CN112365492A - 图像扫描方法、装置、电子设备和存储介质 - Google Patents

图像扫描方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN112365492A
CN112365492A CN202011364805.6A CN202011364805A CN112365492A CN 112365492 A CN112365492 A CN 112365492A CN 202011364805 A CN202011364805 A CN 202011364805A CN 112365492 A CN112365492 A CN 112365492A
Authority
CN
China
Prior art keywords
interest
region
image
determining
point
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
Application number
CN202011364805.6A
Other languages
English (en)
Inventor
吴叶芬
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
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 Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN202011364805.6A priority Critical patent/CN112365492A/zh
Publication of CN112365492A publication Critical patent/CN112365492A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—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
    • G06T2207/20084—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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明实施例公开了一种图像扫描方法、装置、电子设备和存储介质，该方法包括：获取目标部位在第一时刻的第一片层图像；将所述第一片层图像输入至预设神经网络模型，获得输出结果；根据所述输出结果确定所述目标部位的感兴趣区域；其中，当所述感兴趣区域内的CT值达到CT阈值时，触发对所述目标部位的扫描操作。通过本发明实施例的技术方案，实现了自动确定目标部位的ROI的目的，提高了ROI的确定精度与效率。

Description

图像扫描方法、装置、电子设备和存储介质
技术领域
本发明实施例涉及计算机断层扫描技术领域，尤其涉及一种图像扫描方法、装置、电子设备和存储介质。
背景技术
在增强扫描中，例如CT血管造影扫描时，会在患者的静脉快速注入造影剂，根据每一位患者的血液循环状态，在靶血管中造影剂浓度最佳的时刻对靶血管进行CT扫描，以达到增强靶血管、获得靶血管显影清晰的扫描图像的目的。
具体的，首先对患者的特定部位(例如胸腔)进行扫描得到定位相，并基于扫描的定位相选定一个定位片位置，在定位片位置设置一个ROI(region of interest，感兴趣区域)，然后给患者的静脉注入造影剂，并采用造影跟踪技术，在跟踪协议扫描过程中，跟踪该ROI位置并监测该ROI内的CT值的变化来确定最佳扫描时间。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
现有技术中，通常是通过人工的方式在一张CT片层图像的定位片上设置ROI，在后续扫描到的CT片层图像上，则对第一次设置的ROI直接进行位置映射来获得每张CT片层图像上的ROI。该种方式无法补偿患者运动或者呼吸带来的位移，因此存在ROI不准确的问题，进而导致无法确定靶血管的最佳扫描时间、无法获得显影清晰的靶血管扫描图像的问题。
发明内容
本发明实施例提供了一种图像扫描方法、装置、电子设备和存储介质，实现了自动确定目标部位的ROI的目的，提高了ROI的确定精度与效率。
第一方面，本发明实施例提供了一种图像扫描方法，该方法包括：
获取目标部位在第一时刻的第一片层图像；
将所述第一片层图像输入至预设神经网络模型，获得输出结果；
根据所述输出结果确定所述目标部位的感兴趣区域；其中，当所述感兴趣区域内的CT值达到CT阈值时，触发对所述目标部位的扫描操作。
第二方面，本发明实施例还提供了一种图像扫描装置，该装置包括：
获取模块，用于获取目标部位在第一时刻的第一片层图像；
输入模块，用于将所述第一片层图像输入至预设神经网络模型，获得输出结果；
确定模块，用于根据所述输出结果确定所述目标部位的感兴趣区域；其中，当所述感兴趣区域内的CT值达到CT阈值时，触发对所述目标部位的扫描操作。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储器，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本发明任意实施例所提供的图像扫描方法步骤。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的图像扫描方法步骤。
上述发明中的实施例具有如下优点或有益效果：
通过将目标部位在第一时刻的第一片层图像输入至预设神经网络模型，获得输出结果，并根据所述输出结果确定所述目标部位的感兴趣区域的技术手段，实现了自动确定目标部位的感兴趣区域ROI的目的，提高了ROI的确定精度与效率；通过对每一张片层图像进行单独处理，减少了连续多张片层图像之间的信息依赖性，有利于提高ROI的确定效率；通过根据不同目标部位的形态特征选用不同的神经网络模型，有助于提高ROI的确定精度，达到较好的定位效果；且通过利用深度学习技术进行ROI的确定，使得技术方案本身具备较好的鲁棒性和准确性。
附图说明
图1是本发明实施例一提供的一种图像扫描方法的流程图；
图2是本发明实施例一提供的一种通过神经网络模型确定感兴趣区域的过程图；
图3是本发明实施例二提供的一种图像扫描方法的流程图；
图4是本发明实施例二提供的另一种图像扫描方法的流程图；
图5是本发明实施例二提供的一种目标部位以及对应的感兴趣区域的显示示意图；
图6是本发明实施例二提供的一种感兴趣区域内CT值的跟踪过程示意图；
图7是本发明实施例三提供的一种图像扫描方法的流程图；
图8是本发明实施例三提供的一种与肺动脉匹配的预设神经网络模型的结构示意图；
图9是本发明实施例四提供的一种图像扫描装置的结构示意图；
图10是本发明实施例五提供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一种图像扫描方法的流程图，本实施例的技术方案适用于对目标部位的ROI进行自动确定的场景。例如，在对目标部位注射造影剂之后，进行正式扫描之前，确定所述目标部位的ROI，以基于ROI内的CT值确定合适的扫描时刻。该方法可以由图像扫描装置来执行，该装置可以由软件和/或硬件的方式来实现。
如图1所示，该方法具体包括以下步骤：
步骤110、获取目标部位在第一时刻的第一片层图像。
具体的，在增强扫描中，例如CT血管造影扫描时，会注射造影剂，为了在最佳时刻开始扫描以获得血管显影清晰的图像，在注射造影剂之后，会采用造影剂团注跟踪技术针对目标部位进行扫描，获得连续的片层图像序列。然后将每张片层图像输入至与目标部位匹配的预设神经网络模型，获得输出结果，进而根据输出结果确定所述目标部位的感兴趣区域。上述目标部位在第一时刻的第一片层图像可以是所述片层图像序列中的某张片层图像。通过对每一张片层图像进行单独处理，减少了连续多张片层图像之间的信息依赖性，有利于提高ROI的确定效率。
可以理解的是，在实际业务中，需要对目标部位ROI内的CT值(可以是感兴趣区域内的平均CT值，也可以是最大CT值)进行连续监测，以确定最佳的扫描时刻。因此，需要将所述片层图像序列中的每张片层图像依次输入与目标部位匹配的预设神经网络模型，以获得针对每张片层图像的输出结果，进而确定每张片层图像的ROI，确定每张片层图像ROI内的CT值，从而实现对目标部位ROI内CT值的连续监测。
步骤120、将所述第一片层图像输入至预设神经网络模型，获得输出结果。
其中，所述输出结果可以是包括感兴趣区域特征点的坐标值(例如分割掩膜)、感兴趣区域中心点的坐标值、感兴趣区域对应的检测框的四个顶点的坐标值或者感兴趣区域对应的检测框等。所述输出结果具体可以根据目标部位以及选用的神经网络模型进行确定。示例性的，当目标部位为冠状动脉时，所述输出结果通常为感兴趣区域中心点的坐标值。进一步的，可参考图2所示的一种通过神经网络模型确定感兴趣区域的过程图，可以看出神经网络的输出结果为感兴趣区域对应的检测框200，该检测框200框住的区域即为感兴趣区域。
进一步的，所述将所述第一片层图像输入至预设神经网络模型，获得输出结果，包括：
将所述第一片层图像输入至与所述目标部位匹配的预设神经网络模型，获得输出结果。
通过根据不同目标部位的形态特征选用不同的神经网络模型，有助于提高ROI的确定精度，达到较好的定位效果。例如由于升主动脉呈现圆形的形态特征，所述预设神经网络模型具体可以是检测网络、分割网络或者定位网络。
步骤130、根据所述输出结果确定所述目标部位的感兴趣区域；其中，当所述感兴趣区域内的CT值达到CT阈值时，触发对所述目标部位的扫描操作。
具体的，若所述输出结果为感兴趣区域特征点的坐标值(例如分割掩膜)，根据所述输出结果确定所述目标部位的感兴趣区域，包括：
根据所述特征点的坐标值将所述特征点的区域确定为所述目标部位的感兴趣区域。
若所述输出结果为感兴趣区域中心点的坐标值，根据所述输出结果确定所述目标部位的感兴趣区域，包括：
根据所述中心点的坐标值以及预设半径确定所述目标部位的圆形感兴趣区域；
或者，根据所述中心点的坐标值以及预设形状确定所述目标部位其它形状的感兴趣区域，所述形状例如是正方形或者长方形等。
若所述输出结果为感兴趣区域对应的检测框的四个顶点的坐标值，则根据该四个顶点的坐标值确定感兴趣区域。
可以理解的是，在CT血管造影的跟踪扫描中，不同目标部位感兴趣区域的位置不同，例如头颈动脉感兴趣区域的位置通常在主动脉弓下降动脉；肺动脉的感兴趣区域的位置通常在右肺动脉主干；冠状动脉的感兴趣区域的位置通常在升主动脉处；胸主动脉的感兴趣区域通常在气管分叉处降主动脉；腹主动脉的感兴趣区域通常在肾动脉水平降主动脉处；肾动脉的感兴趣区域通常在肾动脉水平降动脉处；下肢的感兴趣区域通常在腹主动脉分叉上部；上肢的感兴趣区域通常在主动脉弓处。
本实施例的技术方案，通过将目标部位在第一时刻的第一片层图像输入至与所述目标部位匹配的预设神经网络模型，获得输出结果，并根据所述输出结果确定所述目标部位的感兴趣区域的技术手段，实现了自动确定目标部位的感兴趣区域ROI的目的，提高了ROI的确定精度与效率；通过对每一张片层图像进行单独处理，减少了连续多张片层图像之间的信息依赖性，有利于提高ROI的确定效率；通过根据不同目标部位的形态特征选用不同的神经网络模型，有助于提高ROI的确定精度，达到较好的定位效果；且通过利用深度学习技术进行ROI的确定，使得技术方案本身具备较好的鲁棒性和准确性。
实施例二
图3为本发明实施例二提供的一种图像扫描方法的流程图，本实施例在上述实施例的基础上，增加了对所述感兴趣区域的感兴趣位置点进行调整的步骤，旨在进一步提高所述感兴趣区域的准确性，尤其针对在扫描过程中患者发生了移动或者呼吸带来干扰的情况，通过对所述感兴趣区域的感兴趣位置点进行调整可补偿患者在扫描过程中发生的移动或者呼吸带来的干扰，进而使得感兴趣区域更精准，基于该感兴趣区域进行的CT值监测更加准确，所确定的扫描时刻更加理想。其中与上述实施例相同或相应的术语的解释在此不再赘述。
参见图3，本实施例提供的图像扫描方法具体包括以下步骤：
步骤310、获取目标部位在第一时刻的第一片层图像。
步骤320、将所述第一片层图像输入至与所述目标部位匹配的预设神经网络模型，获得输出结果。
步骤330、根据所述输出结果确定所述目标部位的感兴趣区域；其中，当所述感兴趣区域内的CT值达到CT阈值时，触发对所述目标部位的扫描操作。
步骤340、确定所述感兴趣区域的感兴趣位置点。
其中，所述感兴趣位置点可以是所述感兴趣区域内的任意点，例如感兴趣区域的中心点或者非中心点等。所述感兴趣位置点的作用相当于参考点或者基准点的作用，若将感兴趣区域看作是一个矩形的检测框，则通过所述感兴趣位置点与检测框四条边之间的相对位置可以确定感兴趣区域。若在扫描过程中患者发生移动或者呼吸带来扰动，则通过不同时刻的片层图像所确定的感兴趣区域之间是存在一定差别的，为了较好地补偿由于患者移动或者呼吸等带来的干扰，可对第一时刻的片层图像对应的感兴趣区域的感兴趣位置点进行调整，而后基于调整后的感兴趣位置点以及感兴趣位置点与检测框的四条边之间的相对位置调整感兴趣区域的位置。
步骤350、分别计算所述目标部位在第二时刻的第二片层图像的第二图像位置点以及所述第一片层图像的第一图像位置点；其中，所述第二时刻为与所述第一时刻相邻的前一时刻。
可以理解的是，所述第二图像位置点为第一片层图像的任意位置点，所述第一图像位置点为与所述第二图像位置点对应的位置点，假设在扫描过程中患者不发生移动或者没有呼吸带来的扰动，则理想情况下所述第一图像位置点与所述第二图像位置点为同一部位的点，将所述第二片层图像与所述第一片层图像叠在一起时，所述第一图像位置点与所述第二图像位置点将重合在一起。
步骤360、若所述第一图像位置点与所述第二图像位置点之间的位置差超过位置阈值，则按照设定比例对所述感兴趣位置点进行调整。
具体的，所述按照设定比例对所述感兴趣位置点进行调整，包括：
基于如下公式对所述感兴趣位置点进行调整：
Cnew＝a*Cpre+(1a)*Ccur
其中，Cnew表示调整后的感兴趣位置点，a表示权重系数，0≤a≤1，Cpre表示所述第二图像位置点，Ccur表示所述第一图像位置点。
本实施例的技术方案，在上述实施例的基础上，增加了对所述感兴趣区域的感兴趣位置点进行调整的步骤，旨在进一步提高所述感兴趣区域的准确性，尤其针对在扫描过程中患者发生了移动或者呼吸带来了干扰的情况，通过对所述感兴趣区域的感兴趣位置点进行调整可补偿患者在扫描过程中发生的移动或者呼吸带来的干扰，进而使得感兴趣区域更精准，基于该感兴趣区域进行的CT值监测更加准确，所确定的扫描时刻更加理想。
在上述实施例技术方案的基础上，参考图4所示的另一种图像扫描方法的流程示意图，所述方法包括：
步骤410、获取目标部位在当前时刻的单张片层图像。
步骤420、对该片层图像进行预处理，将预处理后的片层图像输入至与目标部位匹配的预设神经网络模型，获得输出结果。
可以理解的是，为了提高模型效果(例如加快模型的收敛速度)，降低模型的运算量，简化学习任务，通常需要对输入的片层图像进行预处理。所述预处理例如包括调整片层图像的尺寸、分辨率等。特别的，例如在一些应用场景中为了凸显升主动脉，抑制骨头、空气等结构的干扰，还需要将片层图像的CT值统一到设定范围，或者过滤掉一些CT值不符合期望的像素。
步骤430、根据所述输出结果确定感兴趣区域。
步骤440、确定感兴趣区域的感兴趣位置点，以对感兴趣区域进行调整。
步骤450、根据调整后的感兴趣区域内的CT值确定是否到达最佳扫描时刻，如果到达，则结束感兴趣区域的确定与更新流程，触发扫描流程；如果没有到达则获取下一个时刻的片层图像，并返回步骤420。
通常，如果感兴趣区域内的CT值(可以是平均CT值，也可以是最大CT值)达到CT阈值，则认为已经到达最佳扫描时刻。对应的参考图5所示的一种目标部位以及对应的感兴趣区域的显示示意图，其中，标号510表示目标部位，具体是冠状动脉，标号520为所确定的感兴趣区域。
进一步的，参考图6所示的一种感兴趣区域内CT值的跟踪过程示意图，该实例共进行了4次扫描，对每次扫描获得的单张片层图像均以神经网络模型输出的中心点为中心，一定值为半径画圆，在片层图像中标注出感兴趣区域，并计算该感兴趣区域内的平均CT值，通过连续跟踪发现第四张片层图像的感兴趣区域内的平均CT值达到了CT阈值，则触发后续用于诊断的图像扫描流程，结束跟踪阶段的图像扫描以及感兴趣区域的确定流程。
实施例三
图7为本发明实施例三提供的一种图像扫描方法的流程图，本实施例在上述实施例的基础上，以所述目标部位是肺动脉为例，对所述图像扫描方法进行了说明。其中与上述实施例相同或相应的术语的解释在此不再赘述。
参见图7，本实施例提供的图像扫描方法具体包括以下步骤：
步骤710、获取肺动脉在第一时刻的第一片层图像。
步骤720、将所述第一片层图像输入至与肺动脉匹配的预设神经网络模型，获得输出结果。
其中，与肺动脉匹配的预设神经网络模型包括神经网络主体以及分割网络分支和点定位网络分支；其中，所述分割网络分支用于输出肺动脉主干的分割结果，所述点包括神经网络主体以及分割网络分支和点定位网络分支；
其中，所述分割网络分支用于输出肺动脉主干的分割结果，所述点定位网络分支用于输出肺主动脉主干定位点的位置。
定位网络分支用于输出肺主动脉主干定位点的位置。
具体的可以参见图8所示的一种与肺动脉匹配的预设神经网络模型的结构示意图，其中，预设神经网络模型包括神经网络主体以及分割网络分支和点定位网络分支。
步骤730、根据所述输出结果确定肺动脉的感兴趣区域。
示例性的，根据所述输出结果确定所述目标部位的感兴趣区域，包括：
根据所述分割结果确定所述肺动脉主干的主干感兴趣位置点；
根据所述主干感兴趣位置点或者所述主干定位点确定所述感兴趣区域；
或者，
根据所述主干感兴趣位置点和所述主干定位点确定加权位置点；
根据所述加权位置点确定所述感兴趣区域。
具体的，以所述主干感兴趣位置点、所述主干定位点或者所述加权位置点为圆心，按照预设半径确定圆形感兴趣区域；或者，以所述主干感兴趣位置点、所述主干定位点或者所述加权位置点为中心，确定预设形状的感兴趣区域，所述预设形状例如是正方形或者长方形等，只要保证最终确定的感兴趣区域在血管上即可。
本实施例的技术方案，在上述实施例的基础上，以所述目标部位是肺动脉为例，对所述图像扫描方法进行了说明。
以下是本发明实施例提供的图像扫描装置的实施例，该装置与上述各实施例的图像扫描方法属于同一个发明构思，在图像扫描装置的实施例中未详尽描述的细节内容，可以参考上述图像扫描方法的实施例。
实施例四
图9为本发明实施例四提供的一种图像扫描装置的结构示意图，该装置具体包括：获取模块910、输入模块920和确定模块930。
其中，获取模块910，用于获取目标部位在第一时刻的第一片层图像；输入模块920，用于将所述第一片层图像输入至预设神经网络模型，获得输出结果；确定模块930，用于根据所述输出结果确定所述目标部位的感兴趣区域；其中，当所述感兴趣区域内的CT值达到CT阈值时，触发对所述目标部位的扫描操作。
在上述技术方案的基础上，所述输出结果包括感兴趣区域特征点的坐标值。
在上述技术方案的基础上，输入模块920具体用于：将所述第一片层图像输入至与所述目标部位匹配的预设神经网络模型，获得输出结果。
在上述技术方案的基础上，确定模块930具体用于：
根据所述特征点的坐标值将所述特征点的区域确定为所述目标部位的感兴趣区域。
在上述技术方案的基础上，所述与所述目标部位匹配的预设神经网络模型包括检测网络、分割网络或者定位网络。
在上述技术方案的基础上，当所述目标部位为肺动脉，与所述目标部位匹配的预设神经网络模型包括神经网络主体以及分割网络分支和点定位网络分支；
其中，所述分割网络分支用于输出肺动脉主干的分割结果，所述点定位网络分支用于输出肺主动脉主干定位点的位置。
在上述技术方案的基础上，确定模块930包括：
第一确定单元，用于根据所述分割结果确定所述肺动脉主干的主干感兴趣位置点；
第二确定单元，用于根据所述主干感兴趣位置点或者所述主干定位点确定所述感兴趣区域；
或者，
第三确定单元，用于根据所述主干感兴趣位置点和所述主干定位点确定加权位置点；
第四确定单元，用于根据所述加权位置点确定所述感兴趣区域。
在上述技术方案的基础上，所述装置还包括：
点确定模块，用于确定所述感兴趣区域的感兴趣位置点；
计算模块，用于分别计算所述目标部位在第二时刻的第二片层图像的第二图像位置点以及所述第一片层图像的第一图像位置点；
调整模块，用于若所述第一图像位置点与所述第二图像位置点之间的位置差超过位置阈值，则按照设定比例对所述感兴趣位置点进行调整；
其中，所述第二时刻为与所述第一时刻相邻的前一时刻。
本实施例的技术方案，通过将目标部位在第一时刻的第一片层图像输入至与所述目标部位匹配的预设神经网络模型，获得输出结果，并根据所述输出结果确定所述目标部位的感兴趣区域的技术手段，实现了自动确定目标部位的感兴趣区域ROI的目的，提高了ROI的确定精度与效率；通过对每一张片层图像进行单独处理，减少了连续多张片层图像之间的信息依赖性，有利于提高ROI的确定效率；通过根据不同目标部位的形态特征选用不同的神经网络模型，有助于提高ROI的确定精度，达到较好的定位效果；且通过利用深度学习技术进行ROI的确定，使得技术方案本身具备较好的鲁棒性和准确性。
本发明实施例所提供的图像扫描装置可执行本发明任意实施例所提供的图像扫描方法，具备执行图像扫描方法相应的功能模块和有益效果。
实施例五
图10为本发明实施例五提供的一种电子设备的结构示意图。图10示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图10显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示，电子设备12以通用计算电子设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图10未显示，通常称为“硬盘驱动器”)。尽管图10中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及感兴趣区域确定，例如实现本发实施例所提供的一种图像扫描方法步骤，该方法包括：
获取目标部位在第一时刻的第一片层图像；
将所述第一片层图像输入至预设神经网络模型，获得输出结果；
根据所述输出结果确定所述目标部位的感兴趣区域；其中，当所述感兴趣区域内的CT值达到CT阈值时，触发对所述目标部位的扫描操作。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的图像扫描方法的技术方案。
实施例六
本实施例六提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的图像扫描方法步骤，该方法包括：
获取目标部位在第一时刻的第一片层图像；
将所述第一片层图像输入至预设神经网络模型，获得输出结果；
根据所述输出结果确定所述目标部位的感兴趣区域；其中，当所述感兴趣区域内的CT值达到CT阈值时，触发对所述目标部位的扫描操作。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。
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 (11)

1.一种图像扫描方法，其特征在于，包括：
获取目标部位在第一时刻的第一片层图像；
将所述第一片层图像输入至预设神经网络模型，获得输出结果；
根据所述输出结果确定所述目标部位的感兴趣区域；其中，当所述感兴趣区域内的CT值达到CT阈值时，触发对所述目标部位的扫描操作。
2.根据权利要求1所述的方法，其特征在于，所述输出结果包括感兴趣区域特征点的坐标值。
3.根据权利要求2所述的方法，其特征在于，所述根据所述输出结果确定所述目标部位的感兴趣区域，包括：
根据所述特征点的坐标值将所述特征点的区域确定为所述目标部位的感兴趣区域。
4.根据权利要求1所述的方法，其特征在于，所述将所述第一片层图像输入至预设神经网络模型，获得输出结果，包括：
将所述第一片层图像输入至与所述目标部位匹配的预设神经网络模型，获得输出结果。
5.根据权利要求4所述的方法，其特征在于，所述与所述目标部位匹配的预设神经网络模型包括检测网络、分割网络或者定位网络。
6.根据权利要求5所述的方法，其特征在于，当所述目标部位为肺动脉，与所述目标部位匹配的预设神经网络模型包括神经网络主体以及分割网络分支和点定位网络分支；
其中，所述分割网络分支用于输出肺动脉主干的分割结果，所述点定位网络分支用于输出肺主动脉主干定位点的位置。
7.根据权利要求6所述的方法，其特征在于，根据所述输出结果确定所述目标部位的感兴趣区域，包括：
根据所述分割结果确定所述肺动脉主干的主干感兴趣位置点；
根据所述主干感兴趣位置点或者所述主干定位点确定所述感兴趣区域；
或者，
根据所述主干感兴趣位置点和所述主干定位点确定加权位置点；
根据所述加权位置点确定所述感兴趣区域。
8.根据权利要求1所述的方法，其特征在于，还包括：
确定所述感兴趣区域的感兴趣位置点；
分别计算所述目标部位在第二时刻的第二片层图像的第二图像位置点以及所述第一片层图像的第一图像位置点；
若所述第一图像位置点与所述第二图像位置点之间的位置差超过位置阈值，则按照设定比例对所述感兴趣位置点进行调整；
其中，所述第二时刻为与所述第一时刻相邻的前一时刻。
9.一种图像扫描装置，其特征在于，包括：
获取模块，用于获取目标部位在第一时刻的第一片层图像；
输入模块，用于将所述第一片层图像输入至预设神经网络模型，获得输出结果；
确定模块，用于根据所述输出结果确定所述目标部位的感兴趣区域；其中，当所述感兴趣区域内的CT值达到CT阈值时，触发对所述目标部位的扫描操作。
10.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储器，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1-8中任一所述的图像扫描方法步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的图像扫描方法步骤。
CN202011364805.6A 2020-11-27 2020-11-27 图像扫描方法、装置、电子设备和存储介质 Pending CN112365492A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011364805.6A CN112365492A (zh) 2020-11-27 2020-11-27 图像扫描方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011364805.6A CN112365492A (zh) 2020-11-27 2020-11-27 图像扫描方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN112365492A true CN112365492A (zh) 2021-02-12

Family

ID=74535541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011364805.6A Pending CN112365492A (zh) 2020-11-27 2020-11-27 图像扫描方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN112365492A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114813798A (zh) * 2022-05-18 2022-07-29 中国工程物理研究院化工材料研究所 用于表征材料内部结构及成分的ct检测装置和成像方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102805632A (zh) * 2011-05-31 2012-12-05 上海西门子医疗器械有限公司 一种ct机的位移补偿方法、系统及ct机
CN104224214A (zh) * 2013-06-18 2014-12-24 上海联影医疗科技有限公司 Ct扫描系统及其扫描方法
CN109712128A (zh) * 2018-12-24 2019-05-03 上海联影医疗科技有限公司 特征点检测方法、装置、计算机设备和存储介质
CN109920518A (zh) * 2019-03-08 2019-06-21 腾讯科技（深圳）有限公司 医学影像分析方法、装置、计算机设备和存储介质
CN110728274A (zh) * 2018-06-29 2020-01-24 通用电气公司 医疗设备计算机辅助扫描方法、医疗设备及可读存储介质
CN111429456A (zh) * 2020-05-06 2020-07-17 上海联影医疗科技有限公司 一种图像数据处理方法、装置、电子设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102805632A (zh) * 2011-05-31 2012-12-05 上海西门子医疗器械有限公司 一种ct机的位移补偿方法、系统及ct机
CN104224214A (zh) * 2013-06-18 2014-12-24 上海联影医疗科技有限公司 Ct扫描系统及其扫描方法
CN110728274A (zh) * 2018-06-29 2020-01-24 通用电气公司 医疗设备计算机辅助扫描方法、医疗设备及可读存储介质
CN109712128A (zh) * 2018-12-24 2019-05-03 上海联影医疗科技有限公司 特征点检测方法、装置、计算机设备和存储介质
CN109920518A (zh) * 2019-03-08 2019-06-21 腾讯科技（深圳）有限公司 医学影像分析方法、装置、计算机设备和存储介质
CN111429456A (zh) * 2020-05-06 2020-07-17 上海联影医疗科技有限公司 一种图像数据处理方法、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114813798A (zh) * 2022-05-18 2022-07-29 中国工程物理研究院化工材料研究所 用于表征材料内部结构及成分的ct检测装置和成像方法
CN114813798B (zh) * 2022-05-18 2023-07-07 中国工程物理研究院化工材料研究所 用于表征材料内部结构及成分的ct检测装置和成像方法

Similar Documents

Publication Publication Date Title
CN107133946B (zh) 医学图像处理方法、装置及设备
CN100517344C (zh) 用于医学介入程序规划的方法和装置
US8923590B2 (en) Method and system for 3D cardiac motion estimation from single scan of C-arm angiography
US8428319B2 (en) Automatic measurement of morphometric and motion parameters of the coronary tree from a rotational X-ray sequence
US10980502B2 (en) Method, storage medium, and system for analyzing image sequences of periodic physiological activities
JP2019500146A (ja) 体部の３次元モデル
US20130259337A1 (en) Cardiac Chamber Volume Computation from Contours and Base Plane in Cardiac MR Cine Images
US8428316B2 (en) Coronary reconstruction from rotational X-ray projection sequence
CN111145160B (zh) 钙化区域所处冠脉分支的确定方法、装置、服务器及介质
CN110473269B (zh) 一种图像重建方法、系统、设备及存储介质
US9058664B2 (en) 2D-2D fusion for interventional guidance in trans-catheter aortic valve implantation
CN112419484A (zh) 三维血管合成方法、系统及冠状动脉分析系统和存储介质
CN112150571A (zh) 一种图像运动伪影消除方法、装置、设备及存储介质
CN111862046A (zh) 一种心脏冠脉剪影中导管位置判别系统和方法
US8098919B2 (en) Three-dimensional reconstruction of an object from projection photographs
CN111640124A (zh) 一种血管提取方法、装置、设备及存储介质
CN113888566B (zh) 目标轮廓曲线确定方法、装置、电子设备以及存储介质
CN112365492A (zh) 图像扫描方法、装置、电子设备和存储介质
WO2014069712A1 (ko) 소수의 저선량 씨티 영상을 이용하여 피이티 영상을 움직임 보상 및 감쇠 보정하는 방법
CN112116608A (zh) 一种导丝分割方法、装置、电子设备及存储介质
CN111161330B (zh) 非刚性图像配准方法、装置、系统、电子设备、存储介质
CN114565623B (zh) 肺血管分割方法、装置、存储介质及电子设备
US11836923B2 (en) Image processing apparatus, image processing method, and storage medium
CN114782537A (zh) 基于3d视觉的人体颈动脉定位方法及装置
US20170169569A1 (en) Information processing apparatus, information processing method, and storage medium

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