CN110136107B - 基于dssd和时域约束x光冠脉造影序列自动分析方法 - Google Patents

基于dssd和时域约束x光冠脉造影序列自动分析方法 Download PDF

Info

Publication number
CN110136107B
CN110136107B CN201910375099.6A CN201910375099A CN110136107B CN 110136107 B CN110136107 B CN 110136107B CN 201910375099 A CN201910375099 A CN 201910375099A CN 110136107 B CN110136107 B CN 110136107B
Authority
CN
China
Prior art keywords
frame
frames
detection
coronary angiography
sequence
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
CN201910375099.6A
Other languages
English (en)
Other versions
CN110136107A (zh
Inventor
顾力栩
吴蔚
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201910375099.6A priority Critical patent/CN110136107B/zh
Publication of CN110136107A publication Critical patent/CN110136107A/zh
Application granted granted Critical
Publication of CN110136107B publication Critical patent/CN110136107B/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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06T2207/20—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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于DSSD和时域约束X光冠脉造影序列自动分析方法，涉及智能医学影像分析技术领域，包括步骤：利用U‑net对X光冠脉造影序列进行逐帧的血管分割，根据分割结果找出造影剂最充盈帧，在此基础上制定策略选取一系列连续充盈帧；将选取的X光冠脉造影图像输入训练好的狭窄段检测网络DSSD，获得静态检测结果；综合连续充盈帧的静态检测结果，利用时域信息进行约束，抑制假阳性。本发明率先使用卷积神经网络进行狭窄段检测，并且增加了基于造影剂充盈帧的时序约束这一约束条件，具有方法稳定可靠、准确率高、抗干扰能力强、操作全自动化等优点。

Description

基于DSSD和时域约束X光冠脉造影序列自动分析方法
技术领域
本发明涉及智能医学影像分析技术领域，尤其涉及一种基于DSSD和时域约束X光冠脉造影序列自动分析方法。
背景技术
基于X光造影图像的冠状动脉狭窄段检测是临床进行心血管疾病检查与诊断的重要内容。受到外界或者病人自身器官运动等不可控因素的干扰，X光冠状动脉造影图像存在着不同程度的噪声以及复杂背景，这些都为医生的诊断带来了不利的影响。自动的狭窄段检测方法能减轻医生负担，辅助医生进行诊断，并为进一步的病情分析和治疗策略规划提供基础。
经过对现有技术的检索发现，Colin B Compas等人在《Automatic detection ofcoronary stenosis in X-ray angiography through spatio-temporal tracking》,IEEE11th international symposium on biomedical imaging(ISBI).IEEE,2014:pp1299-1302.论文中介绍了利用分割结果测量血管直径，对直径数据求导获得疑似狭窄段的位置并进行时空域跟踪进行最终确定的方法。Tao Wan等人在《Automated identification andgrading of coronary artery stenoses with X-ray angiography》,Computer methodsand programs in biomedicine,2018,167:pp13-22.论文中通过提取血管中心线，基于原始灰度图测量血管半径，并进行一系列数据后处理确定狭窄段的方法。上述方法都依赖一系列前处理步骤，包括图像增强，血管分割等等，对于噪声较大、背景复杂、造影剂浓度较低的图像很难取得理想效果，并且步骤多，运行速度较慢。目前，仍然没有一个对图像质量鲁棒性好，检测速度快的方法。
因此，本领域的技术人员致力于开发一种基于DSSD和时域约束X光冠脉造影序列自动分析方法，利用基于深度学习的目标检测网络，基于原始造影图像对单帧图像的狭窄段进行快速检测，并综合造影序列的检测结果，对假阳性进行抑制，进而避免了分割等图像预处理步骤对检测结果的影响，实现狭窄段的自动快速检测，为后续的医学诊断打下了良好的基础。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何避免分割等图像预处理步骤对检测结果的影响，实现狭窄段的自动快速检测。
为实现上述目的，本发明提供了一种基于DSSD和时域约束X光冠脉造影序列自动分析方法，所述方法包括以下步骤：
步骤1、利用U-net对X光冠脉造影序列进行逐帧的血管分割，根据分割结果找出造影剂最充盈帧，在此基础上制定策略选取一系列连续充盈帧；
步骤2、将选取的X光冠脉造影图像输入训练好的狭窄段检测网络DSSD，获得静态检测结果；
步骤3、综合连续充盈帧的静态检测结果，利用时域信息进行约束，抑制假阳性。
进一步地，所述步骤1包括以下步骤：
步骤1.1、随机选取一些X光冠脉造影图像，进行逐像素的血管标注，利用原图与对应标签，训练用于血管分割的卷积神经网络U-net；
步骤1.2、将完整的X光冠脉造影序列拆分为帧，利用U-net进行逐帧分割，统计各帧分割结果中血管像素数目，最大像素数对应的造影图像即为造影剂最充盈帧；
步骤1.3、根据造影剂最充盈帧的位置，确定若干帧作为充盈帧备用。
进一步地，所述步骤2包括以下步骤：
步骤2.1、以VGG分类网络为基础搭建目标检测网络DSSD，在网络末端引入反卷积模块获得特征图进行狭窄段检测；
步骤2.2、将选取的X光冠脉造影图像划分为若干个检测区域，在每个检测区域预设边界框；
步骤2.3、若预设边界框与任一金标准框的交并比大于0.5的标记为正边界框，否则标记为负边界框，计算正边界框与其对应的金标准框的位置偏移，作为目标检测网络的回归目标；
步骤2.4、分别计算目标检测网络的定位误差和分类误差，求和得到总误差；
步骤2.5、将训练好的网络用于测试，对输出的一系列预测边界框进行非极大值抑制操作，移除冗余框，避免重复检测，获得最终的静态检测结果。
进一步地，所述步骤3包括以下步骤：
步骤3.1、按时序排列充盈帧的静态检测结果，提取相邻两帧的检测结果进行计算，若前一帧某检测框与后一帧某检测框的交并比大于0.1，则认为它们指向的是同一目标区域，并为它们建立连接关系；
步骤3.2、遍历整个序列，继续考察相邻两帧是否有指向同一目标区域的检测框，若存在，则延长之前的连接关系，由此获得在整个充盈序列中，出现频率较高的检测结果；
步骤3.3、考虑某一连接关系的长度，若小于8，则认为是假阳性，对该连接予以剔除；否则认为是真的狭窄段，予以保留。
进一步地，所述步骤1.3的具体步骤为：
若造影剂最充盈帧的位置位于造影序列的前33％，则取造影剂最充盈帧的后11帧作为充盈帧备用；若造影剂最充盈帧的位置位于造影序列的前33％到后33％之间，则在造影剂最充盈帧的前后各取5帧作为充盈帧备用；若造影剂最充盈帧的位置位于造影序列的后33％，则取造影剂最充盈帧的前11帧作为充盈帧备用。
进一步地，所述步骤2.1中所述目标检测网络DSSD包括19个卷积层与7个最大池化层，每个所述卷积层的卷积核固定为3*3的大小，所述反卷积模块数量为3个，所述特征图的分辨率为32*32。
进一步地，所述步骤2.2的具体步骤为：
将原始分辨率为512*512的X光冠脉造影图像划分为32*32个分辨率为16*16的检测区域，在每个检测区域预设3个满足以下条件的边界框，所述预设边界框中心与所述检测区域中心重合，所述预设边界框大小为40*40，横纵比分别为1:1、1:1.5、1.5:1。
进一步地，所述步骤2.3中计算正边界框与其对应的金标准框的位置偏移的具体公式为：
其中cx*，cy*分别表示中心点的横坐标与纵坐标，w*，h*分别表示框的宽和高，脚标g，d分别表示金标准框与预设边界框，offset*表示对应的位置信息的偏移量。
进一步地，所述步骤2.4中计算目标检测的定位误差和分类误差的具体公式为：
定位误差的计算遵循常规的
其中和/>分别表示网络预测的偏移值与金标准偏移值；
分类误差的计算遵循常规的交叉熵，
其中xi表示真实类别标签，pi表示预测的概率值。
进一步地，所述卷积层包括卷积、批归一化和Relu激活。
本发明利用基于深度学习的目标检测网络，基于原始造影图像对单帧图像的狭窄段进行快速检测，并综合造影序列的检测结果，对假阳性进行抑制，进而避免了分割等图像预处理步骤对检测结果的影响，实现狭窄段的自动快速检测，为后续的医学诊断打下了良好的基础。率先使用卷积神经网络进行狭窄段检测，并且增加了基于造影剂充盈帧的时序约束这一约束条件，具有方法稳定可靠、准确率高、抗干扰能力强、操作全自动化等优点。
附图说明
图1是本发明的一个较佳实施例的流程示意图；
图2是本发明的一个较佳实施例的狭窄段检测的网络结构图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
本实施例在一台64位的Linux系统，64GB的RAM，Intel(R)Xeon E5-2630 v3 CPU，Nvidia Titan X pascal GPU的电脑上实现，整个方法基于TensorFlow深度学习框架，采用python编程语言实现。
本实施例的实施流程如图1所示，具体包括以下步骤：
步骤1、利用U-net对X光冠脉造影序列进行逐帧的血管分割，根据分割结果找出造影剂最充盈的帧，在此基础上制定策略选取一系列连续的充盈帧；
步骤2、将选取的X光造影图像输入训练好的狭窄段检测网络DSSD，获得静态的检测结果；
步骤3、综合连续充盈帧的静态检测结果，利用时域信息进行约束，抑制假阳性。
所述步骤1包括以下步骤：
步骤1.1、随机选取一些X光冠脉造影图像，进行逐像素的血管标注，利用原图与对应标签，训练用于血管分割的卷积神经网络U-net；
步骤1.2、将完整的X光冠脉造影序列拆分为帧，利用U-net进行逐帧分割，统计各帧分割结果中血管像素数目，最大像素数对应的造影图像即为造影剂最充盈帧；
步骤1.3、若造影剂最充盈帧的位置位于造影序列的前33％，则取造影剂最充盈帧的后11帧作为充盈帧备用；若造影剂最充盈帧的位置位于造影序列的前33％到后33％之间，则在造影剂最充盈帧的前后各取5帧作为充盈帧备用；若造影剂最充盈帧的位置位于造影序列的后33％，则取造影剂最充盈帧的前11帧作为充盈帧备用。
如图2所示，所述步骤2包括以下步骤：
步骤2.1、以VGG分类网络为基础搭建目标检测网络DSSD，共有19个卷积层与7个最大池化层，每个卷积层的卷积核固定为3*3的大小。在网络末端引入3个反卷积模块获得分辨率为32*32的特征图进行狭窄段检测。卷积层包括卷积、批归一化和Relu激活；
步骤2.2、将原始分辨率为512*512的X光血管造影片划分为32*32个分辨率为16*16的区域，在每个区域预设3个满足以下条件的边界框：中心与区域中心重合，大小为40*40，横纵比分别为1:1、1:1.5、1.5:1；
步骤2.3、参考医生给出的金标准边界框，我们将预设的边界框分为两类：与任一金标准框的交并比大于0.5的视为正框，其余的框视为负框。我们计算正边界框与其对应金标准框的位置偏移，作为检测网络的回归目标，具体公式如下：
其中cx*，cy*分别表示中心点的横坐标与纵坐标，w*，h*分别表示框的宽和高，脚标g，d分别表示金标准框与预设边界框，offset*表示对应的位置信息的偏移量；
步骤2.4、计算目标检测的误差，分为定位误差与分类误差。定位误差的计算遵循常规的具体公式如下：
其中和/>分别表示网络预测的偏移值与金标准偏移值。
分类误差的计算遵循常规的交叉熵，具体公式如下：
其中xi表示真实类别标签，pi表示预测的概率值；
总误差表示为定位误差与分类误差的和；
步骤2.5、将训练好的网络用于测试，对输出的一系列预测边界框进行非极大值抑制操作，移除冗余框，避免重复检测，获得最终的静态检测结果。
所述步骤3包括以下步骤：
步骤3.1、按时序排列步骤1选取的充盈帧的静态检测结果，提取相邻两帧的检测结果进行计算，若前一帧某检测框与后一帧某检测框的交并比大于0.1，则认为它们指向的是同一目标区域，并为它们建立连接关系；
步骤3.2、遍历整个序列，继续考察相邻两帧是否有指向同一目标区域的检测框，若存在，则延长之前的连接关系，由此获得在整个充盈序列中，出现频率较高的检测结果；
步骤3.3、考虑某一连接关系的长度，若小于8，则认为是假阳性，对该连接予以剔除；大于8，则认为是真的狭窄段，予以保留。

Claims (5)

1.一种基于DSSD和时域约束X光冠脉造影序列自动分析方法，其特征在于，所述方法包括以下步骤：
步骤1、利用U-net对X光冠脉造影序列进行逐帧的血管分割，根据分割结果找出造影剂最充盈帧，在此基础上制定策略选取一系列连续充盈帧；
步骤2、将选取的X光冠脉造影图像输入训练好的狭窄段检测网络DSSD，获得静态检测结果；
步骤3、综合连续充盈帧的静态检测结果，利用时域信息进行约束，抑制假阳性；
所述步骤1包括以下步骤：
步骤1.1、随机选取一些X光冠脉造影图像，进行逐像素的血管标注，利用原图与对应标签，训练用于血管分割的卷积神经网络U-net；
步骤1.2、将完整的X光冠脉造影序列拆分为帧，利用U-net进行逐帧分割，统计各帧分割结果中血管像素数目，最大像素数对应的造影图像即为造影剂最充盈帧；
步骤1.3、根据造影剂最充盈帧的位置，确定若干帧作为充盈帧备用；
所述步骤2包括以下步骤：
步骤2.1、以VGG分类网络为基础搭建目标检测网络DSSD，在网络末端引入反卷积模块获得特征图进行狭窄段检测；
步骤2.2、将选取的X光冠脉造影图像划分为若干个检测区域，在每个检测区域预设边界框；
步骤2.3、若预设边界框与任一金标准框的交并比大于0.5的标记为正边界框，否则标记为负边界框，计算正边界框与其对应的金标准框的位置偏移，作为目标检测网络的回归目标；
步骤2.4、分别计算目标检测网络的定位误差和分类误差，求和得到总误差；
步骤2.5、将训练好的网络用于测试，对输出的一系列预测边界框进行非极大值抑制操作，移除冗余框，避免重复检测，获得最终的静态检测结果；
所述步骤3包括以下步骤：
步骤3.1、按时序排列充盈帧的静态检测结果，提取相邻两帧的检测结果进行计算，若前一帧某检测框与后一帧某检测框的交并比大于0.1，则认为它们指向的是同一目标区域，并为它们建立连接关系；
步骤3.2、遍历整个序列，继续考察相邻两帧是否有指向同一目标区域的检测框，若存在，则延长之前的连接关系，由此获得在整个充盈序列中，出现频率较高的检测结果；
步骤3.3、考虑某一连接关系的长度，若小于8，则认为是假阳性，对该连接予以剔除；否则认为是真的狭窄段，予以保留；
所述步骤1.3的具体步骤为：
若造影剂最充盈帧的位置位于造影序列的前33％，则取造影剂最充盈帧的后11帧作为充盈帧备用；若造影剂最充盈帧的位置位于造影序列的前33％到后33％之间，则在造影剂最充盈帧的前后各取5帧作为充盈帧备用；若造影剂最充盈帧的位置位于造影序列的后33％，则取造影剂最充盈帧的前11帧作为充盈帧备用；
所述步骤2.1中所述目标检测网络DSSD包括19个卷积层与7个最大池化层，每个所述卷积层的卷积核固定为3*3的大小，所述反卷积模块数量为3个，所述特征图的分辨率为32*32。
2.如权利要求1所述的基于DSSD和时域约束X光冠脉造影序列自动分析方法，其特征在于，所述步骤2.2的具体步骤为：
将原始分辨率为512*512的X光冠脉造影图像划分为32*32个分辨率为16*16的检测区域，在每个检测区域预设3个满足以下条件的边界框，所述预设边界框中心与所述检测区域中心重合，所述预设边界框大小为40*40，横纵比分别为1:1、1:1.5、1.5:1。
3.如权利要求1所述的基于DSSD和时域约束X光冠脉造影序列自动分析方法，其特征在于，所述步骤2.3中计算正边界框与其对应的金标准框的位置偏移的具体公式为：
其中cx*，cy*分别表示中心点的横坐标与纵坐标，w*，h*分别表示框的宽和高，脚标g，d分别表示金标准框与预设边界框，offset*表示对应的位置信息的偏移量。
4.如权利要求1所述的基于DSSD和时域约束X光冠脉造影序列自动分析方法，其特征在于，所述步骤2.4中计算目标检测的定位误差和分类误差的具体公式为：
定位误差的计算遵循常规的
其中和/>分别表示网络预测的偏移值与金标准偏移值；
分类误差的计算遵循常规的交叉熵，
其中xi表示真实类别标签，pi表示预测的概率值。
5.如权利要求1所述的基于DSSD和时域约束X光冠脉造影序列自动分析方法，其特征在于，所述卷积层包括卷积、批归一化和Relu激活。
CN201910375099.6A 2019-05-07 2019-05-07 基于dssd和时域约束x光冠脉造影序列自动分析方法 Active CN110136107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910375099.6A CN110136107B (zh) 2019-05-07 2019-05-07 基于dssd和时域约束x光冠脉造影序列自动分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910375099.6A CN110136107B (zh) 2019-05-07 2019-05-07 基于dssd和时域约束x光冠脉造影序列自动分析方法

Publications (2)

Publication Number Publication Date
CN110136107A CN110136107A (zh) 2019-08-16
CN110136107B true CN110136107B (zh) 2023-09-05

Family

ID=67576396

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910375099.6A Active CN110136107B (zh) 2019-05-07 2019-05-07 基于dssd和时域约束x光冠脉造影序列自动分析方法

Country Status (1)

Country Link
CN (1) CN110136107B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111369528B (zh) * 2020-03-03 2022-09-09 重庆理工大学 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法
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
CN112200022A (zh) * 2020-09-23 2021-01-08 上海联影医疗科技股份有限公司 图像处理方法、医疗成像设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102258381A (zh) * 2010-03-12 2011-11-30 西门子公司 用于自动检测和分类心脏ct容积中的冠状动脉狭窄的方法和系统
CN108171698A (zh) * 2018-02-12 2018-06-15 数坤（北京）网络科技有限公司 一种自动检测人体心脏冠脉钙化斑块的方法
CN108230359A (zh) * 2017-11-12 2018-06-29 北京市商汤科技开发有限公司 目标检测方法和装置、训练方法、电子设备、程序和介质
CN108961229A (zh) * 2018-06-27 2018-12-07 东北大学 基于深度学习的心血管oct影像易损失斑块检测方法及系统
CN109146872A (zh) * 2018-09-03 2019-01-04 北京邮电大学 基于深度学习和光流法的心脏冠状动脉影像分割识别方法
CN109685776A (zh) * 2018-12-12 2019-04-26 华中科技大学 一种基于ct图像的肺结节检测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10346982B2 (en) * 2016-08-22 2019-07-09 Koios Medical, Inc. Method and system of computer-aided detection using multiple images from different views of a region of interest to improve detection accuracy

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102258381A (zh) * 2010-03-12 2011-11-30 西门子公司 用于自动检测和分类心脏ct容积中的冠状动脉狭窄的方法和系统
CN108230359A (zh) * 2017-11-12 2018-06-29 北京市商汤科技开发有限公司 目标检测方法和装置、训练方法、电子设备、程序和介质
CN108171698A (zh) * 2018-02-12 2018-06-15 数坤（北京）网络科技有限公司 一种自动检测人体心脏冠脉钙化斑块的方法
CN108961229A (zh) * 2018-06-27 2018-12-07 东北大学 基于深度学习的心血管oct影像易损失斑块检测方法及系统
CN109146872A (zh) * 2018-09-03 2019-01-04 北京邮电大学 基于深度学习和光流法的心脏冠状动脉影像分割识别方法
CN109685776A (zh) * 2018-12-12 2019-04-26 华中科技大学 一种基于ct图像的肺结节检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A coronary artery segmentation method based on multiscale analysisand region growing;Asma Kerkeni等;《Computerized Medical Imaging and Graphics》;20160331;全文 *

Also Published As

Publication number Publication date
CN110136107A (zh) 2019-08-16

Similar Documents

Publication Publication Date Title
US10867384B2 (en) System and method for automatically detecting a target object from a 3D image
CN109003267B (zh) 从3d图像自动检测目标对象的计算机实现方法和系统
US9119573B2 (en) Stent marker detection using a learning based classifier in medical imaging
CN110136107B (zh) 基于dssd和时域约束x光冠脉造影序列自动分析方法
US10776918B2 (en) Method and device for determining image similarity
US20230281809A1 (en) Connected machine-learning models with joint training for lesion detection
Sogancioglu et al. Cardiomegaly detection on chest radiographs: segmentation versus classification
CN110853111B (zh) 医学影像处理系统、模型训练方法及训练装置
CN113436166A (zh) 基于磁共振血管造影数据的颅内动脉瘤检测方法及系统
WO2007062135A2 (en) Computer-aided method for detection of interval changes in successive whole-body bone scans and related computer program product and system
Du et al. Real-time lesion detection of cardiac coronary artery using deep neural networks
CN111724356B (zh) 一种用于ct影像肺炎识别的图像处理方法和系统
Lu et al. Adaboost-based detection and segmentation of bioresorbable vascular scaffolds struts in IVOCT images
CN112784928A (zh) Dsa影像识别方法、装置及存储介质
US20240169544A1 (en) Methods and systems for biomedical image segmentation based on a combination of arterial and portal image information
CN115482223A (zh) 图像处理方法、装置、存储介质及电子设备
CN113469942B (zh) 一种ct图像病变检测方法
CN113298807A (zh) 一种计算机断层扫描图像处理方法及装置
CN112365489A (zh) 一种超声图像血管分叉检测方法
Vorberg et al. Detection of Pulmonary Embolisms in NCCT Data Using nnDetection
Liu et al. A Transformer-based pyramid network for coronary calcified plaque segmentation in intravascular optical coherence tomography images
US20230206438A1 (en) Multi arm machine learning models with attention for lesion segmentation
CN115359051B (zh) 基于图形识别的动脉瘤识别方法
CN117078698B (zh) 一种基于深度学习的外周血管影像辅助分割方法及系统
US20240037741A1 (en) Cardiac Catheterization Image Recognition and Evaluation Method

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