CN111161270B - 医学影像的血管分割方法、计算机设备和可读存储介质 - Google Patents
医学影像的血管分割方法、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN111161270B CN111161270B CN201911345936.7A CN201911345936A CN111161270B CN 111161270 B CN111161270 B CN 111161270B CN 201911345936 A CN201911345936 A CN 201911345936A CN 111161270 B CN111161270 B CN 111161270B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- vessel segmentation
- medical image
- loss
- 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.)
- Active
Links
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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种医学影像的血管分割方法、计算机设备和可读存储介质。该方法包括：获取待分割的医学影像；将医学影像输入预设的血管分割模型中，得到医学影像的血管分割结果；其中，血管分割模型为根据带有感兴趣血管分类信息的训练样本进行训练所得到的。由该方法训练得到的血管分割模型，考虑了医生感兴趣血管(即重要血管)的分类信息，可使得血管分割模型更加关注重要血管的分割过程，则其得到的血管分割结果中重要血管的分割结果比较突出或明显，能够更好的辅助医生进行阅片。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种医学影像的血管分割方法、计算机设备和可读存储介质。
背景技术
血管分析在临床领域发挥着重要作用，而血管分割是血管分析过程极其重要的一步。早期的血管分割方法主要是针对血管造影图像进行图像分析，得到血管分割结果，但其易受血管周围骨质或斑块的干扰，影响对血管狭窄程度的测量；或是采用减影法对血管造影图像进行处理，但其要求患者在扫描时保持固定，轻微的移动都会导致减影图像结果不理想。
当前，深度学习已逐渐应用在血管分割任务中，采用监督学习方法从带标注的训练数据中学习到用于血管分割的网络模型，对于血管造影图像中的每个像素通过网络模型都会输出一个对应结果，表示这个像素是否属于血管部分。
但是，传统技术得到的血管分割结果比较笼统，对医生的阅片辅助效果不理想。
发明内容
基于此，有必要针对传统技术中得到的血管分割结果比较笼统，对医生的阅片辅助效果不理想的问题，提供一种医学影像的血管分割方法、计算机设备和可读存储介质。
第一方面，本申请实施例提供一种医学影像的血管分割方法，包括：
获取待分割的医学影像；
将医学影像输入预设的血管分割模型中，得到医学影像的血管分割结果；其中，血管分割模型为根据带有感兴趣血管分类信息的训练样本进行训练所得到的。
在其中一个实施例中，上述方法还包括：
针对医学影像，确定医学影像中像素点的位置信息；
将医学影像和位置信息输入预设的血管分割模型，通过医学影像和位置信息表征的血管空间分布信息，得到医学影像的血管分割结果；其中，血管分割模型为根据带有感兴趣血管分类信息和血管位置信息的训练样本进行训练所得到的。
在其中一个实施例中，将医学影像和位置信息输入预设的血管分割模型中，通过医学影像和位置信息表征的血管空间分布信息，得到医学影像的血管分割结果，包括：
将医学影像和位置信息通过不同通道输入血管分割模型中；
血管分割模型通过位置信息，获取血管空间分布信息，以及对医学影像进行特征提取，得到医学影像的特征信息；
根据血管空间分布信息和特征信息，确定医学影像的血管分割结果。
在其中一个实施例中，训练样本包括多个训练样本影像和每个训练样本影像对应的标签，标签包括分割标签和感兴趣血管分类信息；血管分割模型的训练方式包括：
将训练样本影像和训练样本影像的坐标矩阵输入初始血管分割模型，通过训练样本影像和坐标矩阵表征的血管空间分布信息，得到初始血管分割结果；利用第一损失对初始血管分割模型进行训练，得到参考血管分割模型；其中，第一损失为初始血管分割结果和分割标签之间的损失，分割标签用于表征当前区域是否为血管区域，坐标矩阵用于表征训练样本影像中像素点的位置信息；
将训练样本影像和训练样本影像的坐标矩阵输入参考血管分割模型，通过训练样本影像和坐标矩阵表征的血管空间分布信息，得到参考血管分割结果；利用第二损失对参考血管分割模型进行训练，得到血管分割模型；其中，第二损失包括参考血管分割结果和分割标签之间的整体损失、以及参考血管分割结果和感兴趣血管分割标签之间的损失，感兴趣血管分割标签为带有感兴趣血管分类信息的分割标签。
在其中一个实施例中，参考血管分割结果中包括感兴趣血管分割结果；利用第二损失对所述参考血管分割模型进行训练，得到所述血管分割模型，包括：
计算参考血管分割结果和分割标签之间的整体损失，以及感兴趣血管分割结果和感兴趣血管分割标签之间的第三损失；
根据整体损失和第三损失确定第二损失，利用第二损失对参考血管分割模型进行训练；当第二损失满足预设条件时，得到血管分割模型。
在其中一个实施例中，上述针对医学影像，确定医学影像中像素点的位置信息，包括：
确定医学影像中每个像素点与预设的坐标原点的相对位置，坐标原点位于医学影像的预设位置上；
根据每个像素点与坐标原点的相对位置，确定位置信息。
在其中一个实施例中，将医学影像和位置信息输入预设的血管分割模型中，通过医学影像和位置信息表征的血管空间分布信息，得到医学影像的血管分割结果，包括：
获取医学影像上预设尺寸的多个影像块以及每个影像块对应的位置信息；
将每个影像块和每个影像块对应的位置信息输入血管分割模型中，得到每个影像块的血管分割结果；
根据每个影像块对应的位置信息，将每个影像块的血管分割结果拼接为医学影像的血管分割结果。
在其中一个实施例中，上述血管分割模型为三维网络模型。
第二方面，本申请实施例提供一种医学影像的血管分割装置，包括：
获取模块，用于获取待分割的医学影像；
确定模块，用于将医学影像输入预设的血管分割模型中，得到医学影像的血管分割结果；其中，血管分割模型为根据带有感兴趣血管分类信息的训练样本进行训练所得到的。
第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取待分割的医学影像；
将医学影像输入预设的血管分割模型中，得到医学影像的血管分割结果；其中，血管分割模型为根据带有感兴趣血管分类信息的训练样本进行训练所得到的。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待分割的医学影像；
将医学影像输入预设的血管分割模型中，得到医学影像的血管分割结果；其中，血管分割模型为根据带有感兴趣血管分类信息的训练样本进行训练所得到的。
上述医学影像的血管分割方法、装置、计算机设备和可读存储介质，能够将待分割的医学影像输入预设的血管分割模型中，得到医学影像的血管分割结果，该血管分割模型为根据带有感兴趣血管分类信息的训练样本进行训练得到的。由此训练得到的血管分割模型，考虑了医生感兴趣血管(即重要血管)的分类信息，可使得血管分割模型更加关注重要血管的分割过程，则其得到的血管分割结果中重要血管的分割结果比较突出或明显，能够更好的辅助医生进行阅片。
附图说明
图1为一个实施例提供的计算机设备的结构示意图；
图2为一个实施例提供的医学影像的血管分割方法的流程示意图；
图2a为一个实施例提供的医学影像的血管分割结果示意图；
图3为另一个实施例提供的医学影像的血管分割方法的流程示意图；
图3a为一个实施例提供的医学影像的血管分割过程的处理示意图；
图4为又一个实施例提供的医学影像的血管分割方法的流程示意图；
图5为又一个实施例提供的医学影像的血管分割方法的流程示意图；
图6为一个实施例提供的医学影像的血管分割装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的医学影像的血管分割方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的，该计算机设备可以是服务器，可以是个人计算机(personal computer，简称PC)，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑(portable android device，简称PAD)、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。该方法可以实现对医学影像中的血管区域进行分割，得到血管区域的分割图像；该医学影像包括但不限于电子计算机断层扫描图像(Computed Tomography，CT)、CT造影图像、核磁共振图像(Nuclear Magnetic Resonance Imaging，MRI)或正电子发射型计算机断层图像(Positron Emission Computed Tomography，PET)等。
传统技术中，通常是将血管造影图像输入训练收敛的血管分割模型中，得到血管分割结果，但是因人体内血管众多，并不是每根血管都为医生所关注的。那么将血管造影图像输入传统的血管分割模型中得到的分割结果会比较笼统，重要血管的分割结果不明显，对医生的阅片辅助效果不理想。本申请实施例提供的血管分割方法、计算机设备和可读存储介质，旨在解决上述技术问题。
需要说明的是，下述方法实施例的执行主体可以是医学影像的血管分割装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明。
图2为一个实施例提供的医学影像的血管分割方法的流程示意图。本实施例涉及的是计算机设备将待分割的医学影像输入血管分割模型中得到血管分割结果的具体过程。如图2所示，该方法包括：
S101，获取待分割的医学影像。
具体的，待分割的医学图像为拍摄的患者某一部位的图像，该医学影像中一般含有血管区域，如头颈部CT血管造影图像，该医学影像可以由计算机设备从后处理工作站或影像归档和通信系统(Picture Archiving and Communication Systems，PACS)中获取。可选的，计算机设备可以获取放射科技师实时上传至PACS系统中的医学影像，也可以以固定时间间隔为周期从PACS系统中获取这一时间段内的所有医学影像。可选的，计算机设备还可以从医院信息管理系统(Hospital Information System，HIS)、临床信息系统(ClinicalInformation System，CIS)、放射科信息管理系统(Radiology Information System，RIS)、电子病历系统(Electronic Medical Record，EMR)以及相关的医学影像云存储平台获取待分类的医学影像。
可选的，计算机设备获取到待分割的医学影像之后，还可以对该医学影像进行预处理。通常，存储在上述系统中的医学影像格式为医学数字成像和通信(Digital Imagingand Communications in Medicine，DICOM)格式，计算机设备可以先将其转换为NIFTY格式，然后对转换后的图像HU值设置窗宽窗位(如可以设置窗宽600，窗位300)来剪裁图像，再对图像做最大最小归一化至[-1,1]之间，得到标准化图像。
S102，将医学影像输入预设的血管分割模型中，得到医学影像的血管分割结果；其中，血管分割模型为根据带有感兴趣血管分类信息的训练样本进行训练所得到的。
具体的，计算机设备可以将上述经过预处理后的医学影像输入预设的血管分割模型中，该血管分割模型通过对医学影像进行特征提取及特征映射，可以得到血管分割结果，该血管分割结果可以为将血管区域图像与背景图像进行区分后的结果。其中，由于人体中的血管分布具有一定的位置规律，但并不是每根血管都为医生所关注的血管，通常医生会重点关注如主动脉弓、头臂干、颈总动脉、颈内动脉、椎动脉、基底动脉及大脑动脉环等的重要血管，那么上述血管分割模型在进行训练时需考虑重要血管的分类信息。
因此，上述血管分割模型为根据带有感兴趣血管分类信息的训练样本进行训练所得到的。该血管分割模型的训练方式可以包括：基于经验丰富的放射科医生对训练样本影像中的全部血管进行标记(作为分割标签)，并对上述主动脉弓等重要血管(即医生感兴趣的血管)标记不同的标签(如带有感兴趣血管分类信息)，以此作为训练时的金标准。然后将训练样本影像输入初始血管分割模型中，得到初始血管分割结果，并计算初始分割结果与金标准之间的损失，该损失可以包括两部分，一部分是初始分割结果与分割标签之间的损失，另一部分是初始分割结果中重要血管的分割结果与带有感兴趣血管分类信息的分割标签之间的损失。依据该损失调整初始血管分割模型的网络参数，当该损失小于等于预设阈值或者达到收敛时，表征初始血管分割模型训练收敛。由此训练初始血管分割模型，考虑了重要血管的分类信息，则训练得到的血管分割模型对重要血管有更多的关注，能够更好的分割出重要血管，也可以理解为，重要血管的分割结果比较突出或明显，使医生方便查看。可选的，计算损失时可以采用Dice损失函数，交叉熵损失函数或者其他类型的损失函数；在调整网络参数时，可以采用Adam自适应优化器，可随训练状态自动调整网络参数的调整幅度。
可选的，考虑到计算机设备GPU显存的大小，处理整个医学影像时可能会存在内存溢出的问题，计算机设备还可以对医学影像从影像的左上角依次截取相同大小的影像块(如截取1283大小的影像块)，将每个影像块输入血管分割模型中，得到每个影像块的血管分割结果。然后将每个影像块的血管分割结果按照截取次序，拼接为整个医学影像的血管分割结果。可选的，由于拍摄的医学影像通常为三维影像，则上述血管分割模型可以为三维模型，可选的，其可以为卷积神经网络模型、循环神经网络模型、或者其他深度学习模型，如可以为U-Net网络，本实施例对此不做限制。可选的，该血管分割模型还可以为二维模型，即对三维影像中的每张二维影像分别进行处理，该二维模型可以为V-Net网络、FCN网络等。关于得到的医学影像的血管分割结果可参见图2a所示的示意图。
本实施例提供的医学影像的血管分割方法，计算机设备将待分割的医学影像输入预设的血管分割模型中，得到医学影像的血管分割结果，该血管分割模型为根据带有感兴趣血管分类信息的训练样本进行训练得到的。由此训练得到的血管分割模型，考虑了医生感兴趣血管(即重要血管)的分类信息，可使得血管分割模型更加关注重要血管的分割过程，则其得到的血管分割结果中重要血管的分割结果比较突出或明显，能够更好的辅助医生进行阅片。
图3为另一个实施例提供的医学影像的血管分割方法的流程示意图。本实施例涉及的是计算机设备将待分割的医学影像和其对应的位置信息输入预设的血管分割模型，得到医学影像的血管分割结果的具体过程。在上述实施例的基础上，可选的，上述方法还包括：
S201，针对医学影像，确定医学影像中像素点的位置信息。
具体的，针对待分割的医学影像，计算机设备可以确定该医学影像中每个像素点的位置信息，得到该医学影像的坐标矩阵，该坐标矩阵可以表征医学影像中血管的分布情况，其具有一定的位置规律。其中，若要使得每个像素点的位置信息具有相对性，需先设置一个坐标原点作为相对点，计算机设备根据坐标原点计算每个像素点的位置信息。
假设该医学影像为头颈部造影图像，可选的，计算机设备可以先将医学影像重采样为0.45×0.45×0.7尺寸的图像，然后将其设置为骨窗视图，再确定一个能够包裹头颈的最大外接矩阵，将该最大外接矩阵正上方的像素点作为坐标原点。然后计算机设备可以确定医学影像中每个像素点与坐标原点的相对位置，如计算两点在三维方向(x、y、z)上的距离；根据每个像素点与坐标原点的相对位置，可以确定每个像素点的位置信息，进而得到该医学影像的坐标矩阵。可选的，该坐标矩阵可以有3个，分别表示每个像素点的x、y、z坐标。最后计算机设备还可以对该坐标矩阵进行归一化操作，以便后续血管分割模型的数据处理。可选的，对于坐标原点的设定，还可以选择坐标矩阵的某个顶点像素点，对此本实施例不做限制。
S202，将医学影像和位置信息输入预设的血管分割模型，通过医学影像和位置信息表征的血管空间分布信息，得到医学影像的血管分割结果；其中，血管分割模型为根据带有感兴趣血管分类信息和血管位置信息的训练样本进行训练所得到的。
具体的，计算机设备可以将待分割的医学影像和每个像素点的位置信息(即医学影像的坐标矩阵)输入预设的血管分割模型，血管分割模型通过医学影像和位置信息表征的血管空间分布信息，可以得到医学影像的血管分割结果。其中，该血管分割模型的网络结构和类型可以和上述实施例中的模型一致，但由于输入数据不同，其在训练过程存在一些差异。
其中，该血管分割模型为根据带有感兴趣血管分类信息和血管位置信息的训练样本进行训练所得到的，血管位置信息用于表征血管的空间分布信息，借助空间分布信息可以使得血管的分割结果更准确。可选的，本实施例中的血管分割模型的训练方式可以包括：基于经验丰富的放射科医生对训练样本影像中的全部血管进行标记(作为分割标签)，并对上述主动脉弓等重要血管(即医生感兴趣的血管)标记不同的标签(如带有感兴趣血管分类信息)，以此作为训练时的金标准。然后将训练样本影像和训练样本影像对应的坐标矩阵输入初始血管分割模型中，通过训练样本影像的特征信息和坐标矩阵表征的空间分布信息得到初始血管分割结果，并计算初始分割结果与金标准之间的损失，该损失同样可以包括两部分，一部分是初始分割结果与分割标签之间的损失，另一部分是初始分割结果中重要血管的分割结果与带有感兴趣血管分类信息的分割标签之间的损失。依据该损失调整初始血管分割模型的网络参数，当该损失小于等于预设阈值或者达到收敛时，表征初始血管分割模型训练收敛。由此训练过程，考虑了血管的空间分布信息和位置规律，可使得血管的分割结果更准确，并且考虑重要血管的分类信息，也使得重要血管的分割结果更准确。
可选的，计算机设备可以将医学影像和位置信息通过不同通道输入上述血管分割模型中，血管分割模型中的不同通道通过位置信息，可以获取血管空间分布信息，并可以对医学影像进行特征提取，得到医学影像的特征信息；然后血管分割模型对血管空间分布信息和特征信息进行卷积，利用血管空间分布信息确定每根血管的具体位置，以确定医学影像的血管分割结果。关于本实施例的处理过程可参见图3a所示的示意图。
本实施例提供的医学影像的血管分割方法，计算机设备还可以确定医学影像中每个像素点的位置信息，并将医学影像和位置信息输入预设的血管分割模型，得到血管分割结果，该血管分割模型为根据带有感兴趣血管分类信息和血管位置信息的训练样本进行训练所得到的。该方法中一方面考虑了医生感兴趣血管的分类信息，另一方面考虑了血管的空间分布信息，可以在将感兴趣血管的分割结果突出之外，进一步提高感兴趣血管分割结果的准确度。
对于血管分割模型的训练方式，为能够进一步提高模型的精度，还可以对其训练过程进行改进，如图4所示，上述血管分割模型的训练方式可以包括：
S301，将训练样本影像和训练样本影像的坐标矩阵输入初始血管分割模型，通过训练样本影像和坐标矩阵表征的血管空间分布信息，得到初始血管分割结果；利用第一损失对初始血管分割模型进行训练，得到参考血管分割模型；其中，第一损失为初始血管分割结果和分割标签之间的损失，分割标签用于表征当前区域是否为血管区域，坐标矩阵用于表征训练样本影像中像素点的位置信息。
S302，将训练样本影像和训练样本影像的坐标矩阵输入参考血管分割模型，通过训练样本影像和坐标矩阵表征的血管空间分布信息，得到参考血管分割结果；利用第二损失对参考血管分割模型进行训练，得到血管分割模型；其中，第二损失包括参考血管分割结果和分割标签之间的整体损失、以及参考血管分割结果和感兴趣血管分割标签之间的损失，感兴趣血管分割标签为带有感兴趣血管分类信息的分割标签。
其中，由于医生所感兴趣的血管仍是人体血管中的一部分，若全部血管的分割区域还不确定就直接考虑感兴趣血管的分类信息，会导致血管分割模型在对血管分割时的精度遇到瓶颈，因此本实施例中，先利用全部血管的分割标签对初始血管分割模型进行训练，当初始血管分割模型能够将全部血管基本分割出来时，再利用全部血管的分割标签和感兴趣区域分类信息对参考血管分割模型继续训练，以得到最终的血管分割模型。
具体的，训练样本中包括多个训练样本影像和每个训练样本影像对应的标签，该标签包括分割标签和感兴趣血管分类信息，分割标签用于表征当前区域是否为血管区域。计算机设备将训练样本影像和训练样本影像的坐标矩阵输入初始血管分割模型后，可以得到初始血管分割结果，其处理过程可以参见上述实施例的描述，在此不再赘述。然后计算机设备计算初始血管分割结果和分割标签之间的第一损失，利用该第一损失对初始血管分割模型进行训练，得到参考血管分割模型，此时的参考血管分割模型可以实现将血管区域进行分割的功能。接下来再将训练样本影像和训练样本影像的坐标矩阵输入参考血管分割模型中，得到参考血管分割结果。
可选的，该参考血管分割结果中包括感兴趣血管分割结果，即感兴趣血管分割结果是其中的一部分，那么计算机设备可以计算参考血管分割结果和分割标签之间的整体损失，以及感兴趣血管分割结果和感兴趣血管分割标签之间的第三损失，该感兴趣血管分割标签为带有感兴趣血管分类信息的分割标签，由分割损失和第三损失确定第二损失。可选的，可以对分割损失和第三损失进行直接求和、平均求和或加权求和，以得到第二损失。计算机设备再利用第二损失对参考血管分割模型进行训练；当第二损失满足预设条件时，得到血管分割模型。
本实施例提供的医学影像的血管分割方法，计算机设备首选采用分割标签对初始血管分割模型进行训练，得到参考血管分割模型，然后采用分割标签和感兴趣血管分类信息对参考血管分割模型进行训练，得到最终的血管分割模型。由此训练过程，可保证能够在确定血管区域后再对重要血管进行着重分割，可进一步提高血管分割模型对重要血管的关注，使得重要血管的分割结果更加明显或突出，更好的对医生阅片进行辅助。
图5为又一个实施例提供的医学影像的血管分割方法的流程示意图。本实施例涉及的是计算机设备将医学影像和位置信息输入预设的血管分割模型中，得到医学影像的血管分割结果的具体过程。在上述实施例的基础上，可选的，上述S202可以包括：
S401，获取医学影像上预设尺寸的多个影像块以及每个影像块对应的位置信息。
具体的，考虑计算机设备GPU显存的大小，为避免内存溢出，可以对医学影线进行分块处理。在对医学影像进行分块时，计算机设备还可以获取每个影像块对应的位置信息，即影像块中每个像素点的位置信息。
S402，将每个影像块和每个影像块对应的位置信息输入血管分割模型中，得到每个影像块的血管分割结果。
具体的，计算机设备将每个影像块和每个影像块对应的位置信息输入血管分割模型中，通过每个影像块的特征信息和位置信息表征的血管空间分布信息，可以得到每个影像块的血管分割结果。
S403，根据每个影像块对应的位置信息，将每个影像块的血管分割结果拼接为医学影像的血管分割结果。
具体的，计算机设备根据每个影像块对应的位置信息，可以将每个影像块的血管分割结果对应到原始医学影像的对应位置上，由此拼接为整个医学影像的血管分割结果。
本实施例提供的医学影像的血管分割方法，计算机设备将多个影像块以及每个影像块对应的位置信息输入血管分割模型，将分割结果拼接为整个医学影像的血管分割结果。由此可减少计算机设备的内存溢出，且根据每个影像块对应的位置信息来拼接分割结果，可提高得到的血管分割结果的准确度。
应该理解的是，虽然图2-图5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-图5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图6为一个实施例提供的医学影像的血管分割装置的结构示意图。如图6所示，该装置包括：获取模块11和确定模块12。
具体的，获取模块11，用于获取待分割的医学影像。
确定模块12，用于将医学影像输入预设的血管分割模型中，得到医学影像的血管分割结果；其中，血管分割模型为根据带有感兴趣血管分类信息的训练样本进行训练所得到的。
本实施例提供的医学影像的血管分割装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，上述装置还包括计算模块，用于针对所述医学影像，确定所述医学影像中像素点的位置信息；确定模块12，还用于将医学影像和位置信息输入预设的血管分割模型，通过医学影像和位置信息表征的血管空间分布信息，得到医学影像的血管分割结果；其中，血管分割模型为根据带有感兴趣血管分类信息和血管位置信息的训练样本进行训练所得到的。
本实施例提供的医学影像的血管分割装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，上述确定模块12，具体用于将医学影像和位置信息通过不同通道输入血管分割模型中；血管分割模型通过位置信息，获取血管空间分布信息，以及对医学影像进行特征提取，得到医学影像的特征信息；根据血管空间分布信息和特征信息，确定医学影像的血管分割结果。
在其中一个实施例中，训练样本包括多个训练样本影像和每个训练样本影像对应的标签，标签包括分割标签和感兴趣血管分类信息；上述装置还包括训练模块，用于将训练样本影像和训练样本影像的坐标矩阵输入初始血管分割模型，通过训练样本影像和坐标矩阵表征的血管空间分布信息，得到初始血管分割结果；利用第一损失对初始血管分割模型进行训练，得到参考血管分割模型；其中，第一损失为初始血管分割结果和分割标签之间的损失，分割标签用于表征当前区域是否为血管区域，坐标矩阵用于表征训练样本影像中像素点的位置信息；将训练样本影像和训练样本影像的坐标矩阵输入参考血管分割模型，通过训练样本影像和坐标矩阵表征的血管空间分布信息，得到参考血管分割结果；利用第二损失对参考血管分割模型进行训练，得到血管分割模型；其中，第二损失包括参考血管分割结果和分割标签之间的整体损失、以及参考血管分割结果和感兴趣血管分割标签之间的损失，感兴趣血管分割标签为带有感兴趣血管分类信息的分割标签。
本实施例提供的医学影像的血管分割装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，参考血管分割结果中包括感兴趣血管分割结果；上述训练模块，具体用于计算参考血管分割结果和分割标签之间的整体损失，以及感兴趣血管分割结果和感兴趣血管分割标签之间的第三损失；根据整体损失和第三损失确定第二损失，利用第二损失对参考血管分割模型进行训练；当第二损失满足预设条件时，得到血管分割模型。
在其中一个实施例中，上述计算模块，具体用于确定医学影像中每个像素点与预设的坐标原点的相对位置，坐标原点位于医学影像的预设位置上；根据每个像素点与坐标原点的相对位置，确定位置信息。
在其中一个实施例中，上述确定模块12，具体用于获取医学影像上预设尺寸的多个影像块以及每个影像块对应的位置信息；将每个影像块和每个影像块对应的位置信息输入血管分割模型中，得到每个影像块的血管分割结果；根据每个影像块对应的位置信息，将每个影像块的血管分割结果拼接为医学影像的血管分割结果。
在其中一个实施例中，上述血管分割模型为三维网络模型。
关于医学影像的血管分割装置的具体限定可以参见上文中对于医学影像的血管分割方法的限定，在此不再赘述。上述医学影像的血管分割装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种医学影像的血管分割方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待分割的医学影像；
将医学影像输入预设的血管分割模型中，得到医学影像的血管分割结果；其中，血管分割模型为根据带有感兴趣血管分类信息的训练样本进行训练所得到的。
本实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
针对医学影像，确定医学影像中像素点的位置信息；
将医学影像和位置信息输入预设的血管分割模型，通过医学影像和位置信息表征的血管空间分布信息，得到医学影像的血管分割结果；其中，血管分割模型为根据带有感兴趣血管分类信息和血管位置信息的训练样本进行训练所得到的。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将医学影像和位置信息通过不同通道输入血管分割模型中；
血管分割模型通过位置信息，获取血管空间分布信息，以及对医学影像进行特征提取，得到医学影像的特征信息；
根据血管空间分布信息和特征信息，确定医学影像的血管分割结果。
在一个实施例中，训练样本包括多个训练样本影像和每个训练样本影像对应的标签，标签包括分割标签和感兴趣血管分类信息；处理器执行计算机程序时还实现以下步骤：
将训练样本影像和训练样本影像的坐标矩阵输入初始血管分割模型，通过训练样本影像和坐标矩阵表征的血管空间分布信息，得到初始血管分割结果；利用第一损失对初始血管分割模型进行训练，得到参考血管分割模型；其中，第一损失为初始血管分割结果和分割标签之间的损失，分割标签用于表征当前区域是否为血管区域，坐标矩阵用于表征训练样本影像中像素点的位置信息；
将训练样本影像和训练样本影像的坐标矩阵输入参考血管分割模型，通过训练样本影像和坐标矩阵表征的血管空间分布信息，得到参考血管分割结果；利用第二损失对参考血管分割模型进行训练，得到血管分割模型；其中，第二损失包括参考血管分割结果和分割标签之间的整体损失、以及参考血管分割结果和感兴趣血管分割标签之间的损失，感兴趣血管分割标签为带有感兴趣血管分类信息的分割标签。
在一个实施例中，参考血管分割结果中包括感兴趣血管分割结果；处理器执行计算机程序时还实现以下步骤：
计算参考血管分割结果和分割标签之间的整体损失，以及感兴趣血管分割结果和感兴趣血管分割标签之间的第三损失；
根据整体损失和第三损失确定第二损失，利用第二损失对参考血管分割模型进行训练；当第二损失满足预设条件时，得到血管分割模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定医学影像中每个像素点与预设的坐标原点的相对位置，坐标原点位于医学影像的预设位置上；
根据每个像素点与坐标原点的相对位置，确定位置信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取医学影像上预设尺寸的多个影像块以及每个影像块对应的位置信息；
将每个影像块和每个影像块对应的位置信息输入血管分割模型中，得到每个影像块的血管分割结果；
根据每个影像块对应的位置信息，将每个影像块的血管分割结果拼接为医学影像的血管分割结果。
在一个实施例中，上述血管分割模型为三维网络模型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待分割的医学影像；
将医学影像输入预设的血管分割模型中，得到医学影像的血管分割结果；其中，血管分割模型为根据带有感兴趣血管分类信息的训练样本进行训练所得到的。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
针对医学影像，确定医学影像中像素点的位置信息；
将医学影像和位置信息输入预设的血管分割模型，通过医学影像和位置信息表征的血管空间分布信息，得到医学影像的血管分割结果；其中，血管分割模型为根据带有感兴趣血管分类信息和血管位置信息的训练样本进行训练所得到的。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将医学影像和位置信息通过不同通道输入血管分割模型中；
血管分割模型通过位置信息，获取血管空间分布信息，以及对医学影像进行特征提取，得到医学影像的特征信息；
根据血管空间分布信息和特征信息，确定医学影像的血管分割结果。
在一个实施例中，训练样本包括多个训练样本影像和每个训练样本影像对应的标签，标签包括分割标签和感兴趣血管分类信息；计算机程序被处理器执行时还实现以下步骤：
将训练样本影像和训练样本影像的坐标矩阵输入初始血管分割模型，通过训练样本影像和坐标矩阵表征的血管空间分布信息，得到初始血管分割结果；利用第一损失对初始血管分割模型进行训练，得到参考血管分割模型；其中，第一损失为初始血管分割结果和分割标签之间的损失，分割标签用于表征当前区域是否为血管区域，坐标矩阵用于表征训练样本影像中像素点的位置信息；
将训练样本影像和训练样本影像的坐标矩阵输入参考血管分割模型，通过训练样本影像和坐标矩阵表征的血管空间分布信息，得到参考血管分割结果；利用第二损失对参考血管分割模型进行训练，得到血管分割模型；其中，第二损失包括参考血管分割结果和分割标签之间的整体损失、以及参考血管分割结果和感兴趣血管分割标签之间的损失，感兴趣血管分割标签为带有感兴趣血管分类信息的分割标签。
在一个实施例中，参考血管分割结果中包括感兴趣血管分割结果；计算机程序被处理器执行时还实现以下步骤：
计算参考血管分割结果和分割标签之间的整体损失，以及感兴趣血管分割结果和感兴趣血管分割标签之间的第三损失；
根据整体损失和第三损失确定第二损失，利用第二损失对参考血管分割模型进行训练；当第二损失满足预设条件时，得到血管分割模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定医学影像中每个像素点与预设的坐标原点的相对位置，坐标原点位于医学影像的预设位置上；
根据每个像素点与坐标原点的相对位置，确定位置信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取医学影像上预设尺寸的多个影像块以及每个影像块对应的位置信息；
将每个影像块和每个影像块对应的位置信息输入血管分割模型中，得到每个影像块的血管分割结果；
根据每个影像块对应的位置信息，将每个影像块的血管分割结果拼接为医学影像的血管分割结果。
在一个实施例中，上述血管分割模型为三维网络模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种医学影像的血管分割方法，其特征在于，包括：
获取待分割的医学影像；
将所述医学影像输入预设的血管分割模型中，得到所述医学影像的血管分割结果；其中，所述血管分割模型为根据带有感兴趣血管分类信息的训练样本进行训练所得到的；所述训练样本包括多个训练样本影像和每个训练样本影像对应的标签，所述标签包括分割标签和所述感兴趣血管分类信息；所述血管分割模型的训练方式包括：
获取初始血管分割结果，基于所述初始血管分割结果确定出损失，依据所述损失调整初始血管分割模型的网络参数；其中，所述损失包括所述初始血管分割结果与所述分割标签之间的损失，以及所述初始血管分割结果中重要血管的分割结果与感兴趣血管分割标签之间的损失，所述感兴趣血管分割标签为带有所述感兴趣血管分类信息的分割标签。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
针对所述医学影像，确定所述医学影像中像素点的位置信息；
将所述医学影像和所述位置信息输入预设的血管分割模型，通过所述医学影像和所述位置信息表征的血管空间分布信息，得到所述医学影像的血管分割结果；其中，所述血管分割模型为根据带有感兴趣血管分类信息和血管位置信息的训练样本进行训练所得到的。
3.根据权利要求2所述的方法，其特征在于，所述将所述医学影像和所述位置信息输入预设的血管分割模型中，通过所述医学影像和所述位置信息表征的血管空间分布信息，得到所述医学影像的血管分割结果，包括：
将所述医学影像和所述位置信息通过不同通道输入所述血管分割模型中；
所述血管分割模型通过所述位置信息，获取血管空间分布信息，以及对所述医学影像进行特征提取，得到所述医学影像的特征信息；
根据所述血管空间分布信息和所述特征信息，确定所述医学影像的血管分割结果。
4.根据权利要求2或3所述的方法，其特征在于，所述血管分割模型的训练方式还包括：
将所述训练样本影像和所述训练样本影像的坐标矩阵输入所述初始血管分割模型，通过所述训练样本影像和所述坐标矩阵表征的血管空间分布信息，得到所述初始血管分割结果；利用第一损失对所述初始血管分割模型进行训练，得到参考血管分割模型；其中，所述第一损失为所述初始血管分割结果和所述分割标签之间的损失，所述分割标签用于表征当前区域是否为血管区域，所述坐标矩阵用于表征所述训练样本影像中像素点的位置信息；
将所述训练样本影像和所述训练样本影像的坐标矩阵输入所述参考血管分割模型，通过所述训练样本影像和所述坐标矩阵表征的血管空间分布信息，得到参考血管分割结果；利用第二损失对所述参考血管分割模型进行训练，得到所述血管分割模型；其中，所述第二损失包括所述参考血管分割结果和所述分割标签之间的整体损失、以及所述参考血管分割结果和所述感兴趣血管分割标签之间的损失。
5.根据权利要求4所述的方法，其特征在于，所述参考血管分割结果中包括感兴趣血管分割结果；利用第二损失对所述参考血管分割模型进行训练，得到所述血管分割模型，包括：
计算所述参考血管分割结果和所述分割标签之间的整体损失，以及所述感兴趣血管分割结果和所述感兴趣血管分割标签之间的第三损失；
根据所述整体损失和所述第三损失确定所述第二损失，利用所述第二损失对所述参考血管分割模型进行训练；当所述第二损失满足预设条件时，得到所述血管分割模型。
6.根据权利要求2所述的方法，其特征在于，所述针对所述医学影像，确定所述医学影像中像素点的位置信息，包括：
确定所述医学影像中每个像素点与预设的坐标原点的相对位置，所述坐标原点位于所述医学影像的预设位置上；
根据每个像素点与所述坐标原点的相对位置，确定所述位置信息。
7.根据权利要求2所述的方法，其特征在于，所述将所述医学影像和所述位置信息输入预设的血管分割模型中，通过所述医学影像和所述位置信息表征的血管空间分布信息，得到所述医学影像的血管分割结果，包括：
获取所述医学影像上预设尺寸的多个影像块以及每个影像块对应的位置信息；
将每个影像块和每个影像块对应的位置信息输入所述血管分割模型中，得到所述每个影像块的血管分割结果；
根据所述每个影像块对应的位置信息，将所述每个影像块的血管分割结果拼接为所述医学影像的血管分割结果。
8.根据权利要求1或2所述的方法，其特征在于，所述血管分割模型为三维网络模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8中任一项所述方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1-8中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911345936.7A CN111161270B (zh) | 2019-12-24 | 2019-12-24 | 医学影像的血管分割方法、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911345936.7A CN111161270B (zh) | 2019-12-24 | 2019-12-24 | 医学影像的血管分割方法、计算机设备和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111161270A CN111161270A (zh) | 2020-05-15 |
| CN111161270B true CN111161270B (zh) | 2023-10-27 |
Family
ID=70558371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911345936.7A Active CN111161270B (zh) | 2019-12-24 | 2019-12-24 | 医学影像的血管分割方法、计算机设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111161270B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132854B (zh) * | 2020-09-22 | 2021-11-09 | 推想医疗科技股份有限公司 | 图像分割的方法及装置，以及电子设备 |
| CN112365472A (zh) * | 2020-11-12 | 2021-02-12 | 中科麦迪人工智能研究院(苏州)有限公司 | 血管寻径方法、装置、电子设备和存储介质 |
| CN113012146B (zh) * | 2021-04-12 | 2023-10-24 | 东北大学 | 血管信息获取方法及装置、电子设备和存储介质 |
| CN113240666B (zh) * | 2021-06-04 | 2024-04-16 | 科大讯飞股份有限公司 | 一种医学影像预处理方法、装置、设备及存储介质 |
| CN115578396B (zh) * | 2021-06-21 | 2023-08-04 | 数坤(上海)医疗科技有限公司 | 一种血管图像提取方法、装置、电子设备和可读存储介质 |
| CN114500498B (zh) * | 2021-12-28 | 2023-12-08 | 武汉联影医疗科技有限公司 | Dicom文件传输与存储方法、系统、设备及存储介质 |
| CN113763403B (zh) * | 2021-09-07 | 2024-03-08 | 北京深睿博联科技有限责任公司 | 一种冠状动脉血管分割方法及装置 |
| CN114155193B (zh) * | 2021-10-27 | 2022-07-26 | 北京医准智能科技有限公司 | 一种基于特征强化的血管分割方法及装置 |
| CN113902741B (zh) * | 2021-12-08 | 2022-03-11 | 深圳科亚医疗科技有限公司 | 一种对医学图像进行血管分割的方法、装置及介质 |
| CN114723739B (zh) * | 2022-05-09 | 2023-07-21 | 深圳市铱硙医疗科技有限公司 | 一种基于cta影像的血管分段模型训练数据标注方法及装置 |
| CN115294014B (zh) * | 2022-06-07 | 2023-05-16 | 首都医科大学附属北京朝阳医院 | 一种头颈动脉图像处理方法、装置、存储介质及终端 |
| CN114913174B (zh) * | 2022-07-15 | 2022-11-01 | 深圳科亚医疗科技有限公司 | 用于血管系统变异检测的方法、装置和存储介质 |
| CN116681716B (zh) * | 2023-08-04 | 2023-10-10 | 杭州脉流科技有限公司 | 颅内血管感兴趣区域分割方法、装置、设备和存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6754376B1 (en) * | 2000-11-22 | 2004-06-22 | General Electric Company | Method for automatic segmentation of medical images |
| CN105825509A (zh) * | 2016-03-17 | 2016-08-03 | 电子科技大学 | 基于3d卷积神经网络的脑血管分割方法 |
| CN106228561A (zh) * | 2016-07-29 | 2016-12-14 | 上海联影医疗科技有限公司 | 血管提取方法 |
| CN108961296A (zh) * | 2018-07-25 | 2018-12-07 | 腾讯科技（深圳）有限公司 | 眼底图像分割方法、装置、存储介质和计算机设备 |
| CN109272510A (zh) * | 2018-07-24 | 2019-01-25 | 清华大学 | 一种三维医学图像中管状结构的分割方法 |
| CN109685776A (zh) * | 2018-12-12 | 2019-04-26 | 华中科技大学 | 一种基于ct图像的肺结节检测方法及系统 |
| CN109685787A (zh) * | 2018-12-21 | 2019-04-26 | 杭州依图医疗技术有限公司 | Ct影像的肺叶段分割中的输出方法、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 |
| CN109993726A (zh) * | 2019-02-21 | 2019-07-09 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
| CN110309855A (zh) * | 2019-05-30 | 2019-10-08 | 上海联影智能医疗科技有限公司 | 图像分割的训练方法、计算机设备及存储介质 |
| CN110310280A (zh) * | 2019-07-10 | 2019-10-08 | 广东工业大学 | 肝胆管及结石的图像识别方法、系统、设备及存储介质 |
| CN110348541A (zh) * | 2019-05-10 | 2019-10-18 | 腾讯医疗健康(深圳)有限公司 | 眼底血管图像分类方法、装置、设备及存储介质 |
| CN110378913A (zh) * | 2019-07-18 | 2019-10-25 | 深圳先进技术研究院 | 图像分割方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10769791B2 (en) * | 2017-10-13 | 2020-09-08 | Beijing Keya Medical Technology Co., Ltd. | Systems and methods for cross-modality image segmentation |
-
2019
- 2019-12-24 CN CN201911345936.7A patent/CN111161270B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6754376B1 (en) * | 2000-11-22 | 2004-06-22 | General Electric Company | Method for automatic segmentation of medical images |
| CN105825509A (zh) * | 2016-03-17 | 2016-08-03 | 电子科技大学 | 基于3d卷积神经网络的脑血管分割方法 |
| CN106228561A (zh) * | 2016-07-29 | 2016-12-14 | 上海联影医疗科技有限公司 | 血管提取方法 |
| CN109272510A (zh) * | 2018-07-24 | 2019-01-25 | 清华大学 | 一种三维医学图像中管状结构的分割方法 |
| CN108961296A (zh) * | 2018-07-25 | 2018-12-07 | 腾讯科技（深圳）有限公司 | 眼底图像分割方法、装置、存储介质和计算机设备 |
| CN109685776A (zh) * | 2018-12-12 | 2019-04-26 | 华中科技大学 | 一种基于ct图像的肺结节检测方法及系统 |
| CN109685787A (zh) * | 2018-12-21 | 2019-04-26 | 杭州依图医疗技术有限公司 | Ct影像的肺叶段分割中的输出方法、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 |
| CN109993726A (zh) * | 2019-02-21 | 2019-07-09 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
| CN110348541A (zh) * | 2019-05-10 | 2019-10-18 | 腾讯医疗健康(深圳)有限公司 | 眼底血管图像分类方法、装置、设备及存储介质 |
| CN110309855A (zh) * | 2019-05-30 | 2019-10-08 | 上海联影智能医疗科技有限公司 | 图像分割的训练方法、计算机设备及存储介质 |
| CN110310280A (zh) * | 2019-07-10 | 2019-10-08 | 广东工业大学 | 肝胆管及结石的图像识别方法、系统、设备及存储介质 |
| CN110378913A (zh) * | 2019-07-18 | 2019-10-25 | 深圳先进技术研究院 | 图像分割方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Antonio Garcia-Uceda Juarez 等.A joint 3D UNet-graph neural network-based method for airway segmentation from chest CTs.《MLMI 2019》.2019,第583-591页. * |
| 宋欢欢 等.改进的RetinaNet模型的车辆目标检测.《计算机工程与应用》.2019,第55卷(第13期),第225-230页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111161270A (zh) | 2020-05-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111161270B (zh) | 医学影像的血管分割方法、计算机设备和可读存储介质 | |
| CN111369542B (zh) | 血管标记方法、图像处理系统和存储介质 | |
| CN109697741B (zh) | 一种pet图像重建方法、装置、设备及介质 | |
| CN111192356B (zh) | 感兴趣区域的显示方法、装置、设备和存储介质 | |
| CN111179231B (zh) | 图像处理方法、装置、设备和存储介质 | |
| CN111325714B (zh) | 感兴趣区域的处理方法、计算机设备和可读存储介质 | |
| CN111445449B (zh) | 感兴趣区域的分类方法、装置、计算机设备和存储介质 | |
| CN111179372B (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
| CN111161269B (zh) | 图像分割方法、计算机设备和可读存储介质 | |
| CN111080583B (zh) | 医学图像检测方法、计算机设备和可读存储介质 | |
| CN111028212B (zh) | 关键点检测方法、装置、计算机设备和存储介质 | |
| CN111223158B (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
| CN111951272A (zh) | 脑部影像的分割方法、装置、计算机设备和可读存储介质 | |
| KR101885562B1 (ko) | 제1 의료 영상의 관심 영역을 제2 의료 영상 위에 맵핑하는 방법 및 이를 이용한 장치 | |
| 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 | |
| CN112150571A (zh) | 一种图像运动伪影消除方法、装置、设备及存储介质 | |
| CN116469545A (zh) | 使用医学图像进行辅助疾病预测的方法、装置及设备 | |
| CN113538209A (zh) | 一种多模态医学影像配准方法、配准系统、计算设备和存储介质 | |
| CN113192031B (zh) | 血管分析方法、装置、计算机设备和存储介质 | |
| CN111161240B (zh) | 血管分类方法、装置、计算机设备和可读存储介质 | |
| CN110738639B (zh) | 医学图像检测结果的展示方法、装置、设备及存储介质 | |
| CN112862752A (zh) | 一种图像处理显示方法、系统电子设备及存储介质 | |
| CN112102235A (zh) | 人体部位识别方法、计算机设备和存储介质 | |
| CN116524158A (zh) | 基于图像配准的介入导航方法、装置、设备和介质 | |
| US20210256741A1 (en) | Region correction apparatus, region correction method, and region correction program |
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 |