CN110652312A - 一种血管cta智能分析系统及应用 - Google Patents
一种血管cta智能分析系统及应用 Download PDFInfo
- Publication number
- CN110652312A CN110652312A CN201910657215.3A CN201910657215A CN110652312A CN 110652312 A CN110652312 A CN 110652312A CN 201910657215 A CN201910657215 A CN 201910657215A CN 110652312 A CN110652312 A CN 110652312A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- module
- blood vessel
- automatic
- result
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 109
- 238000004458 analytical method Methods 0.000 title claims abstract description 45
- 230000011218 segmentation Effects 0.000 claims abstract description 181
- 238000005259 measurement Methods 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims description 44
- 230000000694 effects Effects 0.000 claims description 31
- 238000011084 recovery Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 10
- 238000004393 prognosis Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000002792 vascular Effects 0.000 claims description 5
- 238000001356 surgical procedure Methods 0.000 claims description 2
- 210000003090 iliac artery Anatomy 0.000 description 63
- 210000000709 aorta Anatomy 0.000 description 60
- 238000012549 training Methods 0.000 description 42
- 238000010968 computed tomography angiography Methods 0.000 description 38
- 239000011159 matrix material Substances 0.000 description 24
- 208000007474 aortic aneurysm Diseases 0.000 description 17
- 201000010099 disease Diseases 0.000 description 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 16
- 208000002223 abdominal aortic aneurysm Diseases 0.000 description 15
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 12
- 238000000605 extraction Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 239000002872 contrast media Substances 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 208000002251 Dissecting Aneurysm Diseases 0.000 description 4
- 210000000702 aorta abdominal Anatomy 0.000 description 4
- 206010002895 aortic dissection Diseases 0.000 description 4
- 210000004351 coronary vessel Anatomy 0.000 description 4
- 210000002254 renal artery Anatomy 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000001363 mesenteric artery superior Anatomy 0.000 description 3
- 238000002203 pretreatment Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 208000034693 Laceration Diseases 0.000 description 2
- 208000007536 Thrombosis Diseases 0.000 description 2
- 230000003187 abdominal effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002513 implantation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 210000000683 abdominal cavity Anatomy 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000006496 vascular abnormality Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Vascular Medicine (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种血管CTA智能分析系统及应用，包括：获取模块，用于获取待分析的血管CTA图像数据；自动分割模块，用于根据所述CTA图像数据对其中的血管进行分割，以获取分割结果；自动拉直模块，用于根据所述分割结果对血管进行自动拉直处理；自动测量模块，用于对拉直处理之后的血管进行自动测量，以获取测量结果。由上，上述智能分析系统将自动分析的结果提供给用户参考，以使得用户据此获得更加精准的治疗。
Description
技术领域
本发明涉及医学影像领域，特别是涉及一种血管CTA智能分析系统及应用。
背景技术
CT血管造影(CTA，CT angiography)是将CT增强技术与薄层、大范围、快速扫描技术相结合，通过合理的后处理，清晰显示全身各部位血管细节，具有无创和操作简便的特点，对于血管变异、血管疾病以及显示病变和血管关系有重要价值。
利用上述CTA技术，很多医疗器械厂家都开发了相关的CTA血管分析产品，例如GE的AW工作站、Philips的EBW工作站、Siemens 的Syngo.via和Toshiba的Vitrea中都包含有丰富且稳定的CTA血管分析功能。CTA血管分析相关产品的发展方向不仅仅是覆盖不同位置不同形态的血管，同时也在结合疾病种类不断深入，例如3mensio就开发了主动脉瘤分析功能。CTA相关产品种类繁多，但是基本流程比较固定，主要可分为血管分割、血管拉直和测量几个方面，多年来没有明显的改进和变化。
虽然不乏国际医疗器械厂商开发了众多的CTA血管分析产品，但是它们存在一些共同的缺陷。首先，目前各产品的分割算法都是基于造影剂灰度值开发的，因此对于造影剂充盈的血管，分割效果还是不错的，但是对于造影剂缺乏或者不均匀的血管部位，分割效果就要差很多，往往会产生较为明显的过分割或者欠分割现象，严重影响了后续测量的准确性。另外，由于现有分割方法的局限，不含造影剂的血管壁难以准确提取。而对于由某些疾病导致的血管异常，如主动脉夹层和主动脉瘤，造影剂不够充盈的管腔和长期形成的血栓都会对分割带来极大的挑战，现有分割方法很难处理好上述情况。且虽然现有的CTA分析产品中含有花式繁多的测量工具，但基本上都是以人工手动测量为主，流程相对繁琐，且具有较强的主观性。
因此，目前亟需一种血管CTA智能分析系统及应用，以进行自动分析并将分析结果可以提供给用户参考，以使得用户据此获得更加精准的治疗。
发明内容
有鉴于此，本申请提供一种血管CTA智能分析系统及应用，以进行自动分析并将分析结果可以提供给用户参考，以使得用户据此获得更加精准的治疗。
本申请提供一种血管CTA智能分析系统，包括：
获取模块，用于获取待分析的血管CTA图像数据；
自动分割模块，用于根据所述CTA图像数据对其中的血管进行分割，以获取分割结果；
自动拉直模块，用于根据所述分割结果对血管进行自动拉直处理；
自动测量模块，用于对拉直处理之后的血管进行自动测量，以获取测量结果。
由上，本申请通过上述智能分析系统，可以自动获取分割结果以及拉直之后的测量结果，有利于将分析结果可以提供给用户参考，以使得用户据此获得更加精准的治疗。
优选地，所述系统，还包括：
手术方案推荐模块，用于根据所述分割结果和\或所述测量结果进行分析，当判断需要手术时推荐手术方案。
由上，现有技术中的测量结果最终只是体现在报告中，为诊断提供了一定的参考数值，并没有进一步为介入治疗提供建议，本申请通过手术方案推荐模块，可以向用户推荐手术方案，有利于使得用户参考推荐的手术方案进行更加精准的治疗。
优选地，所述系统，还包括：
预后预测模块，用于提供预测恢复效果。
由上，本申请可以预测当前病例一段时间后的恢复效果。该模块建立于大量、准确的随访数据之上，随访数据包含但不限于患者一段时间内的检查结果，具体内容根据病种和用户的累积数据来定；分析方法包含但不限于影像组学、深度学习等方法，本发明集成了多种数据分析方法，用户可以自主选择。有利于基于患者自身进行精准医疗。
优选地，所述系统，还包括：
分割修正模块，用于对所述自动分割模块的分割结果进行分割修正。
由上，任何自动分割算法在某些局部细节的分割上都可能存在误差，表现为过分割或者欠分割；不同医生对于争议区域的分割也可能存在分歧，为了解决上述问题，本发明还可以对所述分割结果进行修正。其中，本申请的分割线为可以调整的，通过该模块可以实现对分割线的调整，用户可以对自动分割结果随意调整，直到满意为止；用户也可以不使用血管自动分割直接半自动或手动提取血管，但本发明不建议这样做，因为半自动或手动提取血管相对繁琐，且可重复性较差。
优选地，所述自动拉直模块，具体用于：
识别待提线区域的血管的起始点和终止点；
根据所述起止点和终止点提取血管的中心线；
根据所述中心线将所述血管拉直。
由上，中心线提取有多种方法，包含但不限于追踪法、光线投射法和形态学方法等，本发明采用了基于表面模型的球心轨迹追踪法，再结合不同部位血管的预处理方法提取中心线，效果准确且稳定。
优选地，所述系统，还包括：
中心线编辑模块，用于对所述中心线的起止点进行修正编辑。
由上，若用户对自动提取的中心线不太满意，可以通过中心线编辑模块109调整中心线，直至满意为止。最终的血管拉直结果可以是结合了机器自动提取、用户调整起止点、用户编辑中心线的效果。
优选地，所述系统，还包括：
定位线修正模块，用于对所述自动测量模块测量时的定位线进行修正。
由上，用户可以通过所述定位线修正模块，以使得定位线被调整至满意为止。
优选地，所述系统，还包括：
报告生成模块，用于根据所述自动分割模块的分割结果、所述自动测量模块的测量结果、所述手术方案推荐模块推荐的手术方案以及所述预后预测模块预测的恢复效果生成报告。
由上，根据实际需要，该结构化报告可分为医生版和患者版，医生版内容相对更加专业一些，用于医院存档或者作为随访数据的一部分；患者版更加简单明了一些，尽量让普通老百姓也能看懂其内容。报告的实际形式包含但不限于上述形式。有利于用户据此进行更加精准的医疗。
基于前述的智能分析系统，本申请还提供一种血管CTA智能分析方法，包括：
A、获取待分析的血管CTA图像数据；
B、根据所述CTA图像数据对其中的血管进行分割，以获取分割结果；
C、根据所述分割结果对血管进行自动拉直处理；
D、对拉直处理之后的血管进行自动测量，以获取测量结果；
E、用于根据所述分割结果和\或所述测量结果进行分析，当判断需要手术时推荐手术方案；
F、提供预测恢复效果；
G、根据所述分割结果、所述测量结果、所述推荐手术方案以及所述预测恢复效果生成报告。
由上，本申请通过上述血管CTA智能分析的方法对血管CAT的自动分割、自动拉直以及自动测量，并进行手术方案的推荐，以及进行预后预测，以及生成报告，以推荐给用户参考，以有利于患者的精准治疗。
优选地，所述步骤B，还包括：对所述分割结果进行修正；
所述步骤C，还包括：对自动拉直处理时的中心线进行修正编辑；
所述步骤D，包括：对自动测量时的定位线进行修正。
由上，通过上述修正步骤，有利于获取更加精准的分割及测量结果。
综上所述，本申请通过上述系统及方法对血管CAT图像进行感兴趣区域的自动分割、自动拉直以及自动测量，并进行手术方案的推荐，以及进行预后预测，以及生成报告，以推荐给用户，以有利于患者的精准治疗。
附图说明
图1为本申请实施例提供的一种血管CTA智能分析系统的结构示意图；
图2为本申请实施例提供的腹主动脉瘤分割示例图；其中，a、b、 d分别为轴位图、矢位图和冠位图，图像中彩色区域为叠加的血管掩模；c为分割结果的3D效果图，其中蓝色区域为腹主动脉壁，其上分布的绿点为钙化区域，黄色分支为腹腔干、亮蓝色分支为肠系膜上动脉、紫色分支为肾动脉、棕黄色分支为髂动脉；
图3为本申请实施例提供的一种腹主动脉瘤拉直3D效果图；其中，a中的中间线表示提取的其中一条血管的中心线；其中，b表示根据提取的中心线拉直之后的血管；
图4为本申请实施例提供的腹主动脉瘤自动测量的效果示意图：两条虚线为自动检测的关键位置——靠上为肾动脉下缘，靠下为腹主动脉分叉处；两个关键位置之间的长度为d；由两个关键位置确定区域的管腔体积和血栓体积可以自动得出；右侧L1和L2曲线分别为管腔最短径和最长径曲线，关键位置处的最长、短直径可以与图像一一对应；
图5为本申请实施例提供的一种血管CTA智能分析方法的流程示意图。
具体实施方式
下面将结合本申请实施例中的附图对本申请进行说明。
实施例一
如图1所示，本申请提供了一种血管CTA智能分析的系统，包括：
获取模块101，用于获取血管的CTA图像数据。
自动分割模块102，用于根据所述CTA图像数据对其中的血管进行分割，以获取分割结果。
具体地，提取感兴趣的血管区域，包含但不限于管腔、血管壁以及相关的分支血管，以本发明中的腹主动脉瘤分割为例，如图2所示，分割算法能够自动区分腹主动脉、血管壁、髂动脉和关键分支血管并标记为不同的label值，分割算法包含但不限于传统的基于模型、基于梯度特征、基于区域相似性等方法，本发明采用了最近较为流行的深度学习方法，本发明可提取的血管区域包含但不限于图2中的例子，本发明对头部血管和冠状动脉等其他部位血管同样适用。本发明可提取的血管区域包含但不限于图2中的例子，本发明对头部血管和冠状动脉等其他部位血管同样适用。
本申请在分割时，首先通过模型构建子模块进行了模型的构建，包括：主动脉和髂动脉的粗分割模型的构建；主动脉细分割模型的构建；髂动脉细分割模型的构建。具体地，包括：
A1、获取指定数量的图像数据；并对所述图像数据进行预处理生成训练集。获取指定数量的图像数据；所用数据来源于多个厂家的 CT设备(西门子，飞利浦，GE，东芝等)，经过医生标注后，作为金标准。并进一步地对所述图像进行处理，首先，统计所有图像数据的x、y和z方向上的各个间隔，并分别求得x方向上的间隔的平均值、y方向上的间隔的平均值、z方向上的间隔的平均值。然后，使用三线性插值对图像进行缩放，将x、y和z方向上的各个间隔分别调整至所述x方向上的间隔的平均值、所述y方向上的间隔的平均值、所述z方向上的间隔的平均值。对于金标准，使用最近邻插值对其缩放，使其与图像尺寸相同。设缩放后的图像为img，金标准为gt。
A2、根据预处理之后的图像数据，分别生成主动脉和髂动脉粗分割模型训练所需的训练集；以及生成主动脉细分割模型训练所需的训练集以及生成髂动脉细分割模型训练所需的训练集。
a.生成主动脉和髂动脉粗分割所需的训练集
计算训练集中所有图像img的平均尺寸，得到所有图像的平均尺寸shape_mean。将金标准中主动脉区域的体素值置为1，髂动脉区域的体素值置为2，背景的体素值置为0。使用三线性插值将所有图像所述缩放到shape_mean，得到img_zoom。使用最近邻插值将对应的 gt缩放到shape_mean，得到gt_zoom。最后，由img_zoom和对应的 gt_zoom的独热编码组成训练集。
b.生成髂动脉细分割所需的训练集
对gt中的髂动脉区域进行剪裁，得到gt_bottom。将gt_bottom中髂动脉管腔、髂动脉壁和钙化区域的体素值分别置为1、2和3，背景的体素值置为0。对图像img进行同样的剪裁，得到img_bottom。计算训练集中所有img_bottom的平均尺寸，得到shape_bottom_mean。使用三线性插值将所有img_bottom缩放到shape_bottom_mean，得到 img_bottom_zoom。使用最近邻插值将对应的gt_bottom缩放到 shape_bottom_mean，得到gt_bottom_mean。最后，由img_bottom_zoom 和对应的gt_bottom_zoom的独热编码组成训练集。
c.生成主动脉细分割所需的训练集
对gt中主动脉区域进行剪裁，得到gt_top。将gt_top中的主动脉管腔、主动脉壁、腹腔干、肠系膜上动脉、左右肾动脉和钙化区域的体素值分别置为1、2、3、4、5和6，背景的体素值置为0。对img 进行同样的剪裁，得到img_top。计算训练集中所有img_top的平均尺寸，得到shape_top_mean。使用三线性插值将所有img_top缩放到shape_top_mean，得到img_bottom_zoom。使用最近邻插值将对应的 gt_top缩放shape_top_mean，得到gt_top_zoom。最后，由 img_bottom_zoom和对应的gt_bottom_zoom的独热编码组成训练集。
A3、利用所述训练集分别进行模型训练；以分别获取主动脉和髂动脉粗分割模型，主动脉细分割模型以及髂动脉细分割模型。
建立UNet++深度学习模型，其由多个不同深度的UNet网络堆叠而成，并共用最左侧提取的特征，每一横行的结构与DenseNet结构类似。
我们需要训练三个分割模型，分别为主动脉、髂动脉粗分割模型，髂动脉细分割模型和主动脉细分割模型。设输入图像为img，根据下式对输入图像进行标准化处理：
其中，imgprocessed为标准化后的图像，mean和std分别为当前分割任务的训练集中所有图像的体素均值和标准差。
训练时，每次将一批imgprocessed(尺寸为b，c，z，y，x，分别代表每批图像个数，通道数，z轴尺寸，y轴尺寸，x轴尺寸)作为网络的输入，网络的输出为predict(尺寸为b，c，z，y，x，分别代表每批图像个数，类别数，z轴尺寸，y轴尺寸，x轴尺寸)。将predict带入如下所示的softmax函数中，获得每个体素属于某个类别的概率：
其中，Si,j表示第i个体素属于类别j的概率，Pi,j和Pi,k分别表示 predict中，第i个体素中的类别j和类别k的值。对于分割任务而言，我们期望实现模型的预测结果与血管外科医生手动分割的金标准之间的重叠度最大。这种重叠度可以用Dice Similarity Score(DSC)来衡量，DSC的可微分形式可用下式表示：
其中，b为每批次的图像数量，c为类别数，Si,j为softmax分类后，第i张图的第j个类别的概率矩阵，Gi,j为第i张图的第j个类别的金标准矩阵；×表示矩阵对应元素相乘。最后，损失函数可表示为 1-Dice，采用Adam优化算法对其进行优化。
进一步地，基于上述的模型，通过分割子模块，进行腹主动脉瘤边界分割，包括：
B1、获取待分割的图像。
B2、对所述待分割的图像进行主动脉和髂动脉的粗分割。具体地，包括：将待分割的图像由原始尺寸缩小到粗分割模型训练时的图像的尺寸，并进行标准化处理；将标准化处理后的图像输入至主动脉和髂动脉粗分割模型中，并将获取的输出结果进行softmax分类处理，以得到粗分割概率矩阵；将概率矩阵放大到所述待分割的图像的原始尺寸；其中，所述概率矩阵由各个体素组成；对于每个体素，将概率最大的类别作为当前体素所属的类别，以据此获取主动脉和髂动脉粗分割的结果。
B3、根据所述主动脉和髂动脉的粗分割的结果进行主动脉的细分割和髂动脉的细分割。具体地，包括：根据所述主动脉和髂动脉粗分割的结果，从待分割的图像中分别剪裁出初始尺寸的主动脉区域和髂动脉区域；对于剪裁区域以外的部分，认为属于背景。将所述主动脉区域缩小至主动脉细分割模型训练时的图片的尺寸，以及将所述髂动脉区域分别缩小至髂动脉细分割模型训练时的图片的尺寸，并分别进行标准化处理，以分别获取处理后的主动脉区域和髂动脉区域；将处理后的主动脉区域和髂动脉区域分别输入至主动脉细分割模型和髂动脉细分割模型中，并对输出结果分别做分类处理，以分别得到主动脉细分割概率矩阵和髂动脉细分割概率矩阵；将所述主动脉细分割概率矩阵和髂动脉细分割概率矩阵分别放大回所述初始尺寸；其中，所述概率矩阵由各个体素组成；对于每个体素，将其概率最大的类别作为所述体素所属的类别，以据此分别获取主动脉细分割结果和髂动脉细分割结果。
B4、将所述主动脉细分割结果和髂动脉细分割结果进行融合，以获取融合后的分割结果。其中，对于同时属于主动脉和髂动脉的体素，选择概率矩阵中概率值达到最大时所对应的类别作为所述体素的类别，以获取融合之后的结果。
进一步地，为了提高分割的精确度，本申请还包括：分割修正模块108，用于对自动分割模块102的分割结果进行修正。任何自动分割算法在某些局部细节的分割上都可能存在误差，表现为过分割或者欠分割；不同医生对于争议区域的分割也可能存在分歧，为了解决上述问题，本发明还可以对所述分割结果进行修正。其中，本申请的分割线为可以调整的，用户可以对自动分割结果随意调整，直到满意为止；用户也可以不使用血管自动分割102，直接半自动或手动提取血管，但本发明不建议这样做，因为半自动或手动提取血管相对繁琐，且可重复性较差。
自动拉直模块103，用于根据所述分割结果对血管进行自动拉直处理；具体用于：识别感兴趣的血管区域的血管的起始点和终止点；根据所述起止点和终止点提取血管的中心线；根据所述中心线将所述血管拉直。
具体地，将迂曲的血管拉直，拉直的目的是为了实现精确测量，因为在迂曲走行的血管上测量感兴趣区域长度或者直径会产生较大的误差，可能会影响医生的判断。血管自动拉直的直观效果如图3所示。血管拉直的关键步骤为中心线提取，中心线提取有多种方法，包含但不限于追踪法、光线投射法和形态学方法等，本发明采用了基于表面模型的球心轨迹追踪法，再结合不同部位血管的预处理方法提取中心线，效果准确且稳定。
提取血管中心线可以基于源图像、可以基于分割结果，也可以手动定义，由于本发明的分割效果准确稳定，为了实现自动提取，本发明采用了基于自动分割结果的方式。提取中心线前，本发明会自动识别待提线区域的起始点和终止点，这两个点的位置决定了中心线的起始和终止位置，也间接确定了拉直的区域。通过医生修正确认过的分割结果基本可以保证起止点的精准定位，保险起见我们提供了中心线编辑模块109，用于对自动拉直模块103中提取的中心线进行编辑。例如，如果机器自动定位的起止点不够准确，用户可以重新定义，最终机器将按照用户确认过的起止点提取中心线；所述中心线编辑模块 109的另外一个功能是用户可以通过选取起止点来分割其感兴趣的局部血管。默认起止点的位置可以根据用户需求来设定，例如在腹主动脉瘤CTA智能分析中，起点定义为腹腔干以上20mm处，终点定义为髂外动脉分叉处，这两点之间的主动脉是医生最关心的区域。
若用户对自动提取的中心线不太满意，可以通过中心线编辑模块 109调整中心线，直至满意为止。最终的血管拉直结果可以是结合了机器自动提取、用户调整起止点、用户编辑中心线的效果，但从产品试用的情况来看，机器自动提取的效果通常已经可以满足用户的需求了。
自动测量模块104，用于对拉直处理之后的血管进行自动测量，以获取测量结果。
不同部位、不同病种的关键位置不同，要测量的信息也有所不同。本发明以腹主动脉瘤自动测量为例来说明自动测量模块104。腹主动脉瘤自动测量不仅需要获取102和103中的自动处理结果，还需要自动检测各分支血管与主动脉相交的位置，这些位置将拉直后的主动脉分成了若干段，接下来的自动测量结果都是基于这些段进行的。为了避免关键位置自动检测误差较大带来的影响，本申请还提供了定位线修正模块110，用于对所述自动测量模块104测量时的定位线进行修正。其中，所述定位线可以自动被修正，也可以手动进行调整，直至用户满意为止；图4中的虚线为腹主动脉瘤自动测量中两个关键位置的自动检测结果，这两个关键位置将拉直后的血管分为三段，针对其中任一段都可以自动获取长度d，感兴趣区域的体积，以及关键位置处的管腔最大、小直径。上述只是自动测量的一个实例，本发明可以根据不同部位血管或者不同病种定制自动测量的内容。
手术方案推荐模块105，用于根据所述分割结果和\或所述测量结果进行分析并推荐手术方案。上述模块适用于不同部位、不同病种的血管分析，进一步的，如果用户认为当前病例需要进行手术，本发明还提供了手术方案推荐模块105。手术方案推荐模块105以高年资医生的多年经验积累为基础，结合102、103和104的实际分析结果，给出部分可能的手术参数给用户提供参考。以B型主动脉夹层CTA 为例，该疾病通常采用支架植入封堵破口的方法进行治疗，但是支架有多种型号，具体该选择哪一种疗效更好不容易判断。本发明根据血管分割结果、血管拉直结果和自动测量结果结合高年资医生的先验知识给出1-4种支架选型方案，包括支架的长度，支架的安放位置，支架近、远心端开口直径等多种参数，同时辅以VR三维联动显示，用户可以直观查看术前规划效果。由于手术方案推荐和病种息息相关，征象类似但原因不同的病种往往会有大相径庭的手术方式，因此推荐手术方案的制定必须和高年资临床医生达成高度的沟通协作。本发明包含但不限于B型主动脉夹层CTA手术方案的推荐，随着产品的推广应用，本发明将纳入更多病种、更多类型的手术方案。
预后预测模块106，用于提供指定时间内的预测恢复效果。本申请可以预测当前病例一段时间后的恢复效果。该模块建立于大量、准确的随访数据之上，随访数据包含但不限于患者一段时间内的检查结果，具体内容根据病种和用户的累积数据来定；分析方法包含但不限于影像组学、深度学习等方法，本发明集成了多种数据分析方法，用户可以自主选择。
报告生成模块107，用于根据前述的各个模块的输出结果，生成分析报告。具体地，将前述的分割结果、测量结果、分析结果以及手术方案的推荐以及预测恢复效果整合而成的结构化报告，根据实际需要，该结构化报告可分为医生版和患者版，医生版内容相对更加专业一些，用于医院存档或者作为随访数据的一部分；患者版更加简单明了一些，尽量让普通老百姓也能看懂其内容。报告的实际形式包含但不限于上述形式。
综上所述，本申请通过上述血管智能分析的系统对血管CAT的自动分割、自动拉直以及自动测量，并进行手术方案的推荐，以及进行预后预测，以及生成报告，以推荐给用户参考，以有利于患者的精准治疗。
实施例二
基于实施例一中的系统，本申请还提供一种血管CTA智能分析方法，包括：
S501，获取待分析的血管CTA图像数据。
S502，根据所述CTA图像数据对其中的血管进行分割，以获取分割结果。
其中，所述对血管进行分割包括：提取感兴趣的血管区域，包含但不限于管腔、血管壁以及相关的分支血管，具体地，以本发明中的腹主动脉瘤分割为例，如图2所示，能够自动区分腹主动脉、血管壁、髂动脉和关键分支血管并标记为不同的label值，分割算法包含但不限于传统的基于模型、基于梯度特征、基于区域相似性等方法，本发明采用了深度学习方法，本发明可提取的血管区域包含但不限于图2 中的例子，本发明对头部血管和冠状动脉等其他部位血管同样适用。本发明可提取的血管区域包含但不限于图2中的例子，本发明对头部血管和冠状动脉等其他部位血管同样适用。
本申请在分割时，首先进行了模型的构建，包括：主动脉和髂动脉的粗分割模型的构建；主动脉细分割模型的构建；髂动脉细分割模型的构建。具体地，包括：
获取指定数量的图像数据；并对所述图像数据进行预处理生成训练集。获取指定数量的图像数据；所用数据来源于多个厂家的CT设备(西门子，飞利浦，GE，东芝等)，经过医生标注后，作为金标准。并进一步地对所述图像进行处理，首先，统计所有图像数据的x、 y和z方向上的各个间隔，并分别求得x方向上的间隔的平均值、y 方向上的间隔的平均值、z方向上的间隔的平均值。然后，使用三线性插值对图像进行缩放，将x、y和z方向上的各个间隔分别调整至所述x方向上的间隔的平均值、所述y方向上的间隔的平均值、所述 z方向上的间隔的平均值。对于金标准，使用最近邻插值对其缩放，使其与图像尺寸相同。设缩放后的图像为img，金标准为gt。
根据预处理之后的图像数据，分别生成主动脉和髂动脉粗分割模型训练所需的训练集；以及生成主动脉细分割模型训练所需的训练集以及生成髂动脉细分割模型训练所需的训练集。
a.生成主动脉和髂动脉粗分割所需的训练集
计算训练集中所有图像img的平均尺寸，得到所有图像的平均尺寸shape_mean。将金标准中主动脉区域的体素值置为1，髂动脉区域的体素值置为2，背景的体素值置为0。使用三线性插值将所有图像所述缩放到shape_mean，得到img_zoom。使用最近邻插值将对应的 gt缩放到shape_mean，得到gt_zoom。最后，由img_zoom和对应的 gt_zoom的独热编码组成训练集。
b.生成髂动脉细分割所需的训练集
对gt中的髂动脉区域进行剪裁，得到gt_bottom。将gt_bottom中髂动脉管腔、髂动脉壁和钙化区域的体素值分别置为1、2和3，背景的体素值置为0。对图像img进行同样的剪裁，得到img_bottom。计算训练集中所有img_bottom的平均尺寸，得到shape_bottom_mean。使用三线性插值将所有img_bottom缩放到shape_bottom_mean，得到 img_bottom_zoom。使用最近邻插值将对应的gt_bottom缩放到 shape_bottom_mean，得到gt_bottom_mean。最后，由img_bottom_zoom 和对应的gt_bottom_zoom的独热编码组成训练集。
c.生成主动脉细分割所需的训练集
对gt中主动脉区域进行剪裁，得到gt_top。将gt_top中的主动脉管腔、主动脉壁、腹腔干、肠系膜上动脉、左右肾动脉和钙化区域的体素值分别置为1、2、3、4、5和6，背景的体素值置为0。对img 进行同样的剪裁，得到img_top。计算训练集中所有img_top的平均尺寸，得到shape_top_mean。使用三线性插值将所有img_top缩放到 shape_top_mean，得到img_bottom_zoom。使用最近邻插值将对应的gt_top缩放shape_top_mean，得到gt_top_zoom。最后，由 img_bottom_zoom和对应的gt_bottom_zoom的独热编码组成训练集。
利用所述训练集分别进行模型训练；以分别获取主动脉和髂动脉粗分割模型，主动脉细分割模型以及髂动脉细分割模型。
建立UNet++深度学习模型，其由多个不同深度的UNet网络堆叠而成，并共用最左侧提取的特征，每一横行的结构与DenseNet结构类似。
我们需要训练三个分割模型，分别为主动脉、髂动脉粗分割模型，髂动脉细分割模型和主动脉细分割模型。设输入图像为img，根据下式对输入图像进行标准化处理：
其中，imgprocessed为标准化后的图像，mean和std分别为当前分割任务的训练集中所有图像的体素均值和标准差。
训练时，每次将一批imgprocessed(尺寸为b，c，z，y，x，分别代表每批图像个数，通道数，z轴尺寸，y轴尺寸，x轴尺寸)作为网络的输入，网络的输出为predict(尺寸为b，c，z，y，x，分别代表每批图像个数，类别数，z轴尺寸，y轴尺寸，x轴尺寸)。将predict带入如下所示的softmax函数中，获得每个体素属于某个类别的概率：
其中，Si,j表示第i个体素属于类别j的概率，Pi,j和Pi,k分别表示 predict中，第i个体素中的类别j和类别k的值。对于分割任务而言，我们期望实现模型的预测结果与血管外科医生手动分割的金标准之间的重叠度最大。这种重叠度可以用Dice Similarity Score(DSC)来衡量，DSC的可微分形式可用下式表示：
其中，b为每批次的图像数量，c为类别数，Si,j为softmax分类后，第i张图的第j个类别的概率矩阵，Gi,j为第i张图的第j个类别的金标准矩阵；×表示矩阵对应元素相乘。最后，损失函数可表示为 1-Dice，采用Adam优化算法对其进行优化。
进一步地，基于上述的模型，进行腹主动脉瘤边界分割，包括：
获取待分割的图像。
对所述待分割的图像进行主动脉和髂动脉的粗分割。具体地，包括：将待分割的图像由原始尺寸缩小到粗分割模型训练时的图像的尺寸，并进行标准化处理；将标准化处理后的图像输入至主动脉和髂动脉粗分割模型中，并将获取的输出结果进行softmax分类处理，以得到粗分割概率矩阵；将概率矩阵放大到所述待分割的图像的原始尺寸；其中，所述概率矩阵由各个体素组成；对于每个体素，将概率最大的类别作为当前体素所属的类别，以据此获取主动脉和髂动脉粗分割的结果。
根据所述主动脉和髂动脉的粗分割的结果进行主动脉的细分割和髂动脉的细分割。具体地，包括：根据所述主动脉和髂动脉粗分割的结果，从待分割的图像中分别剪裁出初始尺寸的主动脉区域和髂动脉区域；对于剪裁区域以外的部分，认为属于背景。将所述主动脉区域缩小至主动脉细分割模型训练时的图片的尺寸，以及将所述髂动脉区域分别缩小至髂动脉细分割模型训练时的图片的尺寸，并分别进行标准化处理，以分别获取处理后的主动脉区域和髂动脉区域；将处理后的主动脉区域和髂动脉区域分别输入至主动脉细分割模型和髂动脉细分割模型中，并对输出结果分别做分类处理，以分别得到主动脉细分割概率矩阵和髂动脉细分割概率矩阵；将所述主动脉细分割概率矩阵和髂动脉细分割概率矩阵分别放大回所述初始尺寸；其中，所述概率矩阵由各个体素组成；对于每个体素，将其概率最大的类别作为所述体素所属的类别，以据此分别获取主动脉细分割结果和髂动脉细分割结果。
将所述主动脉细分割结果和髂动脉细分割结果进行融合，以获取融合后的分割结果。其中，对于同时属于主动脉和髂动脉的体素，选择概率矩阵中概率值达到最大时所对应的类别作为所述体素的类别，以获取融合之后的结果。
其中，为了提高分割的精确度，本申请还包括：S502.1对所述分割结果进行修正。任何自动分割算法在某些局部细节的分割上都可能存在误差，表现为过分割或者欠分割；不同医生对于争议区域的分割也可能存在分歧，为了解决上述问题，本发明还可以对所述分割结果进行修正。其中，本申请的分割线为可以调整的，用户可以对自动分割结果随意调整，直到满意为止；用户也可以不使用血管自动分割 101，直接半自动或手动提取血管，但本发明不建议这样做，因为半自动或手动提取血管相对繁琐，且可重复性较差。
S503，根据所述分割结果对血管进行自动拉直处理。
具体地，所述对血管进行自动拉直处理包括将迂曲的血管拉直，拉直的目的是为了实现精确测量，因为在迂曲走行的血管上测量感兴趣区域长度或者直径会产生较大的误差，可能会影响医生的判断。血管自动拉直的直观效果如图3所示。血管拉直的关键步骤为中心线提取，中心线提取有多种方法，包含但不限于追踪法、光线投射法和形态学方法等，本发明采用了基于表面模型的球心轨迹追踪法，再结合不同部位血管的预处理方法提取中心线，效果准确且稳定。
提取血管中心线可以基于源图像、可以基于分割结果，也可以手动定义，由于本发明的分割效果准确稳定，为了实现自动提取，本发明采用了基于自动分割结果的方式。提取中心线前，本发明会自动识别待提线区域的起始点和终止点，这两个点的位置决定了中心线的起始和终止位置，也间接确定了拉直的区域。通过医生修正确认过的分割结果基本可以保证起止点的精准定位，保险起见本申请还可以包括步骤S503.1中心线编辑，如果机器自动定位的起止点不够准确，用户可以重新定义，最终机器将按照用户确认过的起止点提取中心线；另外，用户可以通过选取起止点来分割其感兴趣的局部血管。默认起止点的位置可以根据用户需求来设定，例如在腹主动脉瘤CTA智能分析中，起点定义为腹腔干以上20mm处，终点定义为髂外动脉分叉处，这两点之间的主动脉是医生最关心的区域。
若用户对自动提取的中心线不太满意，可以通过调整中心线，直至满意为止。最终的血管拉直结果可以是结合了机器自动提取、用户调整起止点、用户编辑中心线的效果。但从产品试用的情况来看，机器自动提取的效果通常已经可以满足用户的需求了。
S504，对拉直处理之后的血管进行自动测量，以获取测量结果。
通常用户可以使用测量工具测量任意感兴趣区域的量化信息，但通过该模块，用户只需要关注特定位置的测量即可，同时这些测量结果可以对应到图像中，甚至可以实现联动，不同位置的量化信息一目了然。
自动测量离不开一些关键位置的自动定位，不同部位、不同病种的关键位置不同，要测量的信息也有所不同。本发明以腹主动脉瘤自动测量为例来说明。腹主动脉瘤自动测量不仅需要获取步骤502和 503中的自动处理结果，还需要自动检测各分支血管与主动脉相交的位置，这些位置将拉直后的主动脉分成了若干段，接下来的自动测量结果都是基于这些段进行的。为了避免关键位置自动检测误差较大带来的影响，本发明还包括S504.1，进行定位线修正，所述定位线可以自动被修正，也可以手动进行调整，直至用户满意为止；图4中的虚线为腹主动脉瘤自动测量中两个关键位置的自动检测结果，这两个关键位置将拉直后的血管分为三段，针对其中任一段都可以自动获取长度d，感兴趣区域的体积，以及关键位置处的管腔最大、小直径。上述只是自动测量的一个实例，本发明可以根据不同部位血管或者不同病种定制自动测量的内容。
本发明采用的自动测量方法均为业内常用的稳定算法，长度和体积的计算依赖于体素物理属性以及体素的个数，直径的计算依赖于 S502和S503中的分割结果。随着后续算法的优化，本发明将包含但不仅限于上述计算方法。
S505，根据所述分割结果和\或所述测量结果进行分析并判断是否需要推荐手术方案。当判断为是时，执行S506，推荐手术方案。当判断为否时，执行S508，生成分析报告。
S506，推荐手术方案。
通过对上述的分割结果以及所述测量结果进行分析，判断是否需要进行手术，当判断需要进行手术时，进行手术方案的推荐。其中，所述手术方案的推荐以高年资医生的多年经验积累为基础，结合前述的分析结果，给出部分可能的手术参数给用户提供参考。以B型主动脉夹层CTA为例，该疾病通常采用支架植入封堵破口的方法进行治疗，但是支架有多种型号，具体该选择哪一种疗效更好呢？本发明根据血管分割结果、血管拉直结果和自动测量结果结合高年资医生的先验知识给出1-4种支架选型方案，包括支架的长度，支架的安放位置，支架近、远心端开口直径等多种参数，同时辅以VR三维联动显示(启路的专利)，用户可以直观查看术前规划效果。由于手术方案推荐和病种息息相关，征象类似但原因不同的病种往往会有大相径庭的手术方式，因此推荐手术方案的制定必须和高年资临床医生达成高度的沟通协作。本发明包含但不限于B型主动脉夹层CTA手术方案的推荐，随着产品的推广应用，本发明将纳入更多病种、更多类型的手术方案。
S507，提供不同时间段的预测恢复效果。
本申请可以预测当前病例一段时间后的恢复效果。该模块建立于大量、准确的随访数据之上，随访数据包含但不限于患者一段时间内的检查结果，具体内容根据病种和用户的累积数据来定；分析方法包含但不限于影像组学、深度学习等方法，本发明集成了多种数据分析方法，用户可以自主选择。
S508,生成报告。
将前述的分割结果、测量结果、分析结果以及手术方案的推荐以及预测恢复效果整合而成的结构化报告，根据实际需要，该结构化报告可分为医生版和患者版，医生版内容相对更加专业一些，用于医院存档或者作为随访数据的一部分；患者版更加简单明了一些，尽量让普通老百姓也能看懂其内容。报告的实际形式包含但不限于上述形式。
综上所述，本申请通过上述系统及方法对血管CAT图像进行感兴趣区域的自动分割、自动拉直以及自动测量，并进行手术方案的推荐，以及进行预后预测，以及生成报告，以推荐给用户，以有利于患者的精准治疗。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种血管CTA智能分析系统，其特征在于，包括：
获取模块，用于获取待分析的血管CTA图像数据；
自动分割模块，用于根据所述CTA图像数据对其中的血管进行分割，以获取分割结果；
自动拉直模块，用于根据所述分割结果对血管进行自动拉直处理；
自动测量模块，用于对拉直处理之后的血管进行自动测量，以获取测量结果。
2.根据权利要求1所述的系统，其特征在于，还包括：
手术方案推荐模块，用于根据所述分割结果和\或所述测量结果进行分析，当判断需要手术时推荐手术方案。
3.根据权利要求2所述的系统，其特征在于，还包括：
预后预测模块，用于提供预测恢复效果。
4.根据权利要求1所述的系统，其特征在于，还包括：
分割修正模块，用于对所述自动分割模块的分割结果进行分割修正。
5.根据权利要求1所述的系统，其特征在于，所述自动拉直模块，具体用于：
识别待提线区域的血管的起始点和终止点；
根据所述起始点和终止点提取血管的中心线；
根据所述中心线将所述血管拉直。
6.根据权利要求5所述的系统，其特征在于，还包括：
中心线编辑模块，用于对所述中心线的起止点进行修正编辑。
7.根据权利要求1所述的系统，其特征在于，还包括：
定位线修正模块，用于对所述自动测量模块测量时的定位线进行修正。
8.根据权利要求3所述的系统，其特征在于，还包括：
报告生成模块，用于根据所述自动分割模块的分割结果、所述自动测量模块的测量结果、所述手术方案推荐模块推荐的手术方案以及所述预后预测模块预测的恢复效果生成报告。
9.一种血管CTA智能分析方法，其特征在于，包括：
A、获取待分析的血管CTA图像数据；
B、根据所述CTA图像数据对其中的血管进行分割，以获取分割结果；
C、根据所述分割结果对血管进行自动拉直处理；
D、对拉直处理之后的血管进行自动测量，以获取测量结果；
E、用于根据所述分割结果和\或所述测量结果进行分析，当判断需要手术时推荐手术方案；
F、提供预测恢复效果；
G、根据所述分割结果、所述测量结果、所述推荐手术方案以及所述预测恢复效果生成报告。
10.根据权利要求9所述的方法，其特征在于，
所述步骤B，还包括：对所述分割结果进行修正；
所述步骤C，还包括：对自动拉直处理时的中心线进行修正编辑；
所述步骤D，包括：对自动测量时的定位线进行修正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910657215.3A CN110652312B (zh) | 2019-07-19 | 2019-07-19 | 一种血管cta智能分析系统及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910657215.3A CN110652312B (zh) | 2019-07-19 | 2019-07-19 | 一种血管cta智能分析系统及应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110652312A true CN110652312A (zh) | 2020-01-07 |
| CN110652312B CN110652312B (zh) | 2023-03-14 |
Family
ID=69030976
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910657215.3A Active CN110652312B (zh) | 2019-07-19 | 2019-07-19 | 一种血管cta智能分析系统及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110652312B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112001928A (zh) * | 2020-07-16 | 2020-11-27 | 北京化工大学 | 一种视网膜血管分割方法及系统 |
| CN112561871A (zh) * | 2020-12-08 | 2021-03-26 | 中国医学科学院北京协和医院 | 一种基于平扫ct图像的主动脉夹层分割方法和装置 |
| CN112767332A (zh) * | 2021-01-08 | 2021-05-07 | 心医国际数字医疗系统(大连)有限公司 | 一种基于cta影像的血管区域判断方法及系统 |
| CN113177928A (zh) * | 2021-05-18 | 2021-07-27 | 数坤(北京)网络科技股份有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
| CN113643353A (zh) * | 2020-09-04 | 2021-11-12 | 深圳硅基智能科技有限公司 | 眼底图像的血管管径的增强分辨率的测量方法 |
| 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 |
| CN115578484A (zh) * | 2021-06-21 | 2023-01-06 | 数坤(北京)网络科技股份有限公司 | 一种血管图像处理方法、装置、电子设备和可读存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101203890A (zh) * | 2005-06-24 | 2008-06-18 | 美国医软科技公司 | 交互式肝病诊断方法 |
| WO2015069202A1 (en) * | 2013-11-08 | 2015-05-14 | Piskin Senol | Operation scenario flow and mechanical modeling and analysis system of cardiovascular repair operations for newborn and foetus |
| CN108133755A (zh) * | 2017-12-20 | 2018-06-08 | 安徽紫薇帝星数字科技有限公司 | 一种基于三维可视化的寰椎枢手术模拟系统及其模拟方法 |
| CN108171698A (zh) * | 2018-02-12 | 2018-06-15 | 数坤（北京）网络科技有限公司 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
| CN108261206A (zh) * | 2017-12-26 | 2018-07-10 | 成都真实维度科技有限公司 | 一种基于cta图像的术后支架放置效果评价方法 |
| 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 |
| CN108764221A (zh) * | 2018-08-09 | 2018-11-06 | 于存涛 | 主动脉影像分析方法及系统 |
| CN108805134A (zh) * | 2018-06-25 | 2018-11-13 | 慧影医疗科技（北京）有限公司 | 一种主动脉夹层分割模型的构建方法及应用 |
-
2019
- 2019-07-19 CN CN201910657215.3A patent/CN110652312B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101203890A (zh) * | 2005-06-24 | 2008-06-18 | 美国医软科技公司 | 交互式肝病诊断方法 |
| WO2015069202A1 (en) * | 2013-11-08 | 2015-05-14 | Piskin Senol | Operation scenario flow and mechanical modeling and analysis system of cardiovascular repair operations for newborn and foetus |
| CN108133755A (zh) * | 2017-12-20 | 2018-06-08 | 安徽紫薇帝星数字科技有限公司 | 一种基于三维可视化的寰椎枢手术模拟系统及其模拟方法 |
| CN108261206A (zh) * | 2017-12-26 | 2018-07-10 | 成都真实维度科技有限公司 | 一种基于cta图像的术后支架放置效果评价方法 |
| CN108171698A (zh) * | 2018-02-12 | 2018-06-15 | 数坤（北京）网络科技有限公司 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
| 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 |
| CN108805134A (zh) * | 2018-06-25 | 2018-11-13 | 慧影医疗科技（北京）有限公司 | 一种主动脉夹层分割模型的构建方法及应用 |
| CN108764221A (zh) * | 2018-08-09 | 2018-11-06 | 于存涛 | 主动脉影像分析方法及系统 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112001928A (zh) * | 2020-07-16 | 2020-11-27 | 北京化工大学 | 一种视网膜血管分割方法及系统 |
| CN112001928B (zh) * | 2020-07-16 | 2023-12-15 | 北京化工大学 | 一种视网膜血管分割方法及系统 |
| CN113643353A (zh) * | 2020-09-04 | 2021-11-12 | 深圳硅基智能科技有限公司 | 眼底图像的血管管径的增强分辨率的测量方法 |
| CN113643353B (zh) * | 2020-09-04 | 2024-02-06 | 深圳硅基智能科技有限公司 | 眼底图像的血管管径的增强分辨率的测量方法 |
| CN112561871A (zh) * | 2020-12-08 | 2021-03-26 | 中国医学科学院北京协和医院 | 一种基于平扫ct图像的主动脉夹层分割方法和装置 |
| CN112767332A (zh) * | 2021-01-08 | 2021-05-07 | 心医国际数字医疗系统(大连)有限公司 | 一种基于cta影像的血管区域判断方法及系统 |
| CN112767332B (zh) * | 2021-01-08 | 2024-05-17 | 心医国际数字医疗系统(大连)有限公司 | 一种基于cta影像的血管区域判断方法及系统 |
| CN113177928A (zh) * | 2021-05-18 | 2021-07-27 | 数坤(北京)网络科技股份有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
| 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 |
| CN115578484A (zh) * | 2021-06-21 | 2023-01-06 | 数坤(北京)网络科技股份有限公司 | 一种血管图像处理方法、装置、电子设备和可读存储介质 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110652312B (zh) | 2023-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110652312B (zh) | 一种血管cta智能分析系统及应用 | |
| CN108573490B (zh) | 一种针对肿瘤影像数据的智能读片系统 | |
| CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
| EP2157905B1 (en) | A method for tracking 3d anatomical and pathological changes in tubular-shaped anatomical structures | |
| CN107292312B (zh) | 肿瘤ct图像处理方法 | |
| US20080021502A1 (en) | Systems and methods for automatic symmetry identification and for quantification of asymmetry for analytic, diagnostic and therapeutic purposes | |
| JP2008520345A (ja) | 超音波画像における病変の検出及び分類方法、及びそのシステム | |
| US20240046476A1 (en) | Longitudinal Display Of Coronary Artery Calcium Burden | |
| US20110245650A1 (en) | Method and System for Plaque Lesion Characterization | |
| CN109859168A (zh) | 一种x射线胸片图像质量确定方法及装置 | |
| US20220284583A1 (en) | Computerised tomography image processing | |
| Debarba et al. | Efficient liver surgery planning in 3D based on functional segment classification and volumetric information | |
| CN114299072B (zh) | 一种基于人工智能的解剖变异识别提示方法及系统 | |
| CN114757960A (zh) | 一种基于cbct图像的牙齿分割与重建方法及存储介质 | |
| CN113160120A (zh) | 基于多模态融合与深度学习的肝脏血管分割方法及系统 | |
| CN112819800A (zh) | Dsa影像识别方法、装置及存储介质 | |
| CN115222674A (zh) | 基于多维特征融合的颅内动脉瘤破裂风险的检测装置 | |
| CN113012093A (zh) | 青光眼图像特征提取的训练方法及训练系统 | |
| US20130066189A1 (en) | Normative dataset for neuropsychiatric disorders | |
| KR101251822B1 (ko) | 동적조영증강 폐 전산화단층촬영 영상에서 관류 분석 시스템 및 방법 | |
| CN112784928A (zh) | Dsa影像识别方法、装置及存储介质 | |
| CN111292285B (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
| CN114862799B (zh) | 一种用于flair-mri序列的全自动脑体积分割方法 | |
| WO2007095284A2 (en) | Systems and methods for automatic symmetry identification and for quantification of asymmetry for analytic, diagnostic and therapeutic purposes | |
| CN110580702B (zh) | 一种用于腹主动脉瘤边界分割的方法 |
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: 100000 Zhongguancun Dongsheng Science Park, 66 xixiaokou Road, Haidian District, Beijing A206, 2f, building B-2, Northern Territory Applicant after: Huiying medical technology (Beijing) Co.,Ltd. Address before: 100192 A206, 2 / F, building B-2, Dongsheng Science Park, Zhongguancun, 66 xixiaokou Road, Haidian District, Beijing Applicant before: HUIYING MEDICAL TECHNOLOGY (BEIJING) Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |