CN112712507A - 一种确定冠状动脉的钙化区域的方法及装置 - Google Patents
一种确定冠状动脉的钙化区域的方法及装置 Download PDFInfo
- Publication number
- CN112712507A CN112712507A CN202011634228.8A CN202011634228A CN112712507A CN 112712507 A CN112712507 A CN 112712507A CN 202011634228 A CN202011634228 A CN 202011634228A CN 112712507 A CN112712507 A CN 112712507A
- Authority
- CN
- China
- Prior art keywords
- region
- interest
- coronary artery
- calcification
- determining
- 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
- 210000004351 coronary vessel Anatomy 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 34
- 206010003211 Arteriosclerosis coronary artery Diseases 0.000 claims abstract description 59
- 230000002308 calcification Effects 0.000 claims abstract description 35
- 238000013145 classification model Methods 0.000 claims abstract description 29
- 230000005484 gravity Effects 0.000 claims abstract description 19
- 230000004807 localization Effects 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 239000004576 sand Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 description 19
- 238000005070 sampling Methods 0.000 description 15
- 238000012549 training Methods 0.000 description 15
- 238000000605 extraction Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 210000000038 chest Anatomy 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000011164 ossification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/10—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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种确定冠状动脉的钙化区域的方法及装置,所述方法包括:获取医学影像,所述医学影像包括多帧横断面影像。分割每一帧横断面影像中的冠状动脉钙化以获得第一区域。基于所述第一区域中的定位点从所述医学影像中获取感兴趣区域,所述感兴趣区域包括冠状动脉钙化区域,所述定位点关联于所述第一区域的中心或者重心。通过分类模型对所述感兴趣区域进行分类以获得所述感兴趣区域为冠状动脉钙化区域的置信度。基于所述感兴趣区域为冠状动脉钙化区域的置信度及其与冠状动脉区域的位置关系,确定每一帧横断面影像中冠状动脉的钙化区域。本发明方案提高了确定冠状动脉的钙化区域的速度和准确度。
Description
技术领域
本发明涉及医疗技术领域,特别涉及一种确定冠状动脉的钙化区域的方法及装置、计算机设备及计算机可读存储介质。
背景技术
冠状动脉钙化简称为冠脉钙化,目前被认为是与年龄相关的必然被动过程,其原因目前认为与异位成骨有关。根据钙化形成的部位,一般将冠脉钙化分为内膜钙化与中膜钙化两种形式。目前通常采用拍摄胸部CT的方式来确定受检者是否患有冠脉钙化。具体地,由医生根据自己的经验来判断采集到的横断面影像中的冠脉是否已经钙化。然而采用人工方式确定受检者的冠脉是否钙化,效率较低且存在较大的主观性,可能会出现误判或漏判的情况,进而影响后续的诊断和治疗。
因此,如何能够快速准确的确定受检者的冠脉是否钙化,成为目前亟待解决的问题之一。
发明内容
本发明提供一种确定冠状动脉的钙化区域的方法及装置、计算机设备及计算机可读存储介质,以解决现有技术中采用人工方式确定受检者冠脉否钙化时,效率和准确率较低的技术问题。
本发明提供一种确定冠状动脉的钙化区域的方法,包括:
获取医学影像,所述医学影像包括多帧横断面影像;
分割每一帧横断面影像中的冠状动脉钙化以获得第一区域;
基于所述第一区域中的定位点从所述医学影像中获取感兴趣区域,所述感兴趣区域包括冠状动脉钙化区域,所述定位点关联于所述第一区域的中心或者重心;
通过分类模型对所述感兴趣区域进行分类以获得所述感兴趣区域为冠状动脉钙化区域的置信度;
基于所述感兴趣区域为冠状动脉钙化区域的置信度及其与冠状动脉区域的位置关系,确定每一帧横断面影像中冠状动脉的钙化区域。
可选的,所述获取医学影像包括:
获取多帧冠状面影像;
确定每一帧冠状面影像中起始点和终止点的Z坐标;
确定多帧冠状面影像中Z坐标最小的起始点的Z坐标zs;
确定多帧冠状面影像中Z坐标最大的终止点的Z坐标ze;
确定位于Z=zs和Z=ze之间的影像为所述医学影像。
可选的,所述通过分类模型对所述感兴趣区域进行分类以获得所述感兴趣区域为冠状动脉钙化区域的置信度包括:
将所述感兴趣区域及与其关联的关注区域输入所述分类模型以输出所述感兴趣区域为冠状动脉钙化区域的置信度。
可选的,所述关注区域与所述感兴趣区域大小相同,且包括以与其关联的感兴趣区域所对应的第一区域中的定位点为中心,向周围扩展预定距离的几何体。
可选的,所述关注区域中至少部分区域的灰度值为255。
可选的,所述预定距离关联于与所述关注区域关联的感兴趣区域所对应的第一区域中的定位点与第一区域边界上的点之间的距离的最大值。。
可选的,所述确定冠状动脉的钙化区域的方法还包括:定位所述医学影像中的冠状动脉区域的关键点,所述基于所述感兴趣区域为冠状动脉钙化区域的置信度及其与冠状动脉区域的位置关系,确定每一帧横断面影像中冠状动脉的钙化区域,包括:
在所述感兴趣区域为冠状动脉钙化区域的置信度大于或等于置信度阈值时,基于关键点与所述感兴趣区域中像素点的位置关系确定是冠状动脉钙化区域的感兴趣区域。
本发明还提供一种确定冠状动脉的钙化区域的装置,包括:
第一获取单元,用于获取医学影像,所述医学影像包括多帧横断面影像;
分割单元,用于分割每一帧横断面影像中的冠状动脉钙化以获得第一区域;
第二获取单元,用于基于所述第一区域中的定位点从所述医学影像中获取感兴趣区域,所述感兴趣区域包括冠状动脉钙化区域,所述定位点关联于所述第一区域的中心或者重心;
分类模型,用于对所述感兴趣区域进行分类以获得所述感兴趣区域为冠状动脉钙化区域的置信度;
确定单元,用于基于所述感兴趣区域为冠状动脉钙化区域的置信度及其与冠状动脉区域的位置关系,确定每一帧横断面影像中冠状动脉的钙化区域。
本发明还提供一种计算机设备,包括至少一个处理器、以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器能够执行上述的确定冠状动脉的钙化区域的方法。
本发明还提供一种计算机可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行上述的确定冠状动脉的钙化区域的方法。
与现有技术相比,本发明的技术方案具有如下有益效果:
通过获取医学影像,所述医学影像包括多帧横断面影像,并分割每一帧横断面影像中的冠状动脉钙化以获得第一区域。然后,基于所述第一区域中的定位点从所述医学影像中获取感兴趣区域,所述感兴趣区域包括冠状动脉钙化区域,所述定位点关联于所述第一区域的中心或者重心。通过分类模型对所述感兴趣区域进行分类以获得所述感兴趣区域为冠状动脉钙化区域的置信度。最后,基于所述感兴趣区域为冠状动脉钙化区域的置信度及其与冠状动脉区域的位置关系,确定每一帧横断面影像中冠状动脉的钙化区域。由于在确定冠状动脉的钙化区域时,并未直接将分割横断面影像中的冠脉钙化区域获得第一区域作为冠状动脉的钙化区域,而是基于分割获得的第一区域中的定位点从所述医学影像中获取感兴趣区域,通过分类模型来确定感兴趣区域的类别,最终基于感兴趣区域所属类别的置信度和感兴趣区域与冠状动脉区域的位置关系来确定横断面影像中冠状动脉的钙化区域,因此,去除了确定在冠状动脉的钙化区域的过程中可能存在的误报,在很大程度上提高了最终确定的冠状动脉的钙化区域的准确度。另外,由于无需再通过人工的方式来判断受检者冠状动脉的钙化区域,因此,也避免了因医生主观判断导致的误判或漏判,提高了确定冠状动脉的钙化区域的速度和准确度,在一定程度上也提高了医生的诊断效率和诊断的准确度。进而也在一定程度上提高了后续基于已确定的冠状动脉的钙化区域进行相关诊断的精准度。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明实施例的标准解剖学中人体基本面和基本轴的示意图;
图2是本发明实施例的确定冠状动脉的钙化区域的方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
正如现有技术中描述的,目前医生在阅片时,通常需要通过人工的方式来判断受检者的冠脉是否已经钙化,采用人工方式进行判断,速度慢且容易出现误判和漏判,进而导致医生的阅片、诊断效率较低。
为了更好的说明本发明的技术方案,本实施例中先对标准解剖学中人体基本面和基本轴进行相应的说明。参见图1,图1为本发明实施例的标准解剖学中人体基本面和基本轴的示意图。如图1所示:人体基本面包括冠状面(额状面)、矢状面(正中面)和横切面(横断面、水平面)。人体基本轴包括垂直轴(Z轴,为上自头侧下至尾侧,并与地平面相垂直的轴,头侧为正向尾侧为负向)、矢状轴(Y轴,为从前至后,同时与垂直轴成直角交叉的轴,前侧为正向、后侧为负向)和冠状轴(X轴,也叫额状轴,为左右方向与水平相平行,与前两个轴相垂直的轴,左侧为负向、右侧为正向)。人体的立体方位中包括前侧(靠近腹部)、后侧(靠近背部)、上侧(靠近头部)和下侧(靠近脚部)。本实施例中所有的面、轴、方位均适用于图1。
图2是本发明实施例的确定冠状动脉的钙化区域的方法的流程示意图。如图2所示,本实施例的确定冠状动脉的钙化区域的方法包括:
S11:获取医学影像,所述医学影像包括多帧横断面影像。
S12:分割每一帧横断面影像中的冠状动脉钙化以获得第一区域。
S13:基于所述第一区域中的定位点从所述医学影像中获取感兴趣区域,所述感兴趣区域包括冠状动脉钙化区域,所述定位点关联于所述第一区域的中心或者重心。
S14:通过分类模型对所述感兴趣区域进行分类以获得所述感兴趣区域为冠状动脉钙化区域的置信度。
S15:基于所述感兴趣区域为冠状动脉钙化区域的置信度及其与冠状动脉区域的位置关系,确定每一帧横断面影像中冠状动脉的钙化区域。
执行S11,本实施例中,为了确定冠状动脉是否存在钙化区域,因此需要先获取医学影像,所述医学影像为包括了冠状动脉的多帧横断面影像。通常拍摄CT时,采集到的胸部影像除了包含冠状动脉所在的区域以外还包括了其他区域,为了从采集到的胸部影像中快速定位出包括了冠状动脉的横断面影像,本实施例中需要先定位出冠状动脉所在区域的范围,即冠状动脉所在区域在Z轴上的位置。具体地,通过如下方式获得冠状动脉所在区域在Z轴上的位置:
获取多帧冠状面影像。
确定每一帧冠状面影像中起始点和终止点的Z坐标。
确定多帧冠状面影像中Z坐标最小的起始点的Z坐标zs。
确定多帧冠状面影像中Z坐标最大的终止点的Z坐标ze。
确定位于Z=zs和Z=ze之间的影像为所述医学影像。
获取多帧冠状面影像,本实施例中多帧冠状面影像可以通过采集到的胸部CT影像获取,在其他实施例中,也可以通过采集到的胸部MRI影像获取。为了定位出冠状动脉所在区域在Z方向上的位置,需要确定冠状动脉所在区域在Z轴上的两条边界,起始边界和终止边界。本实施例中,具体地,是确定位于所述冠状动脉所在区域的起始边界上的起始点的Z坐标和位于终止边界上的终止点的Z坐标。
本实施例中,可以通过神经网络,具体地,如2D回归网络来获取每一帧冠状面影像中起始点和终止点的Z坐标。所述2D回归网络包括特征提取模块和全连接回归模块,特征提取模块的输出为全连接回归模块的输入。其中,特征提取模块包括N个卷积模块和N个最大池化层,卷积模块的输出与最大池化层的输入相连,也即卷积模块和最大池化层交替连接。每一个卷积模块则包括多个卷积块,其中每一个卷积块包括:一个卷积层(Conv2d),一个批归一化层(BN,Batch Normalization)和一个激活层,激活函数可以为线性整流函数(ReLU,Recified Linear Unit)。全连接回归模块包括M个依次连续的全连接层,全连接层和全连接层之间可以为通过率为0.5的dropout层。全连接回归模块最终输出起始点和终止点的Z坐标,起始点和终止点的Z坐标可以是像素点坐标,如起始点或者终止点的Z坐标可以是在一预设坐标系下对应的第几个像素点。
本实施例中,可以以多张冠状面影像(胸部冠状面影像)为训练样本,由标注人员在每张冠状面影像上标注起始点和终止点的Z坐标,起始点和终止点可以为冠状动脉所在区域的起始边界上的起始点和冠状动脉所在区域的终止边界上的终止点。然后对训练样本进行数据增强(如:随机旋转一定角度,随机上下左右平移0~30像素,随机缩放0.85~1.15倍,对图像对比度和亮度进行少量抖动等),将数据量增强至原来数据量的10倍。最后再将训练样本输入2D回归网络进行训练。训练时根据标注的起始点和终止点的Z坐标和2D回归网络预测的起始点和终止点的Z坐标计算loss函数,通过反向传播的方法训练,训练的优化算法可以采用带有动量和阶梯衰减的SGD算法。通过训练获得2D回归网络后,则可以将每一帧冠状面影像输入至2D回归网络以获得每一帧冠状面影像中起始点和终止点的Z坐标。
至此通过上述的2D回归网络获得了每一帧冠状面影像中的起始点和终止点的Z坐标,然后在获得的多帧冠状面影像的起始点的Z坐标中,确定Z坐标最小的起始点的Z坐标zs,在获得的多帧冠状面影像的终止点的Z坐标中,确定Z坐标最大的终止点的Z坐标ze。举例来说,若获取了5帧冠状面影像,5帧冠状面影像中起始点的Z坐标分别为z1,z3,z5,z7,z9,终止点的Z坐标分别为z2,z4,z6,z8,z10,若起始点的Z坐标中z5最小,则zs=z5,若终止点的Z坐标中z6最大,则ze=z6。确定了Z坐标最小的起始点的Z坐标zs和Z坐标最大的终止点的Z坐标ze后,位于Z=zs和Z=ze之间的影像则为要获取的医学影像,该医学影像包括了多帧横断面影像,冠状动脉位于该多帧横断面影像中。
本实施例中,为了能够更快的获得冠状动脉所在区域在Z轴上所位于的区间,还可以先获取位于人体正中间的那帧冠状面影像(通常称之为中间帧冠状面影像),然后取与中间帧相邻的预设帧数的冠状面影像,如可以是与所述中间帧相邻的前3帧和后3帧的冠状面影像,也可以是与所述中间帧相邻的前5帧和后5帧的冠状面影像。预设帧数可以根据实际需求而定。在获取了中间帧和与中间帧相邻的预设帧数的冠状面影像后,直接确定中间帧及与所述中间帧相邻的预设帧数的冠状面影像中每一帧冠状面影像中起始点和终止点的Z坐标。中间帧及与其相邻的预设帧数的冠状面影像中起始点和终止点的Z坐标的确定同样也可以采用2D回归网络获得,此处不再赘述。在知晓了中间帧和与所述中间帧相邻的预设帧数的冠状面影像中起始点的Z坐标和终止点的Z坐标后,确定起始点的Z坐标中最小的Z坐标zs,终止点的Z坐标中最大的Z坐标ze。位于Z=zs和Z=ze之间的影像即为要获取的医学影像,且该医学影像包括了冠状动脉所在的区域。采用先获取中间帧及与所述中间帧相邻的预定帧数的冠状面影像来确定冠状动脉所在区域在Z轴上的位置,减少了要获取的冠状面影像的帧数,因此可以较快的确定出起始点中的最小Z坐标和终止点中的最大Z坐标,进而可以较快的确定出冠状动脉所在区域在Z轴的位置。
通过S11获取了包括了冠状动脉所在区域的医学影像后,执行S12,分割每一帧横断面影像中的冠状动脉钙化以获得第一区域。本实施例中,可以通过传统的图像分割算法如:基于阈值的图像分割方法、基于区域的图像分割方法、分水岭算法等分割横断面影像中的冠状钙化,也可以通过冠状动脉钙化分割模型来对横断面影像中的冠状动脉钙化进行分割,如可以采用以VGG作为backbone的U-NET神经网络模型来对横断面影像中的冠脉钙化进行分割,也可采用全卷积神经网络(FCN,Fully Convolutional Network)模型等来进行冠脉钙化的分割。
本实施例中,具体地,冠状动脉钙化分割模型可以包括依次连接的特征提取模块、下采样模块和上采样模块。其中,特征提取模块可以包括连续的第一卷积单元和第二卷积单元,第一卷积单元可以包括一个2D卷积层、一个批量归一化(BN,Batch Narmalization)层和一个激励函数层,第二卷积单元也可以包括一个2D卷积层、一个批量归一化层和一个激励函数层。本实施例中的激励函数可以为多种类型的激励函数,如,可以为线性整流函数(ReLU,Rectified Linear Unit)。
本实施例中,上采样模块和下采样模块的数量可以由本领域技术人员根据实际经验设定,如可以包括一个下采样模块和一个上采样模块,也可以包括多个(两个或两个以上)上采样模块和下采样模块。其中,每个下采样模块可以包括一个2D下采样层以及一个卷积特征提取模块,2D下采样层的尺寸可以为2╳2。相应地,每个上采样模块可以包括一个2D反卷积上采样层、一个拼接层以及一个卷积特征提取模块,2D反卷积上采样层的尺寸可以为2╳2。本发明实施例中,上采样模块的拼接层可以与下采样模块的下采样层的输出结果相对应,从而可以拼接下采样层的输出结果,得到特征图。最后对特征图进行卷积可以得到分割的结果。本实施例中,输入为横断面影像时,输出为横断面影像中每一个像素点为冠脉钙化的置信度。
本实施例中,在采用冠状动脉钙化分割模型分割横断面影像中的冠脉钙化时,为了提高分割冠脉钙化的准确度,在通过冠状动脉钙化分割模型进行分割时,不是直接将待分割横断面影像直接输入至冠状动脉钙化分割模型,而是以待分割横断面影像作为中间帧横断面影像,获取位于其前和其后的至少一帧横断面影像,将中间帧横断面影像,位于其前和其后的至少一帧横断面影像所组成的影像层输入至冠状动脉钙化分割模型。同样地,训练初始冠状动脉钙化分割模型时也是将中间帧横断面影像,位于其前和其后的至少一帧横断面影像中标记了冠脉钙化的至少三帧横断面影像作为训练样本训练初始冠状动脉钙化分割模型以获得冠状动脉钙化分割模型。举例来说,若中间帧横断面影像为第8帧横断面影像,位于其前的至少一帧可以为第7帧横断面影像,位于其后的至少一帧可以为第9帧横断面影像。位于其前的至少两帧可以为第7帧横断面影像和第6帧横断面影像,位于其后的至少两帧可以为第9帧横断面影像和第10帧横断面影像。本实施例中,将由中间帧横断面影像和位于其前和其后的各一帧横断面影像组成的3帧横断面影像的影像层输入至冠状动脉钙化分割模型以分割出中间帧横断面影像中的冠状动脉钙化。如将第7帧横断面影像、第8帧横断面影像和第9帧横断面影像输入至冠状动脉钙化分割模型以分割出第8帧横断面影像中的冠脉钙化。本实施例中,采用将影像层输入至冠状动脉钙化分割模型的方式,使得分割出的中间帧横断面影像中的冠脉钙化的信息结合了其前一帧和后一帧的冠脉钙化信息,进而可以提高对每一帧横断面影像中冠状动脉的钙化区域的分割的准确度。
执行S13,为了提高对冠脉钙化的识别的准确度,本实施例中,并不是将对横断面影像中的冠状动脉钙化进行分割后获得的第一区域确定为冠状动脉的钙化区域,而是基于分割获得的第一区域中的定位点来从所述医学影像中获取感兴趣区域,所述定位点关联于所述第一区域的中心或者重心,所述感兴趣区域包括冠状动脉钙化区域,本实施例中,所述定位点可以为第一区域的中心或者重心,也可以为位于所述第一区域的中心或者重心附近的点。本实施例中,具体地,所述感兴趣区域可以是以所述第一区域的中心为中心,向周围扩展预设距离后获得的几何体,所述几何体可以是立方体,长方体等,本实施例中对此不做限定。
本实施例中,对于每一个第一区域而言,第一区域边界上的点与第一区域中的定位点(中心或重心)之间均存在一个最远距离。对于多个第一区域而言,则存在多个最远距离,预设距离则可以是这多个最远距离中距离值最大的最远距离的1.2~1.6倍。若感兴趣区域为立方体,则是以第一区域中的定位点(中心或重心)为中心,以预设距离为立方体边长的二分之一,从所述医学影像中截取立方体。
接下来,执行S14,通过分类模型对所述感兴趣区域进行分类以获得所述感兴趣区域为冠状动脉钙化区域的置信度。由上述可知,感兴趣区域是从医学影像中截取的,因此是三维的,故需要通过三维的分类模型将所述感兴趣区域进行分类。本实施例中,所述分类模型可以为一个二分类的分类模型,分类模型的输出为:冠状动脉钙化区域、非冠状动脉钙化区域。具体地,本实施例中的分类模型可以包括特征提取模块和全连接分类模块。其中,特征提取模块可以包括多个连续的卷积模块,每个卷积模块可以包括一个3*3的2D卷积层、一个归一化(BN,Batch Normalization)层、一个激活函数层和一个2*2的最大池化(MP,maxpooling)层。本实施例中,激活函数可以为多种类型的激活函数,例如,可以为线性整流函数(ReLU,Rectified Linear Unit),此处不做限定。本实施例中,全连接分类模块可以包括第一全连接层、第二全连接层和第三全连接层,多个连续的卷积模块的输出结果通过第一全连接层和第二全连接层进行合并,最终输入第三全连接层,由第三全连接层输出各个类别的置信度。本实施例中,为了降低第二全连接层、第三全连接层的处理数据量,可以在第一全连接层和第二全连接层之间、第二全连接和第三全连接层之间设置通过率为0.5的dropout层,即第一全连接层的输出结果可以通过dropout层进行过滤,输出至第二全连接层,第二全连接层的输出结果可以通过dropout层进行过滤,进而输出至第三全连接层。最后将第三全连接层的输出通过softmax归一化以输出感兴趣区域中属于上述两个分类中的某一个类别的置信度。将置信度大于置信度阈值的类别作为分类模型最终的输出结果。
本实施例中,为了提高分类模型分类的准确度,分类模型的输入不仅仅只有感兴趣区域,而是将感兴趣区域关联的关注区域也作为所述分类模型的输入。
所述关注区域与所述感兴趣区域大小相同,且包括以与其关联的感兴趣区域所对应的第一区域中的定位点为中心,向周围扩展预定距离的几何体。本实施例中,所述关注区域可以包括以与所述关注区域关联的感兴趣区域对应的第一区域的中心(或重心)为中心,向周围扩展预定距离的几何体。举例来说,感兴趣区域A是以第一区域A的中心(或重心)为中心,预设距离A为立方体边长的二分之一,从医学影像中截取的立方体。与感兴趣区域A关联的关注区域A,则可以是包括以第一区域A的中心(或重心)为中心,向周围扩展预定距离的几何体,本实施例中,所述几何体可以为球体。所述预定距离的取值以使得所述关注区域A所包括的几何体的大小与感兴趣区域A包括的冠状动脉钙化区域的大小相接近为准。具体地,所述预定距离关联于与所述关注区域A关联的感兴趣区域A所对应的第一区域A中的定位点与第一区域A边界上的点之间的距离的最大值。以所述定位点为中心或者重心为例,所述预定距离可以是与所述关注区域A关联的感兴趣区域A所对应的第一区域A的中心(或重心)与第一区域A边界上的点之间的距离的最大值。也可以略大于该最大值或者略小于该最大值。举例来说,第一区域A的中心(或重心)与第一区域A的边界上的a点之间的距离最大,则预定距离可以是第一区域A的中心(或重心)与a点之间的距离。在其他实施例中,所述预定距离也可以略小于第一区域A的中心(或重心)与第一区域A的边界上的点之间距离的最大值。本实施例中,所述关注区域中至少部分区域的灰度值为255。具体地,可以是所述关注区域包括的几何体,如球体灰度值为255,其余部分的灰度值为0。
在通过上述方式获得与所述感兴趣区域关联的关注区域后,将所述感兴趣区域及与其关联的关注区域输入分类模型,以输出感兴趣区域为冠状动脉钙化区域的置信度。通过将感兴趣区域和与其关联的关注区域输入分类模型,可以使得分类模型在分类的过程中,更加关注于冠状动脉中的钙化区域,进而可以提高分类模型对感兴趣区域分类的准确度。
最后,执行S15:基于所述感兴趣区域为冠状动脉钙化区域的置信度及其与冠状动脉区域的位置关系,确定每一帧横断面影像中冠状动脉的钙化区域。考虑到可能存在虽然分类模型输出的感兴趣区域为冠状动脉钙化区域的置信度大于置信度阈值,但是该钙化区域有可能不是冠状动脉的钙化区域,因此,即使在分类模型输出的感兴趣区域为冠状动脉钙化区域的置信度大于置信度阈值时,仍然需要再判断一下感兴趣区域与冠状动脉区域的位置关系,只有确定感兴趣区域位于冠状动脉区域时,才能确定该感兴趣区域是冠状动脉钙化区域,进而可以确定与该感兴趣区域对应的第一区域为横断面影像中冠状动脉的钙化区域。
本实施例中,为了确定感兴趣区域和冠状动脉区域的位置关系,需要先确定冠状动脉区域的位置。具体地,通过定位冠状动脉区域的关键点,进而由冠状动脉区域的关键点来界定冠状动脉区域的位置。
本实施例中,冠状动脉区域的关键点,可以是冠状动脉边界上的点。具体地,可以通过定位模型来确定冠状动脉区域的关键点。所述定位模型可以包括:第一定位模块、感兴趣区域切分模块和第二定位模块,第一定位模块和第二定位模块可以均为3维卷积神经网络。其中,第一定位模块可以通过以预先标记冠状动脉区域的关键点的多幅医学影像为训练样本训练3维卷积神经网络确定。第二定位模块可以通过以预先标记冠状动脉区域的关键点的多个粗分割体为训练样本训练3维卷积神经网络确定。
具体地,在将医学影像输入定位模型后,第一定位模块可以输出所述医学影像中所包括的各初始关键点(冠状动脉区域的关键点)的位置。感兴趣区域切分模块则以各初始关键点的位置为基准从所述医学影像中切分出一个或多个粗分割体,其中,每个粗分割体中可以包括一个或多个初始关键点,一个或多个粗分割体的尺寸可以为固定值,比如可以为96*96*96。
然后,将感兴趣区域切分模块输出的每一个粗分割体,输入至与该粗分割体对应的第二定位模块,从而确定出该粗分割体中包括的一个或多个关键点的位置。其中,粗分割体对应的第二定位模块可以是以与粗分割体类型相同的训练样本训练得到的深度残差网络。第二定位模块的数量可以根据各初始关键点对应的粗分割体的数量来确定,如第二定位模块的数量可以等于粗分割体的数量,或者第二定位模块的数量可以大于粗分割体的数量,此处不作限定。
本实施例中,第一定位模块可以包括特征提取模块和全连接分类模块。其中,特征提取模块可以包括多个连续的卷积模块,每个卷积模块可以包括一个3维卷积层、一个归一化(BN,Batch Normalization)层、一个激活函数层和一个最大池化(MP,max pooling)层;3维卷积层以及MP层均可以为固定尺寸,比如3维卷积层为3*3*3、MP层为2*2*2。本实施例中,激活函数可以为多种类型的激活函数,例如,可以为线性整流函数(ReLU,RectifiedLinear Unit),此处不做限定。
本实施例中,全连接分类模块可以包括第一全连接层和第二全连接层,多个连续的卷积模块的输出结果通过第一全连接层进行合并,进而输入第二全连接层,如此,第二全连接层可以输出各个类别的置信度。本实施例中,为了降低第二全连接层的处理数据量,可以在第一全连接层和第二全连接层之间设置通过率为0.5的dropout层,如此,第一全连接层的输出结果可以通过dropout层进行过滤,进而输出给第二全连接层。具体地,全连接分类模块可以输出医学影像中每个像素点属于各个类别的置信度,本实施例中,各个类别可以包括关键点类别和非关键点类别,每个像素点属于关键点类别的置信度和非关键点类别的置信度之和可以为1。如此,可以将关键点类别的置信度大于预定阈值的像素点作为一个初始关键点。
本实施例中,第二定位模块也可以包括一个特征提取模块和一个全连接分类模块。其中,特征提取模块以及全连接分类模块的结构与第一定位模块类似,此处不再赘述。
本实施例中,首先采用第一定位模块从医学影像中定位出冠状动脉区域的各个初始关键点,从而利用感兴趣区域切分模块,基于各个初始关键点从医学影像中切分出各粗分割体,最后再采用第二定位模块从各粗分割体中定位出冠状动脉区域的各个关键点的位置,可以缩小冠状动脉区域的关键点的定位范围,提高定位冠状动脉区域关键点的定位精度。
至此通过上述的定位模型确定了冠状动脉区域的关键点。在确定所述感兴趣区域为冠状动脉钙化区域的置信度大于置信度阈值(置信度阈值可以为0.5)时,通过判断所述感兴趣区域中的像素点和冠状动脉区域的关键点之间的位置关系来确定该感兴趣区域是否位于冠状动脉区域,具体地,可以通过对感兴趣区域中像素点的坐标和关键点的坐标之间的比对来确定感兴趣区域是否位于冠状动脉区域内。若位于,则该感兴趣区域为冠状动脉的钙化区域,与该感兴趣区域对应的第一区域,则为其所在横断面影像中的冠状动脉的钙化区域。
本实施例中,先从横断面影像中分割冠状动脉钙化以获得第一区域,然后基于第一区域中的定位点从医学影像中获取感兴趣区域,对感兴趣区域进行分类,并基于感兴趣区域为冠状动脉钙化区域的置信度及其与冠状动脉区域的位置关系来确定每一帧横断面影像中冠状动脉的钙化区域。由于去除了分割获得的多个第一区域中可能存在的误报,因此提高了最终确定的冠状动脉的钙化区域的准确度。另外,由于无需再通过人工的方式确定冠状动脉是否存在钙化区域,因此,提高了阅片准确度的同时也提高了阅片效率。
基于相同的技术构思,本发明实施例提供一种确定冠状动脉的钙化区域的装置,包括:
第一获取单元,用于获取医学影像,所述医学影像包括多帧横断面影像。
分割单元,用于分割每一帧横断面影像中的冠状动脉钙化以获得第一区域。
第二获取单元,用于基于所述第一区域中的定位点从所述医学影像中获取感兴趣区域,所述感兴趣区域包括冠状动脉钙化区域,所述定位点关联于所述第一区域的中心或者重心。
分类模型,用于对所述感兴趣区域进行分类以获得所述感兴趣区域为冠状动脉钙化区域的置信度。
确定单元,用于基于所述感兴趣区域为冠状动脉钙化区域的置信度及其与冠状动脉区域的位置关系,确定每一帧横断面影像中冠状动脉的钙化区域。
本实施例的确定冠状动脉的钙化区域的装置的实施可以参见上述的确定冠状动脉的钙化区域的方法的实施,此处不再赘述。
基于相同的技术构思,本实施例还提供一种计算机设备,包括至少一个处理器、以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器能够执行上述的确定冠状动脉的钙化区域的方法。
基于相同的技术构思,本实施例还提供一种计算机可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行上述的确定冠状动脉的钙化区域的方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种确定冠状动脉的钙化区域的方法,其特征在于,包括:
获取医学影像,所述医学影像包括多帧横断面影像;
分割每一帧横断面影像中的冠状动脉钙化以获得第一区域;
基于所述第一区域中的定位点从所述医学影像中获取感兴趣区域,所述感兴趣区域包括冠状动脉钙化区域,所述定位点关联于所述第一区域的中心或者重心;
通过分类模型对所述感兴趣区域进行分类以获得所述感兴趣区域为冠状动脉钙化区域的置信度;
基于所述感兴趣区域为冠状动脉钙化区域的置信度及其与冠状动脉区域的位置关系,确定每一帧横断面影像中冠状动脉的钙化区域。
2.如权利要求1所述的方法,其特征在于,所述获取医学影像包括:
获取多帧冠状面影像;
确定每一帧冠状面影像中起始点和终止点的Z坐标;
确定多帧冠状面影像中Z坐标最小的起始点的Z坐标zs;
确定多帧冠状面影像中Z坐标最大的终止点的Z坐标ze;
确定位于Z=zs和Z=ze之间的影像为所述医学影像。
3.如权利要求1所述的方法,其特征在于,所述通过分类模型对所述感兴趣区域进行分类以获得所述感兴趣区域为冠状动脉钙化区域的置信度包括:
将所述感兴趣区域及与其关联的关注区域输入所述分类模型以输出所述感兴趣区域为冠状动脉钙化区域的置信度。
4.如权利要求3所述的方法,其特征在于,所述关注区域与所述感兴趣区域大小相同,且包括以与其关联的感兴趣区域所对应的第一区域中的定位点为中心,向周围扩展预定距离的几何体。
5.如权利要求3或4所述的方法,其特征在于,所述关注区域中至少部分区域的灰度值为255。
6.如权利要求4所述的方法,其特征在于,所述预定距离关联于与所述关注区域关联的感兴趣区域所对应的第一区域中的定位点与第一区域边界上的点之间的距离的最大值。
7.如权利要求1所述的方法,其特征在于,还包括:定位所述医学影像中的冠状动脉区域的关键点,所述基于所述感兴趣区域为冠状动脉钙化区域的置信度及其与冠状动脉区域的位置关系,确定每一帧横断面影像中冠状动脉的钙化区域,包括:
在所述感兴趣区域为冠状动脉钙化区域的置信度大于或等于置信度阈值时,基于关键点与所述感兴趣区域中像素点的位置关系确定是冠状动脉钙化区域的感兴趣区域。
8.一种确定冠状动脉的钙化区域的装置,其特征在于,包括:
第一获取单元,用于获取医学影像,所述医学影像包括多帧横断面影像;
分割单元,用于分割每一帧横断面影像中的冠状动脉钙化以获得第一区域;
第二获取单元,用于基于所述第一区域中的定位点从所述医学影像中获取感兴趣区域,所述感兴趣区域包括冠状动脉钙化区域,所述定位点关联于所述第一区域的中心或者重心;
分类模型,用于对所述感兴趣区域进行分类以获得所述感兴趣区域为冠状动脉钙化区域的置信度;
确定单元,用于基于所述感兴趣区域为冠状动脉钙化区域的置信度及其与冠状动脉区域的位置关系,确定每一帧横断面影像中冠状动脉的钙化区域。
9.一种计算机设备,包括至少一个处理器、以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器能够执行权利要求1~7任一项所述的的方法。
10.一种计算机可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行权利要求1~7任一项所述的的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011634228.8A CN112712507B (zh) | 2020-12-31 | 2020-12-31 | 一种确定冠状动脉的钙化区域的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011634228.8A CN112712507B (zh) | 2020-12-31 | 2020-12-31 | 一种确定冠状动脉的钙化区域的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112712507A true CN112712507A (zh) | 2021-04-27 |
CN112712507B CN112712507B (zh) | 2023-12-19 |
Family
ID=75547810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011634228.8A Active CN112712507B (zh) | 2020-12-31 | 2020-12-31 | 一种确定冠状动脉的钙化区域的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712507B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823829A (zh) * | 2023-08-29 | 2023-09-29 | 深圳微创心算子医疗科技有限公司 | 医疗影像的分析方法、装置、计算机设备和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1934072A (zh) * | 2004-01-30 | 2007-03-21 | 派普林生物脂股份有限公司 | 治疗和载体分子 |
CN104091346A (zh) * | 2014-07-24 | 2014-10-08 | 东南大学 | 一种全自动ct图像冠状动脉钙化分数计算方法 |
US20160358333A1 (en) * | 2015-06-04 | 2016-12-08 | Samsung Electronics Co., Ltd. | Apparatus and method of processing medical image |
AU2017221811A1 (en) * | 2010-08-12 | 2017-09-21 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
CN107403446A (zh) * | 2016-05-18 | 2017-11-28 | 西门子保健有限责任公司 | 用于使用智能人工代理的图像配准的方法和系统 |
CN108171698A (zh) * | 2018-02-12 | 2018-06-15 | 数坤(北京)网络科技有限公司 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
CN109288536A (zh) * | 2018-09-30 | 2019-02-01 | 数坤(北京)网络科技有限公司 | 获取冠脉钙化区域分类的方法、装置及系统 |
US20200237329A1 (en) * | 2019-01-25 | 2020-07-30 | Cleerly, Inc. | Systems and method of characterizing high risk plaques |
CN111950544A (zh) * | 2020-06-30 | 2020-11-17 | 杭州依图医疗技术有限公司 | 一种确定病理图像中感兴趣区域的方法及装置 |
CN111967462A (zh) * | 2020-04-26 | 2020-11-20 | 杭州依图医疗技术有限公司 | 一种获取感兴趣区域的方法及装置 |
-
2020
- 2020-12-31 CN CN202011634228.8A patent/CN112712507B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1934072A (zh) * | 2004-01-30 | 2007-03-21 | 派普林生物脂股份有限公司 | 治疗和载体分子 |
AU2017221811A1 (en) * | 2010-08-12 | 2017-09-21 | Heartflow, Inc. | Method and system for patient-specific modeling of blood flow |
CN104091346A (zh) * | 2014-07-24 | 2014-10-08 | 东南大学 | 一种全自动ct图像冠状动脉钙化分数计算方法 |
US20160358333A1 (en) * | 2015-06-04 | 2016-12-08 | Samsung Electronics Co., Ltd. | Apparatus and method of processing medical image |
CN107403446A (zh) * | 2016-05-18 | 2017-11-28 | 西门子保健有限责任公司 | 用于使用智能人工代理的图像配准的方法和系统 |
CN108171698A (zh) * | 2018-02-12 | 2018-06-15 | 数坤(北京)网络科技有限公司 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
CN109288536A (zh) * | 2018-09-30 | 2019-02-01 | 数坤(北京)网络科技有限公司 | 获取冠脉钙化区域分类的方法、装置及系统 |
US20200237329A1 (en) * | 2019-01-25 | 2020-07-30 | Cleerly, Inc. | Systems and method of characterizing high risk plaques |
CN111967462A (zh) * | 2020-04-26 | 2020-11-20 | 杭州依图医疗技术有限公司 | 一种获取感兴趣区域的方法及装置 |
CN111950544A (zh) * | 2020-06-30 | 2020-11-17 | 杭州依图医疗技术有限公司 | 一种确定病理图像中感兴趣区域的方法及装置 |
Non-Patent Citations (2)
Title |
---|
HANNAH SOFIAN 等: "Calcification Detection Using Deep Structured Learning in Intravascular Ultrasound Image for Coronary Artery Disease", 《2018 2ND INTERNATIONAL CONFERENCE ON BIOSIGNAL ANALYSIS, PROCESSING AND SYSTEMS (ICBAPS)》 * |
杨斌: "基于计算智能的基因调控网络建模研究", 《中国博士学位论文全文数据库 (信息科技辑)》, no. 10 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823829A (zh) * | 2023-08-29 | 2023-09-29 | 深圳微创心算子医疗科技有限公司 | 医疗影像的分析方法、装置、计算机设备和存储介质 |
CN116823829B (zh) * | 2023-08-29 | 2024-01-09 | 深圳微创心算子医疗科技有限公司 | 医疗影像的分析方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112712507B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2620909B1 (en) | Method, system and computer readable medium for automatic segmentation of a medical image | |
CN110782446B (zh) | 一种确定肺结节体积的方法及装置 | |
CN111462071B (zh) | 一种图像处理方法和系统 | |
US11043296B2 (en) | Systems and methods for semi-automatic tumor segmentation | |
CN113077479A (zh) | 急性缺血性脑卒中病灶自动分割方法、系统、终端及介质 | |
CN116129235A (zh) | 一种脑梗ct到mri常规序列的医学图像跨模态合成方法 | |
CN116503607B (zh) | 一种基于深度学习的ct图像分割方法和系统 | |
CN110992310A (zh) | 一种确定纵隔淋巴结所在分区的方法及装置 | |
CN112508858B (zh) | 一种医学影像处理方法及装置、计算机设备 | |
CN116862930B (zh) | 适用于多模态的脑血管分割方法、装置、设备和存储介质 | |
CN112712507B (zh) | 一种确定冠状动脉的钙化区域的方法及装置 | |
CN116258671B (zh) | 一种基于mr图像智能勾画方法、系统、设备及存储介质 | |
CN112419340A (zh) | 脑脊液分割模型的生成方法、应用方法及装置 | |
CN111967462A (zh) | 一种获取感兴趣区域的方法及装置 | |
CN115330732A (zh) | 一种确定胰腺癌的方法及装置 | |
CN112308820B (zh) | 一种肋骨定位方法及装置、计算机设备及存储介质 | |
CN112184664B (zh) | 一种椎骨检测方法及计算机设备 | |
CN110533637B (zh) | 一种检测对象的方法及装置 | |
Miao et al. | CoWRadar: Visual Quantification of the Circle of Willis in Stroke Patients. | |
CN113269816A (zh) | 一种分区域递进式脑图像弹性配准方法及系统 | |
CN112712508B (zh) | 一种确定气胸的方法及装置 | |
CN112869758A (zh) | 一种确定胸腔积液的方法及装置 | |
CN112308821B (zh) | 一种椎骨检测方法及计算机设备 | |
CN115148341B (zh) | 一种基于体位识别的ai结构勾画方法及系统 | |
CN114445421B (zh) | 一种鼻咽癌淋巴结区域的识别分割方法、装置及系统 |
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 |