CN111681224A - 获取血管参数的方法和装置 - Google Patents
获取血管参数的方法和装置 Download PDFInfo
- Publication number
- CN111681224A CN111681224A CN202010517606.8A CN202010517606A CN111681224A CN 111681224 A CN111681224 A CN 111681224A CN 202010517606 A CN202010517606 A CN 202010517606A CN 111681224 A CN111681224 A CN 111681224A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- area
- image
- lumen
- target image
- 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.)
- Pending
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 title claims abstract description 65
- 208000031481 Pathologic Constriction Diseases 0.000 claims abstract description 60
- 230000011218 segmentation Effects 0.000 claims abstract description 60
- 230000036262 stenosis Effects 0.000 claims abstract description 60
- 208000037804 stenosis Diseases 0.000 claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims description 19
- 238000003709 image segmentation Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 abstract description 13
- 238000012549 training Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000002452 interceptive effect Effects 0.000 description 7
- 230000003902 lesion Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 210000001715 carotid artery Anatomy 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007917 intracranial administration Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003143 atherosclerotic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013172 carotid endarterectomy Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 231100000216 vascular lesion Toxicity 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- 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
- G06T2207/20—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
Abstract
本申请涉及一种获取血管参数的方法、装置、计算机设备和计算机可读存储介质，其中方法包括：获取目标图像；提取所述目标图像中的血管中心线；根据所述血管中心线，从所述目标图像上获取待分割血管图像；利用训练完备的神经网络分割模型对所述待分割血管图像进行分割，得到血管的管腔管壁轮廓；基于所述管腔管壁轮廓，确定血管参数。本申请解决了对头颈部血管图像进行准确分割和定量测量的问题，使头颈部血管的狭窄情况可以定量反映。
Description
技术领域
本申请涉及医学图像处理技术领域，特别是涉及一种获取血管参数的方法、装置、计算机设备和计算机可读存储介质。
背景技术
近年来，在我国和世界范围内，脑血管疾病的发病率和死亡率正逐年增加，并逐步成为了人类最主要的致死原因之一。头颈动脉血管的粥样硬化病变是脑卒中的根源之一，会导致脑部功能区供血异常，不及时的诊断治疗会严重影响患者的身体情况和后续生活质量，甚至可能致命。
通过影像学方法识别出组织器官的病变和解剖上的异常是基础而且重要的检测手段。基于各种成像设备采集临床医学图像并进行自动图像处理的过程被称为计算机辅助检测。自动图像处理能帮助医生尽快准确的了解到病人的情况，有利于医生进行早期治疗。比如，自动的辅助检测能帮助医生快速定位到病变位置，从而进行干预。另外，自动准确的病变组织测量，可以向临床手术提供重要的参考信息。如颈动脉斑块的定位和定量测量，对临床医生进行颈动脉内膜剥脱术有着重要的参考价值。尤其是颈动脉中的血管狭窄比参数，根据该参数可以定量评价血管的狭窄情况。
目前已有一些针对血管分析的研究方法和结果的报道，但是在头颈部血管磁共振影像中对血管的管腔管壁进行准确测量的问题依旧没有解决。主要原因有两点，首先是准确自动获取磁共振影像中头颈部血管的分割结果比较困难，现有的血管分割技术主要有三种，第一种是采用手动或交互式的方式来实现管腔管壁的划分。这种分割方法实现起来比较繁复，效率低、且难以重复，精准度无法保证。第二种是自动或半自动分割方法，主要有活动轮廓方法、结合图割的活动轮廓方法、基于超像素的分割方法以及基于贝叶斯理论的分割方法，这些方法一般都需要用户提供一些先验信息，同时针对不同的数据进行参数上的调整才能获得较好的分割结果。第三种是自动分割方案，主要采用的是基于传统机器学习的方法，通过对图像特征进行提取来实现血管分割。由于实际获得的临床图像大都是病变数据，包含复杂的病变成分，使得图像特征变得复杂。这种分割算法很难对大量多变的图像进行有效的特征提取，从而导致分割结果不够鲁棒。其次，由于现有的图像分割结果不够鲁棒，准确性难以保证，因而没有适用的测量方案，导致了头颈部血管图像定量测量比较困难，尤其是血管参数的测量难以实现。
目前针对相关技术中无法对头颈部血管图像进行准确分割和定量测量的问题，尚未提出有效的解决方案。
发明内容
本申请提供了一种获取血管参数的方法、装置、计算机设备和计算机可读存储介质，以至少解决相关技术中无法对头颈部血管图像进行准确分割和定量测量的问题。
第一方面，本申请实施例提供了一种获取血管参数的方法，该方法包括以下步骤：
获取目标图像；
提取所述目标图像中的血管中心线；
根据所述血管中心线，从所述目标图像上获取待分割血管图像；
利用训练完备的神经网络分割模型对所述待分割血管图像进行分割，得到血管的管腔管壁轮廓；
基于所述管腔管壁轮廓，确定血管参数。
在其中一些实施例中，所述血管参数包括直径狭窄率、标准化管壁指数、面积狭窄率中的至少一个。
在其中一些实施例中，基于所述管腔管壁轮廓，确定血管参数，包括以下步骤：
对分割得到的所述管腔管壁轮廓进行径向采样，以获取多个方向上的管腔管壁直径，并选取正常管腔内径作为直径参考值，根据所述直径参考值和所述管腔管壁直径确定直径狭窄率；和/或
基于分割得到的所述管腔管壁轮廓，统计管腔面积和管壁面积，并根据所述管腔面积和所述管壁面积确定标准化管壁指数；和/或
基于分割得到的所述管腔管壁轮廓，统计管腔面积，并选取正常管腔面积作为面积参考值，根据所述面积参考值和所述管腔面积确定面积狭窄率。
在其中一些实施例中，对分割得到的所述管腔管壁轮廓进行径向采样，以获取多个方向上的管腔管壁直径，并选取正常管腔内径作为直径参考值，根据所述直径参考值和所述管腔管壁直径确定直径狭窄率，包括以下步骤：
对所述管腔管壁轮廓进行径向采样，获取多个方向上的管腔管壁直径，比较得到其中的最大值和最小值；
根据所述最大值、所述最小值、以及选取的所述直径参考值，确定所述直径狭窄率。
在其中一些实施例中，基于分割得到的所述管腔管壁轮廓，统计管腔面积，并选取正常管腔面积作为面积参考值，根据所述面积参考值和所述管腔面积确定面积狭窄率，包括以下步骤：
对分割得到的所述管腔管壁轮廓中的所述管腔面积进行测量统计；
选取所述正常管腔面积作为面积参考值，根据统计得到的所述管腔面积和选取的所述面积参考值确定斑块面积；
根据所述斑块面积和所述面积参考值确定所述面积狭窄率。
在其中一些实施例中，提取所述头目标图像中的血管中心线，包括以下步骤：
将所述目标图像与一已知血管中心线的图像进行配准，得到图像之间的配准关系，利用所述配准关系将所述目标图像的血管中心线配准到该图像上，得到所述目标图像中的血管中心线；或
获取所述目标图像中的血管上的至少2个定位点，确定定位点之间的最优路径，根据所述最优路径得到所述目标图像中的血管中心线；或
利用自动检测算法，从所述目标图像中提取所述血管中心线。
在其中一些实施例中，在对所述待分割血管图像进行分割之前，还包括以下步骤：
调整所述待分割血管图像的分辨率，使所述待分割血管图像的分辨率和信噪比满足图像分割要求。
第二方面，本申请实施例提供了一种获取血管参数的装置，包括图像获取模块、中心线提取模块、图像识别模块、图像分割模块、以及参数确定模块；
所述图像获取模块，用于获取目标图像；
所述中心线提取模块，用于提取所述目标图像中的血管中心线；
所述图像识别模块，用于根据所述血管中心线，从所述目标图像上获取待分割血管图像；
所述图像分割模块，用于利用训练完备的神经网络分割模型对所述待分割血管图像进行分割，得到血管的管腔管壁轮廓；
所述参数确定模块，用于基于所述管腔管壁轮廓，确定血管参数。
在其中一些实施例中，所述血管参数包括直径狭窄率、标准化管壁指数、面积狭窄率中的至少一个。
在其中一些实施例中，所述参数确定模块包括直径狭窄率确定单元、标准化管壁指数确定单元、面积狭窄率确定单元中的至少一个；
所述直径狭窄率确定单元，用于对分割得到的所述管腔管壁轮廓进行径向采样，以获取多个方向上的管腔管壁直径，并选取正常管腔内径作为直径参考值，根据所述直径参考值和所述管腔管壁直径确定直径狭窄率；
所述标准化管壁指数确定单元，用于基于分割得到的所述管腔管壁轮廓，统计管腔面积和管壁面积，并根据所述管腔面积和所述管壁面积确定标准化管壁指数；
所述面积狭窄率确定单元，用于基于分割得到的所述管腔管壁轮廓，统计管腔面积，并选取正常管腔面积作为面积参考值，根据所述面积参考值和所述管腔面积确定面积狭窄率。
在其中一些实施例中，所述直径狭窄率确定单元还用于对所述管腔管壁轮廓进行径向采样，获取多个方向上的管腔管壁直径，比较得到其中的最大值和最小值；并根据所述最大值、所述最小值、以及选取的所述直径参考值，确定所述直径狭窄率。
在其中一些实施例中，所述面积狭窄率确定单元还用于对分割得到的所述管腔管壁轮廓中的所述管腔面积进行测量统计；并选取所述正常管腔面积作为面积参考值，根据统计得到的所述管腔面积和选取的所述面积参考值确定斑块面积；进一步根据所述斑块面积和所述面积参考值确定所述面积狭窄率。
在其中一些实施例中，所述中心线提取模块包括配准单元、交互式检测单元、或自动检测单元；
所述配准单元用于将所述目标图像与一已知血管中心线的图像进行配准，得到图像之间的配准关系，利用所述配准关系将所述目标图像的血管中心线配准到该图像上，得到所述目标图像中的血管中心线；
所述交互式检测单元，用于获取所述目标图像中的血管上的至少2个定位点，确定定位点之间的最优路径，根据所述最优路径得到所述目标图像中的血管中心线；
所述自动检测单元，用于利用自动检测算法，从所述目标图像中提取所述血管中心线。
在其中一些实施例中，该获取血管参数的装置还包括分辨率调整模块；
所述分辨率调整模块，用于在对所述待分割血管图像进行分割之前，调整所述待分割血管图像的分辨率，使所述待分割血管图像的分辨率和信噪比满足图像分割要求。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的获取血管参数的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的获取血管参数的方法。
相比于相关技术，本申请提供的获取血管参数的方法、装置、计算机设备和计算机可读存储介质，解决了对头颈部血管图像进行准确分割和定量测量的问题，使头颈部血管的狭窄情况得到了定量反映。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是本申请实施例一提供的一种获取血管参数的方法的流程图；
图2是本申请实施例二提供的一种获取血管参数的方法的流程图；
图3是本申请实施例三提供的一种获取血管参数的方法的流程图；
图4是本申请实施例四提供的一种获取血管参数的装置的结构框图；
图5是本申请实施例五提供的一种计算机设备的结构示意图。
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，对本申请进行描述和说明。应当理解，此处所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。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的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。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“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。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“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模块(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，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本申请实施例一提供了一种获取血管参数的方法，可以应用在核磁共振设备中，用于对目标图像中的血管进行定量测量。图1是根据本申请实施例一提供的获取血管参数的方法的流程图，如图1所示，该流程包括如下步骤：
S110、获取目标图像；
S120、提取目标图像中的血管中心线；
S130、根据血管中心线，从目标图像上获取待分割血管图像；
S140、利用训练完备的神经网络分割模型对待分割血管图像进行分割，得到血管的管腔管壁轮廓；
S150、基于管腔管壁轮廓，确定血管参数。
上述目标图像可以为磁共振黑血序列，包括但不限于T1增强图像、T1图像、T2图像、质子密度图像等。待分割血管图像可以为颈动脉血管图像，也可以为颅内血管图像，可以为2D图像，也可以为3D图像。本申请提供的获取血管参数的方法不仅适用于颈动脉的管腔管壁分割及参数确定，也可以用于颅内血管的管腔管壁分割及参数确定。
现有的头颈部血管图像自动分割方案，主要采用的是基于传统机器学习的方法，通过对图像特征进行提取来实现血管分割。传统机器学习是指决策树，随机森林，支持向量机等方法，往往需要复杂的特征工程。而本实施例采用深度神经网络学习，具体可以使用Vnet或Unet网络，不需要复杂的特征工程；另外对于大量数据样本，深度学习有更好的泛化能力，为了提高任务的准确性，往往深度学习增加样本就可以获得更好效果，但对传统机器学习方法即使增加数据样本，也很难提高任务准确性。
本实施例提供的获取血管参数的方法，获取目标图像后，首先提取目标图像中的血管中心线，然后根据血管中心线，从目标图像上获取待分割血管图像；接下来，利用训练完备的神经网络分割模型对待分割血管图像进行分割，得到血管的管腔管壁轮廓；最后，基于管腔管壁轮廓确定血管参数。其利用训练完备的神经网络分割模型，对待分割血管图像进行分割，得到血管的管腔管壁轮廓，可以实现管腔管壁的准确分割。进一步，基于分割结果，确定血管参数，实现了头颈部血管的定量反映。
在其中一些实施例中，步骤S120中提取目标图像中的血管中心线，具体可以通过以下3种方式中的任意一种实现：
第一种：将目标图像与一已知血管中心线的样本图像进行配准，得到图像之间的配准关系，利用配准关系将样本图像的血管中心线配准到目标图像上，得到目标图像中的血管中心线。
例如，标记一批黑血序列中血管上的关键点，构造检测网络，进行学习训练，然后在测试阶段检测出图像中的血管关键点的坐标，最后采用最优路径的算法，即可找到穿过这几个点的中心线。
第二种：交互式检测算法，即获取头颈部原始图像中的血管上的至少2个定位点，确定定位点之间的最优路径，根据最优路径得到头颈部原始图像中的血管中心线。
假设图像上每个点的灰度值为函数f(x),对f(x)取反得到一个权重函数g(x),通常越接近血管的中心f(x)越大，g(x)越小，假设两点间的距离为：
n为从其中一点到另一点的步数，当h(x)取得最小值时所描述的路径就是通过这两点的中心线。这里可以是2个定位点，也可以是更多定位点，但至少需要2个定位点，可以在亮血序列上操作，也可以在黑血序列上操作。
第三种：自动检测算法，从头颈部原始图像中提取血管中心线。该算法与第二种交互式检测算法类似，区别在于最开始的几个点是自动检测得到，然后利用上述的最优路径算法找到穿过这几个点的中心线。
在其中一些实施例中，利用本申请确定的血管参数包括直径狭窄率、标准化管壁指数、面积狭窄率中的至少一个。
相应地，在其中一些实施例中，上述步骤S150，基于管腔管壁轮廓，确定血管参数，可以包括确定直径狭窄率、标准化管壁指数、和/或面积狭窄率。
作为一种可实施方式，确定直径狭窄率，可以通过以下方法实现：
对分割得到的管腔管壁轮廓进行径向采样，以获取多个方向上的管腔管壁直径，并选取正常管腔内径作为直径参考值，根据直径参考值和管腔管壁直径确定直径狭窄率。
这里的正常管腔可以是近端正常管腔，也可以是当前截面血管病变前的正常管腔(欧洲标准)，可以是远端正常管腔(北美标准)。
更进一步地，可以对管腔管壁轮廓进行径向采样，获取多个方向上的管腔管壁直径，比较得到其中的最大值和最小值；根据最大值、最小值、以及选取的直径参考值，确定直径狭窄率。
通过比较最大值和最小值，可以确定狭窄段的最窄直径，进而根据狭窄段的最窄直径和直径参考值，即可确定直径狭窄率。
具体确定公式如下：
直径狭窄率＝100％*(直径参考值-狭窄段的最窄直径)/直径参考值。
作为一种可实施方式，确定标准化管壁指，可以通过以下方法实现：
基于分割得到的管腔管壁轮廓，统计管腔面积和管壁面积，并根据管腔面积和管壁面积确定标准化管壁指数；
具体确定公式如下：
标准化管壁指数＝100％*管壁面积/(管壁面积+管腔面积)。
管壁面积和管腔面积可以基于管腔管壁分割结果统计得到。
作为一种可实施方式，确定面积狭窄率，可以通过以下方法实现：
基于分割得到的管腔管壁轮廓，统计管腔面积，并选取正常管腔面积作为面积参考值，根据面积参考值和管腔面积确定面积狭窄率。
更进一步地，可以对分割得到的管腔管壁轮廓中的管腔面积进行测量统计，选取正常管腔面积作为面积参考值，根据统计得到的管腔面积和选取的面积参考值确定斑块面积，根据斑块面积和面积参考值确定面积狭窄率。
具体确定公式如下：
斑块面积＝面积参考值-管腔面积。
面积狭窄率＝100％*(斑块面积)/面积参考值。
上述面积参考值即正常管腔面积，代表了原正常血管的面积。统计到的管腔面积为残余管腔面积。
在其中一些实施例中，在步骤S140，利用训练完备的神经网络分割模型对待分割血管图像进行分割之前，还包括以下步骤：
调整待分割血管图像的分辨率，使待分割血管图像的分辨率和信噪比满足图像分割要求。
本实施例二提供了一种获取血管参数的方法，可以应用在核磁共振设备中，用于对目标图像中的血管进行定量测量。图2是根据本申请实施例二提供的获取血管参数的方法的流程图，如图2所示，该流程包括如下步骤：
S210、获取目标图像；
S220、提取目标图像中的血管中心线；
S230、根据血管中心线，从目标图像上获取待分割血管图像；
S240、获取血管样本图像，并对血管样本图像中的管腔管壁区域进行标记；
S250、利用标记后得到的样本数据对深度神经网络模型进行训练，得到神经网络分割模型；
S260、利用训练完备的神经网络分割模型对待分割血管图像进行分割，得到血管的管腔管壁轮廓；
S270、基于管腔管壁轮廓，确定血管参数。
本实施例中的神经网络分割模型采用Vnet或Unet的网络结构。
首先，将网络参数进行初始化，然后将不同图像经过预处理归一化，输入网络，网络经过一系列上采样、下采样和卷积操作，输出预测的分割结果，然后将网络预测结果与标签图像进行对比，对比结果反馈回网络，更新网络参数，如此迭代更新，使网络预测的结果不断接近标签，从而保证网络学习到不同图像上管腔管壁的图像特征。
接下来，利用训练好的神经网络分割模型对未标记数据进行测试。将获得的待分割血管图像进行同样的预处理，然后输入网络，网络预测结果就是分割结果。
最后，当训练好的神经网络分割模型对新数据不能获得准确的分割结果时，可以对新数据进行标记，然后将新数据作为训练样本加入到原始训练样本中，对网络重新训练，实现网络模型的更新。
上述训练网络模型时采取的训练方式可以仅以标记图像作为输入，也可以结合其它信息进行多通道的输入。
上述步骤S240和步骤S250可以在图像分割步骤S260之前的任意步骤实施。
进一步地，由于磁共振产生的图像分辨率较低，不利于图像的识别，需要提高图像分辨率，但是随着分辨率提高图像信噪比又会下降，所以在提高分辨率时需要考虑到信噪比。
在本实施例中，根据血管中心线，从目标图像上获取待分割血管图像，当目标图像的分辨率不能满足要求时，可以在重建图像(获取待分割血管图像)的时候采用插值方式调整图像分辨率，使图像的分辨率和信噪比满足要求。
本申请实施例三还提供了一种获取血管参数的方法，如图3所示，该方法包括如下步骤：
S310、获取目标图像；
S320、提取目标图像中的血管中心线；
S330、根据血管中心线，从目标图像上获取待分割血管图像；
S340、获取血管样本图像，并对血管样本图像中的管腔管壁区域进行标记；
S350、利用标记后得到的样本数据对深度神经网络模型进行训练，得到神经网络分割模型；
S360，调整待分割血管图像的分辨率，使待分割血管图像的分辨率和信噪比满足图像分割要求；
S370、利用训练完备的神经网络分割模型对待分割血管图像进行分割，得到血管的管腔管壁轮廓；
S380、基于管腔管壁轮廓，确定血管参数。
上述步骤S340和步骤S350可以在图像分割步骤S370之前的任意步骤实施，步骤S360在步骤S330之后、且步骤S370之前均可实施。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种获取血管参数的装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件、或者软件和硬件的组合的实现也是可能并被构想的。
图4是根据本申请实施例四提供的获取血管参数的装置的结构框图，如图4所示，该装置包括：图像获取模块110、中心线提取模块120、图像识别模块130、图像分割模块140、以及参数确定模块150。
图像获取模块110用于获取目标图像；
中心线提取模块120用于提取目标图像中的血管中心线；
图像识别模块130用于根据血管中心线，从目标图像上获取待分割血管图像；
图像分割模块140用于利用训练完备的神经网络分割模型对待分割血管图像进行分割，得到血管的管腔管壁轮廓；
参数确定模块150用于基于管腔管壁轮廓，确定血管参数。
在其中一些实施例中，血管参数包括直径狭窄率、标准化管壁指数、面积狭窄率中的至少一个。
在其中一些实施例中，参数确定模块150包括直径狭窄率确定单元、标准化管壁指数确定单元、面积狭窄率确定单元中的至少一个。
其中，直径狭窄率确定单元用于对分割得到的管腔管壁轮廓进行径向采样，以获取多个方向上的管腔管壁直径，并选取正常管腔内径作为直径参考值，根据直径参考值和管腔管壁直径确定直径狭窄率。
标准化管壁指数确定单元用于基于分割得到的管腔管壁轮廓，统计管腔面积和管壁面积，并根据管腔面积和管壁面积确定标准化管壁指数。
面积狭窄率确定单元用于基于分割得到的管腔管壁轮廓，统计管腔面积，并选取正常管腔面积作为面积参考值，根据面积参考值和管腔面积确定面积狭窄率。
在其中一些实施例中，直径狭窄率确定单元还用于对管腔管壁轮廓进行径向采样，获取多个方向上的管腔管壁直径，比较得到其中的最大值和最小值；并根据最大值、最小值、以及选取的直径参考值，确定直径狭窄率。
在其中一些实施例中，面积狭窄率确定单元还用于对分割得到的管腔管壁轮廓中的管腔面积进行测量统计；并选取正常管腔面积作为面积参考值，根据统计得到的管腔面积和选取的面积参考值确定斑块面积；进一步根据斑块面积和面积参考值确定面积狭窄率。
在其中一些实施例中，中心线提取模块120包括配准单元、交互式检测单元、或自动检测单元。
其中，配准单元用于将目标图像与一已知血管中心线的图像进行配准，得到图像之间的配准关系，利用配准关系将目标图像的血管中心线配准到该图像上，得到目标图像中的血管中心线。
交互式检测单元，用于获取目标图像中的血管上的至少2个定位点，确定定位点之间的最优路径，根据最优路径得到目标图像中的血管中心线。
自动检测单元，用于利用自动检测算法，从目标图像中提取血管中心线。
在其中一些实施例中，该获取血管参数的装置还包括分辨率调整模块。分辨率调整模块用于在对待分割血管图像进行分割之前，调整待分割血管图像的分辨率，使待分割血管图像的分辨率和信噪比满足图像分割要求。
在其中一些实施例中，该获取血管参数的装置还包括样本标记模块和模型训练模块。样本标记模块用于获取血管样本图像，并对血管样本图像中的管腔管壁区域进行标记；模型训练模块用于利用标记后得到的样本数据对深度神经网络模型进行训练，得到神经网络分割模型。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
另外，结合图1描述的本申请实施例提供的获取血管参数的方法可以由一种计算机设备来实现。图5为根据本申请实施例五提供的计算机设备的硬件结构示意图。
该计算机设备可以包括处理器51以及存储有计算机程序指令的存储器52。
具体地，上述处理器51可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器52可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器52可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器52可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器52可在数据处理装置的内部或外部。在特定实施例中，存储器52是非易失性(Non-Volatile)存储器。在特定实施例中，存储器52包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(RandomAccess Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。
存储器52可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器51所执行的可能的计算机程序指令。
处理器51通过读取并执行存储器52中存储的计算机程序指令，以实现上述实施例中的任意一种获取血管参数的方法。
在其中一些实施例中，该计算机设备还可包括通信接口53和总线50。其中，如图5所示，处理器51、存储器52、通信接口53通过总线50连接并完成相互间的通信。
通信接口53用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口53还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线50包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。总线50包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线50可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(Front Side Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线50可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
该计算机设备可以基于获取到的目标血管图像，执行本申请实施例中的获取血管参数的方法，从而实现结合图1描述的获取血管参数的方法。
另外，结合上述实施例中的获取血管参数的方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种获取血管参数的方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种获取血管参数的方法，其特征在于，包括以下步骤：
获取目标图像；
提取所述目标图像中的血管中心线；
根据所述血管中心线，从所述目标图像上获取待分割血管图像；
利用训练完备的神经网络分割模型对所述待分割血管图像进行分割，得到血管的管腔管壁轮廓；
基于所述管腔管壁轮廓，确定血管参数。
2.根据权利要求1所述的获取血管参数的方法，其特征在于，所述血管参数包括直径狭窄率、标准化管壁指数、面积狭窄率中的至少一个。
3.根据权利要求1所述的获取血管参数的方法，其特征在于，基于所述管腔管壁轮廓，确定血管参数，包括以下步骤：
对分割得到的所述管腔管壁轮廓进行径向采样，以获取多个方向上的管腔管壁直径，并选取正常管腔内径作为直径参考值，根据所述直径参考值和所述管腔管壁直径确定直径狭窄率；和/或
基于分割得到的所述管腔管壁轮廓，统计管腔面积和管壁面积，并根据所述管腔面积和所述管壁面积确定标准化管壁指数；和/或
基于分割得到的所述管腔管壁轮廓，统计管腔面积，并选取正常管腔面积作为面积参考值，根据所述面积参考值和所述管腔面积确定面积狭窄率。
4.根据权利要求3所述的获取血管参数的方法，其特征在于，对分割得到的所述管腔管壁轮廓进行径向采样，以获取多个方向上的管腔管壁直径，并选取正常管腔内径作为直径参考值，根据所述直径参考值和所述管腔管壁直径确定直径狭窄率，包括以下步骤：
对所述管腔管壁轮廓进行径向采样，获取多个方向上的管腔管壁直径，比较得到其中的最大值和最小值；
根据所述最大值、所述最小值、以及选取的所述直径参考值，确定所述直径狭窄率。
5.根据权利要求3所述的获取血管参数的方法，其特征在于，基于分割得到的所述管腔管壁轮廓，统计管腔面积，并选取正常管腔面积作为面积参考值，根据所述面积参考值和所述管腔面积确定面积狭窄率，包括以下步骤：
对分割得到的所述管腔管壁轮廓中的所述管腔面积进行测量统计；
选取所述正常管腔面积作为面积参考值，根据统计得到的所述管腔面积和选取的所述面积参考值确定斑块面积；
根据所述斑块面积和所述面积参考值确定所述面积狭窄率。
6.根据权利要求1至5任一项所述的获取血管参数的方法，其特征在于，提取所述头目标图像中的血管中心线，包括以下步骤：
将所述目标图像与一已知血管中心线的图像进行配准，得到图像之间的配准关系，利用所述配准关系将所述目标图像的血管中心线配准到该图像上，得到所述目标图像中的血管中心线；或
获取所述目标图像中的血管上的至少2个定位点，确定定位点之间的最优路径，根据所述最优路径得到所述目标图像中的血管中心线；或
利用自动检测算法，从所述目标图像中提取所述血管中心线。
7.根据权利要求1至5任一项所述的获取血管参数的方法，其特征在于，在对所述待分割血管图像进行分割之前，还包括以下步骤：
调整所述待分割血管图像的分辨率，使所述待分割血管图像的分辨率和信噪比满足图像分割要求。
8.一种获取血管参数的装置，其特征在于，包括图像获取模块、中心线提取模块、图像识别模块、图像分割模块、以及参数确定模块；
所述图像获取模块，用于获取目标图像；
所述中心线提取模块，用于提取所述目标图像中的血管中心线；
所述图像识别模块，用于根据所述血管中心线，从所述目标图像上获取待分割血管图像；
所述图像分割模块，用于利用训练完备的神经网络分割模型对所述待分割血管图像进行分割，得到血管的管腔管壁轮廓；
所述参数确定模块，用于基于所述管腔管壁轮廓，确定血管参数。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的获取血管参数的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7中任一项所述的获取血管参数的方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010517606.8A CN111681224A (zh) | 2020-06-09 | 2020-06-09 | 获取血管参数的方法和装置 |
| PCT/CN2021/099197 WO2021249439A1 (en) | 2020-06-09 | 2021-06-09 | Systems and methods for image processing |
| US18/064,229 US20230104945A1 (en) | 2020-06-09 | 2022-12-09 | Systems and methods for image processing |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010517606.8A CN111681224A (zh) | 2020-06-09 | 2020-06-09 | 获取血管参数的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111681224A true CN111681224A (zh) | 2020-09-18 |
Family
ID=72435647
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010517606.8A Pending CN111681224A (zh) | 2020-06-09 | 2020-06-09 | 获取血管参数的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111681224A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112652011A (zh) * | 2020-12-25 | 2021-04-13 | 北京阅影科技有限公司 | 目标血管的提取方法、提取装置与计算机可读存储介质 |
| CN112927239A (zh) * | 2021-02-22 | 2021-06-08 | 北京安德医智科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN112967277A (zh) * | 2021-03-31 | 2021-06-15 | 成都思多科医疗科技有限公司 | 基于深度学习网络的颈动脉超声图像血管及内膜定位方法 |
| CN112991315A (zh) * | 2021-03-30 | 2021-06-18 | 清华大学 | 一种血管病变的识别方法、系统、存储介质及电子设备 |
| CN113256651A (zh) * | 2021-05-21 | 2021-08-13 | 推想医疗科技股份有限公司 | 模型训练方法及装置、图像分割方法及装置 |
| CN113379782A (zh) * | 2021-05-28 | 2021-09-10 | 上海联影医疗科技股份有限公司 | 管状结构的提取方法、装置、设备和存储介质 |
| CN113628193A (zh) * | 2021-08-12 | 2021-11-09 | 推想医疗科技股份有限公司 | 血管狭窄率确定方法、装置、系统及存储介质 |
| WO2021249439A1 (en) * | 2020-06-09 | 2021-12-16 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
| 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 |
| CN114359208A (zh) * | 2021-12-29 | 2022-04-15 | 推想医疗科技股份有限公司 | 头颈血管分割方法及装置、可读存储介质及电子设备 |
| WO2022089266A1 (zh) * | 2020-11-02 | 2022-05-05 | 中科麦迪人工智能研究院(苏州)有限公司 | 血管管腔提取方法、装置、电子设备和存储介质 |
| CN114638878A (zh) * | 2022-03-18 | 2022-06-17 | 北京安德医智科技有限公司 | 基于深度学习的二维超声心动图管径检测方法及装置 |
| CN115187598A (zh) * | 2022-09-09 | 2022-10-14 | 天津远景科技服务有限公司 | 血管造影图像的处理方法、装置、系统、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016159881A1 (en) * | 2015-03-31 | 2016-10-06 | Agency For Science, Technology And Research | Method and apparatus for assessing blood vessel stenosis |
| CN106157320A (zh) * | 2016-07-29 | 2016-11-23 | 上海联影医疗科技有限公司 | 一种图像血管分割方法及装置 |
| CN106803247A (zh) * | 2016-12-13 | 2017-06-06 | 上海交通大学 | 一种基于多级筛选卷积神经网络的微血管瘤自动检测方法 |
| CN108038848A (zh) * | 2017-12-07 | 2018-05-15 | 上海交通大学 | 基于医学影像序列斑块稳定性指标的快速计算方法及系统 |
| CN110060263A (zh) * | 2018-04-24 | 2019-07-26 | 深圳科亚医疗科技有限公司 | 医学图像的分割方法、分割装置、分割系统及计算机可读介质 |
| CN111178445A (zh) * | 2019-12-31 | 2020-05-19 | 上海商汤智能科技有限公司 | 图像处理方法及装置 |
-
2020
- 2020-06-09 CN CN202010517606.8A patent/CN111681224A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016159881A1 (en) * | 2015-03-31 | 2016-10-06 | Agency For Science, Technology And Research | Method and apparatus for assessing blood vessel stenosis |
| CN106157320A (zh) * | 2016-07-29 | 2016-11-23 | 上海联影医疗科技有限公司 | 一种图像血管分割方法及装置 |
| CN106803247A (zh) * | 2016-12-13 | 2017-06-06 | 上海交通大学 | 一种基于多级筛选卷积神经网络的微血管瘤自动检测方法 |
| CN108038848A (zh) * | 2017-12-07 | 2018-05-15 | 上海交通大学 | 基于医学影像序列斑块稳定性指标的快速计算方法及系统 |
| CN110060263A (zh) * | 2018-04-24 | 2019-07-26 | 深圳科亚医疗科技有限公司 | 医学图像的分割方法、分割装置、分割系统及计算机可读介质 |
| CN111178445A (zh) * | 2019-12-31 | 2020-05-19 | 上海商汤智能科技有限公司 | 图像处理方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| RAHIL ETC.: "Automatic segmentation，detection and quantification of coronary artery stenoses on CTA", THE INTERNATIONAL JOURNAL OF CARDIOVASCULAR IMAGING, vol. 29, pages 1847 - 1859, XP055183233, DOI: 10.1007/s10554-013-0271-1 * |
| 周石 等: "旋转DSA三维重建成像与常规DSA在颈动脉狭窄诊治中的比较研究", 中华放射学杂志, vol. 39, no. 1, pages 92 - 96 * |
| 柳洋 等: "多血管床亚临床粥样硬化斑块特征与脑白质病变相关性的磁共振成像研究", 硕士学位论文, pages 14 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021249439A1 (en) * | 2020-06-09 | 2021-12-16 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
| WO2022089266A1 (zh) * | 2020-11-02 | 2022-05-05 | 中科麦迪人工智能研究院(苏州)有限公司 | 血管管腔提取方法、装置、电子设备和存储介质 |
| CN112652011A (zh) * | 2020-12-25 | 2021-04-13 | 北京阅影科技有限公司 | 目标血管的提取方法、提取装置与计算机可读存储介质 |
| CN112652011B (zh) * | 2020-12-25 | 2023-04-14 | 北京阅影科技有限公司 | 目标血管的提取方法、提取装置与计算机可读存储介质 |
| CN112927239A (zh) * | 2021-02-22 | 2021-06-08 | 北京安德医智科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN112991315A (zh) * | 2021-03-30 | 2021-06-18 | 清华大学 | 一种血管病变的识别方法、系统、存储介质及电子设备 |
| CN112967277A (zh) * | 2021-03-31 | 2021-06-15 | 成都思多科医疗科技有限公司 | 基于深度学习网络的颈动脉超声图像血管及内膜定位方法 |
| CN112967277B (zh) * | 2021-03-31 | 2024-01-26 | 成都思多科医疗科技有限公司 | 基于深度学习网络的颈动脉超声图像血管及内膜定位方法 |
| CN113256651A (zh) * | 2021-05-21 | 2021-08-13 | 推想医疗科技股份有限公司 | 模型训练方法及装置、图像分割方法及装置 |
| CN113379782A (zh) * | 2021-05-28 | 2021-09-10 | 上海联影医疗科技股份有限公司 | 管状结构的提取方法、装置、设备和存储介质 |
| CN113628193A (zh) * | 2021-08-12 | 2021-11-09 | 推想医疗科技股份有限公司 | 血管狭窄率确定方法、装置、系统及存储介质 |
| 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 |
| CN114359208A (zh) * | 2021-12-29 | 2022-04-15 | 推想医疗科技股份有限公司 | 头颈血管分割方法及装置、可读存储介质及电子设备 |
| CN114638878A (zh) * | 2022-03-18 | 2022-06-17 | 北京安德医智科技有限公司 | 基于深度学习的二维超声心动图管径检测方法及装置 |
| CN115187598A (zh) * | 2022-09-09 | 2022-10-14 | 天津远景科技服务有限公司 | 血管造影图像的处理方法、装置、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111681224A (zh) | 获取血管参数的方法和装置 | |
| EP3432784B1 (en) | Deep-learning-based cancer classification using a hierarchical classification framework | |
| CN112001925B (zh) | 图像的分割方法、放射治疗系统、计算机设备和存储介质 | |
| US20210374950A1 (en) | Systems and methods for vessel plaque analysis | |
| CN107563434B (zh) | 一种基于三维卷积神经网络的脑部mri图像分类方法、装置 | |
| CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
| Lamy et al. | Vesselness filters: A survey with benchmarks applied to liver imaging | |
| CN111028206A (zh) | 一种基于深度学习前列腺癌自动检测和分类系统 | |
| CN111681226A (zh) | 基于血管识别的目标组织定位方法和装置 | |
| CN113066061B (zh) | 一种基于mra的动脉瘤检测方法、系统、终端及介质 | |
| CN110910370B (zh) | 一种cta图像冠脉狭窄检测的方法及装置 | |
| CN110619635B (zh) | 基于深度学习的肝细胞癌磁共振图像分割系统和方法 | |
| CN112991346B (zh) | 用于医学图像分析的学习网络的训练方法和训练系统 | |
| CN114119602B (zh) | 对医学图像进行对象分析的方法、装置和存储介质 | |
| Vukadinovic et al. | Segmentation of the outer vessel wall of the common carotid artery in CTA | |
| CN111815663A (zh) | 一种基于Hessian矩阵和灰度法的肝血管分割系统 | |
| CN111932495B (zh) | 一种医学图像检测方法、装置及存储介质 | |
| CN109754388A (zh) | 一种颈动脉狭窄程度计算方法、装置及存储介质 | |
| CN110517264B (zh) | 一种基于血管分割的病灶提取方法及装置 | |
| CN111461065B (zh) | 管状结构识别方法、装置、计算机设备和可读存储介质 | |
| Delmoral et al. | Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study | |
| CN109875595B (zh) | 一种颅内血管状态检测方法及装置 | |
| WO2022006917A1 (zh) | 基于人工智能的磁共振肺部影像识别装置及方法 | |
| CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
| CN113409273B (zh) | 一种图像分析方法、装置、设备和介质 |
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 | ||
| CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
| CB02 | Change of applicant information |