CN110517264B - 一种基于血管分割的病灶提取方法及装置 - Google Patents
一种基于血管分割的病灶提取方法及装置 Download PDFInfo
- Publication number
- CN110517264B CN110517264B CN201910826109.3A CN201910826109A CN110517264B CN 110517264 B CN110517264 B CN 110517264B CN 201910826109 A CN201910826109 A CN 201910826109A CN 110517264 B CN110517264 B CN 110517264B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- area
- lesion
- focus
- candidate region
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 153
- 238000000605 extraction Methods 0.000 title claims abstract description 29
- 230000011218 segmentation Effects 0.000 title claims abstract description 29
- 230000003902 lesion Effects 0.000 claims abstract description 136
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000013145 classification model Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims description 14
- 230000003321 amplification Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 238000004904 shortening Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 208000024891 symptom Diseases 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10—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
- G06T2207/30—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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于血管分割的病灶提取方法及装置。基于血管分割的病灶提取方法，包括：获取血管的CT图像序列；通过第一血管预测模型对CT图像序列进行预测，得到第一血管预测结果，第一血管预测模型为不带病灶标注的模型；通过第二血管预测模型对CT图像序列进行预测，得到第二血管预测结果，第二血管预测模型为带病灶标注的模型；根据第一血管预测结果和第二血管预测结果确定病灶候选区域；通过病灶分类模型对病灶候选区域进行分类预测，得到病灶分类结果。这一方法对带病灶的血管预测和不带病灶的血管预测进行对比，可以剔除血管分割中的大部分非病灶噪声，降低了人工成本，缩减了提取时间，也大大提高了病灶提取的准确度。
Description
技术领域
本发明涉及医学成像领域，尤其涉及一种基于血管分割的病灶提取方法及装置。
背景技术
随着科学技术的不断发展，血管分割方法在血管造影和自动化血管重建中的应用，对医疗行业具有重要的临床价值和实际意义。
另一方面，从心血管病本身的防治来讲，现代医学正在从过去单纯缓解症状向积极寻找不稳定病灶进行转化，以便尽早采取干预措施，降低发病风险。因此，在血管分割的基础上进一步提取血管中的病灶变得越来越重要。
目前来看，在血管图像中提取病灶，主要依靠：1)非常有经验的医生进行手动提取；或2)使用深度学习模型直接从血管分割预测结果或血管曲面重建结果中，利用亮度和密度等图像特征提取病灶。
不难看出以上方案存在以下问题：1)提取时间长；2)由于血管分割预测结果或血管曲面重建结果存在大量类似病灶的图像噪声，仅仅利用亮度和密度等图像特征，很难准确判断某一区域是否是病灶所在的区域，准确度低。
发明内容
为解决上述问题，本发明实施例提供了一种基于血管分割的病灶提取方法及装置。
根据本发明实施例的第一方面，提供一种基于血管分割的病灶提取方法，包括：获取血管的CT图像序列；通过第一血管预测模型对CT图像序列进行预测，得到第一血管预测结果，第一血管预测模型为不带病灶标注的模型；通过第二血管预测模型对CT图像序列进行预测，得到第二血管预测结果，第二血管预测模型为带病灶标注的模型；根据第一血管预测结果和第二血管预测结果确定病灶候选区域；通过病灶分类模型对病灶候选区域进行分类预测，得到病灶分类结果。
根据本发明一实施方式，根据第一血管预测结果和第二血管预测结果确定病灶候选区域，包括：将第二血管预测结果与第一血管预测结果相减，得到疑似病灶候选区域；检测疑似病灶候选区域中是否存在噪声；若疑似病灶候选区域中存在噪声，则去除噪声，得到病灶候选区域。
根据本发明一实施方式，检测疑似病灶候选区域中是否存在噪声，包括：检测疑似病灶候选区域中的连通体；判断连通体的体积是否小于体积阈值；若连通体的体积小于体积阈值，则连通体是噪声，疑似病灶候选区域中存在噪声。
根据本发明一实施方式，检测疑似病灶候选区域中是否存在噪声，包括：对第一血管预测结果提取中心线切片方向的面积作为第一切片面积；对第二血管预测结果提取中心线切片方向的面积作为第二切片面积；计算第一切片面积和第二切片面积的面积变化率序列；判断面积变化率序列的面积变化率是否小于面积阈值；若面积变化率序列的面积变化率小于面积阈值，则第二切片面积和第一切片面积相减的结果是噪声，疑似病灶候选区域中存在噪声。
根据本发明一实施方式，在通过病灶分类模型对病灶候选区域进行分类预测之前，还包括：扩增病灶候选区域至固定大小。
根据本发明一实施方式，若所得到的病灶分类结果为是病灶，则进一步检测病灶类型。
根据本发明实施例的第二方面，本发明还提供一种基于血管分割的病灶提取装置，包括：获取模块，用于获取血管的CT图像序列；第一血管模型预测模块，用于通过第一血管预测模型对CT图像序列进行预测，得到第一血管预测结果，第一血管预测模型为不带病灶标注的模型；第二血管模型预测模块，用于通过第二血管预测模型对CT图像序列进行预测，得到第二血管预测结果，第二血管预测模型为带病灶标注的模型；病灶候选区域确定模块，用于根据第一血管预测结果和第二血管预测结果确定病灶候选区域；病灶分类预测模块，用于通过病灶分类模型对病灶候选区域进行分类预测，得到病灶分类结果。
根据本发明一实施方式，病灶候选区域确定模块包括：图像相减单元，用于将第二血管预测结果与第一血管预测结果相减，得到疑似病灶候选区域；图像检测单元，用于检测疑似病灶候选区域中是否存在噪声；图像噪声去除单元，用于若疑似病灶候选区域中存在噪声，则去除噪声，得到病灶候选区域。
根据本发明一实施方式，图像检测单元，还用于检测疑似病灶候选区域中的连通体；判断连通体的体积是否小于体积阈值；若连通体的体积小于体积阈值，则连通体是噪声，疑似病灶候选区域中存在噪声。
根据本发明一实施方式，图像检测单元，包括：切片面积提取子单元，用于对第一血管预测结果提取中心线切片方向的面积作为第一切片面积；切片面积提取子单元，还用于对第二血管预测结果提取中心线切片方向的面积作为第二切片面积；计算子单元，用于计算第一切片面积和第二切片面积的面积变化率序列。判断子单元，用于判断面积变化率序列的面积变化率是否小于面积阈值；若面积变化率序列的面积变化率小于面积阈值，则第二切片面积和第一切片面积相减的结果是噪声，疑似病灶候选区域中存在噪声。
根据本发明一实施方式，装置还包括：图像扩增模块，用于扩增病灶候选区域至固定大小。
根据本发明一实施方式，装置还包括：病灶检测模块，用于若所得到的病灶分类结果为是病灶，则进一步检测病灶类型。
本发明实施例基于血管分割的病灶提取方法及装置，在血管分割的过程中，分别用带有病灶标注的模型和不带有病灶标注的模型对血管的CT图像序列进行预测，将两个模型得到的血管预测结果加以对比，直接过滤得到病灶候选区域，再去除部分噪声，即可得到病灶候选区域，之后还可以对病灶候选区域进行进一步的检测和分析。不难看出，这一方法是在分割过程中进行的，对带病灶的血管预测和不带病灶的血管预测直接进行相减，可以剔除血管分割中的大部分非病灶噪声，从而降低了人工成本，缩减了提取时间，也大大提高了病灶提取的准确度。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
在附图中，相同或对应的标号表示相同或对应的部分。
图1示出了本发明实施例基于血管分割的病灶提取方法的流程图；
图2示出了本发明实施例不带病灶标注模型的预测结果示意图；
图3示出了本发明实施例带病灶标注模型的预测结果示意图；
图4示出了本发明实施例基于血管分割的病灶提取装置的组成结构示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为使本发明更加透彻和完整，并能够将本发明的范围完整地传达给本领域的技术人员。
下面结合附图和具体实施例对本发明的技术方案进一步详细阐述。
图1示出了本发明实施例基于血管分割的病灶提取方法的流程图。如图1所示，基于血管分割的病灶提取方法包括以下步骤：
步骤110，获取血管的CT图像序列；
步骤120，通过第一血管预测模型对CT图像序列进行预测，得到第一血管预测结果，第一血管预测模型为不带病灶标注的模型；
这里的血管预测模型是任何适用的预测模型。这一预测模型不带病灶标注，所得到的预测结果也不带有病灶信息。如图2所示，通过不带病灶标注的第一血管预测模型得到的血管预测结果主要为血管信息而无病灶信息。
步骤130，通过第二血管预测模型对CT图像序列进行预测，得到第二血管预测结果，第二血管预测模型为带病灶标注的模型；
这里的血管预测模型是任何适用的预测模型。这一预测模型带有病灶标注，所得到的预测结果也相应地带有病灶信息。如图3所示，通过带病灶标注的第二血管预测模型得到的血管预测结果既带有血管信息又带有如图3中虚线划定区域的病灶信息。
需要说明的是，步骤120中使用的第一血管预测模型和步骤130中使用的第二血管预测模型，除了是否带有病灶标注外，其他模型参数越接近越能过滤掉非病灶的其他信息，预测效果也越准确。
步骤140，根据第一血管预测结果和第二血管预测结果确定病灶候选区域；
这里，可以通过任何适用的图像处理方法或预测模型来确定病灶候选区域。
步骤150，通过病灶分类模型对病灶候选区域进行分类预测，得到病灶分类结果。
这里的病灶分类模型是任何适用的预测模型。通常，病灶分类模型会先判断该病灶候选区域是否为病灶，如果是的话可以再进一步分析病灶所属的病灶类型。
根据本发明一实施方式，根据第一血管预测结果和第二血管预测结果确定病灶候选区域，包括：将第二血管预测结果与第一血管预测结果相减，得到疑似病灶候选区域；检测疑似病灶候选区域中是否存在噪声；若疑似病灶候选区域中存在噪声，则去除噪声，得到病灶候选区域。
通常，将如图3所示的第二血管预测结果与图2所示的第一血管预测结果相减，所得到的疑似病灶候选区域会因为第二血管预测模型与第一血管预测模型之间的细微差别或预测误差而带有一些小连通体，这些连通体，可能并不是期望的病灶候选区域，而是可以忽略不记的噪声。为此，需要进一步去除这些噪声，得到真正期望的病灶候选区域，如图3中虚线划定的区域。一旦确定小连通体是噪声就可以从疑似病灶候选区域中去除该噪声。当所有的噪声都被去除后，剩下的区域就是病灶候选区域。
根据本发明一实施方式，检测疑似病灶候选区域中是否存在噪声，包括：检测疑似病灶候选区域中的连通体；判断连通体的体积是否小于体积阈值；若连通体的体积小于体积阈值，则连通体是噪声，疑似病灶候选区域中存在噪声。
具体来说，第二血管分割预测结果和第一血管分割预测结果相减所得到的疑似病灶候选区域是占有一定空间的连通体，因此可以通过任何图像检测工具得到连通体的体积，判断该连通体的体积是否小于体积阈值。若该连通体的体积小于体积阈值，则能确定该连通体是噪声。其中，体积阈值可以是预先指定的一个固定值，也可以是能够根据实际效果调整的可变值。
根据本发明一实施方式，检测疑似病灶候选区域中是否存在噪声，包括：对第一血管预测结果提取中心线切片方向的面积作为第一切片面积；对第二血管预测结果提取中心线切片方向的面积作为第二切片面积；计算第一切片面积和第二切片面积的面积变化率序列；判断面积变化率序列的面积变化率是否小于面积阈值；若面积变化率序列的面积变化率小于面积阈值，则第二切片面积和第一切片面积相减的结果是噪声，疑似病灶候选区域中存在噪声。其中，这里提到的面积阈值可以预先指定的一个固定值，也可以是能够根据实际效果调整的可变值。
需要说明的是，在上述实施方式中的检测方法和去除噪声的过程也可以在对如图3所示的第二血管预测结果与如图2所示的第一血管预测结果进行相减的过程中完成，相减过程结束后即可得到图3中虚线划出的病灶候选区域。
根据本发明一实施方式，在通过病灶分类模型对病灶候选区域进行分类预测之前，还包括：扩增病灶候选区域至固定大小。有的时候，病灶分类模型接收的病灶候选区域要求为固定大小的区域，而根据第一血管预测结果和第二血管预测结果直接相减，去除噪声后得到的病灶候选区域通常会小于这一固定大小，因此需要扩增病灶候选区域至这一固定大小。扩增时可以采用以病灶候选区域的中心点为中心向周围区域进行扩增。
根据本发明一实施方式，若所得到的病灶分类结果为是病灶，则进一步检测病灶类型。病灶类型的检测可以在上述病灶分类模型中实现，也可以使用另一个单独的、任何适用的病灶类型检测方法或病灶类型预测模型来检测。
进一步地，本发明还提供一种基于血管分割的病灶提取装置。如图4所示，基于血管分割的病灶提取装置40包括：获取模块401，用于获取血管的CT图像序列；第一血管模型预测模块402，用于通过第一血管预测模型对CT图像序列进行预测，得到第一血管预测结果，第一血管预测模型为不带病灶标注的模型；第二血管模型预测模块403，用于通过第二血管预测模型对CT图像序列进行预测，得到第二血管预测结果，第二血管预测模型为带病灶标注的模型；病灶候选区域确定模块404，用于根据第一血管预测结果和第二血管预测结果确定病灶候选区域；病灶分类预测模块405，用于通过病灶分类模型对病灶候选区域进行分类预测，得到病灶分类结果。
根据本发明一实施方式，病灶候选区域确定模块404包括：图像相减单元，用于将第二血管预测结果与第一血管预测结果相减，得到疑似病灶候选区域；图像检测单元，用于检测疑似病灶候选区域中是否存在噪声；图像噪声去除单元，用于若疑似病灶候选区域中存在噪声，则去除噪声，得到病灶候选区域。
根据本发明一实施方式，图像检测单元，还用于检测疑似病灶候选区域中的连通体；判断连通体的体积是否小于体积阈值；若连通体的体积小于体积阈值，则连通体是噪声，疑似病灶候选区域中存在噪声。
根据本发明一实施方式，图像检测单元，包括：切片面积提取子单元，用于对第一血管预测结果提取中心线切片方向的面积作为第一切片面积；切片面积提取子单元，还用于对第二血管预测结果提取中心线切片方向的面积作为第二切片面积；计算子单元，用于计算第一切片面积和第二切片面积的面积变化率序列。判断子单元，用于判断面积变化率序列的面积变化率是否小于面积阈值；若面积变化率序列的面积变化率小于面积阈值，则第二切片面积和第一切片面积相减的结果是噪声，疑似病灶候选区域中存在噪声。
根据本发明一实施方式，该装置40还包括：图像扩增模块，用于扩增病灶候选区域至固定大小。
根据本发明一实施方式，该装置40还包括：病灶检测模块，用于若所得到的病灶分类结果为是病灶，则进一步检测病灶类型。
这里需要指出的是：以上基于血管分割的病灶提取方法实施例的描述，与前述方法实施例的描述是类似的，具有同方法实施例相似的有益效果，因此不做赘述。对于本发明实施例基于血管分割的病灶提取装置未描述的实施例及其技术细节，请参照本发明方法实施例的描述，为节约篇幅，因此不再赘述。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于血管分割的病灶提取方法，其特征在于，包括：
获取血管的CT图像序列；
通过第一血管预测模型对所述CT图像序列进行预测，得到第一血管预测结果，所述第一血管预测模型为不带病灶标注的模型，所述第一血管预测结果包括血管信息且不包括病灶信息；
通过第二血管预测模型对所述CT图像序列进行预测，得到第二血管预测结果，所述第二血管预测模型为带病灶标注的模型，所述第二血管预测结果包括血管信息和病灶信息；
根据所述第一血管预测结果和所述第二血管预测结果相减，得到疑似病灶候选区域；检测所述疑似病灶候选区域中是否存在噪声，基于检测结果确定病灶候选区域；
通过病灶分类模型对所述病灶候选区域进行分类预测，得到病灶分类结果；
其中，所述检测所述疑似病灶候选区域中是否存在噪声包括：检测所述疑似病灶候选区域中的连通体；判断所述连通体的体积是否小于体积阈值；若所述连通体的体积小于所述体积阈值，则所述连通体是噪声，所述疑似病灶候选区域中存在噪声；
或者，所述检测所述疑似病灶候选区域中是否存在噪声包括：对所述第一血管预测结果提取中心线切片方向的面积作为第一切片面积；对所述第二血管预测结果提取中心线切片方向的面积作为第二切片面积；计算所述第一切片面积和所述第二切片面积的面积变化率序列；判断所述面积变化率序列的面积变化率是否小于面积阈值；若所述面积变化率序列的面积变化率小于所述面积阈值，则所述第二切片面积和所述第一切片面积相减的结果是噪声，所述疑似病灶候选区域中存在噪声。
2.根据权利要求1所述的方法，其特征在于，所述检测所述疑似病灶候选区域中是否存在噪声，基于所述检测结果确定病灶候选区域包括：
若所述疑似病灶候选区域中存在噪声，则去除所述噪声，得到病灶候选区域。
3.根据权利要求1或2所述的方法，其特征在于，在所述通过病灶分类模型对所述病灶候选区域进行分类预测之前，还包括：
扩增所述病灶候选区域至固定大小。
4.根据权利要求1或2所述的方法，其特征在于，
若所得到的病灶分类结果为是病灶，则进一步检测病灶类型。
5.一种基于血管分割的病灶提取装置，其特征在于，包括：
获取模块，用于获取血管的CT图像序列；
第一血管模型预测模块，用于通过第一血管预测模型对所述CT图像序列进行预测，得到第一血管预测结果，所述第一血管预测模型为不带病灶标注的模型，所述第一血管预测结果包括血管信息且不包括病灶信息；
第二血管模型预测模块，用于通过第二血管预测模型对所述CT图像序列进行预测，得到第二血管预测结果，所述第二血管预测模型为带病灶标注的模型，所述第二血管预测结果包括血管信息和病灶信息；
病灶候选区域确定模块，用于根据所述第一血管预测结果和所述第二血管预测结果相减，得到疑似病灶候选区域；检测所述疑似病灶候选区域中是否存在噪声，基于检测结果确定病灶候选区域；
病灶分类预测模块，用于通过病灶分类模型对所述病灶候选区域进行分类预测，得到病灶分类结果；
其中，所述检测所述疑似病灶候选区域中是否存在噪声包括：检测所述疑似病灶候选区域中的连通体；判断所述连通体的体积是否小于体积阈值；若所述连通体的体积小于所述体积阈值，则所述连通体是噪声，所述疑似病灶候选区域中存在噪声；
或者，所述检测所述疑似病灶候选区域中是否存在噪声包括：切片面积提取子单元，用于对所述第一血管预测结果提取中心线切片方向的面积作为第一切片面积；所述切片面积提取子单元，还用于对所述第二血管预测结果提取中心线切片方向的面积作为第二切片面积；计算子单元，用于计算所述第一切片面积和所述第二切片面积的面积变化率序列；判断子单元，用于判断所述面积变化率序列的面积变化率是否小于面积阈值；若所述面积变化率序列的面积变化率小于所述面积阈值，则所述第二切片面积和所述第一切片面积相减的结果是噪声，所述疑似病灶候选区域中存在噪声。
6.根据权利要求5所述的装置，其特征在于，所述检测所述疑似病灶候选区域中是否存在噪声，基于所述检测结果确定病灶候选区域包括：
图像噪声去除单元，用于若所述疑似病灶候选区域中存在噪声，则去除所述噪声，得到病灶候选区域。
7.根据权利要求5或6所述的装置，其特征在于，所述装置还包括：
图像扩增模块，用于扩增所述病灶候选区域至固定大小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910826109.3A CN110517264B (zh) | 2019-09-03 | 2019-09-03 | 一种基于血管分割的病灶提取方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910826109.3A CN110517264B (zh) | 2019-09-03 | 2019-09-03 | 一种基于血管分割的病灶提取方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110517264A CN110517264A (zh) | 2019-11-29 |
| CN110517264B true CN110517264B (zh) | 2022-03-08 |
Family
ID=68629561
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910826109.3A Active CN110517264B (zh) | 2019-09-03 | 2019-09-03 | 一种基于血管分割的病灶提取方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110517264B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111383191B (zh) * | 2019-12-11 | 2024-03-08 | 北京深睿博联科技有限责任公司 | 用于血管断裂修复的图像处理方法及装置 |
| CN111932495B (zh) * | 2020-06-30 | 2021-09-07 | 数坤(北京)网络科技股份有限公司 | 一种医学图像检测方法、装置及存储介质 |
| CN114972361B (zh) * | 2022-04-25 | 2022-12-16 | 北京医准智能科技有限公司 | 一种血流分割方法、装置、设备及存储介质 |
| CN118507026A (zh) * | 2024-05-22 | 2024-08-16 | 中国人民解放军总医院第一医学中心 | 基于智能化的肠癌识别方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090010505A1 (en) * | 2005-04-01 | 2009-01-08 | Koninklijke Philips Electronics N. V. | Method, a System and a Computer Program for Segmenting a Structure in a Dataset |
| CN104992445A (zh) * | 2015-07-20 | 2015-10-21 | 河北大学 | 一种ct图像肺实质的自动分割方法 |
| CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
| CN109087296A (zh) * | 2018-08-07 | 2018-12-25 | 东北大学 | 一种提取ct图像中人体区域的方法 |
| CN109448005A (zh) * | 2018-10-31 | 2019-03-08 | 数坤（北京）网络科技有限公司 | 一种用于冠状动脉的网络模型分割方法及设备 |
-
2019
- 2019-09-03 CN CN201910826109.3A patent/CN110517264B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090010505A1 (en) * | 2005-04-01 | 2009-01-08 | Koninklijke Philips Electronics N. V. | Method, a System and a Computer Program for Segmenting a Structure in a Dataset |
| CN104992445A (zh) * | 2015-07-20 | 2015-10-21 | 河北大学 | 一种ct图像肺实质的自动分割方法 |
| CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
| CN109087296A (zh) * | 2018-08-07 | 2018-12-25 | 东北大学 | 一种提取ct图像中人体区域的方法 |
| CN109448005A (zh) * | 2018-10-31 | 2019-03-08 | 数坤（北京）网络科技有限公司 | 一种用于冠状动脉的网络模型分割方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110517264A (zh) | 2019-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110517264B (zh) | 一种基于血管分割的病灶提取方法及装置 | |
| JP6859445B2 (ja) | 脳卒中の診断及び予後予測方法システム及びその作動方法 | |
| CN111667456B (zh) | 一种冠状动脉x光序列造影中血管狭窄检测方法及装置 | |
| CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
| CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
| CN108932714B (zh) | 冠脉ct图像的斑块分类方法 | |
| CN111028206A (zh) | 一种基于深度学习前列腺癌自动检测和分类系统 | |
| KR101768812B1 (ko) | 흉부 단층영상에서 검색된 폐결절의 암 진단 보조 시스템 및 프로그램 | |
| KR102272413B1 (ko) | 관상동맥 혈관조영술 기반의 기계 학습을 통한 허혈 병변 정보 제공 장치, 정보 제공 방법 및 이의 기록매체 | |
| CN107518920B (zh) | 超声波图像处理方法及装置、超声诊断装置及存储介质 | |
| KR20160009435A (ko) | 프로브 속도에 기초한 컴퓨터 보조 진단 지원 장치 및 방법 | |
| JPH09508814A (ja) | 医用画像を分割するための自動的方法およびシステム | |
| CN103337096A (zh) | 一种冠状动脉ct造影图像钙化点检测方法 | |
| KR20210065228A (ko) | 의료 영상 빅데이터를 이용한 초음파 병변 추출 방법 | |
| CN114399493B (zh) | 超声颅脑异常区域自动检测及显示方法 | |
| CN109948622B (zh) | 一种头颈体动脉瘤检测方法、装置及计算机可读存储介质 | |
| KR101590483B1 (ko) | 형태학적 연산을 이용한 이미지 분할 처리방법 | |
| CN108364289B (zh) | Ivoct图像易损斑块自动检测方法 | |
| CN118115466A (zh) | 一种眼底伪病灶检测方法 | |
| CN111401102A (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
| CN108416769B (zh) | 基于预处理的ivoct图像易损斑块自动检测方法 | |
| KR101067441B1 (ko) | 푸리에 변환을 이용한 미세 석회화 검출 방법 | |
| CN108416792B (zh) | 基于活动轮廓模型的医学计算机断层扫描图像分割方法 | |
| TWI490790B (zh) | Dynamic cardiac imaging analysis and cardiac function assessment system | |
| Ashame et al. | Abnormality Detection in Eye Fundus Retina |
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: 430014 No. 26 Shengli Street, Jiang'an District, Hubei, Wuhan Applicant after: THE CENTRAL HOSPITAL OF WUHAN Applicant after: Shukun (Beijing) Network Technology Co.,Ltd. Address before: 430014 No. 26 Shengli Street, Jiang'an District, Hubei, Wuhan Applicant before: THE CENTRAL HOSPITAL OF WUHAN Applicant before: SHUKUN (BEIJING) NETWORK TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 430014 No. 26 Shengli Street, Jiang'an District, Hubei, Wuhan Patentee after: THE CENTRAL HOSPITAL OF WUHAN Patentee after: Shukun Technology Co.,Ltd. Address before: 430014 No. 26 Shengli Street, Jiang'an District, Hubei, Wuhan Patentee before: THE CENTRAL HOSPITAL OF WUHAN Patentee before: Shukun (Beijing) Network Technology Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder |