CN111445449A - 感兴趣区域的分类方法、装置、计算机设备和存储介质 - Google Patents
感兴趣区域的分类方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111445449A CN111445449A CN202010196548.3A CN202010196548A CN111445449A CN 111445449 A CN111445449 A CN 111445449A CN 202010196548 A CN202010196548 A CN 202010196548A CN 111445449 A CN111445449 A CN 111445449A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- interest
- coronary
- heart
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 210000004351 coronary vessel Anatomy 0.000 claims abstract description 140
- 230000011218 segmentation Effects 0.000 claims abstract description 115
- 238000003709 image segmentation Methods 0.000 claims abstract description 29
- 230000003902 lesion Effects 0.000 claims abstract description 29
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 43
- 230000036262 stenosis Effects 0.000 claims description 43
- 208000037804 stenosis Diseases 0.000 claims description 43
- 238000013145 classification model Methods 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 23
- 230000000747 cardiac effect Effects 0.000 claims description 20
- 238000003745 diagnosis Methods 0.000 abstract description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000002591 computed tomography Methods 0.000 description 8
- 238000002059 diagnostic imaging Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000002107 myocardial effect Effects 0.000 description 3
- 206010057469 Vascular stenosis Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000002372 labelling Methods 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
- 210000004165 myocardium Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—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
- G06T2207/10—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种感兴趣区域的分类方法、装置、计算机设备和存储介质。该方法包括:获取待分类的心脏冠脉图像;将心脏冠脉图像输入图像分割模型,得到心脏冠脉图像中冠脉的分割图像;基于冠脉的分割图像,确定冠脉中的感兴趣区域;针对感兴趣区域对应的区域图像,确定感兴趣区域的分类结果;该分类结果用于表征感兴趣区域的病灶类型和严重程度。由于计算机设备可以将感兴趣区域的标记结果和分类结果展示给医生查看,不仅仅只展示出对应的医学图像,因此在医生的诊断过程中可以提供更好的辅助作用;且上述分类结果表征了感兴趣区域的病灶类型和严重程度,则对医生进行辅助时,可以提供更有效的病灶信息,使得医生给出更准确的诊断结果。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种感兴趣区域的分类方法、装置、计算机设备和存储介质。
背景技术
随着医疗影像设备的发展,医生可以借助医学影像进行疾病的筛查和诊断,例如通过脑部电子计算机断层扫描(Computed Tomography,CT)筛查脑出血或者脑肿瘤,通过胸部CT筛查肺结节、气管病变、肿瘤等,通过心脏冠脉CT筛查冠脉是否存在钙化、斑块、狭窄、粥样硬化等。
通常医生在阅片时,是在医学影像中查看相应病灶的特征来做诊断支持,如果病灶在医学影像中产生了明显的特征,则可以较好的进行诊断;但对于一些慢性的或者在医学影像中不能发现明显特征的或者需要多方面的检查信息同时支持才能进行诊断的疾病,医生给出的诊断结果会有误差。
因此,传统技术中通过医学影像辅助医生进行诊断的准确率较低。
发明内容
基于此,有必要针对传统技术中通过医学影像辅助医生进行诊断的准确率较低的问题,提供一种感兴趣区域的分类方法、装置、计算机设备和存储介质。
一种感兴趣区域的分类方法,该方法包括:
获取待分类的心脏冠脉图像;
将心脏冠脉图像输入图像分割模型,得到心脏冠脉图像中冠脉的分割图像;
基于冠脉的分割图像,确定冠脉中的感兴趣区域;
针对感兴趣区域对应的区域图像,确定感兴趣区域的分类结果;该分类结果用于表征感兴趣区域的病灶类型和严重程度。
一种感兴趣区域的分类装置,该装置包括:
获取模块,用于获取待分类的心脏冠脉图像;
分割模块,用于将心脏冠脉图像输入图像分割模型,得到心脏冠脉图像中冠脉的分割图像;
确定模块,用于基于冠脉的分割图像,确定冠脉中的感兴趣区域;
分类模块,用于针对感兴趣区域对应的区域图像,确定感兴趣区域的分类结果;该分类结果用于表征感兴趣区域的病灶类型和严重程度。
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以下步骤:
获取待分类的心脏冠脉图像;
将心脏冠脉图像输入图像分割模型,得到心脏冠脉图像中冠脉的分割图像;
基于冠脉的分割图像,确定冠脉中的感兴趣区域;
针对感兴趣区域对应的区域图像,确定感兴趣区域的分类结果;该分类结果用于表征感兴趣区域的病灶类型和严重程度。
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以下步骤:
获取待分类的心脏冠脉图像;
将心脏冠脉图像输入图像分割模型,得到心脏冠脉图像中冠脉的分割图像;
基于冠脉的分割图像,确定冠脉中的感兴趣区域;
针对感兴趣区域对应的区域图像,确定感兴趣区域的分类结果;该分类结果用于表征感兴趣区域的病灶类型和严重程度。
上述感兴趣区域的分类方法、装置、计算机设备和存储介质,能够首先将获取的心脏冠脉图像输入图像分割模型,得到冠脉的分割图像;然后基于该分割图像确定冠脉中的感兴趣区域,并可以对该感兴趣区域进行标记;最后针对该感兴趣区域的区域图像,确定感兴趣区域的分类结果。由于计算机设备可以将感兴趣区域的标记结果和分类结果展示给医生查看,不仅仅只展示出对应的医学图像,因此在医生的诊断过程中可以提供更好的辅助作用;且上述分类结果表征了感兴趣区域的病灶类型和严重程度,则对医生进行辅助时,可以提供更有效的病灶信息,使得医生给出更准确的诊断结果。
附图说明
图1为一个实施例中感兴趣区域的分类方法的应用环境示意图;
图2为一个实施例中感兴趣区域的分类方法的流程示意图;
图2a为一个实施例中冠脉二值化掩模的展示示意图;
图3为另一个实施例中感兴趣区域的分类方法的流程示意图;
图4为一个实施例中图像分类模型的训练方式的流程示意图;
图5为一个实施例中图像分割模型的处理过程示意图;
图6为又一个实施例中感兴趣区域的分类方法的流程示意图;
图7为一个实施例中感兴趣区域的分类装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
附图标记说明:
11:医学影像设备;12:计算机设备。
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感兴趣区域的分类方法,可以适用于如图1所示的图像处理系统中。其中,该系统中包括医学影像设备11和计算机设备12;医学影像设备11可以为电子计算机断层扫描(Computed Tomography,CT)设备、磁共振成像(Magnetic ResonanceImaging,MRI)设备、正电子发射型计算机断层显像(Positron Emission ComputedTomography,PET)设备或其他医疗设备,分别用于采集患者的CT图像、MRI图像、PET图像或其他模态的医学图像,并将采集到的医学图像(如心脏冠脉图像)发送至计算机设备12。计算机设备12用于执行以下方法实施例中的步骤,以实现对感兴趣区域进行分类的处理过程。
在一个实施例中,提供了一种感兴趣区域的分类方法,以该方法应用于图1中的计算机设备为例进行说明,本实施例涉及的是计算机设备对待分类的心脏冠脉图像进行分割及分类的具体过程。如图2所示,该方法包括以下步骤:
S101,获取待分类的心脏冠脉图像。
具体地,待分类的心脏冠脉图像为由医学影像设备对受测对象进行扫描所得到的,该心脏冠脉图像中包含有心脏冠脉区域,如冠脉CT图像。可选地,该心脏冠脉图像可以由计算机设备直接从医学影像设备中获取;也可以先由医学影像设备发送至后处理工作站或影像归档和通信系统(Picture Archiving and Communication Systems,PACS)中,再由计算机设备从后处理工作站或PACS系统中获取。可选地,计算机设备可以实时获取医学影像设备上传的心脏冠脉图像,也可以以固定时间间隔为周期获取这一时间段内的所有心脏冠脉图像。可选地,计算机设备还可以从医院信息管理系统(Hospital InformationSystem,HIS)、临床信息系统(Clinical Information 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心脏冠脉图像。
可选地,计算机设备获取到待分类的心脏冠脉图像之后,还可以对该心脏冠脉图像进行图像预处理,包括但不限于滤波去噪、图像格式转换、窗宽窗位设置、归一化、标准化等操作。
S102,将心脏冠脉图像输入图像分割模型,得到心脏冠脉图像中冠脉的分割图像。
具体地,计算机设备将获取的心脏冠脉图像输入预设的图像分割模型中进行分割处理,可以得到该心脏冠脉图像中冠脉的分割图像。其中,图像分割模型的输出结果可以为与心脏冠脉图像具有相同尺寸的冠脉二值化掩模,该冠脉二值化掩模中冠脉区域与背景区域分离,可以用不同颜色表示冠脉区域和背景区域(可以参见图2a所示的示意图),且该冠脉二值化掩模中的像素点位置坐标与原始心脏冠脉图像中的像素点坐标对应,那么计算机设备根据冠脉二值化掩模中冠脉区域的位置信息,可以对应得到原始心脏冠脉图像中冠脉区域的位置信息。可选地,计算机设备可以将冠脉二值化掩模作为冠脉的分割图像,也可以从心脏冠脉图像中截取得到冠脉的分割图像。
可选地,上述图像分割模型可以为神经网络模型,如卷积神经网络、循环神经网络等,包括但不限于UNet、VNet等分割网络。可选地,该图像分割模型的训练方式可以包括:获取一定数量的训练样本图像,并由经验丰富的医生对其进行冠脉标注,得到分割金标准;然后将训练样本图像输入初始图像分割模型中,得到预测冠脉分割结果;计算预测冠脉分割结果和分割金标准之间的损失,根据该损失调整初始图像分割模型的网路参数,由此迭代训练直至网络模型收敛。
可选地,因通常获取的心脏冠脉图像多为三维图像,那么在得到冠脉的分割图像之后,计算机设备还可以对其进行展开,得到平面展开图像,基于平面展开图像执行后续步骤。
S103,基于冠脉的分割图像,确定冠脉中的感兴趣区域。
具体地,计算机设备针对上述冠脉的分割图像,可以分析得到该分割图像中的异常区域,作为感兴趣区域。可选地,计算机设备可以基于分割图像中像素点的属性信息来区分是否为异常区域,该属性信息可以为像素点值、对比度、饱和度等,示例性的,若某一像素点的像素点值相较于周围像素点值变化幅度较大时,可以认为该像素点有可能为异常区域中的点。可选地,在确定了冠脉中的感兴趣区域后,计算机设备还可以对其进行标记,如矩形框标记、圆形框标记等。可选地,计算机设备还可以基于上述分割图像在预设的质量量化指标下进行量化,得到量化结果(如给出冠脉中不同区域的质量评分),将量化结果不满足预设条件的冠脉区域(如质量评分小于阈值)确定为感兴趣区域。
S104,针对感兴趣区域对应的区域图像,确定感兴趣区域的分类结果;该分类结果用于表征感兴趣区域的病灶类型和严重程度。
具体地,对于上述得到的感兴趣区域,计算机设备还可以从冠脉的分割图像中将感兴趣区域截取出来,作为区域图像。然后针对该区域图像,确定感兴趣区域的病灶类型和严重程度,例如钙化斑块引起的轻度血管狭窄。
可选地,计算机设备可以将上述感兴趣区域对应的区域图像输入预设的图像分类模型,该图像分类模型为根据带有病灶类型标签和严重程度标签的训练样本进行训练所得到的,用于对输入的区域图像进行分类,进而得到感兴趣区域的分类结果。可选地,上述图像分类模型可以为神经网络模型,包括但不限于ResNet网络、DenseNet网络、VGGNet网络等。
可选地,计算机设备得到感兴趣区域的分类结果之后,还可以将感兴趣区域的标记结果、分类结果等输出至医生的工作页面,供医生查看。
本实施例提供的感兴趣区域的分类方法,计算机设备首先将获取的心脏冠脉图像输入图像分割模型,得到冠脉的分割图像;然后基于该分割图像确定冠脉中的感兴趣区域,并可以对该感兴趣区域进行标记;最后针对该感兴趣区域的区域图像,确定感兴趣区域的分类结果。由于计算机设备可以将感兴趣区域的标记结果和分类结果展示给医生查看,不仅仅只展示出对应的医学图像,因此在医生的诊断过程中可以提供更好的辅助作用;且上述分类结果表征了感兴趣区域的病灶类型和严重程度,则对医生进行辅助时,可以提供更有效的病灶信息,使得医生给出更准确的诊断结果。
可选地,在一个实施例中,上述感兴趣区域包括冠脉的狭窄区域,分类结果包括狭窄程度和狭窄类型。即本实施例用于检测冠脉中的狭窄区域,并对狭窄区域的狭窄程度和造成狭窄的原因类型进行分类,如冠脉的左冠状动脉LCA存在由混合斑块引起的中度狭窄。如图3所示,涉及的是计算机设备根据冠脉的分割图像,确定冠脉中的狭窄区域的具体过程,可选地,上述S103可以包括:
S201,对冠脉的分割图像进行中心线提取,基于中心线对冠脉的直径进行遍历,得到直径遍历结果。
具体地,计算机设备可以针对上述冠脉的分割图像进行中心线提取,其中可以针对图像分割模型输出的冠脉二值化掩模进行中心线提取,得到左右两条中心线。然后基于得到的中心线,对冠脉的直径进行遍历,即从冠脉的起始位置开始沿着中心线方向对冠脉进行遍历;对于中心线上的某一点A来说,计算机设备可以从冠脉上确定距离该点A距离最短的像素点,从该像素点位置确定与中心线垂直的法线,该法线中位于冠脉区域内的像素点个数可以作为冠脉在点A处的直径。由此进行遍历,便可以得到中心线上每一点处的直径。
S202,根据直径遍历结果确定冠脉中的狭窄区域。
具体地,根据上述直径遍历结果,计算机设备可以确定出冠脉中的狭窄区域。可选地,计算机设备可以根据冠脉不同子段的形状特征,设置不同的直径阈值,将直径小于对应直径阈值处的冠脉区域作为冠脉中的狭窄区域。可选地,计算机设备还可以通过计算当前直径与相邻直径的比值来确定狭窄区域。如计算当前直径与前后相邻直径的比值,若该比值小于预设阈值,则将当前直径对应的冠脉区域作为狭窄区域。
其中,因血管狭窄可能有两方面原因造成:1.斑块,可以细分为钙化斑块、非钙化斑块、混合斑块(包含钙化和非钙化成分);2.心肌桥(也可叫做壁冠状动脉),是由于血管走行与心肌之下,由于心脏收缩受到挤压而引起的血管狭窄。那么,计算机设备根据本实施例中的方法确定出狭窄区域后,可以将狭窄区域对应的区域图像输入图像分类模型,进而得出是由于斑块引起的血管狭窄,还是心肌桥引起的狭窄;并可以得出狭窄程度,如轻度狭窄、中度狭窄、重度狭窄。可选地,若当前区域其实并没有出现狭窄,则计算机设备也可以输出无狭窄结果。
本实施例提供的感兴趣区域的分类方法,计算机设备可以对冠脉的分割图像进行中心线提取,并基于该中心线对冠脉的直径进行遍历,得到直径遍历结果,然后根据直径遍历结果确定冠脉中的狭窄区域,进而根据该狭窄区域对应的区域图像得到感兴趣区域的分类结果。该方法中,通过对冠脉直径的遍历,即结合冠脉的实际形状特征来确定冠脉中的狭窄区域,可提高得到的狭窄区域的准确性,进而提高得到的分类结果的准确性,则可以更有效的对医生诊断进行辅助。
可选地,在一个实施例中,在使用上述图像分类模型之前,还需使用训练样本对初始图像分类模型进行训练以得到收敛的网络模型。如图4所示,训练样本可以包括样本图像和病灶类型标签、严重程度标签,则该图像分类模型的训练方式可以包括:
S301,将样本图像输入初始图像分类模型,得到感兴趣区域的预测病灶类型和预测严重程度。
其中,上述样本图像可以为计算机设备从PACS系统中获取的大量的心脏冠脉图像,并由经验丰富的医生对其进行标注,得到病灶类型标签和严重程度标签,如钙化斑块+重度狭窄等,对于心肌桥标注的标签可以是无斑块+狭窄程度,如无斑块+中度狭窄。计算机设备通过将样本图像输入初始图像分类模型,可以得到感兴趣区域的预测病灶类型和预测严重程度。
S302,计算预测病灶类型与病灶类型标签之间的第一损失,以及预测严重程度与严重程度标签之间的第二损失。
S303,根据第一损失和第二损失对初始图像分类模型进行训练,得到图像分类模型。
具体地,计算机设备可以计算预测病灶类型与病灶类型标签之间的第一损失,以及预测严重程度与严重程度标签之间的第二损失,并将第一损失和第二损失加权求和、或平均求和、或直接求和,得到模型训练的总损失;根据该总损失进而调整初始图像分类模型的网络参数,由此迭代训练,直至总损失小于或者等于损失阈值,则表征图像分类模型训练完成。可选地,计算机设备可以采用交叉熵损失函数或其他类型的损失函数计算第一损失和第二损失,本实施例对此不做限制。
本实施例提供的感兴趣区域的分类方法,计算机设备通过训练样本对初始图像分类模型进行训练,得到收敛的图像分类模型,由于训练样本中包括病灶类型标签和严重程度标签,则训练收敛的图像分类模型在应用时可以同时输出较精确的病灶类型和严重程度,因此大大提高了输出的感兴趣区域分类结果的准确性。
可选地,在一个实施例中,为进一步提高上述图像分割模型得到的分割图像的准确性,本实施例还可以分别对心脏冠脉图像进行粗分割和细分割过程,则上述图像分割模型可以包括心脏粗分割模型、心脏细分割模型和冠脉分割模型,如图5所示,上述S102可以包括:
S401,将心脏冠脉图像输入心脏粗分割模型,得到心脏冠脉图像的心脏粗分割结果。
具体地,计算机设备先将心脏冠脉图像输入心脏粗分割模型,即先将心脏冠脉图像中的心脏区域大概分割出来,即心脏粗定位结果,可以用box1对其画框标记。
S402,根据心脏粗分割结果,使用心脏细分割模型,得到心脏冠脉图像的心脏细分割结果。
具体地,计算机设备再根据box1标记从心脏冠脉图像中截取对应位置的心脏粗定位图像,使用心脏细分割模型对该心脏粗定位图像进行心脏细分割,得到心脏区域的精确分割结果,可以用box2对其画框标记。
S403,根据心脏细分割结果,使用冠脉分割模型,得到冠脉的分割图像。
具体地,最后计算机设备根据box2标记从心脏冠脉图像中截取对应位置的心脏细分割图像,使用冠脉分割模型对该心脏细分割图像进行分割,得到冠脉的分割图像。
本实施例提供的感兴趣区域的分类装置,计算机设备首先将心脏冠脉图像输入心脏粗分割模型得到心脏粗分割结果,再根据心脏粗分割结果,使用心脏细分割模型得到心脏细分割结果,最后根据心脏细分割结果,使用冠脉分割模型得到冠脉的分割图像。由此通过粗分割和细分割的不断精细过程,可大大提高得到的分割图像的准确性,进而提高后续针对分割图像,确定冠脉中的感兴趣区域的准确性。
为更好理解整个感兴趣区域的分类方法的过程,下面以一个整体实施例方式再次介绍该方法流程,如图6所示,上述方法包括:
S501,获取待分类的心脏冠脉图像;
S502,将心脏冠脉图像输入心脏粗分割模型,得到心脏冠脉图像的心脏粗分割结果;
S503,根据心脏粗分割结果,使用心脏细分割模型,得到心脏冠脉图像的心脏细分割结果;
S504,根据心脏细分割结果,使用冠脉分割模型,得到冠脉的分割图像;
S505,对冠脉的分割图像进行中心线提取,基于中心线对冠脉的直径进行遍历,得到直径遍历结果;
S506,根据直径遍历结果确定冠脉中的狭窄区域;
S507,将狭窄区域对应的区域图像输入图像分类模型,得到狭窄区域的狭窄程度和狭窄类型。
关于本实施例中各步骤的实现过程,可以参见上述实施例的描述,在此不再赘述。
应该理解的是,虽然图2-图6的流程图中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6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,提供了一种感兴趣区域的分类装置,包括:获取模块21、分割模块22、确定模块23和分类模块24。
具体地,获取模块21,用于获取待分类的心脏冠脉图像;
分割模块22,用于将心脏冠脉图像输入图像分割模型,得到心脏冠脉图像中冠脉的分割图像;
确定模块23,用于基于冠脉的分割图像,确定冠脉中的感兴趣区域;
分类模块24,用于针对感兴趣区域对应的区域图像,确定感兴趣区域的分类结果;该分类结果用于表征感兴趣区域的病灶类型和严重程度。
本实施例提供的感兴趣区域的分类装置,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。
在一个实施例中,分类模块24,具体用于将感兴趣区域对应的区域图像输入图像分类模型,得到感兴趣区域的分类结果;其中,图像分类模型为根据带有病灶类型标签和严重程度标签的训练样本进行训练所得到的。
在一个实施例中,感兴趣区域包括冠脉中的狭窄区域,分类结果包括狭窄程度和狭窄类型。
在一个实施例中,确定模块23,具体用于对冠脉的分割图像进行中心线提取,基于中心线对冠脉的直径进行遍历,得到直径遍历结果;根据直径遍历结果确定冠脉中的狭窄区域。
在一个实施例中,确定模块23,具体用于计算当前直径与相邻直径的比值,若比值小于预设阈值,则将当前直径对应的冠脉区域确定为狭窄区域。
在一个实施例中,训练样本包括样本图像和病灶类型标签、严重程度标签;上述装置还包括训练模块,用于将样本图像输入初始图像分类模型,得到感兴趣区域的预测病灶类型和预测严重程度;计算预测病灶类型与病灶类型标签之间的第一损失,以及预测严重程度与严重程度标签之间的第二损失;根据第一损失和第二损失对初始图像分类模型进行训练,得到图像分类模型。
在一个实施例中,图像分割模型包括心脏粗分割模型、心脏细分割模型和冠脉分割模型;分割模块22,具体用于将心脏冠脉图像输入心脏粗分割模型,得到心脏冠脉图像的心脏粗分割结果;根据心脏粗分割结果,使用心脏细分割模型,得到心脏冠脉图像的心脏细分割结果;根据心脏细分割结果,使用冠脉分割模型,得到冠脉的分割图像。
关于感兴趣区域的分类装置的具体限定可以参见上文中对于感兴趣区域的分类方法的限定,在此不再赘述。上述感兴趣区域的分类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8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、通信接口、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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种感兴趣区域的分类方法。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:
获取待分类的心脏冠脉图像;
将心脏冠脉图像输入图像分割模型,得到心脏冠脉图像中冠脉的分割图像;
基于冠脉的分割图像,确定冠脉中的感兴趣区域;
针对感兴趣区域对应的区域图像,确定感兴趣区域的分类结果;该分类结果用于表征感兴趣区域的病灶类型和严重程度。
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:
将感兴趣区域对应的区域图像输入图像分类模型,得到感兴趣区域的分类结果;其中,图像分类模型为根据带有病灶类型标签和严重程度标签的训练样本进行训练所得到的。
在一个实施例中,感兴趣区域包括冠脉中的狭窄区域,分类结果包括狭窄程度和狭窄类型。
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:
对冠脉的分割图像进行中心线提取,基于中心线对冠脉的直径进行遍历,得到直径遍历结果;
根据直径遍历结果确定冠脉中的狭窄区域。
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:
计算当前直径与相邻直径的比值,若比值小于预设阈值,则将当前直径对应的冠脉区域确定为狭窄区域。
在一个实施例中,训练样本包括样本图像和病灶类型标签、严重程度标签;处理器执行计算机程序时还实现以下步骤:
将样本图像输入初始图像分类模型,得到感兴趣区域的预测病灶类型和预测严重程度;
计算预测病灶类型与病灶类型标签之间的第一损失,以及预测严重程度与严重程度标签之间的第二损失;
根据第一损失和第二损失对初始图像分类模型进行训练,得到图像分类模型。
在一个实施例中,图像分割模型包括心脏粗分割模型、心脏细分割模型和冠脉分割模型;处理器执行计算机程序时还实现以下步骤:
将心脏冠脉图像输入心脏粗分割模型,得到心脏冠脉图像的心脏粗分割结果;
根据心脏粗分割结果,使用心脏细分割模型,得到心脏冠脉图像的心脏细分割结果;
根据心脏细分割结果,使用冠脉分割模型,得到冠脉的分割图像。
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:
获取待分类的心脏冠脉图像;
将心脏冠脉图像输入图像分割模型,得到心脏冠脉图像中冠脉的分割图像;
基于冠脉的分割图像,确定冠脉中的感兴趣区域;
针对感兴趣区域对应的区域图像,确定感兴趣区域的分类结果;该分类结果用于表征感兴趣区域的病灶类型和严重程度。
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:
将感兴趣区域对应的区域图像输入图像分类模型,得到感兴趣区域的分类结果;其中,图像分类模型为根据带有病灶类型标签和严重程度标签的训练样本进行训练所得到的。
在一个实施例中,感兴趣区域包括冠脉中的狭窄区域,分类结果包括狭窄程度和狭窄类型。
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:
对冠脉的分割图像进行中心线提取,基于中心线对冠脉的直径进行遍历,得到直径遍历结果;
根据直径遍历结果确定冠脉中的狭窄区域。
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:
计算当前直径与相邻直径的比值,若比值小于预设阈值,则将当前直径对应的冠脉区域确定为狭窄区域。
在一个实施例中,训练样本包括样本图像和病灶类型标签、严重程度标签;计算机程序被处理器执行时还实现以下步骤:
将样本图像输入初始图像分类模型,得到感兴趣区域的预测病灶类型和预测严重程度;
计算预测病灶类型与病灶类型标签之间的第一损失,以及预测严重程度与严重程度标签之间的第二损失;
根据第一损失和第二损失对初始图像分类模型进行训练,得到图像分类模型。
在一个实施例中,图像分割模型包括心脏粗分割模型、心脏细分割模型和冠脉分割模型;计算机程序被处理器执行时还实现以下步骤:
将心脏冠脉图像输入心脏粗分割模型,得到心脏冠脉图像的心脏粗分割结果;
根据心脏粗分割结果,使用心脏细分割模型,得到心脏冠脉图像的心脏细分割结果;
根据心脏细分割结果,使用冠脉分割模型,得到冠脉的分割图像。
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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)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)
1.一种感兴趣区域的分类方法,其特征在于,所述方法包括:
获取待分类的心脏冠脉图像;
将所述心脏冠脉图像输入图像分割模型,得到所述心脏冠脉图像中冠脉的分割图像;
基于所述冠脉的分割图像,确定所述冠脉中的感兴趣区域;
针对所述感兴趣区域对应的区域图像,确定所述感兴趣区域的分类结果;所述分类结果用于表征所述感兴趣区域的病灶类型和严重程度。
2.根据权利要求1所述的方法,其特征在于,所述针对所述感兴趣区域对应的区域图像,确定所述感兴趣区域的分类结果,包括:
将所述感兴趣区域对应的区域图像输入图像分类模型,得到所述感兴趣区域的分类结果;其中,所述图像分类模型为根据带有病灶类型标签和严重程度标签的训练样本进行训练所得到的。
3.根据权利要求1或2所述的方法,其特征在于,所述感兴趣区域包括所述冠脉中的狭窄区域,所述分类结果包括狭窄程度和狭窄类型。
4.根据权利要求3所述的方法,其特征在于,所述基于所述冠脉的分割图像,确定所述冠脉中的感兴趣区域,包括:
对所述冠脉的分割图像进行中心线提取,基于所述中心线对所述冠脉的直径进行遍历,得到直径遍历结果;
根据所述直径遍历结果确定所述冠脉中的狭窄区域。
5.根据权利要求4所述的方法,其特征在于,所述根据所述直径遍历结果确定所述冠脉中的狭窄区域,包括:
计算当前直径与相邻直径的比值,若所述比值小于预设阈值,则将所述当前直径对应的冠脉区域确定为所述狭窄区域。
6.根据权利要求2所述的方法,其特征在于,所述训练样本包括样本图像和病灶类型标签、严重程度标签;所述图像分类模型的训练方法包括:
将所述样本图像输入初始图像分类模型,得到感兴趣区域的预测病灶类型和预测严重程度;
计算所述预测病灶类型与所述病灶类型标签之间的第一损失,以及所述预测严重程度与所述严重程度标签之间的第二损失;
根据所述第一损失和所述第二损失对所述初始图像分类模型进行训练,得到所述图像分类模型。
7.根据权利要求1所述的方法,其特征在于,所述图像分割模型包括心脏粗分割模型、心脏细分割模型和冠脉分割模型;所述将所述心脏冠脉图像输入图像分割模型,得到所述心脏冠脉图像中冠脉的分割图像,包括:
将所述心脏冠脉图像输入所述心脏粗分割模型,得到所述心脏冠脉图像的心脏粗分割结果;
根据所述心脏粗分割结果,使用所述心脏细分割模型,得到所述心脏冠脉图像的心脏细分割结果;
根据所述心脏细分割结果,使用所述冠脉分割模型,得到所述冠脉的分割图像。
8.一种感兴趣区域的分类装置,其特征在于,所述装置包括:
获取模块,用于获取待分类的心脏冠脉图像;
分割模块,用于将所述心脏冠脉图像输入图像分割模型,得到所述心脏冠脉图像中冠脉的分割图像;
确定模块,用于基于所述冠脉的分割图像,确定所述冠脉中的感兴趣区域;
分类模块,用于针对所述感兴趣区域对应的区域图像,确定所述感兴趣区域的分类结果;所述分类结果用于表征所述感兴趣区域的病灶类型和严重程度。
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1-7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1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010196548.3A CN111445449B (zh) | 2020-03-19 | 2020-03-19 | 感兴趣区域的分类方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010196548.3A CN111445449B (zh) | 2020-03-19 | 2020-03-19 | 感兴趣区域的分类方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111445449A true CN111445449A (zh) | 2020-07-24 |
CN111445449B CN111445449B (zh) | 2024-03-01 |
Family
ID=71654124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010196548.3A Active CN111445449B (zh) | 2020-03-19 | 2020-03-19 | 感兴趣区域的分类方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445449B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113040812A (zh) * | 2021-02-03 | 2021-06-29 | 上海联影医疗科技股份有限公司 | 医学图像分析方法、装置、计算机设备和存储介质 |
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 |
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 |
CN113177928A (zh) * | 2021-05-18 | 2021-07-27 | 数坤(北京)网络科技股份有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
CN113298831A (zh) * | 2021-06-30 | 2021-08-24 | 上海联影医疗科技股份有限公司 | 图像分割方法、装置、电子设备及存储介质 |
CN114005097A (zh) * | 2020-07-28 | 2022-02-01 | 株洲中车时代电气股份有限公司 | 基于图像语义分割的列车运行环境实时检测方法及系统 |
CN115274099A (zh) * | 2022-09-26 | 2022-11-01 | 之江实验室 | 一种人与智能交互的计算机辅助诊断系统与方法 |
CN115375603A (zh) * | 2021-05-17 | 2022-11-22 | 数坤(北京)网络科技股份有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
CN115393323A (zh) * | 2022-08-26 | 2022-11-25 | 数坤(上海)医疗科技有限公司 | 一种目标区域获得方法、装置、设备和存储介质 |
CN116501904A (zh) * | 2023-06-28 | 2023-07-28 | 中国人民解放军总医院 | 分布式存储方法、装置、设备及介质 |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101111865A (zh) * | 2005-02-02 | 2008-01-23 | 美国西门子医疗解决公司 | 用于在心脏图像中分割左心室的系统和方法 |
US20110224542A1 (en) * | 2010-03-12 | 2011-09-15 | Sushil Mittal | Method and System for Automatic Detection and Classification of Coronary Stenoses in Cardiac CT Volumes |
CN104091346A (zh) * | 2014-07-24 | 2014-10-08 | 东南大学 | 一种全自动ct图像冠状动脉钙化分数计算方法 |
CN104867147A (zh) * | 2015-05-21 | 2015-08-26 | 北京工业大学 | 基于冠状动脉造影图像分割的syntax自动评分方法 |
CN104992437A (zh) * | 2015-06-29 | 2015-10-21 | 北京欣方悦医疗科技有限公司 | 一种冠脉三维图像分割的方法 |
US20150359601A1 (en) * | 2014-06-16 | 2015-12-17 | Siemens Aktiengesellschaft | Method and System for Improved Hemodynamic Computation in Coronary Arteries |
WO2016075331A2 (en) * | 2014-11-14 | 2016-05-19 | Siemens Healthcare Gmbh | Method and system for purely geometric machine learning based fractional flow reserve |
CN106097298A (zh) * | 2016-05-27 | 2016-11-09 | 中国人民解放军第三军医大学 | 基于球空间划分的冠状动脉自动分段与解剖学标记方法 |
CN107203741A (zh) * | 2017-05-03 | 2017-09-26 | 上海联影医疗科技有限公司 | 血管提取方法、装置及其系统 |
CN107330449A (zh) * | 2017-06-13 | 2017-11-07 | 瑞达昇科技(大连)有限公司 | 一种糖尿病性视网膜病变体征检测方法及装置 |
CN107610095A (zh) * | 2017-08-04 | 2018-01-19 | 南京邮电大学 | 基于图像融合的心脏ct冠脉全自动分割方法 |
CN108171698A (zh) * | 2018-02-12 | 2018-06-15 | 数坤(北京)网络科技有限公司 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
CN108830155A (zh) * | 2018-05-10 | 2018-11-16 | 北京红云智胜科技有限公司 | 一种基于深度学习的心脏冠状动脉分割及识别的方法 |
CN108932714A (zh) * | 2018-07-23 | 2018-12-04 | 苏州润心医疗器械有限公司 | 冠脉ct图像的斑块分类方法 |
CN109069014A (zh) * | 2016-03-16 | 2018-12-21 | 哈特弗罗公司 | 用于估计在冠状动脉中的健康管腔直径和狭窄定量的系统和方法 |
CN109410181A (zh) * | 2018-09-30 | 2019-03-01 | 神州数码医疗科技股份有限公司 | 一种心脏图像分割方法及装置 |
CN109448005A (zh) * | 2018-10-31 | 2019-03-08 | 数坤(北京)网络科技有限公司 | 一种用于冠状动脉的网络模型分割方法及设备 |
CN110310256A (zh) * | 2019-05-30 | 2019-10-08 | 上海联影智能医疗科技有限公司 | 冠脉狭窄检测方法、装置、计算机设备和存储介质 |
CN110415792A (zh) * | 2019-05-31 | 2019-11-05 | 上海联影智能医疗科技有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
CN110490040A (zh) * | 2019-05-30 | 2019-11-22 | 浙江理工大学 | 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法 |
CN110555845A (zh) * | 2019-09-27 | 2019-12-10 | 上海鹰瞳医疗科技有限公司 | 眼底oct图像识别方法及设备 |
US20200005460A1 (en) * | 2018-06-28 | 2020-01-02 | Shenzhen Imsight Medical Technology Co. Ltd. | Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium |
CN110796656A (zh) * | 2019-11-01 | 2020-02-14 | 上海联影智能医疗科技有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
US20200074146A1 (en) * | 2018-08-30 | 2020-03-05 | Applied Materials, Inc. | System for automatic tumor detection and classification |
-
2020
- 2020-03-19 CN CN202010196548.3A patent/CN111445449B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101111865A (zh) * | 2005-02-02 | 2008-01-23 | 美国西门子医疗解决公司 | 用于在心脏图像中分割左心室的系统和方法 |
US20110224542A1 (en) * | 2010-03-12 | 2011-09-15 | Sushil Mittal | Method and System for Automatic Detection and Classification of Coronary Stenoses in Cardiac CT Volumes |
US20150359601A1 (en) * | 2014-06-16 | 2015-12-17 | Siemens Aktiengesellschaft | Method and System for Improved Hemodynamic Computation in Coronary Arteries |
CN104091346A (zh) * | 2014-07-24 | 2014-10-08 | 东南大学 | 一种全自动ct图像冠状动脉钙化分数计算方法 |
WO2016075331A2 (en) * | 2014-11-14 | 2016-05-19 | Siemens Healthcare Gmbh | Method and system for purely geometric machine learning based fractional flow reserve |
CN104867147A (zh) * | 2015-05-21 | 2015-08-26 | 北京工业大学 | 基于冠状动脉造影图像分割的syntax自动评分方法 |
CN104992437A (zh) * | 2015-06-29 | 2015-10-21 | 北京欣方悦医疗科技有限公司 | 一种冠脉三维图像分割的方法 |
CN109069014A (zh) * | 2016-03-16 | 2018-12-21 | 哈特弗罗公司 | 用于估计在冠状动脉中的健康管腔直径和狭窄定量的系统和方法 |
CN106097298A (zh) * | 2016-05-27 | 2016-11-09 | 中国人民解放军第三军医大学 | 基于球空间划分的冠状动脉自动分段与解剖学标记方法 |
CN107203741A (zh) * | 2017-05-03 | 2017-09-26 | 上海联影医疗科技有限公司 | 血管提取方法、装置及其系统 |
CN107330449A (zh) * | 2017-06-13 | 2017-11-07 | 瑞达昇科技(大连)有限公司 | 一种糖尿病性视网膜病变体征检测方法及装置 |
CN107610095A (zh) * | 2017-08-04 | 2018-01-19 | 南京邮电大学 | 基于图像融合的心脏ct冠脉全自动分割方法 |
CN108171698A (zh) * | 2018-02-12 | 2018-06-15 | 数坤(北京)网络科技有限公司 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
CN108830155A (zh) * | 2018-05-10 | 2018-11-16 | 北京红云智胜科技有限公司 | 一种基于深度学习的心脏冠状动脉分割及识别的方法 |
US20200005460A1 (en) * | 2018-06-28 | 2020-01-02 | Shenzhen Imsight Medical Technology Co. Ltd. | Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium |
CN108932714A (zh) * | 2018-07-23 | 2018-12-04 | 苏州润心医疗器械有限公司 | 冠脉ct图像的斑块分类方法 |
US20200074146A1 (en) * | 2018-08-30 | 2020-03-05 | Applied Materials, Inc. | System for automatic tumor detection and classification |
CN109410181A (zh) * | 2018-09-30 | 2019-03-01 | 神州数码医疗科技股份有限公司 | 一种心脏图像分割方法及装置 |
CN109448005A (zh) * | 2018-10-31 | 2019-03-08 | 数坤(北京)网络科技有限公司 | 一种用于冠状动脉的网络模型分割方法及设备 |
CN110310256A (zh) * | 2019-05-30 | 2019-10-08 | 上海联影智能医疗科技有限公司 | 冠脉狭窄检测方法、装置、计算机设备和存储介质 |
CN110490040A (zh) * | 2019-05-30 | 2019-11-22 | 浙江理工大学 | 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法 |
CN110415792A (zh) * | 2019-05-31 | 2019-11-05 | 上海联影智能医疗科技有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
CN110555845A (zh) * | 2019-09-27 | 2019-12-10 | 上海鹰瞳医疗科技有限公司 | 眼底oct图像识别方法及设备 |
CN110796656A (zh) * | 2019-11-01 | 2020-02-14 | 上海联影智能医疗科技有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
ZHIXUN LI等: "Automatic coronary artery segmentation based on multi-domains remapping and quantile regression in angiographies", 《COMPUTERIZED MEDICAL IMAGING AND GRAPHICS》, 31 December 2016 (2016-12-31), pages 55 - 66 * |
方济民: "基于CTA的冠脉粥样硬化斑块检测方法", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, vol. 2020, no. 3, 15 March 2020 (2020-03-15), pages 062 - 61 * |
赵飞;刘杰;: "基于卷积神经网络和图像显著性的心脏CT图像分割", 北京生物医学工程, no. 01, 13 February 2020 (2020-02-13), pages 48 - 55 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114005097A (zh) * | 2020-07-28 | 2022-02-01 | 株洲中车时代电气股份有限公司 | 基于图像语义分割的列车运行环境实时检测方法及系统 |
CN113040812A (zh) * | 2021-02-03 | 2021-06-29 | 上海联影医疗科技股份有限公司 | 医学图像分析方法、装置、计算机设备和存储介质 |
CN113040812B (zh) * | 2021-02-03 | 2023-08-22 | 上海联影医疗科技股份有限公司 | 医学图像分析方法、装置、计算机设备和存储介质 |
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 |
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 |
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 |
CN115375603A (zh) * | 2021-05-17 | 2022-11-22 | 数坤(北京)网络科技股份有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
CN113177928A (zh) * | 2021-05-18 | 2021-07-27 | 数坤(北京)网络科技股份有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
CN113298831B (zh) * | 2021-06-30 | 2022-03-29 | 上海联影医疗科技股份有限公司 | 图像分割方法、装置、电子设备及存储介质 |
CN113298831A (zh) * | 2021-06-30 | 2021-08-24 | 上海联影医疗科技股份有限公司 | 图像分割方法、装置、电子设备及存储介质 |
CN115393323A (zh) * | 2022-08-26 | 2022-11-25 | 数坤(上海)医疗科技有限公司 | 一种目标区域获得方法、装置、设备和存储介质 |
CN115274099A (zh) * | 2022-09-26 | 2022-11-01 | 之江实验室 | 一种人与智能交互的计算机辅助诊断系统与方法 |
CN115274099B (zh) * | 2022-09-26 | 2022-12-30 | 之江实验室 | 一种人与智能交互的计算机辅助诊断系统与方法 |
CN116501904A (zh) * | 2023-06-28 | 2023-07-28 | 中国人民解放军总医院 | 分布式存储方法、装置、设备及介质 |
CN116501904B (zh) * | 2023-06-28 | 2023-09-22 | 中国人民解放军总医院 | 分布式存储方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111445449B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111445449B (zh) | 感兴趣区域的分类方法、装置、计算机设备和存储介质 | |
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 | |
CN109886933A (zh) | 一种医学图像识别方法、装置和存储介质 | |
KR101716039B1 (ko) | 의료 영상 기반의 질환 진단 정보 산출 방법 및 장치 | |
CN106388843A (zh) | 医学影像设备及其扫描方法 | |
CN111091561B (zh) | 感兴趣区的神经纤维提取方法、系统、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 | |
CN112861961B (zh) | 肺血管分类方法及装置、存储介质及电子设备 | |
CN111080583B (zh) | 医学图像检测方法、计算机设备和可读存储介质 | |
CN111325714A (zh) | 感兴趣区域的处理方法、计算机设备和可读存储介质 | |
CN109498046A (zh) | 基于核素图像与ct冠脉造影融合的心肌梗死定量评估方法 | |
EP3971830B1 (en) | Pneumonia sign segmentation method and apparatus, medium and electronic device | |
CN111583199A (zh) | 样本图像标注方法、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 | |
Poh et al. | Automatic segmentation of ventricular cerebrospinal fluid from ischemic stroke CT images | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN110648318A (zh) | 用于皮肤病的辅助分析方法及装置、电子设备、存储介质 | |
US8331638B2 (en) | Creation of motion compensated MRI M-mode images of the myocardial wall | |
CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
CN113192031B (zh) | 血管分析方法、装置、计算机设备和存储介质 | |
KR101685821B1 (ko) | 흉부 X-ray 영상에서 몸체 및 관심영역 분할 방법 및 시스템 | |
US20140140603A1 (en) | Clavicle suppression in radiographic images | |
Seo et al. | Semiautomatic segmentation of nasal airway based on collaborative environment | |
CN110738639B (zh) | 医学图像检测结果的展示方法、装置、设备及存储介质 |
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 |