CN110517279A - 头颈血管中心线提取方法及装置 - Google Patents
头颈血管中心线提取方法及装置 Download PDFInfo
- Publication number
- CN110517279A CN110517279A CN201910898181.7A CN201910898181A CN110517279A CN 110517279 A CN110517279 A CN 110517279A CN 201910898181 A CN201910898181 A CN 201910898181A CN 110517279 A CN110517279 A CN 110517279A
- Authority
- CN
- China
- Prior art keywords
- vessel
- blood vessel
- neck
- result
- segmentation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 199
- 230000011218 segmentation Effects 0.000 claims abstract description 63
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 56
- 239000000284 extract Substances 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims description 43
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 13
- 239000008280 blood Substances 0.000 claims description 10
- 210000004369 blood Anatomy 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 5
- 241000309551 Arthraxon hispidus Species 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 208000006011 Stroke Diseases 0.000 description 7
- 210000001367 artery Anatomy 0.000 description 7
- 230000007797 corrosion Effects 0.000 description 6
- 238000005260 corrosion Methods 0.000 description 6
- 206010008190 Cerebrovascular accident Diseases 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000002490 cerebral effect Effects 0.000 description 3
- 230000004087 circulation Effects 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000000302 ischemic effect Effects 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 101800004637 Communis Proteins 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000008344 brain blood flow Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 229940068517 fruit extracts Drugs 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 230000002008 hemorrhagic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 231100000225 lethality Toxicity 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 210000003270 subclavian artery Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 210000002385 vertebral artery Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Heart & Thoracic Surgery (AREA)
- General Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Computer Hardware Design (AREA)
- Vascular Medicine (AREA)
- Computer Graphics (AREA)
- Fuzzy Systems (AREA)
- Architecture (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种头颈血管中心线提取方法及装置。该方法包括：根据头颅血管CTA影像获取血管分割结果和血管热图结果；将基于所述血管分割结果提取的血管骨架线输入预设网络模型进行血管分类和命名，并得到血管起止点数据；根据所述血管起止点数据和所述血管热图结果，提取头颈血管中心线。本申请解决了相关技术中血管中心线提取准确度不高的技术问题。通过本申请，达到了结合头颈血管的局部细节信息与全局结构信息来提取血管中心线的目的，从而实现了提高头颅血管中心线提取的准确度的技术效果。
Description
技术领域
本申请涉及图像处理技术领域，具体而言，涉及一种头颈血管中心线提取方法及装置。
背景技术
脑卒中，又称脑血管意外，是一种脑血液循环障碍性疾病，其致死率仅次于心脏类疾病并且高于癌症。目前，我国的脑卒中发病和死亡率仍处于上升趋势，且罹患脑卒中后老年人的死亡率比年轻人增加一倍。脑卒中又分为缺血性和出血性脑卒中，其中缺血性脑卒中约占80％。缺血性卒中的主要原因之一则是头颈动脉粥样硬化易损斑块导致管腔狭窄、血流动力学改变。同时颈动脉作为颅内动脉的上游血管,是脑循环的主要供血动脉。因此，通过头颈动脉血管造影影像(CTA)进行头颈血管中心线提取对于及时发现风险具有重要意义。
近年来，基于深度学习的算法在医学影像中得到了广泛的应用，其通过大量数据进行训练，能大大提高各类分割任务的准确性。但是，由于头颈血管的分布稀疏，尺度多样，拓扑结构变化大等特征，基于卷积神经网络(CNN)难以直接学习出头颈血管的全局结构信息，导致血管中心线提取断裂等问题。因此，需要考虑结合头颈血管的局部细节信息与全局结构信息来实现血管中心线提取任务。
针对相关技术中血管中心线提取的准确度不高的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种头颈血管中心线提取方法及装置，以解决相关技术中血管中心线提取的准确度不高的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种头颈血管中心线提取方法。
根据本申请的头颈血管中心线提取方法包括：根据头颅血管CTA影像获取血管分割结果和血管热图结果；将基于所述血管分割结果提取的血管骨架线输入预设网络模型进行血管分类和命名，并得到血管起止点数据；根据所述血管起止点数据和所述血管热图结果，提取头颈血管中心线。
进一步地，所述根据头颅血管CTA影像获取血管分割结果和血管热图结果包括：将所述头颅血管CTA影像输入3D卷积神经网络；根据所述3D卷积神经网络的输出结果，提取血管分割结果和血管热图结果。
进一步地，所述将基于所述血管分割结果提取的血管骨架线输入预设网络模型进行血管分类和命名，并得到血管起止点数据包括：通过三维细化算法对所述血管分割结果进行处理，以提取血管骨架线；将所述血管骨架线输入点云分割网络进行血管分类和命名，并得到血管起止点数据。
进一步地，所述将基于所述血管分割结果提取的血管骨架线输入预设网络模型进行血管分类和命名，并得到血管起止点数据包括：根据头颅血管CTA影像中像素点的邻接度信息，对所述像素点进行分类；将分类结果按照预设规则进行处理；根据处理结果提取所述血管骨架线。
进一步地，所述根据所述血管起止点数据和所述血管热图结果，提取头颈血管中心线包括：通过最短路径搜寻算法对所述血管起止点数据和所述血管热图结果进行计算；根据计算结果提取所述头颈血管中心线。
为了实现上述目的，根据本申请的另一方面，提供了一种头颈血管中心线提取装置。
根据本申请的头颈血管中心线提取装置包括：获取模块，用于根据头颅血管CTA影像获取血管分割结果和血管热图结果；输入模块，用于将基于所述血管分割结果提取的血管骨架线输入预设网络模型进行血管分类和命名，并得到血管起止点数据；提取模块，用于根据所述血管起止点数据和所述血管热图结果，提取头颈血管中心线。
进一步地，所述获取模块包括：第一输入单元，用于将所述头颅血管CTA影像输入3D卷积神经网络；第一提取单元，用于根据所述3D卷积神经网络的输出结果，提取血管分割结果和血管热图结果。
进一步地，所述输入模块包括：第二提取单元，用于通过三维细化算法对所述血管分割结果进行处理，以提取血管骨架线；第二输入单元，用于将所述血管骨架线输入点云分割网络进行血管分类和命名，并得到血管起止点数据。
进一步地，所述输入模块还包括：分类单元，用于根据头颅血管CTA影像中像素点的邻接度信息，对所述像素点进行分类；处理单元，用于将分类结果按照预设规则进行处理；第三提取单元，用于根据处理结果提取所述血管骨架线。
进一步地，所述提取模块包括：计算单元，用于通过最短路径搜寻算法对所述血管起止点数据和所述血管热图结果进行计算；第四提取单元，用于根据计算结果提取所述头颈血管中心线。
在本申请实施例中，采用根据头颅血管CTA影像获取血管分割结果和血管热图结果的方式，通过将基于所述血管分割结果提取的血管骨架线输入预设网络模型进行血管分类和命名，并得到血管起止点数据；根据所述血管起止点数据和所述血管热图结果，达到了结合头颈血管的局部细节信息与全局结构信息来提取血管中心线的目的，从而实现了提高头颅血管中心线提取的准确度的技术效果，进而解决了相关技术中血管中心线提取的准确度不高的技术问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请第一实施例的头颈血管中心线提取方法的流程示意图；
图2是根据本申请第二实施例的头颈血管中心线提取方法的流程示意图；
图3是根据本申请第三实施例的头颈血管中心线提取方法的流程示意图；
图4是根据本申请第四实施例的头颈血管中心线提取方法的流程示意图；
图5是根据本申请第五实施例的头颈血管中心线提取方法的流程示意图；
图6是根据本申请第六实施例的头颈血管中心线提取方法的流程示意图；
图7是根据本申请第一实施例的头颈血管中心线提取装置的组成结构示意图；
图8是根据本申请第二实施例的头颈血管中心线提取装置的组成结构示意图；
图9是根据本申请第三实施例的头颈血管中心线提取装置的组成结构示意图；以及
图10是根据本申请第四实施例的头颈血管中心线提取装置的组成结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做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。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本发明实施例，提供了一种头颈血管中心线提取方法，如图1所示，该方法包括如下的步骤S101至步骤S103：
步骤S101，根据头颅血管CTA影像获取血管分割结果和血管热图结果。
具体实施时，本申请实施例的头颈血管中心线提取方法主要在头颈CTA影像中实现头颈血管中心线的提取，提取方法主要包括血管骨架线分类和血管中心线提取两部分。其中在血管骨架线分类部分，首先通过对头颅血管CTA影像进行分割可以得到头颈血管分割结果，并通过将头颈CTA影像中输入到预设网络模型如3D卷积神经网络中，进而可以在头颅血管CTA影像中生成血管热图结果，作为后续提取血管中心线的基础。
步骤S102，将基于所述血管分割结果提取的血管骨架线输入预设网络模型进行血管分类和命名，并得到血管起止点数据。
具体实施时，在得到头颅血管CTA影像的血管分割结果后，需要在此基础之上，利用预设算法模型对血管分割结果进行计算，以得到头颈血管骨架线；之后将血管骨架线输入预设网络模型如PointNet网络模型中对血管进行分类和命名，并得到血管的起始点和终止点数据。
步骤S103，根据所述血管起止点数据和所述血管热图结果，提取头颈血管中心线。
具体实施时，在血管中心线提取部分，将上述得到的血管起始点和终止点数据以及血管热图结果分别作为头颈血管中心线提取模型的输入。具体地，首先利用血管热图构建距离场，并利用基于网格的迪杰斯特拉(Dijkstra)算法在此距离场中搜寻血管从起始点到终止点的最短路径，作为血管的中心线。该算法在血管骨架线断开的情况下也能够利用其起始点和终止点通过血管热图连接，因此能够得到完整的血管中心线，达到了结合头颈血管的局部细节信息与全局结构信息来提取血管中心线的目的，进而实现了提高头颅血管中心线提取的准确度的效果。
作为本申请实施例的一种优选实施方式，如图2所示，所述根据头颅血管CTA影像获取血管分割结果和血管热图结果包括如下的步骤S201至步骤S202：
步骤S201，将所述头颅血管CTA影像输入3D卷积神经网络。
具体实施时，本申请实施例采用3D卷积神经网络对原始头颅血管CTA影像进行处理，以得到头颈血管的局部细节信息。
步骤S202，根据所述3D卷积神经网络的输出结果，提取血管分割结果和血管热图结果。
具体实施时，通过将原始头颅血管CTA影像输入3D卷积神经网络，以分别提取出血管分割结果和血管热图结果。
作为本申请实施例的一种优选实施方式，如图3所示，所述将基于所述血管分割结果提取的血管骨架线输入预设网络模型进行血管分类和命名，并得到血管起止点数据包括如下的步骤S301至步骤S302：
步骤S301，通过三维细化算法对所述血管分割结果进行处理，以提取血管骨架线。
具体实施时，血管骨架线的具体提取方法是采用三维细化算法(3D Thinning)对上述得到的血管分割结果进行腐蚀运算，通过该算法能够保持血管骨架线连通，且能够使骨架线位于血管的中轴部分，保存了血管完整的形态特征。
步骤S302，将所述血管骨架线输入点云分割网络进行血管分类和命名，并得到血管起止点数据。
根据上述得到的血管骨架线，进一步利用点云分割网络对该骨架线进行分类和命名。其中点云分割网络可以是PointNet网络，该网络利用多层感知机(MLP)和最大值池化(Maxpooling)的对称性解决了骨架线中像素点的无序性问题，网络的特征提取可以表示为：
f(x1,x2,…,xn)＝γ(MAXi＝1,2,...,n{h(xi)})，
其中，{x1,x2,…,xn}为无序的点云数据，即血管的骨架线，f函数将点云数据编码成特征向量，γ为共享权重的多层感知机。同时，该网络利用多尺度采样方法能够编码血管形态的局部和全局信息，实现血管骨架线的分割命名任务，并且利用血管骨架线的结果能够得到指定血管的起始点和终止点，提供给血管中心线提取模块作为输入。
作为本申请实施例的一种优选实施方式，如图4所示，所述将基于所述血管分割结果提取的血管骨架线输入预设网络模型进行血管分类和命名，并得到血管起止点数据包括如下的步骤S401至步骤S403：
步骤S401，根据头颅血管CTA影像中像素点的邻接度信息，对所述像素点进行分类。
具体实施时，在将血管骨架线输入PointNet网络模型进行血管分类和命名时，首先需要获取头颅血管CTA影像中像素点的邻接度信息，之后再根据像素点的邻接度将血管内部的所有像素点分成两类，分别为简化像素点和非简化像素点。
步骤S402，将分类结果按照预设规则进行处理。
具体实施时，将分类得到的简化像素点进行腐蚀删掉，再对结果重新进行分类，并进行迭代腐蚀。
步骤S403，根据处理结果提取所述血管骨架线。
具体实施时，根据上述迭代腐蚀后的结果，最终输出一个宽度为单位像素且保持连通的血管骨架线，该骨架线位于血管的中轴部分，保存了血管完整的形态特征。
作为本申请实施例的一种优选实施方式，如图5所示，所述根据所述血管起止点数据和所述血管热图结果，提取头颈血管中心线包括如下的步骤S501至步骤S502：
步骤S501，通过最短路径搜寻算法对所述血管起止点数据和所述血管热图结果进行计算。
具体实施时，采用最短路径搜寻算法对上述得到的血管起始点和终止点数据及血管热图结果进行计算。
步骤S502，根据计算结果提取所述头颈血管中心线。
具体实施时，上述算法首先利用血管热图构建距离场，并利用基于网格的迪杰斯特拉(Dijkstra)算法在此距离场中搜寻血管从起始点到终止点的最短路径，最终作为血管的中心线。该算法在血管骨架线断开的情况下也能够利用其起始点和终止点通过血管热图连接，因此能够得到完整的血管中心线。
如图6所示，是本申请实施例的血管中心线提取方法的一种流程示意图，所述方法主要包括两个并联步骤：骨架线分类步骤和中心线提取步骤。骨架线分类步骤的输入为3DCNN算法在头颈CTA影像中生成的血管分割结果，在此基础之上，利用三维细化算法得到头颈血管骨架线，最后利用PointNet网络对骨架线进行分类命名并得到各类血管的起始和终止点。中心线提取步骤的输入为3D CNN算法在头颈CTA影像中生成的血管热图结果，在此基础之上，结合骨架线分类模块得到的血管起点和终止点通过最短路径搜寻算法得到血管中心线数据。
优选地，本申请实施例中的上述头颈血管中心线提取方法还包括如下训练过程：首先，对输入的血管骨架线数据进行随机最远距离采样，并将全部数据根据采样点进行分组；之后，输入到PointNet网络进行训练，通过最小化Cross Entropy Loss函数来学习网络的参数。
优选地，本申请实施例选取了400个头颈CTA数据集来对上述头颈血管中心线提取方法进行，并且数据分别由两种不同的扫描仪得到。血管由主动脉弓、左右颈总动脉、头臂干、锁骨下动脉，左右椎动脉、基底动脉、左右大脑前动脉、左右大脑中动脉、左右大脑后动脉、前交通动脉、后交通动脉组成。所有的血管分割都由医生进行标记，血管的参考中心线由标记的血管分割通过三维细化算法得到。头颈CTA数据的大小为512x512x400～600，用于PointNet模型训练的骨架线由参考中心线采样得到，大小为每个样本3000个骨架线点。另外选取360个头颈CTA数据用于训练，其余数据用于测试。
作为比较的方法是使用不同结构及训练策略的PointNet模型，主要有以下训练策略：利用PointNet进行训练(PointNet1)，利用PointNet++进行训练(PointNet2)，结合半径特征利用PointNet++进行训练(PointNet2+Redius)，结合多尺度采样和半径特征利用PointNet++进行训练(PointNet2+Redius+MPS)。几种方法的准确度结果如表1所示：
表1几种方法的准确度结果
由上表可以看出，结合半径特征能够提高模型的预测结果，同时结合多尺度信息也能够有效提高模型的准确度。并且所提出的算法能够处理血管分割断裂的问题，保证了血管中心线的连通性和准确性。
从以上的描述中，可以看出，本发明实现了如下技术效果：采用根据头颅血管CTA影像获取血管分割结果和血管热图结果的方式，通过将基于所述血管分割结果提取的血管骨架线输入预设网络模型进行血管分类和命名，并得到血管起止点数据；根据所述血管起止点数据和所述血管热图结果，达到了结合头颈血管的局部细节信息与全局结构信息来提取血管中心线的目的，从而实现了提高头颅血管中心线提取的准确度的技术效果。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
根据本发明实施例，还提供了一种用于实施上述头颈血管中心线提取方法的装置，如图7所示，该装置包括：获取模块1、输入模块2和提取模块3。
本申请实施例的获取模块1，用于根据头颅血管CTA影像获取血管分割结果和血管热图结果。
具体实施时，本申请实施例的头颈血管中心线提取方法主要在头颈CTA影像中实现头颈血管中心线的提取，提取方法主要包括血管骨架线分类和血管中心线提取两部分。其中在血管骨架线分类部分，首先获取模块通过对头颅血管CTA影像进行分割可以得到头颈血管分割结果，并通过将头颈CTA影像中输入到预设网络模型如3D卷积神经网络中，进而可以在头颅血管CTA影像中生成血管热图结果，作为后续提取血管中心线的基础。
本申请实施例的输入模块2，用于将基于所述血管分割结果提取的血管骨架线输入预设网络模型进行血管分类和命名，并得到血管起止点数据。
具体实施时，在得到头颅血管CTA影像的血管分割结果后，需要在此基础之上，通过输入模块利用预设算法模型对血管分割结果进行计算，以得到头颈血管骨架线；之后将血管骨架线输入预设网络模型如PointNet网络模型中对血管进行分类和命名，并得到血管的起始点和终止点数据。
本申请实施例的提取模块3，用于根据所述血管起止点数据和所述血管热图结果，提取头颈血管中心线。
具体实施时，在血管中心线提取部分，提取模块将上述得到的血管起始点和终止点数据以及血管热图结果分别作为头颈血管中心线提取模型的输入。
作为本申请实施例的一种优选实施方式，如图8所示，所述获取模块1包括：第一输入单元11和第一提取单元12。
本申请实施例的第一输入单元11，用于将所述头颅血管CTA影像输入3D卷积神经网络。
具体实施时，本申请实施例采用3D卷积神经网络通过第一输入单元对原始头颅血管CTA影像进行处理，以得到头颈血管的局部细节信息。
本申请实施例的第一提取单元12，用于根据所述3D卷积神经网络的输出结果，提取血管分割结果和血管热图结果。
具体实施时，通过将原始头颅血管CTA影像输入3D卷积神经网络，以通过第一提取单元分别提取出血管分割结果和血管热图结果。
作为本申请实施例的一种优选实施方式，如图9所示，所述输入模块2包括：第二提取单元21和第二输入单元22。
本申请实施例的第二提取单元21，用于通过三维细化算法对所述血管分割结果进行处理，以提取血管骨架线。
具体实施时，血管骨架线的具体提取方法是采用三维细化算法(3D Thinning)通过第二提取单元对上述得到的血管分割结果进行腐蚀运算，通过该算法能够保持血管骨架线连通，且能够使骨架线位于血管的中轴部分，保存了血管完整的形态特征。
本申请实施例的第二输入单元22，用于将所述血管骨架线输入点云分割网络进行血管分类和命名，并得到血管起止点数据。
根据上述得到的血管骨架线，第二输入单元进一步利用点云分割网络对该骨架线进行分类和命名。其中点云分割网络可以是PointNet网络，该网络利用多层感知机(MLP)和最大值池化(Maxpooling)的对称性解决了骨架线中像素点的无序性问题，网络的特征提取可以表示为：
f(x1,x2,…,xn)＝γ(MAXi＝1,2,...,n{h(xi)})，
其中，{x1,x2,…,xn}为无序的点云数据，即血管的骨架线，f函数将点云数据编码成特征向量，γ为共享权重的多层感知机。同时，该网络利用多尺度采样方法能够编码血管形态的局部和全局信息，实现血管骨架线的分割命名任务，并且利用血管骨架线的结果能够得到指定血管的起始点和终止点，提供给血管中心线提取模块作为输入。
作为本申请实施例的一种优选实施方式，如图9所示，所述输入模块2还包括：分类单元23、处理单元24和第三提取单元25。
本申请实施例的分类单元23，用于根据头颅血管CTA影像中像素点的邻接度信息，对所述像素点进行分类。
具体实施时，在将血管骨架线输入PointNet网络模型进行血管分类和命名时，首先需要通过分类单元获取头颅血管CTA影像中像素点的邻接度信息，之后再根据像素点的邻接度将血管内部的所有像素点分成两类，分别为简化像素点和非简化像素点。
本申请实施例的处理单元24，用于将分类结果按照预设规则进行处理。
具体实施时，通过处理单元将分类得到的简化像素点进行腐蚀删掉，再对结果重新进行分类，并进行迭代腐蚀。
本申请实施例的第三提取单元25，用于根据处理结果提取所述血管骨架线。
具体实施时，第三提取单元根据上述迭代腐蚀后的结果，最终输出一个宽度为单位像素且保持连通的血管骨架线，该骨架线位于血管的中轴部分，保存了血管完整的形态特征。
作为本申请实施例的一种优选实施方式，如图10所示，所述提取模块3包括：计算单元31和第四提取单元32。
本申请实施例的计算单元31，用于通过最短路径搜寻算法对所述血管起止点数据和所述血管热图结果进行计算。
具体实施时，采用最短路径搜寻算法通过计算单元对上述得到的血管起始点和终止点数据及血管热图结果进行计算。
本申请实施例的第四提取单元32，用于根据计算结果提取所述头颈血管中心线。
具体实施时，通过第四提取单元首先利用血管热图构建距离场，并利用基于网格的迪杰斯特拉(Dijkstra)算法在此距离场中搜寻血管从起始点到终止点的最短路径，最终作为血管的中心线。该算法在血管骨架线断开的情况下也能够利用其起始点和终止点通过血管热图连接，因此能够得到完整的血管中心线。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种头颈血管中心线提取方法，其特征在于，包括：
根据头颅血管CTA影像获取血管分割结果和血管热图结果；
将基于所述血管分割结果提取的血管骨架线输入预设网络模型进行血管分类和命名，并得到血管起止点数据；
根据所述血管起止点数据和所述血管热图结果，提取头颈血管中心线。
2.根据权利要求1所述的头颈血管中心线提取方法，其特征在于，所述根据头颅血管CTA影像获取血管分割结果和血管热图结果包括：
将所述头颅血管CTA影像输入3D卷积神经网络；
根据所述3D卷积神经网络的输出结果，提取血管分割结果和血管热图结果。
3.根据权利要求1所述的头颈血管中心线提取方法，其特征在于，所述将基于所述血管分割结果提取的血管骨架线输入预设网络模型进行血管分类和命名，并得到血管起止点数据包括：
通过三维细化算法对所述血管分割结果进行处理，以提取血管骨架线；
将所述血管骨架线输入点云分割网络进行血管分类和命名，并得到血管起止点数据。
4.根据权利要求1所述的头颈血管中心线提取方法，其特征在于，所述将基于所述血管分割结果提取的血管骨架线输入预设网络模型进行血管分类和命名，并得到血管起止点数据包括：
根据头颅血管CTA影像中像素点的邻接度信息，对所述像素点进行分类；
将分类结果按照预设规则进行处理；
根据处理结果提取所述血管骨架线。
5.根据权利要求1所述的头颈血管中心线提取方法，其特征在于，所述根据所述血管起止点数据和所述血管热图结果，提取头颈血管中心线包括：
通过最短路径搜寻算法对所述血管起止点数据和所述血管热图结果进行计算；
根据计算结果提取所述头颈血管中心线。
6.一种头颈血管中心线提取装置，其特征在于，包括：
获取模块，用于根据头颅血管CTA影像获取血管分割结果和血管热图结果；
输入模块，用于将基于所述血管分割结果提取的血管骨架线输入预设网络模型进行血管分类和命名，并得到血管起止点数据；
提取模块，用于根据所述血管起止点数据和所述血管热图结果，提取头颈血管中心线。
7.根据权利要求6所述的头颈血管中心线提取装置，其特征在于，所述获取模块包括：
第一输入单元，用于将所述头颅血管CTA影像输入3D卷积神经网络；
第一提取单元，用于根据所述3D卷积神经网络的输出结果，提取血管分割结果和血管热图结果。
8.根据权利要求6所述的头颈血管中心线提取装置，其特征在于，所述输入模块包括：
第二提取单元，用于通过三维细化算法对所述血管分割结果进行处理，以提取血管骨架线；
第二输入单元，用于将所述血管骨架线输入点云分割网络进行血管分类和命名，并得到血管起止点数据。
9.根据权利要求6所述的头颈血管中心线提取装置，其特征在于，所述输入模块还包括：
分类单元，用于根据头颅血管CTA影像中像素点的邻接度信息，对所述像素点进行分类；
处理单元，用于将分类结果按照预设规则进行处理；
第三提取单元，用于根据处理结果提取所述血管骨架线。
10.根据权利要求6所述的头颈血管中心线提取装置，其特征在于，所述提取模块包括：
计算单元，用于通过最短路径搜寻算法对所述血管起止点数据和所述血管热图结果进行计算；
第四提取单元，用于根据计算结果提取所述头颈血管中心线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910898181.7A CN110517279B (zh) | 2019-09-20 | 2019-09-20 | 头颈血管中心线提取方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910898181.7A CN110517279B (zh) | 2019-09-20 | 2019-09-20 | 头颈血管中心线提取方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110517279A true CN110517279A (zh) | 2019-11-29 |
| CN110517279B CN110517279B (zh) | 2022-04-05 |
Family
ID=68631713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910898181.7A Active CN110517279B (zh) | 2019-09-20 | 2019-09-20 | 头颈血管中心线提取方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110517279B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111161240A (zh) * | 2019-12-27 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 血管分类方法、计算机设备和可读存储介质 |
| 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 |
| CN111738982A (zh) * | 2020-05-28 | 2020-10-02 | 数坤（北京）网络科技有限公司 | 一种血管腔浓度梯度提取方法、装置以及可读存储介质 |
| CN112037170A (zh) * | 2020-07-23 | 2020-12-04 | 上海交通大学附属第六人民医院 | 一种血管狭窄的检出方法、装置以及计算机存储介质 |
| CN112700490A (zh) * | 2021-01-08 | 2021-04-23 | 杭州深睿博联科技有限公司 | 一种基于最大半径搜索的冠脉中心线生成方法及装置 |
| WO2021213124A1 (zh) * | 2020-04-21 | 2021-10-28 | 深圳睿心智能医疗科技有限公司 | 血流特征预测方法、装置、计算机设备和存储介质 |
| CN113763331A (zh) * | 2021-08-17 | 2021-12-07 | 北京医准智能科技有限公司 | 冠状动脉优势型判定方法、装置、存储介质及电子设备 |
| CN114533002A (zh) * | 2022-03-04 | 2022-05-27 | 清华大学 | 一种颈动脉中心线提取方法、装置、存储介质及电子设备 |
| CN114677374A (zh) * | 2022-05-27 | 2022-06-28 | 杭州键嘉机器人有限公司 | 一种下颌神经管中心线提取与半径计算的方法 |
| CN114693648A (zh) * | 2022-04-02 | 2022-07-01 | 深圳睿心智能医疗科技有限公司 | 一种血管中心线提取方法及其系统 |
| CN115511773A (zh) * | 2021-06-21 | 2022-12-23 | 数坤(北京)网络科技股份有限公司 | 一种血管中心线提取方法、装置、设备和可读存储介质 |
| CN116740049A (zh) * | 2023-07-12 | 2023-09-12 | 强联智创（北京）科技有限公司 | 用于盲补连头颈胸血管中心线的方法、设备及存储介质 |
| CN116758050A (zh) * | 2023-07-12 | 2023-09-15 | 强联智创（北京）科技有限公司 | 用于颅内Wills环血管中心线盲补全的方法及产品 |
| CN117495668A (zh) * | 2023-12-29 | 2024-02-02 | 柏意慧心(杭州)网络科技有限公司 | 用于确定主血管路径和分支血管路径的方法、设备和介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102903115A (zh) * | 2012-10-12 | 2013-01-30 | 中国科学院深圳先进技术研究院 | 一种管状物体中心线的提取方法 |
| CN103218797A (zh) * | 2012-01-19 | 2013-07-24 | 中国科学院上海生命科学研究院 | 血管图像处理与分析的方法和系统 |
| US20150235360A1 (en) * | 2014-02-18 | 2015-08-20 | Siemens Aktiengesellschaft | Sparse Appearance Learning-based Segmentation |
| CN105741251A (zh) * | 2016-03-17 | 2016-07-06 | 中南大学 | 一种肝脏cta序列图像的血管分割方法 |
| CN105825509A (zh) * | 2016-03-17 | 2016-08-03 | 电子科技大学 | 基于3d卷积神经网络的脑血管分割方法 |
| 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 |
| CN107977709A (zh) * | 2017-04-01 | 2018-05-01 | 北京昆仑医云科技有限公司 | 预测血管树血管路径上的血流特征的深度学习模型和系统 |
| CN108717695A (zh) * | 2018-04-25 | 2018-10-30 | 数坤（北京）网络科技有限公司 | 心脏冠脉血管自动分段命名方法 |
| CN108764286A (zh) * | 2018-04-24 | 2018-11-06 | 电子科技大学 | 一种基于迁移学习的血管图像中特征点的分类识别方法 |
| CN108765363A (zh) * | 2018-03-24 | 2018-11-06 | 语坤（北京）网络科技有限公司 | 一种基于人工智能的冠脉cta自动后处理系统 |
| CN108830155A (zh) * | 2018-05-10 | 2018-11-16 | 北京红云智胜科技有限公司 | 一种基于深度学习的心脏冠状动脉分割及识别的方法 |
| CN109345498A (zh) * | 2018-10-05 | 2019-02-15 | 数坤（北京）网络科技有限公司 | 融合双源ct数据的冠脉分割方法 |
| CN109584169A (zh) * | 2018-10-26 | 2019-04-05 | 首都医科大学宣武医院 | 一种基于中心线的颅内血管图像的截取方法及系统 |
| CN109635876A (zh) * | 2017-12-21 | 2019-04-16 | 北京昆仑医云科技有限公司 | 为生理树结构生成解剖标签的计算机实现的方法、装置和介质 |
-
2019
- 2019-09-20 CN CN201910898181.7A patent/CN110517279B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103218797A (zh) * | 2012-01-19 | 2013-07-24 | 中国科学院上海生命科学研究院 | 血管图像处理与分析的方法和系统 |
| CN102903115A (zh) * | 2012-10-12 | 2013-01-30 | 中国科学院深圳先进技术研究院 | 一种管状物体中心线的提取方法 |
| US20150235360A1 (en) * | 2014-02-18 | 2015-08-20 | Siemens Aktiengesellschaft | Sparse Appearance Learning-based Segmentation |
| CN105741251A (zh) * | 2016-03-17 | 2016-07-06 | 中南大学 | 一种肝脏cta序列图像的血管分割方法 |
| CN105825509A (zh) * | 2016-03-17 | 2016-08-03 | 电子科技大学 | 基于3d卷积神经网络的脑血管分割方法 |
| 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 |
| CN107977709A (zh) * | 2017-04-01 | 2018-05-01 | 北京昆仑医云科技有限公司 | 预测血管树血管路径上的血流特征的深度学习模型和系统 |
| CN109635876A (zh) * | 2017-12-21 | 2019-04-16 | 北京昆仑医云科技有限公司 | 为生理树结构生成解剖标签的计算机实现的方法、装置和介质 |
| CN108765363A (zh) * | 2018-03-24 | 2018-11-06 | 语坤（北京）网络科技有限公司 | 一种基于人工智能的冠脉cta自动后处理系统 |
| CN108764286A (zh) * | 2018-04-24 | 2018-11-06 | 电子科技大学 | 一种基于迁移学习的血管图像中特征点的分类识别方法 |
| CN108717695A (zh) * | 2018-04-25 | 2018-10-30 | 数坤（北京）网络科技有限公司 | 心脏冠脉血管自动分段命名方法 |
| CN108830155A (zh) * | 2018-05-10 | 2018-11-16 | 北京红云智胜科技有限公司 | 一种基于深度学习的心脏冠状动脉分割及识别的方法 |
| CN109345498A (zh) * | 2018-10-05 | 2019-02-15 | 数坤（北京）网络科技有限公司 | 融合双源ct数据的冠脉分割方法 |
| CN109584169A (zh) * | 2018-10-26 | 2019-04-05 | 首都医科大学宣武医院 | 一种基于中心线的颅内血管图像的截取方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| MATTHIASSCHNEIDER 等: "Joint 3-D vessel segmentation and centerline extraction using oblique Hough forests with steerable filters", 《MEDICAL IMAGE ANALYSIS》 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111161240B (zh) * | 2019-12-27 | 2024-03-05 | 上海联影智能医疗科技有限公司 | 血管分类方法、装置、计算机设备和可读存储介质 |
| CN111161240A (zh) * | 2019-12-27 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 血管分类方法、计算机设备和可读存储介质 |
| WO2021213124A1 (zh) * | 2020-04-21 | 2021-10-28 | 深圳睿心智能医疗科技有限公司 | 血流特征预测方法、装置、计算机设备和存储介质 |
| 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 |
| CN111738982A (zh) * | 2020-05-28 | 2020-10-02 | 数坤（北京）网络科技有限公司 | 一种血管腔浓度梯度提取方法、装置以及可读存储介质 |
| CN112037170A (zh) * | 2020-07-23 | 2020-12-04 | 上海交通大学附属第六人民医院 | 一种血管狭窄的检出方法、装置以及计算机存储介质 |
| CN112037170B (zh) * | 2020-07-23 | 2021-08-03 | 上海交通大学附属第六人民医院 | 一种血管狭窄的检出方法、装置以及计算机存储介质 |
| CN112700490A (zh) * | 2021-01-08 | 2021-04-23 | 杭州深睿博联科技有限公司 | 一种基于最大半径搜索的冠脉中心线生成方法及装置 |
| CN112700490B (zh) * | 2021-01-08 | 2023-04-25 | 杭州深睿博联科技有限公司 | 一种基于最大半径搜索的冠脉中心线生成方法及装置 |
| CN115511773B (zh) * | 2021-06-21 | 2023-08-29 | 数坤(上海)医疗科技有限公司 | 一种血管中心线提取方法、装置、设备和可读存储介质 |
| CN115511773A (zh) * | 2021-06-21 | 2022-12-23 | 数坤(北京)网络科技股份有限公司 | 一种血管中心线提取方法、装置、设备和可读存储介质 |
| CN113763331A (zh) * | 2021-08-17 | 2021-12-07 | 北京医准智能科技有限公司 | 冠状动脉优势型判定方法、装置、存储介质及电子设备 |
| CN114533002A (zh) * | 2022-03-04 | 2022-05-27 | 清华大学 | 一种颈动脉中心线提取方法、装置、存储介质及电子设备 |
| CN114533002B (zh) * | 2022-03-04 | 2024-04-26 | 清华大学 | 一种颈动脉中心线提取方法、装置、存储介质及电子设备 |
| CN114693648A (zh) * | 2022-04-02 | 2022-07-01 | 深圳睿心智能医疗科技有限公司 | 一种血管中心线提取方法及其系统 |
| CN114677374B (zh) * | 2022-05-27 | 2022-09-02 | 杭州键嘉机器人有限公司 | 一种下颌神经管中心线提取与半径计算的方法 |
| CN114677374A (zh) * | 2022-05-27 | 2022-06-28 | 杭州键嘉机器人有限公司 | 一种下颌神经管中心线提取与半径计算的方法 |
| CN116740049A (zh) * | 2023-07-12 | 2023-09-12 | 强联智创（北京）科技有限公司 | 用于盲补连头颈胸血管中心线的方法、设备及存储介质 |
| CN116758050A (zh) * | 2023-07-12 | 2023-09-15 | 强联智创（北京）科技有限公司 | 用于颅内Wills环血管中心线盲补全的方法及产品 |
| CN116740049B (zh) * | 2023-07-12 | 2024-02-27 | 强联智创（北京）科技有限公司 | 用于盲补连头颈胸血管中心线的方法、设备及存储介质 |
| CN117495668A (zh) * | 2023-12-29 | 2024-02-02 | 柏意慧心(杭州)网络科技有限公司 | 用于确定主血管路径和分支血管路径的方法、设备和介质 |
| CN117495668B (zh) * | 2023-12-29 | 2024-03-29 | 柏意慧心(杭州)网络科技有限公司 | 用于确定主血管路径和分支血管路径的方法、设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110517279B (zh) | 2022-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110517279A (zh) | 头颈血管中心线提取方法及装置 | |
| CN101393644B (zh) | 一种肝门静脉血管树建模方法及其系统 | |
| CN107066934A (zh) | 胃部肿瘤细胞图像识别判定装置、方法及胃部肿瘤切片识别判定设备 | |
| WO2021169548A1 (zh) | 肺气管和血管的分段命名方法 | |
| CN107145526A (zh) | 一种路网下地理社交关键字反最近邻查询处理方法 | |
| Guifen et al. | Corn plant disease recognition based on migration learning and convolutional neural network | |
| CN111178420B (zh) | 一种二维造影图像上冠脉段标注方法及系统 | |
| CN110533588A (zh) | 基于生成对抗网络的根系图像修复方法 | |
| CN112466462B (zh) | 一种基于图深度学习的emr信息关联及演化方法 | |
| CN111950408A (zh) | 基于规则图的手指静脉图像识别方法、装置及存储介质 | |
| CN116740538A (zh) | 一种基于YOLOv8改进的轻量化目标检测方法及系统 | |
| CN109635089B (zh) | 一种基于语义网络的文学作品新颖度评价系统和方法 | |
| Liu et al. | An improved lightweight network based on deep learning for grape recognition in unstructured environments | |
| CN109583358A (zh) | 一种医疗卫生监督快速精准执法方法 | |
| CN111368663B (zh) | 自然场景中静态面部表情识别方法、装置、介质及设备 | |
| CN116310114A (zh) | 一种多任务标签模型的冠脉点云数据处理优化方法 | |
| Tang | Leaf image recognition and classification based on GBDT-probabilistic neural network | |
| CN112446893B (zh) | 肝脏图像的轮廓分割方法和装置 | |
| CN113723519A (zh) | 基于对比学习的心电数据处理方法、装置及存储介质 | |
| Ayaz et al. | Automatic Early Diagnosis of Dome Galls in Cordia Dichotoma G. Forst. Using Deep Transfer Learning | |
| CN108256621A (zh) | 蜂群优化方法及装置 | |
| Wu et al. | Lightweight compressed depth neural network for tomato disease diagnosis | |
| ISAKA et al. | Development of a web based image annotation tool for lung immunofluorescent confocal images | |
| CN106296704B (zh) | 通用型图像分割方法 | |
| Rannap | Mathematical analysis of Numic languages |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |