CN113096141A - 冠状动脉分割方法以及冠状动脉分割装置 - Google Patents
冠状动脉分割方法以及冠状动脉分割装置 Download PDFInfo
- Publication number
- CN113096141A CN113096141A CN202110420571.0A CN202110420571A CN113096141A CN 113096141 A CN113096141 A CN 113096141A CN 202110420571 A CN202110420571 A CN 202110420571A CN 113096141 A CN113096141 A CN 113096141A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- coronary artery
- data
- cta image
- cardiac cta
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供了一种冠状动脉分割方法以及冠状动脉分割装置,该冠状动脉分割方法包括:基于心脏CTA图像,确定心脏CTA图像对应的主动脉分割数据;基于心脏CTA图像和主动脉分割数据,确定心脏CTA图像对应的冠状动脉主干分割数据;基于心脏CTA图像和冠状动脉主干分割数据,确定心脏CTA图像对应的冠状动脉细节分割数据;以及基于心脏CTA图像、冠状动脉主干分割数据和冠状动脉细节分割数据,确定心脏CTA图像对应的冠状动脉分割数据。本申请提供的冠状动脉分割方法,在进行冠状动脉分割时,先进行主动脉分割,再进行主干分割,继而进行细节分割,继而删除静脉假阳,有效提高分割精度,增强鲁棒性,降低静脉假阳和动脉漏诊发生概率。
Description
技术领域
本申请涉及医学影像处理技术领域,具体涉及一种冠状动脉分割方法、冠状动脉分割装置、电子设备及计算机可读存储介质。
背景技术
基于心脏电子计算机断层扫描血管造影(Computed Tomography Angiography,CTA)图像的冠状动脉三维重建技术是心脏疾病早期筛查的重要手段之一,冠状动脉分割的准确性对于三维重建的结果至关重要。但冠状动脉分割存在分割精度低、静脉假阳、动脉漏诊以及鲁棒性低等问题。因此,亟需一种有效提高分割精度、降低静脉假阳和动脉漏诊发生概率以及具有高鲁棒性的冠状动脉分割方法。
发明内容
有鉴于此,本申请实施例提供了一种冠状动脉分割方法、冠状动脉分割装置、电子设备及计算机可读存储介质,以解决在冠状动脉分割时分割精度低、静脉假阳、动脉漏诊以及鲁棒性低等技术问题。
根据本申请的一个方面,本申请一实施例提供的一种冠状动脉分割方法,包括:基于心脏CTA图像,确定所述心脏CTA图像对应的主动脉分割数据;基于所述心脏CTA图像和所述主动脉分割数据,确定所述心脏CTA图像对应的冠状动脉主干分割数据;基于所述心脏CTA图像和所述冠状动脉主干分割数据,确定所述心脏CTA图像对应的冠状动脉细节分割数据;以及基于所述心脏CTA图像、所述冠状动脉主干分割数据和所述冠状动脉细节分割数据,确定所述心脏CTA图像对应的冠状动脉分割数据。
在一个实施例中,所述基于所述心脏CTA图像、所述冠状动脉主干分割数据和所述冠状动脉细节分割数据,确定所述心脏CTA图像对应的冠状动脉分割数据,包括:基于所述冠状动脉主干分割数据和所述冠状动脉细节分割数据,构建冠脉树;以及基于所述冠脉树,删除静脉假阳数据,以获取所述冠状动脉分割数据。
在一个实施例中,所述基于所述冠状动脉主干分割数据和所述冠状动脉细节分割数据,构建冠脉树,包括:基于所述冠状动脉主干分割数据和所述冠状动脉细节分割数据进行中线提取操作,以获取初始冠状动脉分割中线;以及基于所述初始冠状动脉分割中线构建所述冠脉树。
在一个实施例中,所述基于所述冠脉树,删除静脉假阳数据,以获取所述冠状动脉分割数据,包括:基于预设动静脉分类器对所述冠脉树中的段对应的图像区域进行分类识别操作,以删除所述冠脉树中与所述静脉假阳数据对应的段;以及基于所述分类识别操作后的冠脉树,获取所述冠状动脉分割数据。
在一个实施例中,所述基于预设动静脉分类器对所述冠脉树中的段对应的图像区域进行分类识别操作,以删除所述冠脉树中与所述静脉假阳数据对应的段,包括:在所述冠脉树中选取满足预设条件的待检测段;在所述心脏CTA图像中截取与所述待检测段对应的待检测心脏CTA图像块数据;将所述待检测心脏CTA图像块数据输入所述预设动静脉分类器进行分类识别操作,确定所述待检测心脏CTA图像块数据对应的静脉假阳数据;以及删除所述冠脉树中与所述静脉假阳数据对应的段。
在一个实施例中,所述基于心脏CTA图像,确定所述心脏CTA图像对应的主动脉分割数据,包括:在所述心脏CTA图像中,每隔第一预设尺寸截取第二预设尺寸的图像块,以获取多个CTA图像块数据;将所述多个CTA图像块数据输入主动脉分割模型,以生成多个主动脉分割块数据;针对所述多个主动脉分割块数据中的每个主动脉分割块数据,以所述主动脉分割块数据的坐标中心为截取中心,基于所述截取中心截取所述第一预设尺寸的主动脉分割块数据,以获取所述主动脉分割块数据对应的部分主动脉分割块数据;以及基于高斯平滑处理,拼接所述多个主动脉分割块数据各自对应的部分主动脉分割块数据,以获取所述主动脉分割数据。
在一个实施例中,所述基于所述心脏CTA图像和所述主动脉分割数据,确定所述心脏CTA图像对应的冠状动脉主干分割数据,包括:基于所述心脏CTA图像和所述主动脉分割数据,确定所述心脏CTA图像对应的种子点数据;以及基于所述心脏CTA图像和所述种子点数据,确定所述心脏CTA图像对应的冠状动脉主干分割数据。
在一个实施例中,所述基于所述心脏CTA图像和所述主动脉分割数据,确定所述心脏CTA图像对应的种子点数据,包括:以所述主动脉分割数据对应的图像区域的底部为参考基准,在所述心脏CTA图像中截取第三预设尺寸的图像块,以获取冠状动脉起源块数据;将所述冠状动脉起源块数据输入冠状动脉起源分割模型,生成冠状动脉起源分割数据,以确定初始种子点数据,其中,所述冠状动脉起源分割数据用于表征主动脉与冠状动脉相交处的冠状动脉的分割数据;以及对所述初始种子点数据进行闭操作处理,获取所述种子点数据。
在一个实施例中,所述对所述初始种子点数据进行闭操作处理,获取所述种子点数据,包括:合并所述初始种子点数据和所述主动脉分割数据,以获取所述主动脉与冠状动脉相交处对应的第一分割合并数据;对所述第一分割合并数据进行闭操作,保留最大连通域,以获取所述主动脉与冠状动脉相交处对应的第二分割合并数据;基于所述主动脉分割数据,对所述第二分割合并数据进行重新标记,以获取重新标记的初始种子点数据;以及在所述重新标记的初始种子点数据中过滤掉尺寸小于第四预设尺寸的重新标记的初始种子点,以获取所述种子点数据。
在一个实施例中,所述基于所述心脏CTA图像和所述种子点数据,确定所述心脏CTA图像对应的冠状动脉主干分割数据,包括:基于第一预设采样间隙,对所述心脏CTA图像和所述种子点数据进行重置采样操作,以获取第一重置心脏CTA图像和重置种子点数据;以所述重置种子点数据为分割起点,将所述第一重置心脏CTA图像输入训练好的冠状动脉分割模型中,同时基于区域生长分割与深度学习分割进行分割,以获取第一重置心脏CTA图像对应的第一冠状动脉分割数据;以及基于所述心脏CTA图像对应的初始采样间隙,对所述第一冠状动脉分割数据进行重置采样操作,以获取所述冠状动脉主干分割数据。
在一个实施例中,所述基于所述心脏CTA图像和所述冠状动脉主干分割数据,确定所述心脏CTA图像对应的冠状动脉细节分割数据,包括:基于第二预设采样间隙,对所述心脏CTA图像和所述冠状动脉主干分割数据进行重置采样操作,以获取第二重置心脏CTA图像和重置冠状动脉主干分割数据;以所述重置冠状动脉主干分割数据为分割起点,将所述第二重置心脏CTA图像输入训练好的冠状动脉分割模型中,同时基于区域生长分割与深度学习分割进行分割,以获取所述第二重置心脏CTA图像对应的第二冠状动脉分割数据;以及基于所述心脏CTA图像对应的初始采样间隙,对所述第二冠状动脉分割数据进行重置采样操作,以获取所述冠状动脉细节分割数据。
根据本申请的另一个方面,本申请一实施例提供的一种冠状动脉分割装置,包括:主动脉分割数据确定模块,配置为基于心脏CTA图像,确定所述心脏CTA图像对应的主动脉分割数据;冠状动脉主干分割数据确定模块,配置为基于所述心脏CTA图像和所述主动脉分割数据,确定所述心脏CTA图像对应的冠状动脉主干分割数据;冠状动脉细节分割数据确定模块,配置为基于所述心脏CTA图像和所述冠状动脉主干分割数据,确定所述心脏CTA图像对应的冠状动脉细节分割数据;以及冠状动脉分割数据确定模块,配置为基于所述心脏CTA图像、所述冠状动脉主干分割数据和所述冠状动脉细节分割数据,确定所述心脏CTA图像对应的冠状动脉分割数据。
根据本申请的又一个方面,本申请一实施例提供的本申请一实施例提供了一种电子设备,包括:处理器;存储器;以及存储在存储器中的计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行如上述任一所述的冠状动脉分割方法。
根据本申请的又一方面,本申请一实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上述任一所述的冠状动脉分割方法。
本申请实施例提供的一种冠状动脉分割方法,基于心脏CTA图像,确定心脏CTA图像对应的主动脉分割数据;基于心脏CTA图像和主动脉分割数据,确定心脏CTA图像对应的冠状动脉主干分割数据;基于心脏CTA图像和冠状动脉主干分割数据,确定心脏CTA图像对应的冠状动脉细节分割数据;以及基于心脏CTA图像、冠状动脉主干分割数据和冠状动脉细节分割数据,确定心脏CTA图像对应的冠状动脉分割数据。本申请实施例提供的冠状动脉分割方法,在进行冠状动脉分割时,先进行主动脉分割,再进行主干分割,继而进行细节分割,继而删除静脉假阳,有效提高分割精度,增强鲁棒性,降低静脉假阳和动脉漏诊发生概率。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。
图2所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。
图3所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。
图4所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。
图5a所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。
图5b所示为本申请一实施例提供的基于心脏CTA图像、冠状动脉主干分割数据和冠状动脉细节分割数据确定心脏CTA图像对应的冠状动脉分割数据的流程示意图。
图6a所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。
图6b所示为本申请一实施例提供的基于心脏CTA图像确定心脏CTA图像对应的主动脉分割数据的流程示意图。
图7所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。
图8所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。
图9所示为本申请一实施例提供的对初始种子点数据进行闭操作处理,获取种子点数据的流程示意图。
图10所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。
图11所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。
图12所示为本申请一实施例提供的一种冠状动脉分割装置的结构示意图。
图13所示为本申请一实施例提供的一种冠状动脉分割装置的结构示意图。
图14所示为本申请一实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
心脏CTA图像对于心脏疾病早期的筛查至关重要。基于心脏CTA图像的冠状动脉三维重建技术可以辅助医生进行心脏疾病的判断,对于避免心脏疾病的漏诊误诊有着重要作用。冠状动脉分割的准确性决定了冠状动脉三维重建的结果的准确性。因此,冠状动脉分割的准确性至关重要。
但心脏冠状动脉分割存在诸多难点。冠状静脉和冠状动脉交错,在容积效应和运动尾影的情况下,在CTA图像上部分冠状动脉和冠状静脉是连接在一起的,冠状静脉易被误分割为冠状动脉,即易出现静脉假阳。由于造影剂不均匀、斑块以及心脏运动尾影的影响,冠状动脉灰度不均匀,图像质量不高,血管末梢部分的边界较模糊,冠状动脉分割不全导致冠状动脉分割丢失,即易出现动脉漏诊。由于冠状动脉分割存在分割精度低、静脉假阳、动脉漏诊以及鲁棒性低等问题。因此,丞需一种有效提高分割精度、降低静脉假阳和动脉漏诊发生概率以及具有高鲁棒性的冠状动脉分割方法。
针对上述的技术问题,本申请的基本构思提供如下所述。
本申请实施例提供的一种冠状动脉分割方法,基于心脏CTA图像,确定心脏CTA图像对应的主动脉分割数据;基于心脏CTA图像和主动脉分割数据,确定心脏CTA图像对应的冠状动脉主干分割数据;基于心脏CTA图像和冠状动脉主干分割数据,确定心脏CTA图像对应的冠状动脉细节分割数据;以及基于心脏CTA图像、冠状动脉主干分割数据和冠状动脉细节分割数据,确定心脏CTA图像对应的冠状动脉分割数据。本申请实施例提供的冠状动脉分割方法,在进行冠状动脉分割时,先进行主动脉分割,再进行主干分割,继而进行细节分割,继而删除静脉假阳,有效提高分割精度,增强鲁棒性,降低静脉假阳和动脉漏诊发生概率。
示例性冠状动脉分割方法
图1所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。如图1所示,该冠状动脉分割方法包括如下步骤。
步骤101:基于心脏CTA图像,确定心脏CTA图像对应的主动脉分割数据。
具体而言,冠状血管是心脏本身的血液供应系统,包括冠状动脉和冠状静脉,冠状动脉与主动脉相连。考虑到主动脉血管结构比较简单且容易分割,先将主动脉血管分割出来,为后续进行冠状动脉分割提供精准基础。基于心脏CTA图像确定心脏CTA图像对应的主动脉分割数据,可以是将心脏CTA图像输入到主动脉分割模块(即训练好的神经网络模型)中,获得主动脉分割数据。
步骤102:基于心脏CTA图像和主动脉分割数据,确定心脏CTA图像对应的冠状动脉主干分割数据。
具体而言,冠状动脉主干分割数据用于表征冠状动脉血管中主干的分割情况。考虑到血管具有连通性,且冠状动脉与主动脉相连接,以主动脉分割数据为分割启示,充分利用血管生长的连通性,将冠状动脉主干血管分割出来。
基于心脏CTA图像和主动脉分割数据确定心脏CTA图像对应的冠状动脉主干分割数据,可以是将心脏CTA图像和主动脉分割数据输入到冠状动脉主干分割模块(即训练好的神经网络模型)中,获得主动脉分割数据。
步骤103:基于心脏CTA图像和冠状动脉主干分割数据,确定心脏CTA图像对应的冠状动脉细节分割数据。
具体而言,冠状动脉细节分割数据用于表征血管边缘、细小的分支以及血管末端的分割情况。血管边缘、细小的分支以及血管末端与血管主干相连,以冠状动脉主干分割数据为分割启示,充分利用血管生长的连通性,以获取冠状动脉细节分割数据。
基于心脏CTA图像和冠状动脉主干分割数据确定心脏CTA图像对应的冠状动脉细节分割数据,可以是将心脏CTA图像和冠状动脉主干分割数据输入到冠状动脉细节分割模块(即训练好的神经网络模型)中,获得冠状动脉细节分割数据。
步骤104:基于心脏CTA图像、冠状动脉主干分割数据和冠状动脉细节分割数据,确定心脏CTA图像对应的冠状动脉分割数据。
具体而言,虽然冠状动脉主干分割数据和冠状动脉细节分割数据被分割出来,但分割过程中可能引入静脉假阳,删除其中的静脉假阳数据,以获取与心脏CTA图像对应的冠状动脉分割数据。
本申请实施例中,基于心脏CTA图像,确定心脏CTA图像对应的主动脉分割数据;基于心脏CTA图像和主动脉分割数据,确定心脏CTA图像对应的冠状动脉主干分割数据;基于心脏CTA图像和冠状动脉主干分割数据,确定心脏CTA图像对应的冠状动脉细节分割数据;以及基于心脏CTA图像、冠状动脉主干分割数据和冠状动脉细节分割数据,确定心脏CTA图像对应的冠状动脉分割数据。本申请实施例提供的冠状动脉分割方法,在进行冠状动脉分割时,先进行主动脉分割,再进行主干分割,继而进行细节分割,继而删除静脉假阳,有效提高分割精度,增强鲁棒性,降低静脉假阳和动脉漏诊发生概率。
图2所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。如图2所示,基于心脏CTA图像、冠状动脉主干分割数据和冠状动脉细节分割数据,确定心脏CTA图像对应的冠状动脉分割数据步骤,包括如下步骤。
步骤201:基于冠状动脉主干分割数据和冠状动脉细节分割数据,构建冠脉树。
具体而言,考虑到在进行冠状动脉主干分割和冠状动脉细节分割时,可能会引入静脉假阳数据,以冠状动脉主干分割数据和冠状动脉细节分割数据为初始冠状动脉分割结果,以初始冠状动脉分割结果为基础,以图论知识为基础,构建与初始冠状动脉分割结果对应的冠脉树,更直观地反映初始冠状动脉分割结果中冠状动脉主干与冠状动脉分支和末端的联系。
步骤202:基于冠脉树,删除静脉假阳数据,以获取冠状动脉分割数据。
具体而言,由于冠脉树可以更直观地反映初始冠状动脉分割结果之间的联系,容易出现静脉假阳的位置也可以在冠脉树中获得,从而删除静脉假阳数据,以获取冠状动脉分割数据。
本申请实施例中,通过构建冠脉树删除初始冠状动脉分割结果中的静脉假阳数据,不仅实现去假阳的目的,更能进一步提高分割精度。
图3所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。如图3所示,基于冠状动脉主干分割数据和冠状动脉细节分割数据,构建冠脉树步骤,包括如下步骤。
步骤301:基于冠状动脉主干分割数据和冠状动脉细节分割数据进行中线提取操作,以获取初始冠状动脉分割中线。
具体而言,提取中线的算法可以基于lee94算法进行提取,只要可以对冠状动脉主干分割数据和冠状动脉细节分割数据进行中线提取即可,本申请实施例对提取中线的具体算法不做具体限定。
步骤302:基于初始冠状动脉分割中线构建冠脉树。
具体而言,利用图论知识对初始冠状动脉分割中线构建冠脉树,为了避免环状结构的存在,冠脉树可以使用最小生成树算法进行构建。
本申请实施例中,通过对冠状动脉主干分割数据和冠状动脉细节分割数据进行中线提取操作,获取初始冠状动脉分割中线,并通过最小生成树算法构建冠脉树,避免冠脉树中环装结构的存在,使冠脉树更清晰,有利于后续操作。
图4所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。如图4所示,基于冠脉树,删除静脉假阳数据,以获取冠状动脉分割数据步骤,包括如下步骤。
步骤401:基于预设动静脉分类器对冠脉树中的段对应的图像区域进行分类识别操作,以删除冠脉树中与静脉假阳数据对应的段。
具体而言,由于冠脉树是基于对冠状动脉主干分割数据和冠状动脉细节分割数据进行中线提取获得,冠状动脉主干分割数据和冠状动脉细节分割数据是由心脏CTA图像进行冠状动脉分割而成,冠脉树中的段与心脏CTA图像中的图像区域是一一对应的,通过对冠脉树中的段对应的图像区域进行分类识别操作,可以进一步判断冠脉树中的段对应的图像区域究竟是属于冠状动脉还是冠状静脉,从而有效辨别静脉假阳数据。
步骤402:基于分类识别操作后的冠脉树,获取冠状动脉分割数据。
具体而言,由于冠脉树是基于初始冠状动脉分割中线而构建,在分类识别操作后的冠脉树中,与静脉假阳数据对应的段被删除,相应地,初始冠状动脉分割中线中与冠脉树中删除的段对应的中线段也被删除,即获得分类识别操作后的冠状动脉分割中线。为了避免分类识别操作后的冠状动脉分割中线出现分割凹陷以及断裂等情况,使分类识别操作后的冠状动脉分割中线沿着中线进行生长,并对其进行光滑处理,获取冠状动脉分割数据。
本申请实施例中,通过对冠脉树中的段对应的图像区域进行分类识别操作,删除冠脉树中与静脉假阳数据对应的段,删除静脉假阳数据,降低静脉假阳的发生概率,并对分类识别操作后的冠脉树进行后续处理,获得最终的冠状动脉分割数据,进一步降低动脉丢失的发生概率。
图5a所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。如图5a所示,基于预设动静脉分类器对冠脉树中的段对应的图像区域进行分类识别操作,以删除冠脉树中与静脉假阳数据对应的段步骤,包括如下步骤。
步骤501:在冠脉树中选取满足预设条件的待检测段。
具体而言,冠脉树中所有的段都可以作为待检测段,但为了减轻计算负担,在冠脉树中选取满足预设条件的待检测段。
示例性的,为了降低预设动静脉分类器误判对整体冠脉动脉分割结果造成不良影响的程度,且考虑到静脉假阳产生在血管末端的概率较大,待检测段的一个端点的度为1且待检测段在初始冠状动脉分割中线中所对应的中线段的物理长度小于阈值。
步骤502:在心脏CTA图像中截取与待检测段对应的待检测心脏CTA图像块数据。
具体而言,冠脉树中的段与心脏CTA图像中的图像区域是一一对应的,在心脏CTA图像中截取与待检测段对应的待检测心脏CTA图像块数据。
步骤503:将待检测心脏CTA图像块数据输入预设动静脉分类器进行分类识别操作,确定待检测心脏CTA图像块数据对应的静脉假阳数据。
具体而言,将待检测心脏CTA图像块数据输入预设动静脉分类器进行分类识别操作,判断待检测心脏CTA图像块数据对应的是否为冠状静脉,即确定待检测心脏CTA图像块数据对应的静脉假阳数据。
预设动静脉分类器为训练好的分类器,分类器可以采用SVM,Random Forest或者一个全连接层等分类器。
步骤504:删除冠脉树中与静脉假阳数据对应的段。
本申请实施例中,在冠脉树中选取满足预设条件的待检测段,在心脏CTA图像中截取与待检测段对应的待检测心脏CTA图像块数据,将待检测心脏CTA图像块数据输入预设动静脉分类器进行分类识别操作,判断待检测心脏CTA图像块数据对应的是否为冠状静脉,确定待检测心脏CTA图像块数据对应的静脉假阳数据,删除冠脉树中与静脉假阳数据对应的段,从而实现去除静脉假阳。
图5b所示为本申请一实施例提供的基于心脏CTA图像、冠状动脉主干分割数据和冠状动脉细节分割数据确定心脏CTA图像对应的冠状动脉分割数据的流程示意图。如图5b所示,对冠状动脉主干分割数据和冠状动脉细节分割数据进行中线提取操作,以获取初始冠状动脉分割中线。基于最小生成树算法对初始冠状动脉分割中线构建冠脉树。在冠脉树中选取度为1且待检测段在初始冠状动脉分割中线中所对应的中线段的物理长度小于阈值的多个待检测段。在心脏CTA图像中截取与待检测段对应的待检测心脏CTA图像块数据。将待检测心脏CTA图像块数据输入预设动静脉分类器进行分类识别操作,判断待检测心脏CTA图像块数据对应的是否为冠状静脉,若待检测心脏CTA图像块数据对应的是冠状静脉,则确定待检测心脏CTA图像块数据对应的静脉假阳数据。删除冠脉树中与静脉假阳数据对应的段。当所有待检测段遍历完,确定分类识别操作后的冠脉树。对与分类识别操作后的冠脉树对应的分类识别操作后的冠状动脉分割中线进行沿着中线进行生长,并进行光滑处理,最终输出冠状动脉分割数据。
图6a所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。图6b所示为本申请一实施例提供的基于心脏CTA图像确定心脏CTA图像对应的主动脉分割数据的流程示意图。结合图6a和图6b所示,基于心脏CTA图像,确定心脏CTA图像对应的主动脉分割数据步骤,包括如下步骤。
步骤601:在心脏CTA图像中,每隔第一预设尺寸截取第二预设尺寸的图像块,以获取多个CTA图像块数据。
具体而言,考虑到主动脉分割对于全局信息依赖较小,将心脏CTA图像进行切割,以备后续同时进行分割,提高分割效率。
需要说明的是,本申请实施例中所提到的“尺寸”的含义为:在图像对应的坐标系下的每个坐标轴上的像素个数,本申请后文中出现的“尺寸”均是此含义,之后不再赘述。
步骤602:将多个CTA图像块数据输入主动脉分割模型,以生成多个主动脉分割块数据。
具体而言,将多个CTA图像块数据输入主动脉分割模型同时进行分割,获得多个主动脉分割块数据。
步骤603:针对多个主动脉分割块数据中的每个主动脉分割块数据,以主动脉分割块数据的坐标中心为截取中心,基于截取中心截取第一预设尺寸的主动脉分割块数据,以获取主动脉分割块数据对应的部分主动脉分割块数据。
示例性的,第一预设尺寸小于第二预设尺寸,例如:每隔48个像素,截取尺寸为96×96×96像素的多个CTA图像块数据,以96×96×96像素的主动脉分割块数据的坐标中心为截取中心,截取48×48×48像素的部分主动脉分割块数据。
步骤604:基于高斯平滑处理,拼接多个主动脉分割块数据各自对应的部分主动脉分割块数据,以获取主动脉分割数据。
本申请实施例中,考虑到主动脉分割对于全局信息依赖较小,将心脏CTA图像进行切成多个CTA图像块数据,并利用主动脉分割模型对多个CTA图像块数据用时进行分割,并截取多个主动脉分割块数据中部分主动脉分割块数据进行拼接,以获取主动脉分割数据,有效提高分割效率。
需要说明的是,为了避免各向异性对于后续分割的影响,将心脏CTA图像重置采样(resample)到各向同性,以确保图像不同轴位的处理在同一标准下进行。而考虑到主动脉分割精度要求不高,以比较大的预设采样间隙(spacing),对心脏CTA图像进行重置采样(resample)。
示例性的,将心脏CTA图像resample到spacing(d,w,h)=[0.8,0.8,0.8]。其中,spacing(d,w,h)表明图像采用的三维坐标系为ZYX三维坐标系。
需要说明的是,采样间隙与重置采样后的图片的分辨率负相关,spacing越大,重置采样后的图片的分辨率越低。采样间隙(spacing)的单位是毫米(mm)。
图7所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。如图7所示,基于心脏CTA图像和主动脉分割数据,确定心脏CTA图像对应的冠状动脉主干分割数据步骤,包括如下步骤。
步骤701:基于心脏CTA图像和主动脉分割数据,确定心脏CTA图像对应的种子点数据。
具体而言,由于血管具有连通性,在进行冠状动脉分割时预先为其提供一部分已经分割出来的冠状动脉,为后续分割提供启示,可以一定程度上提高冠脉分割的准确性。因此,考虑到后续冠状动脉分割的准确性,以种子点数据为后续分割提供分割启示,即以种子点数据作为分割起点。
步骤702:基于心脏CTA图像和种子点数据,确定心脏CTA图像对应的冠状动脉主干分割数据。
具体而言,以种子点数据为分割启示,充分利用血管生长的连通性,将冠状动脉主干血管分割出来。
本申请实施例中,基于心脏CTA图像和主动脉分割数据,确定为后续分割提供启示的种子点数据,以种子点数据为分割启示,确定心脏CTA图像对应的冠状动脉主干分割数据。在进行冠状动脉分割时提供一部分已经分割出来的冠状动脉作为启示,充分利用血管的连通性,进行精准分割。
需要说明的是,种子点数据本质上就是为后续进行冠状动脉分割提供启示的已经分割出来的冠状动脉。
图8所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。如图8所示,基于心脏CTA图像和主动脉分割数据,确定心脏CTA图像对应的种子点数据步骤,包括如下步骤。
步骤801:以主动脉分割数据对应的图像区域的底部为参考基准,在心脏CTA图像中截取第三预设尺寸的图像块,以获取冠状动脉起源块数据。
具体而言,由于冠状动脉与主动脉相连接,即冠状动脉的起源是主动脉,以主动脉数据对应的图像区域为参考基准截取图像块,获得的冠状动脉起源块数据可以为后续分割提供充足的种子点。
需要说明的是,在截取冠状动脉起源块数据之前,以预设采样间隙(spacing),将心脏CTA图像和主动脉分割数据重置采样(resample)到各向同性,以确保图像不同轴位的处理在同一标准下进行。
例如:将心脏CTA图像和主动脉分割数据resample到spacing(d,w,h)=[0.8,0.8,0.8],以主动脉数据对应的图像区域为参考基准,在心脏CTA图像中截取128×128×128像素的冠状动脉起源块数据。
步骤802:将冠状动脉起源块数据输入冠状动脉起源分割模型,生成冠状动脉起源分割数据,以确定初始种子点数据。
示例性的,冠状动脉起源分割数据用于表征主动脉与冠状动脉相交处的冠状动脉的分割数据。
具体而言,考虑到冠状动脉起源部分的结构比较简单,不易出现假阳以及分割失败的情况,冠状动脉起源分割数据可以为后续分割提供关键的特征。将冠状动脉起源块数据输入冠状动脉起源分割模型,生成冠状动脉起源分割数据,冠状动脉起源分割数据就是后续进行分割的种子点数据。
需要说明的是,冠状动脉起源分割模型为经过训练的神经网络模型,该神经网络模型具有分割出主动脉与冠状动脉相交处的冠状动脉的能力。
步骤803:对初始种子点数据进行闭操作处理,获取种子点数据。
具体而言,冠状动脉起源分割模型直接获得的种子点,可能存在部分种子点假阳或者种子点断开的情况,为了为后续分割提供更精准的分割启示,对初始种子点数据进行闭操作处理等处理,获取种子点数据。
示例性的,图9所示为本申请一实施例提供的对初始种子点数据进行闭操作处理,获取种子点数据的流程示意图。如图9所示,对初始种子点数据进行闭操作处理,获取种子点数据步骤,包括如下步骤。合并初始种子点数据和主动脉分割数据,以获取主动脉与冠状动脉相交处对应的第一分割合并数据。对第一分割合并数据进行闭操作,保留最大连通域,以获取主动脉与冠状动脉相交处对应的第二分割合并数据。闭操作保留与主动脉连接关系不稳定的种子点,降低种子点断开的概率,保留最大连通域,以去除部分种子点假阳。基于主动脉分割数据,对第二分割合并数据进行重新标记,以获取重新标记的初始种子点数据。在重新标记的初始种子点数据中过滤掉尺寸小于第四预设尺寸的重新标记的初始种子点,进一步降低种子点假阳的概率,以获取种子点数据,为后续分割提供精准的种子点数据。
本申请实施例中,以主动脉分割数据对应的图像区域的底部为参考基准,截取冠状动脉起源块数据,并将其输入冠状动脉起源分割模型,获取初始种子点,并对初始种子点进行闭操作处理等处理,获取种子点数据。
图10所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。如图10所示,基于心脏CTA图像和种子点数据,确定心脏CTA图像对应的冠状动脉主干分割数据步骤,包括如下步骤。
步骤1001:基于第一预设采样间隙,对心脏CTA图像和种子点数据进行重置采样操作,以获取第一重置心脏CTA图像和重置种子点数据。
具体而言,获得冠状动脉主干分割数据,需要确保冠状动脉主干比较完整。为了避免斑块以及造影剂不均匀等因素导致的心脏CTA图像局部血管明暗变化明显,进而导致分割时误以为生长结束,在进行冠状动脉主干分割时需要掌握更多的全局信息。在进行冠状动脉主干分割时,对于选取固定尺寸的分割区域,当resample到相对较大spacing时,可以掌握更多的全局信息。因此,第一预设采样间隙设置为相对较大的spacing。
为了避免各向异性对后续分割的影响,将心脏CTA图像和种子点数据重置采样到各向同性,以确保图像不同轴位的处理在同一标准下进行。以相对较大的第一预设采样间隙对心脏CTA图像和种子点数据进行重置采样,以掌握更多的全局信息。
例如:原始心脏CTA图像和种子点数据的采样间隙spacing(d,w,h)=[0.625,0.4,0.4],原始心脏CTA图像和种子点数据的尺寸是300×512×512像素,以第一预设采样间隙spacing(d,w,h)=[0.8,0.8,0.8],将原始心脏CTA图像和种子点数据resample到spacing=[0.8,0.8,0.8],则resample后的尺寸为234×256×256像素,获得第一重置心脏CTA图像和重置种子点数据。
在一个实施例中,为了在进行冠状动脉主干分割时获取更多的全局信息,在进行冠状动脉主干分割时,应选取相对较大尺寸的分割区域进行分割。具体而言,由于进行冠状动脉主干分割时,在图像中截取分割区域进行分割,重复截取分割步骤,直至待分割图像全部分割完,因此,在每一个分割步骤中,选取较大尺寸的分割区域,可以掌握更多的全局信息,从而降低冠脉动脉主干分割时主要支断裂的可能。例如:在固定的采样间隙(spacing)下,尺寸为64×64×64像素的分割区域比尺寸为32×32×32像素的分割区域,所掌握的全局信息更多。
步骤1002:以重置种子点数据为分割起点,将第一重置心脏CTA图像输入训练好的冠状动脉分割模型中,同时基于区域生长分割与深度学习分割进行分割,以获取第一重置心脏CTA图像对应的第一冠状动脉分割数据。
在一个实施例中,将第一重置心脏CTA图像输入训练好的冠状动脉分割模型中,同时基于区域生长分割与深度学习分割进行分割,以获取第一重置心脏CTA图像对应的第一冠状动脉分割数据步骤,进一步包括:将第一重置心脏CTA图像输入训练好的冠状动脉分割模型中,使用深度学习进行区域生长以进行分割,获取第一重置心脏CTA图像对应的第一冠状动脉分割数据。
具体而言,以重置种子点数据的部分为待检测区域的冠状动脉启示数据,区域冠状动脉启示数据用于在对待检测区域进行分割时提供启示;将带有区域冠状动脉启示数据的待检测区域输入到下述方法训练的冠状动脉分割模型,获取区域冠状动脉分割数据;获取区域冠状动脉分割数据与区域冠状动脉启示数据的比对结果;用比对结果替换待检测图像中的待检测区域,获取替换后的待检测图像;以及当待检测图像全部被比对结果遍历替换完,输出冠状动脉主干分割数据。
上述提到的冠状动脉分割模型的训练方法为:通过在样本的待识别血管数据中增加干扰项数据,获取待识别血管扩充数据;通过对样本的冠状动脉标识数据进行处理获取在进行分割时为待识别区域血管数据提供启示的冠状动脉启示数据;将带有待识别血管扩充数据、冠状动脉启示数据和冠状动脉标识数据的样本输入神经网络模型进行训练,使神经网络模型能够基于样本上的冠状动脉启示数据的启示输出冠状动脉标识数据。由于待识别血管扩充数据中存在干扰项数,通过该样本训练神经网络模型,使得神经网络模型学习如何区分干扰性,实现精准分割。冠状动脉启示数据也提供了部分启示,考虑到冠状动脉的连通性,通过该样本训练神经网络模型,使得神经网络模型学习如何基于部分启示获得全部的冠状动脉分割结果。
由于在训练神经网络模型时,既基于冠状动脉启示数据进行区域生长,又基于冠状动脉启示数据进行深度学习以分割。由于在训练神经网络模型时基于区域生长分割与深度学习分割进行分割。相应地,利用该方法训练的冠状动脉分割模型在进行冠状动脉主干分割时,也同时基于区域生长分割与深度学习分割进行分割。在进行冠状动脉主干分割时,既利用冠脉启示数据,充分利用血管的连通性,也基于区域生长分割与深度学习分割进行分割,与现有技术分割方式相比,分割精度被提高。
步骤1003:基于心脏CTA图像对应的初始采样间隙,对第一冠状动脉分割数据进行重置采样操作,以获取冠状动脉主干分割数据。
具体而言,由于冠状动脉主干分割数据后续会进行冠状动脉细节分割,将第一冠状动脉分割数据进行重置采样操作至心脏CTA图像对应的初始采样间隙,使冠状动脉主干分割与冠状动脉细节分割都对具有相同分辨率的图片进行处理,减少不必要的换算。
本申请实施例中,基于相对较大的第一预设采样间隙对心脏CTA图像和种子点数据进行重置采样,以掌握更多的全局信息,以种子点数据为分割启示,充分利用血管生长的连通性,将冠状动脉主干血管分割出来,降低冠状动脉主干漏检的概率。
在一个实施例中,在基于心脏CTA图像对应的初始采样间隙,对第一冠状动脉分割数据进行重置采样操作后,该冠状动脉分割方法还包括对冠状动脉主干分割数据进行腐蚀操作等后处理。
具体而言,由于对第一冠状动脉分割数据进行重置采样操作后,存在分割边缘太粗糙而超出真实的血管边缘的情况,因此需要对冠状动脉主干分割数据进行腐蚀操作等后处理,以降低冠状动脉主干分割粗糙的概率。
图11所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。如图11所示,基于心脏CTA图像和冠状动脉主干分割数据,确定心脏CTA图像对应的冠状动脉细节分割数据步骤,包括如下步骤。
步骤1101:基于第二预设采样间隙,对心脏CTA图像和冠状动脉主干分割数据进行重置采样操作,以获取第二重置心脏CTA图像和重置冠状动脉主干分割数据。
具体而言,由于冠脉动脉主干分割选用了较大的spacing,其存在分割边缘比较粗糙的风险,非常细小的分支以及比较细的冠脉末端有较大可能会分割不出来,导致冠脉动脉主干分割时出现动脉漏检。因此,需要对心脏CTA图像和冠状动脉主干分割数据进行细节分割。在进行细节分割前,需要对心脏CTA图像和冠状动脉主干分割数据进行重置采样操作,为了避免各向异性对后续分割的影响,将心脏CTA图像和冠状动脉主干分割数据重置采样到各向同性,以确保图像不同轴位的处理在同一标准下进行。以相对较小的第二预设采样间隙对心脏CTA图像和冠状动脉主干分割数据进行重置采样,以掌握更多的细节信息,将细小的分支以及比较细的冠脉末端分割出来。
由于冠状动脉细节分割需要掌握更多的细节信息,对于选取固定尺寸的分割区域,当resample到相对较小spacing时,可以掌握更多的局部信息。因此,第二预设采样间隙设置为相对较小的spacing。
例如:原始心脏CTA图像和冠状动脉主干分割数据的采样间隙spacing=[0.625,0.4,0.4],原始心脏CTA图像和冠状动脉主干分割数据尺寸是300×512×512像素,以第二预设采样间隙spacing=[0.4,0.4,0.4],将原始心脏CTA图像和冠状动脉主干分割数据resample到spacing=[0.4,0.4,0.4],则resample后的尺寸为469×512×512像素,获得第二重置心脏CTA图像和重置冠状动脉主干分割数据。
示例性的,第二预设采样间隙小于第一预设采样间隙。由于冠状动脉主干分割需要掌握更多的全局信息,冠状动脉细节分割需要关注更多的局部信息,对于固定尺寸的分割区域,当resample到相对较大spacing时,可以掌握相对更多的全局信息,当resample到相对较小spacing时,可以掌握相对更多的局部信息,因此,将第二预设采样间隙设置为小于第一预设采样间隙。基于第二预设采样间隙,对心脏CTA图像和冠状动脉主干分割数据进行重置采样,可以将原始心脏CTA图像和冠状动脉主干分割数据resample到较小的第二预设采样间隙,从而获得更多细节,进而使得血管边缘、细小的分支以及血管末端的冠状动脉将会被分割出来。
在一个实施例中,为了在进行冠状动脉细节分割时更关注局部信息,在进行冠状动脉细节分割时,应选取相对较小尺寸的分割区域进行分割。
具体而言,由于进行冠状动脉细节分割时,在图像中截取分割区域进行分割,重复截取分割步骤,直至待分割图像全部分割完,因此,在每一个分割步骤中,选取较小尺寸的分割区域,可以更关注局部信息,从而将细小的分支以及比较细的冠脉末端分割出来。例如:在固定的采样间隙(spacing)下,尺寸为32×32×32像素的分割区域比尺寸为64×64×64像素的分割区域,在进行细节分割时,前者更关注局部信息。
步骤1102:以重置冠状动脉主干分割数据为分割起点,将第二重置心脏CTA图像输入训练好的冠状动脉分割模型中,同时基于区域生长分割与深度学习分割进行分割,以获取第二重置心脏CTA图像对应的第二冠状动脉分割数据。
在一个实施例中,将第二重置心脏CTA图像输入训练好的冠状动脉分割模型中,同时基于区域生长分割与深度学习分割进行分割,以获取第二重置心脏CTA图像对应的第二冠状动脉分割数据步骤,进一步包括:将第二重置心脏CTA图像输入训练好的冠状动脉分割模型中,使用深度学习进行区域生长以进行分割,获取第二重置心脏CTA图像对应的第二冠状动脉分割数据。
具体而言,该步骤中,除了以重置冠状动脉主干分割数据为分割起点,其他分割步骤与进行冠状动脉主干分割时相同,在此不在赘述。
步骤1103:基于心脏CTA图像对应的初始采样间隙,对第二冠状动脉分割数据进行重置采样操作,以获取冠状动脉细节分割数据。
具体而言,在进行冠状动脉细节分割时更关注局部信息,细节分割时感受野较小,并且为了召回较高,分割阈值选取较低,从而使得和冠状动脉挨得很近的冠状静脉有可能被误认为冠脉动脉而分割出来,出现静脉假阳,因此后续要进行去假阳操作。由于冠状动脉细节分割数据后续需要进行去假阳操作,将第二冠状动脉分割数据进行重置采样操作至心脏CTA图像对应的初始采样间隙,使冠状动脉细节分割和去假阳操作都是对具有相同分辨率的图片进行处理,减少不必要的换算。
本申请实施例中,基于相对较小的第二预设采样间隙,对心脏CTA图像和冠状动脉主干分割数据进行重置采样,以更关注局部信息,以主动脉分割数据为分割启示,充分利用血管生长的连通性,将血管边缘、细小的分支以及血管末端的冠状动脉分割出来,提高分割精细度。
示例性冠状动脉分割装置
图12所示为本申请一实施例提供的一种冠状动脉分割装置的结构示意图。如图12所示,该冠状动脉分割装置100包括:主动脉分割数据确定模块101,配置为基于心脏CTA图像,确定心脏CTA图像对应的主动脉分割数据;冠状动脉主干分割数据确定模块102,配置为基于心脏CTA图像和主动脉分割数据,确定心脏CTA图像对应的冠状动脉主干分割数据;冠状动脉细节分割数据确定模块103,配置为基于心脏CTA图像和冠状动脉主干分割数据,确定心脏CTA图像对应的冠状动脉细节分割数据;以及冠状动脉分割数据确定模块104,配置为基于心脏CTA图像、冠状动脉主干分割数据和冠状动脉细节分割数据,确定心脏CTA图像对应的冠状动脉分割数据。
本申请实施例中,主动脉分割数据确定模块101基于心脏CTA图像,确定心脏CTA图像对应的主动脉分割数据;冠状动脉主干分割数据确定模块102基于心脏CTA图像和主动脉分割数据,确定心脏CTA图像对应的冠状动脉主干分割数据;冠状动脉细节分割数据确定模块103基于心脏CTA图像和冠状动脉主干分割数据,确定心脏CTA图像对应的冠状动脉细节分割数据;冠状动脉分割数据确定模块104基于心脏CTA图像、冠状动脉主干分割数据和冠状动脉细节分割数据,确定心脏CTA图像对应的冠状动脉分割数据。本申请实施例提供的冠状动脉分割装置,在进行冠状动脉分割时,先进行主动脉分割,再进行主干分割,继而进行细节分割,继而删除静脉假阳,有效提高分割精度,增强鲁棒性,降低静脉假阳和动脉漏诊发生概率。
图13所示为本申请一实施例提供的一种冠状动脉分割装置的结构示意图。如图13所示,冠状动脉分割数据确定模块104进一步包括:冠脉树构建单元1041,配置为基于冠状动脉主干分割数据和冠状动脉细节分割数据,构建冠脉树;以及冠状动脉分割数据获取单元1042,配置为基于冠脉树,删除静脉假阳数据,以获取冠状动脉分割数据。
在一个实施例中,如图13所示,冠脉树构建单元1041进一步包括:中线提取子单元10411,配置为基于冠状动脉主干分割数据和冠状动脉细节分割数据进行中线提取操作,以获取初始冠状动脉分割中线;以及冠脉树构建子单元10412,基于初始冠状动脉分割中线构建冠脉树。
在一个实施例中,如图13所示,冠状动脉分割数据获取单元1042进一步包括:去假阳子单元10421,配置为基于预设动静脉分类器对冠脉树中的段对应的图像区域进行分类识别操作,以删除冠脉树中与静脉假阳数据对应的段;以及冠状动脉分割数据获取子单元10422,配置为基于分类识别操作后的冠脉树,获取冠状动脉分割数据。
在一个实施例中,如图13所示,去假阳子单元10421进一步包括:待检测段选取子单元104211,配置为在冠脉树中选取满足预设条件的待检测段;待检测心脏CTA图像块数据截取子模块104212,配置为在心脏CTA图像中截取与待检测段对应的待检测心脏CTA图像块数据;静脉假阳数据确定子单元104213,配置为将待检测心脏CTA图像块数据输入预设动静脉分类器进行分类识别操作,确定待检测心脏CTA图像块数据对应的静脉假阳数据;以及删除子单元104214,配置为删除冠脉树中与静脉假阳数据对应的段。
在一个实施例中,如图13所示,主动脉分割数据确定模块101进一步包括:CTA图像块数据截取单元1011,配置为在心脏CTA图像中,每隔第一预设尺寸截取第二预设尺寸的图像块,以获取多个CTA图像块数据;主动脉分割块数据生成单元1012,配置为将多个CTA图像块数据输入主动脉分割模型,以生成多个主动脉分割块数据;部分主动脉分割块数据获取单元1013,配置为针对多个主动脉分割块数据中的每个主动脉分割块数据,以主动脉分割块数据的坐标中心为截取中心,基于截取中心截取第一预设尺寸的主动脉分割块数据,以获取主动脉分割块数据对应的部分主动脉分割块数据;以及主动脉分割数据获取单元1014,配置为基于高斯平滑处理,拼接多个主动脉分割块数据各自对应的部分主动脉分割块数据,以获取主动脉分割数据。
在一个实施例中,如图13所示,冠状动脉主干分割数据确定模块102进一步包括:种子点数据确定单元1021,配置为基于心脏CTA图像和主动脉分割数据,确定心脏CTA图像对应的种子点数据;以及冠状动脉主干分割数据确定单元1022,配置为基于心脏CTA图像和种子点数据,确定心脏CTA图像对应的冠状动脉主干分割数据。
在一个实施例中,如图13所示,种子点数据确定单元1021进一步包括:冠状动脉起源块数据获取子单元10211,配置为以主动脉分割数据对应的图像区域的底部为参考基准,在心脏CTA图像中截取第三预设尺寸的图像块,以获取冠状动脉起源块数据;初始种子点数据确定子单元10212,配置为将冠状动脉起源块数据输入冠状动脉起源分割模型,生成冠状动脉起源分割数据,以确定初始种子点数据;以及种子点数据确定子单元10213,配置为对初始种子点数据进行闭操作处理,获取种子点数据。
在一个实施例中,如图13所示,种子点数据确定子单元10213进一步包括:第一分割合并数据获取子单元102131,配置为合并初始种子点数据和主动脉分割数据,以获取主动脉与冠状动脉相交处对应的第一分割合并数据;第二分割合并数据获取子单元102132,配置为对第一分割合并数据进行闭操作,保留最大连通域,以获取主动脉与冠状动脉相交处对应的第二分割合并数据;重新标记获取子单元102133,配置为基于主动脉分割数据,对第二分割合并数据进行重新标记,以获取重新标记的初始种子点数据;以及过滤子单元102134,配置为在重新标记的初始种子点数据中过滤掉尺寸小于第四预设尺寸的重新标记的初始种子点,以获取种子点数据。
在一个实施例中,如图13所示,冠状动脉主干分割数据确定单元1022进一步包括:第一重置数据获取子单元10221,配置为基于第一预设采样间隙,对心脏CTA图像和种子点数据进行重置采样操作,以获取第一重置心脏CTA图像和重置种子点数据;第一冠状动脉分割数据获取子单元10222,配置为以重置种子点数据为分割起点,将第一重置心脏CTA图像输入训练好的冠状动脉分割模型中,同时基于区域生长分割与深度学习分割进行分割,以获取第一重置心脏CTA图像对应的第一冠状动脉分割数据;以及冠状动脉主干分割数据确定子单元10223,配置为基于心脏CTA图像对应的初始采样间隙,对第一冠状动脉分割数据进行重置采样操作,以获取冠状动脉主干分割数据。
在一个实施例中,第一冠状动脉分割数据获取子单元10222,进一步配置为以重置种子点数据为分割起点,将第一重置心脏CTA图像输入训练好的冠状动脉分割模型中,使用深度学习进行区域生长以进行分割,获取第一重置心脏CTA图像对应的第一冠状动脉分割数据。
在一个实施例中,如图13所示,冠状动脉细节分割数据确定模块103进一步包括:第二重置数据获取单元1031,配置为基于第二预设采样间隙,对心脏CTA图像和冠状动脉主干分割数据进行重置采样操作,以获取第二重置心脏CTA图像和重置冠状动脉主干分割数据;第二冠状动脉分割数据获取单元1032,配置为以重置冠状动脉主干分割数据为分割起点,将第二重置心脏CTA图像输入训练好的冠状动脉分割模型中,同时基于区域生长分割与深度学习分割进行分割,以获取第二重置心脏CTA图像对应的第二冠状动脉分割数据;以及冠状动脉细节分割数据确定单元1033,配置为基于心脏CTA图像对应的初始采样间隙,对第二冠状动脉分割数据进行重置采样操作,以获取冠状动脉细节分割数据。
在一个实施例中,第二冠状动脉分割数据获取单元1032,进一步配置为以重置冠状动脉主干分割数据为分割起点,将第二重置心脏CTA图像输入训练好的冠状动脉分割模型中,使用深度学习进行区域生长以进行分割,获取第二重置心脏CTA图像对应的第二冠状动脉分割数据。
上述冠状动脉分割装置中的各个模块和单元的具体功能和操作可以参考上述图1至图11提供的冠状动脉分割方法,为了避免重复,在此不再赘述。
示例性电子设备
图14所示为本申请一实施例提供的电子设备的结构示意图。如图14所示,电子设备200包括一个或多个处理器210和存储器220。
处理器210可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备200中的其他组件以执行期望的功能。
存储器220可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器210可以运行所述程序指令,以实现上文所述的本申请的各个实施例的冠状动脉分割方法以及/或者其他期望的功能。
在一个示例中,电子设备200还可以包括:输入装置230和输出装置240,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如,该输入装置230可以是上述的对心脏进行增强CT获得心脏CTA图像的仪器。
该输出装置240可以向外部输出各种信息,例如冠状动脉分割数据,该输出设备240可以包括例如显示器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图14中仅示出了该电子设备200中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备200还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例行冠状动脉分割方法”部分中描述的根据本申请各种实施例的冠状动脉分割方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的步骤式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是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在被处理器运行时使得所述处理器执行本说明书上述“冠状动脉分割方法”部分中描述的根据本申请各种实施例的冠状动脉分割方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。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。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (14)
1.一种冠状动脉分割方法,其特征在于,包括:
基于心脏CTA图像,确定所述心脏CTA图像对应的主动脉分割数据;
基于所述心脏CTA图像和所述主动脉分割数据,确定所述心脏CTA图像对应的冠状动脉主干分割数据;
基于所述心脏CTA图像和所述冠状动脉主干分割数据,确定所述心脏CTA图像对应的冠状动脉细节分割数据;以及
基于所述心脏CTA图像、所述冠状动脉主干分割数据和所述冠状动脉细节分割数据,确定所述心脏CTA图像对应的冠状动脉分割数据。
2.根据权利要求1所述的冠状动脉分割方法,其特征在于,所述基于所述心脏CTA图像、所述冠状动脉主干分割数据和所述冠状动脉细节分割数据,确定所述心脏CTA图像对应的冠状动脉分割数据,包括:
基于所述冠状动脉主干分割数据和所述冠状动脉细节分割数据,构建冠脉树;以及
基于所述冠脉树,删除静脉假阳数据,以获取所述冠状动脉分割数据。
3.根据权利要求2所述的冠状动脉分割方法,其特征在于,所述基于所述冠状动脉主干分割数据和所述冠状动脉细节分割数据,构建冠脉树,包括:
基于所述冠状动脉主干分割数据和所述冠状动脉细节分割数据进行中线提取操作,以获取初始冠状动脉分割中线;以及
基于所述初始冠状动脉分割中线构建所述冠脉树。
4.根据权利要求2或3所述的冠状动脉分割方法,其特征在于,所述基于所述冠脉树,删除静脉假阳数据,以获取所述冠状动脉分割数据,包括:
基于预设动静脉分类器对所述冠脉树中的段对应的图像区域进行分类识别操作,以删除所述冠脉树中与所述静脉假阳数据对应的段;以及
基于所述分类识别操作后的冠脉树,获取所述冠状动脉分割数据。
5.根据权利要求4所述的冠状动脉分割方法,其特征在于,所述基于预设动静脉分类器对所述冠脉树中的段对应的图像区域进行分类识别操作,以删除所述冠脉树中与所述静脉假阳数据对应的段,包括:
在所述冠脉树中选取满足预设条件的待检测段;
在所述心脏CTA图像中截取与所述待检测段对应的待检测心脏CTA图像块数据;
将所述待检测心脏CTA图像块数据输入所述预设动静脉分类器进行分类识别操作,确定所述待检测心脏CTA图像块数据对应的静脉假阳数据;以及
删除所述冠脉树中与所述静脉假阳数据对应的段。
6.根据权利要求1-3任一所述的冠状动脉分割方法,其特征在于,所述基于心脏CTA图像,确定所述心脏CTA图像对应的主动脉分割数据,包括:
在所述心脏CTA图像中,每隔第一预设尺寸截取第二预设尺寸的图像块,以获取多个CTA图像块数据;
将所述多个CTA图像块数据输入主动脉分割模型,以生成多个主动脉分割块数据;
针对所述多个主动脉分割块数据中的每个主动脉分割块数据,以所述主动脉分割块数据的坐标中心为截取中心,基于所述截取中心截取所述第一预设尺寸的主动脉分割块数据,以获取所述主动脉分割块数据对应的部分主动脉分割块数据;以及
基于高斯平滑处理,拼接所述多个主动脉分割块数据各自对应的部分主动脉分割块数据,以获取所述主动脉分割数据。
7.根据权利要求1-3任一所述的冠状动脉分割方法,其特征在于,所述基于所述心脏CTA图像和所述主动脉分割数据,确定所述心脏CTA图像对应的冠状动脉主干分割数据,包括:
基于所述心脏CTA图像和所述主动脉分割数据,确定所述心脏CTA图像对应的种子点数据;以及
基于所述心脏CTA图像和所述种子点数据,确定所述心脏CTA图像对应的冠状动脉主干分割数据。
8.根据权利要求7所述的冠状动脉分割方法,其特征在于,所述基于所述心脏CTA图像和所述主动脉分割数据,确定所述心脏CTA图像对应的种子点数据,包括:
以所述主动脉分割数据对应的图像区域的底部为参考基准,在所述心脏CTA图像中截取第三预设尺寸的图像块,以获取冠状动脉起源块数据;
将所述冠状动脉起源块数据输入冠状动脉起源分割模型,生成冠状动脉起源分割数据,以确定初始种子点数据,其中,所述冠状动脉起源分割数据用于表征主动脉与冠状动脉相交处的冠状动脉的分割数据;以及
对所述初始种子点数据进行闭操作处理,获取所述种子点数据。
9.根据权利要8所述的冠状动脉分割方法,其特征在于,所述对所述初始种子点数据进行闭操作处理,获取所述种子点数据,包括:
合并所述初始种子点数据和所述主动脉分割数据,以获取所述主动脉与冠状动脉相交处对应的第一分割合并数据;
对所述第一分割合并数据进行闭操作,保留最大连通域,以获取所述主动脉与冠状动脉相交处对应的第二分割合并数据;
基于所述主动脉分割数据,对所述第二分割合并数据进行重新标记,以获取重新标记的初始种子点数据;以及
在所述重新标记的初始种子点数据中过滤掉尺寸小于第四预设尺寸的重新标记的初始种子点,以获取所述种子点数据。
10.根据权利要求7所述的冠状动脉分割方法,其特征在于,所述基于所述心脏CTA图像和所述种子点数据,确定所述心脏CTA图像对应的冠状动脉主干分割数据,包括:
基于第一预设采样间隙,对所述心脏CTA图像和所述种子点数据进行重置采样操作,以获取第一重置心脏CTA图像和重置种子点数据;
以所述重置种子点数据为分割起点,将所述第一重置心脏CTA图像输入训练好的冠状动脉分割模型中,同时基于区域生长分割与深度学习分割进行分割,以获取第一重置心脏CTA图像对应的第一冠状动脉分割数据;以及
基于所述心脏CTA图像对应的初始采样间隙,对所述第一冠状动脉分割数据进行重置采样操作,以获取所述冠状动脉主干分割数据。
11.根据权利要求1-3任一所述的冠状动脉分割方法,其特征在于,所述基于所述心脏CTA图像和所述冠状动脉主干分割数据,确定所述心脏CTA图像对应的冠状动脉细节分割数据,包括:
基于第二预设采样间隙,对所述心脏CTA图像和所述冠状动脉主干分割数据进行重置采样操作,以获取第二重置心脏CTA图像和重置冠状动脉主干分割数据;
以所述重置冠状动脉主干分割数据为分割起点,将所述第二重置心脏CTA图像输入训练好的冠状动脉分割模型中,同时基于区域生长分割与深度学习分割进行分割,以获取所述第二重置心脏CTA图像对应的第二冠状动脉分割数据;以及
基于所述心脏CTA图像对应的初始采样间隙,对所述第二冠状动脉分割数据进行重置采样操作,以获取所述冠状动脉细节分割数据。
12.一种冠状动脉分割装置,其特征在于,包括:
主动脉分割数据确定模块,配置为基于心脏CTA图像,确定所述心脏CTA图像对应的主动脉分割数据;
冠状动脉主干分割数据确定模块,配置为基于所述心脏CTA图像和所述主动脉分割数据,确定所述心脏CTA图像对应的冠状动脉主干分割数据;
冠状动脉细节分割数据确定模块,配置为基于所述心脏CTA图像和所述冠状动脉主干分割数据,确定所述心脏CTA图像对应的冠状动脉细节分割数据;以及
冠状动脉分割数据确定模块,配置为基于所述心脏CTA图像、所述冠状动脉主干分割数据和所述冠状动脉细节分割数据,确定所述心脏CTA图像对应的冠状动脉分割数据。
13.一种电子设备,包括:
处理器;以及
存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-11任一所述的冠状动脉分割方法。
14.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如权利要求1-11任一所述的冠状动脉分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110420571.0A CN113096141B (zh) | 2021-04-19 | 2021-04-19 | 冠状动脉分割方法以及冠状动脉分割装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110420571.0A CN113096141B (zh) | 2021-04-19 | 2021-04-19 | 冠状动脉分割方法以及冠状动脉分割装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113096141A true CN113096141A (zh) | 2021-07-09 |
CN113096141B CN113096141B (zh) | 2022-01-11 |
Family
ID=76678626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110420571.0A Active CN113096141B (zh) | 2021-04-19 | 2021-04-19 | 冠状动脉分割方法以及冠状动脉分割装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113096141B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110188715A1 (en) * | 2010-02-01 | 2011-08-04 | Microsoft Corporation | Automatic Identification of Image Features |
CN104867147A (zh) * | 2015-05-21 | 2015-08-26 | 北京工业大学 | 基于冠状动脉造影图像分割的syntax自动评分方法 |
US10079071B1 (en) * | 2015-05-04 | 2018-09-18 | Siemens Healthcare Gmbh | Method and system for whole body bone removal and vascular visualization in medical image data |
CN109360209A (zh) * | 2018-09-30 | 2019-02-19 | 语坤(北京)网络科技有限公司 | 一种冠状血管分割方法及系统 |
CN109389606A (zh) * | 2018-09-30 | 2019-02-26 | 数坤(北京)网络科技有限公司 | 一种冠状动脉分割方法及装置 |
CN109658407A (zh) * | 2018-12-27 | 2019-04-19 | 上海联影医疗科技有限公司 | 冠状动脉病变的评分方法、装置、服务器和存储介质 |
CN109712161A (zh) * | 2018-12-26 | 2019-05-03 | 上海联影医疗科技有限公司 | 一种图像分割方法、装置、设备及存储介质 |
CN109712163A (zh) * | 2018-12-05 | 2019-05-03 | 上海联影医疗科技有限公司 | 冠脉提取方法、装置、图像处理工作站和可读存储介质 |
CN111223158A (zh) * | 2019-12-31 | 2020-06-02 | 上海联影智能医疗科技有限公司 | 心脏冠脉图像的伪影校正方法和可读存储介质 |
CN111227822A (zh) * | 2018-11-28 | 2020-06-05 | 苏州润心医疗器械有限公司 | 基于心肌血流量和ct图像的冠状动脉血流储备分数计算方法 |
CN111815587A (zh) * | 2020-06-29 | 2020-10-23 | 苏州润心医疗器械有限公司 | 基于ct序列图像拾取主动脉中心线上的点的方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BRPI0914095A2 (pt) * | 2008-10-10 | 2015-10-27 | Koninkl Philips Electronics Nv | método de aquisição de imagem angiográfica, unidade de controle de colimador de um dispositivo de aquisição de imagem angiográfica, dispositivo de aquisição de imagem angiográfica e produto de programa de computador |
-
2021
- 2021-04-19 CN CN202110420571.0A patent/CN113096141B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110188715A1 (en) * | 2010-02-01 | 2011-08-04 | Microsoft Corporation | Automatic Identification of Image Features |
US10079071B1 (en) * | 2015-05-04 | 2018-09-18 | Siemens Healthcare Gmbh | Method and system for whole body bone removal and vascular visualization in medical image data |
CN104867147A (zh) * | 2015-05-21 | 2015-08-26 | 北京工业大学 | 基于冠状动脉造影图像分割的syntax自动评分方法 |
CN109360209A (zh) * | 2018-09-30 | 2019-02-19 | 语坤(北京)网络科技有限公司 | 一种冠状血管分割方法及系统 |
CN109389606A (zh) * | 2018-09-30 | 2019-02-26 | 数坤(北京)网络科技有限公司 | 一种冠状动脉分割方法及装置 |
CN111227822A (zh) * | 2018-11-28 | 2020-06-05 | 苏州润心医疗器械有限公司 | 基于心肌血流量和ct图像的冠状动脉血流储备分数计算方法 |
CN109712163A (zh) * | 2018-12-05 | 2019-05-03 | 上海联影医疗科技有限公司 | 冠脉提取方法、装置、图像处理工作站和可读存储介质 |
CN109712161A (zh) * | 2018-12-26 | 2019-05-03 | 上海联影医疗科技有限公司 | 一种图像分割方法、装置、设备及存储介质 |
CN109658407A (zh) * | 2018-12-27 | 2019-04-19 | 上海联影医疗科技有限公司 | 冠状动脉病变的评分方法、装置、服务器和存储介质 |
CN111223158A (zh) * | 2019-12-31 | 2020-06-02 | 上海联影智能医疗科技有限公司 | 心脏冠脉图像的伪影校正方法和可读存储介质 |
CN111815587A (zh) * | 2020-06-29 | 2020-10-23 | 苏州润心医疗器械有限公司 | 基于ct序列图像拾取主动脉中心线上的点的方法和系统 |
Non-Patent Citations (2)
Title |
---|
A. HENNEMUTH 等: "One-click coronary tree segmentation in CT angiographic images", 《INTERNATIONAL CONGRESS SERIES》 * |
杨栋: "面向CTA图像的冠脉血管分割算法研究和血管狭窄度分析", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113096141B (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298844B (zh) | X光造影图像血管分割与识别方法及装置 | |
CN111696089A (zh) | 一种动静脉确定方法、装置、设备和存储介质 | |
CN111145173A (zh) | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 | |
US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
CN114066884B (zh) | 视网膜血管分割方法及装置、电子设备和存储介质 | |
CN111768411A (zh) | 冠脉中心线提取方法、装置、计算机设备和存储介质 | |
CN112927239A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113628193A (zh) | 血管狭窄率确定方法、装置、系统及存储介质 | |
Mohan et al. | Exudate localization in retinal fundus images using modified speeded up robust features algorithm | |
CN113889238B (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
CN113313715B (zh) | 心脏动脉血管的分割方法、分割装置、设备和介质 | |
CN117373070B (zh) | 血管分段标注的方法及装置、电子设备和存储介质 | |
CN113763331A (zh) | 冠状动脉优势型判定方法、装置、存储介质及电子设备 | |
CN113096141B (zh) | 冠状动脉分割方法以及冠状动脉分割装置 | |
WO2007033228A2 (en) | Reducing false positives for automatic computerized detection of objects | |
CN112288697A (zh) | 用于量化异常程度的方法、装置、电子设备及可读存储介质 | |
CN116563305A (zh) | 一种血管的异常区域的分割方法、装置及电子设备 | |
CN115546149A (zh) | 肝脏分割方法及装置、电子设备及存储介质 | |
CN108198213B (zh) | 一种标记管状结构的方法及装置、管状结构的处理终端 | |
CN112950734B (zh) | 冠脉重建方法、装置、电子设备和存储介质 | |
CN112862785B (zh) | Cta影像数据识别方法、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 | |
KR102187712B1 (ko) | X-ray/CT 영상에서 혈관 조각 병합 방법 및 장치 | |
CN107346543B (zh) | 血管中心线的处理方法及装置、终端及存储介质 | |
CN111862045B (zh) | 血管模型的生成方法及装置 |
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 |