CN114862850A - 一种血管医学图像的目标检测方法、装置及介质 - Google Patents
一种血管医学图像的目标检测方法、装置及介质 Download PDFInfo
- Publication number
- CN114862850A CN114862850A CN202210785477.XA CN202210785477A CN114862850A CN 114862850 A CN114862850 A CN 114862850A CN 202210785477 A CN202210785477 A CN 202210785477A CN 114862850 A CN114862850 A CN 114862850A
- Authority
- CN
- China
- Prior art keywords
- centerline
- object detection
- target
- blood vessel
- medical image
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Abstract
本申请涉及一种血管医学图像的目标检测方法、装置及介质。该方法可以包括获取包含血管的3D血管医学图像和所述血管的3D中心线。可以获取与所述3D血管医学图像对应的一组不同角度的2D血管医学图像。可以对各个角度的2D血管医学图像进行分析,以得到对应角度的2D目标检测结果。可以将各个角度的2D目标检测结果映射到所述血管的3D中心线,以得到所述血管的3D中心线的各个区域对应的各个角度的2D目标检测结果。可以对于所述血管的3D中心线的各个区域,基于对应的各个角度的2D目标检测结果来确定所述各个区域的3D目标检测结果。该方法和装置可以快速、准确检测血管医学图像中的目标。
Description
技术领域
本发明涉及一种医学图像的处理技术,具体涉及一种血管医学图像的目标检测方法、装置及介质。
背景技术
随着分析手段的进步,医生可以利用医学图像进行疾病筛查与诊断、手术规划和预后评估等。目前在利用血管CTA(CT血管成像)图像进行检测的任务中存在诸多挑战,例如:CTA图像是3D图像,医学数据量相较2D图像更大,直接检测3D数据,对硬件要求高,处理速度慢;血管CTA图像中的每个截面显示为血管在该截面的平面图,由于平面图显示的血管形态和血管实际走形相关,难以辨别是否包含病变或血管介入器械,而且平面图只显示血管单层的信息,难以对病变或血管介入器械进行全面评估;对于特定病变,例如软斑等,其图像密度较低,平面图显示出与周边组织/背景边界不明显的情况,通常需要通过多个角度进行确认边界,工作量大,效率低。
发明内容
旨在提供本申请以解决以上技术问题。本申请旨在提供一种血管医学图像的目标检测方法、装置和介质,其能够从3D血管医学图像中快速且准确地检出3D目标(例如但不限于血管病变和血管介入器械等),并得出其在空间中的3D分布状况。
在一个方案中,本申请涉及一种血管医学图像的目标检测方法,该方法可以包括获取包含血管的3D血管医学图像和所述血管的3D中心线。该方法还可以包括获取与所述3D血管医学图像对应的一组不同角度的2D血管医学图像。该方法还可以包括对各个角度的2D血管医学图像进行分析,以得到对应角度的2D目标检测结果。将各个角度的2D目标检测结果映射到所述血管的3D中心线,以得到所述血管的3D中心线的各个区域对应的各个角度的2D目标检测结果。该方法还可以包括对于所述血管的3D中心线的各个区域,基于对应的各个角度的2D目标检测结果来确定所述各个区域的3D目标检测结果。
在另一方案中,本申请涉及一种血管医学图像的目标检测装置。所述装置可以包括处理器,所述处理器配置为获取包含血管的3D血管医学图像和所述血管的3D中心线。所述处理器还可以配置为获取与所述3D血管医学图像对应的一组不同角度的2D血管医学图像。所述处理器还可以配置为对各个角度的2D血管医学图像进行分析,以得到对应角度的2D目标检测结果。所述处理器还可以配置为将各个角度的2D目标检测结果映射到所述血管的3D中心线,以得到所述血管的3D中心线的各个区域对应的各个角度的2D目标检测结果。此外,所述处理器还可以配置为对于所述血管的3D中心线的各个区域,基于对应的各个角度的2D目标检测结果来确定所述各个区域的3D目标检测结果。
在又一方案中,本申请涉及一种计算机可读介质,其上存储有计算机可执行指令,所述计算机可执行指令由处理器执行时用于实行血管医学图像的目标检测方法。所述方法可以包括获取包含血管的3D血管医学图像和所述血管的3D中心线。该方法还可以包括获取与所述3D血管医学图像对应的一组不同角度的2D血管医学图像。该方法还可以包括对各个角度的2D血管医学图像进行分析,以得到对应角度的2D目标检测结果。该方法还可以包括将各个角度的2D目标检测结果映射到所述血管的3D中心线,以得到所述血管的3D中心线的各个区域对应的各个角度的2D目标检测结果。该方法还可以包括对于所述血管的3D中心线的各个区域,基于对应的各个角度的2D目标检测结果来确定所述各个区域的3D目标检测结果。
本申请的实施例相对于现有技术具有以下优点:
本申请通过获取3D血管医学图像和对应的一组不同角度的2D血管医学图像,对该组不同角度的2D血管医学图像进行分析来得出不同角度的2D目标检测结果,使得2D目标检测结果体现更全面的病变形态、位置、边界等信息,提升病变检测准确度。并且,通过将各个不同角度的2D目标检测结果映射到血管的3D中心线,据此可以快速且准确地检出3D目标(例如但不限于血管病变和血管介入器械等),并得出其在空间中的3D分布状况。相较对3D血管医学图像直接分析,对于硬件要求更宽松,计算速度显著加快,且检测精度相当;同时,可以提供不同角度的2D截面的目标检测结果,联合对照3D中心线上的3D目标和分布状况,提供更全面的病变信息。
附图说明
在不一定按比例绘制的附图中,相同的附图标记可以描述不同视图中的类似部件。具有字母后缀或不同字母后缀的相同数字可表示类似部件的不同实例。附图通常通过示例而非通过限制的方式示出了各种实施例,并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。在适当的时候,在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的,而并非旨在作为本方法、装置、或其上存储有用于实现该方法的指令的计算机可读介质的穷尽或排他实施例。
图1示出根据本申请的实施例的血管医学图像的目标检测方法的流程图;
图2示出根据本申请的实施例的与3D血管医学图像对应的一组不同角度的2D血管医学图像;
图3(a)和图3(b)分别示出根据本申请的实施例的目标的2D检出框的示意图;
图4示出根据本申请的实施例的不同角度的2D血管医学图像中的2D检出框的图示;
图5示出根据本申请的实施例的角度为0度的2D血管医学图像中的2D目标检测结果与血管的3D中心线的示例性映射关系;
图6(a)、图6(b)和图6(c)分别示出根据本申请的实施例的3D中心线上各个区域对应的2D目标检测结果的投票机制的示意图;
图7示出根据本申请的实施例的目标检测方法中合并病变和去除短病变的处理的示意图;以及
图8示出根据本申请的实施例的血管医学图像的目标检测装置的示意性框图。
具体实施方式
下面结合附图和实施例对本申请作进一步说明。本申请中各个实施例所描述的处理流程的步骤顺序仅仅作为示例而非限制,这些步骤也可以改变执行顺序,只要不产生处理上的逻辑矛盾即可。
图1示出根据本申请的实施例的血管医学图像的目标检测方法。如图1所示,一种血管医学图像的目标检测方法始于步骤S101,获取包含血管的3D血管医学图像和所述血管的3D中心线。在一些实施例中,所述血管的3D中心线可以表示血管在3D血管医学图像中的形状和走向等信息。下面以血管CTA图像作为3D血管医学图像的示例进行说明。但须知3D血管医学图像不限于此,也可以包括例如但不限于头颈部CTA图像、肺部CT图像、脑部CT图像等等。3D血管医学图像可以利用医学成像装置直接采集得到,例如血管CTA图像,也可以基于2D血管图像重建得到,例如但不限于利用充盈状况良好的CAG 2D血管图像来重建得到。本申请中的“目标”,可以包括任何医学关注对象,例如但不限于血管介入器械(例如但不限于支架、导管、人工瓣膜等)、血管病变(斑块、狭窄、心肌桥等)。
在步骤S102,获取与所述3D血管医学图像对应的一组不同角度的2D血管医学图像。所述3D血管医学图像为扫描的患者某一或数个部位的图像,该医学图像中一般含有3D血管组织,该医学图像可以由计算机设备从后处理工作站或影像归档和通信系统(PictureArchiving and Communication Systems,PACS)中获取。在一些实施例中,计算机设备可以获取放射科/影像科技师实时上传到PACS系统中的医学图像,也可以以固定时间间隔为周期从PACS系统中获取这一时间段内的所有医学图像。在一些实施例中,计算机设备还可以从医院信息管理系统(Hospital Information System,HIS)、临床信息管理系统(ClinicalInformation System,CIS)、放射科信息管理系统(Radiology information System,RIS)、电子病例系统(Electronic Medical Record,EMR)以及相关的医学图像云存储平台获取包含血管的3D血管医学图像和所述血管的3D中心线。
在一些实施例中,所述3D血管医学图像和所述一组不同角度的2D血管医学图像表示同一部位的不同维度信息,可以同时获取,也可以分别预先获取并存储。在一些实施例中,可以基于所述3D血管医学图像来获取所述一组不同角度的2D血管医学图像。以CTA成像装置采集得到的CTA图像作为3D血管医学图像的示例,可以对其进行曲面重建(CPR)后处理,以得到一组不同角度的2D血管医学图像。如此,无需提供额外的2D血管图像成像装置(比如CAG成像装置),可以利用单种模态即CTA成像装置直接采集得到的CTA图像,不仅可以提供全面的血管空间信息,从中重建并提取的不同角度的截面的2D血管图像信息与之时域上和空间上都良好匹配,避免因获取时间、获取设备不同影响检测的准确性。更具体地,基于3D血管医学图像来生成并得到2D血管医学图像的方法包括但不限于曲面重建(CPR)、中心线重组(MAR)等。下文中以不同角度的CPR图像作为2D血管医学图像的示例进行说明,但须知2D血管医学图像并不限于此。
在一些实施例中,所述目标在所述血管中分布越规律或者所述目标的形状越规则,所述角度的间隔越大,所述目标包括血管病变(例如但不限于斑块、狭窄、心肌桥等)和血管介入器械中的至少一种。这样可以根据血管的实际情况进行选择,进一步提高检测效率,降低待处理的数据量。例如,如果要检测的目标是斑块,对于每个角度CPR对病变展示差别较大,则2D血管医学图像的角度间隔D可以设置为较小,例如0~30度,比如如图2所示的30度。图2中角度是均匀分布的,但角度分布也可以不均匀,可以根据目标的属性选择2个以上的角度。如此,可以尽量从更多的角度去看斑块,这样能够尽可能的避免因某些角度遗漏,导致斑块性质判断错误的情况。而对于每个角度CPR对病变展示差别不大的任务,例如支架检测任务,可设置D更大些(例如D=60度),因为支架是规则圆柱体,在血管的任意角度,其呈现的形态均一致,没有必要采样很多角度,因为这样对检测的准确性提升有限。
在步骤S103中,对各个角度的2D血管医学图像进行分析,以得到对应角度的2D目标检测结果。通过获取3D血管医学图像和对应的一组不同角度的2D血管医学图像,对该组不同角度的2D血管医学图像进行分析来得出不同角度的2D目标检测结果,使得2D目标检测结果体现更全面的病变形态、位置、边界等信息,提升病变检测准确度。
在一些实施例中,采用2D图像目标检测技术,对每个角度的2D血管医学图像进行目标检测。此处的检测技术可以基于深度学习,也可以基于传统算法。在一些实施例中,所述2D目标检测结果包括所述目标的2D检出框和所述2D检出框的位置信息。在一些实施例中,所述目标的2D检出框可以是水平框,水平框可以由框的中心点坐标和框的高和宽定义,也可以由框的左上角坐标(x1,y1)和右下角坐标(x2,y2)定义,如图3(a)所示。在一些实施例中,所述目标的2D检出框也可以是斜框,如图3(b)所示,斜框的定义在水平框的定义基础上,可以增加一个框与坐标轴(横轴或纵轴)的夹角参数α。如图4所示,在诸如斑块的目标检测任务中,对于任意一支血管,例如左前降支(LAD)血管,利用2D图像目标检测技术对每个角度的2D血管医学图像中的目标进行检测,并将其使用斜框进行标记,例如第一目标检出框401和第二目标检出框402。如图4所示,第一目标检出框401和第二目标检出框402即为不同角度的CPR图像中检出的目标区域。各个目标检出框的边界与中心线的交点即为目标的起点和终点,也可以称为纵向坐标上限和纵向坐标下限。图4对应角度为0度的CPR图像中,p1、p2分别代表第一目标检出框401的纵向坐标上限和纵向坐标下限,p3、p4分别代表第二目标检出框402的纵向坐标上限和纵向坐标下限。从位置信息来看,p1和p2中,y值(纵向坐标值)较小的点p1是第一目标检出框401的纵向坐标上限,y值(纵向坐标值)较大的点p2是第一目标检出框401的纵向坐标下限,同理,p3是第二目标检出框402的纵向坐标上限,p4是第二目标检出框402的纵向坐标下限。p1、p2、p3、p4的纵向坐标信息可作为参考信息,高效且准确地将2D检测结果映射回3D血管医学图像中的3D中心线。
在步骤S104中,将各个角度的2D目标检测结果映射到所述血管的3D中心线,以得到所述血管的3D中心线的各个区域对应的各个角度的2D目标检测结果。据此可以快速且准确地检出3D目标(例如但不限于血管病变和血管介入器械等),并得出其在空间中的3D分布状况。由于血管在3D医学图像上呈弯曲状,一些实施例沿着医学图像上血管的直径截取的2D血管医学图像中的血管长度可能短于3D医学图像上血管长度,因此同一目标在不同角度的2D血管医学图像中的2D目标检测结果中的纵向坐标可能不同。在一些实施例中,在角度数量较少(例如3-5个角度)的情况下,可以将各个角度的2D中心线与3D中心线进行配准,并根据各个检出框与2D中心线的交点来确定其与3D中心线的交点,并据此映射到3D中心线。在又一些实施例中,映射也可以采用如下方式来更高效和准确地实现。对于各个2D检出框:计算所述2D检出框的纵向坐标上限m和纵向坐标下限n,其中,n>m;计算纵向坐标0到纵向坐标m-1的图像层中具有的2D中心线点的数量M;计算纵向坐标0到纵向坐标n-1的图像层中具有的2D中心线点的数量N;将所述2D检出框映射到所述3D中心线上第M+1个3D中心线点到第N+1个3D中心线点之间的区域(可以包括所述3D中心线上第M+1个3D中心线点和第N+1个3D中心线点)。
更具体地,图5示出了角度为0度的2D血管医学图像中的2D目标检测结果与血管的3D中心线的示例性映射关系。在2D血管医学图像中所检测到的目标的检出框的纵向坐标上限和纵向坐标下限可用来计算出其在3D血管医学图像的3D中心线中的位置。例如第一目标检出框401和第二目标检出框402的目标检出框,按照纵向坐标,将2D血管医学图像分为多个图像层,每个图像层对应单位长度的纵向坐标值。具体说来,纵向长度为10个单位长度,将2D血管医学图像分为10个图像层,每个图像层对应1个单位长度的纵向坐标值1。如图5所示,第一目标检出框401的纵向坐标上限p1的纵向坐标y1为23,第一目标检出框401的纵向坐标下限p2的纵向坐标y2为72。计算纵向坐标0到纵向坐标22的图像层中具有的2D中心线点的数量为39个,则p1在3D中心线中对应第40(即39+1)个点。计算纵向坐标0到纵向坐标71的图像层中具有的2D中心线点的数量为94个,则p2在3D中心线中对应第95个点。至此,可以出2D血管医学图像中p1和p2所定义的第一目标检出框401在3D中心线中对应的是:从第40个3D中心点至第95个3D中心点的第一3D目标检出框501,即p1_index=40,p2_index=95。同理,第二目标检出框402的纵向坐标上限p3的纵向坐标y3为88,纵向坐标下限p4的纵向坐标y4为108,其对应的第二3D目标检出框502则是从第105个3D中心点至第125个3D中心点,即沿着3D中心线的位置为p3_index=105,p4_index=125。
在步骤S105中,对于所述血管的3D中心线的各个区域,基于对应的各个角度的2D目标检测结果来确定所述各个区域的3D目标检测结果。也就是说,可以对各个区域的对应的各个角度的2D目标检测结果进行融合,例如但不限于取交集、取并集或者投票等融合方式,来确定各个区域的3D目标检测结果。这样可以根据用户需求或待检测目标的特点进行分析,提高目标检测的准确性和效率。相较对3D血管医学图像直接分析,对于硬件要求更宽松,计算速度显著加快,且检测精度相当;同时,可以提供不同角度的2D截面的目标检测结果,联合对照3D中心线上的3D目标和分布状况,提供更全面的病变信息。
取并集可以理解为3D血管医学图像上各个区域的点只要被2D检出框覆盖过的区域,无论被覆盖一次还是多次,都可以标记为存在3D目标检测结果。以病变作为目标的示例,如果用户需求偏好降低漏检率而可接受一定程度的假阳性,则可以取并集来融合各个角度的2D病变检测结果,只要任一个角度检出病变,病变就能够被顺利检出,从而显著降低漏检。
取交集可以理解为3D血管医学图像上各个区域的点只有全部被所有各个角度的2D检出框覆盖过,才可以确定为目标。如果待检测目标的分布具备较高的规律性,比如圆柱形的支架,可以采用取并集的方式来融合各个角度的2D病变检测结果。
同一个病变可能在多个角度的CPR图像中同时存在,如果同个区域被多个角度的CPR图像中的2D检出框覆盖,可以根据这多个2D检出框确定病变的准确空间分布状况,尤其是各向异性的空间分布状况。
多个角度的CPR图像中的2D检出框还隐含了有助于病变检测的其他信息,可以针对此进行进一步的融合分析。例如,考虑到病变分布的连续性,在一段3D中心线上,如果其他位置都是覆盖了5个以上的2D检出框,而某个位置仅仅覆盖了1个2D检出框,则这个2D检出框有可能是假阳性的检出框,也就是并非病变,病变在此处终结。
如图4所示,在同一诸如病变的目标检测过程中,可能在多个角度的2D血管医学图像中同时存在待检测目标,待检测目标及其检出框的纵向坐标值和在各个角度的2D血管医学图像的大小可能存在不同。
按照上文所述的映射方法,将每个角度的2D血管医学图像的2D目标检测结果映射到所述血管的3D中心线后,3D中心线上同一区域出现多个重叠或部分重叠的检出框覆盖结果,如图6(a)中第一目标检出框覆盖区域601和第二目标检出框覆盖区域602所示。因此如图6(b)所示,各个区域中各个3D中心线点被第一目标检出框401或第二目标检出框402覆盖的次数可能是1,也可能是大于1的整数,第一目标检出框覆盖区域603沿着3D中心线的各点的覆盖累计次数依序是1、7、10、12、12、12、12、6、5,而第二目标检出框覆盖区域604沿着3D中心线的各点的覆盖累计次数依序是2、7、8、8、3。
在这种情况下,可以对各个区域中被所述检出框覆盖的各个3D中心线点进行处理,具体说来,基于覆盖累计次数,引入投票机制,来获得最终兼顾准确度和灵敏度的目标区域。
在一些实施例中,根据各个3D中心线点的覆盖累计次数,来确定各个3D中心线点是否属于所述目标,包括:将各个区域中各个3D中心线点的覆盖累计次数中的最大值乘以系数,来确定第一阈值,所述系数根据目标的规则度在0到1之间选择,使得所述目标的规则度越高则所述系数越高;将各个3D中心线点的覆盖累计次数与所述第一阈值进行比较,如果大于所述第一阈值则判定该3D中心线属于所述目标。这样可以避免目标周围存在干扰,影响目标边界的确定,从而提高目标检测的准确性。
如图6(b)和图6(c)所示,投票机制包括:假设在3D坐标系下,某一病变区域获得的检测框的数量为X,那么可以对于这一病变区域(连通域)的所有中心线的点进行统计,对于被不同框覆盖次数累计大于p*X的中心线点认为是病变,对于区域内其他点则认为不是。p是0~1的概率值,可由用户根据任务进行设定,X代表任意病变区域内,中心线上最大的值。例如在斑块检测任务中,可以设定p=0.2,结合图4和图5可知,由p1和p2定义的斑块(或第一目标检出框)在3D血管医学图像上累计覆盖了12次。因此,3D中心线上此斑块对应的最大值为X=12,那么在3D中心线上,此区域内的3D中心线值大于0.2*12=2.4的点均认为是病变,其余则不是,如第一目标检出区域605所示;由p3和p4定义的斑块(或第二目标检出框)在3D血管医学图像上累计覆盖了8次,且X=8,那么在此区域内的3D中心线值大于0.2*8=1.6的值均认为是病变,其余则不是,如第二目标检出区域606所示,认为是病变。
在一些实施例中,可以考虑X值确定所述各个区域的3D目标检测结果,也可以根据X值结合考虑其他值(包括例如但不限于概率值p)。对于所述血管的3D中心线的各个区域,基于对应的各个角度的2D目标检测结果来确定所述各个区域的3D目标检测结果具体包括:对各个区域中各个3D中心线点被所述检出框覆盖的次数进行累计,得到各个3D中心线点的覆盖累计次数;根据各个3D中心线点的覆盖累计次数,来确定各个3D中心线点是否属于所述目标,使得覆盖累计次数越大则属于所述目标的概率就越高。这样可以更高效的检测3D血管医学图像上的目标。
在一些实施例中,p和X也可以存在一些关联。当X值较大,即2D检出框在3D血管医学图像的3D中心线上的点的覆盖次数越多,因此可以设置较低的p值,避免遗漏可能是目标的检测结果。
在一些更为具体的实施例中,程序默认p=0.5。当用户设定p=0时,即病变区域内所有大于0的值均被认为是病变,相当于选取各个2D检出框在3D血管医学图像中的3D中心线上的覆盖区域的并集作为实际病变位置,这样设计可以避免遗漏可能是目标的检测结果;当用户设定p=0.9999时,即病变区域内所有等于X的点才被认为是病变,相当于选取各个2D检出框在3D血管医学图像中的3D中心线上的覆盖区域的交集作为实际病变位置,这样设计可以更精准的确定目标位置。
在一些实施例中,p可根据用户需求或者待检测目标的特点进行设定。如果用户想更精准的确定目标位置,减少目标周围干扰因素的影响,可将p设为较大的值,例如但不限于0.2~0.5。如果用户想更全面的了解3D血管医学图像中可能存在的目标,避免遗漏,可将p设为较小的值。此外,例如在斑块位置检测任务中,由于同一斑块在不同角度显示的长度不一,可使用p=0.2,用来提高斑块的召回率。例如支架检测任务,因为支架是规则的,在任一角度的2D血管医学图像上均可观察到支架,且长度一致,用户可设定p=0.9999,用来提升支架的检测准确率。
在一些实施例中,所述目标检测方法还包括:根据3D目标检测结果,确定检出的3D目标的尺寸,在尺寸小于第二阈值时则删除该尺寸的3D目标;和/或根据3D目标检测结果,确定检出的相邻的3D目标之间的距离,在所述距离小于第三阈值时,合并所述相邻的3D目标。本领域技术人员都知晓,机器学习算法无法保证100%的准确率,如图7所示,当短病变区域703存在尺寸极小的病变时,尺寸极小的病变的尺寸L1小于第二阈值L(L代表病变长度,L单位是毫米,例如但不限于1-5mm,更具体为2mm)时,尺寸极小的病变很可能是检测中出现的假阳性,由于假阳性诊断在实际操作或判断中的影响大于忽略极短病变的影响,并且受医生诊断时间和精力的影响,尺寸极小的病变对患者的影响不大,因此可以直接忽略,无需诊断。从而可以去除尺寸极小的目标,得到短病变处理后区域704。当血管上存在不连续的病变或者弥散分布的病变时,单独分析每一种病变耗时,效率低。因此当多病变区域701确定检出的相邻的3D目标之间的距离G1(或G2)小于第三阈值G(G代表两个相邻病变的距离,G单位可以是毫米,可由用户根据实际需要进行设定)时,合并所述相邻的3D目标,获得多病变处理后区域702,这样可以将相近的病变合并为一个病变,提高医生诊断效率,节省时间。
当根据3D目标检测结果,短病变区域703中的短病变和正常病变之间的距离小于第三阈值G时,或多病变区域701确定检出的相邻的3D目标存在至少一个小于第二阈值L的极短病变,那么此时,可以先将相近的病变合并为一个病变,再将尺寸较小的病变去除。这样做可以综合提高检测准确性和效率。
图8示出了根据本申请的实施例的示例性血管医学图像的目标检测装置的说明框图。如图8所示,一种血管医学图像的目标检测装置800,包括处理器801,处理器801可以配置为:执行根据本申请各个实施例的血管医学图像的目标检测方法。
所述目标检测装置还可以包括接口802,接口802可以配置为接收包含血管的3D血管医学图像。3D中心线可以是接口802接收的,也可以是接收3D图像,处理器执行中心线提取程序来提取的。不同角度的2D图像可以是接口802提取的,也可以基于3D图像通过曲面重建来得到。
通过该接口802,血管医学图像的目标检测装置可以连接到网络(未示出),例如但不限于医院中的局域网或因特网。但接口802实现的通信方式不限于网络,可以包括NFC、蓝牙、WIFI等;可以是有线连接,也可以是无线连接。以网络为例,接口802可以将血管医学图像的目标检测装置与诸如图像采集装置(未示出)、内存804的外部装置连接。图像采集装置可以是任何类型的成像模态,例如但不限于计算机断层摄影(CT)、数字减影血管造影(DSA)、磁共振成像(MRI)、功能性MRI、动态对比增强-MRI、扩散MRI、螺旋CT、锥形束计算机断层摄影(CBCT)、正电子发射断层摄影(PET)、单光子发射计算断层摄影(SPECT)、X射线成像、光学断层摄影、荧光成像、超声成像、放射治疗射野成像。
在一些实施例中,血管医学图像的目标检测装置800可以是专用智能装置或通用智能装置。例如,血管医学图像的目标检测装置800可以是为图像数据获取和图像数据处理任务定制的计算机,或者是放置在云中的服务器。例如,装置800集成到图像采集装置中。
血管医学图像的目标检测装置800可以包括处理器801和存储器803,并且可以另外包括输入/输出806和图像显示器807中的至少一个。
处理器801可以是包括一个或多个通用处理装置的处理装置,诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等。更具体地,处理器801可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、运行其他指令集的处理器或者运行指令集的组合的处理器。处理器801还可以是一个或多个专用处理装置,诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP),片上系统(SoC)等。如本领域技术人员将理解的,在一些实施例中,处理器801可以是专用处理器,而不是通用处理器。处理器801可以包括一个或多个已知的处理装置,例如来自Intel TM制造的Pentium TM、Core TM、Xeon TM或Itanium系列的微处理器,由AMD TM制造的Turion TM、Athlon TM、Sempron TM、Opteron TM、FX TM、 Phenom TM系列,或由Sun Microsystems制造的各种处理器。处理器801还可以包括图形处理单元,诸如来自GeForce ®的GPU,由Nvidia TM制造的Quadro ®、Tesla ®系列,由Intel TM制造的GMA,Iris TM系列,或由AMD TM制造的Radeon TM系列。处理器801还可以包括加速处理单元,例如由AMD TM制造的Desktop A-4(6,6)系列,由Intel TM制造的Xeon Phi TM系列。所公开的实施例不限于任何类型的处理器或处理器电路,其以其他方式被配置为获取包含血管的3D血管医学图像和所述血管的3D中心线;获取与所述3D血管医学图像对应的一组不同角度的2D血管医学图像;对各个角度的2D血管医学图像进行分析,以得到对应角度的2D目标检测结果;将各个角度的2D目标检测结果映射到所述血管的3D中心线,以得到所述血管的3D中心线的各个区域对应的各个角度的2D目标检测结果;以及对于所述血管的3D中心线的各个区域,基于对应的各个角度的2D目标检测结果来确定所述各个区域的3D目标检测结果,或与所公开的实施例一致地操纵任何其他类型的数据。另外,术语“处理器”可以包括一个以上的处理器,例如,多核设计或多个处理器,每个处理器具有多核设计。处理器801可以执行存储在存储器803中的计算机程序指令序列,以执行本文公开的各种操作、过程和方法。
处理器801可以通信地耦合到存储器803并且被配置为执行存储在其中的计算机可执行指令。存储器803可以包括只读存储器(ROM)、闪存、随机存取存储器(RAM)、诸如同步DRAM(SDRAM)或Rambus DRAM的动态随机存取存储器(DRAM)、静态存储器(例如,闪存、静态随机存取存储器)等,计算机可执行指令以任何格式存储在其上。在一些实施例中,存储器803可以存储一个或多个图像处理程序的计算机可执行指令。计算机程序指令可以由处理器801访问,从ROM或者任何其他合适的存储器位置读取,并且加载在RAM中以供处理器801执行。例如,存储器803可以存储一个或多个软件应用程序。存储在存储器803中的软件应用程序可以包括,例如,用于普通计算机系统的操作系统(未示出)以及用于软控制装置的操作系统。
此外,存储器803可以存储整个软件应用程序或仅存储可由处理器801执行的软件应用程序的一部分(例如,图像处理程序)。此外,存储器803可以存储多个软件模块,用于实现与本申请一致的血管医学图像的目标检测方法的各个步骤。
此外,存储器803可以存储在执行计算机程序时生成/缓冲的数据,例如,3D医学图像数据和2D医学图像数据,包括从图像采集装置、医学图像数据库、图像数据存储装置等发送的医学图像。在一些实施例中,医学图像数据可以包括要进行目标检测的包含血管的3D血管医学图像和所述血管的3D中心线,图像处理程序将要对于所述血管的3D中心线的各个区域,基于对应的各个角度的2D目标检测结果来确定所述各个区域的3D目标检测结果。
在一些实施例中,存储器803可以与医学图像数据库通信,以将对于所述血管的3D中心线的各个区域,基于对应的各个角度的2D目标检测结果来确定所述各个区域的3D目标检测结果传输并保存到医学图像数据库中。
除了显示医学图像之外,图像显示器807还可以显示其他信息,诸如,对应角度的2D目标检测结果、所述血管的3D中心线的各个区域对应的各个角度的2D目标检测结果、基于对应的各个角度的2D目标检测结果来确定所述各个区域的3D目标检测结果。例如,该图像显示器807可以是LCD、CRT或LED显示器。
输入/输出806可以被配置为允许目标检测装置800接收和/或发送数据。输入/输出806可以包括允许装置与用户或其他机器和装置通信的一个或多个数字和/或模拟通信装置。例如,输入/输出806可以包括允许用户提供输入的键盘和鼠标。
在一些实施例中,图像显示器807可以呈现用户界面,以便用户利用输入/输出806连同该用户界面,可以方便且直观地修正(诸如编辑、移动、修改等)所生成的解剖标签。
接口802可以包括网络适配器、电缆连接器、串行连接器、USB连接器、并行连接器、诸如光纤的高速数据传输适配器、USB 6.0、闪电、例如Wi-Fi适配器的无线网络适配器、电信(6G、4G/LTE等)适配器。装置可以通过接口802连接到网络。网络可以提供局域网(LAN)、无线网络、云计算环境(例如,作为服务的软件、作为服务的平台、作为服务的基础设施等)、客户端-服务器、广域网(WAN)等。
处理器801、接口802存储器803以及内存804通过总线805彼此相连。输入/输出806也连接至总线805。
本文描述了各种操作或功能,其可以实现为软件代码或指令或者定义为软件代码或指令。这样的内容可以是可以直接执行(“对象”或“可执行”形式)的源代码或差分代码(“delta”或“patch”代码)。软件代码或指令可以存储在计算机可读存储介质中,并且当被执行时,可以使机器执行所描述的功能或操作,并且包括用于以机器(例如,计算装置,电子系统等)可访问的形式存储信息的任何机构,例如可记录或不可记录介质(例如,只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光存储介质、闪存装置等)。
已经出于说明的目的呈现了前面的描述。它并非穷尽的,并且不限于所公开的精确形式或实施例。考虑到所公开实施例的说明书和实践,实施例的修改和改编将是显而易见的。
这里描述的示例性方法可以至少部分地是机器或计算机实现的。一些示例可以包括用指令编码的计算机可读介质或机器可读介质,所述指令可操作以配置电子装置执行如以上示例中所述的方法。这种方法的实现可以包括软件代码,诸如微代码、汇编语言代码、更高级的语言代码等。各种程序或程序模块可以使用各种软件编程技术来创建。例如,可以使用Java、Python、C、C++、汇编语言或任何已知的编程语言来设计程序段或程序模块。一个或多个这样的软件部分或模块可以被集成到计算机系统和/或计算机可读介质中。这种软件代码可以包括用于执行各种方法的计算机可读指令。软件代码可以形成计算机程序产品或计算机程序模块的一部分。此外,在一个示例中,软件代码可以诸如在执行期间或其他时间有形地存储在一个或多个易失性、非暂时性或非易失性有形计算机可读介质上。这些有形的计算机可读介质的示例可以包括但不限于硬盘、可移动磁盘、可移动光盘(例如,光盘和数字视频盘)、磁带盒、存储卡或棒、随机存取存储器(RAM),只读存储器(ROM)等。
此外,尽管在此描述了说明性实施例,但是范围包括具有基于本申请的等效要素、修改、省略、组合(例如,跨各种实施例的方案的组合)、调整或变更的任何和所有实施例。权利要求中的要素将基于权利要求中使用的语言进行宽泛地解释,而不限于本说明书中或在本申请的存续期间描述的示例,这些示例将被解释为非排他性的。此外,所公开的方法的步骤可以以任何方式进行修改,包括通过重新排序步骤或插入或删除步骤。因此,意图仅仅将描述视为例子,真正的范围由以下权利要求及其全部等同范围表示。
以上描述旨在是说明性的而不是限制性的。例如,上述示例(或其一个或多个方案)可以彼此组合使用。本领域普通技术人员在查看以上描述时可以使用其他实施例。而且,在上面的详细描述中,各种特征可以被组合在一起以简化本申请。这不应被解释成意图让不要求保护的公开特征对于任何权利要求而言都是必不可少的。因此,以下权利要求由此作为示例或实施例并入到具体实施方式中,其中每个权利要求独立作为单独的实施例,并且可以构想的是,这些实施例可以以各种组合或置换来相互组合。本发明的范围应该参考所附权利要求以及赋予这些权利要求的等同物的全部范围来确定。
Claims (11)
1.一种血管医学图像的目标检测方法,其特征在于,包括:
获取包含血管的3D血管医学图像和所述血管的3D中心线;
获取与所述3D血管医学图像对应的一组不同角度的2D血管医学图像;
对各个角度的2D血管医学图像进行分析,以得到对应角度的2D目标检测结果;
将各个角度的2D目标检测结果映射到所述血管的3D中心线,以得到所述血管的3D中心线的各个区域对应的各个角度的2D目标检测结果;以及
对于所述血管的3D中心线的各个区域,基于对应的各个角度的2D目标检测结果来确定所述各个区域的3D目标检测结果。
2.根据权利要求1所述的目标检测方法,其特征在于,基于所述3D血管医学图像来获取所述一组不同角度的2D血管医学图像。
3.根据权利要求1所述的目标检测方法,其特征在于,所述目标在所述血管中分布越规律或者所述目标的形状越规则,所述角度的间隔越大,所述目标包括血管病变和血管介入器械中的至少一种。
4.根据权利要求1所述的目标检测方法,其特征在于,所述2D目标检测结果包括所述目标的2D检出框和所述2D检出框的位置信息。
5.根据权利要求4所述的目标检测方法,其特征在于,将各个角度的2D目标检测结果映射到所述血管的3D中心线包括,对于各个2D检出框:
计算所述2D检出框的纵向坐标上限m和纵向坐标下限n,其中,n>m;
计算纵向坐标0到纵向坐标m-1的图像层中具有的2D中心线点的数量M;
计算纵向坐标0到纵向坐标n-1的图像层中具有的2D中心线点的数量N;
将所述2D检出框映射到所述3D中心线上第M+1个3D中心线点到第N+1个3D中心线点之间的区域。
6.根据权利要求1或5所述的目标检测方法,其特征在于,对于所述血管的3D中心线的各个区域,基于对应的各个角度的2D目标检测结果来确定所述各个区域的3D目标检测结果具体包括:
对各个区域所对应的所述各个角度的2D目标检测结果,通过取交集、并集或者投票,来确定所述各个区域的3D目标检测结果。
7.根据权利要求5所述的目标检测方法,其特征在于,对于所述血管的3D中心线的各个区域,基于对应的各个角度的2D目标检测结果来确定所述各个区域的3D目标检测结果具体包括:
对各个区域中各个3D中心线点被所述检出框覆盖的次数进行累计,得到各个3D中心线点的覆盖累计次数;
根据各个3D中心线点的覆盖累计次数,来确定各个3D中心线点是否属于所述目标,使得覆盖累计次数越大则属于所述目标的概率就越高。
8.根据权利要求7所述的目标检测方法,其特征在于,根据各个3D中心线点的覆盖累计次数,来确定各个3D中心线点是否属于所述目标:
将各个区域中各个3D中心线点的覆盖累计次数中的最大值乘以系数,来确定第一阈值,所述系数根据目标的规则度在0到1之间选择,使得所述目标的规则度越高则所述系数越高;
将各个3D中心线点的覆盖累计次数与所述第一阈值进行比较,如果大于所述第一阈值则判定该3D中心线属于所述目标。
9.根据权利要求1所述的目标检测方法,其特征在于,还包括:
根据3D目标检测结果,确定检出的3D目标的尺寸,在尺寸小于第二阈值时则删除该尺寸的3D目标;和/或
根据3D目标检测结果,确定检出的相邻的3D目标之间的距离,在所述距离小于第三阈值时,合并所述相邻的3D目标。
10.一种血管医学图像的目标检测装置,其特征在于,包括处理器,所述处理器配置为执行根据权利要求1-9中任何一项所述的目标检测方法。
11.一种计算机可读介质,其上存储有计算机可执行指令,所述计算机可执行指令由处理器执行时用于实行根据权利要求1-9中任何一项所述的目标检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210785477.XA CN114862850B (zh) | 2022-07-06 | 2022-07-06 | 一种血管医学图像的目标检测方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210785477.XA CN114862850B (zh) | 2022-07-06 | 2022-07-06 | 一种血管医学图像的目标检测方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114862850A true CN114862850A (zh) | 2022-08-05 |
CN114862850B CN114862850B (zh) | 2022-09-20 |
Family
ID=82626090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210785477.XA Active CN114862850B (zh) | 2022-07-06 | 2022-07-06 | 一种血管医学图像的目标检测方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114862850B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266290A (zh) * | 2007-02-19 | 2008-09-17 | 威斯康星校友研究基金会 | 迭代的高度约束的图像重建方法 |
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 |
US20170148161A1 (en) * | 2015-11-23 | 2017-05-25 | Lightlab Imaging, Inc. | Detection of and Validation of Shadows in Intravascular Images |
CN107563983A (zh) * | 2017-09-28 | 2018-01-09 | 上海联影医疗科技有限公司 | 图像处理方法以及医学成像设备 |
CN108022238A (zh) * | 2017-08-09 | 2018-05-11 | 深圳科亚医疗科技有限公司 | 对3d图像中对象进行检测的方法、计算机存储介质和系统 |
US20190050982A1 (en) * | 2017-08-09 | 2019-02-14 | Shenzhen Keya Medical Technology Corporation | System and method for automatically detecting a physiological condition from a medical image of a patient |
US20190073805A1 (en) * | 2017-09-07 | 2019-03-07 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and storage medium |
CN110211111A (zh) * | 2019-05-31 | 2019-09-06 | 上海联影医疗科技有限公司 | 一种血管提取的方法、装置、图像处理设备及存储介质 |
CN111968070A (zh) * | 2020-04-22 | 2020-11-20 | 深圳睿心智能医疗科技有限公司 | 一种基于三维建模的血管检测方法及装置 |
CN112652032A (zh) * | 2021-01-14 | 2021-04-13 | 深圳科亚医疗科技有限公司 | 器官的建模方法、图像分类装置和存储介质 |
CN112837306A (zh) * | 2021-02-20 | 2021-05-25 | 薛竟宜 | 基于深度学习和中智理论的冠状动脉病变功能学定量方法 |
US20210174125A1 (en) * | 2019-12-05 | 2021-06-10 | Canon U.S.A., Inc. | Lumen, stent, and/or artifact detection in one or more images, such as in optical coherence tomography images |
CN113205488A (zh) * | 2021-04-19 | 2021-08-03 | 深圳睿心智能医疗科技有限公司 | 血流特性预测方法、装置、电子设备及存储介质 |
CN113516700A (zh) * | 2021-07-07 | 2021-10-19 | 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 |
CN113706559A (zh) * | 2021-09-13 | 2021-11-26 | 复旦大学附属中山医院 | 基于医学图像的血管分段提取方法和装置 |
CN113902741A (zh) * | 2021-12-08 | 2022-01-07 | 深圳科亚医疗科技有限公司 | 一种对医学图像进行血管分割的方法、装置及介质 |
CN114119602A (zh) * | 2021-12-20 | 2022-03-01 | 深圳科亚医疗科技有限公司 | 对医学图像进行对象分析的方法、装置和存储介质 |
CN114126491A (zh) * | 2019-07-22 | 2022-03-01 | 西门子医疗有限公司 | 血管造影图像中的冠状动脉钙化的评估 |
US20220148222A1 (en) * | 2019-02-28 | 2022-05-12 | Vr Doctor Medical Technology (Shenzhen) Co., Ltd. | Image three-dimensional measurement method, electronic device, storage medium and program product |
CN114596311A (zh) * | 2022-04-22 | 2022-06-07 | 深圳科亚医疗科技有限公司 | 基于血管图像的血管功能评估方法和血管功能评估装置 |
-
2022
- 2022-07-06 CN CN202210785477.XA patent/CN114862850B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266290A (zh) * | 2007-02-19 | 2008-09-17 | 威斯康星校友研究基金会 | 迭代的高度约束的图像重建方法 |
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 |
US20170148161A1 (en) * | 2015-11-23 | 2017-05-25 | Lightlab Imaging, Inc. | Detection of and Validation of Shadows in Intravascular Images |
CN108022238A (zh) * | 2017-08-09 | 2018-05-11 | 深圳科亚医疗科技有限公司 | 对3d图像中对象进行检测的方法、计算机存储介质和系统 |
US20190050982A1 (en) * | 2017-08-09 | 2019-02-14 | Shenzhen Keya Medical Technology Corporation | System and method for automatically detecting a physiological condition from a medical image of a patient |
US20190073805A1 (en) * | 2017-09-07 | 2019-03-07 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and storage medium |
CN107563983A (zh) * | 2017-09-28 | 2018-01-09 | 上海联影医疗科技有限公司 | 图像处理方法以及医学成像设备 |
US20220148222A1 (en) * | 2019-02-28 | 2022-05-12 | Vr Doctor Medical Technology (Shenzhen) Co., Ltd. | Image three-dimensional measurement method, electronic device, storage medium and program product |
CN110211111A (zh) * | 2019-05-31 | 2019-09-06 | 上海联影医疗科技有限公司 | 一种血管提取的方法、装置、图像处理设备及存储介质 |
CN114126491A (zh) * | 2019-07-22 | 2022-03-01 | 西门子医疗有限公司 | 血管造影图像中的冠状动脉钙化的评估 |
US20210174125A1 (en) * | 2019-12-05 | 2021-06-10 | Canon U.S.A., Inc. | Lumen, stent, and/or artifact detection in one or more images, such as in optical coherence tomography images |
CN111968070A (zh) * | 2020-04-22 | 2020-11-20 | 深圳睿心智能医疗科技有限公司 | 一种基于三维建模的血管检测方法及装置 |
CN112652032A (zh) * | 2021-01-14 | 2021-04-13 | 深圳科亚医疗科技有限公司 | 器官的建模方法、图像分类装置和存储介质 |
CN112837306A (zh) * | 2021-02-20 | 2021-05-25 | 薛竟宜 | 基于深度学习和中智理论的冠状动脉病变功能学定量方法 |
CN113205488A (zh) * | 2021-04-19 | 2021-08-03 | 深圳睿心智能医疗科技有限公司 | 血流特性预测方法、装置、电子设备及存储介质 |
CN113516700A (zh) * | 2021-07-07 | 2021-10-19 | 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 |
CN113706559A (zh) * | 2021-09-13 | 2021-11-26 | 复旦大学附属中山医院 | 基于医学图像的血管分段提取方法和装置 |
CN113902741A (zh) * | 2021-12-08 | 2022-01-07 | 深圳科亚医疗科技有限公司 | 一种对医学图像进行血管分割的方法、装置及介质 |
CN114565592A (zh) * | 2021-12-08 | 2022-05-31 | 深圳科亚医疗科技有限公司 | 一种对医学图像进行血管分割的方法、装置及介质 |
CN114119602A (zh) * | 2021-12-20 | 2022-03-01 | 深圳科亚医疗科技有限公司 | 对医学图像进行对象分析的方法、装置和存储介质 |
CN114596311A (zh) * | 2022-04-22 | 2022-06-07 | 深圳科亚医疗科技有限公司 | 基于血管图像的血管功能评估方法和血管功能评估装置 |
Non-Patent Citations (5)
Title |
---|
GILES TETTEH 等: "DeepVesselNet: Vessel Segmentation, Centerline Prediction, and Bifurcation Detection in 3-D Angiographic Volumes", 《FRONTIERS IN NEUROSCIENCE》 * |
YUANZHI CHENG 等: "Automatic centerline detection of small three-dimensional vessel structures", 《JOURNAL OF ELECTRONIC IMAGING》 * |
贾海晶: "基于深度学习的超声图像中静脉检测算法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
郭晓宇: "医学图像中的血管分割算法研究", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
黄文博: "彩色眼底视网膜图像中相关目标检测方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114862850B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101503940B1 (ko) | 신경퇴행성 질환의 진단을 돕는 수단 | |
CN113902741B (zh) | 一种对医学图像进行血管分割的方法、装置及介质 | |
US9218661B2 (en) | Image analysis for specific objects | |
US7564998B2 (en) | Image processing apparatus and method, and program | |
CN102231963B (zh) | 重新参数化的牛眼图 | |
US8824755B2 (en) | Method and computer system for automatically generating a statistical model | |
US20120083696A1 (en) | Apparatus, method and medium storing program for reconstructing intra-tubular-structure image | |
EP3489893B1 (en) | Method and system for assessing a haemodynamic parameter | |
CN110944586B (zh) | 来自x射线图像数据的炎症估计 | |
CN114119602B (zh) | 对医学图像进行对象分析的方法、装置和存储介质 | |
CN111476791B (zh) | 图像处理方法、图像处理装置和非暂时性计算机可读介质 | |
CN111429502B (zh) | 用于生成对象的中心线的方法和系统以及计算机可读介质 | |
CN106388843A (zh) | 医学影像设备及其扫描方法 | |
CN114596311B (zh) | 基于血管图像的血管功能评估方法和血管功能评估装置 | |
CN112700451A (zh) | 用于自动分割3d医学图像的方法、系统和计算机可读介质 | |
CN114419031B (zh) | 一种脑中线的自动定位方法及其装置 | |
WO2021011775A1 (en) | Systems and methods for generating classifying and quantitative analysis reports of aneurysms from medical image data | |
JP5669977B1 (ja) | 心筋輪郭抽出技術 | |
US11464571B2 (en) | Virtual stent placement apparatus, virtual stent placement method, and virtual stent placement program | |
CN110070534B (zh) | 用于基于血管图像自动获取特征序列的方法和预测血流储备分数的装置 | |
CN114862850B (zh) | 一种血管医学图像的目标检测方法、装置及介质 | |
CN114004835B (zh) | 对医学图像进行对象分析的方法、装置和存储介质 | |
CN114782443A (zh) | 基于数据增强的动脉瘤风险评估的装置和存储介质 | |
CN115330669A (zh) | 预测解剖结构的疾病量化参数的计算机实现的方法、系统及存储介质 | |
US20200170713A1 (en) | Virtual stent placement apparatus, virtual stent placement method, and virtual stent placement program |
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 |