CN112862781A - 一种cta斑块成分自动分析方法 - Google Patents
一种cta斑块成分自动分析方法 Download PDFInfo
- Publication number
- CN112862781A CN112862781A CN202110164340.8A CN202110164340A CN112862781A CN 112862781 A CN112862781 A CN 112862781A CN 202110164340 A CN202110164340 A CN 202110164340A CN 112862781 A CN112862781 A CN 112862781A
- Authority
- CN
- China
- Prior art keywords
- lesion
- plaque
- image
- cta
- mri
- 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
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
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种CTA斑块成分自动分析方法,属于医学成像技术领域。该方法通过获取待测试的病灶电子计算机断层扫描CTA图像;并利用生成数据模型对所述待测试的病灶CTA图像进行处理,生成病灶磁共振成像MRI图像;之后对所述病灶MRI图像进行斑块成分识别,得到与所述病灶对应的斑块成分。由此,能够基于病灶CTA图像生成病灶MRI图像,并根据病灶MRI图像自动识别斑块成分,实现了基于CTA图像对斑块成分进行定性分析。
Description
技术领域
本发明属于医学成像技术领域,尤其涉及一种CTA斑块成分自动分析方法。
背景技术
因血管高危斑块所引发的心脑血管疾病已经成为危害人类健康的头号杀手。基于影像学手段的血管斑块监测,对于心脑血管疾病的预测、分期和预后评估都有着非常重要的意义。磁共振血管壁成像技术是基于磁共振物理原理,通过抑制血管内流动血液的信号来获得血管壁等静态组织信息的一种方法,能够对血管斑块的成分进行评估。因此斑块成分通常是通过磁共振成像的方式做定性分析。
但是,由于在核磁共振机器及核磁共振检查室内存在非常强大的磁场,因此,装有心脏起搏器者,以及血管手术后留有金属夹、金属支架者,或其他的冠状动脉、食管、前列腺、胆道进行金属支架手术者,绝对严禁作核磁共振检查,否则,由于金属受强大磁场的吸引而移动,将可能产生严重后果以致生命危险。而且对于患者来说做磁共振图像的价格太昂贵。相对于核磁共振图像,电子计算机断层扫描图像应用更加广泛,但是采用电子计算机断层扫描图像对斑块成分进行分析时,由于信息量较少,因此无法有效对斑块成分进行定性分析。
发明内容
有鉴于此,本发明实施例提供一种CTA斑块成分自动分析方法,能够基于CTA图像对斑块成分进行定性分析。
为实现上述目的,根据本发明实施例第一方面,提供一种CTA斑块成分自动分析方法,该方法包括:获取待测试的病灶电子计算机断层扫描CTA图像;利用生成数据模型对所述待测试的病灶CTA图像进行处理,生成病灶磁共振成像MRI图像;对所述病灶MRI图像进行斑块成分识别,得到与所述病灶对应的斑块成分。
可选的,对所述病灶MRI图像进行斑块成分识别,得到与所述病灶对应的斑块成分,包括:确定所述病灶MRI图像中斑块对应的斑块区域;对所述斑块区域进行斑块成分识别,得到与所述病灶对应的斑块成分。
可选的,所述确定所述病灶MRI图像中斑块对应的斑块区域,包括:对所述待测试的病灶CTA图像进行斑块检测,得到检测结果;若所述检测结果表征所述病灶CTA图像中存在斑块,则确定所述斑块在所述病灶CTA图像中位置;将所述病灶MRI图像中对应所述位置的区域确定为斑块区域。
可选的,所述对所述斑块区域进行斑块成分识别,得到与所述病灶对应的斑块成分,包括:获取所述斑块区域的所有MRI值;针对所有MRI值中任一所述MRI值,判断所述MRI值是否满足预设阈值;基于判断结果,确定与所述病灶对应的斑块成分。
可选的,所述生成数据模型通过如下方法获得:获取病灶CTA图像,以及与所述病灶CTA图像对应的病灶MRI图像;分别将所述病灶CTA图像和所述病灶MRI图像作为对抗训练样本和参考训练样本,得到训练样本数据;利用对抗神经网络算法对所述训练样本数据进行模型训练,得到生成数据模型。
可选的,所述的方法还包括:获取原始的病灶CTA图像;对原始的病灶CTA图像进行尺寸处理,生成特定规格待测试的病灶CTA图像。
为实现上述目的,根据本发明实施例第二方面,还提供一种CTA斑块成分自动分析装置,该装置包括:获取模块,用于获取待测试的病灶CTA图像;处理模块,用于利用生成数据模型对所述待测试的病灶CTA图像进行处理,生成病灶MRI图像;识别模块,用于对所述病灶MRI图像进行斑块成分识别,得到与所述病灶对应的斑块成分。
可选的,所述识别模块包括:确定单元,用于确定所述病灶MRI图像中斑块对应的斑块区域;识别单元,用于对所述斑块区域进行斑块成分识别,得到与所述病灶对应的斑块成分。
可选的,所述确定单元包括:检测子单元,用于对所述待测试的病灶CTA图像进行斑块检测,得到检测结果;第一确定子单元,用于若所述检测结果表征所述病灶CTA图像中存在斑块,则确定所述斑块在所述病灶CTA图像中位置;第二确定子单元,用于将所述病灶MRI图像中对应所述位置的区域确定为斑块区域。
为实现上述目的,根据本发明实施例第三方面,还提供一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如第一方面所述的方法。
本发明实施例提供一种CTA斑块成分自动分析方法,通过获取待测试的病灶电子计算机断层扫描CTA图像;并利用生成数据模型对所述待测试的病灶CTA图像进行处理,生成病灶磁共振成像MRI图像;之后对所述病灶MRI图像进行斑块成分识别,得到与所述病灶对应的斑块成分。由此,能够基于病灶CTA图像生成病灶MRI图像,并根据病灶MRI图像自动识别斑块成分,实现了基于CTA图像对斑块成分进行定性分析。
需要理解的是,本发明的教导并不需要实现上面所述的全部有益效果,而是特定的技术方案可以实现特定的技术效果,并且本发明的其他实施方式还能够实现上面未提到的有益效果。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中在附图中,相同或对应的标号表示相同或对应的部分。
图1为本发明一实施例的CTA斑块成分自动分析方法的流程图;
图2为本发明再一实施例的CTA斑块成分自动分析方法的流程图;
图3为本发明又一实施例的CTA斑块成分自动分析方法的流程图;
图4为本发明一实施例的CTA斑块成分自动分析装置的示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本发明实施例的目的在于利用生成数据模型对待测试的病灶CTA图像进行处理,生成病灶MRI图像,并基于病灶MRI图像对病灶对应的斑块成分进行定性分析,由此,实现了基于病灶CTA图像对病灶对应的斑块成分进行定性分析,从而解决了现有技术中利用病灶CTA图像对斑块成分进行定性分析时,由于CTA图像信息量太少导致无法对病灶的斑块成分进行定性分析的问题。
如图1所示,为本发明一实施例的CTA斑块成分自动分析方法的流程图,该方法至少包括如下操作流程:S101,获取待测试的病灶电子计算机断层扫描CTA图像;S102,利用生成数据模型对待测试的病灶CTA图像进行处理,生成病灶磁共振成像MRI图像;S103,对病灶MRI图像进行斑块成分识别,得到与病灶对应的斑块成分。
在S101中,获取待测试的病灶CTA图像的具体实现过程如下:先获取原始的病灶CTA图像;然后对原始的病灶CTA图像进行尺寸处理,生成特定规格待测试的病灶CTA图像。
具体地,获取原始的病灶CTA图像,对病灶CTA图像中的病灶进行定位处理,从而在病灶CTA图像中获得病灶区域;以病灶区域为中心沿着病灶CTA图像边缘的方向向外扩展,生成特定规格的待测试的病灶CTA图像。由此,通过上述尺寸处理技术,能够有效获取与病灶对应的待测试的病灶CTA图像,提高了针对病灶进行斑块成分识别的准确性。
在S102中,在利用生成数据模型对待测试的病灶CTA图像进行处理前,需要先获得生成数据模型。生成数据模型通过如下步骤获得:先获取病灶CTA图像,以及与病灶CTA图像对应的病灶MRI图像;之后分别将病灶CTA图像和病灶MRI图像作为对抗训练样本和参考训练样本,得到训练样本数据;最后利用对抗神经网络算法对训练样本数据进行模型训练,得到生成数据模型。
具体地,将病灶CTA图像作为对抗训练样本,并将与病灶CTA图像对应的病灶MRI图像作为参考训练样本,同一病灶对应的对抗训练样本和参考训练样本共同作为一个训练样本。多个病灶对应多个训练样本;训练样本数据包括多个训练样本。利用训练样本对模型进行训练的过程如下:将对抗训练样本和参考训练样本同时输入对抗神经网络,利用对抗神经网络对对抗训练样本进行训练,通过调整对抗神经网络的训练参数,使得对抗神经网络输出的结果接近参考训练样本。利用对抗神经网络算法对多个训练样本进行模型训练,得到生成数据模型。这里的生成数据模型属于对抗训练模型。由此,能够将病灶CTA图像有效地转化成对应的病灶MRI图像,从而实现了基于病灶CTA图像对斑块成分进行定性分析。
在S103中,在这里,对于利用病灶MRI图像进行斑块成分识别的具体实现过程不作限定,只要能基于病灶MRI图像得到与病灶对应的斑块成分即可。任何基于病灶MRI图像分析斑块成分的现有技术均适用于本实施例。
本发明实施例通过利用病灶CTA图像作为对抗训练样本,并利用对应的病灶MRI图像作为参考样本,然后以参考样本为基准,利用对抗神经网络算法对对抗训练样本进行模型训练,得到数据生成模型。之后利用数据生成模型对待测试的病灶CTA图像进行处理,得到对应病灶MRI图像。最后对数据生成模型输出的病灶MRI图像进行斑块成分识别。由此,能够实现了基于病灶CTA图像对病灶对应的斑块成分进行定性分析。
如图2所示,本发明再一实施例的CTA斑块成分自动分析方法的流程图。本实施例是在前述实施例的基础上进一步优化得到的。一种CTA斑块成分自动分析方法,该方法至少包括如下操作流程:S201,获取待测试的病灶电子计算机断层扫描CTA图像;S202,利用生成数据模型对待测试的病灶CTA图像进行处理,生成病灶磁共振成像MRI图像;S203,对待测试的病灶CTA图像进行斑块检测,得到检测结果;S204,若检测结果表征病灶CTA图像中存在斑块,则确定斑块在病灶CTA图像中位置;S205,将病灶MRI图像中对应位置的区域确定为斑块区域;S206,对斑块区域进行斑块成分识别,得到与病灶对应的斑块成分。
其中,S201和S202的具体实现过程与图1所示实施例中S101以及S102的具体实现过程相类似,这里不再赘述。
在S203,对待测试的病灶CTA图像进行斑块检测的具体实现过程如下:获取病灶CTA图像的CT值,将满足预设阈值的CT值对应的区域确定为斑块。例如病灶有斑块和非斑块的区别,非斑块例如狭窄等。通常斑块区域较非斑块区域的亮度要明显。若检测结果表征病灶的CTA图像中存在斑块,则确定斑块在病灶CTA图像中具体位置。若检测结果表征病灶的CTA图像中不存在斑块,则结束操作。
在S204和S205中,由于病灶MRI图像和病灶CTA图像是完全对应的。两者唯一不同的是病灶MRI图像对应的是MRI数据,病灶CTA图像对应的是CAT数据,因此病灶CTA图像上斑块区域和病灶MRI图像上斑块区域也是对应的。病灶CTA图像中斑块的位置是基于现有技术获得的,在这里,不作任何限定。首先确定CTA图像上斑块的位置信息,然后基于CTA图像上斑块的位置信息在病灶MRI图像上找到斑块区域。由此通过定位CTA图像上斑块的位置能够确定病灶MRI图像上的斑块区域。在这里,位置信息可以是斑块在病灶CTA图像中的坐标信息。
在S206中,获取斑块区域的所有MRI值;针对所有MRI值中任一MRI值,判断MRI值是否满足预设阈值;基于判断结果,确定与病灶对应的斑块成分。
需要说明的是,不同斑块成分对应的预设阈值是不同的,预设阈值是经验值。
在这里,斑块成分为餐巾环征、脂质帽或正型重构等类型。
本发明实施例基于病灶CTA图像中斑块的位置来确定病灶MRI图像中的斑块区域,由此能够对病灶CTA图像中斑块成分进行有效识别,提高了识别的准确性。
应理解,在本发明的各种实施例中,上述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的逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
如图3所示,本发明再一实施例的CTA斑块成分自动分析方法的流程图。本实施例是在前述实施例的基础上进一步优化得到的。一种CTA斑块成分自动分析方法,该方法至少包括如下操作流程:S301,获取待测试的病灶电子计算机断层扫描CTA图像;S302,利用生成数据模型对待测试的病灶CTA图像进行处理,生成病灶磁共振成像MRI图像;S303,确定病灶MRI图像中斑块对应的斑块区域;S304,对斑块区域进行斑块成分识别,得到与病灶对应的斑块成分。
其中,S301、S302和S304的具体实现过程与图1所示实施例中S101以及S102和S103的具体实现过程相类似,这里不再赘述。
在S303中,在这里,对病灶MRI图像中斑块区域的确定方式不作限定,可以基于现有技术在病灶MRI图像中确定斑块对应的斑块区域。
应理解,在本发明的各种实施例中,上述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的逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
如图4所示,为本发明一实施例的的CTA斑块成分自动分析装置的示意图。
一种CTA斑块成分自动分析装置,该装置400包括:获取模块401,用于获取待测试的病灶CTA图像;处理模块402,用于利用生成数据模型对待测试的病灶CTA图像进行处理,生成病灶MRI图像;识别模块403,用于对病灶MRI图像进行斑块成分识别,得到与病灶对应的斑块成分。
在可选的实施例中,识别模块包括:确定单元,用于确定病灶MRI图像中斑块对应的斑块区域;识别单元,用于对斑块区域进行斑块成分识别,得到与病灶对应的斑块成分。
在可选的实施例中,确定单元包括:检测子单元,用于对待测试的病灶CTA图像进行斑块检测,得到检测结果;第一确定子单元,用于若检测结果表征病灶CTA图像中存在斑块,则确定斑块在所述病灶CTA图像中位置;第二确定子单元,用于将病灶MRI图像中对应位置的区域确定为斑块区域
在可选的实施例中,识别单元包括:获取子单元,用于获取斑块区域的所有MRI值;判断子单元,用于针对所有MRI值中任一所述MRI值,判断MRI值是否满足预设阈值;确定子单元,用于基于判断结果,确定与病灶对应的斑块成分。
在可选的实施例中,生成数据模型通过如下方法获得:获取病灶CTA图像,以及与病灶CTA图像对应的病灶MRI图像;分别将病灶CTA图像和病灶MRI图像作为对抗训练样本和参考训练样本,得到训练样本数据;利用对抗神经网络算法对训练样本数据进行模型训练,得到生成数据模型。
在可选的实施例中,CTA斑块成分自动分析装置还包括:获取模块进一步用于,获取原始的病灶CTA图像;生成模块,用于对原始的病灶CTA图像进行尺寸处理,生成特定规格待测试的病灶CTA图像。
上述装置可执行本发明实施例所提供的CTA斑块成分自动分析方法,具备执行CTA斑块成分自动分析方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的CTA斑块成分自动分析方法。
一种用来实现上述实施例的终端设备或服务器的计算机系统,该计算机系统包括中央处理单元(CPU),其可以根据存储在只读存储器(ROM)中的程序或者从存储部分加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中,还存储有系统操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。以下部件连接至I/O接口:包括键盘、鼠标等的输入部分;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分;包括硬盘等的存储部分;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质,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上,以便于从其上读出的计算机程序根据需要被安装入存储部分。
特别地,根据本发明公开的实施例,上文描述的过程可以被实现为计算机软件程序。例如,本发明公开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程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明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、系统或器件,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(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储序的有形介质,该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。而在本发明中,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程序代码。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、系统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程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、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。在这点上,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。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中,这些模块的名称在某种情况下并不构成对该单元本身的限定,例如,发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。
作为另一方面,本发明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设备中所包含的;也可以是单独存在,而未装配入该设备中。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设备执行时,使得该设备至少执行如下所示的操作步骤:S101,获取待测试的病灶电子计算机断层扫描CTA图像;S102,利用生成数据模型对待测试的病灶CTA图像进行处理,生成病灶磁共振成像MRI图像;S103,对病灶MRI图像进行斑块成分识别,得到与病灶对应的斑块成分。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种CTA斑块成分自动分析方法,其特征在于,包括:
获取待测试的病灶电子计算机断层扫描CTA图像;
利用生成数据模型对所述待测试的病灶CTA图像进行处理,生成病灶磁共振成像MRI图像;
对所述病灶MRI图像进行斑块成分识别,得到与所述病灶对应的斑块成分。
2.根据权利要求1所述的方法,其特征在于,对所述病灶MRI图像进行斑块成分识别,得到与所述病灶对应的斑块成分,包括:
确定所述病灶MRI图像中斑块对应的斑块区域;
对所述斑块区域进行斑块成分识别,得到与所述病灶对应的斑块成分。
3.根据权利要求2所述的方法,其特征在于,所述确定所述病灶MRI图像中斑块对应的斑块区域,包括:
对所述待测试的病灶CTA图像进行斑块检测,得到检测结果;
若所述检测结果表征所述病灶CTA图像中存在斑块,则确定所述斑块在所述病灶CTA图像中位置;
将所述病灶MRI图像中对应所述位置的区域确定为斑块区域。
4.根据权利要求2或3所述的方法,其特征在于,所述对所述斑块区域进行斑块成分识别,得到与所述病灶对应的斑块成分,包括:
获取所述斑块区域的所有MRI值;
针对所有MRI值中任一所述MRI值,判断所述MRI值是否满足预设阈值;
基于判断结果,确定与所述病灶对应的斑块成分。
5.根据权利要求1所述的方法,其特征在于,所述生成数据模型通过如下方法获得:
获取病灶CTA图像,以及与所述病灶CTA图像对应的病灶MRI图像;
分别将所述病灶CTA图像和所述病灶MRI图像作为对抗训练样本和参考训练样本,得到训练样本数据;
利用对抗神经网络算法对所述训练样本数据进行模型训练,得到生成数据模型。
6.根据权利要求1或3所述的方法,其特征在于,还包括:
获取原始的病灶CTA图像;
对原始的病灶CTA图像进行尺寸处理,生成特定规格待测试的病灶CTA图像。
7.一种CTA斑块成分自动分析装置,其特征在于,包括:
获取模块,用于获取待测试的病灶CTA图像;
处理模块,用于利用生成数据模型对所述待测试的病灶CTA图像进行处理,生成病灶MRI图像;
识别模块,用于对所述病灶MRI图像进行斑块成分识别,得到与所述病灶对应的斑块成分。
8.根据权利要求7所述的装置,其特征在于,所述识别模块包括:
确定单元,用于确定所述病灶MRI图像中斑块对应的斑块区域;
识别单元,用于对所述斑块区域进行斑块成分识别,得到与所述病灶对应的斑块成分。
9.根据权利要求8所述的装置,其特征在于,所述确定单元包括:
检测子单元,用于对所述待测试的病灶CTA图像进行斑块检测,得到检测结果;
第一确定子单元,用于若所述检测结果表征所述病灶CTA图像中存在斑块,则确定所述斑块在所述病灶CTA图像中位置;
第二确定子单元,用于将所述病灶MRI图像中对应所述位置的区域确定为斑块区域。
10.一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110164340.8A CN112862781A (zh) | 2021-02-05 | 2021-02-05 | 一种cta斑块成分自动分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110164340.8A CN112862781A (zh) | 2021-02-05 | 2021-02-05 | 一种cta斑块成分自动分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112862781A true CN112862781A (zh) | 2021-05-28 |
Family
ID=75989627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110164340.8A Pending CN112862781A (zh) | 2021-02-05 | 2021-02-05 | 一种cta斑块成分自动分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862781A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060098870A1 (en) * | 2004-11-08 | 2006-05-11 | Huseyin Tek | Region competition via local watershed operators |
CN105389810A (zh) * | 2015-10-28 | 2016-03-09 | 清华大学 | 血管内斑块的识别系统及方法 |
CN108210072A (zh) * | 2018-02-08 | 2018-06-29 | 扈玉华 | 基于mri和cta的脑组织及血管实体复合模型的制备方法 |
CN110222759A (zh) * | 2019-06-03 | 2019-09-10 | 中国医科大学附属第一医院 | 一种冠状动脉易损斑块自动识别系统 |
CN111178369A (zh) * | 2019-12-11 | 2020-05-19 | 中国科学院苏州生物医学工程技术研究所 | 一种医学影像的识别方法及系统、电子设备、存储介质 |
CN111667478A (zh) * | 2020-06-10 | 2020-09-15 | 复旦大学附属华山医院 | Cta到mra跨模态预测的颈动脉斑块识别方法及系统 |
-
2021
- 2021-02-05 CN CN202110164340.8A patent/CN112862781A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060098870A1 (en) * | 2004-11-08 | 2006-05-11 | Huseyin Tek | Region competition via local watershed operators |
CN105389810A (zh) * | 2015-10-28 | 2016-03-09 | 清华大学 | 血管内斑块的识别系统及方法 |
CN108210072A (zh) * | 2018-02-08 | 2018-06-29 | 扈玉华 | 基于mri和cta的脑组织及血管实体复合模型的制备方法 |
CN110222759A (zh) * | 2019-06-03 | 2019-09-10 | 中国医科大学附属第一医院 | 一种冠状动脉易损斑块自动识别系统 |
CN111178369A (zh) * | 2019-12-11 | 2020-05-19 | 中国科学院苏州生物医学工程技术研究所 | 一种医学影像的识别方法及系统、电子设备、存储介质 |
CN111667478A (zh) * | 2020-06-10 | 2020-09-15 | 复旦大学附属华山医院 | Cta到mra跨模态预测的颈动脉斑块识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
JENNIFER K ET AL.: "B-mode ultrasonographic characterization of carotid atherosclerotic plaques in symptomatic and asymptomatic patients", 《JOURNAL OF VASCULAR SURGERY》 * |
王勇 等: "MRI不同序列对颈动脉粥样硬化斑块成分分析", 《南方医科大学学报》 * |
黄琳 等: "CT评估不稳定性颈动脉斑块研究进展", 《中国介入影像与治疗学》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Development of a quantitative intracranial vascular features extraction tool on 3 D MRA using semiautomated open‐curve active contour vessel tracing | |
CN101231678B (zh) | 医用图像处理装置及医用图像处理方法 | |
JP6599989B2 (ja) | 構成材料の分類を改善するための方法およびシステム | |
US7993274B2 (en) | Method, system, and computer product for automatically extracting and tracking cardiac calcifications and determining a tracking centerline | |
CN112037170B (zh) | 一种血管狭窄的检出方法、装置以及计算机存储介质 | |
US20090129656A1 (en) | Voting in mammography processing | |
CN106880900B (zh) | 用于自动确定造影剂注射方案的方法 | |
JP2008529639A (ja) | 検査装置、画像処理デバイス、注目対象物を検査装置で検査する方法、コンピュータ可読媒体及びプログラム要素 | |
US20120053446A1 (en) | Voting in image processing | |
KR20170017614A (ko) | 의료 영상 기반의 질환 진단 정보 산출 방법 및 장치 | |
JP2007172604A (ja) | 取得システムのプロトコル及び/又はパラメータに基づいてコンピュータ利用アルゴリズムを選択するための方法及び装置 | |
JP2008519639A (ja) | 医療画像レジストレーションに対する装置及び方法 | |
JP4236405B2 (ja) | 断層像セグメント分割 | |
JP2012249964A (ja) | 診療支援装置、診療支援方法 | |
JP2020532376A (ja) | 肺の画像内の高密度肺組織の領域の決定 | |
WO2008036372A2 (en) | Method and system for lymph node segmentation in computed tomography images | |
JP2018536481A (ja) | 側枝に対するステントストラットの検出 | |
JP2017526440A (ja) | 医用イメージング装置 | |
Zhou et al. | Computerized analysis of coronary artery disease: performance evaluation of segmentation and tracking of coronary arteries in CT angiograms | |
CN113012118B (zh) | 图像处理方法以及图像处理装置 | |
CN112037168B (zh) | 一种血管检测方法、装置以及计算机存储介质 | |
CN113284160A (zh) | 一种手术导航标记珠体识别的方法、装置和设备 | |
JP2022068043A (ja) | 医用画像処理装置及び医用画像処理システム | |
KR102517529B1 (ko) | 아밀로이드 혈관병증 의심 환자에 대한 아밀로이드 펫 양성 예측 방법 및 장치 | |
CN112862781A (zh) | 一种cta斑块成分自动分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210528 |