CN112927196B - 钙化积分方法及装置 - Google Patents

钙化积分方法及装置 Download PDF

Info

Publication number
CN112927196B
CN112927196B CN202110181939.2A CN202110181939A CN112927196B CN 112927196 B CN112927196 B CN 112927196B CN 202110181939 A CN202110181939 A CN 202110181939A CN 112927196 B CN112927196 B CN 112927196B
Authority
CN
China
Prior art keywords
cta
image
level
pixel value
mapping relation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110181939.2A
Other languages
English (en)
Other versions
CN112927196A (zh
Inventor
黄星胜
李璟
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 CN202110181939.2A priority Critical patent/CN112927196B/zh
Publication of CN112927196A publication Critical patent/CN112927196A/zh
Application granted granted Critical
Publication of CN112927196B publication Critical patent/CN112927196B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G06T2207/10—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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请提供了一种钙化积分方法及装置，预先确定CTA水平的钙化积分参数与平扫CT水平的钙化积分参数之间的映射关系，所述方法包括：获取通过扫描目标对象所得到的目标CTA图像；基于所述映射关系对所述目标CTA图像进行图像处理，得到所述目标对象平扫CT水平的钙化积分分数。本申请实施例能够提高钙化积分的精细度。

Description

钙化积分方法及装置
技术领域
本申请涉及医疗领域，具体涉及一种钙化积分方法及装置。
背景技术
在医疗领域中，常常需要根据对患者的平扫CT图像进行钙化积分，以根据钙化积分分数对患者进行医疗诊断。现有技术中，钙化积分均是建立在平扫CT图像的基础上进行的。而由于平扫CT图像的视野有限，所能提供的图像信息有限，从而导致现有技术所进行的钙化积分较为粗糙，医疗诊断效果随之大打折扣。
发明内容
本申请的一个目的在于提出一种钙化积分方法及装置，能够提高钙化积分的精细度。
根据本申请实施例的一方面，公开了一种钙化积分方法，预先确定CTA水平的钙化积分参数与平扫CT水平的钙化积分参数之间的映射关系，所述方法包括：
获取通过扫描目标对象所得到的目标CTA图像；
基于所述映射关系对所述目标CTA图像进行图像处理，得到所述目标对象平扫CT水平的钙化积分分数。
根据本申请实施例的一方面，公开了一种钙化积分装置，预先确定CTA水平的钙化积分参数与平扫CT水平的钙化积分参数之间的映射关系，所述装置包括：
图像获取模块，配置为获取通过扫描目标对象所得到的目标CTA图像；
钙化积分模块，配置为基于所述映射关系对所述目标CTA图像进行图像处理，得到所述目标对象平扫CT水平的钙化积分分数。
在本申请的一示例性实施例中，所述装置配置为：预先基于血管分割模型所分割出的血管区域，确定在同一血管区域CTA水平的钙化积分参数与平扫CT水平的钙化积分参数之间的映射关系。
在本申请的一示例性实施例中，所述装置配置为：预先基于血管分割模型所分割出的血管区域，确定在同一血管区域CTA水平的钙化积分参数与平扫CT水平的钙化积分参数之间的映射关系。
在本申请的一示例性实施例中，所述装置配置为：
于所述目标CTA图像定位所述目标对象的血管区域；
基于对所述血管区域进行的膨胀处理，于所述目标CTA图像定位膨胀后血管区域；
基于所述映射关系对所述膨胀后血管区域进行图像处理，得到所述目标对象平扫CT水平的钙化积分分数。
在本申请的一示例性实施例中，所述装置配置为：
预先确定CTA水平的像素值与平扫CT水平的像素值之间的像素值映射关系；
基于所述目标CTA图像CTA水平的CTA像素值以及所述像素值映射关系，预估所述目标CTA图像平扫CT水平的平扫CT像素值；
基于所述平扫CT像素值，得到所述目标对象平扫CT水平的钙化积分分数。
在本申请的一示例性实施例中，所述装置配置为：
获取样本对象的样本CTA图像以及所述样本对象的样本平扫CT图像；
确定所述样本CTA图像与所述样本平扫CT图像之间的空间映射关系；
基于所述空间映射关系，确定所述像素值映射关系。
在本申请的一示例性实施例中，所述装置配置为：
基于关键点检测，定位所述样本CTA图像所包含的第一关键点以及所述样本平扫CT图像所包含的第二关键点；
基于所述第一关键点与所述第二关键点相互匹配，确定所述空间映射关系。
在本申请的一示例性实施例中，所述装置配置为：
基于所述样本CTA图像的层间距以及所述样本平扫CT图像的层间距，上采样所述样本平扫CT图像得到上采样平扫CT图像，其中，所述上采样平扫CT图像的层间距与所述样本CTA图像的层间距保持一致；
基于所述空间映射关系，对所述样本CTA图像以及所述上采样平扫CT图像的同层图像进行像素映射，得到CTA水平的像素值与所映射的平扫CT水平的像素值组成的像素对；
基于对所述像素对的拟合处理或者回归处理，得到所述像素值映射关系。
在本申请的一示例性实施例中，所述装置配置为：
按照预设的划分比例，将所述像素对划分为训练像素对以及测试像素对；
对所述训练像素对进行拟合处理，并根据拟合结果得到候选映射关系；
采用所述测试像素对测试所述候选映射关系，并根据测试结果从所述候选映射关系中筛选出所述像素值映射关系。
在本申请的一示例性实施例中，所述装置配置为：
采用预设的回归函数对所述像素对进行回归处理，构建通过CTA水平的像素值向平扫CT水平的像素值回归所得到的预测值；
根据所述预测值与平扫CT水平的像素值之间的损失函数，不断优化所述回归函数直到所述损失函数满足预设的优化条件，并将损失函数满足所述优化条件的回归函数所描述的映射关系作为所述像素值映射关系。
在本申请的一示例性实施例中，所述装置配置为：
基于所述平扫CT像素值，三维重建所述目标CTA图像中的钙化区域；
将所述平扫CT像素值在所述钙化区域进行积分，得到候选钙化积分分数；
基于CTA图像与平扫CT图像之间的层间距映射关系以及图像尺寸映射关系，确定CTA图像与平扫CT图像在同一三维区域的体积映射关系；
基于所述体积映射关系，将所述候选钙化积分分数转换为所述目标对象平扫CT水平的钙化积分分数。
在本申请的一示例性实施例中，所述装置配置为：基于对所述平扫CT像素值进行的阈值对比或者聚类，三维重建所述目标CTA图像中的钙化区域。
在本申请的一示例性实施例中，所述装置配置为：
预先确定CTA水平的钙化积分分数与平扫CT水平的钙化积分分数之间的分数映射关系；
基于所述目标CTA图像CTA水平的CTA像素值，得到所述目标对象CTA水平的钙化积分分数；
基于所述分数映射关系以及所述目标对象CTA水平的钙化积分分数，得到所述目标对象平扫CT水平的钙化积分分数。
根据本申请实施例的一方面，公开了一种钙化积分电子设备，包括：存储器，存储有计算机可读指令；处理器，读取存储器存储的计算机可读指令，以执行以上权利要求中的任一个所述的方法。
根据本申请实施例的一方面，公开了一种计算机程序介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行以上权利要求中的任一个所述的方法。
本申请实施例中，在实际投入医疗诊断的实践阶段中，无需获取被扫描对象的平扫CT图像，即可得到该被扫描对象平扫CT水平的钙化积分分数。由于CTA图像相比于平扫CT图像能够提供更为丰富的图像信息，因此，本申请实施例在CTA图像基础上所进行的钙化积分更为精细，得到的钙化积分分数更为准确。
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。
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的，并不能限制本申请。
附图说明
通过参考附图详细描述其示例实施例，本申请的上述和其它目标、特征及优点将变得更加显而易见。
图1示出了根据本申请一个实施例的在实践阶段部分的钙化积分方法流程图。
图2示出了根据本申请一个实施例的血管膨胀示意图。
图3示出了根据本申请一个实施例的基于像素值映射关系进行钙化积分的流程示意图。
图4示出了根据本申请一个实施例的钙化积分装置的框图。
图5示出了根据本申请一个实施例的钙化积分电子设备的硬件图。
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，提供这些示例实施方式使得本申请的描述将更加全面和完整，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。附图仅为本申请的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
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示例实施方式中。在下面的描述中，提供许多具体细节从而给出对本申请的示例实施方式的充分理解。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省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、步骤等。在其它情况下，不详细示出或描述公知结构、方法、实现或者操作以避免喧宾夺主而使得本申请的各方面变得模糊。
附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。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。
本申请提出了一种钙化积分方法，涉及图像处理领域中的平扫CT(ComputedTomography，计算机断层扫描)技术以及CTA(Computed Tomographic Angiography，计算机断层摄影血管造影)技术，主要应用于医疗领域中对人体组织的钙化区域进行像素值积分，从而根据积分得到的钙化积分分数(Agatston score)进行医疗诊断。
平扫CT指的是不使用造影剂，单纯地对人体组织进行扫描。
CTA指的是将增强CT技术与其他CT扫描技术(例如：薄层扫描技术、大范围扫描技术、快速扫描技术等)相结合对人体组织进行扫描。CTA在扫描后可进一步通过后处理清晰显示出人体组织内血管结构。其中，增强CT指的是使用造影剂对人体组织进行扫描。
相比于平扫CT图像，CTA图像能够从更为丰富的视野提供更为丰富的图像信息；与此同时，在实际应用中，用于医疗诊断的钙化积分分数需要保持平扫CT水平。出于提高钙化积分精细度的目的，本申请提出了一种钙化积分方法。本申请所提出的钙化积分方法的执行过程可分为两个部分：训练阶段、实践阶段。
训练阶段的目的在于在实践阶段之前，预先确定CTA水平的钙化积分参数与平扫CT水平的钙化积分参数之间的映射关系。钙化积分参数指的是在钙化积分过程中所涉及的参数，例如：被积分的像素值、积分所得到的钙化积分分数等。
图1示出了本申请一实施例的在实践阶段部分的钙化积分方法流程图。如图所示，在实践阶段部分的钙化积分方法包括：
步骤S110、获取通过扫描目标对象所得到的目标CTA图像；
步骤S120、基于映射关系对该目标CTA图像进行图像处理，得到该目标对象平扫CT水平的钙化积分分数。
实践阶段的目的在于针对特定的目标对象进行钙化积分。实践阶段过程中：获取目标CTA图像，进而基于训练阶段所确定的映射关系对目标CTA图像进行图像处理，从得到该目标对象平扫CT水平的钙化积分分数。
由此可见，本申请实施例中，在实际投入医疗诊断的实践阶段中，无需获取被扫描对象的平扫CT图像，即可得到该被扫描对象平扫CT水平的钙化积分分数。由于CTA图像相比于平扫CT图像能够提供更为丰富的图像信息，因此，本申请实施例在CTA图像基础上所进行的钙化积分更为精细，得到的钙化积分分数更为准确。
而且，由于在实践阶段中无需获取被扫描对象的平扫CT图像，因此被扫描对象在进行CT检查时只需做CTA，无需再额外去做平扫CT。
需要说明的是，本申请实施例中训练阶段所确定的映射关系相对于实践阶段属于可重复调用的先验知识，是普适的，并不局限于特定被扫描对象。因此，一般情况下，执行了一次的训练阶段可用于支持多次的实践阶段。
在对本申请实施例进行详细描述之前，首先对本申请所涉及的部分概念进行简要解释说明。
目标对象指的是实践阶段作为钙化积分目标的对象。
目标CTA图像指的是通过扫描目标对象所得到的CTA图像。
样本对象指的是训练阶段作为映射关系解析来源的对象。
样本CTA图像指的是通过扫描样本对象所得到的CTA图像。
样本平扫CT图像指的是通过扫描样本对象所得到的平扫CT图像。
CTA像素值指的是CTA水平的像素值。
平扫CT像素值指的是平扫CT水平的像素值。
下面对本申请实施例进行详细描述。
在一实施例中，训练阶段在血管区域确定映射关系。
该实施例中，训练阶段通过预设的血管分割模型分割出样本对象的血管区域，进而确定在该血管区域CTA水平的钙化积分参数与平扫CT水平的钙化积分参数之间的映射关系。
进而，实践阶段基于训练阶段在血管区域所确定的映射关系对目标CTA图像进行图像处理，得到目标对象平扫CT水平的钙化积分分数。
例如：训练阶段通过血管分割模型分割出样本对象的冠脉区域，进而确定该冠脉区域的CTA像素值与平扫CT像素值的像素值映射关系。进而，实践阶段基于在冠脉区域的像素值映射关系对目标CTA图像进行图像处理，得到目标对象平扫CT水平的钙化积分分数。
该实施例的优点在于，通过训练阶段在血管区域确定映射关系，使得训练阶段所确定映射关系更加适应于描述血管区域，间接提高了实践阶段所得钙化积分分数对于血管区域钙化状态的描述程度。
在一实施例中，实践阶段通过对血管区域进行图像处理得到目标对象平扫CT水平的钙化积分分数。
该实施例中，实践阶段获取到目标CTA图像后，于该目标CTA图像定位该目标对象的血管区域；进而对该血管区域进行膨胀处理，于该目标CTA图像定位膨胀后血管区域；进而基于训练阶段所确定的映射关系对该膨胀后血管区域进行图像处理，得到目标对象平扫CT水平的钙化积分分数。
例如：训练阶段预先确定CTA像素值与平扫CT像素值之间的像素值映射关系。实践阶段获取到目标CTA图像后，于该目标CTA图像定位该目标对象的冠脉区域，并基于训练阶段所确定的像素值映射关系确定目标CTA图像的平扫CT像素值；进而在目标CTA图像的平扫CT像素值的基础上，根据预设的膨胀步长以及膨胀次数对该冠脉区域进行膨胀处理，于该目标CTA图像定位膨胀后冠脉区域；进而基于目标CTA图像的平扫CT像素值对该膨胀后冠脉区域进行图像处理，得到目标对象平扫CT水平的钙化积分分数。
该实施例的优点在于，通过实践阶段对膨胀后血管区域进行图像处理，使得所得钙化积分分数精确描述膨胀后血管区域钙化状态。另外，参考图2所示本申请一实施例血管膨胀示意图，可见，对于血管区域进行膨胀处理，使得膨胀后血管区域既能够覆盖血管内钙化区域，也能够覆盖血管外钙化区域，从而在膨胀后血管区域所作钙化积分能够全面覆盖血管周围的钙化区域，提高钙化积分的覆盖率。
需要说明的是，该实施例中，训练阶段所确定的映射关系也可以是在血管区域所确定的，从而进一步提高所得钙化积分分数对于血管区域的描述精准度。例如：训练阶段在样本对象的冠脉区域，确定在冠脉区域的像素值映射关系；进而实践阶段基于在冠脉区域的像素值映射关系确定目标CTA图像的平扫CT水平像素，进而在此基础上对目标CTA图像中的膨胀后冠脉区域进行图像处理，得到目标对象平扫CT水平的钙化积分分数。
下面对本申请实施例中基于像素值映射关系进行钙化积分的详细过程进行描述。
在一实施例中，钙化积分过程中所涉及的钙化积分参数包括像素值。
该实施例中，训练阶段确定CTA像素值与平扫CT像素值之间的像素值映射关系；进而实践阶段基于目标CTA图像的CTA像素值以及该像素值映射关系，预估该目标CTA图像的平扫CT像素值；进而基于该目标CTA图像的平扫CT像素值，得到目标对象平扫CT水平的钙化积分分数。
该实施例的优点在于，通过像素值映射关系的预先确定，精准地将目标CTA图像的CTA像素值还原为平扫CT像素值，于图像像素层面保证了在目标CTA图像上所进行钙化积分的可靠性。
在一实施例中，训练阶段基于图像之间的空间映射关系确定像素值映射关系。
该实施例中，训练阶段获取同一样本对象的样本CTA图像以及样本平扫CT图像后，确定该样本CTA图像与该样本平扫CT图像之间的空间映射关系。该空间映射关系用于描述样本CTA图像中样本对象的空间位置与样本平扫CT图像中样本对象的空间位置的映射关系。
进而基于该空间映射关系，将样本CTA图像的CTA像素值与样本平扫CT图像的平扫CT像素值一一映射，确定该像素值映射关系。
在一实施例中，训练阶段通过关键点检测的方式确定样本CTA图像与样本平扫CT图像之间的空间映射关系。
该实施例中，训练阶段基于关键点检测，定位样本CTA图像所包含的第一关键点，并定位样本平扫CT图像所包含的第二关键点。进而将描述同一空间位置的第一关键点与第二关键点一一匹配，从而根据匹配关系确定样本CTA图像与样本平扫CT图像之间的空间映射关系。
在一实施例中，训练阶段分别读取样本CTA图像以及样本平扫CT图像各自的坐标相关信息，例如：Origin信息(图像在物理坐标系的起点信息)、Directinon信息(图像增长的方向信息)、Spacing信息(横轴面像素的间距信息)、Slice interval信息(层间距信息)。
基于SIFT(Scale-invariant feature transform，尺寸不变特征变换)等检测方法进行关键点检测，分别于样本CTA图像以及样本平扫CT图像定位骨骼关键点或者高亮部位关键点。
根据坐标相关信息对样本CTA图像中的关键点与样本平扫CT图像中的关键点进行匹配，得到关键点的匹配关系。进而根据最优匹配关系确定样本CTA图像与样本平扫CT图像之间的空间映射关系。
需要说明的是，该实施例只是示例性的说明，不应对本申请的功能和使用范围造成限制。
在一实施例中，训练阶段通过最小损失的方式确定样本CTA图像与样本平扫CT图像之间的空间映射关系。
一般情况下，平扫CT图像的层间距大于CTA图像的层间距，即，平扫CT图像相较于CTA图像更为稀疏，层数更少。该实施例中，训练阶段上采样样本平扫CT图像，得到上采样后的上采样平扫CT图像。上采样平扫CT图像的层间距与样本CTA图像的层间距保持一致，层数保持一致。
根据最小损失方法将样本CTA图像与上采样平扫CT图像进行匹配，进而从所得到的最优匹配关系中确定坐标系映射关系以及位移关系，从而确定样本CTA图像与样本平扫CT图像之间的空间映射关系。
在一实施例中，通过B样条(BSpline)插值的上采样方法进行上采样。
在一实施例中，通过最近邻插值的上采样方法进行上采样。
在一实施例中，通过LabelGaussion插值的上采样方法进行上采样。
在一实施例中，训练阶段通过上采样样本平扫CT图像的方式将CTA像素值与平扫CT像素值一一映射，进而确定像素值映射关系。
该实施例中，上采样样本平扫CT图像，得到上采样后的上采样平扫CT图像。上采样平扫CT图像的层间距与样本CTA图像的层间距保持一致，层数保持一致。
进而基于空间映射关系，将处于同层的样本CTA图像与上采样平扫CT图像进行像素映射，得到CTA像素值与所映射的平扫CT像素值组成的像素对。进而对得到的像素对进行拟合处理或者回归处理，得到像素值映射关系。
在一实施例中，训练阶段获取到像素对后，将像素对映射为散点图(例如：以CTA像素值为横坐标，以平扫CT像素值为纵坐标，将每一像素对映射为对应的一个离散点，得到散点图)，按照预设的初等函数(例如：线性函数、多项式函数、幂函数、指数函数、对数函数等)拟合该散点图。
采用欧式距离的最小损失优化策略(例如：最小二乘法优化策略等)迭代优化用于拟合散点图的初等函数，直到所使用的初等函数的拟合损失达到预设的优化条件。进而可以将拟合效果最优的初等函数所描述的映射关系作为像素值映射关系。
在一实施例中，训练阶段通过测试集对拟合结果进行测试，进而根据测试结果确定像素值映射关系。
该实施例中，训练阶段获取到像素对后，按照预设的划分比例，将得到的像素对划分为训练像素对以及测试像素对。例如：训练阶段获取到像素对后，按照7:3的比例，将得到的像素对随机划分为训练像素对以及测试像素对。
对划分出的训练像素对进行拟合处理，并根据拟合结果得到候选映射关系；再采用划分出的测试像素对测试该候选映射关系，并根据测试结果从候选映射关系中筛选出该像素值映射关系。
该实施例的优点在于，通过测试集的测试，避免了过拟合的发生，提高了所确定出的像素值映射关系的鲁棒性。
在一实施例中，训练阶段通过优化回归函数的方式对像素对进行回归处理，进而确定像素值映射关系。
该实施例中，训练阶段获取到像素对后，采用预设的回归函数对得到的像素对进行回归处理，构建通过CTA像素值向平扫CT像素值回归所得到的预测值；进而根据该预测值与平扫CT像素值之间的损失函数，不断优化该回归函数直到该损失函数满足预设的优化条件，并将损失函数满足该优化条件的回归函数所描述的映射关系作为该像素值映射关系。
同理，该实施例也可以进一步地采用测试集对回归结果进行测试，进而根据测试结果确定像素值映射关系。具体实施过程在此不再赘述。
在一实施例中，将像素对中CTA像素值记为X，将像素对中平扫CT像素值记为Y。
选择机器学习中的回归函数(例如：支持向量回归SVR函数、岭回归函数、LASSO回归函数等)对像素对进行回归处理，预测通过X向Y回归所得到的预测值Y`。
根据预设的损失函数(例如：均方根误差RMSE函数、平均绝对值误差MAE函数、平均平滑绝对误差HuberLoss函数等)，计算Y`与Y的损失值。
采用梯度下降的优化策略对回归函数进行迭代优化，使得回归函数向损失函数值减小的方向更新，直到损失函数值达到优化条件得到作为对应的候选回归函数。进而可以从所得到的多个候选回归函数中选取一个候选回归函数作为目标回归函数，并将目标回归函数所描述的映射关系作为该像素值映射关系。
需要说明的是，该实施例只是示例性的说明，不应对本申请的功能和使用范围造成限制。
在一实施例中，训练阶段通过优化深度神经网络的方式对像素对进行回归处理，进而确定像素值映射关系。
该实施例中，训练阶段获取到像素对后，采用预设的深度神经网络对得到的像素对进行回归处理，构建通过CTA像素值向平扫CT像素值回归所得到的预测值；进而根据该预测值与平扫CT像素值之间的损失函数，不断优化该深度神经网络直到该损失函数满足预设的优化条件，并将损失函数满足该优化条件的深度神经网络所描述的映射关系作为该像素值映射关系。
同理，该实施例也可以进一步地采用测试集对回归结果进行测试，进而根据测试结果确定像素值映射关系。具体实施过程在此不再赘述。
在一实施例中，将像素对中CTA像素值记为X，将像素对中平扫CT像素值记为Y。
采用深度卷积神经网络CNN对像素对进行回归处理，预测通过X向Y回归所得到的预测值Y`。
根据预设的损失函数(例如：交叉熵损失函数、结构相似性SSIM损失函数等)，计算Y`与Y的损失值。
采用梯度下降的优化策略调整CNN的学习率等参数，使得CNN向损失函数值减小的方向更新，直到损失函数值达到优化条件得到目标CNN，并将目标CNN所描述的映射关系作为该像素值映射关系。
需要说明的是，该实施例只是示例性的说明，不应对本申请的功能和使用范围造成限制。
在一实施例中，实践阶段通过体积映射的方式得到目标对象平扫CT水平的钙化积分分数。
该实施例中，实践阶段基于CTA图像与平扫CT图像之间的层间距映射关系以及图像尺寸映射关系，确定CTA图像与平扫CT图像在同一三维区域的体积映射关系。例如：根据大量平扫CT图像数据统计，获取平扫CT图像的Spacing和层间距。进一步的，根据Spacing确定平扫CT图像的图像尺寸；根据层间距确定平扫CT图像的层数；进而根据图像尺寸与层数的乘积确定平扫CT图像的体积；进而根据CTA图像的体积以及平扫CT图像的体积确定体积映射关系。
基于训练阶段确定的像素值映射关系对目标CTA图像的CTA像素值进行处理后，得到目标CTA图像的平扫CT像素值；进而基于该平扫CT像素值，三维重建该目标CTA图像中的钙化区域；进而将该平扫CT像素值在该钙化区域进行积分，得到候选钙化积分分数；进而基于该体积映射关系，将该候选钙化积分分数转换为该目标对象平扫CT水平的钙化积分分数。
该实施例的优点在于，对钙化区域的三维重建，避免了钙化积分过程陷入局部视野难以区分噪声。另外，候选钙化积分分数是在目标CTA图像中的钙化区域积分得到的，而由于同一三维区域在CTA图像中的体积与在平扫CT图像中的体积一般不相同，因此通过体积映射的方式对候选钙化积分分数进行转换，保证了所得目标对象平扫CT水平的钙化积分分数的准确性。
在一实施例中，实践阶段预估得到目标CTA图像的平扫CT像素值后，基于对该平扫CT像素值进行的阈值对比，三维重建该目标CTA图像中的钙化区域。
该实施例中，预设像素值阈值，若目标CTA图像中一像素的平扫CT像素值大于等于该像素值阈值，则说明该像素很大概率位于钙化区域中，将该像素作为候选钙化像素。通过阈值对比，筛选出目标CTA图像中所有候选钙化像素，进而对所筛选的候选钙化像素进行三维重建。三维重建的结果即为目标CTA图像中的钙化区域。
在一实施例中，实践阶段预估得到目标CTA图像的平扫CT像素值后，基于对该平扫CT像素值进行的聚类，三维重建该目标CTA图像中的钙化区域。
该实施例中，得到目标CTA图像的平扫CT像素值后，对目标CTA图像中所有像素进行聚类处理。聚类处理后，目标CTA图像中所有像素按照像素值大小被梯度地聚合为各空间区域。其中，像素值处于钙化像素所属梯度的空间区域即为钙化区域。
在一实施例中，实践阶段剔除掉三维重建的钙化区域所组成的连通域中的孤立点以及异常小区域之后，得到钙化连通域。再将目标CTA图像的平扫CT像素值在钙化连通域进行积分以得到目标对象平扫CT水平的钙化积分分数。
该实施例中，实践阶段在三维重建目标CTA图像中的钙化区域后，计算将钙化区域合并后所得到的连通域。剔除掉连通域中的孤立点以及异常小区域后，得到所有钙化连通域Vi。其中，异常小区域指的是区域体积低于预设体积阈值的过小区域。异常小区域常常是由于噪声的干扰所出现的。
计算每个钙化连通域Vi在横轴位的钙化区域Si，并确定每个钙化区域Si中最大的平扫CT像素值ai。
从而计算得到钙化积分分数Agatstonscore＝∑iSi*ai。
该实施例的优点在于，通过剔除孤立点避免了不规则体在二维横轴面上的孤立点干扰，通过剔除异常小区域进一步避免了噪声的干扰，从而提高了钙化积分的精细度。
图3示出了本申请一实施例的基于像素值映射关系进行钙化积分的流程示意图。
如图所示，训练阶段：通过三维重建，定位样本CTA图像中血管区域；确定样本CTA图像与样本平扫CT图像之间的空间映射关系；进而结合该空间映射关系与样本CTA图像中血管区域，定位样本平扫CT图像中血管区域；进而结合样本CTA图像中血管区域与样本平扫CT图像，确定血管区域的像素值映射关系。
实践阶段：仅需输入目标CTA图像。通过三维重建，定位目标CTA图像中血管区域；进而结合目标CTA图像中血管区域与训练阶段确定的像素值映射关系，预估目标对象的平扫CT像素值；进而三维重建膨胀后血管区域的钙化区域；进而采用目标对象的平扫CT像素值对钙化区域进行积分，计算并输出膨胀后血管区域的钙化积分分数。
需要说明的是，该实施例只是示例性的说明，不应对本申请的功能和使用范围造成限制。
下面对本申请实施例中基于钙化积分分数映射关系进行钙化积分的详细过程进行描述。
在一实施例中，该钙化积分参数包括钙化积分分数。
该实施例中，训练阶段预先确定CTA水平的钙化积分分数与平扫CT水平的钙化积分分数之间的分数映射关系；进而实践阶段基于该目标CTA图像CTA水平的CTA像素值，得到该目标对象CTA水平的钙化积分分数；进而基于该分数映射关系以及该目标对象CTA水平的钙化积分分数，得到该目标对象平扫CT水平的钙化积分分数。
该实施例的优点在于，通过分数映射关系的预先确定，使得实践阶段能够直接在目标CTA图像的CTA像素值的基础上得到CTA水平的钙化积分分数，进而再通过分数映射得到平扫CT水平的钙化积分分数。通过CTA图像提高了钙化积分的精细度的同时，简化了以CTA图像为基础进行钙化积分的处理过程。
在一实施例中，训练阶段通过深度神经网络预先确定CTA水平的钙化积分分数与平扫CT水平的钙化积分分数之间的分数映射关系。
该实施例中，训练阶段将样本对象的平扫CT水平的钙化积分分数以及同一样本对象的CTA水平的钙化积分分数一一映射为分数对。采用预设的深度神经网络对所得到的分数对进行回归处理，构建通过CTA水平的钙化积分分数向平扫CT水平的钙化积分分数回归所得到的预测值；进而根据该预测值与平扫CT水平的钙化积分分数之间的损失函数，不断优化该深度神经网络直到该损失函数满足预设的优化条件，并将损失函数满足该优化条件的深度神经网络所描述的映射关系作为该分数映射关系。
需要说明的是，基于钙化积分分数映射关系进行钙化积分的部分实施例与基于像素值映射关系进行钙化积分的部分实施例同理，故在此不再赘述。
图4示出了根据本申请一实施例的钙化积分装置，预先确定CTA水平的钙化积分参数与平扫CT水平的钙化积分参数之间的映射关系，所述装置包括：
图像获取模块210，配置为获取通过扫描目标对象所得到的目标CTA图像；
钙化积分模块220，配置为基于所述映射关系对所述目标CTA图像进行图像处理，得到所述目标对象平扫CT水平的钙化积分分数。
在本申请的一示例性实施例中，所述装置配置为：预先基于血管分割模型所分割出的血管区域，确定在同一血管区域CTA水平的钙化积分参数与平扫CT水平的钙化积分参数之间的映射关系。
在本申请的一示例性实施例中，所述装置配置为：
于所述目标CTA图像定位所述目标对象的血管区域；
基于对所述血管区域进行的膨胀处理，于所述目标CTA图像定位膨胀后血管区域；
基于所述映射关系对所述膨胀后血管区域进行图像处理，得到所述目标对象平扫CT水平的钙化积分分数。
在本申请的一示例性实施例中，所述装置配置为：
预先确定CTA水平的像素值与平扫CT水平的像素值之间的像素值映射关系；
基于所述目标CTA图像CTA水平的CTA像素值以及所述像素值映射关系，预估所述目标CTA图像平扫CT水平的平扫CT像素值；
基于所述平扫CT像素值，得到所述目标对象平扫CT水平的钙化积分分数。
在本申请的一示例性实施例中，所述装置配置为：
获取样本对象的样本CTA图像以及所述样本对象的样本平扫CT图像；
确定所述样本CTA图像与所述样本平扫CT图像之间的空间映射关系；
基于所述空间映射关系，确定所述像素值映射关系。
在本申请的一示例性实施例中，所述装置配置为：
基于关键点检测，定位所述样本CTA图像所包含的第一关键点以及所述样本平扫CT图像所包含的第二关键点；
基于所述第一关键点与所述第二关键点相互匹配，确定所述空间映射关系。
在本申请的一示例性实施例中，所述装置配置为：
基于所述样本CTA图像的层间距以及所述样本平扫CT图像的层间距，上采样所述样本平扫CT图像得到上采样平扫CT图像，其中，所述上采样平扫CT图像的层间距与所述样本CTA图像的层间距保持一致；
基于所述空间映射关系，对所述样本CTA图像以及所述上采样平扫CT图像的同层图像进行像素映射，得到CTA水平的像素值与所映射的平扫CT水平的像素值组成的像素对；
基于对所述像素对的拟合处理或者回归处理，得到所述像素值映射关系。
在本申请的一示例性实施例中，所述装置配置为：
按照预设的划分比例，将所述像素对划分为训练像素对以及测试像素对；
对所述训练像素对进行拟合处理，并根据拟合结果得到候选映射关系；
采用所述测试像素对测试所述候选映射关系，并根据测试结果从所述候选映射关系中筛选出所述像素值映射关系。
在本申请的一示例性实施例中，所述装置配置为：
采用预设的回归函数对所述像素对进行回归处理，构建通过CTA水平的像素值向平扫CT水平的像素值回归所得到的预测值；
根据所述预测值与平扫CT水平的像素值之间的损失函数，不断优化所述回归函数直到所述损失函数满足预设的优化条件，并将损失函数满足所述优化条件的回归函数所描述的映射关系作为所述像素值映射关系。
在本申请的一示例性实施例中，所述装置配置为：
基于所述平扫CT像素值，三维重建所述目标CTA图像中的钙化区域；
将所述平扫CT像素值在所述钙化区域进行积分，得到候选钙化积分分数；
基于CTA图像与平扫CT图像之间的层间距映射关系以及图像尺寸映射关系，确定CTA图像与平扫CT图像在同一三维区域的体积映射关系；
基于所述体积映射关系，将所述候选钙化积分分数转换为所述目标对象平扫CT水平的钙化积分分数。
在本申请的一示例性实施例中，所述装置配置为：基于对所述平扫CT像素值进行的阈值对比或者聚类，三维重建所述目标CTA图像中的钙化区域。
在本申请的一示例性实施例中，所述装置配置为：
预先确定CTA水平的钙化积分分数与平扫CT水平的钙化积分分数之间的分数映射关系；
基于所述目标CTA图像CTA水平的CTA像素值，得到所述目标对象CTA水平的钙化积分分数；
基于所述分数映射关系以及所述目标对象CTA水平的钙化积分分数，得到所述目标对象平扫CT水平的钙化积分分数。
下面参考图5来描述根据本申请实施例的钙化积分电子设备30。图5显示的电子设备30仅仅是一个示例，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5所示，电子设备30以通用计算设备的形式表现。电子设备30的组件可以包括但不限于：上述至少一个处理单元310、上述至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元310执行，使得所述处理单元310执行本说明书上述示例性方法的描述部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元310可以执行如图1中所示的各个步骤。
存储单元320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)3201和/或高速缓存存储单元3202，还可以进一步包括只读存储单元(ROM)3203。
存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204，这样的程序模块3205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备30也可以与一个或多个外部设备400(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备30交互的设备通信，和/或与使得该电子设备30能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口350进行。输入/输出(I/O)接口350与显示单元340相连。并且，电子设备30还可以通过网络适配器360与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器360通过总线330与电子设备30的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
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、终端装置、或者网络设备等)执行根据本申请实施方式的方法。
在本申请的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行上述方法实施例部分描述的方法。
根据本申请的一个实施例，还提供了一种用于实现上述方法实施例中的方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
计算机可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。
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、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如JAVA、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
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。
此外，尽管在附图中以特定顺序描述了本申请中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
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、移动终端、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发明后，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。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由所附的权利要求指出。

Claims (12)

1.一种钙化积分方法，其特征在于，预先确定CTA水平的钙化积分参数与平扫CT水平的钙化积分参数之间的映射关系，所述方法包括：
获取通过扫描目标对象所得到的目标CTA图像；
基于所述映射关系对所述目标CTA图像进行图像处理，得到所述目标对象平扫CT水平的钙化积分分数；
其中，预先确定CTA水平的钙化积分参数与平扫CT水平的钙化积分参数之间的映射关系，包括：预先确定CTA水平的像素值与平扫CT水平的像素值之间的像素值映射关系；
基于所述映射关系对所述目标CTA图像进行图像处理，得到所述目标对象平扫CT水平的钙化积分分数，包括：基于所述目标CTA图像CTA水平的CTA像素值以及所述像素值映射关系，预估所述目标CTA图像平扫CT水平的平扫CT像素值；三维重建膨胀后血管区域的钙化区域，并采用所述目标对象的平扫CT像素值对所述钙化区域进行积分，计算并输出膨胀后血管区域的钙化积分分数。
2.根据权利要求1所述的方法，其特征在于，预先确定CTA水平的钙化积分参数与平扫CT水平的钙化积分参数之间的映射关系，包括：预先基于血管分割模型所分割出的血管区域，确定在同一血管区域CTA水平的钙化积分参数与平扫CT水平的钙化积分参数之间的映射关系。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述目标CTA图像定位所述目标对象的血管区域；
基于对所述血管区域进行的膨胀处理，于所述目标CTA图像定位膨胀后血管区域；
基于所述映射关系对所述目标CTA图像进行图像处理，得到所述目标对象平扫CT水平的钙化积分分数，包括：基于所述映射关系对所述膨胀后血管区域进行图像处理，得到所述目标对象平扫CT水平的钙化积分分数。
4.根据权利要求1所述的方法，其特征在于，确定CTA水平的像素值与平扫CT水平的像素值之间的像素值映射关系，包括：
获取样本对象的样本CTA图像以及所述样本对象的样本平扫CT图像；
确定所述样本CTA图像与所述样本平扫CT图像之间的空间映射关系；
基于所述空间映射关系，确定所述像素值映射关系。
5.根据权利要求4所述的方法，其特征在于，确定所述样本CTA图像与所述样本平扫CT图像之间的空间映射关系，包括：
基于关键点检测，定位所述样本CTA图像所包含的第一关键点以及所述样本平扫CT图像所包含的第二关键点；
基于所述第一关键点与所述第二关键点相互匹配，确定所述空间映射关系。
6.根据权利要求4所述的方法，其特征在于，基于所述空间映射关系，确定所述像素值映射关系，包括：
基于所述样本CTA图像的层间距以及所述样本平扫CT图像的层间距，上采样所述样本平扫CT图像得到上采样平扫CT图像，其中，所述上采样平扫CT图像的层间距与所述样本CTA图像的层间距保持一致；
基于所述空间映射关系，对所述样本CTA图像以及所述上采样平扫CT图像的同层图像进行像素映射，得到CTA水平的像素值与所映射的平扫CT水平的像素值组成的像素对；
基于对所述像素对的拟合处理或者回归处理，得到所述像素值映射关系。
7.根据权利要求6所述的方法，其特征在于，基于对所述像素对的拟合处理，得到所述像素值映射关系，包括：
按照预设的划分比例，将所述像素对划分为训练像素对以及测试像素对；
对所述训练像素对进行拟合处理，并根据拟合结果得到候选映射关系；
采用所述测试像素对测试所述候选映射关系，并根据测试结果从所述候选映射关系中筛选出所述像素值映射关系。
8.根据权利要求6所述的方法，其特征在于，基于对所述像素对的回归处理，得到所述像素值映射关系，包括：
采用预设的回归函数对所述像素对进行回归处理，构建通过CTA水平的像素值向平扫CT水平的像素值回归所得到的预测值；
根据所述预测值与平扫CT水平的像素值之间的损失函数，不断优化所述回归函数直到所述损失函数满足预设的优化条件，并将损失函数满足所述优化条件的回归函数所描述的映射关系作为所述像素值映射关系。
9.根据权利要求1所述的方法，其特征在于，三维重建膨胀后血管区域的钙化区域，并采用所述目标对象的平扫CT像素值对所述钙化区域进行积分，计算并输出膨胀后血管区域的钙化积分分数，包括：
基于所述平扫CT像素值，三维重建所述目标CTA图像中的钙化区域；
将所述平扫CT像素值在所述钙化区域进行积分，得到候选钙化积分分数；
基于CTA图像与平扫CT图像之间的层间距映射关系以及图像尺寸映射关系，确定CTA图像与平扫CT图像在同一三维区域的体积映射关系；
基于所述体积映射关系，将所述候选钙化积分分数转换为所述目标对象平扫CT水平的钙化积分分数。
10.根据权利要求9所述的方法，其特征在于，基于所述平扫CT像素值，三维重建所述目标CTA图像中的钙化区域，包括：
基于对所述平扫CT像素值进行的阈值对比或者聚类，三维重建所述目标CTA图像中的钙化区域。
11.根据权利要求1所述的方法，其特征在于，所述钙化积分参数包括钙化积分分数，
预先确定CTA水平的钙化积分参数与平扫CT水平的钙化积分参数之间的映射关系，包括：预先确定CTA水平的钙化积分分数与平扫CT水平的钙化积分分数之间的分数映射关系；
基于所述映射关系对所述目标CTA图像进行图像处理，得到所述目标对象平扫CT水平的钙化积分分数，包括：
基于所述目标CTA图像CTA水平的CTA像素值，得到所述目标对象CTA水平的钙化积分分数；
基于所述分数映射关系以及所述目标对象CTA水平的钙化积分分数，得到所述目标对象平扫CT水平的钙化积分分数。
12.一种钙化积分装置，其特征在于，预先确定CTA水平的钙化积分参数与平扫CT水平的钙化积分参数之间的映射关系，所述装置包括：
图像获取模块，配置为获取通过扫描目标对象所得到的目标CTA图像；
钙化积分模块，配置为基于所述映射关系对所述目标CTA图像进行图像处理，得到所述目标对象平扫CT水平的钙化积分分数；
其中，预先确定CTA水平的钙化积分参数与平扫CT水平的钙化积分参数之间的映射关系，包括：预先确定CTA水平的像素值与平扫CT水平的像素值之间的像素值映射关系；
基于所述映射关系对所述目标CTA图像进行图像处理，得到所述目标对象平扫CT水平的钙化积分分数，包括：基于所述目标CTA图像CTA水平的CTA像素值以及所述像素值映射关系，预估所述目标CTA图像平扫CT水平的平扫CT像素值；三维重建膨胀后血管区域的钙化区域，并采用所述目标对象的平扫CT像素值对所述钙化区域进行积分，计算并输出膨胀后血管区域的钙化积分分数。
CN202110181939.2A 2021-02-09 2021-02-09 钙化积分方法及装置 Active CN112927196B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110181939.2A CN112927196B (zh) 2021-02-09 2021-02-09 钙化积分方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110181939.2A CN112927196B (zh) 2021-02-09 2021-02-09 钙化积分方法及装置

Publications (2)

Publication Number Publication Date
CN112927196A CN112927196A (zh) 2021-06-08
CN112927196B true CN112927196B (zh) 2024-03-22

Family

ID=76171474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110181939.2A Active CN112927196B (zh) 2021-02-09 2021-02-09 钙化积分方法及装置

Country Status (1)

Country Link
CN (1) CN112927196B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6233304B1 (en) * 1998-11-25 2001-05-15 General Electric Company Methods and apparatus for calcification scoring
CN1923140A (zh) * 2006-07-27 2007-03-07 沈阳东软医疗系统有限公司 图像测量装置、方法以及肾小球滤过率的图像测量系统
CN104091346A (zh) * 2014-07-24 2014-10-08 东南大学 一种全自动ct图像冠状动脉钙化分数计算方法
CN105096270A (zh) * 2015-08-07 2015-11-25 北京欣方悦医疗科技有限公司 一种冠脉三维重建中的钙化斑块去除方法
KR20200056105A (ko) * 2018-11-14 2020-05-22 울산대학교 산학협력단 관상동맥석회화점수 산정 방법 및 장치
CN111612756A (zh) * 2020-05-18 2020-09-01 中山大学 冠状动脉特异性钙化检测方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7149335B2 (en) * 2002-09-27 2006-12-12 General Electric Company Method and apparatus for enhancing an image
EP3597109A3 (en) * 2013-06-21 2020-03-18 O.N. Diagnostics, LLC Quantitative phantomless calibration of computed tomography scans
DE102016204709A1 (de) * 2016-03-22 2017-09-28 Siemens Healthcare Gmbh Verfahren zur Bildrekonstruktion
JP7036742B2 (ja) * 2016-05-16 2022-03-15 キャスワークス リミテッド 血管評価システム
US10869644B2 (en) * 2016-07-30 2020-12-22 Shanghai United Imaging Healthcare Co., Ltd. Method and system for extracting lower limb vasculature
US10453224B1 (en) * 2018-03-27 2019-10-22 Ziwei Lin Pseudo-CT generation with multi-variable regression of multiple MRI scans

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6233304B1 (en) * 1998-11-25 2001-05-15 General Electric Company Methods and apparatus for calcification scoring
CN1923140A (zh) * 2006-07-27 2007-03-07 沈阳东软医疗系统有限公司 图像测量装置、方法以及肾小球滤过率的图像测量系统
CN104091346A (zh) * 2014-07-24 2014-10-08 东南大学 一种全自动ct图像冠状动脉钙化分数计算方法
CN105096270A (zh) * 2015-08-07 2015-11-25 北京欣方悦医疗科技有限公司 一种冠脉三维重建中的钙化斑块去除方法
KR20200056105A (ko) * 2018-11-14 2020-05-22 울산대학교 산학협력단 관상동맥석회화점수 산정 방법 및 장치
CN111612756A (zh) * 2020-05-18 2020-09-01 中山大学 冠状动脉特异性钙化检测方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
An end-to-end joint learning framework of artery-specific coronary calcium scoring in non-contrast cardiac CT;Weiwei Zhang et.al;《Computing》;第101卷;667–678 *
基于颈动脉CTA数据的三维重建技术研究;罗强;《中国优秀硕士学位论文全文数据库 信息科技辑》;全文 *
成像技术联合CT血管造影对缺血性脑卒中患者的诊断及治疗意义分析;温广永;《影像研究与医学应用》;第4卷(第18期);126-127 *

Also Published As

Publication number Publication date
CN112927196A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
US10297022B2 (en) Method and system for analysis of volumetric data
CA3068526A1 (en) Classification and 3d modelling of 3d dento-maxillofacial structures using deep learning methods
US20110257505A1 (en) Atheromatic?: imaging based symptomatic classification and cardiovascular stroke index estimation
KR20230059799A (ko) 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델
US9036769B2 (en) Radio tomographic image generation method and device
CN111311704A (zh) 图像重建方法、装置、计算机设备和存储介质
JP2015144632A (ja) 画像処理方法、画像処理装置及びプログラム
CN105164725A (zh) 去噪重建图像数据的边缘改进
US11969265B2 (en) Neural network classification of osteolysis and synovitis near metal implants
US20230377314A1 (en) Out-of-distribution detection of input instances to a model
CN115965750B (zh) 血管重建方法、装置、计算机设备和可读存储介质
Tan et al. Segmentation of lung airways based on deep learning methods
JP2022543330A (ja) 形態学的および血管周囲疾患の複合評価
CN105167798A (zh) 一种冠状动脉cta影像中提取血管方法
CN111145160A (zh) 钙化区域所处冠脉分支的确定方法、装置、服务器及介质
CN113223015A (zh) 血管壁图像分割方法、装置、计算机设备和存储介质
Wei et al. Using a generative adversarial network for ct normalization and its impact on radiomic features
CN115439453A (zh) 一种脊椎椎体定位方法、装置、电子设备及存储介质
CN117152442B (zh) 影像靶区自动勾画方法、装置、电子设备和可读存储介质
CN111539926B (zh) 一种图像检测方法及装置
CN110473297B (zh) 图像处理方法、装置、电子设备和存储介质
CN112927196B (zh) 钙化积分方法及装置
CN115439423A (zh) 一种基于ct图像的识别方法、装置、设备及存储介质
CN112967295B (zh) 一种基于残差网络和注意力机制的图像处理方法及系统
Mourya et al. Empirical greedy machine‐based automatic liver segmentation in CT images

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