CN110211111A - 一种血管提取的方法、装置、图像处理设备及存储介质 - Google Patents
一种血管提取的方法、装置、图像处理设备及存储介质 Download PDFInfo
- Publication number
- CN110211111A CN110211111A CN201910471769.4A CN201910471769A CN110211111A CN 110211111 A CN110211111 A CN 110211111A CN 201910471769 A CN201910471769 A CN 201910471769A CN 110211111 A CN110211111 A CN 110211111A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- vessel
- medical image
- history
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 80
- 230000002708 enhancing effect Effects 0.000 claims abstract description 76
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 70
- 230000003321 amplification Effects 0.000 claims description 20
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 20
- 238000013135 deep learning Methods 0.000 claims description 17
- 230000002792 vascular Effects 0.000 claims description 13
- 239000003814 drug Substances 0.000 claims description 10
- 239000008280 blood Substances 0.000 claims description 7
- 210000004369 blood Anatomy 0.000 claims description 7
- 238000007667 floating Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 210000000988 bone and bone Anatomy 0.000 abstract description 21
- 239000002893 slag Substances 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000005291 magnetic effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000002583 angiography Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000036770 blood supply Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 210000002385 vertebral artery Anatomy 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000000103 occipital bone Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
- 231100000216 vascular lesion Toxicity 0.000 description 1
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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/20—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Abstract
本发明实施例公开了一种血管提取的方法、装置、图像处理设备及存储介质。该方法包括：获取待检测部位的平扫图像和增强图像；通过平扫图像和增强图像得到待检测医学图像；将待检测医学图像输入预先训练完成的血管提取模型中，输出与待检测部位对应的待检测医学图像的血管位置图像。本发明实施例通过获取待检测部位的平扫图像和增强图像得到待检测医学图像，将待检测医学图像输入预先训练完成的血管提取模型中，输出与待检测部位对应的待检测医学图像的血管位置图像，解决了现有技术中血管造影图像中容易混淆图像中的血管和骨头，以及出现较多骨头碎渣及血管断开的问题，以实现有效去除医学图像中的骨头碎渣及区分血管断开的情况，且操作用时短。
Description
技术领域
本发明实施例涉及生物医学图像技术领域，尤其涉及一种血管提取的方法、装置、图像处理设备及存储介质。
背景技术
颈内动脉穿过颅骨给大脑的前部和中部供血；左右椎动脉在一节一节的椎骨中穿行最后合并成基底动脉，穿过枕骨，为大脑的后部供血。在头颈部CT血管造影图像中，对颈内动脉和椎动脉的提取是最具有挑战的技术。
血管穿颅时与周围骨头紧邻，颅内的空间位置错综复杂，同时增强后的CT血管造影图像的血管CT值和骨头的CT值重叠。对于这种情况，一般的算法(如区域生长或是水平集等)很容易混淆图像中的血管和骨头，从而造成血管分割失败，而采用配准后进行DSA(digital subtraction angiography，数字剪影血管造影)剪影的方法，由于运动或是造影剂等进入处伪影或是静脉显影等原因，容易导致出现较多骨头碎渣及血管断开的情况。
发明内容
本发明实施例提供一种血管提取的方法、装置、图像处理设备及存储介质，以实现有效去除医学图像中的骨头碎渣及区分医学图像中血管断开的情况，且操作用时短。
第一方面，本发明实施例提供了一种血管提取的方法，该方法包括：
获取待检测部位的平扫图像和增强图像；
通过所述平扫图像和所述增强图像得到待检测医学图像，其中，所述待检测医学图像包括多幅具有重叠区域的图像；
将所述待检测医学图像输入预先训练完成的血管提取模型中，输出与所述待检测部位对应的所述待检测医学图像的血管位置图像，其中，所述血管位置图像包括多幅具有重叠区域的图像，所述多幅具有重叠区域的图像与所述待检测医学图像包括的多幅图像一一对应。
进一步地，所述通过所述平扫图像和所述增强图像得到待检测医学图像，包括：
将所述平扫图像作为浮动图像以及所述增强图像作为参考图像进行配准，得到所述待检测医学图像。
进一步地，所述方法还包括：
读取历史平扫图像和历史增强图像，并对所述历史增强图像进行血管标记；
对所述历史平扫图像和所述标记好血管的历史增强图像进行配准，得到历史医学图像；
截取预设尺寸的所述历史医学图像作为目标医学图像；
基于至少一张所述目标医学图像生成训练样本集；
将所述训练样本集输入到预先建立好的深度学习网络中，得到所述历史医学图像的血管位置；
根据所述血管位置与期望血管位置对所述深度学习网络的网络参数进行调整。
进一步地，所述基于至少一张所述目标医学图像生成训练样本集，包括：
对至少一张目标医学图像进行扩增处理得到至少一张与所述目标医学图像对应的扩增图像；
将所述至少一张目标医学图像和所述至少一张扩增图像的集合作为训练样本集。
进一步地，所述方法还包括：
读取历史平扫图像和历史增强图像，并对所述历史增强图像进行血管标记；
对所述历史平扫图像和所述标记好血管的历史增强图像进行配准，得到所述历史平扫图像对应的第一历史医学图像和所述标记好血管的历史增强图像对应的第二历史医学图像；
分别截取预设尺寸的所述第一历史医学图像和所述第二历史医学图像作为第一目标医学图像和第二目标医学图像；
基于至少一张所述第一目标医学图像和至少一张所述第二目标医学图像分别生成所述第一目标医学图像对应的第一训练样本集和所述第二目标医学图像对应的第二训练样本集；
将所述第一训练样本集和所述第二训练样本集输入到预先建立好的深度学习网络中，得到所述历史医学图像的血管位置；
根据所述血管位置与期望血管位置对所述深度学习网络的网络参数进行调整。
进一步地，所述方法还包括：
获取至少一张历史医学图像的血管位置图像；
将与所述历史医学图像对应的血管位置图像输入预先训练完成的血管提取模型中，得到与所述历史医学图像对应的输出血管位置图像；
基于所述输出血管位置图像与期望血管位置图像对所述血管提取模型的模型参数进行调整。
进一步地，所述方法还包括：
将所述多幅具有重叠区域的待检测医学图像的血管位置图像融合得到所述待检测部位的血管图像。
第二方面，本发明实施例还提供了一种血管提取的装置，该装置包括：
图像获取模块，用于获取待检测部位的平扫图像和增强图像；
待检测医学图像确定模块，用于通过所述平扫图像和所述增强图像得到待检测医学图像，其中，所述待检测医学图像包括多幅具有重叠区域的图像；
血管位置图像输出模块，用于将所述待检测医学图像输入预先训练完成的血管提取模型中，输出与所述待检测部位对应的所述待检测医学图像的血管位置图像，其中，所述血管位置图像包括多幅具有重叠区域的图像，所述多幅具有重叠区域的图像与所述待检测医学图像包括的多幅图像一一对应。
第三方面，本发明实施例还提供了一种图像处理设备，该图像处理设备包括：
一个或多个处理器；
存储装置，用于存储多个程序，
当所述多个程序中的至少一个被所述一个或多个处理器执行时，使得所述一个或多个处理器实现本发明第一方面实施例提供的所述血管提取的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明第一方面实施例提供的所述血管提取的方法。
本发明实施例通过获取待检测部位的平扫图像和增强图像得到待检测医学图像，待检测医学图像包括多幅具有重叠区域的图像，将待检测医学图像输入预先训练完成的血管提取模型中，输出与待检测部位对应的待检测医学图像的血管位置图像，血管位置图像包括多幅具有重叠区域的图像，多幅具有重叠区域的图像与待检测医学图像包括的多幅图像一一对应，解决了现有技术中血管造影图像中容易混淆图像中的血管和骨头，以及出现较多骨头碎渣及血管断开的问题，以实现有效去除医学图像中的骨头碎渣及区分医学图像中血管断开的情况，且操作用时短。
附图说明
图1是本发明实施例一提供的一种血管提取的方法的流程图；
图2是本发明实施例二提供的一种血管提取的方法的流程图；
图3是本发明实施例提供的平扫图像和增强图像作为双输入同时输入到深度卷积神经网络中的示意图；
图4是本发明实施例提供的平扫图像和增强图像作为两个分支输入到深度卷积神经网络中的示意图；
图5是本发明实施例提供的in-layer/out-layer的网络结构的示意图；
图6是本发明实施例提供的down-layer的网络结构的示意图；
图7是本发明实施例提供的Trans的网络结构的示意图；
图8是本发明实施例三提供的一种血管提取的方法的流程图；
图9是本发明实施例四提供的一种血管提取的装置的结构图；
图10是本发明实施例五提供的一种图像处理设备的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。
另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的一种血管提取的方法的流程图，本实施例可适用于对血管造影图像中的血管进行准确分割和提取的情况，该方法可以由血管提取的装置来执行，具体包括如下步骤：
S110、获取待检测部位的平扫图像和增强图像。
其中，待检测部位可以为用户的头颈部，基于用户的头颈部进行CT扫描，得到用户头颈部的CT扫描数据，根据用户头颈部的CT扫描数据获取用户头颈部的平扫图像和增强图像，其中，增强图像是血管增强图像。需要说明的是每一个用户的待检测部位获取的CT扫描数据中，在本发明实施例提供的方案中均包括一个平扫图像和一个增强图像。
具体的，本发明实施例的技术方案中，采集的用户待检测部位的图像是DSA(Digital subtraction angiography，即血管造影的影像通过数字化处理)数据，经过处理得到DSA去骨图像，即把不需要的组织图像删除掉，只保留血管影像，其特点是图像清晰、分辨率高，对观察血管病变或是血管狭窄的定位测量、诊断及介入治疗提供了真实的立体图像，为各种介入治疗提供了必备条件，主要适用于全身血管性疾病及肿瘤的检查及治疗。也就是说，获取的是用户待检测部位的DSA数据以生成相应的DSA去骨图像，DSA去骨图像包括与用户待检测部位对应的平扫图像和增强图像。
S120、通过所述平扫图像和所述增强图像得到待检测医学图像，其中，所述待检测医学图像包括多幅具有重叠区域的图像。
具体的，将所述平扫图像作为浮动图像以及所述增强图像作为参考图像进行配准，使得平扫图像的像素和增强图像的像素进行初步对齐，也就是平扫图像和增强图像类似结构上的对齐，之后得到所述待检测医学图像。待检测医学图像是同一检测部位扫描得到的平扫图像和增强图像进行配准后，拆分成多个具有重叠区域的图像，每个图像设置重叠区域的目的是为了保证整个待检测部位的扫描图像均被使用，覆盖全面，倘若没有设置重叠区域，则可能导致待检测医学图像的边缘处出现异常结果，最终将影响得到的血管位置图像中对血管定位或是去骨的准确性。多幅具有重叠区域的图像的具体大小是由本领域技术人员根据实际情况进行设置的，可以选择跟训练血管提取模型时一样大小的图像，也可以选择大于训练血管提取模型时的图像，本发明实施例对此仅做解释说明，而不对其进行限制。
示例性地，以训练血管提取模型时选取的待检测图像中的训练图像的块大小为[144,144,64]为例，在用户头颈部的平扫图像和增强图像进行配准后，拆成多幅具有重叠区域的图像，该图像的大小可以为[144,144,64]，即与训练时选择的块大小相同，此外，选择的图像的大小也可以为大于训练时选择的块大小，同时，该图像中重叠区域的大小可以为[20,20,12]，即步长为[124,124,52]个像素左右的重叠区域。也就是说，假如第一个图像的起始坐标为[0,0,0]，则下一个图像的起始坐标为[124,0,0]，每个维度划窗图像的个数可以由公式进行计算得到，具体公式为：X＝ceil((Xdim-patch_size)/stride)+1，其中，Xdim为待检测图像的大小，patch_size为拆分出的具有重叠区域的一幅图像的大小，stride为步长。需要说明的是ceil函数为向上取整，假设待检测图像的大小为[260,260,180]，则拆分后具有重叠区域的图像的个数为2*2*4＝16。
S130、将所述待检测医学图像输入预先训练完成的血管提取模型中，输出与所述待检测部位对应的所述待检测医学图像的血管位置图像，其中，所述血管位置图像包括多幅具有重叠区域的图像，所述多幅具有重叠区域的图像与所述待检测医学图像包括的多幅图像一一对应。
其中，血管位置图像是经过血管提取模型输出的与待检测部位对应的DSA去骨图像，其输出的结果可以直接作为准确分割出血管的最终结果，也可以当作是血管增强的结果或是后续用于对血管进行定位。
具体的，在本发明实施例的技术方案中，基于DSA数据的特点，预先训练完成的血管提取模型可以是依据待检测部位进行划分，对待检测部位划分的每一个部位进行单独的训练，例如，用户的头颈部可以拆分为颈部、头中部和头上部，之后根据本方案提供的预先训练完成的血管提取模型对每个部位进行单独训练。预先训练完成的血管提取模型还可以为一个分类网络，正样本为血管点，负样本为其他，输入是正样本血管点周围截取的区域图像，例如区域图像的大小可以为16*16*16，训练血管提取模型的时候只需训练CT值大于120Hu左右的血管点即可。本发明实施例对预先训练完成的血管提取模型仅做解释说明，具体的模型设置可以由本领域技术人员，根据实际的需要进行设置，本发明实施例对此不进行限制。
可以理解的是为了使得血管提取模型输出的血管图像更加准确，预先训练完成的血管提取模型可以通过输入历史的血管位置图像实现训练过程的，具体的训练方法为：获取至少一张历史医学图像的血管位置图像；将与所述历史医学图像对应的血管位置图像输入预先训练完成的血管提取模型中，得到与所述历史医学图像对应的输出血管位置图像；基于所述输出血管位置图像与期望血管位置图像对所述血管提取模型的模型参数进行调整。
本发明实施例通过获取待检测部位的平扫图像和增强图像得到待检测医学图像，待检测医学图像包括多幅具有重叠区域的图像，将待检测医学图像输入预先训练完成的血管提取模型中，输出与待检测部位对应的待检测医学图像的血管位置图像，血管位置图像包括多幅具有重叠区域的图像，多幅具有重叠区域的图像与待检测医学图像包括的多幅图像一一对应，解决了现有技术中血管造影图像中容易混淆图像中的血管和骨头，以及出现较多骨头碎渣及血管断开的问题，以实现有效去除医学图像中的骨头碎渣及区分医学图像中血管断开的情况，且操作用时短。
实施例二
图2为本发明实施例二提供的一种血管提取的方法的流程图。本实施例以上述实施例为基础进行优化，在本实施例中，将步骤通过所述平扫图像和所述增强图像得到待检测医学图像进一步优化为：将所述平扫图像作为浮动图像以及所述增强图像作为参考图像进行配准，得到所述待检测医学图像。
相应的，本实施例的方法具体包括：
S210、获取待检测部位的平扫图像和增强图像。
如前述知，每一套待检测部位的CT扫描数据中，都包含血管平扫图像和血管增强图像，其中，为血管增强图像标记血管金标准，血管金标准是指血管的人工标注分割结果，具体血管增强图像的处理方式可以根据实际情况进行设置，在此不做限制。
S220、将所述平扫图像作为浮动图像以及所述增强图像作为参考图像进行配准，得到所述待检测医学图像，其中，所述待检测医学图像包括多幅具有重叠区域的图像。
S230、将所述待检测医学图像输入预先训练完成的血管提取模型中，输出与所述待检测部位对应的所述待检测医学图像的血管位置图像，其中，所述血管位置图像包括多幅具有重叠区域的图像，所述多幅具有重叠区域的图像与所述待检测医学图像包括的多幅图像一一对应。
在本发明实施例中血管提取模型基于训练样本训练用于血管提取的深度卷积神经网络。一般地，深度卷积神经网络可大致理解为包含有多个隐含层的神经网络结构，是利用深度卷积神经网络来解决特征表达的一种学习过程。深度卷积神经网络通常由多个层组成，通常将更简单的模型组合在一起，将数据从一层传递到另一层来构建更复杂的模型。深度卷积神经网络能够通过训练大量数据自动得出模型。
在本发明实施例中，对血管提取模型进行训练可包括：读取历史平扫图像和历史增强图像，并对所述历史增强图像进行血管标记；对所述历史平扫图像和所述标记好血管的历史增强图像进行配准，得到历史医学图像；截取预设尺寸的所述历史医学图像作为目标医学图像；基于至少一张所述目标医学图像生成训练样本集；将所述训练样本集输入到预先建立好的深度学习网络中，得到所述历史医学图像的血管位置；根据所述血管位置与期望血管位置对所述深度学习网络的网络参数进行调整。对血管提取模型进行训练还可包括：读取历史平扫图像和历史增强图像，并对所述历史增强图像进行血管标记；对所述历史平扫图像和所述标记好血管的历史增强图像进行配准，得到所述历史平扫图像对应的第一历史医学图像和所述标记好血管的历史增强图像对应的第二历史医学图像；分别截取预设尺寸的所述第一历史医学图像和所述第二历史医学图像作为第一目标医学图像和第二目标医学图像；基于至少一张所述第一目标医学图像和至少一张所述第二目标医学图像分别生成所述第一目标医学图像对应的第一训练样本集和所述第二目标医学图像对应的第二训练样本集；将所述第一训练样本集和所述第二训练样本集输入到预先建立好的深度学习网络中，得到所述历史医学图像的血管位置；根据所述血管位置与期望血管位置对所述深度学习网络的网络参数进行调整。
需要说明的是上述对血管提取模型进行训练的方式是两种，一种是将平扫图像和增强图像同时输入到深度卷积神经网络中进行训练，另一种是平扫图像和增强图像作为两个分支输入深度卷积神经网络中后，在网络训练中进行汇合，得到最终的血管位置结果。示例性的，如图3所示为本发明实施例提供的平扫图像和增强图像作为双输入同时输入到深度卷积神经网络中的示意图，如图4所示为本发明实施例提供的平扫图像和增强图像作为两个分支输入到深度卷积神经网络中的示意图，其中，图3和图4中涉及的in-layer/out-layer、down-layer和Trans的网络结构分别见图5、图6和图7，如图6的左图是串联结构的down-layer的网络结构，右图是并联结构的down-layer的网络结构，图7的左图是串联结构的Trans的网络结构，右图是并联结构的Trans的网络结构，其中，平扫图像和增强图像在输入到深度卷积神经网络前已配准好，训练时使用的loss为Dice loss，上述图中的虚线为中继监督，中继监督也可以去除，但加入训练的结果会更好。以下Conv[(k,k),s,p,*/c]中(k,k)表示kernel size(核个数)，s是stride size(步长)，p是padding size(填充大小)，*/c表示channel(通道)的增多/减少倍数，上述网络结构中的参数可根据网络实际输出的通道进行更改，本实施例在此不做任何限制，此外，down-layer和Trans的网络结构中的residual unit(残差单元)个数也可以为多个，本实施例在此不做任何限制。
可以理解的是，训练样本集中可以包括一张、两张及两张以上的目标医学图像。为了保证血管提取模型的训练效果，训练样本集中可以包括多张目标医学图像。需要说明的是截取预设尺寸的所述历史医学图像作为目标医学图像，这样的设置是为了摆脱GPU显存的限制，由于受GPU显存的限制，无法一次性导入较大的数据图像进行训练，而头颈部血管提取需较高的分辨率保证血管的连续性，因此，截取的预设尺寸的历史医学图像可以根据效果及显存大小，由本领域技术人员自行选择分辨率及图像大小，在此不做限制。在本实施的训练血管提取模型的过程中，截取的预设尺寸的历史医学图像可以是随机截取指定大小的图像。
由于历史医学图像通常来自于用户临床数据，样本量通常很珍贵，然而深度卷积神经网络往往下需要大量的样本进行训练，因此，可以对历史图像数据进行扩增处理，以增加训练样本。具体地，本实施中截取预设尺寸的所述历史医学图像作为目标医学图像，则所述基于至少一张所述目标医学图像生成训练样本集，包括：对至少一张目标医学图像进行扩增处理得到至少一张与所述目标医学图像对应的扩增图像；将所述至少一张目标医学图像和所述至少一张扩增图像的集合作为训练样本集；其中，所述扩增处理包括拉伸处理、旋转处理以及镜像处理中的至少一个。这样不仅能够增加在训练样本的数量，而且通过扩增处理后的医学图像对深度学习网络进行训练，能够提高深度学习网络对医学图像的图像特征的提取能力。
另外需要说明的是，可以对一张、两张以及两张以上的目标医学图像进行扩增处理。例如，可以从目标医学图像中选取分辨率较高的医学图像进行扩增处理，保证深度卷积神经网络学习效果。另外，对同一张图像可以进行一种、两种或多种扩增处理，对不同的图像可以进行相同的扩增处理，也可以进行不同的扩增处理。训练样本集中扩增图像的种类和数量都可以根据实际需求进行设置，再次并不做限定。
S240、将所述多幅具有重叠区域的待检测医学图像的血管位置图像融合得到所述待检测部位的血管图像。
具体的，将每一幅具有重叠区域的待检测医学图像输入到预先训练好的血管提取模型中，得到最终每一幅具有重叠区域的待检测医学图像的确定血管位置图像，取每一幅具有重叠区域的待检测医学图像的并集，得到完整的待检测部位的血管图像，其中，每一幅具有重叠区域的待检测医学图像的重叠部分，可选择每个重叠部分之间的极大值作为最终并集后的输出结果。
本发明实施例中提供的血管提取方法，可以有效的去除血管造影图像采用配准进行DSA剪影后，由于运动或是造影剂等进入处伪影或是静脉显影等原因，容易导致出现较多骨头碎渣及血管断开的情况，不仅去骨效果好，且在GPU支持下，只需花费几秒的时间。同时，本发明实施例的技术方案得到的血管图像的结果可以直接作为血管的分割最终结果，也可当作血管增强结果或血管定位来使用，当作血管增强结果来使用时，需将深度卷积神经网络中的softmax层后的结果直接保存，而不用阈值等限定进行输出。
实施例三
图8为本发明实施例三提供的一种血管提取的方法的流程图。在上述各实施例的基础上，提供一种优选实施例，如图8所示，图示左侧部分为血管提取的方法的血管提取模型的训练过程，图示右侧部分为血管提取的方法的血管提取模型的测试过程。该血管提取的方法包括：
读取历史平扫图像和历史增强图像，并对所述历史增强图像进行血管标记。
对所述历史平扫图像和所述标记好血管的历史增强图像进行配准，得到历史医学图像。
截取预设尺寸的所述历史医学图像作为目标血管位置图像。
将至少一张目标血管位置图像输入到血管提取模型中进行训练，得到训练完成的血管提取模型。
获取待检测部位的平扫图像和增强图像；
将所述平扫图像作为浮动图像以及所述增强图像作为参考图像进行配准，得到所述待检测医学图像，其中，所述待检测医学图像包括多幅具有重叠区域的图像；
将每一幅所述待检测医学图像输入预先训练完成的血管提取模型中，输出与所述待检测部位对应的所述待检测医学图像的血管位置图像，其中，所述血管位置图像包括多幅具有重叠区域的图像，所述多幅具有重叠区域的图像与所述待检测医学图像包括的多幅图像一一对应。
将所述多幅具有重叠区域的待检测医学图像的血管位置图像融合得到所述待检测部位的血管图像。
另外需要说明的是本发明实施例提供的血管提取的方法，通过在77套DSA数据中进行测试，实验的结果证明基于血管提取方法实现的DSA血管提取可以得到不错的效果。
实施例四
图9为本发明实施例四提供的一种血管提取的装置的结构图，本实施例可适用于对血管造影图像中的血管进行准确分割和提取的情况。
如图9所示，所述装置包括：图像获取模块310、待检测医学图像确定模块320和血管位置图像输出模块330，其中：
图像获取模块310，用于获取待检测部位的平扫图像和增强图像；
待检测医学图像确定模块320，用于通过所述平扫图像和所述增强图像得到待检测医学图像，其中，所述待检测医学图像包括多幅具有重叠区域的图像；
血管位置图像输出模块330，用于将所述待检测医学图像输入预先训练完成的血管提取模型中，输出与所述待检测部位对应的所述待检测医学图像的血管位置图像，其中，所述血管位置图像包括多幅具有重叠区域的图像，所述多幅具有重叠区域的图像与所述待检测医学图像包括的多幅图像一一对应。
本实施例的一种血管提取的装置，通过获取待检测部位的平扫图像和增强图像得到待检测医学图像，待检测医学图像包括多幅具有重叠区域的图像，将待检测医学图像输入预先训练完成的血管提取模型中，输出与待检测部位对应的待检测医学图像的血管位置图像，血管位置图像包括多幅具有重叠区域的图像，多幅具有重叠区域的图像与待检测医学图像包括的多幅图像一一对应，解决了现有技术中血管造影图像中容易混淆图像中的血管和骨头，以及出现较多骨头碎渣及血管断开的问题，以实现有效去除医学图像中的骨头碎渣及区分医学图像中血管断开的情况，且操作用时短。
在上述各实施例的基础上，待检测医学图像确定模块320具体用于：
将所述平扫图像作为浮动图像以及所述增强图像作为参考图像进行配准，得到所述待检测医学图像。
在上述各实施例的基础上，所述血管提取的装置还包括：
第一标记血管模块，用于读取历史平扫图像和历史增强图像，并对所述历史增强图像进行血管标记；
第一历史医学图像获取模块，用于对所述历史平扫图像和所述标记好血管的历史增强图像进行配准，得到历史医学图像；
第一目标医学图像获得模块，用于截取预设尺寸的所述历史医学图像作为目标医学图像；
第一训练样本集生成模块，用于基于至少一张所述目标医学图像生成训练样本集；
第一血管位置获取模块，用于将所述训练样本集输入到预先建立好的深度学习网络中，得到所述历史医学图像的血管位置；
第一调整模块，用于根据所述血管位置与期望血管位置对所述深度学习网络的网络参数进行调整。
在上述各实施例的基础上，所述训练样本集生成模块具体用于：
对至少一张目标医学图像进行扩增处理得到至少一张与所述目标医学图像对应的扩增图像；
将所述至少一张目标医学图像和所述至少一张扩增图像的集合作为训练样本集。
在上述各实施例的基础上，所述血管提取的装置还包括：
第二标记血管模块，用于读取历史平扫图像和历史增强图像，并对所述历史增强图像进行血管标记；
第二历史医学图像获取模块，用于对所述历史平扫图像和所述标记好血管的历史增强图像进行配准，得到所述历史平扫图像对应的第一历史医学图像和所述标记好血管的历史增强图像对应的第二历史医学图像；
第二目标医学图像获得模块，用于分别截取预设尺寸的所述第一历史医学图像和所述第二历史医学图像作为第一目标医学图像和第二目标医学图像；
第二训练样本集生成模块，用于基于至少一张所述第一目标医学图像和至少一张所述第二目标医学图像分别生成所述第一目标医学图像对应的第一训练样本集和所述第二目标医学图像对应的第二训练样本集；
第二血管位置获取模块，用于将所述第一训练样本集和所述第二训练样本集输入到预先建立好的深度学习网络中，得到所述历史医学图像的血管位置；
第二调整模块，用于根据所述血管位置与期望血管位置对所述深度学习网络的网络参数进行调整。
在上述各实施例的基础上，所述血管提取的装置还包括：
血管位置图像获取模块，用于获取至少一张历史医学图像的血管位置图像；
输出血管位置图像模块，用于将与所述历史医学图像对应的血管位置图像输入预先训练完成的血管提取模型中，得到与所述历史医学图像对应的输出血管位置图像；
模型参数调整模块，用于基于所述输出血管位置图像与期望血管位置图像对所述血管提取模型的模型参数进行调整。
在上述各实施例的基础上，所述血管提取的装置还包括：
血管图像融合模块，用于将所述多幅具有重叠区域的待检测医学图像的血管位置图像融合得到所述待检测部位的血管图像。
上述各实施例所提供的血管提取的装置可执行本发明任意实施例所提供的血管提取的方法，具备执行血管提取的方法相应的功能模块和有益效果。
实施例五
图10为本发明实施例五提供的一种图像处理设备的结构示意图。图10示出了适于用来实现本发明实施方式的示例性图像处理设备12的框图。图10显示的图像处理设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示，图像处理设备12以通用计算设备的形式表现。图像处理设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
图像处理设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被图像处理设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。图像处理设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图10未显示，通常称为“硬盘驱动器”)。尽管图10中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
图像处理设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该图像处理设备12交互的设备通信，和/或与使得该图像处理设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，图像处理设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与图像处理设备12的其它模块通信。应当明白，尽管图中未示出，可以结合图像处理设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的血管提取的方法，该方法包括：
获取待检测部位的平扫图像和增强图像；
通过所述平扫图像和所述增强图像得到待检测医学图像，其中，所述待检测医学图像包括多幅具有重叠区域的图像；
将所述待检测医学图像输入预先训练完成的血管提取模型中，输出与所述待检测部位对应的所述待检测医学图像的血管位置图像，其中，所述血管位置图像包括多幅具有重叠区域的图像，所述多幅具有重叠区域的图像与所述待检测医学图像包括的多幅图像一一对应。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的血管提取的方法的技术方案。
实施例六
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的血管提取的方法，该方法包括：
获取待检测部位的平扫图像和增强图像；
通过所述平扫图像和所述增强图像得到待检测医学图像，其中，所述待检测医学图像包括多幅具有重叠区域的图像；
将所述待检测医学图像输入预先训练完成的血管提取模型中，输出与所述待检测部位对应的所述待检测医学图像的血管位置图像，其中，所述血管位置图像包括多幅具有重叠区域的图像，所述多幅具有重叠区域的图像与所述待检测医学图像包括的多幅图像一一对应。
当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的血管提取的方法中的相关操作。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种血管提取的方法，其特征在于，包括：
获取待检测部位的平扫图像和增强图像；
通过所述平扫图像和所述增强图像得到待检测医学图像，其中，所述待检测医学图像包括多幅具有重叠区域的图像；
将所述待检测医学图像输入预先训练完成的血管提取模型中，输出与所述待检测部位对应的所述待检测医学图像的血管位置图像，其中，所述血管位置图像包括多幅具有重叠区域的图像，所述多幅具有重叠区域的图像与所述待检测医学图像包括的多幅图像一一对应。
2.根据权利要求1所述的方法，其特征在于，所述通过所述平扫图像和所述增强图像得到待检测医学图像，包括：
将所述平扫图像作为浮动图像以及所述增强图像作为参考图像进行配准，得到所述待检测医学图像。
3.根据权利要求1所述的方法，其特征在于，还包括：
读取历史平扫图像和历史增强图像，并对所述历史增强图像进行血管标记；
对所述历史平扫图像和所述标记好血管的历史增强图像进行配准，得到历史医学图像；
截取预设尺寸的所述历史医学图像作为目标医学图像；
基于至少一张所述目标医学图像生成训练样本集；
将所述训练样本集输入到预先建立好的深度学习网络中，得到所述历史医学图像的血管位置；
根据所述血管位置与期望血管位置对所述深度学习网络的网络参数进行调整。
4.根据权利要求3所述的方法，其特征在于，所述基于至少一张所述目标医学图像生成训练样本集，包括：
对至少一张目标医学图像进行扩增处理得到至少一张与所述目标医学图像对应的扩增图像；
将所述至少一张目标医学图像和所述至少一张扩增图像的集合作为训练样本集。
5.根据权利要求1所述的方法，其特征在于，还包括：
读取历史平扫图像和历史增强图像，并对所述历史增强图像进行血管标记；
对所述历史平扫图像和所述标记好血管的历史增强图像进行配准，得到所述历史平扫图像对应的第一历史医学图像和所述标记好血管的历史增强图像对应的第二历史医学图像；
分别截取预设尺寸的所述第一历史医学图像和所述第二历史医学图像作为第一目标医学图像和第二目标医学图像；
基于至少一张所述第一目标医学图像和至少一张所述第二目标医学图像分别生成所述第一目标医学图像对应的第一训练样本集和所述第二目标医学图像对应的第二训练样本集；
将所述第一训练样本集和所述第二训练样本集输入到预先建立好的深度学习网络中，得到所述历史医学图像的血管位置；
根据所述血管位置与期望血管位置对所述深度学习网络的网络参数进行调整。
6.根据权利要求1所述的方法，其特征在于，还包括：
获取至少一张历史医学图像的血管位置图像；
将与所述历史医学图像对应的血管位置图像输入预先训练完成的血管提取模型中，得到与所述历史医学图像对应的输出血管位置图像；
基于所述输出血管位置图像与期望血管位置图像对所述血管提取模型的模型参数进行调整。
7.根据权利要求1所述的方法，其特征在于，还包括：
将所述多幅具有重叠区域的待检测医学图像的血管位置图像融合得到所述待检测部位的血管图像。
8.一种血管提取的装置，其特征在于，包括：
图像获取模块，用于获取待检测部位的平扫图像和增强图像；
待检测医学图像确定模块，用于通过所述平扫图像和所述增强图像得到待检测医学图像，其中，所述待检测医学图像包括多幅具有重叠区域的图像；
血管位置图像输出模块，用于将所述待检测医学图像输入预先训练完成的血管提取模型中，输出与所述待检测部位对应的所述待检测医学图像的血管位置图像，其中，所述血管位置图像包括多幅具有重叠区域的图像，所述多幅具有重叠区域的图像与所述待检测医学图像包括的多幅图像一一对应。
9.一种图像处理设备，其特征在于，所述图像处理设备包括：
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1-7中任一所述的血管提取的方法。
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，该程序被处理器执行时实现如权利要求1-7中任一所述的血管提取的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910471769.4A CN110211111A (zh) | 2019-05-31 | 2019-05-31 | 一种血管提取的方法、装置、图像处理设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910471769.4A CN110211111A (zh) | 2019-05-31 | 2019-05-31 | 一种血管提取的方法、装置、图像处理设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110211111A true CN110211111A (zh) | 2019-09-06 |
Family
ID=67790076
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910471769.4A Pending CN110211111A (zh) | 2019-05-31 | 2019-05-31 | 一种血管提取的方法、装置、图像处理设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110211111A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110675444A (zh) * | 2019-09-26 | 2020-01-10 | 东软医疗系统股份有限公司 | 头部ct扫描区域的确定方法、装置及图像处理设备 |
| CN110728673A (zh) * | 2019-10-21 | 2020-01-24 | 上海联影医疗科技有限公司 | 一种目标部位分析方法、装置、计算机设备及存储介质 |
| CN111062963A (zh) * | 2019-12-16 | 2020-04-24 | 上海联影医疗科技有限公司 | 一种血管提取方法、系统、设备及存储介质 |
| CN111062997A (zh) * | 2019-12-09 | 2020-04-24 | 上海联影医疗科技有限公司 | 一种血管造影成像方法、系统、设备和存储介质 |
| CN111210431A (zh) * | 2019-12-27 | 2020-05-29 | 上海联影智能医疗科技有限公司 | 一种血管分割方法、装置、设备及存储介质 |
| CN111292319A (zh) * | 2020-03-12 | 2020-06-16 | 北京东软医疗设备有限公司 | 参考图像切换方法、装置及造影设备 |
| CN111640124A (zh) * | 2020-05-25 | 2020-09-08 | 浙江同花顺智能科技有限公司 | 一种血管提取方法、装置、设备及存储介质 |
| CN112052896A (zh) * | 2020-09-03 | 2020-12-08 | 推想医疗科技股份有限公司 | 图像处理方法及装置，分类模型的训练方法及装置 |
| CN112446866A (zh) * | 2020-11-25 | 2021-03-05 | 上海联影医疗科技股份有限公司 | 血流参数的计算方法、装置、设备及存储介质 |
| US20210125337A1 (en) * | 2019-10-24 | 2021-04-29 | Case Western Reserve University | Plaque segmentation in intravascular optical coherence tomography (oct) images using deep learning |
| CN112990448A (zh) * | 2021-04-26 | 2021-06-18 | 清华大学 | 用于计算的方法、计算系统、计算设备和介质 |
| CN113222852A (zh) * | 2021-05-26 | 2021-08-06 | 深圳高性能医疗器械国家研究院有限公司 | 一种增强ct图像的重建方法 |
| CN114066922A (zh) * | 2021-11-19 | 2022-02-18 | 数坤(北京)网络科技股份有限公司 | 医学图像分割方法、装置、终端设备及存储介质 |
| CN114862850A (zh) * | 2022-07-06 | 2022-08-05 | 深圳科亚医疗科技有限公司 | 一种血管医学图像的目标检测方法、装置及介质 |
| CN115170912A (zh) * | 2022-09-08 | 2022-10-11 | 北京鹰瞳科技发展股份有限公司 | 图像处理模型训练的方法、生成图像的方法及相关产品 |
| CN115393402A (zh) * | 2022-08-24 | 2022-11-25 | 北京医智影科技有限公司 | 图像配准网络模型的训练方法、图像配准方法及设备 |
| TWI790508B (zh) * | 2020-11-30 | 2023-01-21 | 宏碁股份有限公司 | 血管偵測裝置及基於影像的血管偵測方法 |
Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007136164A (ja) * | 2005-10-21 | 2007-06-07 | Toshiba Corp | 医用画像処理装置及び医用画像処理方法 |
| US20080051648A1 (en) * | 2006-08-25 | 2008-02-28 | Suri Jasjit S | Medical image enhancement system |
| US8837860B1 (en) * | 2014-03-28 | 2014-09-16 | Heartflow, Inc. | Systems and methods for data and model-driven image reconstruction and enhancement |
| CN104424386A (zh) * | 2013-08-23 | 2015-03-18 | 北京大学 | 基于多参数磁共振影像的前列腺癌计算机辅助识别系统 |
| CN105640583A (zh) * | 2016-03-31 | 2016-06-08 | 上海联影医疗科技有限公司 | 血管造影方法 |
| CN106228561A (zh) * | 2016-07-29 | 2016-12-14 | 上海联影医疗科技有限公司 | 血管提取方法 |
| CN106960199A (zh) * | 2017-03-30 | 2017-07-18 | 博奥生物集团有限公司 | 一种真彩色眼象图白睛区域的完整提取方法 |
| CN107610141A (zh) * | 2017-09-05 | 2018-01-19 | 华南理工大学 | 一种基于深度学习的遥感图像语义分割方法 |
| CN107886474A (zh) * | 2017-11-22 | 2018-04-06 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置及服务器 |
| CN107945168A (zh) * | 2017-11-30 | 2018-04-20 | 上海联影医疗科技有限公司 | 一种医学图像的处理方法及医学图像处理系统 |
| CN108205813A (zh) * | 2016-12-16 | 2018-06-26 | 微软技术许可有限责任公司 | 基于学习网络的图像风格化 |
| CN108257126A (zh) * | 2018-01-25 | 2018-07-06 | 苏州大学 | 三维视网膜oct图像的血管检测和配准方法、设备及应用 |
| CN108899075A (zh) * | 2018-06-28 | 2018-11-27 | 众安信息技术服务有限公司 | 一种基于深度学习的dsa图像检测方法、装置及设备 |
| CN108921852A (zh) * | 2018-06-01 | 2018-11-30 | 大连理工大学 | 基于视差与平面拟合的双分支室外非结构化地形分割网络 |
| CN109118495A (zh) * | 2018-08-01 | 2019-01-01 | 沈阳东软医疗系统有限公司 | 一种视网膜血管分割方法和装置 |
| US20190073770A1 (en) * | 2017-09-06 | 2019-03-07 | International Business Machines Corporation | Disease detection algorithms trainable with small number of positive samples |
| CN109431531A (zh) * | 2018-12-25 | 2019-03-08 | 上海联影医疗科技有限公司 | 基于灌注成像的血管分割方法及装置和计算机装置 |
| US20190102878A1 (en) * | 2017-09-30 | 2019-04-04 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for analyzing medical image |
| CN109584203A (zh) * | 2018-09-29 | 2019-04-05 | 天津大学 | 基于深度学习与语义信息的重定位图像质量评价方法 |
| CN109658407A (zh) * | 2018-12-27 | 2019-04-19 | 上海联影医疗科技有限公司 | 冠状动脉病变的评分方法、装置、服务器和存储介质 |
| CN109658393A (zh) * | 2018-12-06 | 2019-04-19 | 代黎明 | 眼底图像拼接方法及系统 |
| CN109741344A (zh) * | 2018-12-28 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 血管分割方法、装置、医疗影像设备及存储介质 |
| CN109754387A (zh) * | 2018-11-23 | 2019-05-14 | 北京永新医疗设备有限公司 | 医学图像病灶检测定位方法、装置、电子设备及存储介质 |
-
2019
- 2019-05-31 CN CN201910471769.4A patent/CN110211111A/zh active Pending
Patent Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007136164A (ja) * | 2005-10-21 | 2007-06-07 | Toshiba Corp | 医用画像処理装置及び医用画像処理方法 |
| US20080051648A1 (en) * | 2006-08-25 | 2008-02-28 | Suri Jasjit S | Medical image enhancement system |
| CN104424386A (zh) * | 2013-08-23 | 2015-03-18 | 北京大学 | 基于多参数磁共振影像的前列腺癌计算机辅助识别系统 |
| US8837860B1 (en) * | 2014-03-28 | 2014-09-16 | Heartflow, Inc. | Systems and methods for data and model-driven image reconstruction and enhancement |
| CN105640583A (zh) * | 2016-03-31 | 2016-06-08 | 上海联影医疗科技有限公司 | 血管造影方法 |
| CN106228561A (zh) * | 2016-07-29 | 2016-12-14 | 上海联影医疗科技有限公司 | 血管提取方法 |
| CN108205813A (zh) * | 2016-12-16 | 2018-06-26 | 微软技术许可有限责任公司 | 基于学习网络的图像风格化 |
| CN106960199A (zh) * | 2017-03-30 | 2017-07-18 | 博奥生物集团有限公司 | 一种真彩色眼象图白睛区域的完整提取方法 |
| CN107610141A (zh) * | 2017-09-05 | 2018-01-19 | 华南理工大学 | 一种基于深度学习的遥感图像语义分割方法 |
| US20190073770A1 (en) * | 2017-09-06 | 2019-03-07 | International Business Machines Corporation | Disease detection algorithms trainable with small number of positive samples |
| US20190102878A1 (en) * | 2017-09-30 | 2019-04-04 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for analyzing medical image |
| CN107886474A (zh) * | 2017-11-22 | 2018-04-06 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置及服务器 |
| CN107945168A (zh) * | 2017-11-30 | 2018-04-20 | 上海联影医疗科技有限公司 | 一种医学图像的处理方法及医学图像处理系统 |
| CN108257126A (zh) * | 2018-01-25 | 2018-07-06 | 苏州大学 | 三维视网膜oct图像的血管检测和配准方法、设备及应用 |
| CN108921852A (zh) * | 2018-06-01 | 2018-11-30 | 大连理工大学 | 基于视差与平面拟合的双分支室外非结构化地形分割网络 |
| CN108899075A (zh) * | 2018-06-28 | 2018-11-27 | 众安信息技术服务有限公司 | 一种基于深度学习的dsa图像检测方法、装置及设备 |
| CN109118495A (zh) * | 2018-08-01 | 2019-01-01 | 沈阳东软医疗系统有限公司 | 一种视网膜血管分割方法和装置 |
| CN109584203A (zh) * | 2018-09-29 | 2019-04-05 | 天津大学 | 基于深度学习与语义信息的重定位图像质量评价方法 |
| CN109754387A (zh) * | 2018-11-23 | 2019-05-14 | 北京永新医疗设备有限公司 | 医学图像病灶检测定位方法、装置、电子设备及存储介质 |
| CN109658393A (zh) * | 2018-12-06 | 2019-04-19 | 代黎明 | 眼底图像拼接方法及系统 |
| CN109431531A (zh) * | 2018-12-25 | 2019-03-08 | 上海联影医疗科技有限公司 | 基于灌注成像的血管分割方法及装置和计算机装置 |
| CN109658407A (zh) * | 2018-12-27 | 2019-04-19 | 上海联影医疗科技有限公司 | 冠状动脉病变的评分方法、装置、服务器和存储介质 |
| CN109741344A (zh) * | 2018-12-28 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 血管分割方法、装置、医疗影像设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| SHAHAB ASLANI 等，: "Multi-branch Convolutional Neural Network for Multiple Sclerosis Lesion Segmentation", 《ARXIV》 * |
| SHAHAB ASLANI 等，: "Multi-branch Convolutional Neural Network for Multiple Sclerosis Lesion Segmentation", 《ARXIV》, vol. 2019, 8 April 2019 (2019-04-08), pages 1 - 16 * |
| 冯晨霄 等，: "融合特征和决策的卷积-反卷积图像分割模型", 《激光与光电子学进展》 * |
| 冯晨霄 等，: "融合特征和决策的卷积-反卷积图像分割模型", 《激光与光电子学进展》, vol. 56, no. 1, 31 January 2019 (2019-01-31), pages 1 - 9 * |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110675444A (zh) * | 2019-09-26 | 2020-01-10 | 东软医疗系统股份有限公司 | 头部ct扫描区域的确定方法、装置及图像处理设备 |
| CN110675444B (zh) * | 2019-09-26 | 2023-03-31 | 东软医疗系统股份有限公司 | 头部ct扫描区域的确定方法、装置及图像处理设备 |
| CN110728673A (zh) * | 2019-10-21 | 2020-01-24 | 上海联影医疗科技有限公司 | 一种目标部位分析方法、装置、计算机设备及存储介质 |
| US20210125337A1 (en) * | 2019-10-24 | 2021-04-29 | Case Western Reserve University | Plaque segmentation in intravascular optical coherence tomography (oct) images using deep learning |
| US11710238B2 (en) * | 2019-10-24 | 2023-07-25 | Case Western Reserve University | Plaque segmentation in intravascular optical coherence tomography (OCT) images using deep learning |
| CN111062997A (zh) * | 2019-12-09 | 2020-04-24 | 上海联影医疗科技有限公司 | 一种血管造影成像方法、系统、设备和存储介质 |
| CN111062997B (zh) * | 2019-12-09 | 2023-09-12 | 上海联影医疗科技股份有限公司 | 一种血管造影成像方法、系统、设备和存储介质 |
| CN111062963A (zh) * | 2019-12-16 | 2020-04-24 | 上海联影医疗科技有限公司 | 一种血管提取方法、系统、设备及存储介质 |
| CN111062963B (zh) * | 2019-12-16 | 2024-03-26 | 上海联影医疗科技股份有限公司 | 一种血管提取方法、系统、设备及存储介质 |
| CN111210431A (zh) * | 2019-12-27 | 2020-05-29 | 上海联影智能医疗科技有限公司 | 一种血管分割方法、装置、设备及存储介质 |
| CN111210431B (zh) * | 2019-12-27 | 2023-06-16 | 上海联影智能医疗科技有限公司 | 一种血管分割方法、装置、设备及存储介质 |
| CN111292319B (zh) * | 2020-03-12 | 2023-05-02 | 北京东软医疗设备有限公司 | 参考图像切换方法、装置及造影设备 |
| CN111292319A (zh) * | 2020-03-12 | 2020-06-16 | 北京东软医疗设备有限公司 | 参考图像切换方法、装置及造影设备 |
| CN111640124A (zh) * | 2020-05-25 | 2020-09-08 | 浙江同花顺智能科技有限公司 | 一种血管提取方法、装置、设备及存储介质 |
| CN111640124B (zh) * | 2020-05-25 | 2023-06-02 | 浙江同花顺智能科技有限公司 | 一种血管提取方法、装置、设备及存储介质 |
| CN112052896A (zh) * | 2020-09-03 | 2020-12-08 | 推想医疗科技股份有限公司 | 图像处理方法及装置，分类模型的训练方法及装置 |
| CN112446866A (zh) * | 2020-11-25 | 2021-03-05 | 上海联影医疗科技股份有限公司 | 血流参数的计算方法、装置、设备及存储介质 |
| CN112446866B (zh) * | 2020-11-25 | 2023-05-26 | 上海联影医疗科技股份有限公司 | 血流参数的计算方法、装置、设备及存储介质 |
| TWI790508B (zh) * | 2020-11-30 | 2023-01-21 | 宏碁股份有限公司 | 血管偵測裝置及基於影像的血管偵測方法 |
| CN112990448B (zh) * | 2021-04-26 | 2021-08-03 | 清华大学 | 用于计算的方法、计算系统、计算设备和介质 |
| CN112990448A (zh) * | 2021-04-26 | 2021-06-18 | 清华大学 | 用于计算的方法、计算系统、计算设备和介质 |
| CN113222852A (zh) * | 2021-05-26 | 2021-08-06 | 深圳高性能医疗器械国家研究院有限公司 | 一种增强ct图像的重建方法 |
| CN114066922B (zh) * | 2021-11-19 | 2022-06-03 | 数坤(北京)网络科技股份有限公司 | 医学图像分割方法、装置、终端设备及存储介质 |
| CN114066922A (zh) * | 2021-11-19 | 2022-02-18 | 数坤(北京)网络科技股份有限公司 | 医学图像分割方法、装置、终端设备及存储介质 |
| CN114862850A (zh) * | 2022-07-06 | 2022-08-05 | 深圳科亚医疗科技有限公司 | 一种血管医学图像的目标检测方法、装置及介质 |
| CN115393402A (zh) * | 2022-08-24 | 2022-11-25 | 北京医智影科技有限公司 | 图像配准网络模型的训练方法、图像配准方法及设备 |
| CN115170912A (zh) * | 2022-09-08 | 2022-10-11 | 北京鹰瞳科技发展股份有限公司 | 图像处理模型训练的方法、生成图像的方法及相关产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110211111A (zh) | 一种血管提取的方法、装置、图像处理设备及存储介质 | |
| US7529396B2 (en) | Method, computer program product, and apparatus for designating region of interest | |
| WO2018119766A1 (zh) | 多模态图像处理系统及方法 | |
| EP3926537A1 (en) | Medical image segmentation method, image segmentation method, related device and system | |
| US9311717B2 (en) | Processing and displaying a breast image with overlaid glandular contour | |
| CN107545584A (zh) | 医学图像中定位感兴趣区域的方法、装置及其系统 | |
| CN112001925A (zh) | 图像的分割方法、放射治疗系统、计算机设备和存储介质 | |
| CN106388843A (zh) | 医学影像设备及其扫描方法 | |
| US10083278B2 (en) | Method and system for displaying a timing signal for surgical instrument insertion in surgical procedures | |
| CN108876794A (zh) | 体积图像数据中的动脉瘤与载瘤血管的隔离 | |
| CN113538471B (zh) | 斑块的分割方法、装置、计算机设备和存储介质 | |
| CN110458837A (zh) | 一种图像后处理方法、装置、电子设备及存储介质 | |
| CN109671036A (zh) | 一种图像校正方法、装置、计算机设备及存储介质 | |
| CN111904379A (zh) | 多模态医学设备的扫描方法和装置 | |
| CN111462139A (zh) | 医学图像显示方法、装置、计算机设备和可读存储介质 | |
| CN111369675A (zh) | 基于肺结节脏层胸膜投影的三维可视模型重建方法及装置 | |
| US20210334959A1 (en) | Inference apparatus, medical apparatus, and program | |
| CN114202516A (zh) | 一种异物检测方法、装置、电子设备及存储介质 | |
| JP2019208903A (ja) | 医用画像処理装置、医用画像処理方法、及び医用画像処理プログラム | |
| US20230222668A1 (en) | Image processing apparatus, image processing method, and recording medium | |
| WO2021081771A1 (zh) | 基于vrds ai医学影像的心脏冠脉的分析方法和相关装置 | |
| KR20170128975A (ko) | 혈관 분할 장치 및 그것의 혈관 분할 방법 | |
| CN113192099B (zh) | 一种组织提取方法、装置、设备和介质 | |
| CN113889238B (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
| CN116077152A (zh) | 穿刺路径规划方法及相关产品 |
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 | ||
| CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
| CB02 | Change of applicant information |