CN111223089A - 一种动脉瘤的检测方法、装置及计算机可读存储介质 - Google Patents
一种动脉瘤的检测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111223089A CN111223089A CN202010050145.8A CN202010050145A CN111223089A CN 111223089 A CN111223089 A CN 111223089A CN 202010050145 A CN202010050145 A CN 202010050145A CN 111223089 A CN111223089 A CN 111223089A
- Authority
- CN
- China
- Prior art keywords
- image data
- aneurysm
- processed
- potential
- information
- 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
- 206010002329 Aneurysm Diseases 0.000 title claims abstract description 381
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 13
- 238000010968 computed tomography angiography Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 201000008450 Intracranial aneurysm Diseases 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 210000004204 blood vessel Anatomy 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 239000002872 contrast media Substances 0.000 description 7
- 210000001367 artery Anatomy 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000007917 intracranial administration Methods 0.000 description 3
- 238000010253 intravenous injection Methods 0.000 description 3
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 2
- 238000002583 angiography Methods 0.000 description 2
- 210000002551 anterior cerebral artery Anatomy 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010894 electron beam technology Methods 0.000 description 2
- 229910052740 iodine Inorganic materials 0.000 description 2
- 239000011630 iodine Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002746 orthostatic effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 208000019553 vascular disease Diseases 0.000 description 2
- 208000009443 Vascular Malformations Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008321 arterial blood flow Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 231100000518 lethal Toxicity 0.000 description 1
- 230000001665 lethal effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000001613 neoplastic effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000000079 presaturation Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000008320 venous blood flow 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T2207/10116—X-ray image
- G06T2207/10121—Fluoroscopy
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本说明书实施例公开了一种动脉瘤的检测方法、装置及计算机可读存储介质。动脉瘤的检测方法包括:获取待处理的影像数据,其中,所述待处理的影像数据为正位影像数据和侧位影像数据;提取所述待处理的影像数据中潜在动脉瘤的图像信息,并确定所述待处理的影像数据中潜在动脉瘤的位置编码信息;将所述图像信息和位置编码信息输入动脉瘤序列分割模型,获得所述待处理的影像数据中潜在动脉瘤对应的概率值;基于预设阈值,利用所述待处理影像数据中潜在动脉瘤对应的概率值,对所述潜在动脉瘤进行判断,确定所述待处理的影像数据的最终的动脉瘤。采用本说明书提供的方法,能够提高动脉瘤检测的准确度,降低动脉瘤检测的误检率。
Description
技术领域
本说明书涉及医学影像和计算机技术领域,尤其涉及一种动脉瘤的检测方法、装置及计算机可读存储介质。
背景技术
颅内动脉瘤是一种常见的血管性疾病,该疾病是由于颅内动脉内腔的局部异常扩张而导致的一种动脉壁的瘤状突起。据报道,颅内未破裂动脉瘤在我国成人中的患病率高达7%,颅内未破裂动脉瘤发生破裂后,会导致严重残疾甚至死亡。因此,早日发现颅内动脉瘤具有重要意义。
现有技术中,利用医学影像,例如三维DSA(Digital subtraction angiography,数字减影血管造影)、CTA(CT angiography,CT血管造影)、MRA(magnetic resonanceangiographyy,磁共振血管造影),均可以获得不同拍摄角度下的颅内动脉瘤影像数据,但是基于颅内动脉瘤影像数据进行颅内动脉瘤分割时,仅仅是考虑单一角度的动脉瘤分割结果,因此,动脉瘤分割结果中往往会存在非动脉瘤,存在动脉瘤误检的情况。
因此,需要一种新的检测方法,能够减少动脉瘤的误检率,提高动脉瘤检测的准确性。
发明内容
本说明书实施例提供一种动脉瘤的检测方法、装置及计算机可读存储介质,用于解决以下技术问题:现有技术中,基于颅内动脉瘤影像数据进行颅内动脉瘤分割时,仅仅是考虑单一角度的动脉瘤分割结果,因此,动脉瘤分割结果中往往会存在非动脉瘤,存在动脉瘤误检的情况。
本说明书实施例提供一种动脉瘤的检测方法,包括以下步骤:
获取待处理的影像数据,其中,所述待处理的影像数据为正位影像数据和侧位影像数据;
提取所述待处理的影像数据中潜在动脉瘤的图像信息,并确定所述待处理的影像数据中潜在动脉瘤的位置编码信息;
将所述图像信息和位置编码信息输入动脉瘤序列分割模型,获得所述待处理的影像数据中潜在动脉瘤对应的概率值;
基于预设阈值,利用所述待处理影像数据中潜在动脉瘤对应的概率值,对所述潜在动脉瘤进行判断,确定所述待处理的影像数据的最终的动脉瘤。
进一步地,所述待处理的影像数据还包括:斜位影像数据。
进一步地,所述提取所述待处理的影像数据中潜在动脉瘤的图像信息,具体包括:
确定所述待处理的影像数据中潜在动脉瘤的最大尺寸;
以所述潜在动脉瘤的最大尺寸作为小块,以所述待处理的影像数据中潜在动脉瘤的中心点为中心,对所述待处理的影像数据中潜在动脉瘤进行分割,获得所述待处理的影像数据中潜在动脉瘤的图像信息。
进一步地,所述提取所述待处理的影像数据中原始影像数据的潜在动脉瘤的图像信息,具体包括:
根据预设小块值作为小块,以所述待处理的影像数据中潜在动脉瘤的中心点为中心,对所述待处理的影像数据中潜在动脉瘤进行分割,获得所述待处理的影像数据中潜在动脉瘤的图像信息。进一步地,所述确定所述待处理的影像数据中潜在动脉瘤的位置编码信息,具体包括:
若所述待处理的影像数据为正位影像数据和侧位影像数据,则采用一位编码的方式对所述正位影像数据和所述侧位影像数据进行编码,采用线性编码或非线性编码,对所述待处理的影像数据中潜在动脉瘤在所述待处理的影像数据中的位置进行编码,获得所述待处理的影像数据中潜在动脉瘤的位置编码信息;
若所述待处理的影像数据还包括斜位影像数据,则采用二位编码的方式对所述正位影像数据、所述侧位影像数据和所述斜位影像数据进行编码,采用线性编码或非线性编码,对所述待处理的影像数据中潜在动脉瘤在所述待处理的影像数据中的位置进行编码,获得所述待处理的影像数据中潜在动脉瘤的位置编码信息。
进一步地,所述动脉瘤序列分割模型的构建包括:
获取潜在动脉瘤的影像数据的图像信息和位置编码信息;
将所述潜在动脉瘤的影像数据的图像信息进行降维,获得所述潜在动脉瘤的影像数据的图像信息对应的一维信息;
将所述潜在动脉瘤的影像数据的图像信息对应的一维信息与所述潜在动脉瘤的影像数据的位置编码信息进行连接后,输入卷积神经网络模型进行训练,获得动脉瘤序列分割模型。
进一步地,所述将所述潜在动脉瘤的影像数据的图像信息进行降维,获得所述潜在动脉瘤的影像数据的图像信息对应的一维信息,具体包括:
将所述潜在动脉瘤的影像数据的图像信息输入卷积神经网络,对所述潜在动脉瘤的影像数据的图像信息的特征图进行降维处理,获得所述潜在动脉瘤的影像数据的图像信息对应的一维信息。
进一步地,所述基于预设阈值,利用所述待处理的影像数据中潜在动脉瘤对应的概率值,对所述潜在动脉瘤进行判断,确定所述待处理的影像数据的最终的动脉瘤,具体包括:
若所述待处理的影像数据中潜在动脉瘤对应的概率值小于所述预设阈值,则所述待处理的影像数据中潜在动脉瘤为假阳性;
若所述待处理的影像数据中潜在动脉瘤对应的概率值大于等于所述预设阈值,则所述待处理的影像数据中潜在动脉瘤为所述待处理的影像数据中最终的动脉瘤。
本说明书实施例提供一种动脉瘤的检测装置,包括:
获取模块,获取待处理的影像数据,其中,所述待处理的影像数据为正位影像数据和侧位影像数据;
信息提取模块,提取所述待处理的影像数据中潜在动脉瘤的图像信息,并确定所述待处理的影像数据中潜在动脉瘤的位置编码信息;
分类模块,将所述图像信息和位置编码信息输入动脉瘤序列分割模型,获得所述待处理的影像数据中潜在动脉瘤对应的概率值;
确认模块,基于预设阈值,利用所述待处理影像数据中潜在动脉瘤对应的概率值,对所述潜在动脉瘤进行判断,确定所述待处理的影像数据的最终的动脉瘤。
进一步地,所述待处理的影像数据还包括:斜位影像数据。
进一步地,所述提取所述待处理的影像数据中潜在动脉瘤的图像信息,具体包括:
确定所述待处理的影像数据中潜在动脉瘤的最大尺寸;
以所述潜在动脉瘤的最大尺寸作为小块,以所述待处理的影像数据中潜在动脉瘤的中心点为中心,对所述待处理的影像数据中潜在动脉瘤进行分割,获得所述待处理的影像数据中潜在动脉瘤的图像信息。
进一步地,所述提取所述待处理的影像数据中原始影像数据的潜在动脉瘤的图像信息,具体包括:
根据预设小块值作为小块,以所述待处理的影像数据中潜在动脉瘤的中心点为中心,对所述待处理的影像数据中潜在动脉瘤进行分割,获得所述待处理的影像数据中潜在动脉瘤的图像信息。
进一步地,所述确定所述待处理的影像数据中潜在动脉瘤的位置编码信息,具体包括:
若所述待处理的影像数据为正位影像数据和侧位影像数据,则采用一位编码的方式对所述正位影像数据和所述侧位影像数据进行编码,采用线性编码或非线性编码,对所述待处理的影像数据中潜在动脉瘤在所述待处理的影像数据中的位置进行编码,获得所述待处理的影像数据中潜在动脉瘤的位置编码信息;
若所述待处理的影像数据还包括斜位影像数据,则采用二位编码的方式对所述正位影像数据、所述侧位影像数据和所述斜位影像数据进行编码,采用线性编码或非线性编码,对所述待处理的影像数据中潜在动脉瘤在所述待处理的影像数据中的位置进行编码,获得所述待处理的影像数据中潜在动脉瘤的位置编码信息。
进一步地,所述动脉瘤序列分割模型的构建包括:
获取潜在动脉瘤的影像数据的图像信息和位置编码信息;
将所述潜在动脉瘤的影像数据的图像信息进行降维,获得所述潜在动脉瘤的影像数据的图像信息对应的一维信息;
将所述潜在动脉瘤的影像数据的图像信息对应的一维信息与所述潜在动脉瘤的影像数据的位置编码信息进行连接后,输入卷积神经网络模型进行训练,获得动脉瘤序列分割模型。
进一步地,所述将所述潜在动脉瘤的影像数据的图像信息进行降维,获得所述潜在动脉瘤的影像数据的图像信息对应的一维信息,具体包括:
将所述潜在动脉瘤的影像数据的图像信息输入卷积神经网络,对所述潜在动脉瘤的影像数据的图像信息的特征图进行降维处理,获得所述潜在动脉瘤的影像数据的图像信息对应的一维信息。
进一步地,所述基于预设阈值,利用所述待处理的影像数据中潜在动脉瘤对应的概率值,对所述潜在动脉瘤进行判断,确定所述待处理的影像数据的最终的动脉瘤,具体包括:
若所述待处理的影像数据中潜在动脉瘤对应的概率值小于所述预设阈值,则所述待处理的影像数据中潜在动脉瘤为假阳性;
若所述待处理的影像数据中潜在动脉瘤对应的概率值大于等于所述预设阈值,则所述待处理的影像数据中潜在动脉瘤为所述待处理的影像数据中的最终的动脉瘤。
本说明书实施例提供一种计算机可读存储介质,其特征在于,所述存储介质包括一组计算机可执行指令,当所述指令被执行时用于执行动脉瘤的检测方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
本说明书实施例采用获取待处理的影像数据,其中,所述待处理的影像数据为正位影像数据和侧位影像数据;提取所述待处理的影像数据中潜在动脉瘤的图像信息,并确定所述待处理的影像数据中潜在动脉瘤的位置编码信息;将所述图像信息和位置编码信息输入动脉瘤序列分割模型,获得所述待处理的影像数据中潜在动脉瘤对应的概率值;基于预设阈值,利用所述待处理影像数据中潜在动脉瘤对应的概率值,对所述潜在动脉瘤进行判断,确定所述待处理的影像数据的最终的动脉瘤,能够提高动脉瘤检测的准确度,降低动脉瘤检测的误检率。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的一种动脉瘤的检测方法的流程示意图;
图2为本说明书实施例提供的基于二维DSA影像数据的原始影像数据示意图;
图3为本说明书实施例提供的动脉瘤的最终分割结果示意图;
图4为本说明书实施例提供的动脉瘤风险评估模型的构建流程示意图;
图5为本说明书实施例提供的一种动脉瘤的检测装置的示意图。
具体实施方式
鉴于颅内动脉瘤的高致死致残率,高危人群定期进行动脉瘤筛查具有重要意义。动脉瘤的检测方法包括MRA、CTA、DSA等。
DSA的基本原理是将注入造影剂前后拍摄的两帧X线图像经数字化输入图像计算机,通过减影、增强和再成像过程来获得清晰的纯血管影像,同时实时地显现血管影。DSA具有对比度分辨率高、检查时间短、造影剂用量少,浓度低、患者X线吸收量明显降低以及节省胶片等优点,在血管疾患的临床诊断中,具有十分重要的意义。DSA因其成像特点成为颅内动脉血管畸形和动脉瘤诊断的金标准。
MRA基本原理是基于饱和效应、流入增强效应、流动去相位效应。MRA是将预饱和带置于3D层块的头端以饱和静脉血流,反向流动的动脉血液进入3D层块,因未被饱和从而产生MR信号。扫描时将一个较厚容积分割成多个薄层激发,减少激发容积厚度以减少流入饱和效应,且能保证扫描容积范围,获得数层相邻层面的薄层图像,使图像清晰,血管的细微结构显示好,空间分辨力提高。MRA可以不用经静脉注射对比剂,利用血液流动与静置的血管壁及周围组织形成对比而直接显示血管。MRA因其高质量的成像特点,广泛应用于动脉瘤筛查。
CTA的基本原理是静脉注射含碘造影剂后,利用螺旋CT或电子束CT在造影剂充盈的受检血管高峰期连续进行薄层扫描,快速获取大量薄层叠加断面,经计算机图像处理后重建血管立体影像,清晰显示大脑前动脉、中动脉、后动脉及其主要分支和Wi11is动脉环等。静脉注射含碘造影剂后,利用螺旋CT或电子束CT在造影剂充盈的受检血管高峰期连续进行薄层扫描,快速获取大量薄层叠加断面,经计算机图像处理后重建血管立体影像,清晰显示大脑前动脉、中动脉、后动脉及其主要分支和Wi11is动脉环等。由于CTA具有无创、快捷、操作简单、价格低廉等特点,在临床颅内动脉瘤的诊断中广泛应用。
基于CTA或者MRA或者DSA的影像数据,均可以实现动脉瘤的分割。本申请基于动脉瘤分割的影像数据,基于不同角度影像数据的互信息,检测动脉瘤。
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例提供的一种动脉瘤的检测方法的流程示意图。该方法具体包括以下步骤:
步骤S101:获取待处理的影像数据,其中,所述待处理的影像数据为正位影像数据和侧位影像数据。
在本说明书实施中,待处理的影像数据为动脉瘤的分割影像数据及原始影像数据,动脉瘤的分割影像数据可以为基于MRA或CTA或DSA影像数据分割得到的二维动脉瘤分割影像数据,当然动脉瘤的分割影像数据的来源并不构成对本申请的限定。需要说明的是,动脉瘤的分割影像数据中,包含潜在动脉瘤。原始影像数据是标注有潜在动脉瘤的MRA或CTA或DSA影像数据,原始影像数据可以为二维影像数据,也可以为三维影像数据。
在本说明书实施例中,正位影像数据为被检者俯卧于摄影床上,正中矢状面垂直于床面、并重合于床面中线所获得的影像数据。侧位影像数据为被检者俯卧于摄影床上、被检侧靠近床面、矢状面与床面平行所获得的影像数据。
在本说明书实施例中,待处理的影像数据还可以包括:斜位影像数据。斜位影像数据是指正位影像数据及侧位影像数据之外的其它角度获得的影像数据。
在本说明书实施例中,待处理的影像数据中的动脉瘤的分割影像数据为二值图像数据。由原始影像数据获得动脉瘤的分割影像数据的方法并不构成对本申请的限定。
为便于理解本说明书实施例中提及的原始影像数据,以二维DSA影像数据的动脉瘤的分割影像数据为例,图2为本说明书实施例提供的基于二维DSA影像数据的原始影像数据示意图。在图2中,包括正位原始影像数据和侧位原始影像数据。从第10帧中,可以观察到正位原始影像数据中有3个潜在动脉瘤,侧位原始影像数据中有1个潜在动脉瘤。现有技术中,认为正位中有3个动脉瘤,侧位中有1个动脉瘤。而在本说明书中,则需要基于该结果,进一步判断,正位的3个潜在动脉瘤和侧位的1个潜在动脉瘤中,是否存在假阳性结果。
为便于理解本说明书实施例提供的检测方法,本说明书实施例将基于图2第10帧的原始影像数据,以说明本说明书实施例提供的检测方法。图3为本说明书实施例提供的动脉瘤的最终分割结果示意图。如图3a1所示,为二维DSA影像数据第10帧的正位原始影像数据,图3a2为二维DSA影像数据第10帧的侧位原始影像数据。将二维DSA影像数据经过动脉瘤分割,获得动脉瘤的分割结果。如图3b1所示,经过动脉瘤分割后,获得二值图像,正位影像数据中有3个潜在动脉瘤,图3b2所示,经过动脉瘤分割后,侧位影像数据中有1个潜在动脉瘤。若待处理的影像数据为三维影像数据,可以采用最大密度投影等方法,进行动脉瘤分割后,获得动脉瘤的分割影像数据。
步骤S103:提取所述待处理的影像数据中原始影像数据的潜在动脉瘤的图像信息,并确定所述待处理的影像数据中潜在动脉瘤的位置编码信息。
前述步骤S101获得的待处理的影像数据中的动脉瘤的分割影像数据,但是由于这种动脉瘤的分割影像数据仅考虑了单一角度,因此,误检的可能性极大。因此需要进一步对待处理的影像数据中的潜在动脉瘤进一步进行分析,以排除误检的动脉瘤。
在本说明书实施例中,提取待处理的影像数据中潜在动脉瘤的图像信息,具体包括:
确定所述待处理的影像数据中潜在动脉瘤的最大尺寸;
以所述潜在动脉瘤的最大尺寸作为小块,以所述待处理的影像数据中潜在动脉瘤的中心点为中心,对所述待处理的影像数据中潜在动脉瘤进行分割,获得所述待处理的影像数据中潜在动脉瘤的图像信息。
继续沿用前例,正位影像数据中有3个潜在动脉瘤,侧位影像数据中有1个潜在动脉瘤。在提取待处理的影像数据中潜在动脉瘤的图像信息时,首先确定4个潜在动脉瘤中,潜在动脉瘤的最大尺寸作为小块,对所述待处理的影像数据中潜在动脉瘤进行分割,获得所述待处理的影像数据中潜在动脉瘤的图像信息。如图3a1中所示,图中虚线框为选取的小块。小块的长度为h,宽度为w。为保证选取的小块不丢失潜在动脉瘤信息,小块的尺寸可以比潜在动脉瘤的最大尺寸大一些。在本说明书的又一个实施例中,小块的尺寸为潜在动脉瘤尺寸的1.05-1.2倍。
在本说明书实施例中,提取所述待处理的影像数据中原始影像数据的潜在动脉瘤的图像信息,具体包括:
根据预设小块值作为小块,以所述待处理的影像数据中潜在动脉瘤的中心点为中心,对所述待处理的影像数据中潜在动脉瘤进行分割,获得所述待处理的影像数据中潜在动脉瘤的图像信息。
预设小块值可以为基于经验获得的数值。在本说明书的一个实施例中,预设小块值可以为10mm*10mm。以10mm*10mm作为小块,以待处理的影像数据中潜在动脉瘤的中心点为中心,对待处理的影像数据中潜在动脉瘤进行分割,获得待处理的影像数据中潜在动脉瘤的图像信息。
若待处理的影像数据为三维影像数据,则基于最大密度投影方法,对待处理的三维影像数据进行降维处理后,进行动脉瘤分割,获得潜在动脉瘤的最大尺寸作为小块,对所述待处理的影像数据中潜在动脉瘤进行分割,获得所述待处理的影像数据中潜在动脉瘤的图像信息。需要特别说明的是,三维影像数据进行动脉瘤分割,也可以采用其他方法,诸如,确定动脉瘤的最佳帧后,进行分割,动脉瘤分割的方法并不构成对本申请的限定。
由于待处理的影像数据可以分为随时间变化的影像数据,例如3D-DSA和不随时间变化的影像数据,例如2D-DSA,对于动脉瘤的分割方式,并不构成对本申请的限定。
在本说明书实施例中,待处理的影像数据中潜在动脉瘤的中心点通过搜索连通域的方法获得。继续沿用前例,以图3b1为例,三个潜在动脉瘤的中心点分别为[x1,y1]、[x2,y2]、[x3,y3]。图3b1中潜在动脉瘤的图像信息分别以[x1,y1]、[x2,y2]、[x3,y3]为中心,以长度为h,宽度为w作为小块,截取得到的区域即为三个潜在动脉瘤的图像信息。在本说明书实施例中,确定所述待处理的影像数据中潜在动脉瘤的位置编码信息,具体包括:
若所述待处理的影像数据为正位影像数据和侧位影像数据,则采用一位编码的方式对所述正位影像数据和所述侧位影像数据进行编码,采用线性编码或非线性编码,对所述待处理的影像数据中潜在动脉瘤在所述待处理的影像数据中的位置进行编码,获得所述待处理的影像数据中潜在动脉瘤的位置编码信息;
若所述待处理的影像数据还包括斜位影像数据,则采用二位编码的方式对所述正位影像数据、所述侧位影像数据和所述斜位影像数据进行编码,采用线性编码或非线性编码,对所述待处理的影像数据中潜在动脉瘤在所述待处理的影像数据中的位置进行编码,获得所述待处理的影像数据中潜在动脉瘤的位置编码信息。
在本说明书实施例中,正位影像数据和侧位影像数据,可以将正位影像数据编码为0,将侧位影像数据编码为1。在本说明书的又一个实施例中,除了正位影像数据和侧位影像数据,还有其他位影像数据,可以采用[0,0]代表正位影像数据,[0,1]代表侧位影像数据,[1,1]代表其他位影像数据。
在本说明书实施例中,对所述待处理的影像数据中潜在动脉瘤在所述待处理的影像数据中的位置进行编码可以为线性编码,也可以用非线性编码。继续沿用前例,以长度为h,宽度为w作为小块,以正位[x1,y1]为中心的潜在动脉瘤,以线性编码的方式进行编码,可以编码为[x1/h,y1/w];或者用非线性编码的方式进行编码,中心点为[x1,y1]的正位动脉瘤可以编码为[cos(x1/h),cos(y1/w)]。
继续沿用前例,对于侧位[x1,y1]为中心的潜在动脉瘤为例,采用线性编码的方式进行编码,可以编码为[0,x1/h,y1/w]或[0,0,x1/h,y1/w];或者用非线性编码的方式进行编码,中心点为[x1,y1]的侧位动脉瘤可以编码为[0,cos(x1/h),cos(y1/w)]或[0,0,cos(x1/h),cos(y1/w)]。
步骤S105:将所述图像信息和位置编码信息输入动脉瘤序列分割模型,获得所述待处理的影像数据中潜在动脉瘤对应的概率值。
在本说明书实施例中,动脉瘤序列分割模型是采用卷积神经网络模型训练,预先获得的模型。卷积神经网络模型的训练,可以为端对端的方式,亦可以为非端对端的方式。卷积神经网络模型的训练方式并不构成对本申请的限定。
图4为本说明书实施例提供的动脉瘤序列分割模型的构建示意图。动脉瘤序列分割模型的构建包括:
步骤S401:获取潜在动脉瘤的影像数据的图像信息和位置编码信息。
在本说明书实施例中,用于动脉瘤序列分割模型训练的已知样本为含有潜在动脉瘤的影像数据,该含有潜在动脉瘤的影像数据具体包括动脉瘤的分割影像数据及对应的原始影像数据。首先,需要获取潜在动脉瘤的影像数据的图像信息和位置编码信息,具体方法可以采用前述步骤提供的方法。
步骤S403:将潜在动脉瘤的影像数据的图像信息进行降维,获得潜在动脉瘤的影像数据的图像信息对应的一维信息。
由于图像信息为二值图像,是二维信息,而位置编码信息为一维信息,因此,需要将图像信息进行降维处理,具体方法为:
将潜在动脉瘤的影像数据的图像信息输入卷积神经网络,对潜在动脉瘤的影像数据的图像信息的特征图进行降维处理,获得潜在动脉瘤的影像数据的图像信息对应的一维信息。在本说明书实施例中,潜在动脉瘤的影像数据的图像信息的特征图包括潜在动脉瘤的影像数据的灰度信息和/或边缘信息。
继续沿用前例,对于6*6的小块,经过降维处理后,会得到一个36的一维信息。
步骤S403:将潜在动脉瘤的影像数据的图像信息对应的一维信息与潜在动脉瘤的影像数据的位置编码信息进行连接后,输入卷积神经网络模型进行训练,获得动脉瘤序列分割模型。
在本说明书实施例中,将潜在动脉瘤的影像数据的图像信息对应的一维信息与潜在动脉瘤的影像数据的位置编码信息进行连接可以采用简单的连接方式,直接将潜在动脉瘤的影像数据的位置编码信息至于潜在动脉瘤的影像数据的图像信息对应的一维信息后,形成新的一维信息。
继续沿用前例,有3个编码信息,每个小块的一维信息的长度为36,则新的一维信息的长度为36+3=39。假设潜在动脉瘤的个数为4,则共有4*39个一维向量。
动脉瘤序列分割模型输出的结果为各个潜在动脉瘤对应的概率值。
步骤S107:基于预设阈值,利用所述待处理影像数据中潜在动脉瘤对应的概率值,对所述潜在动脉瘤进行判断,确定所述待处理的影像数据的最终的动脉瘤。
在本说明书实施例中,若所述待处理的影像数据中潜在动脉瘤对应的概率值小于所述预设阈值,则所述待处理的影像数据中潜在动脉瘤为假阳性;
若所述待处理的影像数据中潜在动脉瘤对应的概率值大于等于所述预设阈值,则所述待处理的影像数据中潜在动脉瘤为所述待处理的影像数据中的动脉瘤。
需要特别说明的是,预设阈值可以根据检出率和/或误检率而定。在本说明书的一个实施例中,预设阈值为0.5。
继续沿用前例,采用本说明书提供的检测方法,对图3b1和图3b2中的潜在动脉瘤进行检测,结果如图3c1和图3c2所示。正位影像数据中包括1个动脉瘤,侧位影像数据中包括1个动脉瘤。
本说明书实施例提供的检测方法,能够提高动脉瘤检测的准确度,降低动脉瘤检测的误检率。
基于同样的思路,本说明书实施例还提供了一种动脉瘤的检测装置,图5为本说明书实施例提供的一种动脉瘤的检测装置的示意图,该检测装置包括:
获取模块501,获取待处理的影像数据,其中,所述待处理的影像数据为正位影像数据和侧位影像数据;
信息提取模块503,提取所述待处理的影像数据中原始影像数据的潜在动脉瘤的图像信息,并确定所述待处理的影像数据中潜在动脉瘤的位置编码信息;
分类模块505,将所述图像信息和位置编码信息输入动脉瘤序列分割模型,获得所述待处理的影像数据中潜在动脉瘤对应的概率值;
确认模块507,基于预设阈值,利用所述待处理影像数据中潜在动脉瘤对应的概率值,对所述潜在动脉瘤进行判断,确定所述待处理的影像数据的最终的动脉瘤。
获取模块501中待处理的影像数据还包括:斜位影像数据。
信息提取模块503中,所述提取所述待处理的影像数据中潜在动脉瘤的图像信息,具体包括:
确定所述待处理的影像数据中潜在动脉瘤的最大尺寸;
以所述潜在动脉瘤的最大尺寸作为小块,以所述待处理的影像数据中潜在动脉瘤的中心点为中心,对所述待处理的影像数据中潜在动脉瘤进行分割,获得所述待处理的影像数据中潜在动脉瘤的图像信息。
进一步地,所述提取所述待处理的影像数据中原始影像数据的潜在动脉瘤的图像信息,具体包括:
根据预设小块值作为小块,以所述待处理的影像数据中潜在动脉瘤的中心点为中心,对所述待处理的影像数据中潜在动脉瘤进行分割,获得所述待处理的影像数据中潜在动脉瘤的图像信息。进一步地,所述确定所述待处理的影像数据中潜在动脉瘤的位置编码信息,具体包括:
若所述待处理的影像数据为正位影像数据和侧位影像数据,则采用一位编码的方式对所述正位影像数据和所述侧位影像数据进行编码,采用线性编码或非线性编码,对所述待处理的影像数据中潜在动脉瘤在所述待处理的影像数据中的位置进行编码,获得所述待处理的影像数据中潜在动脉瘤的位置编码信息;
若所述待处理的影像数据还包括斜位影像数据,则采用二位编码的方式对所述正位影像数据、所述侧位影像数据和所述斜位影像数据进行编码,采用线性编码或非线性编码,对所述待处理的影像数据中潜在动脉瘤在所述待处理的影像数据中的位置进行编码,获得所述待处理的影像数据中潜在动脉瘤的位置编码信息。
分类模块505中,所述动脉瘤序列分割模型的构建包括:
获取潜在动脉瘤的影像数据的图像信息和位置编码信息;
将所述潜在动脉瘤的影像数据的图像信息进行降维,获得所述潜在动脉瘤的影像数据的图像信息对应的一维信息;
将所述潜在动脉瘤的影像数据的图像信息对应的一维信息与所述潜在动脉瘤的影像数据的位置编码信息进行连接后,输入卷积神经网络模型进行训练,获得动脉瘤序列分割模型。
进一步地,所述将所述潜在动脉瘤的影像数据的图像信息进行降维,获得所述潜在动脉瘤的影像数据的图像信息对应的一维信息,具体包括:
将所述潜在动脉瘤的影像数据的图像信息输入卷积神经网络,对潜在动脉瘤的影像数据的图像信息的特征图进行降维处理,获得所述潜在动脉瘤的影像数据的图像信息对应的一维信息。
确认模块507中,所述基于预设阈值,利用所述待处理的影像数据中潜在动脉瘤对应的概率值,对所述潜在动脉瘤进行判断,确定所述待处理的影像数据的最终的动脉瘤,具体包括:
若所述待处理的影像数据中潜在动脉瘤对应的概率值小于所述预设阈值,则所述待处理的影像数据中潜在动脉瘤为假阳性;
若所述待处理的影像数据中潜在动脉瘤对应的概率值大于等于所述预设阈值,则所述待处理的影像数据中潜在动脉瘤为所述待处理的影像数据中的最终的动脉瘤。
本说明书实施例还提供一种计算机可读存储介质,其特征在于,所述存储介质包括一组计算机可执行指令,当所述指令被执行时用于执行动脉瘤的检测方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的,因此,装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (17)
1.一种动脉瘤的检测方法,其特征在于,所述检测方法包括:
获取待处理的影像数据,其中,所述待处理的影像数据为正位影像数据和侧位影像数据;
提取所述待处理的影像数据中原始影像数据的潜在动脉瘤的图像信息,并确定所述待处理的影像数据中潜在动脉瘤的位置编码信息;
将所述图像信息和位置编码信息输入动脉瘤序列分割模型,获得所述待处理的影像数据中潜在动脉瘤对应的概率值;
基于预设阈值,利用所述待处理影像数据中潜在动脉瘤对应的概率值,对所述潜在动脉瘤进行判断,确定所述待处理的影像数据的最终的动脉瘤。
2.根据权利要求1所述的检测方法,其特征在,所述待处理的影像数据还包括:斜位影像数据。
3.根据权利要求1所述的检测方法,其特征在于,所述提取所述待处理的影像数据中原始影像数据的潜在动脉瘤的图像信息,具体包括:
确定所述待处理的影像数据中潜在动脉瘤的最大尺寸;
以所述潜在动脉瘤的最大尺寸作为小块,以所述待处理的影像数据中潜在动脉瘤的中心点为中心,对所述待处理的影像数据中潜在动脉瘤进行分割,获得所述待处理的影像数据中潜在动脉瘤的图像信息。
4.根据权利要求1所述的检测方法,其特征在于,所述提取所述待处理的影像数据中原始影像数据的潜在动脉瘤的图像信息,具体包括:
根据预设小块值作为小块,以所述待处理的影像数据中潜在动脉瘤的中心点为中心,对所述待处理的影像数据中潜在动脉瘤进行分割,获得所述待处理的影像数据中潜在动脉瘤的图像信息。
5.根据权利要求1或2所述的检测方法,其特征在,所述确定所述待处理的影像数据中原始影像数据的潜在动脉瘤的位置编码信息,具体包括:
若所述待处理的影像数据为正位影像数据和侧位影像数据,则采用一位编码的方式对所述正位影像数据和所述侧位影像数据进行编码,采用线性编码或非线性编码,对所述待处理的影像数据中潜在动脉瘤在所述待处理的影像数据中的位置进行编码,获得所述待处理的影像数据中潜在动脉瘤的位置编码信息;
若所述待处理的影像数据还包括斜位影像数据,则采用二位编码的方式对所述正位影像数据、所述侧位影像数据和所述斜位影像数据进行编码,采用线性编码或非线性编码,对所述待处理的影像数据中潜在动脉瘤在所述待处理的影像数据中的位置进行编码,获得所述待处理的影像数据中潜在动脉瘤的位置编码信息。
6.根据权利要求1所述的检测方法,其特征在于,所述动脉瘤序列分割模型的构建包括:
获取潜在动脉瘤的影像数据的图像信息和位置编码信息;
将所述潜在动脉瘤的影像数据的图像信息进行降维,获得所述潜在动脉瘤的影像数据的图像信息对应的一维信息;
将所述潜在动脉瘤的影像数据的图像信息对应的一维信息与所述潜在动脉瘤的影像数据的位置编码信息进行连接后,输入卷积神经网络模型进行训练,获得动脉瘤序列分割模型。
7.根据权利要求6所述的检测方法,其特征在于,所述将所述潜在动脉瘤的影像数据的图像信息进行降维,获得所述潜在动脉瘤的影像数据的图像信息对应的一维信息,具体包括:
将所述潜在动脉瘤的影像数据的图像信息输入卷积神经网络,对所述潜在动脉瘤的影像数据的图像信息的特征图进行降维处理,获得所述潜在动脉瘤的影像数据的图像信息对应的一维信息。
8.根据权利要求1所述的检测方法,其特征在于,所述基于预设阈值,利用所述待处理的影像数据中潜在动脉瘤对应的概率值,对所述潜在动脉瘤进行判断,确定所述待处理的影像数据的最终的动脉瘤,具体包括:
若所述待处理的影像数据中潜在动脉瘤对应的概率值小于所述预设阈值,则所述待处理的影像数据中潜在动脉瘤为假阳性;
若所述待处理的影像数据中潜在动脉瘤对应的概率值大于等于所述预设阈值,则所述待处理的影像数据中潜在动脉瘤为所述待处理的影像数据中的动脉瘤。
9.一种动脉瘤的检测装置,其特征在于,所述装置包括:
获取模块,获取待处理的影像数据,其中,所述待处理的影像数据为正位影像数据和侧位影像数据;
信息提取模块,提取所述待处理的影像数据中原始影像数据的潜在动脉瘤的图像信息,并确定所述待处理的影像数据中潜在动脉瘤的位置编码信息;
分类模块,将所述图像信息和位置编码信息输入动脉瘤序列分割模型,获得所述待处理的影像数据中潜在动脉瘤对应的概率值;
确认模块,基于预设阈值,利用所述待处理影像数据中潜在动脉瘤对应的概率值,对所述潜在动脉瘤进行判断,确定所述待处理的影像数据的最终的动脉瘤。
10.根据权利要求9所述的检测装置,其特征在,所述待处理的影像数据还包括:斜位影像数据。
11.根据权利要求9所述的检测装置,其特征在于,所述提取所述待处理的影像数据中原始影像数据的潜在动脉瘤的图像信息,具体包括:
确定所述待处理的影像数据中潜在动脉瘤的最大尺寸;
以所述潜在动脉瘤的最大尺寸作为小块,以所述待处理的影像数据中潜在动脉瘤的中心点为中心,对所述待处理的影像数据中潜在动脉瘤进行分割,获得所述待处理的影像数据中潜在动脉瘤的图像信息。
12.根据权利要求9所述的检测装置,其特征在于,所述提取所述待处理的影像数据中原始影像数据的潜在动脉瘤的图像信息,具体包括:
根据预设小块值作为小块,以所述待处理的影像数据中潜在动脉瘤的中心点为中心,对所述待处理的影像数据中潜在动脉瘤进行分割,获得所述待处理的影像数据中潜在动脉瘤的图像信息。
13.根据权利要求9或10所述的检测装置,其特征在,所述确定所述待处理的影像数据中原始影像数据的潜在动脉瘤的位置编码信息,具体包括:
若所述待处理的影像数据为正位影像数据和侧位影像数据,则采用一位编码的方式对所述正位影像数据和所述侧位影像数据进行编码,采用线性编码或非线性编码,对所述待处理的影像数据中潜在动脉瘤在所述待处理的影像数据中的位置进行编码,获得所述待处理的影像数据中潜在动脉瘤的位置编码信息;
若所述待处理的影像数据还包括斜位影像数据,则采用二位编码的方式对所述正位影像数据、所述侧位影像数据和所述斜位影像数据进行编码,采用线性编码或非线性编码,对所述待处理的影像数据中潜在动脉瘤在所述待处理的影像数据中的位置进行编码,获得所述待处理的影像数据中潜在动脉瘤的位置编码信息。
14.根据权利要求9所述的检测装置,其特征在于,所述动脉瘤序列分割模型的构建包括:
获取潜在动脉瘤的影像数据的图像信息和位置编码信息;
将所述潜在动脉瘤的影像数据的图像信息进行降维,获得所述潜在动脉瘤的影像数据的图像信息对应的一维信息;
将所述潜在动脉瘤的影像数据的图像信息对应的一维信息与所述潜在动脉瘤的影像数据的位置编码信息进行连接后,输入卷积神经网络模型进行训练,获得动脉瘤序列分割模型。
15.根据权利要求14所述的检测装置,其特征在于,所述将所述潜在动脉瘤的影像数据的图像信息进行降维,获得所述潜在动脉瘤的影像数据的图像信息对应的一维信息,具体包括:
将所述潜在动脉瘤的影像数据的图像信息输入卷积神经网络,对所述潜在动脉瘤的影像数据的图像信息的特征图进行降维处理,获得所述潜在动脉瘤的影像数据的图像信息对应的一维信息。
16.根据权利要求9所述的检测装置,其特征在于,所述基于预设阈值,利用所述待处理的影像数据中潜在动脉瘤对应的概率值,对所述潜在动脉瘤进行判断,确定所述待处理的影像数据的最终的动脉瘤,具体包括:
若所述待处理的影像数据中潜在动脉瘤对应的概率值小于所述预设阈值,则所述待处理的影像数据中潜在动脉瘤为假阳性;
若所述待处理的影像数据中潜在动脉瘤对应的概率值大于等于所述预设阈值,则所述待处理的影像数据中潜在动脉瘤为所述待处理的影像数据中最终的动脉瘤。
17.一种计算机可读存储介质,其特征在于,所述存储介质包括一组计算机可执行指令,当所述指令被执行时用于执行权利要求1-7任一项所述的动脉瘤的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010050145.8A CN111223089B (zh) | 2020-01-17 | 2020-01-17 | 一种动脉瘤的检测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010050145.8A CN111223089B (zh) | 2020-01-17 | 2020-01-17 | 一种动脉瘤的检测方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111223089A true CN111223089A (zh) | 2020-06-02 |
CN111223089B CN111223089B (zh) | 2023-11-03 |
Family
ID=70831151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010050145.8A Active CN111223089B (zh) | 2020-01-17 | 2020-01-17 | 一种动脉瘤的检测方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111223089B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113130030A (zh) * | 2021-05-11 | 2021-07-16 | 首都医科大学附属北京天坛医院 | 一种颅内动脉瘤稳定性的评价方法、装置以及设备 |
CN113538463A (zh) * | 2021-07-22 | 2021-10-22 | 强联智创(北京)科技有限公司 | 一种动脉瘤分割方法、装置以及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3928978B1 (ja) * | 2006-09-22 | 2007-06-13 | 国立大学法人岐阜大学 | 医用画像処理装置、医用画像処理方法及びプログラム |
US20090279752A1 (en) * | 2008-05-09 | 2009-11-12 | General Electric Company | Determining hazard of an aneurysm by change determination |
JP2010207531A (ja) * | 2009-03-12 | 2010-09-24 | Toshiba Corp | Mri装置及びデータ処理装置 |
US20180336676A1 (en) * | 2017-05-16 | 2018-11-22 | Siemens Healthcare Gmbh | Isolation of Aneurysm and Parent Vessel in Volumetric Image Data |
CN109919961A (zh) * | 2019-02-22 | 2019-06-21 | 北京深睿博联科技有限责任公司 | 一种用于颅内cta图像中动脉瘤区域的处理方法及装置 |
-
2020
- 2020-01-17 CN CN202010050145.8A patent/CN111223089B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3928978B1 (ja) * | 2006-09-22 | 2007-06-13 | 国立大学法人岐阜大学 | 医用画像処理装置、医用画像処理方法及びプログラム |
US20090279752A1 (en) * | 2008-05-09 | 2009-11-12 | General Electric Company | Determining hazard of an aneurysm by change determination |
JP2010207531A (ja) * | 2009-03-12 | 2010-09-24 | Toshiba Corp | Mri装置及びデータ処理装置 |
US20180336676A1 (en) * | 2017-05-16 | 2018-11-22 | Siemens Healthcare Gmbh | Isolation of Aneurysm and Parent Vessel in Volumetric Image Data |
CN109919961A (zh) * | 2019-02-22 | 2019-06-21 | 北京深睿博联科技有限责任公司 | 一种用于颅内cta图像中动脉瘤区域的处理方法及装置 |
Non-Patent Citations (1)
Title |
---|
陈涛;龚丹;: "三维CT脑血管造影在脑动脉瘤诊断中注意点", 世界最新医学信息文摘 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113130030A (zh) * | 2021-05-11 | 2021-07-16 | 首都医科大学附属北京天坛医院 | 一种颅内动脉瘤稳定性的评价方法、装置以及设备 |
CN113130030B (zh) * | 2021-05-11 | 2022-09-23 | 首都医科大学附属北京天坛医院 | 一种颅内动脉瘤稳定性的评价方法、装置以及设备 |
CN113538463A (zh) * | 2021-07-22 | 2021-10-22 | 强联智创(北京)科技有限公司 | 一种动脉瘤分割方法、装置以及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111223089B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11875503B2 (en) | Method and system for measuring morphological parameters of an intracranial aneurysm image | |
CN109345585B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN109448003B (zh) | 一种颅内动脉血管图像分割方法及系统 | |
CN109448004B (zh) | 一种基于中心线的颅内血管图像的截取方法及系统 | |
CN111081378B (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN109472780B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
Meijs et al. | Robust segmentation of the full cerebral vasculature in 4D CT of suspected stroke patients | |
CN109389637B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN111127428A (zh) | 一种基于颅脑影像数据的目标区域的提取方法及系统 | |
US20230139405A1 (en) | Stenosis assessment method and device based on intracranial DSA imaging | |
CN109584997B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
CN111584077A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN111223089A (zh) | 一种动脉瘤的检测方法、装置及计算机可读存储介质 | |
CN109447967B (zh) | 一种颅内动脉瘤图像的分割方法及系统 | |
CN111091563A (zh) | 一种基于颅脑影像数据的目标区域的提取方法及系统 | |
CN109472803B (zh) | 一种颅内动脉血管分割方法及系统 | |
CN109377504B (zh) | 一种颅内动脉血管图像分割方法及系统 | |
CN111584076A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN111105404A (zh) | 一种基于颅脑影像数据的目标位置的提取方法及系统 | |
CN116664513A (zh) | 一种基于核磁共振影像的颅内动脉瘤的检测方法、装置及设备 | |
CN112734726B (zh) | 一种血管造影的分型方法、装置以及设备 | |
CN110517244B (zh) | 一种基于dsa图像的定位方法及系统 | |
CN110517243B (zh) | 一种基于dsa图像的定位方法及系统 | |
CN110739078B (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN113160165A (zh) | 一种血管分割方法、装置以及设备 |
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 |