CN108899075A - 一种基于深度学习的dsa图像检测方法、装置及设备 - Google Patents

一种基于深度学习的dsa图像检测方法、装置及设备 Download PDF

Info

Publication number
CN108899075A
CN108899075A CN201810686092.1A CN201810686092A CN108899075A CN 108899075 A CN108899075 A CN 108899075A CN 201810686092 A CN201810686092 A CN 201810686092A CN 108899075 A CN108899075 A CN 108899075A
Authority
CN
China
Prior art keywords
image
dsa image
dsa
obtains
training
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.)
Pending
Application number
CN201810686092.1A
Other languages
English (en)
Inventor
雷宇
梅鵾
张鑫
高超
苏佳斌
顾宇翔
倪伟
杨恒
毛顺亿
褚振方
胡仲华
傅致晖
孙谷飞
周建华
陆王天宇
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.)
NORTH CAMPUS, HUASHAN HOSPITAL AFFILIATED TO FUDAN University
Zhongan Information Technology Service Co Ltd
Original Assignee
Zhongan Information Technology Service 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 Zhongan Information Technology Service Co Ltd filed Critical Zhongan Information Technology Service Co Ltd
Priority to CN201810686092.1A priority Critical patent/CN108899075A/zh
Publication of CN108899075A publication Critical patent/CN108899075A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于深度学习的DSA图像检测方法、装置及设备，属于深度学习及数字图像处理技术领域。所述方法包括：对输入的DSA图像进行标注，获得标记好的训练样本；对所述训练样本进行预处理，获得训练数据集；利用所述训练数据集通过卷积神经网络进行训练，得到DSA图像检测网络模型；通过所述DSA图像检测网络模型对输入的待检测DSA图像进行检测，获得检测结果。本发明能够快速、准确地获得DSA图像检测结果，以便满足日趋增强和数量激增的医疗服务需求，解决了现有DSA图像进行观察、检测的低效率、费时费力和检测效果不甚满意等技术问题，在涉及医疗影像检测识别的诸多医疗领域具有广泛而良好的应用前景。

Description

一种基于深度学习的DSA图像检测方法、装置及设备
技术领域
本发明涉及深度学习及数字图像处理技术领域，特别涉及一种基于深度学习的DSA图像检测方法、装置及设备。
背景技术
随着国家《医疗人工智能技术与应用白皮书》以及80余项相关全国性红利政策的颁布，人工智能与医疗相结合的应用拥有良好的发展机遇。并且，我国医疗资源与需求间存在着较大不均衡的现象，这在二三线城市更为严重，优质医生资源的匮乏，给病人及时诊疗带来阻碍。
与此同时，伴随着计算机视觉的技术进步，深度学习技术在医疗影像技术领域也取得了重大突破，人工智能除了教会机器如何“听懂”和“读懂”，更教会机器“看懂”我们的世界，并在此基础上协助医生进行医疗影像的识别和检测。医疗数据中有超过90％的数据来自医疗影像，医疗影像领域拥有孕育深度学习的海量数据，因此可以借助深度学习技术，结合医疗影像图像提高医生的诊断效率和准确度。
以烟雾病(Moyamoya)为例，烟雾病是以双侧颈内动脉末端及大脑前、中动脉起始段慢性进行性狭窄或闭塞为特征，并继发引起特征性的颅底异常血管网形成的脑血管疾病。患者早期主要由于血管狭窄表现为脑缺血症状，后期由于大量烟雾样血管增生，该增生血管由于发育不良容易破裂，以脑出血症状为主，同时可合并脑缺血症状。在医院进行烟雾病诊断时，会拍摄烟雾病减影血管造影(DSA)辅助诊断。DSA是应用计算机程序进行两次成像完成的。在注入造影剂之前，首先进行第一次成像，并用计算机将图像转换成数字信号储存起来。注入造影剂之后，再次成像并转换成数字信号。两次数字相减，消除相同的信号，得到一个只有一个造影剂的血管图像。
医疗临床上，基于的DSA数据主要含有对就医者头部的正位(AP)和侧位(LAT)以及胸部正位方向上的扫描的数据，包含对内部颈动脉、外部颈动脉、脊椎动脉、颈总动脉、锁骨下动脉、主动脉弓等动脉血管的造影，数据以Dicom文件格式存储。医生主要采用正位AP拍摄的左颈内动脉LICA和右颈内动脉RICA两种减影血管造影DSA，观测双侧颈内动脉、前动脉和中动脉是否出现狭窄和闭塞的特征，以及是否出现许多密集成堆的小血管影来判断患者是否具有烟雾病。
然而，目前采用医生人工方法进行DSA观察检测以辅助烟雾病诊断，存在以下几点问题：第一，由不同医学影像成像的设备、数据格式以及医疗影像的图像质量都存在一定程度的差异；第二，一些DSA影像图像因拍摄装置效果较差，将许多非血管的信息，如头骨、牙齿等噪声信息包含在内，血管清晰度较低；第三、动脉血管本身结构复杂，尤其是脑部血管拥有较多细微的毛细血管。这些问题都给医生进行DSA影像判断和识别带来了一定的困难和干扰。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种基于深度学习的DSA图像检测方法、装置及设备。所述技术方案如下：
第一方面，提供了一种基于深度学习的DSA图像检测方法，其特征在于，所述方法包括：对输入的DSA图像进行标注，获得标记好的训练样本；对所述训练样本进行预处理，获得训练数据集；利用所述训练数据集通过卷积神经网络进行训练，得到DSA图像检测网络模型；通过所述DSA图像检测网络模型对输入的待检测DSA图像进行检测，获得检测结果。
结合第一方面，在第一种可能的实现方式中，对输入的DSA图像进行标注，获得标记好的训练样本，包括：对输入的DSA图像进行标注，将标记为异常的DSA图像设置为正样本，将标记为正常的DSA图像设置为负样本，获得标记好的训练样本。
结合第一方面，在第二种可能的实现方式中，对所述训练样本进行预处理，获得训练数据集，包括：对所述训练样本进行包括图像尺寸缩放、图像对比度增强和/或图像去噪的预处理，获得训练数据集。
结合第一方面，在第三种可能的实现方式中，所述卷积神经网络为：由包括卷积层、最大池化层、平均池化层、批归一化层、Relu激活函数层、Softmax激活函数层、全连接层的多个层级组成的预设残差神经网络。
结合第一方面及第一方面的第一至三种任何一种可能实现方式，在第五至八种可能的实现方式中，所述方法还包括：采集DSA图像，所述DSA图像包括所述待检测DSA图像。
结合第一方面的第五至八种任何一种可能实现方式，在第九至十二种可能的实现方式中，采集DSA图像，包括：按照预设规则对拍摄的DSA图像进行叠加融合操作，所述预设规则具体包括：选用γ1％到γ2％的图像进行叠加；和/或选用ε1％到ε2％的图像进行叠加；和/或忽略设备差异，选用所有帧的图像进行叠加，减去不含造影剂的医疗影像背景。
结合第一方面及第一方面的第一至三种任何一种可能实现方式，在第十三至十六可能的实现方式中，所述方法还包括：对所述训练数据集进行数据增强操作，以扩充训练数据集，所述数据增强操作具体包括：对所述训练数据集的图像进行轻微旋转、左右翻转和/或对比度增强的图像增强操作；和/或对所述待检测DSA图像进行包括图像尺寸缩放、图像对比度增强和/或图像去噪的预处理。
第二方面，提供了一种基于深度学习的DSA图像检测装置，其特征在于，包括：标注模块，用于对输入的DSA图像进行标注，获得标记好的训练样本；预处理模块，用于对所述训练样本进行预处理，获得训练数据集；训练模块，用于利用所述训练数据集通过卷积神经网络进行训练，得到DSA图像检测网络模型；检测模块，用于通过所述DSA图像检测网络模型对输入的待检测DSA图像进行检测，获得检测结果。
结合第二方面，在第一种可能的实现方式中，所述标注模块用于：对输入的DSA图像进行标注，将标记为异常的DSA图像设置为正样本，将标记为正常的DSA图像设置为负样本，获得标记好的训练样本。
结合第二方面，在第二种可能的实现方式中，所述预处理模块用于：对所述训练样本进行包括图像尺寸缩放、图像对比度增强和/或图像去噪的预处理，获得训练数据集。
结合第二方面，在第三种可能的实现方式中，所述卷积神经网络为：由包括卷积层、最大池化层、平均池化层、批归一化层、Relu激活函数层、Softmax激活函数层、全连接层的多个层级组成的预设残差神经网络。
结合第二方面及第二方面的第一至三种任何一种可能实现方式，在第五至八种可能的实现方式中，所述装置还包括：采集模块，用于采集DSA图像，所述DSA图像包括所述待检测DSA图像。
结合第二方面的第五至八种任何一种可能实现方式，在第九至十二种可能的实现方式中，所述采集模块用于：按照预设规则对拍摄的DSA图像进行叠加融合操作，所述预设规则具体包括：选用γ1％到γ2％的图像进行叠加；和/或选用ε1％到ε2％的图像进行叠加；和/或忽略设备差异，选用所有帧的图像进行叠加，减去不含造影剂的医疗影像背景。
结合第二方面及第二方面的第一至三种任何一种可能实现方式，在第十三至十六可能的实现方式中，所述装置还包括：数据增强模块，用于对所述训练数据集进行数据增强操作，以扩充训练数据集，所述数据增强操作具体包括：对所述训练数据集的图像进行轻微旋转、左右翻转和/或对比度增强的图像增强操作；和/或所述预处理模块还用于对所述待检测DSA图像进行包括图像尺寸缩放、图像对比度增强和/或图像去噪的预处理。
第三方面，提供了一种基于深度学习的DSA图像检测设备，包括：处理器存储器，用于存储有所述处理器的可执行指令；其中，所述处理器配置为经由所述可执行指令来执行权利要求1至7中任一项所述的基于深度学习的DSA图像检测方法的步骤。
本发明实施例提供的技术方案带来的有益效果是：
本发明实施例提供的基于深度学习的DSA图像检测方法、装置及设备，通过利用进行适应性标注的DSA图像通过卷积神经网络训练进行训练，获得期望的DSA图像检测网络模型，以便利用该DSA图像检测网络模型对待检测DSA图像进行识别、检测，从而快速、准确地获得DSA图像检测结果，以便满足日趋增强和数量激增的医疗服务需求，解决了现有DSA图像进行观察、检测的低效率、费时费力和检测效果不甚满意等技术问题，在DSA图像检测时不仅效率高，而且避免了通过人工识别检测的主观偏差，具有较好的准确性，从而更好的辅助医疗诊疗服务，在涉及医疗影像检测识别的诸多医疗领域具有广泛而良好的应用前景。
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。
图1是本发明实施例1提供的基于深度学习的DSA图像检测方法流程示意图；
图2和图3分别是烟雾病DSA图像标注后的正负样本示意图；
图4是本发明实施例2提供的基于深度学习的DSA图像检测方法流程示意图；
图5是BottleNeck模块网络结构的结构示意图；
图6是本发明实施例3提供的基于深度学习的DSA图像检测装置组成示意图；
图7是本发明实施例4提供的基于深度学习的DSA图像检测设备组成示意图；
图8是本发明实施例提供的基于深度学习的DSA图像检测方法、装置及设备的应用实施例的技术架构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，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，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供的基于深度学习的DSA图像检测方法、装置及设备，通过利用进行适应性标注的DSA图像通过卷积神经网络训练进行训练，获得期望的DSA图像检测网络模型，以便利用该DSA图像检测网络模型对待检测DSA图像进行识别、检测，从而快速、准确地获得DSA图像检测结果，以便满足日趋增强和数量激增的医疗服务需求，解决了现有DSA图像进行观察、检测的低效率、费时费力和检测效果不甚满意等技术问题，在涉及医疗影像检测识别的诸多医疗领域具有广泛而良好的应用前景，尤其在中国这种人工众多而医疗资源尤其紧张的国家，提高医疗服务效率显得尤为重要。
下面结合具体实施例及附图，对本发明实施例提供的基于深度学习的DSA图像检测方法、装置及设备作详细说明。
实施例1
图1是本发明实施例1提供的基于深度学习的DSA图像检测方法流程示意图，如图1所示，本发明实施例提供的基于深度学习的DSA图像检测方法，包括以下步骤：
101、对输入的DSA图像进行标注，获得标记好的训练样本。
具体的，对输入的DSA图像进行标注，将标记为异常的DSA图像设置为正样本，将标记为正常的DSA图像设置为负样本，获得标记好的训练样本。
这里，本发明实施例对输入的DSA图像来源不加以限制，可以来自前端之结晶拍摄采集的DSA图像数据，也可以是来自存储数据库。
示例性地，图2和图3分别是烟雾病DSA图像标注后的正负样本示意图，将采集到的DSA图像保存到数据标注平台数据库中，然后对图像进行标注，其中图2示出了标记为呈现烟雾病病症的图像的正样本，图3示出了标记为没有呈现烟雾病病症的图像的负样本。
102、对训练样本进行预处理，获得训练数据集。
具体的，对训练样本进行包括图像尺寸缩放、图像对比度增强和/或图像去噪的预处理，获得训练数据集。
关于图像尺寸缩放操作，由于拍摄DSA的设备以及拍摄参数设置存在差异，生成DSA中的图像的尺寸也存在差异，而对于绝大多数深度学习算法，都要求输入的图像有统一的尺寸，因此在进行预处理时，一般会选择将图像缩放到统一尺寸，以便于后续进行深度学习模型训练。
关于图像对比度增强操作，由于造影剂在注入到血液中并随血液一起流动，并且X光无法穿透造影剂，因此DSA影像中血管呈现为深色，血管以外呈现为浅色，通过指数变换、直方图均衡化等算法对图像进行对比度增强，使血管和背景的对比度更强，差异性更大。
关于图像去噪，通过图像滤波、膨胀腐蚀对图像进行去噪。
103、利用训练数据集通过卷积神经网络进行训练，得到DSA图像检测网络模型。
具体的，卷积神经网络为：由包括卷积层(Convolution Layer)、最大池化层(MaxPooling Layer)、平均池化层(Average Pooling Layer)、批归一化层(BatchNormalization Layer)、Relu激活函数层(Relu Activation Function Layer)、Softmax激活函数层(Softmax Activation Function Layer)、全连接层(Full Connection Layer)的多个层级组成的预设残差神经网络。这里的预设残差神经网络可以根据实际情况进行相应设置，在不脱离本发明实施例发明构思的情况下，只要能够实现本发明实施例所申明的可以使用现有技术中任何可能的残差神经网络，本发明实施例不对其加以特别限制。
示例性的，还是以烟雾病DSA图像检测为例，利用的残差神经网络主要由卷积层、最大池化层、平均池化层、批归一化层、Relu激活函数层、Softmax激活函数层、全连接层等层级组成。为方便对该网络的结构进行描述，做出如下定义：
定义conv[c](a,b,d)为输入维度为a，输出维度为b，步长为d的c*c卷积层；
定义maxpool(a,d)为输入维度为a，步长为d的最大池化层；
定义avgpool(a,d)为输入维度为a，步长为d的平均池化层；
定义bn(a)为输入维度为a的批归一化层；
定义relu为Relu激活函数层；
定义softmax为softmax激活函数层；
定义linear(a,b)为输入维度为a，输出维度为b的全连接层；
图4是BottleNeck模块网络结构的结构示意图，如图4所示，定义输入为x，输出为y的模块BottleNeck(a,b)具有以下结构：
1)首先输入x给conv[1](a,b/4,1)得到x1
2)x1输入bn(b/4)得到x2
3)x2输入relu得到x3
4)x3输入conv[3](b/4,b/4,2)得到x4
5)x4输入bn(b/4)得到x5
6)x5输入relu得到x6
7)x6输入conv[1](b/4,b,1)得到x7
8)x7输入bn(b)得到x8
9)x8输入relu得到x9
10)x输入conv[1](a,b,1)得到x10
11)x10输入bn(b)得到x11
12)x9和x11相加得到输出y
定义Group[n](a,b)为一个组件，由n个模块串联组成:
1)第一个模块为BottleNeck(a,b)
2)剩余模块为BottleNeck(b,b)
在本实施例中，经过图像叠加和数据预处理之后得到烟雾病输入样本x维度为(224,224,1)，分别表示图像的长、宽以及通道数，输出y为一个二维向量[y1,y2]。其中y1,y2分别表示该样本属于非烟雾病和烟雾病的概率，当y1>y2，该样本将被判别为非烟雾病图像，当y1<y2，该样本将被判别为烟雾病图像。整个残差神经网络的流程如下：
1)x4输入Group[3](64,256)得到x5
2)x5输入Group[4](128,512)得到x6
3)x6输入Group[6](256,1024)得到x7
4)x7输入Group[3](512,2048)得到x8
5)x4输入Group[3](64,256)得到x5
6)x5输入Group[4](256,512)得到x6
7)x6输入Group[6](512,1024)得到x7
8)x7输入Group[3](1024,2048)得到x8
9)x8输入avgpool(7,1)得到x9
10)x9输入linear(2048,2)得到x10
11)x10输入softmax得到输出y
为解决输入数据较少的问题，模型参数可以利用大型数据集训练后参数传递过来，例如ImageNet；
DSA图像检测网络模型训练好之后，将模型结果进行保存。
104、通过DSA图像检测网络模型对输入的待检测DSA图像进行检测，获得检测结果。
具体的，将待检测DSA图像输入训练好的DSA图像检测网络模型进行检测，从而获得期望要求的检测结果，然后存储检测结果或输入供其他程序使用，同时还可以将检测结果返回对DSA图像检测网络模型进行微调。
另外，优选地，本发明实施例提供的基于深度学习的DSA图像检测方法还包括以下步骤：
采集DSA图像，DSA图像包括待检测DSA图像，也就是说在采集用于训练模型的DSA图像时，也将待检测DSA图像一并采集；
对训练数据集进行数据增强操作，以扩充训练数据集，数据增强操作具体包括：对训练数据集的图像进行轻微旋转、左右翻转和/或对比度增强的图像增强操作；和/或
对待检测DSA图像进行包括图像尺寸缩放、图像对比度增强和/或图像去噪的预处理。
关于DSA图像采集，根据实践中不同种类DSA图像需求不同而进行相应采集，能够更好地满足DSA图像检测的要求。示例性地，根据烟雾病DSA图像检测的需要，利用相应数据拍摄采集设备或模块采集正位AP拍摄的左颈内动脉LICA和右颈内动脉RICA两种减影血管造影DSA图像序列，包含按照拍摄时间排序的若干张图像，不同时刻的图像对应着不同的造影剂在血管中的分布状态。
为了得到比较清晰完整的血管造影图像，需要对影像按照合理的规则进行叠加融合，以更有利地构建检测模型训练样本集。根据DSA拍摄设备生产商的不同，选择不同时间范围内的图像进行叠加。具体地，按照预设规则对拍摄的DSA图像进行叠加融合操作，预设规则具体包括：
选用γ1％到γ2％的图像进行叠加；和/或
选用ε1％到ε2％的图像进行叠加；和/或
忽略设备差异，选用所有帧的图像进行叠加，减去不含造影剂的医疗影像背景。
上述图像叠加操作可以通过Python图像库实现，首先将选定范围内的若干张图像的对应像素值相加，然后除以参与叠加的图像总数量。
关于数据增强操作，因为像素级别的血管数据集人工标注成本高，而深度学习对于训练集的样本需求量大，因此可以用数据增强方法对训练数据集进行扩充，在这里，对训练图像进行了轻微旋转，左右翻转，对比度增强等图像增强操作，从而扩充数据集。
关于待检测DSA图像的预处理，为了达到更好的检测效果，在利用模型检测之前，对待检测DSA图像进行包括图像尺寸缩放、图像对比度增强和/或图像去噪的预处理。
实施例2
图4是本发明实施例2提供的基于深度学习的DSA图像检测方法流程示意图，如图2所示，本发明实施例提供的基于深度学习的DSA图像检测方法，包括以下步骤：
201、采集DSA图像，DSA图像包括待检测DSA图像。
关于DSA图像采集，根据实践中不同种类DSA图像需求不同而进行相应采集，能够更好地满足DSA图像检测的要求。示例性地，根据烟雾病DSA图像检测的需要，利用相应数据拍摄采集设备或模块采集正位AP拍摄的左颈内动脉LICA和右颈内动脉RICA两种减影血管造影DSA图像序列，包含按照拍摄时间排序的若干张图像，不同时刻的图像对应着不同的造影剂在血管中的分布状态。
为了得到比较清晰完整的血管造影图像，需要对影像按照合理的规则进行叠加融合，以更有利地构建检测模型训练样本集。根据DSA拍摄设备生产商的不同，选择不同时间范围内的图像进行叠加。具体地，按照预设规则对拍摄的DSA图像进行叠加融合操作，预设规则具体包括：
选用γ1％到γ2％的图像进行叠加；和/或
选用ε1％到ε2％的图像进行叠加；和/或
忽略设备差异，选用所有帧的图像进行叠加，减去不含造影剂的医疗影像背景。
上述图像叠加操作可以通过Python图像库实现，首先将选定范围内的若干张图像的对应像素值相加，然后除以参与叠加的图像总数量。
值得注意的是，步骤采集DSA图像(包括图像叠加)的过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
202、对输入的DSA图像进行标注，将标记为异常的DSA图像设置为正样本，将标记为正常的DSA图像设置为负样本，获得标记好的训练样本。
这里，本发明实施例对输入的DSA图像来源不加以限制，可以来自前端之结晶拍摄采集的DSA图像数据，也可以是来自存储数据库。
示例性地，将采集到的DSA图像保存到数据标注平台数据库中，然后对图像进行标注，再回到图2和图3，其中图2示出了标记为呈现烟雾病病症的图像的正样本，图3示出了标记为没有呈现烟雾病病症的图像的负样本。
值得注意的是，步骤202的过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
203、对训练样本进行包括图像尺寸缩放、图像对比度增强和/或图像去噪的预处理，获得训练数据集。
关于图像尺寸缩放操作，由于拍摄DSA的设备以及拍摄参数设置存在差异，生成DSA中的图像的尺寸也存在差异，而对于绝大多数深度学习算法，都要求输入的图像有统一的尺寸，因此在进行预处理时，一般会选择将图像缩放到统一尺寸，以便于后续进行深度学习模型训练。
关于图像对比度增强操作，由于造影剂在注入到血液中并随血液一起流动，并且X光无法穿透造影剂，因此DSA影像中血管呈现为深色，血管以外呈现为浅色，通过指数变换、直方图均衡化等算法对图像进行对比度增强，使血管和背景的对比度更强，差异性更大。
关于图像去噪，通过图像滤波、膨胀腐蚀对图像进行去噪。
值得注意的是，步骤203的过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
204、对训练数据集进行数据增强操作，以扩充训练数据集，数据增强操作具体包括：对训练数据集的图像进行轻微旋转、左右翻转和/或对比度增强的图像增强操作。
因为像素级别的血管数据集人工标注成本高，而深度学习对于训练集的样本需求量大，因此可以用数据增强方法对训练数据集进行扩充，在这里，对训练图像进行了包括轻微旋转，左右翻转，对比度增强的图像增强操作，从而扩充数据集。除了以上三种图像增强操作方式，根据实际需要，还可以进行上下翻转，图像模糊，图像裁剪等图像增强操作方法。只要能达到其功能，可以采用现有技术任何可能的图像数据增强操作，本发明实施例不对其加以特别限定。
值得注意的是，步骤204的过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
205、利用训练数据集通过卷积神经网络进行训练，得到DSA图像检测网络模型。
具体的，卷积神经网络为：由包括卷积层(Convolution Layer)、最大池化层(MaxPooling Layer)、平均池化层(Average Pooling Layer)、批归一化层(BatchNormalization Layer)、Relu激活函数层(Relu Activation Function Layer)、Softmax激活函数层(Softmax Activation Function Layer)、全连接层(Full Connection Layer)的多个层级组成的预设残差神经网络。这里的预设残差神经网络可以根据实际情况进行相应设置，在不脱离本发明实施例发明构思的情况下，只要能够实现本发明实施例所申明的可以使用现有技术中任何可能的残差神经网络，本发明实施例不对其加以特别限制。
示例性的，还是以烟雾病DSA图像检测为例，利用的残差神经网络主要由卷积层、最大池化层、平均池化层、批归一化层、Relu激活函数层、Softmax激活函数层、全连接层等层级组成。为方便对该网络的结构进行描述，做出如下定义：
定义conv[c](a,b,d)为输入维度为a，输出维度为b，步长为d的c*c卷积层；
定义maxpool(a,d)为输入维度为a，步长为d的最大池化层；
定义avgpool(a,d)为输入维度为a，步长为d的平均池化层；
定义bn(a)为输入维度为a的批归一化层；
定义relu为Relu激活函数层；
定义softmax为softmax激活函数层；
定义linear(a,b)为输入维度为a，输出维度为b的全连接层；
图5是BottleNeck模块网络结构的结构示意图，如图4所示，定义输入为x，输出为y的模块BottleNeck(a,b)具有以下结构：
1)首先输入x给conv[1](a,b/4,1)得到x1
2)x1输入bn(b/4)得到x2
3)x2输入relu得到x3
4)x3输入conv[3](b/4,b/4,2)得到x4
5)x4输入bn(b/4)得到x5
6)x5输入relu得到x6
7)x6输入conv[1](b/4,b,1)得到x7
8)x7输入bn(b)得到x8
9)x8输入relu得到x9
10)x输入conv[1](a,b,1)得到x10
11)x10输入bn(b)得到x11
12)x9和x11相加得到输出y
定义Group[n](a,b)为一个组件，由n个模块串联组成:
1)第一个模块为BottleNeck(a,b)
2)剩余模块为BottleNeck(b,b)
在本实施例中，经过图像叠加和数据预处理之后得到烟雾病输入样本x维度为(224,224,1)，分别表示图像的长、宽以及通道数，输出y为一个二维向量[y1,y2]。其中y1,y2分别表示该样本属于非烟雾病和烟雾病的概率，当y1>y2，该样本将被判别为非烟雾病图像，当y1<y2，该样本将被判别为烟雾病图像。整个残差神经网络的流程如下：
1)x4输入Group[3](64,256)得到x5
2)x5输入Group[4](128,512)得到x6
3)x6输入Group[6](256,1024)得到x7
4)x7输入Group[3](512,2048)得到x8
5)x4输入Group[3](64,256)得到x5
6)x5输入Group[4](256,512)得到x6
7)x6输入Group[6](512,1024)得到x7
8)x7输入Group[3](1024,2048)得到x8
9)x8输入avgpool(7,1)得到x9
10)x9输入linear(2048,2)得到x10
11)x10输入softmax得到输出y
为解决输入数据较少的问题，模型参数可以利用大型数据集训练后参数传递过来，例如ImageNet；
DSA图像检测网络模型训练好之后，将模型结果进行保存。
值得注意的是，步骤205的过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
206、对待检测DSA图像进行包括图像尺寸缩放、图像对比度增强和/或图像去噪的预处理。
为了达到更好的检测效果，在利用模型检测之前，对待检测DSA图像进行包括图像尺寸缩放、图像对比度增强和/或图像去噪的预处理。
值得注意的是，步骤206的过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
207、通过DSA图像检测网络模型对输入的待检测DSA图像进行检测，获得检测结果。
具体的，将待检测DSA图像输入训练好的DSA图像检测网络模型进行检测，从而获得期望要求的检测结果，然后存储检测结果或输入供其他程序使用，同时还可以将检测结果返回对DSA图像检测网络模型进行微调。
值得注意的是，步骤207的过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
实施例3
图6是本发明实施例3提供的基于深度学习的DSA图像检测装置组成示意图，如图6所示，本发明实施例提供的基于深度学习的DSA图像检测装置，包括标注模块31、预处理模块32、训练模块33及检测模块34。
其中，标注模块31，用于对输入的DSA图像进行标注，获得标记好的训练样本。具体的，对输入的DSA图像进行标注，将标记为异常的DSA图像设置为正样本，将标记为正常的DSA图像设置为负样本，获得标记好的训练样本。
预处理模块32，用于对训练样本进行预处理，获得训练数据集。具体的，对训练样本进行包括图像尺寸缩放、图像对比度增强和/或图像去噪的预处理，获得训练数据集。
训练模块33，用于利用训练数据集通过卷积神经网络进行训练，得到DSA图像检测网络模型。具体的，卷积神经网络为：由包括卷积层、最大池化层、平均池化层、批归一化层、Relu激活函数层、Softmax激活函数层、全连接层的多个层级组成的预设残差神经网络。这里的预设这里的预设残差神经网络可以根据实际情况进行相应设置，具体实施方式与实施例1、实施例2相同，详见实施例1、实施例2相应内容，在此不再赘述。
检测模块34，用于通过DSA图像检测网络模型对输入的待检测DSA图像进行检测，获得检测结果。
另外，优选地，上述装置还包括：
采集模块35，用于采集DSA图像，所述DSA图像包括待检测DSA图像。具体的，采集模块35用于：
按照预设规则对拍摄的DSA图像进行叠加融合操作，所述预设规则具体包括：
选用γ1％到γ2％的图像进行叠加；和/或
选用ε1％到ε2％的图像进行叠加；和/或
忽略设备差异，选用所有帧的图像进行叠加，减去不含造影剂的医疗影像背景。
另外，优选地，上述装置还包括：
数据增强模块36，用于对训练数据集进行数据增强操作，以扩充训练数据集，数据增强操作具体包括：对训练数据集的图像进行轻微旋转、左右翻转和/或对比度增强的图像增强操作。
另外，优选地，预处理模块32还用于对待检测DSA图像进行包括图像尺寸缩放、图像对比度增强和/或图像去噪的预处理。
实施例4
图7是本发明实施例4提供的基于深度学习的DSA图像检测设备组成示意图，如图7所示，本发明实施例4提供的基于深度学习的DSA图像检测设备包括处理器41和存储器42。
存储器42，用于存储有所述处理器的可执行指令；
其中，处理器41配置为经由所述可执行指令来执行实施例1、实施例2所述的基于深度学习的DSA图像检测方法的步骤。
应用实施例
图8是本发明实施例提供的基于深度学习的DSA图像检测方法、装置及设备的应用实施例的技术架构示意图。如图8所示，在该应用实施例中，总体的技术架构由以下几个部分组成：
数据采集模块51，采集减影血管造影DSA图像；
数据存储模块52，将图像存储到数据标注平台上面；
数据标注模块53，对图像数据进行标注；
数据预处理模块54，对输入图像进行预处理；
数据增强模块55，对图像进行数据增强；
DSA图像检测模型训练模块56，利用深度学习网络对图像进行训练；
模型保存模块57，用于对训练好的模型进行保存。
DSA图像检测模块，用于对未标注的图像进行检测，结果返回到数据存储模块进行保存。
需要说明的是：上述实施例提供的基于深度学习的DSA图像检测装置、设备在触发DSA图像检测业务时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置、设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于深度学习的DSA图像检测装置、设备与基于深度学习的DSA图像检测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。
综上所述，本发明实施例提供的基于深度学习的DSA图像检测方法、装置及设备，通过利用进行适应性标注的DSA图像通过卷积神经网络训练进行训练，获得期望的DSA图像检测网络模型，以便利用该DSA图像检测网络模型对待检测DSA图像进行识别、检测，从而快速、准确地获得DSA图像检测结果，以便满足日趋增强和数量激增的医疗服务需求，解决了现有DSA图像进行观察、检测的低效率、费时费力和检测效果不甚满意等技术问题，在DSA图像检测时不仅效率高，而且避免了通过人工识别检测的主观偏差，具有较好的准确性，从而更好的辅助医疗诊疗服务，在涉及医疗影像检测识别的诸多医疗领域具有广泛而良好的应用前景。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也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。
本申请实施例中是参照根据本申请实施例中实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例中范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (15)

1.一种基于深度学习的DSA图像检测方法，其特征在于，所述方法包括：
对输入的DSA图像进行标注，获得标记好的训练样本；
对所述训练样本进行预处理，获得训练数据集；
利用所述训练数据集通过卷积神经网络进行训练，得到DSA图像检测网络模型；
通过所述DSA图像检测网络模型对输入的待检测DSA图像进行检测，获得检测结果。
2.根据权利要求1所述的方法，其特征在于，对输入的DSA图像进行标注，获得标记好的训练样本，包括：
对输入的DSA图像进行标注，将标记为异常的DSA图像设置为正样本，将标记为正常的DSA图像设置为负样本，获得标记好的训练样本。
3.根据权利要求1所述的方法，其特征在于，对所述训练样本进行预处理，获得训练数据集，包括：
对所述训练样本进行包括图像尺寸缩放、图像对比度增强和/或图像去噪的预处理，获得训练数据集。
4.根据权利要求1所述的方法，其特征在于，所述卷积神经网络为：由包括卷积层、最大池化层、平均池化层、批归一化层、Relu激活函数层、Softmax激活函数层、全连接层的多个层级组成的预设残差神经网络。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：
采集DSA图像，所述DSA图像包括所述待检测DSA图像。
6.根据权利要求5所述的方法，其特征在于，采集DSA图像，包括：
按照预设规则对拍摄的DSA图像进行叠加融合操作，所述预设规则具体包括：
选用γ1％到γ2％的图像进行叠加；和/或
选用ε1％到ε2％的图像进行叠加；和/或
忽略设备差异，选用所有帧的图像进行叠加，减去不含造影剂的医疗影像背景。
7.根据权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：
对所述训练数据集进行数据增强操作，以扩充训练数据集，所述数据增强操作具体包括：对所述训练数据集的图像进行轻微旋转、左右翻转和/或对比度增强的图像增强操作；和/或
对所述待检测DSA图像进行包括图像尺寸缩放、图像对比度增强和/或图像去噪的预处理。
8.一种基于深度学习的DSA图像检测装置，其特征在于，包括：
标注模块，用于对输入的DSA图像进行标注，获得标记好的训练样本；
预处理模块，用于对所述训练样本进行预处理，获得训练数据集；
训练模块，用于利用所述训练数据集通过卷积神经网络进行训练，得到DSA图像检测网络模型；
检测模块，用于通过所述DSA图像检测网络模型对输入的待检测DSA图像进行检测，获得检测结果。
9.根据权利要求1所述的装置，其特征在于，所述标注模块用于：
对输入的DSA图像进行标注，将标记为异常的DSA图像设置为正样本，将标记为正常的DSA图像设置为负样本，获得标记好的训练样本。
10.根据权利要求8所述的装置，其特征在于，所述预处理模块用于：
对所述训练样本进行包括图像尺寸缩放、图像对比度增强和/或图像去噪的预处理，获得训练数据集。
11.根据权利要求1所述的装置，其特征在于，所述卷积神经网络为：由包括卷积层、最大池化层、平均池化层、批归一化层、Relu激活函数层、Softmax激活函数层、全连接层的多个层级组成的预设残差神经网络。
12.根据权利要求8至11任一项所述的装置，其特征在于，所述装置还包括：
采集模块，用于采集DSA图像，所述DSA图像包括所述待检测DSA图像。
13.根据权利要求12所述的装置，其特征在于，所述采集模块用于：
按照预设规则对拍摄的DSA图像进行叠加融合操作，所述预设规则具体包括：
选用γ1％到γ2％的图像进行叠加；和/或
选用ε1％到ε2％的图像进行叠加；和/或
忽略设备差异，选用所有帧的图像进行叠加，减去不含造影剂的医疗影像背景。
14.根据权利要求8至11任一项所述的装置，其特征在于，所述装置还包括：
数据增强模块，用于对所述训练数据集进行数据增强操作，以扩充训练数据集，所述数据增强操作具体包括：对所述训练数据集的图像进行轻微旋转、左右翻转和/或对比度增强的图像增强操作；和/或
所述预处理模块还用于对所述待检测DSA图像进行包括图像尺寸缩放、图像对比度增强和/或图像去噪的预处理。
15.一种基于深度学习的DSA图像检测设备，其特征在于，包括：
处理器；
存储器，用于存储有所述处理器的可执行指令；
其中，所述处理器配置为经由所述可执行指令来执行权利要求1至7中任一项所述的基于深度学习的DSA图像检测方法的步骤。
CN201810686092.1A 2018-06-28 2018-06-28 一种基于深度学习的dsa图像检测方法、装置及设备 Pending CN108899075A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810686092.1A CN108899075A (zh) 2018-06-28 2018-06-28 一种基于深度学习的dsa图像检测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810686092.1A CN108899075A (zh) 2018-06-28 2018-06-28 一种基于深度学习的dsa图像检测方法、装置及设备

Publications (1)

Publication Number Publication Date
CN108899075A true CN108899075A (zh) 2018-11-27

Family

ID=64346608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810686092.1A Pending CN108899075A (zh) 2018-06-28 2018-06-28 一种基于深度学习的dsa图像检测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN108899075A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615633A (zh) * 2018-11-28 2019-04-12 武汉大学人民医院（湖北省人民医院） 一种基于深度学习的肠镜下克罗恩病辅助诊断系统及方法
CN109816650A (zh) * 2019-01-24 2019-05-28 强联智创（北京）科技有限公司 一种基于二维dsa图像的目标区域识别方法及其系统
CN109817310A (zh) * 2018-12-19 2019-05-28 中国石油大学(华东) 一种基于yolo卷积神经网络的胆石病ct医疗图像数据增强方法
CN109829901A (zh) * 2019-01-21 2019-05-31 武汉爱尔眼科汉口医院有限公司 一种基于卷积神经网络的真菌性角膜炎检测方法及系统
CN110070067A (zh) * 2019-04-29 2019-07-30 北京金山云网络技术有限公司 视频分类方法及其模型的训练方法、装置和电子设备
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
CN110348293A (zh) * 2019-05-29 2019-10-18 广州中科凯泽科技有限公司 一种商品识别方法及系统
CN110517244A (zh) * 2019-08-23 2019-11-29 首都医科大学宣武医院 一种基于dsa图像的定位方法及系统
CN111383222A (zh) * 2020-03-18 2020-07-07 桂林理工大学 一种基于深度学习的椎间盘mri图像智能诊断系统
CN112034450A (zh) * 2019-06-03 2020-12-04 富士通株式会社 物品检测方法和装置
CN112037168A (zh) * 2020-07-23 2020-12-04 上海交通大学附属第六人民医院 一种血管检测方法、装置以及计算机存储介质
CN112085807A (zh) * 2019-06-12 2020-12-15 西门子医疗有限公司 提供差分图像数据组和训练生成器函数的方法和提供系统
CN115620062A (zh) * 2022-10-24 2023-01-17 推想医疗科技股份有限公司 一种肝脏血管分类的方法、装置、设备和介质
CN118373278A (zh) * 2024-04-18 2024-07-23 重庆市特种设备检测研究院(重庆市特种设备事故应急调查处理中心) 一种电梯曳引系统中曳引绳的监测方法、系统及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015180368A1 (zh) * 2014-05-27 2015-12-03 江苏大学 一种半监督语音特征可变因素分解方法
CN105825509A (zh) * 2016-03-17 2016-08-03 电子科技大学 基于3d卷积神经网络的脑血管分割方法
CN107292847A (zh) * 2017-06-28 2017-10-24 上海联影医疗科技有限公司 一种数据降噪方法及系统
CN107492099A (zh) * 2017-08-28 2017-12-19 京东方科技集团股份有限公司 医学图像分析方法、医学图像分析系统以及存储介质
CN107730497A (zh) * 2017-10-27 2018-02-23 哈尔滨工业大学 一种基于深度迁移学习的血管内斑块属性分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015180368A1 (zh) * 2014-05-27 2015-12-03 江苏大学 一种半监督语音特征可变因素分解方法
CN105825509A (zh) * 2016-03-17 2016-08-03 电子科技大学 基于3d卷积神经网络的脑血管分割方法
CN107292847A (zh) * 2017-06-28 2017-10-24 上海联影医疗科技有限公司 一种数据降噪方法及系统
CN107492099A (zh) * 2017-08-28 2017-12-19 京东方科技集团股份有限公司 医学图像分析方法、医学图像分析系统以及存储介质
CN107730497A (zh) * 2017-10-27 2018-02-23 哈尔滨工业大学 一种基于深度迁移学习的血管内斑块属性分析方法

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615633A (zh) * 2018-11-28 2019-04-12 武汉大学人民医院（湖北省人民医院） 一种基于深度学习的肠镜下克罗恩病辅助诊断系统及方法
CN109817310A (zh) * 2018-12-19 2019-05-28 中国石油大学(华东) 一种基于yolo卷积神经网络的胆石病ct医疗图像数据增强方法
CN109829901A (zh) * 2019-01-21 2019-05-31 武汉爱尔眼科汉口医院有限公司 一种基于卷积神经网络的真菌性角膜炎检测方法及系统
CN109816650A (zh) * 2019-01-24 2019-05-28 强联智创（北京）科技有限公司 一种基于二维dsa图像的目标区域识别方法及其系统
CN110070067B (zh) * 2019-04-29 2021-11-12 北京金山云网络技术有限公司 视频分类方法及其模型的训练方法、装置和电子设备
CN110070067A (zh) * 2019-04-29 2019-07-30 北京金山云网络技术有限公司 视频分类方法及其模型的训练方法、装置和电子设备
CN110348293B (zh) * 2019-05-29 2022-11-18 广州中科凯泽科技有限公司 一种商品识别方法及系统
CN110348293A (zh) * 2019-05-29 2019-10-18 广州中科凯泽科技有限公司 一种商品识别方法及系统
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
CN112034450A (zh) * 2019-06-03 2020-12-04 富士通株式会社 物品检测方法和装置
CN112085807B (zh) * 2019-06-12 2023-12-15 西门子医疗有限公司 提供差分图像数据组和训练生成器函数的方法和提供系统
CN112085807A (zh) * 2019-06-12 2020-12-15 西门子医疗有限公司 提供差分图像数据组和训练生成器函数的方法和提供系统
CN110517244A (zh) * 2019-08-23 2019-11-29 首都医科大学宣武医院 一种基于dsa图像的定位方法及系统
CN111383222A (zh) * 2020-03-18 2020-07-07 桂林理工大学 一种基于深度学习的椎间盘mri图像智能诊断系统
CN112037168A (zh) * 2020-07-23 2020-12-04 上海交通大学附属第六人民医院 一种血管检测方法、装置以及计算机存储介质
CN112037168B (zh) * 2020-07-23 2024-04-16 上海交通大学附属第六人民医院 一种血管检测方法、装置以及计算机存储介质
CN115620062A (zh) * 2022-10-24 2023-01-17 推想医疗科技股份有限公司 一种肝脏血管分类的方法、装置、设备和介质
CN118373278A (zh) * 2024-04-18 2024-07-23 重庆市特种设备检测研究院(重庆市特种设备事故应急调查处理中心) 一种电梯曳引系统中曳引绳的监测方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN108899075A (zh) 一种基于深度学习的dsa图像检测方法、装置及设备
US8538107B2 (en) Method for visualizing a sequence of tomographic volume data records for medical imaging
EP1345154A1 (en) A method for encoding image pixels and method for processing images aimed at qualitative recognition of the object reproduced by one more image pixels
US20230147968A1 (en) Generation of radiological images
CN109978015B (zh) 一种图像处理方法、装置及内窥镜系统
CN104504708B (zh) 一种基于毗邻图像特征点集的dsa脑血管图像自动分割方法
CN111429457A (zh) 图像局部区域亮度智能评价方法、装置、设备及介质
US12039718B2 (en) Inference apparatus, medical apparatus, and program
CN113516639B (zh) 基于全景x光片的口腔异常检测模型的训练方法及装置
Goutham et al. Automatic localization of landmarks in cephalometric images via modified U-Net
CN117523204A (zh) 面向医疗场景的肝脏肿瘤图像分割方法、装置和可读存储介质
US11995834B2 (en) Method and system for the automated determination of examination results in an image sequence
CN109767468B (zh) 脏器体积检测方法及装置
JPH08146139A (ja) 心筋バイアビリティの評価方法及び心筋断層画像処理 装置
JP2023114463A (ja) 表示装置、方法およびプログラム
CN114862823B (zh) 区域分割方法及装置
CN107424151A (zh) 可读存储介质及正位胸片自动检测方法、系统、装置
CN103908276B (zh) 多层容积ct灌注成像源影像的自动化减影处理方法
CN111035403A (zh) 一种扫描时机确定方法、装置、设备及存储介质
CN108937978A (zh) 一种血流全循环成像算法的分层显示方法
CN113487628B (zh) 模型训练的方法及冠状血管识别方法、装置、设备和介质
CN113643285B (zh) 基于人工神经网络的心肌靶心图分析方法、系统和介质
가푸어 A Study on Multi-Class Teeth Segmentation in Dental 2D Panoramic X-ray Images
Ghafoor et al. Multiclass Teeth Segmentation for Dental X-ray Images
CN116128914A (zh) 造影图像两级分割方法、电子设备、处理系统及存储介质

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
TA01 Transfer of patent application right

Effective date of registration: 20200422

Address after: 518052 Guangdong city of Shenzhen province Qianhai Shenzhen Hong Kong cooperation zone before Bay Road No. 1 building 201 room A

Applicant after: ZhongAn Information Technology Service Co.,Ltd.

Applicant after: NORTH CAMPUS, HUASHAN HOSPITAL AFFILIATED TO FUDAN University

Address before: 518052 Guangdong city of Shenzhen province Qianhai Shenzhen Hong Kong cooperation zone before Bay Road No. 1 building 201 room A (located in Shenzhen Qianhai business secretary Co. Ltd.)

Applicant before: ZhongAn Information Technology Service Co.,Ltd.

TA01 Transfer of patent application right
RJ01 Rejection of invention patent application after publication

Application publication date: 20181127

RJ01 Rejection of invention patent application after publication