CN111462047B - 血管参数测量方法、装置、计算机设备和存储介质 - Google Patents

血管参数测量方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111462047B
CN111462047B CN202010153299.XA CN202010153299A CN111462047B CN 111462047 B CN111462047 B CN 111462047B CN 202010153299 A CN202010153299 A CN 202010153299A CN 111462047 B CN111462047 B CN 111462047B
Authority
CN
China
Prior art keywords
blood vessel
measurement
artery
image
region
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
Application number
CN202010153299.XA
Other languages
English (en)
Other versions
CN111462047A (zh
Inventor
黄星胜
马骏
兰宏志
郑凌霄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Raysight Intelligent Medical Technology Co Ltd
Original Assignee
Shenzhen Raysight Intelligent Medical Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Raysight Intelligent Medical Technology Co Ltd filed Critical Shenzhen Raysight Intelligent Medical Technology Co Ltd
Priority to CN202010153299.XA priority Critical patent/CN111462047B/zh
Publication of CN111462047A publication Critical patent/CN111462047A/zh
Application granted granted Critical
Publication of CN111462047B publication Critical patent/CN111462047B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • 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
    • G06T2207/30204—Marker
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种血管参数测量方法、装置、计算机设备和存储介质。方法包括：获取待测的血管三维影像的整体动脉的分割图像；将血管三维影像输入预先训练的种子点区域分割模型中，输出种子点区域分割图像；对种子点区域取质心，得到种子点，并以种子点为起始点，在分割图像中进行中心线生成处理，生成整体动脉的中心线；展示测量页面；基于测量页面接收血管参数测量指令，根据分割图像和中心线，生成与血管参数测量指令相应的测量结果。采用本方法能够提高血管参数测量的准确性。

Description

血管参数测量方法、装置、计算机设备和存储介质
技术领域
本申请涉及深度学习技术领域和医学影像处理技术领域，特别是涉及一种血管参数测量方法、装置、计算机设备和存储介质。
背景技术
随着医学影像处理技术的发展，出现了根据血管影像进行血管参数测量的技术，该技术能够实现交互式的血管参数测量，对血管中感兴趣的部分进行相关参数的测量，从而便于对血管情况进行分析。
传统技术中，通常是根据二维的血管影像进行血管参数测量，然而，二维血管影像缺少信息量，不能完整地表达出血管的信息，导致血管参数测量不准确，不利于对血管情况进行深入分析。
发明内容
基于此，有必要针对上述技术问题，提供一种能够根据血管三维影像进行血管参数的准确测量的血管参数测量方法、装置、计算机设备和存储介质。
一种血管参数测量方法，所述方法包括：
获取待测的血管三维影像的整体动脉的分割图像；
将所述血管三维影像输入预先训练的种子点区域分割模型中，输出种子点区域分割图像；所述种子点区域分割图像中的种子点区域，是所述整体动脉中用于产生种子点的三维区域；
对所述种子点区域取质心，得到种子点，并以所述种子点为起始点，在所述分割图像中进行中心线生成处理，生成所述整体动脉的中心线；
展示测量页面；所述测量页面中包括所述分割图像和所述分割图像中整体动脉的所述中心线；
基于所述测量页面接收血管参数测量指令，根据所述分割图像和所述中心线，生成与所述血管参数测量指令相应的测量结果。
在其中一个实施例中，所述获取待测的血管三维影像的整体动脉的分割图像包括：
对待测的血管三维影像进行整体动脉分割，得到整体动脉的初始分割图像，并对所述血管三维影像进行小动脉分割，得到小动脉分割图像；
融合所述初始分割图像和所述小动脉分割图像，得到整体动脉最终的分割图像。
在其中一个实施例中，所述对待测的血管三维影像进行整体动脉分割，得到整体动脉的初始分割图像，并对所述血管三维影像进行小动脉分割，得到小动脉分割图像包括：
将所述血管三维影像输入预先训练的整体动脉分割模型，输出整体动脉的初始分割图像；
将所述血管三维影像输入预先训练的小动脉分割模型中，输出小动脉分割图像。
在其中一个实施例中，所述方法还包括：
获取样本血管三维影像；
获取所述样本血管三维影像的整体动脉标注数据，并从所述整体动脉标注数据中，分离出小动脉标注数据；
将所述样本血管三维影像和相应所述整体动脉标注数据作为第一样本集合，迭代进行深度学习训练，得到整体动脉分割模型，并将所述样本血管三维影像和相应所述小动脉标注数据作为第二样本集合，迭代进行深度学习训练，得到小动脉分割模型。
在其中一个实施例中，所述获取样本血管三维影像包括：
对原始样本血管三维影像进行加噪声处理、过欠均衡采样处理、数据白化和插值中的至少一种预处理；
将所述原始样本血管三维影像和通过预处理得到的新增样本血管三维影像，作为最终的样本血管三维影像。
在其中一个实施例中，在所述将所述血管三维影像输入预先训练的种子点区域分割模型中，输出种子点区域分割图像之前，所述方法还包括：
获取第三样本集合；所述第三样本集合包括样本血管三维影像和所述样本血管三维影像的种子点区域标注数据；所述种子点区域标注数据，用于标注出整体动脉中的种子点区域；
根据所述第三样本集合，迭代进行深度学习训练，得到种子点区域分割模型。
在其中一个实施例中，所述以所述种子点为起始点，在所述分割图像中进行中心线生成处理，生成所述整体动脉的中心线包括：
将所述分割图像中的所述整体动脉作为当前的未标记区域，以所述种子点为队列起始点，建立第一中心线队列，并将所述种子点作为所述第一中心线队列的当前点；
基于所述当前点所在的区域，在所述当前的未标记区域中进行区域生长，得到生长区域，并将所述生长区域作为已标记区域；
当所述生长区域未达到所述整体动脉的血管末端、且所述生长区域连通时，则将所述生长区域的质心添加到所述第一中心线队列，并将所述质心作为所述当前点、且将所述整体动脉中除所述已标记区域之外的区域，作为所述当前的未标记区域，返回所述基于所述当前点所在的区域，在所述当前的未标记区域中进行区域生长的步骤以继续执行；
当所述生长区域已达到所述整体动脉的血管末端、且不存在分支区域时，则根据所述第一中心线队列，生成所述整体动脉的中心线。
在其中一个实施例中，所述方法还包括：
当所述生长区域未达到所述整体动脉的血管末端、且所述生长区域为不连通的多个分支区域时，则对各所述分支区域分别取质心，将其中一个所述质心添加至所述第一中心线队列，并将所述质心作为所述第一中心线队列的当前点；
以剩余的所述质心为队列起始点分别建立相应的第二中心线队列，将剩余的所述质心分别作为相应第二中心线队列的当前点；
将所述整体动脉中除所述已标记区域之外的区域，作为所述当前的未标记区域，执行基于所述当前点所在的区域，在所述当前的未标记区域中进行区域生长，得到生长区域及后续步骤，直至所述生长区域达到所述整体动脉的血管末端；
所述当所述生长区域已达到所述整体动脉的血管末端、且不存在分支区域时，则根据所述第一中心线队列，生成所述整体动脉的中心线包括：
当所述生长区域已达到所述整体动脉的血管末端、且不存在分支区域时，根据所述第二中心线队列和所述第一中心线队列，生成所述整体动脉的中心线。
在其中一个实施例中，所述以剩余的所述质心为队列起始点分别建立相应的第二中心线队列，将剩余的所述质心分别作为相应第二中心线队列的当前点包括：
将剩余的所述质心添加至分支队列；
按序对所述分支队列中的质心进行出队处理，得到当前出队质心；
针对所述当前出队质心建立相应的第二中心线队列，并以所述当前出队质心为相应第二中心线队列的当前点，执行所述基于所述当前点所在的区域，在所述当前的未标记区域中进行区域生长，得到生长区域及后续步骤，直至所述生长区域达到所述整体动脉的血管末端；
从所述分支队列中按序出队下一个质心作为新的当前出队质心，返回所述并以所述当前出队质心为相应第二中心线队列的当前点的步骤及后续步骤。
在其中一个实施例中，所述基于所述测量页面接收血管参数测量指令，根据所述分割图像和所述中心线，生成与所述血管参数测量指令相应的测量结果包括：
基于所述测量页面接收血管参数测量指令；
响应于所述血管参数测量指令，确定所选择的测量类型和在所述中心线上所选取的测量点；
根据所述测量点和所述分割图像，对所述整体动脉进行与所述测量类型对应的测量处理，得到与所述测量类型相应的测量结果。
在其中一个实施例中，所述方法还包括：
根据所述测量结果，生成血管参数报告列表；所述血管参数报告列表包括所述血管参数测量指令所包含的测量点和测量类型、测量区域图像和所述测量结果；
根据所述血管参数报告列表中所述测量结果的顺序，生成血管参数图文报告。
在其中一个实施例中，所述根据所述测量点和所述分割图像，对所述整体动脉进行与所述测量类型对应的测量处理，得到与所述测量类型相应的测量结果包括：
当所述测量类型为长度测量类型时，则确定所选取的所述测量点在所述中心线上的距离；
当所述测量点为三个测量点、且所述测量类型为角度测量类型时，则确定所述三个测量点构成的夹角；
当所述测量类型为横截面测量类型时，则根据所述测量点、所述分割图像和所述中心线，在所述血管三维影像中获取过所述测量点、且垂直于所述中心线的横截面图像；
根据所述横截面图像和所述测量点，得到与所述横截面测量类型相应的横截面最大径、最小经、等效直径和梯度图中的至少一种横截面测量结果。
一种血管参数测量装置，所述装置包括：
整体动脉分割模块，用于获取待测的血管三维影像的整体动脉的分割图像；
种子点区域分割模块，用于将所述血管三维影像输入预先训练的种子点区域分割模型中，输出种子点区域分割图像；所述种子点区域分割图像中的种子点区域，是所述整体动脉中用于产生种子点的三维区域；
中心线生成模块，用于对所述种子点区域取质心，得到种子点，并以所述种子点为起始点，在所述分割图像中进行中心线生成处理，生成所述整体动脉的中心线；
测量页面展示模块，用于展示测量页面；所述测量页面中包括所述分割图像和所述分割图像中整体动脉的所述中心线；
参数测量模块，用于基于所述测量页面接收血管参数测量指令，根据所述分割图像和所述中心线，生成与所述血管参数测量指令相应的测量结果。
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本申请各实施例中所述的血管参数测量方法的步骤。
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本申请各实施例中所述的血管参数测量方法的步骤。
上述血管参数测量方法、装置、计算机设备和存储介质，首先获取待测血管三维影像的整体动脉最终的分割图像，然后在待测血管三维影像中提取种子点，并以种子点为中心线的起始点，生成整体动脉的中心线，接着展示测量页面，根据中心线和分割图像在测量页面中交互测量，生成血管参数的测量结果，以种子点为起始点生成中心线的方法能够提高中心线生成的准确性，从而基于准确的分割图像和中心线所进行的血管参数测量，能够提高测量结果的准确性。
附图说明
图1为一个实施例中血管参数测量方法的流程示意图；
图2为一个实施例中测量页面的界面图；
图3为一个实施例中深度学习训练的方法示意图；
图4为一个实施例中深度学习网络改进的原理示意图；
图5为一个实施例中种子点区域分割模型训练的方法示意图；
图6为一个实施例中中心线生成方法的流程示意图；
图7为一个实施例中中心线生成过程的示意图；
图8为一个实施例中中心线生成方法的流程示意图；
图9为一个实施例中中心线生成方法的流程图；
图10为一个实施例中根据测量指令得到测量结果的流程示意图；
图11为一个实施例中长度测量的界面图；
图12为一个实施例中角度测量的界面图；
图13为一个实施例中横截面测量的界面图；
图14为一个实施例中横截面梯度图展示的界面图；
图15为一个实施例中血管参数测量方法的整体框架图；
图16为一个实施例中血管参数测量装置的结构框图；
图17为一个实施例中血管参数测量装置的结构框图；
图18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，提供了一种血管参数测量方法，本实施例以该方法应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
S102，获取待测的血管三维影像的整体动脉的分割图像。
其中，血管三维影像，是对血管拍摄的三维影像。可以理解，血管三维影像中可以包括动脉血管。待测的血管三维影像，是需要进行血管参数测量的血管三维影像。整体动脉，是包含主动脉(大动脉)和小动脉的整体的动脉。可以理解，主动脉即指大动脉，比小动脉要粗。按位置区分，主动脉包括：升主动脉、主动脉弓和降主动脉(主动脉胸部和主动脉腹部)；即从心脏出来后，主动脉没有分支。在主动脉上所有的分支都被称为小动脉，包括弓上三分支(头臂干、左颈总动脉、左锁骨下动脉)、腹腔脏器动脉和左、右髂动脉(骨盆区)。
在一个实施例中，血管三维影像可以是CT(Computed Tomography，电子计算机断层扫描)影像或MRI(Magnetic Resonance Imaging，磁共振成像)影像。
在一个实施例中，血管三维影像可以是对全身的血管拍摄的影像。在一个实施例中，血管三维影像也可以是对外周血管拍摄的影像。外周血管可以包括胸主动脉、腹主动脉、颈动脉和下肢动脉等中的至少一种。
需要说明的是，步骤S102中的整体动脉的分割图像，可以是通过一个分割模型直接对整体动脉进行分割处理得到，也可以是通过不同分割模型分别对整体动脉和小动脉进行分割处理，并将分割得到的整体动脉和小动脉进行融合得到。在其他实施例中，整体动脉的分割图像，还可以是通过一个多任务分割模型既进行整体动脉分割又进行小动脉分割，然后将分割得到的整体动脉和小动脉进行融合得到。此外，还可以采用基于阈值的分割、基于边缘的分割的方式，从血管三维影像中，分割出整体动脉的分割图像。这里对获取步骤S102中的整体动脉的分割图像的具体实现方式不做限定。
S104，将血管三维影像输入预先训练的种子点区域分割模型中，输出种子点区域分割图像；种子点区域分割图像中的种子点区域，是整体动脉中用于产生种子点的三维区域。
其中，种子点，是作为生成整体动脉的中心线的起始点。种子点区域分割，是从血管三维影像中分割出种子点区域的处理。种子点区域分割模型，是用于进行种子点区域分割的机器学习模型。种子点区域分割图像，是对血管三维影像进行种子点区域分割所得到的、且包含种子点区域分割结果的图像。即，种子点区域分割图像中包括种子点区域。可以理解，在种子点区域分割图像中，种子点区域属于前景图像，与其余的背景图像进行了区分显示。
具体地，服务器将待测的血管三维影像输入种子点区域分割模型，可以得到种子点区域概率图，对种子点区域概率图进行预设阈值的二值化处理，可以得到种子点区域分割图像。
在一个实施例中，种子点区域可以是在升主动脉开始处、且半径为3厘米的球。可以理解，根据主动脉走行部位和形态，将其中一部分名为升主动脉。升主动脉发自左心室，位于肺动脉干与上腔静脉之间，向右前上方至右侧第2胸肋关节后方移行为主动脉弓，升主动脉根部发出左、右冠状动脉。
S106，对种子点区域取质心，得到种子点，并以种子点为起始点，在分割图像中进行中心线生成处理，生成整体动脉的中心线。
其中，中心线生成处理，是生成整体动脉的中心线的处理。
具体地，服务器可以以种子点所在的区域为初始区域，通过区域生长的方法，迭代地对生长区域取质心，得到用于组成中心线的点，最后根据这些点生成整体动脉的中心线。
S108，展示测量页面；测量页面中包括分割图像和分割图像中整体动脉的中心线。
其中，测量页面，是用于对待测的血管三维影像的血管参数进行交互式测量的可视化页面。
具体地，服务器可以将待测的血管三维影像的整体动脉最终的分割图像和分割图像中整体动脉的中心线反馈至终端。终端可以将整体动脉最终的分割图像和整体动脉的中心线，以可视化的形式展示在测量页面中。
在一个实施例中，测量页面可以是Web(World Wide Web，万维网)页面。
在一个实施例中，测量页面还可以包括整体动脉附近的骨性标志。
如图2所示，是在一个实施例中测量页面的界面图。可以看出，如图2所示的测量页面的界面图中，包含待测的血管三维影像的整体动脉最终的分割图像(202即为分割得到的整体动脉)、分割图像中整体动脉的中心线(204)和整体动脉附近的骨性标志(bonylandmarks)。可以理解，测量页面中展示骨性标志能够起到定位参考作用，能够帮助医生更加准确地发现病变位置。
S110，基于测量页面接收血管参数测量指令，根据分割图像和中心线，生成与血管参数测量指令相应的测量结果。
其中，血管参数测量指令，是测量血管参数的指令。测量结果，是测量血管参数所得到的测量结果。
具体地，用户可以在测量页面上进行血管参数测量操作(比如，选取测量类型和选取测量点等操作)，以输入血管参数测量指令。终端可以根据血管参数测量指令，确定血管参数测量指令所包含的测量类型和测量点等测量信息，然后根据测量页面上的分割图像和中心线，生成相应的测量结果。
在一个实施例中，血管参数测量指令中可以包含血管参数的测量类型和在中心线上所选取的测量点等测量信息。在一个实施例中，测量类型可以是长度测量、角度测量和横截面测量等至少一种类型。
上述血管参数测量方法，首先获取待测血管三维影像的整体动脉最终的分割图像，然后在待测血管三维影像中提取种子点，并以种子点为中心线的起始点，生成整体动脉的中心线，接着展示测量页面，根据中心线和分割图像在测量页面中交互测量，生成血管参数的测量结果，以种子点为起始点生成中心线的方法能够提高中心线生成的准确性，从而基于准确的分割图像和中心线所进行的血管参数测量，能够提高测量结果的准确性。
在一个实施例中，步骤S102包括：对待测的血管三维影像进行整体动脉分割，得到整体动脉的初始分割图像，并对血管三维影像进行小动脉分割，得到小动脉分割图像；融合初始分割图像和小动脉分割图像，得到整体动脉最终的分割图像。
其中，整体动脉分割，是从血管三维影像中分割出整体动脉的处理。整体动脉的初始分割图像，是对血管三维影像进行整体动脉分割处理所得到的、且包含整体动脉分割结果的初步的图像。可以理解，整体动脉的初始分割图像是初步分割出来的整体动脉分割图像，并不是整体动脉的最终分割图像。
小动脉分割，是从血管三维影像中分割出小动脉的处理。小动脉分割图像，是对血管三维影像进行小动脉分割处理所得到的、且仅包含小动脉分割结果的图像。可以理解，整体动脉分割图像与小动脉分割图像的区别在于，整体动脉分割图像中既包括主动脉(即大动脉)的分割结果又包括小动脉的分割结果，而小动脉分割图像中仅包括小动脉的分割结果，而不包括主动脉的分割结果。
融合，是将两幅图像中的信息结合起来。整体动脉的最终分割图像，是从待测的血管三维影像中分割出的整体动脉的最终分割结果。可以理解，整体动脉的最终分割图像，由于在整体动脉的初始分割图像的基础上，融合了小动脉分割图像这一细节信息，所以比整体动脉的初始分割图像更加准确。
具体地，服务器对待测的血管三维影像进行整体动脉分割，得到整体动脉的初始分割图像。整体动脉分割处理可以采用深度学习方法、阈值分割方法或基于边缘分割等方法。
服务器对待测的血管三维影像进行小动脉分割，得到小动脉分割图像。小动脉分割处理可以采用深度学习方法、阈值分割方法或基于边缘分割等方法。
服务器可以将整体动脉的初始分割图像和小动脉分割图像直接进行融合，也可以在融合后再进行去除错误分割的处理，得到整体动脉的最终分割图像。
本实施例中，分别对待测的血管三维影像进行整体动脉分割处理和小动脉分割处理，然后将分别分割出的整体动脉分割图像和小动脉分割图像进行融合，从而将血管三维影像中的整体信息和细节信息相结合，能够提高血管三维影像分割的准确性。
在一个实施例中，对待测的血管三维影像进行整体动脉分割，得到整体动脉的初始分割图像，并对血管三维影像进行小动脉分割，得到小动脉分割图像的步骤，具体包括如下步骤：将血管三维影像输入预先训练的整体动脉分割模型，输出整体动脉的初始分割图像；将血管三维影像输入预先训练的小动脉分割模型中，输出小动脉分割图像。
其中，整体动脉分割模型，是用于进行整体动脉分割处理的机器学习模型。小动脉分割模型，是用于进行小动脉分割处理的机器学习模型。
具体地，服务器可以通过深度学习训练，得到预先训练的整体动脉分割模型和小动脉分割模型。整体动脉分割模型和小动脉分割模型可以是独立的两个模型，也可以是一个模型。然后，服务器将待分割的血管三维影像输入预先训练的整体动脉分割模型中，输出整体动脉的初始分割图像，将待分割的血管三维影像输入预先训练的小动脉分割模型中，输出小动脉分割图像。
在一个实施例中，服务器将待分割的血管三维影像输入预先训练的整体动脉分割模型，可以得到整体动脉概率图，对整体动脉概率图进行预设阈值的二值化处理，可以得到整体动脉的初始分割图像。服务器将待分割的血管三维影像输入预先训练的小动脉分割模型，可以得到小动脉概率图，对小动脉概率图进行预设阈值的二值化处理，可以得到小动脉分割图像。
本实施例中，服务器通过将待分割的血管三维影像分别输入预先训练的整体动脉分割模型和小动脉分割模型，分别输出整体动脉的初始分割图像和小动脉分割图像，这样，能够分别得到血管三维影像中的整体信息和细节信息。
在一个实施例中，该方法还包括如下步骤：获取样本血管三维影像；获取样本血管三维影像的整体动脉标注数据，并从整体动脉标注数据中，分离出小动脉标注数据；将样本血管三维影像和相应整体动脉标注数据作为第一样本集合，迭代进行深度学习训练，得到整体动脉分割模型，并将样本血管三维影像和相应小动脉标注数据作为第二样本集合，迭代进行深度学习训练，得到小动脉分割模型。
其中，样本血管三维影像，是在训练整体动脉分割模型和小动脉分割模型的过程中所用到的作为样本数据的血管三维影像。整体动脉标注数据，是在样本血管三维影像中对整体动脉进行统一标注的数据，包括主动脉标注数据和小动脉标注数据。小动脉标注数据，是在样本血管三维影像中标注出小动脉的数据。
在一个实施例中，服务器可以对整体动脉标注数据做形态学中的开运算处理，从整体动脉标注数据中减去开运算处理的结果，得到小动脉标注数据。
在一个实施例中，服务器将第一样本集合输入深度学习网络中，得到整体动脉预测数据，然后将整体动脉预测数据与第一样本集合中的整体动脉标注数据进行差异对比，根据该差异迭代地更新深度学习网络，直到满足迭代终止条件，得到整体动脉分割模型。可以理解，小动脉分割模型也可以按照上述过程进行训练。
如图3所示，是通过深度学习训练，得到分割模型的过程示意图。从图中可知，整体训练过程是这样的：将原始医学影像(即样本血管三维影像)输入到深度神经网络中，得到神经网络预测结果，然后将预测结果(即整体动脉预测数据)和人工标注(即整体动脉标注数据)作对比，并反馈给深度学习网络，以人工标注作为目标，根据反馈的对比信息不断更新深度学习网络，直到预测结果与人工标注接近，即得到本实施例中的整体动脉分割模型。
可以理解，本申请各实施例中的分割模型均可以采用如图3所示的深度学习训练过程来训练。
在一个实施例中，本申请各实施例中的深度学习模型采用的深度学习网络均可以是U-Net(U-Net是比较早的使用全卷积网络进行语义分割的算法之一)网络和LadderNet网络(一种基于U-Net的多路径网络)等。
在一个实施例中，如图4所示，通过在U-Net网络中，分别增加由中层特征提取层和深层特征提取层到浅层特征提取层的通路，使得深度学习过程由细节信息到整体信息，再由整体信息回到细节信息，即，将图像的整体信息和细节信息融合起来。本申请各实施例中采用的深度学习网络，均可以做如图4所示的改进。
在一个实施例中，可以通过多标签(MultiLabel)深度学习网络架构，来训练整体动脉分割模型。则根据第一样本集合，迭代进行深度学习训练，得到整体动脉分割模型的步骤包括：将第一样本集合输入深度学习网络中，输出非血管区域概率图、主动脉概率图和小动脉概率图；对非血管区域概率图、主动脉概率图和小动脉概率图按图取出最大值的索引值(argmax)，即可得到样本血管三维影像的整体动脉预测数据；根据整体动脉预测数据和整体动脉标注数据之间的差异，迭代进行深度学习训练，得到整体动脉分割模型。
本实施例中，通过对样本血管三维影像进行深度学习训练，得到整体动脉分割模型和小动脉分割模型，能将血管三维影像中的整体信息和细节信息相结合，能够提高血管三维影像分割的准确性。
在一个实施例中，获取样本血管三维影像的步骤具体包括如下步骤：对原始样本血管三维影像进行加噪声处理、过欠均衡采样处理、数据白化和插值中的至少一种预处理；将原始样本血管三维影像和通过预处理得到的新增样本血管三维影像，作为最终的样本血管三维影像。
其中，原始样本血管三维影像，是未经过预处理的样本血管三维影像。加噪声处理，是在原始样本血管三维影像中添加噪声的处理。过欠均衡采样处理，是对原始样本血管三维影像进行过采样和欠采样结合的均衡采样处理。数据白化，是通过减少数据之间的相关性，从而降低数据冗余性的处理。插值，是利用图像中已知邻近像素点的灰度值来产生未知像素点的灰度值，从而产生具有更高分辨率的图像的处理。
在一个实施例中，加噪声处理可以是服务器在原始样本血管三维影像中增加服从正态分布的噪声，得到样本血管三维影像。
在一个实施例中，过欠均衡采样处理可以是服务器对原始样本血管三维影像中的血管区域进行过采样处理，对原始样本血管三维影像中的非血管区域进行欠采样处理，即，增加血管区域的采样点数量，减少非血管区域的采样点数量，从而使血管区域和非血管区域的样本比例均衡。
在一个实施例中，原始样本血管三维影像可以是CT影像，数据白化可以是，服务器将原始样本血管三维影像的CT值从-2048HU～3000HU线性映射到[0,1]。
在一个实施例中，插值可以包括，服务器采用B-Spline(B样条)插值算法对原始样本血管三维影像进行插值，从而实现在三个维度各上采样2倍，比如：原始样本血管三维影像的尺寸为512像素*512像素*800像素，经过插值处理后，得到的样本血管三维影像的尺寸为1024像素*1024像素*1600像素。
本实施例中，通过对原始样本血管三维影像进行加噪声处理、过欠均衡采样处理、数据白化和插值中的至少一种预处理，并添加到样本血管三维影像中，能够得到更好的数据量和适应性的样本血管三维影像，为分割模型的训练做铺垫，从而能够提高血管三维影像分割的准确性。
在一个实施例中，在将血管三维影像输入预先训练的种子点区域分割模型中，输出种子点区域分割图像的步骤之前，还包括如下步骤：获取第三样本集合；第三样本集合包括样本血管三维影像和样本血管三维影像的种子点区域标注数据；种子点区域标注数据，用于标注出整体动脉中的种子点区域；根据第三样本集合，迭代进行深度学习训练，得到种子点区域分割模型。
其中，样本血管三维影像，是在训练种子点区域分割模型的过程中所用到的作为样本数据的血管三维影像。可以理解，训练种子点区域分割模型的过程中的样本血管三维影像也可以采用上述实施例中的预处理方法来得到。种子点区域标注数据，是在样本血管三维影像中标注出种子点区域的数据。
具体地，服务器将第三样本集合输入深度学习网络中，得到种子点区域预测数据，然后将种子点区域预测数据与样本集合中的种子点区域标注数据进行差异对比，根据该差异迭代地更新深度学习网络，直到满足迭代终止条件，得到种子点区域分割模型。
如图5所示，是训练种子点区域分割模型的方法示意图。图5中最左边的图像代表种子点区域标注数据，服务器将样本血管三维影像和种子点区域标注数据输入图5中间的深度学习网络，能够输出种子点区域预测数据，即如图6最右边的图像所示。然后可以根据种子点区域预测数据和种子点区域标注数据的差异，迭代更新深度学习网络，得到种子点区域分割模型。
本实施例中，根据样本血管三维影像及其种子点区域标注数据，进行深度学习训练，得到种子点区域分割模型，能够提高种子点区域分割的准确性，为准确提取种子点、进而为准确生成中心线做铺垫。
在一个实施例中，如图6所示，以种子点为起始点，在分割图像中进行中心线生成处理，生成整体动脉的中心线的步骤，具体包括：
S602，将分割图像中的整体动脉作为当前的未标记区域，以种子点为队列起始点，建立第一中心线队列，并将种子点作为第一中心线队列的当前点。
其中，未标记区域，是未被合并到区域生长得到的生长区域中、且未被标记过的区域。第一中心线队列，是以种子点为队列起始点、且用于添加中心线上的点的中心线队列。当前点，是当前要基于其所在的区域进行区域生长的点。
S604，基于当前点所在的区域，在当前的未标记区域中进行区域生长，得到生长区域，并将生长区域作为已标记区域。
其中，区域生长，是根据同一物体区域内像素的相似性质来聚集像素点的方法，具体过程是从当前所在的区域开始，将相邻的具有相似性质的像素或区域合并到当前的区域中，直到没有可以合并的像素或区域为止。生长区域，是基于当前点所在的区域进行区域生长所合并进来的区域。已标记区域，是已经被合并到区域生长得到的生长区域中、且已经被标记过的区域。
在一个实施例中，服务器进行区域生长时所度量的相似性质可以包括像素或区域的平均灰度值、纹理和颜色等信息。
S606，当生长区域未达到整体动脉的血管末端、且生长区域连通时，则将生长区域的质心添加到第一中心线队列，并将质心作为当前点、且将整体动脉中除已标记区域之外的区域，作为当前的未标记区域，返回基于当前点所在的区域，在当前的未标记区域中进行区域生长的步骤以继续执行。
其中，生长区域连通，是指生长区域是一个连通区域。当前的未标记区域，是当前要进行区域生长的未标记区域。
在一个实施例中，生长区域未达到整体动脉的血管末端，可以是基于当前点所在的区域进行区域生长时，仍有可以合并的、且与当前点所在的区域具有相似性质的像素或区域。
S608，当生长区域已达到整体动脉的血管末端、且不存在分支区域时，则根据第一中心线队列，生成整体动脉的中心线。
具体地，当生长区域已达到整体动脉的血管末端、且不存在分支区域时，服务器会将第一中心线队列中的所有点连接成线，作为整体动脉的中心线。如图7所示，716和718就属于分支区域。可以理解，如果生长区域已达到整体动脉的血管末端，且不存在分支区域，说明已经生长到了整个整体动脉血管的末端。如果还存在分支区域，说明这个到达的末端，仅是血管的其中一个末端，而非到达血管的全部末端。
在一个实施例中，生长区域已达到整体动脉的血管末端，可以是基于当前点所在的区域进行区域生长时，不再有可以合并的、且与当前点所在的区域具有相似性质的像素或区域。
本实施例中，通过基于种子点所在的区域进行区域生长，并将生长区域的质心添加到中心线队列中，不断迭代地进行区域生长，直到生长区域达到整体动脉的血管末端、且不存在分支区域，则生成整体动脉的中心线，能够更加准确地生成整体动脉的中心线。
在一个实施例中，如图8所示，该方法还包括：
S802，当生长区域未达到整体动脉的血管末端、且生长区域为不连通的多个分支区域时，则对各分支区域分别取质心，将其中一个质心添加至第一中心线队列，并将质心作为第一中心线队列的当前点。
其中，不连通的多个分支区域，是指多个分支区域中，单个分支区域是连通的，而各分支区域之间不连通。
S804，以剩余的质心为队列起始点分别建立相应的第二中心线队列，将剩余的质心分别作为相应第二中心线队列的当前点。
其中，剩余的质心，是在各分支区域的质心中，去掉添加至第一中心线队列的质心后剩余的质心。第二中心线队列，是以剩余的质心为队列起始点、且用于添加中心线上的点的中心线队列。第二中心线队列的当前点，是存在于第二中心线队列中的、且当前要基于其所在的区域进行区域生长的点。
在一个实施例中，剩余的质心的数量可以是一个，也可以是多个。相应地，第二中心线队列的数量可以是一个，也可以是多个。当剩余的质心为多个时，则以每个剩余的质心为新的中心线队列的起始点，执行上述建立中心线队列的步骤。
需要说明的是，可以将剩余的质心加入分支队列，并对分支队列中的质心继续按序出队，针对出队的质心创建第二中心线队列，在对一个第二中心线队列生成完毕后，再将分支队列中的下一个质心出队，再创建相应的第二中心线队列。也可以对所有剩余的质心，异步地执行创建第二中心线队列的处理，即剩余的质心之间互不干扰，相互之间没有先后关系，各自创建相应的第二中心线队列。
S806，将整体动脉中除已标记区域之外的区域，作为当前的未标记区域，执行基于当前点所在的区域，在当前的未标记区域中进行区域生长，得到生长区域及后续步骤，直至生长区域达到整体动脉的血管末端。
具体地，S802得到第一中心线队列的当前点，S804得到第二中心线的当前点，然后服务器执行S806，即，分别基于第一中心线队列的当前点和第二中心线的当前点所在的区域，进行区域生长。
在一个实施例中，生长区域达到整体动脉的血管末端，可以是基于当前点所在的区域进行区域生长时，不再有可以合并的、且与当前点所在的区域具有相似性质的像素或区域。
S808，当生长区域已达到整体动脉的血管末端、且不存在分支区域时，根据第二中心线队列和第一中心线队列，生成整体动脉的中心线。
具体地，当生长区域已达到整体动脉的血管末端、且不存在分支区域时，服务器会将第一中心线队列和第二中心线队列中的所有点连接成线，作为整体动脉的中心线。可以理解，S808是S708的一个实施例。即，步骤S708包括步骤S808的内容。
在一个实施例中，如图7所示，702是整体动脉最终的分割图像，712是进行区域生长的初始区域，即种子点所在的区域，712三维区域的质心即为种子点。将702进行一次区域生长，得到704，将得到的生长区域的质心添加到第一中心线队列中，继续迭代地进行区域生长，得到如706所示的多个质心组成的第一中心线队列(706中的各个点，即为中心线队列中的点)。如708所示，是当区域生长到达血管分叉处时的情况，此时的生长区域714是连通的，其质心仍然添加到第一中心线队列，继续进行区域生长，得到710。如710所示，此时得到的生长区域为716和718两个不连通的分支区域，则将其中一个分支区域(比如716)的质心添加到第一中心线队列，继续进行区域生长。以另一个分支区域(比如718)的质心为起始点建立第二中心线队列，并进行区域生长，直至第一中心线队列和第二中心线队列都生长至血管末端，则中心线生成完毕。
本实施例中，通过将区域生长得到的生长区域为不连通的多个分支区域的质心分别添加到各自的中心线队列中，作为当前点，迭代地进行区域生长，直到生长区域达到整体动脉的血管末端、且不存在分支区域，则生成整体动脉的中心线，能够更加准确地生成整体动脉的中心线。
在一个实施例中，以剩余的质心为队列起始点分别建立相应的第二中心线队列，将剩余的质心分别作为相应第二中心线队列的当前点的步骤，具体包括如下步骤：将剩余的质心添加至分支队列；按序对分支队列中的质心进行出队处理，得到当前出队质心；针对当前出队质心建立相应的第二中心线队列，并以当前出队质心为相应第二中心线队列的当前点，执行基于当前点所在的区域，在当前的未标记区域中进行区域生长，得到生长区域及后续步骤，直至生长区域达到整体动脉的血管末端；从分支队列中按序出队下一个质心作为新的当前出队质心，返回并以当前出队质心为相应第二中心线队列的当前点的步骤及后续步骤。
其中，出队处理，是将分支队列中的质心从分支队列中出队的处理。
具体地，服务器将剩余的质心添加至分支队列，按顺序对分支队列中的质心进行出队处理，得到当前出队质心，针对当前出队质心建立相应的第二中心线队列，即分支队列中的每个质心按顺序分别出队，并分别建立相应的第二中心线队列。然后服务器以当前出队质心为相应第二中心线队列的当前点，执行基于当前点所在的区域，在当前的未标记区域中进行区域生长，得到生长区域及后续步骤，直至生长区域达到整体动脉的血管末端。
本实施例中，将剩余的质心按顺序分别出队，并建立第二中心线队列，分别进行区域生长，能够更加准确地生成整体动脉的中心线。
在一个实施例中，如图9所示，首先以种子点为当前点，并将外周血管的分割结果初始化为未标记区域。然后根据当前点创建中心线队列，在未标记区域中进行区域生长，并标记已生长区域。判断是否生长至血管末端，若未生长至血管末端，则判断生长区域是否连通，若判断结果为连通，则求连通区域的质心，并将质心加入到当前中心线队列，继续迭代地进行区域生长；若判断结果为不连通，则对各区域分别求质心，根据区域大小排序，将对应的质心加入分支队列中，继续迭代的进行区域生长，直到生长到血管末端。若已生长至血管末端，则判断分支队列是否为空，若分支队列不为空，则分支队列继续进行区域生长；若分支队列为空，则中心线生成完毕。可以理解，如图9所示的流程图表示的方法可以对应到如图6和图8所示的流程示意图。可以理解，该方法的核心思想是判断当前得到的生长区域是否连通。若当前得到的生长区域连通，则代表是同一条血管，即可以生成同一条中心线；若当前得到的生长区域为不连通的多个分支区域，则代表不是同一条血管，即可以生成多条中心线。
在一个实施例中，基于测量页面接收血管参数测量指令，根据分割图像和中心线，生成与血管参数测量指令相应的测量结果的步骤，具体包括如下步骤：基于测量页面接收血管参数测量指令；响应于血管参数测量指令，确定所选择的测量类型和在中心线上所选取的测量点；根据测量点和分割图像，对整体动脉进行与测量类型对应的测量处理，得到与测量类型相应的测量结果。
其中，测量类型，是指要测量哪一种类型的血管参数。比如：血管横截面上的等效直径、血管中心线上两点之间的长度距离和血管中心线上三点之间所成的夹角等测量类型。
本实施例中，通过基于测量页面，响应于血管参数指令，根据测量点和分割图像，得到测量类型对应的测量处理，能够提高测量结果的准确性，
在一个实施例中，该方法还包括：根据测量结果，生成血管参数报告列表；血管参数报告列表包括血管参数测量指令所包含的测量点和测量类型、测量区域图像和测量结果；根据血管参数报告列表中测量结果的顺序，生成血管参数图文报告。
其中，血管参数报告列表，是能进行调整、且能生成血管参数图文报告的列表。测量区域图像，是血管参数测量指令所测量的血管区域的图像的截图。血管参数图文报告，是血管参数报告列表中的信息的图文形式的报告。
在一个实施例中，可以根据需要对血管参数报告列表中的内容进行排序或删除。
在一个实施例中，血管参数图文报告，可以包括血管参数报告列表中的内容，还可以包括血管参数所属的病人的基础信息，比如：病人的姓名、性别、年龄和既往病史等信息。在一个实施例中，血管参数图文报告的格式可以是PDF(Portable Document Format，便携式文档格式)。
可以理解，在一个实施例中，在进行血管参数测量时，使用者可以在测量页面上选择测量类型和测量点，添加到血管参数报告列表中，服务器在血管参数报告列表中展示测量点、测量类型、测量区域图像和测量结果等信息，使用者可以对血管参数报告列表中的内容进行排序或删除，服务器根据血管参数报告列表中的内容，以及血管参数所属的病人的病例信息等信息，生成血管参数图文报告。
本实施例中，服务器根据测量结果生成血管参数图文报告，能够便于血管参数测量结果的保存和查看。
在一个实施例中，如图10所示，根据测量点和分割图像，对整体动脉进行与测量类型对应的测量处理，得到与测量类型相应的测量结果的步骤包括：
S1002，当测量类型为长度测量类型时，则确定所选取的测量点在中心线上的距离。
其中，长度测量，是测量测量点在中心线上的距离，用于确定血管长度。
如图11所示，是进行长度测量并得到测量结果的界面图。在图中选取了两个点，长度测量所测量的是这两个点在中心线上的距离。图中两个点之间加粗的中心线部分即为待测量的长度。得到的测量结果显示在图中最下方。
S1004，当测量点为三个测量点、且测量类型为角度测量类型时，则确定三个测量点构成的夹角。
其中，角度测量，是测量三个测量点之间构成的夹角，用于确定血管的弯曲程度。
如图12所示，是进行角度测量并得到测量结果的界面图。在图中选取了三个点，角度测量所测量的是三个点中的其中一点与其余两个点的连线之间的夹角，图中加粗的两个直线间的夹角即为待测量的角度。得到的测量结果显示在图中最下方。
S1006，当测量类型为横截面测量类型时，则根据测量点、分割图像和中心线，在血管三维影像中获取过测量点、且垂直于中心线的横截面图像。
其中，横截面测量，是在血管的横截面图像上进行相关测量。
S1008，根据横截面图像和测量点，得到与横截面测量类型相应的横截面最大径、最小经、等效直径和梯度图中的至少一种横截面测量结果。
其中，最大径，是血管的横截面上过中心线的最大直径。最小径，是血管的横截面上过中心线的最小直径。等效直径，是血管的横截面的周长除以圆周率。梯度图，是图像中每个像素位置上的导数值形成的图像，梯度图可以反映图像中每个像素位置的灰度变化率。在血管横截面的梯度图中，灰度变化率大的像素位置处对应血管的边缘，即，梯度图中像素灰度值较大的位置对应血管的边缘。
如图13所示，是进行横截面上的最大径、最小径和等效直径的测量并得到测量结果的界面图。图中1302为血管横截面，1304为最大径，1306为最小径，最大径、最小径和等效直径的测量结果显示在图中最下方。
如图14所示，是展示横截面的梯度图的界面图。图中比较亮的位置，即为边缘位置。通过梯度图可以直观展示血管的边缘。
本实施例中，根据测量点和分割图像，对整体动脉进行与测量类型对应的测量处理，得到与测量类型相应的测量结果，能够对不同类型的血管参数进行针对性测量，且能够得到准确的测量结果。
图15为一个实施例中血管参数测量方法的整体框架图，现结合图15对以上各实施例中的方法进行说明。如图15所示，首先，服务器将原始医学影像数据(即血管三维影像)作为输入，进行图像处理，图像处理可以包括基于深度学习的外周血管分割(相当于得到整体动脉的初始分割图像、小动脉分割图像以及通过融合得到整体动脉最终的分割图像的处理步骤)、基于深度学习算法提取种子点(即种子点)、以及根据种子点和分割结果(即整体动脉最终的分割图像)生成中心线。需要说明的是，这里仅为了示意可以进行这3部分的图像处理，而并不限定将外周血管分割结果作为提取种子点这一处理的输入数据。实际上，外周血管分割和提取种子点之间的先后顺序并不做限定。然后进行交互测量，即根据分割结果和中心线在Web(网页)上进行交互测量，最后根据测量结果生成测量报告(即血管参数图文报告)。
应该理解的是，虽然各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步骤或者多个阶段，这些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中的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16所示，提供了一种血管参数测量装置1600，包括：整体动脉分割模块1602、种子点区域分割模块1604、中心线生成模块1606、测量页面展示模块1608和参数测量模块1610，其中：
整体动脉分割模块1602，用于获取待测的血管三维影像的整体动脉的分割图像；
种子点区域分割模块1604，用于将血管三维影像输入预先训练的种子点区域分割模型中，输出种子点区域分割图像；种子点区域分割图像中的种子点区域，是整体动脉中用于产生种子点的三维区域；
中心线生成模块1606，用于对种子点区域取质心，得到种子点，并以种子点为起始点，在分割图像中进行中心线生成处理，生成整体动脉的中心线；
测量页面展示模块1608，用于展示测量页面；测量页面中包括分割图像和分割图像中整体动脉的中心线；
参数测量模块1610，用于基于测量页面接收血管参数测量指令，根据分割图像和中心线，生成与血管参数测量指令相应的测量结果。
在一个实施例中，整体动脉分割模块1602还用于对待测的血管三维影像进行整体动脉分割，得到整体动脉的初始分割图像，并对血管三维影像进行小动脉分割，得到小动脉分割图像；融合初始分割图像和小动脉分割图像，得到整体动脉最终的分割图像。
在一个实施例中，整体动脉分割模块1602还用于将血管三维影像输入预先训练的整体动脉分割模型，输出整体动脉的初始分割图像；将血管三维影像输入预先训练的小动脉分割模型中，输出小动脉分割图像。
在一个实施例中，血管参数测量装置1600还包括：
动脉分割模型训练模块1612，用于获取样本血管三维影像；获取样本血管三维影像的整体动脉标注数据，并从整体动脉标注数据中，分离出小动脉标注数据；将样本血管三维影像和相应整体动脉标注数据作为第一样本集合，迭代进行深度学习训练，得到整体动脉分割模型，并将样本血管三维影像和相应小动脉标注数据作为第二样本集合，迭代进行深度学习训练，得到小动脉分割模型。
在一个实施例中，动脉分割模型训练模块1612还用于对原始样本血管三维影像进行加噪声处理、过欠均衡采样处理、数据白化和插值中的至少一种预处理；将原始样本血管三维影像和通过预处理得到的新增样本血管三维影像，作为最终的样本血管三维影像。
在一个实施例中，血管参数测量装置1600还包括：
种子点区域分割模型训练模块1614，用于获取第三样本集合；第三样本集合包括样本血管三维影像和样本血管三维影像的种子点区域标注数据；种子点区域标注数据，用于标注出整体动脉中的种子点区域；根据第三样本集合，迭代进行深度学习训练，得到种子点区域分割模型。
在一个实施例中，中心线生成模块1606还用于将分割图像中的整体动脉作为当前的未标记区域，以种子点为队列起始点，建立第一中心线队列，并将种子点作为第一中心线队列的当前点；基于当前点所在的区域，在当前的未标记区域中进行区域生长，得到生长区域，并将生长区域作为已标记区域；当生长区域未达到整体动脉的血管末端、且生长区域连通时，则将生长区域的质心添加到第一中心线队列，并将质心作为当前点、且将整体动脉中除已标记区域之外的区域，作为当前的未标记区域，返回基于当前点所在的区域，在当前的未标记区域中进行区域生长的步骤以继续执行；当生长区域已达到整体动脉的血管末端、且不存在分支区域时，则根据第一中心线队列，生成整体动脉的中心线。
在一个实施例中，中心线生成模块1606还用于当生长区域未达到整体动脉的血管末端、且生长区域为不连通的多个分支区域时，则对各分支区域分别取质心，将其中一个质心添加至第一中心线队列，并将质心作为第一中心线队列的当前点；以剩余的质心为队列起始点分别建立相应的第二中心线队列，将剩余的质心分别作为相应第二中心线队列的当前点；将整体动脉中除已标记区域之外的区域，作为当前的未标记区域，执行基于当前点所在的区域，在当前的未标记区域中进行区域生长，得到生长区域及后续步骤，直至生长区域达到整体动脉的血管末端；当生长区域已达到整体动脉的血管末端、且不存在分支区域时，则根据第一中心线队列，生成整体动脉的中心线包括：当生长区域已达到整体动脉的血管末端、且不存在分支区域时，根据第二中心线队列和第一中心线队列，生成整体动脉的中心线。
在一个实施例中，中心线生成模块1606还用于将剩余的质心添加至分支队列；按序对分支队列中的质心进行出队处理，得到当前出队质心；针对当前出队质心建立相应的第二中心线队列，并以当前出队质心为相应第二中心线队列的当前点，执行基于当前点所在的区域，在当前的未标记区域中进行区域生长，得到生长区域及后续步骤，直至生长区域达到整体动脉的血管末端；从分支队列中按序出队下一个质心作为新的当前出队质心，返回并以当前出队质心为相应第二中心线队列的当前点的步骤及后续步骤。
在一个实施例中，参数测量模块1610还用于基于测量页面接收血管参数测量指令；响应于血管参数测量指令，确定所选择的测量类型和在中心线上所选取的测量点；根据测量点和分割图像，对整体动脉进行与测量类型对应的测量处理，得到与测量类型相应的测量结果。
在一个实施例中，如图17所示，血管参数测量装置1600还包括：动脉分割模型训练模块1612、种子点区域分割模型训练模块1614和图文报告生成模块1616，其中：
图文报告生成模块1616，用于根据测量结果，生成血管参数报告列表；血管参数报告列表包括血管参数测量指令所包含的测量点和测量类型、测量区域图像和测量结果；根据血管参数报告列表中测量结果的顺序，生成血管参数图文报告。
在一个实施例中，参数测量模块1610还用于当测量类型为长度测量类型时，则确定所选取的测量点在中心线上的距离；当测量点为三个测量点、且测量类型为角度测量类型时，则确定三个测量点构成的夹角；当测量类型为横截面测量类型时，则根据测量点、分割图像和中心线，在血管三维影像中获取过测量点、且垂直于中心线的横截面图像；根据横截面图像和测量点，得到与横截面测量类型相应的横截面最大径、最小经、等效直径和梯度图中的至少一种横截面测量结果。
关于血管参数测量装置的具体限定可以参见上文中对于血管参数测量方法的限定，在此不再赘述。上述血管参数测量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服务器或终端，其内部结构图可以如图18所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种血管参数测量方法。
本领域技术人员可以理解，图18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，还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上述各方法实施例中的步骤。
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，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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，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-OnlyMemory，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 (22)

1.一种血管参数测量方法，其特征在于，所述方法包括：
获取待测的血管三维影像的整体动脉的分割图像；
将所述血管三维影像输入预先训练的种子点区域分割模型中，输出种子点区域分割图像；所述种子点区域分割图像中的种子点区域，是所述整体动脉中用于产生种子点的三维区域；
对所述种子点区域取质心，得到种子点，并以所述种子点为起始点，在所述分割图像中进行中心线生成处理，生成所述整体动脉的中心线；
展示测量页面；所述测量页面中包括所述分割图像和所述分割图像中整体动脉的所述中心线；所述测量页面是用于对待测的所述血管三维影像的血管参数进行交互式测量的可视化页面；
基于所述测量页面接收血管参数测量指令，响应于所述血管参数测量指令，确定所选择的测量类型和在所述中心线上所选取的测量点；
根据所述测量点和所述分割图像，对所述整体动脉进行与所述测量类型对应的测量处理，得到与所述测量类型相应的测量结果，包括：
当所述测量类型为长度测量类型时，则确定所选取的所述测量点在所述中心线上的距离；
当所述测量点为三个测量点、且所述测量类型为角度测量类型时，则确定所述三个测量点构成的夹角；
当所述测量类型为横截面测量类型时，则根据所述测量点、所述分割图像和所述中心线，在所述血管三维影像中获取过所述测量点、且垂直于所述中心线的横截面图像；根据所述横截面图像和所述测量点，得到与所述横截面测量类型相应的横截面最大径、最小径、等效直径和梯度图中的至少一种横截面测量结果。
2.根据权利要求1所述的方法，其特征在于，所述获取待测的血管三维影像的整体动脉的分割图像包括：
对待测的血管三维影像进行整体动脉分割，得到整体动脉的初始分割图像，并对所述血管三维影像进行小动脉分割，得到小动脉分割图像；
融合所述初始分割图像和所述小动脉分割图像，得到整体动脉最终的分割图像。
3.根据权利要求2所述的方法，其特征在于，所述对待测的血管三维影像进行整体动脉分割，得到整体动脉的初始分割图像，并对所述血管三维影像进行小动脉分割，得到小动脉分割图像包括：
将所述血管三维影像输入预先训练的整体动脉分割模型，输出整体动脉的初始分割图像；
将所述血管三维影像输入预先训练的小动脉分割模型中，输出小动脉分割图像。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
获取样本血管三维影像；
获取所述样本血管三维影像的整体动脉标注数据，并从所述整体动脉标注数据中，分离出小动脉标注数据；
将所述样本血管三维影像和相应所述整体动脉标注数据作为第一样本集合，迭代进行深度学习训练，得到整体动脉分割模型，并将所述样本血管三维影像和相应所述小动脉标注数据作为第二样本集合，迭代进行深度学习训练，得到小动脉分割模型。
5.根据权利要求4所述的方法，其特征在于，所述获取样本血管三维影像包括：
对原始样本血管三维影像进行加噪声处理、过欠均衡采样处理、数据白化和插值中的至少一种预处理；
将所述原始样本血管三维影像和通过预处理得到的新增样本血管三维影像，作为最终的样本血管三维影像。
6.根据权利要求1所述的方法，其特征在于，在所述将所述血管三维影像输入预先训练的种子点区域分割模型中，输出种子点区域分割图像之前，所述方法还包括：
获取第三样本集合；所述第三样本集合包括样本血管三维影像和所述样本血管三维影像的种子点区域标注数据；所述种子点区域标注数据，用于标注出整体动脉中的种子点区域；
根据所述第三样本集合，迭代进行深度学习训练，得到种子点区域分割模型。
7.根据权利要求1所述的方法，其特征在于，所述以所述种子点为起始点，在所述分割图像中进行中心线生成处理，生成所述整体动脉的中心线包括：
将所述分割图像中的所述整体动脉作为当前的未标记区域，以所述种子点为队列起始点，建立第一中心线队列，并将所述种子点作为所述第一中心线队列的当前点；
基于所述当前点所在的区域，在所述当前的未标记区域中进行区域生长，得到生长区域，并将所述生长区域作为已标记区域；
当所述生长区域未达到所述整体动脉的血管末端、且所述生长区域连通时，则将所述生长区域的质心添加到所述第一中心线队列，并将所述质心作为所述当前点、且将所述整体动脉中除所述已标记区域之外的区域，作为所述当前的未标记区域，返回所述基于所述当前点所在的区域，在所述当前的未标记区域中进行区域生长的步骤以继续执行；
当所述生长区域已达到所述整体动脉的血管末端、且不存在分支区域时，则根据所述第一中心线队列，生成所述整体动脉的中心线。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
当所述生长区域未达到所述整体动脉的血管末端、且所述生长区域为不连通的多个分支区域时，则对各所述分支区域分别取质心，将其中一个所述质心添加至所述第一中心线队列，并将所述质心作为所述第一中心线队列的当前点；
以剩余的所述质心为队列起始点分别建立相应的第二中心线队列，将剩余的所述质心分别作为相应第二中心线队列的当前点；
将所述整体动脉中除所述已标记区域之外的区域，作为所述当前的未标记区域，执行基于所述当前点所在的区域，在所述当前的未标记区域中进行区域生长，得到生长区域及后续步骤，直至所述生长区域达到所述整体动脉的血管末端；
所述当所述生长区域已达到所述整体动脉的血管末端、且不存在分支区域时，则根据所述第一中心线队列，生成所述整体动脉的中心线包括：
当所述生长区域已达到所述整体动脉的血管末端、且不存在分支区域时，根据所述第二中心线队列和所述第一中心线队列，生成所述整体动脉的中心线。
9.根据权利要求8所述的方法，其特征在于，所述以剩余的所述质心为队列起始点分别建立相应的第二中心线队列，将剩余的所述质心分别作为相应第二中心线队列的当前点包括：
将剩余的所述质心添加至分支队列；
按序对所述分支队列中的质心进行出队处理，得到当前出队质心；
针对所述当前出队质心建立相应的第二中心线队列，并以所述当前出队质心为相应第二中心线队列的当前点，执行所述基于所述当前点所在的区域，在所述当前的未标记区域中进行区域生长，得到生长区域及后续步骤，直至所述生长区域达到所述整体动脉的血管末端；
从所述分支队列中按序出队下一个质心作为新的当前出队质心，返回所述并以所述当前出队质心为相应第二中心线队列的当前点的步骤及后续步骤。
10.根据权利要求1至9中任一项所述的方法，其特征在于，所述方法还包括：
根据所述测量结果，生成血管参数报告列表；所述血管参数报告列表包括所述血管参数测量指令所包含的测量点和测量类型、测量区域图像和所述测量结果；
根据所述血管参数报告列表中所述测量结果的顺序，生成血管参数图文报告。
11.一种血管参数测量装置，其特征在于，所述装置包括：
整体动脉分割模块，用于获取待测的血管三维影像的整体动脉的分割图像；
种子点区域分割模块，用于将所述血管三维影像输入预先训练的种子点区域分割模型中，输出种子点区域分割图像；所述种子点区域分割图像中的种子点区域，是所述整体动脉中用于产生种子点的三维区域；
中心线生成模块，用于对所述种子点区域取质心，得到种子点，并以所述种子点为起始点，在所述分割图像中进行中心线生成处理，生成所述整体动脉的中心线；
测量页面展示模块，用于展示测量页面；所述测量页面中包括所述分割图像和所述分割图像中整体动脉的所述中心线；所述测量页面是用于对待测的所述血管三维影像的血管参数进行交互式测量的可视化页面；
参数测量模块，用于基于所述测量页面接收血管参数测量指令，响应于所述血管参数测量指令，确定所选择的测量类型和在所述中心线上所选取的测量点；根据所述测量点和所述分割图像，对所述整体动脉进行与所述测量类型对应的测量处理，得到与所述测量类型相应的测量结果，包括：当所述测量类型为长度测量类型时，则确定所选取的所述测量点在所述中心线上的距离；当所述测量点为三个测量点、且所述测量类型为角度测量类型时，则确定所述三个测量点构成的夹角；当所述测量类型为横截面测量类型时，则根据所述测量点、所述分割图像和所述中心线，在所述血管三维影像中获取过所述测量点、且垂直于所述中心线的横截面图像；根据所述横截面图像和所述测量点，得到与所述横截面测量类型相应的横截面最大径、最小径、等效直径和梯度图中的至少一种横截面测量结果。
12.根据权利要求11所述的装置，其特征在于，所述整体动脉分割模块还用于对待测的血管三维影像进行整体动脉分割，得到整体动脉的初始分割图像，并对所述血管三维影像进行小动脉分割，得到小动脉分割图像；融合所述初始分割图像和所述小动脉分割图像，得到整体动脉最终的分割图像。
13.根据权利要求12所述的装置，其特征在于，所述整体动脉分割模块还用于将所述血管三维影像输入预先训练的整体动脉分割模型，输出整体动脉的初始分割图像；将所述血管三维影像输入预先训练的小动脉分割模型中，输出小动脉分割图像。
14.根据权利要求13所述的装置，其特征在于，所述装置还包括：
动脉分割模型训练模块，用于获取样本血管三维影像；获取所述样本血管三维影像的整体动脉标注数据，并从所述整体动脉标注数据中，分离出小动脉标注数据；将所述样本血管三维影像和相应所述整体动脉标注数据作为第一样本集合，迭代进行深度学习训练，得到整体动脉分割模型，并将所述样本血管三维影像和相应所述小动脉标注数据作为第二样本集合，迭代进行深度学习训练，得到小动脉分割模型。
15.根据权利要求14所述的装置，其特征在于，所述动脉分割模型训练模块还用于对原始样本血管三维影像进行加噪声处理、过欠均衡采样处理、数据白化和插值中的至少一种预处理；将所述原始样本血管三维影像和通过预处理得到的新增样本血管三维影像，作为最终的样本血管三维影像。
16.根据权利要求11所述的装置，其特征在于，所述装置还包括：
种子点区域分割模型训练模块，用于获取第三样本集合；所述第三样本集合包括样本血管三维影像和所述样本血管三维影像的种子点区域标注数据；所述种子点区域标注数据，用于标注出整体动脉中的种子点区域；根据所述第三样本集合，迭代进行深度学习训练，得到种子点区域分割模型。
17.根据权利要求11所述的装置，其特征在于，所述中心线生成模块还用于将所述分割图像中的所述整体动脉作为当前的未标记区域，以所述种子点为队列起始点，建立第一中心线队列，并将所述种子点作为所述第一中心线队列的当前点；基于所述当前点所在的区域，在所述当前的未标记区域中进行区域生长，得到生长区域，并将所述生长区域作为已标记区域；当所述生长区域未达到所述整体动脉的血管末端、且所述生长区域连通时，则将所述生长区域的质心添加到所述第一中心线队列，并将所述质心作为所述当前点、且将所述整体动脉中除所述已标记区域之外的区域，作为所述当前的未标记区域，返回所述基于所述当前点所在的区域，在所述当前的未标记区域中进行区域生长的步骤以继续执行；当所述生长区域已达到所述整体动脉的血管末端、且不存在分支区域时，则根据所述第一中心线队列，生成所述整体动脉的中心线。
18.根据权利要求17所述的装置，其特征在于，所述中心线生成模块还用于当所述生长区域未达到所述整体动脉的血管末端、且所述生长区域为不连通的多个分支区域时，则对各所述分支区域分别取质心，将其中一个所述质心添加至所述第一中心线队列，并将所述质心作为所述第一中心线队列的当前点；以剩余的所述质心为队列起始点分别建立相应的第二中心线队列，将剩余的所述质心分别作为相应第二中心线队列的当前点；将所述整体动脉中除所述已标记区域之外的区域，作为所述当前的未标记区域，执行基于所述当前点所在的区域，在所述当前的未标记区域中进行区域生长，得到生长区域及后续步骤，直至所述生长区域达到所述整体动脉的血管末端；所述当所述生长区域已达到所述整体动脉的血管末端、且不存在分支区域时，则根据所述第一中心线队列，生成所述整体动脉的中心线包括：当所述生长区域已达到所述整体动脉的血管末端、且不存在分支区域时，根据所述第二中心线队列和所述第一中心线队列，生成所述整体动脉的中心线。
19.根据权利要求18所述的装置，其特征在于，所述中心线生成模块还用于将剩余的所述质心添加至分支队列；按序对所述分支队列中的质心进行出队处理，得到当前出队质心；针对所述当前出队质心建立相应的第二中心线队列，并以所述当前出队质心为相应第二中心线队列的当前点，执行所述基于所述当前点所在的区域，在所述当前的未标记区域中进行区域生长，得到生长区域及后续步骤，直至所述生长区域达到所述整体动脉的血管末端；从所述分支队列中按序出队下一个质心作为新的当前出队质心，返回所述并以所述当前出队质心为相应第二中心线队列的当前点的步骤及后续步骤。
20.根据权利要求11至19中任一项所述的装置，其特征在于，所述装置还包括：
图文报告生成模块，用于根据所述测量结果，生成血管参数报告列表；所述血管参数报告列表包括所述血管参数测量指令所包含的测量点和测量类型、测量区域图像和所述测量结果；根据所述血管参数报告列表中所述测量结果的顺序，生成血管参数图文报告。
21.一种计算机设备，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10中任一项所述方法的步骤。
22.一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10中任一项所述的方法的步骤。
CN202010153299.XA 2020-03-06 2020-03-06 血管参数测量方法、装置、计算机设备和存储介质 Active CN111462047B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010153299.XA CN111462047B (zh) 2020-03-06 2020-03-06 血管参数测量方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010153299.XA CN111462047B (zh) 2020-03-06 2020-03-06 血管参数测量方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111462047A CN111462047A (zh) 2020-07-28
CN111462047B true CN111462047B (zh) 2024-03-12

Family

ID=71680035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010153299.XA Active CN111462047B (zh) 2020-03-06 2020-03-06 血管参数测量方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111462047B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907577A (zh) * 2021-03-25 2021-06-04 上海志御软件信息有限公司 肝脏静脉血管三维结构特征定量分析方法、装置、计算机设备和存储介质
CN113205488B (zh) * 2021-04-19 2023-12-29 深圳睿心智能医疗科技有限公司 血流特性预测方法、装置、电子设备及存储介质
CN113256564B (zh) * 2021-04-28 2024-03-01 深圳睿心智能医疗科技有限公司 医学影像中的导管参数提取方法及装置
CN113361584B (zh) * 2021-06-01 2022-05-27 推想医疗科技股份有限公司 模型训练的方法及装置、肺动脉高压的测量方法及装置
CN113450325B (zh) * 2021-06-28 2022-09-09 什维新智医疗科技(上海)有限公司 一种甲状腺结节良恶性识别装置
CN113628346B (zh) * 2021-06-30 2023-08-08 上海市胸科医院 一种自由浏览vb的方法以及进行标记的方法和系统
CN113838007A (zh) * 2021-09-07 2021-12-24 深圳睿心智能医疗科技有限公司 生理参数获取方法、装置、电子设备及存储介质
CN113888690B (zh) * 2021-10-19 2022-08-12 柏意慧心(杭州)网络科技有限公司 用于确定血管中的目标区段的方法、设备和介质
CN114565592A (zh) * 2021-12-08 2022-05-31 深圳科亚医疗科技有限公司 一种对医学图像进行血管分割的方法、装置及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108765363A (zh) * 2018-03-24 2018-11-06 语坤（北京）网络科技有限公司 一种基于人工智能的冠脉cta自动后处理系统
CN109222980A (zh) * 2018-06-19 2019-01-18 北京红云智胜科技有限公司 基于深度学习的测量冠状动脉造影图像血管直径的方法
CN109345585A (zh) * 2018-10-26 2019-02-15 强联智创（北京）科技有限公司 一种颅内动脉瘤图像的形态学参数的测量方法及系统
CN109461138A (zh) * 2018-09-29 2019-03-12 深圳睿心智能医疗科技有限公司 参数计算方法、系统、可读存储介质及计算机设备
CN109671076A (zh) * 2018-12-20 2019-04-23 上海联影智能医疗科技有限公司 血管分割方法、装置、电子设备及存储介质
CN109907732A (zh) * 2019-04-09 2019-06-21 广州新脉科技有限公司 一种颅内动脉瘤破裂风险的评估方法及系统
CN110796670A (zh) * 2019-10-30 2020-02-14 北京理工大学 一种夹层动脉分割方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108765363A (zh) * 2018-03-24 2018-11-06 语坤（北京）网络科技有限公司 一种基于人工智能的冠脉cta自动后处理系统
CN109222980A (zh) * 2018-06-19 2019-01-18 北京红云智胜科技有限公司 基于深度学习的测量冠状动脉造影图像血管直径的方法
CN109461138A (zh) * 2018-09-29 2019-03-12 深圳睿心智能医疗科技有限公司 参数计算方法、系统、可读存储介质及计算机设备
CN109345585A (zh) * 2018-10-26 2019-02-15 强联智创（北京）科技有限公司 一种颅内动脉瘤图像的形态学参数的测量方法及系统
CN109671076A (zh) * 2018-12-20 2019-04-23 上海联影智能医疗科技有限公司 血管分割方法、装置、电子设备及存储介质
CN109907732A (zh) * 2019-04-09 2019-06-21 广州新脉科技有限公司 一种颅内动脉瘤破裂风险的评估方法及系统
CN110796670A (zh) * 2019-10-30 2020-02-14 北京理工大学 一种夹层动脉分割方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘超.基于CT图像的计算机辅助肝移植术前计划系统的研究.《中国优秀硕士学位论文全文数据库医药卫生科技辑》.2010,(第undefined期),第4、10-12、29-42页. *

Also Published As

Publication number Publication date
CN111462047A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN111462047B (zh) 血管参数测量方法、装置、计算机设备和存储介质
EP3879485B1 (en) Tissue nodule detection and model training method and apparatus thereof, device and system
US9968257B1 (en) Volumetric quantification of cardiovascular structures from medical imaging
CN108830155B (zh) 一种基于深度学习的心脏冠状动脉分割及识别的方法
CN111161275B (zh) 医学图像中目标对象的分割方法、装置和电子设备
US20230104173A1 (en) Method and system for determining blood vessel information in an image
US10206646B2 (en) Method and system for extracting centerline representation of vascular structures in medical images via optimal paths in computational flow fields
CN109146872B (zh) 基于深度学习和光流法的心脏冠状动脉影像分割识别方法
CN111292314B (zh) 冠脉分段方法、装置、图像处理系统和存储介质
CN111640120B (zh) 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法
CN110458830B (zh) 图像处理方法、装置、服务器及存储介质
CN111242959B (zh) 基于卷积神经网络的多模态医学图像的目标区域提取方法
US20070109299A1 (en) Surface-based characteristic path generation
CN107784647A (zh) 基于多任务深度卷积网络的肝脏及其肿瘤分割方法及系统
US9367924B2 (en) Method and system for segmentation of the liver in magnetic resonance images using multi-channel features
EP3975117A1 (en) Image segmentation method and apparatus, and training method and apparatus for image segmentation model
CN110378913B (zh) 图像分割方法、装置、设备及存储介质
CN112308846B (zh) 血管分割方法、装置及电子设备
US10878564B2 (en) Systems and methods for processing 3D anatomical volumes based on localization of 2D slices thereof
CN110796670A (zh) 一种夹层动脉分割方法及装置
CN113947681A (zh) 用于分割医学影像的方法、设备和介质
CN111583385B (zh) 一种可变形数字人解剖学模型的个性化变形方法及系统
CN116758087B (zh) 一种腰椎ct骨窗侧隐窝间隙检测方法及装置
CN114155193B (zh) 一种基于特征强化的血管分割方法及装置
CN110599444A (zh) 预测血管树的血流储备分数的设备、系统以及非暂时性可读存储介质

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