CN113034491A - 一种冠脉钙化斑块检测方法及装置 - Google Patents

一种冠脉钙化斑块检测方法及装置 Download PDF

Info

Publication number
CN113034491A
CN113034491A CN202110411960.7A CN202110411960A CN113034491A CN 113034491 A CN113034491 A CN 113034491A CN 202110411960 A CN202110411960 A CN 202110411960A CN 113034491 A CN113034491 A CN 113034491A
Authority
CN
China
Prior art keywords
region
area
determining
organ
target
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
CN202110411960.7A
Other languages
English (en)
Other versions
CN113034491B (zh
Inventor
梁隆恺
吴振洲
刘盼
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.)
Beijing Ande Yizhi Technology Co ltd
Original Assignee
Beijing Ande Yizhi 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 Beijing Ande Yizhi Technology Co ltd filed Critical Beijing Ande Yizhi Technology Co ltd
Priority to CN202110411960.7A priority Critical patent/CN113034491B/zh
Publication of CN113034491A publication Critical patent/CN113034491A/zh
Priority to PCT/CN2021/122142 priority patent/WO2021259390A2/zh
Application granted granted Critical
Publication of CN113034491B publication Critical patent/CN113034491B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06T2207/30048—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

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

Abstract

本公开涉及一种冠脉钙化斑块检测方法及装置，所述方法包括：对待处理图像进行分割处理，确定待处理图像中第一器官的多个目标区域；针对任一目标区域，根据目标区域的灰度信息，确定目标区域的第一灰度阈值和第二灰度阈值；根据目标区域的第一灰度阈值和第二灰度阈值，分别确定目标区域中的疑似病灶区域及伪病灶区域；根据各个目标区域的疑似病灶区域及伪病灶区域，确定第一器官的病灶区域。根据本公开实施例，不仅能够有效减少待处理图像中冠脉血管细小分支血管处钙化斑块的遗漏，提升了钙化斑块的召回率，而且能够显著提高钙化斑块识别的准确度。

Description

一种冠脉钙化斑块检测方法及装置
技术领域
本公开涉及计算机视觉技术领域，尤其涉及一种冠脉钙化斑块检测方法及装置。
背景技术
心血管疾病是严重危害人类健康的一种疾病，大多数的心血管疾病是由动脉粥样硬化斑块导致的。冠脉内的钙化斑块是发生动脉粥样硬化程度大小的一个标志，可以对患者发生冠脉疾病的可能性做出预测。
在临床中，可通过注射造影剂增强的方式获得冠脉血管造影图像，然而由于血管的粗细不同，造影剂量在血管中分布的剂量不同，从而导致钙化斑块显示的灰度值也不同。
发明内容
有鉴于此，本公开提出了一种冠脉钙化斑块检测方法及装置。
根据本公开的一方面，提供了一种病灶检测方法，所述方法包括：对待处理图像进行分割处理，确定所述待处理图像中第一器官的多个目标区域；针对任一目标区域，根据所述目标区域的灰度信息，确定所述目标区域的第一灰度阈值和第二灰度阈值，所述第一灰度阈值大于所述第二灰度阈值；根据所述目标区域的第一灰度阈值和第二灰度阈值，分别确定所述目标区域中的疑似病灶区域及伪病灶区域；根据各个所述目标区域的疑似病灶区域及伪病灶区域，确定所述第一器官的病灶区域。
在一种可能的实现方式中，对待处理图像进行分割处理，确定所述待处理图像中第一器官的多个目标区域，包括：对所述待处理图像进行分割，确定所述待处理图像中的器官区域，所述器官区域中包括第二器官和第一器官，所述第二器官的尺寸大于所述第一器官的尺寸；对所述器官区域进行分类，得到多个分类区域；从所述多个分类区域中确定出各个第一器官的第一区域及所述第二器官的第二区域；根据所述第一区域及所述第二区域，确定出所述待处理图像中的多个目标区域。
在一种可能的实现方式中，从所述多个分类区域中确定出各个第一器官的第一区域及所述第二器官的第二区域，包括：将所述多个分类区域中像素数量最多的分类区域，确定为所述第二区域；将所述多个分类区域中，除所述第二区域之外的分类区域，确定为所述第一区域；其中，所述根据所述第一区域及所述第二区域，确定出所述待处理图像中的多个目标区域，包括：对所述第一区域进行膨胀操作，得到膨胀后的第三区域；从所述第三区域中，去除与所述第二区域重叠的区域，得到剪切区域；根据所述剪切区域，对所述待处理图像进行剪切处理，得到所述多个目标区域。
在一种可能的实现方式中，根据所述目标区域的灰度信息，确定所述目标区域的第一灰度阈值和第二灰度阈值，包括：对所述目标区域中像素的灰度值进行排序，将中位数的灰度值确定为所述第二灰度阈值；将所述第二灰度阈值与预设偏移阈值相加，得到所述第一灰度阈值。
在一种可能的实现方式中，根据所述目标区域的第一灰度阈值和第二灰度阈值，分别确定所述目标区域中的疑似病灶区域及伪病灶区域，包括：根据所述目标区域的第一灰度阈值，将所述目标区域中像素的灰度值大于所述第一灰度阈值的像素所在区域，确定为所述疑似病灶区域；根据所述目标区域的第二灰度阈值，将所述目标区域中像素的灰度值大于所述第二灰度阈值的像素所在区域，确定为第四区域，所述第四区域包括多个连通区域；将各连通区域中像素数量大于预设阈值的连通区域，确定为所述伪病灶区域。
在一种可能的实现方式中，根据各个所述目标区域的疑似病灶区域及伪病灶区域，确定所述第一器官的病灶区域，包括：从各个所述目标区域的疑似病灶区域中，去除与所述伪病灶区域重叠的区域，得到所述第一器官的病灶区域。
在一种可能的实现方式中，所述待处理图像包括心脏医学图像，所述第一器官包括冠脉血管，所述第二器官包括主动脉血管，所述目标区域包括冠脉血管段所在的区域，所述病灶区域包括钙化斑块区域。
根据本公开的一方面，提供了一种病灶检测装置，包括：分割模块，用于对待处理图像进行分割处理，确定所述待处理图像中第一器官的多个目标区域；阈值模块，用于针对任一目标区域，根据所述目标区域的灰度信息，确定所述目标区域的第一灰度阈值和第二灰度阈值，所述第一灰度阈值大于所述第二灰度阈值；疑似病灶及伪病灶确定模块，用于根据所述目标区域的第一灰度阈值和第二灰度阈值，分别确定所述目标区域中的疑似病灶区域及伪病灶区域；病灶确定模块，用于根据各个所述目标区域的疑似病灶区域及伪病灶区域，确定所述第一器官的病灶区域。
在一种可能的实现方式中，分割模块包括：分割子模块：用于对所述待处理图像进行分割，确定所述待处理图像中的器官区域，所述器官区域中包括第二器官和第一器官，所述第二器官的尺寸大于所述第一器官的尺寸；分类子模块：用于对所述器官区域进行分类，得到多个分类区域；第一区域及第二区域确定子模块：用于从所述多个分类区域中确定出各个第一器官的第一区域及所述第二器官的第二区域；目标区域确定子模块：用于根据所述第一区域及所述第二区域，确定出所述待处理图像中的多个目标区域。
在一种可能的实现方式中，所述第一区域及第二区域确定子模块用于：将所述多个分类区域中像素数量最多的分类区域，确定为所述第二区域；将所述多个分类区域中，除所述第二区域之外的分类区域，确定为所述第一区域；其中，所述目标区域确定子模块用于：对所述第一区域进行膨胀操作，得到膨胀后的第三区域；从所述第三区域中，去除与所述第二区域重叠的区域，得到剪切区域；根据所述剪切区域，对所述待处理图像进行剪切处理，得到所述多个目标区域。
在一种可能的实现方式中，阈值确定模块用于：对所述目标区域中像素的灰度值进行排序，将中位数的灰度值确定为所述第二灰度阈值；将所述第二灰度阈值与预设偏移阈值相加，得到所述第一灰度阈值。
在一种可能的实现方式中，疑似病灶及伪病灶确定模块包括：疑似病灶确定子模块，用于根据所述目标区域的第一灰度阈值，将所述目标区域中像素的灰度值大于所述第一灰度阈值的像素所在区域，确定为所述疑似病灶区域；伪病灶确定子模块，用于根据所述目标区域的第二灰度阈值，将所述目标区域中像素的灰度值大于所述第二灰度阈值的像素所在区域，确定为第四区域，所述第四区域包括多个连通区域；将各连通区域中像素数量大于预设阈值的连通区域，确定为所述伪病灶区域。
在一种可能的实现方式中，病灶确定模块用于：从各个所述目标区域的疑似病灶区域中，去除与所述伪病灶区域重叠的区域，得到所述第一器官的病灶区域。
根据本公开的另一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述的方法。
根据本公开的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，能够从待处理图像中确定多个目标区域，并针对各个目标区域，分别确定各个目标区域的第一灰度阈值和第二灰度阈值，再根据各个目标区域的第一灰度阈值和第二灰度阈值，分别确定各个目标区域中的疑似病灶区域及伪病灶区域，最后通过各个目标区域中的疑似病灶区域及伪病灶区域，确定出待处理图像的病灶区域(例如钙化斑块区域)。该方法可通过对待处理图像第一器官(例如冠脉血管)的不同位置设置不同的阈值进行钙化斑块的识别，不仅能够有效减少待处理图像中冠脉血管的细小分支血管处钙化斑块的遗漏，提升了钙化斑块的召回率，而且能够显著提高钙化斑块识别的准确度。
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和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开实施例的病灶检测方法的流程图。
图2示出根据本公开实施例的待处理图像分割处理的示意图。
图3示出根据本公开实施例的剪切区域的示意图。
图4示出根据本公开实施例的目标区域灰度分布的示意图。
图5示出根据本公开实施例的疑似病灶区域和伪病灶区域的示意图。
图6示出根据本公开实施例的病灶区域的示意图。
图7示出根据本公开实施例的病灶检测装置的框图。
图8示出根据本公开实施例的电子设备的框图。
图9示出根据本公开实施例的电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的病灶检测方法的流程图，如图1所示，所述病灶检测方法包括：在步骤S1中，对待处理图像进行分割处理，确定所述待处理图像中第一器官的多个目标区域。
在步骤S2中，针对任一目标区域，根据所述目标区域的灰度信息，确定所述目标区域的第一灰度阈值和第二灰度阈值，所述第一灰度阈值大于所述第二灰度阈值。
在步骤S3中，根据所述目标区域的第一灰度阈值和第二灰度阈值，分别确定所述目标区域中的疑似病灶区域及伪病灶区域。
在步骤S4中，根据各个所述目标区域的疑似病灶区域及伪病灶区域，确定所述第一器官的病灶区域。
在一种可能的实现方式中，所述病灶检测方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端等，其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中，该病灶检测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行该方法。
在一种可能的实现方式中，待处理图像可为医学图像，该医学图像可以是各种类型的医疗设备拍摄的图像，或者，用于医疗诊断的图像，例如，电子计算机断层扫描(Computed Tomography，CT)图像或者核磁共振(Magnetic Resonance Imaging，MRI)图像等。其中，待处理图像可为二维医学图像、或三维医学图像。本公开对待处理图像的类型及具体获取方式不作限制。
在一种可能的实现方式中，所述待处理图像包括器官、以及器官上的病灶，例如所述待处理图像为心脏医学图像，待处理图像中的器官可以是心脏中的血管，包括主动脉血管和冠脉血管，器官上的病灶可以是冠脉血管上的钙化斑块。本公开对具体的器官类型和器官上的病灶类型不作限制。其中，器官上的病灶可以有一个或多个，本公开对器官上的病灶个数不作限制。
在一种可能的实现方式中，在步骤S1中，可对待处理图像进行分割处理，确定待处理图像中第一器官的多个目标区域。其中，待处理图像例如包括心脏医学图像，待处理图像中的第一器官例如包括冠脉血管，待处理图像中的目标区域例如包括冠脉血管段所在的区域。
在一种可能的实现方式中，可预先设置分割网络，用于对待处理图像进行分割处理，确定待处理图像中第一器官的多个目标区域。分割网络可以是深度卷积神经网络，包括多个卷积层、多个反卷积层、全连接层等，具体可采用的分割网络包括并不限于U形网络(UNetwork，U-NET)、V形网络(V Network，V-NET)等网络结构，本公开对分割网络的具体网络结构不作限制。
其中，可设置一个随机数作为网络参数的初始值，通过训练集的样本图像训练该网络的参数，再由验证集检测该网络的分割误差，调整该网络的参数，重复上述过程，直到该网络在验证集上误差最小，得到训练好的分割网络。其中，可以通过梯度下降法来调节分割网络的网络参数，使得网络参数优化，提升分割网络的准确率。
其中，训练数据可由具有医学背景的专业人士在高年资医生的审核下标注医学图像数据(例如，人工标注的冠脉血管数据)，建立样本图像库，并按照预设比例(例如9:1)将各样本图像划分为训练集和验证集，本公开对预设比例的取值不作限定。
在一种可能的实现方式中，在步骤S2中，可根据各个目标区域的灰度信息，确定各个目标区域的第一灰度阈值和第二灰度阈值，第一灰度阈值大于第二灰度阈值。
其中，第一灰度阈值可用于确定目标区域中的疑似病灶区域，第二灰度阈值可用于确定目标区域中的伪病灶区域。由于各目标区域的灰度信息可能各不相同，各目标区域的第一灰度阈值和第二灰度阈值也可各不相同。
在一种可能的实现方式中，在步骤S3中，可根据各目标区域的第一灰度阈值，对各目标区域分别进行第一阈值分割，确定各目标区域中的疑似病灶区域；根据各目标区域的第二灰度阈值，对各目标区域分别进行第二阈值分割，确定各目标区域中的伪病灶区域。
在一种可能的实现方式中，在步骤S4中，根据各个所述目标区域的疑似病灶区域及伪病灶区域，将疑似病灶区域中不包含伪病灶区域的区域，确定为第一器官的病灶区域。其中，所述病灶区域例如包括冠脉血管的钙化斑块区域。
根据本公开的实施例，能够从待处理图像中确定多个目标区域，并针对各个目标区域，分别确定各个目标区域的第一灰度阈值和第二灰度阈值，再根据各个目标区域的第一灰度阈值和第二灰度阈值，确定出待处理图像的病灶区域，也即可通过对待处理图像第一器官(例如冠脉血管)的不同位置设置不同的阈值进行钙化斑块的识别，不仅能够有效减少待处理图像中冠脉血管的细小分支血管处钙化斑块的遗漏，提升了钙化斑块的召回率，而且能够显著提高钙化斑块识别的准确度。
下面对根据本公开实施例的病灶检测方法进行展开说明。
在一种可能的实现方式中，步骤S1可包括：步骤S11，对所述待处理图像进行分割，确定所述待处理图像中的器官区域，所述器官区域中包括第二器官和第一器官，所述第二器官的尺寸大于所述第一器官的尺寸。
步骤S12，对所述器官区域进行分类，得到多个分类区域。
步骤S13，从所述多个分类区域中确定出各个第一器官的第一区域及所述第二器官的第二区域。
步骤S14，根据所述第一区域及所述第二区域，确定出所述待处理图像中的多个目标区域。
图2示出根据本公开实施例的待处理图像分割处理的示意图。如图2所示，待处理图像21为心脏血管造影图像(Computed Tomography Angiography，CTA)，对待处理图像21进行分割处理，得到分割结果22，确定出待处理图像21中的器官区域，也即心脏血管造影图像中的血管区域。其中，分割结果22可以是二值标签，将心脏血管造影图像中的血管区域标记为1，将血管区域以外的背景区域标记为0。
如分割结果22所示，器官区域为血管区域，包括第二器官和第一器官。其中，第二器官包括主动脉血管，即分割结果22中虚线框内的器官区域；第一器官为冠脉血管段，即分割结果22中虚线框外的器官区域。
如分割结果22所示，冠脉血管起源于主动脉血管的根部，主动脉血管的尺寸大于冠脉血管的尺寸。对比主动脉血管，冠脉血管比较细小，相同的病灶(钙化斑块)可能对主动脉血管内血液的流通没有影响，却可能堵塞冠脉血管。并且，受到造影剂的剂量分布以及血管粗细的影响，待处理图像中各分支血管段亮度分布不均，因此，在得到器官区域后，可按照器官上各部位的尺寸进行分类。
在一种可能的实现方式中，在步骤S12中，对所述器官区域进行分类，得到多个分类区域。
举例来说，假设器官区域为血管区域，对器官区域进行分类处理，也即对血管区域进行分离处理，得到多个血管段，每个血管段为一个分类区域。
应当理解，本公开对具体的分类方法不作限制，可利用神经网络算法，将器官区域输入预先训练好的分类网络，得到多个分类区域；或者，可按照器官区域外接矩形的方式，对器官区域进行切割，得到多个分类区域；其中，可将切割获得的多个分类区域，分别输入预设的第一器官配准模型进行配准预测，得到分类区域间的位置关系。
在一种可能的实现方式中，步骤S13中可包括：将所述多个分类区域中像素数量最多的分类区域，确定为所述第二区域；将所述多个分类区域中，除所述第二区域之外的分类区域，确定为所述第一区域。
举例来说，假设器官区域包括N个分类区域，即分类区域1～分类区域N。对N个分类区域分别计算各自区域内的像素数量，将像素数量最多的分类区域确定为第二区域，将其余N-1个分类区域分别确定为第一区域。
例如，器官区域为图2的分割结果22的血管区域，器官区域包括的N个分类区域也即N个血管段，第二区域为分割结果22中虚线框中的血管段区域(即主动脉血管区域)，第一区域为分割结果22中虚线框外的分支血管段区域(即冠脉血管区域)，包括多个分支血管段区域。
因此，通过将多个分类区域划分为各个第一器官的第一区域及第二器官的第二区域，有利于更精准的确定后续的目标区域，减少计算量，提高计算效率。
在一种可能的实现方式中，步骤S14可包括：对所述第一区域进行膨胀操作，得到膨胀后的第三区域；从所述第三区域中，去除与所述第二区域重叠的区域，得到剪切区域；根据所述剪切区域，对所述待处理图像进行剪切处理，得到所述多个目标区域。
图3示出根据本公开实施例的剪切区域的示意图。如图3所示，Vother代表第一区域(图3中实线长方形区域)，也即冠脉血管区域，Vmain代表第二区域(图3中圆柱体区域)，也即主动脉血管区域。
对第一区域Vother进行膨胀操作，得到膨胀后的第三区域Vother-big(图3中虚线框区域)。其中，本公开对具体膨胀操作的方法不作限制，可对第一区域Vother进行形态学膨胀操作；也可以通过预设膨胀系数，对第一区域Vother进行区域扩展。
从第三区域Vother-big中，去除与第二区域Vmain重叠的区域(图3中条纹区域)，得到剪切区域V1(图3中灰色区域)。
应当理解，图3中第一区域Vother以一个冠脉血管段作为示意，第一区域Vother为多个冠脉血管段区域，对应的，剪切区域V1为与第二区域Vmain无交集的多个膨胀后的冠脉血管段区域。
根据剪切区域V1，对待处理图像进行剪切处理，得到多个目标区域。例如，可根据剪切区域V1确定与待处理图像等尺寸的剪切图像，在剪切图像中，将剪切区域V1所包含的像素的灰度值标记为1，将剪切区域V1外的背景所包含的像素的灰度值标记为0。将剪切图像和待处理图像相乘，得到待处理图像的目标区域。
因此，通过对器官区域中的第一区域进行膨胀操作，可确保钙化斑块部分能够与第一区域一起提取出来，提高钙化斑块的召回率和精准度；通过去除与第二区域重叠的区域，可减少计算量，提高钙化斑块的识别效率。
通过步骤S11～步骤S14，可从待处理图像中确定出第一器官(例如冠脉血管)的多个目标区域，有利于后续根据第一器官各部位的目标区域设置合适的阈值，可减少由于第一器官各部位尺寸不同，造影剂量在第一器官上分布不均，所导致的第一器官上各部位钙化斑块的灰度值不同带来的影响，而且还可以减少第一器官上细小部位处钙化斑块的遗漏。
在步骤S1得到多个目标区域后，可分别根据各个目标区域的灰度信息，确定各个目标区域的灰度阈值。
在一种可能的实现方式中，步骤S2可包括：对所述目标区域中像素的灰度值进行排序，将中位数的灰度值确定为所述第二灰度阈值；将所述第二灰度阈值与预设偏移阈值相加，得到所述第一灰度阈值。
图4示出根据本公开实施例的目标区域灰度分布的示意图，如图4所示，可将任一目标区域中的像素，按照灰度值的大小进行排序，图中横坐标表示目标区域中像素的灰度值A～B，纵轴表示对应灰度值的像素数量。
应当理解，目标区域中像素的灰度值的取值范围A～B可根据待处理图像的图像类型确定，例如假设待处理图像为CT图像，目标区域中像素的灰度值(也即CT值)范围为-1000HU～1000HU，HU为CT值的亨氏单位，本公开对灰度值的取值范围不作限制。
如图4所示，可将中位数的灰度值T0确定为所述第二灰度阈值，将第二灰度阈值T0与预设偏移阈值T1相加，得到第一灰度阈值Tfin。其中，第二灰度阈值T0与预设偏移阈值T1相加结果需小于目标区域中像素的最大灰度值，预设偏移阈值T1可根据临床经验确定，本公开对预设偏移阈值T1的具体数值不作限制。
应当理解，在待处理图像中可包括多个目标区域，各个目标区域的灰度信息各不相同，可根据各个目标区域的灰度信息分别确定对应的第一灰度阈值Tfin和第二灰度阈值T0。
通过这种方式，可以对第一器官(例如冠脉血管)的不同位置设置不同的阈值，减少第一器官中不同位置亮度不一致带来的影响，提高钙化斑块识别的精准度。
在步骤S2确定了各个目标区域的第一灰度阈值和第二灰度阈值后，可通过步骤S3确定各个目标区域的疑似病灶区域及伪病灶区域。
在一种可能的实现方式中，步骤S3可包括：根据所述目标区域的第一灰度阈值，将所述目标区域中像素的灰度值大于所述第一灰度阈值的像素所在区域，确定为所述疑似病灶区域。
根据所述目标区域的第二灰度阈值，将所述目标区域中像素的灰度值大于所述第二灰度阈值的像素所在区域，确定为第四区域，所述第四区域包括多个连通区域；将各连通区域中像素数量大于预设阈值的连通区域，确定为所述伪病灶区域。
图5示出根据本公开实施例的疑似病灶区域和伪病灶区域的示意图。如图5所示，圆柱形表示一个目标区域，根据该目标区域的第一灰度阈值，对该目标区域进行第一阈值分割处理，将该目标区域中像素的灰度值大于第一灰度阈值的像素所在区域，确定为疑似病灶区域51(图5中黑色实线区域)。
根据该目标区域的第二灰度阈值，对该目标区域进行第二阈值分割处理，将该目标区域中像素的灰度值大于所述第二灰度阈值的像素所在区域，确定为第四区域52(图5中虚线区域，图中标识的虚线区域包括51区域)。
第四区域52可包括多个连通区域，将各连通区域中像素数量大于预设阈值的连通区域，确定为伪病灶区域。例如，图5中的第四区域包括了3个连通域，2个灰色的虚线区域中像素数量小于预设阈值，黑色的虚线区域中像素数量大于预设阈值，可将黑色的虚线区域确定为伪病灶区域。
其中，预设阈值可根据临床经验确定，例如病灶为冠脉血管上的钙化斑块，可根据临床经验将其设置为钙化斑块统计的最大值，本公开对预设阈值的具体数值不作限制。
应当理解，对于多个目标区域，可参考图5从一个目标区域中确定疑似病灶区域和伪病灶区域的过程，分别确定各个目标区域的疑似病灶区域和伪病灶区域。
通过这种方式，根据第二灰度阈值确定的疑似病灶区域，可提高钙化斑块的召回率，根据第一灰度阈值确定的伪病灶区域(例如，冠脉血管上细小分支血管处的高亮部分)，可降低钙化斑块的假阳率，因此，通过确定疑似病灶区域及伪病灶区域，有利于提高后续钙化斑块确定的精准度。
在步骤S3确定了各个目标区域的疑似病灶区域及伪病灶区域，可通过步骤S4确定第一器官的病灶区域(例如冠脉血管的钙化斑块区域)。
在一种可能实现的方式中，步骤S4可包括：从各个所述目标区域的疑似病灶区域中，去除与所述伪病灶区域重叠的区域，得到所述第一器官的病灶区域(例如冠脉血管的钙化斑块区域)。
图6示出根据本公开实施例的病灶区域的示意图。如图6所示，圆柱形表示一个目标区域，实线区域代表疑似病灶区域51，虚线区域代表伪病灶区域61(包括灰色的51区域)。在疑似病灶区域51中，去除与伪病灶区域61重叠的区域(灰色区域)，得到病灶区域(黑色区域)。
应当理解，对于多个目标区域，可参考图6从一个目标区域中确定病灶区域的过程，分别从各个目标区域的疑似病灶区域中，确定各个目标区域的病灶区域，各个目标区域的病灶区域的集合，也即第一器官的病灶区域。
通过这种方式，根据疑似病灶区域和伪病灶区域确定病灶区域(例如钙化斑块区域)，有利于提高钙化斑块的召回率，降低钙化斑块的假阳率，从而可提高钙化斑块识别的精准度。
因此，根据本公开实施例的病灶检测方法，能够从待处理图像中确定多个目标区域，并针对各个目标区域，分别确定各个目标区域的第一灰度阈值和第二灰度阈值，再根据各个目标区域的第一灰度阈值和第二灰度阈值，分别确定各个目标区域中的疑似病灶区域及伪病灶区域，最后可通过各个目标区域中的疑似病灶区域及伪病灶区域，确定出待处理图像的病灶区域，例如钙化斑块区域。该方法简单易于实现，不仅能够有效减少待处理图像中冠脉血管的细小分支血管处钙化斑块的遗漏，提升了钙化斑块的召回率，而且能够显著提高钙化斑块识别的准确度。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了病灶检测装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种病灶检测方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图7示出根据本公开实施例的病灶检测装置的框图，如图7所示，所述装置包括：分割模块71，用于对待处理图像进行分割处理，确定所述待处理图像中第一器官的多个目标区域。
阈值确定模块72，用于针对任一目标区域，根据所述目标区域的灰度信息，确定所述目标区域的第一灰度阈值和第二灰度阈值，所述第一灰度阈值大于所述第二灰度阈值。
疑似病灶及伪病灶确定模块73，用于根据所述目标区域的第一灰度阈值和第二灰度阈值，分别确定所述目标区域中的疑似病灶区域及伪病灶区域。
病灶确定模块74，用于根据各个所述目标区域的疑似病灶区域及伪病灶区域，确定所述第一器官的病灶区域。
在一种可能的实现方式中，分割模块71包括：分割子模块：用于对所述待处理图像进行分割，确定所述待处理图像中的器官区域，所述器官区域中包括第二器官和第一器官，所述第二器官的尺寸大于所述第一器官的尺寸。
分类子模块：用于对所述器官区域进行分类，得到多个分类区域。
第一区域及第二区域确定子模块：用于从所述多个分类区域中确定出各个第一器官的第一区域及所述第二器官的第二区域。
目标区域确定子模块：用于根据所述第一区域及所述第二区域，确定出所述待处理图像中的多个目标区域。
在一种可能的实现方式中，所述第一区域及第二区域确定子模块用于：将所述多个分类区域中像素数量最多的分类区域，确定为所述第二区域；将所述多个分类区域中，除所述第二区域之外的分类区域，确定为所述第一区域。
其中，所述目标区域确定子模块用于：对所述第一区域进行膨胀操作，得到膨胀后的第三区域；从所述第三区域中，去除与所述第二区域重叠的区域，得到剪切区域；根据所述剪切区域，对所述待处理图像进行剪切处理，得到所述多个目标区域。
在一种可能的实现方式中，阈值确定模块72用于：对所述目标区域中像素的灰度值进行排序，将中位数的灰度值确定为所述第二灰度阈值；将所述第二灰度阈值与预设偏移阈值相加，得到所述第一灰度阈值。
在一种可能的实现方式中，疑似病灶及伪病灶确定模块73包括：疑似病灶确定子模块，用于根据所述目标区域的第一灰度阈值，将所述目标区域中像素的灰度值大于所述第一灰度阈值的像素所在区域，确定为所述疑似病灶区域。
伪病灶确定子模块，用于根据所述目标区域的第二灰度阈值，将所述目标区域中像素的灰度值大于所述第二灰度阈值的像素所在区域，确定为第四区域，所述第四区域包括多个连通区域；将各连通区域中像素数量大于预设阈值的连通区域，确定为所述伪病灶区域。
在一种可能的实现方式中，病灶确定模块74用于：从各个所述目标区域的疑似病灶区域中，去除与所述伪病灶区域重叠的区域，得到所述第一器官的病灶区域。
在一种可能的实现方式中，所述待处理图像包括心脏医学图像，所述第一器官包括冠脉血管，所述第二器官包括主动脉血管，所述目标区域包括冠脉血管段所在的区域，所述病灶区域包括钙化斑块区域。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图8示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图8，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)，第三代移动通信技术(3G)，第四代移动通信技术(4G)或第五代移动通信技术(5G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图9示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图9，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种病灶检测方法，其特征在于，所述方法包括：
对待处理图像进行分割处理，确定所述待处理图像中第一器官的多个目标区域；
针对任一目标区域，根据所述目标区域的灰度信息，确定所述目标区域的第一灰度阈值和第二灰度阈值，所述第一灰度阈值大于所述第二灰度阈值；
根据所述目标区域的第一灰度阈值和第二灰度阈值，分别确定所述目标区域中的疑似病灶区域及伪病灶区域；
根据各个所述目标区域的疑似病灶区域及伪病灶区域，确定所述第一器官的病灶区域。
2.根据权利要求1所述的方法，其特征在于，对待处理图像进行分割处理，确定所述待处理图像中第一器官的多个目标区域，包括：
对所述待处理图像进行分割，确定所述待处理图像中的器官区域，所述器官区域中包括第二器官和第一器官，所述第二器官的尺寸大于所述第一器官的尺寸；
对所述器官区域进行分类，得到多个分类区域；
从所述多个分类区域中确定出各个第一器官的第一区域及所述第二器官的第二区域；
根据所述第一区域及所述第二区域，确定出所述待处理图像中的多个目标区域。
3.根据权利要求2所述的方法，其特征在于，从所述多个分类区域中确定出各个第一器官的第一区域及所述第二器官的第二区域，包括：
将所述多个分类区域中像素数量最多的分类区域，确定为所述第二区域；
将所述多个分类区域中，除所述第二区域之外的分类区域，确定为所述第一区域；
其中，所述根据所述第一区域及所述第二区域，确定出所述待处理图像中的多个目标区域，包括：
对所述第一区域进行膨胀操作，得到膨胀后的第三区域；
从所述第三区域中，去除与所述第二区域重叠的区域，得到剪切区域；
根据所述剪切区域，对所述待处理图像进行剪切处理，得到所述多个目标区域。
4.根据权利要求1所述的方法，其特征在于，根据所述目标区域的灰度信息，确定所述目标区域的第一灰度阈值和第二灰度阈值，包括：
对所述目标区域中像素的灰度值进行排序，将中位数的灰度值确定为所述第二灰度阈值；
将所述第二灰度阈值与预设偏移阈值相加，得到所述第一灰度阈值。
5.根据权利要求1所述的方法，其特征在于，根据所述目标区域的第一灰度阈值和第二灰度阈值，分别确定所述目标区域中的疑似病灶区域及伪病灶区域，包括：
根据所述目标区域的第一灰度阈值，将所述目标区域中像素的灰度值大于所述第一灰度阈值的像素所在区域，确定为所述疑似病灶区域；
根据所述目标区域的第二灰度阈值，将所述目标区域中像素的灰度值大于所述第二灰度阈值的像素所在区域，确定为第四区域，所述第四区域包括多个连通区域；
将各连通区域中像素数量大于预设阈值的连通区域，确定为所述伪病灶区域。
6.根据权利要求1所述的方法，其特征在于，根据各个所述目标区域的疑似病灶区域及伪病灶区域，确定所述第一器官的病灶区域，包括：
从各个所述目标区域的疑似病灶区域中，去除与所述伪病灶区域重叠的区域，得到所述第一器官的病灶区域。
7.根据权利要求2所述的方法，其特征在于，所述待处理图像包括心脏医学图像，所述第一器官包括冠脉血管，所述第二器官包括主动脉血管，所述目标区域包括冠脉血管段所在的区域，所述病灶区域包括钙化斑块区域。
8.一种病灶检测装置，其特征在于，包括：
分割模块，用于对待处理图像进行分割处理，确定所述待处理图像中第一器官的多个目标区域；
阈值确定模块，用于针对任一目标区域，根据所述目标区域的灰度信息，确定所述目标区域的第一灰度阈值和第二灰度阈值，所述第一灰度阈值大于所述第二灰度阈值；
疑似病灶及伪病灶确定模块，用于根据所述目标区域的第一灰度阈值和第二灰度阈值，分别确定所述目标区域中的疑似病灶区域及伪病灶区域；
病灶确定模块，用于根据各个所述目标区域的疑似病灶区域及伪病灶区域，确定所述第一器官的病灶区域。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
CN202110411960.7A 2021-04-16 2021-04-16 一种冠脉钙化斑块检测方法及装置 Active CN113034491B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110411960.7A CN113034491B (zh) 2021-04-16 2021-04-16 一种冠脉钙化斑块检测方法及装置
PCT/CN2021/122142 WO2021259390A2 (zh) 2021-04-16 2021-09-30 一种冠脉钙化斑块检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110411960.7A CN113034491B (zh) 2021-04-16 2021-04-16 一种冠脉钙化斑块检测方法及装置

Publications (2)

Publication Number Publication Date
CN113034491A true CN113034491A (zh) 2021-06-25
CN113034491B CN113034491B (zh) 2021-10-08

Family

ID=76458021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110411960.7A Active CN113034491B (zh) 2021-04-16 2021-04-16 一种冠脉钙化斑块检测方法及装置

Country Status (2)

Country Link
CN (1) CN113034491B (zh)
WO (1) WO2021259390A2 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113628193A (zh) * 2021-08-12 2021-11-09 推想医疗科技股份有限公司 血管狭窄率确定方法、装置、系统及存储介质
WO2021259390A3 (zh) * 2021-04-16 2022-03-03 北京安德医智科技有限公司 一种冠脉钙化斑块检测方法及装置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115713626B (zh) * 2022-11-21 2023-07-18 山东省人工智能研究院 一种基于深度学习的3d冠脉cta斑块识别方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070286336A1 (en) * 2006-06-07 2007-12-13 Sylvain Bernard Method for the processing of radiological images for a detection of radiological signs
CN103201768A (zh) * 2010-11-12 2013-07-10 皇家飞利浦电子股份有限公司 对心血管系统的要进行钙化评分的各个子区域的识别
CN104637044A (zh) * 2013-11-07 2015-05-20 中国科学院深圳先进技术研究院 钙化斑块及其声影的超声图像提取系统
CN104915961A (zh) * 2015-06-08 2015-09-16 北京交通大学 一种基于乳腺x线图像的肿块图像区域显示方法及系统
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
CN105631820A (zh) * 2015-12-25 2016-06-01 浙江工业大学 基于小波变换和三边滤波器的医学超声图像去噪方法
CN106127819A (zh) * 2016-06-30 2016-11-16 上海联影医疗科技有限公司 医学图像中提取血管中心线的方法及其装置
CN106447645A (zh) * 2016-04-05 2017-02-22 天津大学 增强ct图像中冠脉钙化检测及量化装置和方法
CN106796197A (zh) * 2014-08-26 2017-05-31 Ima生物科技公司 通过质谱成像表征样品的方法
CN107507175A (zh) * 2017-08-18 2017-12-22 潘荣兰 一种用于计算玉米叶部小斑病病斑所占面积比例的装置
CN108171698A (zh) * 2018-02-12 2018-06-15 数坤（北京）网络科技有限公司 一种自动检测人体心脏冠脉钙化斑块的方法
CN109165668A (zh) * 2018-07-06 2019-01-08 北京安德医智科技有限公司 一种脑部异常分类的处理方法
CN109288536A (zh) * 2018-09-30 2019-02-01 数坤（北京）网络科技有限公司 获取冠脉钙化区域分类的方法、装置及系统
CN109389592A (zh) * 2018-09-30 2019-02-26 数坤（北京）网络科技有限公司 计算冠脉钙化积分的方法、装置及系统
CN109671091A (zh) * 2019-02-27 2019-04-23 数坤（北京）网络科技有限公司 一种非钙化斑检测方法及非钙化斑检测设备
CN111353996A (zh) * 2020-04-08 2020-06-30 东软医疗系统股份有限公司 一种血管钙化检测方法及装置
US10973469B2 (en) * 2016-09-23 2021-04-13 Curemetrix, Inc. Mapping of breast arterial calcifications

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2416223A (en) * 2004-07-15 2006-01-18 Medicsight Plc Quantification of coronary artery calcification
CN109598702B (zh) * 2018-10-30 2023-04-07 南方医科大学南方医院 对比增强能谱乳腺x线摄影的病灶特征量化方法及系统
CN109949243B (zh) * 2019-03-20 2021-05-11 数坤（北京）网络科技有限公司 一种钙化伪影消除方法、设备及计算机存储介质
CN113034491B (zh) * 2021-04-16 2021-10-08 北京安德医智科技有限公司 一种冠脉钙化斑块检测方法及装置

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070286336A1 (en) * 2006-06-07 2007-12-13 Sylvain Bernard Method for the processing of radiological images for a detection of radiological signs
CN103201768A (zh) * 2010-11-12 2013-07-10 皇家飞利浦电子股份有限公司 对心血管系统的要进行钙化评分的各个子区域的识别
CN104637044A (zh) * 2013-11-07 2015-05-20 中国科学院深圳先进技术研究院 钙化斑块及其声影的超声图像提取系统
CN106796197A (zh) * 2014-08-26 2017-05-31 Ima生物科技公司 通过质谱成像表征样品的方法
CN104915961A (zh) * 2015-06-08 2015-09-16 北京交通大学 一种基于乳腺x线图像的肿块图像区域显示方法及系统
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
CN105631820A (zh) * 2015-12-25 2016-06-01 浙江工业大学 基于小波变换和三边滤波器的医学超声图像去噪方法
CN106447645A (zh) * 2016-04-05 2017-02-22 天津大学 增强ct图像中冠脉钙化检测及量化装置和方法
CN106127819A (zh) * 2016-06-30 2016-11-16 上海联影医疗科技有限公司 医学图像中提取血管中心线的方法及其装置
US10973469B2 (en) * 2016-09-23 2021-04-13 Curemetrix, Inc. Mapping of breast arterial calcifications
CN107507175A (zh) * 2017-08-18 2017-12-22 潘荣兰 一种用于计算玉米叶部小斑病病斑所占面积比例的装置
CN108171698A (zh) * 2018-02-12 2018-06-15 数坤（北京）网络科技有限公司 一种自动检测人体心脏冠脉钙化斑块的方法
CN109165668A (zh) * 2018-07-06 2019-01-08 北京安德医智科技有限公司 一种脑部异常分类的处理方法
CN109288536A (zh) * 2018-09-30 2019-02-01 数坤（北京）网络科技有限公司 获取冠脉钙化区域分类的方法、装置及系统
CN109389592A (zh) * 2018-09-30 2019-02-26 数坤（北京）网络科技有限公司 计算冠脉钙化积分的方法、装置及系统
CN109671091A (zh) * 2019-02-27 2019-04-23 数坤（北京）网络科技有限公司 一种非钙化斑检测方法及非钙化斑检测设备
CN111353996A (zh) * 2020-04-08 2020-06-30 东软医疗系统股份有限公司 一种血管钙化检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘军等: "鼓膜穿孔部位、面积及钙化斑对慢性化脓性中耳炎静止期患者听力的影响", 《山东医药》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021259390A3 (zh) * 2021-04-16 2022-03-03 北京安德医智科技有限公司 一种冠脉钙化斑块检测方法及装置
CN113628193A (zh) * 2021-08-12 2021-11-09 推想医疗科技股份有限公司 血管狭窄率确定方法、装置、系统及存储介质
CN113628193B (zh) * 2021-08-12 2022-07-15 推想医疗科技股份有限公司 血管狭窄率确定方法、装置、系统及存储介质

Also Published As

Publication number Publication date
WO2021259390A3 (zh) 2022-03-03
WO2021259390A2 (zh) 2021-12-30
CN113034491B (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN113034491B (zh) 一种冠脉钙化斑块检测方法及装置
CN111310764B (zh) 网络训练、图像处理方法及装置、电子设备和存储介质
CN111899268B (zh) 图像分割方法及装置、电子设备和存储介质
CN112785565B (zh) 目标检测方法及装置、电子设备和存储介质
CN112967291B (zh) 图像处理方法及装置、电子设备和存储介质
CN113222038B (zh) 基于核磁图像的乳腺病灶分类和定位方法及装置
CN113012166A (zh) 颅内动脉瘤分割方法及装置、电子设备和存储介质
CN112541928A (zh) 网络训练方法及装置、图像分割方法及装置和电子设备
CN114820584B (zh) 肺部病灶定位装置
CN110705626A (zh) 一种图像处理方法及装置、电子设备和存储介质
CN112927239A (zh) 图像处理方法、装置、电子设备及存储介质
CN112508918A (zh) 图像处理方法及装置、电子设备和存储介质
WO2023050691A1 (zh) 图像处理方法及装置、电子设备、存储介质和程序
WO2022032998A1 (zh) 图像处理方法及装置、电子设备、存储介质和程序产品
CN111640114B (zh) 图像处理方法及装置
CN113160947A (zh) 医学图像的展示方法及装置、电子设备和存储介质
CN111798498A (zh) 图像处理方法及装置、电子设备和存储介质
CN113902730A (zh) 图像处理和神经网络训练方法及装置
CN112308867B (zh) 牙齿图像的处理方法及装置、电子设备和存储介质
JP2022548453A (ja) 画像分割方法及び装置、電子デバイス並びに記憶媒体
CN112927275B (zh) 一种图像处理方法及装置、电子设备和存储介质
CN112686867A (zh) 医学图像的识别方法及装置、电子设备和存储介质
CN111968106A (zh) 图像处理方法及装置、电子设备和存储介质
CN112200820A (zh) 三维图像处理方法及装置、电子设备和存储介质
CN115099293B (zh) 一种模型训练方法及装置、电子设备和存储介质

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A method and device for detecting coronary calcified plaque

Effective date of registration: 20220711

Granted publication date: 20211008

Pledgee: Su Qiwen

Pledgor: BEIJING ANDE YIZHI TECHNOLOGY Co.,Ltd.

Registration number: Y2022990000431

PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20211008

Pledgee: Su Qiwen

Pledgor: BEIJING ANDE YIZHI TECHNOLOGY Co.,Ltd.

Registration number: Y2022990000431