CN109285158A - 血管壁斑块分割方法、装置及计算机可读存储介质 - Google Patents
血管壁斑块分割方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109285158A CN109285158A CN201810816902.0A CN201810816902A CN109285158A CN 109285158 A CN109285158 A CN 109285158A CN 201810816902 A CN201810816902 A CN 201810816902A CN 109285158 A CN109285158 A CN 109285158A
- Authority
- CN
- China
- Prior art keywords
- feature information
- convolution
- vascular wall
- fisrt feature
- sampling
- 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
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
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30—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)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种血管壁斑块分割方法、装置及计算机可读存储介质,其中,该血管壁斑块分割方法包括:获取血管壁图像;针对该血管壁图像,迭代执行N次下采样卷积处理和第一特征信息的提取;若完成N次提取第一特征信息的迭代过程,则基于第N次提取的第一特征信息,针对第N次下采样卷积处理的输出对象迭代执行N次上采样卷积处理和第二特征信息的提取;若完成N次提取第二特征信息的迭代过程,则基于预先训练好的分类器对血管壁图像进行斑块分割,以便基于分割结果确定所述血管壁图像中是否存在斑块。本申请提供的技术方案可有效提高血管壁斑块的识别效率。
Description
技术领域
本申请涉及生物医学领域,尤其涉及一种血管壁斑块分割方法、装置及计算机可读存储介质。
背景技术
动脉粥样硬化(atherosclerosis,AS)是冠心病、脑梗死、外周血管病等心脑血管疾病的主要原因。疾病产生的原因是胆固醇、类脂肪、糖类等物质在大、中动脉内(例如:颈动脉)堆积形成斑块从而阻塞血管,使得该动脉所供应的组织或器官将缺血或坏死。另外,阻塞血管的斑块还可能脱落,斑块一旦从血管壁上脱落则有可能引发脑卒中,甚至导致死亡。由于心脑血管疾病已成为人类健康的头号杀手,因此,研究动脉粥样硬化及其诊断措施是医学研究上的一个极为重要的任务。
目前,采用磁共振成像(Magnetic Resonance Imaging,MRI)技术获得动脉横截面的扫描图像(即血管壁图像),然后由经过特殊培训的医务人员或医学专家仔细查看同一个病人的一系列图片并运用专业知识识别出血管壁图像中的血管壁上是否有斑块,由此可初步诊断出病人患有心脑血管疾病的风险等级。
由于为同一个病人拍摄的血管壁图像经常包含多幅图像,因而由医务人员或医学专家人工判断的方法不但耗时,而且重复性差,容易受到医生经验和主观因素的影响。
发明内容
本申请提供一种血管壁斑块分割方法、装置及计算机可读存储介质,可用以提高血管壁斑块的识别效率。
本申请第一方面提供一种血管壁斑块分割方法,包括:
获取血管壁图像;
对所述血管壁图像进行下采样卷积处理;
提取第一特征信息,其中,所述第一特征信息为最近一次下采样卷积处理的输出对象的特征信息;
若未完成N次提取第一特征信息的迭代过程,则基于当前提取的第一特征信息对最近一次下采样卷积处理的输出对象进行下采样卷积处理,之后迭代执行所述提取第一特征信息的步骤;
若完成N次提取第一特征信息的迭代过程,则基于第N次提取的第一特征信息,对第N次下采样卷积处理的输出对象进行上采样卷积处理;
提取第二特征信息,其中,所述第二特征信息为最近一次上采样卷积处理的输出对象的特征信息;
若未完成N次提取第二特征信息的迭代过程,则基于当前提取到的第二特征信息对最近一次上采样卷积处理的输出对象进行上采样卷积处理,之后迭代执行所述提取第二特征信息的步骤;
若完成N次提取第二特征信息的迭代过程,则基于预先训练好的分类器和第N次提取的第二特征信息,对最近一次上采样卷积处理的输出对象进行斑块的分割,以便基于分割结果确定所述血管壁图像中是否存在斑块;
其中,所述N不小于2。
本申请第二方面提供一种血管壁斑块分割装置,包括:
获取单元、第一特征提取单元、下采样卷积处理单元、第二特征提取单元、上采样卷积处理单元以及分割单元;
所述获取单元用于:获取血管壁图像;
所述下采样卷积处理单元用于:对所述血管壁图像进行下采样卷积处理后触发所述第一特征提取单元;在未完成N次提取第一特征信息的迭代过程时,基于当前所述第一特征提取单元提取的第一特征信息对所述下采样卷积处理单元最近一次的输出对象进行下采样卷积处理,之后触发所述第一特征提取单元;
所述第一特征提取单元用于:提取第一特征信息,其中,所述第一特征信息为最近一次下采样卷积处理的输出对象的特征信息;
所述上采样卷积处理单元用于:在完成N次提取第一特征信息的迭代过程时,基于所述第一特征提取单元第N次提取的第一特征信息,对所述下采样卷积处理单元第N次输出的对象进行上采样卷积处理,之后触发所述第二特征提取单元;在未完成N次提取第二特征信息的迭代过程时,基于所述第二特征提取单元当前提取到的第二特征信息对所述上采样卷积处理单元最近一次输出的对象进行上采样卷积处理,之后触发所述第二特征提取单元;
所述第二特征提取单元用于:提取第二特征信息,其中,所述第二特征信息为所述上采样卷积处理单元最近一次的输出对象的特征信息;
分割单元用于:在完成N次提取第二特征信息的迭代过程时,基于预先训练好的分类器和第N次提取的第二特征信息,对最近一次上采样卷积处理的输出对象进行斑块的分割,以便基于分割结果确定所述血管壁图像中是否存在斑块;
其中,所述N不小于2。
本申请第三方面提供一种血管壁斑块分割装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述本申请第一方面提供的血管壁斑块分割方法。
本申请第四方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述本申请第一方面提供的血管壁斑块分割方法。
由上可见,一方面,本申请方案通过提取血管壁图像的特征信息(如第二特征信息)并输入预先训练好的分类器进行识别,以此实现对血管壁图像中斑块的自动分割,由于是通过机器自动对血管壁图像进行斑块的分割,因此,通过分割结果即易知该血管壁图像是否存在斑块,相对于传统的由医务人员或医学专家人工判断的方法,本申请方案能够有效提高血管壁斑块的识别效率;另一方面,由于本申请方案中输入分类器的第二特征信息是通过多次的特征提取、下采样卷积处理和上采样卷积处理得到,因此,第二特征信息能够较好地表征血管壁图像中更深层的特征,从而使得基于该第二特征信息的图像分割结果更为准确。
附图说明
图1-a为本申请提供的血管壁斑块分割方法一个实施例流程示意图;
图1-b为本申请提供的一种Dense网络结构示意图;
图2为本申请提供的一种应用场景下用以实现血管壁斑块分割方法的网络结构示意图;
图3为本申请提供的血管壁斑块分割装置一个实施例结构示意图;
图4为本申请提供的血管壁斑块分割装置另一个实施例结构示意图。
具体实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而非全部实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
如图1-a所示,本申请实施例中一种血管壁斑块分割方法包括:
步骤101、获取血管壁图像;
在一种应用场景中,步骤101可以表现为:通过磁共振成像(MagneticResonanceImaging,MRI)技术获取血管壁图像,此时获取到的血管壁图像即为MRI图像。以下对MRI技术进行说明:MRI技术是一种通过磁场来获取人体内部结构图像的技术,具有无创伤的优点,因此病人在接受检查的时候能受到良好的保护。在本实施例中,可以通过MRI技术获取人体颈部动脉的血管壁图像,当然,也可以通过MRI技术获取人体其它血管的血管壁图像,此处不做限定。
在另一种应用场景中,也可以通过超声诊断方式(例如B超)获得血管壁图像。或者,也可以从已有的血管壁图像数据库中获取(例如导入)待识别的血管壁图像,此处不做限定。
步骤102、对上述血管壁图像进行下采样卷积处理;
在步骤102中,对上述血管壁图像(原始血管壁图像或经归一化处理后的血管壁图像)进行下采样卷积处理。
具体的,步骤102包括:提取上述血管壁图像中的特征信息,基于提取的特征信息对上述血管壁图像进行下采样卷积处理。
可选的,通过一次卷积处理提取上述血管壁图像中的特征信息,该卷积处理所应用的公式可以表示为:
其中,i,j为图像的像素位置,I,K分别表示图像和卷积核,m,n分别为卷积核的宽与高。
或者,也可以基于Dense网络或其它图像特征提取算法提取上述血管壁图像中的特征信息,此处不做限定。
由于获取到的血管壁图像的格式可能不全相同(例如基于MRI技术获取到的血管壁图像有两种不同格式:176*132、132*176),为了方便网络的训练,减少冗余的参数,可以在获取到血管壁图像后,对获取到的血管壁图像进行尺寸的归一化处理,使得归一化处理后的血管壁图像的尺寸为统一尺寸。可选的,步骤101之后且步骤102之前还可以包括:对获取到的血管壁图像进行图像尺寸的归一化处理,得到预设尺寸的血管壁图像。则步骤102可具体表现为:对上述预设尺寸的血管壁图像进行下采样卷积处理。
具体的,预设尺寸例如可以设为128*128。当然,也可以将尺寸预设为其它大小,此处不做限定。
步骤103、提取第一特征信息;
其中,上述第一特征信息为最近一次下采样卷积处理的输出对象的特征信息。
本申请实施例中,可基于图像特征提取技术提取最近一次下采样卷积处理的输出对象中的特征信息(即第一特征信息)。
可选的,本申请实施例中基于Dense网络提取第一特征信息。具体的,该Dense网络的结构示意图可以如图1-b所示,Dense网络包含卷积层和Elu非线性激活函数,当输入对象经过卷积层和Elu非线性函数的处理后(该处理在图1-b表现为“卷积+Elu”),得到的输出需要与输入叠加,即每一层的输入来自于前面所有层的输出,此过程用函数表示的话可以表示为:xl=Hl([x0,x1,...,xl-1])。其中,[x0,x1,...,xl-1]表示0到l-1层输出的叠加,Hl表示一个非线性变换。通过使用Dense网络,加强了特征的传递,可更加有效地利用了特征信息,减轻了梯度消失,并在一定程度上减少了参数数量。Dense网络输入输出图片大小相同。本Dense网络选用了Elu非线性激活函数,Elu非线性激活函数的正值特性缓解了梯度消失问题,相比较传统的relu激活函数,负值降低了计算复杂度,满足零均值化的要求,减少了计算偏差。
当然,在步骤103中,也可以基于其它神经网络或图像特征提取算法提取第一特征信息,此处不做限定。
步骤104、若未完成N次提取第一特征信息的迭代过程,则基于当前提取的第一特征信息对最近一次下采样卷积处理的输出对象进行下采样卷积处理;
在步骤104中,基于步骤103提取的第一特征信息对最近一次下采样卷积处理的输出对象进行下采样卷积处理,通过缩小图像的分辨率,以便在后续步骤中能够提取图像中更深层的特征信息。
在步骤104中,可以将最近一次下采样卷积处理的输出对象和当前提取的第一特征信息输入下采样层(可理解为池化层)进行下采样卷积处理,该下采样层的输出即为下采样卷积处理的输出对象。
在基于当前提取的第一特征信息对最近一次下采样卷积处理的输出对象进行下采样卷积处理之后,返回步骤103,以迭代执行步骤103。通过该迭代过程,可以逐步提取血管壁图像中深层的特征信息。
其中,上述N为不小于2的预设值。可选的,N取4。
步骤105、若完成N次提取第一特征信息的迭代过程,则基于第N次提取的第一特征信息,对最近一次下采样卷积处理的输出对象进行上采样卷积处理;
由于在提取第一特征信息的迭代过程中,图像经下采样卷积处理后被压缩,因此,本申请实施例中,在完成N次提取第一特征信息的迭代过程后,开始对被压缩的图像进行还原,此还原的过程可理解为前述压缩的过程反向操作过程。
具体的,当完成N次提取第一特征信息的迭代过程时,基于第N次提取的第一特征信息,对最近一次(也即第N次)下采样卷积处理的输出对象进行上采样卷积处理,以便逐步还原图像的分辨率。
在步骤105中,可以将最近一次下采样卷积处理的输出对象和第N次提取的第一特征信息输入上采样层进行上采样卷积处理,该上采样层的输出即为当次上采样卷积处理的输出对象。
步骤106、提取第二特征信息;
其中,上述第二特征信息为最近一次上采样卷积处理的输出对象的特征信息。
可选的,本申请实施例中基于Dense网络提取第二特征信息。具体的,关于该Dense网络的描述可以参照步骤103中的描述,此处不再赘述。
当然,在步骤106中,也可以基于其它神经网络或图像特征提取算法提取第二特征信息,此处不做限定。
步骤107、若未完成N次提取第二特征信息的迭代过程,则基于当前提取到的第二特征信息对最近一次上采样卷积处理的输出对象进行上采样卷积处理,之后返回步骤106;
本申请实施例中,当未完成N次提取第二特征信息的迭代过程(图1-a中简写为未完成迭代过程)时,表明当前被压缩的血管壁图像还需要继续还原,此时执行步骤107。通过该迭代过程,可以逐步还原血管壁图像。
在步骤107中,可以将当前提取到的第二特征信息和最近一次上采样卷积处理的输出对象输入上采样层进行上采样卷积处理,该上采样层的输出即为当次上采样卷积处理的输出对象。
步骤108、若完成N次提取第二特征信息的迭代过程,则基于预先训练好的分类器和第N次提取的第二特征信息,对最近一次上采样卷积处理的输出对象进行斑块的分割,以便基于分割结果确定所述血管壁图像中是否存在斑块;
当完成N次提取第二特征信息的迭代过程,表明当前针对上述血管壁图像的特征提取过程已经完成,此时将第N次提取的第二特征信息和最近一次上采样卷积处理的输出对象(即还原后的血管壁图像)输入预先训练好的分类器(例如softmax分类器)进行斑块的分割,即分离出该输出对象中的斑块与背景信息,从而基于分割结果即可确定该血管壁图像中是否存在斑块。具体的,基于第N次提取的第二特征信息、最近一次上采样卷积处理的输出对象和上述分类器,可以将该输出对象中每一个像素分类为前景信息(例如斑块)或背景信息,从而实现将血管壁图像中的斑块和背景分离。
需要说明的是,对于本申请实施例中用以自动分割血管壁图像的网络(后面统称为分割网络,例如该分割网络可以是由前述提及的Dense网络、下采样层、上采样层和分类器等),可以通过预先训练的方式得到。在实际应用中,可以通过获取多个用以训练上述分割网络的血管壁图像对上述分割网络进行训练,并可以基于Adam优化算法优化该分割网络。具体的,基于Adam优化算法对该分割网络进行优化的过程可以参照已有技术实现,此处不再赘述。
前面提到,在步骤103和步骤106中,可以基于Dense网络提取第一特征信息和第二特征信息。在此应用场景下,可以设定如下约束条件:1、在上述提取第一特征信息的迭代过程中,第n+1次提取第一特征信息所使用的Dense网络的卷积核个数为第n次提取第一特征信息所使用的Dense网络的卷积核个数的一倍;且,在上述提取第二特征信息的迭代过程中,第n+1次提取第二特征信息所使用的Dense网络的卷积核个数为第n次提取第二特征信息所使用的Dense网络的卷积核个数的二分之一;且,第n次提取第一特征信息所使用的Dense网络的卷积核个数等于第1次提取第二特征信息所使用的Dense网络的卷积核个数,其中,n∈[1,N)。
由上可见,一方面,本申请实施例中的血管壁斑块分割方法通过提取血管壁图像的特征信息(如第二特征信息)并输入预先训练好的分类器进行识别,以此实现对血管壁图像中斑块的自动分割,由于是通过机器自动对血管壁图像进行斑块的分割,因此,通过分割结果即易知该血管壁图像是否存在斑块,相对于传统的由医务人员或医学专家人工判断的方法,本申请方案能够有效提高血管壁斑块的识别效率;另一方面,由于本申请方案中输入分类器的第二特征信息是通过多次的特征提取、下采样卷积处理和上采样卷积处理得到,因此,第二特征信息能够较好地表征血管壁图像中更深层的特征,从而使得基于该第二特征信息的图像分割结果更为准确。
为便于更好地理解图1-a所示实施例中的血管壁斑块分割方法,下面以一具体应用场景对上述血管壁斑块分割方法进行描述。本应用场景中的网络结构示意图可以如图2所示,由图2可见,本应用场景中的分割网络包括压缩抽取特征与解压缩图像恢复两个部分,两个部分完全对称,以保证经特征分割后的图像与原图像大小一致。血管壁图像经Dense网络(可以参照图1-b中Dense网络的结构和相关描述)处理后输入压缩抽取特征部分进行处理。
由图2可见,压缩抽取特征部分和解压缩图像恢复部分均包含四段处理,对于压缩抽取特征部分,每一段由下采样层和Dense网络(可以参照图1-b中Dense网络的结构和相关描述)组成,以逐步提取图像更深层的特征信息。同理,对于解压缩图像恢复部分同样包含四段处理(即前述N取4),每一段由上采样层与Dense网络组成,以逐步还原图像。
可选的,压缩抽取特征部分中,每段处理所使用的Dense网络的卷积核大小分别为5*5、5*5、5*5和5*5,每段处理所使用的Dense网络的卷积核个数分别为32、64、128、256,压缩抽取特征部分中首次输入Dense网络的图片大小为128*128,而压缩抽取特征部分输出的图像大小为8*8。
相应的,解压缩图像恢复部分中,每段处理所使用的Dense网络的卷积核大小分别为5*5、5*5、5*5和5*5;每段处理所使用的Dense网络的卷积核个数分别为256、128、64、32,首次输入Dense网络的图片大小为128*128,而压缩抽取特征部分输出的图像大小为8*8。解压缩图像恢复部分中首次输入Dense网络的图片大小为8*8,而压缩抽取特征部分输出的图像大小为128*128。
在解压缩图像恢复部分处理完后,将解压缩图像恢复部分的输出输入softmax分类器,由softmax分类器对血管壁图像进行斑块的分割,即实现对图像中斑块与背景的分离(即输出分割结果),以便基于分割结果确定所述血管壁图像中是否存在斑块。
图3为本申请实施例提供一种血管壁斑块分割装置。如图3所示,该血管壁斑块分割装置主要包括:获取单元301、第一特征提取单元302、下采样卷积处理单元303、第二特征提取单元304、上采样卷积处理单元305以及分割单元306。
获取单元301用于:获取血管壁图像;
下采样卷积处理单元303用于:对获取单元301获取到的血管壁图像进行下采样卷积处理后触发第一特征提取单元302;在未完成N次提取第一特征信息的迭代过程时,基于当前第一特征提取单元302提取的第一特征信息对下采样卷积处理单元303最近一次的输出对象进行下采样卷积处理,之后触发第一特征提取单元302;
第一特征提取单元302用于:提取第一特征信息,其中,上述第一特征信息为最近一次下采样卷积处理的输出对象的特征信息;
上采样卷积处理单元305用于:完成N次提取第一特征信息的迭代过程时,基于第一特征提取单元302第N次提取的第一特征信息,对下采样卷积处理单元303第N次输出的对象当前输入对象进行上采样卷积处理,之后触发第二特征提取单元304;在未完成N次提取第二特征信息的迭代过程时,基于第二特征提取单元304当前提取到的第二特征信息对上采样卷积处理单元305最近一次输出的对象进行上采样卷积处理,之后触发第二特征提取单元304;
第二特征提取单元304用于:提取第二特征信息,其中,所述第二特征信息为上采样卷积处理单元305最近一次的输出对象的特征信息;
分割单元306用于:在完成N次提取第二特征信息的迭代过程时,基于预先训练好的分类器和第N次提取的第二特征信息,对最近一次上采样卷积处理的输出对象进行斑块的分割,以便基于分割结果确定所述血管壁图像中是否存在斑块;
其中,上述N不小于2,优选地,N取4。
可选的,第一特征提取单元302具体用于:基于Dense网络提取第一特征信息;第二特征提取单元304具体用于:基于Dense网络提取第二特征信息。
可选的,针对上述血管壁图像,第一特征提取单元302第n+1次提取第一特征信息所使用的Dense网络的卷积核个数为第n次提取第一特征信息所使用的Dense网络的卷积核个数的一倍;且,第二特征提取单元304第n+1次提取第二特征信息所使用的Dense网络的卷积核个数为第n次提取第二特征信息所使用的Dense网络的卷积核个数的二分之一;且,第一特征提取单元302第n次提取第一特征信息所使用的Dense网络的卷积核个数等于第二特征提取单元304第1次提取第二特征信息所使用的Dense网络的卷积核个数;其中,n∈[1,N)。
可选的,血管壁斑块分割装置还包括:归一化单元,用于对获取单元301获取到的血管壁图像进行图像尺寸的归一化处理,得到预设尺寸的血管壁图像。下采样卷积处理单元303具体用于:对上述归一化单元得到的血管壁图像进行下采样卷积处理。
需要说明的是,该血管壁斑块分割装置可用于实现上述方法实施例提供的血管壁斑块分割方法。在图3示例的血管壁斑块分割装置中,各功能模块的划分仅是举例说明,实际应用中可以根据需要,例如相应硬件的配置要求或者软件的实现的便利考虑,而将上述功能分配由不同的功能模块完成,即将血管壁斑块分割装置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。而且,在实际应用中,本实施例中的相应的功能模块可以是由相应的硬件实现,也可以由相应的硬件执行相应的软件完成。本说明书提供的各个实施例都可应用上述描述原则,以下不再赘述。
由上可见,本申请实施例通过提取血管壁图像的特征信息(如第二特征信息)并输入预先训练好的分类器进行识别,以此实现对血管壁图像中斑块的自动分割,由于是通过机器自动对血管壁图像进行斑块的分割,因此,通过分割结果即易知该血管壁图像是否存在斑块,相对于传统的由医务人员或医学专家人工判断的方法,本申请方案能够有效提高血管壁斑块的识别效率;另一方面,由于本申请方案中输入分类器的第二特征信息是通过多次的特征提取、下采样卷积处理和上采样卷积处理得到,因此,第二特征信息能够较好地表征血管壁图像中更深层的特征,从而使得基于该第二特征信息的图像分割结果更为准确。
本申请实施例提供一种血管壁斑块分割装置,请参阅图4,该血管壁斑块分割装置包括:
存储器41、处理器42及存储在存储器41上并可在处理器42上运行的计算机程序,处理器42执行该计算机程序时,实现前述方法实施例中描述的血管壁斑块分割方法。
进一步的,该血管壁斑块分割装置还包括:
至少一个输入设备43以及至少一个输出设备44。
上述存储器41、处理器42、输入设备43以及输出设备44,通过总线45连接。
其中,输入设备43和输出设备44具体可为天线。
存储器41可以是高速随机存取记忆体(RAM,Random Access Memory)存储器,也可为非不稳定的存储器(non-volatile memory),例如磁盘存储器。存储器41用于存储一组可执行程序代码,处理器42与存储器41耦合。
进一步的,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质可以是设置于上述各实施例中的血管壁斑块分割装置中,该计算机可读存储介质可以是前述图4所示实施例中的存储器。该计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现前述方法实施例中描述的功率分配方法。进一步的,该计算机可存储介质还可以是U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,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,所述模块的划分,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,例如多个模块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,装置或模块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模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个可读存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上为对本申请所提供的血管壁斑块分割方法、装置及计算机可读存储介质的描述,对于本领域的技术人员,依据本申请实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种血管壁斑块分割方法,其特征在于,包括:
获取血管壁图像;
对所述血管壁图像进行下采样卷积处理;
提取第一特征信息,其中,所述第一特征信息为最近一次下采样卷积处理的输出对象的特征信息;
若未完成N次提取第一特征信息的迭代过程,则基于当前提取的第一特征信息对最近一次下采样卷积处理的输出对象进行下采样卷积处理,之后迭代执行所述提取第一特征信息的步骤;
若完成N次提取第一特征信息的迭代过程,则基于第N次提取的第一特征信息,对第N次下采样卷积处理的输出对象进行上采样卷积处理;
提取第二特征信息,其中,所述第二特征信息为最近一次上采样卷积处理的输出对象的特征信息;
若未完成N次提取第二特征信息的迭代过程,则基于当前提取到的第二特征信息对最近一次上采样卷积处理的输出对象进行上采样卷积处理,之后迭代执行所述提取第二特征信息的步骤;
若完成N次提取第二特征信息的迭代过程,则基于预先训练好的分类器和第N次提取的第二特征信息,对最近一次上采样卷积处理的输出对象进行斑块的分割,以便基于分割结果确定所述血管壁图像中是否存在斑块;
其中,所述N不小于2。
2.根据权利要求1所述的血管壁斑块分割方法,其特征在于,所述提取第一特征信息为:基于Dense网络提取第一特征信息;
所述提取第二特征信息为:基于Dense网络提取第二特征信息。
3.根据权利要求2所述的血管壁斑块分割方法,其特征在于,
在所述提取第一特征信息的迭代过程中,第n+1次提取第一特征信息所使用的Dense网络的卷积核个数为第n次提取第一特征信息所使用的Dense网络的卷积核个数的一倍;
且,在所述提取第二特征信息的迭代过程中,第n+1次提取第二特征信息所使用的Dense网络的卷积核个数为第n次提取第二特征信息所使用的Dense网络的卷积核个数的二分之一;
且,第n次提取第一特征信息所使用的Dense网络的卷积核个数等于第1次提取第二特征信息所使用的Dense网络的卷积核个数;
其中,n∈[1,N)。
4.根据权利要求1至3任一项所述的血管壁斑块分割方法,其特征在于,所述获取血管壁图像,之后还包括:
对获取到的血管壁图像进行图像尺寸的归一化处理,得到预设尺寸的血管壁图像;
所述对所述血管壁图像进行下采样卷积处理为:
对所述预设尺寸的血管壁图像进行下采样卷积处理。
5.根据权利要求1至3任一项所述的血管壁斑块分割方法,其特征在于,所述N取4。
6.一种血管壁斑块分割装置,其特征在于,包括:获取单元、第一特征提取单元、下采样卷积处理单元、第二特征提取单元、上采样卷积处理单元以及分割单元;
所述获取单元用于:获取血管壁图像;
所述下采样卷积处理单元用于:对所述血管壁图像进行下采样卷积处理后触发所述第一特征提取单元;在未完成N次提取第一特征信息的迭代过程时,基于当前所述第一特征提取单元提取的第一特征信息对所述下采样卷积处理单元最近一次的输出对象进行下采样卷积处理,之后触发所述第一特征提取单元;
所述第一特征提取单元用于:提取第一特征信息,其中,所述第一特征信息为最近一次下采样卷积处理的输出对象的特征信息;
所述上采样卷积处理单元用于:在完成N次提取第一特征信息的迭代过程时,基于所述第一特征提取单元第N次提取的第一特征信息,对所述下采样卷积处理单元第N次输出的对象进行上采样卷积处理,之后触发所述第二特征提取单元;在未完成N次提取第二特征信息的迭代过程时,基于所述第二特征提取单元当前提取到的第二特征信息对所述上采样卷积处理单元最近一次输出的对象进行上采样卷积处理,之后触发所述第二特征提取单元;
所述第二特征提取单元用于:提取第二特征信息,其中,所述第二特征信息为所述上采样卷积处理单元最近一次的输出对象的特征信息;
分割单元用于:在完成N次提取第二特征信息的迭代过程时,基于预先训练好的分类器和第N次提取的第二特征信息,对最近一次上采样卷积处理的输出对象进行斑块的分割,以便基于分割结果确定所述血管壁图像中是否存在斑块;
其中,所述N不小于2。
7.根据权利要求6所述的血管壁斑块分割装置,其特征在于,所述第一特征提取单元具体用于:基于Dense网络提取第一特征信息;
所述第二特征提取单元具体用于:基于Dense网络提取第二特征信息。
8.根据权利要求7所述的血管壁斑块分割装置,其特征在于,针对所述血管壁图像,所述第一特征提取单元第n+1次提取第一特征信息所使用的Dense网络的卷积核个数为第n次提取第一特征信息所使用的Dense网络的卷积核个数的一倍;
且,所述第二特征提取单元第n+1次提取第二特征信息所使用的Dense网络的卷积核个数为第n次提取第二特征信息所使用的Dense网络的卷积核个数的二分之一;
且,所述第一特征提取单元第n次提取第一特征信息所使用的Dense网络的卷积核个数等于所述第二特征提取单元第1次提取第二特征信息所使用的Dense网络的卷积核个数;
其中,n∈[1,N)。
9.一种血管壁斑块分割装置,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1至5中任意一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810816902.0A CN109285158A (zh) | 2018-07-24 | 2018-07-24 | 血管壁斑块分割方法、装置及计算机可读存储介质 |
PCT/CN2019/078891 WO2020019739A1 (zh) | 2018-07-24 | 2019-03-20 | 血管壁斑块分割方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810816902.0A CN109285158A (zh) | 2018-07-24 | 2018-07-24 | 血管壁斑块分割方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109285158A true CN109285158A (zh) | 2019-01-29 |
Family
ID=65183151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810816902.0A Pending CN109285158A (zh) | 2018-07-24 | 2018-07-24 | 血管壁斑块分割方法、装置及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109285158A (zh) |
WO (1) | WO2020019739A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428417A (zh) * | 2019-08-13 | 2019-11-08 | 无锡祥生医疗科技股份有限公司 | 颈动脉斑块的性质判别方法、存储介质及超声装置 |
WO2020019740A1 (zh) * | 2018-07-24 | 2020-01-30 | 深圳先进技术研究院 | 左心室心肌分割方法、装置及计算机可读存储介质 |
WO2020019739A1 (zh) * | 2018-07-24 | 2020-01-30 | 深圳先进技术研究院 | 血管壁斑块分割方法、装置及计算机可读存储介质 |
CN111598891A (zh) * | 2019-02-20 | 2020-08-28 | 深圳先进技术研究院 | 斑块稳定性的识别方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794708A (zh) * | 2015-04-10 | 2015-07-22 | 浙江工业大学 | 一种基于多特征学习的动脉粥样硬化斑块成分分割方法 |
CN106408017A (zh) * | 2016-09-13 | 2017-02-15 | 天津大学 | 基于深度学习的超生颈动脉内中膜厚度测量装置和方法 |
CN107240102A (zh) * | 2017-04-20 | 2017-10-10 | 合肥工业大学 | 基于深度学习算法的恶性肿瘤计算机辅助早期诊断方法 |
CN107871318A (zh) * | 2017-11-16 | 2018-04-03 | 吉林大学 | 一种基于模型迁移的冠状动脉钙化斑块检测方法 |
CN107945176A (zh) * | 2017-12-15 | 2018-04-20 | 西安中科微光影像技术有限公司 | 一种彩色ivoct成像方法 |
CN108171698A (zh) * | 2018-02-12 | 2018-06-15 | 数坤(北京)网络科技有限公司 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992430B (zh) * | 2015-04-14 | 2017-12-22 | 杭州奥视图像技术有限公司 | 基于卷积神经网络的全自动的三维肝脏分割方法 |
CN106203327B (zh) * | 2016-07-08 | 2019-04-19 | 清华大学 | 基于卷积神经网络的肺部肿瘤识别系统及方法 |
CN109285158A (zh) * | 2018-07-24 | 2019-01-29 | 深圳先进技术研究院 | 血管壁斑块分割方法、装置及计算机可读存储介质 |
-
2018
- 2018-07-24 CN CN201810816902.0A patent/CN109285158A/zh active Pending
-
2019
- 2019-03-20 WO PCT/CN2019/078891 patent/WO2020019739A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794708A (zh) * | 2015-04-10 | 2015-07-22 | 浙江工业大学 | 一种基于多特征学习的动脉粥样硬化斑块成分分割方法 |
CN106408017A (zh) * | 2016-09-13 | 2017-02-15 | 天津大学 | 基于深度学习的超生颈动脉内中膜厚度测量装置和方法 |
CN107240102A (zh) * | 2017-04-20 | 2017-10-10 | 合肥工业大学 | 基于深度学习算法的恶性肿瘤计算机辅助早期诊断方法 |
CN107871318A (zh) * | 2017-11-16 | 2018-04-03 | 吉林大学 | 一种基于模型迁移的冠状动脉钙化斑块检测方法 |
CN107945176A (zh) * | 2017-12-15 | 2018-04-20 | 西安中科微光影像技术有限公司 | 一种彩色ivoct成像方法 |
CN108171698A (zh) * | 2018-02-12 | 2018-06-15 | 数坤(北京)网络科技有限公司 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
Non-Patent Citations (2)
Title |
---|
MAHENDRA KHENED 等: "Densely Connected Fully Convolutional Network for Short-Axis Cardiac Cine MR Image Segmentation and Heart Diagnosis Using Random Forest", 《 LECTURE NOTES IN COMPUTER SCIENCE》 * |
SIMON JE´GOU 等: "The One Hundred Layers Tiramisu:Fully Convolutional DenseNets for Semantic Segmentation", 《ARXIV》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020019740A1 (zh) * | 2018-07-24 | 2020-01-30 | 深圳先进技术研究院 | 左心室心肌分割方法、装置及计算机可读存储介质 |
WO2020019739A1 (zh) * | 2018-07-24 | 2020-01-30 | 深圳先进技术研究院 | 血管壁斑块分割方法、装置及计算机可读存储介质 |
CN111598891A (zh) * | 2019-02-20 | 2020-08-28 | 深圳先进技术研究院 | 斑块稳定性的识别方法、装置、设备及存储介质 |
CN111598891B (zh) * | 2019-02-20 | 2023-08-08 | 深圳先进技术研究院 | 斑块稳定性的识别方法、装置、设备及存储介质 |
CN110428417A (zh) * | 2019-08-13 | 2019-11-08 | 无锡祥生医疗科技股份有限公司 | 颈动脉斑块的性质判别方法、存储介质及超声装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2020019739A1 (zh) | 2020-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7383010B2 (ja) | 医用画像認識方法及びシステム、並びに、モデルトレーニング方法、コンピュータ装置、及びプログラム | |
Clough et al. | A topological loss function for deep-learning based image segmentation using persistent homology | |
CN109285157A (zh) | 左心室心肌分割方法、装置及计算机可读存储介质 | |
KR101857624B1 (ko) | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 | |
CN109285158A (zh) | 血管壁斑块分割方法、装置及计算机可读存储介质 | |
Ni et al. | GC-Net: Global context network for medical image segmentation | |
JP7112519B2 (ja) | 画像処理方法、装置、コンピュータプログラム、並びにコンピュータ機器 | |
Tay et al. | Ultrasound despeckling for contrast enhancement | |
CN111368849B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
Unser et al. | Guest editorial: Wavelets in medical imaging | |
CN111369562B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
Du et al. | Accelerated super-resolution MR image reconstruction via a 3D densely connected deep convolutional neural network | |
CN109886135A (zh) | 一种低分辨率人脸识别方法、装置及存储介质 | |
CN111815766A (zh) | 基于2d-dsa图像重建血管三维模型处理方法及系统 | |
CN110327039A (zh) | 基于卷积神经网络的房颤分类方法 | |
Rajalingam et al. | Review of multimodality medical image fusion using combined transform techniques for clinical application | |
Ciurte et al. | A semi-supervised patch-based approach for segmentation of fetal ultrasound imaging | |
CN111126350A (zh) | 一种心搏分类结果的生成方法和装置 | |
CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
Cai et al. | Identifying architectural distortion in mammogram images via a se-densenet model and twice transfer learning | |
Yang et al. | Generative Adversarial Networks (GAN) Powered Fast Magnetic Resonance Imaging--Mini Review, Comparison and Perspectives | |
CN109191475A (zh) | 椎体终板分割方法、装置及计算机可读存储介质 | |
US20210110520A1 (en) | Method and system for simulating and constructing original medical images from one modality to other modality | |
Mentl et al. | Noise reduction in low-dose ct using a 3D multiscale sparse denoising autoencoder | |
Zhang et al. | 3D cross-scale feature transformer network for brain MR image super-resolution |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190129 |