CN113066061A - 一种基于mra的动脉瘤检测方法、系统、终端及介质 - Google Patents
一种基于mra的动脉瘤检测方法、系统、终端及介质 Download PDFInfo
- Publication number
- CN113066061A CN113066061A CN202110315923.6A CN202110315923A CN113066061A CN 113066061 A CN113066061 A CN 113066061A CN 202110315923 A CN202110315923 A CN 202110315923A CN 113066061 A CN113066061 A CN 113066061A
- Authority
- CN
- China
- Prior art keywords
- aneurysm
- image
- blood vessel
- voxel
- curvature
- 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
- 206010002329 Aneurysm Diseases 0.000 title claims abstract description 158
- 238000001514 detection method Methods 0.000 title claims abstract description 78
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 43
- 201000008450 Intracranial aneurysm Diseases 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000007917 intracranial administration Methods 0.000 claims abstract description 16
- 210000000269 carotid artery external Anatomy 0.000 claims abstract description 8
- 210000003625 skull Anatomy 0.000 claims description 27
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 210000001367 artery Anatomy 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000002792 vascular Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims 1
- 230000035945 sensitivity Effects 0.000 description 22
- 238000012360 testing method Methods 0.000 description 16
- 208000009857 Microaneurysm Diseases 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 208000004717 Ruptured Aneurysm Diseases 0.000 description 3
- 238000002583 angiography Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 3
- 238000010968 computed tomography angiography Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 208000037834 fusiform aneurysm Diseases 0.000 description 3
- 230000000004 hemodynamic effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 208000002251 Dissecting Aneurysm Diseases 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 208000032851 Subarachnoid Hemorrhage Diseases 0.000 description 1
- 208000001892 Traumatic Subarachnoid Hemorrhage Diseases 0.000 description 1
- 208000006288 Vascular Tissue Neoplasms Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000002551 anterior cerebral artery Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000001841 basilar artery Anatomy 0.000 description 1
- 208000034158 bleeding Diseases 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000015624 blood vessel development Effects 0.000 description 1
- 208000029185 blood vessel neoplasm Diseases 0.000 description 1
- 210000004004 carotid artery internal Anatomy 0.000 description 1
- 210000001072 colon Anatomy 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000003657 middle cerebral artery Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000003388 posterior cerebral artery Anatomy 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 201000011531 vascular cancer Diseases 0.000 description 1
- 210000002385 vertebral artery Anatomy 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30008—Bone
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- High Energy & Nuclear Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于MRA的颅内动脉瘤检测方法,包括以下步骤:获取待处理的原始影像数据,对原始影像数据进行校正和归一化处理,得到处理后影像数据;对处理后的影像数据进行MIP重建,得到MIP图像,删除颈外动脉后生成三种旋转图像,每个旋转图像由围绕单个旋转轴均匀分布的投影组成;自动分割颅内动脉血管体素;对血管区域中的每个体素制作多个补丁,计算所有补丁包含动脉瘤的概率,将计算出的概率按照预设概率阈值分类,大于预设概率阈值的体素基于曲率算法生成体积形状指数图像和曲率图像来显示动脉瘤;测量动脉瘤的最大直径;输出动脉瘤检测结果。该方法能准确识别出颅内动脉血管,还能准确测量出动脉瘤的大小。
Description
技术领域
本发明涉及医学影像和计算机技术领域,具体涉及一种基于MRA的动脉瘤检测方法、系统、终端及介质。
背景技术
颅内动脉瘤是发生在颅内动脉管壁上的异常膨出,是非外伤性蛛网膜下腔出血的主要原因。据报道未破裂颅内动脉瘤的患病率约为3.2%,如果动脉瘤随着时间增长,其破裂风险可能高达2.4%,这是稳定的动脉瘤破裂风险的12倍。破裂的危险因素包括动脉瘤大小、位置、形态以及血流动力学等,动脉瘤一旦破裂可能出现严重后果,甚至危及生命,因此尽早诊断非常重要。
关于颅内动脉瘤的诊断,现有的方式主要有:数字减影血管造影(DSA)、CT血管造影(CTA)、磁共振血管造影(MRA)等。由于DSA和CTA均需要辐射曝光和对比剂注射,所以应用范围局限。MRA被用来筛查未破裂的动脉瘤,作为一种非侵入性的检查方式,其诊断颅内动脉瘤的灵敏度高达96.7%。特别是3维飞行时间磁共振血管成像(3D-TOF-MRA)对小动脉瘤有较高的灵敏度,能多方位成像,可以反应颅内血管形态及血流参数。最大密度投影重建(MIP)是处理MRA图像最为常用的一种方法,MIP图像具有直观、全面显示成像范围内走行迂曲血管的优势。
工智能(AI)因其在基于图像任务中令人印象深刻的表现而受到全世界的关注。AI几乎参与了动脉瘤的所有步骤,包括检测、破裂风险、并发症预测、治疗策略选择和复发风险评估。然而,结果并不完全令人满意,存在一些限制和挑战。深度学习是机器学习的一个子领域,已经被用来开发最先进的图像识别算法。既往已有研究基于卷积神经网络(CNN)的深度学习算法应用于MIP MRA图像自动检测颅内动脉瘤,这些算法虽然获得了很高的灵敏度,但在小动脉瘤检测方面,灵敏度普遍不高,并且还有相当高的假阳性率,研究中也没有报道特异度。如果算法的特异度较低,则可能把血管分叉和血管狭窄误认为动脉瘤,出现假阳性,增加放射科医生的诊断时间及误诊率,从而限制了临床应用。
发明内容
针对现有技术中的缺陷,本发明实施例提供的一种基于MRA的颅内动脉瘤检测方法、系统、终端及介质,能准确识别出颅内动脉血管,还能准确测量出动脉瘤的大小。
第一方面,本发明第一实施例提供的一种基于MRA的颅内动脉瘤检测方法,包括以下步骤:
获取待处理的原始影像数据,对原始影像数据进行校正和归一化处理,得到处理后影像数据;
对处理后的影像数据进行MIP重建,得到MIP图像,删除颈外动脉后生成三种旋转图像,每个旋转图像由围绕单个旋转轴均匀分布的投影组成;
自动分割颅内动脉血管体素;
对血管区域中的每个体素制作多个补丁,计算所有补丁包含动脉瘤的概率,将计算出的概率按照预设概率阈值分类,大于预设概率阈值的体素基于曲率算法生成体积形状指数图像和曲率图像来显示动脉瘤;
测量动脉瘤的最大直径;
输出动脉瘤检测结果。
第二方面,本发明另一实施例提供的一种基于MRA的颅内动脉瘤检测系统,包括:图像获取模块、MIP重建模块、自动分割模块、动脉瘤识别模块、动脉瘤测量模块和检测结果输出模块,
所述图像获取模块用于获取待处理的原始影像数据,对原始影像数据进行校正和归一化处理,得到处理后影像数据;
所述MIP重建模块用于对处理后的影像数据进行MIP重建,得到MIP图像,删除颈外动脉后生成三种旋转图像,每个旋转图像由围绕单个旋转轴均匀分布的投影组成;
所述自动分割模块用于自动分割颅内动脉血管体素;
所述动脉瘤识别模块用于对血管区域中的每个体素制作多个补丁,计算所有补丁包含动脉瘤的概率,将计算出的概率按照预设概率阈值分类,大于预设概率阈值的体素基于曲率算法生成体积形状指数图像和曲率图像来显示动脉瘤;
所述动脉瘤测量模块用于测量动脉瘤的最大直径;
所述检测结果输出模块用于输出动脉瘤检测结果。
第三方面,本发明另一实施例提供还提供一种智能终端,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述实施例描述的方法。
第四方面,本发明另一实施例提供还提供计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述实施例描述的方法。
本发明的有益效果:
本发明实施例提供的一种基于MRA的颅内动脉瘤检测方法,同时使用3D-TOF-MRA源图像和MIP图像,利用精准的血管分割方法建立了动脉血管的网格模型,然后再将血管区域中的每个体素进行检测,概率大于0.5的体素使用基于曲率法来可视化动脉瘤,评估其形状及曲率,最终输出结果,最后再对动脉瘤进行最大直径的测量,该方法能准确识别出颅内动脉血管,还能准确测量出动脉瘤的大小。
测试结果表明,该方法具有很高的灵敏度和特异度,内部测试组灵敏度为97.0%,特异度为93.0%;外部测试组灵敏度为98.0%,特异度为94.0%,受试者工作特征(ROC)曲线下面积为0.92。动脉瘤最大直径为0.5~25.50mm,其中30%小于3mm。本实施例的动脉瘤检测方法对最大直径大于5mm的动脉瘤,无论是在内部测试集中还是在外部测试集中都能100%检测到。对最大直径≤3mm的微小动脉瘤,仍有较高的灵敏度,内部测试组为92.5%,外部测试组为91.0%。该方法完全自动化,耗时短,让医生能够在计算机的帮助下实现更快、更准确的进行病变检测,对颅内动脉瘤进行低成本且高效的筛查,具有显著的临床意义。
本发明实施例提供的一种基于MRA的颅内动脉瘤检测系统、终端及介质,与基于MRA的颅内动脉瘤检测方法出于相同的发明构思,具有相同的有益效果。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1示出了本发明第一实施例所提供的一种基于MRA的颅内动脉瘤检测方法的流程图;
图2示出了本发明第一实施例中的血管分割流程图;
图3示出了本发明第一实施例中检测得到颅内动脉瘤输出的包围盒;
图4使出了本发明第一实施例中的检测出的动脉瘤最大直径;
图5示出了本发明第二实施例所提供的一种基于MRA的颅内动脉瘤检测系统的结构框图;
图6示出了本发明第三实施例所提供的一种智能终端的结构框图。
具体实施方式
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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
如图1所示,示出了本发明第一实施例所提供的一种基于MRA的颅内动脉瘤检测方法的流程图,该方法包括以下步骤:
S1:获取待处理的原始影像数据,对原始影像数据进行校正和归一化处理,得到处理后影像数据。
具体地,采集患者的3D-TOF-MRA图像数据,输入DICOM图像集,对原始图像进行N3偏执场校正及归一化处理,避免原始图片的亮度不均匀现象。
S2:对处理后的影像数据进行MIP重建,得到MIP图像,删除颈外动脉后生成三种旋转图像,每个旋转图像由围绕单个旋转轴均匀分布的投影组成。
具体地,MIP是对MRA原始断面影像进行重建处理,忽略原始图像中的一些低信号细节情况,将图像中的最强信号像素选出作为MIP影像的像素,就能显示成像容积内各分支血管的完整血管影像。生成MIP的步骤包括:(1)通过“高级观察”进行MIP处理;(2)MIP图像制作;(3)删除颈外动脉后生成3种旋转图像,每个旋转图像由围绕单个旋转轴均匀分布的投影(足到头、从右到左和从前向后)组成。
S3:自动分割颅内动脉血管体素。
具体地,自动分割颅内动脉血管体素的方法具体包括:
(1)使用滤波器对血管区域进行增强,突出血管面积,从而减少检测方法被非血管结构混淆的机会,减少错误预测的机会。转换公式如下(α=400,β=600):
剔除颅骨:使用一个立方体从外部包裹头骨,并将其收缩,当立方体的面与头骨接触时,接触点被用作种子点。自阈值区域从种子点开始生长,并对结果进行平滑处理,得到颅骨区域体素。区域生长法的阈值下限为最大强度的30%,上限为最大强度。这些体素被从预处理的数据中切除,颅骨被移除。
选取种子点:根据血管的强度区域对移除颅骨的数据进行二值化,将所有大于背景密度值的体素设置为1,然后进行连通域统计,根据连通域包含的体素数量排列连通域并且从排列在前5个的相连域中选择种子点。
分割血管体素:由于血管强度服从高斯分布,区域生长法的上下限是自动确定的,因为μ+σ和μ-σ,其中μ代表估计平均值,σ代表标准差。所以,在此基础上,利用移动立方体法重建血管,得到全颅动脉血管的表面网格模型,网格模型是血管的内表面,不仅可以用来检测动脉瘤还可以用于检测动脉瘤的大小及血流动力学分析,如图2。
由于MRA的大部分体积是非血管组织,不是我们的目标区域,虽然3D-TOF-MRA信噪比明显提高,背景信号抑制更好,可更好地显示血管壁,但是颅内血管的高精准分割仍具有挑战性。本实施例的检测方法采用滤波器对血管区域进行增强,强调了血管体素而排出了背景体素,从而减少了检测过程中被非血管结构混淆的机会,提高了血管体素分割的精度。在得到整个颅骨区域体素后,采用本方法中的高效颅骨剥离技术,可以获得一个可靠的包含素有相关血管的图像,再去除颅骨,利用移动立方体法重建血管,得到全颅动脉血管的表面网格模型,该模型是血管的内表面,不仅用来检测动脉瘤还可以用于血流动力学分析。
S4:对血管区域中的每个体素制作多个补丁,计算所有补丁包含动脉瘤的概率,将计算出的概率按照预设概率阈值分类,大于预设概率阈值的体素基于曲率算法生成体积形状指数图像和曲率图像来显示动脉瘤。
具体地,为血管区域的每个体素制作多个补丁,最多50个,并计算所有补丁包含动脉瘤的概率,即计算出每个体素是正常血管或动脉瘤的概率,这些概率以阈值0.5进行分类,小于0.5的值转换为0。为了提高灵敏度和特异度,概率大于0.5的体素会进行基于曲率算法来显示动脉瘤,增强了动脉瘤的可见性,减少错判。最终在输出图像上显示一个包围盒,如图3,该包围盒包含了本检测方法确定的动脉瘤,临床医生可以更仔细地检查该区域以做出诊断。如果采用本检测方法预测检查中没有动脉瘤,则不会提供包围盒。
在现有的很多动脉瘤检测方法中,将体积内的每个体素分为阳性(动脉瘤)或阴性(无动脉瘤)来预测,这样“有”或“无”的判断,可能会过高或过低的判断动脉瘤,灵敏度普遍不高,并且还有相当高的假阳性率。本实施例中对血管体素进行检测时,选用概率法进行预判,为血管区域的每个体素制作多个补丁,并计算所有补丁包含动脉瘤的概率。然后,根据所有补丁的概率之和进行进一步预测,这就提高了检测的灵敏度和特异度。
其中,对于概率大于0.5的体素会进行基于曲率算法生成形状指数图像和曲率图像来显示动脉瘤的步骤如下:
(1)每个体素上计算两个曲率特征:形状指数和曲率值。形状指数表示了体素附近的体积形状,包括凹坑、山谷、鞍形、山脊或山峰形。一个特定体素的曲率代表了体素处的有效曲率的大小,是体素上的最小曲率和最大曲率平方之和的平方根。通常,大型球体状动脉瘤上的点具有较小的曲率。将形状指数和曲率视为一对,表示局部二阶几何。包含在该对中的信息形式上等价于两个主曲率或被视为一对的高斯曲率和平均曲率。曲率指数是根据以下公式计算的,体积数据的三维函数F(x,y,z):高斯曲率K、平均曲率H、最大主曲率k1、最小主曲率k2、形状指数S、曲率值R,如下:
将形状指数和曲率值转换成颜色标记,然后使每个体素具有独立的颜色分量,进行动脉瘤再现,根据体素的形状指数及曲率值再次对动脉瘤进行评估。
虽然使用曲率指数的自动计算机辅助检测系统已经被开发用于结肠和肺。由于微小动脉瘤的高度较低,很难在灰度容积再现图像中辨别出它的存在,计算的曲率指数实际上可以改善脑动脉瘤的能见度,有助于提高这些较小的脑动脉瘤的低检出率。目前很多算法主要限制是在血管的弯曲或分支部分发现许多假阳性结果,为了提高灵敏度,结果过分的预判了动脉瘤。本实施例的检测方法将动脉瘤概率高的并不是直接输出结果,而是基于曲率算法来生成形状指数图像和曲率图像,曲率法中的形状指数图可更好地观察一些特殊的结构,如不规则的血管壁、分叉及弯曲血管、狭窄血管以及血管壁上的小肿块等。在曲度图像上,重叠血管和动脉瘤的显示优于正常体积渲染图像。本实施例的检测方法增加了脑动脉瘤的可视性,更好地更准确地显示毗邻小血管及管腔不规则区域,提高诊断准确性。
S5:测量动脉瘤的最大直径。
在检测出动脉瘤后,将相应的MIP图像裁剪到动脉瘤周围区域,所有图像的大小都调整为256×256像素,然后输出预测掩膜,移除小于100像素的预测动脉瘤的小区域,留下单个最大的掩膜区域,计算出动脉瘤掩膜的表面边缘,计算每对可能的边界点{xi,yi}之间的距离集合,其中i在掩膜边界上,并且取最大值作为预测的最大动脉瘤线性尺寸,计算公式为:lengthCNN=maxi∈b{xi,yi},如图4中的最长的直线标示所示。面积计算为动脉瘤掩膜中的像素总数乘以每像素的分辨率(单位为mm2)。
S6:输出动脉瘤检测结果。
检测结果包括动脉瘤的大小和位置。
动脉瘤大小对动脉瘤检测方法的性能有明显的影响,对于较小的动脉瘤,特别是微小动脉瘤,由于血流缓慢、涡流产生导致其在MRA上容易出现信号缺失,而算法精确度又不高,其检测的灵敏度较低,据研究报道MRA检测小动脉瘤的灵敏度在30-80%之间,这是在颅内动脉瘤检测方面目前普遍面对的难题。本实施例的动脉瘤检测方法使用3D-TOF-MRA的MIP重建图像提高血管显影,并且进行三维处理,再基于3D An Net(3维人工智能网络)深度学习算法的优点,对于最大直径≤3mm的微小动脉瘤,能达到90%以上的灵敏度。因此,在外部测试期间,本实施例发的检测方法诊断出多例最初在放射学报告中遗漏的动脉瘤,其中微小动脉瘤占70%。
由于梭形动脉瘤和夹层动脉瘤在很多方面都不同于囊状动脉瘤,所以目前绝大部分的动脉瘤检测方法都是针对囊状动脉瘤开发的,在梭形动脉瘤以及壁间动脉瘤检测方面存在局限性。本实施例的动脉瘤检测方法在开发、内部检测时包含不同类型的动脉瘤,并且进行了外部检测来评估方法的适用性。由于本检测方法精准的血管分割和曲率算法中形状指数和曲率指数对动脉瘤的再现,使得检测梭形动脉瘤以及壁间动脉瘤方面亦有很高的灵敏度和特异度。由于动脉瘤血流的异质性可能降低可检测性,本检测方法能正确检测内部信号均匀以及不均匀的动脉瘤。这也是本检测方法还能够诊断最初在放射学报告中遗漏的动脉瘤的重要原因。
动脉瘤大小是出血的关键危险因素,也是治疗风险的重要考虑因素。在临床实践中,动脉瘤的大小通常由医生在2D/3D投影上手动测量。然而,人工测量具有主观性和不一致性的固有局限性,造成观察者内部和观察者间的差异,不能捕捉到动脉瘤的复杂几何特征。本实施例的检测方法基于动脉瘤高精准血管分割和准确地动脉瘤预测的基础上,可以对动脉瘤进行最大直径和面积的测量,不仅做到定性还可以定量分析,平均尺寸误差为0.2%,面积误差为0.4%。
MRA对于动脉瘤破裂所致蛛网膜下腔出血患者的诊断是有争议的,由于不配合所致运动伪影,能够影响脑动脉瘤检出的可信度下降,很多破裂的患者都选择可以进行检查和治疗的DSA,所以目前的检测方法极大多数都是针对未破裂动脉瘤的检测。已有研究表明3D-TOF-MRA对于诊断颅内破裂动脉瘤具有良好的灵敏度,本实施例的检测方法能对破裂动脉瘤、非破裂动脉瘤检出均具有较高的灵敏度和特异度,这一特征突出了本实施例描述的检测方法的严谨性。
三维网络可以充分利用数据的三维特征作为判断的依据,因此适用于血管数据,尤其适用于血管分叉、血管角度、血管肿瘤等相似结构的判断。在本发明实施例提供的一种基于MRA的动脉瘤检测方法,研究了基于3D An Net深度学习的算法在3D-TOF-MRA数据中检测颅内动脉瘤的性能,同时使用3D-TOF-MRA源图像和MIP图像,利用精准的血管分割方法建立了动脉血管的网格模型,然后再将血管区域中的每个体素进行检测,概率大于0.5的体素使用基于曲率法来可视化动脉瘤,评估其形状及曲率,最终输出结果,最后再对动脉瘤进行最大直径的测量。测试结果表明,该方法具有很高的灵敏度和特异度,内部测试组灵敏度为97.0%,特异度为93.0%;外部测试组灵敏度为98.0%,特异度为94.0%,受试者工作特征(ROC)曲线下面积为0.92。动脉瘤最大直径为0.5~25.50mm,其中30%小于3mm。本实施例的动脉瘤检测方法对最大直径大于5mm的动脉瘤,无论是在内部测试集中还是在外部测试集中都能100%检测到。对最大直径≤3mm的微小动脉瘤,仍有较高的灵敏度,内部测试组为92.5%,外部测试组为91.0%。本实施例的动脉瘤检测方法在开发和测试阶段,动脉瘤图像数据来源于不同机构和不同MR成像设备、配置和场强,动脉瘤的分布范围包括颈内动脉区、大脑中动区、大脑前动脉区、大脑后动脉区、基底动脉区和椎动脉区,年龄、性别和体型的构成完全是随机的,这符合日常情况,使得该检测方法通过最大限度地减少过度贴合而变得更具普适性和稳定性。该方法完全自动化,耗时短,让医生能够在计算机的帮助下实现更快、更准确的病变检测,对颅内动脉瘤进行低成本且高效的筛查具有显著的临床意义。
在上述的第一实施例中,提供了一种基于MRA的颅内动脉瘤检测方法,与之相对应的,本申请还提供一种基于MRA的颅内动脉瘤检测系统。请参考图5,其为本发明第二实施例提供的一种基于MRA的颅内动脉瘤检测系统的结构框图。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
如图5所示,示出了本发明第二实施例提供的一种基于MRA的颅内动脉瘤检测系统的结构框图,该系统包括:图像获取模块、MIP重建模块、自动分割模块、动脉瘤识别模块、动脉瘤测量模块和检测结果输出模块,所述图像获取模块用于获取待处理的原始影像数据,对原始影像数据进行校正和归一化处理,得到处理后影像数据;所述MIP重建模块用于对处理后的影像数据进行MIP重建,得到MIP图像,删除颈外动脉后生成三种旋转图像,每个旋转图像由围绕单个旋转轴均匀分布的投影组成;所述自动分割模块用于自动分割颅内动脉血管体素;所述动脉瘤识别模块用于对血管区域中的每个体素制作多个补丁,计算所有补丁包含动脉瘤的概率,将计算出的概率按照预设概率阈值分类,大于预设概率阈值的体素基于曲率算法生成体积形状指数图像和曲率图像来显示动脉瘤;所述动脉瘤测量模块用于测量动脉瘤的最大直径;所述检测结果输出模块用于输出动脉瘤检测结果。
在本实施例中,自动分割模块包括:增强单元、颅骨剔除单元、种子点选取单元和血管体素分割单元,所述增强单元使用滤波器对血管区域进行增强,突出血管面积;所述颅骨剔除单元使用一个立方体从外部包裹头骨并收缩立方体,当立方体的面与头骨接触时,接触点被用作种子点,自阈值区域从种子点开始生长,并对结果进行平滑处理,得到颅骨区域体素,移除颅骨区域体素;所述种子点选取单元根据血管的强度区域对数据进行二值化,将所有大于背景密度值的体素设为1,进行连通域统计,根据连通域包含的体素数量排列连通域,并从排列在设定数值范围内的相连域中选择种子点;所述血管体素分割单元利用移动立方体法重建血管,得到全颅动脉血管的表面网格模型,所述表面网格模型为血管的内表面。
在本实施例中,动脉瘤识别模块包括曲率特征计算单元和颜色标记转换单元,曲率特征计算单元用于计算每个大于预设概率阈值的体素上的体积形状指数和和曲率值;颜色标记转换单元用于将体积形状指数和曲率值转成颜色标记,使每个体素具有独立的颜色分量进行动脉瘤再现。
在本实施例中,动脉瘤测量模块包括图像调整单元和动脉瘤直径计算单元,所述图像调整单元将MIP图像裁剪到动脉瘤周围区域,将所有图像大小调整为256*256像素;所述动脉瘤直径计算单元用于输出预测掩膜,移除小于100像素的预测动脉瘤的区域,留下单个最大的掩膜区域,计算出动脉瘤掩膜的表面边缘,计算每对可能的边界点之间的距离集合,其中,边界点在掩膜边界上,取距离最大值作为动脉瘤的最大直径。
以上,为本发明第二实施例提供的一种基于MRA的颅内动脉瘤检测系统的实施例说明。本发明提供的一种基于MRA的颅内动脉瘤检测系统与上述一种基于MRA的颅内动脉瘤检测方法出于相同的发明构思,具有相同的有益效果,此处不再赘述。
如图6所示,示出了本发明另一实施例还提供一种智能终端结构框图,该终端包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述实施例描述的方法。
应当理解,在本发明实施例中,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备可以包括显示器(LCD等)、扬声器等。
该存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如,存储器还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器、输入设备、输出设备可执行本发明实施例提供的方法实施例所描述的实现方式,也可执行本发明实施例所描述的系统实施例的实现方式,在此不再赘述。
在本发明还提供一种计算机可读存储介质的实施例,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述实施例描述的方法。
所述计算机可读存储介质可以是前述实施例所述的终端的内部存储单元,例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的终端和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露终端和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种基于MRA的颅内动脉瘤检测方法,其特征在于,包括以下步骤:
获取待处理的原始影像数据,对原始影像数据进行校正和归一化处理,得到处理后影像数据;
对处理后的影像数据进行MIP重建,得到MIP图像,删除颈外动脉后生成三种旋转图像,每个旋转图像由围绕单个旋转轴均匀分布的投影组成;
自动分割颅内动脉血管体素;
对血管区域中的每个体素制作多个补丁,计算所有补丁包含动脉瘤的概率,将计算出的概率按照预设概率阈值分类,大于预设概率阈值的体素基于曲率算法生成体积形状指数图像和曲率图像来显示动脉瘤;
测量动脉瘤的最大直径;
输出动脉瘤检测结果。
2.如权利要求1所述的方法,其特征在于,所述自动分割颅内动脉血管体素具体包括:
使用滤波器对血管区域进行增强,突出血管面积;
使用一个立方体从外部包裹头骨并收缩立方体,当立方体的面与头骨接触时,接触点被用作种子点,自阈值区域从种子点开始生长,并对结果进行平滑处理,得到颅骨区域体素,移除颅骨区域体素;
根据血管的强度区域对移除颅骨的数据进行二值化,将所有大于背景密度值的体素设为1,进行连通域统计,根据连通域包含的体素数量排列连通域,并从排列在设定数值范围内的相连域中选择种子点;
利用移动立方体法重建血管,得到全颅动脉血管的表面网格模型,所述表面网格模型为血管的内表面。
3.如权利要求1所述的方法,其特征在于,所述大于预设概率阈值的体素基于曲率算法生成形状指数图像和曲率图像来显示动脉瘤具体包括:
计算每个大于预设概率阈值的体素上的形状指数和和曲率值;
将形状指数和曲率值转成颜色标记,使每个体素具有独立的颜色分量进行动脉瘤再现。
4.如权利要求3所述的方法,其特征在于,所述测量动脉瘤的最大直径具体包括:
将MIP图像裁剪到动脉瘤周围区域,将所有图像大小调整为256*256像素;
输出预测掩膜,移除小于100像素的预测动脉瘤的区域,留下单个最大的掩膜区域,计算出动脉瘤掩膜的表面边缘,计算每对可能的边界点之间的距离集合,其中,边界点在掩膜边界上,取距离最大值作为动脉瘤的最大直径。
5.一种基于MRA的颅内动脉瘤检测系统,其特征在于,包括:图像获取模块、MIP重建模块、自动分割模块、动脉瘤识别模块、动脉瘤测量模块和检测结果输出模块,
所述图像获取模块用于获取待处理的原始影像数据,对原始影像数据进行校正和归一化处理,得到处理后影像数据;
所述MIP重建模块用于对处理后的影像数据进行MIP重建,得到MIP图像,删除颈外动脉后生成三种旋转图像,每个旋转图像由围绕单个旋转轴均匀分布的投影组成;
所述自动分割模块用于自动分割颅内动脉血管体素;
所述动脉瘤识别模块用于对血管区域中的每个体素制作多个补丁,计算所有补丁包含动脉瘤的概率,将计算出的概率按照预设概率阈值分类,大于预设概率阈值的体素基于曲率算法生成体积形状指数图像和曲率图像来显示动脉瘤;
所述动脉瘤测量模块用于测量动脉瘤的最大直径;
所述检测结果输出模块用于输出动脉瘤检测结果。
6.如权利要求5所述的系统,其特征在于,所述自动分割模块包括:增强单元、颅骨剔除单元、种子点选取单元和血管体素分割单元,
所述增强单元使用滤波器对血管区域进行增强,突出血管面积;
所述颅骨剔除单元使用一个立方体从外部包裹头骨并收缩立方体,当立方体的面与头骨接触时,接触点被用作种子点,自阈值区域从种子点开始生长,并对结果进行平滑处理,得到颅骨区域体素,移除颅骨区域体素;
所述种子点选取单元根据血管的强度区域对数据进行二值化,将所有大于背景密度值的体素设为1,进行连通域统计,根据连通域包含的体素数量排列连通域,并从排列在设定数值范围内的相连域中选择种子点;
所述血管体素分割单元利用移动立方体法重建血管,得到全颅动脉血管的表面网格模型,所述表面网格模型为血管的内表面。
7.如权利要求5所述的系统,其特征在于,所述动脉瘤识别模块包括曲率特征计算单元和颜色标记转换单元,
所述曲率特征计算单元用于计算每个大于预设概率阈值的体素上的形状指数和和曲率值;
所述颜色标记转换单元用于将体积形状指数和曲率值转成颜色标记,使每个体素具有独立的颜色分量进行动脉瘤再现。
8.如权利要求7所述的系统,其特征在于,所述动脉瘤测量模块包括图像调整单元和动脉瘤直径计算单元,
所述图像调整单元将MIP图像裁剪到动脉瘤周围区域,将所有图像大小调整为256*256像素;
所述动脉瘤直径计算单元用于输出预测掩膜,移除小于100像素的预测动脉瘤的区域,留下单个最大的掩膜区域,计算出动脉瘤掩膜的表面边缘,计算每对可能的边界点之间的距离集合,其中,边界点在掩膜边界上,取距离最大值作为动脉瘤的最大直径。
9.一种智能终端,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,其特征在于,所述处理器被配置用于调用所述程序指令,执行如权利要求1-4任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110315923.6A CN113066061B (zh) | 2021-03-24 | 2021-03-24 | 一种基于mra的动脉瘤检测方法、系统、终端及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110315923.6A CN113066061B (zh) | 2021-03-24 | 2021-03-24 | 一种基于mra的动脉瘤检测方法、系统、终端及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113066061A true CN113066061A (zh) | 2021-07-02 |
CN113066061B CN113066061B (zh) | 2024-02-02 |
Family
ID=76561772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110315923.6A Active CN113066061B (zh) | 2021-03-24 | 2021-03-24 | 一种基于mra的动脉瘤检测方法、系统、终端及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113066061B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113838028A (zh) * | 2021-09-24 | 2021-12-24 | 无锡祥生医疗科技股份有限公司 | 一种颈动脉超声自动多普勒方法、超声设备及存储介质 |
CN114638799A (zh) * | 2022-03-11 | 2022-06-17 | 深圳市澈影医生集团有限公司 | 一种颅内动脉瘤的自动检测系统及方法 |
CN114926434A (zh) * | 2022-05-19 | 2022-08-19 | 沈阳东软智能医疗科技研究院有限公司 | 一种血管凸起检测方法及其相关设备 |
CN115359056A (zh) * | 2022-10-19 | 2022-11-18 | 浙江华诺康科技有限公司 | 分裂细胞检测方法、装置和计算机设备 |
CN115409952A (zh) * | 2022-11-01 | 2022-11-29 | 湖南马栏山视频先进技术研究院有限公司 | 一种结核性脑膜脑炎重建系统、方法及存储器 |
CN116823833A (zh) * | 2023-08-30 | 2023-09-29 | 山东科技大学 | 全方位mip图像颅内动脉瘤检测方法、系统及设备 |
CN116958551A (zh) * | 2023-07-25 | 2023-10-27 | 强联智创(北京)科技有限公司 | 图像分割方法、电子设备及存储介质 |
CN117237435A (zh) * | 2023-11-16 | 2023-12-15 | 北京智源人工智能研究院 | 肿瘤预后效果评估的方法、装置、电子设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080033302A1 (en) * | 2006-04-21 | 2008-02-07 | Siemens Corporate Research, Inc. | System and method for semi-automatic aortic aneurysm analysis |
DE102008029801A1 (de) * | 2008-06-24 | 2009-10-29 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur Segmetierung von Aneurysmen in angiographischen Bilddaten |
US20120201446A1 (en) * | 2009-07-15 | 2012-08-09 | Mayo Foundation For Medical Education And Research | Computer-aided detection (cad) of intracranial aneurysms |
KR101974786B1 (ko) * | 2018-08-17 | 2019-05-31 | (주)제이엘케이인스펙션 | 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 방법 및 시스템 |
CN110189258A (zh) * | 2019-07-23 | 2019-08-30 | 南京景三医疗科技有限公司 | 基于mri多模态序列的颈动脉管腔和管壁自动分割方法 |
CN110827242A (zh) * | 2019-10-23 | 2020-02-21 | 华中科技大学 | 一种基于卷积神经网络的颅内动脉瘤检测方法及系统 |
CN111528845A (zh) * | 2020-04-16 | 2020-08-14 | 北京康兴顺达科贸有限公司 | 单侧大脑中动脉重度狭窄/闭塞的asl图像处理方法 |
CN111681254A (zh) * | 2020-06-16 | 2020-09-18 | 中国科学院自动化研究所 | 用于血管动脉瘤介入手术导航系统的导管检测方法及系统 |
CN112508888A (zh) * | 2020-11-26 | 2021-03-16 | 中国科学院苏州生物医学工程技术研究所 | 面向医学影像的脑动脉快速自动分割方法及系统 |
-
2021
- 2021-03-24 CN CN202110315923.6A patent/CN113066061B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080033302A1 (en) * | 2006-04-21 | 2008-02-07 | Siemens Corporate Research, Inc. | System and method for semi-automatic aortic aneurysm analysis |
DE102008029801A1 (de) * | 2008-06-24 | 2009-10-29 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur Segmetierung von Aneurysmen in angiographischen Bilddaten |
US20120201446A1 (en) * | 2009-07-15 | 2012-08-09 | Mayo Foundation For Medical Education And Research | Computer-aided detection (cad) of intracranial aneurysms |
KR101974786B1 (ko) * | 2018-08-17 | 2019-05-31 | (주)제이엘케이인스펙션 | 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 방법 및 시스템 |
CN110189258A (zh) * | 2019-07-23 | 2019-08-30 | 南京景三医疗科技有限公司 | 基于mri多模态序列的颈动脉管腔和管壁自动分割方法 |
CN110827242A (zh) * | 2019-10-23 | 2020-02-21 | 华中科技大学 | 一种基于卷积神经网络的颅内动脉瘤检测方法及系统 |
CN111528845A (zh) * | 2020-04-16 | 2020-08-14 | 北京康兴顺达科贸有限公司 | 单侧大脑中动脉重度狭窄/闭塞的asl图像处理方法 |
CN111681254A (zh) * | 2020-06-16 | 2020-09-18 | 中国科学院自动化研究所 | 用于血管动脉瘤介入手术导航系统的导管检测方法及系统 |
CN112508888A (zh) * | 2020-11-26 | 2021-03-16 | 中国科学院苏州生物医学工程技术研究所 | 面向医学影像的脑动脉快速自动分割方法及系统 |
Non-Patent Citations (2)
Title |
---|
WENGUANG HOU , SHAOJIE MEI , QIULING GUI ET. AL.: "1DCNN-BasedIntracranialAneurysmsDetection in3DTOF-MRA", COMPLEXITY, vol. 2020, pages 1 - 13 * |
李瑞鼎: "基于MIP的脑部血管重建算法研究", 中国优秀硕士学位论文全文数据库, pages 5 - 78 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113838028A (zh) * | 2021-09-24 | 2021-12-24 | 无锡祥生医疗科技股份有限公司 | 一种颈动脉超声自动多普勒方法、超声设备及存储介质 |
CN114638799A (zh) * | 2022-03-11 | 2022-06-17 | 深圳市澈影医生集团有限公司 | 一种颅内动脉瘤的自动检测系统及方法 |
CN114638799B (zh) * | 2022-03-11 | 2023-03-21 | 深圳市澈影医生集团有限公司 | 一种颅内动脉瘤的自动检测系统 |
CN114926434A (zh) * | 2022-05-19 | 2022-08-19 | 沈阳东软智能医疗科技研究院有限公司 | 一种血管凸起检测方法及其相关设备 |
CN115359056A (zh) * | 2022-10-19 | 2022-11-18 | 浙江华诺康科技有限公司 | 分裂细胞检测方法、装置和计算机设备 |
CN115409952A (zh) * | 2022-11-01 | 2022-11-29 | 湖南马栏山视频先进技术研究院有限公司 | 一种结核性脑膜脑炎重建系统、方法及存储器 |
CN116958551A (zh) * | 2023-07-25 | 2023-10-27 | 强联智创(北京)科技有限公司 | 图像分割方法、电子设备及存储介质 |
CN116823833A (zh) * | 2023-08-30 | 2023-09-29 | 山东科技大学 | 全方位mip图像颅内动脉瘤检测方法、系统及设备 |
CN116823833B (zh) * | 2023-08-30 | 2023-11-10 | 山东科技大学 | 全方位mip图像颅内动脉瘤检测方法、系统及设备 |
CN117237435A (zh) * | 2023-11-16 | 2023-12-15 | 北京智源人工智能研究院 | 肿瘤预后效果评估的方法、装置、电子设备和存储介质 |
CN117237435B (zh) * | 2023-11-16 | 2024-02-06 | 北京智源人工智能研究院 | 肿瘤预后效果评估的方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113066061B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113066061B (zh) | 一种基于mra的动脉瘤检测方法、系统、终端及介质 | |
EP3277183B1 (en) | Method and apparatus for assessing blood vessel stenosis | |
US8229200B2 (en) | Methods and systems for monitoring tumor burden | |
JP6329697B2 (ja) | 体組織の自動的なセグメンテーションおよび定量化のための方法 | |
Deshpande et al. | Automatic segmentation, feature extraction and comparison of healthy and stroke cerebral vasculature | |
CN108348206B (zh) | 用于无创血流储备分数(ffr)的侧支流建模 | |
CN113436166A (zh) | 基于磁共振血管造影数据的颅内动脉瘤检测方法及系统 | |
CN112052896B (zh) | 图像处理方法及装置,分类模型的训练方法及装置 | |
EP1761897A1 (en) | Displaying a tracheobronchial tree | |
KR102328229B1 (ko) | 인공지능 기반의 3차원 의료 영상을 이용한 종양 검출 및 진단 방법 | |
JP2007275318A (ja) | 画像表示装置、画像表示方法およびそのプログラム | |
Sakellarios et al. | Novel methodology for 3D reconstruction of carotid arteries and plaque characterization based upon magnetic resonance imaging carotid angiography data | |
US20210065361A1 (en) | Determining regions of hyperdense lung tissue in an image of a lung | |
CN112784928A (zh) | Dsa影像识别方法、装置及存储介质 | |
CN112819800A (zh) | Dsa影像识别方法、装置及存储介质 | |
CN112116623B (zh) | 图像分割方法及装置 | |
JP6275157B2 (ja) | 画像データに基づく組織表面ラフネスの定量化、及びそれに基づく疾患の存在の決定 | |
CN118613826A (zh) | 分析医学图像中的肝脏病变 | |
Bulpitt et al. | Spiral CT of abdominal aortic aneurysms: comparison of segmentation with an automatic 3D deformable model and interactive segmentation | |
Martinke et al. | Bone Fracture and Lesion Assessment using Shape-Adaptive Unfolding. | |
CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
JP2024526761A (ja) | Oct画質保証のための深層学習に基づくアプローチ | |
CN112862787B (zh) | Cta影像数据处理方法、装置及存储介质 | |
CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
WO2022221469A1 (en) | Systems, apparatus and methods for determining aneurysm and arterial wall enhancement |
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 |