CN111862046A - 一种心脏冠脉剪影中导管位置判别系统和方法 - Google Patents

一种心脏冠脉剪影中导管位置判别系统和方法 Download PDF

Info

Publication number
CN111862046A
CN111862046A CN202010707681.0A CN202010707681A CN111862046A CN 111862046 A CN111862046 A CN 111862046A CN 202010707681 A CN202010707681 A CN 202010707681A CN 111862046 A CN111862046 A CN 111862046A
Authority
CN
China
Prior art keywords
loss
deformation
neural network
silhouette
catheter
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
Application number
CN202010707681.0A
Other languages
English (en)
Other versions
CN111862046B (zh
Inventor
李勇
陆荣生
吴俞辰
孔祥清
刘云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Province Hospital First Affiliated Hospital Of Nanjing Medical University
Original Assignee
Jiangsu Province Hospital First Affiliated Hospital Of Nanjing Medical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Province Hospital First Affiliated Hospital Of Nanjing Medical University filed Critical Jiangsu Province Hospital First Affiliated Hospital Of Nanjing Medical University
Priority to CN202010707681.0A priority Critical patent/CN111862046B/zh
Publication of CN111862046A publication Critical patent/CN111862046A/zh
Application granted granted Critical
Publication of CN111862046B publication Critical patent/CN111862046B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20Finite element generation, e.g. wire-frame surface description, tesselation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30048Heart; Cardiac
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30101Blood vessel; Artery; Vein; Vascular
    • G06T2207/30104Vascular flow; Blood flow; Perfusion

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)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Graphics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种心脏冠脉剪影中导管位置判别系统和方法,可有效的通过单张DSA图像还原其对应的三维模型,将二维DSA剪影中不完善的导管位置信息,通过三维重构的方法投射在三维模型上,获取准确的导管位置信息,准确地对病灶部位成像,在不造成患者不便的情况下,不仅回避了多角度成像时患者呼吸等运动造成的图像偏差,同时大大减少了传统定位方法中检测所需的时间。

Description

一种心脏冠脉剪影中导管位置判别系统和方法
技术领域
本发明属于医学成像技术领域,特别涉及一种心脏冠脉剪影图像中导管定位系统和方法。
背景技术
随着医学成像设备的不断发展,影像处理技术在心血管疾病的术前诊断中得到了广泛的应用,而心脏冠脉剪影技术(DSA)由于其在心血管显像领域具有的高分辨率,在诊断心血管疾病的时候效果尤为出色。然而DSA技术也具有一定的局限性以及不足点,DSA作为微创成像技术,即介入式成像,需要插入导管,在成像部位导入造影剂。同时,单张DSA图像并不能准确定位导管的位置,这对于心血管疾病诊断不利,而目前解决的方法大多是换一个角度重新推入造影剂并成像,利用多角度的图像来定位导管位置,这就造成了患者的不便(多次插入导管,多次造影剂的使用),以及更长的诊断时间。
发明内容
本发明针对现有心脏冠脉剪影图像中导管定位存在的问题,提出一种心脏冠脉剪影中导管位置判别系统和方法,在保证准确率的情况下,减少病人负担,加快诊断速度。
为了实现上述目的,本发明采用以下技术方案:一种心脏冠脉剪影中导管位置判别方法,包括以下步骤:
步骤1:采集心血管造影二维图像,并通过多角度采集图像后构建三维模型;
步骤2:构建心血管造影二维图像和三维模型一一对应的联合数据库;
步骤3:通过联合数据库的图像和模型以及自由变形方法训练深度学习神经网络;
步骤4:利用训练好的神经网络对输入的单张心血管造影二维图像进行预测并还原其对应的三维模型,获得导丝在血管中的位置。
进一步的,步骤3具体包括以下步骤:
步骤3.1:用卷积神经网学习联合数据库,提取冠脉剪影特征值以表述心脏冠脉剪影,并建立特征图谱;
步骤3.2:通过自由变形方法产生新的特征量,训练深度学习神经网络。
进一步的,布骤3.1建立特征图谱采用卷积神经网,通过重复卷积-池化的过程,将心血管造影二维图像中具体的信息抽象化,通过调整权重,将重要的特征量保留,弱化不重要的特征量,经过若干次卷积-池化的过程后通过全连接层,将众多特征量链接成特征图谱。
进一步的,步骤3.2具体包括以下步骤:
(1)对数据库中每组图像对进行网状分割,通过加入少量控制点,利用自由变形方法分析网状结构,建立大小为(l+1)×(m+1)×(n+1)的立方体,该立方体将目标结构体涵盖其中,通过下式计算结构在立方体坐标系下的对应坐标:
Figure BDA0002594896760000021
其中,v(s,t,u)是由s,t,u构成的正交坐标系中任意一个网状结构的坐标,Pi,jk是在坐标(i,j,k)的控制节点,即建立的立方体上的点;
其中
Figure BDA0002594896760000022
为伯恩斯坦多项式;
自由变形后,假设所有控制节点的位移量为△P,变形后整个组织对应坐标为:
V’=B(P+△P) (2)
其中B为伯恩斯坦多项式,P为原始立方体结构的坐标集,△P为变形后的位移量;
(2)将自由形变后的网状结构对应坐标作为新加入的特征量,结合三种损失函数优化现有的神经网络。
进一步的,种损失函数分别为变形损失,转换损失以及正则化损失;
其中,利用倒角损失函数表示变形损失以提高准确度:
Figure BDA0002594896760000023
其中,V′pred为预测结果,Vgt为实际结果,nl为原目标结构体进行自由变后形成的模板数量,Li为对应的变形模板,wLi为该变形模板对应的权重,C代表了倒角损失函数,即:
Figure BDA0002594896760000024
其中p,q是网格线合集P,Q中的点;最终而论,对于在P或Q中的任一点可以通过倒角损失在另一个点集中查找最近的顶点,并求出所有成对距离的总和;
转换损失以及正则化损失用
Figure BDA0002594896760000025
Figure BDA0002594896760000026
表示,表述如下:
Figure BDA0002594896760000027
Figure BDA0002594896760000028
其中ΔT为变形之后的预测的转换向量,ctr为变形之后实际的转换向量,Li为对应的变形模板,wLi为该变形模板对应的权重,与变形损失相比较,不同的地方在于ΔPLi,该损失是定义在控制节点P上的;优化这两个损失函数以保特征表述后的物体与实际相差最小。
进一步的,变形损失,转换损失以及正则化损失的和为总损失函数,表述如下:
Figure BDA0002594896760000029
其中λ1=50,λ2=1是神经网络优化后得到的权重结果。
一种心脏冠脉剪影中导管位置判别系统,包括:
采集模块,用于采集心血管造影二维图像,并通过多角度采集图像后构建三维模型;
联合数据库,用于储存心血管造影二维图像和一一对应的三维模型;
训练模块,用于通过联合数据库的图像和模型以及自由变形方法训练深度学习神经网络;分析模块,用于利用训练好的神经网络对输入的单张心血管造影二维图像进行预测并还原其对应的三维模型,获得导丝在血管中的位置。
进一步的,训练模块包括校准模块和自由变换训练模块;所述校准模块用于通过数据库二维血管造影图像校准神经网络的参数;所述自由变换训练模块用于通过自由变形方法产生新的特征量,训练深度学习神经网络。
进一步的,自由变换训练模块包括变形模块和优化模块;
所述变形模块用于对数据库中每组图像对进行网状分割,通过加入少量控制点,利用自由变形方法分析网状结构,计算变形后结构的对应坐标;
所述优化模块用于将自由形变后的网状结构对应坐标作为新加入的特征量,结合三种损失函数优化现有的神经网络。
本发明是一种基于深度学习的医学图像中心脏冠脉剪影的导管定位方法,该方法有效的通过单张DSA图像还原其对应的三维模型,将二维DSA剪影中不完善的导管位置信息,通过三维重构的方法投射在三维模型上,获取准确的导管位置信息,准确地对病灶部位成像,在不造成患者不便的情况下,不仅回避了多角度成像时患者呼吸等运动造成的图像偏差,同时大大减少了传统定位方法中检测所需的时间(多角度的成像需要多次推入造影剂,多次成像)。
附图说明
图1是实施例心脏冠脉剪影中导管位置判别方法的流程图。
图2是实施例利用卷积神经网学习数据库的流程图。
图3是实施例心脏三维模型重构示意图。
具体实施方案
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“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。
(一)通过大样本二维血管造影图像数据库校准神经网络的参数并通过自由变形方法产生新的特征量,两者相结合训练出新的深度学习神经网络,如附图1左侧部分,其具体训练方法如下:
a)通过3D心脏冠脉模型与单张心脏冠脉剪影一一对应,建立数据库;
b)利用卷积神经网(CNN)学习数据库,如附图2所示,该网络通过重复卷积-池化的过程,一步一步将原本图像中具体的信息抽象化,该网络通过调整权重,将重要的特征量保留,弱化不重要的特征量,经过若干次卷积-池化的过程后通过全连接层,将众多特征量链接成特征图谱。提取冠脉剪影特征值以表述心脏冠脉剪影,并建立特征图谱;
c)对数据库中每组图像对进行网格化,通过加入控制点,建立验证模型与投影间的对应关系,利用自由变形方法分析网状结构,计算变形后结构的对应坐标:
Figure BDA0002594896760000041
其中,v(s,t,u)是由s,t,u构成的正交坐标系中任意一个网状结构的坐标,Pi,jk是在坐标(i,j,k)的控制节点。
如附图3所示,自由变形后,假设所有控制节点的位移量为ΔP,那么变形后整个组织对应坐标为:
V’=B(P+ΔP) (2)
模型与投影间的对应关系将被作为新的特征量提取出来,进一步优化特征图谱;
d)将自由变形后的网状结构对应坐标作为新加入的特征量,结合三种损失函数优化现有的神经网络:
为保证自由变形的精度,采用倒角损失函数,其中,V和V’代表着变形前与变形后的坐标对应。
Figure BDA0002594896760000042
为保证特征表述的精确,采用损失函数
Figure BDA0002594896760000043
Figure BDA0002594896760000044
表述如下:
Figure BDA0002594896760000045
Figure BDA0002594896760000046
优化这两个损失函数以保证特征表述后的物体与实际相差最小。
根据实验结果,加入适当的权重,结合三个损失函数可以得到:
Figure BDA0002594896760000051
其中λ1=50,λ2=1。
(二)在步骤一,c)中的训练模式为反向传播训练,其中验证模型与投影对应关系的方法为西顿光束追踪算法,该算法通过追踪不同角度下三维模型的投影,计算相对器官模型网格化后的坐标。
(三)在心脏冠脉DSA成像中,由于造影剂的存在,图像中血管以及导管的位置相对清晰。本发明利用训练后的深度学习神经网络对输入的单张DSA图像进行预测并还原其对应的三维模型。
(四)在得到还原后的三维模型的情况下,根据二维剪影中导管与血管的相对位置信息,投射在三维模型上,可以得到三维模型下导管的准确位置信息,如附图1右侧部分所示。
综上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (9)

1.一种心脏冠脉剪影中导管位置判别方法,其特征在于包括以下步骤:
步骤1:采集心血管造影二维图像,并通过多角度采集图像后构建三维模型;
步骤2:构建心血管造影二维图像和三维模型一一对应的联合数据库;
步骤3:通过联合数据库的图像和模型以及自由变形方法训练深度学习神经网络;
步骤4:利用训练好的神经网络对输入的单张心血管造影二维图像进行预测并还原其对应的三维模型,获得导丝在血管中的位置。
2.根据权利要求1所述的心脏冠脉剪影中导管位置判别方法,其特征在于:所述步骤3具体包括以下步骤:
步骤3.1:用卷积神经网学习联合数据库,提取冠脉剪影特征值以表述心脏冠脉剪影,并建立特征图谱;
步骤3.2:通过自由变形方法产生新的特征量,训练深度学习神经网络。
3.根据权利要求2所述的心脏冠脉剪影中导管位置判别方法,其特征在于:所述步骤3.1建立特征图谱采用卷积神经网,通过重复卷积-池化的过程,将心血管造影二维图像中具体的信息抽象化,通过调整权重,将重要的特征量保留,弱化不重要的特征量,经过若干次卷积-池化的过程后通过全连接层,将众多特征量链接成特征图谱。
4.根据权利要求2所述的心脏冠脉剪影中导管位置判别方法,其特征在于:所述步骤3.2具体包括以下步骤:
(1)对数据库中每组图像对进行网状分割,通过加入少量控制点,利用自由变形方法分析网状结构,建立大小为(l+1)×(m+1)×(n+1)的立方体,该立方体将目标结构体涵盖其中,通过下式计算结构在立方体坐标系下的对应坐标:
Figure FDA0002594896750000011
其中,v(s,t,u)是由s,t,u构成的正交坐标系中任意一个网状结构的坐标,Pi,jk是在坐标(i,j,k)的控制节点,即建立的立方体上的点;
其中
Figure FDA0002594896750000012
为伯恩斯坦多项式;
自由变形后,假设所有控制节点的位移量为△P,变形后整个组织对应坐标为:
V’=B(P+△P) (2)
其中B为伯恩斯坦多项式,P为原始立方体结构的坐标集,△P为变形后的位移量;
(2)将自由形变后的网状结构对应坐标作为新加入的特征量,结合三种损失函数优化现有的神经网络。
5.根据权利要求4所述的心脏冠脉剪影中导管位置判别方法,其特征在于:所述三种损失函数分别为变形损失,转换损失以及正则化损失;
其中,利用倒角损失函数表示变形损失以提高准确度:
Figure FDA0002594896750000021
其中,V′pred为预测结果,Vgt为实际结果,nl为原目标结构体进行自由变后形成的模板数量,Li为对应的变形模板,wLi为该变形模板对应的权重,C代表了倒角损失函数,即:
Figure FDA0002594896750000022
其中p,q是网格线合集P,Q中的点;最终而论,对于在P或Q中的任一点可以通过倒角损失在另一个点集中查找最近的顶点,并求出所有成对距离的总和;
转换损失以及正则化损失用
Figure FDA0002594896750000023
Figure FDA0002594896750000024
表示,表述如下:
Figure FDA0002594896750000025
Figure FDA0002594896750000026
其中ΔT为变形之后的预测的转换向量,ctr为变形之后实际的转换向量,Li为对应的变形模板,wLi为该变形模板对应的权重,与变形损失相比较,不同的地方在于ΔPLi,该损失是定义在控制节点P上的;优化这两个损失函数以保特征表述后的物体与实际相差最小。
6.根据权利要求5所述的心脏冠脉剪影中导管位置判别方法,其特征在于:所述变形损失,转换损失以及正则化损失的和为总损失函数,表述如下:
Figure FDA0002594896750000027
其中λ1=50,λ2=1是神经网络优化后得到的权重结果。
7.一种心脏冠脉剪影中导管位置判别系统,其特征在于包括:
采集模块,用于采集心血管造影二维图像,并通过多角度采集图像后构建三维模型;
联合数据库,用于储存心血管造影二维图像和一一对应的三维模型;
训练模块,用于通过联合数据库的图像和模型以及自由变形方法训练深度学习神经网络;
分析模块,用于利用训练好的神经网络对输入的单张心血管造影二维图像进行预测并还原其对应的三维模型,获得导丝在血管中的位置。
8.根据权利要求7所述的心脏冠脉剪影中导管位置判别系统,其特征在于:所述训练模块包括校准模块和自由变换训练模块;所述校准模块用于通过数据库二维血管造影图像校准神经网络的参数;所述自由变换训练模块用于通过自由变形方法产生新的特征量,训练深度学习神经网络。
9.根据权利要7所述的心脏冠脉剪影中导管位置判别系统,其特征在于:所述自由变换训练模块包括变形模块和优化模块;
所述变形模块用于对数据库中每组图像对进行网状分割,通过加入少量控制点,利用自由变形方法分析网状结构,计算变形后结构的对应坐标;
所述优化模块用于将自由形变后的网状结构对应坐标作为新加入的特征量,结合三种损失函数优化现有的神经网络。
CN202010707681.0A 2020-07-21 2020-07-21 一种心脏冠脉剪影中导管位置判别系统和方法 Active CN111862046B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010707681.0A CN111862046B (zh) 2020-07-21 2020-07-21 一种心脏冠脉剪影中导管位置判别系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010707681.0A CN111862046B (zh) 2020-07-21 2020-07-21 一种心脏冠脉剪影中导管位置判别系统和方法

Publications (2)

Publication Number Publication Date
CN111862046A true CN111862046A (zh) 2020-10-30
CN111862046B CN111862046B (zh) 2023-11-17

Family

ID=73001467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010707681.0A Active CN111862046B (zh) 2020-07-21 2020-07-21 一种心脏冠脉剪影中导管位置判别系统和方法

Country Status (1)

Country Link
CN (1) CN111862046B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365472A (zh) * 2020-11-12 2021-02-12 中科麦迪人工智能研究院(苏州)有限公司 血管寻径方法、装置、电子设备和存储介质
CN113256564A (zh) * 2021-04-28 2021-08-13 深圳睿心智能医疗科技有限公司 医学影像中的导管参数提取方法及装置
CN113593047A (zh) * 2021-06-28 2021-11-02 北京百度网讯科技有限公司 动作序列迁移的方法、装置及电子设备
CN115375560A (zh) * 2022-07-22 2022-11-22 华中科技大学同济医学院附属协和医院 一种3d-dsa图像的重建方法及系统
CN115443947A (zh) * 2022-10-12 2022-12-09 江苏省人民医院(南京医科大学第一附属医院) 高血压动物模型的制备方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106713923A (zh) * 2015-10-30 2017-05-24 达索系统公司 三维建模对象的压缩
US9855105B2 (en) * 2010-08-12 2018-01-02 Heartflow, Inc. Method and system for image processing to determine patient-specific blood flow characteristics
US20180220907A1 (en) * 2008-01-25 2018-08-09 Novadaq Technologies ULC Method for evaluating blush in myocardial tissue
CN108830155A (zh) * 2018-05-10 2018-11-16 北京红云智胜科技有限公司 一种基于深度学习的心脏冠状动脉分割及识别的方法
CN109102550A (zh) * 2018-06-08 2018-12-28 东南大学 基于卷积残差网络的全网络低剂量ct成像方法及装置
CN109381205A (zh) * 2017-08-08 2019-02-26 西门子保健有限责任公司 用于执行数字减影血管造影的方法、混合成像装置
CN109636926A (zh) * 2018-11-23 2019-04-16 盎锐(上海)信息科技有限公司 3d全局自由变形算法及装置
WO2019157924A1 (zh) * 2018-02-13 2019-08-22 视辰信息科技(上海)有限公司 三维物体的实时检测方法及系统
CN110163809A (zh) * 2019-03-31 2019-08-23 东南大学 基于U-net生成对抗网络DSA成像方法及装置
CN110288637A (zh) * 2019-06-13 2019-09-27 北京理工大学 多角度dsa造影图像血管匹配方法及装置
CN110674866A (zh) * 2019-09-23 2020-01-10 兰州理工大学 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法
WO2020010979A1 (zh) * 2018-07-10 2020-01-16 腾讯科技(深圳)有限公司 手部关键点的识别模型训练方法、识别方法及设备

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180220907A1 (en) * 2008-01-25 2018-08-09 Novadaq Technologies ULC Method for evaluating blush in myocardial tissue
US9855105B2 (en) * 2010-08-12 2018-01-02 Heartflow, Inc. Method and system for image processing to determine patient-specific blood flow characteristics
CN106713923A (zh) * 2015-10-30 2017-05-24 达索系统公司 三维建模对象的压缩
CN109381205A (zh) * 2017-08-08 2019-02-26 西门子保健有限责任公司 用于执行数字减影血管造影的方法、混合成像装置
WO2019157924A1 (zh) * 2018-02-13 2019-08-22 视辰信息科技(上海)有限公司 三维物体的实时检测方法及系统
CN108830155A (zh) * 2018-05-10 2018-11-16 北京红云智胜科技有限公司 一种基于深度学习的心脏冠状动脉分割及识别的方法
CN109102550A (zh) * 2018-06-08 2018-12-28 东南大学 基于卷积残差网络的全网络低剂量ct成像方法及装置
WO2020010979A1 (zh) * 2018-07-10 2020-01-16 腾讯科技(深圳)有限公司 手部关键点的识别模型训练方法、识别方法及设备
CN109636926A (zh) * 2018-11-23 2019-04-16 盎锐(上海)信息科技有限公司 3d全局自由变形算法及装置
CN110163809A (zh) * 2019-03-31 2019-08-23 东南大学 基于U-net生成对抗网络DSA成像方法及装置
CN110288637A (zh) * 2019-06-13 2019-09-27 北京理工大学 多角度dsa造影图像血管匹配方法及装置
CN110674866A (zh) * 2019-09-23 2020-01-10 兰州理工大学 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHANG YUPEI: "Multi-needle Localization with Attention U-Net in US-guided HDR Prostate Brachytherapy", 《MEDICAL PHYSICS》, vol. 47, no. 7, pages 2735 - 2745 *
刘云 等: "亚胺培南西司他丁钠治疗重症肺炎临床疗效及对不良反应发生率影响分析", 《国际感染病学》, vol. 8, no. 4, pages 116 - 117 *
宋雨: "基于深度学习的低剂量DSA算法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, pages 062 - 36 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365472A (zh) * 2020-11-12 2021-02-12 中科麦迪人工智能研究院(苏州)有限公司 血管寻径方法、装置、电子设备和存储介质
CN113256564A (zh) * 2021-04-28 2021-08-13 深圳睿心智能医疗科技有限公司 医学影像中的导管参数提取方法及装置
CN113256564B (zh) * 2021-04-28 2024-03-01 深圳睿心智能医疗科技有限公司 医学影像中的导管参数提取方法及装置
CN113593047A (zh) * 2021-06-28 2021-11-02 北京百度网讯科技有限公司 动作序列迁移的方法、装置及电子设备
CN113593047B (zh) * 2021-06-28 2023-06-23 北京百度网讯科技有限公司 动作序列迁移的方法、装置及电子设备
CN115375560A (zh) * 2022-07-22 2022-11-22 华中科技大学同济医学院附属协和医院 一种3d-dsa图像的重建方法及系统
CN115443947A (zh) * 2022-10-12 2022-12-09 江苏省人民医院(南京医科大学第一附属医院) 高血压动物模型的制备方法
CN115443947B (zh) * 2022-10-12 2023-11-21 江苏省人民医院(南京医科大学第一附属医院) 高血压动物模型的制备方法

Also Published As

Publication number Publication date
CN111862046B (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
CN111862046A (zh) 一种心脏冠脉剪影中导管位置判别系统和方法
US11557036B2 (en) Method and system for image registration using an intelligent artificial agent
KR101908520B1 (ko) 메디컬 이미징에서 공간 및 시간 제약들을 이용하는 랜드마크 검출
CN111680447A (zh) 血流特征预测方法、装置、计算机设备和存储介质
CN102715906B (zh) 从c臂血管造影术的单扫描估算3d心脏运动的方法和系统
CN109589170B (zh) 医学成像中的左心耳闭合引导
JP5797352B1 (ja) 3次元物体を追跡するための方法
KR101428005B1 (ko) 소수의 저선량 ct 영상을 이용하여 pet 영상을 움직임 보상 및 감쇠 보정하는 방법
CN111095354A (zh) 经改进的3-d血管树表面重构
CN112614169B (zh) 基于深度学习网络的2d/3d脊椎ct层级配准方法
CN113112486B (zh) 一种肿瘤的运动估计方法、装置、终端设备和存储介质
CN113870331B (zh) 一种基于深度学习的胸部ct与x光实时配准算法
CN113822792A (zh) 图像配准方法、装置、设备及存储介质
CN114792326A (zh) 一种基于结构光的手术导航点云分割与配准方法
CN111340209A (zh) 网络模型训练方法、图像分割方法、病灶定位方法
US8098919B2 (en) Three-dimensional reconstruction of an object from projection photographs
CN118037793B (zh) 一种术中x线和ct图像的配准方法和装置
CN115005985A (zh) 呼吸运动补偿数据处理方法、医学图像生成方法及装置
CN117036530A (zh) 基于跨模态数据的冠状动脉血流储备分数预测方法及装置
Zhang et al. Constraint-Aware Learning for Fractional Flow Reserve Pullback Curve Estimation from Invasive Coronary Imaging
CN116580819B (zh) 用于自动化地确定图像序列中的检查结果的方法和系统
WO2021213053A1 (zh) 基于软组织表面形变估计组织内部目标运动的系统与方法
CN111784751B (zh) 基于3d/2d配准的导丝3d模拟跟踪方法及装置
CN112365492A (zh) 图像扫描方法、装置、电子设备和存储介质
CN112790778A (zh) 采集错误对齐

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