CN111445575A - 威利斯环的图像重建方法、装置、电子设备、存储介质 - Google Patents
威利斯环的图像重建方法、装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN111445575A CN111445575A CN202010251323.3A CN202010251323A CN111445575A CN 111445575 A CN111445575 A CN 111445575A CN 202010251323 A CN202010251323 A CN 202010251323A CN 111445575 A CN111445575 A CN 111445575A
- Authority
- CN
- China
- Prior art keywords
- image
- ring
- cta
- key point
- display area
- 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 44
- 238000010968 computed tomography angiography Methods 0.000 claims abstract description 140
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims description 35
- 210000001367 artery Anatomy 0.000 claims description 28
- 238000001514 detection method Methods 0.000 claims description 15
- 210000004204 blood vessel Anatomy 0.000 claims description 14
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 210000001519 tissue Anatomy 0.000 description 40
- 238000010586 diagram Methods 0.000 description 16
- 210000000275 circle of willis Anatomy 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- 210000003657 middle cerebral artery Anatomy 0.000 description 8
- 210000003625 skull Anatomy 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000007917 intracranial administration Methods 0.000 description 5
- 208000026106 cerebrovascular disease Diseases 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012952 Resampling Methods 0.000 description 3
- 210000001841 basilar artery Anatomy 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 3
- 239000002872 contrast media Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 210000004004 carotid artery internal Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000302 ischemic effect Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 208000019553 vascular disease Diseases 0.000 description 2
- 206010048964 Carotid artery occlusion Diseases 0.000 description 1
- 206010007687 Carotid artery stenosis Diseases 0.000 description 1
- 206010069729 Collateral circulation Diseases 0.000 description 1
- 238000012443 analytical study Methods 0.000 description 1
- 210000002551 anterior cerebral artery Anatomy 0.000 description 1
- 238000011888 autopsy Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 208000006170 carotid stenosis Diseases 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000004972 left anterior cerebral artery Anatomy 0.000 description 1
- 210000004973 left posterior cerebral artery Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000003388 posterior cerebral artery Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007142 ring opening reaction Methods 0.000 description 1
- 102200159389 rs58999456 Human genes 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本说明书提供一种威利斯环的图像重建方法、装置、电子设备、存储介质,方法包括:获得受检体的头颈部的CTA图像;识别CTA图像中威利斯环的包围盒,并从所述CTA图像中采样出包含所述包围盒的子图像;将所述子图像输入关键点定位模型,其中,所述关键点定位模型采用CTA图像样本对神经网络训练得到,所述CTA图像样本中标注有位于威利斯环上的关键点位置信息;根据所述关键点定位模型输出的位于威利斯环上的多个关键点位置,从所述子图像中截取出威利斯环的显示区域;对所述显示区域进行图像重建,并将所述显示区域调整至目标观察角度后输出。实现了威利斯环的显示区域的自动准确识别及显示。
Description
技术领域
本说明书涉及医学图像处理技术领域,尤其涉及威利斯环的图像重建方法、装置、电子设备、存储介质。
背景技术
威利斯(Willis)环区域是颅内血管的重要结构,也是颅内动脉血管病变的高发区,医生需要根据局部CTA三维体数据的三维绘制结果,观察威利斯环区域内血管的位置、结构和走向等特点,以实现对颅内动脉血管疾病的诊断。
由于威利斯环区域被高密度的颅骨完全遮挡,临床实践中为了实现在三维绘制结果中观察威利斯环内血管的目的,医生通常需要对从CTA图像中分割出的血管手动切割出Willis环区域,调整观察角度、阅片和打片。具体实现时医生常常需要通过多次尝试以确定出一个观察角度较佳的威利斯环显示区域,该过程非常繁琐,且耗费时间。
发明内容
为克服相关技术中存在的问题,本说明书提供了威利斯环的图像重建方法、装置、电子设备、存储介质。
根据本说明书实施例的第一方面,提供一种威利斯环的图像重建方法,所述图像重建方法包括:
获得受检体的头颈部的CTA图像;
识别CTA图像中威利斯环的包围盒,并从所述CTA图像中采样出包含所述包围盒的子图像;
将所述子图像输入关键点定位模型,其中,所述关键点定位模型采用CTA图像样本对神经网络训练得到,所述CTA图像样本中标注有位于威利斯环上的关键点位置信息;
根据所述关键点定位模型输出的位于威利斯环上的多个关键点位置,从所述子图像中截取出威利斯环的显示区域;
对所述显示区域进行图像重建,并将所述显示区域调整至目标观察角度后输出。
可选地,识别CTA图像中威利斯环的包围盒,包括:
识别出CTA图像中动脉血管所在的区域信息;
将所述CTA图像和所述区域信息输入目标检测模型,以识别出所述CTA图像中威利斯环的包围盒区域,其中,所述目标检测模型采用标注有威利斯环的包围盒的训练CTA图像对神经网络训练得到。
可选地,识别CTA图像中动脉血管所在的区域信息,包括:
将所述CTA图像输入组织分割模型,其中,所述组织分割模型采用标注有组织部位信息的CTA图像对神经网络训练得到;
根据所述组织分割模型预测的CTA图像中每个像素点所属的组织部位,对所述CTA图像包含的组织部位进行分割;
根据分割结果识别所述CTA图像中动脉血管所在的区域信息。
可选地,根据所述关键点定位模型输出的多个关键点位置,从所述子图像中截取出显示区域,包括:
根据所述多个关键点位置确定所述威利斯环的开口朝向及中心位置;
确定以所述开口朝向为法向量且经过所述中心位置的中心平面;
将所述子图像中与所述中心平面平行且距离所述中心平面为预设距离的两个平面之间的区域确定为所述显示区域。
可选地,所述关键点位置的数量为4个;
根据所述多个关键点位置确定所述威利斯环的开口朝向,包括:
从4个关键点位置中选择3个第一关键点,确定所述3个第一关键点所在平面的第一法向量;
从所述4个关键点位置中选择3个第二关键点,确定所述3个第二关键点所在平面的第二法向量;其中,所述3个第一关键点与所述3个第二关键点不完全相同;
将所述第一法向量和所述第二法向量的和向量的方向确为所述开口朝向。
可选地,所述图像重建方法,还包括:
获取显示参数,其中,所述显示参数包含成像数量和/或旋转角度和/或成像模式;
对所述显示区域进行图像重建,包括:
基于所述显示参数对所述显示区域进行图像重建。
根据本说明书实施例的第二方面,提供一种威利斯环的图像重建装置,所述图像重建装置包括:
获取模块,用于获得受检体的头颈部的CTA图像;
采样模块,用于识别CTA图像中威利斯环的包围盒,并从所述CTA图像中采样出包含所述包围盒的子图像;
输入模块,用于将所述子图像输入关键点定位模型,其中,所述关键点定位模型采用CTA图像样本对神经网络训练得到,所述CTA图像样本中标注有位于威利斯环上的关键点位置信息;
截取模块,用于根据所述关键点定位模型输出的位于威利斯环上的多个关键点位置,从所述子图像中截取出威利斯环的显示区域;
重建模块,用于对所述显示区域进行图像重建,并将所述显示区域调整至目标观察角度后输出。
可选地,在识别CTA图像中威利斯环的包围盒时,所述采样模块用于:
识别出CTA图像中动脉血管所在的区域信息;
将所述CTA图像和所述区域信息输入目标检测模型,以识别出所述CTA图像中威利斯环的包围盒区域,其中,所述目标检测模型采用标注有威利斯环的包围盒的训练CTA图像对神经网络训练得到。
可选地,在识别CTA图像中动脉血管所在的区域信息时,所述采样模块用于:
将所述CTA图像输入组织分割模型,其中,所述组织分割模型采用标注有组织部位信息的CTA图像对神经网络训练得到;
根据所述组织分割模型预测的CTA图像中每个像素点所属的组织部位,对所述CTA图像包含的组织部位进行分割;
根据分割结果识别所述CTA图像中动脉血管所在的区域信息。
可选地,所述截取模块具体用于:
根据所述多个关键点位置确定所述威利斯环的开口朝向及中心位置;
确定以所述开口朝向为法向量且经过所述中心位置的中心平面;
将所述子图像中与所述中心平面平行且距离所述中心平面为预设距离的两个平面之间的区域确定为所述显示区域。
可选地,所述关键点位置的数量为4个;
在根据所述多个关键点位置确定所述威利斯环的开口朝向时,所述截取模块具体用于:
从4个关键点位置中选择3个第一关键点,确定所述3个第一关键点所在平面的第一法向量;
从所述4个关键点位置中选择3个第二关键点,确定所述3个第二关键点所在平面的第二法向量;其中,所述3个第一关键点与所述3个第二关键点不完全相同;
将所述第一法向量和所述第二法向量的和向量的方向确为所述开口朝向。
根据本说明书实施例的第三方面,提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的威利斯环的图像重建方法。
根据本说明书实施例的第四方面,提供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任一项所述的威利斯环的图像重建方法的步骤。
本说明书的实施例提供的技术方案可以包括以下有益效果:
本说明书实施例中,先确定CTA图像中Willis环的包围盒区域,再基于关键点定位模型从Willis环的包围盒中确定位于Willis环上的多个关键点位置,然后根据多个关键点位置确定Willis环在包围盒中的准确显示区域,并将该显示区域调整至目标观察角度后输出,从而可自动、准确地实现以目标观察角度显示CTA图像中的威利斯环,无需医护人员通过不断的尝试确定威利斯环的目标观察角度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本说明书。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本说明书的实施例,并与说明书一起用于解释本说明书的原理。
图1是本说明书根据一示例性实施例示出的一种Willis环的结构示意图。
图2是本说明书根据一示例性实施例示出的一种威利斯环的图像重建方法的流程图。
图3a是本说明书根据一示例性实施例示出的对CTA图像进行重采样得到的冠状面方向的一张切片图。
图3b是本说明书根据一示例性实施例示出的对CTA图像进行重采样得到的矢状面方向的一张切片图。
图3c是本说明书根据一示例性实施例示出的观察角度为0°的Willis环的示意图。
图3d是本说明书根据一示例性实施例示出的观察角度为30°的Willis环的示意图。
图3e是本说明书根据一示例性实施例示出的观察角度为120°的Willis环的示意图。
图3f是本说明书根据一示例性实施例示出的观察角度为150°的Willis环的示意图。
图3g是本说明书根据一示例性实施例示出的观察角度为180°的Willis环的示意图。
图4是本说明书根据一示例性实施例示出的图2中步骤201的流程图。
图5是本说明书根据一示例性实施例示出的图2中步骤203的流程图。
图6a是本说明书根据一示例性实施例示出的Willis环在包围盒中的开口朝向的示意图。
图6b是本说明书根据一示例性实施例示出的确定威利斯环的开口朝向的示意图。
图6c是本说明书根据一示例性实施例示出的从Willis环的包围盒中截取Willis环的显示区域的第一示意图。
图6d是本说明书根据一示例性实施例示出的从Willis环的包围盒中截取Willis环的显示区域的第二示意图。
图7是本说明书根据一示例性实施例示出的一种威利斯环的图像重建装置的模块图。
图8是本说明书根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例标识在附图中。下面的描述涉及附图时,除非另有标识,不同附图中的相同数字标识相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地标识其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
脑血管疾病具有发病率、致死率、致残率和并发症高等特点,是一种危害中老年人生命和健康的主要疾病,其中缺血性脑血管病占所有脑血管病的75%~85%,颈动脉狭窄或闭塞引起的缺血性脑血管病占20%~30%。
威利斯(Willis)环作为脑的一级侧支循环,能在短时间内通过前后交通动脉将血流代偿至狭窄侧改善血流供应,保护脑组织不受损伤,是颅内血管的重要结构。
图1是本说明书根据一示例性实施例示出的一种Willis环的结构示意图,Willis环包括下列血管:
左右两侧大脑前动脉(anterior cerebral artery,ACA)的交通前段(A1);
左右两侧大脑后动脉(posterior cerebral artery,PCA)的交通前段(P1);
两侧颈内动脉(internal carotid artery,ICA)的末端;
前交通动脉(anterior communicating artery,ACom);
后交通动脉(posterior communication artery,PCom);
一个发育完好的Willis环具有非常强的侧支循环潜能,一旦附近的血管血流量减少,可以保证足够的血液重新分布。然而,Willis环是颅内动脉血管病变的高发区,其变异率较高,据研究仅有27%~45.2%的个体具有完整的Willis环结构。一项基于1000例患者的尸检研究表明,Willis环结构变异率高达54.8%。其中前血环变异率为23.4%,后循环变异率为31.4%。因此,对于Willis环的分析研究无论是基础研究还是临床应用都一直是脑血管领域的热点。
CTA(Computed Tomography Angiography)是一种非创伤性的血管成像技术。通过对受检体注射血管造影剂,采用CTA设备扫描受检体的头颈部,并采集X线图像数据,对X线图像数据进行图像重建,即可得到CTA图像来显示受检体的头颈部的血管组织,用于诊断血管病变。
由于威利斯环区域被高密度的颅骨完全遮挡,临床实践中为了实现在三维绘制结果中观察威利斯环内血管的目的,医生通常需要对从CTA图像中分割出的血管图像手动切割出Willis环区域,调整观察角度,阅片和打片。具体实现时医生常常需要通过多次尝试以确定出一个观察角度较佳的威利斯环的显示区域,该手动规划过程繁琐、耗费时间。
基于上述情况,本发明实施例提供一种威利斯环的图像重建方法,能够从CTA图像中准确识别出Willis环的显示区域,并将显示区域调整至最佳的目标观察角度或根据用户的观察需求调整至目标观察角度。
接下来对本说明书实施例进行详细说明。
图2是本说明书根据一示例性实施例示出的一种威利斯环的图像重建方法的流程图,包括以下步骤:
步骤201、识别CTA图像中威利斯环的包围盒,并从CTA图像中采样出包含包围盒的子图像。
其中,CTA图像为对受检体注射血管造影剂后,采用CTA设备扫描受检体的头颈部,采集得到的图像数据。
包围盒作为用户想要观测的感兴趣区域(ROI),其为包含威利斯环的最小六面体或最小长方体或最小球体等,可以通过中心点坐标(x,y,z)结合长宽高(或半径)表征包围盒的位置区域。
为了便于理解,以图3a和图3b示出的CTA图像为例,图3a为对CTA图像进行重采样得到的冠状面方向的切片图,图3b为对CTA图像进行重采样得到的矢状面方向的切片图。若采用长方体的包围盒,图3a中的区域S1为在CTA图像中识别出的威利斯环的包围盒朝向冠状面方向的一个侧面的所在位置,图3b中的区域S2为在CTA图像中识别出的威利斯环的包围盒朝向矢状面方向的一个侧面的所在位置。步骤201中,从CTA图像中采样出包含包围盒区域的子图像,也即从CTA图像中采样出包围盒的六个侧面所包围的区域对应的子图像数据。可以理解的,CTA图像是三维图像,从CTA图像中采样出的子图像也为三维图像,子图像数据中包含威利斯环。
由于威利斯环的包围盒中除了包含威利斯环的动脉血管外,还存在其他血管信息,例如,中动脉弯曲部分会在包围盒中显示,该其他血管信息会干扰威利斯环的显示。因此需要执行以下步骤,从子图像中截取威利斯环的显示区域,切除其他血管信息的干扰。
步骤202、将子图像输入关键点定位模型。
其中,关键点定位模型用于识别出子图像中位于威利斯环上的多个关键点位置。该多个关键点位置可以是在威利斯环上选取的、分散的分布于威利斯环上多个点位置,其能够表征威利斯环在子图像中的轮廓信息。
为了能使关键点定位模型能够识别出输入的子图像中威利斯环上的关键点位置,需采用包含威利斯环且在威利斯环上标注了关键点位置的CTA图像作为训练样本,对神经网络进行训练,直至训练神经网络的损失函数达到阈值或者迭代次数达到阈值则停止训练,将训练完成的神经网络作为关键点定位模型。
由于深度卷积神经网络是目前在分割、分类、定位等图像视觉领域中性能最好、最常用的机器学习方法。深度卷积神经网络通过端到端的训练方式直接从图像中学习到训练数据的特征,这种高度抽象的特征能够在医学图像分割、分类、定位等任务中大幅度提升传统方法的精度。本实施例中,可以但不限于采用深度卷积神经网络作为关键点定位模型的网络架构。深度学习是调整深层机器学习网络参数和特征的方法,通常与神经网络相结合。
在一个实施例中,可以但不限于选择前交通动脉上组成威利斯环的部分中某个点位置、左侧大脑中动脉上组成威利斯环的部分中某个点位置、右侧大脑中动脉上组成威利斯环的部分中某个点位置以及基底动脉上组成威利斯环的部分中某个点位置作为威利斯环的关键点。
以图3c示出的威利斯环为例,图中A点处为在前交通动脉上选择的关键点、B点处为在左侧大脑中动脉上选择的关键点、C点处为在右侧大脑中动脉上选择的关键点、D点处为在基底动脉上选择的关键点。对于作为训练神经网络的训练样本,需要在每幅CTA图像中参照上述关键点位置对CTA图像中威利斯环的关键点位置进行标注。基于标注有威利斯环的关键点位置的CTA图像对神经网络训练得到的模型,即能识别出子图像中威利斯环上对应的关键点位置。
步骤203、根据关键点定位模型输出的威利斯环上的多个关键点位置,从子图像中截取出显示区域。
将包含威利斯环的子图像输入关键点定位模型,关键点定位模型对其进行识别,会输出子图像中威利斯环的多个关键点位置,每个关键点位置可以通过坐标(x,y,z)表示。
由于该多个关键点位置表征威利斯环在子图像中的轮廓信息,因此可以根据该多个关键点位置确定子图像中威利斯环的确切位置(显示范围)以及开口朝向,并将其从子图像中截取出来,作为威利斯环的显示区域。
步骤204、对显示区域进行图像重建,并将显示区域调整至目标观察角度后输出。
其中,目标观察角度可以是用户自行定义的角度,也可以是能够显示威利斯环信息最多的一个最佳观察角度。所谓最佳观察角度可以是威利斯环开口的朝向为正向显示的角度。将显示区域输出,可以是将显示区域对应的数据输出至电子设备上进行显示,也可以是将显示区域对应的数据打印至胶片上。
从而,先确定CTA图像中Willis环的包围盒区域,再基于关键点定位模型从Willis环的包围盒中确定位于Willis环上的多个关键点位置,然后根据多个关键点位置确定Willis环在包围盒中的准确显示区域,并将该显示区域调整至目标观察角度后输出,以便于医护人员对血管进行疾病诊断。
在另一个实施例中,用户可以自行定义显示参数,其中,显示参数可以但不限于包括以下参数中的至少一种:成像数量、观察角度、成像模式等。
若用户定义了显示参数,执行步骤204之前,先获取用户定义的显示参数,步骤204中,则基于用户定义的显示参数对显示区域进行图像重建。
举例来说,若用户定义了成像模式为VR(虚拟现实),则对显示区域进行图像重建生成威利斯环的VR图像;若用户定义了成像模式为MIP(最大密度投影),则对显示区域进行图像重建生成威利斯环的MIP图像。
若用户定义了0°、30°、120°、150°和180°五个观察角度,该五个观察角度也即目标观察角,参见图3c、图3d、图3e、图3f和图3g,执行步骤204可重建出观察角度分别为0°、30°、120°、150°和180°的5张威利斯环图像,实现了根据用户的需求观察角度批量显示威利斯环图像。其中,图3e示出的观察角度为0°的图像为威利斯环的最佳观察角度,30°、120°、150°和180°为在最佳观察角度的基础上将威利斯环旋转后的角度。
若用户定义了成像数量为n,n为大于0的正整数,则可重建出观察角度最好的n张威利斯环图像,实现了威利斯环的批量处理显示,能为医护人员的疾病诊断提供更多的参考。其中,每张威利斯环图像中威利斯环的角度也即目标观察角度。观察角度最好的n张威利斯环图像中对应的威利斯环的角度可根据经验值确定或通过对历史数据拟合得到。
若用户同时定义了成像数量为10,旋转角度为360°,则可重建出10张威利斯环图像,且相邻两张图像中,威利斯环的旋转角度之差为36°。
本实施例中,能够确定Willis环在包围盒中的准确显示区域,且还能按照用户定义的显示参数对显示区域进行批量处理显示,提供多幅不同旋转角度的Willis环图像,为医疗诊断提供更丰富的参考,便于Willis环状态的判断。
下面对步骤201的具体实现过程作进一步介绍。
图4是本说明书根据一示例性实施例示出的图2中步骤201的流程图,包括以下步骤:
步骤201-1、识别出CTA图像中动脉血管所在的区域信息。
在一个实施例中,由于对受检体注射了血管造影剂,因此CTA图像中的动脉血管会高亮显示,步骤201-1中可采用传统的方式识别出动脉血管所在的区域信息,例如,采用阈值分割方法结合形态学特征对CTA图像中的头骨、动脉血管、其他组织等组织部位进行分割,并从CTA图像中识别出高亮的动脉血管所在的区域信息。
在另一个实施例中,步骤201-1中可基于机器学习方法识别出动脉血管所在的区域信息,具体的:基于组织分割模型对CTA图像中所含的组织部位进行分割,并根据分割结果识别CTA图像中血管所在的区域信息。
为了能使组织分割模型能够对CTA图像中的组织部位进行分割,需采用标注有组织部位信息的CTA图像作为训练样本,对神经网络进行训练,直至训练神经网络的损失函数达到阈值或者迭代次数达到阈值则停止训练,将训练完成的神经网络作为组织分割模型。
由于深度卷积神经网络是目前在分割、分类、定位等图像视觉领域中性能最好、最常用的机器学习方法。深度卷积神经网络通过端到端的训练方式直接从图像中学习到训练数据的特征,这种高度抽象的特征能够在医学图像分割、分类、定位等任务中大幅度提升传统方法的精度。本实施例中,可以但不限于采用深度卷积神经网络作为组织分割模型的网络架构。深度学习是调整深层机器学习网络参数和特征的方法,通常与神经网络相结合。
将待分割的CTA图像输入训练完成的组织分割模型,组织分割模型会预测针对输入的CTA图像中每个像素点为头骨、动脉血管和其它组织的概率(可信度)。对于CTA图像中每个像素,将预测结果中置信度为最大值对应的组织部位确定为像素点的组织部位,或将置信度大于置信度阈值的组织部位确定为像素点对应的组织器官,并对像素点所属于哪个组织部位进行标识,从而实现对CTA图像进行组织部位的分割,确定CTA图像中动脉血管所在的区域。
当然,在将CTA图像输入组织分割模型之前,需对其进行预处理,例如,通过归一化将CTA图像的尺寸大小变换为符合组织分割模型的输入要求,和/或对CTA图像进行灰度变化以使CTA图像中每个像素点的灰度值在预设范围内,满足组织分割模型的输入要求。
步骤201-2、将CTA图像和动脉血管的区域信息输入目标检测模型,以识别出CTA图像中威利斯环的包围盒区域。
其中,目标检测模型用于根据动脉血管的区域信息从CTA图像中识别出威利斯环的包围盒,该包围盒为包含威利斯环的最小区域,排除了CTA图像中颅骨的干扰信息。
为了能使目标检测模型能够准确识别威利斯环的包围盒,需采用标注有威利斯环的包围盒信息的CTA图像作为训练样本,对神经网络进行训练,直至训练神经网络的损失函数达到阈值或者迭代次数达到阈值则停止训练,将训练完成的神经网络作为目标检测模型。
由于深度卷积神经网络是目前在分割、分类、定位等图像视觉领域中性能最好、最常用的机器学习方法。深度卷积神经网络通过端到端的训练方式直接从图像中学习到训练数据的特征,这种高度抽象的特征能够在医学图像分割、分类、定位等任务中大幅度提升传统方法的精度。本实施例中,可以但不限于采用深度卷积神经网络作为目标检测模型的网络架构。深度学习是调整深层机器学习网络参数和特征的方法,通常与神经网络相结合。
从而,基于机器学习能够准确的从CTA图像中采样出包含包围盒的子图像,排除了高密度的颅骨对Willis环显示的干扰,为后续从包围盒中截取精确的Willis环显示区域奠定了基础。
下面对步骤203的具体实现过程作进一步介绍。
图5是本说明书根据一示例性实施例示出的图2中步骤203的流程图,包括以下步骤:
步骤203-1、根据多个关键点位置确定威利斯环的开口朝向及中心位置。
威利斯环因开口朝向问题,使得其在包围盒中具有一个倾斜角,参见图6a,图中威利斯环的开口朝向P与水平面具有一个倾斜角θ,因此从子图像中截取出显示区域之前,需要确定威利斯环的开口朝向。
以下以图3c示出的4个关键点为例,对确定威利斯环的中心位置的具体实现过程说明如下:
假设关键点定位模型输出的4个关键点位置的坐标分别表示为A(a1,a2,a3)、B(b1,b2,b3)、C(c1,c2,c3)和D(d1,d2,d3),
以下还是以图3c示出的4个关键点为例,对确定威利斯环的开口朝向的具体实现过程说明如下:
S1、从4个关键点位置中选择3个第一关键点,确定3个第一关键点所在平面的第一法向量。
参见图6b,以3个第一关键点为前交通动脉上选择的关键点A、左侧大脑中动脉上选择的关键点B、右侧大脑中动脉上选择的关键点C为例,基于点法式方程即可确定A、B、C三点所在平面的法向量,也即第一法向量具体的:
S2、从4个关键点位置中选择3个第二关键点,确定3个第二关键点所在平面的第二法向量。
其中,三个第一关键点与三个第二关键点不完全相同。
参见图6b,以3个第二关键点为左侧大脑中动脉上选择的关键点B、右侧大脑中动脉上选择的关键点C、基底动脉上选择的关键点D为例,同样基于点法式方程即可确定B、C、D三点所在平面的法向量,也即第二法向量具体的:
S3、将第一法向量和第二法向量的和向量的方向确定为威利斯环的开口朝向。
步骤203-2、确定以开口朝向为法向量且经过中心位置的威利斯环的中心平面。
参见图6c、图6d,图中虚线L1表示经过中心位置且以威利斯环的开口朝向为法向量的中心平面所在的位置。
步骤203-3、将子图像中与中心平面平行且距离中心平面为预设距离的两个平面之间的区域确定为显示区域。
参见图6c、图6d,图中虚线L2和虚线L3表示与中心平面为预设距离d的两个平面所在的位置,预设距离根据经验值确定,为2cm左右。沿虚线L2和虚线L3进行平面截取,得到的区域即为显示区域。
从图6c可知,从包围盒中截取的Willis环的显示区域存在一个倾斜角度,以该角度显示的Willis环不利于对Willis环的观察,因此步骤204中在输出Willis环的显示区域之前,可以依据Willis环的开口朝向对显示区域进行旋转,将其调整至目标观察角度后输出,其中,参见上文所述,目标观察角度可以是最佳观察角度,也可以是用户自行定义的角度。
与前述威利斯环的图像重建方法的实施例相对应,本说明书还提供了威利斯环的图像重建装置的实施例。
图7是本说明书根据一示例性实施例示出的一种威利斯环的图像重建装置的模块示意图,该图像重建装置包括:获取模块71、采样模块72、输入模块73、截取模块74和重建模块75。
获取模块71,用于获得受检体的头颈部的CTA图像;
采样模块72用于识别CTA图像中威利斯环的包围盒,并从所述CTA图像中采样出包含所述包围盒的子图像;
输入模块73用于将所述子图像输入关键点定位模型,其中,所述关键点定位模型采用CTA图像样本对神经网络训练得到,所述CTA图像样本中标注有位于威利斯环上的关键点位置信息;
截取模块74用于根据所述关键点定位模型输出的位于威利斯环上的多个关键点位置,从所述子图像中截取出威利斯环的显示区域;
重建模块75用于对所述显示区域进行图像重建,并将所述显示区域调整至目标观察角度后输出。
可选地,在识别CTA图像中威利斯环的包围盒时,所述采样模块用于:
识别出CTA图像中动脉血管所在的区域信息;
将所述CTA图像和所述区域信息输入目标检测模型,以识别出所述CTA图像中威利斯环的包围盒区域,其中,所述目标检测模型采用标注有威利斯环的包围盒的CTA图像对神经网络训练得到。
可选地,在识别CTA图像中动脉血管所在的区域信息时,所述采样模块用于:
将所述CTA图像输入组织分割模型,其中,所述组织分割模型采用标注有组织部位信息的CTA图像对神经网络训练得到;
根据所述组织分割模型预测的CTA图像中每个像素点所属的组织部位,对所述CTA图像包含的组织部位进行分割;
根据分割结果识别所述CTA图像中动脉血管所在的区域信息。
可选地,所述截取模块具体用于:
根据所述多个关键点位置确定所述威利斯环的开口朝向及中心位置;
确定以所述开口朝向为法向量且经过所述中心位置的中心平面;
将所述子图像中与所述中心平面平行且距离所述中心平面为预设距离的两个平面之间的区域确定为所述显示区域。
可选地,所述关键点位置的数量为4个;
在根据所述多个关键点位置确定所述威利斯环的开口朝向时,所述截取模块具体用于:
从4个关键点位置中选择3个第一关键点,确定所述3个第一关键点所在平面的第一法向量;
从所述4个关键点位置中选择3个第二关键点,确定所述3个第二关键点所在平面的第二法向量;其中,所述3个第一关键点与所述3个第二关键点不完全相同;
将所述第一法向量和所述第二法向量的和向量的方向确为所述开口朝向。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
图8是本发明一示例实施例示出的一种电子设备的结构示意图,示出了适于用来实现本发明任一实施例的示例性电子设备80的框图。图8显示的电子设备80仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示,电子设备80可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备80的组件可以包括但不限于:上述至少一个处理器81、上述至少一个存储器82、连接不同系统组件(包括存储器82和处理器81)的总线83。
总线83包括数据总线、地址总线和控制总线。
存储器82可以包括易失性存储器,例如随机存取存储器(RAM)821和/或高速缓存存储器822,还可以进一步包括只读存储器(ROM)823。
存储器82还可以包括具有一组(至少一个)程序模块824的程序工具825(或实用工具),这样的程序模块824包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器81通过运行存储在存储器82中的计算机程序,从而执行各种功能应用以及数据处理,例如上述任一实施例所提供的方法。
电子设备80也可以与一个或多个外部设备84(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口85进行。并且,模型生成的电子设备80还可以通过网络适配器86与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器86通过总线83与模型生成的电子设备80的其它模块通信。应当明白,尽管图中未示出,可以结合模型生成的电子设备80使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
本说明书实施例还提供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任一项所述的多模态图像配准方法的步骤。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。
Claims (13)
1.一种威利斯环的图像重建方法,其特征在于,所述图像重建方法包括:
获得受检体的头颈部的CTA图像;
识别所述CTA图像中威利斯环的包围盒,并从所述CTA图像中采样出包含所述包围盒的子图像;
将所述子图像输入关键点定位模型,其中,所述关键点定位模型采用CTA图像样本对神经网络训练得到,所述CTA图像样本中标注有位于威利斯环上的关键点位置信息;
根据所述关键点定位模型输出的位于威利斯环上的多个关键点位置,从所述子图像中截取出威利斯环的显示区域;
对所述显示区域进行图像重建,并将所述显示区域调整至目标观察角度后输出。
2.如权利要求1所述的威利斯环的图像重建方法,其特征在于,识别CTA图像中威利斯环的包围盒,包括:
识别出CTA图像中动脉血管所在的区域信息;
将所述CTA图像和所述区域信息输入目标检测模型,以识别出所述CTA图像中威利斯环的包围盒区域,其中,所述目标检测模型采用标注有威利斯环的包围盒的训练CTA图像对神经网络训练得到。
3.如权利要求2所述的威利斯环的图像重建方法,其特征在于,识别CTA图像中动脉血管所在的区域信息,包括:
将所述CTA图像输入组织分割模型,其中,所述组织分割模型采用标注有组织部位信息的CTA图像对神经网络训练得到;
根据所述组织分割模型预测的CTA图像中每个像素点所属的组织部位,对所述CTA图像包含的组织部位进行分割;
根据分割结果识别所述CTA图像中动脉血管所在的区域信息。
4.如权利要求1所述的威利斯环的图像重建方法,其特征在于,根据所述关键点定位模型输出的多个关键点位置,从所述子图像中截取出显示区域,包括:
根据所述多个关键点位置确定所述威利斯环的开口朝向及中心位置;
确定以所述开口朝向为法向量且经过所述中心位置的中心平面;
将所述子图像中与所述中心平面平行且距离所述中心平面为预设距离的两个平面之间的区域确定为所述显示区域。
5.如权利要求4所述的威利斯环的图像重建方法,其特征在于,所述关键点位置的数量为4个;
根据所述多个关键点位置确定所述威利斯环的开口朝向,包括:
从4个关键点位置中选择3个第一关键点,确定所述3个第一关键点所在平面的第一法向量;
从所述4个关键点位置中选择3个第二关键点,确定所述3个第二关键点所在平面的第二法向量;其中,所述3个第一关键点与所述3个第二关键点不完全相同;
将所述第一法向量和所述第二法向量的和向量的方向确为所述开口朝向。
6.如权利要求1所述的威利斯环的图像重建方法,其特征在于,所述图像重建方法,还包括:
获取显示参数,其中,所述显示参数包含成像数量和/或旋转角度和/或成像模式;
对所述显示区域进行图像重建,包括:
基于所述显示参数对所述显示区域进行图像重建。
7.一种威利斯环的图像重建装置,其特征在于,所述图像重建装置包括:
获取模块,用于获得受检体的头颈部的CTA图像;
采样模块,用于识别所述CTA图像中威利斯环的包围盒,并从所述CTA图像中采样出包含所述包围盒的子图像;
输入模块,用于将所述子图像输入关键点定位模型,其中,所述关键点定位模型采用CTA图像样本对神经网络训练得到,所述CTA图像样本中标注有位于威利斯环上的关键点位置信息;
截取模块,用于根据所述关键点定位模型输出的位于威利斯环上的多个关键点位置,从所述子图像中截取出威利斯环的显示区域;
重建模块,用于对所述显示区域进行图像重建,并将所述显示区域调整至目标观察角度后输出。
8.如权利要求7所述的威利斯环的图像重建装置,其特征在于,在识别CTA图像中威利斯环的包围盒时,所述采样模块用于:
识别出CTA图像中动脉血管所在的区域信息;
将所述CTA图像和所述区域信息输入目标检测模型,以识别出所述CTA图像中威利斯环的包围盒区域,其中,所述目标检测模型采用标注有威利斯环的包围盒的训练CTA图像对神经网络训练得到。
9.如权利要求8所述的威利斯环的图像重建装置,其特征在于,在识别CTA图像中动脉血管所在的区域信息时,所述采样模块用于:
将所述CTA图像输入组织分割模型,其中,所述组织分割模型采用标注有组织部位信息的CTA图像对神经网络训练得到;
根据所述组织分割模型预测的CTA图像中每个像素点所属的组织部位,对所述CTA图像包含的组织部位进行分割;
根据分割结果识别所述CTA图像中动脉血管所在的区域信息。
10.如权利要求7所述的威利斯环的图像重建装置,其特征在于,所述截取模块具体用于:
根据所述多个关键点位置确定所述威利斯环的开口朝向及中心位置;
确定以所述开口朝向为法向量且经过所述中心位置的中心平面;
将所述子图像中与所述中心平面平行且距离所述中心平面为预设距离的两个平面之间的区域确定为所述显示区域。
11.如权利要求10所述的威利斯环的图像重建装置,其特征在于,所述关键点位置的数量为4个;
在根据所述多个关键点位置确定所述威利斯环的开口朝向时,所述截取模块具体用于:
从4个关键点位置中选择3个第一关键点,确定所述3个第一关键点所在平面的第一法向量;
从所述4个关键点位置中选择3个第二关键点,确定所述3个第二关键点所在平面的第二法向量;其中,所述3个第一关键点与所述3个第二关键点不完全相同;
将所述第一法向量和所述第二法向量的和向量的方向确为所述开口朝向。
12.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的威利斯环的图像重建方法。
13.一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6中任一项所述的威利斯环的图像重建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010251323.3A CN111445575B (zh) | 2020-04-01 | 2020-04-01 | 威利斯环的图像重建方法、装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010251323.3A CN111445575B (zh) | 2020-04-01 | 2020-04-01 | 威利斯环的图像重建方法、装置、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111445575A true CN111445575A (zh) | 2020-07-24 |
CN111445575B CN111445575B (zh) | 2023-09-29 |
Family
ID=71649444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010251323.3A Active CN111445575B (zh) | 2020-04-01 | 2020-04-01 | 威利斯环的图像重建方法、装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445575B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967284A (zh) * | 2021-04-30 | 2021-06-15 | 平安科技(深圳)有限公司 | 血管图像分段分析方法、装置、设备及存储介质 |
CN114881948A (zh) * | 2022-04-26 | 2022-08-09 | 青岛埃米博创医疗科技有限公司 | 一种基于蒙特卡洛算法的探索盒子自动生成血管教具方法 |
CN117291281A (zh) * | 2023-08-29 | 2023-12-26 | 强联智创(北京)科技有限公司 | 评估脑部侧支循环的评估模型进行训练的方法及相关产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011024620A (ja) * | 2009-07-21 | 2011-02-10 | Toshiba Corp | 医用画像表示装置、診断支援画像生成プログラム及び医用画像表示方法 |
CN104217432A (zh) * | 2014-08-29 | 2014-12-17 | 沈阳东软医疗系统有限公司 | 一种颅内血管包围盒自动规划方法和装置 |
US20150043774A1 (en) * | 2013-08-09 | 2015-02-12 | Siemens Aktiengesellschaft | Automatic Planning For Medical Imaging |
CN109166133A (zh) * | 2018-07-14 | 2019-01-08 | 西北大学 | 基于关键点检测和深度学习的软组织器官图像分割方法 |
-
2020
- 2020-04-01 CN CN202010251323.3A patent/CN111445575B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011024620A (ja) * | 2009-07-21 | 2011-02-10 | Toshiba Corp | 医用画像表示装置、診断支援画像生成プログラム及び医用画像表示方法 |
US20150043774A1 (en) * | 2013-08-09 | 2015-02-12 | Siemens Aktiengesellschaft | Automatic Planning For Medical Imaging |
CN104217432A (zh) * | 2014-08-29 | 2014-12-17 | 沈阳东软医疗系统有限公司 | 一种颅内血管包围盒自动规划方法和装置 |
CN109166133A (zh) * | 2018-07-14 | 2019-01-08 | 西北大学 | 基于关键点检测和深度学习的软组织器官图像分割方法 |
Non-Patent Citations (1)
Title |
---|
陈海东;毛俊;彭秀斌;杜中立;孙放;何虹;: "多层螺旋CT编辑减影去骨技术在颈部血管成像中的应用", no. 07 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967284A (zh) * | 2021-04-30 | 2021-06-15 | 平安科技(深圳)有限公司 | 血管图像分段分析方法、装置、设备及存储介质 |
CN114881948A (zh) * | 2022-04-26 | 2022-08-09 | 青岛埃米博创医疗科技有限公司 | 一种基于蒙特卡洛算法的探索盒子自动生成血管教具方法 |
CN117291281A (zh) * | 2023-08-29 | 2023-12-26 | 强联智创(北京)科技有限公司 | 评估脑部侧支循环的评估模型进行训练的方法及相关产品 |
Also Published As
Publication number | Publication date |
---|---|
CN111445575B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113506334B (zh) | 基于深度学习的多模态医学图像融合方法及系统 | |
NL1027673C2 (nl) | Werkwijze voor genereren van resultaatbeelden van een onderzoeksobject. | |
EP3660785A1 (en) | Method and system for providing an at least 3-dimensional medical image segmentation of a structure of an internal organ | |
EP3355273B1 (en) | Coarse orientation detection in image data | |
CN104346821B (zh) | 用于医学成像的自动规划 | |
US10635924B2 (en) | System and method for surgical guidance and intra-operative pathology through endo-microscopic tissue differentiation | |
CN112509119B (zh) | 针对颞骨的空间数据处理及定位方法、装置及电子设备 | |
US7496217B2 (en) | Method and image processing system for segmentation of section image data | |
CN111445575A (zh) | 威利斯环的图像重建方法、装置、电子设备、存储介质 | |
JP2003265408A (ja) | 内視鏡誘導装置および方法 | |
CN102982227B (zh) | 用于血管血流模式分析的方法 | |
CN108618749B (zh) | 基于便携式数字化眼底照相机的视网膜血管三维重建方法 | |
Groves et al. | Automatic segmentation of the carotid artery and internal jugular vein from 2D ultrasound images for 3D vascular reconstruction | |
WO2017148502A1 (en) | Automatic detection of an artifact in patient image data | |
CN112001889A (zh) | 医学影像处理方法、装置及医学影像显示方法 | |
Patias | Medical imaging challenges photogrammetry | |
Halabi et al. | Virtual and augmented reality in surgery | |
CN116797612B (zh) | 基于弱监督深度活动轮廓模型的超声图像分割方法及装置 | |
US20210133356A1 (en) | Anonymization of Medical Image Data | |
CN113361689A (zh) | 超分辨率重建网络模型的训练方法和扫描图像处理方法 | |
Reddy et al. | Anatomical Landmark Detection using Deep Appearance-Context Network | |
JP2019126654A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
Kuhn | Aim project a2003: Computer vision in radiology (covira) | |
ES2769962A1 (es) | Procedimiento de identificacion de imagenes oseas | |
Gómez et al. | Evaluating artificial intelligence for comparative radiography |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240204 Address after: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Patentee after: Shenyang Neusoft Medical Systems Co.,Ltd. Country or region after: China Address before: Room 336, 177-1, Chuangxin Road, Hunnan New District, Shenyang City, Liaoning Province Patentee before: Shenyang advanced medical equipment Technology Incubation Center Co.,Ltd. Country or region before: China |