CN109903297A - 基于分类模型的冠脉分割方法及系统 - Google Patents
基于分类模型的冠脉分割方法及系统 Download PDFInfo
- Publication number
- CN109903297A CN109903297A CN201910177265.1A CN201910177265A CN109903297A CN 109903297 A CN109903297 A CN 109903297A CN 201910177265 A CN201910177265 A CN 201910177265A CN 109903297 A CN109903297 A CN 109903297A
- Authority
- CN
- China
- Prior art keywords
- model
- repairing
- level
- result
- data
- 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
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于分类模型的冠脉分割方法,其包括:S1、获得初始分割结果;S2、人工修复初始分割结果,并收集修复数据;S3、对修复数据进行分类,获得不同类型的修复数据;S4、以不同类型的修复数据作为修复样本分别训练生成不同的修复模型;S5、将待分割数据输入初始分割模型,获得分割结果A,对分割结果A做异常识别,调用修复模型进行修复;S6、对S5不同修复模型的修复结果分别进行人工修复,收集对应的人工修复数据作为新增样本,分别对对应的修复模型进行增量训练,生成二级修复模型。本发明还公开了一种冠脉分割系统,本发明结合分类的修复模型对待分割数据进行分割,获得更精确的分割结果。
Description
技术领域
本发明涉及冠脉图像处理领域,具体涉及基于分类模型的冠脉分割方法。
背景技术
准确的冠脉分割结果可以有效提升医生的工作效率以节省时间,加快病人的确诊过程,进而缓解民众的就医压力。
神经网络用于进行图像处理,其效果是显著的。然而,现有用于冠脉图像处理的模型,普遍仍为单一模型,由于冠脉图像的复杂性,单一模型的分割结果可能仍然存在一些问题,使得其结果常不能直接应用于临床。具体地说,单一模型在自动分割冠脉时,由于其模型的局限性以及病灶等影响,经常容易发生断裂或静脉噪音等缺陷,在应用于临床时,需要进行人工修复。
因此,现有基于神经网络的分割模型也只能在一定程度上降低图像后处理的难度并提升效率,其精确度有限,同时尚无法完全实现自动分割。
发明内容
本发明的目的在于提供一种基于分类模型的冠脉分割方法及系统。
为实现上述目的,本发明采用以下技术方案:
基于分类模型的冠脉分割方法,包括:
S1、将基础样本输入已训练完毕的初始分割模型进行冠脉分割,获得初始分割结果;
S2、人工对初始分割结果进行修复,并收集修复数据;
S3、对修复数据进行分类,获得不同类型的修复数据;
S4、以不同类型的修复数据作为修复样本分别训练生成不同的一级修复模型;
S5、将待分割数据输入初始分割模型,获得分割结果A,对分割结果A做异常识别,并根据识别结果调用对应的一级修复模型进行修复。
进一步地,S2具体为:
S21、将初始分割结果显示给技师进行VR渲染或原图上叠加结果;
S22、技师根据VR渲染结果或原图叠加结果对初始分割结果进行数据添加或数据删除;
S23、计算机记录人工修复的数据。
进一步地,S3中:计算机根据人工修复的输入进行类型判断,当输入为数据添加时,将其归类为断裂遗漏修复数据,当输入为数据删除时,将其归类为静脉噪声修复数据;
S4中:以断裂遗漏修复数据对应的修复样本,训练断裂遗漏一级修复模型;以静脉噪声修复数据为对应的样本,训练静脉噪声一级修复模型。
进一步地,S4中,当样本数达到设定阈值时,对训练完成的模型进行固定。
进一步地,S5具体为:对分割结果A的命名结果进行识别,若出现无命名分支,则调用静脉噪声一级修复模型进行修复;若出现短命名分支,则调用断裂遗漏一级修复模型进行修复。
进一步,还包括步骤S6;
S6、将S5不同一级修复模型的修复结果再次进行异常识别,对于异常的修复结果再次进行人工修复,收集对应的人工修复数据分类作为新增样本,分别训练断裂遗漏二级修复模型及静脉噪声二级修复模型。
本发明还公开了一种冠脉分割系统,包括:
初始分割模型,所述初始分割模型用于获得冠脉影像的初始分割结果;
断裂遗漏一级修复模型,其基于由初始分割结果修复产生的断裂遗漏修复样本训练而成;
静脉噪声一级修复模型,其基于由初始分割结果修复产生的静脉噪声修复样本训练而成;
异常识别模块,其对所述初始分割结果的分割结果进行异常识别,以调用所述断裂遗漏一级修复模型或所述静脉噪声一级修复模型进行异常修复。
进一步地,还包括:
断裂遗漏二级修复模型,其基于由一级修复模型修复结果的再次修复产生的断裂遗漏修复样本训练而成;
静脉噪声二级修复模型,其基于由二级修复模型修复结果的再次修复产生的静脉噪声修复样本训练而成;
此时,待分割数据依次经初始分割模型分割及一级修复模型修复后,其结果再次输入异常识别模块,若结果无异常则直接输出;若结果异常,则输入对应的二级修复模型再次修复后输出。
采用上述技术方案后,本发明与背景技术相比,具有如下优点:
1、断裂与静脉噪音是常见的缺陷,本发明对人工修复数据进行收集并分类,形成对应的样本,分别进行训练,获得对应的修复模型,再利用初始分割模型及对应的修复模型对待分割数据进行分割,获得更有针对性、更精确的分割结果。
2、本发明在进行修复模型的训练时,先基于一定样本数的样本进行训练,获得修复模型,对S5不同修复模型的修复结果再次进行人工修复,收集对应的人工修复数据作为新增样本,训练二级修复模型,这样随着后续样本数的增加,都会让精度随着人工的接入而不断提高,同时,人工参与的程度变得越来越少。
附图说明
图1为本发明一级修复模型训练流程图。
图2为本发明二级修复模型更新流程图。
图3为本发明冠脉分割系统组成示意图1。
图4为本发明冠脉分割系统组成示意图2。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
请参考图1所示,本发明公开了一种基于分类模型的冠脉分割方法。
其包括:
S1、将样本数据输入已训练完毕的初始分割模型进行冠脉分割,获得初始分割结果;
S2、人工对初始分割结果进行修复,并收集修复数据;
S3、对修复数据进行分类,获得不同类型的修复数据;
S4、以不同类型的修复数据作为样本分别训练生成不同的一级修复模型;
S5、将待分割数据输入初始分割模型,获得分割结果A,对分割结果A做异常识别,并根据识别结果调用对应的一级修复模型进行修复。
其中,S1可采用现有技术中的单一预测模型作为初始分割模型以进行分割。
S2具体为:
S21、将初始分割结果显示给技师以进行VR渲染或原图上叠加结果;
S22、技师根据VR渲染结果或原图叠加结果对初始分割结果进行数据添加或数据删除;
S23、计算机记录人工修复的数据。
S3中:计算机根据人工修复的输入进行类型判断,当输入为数据添加时,此时可以将其归类为断裂遗漏修复数据,当输入为数据删除时,此时可以将其归类为静脉噪声修复数据;
S4中:以断裂遗漏修复数据为样本,训练断裂遗漏一级修复模型;以静脉噪声修复数据为样本,训练静脉噪声一级修复模型。
S4中,当样本数达到设定阈值时(本实施例为1000例),对训练完成的模型进行固定,获得一级修复模型。
进一步地,
S5具体为:对分割结果A的命名结果进行识别,若出现无命名分支,则调用静脉噪声修复模型进行修复;若出现短命名分支,则调用断裂遗漏修复模型进行修复。
冠脉分割结果的命名基于SCCT标准,对冠脉分3大支、18段。其具体命名策略属于现有技术,在此不做赘述,此处只对计算机自动命名时碰到的异常命名的处理机制做说明:对于不符合3大支18段走向的分支,标记为“无命名分支”;对于命名分支符合3大支18段走向,但比经验分支长度过短的,标记为“短命名分支”。
修复模型经过足量的样本训练,其模型已经得到相当好的提升,断裂与静脉噪音的缺陷大幅降低,但还是有偶发缺陷发生,因此,本发明还包括后续步骤S6,具体可参考图2所示。
S6、将S5不同一级修复模型的修复结果再次进行异常识别,对于异常的修复结果再次进行人工修复,收集对应的人工修复数据分类作为新增样本,分别训练断裂遗漏二级修复模型及静脉噪声二级修复模型。
二级修复模型是个持续训练的过程,如此,随着后续样本数的增加,都会让精度随着人工的接入而不断提高,同时,人工参与的程度变得越来越少。
实施例2
如图3所示,本发明还公开了一种冠脉分割系统,包括:
初始分割模型,所述初始分割模型用于获得冠脉影像的初始分割结果;
人机交互模块,用于对待修复数据进行修复并收集修复数据;
修复数据分类模块用于对修复数据进行分类;
断裂遗漏一级修复模型,其基于由初始分割结果修复产生的断裂遗漏修复样本训练而成;
静脉噪声一级修复模型,其基于由初始分割结果修复产生的静脉噪声修复样本训练而成;
异常识别模块,其对所述初始分割结果的分割结果进行异常识别,以调用所述断裂遗漏一级修复模型或所述静脉噪声一级修复模型进行异常修复。
更优选地,如图4所示,冠脉分割系统还包括:
断裂遗漏二级修复模型,其基于由一级修复模型修复结果的再次修复产生的断裂遗漏修复样本训练而成;
静脉噪声二级修复模型,其基于由二级修复模型修复结果的再次修复产生的静脉噪声修复样本训练而成;
此时,待分割数据依次经初始分割模型分割及一级修复模型修复后,其结果再次输入异常识别模块,若结果无异常则直接输出;若结果异常,则输入对应的二级修复模型再次修复后输出。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.基于分类模型的冠脉分割方法,其特征在于,包括:
S1、将基础样本输入已训练完毕的初始分割模型进行冠脉分割,获得初始分割结果;
S2、人工对初始分割结果进行修复,并收集修复数据;
S3、对修复数据进行分类,获得不同类型的修复数据;
S4、以不同类型的修复数据作为修复样本分别训练生成不同的一级修复模型;
S5、将待分割数据输入初始分割模型,获得分割结果A,对分割结果A做异常识别,并根据识别结果调用对应的一级修复模型进行修复。
2.如权利要求1所述的基于分类模型的冠脉分割方法,其特征在于:
S2具体为:
S21、将初始分割结果显示给技师进行VR渲染或原图上叠加结果;
S22、技师根据VR渲染结果或原图叠加结果对初始分割结果进行数据添加或数据删除;
S23、计算机记录人工修复的数据。
3.如权利要求2所述的基于分类模型的冠脉分割方法,其特征在于:
S3中:计算机根据人工修复的输入进行类型判断,当输入为数据添加时,将其归类为断裂遗漏修复数据,当输入为数据删除时,将其归类为静脉噪声修复数据;
S4中:以断裂遗漏修复数据对应的修复样本,训练断裂遗漏一级修复模型;以静脉噪声修复数据为对应的样本,训练静脉噪声一级修复模型。
4.如权利要求3所述的基于分类模型的冠脉分割方法,其特征在于:
S4中,当样本数达到设定阈值时,对训练完成的模型进行固定。
5.如权利要求4所述的基于分类模型的冠脉分割方法,其特征在于:
S5具体为:对分割结果A的命名结果进行识别,若出现无命名分支,则调用静脉噪声一级修复模型进行修复;若出现短命名分支,则调用断裂遗漏一级修复模型进行修复。
6.如权利要求4所述的基于分类模型的冠脉分割方法,其特征在于:还包括步骤S6;
S6、将S5不同一级修复模型的修复结果再次进行异常识别,对于异常的修复结果再次进行人工修复,收集对应的人工修复数据分类作为新增样本,分别训练断裂遗漏二级修复模型及静脉噪声二级修复模型。
7.冠脉分割系统,其特征在于,包括:
初始分割模型,所述初始分割模型用于获得冠脉影像的初始分割结果;
断裂遗漏一级修复模型,其基于由初始分割结果修复产生的断裂遗漏修复样本训练而成;
静脉噪声一级修复模型,其基于由初始分割结果修复产生的静脉噪声修复样本训练而成;
异常识别模块,其对所述初始分割结果的分割结果进行异常识别,以调用所述断裂遗漏一级修复模型或所述静脉噪声一级修复模型进行异常修复。
8.如权利要求7所述的冠脉分割系统,其特征在于,还包括:
断裂遗漏二级修复模型,其基于由一级修复模型修复结果的再次修复产生的断裂遗漏修复样本训练而成;
静脉噪声二级修复模型,其基于由二级修复模型修复结果的再次修复产生的静脉噪声修复样本训练而成;
此时,待分割数据依次经初始分割模型分割及一级修复模型修复后,其结果再次输入异常识别模块,若结果无异常则直接输出;若结果异常,则输入对应的二级修复模型再次修复后输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910177265.1A CN109903297B (zh) | 2019-03-08 | 2019-03-08 | 基于分类模型的冠脉分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910177265.1A CN109903297B (zh) | 2019-03-08 | 2019-03-08 | 基于分类模型的冠脉分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109903297A true CN109903297A (zh) | 2019-06-18 |
CN109903297B CN109903297B (zh) | 2020-12-29 |
Family
ID=66946684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910177265.1A Active CN109903297B (zh) | 2019-03-08 | 2019-03-08 | 基于分类模型的冠脉分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109903297B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325739A (zh) * | 2020-02-28 | 2020-06-23 | 北京推想科技有限公司 | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 |
CN111754522A (zh) * | 2020-06-19 | 2020-10-09 | 上海杏脉信息科技有限公司 | 冠状动脉血流动力学数据的获取方法及装置 |
CN111862045A (zh) * | 2020-07-21 | 2020-10-30 | 上海杏脉信息科技有限公司 | 血管模型的生成方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680487A (zh) * | 2015-01-21 | 2015-06-03 | 浙江大学 | 基于低秩矩阵恢复的非局部图像修复方法 |
CN105139007A (zh) * | 2015-09-30 | 2015-12-09 | 小米科技有限责任公司 | 人脸特征点定位方法和装置 |
US20160035088A1 (en) * | 2013-03-15 | 2016-02-04 | University Of Iowa Research Foundation | Automated separation of binary overlapping trees |
CN108095683A (zh) * | 2016-11-11 | 2018-06-01 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的处理眼底图像的方法和装置 |
CN109345546A (zh) * | 2018-09-30 | 2019-02-15 | 数坤(北京)网络科技有限公司 | 一种冠脉体数据模型分割方法及设备 |
CN109411080A (zh) * | 2018-09-18 | 2019-03-01 | 北京大学 | 一种基于超声数据的人机协同结节风险评级系统 |
CN109409181A (zh) * | 2018-07-04 | 2019-03-01 | 华南理工大学 | 一种用于低质量指静脉图像的手指上下边缘独立检测方法 |
-
2019
- 2019-03-08 CN CN201910177265.1A patent/CN109903297B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160035088A1 (en) * | 2013-03-15 | 2016-02-04 | University Of Iowa Research Foundation | Automated separation of binary overlapping trees |
CN104680487A (zh) * | 2015-01-21 | 2015-06-03 | 浙江大学 | 基于低秩矩阵恢复的非局部图像修复方法 |
CN105139007A (zh) * | 2015-09-30 | 2015-12-09 | 小米科技有限责任公司 | 人脸特征点定位方法和装置 |
CN108095683A (zh) * | 2016-11-11 | 2018-06-01 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的处理眼底图像的方法和装置 |
CN109409181A (zh) * | 2018-07-04 | 2019-03-01 | 华南理工大学 | 一种用于低质量指静脉图像的手指上下边缘独立检测方法 |
CN109411080A (zh) * | 2018-09-18 | 2019-03-01 | 北京大学 | 一种基于超声数据的人机协同结节风险评级系统 |
CN109345546A (zh) * | 2018-09-30 | 2019-02-15 | 数坤(北京)网络科技有限公司 | 一种冠脉体数据模型分割方法及设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325739A (zh) * | 2020-02-28 | 2020-06-23 | 北京推想科技有限公司 | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 |
CN111754522A (zh) * | 2020-06-19 | 2020-10-09 | 上海杏脉信息科技有限公司 | 冠状动脉血流动力学数据的获取方法及装置 |
CN111754522B (zh) * | 2020-06-19 | 2021-08-03 | 上海杏脉信息科技有限公司 | 冠状动脉血流动力学数据的获取方法及装置 |
CN111862045A (zh) * | 2020-07-21 | 2020-10-30 | 上海杏脉信息科技有限公司 | 血管模型的生成方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109903297B (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109903297A (zh) | 基于分类模型的冠脉分割方法及系统 | |
CN109191457B (zh) | 一种病理图像质量有效性识别方法 | |
Thota et al. | Improving the accuracy of diabetic retinopathy severity classification with transfer learning | |
Reza et al. | A decision support system for automatic screening of non-proliferative diabetic retinopathy | |
CN110348345B (zh) | 一种基于动作连贯性的弱监督时序动作定位方法 | |
CN110942447B (zh) | Oct图像分割方法、装置、设备及存储介质 | |
CN111553436A (zh) | 训练数据生成方法、模型训练方法及设备 | |
CN111667474A (zh) | 骨折识别方法、装置、设备和计算机可读存储介质 | |
Sridhar et al. | Detection and prognosis evaluation of diabetic retinopathy using ensemble deep convolutional neural networks | |
CN113628159A (zh) | 一种基于深度学习网络全自动训练方法、装置及存储介质 | |
Phridviraj et al. | A bi-directional Long Short-Term Memory-based Diabetic Retinopathy detection model using retinal fundus images | |
TW202006608A (zh) | 遞迴性深度學習系統的訓練方法與檢測系統 | |
Appiahene et al. | Application of ensemble models approach in anemia detection using images of the palpable palm | |
US6941288B2 (en) | Online learning method in a decision system | |
CN112419332A (zh) | 一种面向厚层mri影像的头骨剥离方法及装置 | |
CN116484916A (zh) | 一种鸡只健康状态检测方法及其检测模型的搭建方法 | |
Vinuja et al. | Performance analysis of diabetic retinopathy classification using cnn | |
US20230386504A1 (en) | System and method for pathological voice recognition and computer-readable storage medium | |
Gupta et al. | Towards an AI-based objective prognostic model for quantifying wound healing | |
CN116071373A (zh) | 一种基于融合PCA的U-net模型舌体自动分割方法 | |
KR102304609B1 (ko) | 조직 검체 이미지 정제 방법, 및 이를 수행하는 컴퓨팅 시스템 | |
CN114743693A (zh) | 基于医患对话的诊中质控方法以及诊中质控装置 | |
CN112529002B (zh) | 舌体图片分类方法、装置、计算机设备及存储介质 | |
CN114120035A (zh) | 一种医学影像识别训练方法 | |
CN114882218A (zh) | 一种基于嵌入残差卷积和注意力模块的u型糖尿病视网膜渗出物分割算法 |
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 | ||
CP03 | Change of name, title or address |
Address after: 100120 rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing Patentee after: Shukun (Beijing) Network Technology Co.,Ltd. Address before: 100102 No. 501 No. 12, 5th floor, No. 6, Wangjing Dongyuan District 4, Chaoyang District, Beijing Patentee before: SHUKUN (BEIJING) NETWORK TECHNOLOGY Co.,Ltd. |
|
CP03 | Change of name, title or address |