CN111028248A - 一种基于ct图像的静动脉分离方法及装置 - Google Patents
一种基于ct图像的静动脉分离方法及装置 Download PDFInfo
- Publication number
- CN111028248A CN111028248A CN201911320101.6A CN201911320101A CN111028248A CN 111028248 A CN111028248 A CN 111028248A CN 201911320101 A CN201911320101 A CN 201911320101A CN 111028248 A CN111028248 A CN 111028248A
- Authority
- CN
- China
- Prior art keywords
- lung
- dimensional
- mask
- static
- separation
- 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.)
- Pending
Links
- 230000003068 static effect Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000002591 computed tomography Methods 0.000 title description 40
- 210000004072 lung Anatomy 0.000 claims abstract description 84
- 238000000926 separation method Methods 0.000 claims abstract description 37
- 210000001367 artery Anatomy 0.000 claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000000284 resting effect Effects 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims description 13
- 210000003462 vein Anatomy 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 3
- 208000026151 Chronic thromboembolic pulmonary hypertension Diseases 0.000 description 2
- 208000019693 Lung disease Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 210000001147 pulmonary artery Anatomy 0.000 description 2
- 208000002815 pulmonary hypertension Diseases 0.000 description 2
- 210000003492 pulmonary vein Anatomy 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000010378 Pulmonary Embolism Diseases 0.000 description 1
- 208000008166 Right Ventricular Dysfunction Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000006814 right ventricular dysfunction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002792 vascular 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
- 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
- G06T2207/30061—Lung
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于CT图像的静动脉分离方法及装置，相比于传统方法和医生手工标注，提高了静动脉分离的效率和精度，实现了全自动的静动脉分离，无需人工介入。发明内容的主要步骤包括：使用预设的三维肺分割模型对胸部CT图像进行肺部区域分割，得到肺部区域的三维掩模(mask)；对所述肺mask做凸包操作，并根据所述凸包后的肺mask取肺部区域，并将所述肺外区域像素值置为0，且根据所述肺mask得到最大肺外接包围框；利用预设的无下采样三维空洞卷积神经网络在所述肺外接包围框内对所述肺分割后的CT图像进行静动脉分离，得到静动脉mask。由于使用了精准的标注数据进行训练，再加上使用三维空洞卷积神经网络进行学习，减少信息量的丢失，实现了静动脉精准分离。
Description
技术领域
本发明设计医学影像处理领域，特别涉及一种基于CT图像的静动脉分离方法及装置。
背景技术
在过去的几十年里，计算机断层扫描(CT)已经成为诊断和评估肺部疾病、最常见的成像方式。现代CT扫描仪结合现代成像技术，允许使用低辐射剂量(半)自动识别和提取肺结构，如血管和支气管，具有较高的准确性。然而，尽管近年来在CT图像分割技术方面取得了一定的进展，但仍有许多问题没有得到解决。其中，肺动脉和肺静脉的识别和鉴别是最具挑战性的问题之一。
将肺血管分为动脉/静脉(A/V)可能有助于医生准确诊断可能以特定方式影响动脉或静脉树的肺部疾病。例如，最近的研究表明，A/V分类可以更好地评估肺栓塞，而动脉树的变化与慢性血栓栓塞性肺动脉高压(CTEPH)的发展相关。此外，肺实质内动脉的改变与右心室功能障碍有关。为了检测两棵血管树的变化，医生手动分析患者的胸部CT图像以寻找异常。这个过程是耗时的，难以标准化，因此不适合大型临床研究或在现实世界的临床决策。因此，在CT图像中实现动静脉的自动分离成为人们关注的热点，它可以帮助医生准确诊断病变。
因此，我们提出了一种全自动的基于深度卷积神经网络的静动脉分离方法，可以提高静动脉分离的效率和精度。
发明内容
本发明实施例提供一种基于CT图像的静动脉分离方法及装置，用以自动分离胸部CT图像中肺动脉和肺静脉。
本发明实施例提供一种基于CT图像的静动脉分离方法，包括：
使用预设的三维肺分割模型对胸部CT图像进行肺部区域分割，得到肺部区域的三维掩模(mask)；
对所述肺mask做凸包操作，并根据所述凸包后的肺mask取肺部区域，并将所述肺外区域像素值置为0，且根据所述肺mask得到最大肺外接包围框；
利用预设的无下采样三维空洞卷积神经网络在所述肺外接包围框内对所述肺分割后的CT图像进行静动脉分离，得到静动脉mask。
可选的，所述三维肺分割模型可以为基于深度学习的三维分割模型。
可选的，对所述肺mask做凸包操作，包括：
将三维mask转换为多张二维mask；然后，对每张二维mask做凸包；最后按照顺序，将多张二维mask组成三维mask。
可选的，所述预设的无下采样三维空洞卷积神经网络的网络参数通过训练得到，其中训练数据由经验丰富的专业医生标注得到，训练数据为3维数据块。
可选的，所述无下采样三维空洞卷积神经网络由三维空洞卷积（3D AtrousConvolution）模块和三维卷积模块组成，包括：
整个网络从输入到输出无下采样操作、不进行池化操作，即每个层的特征图大小和网络输入数据大小一致，从而保留分割所需的细节信息；
网络的中间层通过多个空洞卷积连接获得静动脉分离所需的上下文全局信息；
网络的低层特征和高层特征通过堆叠（concat）或相加（add）进行连接，来获得静动脉分离所需的细节信息；
网络的最后一层为Softmax激活输出层。
可选的，进行静动脉分离需要对CT图像进行切块然后预测，包括：
将三维CT图像矩阵切成m×n×k的立方块，然后利用所述无下采样三维空洞卷积神经网络将切块分割成背景、静脉和动脉三类，即静动脉分离，最后将所有立方块的分割结果组合成最后的分割结果，得到静动脉分离。
相应的，本发明实施例还提供了一种基于CT图像的静动脉分离装置，其特征在于，包括：
肺分割模块，使用预设的三维肺分割模型对胸部CT图像进行肺部区域分割，得到肺部区域的三维掩模(mask)；
肺部区域处理模块，对所述肺mask做凸包操作，并根据所述凸包后的肺mask取肺部区域，并将所述肺外区域像素值置为0，且根据所述肺mask得到最大肺外接包围框；
静动脉分离模块，利用预设的无下采样三维空洞卷积神经网络在所述肺外接包围框内对所述肺分割后的CT图像进行静动脉分离，得到静动脉mask。
相应的，本发明实施例还提供了一种计算设备，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行权利要求1至6任一项所述的方法。
相应的，本发明实施例还提供了一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行上述基于CT图像的静动脉分离的方法。
如上所述，本发明所述的一种基于CT图像的静动脉分离方法及装置，具有以下有益效果：
在本发明实施例中，通过卷积神经网络实现端到端且全自动的静动脉分离，无需医生手动标记，大大提高了静动脉分离效率。利用三维空洞卷积充分提取图像特征实现精确的静动脉分离。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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的附图。
图1为本发明提供的一种基于CT图像静动脉分离的流程图。
图2为本发明提供的一种基于CT图像的静动脉分离装置的流程示意图。
图3为本发明提供的一种系统架构示意图。
图4为本发明提供的用于静动脉分离的无下采样三维空洞卷积神经网络示意图。
图5为本发明提供的基于CT图像的静动脉分离结果三维示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
图1展示了本发明提供的一种基于CT图像的静动脉分离方法所对应的流程图，该流程图可以由一种基于CT图像的静动脉分离装置执行，包括如下步骤：
步骤101，使用预设的三维肺分割模型对胸部CT图像进行肺部区域分割，得到肺部区域的三维掩模(mask)。
首先，使用现有的三维肺分割模型对胸部CT图像进行肺分割，得到肺mask，三维肺分割模型可以是基于卷积神经网络的深度学习，也可以是基于阈值的分割模型。
步骤102，对所述肺mask做凸包操作，并根据所述凸包后的肺mask取肺部区域，并将所述肺外区域像素值置为0，且根据所述肺mask得到最大肺外接包围框。
将三维mask转换为多张二维mask；然后，对每张二维mask做凸包；最后按照顺序，将多张二维mask组成三维mask。
步骤103，利用预设的无下采样三维空洞卷积神经网络在所述肺外接包围框内对所述肺分割后的CT图像进行静动脉分离，得到静动脉mask。
将CT图像在x，y，z方向上的体素间隔插值到指定大小，并将CT图像进行灰度值归一化。
预设的模型是使用训练集数据训练得到，首先通过一名经验丰富的医生对CT数据中的静脉和动脉进行标注，得到静脉和动脉的分割mask，标注完成后由另外一名医生对标注的分割mask进行校对。
然后将图像及其对应的mask进行切块，切块到指定大小，例如切块到90×90×90的立方块。
训练时可以对训练数据进行数据增强操作，例如随机翻转、0到180度的旋转、0.8到1.2倍的缩放等。
如图4所示，该无下采样三维空洞卷积神经网络包含7个空洞卷积层，前6个卷积的卷积核大小为3×3，最后一层卷积核大小为1×1，且空洞卷积率依次为[1，2，4，4，2，1，1]，浅层特征图和深层特征图通过跳跃concat连接，最后一层的激活为softmax激活，且输出的通道数为3，分别预测非血管区域、动脉区域和静脉区域，然后采用反向传播算法以及Adam优化算法进行参数迭代优化。
整个网络从输入到输出无下采样操作、不进行池化操作，即每个层的特征图大小和网络输入数据大小一致，从而保留分割所需的细节信息，且利用空洞卷积增加感受野大小；
网络的中间层通过多个空洞卷积连接获得静动脉分离所需的上下文全局信息；
可选的，若用于计算的设备的显存空间不足，则可以将需要CT图像切分成到指定大小的立方块，然后输入到无下采样三维空洞卷积神经网络，得到非血管区域、动脉区域和静脉区域，最后将预测得到的结果按照切分时的顺序恢复成原始CT的大小。
基于相同的技术构思，图2示例性的显示出了本发明实施例提供的一种基于CT图像的静动脉分离装置，该装置可以执行静动脉分离方法的流程。
肺分割模块201，使用预设的三维肺分割模型对胸部CT图像进行肺部区域分割，得到肺部区域的三维掩模(mask)；
肺部区域处理模块202，对所述肺mask做凸包操作，并根据所述凸包后的肺mask取肺部区域，并将所述肺外区域像素值置为0，且根据所述肺mask得到最大肺外接包围框；
静动脉分离模块203，利用预设的无下采样三维空洞卷积神经网络在所述肺外接包围框内对所述肺分割后的CT图像进行静动脉分离，得到静动脉mask。
相应的，本发明实施例还提供了一种计算设备，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行上述静动脉分离的方法。
相应的，本发明实施例还提供了一种计算机可读非易失性存储介质，其特征在于，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行上述基于CT的静动脉分离方法。
图3为本发明实施例提供的基于CT的静动脉分离方法所适用的系统架构，该系统架构可以为服务器100，包括处理器110、通信接口120、存储器130和终端设备140。
其中，通信接口120用于医生适用的终端设备140进行通信，收发该终端设备传输的信息，实现通信。
处理器110是服务器100的控制中心，利用各种接口和线路连接整个服务器100的各个部分，通过运行或执行存储在存储器130内的软件程序以及模块，以及调用存储在存储器130内的数据，执行服务器100的各种功能和处理数据。
可选的，处理器110可以包括一个或多个处理单元。
存储器130可用于存储软件程序以及模块，处理器110通过运行存储在存储器130的软件程序以及模块，从而执行各种功能应用以及数据处理。
存储器130主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据业务处理所创建的数据等。
此外，存储器130可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
需要说明的是，上述图3所示的结构仅是一种示例，本发明实施例对此不做限定。
本发明是参照根据本发明实施例的方法、设备(系统)、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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改，所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的精髓和范围，这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于CT图像的静动脉分离方法，其特征在于，包括：
使用预设的三维肺分割模型对胸部CT图像进行肺部区域分割，得到肺部区域的三维掩模mask；
对所述肺mask做凸包操作，并根据所述凸包后的肺mask取肺部区域，并将所述肺外区域像素值置为0，且根据所述肺mask得到最大肺外接包围框；
利用预设的无下采样三维空洞卷积神经网络在所述肺外接包围框内对所述肺分割后的CT图像进行静动脉分离，得到静动脉mask。
2.根据权利要求1所述，其特征在于，所述三维肺分割模型可以为基于深度学习的三维分割模型。
3.根据权利要求1所述，其特征在于，对所述肺mask做凸包操作，包括：
将三维mask转换为多张二维mask；然后，对每张二维mask做凸包；最后按照顺序，将多张二维mask组成三维mask。
4.根据权利要求1所述，其特征在于，所述预设的无下采样三维空洞卷积神经网络的网络参数通过训练得到，其中训练数据由经验丰富的专业医生标注得到，训练数据为3维数据块。
5.根据权利要求1所述，其特征在于，所述无下采样三维空洞卷积神经网络由三维空洞卷积3D Atrous Convolution模块和三维卷积模块组成，包括：
整个网络从输入到输出无下采样操作、不进行池化操作，即每个层的特征图大小和网络输入数据大小一致，从而保留分割所需的细节信息；
网络的中间层通过多个空洞卷积连接获得静动脉分离所需的上下文全局信息；
网络的低层特征和高层特征通过堆叠concat或相加add进行连接，来获得静动脉分离所需的细节信息；
网络的最后一层为Softmax激活输出层。
6.根据权利要求1所述，其特征在于，进行静动脉分离需要对CT图像进行切块然后预测，包括：
将三维CT图像矩阵切成m×n×k的立方块，然后利用所述无下采样三维空洞卷积神经网络将切块分割成背景、静脉和动脉三类，即静动脉分离，最后将所有立方块的分割结果组合成最后的分割结果，得到静动脉分离。
7.一种基于CT图像的静动脉分离装置，其特征在于，包括：
肺分割模块，使用预设的三维肺分割模型对胸部CT图像进行肺部区域分割，得到肺部区域的三维掩模mask；
肺部区域处理模块，对所述肺mask做凸包操作，并根据所述凸包后的肺mask取肺部区域，并将所述肺外区域像素值置为0，且根据所述肺mask得到最大肺外接包围框；
静动脉分离模块，利用预设的无下采样三维空洞卷积神经网络在所述肺外接包围框内对所述肺分割后的CT图像进行静动脉分离，得到静动脉mask。
8.一种计算设备，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行权利要求1至6任一项所述的方法。
9.一种计算机可读非易失性存储介质，其特征在于，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行如权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911320101.6A CN111028248A (zh) | 2019-12-19 | 2019-12-19 | 一种基于ct图像的静动脉分离方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911320101.6A CN111028248A (zh) | 2019-12-19 | 2019-12-19 | 一种基于ct图像的静动脉分离方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111028248A true CN111028248A (zh) | 2020-04-17 |
Family
ID=70211145
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911320101.6A Pending CN111028248A (zh) | 2019-12-19 | 2019-12-19 | 一种基于ct图像的静动脉分离方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111028248A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111724356A (zh) * | 2020-06-04 | 2020-09-29 | 杭州健培科技有限公司 | 一种用于ct影像肺炎识别的图像处理方法和系统 |
| CN113409328A (zh) * | 2021-06-02 | 2021-09-17 | 东北大学 | Ct图像的肺动静脉分割方法、装置、介质及设备 |
| CN113706541A (zh) * | 2020-05-20 | 2021-11-26 | 青岛海信医疗设备股份有限公司 | 一种图像处理方法及装置 |
| CN114693698A (zh) * | 2020-12-30 | 2022-07-01 | 四川大学华西医院 | 一种基于神经网络的计算机辅助肺气道分割方法 |
| CN114972859A (zh) * | 2022-05-19 | 2022-08-30 | 推想医疗科技股份有限公司 | 像元的分类方法、模型训练方法、装置、设备和介质 |
| CN115100222A (zh) * | 2022-08-24 | 2022-09-23 | 首都医科大学附属北京朝阳医院 | 分离动静脉血管的图像处理方法、装置、存储介质及终端 |
| JP2022546149A (ja) * | 2020-07-30 | 2022-11-04 | インファービジョン メディカル テクノロジー カンパニー リミテッド | 画像分割方法及び装置、画像分割モデルのトレーニング方法及び装置 |
| CN117059263A (zh) * | 2023-06-02 | 2023-11-14 | 中国医学科学院阜外医院 | 基于双视图胸片的肺动脉高压发生概率的确定方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108629784A (zh) * | 2018-05-08 | 2018-10-09 | 上海嘉奥信息科技发展有限公司 | 一种基于深度学习的ct图像颅内血管分割方法及系统 |
| WO2018205922A1 (en) * | 2017-05-08 | 2018-11-15 | Suzhou Complexis Medical Inc. | Methods and systems for pulmonary function test based on diagnostic medical imaging and machine learning |
| CN109584223A (zh) * | 2018-11-20 | 2019-04-05 | 北京中科研究院 | Ct图像中肺部血管分割方法 |
| CN109636808A (zh) * | 2018-11-27 | 2019-04-16 | 杭州健培科技有限公司 | 一种基于全卷积神经网络的肺叶分割方法 |
| CN109636802A (zh) * | 2019-01-18 | 2019-04-16 | 天津工业大学 | 基于深度卷积神经网络的肺实质经ct图像分割方法 |
-
2019
- 2019-12-19 CN CN201911320101.6A patent/CN111028248A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018205922A1 (en) * | 2017-05-08 | 2018-11-15 | Suzhou Complexis Medical Inc. | Methods and systems for pulmonary function test based on diagnostic medical imaging and machine learning |
| CN108629784A (zh) * | 2018-05-08 | 2018-10-09 | 上海嘉奥信息科技发展有限公司 | 一种基于深度学习的ct图像颅内血管分割方法及系统 |
| CN109584223A (zh) * | 2018-11-20 | 2019-04-05 | 北京中科研究院 | Ct图像中肺部血管分割方法 |
| CN109636808A (zh) * | 2018-11-27 | 2019-04-16 | 杭州健培科技有限公司 | 一种基于全卷积神经网络的肺叶分割方法 |
| CN109636802A (zh) * | 2019-01-18 | 2019-04-16 | 天津工业大学 | 基于深度卷积神经网络的肺实质经ct图像分割方法 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113706541B (zh) * | 2020-05-20 | 2024-04-19 | 青岛海信医疗设备股份有限公司 | 一种图像处理方法及装置 |
| CN113706541A (zh) * | 2020-05-20 | 2021-11-26 | 青岛海信医疗设备股份有限公司 | 一种图像处理方法及装置 |
| CN111724356A (zh) * | 2020-06-04 | 2020-09-29 | 杭州健培科技有限公司 | 一种用于ct影像肺炎识别的图像处理方法和系统 |
| CN111724356B (zh) * | 2020-06-04 | 2023-08-18 | 杭州健培科技有限公司 | 一种用于ct影像肺炎识别的图像处理方法和系统 |
| JP2022546149A (ja) * | 2020-07-30 | 2022-11-04 | インファービジョン メディカル テクノロジー カンパニー リミテッド | 画像分割方法及び装置、画像分割モデルのトレーニング方法及び装置 |
| JP7250166B2 (ja) | 2020-07-30 | 2023-03-31 | インファービジョン メディカル テクノロジー カンパニー リミテッド | 画像分割方法及び装置、画像分割モデルのトレーニング方法及び装置 |
| CN114693698A (zh) * | 2020-12-30 | 2022-07-01 | 四川大学华西医院 | 一种基于神经网络的计算机辅助肺气道分割方法 |
| CN114693698B (zh) * | 2020-12-30 | 2023-06-20 | 四川大学华西医院 | 一种基于神经网络的计算机辅助肺气道分割方法 |
| CN113409328B (zh) * | 2021-06-02 | 2024-01-02 | 东北大学 | Ct图像的肺动静脉分割方法、装置、介质及设备 |
| CN113409328A (zh) * | 2021-06-02 | 2021-09-17 | 东北大学 | Ct图像的肺动静脉分割方法、装置、介质及设备 |
| CN114972859A (zh) * | 2022-05-19 | 2022-08-30 | 推想医疗科技股份有限公司 | 像元的分类方法、模型训练方法、装置、设备和介质 |
| CN115100222B (zh) * | 2022-08-24 | 2022-12-09 | 首都医科大学附属北京朝阳医院 | 分离动静脉血管的图像处理方法、装置、存储介质及终端 |
| CN115100222A (zh) * | 2022-08-24 | 2022-09-23 | 首都医科大学附属北京朝阳医院 | 分离动静脉血管的图像处理方法、装置、存储介质及终端 |
| CN117059263A (zh) * | 2023-06-02 | 2023-11-14 | 中国医学科学院阜外医院 | 基于双视图胸片的肺动脉高压发生概率的确定方法及系统 |
| CN117059263B (zh) * | 2023-06-02 | 2024-01-19 | 中国医学科学院阜外医院 | 基于双视图胸片的肺动脉高压发生概率的确定方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111028248A (zh) | 一种基于ct图像的静动脉分离方法及装置 | |
| Cai et al. | A review of the application of deep learning in medical image classification and segmentation | |
| CN110807788B (zh) | 医学图像处理方法、装置、电子设备及计算机存储介质 | |
| WO2020001217A1 (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 | |
| CN108198184B (zh) | 造影图像中血管分割的方法和系统 | |
| US20230104173A1 (en) | Method and system for determining blood vessel information in an image | |
| CN111429460B (zh) | 图像分割方法、图像分割模型训练方法、装置和存储介质 | |
| CN110298844B (zh) | X光造影图像血管分割与识别方法及装置 | |
| CN110599500B (zh) | 一种基于级联全卷积网络的肝脏ct图像的肿瘤区域分割方法及系统 | |
| CN112541893B (zh) | 一种三维断层扫描图像中树状结构分叉关键点的检测方法 | |
| JP2018139693A (ja) | 画像分類装置、方法およびプログラム | |
| CN114494296A (zh) | 一种基于Unet和Transformer相融合的脑部胶质瘤分割方法与系统 | |
| CN111179269B (zh) | 一种基于多视图和三维卷积融合策略的pet图像分割方法 | |
| CN110570394B (zh) | 医学图像分割方法、装置、设备及存储介质 | |
| CN110859642B (zh) | 一种基于AlexNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质 | |
| CN112348818B (zh) | 一种图像分割方法、装置、设备以及存储介质 | |
| CN115546570A (zh) | 一种基于三维深度网络的血管图像分割方法及系统 | |
| CN114004811A (zh) | 一种基于多尺度残差编解码网络的图像分割方法及系统 | |
| CN112862835A (zh) | 冠脉血管分割方法、装置、设备及计算机可读存储介质 | |
| CN112070752A (zh) | 一种医学图像的心耳分割方法、装置及存储介质 | |
| CN112561877A (zh) | 多尺度双通道卷积模型训练方法、图像处理方法及装置 | |
| Ravichandran et al. | 3D inception U-Net for aorta segmentation using computed tomography cardiac angiography | |
| CN110992310A (zh) | 一种确定纵隔淋巴结所在分区的方法及装置 | |
| CN114693671A (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
| CN112884706B (zh) | 一种基于神经网络模型的图像评估系统和相关产品 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200417 |