CN110189306A - 脑图像中异常区域对应的责任血管确定方法和设备 - Google Patents
脑图像中异常区域对应的责任血管确定方法和设备 Download PDFInfo
- Publication number
- CN110189306A CN110189306A CN201910398335.6A CN201910398335A CN110189306A CN 110189306 A CN110189306 A CN 110189306A CN 201910398335 A CN201910398335 A CN 201910398335A CN 110189306 A CN110189306 A CN 110189306A
- Authority
- CN
- China
- Prior art keywords
- brain image
- sample
- region
- compressing vessels
- abnormal area
- 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
Classifications
-
- 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
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30016—Brain
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种脑图像中异常区域对应的责任血管确定方法、装置、设备和存储介质,终端通过将待检测脑图像输入预设的分割模型进行分割,得到至少两个责任血管区域,其中至少两个责任血管区域包括大脑前动脉区域、大脑中动脉区域、大脑后动脉区域、小脑上动脉区域、小脑后下动脉区域、小脑前下动脉区域和椎‑基底动脉区域中的至少两个,进而将至少两个责任血管区域与待检测脑图像中的异常区域进行对比,确定异常区域对应的责任血管,使得所确定的异常区域对应的责任血管是通过人工智能的方法对脑图像进行分割,从而自动获得的。
Description
技术领域
本发明涉及深度学习技术领域,特别是涉及了一种脑图像中异常区域对应的责任血管确定方法和设备。
背景技术
脑卒中是一种急性脑血管疾病,通常是由大脑血管突然破裂或者因血管堵塞,导致血液不能流入大脑而引起脑组织损伤的疾病,包括缺血性和出血性脑卒中。对脑卒中的处理关键在于尽快将闭塞的血管开通,使得濒临死亡的细胞得以恢复。所以,确定脑卒中的责任血管至关重要。
在确定脑卒中的责任血管的过程中,通常是通过专业人员通过长期的专业训练,掌握大量的专业知识,例如,人脑动脉的解剖、血管供血区域以及大脑主要动脉分水岭区域等专业知识,来推测得到脑卒中的责任血管。
发明内容
基于此,有必要提供了一种脑图像中异常区域对应的责任血管确定方法、装置、设备和存储介质。
第一方面,一种脑图像中异常区域对应的责任血管确定方法,该方法包括:
将待检测脑图像输入预设的分割模型进行分割,得到具有至少两个责任血管区域的分割脑图像;至少两个责任血管区域包括大脑前动脉区域、大脑中动脉区域、大脑后动脉区域、小脑上动脉区域、小脑后下动脉区域、小脑前下动脉区域和椎-基底动脉区域中的至少两个;
将所述具有至少两个责任血管区域的分割脑图像与待检测脑图像中的异常区域进行匹配,确定异常区域对应的责任血管。
在其中一个实施例中,上述预设的分割模型是通过如下步骤得到:
获取多个样本脑图像;
对多个样本脑图像进行标注,获得对多个样本脑图像的责任血管区域对应的分割标注;
根据多个样本脑图像和多个样本脑图像中责任血管对应的分割标注形成的金标准,通过深度学习的方法得到预设的分割模型。
在其中一个实施例中,上述待检测脑图像包括磁共振MR待检测脑图像,上述样本脑图像包括磁共振MR样本脑图像。
在其中一个实施例中,对多个样本脑图像进行标注,获得对多个样本脑图像的责任血管区域对应的分割区域的分割标注,包括:
获取具有人工标注的MR标准脑图像;
通过将MR标准脑图像与MR样本脑图像配准,得到标注过的样本脑图像。
在其中一个实施例中,上述待检测脑图像包括电子计算机断层扫描CT待检测脑图像,样本脑图像还包括电子计算机断层扫描CT样本脑图像。
在其中一个实施例中,当样本脑图像为CT样本脑图像时,对多个样本脑图像进行标注还包括:
获取CT样本脑图像对应的诊疗对象的标注过的MR样本脑图像;
根据标注过的MR样本脑图像与CT样本脑图像进行配准,得到具有标注的CT样本脑图像。
在其中一个实施例中,上述标注过的MR样本脑图像,是通过下述方法得到的:
获取具有人工标注的MR标准脑图像;
通过将MR标准脑图像与MR样本脑图像配准,得到标注过的MR样本脑图像的标注。
在其中一个实施例中,上述异常区域包括出血异常区域、缺血异常区域和血管瘤区域中的至少一种。
第二方面,一种脑图像中异常区域对应的责任血管确定装置,该装置包括:
分割模块,用于将待检测脑图像输入预设的分割模型进行分割,得到具有至少两个责任血管区域的分割脑图像;至少两个责任血管区域包括大脑前动脉区域、大脑中动脉区域、大脑后动脉区域、小脑上动脉区域、小脑后下动脉区域、小脑前下动脉区域和椎-基底动脉区域中的至少两个;
对比模块,用于将所述具有至少两个责任血管区域的分割脑图像与待检测脑图像中的异常区域进行匹配,确定异常区域对应的责任血管。
第三方面,一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述脑图像中异常区域对应的责任血管确定方法所述的方法步骤。
第四方面,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述脑图像中异常区域对应的责任血管确定方法所述的方法步骤。
上述脑图像中异常区域对应的责任血管确定方法、装置、设备和存储介质,终端通过将待检测脑图像输入预设的分割模型进行分割,得到具有至少两个责任血管区域的分割脑图像,其中至少两个责任血管区域包括大脑前动脉区域、大脑中动脉区域、大脑后动脉区域、小脑上动脉区域、小脑后下动脉区域、小脑前下动脉区域和椎-基底动脉区域中的至少两个,进而将具有至少两个责任血管区域的分割脑图像与待检测脑图像中的异常区域进行匹配,确定异常区域对应的责任血管,使得所确定的异常区域对应的责任血管是通过人工智能的方法对脑图像进行分割,从而自动获得的。
附图说明
图1为一个实施例中脑图像中异常区域对应的责任血管确定方法的应用环境的示意图;
图2为一个实施例中脑图像中异常区域对应的责任血管确定方法的流程示意图;
图3为一个实施例中待检测脑图像和分割脑图像的示意图;
图4为另一个实施例中脑图像中异常区域对应的责任血管确定方法的流程示意图;
图5为另一个实施例中脑图像中异常区域对应的责任血管确定方法的流程示意图;
图6为另一个实施例中脑图像中异常区域对应的责任血管确定方法的流程示意图;
图7为另一个实施例中脑图像中异常区域对应的责任血管确定方法的流程示意图;
图8为一个实施例中提供的脑图像中异常区域对应的责任血管确定装置的结构示意图;
图9为另一个实施例中提供的脑图像中异常区域对应的责任血管确定装置的结构示意图;
图10为另一个实施例中提供的脑图像中异常区域对应的责任血管确定装置的结构示意图。
具体实施方式
本申请提供的脑图像中异常区域对应的责任血管确定方法、装置、设备和存储介质。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
本实施例提供的脑图像中异常区域对应的责任血管确定方法,可以适用于如图1所示的应用环境中。其中脑图像中异常区域对应的责任血管确定终端如图1所示。脑图像中异常区域对应的责任血管确定终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,本申请实施例对此不做限制。
需要说明的是,本申请实施例提供的脑图像中异常区域对应的责任血管确定方法,其执行主体可以是脑图像中异常区域对应的责任血管确定装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为脑图像中异常区域对应的责任血管确定终端的部分或者全部。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。
图2为一个实施例中脑图像中异常区域对应的责任血管确定方法的流程示意图。本实施例涉及的是通过预设的分割模型对待检测脑图像进行分割,得到至少两个责任血管区域,进而根据至少两个责任血管区域得到脑图像中异常区域对应的责任血管的具体过程。如图2所示,该方法包括以下步骤:
S101、将待检测脑图像输入预设的分割模型进行分割,得到具有至少两个责任血管区域的分割脑图像;至少两个责任血管区域包括大脑前动脉区域、大脑中动脉区域、大脑后动脉区域、小脑上动脉区域、小脑后下动脉区域、小脑前下动脉区域和椎-基底动脉区域中的至少两个。
具体地,待检测脑图像可以包括对脑部进行扫描获得的图像,其可以包括电子计算机断层扫描图像(Computed Tomography,CT)、磁共振图像(Magnetic ResonanceImaging,MRI)、正电子发射型计算机断层图像(Positron Emission ComputedTomography,PET),本申请实施例对此不做限制。预设的分割模型可以是神经网络模型,其可以通过深度学习,得到待检测脑图像与至少两个责任血管区域的映射关系,进而可以用于将待检测脑图像分割成具有至少两个责任血管区域的分割脑图像,其中责任血管区域可以是不同的脑血管供血区域对应的不同的脑区域。其可以包括大脑前动脉区域、大脑中动脉区域、大脑后动脉区域、小脑上动脉区域、小脑后下动脉区域、小脑前下动脉区域和椎-基底动脉区域中的至少两个,本申请实施例对此不作限制。也即是说,通过预设的分割模型,可以将待检测脑图像分割成至少两个责任血管区域。在将待检测脑图像输入预设的分割模型进行分割时,可以对待检测脑图像进行旋转、重采样、调整尺寸、匀场校正、去头骨的一系列预处理操作,并将预处理后的待检测脑图像输入预设的分割模型进行分割。
在一个实施例中,将待检测脑图像输入预设的分割模型进行分割,得到多个责任血管区域的分割脑图像,其中多个责任血管区域包括大脑前动脉区域、大脑中动脉区域、大脑后动脉区域、小脑上动脉区域、小脑后下动脉区域、小脑前下动脉区域和椎-基底动脉区域。
S102、将具有至少两个责任血管区域的分割脑图像与待检测脑图像中的异常区域进行匹配,确定异常区域对应的责任血管。
具体地,待检测脑图像中的异常区域可以是待检测脑图像中血管异常的区域。在上述实施例的基础上,当将待检测脑图像分割成具有至少两个责任血管区域的分割脑图像时,可以将具有至少两个责任血管区域的分割脑图像与待检测脑图像中的异常区域进行匹配,得到上述分割脑图像中各区域与待检测脑图像中异常区域重叠最多的责任血管区域,并根据该责任血管区域确定该异常区域对应的责任血管。例如,如图3所示,201为待检测脑图像,202为具有7个责任血管区域的分割脑图像,其中,7个责任血管区域分别为大脑前动脉区域、大脑中动脉区域、大脑后动脉区域、小脑上动脉区域、小脑后下动脉区域、小脑前下动脉区域和椎-基底动脉区域。通过将待检测脑图像201和具有7个责任血管区域的分割脑图像进行匹配,得到分割脑图像中的大脑前动脉区域与待检测脑图像中的异常区域大部分区域重叠,进而根据该分割脑图像中的大脑前动脉区域,确定待检测脑图像中的异常区域对应的责任血管为大脑前动脉。待检测脑图像中的异常区域可以对应多个责任血管区域。例如,同时出现在大脑中动脉和大脑后动脉,统计出血灶或者缺血区域在各个责任血管供血区域所占的体积大小(重叠区域),将重叠区域最大的责任血管作为该异常区域对应的责任血管。
上述脑图像中异常区域对应的责任血管确定方法,终端通过将待检测脑图像输入预设的分割模型进行分割,得到具有至少两个责任血管区域的分割脑图像,其中至少两个责任血管区域包括大脑前动脉区域、大脑中动脉区域、大脑后动脉区域、小脑上动脉区域、小脑后下动脉区域、小脑前下动脉区域和椎-基底动脉区域中的至少两个,进而将具有至少两个责任血管区域的分割脑图像与待检测脑图像中的异常区域进行匹配,确定异常区域对应的责任血管,使得所确定的异常区域对应的责任血管是通过人工智能的方法对脑图像进行分割,从而自动获得的。
可选地,异常区域包括出血异常区域、缺血异常区域和血管瘤区域中的至少一种。
具体地,出血异常区域可以包括脑血管出血的区域,其可以是原发性非损伤性脑实质内出血的区域。缺血异常区域可以包括脑血管梗塞的区域,其可以包括由于脑部血液供应障碍,缺血、缺氧导致的局限性脑组织的缺血性坏死或者软化区域,血管瘤区域可以是脑血管中存在血管瘤的区域,上述血管瘤可以包括动脉瘤。其中异常区域的种类可以是出血异常区域、缺血异常区域和血管瘤区域中的一种、两种或三种,异常区域的个数可以是多个出血异常区域、多个缺血异常区域和多个血管瘤区域。例如异常区域可以是一个出血异常区域和两个缺血异常区域,还可以是两个出血异常区域和三个血管瘤区域,本申请实施例对此不作限制。
图4为另一个实施例中脑图像中异常区域对应的责任血管确定方法的流程示意图。本实施例涉及的是得到预设的分割模型的具体过程。如图4所示,该方法包括以下步骤:
S201、获取多个样本脑图像。
具体地,样本脑图像可以是通过扫描设备对脑部进行扫描获得的脑图像,其可以是MR脑图像,也可以是CT脑图像。多个样本脑图像可以全部是MR脑图像,也可以全部是CT脑图像,还可以是部分MR脑图像和部分CT脑图像,本申请实施例对此不做限制。在具体的获取多个样本脑图像时,可以是直接调用扫描设备扫描获得的脑图像;也可以是对扫描设备扫描得到的脑图像进行旋转、重采样、调整尺寸、匀场校正、去头骨的一系列预处理操作,得到的预处理后的多个脑图像;本申请实施例对此不做限制。
S202、对多个样本脑图像进行标注,获得对多个样本脑图像中责任血管区域对应的分割标注。
具体地,分割标注可以用于表示脑图像中责任血管区域,其可以是文字标注,也可以是颜色标注,即通过不同的颜色来区分不同的责任血管区域,本申请实施例对此不做限制。在上述实施例的基础上,获得了多个样本脑图像时,终端可以对多个样本脑图像进行标注,得到的多个样本脑图像中责任血管区域对应的分割标注。对多个样本脑图像进行标注的过程,可以是对目标样本脑图像进行标注之后,将其他样本脑图像与该目标样本脑图像进行配准,获得其他样本脑图像的标注。
S203、根据多个样本脑图像和多个样本脑图像中责任血管对应的分割标注形成的金标准,通过深度学习的方法得到预设的分割模型。
具体地,在上述实施例的基础上,当获得了多个样本脑图像和多个样本脑图像中责任血管对应的分割标注时,可以根据多个样本脑图像和多个样本脑图像中责任血管对应的分割标注形成的金标准,训练神经网络,得到上述预设的分割模型。其中,金标准可以包括脑图像中至少两个责任血管区域,其可以是与脑图像中实际要表达的责任血管区域最为接近的至少两个责任血管区域。在具体的通过深度学习的方法得到预设的分割模型时,可以先将样本脑图像输入初始的分割模型,根据多个样本脑图像和多个样本脑图像中责任血管对应的分割标注形成的金标准,调整初始的分割模型中的训练参数,直至通过分割模型得到具有至少两个责任血管区域的分割脑图像,与金标准中样本脑图像像中责任血管对应的分割标注,在预设的误差范围内,即为预设的分割模型。其中,分割模型可以采用Vnet网络模型,通过Cross Entropy loss损失函数,采用Adam自适应优化器的网络优化函数来调整分割模型中的训练参数。例如,可以通过调整初始的分割模型中的训练参数,得到具有7个责任血管区域的分割脑图像,其中,7个责任血管区域包括大脑前动脉区域、大脑中动脉区域、大脑后动脉区域、小脑上动脉区域、小脑后下动脉区域、小脑前下动脉区域和椎-基底动脉区域,,该7个责任血管区域与金标准中样本脑图像中责任血管对应的分割标注,在预设的误差范围内,根据该训练参数得到的分割模型,即为预设的分割模型。
上述脑图像中异常区域对应的责任血管确定方法,终端通过获取多个样本脑图像,并对多个样本脑图像进行标注,获得对多个样本脑图像中责任血管区域对应的分割标注,根据多个样本脑图像和多个样本脑图像中责任血管对应的分割标注形成的金标准,通过深度学习的方法得到预设的分割模型。使得预设的分割模型是通过深度学习的方法获得的,提高了预设的分割模型的准确度,进而提高了将待检测脑图像输入预设的分割模型,得到的至少两个责任血管区域的准确度,提高了根据至少两个责任血管区域确定异常区域对应的责任血管的准确度。
可选地,上述待检测脑图像包括磁共振MR待检测脑图像,上述样本脑图像包括磁共振MR样本脑图像。
在上述实施例的基础上,当待检测脑图像和样本脑图像为医用磁共振MR图像时,可以通过标准脑图像与样本脑图像进行配准,从而得到分割标注。下面通过图5所示实施例来详细描述。
图5为另一个实施例中脑图像中异常区域对应的责任血管确定方法的流程示意图。本实施例涉及的是对多个样本脑图像进行标注,得到分割标注的具体过程。如图5所示,上述S202“对多个样本脑图像进行标注,获得对多个样本脑图像的责任血管区域对应的分割区域的分割标注”一种可能的实现方法包括以下步骤:
S301、获取具有标注的MR标准脑图像。
具体地,MR标准脑图像可以是通过对脑图像进行旋转、重采样、调整尺寸、匀场校正、去头骨的一系列预处理操作,得到的尺寸标准,且脑图像中信息符合预设的规范的MR脑图像。例如,MR标准脑图像中可以是图像尺寸为预设尺寸的脑图像,且MR标准脑图像中只包括脑组织区域信息,而不包括头骨等背景信息。在具体的获取具有标注的MR标准脑图像时,可以是通过获得用户在显示屏幕上的操作,获得MR标准脑图像的标注。其中,可以通过文字指令、语音指令、触控指令来获得用户在屏幕上的操作,本申请实施例对此不做限制。
S302、通过将MR标准脑图像与MR样本脑图像配准,得到标注过的MR样本脑图像。
具体地,在上述实施例的基础上,获取了具有标注的MR标准脑图像时,可以通过将MR标准脑图像与MR样本脑图像进行配准,得到标注过的MR样本脑图像。在上述实施例的基础上,MR样本脑图像可以是直接调用扫描设备对脑部进行扫描时获得的MR脑图像,也可以是经过旋转、重采样、调整尺寸、匀场校正、去头骨的一系列预处理操作,得到预处理的MR脑图像。当MR样本脑图像为扫描设备对脑部进行扫描时获得的MR脑图像时,可以对样本脑图像进行旋转、重采样、调整尺寸、匀场校正、去头骨的一系列预处理操作,得到预处理过的MR样本脑图像,然后通过非线性配准将MR标准脑图像配准到各MR样本脑图像上,并将配准得到的形变场,应用到标准空间的责任血管区域模板上,得到了标注过的多个MR样本脑图像;当MR样本脑图像为预处理过的脑图像,则可以直接通过非线性配准将MR标准脑图像配准到各MR样本脑图像上,并将配准得到的形变场,应用到标准空间的责任血管区域模板上,得到了标注过的各MR样本脑图像。
上述脑图像中异常区域对应的责任血管确定方法,终端通过获取具有标注的MR标准脑图像,并通过将MR标准脑图像与MR样本脑图像配准,得到标注过的MR样本脑图像,本实施例中,通过MR标准脑图像与MR样本脑图像配准,得到标注过的MR样本脑图像,提高了获得标注过的MR样本脑图像的效率,进而提高了根据标注过的MR样本脑图像得到预设的分割模型的效率,进而提高了将待检测MR脑图像输入预设的分割模型,得到的具有至少两个责任血管区域的MR分割脑图像的效率,提高了根据具有至少两个责任血管区域的分割脑图像确定的待检测MR脑图像中异常区域对应的责任血管的效率。
可选地,上述待检测脑图像包括CT待检测脑图像,上述样本脑图像还包括CT样本脑图像。当上述样本脑图像为CT图像时,可以通过CT样本脑图像对应的诊疗对象的MR样本脑图像,得到具有标注的CT样本脑图像。
图6为另一个实施例中脑图像中异常区域对应的责任血管确定方法的流程示意图。本实施例涉及的是当样本脑图像为CT图像时,如何通过该CT样本脑图像对应的诊疗对象的MR样本脑图像,得到具有标注的CT样本脑图像的具体过程。如图6所示,该方法包括以下步骤:
S401、获取CT样本脑图像对应的诊疗对象的标注过的MR样本脑图像。
具体地,CT样本脑图像中的样本脑图像为CT图像,该CT样本脑图像对应的诊疗对象,还存在MR样本脑图像,该MR样本脑图像与CT脑图像可以是对同一诊疗对象的同一脑部位,通过不同的扫描设备扫描获得MR图像和CT图像。也即是说,该CT样本脑图像和该MR样本脑图像中包括的信息是一致的,其解剖结构是一致的。在具体获取CT样本脑图像对应的诊疗对象的标注过的MR样本脑图像时,可以是通过先获取CT样本脑图像对应的诊疗对象的信息,进而根据该诊疗对象的信息,获取其对应的标注过的MR样本脑图像。可选地,标注过的MR样本脑图像可以通过图7所示步骤获得,包括:
S501、获取具有标注的MR标准脑图像。
S502、通过将MR标准脑图像与MR样本脑图像配准,得到标注过的MR样本脑图像。
具体地,在上述实施例的基础上,获取了具有标注的MR标准脑图像时,可以通过将MR标准脑图像与MR样本脑图像进行配准,得到标注过的MR样本脑图像。在上述实施例的基础上,MR样本脑图像可以是直接调用MR扫描设备对脑部进行扫描时获得的MR脑图像,也可以是经过旋转、重采样、调整尺寸、匀场校正、去头骨的一系列预处理操作,得到预处理的MR脑图像。当MR样本脑图像为MR扫描设备对脑部进行扫描时获得的MR脑图像时,可以对MR样本脑图像进行旋转、重采样、调整尺寸、匀场校正、去头骨的一系列预处理操作,得到预处理过的MR样本脑图像,然后通过非线性配准将标准脑图像配准到各MR样本脑图像上,并将配准得到的形变场,应用到标准空间的责任血管区域模板上,得到了标注过的多个MR样本脑图像;当MR样本脑图像为预处理过的脑图像,则可以直接通过非线性配准将标准脑图像配准到各MR样本脑图像上,并将配准得到的形变场,应用到标准空间的责任血管区域模板上,得到了标注过的各MR样本脑图像。
S402、根据标注过的MR样本脑图像与CT样本脑图像进行配准,得到具有标注的CT样本脑图像。
具体地,在上述实施例的基础上,可以通过对CT样本脑图像进行旋转、重采样、调整尺寸、去头骨、灰度归一化的一系列预处理操作,使得的MR样本脑图像和预处理后CT样本脑图像有相同的尺寸和分辨率。其中,CT样本脑图像对应的诊疗对象的MR样本脑图像,两者之间的解剖结构是相同的,可以通过使用仿射配准,可以多个具有有标注的CT样本脑图像。
上述脑图像中异常区域对应的责任血管确定方法,终端通过获取CT样本脑图像对应的诊疗对象的标注过的MR样本脑图像,进而根据标注过的MR样本脑图像与CT样本脑图像进行配准,得到具有标注的CT样本脑图像,使得当样本脑图像为CT图像时,通过与该CT样本脑图像对应的诊疗对象的标注过的MR样本脑图像进行配准,得到具有标注的CT样本脑图像更加的准确,进而提高了根据有标注的CT样本脑图像得到的预设的分割模型准确度,进而提高了将待检测脑图像输入预设的分割模型,得到的至少两个责任血管区域的准确度,提高了根据至少两个责任血管区域确定异常区域对应的责任血管的准确度。
应该理解的是,虽然图2-7的流程图中的各个步骤按照箭头的指示,依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-7中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图8为一个实施例中提供的脑图像中异常区域对应的责任血管确定装置的结构示意图,如图8所示,该脑图像中异常区域对应的责任血管确定装置包括:分割模块10和对比模块20,其中:
分割模块10,用于将待检测脑图像输入预设的分割模型进行分割,得到具有至少两个责任血管区域的分割脑图像;至少两个责任血管区域包括大脑前动脉区域、大脑中动脉区域、大脑后动脉区域、小脑上动脉区域、小脑后下动脉区域、小脑前下动脉区域和椎-基底动脉区域中的至少两个;
对比模块20,用于将具有至少两个责任血管区域的分割脑图像与待检测脑图像中的异常区域进行对比,确定异常区域对应的责任血管。
本发明实施例提供的脑图像中异常区域对应的责任血管确定装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
图9为另一个实施例中提供的脑图像中异常区域对应的责任血管确定装置的结构示意图,在图8所示实施例的基础上,如图9所示,脑图像中异常区域对应的责任血管确定装置还包括:训练模块30,训练模块30包括获取单元301、标注单元302和训练单元303,其中:
获取单元301,用于获取多个样本脑图像;
标注单元302,用于对多个样本脑图像进行标注,获得对多个样本脑图像的责任血管区域对应的分割标注;
训练单元303,用于根据多个样本脑图像和多个样本脑图像中责任血管对应的分割标注形成的金标准,通过深度学习的方法得到预设的分割模型。
在一个实施例中,上述待检测脑图像包括磁共振MR待检测脑图像,上述样本脑图像包括磁共振MR样本脑图像。
在一个实施例中,标注单元302具体用于获取具有标注的MR标准脑图像;通过将MR标准脑图像与MR样本脑图像配准,得到标注过的MR样本脑图像。
本发明实施例提供的脑图像中异常区域对应的责任血管确定装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,上述待检测脑图像包括电子计算机断层扫描CT待检测脑图像,上述样本脑图像包括电子计算机断层扫描CT样本脑图像。
图10为另一个实施例中提供的脑图像中异常区域对应的责任血管确定装置的结构示意图,在图8或图9所示实施例的基础上,如图10所示,脑图像中异常区域对应的责任血管确定装置还包括转换模块40,其中:
转换模块40具体用于获取CT样本脑图像对应的诊疗对象的标注过的MR样本脑图像;根据标注过的MR样本脑图像与CT样本脑图像进行配准,得到具有标注的CT样本脑图像。
在一个实施例中,转换模块40具体用于获取具有标注的MR标准脑图像;通过将MR标准脑图像与MR样本脑图像配准,得到标注过的MR样本脑图像。
在一个实施例中,上述异常区域包括出血异常区域、缺血异常区域和血管瘤区域中的至少一种。
需要说明的是,图10是基于图9的基础上进行示出的,当然图10也可以基于图8的结构进行示出,这里仅是一种示例。
本发明实施例提供的脑图像中异常区域对应的责任血管确定装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于一种脑图像中异常区域对应的责任血管确定装置的具体限定可以参见上文中对脑图像中异常区域对应的责任血管确定方法的限定,在此不再赘述。上述脑图像中异常区域对应的责任血管确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端设备,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种脑图像中异常区域对应的责任血管确定方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种终端设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
将待检测脑图像输入预设的分割模型进行分割,得到具有至少两个责任血管区域的分割脑图像;至少两个责任血管区域包括大脑前动脉区域、大脑中动脉区域、大脑后动脉区域、小脑上动脉区域、小脑后下动脉区域、小脑前下动脉区域和椎-基底动脉区域中的至少两个;
将具有至少两个责任血管区域分割脑图像与待检测脑图像中的异常区域进行匹配,确定异常区域对应的责任血管。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取多个样本脑图像;对多个样本脑图像进行标注,获得对多个样本脑图像的责任血管区域对应的分割标注;根据多个样本脑图像和多个样本脑图像中责任血管对应的分割标注形成的金标准,通过深度学习的方法得到预设的分割模型。
在一个实施例中,上述待检测脑图像包括磁共振MR待检测脑图像,上述样本脑图像包括磁共振MR样本脑图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取具有标注的MR标准脑图像;通过将MR标准脑图像与MR样本脑图像配准,得到标注过的MR样本脑图像。
在一个实施例中,上述待检测脑图像包括电子计算机断层扫描CT待检测脑图像,上述样本脑图像包括电子计算机断层扫描CT样本脑图像。
在一个实施例中,当样本脑图像为CT图像时,处理器执行计算机程序时还实现以下步骤:获取CT样本脑图像对应的诊疗对象的标注过的MR样本脑图像;根据标注过的MR样本脑图像与CT样本脑图像进行配准,得到具有标注的CT样本脑图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取具有标注的MR标准脑图像;通过将MR标准脑图像与MR样本脑图像配准,得到标注过的MR样本脑图像。
在一个实施例中,上述异常区域包括出血异常区域、缺血异常区域和血管瘤区域中的至少一种。
本实施例提供的终端设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
将待检测脑图像输入预设的分割模型进行分割,得到具有至少两个责任血管区域的分割脑图像;至少两个责任血管区域包括大脑前动脉区域、大脑中动脉区域、大脑后动脉区域、小脑上动脉区域、小脑后下动脉区域、小脑前下动脉区域和椎-基底动脉区域中的至少两个;
将具有至少两个责任血管区域的分割脑图像与待检测脑图像中的异常区域进行匹配,确定异常区域对应的责任血管。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:获取多个样本脑图像;对多个样本脑图像进行标注,获得对多个样本脑图像的责任血管区域对应的分割标注;根据多个样本脑图像和多个样本脑图像中责任血管对应的分割标注形成的金标准,通过深度学习的方法得到预设的分割模型。
在一个实施例中,上述待检测脑图像包括磁共振MR待检测脑图像,上述样本脑图像包括磁共振MR样本脑图像。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:获取具有标注的MR标准脑图像;通过将MR标准脑图像与MR样本脑图像配准,得到标注过的MR样本脑图像。
在一个实施例中,待检测脑图像包括电子计算机断层扫描CT待检测脑图像,上述样本脑图像包括电子计算机断层扫描CT样本脑图像。
在一个实施例中,当样本脑图像为CT图像时,计算机程序被处理器执行时实现以下步骤:获取CT样本脑图像对应的诊疗对象的标注过的MR样本脑图像;根据标注过的MR样本脑图像与CT样本脑图像进行配准,得到具有标注的CT样本脑图像。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:获取具有标注的MR标准脑图像;通过将MR标准脑图像与MR样本脑图像配准,得到标注过的MR样本脑图像。
在一个实施例中,上述异常区域包括出血异常区域、缺血异常区域和血管瘤区域中的至少一种。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种脑图像中异常区域对应的责任血管确定方法,其特征在于,所述方法包括:
将待检测脑图像输入预设的分割模型进行分割,得到具有至少两个责任血管区域的分割脑图像;所述至少两个责任血管区域包括大脑前动脉区域、大脑中动脉区域、大脑后动脉区域、小脑上动脉区域、小脑后下动脉区域、小脑前下动脉区域和椎-基底动脉区域中的至少两个;
将所述具有至少两个责任血管区域的分割脑图像与所述待检测脑图像中的异常区域进行匹配,确定所述异常区域对应的责任血管。
2.根据权利要求1所述方法,其特征在于,所述预设的分割模型是通过如下步骤得到:
获取多个样本脑图像;
对所述多个样本脑图像进行标注,获得所述多个样本脑图像中责任血管区域对应分割标注;
根据所述多个样本脑图像和所述多个样本脑图像的责任血管区域对应的分割区域的分割标注形成的金标准,通过深度学习的方法得到所述预设的分割模型。
3.根据权利要求2所述方法,其特征在于,所述待检测脑图像包括磁共振MR待检测脑图像,所述样本脑图像包括磁共振MR样本脑图像。
4.根据权利要求3所述方法,其特征在于,对所述多个样本脑图像进行标注,获得所述对多个样本脑图像的责任血管区域对应的分割区域的分割标注,包括:
获取具有标注的MR标准脑图像;
通过将所述MR标准脑图像与所述MR样本脑图像配准,得到标注过的MR样本脑图像。
5.根据权利要求2所述方法,其特征在于,所述待检测脑图像包括电子计算机断层扫描CT待检测脑图像,所述样本脑图像包括电子计算机断层扫描CT样本脑图像。
6.根据权利要求5所述方法,其特征在于,当所述样本脑图像为所述CT样本脑图像时,所述对所述多个样本脑图像进行标注还包括:
获取所述CT样本脑图像对应的诊疗对象的标注过的MR样本脑图像;
根据所述标注过的MR样本脑图像与所述CT样本脑图像进行配准,得到具有标注的CT样本脑图像。
7.根据权利要求6所述方法,其特征在于,所述标注过的MR样本脑图像,是通过下述方法得到的:
获取具有标注的MR标准脑图像;
通过将所述MR标准脑图像与MR样本脑图像配准,得到所述标注过的MR样本脑图像。
8.根据权利要求1-4任一项所述方法,其特征在于,所述异常区域包括出血异常区域、缺血异常区域和血管瘤区域中的至少一种。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910398335.6A CN110189306B (zh) | 2019-05-14 | 2019-05-14 | 脑图像中异常区域对应的责任血管确定方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910398335.6A CN110189306B (zh) | 2019-05-14 | 2019-05-14 | 脑图像中异常区域对应的责任血管确定方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110189306A true CN110189306A (zh) | 2019-08-30 |
CN110189306B CN110189306B (zh) | 2021-02-19 |
Family
ID=67716238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910398335.6A Active CN110189306B (zh) | 2019-05-14 | 2019-05-14 | 脑图像中异常区域对应的责任血管确定方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110189306B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110934606A (zh) * | 2019-10-31 | 2020-03-31 | 上海杏脉信息科技有限公司 | 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质 |
CN111063422A (zh) * | 2019-12-26 | 2020-04-24 | 北京推想科技有限公司 | 一种医学图像标注方法、装置、设备及介质 |
CN111192679A (zh) * | 2019-12-25 | 2020-05-22 | 上海联影智能医疗科技有限公司 | 一种影像数据异常的处理方法、装置及存储介质 |
CN111528845A (zh) * | 2020-04-16 | 2020-08-14 | 北京康兴顺达科贸有限公司 | 单侧大脑中动脉重度狭窄/闭塞的asl图像处理方法 |
CN112435212A (zh) * | 2020-10-15 | 2021-03-02 | 杭州脉流科技有限公司 | 基于深度学习的脑部病灶区域体积得到方法、装置、计算机设备和存储介质 |
CN114648514A (zh) * | 2022-03-30 | 2022-06-21 | 中国人民解放军总医院第二医学中心 | 一种脑动脉定位提取方法、装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101336844A (zh) * | 2007-07-05 | 2009-01-07 | 株式会社东芝 | 医用图像处理装置以及医用图像诊断装置 |
CN105825509A (zh) * | 2016-03-17 | 2016-08-03 | 电子科技大学 | 基于3d卷积神经网络的脑血管分割方法 |
CN108231194A (zh) * | 2018-04-04 | 2018-06-29 | 苏州医云健康管理有限公司 | 一种疾病诊断系统 |
CN108257674A (zh) * | 2018-01-24 | 2018-07-06 | 龙马智芯(珠海横琴)科技有限公司 | 疾病预测方法和装置、设备、计算机可读存储介质 |
CN108629784A (zh) * | 2018-05-08 | 2018-10-09 | 上海嘉奥信息科技发展有限公司 | 一种基于深度学习的ct图像颅内血管分割方法及系统 |
CN109091167A (zh) * | 2018-06-29 | 2018-12-28 | 东南大学 | 冠状动脉粥样硬化斑块增长的预测方法 |
EP3425589A1 (en) * | 2017-07-03 | 2019-01-09 | Jochen Fiebach | Method for assessing a likelihood that an ischemia in a brain tissue area results in an infarction of this brain tissue area by image analysis |
US20190019304A1 (en) * | 2017-07-11 | 2019-01-17 | Fujifilm Corporation | Medical image processing apparatus, method, and program |
CN109561852A (zh) * | 2017-04-04 | 2019-04-02 | 李昡燮 | 用于个性化定制脑疾病诊断和状态判定的医学图像处理系统及方法 |
CN109671076A (zh) * | 2018-12-20 | 2019-04-23 | 上海联影智能医疗科技有限公司 | 血管分割方法、装置、电子设备及存储介质 |
-
2019
- 2019-05-14 CN CN201910398335.6A patent/CN110189306B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101336844A (zh) * | 2007-07-05 | 2009-01-07 | 株式会社东芝 | 医用图像处理装置以及医用图像诊断装置 |
CN105825509A (zh) * | 2016-03-17 | 2016-08-03 | 电子科技大学 | 基于3d卷积神经网络的脑血管分割方法 |
CN109561852A (zh) * | 2017-04-04 | 2019-04-02 | 李昡燮 | 用于个性化定制脑疾病诊断和状态判定的医学图像处理系统及方法 |
EP3425589A1 (en) * | 2017-07-03 | 2019-01-09 | Jochen Fiebach | Method for assessing a likelihood that an ischemia in a brain tissue area results in an infarction of this brain tissue area by image analysis |
US20190019304A1 (en) * | 2017-07-11 | 2019-01-17 | Fujifilm Corporation | Medical image processing apparatus, method, and program |
CN108257674A (zh) * | 2018-01-24 | 2018-07-06 | 龙马智芯(珠海横琴)科技有限公司 | 疾病预测方法和装置、设备、计算机可读存储介质 |
CN108231194A (zh) * | 2018-04-04 | 2018-06-29 | 苏州医云健康管理有限公司 | 一种疾病诊断系统 |
CN108629784A (zh) * | 2018-05-08 | 2018-10-09 | 上海嘉奥信息科技发展有限公司 | 一种基于深度学习的ct图像颅内血管分割方法及系统 |
CN109091167A (zh) * | 2018-06-29 | 2018-12-28 | 东南大学 | 冠状动脉粥样硬化斑块增长的预测方法 |
CN109671076A (zh) * | 2018-12-20 | 2019-04-23 | 上海联影智能医疗科技有限公司 | 血管分割方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
RENZO PHELLAN等: "Vascular Segmentation in TOF MRA Images of the Brain Using a Deep Convolutional Neural Network", 《INTRAVASCULAR IMAGING AND COMPUTER ASSISTED STENTING, AND LARGE-SCALE ANNOTATION OF BIOMEDICAL DATA AND EXPERT LABEL SYNTHESIS》 * |
TOMASZ HACHAJ等: "Application of neural networks in detection of abnormal brain perfusion regions", 《NEUROCOMPUTING》 * |
夏国峰: "基于模糊聚类理论的脑部医学图像分割方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈圆: "基于卷积神经网络的脑血管自动分割算法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110934606A (zh) * | 2019-10-31 | 2020-03-31 | 上海杏脉信息科技有限公司 | 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质 |
CN111192679A (zh) * | 2019-12-25 | 2020-05-22 | 上海联影智能医疗科技有限公司 | 一种影像数据异常的处理方法、装置及存储介质 |
CN111192679B (zh) * | 2019-12-25 | 2024-04-19 | 上海联影智能医疗科技有限公司 | 一种影像数据异常的处理方法、装置及存储介质 |
CN111063422A (zh) * | 2019-12-26 | 2020-04-24 | 北京推想科技有限公司 | 一种医学图像标注方法、装置、设备及介质 |
CN111528845A (zh) * | 2020-04-16 | 2020-08-14 | 北京康兴顺达科贸有限公司 | 单侧大脑中动脉重度狭窄/闭塞的asl图像处理方法 |
CN111528845B (zh) * | 2020-04-16 | 2023-05-12 | 北京康兴顺达科贸有限公司 | 单侧大脑中动脉重度狭窄/闭塞的asl图像处理方法 |
CN112435212A (zh) * | 2020-10-15 | 2021-03-02 | 杭州脉流科技有限公司 | 基于深度学习的脑部病灶区域体积得到方法、装置、计算机设备和存储介质 |
CN114648514A (zh) * | 2022-03-30 | 2022-06-21 | 中国人民解放军总医院第二医学中心 | 一种脑动脉定位提取方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110189306B (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110189306A (zh) | 脑图像中异常区域对应的责任血管确定方法和设备 | |
Dalmaz et al. | ResViT: residual vision transformers for multimodal medical image synthesis | |
CN109993726A (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
CN111640118B (zh) | 使用多参数磁共振成像的肿瘤组织表征 | |
CN109767461A (zh) | 医学影像配准方法、装置、计算机设备和存储介质 | |
CN112602099A (zh) | 基于深度学习的配准 | |
CN110197491A (zh) | 图像分割方法、装置、设备和存储介质 | |
US20220164959A1 (en) | Protocol-Aware Tissue Segmentation in Medical Imaging | |
CN110473172A (zh) | 医学图像解剖中线确定方法、计算机设备和存储介质 | |
KR102166835B1 (ko) | 신경망 학습 방법 및 그 장치 | |
CN110751187B (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
CN112036506A (zh) | 图像识别方法及相关装置、设备 | |
CN112862805A (zh) | 听神经瘤图像自动化分割方法及系统 | |
JP2024500938A (ja) | 医用画像における状態特徴の自動注釈付け | |
Amirrajab et al. | Label-informed cardiac magnetic resonance image synthesis through conditional generative adversarial networks | |
CN110210543A (zh) | 图像分类系统、方法、设备和存储介质 | |
CN113935943A (zh) | 颅内动脉瘤识别检测的方法、装置、计算机设备和存储介质 | |
CN115298702A (zh) | 用于哺乳动物迁移学习的系统和方法 | |
CN111127487B (zh) | 一种实时多组织医学图像的分割方法 | |
CN110210544A (zh) | 图像分类方法、计算机设备和存储介质 | |
Zhong et al. | Flexible prediction of CT images from MRI data through improved neighborhood anchored regression for PET attenuation correction | |
CN111160441B (zh) | 分类方法、计算机设备和存储介质 | |
CN110310257A (zh) | 医学图像处理方法、装置、计算机设备和存储介质 | |
CN110276802A (zh) | 医学图像中病症组织定位方法、装置与设备 | |
CN109685796A (zh) | 医学图像处理方法、装置、设备和存储介质 |
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 |