CN112419282A - 脑部医学影像中动脉瘤的自动检测方法及系统 - Google Patents
脑部医学影像中动脉瘤的自动检测方法及系统 Download PDFInfo
- Publication number
- CN112419282A CN112419282A CN202011349402.4A CN202011349402A CN112419282A CN 112419282 A CN112419282 A CN 112419282A CN 202011349402 A CN202011349402 A CN 202011349402A CN 112419282 A CN112419282 A CN 112419282A
- Authority
- CN
- China
- Prior art keywords
- image
- aneurysm
- region
- blood vessel
- brain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 206010002329 Aneurysm Diseases 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 210000004556 brain Anatomy 0.000 title claims abstract description 37
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000002372 labelling Methods 0.000 claims abstract description 9
- 230000035945 sensitivity Effects 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000002790 cross-validation Methods 0.000 claims description 2
- 210000003484 anatomy Anatomy 0.000 abstract description 4
- 206010011732 Cyst Diseases 0.000 abstract description 2
- 208000031513 cyst Diseases 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 201000008450 Intracranial aneurysm Diseases 0.000 description 6
- 238000005070 sampling Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 2
- 239000002872 contrast media Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000032851 Subarachnoid Hemorrhage Diseases 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001627 cerebral artery Anatomy 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000024891 symptom Diseases 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种脑部医学影像中动脉瘤的自动检测方法及系统,该方法包括以下步骤:1)采集训练集脑MRA图像并进行血管区域提取,对完成血管区域提取后的图像进行动脉瘤区域标注;2)构建三维全卷积神经网络并进行网络模型训练;3)对待检测的脑MRA图像进行血管区域提取;4)采用三维全卷积神经网络对完成血管区域提取后的图像进行动脉瘤检测。本发明所采用的血管提取方法不仅适用于正常解剖结构的血管,对于有动脉瘤、囊肿等解剖结构变异或正常生理结构变异,均能够实现较好的分割效果;本发明的改进的3DUnet网络模型,能够减少3DUnet训练时需要优化的参数数量,可加快训练、检测速度,提升检测敏感度。
Description
技术领域
本发明涉及医学图像处理技术领域,特别涉及一种脑部医学影像中动脉瘤的自动检测方法及系统。
背景技术
脑动脉瘤破裂引起的蛛网膜下腔出血等疾病,极易造成死亡、残疾的后果,严重危害患者生命安全。但在未破裂阶段患者常常无明显症状,如能在门诊检查、常规体格检查(简称体检)过程中发现未破裂动脉瘤,并采取相应的治疗措施,可大幅度降低患者的致死、致残风险。
由于MRA具有安全性与无创性而被广泛应用于临床,它利用血液流动时所产生的MR信号与周围组织不同的特性,能够显示出血管和血流的信号特征,能够提供详细直观的血管影像。比较常用的MRA方法有时间飞跃法(TOF)、相位对比法(PCA)以及对比增强磁共振血管造影法(CE-MRA)。前两者是不需使用造影剂进行相关成像的技术,后者则是造影剂增强MRA。其中时间飞跃法较为快速并且血管对比度较强,因此成为脑动脉瘤筛查的主要手段之一,但脑动脉形态复杂,容易出现漏诊,如果以人工智能技术辅助医师进行全自动筛查,能够极大地提高脑动脉瘤的诊断效率,减少漏诊。近年来,深度学习技术的发展为脑动脉瘤全自动检测提供了良好的技术基础,在深度学习领域,随着全卷积网络(fullyconvolutional networks,FCN)的提出,基于图像的端到端语义分割变为了现实,图像内逐像素的分类成为了可能,这一特性同样适用于医学影像中病灶的检测与分类。但现在缺少基于全卷积网络来实现脑动脉瘤的检测的可靠方案。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种脑部医学影像中动脉瘤的自动检测方法及系统。
为解决上述技术问题,本发明采用的技术方案是:一种脑部医学影像中动脉瘤的自动检测方法,包括以下步骤:
1)采集训练集脑MRA图像并进行血管区域提取,对完成血管区域提取后的图像进行动脉瘤区域标注;
2)构建三维全卷积神经网络并进行网络模型训练;
3)对待检测的脑MRA图像进行血管区域提取;
4)采用步骤2)得到的三维全卷积神经网络对步骤3)获得的完成血管区域提取后的图像进行动脉瘤检测。
优选的是,所述步骤1)中进行血管区域提取的步骤具体包括:
1-1)图像归一化:将训练集脑MRA图像进行直方图归一化,将所有体素的密度值归一化至同一范围内;
1-2)血管分割参数选取:对图像直方图进行分析,并根据分析的结果,选取预先建立的网格化参数模板中的参数;
1-3)阈值分割:利用所选取的参数,对归一化后的图像进行阈值分割,将图像中小于该参数的体素的密度值置为0;
1-4)种子点集提取:以图像中密度值不为0的体素中心作为球心,根据图像尺寸设置X、Y、Z方向的半径,形成一椭球,取位于椭球范围内的阈值分割后的结果作为种子点集;
1-5)采用开运算对种子点集进行处理,去除杂散的种子点;
1-6)自适应阈值统计:对提取的种子点集对应的归一化后的图像的相同范围内的体素密度进行统计,得到密度分布的平均值、方差,引入分布模型,计算区域增长的上限与下限阈值;
1-7)区域增长:对步骤1-1得到的增强后的图像中,利用步骤1-6)得到的上限与下限阈值进行区域增长;
1-8)均匀扩展:对步骤1-7)得到的区域增长后的结果,利用膨胀算法进行均匀膨胀,并以膨胀后的区域提取原图像中的对应区域作为血管区域的提取结果。
优选的是,所述步骤2)具体包括:
2-1)以提取的血管区域作为背景、标注的动脉瘤区域作为前景,建立标注图谱,图谱为3值图,其中血管区域、动脉瘤区域有不同的密度值,其余部分密度值为0;
2-2)数据扩增:对经过所述步骤2-1)得到的图像进行扩增;
2-3)建立三维全卷积神经网络:
2-4)将步骤2-2)得到的图像输入步骤2-3)得到的三维全卷积神经网络进行训练,采用五折交叉验证,取敏感度最高的结果对应的网络模型为检测模型。
优选的是,所述步骤3)中采用与步骤2)中相同的方法对待检测的脑MRA图像进行血管区域提取;
所述步骤4)具体包括:
4-1)应用步骤2-4)得到的检测模型对完成血管区域提取后的待检测的脑MRA图像进行检测,得到动脉瘤疑似区域体素集;
4-2)取动脉瘤疑似区域体素集的中心为球心,以一定的半径构建一个球体,该球体内部即为检测得到的动脉瘤区域。
优选的是,所述步骤1-2)中网格化参数模板的建立方法为:使用具有血管标注的影像数据集,手动或自动调整分割过程中的各个参数,每次分割后计算分割结果与标注的dice系数,取dice最高时的参数为最优参数;计算归一化图像直方图的极大值与极小值点,记这些点的横纵坐标形成数据特征向量;利用上述方法处理多组数据,形成特征向量与参数间的对应关系,即为网格化参数模板;在使用该模板时,对待分割数据计算特征向量,根据特征向量与模板中特征向量的距离最小,取模板中的参数。
优选的是,所述步骤1-4)中,X、Y、Z方向的半径,是按照自各方向图像外向中心方向的第一个有值体素的之间的距离,取该距离的40%以内作为半径值。
优选的是,所述步骤2-3)中三维全卷积神经网络的构建方法为:以3DUNet作为基础网络,在编码部分的每一卷积层后增加背景层,在下采样任意部分增加注意力层(并可同时在对应位置的上采样层增加注意力层),在每一卷积层增加归一化层等结构,形成三维全卷积神经网络。
本发明还提供一种脑部医学影像中动脉瘤的自动检测系统,其采用如上所述的方法进行脑部医学影像中动脉瘤的自动检测。
本发明还提供一种存储介质,其上存储有计算机程序,该程序被执行时用于实现如上所述的方法。
本发明还提供一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的方法。
本发明的有益效果是:
本发明结合三维全卷积神经网络能实现脑动脉瘤的自动检测,且具有较高的敏感度与较低的假阳性率;
本发明所采用的血管提取方法不仅适用于正常解剖结构的血管,对于有动脉瘤、囊肿等解剖结构变异或正常生理结构变异,均能够实现较好的分割效果;
本发明的血管提取方法能够保证对血管壁全部细节的完整保留,在分割过程中,始终使用原始数据,不对数据的体素特征进行更改,能保证血管提取得到的结果与成像结果相一致;
本发明的改进的3DUnet网络模型,能够减少3DUnet训练时需要优化的参数数量,可加快训练、检测速度,提升检测敏感度。
附图说明
图1为本发明的脑部医学影像中动脉瘤的自动检测方法的流程图;
图2为本发明的实施例中的三维全卷积神经网络的结构示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
应当理解,本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
实施例1
一种脑部医学影像中动脉瘤的自动检测方法,包括以下步骤:
S1、采集训练集脑MRA图像并进行血管区域提取
(1-1)采集脑MRA影像数据500例;
(1-2)对数据进行归一化,将体素的密度值统一归一化为[0,1024]内;
(1-3)计算所有数据的直方图特征值,根据极大值与极小值的分布,从预先建立的网格化模板选择对应的参数a1;
其中,网格化参数模板的建立方法为:使用具有血管标注的影像数据集,手动或自动调整分割过程中的各个参数,每次分割后计算分割结果与标注的dice系数,取dice最高时的参数为最优参数;计算归一化图像直方图的极大值与极小值点,记这些点的横纵坐标形成数据特征向量;利用上述方法处理多组数据,形成特征向量与参数间的对应关系,即为网格化参数模板;在使用该模板时,对待分割数据计算特征向量,根据特征向量与模板中特征向量的距离最小,取模板中的参数。
(1-4)使用a1进行阈值分割,将图像中小于a1的体素置为0;
(1-5)以图像中密度值不为0的体素中心作为球心,根据图像尺寸(1024*1024*240)设置X、Y、Z方向的半径(256,256,60),形成一椭球,取位于椭球范围内的阈值分割后的结果作为种子点集;
(1-6)使用开运算对种子点集进行处理,去除杂散种子点;
(1-7)统计种子点集的体素密度,得到平均值、方差信息,采用高斯分布+瑞利分布的分布模型,计算区域增长的上限与下限阈值;
(1-8)使用上述上限、下限阈值进行区域增长,并对区域增长的结果以半径为30的球形算子进行膨胀,以膨胀后的区域提取原图像中的对应区域作为血管区域的提取结果,从而得到所有脑MRA影像数据的血管区域提取后的结果。
S2、取400例作为训练集,100例作为测试集(即待检测的脑MRA图像);
对400例训练集进行标注,将动脉瘤部分手动标记为2,并以标记区域中心为中心,半径30构建一个球,球内全部自动标记为2,并将其他区域自动标记为1,背景为0;对处理后的训练集采用翻转、离散高斯噪声、直方图均衡化的方法做数据扩增,将400例数据扩增至3200例。
S3、构建三维全卷积神经网络并进行网络模型训练;
参照图2,在一种优选的实施例中,该三维全卷积神经网络3D U-Net由U-Net演变而来,同样采取了encoder-decoder的架构,在编码部分,本实施例使用了3x3x3的卷积模块和上下文模块,每一个上下文模块由两层3x3x3的卷积层和p=0.3的dropout层组成,除此以外还在每一卷积模块后设置了残差连接到上下文模块,使得网络能够提取到更多的特征,同时为了提升网络性能,在第四层的上下文模块加入了注意力机制,这一做法可以帮助检测到尺寸小的病灶;解码部分,使用了3x3x3的卷积模块和本地模块,本地模块包括3x3x3和1x1x1共两层卷积层,卷积模块实现了对低分辨率特征图的上采样,本地模块能够对上采样与上下文模块的对应级别的特征进行重新组合,并有效的降低了参数量(图2中通过标号a-f进行了辅助标示,以便于理解)。
以训练集数据作为输入,对该三维全卷积神经网络进行训练,每次取3200例数据中的80%作为训练,20%作为验证,采用五折交叉验证,得到敏感度分别为85%,88%,92%,90%,95%的网络模型,取95%的作为检测模型。
S4、采用步骤3)得到的检测模型对100例作为测试集(完成血管区域提取后)图像进行动脉瘤检测,按照sigmoid方法根据体素的概率判断其所属的标记,得到对数据中体素的三值化标记,其中标记为2的体素即为动脉瘤疑似区域,取疑似区域中心为中心,半径30构建一个球,球内全部标记为2,作为最终的疑似动脉瘤区域。
通过上述方法获得的检测结果敏感度为85.8%,假阳性率0.3个/例,具有较高的敏感度与较低的假阳性率。
本实施例还提供一种脑部医学影像中动脉瘤的自动检测系统,其采用实施例1的方法进行脑部医学影像中动脉瘤的自动检测。
本实施例还提供一种存储介质,其上存储有计算机程序,该程序被执行时用于实现实施例1的方法。
本实施例还提供一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现实施例1的方法。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节。
Claims (10)
1.一种脑部医学影像中动脉瘤的自动检测方法,其特征在于,包括以下步骤:
1)采集训练集脑MRA图像并进行血管区域提取,对完成血管区域提取后的图像进行动脉瘤区域标注;
2)构建三维全卷积神经网络并进行网络模型训练;
3)对待检测的脑MRA图像进行血管区域提取;
4)采用步骤2)得到的三维全卷积神经网络对步骤3)获得的完成血管区域提取后的图像进行动脉瘤检测。
2.根据权利要求1所述的脑部医学影像中动脉瘤的自动检测,其特征在于,所述步骤1)中进行血管区域提取的步骤具体包括:
1-1)图像归一化:将训练集脑MRA图像进行直方图归一化,将所有体素的密度值归一化至同一范围内;
1-2)血管分割参数选取:对图像直方图进行分析,并根据分析的结果,选取预先建立的网格化参数模板中的参数;
1-3)阈值分割:利用所选取的参数,对归一化后的图像进行阈值分割,将图像中小于该参数的体素的密度值置为0;
1-4)种子点集提取:以图像中密度值不为0的体素中心作为球心,根据图像尺寸设置X、Y、Z方向的半径,形成一椭球,取位于椭球范围内的阈值分割后的结果作为种子点集;
1-5)采用开运算对种子点集进行处理,去除杂散的种子点;
1-6)自适应阈值统计:对提取的种子点集对应的归一化后的图像的相同范围内的体素密度进行统计,得到密度分布的平均值、方差,引入分布模型,计算区域增长的上限与下限阈值;
1-7)区域增长:对步骤1-1得到的增强后的图像中,利用步骤1-6)得到的上限与下限阈值进行区域增长;
1-8)均匀扩展:对步骤1-7)得到的区域增长后的结果,利用膨胀算法进行均匀膨胀,并以膨胀后的区域提取原图像中的对应区域作为血管区域的提取结果。
3.根据权利要求2所述的脑部医学影像中动脉瘤的自动检测,其特征在于,所述步骤2)具体包括:
2-1)以提取的血管区域作为背景、标注的动脉瘤区域作为前景,建立标注图谱,图谱为3值图,其中血管区域、动脉瘤区域有不同的密度值,其余部分密度值为0;
2-2)数据扩增:对经过所述步骤2-1)得到的图像进行扩增;
2-3)建立三维全卷积神经网络:
2-4)将步骤2-2)得到的图像输入步骤2-3)得到的三维全卷积神经网络进行训练,采用五折交叉验证,取敏感度最高的结果对应的网络模型为检测模型。
4.根据权利要求3所述的脑部医学影像中动脉瘤的自动检测,其特征在于,所述步骤3)中采用与步骤2)中相同的方法对待检测的脑MRA图像进行血管区域提取;
所述步骤4)具体包括:
4-1)应用步骤2-4)得到的检测模型对完成血管区域提取后的待检测的脑MRA图像进行检测,得到动脉瘤疑似区域体素集;
4-2)取动脉瘤疑似区域体素集的中心为球心,以一定的半径构建一个球体,该球体内部即为检测得到的动脉瘤区域。
5.根据权利要求2所述的脑部医学影像中动脉瘤的自动检测,其特征在于,所述步骤1-2)中网格化参数模板的建立方法为:使用具有血管标注的影像数据集,手动或自动调整分割过程中的各个参数,每次分割后计算分割结果与标注的dice系数,取dice最高时的参数为最优参数;计算归一化图像直方图的极大值与极小值点,记这些点的横纵坐标形成数据特征向量;利用上述方法处理多组数据,形成特征向量与参数间的对应关系,即为网格化参数模板;在使用该模板时,对待分割数据计算特征向量,根据特征向量与模板中特征向量的距离最小,取模板中的参数。
6.根据权利要求2所述的脑部医学影像中动脉瘤的自动检测,其特征在于,所述步骤1-4)中,X、Y、Z方向的半径,是按照自各方向图像外向中心方向的第一个有值体素的之间的距离,取该距离的40%以内作为半径值。
7.根据权利要求3所述的脑部医学影像中动脉瘤的自动检测,其特征在于,所述步骤2-3)中三维全卷积神经网络的构建方法为:以3DUNet作为基础网络,在编码部分的每一卷积层后增加背景层,在下采样任意部分增加注意力层,在每一卷积层增加归一化层等结构,形成三维全卷积神经网络。
8.一种脑部医学影像中动脉瘤的自动检测系统,其特征在于,其采用如权利要求1-7中任意一项所述的方法进行脑部医学影像中动脉瘤的自动检测。
9.一种存储介质,其上存储有计算机程序,其特征在于,该程序被执行时用于实现如权利要求1-7中任意一项所述的方法。
10.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011349402.4A CN112419282B (zh) | 2020-11-26 | 2020-11-26 | 脑部医学影像中动脉瘤的自动检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011349402.4A CN112419282B (zh) | 2020-11-26 | 2020-11-26 | 脑部医学影像中动脉瘤的自动检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419282A true CN112419282A (zh) | 2021-02-26 |
CN112419282B CN112419282B (zh) | 2024-01-23 |
Family
ID=74843571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011349402.4A Active CN112419282B (zh) | 2020-11-26 | 2020-11-26 | 脑部医学影像中动脉瘤的自动检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419282B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907563A (zh) * | 2021-03-17 | 2021-06-04 | 复旦大学附属华山医院 | 基于深度学习的cta全自动侧枝循环评分方法及系统 |
CN113436166A (zh) * | 2021-06-24 | 2021-09-24 | 深圳市铱硙医疗科技有限公司 | 基于磁共振血管造影数据的颅内动脉瘤检测方法及系统 |
CN117495951A (zh) * | 2023-12-29 | 2024-02-02 | 苏州国科康成医疗科技有限公司 | 颅内动脉瘤定位方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472780A (zh) * | 2018-10-26 | 2019-03-15 | 强联智创(北京)科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
CN110706246A (zh) * | 2019-10-15 | 2020-01-17 | 上海微创医疗器械(集团)有限公司 | 一种血管图像分割方法、装置、电子设备和存储介质 |
CN110827242A (zh) * | 2019-10-23 | 2020-02-21 | 华中科技大学 | 一种基于卷积神经网络的颅内动脉瘤检测方法及系统 |
CN110866914A (zh) * | 2019-11-21 | 2020-03-06 | 北京冠生云医疗技术有限公司 | 脑动脉瘤血流动力学指标的评估方法、系统、设备及介质 |
-
2020
- 2020-11-26 CN CN202011349402.4A patent/CN112419282B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472780A (zh) * | 2018-10-26 | 2019-03-15 | 强联智创(北京)科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
CN110706246A (zh) * | 2019-10-15 | 2020-01-17 | 上海微创医疗器械(集团)有限公司 | 一种血管图像分割方法、装置、电子设备和存储介质 |
CN110827242A (zh) * | 2019-10-23 | 2020-02-21 | 华中科技大学 | 一种基于卷积神经网络的颅内动脉瘤检测方法及系统 |
CN110866914A (zh) * | 2019-11-21 | 2020-03-06 | 北京冠生云医疗技术有限公司 | 脑动脉瘤血流动力学指标的评估方法、系统、设备及介质 |
Non-Patent Citations (2)
Title |
---|
耿辰;杨丽琴;尹波;李郁欣;耿道颖;: "基于深度学习的时间飞跃法磁共振血管成像对脑动脉瘤自动检测方法研究", 上海医学, no. 05 * |
黄奕晖;冯前进;: "基于三维全卷积DenseNet的脑胶质瘤MRI分割", 南方医科大学学报, no. 06 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907563A (zh) * | 2021-03-17 | 2021-06-04 | 复旦大学附属华山医院 | 基于深度学习的cta全自动侧枝循环评分方法及系统 |
CN112907563B (zh) * | 2021-03-17 | 2023-12-01 | 复旦大学附属华山医院 | 基于深度学习的cta全自动侧枝循环评分方法及系统 |
CN113436166A (zh) * | 2021-06-24 | 2021-09-24 | 深圳市铱硙医疗科技有限公司 | 基于磁共振血管造影数据的颅内动脉瘤检测方法及系统 |
CN117495951A (zh) * | 2023-12-29 | 2024-02-02 | 苏州国科康成医疗科技有限公司 | 颅内动脉瘤定位方法、装置、计算机设备及存储介质 |
CN117495951B (zh) * | 2023-12-29 | 2024-03-29 | 苏州国科康成医疗科技有限公司 | 颅内动脉瘤定位方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112419282B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112419282B (zh) | 脑部医学影像中动脉瘤的自动检测方法及系统 | |
US10939874B2 (en) | Deep-learning-based cancer classification using a hierarchical classification framework | |
US9959615B2 (en) | System and method for automatic pulmonary embolism detection | |
Chen et al. | 3D intracranial artery segmentation using a convolutional autoencoder | |
CN110910405B (zh) | 基于多尺度空洞卷积神经网络的脑肿瘤分割方法及系统 | |
US8170642B2 (en) | Method and system for lymph node detection using multiple MR sequences | |
KR20230059799A (ko) | 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델 | |
CN111476793B (zh) | 动态增强磁共振成像处理方法、系统、存储介质、终端 | |
CN115496771A (zh) | 一种基于脑部三维mri图像设计的脑肿瘤分割方法 | |
CN110415234A (zh) | 基于多参数磁共振成像的脑部肿瘤分割方法 | |
CN111415321B (zh) | 动脉瘤破裂风险检测装置及设备 | |
CN112991363A (zh) | 脑肿瘤图像分割方法、装置、电子设备及存储介质 | |
CN112446891A (zh) | 基于U-Net网络脑胶质瘤的医学图像分割方法 | |
CN111179237A (zh) | 一种肝脏以及肝脏肿瘤的图像分割方法和装置 | |
CN114066884B (zh) | 视网膜血管分割方法及装置、电子设备和存储介质 | |
CN109461163A (zh) | 一种用于磁共振标准水模的边缘检测提取算法 | |
CN116188485A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
Bnouni et al. | Boosting CNN learning by ensemble image preprocessing methods for cervical cancer segmentation | |
Tong et al. | Automatic lumen border detection in IVUS images using dictionary learning and kernel sparse representation | |
CN113344922A (zh) | 一种自动分割脑微出血点的方法 | |
WO2020263002A1 (ko) | 혈관 세그멘테이션 방법 | |
Shehata et al. | A deep learning-based cad system for renal allograft assessment: diffusion, bold, and clinical biomarkers | |
CN116071350B (zh) | 基于深度学习的大脑微出血识别方法、装置及存储介质 | |
CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
Luo et al. | Recent progresses on cerebral vasculature segmentation for 3D quantification and visualization of MRA |
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 |