CN112801999A - 确定心脏冠脉优势型的方法及装置 - Google Patents

确定心脏冠脉优势型的方法及装置 Download PDF

Info

Publication number
CN112801999A
CN112801999A CN202110164543.7A CN202110164543A CN112801999A CN 112801999 A CN112801999 A CN 112801999A CN 202110164543 A CN202110164543 A CN 202110164543A CN 112801999 A CN112801999 A CN 112801999A
Authority
CN
China
Prior art keywords
ventricle
artery
pixel
segmentation
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
Application number
CN202110164543.7A
Other languages
English (en)
Other versions
CN112801999B (zh
Inventor
王旭
马骏
兰宏志
郑凌霄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Raysight Intelligent Medical Technology Co Ltd
Original Assignee
Shenzhen Raysight Intelligent Medical Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Raysight Intelligent Medical Technology Co Ltd filed Critical Shenzhen Raysight Intelligent Medical Technology Co Ltd
Priority to CN202110164543.7A priority Critical patent/CN112801999B/zh
Publication of CN112801999A publication Critical patent/CN112801999A/zh
Application granted granted Critical
Publication of CN112801999B publication Critical patent/CN112801999B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06T2207/30048—Heart; Cardiac
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请的实施例提供了一种确定心脏冠脉优势型的方法、装置、计算机可读介质及电子设备。该确定心脏冠脉优势型的方法包括：通过对心脏冠脉影像进行像素分割，确定其中的心室像素分割和动脉像素分割，并基于心室像素分割中的左心室和右心室的交集曲面作为心室分界面，之后基于心室分界面，分别计算动脉像素分割上的像素点相对于心室分界面的加权相对距离，以基于动脉像素分割中的右冠状动脉和左回旋动脉分别对应的加权相对距离，确定心脏冠脉的优势型，通过以左心室和右心室之间的交界面为基准，来确定动脉像素分割中的右冠状动脉和左回旋动脉分别基于该交界面的加权相对距离，进而确定冠脉优势型，提高了优势型判断的准确率和鲁棒性。

Description

确定心脏冠脉优势型的方法及装置
技术领域
本申请涉及计算机技术领域，具体而言，涉及一种确定心脏冠脉优势型的方法、装置、计算机可读介质及电子设备。
背景技术
在对心脏冠脉的优势型进行判断时，相关技术中都是通过对CT图像进行冠脉分割，对CT图像进行检测找到心房和心室的位置信息，之后从冠脉分割中提取中线，并与心房和心室的参考信息进行分析得到冠脉的优势型。这种方法以检测的方式确定定位交点，将会受到更多干扰因素的影响，容易产生假阳性交点，因此通过此方法得到的定位交点的方法将影响最终的优势型判断结果；并且，通过找中线到交点的距离与阈值进行比较，在此处只考虑中线一个点的信息，参考信息固定且比较片面，导致参考系的稳定性不够，进而造成优势型判断不精确的问题。
发明内容
本申请的实施例提供了一种确定心脏冠脉优势型的方法、装置、计算机可读介质及电子设备，可以提高优势型判断的准确率和鲁棒性。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面，提供了一种确定心脏冠脉优势型的方法，包括：对心脏冠脉影像进行像素分割，确定其中的心室像素分割和动脉像素分割，其中所述心室像素分割包括左心室和右心室，所述动脉像素分割包括右冠状动脉和左回旋动脉；基于所述左心室和右心室，将所述左心室和所述右心室之间的交集曲面作为心室分界面，这种方法得到更稳定的冠脉位置的参考信息，提高了参考信息的可靠性和稳定性；之后基于所述心室分界面，分别计算所述动脉像素分割上的像素点相对于所述心室分界面的加权相对距离，通过加权相对距离的方法更全面地综合了右冠状动脉和左回旋动脉的像素，使最终得到的结果更准确，提高了优势型判断的准确率和鲁棒性。
根据本申请实施例的一个方面，提供了一种确定心脏冠脉优势型的装置，包括：分割单元，用于对心脏冠脉影像进行像素分割，确定其中的心室像素分割和动脉像素分割，其中所述心室像素分割包括左心室和右心室，所述动脉像素分割包括右冠状动脉和左回旋动脉；界面单元，用于基于所述左心室和右心室，将所述左心室和所述右心室之间的交集曲面作为心室分界面；距离单元，用于基于所述心室分界面，分别计算所述动脉像素分割上的像素点相对于所述心室分界面的加权相对距离；确定单元，用于基于所述右冠状动脉和所述左回旋动脉分别对应的加权相对距离，确定所述心脏冠脉的优势型。
在本申请的一些实施例中，基于前述方案，所述分割单元包括：第一分割单元，用于基于训练得到的心室分割模型，对心脏冠脉影像中的左右心室进行像素分割，确定所述心室像素分割中的左心室和右心室；第二分割单元，用于基于训练得到的血管分割模型，对所述心脏冠脉影像中的血管进行像素分割，确定所述动脉像素分割中的右冠状动脉和左回旋动脉。
在本申请的一些实施例中，基于前述方案，所述确定心脏冠脉优势型的装置还用于：获取医学影像样本及其对应的心室分割的标注信息；基于所述医学影像样本对神经网络进行训练，输出心室分割对应的预测结果；基于所述预测结果与所述标注信息之间的比较结果，更新所述神经网络，生成所述心室分割模型。
在本申请的一些实施例中，基于前述方案，所述界面单元用于基于所述左心室和所述右心室中的像素，对所述左心室和所述右心室分别进行膨胀处理，得到膨胀左心室和膨胀右心室；求取所述膨胀左心室和所述膨胀右心室之间的交集曲面，作为所述心室分界面。
在本申请的一些实施例中，基于前述方案，所述确定心脏冠脉优势型的装置还用于：基于设定的采样系数，在所述动脉像素分割中进行采样，得到采样的像素点。
在本申请的一些实施例中，基于前述方案，所述距离单元包括：距离确定单元，用于基于所述心室分界面，确定所述动脉像素分割上的像素点相对于所述心室分界面的像素点距离；加权距离单元，用于基于所述像素点距离、以及所述像素点对应的权值，进行加权求和，确定所述动脉像素分割上的像素点相对于所述心室分界面的加权相对距离。
在本申请的一些实施例中，基于前述方案，所述确定心脏冠脉优势型的装置还用于：基于所述动脉像素分割上各像素点对应的像素点距离，确定所述各像素点对应的权值。
在本申请的一些实施例中，基于前述方案，所述确定心脏冠脉优势型的装置还用于：对所述动脉像素分割进行分段，得到预设数量的分段动脉像素分割；基于所述分段动脉像素分割对应的预设权值，确定所述分段动脉像素分割中各像素点对应的权值。
在本申请的一些实施例中，基于前述方案，所述右冠状动脉对应的加权相对距离为右加权相对距离，所述左回旋动脉对应的加权相对距离为左加权相对距离；所述确定单元用于：若所述右加权相对距离减去所述左加权相对距离得到的第一距离差值的绝对值，小于设定的距离差值阈值，则判定所述心脏冠脉的优势型为均衡型；若所述右加权相对距离减去所述左加权相对距离得到的第二距离差值大于或者等于设定的距离差值阈值，则判定所述心脏冠脉的优势型为左优势型；若所述左加权相对距离减去所述右加权相对距离得到的第三距离差值大于或者等于设定的距离差值阈值，则判定所述心脏冠脉的优势型为右优势型。
根据本申请实施例的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中所述的确定心脏冠脉优势型的方法。
根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的确定心脏冠脉优势型的方法。
根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的确定心脏冠脉优势型的方法。
在本申请的一些实施例所提供的技术方案中，通过对心脏冠脉影像进行像素分割，确定其中的心室像素分割和动脉像素分割，并基于心室像素分割中的左心室和右心室，将左心室和右心室之间的交集曲面作为心室分界面；通过对心脏冠脉影像进行像素分割，确定其中的右冠状动脉和左回旋动脉的像素分割，之后基于心室分界面，分别计算动脉像素分割上的像素点相对于心室分界面的加权相对距离，以基于动脉像素分割中的右冠状动脉和左回旋动脉分别对应的加权相对距离。在此，本实施例中使用的是右冠状动脉和左回旋动脉的像素分割的像素点，这种方法更符合血管模型，并且基于右冠状动脉和左回旋动脉的像素获得的距离综合了血管的更多信息，从而提高结果的准确性和鲁棒性。
通过以左心室和右心室之间的交界面为基准，来确定动脉像素分割中的右冠状动脉和左回旋动脉分别基于该交界面的加权相对距离，通过加权右冠状动脉和左回旋动脉的像素分割到心室分界面的距离，而不是基于单个点或者取平均的方法，加权的方式获得的距离信息考虑到了需重点关注的重要信息，同时综合了所有像素点的距离信息，进而基于加权相对距离之间的对比结果来确定冠脉优势型，提高了优势型判断的准确率和鲁棒性，尤其是在心室和冠脉情况较复杂的情况下，提高了优势型判断的可靠性和精确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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附图。在附图中：
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图；
图2示意性示出了根据本申请的一个实施例的确定心脏冠脉优势型的方法的流程图；
图3示意性示出了根据本申请的一个实施例的确定心脏冠脉优势型的方法的框图；
图4示意性示出了根据本申请的一个实施例的训练分割模型的示意图；
图5示意性示出了根据本申请的一个实施例的生成优势参考面的示意图；
图6示意性示出了根据本申请的一个实施例的确定相对距离的示意图；
图7示意性示出了根据本申请的一个实施例的确定心脏冠脉优势型的装置的框图；
图8示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本申请实施例的技术方案的示例性系统架如图1所示，系统架构可以包括医学影像采集装置101、网络102、服务器103以及终端设备104。其中，本实施例中采集装置101用于采集主动脉的医学影像，可以为电子计算机断层扫描(ComputedTomography，CT)设备、核磁共振成像(Magnetic Resonance Imaging，MRI)设备等，此处不做限定；本实施例中的网络102用以在终端设备和服务器103之间提供通信链路，可以包括各种连接类型，例如有线通信链路、无线通信链路，或者蓝牙、5G网络等，此处不做限定，用于传输采集到的医学影像至血管检测装置；本实施例中终端设备104可以为智能手机、平板电脑和便携式计算机中的一种或多种，当然也可以是台式计算机等等，此处不做限定。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器103可以是多个服务器组成的服务器集群等。
需要说明的是，本实施例中服务器103可以与终端设备104具有相同的功能，即确定冠脉优势型。具体的，对心脏冠脉影像进行像素分割，确定其中的心室像素分割和动脉像素分割，其中心室像素分割包括左心室和右心室，动脉像素分割包括右冠状动脉和左回旋动脉；基于左心室和右心室，将左心室和右心室之间的交集曲面作为心室分界面；基于心室分界面，分别计算动脉像素分割上的像素点相对于心室分界面的加权相对距离；基于右冠状动脉和左回旋动脉分别对应的加权相对距离，确定心脏冠脉的优势型。
上述方案，通过对心脏冠脉影像进行像素分割，确定其中的心室像素分割和动脉像素分割，并基于心室像素分割中的左心室和右心室，将左心室和右心室之间的交集曲面作为心室分界面；之后基于心室分界面，分别计算动脉像素分割上的像素点相对于心室分界面的加权相对距离，以基于动脉像素分割中的右冠状动脉和左回旋动脉分别对应的加权相对距离，确定心脏冠脉的优势型，通过以左心室和右心室之间的交界面为基准，来确定左右动脉基于该交界面的距离，进而确定冠脉优势型，提高了优势型判断的准确率和鲁棒性。
以下对本申请实施例的技术方案的实现细节进行详细阐述：
图2示出了根据本申请的一个实施例的确定心脏冠脉优势型的方法的流程图，该确定心脏冠脉优势型的方法可以由服务器来执行，该服务器可以是图1中所示的服务器。参照图2所示，该确定心脏冠脉优势型的方法至少包括步骤S210至步骤S240，详细介绍如下：
在步骤S210中，对心脏冠脉影像进行像素分割，确定其中的心室像素分割和动脉像素分割，其中心室像素分割包括左心室和右心室，动脉像素分割包括右冠状动脉和左回旋动脉。
在本申请的一个实施例中，在获取到心脏冠脉影像之后，可以通过预先训练得到的神经网络模型对心脏冠脉影像进行像素分割，从CT血管成像(CT angiography,CTA)中分割出右冠状动脉(Right coronary artery，RCA)、左回旋支(Left circumflex branch，LCX)血管的像素分割。
如图3所示，本实施例中通过先获取原始医学影像，如CT或者MRI等医学图像；之后使用基于深度学习的方法对医学影像的左右心室进行像素分割，基于左右心室的分割结果获取到左右心室分界的像素分割；与此同时，使用基于深度学习的方法对医学影像进行冠脉整体像素分割或者RCA、LCX血管的像素分割；最后，基于得到的左右心室通过图像处理的方法得到心室分界面，将心室分界面作为优势参考面，并将该优势参考面与RCA、LCX的像素分割进行加权分析得到最终的左右优势判断结果。
在本申请的一个实施例中，步骤S210中对心脏冠脉影像进行像素分割，确定其中的心室像素分割和动脉像素分割的过程，具体包括：
基于训练得到的心室分割模型，对心脏冠脉影像中的左右心室进行像素分割，确定心室像素分割中的左心室和右心室；
基于训练得到的血管分割模型，对心脏冠脉影像中的血管进行像素分割，确定动脉像素分割中的右冠状动脉和左回旋动脉。
具体的，本实施例中可以基于训练得到的心室分割模型和血管分割模型，对心脏冠脉影像中的心室进行分割，分别确定心室像素分割中的左心室和右心室，以及右冠状动脉和左回旋动脉。
除此之外，本实施例中还可以基于一个心室血管分割模型，对心脏冠脉影像中的心室进行分割，分别确定述心室像素分割中的左心室和右心室，以及右冠状动脉和左回旋动脉。
在本申请的一个实施例中，在训练心室分割模型时，具体通过如下步骤进行：获取医学影像样本及其对应的心室分割的标注信息；基于医学影像样本对神经网络进行训练，输出心室分割对应的预测结果；基于预测结果与标注信息之间的比较结果，更新神经网络，生成心室分割模型。
如图4所示，本实施例中基于3D深层神经网络心脏左右心室的分割的训练过程具体为：第1步：将原始CTA的3D图像通过深层神经网络，得到预测结果；第2步：把神经网络预测结果和人工标注做比较，反馈给神经网络；第3步：更新神经网络，使其朝着减少预测误差的方向演进。本实施例通过使用大量数据，成千上万次的重复上述迭代过程，最终预测结果会和人工标注接近。
在步骤S220中，基于左心室和右心室，将左心室和右心室之间的交集曲面作为心室分界面。
在本申请的一个实施例中，基于左心室和右心室，将左心室和右心室之间的交集曲面作为心室分界面。通过心室像素分割获得优势参考面，此方法获得的参考信息更稳定，从而可以获得更准确的优势型结果。
在本申请的一个实施例中，步骤S220中基于左心室和右心室，将左心室和右心室之间的交集曲面作为心室分界面的过程，具体包括：基于左心室和右心室中的像素，对左心室和右心室分别进行膨胀处理，得到膨胀左心室和膨胀右心室；求取膨胀左心室和膨胀右心室之间的交集曲面，作为心室分界面。
如图5所示，本实施例中基于获得的左右心室像素分割图，分离出左心室的像素分割和右心室的像素分割之后，对得到左右心室的像素分割后分别进行膨胀，对膨胀后的像素分割取交集，即可获得心室分界面的像素分割。
具体的，本实施例中的膨胀包括对像素间距进行扩大和填充处理，进而得到视觉上更大的左右心室像素分割。
在本申请的一个实施例中，步骤S230中基于心室分界面，分别计算动脉像素分割上的像素点相对于心室分界面的加权相对距离的过程之前，还包括：基于设定的采样系数，在动脉像素分割中进行采样，得到采样的像素点。
可选的，在计算各个像素点的加权相对距离之前，可以基于设定的采样系数，对动脉像素分割中像素点进行采样，得到采样的像素点。本实施例中通过采样的方式来精简参与运算的像素点的数量，进而基于精简之后的像素点的数量来确定加权相对距离。
在步骤S230中，基于心室分界面，分别计算动脉像素分割上的像素点相对于心室分界面的加权相对距离。
在本申请的一个实施例中，在确定了心室分界面之后，基于动脉像素分割上的像素点，计算各个像素点与心室分界面之间的距离和，即加权相对距离。
在本申请的一个实施例中，步骤S230中基于心室分界面，分别计算动脉像素分割上的像素点相对于心室分界面的加权相对距离，包括步骤S231～步骤S231，详细说明如下：
在步骤S231中，基于心室分界面，确定动脉像素分割上的像素点相对于心室分界面的像素点距离。
如图6所示，图6由左到右分别为左回旋动脉、右冠状动脉、心室分界面，以及基于心室分界面，计算左回旋动脉、右冠状动脉上的像素点分别与心室分界面之间的距离的示意图。本实施例中计算像素点距离的方式可以是基于动脉上的血管与心室分界面之间的最短像素距离。
本实施例中基于像素点距离、以及像素点对应的权值，进行加权求和，确定动脉像素分割上的像素点相对于心室分界面的加权相对距离之前，还可以先确定各像素点对应的权值。具体的确定方法可以是如下两种：
第一种确定各像素点对应的权值的方法是，基于动脉像素分割上各像素点对应的像素点距离，确定各像素点对应的权值。通过对像素点距离较远的像素点设定较小的权值，来增强近距离像素点的参考价值，提高判断优势型的精确性和客观性。
第二种确定各像素点对应的权值的方法是，对动脉像素分割进行分段，得到预设数量的分段动脉像素分割；基于各分段动脉像素分割对应的预设权值，确定分段动脉像素分割中各像素点对应的权值。
具体的，本实施例中可以通过深度学习对RCA、LCX血管分割进行分段，可以分为近、中、远段，对这三段进行设置不同的权重系数。我们的方法综合考虑冠脉的所有分割像素点加权计算到优势参考面的距离，获得的将是更全面的信息，不会因局部因素问题影响全局，因此该方法更加稳定和鲁棒性。
可选的，本实施例中在通过深度学习对RCA、LCX血管分割进行分段的方法之外，还可以通过pointnet方法对RCA或LCX血管的像素分割进行分段。
在步骤S232中，基于像素点距离、以及像素点对应的权值，进行加权求和，确定动脉像素分割上的像素点相对于心室分界面的加权相对距离。
在本申请的一个实施例中，得到优势参考面以及RCA、LCX的像素分割后，通过计算，可以得到冠脉左右优势的结果。
具体的，分别计算RCA、LCX分割的像素到优势参考面的加权距离的公式如下：
Figure BDA0002937235130000101
其中，N表示RCA或LCX像素分割上的像素点的总数，i表示像素点表标识，di表示像素点距离，αi表示像素点对应的权值。通过以上公式可以算得RCA到优势参考面的加权相对距离drca_reference，以及LCX到优势参考面的加权相对距离dlcx_reference。
在步骤S240中，基于右冠状动脉和左回旋动脉分别对应的加权相对距离，确定心脏冠脉的优势型。
在本申请的一个实施例中，在计算得到右冠状动脉对应的右加权相对距离，左回旋动脉对应的左加权相对距离之后，若右加权相对距离减去左加权相对距离得到的第一距离差值的绝对值，小于设定的距离差值阈值，则判定心脏冠脉的优势型为均衡型；若右加权相对距离减去左加权相对距离得到的第二距离差值大于或者等于设定的距离差值阈值，则判定心脏冠脉的优势型为左优势型；若左加权相对距离减去右加权相对距离得到的第三距离差值大于或者等于设定的距离差值阈值，则判定心脏冠脉的优势型为右优势型。
具体的，本实施例中将得到的两个加权相对距离与预设的阈值进行比较，可以得到最终的优势型，其判断方法如下：如果drca_reference与dlcx_reference相差不超过M个像素，即可判断为均衡型；如果drca_reference与dlcx_reference相差超过M个像素，且drca_reference小于dlcx_reference，即可判断为右优势型；如果drca_reference与dlcx_reference相差超过M个像素，且drca_reference大于dlcx_reference，即可判断为左优势型。
本实施例的方法综合考虑冠脉的所有分割像素点加权计算到优势参考面的距离，获得的将是更全面的信息，不会因局部因素问题影响全局，因此该方法更加稳定和鲁棒。
以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的确定心脏冠脉优势型的方法。可以理解的是，装置可以是运行于计算机设备中的一个计算机程序(包括程序代码)，例如该装置为一个应用软件；该装置可以用于执行本申请实施例提供的方法中的相应步骤。对于本申请装置实施例中未披露的细节，请参照本申请上述的确定心脏冠脉优势型的方法的实施例。
图7示出了根据本申请的一个实施例的确定心脏冠脉优势型的装置的框图。
参照图7所示，根据本申请的一个实施例的确定心脏冠脉优势型的装置700，包括：分割单元710，用于对心脏冠脉影像进行像素分割，确定其中的心室像素分割和动脉像素分割，其中所述心室像素分割包括左心室和右心室，所述动脉像素分割包括右冠状动脉和左回旋动脉；界面单元720，用于基于所述左心室和右心室，将所述左心室和所述右心室之间的交集曲面作为心室分界面；距离单元730，用于基于所述心室分界面，分别计算所述动脉像素分割上的像素点相对于所述心室分界面的加权相对距离；确定单元740，用于基于所述右冠状动脉和所述左回旋动脉分别对应的加权相对距离，确定所述心脏冠脉的优势型。
在本申请的一些实施例中，基于前述方案，所述分割单元710包括：第一分割单元，用于基于训练得到的心室分割模型，对心脏冠脉影像中的左右心室进行像素分割，确定所述心室像素分割中的左心室和右心室；第二分割单元，用于基于训练得到的血管分割模型，对所述心脏冠脉影像中的血管进行像素分割，确定所述动脉像素分割中的右冠状动脉和左回旋动脉。
在本申请的一些实施例中，基于前述方案，所述确定心脏冠脉优势型的装置700还用于：获取医学影像样本及其对应的心室分割的标注信息；基于所述医学影像样本对神经网络进行训练，输出心室分割对应的预测结果；基于所述预测结果与所述标注信息之间的比较结果，更新所述神经网络，生成所述心室分割模型。
在本申请的一些实施例中，基于前述方案，所述界面单元720用于基于所述左心室和所述右心室中的像素，对所述左心室和所述右心室分别进行膨胀处理，得到膨胀左心室和膨胀右心室；求取所述膨胀左心室和所述膨胀右心室之间的交集曲面，作为所述心室分界面。
在本申请的一些实施例中，基于前述方案，所述确定心脏冠脉优势型的装置700还用于：基于设定的采样系数，在所述动脉像素分割中进行采样，得到采样的像素点。
在本申请的一些实施例中，基于前述方案，所述距离单元包括：距离确定单元，用于基于所述心室分界面，确定所述动脉像素分割上的像素点相对于所述心室分界面的像素点距离；加权距离单元，用于基于所述像素点距离、以及所述像素点对应的权值，进行加权求和，确定所述动脉像素分割上的像素点相对于所述心室分界面的加权相对距离。
在本申请的一些实施例中，基于前述方案，所述确定心脏冠脉优势型的装置700还用于：基于所述动脉像素分割上各像素点对应的像素点距离，确定所述各像素点对应的权值。
在本申请的一些实施例中，基于前述方案，所述确定心脏冠脉优势型的装置还用于：对所述动脉像素分割进行分段，得到预设数量的分段动脉像素分割；基于所述分段动脉像素分割对应的预设权值，确定所述分段动脉像素分割中各像素点对应的权值。
在本申请的一些实施例中，基于前述方案，所述右冠状动脉对应的加权相对距离为右加权相对距离，所述左回旋动脉对应的加权相对距离为左加权相对距离；所述确定单元740用于：若所述右加权相对距离减去所述左加权相对距离得到的第一距离差值的绝对值，小于设定的距离差值阈值，则判定所述心脏冠脉的优势型为均衡型；若所述右加权相对距离减去所述左加权相对距离得到的第二距离差值大于或者等于设定的距离差值阈值，则判定所述心脏冠脉的优势型为左优势型；若所述左加权相对距离减去所述右加权相对距离得到的第三距离差值大于或者等于设定的距离差值阈值，则判定所述心脏冠脉的优势型为右优势型。
图8示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是，图8示出的电子设备的计算机系统800仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示，计算机系统800包括中央处理单元(Central Processing Unit，CPU)801，其可以根据存储在只读存储器(Read-Only Memory，ROM)802中的程序或者从储存部分808加载到随机访问存储器(Random Access Memory，RAM)803中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 803中，还存储有系统操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(Input/Output，I/O)接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分807；包括硬盘等的储存部分808；以及包括诸如LAN(Local Area Network，局域网)卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入储存部分808。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的方法。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种确定心脏冠脉优势型的方法，其特征在于，包括：
对心脏冠脉影像进行像素分割，确定其中的心室像素分割和动脉像素分割，其中所述心室像素分割包括左心室和右心室，所述动脉像素分割包括右冠状动脉和左回旋动脉；
基于所述左心室和右心室，将所述左心室和所述右心室之间的交集曲面作为心室分界面；
基于所述心室分界面，分别计算所述动脉像素分割上的像素点相对于所述心室分界面的加权相对距离；
基于所述右冠状动脉和所述左回旋动脉分别对应的加权相对距离，确定所述心脏冠脉的优势型。
2.根据权利要求1所述的方法，其特征在于，对心脏冠脉影像进行像素分割，确定其中的心室像素分割和动脉像素分割，包括：
基于训练得到的心室分割模型，对心脏冠脉影像中的左右心室进行像素分割，确定所述心室像素分割中的左心室和右心室；
基于训练得到的血管分割模型，对所述心脏冠脉影像中的血管进行像素分割，确定所述动脉像素分割中的右冠状动脉和左回旋动脉。
3.根据权利要求2所述的方法，其特征在于，基于训练得到的心室分割模型，对心脏冠脉影像中的左右心室进行像素分割，确定其中的左心室和右心室之前，还包括：
获取医学影像样本及其对应的心室分割的标注信息；
基于所述医学影像样本对神经网络进行训练，输出心室分割对应的预测结果；
基于所述预测结果与所述标注信息之间的比较结果，更新所述神经网络，生成所述心室分割模型。
4.根据权利要求1所述的方法，其特征在于，基于所述左心室和右心室，将所述左心室和所述右心室之间的交集曲面作为心室分界面，包括：
基于所述左心室和所述右心室中的像素，对所述左心室和所述右心室分别进行膨胀处理，得到膨胀左心室和膨胀右心室；
求取所述膨胀左心室和所述膨胀右心室之间的交集曲面，作为所述心室分界面。
5.根据权利要求1所述的方法，其特征在于，基于所述心室分界面，分别计算所述动脉像素分割上的像素点相对于所述心室分界面的加权相对距离之前，还包括：
基于设定的采样系数，在所述动脉像素分割中进行采样，得到采样的像素点。
6.根据权利要求1所述的方法，其特征在于，基于所述心室分界面，分别计算所述动脉像素分割上的像素点相对于所述心室分界面的加权相对距离，包括：
基于所述心室分界面，确定所述动脉像素分割上的像素点相对于所述心室分界面的像素点距离；
基于所述像素点距离、以及所述像素点对应的权值，进行加权求和，确定所述动脉像素分割上的像素点相对于所述心室分界面的加权相对距离。
7.根据权利要求6所述的方法，其特征在于，基于所述像素点距离、以及所述像素点对应的权值，进行加权求和，确定所述动脉像素分割上的像素点相对于所述心室分界面的加权相对距离之前，还包括：
基于所述动脉像素分割上各像素点对应的像素点距离，确定所述各像素点对应的权值。
8.根据权利要求6所述的方法，其特征在于，基于所述像素点距离、以及所述像素点对应的权值，进行加权求和，确定所述动脉像素分割上的像素点相对于所述心室分界面的加权相对距离之前，还包括：
对所述动脉像素分割进行分段，得到预设数量的分段动脉像素分割；
基于所述分段动脉像素分割对应的预设权值，确定所述分段动脉像素分割中各像素点对应的权值。
9.根据权利要求1所述的方法，其特征在于，所述右冠状动脉对应的加权相对距离为右加权相对距离，所述左回旋动脉对应的加权相对距离为左加权相对距离；
基于所述右冠状动脉和所述左回旋动脉分别对应的加权相对距离，确定所述心脏冠脉的优势型，包括：
若所述右加权相对距离减去所述左加权相对距离得到的第一距离差值的绝对值，小于设定的距离差值阈值，则判定所述心脏冠脉的优势型为均衡型；
若所述右加权相对距离减去所述左加权相对距离得到的第二距离差值大于或者等于设定的距离差值阈值，则判定所述心脏冠脉的优势型为左优势型；
若所述左加权相对距离减去所述右加权相对距离得到的第三距离差值大于或者等于设定的距离差值阈值，则判定所述心脏冠脉的优势型为右优势型。
10.一种确定心脏冠脉优势型的装置，其特征在于，包括：
分割单元，用于对心脏冠脉影像进行像素分割，确定其中的心室像素分割和动脉像素分割，其中所述心室像素分割包括左心室和右心室，所述动脉像素分割包括右冠状动脉和左回旋动脉；
界面单元，用于基于所述左心室和右心室，将所述左心室和所述右心室之间的交集曲面作为心室分界面；
距离单元，用于基于所述心室分界面，分别计算所述动脉像素分割上的像素点相对于所述心室分界面的加权相对距离；
确定单元，用于基于所述右冠状动脉和所述左回旋动脉分别对应的加权相对距离，确定所述心脏冠脉的优势型。
CN202110164543.7A 2021-02-05 2021-02-05 确定心脏冠脉优势型的方法及装置 Active CN112801999B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110164543.7A CN112801999B (zh) 2021-02-05 2021-02-05 确定心脏冠脉优势型的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110164543.7A CN112801999B (zh) 2021-02-05 2021-02-05 确定心脏冠脉优势型的方法及装置

Publications (2)

Publication Number Publication Date
CN112801999A true CN112801999A (zh) 2021-05-14
CN112801999B CN112801999B (zh) 2023-06-23

Family

ID=75814531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110164543.7A Active CN112801999B (zh) 2021-02-05 2021-02-05 确定心脏冠脉优势型的方法及装置

Country Status (1)

Country Link
CN (1) CN112801999B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139961A (zh) * 2021-05-28 2021-07-20 沈阳先进医疗设备技术孵化中心有限公司 一种冠状动脉优势型的确定方法和装置
CN114041761A (zh) * 2021-10-27 2022-02-15 北京医准智能科技有限公司 一种冠状动脉起源的判断方法、装置及计算机可读介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100082692A1 (en) * 2008-09-24 2010-04-01 Akinola Akinyemi Method and apparatus for classification of coronary artery image data
CN104736046A (zh) * 2012-10-19 2015-06-24 哈特弗罗公司 用于数字评估脉管系统的系统和方法
CN104867147A (zh) * 2015-05-21 2015-08-26 北京工业大学 基于冠状动脉造影图像分割的syntax自动评分方法
WO2016076074A1 (ja) * 2014-11-10 2016-05-19 株式会社日立製作所 画像処理装置、ｘ線ｃｔ装置、及び画像処理方法
CN106327476A (zh) * 2016-08-25 2017-01-11 于洋 一种ct图像处理方法及装置
CN109087352A (zh) * 2018-08-16 2018-12-25 数坤（北京）网络科技有限公司 一种心脏冠脉优势型自动判别方法
CN111369525A (zh) * 2020-03-02 2020-07-03 联影智能医疗科技(北京)有限公司 图像分析方法、设备和存储介质
CN111369542A (zh) * 2020-03-06 2020-07-03 上海联影智能医疗科技有限公司 血管标记方法、图像处理系统和存储介质
CN111932497A (zh) * 2020-06-30 2020-11-13 数坤（北京）网络科技有限公司 一种冠状动脉识别方法及装置
JP2021000455A (ja) * 2012-11-30 2021-01-07 キヤノンメディカルシステムズ株式会社 医用画像処理装置、医用画像処理システムおよび医用画像処理方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100082692A1 (en) * 2008-09-24 2010-04-01 Akinola Akinyemi Method and apparatus for classification of coronary artery image data
CN104736046A (zh) * 2012-10-19 2015-06-24 哈特弗罗公司 用于数字评估脉管系统的系统和方法
JP2021000455A (ja) * 2012-11-30 2021-01-07 キヤノンメディカルシステムズ株式会社 医用画像処理装置、医用画像処理システムおよび医用画像処理方法
WO2016076074A1 (ja) * 2014-11-10 2016-05-19 株式会社日立製作所 画像処理装置、ｘ線ｃｔ装置、及び画像処理方法
CN104867147A (zh) * 2015-05-21 2015-08-26 北京工业大学 基于冠状动脉造影图像分割的syntax自动评分方法
CN106327476A (zh) * 2016-08-25 2017-01-11 于洋 一种ct图像处理方法及装置
CN109087352A (zh) * 2018-08-16 2018-12-25 数坤（北京）网络科技有限公司 一种心脏冠脉优势型自动判别方法
CN111369525A (zh) * 2020-03-02 2020-07-03 联影智能医疗科技(北京)有限公司 图像分析方法、设备和存储介质
CN111369542A (zh) * 2020-03-06 2020-07-03 上海联影智能医疗科技有限公司 血管标记方法、图像处理系统和存储介质
CN111932497A (zh) * 2020-06-30 2020-11-13 数坤（北京）网络科技有限公司 一种冠状动脉识别方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139961A (zh) * 2021-05-28 2021-07-20 沈阳先进医疗设备技术孵化中心有限公司 一种冠状动脉优势型的确定方法和装置
CN113139961B (zh) * 2021-05-28 2024-04-23 东软医疗系统股份有限公司 一种冠状动脉优势型的确定方法和装置
CN114041761A (zh) * 2021-10-27 2022-02-15 北京医准智能科技有限公司 一种冠状动脉起源的判断方法、装置及计算机可读介质
CN114041761B (zh) * 2021-10-27 2022-12-09 北京医准智能科技有限公司 一种冠状动脉起源的判断方法、装置及计算机可读介质

Also Published As

Publication number Publication date
CN112801999B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
US9968257B1 (en) Volumetric quantification of cardiovascular structures from medical imaging
CN111557020B (zh) 基于完全卷积神经网络的心脏cta解剖结构分割系统
CN107665736B (zh) 用于生成信息的方法和装置
CN110009640B (zh) 处理心脏视频的方法、设备和可读介质
US10817758B2 (en) Framework for integrating deformable modeling with 3D deep neural network segmentation
US20090060307A1 (en) Tensor Voting System and Method
CN112801999B (zh) 确定心脏冠脉优势型的方法及装置
CN112184888A (zh) 三维血管建模的方法及装置
CN111932552B (zh) 一种主动脉建模的方法及装置
CN112614144A (zh) 一种图像分割方法、装置、设备及存储介质
CN116309571B (zh) 一种基于半监督学习的三维脑血管分割方法和装置
Bard et al. Automated quality-controlled cardiovascular magnetic resonance pericardial fat quantification using a convolutional neural network in the UK biobank
CN112927799A (zh) 融合多示例学习和多任务深度影像组学的生存期分析系统
Ferdian et al. WSSNet: aortic wall shear stress estimation using deep learning on 4D flow MRI
CN111340794A (zh) 冠状动脉狭窄的量化方法及装置
CN113469963B (zh) 肺动脉图像分割方法及装置
CN114387317A (zh) Ct图像和mri三维图像的配准方法、装置
CN111724371B (zh) 一种数据处理方法、装置及电子设备
CN113298800A (zh) 一种ct血管造影cta源图像的处理方法、装置及设备
CN111209946B (zh) 三维图像处理方法、图像处理模型训练方法及介质
CN112785580B (zh) 确定血管流速的方法及装置
US10706548B2 (en) Automated segmentation of organs, such as kidneys, from magnetic resonance images
CN113129297B (zh) 基于多期相肿瘤影像的直径自动测量方法及系统
CN115482261A (zh) 血管配准方法、装置、电子设备及存储介质
CN115375583A (zh) 一种pet参数图像的增强方法、装置、设备及存储介质

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