CN110060263B - 医学图像的分割方法、分割装置、分割系统及计算机可读介质 - Google Patents

医学图像的分割方法、分割装置、分割系统及计算机可读介质 Download PDF

Info

Publication number
CN110060263B
CN110060263B CN201910331967.0A CN201910331967A CN110060263B CN 110060263 B CN110060263 B CN 110060263B CN 201910331967 A CN201910331967 A CN 201910331967A CN 110060263 B CN110060263 B CN 110060263B
Authority
CN
China
Prior art keywords
medical image
image
segmentation
tree
positions
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.)
Active
Application number
CN201910331967.0A
Other languages
English (en)
Other versions
CN110060263A (zh
Inventor
王昕�
尹游兵
白军杰
陆易
宋麒
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.)
Shenzhen Keya Medical Technology Corp
Original Assignee
Shenzhen Keya Medical Technology Corp
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
Application filed by Shenzhen Keya Medical Technology Corp filed Critical Shenzhen Keya Medical Technology Corp
Priority to CN202011055196.6A priority Critical patent/CN112070776A/zh
Publication of CN110060263A publication Critical patent/CN110060263A/zh
Application granted granted Critical
Publication of CN110060263B publication Critical patent/CN110060263B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N20/00—Machine learning
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • 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
    • 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
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/10132—Ultrasound image
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种医学图像的分割方法、分割装置、分割系统及计算机可读介质。医学图像中包含血管树，分割方法包括：获取医学图像及血管树的中心线；由处理器，从医学图像在沿着中心线的多个位置提取图像块，以得到图像块集合；由所述处理器，基于所得到的图像块集合，利用训练好的学习网络对所述医学图像进行分割。学习网络基于与多个位置一一对应的多个全卷积神经网络以及节点与多个位置一一对应的至少一层树结构递归神经网络依序连接而成，每个节点由卷积递归神经网络构成，节点间的信息传播方式与所述多个位置的空间约束关系相符。本公开的医学图像的分割方法、分割装置、分割系统及计算机可读介质能够在医学图像中准确迅速且同步地分割出血管树。

Description

医学图像的分割方法、分割装置、分割系统及计算机可读介质
交叉引用
本申请要求于2018年4月24日提交的申请号为62/662,212的美国临时申请的优先权，其全部内容通过引用结合于此。
技术领域
本公开大体涉及图像处理和分析。更具体地，本公开涉及医学图像的分割方法、分割装置、分割系统以及其上储存有计算机程序的非暂时性的计算机可读介质。
背景技术
在医学图像分析中，重要的问题是对2D或3D图像进行分割以识别出2D或3D目标，例如，在CT和MRI图像中识别诸如冠脉血管树，在视网膜图像中分割出血管等。通常在临床实践中，血管是由专家或医师在图像上手动分割的，这耗时且劳动强度大，并且分割结果可能是主观的。因此，引入了自动化计算机辅助的分割来提供更可靠和一致的血管分割。
目前，计算机辅助的传统分割方法不能适应不同模态和部位的血管分割需求，也不能受益于临床分割数据。虽然引入了机器学习方法，但是通常将2D图像块作为输入，将单个卷积神经网络应用于各个2D图像块来提取局部特征，并利用监督决定融合来分析整幅图像，也就是说，各个图像块是被独立处理的，而没有考虑到图像块与其相邻图像块之间的互相影响。即便有些分割方法考虑到了在单个路径上相邻图像块之间的互相影响，血管树通常包括多个分支而非单个路径，这些分割方法依然不能准确地分割出血管树。
提出本公开以解决以上问题。
发明内容
本公开意图提供一种医学图像的分割方法、分割装置、分割系统及计算机可读介质，其能够在医学图像中准确迅速且同步地分割出血管树。
根据本公开的第一方面，提供一种医学图像的分割方法，所述医学图像中包含血管树，所述医学图像的分割方法包括：获取所述医学图像及所述血管树的中心线；由处理器，从所述医学图像在沿着所述血管树的中心线的多个位置提取图像块，以得到图像块集合；由所述处理器，基于所得到的图像块集合，利用训练好的学习网络对所述医学图像进行分割，其中，所述学习网络基于与所述多个位置一一对应的多个全卷积神经网络以及节点与所述多个位置一一对应的至少一层树结构递归神经网络依序连接而成，每个节点由卷积递归神经网络构成，且节点间的信息传播方式与所述多个位置的空间约束关系相符。
在一些实施例中，基于所得到的图像块集合，利用训练好的学习网络对所述医学图像进行分割包括：基于所得到的图像块集合，利用训练好的学习网络确定所述多个位置的分割蒙版集合；基于获得的分割蒙版集合得到所述医学图像的分割结果。
在一些实施例中，所述图像分割方法还包括：由人工对所述医学图像进行初步分割，并提取中心线；或者先由所述处理器对所述医学图像进行初步分割并提取中心线，然后由人工进行核查修正。
在一些实施例中，所述图像分割方法还包括：提取所述血管树的中心线的分支和分支中的分叉点，其中，所述多个位置至少包括分叉点和各个分支中除了分叉点以外的至少一个点。
在一些实施例中，所述图像块为2D图像块，所述学习网络为2D学习网络。
在一些实施例中，所述学习网络为3D学习网络，并且在接收2D医学图像的情况下，所述图像分割方法还包括：基于所接收的2D医学图像，重建3D医学图像；所提取的中心线是3D中心线，所述图像块为从所述3D医学图像沿着3D中心线提取的多个位置的3D图像块。
在一些实施例中，所述卷积递归神经网络为卷积长短期记忆网络或卷积门控递归单元。
在一些实施例中，所述血管树的路径中两个相邻位置所对应的每对节点间的信息传播方式为双向信息传播。
在一些实施例中，至少一层树结构递归神经网络包括至少二层树结构神经网络，相邻层中与所述多个位置中相同位置对应的两个节点彼此连接。
在一些实施例中，所述全卷积神经网络基于3×3卷积核的数个卷积层、2×2的数个池化层以及数个上采样层的堆叠而构成，或者基于3×3×3卷积核的数个卷积层、2×2×2的数个池化层以及数个上采样层的堆叠而构成。
根据本公开的第二方面，提供一种医学图像的分割装置，所述医学图像包含血管树，所述医学图像的分割装置包括：接口，其配置为接收待分割的医学图像；处理器，其配置为：从所述医学图像在沿着所述血管树的中心线的多个位置提取图像块，以得到图像块集合；基于所得到的图像块集合，利用训练好的学习网络对所述医学图像进行分割；所述学习网络基于与所述多个位置一一对应的多个全卷积神经网络以及节点与所述多个位置一一对应的至少一层树结构递归神经网络依序连接而成，每个节点由卷积递归神经网络构成，且节点间的信息传播方式与所述多个位置的空间约束关系相符，并且所述中心线采用人工提取、自动提取和半自动提取中的一种方式来提取，所述自动提取由所述处理器执行，或者不由所述处理器执行而经由所述接口将提取的中心线传输到所述图像分割装置。
在一些实施例中，基于所得到的图像块集合，利用训练好的学习网络对所述医学图像进行分割包括：基于所得到的图像块集合，利用训练好的学习网络确定所述多个位置的分割蒙版集合；基于获得的分割蒙版集合得到所述医学图像的分割结果。
根据本公开的第三方面，提供一种医学图像的分割系统，所述医学图像包含血管树，所述医学图像的分割系统包括：接口，其配置为接收待分割的医学图像；初步分割单元，其配置用于对所接收的医学图像进行初步分割，并提取所述血管树的中心线；图像块提取单元，其配置为从所述医学图像在沿着所述血管树的中心线的多个位置提取图像块，以得到图像块集合；学习网络构建单元，其配置为：构建与所述多个位置一一对应的多个全卷积神经网络；利用卷积递归神经网络作为节点，以各个节点与所述多个位置一一对应的方式来构建至少一层树结构递归神经网络，使得节点间的信息传播方式与所述多个位置的空间约束关系相符；将各个全卷积神经网络与第一层树结构递归神经网络中对应于相同位置的节点连接，以构建所述学习网络；训练单元，其配置为：利用所述多个位置处的图像块集合及其人工标注的地面真值分割蒙版集合作为训练样本，对所述学习网络进行训练；细化分割单元，其配置为：基于所得到的图像块集合，利用训练好的所述学习网络实现所述医学图像的细化分割。
在一些实施例中，所述训练单元被配置为：对所述学习网络中的所述多个全卷积神经网络和所述至少一层树结构递归神经网络进行联合训练。
在一些实施例中，所接收的医学图像是一系列的2D医学图像，所述初步分割单元还包括：2D初步分割单元，其配置用于对所接收的一系列的2D医学图像进行中心线的2D初步分割；3D重建单元，其配置为：基于所述一系列的2D图像、由2D初步分割得到的血管树的中心线，重建所述血管树的3D中心线和3D图像。
根据本公开的第四方面，提供了一种其上储存有计算机程序的非暂时性的计算机可读介质，其中，所述计算机程序由至少一个处理器执行时，实现如下步骤：获取包含血管树的医学图像及所述血管树的中心线；从所述医学图像在沿着所述血管树的中心线的多个位置提取图像块，以得到图像块集合；基于所得到的图像块集合，利用训练好的学习网络对所述医学图像进行分割，其中，所述学习网络基于与所述多个位置一一对应的多个全卷积神经网络以及节点与所述多个位置一一对应的至少一层树结构递归神经网络依序连接而成，每个节点由卷积递归神经网络构成，且节点间的信息传播方式与所述多个位置的空间约束关系相符。
根据本公开各个实施例的医学图像的分割方法、分割装置、分割系统及计算机可读介质，能够在医学图像中准确迅速且同步地分割出血管树。
应当理解，前面的大体描述以及后续的详细描述只是例示性的和说明性的，并非对所要求保护的本发明的限制。
附图说明
在未必按照比例绘制的附图中，不同视图中相似的附图标记可以表示相似的构件。具有字母后缀的相似附图标记或具有不同字母后缀的相似附图标记可以表示相似构件的不同实例。附图通常作为示例而非限制地图示各种实施例，并且与说明书和权利要求书一起用于解释所公开的实施例。
图1示出根据本公开实施例的医学图像的分割方法的流程图；
图2示出根据本公开实施例的学习网络的结构示意图；
图3示出根据本公开实施例的学习网络中的树结构CRNN的第一示例的示意图；
图4示出根据本公开实施例的学习网络中的树结构CRNN的第二示例的示意图；
图5示出根据本公开实施例的学习网络中的用于各个位置的全卷积神经网络的结构示意图；
图6示出根据本公开实施例的医学图像的分割系统的示意性图示；以及
图7示出根据本公开实施例的医学图像的分割装置的框图。
具体实施方式
图1示出根据本公开实施例的医学图像的分割方法的分割流程100，其中，所述医学图像中包含血管树。注意，在本文中，术语“血管树”表示各种构型的血管树，例如但不限于单支血管、多分支血管、单路径血管、多路径血管等；“医学图像中包含血管树”表示该医学图像中至少部分(区域)属于血管树；术语“路径”表示血管树中拓扑连通的通路。如图1所示，该分割流程100可以始于获取所述医学图像及所述血管树的中心线。在一些实施例中，所述医学图像可以从图像采集装置或者医学图像数据库获取，所述血管树的中心线可以采用多种方式来获取。
例如，可以由执行分割流程100的当前处理器对所述医学图像进行自动化的初步分割，并据此提取中心线。该初步分割与本公开的各个实施例所实现的细化分割相比，分割精度可以较低，而且可以通过执行各种医学图像处理软件中现有的分割软件包(例如基于VMTK血管建模工具包二次开发的、或者独立开发的那些分割软件包)的可执行指令来实现。
又例如，当前处理器可以直接接收已经分割好的中心线，诸如接收已经由人工初步分割出中心线的医学图像。此处虽然引入了人工，但工作仅限于初步分割出(例如勾画)中心线，相较由人工完成全部分割工作的现有技术来说，显著减少了专家或医师的工作量和难度。
再例如，也可以由当前处理器先对医学图像进行初步分割并提取中心线，然后在显示器上呈现给专家或医师，由其进行核查修正，从而进一步减少了专家或医师的工作量。
接着，在步骤102，由所述处理器从所述医学图像在沿着所述血管树的中心线的多个位置提取图像块，以得到图像块集合。分割流程100随后推进到步骤103，由所述处理器，基于所得到的图像块集合，利用训练好的学习网络对所述医学图像进行分割。其中，所述学习网络基于与所述多个位置一一对应的多个全卷积神经网络(FCN)以及节点与所述多个位置一一对应的至少一层树结构递归神经网络(RNN)依序连接而成，每个节点由卷积递归神经网络(CRNN)构成，且节点间的信息传播方式与所述多个位置的空间约束关系相符。在本文中，节点由CRNN构成的树结构递归神经网络也称为树结构CRNN。
图2示出根据本公开实施例的学习网络的结构示意图。如图2所示，从医学图像在沿着血管树的中心线的T(T为自然数)个位置提取图像块，在各个位置t(t取1到T的自然数)处的图像块可以表示为xt，与所述多个位置一一对应地设置T个FCN，一层或多层的树结构CRNN可以构造为具有与所述T个位置一一对应的节点，每个节点由CRNN构成，且节点间的信息传播方式与所述T个位置的空间约束关系相符。所述学习网络可以通过将各个FCN连接到树结构CRNN的相应节点来实现。注意，在一些实施例中，除了图2中所示的FCN和树结构CRNN以外，还可以根据需求添加Relu激活层，以防止梯度弥散、促进学习网络的稀疏性且加快计算速度；也可以根据需求添加其他常用层，在此不赘述。
在一些实施例中，单层的树结构CRNN可以如图3所示，其中，设置T＝14作为示例。在血管树中，该14个位置的空间约束关系如下。该血管树从根部起包括三级分支：一级分支只有一支，依序包括位置1和2；二级分支有两支，第一支依序包括位置2、4、6、8、11和14，第二支依序包括位置2、3、5和7；三级分支有两支，第一支依序包括位置7、10和13，第二支依序包括位置7、9和12；其中，位置2为一级分支与二级分支的交叉点，位置7为第二支二级分支与三级分支之间的交叉点。如图3所示，在树结构CRNN中，对应于各个位置的14个RNN之间的信息传播方式与所述多个位置的空间约束关系相符，所述血管树的路径中两个相邻位置所对应的每对节点间的信息传播方式为双向(从血管树的根部向远侧以及从血管树的远侧向根部的方向)信息传播，也就是，各个位置的CRNN与其空间上邻近的上游和下游位置(如果有)的CRNN之间进行信息传输，从而准确反映了各个位置受上下游位置影响的物理作用方式。在一些实施例中，也可以将至少一对相邻节点间的信息传播方式设置为从血管树的远侧向根部的单向信息传播，从而加速和简化学习过程。
如图2所示，整个学习网络的输入是沿着中心线的各个位置t(t取1到T的自然数)处提取的图像块xt的集合{x1,x2,…,xT}，各个图像块xt被馈送到相应位置的FCN，以生成特征映射zt的集合{z1,z2,…,zT}，特征映射zt中可以编码分割对象(例如血管)的局部相关信息。特征映射zt被馈送到树结构CRNN的相应节点，最后输出各个位置t的用于血管分割的概率映射(该图像块中各个像素为血管或背景的概率)或者分割蒙版(该图像块中哪些像素是血管，哪些像素是背景)的yt的集合{y1,y2,…,yT}。
用于各个位置的图像块xt的FCN的参数可以通过训练进行优化，且鉴于图形处理器(GPU)中对卷积运算的加速效果，有利于以更快的速度提取更适合分割任务的特征映射。
通过在树结构CRNN中采用CRNN作为节点，可以避免如标准LSTM的缺陷：丢失在学习过程中在全卷积网络的输出(特征映射)中编码的空间信息，从而可以基于所保留的空间信息来实现血管树的细化分割。
通过使得节点与多个位置一一对应，且使得节点间的信息传播方式与所述多个位置的空间约束关系相符，不仅独立考虑到各个图像块的呈现，还在整个学习网络的架构中在邻近的图像块之间嵌入了树结构的空间关系，从而更符合血管的树结构属性，且更符合血管树上各个位置的图像块彼此之间在属性上的物理作用方式。具体说来，当某个图像块(或像素)在血管区域中时，其相邻的图像块(像素)也具有较高的概率也被标注为血管，因为它们空间上彼此相近，容易具有相同或相似的物理属性。又例如：沿着血管树中心线相邻位置的图像块(或者图像切片)更容易具有一致或相似的生理特性(是否血管)以及一致或相似的形状(物理结构的连续性)。再例如，单个位置的图像块的属性不仅受到上游或下游的相邻位置的图像块影响，上游或下游的远离位置的图像块对其也是有影响的，且基于树结构中该单个位置与远离位置之间的距离和拓扑关系经由两者之间的位置传递所述影响。如此，树结构CRNN中的节点“树”及节点之间的作用方式准确地模拟了相应的血管树及其上各个位置之间的上述各种物理作用方式，从而进一步提高了分割精度。
根据本公开的各个实施例的学习网络的架构中，能够对整个血管树的树结构的各个层级(整体树拓扑结构、路径级别、分支级别、分叉点级别等)的空间约束关系(例如可以参见图3所示)进行准确建模。对于各个图像块的分割预测来说，通过将学习网络中节点间的信息传播方式设置为与所述多个位置的空间约束关系相符，可以利用与物理作用方式一致的方式，无缝整合血管树的树结构中其他各个图像块的分割预测的结果，以便得到更准确的分割预测结果。
在一些实施例中，训练好的学习网络可以对血管树上多个位置的图像块实现同步分割，相较将血管树划分为路径或者分支进行部分分割然后将结果融合(后处理)的异步做法，分割速度更快(节约了后处理所需的配准融合操作)，分割精度更高，且能够避免后处理所导致的潜在误差或不一致(不同的部分分割对于同一部位的分割结果很可能不一致)。
根据本公开各个实施例的学习网络采用了端到端的架构，且在分割问题中可利用统一架构方式(构建方式)对血管树进行模拟建模，这是有益的。首先，所述学习网络直接进行端到端的学习，在临床实践中对于用户来说更友好，操作更简单，从而有利于推广。第二，统一架构方式又是灵活的，其允许对变化的血管树结构进行针对性建模，例如，单路径的血管是树结构的血管树的一种特殊情况，可以利用该统一架构方式构建与单路径的血管对应的分割学习网络。又例如，不同长度的血管需要的采样位置(多个位置)的数量可能不同，可以根据该统一架构方式构建节点数量不同的分割学习网络。
在一些实施例中，可以基于获得的分割蒙版集合{y1,y2,…,yT}得到所述医学图像的分割结果。例如，可以直接将分割蒙版集合{y1,y2,…,yT}配准到医学图像上，以得到医学图像的分割结果。或者例如，也可以将分割蒙版集合所得的分割结果与初步分割的分割结果整合，以得到医学图像的复合分割结果。在一些实施例中，同个血管树中，对初步分割即能得到足够精度的部分可不执行细化分割，而仅对于结构较复杂的部分执行细化分割，随后将初步分割的结果与细化分割的结果整合，以得到复合分割结果。这种分割方式，能够兼顾计算效率和分割精度。
可以采用各种方式来选择所述多个位置。在一些实施例中，可以提取所述血管树的中心线的分支和分支中的分叉点，其中，所述多个位置至少包括分叉点和各个分支中除了分叉点以外的至少一个点。如上文结合图3所示，可以提取一级分支、第一支二级分支、第二支二级分支、第一支三级分支和第二支三级分支，以及作为分叉点的位置2和7，选择位置2和7以及各个分支中这两个位置以外的至少一个位置来构成所述多个位置。如此，能够更全面地反映各级分支上及各级分支彼此之间的空间约束关系，从而实现更精准的血管分割。
在图2所示的实施例中，图像块xt为2D图像块，相应地，所述学习网络为2D学习网络，但本公开并不限于此。
在一些实施例中，图像块xt可以为3D图像块，相应地，所述学习网络可以为3D学习网络。例如，可以接收2D医学图像(例如包含血管树的身体部位的CT图像序列)，基于所接收的2D医学图像来重建3D医学图像(例如容积CT图像)。可以通过在各个2D医学图像中勾画血管树的各个血管的中心点，并基于各个2D医学图像中所勾画的血管的中心点重建3D中心线，然后从所述3D医学图像在沿着所述3D中心线的多个位置提取3D图像块。
在一些实施例中，所述CRNN可以为卷积长短期记忆网络(CLSTM)或卷积门控递归单元(CGRU)。
树结构CRNN不限于图3所示的单层的树结构CRNN，还可以采用其他结构。例如，可以将单层的树结构CRNN堆叠起来以增加树结构CRNN的深度，例如图4中所示的双层树结构CRNN。其中，第一层树结构CRNN的各个CRNN的输出vt被输入到第二层树结构CRNN中相应位置的CRNN，后者的输出yt作为双层树结构CRNN的输出。通过适当地增加树结构CRNN的深度，能够对编码的用于血管分割的特征信息进行更高效的学习。经过实验对比发现，双层树结构CRNN比单层树结构CRNN学习效率更高，分割效果更好。
图2中所示的FCN可以采用不同构造。以2D图像块和2D学习网络为例，在一些实施例中，该FCN可以基于3×3卷积核的数个卷积层、2×2的数个池化层以及数个上采样层的堆叠而构成。通过采用诸如3×3的小型卷积核、2×2的小型池化核以及多层的堆叠，能够加深FCN，相较深度较低而卷积核较大的其他FCN能够提升特征学习性能；并且，这种FCN网络结构规整，超参数较少，简化了网络结构。
例如，如图5所示，该FCN可以基于第一卷积层501、第二卷积层502、第一池化层503、第三卷积层504、第四卷积层505、第二池化层506、第一上采样层507、第五卷积层508、第六卷积层509、第二上采样层510、第七卷积层511和第八卷积层512依序堆叠而成。其中，第一卷积层和第二卷积层采用相同的3×3卷积核，且通道数分别为16和16；第三卷积层和第四卷积层采用相同的3×3卷积核，且通道数分别为32和20；第五卷积层和第六卷积层采用相同的3×3卷积核，且通道数分别为20和32；以及第七卷积层和第八卷积层采用相同的3×3卷积核，且通道数分别为16和16。各个池化层的参数可以与上采样层的上采样率匹配，以便输出的特征映射zt的尺寸与输入的图像块xt的尺寸相同，从而更便利树结构CRNN学习编码的空间信息。当采用3D图像块时，相应地采用3D学习网络，该3D学习网络可以基于3×3×3卷积核的数个卷积层、2×2×2的数个池化层以及数个上采样层的堆叠而构成。注意，FCN基于图5所示的构造来设置，但也可以按需加入图5中没有示出的其他附加层，例如Relu层等等，在此不赘述。
图6示出根据本公开实施例的医学图像分割系统600的示意性图示。该医学图像分割系统600可以包括初步分割单元606、图像块提取单元607和细化分割单元604。初步分割单元606可以从例如医学图像数据库608接收医学图像，并配置用于对所接收的医学图像进行初步分割，提取所述血管树的中心线。图像块提取单元607可以配置为从所述医学图像在沿着所述血管树的中心线的多个位置提取图像块，以得到图像块集合；以及还可以配置为提取所述多个位置的空间约束关系。沿着血管树的中心线的多个位置的图像块可以以序列形式馈送到细化分割单元604。
所述医学图像分割系统600还可以包括学习网络构建单元602和训练单元603。神经网络库601中可以存储有各种构型的神经网络(例如FCN、CRNN、CLSTM、CGRU)的开源代码，从而学习网络构建单元602通过连接到神经网络库601，就可以调用相应的神经网络的开源代码并由用户根据需求进行二次开发。可以将沿着血管树的中心线的多个位置及其空间约束关系馈送到学习网络构建单元602，以便后者或者用户利用从神经网络库601调用的神经网络的开源代码，采取如下步骤来构建学习网络。注意，本文中的学习网络构建单元602可以配置为自动构建学习网络，也可以配置为由用户手动构建学习网络。
具体说来，构建与所述多个位置一一对应的多个FCN；利用CRNN作为节点，以各个节点与所述多个位置一一对应的方式来构建至少一层树结构RNN，使得节点间的信息传播方式与所述多个位置的空间约束关系相符；将各个FCN与第一层树结构递归神经网络中对应于相同位置的节点连接，从而构建所述学习网络。
该构建好的学习网络可以从学习网络构建单元602传输到训练单元603。训练单元603可以基于从训练样本数据库605获取的训练样本，对构建好的学习网络进行训练。所述训练样本可以是所述多个位置处的图像块集合及其人工标注的地面真值分割蒙版集合。
所述训练过程可以以离线方式来执行，且可以采用各种训练方法。下面以小批量训练方法为例，对训练过程进行说明。
可以将所接收的训练数据集划分为批次，各批次可以被独立地加载作为当前的训练数据。
学习网络的参数可以基于一批次的训练数据来确定，并针对损失函数来验证，以针对该批次的训练数据实现优化。如上所述，学习网络可以通过将多个FCN与树结构的CRNN的相应节点连接来构建。由此，学习网络可以包含参数(V，W)，其中参数V用于多个FCN而参数W用于树结构的CRNN。在一些实施例中，参数(V，W)可以通过最小化损失函数来联合优化。例如，损失函数J(V,W)可以是在所述批次中的各个位置t处的地面真值分割蒙版
Figure BDA0002037991790000121
和学习网络预测的各个位置t处的分割蒙版yt的均方差，也可以是其他分割损失函数，例如但不限于交叉熵、判别损失函数(DISC分数)等。
在一些实施例中，学习网络可以，使用反向传播算法在各个批次上相对于所有参数(V，W)计算损失函数J的梯度
Figure BDA0002037991790000122
并使用随机梯度下降相关方法来来优化损失函数。例如，对于各个批次，可以为批次中的每个训练样本计算均方差，并基于其计算梯度和平均。学习网络，尤其其参数，可以基于平均后的梯度来更新。虽然公开了随机梯度下降相关方法和均方差作为示例，也可以采用其他函数，包括但不限于交叉熵等，以及也可以采用其他参数优化方法，包括但不限于适应性矩估计等。可以输出参数已经在所有批次上得到了优化的学习网络。
小批次梯度下降方法可以获得更鲁棒性的收敛，同时以相对高的计算效率有效避免局部优化。此外，存储器无需完整地加载大量的用于医学图像分析的训练数据集。而是，训练样本可以分批次加载，其缓解了存储器的工作负荷且提高了其工作效率。
该训练过程对所述多个FCN和树结构的CRNN进行了联合训练，相较对所述多个FCN和树结构的CRNN进行分离训练来说，训练样本更容易获得，且训练好的端到端的学习网络整体在血管分割上表现更好。
训练单元603可以将训练好的学习网络传输到细化分割单元604，以供后者基于所得到的沿着血管树的中心线的多个位置的图像块集合，利用训练好的所述学习网络实现所述医学图像的细化分割。
在一些实施例中，为了满足3D分割需求，初步分割单元606还可以包括：2D初步分割单元606，其配置用于对所接收的一系列的2D医学图像进行中心线的2D初步分割；以及3D重建单元，其配置为：基于所述一系列的2D图像、由2D初步分割得到的血管树的中心线，重建所述血管树的3D中心线和3D图像。如此，图像块提取单元607可以从重建得到的3D图像中在沿着重建得到的3D中心线的多个位置提取3D图像块。
在一些实施例中，图6中以粗虚线示出的部分，也就是初步分割单元606、图像块提取单元607和细化分割单元604可以构成医学图像分割装置中的软件模块。此外，学习网络构建单元602和训练单元603可以构成学习网络训练装置中的软件模块。在一些实施例中，学习网络构建单元602可以根据需求来启用。例如，学习网络构建单元602可以在神经网络库601中检索是否存在与多个位置的数量及空间约束关系相符的现成的学习网络，如果是，则直接调用即可。又例如，不存在与多个位置的数量及空间约束关系完全相符的现成的学习网络的情况下，学习网络构建单元602可以在神经网络库601中检索与之最接近的现成的近似学习网络，并被用于对该近似学习网络进行改写。如此，能够简化和加速学习网络构建，并降低构建难度，减少新编代码量，减轻开发人员的工作。
在一些实施例中，可以将训练好的学习网络与所述多个位置的数量及其空间约束关系对应地存储到神经网络库601中，以供后续检索和调用。
图7示出了根据本公开的一些实施例的示例性医学图像分割装置700的框图。在一些实施例中，医学图像分割装置700可以是专用计算机或通用计算机。例如，医学图像分割装置700可以是为医院定制的计算机，以执行图像采集和图像处理任务。如图7中所示，医学图像分割装置700可以包括通信接口703、处理器704、存储器705、储存器706和显示器707。
在一些实施例中，通信接口703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、高速数据传输适配器(诸如光纤、USB 3.0、雷电接口等)、无线网络适配器(诸如WiFi适配器)、电信(3G、4G/LTE等)适配器等。医学图像分割装置700可以通过通信接口703连接到其他构件，例如图像采集装置702、学习网络训练装置701、医学图像数据库、PACS系统等。在一些实施例中，通信接口703可以从图像采集装置702接收医学图像。例如，图像采集装置702可以包括数字减影血管造影机、MRI扫描仪、CT扫描仪、WSI扫描仪等等。在一些实施例中，通信接口703还从学习网络训练装置701接收诸如训练好的学习网络。
在一些实施例中，处理器704可以是包括一个以上通用处理设备的处理设备，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，该处理器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运行指令集的组合的处理器。该处理器还可以是一个以上专用处理设备，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。处理器704可以通信地耦合到存储器705并且被配置为执行存储在其上的计算机可执行指令，以执行诸如根据本公开各实施例的医学图像分割方法。
在一些实施例中，存储器705/储存器706可以是非暂时性计算机可读的介质，诸如只读存储器(ROM)、随机存取存储器(RAM)、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、电可擦除可编程只读存储器(EEPROM)、其他类型的随机存取存储器(RAM)、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、光盘只读存储器(CD-ROM)、数字通用光盘(DVD)或其他光学存储器、盒式磁带或其他磁存储设备，或被用于储存能够被计算机设备访问的信息或指令的任何其他可能的非暂时性的介质等。
在一些实施例中，储存器706可以储存训练好的学习网络和数据，该数据诸如为原始医学图像、习得的特征映射，以及诸如在执行计算机程序的同时所接收的、所使用的或所生成的数据等。在一些实施例中，存储器705可以储存计算机可执行指令，诸如一个以上图像处理程序，以实现诸如图6中初步分割单元606、图像块提取单元607和细化分割单元604所示的的功能。
在一些实施例中，处理器704可以在显示器707上呈现图像的分割结果(哪些像素是血管哪些不是等)和/或其他数据的可视化。显示器707可以包括液晶显示器(LCD)、发光二极管显示器(LED)、等离子显示器或任何其他类型的显示器，并提供显示器上呈现的图形用户界面(GUI)用于用户输入和图像/数据显示。
根据本公开，学习网络训练装置701可以具有与医学图像分割装置700相同或相似的结构。在一些实施例中，学习网络训练装置701包括处理器以及被配置为使用训练数据集训练学习网络的其他构件。相较图像检测装置700，学习网络训练装置701的存储器705中也可以储存计算机可执行指令，以实现诸如图6中所示的学习网络构建单元602(可选地)和训练单元603的功能，从而实现根据本公开各个实施例的用于血管分割的学习网络的训练方法。
在一些实施例中，学习网络训练装置701的储存器706可以储存训练好的学习网络、训练中的学习网络的更新后的实时权重等等。在一些实施例中，学习网络训练装置701和医学图像分割装置700也可以整合到一个装置内。
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。而是，发明主题可以在于比一个公开的实施例的所有特征少的特征组合。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 (9)

1.一种用于对医学图像进行分割的系统，所述医学图像包含至少一个血管树，所述系统包括：
通信接口，其配置为接收所述医学图像和学习网络，所述医学图像由图像采集装置获取；以及
至少一个处理器，其配置为：
从所述医学图像在沿着所述血管树的中心线的多个位置提取图像块，以得到图像块集合；以及
将所述学习网络应用于所得到图像块集合以对所述医学图像进行分割，其中，所述学习网络基于与所述多个位置一一对应的多个全卷积神经网络以及节点与所述多个位置一一对应的至少一层树结构递归神经网络依序连接而成，各个全卷积神经网络配置为处理所述图像块集合中相应位置的图像块，以构建特征映射的集合，所述树结构递归神经网络的各个节点配置为处理相应的特征映射，以获得所述血管树的各个位置的分割蒙版，其中，所述树结构递归神经网络对所述多个图像块的空间约束关系建模。
2.根据权利要求1所述的系统，其中，所述树结构递归神经网络的每个节点由卷积递归神经网络构成。
3.根据权利要求1所述的系统，其中，所述空间约束关系根据所述图像块的树结构来确定。
4.根据权利要求1所述的系统，其中，所述全卷积神经网络和所述树结构递归神经网络使用基于梯度下降的方法联合训练。
5.一种用于对医学图像进行分割的方法，所述医学图像包含至少一个血管树，所述方法包括：
接收所述医学图像和学习网络，所述医学图像由图像采集装置来获取；
由至少一个处理器，从所述医学图像在沿着所述血管树的中心线的多个位置提取图像块，以得到图像块集合；以及
由所述至少一个处理器，将所述学习网络应用于所得到图像块集合以对所述医学图像进行分割，其中，所述学习网络基于与所述多个位置一一对应的多个全卷积神经网络以及节点与所述多个位置一一对应的至少一层树结构递归神经网络依序连接而成，各个全卷积神经网络配置为处理所述图像块集合中相应位置的图像块，以构建特征映射的集合，所述树结构递归神经网络的各个节点配置为处理相应的特征映射，以获得所述血管树的各个位置的分割蒙版的集合，其中，所述树结构递归神经网络对所述多个图像块的空间约束关系建模。
6.根据权利要求5所述的方法，其中，所述树结构递归神经网络的每个节点由卷积递归神经网络构成。
7.根据权利要求5所述的方法，其中，所述空间约束关系根据所述图像块的树结构来确定。
8.根据权利要求5所述的方法，其中，所述全卷积神经网络和所述树结构递归神经网络使用基于梯度下降的方法联合训练。
9.一种其上储存有计算机程序的非暂时性的计算机可读介质，其中，所述计算机程序由至少一个处理器执行时，实现一种对医学图像进行分割的方法，所述医学图像包含至少一个血管树，所述方法包括：
接收所述医学图像和学习网络，所述医学图像由图像采集装置来获取；
从所述医学图像在沿着所述血管树的中心线的多个位置提取图像块，以得到图像块集合；以及
将所述学习网络应用于所得到图像块集合以对所述医学图像进行分割，其中，所述学习网络基于与所述多个位置一一对应的多个全卷积神经网络以及节点与所述多个位置一一对应的至少一层树结构递归神经网络依序连接而成，各个全卷积神经网络配置为处理所述图像块集合中相应位置的图像块，以构建特征映射的集合，所述树结构递归神经网络的各个节点配置为处理所述相应的特征映射，以获得所述血管树的各个位置的分割蒙版的集合，其中，所述树结构递归神经网络对所述多个图像块的空间约束关系建模。
CN201910331967.0A 2018-04-24 2019-04-24 医学图像的分割方法、分割装置、分割系统及计算机可读介质 Active CN110060263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011055196.6A CN112070776A (zh) 2018-04-24 2019-04-24 医学图像的分割方法、分割装置、分割系统及计算机可读介质

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201862662212P 2018-04-24 2018-04-24
US62/662,212 2018-04-24

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202011055196.6A Division CN112070776A (zh) 2018-04-24 2019-04-24 医学图像的分割方法、分割装置、分割系统及计算机可读介质

Publications (2)

Publication Number Publication Date
CN110060263A CN110060263A (zh) 2019-07-26
CN110060263B true CN110060263B (zh) 2020-11-13

Family

ID=67320378

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201910331967.0A Active CN110060263B (zh) 2018-04-24 2019-04-24 医学图像的分割方法、分割装置、分割系统及计算机可读介质
CN202011055196.6A Pending CN112070776A (zh) 2018-04-24 2019-04-24 医学图像的分割方法、分割装置、分割系统及计算机可读介质

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202011055196.6A Pending CN112070776A (zh) 2018-04-24 2019-04-24 医学图像的分割方法、分割装置、分割系统及计算机可读介质

Country Status (2)

Country Link
US (2) US10430949B1 (zh)
CN (2) CN110060263B (zh)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7240403B2 (ja) 2018-01-10 2023-03-15 アンスティテュ・ドゥ・ルシェルシュ・シュール・レ・カンセール・ドゥ・ラパレイユ・ディジェスティフ－イ・エール・セ・ア・デ ３ｄ医用画像の解剖学的ジオメトリに従った、構造化された畳み込みを通した１つまたはいくつかのニューラルネットワークによる３ｄ医用画像の自動セグメンテーションプロセス
KR20200119250A (ko) 2018-01-10 2020-10-19 앵스티튜 드 흐쉑쉐 쉬르 레 캉세흐 드 라파헤이 디제스티프 - 이흐카드 3d 의료용 이미지의 기하학적 구조에 따른 구조화된 콘볼루션을 통한, 여러 신경망에 의한 3d 의료용 이미지의 자동 세그멘트화 프로세스
US11896316B2 (en) * 2018-08-23 2024-02-13 Intuitive Surgical Operations, Inc. Systems and methods for generating anatomic tree structures using backward pathway growth
US11308362B2 (en) * 2019-03-26 2022-04-19 Shenzhen Keya Medical Technology Corporation Method and system for generating a centerline for an object, and computer readable medium
US11200976B2 (en) * 2019-08-23 2021-12-14 Canon Medical Systems Corporation Tracking method and apparatus
CN110796652B (zh) * 2019-10-30 2023-03-21 上海联影智能医疗科技有限公司 图像处理方法、计算机设备和存储介质
CN113034425B (zh) * 2019-12-25 2024-05-28 阿里巴巴集团控股有限公司 数据处理方法、设备及存储介质
US11816834B2 (en) * 2020-01-06 2023-11-14 The Texas A&M University System Unmanned aerial system genotype analysis using machine learning routines
CN111325759B (zh) * 2020-03-13 2024-04-16 上海联影智能医疗科技有限公司 血管分割方法、装置、计算机设备及可读存储介质
US11449716B2 (en) 2020-03-31 2022-09-20 International Business Machines Corporation Model training using partially-annotated images
US11526694B2 (en) 2020-03-31 2022-12-13 International Business Machines Corporation Model training using fully and partially-annotated images
WO2021212886A1 (en) * 2020-04-24 2021-10-28 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for object recognition
CN111369576B (zh) * 2020-05-28 2020-09-18 腾讯科技（深圳）有限公司 图像分割模型的训练方法、图像分割方法、装置及设备
CN111681224A (zh) * 2020-06-09 2020-09-18 上海联影医疗科技有限公司 获取血管参数的方法和装置
US11651499B2 (en) * 2020-09-17 2023-05-16 International Business Machines Corporation Reducing structural redundancy in automatic image segmentation
CN112037305B (zh) * 2020-11-09 2021-03-19 腾讯科技（深圳）有限公司 对图像中的树状组织进行重建的方法、设备及存储介质
CN112288739B (zh) * 2020-11-20 2022-04-22 哈尔滨工业大学 一种基于深度学习的静脉血管分割方法
CN112561860B (zh) * 2020-11-23 2022-05-03 重庆邮电大学 一种基于先验形状约束的BCA-UNet肝脏分割方法
CN112308857B (zh) * 2020-12-25 2021-05-11 数坤（北京）网络科技有限公司 一种血管中心线的确定方法、装置及可读存储介质
CN112785591B (zh) * 2021-03-05 2023-06-13 杭州健培科技有限公司 一种ct影像中肋骨骨折的检测与分割方法及装置
CN113192069A (zh) * 2021-06-03 2021-07-30 清华大学 三维断层扫描图像中树状结构的语义分割方法和装置
CN113470107B (zh) * 2021-06-04 2023-07-14 广州医科大学附属第一医院 支气管中心线提取方法及其系统和存储介质
CN113902741B (zh) * 2021-12-08 2022-03-11 深圳科亚医疗科技有限公司 一种对医学图像进行血管分割的方法、装置及介质
CN115035020A (zh) * 2021-12-20 2022-09-09 深圳科亚医疗科技有限公司 对医学图像进行对象分析的方法、装置和存储介质
FR3132145A1 (fr) * 2022-01-24 2023-07-28 Quantmetry Procédé de détection automatisée d’un élément biologique dans un échantillon de tissu
CN114862878B (zh) * 2022-05-30 2023-06-06 北京百度网讯科技有限公司 图像分割模型生成方法和装置、图像分割方法和装置
CN114862879B (zh) * 2022-07-05 2022-09-27 深圳科亚医疗科技有限公司 包含生理管状结构的图像的处理方法、处理系统和介质
US20240048152A1 (en) * 2022-08-03 2024-02-08 Arm Limited Weight processing for a neural network

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107256550A (zh) * 2017-06-06 2017-10-17 电子科技大学 一种基于高效cnn‑crf网络的视网膜图像分割方法
CN107563983A (zh) * 2017-09-28 2018-01-09 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
CN107887010A (zh) * 2017-11-29 2018-04-06 天津中科爱乐芙医疗科技有限公司 一种心血管疾病数据采集与分诊平台

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9208582B2 (en) * 2005-11-02 2015-12-08 Hitachi Medical Corporation Image analyzing system and method
US8494227B2 (en) * 2007-04-17 2013-07-23 Francine J. Prokoski System and method for using three dimensional infrared imaging to identify individuals
CN101425186B (zh) * 2008-11-17 2012-03-28 华中科技大学 一种基于ct图像的肝脏分段方法及其系统
US8891843B2 (en) * 2010-08-17 2014-11-18 Kabushiki Kaisha Toshiba Medical image diagnosis apparatus
BR112013005879A2 (pt) * 2010-09-15 2016-05-10 Konink Philps Electronics Nv ''sistema de orientação de robôs, unidades de controle para um endoscópio e método de orientação de robôs''
TWI578977B (zh) * 2011-04-07 2017-04-21 香港中文大學 視網膜圖像分析裝置
GB201121307D0 (en) * 2011-12-12 2012-01-25 Univ Stavanger Probability mapping for visualisation of biomedical images
US9704059B2 (en) * 2014-02-12 2017-07-11 International Business Machines Corporation Anomaly detection in medical imagery
US9349178B1 (en) * 2014-11-24 2016-05-24 Siemens Aktiengesellschaft Synthetic data-driven hemodynamic determination in medical imaging
US10037603B2 (en) * 2015-05-04 2018-07-31 Siemens Healthcare Gmbh Method and system for whole body bone removal and vascular visualization in medical image data
US9959615B2 (en) * 2015-07-01 2018-05-01 Arizona Board Of Regents On Behalf Of Arizona State University System and method for automatic pulmonary embolism detection
US10405739B2 (en) * 2015-10-23 2019-09-10 International Business Machines Corporation Automatically detecting eye type in retinal fundus images
US10115039B2 (en) * 2016-03-10 2018-10-30 Siemens Healthcare Gmbh Method and system for machine learning based classification of vascular branches
CN106127120B (zh) * 2016-06-16 2018-03-13 北京市商汤科技开发有限公司 姿势估计方法和装置、计算机系统
CN106408562B (zh) * 2016-09-22 2019-04-09 华南理工大学 基于深度学习的眼底图像视网膜血管分割方法及系统
CN107609541B (zh) * 2017-10-17 2020-11-10 哈尔滨理工大学 一种基于可变形卷积神经网络的人体姿态估计方法
CN108305246B (zh) * 2017-11-15 2020-10-09 深圳科亚医疗科技有限公司 基于医学图像预测血流特征的装置及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107256550A (zh) * 2017-06-06 2017-10-17 电子科技大学 一种基于高效cnn‑crf网络的视网膜图像分割方法
CN107563983A (zh) * 2017-09-28 2018-01-09 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
CN107887010A (zh) * 2017-11-29 2018-04-06 天津中科爱乐芙医疗科技有限公司 一种心血管疾病数据采集与分诊平台

Also Published As

Publication number Publication date
CN112070776A (zh) 2020-12-11
US10573005B2 (en) 2020-02-25
CN110060263A (zh) 2019-07-26
US20190355120A1 (en) 2019-11-21
US20190325579A1 (en) 2019-10-24
US10430949B1 (en) 2019-10-01

Similar Documents

Publication Publication Date Title
CN110060263B (zh) 医学图像的分割方法、分割装置、分割系统及计算机可读介质
CN110298844B (zh) X光造影图像血管分割与识别方法及装置
CN109979593B (zh) 血管路径的健康半径的预测方法、血管路径的候选狭窄处的预测方法、血管狭窄度预测装置
CN109493347A (zh) 在图像中对稀疏分布的对象进行分割的方法和系统
WO2022032823A1 (zh) 图像分割方法、装置、设备及存储介质
JP2019076699A (ja) 偽陽性低減での小結節検出
US10846854B2 (en) Systems and methods for detecting cancer metastasis using a neural network
CN111667459B (zh) 一种基于3d可变卷积和时序特征融合的医学征象检测方法、系统、终端及存储介质
WO2022032824A1 (zh) 图像分割方法、装置、设备及存储介质
US11972571B2 (en) Method for image segmentation, method for training image segmentation model
CN113592939B (zh) 基于冠脉造影图像判断狭窄血管尺寸的深度学习方法
CN109949304B (zh) 图像检测学习网络的训练和获取方法、图像检测装置和介质
CN111091010A (zh) 相似度确定、网络训练、查找方法及装置和存储介质
CN114782394A (zh) 一种基于多模态融合网络的白内障术后视力预测系统
US20220351863A1 (en) Method and System for Disease Quantification of Anatomical Structures
CN110599444B (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
CN109949300A (zh) 解剖树结构分析的方法、系统和计算机可读介质
CN113764101A (zh) 基于cnn的乳腺癌新辅助化疗多模态超声诊断系统
US11416994B2 (en) Method and system for detecting chest x-ray thoracic diseases utilizing multi-view multi-scale learning
CN111209946B (zh) 三维图像处理方法、图像处理模型训练方法及介质
CN113792740B (zh) 眼底彩照的动静脉分割方法、系统、设备及介质
CN115731240A (zh) 一种分割方法、装置、电子设备及存储介质
Su et al. JANet: A joint attention network for balancing accuracy and speed in left ventricular ultrasound video segmentation
CN117392138B (zh) 舌象图像处理方法、存储介质及电子设备
US20220344033A1 (en) Method and System for Anatomical Labels Generation

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