CN108765363A - 一种基于人工智能的冠脉cta自动后处理系统 - Google Patents
一种基于人工智能的冠脉cta自动后处理系统 Download PDFInfo
- Publication number
- CN108765363A CN108765363A CN201810248396.XA CN201810248396A CN108765363A CN 108765363 A CN108765363 A CN 108765363A CN 201810248396 A CN201810248396 A CN 201810248396A CN 108765363 A CN108765363 A CN 108765363A
- Authority
- CN
- China
- Prior art keywords
- module
- segmentation
- coronary artery
- blood vessel
- 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
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
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于人工智能的冠脉CTA自动后处理系统,包括:数据获取模块,所述数据获取模块从Dicom服务器中获取Dicom格式的原始图像序列;血管分割模块,所述血管分割模块对获取的原始图像序列进行血管分割,获得血管分割结果;中心线提取模块,所述中心线提取模块根据所述血管分割结果,提取血管中心线;血管分段模块,所述血管分段模块对提取出的血管中心线做分段处理,并对每个分段血管命名;图像后处理模块,所述图像后处理模块根据原始的原始图像序列及分段的血管中心线生成所需的医学图像;人机交互模块,输出所生成的医学图像结果。本发明无需人工干预,能基于原始图像序列自动生成相关的后处理影像。
Description
技术领域
本发明涉及冠脉CTA影像的后续处理领域,具体涉及一种基于人工智能的冠脉CTA自动后处理系统。
背景技术
目前冠脉CTA影像的后处理工作主要由医生在工作站上人工操作完成,工作量大、效率低。因此,冠脉影像自动化后处理具有重要的临床价值和实际意义。冠脉CTA后处理实现自动化的主要难点在于血管提取,需要准确的从影像中提取出血管,要解决因为血管信号差、伪影等问题造成的识别遗漏,也要解决因为静脉、其它组织干扰带来的误识别问题。这些识别问题对于传统的血管提取算法来说是难以解决的,需要大量人工干预来修正识别结果,也是目前工作站主要的作业方式。
同时,在生成各种诊断需要的后处理图像得过程中,需要医生大量的人工操作,如:血管追踪、静脉误识别擦除、中心线调整及血管命名等。
因此,有必要发明一种基于人工智能的冠脉CTA自动后处理系统,用以克服上述缺陷以实现冠脉影像的自动后处理。
发明内容
本发明的目的在于提供一种基于人工智能的冠脉CTA自动后处理系统,用以克服对人工的依赖,实现冠脉影像的自动后处理。
为实现上述目的,本发明采用以下技术方案:
一种基于人工智能的冠脉CTA自动后处理系统,包括:
数据获取模块,所述数据获取模块从Dicom服务器中获取Dicom格式的原始图像序列;
血管分割模块,所述血管分割模块对获取的原始图像序列进行血管分割,获得血管分割结果;
中心线提取模块,所述中心线提取模块根据所述血管分割结果,提取血管中心线;
血管分段模块,所述血管分段模块对提取出的血管中心线做分段处理,并对每个分段血管命名;
图像后处理模块,所述图像后处理模块根据原始的原始图像序列及分段的血管中心线生成所需的医学图像;
人机交互模块,所述人机交互模块用于输出所生成的医学图像。
进一步地,所述血管分割模块包括图像预处理模块、全图分割模块、局部分割模块及融合模块;
所述图像预处理模块将原始图像序列按一定的窗宽窗位转换成图片格式,获得CTA序列图片;
所述全图分割模块通过预先训练的全图模型对CTA序列图片进行分割,得到主冠脉和主要分支血管的分割结果;
所述局部分割模块基于全图分割的结果,提取血管在当前层的前景像素,计算出当前层每根血管的中心,然后根据各血管的中心位置在相邻层图片的对应位置,扩展出patch图像,通过预先训练的局部patch模型对patch图像做分割,得到细小分支血管的分割结果;
所述融合模块融合所述全图分割模块及局部分割模块的分割结果,获得人体心脏冠脉。
进一步地,所述中心线提取模块包括点集提取模块、平滑模块及中心线校正模块;
所述点集提取模块用于提取初步中心线及置信点集,所述置信点的获取方式为:沿给定方向对人体心脏冠脉的分割结果进行切片提取,寻找各切片上的区块,对各区块的长短轴进行分析,将长短轴的相差值低于设定阈值的区块作为目标区块,将目标区块处的初步中心线点标记为置信点;
所述平滑模块用于对初步中心线进行平滑:首先根据置信点对初步中心线进行分段并对各分段进行高斯平滑滤波;其次,对经过高斯平滑滤波后的各分段通过拐点再次分段并进行变步长平滑,即在转弯处采用采样步长S1,在平坦处采用采样步长S2,S1<S2;最后生成经过置信点的B样条曲线;
所述中心线校正模块用于对所述B样条曲线进行校正,输出准确的中心线:首先,计算B样条曲线中每点的法向坐标;其次,沿每个点P的法向在人体心脏冠脉的分割结果中截取固定大小的子图;最后,计算各子图的分割中心位置,若分割中心位置与点P的不重合且且偏差超过设定阈值,则计算分割中心位置与点P的偏差量,根据该偏差量对点P进行校正,最终输出准确的中心线。
进一步地,所述图像后处理模块包括VR图生成模块、CPR图生成模块、拉直血管图生成模块及冠脉探针图生成模块。
进一步地,所述CPR图生成模块采用了经典的Stretched CPR方法,以每根血管的中心线和原始图像序列为输入,将原始图像序列重建成体数据,其后进行曲面展平获得CPR图像。
进一步地,所述冠脉探针生成模块以每根血管的中心线和原始图像序列为输入,将原始图像序列重建成体数据,在体数据中沿着中心线相邻两点切线的垂直方向切体数据得到切平面,以该切平面上对应中心线点的坐标为中心,裁剪出固定尺寸的图像,得到冠脉探针图像。
进一步地,所述拉直血管图生成模块以每根血管的冠脉探针图像为输入,将每根血管冠脉探针图像按顺序生成体数据,沿垂直于冠脉探针图像切割体数据,得到的切面图即为血管的拉直图像。
采用上述技术方案后,本发明与背景技术相比,具有如下优点:
传统工作站的主要难点在于血管提取及准确的中心线提取,本发明区别于传统的工作站,通过神经网络训练数据进行学习,避免了人为设定的显示抽取,而是隐式地从训练数据中进行学习,提取的血管特征具有位移、缩放、扭曲不变性。同时,本发明优化了中心线的提取过程,使得所提取的中心线具有更高的准确度。
本发明能自动地对原始图像序列进行后处理,,从数据获取直至后处理影像生成,所有的步骤完全不需要人工干预,医生只需要最后确认系统生成的结果是否合格就可以了。
附图说明
图1是本发明组成框图;
图2是本发明流程图;
图3是置信点提取示意图;
图4是转弯判断示意图;
图5是血管命名规则示意图;
图6是所生成的VR图;
图7是所生成的CPR图像;
图8是生成的冠脉探针图;
图9是获得的拉直血管图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例
请参考图1及图2所示,本发明公开了一种基于人工智能的冠脉CTA自动后处理系统,包括数据获取模块、血管分割模块、中心线提取模块、血管分段模块、图像后处理模块以及人机交互模块。所述数据获取模块从Dicom服务器中获取Dicom格式的原始图像序列;所述血管分割模块对获取的原始图像序列进行血管分割,获得血管分割结果;所述中心线提取模块根据所述血管分割结果,提取血管中心线。
所述血管分段模块对提取出的血管中心线做分段处理,并对每个分段血管命名(如RCA、LCX、LAD等)。所述图像后处理模块根据原始的原始图像序列及分段的血管中心线生成所需的医学图像。所述人机交互模块用于输出所生成的医学图像供医生确认及参考。
其中,所述血管分割模块包括图像预处理模块、全图分割模块、局部分割模块及融合模块。
所述图像预处理模块将原始图像序列按一定的窗宽窗位转换成图片格式,获得CTA序列图片(本实施例中采用的图片格式为jpg。动态调整窗宽窗位,以确保图像中直径1.5mm以上的血管可以被清晰地显示,本实施例窗宽窗位为400,70)。
所述全图分割模块通过预先训练的全图模型对CTA序列图片进行分割,得到主冠脉和主要分支血管的分割结果;
所述局部分割模块基于全图分割的结果提取血管在当前层的前景像素,计算出当前层每根血管的中心,然后利用CT图像相邻层间的相关性,根据各血管的中心位置在相邻层(上下层)图片的对应位置,扩展出patch图像(本实施例中,patch图像像素大小为40x40),通过预先训练的局部patch模型对patch图像做分割,得到细小分支血管的分割结果。
所述融合模块融合将各patch图像分割结果映射到全图分割结果的对应位置进行融合,若全图分割结果在对应位置没有提取出血管,则用patch图像分割的结果替代该位置的全图分割结果,如此,即实现主冠脉、分支血管及细小分支血管的分割结果的融合,获得人体心脏冠脉。
本实施例中所述全图分割模块及局部分割模块均基于卷积神经网络模型,其网络模型结构优选地由Resnet+Pyramid Pooling+Densecrf构成。Resnet相对于VGG等网络,可以用更深的网络(如50层、101层)更加准确的提取特征,同时可以保证训练能够很好的收敛。Pyramid Pooling模块融合了4种不同金字塔尺度特征,减少了不同子区域上下文信息损失,可以从不同感受野表征子区域融合信息。
考虑到血管的特殊性,需要选择合适的训练全图模型和训练局部patch模型的特征图的宽度和高度。具体地,考虑到CT序列图片中,血管的尺寸较小,为了使血管细节可以被清晰地被识别分割,本实施例中将用于训练全图模型的特征图的宽度和高度设置为CT序列图片的1/4;而在patch图像中,血管占比较大,将用于训练局部patch模型的特征图的宽度和高度设为patch图像的1/8。
全图模型与局部patch模型中的原始损失函数的计算步骤包括:
a、计算softmax的归一化概率,则有:
xi=xi-max(x1,…,xn);
b、计算损失,则有:
Loss=-logpk,k为样本label。
考虑血管像素和背景像素之间存在严重的不平衡,本实施例对全图模型和训练局部patch模型中的softmax损失函数进行优化,在计算Loss时,给不同类别的Label乘以不同的权重w,则有:
Loss=-wk*logpk;
式中,pk为样本属于k的概率;根据图像质量和适用场景,动态优化出权重组合,使得Loss函数取得最小值,从而解决前景和背景不均衡导致模型不能收敛到更好的位置,以使得分割效果最优。本实施例中,对主要分支血管及小血管赋予大于主冠脉的权重,对主冠脉赋予大于背景的权重,具体地,主分支血管及小血管分类的权重优选为10,主动脉的权重优选为2,背景的权重优选为1,从而使得模型可以更好地被收敛,获得更准确的分割结果。
所述中心线提取模块包括点集提取模块、平滑模块及中心线校正模块。
所述点集提取模块用于提取初步中心线及置信点集。所述初步中心线的提取通过3D骨架提取算法提取。所述置信点的获取方式为:沿给定方向对人体心脏冠脉的分割结果进行切片提取,寻找各切片上的区块(如图3所示,A即为所要寻找的区块(blob)),对各区块的长短轴进行分析(由于血管的横截面呈圆形,因此,越接近圆,则区块的置信度越高),将长短轴的相差值低于设定阈值的区块作为目标区块,将目标区块处的初步中心线点标记为置信点。此处,给定方向可以是多个,若在某一方向为椭圆,而另一方向为圆形,则该点亦可作为置信点。
所述平滑模块用于对初步中心线进行平滑:首先根据置信点对初步中心线进行分段并对各分段进行高斯平滑滤波(高斯平滑滤波滤除了大部分干扰点的影响,从而得到较为平滑的中心线);其次,对经过高斯平滑滤波后的各分段通过拐点再次分段(此处是为了保留每段衔接处的细节信息)并进行变步长平滑,即在转弯处采用采样步长S1,在平坦处采用采样步长S2,S1<S2;最后生成经过置信点的B样条曲线。
此处采样变步长平滑是为了保证在转弯处更少的降采样,在平坦区域更大程度的降采样,从而降低数据处理量而又不丢失细节。如图4所示,此处的转弯判断,采用对3维空间点的欧氏距离求和,与降采样后的3维空间点的欧式距离对比。若前面的和大于降采样后的距离,超过给定阈值,则认为该处为转弯处,在该转弯处,提升采样点个数。
所述中心线校正模块用于对所述B样条曲线进行校正,输出准确的中心线:首先,计算B样条曲线中每点的法向坐标;其次,沿每个点P的法向在人体心脏冠脉的分割结果中截取固定大小的子图;最后,计算各子图的分割中心位置,若分割中心位置与点P不重合且偏差超过设定阈值,则计算分割中心位置与点P的偏差量,根据该偏差量对点P进行校正,最终输出准确的中心线。
所述血管分段命名模块的输入是冠脉树的中心线(即所述中心线提取模块所提取出的整个冠脉树的中心线),首先按位置关系将冠脉树分为左冠和右冠,通过分叉点将中心线做分段,然后如图5所示,根据各分段在空间的绝对位置、相对位置、分段间夹角等条件对每个血管分段做命名。
所述图像后处理模块包括VR图生成模块、CPR图生成模块、拉直血管图生成模块及冠脉探针图生成模块。
所述VR图生成模块是将分割结果的2D图片序列生成体数据,并对体数据做3D平滑、效果渲染处理,得到最终3D的VR结果。如图6所示的是所生成的VR图(VolumeRendering,体绘制)。
所述CPR图生成模块是采用了经典的Stretched CPR方法,输入是每个血管的中心线和原始图像序列。原始图像序列重建成体数据,顺着中心线平行滑动和中心线相交的一条直线,得到一个曲面,把曲面展平得到CPR图像。如图7所示的是所生成的CPR(CurvedPlanar Reformat,曲面重建)图像。
所述的冠脉探针生成模块,以每根血管的中心线和原始图像序列为输入,将原始图像序列重建成体数据,在体数据中沿着中心线相邻两点切线的垂直方向切体数据得到切平面,以该切平面上对应中心线点的坐标为中心,裁剪出固定尺寸的图像,即得到冠脉探针图像。如图8所示的是生成的冠脉探针图。
所述的拉直血管图生成模块,输入是每根血管的冠脉探针结果,将每根血管顺序的冠脉探针图像生成体数据,沿z轴方向(即各冠脉探针图的垂直方向)按不同角度切体数据,得到的切面图即血管的拉直图像。如图9所示的是生成的拉直血管图。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种基于人工智能的冠脉CTA自动后处理系统,其特征在于,包括:
数据获取模块,所述数据获取模块从Dicom服务器中获取Dicom格式的原始图像序列;
血管分割模块,所述血管分割模块对获取的原始图像序列进行血管分割,获得血管分割结果;
中心线提取模块,所述中心线提取模块根据所述血管分割结果,提取血管中心线;
血管分段模块,所述血管分段模块对提取出的血管中心线做分段处理,并对每个分段血管命名;
图像后处理模块,所述图像后处理模块根据原始的原始图像序列及分段的血管中心线生成所需的医学图像;
人机交互模块,所述人机交互模块输出医学图像生成结果。
2.如权利要求1所述的一种基于人工智能的冠脉CTA自动后处理系统,其特征在于:所述血管分割模块包括图像预处理模块、全图分割模块、局部分割模块及融合模块;
所述图像预处理模块将原始图像序列按一定的窗宽窗位转换成图片格式,获得CTA序列图片;
所述全图分割模块通过预先训练的全图模型对CTA序列图片进行分割,得到主冠脉和主要分支血管的分割结果;
所述局部分割模块基于全图分割的结果,提取血管在当前层的前景像素,计算出当前层每根血管的中心,然后根据各血管的中心位置在相邻层图片的对应位置,扩展出patch图像,通过预先训练的局部patch模型对patch图像做分割,得到细小分支血管的分割结果;
所述融合模块融合所述全图分割模块及局部分割模块的分割结果。
3.如权利要求2所述的一种基于人工智能的冠脉CTA自动后处理系统,其特征在于:所述中心线提取模块包括点集提取模块、平滑模块及中心线校正模块;
所述点集提取模块用于提取初步中心线及置信点集,所述置信点的获取方式为:将分割结果的2D图片序列生成体数据,沿给定方向对体数据进行切片提取,寻找各切片上的区块,对各区块的长短轴进行分析,将长短轴的相差值低于设定阈值的区块作为目标区块,将目标区块处的初步中心线点标记为置信点;
所述平滑模块用于对初步中心线进行平滑:首先根据置信点对初步中心线进行分段并对各分段进行高斯平滑滤波;其次,对经过高斯平滑滤波后的各分段通过拐点再次分段并进行变步长平滑,即在转弯处采用采样步长S1,在平坦处采用采样步长S2,S1<S2;最后生成经过置信点的B样条曲线;
所述中心线校正模块用于对所述B样条曲线进行校正,输出准确的中心线:首先,计算B样条曲线中每点的法向坐标;其次,沿每个点P的法向在人体心脏冠脉的分割结果中截取固定大小的子图;最后,计算各子图的分割中心位置,若分割中心位置与点P的不重合且且偏差超过设定阈值,则计算分割中心位置与点P的偏差量,根据该偏差量对点P进行校正,最终输出准确的中心线。
4.如权利要求3所述的一种基于人工智能的冠脉CTA自动后处理系统,其特征在于:所述图像后处理模块包括VR图生成模块、CPR图生成模块、拉直血管图生成模块及冠脉探针图生成模块。
5.如权利要4所述的一种基于人工智能的冠脉CTA自动后处理系统,其特征在于:所述VR图生成模块将分割结果的2D图片序列生成体数据,并对体数据做3D平滑及效果渲染处理,得到3D的VR图。
6.如权利要5所述的一种基于人工智能的冠脉CTA自动后处理系统,其特征在于:所述CPR图生成模块采用了经典的Stretched CPR方法,以每根血管的中心线和原始图像序列为输入,将原始图像序列重建成体数据,其后进行曲面展平获得CPR图像。
7.如权利要5所述的一种基于人工智能的冠脉CTA自动后处理系统,其特征在于:所述冠脉探针生成模块以每根血管的中心线和原始图像序列为输入,将原始图像序列重建成体数据,在体数据中沿着中心线相邻两点切线的垂直方向切体数据得到切平面,以该切平面上对应中心线点的坐标为中心,裁剪出固定尺寸的图像,得到冠脉探针图像。
8.如权利要7所述的一种基于人工智能的冠脉CTA自动后处理系统,其特征在于:所述拉直血管图生成模块以每根血管的冠脉探针图像为输入,将每根血管冠脉探针图像按顺序生成体数据,沿垂直于冠脉探针图像切割体数据,得到的切面图即为血管的拉直图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810248396.XA CN108765363B (zh) | 2018-03-24 | 2018-03-24 | 一种基于人工智能的冠脉cta自动后处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810248396.XA CN108765363B (zh) | 2018-03-24 | 2018-03-24 | 一种基于人工智能的冠脉cta自动后处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108765363A true CN108765363A (zh) | 2018-11-06 |
CN108765363B CN108765363B (zh) | 2021-06-25 |
Family
ID=63980188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810248396.XA Active CN108765363B (zh) | 2018-03-24 | 2018-03-24 | 一种基于人工智能的冠脉cta自动后处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765363B (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859205A (zh) * | 2019-02-22 | 2019-06-07 | 数坤(北京)网络科技有限公司 | 一种斑块检测方法及斑块检测设备 |
CN110033442A (zh) * | 2019-04-01 | 2019-07-19 | 数坤(北京)网络科技有限公司 | 一种基于分析线提取的血管钙化区域检测方法及系统 |
CN110148127A (zh) * | 2019-05-23 | 2019-08-20 | 数坤(北京)网络科技有限公司 | 针对血管cta后处理影像的智能选片方法、装置及存储设备 |
CN110163928A (zh) * | 2019-05-22 | 2019-08-23 | 数坤(北京)网络科技有限公司 | 基于血管分段与病灶的影像联动方法、装置及存储设备 |
CN110517279A (zh) * | 2019-09-20 | 2019-11-29 | 北京深睿博联科技有限责任公司 | 头颈血管中心线提取方法及装置 |
CN110652312A (zh) * | 2019-07-19 | 2020-01-07 | 慧影医疗科技(北京)有限公司 | 一种血管cta智能分析系统及应用 |
CN111311583A (zh) * | 2020-02-24 | 2020-06-19 | 广州柏视医疗科技有限公司 | 肺气管和血管的分段命名方法及系统 |
CN111462047A (zh) * | 2020-03-06 | 2020-07-28 | 深圳睿心智能医疗科技有限公司 | 血管参数测量方法、装置、计算机设备和存储介质 |
CN111768411A (zh) * | 2020-05-29 | 2020-10-13 | 深圳睿心智能医疗科技有限公司 | 冠脉中心线提取方法、装置、计算机设备和存储介质 |
CN112057204A (zh) * | 2020-07-23 | 2020-12-11 | 常州锦瑟医疗信息科技有限公司 | 基于混合现实技术的主动脉血管支架开窗装置 |
CN112164020A (zh) * | 2020-03-31 | 2021-01-01 | 苏州润迈德医疗科技有限公司 | 精确提取血管中心线的方法、装置、分析系统和存储介质 |
CN112598671A (zh) * | 2021-03-08 | 2021-04-02 | 数坤(北京)网络科技有限公司 | 一种血管中心线提取方法、设备及可读存储介质 |
CN112837789A (zh) * | 2021-03-03 | 2021-05-25 | 数坤(北京)网络科技有限公司 | 一种血管vr显示调整方法及系统 |
CN112862833A (zh) * | 2020-12-31 | 2021-05-28 | 上海联影智能医疗科技有限公司 | 血管分段方法、电子装置和存储介质 |
CN112863654A (zh) * | 2021-02-09 | 2021-05-28 | 杭州深睿博联科技有限公司 | 一种心脏冠脉血管的自动化命名方法及装置 |
CN113256748A (zh) * | 2020-02-13 | 2021-08-13 | 脑玺(上海)智能科技有限公司 | 基于脑血管ct影像的图像处理方法及图像处理装置 |
CN113313715A (zh) * | 2021-05-27 | 2021-08-27 | 推想医疗科技股份有限公司 | 心脏动脉血管的分割方法、分割装置、设备和介质 |
CN113421634A (zh) * | 2020-03-03 | 2021-09-21 | 上海微创卜算子医疗科技有限公司 | 主动脉标注方法、系统及计算机可读存储介质 |
CN113436709A (zh) * | 2021-07-23 | 2021-09-24 | 上海商汤智能科技有限公司 | 图像显示方法以及相关装置、设备 |
CN113706568A (zh) * | 2020-05-20 | 2021-11-26 | 阿里巴巴集团控股有限公司 | 图像处理方法及装置 |
WO2021258835A1 (zh) * | 2020-06-24 | 2021-12-30 | 博动医学影像科技(上海)有限公司 | 用于血管造影图像处理的训练方法和装置、自动处理方法和装置 |
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 |
CN114445391A (zh) * | 2022-01-30 | 2022-05-06 | 推想医疗科技股份有限公司 | 血管分段方法及其装置、电子设备和计算机可读存储介质 |
CN114663651A (zh) * | 2022-03-24 | 2022-06-24 | 北京安德医智科技有限公司 | 一种根据颅内cta图像识别血管闭塞状态的方法和装置 |
CN115760961A (zh) * | 2021-09-01 | 2023-03-07 | 数坤(北京)网络科技股份有限公司 | 血管图像处理方法、装置、服务器及后处理图像生成系统 |
CN113256748B (zh) * | 2020-02-13 | 2024-05-31 | 脑玺(上海)智能科技有限公司 | 基于脑血管ct影像的图像处理方法及图像处理装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100260400A1 (en) * | 2009-03-25 | 2010-10-14 | Bernhardt Dominik | Method and data-processing system for determining the proportion of calcium in coronary arteries |
CN105741299A (zh) * | 2016-02-02 | 2016-07-06 | 河北大学 | 一种冠状动脉ct血管造影图像分割方法 |
US20160284080A1 (en) * | 2015-03-27 | 2016-09-29 | Sabanci University | Vasculature modeling |
CN106097298A (zh) * | 2016-05-27 | 2016-11-09 | 中国人民解放军第三军医大学 | 基于球空间划分的冠状动脉自动分段与解剖学标记方法 |
CN107610095A (zh) * | 2017-08-04 | 2018-01-19 | 南京邮电大学 | 基于图像融合的心脏ct冠脉全自动分割方法 |
-
2018
- 2018-03-24 CN CN201810248396.XA patent/CN108765363B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100260400A1 (en) * | 2009-03-25 | 2010-10-14 | Bernhardt Dominik | Method and data-processing system for determining the proportion of calcium in coronary arteries |
US20160284080A1 (en) * | 2015-03-27 | 2016-09-29 | Sabanci University | Vasculature modeling |
CN105741299A (zh) * | 2016-02-02 | 2016-07-06 | 河北大学 | 一种冠状动脉ct血管造影图像分割方法 |
CN106097298A (zh) * | 2016-05-27 | 2016-11-09 | 中国人民解放军第三军医大学 | 基于球空间划分的冠状动脉自动分段与解剖学标记方法 |
CN107610095A (zh) * | 2017-08-04 | 2018-01-19 | 南京邮电大学 | 基于图像融合的心脏ct冠脉全自动分割方法 |
Non-Patent Citations (2)
Title |
---|
MICHIEL SCHAAP等: "Robust Shape Regression for Supervised Vessel Segmentation and its Application to Coronary Segmentation in CTA", 《ROBUST SHAPE REGRESSION FOR SUPERVISED VESSEL SEGMENTATION AND ITS APPLICATION TO CORONARY SEGMENTATION IN CTA》 * |
肖若秀等: "应用于医学三维影像的血管结构自动提取", 《光学精密工程》 * |
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859205A (zh) * | 2019-02-22 | 2019-06-07 | 数坤(北京)网络科技有限公司 | 一种斑块检测方法及斑块检测设备 |
CN109859205B (zh) * | 2019-02-22 | 2021-03-19 | 数坤(北京)网络科技有限公司 | 一种斑块检测方法及斑块检测设备 |
CN110033442A (zh) * | 2019-04-01 | 2019-07-19 | 数坤(北京)网络科技有限公司 | 一种基于分析线提取的血管钙化区域检测方法及系统 |
CN110033442B (zh) * | 2019-04-01 | 2020-12-25 | 数坤(北京)网络科技有限公司 | 一种基于分析线提取的血管钙化区域检测方法及系统 |
CN110163928A (zh) * | 2019-05-22 | 2019-08-23 | 数坤(北京)网络科技有限公司 | 基于血管分段与病灶的影像联动方法、装置及存储设备 |
CN110148127B (zh) * | 2019-05-23 | 2021-05-11 | 数坤(北京)网络科技有限公司 | 针对血管cta后处理影像的智能选片方法、装置及存储设备 |
CN110148127A (zh) * | 2019-05-23 | 2019-08-20 | 数坤(北京)网络科技有限公司 | 针对血管cta后处理影像的智能选片方法、装置及存储设备 |
CN110652312A (zh) * | 2019-07-19 | 2020-01-07 | 慧影医疗科技(北京)有限公司 | 一种血管cta智能分析系统及应用 |
CN110652312B (zh) * | 2019-07-19 | 2023-03-14 | 慧影医疗科技(北京)股份有限公司 | 一种血管cta智能分析系统及应用 |
CN110517279B (zh) * | 2019-09-20 | 2022-04-05 | 北京深睿博联科技有限责任公司 | 头颈血管中心线提取方法及装置 |
CN110517279A (zh) * | 2019-09-20 | 2019-11-29 | 北京深睿博联科技有限责任公司 | 头颈血管中心线提取方法及装置 |
CN113256748B (zh) * | 2020-02-13 | 2024-05-31 | 脑玺(上海)智能科技有限公司 | 基于脑血管ct影像的图像处理方法及图像处理装置 |
CN113256748A (zh) * | 2020-02-13 | 2021-08-13 | 脑玺(上海)智能科技有限公司 | 基于脑血管ct影像的图像处理方法及图像处理装置 |
WO2021169549A1 (zh) * | 2020-02-24 | 2021-09-02 | 广州柏视医疗科技有限公司 | 肺气管和血管的分段命名系统 |
CN111311583A (zh) * | 2020-02-24 | 2020-06-19 | 广州柏视医疗科技有限公司 | 肺气管和血管的分段命名方法及系统 |
CN113421634A (zh) * | 2020-03-03 | 2021-09-21 | 上海微创卜算子医疗科技有限公司 | 主动脉标注方法、系统及计算机可读存储介质 |
CN111462047B (zh) * | 2020-03-06 | 2024-03-12 | 深圳睿心智能医疗科技有限公司 | 血管参数测量方法、装置、计算机设备和存储介质 |
CN111462047A (zh) * | 2020-03-06 | 2020-07-28 | 深圳睿心智能医疗科技有限公司 | 血管参数测量方法、装置、计算机设备和存储介质 |
CN112164020A (zh) * | 2020-03-31 | 2021-01-01 | 苏州润迈德医疗科技有限公司 | 精确提取血管中心线的方法、装置、分析系统和存储介质 |
CN112164020B (zh) * | 2020-03-31 | 2024-01-23 | 苏州润迈德医疗科技有限公司 | 精确提取血管中心线的方法、装置、分析系统和存储介质 |
CN113706568A (zh) * | 2020-05-20 | 2021-11-26 | 阿里巴巴集团控股有限公司 | 图像处理方法及装置 |
CN113706568B (zh) * | 2020-05-20 | 2024-02-13 | 阿里巴巴集团控股有限公司 | 图像处理方法及装置 |
CN111768411A (zh) * | 2020-05-29 | 2020-10-13 | 深圳睿心智能医疗科技有限公司 | 冠脉中心线提取方法、装置、计算机设备和存储介质 |
CN111768411B (zh) * | 2020-05-29 | 2023-12-08 | 深圳睿心智能医疗科技有限公司 | 冠脉中心线提取方法、装置、计算机设备和存储介质 |
WO2021258835A1 (zh) * | 2020-06-24 | 2021-12-30 | 博动医学影像科技(上海)有限公司 | 用于血管造影图像处理的训练方法和装置、自动处理方法和装置 |
CN112057204A (zh) * | 2020-07-23 | 2020-12-11 | 常州锦瑟医疗信息科技有限公司 | 基于混合现实技术的主动脉血管支架开窗装置 |
CN112862833A (zh) * | 2020-12-31 | 2021-05-28 | 上海联影智能医疗科技有限公司 | 血管分段方法、电子装置和存储介质 |
CN112863654A (zh) * | 2021-02-09 | 2021-05-28 | 杭州深睿博联科技有限公司 | 一种心脏冠脉血管的自动化命名方法及装置 |
CN112863654B (zh) * | 2021-02-09 | 2024-02-02 | 杭州深睿博联科技有限公司 | 一种心脏冠脉血管的自动化命名方法及装置 |
CN112837789A (zh) * | 2021-03-03 | 2021-05-25 | 数坤(北京)网络科技有限公司 | 一种血管vr显示调整方法及系统 |
CN112598671A (zh) * | 2021-03-08 | 2021-04-02 | 数坤(北京)网络科技有限公司 | 一种血管中心线提取方法、设备及可读存储介质 |
CN113313715A (zh) * | 2021-05-27 | 2021-08-27 | 推想医疗科技股份有限公司 | 心脏动脉血管的分割方法、分割装置、设备和介质 |
CN113313715B (zh) * | 2021-05-27 | 2022-04-22 | 推想医疗科技股份有限公司 | 心脏动脉血管的分割方法、分割装置、设备和介质 |
CN113436709A (zh) * | 2021-07-23 | 2021-09-24 | 上海商汤智能科技有限公司 | 图像显示方法以及相关装置、设备 |
CN115760961A (zh) * | 2021-09-01 | 2023-03-07 | 数坤(北京)网络科技股份有限公司 | 血管图像处理方法、装置、服务器及后处理图像生成系统 |
CN115760961B (zh) * | 2021-09-01 | 2023-08-29 | 数坤(北京)网络科技股份有限公司 | 血管图像处理方法、装置、服务器及后处理图像生成系统 |
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 |
CN114445391A (zh) * | 2022-01-30 | 2022-05-06 | 推想医疗科技股份有限公司 | 血管分段方法及其装置、电子设备和计算机可读存储介质 |
CN114663651B (zh) * | 2022-03-24 | 2023-01-24 | 北京安德医智科技有限公司 | 一种根据颅内cta图像识别血管闭塞状态的方法和装置 |
CN114663651A (zh) * | 2022-03-24 | 2022-06-24 | 北京安德医智科技有限公司 | 一种根据颅内cta图像识别血管闭塞状态的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108765363B (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765363A (zh) | 一种基于人工智能的冠脉cta自动后处理系统 | |
US11580646B2 (en) | Medical image segmentation method based on U-Net | |
CN108053417B (zh) | 一种基于混合粗分割特征的3D U-Net网络的肺分割装置 | |
CN110503649B (zh) | 一种基于空间多尺度U-net与超像素修正的肝脏分割方法 | |
CN111369528B (zh) | 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法 | |
CN110751636B (zh) | 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 | |
CN103198301B (zh) | 虹膜定位方法及装置 | |
CN112991365B (zh) | 一种冠状动脉分割方法、系统及存储介质 | |
CN113643353B (zh) | 眼底图像的血管管径的增强分辨率的测量方法 | |
CN112651929B (zh) | 基于三维全卷积神经网络及区域生长的医学影像器官分割方法及系统 | |
Liu et al. | Extracting lungs from CT images via deep convolutional neural network based segmentation and two-pass contour refinement | |
CN116452618A (zh) | 一种三输入脊柱ct图像分割方法 | |
Blondel et al. | Automatic trinocular 3D reconstruction of coronary artery centerlines from rotational X-ray angiography | |
CN117237322A (zh) | 一种基于医学图像的器官分割建模方法及终端 | |
CN108537802A (zh) | 一种血管分割方法及装置 | |
CN112288752A (zh) | 一种基于胸部平扫ct的冠脉钙化灶全自动分割方法 | |
CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
CN111768845B (zh) | 一种基于最优多尺度感知的肺结节辅助检测方法 | |
Essaf et al. | An improved lung parenchyma segmentation using the maximum inter-class variance method (OTSU) | |
CN113935889A (zh) | 2d/3d冠状动脉自动配准方法、系统及介质 | |
CN115578400A (zh) | 图像处理方法、图像分割网络的训练方法及装置 | |
Navarro et al. | Filtering and interpolation of inaccurate and incomplete depth maps | |
CN113222886B (zh) | 颈静脉球窝、乙状窦沟定位方法和智能颞骨影像处理系统 | |
CN112862804B (zh) | 一种眼底视网膜血管图像处理系统及方法 | |
CN116524548B (zh) | 血管结构信息提取方法、装置及存储介质 |
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 |