CN111613301B - 基于VRDS 4D医学影像的动脉与静脉Ai处理方法及产品 - Google Patents

基于VRDS 4D医学影像的动脉与静脉Ai处理方法及产品 Download PDF

Info

Publication number
CN111613301B
CN111613301B CN201910132134.1A CN201910132134A CN111613301B CN 111613301 B CN111613301 B CN 111613301B CN 201910132134 A CN201910132134 A CN 201910132134A CN 111613301 B CN111613301 B CN 111613301B
Authority
CN
China
Prior art keywords
data
artery
vein
target
crossing
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
CN201910132134.1A
Other languages
English (en)
Other versions
CN111613301A (zh
Inventor
斯图尔特平李
戴维伟李
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
Individual
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 Individual filed Critical Individual
Priority to CN201910132134.1A priority Critical patent/CN111613301B/zh
Priority to US17/432,494 priority patent/US20220172823A1/en
Priority to PCT/CN2019/101158 priority patent/WO2020168696A1/zh
Priority to AU2019430854A priority patent/AU2019430854B2/en
Priority to EP19915864.3A priority patent/EP3929933A4/en
Publication of CN111613301A publication Critical patent/CN111613301A/zh
Application granted granted Critical
Publication of CN111613301B publication Critical patent/CN111613301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • 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 using histogram techniques
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请实施例公开了一种基于VRDS 4D医学影像的动脉与静脉Ai处理方法及产品，应用于医学成像装置；方法包括：医学成像装置首先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，最后，根据目标医学影像数据进行4D医学成像，其中，目标医学影像数据至少包括目标部位的血管的数据集合，静脉的数据集合为静脉表面和静脉内部的组织结构的立方体空间的传递函数结果，且动脉和静脉的交叉位置呈现整体分离的影像效果。可见，本申请医学成像装置能够基于原始扫描图像进行4D医学影像显示，有利于提高动脉和静脉成像的准确度和效率。

Description

基于VRDS 4D医学影像的动脉与静脉Ai处理方法及产品
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医学影像的动脉与静脉Ai处理方法及产品。
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)等技术获取人体内部组织的形态、位置、拓扑结构等信息。但二维切片数据形成的图像中血管影像模糊不清，随着医学成像技术的飞速发展，人们对血管的医学成像提出了新的需求。
发明内容
本申请实施例提供了一种基于VRDS 4D医学影像的动脉与静脉Ai处理方法及产品，以期提高医学成像装置进行动脉和静脉成像的准确度和效率。
第一方面，本申请实施例提供一种基于VRDS 4D医学影像的动脉与静脉Ai处理方法，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；
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至少包括所述目标部位的血管的数据集合，所述血管的数据集合中包括动脉的数据集合和静脉的数据集合，且所述动脉的数据集合中的第一数据和所述静脉的数据集合的第二数据相互独立，所述第一数据为与所述动脉和所述静脉的交叉位置关联的数据，所述第二数据为与所述交叉位置关联的数据，所述动脉的数据集合为所述动脉表面和所述动脉内部的组织结构的立方体空间的传递函数结果，所述静脉的数据集合为所述静脉表面和所述静脉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，其中，所述动脉和所述静脉的交叉位置呈现整体分离的影像效果。
第二方面，本申请实施例提供一种基于VRDS Ai 4D医学影像的动脉与静脉Ai处理装置，应用于医学成像装置；所述基于VRDS Ai 4D医学影像的动脉与静脉Ai处理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；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至少包括所述目标部位的血管的数据集合，所述血管的数据集合中包括动脉的数据集合和静脉的数据集合，且所述动脉的数据集合中的第一数据和所述静脉的数据集合的第二数据相互独立，所述第一数据为与所述动脉和所述静脉的交叉位置关联的数据，所述第二数据为与所述交叉位置关联的数据，所述动脉的数据集合为所述动脉表面和所述动脉内部的组织结构的立方体空间的传递函数结果，所述静脉的数据集合为所述静脉表面和所述静脉内部的组织结构的立方体空间的传递函数结果；以及用于通过所述通信单元根据所述目标医学影像数据进行4D医学成像，其中，所述动脉和所述静脉的交叉位置呈现整体分离的影像效果。
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，医学成像装置首先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，最后，根据目标医学影像数据进行4D医学成像，其中，目标医学影像数据至少包括目标部位的血管的数据集合，血管的数据集合中包括动脉的数据集合和静脉的数据集合，且动脉的数据集合中的第一数据和静脉的数据集合的第二数据相互独立，第一数据为与动脉和静脉的交叉位置关联的数据，第二数据为与交叉位置关联的数据，动脉的数据集合为动脉表面和动脉内部的组织结构的立方体空间的传递函数结果，静脉的数据集合为静脉表面和静脉内部的组织结构的立方体空间的传递函数结果，且动脉和静脉的交叉位置呈现整体分离的影像效果，可见，本申请医学成像装置能够基于原始扫描图像进行4D医学影像显示，有利于提高动脉和静脉成像的准确度和效率。
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医学影像的动脉与静脉Ai处理方法的流程示意图；
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医学影像的动脉与静脉Ai处理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医学影像的动脉与静脉的分析处理算法为基础，进行人体动脉和静脉的四维分离体绘制，实现四维立体效果(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目标器官、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医学影像的动脉与静脉Ai处理方法进行详细介绍。
请参阅图2，图2是本申请实施例提供了一种基于VRDS 4D医学影像的动脉与静脉Ai处理方法的流程示意图，应用于如图1所述的医学成像装置；如图所示，本基于VRDS 4D医学影像的动脉与静脉Ai处理方法包括：
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；
其中，所述目标部分例如可以是肾脏。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。
在一个可能的示例中，所述医学成像装置根据目标用户的目标器官关联的多张扫描图像确定位图BMP数据源，包括：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所述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二预设处理得到所述BMP数据源，所述第二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。
可见，本示例中，医学成像装置会对扫描图像进行筛选得到DICOM数据，然后解析得到Texture 2D/3D图像体数据，最后通过均衡、去噪、弹性变形中的至少一种进行处理，最终获得符合医学影像要求的BMP数据源。
在本可能的示例中，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。
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。
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，其中，所述目标医学影像数据至少包括所述目标部位的血管的数据集合，所述血管的数据集合中包括动脉的数据集合和静脉的数据集合，且所述动脉的数据集合中的第一数据和所述静脉的数据集合的第二数据相互独立，所述第一数据为与所述动脉和所述静脉的交叉位置关联的数据，所述第二数据为与所述交叉位置关联的数据，所述动脉的数据集合为所述动脉表面和所述动脉内部的组织结构的立方体空间的传递函数结果，所述静脉的数据集合为所述静脉表面和所述静脉内部的组织结构的立方体空间的传递函数结果；
在一个可能的示例中，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，包括：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部位的血管的数据集合，所述血管的数据集合中包括所述交叉位置的融合数据、所述动脉的除所述交叉位置的数据以及所述静脉的除所述交叉位置的数据，所述血管的数据集合为所述血管表面和所述血管内部中的组织结构的立方体空间的传递函数结果；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交叉位置的融合数据进行空间分割处理，得到所述第一数据和所述第二数据；综合所述第一数据、所述第二数据、所述动脉的除所述交叉位置的数据以及所述静脉的除所述交叉位置的数据，得到所述目标医学影像数据。
可见，本示例中，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，再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交叉位置的融合数据进行空间分割处理，得到所述第一数据和所述第二数据，综合所述第一数据、所述第二数据、所述动脉的除所述交叉位置的数据以及所述静脉的除所述交叉位置的数据，得到所述目标医学影像数据，有利于更加准确、全面的获取目标医学影像数据，提高目标医学影像数据的精准度。
在本可能的示例中，所述医学成像装置综合所述第一数据、所述第二数据、所述动脉的除所述交叉位置的数据以及所述静脉的除所述交叉位置的数据，得到所述目标医学影像数据，包括：所述医学成像装置综合所述第一数据、所述第二数据、所述动脉的除所述交叉位置的数据以及所述静脉的除所述交叉位置的数据，得到第二医学影像数据；针对所述第二医学影像数据执行第一预设处理得到目标医学影像数据，所述第一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，所述目标医学影像数据包括所述目标器官的数据集合和所述动脉的数据集合以及所述静脉的数据集合；
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。
其中，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，本示例中，医学成像装置综合所述第一数据、所述第二数据、所述动脉的除所述交叉位置的数据以及所述静脉的除所述交叉位置的数据，得到第二医学影像数据，针对所述第二医学影像数据执行第一预设处理得到目标医学影像数据，对得到的医学影像数据进行进一步的优化处理，有利于提高目标医学影像数据的精准性和高效性。
在本可能的示例中，所述医学成像装置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交叉位置的融合数据进行空间分割处理，得到所述第一数据和所述第二数据，包括：所述医学成像装置对所述交叉位置按照交叉复杂度进行分区，得到多个交叉分区；对每个交叉分区的融合数据进行筛选以降低所述每个分区的数据量；将所述每个分区的筛选后数据导入所述交叉血管网络模型，得到所述每个分区的第一分区数据和第二分区数据；综合所述多个交叉分区的多个第一分区数据，得到所述第一数据，综合所述多个交叉分区的多个第二分区数据，得到所述第二数据。
具体实现中，交叉位置的交叉复杂度可以根据交叉区域的曲率范围计算得到，曲率范围越大，说明动脉与静脉的接触情况越紧密复杂，对应交叉复杂度越高。交叉位置的分区具体可以按照曲率半径进行分区，如曲率半径a1到a2范围内的区域为第一交叉分区，曲率半径a2到a3范围内的区域为第二交叉分区。每个交叉分区的数据的筛选策略可以是通过卷积运算或者稀疏处理等算法执行，目的是保证显示效果的基础上减少数据量以提高计算效率。
其中，所述交叉血管网络模型通过以下操作实现动脉和静脉的数据分离：(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，得到相互独立的动脉边界点数据和静脉边界点数据；(3)将处理后得到的多个动脉边界点数据整合为第一数据，将处理后得到的多个静脉边界点数据整合为第二数据。
可见，本示例中，医学成像装置能够针对动脉和静脉的交叉位置的数据进行分区和稀疏处理，保证显示效果的同时提高计算效率，提高实时性。
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，其中，所述动脉和所述静脉的交叉位置呈现整体分离的影像效果；
其中，所述4D医学成像是指呈现4维医学影像。
在一个可能的示例中，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，包括：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VRDS 4D成像数据；根据所述VRDS 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。
可以看出，本申请实施例中，医学成像装置首先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，最后，根据目标医学影像数据进行4D医学成像，其中，目标医学影像数据至少包括目标部位的血管的数据集合，血管的数据集合中包括动脉的数据集合和静脉的数据集合，且动脉的数据集合中的第一数据和静脉的数据集合的第二数据相互独立，第一数据为与动脉和静脉的交叉位置关联的数据，第二数据为与交叉位置关联的数据，动脉的数据集合为动脉表面和动脉内部的组织结构的立方体空间的传递函数结果，静脉的数据集合为静脉表面和静脉内部的组织结构的立方体空间的传递函数结果，且动脉和静脉的交叉位置呈现整体分离的影像效果，可见，本申请医学成像装置能够基于原始扫描图像进行4D医学影像显示，有利于提高动脉和静脉成像的准确度和效率。
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；
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至少包括所述目标部位的血管的数据集合，所述血管的数据集合中包括动脉的数据集合和静脉的数据集合，且所述动脉的数据集合中的第一数据和所述静脉的数据集合的第二数据相互独立，所述第一数据为与所述动脉和所述静脉的交叉位置关联的数据，所述第二数据为与所述交叉位置关联的数据，所述动脉的数据集合为所述动脉表面和所述动脉内部的组织结构的立方体空间的传递函数结果，所述静脉的数据集合为所述静脉表面和所述静脉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，其中，所述动脉和所述静脉的交叉位置呈现整体分离的影像效果。
可以看出，本申请实施例中，医学成像装置首先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，最后，根据目标医学影像数据进行4D医学成像，其中，目标医学影像数据至少包括目标部位的血管的数据集合，血管的数据集合中包括动脉的数据集合和静脉的数据集合，且动脉的数据集合中的第一数据和静脉的数据集合的第二数据相互独立，第一数据为与动脉和静脉的交叉位置关联的数据，第二数据为与交叉位置关联的数据，动脉的数据集合为动脉表面和动脉内部的组织结构的立方体空间的传递函数结果，静脉的数据集合为静脉表面和静脉内部的组织结构的立方体空间的传递函数结果，且动脉和静脉的交叉位置呈现整体分离的影像效果，可见，本申请医学成像装置能够基于原始扫描图像进行4D医学影像显示，有利于提高动脉和静脉成像的准确度和效率。
在一个可能的示例中，所述根据所述BMP数据源生成目标医学影像数据，所述程序还包括用于执行以下操作的指令：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部位的血管的数据集合，所述血管的数据集合中包括所述交叉位置的融合数据、所述动脉的除所述交叉位置的数据以及所述静脉的除所述交叉位置的数据，所述血管的数据集合为所述血管表面和所述血管内部中的组织结构的立方体空间的传递函数结果；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交叉位置的融合数据进行空间分割处理，得到所述第一数据和所述第二数据；综合所述第一数据、所述第二数据、所述动脉的除所述交叉位置的数据以及所述静脉的除所述交叉位置的数据，得到所述目标医学影像数据。
在一个可能的示例中，在所述综合所述第一数据、所述第二数据、所述动脉的除所述交叉位置的数据以及所述静脉的除所述交叉位置的数据，得到所述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：综合所述第一数据、所述第二数据、所述动脉的除所述交叉位置的数据以及所述静脉的除所述交叉位置的数据，得到第二医学影像数据；针对所述第二医学影像数据执行第一预设处理得到目标医学影像数据，所述第一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，所述目标医学影像数据包括所述目标器官的数据集合和所述动脉的数据集合以及所述静脉的数据集合。
在一个可能的示例中，所述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交叉位置的融合数据进行空间分割处理，得到所述第一数据和所述第二数据，所述程序还包括用于执行以下操作的指令：对所述交叉位置按照交叉复杂度进行分区，得到多个交叉分区；对每个交叉分区的融合数据进行筛选以降低所述每个分区的数据量；将所述每个分区的筛选后数据导入所述交叉血管网络模型，得到所述每个分区的第一分区数据和第二分区数据；综合所述多个交叉分区的多个第一分区数据，得到所述第一数据，综合所述多个交叉分区的多个第二分区数据，得到所述第二数据。
在一个可能的示例中，所述根据所述目标医学影像数据进行4D医学成像，所述程序还包括用于执行以下操作的指令：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VRDS 4D成像数据；根据所述VRDS 4D成像数据进行4D医学成像。
在一个可能的示例中，所述根据目标用户的目标器官关联的多张扫描图像确定位图BMP数据源，所述程序还包括用于执行以下操作的指令：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所述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二预设处理得到所述BMP数据源，所述第二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。
在一个可能的示例中，所述VRDS限制对比度自适应直方图均衡指令具体用于执行以下操作：：区域噪音比度限幅、全局对比度限幅；将图源的局部直方图划分多个分区，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；所述混合偏微分去噪指令具体用于执行以下操作：：通过VRDS Ai曲率驱动和VRDS Ai高阶混合去噪，使得图像边缘的曲率小于预设曲率，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；所述VRDS Ai弹性变形处理指令具体用于执行以下操作：在图像点阵上，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，再对图像进行旋转、扭曲、平移操作。
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医学影像的动脉与静脉Ai处理装置400的功能单元组成框图。该基于VRDS Ai 4D医学影像的动脉与静脉Ai处理装置400应用于医学成像装置，该基于VRDS Ai 4D医学影像的动脉与静脉Ai处理装置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；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至少包括所述目标部位的血管的数据集合，所述血管的数据集合中包括动脉的数据集合和静脉的数据集合，且所述动脉的数据集合中的第一数据和所述静脉的数据集合的第二数据相互独立，所述第一数据为与所述动脉和所述静脉的交叉位置关联的数据，所述第二数据为与所述交叉位置关联的数据，所述动脉的数据集合为所述动脉表面和所述动脉内部的组织结构的立方体空间的传递函数结果，所述静脉的数据集合为所述静脉表面和所述静脉内部的组织结构的立方体空间的传递函数结果；以及用于通过所述通信单元402根据所述目标医学影像数据进行4D医学成像，其中，所述动脉和所述静脉的交叉位置呈现整体分离的影像效果。
其中，所述装置400还包括存储单元403，所述处理单元401可以是处理器，所述通信单元402可以是通信接口，所述存储单元403可以是存储器。
可以看出，本申请实施例中，医学成像装置首先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，最后，根据目标医学影像数据进行4D医学成像，其中，目标医学影像数据至少包括目标部位的血管的数据集合，血管的数据集合中包括动脉的数据集合和静脉的数据集合，且动脉的数据集合中的第一数据和静脉的数据集合的第二数据相互独立，第一数据为与动脉和静脉的交叉位置关联的数据，第二数据为与交叉位置关联的数据，动脉的数据集合为动脉表面和动脉内部的组织结构的立方体空间的传递函数结果，静脉的数据集合为静脉表面和静脉内部的组织结构的立方体空间的传递函数结果，且动脉和静脉的交叉位置呈现整体分离的影像效果，可见，本申请医学成像装置能够基于原始扫描图像进行4D医学影像显示，有利于提高动脉和静脉成像的准确度和效率。
在一个可能的示例中，所述根据所述BMP数据源生成目标医学影像数据，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部位的血管的数据集合，所述血管的数据集合中包括所述交叉位置的融合数据、所述动脉的除所述交叉位置的数据以及所述静脉的除所述交叉位置的数据，所述血管的数据集合为所述血管表面和所述血管内部中的组织结构的立方体空间的传递函数结果；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交叉位置的融合数据进行空间分割处理，得到所述第一数据和所述第二数据；综合所述第一数据、所述第二数据、所述动脉的除所述交叉位置的数据以及所述静脉的除所述交叉位置的数据，得到所述目标医学影像数据。
在一个可能的示例中，在所述综合所述第一数据、所述第二数据、所述动脉的除所述交叉位置的数据以及所述静脉的除所述交叉位置的数据，得到所述目标医学影像数据方面：所述处理单元401具体用于：综合所述第一数据、所述第二数据、所述动脉的除所述交叉位置的数据以及所述静脉的除所述交叉位置的数据，得到第二医学影像数据；针对所述第二医学影像数据执行第一预设处理得到目标医学影像数据，所述第一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，所述目标医学影像数据包括所述目标器官的数据集合和所述动脉的数据集合以及所述静脉的数据集合。
在一个可能的示例中，所述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交叉位置的融合数据进行空间分割处理，得到所述第一数据和所述第二数据，所述处理单元401具体用于：对所述交叉位置按照交叉复杂度进行分区，得到多个交叉分区；对每个交叉分区的融合数据进行筛选以降低所述每个分区的数据量；将所述每个分区的筛选后数据导入所述交叉血管网络模型，得到所述每个分区的第一分区数据和第二分区数据；综合所述多个交叉分区的多个第一分区数据，得到所述第一数据，综合所述多个交叉分区的多个第二分区数据，得到所述第二数据。
在一个可能的示例中，所述根据所述目标医学影像数据进行4D医学成像，所述处理单元401具体用于：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VRDS 4D成像数据；根据所述VRDS 4D成像数据进行4D医学成像。
在一个可能的示例中，所述根据目标用户的目标器官关联的多张扫描图像确定位图BMP数据源，所述处理单元401具体用于：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所述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二预设处理得到所述BMP数据源，所述第二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。
在一个可能的示例中，所述VRDS限制对比度自适应直方图均衡，所述处理单元401具体用于：区域噪音比度限幅、全局对比度限幅；将图源的局部直方图划分多个分区，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；所述混合偏微分去噪，所述处理单元401具体用于：通过VRDS Ai曲率驱动和VRDS Ai高阶混合去噪，使得图像边缘的曲率小于预设曲率，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；所述VRDS Ai弹性变形处理，所述处理单元401具体用于：在图像点阵上，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，再对图像进行旋转、扭曲、平移操作。
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 (8)

1.一种基于医学影像的动脉与静脉Ai处理方法，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；
将所述BMP数据源导入预设的医学网络模型，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部位的血管的数据集合，所述血管的数据集合中包括动脉和静脉的交叉位置的融合数据、动脉的除所述交叉位置的数据以及静脉的除所述交叉位置的数据，所述血管的数据集合为所述血管表面和所述血管内部中的组织结构的立方体空间的传递函数结果；
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交叉位置的融合数据进行空间分割处理，得到第一数据和第二数据，包括：对所述交叉位置按照交叉复杂度进行分区，得到多个交叉分区，所述交叉位置的交叉复杂度可以根据交叉区域的曲率范围计算得到，曲率范围越大，说明动脉与静脉的接触情况越紧密复杂，对应交叉复杂度越高；对每个交叉分区的融合数据进行筛选以降低所述每个分区的数据量；将所述每个分区的筛选后数据导入所述交叉血管网络模型，得到所述每个分区的第一分区数据和第二分区数据；综合所述多个交叉分区的多个第一分区数据，得到所述第一数据，综合所述多个交叉分区的多个第二分区数据，得到所述第二数据；综合所述第一数据、所述第二数据、所述动脉的除所述交叉位置的数据以及所述静脉的除所述交叉位置的数据，得到目标医学影像数据，所述目标医学影像数据至少包括所述目标部位中的动脉的数据集合和静脉的数据集合，且所述动脉的数据集合中的第一数据和所述静脉的数据集合的第二数据相互独立，所述第一数据、所述第二数据为与所述交叉位置关联的数据，所述动脉的数据集合为所述动脉表面和所述动脉内部的组织结构的立方体空间的传递函数结果，所述静脉的数据集合为所述静脉表面和所述静脉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医学成像，其中，所述动脉和所述静脉的交叉位置呈现整体分离的影像效果。
2.根据权利要求1所述的方法，其特征在于，所述综合所述第一数据、所述第二数据、所述动脉的除所述交叉位置的数据以及所述静脉的除所述交叉位置的数据，得到所述目标医学影像数据，包括：
综合所述第一数据、所述第二数据、所述动脉的除所述交叉位置的数据以及所述静脉的除所述交叉位置的数据，得到第二医学影像数据；
针对所述第二医学影像数据执行第一预设处理得到目标医学影像数据，所述第一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，所述目标医学影像数据包括所述目标部位的数据集合和所述动脉的数据集合以及所述静脉的数据集合。
3.根据权利要求1-2任一项所述的方法，其特征在于，所述根据所述目标医学影像数据进行医学成像，包括：
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成像数据；
根据所述成像数据进行医学成像。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据目标用户的目标部位关联的多张扫描图像确定位图BMP数据源，包括：
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所述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二预设处理得到所述BMP数据源，所述第二预设处理包括以下至少一种操作：限制对比度自适应直方图均衡、混合偏微分去噪、弹性变形处理。
5.根据权利要求4所述的方法，其特征在于，所述限制对比度自适应直方图均衡包括以下步骤：区域噪音比度限幅、全局对比度限幅；将图源的局部直方图划分多个分区，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；
所述混合偏微分去噪包括以下步骤：通过曲率驱动和高阶混合去噪，使得图像边缘的曲率小于预设曲率，实现既可以保护图像边缘、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；
所述弹性变形处理包括以下步骤：在图像点阵上，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，再对图像进行旋转、扭曲、平移操作。
6.一种基于医学影像的动脉与静脉Ai处理装置，其特征在于，应用于医学成像装置；所述基于医学影像的动脉与静脉Ai处理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；将所述BMP数据源导入预设的医学网络模型，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部位的血管的数据集合，所述血管的数据集合中包括动脉和静脉的交叉位置的融合数据、动脉的除所述交叉位置的数据以及静脉的除所述交叉位置的数据，所述血管的数据集合为所述血管表面和所述血管内部中的组织结构的立方体空间的传递函数结果；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交叉位置的融合数据进行空间分割处理，得到第一数据和第二数据，包括：对所述交叉位置按照交叉复杂度进行分区，得到多个交叉分区，所述交叉位置的交叉复杂度可以根据交叉区域的曲率范围计算得到，曲率范围越大，说明动脉与静脉的接触情况越紧密复杂，对应交叉复杂度越高；对每个交叉分区的融合数据进行筛选以降低所述每个分区的数据量；将所述每个分区的筛选后数据导入所述交叉血管网络模型，得到所述每个分区的第一分区数据和第二分区数据；综合所述多个交叉分区的多个第一分区数据，得到所述第一数据，综合所述多个交叉分区的多个第二分区数据，得到所述第二数据；综合所述第一数据、所述第二数据、所述动脉的除所述交叉位置的数据以及所述静脉的除所述交叉位置的数据，得到目标医学影像数据，所述目标医学影像数据至少包括所述目标部位中的动脉的数据集合和静脉的数据集合，且所述动脉的数据集合中的第一数据和所述静脉的数据集合的第二数据相互独立，所述第一数据、第二数据为与所述交叉位置关联的数据，所述动脉的数据集合为所述动脉表面和所述动脉内部的组织结构的立方体空间的传递函数结果，所述静脉的数据集合为所述静脉表面和所述静脉内部的组织结构的立方体空间的传递函数结果；以及用于通过所述通信单元根据所述目标医学影像数据进行医学成像，其中，所述动脉和所述静脉的交叉位置呈现整体分离的影像效果。
7.一种医学成像装置，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1-5任一项所述的方法中的步骤的指令。
8.一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1-5任一项所述的方法。
CN201910132134.1A 2019-02-22 2019-02-22 基于VRDS 4D医学影像的动脉与静脉Ai处理方法及产品 Active CN111613301B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201910132134.1A CN111613301B (zh) 2019-02-22 2019-02-22 基于VRDS 4D医学影像的动脉与静脉Ai处理方法及产品
US17/432,494 US20220172823A1 (en) 2019-02-22 2019-08-16 Method and product for ai processing of artery and vein based on vrds 4d medical images
PCT/CN2019/101158 WO2020168696A1 (zh) 2019-02-22 2019-08-16 基于VRDS 4D医学影像的动脉与静脉Ai处理方法及产品
AU2019430854A AU2019430854B2 (en) 2019-02-22 2019-08-16 VRDS 4D medical image-based artery and vein Ai processing method and product
EP19915864.3A EP3929933A4 (en) 2019-02-22 2019-08-16 4D VRDS MEDICAL IMAGE-BASED ARTERY AND VEIN AI TREATMENT METHOD AND PRODUCT

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910132134.1A CN111613301B (zh) 2019-02-22 2019-02-22 基于VRDS 4D医学影像的动脉与静脉Ai处理方法及产品

Publications (2)

Publication Number Publication Date
CN111613301A CN111613301A (zh) 2020-09-01
CN111613301B true CN111613301B (zh) 2023-09-15

Family

ID=72144490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910132134.1A Active CN111613301B (zh) 2019-02-22 2019-02-22 基于VRDS 4D医学影像的动脉与静脉Ai处理方法及产品

Country Status (5)

Country Link
US (1) US20220172823A1 (zh)
EP (1) EP3929933A4 (zh)
CN (1) CN111613301B (zh)
AU (1) AU2019430854B2 (zh)
WO (1) WO2020168696A1 (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102895031A (zh) * 2012-09-19 2013-01-30 深圳市旭东数字医学影像技术有限公司 肾脏虚拟手术方法及其系统
CN105095487A (zh) * 2015-08-17 2015-11-25 北京京东尚科信息技术有限公司 电子商务网点信息管控方法
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
GB0708136D0 (en) * 2007-04-26 2007-06-06 Cancer Res Inst Royal Measure of contrast agent
CN102543044B (zh) * 2011-11-28 2013-07-31 中国人民解放军第三军医大学第二附属医院 使冠状动脉显示更精细的方法及系统
CN108601552B (zh) * 2015-11-29 2021-04-09 阿特瑞斯公司 医学成像和医学成像信息的有效共享
US10002428B2 (en) * 2015-12-01 2018-06-19 Ottawa Hospital Research Institute Method and system for identifying bleeding
EP3655919A4 (en) * 2017-05-31 2021-06-16 Proximie Inc. SYSTEMS AND METHODS FOR DETERMINING THREE-DIMENSIONAL MEASUREMENTS IN A TELEMEDICAL APPLICATION
CN109300531A (zh) * 2018-08-24 2019-02-01 深圳大学 一种脑疾病早期诊断方法和装置
CN109157284A (zh) * 2018-09-28 2019-01-08 广州狄卡视觉科技有限公司 一种脑肿瘤医学影像三维重建显示交互方法及系统
CN109192308A (zh) * 2018-10-26 2019-01-11 西安医学院第附属医院 一种周围动脉硬化的早期筛查系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102895031A (zh) * 2012-09-19 2013-01-30 深圳市旭东数字医学影像技术有限公司 肾脏虚拟手术方法及其系统
CN105095487A (zh) * 2015-08-17 2015-11-25 北京京东尚科信息技术有限公司 电子商务网点信息管控方法
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 (1)

* Cited by examiner, † Cited by third party
Title
肝脏与肝内血管的分割及可视化研究;马孚骁;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;20170315;摘要、2.1节、2.4实验结果与讨论、3.6小结、第4章 *

Also Published As

Publication number Publication date
AU2019430854A1 (en) 2021-09-16
EP3929933A1 (en) 2021-12-29
AU2019430854B2 (en) 2022-09-08
CN111613301A (zh) 2020-09-01
US20220172823A1 (en) 2022-06-02
EP3929933A4 (en) 2023-05-31
WO2020168696A1 (zh) 2020-08-27

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
CN114365188A (zh) 基于vrds ai下腔静脉影像的分析方法及产品
CN114340496A (zh) 基于vrds ai医学影像的心脏冠脉的分析方法和相关装置
AU2019431568B2 (en) Method and product for processing of vrds 4d medical images
CN111613300B (zh) 基于VRDS 4D医学影像的肿瘤与血管Ai处理方法及产品
CN111612860B (zh) 基于VRDS 4D医学影像的栓塞的Ai识别方法及产品
CN111613302B (zh) 基于医学影像的肿瘤Ai处理方法及产品
CN111613301B (zh) 基于VRDS 4D医学影像的动脉与静脉Ai处理方法及产品
WO2021081850A1 (zh) 基于vrds 4d医学影像的脊椎疾病识别方法及相关装置
CN114287042A (zh) 基于vrds ai脑部影像的分析方法和相关装置
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
CN114364323A (zh) 基于vrds ai静脉影像的识别方法及产品

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: 20230221

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