CN113256564A - 医学影像中的导管参数提取方法及装置 - Google Patents
医学影像中的导管参数提取方法及装置 Download PDFInfo
- Publication number
- CN113256564A CN113256564A CN202110467786.8A CN202110467786A CN113256564A CN 113256564 A CN113256564 A CN 113256564A CN 202110467786 A CN202110467786 A CN 202110467786A CN 113256564 A CN113256564 A CN 113256564A
- Authority
- CN
- China
- Prior art keywords
- catheter
- diameter
- conduit
- machine learning
- learning 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000010801 machine learning Methods 0.000 claims abstract description 89
- 238000001514 detection method Methods 0.000 claims description 42
- 230000004807 localization Effects 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 238000009966 trimming Methods 0.000 claims description 10
- 238000007670 refining Methods 0.000 claims description 9
- 238000013138 pruning Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 description 15
- 230000008901 benefit Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 238000002586 coronary angiography Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009466 transformation 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
- 239000002872 contrast media Substances 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000003363 endpoint correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003447 ipsilateral effect Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供了一种医学影像中的导管参数提取方法及装置，预先采用将内部包含有第一导管的第一生物组织的原始医学影像作为直接输入的方式，对用于导管定位的机器学习模型进行训练，使得所述用于导管定位的机器学习模型所预测的所述第一导管所在候选区域包含有所述第一导管，所述方法包括：获取内部包含有第二导管的第二生物组织的原始医学影像；将所述第二生物组织的原始医学影像输入所述用于导管定位的机器学习模型，得到所述用于导管定位的机器学习模型所预测的所述第二导管所在候选区域；于所述第二导管所在候选区域定位所述第二导管，并提取出所述第二导管的图像特征参数。
Description
技术领域
本申请涉及智慧医疗领域，具体涉及一种医学影像中的导管参数提取方法及装置。
背景技术
在医疗领域中，常常会需要将导管插入人体组织以进行医疗诊断或者医疗治疗。例如：在冠脉造影中，需要将导管插入人体组织，以通过导管向冠脉注射显影剂。
为了提高医疗诊断或者医疗治疗的准确度，多采用图像处理技术对医学影像中的导管进行准确定位，进而提取导管的图像特征参数以助力医疗诊断或者医疗治疗。现有技术中，对用于导管定位的医学影像常常存在一定门槛的要求，需要对医学影像进行一系列预处理，以提高医学影像的质量或者调整医学影像中导管的拍摄角度，否则很容易无法成功定位导管，自然也无法准确提取出导管的图像特征参数。
发明内容
本申请的一个目的在于提出一种医学影像中的导管参数提取方法及装置，能够提高导管定位的适用范围，从而提高了导管的图像特征参数的提取效率。
根据本申请实施例的一方面，公开了一种医学影像中的导管参数提取方法，预先采用将内部包含有第一导管的第一生物组织的原始医学影像作为直接输入的方式，对用于导管定位的机器学习模型进行训练，使得所述用于导管定位的机器学习模型所预测的所述第一导管所在候选区域包含有所述第一导管，所述方法包括：
获取内部包含有第二导管的第二生物组织的原始医学影像；
将所述第二生物组织的原始医学影像输入所述用于导管定位的机器学习模型，得到所述用于导管定位的机器学习模型所预测的所述第二导管所在候选区域；
于所述第二导管所在候选区域定位所述第二导管，并提取出所述第二导管的图像特征参数。
根据本申请实施例的一方面，公开了一种医学影像中的导管参数提取装置，预先采用将内部包含有第一导管的第一生物组织的原始医学影像作为直接输入的方式，对用于导管定位的机器学习模型进行训练，使得所述用于导管定位的机器学习模型所预测的所述第一导管所在候选区域包含有所述第一导管，所述装置包括：
影像获取模块，配置为获取内部包含有第二导管的第二生物组织的原始医学影像；
输入模块，配置为将所述第二生物组织的原始医学影像输入所述用于导管定位的机器学习模型，得到所述用于导管定位的机器学习模型所预测的所述第二导管所在候选区域；
定位提取模块，配置为于所述第二导管所在候选区域定位所述第二导管，并提取出所述第二导管的图像特征参数。
在本申请的一示例性实施例中，采用将内部包含有第一导管的第一生物组织的原始医学影像作为直接输入的方式，对用于导管定位的机器学习模型进行训练，使得所述用于导管定位的机器学习模型所预测的第一导管所在候选区域包含有所述第一导管，所述装置配置为：
获取内部包含有所述第一导管的第一生物组织的原始医学影像，并获取在所述第一生物组织的原始医学影像中预先标注的所述第一导管的目标位置；
不断地将所述第一生物组织的原始医学影像输入所述用于导管定位的机器学习模型，得到所述用于导管定位的机器学习模型所预测的所述第一导管所在候选区域，并基于所述第一导管所在候选区域与所述第一导管的目标位置之间的差异更新所述用于导管定位的机器学习模型，直到于所述第一导管所在候选区域定位所述第一导管所得到的位置，与所述第一导管的目标位置相比出现偏差的频率小于预设频率阈值。
在本申请的一示例性实施例中，所述装置配置为：
确定所述第二导管所在候选区域中各连通域的面积；
基于所述各连通域的面积确定所述第二导管所在连通域；
于所述第二导管所在连通域中定位所述第二导管。
在本申请的一示例性实施例中，所述装置配置为：
对所述第二导管进行细化处理，得到细化第二导管；
基于对所述细化第二导管进行特征点检测所得到的检测结果，对所述细化第二导管进行修剪，得到无分叉细化第二导管。
在本申请的一示例性实施例中，所述装置配置为：
基于对所述细化第二导管进行特征点检测所得到的检测结果，定位所述细化第二导管所包含的分叉点以及端点；
基于各所述分叉点与各所述端点之间的距离，对所述细化第二导管进行修剪，得到所述无分叉细化第二导管。
在本申请的一示例性实施例中，所述装置配置为：
提取所述无分叉细化第二导管的中心线；
获取无分叉第二导管在所述中心线上各中心点的直径大小，其中，所述无分叉第二导管为二值化的细化处理前的所述无分叉细化第二导管；
基于所述无分叉第二导管在所述中心线上各中心点的直径大小，定位位于所述无分叉第二导管的两端的直径异常段；
删除所述直径异常段内的所述无分叉细化第二导管的中心线，得到优化后中心线。
在本申请的一示例性实施例中，所述装置配置为：
将所述第二生物组织的原始医学影像输入所述用于轮廓检测的机器学习模型，得到所述第二导管的第一直径线，其中，所述第一直径线为所述用于轮廓检测的机器学习模型所预测的垂直于所述第二导管的轴向、且用于描述所述第二导管的轮廓直径的直径线；
基于所述优化后中心线对所述第一直径线进行优化。
在本申请的一示例性实施例中，所述装置配置为：
将所述第一直径线的同侧端点平滑连接，得到所述第二导管的轮廓边界；
生成垂直于所述优化后中心线、且用于描述所述第二导管的轮廓直径的第二直径线；
基于所述第二直径线的长度均值，删除长度不符合预设条件的所述第二直径线。
在本申请的一示例性实施例中，所述装置配置为：
经过各所述第一直径线的中点，生成所述第二导管的平滑的直径中点线，其中，所述直径中点线垂直于所述第一直径线；
定位所述直径中点线与所述优化后中心线之间的偏差段，并确定所述偏差段的偏差距离；
定位所述直径中点线中所述偏差距离大于预设距离阈值的偏差段，并删除所述偏差段内的所述第一直径线。
在本申请的一示例性实施例中，所述装置配置为：
响应于操作界面针对所述优化后中心线的手动调整指令，调整所述优化后中心线。
在本申请的一示例性实施例中，所述装置配置为：
响应于操作界面针对所述第二直径线的手动调整指令，调整所述第二直径线。
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，预先将原始医学影像作为用于导管定位的机器学习模型的直接输入，使得该用于导管定位的机器学习模型具备直接从原始医学影像中所预测的候选区域包含导管的能力。进而将该用于导管定位的机器学习模型投入导管的定位应用中后，无需对原始医学影像进行任何预处理，即使原始医学影像中导管的位置较为偏僻，或者导管弯曲的形状较为复杂，或者原始医学影像的图像质量较差，本申请依然能够准确定位导管，进而提取导管的图像特征参数。由此可见，本申请实施例通过降低导管定位对原始医学影像的质量要求以及预处理要求，提高了导管定位的适用范围，从而提高了导管的图像特征参数的提取效率。
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医学影像中的导管参数提取方法的流程图。
图2示出了根据本申请一个实施例的用于导管定位的机器学习模型的训练示意图。
图3示出了根据本申请一实施例的对导管进行定位的示意图。
图4示出了根据本申请一实施例的对导管进行细化的示意图。
图5示出了根据本申请一实施例的对导管进行修剪的示意图。
图6示出了根据本申请一实施例的对导管进行修剪的示意图。
图7示出了根据本申请一实施例的细化导管的中心线提取的示意图。
图8示出了根据本申请一实施例的去除直径异常段的示意图。
图9示出了根据本申请一实施例的用于轮廓检测的机器学习模型的训练示意图。
图10示出了根据本申请一实施例的第一直径线的示意图。
图11示出了根据本申请一实施例的对第一直径线进行优化的示意图。
图12示出了根据本申请一个实施例的导管参数提取相关的应用处理流程图。
图13根据本申请一个实施例的医学影像中的导管参数提取装置的框图。
图14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。
本申请提供了一种医学影像中的导管参数提取方法，主要应用于医疗领域中，从内部插有导管的生物组织的医学影像中提取出导管的图像特征参数。所提取出的导管的图像特征参数，可用于在医学影像中定位并分析该导管的位置特征，也可用于在医学影像中定位并分析该导管的形态特征。
在详细描述本申请实施例的具体实施过程之前，首先对本申请涉及的部分概念进行简要解释。
原始医学影像，指的是在医疗领域中所取得的生物组织的原始影像。常见的原始医学影像包括但不限于：原始CT(Computed Tomography，电子计算机断层扫描)影像，原始NMRI(Nuclear Magnetic Resonance Imaging，核磁共振成像)影像。
细化，指的是对图像进行细化处理。具体的，一般指对二值化的图像进行骨架化，将图像的线条从多像素宽度减少到单位像素宽度。细化亦可被称为骨架化、中轴转换、对称轴转换。
连通域，指的是具有相同像素值的相邻像素所组成的像素集合。
最小损失路径，指的是从图像的一个起始像素点，到图像的一个终止像素点，基于预设的损失函数，使得走过的路径函数值最小化的路径。
图1示出了本申请一实施例的医学影像中的导管参数提取方法的流程图。该方法预先采用将内部包含有第一导管的第一生物组织的原始医学影像作为直接输入的方式，对用于导管定位的机器学习模型进行训练，使得用于导管定位的机器学习模型所预测的第一导管所在候选区域包含有第一导管，该方法包括：
步骤S110、获取内部包含有第二导管的第二生物组织的原始医学影像；
步骤S120、将第二生物组织的原始医学影像输入用于导管定位的机器学习模型，得到该用于导管定位的机器学习模型所预测的第二导管所在候选区域；
步骤S130、于该第二导管所在候选区域定位该第二导管，并提取出该第二导管的图像特征参数。
本申请实施例中，预先将原始医学影像作为用于导管定位的机器学习模型的直接输入，使得该用于导管定位的机器学习模型具备直接从原始医学影像中所预测的候选区域包含导管的能力。进而将该用于导管定位的机器学习模型投入导管的定位应用中后，无需对原始医学影像进行任何预处理，即使原始医学影像中导管的位置较为偏僻，或者导管弯曲的形状较为复杂，或者原始医学影像的图像质量较差，本申请依然能够准确定位导管，进而提取导管的图像特征参数。由此可见，本申请实施例通过降低导管定位对原始医学影像的质量要求以及预处理要求，提高了导管定位的适用范围，从而提高了导管的图像特征参数的提取效率。
在一实施例中，获取内部包含有第一导管的第一生物组织的原始医学影像，并获取在该第一生物组织的原始医学影像中预先标注的第一导管的目标位置。
不断地将该第一生物组织的原始医学影像输入用于导管定位的机器学习模型，得到用于导管定位的机器学习模型所预测的第一导管所在候选区域，并基于该第一导管所在候选区域与第一导管的目标位置之间的差异更新该用于导管定位的机器学习模型，直到于该第一导管所在候选区域定位该第一导管所得到的位置，与该第一导管的目标位置相比出现偏差的频率小于预设频率阈值。当于该第一导管所在候选区域定位该第一导管所得到的位置，与该第一导管的目标位置相比出现偏差的频率小于预设频率阈值时，说明该用于导管定位的机器学习模块已经能够一定程度上准确定位导管在原始医学影像中的区域。
需要说明的是，该用于导管定位的机器学习模型所预测的第一导管所在候选区域，可以仅包含一个连通域，也可以包含多个连通域。
在一实施例中，在将该第一生物组织的原始医学影像输入该用于导管定位的机器学习模型之前，对该第一生物组织的原始医学影像进行数据扩增。
该实施例的优点在于，通过对第一生物组织的原始医学影像进行数据扩增，增加了用于训练该用于导管定位的机器学习模型的训练样本的数量，从而提高了机器学习模型的训练准确度。
在一实施例中，通过图像平移、图像旋转、图像镜像以及图像缩放等方式，对该第一生物组织的原始医学影像进行数据扩增。
在一实施例中，通过在原始医学影像的像素灰度值上添加随机噪声的方式，对该第一生物组织的原始医学影像进行数据扩增。
在一实施例中，所添加的随机噪声为服从正态分布的随机噪声。
图2示出了本申请一实施例的用于导管定位的机器学习模型的训练示意图。
该实施例中，用于导管定位的机器学习模型为深度神经网络结构。
对于原始冠脉造影图像，预先在其中人工标注出导管的位置作为训练目标。将该原始冠脉造影图像输入该神经网络后，由该神经网络预测出导管所在的候选区域。
进而将该神经网络的预测结果与人工标注进行对比，并将对比结果反馈给该神经网络，更新该神经网络的参数。如此循环，直到该神经网络预测的候选区域包含人工标注的准确度达到预设准确度阈值。
在一实施例中，基于候选区域中连通域的面积定位第二导管。
该实施例中，确定第二导管所在候选区域中各连通域的面积，然后基于各连通域的面积确定第二导管所在连通域，进而于该第二导管所在连通域中定位该第二导管。
一般的，选取面积最大的连通域作为第二导管所在连通域。即，将候选区域中的最大连通域作为第二导管所在连通域。进而在最大连通域中定位第二导管。
也可以按照面积从大到小的顺序对第二导管所在候选区域中各连通域进行排序，将排在前N个的连通域作为第二导管所在连通域，进而在该前N个的连通域中定位第二导管，其中，N为大于等于2的整数。
图3示出了本申请一实施例的对导管进行定位的示意图。
该实施例中，左图示出了神经网络预测出的导管所在的候选区域。该候选区域包含多个连通域。提取出如右图所示该候选区域中的最大连通域，进而于该最大连通域中定位导管。具体的，可以直接将该最大连通域作为导管。
在一实施例中，在于第二导管所在候选区域定位第二导管之后，对第二导管进行细化处理，得到细化第二导管。进而基于对细化第二导管进行特征点检测所得到的检测结果，对细化第二导管进行修剪，得到无分叉细化第二导管。
该实施例中，于第二导管所在候选区域定位得到的第二导管，其直径长度一般为多个像素宽度。对该第二导管进行细化处理后所得到的细化第二导管，其一般为由单位像素按照第二导管的几何形态排列而成的单位像素序列，其直径长度一般为单位像素宽度。
基于对细化第二导管进行特征点检测所得到的检测结果，定位细化导管所具有的分叉，并对其分叉进行修剪，得到无分叉细化第二导管。
该实施例的优点在于，通过对导管进行细化处理，提高了对导管进行端点检测的效率。
图4示出了本申请一实施例的对导管进行细化的示意图。
该实施例中，左图示出了用于导管定位的最大连通域。将该最大连通域直接作为导管后，对该导管进行细化处理，得到右图所示单位像素宽度的细化导管。
在一实施例中，基于对细化第二导管进行特征点检测所得到的检测结果，定位细化第二导管所包含的分叉点以及端点。进而基于各分叉点与各端点之间的距离，对细化第二导管进行修剪，得到无分叉细化第二导管。
该实施例中，对细化第二导管进行特征点检测，能够定位在原始医学图像中细化第二导管的分叉点以及端点。其中，分叉点至少连接有两个端点。
计算分叉点与端点之间的距离，根据所得到距离的比较，对该细化第二导管进行修剪，去除细化第二导管中的分叉，从而得到无分叉细化第二导管。
该实施例的优点在于，通过对导管存在的分叉进行修剪，减少了将导管与血管混淆在一起这种情况的发生，从而提高了导管定位的准确度。
在一实施例中，对细化第二导管进行修剪时，仅将最大距离的分叉点与端点作为导管的两个端点，从而得到无分叉细化第二导管。
图5示出了本申请一实施例的对导管进行修剪的示意图。
该实施例中，左图示出了对导管的端点检测结果。该导管具有一个分叉点c，三个端点a、b、d。该导管是一个典型分叉结构，其端点数目与分叉点数目满足En＝Bn+2。其中，En表示端点数目，Bn表示分叉点数目。
其中，分叉点c到端点a的距离最大。则仅将分叉点c与端点a作为导管的两个端点，将端点b与端点d均排除在导管之外，从而得到右图所示的无分叉导管。该无分叉导管的两个端点分别为c与a。
图6示出了本申请一实施例的对导管进行修剪的示意图。
该实施例中，左图示出了对导管的端点检测结果。该导管具有两个分叉点c、d，两个端点a、b。该导管是一个典型回环结构，其端点数目与分叉点数目不满足En＝Bn+2。其中，En表示端点数目，Bn表示分叉点数目。
其中，分叉点d到端点a的距离最大。则仅将分叉点d与端点a作为导管的两个端点，将端点b与分叉点c均排除在导管之外，从而得到右图所示的无分叉导管。该无分叉导管的两个端点分别为d与a。
在一实施例中，在得到无分叉细化第二导管后，提取该无分叉细化第二导管的中心线。其中，由于无分叉细化第二导管一般是由单位像素排列而成的，因此无分叉细化第二导管的边缘一般是阶梯状的。而该中心线是一条由无分叉细化第二导管的中心点光滑连接得到的线。
进而，获取无分叉第二导管在该中心线上各中心点的直径大小，其中，无分叉第二导管为二值化的细化处理前的无分叉细化第二导管。进而，基于无分叉第二导管在中心线上各中心点的直径大小，定位位于无分叉第二导管的两端的直径异常段。进而，删除直径异常段内的无分叉细化第二导管的中心线，得到优化后中心线。
具体的，细化第二导管，保留了第二导管的几何形态特征。因此，可以根据细化第二导管，按照细化处理的逆过程，还原出其在细化处理前的二值化形态，得到第二导管。同理，可以根据无分叉细化第二导管，按照细化处理的逆过程，还原出其在细化处理前的二值化形态，得到无分叉第二导管。
无分叉细化第二导管的中心线，同时能够作为无分叉第二导管的中心线。进而可以基于无分叉第二导管的二值图的梯度，获取无分叉第二导管在该中心线上各中心点的直径大小。进而在此基础上定位位于无分叉第二导管的两端的直径异常段。
其中，直径异常段指的是与其他部位直径大小的差异超过一定程度的区段。该直径异常段一般是由于图像分割处理所导致的“收缩”现象，一般位于被分割对象的两端。
将该直径异常段内的无分叉细化第二导管的中心线删除，得到优化后中心线。由于优化后中心线不涉及直径异常段，因此在优化后中心线的基础上对无分叉第二导管所作处理，也不涉及直径异常段。
该实施例的优点在于，由于用于导管定位的机器学习模型一般是在像素级别上对导管进行定位分割，定位分割结果较为粗糙。因此在定位第二导管并得到无分叉细化第二导管后，通过提取该无分叉细化第二导管的中心线，使得在该中心线基础上所进行的参数提取过程更为精细，提高了参数提取的容错率。进一步的，通过删除直径异常段的中心线对导管的中心线进行优化，避免了中心线的偏移，进一步提高了参数提取的容错率。
图7示出了本申请一实施例的细化导管的中心线提取的示意图。
该实施例中，对于左图所示的细化导管进行端点检测，确定该细化导管的两个端点。进而可以将该两个端点作为中心线的起点与终点，基于二值图进行最小损失路径的计算，将计算所得的像素点顺序连接起来并用样条曲线进行平滑处理，得到右图所示的位于细化导管内部的光滑的中心线。
图8示出了本申请一实施例的去除直径异常段的示意图。
该实施例中，左图示出了提取有中心线的二值化的导管。如图所示，该导管的下端相比其他部分，在直径大小上存在一定程度的收缩，属于直径异常段。为避免直径异常段对图像处理所造成的误差，将该导管的直径异常段去除，删去该直径异常段部分的中心线，得到右图所示的优化后中心线。
在一实施例中，响应于操作界面针对优化后中心线的手动调整指令，调整优化后中心线。
具体的，在操作界面中提供手动调整接口，使得用户可通过该手动调整接口在操作界面中下发手动调整指令，从而对优化后中心线进行手动调整。
该实施例的优点在于，通过于操作界面提供手动调整接口，为用户提供了良好的交互体验，降低了操作的复杂度。
在一实施例中，预先采用将内部包含有第三导管的第三生物组织的原始医学影像作为直接输入的方式，对用于轮廓检测的机器学习模型进行训练，使得用于轮廓检测的机器学习模型预测得到垂直于第三导管的轴向、且用于描述第三导管的轮廓直径的直径线。
进而将第二生物组织的原始医学影像输入用于轮廓检测的机器学习模型，得到第二导管的第一直径线，其中，第一直径线为用于轮廓检测的机器学习模型所预测的垂直于第二导管的轴向、且用于描述第二导管的轮廓直径的直径线。进而基于优化后中心线对第一直径线进行优化。
具体的，通过对用于轮廓检测的机器学习模型的训练，该用于轮廓检测的机器学习模型能够根据直接输入的原始医学影像，预测得到该原始医学影像中导管的直径线。其中，导管的直径线指的是垂直于导管的轴向、且用于描述导管的轮廓直径的线段。
进而，通过将第二生物组织的原始医学影像输入该用于轮廓检测的机器学习模型，得到该用于轮廓检测的机器学习模型输出的第二导管的第一直径线。进而基于优化后中心线对第二导管的第一直径线进行优化。由于第一直径线能够直观展示出第二导管的轮廓形态，因此，对第一直径线进行优化，相当于对第二导管的轮廓进行优化。
该实施例的优点在于，由于用于导管定位的机器学习模型一般是在像素级别上对导管进行定位分割，定位分割结果较为粗糙；而且用于导管定位的机器学习模型通常会分割出多个连通域，存在一定程度的偏差。如果直接在用于导管定位的机器学习模型的定位分割结果上进行轮廓检测的话，难以满足导管轮廓的精细度要求。
因此在提取并优化中心线后，再使用用于轮廓检测的机器学习模型进行轮廓检测，生成能够展示出轮廓形态的直径线，提高了导管轮廓的精细度；而且再根据优化后中心线对直径线进行优化，进一步提高导管轮廓的精细度。
图9示出了本申请一实施例的用于轮廓检测的机器学习模型的训练示意图。
该实施例中，用于轮廓检测的机器学习模型为深度神经网络结构。
对于原始冠脉造影图像，预先在其中人工标注出轮廓左右边界的坐标对作为训练目标。将该原始冠脉造影图像输入该神经网络后，由该神经网络预测出导管的轮廓左右边界的坐标对。
进而将该神经网络的预测结果与人工标注进行对比，并将对比结果反馈给该神经网络，更新该神经网络的参数。如此循环，直到该神经网络的预测结果与人工标注保持一定精度。
图10示出了本申请一实施例的第一直径线的示意图。
该实施例中，左图示出了去除直径异常段后，其中包含优化后中心线的二值化的导管。
将该导管的原始医学影像输入用于轮廓检测的机器学习模型后，该用于轮廓检测的机器学习模型预测出该导管的轮廓左右边界的坐标对。将同一坐标对使用线段进行连接后，即得到对应的一条第一直径线。
将右图所示的各个第一直径线的同侧端点光滑连接后，即得到该导管的轮廓边界。
在一实施例中，将第一直径线的同侧端点平滑连接，得到第二导管的轮廓边界。进而，生成垂直于优化后中心线、且用于描述第二导管的轮廓直径的第二直径线。进而，基于第二直径线的长度均值，删除长度不符合预设条件的第二直径线。
具体的，将第二导管的第一直径线的同侧端点平滑连接后，得到该第二导管的平滑的轮廓边界。结合该第二导管的轮廓边界以及优化后中心线，可以通过垂直于该优化后中心线截取该轮廓边界的方式，得到该第二导管的第二直径线。进而，基于第二导管的第二直径线的均值，删除长度不符合预设条件的第二导管的第二直径线。由于在第一直径线基础上得到的第二直径线亦能够直观展示出第二导管的轮廓形态，因此，删除长度不符合预设条件的第二直径线，亦相当于对第二导管的轮廓进行优化。
该实施例的优点在于，通过对长度不符合预设条件的第二直径线进行删除，剔除了异常直径线的干扰，避免了后续提取导管直径相关参数(例如：计算导管的平均直径长度)时的误差，提高了导管参数提取的鲁棒性。
在一实施例中，得到第二导管的第二直径线的长度均值后，计算各第二直径线的长度与该长度均值的差值。进而，将该差值大于预设阈值的直径线进行删除。
图11示出了本申请一实施例的对第一直径线进行优化的示意图。
该实施例中，左图示出了垂直于导管轴向的第一直径线。通过计算左图中第一直径线的长度均值，进而将第一直径线中与该长度均值的差异大于预设阈值的直径线进行删除，得到右图所示的优化后第一直径线。
在一实施例中，响应于操作界面针对第二直径线的手动调整指令，调整第二导管的优化后第一直径线。
具体的，在操作界面中提供手动调整接口，使得用户可通过该手动调整接口在操作界面中下发手动调整指令，从而对第二直径线进行手动调整。
该实施例的优点在于，通过于操作界面提供手动调整接口，为用户提供了良好的交互体验，降低了操作的复杂度。
在一实施例中，经过各第一直径线的中点，生成第二导管的平滑的直径中点线，其中，该直径中点线垂直于第一直径线。进而，定位直径中点线与优化后中心线之间的偏差段，并确定偏差段的偏差距离。进而，定位该直径中点线中该偏差距离大于预设距离阈值的偏差段，并删除该偏差段内的第一直径线。
具体的，沿第二导管的轴向，垂直于各第一直径线，将各第一直径线的中心顺序平滑连接，得到该第二导管的平滑的直径中心线。
可以通过将该直径中点线与优化后中心线进行叠加，使得该直径中点线尽量与该优化后中心线重合的方式，定位该直径中点线与该优化后中心线之间的偏差段以及对应的偏差距离。偏差距离越大，则说明对应偏差段内的直径中点线与优化后中心线越不相符。
定位该直径中点线中偏差距离大于预设距离阈值的偏差段，并删除该偏差段内的第一直径线，从而实现对第二导管的轮廓的优化。
该实施例的优点在于，通过对偏差距离大于预设距离阈值的偏差段的第一直径线进行删除，剔除了异常直径线的干扰，避免了后续提取导管直径相关参数(例如：计算导管的平均直径长度)时的误差，提高了导管参数提取的鲁棒性。
图12示出了本申请一实施例的导管参数提取相关的应用处理流程图。
该实施例中，将内部包含有导管的生物组织的原始医学影像输入预先训练完毕的用于导管定位的机器学习模型中，根据该用于导管定位的机器学习模型所预测的候选区域，于该候选区域定位导管，进而提取出导管的图像特征参数。
进而在导管的图像特征参数的基础上，对导管进行细化处理，得到细化导管。进而对细化导管进行端点检测，检测细化导管所包含的分叉点以及端点，进而在此基础上去除细化导管的分叉，实现对细化导管的端点校正，得到无分叉细化导管。
进而提取无分叉细化导管的中心线，并将无分叉细化导管还原为细化处理前的无分叉导管。并定位无分叉导管的直径异常段，并通过删除直径异常段内的中心线，得到优化后中心线。
将导管的生物组织的原始医学影像输入预先训练完毕的用于轮廓检测的机器学习模型中，得到该用于轮廓检测的机器学习模型所预测的第一直径线。
进而可以根据优化后中心线对第一直径线进行优化：将第一直径线的同侧端点平滑连接，得到导管的轮廓边界；进而垂直于该优化后中心线，生成第二直径线，进而删除长度不符合预设条件的第二直径线。
也可以响应于支持人工交互的操作界面针对优化后中心线的手动调整指令，对优化后中心线进行调整；或者响应于该操作界面针对第一直径线的手动调整指令，对第一直径线进行调整。
图13示出了根据本申请一实施例的医学影像中的导管参数提取装置，预先采用将内部包含有第一导管的第一生物组织的原始医学影像作为直接输入的方式，对用于导管定位的机器学习模型进行训练，使得所述用于导管定位的机器学习模型所预测的所述第一导管所在候选区域包含有所述第一导管，所述装置包括：
影像获取模块210，配置为获取内部包含有第二导管的第二生物组织的原始医学影像；
输入模块220，配置为将所述第二生物组织的原始医学影像输入所述用于导管定位的机器学习模型，得到所述用于导管定位的机器学习模型所预测的所述第二导管所在候选区域；
定位提取模块230，配置为于所述第二导管所在候选区域定位所述第二导管，并提取出所述第二导管的图像特征参数。
在本申请的一示例性实施例中，采用将内部包含有第一导管的第一生物组织的原始医学影像作为直接输入的方式，对用于导管定位的机器学习模型进行训练，使得所述用于导管定位的机器学习模型所预测的第一导管所在候选区域包含有所述第一导管，所述装置配置为：
获取内部包含有所述第一导管的第一生物组织的原始医学影像，并获取在所述第一生物组织的原始医学影像中预先标注的所述第一导管的目标位置；
不断地将所述第一生物组织的原始医学影像输入所述用于导管定位的机器学习模型，得到所述用于导管定位的机器学习模型所预测的所述第一导管所在候选区域，并基于所述第一导管所在候选区域与所述第一导管的目标位置之间的差异更新所述用于导管定位的机器学习模型，直到于所述第一导管所在候选区域定位所述第一导管所得到的位置，与所述第一导管的目标位置相比出现偏差的频率小于预设频率阈值。
在本申请的一示例性实施例中，所述装置配置为：
确定所述第二导管所在候选区域中各连通域的面积；
基于所述各连通域的面积确定所述第二导管所在连通域；
于所述第二导管所在连通域中定位所述第二导管。
在本申请的一示例性实施例中，所述装置配置为：
对所述第二导管进行细化处理，得到细化第二导管；
基于对所述细化第二导管进行特征点检测所得到的检测结果，对所述细化第二导管进行修剪，得到无分叉细化第二导管。
在本申请的一示例性实施例中，所述装置配置为：
基于对所述细化第二导管进行特征点检测所得到的检测结果，定位所述细化第二导管所包含的分叉点以及端点；
基于各所述分叉点与各所述端点之间的距离，对所述细化第二导管进行修剪，得到所述无分叉细化第二导管。
在本申请的一示例性实施例中，所述装置配置为：
提取所述无分叉细化第二导管的中心线；
获取无分叉第二导管在所述中心线上各中心点的直径大小，其中，所述无分叉第二导管为二值化的细化处理前的所述无分叉细化第二导管；
基于所述无分叉第二导管在所述中心线上各中心点的直径大小，定位位于所述无分叉第二导管的两端的直径异常段；
删除所述直径异常段内的所述无分叉细化第二导管的中心线，得到优化后中心线。
在本申请的一示例性实施例中，所述装置配置为：
将所述第二生物组织的原始医学影像输入所述用于轮廓检测的机器学习模型，得到所述第二导管的第一直径线，其中，所述第一直径线为所述用于轮廓检测的机器学习模型所预测的垂直于所述第二导管的轴向、且用于描述所述第二导管的轮廓直径的直径线；
基于所述优化后中心线对所述第一直径线进行优化。
在本申请的一示例性实施例中，所述装置配置为：
将所述第一直径线的同侧端点平滑连接，得到所述第二导管的轮廓边界；
生成垂直于所述优化后中心线、且用于描述所述第二导管的轮廓直径的第二直径线；
基于所述第二直径线的长度均值，删除长度不符合预设条件的所述第二直径线。
在本申请的一示例性实施例中，所述装置配置为：
经过各所述第一直径线的中点，生成所述第二导管的平滑的直径中点线，其中，所述直径中点线垂直于所述第一直径线；
定位所述直径中点线与所述优化后中心线之间的偏差段，并确定所述偏差段的偏差距离；
定位所述直径中点线中所述偏差距离大于预设距离阈值的偏差段，并删除所述偏差段内的所述第一直径线。
在本申请的一示例性实施例中，所述装置配置为：
响应于操作界面针对所述优化后中心线的手动调整指令，调整所述优化后中心线。
在本申请的一示例性实施例中，所述装置配置为：
响应于操作界面针对所述第二直径线的手动调整指令，调整所述第二直径线。
下面参考图14来描述根据本申请实施例的电子设备30。图14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14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)
1.一种医学影像中的导管参数提取方法，其特征在于，预先采用将内部包含有第一导管的第一生物组织的原始医学影像作为直接输入的方式，对用于导管定位的机器学习模型进行训练，使得所述用于导管定位的机器学习模型所预测的所述第一导管所在候选区域包含有所述第一导管，所述方法包括：
获取内部包含有第二导管的第二生物组织的原始医学影像；
将所述第二生物组织的原始医学影像输入所述用于导管定位的机器学习模型，得到所述用于导管定位的机器学习模型所预测的所述第二导管所在候选区域；
于所述第二导管所在候选区域定位所述第二导管，并提取出所述第二导管的图像特征参数。
2.根据权利要求1所述的方法，其特征在于，采用将内部包含有第一导管的第一生物组织的原始医学影像作为直接输入的方式，对用于导管定位的机器学习模型进行训练，使得所述用于导管定位的机器学习模型所预测的第一导管所在候选区域包含有所述第一导管，包括：
获取内部包含有所述第一导管的第一生物组织的原始医学影像，并获取在所述第一生物组织的原始医学影像中预先标注的所述第一导管的目标位置；
不断地将所述第一生物组织的原始医学影像输入所述用于导管定位的机器学习模型，得到所述用于导管定位的机器学习模型所预测的所述第一导管所在候选区域，并基于所述第一导管所在候选区域与所述第一导管的目标位置之间的差异更新所述用于导管定位的机器学习模型，直到于所述第一导管所在候选区域定位所述第一导管所得到的位置，与所述第一导管的目标位置相比出现偏差的频率小于预设频率阈值。
3.根据权利要求1所述的方法，其特征在于，于所述第二导管所在候选区域定位所述第二导管，包括：
确定所述第二导管所在候选区域中各连通域的面积；
基于所述各连通域的面积确定所述第二导管所在连通域；
于所述第二导管所在连通域中定位所述第二导管。
4.根据权利要求1所述的方法，其特征在于，在于所述第二导管所在候选区域定位所述第二导管之后，所述方法还包括：
对所述第二导管进行细化处理，得到细化第二导管；
基于对所述细化第二导管进行特征点检测所得到的检测结果，对所述细化第二导管进行修剪，得到无分叉细化第二导管。
5.根据权利要求4所述的方法，其特征在于，基于对所述细化第二导管进行特征点检测所得到的检测结果，对所述细化第二导管进行修剪，得到无分叉细化第二导管，包括：
基于对所述细化第二导管进行特征点检测所得到的检测结果，定位所述细化第二导管所包含的分叉点以及端点；
基于各所述分叉点与各所述端点之间的距离，对所述细化第二导管进行修剪，得到所述无分叉细化第二导管。
6.根据权利要求4所述的方法，其特征在于，在得到无分叉细化第二导管之后，所述方法还包括：
提取所述无分叉细化第二导管的中心线；
获取无分叉第二导管在所述中心线上各中心点的直径大小，其中，所述无分叉第二导管为二值化的细化处理前的所述无分叉细化第二导管；
基于所述无分叉第二导管在所述中心线上各中心点的直径大小，定位位于所述无分叉第二导管的两端的直径异常段；
删除所述直径异常段内的所述无分叉细化第二导管的中心线，得到优化后中心线。
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：
响应于操作界面针对所述优化后中心线的手动调整指令，调整所述优化后中心线。
8.根据权利要求6所述的方法，其特征在于，预先采用将内部包含有第三导管的第三生物组织的原始医学影像作为直接输入的方式，对用于轮廓检测的机器学习模型进行训练，使得所述用于轮廓检测的机器学习模型预测得到垂直于所述第三导管的轴向、且用于描述所述第三导管的轮廓直径的直径线，所述方法还包括：
将所述第二生物组织的原始医学影像输入所述用于轮廓检测的机器学习模型，得到所述第二导管的第一直径线，其中，所述第一直径线为所述用于轮廓检测的机器学习模型所预测的垂直于所述第二导管的轴向、且用于描述所述第二导管的轮廓直径的直径线；
基于所述优化后中心线对所述第一直径线进行优化。
9.根据权利要求8所述的方法，其特征在于，基于所述优化后中心线对所述第一直径线进行优化，包括：
经过各所述第一直径线的中点，生成所述第二导管的平滑的直径中点线，其中，所述直径中点线垂直于所述第一直径线；
定位所述直径中点线与所述优化后中心线之间的偏差段，并确定所述偏差段的偏差距离；
定位所述直径中点线中所述偏差距离大于预设距离阈值的偏差段，并删除所述偏差段内的所述第一直径线。
10.根据权利要求8所述的方法，其特征在于，基于所述优化后中心线对所述第一直径线进行优化，包括：
将所述第一直径线的同侧端点平滑连接，得到所述第二导管的轮廓边界；
生成垂直于所述优化后中心线、且用于描述所述第二导管的轮廓直径的第二直径线；
基于所述第二直径线的长度均值，删除长度不符合预设条件的所述第二直径线。
11.根据权利要求10所述的方法，其特征在于，所述方法还包括：
响应于操作界面针对所述第二直径线的手动调整指令，调整所述第二直径线。
12.一种医学影像中的导管参数提取装置，其特征在于，预先采用将内部包含有第一导管的第一生物组织的原始医学影像作为直接输入的方式，对用于导管定位的机器学习模型进行训练，使得所述用于导管定位的机器学习模型所预测的所述第一导管所在候选区域包含有所述第一导管，所述装置包括：
影像获取模块，配置为获取内部包含有第二导管的第二生物组织的原始医学影像；
输入模块，配置为将所述第二生物组织的原始医学影像输入所述用于导管定位的机器学习模型，得到所述用于导管定位的机器学习模型所预测的所述第二导管所在候选区域；
定位提取模块，配置为于所述第二导管所在候选区域定位所述第二导管，并提取出所述第二导管的图像特征参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110467786.8A CN113256564B (zh) | 2021-04-28 | 2021-04-28 | 医学影像中的导管参数提取方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110467786.8A CN113256564B (zh) | 2021-04-28 | 2021-04-28 | 医学影像中的导管参数提取方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113256564A true CN113256564A (zh) | 2021-08-13 |
| CN113256564B CN113256564B (zh) | 2024-03-01 |
Family
ID=77222139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110467786.8A Active CN113256564B (zh) | 2021-04-28 | 2021-04-28 | 医学影像中的导管参数提取方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113256564B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102346803A (zh) * | 2010-07-28 | 2012-02-08 | 北京集翔多维信息技术有限公司 | 心血管造影图像分析系统 |
| 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 |
| US20200226422A1 (en) * | 2019-01-13 | 2020-07-16 | Lightlab Imaging, Inc. | Systems and methods for classification of arterial image regions and features thereof |
| CN111462047A (zh) * | 2020-03-06 | 2020-07-28 | 深圳睿心智能医疗科技有限公司 | 血管参数测量方法、装置、计算机设备和存储介质 |
| CN111862046A (zh) * | 2020-07-21 | 2020-10-30 | 江苏省人民医院（南京医科大学第一附属医院） | 一种心脏冠脉剪影中导管位置判别系统和方法 |
| CN111932552A (zh) * | 2020-07-21 | 2020-11-13 | 深圳睿心智能医疗科技有限公司 | 一种主动脉建模的方法及装置 |
| CN111968070A (zh) * | 2020-04-22 | 2020-11-20 | 深圳睿心智能医疗科技有限公司 | 一种基于三维建模的血管检测方法及装置 |
| CN112184888A (zh) * | 2020-10-10 | 2021-01-05 | 深圳睿心智能医疗科技有限公司 | 三维血管建模的方法及装置 |
| CN112614217A (zh) * | 2020-12-17 | 2021-04-06 | 深圳睿心智能医疗科技有限公司 | 管状物三维模型的拉直方法、装置及电子设备 |
-
2021
- 2021-04-28 CN CN202110467786.8A patent/CN113256564B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102346803A (zh) * | 2010-07-28 | 2012-02-08 | 北京集翔多维信息技术有限公司 | 心血管造影图像分析系统 |
| 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 |
| US20200226422A1 (en) * | 2019-01-13 | 2020-07-16 | Lightlab Imaging, Inc. | Systems and methods for classification of arterial image regions and features thereof |
| CN111462047A (zh) * | 2020-03-06 | 2020-07-28 | 深圳睿心智能医疗科技有限公司 | 血管参数测量方法、装置、计算机设备和存储介质 |
| CN111968070A (zh) * | 2020-04-22 | 2020-11-20 | 深圳睿心智能医疗科技有限公司 | 一种基于三维建模的血管检测方法及装置 |
| CN111862046A (zh) * | 2020-07-21 | 2020-10-30 | 江苏省人民医院（南京医科大学第一附属医院） | 一种心脏冠脉剪影中导管位置判别系统和方法 |
| CN111932552A (zh) * | 2020-07-21 | 2020-11-13 | 深圳睿心智能医疗科技有限公司 | 一种主动脉建模的方法及装置 |
| CN112184888A (zh) * | 2020-10-10 | 2021-01-05 | 深圳睿心智能医疗科技有限公司 | 三维血管建模的方法及装置 |
| CN112614217A (zh) * | 2020-12-17 | 2021-04-06 | 深圳睿心智能医疗科技有限公司 | 管状物三维模型的拉直方法、装置及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| YINGLIANG MA 等: "A novel real-time computational framework for detecting catheters and rigid guidewires in cardiac catheterization procedures", MEDICAL PHYSICS, 31 December 2018 (2018-12-31) * |
| 李在娟 等: "基于路径的血管介入手术电磁跟踪的配准算法", 华中科技大学学报(自然科学版), no. 1, 10 January 2014 (2014-01-10) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113256564B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11847547B2 (en) | Method and system for generating a centerline for an object, and computer readable medium | |
| CN112184888A (zh) | 三维血管建模的方法及装置 | |
| 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 | |
| CN112700490B (zh) | 一种基于最大半径搜索的冠脉中心线生成方法及装置 | |
| CN111640124B (zh) | 一种血管提取方法、装置、设备及存储介质 | |
| CN114004793A (zh) | 血流特性获取方法、装置、电子设备及存储介质 | |
| CN117115150B (zh) | 用于确定分支血管的方法、计算设备和介质 | |
| CN115049807B (zh) | 肺部血管模型的建立方法、装置及服务器 | |
| CN115222711A (zh) | 一种血管中心线提取方法及装置 | |
| CN112614217A (zh) | 管状物三维模型的拉直方法、装置及电子设备 | |
| Ma et al. | A coronary artery segmentation method based on region growing with variable sector search area | |
| CN113971728B (zh) | 图像识别方法、模型的训练方法、装置、设备及介质 | |
| Wang et al. | A 3D tubular flux model for centerline extraction in neuron volumetric images | |
| CN117373070B (zh) | 血管分段标注的方法及装置、电子设备和存储介质 | |
| CN113256564A (zh) | 医学影像中的导管参数提取方法及装置 | |
| CN115482261A (zh) | 血管配准方法、装置、电子设备及存储介质 | |
| CN116309264A (zh) | 造影图像判定方法及造影图像判定装置 | |
| CN111539926B (zh) | 一种图像检测方法及装置 | |
| CN113192099B (zh) | 一种组织提取方法、装置、设备和介质 | |
| CN114170258A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
| CN115423832B (zh) | 肺动脉分割模型构建方法、肺动脉分割方法和装置 | |
| CN115588012B (zh) | 一种盆骨动脉血管分割方法、系统、存储介质及终端 | |
| CN113838572B (zh) | 血管生理参数获取方法、装置、电子设备及存储介质 | |
| CN117350986A (zh) | 一种冠脉血管关键点定位方法、装置、设备及介质 | |
| Zhang et al. | Vascular centerline extraction of CTA images based on minimal path and Bayesian tracking |
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 |