CN112862787A - Cta影像数据处理方法、装置及存储介质 - Google Patents

Cta影像数据处理方法、装置及存储介质 Download PDF

Info

Publication number
CN112862787A
CN112862787A CN202110183278.7A CN202110183278A CN112862787A CN 112862787 A CN112862787 A CN 112862787A CN 202110183278 A CN202110183278 A CN 202110183278A CN 112862787 A CN112862787 A CN 112862787A
Authority
CN
China
Prior art keywords
image
graph
cta
image data
training
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
CN202110183278.7A
Other languages
English (en)
Other versions
CN112862787B (zh
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 CN202110183278.7A priority Critical patent/CN112862787B/zh
Publication of CN112862787A publication Critical patent/CN112862787A/zh
Application granted granted Critical
Publication of CN112862787B publication Critical patent/CN112862787B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/404—Angiography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling

Landscapes

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

Abstract

本发明提供一种CTA影像数据处理方法、装置及存储介质，包括：接收CTA影像数据，所述CTA影像数据包括一个或多个原始图像；基于预设的三维CNN网络模型对所述原始图像进行处理，去除原始图像中的骨骼图形、静脉图形得到仅存在动脉图形的修正图像。本发明提供的技术方案能够将CTA影像中的骨骼和静脉进行有效的去除，只在CTA影像中保留动脉的图形，避免了动脉瘤假阳性水平上升，提高了有效诊断率。

Description

CTA影像数据处理方法、装置及存储介质
技术领域
本发明涉及CTA影像处理技术，尤其涉及一种CTA影像数据处理方法及装置。
背景技术
颅内动脉瘤是相对常见的威胁生命的疾病，在总人口中的患病率为3.2％1，在自发性蛛网膜下腔出血患者中占85％2。由于高级成像技术的广泛应用，越来越多地检测到颅内动脉瘤。动脉瘤占所有卒中的5-10％，但它可能导致很高的死亡率，幸存者可能遭受长期的神经心理影响并降低生活质量。基层医疗机构的早期诊断可以既影响临床管理和引导脑出血患者的预后管理。对于自发性蛛网膜下腔出血的患者，及时准确地鉴定颅内动脉瘤，对于立即干预或外科手术治疗至关重要，而对于没有颅内动脉瘤的患者，可靠排除颅内动脉瘤对专业治疗也很重要，诊断未破裂的动脉瘤是至关重要的临床任务。
计算机断层扫描血管造影(CTA)是一种无创，方便和可靠的方式来检测颅内动脉瘤。美国心脏协会和中风协会指南已建议将CTA作为检测和随访未破裂/破裂颅内动脉瘤，以及手术前规划的有用工具。但是，CTA的诊断非常耗时，并且需要专科训练的神经放射学家进行操作，医生相互间的诊断结果往往不一致，对可靠的诊断提出了额外的难度。诊断的准确性跟多个因素都有关系，包括动脉瘤的大小，计算机断层扫描影像设备的多样性(Computed Tomography，CT，16排或者64排)，医学数字成像和通信协议(Digital Imagingand Communications in Medicine，DICOM)的标准性，设备采集图像的质量，图像后处理算法以及放射科医生的经验水平差异。这些因素导致CTA的有效诊断率在28％到97.8％之间。急性缺血性卒中指南也强烈推荐使用CTA来随访发病后进行机械血栓切除的患者。因此，放射科医生检测或排除颅内动脉瘤的工作量正在迅速增加，而在CTA上排除颅内动脉瘤仍然是一项艰巨的任务。这需要放射科医生从图像中检测动脉瘤，特别是那些小尺寸的动脉瘤。这可能导致在临床实践中动脉瘤的检测不足。目前临床上，医院仍然主要通过医生人工进行CTA的筛查，以及动脉瘤的诊断。无论在诊断速度和诊断有效性上，人工诊断都存在很大的挑战。
考虑到上述挑战，迫切需要拥有高性能的计算机辅助诊断(CAD)工具来辅助动脉瘤诊断，提高效率并减少放射科医生之间的分歧。传统风格的CAD系统是基于预先提供的特性或成像功能，如容器曲率，阈值，或一个区域生长算法。但是动脉瘤的诊断会受到CTA影像的骨骼和静脉的影响，往往造成动脉瘤假阳性水平上升，降低有效诊断率。
发明内容
本发明实施例提供一种CTA影像数据处理方法、装置及存储介质，能够将CTA影像中的骨骼和静脉进行有效的去除，只在CTA影像中保留动脉的图形，避免了动脉瘤假阳性水平上升，提高了有效诊断率。
本发明实施例的第一方面，提供一种CTA影像数据处理方法，包括：
接收CTA影像数据，所述CTA影像数据包括一个或多个原始图像；
基于预设的三维CNN网络模型对所述原始图像进行处理，去除原始图像中的骨骼图形、静脉图形得到仅存在动脉图形的修正图像。
可选地，在第一方面的一种可能实现方式中，所述基于预设的三维CNN网络模型对所述原始图像进行处理，去除原始图像中的骨骼图形、静脉图形得到仅存在动脉图形的修正图像包括：
对所述原始图像进行处理，得到所述原始图像中的多个图形，所述图形为骨骼图形、静脉图形以及动脉图形中的任意一个或多个；
获取每个图形中各个像素点的灰度值得到与该图形相对应的平均灰度值，将平均灰度值大于预设值的图形作为骨骼图形、静脉图形进行删除，得到分割图像。
可选地，在第一方面的一种可能实现方式中，所述基于预设的三维CNN网络模型对所述原始图像进行处理，去除原始图像中的骨骼图形、静脉图形得到仅存在动脉图形的修正图像包括：
基于邻近投影的方法得到所述修正图像；
所述CTA影像数据处理方法还包括第二处理步骤和第三处理步骤。
可选地，在第一方面的一种可能实现方式中，所述接收CTA影像数据包括：
基于DICOM服务器获取CTA的DICOM格式的原始图像序列。
可选地，在第一方面的一种可能实现方式中，所述三维CNN网络模型包括编码器-解码器体系结构、基础模块以及双重审核模块，包括：
所述编码器-解码器体系结构用于从原始图像到分段蒙版的平滑渐变过渡；
所述础模块用于以允许稳定训练以增加模型的网络深度；
所述双重审核模块用于学习远程上下文信息以获得更可靠的特征表示。
可选地，在第一方面的一种可能实现方式中，对所述三维CNN网络模型通过以下步骤进行训练，包括：
随机采集3D图像补丁，所述3D图像补丁的尺寸为80×80×80；
对所述3D图像补丁进行处理得到训练样本集，使3D图像补丁中百分之五十的贴片包含动脉瘤，另外百分之五十的贴片不包含动脉瘤；
基于所述训练样本集对所述三维CNN网络模型进行训练。
可选地，在第一方面的一种可能实现方式中，对所述3D图像补丁进行处理前，还包括：
对CTA影像数据进行旋转、缩放、翻转中的任意一种或多种方式进行处理，在CTA影像数据经过旋转、缩放、翻转后得到3D图像补丁；
在3D图像补丁到达网络前，将所述3D图像补丁裁剪为[0，900]霍恩斯菲尔德单位，然后将其标准化为[-1，1]。
可选地，在第一方面的一种可能实现方式中，所述三维CNN网络模型的训练过程包括多个周期，在每一个训练周期完成后乘以
Figure BDA0002942687530000031
其中，初始学习率为0.0001，训练周期为100。
可选地，在第二方面的一种可能实现方式中，一种CTA影像数据处理装置，包括：
接收模块，用于接收CTA影像数据，所述CTA影像数据包括一个或多个原始图像；
修正模块，用于基于预设的三维CNN网络模型对所述原始图像进行处理，去除原始图像中的骨骼图形、静脉图形得到仅存在动脉图形的修正图像。
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CTA影像数据处理方法、装置及存储介质，基于三维CNN网络模型能够将CTA影像中的骨骼和静脉进行有效的去除，只在CTA影像中保留动脉的图形，避免了动脉瘤假阳性水平上升，提高了有效诊断率。
本发明提供的三维CNN网络模型对图像质量具有良好的容忍度，不同的制造商生成的图像对系统性能有轻微的影响。并且本发明使用基本块代替堆叠的卷积层，因此，深层常规网络的性能通过连接得以提升。双重复核模块被用来强制网络集中于信息区域和特征，使得本发明的模型具有明显更高的性能。
本发明在对三维CNN网络模型进行训练的过程中，采集的训练样本多样化，并且对训练样本进行了多步骤的处理，使得该三维CNN网络模型在训练、迭代更新后识别效果更佳、更准确。
附图说明
图1为本发明实施例1的第一种实施方式的示意图；
图2为本发明实施例1的第二种实施方式的示意图；
图3为本发明实施例1的第三种实施方式的示意图；
图4为本发明实施例2的第一种实施方式的示意图；
图5为本发明实施例2的第二种实施方式的示意图；
图6为本发明实施例3的第一种实施方式的示意图；
图7为本发明实施例3的第二种实施方式的示意图；
图8为本发明实施例3的第三种实施方式的示意图；
图9为本发明实施例4的第一种实施方式的示意图；
图10为本发明实施例4的第二种实施方式的示意图；
图11为本发明实施例4的第三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。
实施例1
本发明提供一种CTA影像数据处理方法，如图1所示其流程图，包括：
步骤S110、接收CTA影像数据，所述CTA影像数据包括一个或多个原始图像。本发明的系统通过系统接口或者手工上传的方式，获取符合DICOM标准协议的CTA影像数据。CTA的数据产生是通过进口或国产CT，包括16排、32排、64排、128排和256排CT不同型号的设备。本发明数据获取模块,通过DICOM服务器中获取CTA的DICOM格式的原始图像序列。
步骤S120、基于预设的三维CNN网络模型对所述原始图像进行处理，去除原始图像中的骨骼图形、静脉图形得到仅存在动脉图形的修正图像。
针对原始图像、二维图像中的目标检测问题，本发明公开一种ResUNet的三维CNN网络模型，如图2所示。该网络模型主要实现的功能包括导入原始CTA检查，去除骨骼图像，筛出静脉图像，最终获取邻近投影图像，能够在2D图像(原始图像、CTA)上清晰显示。
在原始图像中将明亮的像素(骨骼)和静脉被从图像中移除，剩下的大部分像素是动脉。为了将深度学习模型引入动脉瘤检测的应用中，有必要使动脉瘤在图像上更清晰地显示出来。本发明使用邻近投影(Neighborhood Projections，NP)方法来获得修正后的图像，以便对模型进行训练和测试。每幅图像都是用一定衰减率的相邻图像叠加重建的。灰度值的衰减率取决于CT拍片的厚度，计算为拍片厚度的0.1倍。例如，对于层厚为0.5毫米的CT，衰减率设置为每层0.05。
所述CTA影像数据处理方法还包括第二处理步骤和第三处理步骤。
在一个实施例中，步骤S20包括：
步骤S201、对所述原始图像进行处理，得到所述原始图像中的多个图形，所述图形为骨骼图形、静脉图形以及动脉图形中的任意一个或多个。
步骤S202、获取每个图形中各个像素点的灰度值得到与该图形相对应的平均灰度值，将平均灰度值大于预设值的图形作为骨骼图形、静脉图形进行删除，得到分割图像。
在一个实施例中，所述三维CNN网络模型包括编码器-解码器体系结构、基础模块以及双重审核模块，包括：
所述编码器-解码器体系结构用于从原始图像到分段蒙版的平滑渐变过渡；
所述础模块用于以允许稳定训练以增加模型的网络深度；
所述双重审核模块用于学习远程上下文信息以获得更可靠的特征表示。
本发明提供的ResUNet模型是一种CNN，具有编码器-解码器体系结构，其中包含用于提取上下文信息的编码模块(编码器)和用于将编码后的特征扩展为全分辨率图的对称解码模块(解码器)，与输入体积相同的尺寸和尺寸。
ResUNet模型通过以下结构进行处理，第一，使用编码器-解码器体系结构从原始图像到分段蒙版的平滑渐变过渡。第二，采用基础模块以允许稳定训练以增加网络深度。第三，嵌入了双重审核模块以学习远程上下文信息以获得更可靠的特征表示。结果表明，该模型对图像质量具有良好的容忍度，不同的制造商生成的图像对系统性能有轻微的影响。本发明使用基本块代替堆叠的卷积层，因此，深层常规网络的性能通过连接得以提升。双重复核模块被用来强制网络集中于信息区域和特征，使得本发明的模型具有明显更高的性能。
在一个实施例中，对所述三维CNN网络模型通过以下步骤进行训练，包括：
随机采集3D图像补丁，所述3D图像补丁的尺寸为80×80×80；
对所述3D图像补丁进行处理得到训练样本集，使3D图像补丁中百分之五十的贴片包含动脉瘤，另外百分之五十的贴片不包含动脉瘤；
基于所述训练样本集对所述三维CNN网络模型进行训练。
在一个实施例中，对所述3D图像补丁进行处理前，还包括：
对CTA影像数据进行旋转、缩放、翻转中的任意一种或多种方式进行处理，在CTA影像数据经过旋转、缩放、翻转后得到3D图像补丁；
在3D图像补丁到达网络前，将所述3D图像补丁裁剪为[0，900]霍恩斯菲尔德单位，然后将其标准化为[-1，1]。
在一个实施例中，所述三维CNN网络模型的训练过程包括多个周期，在每一个训练周期完成后乘以
Figure BDA0002942687530000081
其中，初始学习率为0.0001，训练周期为100。
本发明采用了基础模块替换U-Net的原始卷积块，以确保在网络深度显着增加时进行稳定的训练。在编码器的顶层使用了扩展的卷积来扩大网络的接收范围，只进行了3次下采样。
为了通过探索远程上下文信息来增强网络的性能，在编码器和解码器之间嵌入了双重复核模块。ResUNet模型的输入量大小为80×80×80，足以容纳大多数颅内动脉瘤。在训练过程中，从整个CTA体积中随机采样了具有上述大小的3D图像补丁。
为了平衡包含和不包含动脉瘤的训练样本的数量，采样的贴片包含50％的概率包含动脉瘤。在补丁采样之前，将数据增强(例如旋转，缩放和翻转)应用于CTA数据。在到达网络之前，将输入裁剪为[0，900]霍恩斯菲尔德单位(Hu)，然后将其标准化为[-1，1]。模型对网络进行了训练，以优化二进制交叉熵损失和骰子(Dice)损失的加权和。
通过将动量和权重衰减系数分别设置为0.9和0.0001来使用Adam优化器。本发明采用了多元学习率政策，其中每次迭代之后，初始学习率乘以
Figure BDA0002942687530000082
初始学习率为0.0001，训练周期为100。在每个周期，模型首先从训练集中随机选择300个患者的图像，然后从每个患者的图像中随机裁剪50个包含正样本和负样本的补丁。每个时期总共使用了约15，000个补丁来训练模型。在模型训练过程中，从体积中随机抽取16个切片的子体积。对数据集进行预处理以查找头部骨骼的轮廓，然后在将每个切片的大小调整为208×208像素之前，在轴向平面中围绕头骨裁剪每个体积。然后将切片裁切为192×192像素(在训练过程中使用随机裁切，在测试过程中使用中心裁切)，每个示例的最终输入大小为16×192×192；将相同的转换应用于细分标签。训练分割输出以优化三维像素二进制交叉熵和Dice损失的加权组合。
模型将输入裁剪为[-300，700]霍恩斯菲尔德单位单位，归一化为[-1，1]，并从零开始。该模型在3个图形处理单元(GPU)上进行了训练，每个GPU最少有2个事例。使用随机梯度下降优化器优化模型的参数，其动量为0.9，随机初始化的权重峰值学习率为0.1，预训练权重的峰值学习率为0.01。为了进行正规化，对所有可训练参数的损失增加了0.001的权重衰减，并且在编码器块中使用了随机深度下降。为了控制班级失衡，使用了3种方法。首先，在编码器之后添加了辅助损耗，并且使用了焦点损耗来鼓励对错误分类的正样本进行较大的参数更新。其次，异常训练示例的采样频率比正常示例高，因此异常事例占训练迭代次数的30％。解码器的参数不会在训练迭代中更新，在该迭代中，分割标签仅由背景体素组成。
为了生成整个体积的分段预测，只需将连续的16切片子体积的分段输出连接在一起。如果切片的数目不能被16整除，则最后一个输入卷将填0，并将相应的输出卷截断为原始大小。
本发明给你还提供一种CTA影像数据处理装置，如图3所示，包括：
接收模块，用于接收CTA影像数据，所述CTA影像数据包括一个或多个原始图像；
修正模块，用于基于预设的三维CNN网络模型对所述原始图像进行处理，去除原始图像中的骨骼图形、静脉图形得到仅存在动脉图形的修正图像。
实施例2
深度学习方法(Deep Learning,DL)已经显示出在医学成像领域准确检测病变的巨大潜力，可以直接从大量带有标签的图像数据集中学习最可预测的特征，已经达到或超过了专家诊断水平，在目标检测领域取得了显著的成果。卷积神经网络(ConvolutionalNeural Networks,CNN)是一种深度学习方法，它适用于图像中的目标检测。CNN的优势在于它能够直接利用原始图像作为输入，并在训练过程中学习物体的特征。因此，它可以自动设计特征来检测目标，从而获得更好的性能。由于CTA是颅内动脉瘤诊断的首选影像学方法，本发明是针对一种基于CTA图像的自动检测颅内动脉瘤的方法。本发明在临床应用中对动脉瘤进行自动检测，检测模型可以将CTA影像作为整个系统的输入。本发明的算法模型可以很好地解决CTA图像中骨骼和静脉的影像，可以适用于不同大小的动脉瘤，因为不同患者的大小差异很大。本发明的深度学习模型以帮助临床医生可靠地识别CTA中具有临床意义的动脉瘤，有可能为放射科医生，神经外科医生和其他临床医生提供易于访问且可立即应用的诊断支持工具。
本发明整个工作流程如图4所示。首先，本发明通过符合标准DICOM 3.0通信协议的数据接口，从CT获取动脉瘤的CTA影像数据。其次，针对CTA影像数据进行预处理，通过自主研发的ResUNet算法模型就，去除CTA图像的骨骼图像，对静脉图像进行筛除，即本发明的实施例1中的步骤。然后，再通过自主研发的HCNN算法模型，识别出CTA图像动脉瘤的分割和识别结果。最后，系统将动脉瘤识别结果报告输出，发送给医生进行浏览。针对动脉瘤的检测，图像预处理和动脉瘤整体算法处理流程，如图5所示。通过CTA图像的输入，获得动脉瘤图像分割的结果。
实施例3
本发明提供一种CTA影像数据处理方法，如图6所示，为实施例1中的第二处理步骤，所述第二处理步骤包括：
步骤S210、接收CTA影像数据，所述CTA影像数据包括一个或多个原始图像；
步骤S220、对所述原始图像进行处理，获取原始图像中的所有节点，所述节点为大于预设体素值的点；
步骤S230、将原始图像中每两个相邻节点相连生成节点框架图；
步骤S240、获取节点框架图中的三角路径得到三角路径直方图，所述三角路径为若干节点构成一个三角的路径。
虽然图中三角路径直方图是一个基于体素的特征集，但它也是从给定图像中提取的图形结构派生出来的。图形结构可以简单地从目标结构(例如，血管系统)的二值图像中提取。
图中三角路径直方图特征集是基于节点与其每个相邻节点对之间的最短路径距离的三维直方图在给定图形中的每个节点(即每个体素)处定义。该特征向量有效地编码了节点周围的局部图网络模式。由于图中三角路径直方图不使用任何三维细化算法，因此它不存在错误节点识别的问题。虽然图中三角路径直方图特征特别擅长描述分支血管结构，但它们也可以描述突起状或结节状结构。
图中三角路径直方图功能强大，单个图中三角路径直方图特征集足以使用单个支持向量机分类器正确检测脑动脉瘤。图中三角路径直方图特征对非刚性变换具有鲁棒性，可以有效地编码分支血管结构和突起状结构。在任意无向图的每个节点上定义一个图中三角路径直方图特征集。
在步骤S240中，还包括：
顶点集为V的无向图G，设两顶点i，j∈V之间的最短路径长度为dist(i，j)，所述最短路径为沿图G的边的方向的路径；
预先设置自然数t＝(d01，d02，d12)的三元组；
三元组t在节点i处的三角路径直方图特征值定义为最短路径距离的节点满足(j，k)∈V×V的条件，所述条件为：
dist(i，j)＝d01
dist(i，k)＝d02
dist(j，k)＝d12
三角路径直方图特征值H(i；t)定义为：
H(i；t)
＝|{(i，k)∈V×V|dist(i，j)
＝d01，dist(i，k)＝d02，dist(j，k)＝d12}|
其中|·|是给定集合的元素数
三角路径直方图特征值H(i；t)由一系列的三元组
Figure BDA0002942687530000111
定义为
Figure BDA0002942687530000112
三元组的序列被确定为满足d01≤nmax和d02≤nmax条件的所有距离组合。例如，假如nmax＝2,
Figure BDA0002942687530000121
例如，假如nmax＝3,
Figure BDA0002942687530000122
依次得出图中三角路径直方图特征计算模型，如图7所示。
本发明还采用了多分辨率策略。给定的二进制体积将被重新缩放0.5倍。然后，使用收缩体积，计算图中三角路径直方图特征。然后，将这些特征传回到原始体素。
本发明还使用了两种著名的基于Hessian推导的体素的特征(形状指数和点增强过滤器)来评估协作使用两种不同类型特征的有效性，即基于灰度的和基于图形的特征集。
对所述原始图像进行处理，获取原始图像中的所有节点，所述节点为大于预设体素值的点包括：
将节点增强滤波器配置为以下公式：
Figure BDA0002942687530000123
其中1，λ2，λ3是Hessian矩阵的特征值；
形状指数配置为：
Figure BDA0002942687530000124
其中k1和k2是主曲率；
基于以上步骤，对体素进行处理的特征进行处理。
在每个特征向量被线性支持向量机分类器评价之前，通过核计算将其映射到高维空间。本发明使用显式特征映射方法来解决这个问题。在显式特征映射方法中，每个图中三角路径直方图特征向量采用指数-2的近似有限特征映射。
同时，利用高斯核映射基于Hessian矩阵的特征向量。这种显式特征映射的目的是大大减少计算时间，同时使用两种不同的核(即指数-X2核和高斯核)。具体来说，首先将所有基于直方图的图中三角路径直方图变量乘以一个因子，使每个特征的标准差变为1。此外，所有基于灰度的特征都被线性归一化，使得它们的平均值和标准差分别为0和wgray。wgray参数控制基于直方图的图中三角路径直方图特征和基于灰度的特征之间的权重。还要注意的是，平均值和标准差是预先从所有训练数据集中计算出来的。
本发明使用线性支持向量机作为基于体素的分类器。在培训阶段之前准备了基础真值标签卷。使用这些基础真值标签卷，前景体素被划分为正类和负类。为了避免正负样本量的不平衡，对负样本进行随机下采样，使每种情况下只保留0.5％的负样本。最后，从所有训练样本中收集所有正、负体素，训练支持向量机。
本发明的实施例1还包括以下步骤：
将所有基于直方图的图中三角路径直方图变量乘以一个因子，使每个特征的标准差变为1；
所有体素基于灰度的特征都被线性归一化，使得体素的平均值和标准差分别为0和wgray；
其中，wgray参数控制基于直方图的图中三角路径直方图特征和基于灰度的特征之间的权重。
所述平均值和\或标准差是预先设置和\或从先前所有训练数据集得到的。
通过窗口间隔为[0，450]和[-50，650]的标准处理所述原始图像，去除骨骼的CTA图像；
使用预设阈值的窗口查找血管的初始区域，将最大连通性区域保留为血管的最终区域；
基于所述最终区域中体素亮度的直方图，获得相应的剪切间隔对所述原始图像裁剪进行归一化处理。
图中三角路径直方图和Hessian矩阵的图像特征具有协同效应。本发明算法模型中图中三角路径直方图特征能够与各种现有的图像特征协同工作。本发明同时利用图中三角路径直方图和基于深度学习的特性。另一个重要特征是图中三角路径直方图图像特征对平移和镜像具有不变性，对旋转和小的局部变形具有鲁棒性。这是因为特征集仅来自于一个图结构，当局部发生小变形时，该结构不会发生显著变化。
本发明与基于深度学习的方法中经常使用的人工数据放大技术相比，本发明基于图中三角路径直方图的方法不需要任何数据放大(例如旋转、非刚性变形)因此，图中三角路径直方图特征集在检测任务中可以成功地区分血管结构和非血管结构。同时，图中三角路径直方图有效地捕捉人体器官的拓扑分支模式。在推断阶段，通过合并均匀采样的预测来生成整个图像的分割预测。两个相邻的面片可能有1/8重叠。
为了检测在默认窗口间隔为[0，900]裁剪的某些低对比度图像中的颅内动脉瘤，使用了另外两个间隔[0，450]和[-50，650]来标准化源图像。该设置是根据亮度分布自动选择的。给定去除骨骼的CTA图像，使用阈值(例如150Hu)查找血管的初始区域，然后将最大连通性区域保留为血管的最终区域。分析该区域中体素亮度的直方图，以找到合适的剪切间隔。本发明计算了[0，200]，[200，300]和[300，500]这三个间隔的分布，它们对应于[0，450]，[-50、650]和[0，900]。最后，选择与支配分布间隔相对应的裁剪间隔以对源图像进行归一化。
本发明还提供一种CTA影像数据处理装置，为实施例1中的第三处理步骤，所述第三处理步骤包括：包括：
接收模块，用于接收CTA影像数据，所述CTA影像数据包括一个或多个原始图像；
处理模块，用于对所述原始图像进行处理，获取原始图像中的所有节点，所述节点为大于预设体素值的点；
生成模块，用于将原始图像中每两个相邻节点相连生成节点框架图；
获取模块，用于获取节点框架图中的三角路径得到三角路径直方图，所述三角路径为若干节点构成一个三角的路径。
在一个实施例中，所述获取模块还用于执行以下步骤，包括：
顶点集为V的无向图G，设两顶点i，j∈V之间的最短路径长度为dist(i，j)，所述最短路径为沿图G的边的方向的路径；
预先设置自然数t＝(d01，d02，d12)的三元组；
三元组t在节点i处的三角路径直方图特征值定义为最短路径距离的节点满足(j，k)∈V×V的条件，所述条件为：
dist(i，j)＝d01
dist(i，k)＝d02
dist(j，k)＝d12
三角路径直方图特征值H(i；t)定义为：
H(i；t)
＝|{(i，k)∈V×V|dist(i，j)
＝d01，dist(i，k)＝d02，dist(j，k)＝d12}|
其中|·|是给定集合的元素数
三角路径直方图特征值H(i；t)由一系列的三元组
Figure BDA0002942687530000151
定义为
Figure BDA0002942687530000152
实施例4
本发明提供一种CTA影像数据识别方法，如图9所示，包括：
步骤S310、接收预处理后的图像，所述预处理后的图像中仅包含动脉图形；
步骤S320、对动脉图形中的每个体素进行预测，得到动脉图形中每个体素为动脉瘤的概率；
步骤S330、将体素为动脉瘤的概率大于预设值的标记位动脉瘤。
上述的步骤S310至步骤S330通过HCNN模型执行处理，如图10所示HCNN模型，HCNN模型为具有编码器-解码器结构的CNN；
所述编码器用于将一个卷映射为抽象的低分辨率的编码；
所述解码器用于将所述编码扩展为一个全分辨率的分割卷。
本发明开发并应用神经网络分割模型(HCNN模型)，该模型能够在头颅计算机断层血管造影(CTA)成像上生成颅内动脉瘤的精确逐个体素预测，通过第二步获取的预处理图像后，进行颅内动脉瘤分割和识别。在本发明的设计、开发和训练过程中，使用了大量头部CIA数据的训练集来开发三维卷积神经网络体系结构，以生成动脉瘤分割。神经网络的功能是将参数构造为一系列的层，以学习不同的抽象级别。卷积神经网络是设计用于处理图像数据的一种神经网络，而三维卷积神经网络特别适合处理图像序列或体积。
其中所述编码器从一个50层SE-ResNeXt网络，适应解码器是3×3的卷积转置的序列；
编码器是预训练的动力学数据集，在对编码器进行预训练之后，删除所述编码器最后的3个卷积块和输出层，并添加空间金字塔池层和解码器。
HCNN模型是具有编码器-解码器结构的CNN，其中，编码器将一个卷映射为抽象的低分辨率编码，而解码器将该编码扩展为一个全分辨率的分割卷。分割体积与相应研究的大小相同，并指定每个体素的动脉瘤概率，这是三维体积的原子单位，类似于二维图像中的像素。编码器从一个50层SE-ResNeXt网络，适应解码器是3×3的卷积转置的序列。
编码器是预训练的动力学数据集，在对编码器进行预训练之后，删除了最后的3个卷积块和输出层。取而代之的是，添加了一个空间金字塔池层和解码器。通过第二步进行的图像预处理，动脉瘤在邻近投影图像上得到了清晰的显示，利用HCNN模型从邻近投影图像中检测动脉瘤。HCNN模型的一个重要特点是能够检测具有可变矩形盒的目标物体，这使得它能够检测各种大小的动脉瘤。这一特征是动脉瘤检测的一个重要因素，因为在本发明的数据集中，患者之间的脑动脉瘤大小差异很大，从1毫米到24毫米不等。
其中，HCNN模型通过以下步骤进行训练，包括：
预先设置训练样本，所述训练样本包括邻近投影图像以及在图像中所有带注释的动脉瘤位置；
模型基于所述训练样本进行训练，得到一组矩形框，矩形框包括图像上的动脉瘤以及每个动脉瘤为真阳性的概率；
对投影图像进行水平翻转扩充训练数据集后，再次进行训练。
HCNN模型训练检测动脉瘤时，使用选定的邻近投影图像和所有带注释的动脉瘤位置对系统进行全面监控。模型导出了一组矩形框，其中包括图像上的动脉瘤以及每个动脉瘤为真阳性(动脉瘤)的概率。使用水平翻转来扩充训练数据集。搜索所需的时间切片时间为0.08秒。每个病例的总测试时间为8-24秒，每个病例100-300片。
本发明基于体素的特征“斑点过滤器”可以用于脑动脉瘤检测。尽管引入了大量的图像特征，但没有可以解决所有问题的“一站式”特征解决方案。计算机辅助设计人员通常手动选择现有特征或新设计的专用特征，图像特征的选择和设计往往对算法的整体性能有很大的影响。由于为每个问题开发一个新的专用图像特征是一项困难的任务，因此更简单的方法是使用更通用、更知名的图像特征并搜索它们的最佳组合。从这个意义上说，通用可用性是图像特征的理想属性。三维图像特征可以分为基于体素的特征和基于区域的特征。基于体素的特征是逐体素计算的，每个体素有一个特征值。在这个意义上，基于体素的特征可以看作是一个线性或非线性的图像滤波器。例如，非线性滤波器常用于颅内动脉瘤的检测。使用滑动窗口技术的基于面片的特征计算也可以被视为基于体素的特征，具有滑动窗口技术的深度卷积神经网络(HCNN)可以用作基于体素的特征生成器。
基于体素的特征被用来检测和分割颅内动脉瘤。首先，大量候选体素由先前使用的基于体素的分类器确定。然后对这些候选对象进行集成和分割(例如，通过标记、阈值和区域生长)，以便每个候选对象都有特定的区域。最后，通过基于区域的分类器将每个区域分类为真阳性或假阳性。本方法是一种基于区域的突起(如动脉瘤)检测方法。在突起检测中，特征通常是从图形结构中提取的，而图形结构是使用三维细化(骨架化)技术从血管形状掩模中提取的。在这种方法中，每个分支或端点都是计算特征的目标，动脉瘤可以被检测为异常短的分支。
还包括：将所有标记位动脉瘤的结果进行汇总，输出最终动脉瘤的检测结果。
动脉瘤检测结果输出。根据第三步图像分割和识别的结果，对临床输出最终动脉瘤的检测结果。该系统具有比放射科医生和神经外科医生更高的患者水平敏感性和病变水平敏感性，可以针对潜在颅内动脉瘤进行风险预警，提示放射科医生。
本发明的实施例1还提供一种CTA影像数据识别装置，如图11所示，包括：
接收模块，用于接收预处理后的图像，所述预处理后的图像中仅包含动脉图形；
预测模块，用于对动脉图形中的每个体素进行预测，得到动脉图形中每个体素为动脉瘤的概率；
标记模块，用于将体素为动脉瘤的概率大于预设值的标记位动脉瘤。
在一个实施例中，所述接收模块、预测模块以及预测模块构成HCNN模型，所述HCNN模型为具有编码器-解码器结构的CNN；
所述编码器用于将一个卷映射为抽象的低分辨率的编码；
所述解码器用于将所述编码扩展为一个全分辨率的分割卷。
在一个实施例中，其中所述编码器从一个50层SE-ResNeXt网络，适应解码器是3×3的卷积转置的序列；
编码器是预训练的动力学数据集，在对编码器进行预训练之后，删除所述编码器最后的3个卷积块和输出层，并添加空间金字塔池层和解码器。
在一个实施例中，所述HCNN模型通过以下单元进行训练，包括：
预先设置单元，用于预先设置训练样本，所述训练样本包括邻近投影图像以及在图像中所有带注释的动脉瘤位置；
训练单元，模型基于所述训练样本进行训练，得到一组矩形框，矩形框包括图像上的动脉瘤以及每个动脉瘤为真阳性的概率；
扩充单元，用于对投影图像进行水平翻转扩充训练数据集后，再次进行训练。
本发明相对于传统动脉瘤识别的优点：
1.本发明可以通过CTA图像高效筛查出动脉瘤，检测速度、诊断有效率、敏感性和特异性均超过普通放射科医师，能够提高放射科医师日常工作效率，避免误诊。
2.CTA图像的骨骼和增强静脉图像会影响动脉瘤的诊断，本发明的图像预处理算法，可以有效剔除骨骼和静脉图像，提高有效诊断率，避免假阳性。
3.不同患者的动脉瘤患病率差异非常大，从普通人(3％-7％)到蛛网膜下腔出血患者(85％)，HCNN模型能有效应对差异巨大的动脉瘤诊断，检测结果稳定。
本发明通过将敏感性和特异性给放射科医生进行评估，使放射科医生知道动脉瘤的状况。灵敏度表示总动脉瘤阳性病例中阴性结果的数量，特异性表示总动脉瘤阴性病例中阳性结果的数量，准确度表示所有测试病例中阳性和阴性结果的数量。
为了确定结果的稳健性以及结果是否归因于使用的放射科医生，本发明进行了敏感性分析，并对敏感性，特异性和准确性的差异进行了T检验。数据如果是正态分布，则定量变量表示为均值±SD，而当使用非正态分布数据时，则使用中位数和四分位间距。分类变量表示为频率或百分比。
为了评估算法检测的性能，在每个队列中分别评估了模型正确显示患者的准确性，患者水平敏感性，特异性，诊断有效性，并使用95％Wilson评分置信区间评估了变异性。在包含357个动脉瘤的测试数据集中，本发明成功地检测到了92.9％的动脉瘤。由于采用了灵活的决策区方法，该模型在检测各种大小的动脉瘤时表现良好。建议的边界框可以自动拟合动脉瘤的大小。本发明对于直径大于3毫米的动脉瘤，总灵敏度为96.7％。
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CTA影像数据处理方法，其特征在于，包括：
接收CTA影像数据，所述CTA影像数据包括一个或多个原始图像；
基于预设的三维CNN网络模型对所述原始图像进行处理，去除原始图像中的骨骼图形、静脉图形得到仅存在动脉图形的修正图像。
2.根据权利要求1所述的CTA影像数据处理方法，其特征在于，
所述基于预设的三维CNN网络模型对所述原始图像进行处理，去除原始图像中的骨骼图形、静脉图形得到仅存在动脉图形的修正图像包括：
对所述原始图像进行处理，得到所述原始图像中的多个图形，所述图形为骨骼图形、静脉图形以及动脉图形中的任意一个或多个；
获取每个图形中各个像素点的灰度值得到与该图形相对应的平均灰度值，将平均灰度值大于预设值的图形作为骨骼图形、静脉图形进行删除，得到分割图像。
3.根据权利要求1所述的CTA影像数据处理方法，其特征在于，
所述基于预设的三维CNN网络模型对所述原始图像进行处理，去除原始图像中的骨骼图形、静脉图形得到仅存在动脉图形的修正图像包括：
基于邻近投影的方法得到所述修正图像；
所述CTA影像数据处理方法还包括第二处理步骤和第三处理步骤。
4.根据权利要求1所述的CTA影像数据处理方法，其特征在于，
所述接收CTA影像数据包括：
基于DICOM服务器获取CTA的DICOM格式的原始图像序列。
5.根据权利要求1所述的CTA影像数据处理方法，其特征在于，
所述三维CNN网络模型包括编码器-解码器体系结构、基础模块以及双重审核模块，包括：
所述编码器-解码器体系结构用于从原始图像到分段蒙版的平滑渐变过渡；
所述础模块用于以允许稳定训练以增加模型的网络深度；
所述双重审核模块用于学习远程上下文信息以获得更可靠的特征表示。
6.根据权利要求5所述的CTA影像数据处理方法，其特征在于，
对所述三维CNN网络模型通过以下步骤进行训练，包括：
随机采集3D图像补丁，所述3D图像补丁的尺寸为80×80×80；
对所述3D图像补丁进行处理得到训练样本集，使3D图像补丁中百分之五十的贴片包含动脉瘤，另外百分之五十的贴片不包含动脉瘤；
基于所述训练样本集对所述三维CNN网络模型进行训练。
7.根据权利要求6所述的CTA影像数据处理方法，其特征在于，
对所述3D图像补丁进行处理前，还包括：
对CTA影像数据进行旋转、缩放、翻转中的任意一种或多种方式进行处理，在CTA影像数据经过旋转、缩放、翻转后得到3D图像补丁；
在3D图像补丁到达网络前，将所述3D图像补丁裁剪为[0，900]霍恩斯菲尔德单位，然后将其标准化为[-1，1]。
8.根据权利要求6所述的CTA影像数据处理方法，其特征在于，
所述三维CNN网络模型的训练过程包括多个周期，在每一个训练周期完成后乘以
Figure FDA0002942687520000021
其中，初始学习率为0.0001，训练周期为100。
9.一种CTA影像数据处理装置，其特征在于，包括：
接收模块，用于接收CTA影像数据，所述CTA影像数据包括一个或多个原始图像；
修正模块，用于基于预设的三维CNN网络模型对所述原始图像进行处理，去除原始图像中的骨骼图形、静脉图形得到仅存在动脉图形的修正图像。
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。
CN202110183278.7A 2021-02-10 2021-02-10 Cta影像数据处理方法、装置及存储介质 Active CN112862787B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110183278.7A CN112862787B (zh) 2021-02-10 2021-02-10 Cta影像数据处理方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110183278.7A CN112862787B (zh) 2021-02-10 2021-02-10 Cta影像数据处理方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN112862787A true CN112862787A (zh) 2021-05-28
CN112862787B CN112862787B (zh) 2022-11-15

Family

ID=75989699

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110183278.7A Active CN112862787B (zh) 2021-02-10 2021-02-10 Cta影像数据处理方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112862787B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171711A (zh) * 2018-01-17 2018-06-15 深圳市唯特视科技有限公司 一种基于完全卷积网络的婴幼儿脑部磁共振图像分割方法
CN109919961A (zh) * 2019-02-22 2019-06-21 北京深睿博联科技有限责任公司 一种用于颅内cta图像中动脉瘤区域的处理方法及装置
CN109993809A (zh) * 2019-03-18 2019-07-09 杭州电子科技大学 基于残差U-net卷积神经网络的快速磁共振成像方法
CN111091573A (zh) * 2019-12-20 2020-05-01 广州柏视医疗科技有限公司 基于深度学习的ct影像肺血管的分割方法及系统
CN111340789A (zh) * 2020-02-29 2020-06-26 平安科技（深圳）有限公司 眼底视网膜血管识别及量化方法、装置、设备及存储介质
CN111739034A (zh) * 2020-06-28 2020-10-02 北京小白世纪网络科技有限公司 基于改进的3D Unet的冠状动脉区域分割系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171711A (zh) * 2018-01-17 2018-06-15 深圳市唯特视科技有限公司 一种基于完全卷积网络的婴幼儿脑部磁共振图像分割方法
CN109919961A (zh) * 2019-02-22 2019-06-21 北京深睿博联科技有限责任公司 一种用于颅内cta图像中动脉瘤区域的处理方法及装置
CN109993809A (zh) * 2019-03-18 2019-07-09 杭州电子科技大学 基于残差U-net卷积神经网络的快速磁共振成像方法
CN111091573A (zh) * 2019-12-20 2020-05-01 广州柏视医疗科技有限公司 基于深度学习的ct影像肺血管的分割方法及系统
CN111340789A (zh) * 2020-02-29 2020-06-26 平安科技（深圳）有限公司 眼底视网膜血管识别及量化方法、装置、设备及存储介质
CN111739034A (zh) * 2020-06-28 2020-10-02 北京小白世纪网络科技有限公司 基于改进的3D Unet的冠状动脉区域分割系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ANGE LOU；SHUYUE GUAN ET AL.: "《Segmentation of Infrared Breast Images Using MultiResUnet Neural Networks》", 《IEEE》 *

Also Published As

Publication number Publication date
CN112862787B (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
EP3770850B1 (en) Medical image identifying method, model training method, and computer device
Larrazabal et al. Post-DAE: anatomically plausible segmentation via post-processing with denoising autoencoders
Chan et al. Effective pneumothorax detection for chest X‐ray images using local binary pattern and support vector machine
CN111325739B (zh) 肺部病灶检测的方法及装置，和图像检测模型的训练方法
WO2019200753A1 (zh) 病变监测方法、装置、计算机设备和存储介质
US7672497B2 (en) Computer aided disease detection system for multiple organ systems
EP3791316A1 (en) Localization and classification of abnormalities in medical images
US20220198230A1 (en) Auxiliary detection method and image recognition method for rib fractures based on deep learning
Zhang et al. Intelligent scanning: Automated standard plane selection and biometric measurement of early gestational sac in routine ultrasound examination
EP3369072A1 (en) Learning-based spine vertebra localization and segmentation in 3d ct
US20130136322A1 (en) Image-Based Detection Using Hierarchical Learning
RU2654199C1 (ru) Сегментация тканей человека на компьютерном изображении
US9269139B2 (en) Rib suppression in radiographic images
JP2015528372A (ja) 医用画像中の肺結節を自動検出するためのシステム及び方法
JP7350582B2 (ja) モデル学習用のシステム、装置、及び学習方法
Maiora et al. Abdominal CTA image analisys through active learning and decision random forests: Aplication to AAA segmentation
US20120321169A1 (en) Shape Based Conditional Random Fields for Segmenting Intracranial Aneurysms
Osadebey et al. Three-stage segmentation of lung region from CT images using deep neural networks
WO2023207743A1 (zh) 图像检测方法、装置、计算机设备、存储介质及程序产品
Tummala et al. Liver tumor segmentation from computed tomography images using multiscale residual dilated encoder‐decoder network
CN115100494A (zh) 一种病灶图像的识别方法、装置、设备及可读存储介质
Wang et al. Automatic measurement of fetal head circumference using a novel GCN-assisted deep convolutional network
CN112862786B (zh) Cta影像数据处理方法、装置及存储介质
CN112862785B (zh) Cta影像数据识别方法、装置及存储介质
Delmoral et al. Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study

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