CN112734726B - 一种血管造影的分型方法、装置以及设备 - Google Patents
一种血管造影的分型方法、装置以及设备 Download PDFInfo
- Publication number
- CN112734726B CN112734726B CN202110029052.1A CN202110029052A CN112734726B CN 112734726 B CN112734726 B CN 112734726B CN 202110029052 A CN202110029052 A CN 202110029052A CN 112734726 B CN112734726 B CN 112734726B
- Authority
- CN
- China
- Prior art keywords
- image data
- convolution
- encoder
- processed
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000002583 angiography Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000011176 pooling Methods 0.000 claims description 53
- 210000004204 blood vessel Anatomy 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 27
- 210000003625 skull Anatomy 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 14
- 238000005520 cutting process Methods 0.000 claims description 2
- 230000002792 vascular Effects 0.000 claims 4
- 210000003657 middle cerebral artery Anatomy 0.000 abstract description 17
- 208000026106 cerebrovascular disease Diseases 0.000 abstract description 13
- 206010008118 cerebral infarction Diseases 0.000 abstract description 12
- 230000001154 acute effect Effects 0.000 abstract description 11
- 238000011282 treatment Methods 0.000 abstract description 11
- 238000003384 imaging method Methods 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 13
- 238000003860 storage Methods 0.000 description 13
- 230000006872 improvement Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 206010048965 Vertebral artery occlusion Diseases 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 5
- 230000004087 circulation Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000010412 perfusion Effects 0.000 description 4
- 206010008089 Cerebral artery occlusion Diseases 0.000 description 3
- 208000032382 Ischaemic stroke Diseases 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000007917 intracranial administration Methods 0.000 description 3
- 201000007309 middle cerebral artery infarction Diseases 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000002585 cerebral angiography Methods 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 239000002872 contrast media Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001447 compensatory effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000007310 pathophysiology Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000000007 visual effect 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
- 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
- G06T9/00—Image coding
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本说明书实施例公开了一种血管造影的分型方法、装置以及设备，属于医学影像和计算机技术领域。所述方法包括：获取待处理的影像数据；对所述待处理的影像数据进行预处理，获得预处理的影像数据；将所述预处理的影像数据输入分型模型，获得所述待处理影像数据的分型结果，其中，所述分型模型是基于神经网络预先训练获得的模型，所述分型模型包括第一编码器、第二编码器、卷积模块和分类模块。采用本说明书实施例提供的方法，能够快速、全面、准确地对大脑中动脉非急性期闭塞的影像学诊断，实现脑梗死的分型，为临床治疗提供参考依据。
Description
技术领域
本说明书涉及医学影像及计算机技术领域，尤其涉及一种血管造影的分型方法、装置以及设备。
背景技术
颅内动脉非急性期闭塞，是缺血性卒中的一个重要原因，约占全部缺血性脑卒中的10％，其卒中年复发风险为3.6％～22.0％；其中大脑中动脉闭塞临床多见，占闭塞性脑血管病的79.6％。目前对于颅内动脉闭塞时间超过24h的症状性非急性闭塞主要治疗方法仍是药物治疗，药物治疗无效的患者还可以采取颅内外搭桥手术和血管内治疗重建血运。
研究表明，大脑中动脉非急性期闭塞或者椎动脉闭塞接受血管内治疗具有一定的可行性及安全性，但由于开通率缺乏均一性，且存在较高的并发症发生率，存在预后较差的情形，因此限制了该技术的发展。其主要原因在于，现有技术中，不论是应用于前循环的脑梗死分型，还是应用于后循环的脑梗死分型，主要是依靠观察者的肉眼进行血管识别，进而根据临床指南的分型原则作出分型，因此，″肉眼观察″进行脑梗死分型的方法，往往依赖观察者的经验，受主观因素的影响较大。进一步地，由于CTA或MRA作为无创检查技术，广泛应用于脑血管的评估。
因此，需要一种更加快速、准确的脑梗死分型的方法，为建立最佳的血管内治疗策略提供分型依据。
发明内容
本说明书实施例提供一种血管造影的分型方法、装置以及设备，用于解决以下技术问题：″肉眼观察″进行脑梗死分型的方法，往往依赖观察者的经验，受主观因素的影响较大。进一步地，由于CTA或MRA作为无创检查技术，广泛应用于脑血管的评估。因此，需要一种更加快速、准确的脑梗死分型的方法，为建立最佳的血管内治疗策略提供分型依据。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种血管造影的分型方法，包括：
获取待处理的影像数据；
对所述待处理的影像数据进行预处理，获得预处理的影像数据；
将所述预处理的影像数据输入分型模型，获得所述待处理影像数据的分型结果，其中，所述分型模型是基于神经网络预先训练获得的模型，所述分型模型包括第一编码器、第二编码器、卷积模块和分类模块。
进一步地，所述对所述待处理的影像数据进行预处理，获得预处理的影像数据，具体包括：
去除所述待处理的影像数据中的颅骨后，进行归一化处理，获得预处理的影像数据。
进一步地，所述第一编码器由3个卷积块组成，所述第一编码器的每个卷积块有卷积和池化操作，且所述池化操作的步长为2。
进一步地，所述第二编码器由1个卷积块组成，所述第二编码器的卷积块包括卷积和池化操作，所述第二编码器的输入为模板数据，其中，所述模板数据是影像数据经过血管剪影获得的血管主干图像数据。
进一步地，所述卷积模块由1个卷积块组成，所述卷积模块的卷积块包括卷积和池化操作。
进一步地，所述分类模块的第一层为全局池化层或一维化处理层，所述分类模块还包括全连接层，所述卷积模块输出的特征图经过所述全局池化层或者所述一维化处理层后，经过所述全连接层，输出所述待处理的影像数据的分型结果。
本说明书实施例还提供一种血管造影的分型装置，包括：
获取模块，获取待处理的影像数据；
预处理模块，对所述待处理的影像数据进行预处理，获得预处理的影像数据；
分型模块，将所述预处理的影像数据输入分型模型，获得所述待处理影像数据的分型结果，其中，所述分型模型是基于神经网络预先训练获得的模型，所述分型模型包括第一编码器、第二编码器、卷积模块和分类模块。
进一步地，所述对所述待处理的影像数据进行预处理，获得预处理的影像数据，具体包括：
去除所述待处理的影像数据中的颅骨后，进行归一化处理，获得预处理的影像数据。
进一步地，所述第一编码器由3个卷积块组成，所述第一编码器的每个卷积块有卷积和池化操作，且所述池化操作的步长为2。
进一步地，所述第二编码器由1个卷积块组成，所述第二编码器的卷积块包括卷积和池化操作，所述第二编码器的输入为模板数据，其中，所述模板数据是影像数据经过血管剪影获得的血管主干图像数据。
进一步地，所述卷积模块由1个卷积块组成，所述卷积模块的卷积块包括卷积和池化操作。
进一步地，所述分类模块的第一层为全局池化层或一维化处理层，所述分类模块还包括全连接层，所述卷积模块输出的特征图经过所述全局池化层或者所述一维化处理层后，经过所述全连接层，输出所述待处理的影像数据的分型结果。
本说明书实施例还提供一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取待处理的影像数据；
对所述待处理的影像数据进行预处理，获得预处理的影像数据；
将所述预处理的影像数据输入分型模型，获得所述待处理影像数据的分型结果，其中，所述分型模型是基于神经网络预先训练获得的模型，所述分型模型包括第一编码器、第二编码器、卷积模块和分类模块。
本说明书实施例获取待处理的影像数据；对所述待处理的影像数据进行预处理，获得预处理的影像数据；将所述预处理的影像数据输入分型模型，获得所述待处理影像数据的分型结果，其中，所述分型模型是基于神经网络预先训练获得的模型，所述分型模型包括第一编码器、第二编码器、卷积模块和分类模块，能够快速、全面、准确地对大脑中动脉非急性期闭塞的影像学诊断，实现脑梗死的分型，为临床治疗提供参考依据。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的一种血管造影的分型方法的示意图；
图2为本说明书实施例提供的模板数据的制作流程示意图；
图3为本说明书实施例提供的一种大脑中动脉非急性期闭塞分型示意图；
图4为本说明书实施例1提供的一种血管造影的分型方法的具体示意图；
图5为本说明书实施例2提供的一种血管造影的分型方法的具体示意图；
图6为本说明书实施例3提供的一种血管造影的分型方法的具体示意图；
图7为本说明书实施例提供的一种椎动脉闭塞的分型的示意图；
图8为本说明书实施例提供的一种血管造影的分型模型的训练过程的示意图；
图9为本说明书实施例提供的一种血管造影的分型装置的示意图。
具体实施方式
现有技术中，脑梗死的分型包括基于前循环的脑梗死分型和基于后循环的脑梗死分型。其中，大脑中动脉闭塞后，无法通过初级侧支循环(Willis环)和眼动脉代偿，大脑中动脉闭塞后的主要代偿途径为软脑膜动脉侧支代偿，这种代偿存在延迟现象，影像诊断存在困难，进而限制了血管内治疗的有效性，且增加了并发症的发生。在基于后循环的脑梗死分型中，并没有考虑侧支循环的影响等因素，进而限制了血管内治疗的有效性，且增加了并发症的发生。
由于现有的分型方式仅考虑了临床表现，分型结果存在一定的局限性。因此，现有一种新的分型方式，以得到良好的分型结果，从而解释部分缺血性卒中病理生理机制，也可以用于评估临床症状，治疗和预后，为临床治疗提供参考依据。
本说明书实施例提供的分型方式，在进行分型时，除了考虑临床症状，还进一步考虑了影像学特征，而且对卷积神经网络进行了改进，以克服大脑中动脉闭塞后，由于其代偿的复杂性，普通卷积神经网络无法满足分型的需求。
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
图1为本说明书实施例提供的一种血管造影的分型方法的示意图，该分型方法包括：
步骤S101：获取待处理的影像数据。
在本说明书实施例中，待处理的影像数据为颅脑影像数据，具体可以为CTA或MRA影像数据，或者其他影像数据，诸如DSA、或者CT灌注/核磁灌注成像或者脑血管造影检查，或者高分辨磁共振(HR-MRI)。
步骤S103：对所述待处理的影像数据进行预处理，获得预处理的影像数据。
在本说明书实施例中，对所述待处理的影像数据进行预处理，获得预处理的影像数据，具体包括：
去除待处理的影像数据中的颅骨后，进行归一化处理，获得预处理的影像数据
由于待处理的影像数据中存在头骨等无关组织，为了保证后续分型的准确性，需要去除待处理影像数据中的颅骨。在具体实施过程中，去除待处理的影像数据中的颅骨，具体包括：通过阈值分割，根据第一阈值，从第一图像中提取出颅骨，得到颅骨掩膜(mask)图像，将颅脑分割为颅骨内和颅骨外两部分。在实际应用中，提取颅骨的阈值为＞100。进一步，低于第二阈值的像素点属于颅骨内，从颅骨掩膜图像中取出颅骨，得到去除颅骨后的组织掩膜图像。在具体实施过程中，第二阈值可以为80。去除待处理影像数据中的颅骨，亦可以采取其他去除颅骨的方法，颅骨去除的具体方法并不构成对本申请的限定。
在本说明书实施例中，归一化处理包括：坐标中心化、x-shearing归一化、缩放归一化或旋转归一化中的一种或几种。归一化处理亦可以采用其他方法，归一化处理的具体方法并不构成对本申请的限定。
步骤S105：将所述预处理的影像数据输入分型模型，获得所述待处理影像数据的分型结果，其中，所述分型模型是基于神经网络预先训练获得的模型，所述分型模型包括第一编码器、第二编码器、卷积模块和分类模块。
在本说明书实施例中，所述第一编码器由3个卷积块组成，所述第一编码器的每个卷积块有卷积和池化操作，且所述池化操作的步长为2。
在本说明书实施例中，所述第二编码器由1个卷积块组成，所述第二编码器的卷积块包括卷积和池化操作，所述第二编码器的输入为模板数据，其中，所述模板数据是影像数据经过血管剪影获得的血管主干图像数据。
为了进一步理解本说明书实施例提供的模板数据，本说明书实施例将具体说明模板数据的获得。图2为本说明书实施例提供的模板数据的制作流程示意图。如图2所示，原始影像数据经过血管剪影，获得血管图像；血管图像经过裁剪，得到主干图像，该主干图像即为模板数据，可用于第二编码器的输入。
在本说明书实施例中，原始影像数据经过血管剪影，获得血管图像，血管剪影的将加入造影剂的CTA或MRA影像数据与未加入造影剂的CTA或MRA影像数据相减，只保留血管的图像数据。
在本说明书实施例中，血管图像经过裁剪，得到主干图像，具体包括：将血管图像中的无关血管及小血管分支去除，具体的可以采用商用的血管裁剪工具，从而得到主干图像。
在本说明书实施例中，模板的主要作用是，输入图像为CTA或MRA全脑血管图像，包含了前循环的血管与后循环的血管网络，而大血管闭塞分型主要与对应的主干相关。输入各种分型的主干模板，抑制了这些干扰因素，可以使得分型的结果的鲁棒性更好。
在本说明书实施例中，所述卷积模块由1个卷积块组成，所述卷积模块的卷积块包括卷积和池化操作。
在本说明书实施例中，所述分类模块的第一层为全局池化层或一维化处理层，所述分类模块还包括全连接层，所述卷积模块输出的特征图经过所述全局池化层或者所述一维化处理层后，经过所述全连接层，输出所述待处理的影像数据的分型结果。
在本说明书实施例中，预处理的影像数据经过第一编码器获得第一特征图，模板图像数据经过第二编码器获得第二特征图，第一特征图和第二特征图输入卷积模块，经过卷积和池化操作，获得第三特征图，第三特征图输入分类模块，经过分类模块的全局池化层或一维化处理层，将多维向量拉平为一维向量，经过全连接进行输出，实现分型。
在本说明书实施例中，分类模块的全局池化层或一维化处理层的作用在于将前述步骤获得的预处理的影像数据的第三特征图分类模块后，将预处理的影像数据的第三特征图的张量进行扁平化处理或者重构张量的维度，将多维向量拉平为一维向量。在具体实施过程中，可以采用开源机器学习平台Tensorflow的框架进行扁平化处理(Flatten)，也可以采用开源机器学习平台Pytorch的框架下的view函数重构张量的维度。当然，其它开源机器学习平台框架下的能够将多维向量拉平为一维向量的方法，亦可以视为本申请的保护范围。
为了进一步理解本说明书实施提供的分型方法，下面将以具体的实施例为例，进行详细说明。
在本说明书实施例中，本说明书提供的分型方法可用于大脑中动脉非急性期闭塞。为了便于理解本说明书提供的分型方法，图3为本说明书实施例提供的一种大脑中动脉非急性期闭塞分型示意图。在图3示意图中，I型：大脑中动脉M1主干闭塞、长度≤10mm，远端侧支逆向充盈可见M1段远端主干显影；II型：大脑中动脉M1主干闭塞、长度＞10mm，远端侧支逆向充盈可见M1段远端分叉显影、M1段远端主干不显影；III型：大脑中动脉M1主干闭塞、长度＞10mm，远端侧支逆向充盈可见M2段远端分支显影、M1段远端分叉不显影。
在本说明书实施例提供的分型方法用于大脑中动脉非急性期闭塞的分型时，由于两支大脑中动脉是对称的，故模板不需要分左右，I型，II型，III型都只需要一个典型影像来制作模板。
图4为本说明书实施例1提供的一种血管造影的分型方法的具体示意图。
实施例1
CTA或MRA影像数据，归一化，重采样后，为512*512*256的矩阵，即图像为256帧断层图，每个断层图为512*512的灰度图像，故通道数为1，在开源机器学习平台Tensorflow的框架或者在开源机器学习平台Pytorch的框架下，网络的输入为512*512*256*1的矩阵。第一编码器(虚线框内)由三个卷积块组成，每个卷积块有卷积操作与池化操作，一般使用3*3*3的卷积核，卷积操作后可以做dropout(随机失活)操作，normalization(归一化)操作，激活操作等，池化操作可以是max pool(最大池)或者average pool(平均池)等，在当前实施例中，池化操作的步长为2。第一个卷积块使用了32个卷积核，得到了32张特征图。经过池化操作，图像大小由512*512*256降为256*256*128；第二个卷积块使用了64个卷积核，得到了64张特征图。经过池化操作，图像大小由256*256*128降为128*128*64，第三个卷积块使用了128个卷积核，得到了128张特征图，经过池化操作，图像大小由128*128*64降为64*64*32，亦即第一特征图的尺寸为64*64*32，通道数为128。需要特别说明的是，开源机器学习平台的框架亦可以为其它框架，例如caffe，开源机器学习平台的框架的具体类型，并不构成对本申请的限定。
在本说明书的一个实施例中，第二编码器的输入为模板数据，亦即主干图像，由于主干图像不涉及大脑内小血管，颅内其他组织，故可以采用相对较低的分辨率，相对应的第二编码器也可以采用相对简单的结构。在本说明书的一个实施例中，重采样后，模板图像为128*128*64*3的矩阵，其中3是三个模板分别作为三个通道输入神经网络，第二编码器只包含一个卷积块，其输出的图像大小为64*64*32的特征图，亦即第二特征图的大小为64*64*32，通道数为64。
在本说明书的一个实施例中，第一特征图和第二特征图在一维上做连接操作，获得大小为64*64*32的特征图，通道数为192，该特征图输入卷积模块，卷积模块由一个卷积块组成，卷积模块的卷积块有卷积操作与池化操作，其输出为32*32*16的特征图，亦即第三特征图的大小为32*32*16，通道数为64。
在本说明书的一个实施例中，分类模块的第一层可以是全局池化层(globalaverage pooling层)，该层对每个通道的特征图取均值，再经过一个全连接层即可得到分类的结果
为了进一步理解本说明书实施提供的分型方法，图5为本说明书实施例2提供的一种血管造影的分型方法的具体示意图。
实施例2
实施例2与实施例1是基本相同的，唯一的区别在于第一编码器输出的第一特征图和第二编码器的输出第二特征图在一维上做相加操作。
在本说明书的一个实施例中，第一特征图和第二特征图在一维上做相加操作，此时，第一特征图和第二特征图的通道数是相同的，经过相加操作后，获得大小为的64*64*32的特征图，通道数为128，该特征图输入卷积模块，卷积模块由一个卷积块组成，卷积模块的卷积块有卷积操作与池化操作，其输出为32*32*16的特征图，亦即第三特征图的大小为32*32*16，通道数为64。
为了进一步理解本说明书实施提供的分型方法，图6为本说明书实施例3提供的一种血管造影的分型方法的具体示意图。
实施例3
实施例3与实施例2基本是相同的，唯一的区别在于分类模块。在本说明书的一个实施例中，第三特征图输入分类模块，经过分类模块的全局池化层，将多维向量拉平为一维向量，经过全连接进行输出，实现分型。
在本说明书实施例中，卷积模块，全局特征融合模块和分类模块共同组成分型模型，分型模型是基于颅脑影像数据及其对应的临床特征及模板数据，经过神经网络预先训练获得的模型。
需要说明的是，分型模型用于大脑中动脉非急性期闭塞分型时，分型模型可以采用本说明书实施例1所示的模型结构、模型的层数及卷积核的个数。在具体实施过程中，分型模型优选实施例1所示的模型结构、模型的层数及卷积核的个数。
需要特别说明的是，在本说明书实施例1、2和3中，亦即附图4-6中，以图5中的卷积模块为例，64*64*32*128中，64*64*32表示对应的每个特征图的尺寸或者大小，128表示对应的通道数为128，128亦表示卷积核的个数为128。
当然，本说明书实施例提供的分型方法，亦可以用于椎动脉闭塞的分型。图7为本说明书实施例提供的一种椎动脉闭塞的分型的示意图。在图7示意图中，图A中I型：闭塞长度≤15mm；图B中II型：闭塞长度＞15mm；图C中III型：闭塞长度＞15mm，且闭塞部位的弯曲角≥45°；图D中IV型：闭塞延伸到硬膜外段。
如图7所示，PCA闭塞分为ABCD四种类型，C中的两个示意图，在三维上看是一致的，与前面的实施例类似，做4个血管主干的模板，重采样后，模板图像为128*128*64*4的矩阵，4个模板分别作为4个通道输入神经网络。神经网络最终的输出为[p1，p2，p3，p4]，p1+p2+p3+p4＝1，pi代表了该图像属于第i类的概率。
为了进一步理解本说明书提供的分型模型，图8为本说明书实施例提供的一种血管造影的分型模型的训练过程的示意图，如图8所示，分型模型的训练包括：
步骤S801：将获取的学习样本集数据分为训练集数据、调优集数据和测试集数据。
在本说明书实施例中，学习样本集数据为颅脑影像数据，具体可以为CTA或MRA影像数据，或者其他影像数据，诸如DSA、或者CT灌注/核磁灌注成像或者脑血管造影检查，或者高分辨磁共振(HR-MRI)。将所述学习样本集数据进行标注，确定学习样本集数据中大脑中动脉闭塞的分类或者确定学习样本数据中椎动脉闭塞的分类。将标注后的学习样本集数据按照5∶2∶3的比例随机分为训练集数据、调优集数据和测试集数据。
步骤S803：从所述学习样本集数据中选取典型数据制作模板数据。
将学习样本集数据进行归一化处理，重采样后，获得512＊512＊256的矩阵，该矩阵与相应的大脑中动脉闭塞的分型的类别对应或者与椎动脉闭塞的分型的类别对应，以制作模板数据。
步骤S805：将学习样本集数据及模板数据进行训练，获得分型模型。
基于构建的神经网络，选择最优的超参数。将训练集数据中的图像矩阵与相应的分型的类别成对输入搭建好的神经网络。首先采用较低的学习率预热模型，之后逐渐加大学习率。在训练过程中，可以采用交叉熵代价函数作为损失函数，对模型进行训练。在训练过程中，若调优数据上的损失函数不再下降，则停止训练，防止过拟合。每种模型结构，采用不同的超参数，均在同样的初始化条件下训练多个模型，取模型在调优集数据上的损失函数的平均值作为该组超参数的评价指标。取损失函数平均值最小的超参数作为每种模型结构的最优超参数。
随后，利用测试集数据对上述最优超参数对应的分型模型进行测试，选出最优的分型模型用于后续分型。
需要说明的是，测试集数据不足的情况下，亦可以采用交叉验证的方式，选择最优的分型模型。
采用本说明书实施例提供的分型模型，能够快速、全面、准确地对大脑中动脉非急性期闭塞的影像学诊断，实现脑梗死的分型，为临床治疗提供参考依据。
上述内容详细说明了一种血管造影的分型方法，与之相应的，本说明书还提供了一种血管造影的分型装置，如图9所示。图9为本说明书实施例提供的一种血管造影的分型装置的示意图，该装置包括：
获取模块901，获取待处理的影像数据；
预处理模块903，对所述待处理的影像数据进行预处理，获得预处理的影像数据；
分型模块905，将所述预处理的影像数据输入分型模型，获得所述待处理影像数据的分型结果，其中，所述分型模型是基于神经网络预先训练获得的模型，所述分型模型包括第一编码器、第二编码器、卷积模块和分类模块。
进一步地，所述对所述待处理的影像数据进行预处理，获得预处理的影像数据，具体包括：
去除所述待处理的影像数据中的颅骨后，进行归一化处理，获得预处理的影像数据。
进一步地，所述第一编码器由3个卷积块组成，所述第一编码器的每个卷积块有卷积和池化操作，且所述池化操作的步长为2。
进一步地，所述第二编码器由1个卷积块组成，所述第二编码器的卷积块包括卷积和池化操作，所述第二编码器的输入为模板数据，其中，所述模板数据是影像数据经过血管剪影获得的血管主干图像数据。
进一步地，所述卷积模块由1个卷积块组成，所述卷积模块的卷积块包括卷积和池化操作。
进一步地，所述分类模块的第一层为全局池化层或一维化处理层，所述分类模块还包括全连接层，所述卷积模块输出的特征图经过所述全局池化层或者所述一维化处理层后，经过所述全连接层，输出所述待处理的影像数据的分型结果。
本说明书实施例还提供一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取待处理的影像数据；
对所述待处理的影像数据进行预处理，获得预处理的影像数据；
将所述预处理的影像数据输入分型模型，获得所述待处理影像数据的分型结果，其中，所述分型模型是基于神经网络预先训练获得的模型，所述分型模型包括第一编码器、第二编码器、卷积模块和分类模块。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Comell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例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，本说明书实施例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。
本说明书是参照根据本说明书实施例的方法、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (13)
1.一种血管造影的分型方法，其特征在于，所述方法包括：
获取待处理的影像数据；
对所述待处理的影像数据进行预处理，获得预处理的影像数据；
将所述预处理的影像数据输入分型模型，获得所述待处理影像数据的分型结果，其中，所述分型模型是基于神经网络预先训练获得的模型，所述分型模型包括第一编码器、第二编码器、卷积模块和分类模块,并且所述预处理的影像数据经过所述第一编码器获得第一特征图，模板图像数据经过所述第二编码器获得第二特征图，所述第一特征图和所述第二特征图在一维上做连接操作或者相加操作后输入所述卷积模块，经过卷积和池化操作，获得第三特征图，所述第三特征图输入分类模块，其中，所述模板图像数据是影像数据经过血管剪影获得的血管主干图像数据。
2.如权利要求1所述的方法，其特征在于，所述对所述待处理的影像数据进行预处理，获得预处理的影像数据，具体包括：
去除所述待处理的影像数据中的颅骨后，进行归一化处理，获得预处理的影像数据。
3.如权利要求1所述的方法，其特征在于，所述第一编码器由3个卷积块组成，所述第一编码器的每个卷积块有卷积和池化操作，且所述池化操作的步长为2。
4.如权利要求1所述的方法，其特征在于，所述第二编码器由1个卷积块组成，所述第二编码器的卷积块包括卷积和池化操作，所述第二编码器的输入为模板图像数据。
5.如权利要求1所述的方法，其特征在于，所述卷积模块由1个卷积块组成，所述卷积模块的卷积块包括卷积和池化操作。
6.如权利要求1所述的方法，其特征在于，所述分类模块的第一层为全局池化层或一维化处理层，所述分类模块还包括全连接层，所述卷积模块输出的特征图经过所述全局池化层或者所述一维化处理层后，经过所述全连接层，输出所述待处理的影像数据的分型结果。
7.一种血管造影的分型装置，其特征在于，所述装置包括：
获取模块，获取待处理的影像数据；
预处理模块，对所述待处理的影像数据进行预处理，获得预处理的影像数据；
分型模块，将所述预处理的影像数据输入分型模型，获得所述待处理影像数据的分型结果，其中，所述分型模型是基于神经网络预先训练获得的模型，所述分型模型包括第一编码器、第二编码器、卷积模块和分类模块，并且所述预处理的影像数据经过所述第一编码器获得第一特征图，模板图像数据经过所述第二编码器获得第二特征图，所述第一特征图和所述第二特征图在一维上做连接操作或者相加操作后输入所述卷积模块，经过卷积和池化操作，获得第三特征图，所述第三特征图输入分类模块，其中，所述模板数据是影像数据经过血管剪影获得的血管主干图像数据。
8.如权利要求7所述的装置，其特征在于，所述对所述待处理的影像数据进行预处理，获得预处理的影像数据，具体包括：
去除所述待处理的影像数据中的颅骨后，进行归一化处理，获得预处理的影像数据。
9.如权利要求7所述的装置，其特征在于，所述第一编码器由3个卷积块组成，所述第一编码器的每个卷积块有卷积和池化操作，且所述池化操作的步长为2。
10.如权利要求7所述的装置，其特征在于，所述第二编码器由1个卷积块组成，所述第二编码器的卷积块包括卷积和池化操作，所述第二编码器的输入为模板数据。
11.如权利要求7所述的装置，其特征在于，所述卷积模块由1个卷积块组成，所述卷积模块的卷积块包括卷积和池化操作。
12.如权利要求7所述的装置，其特征在于，所述分类模块的第一层为全局池化层或一维化处理层，所述分类模块还包括全连接层，所述卷积模块输出的特征图经过所述全局池化层或者所述一维化处理层后，经过所述全连接层，输出所述待处理的影像数据的分型结果。
13.一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取待处理的影像数据；
对所述待处理的影像数据进行预处理，获得预处理的影像数据；
将所述预处理的影像数据输入分型模型，获得所述待处理影像数据的分型结果，其中，所述分型模型是基于神经网络预先训练获得的模型，所述分型模型包括第一编码器、第二编码器、卷积模块和分类模块，并且所述预处理的影像数据经过所述第一编码器获得第一特征图，模板图像数据经过所述第二编码器获得第二特征图，所述第一特征图和所述第二特征图在一维上做连接操作或者相加操作后输入所述卷积模块，经过卷积和池化操作，获得第三特征图，所述第三特征图输入分类模块，其中，所述模板图像数据是影像数据经过血管剪影获得的血管主干图像数据。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011050743 | 2020-09-29 | ||
| CN2020110507431 | 2020-09-29 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112734726A CN112734726A (zh) | 2021-04-30 |
| CN112734726B true CN112734726B (zh) | 2024-02-02 |
Family
ID=75590064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110029052.1A Active CN112734726B (zh) | 2020-09-29 | 2021-01-11 | 一种血管造影的分型方法、装置以及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112734726B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115082405B (zh) * | 2022-06-22 | 2024-05-14 | 强联智创（北京）科技有限公司 | 颅内病灶的检测模型的训练方法、检测方法、装置及设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109191491A (zh) * | 2018-08-03 | 2019-01-11 | 华中科技大学 | 基于多层特征融合的全卷积孪生网络的目标跟踪方法及系统 |
| CN109447088A (zh) * | 2018-10-16 | 2019-03-08 | 杭州依图医疗技术有限公司 | 一种乳腺影像识别的方法及装置 |
| CN110522449A (zh) * | 2019-10-29 | 2019-12-03 | 南京景三医疗科技有限公司 | 一种斑块分型方法、装置、电子设备及可读存储介质 |
| CN110838108A (zh) * | 2019-10-30 | 2020-02-25 | 腾讯科技（深圳）有限公司 | 基于医疗图像的预测模型构建方法、预测方法及装置 |
| CN110934606A (zh) * | 2019-10-31 | 2020-03-31 | 上海杏脉信息科技有限公司 | 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质 |
| CN110992351A (zh) * | 2019-12-12 | 2020-04-10 | 南京邮电大学 | 基于多输入卷积神经网络的sMRI图像分类方法和装置 |
| CN111179307A (zh) * | 2019-12-16 | 2020-05-19 | 浙江工业大学 | 一种全卷积分类及回归孪生网络结构的视觉目标跟踪方法 |
| CN111553267A (zh) * | 2020-04-27 | 2020-08-18 | 腾讯科技（深圳）有限公司 | 图像处理方法、图像处理模型训练方法及设备 |
| CN111666974A (zh) * | 2020-04-29 | 2020-09-15 | 平安科技（深圳）有限公司 | 图像匹配方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10410362B2 (en) * | 2016-11-14 | 2019-09-10 | Htc Corporation | Method, device, and non-transitory computer readable storage medium for image processing |
-
2021
- 2021-01-11 CN CN202110029052.1A patent/CN112734726B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109191491A (zh) * | 2018-08-03 | 2019-01-11 | 华中科技大学 | 基于多层特征融合的全卷积孪生网络的目标跟踪方法及系统 |
| CN109447088A (zh) * | 2018-10-16 | 2019-03-08 | 杭州依图医疗技术有限公司 | 一种乳腺影像识别的方法及装置 |
| CN110522449A (zh) * | 2019-10-29 | 2019-12-03 | 南京景三医疗科技有限公司 | 一种斑块分型方法、装置、电子设备及可读存储介质 |
| CN110838108A (zh) * | 2019-10-30 | 2020-02-25 | 腾讯科技（深圳）有限公司 | 基于医疗图像的预测模型构建方法、预测方法及装置 |
| CN110934606A (zh) * | 2019-10-31 | 2020-03-31 | 上海杏脉信息科技有限公司 | 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质 |
| CN110992351A (zh) * | 2019-12-12 | 2020-04-10 | 南京邮电大学 | 基于多输入卷积神经网络的sMRI图像分类方法和装置 |
| CN111179307A (zh) * | 2019-12-16 | 2020-05-19 | 浙江工业大学 | 一种全卷积分类及回归孪生网络结构的视觉目标跟踪方法 |
| CN111553267A (zh) * | 2020-04-27 | 2020-08-18 | 腾讯科技（深圳）有限公司 | 图像处理方法、图像处理模型训练方法及设备 |
| CN111666974A (zh) * | 2020-04-29 | 2020-09-15 | 平安科技（深圳）有限公司 | 图像匹配方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112734726A (zh) | 2021-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109493348B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
| WO2020083374A1 (en) | Method and system for measuring morphological parameters of an intracranial aneurysm image | |
| CN109671066B (zh) | 一种基于头颅ct影像的脑梗死判断的方法及系统 | |
| CN109685123B (zh) | 一种基于头颅ct影像的评分方法及系统 | |
| WO2021098768A1 (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
| CN109584997B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
| CN109472823B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 | |
| CN109712122B (zh) | 一种基于头颅ct影像的评分方法及系统 | |
| CN110534193A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
| CN111091563B (zh) | 一种基于颅脑影像数据的目标区域的提取方法及系统 | |
| CN111105404B (zh) | 一种基于颅脑影像数据的目标位置的提取方法及系统 | |
| CN112734726B (zh) | 一种血管造影的分型方法、装置以及设备 | |
| CN109671067B (zh) | 一种基于头颅ct影像的核心梗死体积的测量方法及系统 | |
| CN113160165A (zh) | 一种血管分割方法、装置以及设备 | |
| CN112185550A (zh) | 一种分型方法、装置以及设备 | |
| CN111223089B (zh) | 一种动脉瘤的检测方法、装置及计算机可读存储介质 | |
| CN111785381B (zh) | 一种支架模拟方法、装置以及设备 | |
| CN115082405B (zh) | 颅内病灶的检测模型的训练方法、检测方法、装置及设备 | |
| CN109584261B (zh) | 一种颅内动脉瘤图像的分割方法及系统 | |
| CN111584076A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
| CN111127427A (zh) | 一种基于颅脑影像数据的对称轴/对称面提取方法及系统 | |
| CN116168154A (zh) | 一种预测方法、装置、设备及可读存储介质 | |
| CN110739078B (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
| CN113538463A (zh) | 一种动脉瘤分割方法、装置以及设备 | |
| CN110517244B (zh) | 一种基于dsa图像的定位方法及系统 |
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 |