CN111681226A - 基于血管识别的目标组织定位方法和装置 - Google Patents
基于血管识别的目标组织定位方法和装置 Download PDFInfo
- Publication number
- CN111681226A CN111681226A CN202010518681.6A CN202010518681A CN111681226A CN 111681226 A CN111681226 A CN 111681226A CN 202010518681 A CN202010518681 A CN 202010518681A CN 111681226 A CN111681226 A CN 111681226A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- target tissue
- central line
- image
- identification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000010801 machine learning Methods 0.000 claims abstract description 17
- 239000010410 layer Substances 0.000 claims description 24
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 19
- 230000036262 stenosis Effects 0.000 claims description 19
- 208000037804 stenosis Diseases 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 230000004807 localization Effects 0.000 claims description 6
- 239000002356 single layer Substances 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 9
- 239000008280 blood Substances 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000010827 pathological analysis Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 208000004434 Calcinosis Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 210000004004 carotid artery internal Anatomy 0.000 description 1
- 210000000711 cavernous sinus Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 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
- 238000013135 deep learning Methods 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
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 125000003473 lipid group Chemical group 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002966 stenotic effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 210000002385 vertebral artery Anatomy 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
- G06T7/60—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于血管识别的目标组织定位方法、装置、计算机设备和计算机可读存储介质,其中方法包括:获取待识别的血管图像;对血管图像进行中心线提取;利用训练完备的机器学习模型对提取的中心线进行识别,得到中心线对应的名称和分段标记;基于中心线对血管图像中的血管进行分割和分析,以检测目标组织;根据检测结果与中心线对应的名称和分段标记,对目标组织进行定位。通过本申请,可以快速准确定位血管中的目标组织。
Description
技术领域
本申请涉及图像处理领域,特别是涉及基于血管识别的目标组织定位方法、装置、计算机设备和计算机可读存储介质。
背景技术
近年来,脑血管疾病的发病率和死亡率正逐年增加,逐步成为了我国致死率第一的疾病。随着血管壁磁共振成像技术的越发成熟,如何基于磁共振的血管图像识别出主要的脑血管,并检测出血管中的目标组织是目前需要解决的问题。
目前,基于血管图像对血管中的目标组织识别的研究已有一些,一般是采用手动或交互式的方式来获取黑血序列的血管中心线,并根据黑血序列的血管中心线进行目标组织的定位。但是这种方式存在的问题是,一般在人工的参与下只能确定是哪个血管,无法定位到具体的血管段上;而且存在人为因素会导致效率低、目标组织定位不准确。
目前针对相关技术中,对于目标组织,无法准确定位到具体的血管段上的问题,尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种基于血管识别的目标组织定位方法、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对于目标组织,无法准确定位到具体的血管段上的问题。
第一方面,本申请实施例提供了一种基于血管识别的目标组织定位方法,包括以下步骤:
获取待识别的血管图像;
对所述血管图像进行中心线提取;
利用训练完备的机器学习模型对提取的所述中心线进行识别,得到所述中心线对应的名称和分段标记;
基于所述中心线对所述血管图像中的血管进行分割和分析,以检测目标组织;
根据检测结果与所述中心线对应的名称和分段标记,对所述目标组织进行定位。
在其中一些实施例中,还包括以下步骤:
获取多个血管图像,对所述多个血管图像进行中心线提取,并对提取的中心线进行命名和分段标记;
将带有中心线名称和分段标记的所述多个血管图像作为样本数据进行训练,得到所述训练完备的机器学习模型。
在其中一些实施例中,基于所述中心线对所述血管图像中的血管进行分割和分析,以检测目标组织,包括以下步骤:
沿着所述中心线,对所述血管图像中的血管进行逐层分析,并在每个重建层上分割出血管的管腔管壁;
对分割得到的所述管腔管壁进行管径分析,以识别血管的狭窄部位;
对所述狭窄部位的管腔管壁之间的成分进行识别,并根据识别结果判断所述狭窄部位是否存在所述目标组织。
在其中一些实施例中,对分割得到的所述管腔管壁进行管径分析,以识别血管的狭窄部位,包括以下步骤:
计算分割得到的所述管腔管壁的定量参数;所述定量参数包括管腔面积、管壁面积和管壁厚度;
根据所述定量参数,识别所述血管的狭窄部位。
在其中一些实施例中,对所述狭窄部位的管腔管壁之间的成分进行识别,并根据识别结果判断所述狭窄部位是否存在所述目标组织,包括以下步骤:
对所述狭窄部位的管腔管壁之间的成分进行识别并标记,并定量计算各种成分的面积及占比;
根据计算结果,判断所述狭窄部位是否存在所述目标组织。
在其中一些实施例中,对所述血管图像进行中心线提取,包括以下步骤:
利用配准算法对所述血管图像进行中心线提取;
或,利用交互式检测算法对所述血管图像进行中心线提取;
或,利用自动检测算法对所述血管图像进行中心线提取。
在其中一些实施例中,用于检测所述目标组织的图像为单个序列上的单层,和/或多个配准序列相同位置的多层。
第二方面,本申请实施例提供了一种基于血管识别的目标组织定位装置,其特征在于,包括图像获取模块、中心线提取模块、中心线命名标记模块、目标组织检测模块以及目标组织定位模块;
所述图像获取模块,用于获取待识别的血管图像;
所述中心线提取模块,用于对所述血管图像进行中心线提取;
所述中心线命名标记模块,用于利用训练完备的机器学习模型对提取的所述中心线进行识别,得到所述中心线对应的名称和分段标记;
所述目标组织检测模块,用于基于所述中心线对所述血管图像中的血管进行分割和分析,检测目标组织;
所述目标组织定位模块,用于根据检测结果与所述中心线对应的名称和分段标记,对所述目标组织进行定位。
在其中一些实施例中,还包括训练模块;
所述训练模块,用于获取多个血管图像,对所述多个血管图像进行中心线提取,并对提取的中心线进行命名和分段标记;
将带有中心线名称和分段标记的所述多个血管图像作为样本数据进行训练,得到所述训练完备的机器学习模型。
在其中一些实施例中,所述目标组织检测模块包括第一分析单元、第二分析单元以及识别单元;
所述第一分析单元,用于沿着所述中心线,对所述血管图像中的血管进行逐层分析,并在每个重建层上分割出血管的管腔管壁;
所述第二分析单元,用于对分割得到的所述管腔管壁进行管径分析,以识别血管的狭窄部位;
所述识别单元,用于对所述狭窄部位的管腔管壁之间的成分进行识别,并根据识别结果判断所述狭窄部位是否存在所述目标组织。
在其中一些实施例中,所述第二分析单元,还用于计算分割得到的所述管腔管壁的定量参数;所述定量参数包括管腔面积、管壁面积和管壁厚度;
根据所述定量参数,识别所述血管的狭窄部位。
在其中一些实施例中,所述识别单元,还用于对所述狭窄部位的管腔管壁之间的成分进行识别并标记,并定量计算各种成分的面积及占比;
根据计算结果,判断所述狭窄部位是否存在所述目标组织。
在其中一些实施例中,所述中心线提取模块,还用于利用配准算法对所述血管图像进行中心线提取;
或,利用交互式检测算法对所述血管图像进行中心线提取;
或,利用自动检测算法对所述血管图像进行中心线提取。
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第一方面所述的基于血管识别的目标组织定位方法。
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第一方面所述的基于血管识别的目标组织定位方法。
相比于相关技术,本申请实施例提供的基于血管识别的目标组织定位方法、装置、计算机设备和计算机可读存储介质,通过对血管图像的检测结果和识别得到的中心线对应的名称和分段标记,能够快速准确地定位血管中的目标组织,且定位的目标组织带有名称和分段标记。
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。在附图中:
图1是本申请一实施例提供的基于血管识别的目标组织定位方法的流程图;
图2是本申请图1所示的实施例中的步骤S240的流程图;
图3是本申请一实施例提供的重建图的示意图;
图4是本申请一实施例提供的对重建图进行分割后的示意图;
图5是本申请一实施例提供的基于血管识别的目标组织定位装置的结构框图;
图6是本申请一实施例提供的基于血管识别的目标组织定位装置的优选结构框图;
图7是本申请一实施例提供的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。
本实施例提供了一种基于血管识别的目标组织定位方法。该方法可以应用于磁共振系统中。图1是根据本申请实施例提供的基于血管识别的目标组织定位方法的流程图,如图1所示,该流程包括如下步骤:
S210、获取待识别的血管图像;
S220、对血管图像进行中心线提取;
S230、利用训练完备的机器学习模型对提取的中心线进行识别,得到中心线对应的名称和分段标记;
S240、基于中心线对血管图像中的血管进行分割和分析,以检测目标组织;
S250、根据检测结果与中心线对应的名称和分段标记,对目标组织进行定位。
通过上述步骤,对待识别的血管图像进行中心线提取,并利用训练完备的机器学习模型对提取的中心线进行识别,得到中心线对应的名称和分段标记。基于中心线对血管图像中的血管进行分割和分析,以检测目标组织。再根据检测结果与中心线对应的名称和分段标记,对目标组织进行定位。使得整个过程不需要人工参与即可完成,从而避免人为因素的影响。而且利用训练完备的机器学习模型参与识别的方式能够大大提高效率,通过检测结果与中心线对应的名称和分段标记实现对目标组织的快速准确定位。
需要说明的是,待识别的血管图像可以是从数据库中间接获取,也可以是通过成像设备直接获取。血管图像可以是磁共振亮血序列,也可以是磁共振黑血序列,可以是单个序列,也可以是多个序列。亮血序列如:Tof,黑血序列如:T1增强图像、T1图像、T2图像或质子密度图像等。对于检测目标组织的图像,其可以是单个序列上的单层和多个配准序列相同位置的多层;其可以是单个序列上的单层;其可以是多个配准序列相同位置的多层。也就是说在进行分析时所选用检测目标组织的图像,可以一个,也可以是多个。这是由于不同使用单位以及成像设备的扫描协议不一样,所以最终选用的图像不一样,有可能单个序列上的单层和多个配准序列相同位置的多层,也可能只是其中的一个。
在其中一个实施例中,本发明提供的基于血管识别的目标组织定位方法,在上述步骤S230之前还包括以下步骤;
获取多个血管图像,对多个血管图像进行中心线提取,并对提取的中心线进行命名和分段标记;将带有中心线名称和分段标记的多个血管图像作为样本数据进行训练,得到训练完备的机器学习模型。
对于多个血管图像(磁共振序列),都进行中心线提取,并对提取到的中心线进行命名和分段标记。其中,分段标记通过添加标签来对血管每一段的端点进行标记,同时可以根据该血管在其他视图中进行位置确认,最后将标记结果保存为分段文本文件,分段文本文件中的文件信息包含标记点坐标和对应血管段标签。按照脑血管分段标准进行分段;比如:椎动脉:V1段,骨外段;V2段,椎间孔段;V3段,脊椎外段;V4段,硬膜内段。颈内动脉:C1,强段;C2,岩段;C3;破裂孔段;C4,海绵窦段;C5,床突段;C6、眼段;C7,交通段。基于上述大量的血管图像的样本训练得到的机器学习模型,具有识别效率高、准确率高的特点。
对于机器学习模型可以是采用深度学习的神经网络模型,比如,CNN卷积神经网络模型、DBN深度信念网络模型、RNN循环神经网络模型、RNTN递归神经张量网络模型等,对此并不进行限制。选择上述具体的神经网络模型,就按照对应的训练方式完成模型训练。
在其中一个实施例中,目标组织可以为病灶信息,借助这一信息,即可以从待识别的血管图像中识别出病灶位置。进一步地,还可以生成并输出定位报告,该定位报告包括目标组织的名称及其所在位置的分段标记,通过这样的定位报告,就能够快速确定目标组织的位置(血管和分段),从而方便后续病理分析。
下面通过优选实施例对本申请实施例进行描述和说明。
图2是根据本申请优选实施例的基于血管识别的目标组织定位方法的流程图。如图2所示是图1中步骤S240的流程图,该流程包括如下步骤:
S241、沿着中心线,对血管图像中的血管进行逐层分析,并在每个重建层上分割出血管的管腔管壁;
S242、对分割得到的管腔管壁进行管径分析,以识别血管的狭窄部位;
S243、对狭窄部位的管腔管壁之间的成分进行识别,并根据识别结果判断狭窄部位是否存在目标组织。
具体的,沿着识别得到的中心线,对待识别的血管图像中的血管进行逐层展开分析时,如果血管图像为一个序列,那么会得到该序列各层的重建图。如图3所示,为某一层的重建图的示意图。如果血管图像为多个序列,那么每个序列都会得到对应的各层的重建图。重建层是在中心线上某一点沿着垂直中心线的方向按照一定的尺寸,以及某种插值方式获取的平面图。
于本实施例中,该平面图是采用双三次插值的方式获取的。再基于现有的图像处理方法对各层的重建图进行分割,得到各层血管的管腔管壁。如图4所示,为图3对重建图进行分割后的示意图。
具体的,步骤S242对分割得到的管腔管壁进行管径分析,以识别血管的狭窄部位包括以下步骤:计算分割得到的管腔管壁的定量参数;定量参数包括管腔面积、管壁面积和管壁厚度;根据定量参数,识别血管的狭窄部位。
管径分析指的是计算管腔管壁定量参数和识别血管的狭窄部位的过程。定量参数包括管腔面积、管壁面积和管壁厚度。也就是说:通过管腔面积、管壁面积和管壁厚度等定量计算,确定血管存在狭窄部位。可以通过现有图像处理方法进行管腔管壁定量参数的计算。在一个实施例中,通过将管腔管壁定量参数与预设的标准参考信息进行比较,可以得到血管的狭窄部位。比如,预设的标准参考信息中的参考管壁面积为72,而测量的管壁面积为13,那么可以认定其为血管的狭窄部位。
在发现当前层血管的管腔管壁存在狭窄部位后,对狭窄部位的管腔管壁之间的成分进行识别并标记,并定量计算各种成分的面积及占比:根据计算结果,判断狭窄部位是否存在目标组织。利用图像处理技术对成分进行识别并标记。其中,成分可以包括钙化、脂质核心、疏松基质、纤维帽等。那么只要计算结果中存在上述成分及各种成分的面积及占比到达一定阈值时,可以认为狭窄部位存在目标组织。且由于知道各种成分的面积及占比,那么能够帮助用户快速确定斑块所在的位置(血管和分段),从而方便后续病理分析。
在其中一个实施例中,本发明提供的基于血管识别的目标组织定位方法中的步骤S220对血管图像进行中心线提取,具体可以包括以下步骤:
利用配准算法对血管图像进行中心线提取;
或,利用交互式检测算法对血管图像进行中心线提取;
或,利用自动检测算法对血管图像进行中心线提取。
具体的,本实施例提供的提取血管中心线的方法有三种,分别为将当前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当前图像上,得到目标图像中的血管中心线;或,获取目标图像中的血管上的至少2个定位点,计算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;或,利用自动检测算法,从目标图像中提取血管中心线。自动检测算法可以是基于神经网络模型进行提取,也可以是基于模板匹配等传统机器学习方法获得,对此并不进行限制。
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基于血管识别的目标组织定位装置,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”、“子单元”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被构想的。
图5是根据本申请实施例提供的基于血管识别的目标组织定位装置的结构框图,如图5所示,该装置包括:图像获取模块210、中心线提取模块220、中心线命名标记模块230、目标组织检测模块240以及目标组织定位模块250;图像获取模块210,用于获取待识别的血管图像;中心线提取模块220,用于对血管图像进行中心线提取;中心线命名标记模块230,用于利用训练完备的机器学习模型对提取的中心线进行识别,得到中心线对应的名称和分段标记;目标组织检测模块240,用于基于中心线对血管图像中的血管进行分割和分析,检测目标组织;目标组织定位模块250,用于根据检测结果与中心线对应的名称和分段标记,对目标组织进行定位。
在其中一个实施例中,目标组织检测模块240包括第一分析单元、第二分析单元以及识别单元;
第一分析单元用于沿着中心线,对血管图像中的血管进行逐层分析,并在每个重建层上分割出血管的管腔管壁;
第二分析单元用于对分割得到的管腔管壁进行管径分析,以识别血管的狭窄部位;
识别单元用于对狭窄部位的管腔管壁之间的成分进行识别,并根据识别结果判断狭窄部位是否存在目标组织。
在其中一个实施例中,第二分析单元还用于计算分割得到的管腔管壁的定量参数,定量参数包括管腔面积、管壁面积和管壁厚度;以及根据定量参数,识别血管的狭窄部位。
在其中一个实施例中,识别单元还用于对狭窄部位的管腔管壁之间的成分进行识别并标记,并定量计算各种成分的面积及占比,并根据计算结果,判断狭窄部位是否存在目标组织。
在其中一个实施例中,中心线提取模块220,还用于利用配准算法对血管图像进行中心线提取;
或,利用交互式检测算法对血管图像进行中心线提取;
或,利用自动检测算法对血管图像进行中心线提取。
图6是根据本申请实施例的基于血管识别的目标组织定位装置的优选结构框图,如图6所示,该装置包括图5所示的所有模块,此外还包括:训练模块200;
训练模块200,用于获取多个血管图像,对多个血管图像进行中心线提取,并对提取的中心线进行命名和分段标记;将带有中心线名称和分段标记的多个血管图像作为样本数据进行训练,得到训练完备的机器学习模型。
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,即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基于血管识别的目标组织定位方法可以由一种计算机设备来实现。图7为根据本申请实施例提供的一种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31以及存储有计算机程序指令的存储器32。
具体地,上述处理器31可以包括中央处理器(CPU),或者特点集成电路(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32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32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32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32可在数据处理装置的内部或外部。在特定实施例中,存储器32是非易失性(Non-Volatile)存储器。在特定实施例中,存储器32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32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31所执行的可能的计算机程序指令。
处理器31通过读取并执行存储器32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基于血管识别的目标组织定位方法。
在其中一些实施例中,该计算机设备还可包括通信接口33和总线30。其中,如图7所示,处理器31、存储器32、通信接口33通过总线30连接并完成相互间的通信。
通信接口33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。通信接口33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30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30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30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30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点的总线,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血管图像,执行本申请实施例中的基于血管识别的目标组织定位方法,从而实现结合图1描述的基于血管识别的目标组织定位方法。
另外,结合上述实施例中的基于血管识别的目标组织定位方法,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基于血管识别的目标组织定位方法。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于血管识别的目标组织定位方法,其特征在于,包括以下步骤:
获取待识别的血管图像;
对所述血管图像进行中心线提取;
利用训练完备的机器学习模型对提取的所述中心线进行识别,得到所述中心线对应的名称和分段标记;
基于所述中心线对所述血管图像中的血管进行分割和分析,以检测目标组织;
根据检测结果与所述中心线对应的名称和分段标记,对所述目标组织进行定位。
2.根据权利要求1所述的基于血管识别的目标组织定位方法,其特征在于,还包括以下步骤:
获取多个血管图像,对所述多个血管图像进行中心线提取,并对提取的中心线进行命名和分段标记;
将带有中心线名称和分段标记的所述多个血管图像作为样本数据进行训练,得到所述训练完备的机器学习模型。
3.根据权利要求1或2所述的基于血管识别的目标组织定位方法,其特征在于,基于所述中心线对所述血管图像中的血管进行分割和分析,以检测目标组织,包括以下步骤:
沿着所述中心线,对所述血管图像中的血管进行逐层分析,并在每个重建层上分割出血管的管腔管壁;
对分割得到的所述管腔管壁进行管径分析,以识别血管的狭窄部位;
对所述狭窄部位的管腔管壁之间的成分进行识别,并根据识别结果判断所述狭窄部位是否存在所述目标组织。
4.根据权利要求3所述的基于血管识别的目标组织定位方法,其特征在于,对分割得到的所述管腔管壁进行管径分析,以识别血管的狭窄部位,包括以下步骤:
计算分割得到的所述管腔管壁的定量参数;所述定量参数包括管腔面积、管壁面积和管壁厚度;
根据所述定量参数,识别所述血管的狭窄部位。
5.根据权利要求3所述的基于血管识别的目标组织定位方法,其特征在于,对所述狭窄部位的管腔管壁之间的成分进行识别,并根据识别结果判断所述狭窄部位是否存在所述目标组织,包括以下步骤:
对所述狭窄部位的管腔管壁之间的成分进行识别并标记,并定量计算各种成分的面积及占比;
根据计算结果,判断所述狭窄部位是否存在所述目标组织。
6.根据权利要求1或2所述的基于血管识别的目标组织定位方法,其特征在于,对所述血管图像进行中心线提取,包括以下步骤:
利用配准算法对所述血管图像进行中心线提取;
或,利用交互式检测算法对所述血管图像进行中心线提取;
或,利用自动检测算法对所述血管图像进行中心线提取。
7.根据权利要求1或2所述的基于血管识别的目标组织定位方法,其特征在于,用于检测所述目标组织的图像为单个序列上的单层,和/或多个配准序列相同位置的多层。
8.一种基于血管识别的目标组织定位装置,其特征在于,包括图像获取模块、中心线提取模块、中心线命名标记模块、目标组织检测模块以及目标组织定位模块;
所述图像获取模块,用于获取待识别的血管图像;
所述中心线提取模块,用于对所述血管图像进行中心线提取;
所述中心线命名标记模块,用于利用训练完备的机器学习模型对提取的所述中心线进行识别,得到所述中心线对应的名称和分段标记;
所述目标组织检测模块,用于基于所述中心线对所述血管图像中的血管进行分割和分析,检测目标组织;
所述目标组织定位模块,用于根据检测结果与所述中心线对应的名称和分段标记,对所述目标组织进行定位。
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中任一项所述的基于血管识别的目标组织定位方法。
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中任一项所述的基于血管识别的目标组织定位方法。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010518681.6A CN111681226B (zh) | 2020-06-09 | 2020-06-09 | 基于血管识别的目标组织定位方法和装置 |
EP20932198.3A EP4128040A4 (en) | 2020-04-24 | 2020-12-19 | OBJECT RECOGNITION SYSTEMS AND METHODS |
PCT/CN2020/137816 WO2021212886A1 (en) | 2020-04-24 | 2020-12-19 | Systems and methods for object recognition |
PCT/CN2021/099197 WO2021249439A1 (en) | 2020-06-09 | 2021-06-09 | Systems and methods for image processing |
US18/049,283 US20230074296A1 (en) | 2020-04-24 | 2022-10-24 | Systems and methods for object recognition |
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 |
---|---|---|---|
CN202010518681.6A CN111681226B (zh) | 2020-06-09 | 2020-06-09 | 基于血管识别的目标组织定位方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111681226A true CN111681226A (zh) | 2020-09-18 |
CN111681226B CN111681226B (zh) | 2024-07-12 |
Family
ID=72455008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010518681.6A Active CN111681226B (zh) | 2020-04-24 | 2020-06-09 | 基于血管识别的目标组织定位方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681226B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561781A (zh) * | 2020-12-07 | 2021-03-26 | 深圳先进技术研究院 | 一种磁共振血管壁图像分析方法、系统及计算机可读介质 |
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 |
CN113034683A (zh) * | 2021-04-30 | 2021-06-25 | 北京阅影科技有限公司 | 确定血管中心线真伪以及截断位置的方法与装置 |
CN113066091A (zh) * | 2021-03-29 | 2021-07-02 | 昆明同心医联科技有限公司 | 基于黑血管壁曲面重建的脑血管分割方法、装置及存储介质 |
CN113205488A (zh) * | 2021-04-19 | 2021-08-03 | 深圳睿心智能医疗科技有限公司 | 血流特性预测方法、装置、电子设备及存储介质 |
CN113223015A (zh) * | 2021-05-11 | 2021-08-06 | 清华大学 | 血管壁图像分割方法、装置、计算机设备和存储介质 |
WO2021212886A1 (en) * | 2020-04-24 | 2021-10-28 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for object recognition |
WO2021249439A1 (en) * | 2020-06-09 | 2021-12-16 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
WO2022105647A1 (zh) * | 2020-11-23 | 2022-05-27 | 西安科锐盛创新科技有限公司 | 一种颅内血管造影增强三维模型的建立方法 |
CN114708259A (zh) * | 2022-05-24 | 2022-07-05 | 深圳市铱硙医疗科技有限公司 | 基于cta的头颈血管狭窄检测方法、装置、设备及介质 |
CN115578484A (zh) * | 2021-06-21 | 2023-01-06 | 数坤(北京)网络科技股份有限公司 | 一种血管图像处理方法、装置、电子设备和可读存储介质 |
WO2023124830A1 (zh) * | 2021-12-28 | 2023-07-06 | 深圳先进技术研究院 | 一种基于中心线提取的血管壁影像自动曲面重建方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020086347A1 (en) * | 1999-06-23 | 2002-07-04 | Johnson Peter C. | Method for quantitative analysis of blood vessel structure |
US20110235891A1 (en) * | 2008-12-10 | 2011-09-29 | Koninklijke Philips Electronics N.V. | Vessel analysis |
CN102258381A (zh) * | 2010-03-12 | 2011-11-30 | 西门子公司 | 用于自动检测和分类心脏ct容积中的冠状动脉狭窄的方法和系统 |
CN107273657A (zh) * | 2017-05-15 | 2017-10-20 | 慧影医疗科技(北京)有限公司 | 影像诊断图文报告的生成方法及存储设备 |
US20170372475A1 (en) * | 2016-06-23 | 2017-12-28 | Siemens Healthcare Gmbh | Method and System for Vascular Disease Detection Using Recurrent Neural Networks |
CN107563983A (zh) * | 2017-09-28 | 2018-01-09 | 上海联影医疗科技有限公司 | 图像处理方法以及医学成像设备 |
CN107613874A (zh) * | 2015-03-31 | 2018-01-19 | 新加坡科技研究局 | 用于评估血管狭窄的方法和装置 |
US20180068437A1 (en) * | 2016-09-07 | 2018-03-08 | International Business Machines Corporation | Multi-step vessel segmentation and analysis |
US20190130578A1 (en) * | 2017-10-27 | 2019-05-02 | Siemens Healthcare Gmbh | Vascular segmentation using fully convolutional and recurrent neural networks |
CN110163928A (zh) * | 2019-05-22 | 2019-08-23 | 数坤(北京)网络科技有限公司 | 基于血管分段与病灶的影像联动方法、装置及存储设备 |
US20190318476A1 (en) * | 2018-04-11 | 2019-10-17 | Pie Medical Imaging B.V. | Method and System for Assessing Vessel Obstruction Based on Machine Learning |
CN110889896A (zh) * | 2019-11-11 | 2020-03-17 | 苏州润迈德医疗科技有限公司 | 获取血管狭窄病变区间及三维合成方法、装置和系统 |
CN111145173A (zh) * | 2019-12-31 | 2020-05-12 | 上海联影医疗科技有限公司 | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 |
-
2020
- 2020-06-09 CN CN202010518681.6A patent/CN111681226B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020086347A1 (en) * | 1999-06-23 | 2002-07-04 | Johnson Peter C. | Method for quantitative analysis of blood vessel structure |
US20110235891A1 (en) * | 2008-12-10 | 2011-09-29 | Koninklijke Philips Electronics N.V. | Vessel analysis |
CN102258381A (zh) * | 2010-03-12 | 2011-11-30 | 西门子公司 | 用于自动检测和分类心脏ct容积中的冠状动脉狭窄的方法和系统 |
CN107613874A (zh) * | 2015-03-31 | 2018-01-19 | 新加坡科技研究局 | 用于评估血管狭窄的方法和装置 |
US20170372475A1 (en) * | 2016-06-23 | 2017-12-28 | Siemens Healthcare Gmbh | Method and System for Vascular Disease Detection Using Recurrent Neural Networks |
US20180068437A1 (en) * | 2016-09-07 | 2018-03-08 | International Business Machines Corporation | Multi-step vessel segmentation and analysis |
CN107273657A (zh) * | 2017-05-15 | 2017-10-20 | 慧影医疗科技(北京)有限公司 | 影像诊断图文报告的生成方法及存储设备 |
CN107563983A (zh) * | 2017-09-28 | 2018-01-09 | 上海联影医疗科技有限公司 | 图像处理方法以及医学成像设备 |
US20190130578A1 (en) * | 2017-10-27 | 2019-05-02 | Siemens Healthcare Gmbh | Vascular segmentation using fully convolutional and recurrent neural networks |
US20190318476A1 (en) * | 2018-04-11 | 2019-10-17 | Pie Medical Imaging B.V. | Method and System for Assessing Vessel Obstruction Based on Machine Learning |
CN110163928A (zh) * | 2019-05-22 | 2019-08-23 | 数坤(北京)网络科技有限公司 | 基于血管分段与病灶的影像联动方法、装置及存储设备 |
CN110889896A (zh) * | 2019-11-11 | 2020-03-17 | 苏州润迈德医疗科技有限公司 | 获取血管狭窄病变区间及三维合成方法、装置和系统 |
CN111145173A (zh) * | 2019-12-31 | 2020-05-12 | 上海联影医疗科技有限公司 | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
程诗音等: "颈动脉磁共振图像的血管中心线提取", 中国体视学与图像分析, vol. 21, no. 04, 25 December 2016 (2016-12-25), pages 415 - 422 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021212886A1 (en) * | 2020-04-24 | 2021-10-28 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for object recognition |
WO2021249439A1 (en) * | 2020-06-09 | 2021-12-16 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
WO2022105647A1 (zh) * | 2020-11-23 | 2022-05-27 | 西安科锐盛创新科技有限公司 | 一种颅内血管造影增强三维模型的建立方法 |
CN112561781B (zh) * | 2020-12-07 | 2024-01-26 | 深圳先进技术研究院 | 一种磁共振血管壁图像分析方法、系统及计算机可读介质 |
CN112561781A (zh) * | 2020-12-07 | 2021-03-26 | 深圳先进技术研究院 | 一种磁共振血管壁图像分析方法、系统及计算机可读介质 |
WO2022120898A1 (zh) * | 2020-12-07 | 2022-06-16 | 深圳先进技术研究院 | 一种磁共振血管壁图像分析方法、系统及计算机可读介质 |
CN113066091A (zh) * | 2021-03-29 | 2021-07-02 | 昆明同心医联科技有限公司 | 基于黑血管壁曲面重建的脑血管分割方法、装置及存储介质 |
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 |
CN113205488A (zh) * | 2021-04-19 | 2021-08-03 | 深圳睿心智能医疗科技有限公司 | 血流特性预测方法、装置、电子设备及存储介质 |
CN113205488B (zh) * | 2021-04-19 | 2023-12-29 | 深圳睿心智能医疗科技有限公司 | 血流特性预测方法、装置、电子设备及存储介质 |
CN113034683A (zh) * | 2021-04-30 | 2021-06-25 | 北京阅影科技有限公司 | 确定血管中心线真伪以及截断位置的方法与装置 |
CN113223015A (zh) * | 2021-05-11 | 2021-08-06 | 清华大学 | 血管壁图像分割方法、装置、计算机设备和存储介质 |
CN115578484A (zh) * | 2021-06-21 | 2023-01-06 | 数坤(北京)网络科技股份有限公司 | 一种血管图像处理方法、装置、电子设备和可读存储介质 |
WO2023124830A1 (zh) * | 2021-12-28 | 2023-07-06 | 深圳先进技术研究院 | 一种基于中心线提取的血管壁影像自动曲面重建方法 |
CN114708259A (zh) * | 2022-05-24 | 2022-07-05 | 深圳市铱硙医疗科技有限公司 | 基于cta的头颈血管狭窄检测方法、装置、设备及介质 |
CN114708259B (zh) * | 2022-05-24 | 2022-08-16 | 深圳市铱硙医疗科技有限公司 | 基于cta的头颈血管狭窄检测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111681226B (zh) | 2024-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111681226A (zh) | 基于血管识别的目标组织定位方法和装置 | |
CN111681224A (zh) | 获取血管参数的方法和装置 | |
CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
CN111476774B (zh) | 基于新型冠状病毒肺炎ct检测的智能征象识别装置 | |
CN104665872B (zh) | 一种基于超声图像的颈动脉内中膜厚度测量方法和装置 | |
CN107730507A (zh) | 一种基于深度学习的病变区域自动分割方法 | |
CN108052909B (zh) | 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置 | |
CN103955698A (zh) | 从超声图像中自动定位标准切面的方法 | |
CN111461065B (zh) | 管状结构识别方法、装置、计算机设备和可读存储介质 | |
WO2018176319A1 (zh) | 超声图像的分析方法及装置 | |
WO2023202662A1 (zh) | 基于排列随机森林的cest磁共振分析方法及装置 | |
CN110738702B (zh) | 一种三维超声图像的处理方法、装置、设备及存储介质 | |
KR101284388B1 (ko) | 자기공명영상을 분석하는 방법, 장치 그리고 자기공명영상을 분석하기 위한 프로그램이 기록된 기록매체 | |
CN113288214B (zh) | 超声多普勒频谱数据的处理方法、设备及可读存储介质 | |
CN111340780A (zh) | 一种基于三维超声图像的病灶检测方法 | |
CN113450325B (zh) | 一种甲状腺结节良恶性识别装置 | |
US10943350B2 (en) | Automated segmentation of histological sections for vasculature quantification | |
CN108734771B (zh) | 基于三维医学影像的血管提取系统及分析方法 | |
CN114533002A (zh) | 一种颈动脉中心线提取方法、装置、存储介质及电子设备 | |
CN110664426A (zh) | 基于深度密集卷积网络的胃部补水充盈程度判断方法 | |
CN109875595B (zh) | 一种颅内血管状态检测方法及装置 | |
US20230115927A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection | |
CN114648514B (zh) | 一种脑动脉定位提取方法、装置、电子设备及存储介质 | |
CN114897904B (zh) | 基于mra序列图像确定血流储备分数的方法及装置 | |
WO2023133929A1 (zh) | 一种基于超声的人体组织对称性检测分析方法 |
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 | ||
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. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |