CN110517244B - 一种基于dsa图像的定位方法及系统 - Google Patents
一种基于dsa图像的定位方法及系统 Download PDFInfo
- Publication number
- CN110517244B CN110517244B CN201910782808.2A CN201910782808A CN110517244B CN 110517244 B CN110517244 B CN 110517244B CN 201910782808 A CN201910782808 A CN 201910782808A CN 110517244 B CN110517244 B CN 110517244B
- Authority
- CN
- China
- Prior art keywords
- dimensional dsa
- image
- sequence image
- dimensional
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012549 training Methods 0.000 claims description 21
- 230000000694 effects Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 10
- 230000003902 lesion Effects 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims 1
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 7
- 201000008450 Intracranial aneurysm Diseases 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000007917 intracranial administration Methods 0.000 description 4
- 206010002329 Aneurysm Diseases 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000022211 Arteriovenous Malformations Diseases 0.000 description 1
- 208000009443 Vascular Malformations Diseases 0.000 description 1
- 206010057469 Vascular stenosis Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000005744 arteriovenous malformation Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000013152 interventional procedure Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000001613 neoplastic effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
- 231100000216 vascular lesion Toxicity 0.000 description 1
Images
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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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)
- Image Analysis (AREA)
Abstract
本说明书实施例公开了一种基于DSA图像的定位方法及系统，属于医学影像和计算机技术领域。本说明书实施例通过对待处理的二维DSA序列图像中目标区域的定位，解决了“肉眼观察法”受主观意识的影响比较大、花费较多时间的问题。该定位方法包括：对待处理的二维DSA序列图像进行归一化处理，获得预处理的二维DSA序列图像；基于第一模型，确定预处理的二维DSA序列图像中的最佳帧；基于第二模型，从属于最佳帧的二维DSA图像中分割目标区域，获得目标区域在待处理的二维DSA序列图像中的定位区域。本说明书实施例提供的基于DSA图像的定位方法和系统，能够实现直接显示二维DSA图像中的目标区域，缩减人为观察、思考及判断的时间。
Description
技术领域
本说明书涉及医学影像和计算机技术领域，尤其涉及一种基于DSA图像的定位方法及系统。
背景技术
颅内动脉瘤是一种常见的血管性疾病，该疾病是由于颅内动脉内腔的局部异常扩张而导致的一种动脉壁的瘤状突起。据报道，颅内未破裂动脉瘤在我国成人中的患病率高达7％，颅内未破裂动脉瘤发生破裂后，会导致严重残疾甚至死亡。因此，早日发现颅内动脉瘤具有重要意义。
DSA(Digital subtraction angiography，数字减影血管造影)作为颅内动脉血管畸形和动脉瘤诊断的金标准，在临床中广泛应用。目前，颅内动脉瘤的定位主要依赖肉眼观察进行判断。该“肉眼观察法”通过读取二维DSA图像，初步判断是否存在颅内动脉瘤。该方法受二维DSA图像的观察视角及观察者的主观意识的影响比较大，容易出现漏诊，且观察过程中，需要观察者的思考，花费较多的时间。
因此，需要一种新的定位方法，能够排除或减少主观因素及影像设备成像差异带来的诊断差异，缩减人为观察、思考及判断的时间，作为计算机辅助方法，为后续利用DSA图像进行诊断及教学研究提供依据。
发明内容
本说明书实施例提供一种基于DSA图像的定位方法及系统，用于解决以下技术问题：需要一种新的定位方法，能够排除或减少主观因素及影像设备成像差异带来的诊断差异，缩减人为观察、思考及判断的时间，作为计算机辅助方法，为后续利用DSA图像进行诊断及教学研究提供依据。
本说明书实施例提供一种基于DSA图像的定位方法，包括以下步骤：
对待处理的二维DSA序列图像进行归一化处理，获得预处理的二维DSA序列图像，其中，所述待处理的二维DSA序列图像是多帧的；
基于第一模型，确定所述预处理的二维DSA序列图像中的最佳帧，其中，所述最佳帧是目标区域在所述预处理的二维DSA序列图像中显示效果最佳的一帧；
基于第二模型，从所述属于最佳帧的二维DSA图像中分割目标区域，获得目标区域在所述待处理的二维DSA序列图像中的定位区域。
优选地，所述对待处理的二维DSA序列图像进行归一化处理，获得预处理的二维DSA序列图像，具体包括：
对所述待处理的二维DSA序列图像进行尺寸缩放和/或像素值归一化和/或像素间距归一化，使所述待处理的二维DSA序列图像保持尺寸和/或像素和/或像素间距一致，得到预处理的二维DSA序列图像。
优选地，所述基于第一模型，确定所述预处理的二维DSA序列图像中的最佳帧，具体包括：
将所述预处理的二维DSA序列图像输入第一模型，所述第一模型输出所述预处理的二维DSA序列图像中的最佳帧。
优选地，所述第一模型以带有数字标签的二维DSA序列图像作为训练样本，基于深度学习方法预先训练获得的模型，其中，数字标签用于标记二维DSA图像的图像帧是否为最佳帧。
优选地，所述基于第二模型，从所述属于最佳帧的二维DSA图像中分割目标区域，获得目标区域在所述待处理的二维DSA序列图像中的定位区域，具体包括：
将所述属于最佳帧的二维DSA图像输入第二模型，所述第二模型对所述属于最佳帧的二维DSA图像进行分割，输出目标区域在所述待处理的二维DSA图像中的定位区域。
优选地，所述第二模型以属于最佳帧的二维DSA图像标记目标区域作为训练样本，基于深度学习方法预先训练获得的模型。
本说明书实施例提供的一种基于DSA图像的定位系统，包括：
接收单元，接收待处理的二维DSA序列图像；
处理单元，对所述待处理的二维DSA序列图像进行定位；
输出单元，显示所述待处理的二维DSA序列图像的定位结果。
优选地，所述对所述待处理的二维DSA序列图像进行定位，具体包括：
对待处理的二维DSA序列图像进行归一化处理，获得预处理的二维DSA序列图像，其中，所述待处理的二维DSA序列图像是多帧的；
基于第一模型，确定所述预处理的二维DSA序列图像中的最佳帧，其中，所述最佳帧是目标区域在所述预处理的二维DSA序列图像中显示效果最佳的一帧；
基于第二模型，从所述属于最佳帧的二维DSA图像中分割目标区域，获得目标区域在所述待处理的二维DSA序列图像中的定位区域。
优选地，所述对待处理的二维DSA序列图像进行归一化处理，获得预处理的二维DSA序列图像，具体包括：
对所述待处理的二维DSA序列图像进行尺寸缩放和/或像素值归一化和/或像素间距归一化，使所述待处理的二维DSA序列图像保持尺寸和/或像素和/或像素间距一致，得到预处理的二维DSA序列图像。
优选地，所述基于第一模型，确定所述预处理的二维DSA序列图像中的最佳帧，具体包括：
将所述预处理的二维DSA序列图像输入第一模型，所述第一模型输出所述预处理的二维DSA序列图像中的最佳帧。
优选地，所述第一模型以带有数字标签的二维DSA序列图像作为训练样本，基于深度学习方法预先训练获得的模型，其中，数字标签用于标记二维DSA图像的图像帧是否为最佳帧。
优选地，所述基于第二模型，从所述属于最佳帧的二维DSA图像中分割目标区域，获得目标区域在所述待处理的二维DSA序列图像中的定位区域，具体包括：
将所述属于最佳帧的二维DSA图像输入第二模型，所述第二模型对所述属于最佳帧的二维DSA图像进行分割，输出目标区域在所述待处理的二维DSA图像中的定位区域。
优选地，所述第二模型以属于最佳帧的二维DSA图像标记目标区域作为训练样本，基于深度学习方法预先训练获得的模型。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
本说明书实施例通过从待处理的二维DSA序列图像中筛选目标区域显示效果最佳的一帧，基于深度学习方法分割从最佳帧中分割目标区域，实现目标区域的定位，本发明能够实现直接显示二维DSA图像中的目标区域，排除或减少主观因素及影像设备成像差异带来的诊断差异，缩减人为观察、思考及判断的时间。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的一种基于DSA图像的定位方法的示意图；
图2为本说明书实施例提供的获得含有目标区域的帧的流程图；
图3为本说明书实施例提供的分割目标区域的流程图；
图4为本说明书实施例提供的基于二维DSA图像的定位结果示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
图1为本说明书实施例提供的一种基于DSA图像的定位方法的示意图，具体包括以下步骤：
步骤S101：对待处理的二维DSA序列图像进行归一化处理，获得预处理的二维DSA序列图像。
DSA是将造影剂注入需要检查的血管中，使血管显露原形。DSA图像主要用于观察血管病变、血管狭窄的定位测量以及为介入治疗提供图像。在实际应用中，被观察者的二维DSA图像是多帧的，一般包括颅脑正位及颅脑侧位的图像，还可包括颅脑斜位图像。在具体实施过程中，二维DSA图像的帧数不等，通常在10～40帧之间，DSA图像的文件格式为DICOM格式。
由于二维DSA序列图像可能存在尺寸等差异，因此在将二维DSA序列图像输入第一模型前，需要对待处理的二维DSA序列图像进行归一化处理。具体地，对待处理的二维DSA序列图像进行尺寸缩放和/或像素值归一化和/或像素间距归一化等处理，使所有待处理的二维DSA序列图像的各帧图像均保持相同的尺寸及像素间距，且与进行第一模型训练的样本的图像的尺寸及像素间距一致，以便待处理的二维DSA序列图像正常输入第一模型中。
步骤S103：基于第一模型，确定预处理的二维DSA序列图像的最佳帧。
前述步骤S101获得的预处理的二维DSA序列图像是有多帧的，因此在确定目标区域前，首先需要含有目标区域的帧。在本说明书的一个实施例中，采用基于第一模型的方法，从预处理的二维DSA序列图像中，获得含有目标区域的最佳帧。将预处理的二维DSA序列图像输入第一模型后，第一模型输出含有目标区域的最佳帧。
在本说明书的实施例中，目标区域可以是根据预设场景和/或预设需求，预先指定的感兴趣的区域。在实际应用中，目标区域可以包括但不限于：颅内动脉瘤、动静脉畸形。
本说明书实施例中的第一模型为预先经过深度学习方法训练得到的模型，为更加容易理解利用第一模型获得含有目标区域的最佳帧，下面将详细介绍获得含有目标区域的最佳帧，具体如图2所示。图2为本说明书实施例提供的获得的最佳帧的流程图，具体包括：
步骤S201：输入二维DSA序列图像到卷积神经网络。
用于进行第一模型训练的样本为二维DSA序列图像，并将是否为最佳帧作为数字标签，输入卷积神经网络进行训练。需要特别说明的是，为了保证训练模型的准确性，用于训练的样本数量应足够大。
步骤S203：训练基于卷积神经网络的第一模型。
前述步骤S201的二维DSA序列图像输入卷积神经网络后，根据标记的数据标签，对二维DSA序列图像进行学习，不断训练、优化，获得第一模型。利用该第一模型可以实现：将二维DSA序列图像输入第一模型后，输出二维DSA序列图像的最佳帧。
步骤S205：将预处理的二维DSA序列图像输入第一模型，得到最佳帧。
前述步骤S203的第一模型，可以确定二维DSA序列图像的最佳帧。将预处理的二维DSA序列图像输入第一模型后，输出二维DSA序列图像的最佳帧。属于最佳帧的二维DSA图像为一帧图像，在二维DSA序列图像中，最佳帧中目标区域的显示效果最佳。具体地，前述显示效果最佳是指可以更加明显的看出病变的区域及形状。
步骤S105：基于第二模型，从属于最佳帧的二维DSA图像中分割目标区域，获得目标区域在待处理的二维DSA序列图像中的定位区域。
采用前述步骤S103获得了待处理的二维DSA序列图像中的最佳帧，进一步需要从含有目标区域的最佳帧中，分割目标区域。在本说明书的一个实施例中，基于第二模型分割目标区域。具体地，将属于最佳帧的二维DSA图像输入第二模型，第二模型对属于最佳帧的二维DSA图像进行分割，然后输出目标区域的定位区域。为进一步理解基于第二模型，从属于最佳帧的二维DSA图像中分割目标区域，获得目标区域在待处理的二维DSA序列图像中的定位区域，图3为本说明书实施例提供的分割目标区域的流程图，以详细说明该过程。图3所示的流程图具体包括：
步骤S301：输入属于最佳帧的二维DSA图像到卷积神经网络。
用于进行第二模型训练的样本为大量属于最佳帧的二维DSA图像，并按照观察者的对目标区域的分割习惯，对属于最佳帧的二维DSA图像进行目标区域的标注，不含有目标区域的部分及不含有目标区域的图像作为背景，以目标区域及背景作为数据标签，输入卷积神经网络进行训练。需要特别说明的是，为了保证训练模型的准确性，用于训练的样本数量应足够大。
步骤S303：训练基于卷积神经网络的第二模型。
提取步骤S301输入的属于最佳帧的二维DSA图像和数据标签中的图像特征，在具体实施过程中，图像特征可以是但不限于：影像的灰度信息，相邻像素点的灰度信息、梯度信息、相邻像素点的梯度信息。采用上述方法，对卷积神经网络模型进行训练、优化，获得第二模型。利用该第二模型可以实现：属于最佳帧的二维DSA图像输入第二模型后，能够输出属于最佳帧的二维DSA图像中的目标区域，确定目标区域的定位。
步骤S305：将属于最佳帧的二维DSA图像输入第二模型进行分割，获得目标区域在待处理的二维DSA序列图像中的定位区域。
将属于最佳帧的二维DSA图像输入前述步骤S303获得的第二模型，第二模型对输入的属于最佳帧的二维DSA图像进行分割，将目标区域从属于最佳帧的二维DSA图像中分割出来，获得目标区域在待处理的二维DSA序列图像中的定位区域。
采用本说明书实施例提供的方法，对二维DSA图像进行定位，可以实现在二维DSA图像中直观显示目标区域，排除或减少主观因素及影像设备成像差异带来的诊断差异，缩减人为观察、思考及判断的时间。
上述内容详细说明了一种基于DSA图像的定位方法，与之对应的，本申请还提供了一种基于DSA图像的定位系统，如图4所示。图4为本说明书实施例提供的一种基于DSA图像的定位系统，具体包括：
接收单元401，接收待处理的二维DSA序列图像；
处理单元403，对待处理的二维DSA序列图像进行定位；
输出单元405，显示待处理的二维DSA序列图像的定位结果。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (6)
1.一种基于DSA图像的定位方法，其特征在于，所述方法包括：
对待处理的二维DSA序列图像进行归一化处理，获得预处理的二维DSA序列图像，其中，所述待处理的二维DSA序列图像是多帧的；
基于第一模型，确定所述预处理的二维DSA序列图像中的最佳帧，具体包括：将所述预处理的二维DSA序列图像输入第一模型，所述第一模型输出所述预处理的二维DSA序列图像中的最佳帧，所述第一模型以带有数字标签的二维DSA序列图像作为训练样本，基于深度学习方法预先训练获得的模型，其中，数字标签用于标记二维DSA图像的图像帧是否为最佳帧；所述最佳帧是目标区域在所述预处理的二维DSA序列图像中显示效果最佳的一帧；所述显示效果表示为明显的看出病变的区域及形状的帧；
基于第二模型，从属于最佳帧的二维DSA图像中分割目标区域，获得目标区域在所述待处理的二维DSA序列图像中的定位区域，具体包括：将所述属于最佳帧的二维DSA图像输入第二模型，所述第二模型对所述属于最佳帧的二维DSA图像进行分割，输出目标区域在所述待处理的二维DSA图像中的定位区域。
2.如权利要求1所述的方法，其特征在于，所述对待处理的二维DSA序列图像进行归一化处理，获得预处理的二维DSA序列图像，具体包括：
对所述待处理的二维DSA序列图像进行尺寸缩放和/或像素值归一化和/或像素间距归一化，使所述待处理的二维DSA序列图像保持尺寸和/或像素和/或像素间距一致，得到预处理的二维DSA序列图像。
3.如权利要求1所述的方法，其特征在于，所述第二模型以属于最佳帧的二维DSA图像标记目标区域作为训练样本，基于深度学习方法预先训练获得的模型。
4.一种基于DSA图像的定位系统，其特征在于，所述系统包括：
接收单元，接收待处理的二维DSA序列图像；
处理单元，对所述待处理的二维DSA序列图像进行定位，具体包括：对待处理的二维DSA序列图像进行归一化处理，获得预处理的二维DSA序列图像，其中，所述待处理的二维DSA序列图像是多帧的；
基于第一模型，确定所述预处理的二维DSA序列图像中的最佳帧，具体包括：将所述预处理的二维DSA序列图像输入第一模型，所述第一模型输出所述预处理的二维DSA序列图像中的最佳帧，所述第一模型以带有数字标签的二维DSA序列图像作为训练样本，基于深度学习方法预先训练获得的模型，其中，数字标签用于标记二维DSA图像的图像帧是否为最佳帧；所述最佳帧是目标区域在所述预处理的二维DSA序列图像中显示效果最佳的一帧；所述显示效果表示为明显的看出病变的区域及形状的帧；
基于第二模型，从属于最佳帧的二维DSA图像中分割目标区域，获得目标区域在所述待处理的二维DSA序列图像中的定位区域，具体包括：将所述属于最佳帧的二维DSA图像输入第二模型，所述第二模型对所述属于最佳帧的二维DSA图像进行分割，输出目标区域在所述待处理的二维DSA图像中的定位区域；
输出单元，显示所述待处理的二维DSA序列图像的定位结果。
5.如权利要求4所述的系统，其特征在于，所述对待处理的二维DSA序列图像进行归一化处理，获得预处理的二维DSA序列图像，具体包括：
对所述待处理的二维DSA序列图像进行尺寸缩放和/或像素值归一化和/或像素间距归一化，使所述待处理的二维DSA序列图像保持尺寸和/或像素和/或像素间距一致，得到预处理的二维DSA序列图像。
6.如权利要求4所述的系统，其特征在于，所述第二模型以属于最佳帧的二维DSA图像标记目标区域作为训练样本，基于深度学习方法预先训练获得的模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910782808.2A CN110517244B (zh) | 2019-08-23 | 2019-08-23 | 一种基于dsa图像的定位方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910782808.2A CN110517244B (zh) | 2019-08-23 | 2019-08-23 | 一种基于dsa图像的定位方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110517244A CN110517244A (zh) | 2019-11-29 |
| CN110517244B true CN110517244B (zh) | 2023-04-28 |
Family
ID=68627279
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910782808.2A Active CN110517244B (zh) | 2019-08-23 | 2019-08-23 | 一种基于dsa图像的定位方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110517244B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112890736B (zh) * | 2019-12-03 | 2023-06-09 | 精微视达医疗科技（武汉）有限公司 | 一种内窥成像系统视场掩模的获得方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102346911A (zh) * | 2010-07-28 | 2012-02-08 | 北京集翔多维信息技术有限公司 | 在数字减影血管造影图像序列中分割血管的方法 |
| CN103462590A (zh) * | 2013-09-17 | 2013-12-25 | 浙江大学 | 一种集成血管内光相干性断层扫描（oct）影像和数字减影(dsa)影像的一体化离线处理系统 |
| CN104504708A (zh) * | 2014-12-26 | 2015-04-08 | 大连理工大学 | 一种基于毗邻图像特征点集的dsa脑血管图像自动分割方法 |
| WO2016177337A1 (en) * | 2015-05-05 | 2016-11-10 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image segmentation |
| WO2019037654A1 (zh) * | 2017-08-23 | 2019-02-28 | 京东方科技集团股份有限公司 | 3d图像检测方法、装置、电子设备及计算机可读介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5361439B2 (ja) * | 2009-02-23 | 2013-12-04 | 株式会社東芝 | 医用画像処理装置及び医用画像処理方法 |
| 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 |
| CN109685123B (zh) * | 2018-12-14 | 2021-02-19 | 强联智创（北京）科技有限公司 | 一种基于头颅ct影像的评分方法及系统 |
| CN109816650B (zh) * | 2019-01-24 | 2022-11-25 | 强联智创（北京）科技有限公司 | 一种基于二维dsa图像的目标区域识别方法及其系统 |
| CN110070546B (zh) * | 2019-04-18 | 2021-08-27 | 山东师范大学 | 一种基于深度学习的多目标危及器官的自动分割方法、装置及系统 |
-
2019
- 2019-08-23 CN CN201910782808.2A patent/CN110517244B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102346911A (zh) * | 2010-07-28 | 2012-02-08 | 北京集翔多维信息技术有限公司 | 在数字减影血管造影图像序列中分割血管的方法 |
| CN103462590A (zh) * | 2013-09-17 | 2013-12-25 | 浙江大学 | 一种集成血管内光相干性断层扫描（oct）影像和数字减影(dsa)影像的一体化离线处理系统 |
| CN104504708A (zh) * | 2014-12-26 | 2015-04-08 | 大连理工大学 | 一种基于毗邻图像特征点集的dsa脑血管图像自动分割方法 |
| WO2016177337A1 (en) * | 2015-05-05 | 2016-11-10 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image segmentation |
| WO2019037654A1 (zh) * | 2017-08-23 | 2019-02-28 | 京东方科技集团股份有限公司 | 3d图像检测方法、装置、电子设备及计算机可读介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110517244A (zh) | 2019-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109472780B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
| CN109584997B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
| CN111081378B (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
| CN110517780A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
| CN109671066B (zh) | 一种基于头颅ct影像的脑梗死判断的方法及系统 | |
| CN109472823B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
| CN109389637B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
| CN111127428A (zh) | 一种基于颅脑影像数据的目标区域的提取方法及系统 | |
| CN111584077A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
| CN109377504B (zh) | 一种颅内动脉血管图像分割方法及系统 | |
| CN109447967B (zh) | 一种颅内动脉瘤图像的分割方法及系统 | |
| CN110517244B (zh) | 一种基于dsa图像的定位方法及系统 | |
| CN110503642B (zh) | 一种基于dsa图像的定位方法及系统 | |
| CN110517243B (zh) | 一种基于dsa图像的定位方法及系统 | |
| CN111223089B (zh) | 一种动脉瘤的检测方法、装置及计算机可读存储介质 | |
| CN111785381B (zh) | 一种支架模拟方法、装置以及设备 | |
| CN116664513A (zh) | 一种基于核磁共振影像的颅内动脉瘤的检测方法、装置及设备 | |
| CN111584076A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
| CN109584261B (zh) | 一种颅内动脉瘤图像的分割方法及系统 | |
| CN109685843B (zh) | 一种基于头颅ct影像的核心梗死体积的测量方法及系统 | |
| CN115082405B (zh) | 颅内病灶的检测模型的训练方法、检测方法、装置及设备 | |
| CN112734726B (zh) | 一种血管造影的分型方法、装置以及设备 | |
| CN112927815B (zh) | 一种预测颅内动脉瘤信息的方法、装置以及设备 | |
| CN111862062B (zh) | 一种中心线优化的方法、装置以及设备 | |
| CN113205508B (zh) | 一种基于影像数据的分割方法、装置以及设备 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: He Chuan Inventor after: Geng Jiewen Inventor after: Ji Zhe Inventor after: Xiang Sishi Inventor after: Hu Minghui Inventor after: Ma Ze Inventor after: Yang Guangming Inventor after: Qin Lan Inventor before: He Chuan Inventor before: Geng Jiewen Inventor before: Ji Zhe Inventor before: Xiang Shisi Inventor before: Hu Minghui Inventor before: Ma Ze Inventor before: Yang Guangming Inventor before: Qin Lan |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20191129 Assignee: UNION STRONG (BEIJING) TECHNOLOGY Co.,Ltd. Assignor: XUANWU HOSPITAL CAPITAL MEDICAL University Contract record no.: X2021980000774 Denomination of invention: A location method and system based on DSA image License type: Common License Record date: 20210127 |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |