CN109754388A - 一种颈动脉狭窄程度计算方法、装置及存储介质 - Google Patents
一种颈动脉狭窄程度计算方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109754388A CN109754388A CN201811472202.0A CN201811472202A CN109754388A CN 109754388 A CN109754388 A CN 109754388A CN 201811472202 A CN201811472202 A CN 201811472202A CN 109754388 A CN109754388 A CN 109754388A
- Authority
- CN
- China
- Prior art keywords
- cross
- section position
- blood
- sequence
- carotid artery
- 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
- 206010007687 Carotid artery stenosis Diseases 0.000 title claims abstract description 94
- 208000006170 carotid stenosis Diseases 0.000 title claims abstract description 94
- 238000004364 calculation method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 210000004369 blood Anatomy 0.000 claims abstract description 130
- 239000008280 blood Substances 0.000 claims abstract description 130
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 110
- 239000010410 layer Substances 0.000 claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 49
- 239000011229 interlayer Substances 0.000 claims abstract description 33
- 239000000284 extract Substances 0.000 claims abstract description 11
- 210000001367 artery Anatomy 0.000 claims description 24
- 238000013480 data collection Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 239000007788 liquid Substances 0.000 claims description 7
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000013517 stratification Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 15
- 238000002366 time-of-flight method Methods 0.000 description 43
- 238000010586 diagram Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 230000011218 segmentation Effects 0.000 description 11
- 208000031481 Pathologic Constriction Diseases 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000036262 stenosis Effects 0.000 description 6
- 208000037804 stenosis Diseases 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000003708 edge detection Methods 0.000 description 4
- 206010008190 Cerebrovascular accident Diseases 0.000 description 3
- 238000005481 NMR spectroscopy Methods 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 3
- 230000002490 cerebral effect Effects 0.000 description 3
- 238000013434 data augmentation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003749 cleanliness Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005311 nuclear magnetism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000000527 sonication Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种颈动脉狭窄程度计算方法、装置及存储介质，方法包括：S1接收颈部MRA影像，并对颈部MRA影像中的第一序列和第二序列进行层间配准，以形成层间对应关系；S2从配准好的第一序列的每层影像中分别提取横断位血管，并计算各个横断位血管的血管面积；S3从配准好的第二序列的每层影像中分别提取横断位血液目标，并计算各个横断位血液目标的血液面积；S4根据层间对应关系，将各个横断位血管的血管面积分别与对应的各个横断位血液目标的血液面积代入计算公式，计算得到多个颈动脉狭窄程度；S5将多个颈动脉狭窄程度中的最大值输出作为颈部MRA影像的颈动脉狭窄程度。本发明实施例能够实现自动计算颈动脉狭窄程度，进而提升医生的诊断效率及准确率。
Description
技术领域
本发明涉及数字图像处理技术领域，特别涉及一种颈动脉狭窄程度计算方法、装置及存储介质。
背景技术
2017年发布的《中国脑卒中防治报告2017》指出，中国脑卒中发病率是全世界最高的国家之一。我国40岁以上人群现患和曾患脑卒中人数测算为1242万，因颈动脉狭窄引发的脑卒中占比较高。颈动脉狭窄多因出现斑块导致，诊治不及时将引发严重后果。
在诊断因斑块导致的颈动脉狭窄方面，MRA(Magnetic Resonance Angiography)核磁共振成像技术是较为常用的手段之一，其运用电磁波技术，探究人体内部结构情况，能以较高精度水平辅助医生对于患者病情有良好诊断。使用MRA检查中的常规扫描反映人体解剖形态，最为基础的几种序列为T1W、T2W、3D-TOF、MP-Rage等。医生在进行诊断时，需要结合多种序列影像观察颈动脉斑块，并计算颈动脉狭窄情况。单个序列往往就有数十层影像，多个序列的数量更为庞大。阅读MRA核磁共振影像对于人工诊断而言工作量较大，且容易出现漏诊、误诊等现象，会对患者产生较大影响。
发明内容
有鉴于此，本发明实施例提供了一种颈动脉狭窄程度计算方法、装置及存储介质，可以大幅度降低医生在MRA核磁共振影像上的阅片工作量，且能够实现自动计算颈动脉狭窄程度，进而提升医生的诊断效率及准确率。
本发明实施例提供的技术方案如下：
第一方面，提供了一种颈动脉狭窄程度计算方法，所述方法包括步骤：
S1、接收颈部MRA影像，并对所述颈部MRA影像中的第一序列和第二序列进行配准，以形成层间对应关系，其中，所述第二序列为TOF序列，所述第一序列为不同于所述TOF序列的序列；
S2、从配准好的所述第一序列的每层影像中分别提取出横断位血管，并计算各个所述横断位血管的血管面积；
S3、从配准好的所述第二序列的每层影像中分别提取出横断位血液目标，并计算各个所述横断位血液目标的血液面积；
S4、根据所述层间对应关系，将各个所述横断位血管的血管面积分别与对应的各个所述横断位血液目标的血液面积代入颈动脉狭窄程度计算公式，计算得到多个颈动脉狭窄程度；
S5、将所述多个颈动脉狭窄程度中的最大值输出作为所述颈部MRA影像的颈动脉狭窄程度。
在本发明实施例中，所述步骤S1进一步包括：
S11、针对所述第一序列中的每层影像，分别从所述第二序列中查找与其在Z轴坐标上的差值为最小的TOF影像；
S12、将查找到的多个所述TOF影像构成配准好的所述第二序列，并形成所述层间对应关系。
在本发明实施例中，所述步骤S2进一步包括：
S21、将配准好的所述第一序列的每层影像分别输入到预先训练好的横断位动脉血管分割模型进行预测，得到所述第一序列的每层影像的血管图像概率图；
S22、将所述每层影像的血管图像概率图分别输入到指示函数以得到多个输出结果图，并对所述多个输出结果图分别转化为二值图，以获取多个所述横断位血管；
S23、提取出各个所述横断位血管的血管外边缘，并将各个所述血管外边缘对应勾画在所述第一序列的每层影像上；
S24、分别对所述第一序列的每层影像上的所述血管外边缘内的像素点数进行统计计算，得到各个所述横断位血管的血管面积。
在本发明实施例中，所述步骤S23进一步还包括：
对多个所述横断位血管分别进行像素掩膜以形成多个掩膜图像；
将多个所述掩膜图像分别叠加在对应的所述每层影像上，以用于调整所述每层影像上的横断位血管的血管外边缘。
在本发明实施例中，所述横断位动脉血管分割模型的训练过程如下：
a、构建横断位血管数据集及对应的标注数据集；
b、构建横断位动脉血管分割网络；
c、使用所述横断位血管数据集和所述标注数据集对所述横断位动脉血管分割网络进行训练，生成所述横断位动脉血管分割模型。
在本发明实施例中，所述步骤S3进一步包括：
S31、采用阈值法从配准后的所述第二序列的每层影像中分别提取出初步的横断位血液目标；
S32、对所述每层影像中的所述初步的横断位血液目标中错误横断位血液目标进行滤除，得到多个所述横断位血液目标；
S33、提取出各个所述横断位血液目标的血液外边缘，并将各个所述血液外边缘对应勾画在所述第二序列的每层影像上；
S34、对所述第二序列的每层影像上的所述血液外边缘内的像素点数进行统计计算，得到各个所述横断位血液目标的血液面积。
在本发明实施例中，所述步骤S4进一步包括：
S41、基于所述层间对应关系，将各个所述横断位血管分别与各个所述横断位血液目标进行位置对应；
S42、将各个所述横断位血管的血管面积分别与位置对应的各个所述横断位血液目标的血液面积代入颈动脉狭窄程度计算公式，计算得到多个颈动脉狭窄程度。
在本发明实施例中，所述颈动脉狭窄程度计算公式为：
其中，R为颈动脉狭窄程度，ε为血管壁厚度的调控因子，A1为在第一序列中的一个横断位血管的血管面积，ATOF为与该横断位血管相对应的TOF序列中的一个横断位血液目标的血液面积。
第二方面，提供了一种应用于如第一方面所述的颈动脉狭窄程度计算方法的计算装置，所述装置包括：
影像输入模块，用于接收颈部MRA影像；
序列配准模块，用于对所述颈部MRA影像中的第一序列和第二序列进行层间配准，以形成层间对应关系，所述第二序列为TOF序列，所述第一序列为不同于所述TOF序列的序列；
第一提取模块，用于从配准好的所述第一序列的每层影像中分别提取出横断位血管；
第一计算模块，用于计算各个所述横断位血管的血管面积；
第二提取模块，用于从配准好的所述第二序列的每层影像中分别提取出横断位血液目标；
第二计算模块，用于计算各个所述横断位血液目标的血液面积；
第三计算模块，用于根据所述层间对应关系，将各个所述横断位血管的血管面积分别与对应的各个所述横断位血液目标的血液面积代入颈动脉狭窄程度计算公式，计算得到多个颈动脉狭窄程度；
输出模块，用于将所述多个颈动脉狭窄程度中的最大值输出作为所述颈部MRA影像的颈动脉狭窄程度。
第三方面，提供了一种颈动脉狭窄程度计算装置，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的颈动脉狭窄程度计算方法。
第四方面，提供了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，所述程序被处理器执行时实现如第一方面所述的颈动脉狭窄程度计算方法。
相较于现有技术，本发明实施例与现有技术相比存在的有益效果是：
1、通过自动地对颈部MRA影像进行多序列层间配准，大幅度降低了医生在MRA核磁共振影像上的阅片工作量，使得医生能够投入更深层次的诊断工作中；
2、通过将图像处理技术应用到颈动脉狭窄程度计算问题上，具有计算速度快且准确率高等优点，进而提升医生的诊断效率及准确率，降低误诊率和漏诊率。
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为本发明实施例提供的一种颈动脉狭窄程度计算方法的流程图；
图2为本发明实施例提供的颈动脉狭窄程度计算方法中的步骤S1的流程图；
图3为本发明实施例提供的颈动脉狭窄程度计算方法中的步骤S2的流程图；
图4为本发明实施例提供的横断位血管分割结果的示意图；
图5为本发明实施例提供的横断位动脉血管分割模型的训练过程的流程图；
图6为本发明实施例提供的横断位动脉血管分割网络的结构示意图；
图7为本发明实施例提供的颈动脉狭窄程度计算方法中的步骤S3的流程图；
图8为本发明实施例提供的横断位血液目标提取结果的示意图；
图9为本发明实施例提供的颈动脉狭窄程度计算方法中的步骤S4的流程图；
图10为本发明实施例提供的横断位血管与对应的横断位血液目标的示意图；
图11为本发明实施例提供的一种颈动脉狭窄程度计算装置的框图。
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。
除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
图1为本发明一实施例提供的颈动脉狭窄程度计算方法的流程图。如图1所示，该方法可以包括步骤：
S1、接收颈部MRA影像，并对颈部MRA影像中的第一序列和第二序列进行层间配准，以形成层间对应关系。
其中，颈部MRA影像是针对一患者的颈部进行核磁共振扫描所得到的成像序列，颈部MRA影像包含多种不同序列，具体包括T1W、T2W、TOF、MP-Rage等，第二序列为MRA影像中的TOF序列，第一序列为不同于TOF序列的序列，第一序列可以为颈部MRA影像中的T1W序列、T2W序列或其他序列。
由于MRA影像的不同序列具有不同层数的影像，为寻找到与第一序列相对应的第二序列，需要对第一序列与第二序列进行配准。对序列图像进行配准包括图像左右配准、层间配准，其中，图像层间配准的信息可以由MRA影像的DICOM文件中所记录的Z轴的信息标定，图像左右配准的信息可以由MRA影像的DICOM文件中所记录的X、Y轴的信息标定，而若第一序列与第二序列在左右方向偏差较小的话，可以不进行图像左右配准。
以第一序列为T1W序列进行举例说明，T1W序列一般有16层影像，而TOF序列一般有48层影像，通过对T1W序列与TOF序列进行层间配准，可以找到对应T1W序列图像的TOF序列图像，即：对于T1W序列的16层影像，在TOF序列中的48层影像中找到与之对应的16层影像。
本发明实施例中，通过对颈部MRA影像中的第一序列和作为第二序列的TOF序列进行层间配准，能够在TOF序列中的多个影像中寻找到与第一序列的各个影像分别相对应的影像。
在步骤S1之后，本发明实施例提供的方法还可以包括：
对配准好的第一序列的各个影像图像以及第二序列的各个影像图像分别进行图像预处理。
其中，图像预处理包括对比度增强处理及图像去噪声处理。
通过对各影像图像进行图像预处理，能够使得血管和背景的对比度更强，差异性更大，目标特征更加突出，便于后续更准确地提取血管以及血液目标。
S2、从配准好的第一序列的每层影像中分别提取横断位血管，并计算各个横断位血管的血管面积。
本实施例中，可以通过图像处理技术，从配准好的第一序列中的每一层影像图像中分别提取横断位血管，得到多个横断位血管，并对各个横断位血管分别计算对应的血管面积。
S3、从配准好的第二序列中提取多个横断位血液目标，并计算各个横断位血液目标的血液面积。
本实施例中，可以通过图像处理技术，从配准好的第二序列中的每一层影像图像中分别提取横断位血液目标，得到多个横断位血液目标，并对各个横断位血液目标分别计算对应的血液面积。
需要说明的是，本发明实施例对步骤S2与步骤S3的执行顺序不作具体限定，在实际应用中，同时执行步骤S2与步骤S3，为优选方案，以提高颈动脉狭窄程度的计算效率。
S4、根据层间对应关系，将各个横断位血管的血管面积分别与对应的各个横断位血液目标的血液面积代入颈动脉狭窄程度计算公式，计算得到多个颈动脉狭窄程度。
S5、将多个颈动脉狭窄程度中的最大值输出作为颈部MRA影像的颈动脉狭窄程度。
本实施例中，对多个颈动脉狭窄程度的值进行比较，确定多个颈动脉狭窄程度中的最大值，并将最大值输出作为颈部MRA影像的颈动脉狭窄程度，其中：
当最大值低于30％时，颈部MRA影像的颈动脉狭窄程度为轻度狭窄；
当最大值介于30％与70％之间时，颈部MRA影像的颈动脉狭窄程度为中度狭窄；
当最大值大于70％时，颈部MRA影像的颈动脉狭窄程度为重度狭窄。
本发明提供的颈动脉狭窄程度计算方法，首先接收颈部MRA影像，并对颈部MRA影像中的第一序列和第二序列进行配准；然后从配准好的所述第一序列的每层影像中分别提取横断位血管，并计算各个所述横断位血管的血管面积，以及从配准好的所述第二序列的每层影像中分别提取横断位血液目标，并计算各个所述横断位血液目标的血液面积；最后，根据层间对应关系，将各个所述横断位血管的血管面积分别与对应的各个所述横断位血液目标的血液面积代入颈动脉狭窄程度计算公式，计算得到多个颈动脉狭窄程度，并将多个颈动脉狭窄程度中的最大值输出作为颈部MRA影像的颈动脉狭窄程度，由此能够大幅度降低医生在MRA核磁共振影像上的阅片工作量，使得医生能够投入更深层次的诊断工作中；此外，通过将图像处理技术应用到颈动脉狭窄程度计算问题上，具有计算速度快且准确率高等优点，进而提升医生的诊断效率及准确率，降低误诊率和漏诊率。
为便于本领域技术人员更清楚本发明技术方案，下面对前述方法中各个步骤的具体实现进行详细的描述。
前述步骤S1中对颈部MRA影像中的第一序列和第二序列进行层间配准，以形成层间对应关系的具体实现可如图2所示，可以包括步骤：
S11、针对第一序列中的每层影像，分别从第二序列中查找与其在Z轴坐标上的差值为最小的TOF影像。
具体的，分别以第一序列的各层影像为参考，从第二序列中查找TOF影像，使得查找到的TOF影像的Z轴坐标与该层影像的Z轴坐标之间的差值最小。
本实施例中，层间配准的信息由MRA影像的DICOM中所记录Z轴标定，以第一序列为T1W序列进行说明，对于T1W序列的各层T1W影像，按照如下配准方法在TOF序列的各层TOF影像中进行配准：
P＝min(T1WZ1-TOFZ2)
其中，P记录T1WZ1与TOFZ2坐标的差值信息，配准时需要寻找到TOFZ2的信息，使得P值最小。
在配准过程中，固定T1WZ1的值，即固定T1W影像，寻找到与其对应的TOFZ2值，并由此找到对应的TOF影像，依次可以在TOF序列中查到对应的多个TOF影像。
S12、将查找到的多个TOF影像构成配准好的第二序列，并形成层间对应关系。
本实施例中，配准好的第二序列仅包含与第一序列的各层影像相对应的多个TOF影像。例如，对于T1W序列的16层影像，可以在TOF序列中的48层影像中找到与之对应的16层影像。
前述步骤S2中从配准好的第一序列的每层影像中分别提取出横断位血管，并计算各个横断位血管的血管面积的具体实现可如图3所示，包括：
S21、将配准好的第一序列的每层影像分别输入到预先训练好的横断位动脉血管分割模型进行预测，得到第一序列的每层影像的血管图像概率图。
S22、将每层影像的血管图像概率图分别输入到指示函数以得到多个输出结果图，并对多个输出结果图分别转化为二值图，以获取多个横断位血管。
其中，指示函数可以预先定义如下：
指示函数
本发明实施例对具体的指示函数不加以限定。
在使用指示函数得到多个输出结果图之后，可以将多个输出结果图中的数值分别与255相乘，形成最终仅包含数值0、255的多个二值图像，然后从每个二值图像中分别确定出横断位血管，以此可以得到多个横断位血管。
S23、提取出各个横断位血管的血管外边缘，并将各个血管外边缘对应勾画在第一序列的每层影像上。
具体的，可以采用边缘检测法提取出各个横断位血管的血管外边缘，并将各个血管外边缘对应勾画在第一序列的每层影像上进行示意。
本发明实施例对具体的边缘检测法不作具体限定。
可选地，所述步骤S23进一步还可以包括：
对多个横断位血管分别进行像素掩膜以形成多个掩膜图像；
将多个掩膜图像分别叠加在对应的第一序列的每层影像上，以用于调整每层影像上的各个横断位血管的血管外边缘。
在具体实施过程中，可以将横断位血管进行黄色掩膜处理，并将黄色掩膜叠加在对应的原始图像上，便于查看横断位血管，同时也便于在横断位血管分割有误时，进行人工调整横断位血管的血管外边缘。
S24、分别对第一序列的每层影像上的血管外边缘内的像素点数进行统计计算，得到各个横断位血管的血管面积。
具体的，本发明实施例对计算过程不作具体限定。
采用上述步骤S2的方式，可以得到图4所示的横断位血管分割结果的示意图。其中，图4中的a箭头所指的为从T1W序列的一个影像中上的一个横断位血管，通过对该横断位血管的外边缘内的像素点进行统计计算，得到该横断位血管的面积值为933.0。
其中，前述步骤S21中的横断位动脉血管分割模型的训练过程的具体实现可如图5所示，可以包括：
a、构建横断位血管数据集及对应的标注数据集。
具体的，构建原始数据集的过程可以包括：
获取DICOM文件中的原始MRA影像数据，其中，MRA影像采用Philips MedicalSystems进行拍摄，于本实施例中，MRA影像共计75例，其中男性65例，女性10例，年龄分布为51至84岁。对原始MRA影像数据结合窗宽、窗位数据将其转换为范围在[0,255]的灰度图像；采用限制对比度的自适应直方图均衡方法增强图像。处理后的图像大小为(512，512，1)，其中，(512，512，1)分别表示图像的长、宽、通道数。
其中，构建标注数据集的过程可以包括：
利用图像标注工具，将原始图像中血管的部分逐像素标注，保存为与原始图像大小一致的标注图像。
对于原始图像数据集、标注图像数据集中对应的图像进行同步的数据增广操作，得到扩充后的图像数据集与扩充后的标注数据集。其中，数据增广操作包括但不限于旋转、拉伸、平移、对比度变换的任意一项或多项组合。
本发明实施例中，通过对原始图像数据集、标注图像数据集中对应的图像进行同步的数据增广操作，从而扩充了标注图像的数量，进而提高后续模型训练效果。
b、构建横断位动脉血管分割网络。
其中，横断位动脉血管分割网络可分为特征提取阶段和图像重建阶段。
特征提取阶段包括：1个卷积层Conv layer、一个批标准化(BatchNormalization,BN)、1个流线性单元(rectified linear units，ReLU)层Relu layer、1个卷积层Conv layer、一个批标准化(Batch Normalization,BN)、1个流线性单元(rectifiedlinear units，ReLU)层Relu layer以及一个下采样/上采样块(Down-sampling/up-sampling block)。
图6示出了横断位动脉血管分割网络的结构示意图，如图6所示，对于输入(512，512，1)的MRA影像，先进行4次Down-sampling block的操作，直到输出的特征图A的尺寸为(32，32，512)，(32，32，512)分别表示特征图的长、宽、通道数。
对于上述特征图A再进行4次up-sampling block的操作，直到输出的特征图B的尺寸为(512，512，64)，(512，512，64)分别表示特征图的长、宽、通道数。
将上述特征图B进行两次卷积Conv(3，3，64)以及激活Relu的操作，以消除图像的混叠效应。最后再进行卷积Conv(1，1，1)以及激活Sigmoid操作，输出预测出的血管概率。其中，卷积中的三个数值分别表示卷积核的长、宽及输出通道数。
c、使用横断位血管数据集和标注数据集对横断位动脉血管分割网络进行训练，生成横断位动脉血管分割模型。
本实施例中，可以选用Binary Cross Entropy作为横断位动脉血管分割网络的损失函数，选用Adam作为优化器，记此网络为H_NET。
将步骤a中所得扩充后的图像数据集与标注数据集送入横断位动脉血管分割网络进行训练。利用反向传播法对于网络参数进行更新，当损失函数值小于特定阈值时停止训练。停止训练时，保存最优的网络参数及网络结构作为训练所得的横断位动脉血管分割模型。记此横断位动脉血管分割模型H_Model。
本发明实施例中，通过训练得到横断位血管分割模型，由此可以使用横断位血管分割模型H_Model对横断位血管进行快速、准确地预测。
前述步骤S3中从配准好的所述第二序列的每层影像中分别提取出横断位血液目标，并计算各个所述横断位血液目标的血液面积的具体实现可如图7所示，可以包括：
S31、采用阈值法从配准好的第二序列的每层影像中分别提取出初步的横断位血液目标。
本实施例中，作为第二序列的TOF序列可以采用亮血法，即血液在其中表现为高信号，但是由于各类因素影响，难免会出现错误的目标，因此可以先采用阈值法可以初步提取出感兴趣的血液目标。
在具体实施过程中，可以设置像素阈值为β，针对配准好的TOF序列中的各个TOF影像，当影像中的像素值小于该像素阈值时，令其为0(黑色)；当影像中的像素值大于该像素阈值时，令其为255(白色)。由此可以得到仅包含数值0、255的多个二值图像，从每个二值图像中分别确定出初步的横断位血液目标。
S32、对每层影像中的初步的横断位血液目标中错误横断位血液目标进行滤除，得到多个横断位血液目标。
因拍摄MRA器械的差异、病人间个体差异以及医师操作的不同，不同的患者统一组织的像素值范围可能有较大差异。如果采用统一阈值对其处理，容易产生较多误分的血液目标。为消除此类错误目标，采取一定的规则过滤错误的血液目标。
具体的过滤规则可以为：
去除目标左边界小于λL阈值的目标，去除上边界小于λT阈值的目标，去除右边界大于λR阈值的目标，去除下边界大于λB阈值的目标。
本发明实施例中，通过对多个初步的横断位血液目标中错误横断位血液目标进行滤除，能够滤除二值区域位置不符合的目标，由此实现了更准确地提取第二序列上的多个横断位血液目标的目的。
S33、提取出各个横断位血液目标的血液外边缘，并将各个血液外边缘对应勾画在第二序列的每层影像上。
其中，可以采用边缘检测法提取出各个横断位血液目标的血液外边缘，并将各个血液外边缘对应勾画在第二序列的每层影像上进行示意。
本发明实施例对具体的边缘检测法不作限定。
S34、对第二序列的每层影像上的血液外边缘内的像素点数进行统计计算，得到各个横断位血液目标的血液面积。
可选地，所述步骤S33进一步还可以包括：
对多个横断位血液目标分别进行像素掩膜以形成多个掩膜图像；
将多个掩膜图像分别叠加在对应的第二序列的每层影像上，以用于调整每层影像上的各个横断位血液目标的血液外边缘。
在具体实施过程中，可以将横断位血管进行蓝色掩膜处理，并将蓝色掩膜叠加在对应的原始图像上，便于查看横断位血液目标，同时也便于在横断位血液目标提取有误时，进行人工调整横断位血液目标的血液外边缘。
采用上述步骤S3的方式，可以得到图8所示的横断位血液目标提取结果的示意图。其中，图8中的b箭头所指的为从TOF序列的一个TOF影像中提取出的一个横断位血液目标，通过对该横断位血液目标的外边缘内的像素点进行统计计算，可以得到该横断位血液目标的面积值为423.0。
前述步骤S4中根据层间对应关系，将各个横断位血管的血管面积分别与对应的各个横断位血液目标的血液面积代入颈动脉狭窄程度计算公式，计算得到多个颈动脉狭窄程度的具体实现可如图9所示，可以包括：
S41、基于层间对应关系，将各个横断位血管分别与各个横断位血液目标进行位置对应。
本实施例中，由于第一序列与第二序列进行了层间配准，未进行左右配准，因而在横断位方向上可能会存在一定偏移，为了降低此类偏移对于血管匹配的影响，提高后续计算颈动脉狭窄程度的准确率，需要将第二序列的各个血管位置与第一序列的各个血管位置分别进行对应。
可以采用如下方法将各个横断位血管与各个横断位血液目标进行位置对应：
假设第一序列上的某个血管1的位置为(V1L,V1T,V1R,V1B)，则在第二序列上的对应血管1的血管位置应为：(V1L+ΔV,V1T+ΔV,V1R+ΔV,V1B+ΔV)。其中，V1L、V1T、V1R、V1B分别表示血管的左、上、右、下的坐标，ΔV表示位置偏移量。
S42、将各个横断位血管的血管面积分别与位置对应的各个横断位血液目标的血液面积代入颈动脉狭窄程度计算公式，计算得到多个颈动脉狭窄程度。
其中，颈动脉狭窄程度计算公式为：
其中，R为颈动脉狭窄程度，ε为血管壁厚度的调控因子，0<ε≤0.3，A1为在第一序列中的一个横断位血管的血管面积，ATOF为与该横断位血管相对应的TOF序列中的一个横断位血液目标的血液面积。
示例性的，以T1W序列作为第一序列进行说明，图10为本发明实施例提供的横断位血管与对应的横断位血液目标的示意图。如图10所示，共有三列图像，其中，第一列的四个图像为T1W序列的其中四个横断位血管，第二列的四个图像为TOF序列的其中四个横断位血液目标，第三列的四个图像是横断位血管与对应的横断位血液目标。将四个横断位血管的血管面积与对应的四个横断位血液目标的血液面积分别代入颈动脉狭窄程度计算公式，可以得到四个颈动脉狭窄程度。
本发明实施例中，通过根据各个所述横断位血管的血管面积、各个所述横断位血液目标的血液面积及颈动脉狭窄程度计算公式，计算颈动脉狭窄程度，能够快速准确地确定出颈动脉狭窄程度，同时也能够完整地反映斑块狭窄对于血流的影响，从而可以有效改善漏诊与误诊的情况发生，辅助医生提高诊断水平和诊断效率。
作为对前述实施例中的颈动脉狭窄程度计算方法的实现，本发明另一实施例还提供一种颈动脉狭窄程度计算装置，参照图11所示，该装置包括：
影像输入模块，用于接收颈部MRA影像；
序列配准模块，用于对颈部MRA影像中的第一序列和第二序列进行层间配准，以形成层间对应关系，其中，第二序列为TOF序列，第一序列为不同于TOF序列的序列；
第一提取模块，用于从配准好的第一序列的每层影像中分别提取出横断位血管；
第一计算模块，用于计算各个横断位血管的血管面积；
第二提取模块，用于从配准好的第二序列的每层影像中分别提取出横断位血液目标；
第二计算模块，用于计算各个横断位血液目标的血液面积；
第三计算模块，用于根据层间对应关系，将各个横断位血管的血管面积分别与对应的各个横断位血液目标的血液面积代入颈动脉狭窄程度计算公式，计算得到多个颈动脉狭窄程度；
输出模块，用于将多个颈动脉狭窄程度中的最大值输出作为颈部MRA影像的颈动脉狭窄程度。
本实施例提供的颈动脉狭窄程度计算装置，与本发明实施例所提供的颈动脉狭窄程度计算方法属于同一发明构思，可执行本发明任意实施例所提供的颈动脉狭窄程度计算方法，具备执行颈动脉狭窄程度计算方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例提供的颈动脉狭窄程度计算方法，此处不再加以赘述。
此外，本发明另一实施例还提供一种颈动脉狭窄程度计算装置，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述实施例所述的颈动脉狭窄程度计算方法。
此外，本发明另一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例所述的颈动脉狭窄程度计算方法。
本领域内的技术人员应明白，本发明实施例中的实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例中可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例中可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例中是参照根据本发明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。
尽管已描述了本发明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发明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。
Claims (11)
1.一种颈动脉狭窄程度计算方法，其特征在于，所述方法包括步骤：
S1、接收颈部MRA影像，并对所述颈部MRA影像中的第一序列和第二序列进行层间配准，以形成层间对应关系，其中，所述第二序列为TOF序列，所述第一序列为不同于所述TOF序列的序列；
S2、从配准好的所述第一序列的每层影像中分别提取出横断位血管，并计算各个所述横断位血管的血管面积；
S3、从配准好的所述第二序列的每层影像中分别提取出横断位血液目标，并计算各个所述横断位血液目标的血液面积；
S4、根据所述层间对应关系，将各个所述横断位血管的血管面积分别与对应的各个所述横断位血液目标的血液面积代入颈动脉狭窄程度计算公式，计算得到多个颈动脉狭窄程度；
S5、将所述多个颈动脉狭窄程度中的最大值输出作为所述颈部MRA影像的颈动脉狭窄程度。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1进一步包括：
S11、针对所述第一序列中的每层影像，分别从所述第二序列中查找与其在Z轴坐标上的差值为最小的TOF影像；
S12、将查找到的多个所述TOF影像构成配准好的所述第二序列，并形成所述层间对应关系。
3.根据权利要求1所述的方法，其特征在于，所述步骤S2进一步包括：
S21、将配准好的所述第一序列的每层影像分别输入到预先训练好的横断位动脉血管分割模型进行预测，得到所述第一序列的每层影像的血管图像概率图；
S22、将所述每层影像的血管图像概率图分别输入到指示函数以得到多个输出结果图，并对所述多个输出结果图分别转化为二值图，以获取多个所述横断位血管；
S23、提取出各个所述横断位血管的血管外边缘，并将各个所述血管外边缘对应勾画在所述第一序列的每层影像上；
S24、分别对所述第一序列的每层影像上的所述血管外边缘内的像素点数进行统计计算，得到各个所述横断位血管的血管面积。
4.根据权利要求3所述的方法，其特征在于，所述步骤S23进一步还包括：
对多个所述横断位血管分别进行像素掩膜以形成多个掩膜图像；
将多个所述掩膜图像分别叠加在对应的所述第一序列的每层影像上，以用于调整所述每层影像上的横断位血管的血管外边缘。
5.根据权利要求3所述的方法，其特征在于，所述横断位动脉血管分割模型的训练过程如下：
a、构建横断位血管数据集及对应的标注数据集；
b、构建横断位动脉血管分割网络；
c、使用所述横断位血管数据集和所述标注数据集对所述横断位动脉血管分割网络进行训练，生成所述横断位动脉血管分割模型。
6.根据权利要求1所述的方法，其特征在于，所述步骤S3进一步包括：
S31、采用阈值法从配准好的所述第二序列的每层影像中分别提取出初步的横断位血液目标；
S32、对所述每层影像中的所述初步的横断位血液目标中错误横断位血液目标进行滤除，得到多个所述横断位血液目标；
S33、提取出各个所述横断位血液目标的血液外边缘，并将各个所述血液外边缘对应勾画在所述第二序列的每层影像中的上；
S34、对所述第二序列的每层影像上的所述血液外边缘内的像素点数进行统计计算，得到各个所述横断位血液目标的血液面积。
7.根据权利要求1所述的方法，其特征在于，所述步骤S4进一步包括：
S41、基于所述层间对应关系，将各个所述横断位血管分别与各个所述横断位血液目标进行位置对应；
S42、将各个所述横断位血管的血管面积分别与位置对应的各个所述横断位血液目标的血液面积代入颈动脉狭窄程度计算公式，计算得到多个颈动脉狭窄程度。
8.根据权利要求1至7任一项所述的方法，其特征在于，所述颈动脉狭窄程度计算公式为：
其中，R为颈动脉狭窄程度，ε为血管壁厚度的调控因子，A1为在第一序列中的一个横断位血管的血管面积，ATOF为与该横断位血管相对应的TOF序列中的一个横断位血液目标的血液面积。
9.一种应用于如权利要求1至8任一项所述的颈动脉狭窄程度计算方法的计算装置，其特征在于，所述装置包括：
影像输入模块，用于接收颈部MRA影像；
序列配准模块，用于对所述颈部MRA影像中的第一序列和第二序列进行层间配准，以形成层间对应关系，其中，所述第二序列为TOF序列，所述第一序列为不同于所述TOF序列的序列；
第一提取模块，用于从配准好的所述第一序列的每层影像中分别提取出横断位血管；
第一计算模块，用于计算各个所述横断位血管的血管面积；
第二提取模块，用于从配准好的所述第二序列的每层影像中分别提取出横断位血液目标；
第二计算模块，用于计算各个所述横断位血液目标的血液面积；
第三计算模块，用于根据所述层间对应关系，将各个所述横断位血管的血管面积分别与对应的各个所述横断位血液目标的血液面积代入颈动脉狭窄程度计算公式，计算得到多个颈动脉狭窄程度；
输出模块，用于将所述多个颈动脉狭窄程度中的最大值输出作为所述颈部MRA影像的颈动脉狭窄程度。
10.一种颈动脉狭窄程度计算装置，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至8任一项所述的颈动脉狭窄程度计算方法。
11.一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，所述程序被处理器执行时实现如权利要求1至8任一项所述的颈动脉狭窄程度计算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811472202.0A CN109754388B (zh) | 2018-12-04 | 2018-12-04 | 一种颈动脉狭窄程度计算方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811472202.0A CN109754388B (zh) | 2018-12-04 | 2018-12-04 | 一种颈动脉狭窄程度计算方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109754388A true CN109754388A (zh) | 2019-05-14 |
| CN109754388B CN109754388B (zh) | 2021-03-16 |
Family
ID=66403650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811472202.0A Active CN109754388B (zh) | 2018-12-04 | 2018-12-04 | 一种颈动脉狭窄程度计算方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109754388B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298851A (zh) * | 2019-07-04 | 2019-10-01 | 北京字节跳动网络技术有限公司 | 人体分割神经网络的训练方法及设备 |
| CN110544260A (zh) * | 2019-08-22 | 2019-12-06 | 河海大学 | 融合自学习语义特征与设计特征的遥感影像目标提取方法 |
| CN111599004A (zh) * | 2020-05-18 | 2020-08-28 | 复旦大学附属中山医院 | 一种3d血管成像系统、方法及装置 |
| CN111667456A (zh) * | 2020-04-28 | 2020-09-15 | 北京理工大学 | 一种冠状动脉x光序列造影中血管狭窄检测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030160611A1 (en) * | 2002-02-25 | 2003-08-28 | Mitsuharu Miyoshi | MRI apparatus and MRA imaging method |
| US20100128952A1 (en) * | 2008-11-24 | 2010-05-27 | Peter Schmitt | Correction of artifacts in time-of-flight mr angiography |
| US20150043774A1 (en) * | 2013-08-09 | 2015-02-12 | Siemens Aktiengesellschaft | Automatic Planning For Medical Imaging |
| CN106204546A (zh) * | 2016-06-30 | 2016-12-07 | 上海联影医疗科技有限公司 | 静脉窦的分割方法 |
| CN108053433A (zh) * | 2017-11-28 | 2018-05-18 | 浙江工业大学 | 一种基于物理对齐和轮廓匹配的多模态颈动脉mri配准方法 |
-
2018
- 2018-12-04 CN CN201811472202.0A patent/CN109754388B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030160611A1 (en) * | 2002-02-25 | 2003-08-28 | Mitsuharu Miyoshi | MRI apparatus and MRA imaging method |
| US20100128952A1 (en) * | 2008-11-24 | 2010-05-27 | Peter Schmitt | Correction of artifacts in time-of-flight mr angiography |
| US20150043774A1 (en) * | 2013-08-09 | 2015-02-12 | Siemens Aktiengesellschaft | Automatic Planning For Medical Imaging |
| CN106204546A (zh) * | 2016-06-30 | 2016-12-07 | 上海联影医疗科技有限公司 | 静脉窦的分割方法 |
| CN108053433A (zh) * | 2017-11-28 | 2018-05-18 | 浙江工业大学 | 一种基于物理对齐和轮廓匹配的多模态颈动脉mri配准方法 |
Non-Patent Citations (2)
| Title |
|---|
| YANG FU 等: "Vessel Detection on Cerebral Angiograms Using Convolutional Neural Networks", 《ADVANCES IN VISUAL COMPUTING》 * |
| 魏俊: "高分辨率MRI在颅内动脉硬化狭窄的应用", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298851A (zh) * | 2019-07-04 | 2019-10-01 | 北京字节跳动网络技术有限公司 | 人体分割神经网络的训练方法及设备 |
| CN110544260A (zh) * | 2019-08-22 | 2019-12-06 | 河海大学 | 融合自学习语义特征与设计特征的遥感影像目标提取方法 |
| CN111667456A (zh) * | 2020-04-28 | 2020-09-15 | 北京理工大学 | 一种冠状动脉x光序列造影中血管狭窄检测方法及装置 |
| CN111667456B (zh) * | 2020-04-28 | 2023-11-14 | 北京理工大学 | 一种冠状动脉x光序列造影中血管狭窄检测方法及装置 |
| CN111599004A (zh) * | 2020-05-18 | 2020-08-28 | 复旦大学附属中山医院 | 一种3d血管成像系统、方法及装置 |
| CN111599004B (zh) * | 2020-05-18 | 2023-09-12 | 复旦大学附属中山医院 | 一种3d血管成像系统、方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109754388B (zh) | 2021-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
| CN109754388A (zh) | 一种颈动脉狭窄程度计算方法、装置及存储介质 | |
| Chen et al. | JAS-GAN: generative adversarial network based joint atrium and scar segmentations on unbalanced atrial targets | |
| CN107563983A (zh) | 图像处理方法以及医学成像设备 | |
| CN111681224A (zh) | 获取血管参数的方法和装置 | |
| CN111476793B (zh) | 动态增强磁共振成像处理方法、系统、存储介质、终端 | |
| KR20230059799A (ko) | 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델 | |
| CN115496771A (zh) | 一种基于脑部三维mri图像设计的脑肿瘤分割方法 | |
| CN110619635B (zh) | 基于深度学习的肝细胞癌磁共振图像分割系统和方法 | |
| Yang et al. | A deep learning segmentation approach in free‐breathing real‐time cardiac magnetic resonance imaging | |
| CN110163877A (zh) | 一种mri心室结构分割的方法与系统 | |
| CN111815663A (zh) | 一种基于Hessian矩阵和灰度法的肝血管分割系统 | |
| CN111784701A (zh) | 结合边界特征增强和多尺度信息的超声图像分割方法及系统 | |
| Dong et al. | Identifying carotid plaque composition in MRI with convolutional neural networks | |
| CN112991346A (zh) | 用于医学图像分析的学习网络的训练方法和训练系统 | |
| CN116309524A (zh) | 基于深度学习的心脏磁共振电影成像伪影抑制方法和系统 | |
| CN113724203B (zh) | 应用于oct图像中目标特征分割的模型训练方法及装置 | |
| Furuzuki et al. | A detection method for liver cancer region based on faster R-CNN | |
| CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
| Giannakidis et al. | Fast fully automatic segmentation of the severely abnormal human right ventricle from cardiovascular magnetic resonance images using a multi-scale 3D convolutional neural network | |
| EP1447772A1 (en) | A method of lung lobe segmentation and computer system | |
| US20240169544A1 (en) | Methods and systems for biomedical image segmentation based on a combination of arterial and portal image information | |
| Parikh et al. | Left Ventricle Segmentation using Bidirectional Convolution Dense Unet | |
| Sari et al. | Review of Brain MRI Image Segmentation Based on Deep Learning Method | |
| Liao et al. | Automatic detection of intracranial aneurysm from digital subtraction angiography with cascade networks |
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: 20240306 Address after: Room 1179, W Zone, 11th Floor, Building 1, No. 158 Shuanglian Road, Qingpu District, Shanghai, 201702 Patentee after: Shanghai Zhongan Information Technology Service Co.,Ltd. Country or region after: China Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Patentee before: ZHONGAN INFORMATION TECHNOLOGY SERVICE Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240415 Address after: Room 1179, W Zone, 11th Floor, Building 1, No. 158 Shuanglian Road, Qingpu District, Shanghai, 201702 Patentee after: Shanghai Zhongan Information Technology Service Co.,Ltd. Country or region after: China Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Patentee before: ZHONGAN INFORMATION TECHNOLOGY SERVICE Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |