CN113192031A - 血管分析方法、装置、计算机设备和存储介质 - Google Patents

血管分析方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113192031A
CN113192031A CN202110477060.2A CN202110477060A CN113192031A CN 113192031 A CN113192031 A CN 113192031A CN 202110477060 A CN202110477060 A CN 202110477060A CN 113192031 A CN113192031 A CN 113192031A
Authority
CN
China
Prior art keywords
image
image sequence
blood vessel
characteristic information
analysis model
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
CN202110477060.2A
Other languages
English (en)
Other versions
CN113192031B (zh
Inventor
杨雄
毛玉妃
于文君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare 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 Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN202110477060.2A priority Critical patent/CN113192031B/zh
Publication of CN113192031A publication Critical patent/CN113192031A/zh
Application granted granted Critical
Publication of CN113192031B publication Critical patent/CN113192031B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本申请涉及一种血管分析方法、装置、计算机设备和存储介质。所述方法包括：获取多个图像序列；利用预先训练的血管分析模型对所述多个图像序列进行分析，得到各所述图像序列对应的分析结果；其中，所述血管分析模型具有多个通道，并且所述血管分析模型对所述多个图像序列的图像特征信息进行融合处理。采用本方法能够提升分析结果的准确性。

Description

血管分析方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像分析技术领域，特别是涉及一种血管分析方法、装置、计算机设备和存储介质。
背景技术
近年来，脑血管疾病的发病率和致死率在我国和世界范围内呈逐年上升趋势，逐步成为致死率最高的疾病。在临床上，通常利用磁共振图像对脑血管中的动脉粥样硬化斑块进行分析。斑块分析的过程包括：先获取磁共振图像中的血管中心线，然后沿着血管中心线逐层在磁共振图像的横断面上进行目标组织的检测和分割。
目前，斑块图像分析大多是基于单一图像序列进行的，得到了单一图像序列的分析结果后，再将分析结果映射到其他图像序列中。
但是，由于单一图像序列提供的组织信号有限，特别是针对病灶部位，由于病理结构复杂，如果组织信号异常，则会出现分析结果不准确的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提升分析结果准确性的血管分析方法、装置、计算机设备和存储介质。
一种血管分析方法，该方法包括：
获取多个图像序列；
利用预先训练的血管分析模型对多个图像序列进行分析，得到各图像序列对应的分析结果；
其中，血管分析模型具有多个通道，并且血管分析模型对多个图像序列的图像特征信息进行融合处理。
在其中一个实施例中，上述利用预先训练的血管分析模型对多个图像序列进行分析，得到各图像序列对应的分析结果，包括：
对多个图像序列进行配准，得到参考图像序列和变换图像序列；
将参考图像序列和变换图像序列输入到血管分析模型中，得到血管分析模型输出的参考图像序列对应的分析结果和变换图像序列对应的分析结果。
在其中一个实施例中，多个通道的交叉处存在可配置的共用层，上述将参考图像序列和变换图像序列输入到血管分析模型中，得到血管分析模型输出的参考图像序列对应的分析结果和变换图像序列对应的分析结果，包括：
将参考图像序列和变换图像序列输入到血管分析模型中，血管分析模型的第一通道对参考图像序列进行编码操作得到第一图像特征信息，血管分析模型的第二通道对变换图像序列进行编码操作得到第二图像特征信息；
第一通道和第二通道分别将第一图像特征信息和第二图像特征信息输入到共用层；
共用层将第一图像特征信息与第二图像特征信息进行融合处理得到第一融合特征信息，并将第一融合特征信息输入到第一通道，第一通道对第一融合特征信息进行解码操作，并输出参考图像序列对应的分析结果；
共用层将第二图像特征信息与第一图像特征信息进行融合处理得到第二融合特征信息，并将第二融合特征信息输入到第二通道，第二通道对第二融合特征信息进行解码操作，并输出变换图像序列对应的分析结果。
在其中一个实施例中，上述共用层将第一图像特征信息与第二图像特征信息进行融合处理得到第一融合特征信息，包括：
共用层对第一图像特征信息和第二图像特征信息进行加权求和处理，得到第一融合特征信息；
上述共用层将第二图像特征信息与第一图像特征信息进行融合处理得到第二融合特征信息，包括：
共用层对第二图像特征信息和第一图像特征信息进行加权求和处理，得到第二融合特征信息。
在其中一个实施例中，上述血管分析模型的训练过程包括：
获取训练样本集；训练样本集包括参考样本和变换样本，以及参考样本对应的第一标注和变换样本对应的第二标注；
基于训练样本集进行神经网络模型的训练，得到血管分析模型。
在其中一个实施例中，在上述将参考图像序列和变换图像序列输入到血管分析模型中之前，该方法还包括：
分别对参考图像序列和变换图像序列进行采样，得到采样后的参考图像序列和采样后的变换图像序列；
对应地，将参考图像序列和变换图像序列输入到血管分析模型中，包括：
将采样后的参考图像序列和采样后的变换图像序列输入到血管分析模型中。
在其中一个实施例中，图像序列包括TOF图像序列、MRA图像序列、T1增强图像序列、T1图像序列、T2图像序列、质子密度图像序列中的至少一种；
血管分析模型包括血管中心线提取模型、血管轮廓分割模型和斑块分割模型中的至少一种；
分析结果包括血管中心线提取结果、血管轮廓分割结果和斑块分割结果中的至少一种。
一种血管分析装置，该装置包括：
图像获取模块，用于获取多个图像序列；
图像分析模块，用于利用预先训练的血管分析模型对多个图像序列进行分析，得到各图像序列对应的分析结果；
其中，血管分析模型具有多个通道，并且所述血管分析模型对多个图像序列的图像特征信息进行融合处理。
在其中一个实施例中，上述图像分析模块包括：
配准子模块，用于对多个图像序列进行配准，得到参考图像序列和变换图像序列；
分析子模块，用于将参考图像序列和变换图像序列输入到血管分析模型中，得到血管分析模型输出的参考图像序列对应的分析结果和变换图像序列对应的分析结果。
在其中一个实施例中，多个通道的交叉处存在可配置的共用层，上述分析子模块，具体用于将参考图像序列和变换图像序列输入到血管分析模型中，血管分析模型的第一通道对参考图像序列进行编码操作得到第一图像特征信息，血管分析模型的第二通道对变换图像序列进行编码操作得到第二图像特征信息；第一通道和第二通道分别将第一图像特征信息和第二图像特征信息输入到共用层；共用层将第一图像特征信息与第二图像特征信息进行融合处理得到第一融合特征信息，并将第一融合特征信息输入到第一通道，第一通道对第一融合特征信息进行解码操作，并输出参考图像序列对应的分析结果；共用层将第二图像特征信息与第一图像特征信息进行融合处理得到第二融合特征信息，并将第二融合特征信息输入到第二通道，第二通道对第二融合特征信息进行解码操作，并输出变换图像序列对应的分析结果。
在其中一个实施例中，上述分析子模块，具体用于共用层对第一图像特征信息和第二图像特征信息进行加权求和处理，得到第一融合特征信息；共用层对第二图像特征信息和第一图像特征信息进行加权求和处理，得到第二融合特征信息。
在其中一个实施例中，该装置还包括：
样本获取模块，用于获取训练样本集；训练样本集包括参考样本和变换样本，以及参考样本对应的第一标注和变换样本对应的第二标注；
训练模块，用于基于训练样本集进行神经网络模型的训练，得到血管分析模型。
在其中一个实施例中，该装置还包括：
采样模块，用于分别对参考图像序列和变换图像序列进行采样，得到采样后的参考图像序列和采样后的变换图像序列；
对应地，分析子模块，具体用于将采样后的参考图像序列和采样后的变换图像序列输入到血管分析模型中。
在其中一个实施例中，图像序列包括TOF图像序列、MRA图像序列、T1增强图像序列、T1图像序列、T2图像序列、质子密度图像序列中的至少一种；
血管分析模型包括血管中心线提取模型、血管轮廓分割模型和斑块分割模型中的至少一种；
分析结果包括血管中心线提取结果、血管轮廓分割结果和斑块分割结果中的至少一种。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取多个图像序列；
利用预先训练的血管分析模型对多个图像序列进行分析，得到各图像序列对应的分析结果；
其中，血管分析模型具有多个通道，并且所述血管分析模型对多个图像序列的图像特征信息进行融合处理。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取多个图像序列；
利用预先训练的血管分析模型对多个图像序列进行分析，得到各图像序列对应的分析结果；
其中，血管分析模型具有多个通道，并且所述血管分析模型对多个图像序列的图像特征信息进行融合处理。
上述血管分析方法、装置、计算机设备和存储介质，终端获取多个图像序列，利用预先训练的血管分析模型对多个图像序列进行分析，得到各图像序列对应的分析结果；其中，血管分析模型具有多个通道，并且血管分析模型对多个图像序列的图像特征信息进行融合处理。通过本公开实施例，血管分析模型对多个图像序列的图像特征信息进行融合处理，就是同时考虑多个图像序列，该分析方式更贴近临床分析场景，由于图像特征信息之间互相补充借鉴，因此能够提升分析结果的准确性。
附图说明
图1为一个实施例中血管分析方法的应用环境图；
图2为一个实施例中血管分析方法的流程示意图；
图3为一个实施例中血管分析模型的结构示意图之一；
图4为一个实施例中利用血管分析模型对多个图像序列进行分析步骤的流程示意图；
图5为一个实施例中血管分析模型的结构示意图之二；
图6为一个实施例中血管分析模型的结构示意图之三；
图7为一个实施例中利用血管分析模型对参考图像序列和变换图像序列进行分析步骤的流程示意图；
图8为一个实施例中血管分析模型训练过程的流程示意图；
图9为一个实施例中血管分析装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的血管分析方法，可以应用于如图1所示的应用环境中。该应用环境可以包括终端101和医学扫描设备102。其中，终端101可以通过网络与医学扫描设备102进行通信。上述终端101可以但不限于是各种个人计算机、笔记本电脑机和平板电脑，上述医学扫描设备102可以但不限于是MR(Magnetic Resonance，磁共振)设备、CT(ComputedTomography，即电子计算机断层扫描)设备、PET(Positron Emission ComputedTomography，正电子发射型计算机断层显像)-CT设备。
该应用环境还可以包括PACS(Picture Archiving and Communication Systems，影像归档和通信系统)服务器103，终端101和医学扫描设备102均可以通过网络与PACS服务器103进行通信。上述PACS服务器103可以用独立的服务和器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种血管分析方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤201，获取多个图像序列。
其中，图像序列包括飞行时间(Time of flight，TOF)图像序列、磁共振血管成像(MR angiography，MRA)图像序列、T1加权成像(又称自旋晶格弛豫，T1)增强图像序列、T1图像序列、T2加权程序(又称自旋弛豫，T2)图像序列、质子密度图像序列中的至少一种。
终端可以从医学扫描设备获取多个图像序列，也可以从PACS服务器获取多个图像序列。并且，获取到的多个图像序列可以是相同类型的，也可以是不同类型的。
例如，终端从医学扫描设备获取到两个T1增强图像序列和一个T1图像序列；或者，终端从PACS服务器获取到一个T1图像序列和一个T2图像序列。本公开实施例对获取到的图像序列的类型和数量均不做限定。
步骤202，利用预先训练的血管分析模型对多个图像序列进行分析，得到各图像序列对应的分析结果。
其中，血管分析模型包括血管中心线提取模型、血管轮廓分割模型和斑块分割模型中的至少一种；血管分析模型具有多个通道，并且血管分析模型对多个图像序列的图像特征信息进行融合处理。
终端中设置有预先训练的血管分析模型。在获取到多个图像序列后，终端利用预先训练的血管分析模型对多个图像序列进行分析。分析过程可以包括：血管分析模型的一个通道对一个图像序列进行分析；同时，多个通道之间可以互相传递图像序列的图像特征信息；传递后，每个通道对分析出的图像特征信息和传递到的图像特征信息进行融合处理，得到该通道分析的图像序列所对应的分析结果。
如图3所示，血管分析模型的多个通道之间存在连接结构，血管分析模型的通道1对T1图像序列进行分析得到图像特征信息1，通道2对T2图像序列进行分析得到图像特征信息2，通道1通过连接结构将图像特征信息1传递到通道2，通道2将传递过来的图像特征信息1与分析出的图像特征信息2进行融合处理，得到T2图像序列对应的分析结果。本公开实施例对图像特征信息的传递方式不做限定，对融合处理的方式也不做限定。
上述分析结果包括血管中心线提取结果、血管轮廓分割结果和斑块分割结果中的至少一种。
例如，血管分析模型为血管中心线提取模型，则血管分析模型对T1图像序列和T2图像序列进行分析后，得到T1图像序列对应的血管中心线提取结果和T2图像序列对应的血管中心线提取结果。
上述血管分析方法中，终端获取多个图像序列，利用预先训练的血管分析模型对多个图像序列进行分析，得到各图像序列对应的分析结果；其中，血管分析模型具有多个通道，并且血管分析模型对多个图像序列的图像特征信息进行融合处理。通过本公开实施例，血管分析模型对多个图像序列的图像特征信息进行融合处理，就是同时考虑多个图像序列，该分析方式更贴近临床分析场景，由于图像特征信息之间互相补充借鉴，因此能够提升分析结果的准确性。
在一个实施例中，如图4所示，上述利用预先训练的血管分析模型对多个图像序列进行分析，得到各图像序列对应的分析结果的步骤，可以包括：
步骤301，对多个图像序列进行配准，得到参考图像序列和变换图像序列。
终端对多个图像序列进行分析时，先进行图像变换处理，使得多个图像序列具有对应关系，以便血管分析模型对图像序列进行分析。上述图像变换过程可以包括：对每两个图像序列进行配准，得到每两个图像序列对应的配准关系；从多个图像序列中选取一个作为参考图像序列，根据每两个图像序列对应的配准关系对其他图像序列进行图像变换，得到变换图像序列。
例如，对T1图像序列和T2图像序列进行配准得到第一配准关系，对T1增强图像序列和T2图像序列进行配准得到第二配准关系，对T1图像序列和T1增强图像序列进行配准得到第三配准关系。如果将T1图像序列作为参考图像序列，则可以根据第一配准关系对T2图像序列进行图像变换，得到T2变换图像序列；根据第三配准关系对T1增强图像序列进行图像变换，得到T1增强变换图像序列。在实际应用中，可以根据具体情况确定参考图像序列，本公开实施例对此不做限定。
上述对每两个图像序列进行配准，得到每两个图像序列对应的配准关系的过程，可以包括：对于每两个图像序列，确定固定图像序列和浮动图像序列，并计算固定图像序列与浮动图像序列的相似性测度；根据相似性测度对浮动图像序列进行变换处理，直到相似性测度大于预设阈值结束变换处理，得到配准关系。
例如，对于T1图像序列和T2图像序列，将T1图像序列确定为固定图像序列，将T2图像序列确定为浮动图像序列，计算T1图像序列与T2图像序列的相似性测度；如果相似度测度小于或等于预设阈值，则对T2图像序列进行变换处理。再计算T1图像序列与变换后的T2图像序列的相似性测度，直到T1图像序列与变换后的T2图像序列的相似性测度大于预设阈值时结束变换处理，得到T1图像序列与T2图像序列之间的第一配准关系。以此类推，可以得到其他图像序列之间的配准关系。
上述相似性测度可以利用互信息计算，本公开实施例对此不做限定。
步骤302，将参考图像序列和变换图像序列输入到血管分析模型中，得到血管分析模型输出的参考图像序列对应的分析结果和变换图像序列对应的分析结果。
终端确定参考图像序列和变换图像序列之后，将参考图像序列和变换图像序列输入到血管分析模型中，血管分析模型的多个通道分别对参考图像序列和变换图像序列进行分析。并且，血管分析模型对参考图像序列的图像特征信息和变换图像序列的图像特征信息进行融合处理；之后，血管分析模型根据融合处理得到的融合特征信息输出参考图像序列对应的分析结果和变换图像序列对应的分析结果。
在其中一个实施例中，如果终端的图形处理能力不足，可以在上述将参考图像序列和变换图像序列输入到血管分析模型中之前，分别对参考图像序列和变换图像序列进行采样，得到采样后的参考图像序列和采样后的变换图像序列；然后，将采样后的参考图像序列和采样后的变换图像序列输入到血管分析模型中。
上述采样处理可以是对图像进行分割处理，将每个图像分割为多个子图像；血管分析模型对子图像进行分析，可以降低运算量，从而适配于终端的图形处理能力。
在其中一个实施例中，如果血管分析模型为血管中心线提取模型，则对参考图像序列和变换图像序列进行三维VOI(Volume of Interest，感兴趣体积)的采样；如果血管分析模型为血管轮廓分割模型或斑块分割模型，则对参考图像序列和变换图像序列进行二维ROI((region of interest，感兴趣区域)的采样。
上述利用预先训练的血管分析模型对多个图像序列进行分析，得到各图像序列对应的分析结果的过程中，终端对多个图像序列进行配准，得到参考图像序列和变换图像序列；将参考图像序列和变换图像序列输入到血管分析模型中，得到血管分析模型输出的参考图像序列对应的分析结果和变换图像序列对应的分析结果。通过本公开实施例，终端对图像序列进行变换处理后，多个图像序列之间存在对应关系，因此血管分析模型才能够对多个图像序列的图像特征信息进行融合处理，从而提高分析结果的准确性。
在一个实施例中，多个通道的交叉处存在可配置的共用层。如图5所示，将位于两个通道的交叉处的一个网络层作为共用层；如图6所示，将位于两个通道的交叉处的三个网络层作为共用层。本公开实施例对共用层的大小不做限定。可以理解地，共用层越大，血管分析模型的体积越小，可以节省模型的占用空间。
如图7所示，上述将参考图像序列和变换图像序列输入到血管分析模型中，得到血管分析模型输出的参考图像序列对应的分析结果和变换图像序列对应的分析结果的步骤，可以包括：
步骤401，将参考图像序列和变换图像序列输入到血管分析模型中，血管分析模型的第一通道对参考图像序列进行编码操作得到第一图像特征信息，血管分析模型的第二通道对变换图像序列进行编码操作得到第二图像特征信息。
例如，参考图像序列为T1图像序列，变换图像序列为T2图像序列变换后的T2变换图像序列。将T1图像序列输入到血管分析模型的第一通道，将T2变换图像序列输入到血管分析模型的第二通道；第一通道对T1图像序列进行编码操作得到第一图像特征信息，第二通道对T2变换图像序列进行编码操作得到第二图像特征信息。
步骤402，第一通道和第二通道分别将第一图像特征信息和第二图像特征信息输入到共用层。
步骤403，共用层将第一图像特征信息与第二图像特征信息进行融合处理得到第一融合特征信息，并将第一融合特征信息输入到第一通道，第一通道对第一融合特征信息进行解码操作，并输出参考图像序列对应的分析结果。
共用层将第一图像特征信息与第二图像特征信息进行融合处理得到第一融合特征信息可以采用多种方式，其中一种方式可以包括：共用层对第一图像特征信息和第二图像特征信息进行加权求和处理，得到第一融合特征信息；其中，第一图像特征信息的权重大于第二图像特征信息的权重。
例如，第一图像特征信息的权重为0.8，第二图像特征信息的权重为0.2，则对T1图像序列所对应的第一图像特征信息和T2变换图像序列所对应的第二图像特征信息进行加权求和，得到第一融合特征信息。
可以理解地，上述融合处理过程中，以第一图像特征信息为主，以第二图像特征信息为辅，第一融合特征信息主要包括第一图像特征信息，同时参考了第二图像特征信息。
在得到第一融合特征信息后，共用层将第一融合特征信息输入到第一通道，第一通道再对第一融合特征信息进行解码操作，输出参考图像序列对应的分析结果。例如，第一通道输出T1图像序列对应的分析结果。
步骤404，共用层将第二图像特征信息与第一图像特征信息进行融合处理得到第二融合特征信息，并将第二融合特征信息输入到第二通道，第二通道对第二融合特征信息进行解码操作，并输出变换图像序列对应的分析结果。
共用层将第二图像特征信息与第一图像特征信息进行融合处理得到第二融合特征信息的方式，可以参考步骤403中的方式：共用层对第二图像特征信息和第一图像特征信息进行加权求和处理，得到第二融合特征信息；其中，第二图像特征信息的权重大于第一图像特征信息的权重。
可以理解地，上述融合处理过程中，以第二图像特征信息为主，以第一图像特征信息为辅，第二融合特征信息主要包括第二图像特征信息，同时参考了第一图像特征信息。
在得到第二融合特征信息后，共用层将第二融合特征信息输入到第二通道，第二通道再对第二融合特征信息进行解码操作，输出变换图像序列对应的分析结果。例如，第二通道输出T2变换图像序列对应的分析结果。
在实际应用中，融合处理除了可以采用加权求和的方式，还可以采用特征拼接等其他方式，本公开实施例对此不做限定。
上述实施例中，终端将参考图像序列和变换图像序列输入到血管分析模型中，血管分析模型的共用层对第一图像特征信息和第二图像特征信息进行融合处理。通过本公开实施例，在血管分析模型中的共用层大小可配置，并且，共用层会根据输入图像特征信息的通道不同，采用侧重点不同的融合处理方式，使得血管分析模型可以针对不同类型的图像序列输出相应的分析结果。
在一个实施例中，如图8所示，血管分析模型的训练过程包括：
步骤501，获取训练样本集。
其中，训练样本集包括参考样本和变换样本，以及参考样本对应的第一标注和变换样本对应的第二标注。
终端获取参考样本和变换样本，并接收输入的参考样本对应的第一标注和变换样本对应的第二标注；之后，将参考样本、变换样本、第一标注和第二标注组成训练样本集。
上述获取参考样本和变换样本的过程，可以包括：获取第一样本和第二样本，对第一样本和第二样本进行配准得到配准关系，将第一样本作为参考样本，根据配准关系对第二样本进行变换处理，得到变换样本。
步骤502，基于训练样本集进行神经网络模型的训练，得到血管分析模型。
将参考样本和变换样本输入神经网络模型，由神经网络模型的多个通道对分析出的参考样本的图像特征信息和变换样本的图像特征信息进行融合处理；之后，神经网络模型输出参考样本对应的第一训练结果和变换样本对应的第二训练结果。终端利用预先设置的损失函数判断第一训练结果和第二训练结果是否满足收敛条件，如果不满足收敛条件，则调整神经网络模型中的可调参数继续训练；如果满足收敛条件，则结束训练，并将结束训练时得到的神经网络模型确定为血管分析模型。
上述判断是否满足收敛条件的过程可以包括：利用损失函数计算第一训练结果与第一标注之间的第一损失值，计算第二训练结果与第二标注之间的损失值。如果第一损失值和第二损失值均大于或等于预设损失阈值，则确定不满足收敛条件；如果第一损失值和第二损失值均小于预设损失阈值，则确定满足收敛条件。
在实际应用中，还可以采用其他方式进行训练，本公开实施例对训练方式、收敛函数、预设损失阈值均不做限定。
可以理解地，采用不同的训练样本集，可以训练出不同的血管分析模型，血管中心线提取模型、血管轮廓分割模型和斑块分割模型等均可以通过上述训练过程得到。
上述血管分析模型的训练过程中，终端获取训练样本集；基于训练样本集进行神经网络模型的训练，得到血管分析模型。通过本公开实施例，可以训练出准确性、鲁棒性更好的分析模型。
应该理解的是，虽然图2至图8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2至图8中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图9所示，提供了一种血管分析装置，包括：
图像获取模块601，用于获取多个图像序列；
图像分析模块602，用于利用预先训练的血管分析模型对多个图像序列进行分析，得到各图像序列对应的分析结果；
其中，血管分析模型具有多个通道，并且血管分析模型对多个图像序列的图像特征信息进行融合处理。
在其中一个实施例中，上述图像分析模块602包括：
配准子模块，用于对多个图像序列进行配准，得到参考图像序列和变换图像序列；
分析子模块，用于将参考图像序列和变换图像序列输入到血管分析模型中，得到血管分析模型输出的参考图像序列对应的分析结果和变换图像序列对应的分析结果。
在其中一个实施例中，多个通道的交叉处存在可配置的共用层，上述分析子模块，具体用于将参考图像序列和变换图像序列输入到血管分析模型中，血管分析模型的第一通道对参考图像序列进行编码操作得到第一图像特征信息，血管分析模型的第二通道对变换图像序列进行编码操作得到第二图像特征信息；第一通道和第二通道分别将第一图像特征信息和第二图像特征信息输入到共用层；共用层将第一图像特征信息与第二图像特征信息进行融合处理得到第一融合特征信息，并将第一融合特征信息输入到第一通道，第一通道对第一融合特征信息进行解码操作，并输出参考图像序列对应的分析结果；共用层将第二图像特征信息与第一图像特征信息进行融合处理得到第二融合特征信息，并将第二融合特征信息输入到第二通道，第二通道对第二融合特征信息进行解码操作，并输出变换图像序列对应的分析结果。
在其中一个实施例中，上述分析子模块，具体用于共用层对第一图像特征信息和第二图像特征信息进行加权求和处理，得到第一融合特征信息；共用层对第二图像特征信息和第一图像特征信息进行加权求和处理，得到第二融合特征信息。
在其中一个实施例中，该装置还包括：
样本获取模块，用于获取训练样本集；训练样本集包括参考样本和变换样本，以及参考样本对应的第一标注和变换样本对应的第二标注；
训练模块，用于基于训练样本集进行神经网络模型的训练，得到血管分析模型。
在其中一个实施例中，该装置还包括：
采样模块，用于分别对参考图像序列和变换图像序列进行采样，得到采样后的参考图像序列和采样后的变换图像序列；
对应地，分析子模块，具体用于将采样后的参考图像序列和采样后的变换图像序列输入到血管分析模型中。
在其中一个实施例中，图像序列包括TOF图像序列、MRA图像序列、T1增强图像序列、T1图像序列、T2图像序列、质子密度图像序列中的至少一种；
血管分析模型包括血管中心线提取模型、血管轮廓分割模型和斑块分割模型中的至少一种；
分析结果包括血管中心线提取结果、血管轮廓分割结果和斑块分割结果中的至少一种。
关于血管分析装置的具体限定可以参见上文中对于血管分析方法的限定，在此不再赘述。上述血管分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种血管分析方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取多个图像序列；
利用预先训练的血管分析模型对多个图像序列进行分析，得到各图像序列对应的分析结果；
其中，血管分析模型具有多个通道，并且血管分析模型对多个图像序列的图像特征信息进行融合处理。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对多个图像序列进行配准，得到参考图像序列和变换图像序列；
将参考图像序列和变换图像序列输入到血管分析模型中，得到血管分析模型输出的参考图像序列对应的分析结果和变换图像序列对应的分析结果。
在一个实施例中，多个通道的交叉处存在可配置的共用层，处理器执行计算机程序时还实现以下步骤：
将参考图像序列和变换图像序列输入到血管分析模型中，血管分析模型的第一通道对参考图像序列进行编码操作得到第一图像特征信息，血管分析模型的第二通道对变换图像序列进行编码操作得到第二图像特征信息；
第一通道和第二通道分别将第一图像特征信息和第二图像特征信息输入到共用层；
共用层将第一图像特征信息与第二图像特征信息进行融合处理得到第一融合特征信息，并将第一融合特征信息输入到第一通道，第一通道对第一融合特征信息进行解码操作，并输出参考图像序列对应的分析结果；
共用层将第二图像特征信息与第一图像特征信息进行融合处理得到第二融合特征信息，并将第二融合特征信息输入到第二通道，第二通道对第二融合特征信息进行解码操作，并输出变换图像序列对应的分析结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
共用层对第一图像特征信息和第二图像特征信息进行加权求和处理，得到第一融合特征信息；
共用层对第二图像特征信息和第一图像特征信息进行加权求和处理，得到第二融合特征信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取训练样本集；训练样本集包括参考样本和变换样本，以及参考样本对应的第一标注和变换样本对应的第二标注；
基于训练样本集进行神经网络模型的训练，得到血管分析模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
分别对参考图像序列和变换图像序列进行采样，得到采样后的参考图像序列和采样后的变换图像序列；
将采样后的参考图像序列和采样后的变换图像序列输入到血管分析模型中。
在一个实施例中，图像序列包括TOF图像序列、MRA图像序列、T1增强图像序列、T1图像序列、T2图像序列、质子密度图像序列中的至少一种；
血管分析模型包括血管中心线提取模型、血管轮廓分割模型和斑块分割模型中的至少一种；
分析结果包括血管中心线提取结果、血管轮廓分割结果和斑块分割结果中的至少一种。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取多个图像序列；
利用预先训练的血管分析模型对多个图像序列进行分析，得到各图像序列对应的分析结果；
其中，血管分析模型具有多个通道，并且血管分析模型对多个图像序列的图像特征信息进行融合处理。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对多个图像序列进行配准，得到参考图像序列和变换图像序列；
将参考图像序列和变换图像序列输入到血管分析模型中，得到血管分析模型输出的参考图像序列对应的分析结果和变换图像序列对应的分析结果。
在一个实施例中，多个通道的交叉处存在可配置的共用层，计算机程序被处理器执行时还实现以下步骤：
将参考图像序列和变换图像序列输入到血管分析模型中，血管分析模型的第一通道对参考图像序列进行编码操作得到第一图像特征信息，血管分析模型的第二通道对变换图像序列进行编码操作得到第二图像特征信息；
第一通道和第二通道分别将第一图像特征信息和第二图像特征信息输入到共用层；
共用层将第一图像特征信息与第二图像特征信息进行融合处理得到第一融合特征信息，并将第一融合特征信息输入到第一通道，第一通道对第一融合特征信息进行解码操作，并输出参考图像序列对应的分析结果；
共用层将第二图像特征信息与第一图像特征信息进行融合处理得到第二融合特征信息，并将第二融合特征信息输入到第二通道，第二通道对第二融合特征信息进行解码操作，并输出变换图像序列对应的分析结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
共用层对第一图像特征信息和第二图像特征信息进行加权求和处理，得到第一融合特征信息；
共用层对第二图像特征信息和第一图像特征信息进行加权求和处理，得到第二融合特征信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取训练样本集；训练样本集包括参考样本和变换样本，以及参考样本对应的第一标注和变换样本对应的第二标注；
基于训练样本集进行神经网络模型的训练，得到血管分析模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
分别对参考图像序列和变换图像序列进行采样，得到采样后的参考图像序列和采样后的变换图像序列；
将采样后的参考图像序列和采样后的变换图像序列输入到血管分析模型中。
在一个实施例中，图像序列包括TOF图像序列、MRA图像序列、T1增强图像序列、T1图像序列、T2图像序列、质子密度图像序列中的至少一种；
血管分析模型包括血管中心线提取模型、血管轮廓分割模型和斑块分割模型中的至少一种；
分析结果包括血管中心线提取结果、血管轮廓分割结果和斑块分割结果中的至少一种。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种血管分析方法，其特征在于，所述方法包括：
获取多个图像序列；
利用预先训练的血管分析模型对所述多个图像序列进行分析，得到各所述图像序列对应的分析结果；
其中，所述血管分析模型具有多个通道，并且所述血管分析模型对所述多个图像序列的图像特征信息进行融合处理。
2.根据权利要求1所述的方法，其特征在于，所述利用预先训练的血管分析模型对所述多个图像序列进行分析，得到各所述图像序列对应的分析结果，包括：
对所述多个图像序列进行配准，得到参考图像序列和变换图像序列；
将所述参考图像序列和所述变换图像序列输入到所述血管分析模型中，得到所述血管分析模型输出的所述参考图像序列对应的分析结果和所述变换图像序列对应的分析结果。
3.根据权利要求2所述的方法，其特征在于，所述多个通道的交叉处存在可配置的共用层，所述将所述参考图像序列和所述变换图像序列输入到所述血管分析模型中，得到所述血管分析模型输出的所述参考图像序列对应的分析结果和所述变换图像序列对应的分析结果，包括：
将所述参考图像序列和所述变换图像序列输入到所述血管分析模型中，所述血管分析模型的第一通道对所述参考图像序列进行编码操作得到第一图像特征信息，所述血管分析模型的第二通道对所述变换图像序列进行编码操作得到第二图像特征信息；
所述第一通道和所述第二通道分别将所述第一图像特征信息和所述第二图像特征信息输入到所述共用层；
所述共用层将所述第一图像特征信息与所述第二图像特征信息进行融合处理得到第一融合特征信息，并将所述第一融合特征信息输入到所述第一通道，所述第一通道对所述第一融合特征信息进行解码操作，并输出所述参考图像序列对应的分析结果；
所述共用层将所述第二图像特征信息与所述第一图像特征信息进行融合处理得到第二融合特征信息，并将所述第二融合特征信息输入到所述第二通道，所述第二通道对所述第二融合特征信息进行解码操作，并输出所述变换图像序列对应的分析结果。
4.根据权利要求3所述的方法，其特征在于，所述共用层将所述第一图像特征信息与所述第二图像特征信息进行融合处理得到第一融合特征信息，包括：
所述共用层对所述第一图像特征信息和所述第二图像特征信息进行加权求和处理，得到所述第一融合特征信息；
所述共用层将所述第二图像特征信息与所述第一图像特征信息进行融合处理得到第二融合特征信息，包括：
所述共用层对所述第二图像特征信息和所述第一图像特征信息进行加权求和处理，得到所述第二融合特征信息。
5.根据权利要求2所述的方法，其特征在于，所述血管分析模型的训练过程包括：
获取训练样本集；所述训练样本集包括参考样本和变换样本，以及所述参考样本对应的第一标注和所述变换样本对应的第二标注；
基于所述训练样本集进行神经网络模型的训练，得到所述血管分析模型。
6.根据权利要求2所述的方法，其特征在于，在所述将所述参考图像序列和所述变换图像序列输入到所述血管分析模型中之前，所述方法还包括：
分别对所述参考图像序列和所述变换图像序列进行采样，得到采样后的参考图像序列和采样后的变换图像序列；
对应地，所述将所述参考图像序列和所述变换图像序列输入到所述血管分析模型中，包括：
将所述采样后的参考图像序列和所述采样后的变换图像序列输入到所述血管分析模型中。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述图像序列包括TOF图像序列、MRA图像序列、T1增强图像序列、T1图像序列、T2图像序列、质子密度图像序列中的至少一种；
所述血管分析模型包括血管中心线提取模型、血管轮廓分割模型和斑块分割模型中的至少一种；
所述分析结果包括血管中心线提取结果、血管轮廓分割结果和斑块分割结果中的至少一种。
8.一种血管分析装置，其特征在于，所述装置包括：
图像获取模块，用于获取多个图像序列；
分析模块，用于利用预先训练的血管分析模型对所述多个图像序列进行分析，得到各所述图像序列对应的分析结果；
其中，所述血管分析模型具有多个通道，并且所述血管分析模型对所述多个图像序列的图像特征信息进行融合处理。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110477060.2A 2021-04-29 2021-04-29 血管分析方法、装置、计算机设备和存储介质 Active CN113192031B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110477060.2A CN113192031B (zh) 2021-04-29 2021-04-29 血管分析方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110477060.2A CN113192031B (zh) 2021-04-29 2021-04-29 血管分析方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN113192031A true CN113192031A (zh) 2021-07-30
CN113192031B CN113192031B (zh) 2023-05-30

Family

ID=76980846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110477060.2A Active CN113192031B (zh) 2021-04-29 2021-04-29 血管分析方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113192031B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114677396A (zh) * 2022-05-27 2022-06-28 天津远景科技服务有限公司 图像处理方法、图像处理设备与计算机可读存储介质
CN115272165A (zh) * 2022-05-10 2022-11-01 推想医疗科技股份有限公司 图像的特征提取方法、图像分割模型的训练方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978838A (zh) * 2019-03-08 2019-07-05 腾讯科技（深圳）有限公司 图像区域定位方法、装置和医学图像处理设备
CN111091567A (zh) * 2020-03-23 2020-05-01 南京景三医疗科技有限公司 医学图像配准方法、医疗设备及存储介质
CN111488872A (zh) * 2020-03-31 2020-08-04 腾讯科技（深圳）有限公司 图像检测方法、装置、计算机设备和存储介质
CN111680447A (zh) * 2020-04-21 2020-09-18 深圳睿心智能医疗科技有限公司 血流特征预测方法、装置、计算机设备和存储介质
CN111681205A (zh) * 2020-05-08 2020-09-18 上海联影智能医疗科技有限公司 图像分析方法、计算机设备和存储介质
CN112634211A (zh) * 2020-12-14 2021-04-09 上海健康医学院 基于多个神经网络的mri图像分割方法、装置及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978838A (zh) * 2019-03-08 2019-07-05 腾讯科技（深圳）有限公司 图像区域定位方法、装置和医学图像处理设备
CN111091567A (zh) * 2020-03-23 2020-05-01 南京景三医疗科技有限公司 医学图像配准方法、医疗设备及存储介质
CN111488872A (zh) * 2020-03-31 2020-08-04 腾讯科技（深圳）有限公司 图像检测方法、装置、计算机设备和存储介质
CN111680447A (zh) * 2020-04-21 2020-09-18 深圳睿心智能医疗科技有限公司 血流特征预测方法、装置、计算机设备和存储介质
CN111681205A (zh) * 2020-05-08 2020-09-18 上海联影智能医疗科技有限公司 图像分析方法、计算机设备和存储介质
CN112634211A (zh) * 2020-12-14 2021-04-09 上海健康医学院 基于多个神经网络的mri图像分割方法、装置及设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272165A (zh) * 2022-05-10 2022-11-01 推想医疗科技股份有限公司 图像的特征提取方法、图像分割模型的训练方法和装置
CN115272165B (zh) * 2022-05-10 2023-09-26 推想医疗科技股份有限公司 图像的特征提取方法、图像分割模型的训练方法和装置
CN114677396A (zh) * 2022-05-27 2022-06-28 天津远景科技服务有限公司 图像处理方法、图像处理设备与计算机可读存储介质

Also Published As

Publication number Publication date
CN113192031B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN110321920B (zh) 图像分类方法、装置、计算机可读存储介质和计算机设备
CN109993726B (zh) 医学图像的检测方法、装置、设备和存储介质
CN109754447B (zh) 图像生成方法、装置、设备和存储介质
CN110310256B (zh) 冠脉狭窄检测方法、装置、计算机设备和存储介质
CN111161270B (zh) 医学影像的血管分割方法、计算机设备和可读存储介质
CN111080584B (zh) 医学图像的质控方法、计算机设备和可读存储介质
CN111445449B (zh) 感兴趣区域的分类方法、装置、计算机设备和存储介质
CN111325714B (zh) 感兴趣区域的处理方法、计算机设备和可读存储介质
Hammouda et al. A new framework for performing cardiac strain analysis from cine MRI imaging in mice
CN110728673A (zh) 一种目标部位分析方法、装置、计算机设备及存储介质
CN111028212B (zh) 关键点检测方法、装置、计算机设备和存储介质
CN113192031B (zh) 血管分析方法、装置、计算机设备和存储介质
CN110210519B (zh) 分类方法、计算机设备和存储介质
CN111951276A (zh) 图像分割方法、装置、计算机设备和存储介质
CN113362272A (zh) 具有不确定性估计的医学图像分割
CN110910335B (zh) 一种图像处理方法、图像处理设备及计算机可读存储介质
CN110619635A (zh) 基于深度学习的肝细胞癌磁共振图像分割系统和方法
US8306354B2 (en) Image processing apparatus, method, and program
CN110751187A (zh) 异常区域图像生成网络的训练方法和相关产品
KR101919847B1 (ko) 동일 피사체에 대하여 시간 간격을 두고 촬영된 영상 간에 동일 관심구역을 자동으로 검출하는 방법 및 이를 이용한 장치
CN111223158B (zh) 心脏冠脉图像的伪影校正方法和可读存储介质
CN113487536A (zh) 图像分割方法、计算机设备和存储介质
CN112102235A (zh) 人体部位识别方法、计算机设备和存储介质
CN111951272A (zh) 脑部影像的分割方法、装置、计算机设备和可读存储介质
CN111243052A (zh) 图像重建方法、装置、计算机设备和存储介质

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