CN113017667A - 一种血管狭窄的量化方法、装置、设备和可读存储介质 - Google Patents

一种血管狭窄的量化方法、装置、设备和可读存储介质 Download PDF

Info

Publication number
CN113017667A
CN113017667A CN202110163519.1A CN202110163519A CN113017667A CN 113017667 A CN113017667 A CN 113017667A CN 202110163519 A CN202110163519 A CN 202110163519A CN 113017667 A CN113017667 A CN 113017667A
Authority
CN
China
Prior art keywords
image
blood vessel
dsa
focus
neural network
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
CN202110163519.1A
Other languages
English (en)
Other versions
CN113017667B (zh
Inventor
李跃华
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.)
Shanghai Sixth Peoples Hospital
Original Assignee
Shanghai Sixth Peoples Hospital
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 Shanghai Sixth Peoples Hospital filed Critical Shanghai Sixth Peoples Hospital
Priority to CN202110163519.1A priority Critical patent/CN113017667B/zh
Publication of CN113017667A publication Critical patent/CN113017667A/zh
Application granted granted Critical
Publication of CN113017667B publication Critical patent/CN113017667B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Vascular Medicine (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physiology (AREA)
  • Pulmonology (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种血管狭窄的量化方法、装置、设备和可读存储介质，包括：获取包含病灶血管的CT影像；将所述CT影像作为已训练的神经网络模型的输入，生成对应包含所述病灶血管的DSA血管影像；根据所述DSA血管影像，确定所述病灶血管中最狭窄点的狭窄率。由此，通过由神经网络模型将CT影像转换的方式获取DSA血管影像，该方式所得到的DSA血管影像在计算病灶血管中最狭窄点的狭窄率时的准确度更高。同时，通过神经网络模型转换得到DSA血管影像，可避免现有技术中需动脉插管的步骤以及动脉插管所生成的创伤。

Description

一种血管狭窄的量化方法、装置、设备和可读存储介质
技术领域
本发明涉及医学技术领域，尤其涉及一种血管狭窄的量化方法、装置、设备和可读存储介质。
背景技术
现有医疗技术中，通常将DSA视为最准确的脑血管造影方法，分辨率最高，是诊断脑血管疾病的“金标准”。
但目前技术所得到的DSA数据来计算血管中最狭窄点的狭窄率依旧不够准确。
发明内容
本发明实施例提供了一种血管狭窄的量化方法、装置、设备和可读存储介质，具有提升计算病灶血管中最狭窄点的狭窄率准确度的技术效果。
本发明一方面提供一种血管狭窄的量化方法，所述方法包括：获取包含病灶血管的CT影像；将所述CT影像作为已训练的神经网络模型的输入，生成对应包含所述病灶血管的DSA血管影像；根据所述DSA血管影像，确定所述病灶血管中最狭窄点的狭窄率。
在一可实施方式中，所述获取包含病灶血管的CT影像，包括：接收完整CT影像，其中所述完整CT影像中包含病灶血管；对所述完整CT影像进行血管分割，生成血管分割影像；检测所述血管分割影像中所述病灶血管的病灶区域位置；基于所述病灶区域位置，从所述血管分割影像中选取固定大小且包含所述病灶血管的CT影像。
在一可实施方式中，所述神经网络模型的训练方法为：将CT影像训练数据和对应带有标注的DSA影像训练数据作为待训练神经网络模型的输入进行训练，输出拟DSA影像数据；其中所述CT影像训练数据和对应带有标注的DSA影像数据中均包含同一个病灶血管；计算得到表征所述拟DSA影像数据和带有标注的DSA影像训练数据差异的差异值；若所述差异值大于预设阈值，则继续训练；若所述差异值小于所述预设阈值，则训练完成。
在一可实施方式中，所述神经网络模型为基于GAN网络的模型。
本发明另一方面提供一种血管狭窄的量化装置，所述装置包括：影像获取模块，用于获取包含病灶血管的CT影像；影像转换模块，用于将所述CT影像作为已训练的神经网络模型的输入，生成对应包含所述病灶血管的DSA血管影像；狭窄确定模块，用于根据所述DSA血管影像，确定所述病灶血管中最狭窄点的狭窄率。
在一可实施方式中，所述影像获取模块，具体用于：接收完整CT影像，其中所述完整CT影像中包含病灶血管；对所述完整CT影像进行血管分割，生成血管分割影像；检测所述血管分割影像中所述病灶血管的病灶区域位置；基于所述病灶区域位置，从所述血管分割影像中选取固定大小且包含所述病灶血管的CT影像。
在一可实施方式中，所述影像转换模块在训练所述神经网络模型时，具体用于：将CT影像训练数据和对应带有标注的DSA影像训练数据作为待训练神经网络模型的输入进行训练，输出拟DSA影像数据；其中所述CT影像训练数据和对应带有标注的DSA影像数据中均包含同一个病灶血管；计算得到表征所述拟DSA影像数据和带有标注的DSA影像训练数据差异的差异值；若所述差异值大于预设阈值，则继续训练；若所述差异值小于所述预设阈值，则训练完成。
在一可实施方式中，所述神经网络模型为基于GAN网络的模型。
本发明另一方面提供一种血管狭窄的量化设备，其特征在于，所述设备包括存储器和处理器，所述存储器用于存储指令，所述指令用于控制所述处理器进行操作以执行时实现上述任一项所述的血管狭窄的量化方法。
本发明另一方面提供一种计算机可读存储介质，所述存储介质包括一组计算机可执行指令，当所述指令被执行时用于执行上述任一项所述的血管狭窄的量化方法。
在本发明实施例中，通过由神经网络模型将CT影像转换的方式获取DSA血管影像，该方式所得到的DSA血管影像在计算病灶血管中最狭窄点的狭窄率时的准确度更高。同时，通过神经网络模型转换得到DSA血管影像，可避免现有技术中需动脉插管的步骤以及动脉插管所生成的创伤。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
在附图中，相同或对应的标号表示相同或对应的部分。
图1为本发明实施例一种血管狭窄的量化方法的实现流程示意图；
图2为本发明实施例一种血管狭窄的量化装置的结构组成示意图；
图3为本发明实施例一种血管狭窄的量化设备的结构组成示意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂，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，而非全部实施例。基于本发明中的实施例，本领域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。
如图1所示，本发明一方面提供一种血管狭窄的量化方法，方法包括：
步骤101，获取包含病灶血管的CT影像；
步骤102，将CT影像作为已训练的神经网络模型的输入，生成对应包含病灶血管的DSA血管影像；
步骤103，根据DSA血管影像，确定病灶血管中最狭窄点的狭窄率。
本实施例中，在步骤101中，CT影像由CT设备对人体断层扫描得到，CT影像中的病灶血管指的是含有斑块的血管，在CT影像中，病灶血管为血管中存在异物的影像，使得血管异物处的血流流经通道变窄。
在步骤102中，神经网络模型专用于CT影像转换为对应的DSA血管影像，其中神经网络模型可以为卷积神经网络模型CNN、循环神经网络模型RNN或者生成对抗网络GAN等，优选基于GAN网络的模型。神经网络模型在应用之前需要经过神经网络模型的训练，其训练过程为：
获取大量训练数据，训练数据包括包含病灶血管的CT影像和带有标注且包含病灶血管的DSA血管影像，其中CT影像训练数据和对应带有标注的DSA影像数据中均包含同一个病灶血管。
将包含病灶血管的CT影像和带有标注且包含病灶血管的DSA血管影像输入于待训练神经网络模型中进行训练，生成拟DSA血管影像。训练过程中，以带有标注且包含病灶血管的DSA血管影像作为目标影像，用于使病灶血管的CT影像在转换时逼近带有标注的DSA血管影像。
通过应用于神经网络模型的损失函数计算表征拟DSA血管影像与带有标注且包含病灶血管的DSA血管影像之间的差异值，即损失值。
若损失值超过预设阈值，说明目前神经网络模型所生成的拟DSA血管影像与真实的带有标注的DSA血管影像有较大差异，则继续用训练数据对神经网络进行训练，以更新迭代神经网络模型中的参数值，其中预设阈值可根据实际精确度需求进行调整。
若损失值低于预设阈值，说明目前神经网络模型所生成的拟DSA血管影像已经接近真实的带有标注的DSA血管影像，则训练完成，训练完成的神经网络模型可应用于任意一个含有病灶血管的CT影像转换为包含同一病灶血管的DSA血管影像。
在步骤103中，获取到DSA血管影像之后，DSA血管影像中包含病灶血管，通过现有的计算血管狭窄率的方法即可算出血管最狭窄点的狭窄率，其中计算血管狭窄率的方法包括NASCET法，ECST法和CC法，计算公式分别如下：
NASCET法：狭窄率＝(狭窄远端正常直径-狭窄段最窄直径)/狭窄远端正常直径×100％。
ECST法：狭窄率＝(狭窄段估计的正常直径-狭窄段最窄直径)/狭窄段估计的正常直径×100％。
CC法：狭窄率＝(颈总动脉直径-狭窄段直径)/颈总动脉直径×100％。
由此，通过由神经网络模型将CT影像转换的方式获取DSA血管影像，该方式所得到的DSA血管影像在计算病灶血管中最狭窄点的狭窄率时的准确度更高。同时，通过神经网络模型转换得到DSA血管影像，可避免现有技术中需动脉插管的步骤以及动脉插管所生成的创伤。
在一可实施方式中，获取包含病灶血管的CT影像，包括：
接收完整CT影像，其中完整CT影像中包含病灶血管；
对完整CT影像进行血管分割，生成血管分割影像；
检测血管分割影像中病灶血管的病灶区域位置；
基于病灶区域位置，从血管分割影像中选取固定大小且包含病灶血管的CT影像。
本实施例中，步骤101的具体过程为：
接收完整CT影像，其中完整CT影像中除了包含病灶血管之外，还包括脑组织、脑室等。
对完整CT影像进行血管分割，生成血管分割影像，其中血管分割指的是从完整CT影像中提取血管部分，血管分割的现有方法包括基于灰度值阈值分割算法、边缘检测算法、基于模型的算法等等。
检测血管分割影像中病灶血管的病灶区域位置，其中，病灶血管的检测方法可以是通过专用于检测病灶血管的神经网络模型进行检测，专用于检测病灶血管的神经网络模型事先同样需要进行训练，其训练方法与上述训练CT影像转换为DSA影像的神经网络模型的训练步骤相同，区别在于专用于检测病灶血管的神经网络模型的训练数据为血管分割影像和病灶血管影像。除了通过神经网络模型检测手段之外，还可以是通过计算血管各个位置血管宽度与周围血管宽度的比值，若比值较小，说明该位置的血管宽度较窄，该位置的血管为病灶血管。在检测到病灶血管之后，便可得到病灶血管的病灶区域位置，其中区域位置可以是一个点，也可以是一个区域范围。
基于病灶区域位置，具体说是以病灶区域位置为中心，生成一个固定体积大小的框选范围，通过固定体积大小的框选范围从血管分割影像中提取固定体积大小且包含病灶血管的CT影像，在执行下一步骤时，将固定体积大小且包含病灶血管的CT影像作为已训练的神经网络模型的输入，生成对应包含病灶血管的DSA血管影像。
相应的，专用于CT影像转换为对应的DSA血管影像的神经网络模型训练过程中，其训练数据也同样为固定体积大小的病灶血管的CT影像和带有标注且包含病灶血管的DSA血管影像。通过将训练影像数据的大小设定为固定大小，以便使得训练完毕的神经网络模型在识别相同大小的CT影像时的准确性更高。
如图2所示，本发明另一方面提供一种血管狭窄的量化装置，装置包括：
影像获取模块201，用于获取包含病灶血管的CT影像；
影像转换模块202，用于将CT影像作为已训练的神经网络模型的输入，生成对应包含病灶血管的DSA血管影像；
狭窄确定模块203，用于根据DSA血管影像，确定病灶血管中最狭窄点的狭窄率。
本实施例中，在影像获取模块201中，CT影像由CT设备对人体断层扫描得到，CT影像中的病灶血管指的是含有斑块的血管，在CT影像中，病灶血管为血管中存在异物的影像，使得血管异物处的血流流经通道变窄。
在影像转换模块202中，神经网络模型专用于CT影像转换为对应的DSA血管影像，其中神经网络模型可以为卷积神经网络模型CNN、循环神经网络模型RNN或者生成对抗网络GAN等，优选基于GAN网络的模型。神经网络模型在应用之前需要经过神经网络模型的训练，其训练过程为：
获取大量训练数据，训练数据包括包含病灶血管的CT影像和带有标注且包含病灶血管的DSA血管影像，其中CT影像训练数据和对应带有标注的DSA影像数据中均包含同一个病灶血管。
将包含病灶血管的CT影像和带有标注且包含病灶血管的DSA血管影像输入于待训练神经网络模型中进行训练，生成拟DSA血管影像。训练过程中，以带有标注且包含病灶血管的DSA血管影像作为目标影像，用于使病灶血管的CT影像在转换时逼近带有标注的DSA血管影像。
通过应用于神经网络模型的损失函数计算表征拟DSA血管影像与带有标注且包含病灶血管的DSA血管影像之间的差异值，即损失值。
若损失值超过预设阈值，说明目前神经网络模型所生成的拟DSA血管影像与真实的带有标注的DSA血管影像有较大差异，则继续用训练数据对神经网络进行训练，以更新迭代神经网络模型中的参数值，其中预设阈值可根据实际精确度需求进行调整。
若损失值低于预设阈值，说明目前神经网络模型所生成的拟DSA血管影像已经接近真实的带有标注的DSA血管影像，则训练完成，训练完成的神经网络模型可应用于任意一个含有病灶血管的CT影像转换为包含同一病灶血管的DSA血管影像。
在狭窄确定模块203中，获取到DSA血管影像之后，DSA血管影像中包含病灶血管，通过现有的计算血管狭窄率的方法即可算出血管最狭窄点的狭窄率，其中计算血管狭窄率的方法包括NASCET法，ECST法和CC法，计算公式分别如下：
NASCET法：狭窄率＝(狭窄远端正常直径-狭窄段最窄直径)/狭窄远端正常直径×100％。
ECST法：狭窄率＝(狭窄段估计的正常直径-狭窄段最窄直径)/狭窄段估计的正常直径×100％。
CC法：狭窄率＝(颈总动脉直径-狭窄段直径)/颈总动脉直径×100％。
由此，通过由神经网络模型将CT影像转换的方式获取DSA血管影像，该方式所得到的DSA血管影像在计算病灶血管中最狭窄点的狭窄率时的准确度更高。同时，通过神经网络模型转换得到DSA血管影像，可避免现有技术中需动脉插管的步骤以及动脉插管所生成的创伤。
在一可实施方式中，影像获取模块201，具体用于：
接收完整CT影像，其中完整CT影像中包含病灶血管；
对完整CT影像进行血管分割，生成血管分割影像；
检测血管分割影像中病灶血管的病灶区域位置；
基于病灶区域位置，从血管分割影像中选取固定大小且包含病灶血管的CT影像。
本实施例中，影像获取模块201的具体过程为：
接收完整CT影像，其中完整CT影像中除了包含病灶血管之外，还包括脑组织、脑室等。
对完整CT影像进行血管分割，生成血管分割影像，其中血管分割指的是从完整CT影像中提取血管部分，血管分割的现有方法包括基于灰度值阈值分割算法、边缘检测算法、基于模型的算法等等。
检测血管分割影像中病灶血管的病灶区域位置，其中，病灶血管的检测方法可以是通过专用于检测病灶血管的神经网络模型进行检测，专用于检测病灶血管的神经网络模型事先同样需要进行训练，其训练方法与上述训练CT影像转换为DSA影像的神经网络模型的训练步骤相同，区别在于专用于检测病灶血管的神经网络模型的训练数据为血管分割影像和病灶血管影像。除了通过神经网络模型检测手段之外，还可以是通过计算血管各个位置血管宽度与周围血管宽度的比值，若比值较小，说明该位置的血管宽度较窄，该位置的血管为病灶血管。在检测到病灶血管之后，便可得到病灶血管的病灶区域位置，其中区域位置可以是一个点，也可以是一个区域范围。
基于病灶区域位置，具体说是以病灶区域位置为中心，生成一个固定体积大小的框选范围，通过固定体积大小的框选范围从血管分割影像中提取固定体积大小且包含病灶血管的CT影像，在执行下一步骤时，将固定体积大小且包含病灶血管的CT影像作为已训练的神经网络模型的输入，生成对应包含病灶血管的DSA血管影像。
相应的，专用于CT影像转换为对应的DSA血管影像的神经网络模型训练过程中，其训练数据也同样为固定体积大小的病灶血管的CT影像和带有标注且包含病灶血管的DSA血管影像。通过将训练影像数据的大小设定为固定大小，以便使得训练完毕的神经网络模型在识别相同大小的CT影像时的准确性更高。
如图3所示，本发明另一方面提供一种血管狭窄的量化设备，设备包括存储器和处理器，
存储器用于存储指令，指令用于控制处理器进行操作以执行时实现血管狭窄的量化方法。
在本发明实施例中，指令存储于存储器中，当指令被执行时用于：获取包含病灶血管的CT影像；将CT影像作为已训练的神经网络模型的输入，生成对应包含病灶血管的DSA血管影像；根据DSA血管影像，确定病灶血管中最狭窄点的狭窄率。
由此，通过由神经网络模型将CT影像转换的方式获取DSA血管影像，该方式所得到的DSA血管影像在计算病灶血管中最狭窄点的狭窄率时的准确度更高。同时，通过神经网络模型转换得到DSA血管影像，可避免现有技术中需动脉插管的步骤以及动脉插管所生成的创伤。
本发明另一方面提供一种计算机可读存储介质，存储介质包括一组计算机可执行指令，当指令被执行时用于执行上述任一项的血管狭窄的量化方法。
在本发明实施例中计算机可读存储介质包括一组计算机可执行指令，当指令被执行时用于：获取包含病灶血管的CT影像；将CT影像作为已训练的神经网络模型的输入，生成对应包含病灶血管的DSA血管影像；根据DSA血管影像，确定病灶血管中最狭窄点的狭窄率。
由此，通过由神经网络模型将CT影像转换的方式获取DSA血管影像，该方式所得到的DSA血管影像在计算病灶血管中最狭窄点的狭窄率时的准确度更高。同时，通过神经网络模型转换得到DSA血管影像，可避免现有技术中需动脉插管的步骤以及动脉插管所生成的创伤。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种血管狭窄的量化方法，其特征在于，所述方法包括：
获取包含病灶血管的CT影像；
将所述CT影像作为已训练的神经网络模型的输入，生成对应包含所述病灶血管的DSA血管影像；
根据所述DSA血管影像，确定所述病灶血管中最狭窄点的狭窄率。
2.根据权利要求1所述的方法，其特征在于，所述获取包含病灶血管的CT影像，包括：
接收完整CT影像，其中所述完整CT影像中包含病灶血管；
对所述完整CT影像进行血管分割，生成血管分割影像；
检测所述血管分割影像中所述病灶血管的病灶区域位置；
基于所述病灶区域位置，从所述血管分割影像中选取固定大小且包含所述病灶血管的CT影像。
3.根据权利要求1所述的方法，其特征在于，所述神经网络模型的训练方法为：
将CT影像训练数据和对应带有标注的DSA影像训练数据作为待训练神经网络模型的输入进行训练，输出拟DSA影像数据；其中所述CT影像训练数据和对应带有标注的DSA影像数据中均包含同一个病灶血管；
计算得到表征所述拟DSA影像数据和带有标注的DSA影像训练数据差异的差异值；
若所述差异值大于预设阈值，则继续训练；
若所述差异值小于所述预设阈值，则训练完成。
4.根据权利要求1或3所述的方法，其特征在于，所述神经网络模型为基于GAN网络的模型。
5.一种血管狭窄的量化装置，其特征在于，所述装置包括：
影像获取模块，用于获取包含病灶血管的CT影像；
影像转换模块，用于将所述CT影像作为已训练的神经网络模型的输入，生成对应包含所述病灶血管的DSA血管影像；
狭窄确定模块，用于根据所述DSA血管影像，确定所述病灶血管中最狭窄点的狭窄率。
6.根据权利要求5所述的装置，其特征在于，所述影像获取模块，具体用于：
接收完整CT影像，其中所述完整CT影像中包含病灶血管；
对所述完整CT影像进行血管分割，生成血管分割影像；
检测所述血管分割影像中所述病灶血管的病灶区域位置；
基于所述病灶区域位置，从所述血管分割影像中选取固定大小且包含所述病灶血管的CT影像。
7.根据权利要求1所述的装置，其特征在于，所述影像转换模块在训练所述神经网络模型时，具体用于：
将CT影像训练数据和对应带有标注的DSA影像训练数据作为待训练神经网络模型的输入进行训练，输出拟DSA影像数据；其中所述CT影像训练数据和对应带有标注的DSA影像数据中均包含同一个病灶血管；
计算得到表征所述拟DSA影像数据和带有标注的DSA影像训练数据差异的差异值；
若所述差异值大于预设阈值，则继续训练；
若所述差异值小于所述预设阈值，则训练完成。
8.根据权利要求1所述的装置，其特征在于，所述神经网络模型为基于GAN网络的模型。
9.一种血管狭窄的量化设备，其特征在于，所述设备包括存储器和处理器，
所述存储器用于存储指令，所述指令用于控制所述处理器进行操作以执行时实现权利要求1-4任一项所述的血管狭窄的量化方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质包括一组计算机可执行指令，当所述指令被执行时用于执行权利要求1-4任一项所述的血管狭窄的量化方法。
CN202110163519.1A 2021-02-05 2021-02-05 一种血管狭窄的量化方法、装置、设备和可读存储介质 Active CN113017667B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110163519.1A CN113017667B (zh) 2021-02-05 2021-02-05 一种血管狭窄的量化方法、装置、设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110163519.1A CN113017667B (zh) 2021-02-05 2021-02-05 一种血管狭窄的量化方法、装置、设备和可读存储介质

Publications (2)

Publication Number Publication Date
CN113017667A true CN113017667A (zh) 2021-06-25
CN113017667B CN113017667B (zh) 2024-09-24

Family

ID=76460144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110163519.1A Active CN113017667B (zh) 2021-02-05 2021-02-05 一种血管狭窄的量化方法、装置、设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN113017667B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117274502A (zh) * 2023-11-17 2023-12-22 北京唯迈医疗设备有限公司 一种辅助介入手术的图像处理方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103054598A (zh) * 2011-09-13 2013-04-24 通用电气公司 用于血管狭窄可视化和导航的系统和方法
CN103930036A (zh) * 2011-08-26 2014-07-16 Ebm株式会社 用于血流性状诊断的系统、其方法及计算机软件程序
CN107411767A (zh) * 2017-06-28 2017-12-01 西北工业大学 一种基于冠状动脉ct血管造影评估狭窄病灶血流阻力的非侵入式方法
JP2018089301A (ja) * 2016-12-07 2018-06-14 学校法人常翔学園 生体画像処理装置、出力画像製造方法、学習結果製造方法、及びプログラム
CN109829878A (zh) * 2017-11-22 2019-05-31 西门子保健有限责任公司 用于评估血液动力学参数的方法和系统
CN110101401A (zh) * 2019-04-18 2019-08-09 浙江大学山东工业技术研究院 一种肝脏对比剂数字减影造影方法
US20200294241A1 (en) * 2019-03-12 2020-09-17 The General Hospital Corporation Automatic segmentation of acute ischemic stroke lesions in computed tomography data
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
CN112101523A (zh) * 2020-08-24 2020-12-18 复旦大学附属华山医院 基于深度学习的cbct图像跨模态预测cta图像的卒中风险筛查方法和系统
US20200402666A1 (en) * 2019-06-19 2020-12-24 Beijing Keya Medical Technology Co., Ltd. Method and system for disease quantification modeling of anatomical tree structure
CN112288731A (zh) * 2020-11-05 2021-01-29 杭州深睿博联科技有限公司 一种血管狭窄分析方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103930036A (zh) * 2011-08-26 2014-07-16 Ebm株式会社 用于血流性状诊断的系统、其方法及计算机软件程序
CN103054598A (zh) * 2011-09-13 2013-04-24 通用电气公司 用于血管狭窄可视化和导航的系统和方法
JP2018089301A (ja) * 2016-12-07 2018-06-14 学校法人常翔学園 生体画像処理装置、出力画像製造方法、学習結果製造方法、及びプログラム
CN107411767A (zh) * 2017-06-28 2017-12-01 西北工业大学 一种基于冠状动脉ct血管造影评估狭窄病灶血流阻力的非侵入式方法
CN109829878A (zh) * 2017-11-22 2019-05-31 西门子保健有限责任公司 用于评估血液动力学参数的方法和系统
US20200294241A1 (en) * 2019-03-12 2020-09-17 The General Hospital Corporation Automatic segmentation of acute ischemic stroke lesions in computed tomography data
CN110101401A (zh) * 2019-04-18 2019-08-09 浙江大学山东工业技术研究院 一种肝脏对比剂数字减影造影方法
US20200402666A1 (en) * 2019-06-19 2020-12-24 Beijing Keya Medical Technology Co., Ltd. Method and system for disease quantification modeling of anatomical tree structure
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
CN112101523A (zh) * 2020-08-24 2020-12-18 复旦大学附属华山医院 基于深度学习的cbct图像跨模态预测cta图像的卒中风险筛查方法和系统
CN112288731A (zh) * 2020-11-05 2021-01-29 杭州深睿博联科技有限公司 一种血管狭窄分析方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GAO，YUFENG等: ""Deep learning-based digital subtraction angiography image generation"", 《 INTERNATIONAL JOURNAL OF COMPUTER ASSISTED RADIOLOGY AND SURGERY》, vol. 14, no. 10, 31 July 2019 (2019-07-31), pages 1775 - 1784 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117274502A (zh) * 2023-11-17 2023-12-22 北京唯迈医疗设备有限公司 一种辅助介入手术的图像处理方法及装置
CN117274502B (zh) * 2023-11-17 2024-03-01 北京唯迈医疗设备有限公司 一种辅助介入手术的图像处理方法及装置

Also Published As

Publication number Publication date
CN113017667B (zh) 2024-09-24

Similar Documents

Publication Publication Date Title
CN108038848B (zh) 基于医学影像序列斑块稳定性指标的快速计算方法及系统
US8548213B2 (en) Method and system for guiding catheter detection in fluoroscopic images
CN109035284B (zh) 基于深度学习的心脏ct图像分割方法、装置、设备及介质
JP2019055230A (ja) 医用画像における構造物をセグメンテーションする医用画像処理装置、医用画像をセグメンテーションするための方法及び医用画像をセグメンテーションするコンピュータプログラムを記憶する記憶媒体
JP2002500795A (ja) 輪郭検出段階を含む画像処理方法及びシステム
US20050207538A1 (en) Method of determining an image from an image sequence
CN113712594A (zh) 医用图像处理装置以及医用摄像装置
CN113947205A (zh) 神经网络模型训练方法、计算机可读存储介质和设备
CN113017667B (zh) 一种血管狭窄的量化方法、装置、设备和可读存储介质
US11786202B2 (en) Method, system, and medium for analyzing image sequence of periodic physiological activity
CN117036530B (zh) 基于跨模态数据的冠状动脉血流储备分数预测方法及装置
WO2022096867A1 (en) Image processing of intravascular ultrasound images
CN112651984A (zh) 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质
US8204289B2 (en) System for identifying medical images having a particular medical characteristic
JP3647970B2 (ja) 領域抽出装置
CN114565623B (zh) 肺血管分割方法、装置、存储介质及电子设备
CN115249289A (zh) 用于3d模型构建的自动帧选择
JP6675458B2 (ja) 血管解析装置、血管解析方法及び血管解析プログラム
US20210196220A1 (en) Computer program, image processing device, and image processing method
KR102000615B1 (ko) 관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치
EP4107697B1 (en) Methods and systems for cardiac chamber imaging
EP4042946A1 (en) Displacement estimation of interventional devices
CN113643285B (zh) 基于人工神经网络的心肌靶心图分析方法、系统和介质
CN109727297B (zh) 医学图像重建方法、系统、可读存储介质和设备
Taipe et al. A Hybrid Approach Incorporating Superpixels for Diabetic Foot Lesion Segmentation Using YOLOv5 and SAM

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