CN113239992A - 血管分类方法及装置 - Google Patents
血管分类方法及装置 Download PDFInfo
- Publication number
- CN113239992A CN113239992A CN202110467744.4A CN202110467744A CN113239992A CN 113239992 A CN113239992 A CN 113239992A CN 202110467744 A CN202110467744 A CN 202110467744A CN 113239992 A CN113239992 A CN 113239992A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- category
- geometric
- central
- vessel
- 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.)
- Pending
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 227
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000000877 morphologic effect Effects 0.000 claims abstract description 107
- 239000013598 vector Substances 0.000 claims description 59
- 238000013528 artificial neural network Methods 0.000 claims description 50
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 19
- 210000004351 coronary vessel Anatomy 0.000 description 10
- 210000001519 tissue Anatomy 0.000 description 10
- 230000008901 benefit Effects 0.000 description 5
- 210000003484 anatomy Anatomy 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001746 atrial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 210000001087 myotubule Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
Abstract
本申请提供了一种血管分类方法及装置,所述方法包括:从目标对象的医学影像中提取所述目标对象的血管的中心线;沿所述中心线提取所述血管的几何形态特征;沿所述中心线提取所述血管的解剖形态特征;基于所述血管的几何形态特征以及所述血管的解剖形态特征,确定所述血管所属类别。本申请实施例能够提高血管分类的准确度。
Description
技术领域
本申请涉及智慧医疗领域,具体涉及一种血管分类方法及装置。
背景技术
将信息技术与医疗领域相结合以提高诊断速度、诊断准确率有着重要意义。现如今,因血管相关疾病导致的健康问题十分普遍。为了对血管相关的组织进行诊断,常常需要对医学影像中的血管进行分类,以确定各部分血管分别在医学领域的名称。
现有技术中,对血管进行分类时所采用的特征,表达能力不足,从而使得血管分类的准确度较低。
发明内容
本申请的一个目的在于提出一种血管分类方法及装置,能够提高血管分类的准确度。
根据本申请实施例的一方面,公开了一种血管分类方法,所述方法包括:
从目标对象的医学影像中提取所述目标对象的血管的中心线;
沿所述中心线提取所述血管的几何形态特征;
沿所述中心线提取所述血管的解剖形态特征;
基于所述血管的几何形态特征以及所述血管的解剖形态特征,确定所述血管所属类别。
根据本申请实施例的一方面,公开了一种血管分类装置,所述装置包括:
第一提取模块,配置为从目标对象的医学影像中提取所述目标对象的血管的中心线;
第二提取模块,配置为沿所述中心线提取所述血管的几何形态特征;
第三提取模块,配置为沿所述中心线提取所述血管的解剖形态特征;
确定模块,配置为基于所述血管的几何形态特征以及所述血管的解剖形态特征,确定所述血管所属类别。
在本申请的一示例性实施例中,所述装置配置为:
提取所述中心线的几何形态特征;
将所述中心线的几何形态特征作为所述血管的几何形态特征。
在本申请的一示例性实施例中,所述装置配置为:
将所述中心线划分为至少两个子中心线;
将所述中心线的端点与所述子中心线的端点进行连接,得到所述中心线的线段向量,并将所述中心线的线段向量作为所述中心线的几何形态特征。
在本申请的一示例性实施例中,所述装置配置为:
将所述中心线划分为至少两个子中心线;
将各所述子中心线所包含中心点在所述中心线上的切线向量进行平均,得到各所述子中心线的平均切线向量,并将各所述子中心线的平均切线向量作为所述中心线的几何形态特征。
在本申请的一示例性实施例中,所述装置配置为:
沿所述中心线对所述血管进行拉直处理,得到所述中心线为直线的拉直血管;
垂直于所述中心线截取所述拉直血管,得到局部区域的图像特征,其中,所述局部区域包含所截得局部血管,所述局部区域的图像特征为二维图像特征或者三维图像特征;
基于所述局部区域的图像特征,提取所述血管的解剖形态特征。
在本申请的一示例性实施例中,所述装置配置为:
通过预训练的第一神经网络,对所述血管的几何形态特征以及所述血管的解剖形态特征进行处理,得到所述第一神经网络输出的所述血管所属类别。
在本申请的一示例性实施例中,所述装置配置为:
获取目标类别的样本血管的几何形态特征;
获取所述样本血管的解剖形态特征;
将所述样本血管的几何形态特征以及所述样本血管的解剖形态特征输入所述第一神经网络,并不断调整所述第一神经网络的网络参数,直到所述第一神经网络从所述样本血管的几何形态特征以及所述样本血管的解剖形态特征中预测出所述样本血管所属类别为所述目标类别。
在本申请的一示例性实施例中,所述装置配置为:
提取所述中心线所包含中心点在所述目标对象中的位置特征;
基于所述血管的几何形态特征、所述血管的解剖形态特征以及所述中心点在所述目标对象中的位置特征,预测所述血管所属类别。
在本申请的一示例性实施例中,所述装置配置为:
基于所述血管的几何形态特征以及所述血管的解剖形态特征,预测所述血管在各类别上的概率;
基于所述中心点在所述目标对象中的位置特征,预测各所述中心点在各类别上的概率;
基于所述血管在各类别上的概率以及各所述中心点在各类别上的概率,确定所述血管所属类别。
在本申请的一示例性实施例中,所述装置配置为:
基于各所述中心点在各类别上的概率,确定各所述中心点所属类别;
确定各类别的所述中心点在所有的所述中心点中所占的数量比例;
将所述血管在各类别上的概率与对应类别的所述数量比例进行加权,得到加权概率;
基于所述加权概率,确定所述血管所属类别。
在本申请的一示例性实施例中,所述装置配置为:
通过预训练的点云神经网络结构的第二神经网络,对所述中心点在所述目标对象中的位置特征进行处理,得到各所述中心点在各类别上的概率。
根据本申请实施例的一方面,公开了一种电子设备,包括:存储器,存储有计算机可读指令;处理器,读取存储器存储的计算机可读指令,以执行以上权利要求中的任一个所述的方法。
根据本申请实施例的一方面,公开了一种计算机程序介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行以上权利要求中的任一个所述的方法。
根据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的方法。
本申请实施例中,通过以血管的几何形态特征以及血管的解剖形态特征为基础进行血管分类,既考虑了血管层面上的几何特征信息,又考虑了血管层面上的解剖特征信息,丰富了血管的特征表达,从而提高了血管分类的准确度。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本申请。
附图说明
通过参考附图详细描述其示例实施例,本申请的上述和其它目标、特征及优点将变得更加显而易见。
图1示出了根据本申请一个实施例的血管分类方法的流程图。
图2示出了根据本申请一个实施例的中心线的线段向量的示意图。
图3示出了根据本申请一个实施例的中心线的线段向量的示意图。
图4示出了根据本申请一个实施例的子中心线的平均切线向量的示意图。
图5示出了根据本申请一个实施例的通过截取血管的方式提取血管的解剖形态特征的示意图。
图6示出了本申请一实施例的通过第一神经网络对血管进行分类的示意图。
图7示出了根据本申请一个实施例的中心点在目标对象中的位置特征的示意图。
图8示出了根据本申请一个实施例的第二神经网络对各中心点进行分类的示意图。
图9示出了根据本申请一个实施例的基于加权概率确定血管类别的示意图。
图10示出了根据本申请一个实施例的血管分类装置的框图。
图11示出了根据本申请一个实施例的电子设备的硬件图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些示例实施方式使得本申请的描述将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本申请的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多示例实施方式中。在下面的描述中,提供许多具体细节从而给出对本申请的示例实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、步骤等。在其它情况下,不详细示出或描述公知结构、方法、实现或者操作以避免喧宾夺主而使得本申请的各方面变得模糊。
附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本申请提供了一种血管分类方法,主要用于医疗领域中,对患者的医学影像中的血管自动进行分类。其中,对血管进行分类,也可以视为对血管进行命名。例如:患者心脏的医学影像中包含有心脏的冠脉,通过本申请所提供的血管分类方法,可以确定该医学影像中哪一条冠脉为右冠状动脉RCA,哪一条冠脉为左冠状动脉LAD。
在详细描述本申请实施例的具体实施过程之前,首先对本申请实施例涉及的部分概念进行简要解释。
目标对象,指的是目标在于对其包含的血管进行分类的生物内部组织。例如:人体的心脏。
医学影像,指的是在医疗领域中所取得的生物内部组织的影像。常见的医学影像包括但不限于:CT(Computed Tomography,电子计算机断层扫描)影像,NMRI(NuclearMagnetic Resonance Imaging,核磁共振成像)影像。
几何形态特征,指的是用于描述空间结构及形态的特征。例如:用于描述曲线的曲率在空间中如何变化的特征。
解剖形态特征,指的是用于描述解剖结构及形态的特征。例如:用于描述肌肉块中各形态肌纤维如何排列组合的特征。
图像特征,指的是对相应区域的医学影像进行抽象所提取出的抽象特征。
中心点,指的是中心线上的点。血管的中心线包含有多个中心点。
点云神经网络,指的是用于捕捉无序点之间空间关系的神经网络。
图1示出了本申请实施例提出的一种血管分类方法。该方法包括:
步骤S110、从目标对象的医学影像中提取目标对象的血管的中心线;
步骤S120、沿中心线提取血管的几何形态特征;
步骤S130、沿中心线提取血管的解剖形态特征;
步骤S140、基于血管的几何形态特征以及血管的解剖形态特征,确定血管所属类别。
本申请实施例中,针对目标对象的血管,从该目标对象的医学影像中提取出该目标对象的血管的中心线。进而沿该中心线提取该血管的几何形态特征,并沿该中心线提取该血管的解剖形态特征。进而基于该血管的几何形态特征以及该血管的解剖形态特征,对该血管进行分类,确定该血管所属类别。
由此可见,本申请实施例中,通过以血管的几何形态特征以及血管的解剖形态特征为基础进行血管分类,既考虑了血管层面上的几何特征信息,又考虑了血管层面上的解剖特征信息,丰富了血管的特征表达,从而提高了血管分类的准确度。
需要说明的是,出于简要说明的目的,后续对本申请实施例所作描述中:“目标对象”示例性的为“心脏”,“目标对象的血管”示例性的为“心脏的冠脉”。但并不代表本申请实施例只能用于对心脏中冠脉进行分类,示例性的实施例不应对本申请的功能和使用范围造成限制。
在一实施例中,获取到目标对象的医学影像后,基于深度学习的3D U-Net的方法,从该医学影像中提取出目标对象的血管的中心线。
在一实施例中,获取到目标对象的医学影像后,基于最短路径(Minimum Path)的方法,从该医学影像中提取出目标对象的血管的中心线。
在一实施例中,获取到目标对象的医学影像后,将该医学影像于用户终端的操作界面进行展示。响应于操作界面中对于该医学影像的手动标识操作,提取出该手动标识操作所描绘出的中心线。
在一实施例中,提取中心线的几何形态特征,进而将中心线的几何形态特征作为血管的几何形态特征。
该实施例的优点在于,不同血管,各自的几何形态特征也不同。通过中心线的几何形态特征对血管的几何形态特征进行抽象表达,便于提取出更全面的血管的几何形态特征。
在一实施例中,将中心线划分为至少两个子中心线。进而将该中心线的端点与子中心线的端点进行连接,得到该中心线的线段向量,并将该中心线的线段向量作为该中心线的几何形态特征。即,将该中心线的线段向量作为该血管的几何特征。其中,子中心线指的是局部的中心线;各子中心线的端点均属于中心线的中心点。
图2示出了本申请一实施例的中心线的线段向量的示意图。
该实施例中,o1以及o2分别为血管的中心线的一个端点。记该血管的中心线为中心线o1-o2。
将中心线o1-o2划分为多个为曲线的子中心线,分别记为:子中心线o1-p1、子中心线p1-p2,一直到子中心线pt-o2。其中,t为大于或等于1的整数。
选取中心线o1-o2的o1为基准,沿o1至o2的方向,顺序与各子中心线的端点进行连接:将o1与p1进行连接,得到线段向量o1-p1;将o1与p2进行连接,得到线段向量o1-p2;同理,一直到得到线段向量o1-o2。
进而可以将所得到的这些线段向量顺序组合,得到该血管的几何形态特征。
在一实施例中,将中心线划分为至少两个子中心线。进而将各子中心线的两个端点进行连接,得到该中心线的线段向量,并将该中心线的线段向量作为该中心线的几何形态特征。即,将该中心线的线段向量作为该血管的几何特征。
图3示出了本申请一实施例的中心线的线段向量的示意图。
该实施例中,记该血管的中心线为中心线o1-o2。
将中心线o1-o2划分为多个为曲线的子中心线,分别记为:子中心线o1-p1、子中心线p1-p2,一直到子中心线pt-o2。其中,t为大于或等于1的整数。
沿o1至o2的方向,顺序将各子中心线的两个端点进行连接:将子中心线o1-p1的两个端点进行连接,得到线段向量o1-p1;将子中心线p1-p2的两个端点进行连接,得到线段向量p1-p2;同理,一直到得到线段向量pt-o2。
进而可以将所得到的这些线段向量顺序组合,得到该血管的几何形态特征。
需要说明的是,图2所对应实施例以及图3所对应实施例只是示例性地展示了基于中心线的线段向量提取血管的几何特征的过程,不应对本公开的功能和使用范围造成限制。
在一实施例中,将中心线划分为至少两个子中心线。进而将各子中心线所包含中心点在该中心线上的切线向量进行平均,得到各子中心线的平均切线向量,并将子中心线的平均切线向量作为该中心线的几何形态特征。即,将子中心线的平均切线向量作为该血管的几何特征。
图4示出了本申请一实施例的子中心线的平均切线向量的示意图。
该实施例中,记该血管的中心线为中心线o1-o2。
将中心线o1-o2划分为5个为曲线的子中心线,分别记为:子中心线o1-p1、子中心线p1-p2、子中心线p2-p3、子中心线p3-p4、子中心线p4-o2。
其中,中心线上的圆形点代表子中心线的端点,中心线上的矩形点代表除了子中心线的端点以外的中心点。
针对子中心线o1-p1,计算该子中心线所包含中心点在中心线上的切线向量,并对这些切线向量进行平均,得到子中心线o1-p1的平均切线向量v1。
同理,得到子中心线p1-p2的平均切线向量v2,得到子中心线p2-p3的平均切线向量v3,得到子中心线p3-p4的平均切线向量v4,得到子中心线p4-o2的平均切线向量v5。
进而可以将v1、v2、v3、v4、v5顺序组合,得到该血管的几何形态特征。
在一实施例中,通过截取血管的方式提取血管的解剖形态特征。
该实施例中,沿中心线对血管进行拉直处理,得到该中心线为直线的拉直血管。具体的,中心线为直线,说明该拉直血管是直的。
垂直于该中心线截取该拉直血管,得到局部区域的图像特征,其中,该局部区域包含所截得局部血管,该局部区域的图像特征为二维图像特征或者三维图像特征。
具体的,垂直于中心线截取该拉直血管,截取得到该拉直血管的局部血管。由于在医学影像中该拉直血管的四周还存在其他组织(例如:肌肉组织),因此,截取该拉直血管除了能够截取得到局部血管,还能够截取得到该局部血管四周的其他组织。该局部血管以及其四周的其他组织共同组成了该局部区域。其中,局部血管可以为二维的血管横截面,相应的,包含该局部血管的局部区域也是二维的;局部血管也可以为三维的一段血管,相应的,包含该局部血管的局部区域也是三维的。
进而基于该局部区域的图像特征,提取血管的解剖形态特征。例如:将所得到的多个局部区域的图像特征顺序组合,并进行特征抽象处理,从而得到血管的解剖形态特征。
该实施例的优点在于,由于该局部区域包含局部血管以及局部血管四周的其他组织,而不同的局部血管,各自四周的其他组织也不同(例如:不同位置的冠脉,各自四周的心肌组织也不同)。因此,该局部区域的图像特征能够体现出局部血管在目标对象中独特的解剖结构信息,从而提高了血管分类的准确度。
图5示出了本申请一实施例的通过截取血管的方式提取血管的解剖形态特征的示意图。
该实施例中,沿拉直血管顺序选取其中心线上的t个中心点:p1、p2,一直到pt。
将每个中心点作为一个质心,并截取每个质心对应的预设长宽高的立方体状的图像块,得到t个图像块,依次记为:x1、x2,一直到xt。这t个图像块顺序组合为图像序列[x1,x2,......,xt]。
通过3D CNN模块对该图像序列[x1,x2,......,xt]进行3D卷积处理,进而再将3D卷积处理结果输入FC全连接层,得到该拉直血管的解剖结构特征Feature vector。
在一实施例中,通过预训练的第一神经网络,对血管的几何形态特征以及血管的解剖形态特征进行处理,得到该第一神经网络输出的该血管所属类别。
在一实施例中,预先确定样本血管所属的目标类别,从而根据该样本血管对第一神经网络进行训练。
具体的,获取该样本血管的几何形态特征,并获取该样本血管的解剖形态特征。
进而将该样本血管的几何形态特征以及该样本血管的解剖形态特征输入该第一神经网络,并不断调整该第一神经网络的网络参数,直到该第一神经网络从该样本血管的几何形态特征以及该样本血管的解剖形态特征中预测出该样本血管所属类别为目标类别。
图6示出了本申请一实施例的通过第一神经网络对血管进行分类的示意图。
该实施例中,血管的类别空间为m维,即,需要在m个类别中确定血管所属类别。其中,m大于等于2。
针对待分类的a条血管,将同一血管的几何形态特征以及解剖形态特征进行融合,得到每条血管各自的特征向量v1、v2......va。
将该a条血管的特征向量输入训练完成的第一神经网络,由该第一神经网络预测该a血管分别在m个类别上的概率。
在一实施例中,提取中心线所包含中心点分别在目标对象中的位置特征。具体的,中心点在目标对象中的位置特征,至少描述有中心点的坐标,还可以描述有中心点在中心线上的位置特征,还可以描述有中心点与目标对象中特定功能组织区域之间的相对位置关系。例如:心脏的冠脉的中心线上的一个中心点P1,P1在心脏中的位置特征至少描述有P1的坐标,还可以描述有P1在中心线上的切线方向,还可以描述有P1到心室质心的方向,还可以描述有P1到心房质心的方向。
进而基于血管的几何形态特征、血管的解剖形态特征以及中心线所包含中心点在目标对象中的位置特征,预测血管所属类别。
该实施例的优点在于,通过血管的几何形态特征以及解剖形态特征,考虑了血管层面上的几何特征信息以及解剖特征信息;并通过各中心点在目标对象中的位置特征,考虑了点层面上的点与目标对象整体之间的联系。二者的结合,进一步丰富了特征的表达,从而得到准确度更高且鲁棒性更强的类别预测结果。
在一实施例中,采用预训练的点云神经网络结构的第二神经网络,对中心线所包含中心点在目标对象中的位置特征进行处理,得到各中心点在各类别上的概率。
具体的,预先确定样本对象的血管所属的目标类别,并获取该样本对象的血管的中心线上各中心点在样本对象中的位置特征。将各中心点在样本对象中的位置特征输入第二神经网络,并不断调整该第二神经网络的参数,直到该第二神经网络预测出的为目标类别的中心点占所有的中心点的数量比例大于预设阈值。
其中,各中心点在样本对象中的位置特征至少包括中心点的坐标,也可以包括中心点在中心线上的切线向量,也可以包括中心点到样本对象的心室质心的向量,也可以包括中心点到样本对象的心房质心的向量。
图7示出了本申请一实施例的中心点在目标对象中的位置特征的示意图。
该实施例中,确定中心线上的t个中心点在中心线上的切线向量,得到切线向量z1、z2......zt。将该t个切线向量连同对应中心点的坐标,作为该t个中心点在目标对象中的位置特征输入第二神经网络。从而得到第二神经网络输出的这t个中心点的类别预测结果。
图8示出了本申请一实施例的第二神经网络对各中心点进行分类的示意图。
该实施例中,中心线上各中心点在目标对象中的位置特征为M维向量,该中心线上有N个中心点。该第二神经网络为级联的点云神经网络。
将该N个中心点的M维向量,连同每一M维向量所对应的中心点的坐标输入该第二神经网络,从而得到该第二神经网络输出的该N个中心点的类别预测结果。
在一实施例中,基于血管的几何形态特征以及血管的解剖形态特征,预测该血管在各类别上的概率。具体的,基于几何形态特征以及解剖形态特征所确定的血管在各类别上的概率,描述的是该血管作为一个整体时在各类别上的概率。
基于中心线所包含中心点在目标对象中的位置特征,预测各中心点在各类别上的概率。具体的,中心点在各类别上的概率,描述的是单个独立的中心点在各类别上的概率。即使是同一条血管的中心线上的中心点,预测得到的各中心点在各类别上的概率也可能并不完全一致。例如:同一条血管上的两个中心点P1以及P2,基于该血管上各中心点在目标对象中的位置特征,预测得到P1在右冠状动脉RCA上的概率为50%,在左冠状动脉LAD上的概率为30%,在左回旋支LCX上的概率为20%;P2在RCA上的概率为40%,在LAD上的概率为30%,在LCX上的概率为30%。
进而,基于血管在各类别上的概率以及各中心点在各类别上的概率,确定该血管所属类别。
在一实施例中,基于各中心点在各类别上的概率,确定各中心点所属类别。具体的,可以将最大概率所对应的类别确定为对应中心点所属类别。例如:若中心点P1在RCA上的概率为50%,在LAD上的概率为30%,在LCX上的概率为20%,则确定中心点P1属于RCA。
进而确定各类别的中心点在所有的中心点中所占的数量比例。进而将血管在各类别上的概率与对应类别的数量比例进行加权,得到加权概率,进而基于该加权概率确定血管所属类别。
在一实施例中,待分类的为组成血管树的a个血管,需要在m个类别中确定每个血管所属类别。其中,a大于等于2,m大于等于2。
该实施例中,可以通过第一神经网络同时预测该a个血管分别作为一个整体时在m个类别上的概率,并通过第二神经网络预测该血管树的中心线上各中心点所属类别。
进而可以采用如下所示公式确定每个血管所属类别。
scorej=α*pi+β*qi
scorej描述的是第j个血管在第i个类别的加权概率。pi为该血管作为一个整体时在第i个类别上的概率,α为针对pi所设权重。qi为该血管中属于第i个类别的中心点占该血管中所有的中心点的数量比例,β为针对qi所设权重。
通过该公式,计算每一类别上每条血管的加权概率scorej。进而将第i个类别上加权概率scorej最大的血管确定为目标类别。例如:同时预测各自所属类别的有5条血管。若第2个血管在RCA上的加权概率,大于其他4个血管中任一个血管在RCA上的加权概率,则确定第2个血管属于RCA。
图9示出了本申请一实施例的基于加权概率确定血管类别的示意图。
该实施例中,左图示出的为心脏中待分类的一条血管树的中心线,该血管树的中心线由多个血管的中心线组成。将该血管树作为一个整体对其进行分类。沿该血管树的中心线,提取出该血管树的几何形态特征以及解剖形态特征,进而在此基础上确定该血管树作为一个整体时,在各类别上的概率。
右图示出的为该血管树的中心线所包含的各中心点。通过点云神经网络结构的第二神经网络,提取该各中心点在心脏中的位置特征。进而基于该各中心点在心脏中的位置特征,预测该各中心点在各类别上的概率,进而在此基础上确定该各中心点所属类别。
为确定该血管树在LAD上的加权概率:确定该血管树作为一个整体时,属于LAD的概率pLAD;并确定该血管树的中心线上的所有中心点中,属于LAD的中心点所占的数量比例bLAD;进而按照预设的权重对pLAD以及bLAD进行加权,得到该血管树在LAD上的加权概率。
同理,确定该血管树在其他类别上的加权概率。该其他类别包括但不限于:RCA、LCX、后降支PDA、钝缘支OM、对角支D等。
进而可以将加权概率最大的类别确定为该血管树所属类别。
图10示出了根据本申请一实施例的血管分类装置,所述装置包括:
第一提取模块210,配置为从目标对象的医学影像中提取所述目标对象的血管的中心线;
第二提取模块220,配置为沿所述中心线提取所述血管的几何形态特征;
第三提取模块230,配置为沿所述中心线提取所述血管的解剖形态特征;
确定模块240,配置为基于所述血管的几何形态特征以及所述血管的解剖形态特征,确定所述血管所属类别。
在本申请的一示例性实施例中,所述装置配置为:
提取所述中心线的几何形态特征;
将所述中心线的几何形态特征作为所述血管的几何形态特征。
在本申请的一示例性实施例中,所述装置配置为:
将所述中心线划分为至少两个子中心线;
将所述中心线的端点与所述子中心线的端点进行连接,得到所述中心线的线段向量,并将所述中心线的线段向量作为所述中心线的几何形态特征。
在本申请的一示例性实施例中,所述装置配置为:
将所述中心线划分为至少两个子中心线;
将各所述子中心线所包含中心点在所述中心线上的切线向量进行平均,得到各所述子中心线的平均切线向量,并将各所述子中心线的平均切线向量作为所述中心线的几何形态特征。
在本申请的一示例性实施例中,所述装置配置为:
沿所述中心线对所述血管进行拉直处理,得到所述中心线为直线的拉直血管;
垂直于所述中心线截取所述拉直血管,得到局部区域的图像特征,其中,所述局部区域包含所截得局部血管,所述局部区域的图像特征为二维图像特征或者三维图像特征;
基于所述局部区域的图像特征,提取所述血管的解剖形态特征。
在本申请的一示例性实施例中,所述装置配置为:
通过预训练的第一神经网络,对所述血管的几何形态特征以及所述血管的解剖形态特征进行处理,得到所述第一神经网络输出的所述血管所属类别。
在本申请的一示例性实施例中,所述装置配置为:
获取目标类别的样本血管的几何形态特征;
获取所述样本血管的解剖形态特征;
将所述样本血管的几何形态特征以及所述样本血管的解剖形态特征输入所述第一神经网络,并不断调整所述第一神经网络的网络参数,直到所述第一神经网络从所述样本血管的几何形态特征以及所述样本血管的解剖形态特征中预测出所述样本血管所属类别为所述目标类别。
在本申请的一示例性实施例中,所述装置配置为:
提取所述中心线所包含中心点在所述目标对象中的位置特征;
基于所述血管的几何形态特征、所述血管的解剖形态特征以及所述中心点在所述目标对象中的位置特征,预测所述血管所属类别。
在本申请的一示例性实施例中,所述装置配置为:
基于所述血管的几何形态特征以及所述血管的解剖形态特征,预测所述血管在各类别上的概率;
基于所述中心点在所述目标对象中的位置特征,预测各所述中心点在各类别上的概率;
基于所述血管在各类别上的概率以及各所述中心点在各类别上的概率,确定所述血管所属类别。
在本申请的一示例性实施例中,所述装置配置为:
基于各所述中心点在各类别上的概率,确定各所述中心点所属类别;
确定各类别的所述中心点在所有的所述中心点中所占的数量比例;
将所述血管在各类别上的概率与对应类别的所述数量比例进行加权,得到加权概率;
基于所述加权概率,确定所述血管所属类别。
在本申请的一示例性实施例中,所述装置配置为:
通过预训练的点云神经网络结构的第二神经网络,对所述中心点在所述目标对象中的位置特征进行处理,得到各所述中心点在各类别上的概率。
下面参考图11来描述根据本申请实施例的电子设备30。图11显示的电子设备30仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图11所示,电子设备30以通用计算设备的形式表现。电子设备30的组件可以包括但不限于:上述至少一个处理单元310、上述至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元310执行,使得所述处理单元310执行本说明书上述示例性方法的描述部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元310可以执行如图1中所示的各个步骤。
存储单元320可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)3201和/或高速缓存存储单元3202,还可以进一步包括只读存储单元(ROM)3203。
存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204,这样的程序模块3205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线330可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备30也可以与一个或多个外部设备400(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备30交互的设备通信,和/或与使得该电子设备30能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口350进行。输入/输出(I/O)接口350与显示单元340相连。并且,电子设备30还可以通过网络适配器360与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器360通过总线330与电子设备30的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备30使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本申请实施方式的方法。
在本申请的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行上述方法实施例部分描述的方法。
根据本申请的一个实施例,还提供了一种用于实现上述方法实施例中的方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品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为但不限于电、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。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
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发明操作的程序代码,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,还包括常规的过程式程序设计语言—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。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由所附的权利要求指出。
Claims (12)
1.一种血管分类方法,其特征在于,所述方法包括:
从目标对象的医学影像中提取所述目标对象的血管的中心线;
沿所述中心线提取所述血管的几何形态特征;
沿所述中心线提取所述血管的解剖形态特征;
基于所述血管的几何形态特征以及所述血管的解剖形态特征,确定所述血管所属类别。
2.根据权利要求1所述的方法,其特征在于,沿所述中心线提取所述血管的几何形态特征,包括:
提取所述中心线的几何形态特征;
将所述中心线的几何形态特征作为所述血管的几何形态特征。
3.根据权利要求2所述的方法,其特征在于,提取所述中心线的几何形态特征,包括:
将所述中心线划分为至少两个子中心线;
将所述中心线的端点与所述子中心线的端点进行连接,得到所述中心线的线段向量,并将所述中心线的线段向量作为所述中心线的几何形态特征。
4.根据权利要求2所述的方法,其特征在于,提取所述中心线的几何形态特征,包括:
将所述中心线划分为至少两个子中心线;
将各所述子中心线所包含中心点在所述中心线上的切线向量进行平均,得到各所述子中心线的平均切线向量,并将所述子中心线的平均切线向量作为所述中心线的几何形态特征。
5.根据权利要求1所述的方法,其特征在于,沿所述中心线提取所述血管的解剖形态特征,包括:
沿所述中心线对所述血管进行拉直处理,得到所述中心线为直线的拉直血管;
垂直于所述中心线截取所述拉直血管,得到局部区域的图像特征,其中,所述局部区域包含所截得局部血管,所述局部区域的图像特征为二维图像特征或者三维图像特征;
基于所述局部区域的图像特征,提取所述血管的解剖形态特征。
6.根据权利要求1所述的方法,其特征在于,基于所述血管的几何形态特征以及所述血管的解剖形态特征,确定所述血管所属类别,包括:
通过预训练的第一神经网络,对所述血管的几何形态特征以及所述血管的解剖形态特征进行处理,得到所述第一神经网络输出的所述血管所属类别。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
获取目标类别的样本血管的几何形态特征;
获取所述样本血管的解剖形态特征;
将所述样本血管的几何形态特征以及所述样本血管的解剖形态特征输入所述第一神经网络,并不断调整所述第一神经网络的网络参数,直到所述第一神经网络从所述样本血管的几何形态特征以及所述样本血管的解剖形态特征中预测出所述样本血管所属类别为所述目标类别。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
提取所述中心线所包含中心点在所述目标对象中的位置特征;
基于所述血管的几何形态特征、所述血管的解剖形态特征以及所述中心点在所述目标对象中的位置特征,预测所述血管所属类别。
9.根据权利要求8所述的方法,其特征在于,基于所述血管的几何形态特征、所述血管的解剖形态特征以及所述中心点在所述目标对象中的位置特征,确定所述血管所属类别,包括:
基于所述血管的几何形态特征以及所述血管的解剖形态特征,预测所述血管在各类别上的概率;
基于所述中心点在所述目标对象中的位置特征,预测各所述中心点在各类别上的概率;
基于所述血管在各类别上的概率以及各所述中心点在各类别上的概率,确定所述血管所属类别。
10.根据权利要求9所述的方法,其特征在于,基于所述血管在各类别上的概率以及各所述中心点在各类别上的概率,确定所述血管所属类别,包括:
基于各所述中心点在各类别上的概率,确定各所述中心点所属类别;
确定各类别的所述中心点在所有的所述中心点中所占的数量比例;
将所述血管在各类别上的概率与对应类别的所述数量比例进行加权,得到加权概率;
基于所述加权概率,确定所述血管所属类别。
11.根据权利要求9所述的方法,其特征在于,基于所述中心点在所述目标对象中的位置特征,预测各所述中心点在各类别上的概率,包括:
通过预训练的点云神经网络结构的第二神经网络,对所述中心点在所述目标对象中的位置特征进行处理,得到各所述中心点在各类别上的概率。
12.一种血管分类装置,其特征在于,所述装置包括:
第一提取模块,配置为从目标对象的医学影像中提取所述目标对象的血管的中心线;
第二提取模块,配置为沿所述中心线提取所述血管的几何形态特征;
第三提取模块,配置为沿所述中心线提取所述血管的解剖形态特征;
确定模块,配置为基于所述血管的几何形态特征以及所述血管的解剖形态特征,确定所述血管所属类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110467744.4A CN113239992A (zh) | 2021-04-28 | 2021-04-28 | 血管分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110467744.4A CN113239992A (zh) | 2021-04-28 | 2021-04-28 | 血管分类方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113239992A true CN113239992A (zh) | 2021-08-10 |
Family
ID=77129772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110467744.4A Pending CN113239992A (zh) | 2021-04-28 | 2021-04-28 | 血管分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239992A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100082692A1 (en) * | 2008-09-24 | 2010-04-01 | Akinola Akinyemi | Method and apparatus for classification of coronary artery image data |
US20160063720A1 (en) * | 2014-09-02 | 2016-03-03 | Impac Medical Systems, Inc. | Systems and methods for segmenting medical images based on anatomical landmark-based features |
US20170262733A1 (en) * | 2016-03-10 | 2017-09-14 | Siemens Healthcare Gmbh | Method and System for Machine Learning Based Classification of Vascular Branches |
CN107563983A (zh) * | 2017-09-28 | 2018-01-09 | 上海联影医疗科技有限公司 | 图像处理方法以及医学成像设备 |
CN108764286A (zh) * | 2018-04-24 | 2018-11-06 | 电子科技大学 | 一种基于迁移学习的血管图像中特征点的分类识别方法 |
CN109635876A (zh) * | 2017-12-21 | 2019-04-16 | 北京昆仑医云科技有限公司 | 为生理树结构生成解剖标签的计算机实现的方法、装置和介质 |
CN111815599A (zh) * | 2020-07-01 | 2020-10-23 | 上海联影智能医疗科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN112132949A (zh) * | 2019-11-19 | 2020-12-25 | 苏州润迈德医疗科技有限公司 | 具有狭窄病变区间的血管三维建模方法、装置和系统 |
-
2021
- 2021-04-28 CN CN202110467744.4A patent/CN113239992A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100082692A1 (en) * | 2008-09-24 | 2010-04-01 | Akinola Akinyemi | Method and apparatus for classification of coronary artery image data |
US20160063720A1 (en) * | 2014-09-02 | 2016-03-03 | Impac Medical Systems, Inc. | Systems and methods for segmenting medical images based on anatomical landmark-based features |
US20170262733A1 (en) * | 2016-03-10 | 2017-09-14 | Siemens Healthcare Gmbh | Method and System for Machine Learning Based Classification of Vascular Branches |
CN107563983A (zh) * | 2017-09-28 | 2018-01-09 | 上海联影医疗科技有限公司 | 图像处理方法以及医学成像设备 |
CN109635876A (zh) * | 2017-12-21 | 2019-04-16 | 北京昆仑医云科技有限公司 | 为生理树结构生成解剖标签的计算机实现的方法、装置和介质 |
CN108764286A (zh) * | 2018-04-24 | 2018-11-06 | 电子科技大学 | 一种基于迁移学习的血管图像中特征点的分类识别方法 |
CN112132949A (zh) * | 2019-11-19 | 2020-12-25 | 苏州润迈德医疗科技有限公司 | 具有狭窄病变区间的血管三维建模方法、装置和系统 |
CN111815599A (zh) * | 2020-07-01 | 2020-10-23 | 上海联影智能医疗科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
王梓佑: "肝脏血管中心线及分级数据的提取方法", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》, pages 31 - 39 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697741B (zh) | 一种pet图像重建方法、装置、设备及介质 | |
CN107133946B (zh) | 医学图像处理方法、装置及设备 | |
CN111145160B (zh) | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 | |
CN111640124B (zh) | 一种血管提取方法、装置、设备及存储介质 | |
CN111192660B (zh) | 一种影像报告分析方法、设备及计算机存储介质 | |
CN112446866A (zh) | 血流参数的计算方法、装置、设备及存储介质 | |
CN109448858A (zh) | 结直肠癌医疗数据处理方法及装置、存储介质、电子设备 | |
CN115994902A (zh) | 医学图像分析方法、电子设备及存储介质 | |
CN112446867A (zh) | 血流参数的确定方法、装置、设备及存储介质 | |
CN113205488B (zh) | 血流特性预测方法、装置、电子设备及存储介质 | |
CN113888566B (zh) | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 | |
CN110648318A (zh) | 用于皮肤病的辅助分析方法及装置、电子设备、存储介质 | |
Shan et al. | Abnormal ECG detection based on an adversarial autoencoder | |
CN113850796A (zh) | 基于ct数据的肺部疾病识别方法及装置、介质和电子设备 | |
CN113012118A (zh) | 图像处理方法以及图像处理装置 | |
CN111429457A (zh) | 图像局部区域亮度智能评价方法、装置、设备及介质 | |
CN113239992A (zh) | 血管分类方法及装置 | |
CN113610841B (zh) | 一种血管异常图像识别方法、装置、电子设备和存储介质 | |
CN110399907A (zh) | 基于诱导注意力的胸腔病症检测方法及装置、存储介质 | |
CN115526882A (zh) | 一种医学图像的分类方法、装置、设备及存储介质 | |
CN114972241A (zh) | 基于残差神经网络胎儿超声切面量化质控考核方法及装置 | |
CN114187281A (zh) | 一种图像处理方法、装置、电子设备和存储介质 | |
CN114897057A (zh) | 基于多模态数据融合的阴虚证智能诊断系统、方法、设备 | |
CN114037830A (zh) | 增强图像生成模型的训练方法、图像处理方法及装置 | |
CN111080625B (zh) | 肺部影像条索检测模型的训练方法及其训练装置 |
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 |