CN112465749B - 提取肺栓塞图像的方法、装置、存储介质及电子设备 - Google Patents
提取肺栓塞图像的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112465749B CN112465749B CN202011255767.0A CN202011255767A CN112465749B CN 112465749 B CN112465749 B CN 112465749B CN 202011255767 A CN202011255767 A CN 202011255767A CN 112465749 B CN112465749 B CN 112465749B
- Authority
- CN
- China
- Prior art keywords
- image
- pulmonary
- pulmonary artery
- pulmonary embolism
- embolism
- 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
- 208000010378 Pulmonary Embolism Diseases 0.000 title claims abstract description 253
- 238000000034 method Methods 0.000 title claims abstract description 40
- 210000001147 pulmonary artery Anatomy 0.000 claims abstract description 283
- 210000004072 lung Anatomy 0.000 claims abstract description 148
- 238000004891 communication Methods 0.000 claims abstract description 71
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 238000010968 computed tomography angiography Methods 0.000 claims abstract description 24
- 210000001370 mediastinum Anatomy 0.000 claims abstract description 23
- 210000004204 blood vessel Anatomy 0.000 claims description 85
- 230000009466 transformation Effects 0.000 claims description 49
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002685 pulmonary effect Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 208000005189 Embolism Diseases 0.000 description 42
- 238000003062 neural network model Methods 0.000 description 12
- 230000003073 embolic effect Effects 0.000 description 10
- 238000007637 random forest analysis Methods 0.000 description 9
- 230000010339 dilation Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 208000002381 Brain Hypoxia Diseases 0.000 description 1
- 206010008479 Chest Pain Diseases 0.000 description 1
- 206010009866 Cold sweat Diseases 0.000 description 1
- 206010010071 Coma Diseases 0.000 description 1
- 206010010904 Convulsion Diseases 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 208000002251 Dissecting Aneurysm Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 206010000891 acute myocardial infarction Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 206010002895 aortic dissection Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000003563 lymphoid tissue Anatomy 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001991 pathophysiological effect Effects 0.000 description 1
- 210000004224 pleura Anatomy 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000001839 systemic circulation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开涉及一种提取肺栓塞图像的方法、装置、存储介质及电子设备,以准确提取肺栓塞图像。该方法包括:获取肺动脉CT血管造影的3D图像,并提取3D图像中的肺动脉血管树图像;对肺动脉血管树图像进行分割,得到对应于肺叶与肺段部位的第一肺动脉血管图像和对应于肺门与肺中纵隔部位的第二肺动脉血管图像;对第一肺动脉血管图像和第二肺动脉血管图像分别进行连通组件分析,得到第一候选肺栓塞图像集合和第二候选肺栓塞图像集合;将每一第一候选肺栓塞图像的第一图像特征参数输入第一分类器,将每一第二候选肺栓塞图像的第二图像特征参数输入第二分类器,得到第一分类器和第二分类器分别筛选出的肺栓塞图像。
Description
技术领域
本公开涉及图像处理技术领域,具体地,涉及一种提取肺栓塞图像的方法、装置、存储介质及电子设备。
背景技术
肺栓塞(pulmonary embolism,简称PE)是指因体循环的各种栓子脱落阻塞肺动脉及其分支而引发肺循环障碍的临床病理生理综合征。肺栓塞患者会突发不明原因的虚脱、面色苍白、出冷汗、呼吸困难、胸痛、咳嗽等症状,以及伴有脑缺氧症状如表现为极度焦虑不安、倦怠、恶心、抽搐、昏迷。肺栓塞是高发病率、高死亡率的常见病,其发病率仅次于急性心肌梗死及主动脉夹层。但是由于肺栓塞症状、体征的“不典型”性,因此很容易出现漏诊或误诊。
目前,通过计算机技术辅助肺栓塞诊断已形成趋势。具体地,利用计算机技术基于肺动脉CT血管造影(CTPA)图像构建肺部血管树并自动跟踪肺血管,可以搜索并检测出可疑的肺栓塞位置,进而可以辅助放射学家进行栓塞定位。但由于肺部动脉网络的结构庞大且复杂、尺寸也因人而异,因此肺栓塞的自动化检测具有很大挑战性。
相关技术中,利用深度学习技术识别肺部栓塞位置。具体地,利用大量已标注栓塞区域的样本数据训练深度神经网络模型,再将待识别的肺动脉CT血管造影3D图像(CTPA)输入训练好的深度神经网络模型中,得到该训练好的深度神经网络模型输出的肺部栓塞识别结果。但是这种方式需要大量已标注栓塞区域的样本数据,而人工标注栓塞区域的工作量巨大。并且,种类丰富的CTPA图像样本也难以收集。
发明内容
本公开的目的是提供一种提取肺栓塞图像的方法、装置、存储介质及电子设备,以解决相关技术中存在的问题,进而实现从肺动脉CT血管造影的3D图像中准确提取肺栓塞图像的目的。
为了实现上述目的,本公开实施例的第一部分提供一种提取肺栓塞图像的方法,所述方法包括:
获取肺动脉CT血管造影的3D图像,并提取所述3D图像中的肺动脉血管树图像;
对所述肺动脉血管树图像进行分割,得到对应于肺叶与肺段部位的第一肺动脉血管图像,以及对应于肺门与肺中纵隔部位的第二肺动脉血管图像;
对所述第一肺动脉血管图像和所述第二肺动脉血管图像分别进行连通组件分析,得到对应于所述第一肺动脉血管图像的第一候选肺栓塞图像集合以及对应于所述第二肺动脉血管图像的第二候选肺栓塞图像集合;
将所述第一候选肺栓塞图像集合中每一第一候选肺栓塞图像的第一图像特征参数输入第一分类器,将所述第二候选肺栓塞图像集合中每一第二候选肺栓塞图像的第二图像特征参数输入第二分类器,得到所述第一分类器和所述第二分类器分别筛选出的肺栓塞图像。
可选地,对所述第一肺动脉血管图像进行连通组件分析,得到对应于所述第一肺动脉血管图像的第一候选肺栓塞图像集合,包括:
根据第一目标灰度值区间对所述第一肺动脉血管图像进行分割,得到第一肺栓塞图像,其中,所述第一肺栓塞图像中每一体素的灰度值处于所述第一目标灰度值区间;
对所述第一肺栓塞图像进行连通组件分析,得到所述第一肺栓塞图像的至少一个连通组件,并将该至少一个连通组件中的体素数量大于第一预设阈值的连通组件对应的图像均作为所述第一候选肺栓塞图像,得到所述第一候选肺栓塞图像集合。
可选地,对所述第二肺动脉血管图像进行连通组件分析,得到对应于所述第二肺动脉血管图像的第二候选肺栓塞图像集合,包括:
根据第一目标灰度值区间对所述第二肺动脉血管图像进行分割,得到第二肺栓塞图像,其中,所述第二肺栓塞图像中每一体素的灰度值处于所述第一目标灰度值区间;
对所述第二肺栓塞图像进行连通组件分析,得到所述第二肺栓塞图像的至少一个连通组件;
将所述第二肺栓塞图像的至少一个连通组件中体素数量大于第二预设阈值且小于第三预设阈值的连通组件对应的图像均作为所述第二候选肺栓塞图像,得到所述第二候选肺栓塞图像集合,所述第二预设阈值大于所述第一预设阈值。
可选地,在所述得到所述第二候选肺栓塞图像集合之前,包括:
对所述第二肺栓塞图像的至少一个连通组件中体素数量大于所述第三预设阈值的连通组件对应的目标图像进行开运算;
对进行开运算后的所述目标图像进行连通组件分析,得到进行开运算后的所述目标图像的至少一个连通组件,将该至少一个连通组件中的体素数量大于所述第二预设阈值且小于所述第三预设阈值的连通组件对应的图像均作为所述第二候选肺栓塞图像。
可选地,所述第一图像特征参数包括图像纹理特征值、图像形态特征值、膨胀图像均值、膨胀图像最小值、膨胀图像最大值、膨胀图像标准差、膨胀血管占比、膨胀图像占比、膨胀图像血管与栓塞平均距离的比值中的至少一种;
所述第二图像特征参数包括所述图像纹理特征值、所述图像形态特征值、低帽变换图像均值、低帽变换图像最小值、低帽变换图像最大值、低帽变换图像标准差、低帽变换血管占比、低帽变换图像占比中的至少一种。
可选地,对所述肺动脉血管树图像进行分割,得到所述第一肺动脉血管图像,包括:
根据第二目标灰度值区间对所述3D图像进行分割,得到对应的肺部图像,所述肺部图像中每一体素的灰度值处于所述第二目标灰度值区间;
基于所述肺部图像的二值图像,确定所述第一肺动脉血管图像的二值图像;
根据所述第一肺动脉血管图像的二值图像从所述肺动脉血管树图像中,确定所述第一肺动脉血管图像。
可选地,所述基于所述肺部图像的二值图像,确定所述第一肺动脉血管图像的二值图像,包括:
对所述肺部图像的二值图像进行连通组件分析,得到所述肺部图像的二值图像的至少一个连通组件,并将该至少一个连通组件中的体素数量最多的连通组件对应的二值图像作为肺域二值图像;
对所述肺域二值图像中的孔洞进行填充,得到填充后的所述肺域二值图像;
根据填充后的所述肺域二值图像减去填充前的所述肺域二值图像,得到肺内血管二值图像;
对所述肺动脉血管树图像转换后的二值图像和所述肺内血管二值图像进行交集运算,得到所述第一肺动脉血管图像的二值图像。
可选地,对所述肺动脉血管树图像进行分割,得到所述第二肺动脉血管图像,包括:
根据所述肺动脉血管树图像转换后的二值图像减去所述第一肺动脉血管图像的二值图像,得到所述第二肺动脉血管图像的二值图像;
根据所述第二肺动脉血管图像的二值图像从所述肺动脉血管树图像中确定所述第二肺动脉血管图像。
可选地,所述肺动脉血管树图像转换后的二值图像通过以下方式获得:
从所述肺动脉血管树图像中确定体素灰度值大于预设灰度值的目标肺动脉血管树图像,其中,所述预设灰度值为所述第一目标灰度值区间中的下限值;
将所述目标肺动脉血管树图像的二值图像作为所述肺动脉血管树图像转换后的二值图像。
本公开实施例的第二部分提供一种提取肺栓塞图像的装置,所述装置包括:
获取模块,被配置为用于获取肺动脉CT血管造影的3D图像,并提取所述3D图像中的肺动脉血管树图像;
分割模块,被配置为用于对所述肺动脉血管树图像进行分割,得到对应于肺叶与肺段部位的第一肺动脉血管图像,以及对应于肺门与肺中纵隔部位的第二肺动脉血管图像;
执行模块,被配置为用于对所述第一肺动脉血管图像和所述第二肺动脉血管图像分别进行连通组件分析,得到对应于所述第一肺动脉血管图像的第一候选肺栓塞图像集合以及对应于所述第二肺动脉血管图像的第二候选肺栓塞图像集合;
筛选模块,被配置为用于将所述第一候选肺栓塞图像集合中每一第一候选肺栓塞图像的第一图像特征参数输入第一分类器,将所述第二候选肺栓塞图像集合中每一第二候选肺栓塞图像的第二图像特征参数输入第二分类器,得到所述第一分类器和所述第二分类器分别筛选出的肺栓塞图像。
可选地,所述执行模块包括:
第一分割子模块,被配置为用于根据第一目标灰度值区间对所述第一肺动脉血管图像进行分割,得到第一肺栓塞图像,其中,所述第一肺栓塞图像中每一体素的灰度值处于所述第一目标灰度值区间;
第一执行子模块,被配置为用于对所述第一肺栓塞图像进行连通组件分析,得到所述第一肺栓塞图像的至少一个连通组件,并将该至少一个连通组件中的体素数量大于第一预设阈值的连通组件对应的图像均作为所述第一候选肺栓塞图像,得到所述第一候选肺栓塞图像集合。
可选地,所述执行模块包括:
第二分割子模块,被配置为用于根据第一目标灰度值区间对所述第二肺动脉血管图像进行分割,得到第二肺栓塞图像,其中,所述第二肺栓塞图像中每一体素的灰度值处于所述第一目标灰度值区间;
第二执行子模块,被配置为用于对所述第二肺栓塞图像进行连通组件分析,得到所述第二肺栓塞图像的至少一个连通组件;将所述第二肺栓塞图像的至少一个连通组件中体素数量大于第二预设阈值且小于第三预设阈值的连通组件对应的图像均作为所述第二候选肺栓塞图像,得到所述第二候选肺栓塞图像集合,所述第二预设阈值大于所述第一预设阈值。
可选地,所述执行模块包括:
第三执行子模块,被配置为用于对所述第二肺栓塞图像的至少一个连通组件中体素数量大于所述第三预设阈值的连通组件对应的目标图像进行开运算;对进行开运算后的所述目标图像进行连通组件分析,得到进行开运算后的所述目标图像的至少一个连通组件,将该至少一个连通组件中的体素数量大于所述第二预设阈值且小于所述第三预设阈值的连通组件对应的图像均作为所述第二候选肺栓塞图像。
可选地,所述第一图像特征参数包括图像纹理特征值、图像形态特征值、膨胀图像均值、膨胀图像最小值、膨胀图像最大值、膨胀图像标准差、膨胀血管占比、膨胀图像占比、膨胀图像血管与栓塞平均距离的比值中的至少一种;
所述第二图像特征参数包括所述图像纹理特征值、所述图像形态特征值、低帽变换图像均值、低帽变换图像最小值、低帽变换图像最大值、低帽变换图像标准差、低帽变换血管占比、低帽变换图像占比中的至少一种。
可选地,所述分割模块包括:
第三分割子模块,被配置为用于根据第二目标灰度值区间对所述3D图像进行分割,得到对应的肺部图像,所述肺部图像中每一体素的灰度值处于所述第二目标灰度值区间;
第一确定子模块,被配置为用于基于所述肺部图像的二值图像,确定所述第一肺动脉血管图像的二值图像;
第二确定子模块,被配置为用于根据所述第一肺动脉血管图像的二值图像从所述肺动脉血管树图像中,确定所述第一肺动脉血管图像。
可选地,所述第一确定子模块,具体被配置为用于对所述肺部图像的二值图像进行连通组件分析,得到所述肺部图像的二值图像的至少一个连通组件,并将该至少一个连通组件中的体素数量最多的连通组件对应的二值图像作为肺域二值图像;对所述肺域二值图像中的孔洞进行填充,得到填充后的所述肺域二值图像;根据填充后的所述肺域二值图像减去填充前的所述肺域二值图像,得到肺内血管二值图像;对所述肺动脉血管树图像转换后的二值图像和所述肺内血管二值图像进行交集运算,得到所述第一肺动脉血管图像的二值图像。
可选地,所述分割模块包括:
第四分割子模块,被配置为用于根据所述肺动脉血管树图像转换后的二值图像减去所述第一肺动脉血管图像的二值图像,得到所述第二肺动脉血管图像的二值图像;根据所述第二肺动脉血管图像的二值图像从所述肺动脉血管树图像中确定所述第二肺动脉血管图像。
可选地,所述肺动脉血管树图像转换后的二值图像通过以下方式获得:
从所述肺动脉血管树图像中确定体素灰度值大于预设灰度值的目标肺动脉血管树图像,其中,所述预设灰度值为所述第一目标灰度值区间中的下限值;
将所述目标肺动脉血管树图像的二值图像作为所述肺动脉血管树图像转换后的二值图像。
本公开实施例的第三部分提供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上述第一部分中任一项所述方法的步骤。
本公开实施例的第四部分提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现上述第一部分中任一项所述方法的步骤。
采用上述技术方案,至少能够达到如下技术效果:
通过获取肺动脉CT血管造影的3D图像(即CTPA图像),并提取该3D图像中的肺动脉血管树图像。对提取到的肺动脉血管树图像进行分割,得到对应于肺叶与肺段部位的第一肺动脉血管图像,以及对应于肺门与肺中纵隔部位的第二肺动脉血管图像。对第一肺动脉血管图像和第二肺动脉血管图像分别进行连通组件分析,得到第一候选肺栓塞图像集合以及第二候选肺栓塞图像集合。将第一候选肺栓塞图像集合中每一第一候选肺栓塞图像的第一图像特征参数输入第一分类器,将第二候选肺栓塞图像集合中每一第二候选肺栓塞图像的第二图像特征参数输入第二分类器,得到第一分类器和第二分类器分别筛选出的肺栓塞图像。采用这种方式,无需利用大量已标注栓塞区域的CTPA训练样本数据来训练深度神经网络模型,因而可以避免相关技术中存在的问题。
并且相关技术中,利用训练好的深度神经网络模型来识别待识别CTPA图像中的肺栓塞时,针对任一待识别CTPA图像中的任一肺动脉血管分支,该训练好的深度神经网络模型均是采用学习得到的同一特征参数集对该任一待识别CTPA图像中的任一肺动脉血管分支中的栓塞进行识别的。然而由于血管的粗细大小不同,不同粗细大小的血管内的栓塞大小差异很大,不同大小的栓塞的特征信息差异很大。因此相关技术中的这种方式,无法准确地识别出待识别CTPA图像中不同血管大小的各肺动脉血管分支中的肺栓塞。而采用本公开的上述技术方案,根据血管的分布位置对肺动脉血管树图像进行划分,可以分别得到对应于肺叶与肺段部位的血管细小的第一肺动脉血管图像,和对应于肺门与肺中纵隔部位的血管粗大的第二肺动脉血管图像。进而针对血管粗细大小不同的第一肺动脉血管图像对应的每一第一候选肺栓塞图像和第二肺动脉血管图像对应的每一第二候选肺栓塞图像,分别采用对应的第一图像特征参数和第二图像特征参数来识别粗细大小不同的肺动脉血管图像中的肺栓塞,如此克服了针对粗细大小不同的血管分支使用同一个特征参数集来识别肺栓塞时导致的肺栓塞识别不准确的问题。因此,本公开的上述技术方案实现了从肺动脉CT血管造影的3D图像中准确提取肺栓塞图像的目的。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据本公开一示例性实施例示出的一种提取肺栓塞图像的方法的流程图。
图2是根据本公开一示例性实施例示出的一种确定第二候选肺栓塞图像集合的方法的流程图。
图3是根据本公开一示例性实施例示出的一种对肺动脉血管树图像进行分割的方法的流程图。
图4是根据本公开一示例性实施例示出的一种提取肺栓塞图像的装置的框图。
图5是根据本公开一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
为了使本领域普通技术人员更加容易理解本公开的技术方案,下面首先对本公开实施例中涉及到的相关术语进行简单解释。
肺叶与肺段,指肺器官的肺叶或肺段部位。肺叶可划分为多个肺段。
肺门,肺内侧面(又称纵膈面)贴近纵隔和脊柱,其中央凹陷处称为肺门。也可以理解为肺中纵膈内的主动脉血管与肺叶内动脉血管的连接处。
肺中纵膈,表征左右肺之间的纵膈,其中纵膈是左右纵隔胸膜之间的器官、结构和结缔组织的总称。
组件(Component)是对数据和方法的简单封装,可以理解为对象。
连通区域(Connected Component)是指图像中具有相同像素值(或满足特定相似性准则)且位置相邻的前景像素点组成的图像区域。
体素,是体积元素(Volume Pixel)的简称,是数字数据于三维空间上的最小单位,概念上类似二维空间的最小单位像素。
连通组件,在本公开中连通组件表征3D图像中具有相同灰度值(或满足特定相似性准则如符合同一灰度值区间)且位置相邻的前景体素点组成的3D图像区域。
开运算,即先腐蚀运算,再膨胀运算。腐蚀运算使目标区域范围“变小”,膨胀运算使目标区域范围“变大”。具体地可参见相关技术中的腐蚀公式、膨胀公式。
下面对本公开的技术方案进行详细的实施例说明。
图1是根据本公开一示例性实施例示出的一种提取肺栓塞图像的方法的流程图,如图1所示,该方法包括以下步骤:
S11、获取肺动脉CT血管造影的3D图像,并提取所述3D图像中的肺动脉血管树图像。
本领域技术人员应当知晓的是栓塞只存在于动脉血管中,那么肺栓塞也只存在于肺动脉血管中。
在具体实施S11时,可以采用与相关技术中相类似的动脉血管树提取方法从CTPA图像中提取肺动脉血管树图像。
具体地一种可实现的实施方式,基于肺实质灰度值,对CTPA图像进行灰度阈值分割,可以得到CTPA图像中的肺实质图像。根据肺实质图像可以得到对应的肺实质二值图像,肺实质二值图像用于指示肺实质在CTPA图像中的位置。根据肺实质二值图像和该肺实质二值图像中的孔洞可以确定肺内血管二值图像,肺内血管二值图像用于指示肺内血管在CTPA图像中的位置。同时,根据肺实质二值图像可以从CTPA图像中确定肺中纵膈图像,基于分水岭分割算法对该肺中纵膈图像进行分割,可以得到肺中纵膈内的主动脉血管图像。根据主动脉血管图像确定对应的主动脉血管二值图像,主动脉血管二值图像用于指示主动脉血管在CTPA图像中的位置。将肺内血管二值图像与主动脉血管二值图像拼接为组合二值图像,将该组合二值图像中体素数量最多的连通组件对应的图像作为CTPA图像中的肺动脉血管树图像。
S12、对所述肺动脉血管树图像进行分割,得到对应于肺叶与肺段部位的第一肺动脉血管图像,以及对应于肺门与肺中纵隔部位的第二肺动脉血管图像。
本领域普通技术人员应当知悉的是,基于肺部动脉血管树的生理结构,对应于肺叶与肺段部位的第一肺动脉血管图像中的血管,因该血管位置位于肺叶与肺段内部,所以第一肺动脉血管图像中的血管的粗细程度是细小的。对应于肺门与肺中纵隔部位的第二肺动脉血管图像中的血管,因该血管位置位于肺门与肺中纵隔内部,所以第二肺动脉血管图像中的血管的粗细程度是粗大的。
在具体实施时,根据肺部器官的肺叶与肺段部位、肺门与肺中纵隔部位与肺动脉血管树的对应关系,对肺动脉血管树图像进行分割,得到对应于肺叶与肺段部位的第一肺动脉血管图像,以及对应于肺门与肺中纵隔部位的第二肺动脉血管图像。
S13、对所述第一肺动脉血管图像和所述第二肺动脉血管图像分别进行连通组件分析,得到对应于所述第一肺动脉血管图像的第一候选肺栓塞图像集合以及对应于所述第二肺动脉血管图像的第二候选肺栓塞图像集合;
应当说明的是,由于第一肺动脉血管图像中的血管的粗细程度是细小的,而第二肺动脉血管图像中的血管的粗细程度是粗大的,且不同粗细大小的血管在图像中所占体素的数量差异较大,因此,针对不同粗细大小的血管图像进行连通组件分析时,需适应于血管的粗细程度设置对应的用于筛选连通组件的体素数量阈值范围。
所以在本公开的实施例中,需对第一肺动脉血管图像和第二肺动脉血管图像分别进行连通组件分析,分别得到对应于第一肺动脉血管图像的第一候选肺栓塞图像集合和对应于第二肺动脉血管图像的第二候选肺栓塞图像集合。如此可以避免针对不同粗细大小的血管图像进行连通组件分析时,采用同一用于筛选连通组件的体素数量阈值范围导致的漏筛选或多筛选候选肺栓塞图像的问题。
S14、将所述第一候选肺栓塞图像集合中每一第一候选肺栓塞图像的第一图像特征参数输入第一分类器,将所述第二候选肺栓塞图像集合中每一第二候选肺栓塞图像的第二图像特征参数输入第二分类器,得到所述第一分类器和所述第二分类器分别筛选出的肺栓塞图像。
应当说明的是,第一分类器是使用第一图像特征参数对应的训练数据集进行训练得到的。第二分类器是使用第二图像特征参数对应的训练数据集进行训练得到的。一种可能的实施方式,第一分类器和第二分类器可以为随机森林分类器。其中,随机森林(RandomForest)分类器指的是利用多棵树对样本进行训练并预测的一种分类器。
由于PE区域在肺动脉血管图像中为暗色区域,因此通过对带栓塞的血管图像进行阈值分割,可以把血管图像中的亮色区域与栓塞所在的暗色区域分割开,从而可得到栓塞所在区域的子图像。但是,由于肺部病变、血管边缘上淋巴组织、噪声及移动伪影等因素的影响,分割得到的栓塞所在区域的子图像中仍包含大量的假阳性PE。因此,为了区分真假PE,本公开实施例在上述步骤S13之后,还将第一候选肺栓塞图像集合中每一第一候选肺栓塞图像的第一图像特征参数输入第一分类器,并将第二候选肺栓塞图像集合中每一第二候选肺栓塞图像的第二图像特征参数输入第二分类器,从而得到第一分类器和第二分类器分别筛选出的肺栓塞图像。
可选地,所述第一图像特征参数包括图像纹理特征值、图像形态特征值、膨胀图像均值、膨胀图像最小值、膨胀图像最大值、膨胀图像标准差、膨胀血管占比、膨胀图像占比、膨胀图像血管与栓塞平均距离的比值中的至少一种;所述第二图像特征参数包括所述图像纹理特征值、所述图像形态特征值、低帽变换图像均值、低帽变换图像最小值、低帽变换图像最大值、低帽变换图像标准差、低帽变换血管占比、低帽变换图像占比中的至少一种。
其中,膨胀图像均值、膨胀图像最小值、膨胀图像最大值、膨胀图像标准差、膨胀血管占比、膨胀图像占比、膨胀图像血管与栓塞平均距离的比值、低帽变换图像均值、低帽变换图像最小值、低帽变换图像最大值、低帽变换图像标准差、低帽变换血管占比、低帽变换图像占比在计算的过程中均涉及到除栓塞体素之外的背景体素,因此这些特征值可统称为栓塞的环境特征信息。
其中,图像纹理特征值包括栓塞图像平均灰度值和/或栓塞图像灰度值的标准差。
栓塞图像平均灰度值是指,第一/二候选肺栓塞图像中表征栓塞的各体素的灰度值的平均值。
栓塞图像灰度值的标准差是指,第一/二候选肺栓塞图像中表征栓塞的各体素的灰度值的标准差。
其中,图像形态特征值包括栓塞大小值、栓塞圆度、闭运算栓塞圆度、栓塞主矩比中的至少一项。
栓塞大小值是指第一/二候选肺栓塞图像中表征栓塞的体素数量。
栓塞圆度:在第一/二候选肺栓塞图像中,根据所有表征栓塞的体素组成的立体结构的质心,分别沿坐标轴X、Y、Z进行截面处理之后,计算三个截面的圆度值,取最大圆度值为作为栓塞圆度。
闭运算栓塞圆度是指,对第一/二候选肺栓塞图像进行闭运算操作之后,对闭运算操作之后的该第一/二候选肺栓塞图像进行计算得到的栓塞圆度。应当说明的是,进行闭运算操作时,采用的核半径取值为1或2体素,亦或其它值,对此本公开不做具体的限制。
栓塞主矩比:先计算第一/二候选肺栓塞图像中图形的3个主矩值,第二大值与最大值之比即为栓塞主矩比。力系中所有力对某点O的矩的矢量和称为该力系对O点的主矩。本公开中的主矩为计算图像形态特征的参数。该3个主矩值为坐标力系三个力向O点的主矩值。
膨胀图像,是根据对第一候选肺栓塞图像的二值图像进行膨胀操作后的图像与该第一候选肺栓塞图像的差获得的膨胀图像。
膨胀图像均值:是指第一候选肺栓塞图像对应的膨胀图像中表征栓塞的体素(或图像包含体素)的平均灰度值。
膨胀图像最小值:是指第一候选肺栓塞图像对应的膨胀图像中表征栓塞的体素(或图像包含体素)的灰度值中的最小值。
膨胀图像最大值:是指第一候选肺栓塞图像对应的膨胀图像中表征栓塞的体素(或图像包含体素)的灰度值中的最大值。
膨胀图像标准差:是指第一候选肺栓塞图像对应的膨胀图像中表征栓塞的所有体素(或图像包含体素)的灰度值的标准差。
膨胀血管占比:根据第一候选肺栓塞图像对应的膨胀图像的二值图像,从肺动脉血管树图像中确定目标膨胀图像,将该目标膨胀图像中灰度值大于血管灰度阈值(如150)的体素数量与该目标膨胀图像中的灰度值处于-50至150的所有体素数量(即表征栓塞的体素数量)之比作为膨胀血管占比。
膨胀图像占比:根据第一候选肺栓塞图像对应的膨胀图像的二值图像,从肺动脉血管树图像中确定目标膨胀图像,将该目标膨胀图像中灰度值处于栓塞灰度阈值区间(如-50至150)的体素数量加上该目标膨胀图像中的灰度值处于-50至150的所有体素数量得到和值,将该和值与该目标膨胀图像中的所有体素数量之比作为膨胀图像占比。应当说明的是,膨胀图像或低帽变换图像中通常包含背景体素。
膨胀图像血管与栓塞平均距离的比值:计算膨胀图像的质心坐标,然后基于上述目标膨胀图像中灰度值大于血管灰度阈值(如150)的体素,计算各体素与质心的距离,并求平均值,得到血管平均距离;同时,基于上述目标膨胀图像中灰度值处于栓塞灰度阈值区间(如-50至150)的体素,计算各体素与质心的距离,并求平均值,得到栓塞平均距离;血管平均距离与栓塞平均距离之比即为膨胀图像血管与栓塞平均距离的比值。
低帽变换图像是根据对第二候选肺栓塞图像的二值图像进行闭运算操作后的图像与该第二候选肺栓塞图像的差获得的低帽变换图像。
低帽变换图像均值、低帽变换图像最小值、低帽变换图像最大值、低帽变换图像标准差、低帽变换血管占比、低帽变换图像占比分别与前述膨胀图像均值、膨胀图像最小值、膨胀图像最大值、膨胀图像标准差、膨胀血管占比、膨胀图像占比的计算方式相类似,此处不再赘述。
在发明人对大量样本栓塞图像特征分析之后,发现除了栓塞本身大小、形状等特征之外,其周边环境图像特征(即前述栓塞的环境特征信息)有更好的栓塞与非栓塞区分度。因此,一种优选的实施方式,在本公开的实施例中第一图像特征参数包括图像纹理特征值、图像形态特征值、膨胀图像均值、膨胀图像最小值、膨胀图像最大值、膨胀图像标准差、膨胀血管占比、膨胀图像占比、膨胀图像血管与栓塞平均距离的比值。且第二图像特征参数包括图像纹理特征值、图像形态特征值、低帽变换图像均值、低帽变换图像最小值、低帽变换图像最大值、低帽变换图像标准差、低帽变换血管占比、低帽变换图像占比。进一步地,将该第一图像特征参数和该第二图像特征参数分别作为第一分类器和第二分类器的输入参数,可以构建第一随机森林分类器和第二随机森林分类器。在将第一候选肺栓塞图像集合中每一第一候选肺栓塞图像的第一图像特征参数输入第一随机森林分类器后,该第一随机森林分类器输出该第一候选肺栓塞图像为真肺栓塞图像或假肺栓塞图像的结果。将第二候选肺栓塞图像集合中每一第二候选肺栓塞图像的第二图像特征参数输入第二随机森林分类器后,该第二随机森林分类器输出该第二候选肺栓塞图像为真肺栓塞图像或假肺栓塞图像的结果。如此,可以得到肺动脉CT血管造影的3D图像中的所有肺栓塞图像。其中肺栓塞图像为肺动脉CT血管造影的3D图像的子图像。
采用这种方式,通过获取肺动脉CT血管造影的3D图像(即CTPA图像),并提取该3D图像中的肺动脉血管树图像。对提取到的肺动脉血管树图像进行分割,得到对应于肺叶与肺段部位的第一肺动脉血管图像,以及对应于肺门与肺中纵隔部位的第二肺动脉血管图像。对第一肺动脉血管图像和第二肺动脉血管图像分别进行连通组件分析,得到第一候选肺栓塞图像集合以及第二候选肺栓塞图像集合。将第一候选肺栓塞图像集合中每一第一候选肺栓塞图像的第一图像特征参数输入第一分类器,将第二候选肺栓塞图像集合中每一第二候选肺栓塞图像的第二图像特征参数输入第二分类器,得到第一分类器和第二分类器分别筛选出的肺栓塞图像。采用这种方式,无需利用大量已标注栓塞区域的CTPA训练样本数据来训练深度神经网络模型,因而可以避免相关技术中存在的问题。
并且相关技术中,利用训练好的深度神经网络模型来识别待识别CTPA图像中的肺栓塞时,针对任一待识别CTPA图像中的任一肺动脉血管分支,该训练好的深度神经网络模型均是采用学习得到的同一特征参数集对该任一待识别CTPA图像中的任一肺动脉血管分支中的栓塞进行识别的。然而由于血管的粗细大小不同,不同粗细大小的血管内的栓塞大小差异很大,不同大小的栓塞的特征信息差异很大。因此相关技术中的这种方式,无法准确地识别出待识别CTPA图像中不同血管大小的各肺动脉血管分支中的肺栓塞。而采用本公开的上述技术方案,根据血管的分布位置对肺动脉血管树图像进行划分,可以分别得到对应于肺叶与肺段部位的血管细小的第一肺动脉血管图像,和对应于肺门与肺中纵隔部位的血管粗大的第二肺动脉血管图像。进而针对血管粗细大小不同的第一肺动脉血管图像对应的每一第一候选肺栓塞图像和第二肺动脉血管图像对应的每一第二候选肺栓塞图像,分别采用对应的第一图像特征参数和第二图像特征参数来识别粗细大小不同的肺动脉血管图像中的肺栓塞,如此克服了针对粗细大小不同的血管分支使用同一个特征参数集来识别肺栓塞时导致的肺栓塞识别不准确的问题。因此,本公开的上述技术方案实现了从肺动脉CT血管造影的3D图像中准确提取肺栓塞图像的目的。
一种可实现的实施方式,在从肺动脉CT血管造影的3D图像中提取到肺栓塞图像之后,可将提取到的肺栓塞图像在该肺动脉CT血管造影的3D图像中的位置在该肺动脉CT血管造影的3D图像中显示出来。
可选地,在上述步骤S13中,对所述第一肺动脉血管图像进行连通组件分析,得到对应于所述第一肺动脉血管图像的第一候选肺栓塞图像集合,具体包括以下步骤:
根据第一目标灰度值区间对所述第一肺动脉血管图像进行分割,得到第一肺栓塞图像,其中,所述第一肺栓塞图像中每一体素的灰度值处于所述第一目标灰度值区间;对所述第一肺栓塞图像进行连通组件分析,得到所述第一肺栓塞图像的至少一个连通组件,并将该至少一个连通组件中的体素数量大于第一预设阈值的连通组件对应的图像均作为所述第一候选肺栓塞图像,得到所述第一候选肺栓塞图像集合。
其中,由于表征栓塞的体素的灰度值一般为-50至150之间,表征血管的体素的灰度值一般大于150,因此第一目标灰度值区间可以设置为[-50,150]。而第一预设阈值可以为50个。
容易理解的是,虽然第一肺动脉血管图像中的血管为细小的血管,细小的血管内栓塞也较小。但是当第一肺栓塞图像的至少一个连通组件中的任一连通组件的体素数量过小的情况下,该连通组件对应的图像一般也不是栓塞图像,而可能是图像运算过程中造成的误差影响。
一种可实现的实施方式,在根据第一目标灰度值区间[-50,150]对第一肺动脉血管图像进行分割之前,还可以先对第一肺动脉血管图像进行预处理,或者在从肺动脉CT血管造影的3D图像中提取肺动脉血管树图像之前,可以对肺动脉CT血管造影的3D图像进行预处理。示例地,如将肺动脉CT血管造影的3D图像或者肺动脉血管树图像中体素空间间距设置为预设空间间距,例如为设置为1。同时对该肺动脉CT血管造影的3D图像或者肺动脉血管树图像进行窗体变换处理,使得图像中每一体素的灰度值处于预设灰度值区间,如[-1024,1024]。采用这种方式,可以使本公开实施例普适于利用各种CT扫描装置扫描到的肺动脉CT血管造影的3D图像。
参见图2,在上述步骤S13中,对所述第二肺动脉血管图像进行连通组件分析,得到对应于所述第二肺动脉血管图像的第二候选肺栓塞图像集合,具体可以包括以下步骤:
S21、根据第一目标灰度值区间对所述第二肺动脉血管图像进行分割,得到第二肺栓塞图像,其中,所述第二肺栓塞图像中每一体素的灰度值处于所述第一目标灰度值区间。
其中,第一目标灰度值区间可以为[-50,150]。
S22、对所述第二肺栓塞图像进行连通组件分析,得到所述第二肺栓塞图像的至少一个连通组件。
S23、将所述第二肺栓塞图像的至少一个连通组件中体素数量大于第二预设阈值且小于第三预设阈值的连通组件对应的图像均作为所述第二候选肺栓塞图像,所述第二预设阈值大于所述第一预设阈值。
容易理解的是,第二肺栓塞图像中的血管为粗大的血管,而粗大的血管内栓塞形状一般也较大。因此,可以将第二预设阈值设置为大于前述第一预设阈值50的值,例如第二预设阈值可以为300。而第三预设阈值可以设置为2000。若第二肺栓塞图像的至少一个连通组件中体素数量小于300,则说明该连通组件对应的图像不是该第二肺栓塞图像中粗大血管内的栓塞。
S24、对所述第二肺栓塞图像的至少一个连通组件中体素数量大于所述第三预设阈值的连通组件对应的目标图像进行开运算。
在第二肺栓塞图像的至少一个连通组件中若存在体素数量大于2000个的连通组件,那么该连通组件对应的图像中可能存在栓塞与软组织粘连的情况,针对这种情况,可以对该连通组件对应的图像进行开运算操作,以进一步分割该连通组件对应的图像,然后对分割后的该连通组件对应的图像再次进行连通组件分析。
具体地,当第二肺栓塞图像的至少一个连通组件中存在体素数量大于2000个的连通组件的情况下,对该体素数量大于2000个的连通组件对应的图像进行开运算,得到进行开运算后的目标图像。
S25、对进行开运算后的所述目标图像进行连通组件分析,得到进行开运算后的所述目标图像的至少一个连通组件,将该至少一个连通组件中的体素数量大于所述第二预设阈值且小于所述第三预设阈值的连通组件对应的图像均作为所述第二候选肺栓塞图像。
具体地,对目标图像进行连通组件分析,得到该目标图像的至少一个连通组件,将该至少一个连通组件中的体素数量大于300且小于2000的连通组件对应的图像也作为第二候选肺栓塞图像。
S26、得到所述第二候选肺栓塞图像集合。
基于步骤S23和S25中得到的第二候选肺栓塞图像,得到第二候选肺栓塞图像集合。
可选地,在上述步骤S12中,对所述肺动脉血管树图像进行分割,得到所述第一肺动脉血管图像,具体可以包括以下步骤:
根据第二目标灰度值区间对所述3D图像进行分割,得到对应的肺部图像,所述肺部图像中每一体素的灰度值处于所述第二目标灰度值区间;基于所述肺部图像的二值图像,确定所述第一肺动脉血管图像的二值图像;根据所述第一肺动脉血管图像的二值图像从所述肺动脉血管树图像中,确定所述第一肺动脉血管图像。
由于肺部阈值通常为[-900,-600],因此第二目标灰度值区间可以设置为[-900,-600]。那么根据该肺部阈值[-900,-600]对肺动脉CT血管造影的3D图像进行分割,可以得到对应的肺部图像。在确定肺部图像之后,可以根据肺部图像的二值图像进一步地确定肺内动脉血管的二值图像,即可以确定第一肺动脉血管图像的二值图像。而根据第一肺动脉血管图像的二值图像可以从肺动脉血管树图像中,确定第一肺动脉血管图像。
详细地,所述基于所述肺部图像的二值图像,确定所述第一肺动脉血管图像的二值图像的具体步骤为:
对肺部图像的二值图像进行连通组件分析,得到该肺部图像的二值图像的至少一个连通组件,并将该至少一个连通组件中的体素数量最多的连通组件对应的二值图像作为肺域二值图像;对肺域二值图像中的孔洞进行填充,得到填充后的肺域二值图像,其中,在填充孔洞时,闭运算核半径可以设置为5,以接近填满肺域二值图像中的孔洞但不溢出;用填充后的肺域二值图像减去填充前的肺域二值图像,得到肺内血管二值图像(即肺域二值图像中的孔洞为血管);对肺动脉血管树图像转换后的二值图像和肺内血管二值图像进行交集运算,得到该第一肺动脉血管图像的二值图像。
其中,所述肺动脉血管树图像转换后的二值图像通过以下方式获得:
从所述肺动脉血管树图像中确定体素灰度值大于预设灰度值的目标肺动脉血管树图像,其中,所述预设灰度值为所述第一目标灰度值区间中的下限值;将所述目标肺动脉血管树图像的二值图像作为所述肺动脉血管树图像转换后的二值图像。
由于前述第一目标灰度值区间为[-50,150],那么预设灰度值可以为-50。
具体地,从肺动脉血管树图像中确定体素灰度值大于-50的目标肺动脉血管树图像,使得该目标肺动脉血管树图像中的每一体素的灰度值均大于-50。由此使得该目标肺动脉血管树图像中包括栓塞和血管,并排除了体素灰度值小于-50的噪音。
图3是根据本公开一示例性实施例示出的一种对肺动脉血管树图像进行分割的方法的流程图,如图3所示,包括以下步骤:
S31、根据第二目标灰度值区间对所述3D图像进行分割,得到对应的肺部图像,所述肺部图像中每一体素的灰度值处于所述第二目标灰度值区间;
S32、对所述肺部图像的二值图像进行连通组件分析,得到所述肺部图像的二值图像的至少一个连通组件,并将该至少一个连通组件中的体素数量最多的连通组件对应的二值图像作为肺域二值图像;
S33、对所述肺域二值图像中的孔洞进行填充,得到填充后的所述肺域二值图像;
S34、根据填充后的所述肺域二值图像减去填充前的所述肺域二值图像,得到肺内血管二值图像;
S35、对所述肺动脉血管树图像转换后的二值图像和所述肺内血管二值图像进行交集运算,得到所述第一肺动脉血管图像的二值图像;
S36、根据所述第一肺动脉血管图像的二值图像从所述肺动脉血管树图像中,确定所述第一肺动脉血管图像;
S37、根据所述肺动脉血管树图像转换后的二值图像减去所述第一肺动脉血管图像的二值图像,得到所述第二肺动脉血管图像的二值图像;
S38根据所述第二肺动脉血管图像的二值图像从所述肺动脉血管树图像中确定所述第二肺动脉血管图像。
上述各步骤的具体实施方式已经在有关该方法的前述实施例中进行了详细的阐述,此处不再赘述。
图4是根据本公开一示例性实施例示出的一种提取肺栓塞图像的装置的框图,如图4所示,该装置400包括:
获取模块410,被配置为用于获取肺动脉CT血管造影的3D图像,并提取所述3D图像中的肺动脉血管树图像;
分割模块420,被配置为用于对所述肺动脉血管树图像进行分割,得到对应于肺叶与肺段部位的第一肺动脉血管图像,以及对应于肺门与肺中纵隔部位的第二肺动脉血管图像;
执行模块430,被配置为用于对所述第一肺动脉血管图像和所述第二肺动脉血管图像分别进行连通组件分析,得到对应于所述第一肺动脉血管图像的第一候选肺栓塞图像集合以及对应于所述第二肺动脉血管图像的第二候选肺栓塞图像集合;
筛选模块440,被配置为用于将所述第一候选肺栓塞图像集合中每一第一候选肺栓塞图像的第一图像特征参数输入第一分类器,将所述第二候选肺栓塞图像集合中每一第二候选肺栓塞图像的第二图像特征参数输入第二分类器,得到所述第一分类器和所述第二分类器分别筛选出的肺栓塞图像。
采用这种装置,采用这种方式,无需利用大量已标注栓塞区域的CTPA训练样本数据来训练深度神经网络模型,因而可以避免相关技术中存在的问题。
并且相关技术中,利用训练好的深度神经网络模型来识别待识别CTPA图像中的肺栓塞时,针对任一待识别CTPA图像中的任一肺动脉血管分支,该训练好的深度神经网络模型均是采用学习得到的同一特征参数集对该任一待识别CTPA图像中的任一肺动脉血管分支中的栓塞进行识别的。然而由于血管的粗细大小不同,不同粗细大小的血管内的栓塞大小差异很大,不同大小的栓塞的特征信息差异很大。因此相关技术中的这种方式,无法准确地识别出待识别CTPA图像中不同血管大小的各肺动脉血管分支中的肺栓塞。而采用本公开的上述技术方案,根据血管的分布位置对肺动脉血管树图像进行划分,可以分别得到对应于肺叶与肺段部位的血管细小的第一肺动脉血管图像,和对应于肺门与肺中纵隔部位的血管粗大的第二肺动脉血管图像。进而针对血管粗细大小不同的第一肺动脉血管图像对应的每一第一候选肺栓塞图像和第二肺动脉血管图像对应的每一第二候选肺栓塞图像,分别采用对应的第一图像特征参数和第二图像特征参数来识别粗细大小不同的肺动脉血管图像中的肺栓塞,如此克服了针对粗细大小不同的血管分支使用同一个特征参数集来识别肺栓塞时导致的肺栓塞识别不准确的问题。因此,本公开的上述技术方案实现了从肺动脉CT血管造影的3D图像中准确提取肺栓塞图像的目的。
可选地,所述执行模块430包括:
第一分割子模块,被配置为用于根据第一目标灰度值区间对所述第一肺动脉血管图像进行分割,得到第一肺栓塞图像,其中,所述第一肺栓塞图像中每一体素的灰度值处于所述第一目标灰度值区间;
第一执行子模块,被配置为用于对所述第一肺栓塞图像进行连通组件分析,得到所述第一肺栓塞图像的至少一个连通组件,并将该至少一个连通组件中的体素数量大于第一预设阈值的连通组件对应的图像均作为所述第一候选肺栓塞图像,得到所述第一候选肺栓塞图像集合。
可选地,所述执行模块430包括:
第二分割子模块,被配置为用于根据第一目标灰度值区间对所述第二肺动脉血管图像进行分割,得到第二肺栓塞图像,其中,所述第二肺栓塞图像中每一体素的灰度值处于所述第一目标灰度值区间;
第二执行子模块,被配置为用于对所述第二肺栓塞图像进行连通组件分析,得到所述第二肺栓塞图像的至少一个连通组件;将所述第二肺栓塞图像的至少一个连通组件中体素数量大于第二预设阈值且小于第三预设阈值的连通组件对应的图像均作为所述第二候选肺栓塞图像,得到所述第二候选肺栓塞图像集合,所述第二预设阈值大于所述第一预设阈值。
可选地,所述执行模块430包括:
第三执行子模块,被配置为用于对所述第二肺栓塞图像的至少一个连通组件中体素数量大于所述第三预设阈值的连通组件对应的目标图像进行开运算;对进行开运算后的所述目标图像进行连通组件分析,得到进行开运算后的所述目标图像的至少一个连通组件,将该至少一个连通组件中的体素数量大于所述第二预设阈值且小于所述第三预设阈值的连通组件对应的图像均作为所述第二候选肺栓塞图像。
可选地,所述第一图像特征参数包括图像纹理特征值、图像形态特征值、膨胀图像均值、膨胀图像最小值、膨胀图像最大值、膨胀图像标准差、膨胀血管占比、膨胀图像占比、膨胀图像血管与栓塞平均距离的比值中的至少一种;
所述第二图像特征参数包括所述图像纹理特征值、所述图像形态特征值、低帽变换图像均值、低帽变换图像最小值、低帽变换图像最大值、低帽变换图像标准差、低帽变换血管占比、低帽变换图像占比中的至少一种。
可选地,所述分割模块420包括:
第三分割子模块,被配置为用于根据第二目标灰度值区间对所述3D图像进行分割,得到对应的肺部图像,所述肺部图像中每一体素的灰度值处于所述第二目标灰度值区间;
第一确定子模块,被配置为用于基于所述肺部图像的二值图像,确定所述第一肺动脉血管图像的二值图像;
第二确定子模块,被配置为用于根据所述第一肺动脉血管图像的二值图像从所述肺动脉血管树图像中,确定所述第一肺动脉血管图像。
可选地,所述第一确定子模块,具体被配置为用于对所述肺部图像的二值图像进行连通组件分析,得到所述肺部图像的二值图像的至少一个连通组件,并将该至少一个连通组件中的体素数量最多的连通组件对应的二值图像作为肺域二值图像;对所述肺域二值图像中的孔洞进行填充,得到填充后的所述肺域二值图像;根据填充后的所述肺域二值图像减去填充前的所述肺域二值图像,得到肺内血管二值图像;对所述肺动脉血管树图像转换后的二值图像和所述肺内血管二值图像进行交集运算,得到所述第一肺动脉血管图像的二值图像。
可选地,所述分割模块420包括:
第四分割子模块,被配置为用于根据所述肺动脉血管树图像转换后的二值图像减去所述第一肺动脉血管图像的二值图像,得到所述第二肺动脉血管图像的二值图像;根据所述第二肺动脉血管图像的二值图像从所述肺动脉血管树图像中确定所述第二肺动脉血管图像。
可选地,所述肺动脉血管树图像转换后的二值图像通过以下方式获得:
从所述肺动脉血管树图像中确定体素灰度值大于预设灰度值的目标肺动脉血管树图像,其中,所述预设灰度值为所述第一目标灰度值区间中的下限值;
将所述目标肺动脉血管树图像的二值图像作为所述肺动脉血管树图像转换后的二值图像。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图5是根据本公开一示例性实施例示出的一种电子设备700的框图。如图5所示,该电子设备700可以包括:处理器701,存储器702。该电子设备700还可以包括多媒体组件703,输入/输出(I/O)接口704,以及通信组件705中的一者或多者。
其中,处理器701用于控制该电子设备700的整体操作,以完成上述的提取肺栓塞图像的方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作,这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件705可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的提取肺栓塞图像的方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的提取肺栓塞图像的方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器702,上述程序指令可由电子设备700的处理器701执行以完成上述的提取肺栓塞图像的方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的提取肺栓塞图像的方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (11)
1.一种提取肺栓塞图像的方法,其特征在于,所述方法包括:
获取肺动脉CT血管造影的3D图像,并提取所述3D图像中的肺动脉血管树图像;
对所述肺动脉血管树图像进行分割,得到对应于肺叶与肺段部位的第一肺动脉血管图像,以及对应于肺门与肺中纵隔部位的第二肺动脉血管图像;
对所述第一肺动脉血管图像和所述第二肺动脉血管图像分别进行连通组件分析,得到对应于所述第一肺动脉血管图像的第一候选肺栓塞图像集合以及对应于所述第二肺动脉血管图像的第二候选肺栓塞图像集合;
其中,对所述第一肺动脉血管图像进行连通组件分析,得到对应于所述第一肺动脉血管图像的第一候选肺栓塞图像集合,包括:
根据第一目标灰度值区间对所述第一肺动脉血管图像进行分割,得到第一肺栓塞图像,其中,所述第一肺栓塞图像中每一体素的灰度值处于所述第一目标灰度值区间;
对所述第一肺栓塞图像进行连通组件分析,得到所述第一肺栓塞图像的至少一个连通组件,并将该至少一个连通组件中的体素数量大于第一预设阈值的连通组件对应的图像均作为所述第一候选肺栓塞图像,得到所述第一候选肺栓塞图像集合;
将所述第一候选肺栓塞图像集合中每一第一候选肺栓塞图像的第一图像特征参数输入第一分类器,将所述第二候选肺栓塞图像集合中每一第二候选肺栓塞图像的第二图像特征参数输入第二分类器,得到所述第一分类器和所述第二分类器分别筛选出的肺栓塞图像。
2.根据权利要求1所述的方法,其特征在于,对所述第二肺动脉血管图像进行连通组件分析,得到对应于所述第二肺动脉血管图像的第二候选肺栓塞图像集合,包括:
根据所述第一目标灰度值区间对所述第二肺动脉血管图像进行分割,得到第二肺栓塞图像,其中,所述第二肺栓塞图像中每一体素的灰度值处于所述第一目标灰度值区间;
对所述第二肺栓塞图像进行连通组件分析,得到所述第二肺栓塞图像的至少一个连通组件;
将所述第二肺栓塞图像的至少一个连通组件中体素数量大于第二预设阈值且小于第三预设阈值的连通组件对应的图像均作为所述第二候选肺栓塞图像,得到所述第二候选肺栓塞图像集合,所述第二预设阈值大于所述第一预设阈值。
3.根据权利要求2所述的方法,其特征在于,在所述得到所述第二候选肺栓塞图像集合之前,包括:
对所述第二肺栓塞图像的至少一个连通组件中体素数量大于所述第三预设阈值的连通组件对应的目标图像进行开运算;
对进行开运算后的所述目标图像进行连通组件分析,得到进行开运算后的所述目标图像的至少一个连通组件,将该至少一个连通组件中的体素数量大于所述第二预设阈值且小于所述第三预设阈值的连通组件对应的图像均作为所述第二候选肺栓塞图像。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述第一图像特征参数包括图像纹理特征值、图像形态特征值、膨胀图像均值、膨胀图像最小值、膨胀图像最大值、膨胀图像标准差、膨胀血管占比、膨胀图像占比、膨胀图像血管与栓塞平均距离的比值中的至少一种;
所述第二图像特征参数包括所述图像纹理特征值、所述图像形态特征值、低帽变换图像均值、低帽变换图像最小值、低帽变换图像最大值、低帽变换图像标准差、低帽变换血管占比、低帽变换图像占比中的至少一种。
5.根据权利要求1-3中任一项所述的方法,其特征在于,对所述肺动脉血管树图像进行分割,得到所述第一肺动脉血管图像,包括:
根据第二目标灰度值区间对所述3D图像进行分割,得到对应的肺部图像,所述肺部图像中每一体素的灰度值处于所述第二目标灰度值区间;
基于所述肺部图像的二值图像,确定所述第一肺动脉血管图像的二值图像;
根据所述第一肺动脉血管图像的二值图像从所述肺动脉血管树图像中,确定所述第一肺动脉血管图像。
6.根据权利要求5所述的方法,其特征在于,所述基于所述肺部图像的二值图像,确定所述第一肺动脉血管图像的二值图像,包括:
对所述肺部图像的二值图像进行连通组件分析,得到所述肺部图像的二值图像的至少一个连通组件,并将该至少一个连通组件中的体素数量最多的连通组件对应的二值图像作为肺域二值图像;
对所述肺域二值图像中的孔洞进行填充,得到填充后的所述肺域二值图像;
根据填充后的所述肺域二值图像减去填充前的所述肺域二值图像,得到肺内血管二值图像;
对所述肺动脉血管树图像转换后的二值图像和所述肺内血管二值图像进行交集运算,得到所述第一肺动脉血管图像的二值图像。
7.根据权利要求6所述的方法,其特征在于,对所述肺动脉血管树图像进行分割,得到所述第二肺动脉血管图像,包括:
根据所述肺动脉血管树图像转换后的二值图像减去所述第一肺动脉血管图像的二值图像,得到所述第二肺动脉血管图像的二值图像;
根据所述第二肺动脉血管图像的二值图像从所述肺动脉血管树图像中确定所述第二肺动脉血管图像。
8.根据权利要求7所述的方法,其特征在于,所述肺动脉血管树图像转换后的二值图像通过以下方式获得:
从所述肺动脉血管树图像中确定体素灰度值大于预设灰度值的目标肺动脉血管树图像,其中,所述预设灰度值为第一目标灰度值区间中的下限值;
将所述目标肺动脉血管树图像的二值图像作为所述肺动脉血管树图像转换后的二值图像。
9.一种提取肺栓塞图像的装置,其特征在于,所述装置包括:
获取模块,被配置为用于获取肺动脉CT血管造影的3D图像,并提取所述3D图像中的肺动脉血管树图像;
分割模块,被配置为用于对所述肺动脉血管树图像进行分割,得到对应于肺叶与肺段部位的第一肺动脉血管图像,以及对应于肺门与肺中纵隔部位的第二肺动脉血管图像;
执行模块,被配置为用于对所述第一肺动脉血管图像和所述第二肺动脉血管图像分别进行连通组件分析,得到对应于所述第一肺动脉血管图像的第一候选肺栓塞图像集合以及对应于所述第二肺动脉血管图像的第二候选肺栓塞图像集合;
其中,所述执行模块包括:
第一分割子模块,被配置为用于根据第一目标灰度值区间对所述第一肺动脉血管图像进行分割,得到第一肺栓塞图像,其中,所述第一肺栓塞图像中每一体素的灰度值处于所述第一目标灰度值区间;
第一执行子模块,被配置为用于对所述第一肺栓塞图像进行连通组件分析,得到所述第一肺栓塞图像的至少一个连通组件,并将该至少一个连通组件中的体素数量大于第一预设阈值的连通组件对应的图像均作为所述第一候选肺栓塞图像,得到所述第一候选肺栓塞图像集合;
筛选模块,被配置为用于将所述第一候选肺栓塞图像集合中每一第一候选肺栓塞图像的第一图像特征参数输入第一分类器,将所述第二候选肺栓塞图像集合中每一第二候选肺栓塞图像的第二图像特征参数输入第二分类器,得到所述第一分类器和所述第二分类器分别筛选出的肺栓塞图像。
10.一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权利要求1-8中任一项所述方法的步骤。
11.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011255767.0A CN112465749B (zh) | 2020-11-11 | 2020-11-11 | 提取肺栓塞图像的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011255767.0A CN112465749B (zh) | 2020-11-11 | 2020-11-11 | 提取肺栓塞图像的方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112465749A CN112465749A (zh) | 2021-03-09 |
CN112465749B true CN112465749B (zh) | 2024-03-22 |
Family
ID=74826541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011255767.0A Active CN112465749B (zh) | 2020-11-11 | 2020-11-11 | 提取肺栓塞图像的方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465749B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113261985A (zh) * | 2021-06-29 | 2021-08-17 | 上海长征医院 | 一种医学图像处理方法、装置、介质及电子设备 |
CN114783558A (zh) * | 2022-04-25 | 2022-07-22 | 四川大学华西医院 | 一种肺栓塞患者的ctpa图像报告生成系统 |
CN116029967A (zh) * | 2022-09-08 | 2023-04-28 | 北京医准智能科技有限公司 | 一种肺栓塞图像的处理方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015066311A (ja) * | 2013-09-30 | 2015-04-13 | 国立大学法人徳島大学 | 画像処理装置、画像処理方法、画像処理装置の制御プログラム、記録媒体 |
WO2018023917A1 (zh) * | 2016-07-30 | 2018-02-08 | 上海联影医疗科技有限公司 | 一种下肢血管的提取方法及系统 |
AU2017225895A1 (en) * | 2016-03-04 | 2018-10-25 | 4DMedical Limited | Method and system for imaging |
CN108961273A (zh) * | 2018-07-03 | 2018-12-07 | 东北大学 | 一种从ct影像中分割肺动脉和肺静脉的方法及系统 |
CN110349175A (zh) * | 2019-06-25 | 2019-10-18 | 深圳先进技术研究院 | 一种动静脉畸形分割方法、系统及电子设备 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7961923B2 (en) * | 2006-08-22 | 2011-06-14 | Siemens Medical Solutions Usa, Inc. | Method for detection and visional enhancement of blood vessels and pulmonary emboli |
US8244012B2 (en) * | 2007-02-05 | 2012-08-14 | Siemens Medical Solutions Usa, Inc. | Computer aided detection of pulmonary embolism with local characteristic features in CT angiography |
US8036440B2 (en) * | 2007-02-05 | 2011-10-11 | Siemens Medical Solutions Usa, Inc. | System and method for computer aided detection of pulmonary embolism in tobogganing in CT angiography |
US8542893B2 (en) * | 2010-02-15 | 2013-09-24 | General Electric Company | System and method of pulmonary emboli detection for computed tomography |
US9959615B2 (en) * | 2015-07-01 | 2018-05-01 | Arizona Board Of Regents On Behalf Of Arizona State University | System and method for automatic pulmonary embolism detection |
US10157467B2 (en) * | 2015-08-07 | 2018-12-18 | Arizona Board Of Regents On Behalf Of Arizona State University | System and method for detecting central pulmonary embolism in CT pulmonary angiography images |
CN105701799B (zh) * | 2015-12-31 | 2018-10-30 | 东软集团股份有限公司 | 从肺部掩膜影像中分割肺血管的方法和装置 |
US11100685B2 (en) * | 2018-08-29 | 2021-08-24 | Arizona Board Of Regents On Behalf Of Arizona State University | Method and apparatus for detection and visualization of pulmonary embolism |
CN109727250B (zh) * | 2018-12-26 | 2020-10-27 | 北京化工大学 | 基于径向函数表示的ct图像序列肺动脉形态变化检测方法 |
-
2020
- 2020-11-11 CN CN202011255767.0A patent/CN112465749B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015066311A (ja) * | 2013-09-30 | 2015-04-13 | 国立大学法人徳島大学 | 画像処理装置、画像処理方法、画像処理装置の制御プログラム、記録媒体 |
AU2017225895A1 (en) * | 2016-03-04 | 2018-10-25 | 4DMedical Limited | Method and system for imaging |
WO2018023917A1 (zh) * | 2016-07-30 | 2018-02-08 | 上海联影医疗科技有限公司 | 一种下肢血管的提取方法及系统 |
CN108961273A (zh) * | 2018-07-03 | 2018-12-07 | 东北大学 | 一种从ct影像中分割肺动脉和肺静脉的方法及系统 |
CN110349175A (zh) * | 2019-06-25 | 2019-10-18 | 深圳先进技术研究院 | 一种动静脉畸形分割方法、系统及电子设备 |
Non-Patent Citations (5)
Title |
---|
A Two-Stage Convolutional Neural Network for Pulmonary Embolism Detection From CTPA Images;Xin Yang等;《IEEEE Xplore》;第7卷;84849-84857 * |
Automatic segmentation of arterial tree from 3D computed tomographic pulmonary angiography(CTPA) scans;Chi Zhang等;《computer assisted surgery》;第24卷(第2期);79-86 * |
Dual Energy CT lung perfusion imaging Correlation with SPECT/CT;S.F.Thieme等;《ELSEVIER》;360-365 * |
基于CT造影图像的肺栓塞计算机辅助检测;张杰慧;《中国优秀博士论文全文数据库 信息科技辑 》;I138-63 * |
基于混合域注意力机制的肺栓塞图像分割研究;徐欢;《中国优秀硕士论文全文数据库 卫生科技辑》;E063-59 * |
Also Published As
Publication number | Publication date |
---|---|
CN112465749A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112465749B (zh) | 提取肺栓塞图像的方法、装置、存储介质及电子设备 | |
CN109886933B (zh) | 一种医学图像识别方法、装置和存储介质 | |
CN111161275B (zh) | 医学图像中目标对象的分割方法、装置和电子设备 | |
CN110706246B (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
CN108961229A (zh) | 基于深度学习的心血管oct影像易损失斑块检测方法及系统 | |
CN109360633B (zh) | 医疗影像处理方法及装置、处理设备及存储介质 | |
US20170039711A1 (en) | System and method for detecting central pulmonary embolism in ct pulmonary angiography images | |
JP4964171B2 (ja) | 対象領域抽出方法および装置ならびにプログラム | |
US20220383661A1 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
CN112102275B (zh) | 肺主动脉血管图像提取方法、装置、存储介质及电子设备 | |
US11972571B2 (en) | Method for image segmentation, method for training image segmentation model | |
CN111951276A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN106169186A (zh) | 基于水平集运动目标检测中获取初始轮廓的方法 | |
CN112102267B (zh) | 肺动脉血管树的获取方法、装置、存储介质和电子设备 | |
CN112508835A (zh) | 一种基于gan的无造影剂医学图像增强建模方法 | |
US8306354B2 (en) | Image processing apparatus, method, and program | |
CN111667459A (zh) | 一种基于3d可变卷积和时序特征融合的医学征象检测方法、系统、终端及存储介质 | |
CN114972255A (zh) | 脑微出血的图像检测方法、装置、计算机设备及存储介质 | |
CN115953393A (zh) | 基于多任务学习的颅内动脉瘤检测系统、设备及存储介质 | |
Meng et al. | Globally measuring the similarity of superpixels by binary edge maps for superpixel clustering | |
CN113689412A (zh) | 甲状腺图像处理方法、装置、电子设备及存储介质 | |
JP2006042998A (ja) | 領域抽出方法およびその装置 | |
JP2005241886A (ja) | 地理画像間変化領域の抽出方法、地理画像間変化領域を抽出可能なプログラム、閉領域抽出方法及び閉領域抽出可能なプログラム | |
Abkenar et al. | Graph-based salient object detection using background and foreground connectivity cues | |
CN115331146A (zh) | 一种基于数据增强与特征融合的微小目标自适应检测方法 |
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 |