CN112950734A - 冠脉重建方法、装置、电子设备和存储介质 - Google Patents
冠脉重建方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112950734A CN112950734A CN202110227699.5A CN202110227699A CN112950734A CN 112950734 A CN112950734 A CN 112950734A CN 202110227699 A CN202110227699 A CN 202110227699A CN 112950734 A CN112950734 A CN 112950734A
- Authority
- CN
- China
- Prior art keywords
- coronary artery
- segmented
- image
- coronary
- initial
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
- 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
- G06T2207/10084—Hybrid tomography; Concurrent acquisition with multiple different tomographic modalities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种冠脉重建方法、装置、电子设备和存储介质。其中,该方法包括:获取待分割的初始冠脉图像,对初始冠脉图像进行灰度归一化,得到目标冠脉图像,并将目标冠脉图像划分为至少一个待分割图像块;分别确定每个待分割图像块中的待分割冠脉的冠脉初始关键点、半径以及实际延伸方向,基于冠脉起源点、半径和实际延伸方向确定出冠脉新增关键点;基于冠脉初始关键点、冠脉新增关键点、待分割冠脉的半径以及实际延伸方向分割出待分割图像块中的冠脉块;基于每个待分割图像块分割出的冠脉块确定初始冠脉图像的目标冠脉图像。上述技术方案能够实现冠脉精准分割在存在运动伪影、冠脉斑块的情况下,也能够分割出足够细小的分支,鲁棒性高。
Description
技术领域
本发明实施例涉及图像处理技术,尤其涉及一种冠脉重建方法、装置、电子设备和存储介质。
背景技术
随着医疗水平的提高和医学影像技术的不断发展,医生可以通过医学影像更直观地认识心血管疾病。冠心病作为常见的心血管疾病之一,严重危害着患者的健康。冠状动脉CT血管造影(Computed Tomography Angiography,CTA)具有价格低、操作简单及非介入型成像的优势,是最常用的冠心病早筛手段之一。成功的扫描是冠脉CTA成功的基础,但是,对图像的后期重建的意义同样不容忽视。
心脏冠状动脉的重建一直是一个难点,其主要原因是:1)冠状动脉结构复杂,有很多分支的细小血管;2)冠状动脉灰度不均匀,跟周围组织的对比度低,血管末梢部分的边界较模糊;3)冠状动脉中可能会含有各种复杂病变;4)心脏的运动会影响冠状动脉的成像效果;5)心脏有很多静脉与冠脉交错,当图像的成像质量不高时,甚至会存在静脉与冠脉相连的现象,很容易出现分割的静脉呈现出假阳的情况。
现有的冠脉重建方法,难以有效地区分冠脉和静脉假阳,尤其在存在运动伪影、冠脉斑块的情况下,难以分割出足够细小的分支,鲁棒性很低。
发明内容
本发明实施例提供了一种冠脉重建方法、装置、电子设备和存储介质,以实现对冠脉的精准分割。
第一方面,本发明实施例提供了一种冠脉重建方法,该方法包括:
获取待分割的初始冠脉图像,对所述初始冠脉图像进行灰度归一化,得到目标冠脉图像,并将所述目标冠脉图像划分为至少一个待分割图像块;
分别确定每个待分割图像块中的待分割冠脉的冠脉初始关键点、半径以及实际延伸方向,基于所述冠脉初始关键点、半径和所述实际延伸方向确定出冠脉新增关键点;
基于所述冠脉初始关键点、冠脉新增关键点、待分割冠脉的半径以及实际延伸方向分割出所述待分割图像块中的冠脉块;
基于每个待分割图像块分割出的冠脉块确定所述初始冠脉图像的目标冠脉图像。
第二方面,本发明实施例还提供了一种冠脉重建装置,该装置包括:
图像划分模块,用于获取待分割的初始冠脉图像,对所述初始冠脉图像进行灰度归一化,得到目标冠脉图像,并将所述目标冠脉图像划分为至少一个待分割图像块;
参数确定模块,用于分别确定每个待分割图像块中的待分割冠脉的冠脉初始关键点、半径以及实际延伸方向,基于所述冠脉初始关键点、半径和所述实际延伸方向确定出冠脉新增关键点;
冠脉块分割模块,基于所述冠脉初始关键点、冠脉新增关键点、待分割冠脉的半径以及实际延伸方向分割出所述待分割图像块中的冠脉块;
冠脉图像确定模块,用于基于每个待分割图像块分割出的冠脉块确定所述初始冠脉图像的目标冠脉图像。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例任一所述的冠脉重建方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例任一所述的冠脉重建方法。
本发明实施例的技术方案,通过对获取到的待分割初始冠脉图像进行灰度归一化,得到目标冠脉图像,能够使得目标冠脉图像保留灰度改变信息的同时,减少由于成形因素造成的冠脉灰度不一致的影响,然后,将目标冠脉图像划分为至少一个待分割图像块,通过对目标冠脉图像地进行分块,来实现对目标冠脉图像的精细化处理;进而,分别确定每个待分割图像块中的待分割冠脉的冠脉初始关键点、半径以及实际延伸方向,基于冠脉起源点、半径和实际延伸方向确定出冠脉新增关键点,再基于冠脉初始关键点、冠脉新增关键点、待分割冠脉的半径以及实际延伸方向分割出待分割图像块中的冠脉块,通过冠脉的形态学参数分割冠脉块,能够有效地区分冠脉和静脉假阳,即使在存在运动伪影、冠脉斑块的情况下,也能够分割出足够细小的分支,鲁棒性很高,最后,基于每个待分割图像块分割出的冠脉块确定初始冠脉图像的目标冠脉图像,从而,保证初始冠脉图像的冠脉分割的精准度,实现了冠脉精准重建。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案,下面对描述实施例中所需要用到的附图做一简单介绍。显然,所介绍的附图只是本发明所要描述的一部分实施例的附图,而不是全部的附图,对于本领域普通技术人员,在不付出创造性劳动的前提下,还可以根据这些附图得到其他的附图。
图1是本发明实施例所提供的一种冠脉重建方法的流程示意图;
图2是本发明实施例所提供的一种冠脉新增关键点的确定方法示意图;
图3是本发明实施例所提供的一种待分割图像块中待分割冠脉块的拟合方法示意图;
图4是本发明实施例所提供的一种冠脉重建方法的可选实例的流程示意图;
图5是本发明实施例提供的一种冠脉参数预测模型的预测过程示意图;
图6是本发明实施例所提供的一种冠脉重建装置的结构示意图;
图7是本发明实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
图1为本发明实施例所提供的一种冠脉重建方法的流程示意图,该方法可以由冠脉重建装置来执行,该装置可以配置于终端或服务器中,由终端与服务器独立执行或配合执行本发明实施例中的冠脉重建方法。
如图1所示,本实施例中的冠脉重建方法具体可包括:
S110、获取待分割的初始冠脉图像,对所述初始冠脉图像进行灰度归一化,得到目标冠脉图像,并将所述目标冠脉图像划分为至少一个待分割图像块。
其中,初始冠脉图像可以是基于医学影像采集设备所采集的冠脉图像。例如,可以是冠脉CTA图像。需要说明的是,在本发明实施例中,并不对初始冠脉图像的颜色、格式以及尺寸等进行限定,如,初始冠脉图像可以是彩色图像也可以是灰度图像等。初始冠脉图像可以是二维图像也可是三维立体图像等。
考虑到不同的医学成像因素可能会造成冠脉在图像灰度信息上的不一致的情况,这些将直接影响到后续的特征提取和识别,因此,在本发明实施例中,对初始冠脉图像进行了灰度归一化处理,得到目标冠脉图像,使初始冠脉图像中各像素的灰度值分布在0~255之间,这样处理的好处在于,能够在保留具有诊断价值的灰度差异的同时,减小甚至消除初始冠脉图像中灰度不一致,避免由于图像对比度不足或者说由于图像像素亮度分布不平衡对冠脉分割造成影响,以便计算机自动分析处理。当前常见的算法根据灰度转换的依据分为基于直方图的灰度归一化以及基于图像内容特征的灰度归一化。用户可以根据初始冠脉图像的特点选择所要采用的灰度归一化方法。
示例性地,对于电子计算机断层扫描(Computed Tomography,CT)图像,可根据待分割目标的窗位进行min-max归一化;对于灰度不固定的图像,比如核磁共振(MagneticResonance Imaging,MRI)图像,可以采用z-score归一化。
相关冠脉重建方法中,基于区域生长的分割是常见的方式之一,一般会先提取血管树的种子点,然后基于种子点所在的区域特征在邻域进行生长,找出邻域中类似的血管,若不符合生长条件即停止。该方法若遇到斑块、伪影,因不满足特征的条件就会停止生长,鲁棒性很低。另一种方式是基于深度学习模型的血管分割,将待分割图像输入到深度学习网络,得到血管分割结果。但是,由于冠脉和静脉的形态很相似,灰度也非常接近,直接通过深度学习模型难以区分,可能会造成静脉假阳较多的现象,而且两种方式均是对冠脉进行整体性识别,精度不够。
在发明实施例中,为了提升分割精度,将目标冠脉图像划分为至少一个。其中,目标冠脉图像的划分方式有多种,例如可以是,将目标冠脉图像进行网格化处理,划分为多个待分割图像块;或者,对目标冠脉图像进行图像识别,基于识别结果划分出至少一个待分割图像块;又或者,确定目标冠脉图像中的冠脉特征点,基于冠脉特征点将目标冠脉图像划分为至少一个待分割图像块等。示例性地,冠脉特征点可以是待分割冠脉的冠脉起源点、冠脉分支交叉点或者预标注的特征点等。可以理解的是,冠脉特征点的数量可以是一个、两个或两个以上,其具体数值可以根据实际需求确定,在此并作限制。
需要说明的是,在本发明实施例中,将所述目标冠脉图像划分为至少一个待分割图像块的方式可以是边划分边分割的方式,也可以是先划分出所有待分割图像块,再对每个待分割图像块进行分割的方式。例如可以是,先划分出一个待分割图像块,对该待分割图像块进行冠脉分割,得到该待分割图像块的冠脉块后,再划分出一个新的待分割图像块,在对该新划分的待分割图像块进行冠脉分割,得到该划分的待分割图像块的冠脉块后,继续划分出一个新的待分割图像块,……,重复上述过程,直至达到结束划分条件或者结束分割条件。其中,后一个待分割图像块可以根据前一个待分割图像块进行划分。
可选地,将所述目标冠脉图像划分为至少一个待分割图像块,包括:确定所述目标冠脉图像中的冠脉起源点,基于所述冠脉起源点和第一划分参数从所述目标冠脉图像划分出待分割图像块。
确定所述目标冠脉图像中的冠脉起源点的方式可以有多种,可选地,基于冠脉的形态学结构参数对目标冠脉图像进行图像识别,确定目标冠脉图像中的冠脉起源点;或者,接收用户输入的冠脉起源点的标注操作,基于所述标注操作确定所述目标冠脉图像中的冠脉起源点;又或者,基于预先训练完成的目标检测模型确定目标冠脉图像中的冠脉起源点,其中,所述目标检测模型基于历史冠脉图像样本以及样本标签确定,所述样本标签用于标识所述历史冠脉图像样本中的冠脉起源点。
示例性地,第一划分参数可包括划分待分割图像块所需要的关键参数,例如具体可以是,待分割图像块的尺寸和/或形状等。需要说明的是,第一划分参数可以根据实际需求进行设置,在此不做具体限定。
可选地,基于所述冠脉起源点和第一划分参数从所述目标冠脉图像划分出待分割图像块,具体可以是,以冠脉起源点为中心点,在所述目标冠脉图像上划分出预设尺寸的正方形区域作为待分割图像块。
基于所述冠脉起源点和第一划分参数划分待分割图像块的方式可以有多种,例如还可以是,基于所述冠脉起源点和第一划分参数确定待分割图像块的至少一个边界点,基于所述冠脉起源点以及所述至少一个边界点确定待分割图像块。
S120、分别确定每个待分割图像块中的待分割冠脉的冠脉初始关键点、半径以及实际延伸方向,基于所述冠脉初始关键点、半径和所述实际延伸方向确定出冠脉新增关键点。
目标冠脉图像中待分割冠脉的冠脉起源点为待分割冠脉的冠脉关键点之一。因此,可选地,如果所述待分割图像块中包括所述冠脉起源点,则将所述目标冠脉图像中的冠脉起源点作为所述待分割图像块中的待分割冠脉的冠脉初始关键点。这样设置的好处在于,当待分割图像块中包括所述冠脉起源点时,无需再重新确定待分割图像中的冠脉初始关键点,节省了运算量。
可选地,如果未完成冠脉分割的待分割图像块中包括已完成冠脉分割的待分割图像块的冠脉新增关键点,则将已完成冠脉块分割的待分割图像块中的待分割冠脉的冠脉新增关键点作为所述未完成冠脉块分割的待分割图像块中的待分割冠脉的冠脉初始关键点。
可选地,确定每个待分割图像块中的待分割冠脉的冠脉初始关键点还可以使借助人工标注的方式实现,例如,具体可以是,接收用户输入的所述待分割图像块的冠脉初始点。
另外,还可以对待分割图像块进行图像识别,进而基于识别结果确定每个待分割图像块中的待分割冠脉的冠脉初始关键点。
在此基础上,可选地,将所述目标冠脉图像划分为至少一个待分割图像块,包括:获取已完成冠脉块分割的待分割图像块中的待分割冠脉的冠脉新增关键点,基于所述冠脉新增关键点和第二划分参数从所述目标冠脉图像划分出未完成冠脉块分割的待分割图像块。
其中,第二划分参数可以与第一划分参数相同,也可以不同。类似地,第二划分参数可包括划分待分割图像块所需要的关键参数,例如具体可以是,待分割图像块的尺寸和/或形状等。需要说明的是,第二划分参数可以根据实际需求进行设置,在此不做具体限定。
可选地,基于所述冠脉新增关键点和第二划分参数从所述目标冠脉图像划分出未完成冠脉块分割的待分割图像块,具体可以是,将冠脉新增关键点作为冠脉初始关键点,以冠脉初始点为中心点,在所述目标冠脉图像上划分出预设尺寸的正方形区域,基于所述正方形区域作为待分割图像块。其中,基于所述正方形区域作为待分割图像块,包括:如果存在已完成冠脉分割的待分割图像块,则去除所述正方形区域与已完成冠脉分割的待分割图像块的重叠区域,得到待分割图像块。
基于所述冠脉新增关键点和第二划分参数划分待分割图像块的方式可以有多种,例如还可以是,基于所述冠脉起源点和第一划分参数确定待分割图像块的至少一个边界点,基于所述冠脉新增关键点、至少一个边界点以及预设边长确定待分割图像块。
可选地,分别确定每个待分割图像块中的待分割冠脉的半径以及实际延伸方向,包括:针对每个待分割图像块,将所述待分割图像块输入至预先训练完成的冠脉参数预测模型中,得到所述待分割图像块中的待分割冠脉的半径,以及所述待分割冠脉的至少两个预设延伸方向的置信度和修正值;基于每个预设延伸方向的修正值和置信度,确定所述待分割冠脉的实际延伸方向。
具体地,将待分割图像块输入到神经网络模型中提取冠脉图像特征,进而将提取到的冠脉图像特征分别输入至两个预测通道中,一个预测通道输出待分割图像块中待分割冠脉的半径,另一个预测通道输出待分割图像块样本数据中待分割冠脉每个预设延伸方向的置信度和方向的修正值。其中,神经网络模型可以包括resnet、densenet以及senet等深度学习网络中的至少一个。
可以理解的是,在将所述待分割图像块输入至预先训练完成的冠脉参数预测模型中之前,还包括:获取待分割图像块样本数据,并对所述待分割图像块样本数据进行标注得到标注数据,基于待分割图像块样本数据以及标注数据对初始深度学习模型进行训练,得到冠脉参数预测模型。
其中,所述获取待分割图像块样本数据,具体可包括:获取初始冠脉图像样本数据,将所述冠脉图像样本数据进行灰度归一化,得到目标冠脉图像样本数据,并将目标冠脉图像样本数据划分为至少一个待分割图像块样本数据。
对所述待分割图像块样本数据进行标注得到标注数据可以包括:对所述待分割图像块样本数据中待分割冠脉的半径和实际延伸方向进行标注得到标注数据;或者,基于所述待分割图像块样本数据中待分割冠脉的实际延伸方向确定每个预设延伸方向的置信度与修正值,对所述待分割图像块样本数据中待分割冠脉的半径,每个预设延伸方向以及每个预设延伸方向的置信度与修正值进行标注得到标注数据。
可选地,基于待分割图像块样本数据以及标注数据对初始深度学习模型进行训练,得到冠脉参数预测模型,包括:将所述待分割图像块样本数据以及标注数据输入至初始深度学习模型中,得到实际输出数据,其中,所述实际输出数据包括待分割图像块样本数据中待分割冠脉的半径,以及每个预设延伸方向的置信度与修正值;基于模型实际输出数据和期望输出数据对初始深度学习模型进行调整;当基于模型实际输出数据和期望输出数据构建的损失函数收敛时,得到冠脉参数预测模型。
考虑到输出的冠脉参数有两类,为了提升模型精准度,可选地,可以分别构建与所述待分割图像块样本数据中待分割冠脉的半径对应的模型损失函数,以及与每个预设延伸方向的置信度与修正值对应的模型损失函数。
可以理解的是,预设延伸方向的数量可以根据实际需求进行设置,可选是是大于等于2的正整数。以待分割图像块为二维图像为例,可设置4个或8个预设延伸方向。以8个预设延伸方向为例,每个预设延伸方向可代表每隔45度的输出,即0°,45°,90°,135°,180°,225°,270°以及315°。
可选地,基于每个预设延伸方向的修正值和置信度,确定所述待分割冠脉的实际延伸方向,包括:基于每个预设延伸方向的修正值分别对每个预设延伸方向进行修正;基于修正后的每个所述预设延伸方向以及每个所述预设冠脉延伸方向的置信度,确定所述待分割冠脉的实际延伸方向。
可选地,基于修正后的每个所述预设延伸方向以及每个所述预设冠脉延伸方向的置信度,确定所述待分割冠脉的实际延伸方向,包括:基于每个所述预设延伸方向的置信度以及预设的置信度阈值确定至少一个待选预设延伸方向;基于所述至少一个待选预设延伸方向的置信度以及预设角度偏差阈值对至少一个待选预设延伸方向进行去重处理,得到所述待分割冠脉的实际延伸方向。
可以理解为将修正后的角度进行非极大值抑制,去除重复的值,只保留置信度高的值。不同于现有的非极大值抑制方法,具体可以包括:1)去除所有预设延伸方向的中置信度小于预设的置信度阈值的预设延伸方向,进行初步筛选,以过滤掉置信度极低不可能是待分割冠脉的实际延伸方向的预设延伸方向,将剩下的预设延伸方向作为待选预设延伸方向。2)取出待选延伸方向中置信度最高的待选预设延伸方向,从除置信度最高的待选预设延伸方向之外的待选预设延伸方向中,找出与该置信度最高的待选预设延伸方向之间的方向夹角小于预设角度偏差阈值的待选预设延伸方向,并将其去除;3)如果执行步骤2)的操作后,置信度最高的待选预设延伸方向不再有可去除的待选预设延伸方向,则从剩余的待选延伸方向中按照置信度由高到低的顺序重新选择置信度最高的待选预设延伸方向,重复执行步骤2),直到遍历完剩余的待选预设延伸方向,确定再没有待选预设延伸方向可以被去除;4)输出没有被去除的待选预设延伸方向,即得到了待分割冠脉的实际延伸方向。
可选地,基于所述冠脉初始关键点、半径和所述实际延伸方向确定出冠脉新增关键点,包括:以所述冠脉起源点为圆心,以预设长度为半径做圆形,基于所述圆形、所述半径和所述实际延伸方向确定出冠脉新增关键点。
如图2所示,具体可以是,以冠脉初始关键点为圆心,以待分割图像块的边长为直径,即以待分割图像块的边长的一般作为半径做圆形,得到的圆形如虚线所示,中间的点是冠脉初始关键点,箭头方向表示待分割冠脉的实际延伸方向,以冠脉初始关键点为端点,向实际延伸方向延伸的射线与圆形的交点即为冠脉新增关键点。该技术方案尤其适用于待分割图像块为正方形区域的情况。
需要说明的是,冠脉新增关键点可以是一个、两个或两个以上,其具体数量根据实际确定出的实际延伸方向相关,在次并不做具体限定。其中,半径的预设长度可以根据实际需求进行设定,在此不做具体限定。可选是,当待分割图像块为多边形时,预设长度小于等于待分割图像块的最长边的边长。
S130、基于所述冠脉初始关键点、冠脉新增关键点、所述待分割冠脉的半径以及实际延伸方向分割出所述待分割图像块中的冠脉块。
具体地,可基于冠脉初始关键点、冠脉新增关键点以及待分割冠脉的半径和实际延伸方向,进行曲线拟合,重新绘制出冠脉块。
如图3所示,中间的点是冠脉初始关键点,边界处的两个点是冠脉新增关键点,可基于冠脉初始关键点和冠脉新增关键点拟合出平滑的曲线。待分割冠脉的半径,拟合出以曲线为中线的光滑管子作为分割出的冠脉块。
S140、基于每个待分割图像块分割出的冠脉块确定所述初始冠脉图像的目标冠脉图像。
可选地,基于待分割图像块的划分方式确定冠脉块的目标组合方式,基于目标组合方式确定目标冠脉图像。示例性地,可以根据每个待分割图像块在目标冠脉图像中的位置或排布方式确定每个待分割图像块分割出的冠脉块的位置或排布方式,进而将冠脉块基于所述冠脉块的位置或排布方式进行拟合,得到初始冠脉图像的目标冠脉图像。
如果目标冠脉图像的风格方式为,待分割图像块根据冠脉的走向逐个划分,并在划分后对该待分割图像块进行冠脉块分割时,可以基于冠脉块分割的分割顺序或者分割时间对各个冠脉块进行拟合,得到初始冠脉图像的目标冠脉图像,实现了对目标冠脉的重建。
本发明实施例的技术方案,通过对获取到的待分割初始冠脉图像进行灰度归一化,得到目标冠脉图像,能够使得目标冠脉图像保留灰度改变信息的同时,减少由于成形因素造成的冠脉灰度不一致的影响,然后,将目标冠脉图像划分为至少一个待分割图像块,通过对目标冠脉图像地进行分块,来实现对目标冠脉图像的精细化处理;进而,分别确定每个待分割图像块中的待分割冠脉的冠脉初始关键点、半径以及实际延伸方向,基于冠脉起源点、半径和实际延伸方向确定出冠脉新增关键点,再基于冠脉初始关键点、冠脉新增关键点、待分割冠脉的半径以及实际延伸方向分割出待分割图像块中的冠脉块,通过冠脉的形态学参数分割冠脉块,能够有效地区分冠脉和静脉假阳,即使在存在运动伪影、冠脉斑块的情况下,也能够分割出足够细小的分支,鲁棒性很高,最后,基于每个待分割图像块分割出的冠脉块确定初始冠脉图像的目标冠脉图像,从而,保证初始冠脉图像的冠脉分割的精准度,实现了冠脉精准重建。
图4是本发明实施例所提供的一种冠脉重建方法的可选实例的流程示意图,如图4所示,其具体实现方式可以包括:
S401、获取待分割的初始冠脉图像,对初始冠脉图像进行灰度归一化,得到目标冠脉图像。
其中,初始冠脉图像可以为DICOM(Digital Imaging and Communications inMedicine,医学数字成像和通信)图像。DICOM是医学图像和相关信息的国际标准,可用于定义质量能满足临床需要的可用于数据交换的医学图像格式。
S402、确定所述目标冠脉图像中的冠脉起源点,并将所述冠脉起源点作为关键点压入关键点堆栈中。
在本发明实施例中,为了保证冠脉分割的有序进行,可以预先建立一个关键点堆栈,将冠脉起源点压入关键点堆栈中。以先进后出的方式对关键点堆栈中的存储数据取出。
S403、从所述目标冠脉图像中出提取以栈顶的关键点为中心的预设尺寸的待分割图像块,输入到训练完成的冠脉参数预测模型中:栈顶的关键点出栈。
其中,预设尺寸可以根据实际需求进行设置,在此并不做具体限定。可选地,基于目标冠脉图像或初始冠脉图像的图像分辨率确定预设尺寸。为了提升冠脉分割的精度,可以将待分割图像块的尺寸设置得比较小,比如,初始冠脉图像的分辨率为512*512*300,则待分割图像块的大小可设置为48*48*48。
S404、得到所述冠脉参数预测模型输出的所述待分割冠脉的每个预设延伸方向的置信度和修正值,执行S406。
其中,待分割冠脉的预设延伸方向均以冠脉初始关键点为端点。
示例性地,如图5所述,可以将待分割图像块输入到冠脉参数预测模型的神经网络模型backbone中提取冠脉图像特征,如前所述,backbone可以选择resnet、densenet、senet等主流深度学习网络。进而,将提取到的冠脉图像特征送入head0和head1中,得到两个输出。一是该patch中管状物的半径,二是输出不同的预设延伸方向(anchor)的置信度和各个预设延伸方向的修正值。
其中,head1输出与每个预设延伸方向的置信度与修正值对应的输出结果,具体可以是,输出的数据大小即shape为k*4,其中,k为预设延伸方向的数量,K为大于等于2的正整数。每个预设延伸方向的4个值,分别是置信度,Δxk,Δyk和Δzk。其中,Δxk,Δyk,Δzk代表球坐标下对预设延伸方向的修正值。置信度代表每个预设延伸方向是不是真正的冠脉走向或者说实际延伸方向的概率。通过Δxk,Δyk,Δzk对每个预设延伸方向进行修正,可以得到k个精确的预设延伸方向,也可以理解为得到了k个精确的角度。在本发明实施例中,该角度可具体可表示为angle0~anglek。
S405、得到所述冠脉参数预测模型输出的所述待分割冠脉的半径,执行S409。
具体地,冠脉参数预测模型输出的待分割冠脉的半径为半径的回归值。其中,半径从head0输出。
S406、基于每个预设延伸方向的修正值分别对每个预设延伸方向进行修正,执行S407。
S407、去除重复和置信度低的预设延伸方向,得到所述待分割冠脉的实际延伸方向,执行S408。
在本发明实施例中,具体地,可以将k个修正后的预设延伸方向进行非极大值抑制((Non-Maximum Suppression,NMS)),以去除重复的值,只保留置信度高的值。这里NMS的过程不同于现有的NMS,其具体实现过程如下:
a.去除所有置信度小于某个阈值的angle;
b.取出剩下angle中置信度最高的angle_i,找出与该angle_i夹角小于某个阈值的angle,并将其去除,其中,angle_i表示第i个angle,即第i个预设延伸方向;
c.重复过程b,直到没有angle被去除;
d.输出没有被去除的angle。
此时,便得到了待分割冠脉的实际延伸方向。
S408、根据待分割图像块中的待分割冠脉的直径和实际延伸方向,得到冠脉新增关键点,并将冠脉新增关键点压入关键点堆栈中,执行S409。
S409、根据所述冠脉初始关键点、冠脉新增关键点、所述待分割冠脉的半径以及实际延伸方向进行冠脉重建得到冠脉块。
S410、判断关键点堆栈是否为空,若是,执行S411;若否,则返回执行S403。
即,判断是不是还有新划分出的待分割图像块,如果没有,则结束待分割图像块的划分,即结束冠脉块分割;如果关键点堆栈还有冠脉新增关键点,则继续进行待分割图像块的划分以及冠脉块的分割。
S411、输出所述初始冠脉图像的目标冠脉图像。
可选地,当所有的冠脉块分割完毕时,根据冠脉块的分割顺序将各个冠脉块进行拟合得到初始冠脉图像的目标冠脉图像,并输出该目标冠脉图像。
本发明实施例的方法,能够可以有效区分冠脉和静脉假阳,且对于冠脉中的伪影、斑块有很强的鲁棒性,冲洗拟合出的冠脉光滑、噪声很少,冠脉分割的精度更高。
图6为本发明实施例所提供了一种冠脉重建装置的结构示意图,该装置可以通过软件和/或硬件的方式实现,该装置包括:图像划分模块610、参数确定模块620、冠脉块分割模块630和冠脉图像确定模块640。
其中,图像划分模块610,用于获取待分割的初始冠脉图像,对所述初始冠脉图像进行灰度归一化,得到目标冠脉图像,并将所述目标冠脉图像划分为至少一个待分割图像块;参数确定模块620,用于分别确定每个待分割图像块中的待分割冠脉的冠脉初始关键点、半径以及实际延伸方向,基于所述冠脉初始关键点、半径和所述实际延伸方向确定出冠脉新增关键点;冠脉块分割模块630,基于所述冠脉初始关键点、冠脉新增关键点、待分割冠脉的半径以及实际延伸方向分割出所述待分割图像块中的冠脉块;冠脉图像确定模块640,用于基于每个待分割图像块分割出的冠脉块确定所述初始冠脉图像的目标冠脉图像。
本发明实施例的技术方案,通过对获取到的待分割初始冠脉图像进行灰度归一化,得到目标冠脉图像,能够使得目标冠脉图像保留灰度改变信息的同时,减少由于成形因素造成的冠脉灰度不一致的影响,然后,将目标冠脉图像划分为至少一个待分割图像块,通过对目标冠脉图像地进行分块,来实现对目标冠脉图像的精细化处理;进而,分别确定每个待分割图像块中的待分割冠脉的冠脉初始关键点、半径以及实际延伸方向,基于冠脉起源点、半径和实际延伸方向确定出冠脉新增关键点,再基于冠脉初始关键点、冠脉新增关键点、待分割冠脉的半径以及实际延伸方向分割出待分割图像块中的冠脉块,通过冠脉的形态学参数分割冠脉块,能够有效地区分冠脉和静脉假阳,即使在存在运动伪影、冠脉斑块的情况下,也能够分割出足够细小的分支,鲁棒性很高,最后,基于每个待分割图像块分割出的冠脉块确定初始冠脉图像的目标冠脉图像,从而,保证初始冠脉图像的冠脉分割的精准度,实现了冠脉精准重建。
在本发明实施例中任一可选技术方案的基础上,所述图像划分模块可用于:
确定所述目标冠脉图像中的冠脉起源点,基于所述冠脉起源点和第一划分参数从所述目标冠脉图像划分出待分割图像块;
相应地,所述参数确定模块可用于:
如果所述待分割图像块中包括所述冠脉起源点,则将所述目标冠脉图像中的冠脉起源点作为所述待分割图像块中的待分割冠脉的冠脉初始关键点。
在本发明实施例中任一可选技术方案的基础上,所述图像划分模块可用于:
获取已完成冠脉块分割的待分割图像块中的待分割冠脉的冠脉新增关键点,基于所述冠脉新增关键点和第二划分参数从所述目标冠脉图像划分出未完成冠脉块分割的待分割图像块;
相应地,所述参数确定模块可用于:
如果未完成冠脉块分割的待分割图像块中包括已完成冠脉块分割的待分割图像块中的冠脉新增关键点,则将如果未完成冠脉块分割的待分割图像块中包括已完成冠脉块分割的待分割图像块中的冠脉新增关键点,则将已完成冠脉块分割的待分割图像块中的待分割冠脉的冠脉新增关键点作为所述未完成冠脉块分割的待分割图像块中的待分割冠脉的冠脉初始关键点。
在本发明实施例中任一可选技术方案的基础上,所述参数确定模块可包括:参数预测单元和参数确定单元。
其中,参数预测单元,用于针对每个待分割图像块,将所述待分割图像块输入至预先训练完成的冠脉参数预测模型中,得到所述待分割图像块中的待分割冠脉的半径,以及所述待分割冠脉的至少两个预设延伸方向的置信度和修正值;参数修正单元,用于基于每个预设延伸方向的修正值和置信度,确定所述待分割冠脉的实际延伸方向。
在本发明实施例中任一可选技术方案的基础上,所述参数修正单元可用于:
基于每个预设延伸方向的修正值分别对每个预设延伸方向进行修正;
基于修正后的每个所述预设延伸方向以及每个所述预设冠脉延伸方向的置信度,确定所述待分割冠脉的实际延伸方向。
在本发明实施例中任一可选技术方案的基础上,所述参数修正单元可具体用于:
基于每个所述预设延伸方向的置信度以及预设的置信度阈值确定至少一个待选预设延伸方向;
基于所述至少一个待选预设延伸方向的置信度以及预设角度偏差阈值对至少一个待选预设延伸方向进行去重处理,得到所述待分割冠脉的实际延伸方向。
在本发明实施例中任一可选技术方案的基础上,所述参数确定模块可用于:
以所述冠脉起源点为圆心,以预设长度为半径做圆形,基于所述圆形、所述半径和所述实际延伸方向确定出冠脉新增关键点。
上述产品可执行本发明任意实施例所提供的冠脉重建方法,具备执行冠脉重建方法相应的功能模块和有益效果。
图7为本发明实施例所提供的一种电子设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图7显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示,通常称为“硬盘驱动器”)。尽管图7中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如系统存储器28中,这样的程序模块42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。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,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22进行。并且,电子设备12还可以通过网络适配器20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7所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图7中未示出,可以结合电子设备12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。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发实施例所提供的一种冠脉重建方法。
本发明实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种冠脉重建方法,该方法包括:
获取待分割的初始冠脉图像,对所述初始冠脉图像进行灰度归一化,得到目标冠脉图像,并将所述目标冠脉图像划分为至少一个待分割图像块;
分别确定每个待分割图像块中的待分割冠脉的冠脉初始关键点、半径以及实际延伸方向,基于所述冠脉初始关键点、半径和所述实际延伸方向确定出冠脉新增关键点;
基于所述冠脉初始关键点、冠脉新增关键点、所述待分割冠脉的半径以及实际延伸方向分割出所述待分割图像块中的冠脉块;
基于每个待分割图像块分割出的冠脉块确定所述初始冠脉图像的目标冠脉图像。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。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。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括: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。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
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、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的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。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种冠脉重建方法,其特征在于,包括:
获取待分割的初始冠脉图像,对所述初始冠脉图像进行灰度归一化,得到目标冠脉图像,并将所述目标冠脉图像划分为至少一个待分割图像块;
分别确定每个待分割图像块中的待分割冠脉的冠脉初始关键点、半径以及实际延伸方向,基于所述冠脉初始关键点、半径和所述实际延伸方向确定出冠脉新增关键点;
基于所述冠脉初始关键点、冠脉新增关键点、所述待分割冠脉的半径以及实际延伸方向分割出所述待分割图像块中的冠脉块;
基于每个待分割图像块分割出的冠脉块确定所述初始冠脉图像的目标冠脉图像。
2.根据权利要求1所述的方法,其特征在于,所述将所述目标冠脉图像划分为至少一个待分割图像块,包括:
确定所述目标冠脉图像中的冠脉起源点,基于所述冠脉起源点和第一划分参数从所述目标冠脉图像划分出待分割图像块;
所述确定每个待分割图像块中的待分割冠脉的冠脉初始关键点,包括:
如果所述待分割图像块中包括所述冠脉起源点,则将所述目标冠脉图像中的冠脉起源点作为所述待分割图像块中的待分割冠脉的冠脉初始关键点。
3.根据权利要求1所述的方法,其特征在于,所述将所述目标冠脉图像划分为至少一个待分割图像块,包括:
获取已完成冠脉块分割的待分割图像块中的待分割冠脉的冠脉新增关键点,基于所述冠脉新增关键点和第二划分参数从所述目标冠脉图像划分出未完成冠脉块分割的待分割图像块;
所述确定每个待分割图像块中的待分割冠脉的冠脉初始关键点,包括:
如果未完成冠脉块分割的待分割图像块中包括已完成冠脉块分割的待分割图像块中的冠脉新增关键点,则将已完成冠脉块分割的待分割图像块中的待分割冠脉的冠脉新增关键点作为所述未完成冠脉块分割的待分割图像块中的待分割冠脉的冠脉初始关键点。
4.根据权利要求1所述的方法,其特征在于,所述分别确定每个待分割图像块中的待分割冠脉的半径以及实际延伸方向,包括:
针对每个待分割图像块,将所述待分割图像块输入至预先训练完成的冠脉参数预测模型中,得到所述待分割图像块中的待分割冠脉的半径,以及所述待分割冠脉的至少两个预设延伸方向的置信度和修正值;
基于每个预设延伸方向的修正值和置信度,确定所述待分割冠脉的实际延伸方向。
5.根据权利要求4所述的方法,其特征在于,所述基于每个预设延伸方向的修正值和置信度,确定所述待分割冠脉的实际延伸方向,包括:
基于每个预设延伸方向的修正值分别对每个预设延伸方向进行修正;
基于修正后的每个所述预设延伸方向以及每个所述预设冠脉延伸方向的置信度,确定所述待分割冠脉的实际延伸方向。
6.根据权利要求5所述的方法,其特征在于,所述基于修正后的每个所述预设延伸方向以及每个所述预设冠脉延伸方向的置信度,确定所述待分割冠脉的实际延伸方向,包括:
基于每个所述预设延伸方向的置信度以及预设的置信度阈值确定至少一个待选预设延伸方向;
基于所述至少一个待选预设延伸方向的置信度以及预设角度偏差阈值对至少一个待选预设延伸方向进行去重处理,得到所述待分割冠脉的实际延伸方向。
7.根据权利要求1所述的方法,其特征在于,所述基于所述冠脉初始关键点、半径和所述实际延伸方向确定出冠脉新增关键点,包括:
以所述冠脉起源点为圆心,以预设长度为半径做圆形,基于所述圆形、所述半径和所述实际延伸方向确定出冠脉新增关键点。
8.一种冠脉重建装置,其特征在于,包括:
图像划分模块,用于获取待分割的初始冠脉图像,对所述初始冠脉图像进行灰度归一化,得到目标冠脉图像,并将所述目标冠脉图像划分为至少一个待分割图像块;
参数确定模块,用于分别确定每个待分割图像块中的待分割冠脉的冠脉初始关键点、半径以及实际延伸方向,基于所述冠脉初始关键点、半径和所述实际延伸方向确定出冠脉新增关键点;
冠脉块分割模块,基于所述冠脉初始关键点、冠脉新增关键点、待分割冠脉的半径以及实际延伸方向分割出所述待分割图像块中的冠脉块;
冠脉图像确定模块,用于基于每个待分割图像块分割出的冠脉块确定所述初始冠脉图像的目标冠脉图像。
9.一种电子设备,其特征在于,所述电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的冠脉重建方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的冠脉重建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110227699.5A CN112950734B (zh) | 2021-03-01 | 2021-03-01 | 冠脉重建方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110227699.5A CN112950734B (zh) | 2021-03-01 | 2021-03-01 | 冠脉重建方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112950734A true CN112950734A (zh) | 2021-06-11 |
CN112950734B CN112950734B (zh) | 2023-09-22 |
Family
ID=76247041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110227699.5A Active CN112950734B (zh) | 2021-03-01 | 2021-03-01 | 冠脉重建方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112950734B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113506277A (zh) * | 2021-07-16 | 2021-10-15 | 推想医疗科技股份有限公司 | 图像处理方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100067760A1 (en) * | 2008-09-15 | 2010-03-18 | Siemens Corporate Research, Inc. | Method and System for Automatic Coronary Artery Detection |
CN109360209A (zh) * | 2018-09-30 | 2019-02-19 | 语坤(北京)网络科技有限公司 | 一种冠状血管分割方法及系统 |
CN110223271A (zh) * | 2019-04-30 | 2019-09-10 | 深圳市阅影科技有限公司 | 血管图像的自动水平集分割方法及装置 |
CN111192664A (zh) * | 2019-12-31 | 2020-05-22 | 上海联影医疗科技有限公司 | 一种图像标记方法、系统、设备及存储介质 |
CN111899245A (zh) * | 2020-07-30 | 2020-11-06 | 北京推想科技有限公司 | 图像分割、模型的训练方法及装置,电子设备及存储介质 |
CN112418299A (zh) * | 2020-11-19 | 2021-02-26 | 推想医疗科技股份有限公司 | 冠状动脉分割模型训练方法、冠状动脉分割方法、及装置 |
-
2021
- 2021-03-01 CN CN202110227699.5A patent/CN112950734B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100067760A1 (en) * | 2008-09-15 | 2010-03-18 | Siemens Corporate Research, Inc. | Method and System for Automatic Coronary Artery Detection |
CN109360209A (zh) * | 2018-09-30 | 2019-02-19 | 语坤(北京)网络科技有限公司 | 一种冠状血管分割方法及系统 |
CN110223271A (zh) * | 2019-04-30 | 2019-09-10 | 深圳市阅影科技有限公司 | 血管图像的自动水平集分割方法及装置 |
CN111192664A (zh) * | 2019-12-31 | 2020-05-22 | 上海联影医疗科技有限公司 | 一种图像标记方法、系统、设备及存储介质 |
CN111899245A (zh) * | 2020-07-30 | 2020-11-06 | 北京推想科技有限公司 | 图像分割、模型的训练方法及装置,电子设备及存储介质 |
CN112418299A (zh) * | 2020-11-19 | 2021-02-26 | 推想医疗科技股份有限公司 | 冠状动脉分割模型训练方法、冠状动脉分割方法、及装置 |
Non-Patent Citations (2)
Title |
---|
WEIMIN HUANG, LU HUANG, ZHIPING LIN: "Coronary Artery Segmentation by Deep Learning Neural Networks on Computed Tomographic Coronary Angiographic Images", 2018 40TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY(EMBC), pages 608 - 611 * |
康皓贝;孙耀宗;陈杰;: "基于深度卷积网络的冠脉血管分割方法", 电子技术与软件工程, no. 06, pages 146 - 150 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113506277A (zh) * | 2021-07-16 | 2021-10-15 | 推想医疗科技股份有限公司 | 图像处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112950734B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108022238B (zh) | 对3d图像中对象进行检测的方法、计算机存储介质和系统 | |
US11379975B2 (en) | Classification and 3D modelling of 3D dento-maxillofacial structures using deep learning methods | |
CN110706246B (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
US8761475B2 (en) | System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans | |
CN111145160B (zh) | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 | |
CN111696089A (zh) | 一种动静脉确定方法、装置、设备和存储介质 | |
CN116503607B (zh) | 一种基于深度学习的ct图像分割方法和系统 | |
CN111080700A (zh) | 医疗器械图像检测方法及装置 | |
CN111640124B (zh) | 一种血管提取方法、装置、设备及存储介质 | |
JP5709216B2 (ja) | 画像処理プログラム、方法及び装置 | |
CN113989407B (zh) | Ct影像中肢体部位识别模型训练方法及系统 | |
CN113159040B (zh) | 医学图像分割模型的生成方法及装置、系统 | |
CN112396606B (zh) | 一种基于用户交互的医学图像分割方法、系统和装置 | |
CN112950734B (zh) | 冠脉重建方法、装置、电子设备和存储介质 | |
CN113889238A (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
CN113409273B (zh) | 一种图像分析方法、装置、设备和介质 | |
CN113192099B (zh) | 一种组织提取方法、装置、设备和介质 | |
CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
CN115439423A (zh) | 一种基于ct图像的识别方法、装置、设备及存储介质 | |
CN114723710A (zh) | 基于神经网络的超声视频关键帧的检测方法和装置 | |
CN114170258A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN114419032A (zh) | 心脏左心室的心肌内膜和/或心肌外膜的分割方法和装置 | |
CN114037830A (zh) | 增强图像生成模型的训练方法、图像处理方法及装置 | |
CN111275719A (zh) | 钙化假阳识别及其模型训练的方法、装置、终端及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |