CN110349143A - 一种确定管状组织感兴趣区的方法、装置、设备及介质 - Google Patents
一种确定管状组织感兴趣区的方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN110349143A CN110349143A CN201910609712.6A CN201910609712A CN110349143A CN 110349143 A CN110349143 A CN 110349143A CN 201910609712 A CN201910609712 A CN 201910609712A CN 110349143 A CN110349143 A CN 110349143A
- Authority
- CN
- China
- Prior art keywords
- tubular tissue
- region
- image
- interest
- dimentional
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种确定管状组织感兴趣区的方法、装置、设备及介质。该方法包括:获取当前用户的三维管状组织图像;所述三维管状组织图像沿管状组织中心线展开得到至少一张与所述当前用户对应的二维管状组织图像;根据所述至少一张二维管状组织图像输出与所述至少一张二维管状组织图像对应的至少一张二维管状组织图像的感兴趣区位置。本发明实施例通过获取当前用户的三维管状组织图像,并沿管状组织中心线展开得到至少一张二维管状组织图像后,输入预先训练完成的分类器中输出对应的二维管状组织图像的感兴趣区位置,以实现管状组织感兴趣区的确定方法更简单,对管状组织感兴趣区的测量和大小评估更准确。
Description
技术领域
本发明实施例涉及医学成像技术领域,尤其涉及一种确定管状组织感兴趣区的方法、装置、设备及介质。
背景技术
管状组织为高等植物性质相同的细胞作纵横连接,而各细胞间的隔壁消失,相互贯通而成的细管状组织,是水液的通路,如血管和气管等。医学图像中血管疾病的检测一直是医学非常关心的一个课题,尤其对于冠脉的钙化和斑块检测,对心脏病的诊断有重要意义。
以血管为例,在过去的若干年中,随着血管成像技术的发展和成熟,尤其心脏64排CT逐渐占据市场后,涌现出很多血管包括冠脉的斑块检测技术。这些技术的共同特点是在提取血管中心线的基础上,在血管横截面上分割血管的内壁和外壁,在内外壁之间检测斑块。这种做法基于一个假设是在血管的内外壁之间,除了正常的血管壁之外,主要就是血管的斑块,而各种成分的斑块主要靠CT值进行区分,如在130HU之上的为钙化,30-130HU之间的为纤维成分,而小于30HU的为脂质成分。
目前这类血管斑块检测方法的问题在于,血管的外壁非常难以确定,往往需要医生在横截面上对血管的内外轮廓进行编辑,尤其是血管呈现长条状,沿中心线所截取的横截面数量非常多,编辑费时费力。
发明内容
本发明实施例提供一种确定管状组织感兴趣区的方法、装置、设备及介质,以实现管状组织感兴趣区的确定方法更简单,对管状组织感兴趣区的测量和大小评估更准确。
第一方面,本发明实施例提供了一种确定管状组织感兴趣区的方法,该方法包括:
获取当前用户的三维管状组织图像;
所述三维管状组织图像沿管状组织中心线展开得到至少一张与所述当前用户对应的二维管状组织图像;
根据所述至少一张二维管状组织图像输出与所述至少一张二维管状组织图像对应的至少一张二维管状组织图像的感兴趣区位置。
可选地,所述三维管状组织图像沿管状组织中心线展开得到至少一张与所述当前用户对应的二维管状组织图像,包括:
将所述三维管状组织图像沿所述当前用户管状组织的中心线进行展开,得到不同角度的至少一张与所述当前用户对应的二维管状组织图像。
可选地,根据所述至少一张二维管状组织图像输出与所述至少一张二维管状组织图像对应的至少一张二维管状组织图像的感兴趣区位置,包括:
将所述至少一张二维管状组织图像输入到预先训练完成的分类器中,输出与所述至少一张二维管状组织图像对应的至少一张二维管状组织图像的感兴趣区位置。
可选地,所述方法还包括:
读取历史三维管状组织图像,并沿管状组织中心线展开得到不同角度的至少一张历史二维管状组织图像;
对所述不同角度的至少一张历史二维管状组织图像的感兴趣区进行标记;
基于标记好感兴趣区的所述不同角度的至少一张历史二维管状组织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分类器中,图像处理得到所述历史二维管状组织图像的感兴趣区位置;
根据所述感兴趣区位置与期望感兴趣区位置对所述分类器的参数进行调整;
其中,所述图像处理包括定位、分割以及分类。
可选地,所述基于标记好感兴趣区的所述不同角度的至少一张所述历史二维管状组织图像生成训练样本集,包括:
对至少一张历史二维管状组织图像进行扩增处理得到至少一张与所述历史二维管状组织图像对应的扩增图像;
将所述至少一张历史二维管状组织图像和所述至少一张二维管状组织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。
可选地,所述预先建立好的分类器包括深度学习网络;
其中,将所述训练样本集输入到预先建立好的分类器中,图像处理得到所述历史二维管状组织图像的感兴趣区位置,包括:
将所述训练样本集输入到所述深度学习网络中,直接经过所述图像处理得到所述历史二维管状组织图像的感兴趣区位置;或者
将所述训练样本集输入到所述深度学习网络中,确定大于预设概率阈值的感兴趣区位置后经过所述图像处理得到所述历史二维管状组织图像的感兴趣区位置。
可选地,所述方法还包括:
将所述至少一张二维管状组织图像的感兴趣区位置重建得到所述当前用户的三维管状组织图像的感兴趣区位置。
第二方面,本发明实施例还提供了一种确定管状组织感兴趣区的装置,该装置包括:
图像获取单元,用于获取当前用户的三维管状组织图像;
图像展开单元,用于所述三维管状组织图像沿管状组织中心线展开得到至少一张与所述当前用户对应的二维管状组织图像;
感兴趣区输出单元,用于根据所述至少一张二维管状组织图像输出与所述至少一张二维管状组织图像对应的至少一张二维管状组织图像的感兴趣区位置。
第三方面,本发明实施例还提供了一种设备,该设备包括:
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所提供的一种确定管状组织感兴趣区的方法。
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实施例任一所述的确定管状组织感兴趣区的方法。
本发明实施例通过获取当前用户的三维管状组织图像,并沿管状组织中心线展开得到至少一张二维管状组织图像后,根据所述至少一张二维管状组织图像输出与所述至少一张二维管状组织图像对应的至少一张二维管状组织图像的感兴趣区位置,解决了目前对管状组织检测方法繁琐且费时费力的问题,以实现对管状组织感兴趣区的确定方法更简单,对管状组织感兴趣区的测量和大小评估更准确。
附图说明
图1是本发明实施例一提供的一种确定管状组织感兴趣区的方法的流程图;
图2是本发明实施例提供的待检测用户的血管图像;
图3是本发明实施例提供的同一条血管根据不同重建角度展开得到的CPR图像;
图4是本发明实施例二提供的一种确定管状组织感兴趣区的方法的示意图;
图5是本发明实施例三提供的一种确定管状组织感兴趣区的方法的可选的实施例的示意图;
图6是本发明实施例四提供的一种确定管状组织感兴趣区的方法的示意图;
图7是本发明实施例五提供的一种确定管状组织感兴趣区的装置的结构图;
图8是本发明实施例六提供的一种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确定管状组织感兴趣区的方法的流程图,本实施例可适用于对管状组织的感兴趣区进行确定的情况,该方法可以由确定管状组织感兴趣区的装置来执行,具体包括如下步骤:
S110、获取当前用户的三维管状组织图像。
其中,管状组织包括血管和气管等。三维管状组织图像可包括CT血管增强图像,也可包括MR血管造影图像或是MR TOF图像等MR血管成像得到的图像,及其他任何可对血管进行成像的三维图像。
S120、所述三维管状组织图像沿管状组织中心线展开得到至少一张与所述当前用户对应的二维管状组织图像。
其中,二位管状组织图像可以为血管拉直图像等其他任何通过血管中心线展开得到的二维图像,如CPR(curved planar reformation)图像,CPR图像是一种常用的查看三维图像中管状组织的图像重建方式,它可以把在三维图像中弯曲的形状展开到一张二维图像上,方便直观的观察。事实上,CPR图像也是医生常用来观察血管及其周边情况的工具,在CPR图像上更能清楚直观的查看到一条血管上的疾病。
S130、根据所述至少一张二维管状组织图像输出与所述至少一张二维管状组织图像对应的至少一张二维管状组织图像的感兴趣区位置。
其中,管状组织的感兴趣区位置包括血管的钙化斑块或是软斑块等,也包括其他如血管狭窄或是血管瘤等其他血管特征。在发明实施例中,管状组织的感兴趣区位置通过在二维管状组织图像进行标记得到。
进一步地,根据二维管状组织图像展开时的映射关系,将二维管状组织图像上检测和分割的感兴趣区位置还原回三维管状组织图像上及横截面图像上后,可准确对感兴趣区进行测量和大小评估。
在本实施例的技术方案中可以采用传统图像分割和识别方法,例如,阈值分割方法,也可以采用预先训练完成的分类器输出二维管状组织图像的感兴趣区位置,分类器可以采用深度学习的方法进行训练,不同的深度学习方法由于网络及原理的不同,具体的操作也略有不同。如采用v-net网络的深度学习的方法对至少一张标记好的二维管状组织图像进行训练,则可以直接得到至少一张二维管状组织图像对应的至少一张二维管状组织图像的感兴趣区位置。分类器也可采用其他机器学习方法或者非机器学习的图像处理方法,例如,采用PBT(probability boosting tree)的方法,将至少一张标记好的二维管状组织图像的标记点作为正样本,将至少一张标记好的二维管状组织图像的标记以外的点作为负样本,训练每个点得到的是感兴趣区位置的概率。这样获得图像处理结果以及确定的感兴趣区位置,相对于传统的处理方法更精准,得到结果效果更好。
以血管为例,基于本发明实施例,如图2所示是本发明实施例提供的待检测用户的血管图像,图2左侧的图是待检测用户的三维血管图像,图2右侧的图是待检测用户沿血管中心线展开的三维血管示意图,具体是从哪种角度进行展开可以由用户根据实际情况进行选择。对于待检测的用户三维血管图像,将血管中心线提取出来后,把三维血管图像按照血管的每条中心线按照一定的角度间隔展开得到一系列不同角度的CPR图像,即如图3所示是本发明实施例提供的同一条血管根据不同重建角度展开得到的一系列CPR图像。根据训练得到的分类器,对每条血管中心线生成的所有CPR图像进行斑块的检测或直接分割。若只是检测出血管斑块,则需要在检测出有斑块的部位,进一步采用graph cut等分割算法,再将斑块分割出来。可以理解的是如采用基于v-net网络的深度学习方法训练得到的网络,对待检测用户的CPR图像进行检测,可直接分割出斑块掩膜;如采用基于alexnet的深度学习方法或者PBT方法,则可以检测出血管斑块概率较高(换句话说就是高于预先设定的概率阈值)的斑块区域,进一步在此斑块区域中,可后续采用graph cut或level set等图像分割算法,再将血管斑块分割出来。
本发明实施例通过获取当前用户的三维管状组织图像,并沿管状组织中心线展开得到至少一张二维管状组织图像后,根据所述至少一张二维管状组织图像输出与所述至少一张二维管状组织图像对应的至少一张二维管状组织图像的感兴趣区位置,解决了目前对管状组织检测方法繁琐且费时费力的问题,以实现对管状组织感兴趣区的确定方法更简单,对管状组织感兴趣区的测量和大小评估更准确。
实施例二
图4为本发明实施例二提供的一种确定管状组织感兴趣区的方法的流程图。本实施例以上述实施例为基础进行优化,在本实施例中,将步骤所述三维管状组织图像沿管状组织中心线展开得到至少一张与所述当前用户对应的二维管状组织图像进一步优化为:将所述三维管状组织图像沿所述当前用户管状组织的中心线进行展开,得到不同角度的至少一张与所述当前用户对应的二维管状组织图像。在此基础上,将步骤根据所述至少一张二维管状组织图像输出与所述至少一张二维管状组织图像对应的至少一张二维管状组织图像的感兴趣区位置进一步优化为:将所述至少一张二维管状组织图像输入到预先训练完成的分类器中,输出与所述至少一张二维管状组织图像对应的至少一张二维管状组织图像的感兴趣区位置。
相应的,本实施例的方法具体包括:
S210、获取当前用户的三维管状组织图像。
S220、将所述三维管状组织图像沿所述当前用户管状组织的中心线进行展开,得到不同角度的至少一张与所述当前用户对应的二维管状组织图像。
在沿当前用户管状组织的中心线进行展开之前,可以理解的是需要提取所述当前用户管状组织的中心线。其中,提取管状组织中心线的方法有很多,可自动提取、半自动提取或是手动提取。对于冠脉来说,可采用基于冠脉窦定位结合海森阵增强的方法分割冠脉,然后在冠脉掩膜的基础上,提取冠脉的中心线。三维管状组织图像依据管状组织的中心线按照一定的角度间隔展开,得到一系列至少一种同一管状组织在不同角度下的二维管状组织图像。需要说明的是使用不同角度下的二维管状组织图像,可以有效提高提供后续图像处理的准确率。
S230、将所述至少一张二维管状组织图像输入预先训练完成的分类器中,输出与所述至少一张二维管状组织图像对应的至少一张二维管状组织图像的感兴趣区位置。
具体地,对分类器进行训练可包括:读取历史三维管状组织图像,并沿管状组织中心线展开得到不同角度的至少一张历史二维管状组织图像;对所述不同角度的至少一张历史二维管状组织图像的感兴趣区进行标记;基于标记好感兴趣区的所述不同角度的至少一张历史二维管状组织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分类器中,图像处理得到所述历史二维管状组织图像的感兴趣区位置;根据所述感兴趣区位置与期望感兴趣区位置对所述分类器的参数进行调整;其中,所述图像处理包括定位、分割以及分类。定位就是可以寻找感兴趣区域的中心点,或者感兴趣区域所在的外接矩形框,分类就是对感兴趣区域的组织成分进行判断,分类可以建立在定位和分割的基础上作为后续步骤,也可以通过神经网络直接得到结果。可以理解的是,训练样本集中可以包括一张、两张及两张以上的历史二维管状组织图像。为了保证深度学习网络的训练效果,训练样本集中可以包括多张历史二维管状组织图像。
此处需要说明的是在训练分类器时,对不同角度的至少一张历史二维管状组织图像的感兴趣区进行标记是由两位独立医生分别进行的,以完善标记的准确性。而常规操作中由于直接由人工对三维管状组织图像进行标记,操作过程繁琐,同时,二维管状组织图像上不方便直接进行感兴趣区的检测和测量的一个原因是二维管状组织图像上感兴趣区的形状与实际三维管状组织图像中由于投影变形是不同的,测量和距离的度量在同一个平面上也是不相同的。因此,本发明实施例中在训练分类器时仍然采用人工去对二维管状组织图像进行感兴趣区的标记。
一般地,深度学习网络可大致理解为包含多个隐含层的神经网络结构,是利用深度神经网络来解决特征表达的一种学习过程。深度学习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。深度学习网络能够通过训练大量数据自动得出模型。在深度学习网络的训练过程中,可通过调整深度学习网络的神经元的连接方法和激活函数等,提高深层神经网络的训练效果。
具体地,所述预先建立好的分类器包括深度学习网络;其中,将所述训练样本集输入到预先建立好的分类器中,图像处理得到所述历史二维管状组织图像的感兴趣区位置,包括:将所述训练样本集输入到所述深度学习网络中,直接经过所述图像处理得到所述历史二维管状组织图像的感兴趣区位置;或者将所述训练样本集输入到所述深度学习网络中,确定大于预设概率阈值的感兴趣区位置后经过所述图像处理得到所述历史二维管状组织图像的感兴趣区位置。
由于历史二维管状组织图像通常来自于用户临床数据,样本量通常很珍贵,然而深度学习网络往往下需要大量的样本进行训练,因此,可以对历史二维管状组织数据进行扩增处理,以增加训练样本。具体地,所述基于标记好感兴趣区的所述不同角度的至少一张所述历史二维管状组织图像生成训练样本集,可包括:对至少一张历史二维管状组织图像进行扩增处理得到至少一张与所述历史二维管状组织图像对应的扩增图像;将所述至少一张历史二维管状组织图像和所述至少一张二维管状组织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二维管状组织图像对深度学习网络进行训练,能够提高深度学习网络对二维管状组织图像的感兴趣区的提取能力。
需要说明的是,可以对一张、两张以及两张以上的历史二维管状组织图像进行扩增处理。例如,可以从历史二维管状组织图像中选取分辨率较高的医学图像进行扩增处理,保证深度学习网络学习效果。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,在此并不做限定。
本发明实施例的技术方案,通过获取当前用户的三维管状组织图像,提取所述当前用户管状组织的中心线,并将所述三维管状组织图像沿所述当前用户管状组织的中心线进行展开,得到不同角度的至少一张与所述当前用户对应的二维管状组织图像,再输入预先训练完成的分类器中标记二维管状组织图像的感兴趣区位置,结合二维图像使得检测和测量更准确,提高管状组织感兴趣区的确定效率,对管状组织感兴趣区的测量和大小评估更准确,与医生的观察和诊断更加一致使得提取结果更具有参考价值。
实施例三
图5为本发明实施例三提供的一种确定管状组织感兴趣区的方法的可选的实施例的示意图。在上述各实施例的基础上,提供一种优选实施例。该确定管状组织感兴趣区的方法包括:
获取历史三维管状组织图像。
通过自动提取、半自动提取或是手动提取等提取管状组织中心线的方法,对历史三维管状组织的中心线进行提取。
将历史三维管状组织图像沿管状组织中心线展开得到不同角度的至少一张与历史三维管状组织图像对应的二维管状组织图像,方便直观的观察,展开后的得到根据重建角度不同的同一条管状组织在不同角度下的图像。
由两位独立的医生对历史三维管状组织图像对应的二维管状组织图像分别进行标记。
采用深度学习的方法,对标记好的历史三维管状组织图像对应的二维管状组织图像作为输入到分类器中进行训练,训练样本的期望输出是该历史用户的二维管状组织图像感兴趣区位置。
当前训练样本的训练结束后,对于一个新的训练样本,我们需要对该三维管状组织图像进行相同的处理,输入到分类器后得到对应的二维管状组织图像的感兴趣区位置。
上述技术方案,通过深度学习网络能够方便对管状组织进行感兴趣区位置的检测和测量,并且由于深度学习网络是根据大量已有数据进行训练,克服了管状组织在展开得到CPR图像后感兴趣区的形状与实际三维管状组织图像中的不同,以及测量和距离的度量在同一平面也不相同的问题,同时,解决了由机器学习算法(机器学习算法包括深度学习技术)直接对CPR图像进行感兴趣区的标记无法供用户进行查看,以及直接由机器学习算法对三维管状组织图像的感兴趣区进行标记的算法复杂的问题,又实现了对管状组织感兴趣区位置的确定更准确,大小评估更准确。
实施例四
图6为本发明实施例四提供的一种确定管状组织感兴趣区的方法的流程图,本实施例以上述实施例为基础进行优化。
S410、获取当前用户的三维管状组织图像。
S420、所述三维管状组织图像沿管状组织中心线展开得到至少一张与所述当前用户对应的二维管状组织图像。
S430、将所述至少一张二维管状组织图像输入预先训练完成的分类器中,输出与所述至少一张二维管状组织图像对应的至少一张二维管状组织图像的感兴趣区位置。
S440、将所述至少一张二维管状组织图像的感兴趣区位置重建得到所述当前用户的三维管状组织图像的感兴趣区位置。
对于三维管状组织每一条中心线生成的不同角度的一系列二维管状组织图像,事实上所显示的都是一个管状组织(也可以说是一条血管)周边的情况,因此可以将这些二维管状组织图像上所标记的感兴趣区位置,利用重建算法重新还原到对应的三维管状组织图像中,得到三维管状组织图像中的感兴趣区位置,从而可计算感兴趣区的体积、大小或是成分比较等参数。本发明实施例提供的技术方案将三维管状组织图像转换为二维管状组织图像,进而对二维管状组织图像进行处理得到感兴趣区位置,相比于直接使用三维管状组织图像识别感兴趣区位置的方法,更加简单、快捷且正确率高。
上述技术方案,通过根据中心线生成的不同角度的一系列二维管状组织图像的映射关系,将二维管状组织图像检测和分割的感兴趣区位置还原到三维管状组织图像上及横截面图像上,可实现准确对管状组织感兴趣区进行测量和大小的评估。
实施例五
图7为本发明实施例五提供的一种确定管状组织感兴趣区的装置的结构图,本实施例可适用于对管状组织的感兴趣区进行确定的情况。
如图7所示,所述装置包括:图像获取单元510、图像展开单元520和感兴趣区输出单元530,其中:
图像获取单元510,用于获取当前用户的三维管状组织图像;
图像展开单元520,用于所述三维管状组织图像沿管状组织中心线展开得到至少一张与所述当前用户对应的二维管状组织图像;
感兴趣区输出单元530,用于根据所述至少一张二维管状组织图像输出与所述至少一张二维管状组织图像对应的至少一张二维管状组织图像的感兴趣区位置。
本实施例的一种确定管状组织感兴趣区的装置的结构图,通过获取当前用户的三维管状组织图像,并沿管状组织中心线展开得到至少一张二维管状组织图像后,输入预先训练完成的分类器中输出对应的二维管状组织图像的感兴趣区位置,以实现管状组织感兴趣区的确定方法更简单,对管状组织感兴趣区的测量和大小评估更准确。
在上述各实施例的基础上,图像展开单元520具体用于:
将所述三维管状组织图像沿所述当前用户管状组织的中心线进行展开,得到不同角度的至少一张与所述当前用户对应的二维管状组织图像。
在上述各实施例的基础上,感兴趣区输出单元530具体用于:
将所述至少一张二维管状组织图像输入到预先训练完成的分类器中,输出与所述至少一张二维管状组织图像对应的至少一张二维管状组织图像的感兴趣区位置。
在上述各实施例的基础上,所述装置还包括:
图像输入模块,用于读取历史三维管状组织图像,并沿管状组织中心线展开得到不同角度的至少一张历史二维管状组织图像;
感兴趣区标记模块,用于对所述不同角度的至少一张历史二维管状组织图像的感兴趣区进行标记;
训练样本集生成模块,用于基于标记好感兴趣区的所述不同角度的至少一张历史二维管状组织图像生成训练样本集;
图像特征输出模块,用于将所述训练样本集输入到预先建立好的分类器中,图像处理得到所述历史二维管状组织图像的感兴趣区位置;
第一参数调整模块,用于根据所述感兴趣区位置与期望感兴趣区位置对所述分类器的参数进行调整;
其中,所述图像处理包括定位、分割以及分类。
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:
对至少一张历史二维管状组织图像进行扩增处理得到至少一张与所述历史二维管状组织图像对应的扩增图像;
将所述至少一张历史二维管状组织图像和所述至少一张二维管状组织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。
在上述各实施例的基础上,所述预先建立好的分类器包括深度学习网络;其中,所示图像特征输出模块具体用于:
将所述训练样本集输入到所述深度学习网络中,直接经过所述图像处理得到所述历史二维管状组织图像的感兴趣区位置;或者
将所述训练样本集输入到所述深度学习网络中,确定大于预设概率阈值的感兴趣区位置后经过所述图像处理得到所述历史二维管状组织图像的感兴趣区位置。
在上述各实施例的基础上,所示确定管状组织感兴趣区的装置,还包括:
三维重建单元,将所述至少一张二维管状组织图像的感兴趣区位置重建得到所述当前用户的三维管状组织图像的感兴趣区位置。
上述各实施例所提供的确定管状组织感兴趣区的装置可执行本发明任意实施例所提供的确定管状组织感兴趣区的方法,具备执行确定管状组织感兴趣区的方法相应的功能模块和有益效果。
实施例六
如图8所示是本发明实施例六提供的一种设备的硬件结构示意图,如图8所示,该设备包括:一个或多个处理器610,图8中以一个处理器610为例;存储器620;所述设备还可以包括:输入装置630和输出装置640。
所述设备中的处理器610、存储器620、输入装置630和输出装置640可以通过总线或者其他方式连接,图8中以通过总线650连接为例。
存储器620作为一种非暂态计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的一种确定管状组织感兴趣区的方法对应的程序指令/模块(例如,附图7所示的图像获取单元510、图像展开单元520和感兴趣区输出单元530)。处理器610通过运行存储在存储器620中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述方法实施例的一种确定管状组织感兴趣区的方法。
存储器620可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器620可以包括高速随机存取存储器,还可以包括非暂态性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态性固态存储器件。在一些实施例中,存储器620可选包括相对于处理器610远程设置的存储器,这些远程存储器可以通过网络连接至终端设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置630可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置640可包括显示屏等显示设备。
实施例七
本发明实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种确定管状组织感兴趣区的方法,该方法包括:
获取当前用户的三维管状组织图像;
所述三维管状组织图像沿管状组织中心线展开得到至少一张与所述当前用户对应的二维管状组织图像;
根据所述至少一张二维管状组织图像输出与所述至少一张二维管状组织图像对应的至少一张二维管状组织图像的感兴趣区位置。
可选的,该计算机可执行指令在由计算机处理器执行时还可以用于执行本发明任意实施例所提供的一种确定管状组织感兴趣区的方法的技术方案。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的确定管状组织感兴趣区的方法。
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)
1.一种确定管状组织感兴趣区的方法,其特征在于,包括:
获取当前用户的三维管状组织图像;
所述三维管状组织图像沿管状组织中心线展开得到至少一张与所述当前用户对应的二维管状组织图像;
根据所述至少一张二维管状组织图像输出与所述至少一张二维管状组织图像对应的至少一张二维管状组织图像的感兴趣区位置。
2.根据权利要求1所述的方法,其特征在于,所述三维管状组织图像沿管状组织中心线展开得到至少一张与所述当前用户对应的二维管状组织图像,包括:
将所述三维管状组织图像沿所述当前用户管状组织的中心线进行展开,得到不同角度的至少一张与所述当前用户对应的二维管状组织图像。
3.根据权利要求1所述的方法,其特征在于,根据所述至少一张二维管状组织图像输出与所述至少一张二维管状组织图像对应的至少一张二维管状组织图像的感兴趣区位置,包括:
将所述至少一张二维管状组织图像输入到预先训练完成的分类器中,输出与所述至少一张二维管状组织图像对应的至少一张二维管状组织图像的感兴趣区位置。
4.根据权利要求1-3所述的方法,其特征在于,还包括:
读取历史三维管状组织图像,并沿管状组织中心线展开得到不同角度的至少一张历史二维管状组织图像;
对所述不同角度的至少一张历史二维管状组织图像的感兴趣区进行标记;
基于标记好感兴趣区的所述不同角度的至少一张历史二维管状组织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分类器中,图像处理得到所述历史二维管状组织图像的感兴趣区位置;
根据所述感兴趣区位置与期望感兴趣区位置对所述分类器的参数进行调整;
其中,所述图像处理包括定位、分割以及分类。
5.根据权利要求4所述的方法,其特征在于,所述基于标记好感兴趣区的所述不同角度的至少一张所述历史二维管状组织图像生成训练样本集,包括:
对至少一张历史二维管状组织图像进行扩增处理得到至少一张与所述历史二维管状组织图像对应的扩增图像;
将所述至少一张历史二维管状组织图像和所述至少一张二维管状组织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。
6.根据权利要求4所述的方法,其特征在于,所述预先建立好的分类器包括深度学习网络;
其中,将所述训练样本集输入到预先建立好的分类器中,图像处理得到所述历史二维管状组织图像的感兴趣区位置,包括:
将所述训练样本集输入到所述深度学习网络中,直接经过所述图像处理得到所述历史二维管状组织图像的感兴趣区位置;或者
将所述训练样本集输入到所述深度学习网络中,确定大于预设概率阈值的感兴趣区位置后经过所述图像处理得到所述历史二维管状组织图像的感兴趣区位置。
7.根据权利要求1所述的方法,其特征在于,还包括:
将所述至少一张二维管状组织图像的感兴趣区位置重建得到所述当前用户的三维管状组织图像的感兴趣区位置。
8.一种确定管状组织感兴趣区的装置,其特征在于,包括:
图像获取单元,用于获取当前用户的三维管状组织图像;
图像展开单元,用于所述三维管状组织图像沿管状组织中心线展开得到至少一张与所述当前用户对应的二维管状组织图像;
感兴趣区输出单元,用于根据所述至少一张二维管状组织图像输出与所述至少一张二维管状组织图像对应的至少一张二维管状组织图像的感兴趣区位置。
9.一种设备,其特征在于,所述设备包括:
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中任一所述的确定管状组织感兴趣区的方法。
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中任一所述的确定管状组织感兴趣区的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910609712.6A CN110349143B (zh) | 2019-07-08 | 2019-07-08 | 一种确定管状组织感兴趣区的方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910609712.6A CN110349143B (zh) | 2019-07-08 | 2019-07-08 | 一种确定管状组织感兴趣区的方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110349143A true CN110349143A (zh) | 2019-10-18 |
CN110349143B CN110349143B (zh) | 2022-06-14 |
Family
ID=68178373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910609712.6A Active CN110349143B (zh) | 2019-07-08 | 2019-07-08 | 一种确定管状组织感兴趣区的方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110349143B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508954A (zh) * | 2021-02-07 | 2021-03-16 | 南京景三医疗科技有限公司 | 一种管状结构狭窄度的计算方法、计算装置和电子设备 |
CN112967284A (zh) * | 2021-04-30 | 2021-06-15 | 平安科技(深圳)有限公司 | 血管图像分段分析方法、装置、设备及存储介质 |
CN113379782A (zh) * | 2021-05-28 | 2021-09-10 | 上海联影医疗科技股份有限公司 | 管状结构的提取方法、装置、设备和存储介质 |
CN114732431A (zh) * | 2022-06-13 | 2022-07-12 | 深圳科亚医疗科技有限公司 | 对血管病变进行检测的计算机实现方法、装置及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593844A (zh) * | 2013-10-29 | 2014-02-19 | 华中科技大学 | 一种医学图像的多维多种特征提取方法 |
CN107545269A (zh) * | 2016-06-23 | 2018-01-05 | 西门子保健有限责任公司 | 使用递归神经网络进行血管疾病检测的方法和系统 |
CN109035255A (zh) * | 2018-06-27 | 2018-12-18 | 东南大学 | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 |
-
2019
- 2019-07-08 CN CN201910609712.6A patent/CN110349143B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593844A (zh) * | 2013-10-29 | 2014-02-19 | 华中科技大学 | 一种医学图像的多维多种特征提取方法 |
CN107545269A (zh) * | 2016-06-23 | 2018-01-05 | 西门子保健有限责任公司 | 使用递归神经网络进行血管疾病检测的方法和系统 |
CN109035255A (zh) * | 2018-06-27 | 2018-12-18 | 东南大学 | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 |
Non-Patent Citations (1)
Title |
---|
陈骥 等: "利用脊线检测实现视网膜图像血管中心线的精确提取", 《重庆大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508954A (zh) * | 2021-02-07 | 2021-03-16 | 南京景三医疗科技有限公司 | 一种管状结构狭窄度的计算方法、计算装置和电子设备 |
CN112967284A (zh) * | 2021-04-30 | 2021-06-15 | 平安科技(深圳)有限公司 | 血管图像分段分析方法、装置、设备及存储介质 |
CN113379782A (zh) * | 2021-05-28 | 2021-09-10 | 上海联影医疗科技股份有限公司 | 管状结构的提取方法、装置、设备和存储介质 |
CN114732431A (zh) * | 2022-06-13 | 2022-07-12 | 深圳科亚医疗科技有限公司 | 对血管病变进行检测的计算机实现方法、装置及介质 |
CN114732431B (zh) * | 2022-06-13 | 2022-10-18 | 深圳科亚医疗科技有限公司 | 对血管病变进行检测的计算机实现方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110349143B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11101033B2 (en) | Medical image aided diagnosis method and system combining image recognition and report editing | |
CN110349143A (zh) | 一种确定管状组织感兴趣区的方法、装置、设备及介质 | |
US9959615B2 (en) | System and method for automatic pulmonary embolism detection | |
CN109544566B (zh) | 冠脉图像分割方法、装置、计算机设备和存储介质 | |
CN108171692B (zh) | 一种肺部影像检索方法及装置 | |
CN111539944B (zh) | 肺部病灶统计属性获取方法、装置、电子设备和存储介质 | |
CN114820654A (zh) | 血管分割方法、装置、医疗影像设备及存储介质 | |
CN113781439B (zh) | 超声视频病灶分割方法及装置 | |
CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
JP2015066311A (ja) | 画像処理装置、画像処理方法、画像処理装置の制御プログラム、記録媒体 | |
CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
CN111862038B (zh) | 一种斑块检测方法、装置、设备及介质 | |
CN107767362A (zh) | 一种基于深度学习的肺癌早筛装置 | |
KR102349515B1 (ko) | 의료 영상에서 딥러닝에 기반한 종양 자동분할 방법 | |
CN107595390A (zh) | 一种超声影像与ct影像的实时匹配融合方法 | |
CN113538471B (zh) | 斑块的分割方法、装置、计算机设备和存储介质 | |
CN113159040B (zh) | 医学图像分割模型的生成方法及装置、系统 | |
US9530238B2 (en) | Image processing apparatus, method and program utilizing an opacity curve for endoscopic images | |
CN111971752A (zh) | 医学图像数据的显示 | |
US9019272B2 (en) | Curved planar reformation | |
CN108052909B (zh) | 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置 | |
CN113935976A (zh) | 一种增强ct图像的脏器内血管自动分割方法及系统 | |
US9123163B2 (en) | Medical image display apparatus, method and program | |
CN111862259B (zh) | 医学灌注图像处理方法和医学成像设备 | |
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 |
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 | ||
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. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |