CN111062963A - 一种血管提取方法、系统、设备及存储介质 - Google Patents
一种血管提取方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN111062963A CN111062963A CN201911294902.XA CN201911294902A CN111062963A CN 111062963 A CN111062963 A CN 111062963A CN 201911294902 A CN201911294902 A CN 201911294902A CN 111062963 A CN111062963 A CN 111062963A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- perfusion data
- vessel extraction
- sample
- extraction model
- 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 181
- 238000000605 extraction Methods 0.000 title claims abstract description 165
- 230000010412 perfusion Effects 0.000 claims abstract description 147
- 238000003384 imaging method Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012937 correction Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 11
- 210000001367 artery Anatomy 0.000 description 15
- 210000003462 vein Anatomy 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 5
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000004087 circulation Effects 0.000 description 3
- 239000002872 contrast media Substances 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003788 cerebral perfusion Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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)
- Image Analysis (AREA)
Abstract
本发明公开了一种血管提取方法、系统、设备及存储介质。通过获取当前成像对象的待提取灌注数据，将待提取灌注数据输入至预先训练好的目标血管提取模型，根据目标血管提取模型的输出结果得到灌注数据的血管提取结果，其中，目标血管提取模型根据历史成像对象的样本灌注数据和历史成像对象的样本血管掩模图像训练得到。解决了现有技术中利用两峰来判断阈值的方案不准确，导致血管提取效果较差的问题，达到了通过训练完成的目标血管提取模型准确快速得到血管提取结果的目的，实现提高提高血管提取效率和准确度的效果。
Description
技术领域
本发明实施例涉及图像处理技术，尤其涉及一种血管提取方法、系统、设备及存储介质。
背景技术
近年来，灌注成像在肿瘤诊断、预防以及治疗等方面的研究越来越广泛。灌注成像可用于定量分析组织的微血管分布情况和血流灌注状态，为脑灌注异常疾病(如脑卒中等)提供诊断依据，同时为治疗决策的制定提供有效的参考。
目前，临床上通常采用将平扫CT和血管造影(CT Angiography，CTA)等影像结合进行脑灌注异常疾病的诊断，但是有较大的辐射剂量。CT灌注成像(CT Perfusion，CTP)为对选定区域采集多个时间点的动态图像，以记录该区域组织中造影剂浓度随时间的变化情况。理论上CTP中比CTA包含更多信息，不仅可以提取血管，也可以依据动静脉的不同特征来区分动静脉。这样一方面避免了由于CTA中动脉期抓取时间不当造成动脉血管难以提取的问题，另一方面为诊断提供更丰富血管信息的同时可在一定程度上降低病人的辐射剂量。
采用上述方法进行图像分析时，利用造影剂浓度曲线的高斯一阶导数曲线的均对值的和来增强血管，采用自动阈值进行血管提取，并利用导数曲线过零点来构建造影剂浓度的达峰时间(TTP)特征，利用TTP特征直方图信息，假设动静脉的TTP直方图的分布是双峰结构，认为两峰之间的最小值为区分动静脉的阈值。然而，当动脉血管发生病变时，静脉达峰时间可能早于病变动脉达峰时间，TTP直方图会出现多峰的情况，因而，利用两峰来判断阈值的方案不准确，血管提取效果较差。
发明内容
本发明提供一种血管提取方法、系统、设备及存储介质，以实现提高血管提取效果。
第一方面，本发明实施例提供了一种血管提取方法，其中，包括：
获取当前成像对象的待提取灌注数据；
将所述待提取灌注数据输入至预先训练好的目标血管提取模型，根据所述目标血管提取模型的输出结果得到所述灌注数据的血管提取结果；其中，所述目标血管提取模型根据历史成像对象的样本灌注数据和历史成像对象的样本血管掩模图像训练得到。
第二方面，本发明实施例还提供了一种血管提取系统，其中，包括：
灌注数据获取模块，用于获取当前成像对象的待提取灌注数据；
血管提取结果输出模块，用于将所述待提取灌注数据输入至预先训练好的目标血管提取模型，根据所述目标血管提取模型的输出结果得到所述灌注数据的血管提取结果；其中，所述目标血管提取模型根据历史成像对象的样本灌注数据和历史成像对象的样本血管掩模图像训练得到。
第三方面，本发明实施例还提供了一种血管提取设备，包括存储器、一个或多个处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时可用于执行如第一方面中任一所述的血管提取方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如第一方面中任一所述的血管提取方法。
本发明实施例提供的技术方案，通过获取当前成像对象的待提取灌注数据，将待提取灌注数据输入至预先训练好的目标血管提取模型，根据目标血管提取模型的输出结果得到灌注数据的血管提取结果，其中，目标血管提取模型根据历史成像对象的样本灌注数据和历史成像对象的样本血管掩模图像训练得到。解决了现有技术中利用两峰来判断阈值的方案不准确，导致血管提取效果较差的问题，达到了通过训练完成的目标血管提取模型准确快速得到血管提取结果的目的，实现提高提高血管提取效率和准确度的效果。
附图说明
图1为本发明实施例一提供的一种血管提取方法的流程示意图；
图2为本发明实施例一提供的初始血管提取模型的模块示意图；
图3为本发明实施例二提供的一种血管提取方法的流程示意图；
图4是本发明实施例二提供的初始血管提取模型的模块示意图；
图5为本发明实施例三提供的一种血管提取系统的结构示意图；
图6为本发明实施例四提供的一种血管提取设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种血管提取方法的流程示意图，本实施例可适用于将待提取灌注数据输入至目标血管提取模型提取血管的情况，该方法可以由血管提取系统来执行，其中该系统可由软件和/或硬件实现，并一般集成在终端中。具体参见图1所示，该方法可以包括如下步骤：
S110，获取当前成像对象的待提取灌注数据。
其中，当前成像对象可以理解为需要进行动脉血管和静脉血管提取的部位。例如，头部、胸部以及颈部等。待提取灌注数据可以理解为进行血管提取的原始数据，可以包括动脉血管数据、静脉血管数据以及毛细血管数据等。
S120，将待提取灌注数据输入至预先训练好的目标血管提取模型，根据目标血管提取模型的输出结果得到灌注数据的血管提取结果。
其中，目标血管提取模型根据历史成像对象的样本灌注数据和历史成像对象的样本血管掩模图像训练得到。其中，血管提取结果可以包括动脉血管、静脉血管和背景信息等。
其中，样本灌注数据可以理解为标准的灌注数据或者为金标准数据，样本血管掩模图像可以理解为标准的血管掩模图像或者金标准图像。可以理解的是，样本灌注数据和样本血管掩模图像可以在医生指导进行制作，如存在异议，需医生经过讨论确定，从而得到统一标准的结果作为金标准。
可选地，目标血管提取模型可以为深度分割模型，例如，U-Net(U型全卷积神经网络)，V-Net(V型全卷积神经网络)或者DeepLab(通过数据流编程的符号数学系统基于积神经网络开发的语义分割模型)等。可选地，可以通过以下方式对目标血管提取模型进行训练：
(a)获取历史成像对象的样本灌注数据；其中，样本灌注数据包括每个历史成像对象的至少一个成像维度的灌注数据；
(b)将样本灌注数据输入至初始血管提取模型中，得到预测血管掩模图像，根据预测血管掩模图像与样本血管掩模图像调节初始血管提取模型的网络参数，得到目标血管提取模型。
其中，初始血管提取模型可以为循环模型，网络参数可以为预测血管掩模图像与样本血管掩模图像预测血管掩模图像与样本血管掩模图像的损失函数。
如图2所示为本实施例提供的初始血管提取模型的模块示意图。结合图2所示，初始血管提取模型包括多个循环网络模块，每个循环网络模块可以对应一个期相，可以将样本灌注数据先通过预特征提取模块进行特征提取，这些特征可以包括时间维度的特征、空间维度的特征以及其他特征，然后将提取的特征按照时间顺序送入循环网络模块，得到预测血管掩模图像，并根据预测血管掩模图像和样本血管掩模图像计算损失函数(可以为网络参数)，待损失函数趋于稳定时，得到训练好的目标血管提取模型。
可以理解的是，样本灌注数据可能存在运动位移，在初始血管提取模型进行训练之前，需要对样本灌注数据进行运动矫正。可选地，在将样本灌注数据输入至初始血管提取模型中之前，还包括：对样本灌注数据进行运动校正，根据运动校正的校正结果更新样本灌注数据。可选地，可以通过将获取的至少两个样本灌注数据进行配准的方式对样本灌注数据进行矫正。
可以理解的是，在对目标血管提取模型训练阶段，由于样本灌注数据可能存在运动位移，需要对样本灌注数据进行运动校正。同样道理，在目标血管提取模型的应用阶段，待提取灌注数据也可能存在运动位移，因而，在将待提取灌注数据输入至预先训练好的目标血管提取模型中之前，还包括：对待提取灌注数据进行运动校正，根据运动校正的校正结果更新待提取灌注数据，避免血管提取结果受运动伪影的影响。可选地，也可以通过将获取的至少两个待提取灌注数据进行配准的方式对待提取灌注数据进行运动校正。
可选地，得到动脉掩模和静脉掩模之后，还可以通过连通域分析和腐蚀膨胀等后处理操作，对动脉掩模和静脉掩模进行后处理，得到去除噪声的动脉掩模和静脉掩模。
本发明实施例提供的技术方案，通过获取当前成像对象的待提取灌注数据，将待提取灌注数据输入至预先训练好的目标血管提取模型，根据目标血管提取模型的输出结果得到灌注数据的血管提取结果，其中，目标血管提取模型根据历史成像对象的样本灌注数据和历史成像对象的样本血管掩模图像训练得到。解决了现有技术中利用两峰来判断阈值的方案不准确，导致血管提取效果较差的问题，达到了通过训练完成的目标血管提取模型准确快速得到血管提取结果的目的，实现提高提高血管提取效率和准确度的效果。
实施例二
图3为本发明实施例二提供的一种血管提取方法的流程示意图。本实施例的技术方案在上述实施例的基础上进行了细化，可选地，所述将所述样本灌注数据输入至初始血管提取模型中，包括：提取所述样本灌注数据的特征数据，得到特征灌注数据，并将所述特征灌注数据输入至初始血管提取模型中；其中，所述特征灌注数据包括同一个成像维度的至少两个特征图。具体参见图3所示，本实施例的方法可以包括如下步骤：
S310，获取历史成像对象的样本灌注数据。
S320，提取样本灌注数据的特征数据，得到特征灌注数据，并将特征灌注数据输入至初始血管提取模型中。
与上述实施例同样的道理，在提取样本灌注数据的特征数据之前，可以对样本灌注数据进行运动校正，以矫正运动伪影。
可以理解的是，不同用户的样本灌注数据的时间维度不一定相同，可以通过提取特征数据的方式统一初始血管提取模型的输入通道数。可选地，特征灌注数据可以包括同一个成像维度的至少两个特征图，成像维度包括时间维度、角度维度以及层面维度中的至少一个。可选地，特征图至少包括任意一个成像维度的最大值特征图和达峰时间特征图，其中，最大值特征图和达峰时间特征图与体数据的灰度值有关。
可选地，目标血管提取模型的训练过程可以分为以下步骤：
(1)对输入的特征灌注数据的至少两个特征图分别进行自适应的归一化方法，比如对于最大值特征图是HU值(X线穿过组织被吸收后的衰减值)时间维度的投影，可以利用窗宽窗位的方式归一化。达峰时间特征图可以用最大最小值归一化等等。
(2)将至少两个特征图统一到相同的分辨率下，比如[1，1，1]单位是mm。
(3)对上一步的至少两个特征图和动静脉掩模进行随机裁剪，裁剪大小根据硬件情况设置，比如[64，64，64]。
(4)将裁剪后的至少两个特征图，按批送入初始血管提取模型中进行训练，训练网络可以是U-Net，V-Net或者DeepLab等。
(5)初始血管提取模型的输出结果(即预测血管掩模图像)与金标准(即样本血管掩模图像)进行损失函数(即网络参数)计算，损失函数可以表示为Dice Loss。
(6)利用反向传播理论，更新梯度以及损失函数。
(7)重复上述步骤，直到损失函数收敛，结束训练，从而得到训练好的目标血管提取模型。
如图4所示为本实施例提供的初始血管提取模型的模块示意图。如图4所示，初始血管提取模型的输入数据为样本灌注数据，通过对样本灌注数据进行运动矫正和特征数据提取，得到特征灌注数据，即得到最大值特征图和达峰时间特征图，将最大值特征图和达峰时间特征图输入至初始血管提取模型的输入通道，通过不同的时间对应的期相，通过输出通道输出动脉掩模、静脉掩模和背景掩模，然后对动脉掩模、静脉掩模和背景掩模进行图像后处理，得到动脉掩模和静脉掩模，即得到预测血管掩模图像。
可选地，最大值特征图和达峰时间特征图可以是样本灌注数据的初始的特征数据，也可以是对初始的特征数据进行旋转和平移等操作得到的，本实施例对最大值特征图和达峰时间特征图具体地增广形式不做具体限定。
S330，获取当前成像对象的待提取灌注数据。
S340，将待提取灌注数据输入至预先训练好的目标血管提取模型，根据目标血管提取模型的输出结果得到灌注数据的血管提取结果。
可以理解的是，通过S320提取了样本灌注数据的特征数据对初始血管提取模型进行训练，因而，在利用目标血管提取模型输出血管提取结果时，也需要对待提取灌注数据进行特征提取，即提取待提取灌注数据的特征数据，然后将待提取灌注数据的特征数据输入至目标血管提取模型中，得到血管提取结果，即得到动脉掩模和静脉掩模。可选地，得到动脉掩模和静脉掩模之后，还可以通过连通域分析和腐蚀膨胀等后处理操作，对动脉掩模和静脉掩模进行后处理，得到去除噪声的动脉掩模和静脉掩模。
本发明实施例提供的技术方案，通过提取样本灌注数据的特征数据，得到特征灌注数据，并将特征灌注数据输入至初始血管提取模型中，以根据特征灌注数据对初始血管提取模型进行训练，得到目标血管提取模型，可以达到在不同用户的样本灌注数据的数据时间维度不一致时，有效利用时间信息，空间形状以及空间位置信息对初始血管提取模型进行训练的目的，实现提高目标血管提取模型训练效率的效果。
实施例三
图5为本发明实施例三提供的一种血管提取系统的结构示意图。参见图5所示，该系统包括：灌注数据获取模块51和血管提取结果输出模块52。
其中，灌注数据获取模块51，用于获取当前成像对象的待提取灌注数据；
血管提取结果输出模块52，用于将待提取灌注数据输入至预先训练好的目标血管提取模型，根据目标血管提取模型的输出结果得到灌注数据的血管提取结果；其中，目标血管提取模型根据历史成像对象的样本灌注数据和历史成像对象的样本血管掩模图像训练得到。
在上述各技术方案的基础上，该系统还包括：目标血管提取模型训练模块；其中，目标血管提取模型训练模块，用于获取历史成像对象的样本灌注数据；其中，样本灌注数据包括每个历史成像对象的至少一个成像维度的灌注数据；
将样本灌注数据输入至初始血管提取模型中，得到预测血管掩模图像，根据预测血管掩模图像与样本血管掩模图像调节初始血管提取模型的网络参数，得到目标血管提取模型。
在上述各技术方案的基础上，目标血管提取模型训练模块还用于，提取样本灌注数据的特征数据，得到特征灌注数据，并将特征灌注数据输入至初始血管提取模型中；其中，特征灌注数据包括同一个成像维度的至少两个特征图。
在上述各技术方案的基础上，成像维度包括时间维度、角度维度以及层面维度中的至少一个；
特征图至少包括任意一个成像维度的最大值特征图和达峰时间特征图。
在上述各技术方案的基础上，该系统还包括：运动校正模块；
其中，运动校正模块，用于对样本灌注数据进行运动校正，根据运动校正的校正结果更新样本灌注数据。
在上述各技术方案的基础上，运动校正模块还用于，将获取的至少两个样本灌注数据进行配准。
在上述各技术方案的基础上，运动校正模块还用于，对待提取灌注数据进行运动校正，根据运动校正的校正结果更新待提取灌注数据。
本发明实施例提供的技术方案，通过获取当前成像对象的待提取灌注数据，将待提取灌注数据输入至预先训练好的目标血管提取模型，根据目标血管提取模型的输出结果得到灌注数据的血管提取结果，其中，目标血管提取模型根据历史成像对象的样本灌注数据和历史成像对象的样本血管掩模图像训练得到。解决了现有技术中利用两峰来判断阈值的方案不准确，导致血管提取效果较差的问题，达到了通过训练完成的目标血管提取模型准确快速得到血管提取结果的目的，实现提高提高血管提取效率和准确度的效果。
实施例四
图6为本发明实施例四提供的一种血管提取设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性血管提取设备12的框图。图6显示的血管提取设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，血管提取设备12以通用计算设备的形式表现。血管提取设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
血管提取设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被血管提取设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。血管提取设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如血管提取系统的灌注数据获取模块51和血管提取结果输出模块52)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(例如血管提取系统的灌注数据获取模块51和血管提取结果输出模块52)程序模块46的程序/实用工具44，可以存储在例如存储器28中，这样的程序模块46包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块46通常执行本发明所描述的实施例中的功能和/或方法。
血管提取设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该血管提取设备12交互的设备通信，和/或与使得该血管提取设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，血管提取设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与血管提取设备12的其它模块通信。应当明白，尽管图中未示出，可以结合血管提取设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种血管提取方法，该方法包括：
获取当前成像对象的待提取灌注数据；
将待提取灌注数据输入至预先训练好的目标血管提取模型，根据目标血管提取模型的输出结果得到灌注数据的血管提取结果；其中，目标血管提取模型根据历史成像对象的样本灌注数据和历史成像对象的样本血管掩模图像训练得到。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种血管提取方法。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的一种血管提取方法的技术方案。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的一种血管提取方法，该方法包括：
获取当前成像对象的待提取灌注数据；
将待提取灌注数据输入至预先训练好的目标血管提取模型，根据目标血管提取模型的输出结果得到灌注数据的血管提取结果；其中，目标血管提取模型根据历史成像对象的样本灌注数据和历史成像对象的样本血管掩模图像训练得到。
当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上的方法操作，还可以执行本发明任意实施例所提供的一种血管提取方法中的相关操作。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在待提取灌注数据、样本灌注数据和样本血管掩模图像等，其中承载了计算机可读的程序代码。这种传播的待提取灌注数据、样本灌注数据和样本血管掩模图像等形式。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、系统或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
值得注意的是，上述血管提取系统的实施例中，所包括的各个模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种血管提取方法，其特征在于，包括：
获取当前成像对象的待提取灌注数据；
将所述待提取灌注数据输入至预先训练好的目标血管提取模型，根据所述目标血管提取模型的输出结果得到所述灌注数据的血管提取结果；其中，所述目标血管提取模型根据历史成像对象的样本灌注数据和历史成像对象的样本血管掩模图像训练得到。
2.根据权利要求1所述的方法，其特征在于，所述目标血管提取模型的训练方法，包括：
获取所述历史成像对象的样本灌注数据；其中，所述样本灌注数据包括每个历史成像对象的至少一个成像维度的灌注数据；
将所述样本灌注数据输入至初始血管提取模型中，得到预测血管掩模图像，根据所述预测血管掩模图像与所述样本血管掩模图像调节所述初始血管提取模型的网络参数，得到所述目标血管提取模型。
3.根据权利要求2所述的方法，其特征在于，将所述样本灌注数据输入至初始血管提取模型中，包括：
提取所述样本灌注数据的特征数据，得到特征灌注数据，并将所述特征灌注数据输入至初始血管提取模型中；其中，所述特征灌注数据包括同一个成像维度的至少两个特征图。
4.根据权利要求3所述的方法，其特征在于，所述成像维度包括时间维度、角度维度以及层面维度中的至少一个；
所述特征图至少包括任意一个所述成像维度的最大值特征图和达峰时间特征图。
5.根据权利要求2或3任一所述的方法，其特征在于，在将所述样本灌注数据输入至初始血管提取模型中之前，还包括：
对所述样本灌注数据进行运动校正，根据运动校正的校正结果更新所述样本灌注数据。
6.根据权利要求5所述的方法，其特征在于，对所述样本灌注数据进行运动校正，包括：
将获取的至少两个所述样本灌注数据进行配准。
7.根据权利要求5所述的方法，其特征在于，在所述将所述待提取灌注数据输入至预先训练好的目标血管提取模型之前，还包括：
对所述待提取灌注数据进行运动校正，根据运动校正的校正结果更新所述待提取灌注数据。
8.一种血管提取系统，其特征在于，包括：
灌注数据获取模块，用于获取当前成像对象的待提取灌注数据；
血管提取结果输出模块，用于将所述待提取灌注数据输入至预先训练好的目标血管提取模型，根据所述目标血管提取模型的输出结果得到所述灌注数据的血管提取结果；其中，所述目标血管提取模型根据历史成像对象的样本灌注数据和历史成像对象的样本血管掩模图像训练得到。
9.一种血管提取设备，包括存储器、一个或多个处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时可用于执行权利要求1-7任一所述的血管提取方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的血管提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911294902.XA CN111062963B (zh) | 2019-12-16 | 2019-12-16 | 一种血管提取方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911294902.XA CN111062963B (zh) | 2019-12-16 | 2019-12-16 | 一种血管提取方法、系统、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111062963A true CN111062963A (zh) | 2020-04-24 |
| CN111062963B CN111062963B (zh) | 2024-03-26 |
Family
ID=70302098
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911294902.XA Active CN111062963B (zh) | 2019-12-16 | 2019-12-16 | 一种血管提取方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111062963B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308844A (zh) * | 2020-11-02 | 2021-02-02 | 中科麦迪人工智能研究院(苏州)有限公司 | 血管管腔提取方法、装置、电子设备和存储介质 |
| CN112365474A (zh) * | 2020-11-12 | 2021-02-12 | 中科麦迪人工智能研究院(苏州)有限公司 | 血管提取方法、装置、电子设备和存储介质 |
| CN112419340A (zh) * | 2020-12-09 | 2021-02-26 | 沈阳先进医疗设备技术孵化中心有限公司 | 脑脊液分割模型的生成方法、应用方法及装置 |
| CN113034438A (zh) * | 2021-03-01 | 2021-06-25 | 北京安德医智科技有限公司 | 一种ct灌注参数预测方法及装置、电子设备和存储介质 |
| CN113112507A (zh) * | 2021-03-30 | 2021-07-13 | 上海联影智能医疗科技有限公司 | 灌注影像分析方法、系统、电子设备及存储介质 |
| CN113256670A (zh) * | 2021-05-24 | 2021-08-13 | 推想医疗科技股份有限公司 | 图像处理方法及装置、网络模型的训练方法及装置 |
| CN113393433A (zh) * | 2021-06-10 | 2021-09-14 | 北京安德医智科技有限公司 | 一种通用的医学影像灌注参数预测方法及装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010001280A1 (en) * | 2008-06-30 | 2010-01-07 | Koninklijke Philips Electronics N.V. | Perfusion imaging |
| US20140257094A1 (en) * | 2008-03-17 | 2014-09-11 | Koninklijke Philips N.V. | Perfusion imaging |
| WO2017112554A1 (en) * | 2015-12-21 | 2017-06-29 | The Regents Of The University Of California | Perfusion digital subtraction angiography |
| US9767557B1 (en) * | 2016-06-23 | 2017-09-19 | Siemens Healthcare Gmbh | Method and system for vascular disease detection using recurrent neural networks |
| CN109087306A (zh) * | 2018-06-28 | 2018-12-25 | 众安信息技术服务有限公司 | 动脉血管图像模型训练方法、分割方法、装置及电子设备 |
| CN109431532A (zh) * | 2018-12-25 | 2019-03-08 | 上海联影医疗科技有限公司 | 基于灌注成像的动静脉分离方法及装置和计算机装置 |
| CN109472807A (zh) * | 2018-11-30 | 2019-03-15 | 北京师范大学 | 基于深度神经网络的血管模型提取方法 |
| WO2019069867A1 (ja) * | 2017-10-03 | 2019-04-11 | 株式会社根本杏林堂 | 血管抽出装置および血管抽出方法 |
| CN109671076A (zh) * | 2018-12-20 | 2019-04-23 | 上海联影智能医疗科技有限公司 | 血管分割方法、装置、电子设备及存储介质 |
| CN109741344A (zh) * | 2018-12-28 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 血管分割方法、装置、医疗影像设备及存储介质 |
| US20190244357A1 (en) * | 2018-02-07 | 2019-08-08 | International Business Machines Corporation | System for Segmentation of Anatomical Structures in Cardiac CTA Using Fully Convolutional Neural Networks |
| CN110211111A (zh) * | 2019-05-31 | 2019-09-06 | 上海联影医疗科技有限公司 | 一种血管提取的方法、装置、图像处理设备及存储介质 |
-
2019
- 2019-12-16 CN CN201911294902.XA patent/CN111062963B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140257094A1 (en) * | 2008-03-17 | 2014-09-11 | Koninklijke Philips N.V. | Perfusion imaging |
| WO2010001280A1 (en) * | 2008-06-30 | 2010-01-07 | Koninklijke Philips Electronics N.V. | Perfusion imaging |
| WO2017112554A1 (en) * | 2015-12-21 | 2017-06-29 | The Regents Of The University Of California | Perfusion digital subtraction angiography |
| US9767557B1 (en) * | 2016-06-23 | 2017-09-19 | Siemens Healthcare Gmbh | Method and system for vascular disease detection using recurrent neural networks |
| WO2019069867A1 (ja) * | 2017-10-03 | 2019-04-11 | 株式会社根本杏林堂 | 血管抽出装置および血管抽出方法 |
| US20190244357A1 (en) * | 2018-02-07 | 2019-08-08 | International Business Machines Corporation | System for Segmentation of Anatomical Structures in Cardiac CTA Using Fully Convolutional Neural Networks |
| CN109087306A (zh) * | 2018-06-28 | 2018-12-25 | 众安信息技术服务有限公司 | 动脉血管图像模型训练方法、分割方法、装置及电子设备 |
| CN109472807A (zh) * | 2018-11-30 | 2019-03-15 | 北京师范大学 | 基于深度神经网络的血管模型提取方法 |
| CN109671076A (zh) * | 2018-12-20 | 2019-04-23 | 上海联影智能医疗科技有限公司 | 血管分割方法、装置、电子设备及存储介质 |
| CN109431532A (zh) * | 2018-12-25 | 2019-03-08 | 上海联影医疗科技有限公司 | 基于灌注成像的动静脉分离方法及装置和计算机装置 |
| CN109741344A (zh) * | 2018-12-28 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 血管分割方法、装置、医疗影像设备及存储介质 |
| CN110211111A (zh) * | 2019-05-31 | 2019-09-06 | 上海联影医疗科技有限公司 | 一种血管提取的方法、装置、图像处理设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 乔惠婷等: "基于DSA动态图像的颅内动脉灌注特征提取", 中国医学影像技术, vol. 32, no. 09, 30 September 2016 (2016-09-30), pages 1445 - 1448 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308844A (zh) * | 2020-11-02 | 2021-02-02 | 中科麦迪人工智能研究院(苏州)有限公司 | 血管管腔提取方法、装置、电子设备和存储介质 |
| CN112365474A (zh) * | 2020-11-12 | 2021-02-12 | 中科麦迪人工智能研究院(苏州)有限公司 | 血管提取方法、装置、电子设备和存储介质 |
| CN112419340A (zh) * | 2020-12-09 | 2021-02-26 | 沈阳先进医疗设备技术孵化中心有限公司 | 脑脊液分割模型的生成方法、应用方法及装置 |
| CN113034438A (zh) * | 2021-03-01 | 2021-06-25 | 北京安德医智科技有限公司 | 一种ct灌注参数预测方法及装置、电子设备和存储介质 |
| CN113112507A (zh) * | 2021-03-30 | 2021-07-13 | 上海联影智能医疗科技有限公司 | 灌注影像分析方法、系统、电子设备及存储介质 |
| CN113112507B (zh) * | 2021-03-30 | 2023-08-22 | 上海联影智能医疗科技有限公司 | 灌注影像分析方法、系统、电子设备及存储介质 |
| CN113256670A (zh) * | 2021-05-24 | 2021-08-13 | 推想医疗科技股份有限公司 | 图像处理方法及装置、网络模型的训练方法及装置 |
| CN113393433A (zh) * | 2021-06-10 | 2021-09-14 | 北京安德医智科技有限公司 | 一种通用的医学影像灌注参数预测方法及装置 |
| CN113393433B (zh) * | 2021-06-10 | 2022-03-01 | 北京安德医智科技有限公司 | 一种通用的医学影像灌注参数预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111062963B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111062963B (zh) | 一种血管提取方法、系统、设备及存储介质 | |
| CN109697741B (zh) | 一种pet图像重建方法、装置、设备及介质 | |
| CN109035284B (zh) | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 | |
| US11399779B2 (en) | System-independent quantitative perfusion imaging | |
| US8605976B2 (en) | System and method of detection of optimal angiography frames for quantitative coronary analysis using wavelet-based motion analysis | |
| CN112465834B (zh) | 一种血管分割方法及装置 | |
| US10769477B2 (en) | Method, apparatus, device and storage medium for extracting a cardiovisceral vessel from a CTA image | |
| CN109410221B (zh) | 脑灌注图像分割方法、装置、服务器和存储介质 | |
| CN110458837B (zh) | 一种图像后处理方法、装置、电子设备及存储介质 | |
| US9414751B2 (en) | Image processing apparatus and image processing method | |
| CN110473269B (zh) | 一种图像重建方法、系统、设备及存储介质 | |
| CN111640124B (zh) | 一种血管提取方法、装置、设备及存储介质 | |
| CN111667478A (zh) | Cta到mra跨模态预测的颈动脉斑块识别方法及系统 | |
| CN111145160A (zh) | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 | |
| CN114066969B (zh) | 一种医学图像分析方法以及相关产品 | |
| EP3971830A1 (en) | Pneumonia sign segmentation method and apparatus, medium and electronic device | |
| CN1681438A (zh) | 血流动态分析设备及方法和图像诊断设备 | |
| CN113888566B (zh) | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 | |
| US20220383491A1 (en) | Tissue boundary determination apparatus and method | |
| CN113706541B (zh) | 一种图像处理方法及装置 | |
| CN110993059B (zh) | 一种最大剂量点优化方法、装置、电子设备及存储介质 | |
| CN114066802A (zh) | 一种用于确定心肌区域中的异常的方法、设备和系统 | |
| CN112365492A (zh) | 图像扫描方法、装置、电子设备和存储介质 | |
| US20240005510A1 (en) | Method and apparatus of nidus segmentation, electronic device, and storage medium | |
| EP4005472B1 (en) | Method and apparatus for correcting blood flow velocity on the basis of interval time between angiographic images |
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: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |