CN111612860A - 基于VRDS 4D医学影像的栓塞的Ai识别方法及产品 - Google Patents

基于VRDS 4D医学影像的栓塞的Ai识别方法及产品 Download PDF

Info

Publication number
CN111612860A
CN111612860A CN201910132114.4A CN201910132114A CN111612860A CN 111612860 A CN111612860 A CN 111612860A CN 201910132114 A CN201910132114 A CN 201910132114A CN 111612860 A CN111612860 A CN 111612860A
Authority
CN
China
Prior art keywords
embolism
target
blood vessel
data
determining
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
Application number
CN201910132114.4A
Other languages
English (en)
Other versions
CN111612860B (zh
Inventor
戴维伟李
斯图尔特平李
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.)
Cao Sheng
Original Assignee
Weiai Medical Technology Shenzhen 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 Weiai Medical Technology Shenzhen Co ltd filed Critical Weiai Medical Technology Shenzhen Co ltd
Priority to CN201910132114.4A priority Critical patent/CN111612860B/zh
Priority to PCT/CN2019/101159 priority patent/WO2020168697A1/zh
Priority to AU2019429940A priority patent/AU2019429940B2/en
Priority to US17/432,487 priority patent/US20220148163A1/en
Priority to EP19915706.6A priority patent/EP3928706A4/en
Publication of CN111612860A publication Critical patent/CN111612860A/zh
Application granted granted Critical
Publication of CN111612860B publication Critical patent/CN111612860B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/504—Clinical applications involving diagnosis of blood vessels, e.g. by angiography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration by the use of histogram techniques
    • G06T5/70—
    • G06T5/90—
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/037—Emission tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/507—Clinical applications involving determination of haemodynamic parameters, e.g. perfusion CT
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/56—Details of data transmission or power supply, e.g. use of slip rings
    • A61B6/566—Details of data transmission or power supply, e.g. use of slip rings involving communication between diagnostic systems
    • 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
    • G06T2207/10076—4D tomography; Time-sequential 3D tomography
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G06T2207/10092—Diffusion tensor magnetic resonance imaging [DTI]
    • 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
    • G06T2207/20—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Vascular Medicine (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physiology (AREA)
  • Optics & Photonics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例公开了一种基于VRDS 4D医学影像的栓塞的Ai识别方法及产品，应用于医学成像装置；方法包括：根据目标用户的目标部位的多张扫描图像确定位图BMP数据源，所述目标部位包括形成于目标血管的管壁的栓塞；根据所述BMP数据源生成目标医学影像数据；根据所述目标医学影像数据进行4D医学成像，并根据成像结果确定所述栓塞的特征属性所述特征属性包括以下至少一种：密度、爬行方向、与癌灶部位对应性、边缘特性；根据所述特征确定所述栓塞的类型，并输出所述类型。本申请实施例有利于提高医学成像装置识别栓塞的准确度。

Description

基于VRDS 4D医学影像的栓塞的Ai识别方法及产品
技术领域
本申请涉及医学成像装置技术领域，具体涉及一种基于VRDS 4D医学影像的栓塞的Ai识别方法及产品。
背景技术
目前，医生通过电子计算机断层扫描(Computed Tomography，CT)、磁共振成像(Magnetic Resonance Imaging，MRI)、弥散张量成像(Diffusion Tensor Imaging，DTI)、正电子发射型计算机断层显像(Positron Emission Computed Tomography，PET)等技术获取栓塞组织的形态、位置、拓扑结构等信息，但这些二维切片数据所形成的栓塞影像无法清晰呈现栓塞的空间结构和边缘特性，医生也仅能凭借经验识别栓塞类型，随着医学成像技术的飞速发展，人们对栓塞的识别提出了新的需求。
发明内容
本申请实施例提供了一种基于VRDS 4D医学影像的栓塞的Ai识别方法及产品，以期提高医学成像装置进行栓塞识别的准确度和效率。
第一方面，本申请实施例提供一种基于VRDS 4D医学影像的栓塞的Ai识别方法，应用于医学成像装置；所述方法包括：
根据目标用户的目标部位的多张扫描图像确定位图BMP数据源，所述目标部位包括形成于目标血管的管壁的栓塞；
根据所述BMP数据源生成目标医学影像数据，所述目标医学影像数据包括所述目标血管的数据集合和所述栓塞的数据集合，所述目标血管的数据集合中的第一数据和所述栓塞的数据集合中的第二数据相互独立，所述目标血管的数据集合为所述目标血管表面和所述目标血管内部的组织结构的立方体空间的传递函数结果；
根据所述目标医学影像数据进行4D医学成像，并根据成像结果确定所述栓塞的特征属性，所述特征属性包括以下至少一种：密度、爬行方向、与癌灶部位对应性、边缘特性；
根据所述特征确定所述栓塞的类型，并输出所述类型。
第二方面，本申请实施例提供一种基于VRDS Ai 4D医学影像的栓塞的Ai识别装置，应用于医学成像装置；所述基于VRDS Ai 4D医学影像的栓塞的Ai识别装置包括处理单元和通信单元，其中，
所述处理单元，用于根据目标用户的目标部位的多张扫描图像确定位图BMP数据源，所述目标部位包括形成于目标血管的管壁的栓塞；以及用于根据所述BMP数据源生成目标医学影像数据，所述目标医学影像数据包括所述目标血管的数据集合和所述栓塞的数据集合，所述目标血管的数据集合中的第一数据和所述栓塞的数据集合中的第二数据相互独立，所述目标血管的数据集合为所述目标血管表面和所述目标血管内部的组织结构的立方体空间的传递函数结果；以及用于根据所述目标医学影像数据进行4D医学成像，并根据成像结果确定所述栓塞的特征属性，所述特征属性包括以下至少一种：密度、爬行方向、与癌灶部位对应性、边缘特性；以及用于根据所述特征确定所述栓塞的类型，并通过所述通信单元输出所述类型。
第三方面，本申请实施例提供一种医学成像装置，包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行本申请实施例第一方面任一方法中的步骤的指令。
第四方面，本申请实施例提供了一种计算机可读存储介质，其中，上述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本申请实施例第一方面任一方法中所描述的部分或全部步骤。
第五方面，本申请实施例提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面任一方法中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
可以看出，本申请实施例中，医学成像装置首选根据目标用户的目标部位的多张扫描图像确定位图BMP数据源，其次，根据BMP数据源生成目标医学影像数据，再次，根据目标医学影像数据进行4D医学成像，并根据成像结果确定栓塞的特征属性，最后，根据特征确定栓塞的类型，并输出类型。其中，目标部位包括形成于目标血管的管壁的栓塞，目标医学影像数据包括目标血管的数据集合和栓塞的数据集合，目标血管的数据集合中的第一数据和栓塞的数据集合中的第二数据相互独立，目标血管的数据集合为目标血管表面和目标血管内部的组织结构的立方体空间的传递函数结果，特征属性包括以下至少一种：密度、爬行方向、与癌灶部位对应性、边缘特性，可见，本申请中的医学成像装置能够4D医学成像的成像结果准确确定栓塞的类型，提高栓塞识别的准确度和效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种基于VRDS Ai 4D医学影像智能分析处理系统的结构示意图；
图2是本申请实施例提供的一种基于VRDS 4D医学影像的栓塞的Ai识别方法的流程示意图；
图3是本申请实施例提供的一种医学成像装置的结构示意图；
图4是本申请实施例提供的一种基于VRDS Ai 4D医学影像的栓塞的Ai识别装置的功能单元组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请实施例所涉及到的医学成像装置是指利用各种不同媒介作为信息载体，将人体内部的结构重现为影像的各种仪器，其影像信息与人体实际结构有着空间和时间分布上的对应关系。“DICOM数据”是指通过医疗设备采集的反映人体内部结构特征的原始图像文件数据，可以包括电子计算机断层扫描CT、核磁共振MRI、弥散张量成像DTI、正电子发射型计算机断层显像PET-CT等信息，“图源”是指解析原始DICOM数据生成的Texture2D/3D图像体数据。“VRDS”是指虚拟现实医用系统(Virtual Reality Doctor system，简称为VRDS)。
请参阅图1，图1是本申请实施例提供了一种基于VRDS Ai 4D医学影像智能分析处理系统100的结构示意图，该系统100包括医学成像装置110和网络数据库120，其中医学成像装置110可以包括本地医学成像装置111和/或终端医学成像装置112，本地医学成像装置111或终端医学成像装置112用于基于原始DICOM数据，以本申请实施例所呈现的基于VRDSAi 4D医学影像的栓塞的识别算法为基础，进行人体栓塞的识别、定位和四维体绘制，实现四维立体成像效果(该4维医学影像具体是指医学影像包括所显示组织的内部空间结构特征及外部空间结构特征，所述内部空间结构特征是指组织内部的切片数据未丢失，即医学成像装置可以呈现器官、血管等组织的内部构造，外部空间结构特性是指组织与组织之间的环境特征，包括组织与组织之间的空间位置特性(包括交叉、间隔、融合)等，如肾脏与动脉之间的交叉位置的边缘结构特性等)，本地医学成像装置111相对于终端医学成像装置112还可以用于对图源数据进行编辑，形成四维人体图像的传递函数结果，该传递函数结果可以包括人体内脏器官表面和人体内脏器官内的组织结构的传递函数结果，以及立方体空间的传递函数结果，如传递函数所需的立方编辑框与弧线编辑的数组数量、坐标、颜色、透明度等信息。网络数据库120例如可以是云服务器等，该网络数据库120用于存储解析原始DICOM数据生成的图源，以及本地医学成像装置111编辑得到的四维人体图像的传递函数结果，图源可以是来自于多个本地医学成像装置111以实现多个医生的交互诊断。
用户通过上述医学成像装置110进行具体的图像显示时，可以选择显示器或者虚拟现实VR的头戴式显示器(Head mounted Displays Set，HMDS)结合操作动作进行显示，操作动作是指用户通过医学成像装置的外部摄入设备，如鼠标、键盘等，对四维人体图像进行的操作控制，以实现人机交互，该操作动作包括以下至少一种：(1)改变某个具体器官/组织的颜色和/或透明度，(2)定位缩放视图，(3)旋转视图，实现四维人体图像的多视角360度观察，(4)“进入”人体器官内部观察内部构造，实时剪切效果渲染，(5)上下移动视图。
下面对本申请实施例涉及到的基于VRDS 4D医学影像的栓塞的Ai识别方法进行详细介绍。
请参阅图2，图2是本申请实施例提供了一种基于VRDS 4D医学影像的栓塞的Ai识别方法的流程示意图，应用于如图1所述的医学成像装置；如图所示，本基于VRDS 4D医学影像的栓塞的Ai识别方法包括：
S201，医学成像装置根据目标用户的目标部位的多张扫描图像确定位图BMP数据源，所述目标部位包括形成于目标血管的管壁的栓塞。
其中，所述扫描图像包括以下任意一种：CT图像、MRI图像、DTI图像、PET-CT图像。
在本可能的示例中，医学成像装置根据目标用户的目标部位的多张扫描图像确定位图BMP数据源实现方式可以是：所述医学成像装置获取通过医疗设备采集的反映目标用户的人体内部结构特征的多张扫描图像；从所述多张扫描图像中筛选出包含目标部位的至少一张扫描图像，将所述至少一张扫描图像作为目标用户的医学数字成像和通信DICOM数据；解析所述DICOM数据生成目标用户的图源，所述图源包括纹理Texture 2D/3D图像体数据。针对所述图源执行第一预设处理得到位图BMP数据源，所述第一预设处理包括以下至少一种操作：VRDS限制对比度自适应直方图均衡、混合偏微分去噪、VRDS Ai弹性变形处理。
其中，所述VRDS限制对比度自适应直方图均衡包括：区域噪音比度限幅、全局对比度限幅；将图源的局部直方图爱划分多个分区，针对每个分区，根据该分区的邻域的累积直方图的斜度确定变换函数的斜度，根据该变换函数的斜度确定该分区的像素值周边的对比度放大程度，然后根据该对比度放大程度进行限度裁剪处理，产生有效直方图的分布，同时也产生有效可用的邻域大小的取值，将这些裁剪掉的部分直方图均匀的分布到直方图的其他区域。
其中，所述混合偏微分去噪包括：不同于高斯低通滤波(对图像的高频成分不加区别的减弱，去噪的同时会产生图像边缘模糊化)，自然图像中的物体所形成的等照度线(包括边缘)应该是足够光滑顺畅的曲线，即这些等照度线的曲率的绝对值应该足够小，当图像受到噪声污染后，图像的局部灰度值会发生随机起伏，导致等照度线的不规则震荡，形成局部曲率很大的等照度线，根据这一原理，设计通过VRDS Ai曲率驱动和VRDS Ai高阶混合去噪，实现即可保护图像边缘、又可以避免平滑过程中出现阶梯效应的混合偏微分去噪模型。
其中，所述VRDS Ai弹性变形处理包括：在原有点阵上，叠加正负向随机距离形成差值位置矩阵，然后在每个差值位置上的灰度，形成新的点阵，可以实现图像内部的扭曲变形，另外再对图像进行旋转、扭曲、平移等操作。
可见，本示例中，医学成像装置通过对原始扫描图像数据的处理，得到BMP数据源，提高了原始数据的信息量，且增加了深度维度信息，最终得到符合4D医学影像显示需求的数据。
S202，所述医学成像装置根据所述BMP数据源生成目标医学影像数据，所述目标医学影像数据包括所述目标血管的数据集合和所述栓塞的数据集合，所述目标血管的数据集合中的第一数据和所述栓塞的数据集合中的第二数据相互独立，所述目标血管的数据集合为所述目标血管表面和所述目标血管内部的组织结构的立方体空间的传递函数结果。
在本可能的示例中，所述医学成像装置根据所述BMP数据源生成目标医学影像数据的实现方式可以是：所述医学成像装置将所述BMP数据源导入预设的VRDS医学网络模型，得到第一医学影像数据，所述第一医学影像数据包括所述目标血管的原始数据集合，所述目标血管的原始数据集合中包括所述目标血管与所述栓塞的融合数据；将所述第一医学影像数据导入预设的交叉血管网络模型，通过所述交叉血管网络模型对所述融合数据进行空间分割处理，得到所述目标血管的数据集合和所述栓塞的数据集合；综合所述目标血管的数据集合和所述栓塞的数据集合，得到所述目标医学影像数据。
其中，所述交叉血管网络模型通过以下操作实现血管和栓塞的数据分离：(1)提取交叉位置的融合数据；(2)针对每个融合数据基于预设数据分离算法分离该融合数据，得到相互独立的血管边界点数据和栓塞边界点数据；(3)将处理后得到的多个血管边界点数据整合为第一数据，将处理后得到的多个栓塞边界点数据整合为第二数据。(4)根据所述原始数据集合、所述第一数据、所述第二数据确定所述目标血管的数据集合和所述栓塞的数据集合。
具体实现中，所述医学成像装置综合所述目标血管的数据集合和所述栓塞的数据集合，得到所述目标医学影像数据，包括：所述医学成像装置对所述目标血管的数据集合和所述栓塞的数据集合执行第二预设处理，得到所述目标医学影像数据，所述第二预设处理包括以下至少一种操作：2D边界优化处理、3D边界优化处理、数据增强处理。
其中，所述2D边界优化处理包括：多次采样获取低分辨率信息和高分辨率信息，其中，低分辨率信息能够提供分割目标在整个图像中上下文语义信息，即反映目标与环境之间关系的特征，这些特征用于物体类别判断，高分辨率信息用于为分割目标提供更加精细的特征，如梯度等。
所述3D边界优化处理包括：3D卷积、3D最大池化和3D向上卷积层，输入数据的大小为a1、a2、a3，通道数为c，过滤器大小为f，即过滤器维度为f*f*f*c，过滤器数量为n，则3维卷积最终输出为：
(a1-f+1)*(a2-f+1)*(a3-f+1)*n
具有分析路径和合成路径。在分析路径中，每一层包含两个3*3*3的卷积核，每一个都跟随一个激活函数(Relu)，然后在每个维度上有2*2*2的最大池化合并两个步长。在合成路径中，每个层由2*2*2的向上卷积组成，每个维度上步长都为2，接着，两个3*3*3的卷积，然后Relu。然后在分析路径中从相等分辨率层的shortcut连接提供了合成路径的基本高分辨特征。在最后一层中，1*1*1卷积减少了输出通道的数量。
其中，所述数据增强处理包括以下任意一种：基于任意角度旋转的数据增强、基于直方图均衡的数据增强、基于白平衡的数据增强、基于镜像操作的数据增强、基于随机剪切的数据增强和基于模拟不同光照变化的数据增强。
可见，医学成像装置通过将BMP数据源VRDS医学网络模型得到第一医学影像数据，再将第一医学影像数据导入预设的交叉血管网络模型，最终得到目标医学影像数据，提升了栓塞识别的便捷性。
S203，所述医学成像装置根据所述目标医学影像数据进行4D医学成像，并根据成像结果确定所述栓塞的特征属性，所述特征属性包括以下至少一种：密度、爬行方向、与癌灶部位对应性、边缘特性。
其中，所述4D医学成像是指呈现4维医学影像。
在本可能的示例中，所述医学成像装置根据所述目标医学影像数据进行4D医学成像的实现方式可以是：所述医学成像装置从所述目标医学影像数据中筛选质量评分大于预设评分的增强数据作为4D成像数据，之后，根据该4D成像数据进行4D医学成像。
其中，所述质量评分可以从以下维度进行综合评价，平均梯度、信息熵、视觉信息保真度、峰值信噪比PSNR、结构相似性SSIM、均方误差MSE等，具体可以参考图像领域的常见图像质量评分算法，此处不再赘述。
可见，本示例中，医学成像装置通过质量评分进一步进行数据筛选，提高成像效果。
S204，所述医学成像装置根据所述特征确定所述栓塞的类型，并输出所述类型。
其中，所述医学成像装置根据所述特征确定所述栓塞的类型可以是所述医学成像装置以所述栓塞的特征为查询标识，查询预设的所述栓塞的特征与所述栓塞的类型的对应关系列表，得到与该栓塞的特征对应的栓塞的类型；所述医学成像装置根据所述特征确定所述栓塞的类型还可以是所述医学成像装置将所述栓塞的特征对应的数值与栓塞的预设特征值进行比较得到比较结果，再根据该比较结果确定所述栓塞的类型。
其中，所述医学成像装置输出所述类型可以是在显示设备上显示所述栓塞的类型，所述医学成像装置输出所述类型可以是通过蜂鸣器对所述栓塞的类型进行播报，所述医学成像装置还可以通过其他方式输出所述类型，对此不作具体限定。
在一个可能的示例中，所述特征属性包括密度；所述根据所述特征确定所述栓塞的类型，包括：获取预存的血管栓塞密度表，所述血管栓塞密度表包括不同部位的血管与形成于该血管的血栓或癌栓的密度区间的对应关系；查询所述血管栓塞密度表，获取所述目标部位的栓塞的密度所属的目标密度区间；确定所述目标密度区间对应的血栓或癌栓为所述栓塞的类型。
其中，所述查询所述血管栓塞密度表可以是以所述目标部位与所述目标部位的栓塞的密度为查询标识，查询所述血管栓塞密度表。不同部位相同的栓塞密度，其对应的栓塞的类型可能不同，不同部位相同的栓塞密度，其对应的栓塞的类型可能相同。
可见，本示例中，医学成像装置通过查询预存的血管栓塞密度表，来确定栓塞的类型，提高了识别栓塞的效率。
在一个可能的示例中，所述特征属性包括爬行方向；所述根据所述特征确定所述栓塞的类型，包括：若检测到所述栓塞的爬行方向为逆血流方向，则确定所述栓塞为癌栓；若检测到所述栓塞的爬行方向为血流方向，则确定所述栓塞为血栓。
可见，本示例中，医学成像装置通过对爬行方向的识别来确定栓塞的类型，提高了识别栓塞的便捷性。
在一个可能的示例中，所述特征属性包括与癌灶部位对应性；所述根据所述特征确定所述栓塞的类型，包括：若检测到所述栓塞的与癌灶部位对应性为对应，则确定所述栓塞为癌栓；若检测到所述栓塞的与癌灶部位对应性为不对应，则确定所述栓塞为血栓。
其中，癌灶部位是指人体中癌症所发生的病变部位。
可见，本示例中，医学成像装置通过对栓塞来与癌灶部位对应性确定栓塞的类型，提高了识别栓塞的效率。
在一个可能的示例中，所述特征属性包括边缘特性；所述根据所述特征确定所述栓塞的类型，包括：若检测到所述栓塞的边缘特性为光滑连续，则确定所述栓塞为癌栓；若检测到所述栓塞的边缘特性为不光滑连续，则确定所述栓塞为血栓。
可见，本示例中，医学成像装置通过对栓塞的边缘特性的检测结果来确定栓塞的类型，提高了识别栓塞的效率。
在一个可能的示例中，所述特征属性包括密度、爬行方向、与癌灶部位对应性、边缘特性；所述根据所述特征确定所述栓塞的类型，包括：获取预先训练好的所述目标部位的目标血管的栓塞识别模型；将所述密度、所述爬行方向、所述与癌灶部位对应性、所述边缘特性作为输入数据，导入所述栓塞识别模型，得到所述栓塞为血栓的第一概率和所述栓塞为癌栓的第二概率；根据所述第一概率和所述第二概率确定所述栓塞的类型。
其中，获取预先训练好的所述目标部位的目标血管的栓塞识别模型可以是在联网状态下从网络数据库中获取预先训练好的所述目标部位的目标血管的栓塞识别模型。
其中，根据所述第一概率和所述第二概率确定所述栓塞的类型可以是当第一概率大于第二概率时，确定所述栓塞为血栓，当第一概率小于第二概率时，确定所述栓塞为癌栓。
本示例中，医学成像装置通过将栓塞的密度、爬行方向、与癌灶部位对应性、边缘特性的特征导入栓塞识别模型，得到栓塞的类型，提升了识别栓塞的便捷性。
可以看出，本申请实施例中，医学成像装置首选根据目标用户的目标部位的多张扫描图像确定位图BMP数据源，其次，根据BMP数据源生成目标医学影像数据，再次，根据目标医学影像数据进行4D医学成像，并根据成像结果确定栓塞的特征属性，最后，根据特征确定栓塞的类型，并输出类型。其中，目标部位包括形成于目标血管的管壁的栓塞，目标医学影像数据包括目标血管的数据集合和栓塞的数据集合，目标血管的数据集合中的第一数据和栓塞的数据集合中的第二数据相互独立，目标血管的数据集合为目标血管表面和目标血管内部的组织结构的立方体空间的传递函数结果，特征属性包括以下至少一种：密度、爬行方向、与癌灶部位对应性、边缘特性，可见，本申请中的医学成像装置能够4D医学成像的成像结果准确确定栓塞的类型，提高栓塞识别的准确度和效率。
与上述图2所示的实施例一致的，请参阅图3，图3是本申请实施例提供的一种医学成像装置300的结构示意图，如图所示，所述医学成像装置300包括处理器310、存储器320、通信接口330以及一个或多个程序321，其中，所述一个或多个程序321被存储在上述存储器320中，并且被配置由上述处理器310执行，所述一个或多个程序321包括用于执行以下步骤的指令；根据目标用户的目标部位的多张扫描图像确定位图BMP数据源，所述目标部位包括形成于目标血管的管壁的栓塞；根据所述BMP数据源生成目标医学影像数据，所述目标医学影像数据包括所述目标血管的数据集合和所述栓塞的数据集合，所述目标血管的数据集合中的第一数据和所述栓塞的数据集合中的第二数据相互独立，所述目标血管的数据集合为所述目标血管表面和所述目标血管内部的组织结构的立方体空间的传递函数结果；根据所述目标医学影像数据进行4D医学成像，并根据成像结果确定所述栓塞的特征属性，所述特征属性包括以下至少一种：密度、爬行方向、与癌灶部位对应性、边缘特性；根据所述特征确定所述栓塞的类型，并输出所述类型。
可以看出，本申请实施例中，医学成像装置首选根据目标用户的目标部位的多张扫描图像确定位图BMP数据源，其次，根据BMP数据源生成目标医学影像数据，再次，根据目标医学影像数据进行4D医学成像，并根据成像结果确定栓塞的特征属性，最后，根据特征确定栓塞的类型，并输出类型。其中，目标部位包括形成于目标血管的管壁的栓塞，目标医学影像数据包括目标血管的数据集合和栓塞的数据集合，目标血管的数据集合中的第一数据和栓塞的数据集合中的第二数据相互独立，目标血管的数据集合为目标血管表面和目标血管内部的组织结构的立方体空间的传递函数结果，特征属性包括以下至少一种：密度、爬行方向、与癌灶部位对应性、边缘特性，可见，本申请中的医学成像装置能够4D医学成像的成像结果准确确定栓塞的类型，提高栓塞识别的准确度和效率。
在一个可能的示例中，所述特征属性包括密度；在所述根据所述特征确定所述栓塞的类型方面，所述程序中的指令具体用于执行以下操作：获取预存的血管栓塞密度表，所述血管栓塞密度表包括不同部位的血管与形成于该血管的血栓或癌栓的密度区间的对应关系；查询所述血管栓塞密度表，获取所述目标部位的栓塞的密度所属的目标密度区间；确定所述目标密度区间对应的血栓或癌栓为所述栓塞的类型。
在一个可能的示例中，所述特征属性包括爬行方向；在所述根据所述特征确定所述栓塞的类型方面，所述程序中的指令具体用于执行以下操作：若检测到所述栓塞的爬行方向为逆血流方向，则确定所述栓塞为癌栓；若检测到所述栓塞的爬行方向为血流方向，则确定所述栓塞为血栓。
在一个可能的示例中，所述特征属性包括与癌灶部位对应性；在所述根据所述特征确定所述栓塞的类型方面，所述程序中的指令具体用于执行以下操作：所述程序还包括用于执行以下操作的指令：若检测到所述栓塞的与癌灶部位对应性为对应，则确定所述栓塞为癌栓；若检测到所述栓塞的与癌灶部位对应性为不对应，则确定所述栓塞为血栓。
在一个可能的示例中，所述特征属性包括边缘特性；在所述根据所述特征确定所述栓塞的类型方面，所述程序中的指令具体用于执行以下操作：若检测到所述栓塞的边缘特性为光滑连续，则确定所述栓塞为癌栓；若检测到所述栓塞的边缘特性为不光滑连续，则确定所述栓塞为血栓。
在一个可能的示例中，所述特征属性包括密度、爬行方向、与癌灶部位对应性、边缘特性；在所述根据所述特征确定所述栓塞的类型方面，所述程序中的指令具体用于执行以下操作：获取预先训练好的所述目标部位的目标血管的栓塞识别模型；将所述密度、所述爬行方向、所述与癌灶部位对应性、所述边缘特性作为输入数据，导入所述栓塞识别模型，得到所述栓塞为血栓的第一概率和所述栓塞为癌栓的第二概率；根据所述第一概率和所述第二概率确定所述栓塞的类型。
在一个可能的示例中，在所述根据所述BMP数据源生成目标医学影像数据方面，所述程序中的指令具体用于执行以下操作：将所述BMP数据源导入预设的VRDS医学网络模型，得到第一医学影像数据，所述第一医学影像数据包括所述目标血管的原始数据集合，所述目标血管的原始数据集合中包括所述目标血管与所述栓塞的融合数据；将所述第一医学影像数据导入预设的交叉血管网络模型，通过所述交叉血管网络模型对所述融合数据进行空间分割处理，得到所述目标血管的数据集合和所述栓塞的数据集合；综合所述目标血管的数据集合和所述栓塞的数据集合，得到所述目标医学影像数据。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是，医学成像装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所提供的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对医学成像装置进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
图4是本申请实施例中所涉及的基于VRDS Ai 4D医学影像的栓塞的Ai识别装置400的功能单元组成框图。该基于VRDS Ai 4D医学影像的栓塞的Ai识别装置400应用于医学成像装置，该基于VRDS Ai 4D医学影像的栓塞的Ai识别装置400包括处理单元401和通信单元402，其中，
所述处理单元401，用于根据目标用户的目标部位的多张扫描图像确定位图BMP数据源，所述目标部位包括形成于目标血管的管壁的栓塞；以及用于根据所述BMP数据源生成目标医学影像数据，所述目标医学影像数据包括所述目标血管的数据集合和所述栓塞的数据集合，所述目标血管的数据集合中的第一数据和所述栓塞的数据集合中的第二数据相互独立，所述目标血管的数据集合为所述目标血管表面和所述目标血管内部的组织结构的立方体空间的传递函数结果；以及用于根据所述目标医学影像数据进行4D医学成像，并根据成像结果确定所述栓塞的特征属性，所述特征属性包括以下至少一种：密度、爬行方向、与癌灶部位对应性、边缘特性；以及用于根据所述特征确定所述栓塞的类型，并通过所述通信单元402输出所述类型。
其中，基于VRDS Ai 4D医学影像的栓塞的Ai识别装置400还可以包括存储单元403，用于存储电子设备的程序代码和数据。所述处理单元401可以是处理器，所述通信单元402可以是触控显示屏或者收发器，存储单元403可以是存储器。
可以看出，本申请实施例中，医学成像装置首选根据目标用户的目标部位的多张扫描图像确定位图BMP数据源，其次，根据BMP数据源生成目标医学影像数据，再次，根据目标医学影像数据进行4D医学成像，并根据成像结果确定栓塞的特征属性，最后，根据特征确定栓塞的类型，并输出类型。其中，目标部位包括形成于目标血管的管壁的栓塞，目标医学影像数据包括目标血管的数据集合和栓塞的数据集合，目标血管的数据集合中的第一数据和栓塞的数据集合中的第二数据相互独立，目标血管的数据集合为目标血管表面和目标血管内部的组织结构的立方体空间的传递函数结果，特征属性包括以下至少一种：密度、爬行方向、与癌灶部位对应性、边缘特性，可见，本申请中的医学成像装置能够4D医学成像的成像结果准确确定栓塞的类型，提高栓塞识别的准确度和效率。
在一个可能的示例中，所述特征属性包括密度；在所述根据所述特征确定所述栓塞的类型方面，所述处理单元401具体用于：获取预存的血管栓塞密度表，所述血管栓塞密度表包括不同部位的血管与形成于该血管的血栓或癌栓的密度区间的对应关系；查询所述血管栓塞密度表，获取所述目标部位的栓塞的密度所属的目标密度区间；确定所述目标密度区间对应的血栓或癌栓为所述栓塞的类型。
在一个可能的示例中，所述特征属性包括爬行方向；在所述根据所述特征确定所述栓塞的类型方面，所述处理单元401具体用于：若检测到所述栓塞的爬行方向为逆血流方向，则确定所述栓塞为癌栓；若检测到所述栓塞的爬行方向为血流方向，则确定所述栓塞为血栓。
在一个可能的示例中，所述特征属性包括与癌灶部位对应性；在所述根据所述特征确定所述栓塞的类型方面，所述处理单元401具体用于：若检测到所述栓塞的与癌灶部位对应性为对应，则确定所述栓塞为癌栓；若检测到所述栓塞的与癌灶部位对应性为不对应，则确定所述栓塞为血栓。
在一个可能的示例中，所述特征属性包括边缘特性；在所述根据所述特征确定所述栓塞的类型方面，所述处理单元401具体用于：若检测到所述栓塞的边缘特性为光滑连续，则确定所述栓塞为癌栓；若检测到所述栓塞的边缘特性为不光滑连续，则确定所述栓塞为血栓。
在一个可能的示例中，所述特征属性包括密度、爬行方向、与癌灶部位对应性、边缘特性；在所述根据所述特征确定所述栓塞的类型方面，所述处理单元401具体用于：获取预先训练好的所述目标部位的目标血管的栓塞识别模型；将所述密度、所述爬行方向、所述与癌灶部位对应性、所述边缘特性作为输入数据，导入所述栓塞识别模型，得到所述栓塞为血栓的第一概率和所述栓塞为癌栓的第二概率；根据所述第一概率和所述第二概率确定所述栓塞的类型。
在一个可能的示例中，在所述根据所述BMP数据源生成目标医学影像数据方面，所述处理单元401具体用于：将所述BMP数据源导入预设的VRDS医学网络模型，得到第一医学影像数据，所述第一医学影像数据包括所述目标血管的原始数据集合，所述目标血管的原始数据集合中包括所述目标血管与所述栓塞的融合数据；将所述第一医学影像数据导入预设的交叉血管网络模型，通过所述交叉血管网络模型对所述融合数据进行空间分割处理，得到所述目标血管的数据集合和所述栓塞的数据集合；综合所述目标血管的数据集合和所述栓塞的数据集合，得到所述目标医学影像数据。
本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤，上述计算机包括医学成像装置。
本申请实施例还提供一种计算机程序产品，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包，上述计算机包括医学成像装置。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种基于VRDS 4D医学影像的栓塞的Ai识别方法，其特征在于，应用于医学成像装置；所述方法包括：
根据目标用户的目标部位的多张扫描图像确定位图BMP数据源，所述目标部位包括形成于目标血管的管壁的栓塞；
根据所述BMP数据源生成目标医学影像数据，所述目标医学影像数据包括所述目标血管的数据集合和所述栓塞的数据集合，所述目标血管的数据集合中的第一数据和所述栓塞的数据集合中的第二数据相互独立，所述目标血管的数据集合为所述目标血管表面和所述目标血管内部的组织结构的立方体空间的传递函数结果；
根据所述目标医学影像数据进行4D医学成像，并根据成像结果确定所述栓塞的特征属性，所述特征属性包括以下至少一种：密度、爬行方向、与癌灶部位对应性、边缘特性；
根据所述特征确定所述栓塞的类型，并输出所述类型。
2.根据权利要求1所述的方法，其特征在于，所述特征属性包括密度；所述根据所述特征确定所述栓塞的类型，包括：
获取预存的血管栓塞密度表，所述血管栓塞密度表包括不同部位的血管与形成于该血管的血栓或癌栓的密度区间的对应关系；
查询所述血管栓塞密度表，获取所述目标部位的栓塞的密度所属的目标密度区间；
确定所述目标密度区间对应的血栓或癌栓为所述栓塞的类型。
3.根据权利要求1所述的方法，其特征在于，所述特征属性包括爬行方向；所述根据所述特征确定所述栓塞的类型，包括：
若检测到所述栓塞的爬行方向为逆血流方向，则确定所述栓塞为癌栓；
若检测到所述栓塞的爬行方向为血流方向，则确定所述栓塞为血栓。
4.根据权利要求1所述的方法，其特征在于，所述特征属性包括与癌灶部位对应性；所述根据所述特征确定所述栓塞的类型，包括：
若检测到所述栓塞的与癌灶部位对应性为对应，则确定所述栓塞为癌栓；
若检测到所述栓塞的与癌灶部位对应性为不对应，则确定所述栓塞为血栓。
5.根据权利要求1所述的方法，其特征在于，所述特征属性包括边缘特性；所述根据所述特征确定所述栓塞的类型，包括：
若检测到所述栓塞的边缘特性为光滑连续，则确定所述栓塞为癌栓；
若检测到所述栓塞的边缘特性为不光滑连续，则确定所述栓塞为血栓。
6.根据权利要求1所述的方法，其特征在于，所述特征属性包括密度、爬行方向、与癌灶部位对应性、边缘特性；所述根据所述特征确定所述栓塞的类型，包括：
获取预先训练好的所述目标部位的目标血管的栓塞识别模型；
将所述密度、所述爬行方向、所述与癌灶部位对应性、所述边缘特性作为输入数据，导入所述栓塞识别模型，得到所述栓塞为血栓的第一概率和所述栓塞为癌栓的第二概率；
根据所述第一概率和所述第二概率确定所述栓塞的类型。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述根据所述BMP数据源生成目标医学影像数据，包括：
将所述BMP数据源导入预设的VRDS医学网络模型，得到第一医学影像数据，所述第一医学影像数据包括所述目标血管的原始数据集合，所述目标血管的原始数据集合中包括所述目标血管与所述栓塞的融合数据；
将所述第一医学影像数据导入预设的交叉血管网络模型，通过所述交叉血管网络模型对所述融合数据进行空间分割处理，得到所述目标血管的数据集合和所述栓塞的数据集合；
综合所述目标血管的数据集合和所述栓塞的数据集合，得到所述目标医学影像数据。
8.一种基于VRDS Ai 4D医学影像的栓塞的Ai识别装置，其特征在于，应用于医学成像装置；所述基于VRDS Ai 4D医学影像的栓塞的Ai识别装置包括处理单元和通信单元，其中，
所述处理单元，用于根据目标用户的目标部位的多张扫描图像确定位图BMP数据源，所述目标部位包括形成于目标血管的管壁的栓塞；以及用于根据所述BMP数据源生成目标医学影像数据，所述目标医学影像数据包括所述目标血管的数据集合和所述栓塞的数据集合，所述目标血管的数据集合中的第一数据和所述栓塞的数据集合中的第二数据相互独立，所述目标血管的数据集合为所述目标血管表面和所述目标血管内部的组织结构的立方体空间的传递函数结果；以及用于根据所述目标医学影像数据进行4D医学成像，并根据成像结果确定所述栓塞的特征属性，所述特征属性包括以下至少一种：密度、爬行方向、与癌灶部位对应性、边缘特性；以及用于根据所述特征确定所述栓塞的类型，并通过所述通信单元输出所述类型。
9.一种医学成像装置，其特征在于，包括处理器、存储器、通信接口，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如权利要求1-7任一项所述的方法中的步骤的指令。
10.一种计算机可读存储介质，其特征在于，存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1-7任一项所述的方法。
CN201910132114.4A 2019-02-22 2019-02-22 基于VRDS 4D医学影像的栓塞的Ai识别方法及产品 Active CN111612860B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201910132114.4A CN111612860B (zh) 2019-02-22 2019-02-22 基于VRDS 4D医学影像的栓塞的Ai识别方法及产品
PCT/CN2019/101159 WO2020168697A1 (zh) 2019-02-22 2019-08-16 基于VRDS 4D医学影像的栓塞的Ai识别方法及产品
AU2019429940A AU2019429940B2 (en) 2019-02-22 2019-08-16 AI identification method of embolism based on VRDS 4D medical image, and product
US17/432,487 US20220148163A1 (en) 2019-02-22 2019-08-16 Method and product for ai recognizing of embolism based on vrds 4d medical images
EP19915706.6A EP3928706A4 (en) 2019-02-22 2019-08-16 AI IDENTIFICATION METHOD FOR EMBOLISM BASED ON VRDS 4D MEDICAL IMAGE AND PRODUCT

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910132114.4A CN111612860B (zh) 2019-02-22 2019-02-22 基于VRDS 4D医学影像的栓塞的Ai识别方法及产品

Publications (2)

Publication Number Publication Date
CN111612860A true CN111612860A (zh) 2020-09-01
CN111612860B CN111612860B (zh) 2023-09-15

Family

ID=72144777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910132114.4A Active CN111612860B (zh) 2019-02-22 2019-02-22 基于VRDS 4D医学影像的栓塞的Ai识别方法及产品

Country Status (5)

Country Link
US (1) US20220148163A1 (zh)
EP (1) EP3928706A4 (zh)
CN (1) CN111612860B (zh)
AU (1) AU2019429940B2 (zh)
WO (1) WO2020168697A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113838572A (zh) * 2021-09-10 2021-12-24 深圳睿心智能医疗科技有限公司 血管生理参数获取方法、装置、电子设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3923065A (en) * 1974-09-09 1975-12-02 Jerome Nozick Embolectomy catheter
CN1305591A (zh) * 1998-04-09 2001-07-25 医疗物理有限公司 超极化气体在肺吸收氧气量的区域性变化的mri检测中的应用
CN1600268A (zh) * 2003-09-24 2005-03-30 株式会社东芝 血流分析装置以及血流分析方法
WO2007056217A2 (en) * 2005-11-04 2007-05-18 Inspire Pharmaceuticals, Inc. Drug-eluting stents coated with non-nucleotide p2y12 receptor antagonist compound
CN102186483A (zh) * 2008-08-11 2011-09-14 德克萨斯大学系统董事会 促进血管完整性的微rna及其用途
WO2012167137A1 (en) * 2011-06-03 2012-12-06 Pulsar Vascular, Inc. Systems and methods for capturing and removing blood clots
CN104394878A (zh) * 2012-02-10 2015-03-04 塔瑞克斯制药有限公司 用于治疗周围血管疾病的组合物和方法
CN105307569A (zh) * 2013-06-05 2016-02-03 皇家飞利浦有限公司 用于显示目标的第一图像和第二图像的方法和设备
CN105992996A (zh) * 2014-04-04 2016-10-05 外科手术室公司 外科手术环境中的动态和交互式导航
CN106991712A (zh) * 2016-11-25 2017-07-28 斯图尔特平李 一种基于hmds的医学成像系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5597429B2 (ja) * 2010-03-31 2014-10-01 富士フイルム株式会社 医用画像処理装置および方法、並びにプログラム
JP6195681B2 (ja) * 2014-05-19 2017-09-13 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 造影画像データにおける関心組織の視覚化
CN104376549B (zh) * 2014-11-20 2017-07-18 华北电力大学（保定） 血管内超声与血管内oct图像的融合方法
US9959615B2 (en) * 2015-07-01 2018-05-01 Arizona Board Of Regents On Behalf Of Arizona State University System and method for automatic pulmonary embolism detection
CN105279759B (zh) * 2015-10-23 2017-10-13 浙江工业大学 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法
EP3422939A4 (en) * 2016-03-04 2020-04-15 4DX Limited IMAGING METHOD AND SYSTEM
CN107993221B (zh) * 2017-11-16 2021-11-02 济南大学 心血管光学相干断层oct图像易损斑块自动识别方法
CN109259784A (zh) * 2018-08-27 2019-01-25 上海铱硙医疗科技有限公司 脑梗塞的ai预测方法、装置、设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3923065A (en) * 1974-09-09 1975-12-02 Jerome Nozick Embolectomy catheter
CN1305591A (zh) * 1998-04-09 2001-07-25 医疗物理有限公司 超极化气体在肺吸收氧气量的区域性变化的mri检测中的应用
CN1600268A (zh) * 2003-09-24 2005-03-30 株式会社东芝 血流分析装置以及血流分析方法
WO2007056217A2 (en) * 2005-11-04 2007-05-18 Inspire Pharmaceuticals, Inc. Drug-eluting stents coated with non-nucleotide p2y12 receptor antagonist compound
CN102186483A (zh) * 2008-08-11 2011-09-14 德克萨斯大学系统董事会 促进血管完整性的微rna及其用途
WO2012167137A1 (en) * 2011-06-03 2012-12-06 Pulsar Vascular, Inc. Systems and methods for capturing and removing blood clots
CN104394878A (zh) * 2012-02-10 2015-03-04 塔瑞克斯制药有限公司 用于治疗周围血管疾病的组合物和方法
CN105307569A (zh) * 2013-06-05 2016-02-03 皇家飞利浦有限公司 用于显示目标的第一图像和第二图像的方法和设备
CN105992996A (zh) * 2014-04-04 2016-10-05 外科手术室公司 外科手术环境中的动态和交互式导航
CN106991712A (zh) * 2016-11-25 2017-07-28 斯图尔特平李 一种基于hmds的医学成像系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
钱伟军: "一站式CT静脉造影扫描在肺动脉栓塞联合下肢静脉血栓诊断中的临床应用", 《实用医学影像杂志》, vol. 14, no. 4, pages 310 - 311 *
马孚骁: "肝脏与肝内血管的分割及可视化研究", no. 03, pages 064 - 95 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113838572A (zh) * 2021-09-10 2021-12-24 深圳睿心智能医疗科技有限公司 血管生理参数获取方法、装置、电子设备及存储介质
CN113838572B (zh) * 2021-09-10 2024-03-01 深圳睿心智能医疗科技有限公司 血管生理参数获取方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
EP3928706A4 (en) 2022-12-07
WO2020168697A1 (zh) 2020-08-27
EP3928706A1 (en) 2021-12-29
US20220148163A1 (en) 2022-05-12
AU2019429940A1 (en) 2021-09-16
AU2019429940B2 (en) 2023-03-23
CN111612860B (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
AU2019430369B2 (en) VRDS 4D medical image-based vein Ai endoscopic analysis method and product
CN114365190A (zh) 基于vrds 4d医学影像的脾脏肿瘤识别方法及相关装置
WO2021030995A1 (zh) 基于vrds ai下腔静脉影像的分析方法及产品
AU2019431568B2 (en) Method and product for processing of vrds 4d medical images
CN111612860B (zh) 基于VRDS 4D医学影像的栓塞的Ai识别方法及产品
AU2019430258B2 (en) VRDS 4D medical image-based tumor and blood vessel ai processing method and product
CN114402395A (zh) 基于vrds 4d医学影像的脊椎疾病识别方法及相关装置
AU2019430854B2 (en) VRDS 4D medical image-based artery and vein Ai processing method and product
AU2019430773B2 (en) VRDS 4D medical image-based AI processing method and product for tumors
WO2021030994A1 (zh) 基于vrds ai静脉影像的识别方法及产品
WO2021081836A1 (zh) 基于vrds 4d医学影像的胃肿瘤识别方法及相关产品
CN114340497A (zh) 基于vrds ai医学影像的肠肿瘤与血管分析方法和相关装置
CN114287042A (zh) 基于vrds ai脑部影像的分析方法和相关装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230202

Address after: 423017 Group 6, Taiyangyu Village, Qifengdu Town, Suxian District, Chenzhou City, Hunan Province

Applicant after: Cao Sheng

Address before: 18C, Hangsheng Science and Technology Building, No. 8, Gaoxin South 6th Road, Yuehai Street, Nanshan District, Shenzhen City, Guangdong Province, 518035

Applicant before: WEIAI MEDICAL TECHNOLOGY (SHENZHEN) Co.,Ltd.

GR01 Patent grant
GR01 Patent grant