CN112308844A - 血管管腔提取方法、装置、电子设备和存储介质 - Google Patents
血管管腔提取方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112308844A CN112308844A CN202011205786.2A CN202011205786A CN112308844A CN 112308844 A CN112308844 A CN 112308844A CN 202011205786 A CN202011205786 A CN 202011205786A CN 112308844 A CN112308844 A CN 112308844A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- historical
- images
- image
- vessel lumen
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 333
- 238000000605 extraction Methods 0.000 title claims abstract description 146
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012216 screening Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 9
- 230000002792 vascular Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 42
- 239000000523 sample Substances 0.000 description 15
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 238000002608 intravascular ultrasound Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000004872 soft tissue Anatomy 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明实施例公开了一种血管管腔提取方法、装置、电子设备和存储介质。该方法包括:获取具有血管的待提取图像;将所述待提取图像输入到训练好的血管管腔提取模型中,得到所述待提取图像的血管管腔;其中,所述训练好的血管管腔提取模型是基于多组历史血管图像和与所述历史血管图像对应的历史标注图像训练得到的。以实现快速、精确的提取出血管管腔的效果。
Description
技术领域
本发明实施例涉及医学图像技术,尤其涉及一种血管管腔提取方法、装置、电子设备和存储介质。
背景技术
心血管疾病在全球有很高的死亡率,而血管内超声技术是主流的心血管疾病诊断工具。其是一种血管内成像技术,通过将传感器探头插入动脉血管,可以实时获得高清的血管断层图像。而通过图像中内外膜的勾画,能具体评估血管内的形态特征以及斑块状况,如管腔直径,最小管腔横截面积,粥样斑体积等。这些信息为医生诊断是否需要放置支架或放置什么支架提供了量化依据。
目前,血管内超声图像的自动分割方法一般需要结合考虑血管内超声图像的灰度特征、序列时间特性和先验知识等三类信息。先由序列时间特性和先验知识减少噪声和伪像干扰,提取出第一帧图像的初始血管结构;然后用结合梯度、灰度方差和灰度均值信息的B样条GVF snake对初始结构进行变形得到第一帧的最终结构;最后利用序列图像的时间特性提取后续帧的结构。
上述方法需要工程师具有较高的图像算法知识,且存在很多可变参数需要手动依据经验调节,费时费力,且在结果精度和鲁棒性方面效果不好。
发明内容
本发明实施例提供一种血管管腔提取方法、装置、电子设备和存储介质,以实现快速、精确的提取出血管管腔的效果。
第一方面,本发明实施例提供了一种血管管腔提取方法,该方法包括:
获取具有血管的待提取图像;
将所述待提取图像输入到训练好的血管管腔提取模型中,得到所述待提取图像的血管管腔;其中,所述训练好的血管管腔提取模型是基于多组历史血管图像和与所述历史血管图像对应的历史标注图像训练得到的。
第二方面,本发明实施例还提供了一种血管管腔提取装置,该装置包括:
待提取图像获取模块,用于获取具有血管的待提取图像;
血管管腔提取模块,用于将所述待提取图像输入到训练好的血管管腔提取模型中,得到所述待提取图像的血管管腔;其中,所述训练好的血管管腔提取模型是基于多组历史血管图像和与所述历史血管图像对应的历史标注图像训练得到的。
第三方面,本发明实施例还提供了一种电子设备,该电子设备包括:
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,使得所述一个或多个处理器实现本发明实施例中任一所述的血管管腔提取方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行本发明实施例中任一所述的血管管腔提取方法。
本发明实施例的技术方案,通过将获取的待提取图像输入到训练好的血管管腔提取模型中,进而直接得到待提取图像的血管管腔,这样可针对获取的待提取图像,快速、准确的提取出血管管腔,减轻了算法开发负担,降低了算法开发难度,避免了现有技术中需要手动调节各算法参数,造成的血管管腔提取效率低下、准确性地的问题。
附图说明
图1是本发明实施例一中的血管管腔提取方法的流程图;
图2是本发明实施例二中的血管管腔提取方法的流程图;
图3是本发明实施例三中的血管管腔提取方法的流程图;
图4是本发明实施例四中的血管管腔提取装置的结构示意图;
图5是本发明实施例五中的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的血管管腔提取方法的流程图,本实施例可适用于快速、精确的提取血管管腔的情况,该方法可以由血管管腔提取装置来执行,该血管管腔提取装置可以由软件和/或硬件来实现,该血管管腔提取装置可以配置在电子计算设备上,具体包括如下步骤:
S110、获取具有血管的待提取图像。
示例性的,待提取图像可以是包含有血管的图像,例如,可以是血管内超声(intravenous ultrasound,IVUS)图像。
S120、将待提取图像输入到训练好的血管管腔提取模型中,得到待提取图像的血管管腔;其中,训练好的血管管腔提取模型是基于多组历史血管图像和与历史血管图像对应的历史标注图像训练得到的。
示例性的,血管管腔提取模型可以是一个基于深度学习的神经网络模型。例如可以是bas-net神经网络模型。
历史血管图像可以是已扫描获取的包含血管的图像,例如,可以是历史血管内超声图像。
与历史血管图像对应的历史标注图像可以是将历史血管图像中的血管进行标注出来的图像,例如,可以是医师利用3d-slice之类的标注软件,在每张历史血管图像上勾勒出血管管腔的内外壁,作为标注信息,保存为png或jpg格式的图片,该图像即为与该历史血管图像对应的历史标注图像。
利用多组历史血管图像和与历史血管图像对应的历史标注图像对血管管腔提取模型进行训练,得到训练好的血管管腔提取模型。将待提取图像输入到该训练好的血管管腔提取模型中,可直接得到该待提取图像的血管管腔。这样可针对获取的待提取图像,快速、准确的提取出血管管腔,减轻了算法开发负担,降低了算法开发难度,避免了现有技术中需要手动调节各算法参数,造成的血管管腔提取效率低下、准确性地的问题。
本发明实施例的技术方案,通过将获取的待提取图像输入到训练好的血管管腔提取模型中,进而直接得到待提取图像的血管管腔,这样可针对获取的待提取图像,快速、准确的提取出血管管腔,减轻了算法开发负担,降低了算法开发难度,避免了现有技术中需要手动调节各算法参数,造成的血管管腔提取效率低下、准确性地的问题。
实施例二
图2为本发明实施例二提供的血管管腔提取方法的流程图,本发明实施例与上述实施例中各个可选方案可以结合。在本发明实施例中,可选的,所述血管管腔提取模型的训练方法,包括:获取多组历史血管图像和与历史血管图像对应的历史标注图像,其中,历史标注图像是对历史血管图像中的血管内外壁进行勾画后的图像;将多组历史血管图像和历史标注图像输入血管管腔提取模型中,对血管管腔提取模型进行迭代训练,得到训练好的血管管腔提取模型。
如图2所示,本发明实施例的方法具体包括如下步骤:
S210、获取多组历史血管图像和与历史血管图像对应的历史标注图像。
示例性的,在对血管管腔提取模型进行训练时,首先要提取多组历史血管图像和与历史血管图像对应的历史标注图像。
需要说明的是,这里的历史血管图像可以是从医院的图像数据库或其他途径中获取的历史病人的血管内超声图像。对应的历史标注图像可以是分别对各历史血管图像中的血管内外壁进行勾勒标注后的图像。
需要说明的是,具体的历史血管图像的获取方式,这里不做限定,只要可获取到历史血管图像的方式均属于本发明的保护范围。同样的,这里的对历史血管图像中的血管内外壁进行勾勒标注也局限于上述实施例中的3d-slice之类的标注软件,任何可将历史血管图像中的血管内外壁进行勾勒标注的方式均属于本发明的保护范围。
S220、将多组历史血管图像和历史标注图像输入血管管腔提取模型中,对血管管腔提取模型进行迭代训练,得到训练好的血管管腔提取模型。
示例性的,将获取的多组历史血管图像和对应的历史标注图像输入到待训练的血管管腔提取模型中,对该待训练的血管管腔提取模型进行迭代训练,即可得到训练好的血管管腔提取模型。
这样利用多组历史血管图像和历史标注图像对待训练的血管管腔提取模型进行训练,得到训练好的血管管腔提取模型,以便后续可基于该训练好的血管管腔提取模型对待提取图像进行血管管腔的快速、精确的提取。
可选的,所述对血管管腔提取模型进行迭代训练,具体可以是:基于血管管腔提取模型对历史血管图像进行分类,得到历史血管图像的血管内外壁分类图像;将历史血管图像的血管内外壁分类图像与对应的历史标注图像进行比对,确定血管管腔提取模型的损失函数,当损失函数小于预设阈值时,确定血管管腔提取模型训练完成。
示例性的,历史血管图像的血管内外壁分类图像可以是待训练的血管管腔提取模型对历史血管图像进行分类后,得到的勾勒出血管内外壁的图像。
预设阈值可以是预先设置的损失函数的阈值,当待训练的血管管腔提取模型的损失函数小于该值时,证明该待训练的血管管腔提取模型已训练完成。
当获取历史血管图像后,将各历史血管图像输入到待训练的血管管腔提取模型中,对该待训练的血管管腔提取模型中的各网络结构的参数进行调整,可对各历史血管图像中所包含的血管等内容进行分类,得到各分类图像。
具体的,以任一历史血管图像为例,在该历史血管图像中不仅包含有血管,可能还包含有其他软组织成分,将该历史血管图像输入到待训练的血管管腔提取模型中,该待训练的血管管腔提取模型会将该历史血管图像中所包含的内容进行分类,例如,将历史血管图像中的血管内外壁勾勒,得到该历史血管图像中的血管的分类图像,以及将历史血管图像中的软组织部分进行勾画,得到该历史血管图像中的软组织部分的分类图像。这样即可实现了对该历史血管图像的分类,进而得到了该历史血管图像中的所有血管内外壁进行勾勒出来的血管内外壁分类图像。
将得到的各历史血管图像的血管内外壁分类图像分别与各历史血管图像的历史标注图像进行比对,确定待训练的血管管腔提取模型的损失函数,当该待训练的血管管腔提取模型的损失函数小于预设阈值时,则确定该待训练的血管管腔提取模型训练完成。
可选的,所述确定血管管腔提取模型的损失函数,具体可以是:基于如下公式(1),确定血管管腔提取模型的损失函数:
其中,对于任一样本(x,y),y是该样本对应的真实分类结果,预测分类结果为所有分类结果的集合,假设有k个标签值,第i个样本预测为第K个标签的概率为pi,k,N为样本总数,Llog为历史血管图像的预设分类结果与真实分类结果的损失函数。
示例性的,根据上述公式(1),来确定待训练的血管管腔提取模型的损失函数。具体的对于任一历史血管图像,将其输入待训练的血管管腔提取模型中后,根据输入的分类图像,确定该分类图像是属于血管分类图像还是软组织分类图像的概率(即预测分类结果),将该预测分类结果与该历史血管图像对应的历史标注图像(真实分类结果)利用上述公式进行计算,得到该待训练的血管管腔提取模型的损失函数。
需要说明的是,上述公式(1)是对现有技术中的二分类交叉熵损失函数进行改进后的多分类交叉熵损失函数。在现有技术中,对分类问题的神经网络模型的损失函数均是采用的二分类交叉熵损失函数(如公式(2)),对于样本(x,y)来讲,x为样本,y为该样本对应的真实标签。在二分类问题中,其取值的集合可能为{0,1},假设某个样本的真实标签为yt,该样本的yt=1的概率为yp,则该样本的损失函数为:
log(yt|yp)=-(yt*log(yp)+(1-yt)log(1-yp)) (2)
需要说明的是,如果对于整个数据集上的模型而言:其损失函数就是所有样本的点的损失函数的平均值。
但是在本发明实施例的血管管腔提取模型中,并不是二分类的任务,而是三分类的任务,通常把分类类别数大于等于3的成为多分类,因此不适合用二分类的交叉熵,所以,本发明实施例中替换成了上述公式(1)的多分类的交叉熵函数。
这样对现有技术中的二分类交叉熵损失函数进行改进,得到本发明实施例中的多分类交叉熵损失函数,利用改进的多分类交叉熵损失函数对本发明实施例中的待训练的血管管腔提取模型的损失函数进行计算,这样可得到更加精确的血管管腔提取模型。
需要说明的是,在对待训练的血管管腔提取模型进行迭代训练时,根据得到的多分类交叉熵损失函数,将损失函值大的对应的历史血管图像进行删除,然后利用损失函数值小的历史血管图像和对应的历史标注图像继续对待训练的血管管腔提取模型进行迭代信息,直至损失函数的值小于预设阈值。
S230、获取具有血管的待提取图像。
S240、将待提取图像输入到训练好的血管管腔提取模型中,得到待提取图像的血管管腔;其中,训练好的血管管腔提取模型是基于多组历史血管图像和与历史血管图像对应的历史标注图像训练得到的。
本发明实施例的技术方案,通过将获取的多组历史血管图像和与历史血管图像对应的历史标注图像输入待训练的血管管腔提取模型中,对待训练的血管管腔提取模型进行迭代训练,得到训练好的血管管腔提取模型。这样以便后续可基于该训练好的血管管腔提取模型对待提取图像进行血管管腔的快速、精确的提取。
实施例三
图3为本发明实施例三提供的血管管腔提取方法的流程图,本发明实施例与上述实施例中各个可选方案可以结合。在本发明实施例中,可选的,在所述将多组历史血管图像和历史标注图像输入血管管腔提取模型中之前,所述方法还包括:基于预设筛选规则,对历史标注图像进行筛选,剔除不合格的历史标注图像;其中,不合格的历史标注图像包括:血管内外壁勾画有误的历史标注图像和/或血管内外壁漏勾画的历史标注图像;对应的,在筛选历史标注图像后,将与剔除的历史标注图像对应的历史血管图像对应剔除。在所述将多组历史血管图像和历史标注图像输入血管管腔提取模型中之前,所述方法还包括:将筛选后的历史血管图像和筛选后的历史标注图像分别进行预设增强规则进行图像增强,得到目标历史血管图像和与目标历史血管图像对应的目标历史标注图像;对应的,所述将多组历史血管图像和历史标注图像输入血管管腔提取模型中,包括:将多组目标历史血管图像和目标历史标注图像输入血管管腔提取模型中。
如图3所示,本发明实施例的方法具体包括如下步骤:
S310、获取多组历史血管图像和与历史血管图像对应的历史标注图像。
S320、基于预设筛选规则,对历史标注图像进行筛选,剔除不合格的历史标注图像,并将与剔除的历史标注图像对应的历史血管图像对应剔除。
示例性的,预设筛选规则可以是预先设置的对历史标注图像进行筛选的规则,例如,可以是将历史标注图像中血管内外壁勾画有误的历史标注图像和/或血管内外壁漏勾画的历史标注图像进行删除的规则。
不合格的历史标注图像可以是血管内外壁勾画有误的历史标注图像和/或血管内外壁漏勾画的历史标注图像等不合格的图像。
通过上述预设筛选规则将血管内外壁勾画有误的历史标注图像和/或血管内外壁漏勾画的历史标注图像删除掉后,对应的,也要将与删除掉的历史标注图像对应的历史血管图像进行删除。
具体的利用预设筛选规则将不合格的历史标注图像进行删除可以是使用全部的历史标注图像和历史血管图像训练一个模型,具体的方式可以是将历史血管图像输入到该待训练的模型中,得到该历史血管图像对应的预测标注图像,将该预测标注图像与历史血管图像对应的历史标注图像进行比对,例如可以是进行交并比或交叉熵损失函数的计算,来对预测标注图像与历史血管图像对应的历史标注图像进行比对,当交并比或交叉熵损失函数的值小于预设值时,则证明该待训练的模型训练完成,即该预设标注图像可以使用,不用剔除。剔除掉交并比或交叉熵损失函数的值大的历史标注图像,交并比或交叉熵损失函数的值大的历史标注图像即为血管内外壁勾画有误的历史标注图像和/或血管内外壁漏勾画的历史标注图像,将剩余的历史标注图像进行后续的计算。
需要说明的是,除了上述所述的交并比或交叉熵损失函数的计算,还可以是利用信噪比的计算来对不合格的标注图像数据进行删除。具体的可以是计算预设标注图像的图像噪声,以及历史标注图像的图像噪声,将两者的图像噪声进行比对,计算两者的信噪比。
需要说明的是,上述具体的是利用交并比、信噪比还是交叉熵损失函数,可根据用户需求自行选取,还可以是选取上述三种方式中的至少两种,以增加准确度。当然,还可以利用除了上述三种方式外的方式来对历史标注图像进行清洗删除,任何可对历史标注图像进行清洗删除的方式均属于本发明实施例的保护范围。
这样将不合格的历史标注图像和对应的历史血管图像删除掉,以避免这些不合格的图像对后续待训练的血管管腔提取模型的训练造成影响,影响待训练的血管管腔提取模型的训练精度。
S330、将筛选后的历史血管图像和筛选后的历史标注图像分别进行预设增强规则进行图像增强,得到目标历史血管图像和与目标历史血管图像对应的目标历史标注图像。
示例性的,预设增强规则可以是预先设置的进行图像增强的规则,具体的可以是进行图像数量增强的规则,这样可增加待训练的血管管腔提取模型的训练样本。
目标历史血管图像可以是对筛选后的历史血管图像进行预设增强规则后,得到的历史血管图像。
目标历史标注图像可以是对筛选后的历史标注图像进行与其对应的筛选后的历史血管图像同样的增强方式后得到的历史标注图像。
可选的,这里的预设增强规则可以是对筛选后的历史血管图像和筛选后的历史标注图像分别进行上和/或下和/或左和/或右翻转。这样可进一步的丰富要输入到待训练的血管管腔提取模型中的历史血管图像和对应的历史标注图像的样本数量,减少过拟合程度。
需要说明的是,这里的对筛选后的历史血管图像和筛选后的历史标注图像进行预设增强规则进行图像增强时,要对筛选后的历史血管图像和筛选后的历史标注图像进行同步的图像增强。例如,若对某一筛选后的历史血管图像进行上翻转,则对该筛选后的历史血管图像对应的历史标注图像也进行上翻转。
S340、将多组目标历史血管图像和目标历史标注图像输入血管管腔提取模型中,对血管管腔提取模型进行迭代训练,得到训练好的血管管腔提取模型。
示例性的,将得到的多组目标历史血管图像和对应的目标历史标注图像输入到待训练的血管管腔提取模型中,对待训练的血管管腔提取模型进行迭代训练,得到训练好的血管管腔提取模型。
S350、获取具有血管的待提取图像。
S360、将待提取图像输入到训练好的血管管腔提取模型中,得到待提取图像的血管管腔;其中,训练好的血管管腔提取模型是基于多组历史血管图像和与历史血管图像对应的历史标注图像训练得到的。
示例性的,经过本发明实施例的技术方案,提取出的血管管腔的准确性相比现有技术而言,具有更高的准确度。具体的如下表所示的分别就血管管腔和血管外膜针对JACC(Jaccard Measure)和HD(Hausdorff Distance)这两个个测试指标进行比对,来说明本发明实施例的技术方案的准确度。
需要说明的是,本领域技术人员所公知的,只要JACC和HD中任一指标比现有技术中要好,就确认该模型的准确度比现有技术的准确度高。且本领域技术人员所公知的,虽然上表中的本申请中的HD这个指标的数值比现有技术中的要低,但这并不代表本申请中的HD指标没有现有技术效果高,本领域技术人员所公知的,HD指标是根据实际应用场景来决定的,即有的应用场景中,HD数值高效果好,但在有的应用场景中,HD数值低效果好,而在本发明实施例的应用场景中,HD数值低效果好。
需要说明的,针对本发明实施例的技术方案,还进行了PAD(Percentage of AreaDifference)指标的计算,在本发明实施例的技术方案中,针对PAD这个指标,Lumen的数值为0.0670,Media的数值为0.0423。
本发明实施例的技术方案,通过基于预设筛选规则,对历史标注图像进行筛选,剔除不合格的历史标注图像,并将与剔除的历史标注图像对应的历史血管图像对应剔除,这样将不合格的历史标注图像和对应的历史血管图像删除掉,以避免这些不合格的图像对后续待训练的血管管腔提取模型的训练造成影响,影响待训练的血管管腔提取模型的训练精度。将筛选后的历史血管图像和筛选后的历史标注图像分别进行预设增强规则进行图像增强,得到目标历史血管图像和与目标历史血管图像对应的目标历史标注图像,这样可进一步的丰富要输入到待训练的血管管腔提取模型中的历史血管图像和对应的历史标注图像的样本数量,减少过拟合程度。
实施例四
图4为本发明实施例四提供的血管管腔提取装置的结构示意图,如图4所示,该装置包括:待提取图像获取模块31和血管管腔提取模块32。
其中,待提取图像获取模块31,用于获取具有血管的待提取图像;
血管管腔提取模块32,用于将所述待提取图像输入到训练好的血管管腔提取模型中,得到所述待提取图像的血管管腔;其中,所述训练好的血管管腔提取模型是基于多组历史血管图像和与所述历史血管图像对应的历史标注图像训练得到的。
在本发明实施例的技术方案的基础上,该装置还包括:
历史图像获取模块,用于获取多组历史血管图像和与所述历史血管图像对应的历史标注图像,其中,所述历史标注图像是对所述历史血管图像中的血管内外壁进行勾画后的图像;
模型训练模块,用于将多组所述历史血管图像和所述历史标注图像输入所述血管管腔提取模型中,对所述血管管腔提取模型进行迭代训练,得到训练好的所述血管管腔提取模型。
在本发明实施例的技术方案的基础上,模型训练模块包括:
分类单元,用于基于所述血管管腔提取模型对所述历史血管图像进行分类,得到所述历史血管图像的血管内外壁分类图像;
模型完成训练单元,用于将所述历史血管图像的血管内外壁分类图像与对应的所述历史标注图像进行比对,确定所述血管管腔提取模型的损失函数,当所述损失函数小于预设阈值时,确定所述血管管腔提取模型训练完成。
在本发明实施例的技术方案的基础上,模型完成训练单元具体用于:
将所述历史血管图像的血管内外壁分类图像与对应的所述历史标注图像进行比对,基于如下公式,确定所述血管管腔提取模型的损失函数,当所述损失函数小于预设阈值时,确定所述血管管腔提取模型训练完成。
其中,对于任一样本(x,y),y是该样本对应的真实分类结果,预测分类结果为所有分类结果的集合,假设有k个标签值,第i个样本预测为第K个标签的概率为pi,k,N为样本总数,Llog为历史血管图像的预设分类结果与真实分类结果的损失函数。
在本发明实施例的技术方案的基础上,该装置还包括:
第一筛选模块,用于基于预设筛选规则,对所述历史标注图像进行筛选,剔除不合格的所述历史标注图像;其中,所述不合格的所述历史标注图像包括:血管内外壁勾画有误的所述历史标注图像和/或血管内外壁漏勾画的所述历史标注图像;
第二筛选模块,用于将与剔除的所述历史标注图像对应的所述历史血管图像对应剔除。
在本发明实施例的技术方案的基础上,该装置还包括:
图像增强模块,用于将筛选后的所述历史血管图像和筛选后的所述历史标注图像分别进行预设增强规则进行图像增强,得到目标历史血管图像和与所述目标历史血管图像对应的目标历史标注图像;
对应的,模型训练模块具体用于:
将多组所述目标历史血管图像和所述目标历史标注图像输入所述血管管腔提取模型中,对所述血管管腔提取模型进行迭代训练,得到训练好的所述血管管腔提取模型。
本发明实施例所提供的血管管腔提取装置可执行本发明任意实施例所提供的血管管腔提取方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种电子设备的结构示意图,如图5所示,该电子设备包括处理器70、存储器71、输入装置72和输出装置73;电子设备中处理器70的数量可以是一个或多个,图5中以一个处理器70为例;电子设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器71作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的血管管腔提取方法对应的程序指令/模块(例如,待提取图像获取模块31和血管管腔提取模块32)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述的血管管腔提取方法。
存储器71可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器71可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器71可进一步包括相对于处理器70远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置72可用于接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种血管管腔提取方法。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的血管管腔提取方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机电子设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述血管管腔提取装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种血管管腔提取方法,其特征在于,包括:
获取具有血管的待提取图像;
将所述待提取图像输入到训练好的血管管腔提取模型中,得到所述待提取图像的血管管腔;其中,所述训练好的血管管腔提取模型是基于多组历史血管图像和与所述历史血管图像对应的历史标注图像训练得到的。
2.根据权利要求1所述的方法,其特征在于,所述血管管腔提取模型的训练方法,包括:
获取多组历史血管图像和与所述历史血管图像对应的历史标注图像,其中,所述历史标注图像是对所述历史血管图像中的血管内外壁进行勾画后的图像;
将多组所述历史血管图像和所述历史标注图像输入所述血管管腔提取模型中,对所述血管管腔提取模型进行迭代训练,得到训练好的所述血管管腔提取模型。
3.根据权利要求2所述的方法,其特征在于,所述对所述血管管腔提取模型进行迭代训练,包括:
基于所述血管管腔提取模型对所述历史血管图像进行分类,得到所述历史血管图像的血管内外壁分类图像;
将所述历史血管图像的血管内外壁分类图像与对应的所述历史标注图像进行比对,确定所述血管管腔提取模型的损失函数,当所述损失函数小于预设阈值时,确定所述血管管腔提取模型训练完成。
5.根据权利要求2所述的方法,其特征在于,在所述将多组所述历史血管图像和所述历史标注图像输入所述血管管腔提取模型中之前,所述方法还包括:
基于预设筛选规则,对所述历史标注图像进行筛选,剔除不合格的所述历史标注图像;
其中,所述不合格的所述历史标注图像包括:血管内外壁勾画有误的所述历史标注图像和/或血管内外壁漏勾画的所述历史标注图像;
对应的,在筛选所述历史标注图像后,将与剔除的所述历史标注图像对应的所述历史血管图像对应剔除。
6.根据权利要求5所述的方法,其特征在于,在所述将多组所述历史血管图像和所述历史标注图像输入所述血管管腔提取模型中之前,所述方法还包括:
将筛选后的所述历史血管图像和筛选后的所述历史标注图像分别进行预设增强规则进行图像增强,得到目标历史血管图像和与所述目标历史血管图像对应的目标历史标注图像;
对应的,所述将多组所述历史血管图像和所述历史标注图像输入所述血管管腔提取模型中,包括:
将多组所述目标历史血管图像和所述目标历史标注图像输入所述血管管腔提取模型中。
7.根据权利要求6所述的方法,其特征在于,所述预设增强规则包括:对筛选后的所述历史血管图像和筛选后的所述历史标注图像分别进行上和/或下和/或左和/或右翻转。
8.一种血管管腔提取装置,其特征在于,包括:
待提取图像获取模块,用于获取具有血管的待提取图像;
血管管腔提取模块,用于将所述待提取图像输入到训练好的血管管腔提取模型中,得到所述待提取图像的血管管腔;其中,所述训练好的血管管腔提取模型是基于多组历史血管图像和与所述历史血管图像对应的历史标注图像训练得到的。
9.一种电子设备,其特征在于,所述电子设备包括:
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,使得所述一个或多个处理器实现如权利要求1-7中任一所述的血管管腔提取方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的血管管腔提取方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011205786.2A CN112308844A (zh) | 2020-11-02 | 2020-11-02 | 血管管腔提取方法、装置、电子设备和存储介质 |
PCT/CN2021/124869 WO2022089266A1 (zh) | 2020-11-02 | 2021-10-20 | 血管管腔提取方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011205786.2A CN112308844A (zh) | 2020-11-02 | 2020-11-02 | 血管管腔提取方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112308844A true CN112308844A (zh) | 2021-02-02 |
Family
ID=74333751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011205786.2A Pending CN112308844A (zh) | 2020-11-02 | 2020-11-02 | 血管管腔提取方法、装置、电子设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112308844A (zh) |
WO (1) | WO2022089266A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022089266A1 (zh) * | 2020-11-02 | 2022-05-05 | 中科麦迪人工智能研究院(苏州)有限公司 | 血管管腔提取方法、装置、电子设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415248A (zh) * | 2019-08-29 | 2019-11-05 | 新名医(北京)科技有限公司 | 一种基于超声的血管监测方法、装置、设备及存储介质 |
CN111062963A (zh) * | 2019-12-16 | 2020-04-24 | 上海联影医疗科技有限公司 | 一种血管提取方法、系统、设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10740651B2 (en) * | 2016-10-27 | 2020-08-11 | General Electric Company | Methods of systems of generating virtual multi-dimensional models using image analysis |
CN110781921A (zh) * | 2019-09-25 | 2020-02-11 | 浙江农林大学 | 一种基于深度残差网络与迁移学习的毒蕈图像识别方法和装置 |
CN111627017B (zh) * | 2020-05-29 | 2024-02-23 | 苏州博动戎影医疗科技有限公司 | 一种基于深度学习的血管管腔自动分割方法 |
CN111681224A (zh) * | 2020-06-09 | 2020-09-18 | 上海联影医疗科技有限公司 | 获取血管参数的方法和装置 |
CN112308844A (zh) * | 2020-11-02 | 2021-02-02 | 中科麦迪人工智能研究院(苏州)有限公司 | 血管管腔提取方法、装置、电子设备和存储介质 |
CN112365474B (zh) * | 2020-11-12 | 2024-07-30 | 中科麦迪人工智能研究院(苏州)有限公司 | 血管提取方法、装置、电子设备和存储介质 |
-
2020
- 2020-11-02 CN CN202011205786.2A patent/CN112308844A/zh active Pending
-
2021
- 2021-10-20 WO PCT/CN2021/124869 patent/WO2022089266A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415248A (zh) * | 2019-08-29 | 2019-11-05 | 新名医(北京)科技有限公司 | 一种基于超声的血管监测方法、装置、设备及存储介质 |
CN111062963A (zh) * | 2019-12-16 | 2020-04-24 | 上海联影医疗科技有限公司 | 一种血管提取方法、系统、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022089266A1 (zh) * | 2020-11-02 | 2022-05-05 | 中科麦迪人工智能研究院(苏州)有限公司 | 血管管腔提取方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022089266A1 (zh) | 2022-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886273B (zh) | 一种cmr图像分割分类系统 | |
Danelakis et al. | Survey of automated multiple sclerosis lesion segmentation techniques on magnetic resonance imaging | |
CN109919928B (zh) | 医学影像的检测方法、装置和存储介质 | |
US9959615B2 (en) | System and method for automatic pulmonary embolism detection | |
Balakrishna et al. | Automatic detection of lumen and media in the IVUS images using U-Net with VGG16 Encoder | |
CN112419271B (zh) | 一种图像分割方法、装置及计算机可读存储介质 | |
CN111598875A (zh) | 甲状腺结节自动检测模型构建方法、系统及装置 | |
US11471096B2 (en) | Automatic computerized joint segmentation and inflammation quantification in MRI | |
CN112949654A (zh) | 图像检测方法及相关装置、设备 | |
CN116309571B (zh) | 一种基于半监督学习的三维脑血管分割方法和装置 | |
CN114782398A (zh) | 用于医学图像分析的学习网络的训练方法和训练系统 | |
CN112308844A (zh) | 血管管腔提取方法、装置、电子设备和存储介质 | |
CN111401102A (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
CN112801940A (zh) | 模型评测方法、装置、设备及介质 | |
CN111445456A (zh) | 分类模型、网络模型的训练方法及装置、识别方法及装置 | |
CN115035339A (zh) | 一种基于人工智能的膀胱镜图像分类方法 | |
CN112365474A (zh) | 血管提取方法、装置、电子设备和存储介质 | |
CN112086174A (zh) | 一种三维知识诊断模型构建方法和系统 | |
CN112991314A (zh) | 血管分割方法、装置及存储介质 | |
CN112861689A (zh) | 一种基于nas技术的坐标识别模型的搜索方法及装置 | |
Safmi et al. | The Augmentation Data of Retina Image for Blood Vessel Segmentation Using U-Net Convolutional Neural Network Method. | |
CN116759079B (zh) | 基于多特征融合的出血转化判定方法、装置、介质及终端 | |
CN117351196B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN117893792B (zh) | 一种基于mr信号的膀胱肿瘤分类方法及相关装置 | |
CN117649933B (zh) | 在线问诊辅助方法、装置、电子设备和存储介质 |
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 |