CN110796670A - 一种夹层动脉分割方法及装置 - Google Patents
一种夹层动脉分割方法及装置 Download PDFInfo
- Publication number
- CN110796670A CN110796670A CN201911043818.0A CN201911043818A CN110796670A CN 110796670 A CN110796670 A CN 110796670A CN 201911043818 A CN201911043818 A CN 201911043818A CN 110796670 A CN110796670 A CN 110796670A
- Authority
- CN
- China
- Prior art keywords
- model
- cta image
- training
- artery
- image
- 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
- 210000001367 artery Anatomy 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000002224 dissection Methods 0.000 title description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 143
- 210000000709 aorta Anatomy 0.000 claims abstract description 66
- 238000012937 correction Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 18
- 239000011229 interlayer Substances 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 110
- 239000010410 layer Substances 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000002372 labelling Methods 0.000 claims description 13
- 210000002376 aorta thoracic Anatomy 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000010968 computed tomography angiography Methods 0.000 description 158
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 208000002251 Dissecting Aneurysm Diseases 0.000 description 3
- 206010002895 aortic dissection Diseases 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 206010061660 Artery dissection Diseases 0.000 description 2
- 102100033620 Calponin-1 Human genes 0.000 description 2
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000003090 iliac artery Anatomy 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 210000002254 renal artery Anatomy 0.000 description 2
- 208000025494 Aortic disease Diseases 0.000 description 1
- 102100033591 Calponin-2 Human genes 0.000 description 1
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 description 1
- 208000034693 Laceration Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000001765 aortic valve Anatomy 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000003975 mesenteric artery Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001936 parietal effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供了一种夹层动脉分割方法及装置，通过获取待分割主动脉的原始CTA图像；对原始CTA图像进行预处理，得到第二目标CTA图像；利用训练好的分割模型中的动脉分割模型和腔室分割模型，对第二目标CTA图像进行分割，得到标记有夹层主动脉及分支动脉的第一结构模型和标记有夹层主动脉上的真腔和假腔的第二结构模型；基于所述第一结构模型及第二结构模型，对所述第二结构模型进行真腔和假腔的错分修正。本申请通过对原始CTA图像进行标准化处理，并使用动脉分割模型和腔室分割模型对标准化后的CTA图像进行分割，极大地减少了需要处理的图像数据，有效提升了夹层动脉分割效率，并提高了分割的精度。
Description
技术领域
本申请涉及医学图像处理技术领域，尤其是涉及一种夹层动脉分割方法及装置。
背景技术
主动脉夹层(aortic dissection)是一种非常凶险的主动脉疾病，主要表现为患者主动脉内膜发生破裂，血液通过破口进入主动脉中膜并向上或向下剥离主动脉内膜和外膜，在血液的冲击下强行生成真腔和假腔两个腔体，是一种极其危险的疾病，需要及时的诊断和治疗。电子计算机断层扫描血管造影(Computed Tomographyangiography，CTA，CT血管造影)是临床进行主动脉夹层诊断和观察最常用的方法，医生通常是基于CT的扫描断层进行病情分析，这种方式并不利于医生获取夹层主动脉准确的3D形态学特征，例如判定撕裂口大小和位置、测量主动脉及真假腔的直径、计算真假腔的体积等，因此夹层主动脉的3D分割是个体化参数精准测量的重要模型基础。现有的传统分割方法对夹层模型的分割鲁棒性较差，不能单独识别真假腔，且由于CTA的数据尺寸较大，分割与其分割准确性和3D重建的效率都亟待提升。
发明内容
有鉴于此，本申请的目的在于提供一种夹层动脉分割方法及装置，通过对原始CTA图像进行标准化处理，并使用动脉分割模型和腔室分割模型对标准化后的CTA图像进行分割，极大地减少了需要处理的图像数据，有效提升了夹层动脉分割效率，并提高了分割的精度。
本申请实施例提供了一种夹层动脉分割方法，所述方法包括：
获取待分割主动脉的原始CTA图像；
基于所述原始CTA图像中各个像素点的CT值，从所述原始CTA图像中截取出CT值在预设范围内的第一目标CTA图像；
按照预设的分辨率以及第一预设尺寸，对所述第一目标CTA图像进行标准化处理，得到第二目标CTA图像；
利用训练好的分割模型中的动脉分割模型对所述第二目标CTA图像进行分割，得到标记有夹层主动脉及分支动脉的第一结构模型；
利用插值运算，将所述第二目标CTA图像压缩至第二预设尺寸，得到第三目标CTA图像；
利用训练好的分割模型中的腔室分割模型对所述第三目标CTA图像进行分割，得到标记有夹层主动脉上的真腔和假腔的第二结构模型；
基于所述第一结构模型及第二结构模型，对所述第二结构模型进行真腔和假腔的错分修正。
在一种可能的实施方式中，所述基于所述第一结构模型及第二结构模型，对所述第二结构模型进行真腔和假腔的错分修正，包括：
基于所述第一结构模型，以及所述第二结构模型，确定错分修正在所述第二结构模型中的起始层；
基于所述错分修正在第二结构模型的起始层，将所述主动脉的三维模型中的降主动脉的部分分离为两个独立、连续的腔体，得到第一腔体模型和第二腔体模型；
基于所述第一腔体模型及所述第二腔体模型，对所述第二结构模型进行修正。
在一种可能的实施方式中，所述动脉分割模型通过如下步骤训练得到：
获取多个的训练样本，其中，所述训练样本为样本CTA图像，所述样本CTA图像中的夹层主动脉以及全部分支动脉被人工标注；
针对每个训练样本，基于所述训练样本中各个像素点的CT值，分别从所述训练样本中截取带有人工标注的第一训练CTA图像，并按照预设的分辨率以及第一预设尺寸，对所述第一训练CTA图像进行标准化处理，得到带有人工标注的第二训练CTA图像；
利用所述第二训练CTA图像，对所述动脉分割模型进行训练。
在一种可能的实施方式中，所述腔室分割模型通过如下步骤训练得到：
利用插值运算，将所述第二训练CTA图像压缩至第二预设尺寸，得到带有人工标注的第三训练CTA图像；
利用所述第三训练CTA图像，对所述腔室分割模型训练。
在一种可能的实施方式中，训练所述动脉分割模型时，采用如下损失函数：
其中，R′为训练样本中图像块对应的人工标注，L′为所述动脉分割模型中该图像块的体素级类别概率，C为类别信道编号，N为类别总数，R′C为第C类图像块的人工标注，L′C为所述动脉分割模型中第C类图像块的体素级类别概率。
在一种可能的实施方式中，训练所述腔室分割模型时，采用如下损失函数：
其中，RT为所述第三训练CTA图像中真腔的人工标注，R″1为所述第三训练CTA图像中夹层主动脉的标注，L″为所述腔室分割模型的输出结果。
在一种可能的实施方式中，所述动脉分割模型和所述腔室分割模型的类型为三维卷积神经网络，所述动脉分割模型和所述腔室分割模型分别采用Inplace-ABN算法优化神经网络中的BN+ReLU的算法。
本申请实施例还提供了一种夹层动脉分割装置，所述装置包括：
获取模块，用于获取待分割主动脉的原始CTA图像；
截取模块，用于基于所述原始CTA图像中各个像素点的CT值，从所述原始CTA图像中截取出CT值在预设范围内的第一目标CTA图像；
标准化模块，用于按照预设的分辨率以及第一预设尺寸，对所述第一目标CTA图像进行标准化处理，得到第二目标CTA图像；
第一分割模块，用于利用训练好的分割模型中的动脉分割模型对所述第二目标CTA图像进行分割，得到标记有夹层主动脉及分支动脉的第一结构模型；
压缩模块，用于利用插值运算，将所述第二目标CTA图像压缩至第二预设尺寸，得到第三目标CTA图像；
第二分割模块，用于利用训练好的分割模型中的腔室分割模型对所述第三目标CTA图像进行分割，得到标记有夹层主动脉上的真腔和假腔的第二结构模型；
错分修正模块，用于基于所述第一结构模型及第二结构模型，对所述第二结构模型进行真腔和假腔的错分修正。
在一种可能的实施方式中，所述错分修正模块具体用于：
基于所述第一结构模型，以及所述第二结构模型，确定错分修正在所述第二结构模型中的起始层；
基于所述错分修正在第二结构模型的起始层，将所述主动脉的三维模型中的降主动脉的部分分离为两个独立、连续的腔体，得到第一腔体模型和第二腔体模型；
基于所述第一腔体模型及所述第二腔体模型，对所述第二结构模型进行修正。
在一种可能的实施方式中，所述装置还包括第一训练模块，所述第一训练模块用于：
获取多个的训练样本，其中，所述训练样本为样本CTA图像，所述样本CTA图像中的夹层主动脉以及全部分支动脉被人工标注；
针对每个训练样本，基于所述训练样本中各个像素点的CT值，分别从所述训练样本中截取带有人工标注的第一训练CTA图像，并按照预设的分辨率以及第一预设尺寸，对所述第一训练CTA图像进行标准化处理，得到带有人工标注的第二训练CTA图像；
利用所述第二训练CTA图像，对所述动脉分割模型进行训练。
在一种可能的实施方式中，所述装置还包括第二训练模块，所述第二训练模块用于：
利用插值运算，将所述第二训练CTA图像压缩至第二预设尺寸，得到带有人工标注的第三训练CTA图像；
利用所述第三训练CTA图像，对所述腔室分割模型训练。
在一种可能的实施方式中，所述第一训练模块在训练所述动脉分割模型时，采用如下损失函数：
其中，R′为训练样本中图像块对应的人工标注，L′为所述动脉分割模型中该图像块的体素级类别概率，C为类别信道编号，N为类别总数，R′C为第C类图像块的人工标注，L′C为所述动脉分割模型中第C类图像块的体素级类别概率。
在一种可能的实施方式中，所述第二训练模块在训练所述腔室分割模型时，采用如下损失函数：
其中，RT为所述第三训练CTA图像中真腔的人工标注，R″1为所述第三训练CTA图像中夹层主动脉的标注，L″为所述腔室分割模型的输出结果。
在一种可能的实施方式中，所述动脉分割模型和所述腔室分割模型的类型为三维卷积神经网络，所述动脉分割模型和所述腔室分割模型分别采用Inplace-ABN算法优化神经网络中的BN+ReLU的算法。
本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的夹层动脉分割方法的步骤。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的夹层动脉分割方法的步骤。
本申请实施例提供的夹层动脉分割方法及装置，获取待分割主动脉的原始CTA图像；基于所述原始CTA图像中各个像素点的CT值，从所述原始CTA图像中截取出CT值在预设范围内的第一目标CTA图像；按照预设的分辨率以及第一预设尺寸，对所述第一目标CTA图像进行标准化处理，得到第二目标CTA图像；利用训练好的分割模型中的动脉分割模型对所述第二目标CTA图像进行分割，得到标记有夹层主动脉及分支动脉的第一结构模型；利用插值运算，将所述第二目标CTA图像压缩至第二预设尺寸，得到第三目标CTA图像；利用训练好的分割模型中的腔室分割模型对所述第三目标CTA图像进行分割，得到标记有夹层主动脉上的真腔和假腔的第二结构模型；基于所述第一结构模型及第二结构模型，对所述第二结构模型进行真腔和假腔的错分修正。与现有技术相比，本申请通过原始CTA图像中截取出CT值在预设范围内的第一目标CTA图像，并标准化第一目标CTA图像的尺寸与分辨率，极大地减少了需要处理的图像数据，有效提升了夹层动脉分割效率，并保持了分割的精度。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种夹层动脉分割方法的流程图；
图2示出了本申请实施例所提供的一种夹层动脉分割装置的结构示意图之一；
图3示出了本申请实施例所提供的一种夹层动脉分割装置的结构示意图之二；
图4示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，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实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
经研究发现，现有技术中，由于CTA的尺寸较大，医疗器械的显示内存不足，对CTA中的夹层主动脉进行切分和3D重建的精准度和效率都亟待提升。
基于此，本申请实施例提供一种夹层动脉分割方法及装置，通过原始CTA图像中截取出CT值在预设范围内的第一目标CTA图像，并标准化第一目标CTA图像的尺寸与分辨率，极大地减少了需要处理的图像数据，有效提升了夹层动脉分割效率，并保持了分割的精度。
请参阅图1，图1为本申请实施例所提供的一种夹层动脉分割方法的流程图。如图1中所示，本申请实施例提供的夹层动脉分割方法，包括：
S101、获取待分割主动脉的原始CTA图像。
S102、基于所述原始CTA图像中各个像素点的CT值，从所述原始CTA图像中截取出CT值在预设范围内的第一目标CTA图像。
该步骤中，CTA中造影主动脉的CT值具有特定的先验范围[100，700]，首先，可以提取出介于该范围中的全部体素，执行形态学闭运算并迭代12次以后，取出位于原始CTA图像上半区域内的最大连通域(主动脉和心脏区域)，并计算这些体素的坐标集合V＝{Vz，Vy，Vx}，Vz、Vy、Vx分别为三个维度上的坐标集合。
这样，可以去除大量的不相关因素，减少在进行处理时的数据计算量。
S103、按照预设的分辨率以及第一预设尺寸，对所述第一目标CTA图像进行标准化处理，得到第二目标CTA图像。
该步骤中，已知CTA扫描分辨率为s＝{sz，sy，sx}，第一目标CTA图像尺寸为nz×ny×nx，可以设定标准化处理后的预设分辨率为s′＝{s′z，s′y，s′x}，第一预设尺寸为n′z×n′y×n′x，因此可计算第一目标CTA图像在X、Y两个维度上尺寸为：
其中，d为X或Y中的任意一个为维度，nd表示在原始CTA图像中提取的真实区域在维度d上的尺寸。根据上述计算的体素坐标集合V和实际尺寸，可以得出第一目标CTA图像在X、Y方向上的实际范围为：
其中，和分别为V在维度d上的坐标下限和上限，
和分别为第一目标CTA图像在维度d上的下边界和上边界。
通过上述步骤所得在Z方向上包括全部的CT断层，因此nz等于扫描层数。由于不同的CTA数据在Z方向上具有不同的扫描长度，分辨率统一后在Z方向也会具有不同尺寸，标准化处理后得到的Z轴尺寸为：
第一目标CTA图像在XY平面上的尺寸统一为n′y＝n′x＝256，基于以上过程，可以计算出第一目标CTA图像的提取范围，用于将分割结果在原始空间中的复原。
将第一目标CTA图像通过样条插值的方式，从初始尺寸转变为统一尺寸，得到第二目标CTA图像，这样，能够大幅去除主动脉周围无关体素的干扰。
S104、利用训练好的分割模型中的动脉分割模型对所述第二目标CTA图像进行分割，得到标记有夹层主动脉及分支动脉的第一结构模型。
该步骤中，可以将第二目标CTA图像输入至动脉分割模型中，利用训练好的动脉分割模型对所述第二目标CTA图像进行分割，动脉分割模型直接输出标记有夹层主动脉及分支动脉的第一结构模型。
具体的，在标准化处理之后，可以第二目标CTA图像沿Z轴截断为连续的96×256×256的图像块，若最后一块不足96层，则在缺失的区域填0以补全96层。将通过以上步骤得到的截断后的第二目标CTA输入到训练好的动脉切分模型中，得到夹层主动脉和分支动脉的图像块分割结果并沿Z轴拼接得到PM和PB，通过样条插值把拼接后的结果还原回图像原始的分辨率，根据记录的第一目标CTA的实际范围将结果映射到原始位置，得到最终的夹层主动脉及分支血管的分割结果，也即第一结构模型。
S105、利用插值运算，将所述第二目标CTA图像压缩至第二预设尺寸，得到第三目标CTA图像；
S106、利用训练好的分割模型中的腔室分割模型对所述第三目标CTA图像进行分割，得到标记有夹层主动脉上的真腔和假腔的第二结构模型。
该步骤中，可以利用插值运算对第二目标CTA图像进行压缩，具体的，可以将分辨率压缩至384×128×128。
S107、基于所述第一结构模型及第二结构模型，对所述第二结构模型进行真腔和假腔的错分修正。
在一种可能的实施方式中，所述基于所述第一结构模型及第二结构模型，对所述第二结构模型进行真腔和假腔的错分修正，包括：
基于所述第一结构模型，以及所述第二结构模型，确定错分修正在所述第二结构模型中的起始层；
基于所述错分修正在第二结构模型的起始层，将所述主动脉的三维模型中的降主动脉的部分分离为两个独立、连续的腔体，得到第一腔体模型和第二腔体模型；
基于所述第一腔体模型及所述第二腔体模型，对所述第二结构模型进行修正。
具体的，对真腔和假腔进行错分修正可以包括以下步骤：
(1)基于动脉分割模型输出的夹层主动脉结构PM，通过闭运算闭合主动脉夹层的膜片，使第二结构模型中的真假腔完全贴合以后，自顶向下寻找第一个出现分离的升主动脉和降主动脉的层，并将该层作为错分修正算法的上行终止层
(2)以夹层主动脉PM的Z轴中间层为起点，向上逐层搜索到
寻找第一个具有两个独立的连通域的层
并对
和
分别做一次腐蚀运算后作为分水岭算法的标记，将
分成m个子区域，如果m＝2，则记
为
如果未找到满足条件的层，则从
向下逐层搜索，直到找到
为止。
(3)定义两个空的三维矩阵M0和M1，其尺寸与PM相同，把
分出的两个区域分别存放到两个空的矩阵里的相应位置上，并从该层开始，先逐层向上、后逐层向下地将PM的降主动脉部分分离为两个独立的、沿Z轴连续的腔体。
其中，步骤(3)具体包括如下步骤：
1.设当前已分离到层
首先获取
和
并以(2)中同样的方式对
执行分水岭算法，获得子区域集合并进行简并处理，即将面积小于阈值thrregion的区域向邻接的最大区域合并，多次迭代直至不存在小于thrarea的区域为止，得到最终的区域集合A，这里引入一个经验参数thrregion＝20。
2.如果
和
都有存储结果，则根据式8和9计算A中任一子区域Ap所对应的q*，并将其存入中，得到对
降主动脉段的真假腔分离结果。这里p为子区域的下标：
3.如果两者中只有一个存有结果并记为
首先根据是否和
发生重叠将子区域分为两个子集A0和A1，并将A0中全部区域存入
随后对
执行闭运算获得膜片闭合的
计算膜片大小
最后计算子区域Ap∈A1对应的q*，并将其存入
中：
这里引入了经验参数thrflap＝20。
(4)根据初步分割结果PT、PF与M0和M1的之间的重叠度对两者赋予语义信息，
MT＝arg max S(Mq，PT)，
与MT相对应的另外一个管腔即为MF，通过修正MT中的假腔和MF中的真腔，即可得到最终的真假腔分割结果。
在一种可能的实施方式中，所述动脉分割模型通过如下步骤训练得到：
获取多个的训练样本，其中，所述训练样本为样本CTA图像，所述样本CTA图像中的夹层主动脉以及全部分支动脉被人工标注；
针对每个训练样本，基于所述训练样本中各个像素点的CT值，分别从所述训练样本中截取带有人工标注的第一训练CTA图像，并按照预设的分辨率以及第一预设尺寸，对所述第一训练CTA图像进行标准化处理，得到带有人工标注的第二训练CTA图像；
利用所述第二训练CTA图像，对所述动脉分割模型进行训练。
具体的，可以获取大规模样本CTA图像数据集，对其夹层主动脉和包括头壁、腹部和双髂分支在内的全部分支动脉分别进行人工标注，其中夹层主动脉中升主动脉标注到主动脉瓣出现处终止，颈动脉和髂动脉分别标注到CTA图像上下两端终止，腹腔干标注到二级分支出现处终止，左右肾动脉和肠系膜动脉均标注到一级分支出现处终止。夹层主动脉上界为头壁动脉与主动脉弓连接处，下界为出现髂总动脉分叉处。
针对上述步骤中所限定的主动脉区域，对其真腔和假腔分别进行人工标注，其中真腔与假腔的撕裂口连接处由专业医生完成割裂。真假两腔体素之和与上述的夹层主动脉体素相同。
其中，截取第一训练CTA图像以及对第一训练CTA图像进行标准化的步骤可以参照步骤S102-S103的解释与说明。
进一步的，为了实现相对精细的分割，可以直接采用通过上述步骤得到的，具有统一、较高的分辨率的数据集D1进行模型训练，但由于显存有限，无法将高分辨率的数据完全输入到神经网络中，因此这里采用了沿数据Z轴随机截取96×256×256的图像块的方式生成实际的训练数据。
该步骤中，可以设计多类分割网络动脉分割模型3D CNN1，实现夹层主动脉、分支动脉和背景区域的三类分割。该网络结构中的编码部分加入Denseblock，解码部分的升采样使用三线性插值运算。这种网络结构可以在相同的显存约束条件下在编码过程中引入更多可训练参数，充分学习和利用图像的浅层局部特征和深层全局特征，有利于在截取图像块的训练策略下掌握局部图像的细节。
具体的，可以采用Inplace-ABN算法，将动脉切割模型中BN+ReLU算法优化，这种方法可以通过逆向计算中间变量，不需对部分中间变量的不必要的存储，降低这些变量对存储空间的占用，实现进一步增加输入数据的Z轴长度，使得动脉切割模型在截取图像块的训练策略下能够接受尽可能多的Z轴方向上的图像信息。
在一种可能的实施方式中，所述腔室分割模型通过如下步骤训练得到：
利用插值运算，将所述第二训练CTA图像压缩至第二预设尺寸，得到带有人工标注的第三训练CTA图像；
利用所述第三训练CTA图像，对所述腔室分割模型训练。
该步骤中，可以设计单类分割网络腔室分割模型3D CNN2，仅实现真腔的分割。该网络的编码与解码部分结构可以与动脉分割函数3D CNN1相同，同样采用Inplace-ABN算法优化网络中的BN+ReLU算法，但是网络的输出层仅输出一个信道。
在一种可能的实施方式中，训练所述动脉分割模型时，采用如下损失函数：
其中，该损失函数可以为多累Dice损失函数，R′为训练样本中图像块对应的人工标注，L′为所述动脉分割模型中该图像块的体素级类别概率，C为类别信道编号，N为类别总数，R′C为第C类图像块的人工标注，L′C为所述动脉分割模型中第C类图像块的体素级类别概率。
在一种可能的实施方式中，训练所述腔室分割模型时，采用如下损失函数：
其中，RT为所述第三训练CTA图像中真腔的人工标注，R″1为所述第三训练CTA图像中夹层主动脉的标注，L″为所述腔室分割模型的输出结果，在对L″进行二值化操作后，基于计算的变换因子通过插值运算复原尺寸，并按照上下界位置反向映射得到P′T，真腔分割最终结果为：
在一种可能的实施方式中，所述动脉分割模型和所述腔室分割模型的类型为三维卷积神经网络，所述动脉分割模型和所述腔室分割模型分别采用Inplace-ABN算法优化神经网络中的BN+ReLU的算法。
本申请实施例提供的夹层动脉分割方法，获取待分割主动脉的原始CTA图像；基于所述原始CTA图像中各个像素点的CT值，从所述原始CTA图像中截取出CT值在预设范围内的第一目标CTA图像；按照预设的分辨率以及第一预设尺寸，对所述第一目标CTA图像进行标准化处理，得到第二目标CTA图像；利用训练好的分割模型中的动脉分割模型对所述第二目标CTA图像进行分割，得到标记有夹层主动脉及分支动脉的第一结构模型；利用插值运算，将所述第二目标CTA图像压缩至第二预设尺寸，得到第三目标CTA图像；利用训练好的分割模型中的腔室分割模型对所述第三目标CTA图像进行分割，得到标记有夹层主动脉上的真腔和假腔的第二结构模型；基于所述第一结构模型及第二结构模型，对所述第二结构模型进行真腔和假腔的错分修正。与现有技术相比，本申请通过原始CTA图像中截取出CT值在预设范围内的第一目标CTA图像，并标准化第一目标CTA图像的尺寸与分辨率，极大地减少了需要处理的图像数据，有效提升了夹层动脉分割效率，并保持了分割的精度。
请参阅图2、图3，图2为本申请实施例所提供的一种夹层动脉分割装置的结构示意图之一，图3为本申请实施例所提供的一种夹层动脉分割装置的结构示意图之二。如图2中所示，所述夹层动脉分割装置200包括：
获取模块210，用于获取待分割主动脉的原始CTA图像；
截取模块220，用于基于所述原始CTA图像中各个像素点的CT值，从所述原始CTA图像中截取出CT值在预设范围内的第一目标CTA图像；
标准化模块230，用于按照预设的分辨率以及第一预设尺寸，对所述第一目标CTA图像进行标准化处理，得到第二目标CTA图像；
第一分割模块240，用于利用训练好的分割模型中的动脉分割模型对所述第二目标CTA图像进行分割，得到标记有夹层主动脉及分支动脉的第一结构模型。
压缩模块250，用于利用插值运算，将所述第二目标CTA图像压缩至第二预设尺寸，得到第三目标CTA图像；
第二分割模块260，用于利用训练好的分割模型中的腔室分割模型对所述第三目标CTA图像进行分割，得到标记有夹层主动脉上的真腔和假腔的第二结构模型。
错分修正模块270，用于基于所述第一结构模型及第二结构模型，对所述第二结构模型进行真腔和假腔的错分修正。
在一种可能的实施方式中，所述错分修正模块270具体用于：
基于所述第一结构模型，以及所述第二结构模型，确定错分修正在所述第二结构模型中的起始层；
基于所述错分修正在第二结构模型的起始层，将所述主动脉的三维模型中的降主动脉的部分分离为两个独立、连续的腔体，得到第一腔体模型和第二腔体模型；
基于所述第一腔体模型及所述第二腔体模型，对所述第二结构模型进行修正。
如图3所示，在一种可能的实施方式中，所述夹层动脉分割装置200还包括第一训练模块280，所述第一训练模块280用于：
获取多个的训练样本，其中，所述训练样本为样本CTA图像，所述样本CTA图像中的夹层主动脉以及全部分支动脉被人工标注；
针对每个训练样本，基于所述训练样本中各个像素点的CT值，分别从所述训练样本中截取带有人工标注的第一训练CTA图像，并按照预设的分辨率以及第一预设尺寸，对所述第一训练CTA图像进行标准化处理，得到带有人工标注的第二训练CTA图像；
利用所述第二训练CTA图像，对所述动脉分割模型进行训练。
在一种可能的实施方式中，所述夹层动脉分割装置200还包括第二训练模块290，所述第二训练模块290用于：
利用插值运算，将所述第二训练CTA图像压缩至第二预设尺寸，得到带有人工标注的第三训练CTA图像；
利用所述第三训练CTA图像，对所述腔室分割模型训练。
在一种可能的实施方式中，所述第一训练模块280在训练所述动脉分割模型时，采用如下损失函数：
其中，R′为训练样本中图像块对应的人工标注，L′为所述动脉分割模型中该图像块的体素级类别概率，C为类别信道编号，N为类别总数，R′C为第C类图像块的人工标注，L′C为所述动脉分割模型中第C类图像块的体素级类别概率。
在一种可能的实施方式中，所述第二训练模块290在训练所述腔室分割模型时，采用如下损失函数：
其中，RT为所述第三训练CTA图像中真腔的人工标注，R″1为所述第三训练CTA图像中夹层主动脉的标注，L″为所述腔室分割模型的输出结果。
在一种可能的实施方式中，所述动脉分割模型和所述腔室分割模型的类型为三维卷积神经网络，所述动脉分割模型和所述腔室分割模型分别采用Inplace-ABN算法优化神经网络中的BN+ReLU的算法。
本申请实施例提供的夹层动脉分割装置，获取待分割主动脉的原始CTA图像；基于所述原始CTA图像中各个像素点的CT值，从所述原始CTA图像中截取出CT值在预设范围内的第一目标CTA图像；按照预设的分辨率以及第一预设尺寸，对所述第一目标CTA图像进行标准化处理，得到第二目标CTA图像；利用训练好的分割模型中的动脉分割模型对所述第二目标CTA图像进行分割，得到标记有夹层主动脉及分支动脉的第一结构模型；利用插值运算，将所述第二目标CTA图像压缩至第二预设尺寸，得到第三目标CTA图像；利用训练好的分割模型中的腔室分割模型对所述第三目标CTA图像进行分割，得到标记有夹层主动脉上的真腔和假腔的第二结构模型；基于所述第一结构模型及第二结构模型，对所述第二结构模型进行真腔和假腔的错分修正。与现有技术相比，本申请通过原始CTA图像中截取出CT值在预设范围内的第一目标CTA图像，并标准化第一目标CTA图像的尺寸与分辨率，极大地减少了需要处理的图像数据，有效提升了夹层动脉分割效率，并保持了分割的精度。
请参阅图4，图4为本申请实施例所提供的一种电子设备的结构示意图。如图4中所示，所述电子设备400包括处理器410、存储器420和总线430。
所述存储器420存储有所述处理器410可执行的机器可读指令，当电子设备400运行时，所述处理器410与所述存储器420之间通过总线430通信，所述机器可读指令被所述处理器410执行时，可以执行如上述图1所示方法实施例中的夹层动脉分割方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的夹层动脉分割方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种夹层动脉分割方法，其特征在于，所述方法包括：
获取待分割主动脉的原始CTA图像；
基于所述原始CTA图像中各个像素点的CT值，从所述原始CTA图像中截取出CT值在预设范围内的第一目标CTA图像；
按照预设的分辨率以及第一预设尺寸，对所述第一目标CTA图像进行标准化处理，得到第二目标CTA图像；
利用训练好的分割模型中的动脉分割模型对所述第二目标CTA图像进行分割，得到标记有夹层主动脉及分支动脉的第一结构模型；
利用插值运算，将所述第二目标CTA图像压缩至第二预设尺寸，得到第三目标CTA图像；
利用训练好的分割模型中的腔室分割模型对所述第三目标CTA图像进行分割，得到标记有夹层主动脉上的真腔和假腔的第二结构模型；
基于所述第一结构模型及第二结构模型，对所述第二结构模型进行真腔和假腔的错分修正。
2.根据权利要求1所述的方法，其特征在于，所述基于所述第一结构模型及第二结构模型，对所述第二结构模型进行真腔和假腔的错分修正，包括：
基于所述第一结构模型，以及所述第二结构模型，确定错分修正在所述第二结构模型中的起始层；
基于所述错分修正在第二结构模型的起始层，将所述主动脉的三维模型中的降主动脉的部分分离为两个独立、连续的腔体，得到第一腔体模型和第二腔体模型；
基于所述第一腔体模型及所述第二腔体模型，对所述第二结构模型进行修正。
3.根据权利要求1所述的方法，其特征在于，所述动脉分割模型通过如下步骤训练得到：
获取多个的训练样本，其中，所述训练样本为样本CTA图像，所述样本CTA图像中的夹层主动脉以及全部分支动脉被人工标注；
针对每个训练样本，基于所述训练样本中各个像素点的CT值，分别从所述训练样本中截取带有人工标注的第一训练CTA图像，并按照预设的分辨率以及第一预设尺寸，对所述第一训练CTA图像进行标准化处理，得到带有人工标注的第二训练CTA图像；
利用所述第二训练CTA图像，对所述动脉分割模型进行训练。
4.根据权利要求3所述的方法，其特征在于，所述腔室分割模型通过如下步骤训练得到：
利用插值运算，将所述第二训练CTA图像压缩至第二预设尺寸，得到带有人工标注的第三训练CTA图像；
利用所述第三训练CTA图像，对所述腔室分割模型训练。
5.根据权利要求4所述的方法，其特征在于，训练所述动脉分割模型时，采用如下损失函数：
其中，R′为训练样本中图像块对应的人工标注，L′为所述动脉分割模型中该图像块的体素级类别概率，C为类别信道编号，N为类别总数，R′C为第C类图像块的人工标注，L′C为所述动脉分割模型中第C类图像块的体素级类别概率。
6.根据权利要求5所述的方法，其特征在于，训练所述腔室分割模型时，采用如下损失函数：
其中，RT为所述第三训练CTA图像中真腔的人工标注，R″1为所述第三训练CTA图像中夹层主动脉的标注，L″为所述腔室分割模型的输出结果。
7.根据权利要求6所述的方法，其特征在于，所述动脉分割模型和所述腔室分割模型的类型为三维卷积神经网络，所述动脉分割模型和所述腔室分割模型分别采用Inplace-ABN算法优化神经网络中的BN+ReLU的算法。
8.一种夹层动脉分割装置，其特征在于，所述装置包括：
获取模块，用于获取待分割主动脉的原始CTA图像；
截取模块，用于基于所述原始CTA图像中各个像素点的CT值，从所述原始CTA图像中截取出CT值在预设范围内的第一目标CTA图像；
标准化模块，用于按照预设的分辨率以及第一预设尺寸，对所述第一目标CTA图像进行标准化处理，得到第二目标CTA图像；
第一分割模块，用于利用训练好的动脉分割模型对所述第二目标CTA图像进行分割，得到标记有夹层主动脉及分支动脉的第一结构模型；
压缩模块，用于利用插值运算，将所述第二目标CTA图像压缩至第二预设尺寸，得到第三目标CTA图像；
第二分割模块，用于利用训练好的分割模型中的腔室分割模型对所述第三目标CTA图像进行分割，得到标记有夹层主动脉上的真腔和假腔的第二结构模型；
错分修正模块，用于基于所述第一结构模型及第二结构模型，对所述第二结构模型进行真腔和假腔的错分修正。
9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至7任一所述的夹层动脉分割方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述的夹层动脉分割方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911043818.0A CN110796670B (zh) | 2019-10-30 | 2019-10-30 | 一种夹层动脉分割方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911043818.0A CN110796670B (zh) | 2019-10-30 | 2019-10-30 | 一种夹层动脉分割方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110796670A true CN110796670A (zh) | 2020-02-14 |
| CN110796670B CN110796670B (zh) | 2022-07-26 |
Family
ID=69442144
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911043818.0A Active CN110796670B (zh) | 2019-10-30 | 2019-10-30 | 一种夹层动脉分割方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110796670B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111462047A (zh) * | 2020-03-06 | 2020-07-28 | 深圳睿心智能医疗科技有限公司 | 血管参数测量方法、装置、计算机设备和存储介质 |
| CN111932552A (zh) * | 2020-07-21 | 2020-11-13 | 深圳睿心智能医疗科技有限公司 | 一种主动脉建模的方法及装置 |
| CN112150454A (zh) * | 2020-09-30 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 一种主动脉夹层评估方法、装置、设备及存储介质 |
| CN112381811A (zh) * | 2020-11-20 | 2021-02-19 | 沈阳东软智能医疗科技研究院有限公司 | 一种实现医学影像数据标注的方法、装置及设备 |
| 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 |
| CN113012114A (zh) * | 2021-03-02 | 2021-06-22 | 推想医疗科技股份有限公司 | 一种血管识别方法、装置、存储介质及电子设备 |
| CN113362271A (zh) * | 2020-03-06 | 2021-09-07 | 深圳睿心智能医疗科技有限公司 | 血管三维影像分割方法、装置、计算机设备和存储介质 |
| CN113674291A (zh) * | 2021-08-16 | 2021-11-19 | 北京理工大学 | 一种全类型主动脉夹层真假腔图像分割方法及系统 |
| CN114332072A (zh) * | 2022-01-05 | 2022-04-12 | 北京理工大学 | 一种主动脉夹层疾病分型方法和装置、存储介质 |
| CN114663354A (zh) * | 2022-02-24 | 2022-06-24 | 中国人民解放军陆军军医大学 | 一种动脉夹层的智能分割方法、装置及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203852449U (zh) * | 2014-04-23 | 2014-10-01 | 中国人民解放军第二军医大学 | 主动脉夹层裂口封堵器 |
| CN105976384A (zh) * | 2016-05-16 | 2016-09-28 | 天津工业大学 | 基于GVF Snake模型的人体胸腹腔CT图像主动脉分割方法 |
| 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 |
| CN109700527A (zh) * | 2019-01-03 | 2019-05-03 | 北京理工大学 | 主动脉夹层的模型建立方法、模型及模拟手术检测方法 |
| CN110197493A (zh) * | 2019-05-24 | 2019-09-03 | 清华大学深圳研究生院 | 眼底图像血管分割方法 |
-
2019
- 2019-10-30 CN CN201911043818.0A patent/CN110796670B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203852449U (zh) * | 2014-04-23 | 2014-10-01 | 中国人民解放军第二军医大学 | 主动脉夹层裂口封堵器 |
| CN105976384A (zh) * | 2016-05-16 | 2016-09-28 | 天津工业大学 | 基于GVF Snake模型的人体胸腹腔CT图像主动脉分割方法 |
| 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 |
| CN109700527A (zh) * | 2019-01-03 | 2019-05-03 | 北京理工大学 | 主动脉夹层的模型建立方法、模型及模拟手术检测方法 |
| CN110197493A (zh) * | 2019-05-24 | 2019-09-03 | 清华大学深圳研究生院 | 眼底图像血管分割方法 |
Non-Patent Citations (5)
| Title |
|---|
| NAWEL FETNACI ET AL.: ""3D segmentation of the true and false lumens on CT aortic dissection images"", 《THREE-DIMENSIONAL IMAGE PROCESSING(3DIP) AND APPLICATION 2013》 * |
| NOAH LEE ET AL.: ""True-false lumen segmentation of aortic dissection using multi-scale wavelet analysis and generative-discriminative model matching"", 《MEDICAL IMAGING 2008:COMPUTER-AIDED DIAGNOSIS》 * |
| 徐梦佳: ""基于深度卷积神经网络的多模态医学影像分析方法研究"", 《中国优秀博硕士学位论文全文数据库（博士） 基础科技辑》 * |
| 时佳丽 等: ""基于2D DenseU-net的核磁共振海马体分割"", 《影像科学与光化学》 * |
| 葛阳阳 等: ""影像组学技术在B型主动脉夹层诊治中潜在应用价值"", 《中国实用外科杂志》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113362271B (zh) * | 2020-03-06 | 2022-09-09 | 深圳睿心智能医疗科技有限公司 | 血管三维影像分割方法、装置、计算机设备和存储介质 |
| CN111462047A (zh) * | 2020-03-06 | 2020-07-28 | 深圳睿心智能医疗科技有限公司 | 血管参数测量方法、装置、计算机设备和存储介质 |
| CN111462047B (zh) * | 2020-03-06 | 2024-03-12 | 深圳睿心智能医疗科技有限公司 | 血管参数测量方法、装置、计算机设备和存储介质 |
| CN113362271A (zh) * | 2020-03-06 | 2021-09-07 | 深圳睿心智能医疗科技有限公司 | 血管三维影像分割方法、装置、计算机设备和存储介质 |
| CN111932552A (zh) * | 2020-07-21 | 2020-11-13 | 深圳睿心智能医疗科技有限公司 | 一种主动脉建模的方法及装置 |
| CN111932552B (zh) * | 2020-07-21 | 2023-12-01 | 深圳睿心智能医疗科技有限公司 | 一种主动脉建模的方法及装置 |
| CN112150454A (zh) * | 2020-09-30 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 一种主动脉夹层评估方法、装置、设备及存储介质 |
| CN112150454B (zh) * | 2020-09-30 | 2023-12-26 | 上海联影医疗科技股份有限公司 | 一种主动脉夹层评估方法、装置、设备及存储介质 |
| CN112381811A (zh) * | 2020-11-20 | 2021-02-19 | 沈阳东软智能医疗科技研究院有限公司 | 一种实现医学影像数据标注的方法、装置及设备 |
| CN112381811B (zh) * | 2020-11-20 | 2024-05-28 | 沈阳东软智能医疗科技研究院有限公司 | 一种实现医学影像数据标注的方法、装置及设备 |
| 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 |
| CN113012114A (zh) * | 2021-03-02 | 2021-06-22 | 推想医疗科技股份有限公司 | 一种血管识别方法、装置、存储介质及电子设备 |
| CN113674291A (zh) * | 2021-08-16 | 2021-11-19 | 北京理工大学 | 一种全类型主动脉夹层真假腔图像分割方法及系统 |
| CN114332072A (zh) * | 2022-01-05 | 2022-04-12 | 北京理工大学 | 一种主动脉夹层疾病分型方法和装置、存储介质 |
| CN114663354A (zh) * | 2022-02-24 | 2022-06-24 | 中国人民解放军陆军军医大学 | 一种动脉夹层的智能分割方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110796670B (zh) | 2022-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110796670B (zh) | 一种夹层动脉分割方法及装置 | |
| CN109035255B (zh) | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 | |
| EP3879485B1 (en) | Tissue nodule detection and model training method and apparatus thereof, device and system | |
| CN108830155B (zh) | 一种基于深度学习的心脏冠状动脉分割及识别的方法 | |
| CN110706246B (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
| CN109146872B (zh) | 基于深度学习和光流法的心脏冠状动脉影像分割识别方法 | |
| CN107563983A (zh) | 图像处理方法以及医学成像设备 | |
| JP6776283B2 (ja) | 血管のセグメンテーションの方法および装置 | |
| CN107274402A (zh) | 一种基于胸部ct影像的肺结节自动检测方法及系统 | |
| CN111145206A (zh) | 肝脏图像分割质量评估方法、装置及计算机设备 | |
| CN111696089A (zh) | 一种动静脉确定方法、装置、设备和存储介质 | |
| CN111640120A (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
| CN105912874A (zh) | 基于dicom医学图像构建的肝脏三维数据库系统 | |
| CN109712163B (zh) | 冠脉提取方法、装置、图像处理工作站和可读存储介质 | |
| CN111462047A (zh) | 血管参数测量方法、装置、计算机设备和存储介质 | |
| CN110992370B (zh) | 一种胰腺组织的分割方法、装置及终端设备 | |
| Debarba et al. | Efficient liver surgery planning in 3D based on functional segment classification and volumetric information | |
| CN113889238B (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
| CN116503607B (zh) | 一种基于深度学习的ct图像分割方法和系统 | |
| CN112263217A (zh) | 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法 | |
| CN113935889A (zh) | 2d/3d冠状动脉自动配准方法、系统及介质 | |
| JP5536987B2 (ja) | 画像処理装置 | |
| CN116051738A (zh) | 基于cta影像的冠状动脉血管模型重构的方法和可读存储介质 | |
| CN116452618A (zh) | 一种三输入脊柱ct图像分割方法 | |
| CN114155193B (zh) | 一种基于特征强化的血管分割方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |