图像；
第一分割模块，用于将所述影像图像输入第一分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中的支架的坐标点集合；
第二获取模块，用于获得植入血管支架术后患者的血液造影的影像图像；
第二分割模块，用于将所述血液造影的影像图像输入第二分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中血液造影的坐标点集合；
计算模块，用于计算所述支架的坐标点集合与所述血液造影的坐标点集合的最小距离；
输出模块，用于比较所述最小距离和预设阈值的大小，得到是否存在支架内漏风险。
在一个实施例中，一种基于AI技术进行支架内漏检测系统，包括：
第一获取模块，用于获取植入血管支架术后患者影像图像；
第一目标检测模块，用于将所述影像图像输入第一目标检测模型，得到框选到支架的影像图像；
第一分割模块，用于将所述框选到支架的影像图像输入第一分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中的支架的坐标点集合；
第二获取模块，用于获得植入血管支架术后患者的血液造影的影像图像；
第二目标检测模块，用于将所述血液造影的影像图像输入第二目标检测模型，得到框选到血液造影的影像图像；
第二分割模块，用于将所述框选到血液造影的图像输入第二分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中血液造影的坐标点集合；
计算模块，用于计算所述支架的坐标点集合与所述血液造影的坐标点集合的最小距离；
输出模块，用于比较所述最小距离和预设阈值的大小，得到是否存在支架内漏风险。
在一个实施例中，一种基于AI技术进行支架内漏检测系统，包括：
第一获取模块，用于获取植入血管支架术后患者影像图像；
第一目标检测模块，用于将所述影像图像输入第一目标检测模型，得到框选到支架的影像图像；
第一分割模块，用于将所述框选到支架的影像图像输入第一分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中的支架的坐标点集合；
第二获取模块，用于获得植入血管支架术后患者的血液造影的影像图像或视频；
目标跟踪模块，采用目标跟踪算法对所述血液造影的影像图像或视频进行计算，得到框选到的血液造影的影像图像；
第二分割模块，用于将所述框选到血液造影的影像图像输入第二分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中血液造影的坐标点集合；
计算模块，用于计算所述支架的坐标点集合与所述血液造影的坐标点集合的最小距离；
输出模块，用于比较所述最小距离和预设阈值的大小，得到是否存在支架内漏风险。
在一个实施例中，当得到不存在支架内漏风险，终止检测，输出不存在支架内漏风险的检测结果；当得到存在支架内漏风险时，将所述血液造影的影像图像属于预设的内漏分型模型中，输出具体内漏分型类别的分类结果。
图4是一种计算机可读存储介质，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上述的基于AI技术进行支架内漏检测方法。
本验证实施例的验证结果表明，为适应症分配固有权重相对于默认设置来说可以适度改善本方法的性能。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上对本发明所提供的一种计算机设备进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (15)

1.一种基于AI技术进行支架内漏检测系统，其特征在于，包括：
第一获取模块，用于获取植入血管支架术后患者影像图像；
第一分割模块，用于将所述影像图像输入第一分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中的支架的坐标点集合；
第二获取模块，用于获得植入血管支架术后患者的血液造影的影像图像，所述获得植入血管支架术后患者的血液造影的影像图像包括注入造影剂后获得血液造影的影像图像或视频，采用目标跟踪算法对所述血液造影的影像图像或视频进行计算，得到框选到的血液造影的影像图像；
第二分割模块，用于将所述血液造影的影像图像输入第二分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中血液造影的坐标点集合；
计算模块，用于计算所述支架的坐标点集合与所述血液造影的坐标点集合的最小距离；
输出模块，用于比较所述最小距离和预设阈值的大小，得到是否存在支架内漏风险。
2.根据权利要求1所述的基于AI技术进行支架内漏检测系统，其特征在于，还包括：
第一目标检测模块，所述第一目标检测模块位于第一获取模块后，用于将所述影像图像输入第一目标检测模型，得到框选到支架的影像图像；所述第一分割模块用于将所述框选到支架的影像图像输入第一分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中的支架的坐标点集合。
3.根据权利要求1所述的基于AI技术进行支架内漏检测系统，其特征在于，计算模块采用欧式距离、标准化欧式距离计算所述支架的坐标点集合与所述血液造影的坐标点集合的最小距离。
4.根据权利要求1所述的基于AI技术进行支架内漏检测系统，其特征在于，当得到不存在支架内漏风险，终止检测，输出模块输出不存在支架内漏风险的检测结果；当得到存在支架内漏风险时，输出模块将所述血液造影的影像图像输入预设的内漏分型模型中，输出模块输出具体内漏分型类别的分类结果。
5.根据权利要求4所述的基于AI技术进行支架内漏检测系统，其特征在于，所述预设的内漏分型模型是多分类模型，所述的分类结果为Ⅰ型内漏、Ⅱ型内漏、Ⅲ型内漏、Ⅳ型内漏或Ⅴ型内漏。
6.一种基于AI技术进行支架内漏检测设备，包括：
存储器和一个或多个处理器；
所述存储器用于存储程序指令；
所述一个或多个处理器，用于调用程序指令，当程序指令被执行时，用于执行以下操作：
获取植入血管支架术后患者影像图像；
将所述影像图像输入第一分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中的支架的坐标点集合；
获得植入血管支架术后患者的血液造影的影像图像，所述获得植入血管支架术后患者的血液造影的影像图像包括注入造影剂后获得血液造影的影像图像或视频，采用目标跟踪算法对所述血液造影的影像图像或视频进行计算，得到框选到的血液造影的影像图像；
将所述血液造影的影像图像输入第二分割网络，得到分割图像，通过对所述分割图像的进行索引得到所述分割图像中血液造影的坐标点集合；
计算所述支架的坐标点集合与所述血液造影的坐标点集合的最小距离；
比较所述最小距离和预设阈值的大小，输出是否存在支架内漏风险的结果。
7.根据权利要求6所述的基于AI技术进行支架内漏检测设备，其特征在于，在获取植入血管支架术后患者影像图像之后，将所述影像图像输入第一目标检测模型，得到框选到支架的影像图像；其中将所述影像图像输入第一分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中的支架的坐标点集合，包括：将所述框选到支架的影像图像输入第一分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中的支架的坐标点集合。
8.根据权利要求6所述的基于AI技术进行支架内漏检测设备，其特征在于，采用欧式距离、标准化欧式距离计算所述支架的坐标点集合与所述血液造影的坐标点集合的最小距离。
9.根据权利要求6所述的基于AI技术进行支架内漏检测设备，其特征在于，当得到不存在支架内漏风险，终止检测，输出不存在支架内漏风险的检测结果；当得到存在支架内漏风险时，将所述血液造影的影像图像输入预设的内漏分型模型中，输出具体内漏分型类别的分类结果。
10.根据权利要求9所述的基于AI技术进行支架内漏检测设备，其特征在于，所述预设的内漏分型模型是多分类模型，所述的分类结果为Ⅰ型内漏、Ⅱ型内漏、Ⅲ型内漏、Ⅳ型内漏或Ⅴ型内漏。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现基于AI技术进行支架内漏检测方法，具体步骤包括：
获取植入血管支架术后患者影像图像；
将所述影像图像输入第一分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中的支架的坐标点集合；
获得植入血管支架术后患者的血液造影的影像图像，所述获得植入血管支架术后患者的血液造影的影像图像包括注入造影剂后获得血液造影的影像图像或视频，采用目标跟踪算法对所述血液造影的影像图像或视频进行计算，得到框选到的血液造影的影像图像；
将所述血液造影的影像图像输入第二分割网络，得到分割图像，通过对所述分割图像的进行索引得到所述分割图像中血液造影的坐标点集合；
计算所述支架的坐标点集合与所述血液造影的坐标点集合的最小距离；
比较所述最小距离和预设阈值的大小，输出是否存在支架内漏风险的结果。
12.根据权利要求11所述的计算机可读存储介质，其特征在于，在获取植入血管支架术后患者影像图像之后，将所述影像图像输入第一目标检测模型，得到框选到支架的影像图像；其中将所述影像图像输入第一分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中的支架的坐标点集合，包括：将所述框选到支架的影像图像输入第一分割网络，得到分割图像，通过对所述分割图像的索引得到所述分割图像中的支架的坐标点集合。
13.根据权利要求11所述的计算机可读存储介质，其特征在于，采用欧式距离、标准化欧式距离计算所述支架的坐标点集合与所述血液造影的坐标点集合的最小距离。
14.根据权利要求11所述的计算机可读存储介质，其特征在于，当得到不存在支架内漏风险，终止检测，输出不存在支架内漏风险的检测结果；当得到存在支架内漏风险时，将所述血液造影的影像图像输入预设的内漏分型模型中，输出具体内漏分型类别的分类结果。
15.根据权利要求14所述的计算机可读存储介质，其特征在于，所述预设的内漏分型模型是多分类模型，所述的分类结果为Ⅰ型内漏、Ⅱ型内漏、Ⅲ型内漏、Ⅳ型内漏或Ⅴ型内漏。
CN202111119165.7A 2021-09-24 2021-09-24 基于ai技术进行支架内漏检测方法、系统及设备 Active CN113570600B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111119165.7A CN113570600B (zh) 2021-09-24 2021-09-24 基于ai技术进行支架内漏检测方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111119165.7A CN113570600B (zh) 2021-09-24 2021-09-24 基于ai技术进行支架内漏检测方法、系统及设备

Publications (2)

Publication Number Publication Date
CN113570600A CN113570600A (zh) 2021-10-29
CN113570600B true CN113570600B (zh) 2021-12-21

Family

ID=78174259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111119165.7A Active CN113570600B (zh) 2021-09-24 2021-09-24 基于ai技术进行支架内漏检测方法、系统及设备

Country Status (1)

Country Link
CN (1) CN113570600B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114403922A (zh) * 2022-01-25 2022-04-29 复旦大学附属中山医院 一种彩色编码成像评估动脉瘤腔内修补术后内漏的方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2964089B1 (en) * 2013-03-08 2021-11-03 Lightlab Imaging, Inc. Stent visualization and malapposition detection systems, devices, and methods
WO2015106188A1 (en) * 2014-01-10 2015-07-16 Volcano Corporation Detecting endoleaks associated with aneurysm repair
WO2017201026A1 (en) * 2016-05-16 2017-11-23 Lightlab Imaging, Inc. Intravascular absorbable stent detection and diagnostic methods and systems
CN106780495B (zh) * 2017-02-15 2020-04-10 深圳市中科微光医疗器械技术有限公司 基于oct的心血管植入支架自动检测与评估方法及系统
CN110458836A (zh) * 2019-08-16 2019-11-15 深圳开立生物医疗科技股份有限公司 一种超声造影成像方法、装置和设备及可读存储介质

Also Published As

Publication number Publication date
CN113570600A (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
US5872861A (en) Digital image processing method for automatic detection of stenoses
CN110490040B (zh) 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法
US7940970B2 (en) Method and system for automatic quality control used in computerized analysis of CT angiography
JP2019193808A (ja) リアルタイムの診断上有用な結果
Bullitt et al. Symbolic description of intracerebral vessels segmented from magnetic resonance angiograms and evaluation by comparison with X-ray angiograms
TW201903708A (zh) 數位減影血管攝影圖像的分析方法與系統
CN111667456A (zh) 一种冠状动脉x光序列造影中血管狭窄检测方法及装置
US10898267B2 (en) Mobile FFR simulation
US10002428B2 (en) Method and system for identifying bleeding
EP3288450A1 (en) Computer-implemented method for identifying zones of stasis and stenosis in blood vessels
CN113570600B (zh) 基于ai技术进行支架内漏检测方法、系统及设备
M'hiri et al. A graph-based approach for spatio-temporal segmentation of coronary arteries in X-ray angiographic sequences
US20230113721A1 (en) Functional measurements of vessels using a temporal feature
Radaelli et al. On the segmentation of vascular geometries from medical images
Klein et al. Automatic segmentation of the wire frame of stent grafts from CT data
Lavi et al. Single-seeded coronary artery tracking in CT angiography
CN111462067B (zh) 图像分割方法及装置
Van Asperen et al. Automatic artery/vein classification in 2D-DSA images of stroke patients
Liang et al. Local characteristic features for computer-aided detection of pulmonary embolism in CT angiography
Kulathilake et al. A segmentation method for extraction of main arteries from coronary cine-angiograms
EP4369290A1 (en) Determining estimates of hemodynamic properties based on an angiographic x-ray examination
Martin et al. Epistemic uncertainty modeling for vessel segmentation
US20240005510A1 (en) Method and apparatus of nidus segmentation, electronic device, and storage medium
US20240161285A1 (en) Determining estimates of hemodynamic properties based on an angiographic x-ray examination
Altalhi et al. Computation of aortic geometry using mr and ct 3d images

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