CN112561871B - 一种基于平扫ct图像的主动脉夹层分割方法和装置 - Google Patents
一种基于平扫ct图像的主动脉夹层分割方法和装置 Download PDFInfo
- Publication number
- CN112561871B CN112561871B CN202011442642.9A CN202011442642A CN112561871B CN 112561871 B CN112561871 B CN 112561871B CN 202011442642 A CN202011442642 A CN 202011442642A CN 112561871 B CN112561871 B CN 112561871B
- Authority
- CN
- China
- Prior art keywords
- image
- radial slice
- aorta
- images
- radial
- 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
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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Abstract
本发明公开了一种基于平扫CT图像的主动脉夹层分割方法和装置,该方法包括以下步骤:从原始平扫CT图像中提取出主动脉图像;对主动脉图像进行径向切片处理,得到多层径向切片图像;根据每一层径向切片图像的不同区域的Hu值差异和面积来确定夹层区域,和/或,根据每一层径向切片图像的主动脉长径来确定夹层区域;以及当至少连续9层径向切片图像存在夹层区域时,将至少连续9层径向切片图像的每一张中的夹层区域分割出来并合并为主动脉夹层图像。本发明基于更安全的平扫CT图像对主动脉夹层进行自动分割,可降低患者的相关费用支出,且有利于推广实施,整个过程不需要人工参与,能够极大地提高临床诊断的准确性和效率。
Description
技术领域
本发明涉及医学图像分割技术领域,更具体地,特别是指一种基于平扫CT图像的主动脉夹层分割方法和装置。
背景技术
主动脉夹层是威胁生命的心血管疾病,其早期诊断和治疗至关重要。典型患者可能会出现突然发作的胸痛等症状,但其起病时的症状多样,临床上易漏诊或误诊。
CT血管造影检查(CTA)可以准确识别移位的内膜片,其诊断主动脉夹层的敏感性及特异性接近100%,但由于CTA所需使用的含碘对比剂具有致敏性和肾毒性,因而CTA的临床实施在一些情况下可能受到限制。平扫CT检查费用相对较低且易于实施,虽然钙化内膜片的内移和管腔内线样征象有助于预警主动脉夹层的发生,但人工判读平扫CT图像上的主动脉夹层征象准确性仍然有限。
医学图像分割是定量分析、三维可视化、图像引导手术、放疗计划和治疗评估等临床应用的重要基础步骤。随着计算机技术的不断发展,相关分割算法逐渐成为本领域的关注热点。如果能够基于平扫CT图像数据自动计算并获取更多主动脉夹层的信息,将极大提高主动脉夹层临床诊断效率。
针对上述现有技术的缺陷,本领域亟待需要一种基于平扫CT图像的主动脉夹层分割方案。
发明内容
有鉴于此,本发明实施例的目的在于提出一种基于平扫CT图像的主动脉夹层分割方法和装置,能够解决上述现有技术无法实现基于平扫CT图像自动分割主动脉夹层等问题。
基于上述目的,本发明实施例的一方面提供了一种基于平扫CT图像的主动脉夹层分割方法,包括以下步骤:
步骤1、从原始平扫CT图像中提取出主动脉图像;
步骤2、对所述主动脉图像进行径向切片处理,得到多层径向切片图像;
步骤3、根据每一层径向切片图像的不同区域的Hu值差异和面积来确定夹层区域,和/或,根据每一层径向切片图像的主动脉长径来确定夹层区域;以及
步骤4、当至少连续9层径向切片图像存在所述夹层区域时,将所述至少连续9层径向切片图像的每一张中的所述夹层区域分割出来并合并为主动脉夹层图像。
在一些实施方式中,所述步骤1进一步包括:
步骤11、对所述原始平扫CT图像进行预处理,得到预处理图像数据;
步骤12、使用U-Net网络对所述预处理图像数据进行图像分割以得到与其对应的主动脉Mask图像;以及
步骤13、根据所述主动脉Mask图像提取出所述主动脉图像。
在一些实施方式中,在所述步骤11中,使用以下标准化公式对所述原始平扫CT图像进行预处理:
其中,μ为均值,σ为方差,b为偏移,g为缩放参数。
在一些实施方式中,在所述步骤2之后且所述步骤3之前,所述方法还包括:
去除所述径向切片图像中的钙化区域和线样征象。
在一些实施方式中,去除所述径向切片图像中的钙化区域和线样征象进一步包括:
对所述径向切片图像的每个像素进行检测,将检测结果中Hu值大于130的区域作为所述钙化区域去除;和
根据预先设定的线样形状,使用霍夫变换方法在所述径向切片图像中进行线样检测,将检测出的与所述预先设定的线样形状对应的线样征象去除。
在一些实施方式中,在所述步骤3中,根据每一层径向切片图像的不同区域的Hu值差异和面积来确定夹层区域进一步包括:
对每一层径向切片图像进行聚类,确定存在夹层区域的径向切片图像的每种聚类的面积≥该层径向切片图像面积的20%;和
分别计算确定存在夹层区域的径向切片图像的每种聚类的平均Hu值,当同一层存在夹层区域的径向切片图像的每种聚类的平均Hu值的差值大于8Hu时,确定平均Hu值高的聚类对应的区域为所述夹层区域。
在一些实施方式中,对每一层径向切片图像进行聚类是使用K-Means方法对每一层径向切片图像进行聚类,并且聚类的种类为2类。
在一些实施方式中,在所述步骤3中,根据每一层径向切片图像的主动脉长径来确定夹层区域进一步包括:
比较连续的两层径向切片图像的主动脉长径,如果后一层径向切片图像的主动脉长径比前一层径向切片图像的主动脉长径至少多1.5倍,则确定不重复区域为所述夹层区域。
在一些实施方式中,在所述步骤3中,根据每一层径向切片图像的主动脉长径来确定夹层区域进一步包括:
比较连续的两层径向切片图像的主动脉长径,如果后一层径向切片图像的主动脉长径比前一层径向切片图像的主动脉长径至少多0.5cm,则确定不重复区域为所述夹层区域。
基于上述目的,本发明实施例的另一方面提供了一种基于平扫CT图像的主动脉夹层分割装置,包括:
处理器;和
存储器,所述存储器存储有可在所述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程序时执行如权利要求1-9中任意一项所述的方法。
本发明具有以下有益技术效果:
本发明实施例提供的基于平扫CT图像的主动脉夹层分割方法和装置,基于取得方式更安全的平扫CT图像对主动脉夹层进行自动分割,可降低患者的相关费用支出,且有利于推广实施,全程由计算机自动计算,整个过程不需要人工参与,能够极大地提高临床诊断的准确性和效率。本发明提出的方案适用于主动脉夹层的预警,有助于提升主动脉夹层的筛查效率,实现患者的早期诊断及安全快速转诊。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的实施例。
图1为根据本发明一个实施例的基于平扫CT图像的主动脉夹层分割方法的示意性流程图;
图2为U-Net网络结构的示意图;
图3为一层径向切片图像的聚类结果的示意图;
图4为连续的两层径向切片图像的对比图;以及
图5为根据本发明一个实施例的基于平扫CT图像的主动脉夹层分割装置的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明实施例进一步详细说明。
需要说明的是,本发明实施例中所有使用“第一”、“第二”等的表述均是为了区分多个相同名称非相同的实体或者非相同的参量,可见“第一”、“第二”等仅为了表述的方便,不应理解为对本发明实施例的限定,后续实施例对此不再一一说明。
基于上述目的,本发明一个实施例提出了一种基于平扫CT图像的主动脉夹层分割方法。图1示出的是该方法的示意性流程图。该方法主要是基于平扫CT图像自动分割获取主动脉夹层,相较于CTA需要使用具有致敏性和肾毒性的含碘对比剂,平扫CT图像的取得方式更安全,费用更低,且易于推广实施。总体而言,本发明提出的方法首先从平扫CT图像中分割出主动脉图像,然后通过切片处理得到主动脉的径向切片图像,最后利用本发明的算法结合本领域的判断标准从主动脉径向切片图像中分割出主动脉夹层。此方法全程由计算机自动计算,整个过程不需要人工参与,能够极大地提高临床诊断的准确性和效率。这里,本领域的判断标准例如可以包括:1.动脉壁钙化斑块向内移位超过5mm;2.血管腔内新月形高密度影;3.血管腔内线样征;4.血管腔内明显的异常密度影;5.血管腔内密度不均匀:同层面管腔密度差超过8Hu;6.主动脉增宽;7.主动脉局部膨大,比其上游直径增大超过0.5cm;8.主动脉形态不规则,横断面呈椭圆形。
具体而言,如图1中所示,该基于平扫CT图像的主动脉夹层分割方法包括以下步骤:
步骤S1、从原始平扫CT图像中提取出主动脉图像。
在此步骤中,首先对所述原始平扫CT图像进行预处理,得到预处理图像数据。接下来使用U-Net网络对所述预处理图像数据进行图像分割以得到与其对应的主动脉Mask图像,图2示出了U-Net网络结构的示意图,如图2所示,U-Net网络包含编码部分(图2左侧)和解码部分(图2右侧)。U-Net网络模型的训练过程大致包括以下步骤:(1)通过人工标注方法对主动脉进行图像标注;(2)数据预处理和模型训练,得到所述U-Net网络模型。U-Net是深度学习中常用的分割模型,对本领域技术人员而言,显而易见的是,本发明所使用的分割网络除了基本的U-Net之外,也可以是能够实现本发明目的的其他分割网络,这里对分割网络的结构和训练过程不再予以赘述。在得到主动脉Mask图像之后,根据所述主动脉Mask图像提取出所述主动脉图像。
步骤S2、对所述主动脉图像进行径向切片处理,得到多层径向切片图像,后续步骤将逐片进行处理。
步骤S3、根据每一层径向切片图像的不同区域的Hu值差异和面积来确定夹层区域,和/或,根据每一层径向切片图像的主动脉长径来确定夹层区域。
优选地,在所述步骤S2之后且所述步骤S3之前,所述方法还包括:判断所述径向切片图像中是否有钙化和线样征象,若无钙化或线样征象,则可以直接进行步骤S3;若有钙化或线样征象,则去除所述径向切片图像中的钙化区域和线样征象后再进行步骤S3。这样做的目的是使步骤S3不会受到钙化和线样征影响。同时,在此步骤,若有钙化,还可以进一步判断钙化是否为内膜钙化移位,当发现钙化离分割边缘>5mm时,即认为该处存在主动脉内膜钙化移位。
具体地,去除所述径向切片图像中的钙化区域和线样征象进一步包括:对所述径向切片图像的每个像素进行检测,将检测结果中Hu值大于130的区域作为所述钙化区域去除;和根据预先设定的线样形状,使用霍夫变换方法在所述径向切片图像中进行线样检测,将检测出的与所述预先设定的线样形状对应的线样征象去除。
步骤S4、当至少连续9层径向切片图像存在所述夹层区域时,将所述至少连续9层径向切片图像的每一张中的所述夹层区域分割出来并合并为主动脉夹层图像。
在一个优选实施例中,可以使用空间标准化、图像强度标准化等方法对所述原始平扫CT图像进行预处理。例如,使用以下标准化公式对所述原始平扫CT图像进行预处理:
其中,μ为均值,σ为方差,b为偏移,g为缩放参数。
在一个优选实施例中,在所述步骤S3中,根据每一层径向切片图像的不同区域的Hu值差异和面积来确定夹层区域进一步包括:对每一层径向切片图像进行聚类(可以使用K-Means方法进行聚类,并且聚类的种类为2类,如图3所示,为一层径向切片图像的聚类结果),确定存在夹层区域的径向切片图像的每种聚类的面积≥该层径向切片图像面积的20%;和分别计算确定存在夹层区域的径向切片图像的每种聚类的平均Hu值,当同一层存在夹层区域的径向切片图像的每种聚类的平均Hu值的差值(密度差)大于8Hu时,确定平均Hu值高的聚类对应的区域(高密度区域)为所述夹层区域。
在一个优选实施例中,在所述步骤S3中,根据每一层径向切片图像的主动脉长径来确定夹层区域进一步包括:比较连续的两层径向切片图像的主动脉长径,如果后一层径向切片图像的主动脉长径比前一层径向切片图像的主动脉长径至少多1.5倍或0.5cm,则确定不重复区域为所述夹层区域。如图4所示,右图中灰色区域即为夹层区域。
需要说明的是,本领域普通技术人员可以理解实现上述实施例操作中的全部或部分流程,可以通过计算机程序来指令相关硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述操作的实施例的流程。所述计算机程序可以达到与之对应的前述操作实施例相同或者相类似的效果。
基于上述目的,本发明实施例的第二个方面,提出了一种基于平扫CT图像的主动脉夹层分割装置的一个实施例。该基于平扫CT图像的主动脉夹层分割装置可以包括:处理器;和存储器,存储器存储有可在处理器上运行的计算机程序,处理器执行程序时执行如上所述的方法。
如图5中所示,为本发明提供的执行上述基于平扫CT图像的主动脉夹层分割方法的装置的一个实施例的硬件结构示意图。
以如图5所示的装置为例,在该装置中包括处理器201以及存储器202,并还可以包括:输入装置203和输出装置204。
处理器201、存储器202、输入装置203和输出装置204可以通过总线或者其他方式连接,图5中以通过总线连接为例。
存储器202作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的所述方法对应的程序指令/模块。处理器201通过运行存储在存储器202中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例的方法。
存储器202可以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、至少一个功能所需要的应用程序;存储数据区可存储根据上述方法的使用所创建的数据等。此外,存储器202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。在一些实施例中,存储器202可选包括相对于处理器201远程设置的存储器,这些远程存储器可以通过网络连接至本地模块。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203可接收输入的数字或字符信息,以及产生与系统的用户设置以及功能控制有关的键信号输入。输出装置204可包括显示屏等显示设备。
所述方法对应的程序指令/模块存储在所述存储器202中,当被所述处理器201执行时,执行上述任意方法实施例中的方法。
所述装置的任何一个实施例,可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
此外,应该明白的是,实现本发明的操作所采用的计算机可读存储介质(例如,存储器)可以是易失性存储器或非易失性存储器,或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的,非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM),该RAM可以充当外部高速缓存存储器。作为例子而非限制性的,RAM可以以多种形式获得,比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)以及直接RambusRAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
本领域技术人员还将明白的是,结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以利用被设计成用于执行这里所述功能的下列部件来实现或执行:通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器,但是可替换地,处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
在一个或多个示例性设计中,所述功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现,则可以将所述功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质,该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的,该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备,或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外,任何连接都可以适当地称为计算机可读介质。例如,如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件,则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的,磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘,其中磁盘通常磁性地再现数据,而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。
以上是本发明公开的示例性实施例,上述本发明实施例公开的顺序仅仅为了描述,不代表实施例的优劣。但是应当注意,以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子,在不背离权利要求限定的范围的前提下,可以进行多种改变和修改。根据这里描述的公开实施例的权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外,尽管本发明实施例公开的元素可以以个体形式描述或要求,但除非明确限制为单数,也可以理解为多个。
Claims (8)
1.一种基于平扫CT图像的主动脉夹层分割方法,其特征在于,包括以下步骤:
步骤1、从原始平扫CT图像中提取出主动脉图像;
步骤2、对所述主动脉图像进行径向切片处理,得到多层径向切片图像;
步骤3、根据每一层径向切片图像的不同区域的Hu值差异和面积来确定夹层区域,和/或,根据每一层径向切片图像的主动脉长径来确定夹层区域;以及
步骤4、当至少连续9层径向切片图像存在所述夹层区域时,将所述至少连续9层径向切片图像的每一张中的所述夹层区域分割出来并合并为主动脉夹层图像,
其中,在所述步骤3中,根据每一层径向切片图像的主动脉长径来确定夹层区域进一步包括:
比较连续的两层径向切片图像的主动脉长径,如果后一层径向切片图像的主动脉长径比前一层径向切片图像的主动脉长径至少多1.5倍或者0.5cm,则确定不重复区域为所述夹层区域。
2.根据权利要求1所述的基于平扫CT图像的主动脉夹层分割方法,其特征在于,所述步骤1进一步包括:
步骤11、对所述原始平扫CT图像进行预处理,得到预处理图像数据;
步骤12、使用U-Net网络对所述预处理图像数据进行图像分割以得到与其对应的主动脉Mask图像;以及
步骤13、根据所述主动脉Mask图像提取出所述主动脉图像。
4.根据权利要求1所述的基于平扫CT图像的主动脉夹层分割方法,其特征在于,在所述步骤2之后且所述步骤3之前,所述方法还包括:
去除所述径向切片图像中的钙化区域和线样征象。
5.根据权利要求4所述的基于平扫CT图像的主动脉夹层分割方法,其特征在于,去除所述径向切片图像中的钙化区域和线样征象进一步包括:
对所述径向切片图像的每个像素进行检测,将检测结果中Hu值大于130的区域作为所述钙化区域去除;和
根据预先设定的线样形状,使用霍夫变换方法在所述径向切片图像中进行线样检测,将检测出的与所述预先设定的线样形状对应的线样征象去除。
6.根据权利要求4所述的基于平扫CT图像的主动脉夹层分割方法,其特征在于,在所述步骤3中,根据每一层径向切片图像的不同区域的Hu值差异和面积来确定夹层区域进一步包括:
对每一层径向切片图像进行聚类,确定存在夹层区域的径向切片图像的每种聚类的面积≥该层径向切片图像面积的20%;和
分别计算确定存在夹层区域的径向切片图像的每种聚类的平均Hu值,当同一层存在夹层区域的径向切片图像的每种聚类的平均Hu值的差值大于8Hu时,确定平均Hu值高的聚类对应的区域为所述夹层区域。
7.根据权利要求6所述的基于平扫CT图像的主动脉夹层分割方法,其特征在于,对每一层径向切片图像进行聚类是使用K-Means方法对每一层径向切片图像进行聚类,并且聚类的种类为2类。
8.一种基于平扫CT图像的主动脉夹层分割装置,包括:
处理器;和
存储器,所述存储器存储有可在所述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程序时执行如权利要求1-7中任意一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011442642.9A CN112561871B (zh) | 2020-12-08 | 2020-12-08 | 一种基于平扫ct图像的主动脉夹层分割方法和装置 |
ZA2021/08279A ZA202108279B (en) | 2020-12-08 | 2021-10-27 | Non-contrast ct scanning image-based aortic dissection segmentation method and apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011442642.9A CN112561871B (zh) | 2020-12-08 | 2020-12-08 | 一种基于平扫ct图像的主动脉夹层分割方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112561871A CN112561871A (zh) | 2021-03-26 |
CN112561871B true CN112561871B (zh) | 2021-09-03 |
Family
ID=75062566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011442642.9A Active CN112561871B (zh) | 2020-12-08 | 2020-12-08 | 一种基于平扫ct图像的主动脉夹层分割方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112561871B (zh) |
ZA (1) | ZA202108279B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015073048A1 (en) * | 2013-11-18 | 2015-05-21 | Varian Medical Systems, Inc. | Cone-beam computed tomography imaging devices, systems, and methods |
CN107837130A (zh) * | 2017-11-28 | 2018-03-27 | 严中亚 | 一种快速制备用于治疗主动脉弓部夹层的术中个体化覆膜支架的方法 |
CN108025093A (zh) * | 2015-07-17 | 2018-05-11 | 布鲁塞尔自由大学 | 用于在治疗癌症中使用的放射性标记的抗体片段 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2012250539A1 (en) * | 2011-05-05 | 2013-12-19 | Cedars-Sinai Medical Center | Assessment of coronary heart disease with carbon dioxide |
CN104287870B (zh) * | 2014-10-10 | 2017-03-29 | 先健科技(深圳)有限公司 | 管腔支架 |
EP3375364A4 (en) * | 2017-01-23 | 2019-01-23 | Shanghai United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR ANALYZING THE STATUS OF BLOOD CIRCULATION |
CN109389669A (zh) * | 2017-08-04 | 2019-02-26 | 阿里健康信息技术有限公司 | 虚拟环境中人体三维模型构建方法及系统 |
CN107557467B (zh) * | 2017-08-10 | 2021-05-11 | 李永东 | 一种与脑动脉瘤相关的临床标志物及其应用 |
CN107978372A (zh) * | 2017-12-07 | 2018-05-01 | 北京理工大学 | 虚拟支架在血管内扩张的模拟方法、装置及电子设备 |
CN109003278B (zh) * | 2018-03-26 | 2022-03-04 | 天津工业大学 | 一种改进的基于主动形状模型的ct图像主动脉分割方法 |
CN108932723A (zh) * | 2018-03-26 | 2018-12-04 | 天津工业大学 | 一种基于曲面形态的三维Snake主动脉夹层分割方法 |
CN109009000A (zh) * | 2018-06-25 | 2018-12-18 | 慧影医疗科技(北京)有限公司 | 一种主动脉夹层破口位置的检测方法 |
CN108805134B (zh) * | 2018-06-25 | 2021-09-10 | 慧影医疗科技(北京)有限公司 | 一种主动脉夹层分割模型的构建方法及应用 |
CN109452940A (zh) * | 2018-10-30 | 2019-03-12 | 中国医学科学院北京协和医院 | 医学影像成像实验动物固定装置 |
CN110264465A (zh) * | 2019-06-25 | 2019-09-20 | 中南林业科技大学 | 一种基于形态学和深度学习的主动脉夹层动态检测方法 |
CN110652312B (zh) * | 2019-07-19 | 2023-03-14 | 慧影医疗科技(北京)股份有限公司 | 一种血管cta智能分析系统及应用 |
CN110599505A (zh) * | 2019-09-17 | 2019-12-20 | 上海微创医疗器械(集团)有限公司 | 一种器官图像分割方法、装置、电子设备和存储介质 |
CN110610502A (zh) * | 2019-09-18 | 2019-12-24 | 天津工业大学 | 一种基于ct图像的主动脉弓部区域自动定位分割方法 |
CN110796670B (zh) * | 2019-10-30 | 2022-07-26 | 北京理工大学 | 一种夹层动脉分割方法及装置 |
CN111145181B (zh) * | 2019-12-25 | 2023-04-07 | 华侨大学 | 基于多视角分离卷积神经网络的骨骼ct图像三维分割方法 |
-
2020
- 2020-12-08 CN CN202011442642.9A patent/CN112561871B/zh active Active
-
2021
- 2021-10-27 ZA ZA2021/08279A patent/ZA202108279B/en unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015073048A1 (en) * | 2013-11-18 | 2015-05-21 | Varian Medical Systems, Inc. | Cone-beam computed tomography imaging devices, systems, and methods |
CN108025093A (zh) * | 2015-07-17 | 2018-05-11 | 布鲁塞尔自由大学 | 用于在治疗癌症中使用的放射性标记的抗体片段 |
CN107837130A (zh) * | 2017-11-28 | 2018-03-27 | 严中亚 | 一种快速制备用于治疗主动脉弓部夹层的术中个体化覆膜支架的方法 |
Non-Patent Citations (1)
Title |
---|
"Muscle segmentation of L3 slice in abdomen CT images based on fully convolutional networks";Yingying Liu等;《2019 Ninth International Conference on Image Processing Theory, Tools and Applications (IPTA)》;20191219;正文第1-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112561871A (zh) | 2021-03-26 |
ZA202108279B (en) | 2022-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lareyre et al. | A fully automated pipeline for mining abdominal aortic aneurysm using image segmentation | |
Chen et al. | Development of a quantitative intracranial vascular features extraction tool on 3 D MRA using semiautomated open‐curve active contour vessel tracing | |
Cha et al. | Urinary bladder segmentation in CT urography using deep‐learning convolutional neural network and level sets | |
da Silva Sousa et al. | Methodology for automatic detection of lung nodules in computerized tomography images | |
CN111476757B (zh) | 一种冠脉斑块数据检测方法、系统、存储介质、终端 | |
CN112567378A (zh) | 利用定量成像的方法和系统 | |
CN113420826B (zh) | 一种肝脏病灶图像处理系统及图像处理方法 | |
EA009382B1 (ru) | Автоматизированные способы и системы для обнаружения и анализа сосудистых бляшек | |
JP2020518396A (ja) | 慢性血栓塞栓性肺高血圧症の放射線学的特定における改善 | |
TWI698225B (zh) | 血管狀態評估方法與血管狀態評估裝置 | |
CN111640124B (zh) | 一种血管提取方法、装置、设备及存储介质 | |
Biswas et al. | Visible watermarking within the region of non-interest of medical images based on fuzzy C-means and Harris corner detection | |
WO2024001747A1 (zh) | 肺部血管模型的建立方法、装置及服务器 | |
Kobayashi et al. | Computer-aided diagnosis with a convolutional neural network algorithm for automated detection of urinary tract stones on plain X-ray | |
Zhai et al. | Automatic quantitative analysis of pulmonary vascular morphology in CT images | |
Zhang et al. | Current research and future prospects of IVOCT imaging‐based detection of the vascular lumen and vulnerable plaque | |
Ma et al. | A coronary artery segmentation method based on region growing with variable sector search area | |
CN112288752B (zh) | 一种基于胸部平扫ct的冠脉钙化灶全自动分割方法 | |
CN112561871B (zh) | 一种基于平扫ct图像的主动脉夹层分割方法和装置 | |
Duan et al. | Segmentation of pulmonary vascular tree by incorporating vessel enhancement filter and variational region-growing | |
Liu et al. | Deep learning for detection of intracranial aneurysms from computed tomography angiography images | |
Iordanescu et al. | Reduction of false positives on the rectal tube in computer‐aided detection for CT colonography: Reduction of FP in CTC CAD | |
Devan et al. | Automated texture‐based characterization of fibrosis and carcinoma using low‐dose lung CT images | |
CN109671091B (zh) | 一种非钙化斑检测方法及非钙化斑检测设备 | |
TW202217840A (zh) | 醫療影像分析系統及方法 |
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 |