CN113205508B - 一种基于影像数据的分割方法、装置以及设备 - Google Patents
一种基于影像数据的分割方法、装置以及设备 Download PDFInfo
- Publication number
- CN113205508B CN113205508B CN202110553898.5A CN202110553898A CN113205508B CN 113205508 B CN113205508 B CN 113205508B CN 202110553898 A CN202110553898 A CN 202110553898A CN 113205508 B CN113205508 B CN 113205508B
- Authority
- CN
- China
- Prior art keywords
- data
- training set
- set data
- label
- image data
- 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.)
- Active
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
- 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/30008—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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/404—Angiography
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本说明书实施例公开了一种基于影像数据的分割方法、装置以及设备。所述方法包括:获取待处理的CTA影像数据;将所述待处理的CTA影像数据输入分割模型中,对所述待处理的CTA影像数据进行分割,获得三分割结果,其中,所述分割模型是基于半自动标注方法,经过神经网络训练预先获得的三分割模型,所述三分割结果为所述待处理的CTA影像数据的骨组织的分割结果,血管的分割结果和钙化组织的分割结果。采用本说明书提供的分割方法,能够自动实现骨组织、钙化组织及血管的分割,大幅度节省分析时间,而且准确性较高。
Description
技术领域
本说明书涉及医学影像及计算机技术领域,尤其涉及一种基于影像数据的分割方法、装置以及设备。
背景技术
CTA(计算机断层扫描血管造影术)影像数据在临床中具有重要应用,可作为颅内动脉瘤的临床治疗的辅助诊断手段。由于颅脑影像中的骨组织会影响到临床诊断结果,为了实现较佳的诊断结果、减少诊断误差,往往需要去除颅脑影像数据中的骨组织。
现有技术中,CTA影像数据的去骨,一般采用两组图像,通过做差处理去除骨组织。具体地,利用平扫CT影像数据(NCCT)及CTA影像数据,其中,NCCT影像为不需要注射造影剂的图像,CTA影像为注射造影剂的图像,利用CTA影像数据与CTA影像数据进行做差处理,得到去骨后的图像,继而通过阈值分割等方法,进行血管组织的提取。这种对CTA影像去骨,提取血管的方法,需要进行两次CT扫描,增加了患者的辐射量;患者如果移动,造成去骨图像位置不匹配,导致去骨效果变差,甚至需要重新扫描;而且这种方法误差较大。另外,由于血管的钙化亮度与颅骨相当,这种方法,难以将钙化部位与骨组织区分开,尤其是在血管入颅段等区域。
因此,需要一种新的方法,能够实现骨组织、钙化组织及血管的分割。
发明内容
本说明书实施例提供一种基于影像数据的分割方法、装置以及设备,用于解决以下技术问题:需要进行两次CT扫描,增加了患者的辐射量;易出现去骨图像位置不匹配,导致去骨效果变差,甚至需要重新扫描;误差较大,且难以将钙化部位与骨组织区分开。
为解决上述技术问题,本说明书实施例是这样实现的:
本说明书实施例提供一种基于影像数据的分割方法,包括:
获取待处理的CTA影像数据;
将所述待处理的CTA影像数据输入分割模型中,对所述待处理的CTA影像数据进行分割,获得三分割结果,其中,所述分割模型是基于半自动标注方法,经过神经网络训练预先获得的三分割模型,所述三分割结果为所述待处理的CTA影像数据的骨组织的分割结果,血管的分割结果和钙化组织的分割结果。
进一步地,所述分割模型是基于半自动标注方法,经过神经网络训练预先获得的三分割模型,具体包括:
对训练集数据通过半自动标注的方法添加标签,获得标注的训练集数据,其中,所述训练集数据包括NCCT影像数据及与所述NCCT影像数据对应的CTA影像数据,所述标签包括骨组织的标签、血管的标签及钙化组织的标签;
将所述标注的训练集数据及所述训练集数据中的CTA影像数据输入卷积神经网络中进行训练,获得分割模型。
进一步地,所述对训练集数据通过半自动标注的方法添加标签,获得标注的训练集数据,具体包括:
基于所述训练集数据中的NCCT影像数据中的骨组织的位置,获得所述训练集数据的骨组织的第一标签数据,所述训练集数据的骨组织的第一标签数据作为所述训练集数据的骨组织的标签数据;
基于所述训练集数据中的CTA影像数据中的血管的位置,获得所述训练集数据的血管的标签数据;
基于所述训练集数据的骨组织的第一标签数据及所述训练集数据的血管的标签数据,获得所述训练集数据的钙化组织的标签数据。
进一步地,所述基于所述训练集数据中的NCCT影像数据中的骨组织的位置,获得所述训练集数据的骨组织的第一标签数据,具体包括:
对所述训练集数据中的NCCT影像数据进行阈值分割,获得所述训练集数据的骨组织的第一标签数据。
进一步地,所述基于所述训练集数据中的CTA影像数据中的血管的位置,获得所述训练集数据的血管的标签数据,具体包括:
将所述训练集数据中的CTA影像数据与所述训练集数据中的NCCT影像数据进行做差操作后,采用血管阈值算法,获得所述训练集数据中的CTA影像数据中的血管的位置。
进一步地,所述获得所述训练集数据的钙化组织的标签数据,进一步包括:
对所述训练集数据的钙化组织的标签数据进行人工识别,作为最终的训练集数据的钙化组织的标签数据。
进一步地,所述基于所述训练集数据的骨组织的第一标签数据及所述训练集数据的血管的标签数据,获得所述训练集数据的钙化组织的标签数据,具体包括:
对所述训练集数据的骨组织的第一标签数据进行连通域分析,获得所述训练集数据的连通域标签数据;
从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后,与所述训练集数据的血管标签数据进行重叠分析,获得所述训练集数据的钙化组织的标签数据。
进一步地,所述从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后,与所述训练集数据的血管标签数据进行重叠分析,获得所述训练集数据的钙化组织的标签数据,具体包括:
从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后,与经过膨胀操作的所述训练集数据的血管标签数据进行重叠分析,获得所述训练集数据的钙化组织的标签数据。
进一步地,所述方法进一步包括:
从所述训练集数据的骨组织的第一标签数据中去除所述训练集数据的钙化组织的标签数据,获得所述训练集数据的骨组织的第二标签数据,所述训练集数据的骨组织的第二标签数据作为所述训练集数据的骨组织的标签数据。
本说明书实施例还提供一种基于影像数据的分割装置,包括:
获取模块,获取待处理的CTA影像数据;
分割模块,将所述待处理的CTA影像数据输入分割模型中,对所述待处理的CTA影像数据进行分割,获得三分割结果,其中,所述分割模型是基于半自动标注方法,经过神经网络训练预先获得的三分割模型,所述三分割结果为所述待处理的CTA影像数据的骨组织的分割结果,血管的分割结果和钙化组织的分割结果。
进一步地,所述分割模型是基于半自动标注方法,经过神经网络训练预先获得的三分割模型,具体包括:
对训练集数据通过半自动标注的方法添加标签,获得标注的训练集数据,其中,所述训练集数据包括NCCT影像数据及与所述NCCT影像数据对应的CTA影像数据,所述标签包括骨组织的标签、血管的标签及钙化组织的标签;
将所述标注的训练集数据及所述训练集数据中的CTA影像数据输入卷积神经网络中进行训练,获得分割模型。
进一步地,所述对训练集数据通过半自动标注的方法添加标签,获得标注的训练集数据,具体包括:
基于所述训练集数据中的NCCT影像数据中的骨组织的位置,获得所述训练集数据的骨组织的第一标签数据,所述训练集数据的骨组织的第一标签数据作为所述训练集数据的骨组织的标签数据;
基于所述训练集数据中的CTA影像数据中的血管的位置,获得所述训练集数据的血管的标签数据;
基于所述训练集数据的骨组织的第一标签数据及所述训练集数据的血管的标签数据,获得所述训练集数据的钙化组织的标签数据。
进一步地,所述基于所述训练集数据中的NCCT影像数据中的骨组织的位置,获得所述训练集数据的骨组织的第一标签数据,具体包括:
对所述训练集数据中的NCCT影像数据进行阈值分割,获取所述训练集数据中的NCCT影像数据的骨组织的位置;
对所述训练集数据中的NCCT影像数据的骨组织的位置进行标注,获得所述训练集数据的骨组织的第一标签数据。
进一步地,所述基于所述训练集数据中的CTA影像数据中的血管的位置,获得所述训练集数据的血管的标签数据,具体包括:
将所述训练集数据中的CTA影像数据与所述训练集数据中的NCCT影像数据进行做差操作后,采用血管阈值算法,获得所述训练集数据中的CTA影像数据中的血管的位置。
进一步地,所述获得所述训练集数据的钙化组织的标签数据,进一步包括:
对所述训练集数据的钙化组织的标签数据进行人工识别,作为最终的训练集数据的钙化组织的标签数据。
进一步地,所述基于所述训练集数据的骨组织的第一标签数据及所述训练集数据的血管的标签数据,获得所述训练集数据的钙化组织的标签数据,具体包括:
对所述训练集数据的骨组织的第一标签数据进行连通域分析,获得所述训练集数据的连通域标签数据;
从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后,与所述训练集数据的血管标签数据进行重叠分析,获得所述训练集数据的钙化组织的标签数据。
进一步地,所述从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后,与所述训练集数据的血管标签数据进行重叠分析,获得所述训练集数据的钙化组织的标签数据,具体包括:
从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后,与经过膨胀操作的所述训练集数据的血管标签数据进行重叠分析,获得所述训练集数据的钙化组织的标签数据。
进一步地,所述装置进一步包括:
从所述训练集数据的骨组织的第一标签数据中去除所述训练集数据的钙化组织的标签数据,获得所述训练集数据的骨组织的第二标签数据,所述训练集数据的骨组织的第二标签数据作为所述训练集数据的骨组织的标签数据。
本说明书实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取待处理的CTA影像数据;
将所述待处理的CTA影像数据输入分割模型中,对所述待处理的CTA影像数据进行分割,获得三分割结果,其中,所述分割模型是基于半自动标注方法,经过神经网络训练预先获得的三分割模型,所述三分割结果为所述待处理的CTA影像数据的骨组织的分割结果,血管的分割结果和钙化组织的分割结果。
进一步地,所述分割模型是基于半自动标注方法,经过神经网络训练预先获得的三分割模型,具体包括:
对训练集数据通过半自动标注的方法添加标签,获得标注的训练集数据,其中,所述训练集数据包括NCCT影像数据及与所述NCCT影像数据对应的CTA影像数据,所述标签包括骨组织的标签、血管的标签及钙化组织的标签;
将所述标注的训练集数据及所述训练集数据中的CTA影像数据输入卷积神经网络中进行训练,获得分割模型。
进一步地,所述对训练集数据通过半自动标注的方法添加标签,获得标注的训练集数据,具体包括:
基于所述训练集数据中的NCCT影像数据中的骨组织的位置,获得所述训练集数据的骨组织的第一标签数据,所述训练集数据的骨组织的第一标签数据作为所述训练集数据的骨组织的标签数据;
基于所述训练集数据中的CTA影像数据中的血管的位置,获得所述训练集数据的血管的标签数据;
基于所述训练集数据的骨组织的第一标签数据及所述训练集数据的血管的标签数据,获得所述训练集数据的钙化组织的标签数据。
进一步地,所述基于所述训练集数据中的NCCT影像数据中的骨组织的位置,获得所述训练集数据的骨组织的第一标签数据,具体包括:
对所述训练集数据中的NCCT影像数据进行阈值分割,获得所述训练集数据的骨组织的第一标签数据。
进一步地,所述基于所述训练集数据中的CTA影像数据中的血管的位置,获得所述训练集数据的血管的标签数据,具体包括:
将所述训练集数据中的CTA影像数据与所述训练集数据中的NCCT影像数据进行做差操作后,采用血管阈值算法,获得所述训练集数据中的CTA影像数据中的血管的位置。
进一步地,所述获得所述训练集数据的钙化组织的标签数据,进一步包括:
对所述训练集数据的钙化组织的标签数据进行人工识别,作为最终的训练集数据的钙化组织的标签数据。
进一步地,所述基于所述训练集数据的骨组织的第一标签数据及所述训练集数据的血管的标签数据,获得所述训练集数据的钙化组织的标签数据,具体包括:
对所述训练集数据的骨组织的第一标签数据进行连通域分析,获得所述训练集数据的连通域标签数据;
从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后,与所述训练集数据的血管标签数据进行重叠分析,获得所述训练集数据的钙化组织的标签数据。
进一步地,所述从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后,与所述训练集数据的血管标签数据进行重叠分析,获得所述训练集数据的钙化组织的标签数据,具体包括:
从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后,与经过膨胀操作的所述训练集数据的血管标签数据进行重叠分析,获得所述训练集数据的钙化组织的标签数据。
进一步地,所述方法进一步包括:
从所述训练集数据的骨组织的第一标签数据中去除所述训练集数据的钙化组织的标签数据,获得所述训练集数据的骨组织的第二标签数据,所述训练集数据的骨组织的第二标签数据作为所述训练集数据的骨组织的标签数据。
本说明书实施例提供的一种基于影像数据的分割方法、装置以及设备,采用获取待处理的CTA影像数据;将所述待处理的CTA影像数据输入分割模型中,对所述待处理的CTA影像数据进行分割,获得三分割结果,其中,所述分割模型是基于半自动标注方法,经过神经网络训练预先获得的三分割模型,所述三分割结果为所述待处理的CTA影像数据的骨组织的分割结果,血管的分割结果和钙化组织的分割结果,从而能够自动实现骨组织、钙化组织及血管的分割,大幅度节省分析时间,而且准确性较高。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的一种基于影像数据的分割方法的示意图;
图2为本说明书实施例提供的半自动标注的示意图;
图3为本说明书实施例提供的训练三分割模型的结构框图;
图4为本说明书实施例提供的一种基于影像数据的分割方法的框图;
图5为本说明书实施例提供的一种基于影像数据的分割装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本说明书实施例,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,都应当属于本申请保护的范围。
图1为本说明书实施例提供的一种基于影像数据的分割方法的示意图,如图1所示,该方法包括:
步骤S101:获取待处理的CTA影像数据。
本说明书采用CTA影像数据作为待处理对象,实现骨组织,血管及钙化组织的分割。
步骤S103:将所述待处理的CTA影像数据输入分割模型中,对所述待处理的CTA影像数据进行分割,获得三分割结果,其中,所述分割模型是基于半自动标注方法,经过神经网络训练预先获得的三分割模型,所述三分割结果为所述待处理的CTA影像数据的骨组织的分割结果,血管的分割结果和钙化组织的分割结果。
本说明书实施例中,所述分割模型是基于半自动标注方法,经过神经网络训练预先获得的三分割模型,具体包括:
对训练集数据通过半自动标注的方法添加标签,获得标注的训练集数据,其中,所述训练集数据包括NCCT影像数据及与所述NCCT影像数据对应的CTA影像数据,所述标签包括骨组织的标签、血管的标签及钙化组织的标签;
将所述标注的训练集数据及所述训练集数据中的CTA影像数据输入卷积神经网络中进行训练,获得分割模型。
为了理解半自动标注的方法,下面将具体说明。
在本说明书实施例中,所述对训练集数据通过半自动标注的方法添加标签,获得标注的训练集数据,具体包括:
基于所述训练集数据中的NCCT影像数据中的骨组织的位置,获得所述训练集数据的骨组织的第一标签数据,所述训练集数据的骨组织的第一标签数据作为所述训练集数据的骨组织的标签数据;
基于所述训练集数据中的CTA影像数据中的血管的位置,获得所述训练集数据的血管的标签数据;
基于所述训练集数据的骨组织的第一标签数据及所述训练集数据的血管的标签数据,获得所述训练集数据的钙化组织的标签数据。
在本说明书的一个实施例中,采用阈值分割的方法,从NCCT影像数据中获得骨组织的位置。具体地,对所述训练集数据中的NCCT影像数据进行阈值分割,获得所述训练集数据的骨组织的第一标签数据。
在本说明书的又一个实施例中,采用神经网络训练的方法,从NCCT影像数据中获得骨组织的位置。具体地,所述基于所述训练集数据中的NCCT影像数据中的骨组织的位置,获得所述训练集数据的骨组织的第一标签数据,具体包括:
将所述训练集数据中的NCCT影像数据输入预先训练好的神经网络模型中,获得所述训练集数据的骨组织的第一标签数据。
骨组织的获取亦可以采用其他方法,骨组织的获取方法并不构成对本申请的具体限定。
在本说明书的一个实施例中,血管位置的获取采用血管阈值算法。具体的,所述基于所述训练集数据中的CTA影像数据中的血管的位置,获得所述训练集数据的血管的标签数据,具体包括:
将所述训练集数据中的CTA影像数据与所述训练集数据中的NCCT影像数据进行做差操作后,采用血管阈值算法,获得所述训练集数据中的CTA影像数据中的血管的位置。
在本说明书的又一个实施例中,血管位置的获取采用基于神经网络的方法获得。具体的,所述基于所述训练集数据中的CTA影像数据中的血管的位置,获得所述训练集数据的血管的标签数据,具体包括:
将所述训练集数据中的CTA影像数据输入预先训练好的血管提取模型中,提取所述训练集数据中的CTA影像数据中的血管组织,获得所述训练集数据中的CTA影像数据中的血管的位置。
在本说明书实施例中,钙化组织的位置的获取是基于前述步骤获取的训练集数据中的NCCT影像数据的骨组织的位置和训练集数据中的CTA影像数据中的血管的位置获得的。具体的,基于所述训练集数据的骨组织的第一标签数据及所述训练集数据的血管的标签数据,获得所述训练集数据的钙化组织的标签数据。在本说明书的一个实施例中,所述训练集数据的骨组织的第一标签数据及所述训练集数据的血管的标签数据,获得所述训练集数据的钙化组织的标签数据,具体包括:
对所述训练集数据的骨组织的第一标签数据进行连通域分析,获得所述训练集数据的连通域标签数据;
从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后,与所述训练集数据的血管标签数据进行重叠分析,获得所述训练集数据的钙化组织的标签数据。
在本说明书的一个实施例中,预设体积可以设置为20mm3所换算的对应的体素个数。
在本说明书的一个实施例中,所述从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后,与所述训练集数据的血管标签数据进行重叠分析,获得所述训练集数据的钙化组织的标签数据,具体包括:
从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后,与经过膨胀操作的所述训练集数据的血管标签数据进行重叠分析,获得所述训练集数据的钙化组织的标签数据。
在本说明书实施例中,将训练集数据的血管标签数据进行膨胀操作后,能够扩大血管标签数据的范围,从而找到血管周边的预设体积的骨组织的标签数据,以得到钙化组织的标签数据。在具体实施过程中,进行膨胀操作的膨胀次数可以人为设置。
为了保证获得的训练集数据的钙化组织的标签数据的准确性,还需要进一步采用人工识别的方法,进行钙化组织的标签数据的修改或者确认。具体的,所述获得所述训练集数据的钙化组织的标签数据,进一步包括:
对所述训练集数据的钙化组织的标签数据进行人工识别,作为最终的训练集数据的钙化组织的标签数据。
采用该方法获取的钙化组织的标签数据更加准确。
为了更好的理解本说明书实施例提供的训练集数据中的骨组织的标签数据、血管的标签数据及钙化组织的标签数据的获得步骤,下面将结合具体的示意图予以说明。图2为本说明书实施例提供的半自动标注的示意图,如图2所示,基于训练集数据中的NCCT影像数据获得骨组织标签数据,基于训练集数据中的CTA影像数据获得血管标签数据,进一步根据骨组织的位置及血管标签数据进行重叠分析,并进行人工识别,获得训练集数据的钙化组织的标签数据。
由于采用上述方法获得的骨标签数据中,存在钙化组织的标签数据,结果并不准确,因此,需要从骨标签数据中去除钙化组织的标签数据。具体地,从所述训练集数据的骨组织的第一标签数据中去除所述训练集数据的钙化组织的标签数据,获得所述训练集数据的骨组织的第二标签数据,所述训练集数据的骨组织的第二标签数据作为所述训练集数据的骨组织的标签数据。
基于上述方法,获得训练集数据中的骨组织的标签数据、血管的标签数据及钙化组织的标签数据后,将该标签数据及CTA影像数据一起输入神经网络模型中进行训练,获得三分割模型。
为了进一步理解三分割模型训练过程中的输入,下面将结合具体的示意图予以说明。图3为本说明书实施例提供的训练三分割模型的结构框图,如图3所示,训练集数据的CTA影像数据、训练集数据中的骨组织的标签数据、训练集数据中的血管的标签数据及训练集数据中的钙化组织的标签数据共同作为输入,输入到神经网络模型中进行训练。
为了进一步理解本说明书实施例提供的分割方法,下面将进一步进行说明。图4为本说明书实施例提供的一种基于影像数据的分割方法的框图,如图4所示,待处理的CTA影像数据输入三分割模型,输出为待处理的CTA影像数据的骨组织的分割结果,血管的分割结果和钙化组织的分割结果。
采用本说明书实施例提供的分割方法,能够自动实现骨组织、钙化组织及血管的分割,大幅度节省分析时间,而且准确性较高。
上述内容详细说明了一种基于影像数据的分割方法,与之相应的,本说明书还提供了一种基于影像数据的分割装置,如图5所示。图5为本说明书实施例提供的一种基于影像数据的分割装置的示意图,该装置包括:
获取模块501,获取待处理的CTA影像数据;
分割模块503,将所述待处理的CTA影像数据输入分割模型中,对所述待处理的CTA影像数据进行分割,获得三分割结果,其中,所述分割模型是基于半自动标注方法,经过神经网络训练预先获得的三分割模型,所述三分割结果为所述待处理的CTA影像数据的骨组织的分割结果,血管的分割结果和钙化组织的分割结果。
进一步地,所述分割模型是基于半自动标注方法,经过神经网络训练预先获得的三分割模型,具体包括:
对训练集数据通过半自动标注的方法添加标签,获得标注的训练集数据,其中,所述训练集数据包括NCCT影像数据及与所述NCCT影像数据对应的CTA影像数据,所述标签包括骨组织的标签、血管的标签及钙化组织的标签;
将所述标注的训练集数据及所述训练集数据中的CTA影像数据输入卷积神经网络中进行训练,获得分割模型。
进一步地,所述对训练集数据通过半自动标注的方法添加标签,获得标注的训练集数据,具体包括:
基于所述训练集数据中的NCCT影像数据中的骨组织的位置,获得所述训练集数据的骨组织的第一标签数据,所述训练集数据的骨组织的第一标签数据作为所述训练集数据的骨组织的标签数据;
基于所述训练集数据中的CTA影像数据中的血管的位置,获得所述训练集数据的血管的标签数据;
基于所述训练集数据的骨组织的第一标签数据及所述训练集数据的血管的标签数据,获得所述训练集数据的钙化组织的标签数据。
进一步地,所述基于所述训练集数据中的NCCT影像数据中的骨组织的位置,获得所述训练集数据的骨组织的第一标签数据,具体包括:
对所述训练集数据中的NCCT影像数据进行阈值分割,获得所述训练集数据的骨组织的第一标签数据。
进一步地,所述基于所述训练集数据中的CTA影像数据中的血管的位置,获得所述训练集数据的血管的标签数据,具体包括:
将所述训练集数据中的CTA影像数据与所述训练集数据中的NCCT影像数据进行做差操作后,采用血管阈值算法,获得所述训练集数据中的CTA影像数据中的血管的位置。
进一步地,所述获得所述训练集数据的钙化组织的标签数据,进一步包括:
对所述训练集数据的钙化组织的标签数据进行人工识别,作为最终的训练集数据的钙化组织的标签数据。
进一步地,所述基于所述训练集数据的骨组织的第一标签数据及所述训练集数据的血管的标签数据,获得所述训练集数据的钙化组织的标签数据,具体包括:
对所述训练集数据的骨组织的第一标签数据进行连通域分析,获得所述训练集数据的连通域标签数据;
从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后,与所述训练集数据的血管标签数据进行重叠分析,获得所述训练集数据的钙化组织的标签数据。
进一步地,所述从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后,与所述训练集数据的血管标签数据进行重叠分析,获得所述训练集数据的钙化组织的标签数据,具体包括:
从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后,与经过膨胀操作的所述训练集数据的血管标签数据进行重叠分析,获得所述训练集数据的钙化组织的标签数据。
进一步地,所述装置进一步包括:
从所述训练集数据的骨组织的第一标签数据中去除所述训练集数据的钙化组织的标签数据,获得所述训练集数据的骨组织的第二标签数据,所述训练集数据的骨组织的第二标签数据作为所述训练集数据的骨组织的标签数据。
本说明书实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取待处理的CTA影像数据;
将所述待处理的CTA影像数据输入分割模型中,对所述待处理的CTA影像数据进行分割,获得三分割结果,其中,所述分割模型是基于半自动标注方法,经过神经网络训练预先获得的三分割模型,所述三分割结果为所述待处理的CTA影像数据的骨组织的分割结果,血管的分割结果和钙化组织的分割结果。
进一步地,所述分割模型是基于半自动标注方法,经过神经网络训练预先获得的三分割模型,具体包括:
对训练集数据通过半自动标注的方法添加标签,获得标注的训练集数据,其中,所述训练集数据包括NCCT影像数据及与所述NCCT影像数据对应的CTA影像数据,所述标签包括骨组织的标签、血管的标签及钙化组织的标签;
将所述标注的训练集数据及所述训练集数据中的CTA影像数据输入卷积神经网络中进行训练,获得分割模型。
进一步地,所述对训练集数据通过半自动标注的方法添加标签,获得标注的训练集数据,具体包括:
基于所述训练集数据中的NCCT影像数据中的骨组织的位置,获得所述训练集数据的骨组织的第一标签数据,所述训练集数据的骨组织的第一标签数据作为所述训练集数据的骨组织的标签数据;
基于所述训练集数据中的CTA影像数据中的血管的位置,获得所述训练集数据的血管的标签数据;
基于所述训练集数据的骨组织的第一标签数据及所述训练集数据的血管的标签数据,获得所述训练集数据的钙化组织的标签数据。
进一步地,所述基于所述训练集数据中的NCCT影像数据中的骨组织的位置,获得所述训练集数据的骨组织的第一标签数据,具体包括:
对所述训练集数据中的NCCT影像数据进行阈值分割,获得所述训练集数据的骨组织的第一标签数据。
进一步地,所述基于所述训练集数据中的CTA影像数据中的血管的位置,获得所述训练集数据的血管的标签数据,具体包括:
将所述训练集数据中的CTA影像数据与所述训练集数据中的NCCT影像数据进行做差操作后,采用血管阈值算法,获得所述训练集数据中的CTA影像数据中的血管的位置。
进一步地,所述获得所述训练集数据的钙化组织的标签数据,进一步包括:
对所述训练集数据的钙化组织的标签数据进行人工识别,作为最终的训练集数据的钙化组织的标签数据。
进一步地,所述基于所述训练集数据的骨组织的第一标签数据及所述训练集数据的血管的标签数据,获得所述训练集数据的钙化组织的标签数据,具体包括:
对所述训练集数据的骨组织的第一标签数据进行连通域分析,获得所述训练集数据的连通域标签数据;
从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后,与所述训练集数据的血管标签数据进行重叠分析,获得所述训练集数据的钙化组织的标签数据。
进一步地,所述从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后,与所述训练集数据的血管标签数据进行重叠分析,获得所述训练集数据的钙化组织的标签数据,具体包括:
从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后,与经过膨胀操作的所述训练集数据的血管标签数据进行重叠分析,获得所述训练集数据的钙化组织的标签数据。
进一步地,所述方法进一步包括:
从所述训练集数据的骨组织的第一标签数据中去除所述训练集数据的钙化组织的标签数据,获得所述训练集数据的骨组织的第二标签数据,所述训练集数据的骨组织的第二标签数据作为所述训练集数据的骨组织的标签数据。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的,因此,装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于影像数据的分割方法,其特征在于,所述方法包括:
获取待处理的CTA影像数据;
将所述待处理的CTA影像数据输入分割模型中,对所述待处理的CTA影像数据进行分割,获得三分割结果,其中,所述分割模型是基于半自动标注方法,经过神经网络训练预先获得的三分割模型,所述三分割结果为所述待处理的CTA影像数据的骨组织的分割结果,血管的分割结果和钙化组织的分割结果;
所述分割模型是基于半自动标注方法,经过神经网络训练预先获得的三分割模型,具体包括:
对训练集数据通过半自动标注的方法添加标签,获得标注的训练集数据,其中,所述训练集数据包括NCCT影像数据及与所述NCCT影像数据对应的CTA影像数据,所述标签包括骨组织的标签、血管的标签及钙化组织的标签,所述钙化组织的标签是基于骨组织的标签数据及血管的标签数据获得的;
将所述标注的训练集数据及所述训练集数据中的CTA影像数据输入卷积神经网络中进行训练,获得分割模型。
2.如权利要求1所述的方法,其特征在于,所述对训练集数据通过半自动标注的方法添加标签,获得标注的训练集数据,具体包括:
基于所述训练集数据中的NCCT影像数据中的骨组织的位置,获得所述训练集数据的骨组织的第一标签数据,所述训练集数据的骨组织的第一标签数据作为所述训练集数据的骨组织的标签数据;
基于所述训练集数据中的CTA影像数据中的血管的位置,获得所述训练集数据的血管的标签数据;
基于所述训练集数据的骨组织的第一标签数据及所述训练集数据的血管的标签数据,获得所述训练集数据的钙化组织的标签数据。
3.如权利要求2所述的方法,其特征在于,所述基于所述训练集数据中的NCCT影像数据中的骨组织的位置,获得所述训练集数据的骨组织的第一标签数据,具体包括:
对所述训练集数据中的NCCT影像数据进行阈值分割,获得所述训练集数据的骨组织的第一标签数据。
4.如权利要求2所述的方法,其特征在于,所述基于所述训练集数据中的CTA影像数据中的血管的位置,获得所述训练集数据的血管的标签数据,具体包括:
将所述训练集数据中的CTA影像数据与所述训练集数据中的NCCT影像数据进行做差操作后,采用血管阈值算法,提取所述训练集数据中的CTA影像数据中的血管组织,获得所述训练集数据中的CTA影像数据中的血管的位置。
5.如权利要求2所述的方法,其特征在于,所述获得所述训练集数据的钙化组织的标签数据,进一步包括:
对所述训练集数据的钙化组织的标签数据进行人工识别,作为最终的训练集数据的钙化组织的标签数据。
6.如权利要求2所述的方法,其特征在于,所述基于所述训练集数据的骨组织的第一标签数据及所述训练集数据的血管的标签数据,获得所述训练集数据的钙化组织的标签数据,具体包括:
对所述训练集数据的骨组织的第一标签数据进行连通域分析,获得所述训练集数据的连通域标签数据;
从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后,与所述训练集数据的血管标签数据进行重叠分析,获得所述训练集数据的钙化组织的标签数据。
7.如权利要求6所述的方法,其特征在于,所述从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后,与所述训练集数据的血管标签数据进行重叠分析,获得所述训练集数据的钙化组织的标签数据,具体包括:
从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后,与经过膨胀操作的所述训练集数据的血管标签数据进行重叠分析,获得所述训练集数据的钙化组织的标签数据。
8.如权利要求2所述的方法,其特征在于,所述方法进一步包括:
从所述训练集数据的骨组织的第一标签数据中去除所述训练集数据的钙化组织的标签数据,获得所述训练集数据的骨组织的第二标签数据,所述训练集数据的骨组织的第二标签数据作为所述训练集数据的骨组织的标签数据。
9.一种基于影像数据的分割装置,其特征在于,所述装置包括:
获取模块,获取待处理的CTA影像数据;
分割模块,将所述待处理的CTA影像数据输入分割模型中,对所述待处理的CTA影像数据进行分割,获得三分割结果,其中,所述分割模型是基于半自动标注方法,经过神经网络训练预先获得的三分割模型,所述三分割结果为所述待处理的CTA影像数据的骨组织的分割结果,血管的分割结果和钙化组织的分割结果;
所述分割模型是基于半自动标注方法,经过神经网络训练预先获得的三分割模型,具体包括:
对训练集数据通过半自动标注的方法添加标签,获得标注的训练集数据,其中,所述训练集数据包括NCCT影像数据及与所述NCCT影像数据对应的CTA影像数据,所述标签包括骨组织的标签、血管的标签及钙化组织的标签,所述钙化组织的标签是基于骨组织的标签数据及血管的标签数据获得的;
将所述标注的训练集数据及所述训练集数据中的CTA影像数据输入卷积神经网络中进行训练,获得分割模型。
10.一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取待处理的CTA影像数据;
将所述待处理的CTA影像数据输入分割模型中,对所述待处理的CTA影像数据进行分割,获得三分割结果,其中,所述分割模型是基于半自动标注方法,经过神经网络训练预先获得的三分割模型,所述三分割结果为所述待处理的CTA影像数据的骨组织的分割结果,血管的分割结果和钙化组织的分割结果;
所述分割模型是基于半自动标注方法,经过神经网络训练预先获得的三分割模型,具体包括:
对训练集数据通过半自动标注的方法添加标签,获得标注的训练集数据,其中,所述训练集数据包括NCCT影像数据及与所述NCCT影像数据对应的CTA影像数据,所述标签包括骨组织的标签、血管的标签及钙化组织的标签,所述钙化组织的标签是基于骨组织的标签数据及血管的标签数据获得的;
将所述标注的训练集数据及所述训练集数据中的CTA影像数据输入卷积神经网络中进行训练,获得分割模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110553898.5A CN113205508B (zh) | 2021-05-20 | 2021-05-20 | 一种基于影像数据的分割方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110553898.5A CN113205508B (zh) | 2021-05-20 | 2021-05-20 | 一种基于影像数据的分割方法、装置以及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113205508A CN113205508A (zh) | 2021-08-03 |
CN113205508B true CN113205508B (zh) | 2022-01-25 |
Family
ID=77032228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110553898.5A Active CN113205508B (zh) | 2021-05-20 | 2021-05-20 | 一种基于影像数据的分割方法、装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113205508B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723739B (zh) * | 2022-05-09 | 2023-07-21 | 深圳市铱硙医疗科技有限公司 | 一种基于cta影像的血管分段模型训练数据标注方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871043A (zh) * | 2012-12-12 | 2014-06-18 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
CN104644202A (zh) * | 2013-11-20 | 2015-05-27 | 株式会社东芝 | 医用图像数据处理装置、医用图像数据处理方法以及医用图像数据处理程序 |
CN106485704A (zh) * | 2016-09-30 | 2017-03-08 | 上海联影医疗科技有限公司 | 血管中心线的提取方法 |
CN107997778A (zh) * | 2016-10-31 | 2018-05-08 | 西门子保健有限责任公司 | 在计算机断层扫描血管造影术中基于深度学习的骨移除 |
CN109448003A (zh) * | 2018-10-26 | 2019-03-08 | 强联智创(北京)科技有限公司 | 一种颅内动脉血管图像分割方法及系统 |
CN109584169A (zh) * | 2018-10-26 | 2019-04-05 | 首都医科大学宣武医院 | 一种基于中心线的颅内血管图像的截取方法及系统 |
CN109816672A (zh) * | 2019-02-25 | 2019-05-28 | 数坤(北京)网络科技有限公司 | 一种针对头颈体骨的图像分割获取方法及装置 |
CN111127428A (zh) * | 2019-12-24 | 2020-05-08 | 强联智创(北京)科技有限公司 | 一种基于颅脑影像数据的目标区域的提取方法及系统 |
CN111210431A (zh) * | 2019-12-27 | 2020-05-29 | 上海联影智能医疗科技有限公司 | 一种血管分割方法、装置、设备及存储介质 |
CN112489047A (zh) * | 2021-02-05 | 2021-03-12 | 四川大学 | 一种基于深度学习的盆骨及其动脉血管的多层级分割方法 |
-
2021
- 2021-05-20 CN CN202110553898.5A patent/CN113205508B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871043A (zh) * | 2012-12-12 | 2014-06-18 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
CN104644202A (zh) * | 2013-11-20 | 2015-05-27 | 株式会社东芝 | 医用图像数据处理装置、医用图像数据处理方法以及医用图像数据处理程序 |
CN106485704A (zh) * | 2016-09-30 | 2017-03-08 | 上海联影医疗科技有限公司 | 血管中心线的提取方法 |
CN107997778A (zh) * | 2016-10-31 | 2018-05-08 | 西门子保健有限责任公司 | 在计算机断层扫描血管造影术中基于深度学习的骨移除 |
CN109448003A (zh) * | 2018-10-26 | 2019-03-08 | 强联智创(北京)科技有限公司 | 一种颅内动脉血管图像分割方法及系统 |
CN109584169A (zh) * | 2018-10-26 | 2019-04-05 | 首都医科大学宣武医院 | 一种基于中心线的颅内血管图像的截取方法及系统 |
CN109816672A (zh) * | 2019-02-25 | 2019-05-28 | 数坤(北京)网络科技有限公司 | 一种针对头颈体骨的图像分割获取方法及装置 |
CN111127428A (zh) * | 2019-12-24 | 2020-05-08 | 强联智创(北京)科技有限公司 | 一种基于颅脑影像数据的目标区域的提取方法及系统 |
CN111210431A (zh) * | 2019-12-27 | 2020-05-29 | 上海联影智能医疗科技有限公司 | 一种血管分割方法、装置、设备及存储介质 |
CN112489047A (zh) * | 2021-02-05 | 2021-03-12 | 四川大学 | 一种基于深度学习的盆骨及其动脉血管的多层级分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113205508A (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109448003B (zh) | 一种颅内动脉血管图像分割方法及系统 | |
CN109816650B (zh) | 一种基于二维dsa图像的目标区域识别方法及其系统 | |
CN109448004B (zh) | 一种基于中心线的颅内血管图像的截取方法及系统 | |
CN111127428A (zh) | 一种基于颅脑影像数据的目标区域的提取方法及系统 | |
CN111081378B (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN113205508B (zh) | 一种基于影像数据的分割方法、装置以及设备 | |
CN113129301A (zh) | 一种颅内动脉瘤手术规划的预测方法、装置以及设备 | |
CN111584077A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN111091563B (zh) | 一种基于颅脑影像数据的目标区域的提取方法及系统 | |
CN111105425A (zh) | 一种基于颅脑影像数据的对称轴/对称面提取方法及系统 | |
CN111105404B (zh) | 一种基于颅脑影像数据的目标位置的提取方法及系统 | |
CN109377504B (zh) | 一种颅内动脉血管图像分割方法及系统 | |
CN112927815B (zh) | 一种预测颅内动脉瘤信息的方法、装置以及设备 | |
CN110503642B (zh) | 一种基于dsa图像的定位方法及系统 | |
CN113538463A (zh) | 一种动脉瘤分割方法、装置以及设备 | |
CN111584076A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
CN113160165A (zh) | 一种血管分割方法、装置以及设备 | |
US10580132B2 (en) | Medical image processing apparatus, control method therefor, and non-transitory storage medium storing program | |
CN111127427A (zh) | 一种基于颅脑影像数据的对称轴/对称面提取方法及系统 | |
CN110517243B (zh) | 一种基于dsa图像的定位方法及系统 | |
CN113130078B (zh) | 一种预测颅内动脉瘤闭塞的方法、装置以及设备 | |
CN111223089A (zh) | 一种动脉瘤的检测方法、装置及计算机可读存储介质 | |
CN110517244B (zh) | 一种基于dsa图像的定位方法及系统 | |
CN112734726B (zh) | 一种血管造影的分型方法、装置以及设备 | |
CN115546094A (zh) | 一种模型的训练方法、ct图像的优化方法及装置 |
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 |