CN109635876A - 为生理树结构生成解剖标签的计算机实现的方法、装置和介质 - Google Patents

为生理树结构生成解剖标签的计算机实现的方法、装置和介质 Download PDF

Info

Publication number
CN109635876A
CN109635876A CN201811564695.0A CN201811564695A CN109635876A CN 109635876 A CN109635876 A CN 109635876A CN 201811564695 A CN201811564695 A CN 201811564695A CN 109635876 A CN109635876 A CN 109635876A
Authority
CN
China
Prior art keywords
tree construction
physiology
label
rank
geometrical characteristic
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
CN201811564695.0A
Other languages
English (en)
Other versions
CN109635876B (zh
Inventor
武丹
王昕�
尹游兵
李育威
曹坤琳
宋麒
欧阳滨
梁舒怡
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.)
Keya Medical Technology Co Ltd
Original Assignee
Kunlun Beijing Medical Cloud Technology 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
Priority claimed from US16/116,889 external-priority patent/US10548552B2/en
Application filed by Kunlun Beijing Medical Cloud Technology Co Ltd filed Critical Kunlun Beijing Medical Cloud Technology Co Ltd
Publication of CN109635876A publication Critical patent/CN109635876A/zh
Application granted granted Critical
Publication of CN109635876B publication Critical patent/CN109635876B/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
    • 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
    • G06F18/24—Classification techniques
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本公开涉及一种为生理树结构生成解剖标签的计算机实现的方法、装置和介质。该方法可以包括接收所述生理树结构的3D模型和3D骨架线，其中，所述3D模型是基于由成像装置获取的所述生理树结构的医学图像数据重建的。然后，从可选级别的池中选择至少一个级别用于提取几何特征。接着，由处理器，在所选择的至少一个可选级别沿着所述3D骨架线从所述生理树结构的所述3D模型提取几何特征。由所述处理器可以基于所提取的几何特征使用训练好的学习网络为所述生理树结构生成解剖标签。该方法和装置能够为生理树结构快速、精确且自动地生成解剖标签，增加了自动标注的鲁棒性和准确度。

Description

为生理树结构生成解剖标签的计算机实现的方法、装置和 介质
相关申请的交叉引用
本申请要求2017年12月21日提交的美国临时申请第62/608,872号的优先权，其全部内容通过引用结合在此。
技术领域
本公开一般地涉及医学图像处理和分析。更具体地，本公开涉及为生理树结构生成解剖标签的方法和装置。
背景技术
血管、气管通路等都是分级的树结构。对这些结构自动识别并分配正确的解剖标签便利医师和放射科医师的诊断过程。现有的自动生成医学报告的方法大体依赖于解剖标签(诸如冠状动脉血管、支气管树等)的正确识别以及基于识别的标签的正确分配。诊断可能依赖于识别和标注的准确度。例如，狭窄的解剖位置经常与其对心脏的正常功能的影响的严重性有关。因此，如果利用现有算法来检测狭窄，重点是要识别其位于何处，其可能依赖于为对应血管自动识别正确的解剖标签(例如左前降支动脉)。
例如，解剖上含义丰富的冠状动脉为心肌的特定区域供血，但是这些动脉的形态和拓扑结构随着个体不同而广泛变化。因此，自动标注的一个挑战出自冠状动脉的个体大变异性，尤其是从主分支生出的一些次级动脉。这样的复杂性也对存在于人体中除了冠状动脉以外的其他脉管的标注提出了挑战。
现有的方法对于个体大变异性也不够可靠。大体说来，现有的方法典型地依赖基于有限数量的人体冠状动脉的统计结果的人类冠状动脉图谱模型，或者依赖硬编码的几何或拓扑标准和/或参数。由于个体变异性，这些方法对于脉管标注鲁棒性也较低。
提供本公开的方法和装置来解决以上关注问题。
发明内容
本公开提供了一种可以快速、准确其自动地为生理树结构生成解剖标签的方法和装置。该方法和装置通过使用学习网络(诸如神经网络)增加了自动标注的鲁棒性和准确度，该学习网络能够学习本质的解剖特征而没有任何人类定义的标准，且随着数据的增加能够持续改进性能。此外，所述方法和装置可以选择(改变)要提取并馈送到学习网络中的几何特征的级别，以便满足标注速度、资源消耗和粒度精度上的需求。
在一个方案中，本公开涉及一种为生理树结构生成解剖标签的计算机实现的方法。该方法可以包括接收所述生理树结构的3D模型和3D骨架线。所述3D模型是基于由成像装置获取的所述生理树结构的医学图像数据重建的。该方法还包括从可选级别的池中选择至少一个级别用于提取几何特征。该方法还包括由处理器在所选择的至少一个可选级别沿着所述3D骨架线从所述生理树结构的所述3D模型提取几何特征。该方法还包括由所述处理器基于所提取的几何特征使用训练好的学习网络为所述生理树结构生成解剖标签。
在另一方案中，本公开涉及一种为生理树结构生成解剖标签的装置。所述装置可以包括接口，所述接口配置为接收由成像装置获取的所述生理树结构的医学图像数据。并且所述装置还可以包括处理器，所述处理器配置为：基于所接收的医学图像数据，重建所述生理树结构的3D模型并提取所述生理树结构的3D骨架线。所述处理器还可以配置为从可选择级别的池中选择至少一个级别用于提取几何特征，并且在所选择的至少一个级别上沿着所述3D骨架线从所述生理树结构的所述3D模型提取可选级别的几何特征。此外，所述处理器可以配置为基于所提取的几何特征使用训练好的学习网络为所述生理树结构生成解剖标签。
在又一方案中，本公开涉及一种具有存储在其上的指令的非暂时性计算机可读介质。所述指令在由处理器执行时实现为生理树结构生成解剖标签的方法。所述方法可以包括接收生理树结构的3D模型和3D骨架线。所述3D模型是基于由成像装置获取的所述生理树结构的医学图像数据重建的。该方法还包括从可选择级别的池中选择至少一个级别用于提取几何特征。该方法还包括在所选择的至少一个级别沿着所述3D骨架线从所述生理树结构的所述3D模型提取几何特征。该方法还包括基于所提取的几何特征使用训练好的学习网络为所述生理树结构生成解剖标签。
应当理解，前面的一般性描述和以下的详细描述仅是示例性和说明性的，并不是对要求保护的本发明的限制。
附图说明
在不一定按比例绘制的附图中，相同的附图标记可以描述不同视图中的类似部件。具有字母后缀或不同字母后缀的相同数字可表示类似部件的不同实例。附图通常通过示例而非通过限制的方式示出了各种实施例，并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。在适当的时候，在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的，而并非旨在作为本方法、装置、或其上存储有用于实现该方法的指令的非暂时性计算机可读介质的穷尽或排他实施例。
图1示出了根据本公开的实施例的为生理树结构生成解剖标签的方法。
图2示出了根据本公开的实施例的解剖标签生成系统；
图3示出了根据本公开实施例的在线标签生成过程；
图4示出了利用图3所示的过程生成的标签来标注的血管树结构；
图5(a)示出了根据本公开的实施例的方法中所使用的学习网络的示例；
图5(b)示出了根据本公开的实施例的方法中所使用的学习网络的示例；
图5(c)示出了根据本公开的实施例的方法中所使用的学习网络的示例；
图5(d)示出了根据本公开的实施例的方法中所使用的学习网络的示例；
图5(e)示出了根据本公开的实施例的方法中所使用的学习网络的示例；以及
图6图示了根据本公开的实施例的示例性解剖标签生成装置的说明框图。
具体实施方式
在下文中，技术表述“沿着3D骨架线…提取特征”表示对生理树结构的3D模型在沿着3D骨架线的一系列部分处提取特征。具体说来，可以沿着3D骨架线从3D模型采样若干部分，每个部分具有3D模型的对应的(一个或多个)局部特征。然后所有(一个或多个)局部特征可以构成沿着(生理树结构的)3D骨架线提取的特征。以及技术术语“生理树结构的医学图像数据”表示其中包括生理树结构的至少部分的医学图像数据。例如，所述医学图像数据可以是由CT采集的血管树结构的一系列2D切片。又例如，所述医学图像数据可以是不同投影角度上的至少两个2D血管造影图像。再例如，生理树结构的医学图像数据可以包括该生理树结构的不同部分的医学图像数据的数个子集，这些子集可以被整合来重建整个生理树结构的3D模型。此外，技术术语“几何特征”表示与受检者(例如生理树结构)的几何因素相关联的特征，所述几何因素包括但不限于受检者的至少部分的坐标、方向、形状、尺寸等。
图1示出根据本公开的实施例的为生理树结构生成解剖标签的方法。如图1中所示，解剖标签生成过程100始于获取生理树结构的3D模型和3D骨架线(步骤101)。在一些实施例中，3D模型和3D骨架线可以从已经安装在医学图像采集装置中的现有的3D重建应用软件直接获取，3D重建应用软件诸如但不限于OpenGL，西门子医疗生产的DynaCTCardiac软件等，用于生成解剖标签的计算机实现的方法可以兼容于并利用现有的3D重建应用软件。在一些实施例中，在步骤101，生理树结构的医学图像数据(例如2D医学图像)可以从图像采集装置接收，然后可以对2D医学图像进行分割和处理，以重建3D模型并得出3D骨架线。在步骤102，可以沿着3D骨架线从3D模型提取一个或多个可选级别的几何特征(例如，可以从可选择级别的池中选择至少一个级别用于提取几何特征，然后在所选择的各个级别上沿着3D骨架线从3D模型提取几何特征)。然后，解剖标签生成过程100推进到步骤103。在步骤103，可以基于所提取的几何特征利用训练好的学习网络为生理树结构生成解剖标签。
3D骨架线表征生理树结构的轮廓曲线。例如，3D骨架线可以是人体冠状动脉3D模型的中心线。又例如，3D骨架线可以是神经组织的拓扑延伸线。
在一些实施例中，所提取的几何特征的级别可以从点到路径的范围中选择。生理树结构是分级树状结构。在该结构中，点表示3D骨架线上的点，而路径表示从3D骨架线的入口到3D骨架线的出口的通路。高于点但低于路径的中间级别也可以被应用于待提取的几何特征。以冠状动脉作为生理树结构的示例，可以计算和提取冠状动脉的3D模型的中心线作为3D骨架线。例如，几何特征可以存储在三个级别的结构信息中，例如，中心线点、中心线单元以及中心线路径。中心线单元可以表示在分叉之间的血管分支，以及中心线路径可以表示从中心线的入口到出口的路径。例如，Y形的中心线具有两个路径，各个路径具有不同的入口但以相同的出口结束。
在一些实施例中，用于在步骤102中提取的几何结构的一个或多个级别可以根据计算速度、计算资源以及粒度精度中的至少一种来选择和改变。如果用户需要以有限的计算资源和较低的粒度精度来获得解剖标签，例如，如果用户仅仅需要知道血管路径的解剖标签，和/或用户具有对计算速度的高要求，则较高级别的几何特征，诸如路径级别特征可以被使用，且学习网络需要学习较少的生理树结构特征。作为对比，如果用户需要获得更高粒度精度的解剖标签，则较低级别的几何特征，诸如点级别特征可以被使用，且学习网络需要学习更多的生理树结构特征。在一些实施例中，在步骤102提取的几何特征的级别等于或低于在步骤103生成的解剖标签的级别，以便确保所生成的解剖标签的可靠性。也就是说，如果需要单元级别的精度，则需要提取点级别特征和/或单元级别特征。此外，如果计算资源充足和/或较高级别的解剖标签和较低级别的解剖标签的计算速度对用户来说差别不大，则可以提取较低级别的几何特征(等于或低于解剖标签的较低级别)，且可以采用相应的学习网络。
在一些实施例中，在每个级别可以提取数个类型的几何特征。对于冠状动脉来说，点级别特征可以包括3D中心线上的点的归一化3D坐标(例如分别针对3D模型中的x、y和z坐标的最大值和/或最小值归一化的x、y和z坐标)、法线方向、2D球面坐标、局部平均半径(例如通过假设冠状动脉的圆形局部截面从局部截面面积获得的局部平均半径)、归一化的下游容积(例如从3D模型上的关注点起所有下游分支的总体积针对3D模型的总体积进行归一化)、从根起算的长度等的至少一种。单元级别特征可以包括3D中心线上的单元的平均长度、平均容积、起始点、弯曲度、相对于父分支的分支角度、中心点、2D球面坐标等中的至少一种。以及路径级别特征可以包括3D中心线上的路径的归一化长度(例如针对3D模型的最长路径归一化的长度)、总容积、弯曲度、中心点、2D球面坐标、平均分支角度等中的至少一种。
图2示出根据本公开的实施例的解剖标签生成系统200，其中，使用中心线作为骨架线的示例。如图2中所示，解剖标签生成系统200可以包括：3D重建单元205，其配置为获得树结构的医学图像数据，为其重建3D模型，并提取相应的3D中心线；特征提取单元204，其配置为从3D重建单元205接收所重建的3D模型和3D中心线，并基于3D模型沿着3D中心线提取可选级别的几何特征；生成模型训练单元201，其配置为基于训练数据(集)来训练解剖标签生成模型(其基于学习网络尤其多层神经网络来构造)，并将训练好的生成模型传输给生成单元202；以及生成单元202，其配置为从生成模型训练单元201接收训练好的生成模型并从特征提取单元204接收树结构的沿着3D中心线的可选级别的几何特征，并基于所提取的几何特征使用训练好的生成模型生成沿着树结构的3D中心线的解剖标签。在一些实施例中，特征提取单元204可以与3D重建单元205集成。
在一些实施例中，生成模型训练单元201可以采用离线训练过程和/或在线训练过程。可以基于来自训练数据数据库203的训练数据在标签生成过程之前非实时地执行离线训练过程。以及，用于离线训练过程的训练数据可以通过如下来获得：从基于医学图像数据重建的3D模型进行多级别特征(诸如点级别特征、单元级别特征、路径级别特征等)提取；以及由用户(诸如医师)对3D模型进行人工标注(作为地面真实解剖标签)。而所获得的训练数据可以被收集并存储到训练数据数据库203中，以供其他用户访问和使用。可以在标签生成过程紧前实时地或与之并行地执行在线训练过程。具体说来，由生成单元202(或与用户的人工修正结合)生成的沿着3D中心线的解剖标签连同对应提取的几何特征可以用作新的训练数据，来以在线方式训练生成模型。此外，该新的训练数据可以被添加到训练数据数据库203中对其更新，以用于后续的离线训练过程。
在一些实施例中，离线训练过程可以用于训练新的树结构的参考标签生成模型，对该新的树结构尚未执行过标签生成。例如，离线训练过程可以利用针对BMI为22～27的30多岁亚洲女性的冠状动脉的训练数据，来训练用于该特定人群的参考标签生成模型。然后，如果用户需要为属于该特定人群的患者生成解剖标签，训练好的参考标签生成模型可以被方便地调用并用于生成沿着冠状动脉的3D中心线上的解剖标签。在一些实施例中，自动生成的解剖标签可以被呈现给用户，以便接收他/她的在线反馈，例如确认、人工编辑和修正等。在线反馈后所得到的解剖标签可以用作新的训练数据，以在线方式更新当前训练好的生成模型(例如训练好的参考标签生成模型)中的当前权重。由此，专用于该用户的解剖标签生成模型可以随着附加的训练数据并受益于在线反馈而持续改进。用于特定用户的改进后的训练好的解剖标签生成模型可以稍迟被直接调用以为其生成解剖标签。
图3示出根据本公开实施例的用于冠状动脉的在线标签生成过程300。冠状动脉仅仅用作生理树结构的示例；该过程可适用于其他生理树结构，诸如血管、气管通路、淋巴管和神经组织。
该在线标签生成过程始于步骤301：获取冠状动脉的医学图像数据(例如2D医学图像或容积图像)并重建其3D模型。该医学图像数据可以通过成像装置(也称为图像采集装置)来采集，成像装置可以选自使用包括但不限于以下的任何成像模态：计算机断层摄影(CT)、数字减影血管造影(DSA)、磁共振成像(MRI)、功能性MRI、动态对比增强-MRI、扩散MRI、螺旋CT、锥形束计算机断层摄影(CBCT)、正电子发射断层摄影(PET)、单光子发射计算断层摄影(SPECT)、X射线成像、光学断层摄影、荧光成像、超声成像、放射治疗射野成像。冠状动脉的3D模型通常表征其3D几何结构以及其中或冠状动脉的壁上的点之间的位置关系。例如，可以通过CT来获得沿着冠状动脉的一系列2D切片图像，然后可对每个2D切片图像进行分割以提取中心点和血管壁。接着，可以基于该系列的每个2D切片图像的提取的中心点和血管壁来重建3D模型，以及可以基于该系列的每个2D切片图像的提取的中心点来建立3D中心线。在该示例中，在步骤301获取3D中心线。作为另一示例，可以采用诸如容积CT成像的容积成像来直接获得3D图像数据，由此可以在后续步骤诸如步骤302获取3D中心线。
然后，在步骤302，可以沿着3D中心线从冠状动脉的3D模型提取可选级别的几何特征。关于可选级别以及几何特征的细节已经在上文中结合图1给出，在此不赘述。在步骤303，可以基于提取的几何特征使用训练好的学习网络(其示例由图5(a)到图5(e)图示)来自动生成用于冠状动脉的解剖标签。待生成的解剖标签可以按需具有可选级别，包括但不限于路径标签和单元标签。对于冠状动脉，在一些实施例中，单元标签可以包括左主动脉(LM)、左前降支动脉(LAD)、左旋支动脉(LCX)、对角支动脉(D)、间隔动脉(S)、钝缘支动脉(OM)、右冠状动脉(RCA)、后降支动脉(PDA)、左后侧支(L-PLB)以及右后侧支(R-PLB)。在一些实施例中，路径标签可以包括左前降支动脉(LAD)路径、左旋支动脉(LCX)路径、钝缘支动脉(OM)路径、对角支动脉(D)路径、间隔动脉(S)路径、右冠状动脉(RCA)路径、后降支动脉(PDA)路径、左后侧支(L-PLB)路径以及右后侧支(R-PLB)路径。在一些实施例中，路径标签和单元标签可以彼此转换。例如，路径包括的单元的单元标签可以被回归来获得该路径的路径标签。具体说来，在路径中所有单元的单元标签之中，数量最大的单元标签可以被确定作为路径标签。又例如，路径标签可以用作其中每个单元的单元标签。
可选地，过程300可以包括步骤304，其中，响应于生成解剖标签，可以在冠状动脉的对应部分附近呈现所生成的解剖标签，如图4所示，以供用户审核。在一些实施例中，用户可以确定自动生成的标签是否需要修正(步骤305)。如果是，用户可以经由用户界面来编辑、修改和移动所生成的解剖标签(步骤306)。然后过程300转到步骤307，可以使用所得到的解剖标签和对应的提取的几何特征作为新的训练数据，来以在线方式训练用于该患者的当前的学习网络。由此，可以随着获得特定患者的更多的新训练数据，能够改进用于该特定患者的学习网络的性能。通过将自动生成与人工修正整合，所得到的解剖标签可以与地面真实标签一致，由此可以获得准确的训练数据，同时相较全人工标注减少工作负担，相较全自动标注消耗更少的计算资源。
如果首次为患者的冠状动脉自动生成解剖标签，然后可以在步骤303取得并使用训练好的参考学习网络。可以为该患者存储并更新训练好的学习网络的权重。以此方式，如果之前已经为患者执行过过程300，则可以在当前过程300的步骤303使用对患者的最近的过程300的步骤307训练好的学习网络。
图5(a)示出了根据本公开实施例的方法(例如在线标签生成过程300)中使用的学习网络的示例。在一些实施例中，可以为单个级别采用数种类型的几何特征。如图5(a)中所示，路径被设置为特征级别，对于各个路径可以采用n个几何特征(路径级别的特征)。在该学习网络中，各个路径的n个路径级别的几何特征可以被馈送到多层神经网络，其可以包括或与分类层协作，以便确定路径标签。分类层可以由各种方式来实现。例如，其可以由RNN(回归神经网络)、全连接层等来构造。
图5(b)示出了根据本公开实施例的方法中使用的学习网络的示例。如图5(b)中所示，一条路径上有n个单元，由此一系列的单元级别特征，包括单元1特征、单元2特征、……、单元n特征，可以馈送到序列到序列神经网络。在一些实施例中，序列到序列神经网络可以包括序列神经网络(诸如图5(b)中的序列(多层)长短期记忆(LSTM)神经网络)和树结构神经网络(诸如图5(e)中的树结构双向LSTM神经网络)中的至少一种。然后，序列到序列神经网络可以利用分类层例如全连接层，来确定一系列单元标签，也就是单元1标签、单元2标签、……单元n标签。
图5(c)示出了根据本公开实施例的方法中使用的学习网络的示例。如图5(c)中所示，在一条路径上具有n个点，由此，一系列的点级别特征，包括pt 1特征、pt 2特征、……、pt n特征，可以被馈送到具有全连接层作为分类层的神经网络，以便生成路径标签。在一些实施例中，神经网络可以是序列(多层)LSTM神经网络。如图5(b)和图5(c)中所示，序列到序列神经网络被示出为序列多层LSTM神经网络，其中，相邻层之间进行单向的信息传输而在相同层上的相邻节点之间进行双向的信息传输。但是，序列到序列神经网络不限于该示例，其可以采用其他框架。
图5(d)示出了根据本公开实施例的方法中使用的学习网络的示例。图5(d)中示出的学习网络与图5(c)中示出的学习网络的区别在于，其逐级别地学习在路径上的一系列n个单元上各自的一系列点的点级别特征与该n个单元的单元标签的序列之间的关系。具体说来，在底层，对于该路径上的一系列n个单元中的第i个单元(i＝1,2，…，n)，采样其上的Ni个点，并且Ni个点的点级别特征可以被馈送到对应的第一多层双向LSTM神经网络，以生成相应的单元级别特征。例如，在第3个单元上可以有N3个采样点，以及pt 1特征，pt 2特征，…pt N3特征，可以被提取并馈送到用于该第3个单元的第一多层双向LSTM神经网络，以便生成该第3个单元的(一个或多个)单元级别特征。然后，n个单元的单元级别特征可以作为序列馈送到第二多层双向LSTM神经网络，以便利用分类层生成该n个单元的单元标签序列。利用第一多层双向LSTM神经网络，学习网络首先考虑和学习在对应的单元中的点之间的相互影响；而利用第二多层双向LSTM神经网络，学习网络考虑并学习路径中的单元之间的相互影响。学习网络采用序列到序列映射的分层框架，这与生理树结构的作用机制相符，可以更准确地生成解剖标签。
图5(e)示出了根据本公开的实施例的方法中使用的学习网络的示例。如图5(e)所示，学习网络采用7个节点的树结构，其中，每个节点被配置为双向LSTM神经网络(BLSTM)。单元级别特征c1到c7可以被一对一地馈送到BLSTM的树结构的节点，该BLSTM的树结构可以生成对应的单元级别标签L1到L7。
图6示出了根据本公开的实施例的示例性解剖标签生成装置600的框图。该解剖标签生成装置600可以包括网络接口607，通过该网络接口607，解剖标签生成装置600可以连接到网络(未示出)，例如但不限于医院中的局域网或因特网。网络可以将解剖标签生成装置600与诸如图像采集装置(未示出)、医学图像数据库608和图像数据存储装置609的外部装置连接。图像采集装置可以是任何类型的成像模态，例如但不限于计算机断层摄影(CT)、数字减影血管造影(DSA)、磁共振成像(MRI)、功能性MRI、动态对比增强-MRI、扩散MRI、螺旋CT、锥形束计算机断层摄影(CBCT)、正电子发射断层摄影(PET)、单光子发射计算断层摄影(SPECT)、X射线成像、光学断层摄影、荧光成像、超声成像、放射治疗射野成像。
在一些实施例中，解剖标签生成装置600可以是专用智能装置或通用智能装置。例如，装置600可以是为图像数据获取和图像数据处理任务定制的计算机，或者是放置在云中的服务器。例如，装置600可以集成到图像采集装置中。可选地，该装置600中的图像处理程序605可以包括由3D重建单元执行，用于基于由图像采集装置采集的血管图像数据来重建血管的3D模型。
解剖标签生成装置600可以包括图像处理器601和存储器604，并且可以另外包括输入/输出602和图像显示器603中的至少一个。
图像处理器601可以是包括一个或多个通用处理装置的处理装置，诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等。更具体地，图像处理器601可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、运行其他指令集的处理器或者运行指令集的组合的处理器。图像处理器601还可以是一个或多个专用处理装置，诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)，片上系统(SoC)等。如本领域技术人员将理解的，在一些实施例中，图像处理器601可以是专用处理器，而不是通用处理器。图像处理器601可以包括一个或多个已知的处理装置，例如来自IntelTM制造的PentiumTM、CoreTM、XeonTM或Itanium系列的微处理器，由AMD TM制造的TurionTM、AthlonTM、SempronTM、OpteronTM、FXTM、PhenomTM系列，或由SunMicrosystems制造的各种处理器。图像处理器601还可以包括图形处理单元，诸如来自的GPU，由Nvidia TM制造的系列，由IntelTM制造的GMA，IrisTM系列，或由AMDTM制造的RadeonTM系列。图像处理器601还可以包括加速处理单元，例如由AMDTM制造的Desktop A-4(6,6)系列，由IntelTM制造的Xeon PhiTM系列。所公开的实施例不限于任何类型的处理器或处理器电路，其以其他方式被配置为满足识别、分析、维护、生成和/或提供大量成像数据或操纵这样的成像数据以获取(直接接收或重建)生理树结构的3D模型和3D骨架线、沿着3D骨架线从3D模型提取可选级别的几何特征、和/或生成解剖标签，或与所公开的实施例一致地操纵任何其他类型的数据。另外，术语“处理器”或“图像处理器”可以包括一个以上的处理器，例如，多核设计或多个处理器，每个处理器具有多核设计。图像处理器601可以执行存储在存储器604中的计算机程序指令序列，以执行本文公开的各种操作、过程和方法。
图像处理器601可以通信地耦合到存储器604并且被配置为执行存储在其中的计算机可执行指令。存储器604可以包括只读存储器(ROM)、闪存、随机存取存储器(RAM)、诸如同步DRAM(SDRAM)或Rambus DRAM的动态随机存取存储器(DRAM)、静态存储器(例如，闪存、静态随机存取存储器)等，计算机可执行指令以任何格式存储在其上。在一些实施例中，存储器604可以存储一个或多个图像处理程序605的计算机可执行指令。计算机程序指令可以由图像处理器601访问，从ROM或者任何其他合适的存储器位置读取，并且加载在RAM中以供图像处理器601执行。例如，存储器604可以存储一个或多个软件应用程序。存储在存储器604中的软件应用程序可以包括，例如，用于普通计算机系统的操作系统(未示出)以及用于软控制装置的操作系统。
此外，存储器604可以存储整个软件应用程序或仅存储可由图像处理器601执行的软件应用程序的一部分(例如，图像处理程序605)。此外，存储器604可以存储多个软件模块，用于实现与本公开一致的基于生理树结构的图像为生理树结构生成解剖标签的方法的各个步骤或用于训练标签生成模型的过程。例如，生成模型训练单元201、生成单元202、特征提取单元204以及3D重建单元205(如图2所示)，可以实现为存储在存储器604上的软件模块。对于另一个例子，至少生成单元202和特征提取单元204被实现为存储在存储器604上的软件模块，生成模型训练单元201可以远离解剖标签生成装置600定位并且与生成单元202通信以使其能够接收更新后的生成模型用于生成沿着树结构的3D中心线的解剖标签，该生成模型已经由生成模型训练单元201利用来自训练数据数据库203的训练数据(在离线训练过程中)和/或来自生成单元202的训练数据(在在线训练过程中)进行训练，来自生成单元202的训练数据(也就是由其自动生成(利用或不利用用户的人工修正)所得的解剖标签连同对应提取的几何特征)。
此外，存储器604可以存储在执行计算机程序时生成/缓冲的数据，例如，医学图像数据606，包括从图像采集装置、医学图像数据库608、图像数据存储装置609等发送的医学图像。在一些实施例中，医学图像数据606可以包括所接收的生理树结构的图像，图像处理程序605将要对其实现3D模型重建、3D骨架线提取、自动几何特征提取以及进一步的解剖标签生成。
此外，图像处理器601可以执行图像处理程序605以实现用于为生理树结构生成解剖标签的方法，然后将对应提取的几何特征与解剖标注结果相关联，并将其传输到存储器604，尤其作为其中的医学图像数据606。以此方式，每个在线标签生成过程生成新的训练数据条目以更新医学图像数据606。通过执行如图2中所示的生成模型训练单元201，图像处理器601可以以在线方式训练标签生成模型，以更新训练好的标签生成模型中的现有参数(诸如权重)。在一些实施例中，训练好的标签生成模型的更新后的参数可以存储在医学图像数据606中，其随后可用在同个患者的下次解剖标签生成中。因此，如果图像处理器601确定解剖标签生成装置600已经为当前患者执行了标签生成，则可以直接调用和使用最近更新后的标签生成模型。
在一些实施例中，图像处理器601，在执行在线标签生成过程后，可以将生理树结构的3D模型(基于2D图像重建的3D模型或3D容积图像)与自动(或半自动地)生成的解剖标签相关联作为医学图像数据606，以用于呈现和/或传输。在一些实施例中，3D模型连同生成的解剖标签可以显示在图像显示器603上供用户查看。在一些实施例中，通过将3D模型与生成的解剖标签相关联的医学图像数据可以被传输到医学图像数据库608，以便需要时由其他医学装置访问、获得和利用。
在一些实施例中，可以提供图像数据存储装置609以与医学图像数据库608交换图像数据，以及存储器604可以与医学图像数据库608通信以获得当前患者的生理树结构的图像和/或3D模型和/或骨架线。例如，图像数据存储装置609可以驻留在其他医学图像采集装置(例如对该患者执行扫描的CT)中。患者的切片图像可以被传输并保存到医学图像数据库608，以及解剖标签生成装置600可以从医学图像数据库608取得特定患者的切片数据并为该特定患者生成解剖标签。
在一些实施例中，存储器604可以与医学图像数据库608通信，以将所提取的几何特征连同生成的解剖标签传输并保存到医学图像数据库608中作为训练数据的条目，其可以用于对如上所述的参考标签生成模型和/或(患者特有的)特定标签生成模型进行离线训练。
此外，训练好的参考标签生成模型和/或特定标签生成模型的参数可以存储在医学图像数据库608上，以在需要时供其他解剖标签生成装置访问、获取和利用。以该方式，面对患者时，图像处理器601可以取得对应人群的训练好的参考标签生成模型和/或该患者的特定标签生成模型，以便基于所取得的训练好的模型来生成解剖标签。
在一些实施例中，解剖标签生成模型(尤其学习网络)可以保存在存储器604中。可选地，学习网络可以存储在远程装置、分离的数据库(诸如医学图像数据库608)、分布式装置中，且可以被图像处理程序605使用。
除了显示医学图像之外，图像显示器603还可以显示其他信息，诸如，通过将生成的解剖标签映射到生理树结构的对应部分，来在该对应部分附近显示所生成的解剖标签。例如，该图像显示器603可以是LCD、CRT或LED显示器。
输入/输出602可以被配置为允许解剖标签生成装置600接收和/或发送数据。输入/输出602可以包括允许装置600与用户或其他机器和装置通信的一个或多个数字和/或模拟通信装置。例如，输入/输出602可以包括允许用户提供输入的键盘和鼠标。
在一些实施例中，图像显示器603可以呈现用户界面，以便用户利用输入/输出602连同该用户界面，可以方便且直观地修正(诸如编辑、移动、修改等)所生成的解剖标签。
网络接口607可以包括网络适配器、电缆连接器、串行连接器、USB连接器、并行连接器、诸如光纤的高速数据传输适配器、USB 6.0、闪电、例如Wi-Fi适配器的无线网络适配器、电信(6G、4G/LTE等)适配器。装置600可以通过网络接口607连接到网络。网络可以提供局域网(LAN)、无线网络、云计算环境(例如，作为服务的软件、作为服务的平台、作为服务的基础设施等)、客户端-服务器、广域网(WAN)等。
本文描述了各种操作或功能，其可以实现为软件代码或指令或者定义为软件代码或指令。这样的内容可以是可以直接执行(“对象”或“可执行”形式)的源代码或差分代码(“delta”或“patch”代码)。软件代码或指令可以存储在计算机可读存储介质中，并且当被执行时，可以使机器执行所描述的功能或操作，并且包括用于以机器(例如，计算装置，电子系统等)可访问的形式存储信息的任何机构，例如可记录或不可记录介质(例如，只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光存储介质、闪存装置等)。
已经出于说明的目的呈现了前面的描述。它并非穷尽的，并且不限于所公开的精确形式或实施例。考虑到所公开实施例的说明书和实践，实施例的修改和改编将是显而易见的。
这里描述的示例性方法可以至少部分地是机器或计算机实现的。一些示例可以包括用指令编码的计算机可读介质或机器可读介质，所述指令可操作以配置电子装置执行如以上示例中所述的方法。这种方法的实现可以包括软件代码，诸如微代码、汇编语言代码、更高级的语言代码等。各种程序或程序模块可以使用各种软件编程技术来创建。例如，可以使用Java、Python、C、C++、汇编语言或任何已知的编程语言来设计程序段或程序模块。一个或多个这样的软件部分或模块可以被集成到计算机系统和/或计算机可读介质中。这种软件代码可以包括用于执行各种方法的计算机可读指令。软件代码可以形成计算机程序产品或计算机程序模块的一部分。此外，在一个示例中，软件代码可以诸如在执行期间或其他时间有形地存储在一个或多个易失性、非暂时性或非易失性有形计算机可读介质上。这些有形的计算机可读介质的示例可以包括但不限于硬盘、可移动磁盘、可移动光盘(例如，光盘和数字视频盘)、磁带盒、存储卡或棒、随机存取存储器(RAM)，只读存储器(ROM)等。
此外，尽管在此描述了说明性实施例，但是范围包括具有基于本公开的等效要素、修改、省略、组合(例如，跨各种实施例的方案的组合)、调整或变更的任何和所有实施例。权利要求中的要素将基于权利要求中使用的语言进行宽泛地解释，而不限于本说明书中或在本申请的存续期间描述的示例，这些示例将被解释为非排他性的。此外，所公开的方法的步骤可以以任何方式进行修改，包括通过重新排序步骤或插入或删除步骤。因此，意图仅仅将描述视为例子，真正的范围由以下权利要求及其全部等同范围表示。
以上描述旨在是说明性的而不是限制性的。例如，上述示例(或其一个或多个方案)可以彼此组合使用。本领域普通技术人员在查看以上描述时可以使用其他实施例。而且，在上面的详细描述中，各种特征可以被组合在一起以简化本公开。这不应被解释成意图让不要求保护的公开特征对于任何权利要求而言都是必不可少的。因此，以下权利要求由此作为示例或实施例并入到具体实施方式中，其中每个权利要求独立作为单独的实施例，并且可以构想的是，这些实施例可以以各种组合或置换来相互组合。本发明的范围应该参考所附权利要求以及赋予这些权利要求的等同物的全部范围来确定。

Claims (20)

1.一种为生理树结构生成解剖标签的计算机实现的方法，其特征在于包括如下步骤：
接收所述生理树结构的3D模型和3D骨架线，其中，所述3D模型是基于由成像装置获取的所述生理树结构的医学图像数据重建的；
从可选级别的池中选择至少一个级别用于提取几何特征；
由处理器，在所选择的至少一个可选级别沿着所述3D骨架线从所述生理树结构的所述3D模型提取几何特征；以及
由所述处理器，基于所提取的几何特征使用训练好的学习网络为所述生理树结构生成解剖标签。
2.根据权利要求1所述的计算机实现的方法，其中，在各个所选择级别所述几何特征包括数种类型的几何特征。
3.根据权利要求1所述的计算机实现的方法，其中，所选择的至少一个级别包括多个级别，以及其中，提取几何特征包括在所述多个级别的各个级别上提取几何特征。
4.根据权利要求1所述的计算机实现的方法，其中，可选择的级别包括点、单元和路径。
5.根据权利要求1所述的计算机实现的方法，其中，所述生理树结构是血管、气管通路、淋巴管和神经组织的任何一种的树结构。
6.根据权利要求1所述的计算机实现的方法，其中，所述生理树结构是血管的树结构，所述骨架线是中心线。
7.根据权利要求1所述的计算机实现的方法，其中，所述解剖标签是在不低于所提取的几何特征的所选择级别的级别上生成的。
8.根据权利要求1所述的计算机实现的方法，其中，用于提取几何特征的级别基于计算速度、计算资源和粒度精度中的至少一种来选择。
9.根据权利要求1所述的计算机实现的方法，其中，所述学习网络是包括分类层的神经网络。
10.据权利要求9所述的计算机实现的方法，其中，所述神经网络包括序列多层神经网络和树结构神经网络中的至少一种。
11.根据权利要求10所述的计算机实现的方法，其中，生成解剖标签进一步包括：
基于所提取的几何特征，使用训练好的序列长短期记忆(LSTM)多层神经网络或训练好的树结构LSTM神经网络，为所述生理树结构生成解剖标签的序列。
12.根据权利要求1所述的计算机实现的方法，其中，所述学习网络以在线过程或离线过程来训练。
13.根据权利要求1所述的计算机实现的方法，还包括：将生成的解剖标签映射到所述生理树结构的对应部分。
14.根据权利要求13所述的计算机实现的方法，还包括：在用户界面上所述生理树结构的对应部分附近呈现所生成的解剖标签，以让用户修正所生成的解剖标签。
15.根据权利要求13所述的计算机实现的方法，还包括：
接收来自用户的修正后的解剖标签；以及
使用所提取的几何特征以及修正后的解剖标签作为训练数据集，来更新所述训练好的学习网络。
16.一种为生理树结构生成解剖标签的装置，所述装置包括：
接口，其配置为接收由成像装置获取的所述生理树结构的医学图像数据；以及
处理器，其配置为：
基于所接收的医学图像数据，重建所述生理树结构的3D模型并提取所述生理树结构的3D骨架线；
从可选择级别的池中选择至少一个级别用于提取几何特征；
在所选择的至少一个级别沿着所述3D骨架线从所述生理树结构的所述3D模型提取几何特征；以及
基于所提取的几何特征使用训练好的学习网络为所述生理树结构生成解剖标签。
17.根据权利要求16所述的装置，其中，所述成像装置使用由计算机断层摄影、数字减影血管造影、磁共振成像、功能磁共振成像、动态对比增强磁共振成像、扩散磁共振成像、螺旋计算机断层摄影、锥形束计算机断层摄影、正电子发射断层摄影、单光子发射计算机断层摄影、X射线成像、光学断层摄影、荧光成像、超声成像、放射治疗射野成像构成的组中选出的成像模态。
18.一种具有存储在其上的指令的非暂时性计算机可读介质，所述指令在由处理器执行时实现为生理树结构生成解剖标签的方法，所述方法包括如下步骤：
接收生理树结构的3D模型和3D骨架线，其中，所述3D模型是基于由成像装置获取的所述生理树结构的医学图像数据重建的；
从可选择级别的池中选择至少一个级别用于提取几何特征；
在所选择的至少一个级别沿着所述3D骨架线从所述生理树结构的所述3D模型提取几何特征；以及
基于所提取的几何特征使用训练好的学习网络为所述生理树结构生成解剖标签。
19.根据权利要求18所述的非暂时性计算机可读介质，其中，所述可选择的级别包括点、单元和路径。
20.根据权利要求18所述的非暂时性计算机可读介质，其中，所述生理树结构是血管的树结构，所述骨架线是中心线。
CN201811564695.0A 2017-12-21 2018-12-20 为生理树结构生成解剖标签的计算机实现的方法、装置和介质 Active CN109635876B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201762608872P 2017-12-21 2017-12-21
US62/608,872 2017-12-21
US16/116,889 US10548552B2 (en) 2017-12-21 2018-08-29 Method and device for generating anatomical labels for a physiological tree structure
US16/116,889 2018-08-29

Publications (2)

Publication Number Publication Date
CN109635876A true CN109635876A (zh) 2019-04-16
CN109635876B CN109635876B (zh) 2021-04-09

Family

ID=66075991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811564695.0A Active CN109635876B (zh) 2017-12-21 2018-12-20 为生理树结构生成解剖标签的计算机实现的方法、装置和介质

Country Status (1)

Country Link
CN (1) CN109635876B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111178420A (zh) * 2019-12-24 2020-05-19 北京理工大学 一种二维造影图像上冠脉段标注方法及系统
CN111754476A (zh) * 2019-06-19 2020-10-09 北京昆仑医云科技有限公司 用于解剖树结构的疾病量化建模的方法及系统
CN113011510A (zh) * 2021-03-25 2021-06-22 推想医疗科技股份有限公司 一种支气管分级及模型训练方法、装置及电子设备
CN113239992A (zh) * 2021-04-28 2021-08-10 深圳睿心智能医疗科技有限公司 血管分类方法及装置
CN113633375A (zh) * 2021-08-04 2021-11-12 天津国科医工科技发展有限公司 一种虚拟支气管镜的构建方法
CN114159083A (zh) * 2021-12-09 2022-03-11 哈尔滨工业大学 一种基于深度树模型的冠状动脉自动解剖标注方法及系统
WO2024098742A1 (zh) * 2022-11-07 2024-05-16 华为云计算技术有限公司 一种图像处理方法、装置、电子设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2936333A1 (fr) * 2008-09-24 2010-03-26 Gen Electric Procede et dispositif d'etiquetage d'une arborescence vasculaire.
CN102693540A (zh) * 2012-04-24 2012-09-26 深圳市旭东数字医学影像技术有限公司 一种肝脏分段的方法及其系统
US20140355858A1 (en) * 2013-06-03 2014-12-04 University Of Florida Research Foundation, Inc. Vascular anatomy modeling derived from 3-dimensional medical image processing
CN104867147A (zh) * 2015-05-21 2015-08-26 北京工业大学 基于冠状动脉造影图像分割的syntax自动评分方法
CN105741251A (zh) * 2016-03-17 2016-07-06 中南大学 一种肝脏cta序列图像的血管分割方法
CN106037710A (zh) * 2014-11-24 2016-10-26 西门子公司 在医学成像中合成数据驱动的血液动力学测定
CN106456078A (zh) * 2013-10-17 2017-02-22 西门子保健有限责任公司 用于对血流储备分数的基于机器学习的评估的方法和系统
CN106980899A (zh) * 2017-04-01 2017-07-25 北京昆仑医云科技有限公司 预测血管树血管路径上的血流特征的深度学习模型和系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2936333A1 (fr) * 2008-09-24 2010-03-26 Gen Electric Procede et dispositif d'etiquetage d'une arborescence vasculaire.
CN102693540A (zh) * 2012-04-24 2012-09-26 深圳市旭东数字医学影像技术有限公司 一种肝脏分段的方法及其系统
US20140355858A1 (en) * 2013-06-03 2014-12-04 University Of Florida Research Foundation, Inc. Vascular anatomy modeling derived from 3-dimensional medical image processing
CN106456078A (zh) * 2013-10-17 2017-02-22 西门子保健有限责任公司 用于对血流储备分数的基于机器学习的评估的方法和系统
CN106037710A (zh) * 2014-11-24 2016-10-26 西门子公司 在医学成像中合成数据驱动的血液动力学测定
CN104867147A (zh) * 2015-05-21 2015-08-26 北京工业大学 基于冠状动脉造影图像分割的syntax自动评分方法
CN105741251A (zh) * 2016-03-17 2016-07-06 中南大学 一种肝脏cta序列图像的血管分割方法
CN106980899A (zh) * 2017-04-01 2017-07-25 北京昆仑医云科技有限公司 预测血管树血管路径上的血流特征的深度学习模型和系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
AKIN AKINYEMI等: "AUTOMATIC LABELLING OF CORONARY ARTERIES", 《2009 17TH EUROPEAN SIGNAL PROCESSING CONFERENCE》 *
GUANYU YANG等: "Automatic Coronary Artery Tree Labeling in Coronary Computed Tomographic Angiography Datasets", 《2011 COMPUTING IN CARDIOLOGY》 *
MEHMET A. GÜLSÜN等: "CTA Coronary Labeling through Efficient Geodesics between Trees Using Anatomy Priors", 《MEDICAL IMAGE COMPUTING AND COMPUTER-ASSISTED INTERVENTION – MICCAI 2014 》 *
周寿军等: "基于概率跟踪的冠状动脉造影图像的血管树提取", 《电子学报》 *
郏科人等: "血管三维结构定量特征指标研究进展", 《中国数字医学》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111754476A (zh) * 2019-06-19 2020-10-09 北京昆仑医云科技有限公司 用于解剖树结构的疾病量化建模的方法及系统
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
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
CN111178420A (zh) * 2019-12-24 2020-05-19 北京理工大学 一种二维造影图像上冠脉段标注方法及系统
CN111178420B (zh) * 2019-12-24 2024-01-09 北京理工大学 一种二维造影图像上冠脉段标注方法及系统
CN113011510A (zh) * 2021-03-25 2021-06-22 推想医疗科技股份有限公司 一种支气管分级及模型训练方法、装置及电子设备
CN113239992A (zh) * 2021-04-28 2021-08-10 深圳睿心智能医疗科技有限公司 血管分类方法及装置
CN113239992B (zh) * 2021-04-28 2024-05-07 深圳睿心智能医疗科技有限公司 血管分类方法及装置
CN113633375A (zh) * 2021-08-04 2021-11-12 天津国科医工科技发展有限公司 一种虚拟支气管镜的构建方法
CN113633375B (zh) * 2021-08-04 2023-02-28 天津国科医工科技发展有限公司 一种非诊疗目的的虚拟支气管镜的构建方法
CN114159083A (zh) * 2021-12-09 2022-03-11 哈尔滨工业大学 一种基于深度树模型的冠状动脉自动解剖标注方法及系统
WO2024098742A1 (zh) * 2022-11-07 2024-05-16 华为云计算技术有限公司 一种图像处理方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN109635876B (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
CN109635876A (zh) 为生理树结构生成解剖标签的计算机实现的方法、装置和介质
US11386557B2 (en) Systems and methods for segmentation of intra-patient medical images
Dey et al. Artificial intelligence in cardiovascular imaging: JACC state-of-the-art review
Ueda et al. Technical and clinical overview of deep learning in radiology
CN110121749A (zh) 用于图像采集的深度学习医疗系统和方法
CN109493347A (zh) 在图像中对稀疏分布的对象进行分割的方法和系统
CN110517238B (zh) Ct医学影像ai三维重建与人机交互可视化网络系统
US20130113816A1 (en) Visualizing brain network connectivity
CN109147940A (zh) 从患者的医学图像自动预测生理状况的装置和系统
CN110638438A (zh) 用于对血流储备分数的基于机器学习的评估的方法和系统
JP2010075693A (ja) 冠動脈画像データの分類のための方法及び装置
CN110490927B (zh) 用于为图像中的对象生成中心线的方法、装置和系统
CN106846317A (zh) 一种基于特征提取和相似匹配的医学影像检索方法
US10431328B1 (en) Method and system for anatomical tree structure analysis
CN110288611A (zh) 基于注意力机制和全卷积神经网络的冠状血管分割方法
CN111178420B (zh) 一种二维造影图像上冠脉段标注方法及系统
CN111275762B (zh) 病人定位的系统和方法
JP7101809B2 (ja) 画像処理装置、画像処理方法、及びプログラム
US20230037338A1 (en) Method and system for anatomical tree structure analysis
CN110599444A (zh) 预测血管树的血流储备分数的设备、系统以及非暂时性可读存储介质
CN110070534A (zh) 用于基于血管图像自动获取特征序列的方法和预测血流储备分数的装置
Zhao et al. Semantic segmentation to extract coronary arteries in invasive coronary angiograms
CN103377369B (zh) 生成用于个体识别的心血管测量的方法和系统
Yu et al. A Pulmonary Artery‐Vein Separation Algorithm Based on the Relationship between Subtrees Information
US11669961B2 (en) Image processing device and calcification analysis system including the same

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
CB02 Change of applicant information

Address after: Block B, Mingyang International Center, 46 xizongbu Hutong, Dongcheng District, Beijing, 100005

Applicant after: Beijing Keya ark Medical Technology Co.,Ltd.

Address before: Block B, Mingyang International Center, 46 xizongbu Hutong, Dongcheng District, Beijing, 100005

Applicant before: BEIJING CURACLOUD TECHNOLOGY Co.,Ltd.

Address after: 3f301, East Tower, hadmen square, 8 Chongwenmenwai Street, Dongcheng District, Beijing 100062

Applicant after: Beijing Keya ark Medical Technology Co.,Ltd.

Address before: Block B, Mingyang International Center, 46 xizongbu Hutong, Dongcheng District, Beijing, 100005

Applicant before: Beijing Keya ark Medical Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: 3f301, East Tower, hadmen square, 8 Chongwenmenwai Street, Dongcheng District, Beijing 100062

Patentee after: Keya Medical Technology Co.,Ltd.

Address before: 3f301, East Tower, hadmen square, 8 Chongwenmenwai Street, Dongcheng District, Beijing 100062

Patentee before: Beijing Keya ark Medical Technology Co.,Ltd.

CP01 Change in the name or title of a patent holder