CN106548213A - 血管识别方法和装置 - Google Patents

血管识别方法和装置 Download PDF

Info

Publication number
CN106548213A
CN106548213A CN201611079074.4A CN201611079074A CN106548213A CN 106548213 A CN106548213 A CN 106548213A CN 201611079074 A CN201611079074 A CN 201611079074A CN 106548213 A CN106548213 A CN 106548213A
Authority
CN
China
Prior art keywords
blood vessel
vessel
centerline
feature
vessel centerline
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
Application number
CN201611079074.4A
Other languages
English (en)
Other versions
CN106548213B (zh
Inventor
赵鹏
毛玉妃
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.)
Wuhan United Imaging Life Science Instrument Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
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 Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN201611079074.4A priority Critical patent/CN106548213B/zh
Publication of CN106548213A publication Critical patent/CN106548213A/zh
Application granted granted Critical
Publication of CN106548213B publication Critical patent/CN106548213B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明实施例提供了一种血管识别方法和装置，涉及医学影像技术领域，能够提高血管识别的效率。该血管识别方法包括：获取待识别血管的血管中心线的特征；根据所获取的待识别血管的血管中心线的特征，利用预先基于机器学习算法、已知的血管的种类和所对应的血管中心线的特征建立的血管识别模型，识别所述待识别血管的种类。

Description

血管识别方法和装置
【技术领域】
本发明涉及医学影像技术领域，尤其涉及一种血管识别方法和装置。
【背景技术】
在基于图像的血管应用中，例如电子计算机断层扫描(Computed Tomography，CT)图像或核磁共振(Magnetic Resonance，MR)图像，分割出血管之后，还需要识别出血管在解剖学上属于什么血管，例如，在腹部血管中，需要识别出腹主动脉、肠系膜上动脉、肝动脉、脾动脉、左肾动脉、右肾动脉、左腿动脉和右腿动脉。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
对于这些不同类型的血管的识别，目前是通过人工进行识别，识别效率较低。
【发明内容】
有鉴于此，本发明提供了一种血管识别方法和装置，能够提高血管识别的效率。
一方面，提供了一种血管识别方法，包括：
获取待识别血管的血管中心线的特征；
根据所获取的待识别血管的血管中心线的特征，利用预先基于机器学习算法、已知的血管的种类和所对应的血管中心线的特征建立的血管识别模型，识别所述待识别血管的种类。
具体地，在所述根据所获取的待识别血管的血管中心线的特征，利用预先基于机器学习算法、已知的血管的种类和所对应的血管中心线的特征建立的血管识别模型，识别所述待识别血管的种类过程之前，还包括：
获取已知的血管的种类和对应的血管中心线的特征，并作为训练样本；
基于机器学习算法对所述训练样本进行训练，建立所述血管识别模型。
具体地，任意所述血管中心线的特征包括：用于表示血管中心线的位置、长度或走势的特征。
具体地，所述用于表示血管中心线的位置、长度或走势的特征包括：血管中心线上的位置坐标值和/或血管中心线上的两个位置坐标值之差；
所述血管中心线上的位置坐标值包括以下各项之一或任意组合：血管中心线的起始坐标值、血管中心线的终点坐标值、血管中心线的中点坐标值以及血管中心线从起始位置至预设位置之间的终点坐标值和中点坐标值；
所述血管中心线上的两个位置坐标值之差包括以下各项之一或任意组合：血管中心线的起始坐标值与终点坐标值之差、血管中心线的起始坐标值与中点坐标值之差、血管中心线的中点坐标值与终点坐标值之差、血管中心线从起始位置至预设位置之间的起始坐标值与终点坐标值之差、血管中心线从起始位置至预设位置之间的起始坐标值与中点坐标值之差以及血管中心线从起始位置至预设位置之间的中点坐标值与终点坐标值之差。
具体地，在所述基于机器学习算法对所述训练样本进行训练，建立所述血管识别模型的过程之前，还包括：
确定不同种类的血管的识别顺序；
所述基于机器学习算法对所述训练样本进行训练，建立所述血管识别模型具体为：
基于机器学习算法按照所述识别顺序对所述训练样本进行训练，获得每个血管种类所对应的血管识别模型；
所述根据所获取的待识别血管的血管中心线的特征，利用预先基于机器学习算法、已知的血管的种类和所对应的血管中心线的特征建立的血管识别模型，识别所述待识别血管的种类的过程为：
按照所述识别顺序利用每个血管种类所对应的血管识别模型识别所述待识别血管的种类；
任意所述血管中心线的特征还包括：用于表示所述识别顺序中除了排序在第一位之外的任意血管的血管中心线与所述识别顺序中排序在该血管之前的血管的血管中心线之间的相互位置关系的特征。
具体地，所述用于表示所述识别顺序中除了排序在第一位之外的任意血管的血管中心线与所述识别顺序中排序在该血管之前的血管的血管中心线之间的相互位置关系的特征包括：所述识别顺序中除了排序在第一位之外的任意血管与排序在该血管之前的血管的血管中心线上相同位置的坐标值之差；
所述血管中心线上相同位置的坐标值之差包括以下各项之一或任意组合：血管中心线的起始坐标值之差、血管中心线的终点坐标值之差、血管中心线的中点坐标值之差、血管中心线的预设位置坐标值之差以及血管中心线从起始位置至所述预设位置之间的中点坐标值之差。
具体地，所述血管识别模型为ID3决策树。
另一方面，提供一种血管识别装置，包括：
特征获取单元，用于获取待识别血管的血管中心线的特征；
识别单元，用于根据所获取的待识别血管的血管中心线的特征，利用预先基于机器学习算法、已知的血管的种类和所对应的血管中心线的特征建立的血管识别模型，识别所述待识别血管的种类。
具体地，上述血管识别装置还包括：
样本获取单元，用于获取已知的血管的种类和对应的血管中心线的特征，并作为训练样本；
模型建立单元，用于基于机器学习算法对所述训练样本进行训练，建立所述血管识别模型。
具体地，任意所述血管中心线的特征包括：用于表示血管中心线的位置、长度或走势的特征。
具体地，所述用于表示血管中心线的位置、长度或走势的特征包括：血管中心线上的位置坐标值和/或血管中心线上的两个位置坐标值之差；
所述血管中心线上的位置坐标值包括以下各项之一或任意组合：血管中心线的起始坐标值、血管中心线的终点坐标值、血管中心线的中点坐标值以及血管中心线从起始位置至预设位置之间的终点坐标值和中点坐标值；
所述血管中心线上的两个位置坐标值之差包括以下各项之一或任意组合：血管中心线的起始坐标值与终点坐标值之差、血管中心线的起始坐标值与中点坐标值之差、血管中心线的中点坐标值与终点坐标值之差、血管中心线从起始位置至预设位置之间的起始坐标值与终点坐标值之差、血管中心线从起始位置至预设位置之间的起始坐标值与中点坐标值之差以及血管中心线从起始位置至预设位置之间的中点坐标值与终点坐标值之差。
具体地，上述血管识别装置，还包括：
顺序确定单元，用于确定不同种类的血管的识别顺序；
所述模型建立单元具体用于，基于机器学习算法按照所述识别顺序对所述训练样本进行训练，获得每个血管种类所对应的血管识别模型；
所述识别单元具体用于，按照所述识别顺序利用每个血管种类所对应的血管识别模型识别所述待识别血管的种类；
任意所述血管中心线的特征还包括：用于表示所述识别顺序中除了排序在第一位之外的任意血管的血管中心线与所述识别顺序中排序在该血管之前的血管的血管中心线之间的相互位置关系的特征。
具体地，所述用于表示所述识别顺序中除了排序在第一位之外的任意血管的血管中心线与所述识别顺序中排序在该血管之前的血管的血管中心线之间的相互位置关系的特征包括：所述识别顺序中除了排序在第一位之外的任意血管与排序在该血管之前的血管的血管中心线上相同位置的坐标值之差；
所述血管中心线上相同位置的坐标值之差包括以下各项之一或任意组合：血管中心线的起始坐标值之差、血管中心线的终点坐标值之差、血管中心线的中点坐标值之差、血管中心线的预设位置坐标值之差以及血管中心线从起始位置至所述预设位置之间的中点坐标值之差。
具体地，所述血管识别模型为ID3决策树。
本发明实施例提供的血管识别方法和装置，预先基于机器学习算法、已知的血管的种类和所对应的血管中心线的特征建立血管识别模型，当进行血管识别时，根据待识别血管的血管中心线的特征和预先建立的血管识别模型来实现血管的识别，与现有的人工识别方式相比，提高了血管识别的效率。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例中一种血管识别方法的流程图；
图2为本发明实施例中另一种血管识别方法的流程图；
图3为本发明实施例中一种血管所对应的决策树的示意图；
图4为本发明实施例中一种血管识别装置的结构框图；
图5为本发明实施例中另一种血管识别装置的结构框图。
【具体实施方式】
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，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，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
如图1所示，本发明实施例提供一种血管识别方法，包括：
步骤101、获取待识别血管的血管中心线的特征；
在该步骤中，血管中心线的特征可以为指示血管中心线的长度、走势或位置等的形态特征，在该步骤之前，需要预先提取待识别血管的血管中心线。
步骤102、根据所获取的待识别血管的血管中心线的特征，利用预先基于机器学习算法、已知的血管的种类和所对应的血管中心线的特征建立的血管识别模型，识别上述待识别血管的种类。
在该步骤之前，需要预先基于机器学习算法建立血管识别模型，由于血管中心线与血管具有对应关系，不同种类的血管，其血管中心线具有不同的形态，预先基于机器学习算法可以根据血管中心线的特征和其对应的血管的种类建立用于预测血管种类的模型，利用该模型并根据待识别血管的血管中心线的特征，即可预测待识别的血管的种类，即识别上述待识别血管的种类。
本实施例中的血管识别方法，预先基于机器学习算法、已知的血管的种类和所对应的血管中心线的特征建立血管识别模型，当进行血管识别时，根据待识别血管的血管中心线的特征和预先建立的血管识别模型来实现血管的识别，与现有的人工识别方式相比，提高了血管识别的效率。
如图2所示，具体地，在上述步骤102、根据所获取的待识别血管的血管中心线的特征，利用预先基于机器学习算法、已知的血管的种类和所对应的血管中心线的特征建立的血管识别模型，识别上述待识别血管的种类的过程之前，还包括：
步骤1011、获取已知的血管的种类和对应的血管中心线的特征，并作为训练样本；
建立血管识别模型的过程中，首先需要将已处理完成的图像进行血管中心线的提取，并标记血管中心线所对应的血管种类，提取血管中心线的特征。
步骤1012、基于机器学习算法对上述训练样本进行训练，建立上述血管识别模型。
其中，血管种类作为血管识别模型的结果，血管中心线的特征作为血管识别模型预测结果所需要的属性。
需要说明的是，上述步骤1011与步骤101之间没有先后顺序的限制，但是通常可以先进行步骤1011和步骤1012对训练样本进行训练来建立血管识别模型，再进行步骤101和步骤102来对待识别的血管进行识别。
具体地，任意血管中心线的特征包括：用于表示血管中心线的位置、长度或走势的特征。这里的任意血管中心线包括步骤101中待识别血管的血管中心线，以及步骤1011中训练样本的血管中心线。
具体地，上述用于表示血管中心线的位置、长度或走势的特征包括：血管中心线上的位置坐标值和/或血管中心线上的两个位置坐标值之差。
上述血管中心线上的位置坐标值包括以下各项之一或任意组合：血管中心线的起始坐标值、血管中心线的终点坐标值、血管中心线的中点坐标值以及血管中心线从起始位置至预设位置之间的终点坐标值和中点坐标值。
血管中心线所在的图像为三维图像，血管中心线上的任意位置都具有x、y、z三个坐标值，血管中心线上的位置坐标值可以用来表示血管中心线的形态，例如血管中心线的起始坐标值和终点坐标值，即用来表示血管中心线两端的位置，血管中心线的中点坐标值为血管中心线的起始坐标值和终点坐标值的平均值，用来表示血管中心线中心的位置，对于清晰的血管中心线，可以确定其终点坐标值和中点坐标值，但是对于不清晰的血管中心线，若血管中心线在某处断开，则获取到的终点坐标值和中点坐标值不准确，通常，血管中心线不会在开始的一段断开，因此可以将血管中心线从起始位置至预设位置之间的终端坐标值和中点坐标值作为特征，以保证可以根据这一部分的准确特征来表示血管中心线的形态，预设位置可以根据需要确定，例如对于血管中心线，从起始位置开始每隔一定距离设置一个点，预设位置为第50个点的位置。
上述血管中心线上的两个位置坐标值之差包括以下各项之一或任意组合：血管中心线的起始坐标值与终点坐标值之差、血管中心线的起始坐标值与中点坐标值之差、血管中心线的中点坐标值与终点坐标值之差、血管中心线从起始位置至预设位置之间的起始坐标值与终点坐标值之差、血管中心线从起始位置至预设位置之间的起始坐标值与中点坐标值之差以及血管中心线从起始位置至预设位置之间的中点坐标值与终点坐标值之差。血管中心线上的两个位置坐标值之差同样用于表示血管中心线的形态。
进一步地，在上述步骤1012、基于机器学习算法对上述训练样本进行训练，建立上述血管识别模型的过程之前，还包括：
1001、确定不同种类的血管的识别顺序，该顺序可以按照经验确定，例如血管识别的难易程度、不同种类的血管的相互位置依赖关系；
上述步骤1012、基于机器学习算法对上述训练样本进行训练，建立上述血管识别模型具体为：基于机器学习算法按照上述识别顺序对上述训练样本进行训练，获得每个血管种类所对应的血管识别模型。
上述步骤102、根据所获取的待识别血管的血管中心线的特征，利用预先基于机器学习算法、已知的血管的种类和所对应的血管中心线的特征建立的血管识别模型，识别上述待识别血管的种类的过程为：按照上述识别顺序利用每个血管种类所对应的血管识别模型识别上述待识别血管的种类；
任意血管中心线的特征还包括：用于表示上述识别顺序中除了排序在第一位之外的任意血管的血管中心线与上述识别顺序中排序在该血管之前的血管的血管中心线之间的相互位置关系的特征。
具体地，上述用于表示上述识别顺序中除了排序在第一位之外的任意血管的血管中心线与上述识别顺序中排序在该血管之前的血管的血管中心线之间的相互位置关系的特征包括：上述识别顺序中除了排序在第一位之外的任意血管与排序在该血管之前的血管的血管中心线上相同位置的坐标值之差；
上述血管中心线上相同位置的坐标值之差包括以下各项之一或任意组合：血管中心线的起始坐标值之差、血管中心线的终点坐标值之差、血管中心线的中点坐标值之差、血管中心线的预设位置坐标值之差以及血管中心线从起始位置至所述预设位置之间的中点坐标值之差。
例如，上述识别顺序为A脉、B脉和C脉，先根据训练样本中所有A脉的血管中心线的特征进行训练，建立A脉的血管识别模型，此处的特征仅用于表示A脉的血管中心线本身的形态；A脉的血管识别模型建立完成之后，根据训练样本中所有B脉的血管中心线的特征进行训练，建立B脉的血管识别模型，B脉的血管中心线的特征除了用于表示B脉的血管中心线本身的形态外，还可以用于表示B脉与A脉的血管中心线之间的相互位置关系；B脉的血管识别模型建立完成之后，根据训练样本中所有C脉的血管中心线的特征建立C脉的血管识别模型，C脉的血管中心线的特征除了用于表示C脉的血管中心线本身的形态外，还可以用于表示C脉与A脉和/或C脉与B脉之间的相互位置关系。在所有种类的血管识别模型均建立完成之后，即可通过这些模型来识别血管，对于待识别的血管，首先根据A脉的血管识别模型进行识别，判断若该待识别的血管属于A脉，则识别完成，若不属于A脉，再根据B脉的血管识别模型进行识别，若判断该带识别的血管属于B脉，则识别完成，若不属于B脉，再根据C脉的血管识别模型进行识别，若判断该待识别的血管属于C脉，则识别完成。按照确定的识别顺序来进行训练和识别，可以将该识别顺序中位置后置的血管中心线与位置前置的血管中心线的互相位置关系作为特征，以利于后置位置的血管识别。
具体地，上述血管识别模型为ID3决策树，决策树一般利用熵度量样本的均一性，种类为S的血管对应的信息熵公式为：
Entropy(S)＝-p-log2p--p+log2p+，其中，p-为负样本在训练样本中所占的比例，p+为正样本在训练样本中所占的比例，S表示血管的种类；
特征为N对应的信息增益公式为：其中，value(N)是属于特征N所有可能值的集合；
在训练过程中，按照上述识别顺序选取待训练的血管，对于待训练的血管，将训练样本中所有属于该血管的样本作为正样本，所有不属于该血管的样本作为负样本，确定具有最大信息增益的特征，将该特征和该特征的值作为节点，并划分子集，对于每个子集，确定除已划分的特征外，具有最大信息增益的特征，将该特征和该特征值作为节点，并划分子集，以此类推，建立该待训练的血管对应的决策树，直到叶子节点的样本全部为正样本或者负样本为止。决策树是一种预测模型，按照上述训练方法，每一个血管种类对应一个决策树，根据该决策树，即可判断待识别血管是否属于该决策树所对应的血管种类，因此在识别血管之前，需要预先建立所有血管类型对应的决策树，以确定能够识别出该待识别血管的种类。当所有的血管对应的决策树均建立完成后，即可以进入上述步骤102的过程来识别上述待识别血管的种类。例如，图3为D血管所对应的决策树，按照该决策树各节点的特征对待识别血管的血管中心线进行判断，首先根据该决策树的根节点判断血管中心线长度是否大于13mm，若否，则判断该待识别血管不属于D血管，按照上述识别顺序选取后续的血管所对应的决策树进行识别，若是，则进入决策树的下一个子节点；在该子节点中判断血管中心线的起始坐标是否属于预设范围，若否，则判断该待识别血管不属于D血管，按照上述识别顺序选取后续的血管所对应的决策树进行识别，若是，则进入决策树的下一个子节点；在该子节点中判断血管中心线的终点坐标是否属于预设范围，若否，则判断该待识别血管不属于D血管，按照上述识别顺序选取后续的血管所对应的决策树进行识别，若是，则进入决策树的下一个子节点；在该子节点中判断血管中心线的起始坐标和终点坐标的平均值是否属于预设范围，若否，则判断该待识别血管不属于D血管，按照上述识别顺序选取后续的血管所对应的决策树进行识别，若是，则判断该待识别血管属于D血管，识别完成。
如图4所示，本发明实施例还提供一种血管识别装置，包括：特征获取单元1，用于获取待识别血管的血管中心线的特征；识别单元2，用于根据所获取的待识别血管的血管中心线的特征，利用预先基于机器学习算法、已知的血管的种类和所对应的血管中心线的特征建立的血管识别模型，识别上述待识别血管的种类。
需要说明的是，该血管识别装置可以应用上述实施例中的血管识别方法，其具体过程和原理与上述实施例相同，在此不再赘述。
本实施例中的血管识别装置，预先基于机器学习算法、已知的血管的种类和所对应的血管中心线的特征建立血管识别模型，当进行血管识别时，根据待识别血管的血管中心线的特征和预先建立的血管识别模型来实现血管的识别，与现有的人工识别方式相比，提高了血管识别的效率。
如图5所示，具体地，上述血管识别装置还包括：样本获取单元3，用于获取已知的血管的种类和对应的血管中心线的特征，并作为训练样本；模型建立单元4，用于基于机器学习算法对上述训练样本进行训练，建立上述血管识别模型。
具体地，任意血管中心线的特征包括：用于表示血管中心线的位置、长度或走势的特征。
具体地，上述用于表示血管中心线的位置、长度或走势的特征包括：血管中心线上的位置坐标值和/或血管中心线上的两个位置坐标值之差；
血管中心线上的位置坐标值包括以下各项之一或任意组合：血管中心线的起始坐标值、血管中心线的终点坐标值、血管中心线的中点坐标值以及血管中心线从起始位置至预设位置之间的终点坐标值和中点坐标值；
血管中心线上的两个位置坐标值之差包括以下各项之一或任意组合：血管中心线的起始坐标值与终点坐标值之差、血管中心线的起始坐标值与中点坐标值之差、血管中心线的中点坐标值与终点坐标值之差、血管中心线从起始位置至预设位置之间的起始坐标值与终点坐标值之差、血管中心线从起始位置至预设位置之间的起始坐标值与中点坐标值之差以及血管中心线从起始位置至预设位置之间的中点坐标值与终点坐标值之差。
具体地，上述血管识别装置还包括：顺序确定单元5，用于确定不同种类的血管的识别顺序；模型建立单元4具体用于，基于机器学习算法按照上述识别顺序对上述训练样本进行训练，获得每个血管种类所对应的血管识别模型；识别单元2具体用于，按照上述识别顺序利用每个血管种类所对应的血管识别模型识别上述待识别血管的种类；任意血管中心线的特征还包括：用于表示上述识别顺序中除了排序在第一位之外的任意血管的血管中心线与上述识别顺序中排序在该血管之前的血管的血管中心线之间的相互位置关系的特征。
具体地，上述用于表示所述识别顺序中除了排序在第一位之外的任意血管的血管中心线与上述识别顺序中排序在该血管之前的血管的血管中心线之间的相互位置关系的特征包括：上述识别顺序中除了排序在第一位之外的任意血管与排序在该血管之前的血管的血管中心线上相同位置的坐标值之差；
上述血管中心线上相同位置的坐标值之差包括以下各项之一或任意组合：血管中心线的起始坐标值之差、血管中心线的终点坐标值之差、血管中心线的中点坐标值之差、血管中心线的预设位置坐标值之差以及血管中心线从起始位置至所述预设位置之间的中点坐标值之差。
具体地，上述血管识别模型为ID3决策树。
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。
在本发明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，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (12)

1.一种血管识别方法，其特征在于，包括：
获取待识别血管的血管中心线的特征；
根据所获取的待识别血管的血管中心线的特征，利用预先基于机器学习算法、已知的血管的种类和所对应的血管中心线的特征建立的血管识别模型，识别所述待识别血管的种类。
2.根据权利要求1所述的方法，其特征在于，
在所述根据所获取的待识别血管的血管中心线的特征，利用预先基于机器学习算法、已知的血管的种类和所对应的血管中心线的特征建立的血管识别模型，识别所述待识别血管的种类过程之前，还包括：
获取已知的血管的种类和对应的血管中心线的特征，并作为训练样本；
基于机器学习算法对所述训练样本进行训练，建立所述血管识别模型。
3.根据权利要求2所述的方法，其特征在于，
任意所述血管中心线的特征包括：用于表示血管中心线的位置、长度或走势的特征。
4.根据权利要求3所述的方法，其特征在于，
所述用于表示血管中心线的位置、长度或走势的特征包括：血管中心线上的位置坐标值和/或血管中心线上的两个位置坐标值之差；
所述血管中心线上的位置坐标值包括以下各项之一或任意组合：血管中心线的起始坐标值、血管中心线的终点坐标值、血管中心线的中点坐标值以及血管中心线从起始位置至预设位置之间的终点坐标值和中点坐标值；
所述血管中心线上的两个位置坐标值之差包括以下各项之一或任意组合：血管中心线的起始坐标值与终点坐标值之差、血管中心线的起始坐标值与中点坐标值之差、血管中心线的中点坐标值与终点坐标值之差、血管中心线从起始位置至预设位置之间的起始坐标值与终点坐标值之差、血管中心线从起始位置至预设位置之间的起始坐标值与中点坐标值之差以及血管中心线从起始位置至预设位置之间的中点坐标值与终点坐标值之差。
5.根据权利要求3或4所述的方法，其特征在于，
在所述基于机器学习算法对所述训练样本进行训练，建立所述血管识别模型的过程之前，还包括：
确定不同种类的血管的识别顺序；
所述基于机器学习算法对所述训练样本进行训练，建立所述血管识别模型具体为：
基于机器学习算法按照所述识别顺序对所述训练样本进行训练，获得每个血管种类所对应的血管识别模型；
所述根据所获取的待识别血管的血管中心线的特征，利用预先基于机器学习算法、已知的血管的种类和所对应的血管中心线的特征建立的血管识别模型，识别所述待识别血管的种类的过程为：
按照所述识别顺序利用每个血管种类所对应的血管识别模型识别所述待识别血管的种类；
任意所述血管中心线的特征还包括：用于表示所述识别顺序中除了排序在第一位之外的任意血管的血管中心线与所述识别顺序中排序在该血管之前的血管的血管中心线之间的相互位置关系的特征。
6.根据权利要求5所述的方法，其特征在于，
所述用于表示所述识别顺序中除了排序在第一位之外的任意血管的血管中心线与所述识别顺序中排序在该血管之前的血管的血管中心线之间的相互位置关系的特征包括：所述识别顺序中除了排序在第一位之外的任意血管与排序在该血管之前的血管的血管中心线上相同位置的坐标值之差；
所述血管中心线上相同位置的坐标值之差包括以下各项之一或任意组合：血管中心线的起始坐标值之差、血管中心线的终点坐标值之差、血管中心线的中点坐标值之差、血管中心线的预设位置坐标值之差以及血管中心线从起始位置至所述预设位置之间的中点坐标值之差。
7.根据权利要求6所述的方法，其特征在于，
所述血管识别模型为ID3决策树。
8.一种血管识别装置，其特征在于，包括：
特征获取单元，用于获取待识别血管的血管中心线的特征；
识别单元，用于根据所获取的待识别血管的血管中心线的特征，利用预先基于机器学习算法、已知的血管的种类和所对应的血管中心线的特征建立的血管识别模型，识别所述待识别血管的种类。
9.根据权利要求8所述的血管识别装置，其特征在于，还包括：
样本获取单元，用于获取已知的血管的种类和对应的血管中心线的特征，并作为训练样本；
模型建立单元，用于基于机器学习算法对所述训练样本进行训练，建立所述血管识别模型。
10.根据权利要求9所述的血管识别装置，其特征在于，
任意所述血管中心线的特征包括：用于表示血管中心线的位置、长度或走势的特征。
11.根据权利要求10所述的血管识别装置，其特征在于，
所述用于表示血管中心线的位置、长度或走势的特征包括：血管中心线上的位置坐标值和/或血管中心线上的两个位置坐标值之差；
所述血管中心线上的位置坐标值包括以下各项之一或任意组合：血管中心线的起始坐标值、血管中心线的终点坐标值、血管中心线的中点坐标值以及血管中心线从起始位置至预设位置之间的终点坐标值和中点坐标值；
所述血管中心线上的两个位置坐标值之差包括以下各项之一或任意组合：血管中心线的起始坐标值与终点坐标值之差、血管中心线的起始坐标值与中点坐标值之差、血管中心线的中点坐标值与终点坐标值之差、血管中心线从起始位置至预设位置之间的起始坐标值与终点坐标值之差、血管中心线从起始位置至预设位置之间的起始坐标值与中点坐标值之差以及血管中心线从起始位置至预设位置之间的中点坐标值与终点坐标值之差。
12.根据权利要求10或11所述的血管识别装置，其特征在于，还包括：
顺序确定单元，用于确定不同种类的血管的识别顺序；
所述模型建立单元具体用于，基于机器学习算法按照所述识别顺序对所述训练样本进行训练，获得每个血管种类所对应的血管识别模型；
所述识别单元具体用于，按照所述识别顺序利用每个血管种类所对应的血管识别模型识别所述待识别血管的种类；
任意所述血管中心线的特征还包括：用于表示所述识别顺序中除了排序在第一位之外的任意血管的血管中心线与所述识别顺序中排序在该血管之前的血管的血管中心线之间的相互位置关系的特征。
CN201611079074.4A 2016-11-30 2016-11-30 血管识别方法和装置 Active CN106548213B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611079074.4A CN106548213B (zh) 2016-11-30 2016-11-30 血管识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611079074.4A CN106548213B (zh) 2016-11-30 2016-11-30 血管识别方法和装置

Publications (2)

Publication Number Publication Date
CN106548213A true CN106548213A (zh) 2017-03-29
CN106548213B CN106548213B (zh) 2019-04-23

Family

ID=58397059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611079074.4A Active CN106548213B (zh) 2016-11-30 2016-11-30 血管识别方法和装置

Country Status (1)

Country Link
CN (1) CN106548213B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107067409A (zh) * 2017-05-09 2017-08-18 上海联影医疗科技有限公司 一种血管分离方法及系统
CN108629773A (zh) * 2018-05-10 2018-10-09 北京红云智胜科技有限公司 建立训练识别心脏血管类型的卷积神经网络数据集的方法
CN109272001A (zh) * 2018-09-28 2019-01-25 深圳市飞点健康管理有限公司 尿检识别分类器的构造训练方法、装置及计算机设备
CN111461065A (zh) * 2020-04-24 2020-07-28 上海联影医疗科技有限公司 管状结构识别方法、装置、计算机设备和可读存储介质
WO2021212886A1 (en) * 2020-04-24 2021-10-28 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for object recognition
US11690569B2 (en) 2020-11-30 2023-07-04 Acer Incorporated Blood vessel detecting apparatus and image-based blood vessel detecting method

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101996329A (zh) * 2010-11-17 2011-03-30 沈阳东软医疗系统有限公司 一种对血管形变区域的检测装置和方法
CN102521873A (zh) * 2011-11-22 2012-06-27 中国科学院深圳先进技术研究院 血管的建模方法
WO2014175853A1 (en) * 2013-03-12 2014-10-30 Lightlab Imaging, Inc. Vascular data processing and image registration systems, methods, and apparatuses
CN104240220A (zh) * 2013-06-17 2014-12-24 北京三星通信技术研究有限公司 用于基于图像分割血管的设备和方法
CN105096291A (zh) * 2014-04-25 2015-11-25 上海联影医疗科技有限公司 一种中心线的提取方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101996329A (zh) * 2010-11-17 2011-03-30 沈阳东软医疗系统有限公司 一种对血管形变区域的检测装置和方法
CN102521873A (zh) * 2011-11-22 2012-06-27 中国科学院深圳先进技术研究院 血管的建模方法
WO2014175853A1 (en) * 2013-03-12 2014-10-30 Lightlab Imaging, Inc. Vascular data processing and image registration systems, methods, and apparatuses
CN104240220A (zh) * 2013-06-17 2014-12-24 北京三星通信技术研究有限公司 用于基于图像分割血管的设备和方法
CN105096291A (zh) * 2014-04-25 2015-11-25 上海联影医疗科技有限公司 一种中心线的提取方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107067409A (zh) * 2017-05-09 2017-08-18 上海联影医疗科技有限公司 一种血管分离方法及系统
CN108629773A (zh) * 2018-05-10 2018-10-09 北京红云智胜科技有限公司 建立训练识别心脏血管类型的卷积神经网络数据集的方法
CN109272001A (zh) * 2018-09-28 2019-01-25 深圳市飞点健康管理有限公司 尿检识别分类器的构造训练方法、装置及计算机设备
CN109272001B (zh) * 2018-09-28 2021-09-03 深圳市飞点健康管理有限公司 尿检识别分类器的构造训练方法、装置及计算机设备
CN111461065A (zh) * 2020-04-24 2020-07-28 上海联影医疗科技有限公司 管状结构识别方法、装置、计算机设备和可读存储介质
WO2021212886A1 (en) * 2020-04-24 2021-10-28 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for object recognition
CN111461065B (zh) * 2020-04-24 2024-01-05 上海联影医疗科技股份有限公司 管状结构识别方法、装置、计算机设备和可读存储介质
US11690569B2 (en) 2020-11-30 2023-07-04 Acer Incorporated Blood vessel detecting apparatus and image-based blood vessel detecting method

Also Published As

Publication number Publication date
CN106548213B (zh) 2019-04-23

Similar Documents

Publication Publication Date Title
CN106548213A (zh) 血管识别方法和装置
CN110232383B (zh) 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
CN108805134B (zh) 一种主动脉夹层分割模型的构建方法及应用
CN107563983A (zh) 图像处理方法以及医学成像设备
Kim et al. Machine-learning-based automatic identification of fetal abdominal circumference from ultrasound images
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断系统
CN107730507A (zh) 一种基于深度学习的病变区域自动分割方法
CN109215040B (zh) 一种基于多尺度加权学习的乳腺肿瘤分割方法
CN111932554A (zh) 一种肺部血管分割方法、设备及存储介质
CN111178420B (zh) 一种二维造影图像上冠脉段标注方法及系统
CN111080592B (zh) 一种基于深度学习的肋骨提取方法及装置
CN111461065B (zh) 管状结构识别方法、装置、计算机设备和可读存储介质
CN107730484A (zh) 一种基于深度学习的异常胸片智能识别方法及系统
CN111932497B (zh) 一种冠状动脉识别方法及装置
CN113034528A (zh) 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法
CN113674291A (zh) 一种全类型主动脉夹层真假腔图像分割方法及系统
CN111414930B (zh) 深度学习模型训练方法及装置、电子设备及存储介质
Dong et al. An improved YOLOv5 network for lung nodule detection
JP2004097535A (ja) 医用３次元画像データの領域分割方法
CN112801940A (zh) 模型评测方法、装置、设备及介质
CN110136111B (zh) 一种心脏运动估计方法、系统及终端设备
CN107392976A (zh) 数据处理方法、装置及设备
CN115908418A (zh) 一种主动脉ct图像中心线确定方法、系统、设备及介质
CN113177953B (zh) 肝脏区域分割方法、装置、电子设备及存储介质
CN115661185A (zh) 一种眼底图像血管分割方法及系统

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
TR01 Transfer of patent right

Effective date of registration: 20191204

Address after: Room 2201, 22 / F, building C3, future technology building, No. 999, Gaoxin Avenue, Donghu New Technology Development Zone, Wuhan, Hubei

Patentee after: Wuhan Lianying Life Science Instrument Co., Ltd

Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Patentee before: Shanghai United Imaging Healthcare Co., Ltd.

TR01 Transfer of patent right