CN111932552B - 一种主动脉建模的方法及装置 - Google Patents
一种主动脉建模的方法及装置 Download PDFInfo
- Publication number
- CN111932552B CN111932552B CN202010705226.7A CN202010705226A CN111932552B CN 111932552 B CN111932552 B CN 111932552B CN 202010705226 A CN202010705226 A CN 202010705226A CN 111932552 B CN111932552 B CN 111932552B
- Authority
- CN
- China
- Prior art keywords
- aorta
- aortic
- model
- center
- determining
- 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.)
- Active
Links
- 210000000709 aorta Anatomy 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 239000013598 vector Substances 0.000 claims description 80
- 239000003550 marker Substances 0.000 claims description 30
- 238000003708 edge detection Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000009877 rendering Methods 0.000 claims description 12
- 230000017531 blood circulation Effects 0.000 claims description 9
- 210000001367 artery Anatomy 0.000 claims description 7
- 238000012847 principal component analysis method Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 description 32
- 238000010586 diagram Methods 0.000 description 21
- 238000012549 training Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/68—Analysis of geometric attributes of symmetry
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请的实施例提供了一种主动脉建模的方法及装置。通过对获取到的医学影像进行分割，得到主动脉分割结果对应的主动脉区域，再基于主动脉区域检测位于主动脉腔体中央的主动脉标记点对应的目标区域，以基于目标区域中的质心进行局部迭代建模得到主动脉的局部模型，再通过局部模型中不同位置处对应的目标中心点，确定主动脉的中心线，进而基于中心线进行全局的边缘轮廓检测，得到主动脉的全局模型，以基于得到的全局模型生成主动脉的三维模型，使得最后得到的三维模型更加的平滑和具有真实性，提高了主动脉建模的准确性和鲁棒性。
Description
技术领域
本申请涉及医学影像技术领域，具体而言，涉及一种主动脉建模的方法及装置。
背景技术
随着数字图像和人工智能技术的发展，在很多医学领域中也用到了相关的技术。例如，相关技术中通过对医学图像进行建模，来得到对应的模型，但是这种方式在建模过程中对区域检测不够精确，进而影响到之后的建模效果。
发明内容
本申请的实施例提供了一种主动脉建模的方法及装置，进而至少在一定程度上可以提高主动脉建模的准确性和鲁棒性。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面，提供了一种主动脉建模的方法，包括：获取主动脉的医学影像；对所述医学影像进行分割，得到主动脉区域；基于所述主动脉区域，检测位于主动脉腔体中央的主动脉标记点对应的目标区域；基于所述目标区域中的质心，对所述主动脉的边缘轮廓进行迭代检测，生成所述主动脉的局部模型；基于所述局部模型中不同位置处对应的目标中心点，确定所述主动脉的中心线，基于所述中心线对所述主动脉的边缘轮廓进行检测，生成所述主动脉的全局模型；基于所述全局模型，生成所述主动脉的三维模型。
根据本申请实施例的一个方面，提供了一种主动脉建模的装置，包括：获取单元，用于获取主动脉的医学影像；分割单元，用于对所述医学影像进行分割，得到主动脉区域；第一检测单元，用于基于所述主动脉区域，检测位于主动脉腔体中央的主动脉标记点对应的目标区域；第二检测单元，用于基于所述目标区域中的质心，对所述主动脉的边缘轮廓进行迭代检测，生成所述主动脉的局部模型；第三检测单元，用于基于所述局部模型中不同位置处对应的目标中心点，确定所述主动脉的中心线，基于所述中心线对所述主动脉的边缘轮廓进行检测，生成所述主动脉的全局模型；模型单元，用于基于所述全局模型，生成所述主动脉的三维模型。
在本申请的一些实施例中，基于前述方案，所述第一检测单元用于：识别位于所述主动脉区域腔体中央的中心位置；对所述中心位置进行标记，生成所述主动脉区域对应的像素概率图；对所述像素概率图进行二值化，确定所述主动脉腔体中央位置处的主动脉标记点对应的目标区域。
在本申请的一些实施例中，基于前述方案，所述第二检测单元包括：第一确定单元，用于基于所述目标区域，确定所述目标区域的质心以及方向向量；第四检测单元，用于基于所述质心和所述方向向量，对所述主动脉的边缘轮廓进行迭代检测；第一组合单元，用于将所述边缘轮廓进行组合，生成所述局部模型。
在本申请的一些实施例中，基于前述方案，所述第一确定单元用于：检测所述目标区域的中心位置，作为所述目标区域的质心；通过主成分分析的方法，确定所述质心对应的特征向量；或，根据所述主动脉中至少两个目标区域对应的坐标，确定所述方向向量。
在本申请的一些实施例中，基于前述方案，所述第四检测单元用于以所述质心为中心点，识别所述主动脉中与所述方向向量垂直的法平面；基于所述法平面对所述主动脉进行边缘检测，得到所述边缘轮廓；基于所述质心对应的方向向量和设定的前进距离，确定新的中心点；基于所述新的中心点对所述主动脉进行边缘检测，得到所述新的中心点对应的边缘轮廓，重复迭代上述过程，直至检测完毕所述主动脉。
在本申请的一些实施例中，基于前述方案，所述主动脉建模的装置还包括：基于所述质心对应的方向向量和设定的前进距离，确定所述质心对应的反向向量；基于所述新的中心点对所述主动脉进行边缘检测，得到所述新的中心点对应的边缘轮廓，重复迭代上述过程，直至检测完毕所述主动脉。
在本申请的一些实施例中，基于前述方案，所述第三检测单元包括：选取单元，用于基于所述局部模型，选取位于所述主动脉中不同位置处的目标中心点；第一插值单元，用于对所述目标中心点进行插值处理，生成所述主动脉对应的中心线；第五检测单元，用于基于所述中心线，检测与所述中心线上各中心点对应的切向量垂直的边缘轮廓；第二组合单元，用于将所述边缘轮廓进行组合，生成所述主动脉的全局模型。
在本申请的一些实施例中，基于前述方案，所述选取单元用于：基于所述局部模型，确定所述主动脉的起始位置、中间位置以及终点位置；将所述起始位置、中间位置以及终点位置处分别对应的中心点作为所述目标中心点。
在本申请的一些实施例中，基于前述方案，所述第五检测单元用于：基于所述中心线，在所述中心线上确定预设数量的中心点，并确定所述中心点对应的切向量；基于所述中心点，确定与所述切向量垂直的法平面；基于所述法平面进行边缘轮廓检测，确定所述法平面对应的边缘轮廓。
在本申请的一些实施例中，基于前述方案，所述模型单元包括：第一建模单元，用于对所述全局模型进行插值处理，得到所述主动脉的三维模型。
在本申请的一些实施例中，基于前述方案，所述主动脉建模的装置还包括：第二建模单元，用于对所述主动脉区域进行平滑处理，得到所述主动脉的三维模型。
在本申请的一些实施例中，基于前述方案，所述主动脉建模的装置还用于：基于所述主动脉的三维模型，计算动脉的血流参数，其中，所述血流参数包括血流储备分数。
在本申请的一些实施例中，基于前述方案，所述主动脉建模的装置还用于：将所述三维模型进行渲染，得到所述渲染模型；将所述渲染模型显示在终端设备的界面上。
根据本申请实施例的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中所述的主动脉建模的方法。
根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的主动脉建模的方法。
在本申请的一些实施例所提供的技术方案中，通过先确定主动脉中位于主动脉腔体中央的目标区域，在基于目标区域进行局部建模得到主动脉的局部模型，再通过局部模型中的目标中心点进行全局的轮廓检测，以基于得到的全局模型生成主动脉的三维模型，使得最后得到的三维模型更加的平滑和具有真实性，提高了主动脉建模的准确性和鲁棒性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。在附图中：
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图；
图2示意性示出了根据本申请的一个实施例的主动脉建模的方法的流程图；
图3示意性示出了根据本申请的一个实施例的主动脉像素分割的神经网络训练的示意图；
图4示意性示出了根据本申请的一个实施例的基于神经网络的主动脉像素分割的示意图；
图5示意性示出了根据本申请的一个实施例的训练神经网络的示意图；
图6示意性示出了根据本申请的一个实施例的对中心位置进行标记的示意图；
图7示意性示出了根据本申请的一个实施例的确定方向向量的示意图；
图8示意性示出了根据本申请的一个实施例的局部迭代建模的示意图；
图9示意性示出了根据本申请的一个实施例的进行全局建模的示意图；
图10示意性示出了根据本申请的一个实施例的基于全局模型生成三维模型的示意图；
图11示意性示出了根据本申请的一个实施例的医学影像的三维建模的流程图；
图12示意性示出了根据本申请的一个实施例的主动脉建模的装置的框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。
如图1所示，系统架构可以包括医学影像采集装置101、网络102、服务器103以及终端设备104。其中，本实施例中采集装置101用于采集主动脉的医学影像，可以为电子计算机断层扫描(Computed Tomography，CT)设备、核磁共振成像(Magnetic Resonance Imaging，MRI)设备等，此处不做限定；本实施例中的网络104用以在终端设备和服务器103之间提供通信链路，可以包括各种连接类型，例如有线通信链路、无线通信链路，或者蓝牙、5G网络等，此处不做限定，用于传输采集到的医学影像至血管检测装置；本实施例中终端设备104可以为智能手机、平板电脑和便携式计算机104中的一种或多种，当然也可以是台式计算机等等，此处不做限定。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器103可以是多个服务器组成的服务器集群等。
需要说明的是，本实施例中服务器103可以与终端设备104具有相同的功能，即基于获取到的主动脉的医学影像进行主动脉建模。具体的，通过获取主动脉的医学影像；对所述医学影像进行分割，得到主动脉区域；基于所述主动脉区域，检测位于主动脉腔体中央的主动脉标记点对应的目标区域；基于所述目标区域中的质心，对所述主动脉的边缘轮廓进行迭代检测，生成所述主动脉的局部模型；基于所述局部模型中不同位置处对应的目标中心点，确定所述主动脉的中心线，基于所述中心线对所述主动脉的边缘轮廓进行检测，生成所述主动脉的全局模型；基于所述全局模型，生成所述主动脉的三维模型。通过先对获取到的医学影像进行分割，得到主动脉分割结果对应的主动脉区域，再基于主动脉区域检测位于主动脉腔体中央的主动脉标记点对应的目标区域，以基于目标区域中的质心进行局部迭代建模得到主动脉的局部模型，再通过局部模型中不同位置处对应的目标中心点，确定主动脉的中心线，进而基于中心线进行全局的边缘轮廓检测，得到主动脉的全局模型，以基于得到的全局模型生成主动脉的三维模型，使得最后得到的三维模型更加的平滑和具有真实性，提高了主动脉建模的准确性和鲁棒性。
需要说明的是，本申请实施例所提供的主动脉建模的方法一般由服务器103执行，相应地，主动脉建模的装置一般设置于服务器103中。但是，在本申请的其它实施例中，终端设备也可以与服务器具有相似的功能，从而执行本申请实施例所提供的主动脉建模的方法。
以下对本申请实施例的技术方案的实现细节进行详细阐述：
图2示出了根据本申请的一个实施例的主动脉建模的方法的流程图，该主动脉建模的方法可以由服务器来执行，该服务器可以是图1中所示的服务器，也可以由终端设备来执行，该终端设备可以是图1中的所示的计算机104。参照图2所示，该主动脉建模的方法至少包括步骤S210至步骤S260，详细介绍如下：
在步骤S210中，获取主动脉的医学影像。
在本申请的一个实施例中，获取主动脉的医学影像的方式可以是通过影像拍摄装置直接拍摄获取到，也可以是通过调用存储装置中存储的医学影像来获取到，还可以是通过云端中的服务器、数据库等设备获取到等等。
示例性的，为了保证主动脉建模的效率，本实施例中可以通过影像装置拍摄到医学影像之后，直接从影像装置中获取医学影像来进行主动脉建模，便于医学影像的处理，提高医学影像的处理效率。也可以对影像装置或者计算机进行处理，使其既具有影像拍摄的功能，又具有主动脉建模的功能，以提高对医学影像进行主动脉建模的效率。
在步骤S220中，对所述医学影像进行分割，得到主动脉区域。
在本申请的一个实施例中，对于医学影像进行分割得到主动脉区域的过程，可以预先训练得到的神经网络模型，基于神经网络模型来进行处理；也可以通过图像识别的方式进行检测，以获取到其中的主动脉区域。对于通过神经网络来获取到主动脉区域的方式，具体说明如下：
图3是本申请实施例提供的一种主动脉像素分割的神经网络训练的示意图。
如图3所示，本实施例中输入神经网络320的图像可以是2D或者3D图像，例如CTA(冠脉电子计算机断层扫描)图像，即图3中的310；将2D或者3D图像输入神经网络得到神经网络预测结果330；把神经网络预测结果330和人工标注的分割结果340做比较，把预测结果和人工标注做对比，并反馈误差给神经网络；最后更新神经网络，使其朝着减少预测误差的方向演进。本实施例中可以使用大量数据，成千上万次的重复上述迭代过程，最终预测结果会和人工标准接近，进而得到更加精确神经网络，以输出更加精确的主动脉像素分割结果。
需要说明是，本实施例中在网络训练结束后，3D情况下将得到1个神经网络模型，而2D情况下将得到3个神经网络模型，分别对应用于预测主动脉中的矢状面、冠状面和横截面。
图4是本申请实施例提供的一种基于神经网络的主动脉像素分割的示意图。
如图4所示，在将原始医学影像410输入训练好的主动脉像素分割的神经网络420中，得到预测概率图之后，对预测概率图进行处理得到主动脉像素分割结果430。由于本实施例中针对2D或者3D的医学影像得到的神经网络不同，因此，对于各个网络输出的预测概率图，也对应有其相应的处理方式，具体说明如下：
3D情况下，自动分割分为2步。首先，将3D的CTA图像输入训练好的3D神经网络，得到预测概率图P；其次，对概率图P进行基于阈值的二值化，得到主动脉像素分割结果。示例性的，阈值可以为0.5、0.6等数值。
2D情况下，自动分割分为3步。首先，2D的CTA图像沿垂直矢状面(或冠状面、横截面)方向，依次将每个截面输入训练好的矢状面(或冠状面、横截面)2D神经网络。得到矢状面(或冠状面、横截面)方向的概率图PA(或PB、PC)；其次，对概率图中的每个点求概率平均值PFusion(x,y,z)＝1/3*∑[PA(x,y,z)+PB(x,y,z)+PC(x,y,z)]；最后，对平均概率图PFusion进行基于阈值的二值化，得到主动脉像素分割结果。
在步骤S230中，基于所述主动脉区域，检测位于主动脉腔体中央的主动脉标记点对应的目标区域。
在本申请的一个实施例中，在基于医学影像得到主动脉区域之后，通过图像识别的方式或者目标定位等方式，检测该主动脉区域中处于主动脉腔体中央的目标区域。具体的，由于主动脉呈现类圆柱型的状态，直接检测主动脉的质心可能导致较大的误差，因此本实施例中的通过检测主动脉的腔体中央，得到位于主动脉腔体中央的目标区域，以基于该目标区域确定其中的中心位置，作为主动脉在某一横截面中的质心，以提高质心的精确性。
在本申请的一个实施例中，步骤S230中基于所述主动脉区域，检测位于主动脉腔体中央的主动脉标记点对应的目标区域的过程，包括如下步骤S2301～S2303，详细说明如下：
在步骤S2301中，识别位于所述主动脉区域腔体中央的中心位置。
图5是本申请实施例提供的一种训练神经网络的示意图。
如图5所示，本实施例中可以通过预先训练得到神经网络，来识别位于所述主动脉区域腔体中央的中心位置，即主动脉标记点，标记点可以有N(N≥1)个。在训练神经网络时，将原始CTA图像510输入深层神经网络520中。其中，深层神经网络可以基于2D或者3D医学影像构建；通过将2D或者3D图像通过深层神经网络520，得到神经网络预测结果530，即预测得到的中心位置；通过把神经网络预测结果530和人工标注的标记点540做比较，并反馈误差给神经网络；更新神经网络，使其朝着减少预测误差的方向演进；本实施例中使用大量数据，成千上万次的重复上述迭代过程，最终预测结果会和人工标准接近。
需要说明的是，训练结束后，3D情况下将得到1个神经网络模型，而2D情况下将得到3个神经网络模型，分别用于预测主动脉中的矢状面、冠状面和横截面。
在步骤S2302中，对所述中心位置进行标记，生成所述主动脉区域对应的像素概率图。
图6是本申请实施例提供的一种对中心位置进行标记的示意图。
如图6所示，在将原始医学影像610输入标记点定位的神经网络620中，得到中心位置之后，对中心位置进行标记，生成主动脉区域对应的多个标记点预测概率图630；再基于多个标记点预测概率图630对图像进行处理，得到多个标记点定位结果640。具体的，对于将3D的CTA图像输入训练好的3D神经网络，得到每个标记点的预测概率图P；对于2D的CTA图像沿垂直矢状面(或冠状面、横截面)方向，依次将每个截面输入训练好的矢状面(或冠状面、横截面)2D神经网络。得到每个标记点的矢状面(或冠状面、横截面)方向的3D概率图PA(或PB、PC)。
在步骤S2303中，对所述像素概率图进行二值化，确定所述主动脉腔体中央位置处的主动脉标记点对应的目标区域。
在本申请的一个实施例中，通过对像素概率图进行二值化的方式，来确定主动脉腔体中央位置处对应的目标区域。具体的，对于3D概率图，对每个概率图P进行阈值二值化，得到主动脉标记点的像素分割结果。对于2D概率图，对概率图中的每个点求概率平均值PFusion(x,y,z)＝1/3*∑[PA(x,y,z)+PB(x,y,z)+PC(x,y,z)]；对平均概率图PFusion进行阈值二值化，得到主动脉标记点的像素分割结果。
需要说明的是，本实施例中进行阈值二值化时采用的阈值可以为0.5、0.6等等数值。
在步骤S240中，基于所述目标区域中的质心，对所述主动脉的边缘轮廓进行迭代检测，生成所述主动脉的局部模型。
在本申请的一个实施例中，在得到目标区域之后，确定目标区域中的质心。以基于各个目标区域中的质心对主动脉的边缘轮廓进行动态迭代检测，得到各个质心对应的边缘轮廓，以基于各边缘轮廓生成主动脉的局部模型，以基于局部模型来确定该主动脉的起始位置、终点位置或者中间位置。
在本申请的一个实施例中，步骤S240中基于所述目标区域中的质心，对所述主动脉的边缘轮廓进行迭代检测，生成所述主动脉的局部模型的过程，包括步骤S2401～S2403，详细说明如下：
在步骤S2401中，基于所述目标区域，确定所述目标区域的质心以及方向向量。
在本申请的一个实施例中，首先，通过检测所述目标区域的中心位置，作为所述目标区域的质心，其具体的确定质心的方式可以是确定目标区域的中心的方式得到。
其次，基于目标区域来确定主动脉的方向向量，方向向量中包括了初始方向向量，即从主动脉的中心区域出发，进行初次边缘检测的方向向量。本实施例中初始方向向量的获取有2种方法，分别为：通过主成分分析的方法，确定所述质心对应的特征向量；或，根据所述主动脉中至少两个目标区域对应的坐标，确定所述方向向量。
图7为本申请实施例提供的一种确定方向向量的示意图。
如图7(a)所示，根据主动脉像素分割结果，通过求主成分分析的方法获取特征值最大的特征向量，作为初始方向向量n(710)。如图7(b)所示，根据主动脉自动定位的标记点获取：根据深度神经网络自动定位的主动脉中部A(720)和底部标记点B(730)，确定两个目标区域形成的角度，可以通过方向向量AB/|AB|(740)来表示，作为初始方向向量n。
在步骤S2402中，基于所述质心和所述方向向量，对所述主动脉的边缘轮廓进行迭代检测。
在本申请的一个实施例中，在确定了质心和方向向量之后，基于质心和方向向量，检测主动脉的边缘轮廓；再基于当前的质心和方向向量确定迭代检测过程中下一步边缘轮廓检测对应的质心和方向向量，以通过这种迭代检测的方式，依次检测得到主动脉中各质心对应的边缘轮廓。
需要说明的是，本实施例中检测的顺序可以是从上到下的方式、从下到上的方式等等。
在本申请的一个实施例中，步骤S2402中基于所述质心和所述方向向量，对所述主动脉的边缘轮廓进行迭代检测的过程，包括如下步骤：
以所述质心为中心点，识别所述主动脉中与所述方向向量垂直的法平面；
基于所述法平面对所述主动脉进行边缘检测，得到所述边缘轮廓；
基于所述质心对应的方向向量和设定的前进距离，确定新的中心点；
基于所述新的中心点对所述主动脉进行边缘检测，得到所述新的中心点对应的边缘轮廓，重复迭代上述过程，直至检测完毕所述主动脉。
图8为本申请实施例提供的一种局部迭代建模的示意图。
如图8所示，在本申请的一个实施例中，局部迭代建模根据主动脉的局部信息，迭代式的得到新的中心点、新的前进方向和新的轮廓。通过根据主动脉像素分割结果，获得主动脉分割结果的质心。和由上一步得到初始方向向量n；以质心为当前中心点，通过边缘检测或深度学习等方法，得到与方向向量垂直的法平面对应的主动脉轮廓810；当前中心点朝方向向量所指的方向运动一定的位移，即设定的前进位移，获得新中心点；对新中心点，同样通过边缘检测或深度学习等方法，得到与方向向量垂直的法平面对应的主动脉轮廓；用新中心点减去后一个中心点得到新方向向量，并重复迭代上述步骤，直到中心点运动到主动脉像素分割结果之外。
如图8所示，在本申请的一个实施例中，基于所述质心对应的方向向量和设定的前进距离，确定所述质心对应的反向向量；基于所述新的中心点对所述主动脉进行边缘检测，得到所述新的中心点对应的边缘轮廓，重复迭代上述过程，直至检测完毕所述主动脉。通过使用3D分割结果的质心以及初始方向向量n的反方向820，重新进行上述步骤，直至检测完毕主动脉的全部区域，得到局部迭代建模结果830。
可选的，本实施例中的边缘检测方式可以是通过Level-set水平集边缘检测、Sobel边缘检测等方式进行，
在步骤S2403中，将所述边缘轮廓进行组合，生成所述局部模型。
在本申请的一个实施例中，在得到边缘轮廓之后，将所有的边缘轮廓进行组合，得到主动脉对应的局部模型，以全面获取到整个主动脉的轮廓信息。
在步骤S250中，基于所述局部模型中不同位置处对应的目标中心点，确定所述主动脉的中心线，基于所述中心线对所述主动脉的边缘轮廓进行检测，生成所述主动脉的全局模型。
在本申请的一个实施例中，主动脉局部迭代建模后，获得了初步的中心线、方向向量、3D轮廓曲线。但此时的局部模型可能存在一些缺陷，例如每个中心点的方向向量可能会存在过度不稳定的情况；中心线不够光滑，沿中心线的方向向量变化大；轮廓也会有交叉的可能，或者出现轮廓形状大小前后不一致的情况。因此本实施例中采用先局部迭代建模，再全局优化建模的方式，来获得更准确和鲁棒的中心点、中心线、方向向量、轮廓模型，以使得主动脉建模结果更加精确和具有更高的鲁棒性。
本实施例中的局部模型和全局模型包括了更多主动脉模型的信息，如中心线、中心点、每个中心点的方向向量、起始和终止轮廓等。这些信息在模拟仿真中十分重要，通过利用这些信息可以更加高效和精确的实现对主动脉的建模。
在本申请的一个实施例中，步骤S250中基于所述局部模型中不同位置处对应的目标中心点，确定所述主动脉的中心线，基于所述中心线对所述主动脉的边缘轮廓进行检测，生成所述主动脉的全局模型的过程，包括步骤S2501～S2504：
在步骤S2501中，基于所述局部模型，选取位于所述主动脉中不同位置处的目标中心点。
在本申请的一个实施例中，步骤S2501中基于所述局部模型，选取位于所述主动脉中不同位置处的目标中心点的过程，包括如下步骤：
基于所述局部模型，确定所述主动脉的起始位置、中间位置以及终点位置；
将所述起始位置、中间位置以及终点位置处分别对应的中心点作为所述目标中心点。
图9为本申请实施例提供的一种进行全局建模的示意图。
如图9所示，其中的标记点定位结果是基于局部建模得到的局部模型选择得到，通过基于标记点定位结果910中预设数量的标记点，来进行全局建模。具体的，本实施例中的标记点对应的中心点可以由局部迭代建模获得的中心点和中心线920来获取，也可以由主动脉标记点获得。标记点的数量可以为3个，也可以为其它数量的标记点，此处不做限定。
示例性的，根据局部迭代建模结果得到的中心点，选取主动脉上中下3个中心点位置的标记点，即起始位置、中间位置以及终点位置处分别对应的中心点，作为目标中心点。
在步骤S2502中，对所述目标中心点进行插值处理，生成所述主动脉对应的中心线。
如图9所示，在本申请的一个实施例中，对这些点使用样条插值方法按顺序连成一条光滑中心线930，以保证主动脉中心线的平滑，提高主动脉建模的平滑度。
在步骤S2503中，基于所述中心线，检测与所述中心线上各中心点对应的切向量垂直的边缘轮廓。
在本申请的一个实施例中，在确定中心线之后，基于所述中心线，在所述中心线上确定预设数量的中心点，并确定所述中心点对应的切向量；基于所述中心点，确定与所述切向量垂直的法平面；基于所述法平面进行边缘轮廓检测，确定所述法平面对应的边缘轮廓。
具体的，本实施例中基于中心线计算其中每个点的切向量，以中心线上等间距的k个点为中心点，使用边缘检测或深度学习等方法，得到与切向量垂直的法平面的主动脉轮廓，即边缘轮廓。
在步骤S2504中，将所述边缘轮廓进行组合，生成所述主动脉的全局模型。
如图9所示，在本申请的一个实施例中，在得到边缘轮廓之后，将边缘轮廓进行组合，得到主动脉的全局模型，即图9中的全局优化建模结果940。
在步骤S260中，基于所述全局模型，生成所述主动脉的三维模型。
在本申请的一个实施例中，在得到全局模型之后，对全局模型进行加工处理，得到平滑的三维模型。
图10为本申请实施例提供的一种基于全局模型生成三维模型的示意图。
如图10所示，在本申请的一个实施例中，步骤S260中基于所述全局模型，生成所述主动脉的三维模型的过程，包括如下步骤：对所述全局模型进行插值处理，得到所述主动脉的三维模型。例如，根据主动脉全局优化建模后的3D轮廓曲线结果，即图10中的全局优化建模轮廓结果1010，使用样条插值方法得到3D几何模型1030。
如图10所示，在本申请的一个实施例中，在步骤S220对所述医学影像进行分割，得到主动脉区域的过程之后，还可以包括：对所述主动脉区域进行平滑处理，得到所述主动脉的三维模型。例如，直接根据主动脉像素分割结果1020进行平滑处理后，通过行进立方体法方法得到3D几何模型1030。本实施例中以主动脉像素分割为基础来进行主动脉建模，可能存在一些缺陷，例如主动脉模型有缺失或者表面不够光滑的问题。而基于轮廓模型建立的主动脉模型，由于轮廓是矢量图形，远小于像素级别，从而避免了分割结果易缺失和表面不够光滑的问题。
图11为本申请实施例提供的一种医学影像的三维建模的流程图。
如图11所示，在步骤S1110中，获取电子计算机断层扫描(Computed Tomography，CT)或者磁共振成像(Magnetic Resonance Imaging，MRI)等医学影像；在步骤S1120中，使用基于深度学习的方法对医学影像进行主动脉像素分割，获得主动脉像素分割结果；在步骤S1130中，使用基于深度学习的方法对医学影像进行标记点自动定位，获得主动脉像素分割结果的质心；在步骤S1140中，通过主动脉像素分割结果获取的初始点，以及主动脉标记点获取的初始方向向量，使用局部迭代建模的方法，每次动态迭代的自动获取主动脉截面轮廓、轮廓中心点、中心点的切向量和下一个中心点位置，得到获得主动脉3D轮廓曲线的初步模型；在步骤S1150中，根据局部迭代建模的结果，使用全局优化建模进一步获得主动脉轮廓的更加准确和鲁棒的模型。在步骤S1160中，根据主动脉3D轮廓曲线结果创建主动脉3D几何模型，先从局部迭代建模的中心点结果中，选取上中下3个位置中心点。对中心点插值后可获得更加光滑、鲁棒的主动脉中心线。再沿着中心线自动获取主动脉截面轮廓(局部)；最后，根据全局优化建模方式获得的截面3D轮廓曲线，插值获取主动脉3D几何模型。
除此之外，本实施例中可以基于建模得到的主动脉模型，计算动脉的血流参数。其中，动脉可以包括该主动脉，也可以包括该主动脉对应关联度的其它动脉等，例如心脏冠状动脉；血流参数可以包括血压、血流储备分数等，以基于血流参数作为后续仿真计算或者深度学习预测的一部分。同时还可以解剖结构自动标注，以负责产生主动脉分割和渲染，得到所述渲染模型，将渲染模型显示在终端设备的界面上，以辅助医生诊断。
以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的主动脉建模的方法。对于本申请装置实施例中未披露的细节，请参照本申请上述的主动脉建模的方法的实施例。
图12示出了根据本申请的一个实施例的主动脉建模的装置的框图。
参照图12所示，根据本申请的一个实施例的主动脉建模的装置1200，包括：
获取单元1210，用于获取主动脉的医学影像；分割单元1220，用于对所述医学影像进行分割，得到主动脉区域；第一检测单元1230，用于基于所述主动脉区域，检测位于主动脉腔体中央的主动脉标记点对应的目标区域；第二检测单元1240，用于基于所述目标区域中的质心，对所述主动脉的边缘轮廓进行迭代检测，生成所述主动脉的局部模型；第三检测单元1250，用于基于所述局部模型中不同位置处对应的目标中心点，确定所述主动脉的中心线，基于所述中心线对所述主动脉的边缘轮廓进行检测，生成所述主动脉的全局模型；模型单元1260，用于基于所述全局模型，生成所述主动脉的三维模型。
在本申请的一些实施例中，基于前述方案，所述第一检测单元1230用于：识别位于所述主动脉区域腔体中央的中心位置；对所述中心位置进行标记，生成所述主动脉区域对应的像素概率图；对所述像素概率图进行二值化，确定所述主动脉腔体中央位置处的主动脉标记点对应的目标区域。
在本申请的一些实施例中，基于前述方案，所述第二检测单元1240包括：第一确定单元，用于基于所述目标区域，确定所述目标区域的质心以及方向向量；第四检测单元，用于基于所述质心和所述方向向量，对所述主动脉的边缘轮廓进行迭代检测；第一组合单元，用于将所述边缘轮廓进行组合，生成所述局部模型。
在本申请的一些实施例中，基于前述方案，所述第一确定单元用于：检测所述目标区域的中心位置，作为所述目标区域的质心；通过主成分分析的方法，确定所述质心对应的特征向量；或，根据所述主动脉中至少两个目标区域对应的坐标，确定所述方向向量。
在本申请的一些实施例中，基于前述方案，所述第四检测单元用于以所述质心为中心点，识别所述主动脉中与所述方向向量垂直的法平面；基于所述法平面对所述主动脉进行边缘检测，得到所述边缘轮廓；基于所述质心对应的方向向量和设定的前进距离，确定新的中心点；基于所述新的中心点对所述主动脉进行边缘检测，得到所述新的中心点对应的边缘轮廓，重复迭代上述过程，直至检测完毕所述主动脉。
在本申请的一些实施例中，基于前述方案，所述主动脉建模的装置还包括：基于所述质心对应的方向向量和设定的前进距离，确定所述质心对应的反向向量；基于所述新的中心点对所述主动脉进行边缘检测，得到所述新的中心点对应的边缘轮廓，重复迭代上述过程，直至检测完毕所述主动脉。
在本申请的一些实施例中，基于前述方案，所述第三检测单元包括：选取单元，用于基于所述局部模型，选取位于所述主动脉中不同位置处的目标中心点；第一插值单元，用于对所述目标中心点进行插值处理，生成所述主动脉对应的中心线；第五检测单元，用于基于所述中心线，检测与所述中心线上各中心点对应的切向量垂直的边缘轮廓；第二组合单元，用于将所述边缘轮廓进行组合，生成所述主动脉的全局模型。
在本申请的一些实施例中，基于前述方案，所述选取单元用于：基于所述局部模型，确定所述主动脉的起始位置、中间位置以及终点位置；将所述起始位置、中间位置以及终点位置处分别对应的中心点作为所述目标中心点。
在本申请的一些实施例中，基于前述方案，所述第五检测单元用于：基于所述中心线，在所述中心线上确定预设数量的中心点，并确定所述中心点对应的切向量；基于所述中心点，确定与所述切向量垂直的法平面；基于所述法平面进行边缘轮廓检测，确定所述法平面对应的边缘轮廓。
在本申请的一些实施例中，基于前述方案，所述模型单元1260包括：第一建模单元，用于对所述全局模型进行插值处理，得到所述主动脉的三维模型；
在本申请的一些实施例中，基于前述方案，所述主动脉建模的装置1200还包括：第二建模单元，用于对所述主动脉区域进行平滑处理，得到所述主动脉的三维模型。
在本申请的一些实施例中，基于前述方案，所述主动脉建模的装置1200还用于：基于所述主动脉的三维模型，计算动脉的血流参数，其中，所述血流参数包括血流储备分数。
在本申请的一些实施例中，基于前述方案，所述主动脉建模的装置1200还用于：将所述三维模型进行渲染，得到所述渲染模型；将所述渲染模型显示在终端设备的界面上。
作为另一方面，本申请还提供了一种电子设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述所述的主动脉建模的方法。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (12)
1.一种主动脉建模的方法，其特征在于，包括：
获取主动脉的医学影像；
对所述医学影像进行分割，得到主动脉区域；
基于所述主动脉区域，检测位于主动脉腔体中央的主动脉标记点对应的目标区域；
检测所述目标区域的中心位置，作为所述目标区域的质心；
通过主成分分析的方法，确定所述质心对应的特征向量；或，根据所述主动脉中至少两个目标区域对应的坐标，确定方向向量；
基于所述质心和所述方向向量，对所述主动脉的边缘轮廓进行迭代检测；
将所述边缘轮廓进行组合，生成所述主动脉的局部模型；
基于所述局部模型中不同位置处对应的目标中心点，确定所述主动脉的中心线，基于所述中心线对所述主动脉的边缘轮廓进行检测，生成所述主动脉的全局模型；
基于所述全局模型，生成所述主动脉的三维模型。
2.根据权利要求1所述的方法，其特征在于，基于所述主动脉区域，检测位于主动脉腔体中央的主动脉标记点对应的目标区域，包括：
识别位于所述主动脉区域腔体中央的中心位置；
对所述中心位置进行标记，生成所述主动脉区域对应的像素概率图；对所述像素概率图进行二值化，确定所述主动脉腔体中央位置处的主动脉标记点对应的目标区域。
3.根据权利要求1所述的方法，其特征在于，基于所述质心和所述方向向量，对所述主动脉的边缘轮廓进行迭代检测，包括：
以所述质心为中心点，识别所述主动脉中与所述方向向量垂直的法平面；
基于所述法平面对所述主动脉进行边缘检测，得到所述边缘轮廓；基于所述质心对应的方向向量和设定的前进距离，确定新的中心点；
基于所述新的中心点对所述主动脉进行边缘检测，得到所述新的中心
点对应的边缘轮廓，重复迭代上述过程，直至检测完毕所述主动脉。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
基于所述质心对应的方向向量和设定的前进距离，确定所述质心对应的反向向量；
基于所述新的中心点对所述主动脉进行边缘检测，得到所述新的中心点对应的边缘轮廓，重复迭代上述过程，直至检测完毕所述主动脉。
5.根据权利要求1所述的方法，其特征在于，基于所述局部模型中不同位置处对应的目标中心点，确定所述主动脉的中心线，基于所述中心线对所述主动脉的边缘轮廓进行检测，生成所述主动脉的全局模型，包括：
基于所述局部模型，选取位于所述主动脉中不同位置处的目标中心点；
对所述目标中心点进行插值处理，生成所述主动脉对应的中心线；
基于所述中心线，检测与所述中心线上各中心点对应的切向量垂直的边缘轮廓；
将所述边缘轮廓进行组合，生成所述主动脉的全局模型。
6.根据权利要求5所述的方法，其特征在于，基于所述局部模型，选取位于所述主动脉中不同位置处的目标中心点，包括：
基于所述局部模型，确定所述主动脉的起始位置、中间位置以及终点位置；
将所述起始位置、中间位置以及终点位置处分别对应的中心点作为所述目标中心点。
7.根据权利要求5所述的方法，其特征在于，基于所述中心线，检测与所述中心线上各中心点对应的切向量垂直的边缘轮廓，包括：
基于所述中心线，在所述中心线上确定预设数量的中心点，并确定所述中心点对应的切向量；
基于所述中心点，确定与所述切向量垂直的法平面；
基于所述法平面进行边缘轮廓检测，确定所述法平面对应的边缘轮廓。
8.根据权利要求1所述的方法，其特征在于，基于所述全局模型，生成所述主动脉的三维模型，包括：
对所述全局模型进行插值处理，得到所述主动脉的三维模型。
9.根据权利要求1所述的方法，其特征在于，对所述医学影像进行分割，得到主动脉区域之后，还包括：
对所述主动脉区域进行平滑处理，得到所述主动脉的三维模型。
10.根据权利要求1所述的方法，其特征在于，基于所述全局模型，生成所述主动脉的三维模型之后，还包括：
基于所述主动脉的三维模型，计算动脉的血流参数，其中，所述血流参数包括血流储备分数。
11.根据权利要求1所述的方法，其特征在于，基于所述全局模型，生成所述主动脉的三维模型之后，还包括：
将所述三维模型进行渲染，得到所述渲染模型；将所述渲染模型显示在终端设备的界面上。
12.一种主动脉建模的装置，其特征在于，包括：
获取单元，用于获取主动脉的医学影像；
分割单元，用于对所述医学影像进行分割，得到主动脉区域；
第一检测单元，用于基于所述主动脉区域，检测位于主动脉腔体中央的主动脉标记点对应的目标区域；
第二检测单元，用于检测所述目标区域的中心位置，作为所述目标区域的质心；通过主成分分析的方法，确定所述质心对应的特征向量；或，根据所述主动脉中至少两个目标区域对应的坐标，确定方向向量；基于所述质心和所述方向向量，对所述主动脉的边缘轮廓进行迭代检测；将所述边缘轮廓进行组合，生成所述主动脉的局部模型；
第三检测单元，用于基于所述局部模型中不同位置处对应的目标中心点，确定所述主动脉的中心线，基于所述中心线对所述主动脉的边缘轮廓进行检测，生成所述主动脉的全局模型；
模型单元，用于基于所述全局模型，生成所述主动脉的三维模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010705226.7A CN111932552B (zh) | 2020-07-21 | 2020-07-21 | 一种主动脉建模的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010705226.7A CN111932552B (zh) | 2020-07-21 | 2020-07-21 | 一种主动脉建模的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111932552A CN111932552A (zh) | 2020-11-13 |
| CN111932552B true CN111932552B (zh) | 2023-12-01 |
Family
ID=73314187
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010705226.7A Active CN111932552B (zh) | 2020-07-21 | 2020-07-21 | 一种主动脉建模的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111932552B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112614217A (zh) * | 2020-12-17 | 2021-04-06 | 深圳睿心智能医疗科技有限公司 | 管状物三维模型的拉直方法、装置及电子设备 |
| 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 |
| CN113609953A (zh) * | 2021-07-30 | 2021-11-05 | 浙江一掌通数字科技有限公司 | 一种非接触式的掌静脉区域识别方法、系统及存储介质 |
| CN113974667A (zh) * | 2021-11-02 | 2022-01-28 | 东北大学 | 一种tavi术前关键目标的自动定位装置及方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105279759A (zh) * | 2015-10-23 | 2016-01-27 | 浙江工业大学 | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 |
| CN107392994A (zh) * | 2017-06-30 | 2017-11-24 | 深圳大学 | 冠脉血管的三维重建方法、装置、设备及存储介质 |
| CN108133478A (zh) * | 2018-01-11 | 2018-06-08 | 苏州润心医疗器械有限公司 | 一种提取冠状动脉血管中心线的方法 |
| CN108932723A (zh) * | 2018-03-26 | 2018-12-04 | 天津工业大学 | 一种基于曲面形态的三维Snake主动脉夹层分割方法 |
| CN109003278A (zh) * | 2018-03-26 | 2018-12-14 | 天津工业大学 | 一种改进的基于主动形状模型的ct图像主动脉分割方法 |
| CN109003283A (zh) * | 2018-03-26 | 2018-12-14 | 天津工业大学 | 一种基于主动形状模型的主动脉轮廓分割算法 |
| CN109461138A (zh) * | 2018-09-29 | 2019-03-12 | 深圳睿心智能医疗科技有限公司 | 参数计算方法、系统、可读存储介质及计算机设备 |
| CN110796670A (zh) * | 2019-10-30 | 2020-02-14 | 北京理工大学 | 一种夹层动脉分割方法及装置 |
| CN111242958A (zh) * | 2020-01-15 | 2020-06-05 | 浙江工业大学 | 一种基于结构特征优化的颈动脉级联学习分割方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7620501B2 (en) * | 2004-05-06 | 2009-11-17 | Siemens Medical Solutions Usa, Inc. | Artery-vein separation and vessel modeling |
| US7991210B2 (en) * | 2005-11-23 | 2011-08-02 | Vital Images, Inc. | Automatic aortic detection and segmentation in three-dimensional image data |
| US11278259B2 (en) * | 2018-02-23 | 2022-03-22 | Verathon Inc. | Thrombus detection during scanning |
| US11127138B2 (en) * | 2018-11-20 | 2021-09-21 | Siemens Healthcare Gmbh | Automatic detection and quantification of the aorta from medical images |
-
2020
- 2020-07-21 CN CN202010705226.7A patent/CN111932552B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105279759A (zh) * | 2015-10-23 | 2016-01-27 | 浙江工业大学 | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 |
| CN107392994A (zh) * | 2017-06-30 | 2017-11-24 | 深圳大学 | 冠脉血管的三维重建方法、装置、设备及存储介质 |
| CN108133478A (zh) * | 2018-01-11 | 2018-06-08 | 苏州润心医疗器械有限公司 | 一种提取冠状动脉血管中心线的方法 |
| CN108932723A (zh) * | 2018-03-26 | 2018-12-04 | 天津工业大学 | 一种基于曲面形态的三维Snake主动脉夹层分割方法 |
| CN109003278A (zh) * | 2018-03-26 | 2018-12-14 | 天津工业大学 | 一种改进的基于主动形状模型的ct图像主动脉分割方法 |
| CN109003283A (zh) * | 2018-03-26 | 2018-12-14 | 天津工业大学 | 一种基于主动形状模型的主动脉轮廓分割算法 |
| CN109461138A (zh) * | 2018-09-29 | 2019-03-12 | 深圳睿心智能医疗科技有限公司 | 参数计算方法、系统、可读存储介质及计算机设备 |
| CN110796670A (zh) * | 2019-10-30 | 2020-02-14 | 北京理工大学 | 一种夹层动脉分割方法及装置 |
| CN111242958A (zh) * | 2020-01-15 | 2020-06-05 | 浙江工业大学 | 一种基于结构特征优化的颈动脉级联学习分割方法 |
Non-Patent Citations (5)
| Title |
|---|
| Three-dimensional reconstruction of coronary arteries and plaque morphology using CT angiography-comparison and registration with IVUS;Lambros et al.;《BMC Medical imaging》;1-13 * |
| Vessel centerline reconstruction from non-isocentric and non-orthogonal paired monoplane angiographic images;Mie Kunio et al.;《The International Journal of Cadriovascular Imaging》;673-682 * |
| 冠状动脉造影图像中血管中心线跟踪算法的研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2012,I138-2207. * |
| 冠脉血管三维建模与血液动力学研究;岳树坤;《中国优秀硕士学位论文全文数据库》;I138-310 * |
| 结合全局与局部信息活动轮廓的非同质图像分割;郝智慧;郭满才;宋杨杨;;中国图象图形学报(07);56-62 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111932552A (zh) | 2020-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111932552B (zh) | 一种主动脉建模的方法及装置 | |
| US20210272030A1 (en) | Systems and methods for using geometry sensitivity information for guiding workflow | |
| CN109685060B (zh) | 图像处理方法和装置 | |
| JP6514325B2 (ja) | 解剖学的ランドマークベースの特徴に基づいた医用画像をセグメント化するためのシステム及び方法 | |
| CN111369525B (zh) | 图像分析方法、设备和存储介质 | |
| CN111105424A (zh) | 淋巴结自动勾画方法及装置 | |
| CN112184888A (zh) | 三维血管建模的方法及装置 | |
| CN113222964B (zh) | 一种冠脉中心线提取模型的生成方法及装置 | |
| CN111261296A (zh) | 基于条件随机向量场的肿瘤临床靶区自动勾画方法及系统 | |
| CN115965750B (zh) | 血管重建方法、装置、计算机设备和可读存储介质 | |
| CN113223015A (zh) | 血管壁图像分割方法、装置、计算机设备和存储介质 | |
| Sivanesan et al. | Unsupervised medical image segmentation with adversarial networks: From edge diagrams to segmentation maps | |
| US10354349B2 (en) | Systems and methods for using geometry sensitivity information for guiding workflow | |
| CN108597589B (zh) | 模型生成方法、目标检测方法及医学成像系统 | |
| CN111091560A (zh) | 鼻咽癌原发肿瘤图像识别方法及系统 | |
| CN113343987B (zh) | 文本检测处理方法、装置、电子设备及存储介质 | |
| CN111127408B (zh) | 基于GrowCut的鼻咽癌原发病灶临床靶区自动勾画方法及系统 | |
| CN114596320A (zh) | 一种基于alslcv模型的图像分割方法及装置 | |
| Kim et al. | Confidence-controlled local isosurfacing | |
| WO2020108785A1 (en) | Method and device for training a neural network to specify landmarks on 2d and 3d images | |
| Wang | A bottleneck detection approach for separating overlapped cells | |
| Oner et al. | Adjusting the ground truth annotations for connectivity-based learning to delineate | |
| CN112950582B (zh) | 一种基于深度学习的3d肺部病灶分割方法、装置 | |
| CN114445421B (zh) | 一种鼻咽癌淋巴结区域的识别分割方法、装置及系统 | |
| CN115482358B (zh) | 一种三角网格曲面的生成方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |