CN113012114B - 一种血管识别方法、装置、存储介质及电子设备 - Google Patents
一种血管识别方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113012114B CN113012114B CN202110231861.0A CN202110231861A CN113012114B CN 113012114 B CN113012114 B CN 113012114B CN 202110231861 A CN202110231861 A CN 202110231861A CN 113012114 B CN113012114 B CN 113012114B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- determining
- region
- growth
- connected domain
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种血管识别方法、装置、存储介质及电子设备。其中方法包括:获取基于血管识别模型输出的各类型血管的识别结果;对于所述识别结果中的任一类型血管,确定当前类型血管的各个连通域;确定各所述连通域中的血管中心点,并存储所述血管中心点;基于各所述连通域对所述当前类型血管进行区域生长,得到生长区域;基于所述血管中心点对所述生长区域进行验证,将验证成功的生长区域确定为所述当前类型血管。通过在血管识别模型输出识别结果之后,确定识别结果中的各类型血管的连通域,对各类型血管的连通域进行区域生长,以保证同一类型血管的连通域的连续性。基于已存储的血管中心点对生长得到的生长区域进行验证,提高血管修正的正确性。
Description
技术领域
本发明实施例涉及图像处理技术,尤其涉及一种血管识别方法、装置、存储介质及电子设备。
背景技术
近年来,深度学习在很多领域都取得了非常好的效果,从图像分类、语音识别到自然语言处理等,目前,深度学习已应用到医学图像的处理领域,例如识别医学影像中的血管以及血管类型。
但是在实现本发明的过程中,发明人发现现有技术中至少存在以下技术问题:在使用深度神经网络分割动静脉时,往往会存在因分类错误导致的血管不连续,动静脉混乱等的问题。
发明内容
本发明实施例提供一种血管识别方法、装置、存储介质及电子设备,以实现提高血管识别精度。
第一方面,本发明实施例提供了一种血管识别方法,包括:
获取基于血管识别模型输出的各类型血管的识别结果;
对于所述识别结果中的任一类型血管,确定当前类型血管的各个连通域;
确定各所述连通域中的血管中心点,并存储所述血管中心点;
基于各所述连通域对所述当前类型血管进行区域生长,得到生长区域;
基于所述血管中心点对所述生长区域进行验证,将验证成功的生长区域确定为所述当前类型血管。
第二方面,本发明实施例还提供了一种血管识别方法,包括:
识别结果获取模块,用于获取基于血管识别模型输出的各类型血管的识别结果;
连通域确定模块,用于对于所述识别结果中的任一类型血管,确定当前类型血管的各个连通域;
血管中心点确定模块,用于确定各所述连通域中的血管中心点,并存储所述血管中心点;
生长区域确定模块,用于基于各所述连通域对所述当前类型血管进行区域生长,得到生长区域;
当前类型血管确定模块,用于基于所述血管中心点对所述生长区域进行验证,将验证成功的生长区域确定为所述当前类型血管。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明任一实施例提供的血管识别方法。
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任一实施例提供的血管识别方法。
本发明实施例提供的技术方案,通过在血管识别模型输出识别结果之后,确定识别结果中的各类型血管的连通域,对各类型血管的连通域进行区域生长,以保证同一类型血管的连通域的连续性。进一步的通过确定并存储各连通域的血管中心点,基于已存储的血管中心点对生长得到的生长区域进行验证,剔除验证失败的生长区域,提高生长区域的正确性,进一步的提高血管修正的正确性。
附图说明
图1是本发明中实施例提供的血管识别模型输出识别结果的示意图;
图2是本发明实施例提供的血管识别结果的局部示意图;
图3为本发明实施例提供的一种血管识别方法的流程示意图;
图4是本发明实施例提供的一种血管识别方法的流程示意图;
图5是本发明实施例提供的一种血管识别装置的结构示意图
图6为本发明实施例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。
本实施例中,对目标对象采集医学数据,基于预先设置的血管识别模型对采集的医学数据进行血管识别,得到血管识别结果,该血管识别结果中包括识别出的血管以及血管的类型。其中,目标对象可以是人体或者动物体等,还可以是人体或者动物体的局部,例如可以是但不限于肺部、头部等。对目标对象采集的医学数据可以是但不限于血管造影数据。
预先设置的血管识别模型可以是深度神经网络模型,例如CNN(ConvolutionalNeural Network,卷积神经网络)、DNN(Deep Neural Networks,深度神经网络)、VGG(Visual Geometry Group)模型等,本实施例中,不限定血管识别模型的具体结构,具有血管识别功能的机器学习模型即可。该预先设置的血管识别模型可以是通过样本血管造影数据和该样本血管造影数据对应的血管标签训练得到的。预先设置的血管识别模型用于识别血管造影数据中的血管以及血管类型,其中,血管类型包括动脉血管和静脉血管。该血管识别模型的输出的识别结果可以是对各类型的血管进行标记,或者区别显示。
示例性的,以肺部为例,参见图1,图1是本发明中实施例提供的血管识别模型输出识别结果的示意图。图1中对肺部不同类型的血管通过颜色进行区别显示,例如红色标识动脉血管,绿色标识静脉血管。在其他实施例中,还可以是对识别结果通过其他方式进行标记,对此不作限定。由于血管识别模型的精度问题,导致识别结果中存在分类错误,导致图1中存在血管不连续,以及出现串色的情况。示例性的,参见图2,图2是本发明实施例提供的血管识别结果的局部示意图。
目前的血管识别模型无法保证血管识别的无误差,对于识别结果中血管不连续,以及不同类型血管混乱的情况,通常是通过人工识别,人工修改的方式进行修正,导致时间成功和人工成本的浪费,同时人工修改存在修改遗漏的问题。
针对上述技术问题,本实施例提供了一种血管识别方法,图3为本发明实施例提供的一种血管识别方法的流程示意图,本实施例可适用于对深度学习模型输出的血管识别结果进行进一步识别的情况,该方法可以由本发明实施例提供的血管识别装置来执行,该血管识别装置可以由软件和/或硬件来实现,该血管识别装置可以配置在诸如计算机等的电子设备上,具体包括如下步骤:
S110、获取基于血管识别模型输出的各类型血管的识别结果。
S120、对于所述识别结果中的任一类型血管,确定当前类型血管的各个连通域。
S130、确定各所述连通域中的血管中心点,并存储所述血管中心点。
S140、基于各所述连通域对所述当前类型血管进行区域生长,得到生长区域。
S150、基于所述血管中心点对所述生长区域进行验证,将验证成功的生长区域确定为所述当前类型血管。
获取血管识别模型输出的类型血管的识别结果,不限定识别结果的展示形式,例如可以是三维图像的形式,该三维图像中包括不同颜色标记的不同类型血管,例如还可以是数据列表的形式,该数据列表中包括各像素点对应的标签,不同标签用于标记不同类型血管,本实施例中,可以是对数据列表的形式的识别结果构建三维模型,便于对识别结果的进一步识别和处理。
本实施例中,对血管识别模型输出的识别结果进一步处理,对识别结果中各类型血管进行校正和修改,实现对血管识别模型输出识别结果的自动校正,提高血管识别模型输出识别结果的校正效率和准确性。
血管识别结果中包括不同类型血管的识别结果,其中,不同类型血管可以是静脉血管和动脉血管。本实施例中,对于任一类型血管进行相同的处理方式,可选的,可以是对识别结果中不同类型血管进行同步处理,以提高识别结果的处理效率。
对于任一类型血管,对同一类型血管的识别结果进行连通域的划分。以当前血管类型为动脉血管为例,将动脉血管的识别结果中,根据连通关系确定动脉血管的至少一个连通域,同一连通域属于同一血管类型,本实施例中,通过将相同类型血管的连通域进行生长直到同一血管类型的连通域相交,得到该血管类型的完整血管识别结果,消除血管不连续以及血管类型混乱的问题。
可选的,在确定当前类型血管的各个连通域之后,所述方法还包括:剔除连通域体积小于第一预设面积的连通域,其中,第一预设面积可以是预先设置的面积阈值,可根据用户需求设置。本实施例中,连通域体积小于第一预设面积的连通域可视为血管识别模型在处理过程中产生的噪声,通过剔除连通域体积小于第一预设面积的连通域减少了噪声对血管识别结果的干扰,以及无效计算量,以提高血管识别结果的处理效率。
可选的,在确定当前类型血管的各个连通域之后,所述方法还包括:剔除与其他各连通域距离大于预设距离,且连通域体积小于第二预设面积的连通域。其中,第二预设面积可以是预先设置的面积阈值,可根据用户需求设置,可以是与第一预设面积相同或不同。远离其他连通域且体积较小的连通域,与其他任意血管孤立,表明上述连通域属于血管识别模型的错误识别结果,剔除上述联通域,对识别结果进行修改,避免血管识别模型的错误识别结果的影响,提供血管识别的正确性以及降低无效计算量。
通过对血管识别模型输出的识别结果进行预处理,提出识别结果中的噪声以及识别错误信息,避免上述噪声以及识别错误信息对后续处理中的干扰,提高了识别结果的处理正确性以及效率。
对于预处理后的识别结果中的任一类型血管,即当前类型血管,以动脉血管为例,确定动脉血管的各连通域中血管中心点,该血管中心点可以是血管中心线上的点,例如可以是血管中心线上的每一个像素点,还可以是血管中心线上预设间隔的点。通过确定已知连通域上血管中心点对待生长的血管进行验证,以保证生长的血管的正确性。
在一些实施例中,所述确定各所述连通域中的血管中心点,包括:若所述连通域为独立连通域,则基于所述连通域的轮廓点和血管参数确定血管中心点。其中,独立连通域为与其他类型血管的连通域不存在连接的连通域,不存在其他类型血管的干扰,可根据该独立连通域的轮廓点和血管参数确定血管中心点。其中,血管参数可以是血管半径。可选的,识别结果中包括各像素点的坐标信息,根据独立连通域的轮廓点的坐标信息和血管半径可确定血管中心点。在一些实施例中,还可以是根据独立连通域的轮廓点确定独立连通域的血管轮廓,通过血管参数对血管轮廓进行验证,验证成功时,基于独立连通域的轮廓点和血管参数确定血管中心点,验证失败时,生成提示信息。
在一些实施例中,所述确定各所述连通域中的血管中心点,包括:若所述连通域为非独立连通域,则对接触连通域的接触区域进行腐蚀处理,得到接触点,基于所述接触点和所述血管参数确定血管中心点。不同类型血管相接触,即相接触的不同类型血管的连通域为非独立连通域,对于非独立连通域,通过确定接触点将非独立连通域进行分割,得地互补干扰的两个连通域。本实施例中,通过确定非独立连通域的接触点,以接触点为分割点,将非独立连通域进行分割,其中,非独立连通域中识别到的接触点可组成接触线,该接触线可作为非独立连通域的分割线。
对于非独立连通域的接触区域进行腐蚀处理,以得到接触区域的多个接触点。可选的,对接触连通域的接触区域进行腐蚀处理得到接触点,包括:对于所述接触区域的像素点迭代进行轮廓点剔除,将得到的腐蚀后接触区域的中心点确定为所述接触点。具体的,可以是以一个像素点为一个单位,对于接触区域,剔除作为周向轮廓点的最外围一层像素点,得到一次腐蚀的接触区域,对该接触区域,剔除作为轮廓点的下一层像素点,得到二次腐蚀的接触区域,并以此类推,直到不存在轮廓点,得到腐蚀后的接触区域中的接触点。
通过腐蚀操作得到非独立连通域的接触点,将多个接触点组成接触点作为非独立连通域的分割线,也即各连通域的轮廓线,基于得到的接触点以及血管参数确定血管中心点。
在一些实施例中,基于得到的接触点以及血管参数确定血管中心点,包括,基于接触点与血管参数的血管直径,确定与该连通域上与接触点对应的轮廓点,其中,该接触点与该对应的轮廓点为血管上直径两端的点,确定与该接触点以及该对应的轮廓点的距离均为血管半径的点,确定为血管中心点。通过确定血管中心点,作为已知信息对后续生长的血管进行验证。在一些实施例中,可以是对各连通域进行标记,并对应存储各连通域的标记对应的血管中心点,并与后续对存储的各血管中心点进行快速调用。
对于各连通域的不连续性,本实施例中通过对连通域进行区域生长,以实现各连通域的相交。在一些实施例中,可以是将各个连通域均作为种子区域进行区域生长,在一些实施例中,可以是在同一类型血管的各个联通域中筛选种子区域进行区域生长。
可选的,基于各所述连通域对所述当前类型血管进行区域生长,得到生长区域,包括:将最大连通域以外的连通域确定为种子区域,对所述种子区域进行区域生长,直到所述种子区域与所述最大连通域或任一生长区域相交。将当前类型血管的各个连通域基于连通域面积进行排序,确定连通域面积最大的最大连通域,将其他连通域确定为种子区域,对所述种子区域进行区域生长,直到所述种子区域与所述最大连通域或任一生长区域相交。
在一些实施例中,对种子区域进行区域生长可以是确定种子区域的可生长血管,以及该可生长血管的生长方向,沿生长方向进行区域生长。其中,可生长血管的生长方向沿血管中心线方向。
需要说明的是,为了避免区域生长异常,限定了区域生长范围,在获取血管识别模型输出的识别结果之后,还包括确定所述识别结果中的整体连通域,该整体连通域为各类型血管形成的连通域。本实施例中,种子区域在种子区域进行区域生长中进行区域生长,避免了区域生长异常导致的错误结果。
当各个种子区域满足所述最大连通域或任一生长区域相交时,确定各个种子区域生长完成,得到多个生长区域。通过预先存储的血管中心点对各生长区域进行验证,以保证生长区域的正确性。
在一些实施例中,基于所述血管中心点对所述生长区域进行验证,包括:确定已存储的血管中心点与各生长区域相交点的连线,其中,所述连线包括所述已存储的血管中心点与各生长区域相交点的直线,以及所述已存储的血管中心点与各生长区域相交点沿所述当前类型血管的连线;基于所述连线对所述生长区域进行验证。
对于任一生长区域,确定该生长区域与最大连通域或者其他生长区域的相交点,确定该相交点与已存储的血管中心点的连线,在一些实施例中,该连线为已存储的血管中心点与各生长区域相交点的直线,即最短路径。相应的,基于所述连线对所述生长区域进行验证,包括:确定所述已存储的血管中心点与各生长区域相交点的直线是否与组织相交。若是,则确定生长区域验证失败,生成提示信息,若否,则确定生长区域验证成功,将该生长区域确定为当前类型血管。
在一些实施例中,相交点与已存储的血管中心点的连线为沿所述当前类型血管的连线,即相交点与已存储的血管中心点沿生长区域中血管中心线的连线,相应的,基于所述连线对所述生长区域进行验证,包括:确定所述已存储的血管中心点与各生长区域相交点沿所述当前类型血管的连线的斜率是否满足血管参数规则。其中血管参数规则包括血管斜率范围,若相交点与已存储的血管中心点的连线的斜率超出该血管斜率范围,则确定生长区域验证失败,生成提示信息,若相交点与已存储的血管中心点的连线的斜率在该血管斜率范围内,则确定生长区域验证成功,将该生长区域确定为当前类型血管。
在一些实施例中,分别确定所述已存储的血管中心点与各生长区域相交点的直线,以及所述已存储的血管中心点与各生长区域相交点沿所述当前类型血管的连线,对上述两种连线分别进行验证,若均验证成功,则确定该生长区域确定为当前类型血管,若任一种连线验证失败,则确定生长区域验证失败,生成提示信息。
本实施例的技术方案,通过在血管识别模型输出识别结果之后,确定识别结果中的各类型血管的连通域,对各类型血管的连通域进行区域生长,以保证同一类型血管的连通域的连续性。进一步的通过确定并存储各连通域的血管中心点,基于已存储的血管中心点对生长得到的生长区域进行验证,剔除验证失败的生长区域,提高生长区域的正确性,进一步的提高血管修正的正确性。
在上述实施例的基础上,还提供了优选实例,参见图4,图4是本发明实施例提供的一种血管识别方法的流程示意图。具体的,输入深度学习模型(即血管识别模型)对目标对象的识别结果,图4中目标对象的识别结果可以是肺血管动脉、静脉分割结果。将动脉、静脉整体看待,剔除与中心区域不连通的外部小血管或分割假阳,得到初步修正识别结果,将初步修正识别结果中动脉各部分根据各连通区域体积大小排序并标签,剔除动脉部分体积太小的连通区域(剔除深度模型分割分类的一些噪点),其中,体积太小的连通区域可以是面积小于第一预设面积的连通域。获取剩余的小连通域(除最大连通域之外的连通域)动脉与静脉交界处的所有点的信息。通过腐蚀操作,将上述连通域中获取的交接点(即接触区域)腐蚀成若干个关键点,即接触点,对获取的若干关键点,找出对应的血管区域中心(即血管中心点)作为最终的关键点并保存。将除了最大连通域之外的其它动脉小连通域作为种子区域,对种子区域在动静态一体的大连通域(即整体连通域)内区域生长,直至各个小连通域与动脉最大的连通域相交或者小连通域彼此之间相交截止。将区域增长相交的点与存储的最终的关键点在分割区域内的连线,通过拓扑学方法判断是否自然,如果自然,则以之前的关键点及区域增长相交在分割区域内的连线,将连线周边数据(即连线所在的生长区域)标记为动脉,得到处理后的动脉血管。
同理,基于上述处理方式,对识别结果中静脉血管进行处理,得到处理的静脉血管。
图5是本发明实施例提供的一种血管识别装置的结构示意图,该装置包括:
识别结果获取模块210,用于获取基于血管识别模型输出的各类型血管的识别结果;
连通域确定模块220,用于对于所述识别结果中的任一类型血管,确定当前类型血管的各个连通域;
血管中心点确定模块230,用于确定各所述连通域中的血管中心点,并存储所述血管中心点;
生长区域确定模块240,用于基于各所述连通域对所述当前类型血管进行区域生长,得到生长区域;
当前类型血管确定模块250,用于基于所述血管中心点对所述生长区域进行验证,将验证成功的生长区域确定为所述当前类型血管。
在上述实施例的基础上,血管中心点确定模块230包括:
第一血管中心点确定单元,用于若所述连通域为独立连通域,则基于所述连通域的轮廓点和血管参数确定血管中心点;
第二血管中心点确定单元,用于若所述连通域为非独立连通域,则对接触连通域的接触区域进行腐蚀处理,得到接触点,基于所述接触点和所述血管参数确定血管中心点。
在上述实施例的基础上,第二血管中心点确定单元用于
对于所述接触区域的像素点迭代进行轮廓点剔除,将得到的腐蚀后接触区域的中心点确定为所述接触点。
在上述实施例的基础上,生长区域确定模块240用于:
将最大连通域以外的连通域确定为种子区域,对所述种子区域进行区域生长,直到所述种子区域与所述最大连通域或任一生长区域相交。
在上述实施例的基础上,当前类型血管确定模块250包括:
连线确定单元,用于确定已存储的血管中心点与各生长区域相交点的连线,其中,所述连线包括所述已存储的血管中心点与各生长区域相交点的直线,以及所述已存储的血管中心点与各生长区域相交点沿所述当前类型血管的连线。
连线验证单元,用于基于所述连线对所述生长区域进行验证。
在上述实施例的基础上,连线验证单元用于:
确定所述已存储的血管中心点与各生长区域相交点的直线是否与组织相交,和/或,
确定所述已存储的血管中心点与各生长区域相交点沿所述当前类型血管的连线的斜率是否满足血管参数规则。
在上述实施例的基础上,该装置还包括:
第一剔除单元,用于在确定当前类型血管的各个连通域之后,剔除连通域体积小于第一预设面积的连通域,以及,
第二剔除单元,用于剔除与其他各连通域距离大于预设距离,且连通域体积小于第二预设面积的连通域。
上述血管识别装置可执行本发明任意实施例所提供的血管识别方法,具备执行血管识别方法相应的功能模块和有益效果。
图6为本发明实施例提供的一种电子设备的结构示意图。图6示出了适于用来实现本发明实施方式的电子设备12的框图。图6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。设备12典型的是承担图像分类功能的电子设备。
如图6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16,存储装置28,连接不同系统组件(包括存储装置28和处理器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(Industry StandardArchitecture,ISA)总线,微通道体系结构(Micro Channel Architecture,MCA)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及外围组件互连(Peripheral Component Interconnect,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。
存储装置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(Random Access Memory,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6未显示,通常称为“硬盘驱动器”)。尽管图6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(例如只读光盘(Compact Disc-Read Only Memory,CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory,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。存储装置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26的程序36,可以存储在例如存储装置28中,这样的程序模块26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关环境的实现。程序模块26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、摄像头、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还可以通过网关适配器20与一个或者多个网关(例如局域网(Local Area Network,LAN),广域网Wide Area Network,WAN)和/或公共网关,例如因特网)通信。如图所示,网关适配器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、磁盘阵列(Redundant Arrays of Independent Disks,RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器16通过运行存储在存储装置28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明上述实施例所提供的血管识别方法。
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所提供的血管识别方法。
当然,本发明实施例所提供的一种计算机可读存储介质,其上存储的计算机程序不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的血管识别方法。
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源代码。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源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操作的计算机源代码,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。源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关——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 (9)
1.一种血管识别方法,其特征在于,包括:
获取基于血管识别模型输出的各类型血管的识别结果;其中,所述血管识别模型用于识别医学数据中的血管以及血管类型;
对于所述识别结果中的任一类型血管,确定当前类型血管的各个连通域;
确定各所述连通域中的血管中心点,并存储所述血管中心点;
基于各所述连通域对所述当前类型血管进行区域生长,得到生长区域;
基于所述血管中心点对所述生长区域进行验证,将验证成功的生长区域确定为所述当前类型血管;
其中,基于所述血管中心点对所述生长区域进行验证,将验证成功的生长区域确定为所述当前类型血管,包括:
确定已存储的血管中心点与各生长区域相交点的直线是否与组织相交,若是,则确定所述生长区域验证失败,生成提示信息,若否,则确定所述生长区域验证成功,将所述生长区域确定为所述当前类型血管,和/或,
确定已存储的血管中心点与各生长区域相交点沿所述当前类型血管的连线的斜率是否满足血管参数规则;其中,所述血管参数规则包括血管斜率范围;若所述连线的斜率超出所述血管斜率范围,则确定所述生长区域验证失败,生成提示信息;若所述连线的斜率在所述血管斜率范围内,则确定所述生长区域验证成功,将所述生长区域确定为所述当前类型血管。
2.根据权利要求1所述的方法,其特征在于,所述确定各所述连通域中的血管中心点,包括:
若所述连通域为独立连通域,则基于所述连通域的轮廓点和血管参数确定血管中心点;
若所述连通域为非独立连通域,则对接触连通域的接触区域进行腐蚀处理,得到接触点,基于所述接触点和所述血管参数确定血管中心点。
3.根据权利要求2所述的方法,其特征在于,所述对接触连通域的接触区域进行腐蚀处理,得到接触点,包括:
对于所述接触区域的像素点迭代进行轮廓点剔除,将得到的腐蚀后接触区域的中心点确定为所述接触点。
4.根据权利要求1所述的方法,其特征在于,所述基于各所述连通域对所述当前类型血管进行区域生长,得到生长区域,包括:
将最大连通域以外的连通域确定为种子区域,对所述种子区域进行区域生长,直到所述种子区域与所述最大连通域或任一生长区域相交。
5.根据权利要求1所述的方法,其特征在于,所述基于所述血管中心点对所述生长区域进行验证,包括:
确定已存储的血管中心点与各生长区域相交点的连线,其中,所述连线包括所述已存储的血管中心点与各生长区域相交点的直线,以及所述已存储的血管中心点与各生长区域相交点沿所述当前类型血管的连线;
基于所述连线对所述生长区域进行验证。
6.根据权利要求1所述的方法,其特征在于,在确定当前类型血管的各个连通域之后,所述方法还包括:
剔除连通域体积小于第一预设面积的连通域,以及,
剔除与其他各连通域距离大于预设距离,且连通域体积小于第二预设面积的连通域。
7.一种血管识别装置,其特征在于,包括:
识别结果获取模块,用于获取基于血管识别模型输出的各类型血管的识别结果;其中,所述血管识别模型用于识别医学数据中的血管以及血管类型;
连通域确定模块,用于对于所述识别结果中的任一类型血管,确定当前类型血管的各个连通域;
血管中心点确定模块,用于确定各所述连通域中的血管中心点,并存储所述血管中心点;
生长区域确定模块,用于基于各所述连通域对所述当前类型血管进行区域生长,得到生长区域;
当前类型血管确定模块,用于基于所述血管中心点对所述生长区域进行验证,将验证成功的生长区域确定为所述当前类型血管;
其中,所述当前类型血管确定模块包括:
连线验证单元,用于确定已存储的血管中心点与各生长区域相交点的直线是否与组织相交,若是,则确定所述生长区域验证失败,生成提示信息,若否,则确定所述生长区域验证成功,将所述生长区域确定为所述当前类型血管,和/或,
确定已存储的血管中心点与各生长区域相交点沿所述当前类型血管的连线的斜率是否满足血管参数规则;其中,所述血管参数规则包括血管斜率范围;若所述连线的斜率超出所述血管斜率范围,则确定所述生长区域验证失败,生成提示信息;若所述连线的斜率在所述血管斜率范围内,则确定所述生长区域验证成功,将所述生长区域确定为所述当前类型血管。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6中任一所述的血管识别方法。
9.一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1-6中任一所述的血管识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110231861.0A CN113012114B (zh) | 2021-03-02 | 2021-03-02 | 一种血管识别方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110231861.0A CN113012114B (zh) | 2021-03-02 | 2021-03-02 | 一种血管识别方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113012114A CN113012114A (zh) | 2021-06-22 |
CN113012114B true CN113012114B (zh) | 2021-12-03 |
Family
ID=76402782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110231861.0A Active CN113012114B (zh) | 2021-03-02 | 2021-03-02 | 一种血管识别方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113012114B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113781405B (zh) * | 2021-08-19 | 2024-03-22 | 上海联影医疗科技股份有限公司 | 血管中心线提取方法、装置、计算机设备和可读存储介质 |
CN113610841B (zh) * | 2021-08-26 | 2022-07-08 | 首都医科大学宣武医院 | 一种血管异常图像识别方法、装置、电子设备和存储介质 |
CN113889238B (zh) * | 2021-10-25 | 2022-07-12 | 推想医疗科技股份有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5732697A (en) * | 1995-11-22 | 1998-03-31 | Arch Development Corporation | Shift-invariant artificial neural network for computerized detection of clustered microcalcifications in mammography |
CN106097378A (zh) * | 2016-07-24 | 2016-11-09 | 江西理工大学 | 一种融合形状先验的水平集视网膜血管图像分割方法 |
CN106296664A (zh) * | 2016-07-30 | 2017-01-04 | 上海联影医疗科技有限公司 | 血管提取方法 |
CN106485704A (zh) * | 2016-09-30 | 2017-03-08 | 上海联影医疗科技有限公司 | 血管中心线的提取方法 |
CN107230204A (zh) * | 2017-05-24 | 2017-10-03 | 东北大学 | 一种从胸部ct图像中提取肺叶的方法及装置 |
CN110706246A (zh) * | 2019-10-15 | 2020-01-17 | 上海微创医疗器械(集团)有限公司 | 一种血管图像分割方法、装置、电子设备和存储介质 |
CN111047691A (zh) * | 2019-12-24 | 2020-04-21 | 青岛市妇女儿童医院(青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心) | 一种儿科心脏外科体外循环管道固定系统 |
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 |
CN112037170A (zh) * | 2020-07-23 | 2020-12-04 | 上海交通大学附属第六人民医院 | 一种血管狭窄的检出方法、装置以及计算机存储介质 |
CN112184888A (zh) * | 2020-10-10 | 2021-01-05 | 深圳睿心智能医疗科技有限公司 | 三维血管建模的方法及装置 |
CN112308846A (zh) * | 2020-11-04 | 2021-02-02 | 赛诺威盛科技(北京)有限公司 | 血管分割方法、装置及电子设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978726A (zh) * | 2014-04-03 | 2015-10-14 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
WO2018001099A1 (zh) * | 2016-06-30 | 2018-01-04 | 上海联影医疗科技有限公司 | 一种血管提取方法与系统 |
CN110796670B (zh) * | 2019-10-30 | 2022-07-26 | 北京理工大学 | 一种夹层动脉分割方法及装置 |
CN112270683B (zh) * | 2020-12-23 | 2021-04-02 | 宁波兰茜生物科技有限公司 | 一种ihc数字预览图识别和组织前景分割方法及系统 |
-
2021
- 2021-03-02 CN CN202110231861.0A patent/CN113012114B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5732697A (en) * | 1995-11-22 | 1998-03-31 | Arch Development Corporation | Shift-invariant artificial neural network for computerized detection of clustered microcalcifications in mammography |
CN106097378A (zh) * | 2016-07-24 | 2016-11-09 | 江西理工大学 | 一种融合形状先验的水平集视网膜血管图像分割方法 |
CN106296664A (zh) * | 2016-07-30 | 2017-01-04 | 上海联影医疗科技有限公司 | 血管提取方法 |
CN106485704A (zh) * | 2016-09-30 | 2017-03-08 | 上海联影医疗科技有限公司 | 血管中心线的提取方法 |
CN107230204A (zh) * | 2017-05-24 | 2017-10-03 | 东北大学 | 一种从胸部ct图像中提取肺叶的方法及装置 |
CN110706246A (zh) * | 2019-10-15 | 2020-01-17 | 上海微创医疗器械(集团)有限公司 | 一种血管图像分割方法、装置、电子设备和存储介质 |
CN111047691A (zh) * | 2019-12-24 | 2020-04-21 | 青岛市妇女儿童医院(青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心) | 一种儿科心脏外科体外循环管道固定系统 |
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 |
CN112037170A (zh) * | 2020-07-23 | 2020-12-04 | 上海交通大学附属第六人民医院 | 一种血管狭窄的检出方法、装置以及计算机存储介质 |
CN112184888A (zh) * | 2020-10-10 | 2021-01-05 | 深圳睿心智能医疗科技有限公司 | 三维血管建模的方法及装置 |
CN112308846A (zh) * | 2020-11-04 | 2021-02-02 | 赛诺威盛科技(北京)有限公司 | 血管分割方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113012114A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113012114B (zh) | 一种血管识别方法、装置、存储介质及电子设备 | |
CN111145173B (zh) | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 | |
CN112465834B (zh) | 一种血管分割方法及装置 | |
CN111696089A (zh) | 一种动静脉确定方法、装置、设备和存储介质 | |
CN113011509B (zh) | 肺部支气管的分类方法、装置、电子设备和存储介质 | |
CN109785846B (zh) | 单声道的语音数据的角色识别方法及装置 | |
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 | |
KR102562317B1 (ko) | 자동으로 혈관 영상을 처리하는 방법 및 장치 | |
CN110826494A (zh) | 标注数据质量评价方法、装置、计算机设备及存储介质 | |
CN109543560A (zh) | 一种视频中人物的分割方法、装置、设备和计算机存储介质 | |
CN110910441A (zh) | 一种中心线提取的方法及装置 | |
CN112308077A (zh) | 样本数据获取方法、图像分割方法、装置、设备和介质 | |
CN112509661B (zh) | 用于识别体检报告的方法、计算设备和介质 | |
CN113592842B (zh) | 一种基于深度学习的样本血清质量识别方法及识别设备 | |
CN114176775B (zh) | Ercp选择性胆管插管的校验方法、装置、设备及介质 | |
CN113971728B (zh) | 图像识别方法、模型的训练方法、装置、设备及介质 | |
CN114565780A (zh) | 一种目标识别方法、装置、电子设备及存储介质 | |
CN112801999B (zh) | 确定心脏冠脉优势型的方法及装置 | |
CN114445391B (zh) | 血管分段方法及其装置、电子设备和计算机可读存储介质 | |
CN116052176A (zh) | 一种基于级联多任务学习的文本抽取方法 | |
CN115908418A (zh) | 一种主动脉ct图像中心线确定方法、系统、设备及介质 | |
CN111833847A (zh) | 语音处理模型训练方法和装置 | |
CN112116608B (zh) | 一种导丝分割方法、装置、电子设备及存储介质 | |
CN109934806B (zh) | 图像确定方法、装置、设备和存储介质 | |
CN111179257A (zh) | 一种评价方法、装置、电子设备及存储介质 |
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 |