CN111862045A - 血管模型的生成方法及装置 - Google Patents
血管模型的生成方法及装置 Download PDFInfo
- Publication number
- CN111862045A CN111862045A CN202010706980.2A CN202010706980A CN111862045A CN 111862045 A CN111862045 A CN 111862045A CN 202010706980 A CN202010706980 A CN 202010706980A CN 111862045 A CN111862045 A CN 111862045A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- image
- confidence
- model
- vessel 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.)
- Granted
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种血管模型的生成方法及装置。该方法包括:对医学图像进行分割提取,得到血管图像;确定血管图像上各处血管的置信度,其中,置信度用于表征分割提取出的血管的准确度;基于各处血管的置信度,对血管图像进行调整;通过调整后的血管图像生成血管模型。通过本申请,解决了相关技术中生成的血管模型的准确性较低的问题。
Description
技术领域
本申请涉及信息处理技术领域,具体而言,涉及一种血管模型的生成方法及装置。
背景技术
医学影像是当前医学诊断的重要工具,在临床上广泛应用于各种疾病的诊断。随着计算机图像处理技术的发展,以及近年来人工智能技术在图像处理技术上的应用,利用计算机技术对医学影像进行后处理可以实现对许多疾病的智能诊断,或通过图像处理得到患者的一些生理指标供医生诊断参考。
心血管疾病是当前社会发病率很高的疾病类型,现有的一些医学图像处理工具可实现对医学图像进行图像分割处理得到患者的血管模型。然而,现有技术中对血管模型处理存在的问题包括:血管模型分割不准确,现有图像处理技术分割血管模型经常出现遗漏一些血管模型分支、出现断裂、或将其他血管(例如,静脉血管)当作血管模型分割出来,影响后续的诊断准确。
针对相关技术中生成的血管模型的准确性较低的问题,目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种血管模型的生成方法及装置,以解决相关技术中生成的血管模型的准确性较低的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种血管模型的生成方法。该方法包括:对医学图像进行分割提取,得到血管图像;确定所述血管图像上各处血管的置信度,其中,所述置信度用于表征分割提取出的血管的准确度;基于所述各处血管的置信度,对所述血管图像进行调整;通过调整后的血管图像生成血管模型。
进一步地,在基于所述各处血管的置信度,对所述血管图像进行调整之前,所述方法还包括:显示所述血管图像和所述各处血管的置信度。
进一步地,显示所述血管图像和所述各处血管的置信度包括:基于所述各处血管的置信度,确定所述血管图像上各处血管的像素颜色;显示所述血管图像和以确定出的像素颜色在所述血管图像上表示各处血管的置信度。
进一步地,在通过调整后的血管图像生成血管模型之后,所述方法还包括:基于所述血管模型进行血流动力学分析,得到血流动力学数据。
进一步地,对医学图像进行分割提取,得到血管图像之前,所述方法还包括:获得训练数据,其中,所述训练数据中包括血管分割标注信息的医学图像;使用所述训练数据对分割网络模型进行学习训练,得到图像分割模型。
进一步地,对医学图像进行分割提取,得到血管图像包括:使用图像分割模型对医学图像进行分割,确定所述医学图像上每个像素表示血管的概率值;将概率值大于预设概率的像素进行提取,得到血管图像。
进一步地,确定所述血管图像上各处血管的置信度包括:基于表示血管的像素的概率值确定所述血管图像上各处血管的置信度。
为了实现上述目的,根据本申请的一个方面,提供了一种血管模型的生成装置,包括:分割单元,用于对医学图像进行分割提取,得到血管图像;第一确定单元,用于确定所述血管图像上各处血管的置信度,其中,所述置信度用于表征分割提取出的血管的准确度;调整单元,用于基于所述各处血管的置信度,对所述血管图像进行调整;生成单元,用于通过调整后的血管图像生成血管模型。
为了实现上述目的,根据本申请的一个方面,提供了一种非易失性存储介质,所述存储介质包括存储的程序,其中,所述程序被处理器执行时实现上述任意一项所述的血管模型的生成方法。
为了实现上述目的,根据本申请的一个方面,提供了一种电子设备,所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线;其中,所述处理器、所述存储器通过所述总线完成相互间的通信;所述处理器用于调用所述存储器中的程序指令,以执行如上述任意一项所述的血管模型的生成方法。
通过本申请,采用以下步骤:对医学图像进行分割提取,得到血管图像;确定血管图像上各处血管的置信度,其中,置信度用于表征分割提取出的血管的准确度;基于各处血管的置信度,对血管图像进行调整;通过调整后的血管图像生成血管模型,解决了相关技术中生成的血管模型的准确性较低的问题。通过基于各处血管的置信度,对血管图像进行调整,依据调整后的血管图像生成血管模型,进而达到了提升生成的血管模型的准确性的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,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是根据本申请实施例提供的血管模型的生成方法的流程图;
图2是根据本申请实施例提供的血管模型的生成装置的示意图;以及
图3是根据本申请实施例提供的设备框图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
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的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,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”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,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、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请的实施例,提供了一种血管模型的生成方法。
图1是根据本申请实施例的血管模型的生成方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101,对医学图像进行分割提取,得到血管图像。
上述的医学图像可以为心脏CTA图像。
步骤S102,确定血管图像上各处血管的置信度,其中,置信度用于表征分割提取出的血管的准确度。
步骤S103,基于各处血管的置信度,对血管图像进行调整。
需要说明的是,若目标血管处的置信度高于预设置信度,若该处接收到调整操作,可以触发提醒信息,提醒此处血管的置信度高于预设置信度,请确认是否调整。若用户确认调整,再对该出血管进行调整。
步骤S104,通过调整后的血管图像生成血管模型。
上述技术方案,在计算机对医学图像分割提取出血管图像后,允许用户手动对血管图像进行编辑修改,以保证血管图像的准确性,再根据用户编辑调整后的血管图像进一步生成血管模型,从而提升了生成的血管模型的准确性。
可选地,在本申请实施例提供的血管模型的生成方法中,在基于各处血管的置信度,对血管图像进行调整之前,该方法还包括:显示血管图像和各处血管的置信度。
在上述方案中,通过交互界面向用户显示分割结果(对应上述的血管图像)的同时将各处血管的置信度的直观显示。
可选地,在本申请实施例提供的血管模型的生成方法中,显示血管图像和各处血管的置信度包括:基于各处血管的置信度,确定血管图像上各处血管的像素颜色;显示血管图像和以确定出的像素颜色在血管图像上表示各处血管的置信度。
在上述方案中,在交互界面上显示血管图像,可以以伪彩图的形式表示血管分割出血管图像中各处血管的置信度。将各血管位置处的像素的颜色与各处血管的置信度进行关联,例如,超过预设置信度的血管用鲜艳颜色(例如,红色)表示、不超于预设置信度的血管用浅色颜色(例如,灰色)表示。
可选地,在本申请实施例提供的血管模型的生成方法中,在通过调整后的血管图像生成血管模型之后,该方法还包括:基于血管模型进行血流动力学分析,得到血流动力学数据。
通过上述方案,在得到的血管模型更加准确的基础上,保证了后续计算血流动力学数据的准确性。
可选地,为了保证对血管图像的分割准确性和速度,在本申请实施例提供的血管模型的生成方法中,对医学图像进行分割提取,得到血管图像之前,该方法还包括:获得训练数据,其中,训练数据中包括血管分割标注信息的医学图像;使用训练数据对分割网络模型进行学习训练,得到图像分割模型。
上述的分割网络模型可以为Unet、Vnet等分割网络模型,通过采用包括血管分割标注信息的医学图像的训练数据对分割网络模型进行学习训练,即可得到图像分割模型,从而保证利用得到的图像分割模型对血管图像的分割准确性和速度。
可选地,在本申请实施例提供的血管模型的生成方法中,对医学图像进行分割提取,得到血管图像包括:使用图像分割模型对医学图像进行分割,确定医学图像上每个像素表示血管的概率值;将概率值大于预设概率的像素进行提取,得到血管图像。
在上述方案中,使用图像分割模型进行血管分割的计算过程,实际是图像分割模型对图像中的每一个像素进行预测,得到该像素表示血管的概率值,当预测该像素在血管上的概率值大于预设概率时,判断该像素表示血管。逐一预测,最后得到所有表示血管的像素,以完成图像分割,得到血管图像。
可选地,在本申请实施例提供的血管模型的生成方法中,确定血管图像上各处血管的置信度包括:基于表示血管的像素的概率值确定血管图像上各处血管的置信度。
由于图像分割模型预测的每个像素的概率值与血管分割准确性的置信度是相关的。例如,若当预测一个像素表示血管的概率大于0.7(预设概率)时,判断该像素表示血管,那么预测概率为0.71的像素的分割准确性的置信度就相对较低,也就是该处的分割可能是不准确的,预测概率为0.99的像素的分割准确性的置信度较高,也就说明该处分割的结果是比较可靠的。也即,基于表示血管的像素的概率值可以确定出血管图像上各处血管的置信度。
可选地,在本申请实施例提供的血管模型的生成方法中,基于各处血管的置信度,对血管图像进行调整包括:基于各处血管的置信度,确定各处血管中需要追踪的部位,其中,需要追踪的部位为以下至少之一:遗漏的部位、断裂的部位;在交互界面中接收输入的追踪指令,响应追踪指令,对需要追踪的部位进行追踪,以对遗漏的部位和/或断裂的部位在血管图像中进行补全。
通过上述方案,解决了现有图像处理技术中时经常出现遗漏一些血管的遗漏的部位、断裂的部位,通过对遗漏的部位、断裂的部位进行追踪,并对其进行补全处理,以保证血管图像的准确性,从而提升后续生成血管模型的准确性。
可选地,在本申请实施例提供的血管模型的生成方法中,响应追踪指令,对需要追踪的部位进行追踪,以对遗漏的部位和/或断裂的部位在血管图像中进行补全包括:步骤S1,响应追踪指令,在需要追踪的部位中确定种子点位置;步骤S2,以种子点位置为中心,确定围绕种子点位置的第一目标区域;步骤S3,判断目标区域内中的各个点的CT值是否属于阈值范围内;步骤S4,若存在目标点的CT值属于阈值范围内,以目标点为中心,确定围绕目标点的第二目标区域;对上述步骤S3,S4迭代,直到没有点的CT值属于阈值范围内结束,对CT值属于阈值范围内的点进行显示,以对遗漏的部位和/或断裂的部位在血管图像中进行补全。
例如,采用单点追踪算法对遗漏的部位和/或断裂的部位进行追踪补全,具体地,用户在交互界面中对血管图像中选择一个点为种子点,以种子点为中心取该种子点周围的若干各点,以该点为中心点,在三维上取9*9*9个点的小立方体(对应上述的第一目标区域);分辨判断9*9*9个点的CT值是否属于阈值范围内,阈值取是通常情况下血管的CT值范围,例如,CT值范围在100-500之间。对于属于阈值范围内的点,以该点为中心点通过以上步骤再取9*9*9个点的小立方体,判断其中的点的CT值是否是属于阈值范围内。通过以上步骤迭代运算,直到没有点的CT值落在阈值范围结束,对CT值属于阈值范围内的点进行显示,以对遗漏的部位和/或断裂的部位进行补全。
通过以上方案,实现了对遗漏的部位、断裂的部位进行追踪,并对其进行补全处理,保证了基于补全后的血管图像生成血管模型的准确性,从而提升后续计算血流动力学数据的准确性。
可选地,在本申请实施例提供的血管模型的生成方法中,通过交互界面对血管图像进行处理包括:从血管图像中确定第三目标区域;在交互界面中接收输入的删除指令;响应删除指令,对第三目标区域进行删除处理。
在上述方案中,用户可以手动选取血管图像中的部分区域(对应上述的第三目标区域)进行裁剪删除,以对血管图像进行调整,选出需要删除的区域,通过裁剪删除,得到处理后的血管图像,保证了基于补全后的血管图像生成血管模型的准确性,从而提升后续计算血流动力学数据的准确性。
可选地,在本申请实施例提供的血管模型的生成方法中,通过交互界面对血管图像进行处理包括:确定血管图像中目标血管的末端位置;在交互界面中接收输入的第一调整指令;响应第一调整指令,对目标血管的末端位置进行调整。
由于有些血管的末端是比较细小的,对末端的分割更容易出现误差,而末端部分的细小差异或存在的细小病灶会影响整体血流动力学数据的准确性。因此,在本方案中,在交互界面中,医生可以基于经验对目标血管的末端位置进行调整,以便得到的血管图像更加准确,保证了基于补全后的血管图像生成血管模型的准确性,从而提升后续计算血流动力学数据的准确性。。
可选地,在本申请实施例提供的血管模型的生成方法中,通过交互界面对血管图像进行处理包括:确定血管图像中主动脉出入口的法向方向;在交互界面中接收输入的第二调整指令,响应第二调整指令,对主动脉出入口的法向方向进行调整。
由于计算机对心脏CTA图像完成自动的分割提取后,主动脉出口的角度方向可能不准确。通过上述方案,在交互界面中,医生可以基于经验对主动脉出入口的法向方向进行调整,以便得到的血管图像更加准确,保证了基于补全后的血管图像生成血管模型的准确性,从而提升后续计算血流动力学数据的准确性。
可选地,在本申请实施例提供的血管模型的生成方法中,通过交互界面对血管图像进行处理包括:在交互界面中接收输入的CT值的范围,在血管图像中显示CT值的范围的区域;从显示出的区域中确定需要删除的区域并进行删除处理。
由于有的患者的血管存在钙化病灶,由于在CT图像上钙化病灶的CT值较高,系统自动分割不能将钙化病灶区分出来,而是将其作为血管的一部分进行下一步处理,在此基础上计算得到的一些血流动力学指标是不准确的。为了解决该问题,通过上述方案,医生可以在交互界面输入CT值范围,仅显示属于该CT值范围内的区域,这些区域可能是钙化病灶,因此,可以选取将这些区域并进行去除。通过上述步骤的处理,对血管图像进行了去钙化病灶处理,得到的血管图像更加准确,保证了基于补全后的血管图像生成血管模型的准确性,从而提升后续计算血流动力学数据的准确性。
综上,本申请实施例提供的血管模型的生成方法,通过对医学图像进行分割提取,得到血管图像;确定血管图像上各处血管的置信度,其中,置信度用于表征分割提取出的血管的准确度;基于各处血管的置信度,对血管图像进行调整;通过调整后的血管图像生成血管模型,解决了相关技术中生成的血管模型的准确性较低的问题。通过基于各处血管的置信度,对血管图像进行调整,依据调整后的血管图像生成血管模型,进而达到了提升生成的血管模型的准确性的效果。
需要说明的是,在附图的流程图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。
本申请实施例还提供了一种血管模型的生成装置,需要说明的是,本申请实施例的血管模型的生成装置可以用于执行本申请实施例所提供的用于血管模型的生成方法。以下对本申请实施例提供的血管模型的生成装置进行介绍。
图2根据本申请实施例的血管模型的生成装置的示意图。如图2示,该装置包括:分割单元201,第一确定单元202,调整单元203和生成单元204。
具体地,分割单元201,用于对医学图像进行分割提取,得到血管图像;
第一确定单元202,用于确定血管图像上各处血管的置信度,其中,置信度用于表征分割提取出的血管的准确度;
调整单元203,用于基于各处血管的置信度,对血管图像进行调整;
生成单元204,用于通过调整后的血管图像生成血管模型。
综上所述,本申请实施例提供的血管模型的生成装置,通过分割单元201对医学图像进行分割提取,得到血管图像;第一确定单元202确定血管图像上各处血管的置信度,其中,置信度用于表征分割提取出的血管的准确度;调整单元203基于各处血管的置信度,对血管图像进行调整;生成单元204通过调整后的血管图像生成血管模型,解决了相关技术中生成的血管模型的准确性较低的问题。通过基于各处血管的置信度,对血管图像进行调整,依据调整后的血管图像生成血管模型,进而达到了提升生成的血管模型的准确性的效果。
可选地,在本申请实施例提供的血管模型的生成装置中,该装置还包括:显示单元,用于在基于各处血管的置信度,对血管图像进行调整之前,显示血管图像和各处血管的置信度。
可选地,在本申请实施例提供的血管模型的生成装置中,显示单元包括:第一确定模块,用于基于各处血管的置信度,确定血管图像上各处血管的像素颜色;显示模块,用于显示血管图像和以确定出的像素颜色在血管图像上表示各处血管的置信度。
可选地,在本申请实施例提供的血管模型的生成装置中,该装置还包括:第二确定单元,用于在通过调整后的血管图像生成血管模型之后,基于血管模型进行血流动力学分析,得到血流动力学数据。
可选地,在本申请实施例提供的血管模型的生成装置中,该装置还包括:第一获取单元,用于对医学图像进行分割提取,得到血管图像之前,获得训练数据,其中,训练数据中包括血管分割标注信息的医学图像;第二获取单元,用于使用训练数据对分割网络模型进行学习训练,得到图像分割模型。
可选地,在本申请实施例提供的血管模型的生成装置中,分割单元201包括:第二确定模块,用于使用图像分割模型对医学图像进行分割,确定医学图像上每个像素表示血管的概率值;第一获取模块,用于将概率值大于预设概率的像素进行提取,得到血管图像。
可选地,在本申请实施例提供的血管模型的生成装置中,第一确定单元202还用于基于表示血管的像素的概率值确定血管图像上各处血管的置信度。
所述血管模型的生成装置包括处理器和存储器,上述的分割单元201,第一确定单元202,调整单元203和生成单元204等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来提升获取血流动力学数据的准确性。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现所述血管模型的生成方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述血管模型的生成方法。
本发明实施例提供了一种电子设备,如图3所示,该设备30包括至少一个处理器301、以及与处理器连接的至少一个存储器302、总线303;其中,处理器301、存储器302通过总线303完成相互间的通信;处理器301用于调用存储器中的程序指令,以执行上述的血管模型的生成方法。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:对医学图像进行分割提取,得到血管图像;确定所述血管图像上各处血管的置信度,其中,所述置信度用于表征分割提取出的血管的准确度;基于所述各处血管的置信度,对所述血管图像进行调整;通过调整后的血管图像生成血管模型。
当在数据处理设备上执行时,还适于执行初始化有如下方法步骤的程序:在基于所述各处血管的置信度,对所述血管图像进行调整之前,所述方法还包括:显示所述血管图像和所述各处血管的置信度。
当在数据处理设备上执行时,还适于执行初始化有如下方法步骤的程序:显示所述血管图像和所述各处血管的置信度包括:基于所述各处血管的置信度,确定所述血管图像上各处血管的像素颜色;显示所述血管图像和以确定出的像素颜色在所述血管图像上表示各处血管的置信度。
当在数据处理设备上执行时,还适于执行初始化有如下方法步骤的程序:在通过调整后的血管图像生成血管模型之后,所述方法还包括:基于所述血管模型进行血流动力学分析,得到血流动力学数据。
当在数据处理设备上执行时,还适于执行初始化有如下方法步骤的程序:对医学图像进行分割提取,得到血管图像之前,所述方法还包括:获得训练数据,其中,所述训练数据中包括血管分割标注信息的医学图像;使用所述训练数据对分割网络模型进行学习训练,得到图像分割模型。
当在数据处理设备上执行时,还适于执行初始化有如下方法步骤的程序:对医学图像进行分割提取,得到血管图像包括:使用图像分割模型对医学图像进行分割,确定所述医学图像上每个像素表示血管的概率值;将概率值大于预设概率的像素进行提取,得到血管图像。
当在数据处理设备上执行时,还适于执行初始化有如下方法步骤的程序:确定所述血管图像上各处血管的置信度包括:基于表示血管的像素的概率值确定所述血管图像上各处血管的置信度。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在一个典型的配置中,设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种血管模型的生成方法,其特征在于,包括:
对医学图像进行分割提取,得到血管图像;
确定所述血管图像上各处血管的置信度,其中,所述置信度用于表征分割提取出的血管的准确度;
基于所述各处血管的置信度,对所述血管图像进行调整;
通过调整后的血管图像生成血管模型。
2.根据权利要求1所述的方法,其特征在于,在基于所述各处血管的置信度,对所述血管图像进行调整之前,所述方法还包括:
显示所述血管图像和所述各处血管的置信度。
3.根据权利要求2所述的方法,其特征在于,显示所述血管图像和所述各处血管的置信度包括:
基于所述各处血管的置信度,确定所述血管图像上各处血管的像素颜色;
显示所述血管图像和以确定出的像素颜色在所述血管图像上表示各处血管的置信度。
4.根据权利要求1所述的方法,其特征在于,在通过调整后的血管图像生成血管模型之后,所述方法还包括:
基于所述血管模型进行血流动力学分析,得到血流动力学数据。
5.根据权利要求1所述的方法,其特征在于,对医学图像进行分割提取,得到血管图像之前,所述方法还包括:
获得训练数据,其中,所述训练数据中包括血管分割标注信息的医学图像;
使用所述训练数据对分割网络模型进行学习训练,得到图像分割模型。
6.根据权利要求5所述的方法,其特征在于,对医学图像进行分割提取,得到血管图像包括:
使用图像分割模型对医学图像进行分割,确定所述医学图像上每个像素表示血管的概率值;
将概率值大于预设概率的像素进行提取,得到血管图像。
7.根据权利要求6述的方法,其特征在于,确定所述血管图像上各处血管的置信度包括:
基于表示血管的像素的概率值确定所述血管图像上各处血管的置信度。
8.一种血管模型的生成装置,其特征在于,包括:
分割单元,用于对医学图像进行分割提取,得到血管图像;
第一确定单元,用于确定所述血管图像上各处血管的置信度,其中,所述置信度用于表征分割提取出的血管的准确度;
调整单元,用于基于所述各处血管的置信度,对所述血管图像进行调整;
生成单元,用于通过调整后的血管图像生成血管模型。
9.一种非易失性存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序被处理器执行时实现权利要求1至7中任意一项所述的血管模型的生成方法。
10.一种电子设备,其特征在于,所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线;
其中,所述处理器、所述存储器通过所述总线完成相互间的通信;
所述处理器用于调用所述存储器中的程序指令,以执行如权利要求1至7中任意一项所述的血管模型的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010706980.2A CN111862045B (zh) | 2020-07-21 | 2020-07-21 | 血管模型的生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010706980.2A CN111862045B (zh) | 2020-07-21 | 2020-07-21 | 血管模型的生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111862045A true CN111862045A (zh) | 2020-10-30 |
CN111862045B CN111862045B (zh) | 2021-09-07 |
Family
ID=73001963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010706980.2A Active CN111862045B (zh) | 2020-07-21 | 2020-07-21 | 血管模型的生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862045B (zh) |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101061513A (zh) * | 2004-11-22 | 2007-10-24 | 伊斯曼柯达公司 | 超声图像中病变的检测和分类 |
CN102651128A (zh) * | 2011-02-24 | 2012-08-29 | 南京大学 | 一种基于采样的图像集分割方法 |
CN105103191A (zh) * | 2013-04-03 | 2015-11-25 | 皇家飞利浦有限公司 | 血管分割 |
CN105787958A (zh) * | 2016-05-20 | 2016-07-20 | 东南大学 | 一种基于三维Zernike矩的肾脏动脉CT造影图像血管分割方法 |
CN106780477A (zh) * | 2016-12-30 | 2017-05-31 | 上海联影医疗科技有限公司 | 一种血流分析方法和系统 |
CN107025457A (zh) * | 2017-03-29 | 2017-08-08 | 腾讯科技(深圳)有限公司 | 一种图像处理方法和装置 |
CN108376048A (zh) * | 2018-03-05 | 2018-08-07 | 四川和生视界医药技术开发有限公司 | 视网膜血管的修复方法及修复装置 |
US20180322635A1 (en) * | 2017-05-05 | 2018-11-08 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
CN109035252A (zh) * | 2018-06-29 | 2018-12-18 | 山东财经大学 | 一种面向医学图像分割的超像素方法 |
CN109345546A (zh) * | 2018-09-30 | 2019-02-15 | 数坤(北京)网络科技有限公司 | 一种冠脉体数据模型分割方法及设备 |
CN109741332A (zh) * | 2018-12-28 | 2019-05-10 | 天津大学 | 一种人机协同的图像分割与标注方法 |
CN109741347A (zh) * | 2018-12-30 | 2019-05-10 | 北京工业大学 | 一种基于卷积神经网络的迭代学习的图像分割方法 |
CN109740689A (zh) * | 2019-01-09 | 2019-05-10 | 贵州宽凳智云科技有限公司 | 一种图像语义分割的错误标注数据筛选方法及系统 |
CN109886982A (zh) * | 2019-04-24 | 2019-06-14 | 数坤(北京)网络科技有限公司 | 一种血管图像分割方法、装置及计算机存储设备 |
CN109903297A (zh) * | 2019-03-08 | 2019-06-18 | 数坤(北京)网络科技有限公司 | 基于分类模型的冠脉分割方法及系统 |
CN110032954A (zh) * | 2019-03-27 | 2019-07-19 | 成都数之联科技有限公司 | 一种钢筋智能识别与计数方法及系统 |
CN110047078A (zh) * | 2019-04-18 | 2019-07-23 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110264468A (zh) * | 2019-08-14 | 2019-09-20 | 长沙智能驾驶研究院有限公司 | 点云数据标注、分割模型确定、目标检测方法及相关设备 |
CN110490100A (zh) * | 2019-07-31 | 2019-11-22 | 中铁二院工程集团有限责任公司 | 基于深度学习的岩土自动识别定名方法及系统 |
CN110651276A (zh) * | 2017-03-17 | 2020-01-03 | 纽拉拉股份有限公司 | 标注和标记用于深度神经网络和神经网络应用的数据流的在线增量实时学习 |
CN110866914A (zh) * | 2019-11-21 | 2020-03-06 | 北京冠生云医疗技术有限公司 | 脑动脉瘤血流动力学指标的评估方法、系统、设备及介质 |
CN111311613A (zh) * | 2020-03-03 | 2020-06-19 | 北京推想科技有限公司 | 图像分割模型训练方法、图像分割方法及装置 |
CN111325759A (zh) * | 2020-03-13 | 2020-06-23 | 上海联影智能医疗科技有限公司 | 血管分割方法、装置、计算机设备及可读存储介质 |
-
2020
- 2020-07-21 CN CN202010706980.2A patent/CN111862045B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101061513A (zh) * | 2004-11-22 | 2007-10-24 | 伊斯曼柯达公司 | 超声图像中病变的检测和分类 |
CN102651128A (zh) * | 2011-02-24 | 2012-08-29 | 南京大学 | 一种基于采样的图像集分割方法 |
CN105103191A (zh) * | 2013-04-03 | 2015-11-25 | 皇家飞利浦有限公司 | 血管分割 |
CN105787958A (zh) * | 2016-05-20 | 2016-07-20 | 东南大学 | 一种基于三维Zernike矩的肾脏动脉CT造影图像血管分割方法 |
CN106780477A (zh) * | 2016-12-30 | 2017-05-31 | 上海联影医疗科技有限公司 | 一种血流分析方法和系统 |
CN110651276A (zh) * | 2017-03-17 | 2020-01-03 | 纽拉拉股份有限公司 | 标注和标记用于深度神经网络和神经网络应用的数据流的在线增量实时学习 |
CN107025457A (zh) * | 2017-03-29 | 2017-08-08 | 腾讯科技(深圳)有限公司 | 一种图像处理方法和装置 |
US20180322635A1 (en) * | 2017-05-05 | 2018-11-08 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
CN108376048A (zh) * | 2018-03-05 | 2018-08-07 | 四川和生视界医药技术开发有限公司 | 视网膜血管的修复方法及修复装置 |
CN109035252A (zh) * | 2018-06-29 | 2018-12-18 | 山东财经大学 | 一种面向医学图像分割的超像素方法 |
CN109345546A (zh) * | 2018-09-30 | 2019-02-15 | 数坤(北京)网络科技有限公司 | 一种冠脉体数据模型分割方法及设备 |
CN109741332A (zh) * | 2018-12-28 | 2019-05-10 | 天津大学 | 一种人机协同的图像分割与标注方法 |
CN109741347A (zh) * | 2018-12-30 | 2019-05-10 | 北京工业大学 | 一种基于卷积神经网络的迭代学习的图像分割方法 |
CN109740689A (zh) * | 2019-01-09 | 2019-05-10 | 贵州宽凳智云科技有限公司 | 一种图像语义分割的错误标注数据筛选方法及系统 |
CN109903297A (zh) * | 2019-03-08 | 2019-06-18 | 数坤(北京)网络科技有限公司 | 基于分类模型的冠脉分割方法及系统 |
CN110032954A (zh) * | 2019-03-27 | 2019-07-19 | 成都数之联科技有限公司 | 一种钢筋智能识别与计数方法及系统 |
CN110047078A (zh) * | 2019-04-18 | 2019-07-23 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN109886982A (zh) * | 2019-04-24 | 2019-06-14 | 数坤(北京)网络科技有限公司 | 一种血管图像分割方法、装置及计算机存储设备 |
CN110490100A (zh) * | 2019-07-31 | 2019-11-22 | 中铁二院工程集团有限责任公司 | 基于深度学习的岩土自动识别定名方法及系统 |
CN110264468A (zh) * | 2019-08-14 | 2019-09-20 | 长沙智能驾驶研究院有限公司 | 点云数据标注、分割模型确定、目标检测方法及相关设备 |
CN110866914A (zh) * | 2019-11-21 | 2020-03-06 | 北京冠生云医疗技术有限公司 | 脑动脉瘤血流动力学指标的评估方法、系统、设备及介质 |
CN111311613A (zh) * | 2020-03-03 | 2020-06-19 | 北京推想科技有限公司 | 图像分割模型训练方法、图像分割方法及装置 |
CN111325759A (zh) * | 2020-03-13 | 2020-06-23 | 上海联影智能医疗科技有限公司 | 血管分割方法、装置、计算机设备及可读存储介质 |
Non-Patent Citations (3)
Title |
---|
康皓贝: "基于深度卷积网络的冠脉血管分割方法", 《电子技术与软件工程》 * |
杨泽鹏 等: "血管造影图像分割方法研究的现状与进展", 《生物医学工程研究》 * |
薛文渲: "改进U型网络的眼底视网膜血管分割方法", 《光学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111862045B (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110335259B (zh) | 一种医学影像识别方法、装置和存储介质 | |
Liu et al. | A framework of wound segmentation based on deep convolutional networks | |
CN110298844B (zh) | X光造影图像血管分割与识别方法及装置 | |
CN112132265B (zh) | 模型训练方法、杯盘比确定方法、装置、设备及存储介质 | |
US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
CN108198185A (zh) | 眼底病灶图像的分割方法及、装置、存储介质、处理器 | |
CN112418299B (zh) | 冠状动脉分割模型训练方法、冠状动脉分割方法、及装置 | |
CN112308846A (zh) | 血管分割方法、装置及电子设备 | |
CN112862835A (zh) | 冠脉血管分割方法、装置、设备及计算机可读存储介质 | |
CN111754522B (zh) | 冠状动脉血流动力学数据的获取方法及装置 | |
CN117373070A (zh) | 血管分段标注的方法及装置、电子设备和存储介质 | |
CN116524548B (zh) | 血管结构信息提取方法、装置及存储介质 | |
CN111862045B (zh) | 血管模型的生成方法及装置 | |
CN111161240B (zh) | 血管分类方法、装置、计算机设备和可读存储介质 | |
CN113222051A (zh) | 基于小肠病灶特征的图像标注方法 | |
US20230196568A1 (en) | Angiography image determination method and angiography image determination device | |
CN110428431B (zh) | 一种心脏医学图像的分割方法、装置、设备及存储介质 | |
CN116563305A (zh) | 一种血管的异常区域的分割方法、装置及电子设备 | |
CN113034683B (zh) | 确定血管中心线真伪以及截断位置的方法与装置 | |
CN114241138A (zh) | 肺小结节三维重建方法、装置、电子设备及存储介质 | |
CN113990432A (zh) | 基于rpa和ai的影像报告推送方法、装置及计算设备 | |
CN113096141B (zh) | 冠状动脉分割方法以及冠状动脉分割装置 | |
CN117274218B (zh) | 基于脑灌注成像的血管关键点检测方法及装置、介质 | |
CN117495951B (zh) | 颅内动脉瘤定位方法、装置、计算机设备及存储介质 | |
CN113538447A (zh) | 标注方法、装置以及数据处理方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20201030 Assignee: Shanghai Youmai Technology Co.,Ltd. Assignor: SHANGHAI XINGMAI INFORMATION TECHNOLOGY Co.,Ltd. Contract record no.: X2022980001537 Denomination of invention: Method and device for generating vascular model Granted publication date: 20210907 License type: Common License Record date: 20220215 |