CN111932554B - 一种肺部血管分割方法、设备及存储介质 - Google Patents
一种肺部血管分割方法、设备及存储介质 Download PDFInfo
- Publication number
- CN111932554B CN111932554B CN202010756697.0A CN202010756697A CN111932554B CN 111932554 B CN111932554 B CN 111932554B CN 202010756697 A CN202010756697 A CN 202010756697A CN 111932554 B CN111932554 B CN 111932554B
- Authority
- CN
- China
- Prior art keywords
- vessel
- blood vessel
- arteriovenous
- unknown
- vascular
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 177
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 210000004072 lung Anatomy 0.000 title claims description 77
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 346
- 230000002792 vascular Effects 0.000 claims abstract description 109
- 230000004927 fusion Effects 0.000 claims abstract description 94
- 238000009826 distribution Methods 0.000 claims abstract description 66
- 210000003462 vein Anatomy 0.000 claims abstract description 48
- 210000001147 pulmonary artery Anatomy 0.000 claims abstract description 45
- 210000001367 artery Anatomy 0.000 claims abstract description 38
- 230000002685 pulmonary effect Effects 0.000 claims abstract description 34
- 238000007499 fusion processing Methods 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims description 37
- 238000010586 diagram Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 19
- 210000003484 anatomy Anatomy 0.000 abstract description 8
- 238000002591 computed tomography Methods 0.000 description 64
- 238000012549 training Methods 0.000 description 24
- 238000013528 artificial neural network Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 208000019693 Lung disease Diseases 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 210000003492 pulmonary vein Anatomy 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 206010056342 Pulmonary mass Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012795 verification Methods 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20081—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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30061—Lung
-
- 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
Abstract
本发明公开了一种肺部血管分割方法、设备及存储介质,用以提高肺部血管分割的精确度。本发明实施例中根据肺部CT图像获取肺部血管对应的动静脉分割结果图以及血管分布图;对动静脉分割结果图和血管分布图进行融合处理,获得血管融合图;其中,血管融合图中包括动脉血管、静脉血管以及未知动静脉类型的未知血管;针对未知血管,根据未知血管与动脉血管或静脉血管的连通性,确定血管分布图中未知血管的动静脉类型。本发明实施例能够对动静脉分割结果图和血管分布图进行融合处理,得到既包含足够多血管细节,也能够表示血管动静脉类型的分割结果,增加分割结果信息量,从而能够更加直观的展示肺部血管的三维解剖结构,满足临床应用需求。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种肺部血管分割方法、设备及存储介质。
背景技术
肺部血管由肺动脉和肺静脉组成,是人体各个器官中最为复杂的血管结构之一。准确的获取肺部血管树的解剖结构信息,在临床诊断中具有重要的参考价值。临床医生根据肺血管树的解剖结构信息在肺癌的早期检测与诊断中可以去除肺血管的干扰,降低肺结节检测的假阳性;手术导航中可以利用肺血管的分布引导肺叶分割,可以定位肺部疾病位置、评估肺部疾病等级,进而结合肺叶信息实施精准治疗。
随着医疗需求的不断增长,计算机断层扫描(Computed Tomography,CT)设备的成像技术不断发展,肺部CT检查是目前临床上最常做的检查之一。但是由于肺部血管有血管成像对比度低,结构复杂,肺部图像噪声较多等特点,使得准确的肺部血管分割具有一定的难度;且肺部动静脉结构相近,灰度值相似且经常缠绕,边界不清晰,因此肺部动静脉的分离提取难度更大。
目前在分割肺部血管时,通常使用传统的分割算法如基于区域生长的分割算法,但现有的分割算法对噪声较为敏感,对于复杂的肺部血管,并不能准确分割出细节特征,导致分割效果较差,难以达到临床应用需求。
发明内容
本发明示例性的实施方式中提供一种肺部血管分割方法、设备及存储介质,用以提高肺部血管分割的精确度。
根据示例性的实施方式中的第一方面,提供一种肺部血管分割方法,该方法包括:
根据肺部CT图像获取肺部血管对应的动静脉分割结果图以及血管分布图;其中,所述血管分布图中包括的血管数目多于所述动静脉分割结果图中的血管数目;
对所述动静脉分割结果图和所述血管分布图进行融合处理,获得血管融合图;其中,所述血管融合图中包括动脉血管、静脉血管以及未知动静脉类型的未知血管;
针对所述未知血管,根据所述未知血管与所述动脉血管或所述静脉血管的连通性,确定所述血管融合图中所述未知血管的动静脉类型。
上述实施例中,根据肺部CT图像获取肺部血管对应的动静脉分割结果图以及血管分布图,对获取到的动静脉分割结果图和血管分布图进行融合处理,获得包括动脉血管、静脉血管以及未知动静脉类型的未知血管的血管融合图;针对未知血管,根据未知血管与动脉血管或静脉血管的连通性,确定血管融合图中未知血管的动静脉类型。由于本发明实施例能够对动静脉分割结果图和血管分布图做融合处理,从而能够将动静脉分割结果图中的动静脉类型体现在血管分布图中,对于融合处理后不能确定动静脉类型的未知血管,通过确定未知血管与动脉血管或与静脉血管的连通性,确定未知血管的动静脉类型,从而对血管融合图进行了动静脉类型区分,得到既包含足够多血管细节,也能够表示血管动静脉类型的分割结果,增加分割结果信息量,从而能够更加直观的展示肺部血管的三维解剖结构,满足临床应用需求。
在一些示例性的实施方式中,在所述根据所述未知血管与所述动脉血管或所述静脉血管的连通性,确定所述未知血管的动静脉类型之后,还包括:
若所述血管融合图中还存在未知血管,则从所述血管融合图中识别由未知血管组成的血管骨架;
对所述血管骨架中与骨架点连接的预设范围内的血管骨架进行膨胀处理,得到骨架点膨胀区域;
根据所述骨架点膨胀区域与所述动脉血管的第一重叠部分,和/或所述骨架点膨胀区域与所述静脉血管的第二重叠部分,确定所述血管骨架包括的未知血管的动静脉类型。
上述实施例中,能够对确定连通性后仍然未能确定血管类型的未知血管,通过提取未知血管的血管骨架并进行膨胀处理,确定动脉血管和静脉血管与未知血管的膨胀区域的重叠部分,并确定血管骨架包括的未知血管的动静脉类型,从而能够对血管融合图中无法根据连通性确定动静脉类型的未知血管进行进一步判断,确定未知血管的动静脉类型。
在一些示例性的实施方式中,所述根据所述骨架点膨胀区域与所述动脉血管的第一重叠部分,和/或所述骨架点膨胀区域与所述静脉血管的第二重叠部分,确定所述血管骨架包括的未知血管的动静脉类型,包括:
若存在所述第一重叠部分,则确定所述血管骨架包括的未知血管的动静脉类型为动脉;或
若存在所述第二重叠部分,则确定所述血管骨架包括的未知血管的动静脉类型为静脉;或
若同时存在第一重叠部分与第二重叠部分,则当所述第一重叠部分大于所述第二重叠部分时,确定所述血管骨架包括的未知血管的动静脉类型为动脉;当所述第一重叠部分小于所述第二重叠部分时,确定所述血管骨架包括的未知血管的动静脉类型为静脉。
上述实施例中,通过比较第一重叠部分与第二重叠部分的大小,确定未知血管的血管骨架的骨架点处与动脉血管或与静脉血管的重叠部分,进而确定未知血管与动脉血管或与静脉血管相连,确定未知血管的动静脉类型;为确定血管动静脉类型提供更多的方法,提升血管类型分割的准确性。
在一些示例性的实施方式中,所述根据肺部CT图像获取肺部血管对应的动静脉分割结果图以及血管分布图,包括:
基于深度学习分割算法,对所述肺部CT图像进行类型分割处理,确定所述肺部CT图像对应的动静脉分割结果图;以及
基于血管增强算法,对所述肺部CT图像进行细节增强处理,确定所述肺部CT图像对应的血管分布图。
上述实施例中,通过深度学习分割算法确定动静脉分割结果图,确定肺部血管主要根支的动静脉类型,以及通过血管增强算法确定血管分布图,获得肺部血管的细节分支,从而能够在后续处理中融合动静脉分割结果图和血管分布图,综合两个图像的优点,获取细节较多且能够区分动静脉类型的分割结果。
在一些示例性的实施方式中,所述对所述动静脉分割结果图和所述血管分布图进行融合处理,获得血管融合图,还包括:
将所述血管融合图中血管的动静脉类型调整为所述动静脉分割结果图中相同位置的血管的动静脉类型,将血管融合图中未能确定动静脉类型的血管作为未知血管。
上述实施例中,通过调整血管融合图中血管的动静脉类型,将动静脉分割结果图中已确定的动静脉类型映射到血管融合图中,使血管融合图也具有区分动静脉类型的信息,更加直观的展示肺部血管的三维解剖结构。
在一些示例性的实施方式中,所述根据所述未知血管与所述动脉血管或所述静脉血管的连通性,确定所述未知血管的动静脉类型,包括:
若所述未知血管与所述动脉血管连通,则所述未知血管的动静脉类型为动脉;
若所述未知血管与所述静脉血管连通,则所述未知血管的动静脉类型为静脉。
上述实施例中,通过未知血管与动脉血管或与静脉血管连通,确定未知血管的动静脉类型,根据实际肺器官中动脉血管相连、静脉血管相连的特性,确定血管融合图中未知血管的动静脉类型,提升动静脉类型分割的准确性。
根据示例性的实施方式中的第二方面,提供一种肺部血管分割设备,包括存储器和处理器;
其中,所述存储器被配置为存储程序;
所述处理器被配置为根据肺部CT图像获取肺部血管对应的动静脉分割结果图以及血管分布图;其中,所述血管分布图中包括的血管数目多于所述动静脉分割结果图中的血管数目;对所述动静脉分割结果图和所述血管分布图进行融合处理,获得血管融合图;其中,血管融合图中包括动脉血管、静脉血管以及未知动静脉类型的未知血管;针对所述未知血管,根据所述未知血管与所述动脉血管或所述静脉血管的连通性,确定所述血管融合图中所述未知血管的动静脉类型。
在一些示例性的实施方式中,所述处理器还被配置为:
在所述根据所述未知血管与所述动脉血管或所述静脉血管的连通性,确定所述未知血管的动静脉类型之后,若所述血管融合图中还存在未知血管,则从所述血管融合图中识别由未知血管组成的血管骨架;对所述血管骨架中与骨架点连接的预设范围内的血管骨架进行膨胀处理,得到骨架点膨胀区域;根据所述骨架点膨胀区域与所述动脉血管的第一重叠部分,和/或所述骨架点膨胀区域与所述静脉血管的第二重叠部分,确定所述血管骨架包括的未知血管的动静脉类型。
在一些示例性的实施方式中,所述处理器具体被配置为:
若存在所述第一重叠部分,则确定所述血管骨架包括的未知血管的动静脉类型为动脉;或
若存在所述第二重叠部分,则确定所述血管骨架包括的未知血管的动静脉类型为静脉;或
若同时存在第一重叠部分与第二重叠部分,则当所述第一重叠部分大于所述第二重叠部分时,确定所述血管骨架包括的未知血管的动静脉类型为动脉;当所述第一重叠部分小于所述第二重叠部分时,确定所述血管骨架包括的未知血管的动静脉类型为静脉。
在一些示例性的实施方式中,所述处理器具体被配置为:
基于深度学习分割算法,对所述肺部CT图像进行类型分割处理,确定所述肺部CT图像对应的动静脉分割结果图;以及
基于血管增强算法,对所述肺部CT图像进行细节增强处理,确定所述肺部CT图像对应的血管分布图。
在一些示例性的实施方式中,所述处理器具体被配置为:
将所述血管融合图中血管的动静脉类型调整为所述动静脉分割结果图中相同位置的血管的动静脉类型,将血管融合图中未能确定动静脉类型的血管作为未知血管。
在一些示例性的实施方式中,所述处理器具体被配置为:
若所述未知血管与所述动脉血管连通,则所述未知血管的动静脉类型为动脉;
若所述未知血管与所述静脉血管连通,则所述未知血管的动静脉类型为静脉。
根据示例性的实施方式中的第三方面,提供一种肺部血管分割装置,所述肺部血管分割装置被配置为执行如上述第一方面所述的肺部血管分割方法。
根据示例性的实施方式中的第四方面,提供一种计算机存储介质,所述计算机存储介质中存储有计算机程序指令,当所述指令在计算机上运行时,使得所述计算机执行如上述第一方面所述的肺部血管分割方法。
在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本申请各较佳实施例。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1示例性示出了本发明实施例提供的一种肺部血管分割方法流程图;
图2示例性示出了本发明实施例提供的一种动静脉分割结果图的示意图;
图3示例性示出了本发明实施例提供的一种删除连通域较小的区域后的动静脉分割结果图的示意图;
图4示例性示出了本发明实施例提供的一种血管分布图的示意图;
图5示例性示出了本发明实施例提供的一种血管融合图的示意图;
图6示例性示出了本发明实施例提供的一种确定动静脉类型后的血管融合图的示意图;
图7示例性示出了本发明实施例提供的一种完整的肺部血管分割方法流程更图;
图8示例性示出了本发明实施例提供的一种肺部血管分割设备的结构示意图;
图9示例性示出了本发明实施例提供的一种肺部血管分割装置的结构示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清除、详尽地描述。其中,在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;文本中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,另外,在本申请实施例的描述中,“多个”是指两个或多于两个。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为暗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该特征,在本申请实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
下面对文中出现的一些术语进行解释:
1、本发明实施例中术语“计算机断层扫描(Computed Tomography,CT)”,是利用精确准直的X线束、γ射线、超声波等,与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描,具有扫描时间快,图像清晰等特点,可用于多种疾病的检查。
2、本发明实施例中术语“深度学习算法(Deep Learning,DL)”,是机器学习(Machine Learning,ML)领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标—人工智能(Artificial Intelligence,AI)。深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。
深度学习通过多层处理,逐渐将初始的“低层”特征表示转化为“高层”特征表示后,用“简单模型”即可完成复杂的分类等学习任务。由此可将深度学习理解为进行“特征学习(feature learning)”或“表示学习(representation learning)”。
3、本发明实施例中术语“形态学处理”,图像的形态学处理主要包括图像的膨胀和腐蚀,主要用来寻找图像中的极大区域和极小区域。其中膨胀类似于“领域扩张”,将图像的高亮区域或白色部分进行扩张,其运行结果图比原图的高亮区域更大;腐蚀类似“领域被蚕食”,将图像中的高亮区域或白色部分进行缩减细化,其运行结果图比原图的高亮区域更小。
肺部血管由肺动脉和肺静脉组成,是人体各个器官中最为复杂的血管结构之一。准确的获取肺部血管树的解剖结构信息,在临床诊断中具有重要的参考价值。临床医生根据肺血管树的解剖结构信息在肺癌的早期检测与诊断中可以去除肺血管的干扰,降低肺结节检测的假阳性;手术导航中可以利用肺血管的分布引导肺叶分割,可以定位肺部疾病位置、评估肺部疾病等级,进而结合肺叶信息实施精准治疗。
随着医疗需求的不断增长,计算机断层扫描(CT)设备的成像技术不断发展,肺部CT检查是目前临床上最常做的检查之一。但是由于肺部血管有血管成像对比度低,结构复杂,肺部图像噪声较多等特点,使得准确的肺部血管分割具有一定的难度;且肺部动静脉结构相近,灰度值相似且经常缠绕,边界不清晰,因此肺部动静脉的分离提取难度更大。
目前在分割肺部血管时,通常使用传统的分割算法如基于区域生长的分割算法,但现有的分割算法对噪声较为敏感,对于复杂的肺部血管,并不能准确分割出细节特征,导致分割效果较差,难以达到临床应用需求。
基于上述问题,本发明实施例提供一种肺部血管分割方法,如图1所示,包括以下步骤:
步骤S101、根据肺部CT图像获取肺部血管对应的动静脉分割结果图以及血管分布图;其中,血管分布图中包括的血管数目多于动静脉分割结果图中的血管数目;
步骤S102、对所述动静脉分割结果图和所述血管分布图进行融合处理,获得血管融合图;其中,血管融合图中包括动脉血管、静脉血管以及未知动静脉类型的未知血管;
步骤S103、针对未知血管,根据未知血管与动脉血管或静脉血管的连通性,确定血管融合图中未知血管的动静脉类型。
本发明实施例提供的肺部血管分割方法,根据肺部CT图像获取肺部血管对应的动静脉分割结果图以及血管分布图,对获取到的动静脉分割结果图和血管分布图进行融合处理,获得包括动脉血管、静脉血管以及未知动静脉类型的未知血管的血管融合图;针对未知血管,根据未知血管与动脉血管或静脉血管的连通性,确定血管融合图中未知血管的动静脉类型。由于本发明实施例能够对动静脉分割结果图和血管分布图做融合处理,从而能够将动静脉分割结果图中的动静脉类型体现在血管分布图中,对于融合处理后不能确定动静脉类型的未知血管,通过确定未知血管与动脉血管或与静脉血管的连通性,确定未知血管的动静脉类型,从而对血管融合图进行了动静脉类型区分,得到既包含足够多血管细节,也能够表示血管动静脉类型的分割结果,增加分割结果信息量,从而能够更加直观的展示肺部血管的三维解剖结构,满足临床应用需求。
基于肺部血管必定在肺部区域内的前提下,使用患者的胸部CT图像中的肺部区域进行肺部血管分割,可选的,以预设的尺寸截取胸部CT中的肺部区域,得到肺部CT图像。
本发明实施例中,基于肺部CT图像获取肺部血管对应的动静脉分割结果图以及血管分布图,具体实施中,可以分别采用下列方式确定动静脉分割结果图以及血管分布图:
1、基于深度学习分割算法确定动静脉分割结果图
将肺部CT图像输入到已训练的深度学习分割神经网络中,获取深度学习分割神经网络输出的肺部CT图像对应的动静脉分割结果图;例如,得到如图2所示的动静脉分割结果图,根据图2可以看出,深度学习分割算法对于肺部动静脉的主要根支能够进行较为明显的区分,且能够区分肺部血管的动静脉类型,如图2中将动脉血管与静脉血管分别以两个不同的灰度值进行区分。
具体实施中,可以选择3D U-net深度神经网络对肺部CT图像进行类型分割处理,但并不限于该深度学习神经网络,任何能够对肺部CT图像进行类型分割处理的深度学习分割神经网络均可以用于确定动静脉分割结果图。
在基于深度学习分割神经网络获取到肺部CT图像对应的动静脉分割结果图后,将动静脉分割结果图中连通域大小小于预设阈值的区域进行删除;例如,对如图2所示的动静脉分割结果图删除连通域较小的区域后,得到如图3所示的动静脉分割结果图;通过删除连通域较小的区域,能够获取到更加准确的动静脉分割结果,减小噪声对图像的影响。
本发明实施例还提供一种深度学习分割神经网络的训练过程,具体包括以下步骤:
1)获取训练数据集
将收集到的用于对深度学习分割神经网络进行训练的胸腔CT原始DICOM图像作为原始图像,对原始图像进行人工标注,具体实施中,可以由临床专家在原始图像中逐层标注管腔结构,对原始图像中的肺动脉、肺静脉以及支气管分别进行标注,将临床专家在原始图像上的人工标注标签作为管状结构掩模;
基于管状结构掩膜,根据下列公式将原始图像中像素点的灰度值转换为HU值:
HU=pixel_value*RescaleSlope+RescaleIntercept
其中,pixel_value为原始图像中每个像素点的灰度值,RescaleSlope和RescaleIntercept为取自DICOM头文件信息中的参数。
将原始图像的像素点的灰度值转换为HU值后,根据预设的临床肺窗要求将原始图像处理为适用于观察肺部结构的原始肺部CT图像;例如,处理为窗位-450—-600HU,窗宽1500—2000HU的原始肺部CT图像。
为了降低CT图像数据对深度学习分割神经网络的影响,同时减少计算量并聚焦感兴趣区域(Region of Interest,ROI),对原始肺部CT图像进行以下处理:
a.将添加了人工标注标签的原始肺部CT图像按照肺区边缘裁剪,得到包含肺部实质的三维长方体图像;具体实施中,可以采用现有的肺区分割方法,本发明不再赘述。
b.使用预设的三阶样条插值对裁剪后的肺区CT图像进行重采样,将肺区CT图像中的数据统一到相同的间距参数中,例如,将数据统一到间距参数为1.0mm*0.75mm*0.75mm。
对原始肺部CT图像进行上述处理后,得到目标肺部CT图像,对目标CT图像进行3D数据增强,例如,对肺部CT图像进行预设范围的角度转换、灰度拉升变化以及翻转等处理,丰富训练数据集,从而提升训练后模型的泛化性。
2)训练深度学习分割神经网络
为提升深度学习分割神经网络模型的稳定性,采用K折交叉验证方法进行模型训练;
具体实施中,将训练数据集随机分为k份,选择其中的1份作为测试集,剩余k-1份作为训练集,其中,训练集用于对深度学习分割神经网络进行训练,测试集用于对深度学习分割神经网络的模型性能进行测试。
对深度学习分割神经网络进行k轮训练,其中,每轮训练中分别以将训练数据集分为k份后的1份作为测试集,其余k-1份作为训练集,重复以下训练过程:
将训练集中的肺部CT图像作为深度学习分割神经网络的输入,训练集中肺部CT图像对应的人工标注的管状结构掩模作为深度学习分割神经网络的输出对深度学习分割神经网络进行训练,基于损失函数确定深度学习分割神经网络输出的预测管状结构掩模与实际的管状结构掩模之间的损失值,根据损失值以及学习率调整深度学习分割神经网络的模型参数,在训练集上训练后得到一个深度学习分割神经网络模型,通过该模型在验证集上进行测试,保存该模型的评估指标。
K轮训练后,计算k组评估指标的平均值作为模型精度的估计,并作为当前k折交叉验证下模型的性能指标;在确定k折交叉验证下模型的性能指标在预设范围内时,确定深度学习分割神经网络训练完成。
需要说明的是,本发明实施例深度学习分割神经网络训练过程中,可以采用受分裂交叉熵和Dice系数约束的损失函数,如下列公式所示:
本发明实施例中可以采用Ranger作为优化算子,在深度学习分割神经网络的训练过程中根据模型参数的更新方式而不断调整学习率,提高训练深度学习分割神经网络的稳定性。
2、基于血管增强算法确定血管分布图
对肺部CT图像采用血管增强算法及传统分割算法,如水平集分割算法,获取肺部CT图像对应的血管分布图;例如,得到如图4所示的血管分布图,根据图4可以看出,基于血管增强算法得到的血管分布图能够保留更多的肺部血管细节,例如可以保留五级左右的血管分支。
在获取到肺部血管对应的动静脉分割结果图以及血管分布图之后,血管分布图中包括的血管分支较多、细节丰富,但无法区分血管的动静脉类型,需要根据动静脉分割结果图以及血管分布图进行进一步肺部血管分割处理,在一种可选的实施中,根据以下步骤进行肺部血管分割处理:
1、对动静脉分割结果图和血管分布图进行融合处理,获取血管融合图。
一种可选的实施方式为,将动静脉分割结果图与血管分布图进行融合处理,得到血管融合图,根据动静脉分割结果图中血管的动静脉类型,将血管融合图中血管的动静脉类型调整为动静脉分割结果图中相同位置的血管的动静脉类型,将调整后的血管融合图中未能确定动静脉类型的血管作为未知血管。
具体实施中,由于动静脉分割结果图与血管分布图是基于相同的肺部CT图像获取的,故动静脉分割结果图与血管分布图中相同位置的血管为同一血管,基于动静脉分割结果图与血管分布图中位置相同的血管对动静脉分割结果图与血管分布图进行融合处理,得到血管融合图;
在对动静脉分割结果图与血管分布图进行融合处理过程中,动静脉分割结果图和血管分布图中除血管所在区域以外的背景区域的像素值为0,针对血管分布图中像素值为非零值且动静脉分割结果图中相同位置像素点的像素值也为非零值的像素点,将融合处理后得到血管融合图中相同位置的像素点的像素值调整为动静脉分割结果图中相同位置像素点的像素值;由于相同血管在两张图像中的位置也相同,根据上述方式调整像素点的像素值后,可以将动静脉分割结果图中确定出的血管的动静脉类型映射到血管融合图中。
由于血管分布图中血管数目多于动静脉分割结果图,故根据上述方式调整像素点的像素值后,存在未能确定像素值的像素点,将血管融合图中未能确定像素值的像素点的像素值调整为预设值,像素值为预设值的像素点构成的图像对应的血管为未能确定动静脉类型的未知血管。
例如,根据上述方式调整像素值后得到的血管融合图如图5所示,如图5中放大区域中的血管对应的标注,动脉血管对应的像素值为像素值A,静脉血管对应的像素值为像素值B,未知血管对应的像素值为像素值C;则血管融合图中包括动脉血管、静脉血管以及未知动静脉类型的未知血管。
2、针对血管融合图中的未知血管,根据未知血管与动脉血管或静脉血管的连通性,确定血管融合图中未知血管的动静脉类型。
具体实施中,计算血管融合图中未知血管对应的区域的连通区域,若该连通区域与血管融合图中的动脉血管对应的区域连通,则未知血管的动静脉类型为动脉;若该连通区域与血管融合图中的静脉血管对应的区域连通,则未知血管的动静脉类型为静脉。
3、若根据步骤2处理后的血管融合图中还存在未知血管,则通过形态学处理确定未知血管的动静脉类型。
具体实施中,从血管融合图中识别由未知血管组成的血管骨架;对未知血管识别出血管骨架后,对血管骨架中与骨架点连接的预设范围内的血管骨架进行膨胀处理,得到骨架点膨胀区域。
一种可选的实施方式中,对识别到的血管骨架,断开血管骨架中的骨架点,得到多个骨架分支,对每个骨架分支中与骨架点相连接的预设范围内的血管骨架进行膨胀处理,例如,对与骨架点相连接的2个像素点距离内的血管骨架进行膨胀处理,得到该骨架点对应的骨架点膨胀区域。
根据骨架点膨胀区域与动脉血管的第一重叠部分,和/或骨架点膨胀区域与静脉血管的第二重叠部分,确定血管骨架包括的未知血管的动静脉类型。
具体实施中,针对以下三种情况分别确定位置血管的动静脉类型:
1、存在第一重叠部分
若仅存在第一重叠部分,则确定血管骨架包括的未知血管的动静脉类型为动脉。
2、存在第二重叠部分
若仅存在第二重叠部分,则确定血管骨架包括的未知血管的动静脉类型为静脉。
3、同时存在第一重叠部分与第二重叠部分
若同时存在第一重叠部分与第二重叠部分,则当第一重叠部分大于第二重叠部分时,确定血管骨架包括的未知血管的动静脉类型为动脉;当第一重叠部分小于第二重叠部分时,确定血管骨架包括的未知血管的动静脉类型为静脉。
根据上述方式确定未知血管的动静脉类型后,若仍存在未能确定类型的未知血管,针对该未知血管,计算血管融合图中该未知血管对应的区域的连通区域,根据确定出的连通区域与血管融合图中动脉血管和静脉血管的连通性,确定未知血管的动静脉类型。
若在上述步骤后,仍存在未知血管,则重复步骤3,直至血管融合图中的全部血管的动静脉类型确定完毕。
例如,对血管融合图中的血管确定动静脉类型后的示意图如图6所示,得到动静脉分割结果中既包含足够多的血管细节,也能够表示血管动静脉类型。
如图7所示,为本发明实施例一种完整的肺部血管分割方法,包括以下步骤:
步骤S701、基于深度学习分割算法,对肺部CT图像进行类型分割处理,确定肺部CT图像对应的动静脉分割结果图;
步骤S702、基于血管增强算法,对肺部CT图像进行细节增强处理,确定肺部CT图像对应的血管分布图;
步骤S703、对动静脉分割结果图和血管分布图进行融合处理,获得包括动脉血管、静脉血管以及未知动静脉类型的未知血管的血管融合图;
步骤S704、针对未知血管,根据未知血管与动脉血管或静脉血管的连通性,确定血管融合图中未知血管的动静脉类型;
步骤S705、判断是否还存在未知血管,若是,执行步骤S706;否则,执行步骤S710;
步骤S706、从血管融合图中识别由未知血管组成的血管骨架,对血管骨架中与骨架点连接的预设范围内的血管骨架进行膨胀处理,得到骨架点膨胀区域;
步骤S707、确定骨架点膨胀区域与所述动脉血管的第一重叠部分,以及骨架点膨胀区域与所述静脉血管的第二重叠部分;
步骤S708、根据骨架点膨胀区域与动脉血管的第一重叠部分,和/或骨架点膨胀区域与静脉血管的第二重叠部分,确定血管骨架包括的未知血管的动静脉类型;
步骤S709、判断是否还存在未知血管,若是,执行步骤S704;否则,执行步骤S710;
步骤S710、确定完成肺部血管分割处理。
基于同一发明构思,本发明实施例中还提供了一种肺部血管分割设备,由于该设备解决问题的原理与本发明实施例的肺部血管分割方法相似,因此该设备的实施可以参见方法的实施,重复之处不再赘述。
如图8所示,为本发明实施例一种肺部血管分割设备,包括存储器801和处理器802;
其中,所述存储器801用于存储程序;
所述处理器802用于执行:根据肺部CT图像获取肺部血管对应的动静脉分割结果图以及血管分布图;其中,所述血管分布图中包括的血管数目多于所述动静脉分割结果图中的血管数目;对所述动静脉分割结果图和所述血管分布图进行融合处理,获得血管融合图;其中,血管融合图中包括动脉血管、静脉血管以及未知动静脉类型的未知血管;针对所述未知血管,根据所述未知血管与所述动脉血管或所述静脉血管的连通性,确定所述血管融合图中所述未知血管的动静脉类型。
在一些示例性的实施方式中,所述处理器801还被配置为:
在所述根据所述未知血管与所述动脉血管或所述静脉血管的连通性,确定所述未知血管的动静脉类型之后,若所述血管融合图中还存在未知血管,则从所述血管融合图中识别由未知血管组成的血管骨架;对所述血管骨架中与骨架点连接的预设范围内的血管骨架进行膨胀处理,得到骨架点膨胀区域;根据所述骨架点膨胀区域与所述动脉血管的第一重叠部分,和/或所述骨架点膨胀区域与所述静脉血管的第二重叠部分,确定所述血管骨架包括的未知血管的动静脉类型。
在一些示例性的实施方式中,所述处理器801具体被配置为:
若存在所述第一重叠部分,则确定所述血管骨架包括的未知血管的动静脉类型为动脉;或
若存在所述第二重叠部分,则确定所述血管骨架包括的未知血管的动静脉类型为静脉;或
若同时存在第一重叠部分与第二重叠部分,则当所述第一重叠部分大于所述第二重叠部分时,确定所述血管骨架包括的未知血管的动静脉类型为动脉;当所述第一重叠部分小于所述第二重叠部分时,确定所述血管骨架包括的未知血管的动静脉类型为静脉。
在一些示例性的实施方式中,所述处理器801具体被配置为:
基于深度学习分割算法,对所述肺部CT图像进行类型分割处理,确定所述肺部CT图像对应的动静脉分割结果图;以及
基于血管增强算法,对所述肺部CT图像进行细节增强处理,确定所述肺部CT图像对应的血管分布图。
在一些示例性的实施方式中,所述处理器801具体被配置为:
将所述血管融合图中血管的动静脉类型调整为所述动静脉分割结果图中相同位置的血管的动静脉类型,将血管融合图中未能确定动静脉类型的血管作为未知血管。
在一些示例性的实施方式中,所述处理器801具体被配置为:
若所述未知血管与所述动脉血管连通,则所述未知血管的动静脉类型为动脉;
若所述未知血管与所述静脉血管连通,则所述未知血管的动静脉类型为静脉。
如图9所示,为本发明实施例提供的一种肺部血管分割装置,包括:
获取模块901,用于根据肺部CT图像获取肺部血管对应的动静脉分割结果图以及血管分布图;其中,所述血管分布图中包括的血管数目多于所述动静脉分割结果图中的血管数目;
融合模块902,用于对所述动静脉分割结果图和所述血管分布图进行融合处理,获得血管融合图;其中,血管融合图中包括动脉血管、静脉血管以及未知动静脉类型的未知血管;
确定模块903,用于针对所述未知血管,根据所述未知血管与所述动脉血管或所述静脉血管的连通性,确定所述血管融合图中所述未知血管的动静脉类型。
在一些示例性的实施方式中,所述确定模块903还被配置为:
在所述根据所述未知血管与所述动脉血管或所述静脉血管的连通性,确定所述未知血管的动静脉类型之后,若所述血管融合图中还存在未知血管,则从所述血管融合图中识别由未知血管组成的血管骨架;对所述血管骨架中与骨架点连接的预设范围内的血管骨架进行膨胀处理,得到骨架点膨胀区域;根据所述骨架点膨胀区域与所述动脉血管的第一重叠部分,和/或所述骨架点膨胀区域与所述静脉血管的第二重叠部分,确定所述血管骨架包括的未知血管的动静脉类型。
在一些示例性的实施方式中,所述确定模块903具体被配置为:
若存在所述第一重叠部分,则确定所述血管骨架包括的未知血管的动静脉类型为动脉;或
若存在所述第二重叠部分,则确定所述血管骨架包括的未知血管的动静脉类型为静脉;或
若同时存在第一重叠部分与第二重叠部分,则当所述第一重叠部分大于所述第二重叠部分时,确定所述血管骨架包括的未知血管的动静脉类型为动脉;当所述第一重叠部分小于所述第二重叠部分时,确定所述血管骨架包括的未知血管的动静脉类型为静脉。
在一些示例性的实施方式中,所述获取模块901具体被配置为:
基于深度学习分割算法,对所述肺部CT图像进行类型分割处理,确定所述肺部CT图像对应的动静脉分割结果图;以及
基于血管增强算法,对所述肺部CT图像进行细节增强处理,确定所述肺部CT图像对应的血管分布图。
在一些示例性的实施方式中,所述融合模块902具体被配置为:
将所述血管融合图中血管的动静脉类型调整为所述动静脉分割结果图中相同位置的血管的动静脉类型,将血管融合图中未能确定动静脉类型的血管作为未知血管。
在一些示例性的实施方式中,所述确定模块903具体被配置为:
若所述未知血管与所述动脉血管连通,则所述未知血管的动静脉类型为动脉;
若所述未知血管与所述静脉血管连通,则所述未知血管的动静脉类型为静脉。
由于本发明实施例中的计算机存储介质可以应用于上述处理方法,因此,其所能获得的技术效果也可参考上述方法实施例,本发明的实施例在此不再赘述。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (9)
1.一种肺部血管分割方法,其特征在于,该方法包括:
根据肺部CT图像获取肺部血管对应的动静脉分割结果图以及血管分布图;其中,所述血管分布图中包括的血管数目多于所述动静脉分割结果图中的血管数目;
对所述动静脉分割结果图和所述血管分布图进行融合处理,获得血管融合图;其中,所述血管融合图中包括动脉血管、静脉血管以及未知动静脉类型的未知血管;
针对所述未知血管,计算所述未知血管对应的区域的连通区域,若所述连通区域与所述动脉血管对应的区域连通,则所述未知血管的动静脉类型为动脉;若所述连通区域与所述静脉血管对应的区域连通,则所述未知血管的动静脉类型为静脉。
2.如权利要求1所述的方法,其特征在于,在所述计算所述未知血管对应的区域的连通区域,若所述连通区域与所述动脉血管对应的区域连通,则所述未知血管的动静脉类型为动脉;若所述连通区域与所述静脉血管对应的区域连通,则所述未知血管的动静脉类型为静脉之后,还包括:
若所述血管融合图中还存在未知血管,则从所述血管融合图中识别由未知血管组成的血管骨架;
对所述血管骨架中与骨架点连接的预设范围内的血管骨架进行膨胀处理,得到骨架点膨胀区域;
根据所述骨架点膨胀区域与所述动脉血管的第一重叠部分,和/或所述骨架点膨胀区域与所述静脉血管的第二重叠部分,确定所述血管骨架包括的未知血管的动静脉类型。
3.如权利要求2所述的方法,其特征在于,所述根据所述骨架点膨胀区域与所述动脉血管的第一重叠部分,和/或所述骨架点膨胀区域与所述静脉血管的第二重叠部分,确定所述血管骨架包括的未知血管的动静脉类型,包括:
若存在所述第一重叠部分,则确定所述血管骨架包括的未知血管的动静脉类型为动脉;或
若存在所述第二重叠部分,则确定所述血管骨架包括的未知血管的动静脉类型为静脉;或
若同时存在第一重叠部分与第二重叠部分,则当所述第一重叠部分大于所述第二重叠部分时,确定所述血管骨架包括的未知血管的动静脉类型为动脉;当所述第一重叠部分小于所述第二重叠部分时,确定所述血管骨架包括的未知血管的动静脉类型为静脉。
4.如权利要求1所述的方法,其特征在于,所述根据肺部CT图像获取肺部血管对应的动静脉分割结果图以及血管分布图,包括:
基于深度学习分割算法,对所述肺部CT图像进行类型分割处理,确定所述肺部CT图像对应的动静脉分割结果图;以及
基于血管增强算法,对所述肺部CT图像进行细节增强处理,确定所述肺部CT图像对应的血管分布图。
5.如权利要求1所述的方法,其特征在于,所述对所述动静脉分割结果图和所述血管分布图进行融合处理,获得血管融合图,还包括:
将所述血管融合图中血管的动静脉类型调整为所述动静脉分割结果图中相同位置的血管的动静脉类型,将血管融合图中未能确定动静脉类型的血管作为未知血管。
6.一种肺部血管分割设备,其特征在于,包括:存储器和处理器;
其中,所述存储器被配置为存储程序;
所述处理器被配置为根据肺部CT图像获取肺部血管对应的动静脉分割结果图以及血管分布图;其中,所述血管分布图中包括的血管数目多于所述动静脉分割结果图中的血管数目;对所述动静脉分割结果图和所述血管分布图进行融合处理,获得血管融合图;其中,所述血管融合图中包括动脉血管、静脉血管以及未知动静脉类型的未知血管;针对所述未知血管,计算所述未知血管对应的区域的连通区域,若所述连通区域与所述动脉血管对应的区域连通,则所述未知血管的动静脉类型为动脉;若所述连通区域与所述静脉血管对应的区域连通,则所述未知血管的动静脉类型为静脉。
7.如权利要求6所述的设备,其特征在于,所述处理器还被配置为:
在所述根据所述未知血管与所述动脉血管或所述静脉血管的连通性,确定所述未知血管的动静脉类型之后,若所述血管融合图中还存在未知血管,则从所述血管融合图中识别由未知血管组成的血管骨架;
对所述血管骨架中与骨架点连接的预设范围内的血管骨架进行膨胀处理,得到骨架点膨胀区域;
根据所述骨架点膨胀区域与所述动脉血管的第一重叠部分,和/或所述骨架点膨胀区域与所述静脉血管的第二重叠部分,确定所述血管骨架包括的未知血管的动静脉类型。
8.一种肺部血管分割装置,其特征在于,包括:
获取模块,用于根据肺部CT图像获取肺部血管对应的动静脉分割结果图以及血管分布图;其中,所述血管分布图中包括的血管数目多于所述动静脉分割结果图中的血管数目;
融合模块,用于对所述动静脉分割结果图和所述血管分布图进行融合处理,获得血管融合图;其中,所述血管融合图中包括动脉血管、静脉血管以及未知动静脉类型的未知血管;
确定模块,用于针对所述未知血管,计算所述未知血管对应的区域的连通区域,若所述连通区域与所述动脉血管对应的区域连通,则所述未知血管的动静脉类型为动脉;若所述连通区域与所述静脉血管对应的区域连通,则所述未知血管的动静脉类型为静脉。
9.一种计算机可读存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令用于执行如权利要求1~5中任一项所述的肺部血管分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010756697.0A CN111932554B (zh) | 2020-07-31 | 2020-07-31 | 一种肺部血管分割方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010756697.0A CN111932554B (zh) | 2020-07-31 | 2020-07-31 | 一种肺部血管分割方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932554A CN111932554A (zh) | 2020-11-13 |
CN111932554B true CN111932554B (zh) | 2024-03-22 |
Family
ID=73315026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010756697.0A Active CN111932554B (zh) | 2020-07-31 | 2020-07-31 | 一种肺部血管分割方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932554B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096066B (zh) * | 2021-02-26 | 2023-02-10 | 杭州臻合健康科技有限公司 | 一种基于智能肝门静脉的分型方法 |
CN113256670A (zh) * | 2021-05-24 | 2021-08-13 | 推想医疗科技股份有限公司 | 图像处理方法及装置、网络模型的训练方法及装置 |
CN113409328B (zh) * | 2021-06-02 | 2024-01-02 | 东北大学 | Ct图像的肺动静脉分割方法、装置、介质及设备 |
CN113538415A (zh) * | 2021-08-16 | 2021-10-22 | 深圳市旭东数字医学影像技术有限公司 | 医学图像中肺部血管的分割方法、装置及电子设备 |
WO2023186133A1 (zh) * | 2022-04-02 | 2023-10-05 | 武汉联影智融医疗科技有限公司 | 一种用于穿刺路径规划的系统及方法 |
CN115147359B (zh) * | 2022-06-06 | 2023-04-07 | 北京医准智能科技有限公司 | 肺叶分割网络模型训练方法、装置、电子设备及存储介质 |
CN115100230B (zh) * | 2022-08-24 | 2023-02-28 | 首都医科大学附属北京朝阳医院 | 基于血管图像的动静脉分离方法、装置、存储介质及终端 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997009690A1 (en) * | 1995-09-05 | 1997-03-13 | Northrop Grumman Corporation | Data dimensional sieving and fuzzy connectivity for mri image analysis |
CN101146825A (zh) * | 2005-02-14 | 2008-03-19 | 阿波罗生命科学有限公司 | 分子及其嵌合分子 |
CN101631513A (zh) * | 2006-10-20 | 2010-01-20 | 奥巴斯尼茨医学公司 | 可生物吸收的聚合物组合物和医疗设备 |
CN101999885A (zh) * | 2010-12-21 | 2011-04-06 | 中国人民解放军国防科学技术大学 | 一种自动分离动静脉血管的内源光学成像方法 |
CN102048550A (zh) * | 2009-11-02 | 2011-05-11 | 上海交通大学医学院附属仁济医院 | 一种自动生成肝脏3d图像并准确定位肝脏血管支配区域的方法 |
CN104102899A (zh) * | 2014-05-23 | 2014-10-15 | 首都医科大学附属北京同仁医院 | 视网膜血管识别方法及装置 |
WO2015052922A1 (ja) * | 2013-10-07 | 2015-04-16 | 学校法人近畿大学 | 画像処理装置、画像処理方法、及びコンピュータプログラム |
CN104573712A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学 | 基于眼底图像的动静脉视网膜血管分类方法 |
JP2016154730A (ja) * | 2015-02-25 | 2016-09-01 | 富士フイルム株式会社 | 画像処理装置、方法、及びプログラム |
JP2017124063A (ja) * | 2016-01-14 | 2017-07-20 | 国立大学法人 名古屋工業大学 | 動脈血管検出装置および動脈血管評価装置 |
CN107899126A (zh) * | 2011-08-24 | 2018-04-13 | 消融系统有限公司 | 用于血管壁注射和血管周肾去神经支配的导管系统 |
CN108073918A (zh) * | 2018-01-26 | 2018-05-25 | 浙江大学 | 眼底视网膜的血管动静脉交叉压迫特征提取方法 |
CN108764286A (zh) * | 2018-04-24 | 2018-11-06 | 电子科技大学 | 一种基于迁移学习的血管图像中特征点的分类识别方法 |
WO2019033121A1 (en) * | 2017-08-11 | 2019-02-14 | Elixir Medical Corporation | RELEASE OF STENT |
CN109522842A (zh) * | 2018-11-16 | 2019-03-26 | 中国民航大学 | 一种基于手指静脉图像的血管网络修复方法 |
CN109712695A (zh) * | 2018-12-25 | 2019-05-03 | 上海联影医疗科技有限公司 | 血管图像的处理方法及交互显示方法、计算机装置 |
CN109741344A (zh) * | 2018-12-28 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 血管分割方法、装置、医疗影像设备及存储介质 |
CN110189258A (zh) * | 2019-07-23 | 2019-08-30 | 南京景三医疗科技有限公司 | 基于mri多模态序列的颈动脉管腔和管壁自动分割方法 |
CN209859453U (zh) * | 2019-04-10 | 2019-12-27 | 江苏省人民医院(南京医科大学第一附属医院) | 一种用于内瘘血管通路常见病变的教学演示装置 |
CN110689080A (zh) * | 2019-09-30 | 2020-01-14 | 天津工业大学 | 一种血管结构影像的平面图谱构建方法 |
CN110751636A (zh) * | 2019-10-12 | 2020-02-04 | 天津工业大学 | 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 |
CN111340789A (zh) * | 2020-02-29 | 2020-06-26 | 平安科技(深圳)有限公司 | 眼底视网膜血管识别及量化方法、装置、设备及存储介质 |
-
2020
- 2020-07-31 CN CN202010756697.0A patent/CN111932554B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997009690A1 (en) * | 1995-09-05 | 1997-03-13 | Northrop Grumman Corporation | Data dimensional sieving and fuzzy connectivity for mri image analysis |
CN101146825A (zh) * | 2005-02-14 | 2008-03-19 | 阿波罗生命科学有限公司 | 分子及其嵌合分子 |
CN101631513A (zh) * | 2006-10-20 | 2010-01-20 | 奥巴斯尼茨医学公司 | 可生物吸收的聚合物组合物和医疗设备 |
CN102048550A (zh) * | 2009-11-02 | 2011-05-11 | 上海交通大学医学院附属仁济医院 | 一种自动生成肝脏3d图像并准确定位肝脏血管支配区域的方法 |
CN101999885A (zh) * | 2010-12-21 | 2011-04-06 | 中国人民解放军国防科学技术大学 | 一种自动分离动静脉血管的内源光学成像方法 |
CN107899126A (zh) * | 2011-08-24 | 2018-04-13 | 消融系统有限公司 | 用于血管壁注射和血管周肾去神经支配的导管系统 |
WO2015052922A1 (ja) * | 2013-10-07 | 2015-04-16 | 学校法人近畿大学 | 画像処理装置、画像処理方法、及びコンピュータプログラム |
CN104102899A (zh) * | 2014-05-23 | 2014-10-15 | 首都医科大学附属北京同仁医院 | 视网膜血管识别方法及装置 |
CN104573712A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学 | 基于眼底图像的动静脉视网膜血管分类方法 |
JP2016154730A (ja) * | 2015-02-25 | 2016-09-01 | 富士フイルム株式会社 | 画像処理装置、方法、及びプログラム |
JP2017124063A (ja) * | 2016-01-14 | 2017-07-20 | 国立大学法人 名古屋工業大学 | 動脈血管検出装置および動脈血管評価装置 |
WO2019033121A1 (en) * | 2017-08-11 | 2019-02-14 | Elixir Medical Corporation | RELEASE OF STENT |
CN108073918A (zh) * | 2018-01-26 | 2018-05-25 | 浙江大学 | 眼底视网膜的血管动静脉交叉压迫特征提取方法 |
CN108764286A (zh) * | 2018-04-24 | 2018-11-06 | 电子科技大学 | 一种基于迁移学习的血管图像中特征点的分类识别方法 |
CN109522842A (zh) * | 2018-11-16 | 2019-03-26 | 中国民航大学 | 一种基于手指静脉图像的血管网络修复方法 |
CN109712695A (zh) * | 2018-12-25 | 2019-05-03 | 上海联影医疗科技有限公司 | 血管图像的处理方法及交互显示方法、计算机装置 |
CN109741344A (zh) * | 2018-12-28 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 血管分割方法、装置、医疗影像设备及存储介质 |
CN209859453U (zh) * | 2019-04-10 | 2019-12-27 | 江苏省人民医院(南京医科大学第一附属医院) | 一种用于内瘘血管通路常见病变的教学演示装置 |
CN110189258A (zh) * | 2019-07-23 | 2019-08-30 | 南京景三医疗科技有限公司 | 基于mri多模态序列的颈动脉管腔和管壁自动分割方法 |
CN110689080A (zh) * | 2019-09-30 | 2020-01-14 | 天津工业大学 | 一种血管结构影像的平面图谱构建方法 |
CN110751636A (zh) * | 2019-10-12 | 2020-02-04 | 天津工业大学 | 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 |
CN111340789A (zh) * | 2020-02-29 | 2020-06-26 | 平安科技(深圳)有限公司 | 眼底视网膜血管识别及量化方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
"动静脉血管自动分类方法及其管径测量";薛岚燕等;《仪表仪器学报》;第38卷(第9期);第2307-2316页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111932554A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932554B (zh) | 一种肺部血管分割方法、设备及存储介质 | |
EP3723038A1 (en) | Fast calculation method and system employing plaque stability index of medical image sequence | |
US8526699B2 (en) | Method and system for automatic detection and classification of coronary stenoses in cardiac CT volumes | |
US8515133B2 (en) | Structure detection apparatus and method, and computer-readable medium storing program thereof | |
US20220284584A1 (en) | Computerised tomography image processing | |
KR102050649B1 (ko) | 2차원 x-선 조영영상의 혈관 구조 추출 방법, 이를 수행하기 위한 기록매체 및 장치 | |
CN108324300B (zh) | 用于血管分段的方法和装置 | |
JP2019509813A (ja) | 冠動脈において健全な管腔径を推定し狭窄を定量化するためのシステム及び方法 | |
US9406141B2 (en) | Segmentation of a structure | |
CN105103163A (zh) | 血管内图像中的多模态分割 | |
CN109360209B (zh) | 一种冠状血管分割方法及系统 | |
US9198603B2 (en) | Device, method and program for searching for the shortest path in a tubular structure | |
CN114424290A (zh) | 冠状动脉钙负荷的纵向显示 | |
CN116503607B (zh) | 一种基于深度学习的ct图像分割方法和系统 | |
CN114972376A (zh) | 冠脉钙化斑块的分割方法、分割模型训练方法、相关装置 | |
KR20210060923A (ko) | 의료용 인공 신경망 기반 대표 영상을 제공하는 의료 영상 판독 지원 장치 및 방법 | |
Lin et al. | Retinal vascular tree reconstruction with anatomical realism | |
US20230222668A1 (en) | Image processing apparatus, image processing method, and recording medium | |
CN113744215A (zh) | 三维断层扫描图像中树状管腔结构中心线的提取方法和装置 | |
CN115769252A (zh) | 基于深度学习获取主动脉的方法和存储介质 | |
WO2020054019A1 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN113658172B (zh) | 图像处理方法及装置、计算机可读存储介质及电子设备 | |
CN115222665B (zh) | 一种斑块检测方法、装置、电子设备及可读存储介质 | |
CN116934743B (zh) | 医学影像肿瘤恶性风险评估方法、系统、设备和存储介质 | |
EP4315237A1 (en) | Systems and methods for automatic blood vessel extraction |
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 |