CN109035255A - 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 - Google Patents
一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 Download PDFInfo
- Publication number
- CN109035255A CN109035255A CN201810677366.0A CN201810677366A CN109035255A CN 109035255 A CN109035255 A CN 109035255A CN 201810677366 A CN201810677366 A CN 201810677366A CN 109035255 A CN109035255 A CN 109035255A
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional
- aorta
- sandwich
- neural networks
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的CT图像中带夹层主动脉分割方法。本发明提出了结合三维卷积神经网络和二维卷积神经网络的CT带夹层主动脉分割算法,使用三维卷积神经网络将三维体数据分成两部分,再使用两个二维卷积神经网络分别对这两部分进行分割,得到最终的分割结果。本发明可以有效的从包含带夹层主动脉的CT图像中分割出带夹层的主动脉,克服了传统的单纯使用三维全卷积神经网络由于输入图像分辨率与GPU显存容量之间的矛盾导致分割精度上的不足,以及单纯使用二维卷积神经网络由于丢失三维信息导致的分割效果不稳定的缺陷,具有良好的分割效果。
Description
技术领域
本发明涉及一种CT图像中带夹层主动脉分割方法,尤其涉及一种基于卷积神经网络的CT图像中带夹层主动脉分割方法,属于计算机视觉、图像分割技术领域。
背景技术
主动脉夹层(Aorta Dissection,AD)是指由主动脉内膜层的破损导致血液在主动脉内膜与主动脉壁之间流动从而迫使两者分离的病理现象。其成因往往与高血压或是由受伤、心脏手术或是一些病症引起的血管壁强度降低相关。主动脉夹层虽然发病率低,但其死亡率极高,同时,发病到死亡之间的时间间隔极短。如果不进行治疗,半数急性A型主动脉夹层患者将会在三日内死亡,而超过10%的B型主动脉夹层患者会在30天内死亡。对于主动脉夹层的诊断主要基于CT灌注成像(Computed Tomography Angiography,CTA)。而带夹层主动脉的形态特征,如主入口(primary entry)的大小和位置、真假腔的直径以及主动脉的曲率,都对诊断、定制治疗计划和风险评估有着重要的意义。目前,如何计算这些形态特征仍是一个极具挑战性的问题,而对CT图像中带夹层主动脉的分割正是解决这一问题的第一步。
现有的血管分割算法主要可以分为四大类,即基于血管增强滤波的算法、基于中心线跟踪的算法、基于血管几何模型的算法以及基于机器学习的算法。
基于血管增强滤波的算法主要使用一些建立在海森矩阵特征值之上的滤波器,例如Frangi滤波器,来增强血管区域,之后再使用一些基本的图像分割算法如阈值分割或区域生长等来得到目标血管。这类方法大多可以做到全自动,但由于缺少与血管拓扑结构相关的信息,分割结果往往存在大量的误分,同时,软斑块、钙化等血管病变会严重影响分割结果。
基于中心线跟踪的算法的主要特点在于在分割血管之前首先提取血管中心线,再由中心线向外扩展得到血管区域。这类算法可以较好的表达血管的拓扑结构,但通常需要人工标记至少中心线点,无法做到全自动。
基于血管几何模型的方法使用三维圆柱等几何模型来对血管建模,再通过优化几何模型的参数来精确的得到血管分割结果。这类算法的计算大多比较复杂,分割比较费时,此外,这类算法往往对初始模型比较敏感,通常需要通过人工标记初始模型来得到比较好的结果。
基于机器学习的方法通过训练统计学习模型,如支持向量机、神经网络等,来达到分割血管的目的。这类方法往往具有分割速度快、准确率高等优点,其缺点在于统计模型的训练需要大量训练数据,而人工标记训练集中的血管区域需要耗费大量的人力。
基于卷积神经网络(Convolutional Neural Network,CNN)的算法可以被归类为上述的基于机器学习的算法。近年来,这类算法在医学成像的各个领域都吸引了广泛的关注,并且在图像分类、图像分割以及图像配准等领域取得了令人瞩目的成就。卷积神经网络从神经网络的基础之上发展而来,两者的主要区别在于,卷积神经网络使用卷积层作为特征抽取器,而普通神经网络的特征提取器则是由全连接层构成。2014年,加州大学伯克利分校的Long等人提出了全卷积神经网络(Fully Convolutional Network,FCN)是一类广泛应用于图像分割领域的卷积神经网络模型。相比于传统CNN,FCN用卷积层和反卷积层替换了CNN中的全连接层,这种改变保留了二维的空间信息,使得其能够进行二维的密集预测。这种结构的提出使得网络可以解除对输入图片大小的限制,能够输入任意尺寸的图片。而且相比于图像块分类方法(含有全连接层,而且全连接层包含了大部分的参数量),FCN大大降低了网络的参数,降低了网络过拟合的风险,而且在处理速度上也有明显的提升,因此在后来几乎所有的最新语义分割网络都采用了这种结构。
基于卷积神经网络的三维CT数据分割有两种基本思路。第一种是直接使用三维的全卷积神经网络模型处理三维数据。这种方法可以完整的利用数据中的三维信息,但其问题在于三维CT体数据往往数据量较大,现有的GPU显存不足以支持直接在原始尺寸的体数据上构建网络并完成训练。对此,一个解决方法是先对原始数据进行降采样,但这种方法又不可避免的带来了另一个问题,输入图像的分辨率较低导致分割的精度降低。第二种思路是将三维体数据看作二维图像的堆叠,并训练二维的全卷积神经网络对每一层二维图像分别进行分割。这种思路的优点在于保留了输入图像的分辨率,但其缺点在于丢失了图像的三维信息。在实验中,我们发现这种基于二维卷积神经网络的方法在某些特定的区域分割效果极不稳定,而在其他区域表现良好。
发明内容
本发明所要解决的技术问题是,为了克服传统的单纯使用三维全卷积神经网络由于输入图像分辨率与GPU显存容量之间的矛盾导致分割精度上的不足以及单纯使用二维卷积神经网络由于丢失三维信息导致的分割效果不稳定,本发明提出了一种结合三维卷积神经网络和二维卷积神经网络的CT带夹层主动脉分割算法。这种方法使用三维卷积神经网络将三维体数据分成两部分,再使用两个二维卷积神经网络分别对两部分进行分割得到最终的分割结果。
本发明为了解决上述技术问题而采用以下技术方案:
本发明提出一种基于卷积神经网络的CT图像中带夹层主动脉分割方法,包括以下步骤:
步骤1、由带夹层主动脉CT图像获取对应的人工标记图像
步骤2、由带夹层主动脉CT图像以及对应的人工标记图像计算得到三维卷积神经网络的训练集T3D和两个二维神经网络的训练集和
步骤3、利用得到的三维网络训练集T3D训练三维卷积神经网络N3D得到三维模型M3D,同时利用得到的二维网络训练集和分别训练对应的二维卷积神经网络和得到二维模型和
步骤4、对待分割的临床三维CT图像进行预处理,得到预处理后的三维CT图像
步骤5、将预处理后的三维CT图像输入训练好的三维模型M3D中,得到初步的分块标记A3D。
步骤6、对初步的分块标记A3D进行处理,得到精细的分块标记
步骤7、根据精细的分块标记将待分割的三维CT图像按断层分为两部分和分别逐层输入到对应的训练好的二维模型和中,得到对应的两组特征值图像和
步骤8、结合两组特征值图像和得到整体的特征值图像F3D,并对F3D做阈值分割得到最终的分割结果S3D。
本发明采用以上技术方案,具有以下技术效果:
与现有技术相比,本发明方法首先通过三维的卷积神经网络模型将三维CT数据按断层相对于主动脉的位置分为两类,在这两类的断层中,主动脉区域具有不同的形状特征,再使用两个二维的卷积神经网络分别对两类的断层进行分割,以得到主动脉分割结果。本发明可以以较高的准确率分割CT图像中的带夹层主动脉。此外,本发明中使用的二维卷积神经网络包含三个部分,首先是两个分支,一个用于提取初步的主动脉分割结果,一个用于提取主动脉边界,最后是一个卷积神经网络将之前两个分支的结果进行融合,得到最终的分割结果。这种设计大大地提高了算法血管边界以及夹层处的分割准确率。
附图说明
图1为本发明实施例中带夹层CT图像数据与对应的主动脉人工标记的三维体绘制图像,其中的(a)为CT图像;(b)为主动脉人工标记。
图2为本发明整体流程示意图。
图3为本发明实施例中将三维体数据分为两部分的标准示意图。
图4为本发明使用的二维卷积神经网络基本结构示意图。
图5为本发明三维模型后处理的流程图。
图6为本发明实施例中轴向临床CT图像与主动脉区域局部放大的图像,其中的(a)为轴向CT图像;(b)为主动脉区域局部放大的图像。
图7为本发明实施例中使用本发明方法得到的分割结果的轴向图像以及对应的主动脉区域局部放大的图像,其中(a)为轴向CT图像;(b)为主动脉区域局部放大的图像。
图8为本发明实施例中使用本发明方法得到的分割结果的三维体绘制图像。
具体实施方式
下面结合说明书附图针对本发明的具体实施方式作进一步详细的说明。
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为解决本发明所要解决的计算问题,本发明提出一种基于卷积神经网络的CT图像中带夹层主动脉分割方法,首先,对获取的带夹层主动脉CT图像中的体素进行打标签操作,获得人工标记图像;之后由带夹层主动脉CT图像以及对应的人工标记图像计算得到三维卷积神经网络和两个二维神经网络的训练集,利用得到的训练集分别对应训练三维神经网络和二维神经网络,得到训练好的三维模型和两个二维模型。对待分割的三维CT图像进行预处理,得到预处理后的三维CT图像。将预处理后的三维CT图像输入训练好的三维模型中,得到初步的分块标记。对初步的分块标记进行处理,得到精细的分块标记。根据精细的分块标记将带分割的三维CT图像按层分为两部分,分别逐层输入到对应的训练好的二维神经网络中,得到对应的两组特征值图像。将两组特征值图像结合,并使用阈值分割得到最终的带夹层主动脉分割结果。
如图2所示,以下结合具体实施步骤,进一步详细介绍本发明提出的基于卷积神经网络的CT图像中带夹层主动脉分割方法:
步骤1、由带夹层主动脉的CT图像获取对应的人工标记图像
具体的,由带夹层主动脉的CT图像获取对应人工标记图像的方法包括但不局限于纯手工标记和用其他血管分割方法初步分割后手工修改细化。
步骤2、由带夹层主动脉CT图像以及对应的人工标记图像计算得到一个三维卷积神经网络的训练集T3D和两个二维神经网络的训练集和如图1所示,为带夹层CT图像数据与对应的主动脉人工标记的三维体绘制图像,其中的(a)为CT图像;(b)为主动脉人工标记。
具体的,将带夹层主动脉CT图像按特定的分辨率dx×dy×dz进行三维插值得到缩小的三维体数据加入三维卷积神经网络的训练集T3D中作为输入对象。如图3为本发明实施例中将三维体数据分为两部分的标准示意图,其中,为带夹层主动脉CT图像每一轴向断层按其是否包含升主动脉或主动脉弓赋予标签,得到一维标签数组将包含升主动脉或主动脉弓的断层及其对应的人工标记图像断层加入二维神经网络的训练集分别作为输入对象和目标输出,将仅包含降主动脉的断层及其对应的人工标记图像断层加入二维神经网络的训练集分别作为输入对象和目标输出。将一维标签数组按分辨率dz进行插值得到缩小的一位标签数组将加入三维卷积神经网络的训练集T3D中作为输入对象对应的目标输出。
步骤3、利用得到的三维网络训练集T3D训练三维卷积神经网络N3D得到三维模型M3D,同时利用得到的二维网络训练集和分别训练对应的二维卷积神经网络和分别得到二维模型和
具体的,三维卷积神经网络N3D是一种三维全卷积神经网络,应由一个到多个三维卷积层、条纹卷积(strided convolution)层或池化(pooling)层、激活层和批归一化(batch normalization)层组成。三维卷积神经网络N3D的输入为缩小的三维体数据目标输出为缩小的一位标签数组由损失函数loss3D监督训练。
二维卷积神经网络和为具有相同结构的二维全卷积神经网络,应由一个到多个二维卷积层、条纹卷积(strided convolution)层或池化(pooling)层、反卷积(transposed convolution)层、激活层和批归一化(batch normalization)层组成,其基本结构如图4所示。二维卷积神经网络可分为三个部分:两个分支Narea和Nedge分别用于提取初步血管分割结果和血管边界。两个分支Narea和Nedge的输入均为二维CT断层图像目标输出分别为人工标记图像与血管边界图像其中血管边界图像由形态学膨胀后的人工标记图像与人工标记图像做差得到,两个分支的训练分别由损失函数和进行监督。融合部分Nfusion用于将前两部分的结果进行融合以得到更精确的二维血管分割结果,其输入为Narea的输出Oarea与Nedge的输出Oedge,目标输出为人工标记图像由损失函数监督训练。整个网络的损失函数为上述三个损失函数的加权和,即
二维卷积神经网络的两个分支Narea和Nedge输入均为二维CT断层图像目标输出分别为人工标记图像与血管边界图像其中血管边界图像由形态学膨胀后的人工标记图像与人工标记图像做差得到,两个分支的训练分别由损失函数和进行监督。融合部分Nfusion目标输出为人工标记图像由损失函数监督训练。同样,整个网络的损失函数为上述三个损失函数的加权和,即
上述激活层为非线性激活层,可用的激活函数包含但不限于ReLU函数、sigmoid函数、Leaky ReLU函数、PReLU函数等。上述损失函数loss3D、 均为适用于图像分割任务的损失函数,可以使用的损失函数包含但不限于L2损失函数、交叉熵损失函数、dice损失函数、归一化的dice损失函数等。得到的模型M3D、和包含对应的网络结构以及训练得到的网络中每一层的参数。
步骤4、对待分割的临床三维CT图像进行预处理,得到预处理后的三维CT图像
具体的,预处理指与步骤2中相同的三维插值操作,将待分割的临床三维CT图像按分辨率dx×dy×dz进行三维插值得到缩小的三维体数据
步骤5、将预处理后的三维CT图像输入训练好的三维模型M3D中,得到初步的分块标记A3D。
具体的,假设预处理后的三维CT图像大小为nx×ny×nz,则输出的初步的分块标记A3D为长度为nz的一维数组。
步骤6、对初步的分块标记A3D进行处理,得到精细的分块标记
具体的,处理的步骤包括阈值、一维形态学膨胀、一维插值等,具体的处理步骤流程图如图5所示。
步骤7、根据精细的分块标记将待分割的三维CT图像按轴向断层分为两部分和分别逐层输入到对应的训练好的二维模型和中,得到对应的两组特征值图像和
具体的,将精细的分块标记中标记为1的位置所对应的轴向断层归为将标记为0的位置所对应的轴向断层归为
步骤8、结合两组特征值图像和得到整体的特征值图像F3D,并对F3D做阈值分割得到最终的分割结果S3D。
具体的,将两组特征值图像和在z方向上堆叠,在上,在下,得到整体的特征值图像F3D。
最后采用阈值分割得到最终的分割结果。本发明的阈值分割中使用的阈值为0.5,即将特征图像中特征值大于等于0.5的部分标为1,即目标,小于0.5的部分标为0,即背景。
如图6所示,为本发明实施例中轴向临床CT图像与主动脉区域局部放大的图像,其中的(a)为轴向CT图像;(b)为主动脉区域局部放大的图像。图7为本发明实施例中使用本发明方法得到的分割结果的轴向图像以及对应的主动脉区域局部放大的图像,R所指示区域为分割结果,其中(a)为轴向CT图像;(b)为主动脉区域局部放大的图像。图8为本发明实施例中使用本发明方法得到的分割结果的三维体绘制图像。结果显示,本发明提出的全自动的CT带夹层主动脉分割方法,能自动从主动脉夹层患者的CT图像中分割出主动脉区域,为医学诊断和治疗计划以及后续的研究分析提供良好的基础。
本技术领域技术人员可以理解的是,可以用计算机程序指令来实现这些结构图和/或框图和/或流图中的每个框以及这些结构图和/或框图和/或流图中的框的组合。可以将这些计算机程序指令提供给通用计算机、专业计算机或其他可编程数据处理方法的处理器来生成机器,从而通过计算机或其他可编程数据处理方法的处理器来执行的指令创建了用于实现结构图和/或框图和/或流图的框或多个框中指定的方法。
本技术领域技术人员可以理解的是,本发明中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地,具有本发明中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地,现有技术中的具有与本发明中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
上面结合附图对本发明的实施方式作了详细地说明,但是本发明并不局限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (10)
1.一种基于卷积神经网络的CT图像中带夹层主动脉分割方法,其特征在于,包括以下步骤:
步骤1、获取带夹层主动脉CT图像以及对应的人工标记图像
步骤2、由带夹层主动脉CT图像以及对应的人工标记图像计算得到三维卷积神经网络的训练集T3D和两个二维神经网络的训练集和
步骤3、利用得到的三维网络训练集T3D训练三维卷积神经网络N3D得到三维模型M3D,同时利用得到的二维网络训练集和分别训练对应的二维卷积神经网络和得到二维模型和
步骤4、对待分割的临床三维CT图像进行预处理,得到预处理后的三维CT图像
步骤5、将预处理后的三维CT图像输入训练好的三维模型M3D中,得到初步的分块标记A3D;
步骤6、对初步的分块标记A3D进行后处理,得到精细的分块标记
步骤7、根据精细的分块标记将待分割的三维CT图像按断层分为两部分和分别逐层输入到对应的训练好的二维模型和中,得到对应的两组特征值图像和
步骤8、结合两组特征值图像和得到整体的特征值图像F3D,并对F3D做阈值分割得到最终的分割结果S3D。
2.如权利要求1所述基于卷积神经网络的CT图像中带夹层主动脉分割方法,其特征在于,步骤一中带夹层主动脉CT图像中应包含升主动脉,主动脉弓与降主动脉。
3.如权利要求1所述基于卷积神经网络的CT图像中带夹层主动脉分割方法,其特征在于,步骤二中的计算得到三维卷积神经网络的训练集T3D过程为:将带夹层主动脉CT图像以及对应的人工标记图像插值到统一的较低分辨率dx×dy×dz;
计算得到两个二维神经网络的训练集和的过程为:将带夹层主动脉CT图像的轴向断层,根据是否包含升主动脉和主动脉弓部分分为两类,将对应的CT图像和人工标记断层分别加入训练集和具体为:将包含升主动脉或主动脉弓的断层及其对应的人工标记图像断层加入二维神经网络的训练集将仅包含降主动脉的断层及其对应的人工标记图像断层加入二维神经网络的训练集
4.如权利要求1所述基于卷积神经网络的CT图像中带夹层主动脉分割方法,其特征在于,步骤三中的三维卷积神经网络N3D为三维全卷积神经网络,输入为插值后的三维数据,输出为一维数组;二维卷积神经网络和为具有相同结构的二维全卷积神经网络,输入为原始大小的二维CT图像断层,输出为与输入图像大小相同的二维分割结果图像断层。
5.如权利要求4所述基于卷积神经网络的CT图像中带夹层主动脉分割方法,其特征在于,二维全卷积神经网络,由三个全卷积神经网络Narea、Nedge和Nfusion组成,其中Narea输入原始大小的二维CT图像断层得到初步分割结果,Nedge输入原始大小的二维CT图像断层得到边界提取结果,Nfusion输入前两个网络的结果得到精细的分割结果。
6.如权利要求1所述基于卷积神经网络的CT图像中带夹层主动脉分割方法,其特征在于,步骤4中的预处理为将待分割的临床三维CT图像插值到统一的较低分辨率dx×dy×dz,得到预处理后的三维CT图像
7.如权利要求1所述基于卷积神经网络的CT图像中带夹层主动脉分割方法,其特征在于,步骤6中的后处理应包含阈值分割、一维形态学膨胀和一维插值步骤。
8.如权利要求1所述基于卷积神经网络的CT图像中带夹层主动脉分割方法,其特征在于,步骤7中的根据精细的分块标记将带分割的三维CT图像按断层分为两部分和具体操作为将中标记为1的断层加入标记为0的断层加入
9.如权利要求1所述基于卷积神经网络的CT图像中带夹层主动脉分割方法,其特征在于,步骤8中结合两组特征值图像和得到整体的特征值图像F3D,是将两组特征值图像和在z方向上堆叠,在上,在下。
10.如权利要求1所述基于卷积神经网络的CT图像中带夹层主动脉分割方法,其特征在于,步骤8中的阈值分割中使用的阈值为0.5。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810677366.0A CN109035255B (zh) | 2018-06-27 | 2018-06-27 | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 |
PCT/CN2019/088835 WO2020001217A1 (zh) | 2018-06-27 | 2019-05-28 | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810677366.0A CN109035255B (zh) | 2018-06-27 | 2018-06-27 | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109035255A true CN109035255A (zh) | 2018-12-18 |
CN109035255B CN109035255B (zh) | 2021-07-02 |
Family
ID=64610793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810677366.0A Active CN109035255B (zh) | 2018-06-27 | 2018-06-27 | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109035255B (zh) |
WO (1) | WO2020001217A1 (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816661A (zh) * | 2019-03-22 | 2019-05-28 | 电子科技大学 | 一种基于深度学习的牙齿ct图像分割方法 |
CN110135454A (zh) * | 2019-04-02 | 2019-08-16 | 成都真实维度科技有限公司 | 一种基于3d断层扫描图数据集的深度学习模型训练方法 |
CN110148114A (zh) * | 2019-04-02 | 2019-08-20 | 成都真实维度科技有限公司 | 一种基于2d断层扫描图数据集的深度学习模型训练方法 |
CN110349143A (zh) * | 2019-07-08 | 2019-10-18 | 上海联影医疗科技有限公司 | 一种确定管状组织感兴趣区的方法、装置、设备及介质 |
CN110610458A (zh) * | 2019-04-30 | 2019-12-24 | 北京联合大学 | 一种基于岭回归的gan图像增强交互处理方法及系统 |
WO2020001217A1 (zh) * | 2018-06-27 | 2020-01-02 | 东南大学 | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 |
CN110942464A (zh) * | 2019-11-08 | 2020-03-31 | 浙江工业大学 | 一种融合2维和3维模型的pet图像分割方法 |
CN112365498A (zh) * | 2020-12-10 | 2021-02-12 | 南京大学 | 一种针对二维图像序列中多尺度多形态目标的自动检测方法 |
CN112446877A (zh) * | 2020-12-14 | 2021-03-05 | 清华大学 | 一种三维图像中多分支管状结构分割与标记方法 |
CN113096238A (zh) * | 2021-04-02 | 2021-07-09 | 杭州柳叶刀机器人有限公司 | 一种x射线图模拟方法、装置、电子设备及存储介质 |
CN113160208A (zh) * | 2021-05-07 | 2021-07-23 | 西安智诊智能科技有限公司 | 一种基于级联混合网络的肝脏病变图像分割方法 |
WO2021184600A1 (zh) * | 2020-03-18 | 2021-09-23 | 上海商汤智能科技有限公司 | 一种图像分割方法及装置、设备及计算机可读存储介质 |
CN113674291A (zh) * | 2021-08-16 | 2021-11-19 | 北京理工大学 | 一种全类型主动脉夹层真假腔图像分割方法及系统 |
WO2022000976A1 (zh) * | 2020-06-29 | 2022-01-06 | 苏州润迈德医疗科技有限公司 | 基于深度学习获取主动脉的方法和存储介质 |
CN114073536A (zh) * | 2020-08-12 | 2022-02-22 | 通用电气精准医疗有限责任公司 | 灌注成像系统及方法 |
CN114332072A (zh) * | 2022-01-05 | 2022-04-12 | 北京理工大学 | 一种主动脉夹层疾病分型方法和装置、存储介质 |
US11475561B2 (en) | 2019-06-20 | 2022-10-18 | The Cleveland Clinic Foundation | Automated identification of acute aortic syndromes in computed tomography images |
CN115908920A (zh) * | 2022-11-21 | 2023-04-04 | 浙江大学 | 基于卷积神经网络的急性主动脉综合征ct图像分类方法 |
CN113674291B (zh) * | 2021-08-16 | 2024-07-16 | 北京理工大学 | 一种全类型主动脉夹层真假腔图像分割方法及系统 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111354005A (zh) * | 2020-02-28 | 2020-06-30 | 浙江德尚韵兴医疗科技有限公司 | 基于卷积神经网络的全自动胎儿心超影像三血管分割方法 |
CN111667488B (zh) * | 2020-04-20 | 2023-07-28 | 浙江工业大学 | 一种基于多角度U-Net的医学图像分割方法 |
CN111915556B (zh) * | 2020-06-22 | 2024-05-14 | 杭州深睿博联科技有限公司 | 一种基于双分支网络的ct图像病变检测方法、系统、终端及存储介质 |
CN112581482A (zh) * | 2020-08-13 | 2021-03-30 | 江苏东印智慧工程技术研究院有限公司 | 一种基于respath-unet水下声呐图像数据分割方法 |
CN112330708B (zh) * | 2020-11-24 | 2024-04-23 | 沈阳东软智能医疗科技研究院有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN112884775B (zh) * | 2021-01-20 | 2022-02-22 | 推想医疗科技股份有限公司 | 一种分割方法、装置、设备及介质 |
CN113744215B (zh) * | 2021-08-24 | 2024-05-31 | 清华大学 | 三维断层扫描图像中树状管腔结构中心线的提取方法和装置 |
CN114742917B (zh) * | 2022-04-25 | 2024-04-26 | 桂林电子科技大学 | 一种基于卷积神经网络的ct图像分割方法 |
CN115512182B (zh) * | 2022-09-26 | 2023-07-04 | 中国人民解放军总医院第一医学中心 | 一种基于聚焦学习的ct血管造影智能成像方法 |
CN115631301B (zh) * | 2022-10-24 | 2023-07-28 | 东华理工大学 | 基于改进全卷积神经网络的土石混合体图像三维重建方法 |
CN116958556B (zh) * | 2023-08-01 | 2024-03-19 | 东莞理工学院 | 用于椎体和椎间盘分割的双通道互补脊柱图像分割方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976384A (zh) * | 2016-05-16 | 2016-09-28 | 天津工业大学 | 基于GVF Snake模型的人体胸腹腔CT图像主动脉分割方法 |
CN106023198A (zh) * | 2016-05-16 | 2016-10-12 | 天津工业大学 | 基于Hessian矩阵的人体胸腹腔CT图像主动脉夹层提取方法 |
WO2018068153A1 (en) * | 2016-10-14 | 2018-04-19 | Di Martino Elena | Methods, systems, and computer readable media for evaluating risks associated with vascular pathologies |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107492097B (zh) * | 2017-08-07 | 2020-06-02 | 杭州深睿博联科技有限公司 | 一种识别mri图像感兴趣区域的方法及装置 |
CN107563983B (zh) * | 2017-09-28 | 2020-09-01 | 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 |
CN108198184B (zh) * | 2018-01-09 | 2020-05-05 | 北京理工大学 | 造影图像中血管分割的方法和系统 |
CN109035255B (zh) * | 2018-06-27 | 2021-07-02 | 东南大学 | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 |
-
2018
- 2018-06-27 CN CN201810677366.0A patent/CN109035255B/zh active Active
-
2019
- 2019-05-28 WO PCT/CN2019/088835 patent/WO2020001217A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976384A (zh) * | 2016-05-16 | 2016-09-28 | 天津工业大学 | 基于GVF Snake模型的人体胸腹腔CT图像主动脉分割方法 |
CN106023198A (zh) * | 2016-05-16 | 2016-10-12 | 天津工业大学 | 基于Hessian矩阵的人体胸腹腔CT图像主动脉夹层提取方法 |
WO2018068153A1 (en) * | 2016-10-14 | 2018-04-19 | Di Martino Elena | Methods, systems, and computer readable media for evaluating risks associated with vascular pathologies |
Non-Patent Citations (2)
Title |
---|
JULIA M.H.NOOTHOUT等: "《Automatic Segmentation of Thoracic Aorta Segments in Low-Dose Chest CT》", 《SPIE MEDICAL IMAGING 2018》 * |
郑序影: "《AI为主动脉夹层的"精准治疗"提供了一种新的方法——解放军总医院血管外科主任郭伟谈人工智能》", 《科技新时代》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020001217A1 (zh) * | 2018-06-27 | 2020-01-02 | 东南大学 | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 |
CN109816661A (zh) * | 2019-03-22 | 2019-05-28 | 电子科技大学 | 一种基于深度学习的牙齿ct图像分割方法 |
CN109816661B (zh) * | 2019-03-22 | 2022-07-01 | 电子科技大学 | 一种基于深度学习的牙齿ct图像分割方法 |
CN110135454A (zh) * | 2019-04-02 | 2019-08-16 | 成都真实维度科技有限公司 | 一种基于3d断层扫描图数据集的深度学习模型训练方法 |
CN110148114A (zh) * | 2019-04-02 | 2019-08-20 | 成都真实维度科技有限公司 | 一种基于2d断层扫描图数据集的深度学习模型训练方法 |
CN110610458A (zh) * | 2019-04-30 | 2019-12-24 | 北京联合大学 | 一种基于岭回归的gan图像增强交互处理方法及系统 |
CN110610458B (zh) * | 2019-04-30 | 2023-10-20 | 北京联合大学 | 一种基于岭回归的gan图像增强交互处理方法及系统 |
US11475561B2 (en) | 2019-06-20 | 2022-10-18 | The Cleveland Clinic Foundation | Automated identification of acute aortic syndromes in computed tomography images |
CN110349143B (zh) * | 2019-07-08 | 2022-06-14 | 上海联影医疗科技股份有限公司 | 一种确定管状组织感兴趣区的方法、装置、设备及介质 |
CN110349143A (zh) * | 2019-07-08 | 2019-10-18 | 上海联影医疗科技有限公司 | 一种确定管状组织感兴趣区的方法、装置、设备及介质 |
CN110942464A (zh) * | 2019-11-08 | 2020-03-31 | 浙江工业大学 | 一种融合2维和3维模型的pet图像分割方法 |
WO2021184600A1 (zh) * | 2020-03-18 | 2021-09-23 | 上海商汤智能科技有限公司 | 一种图像分割方法及装置、设备及计算机可读存储介质 |
WO2022000976A1 (zh) * | 2020-06-29 | 2022-01-06 | 苏州润迈德医疗科技有限公司 | 基于深度学习获取主动脉的方法和存储介质 |
CN115769252A (zh) * | 2020-06-29 | 2023-03-07 | 苏州润迈德医疗科技有限公司 | 基于深度学习获取主动脉的方法和存储介质 |
CN114073536A (zh) * | 2020-08-12 | 2022-02-22 | 通用电气精准医疗有限责任公司 | 灌注成像系统及方法 |
CN112365498A (zh) * | 2020-12-10 | 2021-02-12 | 南京大学 | 一种针对二维图像序列中多尺度多形态目标的自动检测方法 |
CN112365498B (zh) * | 2020-12-10 | 2024-01-23 | 南京大学 | 一种针对二维图像序列中多尺度多形态目标的自动检测方法 |
CN112446877B (zh) * | 2020-12-14 | 2022-11-11 | 清华大学 | 一种三维图像中多分支管状结构分割与标记方法 |
CN112446877A (zh) * | 2020-12-14 | 2021-03-05 | 清华大学 | 一种三维图像中多分支管状结构分割与标记方法 |
CN113096238A (zh) * | 2021-04-02 | 2021-07-09 | 杭州柳叶刀机器人有限公司 | 一种x射线图模拟方法、装置、电子设备及存储介质 |
CN113096238B (zh) * | 2021-04-02 | 2022-05-17 | 杭州柳叶刀机器人有限公司 | 一种x射线图模拟方法、装置、电子设备及存储介质 |
CN113160208A (zh) * | 2021-05-07 | 2021-07-23 | 西安智诊智能科技有限公司 | 一种基于级联混合网络的肝脏病变图像分割方法 |
CN113674291B (zh) * | 2021-08-16 | 2024-07-16 | 北京理工大学 | 一种全类型主动脉夹层真假腔图像分割方法及系统 |
CN113674291A (zh) * | 2021-08-16 | 2021-11-19 | 北京理工大学 | 一种全类型主动脉夹层真假腔图像分割方法及系统 |
CN114332072A (zh) * | 2022-01-05 | 2022-04-12 | 北京理工大学 | 一种主动脉夹层疾病分型方法和装置、存储介质 |
CN115908920B (zh) * | 2022-11-21 | 2023-10-03 | 浙江大学 | 基于卷积神经网络的急性主动脉综合征ct图像分类方法 |
CN115908920A (zh) * | 2022-11-21 | 2023-04-04 | 浙江大学 | 基于卷积神经网络的急性主动脉综合征ct图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2020001217A1 (zh) | 2020-01-02 |
CN109035255B (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035255A (zh) | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 | |
CN104992430B (zh) | 基于卷积神经网络的全自动的三维肝脏分割方法 | |
CN108198184B (zh) | 造影图像中血管分割的方法和系统 | |
CN107563983B (zh) | 图像处理方法以及医学成像设备 | |
CN107909581A (zh) | Ct影像的肺叶段分割方法、装置、系统、存储介质及设备 | |
CN108257134A (zh) | 基于深度学习的鼻咽癌病灶自动分割方法和系统 | |
CN109598722B (zh) | 基于递归神经网络的图像分析方法 | |
CN107203999A (zh) | 一种基于全卷积神经网络的皮肤镜图像自动分割方法 | |
CN110503654A (zh) | 一种基于生成对抗网络的医学图像分割方法、系统及电子设备 | |
CN107622492A (zh) | 肺裂分割方法及系统 | |
CN108416776A (zh) | 图像识别方法、图像识别装置、计算机产品和可读存储介质 | |
CN109325942A (zh) | 基于全卷积神经网络的眼底图像结构分割方法 | |
CN110197492A (zh) | 一种心脏mri左心室分割方法及系统 | |
CN103679801B (zh) | 一种基于多视角x光片的心血管三维重建方法 | |
CN109166104A (zh) | 一种病变检测方法、装置及设备 | |
CN113379773B (zh) | 基于双重注意力机制的分割模型建立、分割方法及装置 | |
CN109685787A (zh) | Ct影像的肺叶段分割中的输出方法、装置 | |
CN113506310A (zh) | 医学图像的处理方法、装置、电子设备和存储介质 | |
CN110163877A (zh) | 一种mri心室结构分割的方法与系统 | |
CN110008992A (zh) | 一种用于前列腺癌辅助诊断的深度学习方法 | |
CN117495876B (zh) | 基于深度学习的冠状动脉图像分割方法及系统 | |
CN109919932A (zh) | 目标对象的识别方法和装置 | |
Lyu et al. | Dissected aorta segmentation using convolutional neural networks | |
CN112634308B (zh) | 基于不同感受野的鼻咽癌靶区和危及器官的勾画方法 | |
CN110619633B (zh) | 一种基于多路滤波策略的肝脏图像分割方法 |
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: 20220126 Address after: 201315 building 18, Lane 739, Kangwei Road, Pudong New Area, Shanghai Patentee after: SHANGHAI YIYING INFORMATION TECHNOLOGY CO.,LTD. Address before: 210096, No. four archway, Xuanwu District, Jiangsu, Nanjing 2 Patentee before: SOUTHEAST University |
|
TR01 | Transfer of patent right |