CN111312374B - 医学图像处理方法、装置、存储介质及计算机设备 - Google Patents
医学图像处理方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN111312374B CN111312374B CN202010071409.8A CN202010071409A CN111312374B CN 111312374 B CN111312374 B CN 111312374B CN 202010071409 A CN202010071409 A CN 202010071409A CN 111312374 B CN111312374 B CN 111312374B
- Authority
- CN
- China
- Prior art keywords
- coronary
- medical image
- image
- branch
- central line
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 41
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 90
- 210000004351 coronary vessel Anatomy 0.000 claims abstract description 76
- 230000011218 segmentation Effects 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000002591 computed tomography Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 208000019622 heart disease Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 210000000709 aorta Anatomy 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000003291 sinus of valsalva Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种医学图像处理方法、装置、存储介质及计算机设备，获取包含冠脉的医学图像；获取训练后的网络模型；通过特征提取模块提取所述医学图像的图像特征；通过冠脉区域预测分支进行冠脉区域预测，得到冠脉分割结果，通过冠脉中心线预测分支进行冠脉距离场预测，得到冠脉中心线提取结果。在进行医学图像处理时，首先通过特征提取模块进行图像特征提取，然后基于得到的图像特征，通过同一网络模型中的冠脉区域预测分支以及冠脉中心线预测分支同时得到冠脉分割结果以及冠脉中心线提取结果，即可以同时进行冠脉检测工作以及中心线提取工作，从而可以缩短图像处理时间，提高图像处理效率。
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图像处理方法、装置、存储介质及计算机设备。
背景技术
心脏类疾病是一类严重危害人类健康的疾病，临床上，心脏冠脉的检测以及冠脉中心线的提取对心脏类疾病的检测具有重要意义。
现有技术中，在得到患者心脏部位的医学图像后，常用的处理方法是先进行心脏冠脉的检测，然后再根据冠脉检测结果求取冠脉中心线。然而，由于冠脉中心线的提取必须依赖冠脉检测结果，即先完成冠脉检测然后才能提取中心线，从而使得图像处理的时间较长，图像处理效率低。
发明内容
基于此，有必要针对现有技术存在的问题，提供一种缩短图像处理时间、提高图像处理效率的医学图像处理方法、装置、存储介质及计算机设备。
一种医学图像处理方法，包括：
获取包含冠脉的医学图像；
获取训练后的网络模型，所述网络模型包括特征提取模块、冠脉区域预测分支以及冠脉中心线预测分支；
将所述医学图像输入所述特征提取模块，通过所述特征提取模块提取所述医学图像的图像特征；
将所述图像特征分别输入所述冠脉区域预测分支以及所述冠脉中心线预测分支，通过所述冠脉区域预测分支进行冠脉区域预测，得到冠脉分割结果，通过所述冠脉中心线预测分支进行冠脉距离场预测，得到冠脉中心线提取结果。
一种医学图像处理装置，包括：
图像获取模块，用于获取包含冠脉的医学图像；
模型获取模块，用于获取训练后的网络模型，所述网络模型包括特征提取模块、冠脉区域预测分支以及冠脉中心线预测分支；
图像处理模块，用于将所述医学图像输入所述特征提取模块，通过所述特征提取模块提取所述医学图像的图像特征；将所述图像特征分别输入所述冠脉区域预测分支以及所述冠脉中心线预测分支，通过所述冠脉区域预测分支进行冠脉区域预测，得到冠脉分割结果，通过所述冠脉中心线预测分支进行冠脉距离场预测，得到冠脉中心线提取结果。
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，所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
上述医学图像处理方法、装置、存储介质及计算机设备，获取包含冠脉的医学图像；获取训练后的网络模型，网络模型包括特征提取模块、冠脉区域预测分支以及冠脉中心线预测分支；将医学图像输入特征提取模块，通过特征提取模块提取所述医学图像的图像特征；将图像特征分别输入冠脉区域预测分支以及冠脉中心线预测分支，通过冠脉区域预测分支进行冠脉区域预测，得到冠脉分割结果，通过冠脉中心线预测分支进行冠脉距离场预测，得到冠脉中心线提取结果。在进行医学图像处理时，首先通过特征提取模块进行图像特征提取，然后基于得到的图像特征，通过同一网络模型中的冠脉区域预测分支以及冠脉中心线预测分支同时得到冠脉分割结果以及冠脉中心线提取结果，即可以同时进行冠脉检测工作以及中心线提取工作，从而可以缩短图像处理时间，提高图像处理效率。
附图说明
图1为一个实施例中医学图像处理方法的流程示意图；
图2为一个实施例中网络模型的实例图；
图3为一个实施例中网络模型中冠脉区域预测分支以及冠脉中心线预测分支的训练过程示意图；
图4为一个实施例中通过冠脉中心线预测分支得到冠脉中心线提取结果的流程示意图；
图5为一个实施例中通过冠脉中心线预测分支得到冠脉中心线提取结果的实例图；
图6为一个实施例中网络模型的结构示例图；
图7为一个实施例中医学图像处理装置的结构示意图；
图8为一个实施例中计算机设备的内部结构图。
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。
在一个实施例中，如图1所示，提供一种医学图像处理方法，以该方法应用于可以进行医学图像处理的处理器为例进行解释说明，该方法包括以下步骤：
步骤S100，获取包含冠脉的医学图像。
冠脉，即冠状动脉(Coronary Artery)，是供给心脏血液的动脉，起于主动脉根部主动脉窦内，分左右两支，行于心脏表面。具体的，处理器可以通过对医学扫描设备采集到的待检测对象的数据进行图像重建和校正，从而得到包含冠脉的医学图像。当然，医学图像也可以预先重建和校正好，存储在存储器中，当需要对其进行处理时，处理器直接从存储器中读取医学图像。当然，处理器也可以从外部设备中获取医学图像。比如，将包含冠脉的医学图像存储在云端，当需要进行处理操作时，处理器从云端获取该包含冠脉的医学图像。此外，外部设备也可以是外部的存储介质等，本实施例对获取医学图像的获取方式不做限定。
可以理解，医疗图像并不仅仅是指代单独一张图像，医疗图像也可以是指代一个图像集，例如，由同一被检查对象对应的、不同成像扫描参数(不同扫描序列、不同模态、不同拍摄体位等)的多张医疗图像组成的图像集等。
步骤S200，获取训练后的网络模型，网络模型包括特征提取模块、冠脉区域预测分支以及冠脉中心线预测分支。
在获取到包含冠脉的医学图像后，处理器获取训练后的网络模型，该网络模型包括特征提取模块、冠脉区域预测分支以及冠脉中心线预测分支等，其中，冠脉区域预测分支以及冠脉中心线预测分支分别与特征提取模块的输出连接。可以理解，在实际处理过程中，也可以根据实际需要增加其他功能的子网络。
步骤S300，将医学图像输入特征提取模块，通过特征提取模块提取所述医学图像的图像特征。
在将包含冠脉的医学图像输入训练后的网络模型后，包含冠脉的医学图像首先进入特征提取模块，从而，处理器可以通过特征提取模块对医学图像进行图像特征提取处理，得到相应的图像特征。
步骤S400，将图像特征分别输入冠脉区域预测分支以及冠脉中心线预测分支，通过冠脉区域预测分支进行冠脉区域预测，得到冠脉分割结果，通过冠脉中心线预测分支进行冠脉距离场预测，得到冠脉中心线提取结果。
处理器在得到图像特征之后，将图像特征再分别输入冠脉区域预测分支以及冠脉中心线预测分支，从而，通过冠脉区域预测分支以及冠脉中心线预测分支可以分别得到医学图像的冠脉分割结果以及冠脉中心线提取结果。
具体地，如图2所示，为网络模型的一个实例图，在该网络模型中，特征提取模块的输入端用于输入包含冠脉的医学图像，特征提取模块的输出端分别与冠脉区域预测分支的输入端以及冠脉中心线预测分支的输入端连接，从而特征提取模块可以将得到的图像特征分别输入冠脉区域预测分支以及冠脉中心线预测分支，冠脉区域预测分支的输出端用于输出冠脉分割结果，冠脉中心线预测分支的输出端用于输出冠脉中心线提取结果。
本实施例提供一种医学图像处理方法，在进行医学图像处理时，首先通过特征提取模块进行图像特征提取处理，然后通过同一网络模型中的冠脉区域预测分支以及冠脉中心线预测分支同时得到冠脉分割结果以及冠脉中心线提取结果，即可以同时进行冠脉检测工作以及中心线提取工作，从而可以缩短图像处理时间，提高图像处理效率。
在一个实施例中，如图3所示，网络模型的训练过程包括步骤S210至步骤S290：
步骤S210，将样本医学图像输入特征提取模块，通过特征提取模块提取样本医学图像的样本图像特征；
步骤S230，将样本图像特征分别输入冠脉区域预测分支以及冠脉中心线预测分支；
步骤S250，根据冠脉区域预测分支输出的冠脉区域预测结果计算第一损失值；
步骤S270，根据冠脉中心线预测分支输出的冠脉距离场预测结果计算第二损失值；
步骤S290，基于第一损失值和第二损失值对冠脉区域预测分支以及冠脉中心线预测分支进行反向传播迭代训练，得到训练后的冠脉区域预测分支以及冠脉中心线预测分支。
具体地，本实施例可以采用包含冠脉区域标注数据以及冠脉中心线位置数据的样本医学图像对初始的冠脉区域预测分支以及初始的冠脉中心线预测分支进行训练。其中，冠脉中心线位置数据可以是冠脉的距离场数据，该距离场数据具体是指截面图像上冠脉内的各图像点与最近冠脉边缘的距离，通过该距离场数据可以确定冠脉中心线。
另外，在冠脉区域预测分支以及冠脉中心线预测分支的训练过程中，是分别根据两个网络的输出得到对应的损失值，然后同时基于两个损失值对两个网络进行反向传播迭代训练，具体可以是根据第一损失值和第二损失值得到损失和，然后基于损失和进行迭代训练，使得两个网络的输出相互影响并对网络参数进行约束，从而使得两个网络的训练结果都为最优，进而提高网络输出结果的准确性。
需要说明的是，本申请中所使用的“第一”、“第二”等术语是用于区分不同对象，而不是用于描述特定顺序。具体地，在本实施例中，采用“第一”、“第二”等来区分冠脉区域预测分支以及冠脉中心线预测分支对应的损失值，但是这两个损失值并不限定于一定采用这些术语，例如，在不脱离本申请各实施例范围的情况下，“第一损失值”也可以被称为“第二损失值”，“第二损失值”也可以被称为“第一损失值”；或者，“第一损失值”也可以被称为“第三损失值”，“第二损失值”也可以被称为“第四损失值”等。这些术语仅用来将冠脉区域预测分支以及冠脉中心线预测分支对应的损失值彼此区分开。
在一个实施例中，本申请所提出的方法，可以应用于各种图像类别的医学图像，具体可以是PET(Positron Emission Computed Tomography，正电子发射型计算机断层显像)图像、CT(Computed Tomography，电子计算机断层扫描)图像、MRI(Magnetic ResonanceImaging，磁共振成像)图像等，在此不作限定。本实施例中医学图像处理方法可以应用于对多种医学图像进行处理，从而增加本申请的适用范围。
在一个实施例中，网络模型为神经网络模型。对应地，在本实施例中，医学图像处理方法具体包括：通过神经网络模型对医学图像进行图像分割，得到医学图像的前景分割结果以及背景分割结果，基于前景分割结果得到医学图像的图像特征。
具体地，神经网络模型可以是例如DNN(Deep Neural Networks，深度神经网络)、CNN(Convolutional Neural Networks，卷积神经网络)或RNN(Recurrent NeuralNetwork，循环神经网络)等，其中，CNN模型可以是V-Net分割模型、U-Net分割模型、Link-Net分割模型等。
可选地，在得到前景分割结果以及背景分割结果之后，在无需考虑图像色彩的前提下，可以将分割后的图像进行二值化处理得到对应的二值图像，具体地，可以将前景分割结果的CT值设定为1，将背景分割结果的CT值设定为0。从而，通过进行二值化处理，可以使图像变得简单，减少图像所包含的数据量，另外也能凸显出前景分割结果的轮廓。
另外，为了得到好的分割效果，可以采用由粗到细的方法进行分割，即首先使用粗分割模型进行定位，随后利用细分割模型在粗分割模型定位的区域中进行精细分割，从而在提高准确性的同时，也可以有效减少分割时间。
在一个实施例中，通过冠脉区域预测分支得到冠脉分割结果，包括：通过冠脉区域预测分支对图像特征进行属性分类，根据分类结果得到冠脉分割结果。
具体地，冠脉区域预测分支根据包含冠脉区域标注数据的样本图像训练得到，从而使得该冠脉区域预测分支具备对冠脉区域进行预测的能力。另外，在训练过程中，在对冠脉区域预测分支的网络参数进行优化时，除了考虑冠脉区域预测分支的输出结果对应的第一损失值以外，还考虑到了冠脉中心线预测分支的输出结果对应的第二损失值，从而，两个网络的输出相互影响，从而可以提高冠脉区域预测分支输出结果的准确性。
在一个实施例中，如图4所示，步骤S400中通过冠脉中心线预测分支得到冠脉中心线提取结果，包括步骤S420至步骤S440。
步骤S420，通过冠脉中心线预测分支得到不同冠脉截面图像中各图像点与最近冠脉边缘的距离；
步骤S440，确定各冠脉截面图像中距离最大的图像点为目标点，根据所有冠脉截面图像中的目标点得到冠脉中心线提取结果。
具体地，如图5所示，为通过冠脉中心线预测分支得到冠脉中心线提取结果的一个实例图。图示结构为冠脉的某一个片段，首先，通过冠脉中心线预测分支确定每张截面图像上冠脉内的各图像点与最近冠脉边缘的距离，其中，最近冠脉边缘是指当前截面的边缘线上与图像点距离最近的边缘点。以截面A-A’为例，图中的图像点包括a1、a2、a3，分别确定各图像点与最近的冠脉边缘的距离分别为Xa1、Xa2、Xa3；对三个距离进行大小排序为Xa2>Xa1>Xa3，从而，a2为距离最大的图像点，从而确定a2为截面A-A’中的目标点。同理可以确定截面B-B’中的目标点为b2，截面C-C’中的目标点c2。最后，在确定所有界面的目标点后，所有目标点组成的连线即为冠脉中心线。
需要说明的是，本实施例所采用的三个数量的图像点以及截面仅为了对本实施例的方法原理进行解释说明，在实际处理过程中，图像点及截面的数量可以是大于3个，在此不做具体限定。
本实施中，冠脉中心线预测分支根据包含冠脉中心线位置数据的样本图像训练得到，从而使得该冠脉中心线预测分支具备对冠脉中心线进行预测的能力。另外，在训练过程中，在对冠脉中心线预测分支的网络参数进行优化时，除了考虑冠脉区域预测分支的输出结果对应的第一损失值以外，还考虑到了冠脉中心线预测分支的输出结果对应的第二损失值，从而，两个网络的输出相互影响，从而可以提高冠脉中心线预测分支输出结果的准确性。
在一个实施例中，如图6所示，为网络模型的结构示例图。网络模型包括基于VNET的神经网络，该神经网络中包括特征提取模块，以及与特征提取模块的输出连接的冠脉区域预测分支以及冠脉中心线预测分支，在通过特征提取模块得到医学图像的图像特征后，将图像特征输入冠脉区域预测分支以及冠脉中心线预测分支，即可得到冠脉分割结果以及冠脉中心线提取结果。
此外，参考图6，图中C表示concatenate(连接/合并)操作，即在特征提取模块的上采样过程中，对于得到的不同分辨率的图像特征，还包括对其进行上采样处理、卷积处理以及特征融合的步骤，从而，冠脉中心线预测分支可以结合不同分辨率的图像特征进行冠脉距离场预测，从而进一步提高冠脉中心线提取结果的准确性。
在合理条件下应当理解，虽然前文各实施例涉及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，各流程图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。
在一个实施例中，如图7所示，提供一种医学图像处理装置，该装置包括以下模块：
图像获取模块100，用于获取包含冠脉的医学图像；
模型获取模块200，用于获取训练后的网络模型，网络模型包括特征提取模块、冠脉区域预测分支以及冠脉中心线预测分支；
图像处理模块300，用于将医学图像输入特征提取模块，通过特征提取模块提取医学图像的图像特征；将图像特征分别输入冠脉区域预测分支以及冠脉中心线预测分支，通过冠脉区域预测分支进行冠脉区域预测，得到冠脉分割结果，通过冠脉中心线预测分支进行冠脉距离场预测，得到冠脉中心线提取结果。
在一个实施例中，医学图像处理装置还包括：模型训练模块，用于将样本医学图像输入特征提取模块，通过特征提取模块提取样本医学图像的样本图像特征；将样本图像特征分别输入冠脉区域预测分支以及冠脉中心线预测分支；根据冠脉区域预测分支输出的冠脉区域预测结果计算第一损失值；根据冠脉中心线预测分支输出的冠脉距离场预测结果计算第二损失值；基于第一损失值和第二损失值对冠脉区域预测分支以及冠脉中心线预测分支进行反向传播迭代训练，得到训练后的冠脉区域预测分支以及冠脉中心线预测分支。
在一个实施例中，图像处理模块300还用于：通过神经网络模型对医学图像进行图像分割，得到医学图像的前景分割结果以及背景分割结果，基于前景分割结果得到医学图像的图像特征。
在一个实施例中，图像处理模块300还用于：通过冠脉区域预测分支对图像特征进行属性分类，根据分类结果得到冠脉分割结果。
在一个实施例中，图像处理模块300还用于：通过冠脉中心线预测分支得到不同冠脉截面图像中各图像点与最近冠脉边缘的距离；确定各冠脉截面图像中距离最大的图像点为目标点，根据所有冠脉截面图像中的目标点得到冠脉中心线提取结果。
关于医学图像处理装置的具体限定可以参见上文中对于医学图像处理方法的限定，在此不再赘述。上述医学图像处理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处理器中的处理器中，也可以以软件形式存储于处理器中的存储器中，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，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：获取包含冠脉的医学图像；获取训练后的网络模型，网络模型包括特征提取模块、冠脉区域预测分支以及冠脉中心线预测分支；将医学图像输入特征提取模块，通过特征提取模块提取医学图像的图像特征；将图像特征分别输入冠脉区域预测分支以及冠脉中心线预测分支，通过冠脉区域预测分支进行冠脉区域预测，得到冠脉分割结果，通过冠脉中心线预测分支进行冠脉距离场预测，得到冠脉中心线提取结果。
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：将样本医学图像输入特征提取模块，通过特征提取模块提取样本医学图像的样本图像特征；将样本图像特征分别输入冠脉区域预测分支以及冠脉中心线预测分支；根据冠脉区域预测分支输出的冠脉区域预测结果计算第一损失值；根据冠脉中心线预测分支输出的冠脉距离场预测结果计算第二损失值；基于第一损失值和第二损失值对冠脉区域预测分支以及冠脉中心线预测分支进行反向传播迭代训练，得到训练后的冠脉区域预测分支以及冠脉中心线预测分支。
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：通过神经网络模型对医学图像进行图像分割，得到医学图像的前景分割结果以及背景分割结果，基于前景分割结果得到医学图像的图像特征。
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：通过冠脉区域预测分支对图像特征进行属性分类，根据分类结果得到冠脉分割结果。
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：通过冠脉中心线预测分支得到不同冠脉截面图像中各图像点与最近冠脉边缘的距离；确定各冠脉截面图像中距离最大的图像点为目标点，根据所有冠脉截面图像中的目标点得到冠脉中心线提取结果。
图8示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端(或服务器)。如图8所示，该计算机设备包括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、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现医学图像处理方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行医学图像处理方法。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，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8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：获取包含冠脉的医学图像；获取训练后的网络模型，网络模型包括特征提取模块、冠脉区域预测分支以及冠脉中心线预测分支；将医学图像输入特征提取模块，通过特征提取模块提取医学图像的图像特征；将图像特征分别输入冠脉区域预测分支以及冠脉中心线预测分支，通过冠脉区域预测分支进行冠脉区域预测，得到冠脉分割结果，通过冠脉中心线预测分支进行冠脉距离场预测，得到冠脉中心线提取结果。
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：将样本医学图像输入特征提取模块，通过特征提取模块提取样本医学图像的样本图像特征；将样本图像特征分别输入冠脉区域预测分支以及冠脉中心线预测分支；根据冠脉区域预测分支输出的冠脉区域预测结果计算第一损失值；根据冠脉中心线预测分支输出的冠脉距离场预测结果计算第二损失值；基于第一损失值和第二损失值对冠脉区域预测分支以及冠脉中心线预测分支进行反向传播迭代训练，得到训练后的冠脉区域预测分支以及冠脉中心线预测分支。
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：通过神经网络模型对医学图像进行图像分割，得到医学图像的前景分割结果以及背景分割结果，基于前景分割结果得到医学图像的图像特征。
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：通过冠脉区域预测分支对图像特征进行属性分类，根据分类结果得到冠脉分割结果。
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：通过冠脉中心线预测分支得到不同冠脉截面图像中各图像点与最近冠脉边缘的距离；确定各冠脉截面图像中距离最大的图像点为目标点，根据所有冠脉截面图像中的目标点得到冠脉中心线提取结果。
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，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。
以上所述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发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种医学图像处理方法，其特征在于，包括：
获取包含冠脉的医学图像；
获取训练后的网络模型，所述网络模型包括特征提取模块、冠脉区域预测分支以及冠脉中心线预测分支；其中，所述特征提取模块的输出端分别与所述冠脉区域预测分支的输入端以及所述冠脉中心线预测分支的输入端连接；
将所述医学图像输入所述特征提取模块，通过所述特征提取模块提取所述医学图像的图像特征；
将所述图像特征分别输入所述冠脉区域预测分支以及所述冠脉中心线预测分支，通过所述冠脉区域预测分支对所述图像特征进行冠脉区域预测，得到冠脉分割结果，通过所述冠脉中心线预测分支对所述图像特征进行冠脉距离场预测，得到冠脉中心线提取结果。
2.根据权利要求1所述的方法，其特征在于，所述网络模型的训练过程包括：
将样本医学图像输入所述特征提取模块，通过所述特征提取模块提取所述样本医学图像的样本图像特征；
将所述样本图像特征分别输入所述冠脉区域预测分支以及所述冠脉中心线预测分支；
根据所述冠脉区域预测分支输出的冠脉区域预测结果计算第一损失值；
根据所述冠脉中心线预测分支输出的冠脉距离场预测结果计算第二损失值；
基于所述第一损失值和所述第二损失值对所述网络模型进行反向传播迭代训练，得到所述训练后的网络模型。
3.根据权利要求1所述的方法，其特征在于，所述医学图像的图像类别包括电子计算机断层扫描图像、正电子发射型计算机断层图像以及磁共振图像。
4.根据权利要求1所述的方法，其特征在于，所述网络模型为神经网络模型；
通过所述神经网络模型对所述医学图像进行图像分割，得到所述医学图像的前景分割结果以及背景分割结果，基于所述前景分割结果得到所述医学图像的图像特征。
5.根据权利要求4所述的方法，其特征在于，所述神经网络模型包括VNET网络。
6.根据权利要求1所述的方法，其特征在于，所述通过所述冠脉区域预测分支进行冠脉区域预测，得到冠脉分割结果包括：
通过所述冠脉区域预测分支对所述图像特征进行属性分类，根据分类结果得到冠脉分割结果。
7.根据权利要求1所述的方法，其特征在于，所述通过所述冠脉中心线预测分支进行冠脉距离场预测，得到冠脉中心线提取结果包括：
通过所述冠脉中心线预测分支得到不同冠脉截面图像中各图像点与最近冠脉边缘的距离；
确定各所述冠脉截面图像中距离最大的图像点为目标点，根据所有冠脉截面图像中的目标点得到冠脉中心线提取结果。
8.一种医学图像处理装置，其特征在于，包括：
图像获取模块，用于获取包含冠脉的医学图像；
模型获取模块，用于获取训练后的网络模型，所述网络模型包括特征提取模块、冠脉区域预测分支以及冠脉中心线预测分支；其中，所述特征提取模块的输出端分别与所述冠脉区域预测分支的输入端以及所述冠脉中心线预测分支的输入端连接；
图像处理模块，用于将所述医学图像输入所述特征提取模块，通过所述特征提取模块提取所述医学图像的图像特征；将所述图像特征分别输入所述冠脉区域预测分支以及所述冠脉中心线预测分支，通过所述冠脉区域预测分支对所述图像特征进行冠脉区域预测，得到冠脉分割结果，通过所述冠脉中心线预测分支对所述图像特征进行冠脉距离场预测，得到冠脉中心线提取结果。
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至7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至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010071409.8A CN111312374B (zh) | 2020-01-21 | 2020-01-21 | 医学图像处理方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010071409.8A CN111312374B (zh) | 2020-01-21 | 2020-01-21 | 医学图像处理方法、装置、存储介质及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111312374A CN111312374A (zh) | 2020-06-19 |
| CN111312374B true CN111312374B (zh) | 2024-03-22 |
Family
ID=71144969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010071409.8A Active CN111312374B (zh) | 2020-01-21 | 2020-01-21 | 医学图像处理方法、装置、存储介质及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111312374B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112017245B (zh) * | 2020-10-19 | 2021-02-05 | 北京捷通华声科技股份有限公司 | 证件定位方法 |
| CN113077441A (zh) * | 2021-03-31 | 2021-07-06 | 上海联影智能医疗科技有限公司 | 冠脉钙化斑块分割方法和计算冠脉钙化积分的方法 |
| CN113222964B (zh) * | 2021-05-27 | 2021-11-12 | 推想医疗科技股份有限公司 | 一种冠脉中心线提取模型的生成方法及装置 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104282009A (zh) * | 2013-07-02 | 2015-01-14 | 上海联影医疗科技有限公司 | 一种冠脉的提取方法 |
| CN107563983A (zh) * | 2017-09-28 | 2018-01-09 | 上海联影医疗科技有限公司 | 图像处理方法以及医学成像设备 |
| CN108010041A (zh) * | 2017-12-22 | 2018-05-08 | 数坤（北京）网络科技有限公司 | 基于深度学习神经网络级联模型的人体心脏冠脉提取方法 |
| CN108133478A (zh) * | 2018-01-11 | 2018-06-08 | 苏州润心医疗器械有限公司 | 一种提取冠状动脉血管中心线的方法 |
| CN108186038A (zh) * | 2018-02-11 | 2018-06-22 | 杭州脉流科技有限公司 | 基于动脉造影影像计算冠脉血流储备分数的系统 |
| CN109389606A (zh) * | 2018-09-30 | 2019-02-26 | 数坤（北京）网络科技有限公司 | 一种冠状动脉分割方法及装置 |
| CN109410267A (zh) * | 2018-09-30 | 2019-03-01 | 数坤（北京）网络科技有限公司 | 一种冠脉分割评估方法及系统 |
| CN109544566A (zh) * | 2018-11-29 | 2019-03-29 | 上海联影医疗科技有限公司 | 冠脉图像分割方法、装置、计算机设备和存储介质 |
| CN109658407A (zh) * | 2018-12-27 | 2019-04-19 | 上海联影医疗科技有限公司 | 冠状动脉病变的评分方法、装置、服务器和存储介质 |
| CN109712163A (zh) * | 2018-12-05 | 2019-05-03 | 上海联影医疗科技有限公司 | 冠脉提取方法、装置、图像处理工作站和可读存储介质 |
| CN110298846A (zh) * | 2019-06-27 | 2019-10-01 | 数坤（北京）网络科技有限公司 | 基于多分类的冠脉分割方法、装置及存储设备 |
| CN110384493A (zh) * | 2018-09-19 | 2019-10-29 | 苏州润迈德医疗科技有限公司 | 测量微循环阻力指数的系统以及冠脉分析系统 |
| CN110458847A (zh) * | 2019-07-05 | 2019-11-15 | 心医国际数字医疗系统(大连)有限公司 | 基于cta影像的自动冠脉分割及中心线提取方法 |
| CN110458848A (zh) * | 2019-07-05 | 2019-11-15 | 心医国际数字医疗系统(大连)有限公司 | 判断影像的冠脉分割中冠脉分支及掩膜数据转换为中心线点集的方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7990379B2 (en) * | 2006-10-25 | 2011-08-02 | Siemens Aktiengesellschaft | System and method for coronary segmentation and visualization |
| US9129417B2 (en) * | 2012-02-21 | 2015-09-08 | Siemens Aktiengesellschaft | Method and system for coronary artery centerline extraction |
| WO2015059706A2 (en) * | 2013-10-24 | 2015-04-30 | Cathworks Ltd. | Vascular characteristic determination with correspondence modeling of a vascular tree |
| US9155512B2 (en) * | 2013-12-18 | 2015-10-13 | Heartflow, Inc. | Systems and methods for predicting coronary plaque vulnerability from patient-specific anatomic image data |
| WO2017093337A1 (en) * | 2015-12-02 | 2017-06-08 | Siemens Healthcare Gmbh | Personalized assessment of patients with acute coronary syndrome |
| US10206646B2 (en) * | 2016-03-10 | 2019-02-19 | Siemens Healthcare Gmbh | Method and system for extracting centerline representation of vascular structures in medical images via optimal paths in computational flow fields |
| US10115039B2 (en) * | 2016-03-10 | 2018-10-30 | Siemens Healthcare Gmbh | Method and system for machine learning based classification of vascular branches |
-
2020
- 2020-01-21 CN CN202010071409.8A patent/CN111312374B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104282009A (zh) * | 2013-07-02 | 2015-01-14 | 上海联影医疗科技有限公司 | 一种冠脉的提取方法 |
| CN107563983A (zh) * | 2017-09-28 | 2018-01-09 | 上海联影医疗科技有限公司 | 图像处理方法以及医学成像设备 |
| CN108010041A (zh) * | 2017-12-22 | 2018-05-08 | 数坤（北京）网络科技有限公司 | 基于深度学习神经网络级联模型的人体心脏冠脉提取方法 |
| CN108133478A (zh) * | 2018-01-11 | 2018-06-08 | 苏州润心医疗器械有限公司 | 一种提取冠状动脉血管中心线的方法 |
| CN108186038A (zh) * | 2018-02-11 | 2018-06-22 | 杭州脉流科技有限公司 | 基于动脉造影影像计算冠脉血流储备分数的系统 |
| CN110384493A (zh) * | 2018-09-19 | 2019-10-29 | 苏州润迈德医疗科技有限公司 | 测量微循环阻力指数的系统以及冠脉分析系统 |
| CN109410267A (zh) * | 2018-09-30 | 2019-03-01 | 数坤（北京）网络科技有限公司 | 一种冠脉分割评估方法及系统 |
| CN109389606A (zh) * | 2018-09-30 | 2019-02-26 | 数坤（北京）网络科技有限公司 | 一种冠状动脉分割方法及装置 |
| CN109544566A (zh) * | 2018-11-29 | 2019-03-29 | 上海联影医疗科技有限公司 | 冠脉图像分割方法、装置、计算机设备和存储介质 |
| CN109712163A (zh) * | 2018-12-05 | 2019-05-03 | 上海联影医疗科技有限公司 | 冠脉提取方法、装置、图像处理工作站和可读存储介质 |
| CN109658407A (zh) * | 2018-12-27 | 2019-04-19 | 上海联影医疗科技有限公司 | 冠状动脉病变的评分方法、装置、服务器和存储介质 |
| CN110298846A (zh) * | 2019-06-27 | 2019-10-01 | 数坤（北京）网络科技有限公司 | 基于多分类的冠脉分割方法、装置及存储设备 |
| CN110458847A (zh) * | 2019-07-05 | 2019-11-15 | 心医国际数字医疗系统(大连)有限公司 | 基于cta影像的自动冠脉分割及中心线提取方法 |
| CN110458848A (zh) * | 2019-07-05 | 2019-11-15 | 心医国际数字医疗系统(大连)有限公司 | 判断影像的冠脉分割中冠脉分支及掩膜数据转换为中心线点集的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111312374A (zh) | 2020-06-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111312374B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
| CN111292314B (zh) | 冠脉分段方法、装置、图像处理系统和存储介质 | |
| CN111369542B (zh) | 血管标记方法、图像处理系统和存储介质 | |
| CN110796656A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
| CN111768411B (zh) | 冠脉中心线提取方法、装置、计算机设备和存储介质 | |
| CN109242863B (zh) | 一种缺血性脑卒中图像区域分割方法及装置 | |
| CN109712163B (zh) | 冠脉提取方法、装置、图像处理工作站和可读存储介质 | |
| CN111383259B (zh) | 图像分析方法、计算机设备和存储介质 | |
| CN112991346B (zh) | 用于医学图像分析的学习网络的训练方法和训练系统 | |
| CN111325714A (zh) | 感兴趣区域的处理方法、计算机设备和可读存储介质 | |
| CN109410189B (zh) | 图像分割方法以及图像的相似度计算方法、装置 | |
| CN113935943A (zh) | 颅内动脉瘤识别检测的方法、装置、计算机设备和存储介质 | |
| CN112967284A (zh) | 血管图像分段分析方法、装置、设备及存储介质 | |
| CN111128348B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
| CN112308846A (zh) | 血管分割方法、装置及电子设备 | |
| He et al. | Automatic left ventricle segmentation from cardiac magnetic resonance images using a capsule network | |
| CN110211200B (zh) | 一种基于神经网络技术的牙弓线生成方法及其系统 | |
| CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
| CN116681716B (zh) | 颅内血管感兴趣区域分割方法、装置、设备和存储介质 | |
| CN111862259B (zh) | 医学灌注图像处理方法和医学成像设备 | |
| CN113192031A (zh) | 血管分析方法、装置、计算机设备和存储介质 | |
| CN112651960A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
| CN114998582A (zh) | 一种冠脉血管的分割方法、装置及存储介质 | |
| CN113989186A (zh) | 血管影像中血管结构或形态异常的检测方法及相关产品 | |
| CN110648346A (zh) | 肿瘤网络构建的方法、装置、计算机设备和存储介质 |
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 |