CN111833343A - 冠状动脉狭窄度估计方法系统及设备 - Google Patents
冠状动脉狭窄度估计方法系统及设备 Download PDFInfo
- Publication number
- CN111833343A CN111833343A CN202010715124.3A CN202010715124A CN111833343A CN 111833343 A CN111833343 A CN 111833343A CN 202010715124 A CN202010715124 A CN 202010715124A CN 111833343 A CN111833343 A CN 111833343A
- Authority
- CN
- China
- Prior art keywords
- neural network
- coronary artery
- area
- module
- calcified
- 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
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种冠状动脉狭窄度估计方法系统及设备,所述方法,包括:对获取的医学数字成像和通信DICOM图像进行预处理,获取符合要求的DICOM图像;将预处理后的DICOM图像输入预先训练好的神经网络,通过所述神经网络输出钙化区域以及冠状动脉区域;确定最大直径的斑块所在的钙化区域和对应的冠状动脉区域,计算钙化区域最大直径和对应的冠状动脉直径,根据所述钙化区域最大直径和对应的冠状动脉直径计算冠状动脉狭窄度,获取与所述冠状动脉狭窄度对应的病变等级,将所述病变等级以及所述冠状动脉狭窄度输出。
Description
技术领域
本发明涉及人工智能技术领域,尤其是涉及一种冠状动脉狭窄度估计方法系统及设备。
背景技术
根据美国心脏协会的报告,全球约有1760万人死于心血管疾病,到2030年,预计冠状动脉疾病将造成2360多万人死亡。因此,获得早期诊断的能力变得至关重要。
心血管疾病会直接影响心脏供血能力,血管中存在的斑块(胆固醇、钙、脂肪的混合物和其他物质)在动脉形成拥堵,管腔变窄会限制血液流动并影响向心肌细胞供氧,导致心肌梗塞。发生很严重的堵塞时,医生通常会使用冠状动脉支架植入术来解决这个问题。
冠状动脉支架植入术是一种有效的技术来治疗因心肌供血不足冠心病引起的心脏动脉阻塞。在介入手术中,医生插入导管通过动脉进入心血管血管,并且需要依靠血管造影图像来引导复杂的手术过程,如导管运动、造影剂释放和支架安装。这个上面的整个过程是一个非常微妙而且复杂的操作,需要对医生进行高水平的培训。如果可以在手术前或手术中重建心脏管血管的三维模型,以及准确记录并融合术中实时血管造影图像序列,指导临床医生在临床手术中确定动脉狭窄的部位,评估狭窄程度,这将大大减少手术的困难。
影像学上判断冠状动脉狭窄程度的推理过程如下:
1.是否为心脏区域;
2.是否包含冠状动脉;
3.确定冠状动脉的分布区域;
4.确定钙化病变区域;
5.通过对比钙化病变面积与所在动脉区域面积的比例来估计狭窄程度,其中,心脏区域的CT图如图1所示,其中冠状动脉的区域如图2所示。
在现有技术中,冠状动脉在不同切片的形状大小变化巨大:与常见的器官分割技术不同,器官所在区域比较固定,而且个体形状差异不大,但是对于用于心脏供血的冠状动脉形状各异,尤其在血管末端时通常血管会变得特别细从而无法很好被捕捉到。此外,钙化区域与整个背景占比极不平衡,其中钙化区域非常小可能只有整张图大小的5%,这无形中导致了样本比例不平衡,为神经网络训练增加了难度,如图3所示的中间白色高亮的部分为钙化区域。此外,通常医疗影像科医生判定狭窄程度只是靠观察CT图片并估计狭窄度大小,而不是定量计算出狭窄度,因此,如何获取客观的狭窄度的精确值,方便医生在后续治疗过程中可以有一个精确的结果参考,是目前急需解决的问题。
发明内容
本发明的目的在于提供一种冠状动脉狭窄度估计方法系统及设备,旨在解决现有技术中的上述问题。
本发明提供一种冠状动脉狭窄度估计方法,包括:
对获取的医学数字成像和通信DICOM图像进行预处理,获取符合要求的DICOM图像;
将预处理后的DICOM图像输入预先训练好的神经网络,通过所述神经网络输出钙化区域以及冠状动脉区域,其中,所述神经网络的结构为:在3D Unet神经网络的基础上,在其跳跃连接层中加入卷积模块使其构成稠密连接的形式,在下采样最底层添加了金字塔池化模块从而增大对小区域的敏感度;
确定最大直径的斑块所在的钙化区域和对应的冠状动脉区域,计算钙化区域最大直径和对应的冠状动脉直径,根据所述钙化区域最大直径和对应的冠状动脉直径计算冠状动脉狭窄度,获取与所述冠状动脉狭窄度对应的病变等级,将所述病变等级以及所述冠状动脉狭窄度输出。
本发明提供一种冠状动脉狭窄度估计系统,包括:
图像预处理模块,用于对获取的医学数字成像和通信DICOM图像进行预处理,获取符合要求的DICOM图像;
预测模块,用于将预处理后的DICOM图像输入预先训练好的神经网络,通过所述神经网络输出钙化区域以及冠状动脉区域,其中,所述神经网络的结构为:在3D Unet神经网络的基础上,在其跳跃连接层中加入卷积模块使其构成稠密连接的形式,在下采样最底层添加了金字塔池化模块从而增大对小区域的敏感度;
计算模块,用于确定最大直径的斑块所在的钙化区域和对应的冠状动脉区域,计算钙化区域最大直径和对应的冠状动脉直径,根据所述钙化区域最大直径和对应的冠状动脉直径计算冠状动脉狭窄度,获取与所述冠状动脉狭窄度对应的病变等级,将所述病变等级以及所述冠状动脉狭窄度输出。
本发明实施例还提供一种冠状动脉狭窄度估计设备,包括:存储器、处理器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,所述计算机程序被所述处理器执行时实现上述冠状动脉狭窄度估计方法的步骤。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现上述冠状动脉狭窄度估计方法的步骤。
采用本发明实施例,由于采用了空洞卷积从而增大了感受野,而且采用不同空洞大小组合并行处理数据得到不同尺度的信息,从而更好的捕捉小尺寸的物体,采用端到端的方式进行冠状动脉以及钙化区域的分割以及狭窄度定量计算,改进Unet结构加入稠密连接增加数据非线性,减少梯度消失,增强特征传递并且更加高效利用数据,上采样过程采用反卷积形式来放大图片,而不是采用传统的线性插值方法,相比于传统方法反卷积过程涉及到更新权重的学习过程,因此对于不同任务的适应性也更好。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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是现有技术中的心脏区域的CT图;
图2是现有技术中的冠状动脉的区域的示意图;
图3是本发明实施例的冠状动脉狭窄度估计方法的流程图;
图4是本发明实施例的钙化区域与整个号背景占比的示意图;
图5是本发明实施例的神经网络结构的示意图;
图6是本发明实施例的增大感受野的示意图;
图7是本发明实施例的最大直径的斑块所在区域的示意图;
图8是本发明实施例的具体距离信息的示意图;
图9是本发明实施例的冠状动脉狭窄度估计系统的示意图;
图10是本发明实施例的冠状动脉狭窄度估计设备的示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“坚直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。此外,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
方法实施例
根据本发明实施例,提供了一种冠状动脉狭窄度估计方法,图3是本发明实施例的冠状动脉狭窄度估计方法的流程图,如图3所示,根据本发明实施例的冠状动脉狭窄度估计方法具体包括:
步骤301,对获取的医学数字成像和通信DICOM图像进行预处理,获取符合要求的DICOM图像;步骤301具体包括:
对DICOM图像进行重采样到预定间隔spacing,使DICOM图像的spacing一致;
将DICOM图像的灰度值统一到[100,500]之间;
将DICOM图像切割为若干个小区域;
对若干个小区域进行数据增强;
将此时的图像矩阵与掩膜矩阵相乘,裁剪掉背景区域,得到目标区域的图片;
对目标区域的图片进行灰度值归一化,最终得到符合要求的DICOM图像。
步骤302,将预处理后的DICOM图像输入预先训练好的神经网络,通过神经网络输出钙化区域以及冠状动脉区域,其中,神经网络的结构为:在3D Unet神经网络的基础上,在其跳跃连接层中加入卷积模块使其构成稠密连接的形式,在下采样最底层添加了金字塔池化模块从而增大对小区域的敏感度;金字塔池化模块的结构为:金字塔池化模块包含3个特殊的空洞卷积层,3个特殊的空洞卷积层通过设置不同的空洞大小来实现不同大小的感受野,拥有感知不同尺度信息的能力。
步骤303,确定最大直径的斑块所在的钙化区域和对应的冠状动脉区域,计算钙化区域最大直径和对应的冠状动脉直径,根据钙化区域最大直径和对应的冠状动脉直径计算冠状动脉狭窄度,获取与冠状动脉狭窄度对应的病变等级,将病变等级以及冠状动脉狭窄度输出。
在本发明实施例中,在执行上述步骤之前,需要预先对神经网络进行训练,具体地:
根据公式1-3构造用于神经网络训练的损失函数:
Ltotal=Ldice+Lfocal 公式1;
其中,Ltotal表示总目标函数,Ldice表示dice系数,Lfocal表示focal系数,u表示预测结果,v表示标签值,K表示样本总数,p表示预测结果,q表示标签值,C表示样本总数,γ表示易分类样本比例,α表示平衡因子;
通过调节损失函数中γ的大小调节易分类样本的比例;
通过损失函数对神经网络在训练时的输出结果进行计算,将计算结果返回到神经网络,使得神经网络根据损失函数反馈的结果进行相应的调整;
在神经网络进行训练时,同时通过最上层跳跃连接层中加入的卷积模块和神经网络右侧最上层的反卷积输出层进行预测输出,根据输出结果对神经网络进行剪枝,调整神经网络的参数量,最终保存预测输出最优的分支对应的参数量;
在神经网络进行训练时,将数据集划分为n份,将n份数据集中的每一份轮流作为验证集,获取n份不同的数据集,使用不同的n份数据集分别训练n个神经网络,将n个神经网络组合,形成最终的神经网络,将n个神经网络的输出结果进行平均处理,得到最终输出的钙化区域以及冠状动脉区域。
以下结合附图,对本发明实施例的上述技术方案进行详细说明。
与常见的器官分割技术不同,器官所在区域比较固定,而且个体形状差异不大,但是对于用于心脏供血的冠状动脉形状各异,尤其在血管末端时通常血管会变得特别细从而无法很好被捕捉到,冠状动脉在不同切片的形状大小变化巨大。
此外,如图4所示,钙化区域与整个号背景占比极不平衡,其中钙化区域非常小可能只有整张图大小的5%,这无形中导致了样本比例不平衡,为神经网络训练增加了难度,如下图中间白色高亮的部分为钙化区域
通常医疗影像科医生判定狭窄程度只是靠观察CT图片并估计狭窄度大小,而不是定量计算出狭窄度,本发明实施例就是将狭窄度通过数值方式定量计算出来,可以使结果更加可靠。
1.图片预处理
对于输入的DICOM图像格式一般为512*512*256,其中512*512是图像尺寸,256代表有256张图(然而有时因为采集设备的不同或病人的情况不同也有可能导致最终图片数量不一定为256张)。因此这一步会先将图片将所有图像重采样到间隔?spacing=3.22*1.62*1.62mm,重采样的目的是为了让图像的spacing一致,CNN中卷积操作被提出来的其中一个重要动机就是图像中有相似的块能用共享的卷积来提取特征,因此对所有图像重采样能减少不同图像之间的不一致性,便于卷积操作提取共同的特征。由于心脏区域的Hu值应该在[100,500]之间所以还应该将灰度值切割cut off到该区域内。
此外,由于本次训练使用的神经网络结构复杂参数量比较多,因此运算时对显存占用比较高,所以无法直接将512*512*256的数据放入神经网络中进行训练,在这一步将3D图片切割成大小为48*192*192的若干个小区域,切割时需要保证的是训练数据一定是存在目标区域的。其中需要对切分出来的小区域进行数据增强,例如高斯模糊、随机裁剪、随机旋转,其中随机裁剪RandomClip(image,region),表示对图像image进行大小为region的裁剪,随机旋转RandomeRotate(image,range)表示对图像image进行角度为range的随机裁剪。这样操作后会增加图像的丰富程度,从而使得模型更加具有泛化性。
其次使用此时的图像矩阵与掩膜矩阵相乘,来裁剪掉背景区域,此时训练数据就变成了只有目标区域的图片,因为其中掩膜矩阵中背景值为0(背景值为0,冠状动脉区域值为1,钙化区域值为2),相乘后对应像素点会变为0,此时再进行z-socre对灰度值进行归一化:
其中,Lnormal表示正则化后的结果,Lorigin表示原始数据,mean(Iorigin)表示取均值,std(Iorigin)表示取标准差。
Z-Score是最常用的灰度值标准化方法,通过这种方法能避免网络权重初始化的时候产生明显的偏差(即所有样本都归到分类面的同一侧)。此外,采用Z score还可以防止数据规范化时被压缩,比如CT图像中如有金属伪影,如采用min-max规范化,会造成规范后数据区分度不高的现象。
2.构造损失函数
该神经网络的损失函数构成分为两个部分,其中总目标函数是dice系数和focalloss之和:
Ltotal=Ldice+Lfocal
通过上述损失函数可以计算出预测结果与实际标签所存在的差距,这个差距会通过反向传播算法来更新神经网络中的参数。具体细节是通过链式求导可以得到每个神经元的梯度方向,想要梯度下降最快则需要沿着梯度的负方向更新参数。
本发明实施例的目标是最小化Ltotal,使得最终的误差最小,其中Dice系数用来衡量两个样本的重叠程度:
其中,u表示预测结果,v表示标签值,k表示样本总数。
Focal loss用来解决样本不平衡问题并使得模型更加关注难例:
其中,p表示预测结果,q表示标签值,c表示样本总数,γ表示易分类样本比例,α表示平衡因子。
其中可以通过调节γ的大小来调节易分类样本的比例,通过大量实验发现γ取2最好。当γ一定的时候,比如等于2,一样容易样例(pi=0.9)的loss要比标准的交叉熵loss小100倍,当pi=0.968时,要小1000倍,但是对于难例(pi<0.5),loss最多小了4倍。这样的话hard example的权重相对就提升了很多,通过这样的调整相当于增加了那些误分类的重要性。
3.分割神经网络结构
如图5所示,本发明实施例对3D Unet进行了大范围的改动,其中在跳跃连接层中加入卷积模块使其构成稠密连接的形式,增加非线性从而提升性能,此外在下采样的最底层使用金字塔池化模块(ASPP block)来增大感受野从而对小区域更加敏感,金字塔池化层包含3个特殊的空洞卷积层,通过设置不同的空洞大小来实现不同大小的感受野,相当于拥有了感知不同尺度信息的能力,与普通结构相比普通神经网络往往会对某种特定大小的物体比较敏感,这取决于训练时特定大小的物体最多则对这种大小的就比较敏感,而且大多数数据集标注的数据中小物体占比比较小,因此对小物体分割一直都是有挑战性的。如图6所示,rate分别为1,2,3。可以看出当rate为1时就是3*3的普通卷积,当rate=2时虽然卷积核大小仍为3但是感受野增大到了7*7,依次类推,当rate=3时感受野可以扩大到15*15,这样做的好处在于,可以不通过增加层数的情况下增大感受野,而且参数量没有增加,保证了模型的低复杂度降低过拟合的风险。
输入进来的图像首先会经过左侧的网络进行5次下采样,这时的图片会变为原来的此时最底层的信息包含了整个图形的语义信息,此外下采样与上采样之间的连接形式不再是跳跃直连而是采用稠密连接的形式结合不同层级之间的信息进行混合,多出的最上的稠密连接块也可以进行预测输出,而不仅仅依赖于右侧最上层的反卷积输出层,这样做的好处在于可以对模型进行剪枝来调整模型的参数量,通过从上侧的不同分支输出的结果可以判断出哪个分支的得分最好,最终在保存模型时就仅保留对应的参数即可。
4.病灶计算
上一步的神经网络会将钙化区域以及冠状动脉区域都分割出来,可以得到每一类的像素坐标,此时需要遍历钙化区域输出的结果值,并找到最大直径的斑块所在区域,例如我们可以计算出如图7所示的区域,其中小框表示钙化区域的边界框,大框区域表示最近距离的冠状动脉边界框。
有了边界框就可以通过统计像素得到如图8所示的具体距离信息,在本样例中钙化区域最大半径为2.27mm,冠状动脉直径为4.42mm。此时就可以通过以下公式来计算狭窄度:
将数据代入公式可以得到上述样例的冠状动脉狭窄度
根据冠状动脉狭窄程度分级,冠状动脉狭窄以管腔面积的可以分为4级。
Ⅰ级病变:管腔面积缩小1%~25%;
Ⅱ级病变:管腔面积缩小26%~50%;
Ⅲ级病变:管腔面积缩小51%~75%;
Ⅳ级病变:管腔面积缩小76%~100%。
1支或1支以上主要冠状动脉(指左冠状动脉主干,前降支,回旋支,右冠状动脉)狭窄程度达到Ⅲ级即管腔面积缩小51%以上,诊断为冠心病,由此我们可以定量的得出一个辅助诊断结果就是该样例可能患有冠心病,因为经过计算后管腔面积缩小51%以上。
5、多模型的预测结果融合
本发明实施例采用5折交叉验证来提升模型输出精度,具体做法是将数据集划分为5份E={E1,E2,E3,E4,E5},其中模型会在以{E1,E2,E3,E4}为训练集{E5}验证集上训练,此时训练结果为fold1,按照上述方法模型依次以{E1,E2,E3,E5},为训练集{E4}验证集上训练,此时训练结果为fold2,这样循环到所有数据都经过训练,则最终有5个fold,在得到上述训练后的5个模型后,本发明利用5个模型对测试集分别生成不同的冠脉和钙化区域分割结果R1,R2,R3,R4,R5,其中R1,R2,R3,R4,R5为图像每一个像素是否为冠脉或钙化区域的概率,最后得到其中表示每个点的对应分类概率逐个相加。Softmax(Rfinal)即为预测结果,其中
综上所述,
由于采用了空洞卷积从而增大了感受野,而且采用不同空洞大小组合并行处理数据得到不同尺度的信息,从而更好的捕捉小尺寸的物体例如很小的钙化区域,表1对比了分割冠状动脉区域以及钙化区域的平均得分:
表1
可以看出3D Nested Unet with ASPP分割准确度是显著高于所对比的其他网络。
与各个网络推理时间比较结果表2所示,以下测试来源于80个样本(每个样本275张切片)的平均推理时间:
表2
3D Nested Unet with ASPP的推理速度优于3D ResNet和Recurrent Unet,这是因为参数量少于这两种网络因此运算速度要更快。
采用端到端的方式进行冠状动脉以及钙化区域的分割以及狭窄度定量计算,改进Unet结构加入稠密连接增加数据非线性,减少梯度消失,增强特征传递并且更加高效利用数据
改进损失函数,采用Focal loss和dice loss来一起作为损失函数,因为本次任务遇到的钙化区域过于小,所以使用focal loss来增加难例的损失权重,使得模型更加重视难例,加上dice损失函数后可以保证计算出的损失不会快速变化保证训练的平稳性。
上采样过程采用反卷积形式来放大图片,而不是采用传统的线性插值方法,相比于传统方法反卷积过程涉及到更新权重的学习过程,因此对于不同任务的适应性也更好。
系统实施例
根据本发明实施例,提供了一种冠状动脉狭窄度估计系统,图9是本发明实施例的冠状动脉狭窄度估计系统的示意图,如图9所示,根据本发明实施例的冠状动脉狭窄度估计系统具体包括:
图像预处理模块90,用于对获取的医学数字成像和通信DICOM图像进行预处理,获取符合要求的DICOM图像;所述图像预处理模块90具体用于:
对所述DICOM图像进行重采样到预定间隔spacing,使所述DICOM图像的spacing一致;
将所述DICOM图像的灰度值统一到[100,500]之间;
将所述DICOM图像切割为若干个小区域;
对所述若干个小区域进行数据增强;
将此时的图像矩阵与掩膜矩阵相乘,裁剪掉背景区域,得到目标区域的图片;
对所述目标区域的图片进行灰度值归一化,最终得到符合要求的DICOM图像。
预测模块92,用于将预处理后的DICOM图像输入预先训练好的神经网络,通过所述神经网络输出钙化区域以及冠状动脉区域,其中,所述神经网络的结构为:在3D Unet神经网络的基础上,在其跳跃连接层中加入卷积模块使其构成稠密连接的形式,在下采样最底层添加了金字塔池化模块从而增大对小区域的敏感度;所述金字塔池化模块的结构为:所述金字塔池化模块包含3个特殊的空洞卷积层,所述3个特殊的空洞卷积层通过设置不同的空洞大小来实现不同大小的感受野,拥有感知不同尺度信息的能力。
计算模块94,用于确定最大直径的斑块所在的钙化区域和对应的冠状动脉区域,计算钙化区域最大直径和对应的冠状动脉直径,根据所述钙化区域最大直径和对应的冠状动脉直径计算冠状动脉狭窄度,获取与所述冠状动脉狭窄度对应的病变等级,将所述病变等级以及所述冠状动脉狭窄度输出。
所述系统进一步包括:
训练模块,用于预先对所述神经网络进行训练;所述训练模块具体用于:
根据公式1-3构造用于神经网络训练的损失函数:
Ltotal=Ldice+Lfocal 公式1;
其中,Ltotal表示总目标函数,Ldice表示dice系数,Lfocal表示focal系数,u表示预测结果,v表示标签值,K表示样本总数,p表示预测结果,q表示标签值,C表示样本总数,γ表示易分类样本比例,α表示平衡因子;
通过调节损失函数中γ的大小调节易分类样本的比例;
通过所述损失函数对所述神经网络在训练时的输出结果进行计算,将计算结果返回到所述神经网络,使得所述神经网络根据损失函数反馈的结果进行相应的调整;
在所述神经网络进行训练时,同时通过最上层跳跃连接层中加入的卷积模块和神经网络右侧最上层的反卷积输出层进行预测输出,根据输出结果对所述神经网络进行剪枝,调整所述神经网络的参数量,最终保存预测输出最优的分支对应的参数量;
在所述神经网络进行训练时,将数据集划分为n份,将n份数据集中的每一份轮流作为验证集,获取n份不同的数据集,使用不同的n份数据集分别训练n个神经网络,将所述n个神经网络组合,形成最终的神经网络,将所述n个神经网络的输出结果进行平均处理,得到最终输出的钙化区域以及冠状动脉区域。
本发明实施例是与上述方法实施例对应的系统实施例,各个模块的具体操作可以参照方法实施例的描述进行理解,在此不再赘述。
装置实施例一
本发明实施例提供一种冠状动脉狭窄度估计设备,如图10所示,包括:存储器100、处理器102及存储在所述存储器100上并可在所述处理器102上运行的计算机程序,所述计算机程序被所述处理器102执行时实现如下方法步骤:
步骤301,对获取的医学数字成像和通信DICOM图像进行预处理,获取符合要求的DICOM图像;步骤301具体包括:
对DICOM图像进行重采样到预定间隔spacing,使DICOM图像的spacing一致;
将DICOM图像的灰度值统一到[100,500]之间;
将DICOM图像切割为若干个小区域;
对若干个小区域进行数据增强;
将此时的图像矩阵与掩膜矩阵相乘,裁剪掉背景区域,得到目标区域的图片;
对目标区域的图片进行灰度值归一化,最终得到符合要求的DICOM图像。
步骤302,将预处理后的DICOM图像输入预先训练好的神经网络,通过神经网络输出钙化区域以及冠状动脉区域,其中,神经网络的结构为:在3D Unet神经网络的基础上,在其跳跃连接层中加入卷积模块使其构成稠密连接的形式,在下采样最底层添加了金字塔池化模块从而增大对小区域的敏感度;金字塔池化模块的结构为:金字塔池化模块包含3个特殊的空洞卷积层,3个特殊的空洞卷积层通过设置不同的空洞大小来实现不同大小的感受野,拥有感知不同尺度信息的能力。
步骤303,确定最大直径的斑块所在的钙化区域和对应的冠状动脉区域,计算钙化区域最大直径和对应的冠状动脉直径,根据钙化区域最大直径和对应的冠状动脉直径计算冠状动脉狭窄度,获取与冠状动脉狭窄度对应的病变等级,将病变等级以及冠状动脉狭窄度输出。
在本发明实施例中,在执行上述步骤之前,需要预先对神经网络进行训练,具体地:
根据公式1-3构造用于神经网络训练的损失函数:
Ltotal=Ldice+Lfocal 公式1;
其中,Ltotal表示总目标函数,Ldice表示dice系数,Lfocal表示focal系数,u表示预测结果,v表示标签值,K表示样本总数,p表示预测结果,q表示标签值,C表示样本总数,γ表示易分类样本比例,α表示平衡因子;
通过调节损失函数中γ的大小调节易分类样本的比例;
通过损失函数对神经网络在训练时的输出结果进行计算,将计算结果返回到神经网络,使得神经网络根据损失函数反馈的结果进行相应的调整;
在神经网络进行训练时,同时通过最上层跳跃连接层中加入的卷积模块和神经网络右侧最上层的反卷积输出层进行预测输出,根据输出结果对神经网络进行剪枝,调整神经网络的参数量,最终保存预测输出最优的分支对应的参数量;
在神经网络进行训练时,将数据集划分为n份,将n份数据集中的每一份轮流作为验证集,获取n份不同的数据集,使用不同的n份数据集分别训练n个神经网络,将n个神经网络组合,形成最终的神经网络,将n个神经网络的输出结果进行平均处理,得到最终输出的钙化区域以及冠状动脉区域。
装置实施例二
本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有信息传输的实现程序,所述程序被处理器102执行时实现如下方法步骤:
步骤301,对获取的医学数字成像和通信DICOM图像进行预处理,获取符合要求的DICOM图像;步骤301具体包括:
对DICOM图像进行重采样到预定间隔spacing,使DICOM图像的spacing一致;
将DICOM图像的灰度值统一到[100,500]之间;
将DICOM图像切割为若干个小区域;
对若干个小区域进行数据增强;
将此时的图像矩阵与掩膜矩阵相乘,裁剪掉背景区域,得到目标区域的图片;
对目标区域的图片进行灰度值归一化,最终得到符合要求的DICOM图像。
步骤302,将预处理后的DICOM图像输入预先训练好的神经网络,通过神经网络输出钙化区域以及冠状动脉区域,其中,神经网络的结构为:在3D Unet神经网络的基础上,在其跳跃连接层中加入卷积模块使其构成稠密连接的形式,在下采样最底层添加了金字塔池化模块从而增大对小区域的敏感度;金字塔池化模块的结构为:金字塔池化模块包含3个特殊的空洞卷积层,3个特殊的空洞卷积层通过设置不同的空洞大小来实现不同大小的感受野,拥有感知不同尺度信息的能力。
步骤303,确定最大直径的斑块所在的钙化区域和对应的冠状动脉区域,计算钙化区域最大直径和对应的冠状动脉直径,根据钙化区域最大直径和对应的冠状动脉直径计算冠状动脉狭窄度,获取与冠状动脉狭窄度对应的病变等级,将病变等级以及冠状动脉狭窄度输出。
在本发明实施例中,在执行上述步骤之前,需要预先对神经网络进行训练,具体地:
根据公式1-3构造用于神经网络训练的损失函数:
Ltotal=Ldice+Lfocal 公式1;
其中,Ltotal表示总目标函数,Ldice表示dice系数,Lfocal表示focal系数,u表示预测结果,v表示标签值,K表示样本总数,p表示预测结果,q表示标签值,C表示样本总数,γ表示易分类样本比例,α表示平衡因子;
通过调节损失函数中γ的大小调节易分类样本的比例;
通过损失函数对神经网络在训练时的输出结果进行计算,将计算结果返回到神经网络,使得神经网络根据损失函数反馈的结果进行相应的调整;
在神经网络进行训练时,同时通过最上层跳跃连接层中加入的卷积模块和神经网络右侧最上层的反卷积输出层进行预测输出,根据输出结果对神经网络进行剪枝,调整神经网络的参数量,最终保存预测输出最优的分支对应的参数量;
在神经网络进行训练时,将数据集划分为n份,将n份数据集中的每一份轮流作为验证集,获取n份不同的数据集,使用不同的n份数据集分别训练n个神经网络,将n个神经网络组合,形成最终的神经网络,将n个神经网络的输出结果进行平均处理,得到最终输出的钙化区域以及冠状动脉区域。
本实施例所述计算机可读存储介质包括但不限于为:ROM、RAM、磁盘或光盘等。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种冠状动脉狭窄度估计方法,其特征在于,包括:
对获取的医学数字成像和通信DICOM图像进行预处理,获取符合要求的DICOM图像;
将预处理后的DICOM图像输入预先训练好的神经网络,通过所述神经网络输出钙化区域以及冠状动脉区域,其中,所述神经网络的结构为:在3D Unet神经网络的基础上,在其跳跃连接层中加入卷积模块使其构成稠密连接的形式,在下采样最底层添加了金字塔池化模块从而增大对小区域的敏感度;
确定最大直径的斑块所在的钙化区域和对应的冠状动脉区域,计算钙化区域最大直径和对应的冠状动脉直径,根据所述钙化区域最大直径和对应的冠状动脉直径计算冠状动脉狭窄度,获取与所述冠状动脉狭窄度对应的病变等级,将所述病变等级以及所述冠状动脉狭窄度输出。
2.根据权利要求1所述的方法,其特征在于,对获取的医学数字成像和通信DICOM图像进行预处理,获取符合要求的DICOM图像具体包括:
对所述DICOM图像进行重采样到预定间隔spacing,使所述DICOM图像的spacing一致;
将所述DICOM图像的灰度值统一到[100,500]之间;
将所述DICOM图像切割为若干个小区域;
对所述若干个小区域进行数据增强;
将此时的图像矩阵与掩膜矩阵相乘,裁剪掉背景区域,得到目标区域的图片;
对所述目标区域的图片进行灰度值归一化,最终得到符合要求的DICOM图像。
3.根据权利要求1所述的方法,其特征在于,金字塔池化模块的结构为:所述金字塔池化模块包含3个特殊的空洞卷积层,所述3个特殊的空洞卷积层通过设置不同的空洞大小来实现不同大小的感受野,拥有感知不同尺度信息的能力。
4.根据权利要求1所述的方法,所述方法进一步包括:
预先对所述神经网络进行训练:
根据公式1-3构造用于神经网络训练的损失函数:
Ltotal=Ldice+Lfocal 公式1;
其中,Ltotal表示总目标函数,Ldice表示dice系数,Lfocal表示focal系数,u表示预测结果,v表示标签值,K表示样本总数,p表示预测结果,q表示标签值,C表示样本总数,γ表示易分类样本比例,α表示平衡因子;
通过调节损失函数中γ的大小调节易分类样本的比例;
通过所述损失函数对所述神经网络在训练时的输出结果进行计算,将计算结果返回到所述神经网络,使得所述神经网络根据损失函数反馈的结果进行相应的调整;
在所述神经网络进行训练时,同时通过最上层跳跃连接层中加入的卷积模块和神经网络右侧最上层的反卷积输出层进行预测输出,根据输出结果对所述神经网络进行剪枝,调整所述神经网络的参数量,最终保存预测输出最优的分支对应的参数量;
在所述神经网络进行训练时,将数据集划分为n份,将n份数据集中的每一份轮流作为验证集,获取n份不同的数据集,使用不同的n份数据集分别训练n个神经网络,将所述n个神经网络组合,形成最终的神经网络,将所述n个神经网络的输出结果进行平均处理,得到最终输出的钙化区域以及冠状动脉区域。
5.一种冠状动脉狭窄度估计系统,其特征在于,包括:
图像预处理模块,用于对获取的医学数字成像和通信DICOM图像进行预处理,获取符合要求的DICOM图像;
预测模块,用于将预处理后的DICOM图像输入预先训练好的神经网络,通过所述神经网络输出钙化区域以及冠状动脉区域,其中,所述神经网络的结构为:在3D Unet神经网络的基础上,在其跳跃连接层中加入卷积模块使其构成稠密连接的形式,在下采样最底层添加了金字塔池化模块从而增大对小区域的敏感度;
计算模块,用于确定最大直径的斑块所在的钙化区域和对应的冠状动脉区域,计算钙化区域最大直径和对应的冠状动脉直径,根据所述钙化区域最大直径和对应的冠状动脉直径计算冠状动脉狭窄度,获取与所述冠状动脉狭窄度对应的病变等级,将所述病变等级以及所述冠状动脉狭窄度输出。
6.根据权利要求5所述的系统,其特征在于,所述图像预处理模块具体用于:
对所述DICOM图像进行重采样到预定间隔spacing,使所述DICOM图像的spacing一致;
将所述DICOM图像的灰度值统一到[100,500]之间;
将所述DICOM图像切割为若干个小区域;
对所述若干个小区域进行数据增强;
将此时的图像矩阵与掩膜矩阵相乘,裁剪掉背景区域,得到目标区域的图片;
对所述目标区域的图片进行灰度值归一化,最终得到符合要求的DICOM图像。
7.根据权利要求5所述的系统,其特征在于,所述金字塔池化模块的结构为:所述金字塔池化模块包含3个特殊的空洞卷积层,所述3个特殊的空洞卷积层通过设置不同的空洞大小来实现不同大小的感受野,拥有感知不同尺度信息的能力。
8.根据权利要求5所述的系统,所述系统进一步包括:
训练模块,用于预先对所述神经网络进行训练;所述训练模块具体用于:
根据公式1-3构造用于神经网络训练的损失函数:
Ltotal=Ldice+Lfocal 公式1;
其中,Ltotal表示总目标函数,Ldice表示dice系数,Lfocal表示focal系数,u表示预测结果,v表示标签值,K表示样本总数,p表示预测结果,q表示标签值,C表示样本总数,γ表示易分类样本比例,α表示平衡因子;
通过调节损失函数中γ的大小调节易分类样本的比例;
通过所述损失函数对所述神经网络在训练时的输出结果进行计算,将计算结果返回到所述神经网络,使得所述神经网络根据损失函数反馈的结果进行相应的调整;
在所述神经网络进行训练时,同时通过最上层跳跃连接层中加入的卷积模块和神经网络右侧最上层的反卷积输出层进行预测输出,根据输出结果对所述神经网络进行剪枝,调整所述神经网络的参数量,最终保存预测输出最优的分支对应的参数量;
在所述神经网络进行训练时,将数据集划分为n份,将n份数据集中的每一份轮流作为验证集,获取n份不同的数据集,使用不同的n份数据集分别训练n个神经网络,将所述n个神经网络组合,形成最终的神经网络,将所述n个神经网络的输出结果进行平均处理,得到最终输出的钙化区域以及冠状动脉区域。
9.一种冠状动脉狭窄度估计设备,其特征在于,包括:存储器、处理器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,所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的冠状动脉狭窄度估计方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现如权利要求1至4中任一项所述的冠状动脉狭窄度估计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010715124.3A CN111833343A (zh) | 2020-07-23 | 2020-07-23 | 冠状动脉狭窄度估计方法系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010715124.3A CN111833343A (zh) | 2020-07-23 | 2020-07-23 | 冠状动脉狭窄度估计方法系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111833343A true CN111833343A (zh) | 2020-10-27 |
Family
ID=72925089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010715124.3A Pending CN111833343A (zh) | 2020-07-23 | 2020-07-23 | 冠状动脉狭窄度估计方法系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111833343A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288731A (zh) * | 2020-11-05 | 2021-01-29 | 杭州深睿博联科技有限公司 | 一种血管狭窄分析方法及装置 |
CN112435246A (zh) * | 2020-11-30 | 2021-03-02 | 武汉楚精灵医疗科技有限公司 | 窄带成像放大胃镜下胃癌的人工智能诊断方法 |
CN113313714A (zh) * | 2021-05-25 | 2021-08-27 | 西安交通大学第二附属医院 | 一种基于改进U-Net网络的冠脉OCT图像病变斑块分割方法 |
WO2022136043A1 (en) * | 2020-12-22 | 2022-06-30 | Koninklijke Philips N.V. | Locating vascular constrictions |
CN114757944A (zh) * | 2022-06-13 | 2022-07-15 | 深圳科亚医疗科技有限公司 | 一种血管图像的分析方法、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200074271A1 (en) * | 2018-08-29 | 2020-03-05 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems, methods, and apparatuses for implementing a multi-resolution neural network for use with imaging intensive applications including medical imaging |
EP3660785A1 (en) * | 2018-11-30 | 2020-06-03 | Laralab UG | Method and system for providing an at least 3-dimensional medical image segmentation of a structure of an internal organ |
CN111354002A (zh) * | 2020-02-07 | 2020-06-30 | 天津大学 | 一种基于深度神经网络的肾脏及肾脏肿瘤分割方法 |
CN111369563A (zh) * | 2020-02-21 | 2020-07-03 | 华南理工大学 | 一种基于金字塔空洞卷积网络的语义分割方法 |
CN113298818A (zh) * | 2021-07-09 | 2021-08-24 | 大连大学 | 基于注意力机制与多尺度特征的遥感图像建筑物分割方法 |
-
2020
- 2020-07-23 CN CN202010715124.3A patent/CN111833343A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200074271A1 (en) * | 2018-08-29 | 2020-03-05 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems, methods, and apparatuses for implementing a multi-resolution neural network for use with imaging intensive applications including medical imaging |
EP3660785A1 (en) * | 2018-11-30 | 2020-06-03 | Laralab UG | Method and system for providing an at least 3-dimensional medical image segmentation of a structure of an internal organ |
CN111354002A (zh) * | 2020-02-07 | 2020-06-30 | 天津大学 | 一种基于深度神经网络的肾脏及肾脏肿瘤分割方法 |
CN111369563A (zh) * | 2020-02-21 | 2020-07-03 | 华南理工大学 | 一种基于金字塔空洞卷积网络的语义分割方法 |
CN113298818A (zh) * | 2021-07-09 | 2021-08-24 | 大连大学 | 基于注意力机制与多尺度特征的遥感图像建筑物分割方法 |
Non-Patent Citations (4)
Title |
---|
QIUFU LI等: "3D Neuron Reconstruction in Tangled Neuronal Image With Deep Networks", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》, vol. 39, no. 2, pages 425 - 435, XP011769475, DOI: 10.1109/TMI.2019.2926568 * |
ZONGWEI ZHOU等: "UNet++: Redesigning Skip Connections to Exploit Multiscale Features in Image Segmentation", 《ARXIV》, pages 1 - 12 * |
叶承钦: "基于编解码结构的全心脏CT图像分割", 《中国优秀硕士学位论文全文数据库:信息科技辑》, no. 2, pages 1 - 64 * |
束磊: "基于深度学习的OCT心血管易损斑块识别", 《中国优秀硕士学位论文全文数据库:信息科技辑》, no. 1, pages 1 - 61 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288731A (zh) * | 2020-11-05 | 2021-01-29 | 杭州深睿博联科技有限公司 | 一种血管狭窄分析方法及装置 |
WO2022095895A1 (zh) * | 2020-11-05 | 2022-05-12 | 杭州深睿博联科技有限公司 | 一种血管狭窄分析方法及装置 |
CN112435246A (zh) * | 2020-11-30 | 2021-03-02 | 武汉楚精灵医疗科技有限公司 | 窄带成像放大胃镜下胃癌的人工智能诊断方法 |
WO2022136043A1 (en) * | 2020-12-22 | 2022-06-30 | Koninklijke Philips N.V. | Locating vascular constrictions |
CN113313714A (zh) * | 2021-05-25 | 2021-08-27 | 西安交通大学第二附属医院 | 一种基于改进U-Net网络的冠脉OCT图像病变斑块分割方法 |
CN113313714B (zh) * | 2021-05-25 | 2023-10-27 | 西安交通大学第二附属医院 | 一种基于改进U-Net网络的冠脉OCT图像病变斑块分割方法 |
CN114757944A (zh) * | 2022-06-13 | 2022-07-15 | 深圳科亚医疗科技有限公司 | 一种血管图像的分析方法、装置及存储介质 |
CN114757944B (zh) * | 2022-06-13 | 2022-08-16 | 深圳科亚医疗科技有限公司 | 一种血管图像的分析方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111833343A (zh) | 冠状动脉狭窄度估计方法系统及设备 | |
US11861851B2 (en) | Anatomical and functional assessment of CAD using machine learning | |
CN111369528B (zh) | 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法 | |
US20230038364A1 (en) | Method and system for automatically detecting anatomical structures in a medical image | |
US11600379B2 (en) | Systems and methods for generating classifying and quantitative analysis reports of aneurysms from medical image data | |
CN112819800A (zh) | Dsa影像识别方法、装置及存储介质 | |
CN111524109A (zh) | 头部医学影像的评分方法和装置、电子设备及存储介质 | |
CN116758087B (zh) | 一种腰椎ct骨窗侧隐窝间隙检测方法及装置 | |
CN112784928A (zh) | Dsa影像识别方法、装置及存储介质 | |
US20230222668A1 (en) | Image processing apparatus, image processing method, and recording medium | |
EP3477551B1 (en) | Machine-learnt prediction of uncertainty or sensitivity for hemodynamic quantification in medical imaging | |
CN116309346A (zh) | 医学图像的检测方法、装置、设备、存储介质及程序产品 | |
CN113947593B (zh) | 颈动脉超声图像中易损斑块的分割方法和装置 | |
CN113658700A (zh) | 一种基于机器学习的门脉高压无创评估方法及系统 | |
JP2021111076A (ja) | Aiを用いる診断装置、診断システム、及び、プログラム | |
US20230368398A1 (en) | Anatomical and functional assessment of coronary artery disease using machine learning | |
CN117893942A (zh) | 一种基于人工智能的脑卒中筛查云平台及系统、装置 | |
Alharbi | Multi-classification of eye disease based on fundus images using hybrid Squeeze Net and LRCN model | |
Tamilselvi et al. | Analysis of Amniotic fluid in fetal assessment using Biophysical Profile Images | |
WO2023199088A1 (en) | Determination of cardiac functional indices | |
CN114359207A (zh) | 颅内血管分割方法、装置、存储介质及电子设备 | |
Lin | Segmentation of Cardiac MRI Images Based on nnU-Net | |
Uslucuk et al. | Comparative Analysis of Baseline Vnet and Unet Architectures on Pancreas Segmentation | |
TAKSINAVONGSKUL et al. | IMPROVING CHEST PATHOLOGIES DETECTION FROM CHEST X-RAY WITH DEEP LEARNING USING TRANSFER LEARNING AND IMAGE ENHANCEMENT | |
KR20230039084A (ko) | 하지 정렬 평가 방법 및 이를 이용한 하지 정렬 평가용 디바이스 |
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 |