CN110634129B - 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
- CN110634129B CN110634129B CN201910782461.1A CN201910782461A CN110634129B CN 110634129 B CN110634129 B CN 110634129B CN 201910782461 A CN201910782461 A CN 201910782461A CN 110634129 B CN110634129 B CN 110634129B
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional dsa
- dsa sequence
- images
- processed
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (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,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序列图像进行预处理;将所述预处理的二维DSA序列图像输入分类模型,获得所述预处理的二维DSA序列图像的最佳帧对应的二值图像;将所述二值图像输入聚类模型,得到新的二值图像;基于所述新的二值图像中目标区域的定位信息,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。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,提高判断的准确度。
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序列图像进行预处理,其中,所述待处理的二维DSA序列图像是多帧的;
将所述预处理的二维DSA序列图像输入分类模型,获得所述预处理的二维DSA序列图像的最佳帧对应的二值图像,其中,所述分类模型是基于机器学习方法预先获得的模型,所述二值图像中的黑色区域表示背景和/或非目标区域,所述二值图像中的白色区域表示目标区域;
将所述二值图像输入聚类模型,得到新的二值图像,其中,所述聚类模型是基于无监督机器学习方法预先获得的模型;
基于所述新的二值图像中目标区域的定位信息,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序列图像进行预处理,具体包括:
对所述待处理的二维DSA序列图像进行图像尺寸缩放和/或图像像素值归一化和/或图像像素间距归一化,使所述待处理的二维DSA序列图像保持相同的尺寸及相同的像素间距,其中,所述尺寸包括物理尺寸及分辨率。
优选地,所述将所述预处理的二维DSA序列图像输入分类模型,获得所述预处理的二维DSA序列图像的最佳帧对应的二值图像,具体包括:
将所述预处理的二维DSA序列图像输入分类模型,所述分类模型将所述预处理的二维DSA序列图像各帧的像素点进行分类,转化为所述预处理的二维DSA序列图像对应的二值图像,并确定所述预处理的二维DSA序列图像的最佳帧对应的二值图像。
优选地,所述将所述二值图像输入聚类模型,得到新的二值图像,具体包括:
将所述二值图像输入聚类模型,对所述二值图像中属于目标区域的各像素点进行聚类,得到新的二值图像。
优选地,所述基于所述新的二值图像中目标区域的定位信息,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:
基于所述新的二值图像中目标区域的坐标,通过线性变换,将所述目标区域的定位信息还原到所述待处理的二维DSA序列图像中,获得所述目标区域的定位信息在所述目标区域所在的帧的对应的坐标点;
将所述目标区域的定位信息在所述目标区域所在的帧的对应的坐标点进行连线,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。
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。
接收单元,接收待处理的二维DSA序列图像,其中,所述待处理的二维DSA序列图像是多帧的;
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序列图像进行预处理,其中,所述待处理的二维DSA序列图像是多帧的;
将所述预处理的二维DSA序列图像输入分类模型,获得所述预处理的二维DSA序列图像的最佳帧对应的二值图像,其中,所述分类模型是基于机器学习方法预先获得的模型,所述二值图像中的黑色区域表示背景和/或非目标区域,所述二值图像中的白色区域表示目标区域;
将所述二值图像输入聚类模型,得到新的二值图像,其中,所述聚类模型是基于无监督机器学习方法预先获得的模型;
基于所述新的二值图像中目标区域的定位信息,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序列图像进行预处理,具体包括:
对所述待处理的二维DSA序列图像进行图像尺寸缩放和/或图像像素值归一化和/或图像像素间距归一化,使所述待处理的二维DSA序列图像保持相同的尺寸及相同的像素间距,其中,所述尺寸包括物理尺寸及分辨率。
优选地,所述将所述预处理的二维DSA序列图像输入分类模型,获得所述预处理的二维DSA序列图像的最佳帧对应的二值图像,具体包括:
将所述预处理的二维DSA序列图像输入分类模型,所述分类模型将所述预处理的二维DSA序列图像各帧的像素点进行分类,转化为所述预处理的二维DSA序列图像对应的二值图像,并确定所述预处理的二维DSA序列图像的最佳帧对应的二值图像。
优选地,所述将所述二值图像输入聚类模型,得到新的二值图像,具体包括:
将所述二值图像输入聚类模型,对所述二值图像中属于目标区域的各像素点进行聚类,得到新的二值图像。
优选地,所述基于所述新的二值图像中目标区域的定位信息,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:
基于所述新的二值图像中目标区域的坐标,通过线性变换,将所述目标区域的定位信息还原到所述待处理的二维DSA序列图像中,获得所述目标区域的定位信息在所述目标区域所在的帧的对应的坐标点;
将所述目标区域的定位信息在所述目标区域所在的帧的对应的坐标点进行连线,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。
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分类模型及聚类模型,确定待处理的二维DSA序列图像中目标区域的定位信息,获得目标区域的定位。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,提高判断的准确度。
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训练分类模型的示意图;
图3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序列图像进行预处理。
DSA图像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。因此,在本说明书实施例中,待处理的二维DSA序列图像是多帧的。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。
由于待处理的二维DSA序列图像可能存在尺寸等差异,因此,首先需要对待处理的二维DSA序列图像进行预处理,实现归一化。具体地,对待处理的二维DSA序列图像进行图像尺寸缩放和/或图像像素值归一化和/或图像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序列图像能够较佳的输入分类模型中。
步骤S103:将预处理的二维DSA序列图像输入分类模型,获得所述预处理的二维DSA序列图像的最佳帧对应的二值图像。
在本说明书的一个实施例中,基于分类模型,获得预处理的二维DSA序列图像的最佳帧对应的二值图像。具体地,将所述预处理的二维DSA序列图像输入分类模型,分类模型输出预处理的二维DSA序列图像的最佳帧对应的二值图像。需要特别说明的是,二值图像中的黑色区域表示背景和/或非目标区域,二值图像中的白色区域表示目标区域。前述最佳帧代表预处理的二维DSA序列图像中目标区域显示效果最好的帧和/或预处理的二维DSA序列图像中目标区域的预测结果最佳的帧和/或预处理的二维DSA序列图像中目标区域的预测结果误差最小的帧。
在本说明书的一个实施例中,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。
在本说明书的一个实施例中,分类模型是预先经过机器学习方法训练得到的模型,为更加容易理解利用分类模型获得预处理的二维DSA序列图像的最佳帧对应的二值图像,下面将详细介绍分类模型的训练过程,具体如图2所示。图2为本说明书实施例提供的训练分类模型的示意图,具体包括:
步骤S201:将二维DSA序列图像输入监督学习分类器。
用于进行分类模型训练的样本为多个含有目标区域的二维DSA序列图像,并对二维DSA图像中的目标区域进行标注,确定目标区域及属于目标区域的像素点。为保证训练分类模型的准确性,训练样本的数量应该足够大。
在本说明书的一个实施例中,监督学习分类器优选支持向量机(Support VectorMachine,SVM),实现对二维DSA序列图像进行二元分类。
步骤S203:获得分类模型。
前述步骤S201的二维DSA序列图像输入监督学习分类器后,计算监督学习分类器输出值与目标值的损失函数,并对训练过程进行优化,使损失函数最小化,获得分类模型。
在本说明书的一个实施例中,分类模型的实现过程如下:二维DSA序列图像输入SVM中,基于输入的二维DSA序列图像的像素点,采用SVM算法训练矩阵函数,得到图像对应的矩阵,该矩阵与输入的二维DSA序列图像的尺寸相同。矩阵函数中包含0和/或1,其中,0代表属于背景和/或非目标区域,1代表属于目标区域。将二维DSA序列对应的矩阵中的目标区域与标记的二维DSA序列中的目标区域的像素点个数进行比较,确定预测准确率和/或预测错误率,输出预测准确率最高和/或预测错误率最低的帧对应的矩阵。通过矩阵图像转化算法,将该矩阵转化为对应的二值图像。需要特别说明的是,矩阵图像转化算法能够实现将矩阵转化为图像,二值图像中的黑色区域表示背景和/或非目标区域,二值图像中的白色区域表示目标区域。基于上述思路,训练获得分类模型。
在本说明书的一个实施例中,采用本说明书提供的分类模型,能够实现二维DSA序列图像输入分类模型后,输出二维DSA序列图像中最佳帧对应的二值图像,该二值图像中的白色区域表示目标区域。
采用该分类模型,预测二维DSA序列图像的目标区域,能够达到75%的准确率。因此,需要进一步处理,以得到较高的预测准确率。
步骤S105:将所述二值图像输入聚类模型,得到新的二值图像。
前述步骤S103的二值图像输入聚类模型,利用聚类模型,对二值图像中属于目标区域的各像素点进行聚类,获得新的二值图像。采用该方法,能够排除原二值图像中的噪声点,提高预测结果的准确性。需要特别说明的是,聚类模型是基于无监督机器学习方法预先获得的模型。在本说明书的一个实施例中,采用k均值算法,训练获得聚类模型,从而实现将真正属于目标区域的像素点聚类到目标区域,不属于目标区域的点和/或背景聚类到背景。采用本说明书实施例提供的方法,预测目标区域能够达到92%的准确率。
步骤S107:基于新的二值图像中目标区域的定位信息,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。
采用前述步骤S105获得预处理的二维DSA序列图像的最佳帧对应的二值图像,进一步基于二值图像中目标区域的坐标,通过线性变换,将所述目标区域的定位信息还原到所述待处理的二维DSA序列图像中,获得所述目标区域的定位信息在所述目标区域所在的帧的对应的坐标点;将所述目标区域的定位信息在所述目标区域所在的帧的对应的坐标点进行连线,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。
在具体实施过程中,为了保证目标区域定位的准确性,将坐标点进行连线时,坐标点的个数不宜过少,至少应包括三个坐标点。
采用本说明书实施例提供的方法,对二维DSA序列图像进行定位,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,提高判断的准确度。
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3所示。图3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301,接收待处理的二维DSA序列图像;
处理单元303,对待处理的二维DSA序列图像进行定位;
输出单元305,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 (8)
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序列图像进行预处理,其中,所述待处理的二维DSA序列图像是多帧的;
将所述预处理的二维DSA序列图像输入分类模型,获得所述预处理的二维DSA序列图像的最佳帧对应的二值图像,其中,所述分类模型是基于机器学习方法预先获得的模型,所述分类模型能够将所述预处理的二维DSA序列图像转换为对应的矩阵,通过矩阵图像转换算法将所述矩阵转化为对应的二值图像,所述二值图像中的黑色区域表示背景和/或非目标区域,所述二值图像中的白色区域表示目标区域;
将所述二值图像输入聚类模型,对所述二值图像中属于目标区域的各像素点进行聚类,得到新的二值图像,其中,所述聚类模型是基于无监督机器学习方法预先获得的模型;
基于所述新的二值图像中目标区域的定位信息,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。
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序列图像进行预处理,具体包括:
对所述待处理的二维DSA序列图像进行图像尺寸缩放和/或图像像素值归一化和/或图像像素间距归一化,使所述待处理的二维DSA序列图像保持相同的尺寸及相同的像素间距,其中,所述尺寸包括物理尺寸及分辨率。
3.如权利要求1所述的方法,其特征在于,所述将所述预处理的二维DSA序列图像输入分类模型,获得所述预处理的二维DSA序列图像的最佳帧对应的二值图像,具体包括:
将所述预处理的二维DSA序列图像输入分类模型,所述分类模型将所述预处理的二维DSA序列图像各帧的像素点进行分类,转化为所述预处理的二维DSA序列图像对应的二值图像,并确定所述预处理的二维DSA序列图像的最佳帧对应的二值图像。
4.如权利要求1所述的方法,其特征在于,所述基于所述新的二值图像中目标区域的定位信息,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:
基于所述新的二值图像中目标区域的坐标,通过线性变换,将所述目标区域的定位信息还原到所述待处理的二维DSA序列图像中,获得所述目标区域的定位信息在所述目标区域所在的帧的对应的坐标点;
将所述目标区域的定位信息在所述目标区域所在的帧的对应的坐标点进行连线,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。
5.一种基于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,其中,所述待处理的二维DSA序列图像是多帧的;
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;
其中,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序列图像进行预处理,其中,所述待处理的二维DSA序列图像是多帧的;
将所述预处理的二维DSA序列图像输入分类模型,获得所述预处理的二维DSA序列图像的最佳帧对应的二值图像,其中,所述分类模型是基于机器学习方法预先获得的模型,所述分类模型能够将所述预处理的二维DSA序列图像转换为对应的矩阵,通过矩阵图像转换算法将所述矩阵转化为对应的二值图像,所述二值图像中的黑色区域表示背景和/或非目标区域,所述二值图像中的白色区域表示目标区域;
将所述二值图像输入聚类模型,对所述二值图像中属于目标区域的各像素点进行聚类,得到新的二值图像,其中,所述聚类模型是采用k均值算法,基于无监督机器学习方法预先获得的模型;
基于所述新的二值图像中目标区域的定位信息,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。
6.如权利要求5所述的系统,其特征在于,所述对待处理的二维DSA序列图像进行预处理,具体包括:
对所述待处理的二维DSA序列图像进行图像尺寸缩放和/或图像像素值归一化和/或图像像素间距归一化,使所述待处理的二维DSA序列图像保持相同的尺寸及相同的像素间距,其中,所述尺寸包括物理尺寸及分辨率。
7.如权利要求5所述的系统,其特征在于,所述将所述预处理的二维DSA序列图像输入分类模型,获得所述预处理的二维DSA序列图像的最佳帧对应的二值图像,具体包括:
将所述预处理的二维DSA序列图像输入分类模型,所述分类模型将所述预处理的二维DSA序列图像各帧的像素点进行分类,转化为所述预处理的二维DSA序列图像对应的二值图像,并确定所述预处理的二维DSA序列图像的最佳帧对应的二值图像。
8.如权利要求5所述的系统,其特征在于,所述基于所述新的二值图像中目标区域的定位信息,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:
基于所述新的二值图像中目标区域的坐标,通过线性变换,将所述目标区域的定位信息还原到所述待处理的二维DSA序列图像中,获得所述目标区域的定位信息在所述目标区域所在的帧的对应的坐标点;
将所述目标区域的定位信息在所述目标区域所在的帧的对应的坐标点进行连线,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910782461.1A CN110634129B (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 |
---|---|---|---|
CN201910782461.1A CN110634129B (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 |
---|---|
CN110634129A CN110634129A (zh) | 2019-12-31 |
CN110634129B true CN110634129B (zh) | 2022-08-23 |
Family
ID=68970802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910782461.1A Active CN110634129B (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) | CN110634129B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107958453A (zh) * | 2017-12-01 | 2018-04-24 | 深圳蓝韵医学影像有限公司 | 乳腺图像病变区域的检测方法、装置及计算机存储介质 |
CN108596944A (zh) * | 2018-04-25 | 2018-09-28 | 普联技术有限公司 | 一种提取运动目标的方法、装置及终端设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050033139A1 (en) * | 2002-07-09 | 2005-02-10 | Deus Technologies, Llc | Adaptive segmentation of anatomic regions in medical images with fuzzy clustering |
CN104143101A (zh) * | 2014-07-01 | 2014-11-12 | 华南理工大学 | 一种基于超声图像的乳腺肿瘤区域自动识别方法 |
WO2017042812A2 (en) * | 2015-09-10 | 2017-03-16 | Magentiq Eye Ltd. | A system and method for detection of suspicious tissue regions in an endoscopic procedure |
CN107845098A (zh) * | 2017-11-14 | 2018-03-27 | 南京理工大学 | 基于随机森林和模糊聚类的肝癌图像全自动分割方法 |
CN109447998B (zh) * | 2018-09-29 | 2020-12-18 | 华中科技大学 | 基于PCANet深度学习模型下的自动分割方法 |
CN109583576B (zh) * | 2018-12-17 | 2020-11-06 | 上海联影智能医疗科技有限公司 | 一种医学图像处理装置及方法 |
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 |
CN110097071A (zh) * | 2019-03-18 | 2019-08-06 | 深圳蓝韵医学影像有限公司 | 基于谱聚类与K-means结合的乳腺病变区域的识别方法与装置 |
-
2019
- 2019-08-23 CN CN201910782461.1A patent/CN110634129B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107958453A (zh) * | 2017-12-01 | 2018-04-24 | 深圳蓝韵医学影像有限公司 | 乳腺图像病变区域的检测方法、装置及计算机存储介质 |
CN108596944A (zh) * | 2018-04-25 | 2018-09-28 | 普联技术有限公司 | 一种提取运动目标的方法、装置及终端设备 |
Non-Patent Citations (3)
Title |
---|
An Improved Full Convolutional Network Combined with Conditional Random Fields for Brain MR Image Segmentation Algorithm and its 3D Visualization Analysis;Jiemin Zhai 等;《Journal of Medical Systems (2019)》;20190723;全文 * |
Study on the improved fuzzy clustering algorithm and its application in brain image segmentation;Tianbao Ren 等;《Applied Soft Computing Journal 81 (2019)》;20190517;全文 * |
原发性肺癌孤立性结节的自动提取;于立燕 等;《生物医药工程研究》;20031231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110634129A (zh) | 2019-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020260936A1 (en) | Medical image segmentation using an integrated edge guidance module and object segmentation network | |
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 | |
CN111081378B (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
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 | |
CN109816650B (zh) | 一种基于二维dsa图像的目标区域识别方法及其系统 | |
CN111584077A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN112308113A (zh) | 一种基于半监督的目标识别方法、设备及介质 | |
CN110534193A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN109671069B (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 | |
CN111105425A (zh) | 一种基于颅脑影像数据的对称轴/对称面提取方法及系统 | |
CN110517243B (zh) | 一种基于dsa图像的定位方法及系统 | |
CN110517244B (zh) | 一种基于dsa图像的定位方法及系统 | |
CN116030247B (zh) | 一种医学图像样本生成方法、装置、存储介质及电子设备 | |
CN110503642B (zh) | 一种基于dsa图像的定位方法及系统 | |
CN110634129B (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 | |
CN109377504B (zh) | 一种颅内动脉血管图像分割方法及系统 | |
CN111584076A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN112185550A (zh) | 一种分型方法、装置以及设备 | |
CN113130078B (zh) | 一种预测颅内动脉瘤闭塞的方法、装置以及设备 | |
CN109671067B (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 | |
CN113205508B (zh) | 一种基于影像数据的分割方法、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 | |
CN114972241A (zh) | 基于残差神经网络胎儿超声切面量化质控考核方法及装置 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20191231 Assignee: UNION STRONG (BEIJING) TECHNOLOGY Co.,Ltd. Assignor: XUANWU HOSPITAL OF 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 |