CN112819800A - Dsa影像识别方法、装置及存储介质 - Google Patents

Dsa影像识别方法、装置及存储介质 Download PDF

Info

Publication number
CN112819800A
CN112819800A CN202110183362.9A CN202110183362A CN112819800A CN 112819800 A CN112819800 A CN 112819800A CN 202110183362 A CN202110183362 A CN 202110183362A CN 112819800 A CN112819800 A CN 112819800A
Authority
CN
China
Prior art keywords
dsa
dsa image
image
ellipsoid
aneurysm
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.)
Pending
Application number
CN202110183362.9A
Other languages
English (en)
Inventor
马学升
刘伟奇
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.)
Kunming Tongxin Yilian Technology Co ltd
Original Assignee
Kunming Tongxin Yilian 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 Kunming Tongxin Yilian Technology Co ltd filed Critical Kunming Tongxin Yilian Technology Co ltd
Priority to CN202110183362.9A priority Critical patent/CN112819800A/zh
Publication of CN112819800A publication Critical patent/CN112819800A/zh
Pending legal-status Critical Current

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/20—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)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种DSA影像识别方法、装置及存储介质，包括：接收3D‑DSA影像数据，所述3D‑DSA影像数据包括一个或多个3D‑DSA图像；获取所述3D‑DSA图像的中心点，基于所述中心点生成所述3D‑DSA图像的中心线；通过椭球体血管模型基于所述中心线对所述3D‑DSA图像进行分割得到分割后的3D‑DSA图像；接收2D‑DSA金标准分割结果数据，基于所述2D‑DSA金标准分割结果数据对所述3D‑DSA图像进行校验，得到校验后的3D‑DSA图像数据本发明能够基于二维DSA图像信息校验3D‑DSA图像，提高了3D‑DSA图像的精准性、准确性。

Description

DSA影像识别方法、装置及存储介质
技术领域
本发明涉及DSA影像识别技术，尤其涉及一种DSA影像识别方法、装置及存储介质。
背景技术
颅内动脉瘤是由大脑动脉血管壁不正常的局部扩张引起的脑血管疾病。颅内动脉瘤往往是由内膜薄弱造成的，似乎与多囊性肾病，纤维性增生，主动脉缩窄等有关。如果不及时发现和治疗，颅内动脉瘤破裂会导致蛛网膜下腔出血，会导致严重的神经系统后遗症和高死亡率。
颅内动脉瘤在人群中比较普遍，根据统计，其发病率在世界范围为3％，在中国范围为7％。大量人群有动脉瘤而不自知，颅内动脉瘤的检测筛查就非常有必要。数字减影血管造影(DSA)一直被认为是诊断颅内动脉瘤的金标准。当考虑手术或血管内治疗时，DSA被推荐用于颅内动脉瘤的识别和评估。与CT血管造影(CTA)和磁共振血管造影(MRA)相比，DSA具有更高的分辨率和检测灵敏度，尤其是对于小于3毫米的颅内动脉瘤。
DSA将获取的二维DSA造影图像，以标准医学数字成像和通信格式(DigitalImaging and Communications in Medicine，DICOM)进行记录。DSA图像通过造影剂在整个动脉的流动，进行数据序列的采样，采样率为每秒3至5帧，采样过程通常持续3至15秒。在成像过程中，患者头部应处于稳定位置，以便获得清晰的成像序列。医生应该检查整个二维DSA影像序列来识别颅内动脉瘤。检查过程可能需要比预期更长的时间，并且由于颅内动脉瘤的位置和形状可能会出现错误，小的颅内动脉瘤有时会被误诊。传统的诊断方法很费力，它需要熟练和经验丰富的医生的参与。尽管如此，仍不时会出现无法识别颅内动脉瘤的情况。因此，诊断颅内动脉瘤的自动系统可以在一定程度上减轻医生的负担。
对于蛛网膜下腔出血的患者，医生需要获得颅内四支动脉(左、右颈总动脉和左、右椎动脉)的前后位二维DSA(2D-DSA)和侧视图。如果在动脉上发现颅内动脉瘤，应立即进行三维DSA(3D-DSA)重建整个动脉。重建的三维DSA提供了有关血管形态和病理的必不可少的信息。医生可以利用它来详细分析血管的几何形状，即血管直径，动脉瘤的位置和大小，以便做出临床决定。但3D-DSA图像的质量可能因患者而异。在临床实践中，有许多因素对3D-DSA图像的质量有影响，包括造影剂的注射量、注射时机、造影剂的血流动力学指标，以及血流、心输出量等因素的差异，另外患者之间的重建参数也可能不同。这些因素会造成医生在给患者选择治疗方案时出现偏差。
另一方面，与2D-DSA模式相比，3D-DSA模式具有更多信息，可以轻松识别动脉瘤，但是发展中国家的大多数医院只能以昂贵的3D设备价格购买2D血管造影设备，侵入性检查的3D-DSA数据相当有限。
目前DSA模式的自动计算机辅助诊断研究是基于经典数字图像处理方法的，采取的是2D-DSA图像。然而，经典数字图像处理方法不能解决动脉瘤自动定位问题，目前特征提取方法由于复杂的血管分布而受到严重阻碍，并且滑动窗口方法在搜索和特征提取期间非常耗时，经典数字图像处理方法不是最佳方法。
与经典数字图像处理方法相比，卷积神经网络(Convolutional NeuralNetworks,CNN)的方法已被证明在特征提取中更有效。在近年来，CNN架构已被广泛应用在物体检测，并取得良好的效果。此外，CNN方法在一些医学影像检测工作中也取得了良好的表现。但在动脉瘤识别和检测过程中，还有一系列的挑战：例如，2D-DSA图像的信息丢失会增加诊断的难度，开发一种补救2D-DSA图像信息丢失的方法势在必行；具有大视野和高分辨率的DSA图像通常包含不必要的干扰，这可能会导致无法识别微小的颅内动脉瘤，并且计算时间会很长；在DSA图像上，血管重叠与颅内动脉瘤高度相似，高效的自动检测系统应避免重叠和动脉瘤之间的误识别，因为假阳性率是重要的临床指标。
识别出动脉瘤之后，医生需要3D-DSA图像辅助后续治疗方案的制定。目前有各种各样的血管检测、提取和分割算法被应用到3D-DSA成像模式。目前技术路径包括采用管状可变形模型从三维血管造影图像重建血管表面；通过圆柱形超椭球以及血管边界和中心线的联合估计，对复杂血管树进行建模分割；用于三维血管造影的概率血管轴追踪方法，在横截面上描绘血管边界，并且通过加权无环图上的最小代价路径来定义三维血管表面；在3D-DSA图像数据上应用了一种区域生长分割方法，并基于带电流体模型对可变形轮廓进行了3D扩展；使用4D最小路径在MR血管造影和CT图像上开发和重建三维管状结构；还有一种具有高阶多尺度特征的非参数变形模型来分割三维DSA和CT数据中的血管结构；利用期望最大化算法对3D-DSA图像应用统计血管分割方法，基于最大强度投影图像估计血管的强度分布；或者应用多尺度滤波方法来确定血管边界，然后从图像体积中提取血管几何结构等。但是3D-DSA分割图像结果，很难确定准确性，2D-DSA仍然是诊断金标准，目前还没有一种技术方案，能够基于二维DSA图像信息来校验3D-DSA图像。
发明内容
本发明实施例提供一种DSA影像识别方法、装置及存储介质，能够基于二维DSA图像信息校验3D-DSA图像，提高了3D-DSA图像的精准性、准确性。
本发明实施例的第一方面，提供一种DSA影像识别方法，包括：
接收3D-DSA影像数据，所述3D-DSA影像数据包括一个或多个3D-DSA图像；
获取所述3D-DSA图像的中心点，基于所述中心点生成所述3D-DSA图像的中心线；
通过椭球体血管模型基于所述中心线对所述3D-DSA图像进行分割得到分割后的3D-DSA图像；
接收2D-DSA金标准分割结果数据，基于所述2D-DSA金标准分割结果数据对所述3D-DSA图像进行校验，得到校验后的3D-DSA图像数据。
可选地，在第一方面的一种可能实现方式中，所述获取所述3D-DSA图像的中心点，基于所述中心点生成所述3D-DSA图像的中心线包括：
选取3D-DSA图像的最底部切片，对所述最底部切片进行圆的霍夫变换，用以定位最大直径的血管，该最大直径的圆心即为中心点。
可选地，在第一方面的一种可能实现方式中，所述通过椭球体血管模型基于所述中心线对所述3D-DSA图像进行分割得到分割后的3D-DSA图像包括：
构建椭球体血管模型，通过以下公式表示：
Figure BDA0002942711980000041
其中，x∈R3表示球面上的一点；
设置9个变换参数，包括3个旋转参数、3个缩放参数以及3个平移参数，变换函数通过以下公式表示：
T(m，x)＝R(r)S(s)x+t
其中R表示具有旋转参数，r∈R3的3×3旋转矩阵，标度参数s∈R3在3×3对角矩阵S(s)中，t∈R3表示平移向量；
将所有变换参数在向量m＝(r，s，t)∈R9内求和，内在形状模型可以重写为：
fT(m，x)：＝f(T(m，x))＝f(R(r)S(s)x+t)
将空间分为三个不同的区域：
Figure BDA0002942711980000042
其中S(m)和I(m)分别表示椭球体的表面和内部，O表示图像域。
可选地，在第一方面的一种可能实现方式中，所述通过椭球体血管模型基于所述中心线对所述3D-DSA图像进行分割得到分割后的3D-DSA图像包括：
旋转中心线，使中心线的切线向量与椭球体内部坐标系的局部Z轴重合；
所述椭球体血管模型参数向量k＝(m0，m1，…，mM-1)∈R9×M代表了整个模型的所有椭球参数，M为使用的椭球总数；
将每个椭球局部图像域划分为前景强度和背景强度，获得特定的局部强度阈值，阈值存储在向量h＝(h0，h1，…，hM-1)T∈RM中。
可选地，在第一方面的一种可能实现方式中，对初始化的椭球管模型进行优化，使模型根据预定义的能量向血管边界演化，总能量公式Gtot(k，h)由两项组成：
Gtot(k，h)：R9×M×RM→R
其中Gext(k，h)和Gint(k)分别表示外能项和内能项，α定义加权因子。
可选地，在第一方面的一种可能实现方式中，内能项固有特性与椭球体有关，内能项由三个三次曲线组成，以确保相邻椭球之间旋转、缩放和平移的平滑度，如下公式表示：
Figure BDA0002942711980000051
公式中，Bi(l，k)′和Bi(l，k)″分别表示Bi的一阶和二阶导数，Li是B样条曲线的总长度，l是样条曲线上的位置。
可选地，在第一方面的一种可能实现方式中，外部能量项负责驱动周围血管结构的模型，椭球血管形状模型将图像域分割为前景体素和背景体素两个部分，所述前景体素和背景体素通过计算集合S(ki)和I(ki)中前景和背景体素强度的数量得到，其中外部能量项的公式为：
Figure BDA0002942711980000052
椭球体参数的初始化和局部密度确保了前景体素的数量总是大于背景体素的数量。
可选地，在第一方面的一种可能实现方式中，所述接收2D-DSA金标准分割结果数据，基于所述2D-DSA金标准分割结果数据对所述3D-DSA图像进行校验，得到校验后的3D-DSA图像数据包括：
通过二维/三维外部能量函数Gext2D/3D(k)测量2D-DSA金标准分割结果数据和3D-DSA分割图像之间的差异，二维/三维外部能量函数Gext2D/3D(k)的公式为：
Figure BDA0002942711980000053
在公式中，Q表示用于调整三维分割结果的投影图像的数量，w(i，u)表示在位置u＝(x1，x2)∈R处投影图像的二维基础真值的强度值，正向投影v(i，u，k)的强度值由最大强度投影得到；
3D-DSA分割图像的正向投影和二维DSA图像金标准之间的重叠通过两个指标进行评估，获取评价结果，所述两个指标是骰子(Dice)系数和准确率，Dice系数为：
Figure BDA0002942711980000061
其中X表示金标准分割的所有像素，Y表示正投影的所有像素；
准确率的定义公式如下：
Figure BDA0002942711980000062
其中TP是真阳例数，FP是假阳例数。
本发明实施例的第二方面，提供一种DSA影像识别装置，包括：
3D-DSA影像接收模块，用于接收3D-DSA影像数据，所述3D-DSA影像数据包括一个或多个3D-DSA图像；
中心线获取模块，用于获取所述3D-DSA图像的中心点，基于所述中心点生成所述3D-DSA图像的中心线；
分割模块，用于通过椭球体血管模型基于所述中心线对所述3D-DSA图像进行分割得到分割后的3D-DSA图像；
校验模块，用于接收2D-DSA金标准分割结果数据，基于所述2D-DSA金标准分割结果数据对所述3D-DSA图像进行校验，得到校验后的3D-DSA图像数据。
本发明实施例的第三方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。
本发明提供的一种DSA影像识别方法、装置及存储介质，能够基于二维DSA图像信息校验3D-DSA图像，提高了3D-DSA图像的精准性、准确性。本发明将2D-DSA采集作为三维分割的验证基础，也是适应初始三维分割的驱动力。每个3D-DSA数据集自动附带133个2D-DSA投影，从不同的视角显示患者的器官。此外，这些投影是用3D-DSA数据集注册和校准的。选定的2D-DSA图像显示的优点是血管边界清晰可见，不像以往3D-DSA图像中经常发生的那样模糊，分辨率较高。
附图说明
图1为本发明实施例的第一种实施方式的示意图；
图2为本发明实施例的第二种实施方式的示意图；
图3为本发明实施例的模型示意图；
图4为本发明实施例的区域识别阶段的网络架构示意图；
图5为本发明实施例的动脉瘤识别阶段的网络架构示意图；
图6为本发明实施例的识别算法训练的示意图；
图7为本发明实施例的第三种实施方式的示意图；
图8为本发明实施例的第四种实施方式的示意图；
图9为本发明实施例的血管中心线的示意图；
图10为本发明实施例的第五种实施方式的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
数字减影血管造影术(DSA)常被用来评估狭窄、动静脉畸形和颅内动脉瘤等神经血管疾病的结构基础。除了标准2D-DSA显示的几何结构和连通性外，血管造影参数成像还帮助临床医生评估这些病变的功能性质。血管造影参数成像是一种利用数字减影血管造影来描述整个血管系统造影剂动态特性的成像方法,通过卷积神经网络(CNN)在DSA中识别和分割颅内动脉瘤，并以最小误差提取动脉瘤影像学特征。这可能有助于了解疾病自然史，预测疾病进展，或规划干预措施。
2D-DSA被认为是诊断动脉瘤的金标准。但被筛出蛛网膜下腔出血的患者，医生需要获得颅内四支动脉的前后位二维DSA和侧视图。如果在动脉上发现颅内动脉瘤，医生应立即进行三维DSA(3D-DSA)重建整个动脉。重建的三维DSA提供了更多的信息，以帮助选择治疗。但这个三维DSA需要跟二维DSA进行比对，避免因为患者图像质量差异造成错误。
本发明的实施例提供一种DSA影像识别方法，如图1和图2所示，包括：
步骤S110、接收2D-DSA影像数据，所述2D-DSA影像数据包括一个或多个2D-DSA图像；
步骤S120、基于CNN模型对所述2D-DSA图像进行第一阶段的区域识别，在所述2D-DSA图像中定位特定区域，在定位特定区域后基于CNN模型对所述2D-DSA图像进行第二阶段的动脉瘤识别得到识别结果数据；
步骤S130、将所述识别结果数据输出，其中识别结果数据包括对所述2D-DSA图像进行标记的动脉瘤标签。
在本实施例中，主要是两个环节。第一环节，通过DSA设备和服务器，向动脉瘤识别系统上传DICOM格式的二维DSA图像。通过独特的两阶段CNN算法模型，对动脉瘤进行自动识别和测量，并且可以直接输出动脉瘤的识别结果，包括动脉瘤大小、纵横比等一系列形态学参数。第二环节，两阶段CNN动脉瘤检测算法，可以输出2D-DSA的标准分割结果，作为金标准校正3D-DSA分析结果。当发现动脉瘤后，通过三维DSA生成了3D-DSA数据，通过算法生成了中心线，再基于椭圆进行三维血管分割，对未来结果进行预测，对照2D-DSA标准分割结果，整合2D/3D图像优化结果，返回给三维血管分割，最终输出校验过的3D-DSA结果。
针对动脉瘤识别采集2D-DSA影像数据，考虑到动脉瘤轮廓一般在1mm到40mm左右，DSA序列的平均帧数为25帧。所有帧被重新缩放到512×512，像素间距0.391mm，形成200×200mm2的视野。由于在DSA序列的开始或结束时不太可能找到动脉瘤最明显的帧，因此仅使用了围绕中心帧的16帧。为了降低背景图像的噪声，从而增强血管信号，当动脉和主动脉完全融合时，将DSA序列中的帧平均在一起，形成一个单独的帧。平均帧通过一个尺寸为3×3像素的二维中值滤波器来调整由运动伪影引起的背景影响。之后再应用强度阈值将背景与脉管系统分离。背景像素的值为0，脉管系统类别内的像素的值为1，动脉瘤囊内的像素值为2。处理每个DSA序列的整个过程大约需要2分钟。
CNN架构利用了一个视觉几何组(VGG-16)编码器、两个完全卷积层(具有校正的线性单元激活器)和一个由转置卷积层组成的解码器，将图像数据上采样回原始输入图像大小。系统给这个网络分配了一个逐像素的语义分割问题，每个像素被分为三组：背景、血管或动脉瘤。系统在NVIDIA GPU上运行建模。系统的网络使用了优化器，这是一种梯度下降的自适应方法，它可以随着时间的推移调整学习率，这样网络学习即使在经历了许多时期之后仍然可以继续。利用骰子(DICE)损失的总和(骰子相似系数和二进制交叉熵的补码)计算每个训练时段后训练队列中网络预测掩码和标杆真值掩码之间的损失，并在训练过程中引导梯度下降。在网络权重优化之后，使用测试队列对模型进行评估。网络训练依赖于标杆真值标注的准确性来进行适当的权重优化。与较浅的网络结构相比，网络编码器使用VGG-16结构是以计算时间为代价的，需要大约24小时的训练时间来完成模型权重收敛。与具有3100多万个可调参数的U-Net等其他分割结构相比，本文所使用的网络具有更少的参数，可以更快、更少的数据优化网络权值。
为了解决上文提出的一系列技术问题，动脉瘤识别过程由两阶段卷积神经网络(CNN)架构来自动检测2D-DSA图像上的颅内动脉瘤。两阶段分为区域识别和动脉瘤检测。在第一阶段区域识别，系统可以定位特定区域，以减少其他区域的干扰。在第二阶段动脉瘤检测阶段，该检测算法可以利用假阳性抑制算法，结合前侧血管造影和侧向血管造影的信息，以识别颅内动脉瘤。动脉瘤识别系统中，基于CNN的两阶段检测网络被开发来实现在2D-DSA图像上自动检测颅内动脉瘤，如图3所示。区域识别阶段是从2D-DSA图像定位动脉瘤区域，随后的动脉瘤检测阶段从区域识别的输出中识别出颅内动脉瘤。
在一个实施例中，所述基于CNN模型对所述2D-DSA图像进行第一阶段的区域识别，在所述2D-DSA图像中定位特定区域包括：
所述CNN模型的框架基于特征金字塔网络构建，骨干为残差神经网络；
所述2D-DSA图像包括正面图像和侧面图像，
Figure BDA0002942711980000101
表示第i例患者正面图像序列的第j幅图像，
Figure BDA0002942711980000102
表示第i例患者侧面图像序列的第j幅图像，所述
Figure BDA0002942711980000103
和
Figure BDA0002942711980000104
相对应；
将所述正面图像和侧面图像分别输入至所述特征金字塔网络内，在所述正面图像中确定目标区域，在侧面图像中确定与所述目标区域对应的对应区域。
两阶段CNN框架基于特征金字塔网络，骨干为残差神经网络(ResNet50网络)。2D-DSA设备为每个患者同时生成两个匹配的序列，包括头部的正面和侧面视图。因此，系统引入
Figure BDA0002942711980000111
来表示第i例患者正面序列的第j幅图像，引入
Figure BDA0002942711980000112
来表示相应的外侧图像。系统用
Figure BDA0002942711980000113
来表示系统要进行检测的目标图像，
Figure BDA0002942711980000114
是它在另一个血管造影视图相同位置的对应图像。在区域识别阶段中，系统输入目标图像及其对应的图像。然后，应用区域识别模型得到对应区域图像。在动脉瘤检测阶段中，通过双输入将两个目标区域的图像连接，发送到动脉瘤检测的特征金字塔网络来检测颅内动脉瘤。最后，系统采用了区域平均灰度抑制算法来抑制假阳性情况。
原始2D-DSA图像的高分辨率会带来额外的图像干扰和分析时间消耗，因此必须减少无关组织结构对图像识别的影响。系统实现了自动定位特定区域，区域识别阶段的网络架构如图4所示。在此图中，“Convf×f，c，/s”表示卷积层的大小为滤波器f，通道数为c，步幅为s(默认步幅为1)。注意到每个卷积层(Convolutional Layer，Conv层)之后是批归一化层(Batch Normalization，BN层)和线性整流函数(Rectified Linear Unit，ReLU)的激活层。“Poolf×f，/s”是指最大池层，其过滤器的大小为f，跨度为s。“Up-sample，/r”表示最近采样的周边上采样，其上采样率为r。“Anchor”是用于预测动脉瘤区域的锚点盒。第一部分是接收三通道图像的输入，接下来的特征提取模块是带有ResNet50网络主干的特征金字塔网络。最后，锚框输出原始输入图像的动脉瘤区域。
通过特征金字塔网络提取输入图像的特征，它可以适应输入图像的各种分辨率并提取多尺度特征。ResNet50被用作特征金字塔网络的主干，其中每个卷积层之后是批处理归一化层(BN层)和线性整流函数(ReLU)的激活层。然后，算法将提取特征发送到锚点框，以预测原始输入图像的动脉瘤区域。具体来说，检测器可能总共预测6k个参数。该特征是由特征金字塔网络提取的，特征金字塔网络对各种比例的对象敏感。k代表对象的数量，6代表一个分类标签、四个空间盒(x，y，w，h分别代表横坐标，纵坐标，宽度和高度)和一个分类可信度。根据算法网络架构，可以方便地扩展其他动脉瘤部分，并补充标记的数据。最后，根据结果边界框，系统的模型输出动脉瘤区域的图像。最后，系统将图像调整为288×288统一界面，轻松将动脉瘤识别检测器应用到不同的颈内动脉区域。
在一个实施例中，在定位特定区域后基于CNN模型对所述2D-DSA图像进行第二阶段的动脉瘤识别得到识别数据包括：
获取所述正面图像中的目标区域以及所述侧面图像中的对应区域；
将所述目标区域和所述对应区域进行连接以双重输入的方式至特征金字塔网络内得到识别结果数据；
所述识别结果数据包括对所述对图像中动脉瘤标签，所述动脉瘤标签用于标注图像中某一位置是动脉瘤的置信度。
第二阶段是动脉瘤识别阶段，是区分颅内动脉瘤和血管重叠的方法。动脉瘤识别整体架构如图5所示。系统架构主要包括四个步骤：双重输入，特征提取，结果输出和区域平均灰度抑制。双重输入将动脉瘤目标区域图像及其对应的动脉瘤区域图像串联起来作为输入变量。该特征是由特征金字塔网络提取的，特征金字塔网络对各种比例的对象敏感。然后，锚点盒输出检测器的结果。与第一阶段区域识别类似，检测器可能总共预测6k个参数，并且输出步骤保留了置信度高于0.6的对象。最后，由于血管的重叠会影响检测结果，因此将区域平均灰度抑制算法应用于预测标记为动脉瘤的对象，但置信度低于预设阈值。
在图5动脉瘤识别算法中，大括号上“t×”代表这些层重复t遍。双重输入层将目标动脉瘤区域图像和相应的动脉瘤区域图像连接在一起，随后是特征金字塔网络应用在各种比例的动脉瘤上。然后，锚点盒输出预测结果，遵循区域平均灰度抑制算法来抑制假阳性情况。
双重输入的设计考虑主要是针对信息丢失和图像重叠识别问题。在临床上，即使是经验丰富的神经外科医师也很难将颅内动脉瘤与血管重叠区域两者区分开。通过提供正面和侧面DSA图像，系统可以通过血管趋势正确推断动脉瘤还是血管重叠。本识别算法的基本输入架构，是结合DSA正面视图和侧面视图的信息，将目标动脉瘤图像和从区域识别阶段输出的相应动脉瘤图像连接起来作为动脉瘤识别阶段的输入变量。通过连接，系统将目标图像放在最前面，后面是对应的图像。因此，神经网络可以利用双重输入的信息来部分弥补特征提取中2D-DSA模态信息丢失。
双重输入模型在某种程度上提高了精度和稳定性，但血管的重叠仍然很容易被误认为是动脉瘤。因此，系统有必要需要通过一种算法来抑制假阳性情况。根据DSA原理，图像的灰度由射线造影剂的密度决定。2D-DSA图像中一个像素的灰度取决于像素相应的3D空间内血液中放射性造影剂的密度。与周围区域相比，血管重叠的区域对应于更多的血液，这可能导致更深的灰度。大动脉瘤的灰度通常更高，因为它们含有大量的造影剂，但是它们很容易通过计算机辅助识别方法找到，其置信度接近1.0。相比之下，对于小动脉瘤，例如血管瘤，动脉瘤的大小通常小于周围静脉的直径，因此其灰度会更浅。
在一个实施例中，在得到识别结果数据后对所述识别结果数据进行区域平均灰度抑制处理，包括：
将动脉瘤的置信度与标准阈值比较，动脉瘤的置信度低于标准，则应用区域平均灰度抑制算法；
自适应灰度阈值选择方法粗略提取原始目标动脉瘤区域图像的血管模型；
基于血管模型和原始动脉瘤区域图像通过逻辑计算目标动脉瘤区域图像的血管；
其中，动脉瘤灰度值为G动脉瘤，像素值为P动脉瘤，动脉瘤的平均灰度值为：
AG动脉瘤＝G动脉瘤/P动脉瘤
动脉瘤周边血管的平均灰度值为：
AG动脉瘤周边＝(G扩大区域-G动脉瘤)/(P扩大区域-P动脉瘤)
若，AG动脉瘤小于AG动脉瘤周边，则该区域图像为重叠的血管，若AG动脉瘤大于AG动脉瘤周边，则区域图像为动脉瘤。
区域平均灰度抑制算法来评估具有动脉瘤分类标签且置信度小于标准的输出结果。系统将预测的动脉瘤的置信度与标准阈值进行了比较，以确定是否保留动脉瘤的标签。如果动脉瘤的置信度低于标准，则将应用区域平均灰度抑制算法。首先，使用自适应灰度阈值选择方法粗略提取原始目标动脉瘤区域图像的血管模型。然后，使用血管模型和原始动脉瘤区域图像通过逻辑计算目标动脉瘤区域图像的血管。通过定义区域，系统将动脉瘤灰度值定义为G动脉瘤，像素值定义为P动脉瘤。则动脉瘤的平均灰度值为：
AG动脉瘤＝G动脉瘤/P动脉瘤
同时，周边血管的平均灰度值为：
AG动脉瘤周边＝(G扩大区域-G动脉瘤)/(P扩大区域-P动脉瘤)
最后，比较AG动脉瘤和AG动脉瘤周边数值情况。如果AG动脉瘤比AG动脉瘤周边要小，预示着动脉瘤的灰度要比周边血管要深。因为可以识别出，该对象是重叠的血管。否则，系统应该保留这个对象为动脉瘤。
对象分类的损失公式如下定义：
FL(pt)＝-α(1-pt)γlog(pt)
在公式中，α是一个平衡参数，γ是权重下降率。另外pt按照如下定义：
Figure BDA0002942711980000141
其中p表示预测置信度，以及y∈{±1}定义为基本事实类。对于边界框回归，系统采用损失公式：
SL(t，v)＝∑i∈{x，y，w，h}SmoothL1(ti-vi)，
其中：
Figure BDA0002942711980000142
其中t是预测对象的边界框，v表示基本事实的边界框，σ是一个权衡因素。区域识别阶段第一个指标是精度，精度可以定义为网络从测试数据中找到动脉瘤区域的图像数量。通常，动脉瘤识别关注的是图像交集，边界框的轻微移动或大小变化对实际检测的影响较小。因此，提出了相对于人工标注的正则偏移来评估区域识别的性能，定义如下：
Figure BDA0002942711980000143
Figure BDA0002942711980000144
fx代表X轴的正则偏移。xannotation代表人工标注质心的X坐标，xprdiction代表区域识别算法预测质心的X坐标。Y轴也是如此。W和H分别表示边界框的宽度和高度。
此外，在动脉瘤识别算法中采用了五重交叉验证方案。为了比较性能，使用相同的数据集训练了五个双重输入和单向输入模型。动脉瘤识别系统使用平均精度评估动脉瘤和血管重叠的分类精度。对于边界框回归，通过Smooth L1损失来进行分析评估。而且，动脉瘤识别系统的临床目的是为医生提供患者是否患有动脉瘤的准确提示。为避免漏诊，严格的评估指标定义如下：
Figure BDA0002942711980000151
其中，Diagi代表第i个病人是否患有动脉瘤，当第i个病人的第j个图像从V角度(F或L)被预测有动脉瘤时，
Figure BDA0002942711980000152
等于真实。换而言之，该公式表示即使在整个DSA序列中检测到一个带有动脉瘤的正面图像或侧面图像，患者也将被定义为动脉瘤。此外，在评估中采用了混淆矩阵和接收者操作特性曲线。系统计算了真阳性(TP)，假阳性(FP)，真阴性(TN)和假阴性(FN)，以计算灵敏度，特异性和准确性，定义如下：
Figure BDA0002942711980000153
Figure BDA0002942711980000154
Figure BDA0002942711980000155
在一个实施例中，所述CNN模型通过以下步骤训练，包括：
获取患者的2D-DSA影像数据，所述2D-DSA影像数据包括一个或多个2D-DSA图像；
剔除所述2D-DSA图像中低于预设值的图像，得到满足预设值的2D-DSA图像；
将所述满足预设值的2D-DSA图像基于预设比例分为训练数据集和测试数据集。
CNN算法模型需要大量的数据集来优化每个网络层的权值。系统使用Python语言创建的数据扩充方案来增加训练数据集的大小。使用旋转和缩放设置的组合来扩展训练和测试集。DSA序列的每一帧平均旋转90°、180°和270°，并放大到原始大小的200％。扩充过程将训练集扩展到1500个例子。在增强过程中放大图像数据区域的过程产生了新的真阴性例子，在没有动脉瘤的情况下，提高了CNN算法网络的泛化能力。
在一个实施例中，所述将所述满足预设值的2D-DSA图像基于预设比例分为训练数据集和测试数据集后，还包括：
所述多个2D-DSA图像组成DSA图像序列；
对所述DSA图像进行局部归一化处理，使得DSA图像的局部平均值为0和SD为1。
大量二维DSA图像序列数据用于两阶段CNN动脉瘤的识别算法训练。整个训练过程分成两个步骤，如图6所示。第一步是进行图像质控，剔除图像质量较差的DSA图像序列；第二步是将数据按比例分为训练数据集和测试数据集。在输入到CNN网络之前，通过使局部平均值为0和SD为1，对DSA序列的像素强度进行局部归一化。接下来，使用患者和DSA序列对所提出的网络进行训练和验证，并对患者和DSA序列进行准确性测试。在训练网络时，将输入帧和相应的地面真值掩模裁剪为256×256。在测试集上进行测试时，系统输入原始的512×512帧，网络以完全卷积模式运行。
本发明实施例还提供一种DSA影像识别装置，如图7所示，包括：
2D-DSA影像接收模块，用于接收2D-DSA影像数据，所述2D-DSA影像数据包括一个或多个2D-DSA图像；
识别模块，用于基于CNN模型对所述2D-DSA图像进行第一阶段的区域识别，在所述2D-DSA图像中定位特定区域，在定位特定区域后基于CNN模型对所述2D-DSA图像进行第二阶段的动脉瘤识别得到识别结果数据；
输出模块，用于将所述识别结果数据输出，其中识别结果数据包括对所述2D-DSA图像进行标记的动脉瘤标签。
在一个实施例中，所述识别模块包括一阶段识别单元，所述一阶段识别单元用于执行以下步骤：
所述CNN模型的框架基于特征金字塔网络构建，骨干为残差神经网络；
所述2D-DSA图像包括正面图像和侧面图像，
Figure BDA0002942711980000161
表示第i例患者正面图像序列的第j幅图像，
Figure BDA0002942711980000162
表示第i例患者侧面图像序列的第j幅图像，所述
Figure BDA0002942711980000163
和
Figure BDA0002942711980000171
相对应；
将所述正面图像和侧面图像分别输入至所述特征金字塔网络内，在所述正面图像中确定目标区域，在侧面图像中确定与所述目标区域对应的对应区域。
在一个实施例中，所述识别模块包括二阶段识别单元，所述二阶段识别单元用于执行以下步骤：
获取所述正面图像中的目标区域以及所述侧面图像中的对应区域；
将所述目标区域和所述对应区域进行连接以双重输入的方式至特征金字塔网络内得到识别结果数据；
所述识别结果数据包括对所述对图像中动脉瘤标签，所述动脉瘤标签用于标注图像中某一位置是动脉瘤的置信度。
其中识别结果数据包括2D-DSA金标准分割结果数据。在完成识别结果数据输出后，医生需要通过3D-DSA获取更多信息。在现代神经放射学中，3D旋转血管造影(3D-DSA)是一种既能显示复杂脑血管病变又能指导介入治疗的技术。越来越多的3D-DSA数据也被用于进一步的定量分析，以支持脑血管疾病患者的治疗计划和治疗程序。这种分析需要可靠的三维血管分割方法，尽可能精确地描绘血管的边界，以得出准确的血管测量值，例如血管直径、血管分支分叉角、动脉瘤穹窿大小，分割结果及其相应的网格表示是更可靠分析的基础。分割结果中的微小变化可能会导致完全不同的流型或壁面剪应力分布。因此，血管分割结果对于临床环境中的后处理应用变得更加重要。基于3D血管造影的精确血管分割是一个挑战，因为它取决于3D-DSA图像的质量，而3D-DSA图像的质量可能因患者而异。有很多因素都会对图像质量产生影响，包括造影剂的注射量、注射时机、造影剂的血流动力学混合以及血流、心输出量等因素，患者之间的重建参数也可能不同。背景和血管强度之间的边缘渐变因应用的重建而异。这些轮廓为不同的分割方法提供了一个机会，以不同的方法解释这些可能导致血管边界位置变化的边缘渐变。在造影剂不同注射情况下，造影剂可能渗出，导致局部血管边界模糊。即使所有采集参数完全相同，由于造影剂与血液的血流动力学混合不均匀，最终的3D-DSA图像体积也会略有不同。因此，3D-DSA血管分割结果的验证变得相当困难，因此2D-DSA成像仍然被认为是定量评估和测量的金标准。
本发明还提供一种DSA影像识别方法，如图8所示，包括：
步骤S210、接收3D-DSA影像数据，所述3D-DSA影像数据包括一个或多个3D-DSA图像；
步骤S220、获取所述3D-DSA图像的中心点，基于所述中心点生成所述3D-DSA图像的中心线；
步骤S230、通过椭球体血管模型基于所述中心线对所述3D-DSA图像进行分割得到分割后的3D-DSA图像；
步骤S240、接收2D-DSA金标准分割结果数据，基于所述2D-DSA金标准分割结果数据对所述3D-DSA图像进行校验，得到校验后的3D-DSA图像数据。
为了校准3D-DSA图像，先收集3D-DSA图像信息，然后生成中心线，采用椭球体血管模型进行三维分割。为了评估三维血管分割的准确性，将其前向投影与相应的二维DSA投影迭代叠加。局部血管差异通过一个全局2D/3D优化函数来建模，以调整3D血管分割结果跟2D血管轮廓对应。验证任何三维血管的分割方法都是一个挑战，为了解决这个问题，本发明通过一种新的基于附加二维血管信息的三维血管分割方法来实现。2D-DSA采集作为三维分割的验证基础，也是适应初始三维分割的驱动力。每个3D-DSA数据集自动附带133个2D-DSA投影，从不同的视角显示患者的器官。此外，这些投影是用3D-DSA数据集注册和校准的。选定的2D-DSA图像显示的优点是血管边界清晰可见，而不是像3D-DSA图像中经常发生的那样模糊。本发明创新之处在于一个自动分割算法形式化了一个新的全局2D/3D优化函数，该函数将2D血管信息与3D图像平滑地结合起来。
在一个实施例中，所述获取所述3D-DSA图像的中心点，基于所述中心点生成所述3D-DSA图像的中心线包括：
选取3D-DSA图像的最底部切片，对所述最底部切片进行圆的霍夫变换，用以定位最大直径的血管，该最大直径的圆心即为中心点。
三维DSA影像数据输入到系统后，系统的3D-DSA分割方法的主要目的是检测和分割3D-DSA数据集中的大中型血管，为随后的2D-DSA信息自适应提供输入。3D-DSA是以动脉内直接注射造影剂为基础的。由于高对比度和减法，可以先验地假设血管出现在直方图的最高强度仓中。因此，3D-DSA数据集由三种不同类型的强度等级组成，即前景(血管)、伪影和背景。3D-DSA数据集的血管从底部进入图像体积，这是因为先验的已知采集设置、脑血管树的解剖结构以及患者在C臂系统工作台上的位置。因此，造影剂的流动方向是从下至上。用于自动找到进入体积的最大血管的位置。在3D-DSA图像的最底部切片上应用圆的霍夫变换，以定位最大直径的血管，然后将该位置作为的中心线种子点的计算方法。如图9所示，给出了血管中心线结算结果的示例。此种子点初始化仅限于用于二次重建的选定特定体积。在中心线计算之后，每个血管分支都与一个中心线相关联。所有中心线截面都存储在树状结构中，即进入体积的血管腔的中心线作为树状结构中的根。这种结构很容易揭示不同血管分支之间的父子关系。血管中心线树用作基于椭球体的血管分割的初始化。
在一个实施例中，所述通过椭球体血管模型基于所述中心线对所述3D-DSA图像进行分割得到分割后的3D-DSA图像包括：
构建椭球体血管模型，通过以下公式表示：
Figure BDA0002942711980000191
其中，x∈R3表示球面上的一点；
设置9个变换参数，包括3个旋转参数、3个缩放参数以及3个平移参数，变换函数通过以下公式表示：
T(m，x)＝R(r)S(s)x+t
其中R表示具有旋转参数，r∈R3的3×3旋转矩阵，标度参数s∈R3在3×3对角矩阵S(s)中，t∈R3表示平移向量；
将所有变换参数在向量m＝(r，s，t)∈R9内求和，内在形状模型可以重写为：
fT(m，x)：＝f(T(m，x))＝f(R(r)S(s)x+t)
将空间分为三个不同的区域：
Figure BDA0002942711980000192
其中S(m)和I(m)分别表示椭球体的表面和内部，O表示图像域。
超椭球、椭球或球体是非常适合描述局部血管节段的几何形状。位于坐标中心内的单位球体坐标定义如下：
Figure BDA0002942711980000193
其中，x∈R3表示球面上的一点。为了近似局部血管段，必须应用坐标变换以允许任意旋转、缩放和平移，即必须估计九个变换参数(三个旋转三个缩放、三个平移)。整个变换函数表示为：
T(m，x)＝R(r)S(s)x+t
其中R表示具有旋转参数，r∈R3的3×3旋转矩阵。标度参数s∈R3在3×3对角矩阵S(s)中，t∈R3表示平移向量。所有的变换参数都在向量m＝(r，s，t)∈R9内求和。因此内在形状模型可以重写为：
fT(m，x)：＝f(T(m，x))＝f(R(r)S(s)x+t)
将空间分为三个不同的区域：
Figure BDA0002942711980000201
其中S(m)和I(m)分别表示椭球体的表面和内部，O表示图像域。这些参数被用作全局目标函数中的外部参数项，以正确估计参数。先前计算的中心线用于初始化参数，即椭球体的中心放置在中心线上。通过旋转中心线，使中心线的切线向量与椭球体内部坐标系的局部Z轴重合。中心线的曲率用于确定近似血管分支所需的椭球体数量。在高曲率的中心线截面中，椭球体的数量增加，而Z方向上的椭球体比例同时减小。
在一个实施例中，所述通过椭球体血管模型基于所述中心线对所述3D-DSA图像进行分割得到分割后的3D-DSA图像包括：
旋转中心线，使中心线的切线向量与椭球体内部坐标系的局部Z轴重合；
所述椭球体血管模型参数向量k＝(mo，m1，…，mM-1)∈R9×M代表了整个模型的所有椭球参数，M为使用的椭球总数；
将每个椭球局部图像域划分为前景强度和背景强度，获得特定的局部强度阈值，阈值存储在向量h＝(h0，h1，…，hM-1)T∈RM中。
垂直于血管方向的椭球标度使用横截面半径强度剖面进行初始化。参数向量k＝(m0，m1，…，mM-1)∈R9×M代表了整个模型的所有椭球参数，M表示使用的椭球总数。对于每个椭球，将局部图像域划分为前景和背景强度，估计特定的局部强度阈值。阈值存储在向量h＝(h0，h1，…，hM-1)T∈RM中。
在一个实施例中，对初始化的椭球管模型进行优化，使模型根据预定义的能量向血管边界演化，总能量公式Gtot(k，h)由两项组成：
Gtot(k，h)：R9×M×RM→R
其中Gext(k，h)和Gint(k)分别表示外能项和内能项，α定义加权因子。
6、根据权利要求5所述的DSA影像识别方法，其特征在于，
内能项固有特性与椭球体有关，内能项由三个三次曲线组成，以确保相邻椭球之间旋转、缩放和平移的平滑度，如下公式表示：
Figure BDA0002942711980000211
公式中，Bi(l，k)′和Bi(l，k)″分别表示Bi的一阶和二阶导数，Li是B样条曲线的总长度，l是样条曲线上的位置。
初始化的椭球管模型现在进行了优化，使模型根据预定义的能量向血管边界演化。总能量公式Gtot(k，h)由两项组成：
Gtot(k，h)：R9×M×RM→R
其中Gext(k，h)和Gint(k)分别表示外能项和内能项，α定义加权因子。
内能项固有特性与椭球体有关，两个后续椭球体之间的参数必须以平滑的方式建模。为此，内能项由三个三次曲线组成，以确保相邻椭球之间旋转、缩放和平移的平滑度：
Figure BDA0002942711980000212
公式中，Bi(l，k)′和Bi(l，k)″分别表示Bi的一阶和二阶导数，Li是B样条曲线的总长度，l是样条曲线上的位置。
在一个实施例中，外部能量项负责驱动周围血管结构的模型，椭球血管形状模型将图像域分割为前景体素和背景体素两个部分，所述前景体素和背景体素通过计算集合S(ki)和I(ki)中前景和背景体素强度的数量得到，其中外部能量项的公式为：
Figure BDA0002942711980000221
椭球体参数的初始化和局部密度确保了前景体素的数量总是大于背景体素的数量。
外部能量项负责驱动周围血管结构的模型。系统的椭球血管形状模型试图将图像域尽可能好地分割成前景和背景体素两个部分。这两个部分是通过计算集合S(ki)和I(ki)中前景和背景体素强度的数量来评估的。外部能量项的公式为：
Figure BDA0002942711980000222
椭球体参数的初始化和局部密度确保了前景体素的数量总是大于背景体素的数量。以当前椭球中心为中心的盒子内的局部强度阈值，其大小在32×32×32和64×64×64之间，取决于当前血管的尺度。目标是最小化方程，使得椭球的参数与局部血管结构完全匹配。这种局部前景/背景估计可确保外部能量适应整个数据集中表现出甚至高强度变化的血管结构。通过最小化总能量公式Gtot(k，h)和局部强度阈值，得到最优椭球参数。由于系统的模型是由预先计算的中心线和截面半径轮廓估计初始化的，初始参数集位于全局最优。
在一个实施例中，所述接收2D-DSA金标准分割结果数据，基于所述2D-DSA金标准分割结果数据对所述3D-DSA图像进行校验，得到校验后的3D-DSA图像数据包括：
通过二维/三维外部能量函数Gext2D/3D(k)测量2D-DSA金标准分割结果数据和3D-DSA分割图像之间的差异，二维/三维外部能量函数Gext2D/3D(k)的公式为：
Figure BDA0002942711980000231
在公式中，Q表示用于调整三维分割结果的投影图像的数量，w(i，u)表示在位置u＝(x1，x2)∈R处投影图像的二维基础真值的强度值，正向投影v(i，u，k)的强度值由最大强度投影得到；
3D-DSA分割图像的正向投影和二维DSA图像金标准之间的重叠通过两个指标进行评估，获取评价结果，所述两个指标是骰子(Dice)系数和准确率，Dice系数为：
Figure BDA0002942711980000232
其中X表示金标准分割的所有像素，Y表示正投影的所有像素；
准确率的定义公式如下：
Figure BDA0002942711980000233
其中TP是真阳例数，FP是假阳例数。
3D-DSA容积数据的出现取决于四个影响因素，即造影剂的用量、注射时间、造影剂的血流动力学混合物和应用的重建内核。参考二维DSA分割结果，对3D-DSA分割结果进行比较。通过在系统里选择2D-DSA影像分析结果，通过叠加匹配验证三维分割结果，这种比较是通过使用光线投射的三维血管分割的正投影来实现的。二维血管信息和正投影之间的局部差异现在被形式化为一个新的目标函数，该函数利用了三维参数分割。这推导出一个新的二维/三维外部能量函数Gext2D/3D(k)测量二维和三维分割之间的差异。定义如下：
Figure BDA0002942711980000241
在公式中，Q表示用于调整三维分割结果的投影图像的数量，w(i，u)表示在位置u＝(x1，x2)∈R处投影图像的二维基础真值的强度值。正向投影v(i，u，k)的强度值由最大强度投影给出的。新的2D/3D外部能量项形成了一个新的总能量。因此，内部能量项确保三维椭球模型不会向不符合的血管扭曲变形。通过系统的2D/3D图像优化，对三维血管分割方法进行了校验，最后输出校验过的3D-DSA图像结果。
3D-DSA分割结果的正向投影和二维DSA图像金标准之间的重叠通过两个指标进行评估，获取评价结果。这两个指标是骰子(Dice)系数和准确率。Dice系数定义为：
Figure BDA0002942711980000242
其中X表示金标准分割的所有像素，Y表示正投影的所有像素。
准确率的定义公式如下：
Figure BDA0002942711980000243
其中TP是真阳例数，FP是假阳例数。
本发明的实施例还提供一种DSA影像识别装置，如图10所示，包括：
3D-DSA影像接收模块，用于接收3D-DSA影像数据，所述3D-DSA影像数据包括一个或多个3D-DSA图像；
中心线获取模块，用于获取所述3D-DSA图像的中心点，基于所述中心点生成所述3D-DSA图像的中心线；
分割模块，用于通过椭球体血管模型基于所述中心线对所述3D-DSA图像进行分割得到分割后的3D-DSA图像；
校验模块，用于接收2D-DSA金标准分割结果数据，基于所述2D-DSA金标准分割结果数据对所述3D-DSA图像进行校验，得到校验后的3D-DSA图像数据。
其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits，简称：ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述终端或者服务器的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种DSA影像识别方法，其特征在于，包括：
接收3D-DSA影像数据，所述3D-DSA影像数据包括一个或多个3D-DSA图像；
获取所述3D-DSA图像的中心点，基于所述中心点生成所述3D-DSA图像的中心线；
通过椭球体血管模型基于所述中心线对所述3D-DSA图像进行分割得到分割后的3D-DSA图像；
接收2D-DSA金标准分割结果数据，基于所述2D-DSA金标准分割结果数据对所述3D-DSA图像进行校验，得到校验后的3D-DSA图像数据。
2.根据权利要求1所述的DSA影像识别方法，其特征在于，
所述获取所述3D-DSA图像的中心点，基于所述中心点生成所述3D-DSA图像的中心线包括：
选取3D-DSA图像的最底部切片，对所述最底部切片进行圆的霍夫变换，用以定位最大直径的血管，该最大直径的圆心即为中心点。
3.根据权利要求1所述的DSA影像识别方法，其特征在于，
所述通过椭球体血管模型基于所述中心线对所述3D-DSA图像进行分割得到分割后的3D-DSA图像包括：
构建椭球体血管模型，通过以下公式表示：
Figure FDA0002942711970000011
其中，x∈R3表示球面上的一点；
设置9个变换参数，包括3个旋转参数、3个缩放参数以及3个平移参数，变换函数通过以下公式表示：
T(m,x)＝R(r)S(s)x+t
其中R表示具有旋转参数，r∈R3的3×3旋转矩阵，标度参数s∈R3在3×3对角矩阵S(s)中，t∈R3表示平移向量；
将所有变换参数在向量m＝(r,s,t)∈R9内求和，内在形状模型可以重写为：
fT(m,x):＝f(T(m,x))＝f(R(r)S(s)x+t)
将空间分为三个不同的区域：
Figure FDA0002942711970000021
其中S(m)和I(m)分别表示椭球体的表面和内部，O表示图像域。
4.根据权利要求3所述的DSA影像识别方法，其特征在于，
所述通过椭球体血管模型基于所述中心线对所述3D-DSA图像进行分割得到分割后的3D-DSA图像包括：
旋转中心线，使中心线的切线向量与椭球体内部坐标系的局部Z轴重合；
所述椭球体血管模型参数向量k＝(m0,m1,…,mM-1)∈R9×M代表了整个模型的所有椭球参数，M为使用的椭球总数；
将每个椭球局部图像域划分为前景强度和背景强度，获得特定的局部强度阈值，阈值存储在向量h＝(h0,h1,…,hM-1)T∈RM中。
5.根据权利要求3所述的DSA影像识别方法，其特征在于，
对初始化的椭球管模型进行优化，使模型根据预定义的能量向血管边界演化，总能量公式Gtot(k,h)由两项组成：
Gtot(k,h):R9×M×RM→R
其中Gext(k,h)和Gint(k)分别表示外能项和内能项，α定义加权因子。
6.根据权利要求5所述的DSA影像识别方法，其特征在于，
内能项固有特性与椭球体有关，内能项由三个三次曲线组成，以确保相邻椭球之间旋转、缩放和平移的平滑度，如下公式表示：
Figure FDA0002942711970000022
公式中，Bi(l,k)′和Bi(l,k)″分别表示Bi的一阶和二阶导数，Li是B样条曲线的总长度，l是样条曲线上的位置。
7.根据权利要求5所述的DSA影像识别方法，其特征在于，
外部能量项负责驱动周围血管结构的模型，椭球血管形状模型将图像域分割为前景体素和背景体素两个部分，所述前景体素和背景体素通过计算集合S(ki)和I(ki)中前景和背景体素强度的数量得到，其中外部能量项的公式为：
Figure FDA0002942711970000031
椭球体参数的初始化和局部密度确保了前景体素的数量总是大于背景体素的数量。
8.根据权利要求1所述的DSA影像识别方法，其特征在于，
所述接收2D-DSA金标准分割结果数据，基于所述2D-DSA金标准分割结果数据对所述3D-DSA图像进行校验，得到校验后的3D-DSA图像数据包括：
通过二维/三维外部能量函数Gext2D/3D(k)测量2D-DSA金标准分割结果数据和3D-DSA分割图像之间的差异，二维/三维外部能量函数Gext2D/3D(k)的公式为：
Figure FDA0002942711970000032
在公式中，Q表示用于调整三维分割结果的投影图像的数量，w(i，u)表示在位置u＝(x1，x2)∈R处投影图像的二维基础真值的强度值，正向投影v(i，u，k)的强度值由最大强度投影得到；
3D-DSA分割图像的正向投影和二维DSA图像金标准之间的重叠通过两个指标进行评估，获取评价结果，所述两个指标是骰子(Dice)系数和准确率，Dice系数为：
Figure FDA0002942711970000033
其中X表示金标准分割的所有像素，Y表示正投影的所有像素；
准确率的定义公式如下：
Figure FDA0002942711970000034
其中TP是真阳例数，FP是假阳例数。
9.一种DSA影像识别装置，其特征在于，包括：
3D-DSA影像接收模块，用于接收3D-DSA影像数据，所述3D-DSA影像数据包括一个或多个3D-DSA图像；
中心线获取模块，用于获取所述3D-DSA图像的中心点，基于所述中心点生成所述3D-DSA图像的中心线；
分割模块，用于通过椭球体血管模型基于所述中心线对所述3D-DSA图像进行分割得到分割后的3D-DSA图像；
校验模块，用于接收2D-DSA金标准分割结果数据，基于所述2D-DSA金标准分割结果数据对所述3D-DSA图像进行校验，得到校验后的3D-DSA图像数据。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现权利要求1至8任一所述的方法。
CN202110183362.9A 2021-02-10 2021-02-10 Dsa影像识别方法、装置及存储介质 Pending CN112819800A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110183362.9A CN112819800A (zh) 2021-02-10 2021-02-10 Dsa影像识别方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110183362.9A CN112819800A (zh) 2021-02-10 2021-02-10 Dsa影像识别方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN112819800A true CN112819800A (zh) 2021-05-18

Family

ID=75865095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110183362.9A Pending CN112819800A (zh) 2021-02-10 2021-02-10 Dsa影像识别方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112819800A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114119602A (zh) * 2021-12-20 2022-03-01 深圳科亚医疗科技有限公司 对医学图像进行对象分析的方法、装置和存储介质
CN116071506A (zh) * 2023-04-06 2023-05-05 深圳市联影高端医疗装备创新研究院 四维血管造影的重建方法、装置、计算机设备和存储介质
CN117726744A (zh) * 2023-12-21 2024-03-19 强联智创（北京）科技有限公司 生成三维数字减影血管造影图像的方法、设备和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114119602A (zh) * 2021-12-20 2022-03-01 深圳科亚医疗科技有限公司 对医学图像进行对象分析的方法、装置和存储介质
CN116071506A (zh) * 2023-04-06 2023-05-05 深圳市联影高端医疗装备创新研究院 四维血管造影的重建方法、装置、计算机设备和存储介质
CN116071506B (zh) * 2023-04-06 2023-07-14 深圳市联影高端医疗装备创新研究院 四维血管造影的重建方法、装置、计算机设备和存储介质
CN117726744A (zh) * 2023-12-21 2024-03-19 强联智创（北京）科技有限公司 生成三维数字减影血管造影图像的方法、设备和存储介质

Similar Documents

Publication Publication Date Title
US11576621B2 (en) Plaque vulnerability assessment in medical imaging
US9968257B1 (en) Volumetric quantification of cardiovascular structures from medical imaging
US10460204B2 (en) Method and system for improved hemodynamic computation in coronary arteries
US9430827B2 (en) Segmentation of a calcified blood vessel
Frangi et al. Model-based quantitation of 3-D magnetic resonance angiographic images
Hernandez et al. Non-parametric geodesic active regions: method and evaluation for cerebral aneurysms segmentation in 3DRA and CTA
US7567696B2 (en) System and method for detecting the aortic valve using a model-based segmentation technique
Wan et al. Automated coronary artery tree segmentation in X-ray angiography using improved Hessian based enhancement and statistical region merging
CN112819800A (zh) Dsa影像识别方法、装置及存储介质
US9406141B2 (en) Segmentation of a structure
CN108348206B (zh) 用于无创血流储备分数(ffr)的侧支流建模
CN111369528B (zh) 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法
US20220284583A1 (en) Computerised tomography image processing
Bozkurt et al. An inverse approach for automatic segmentation of carotid and vertebral arteries in CTA
GB2569427A (en) System, method and apparatus for assisting a determination of medical images
Vukadinovic et al. Segmentation of the outer vessel wall of the common carotid artery in CTA
CN112784928A (zh) Dsa影像识别方法、装置及存储介质
Tahoces et al. Deep learning method for aortic root detection
Spiegel et al. A 2D driven 3D vessel segmentation algorithm for 3D digital subtraction angiography data
CN109727660B (zh) 在医学成像中针对血液动力学量化的不确定性或敏感性的机器学习预测
Larralde et al. Evaluation of a 3D segmentation software for the coronary characterization in multi-slice computed tomography
Hemmati et al. Semi-automated carotid lumen segmentation in computed tomography angiography images
Zhang et al. Robust infrarenal aortic aneurysm lumen centerline detection for rupture status classification
Macedo et al. A centerline-based estimator of vessel bifurcations in angiography images
Wang Blood vessel segmentation and shape analysis for quantification of coronary artery stenosis in CT angiography

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