CN113450337A - 心包腔内积液的评价方法、装置、电子设备及存储介质 - Google Patents

心包腔内积液的评价方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113450337A
CN113450337A CN202110767821.8A CN202110767821A CN113450337A CN 113450337 A CN113450337 A CN 113450337A CN 202110767821 A CN202110767821 A CN 202110767821A CN 113450337 A CN113450337 A CN 113450337A
Authority
CN
China
Prior art keywords
effusion
value
pericardial cavity
determining
heart
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
CN202110767821.8A
Other languages
English (en)
Other versions
CN113450337B (zh
Inventor
何薇
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.)
Neusoft Medical Systems Co Ltd
Original Assignee
Shenyang Advanced Medical Equipment Technology Incubation Center 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 Shenyang Advanced Medical Equipment Technology Incubation Center Co ltd filed Critical Shenyang Advanced Medical Equipment Technology Incubation Center Co ltd
Priority to CN202110767821.8A priority Critical patent/CN113450337B/zh
Publication of CN113450337A publication Critical patent/CN113450337A/zh
Application granted granted Critical
Publication of CN113450337B publication Critical patent/CN113450337B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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
    • G06T2207/30048—Heart; Cardiac

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明实施例提供一种心包腔内积液的评价方法、装置、电子设备及存储介质。本发明实施例通过利用预先训练好的识别网络模型，从心脏的三维CT图像上识别出心脏范围，利用预先训练好的分割网络模型，从所述三维CT图像上的所述心脏范围内分割出积液组织，根据分割出的积液组织，获取心包腔内积液的指定参数的参数值，根据所述参数值，确定心包腔内积液的评价信息，能够基于心脏的三维CT图像和训练好的网络模型获得较为准确的评价依据，进而根据该评价依据对心包腔内积液进行更加准确的评价，提高了心包腔内积液的评价的准确性。

Description

心包腔内积液的评价方法、装置、电子设备及存储介质
技术领域
本发明涉及医学影像技术领域，尤其涉及一种心包腔内积液的评价方法、装置、电子设备及存储介质。
背景技术
心包为一坚韧的纤维浆膜囊，包裹心脏和大血管的根部。心包膜分为脏、壁两层，互相翻转。脏层紧贴心脏，壁层心包下部附着于膈肌的中心腱两侧，与纵膈胸膜疏松边连结。心包具有固定，限制心脏过度充盈和防止周围感染蔓延等功能。近年来，随着多层螺旋CT(Computed Tomography，电子计算机断层扫描)的使用，心包在心血管方面的应用价值得到重视。
心包积液是临床常见疾病，其主要CT表现为心包局限性或普遍性增厚，如心包腔内积液量超过50ml，即为心包积液。对于心包腔内积液的准确评价，有助于引导心包穿刺，监测进针路径，提高穿刺成功率。
相关技术中，医生根据心脏CT图像，基于自身经验来对心包腔内积液做出人工评价，这种方式对于心包腔内积液的评价是否准确受限于医生的经验、水平等因素，准确性较差。
发明内容
为克服相关技术中存在的问题，本发明提供了一种心包腔内积液的评价方法、装置、电子设备及存储介质，提高心包腔内积液的评价的准确性。
根据本发明实施例的第一方面，提供一种心包腔内积液的评价方法，包括：
利用预先训练好的识别网络模型，从心脏的三维CT图像上识别出心脏范围；
利用预先训练好的分割网络模型，从所述三维CT图像上的所述心脏范围内分割出积液组织；
根据分割出的积液组织，获取心包腔内积液的指定参数的参数值；
根据所述参数值，确定心包腔内积液的评价信息。
根据本发明实施例的第二方面，提供一种心包腔内积液的评价装置，包括：
识别模块，用于利用预先训练好的识别网络模型，从心脏的三维CT图像上识别出心脏范围；
分割模块，用于利用预先训练好的分割网络模型，从所述三维CT图像上的所述心脏范围内分割出积液组织；
获取模块，用于根据分割出的积液组织，获取心包腔内积液的指定参数的参数值；
确定模块，用于根据所述参数值，确定心包腔内积液的评价信息。
根据本发明实施例的第三方面，提供一种电子设备，包括：
用于存储处理器的可执行指令的存储器；
所述处理器，用于执行所述指令，以实现第一方面任一项所述的方法。
根据本发明实施例的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有若干计算机指令，所述计算机指令被执行时实现第一方面任一项所述的方法。
本发明实施例提供的技术方案可以包括以下有益效果：
本发明实施例，通过利用预先训练好的识别网络模型，从心脏的三维CT图像上识别出心脏范围，利用预先训练好的分割网络模型，从所述三维CT图像上的所述心脏范围内分割出积液组织，根据分割出的积液组织，获取心包腔内积液的指定参数的参数值，根据所述参数值，确定心包腔内积液的评价信息，能够基于心脏的三维CT图像和训练好的网络模型获得较为准确的评价依据，进而根据该评价依据对心包腔内积液进行更加准确的评价，提高了心包腔内积液的评价的准确性。
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和解释性的，并不能限制本说明书。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。
图1是本发明实施例提供的心包腔内积液的评价方法的流程示例图。
图2是本发明实施例提供的心包腔内积液的评价装置的功能方块图。
图3是本发明实施例提供的电子设备的一个硬件结构图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明实施例的一些方面相一致的装置和方法的例子。
在本发明实施例使用的术语是仅仅出于描述特定本发明实施例的目的，而非旨在限制本发明实施例。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面通过实施例对本发明的心包腔内积液的评价方法进行详细说明。
图1是本发明实施例提供的心包腔内积液的评价方法的流程示例图。如图1所示，本实施例中，心包腔内积液的评价方法可以包括：
S101，利用预先训练好的识别网络模型，从心脏的三维CT图像上识别出心脏范围。
S102，利用预先训练好的分割网络模型，从所述三维CT图像上的所述心脏范围内分割出积液组织。
S103，根据分割出的积液组织，获取心包腔内积液的指定参数的参数值。
S104，根据所述参数值，确定心包腔内积液的评价信息。
本实施例中，识别网络模型和分割网络模型都是预先训练好的网络模型。识别网络模型和分割网络模型可以为深度学习网络模型。
在一个示例中，识别网络模型的生成过程可以包括：
设置第一深度学习网络模型，以及设置第一初始参数值，所述第一初始参数值为所述第一深度学习网络模型的初始参数值；
获得若干组第一训练数据；每组所述第一训练数据包括原始心脏三维CT图像和所述原始心脏三维CT图像对应的第一标记图像；所述第一标记图像为在所述原始心脏三维CT图像上标记了心脏范围的图像；
利用所述第一训练数据对所述第一深度学习网络模型进行训练，得到训练完毕的第一深度学习网络模型，以所述训练完毕的第一深度学习网络模型作为识别网络模型。
其中，第一深度学习网络模型所采用的网络可以为RCNN(Regions with CNNfeatures)网络。
在一个示例中，利用所述第一训练数据对所述第一深度学习网络模型进行训练，得到训练完毕的第一深度学习网络模型，可以包括：
在训练过程中，第1组第一训练数据对应的第一深度学习网络模型中的参数值为所述第一初始参数值，第j组第一训练数据对应的第一深度学习网络模型中的参数值为经第j-1组第一训练数据训练后调整的参数值，j为自然数，且j≥2；对于每组第一训练数据，执行如下操作：
将该组第一训练数据中的原始心脏三维CT图像输入该组第一训练数据对应的第一深度学习网络模型，得到该组第一训练数据对应的输出图像；所述输出图像中标记了心脏范围；
根据该组第一训练数据对应的输出图像和原始心脏三维CT图像，确定预设的第一损失函数的函数值；
基于所述第一损失函数的函数值确定是否达到收敛条件，若达到收敛条件则停止训练，以该组第一训练数据对应的第一深度学习网络模型作为训练完毕的第一深度学习网络模型；否则调整第一深度学习网络模型的参数值，执行下一组第一训练数据的训练。
其中，收敛条件可以为：第一损失函数的函数值小于预设的第一阈值。
需要说明的是，在其他实施例中，也可以根据训练次数确定第一深度学习网络模型是否已经收敛。此时，达到预设的训练次数则确定第一深度学习网络模型已经收敛。
利用预先训练好的识别网络模型，从心脏的三维CT图像上识别出心脏范围，可以包括：
将心脏的三维CT图像输入预先训练好的识别网络模型，由预先训练好的识别网络模型输出标记了心脏范围的CT图像。
在一个示例中，分割网络模型的生成过程可以包括：
设置第二深度学习网络模型，以及设置第二初始参数值，所述第二初始参数值为所述第二深度学习网络模型的初始参数值；
获得若干组第二训练数据；每组所述第二训练数据包括标记了心脏范围的三维CT图像和对应的第二标记图像；所述第二标记图像为在所述标记了心脏范围的三维CT图像上标记了目标组织的图像；所述目标组织包括积液组织；
利用所述第二训练数据对所述第二深度学习网络模型进行训练，得到训练完毕的第二深度学习网络模型，以所述训练完毕的第二深度学习网络模型作为分割网络模型。
其中，第二深度学习网络模型所采用的网络可以为U-Net网络。
在一个示例中，利用所述第二训练数据对所述第二深度学习网络模型进行训练，得到训练完毕的第二深度学习网络模型，可以包括：
在训练过程中，第1组第二训练数据对应的第二深度学习网络模型中的参数值为所述第二初始参数值，第j组第二训练数据对应的第二深度学习网络模型中的参数值为经第j-1组第二训练数据训练后调整的参数值，j为自然数，且j≥2；对于每组第二训练数据，执行如下操作：
将该组第二训练数据中的标记了心脏范围的三维CT图像输入该组第二训练数据对应的第二深度学习网络模型，得到该组第二训练数据对应的输出图像；所述输出图像中标记了目标组织；
根据该组第二训练数据对应的输出图像和标记了心脏范围的三维CT图像，确定预设的第二损失函数的函数值；
基于所述第二损失函数的函数值确定是否达到收敛条件，若达到收敛条件则停止训练，以该组第二训练数据对应的第二深度学习网络模型作为训练完毕的第二深度学习网络模型；否则调整第二深度学习网络模型的参数值，执行下一组第二训练数据的训练。
其中，收敛条件可以为：第二损失函数的函数值小于预设的第二阈值。
需要说明的是，在其他实施例中，也可以根据训练次数确定第二深度学习网络模型是否已经收敛。此时，达到预设的训练次数则确定第二深度学习网络模型已经收敛。
其中，目标组织还可以包括心脏组织，例如心脏、左心室、右心室、左心房、右心房、心肌、升主动脉及冠脉等。
在步骤S102的基础上，利用分割网络模型也对心脏组织进行分割，此时，对于包括积液组织和各个心脏组织的分割结果，可以通过MPR(Multi-Planner Reformation，多平面重建)图像多颜色标记显示，也可以通过VR(Virtual Reality，虚拟现实)多组织显示，其中，对于积液组织和心脏组织可以区分显示。
在一个示例中，利用预先训练好的分割网络模型，从所述三维CT图像上的所述心脏范围内分割出积液组织，可以包括：
将所述三维CT图像上的所述心脏范围内的图像输入预先训练好的分割网络模型，由预先训练好的分割网络模型输出标记了积液组织的CT图像。
在一个示例中，所述指定参数包括积液体积；根据分割出的积液组织，获取心包腔内积液的指定参数的参数值，可以包括：
统计分割出的积液组织所包含的像素数量；
获取所述三维CT图像的各个维度的像素物理单位；
根据所述像素数量、所述各个维度的像素物理单位，确定心包腔内积液的积液体积值。
本实施例能够获得精确的积液体积，为评价心包腔内积液提供了定量的依据，有助于提高对心包腔内积液的评价的准确性。
在上述实施例的基础上，在一个示例中，步骤S104，根据所述参数值，确定心包腔内积液的评价信息，可以包括：
将所述积液体积值与预设的第一体积阈值和第二体积阈值进行比较，所述第二体积阈值大于所述第一体积阈值；
若比较结果指示所述积液体积值小于所述第一体积阈值，确定心包腔内积液的评价信息为少量积液；
若比较结果指示所述积液体积值大于所述第二体积阈值，确定心包腔内积液的评价信息为大量积液；
若比较结果指示所述积液体积值大于或等于所述第一体积阈值、且小于或等于所述第二体积阈值，确定心包腔内积液的评价信息为中量积液。
本实施例中以定量的积液体积作为评价心包腔内积液的依据，能够使对心包腔内积液的评价更加准确。
在一个示例中，所述指定参数包括积液的平均CT值；根据分割出的积液组织，获取心包腔内积液的指定参数的参数值，可以包括：
统计分割出的积液组织所包含的像素数量；
读取所述三维CT图像上每个积液组织像素的CT值；
根据读取的所有积液组织像素的CT值，获取所有积液组织像素的CT值总和；
基于所述像素数量、所述CT值总和，确定心包腔内积液的平均CT值。
本实施例能够获得精确的积液的平均CT值，为评价心包腔内积液提供了定量的依据，有助于提高对心包腔内积液的评价的准确性。
在上述实施例的基础上，在一个示例中，步骤S104，根据所述参数值，确定心包腔内积液的评价信息，可以包括：
在上述实施例的基础上，在一个示例中，步骤S104，根据所述参数值，确定心包腔内积液的评价信息，可以包括：
将所述平均CT值与预设的第一CT值、第二CT值、第三CT值和第四CT值进行比较；所述第一CT值、第二CT值、第三CT值、第四CT值按顺序依次增大；
若比较结果指示所述平均CT值小于所述第一CT值，确定心包腔内积液的评价信息为单纯积液；
若比较结果指示所述平均CT值大于或等于所述第二CT值、且小于或等于所述第三CT值，确定心包腔内积液的评价信息为渗出性积液；
若比较结果指示所述平均CT值大于或等于所述第三CT值、且小于或等于所述第四CT值，确定心包腔内积液的评价信息为血性积液或脓性积液。
本实施例中以定量的积液的平均CT值作为评价心包腔内积液的依据，能够使对心包腔内积液的评价更加准确。
在一个示例中，所述指定参数包括最大积液厚度；根据分割出的积液组织，获取心包腔内积液的指定参数的参数值，可以包括：
利用所述分割网络模型，从所述三维CT图像上分割出心脏；
根据分割出的心脏，在所述三维CT图像的每个横截面图像上确定心脏的二维边界轮廓线和中心点；
在每个所述横截面图像上，由所述中心点360度方向沿设定角度间隔向心脏外侧发射第一射线，针对每条第一射线，若在第一预设距离范围内检测到所述第一射线经过积液组织，记录所述第一射线与积液组织的第一内侧交点和第一外侧交点，并根据所述第一内侧交点和所述第一外侧交点确定所述第一射线对应的积液厚度；
从所述三维CT图像的所有横截面的所有第一射线对应的积液厚度中取最大值，作为最大积液厚度。
本实施例中，还可以包括：
若在第一预设距离范围内检测到所述第一射线经过积液组织，记录所述第一射线经过的心脏组织。
通过记录经过积液组织的第一射线经过的心脏组织，可以使用户清楚积液分布范围在哪个室腔附近。例如，经过积液组织的第一射线也经过右心室，则说明积液分布范围在右心室附近。
三维CT图像是由一个序列的二维CT图像构成的，这些构成三维CT图像的二维CT图像序列中的每一个二维CT图像均为一个横截面图像。
本实施例能够获得精确的最大积液厚度，为评价心包腔内积液提供了定量的依据，有助于提高对心包腔内积液的评价的准确性。
在一个示例中，所述指定参数包括最大积液厚度；根据分割出的积液组织，获取心包腔内积液的指定参数的参数值，可以包括：
利用所述分割网络模型，从所述三维CT图像上的所述心脏范围内分割出各个心脏组织；
根据分割出的所述各个心脏组织，确定所述各个心脏组织的三维边界轮廓面；
在所述三维CT图像上，针对每个心脏组织，将所述心脏组织的三维边界轮廓面按照预设网格化方式划分为多个网格，从每个网格向外发射第二射线，针对每条第二射线，若在第二预设距离范围内检测到所述第二射线经过积液组织，记录所述第二射线与积液组织的第二内侧交点和第二外侧交点，并根据所述第二内侧交点和所述第二外侧交点确定所述第二射线对应的积液厚度；
从所述三维CT图像的所有心脏组织的所有第二射线对应的积液厚度中取最大值，作为最大积液厚度。
本实施例能够获得精确的最大积液厚度，为评价心包腔内积液提供了定量的依据，有助于提高对心包腔内积液的评价的准确性。
本实施例中，还可以包括：
若在第二预设距离范围内检测到所述第二射线经过积液组织，记录所述第二射线经过的心脏组织。
通过记录经过积液组织的第二射线经过的心脏组织，可以使用户清楚积液分布范围在哪个室腔附近。例如，经过积液组织的第二射线也经过左心室，则说明积液分布范围在左心室附近。
在上述两个实施例中任一实施例的基础上，在一个示例中，步骤S104，根据所述参数值，确定心包腔内积液的评价信息，可以包括：
将所述最大积液厚度与预设的第一厚度阈值和第二厚度阈值进行比较，所述第二厚度阈值大于所述第一厚度阈值；
若比较结果指示所述最大积液厚度小于所述第一厚度阈值，确定心包腔内积液的评价信息为少量积液；
若比较结果指示所述最大积液厚度大于所述第二厚度阈值，确定心包腔内积液的评价信息为大量积液；
若比较结果指示所述最大积液厚度大于或等于所述第一厚度阈值、且小于或等于所述第二厚度阈值，确定心包腔内积液的评价信息为中量积液。
本实施例中以定量的最大积液厚度作为评价心包腔内积液的依据，能够使对心包腔内积液的评价更加准确。
在一个示例中，所述方法还可以包括：
输出并以预设方式显示所述参数值和所述评价信息。
例如，可以通过图表、图像、窗口四角信息的形式显示最大积液厚度以及基于最大积液厚度所确定的评价信息。
在上述实施例的基础上，在一个示例中，所述方法还可以包括：
接收用户针对所述参数值和/或所述评价信息的修改信息；
根据所述修改信息对所述参数值和/或所述评价信息进行修改，得到修改后的参数值和修改后的评价信息；
输出并以预设方式显示修改后的参数值和修改后的评价信息。
本实施例使得用户可以对所述参数值和/或所述评价信息进行修改和确认。这样，医生可以根据自身经验，对所述参数值和/或所述评价信息进行适当调整，以期获得更加符合实际情况的评价结果。
本发明实施例提供的心包腔内积液的评价方法，通过利用预先训练好的识别网络模型，从心脏的三维CT图像上识别出心脏范围，利用预先训练好的分割网络模型，从所述三维CT图像上的所述心脏范围内分割出积液组织，根据分割出的积液组织，获取心包腔内积液的指定参数的参数值，根据所述参数值，确定心包腔内积液的评价信息，能够基于心脏的三维CT图像和训练好的网络模型获得较为准确的评价依据，进而根据该评价依据对心包腔内积液进行更加准确的评价，提高了心包腔内积液的评价的准确性。
基于上述的方法实施例，本发明实施例还提供了相应的装置、设备及存储介质实施例。
图2是本发明实施例提供的心包腔内积液的评价装置的功能方块图。如图2所示，本实施例中，心包腔内积液的评价装置可以包括：
识别模块210，用于利用预先训练好的识别网络模型，从心脏的三维CT图像上识别出心脏范围；
分割模块220，用于利用预先训练好的分割网络模型，从所述三维CT图像上的所述心脏范围内分割出积液组织；
获取模块230，用于根据分割出的积液组织，获取心包腔内积液的指定参数的参数值；
确定模块240，用于根据所述参数值，确定心包腔内积液的评价信息。
在一个示例中，所述指定参数包括积液体积；获取模块230可以具体用于：
统计分割出的积液组织所包含的像素数量；
获取所述三维CT图像的各个维度的像素物理单位；
根据所述像素数量、所述各个维度的像素物理单位，确定心包腔内积液的积液体积值。
在一个示例中，所述指定参数包括积液的平均CT值；获取模块230可以具体用于：
统计分割出的积液组织所包含的像素数量；
读取所述三维CT图像上每个积液组织像素的CT值；
根据读取的所有积液组织像素的CT值，获取所有积液组织像素的CT值总和；
基于所述像素数量、所述CT值总和，确定心包腔内积液的平均CT值。
在一个示例中，所述指定参数包括最大积液厚度；获取模块230可以具体用于：
利用所述分割网络模型，从所述三维CT图像上的所述心脏范围内分割出心脏；
根据分割出的心脏，在所述三维CT图像的每个横截面图像上确定心脏的二维边界轮廓线和中心点；
在每个所述横截面图像上，由所述中心点360度方向沿设定角度间隔向心脏外侧发射第一射线，针对每条第一射线，若在第一预设距离范围内检测到所述第一射线经过积液组织，记录所述第一射线与积液组织的第一内侧交点和第一外侧交点，并根据所述第一内侧交点和所述第一外侧交点确定所述第一射线对应的积液厚度；
从所述三维CT图像的所有横截面的所有第一射线对应的积液厚度中取最大值，作为最大积液厚度。
在一个示例中，所述指定参数包括最大积液厚度；获取模块230可以具体用于：
利用所述分割网络模型，从所述三维CT图像上的所述心脏范围内分割出各个心脏组织；
根据分割出的所述各个心脏组织，确定所述各个心脏组织的三维边界轮廓面；
在所述三维CT图像上，针对每个心脏组织，将所述心脏组织的三维边界轮廓面按照预设网格化方式划分为多个网格，从每个网格向外发射第二射线，针对每条第二射线，若在第二预设距离范围内检测到所述第二射线经过积液组织，记录所述第二射线与积液组织的第二内侧交点和第二外侧交点，并根据所述第二内侧交点和所述第二外侧交点确定所述第二射线对应的积液厚度；
从所述三维CT图像的所有心脏组织的所有第二射线对应的积液厚度中取最大值，作为最大积液厚度。
在一个示例中，确定模块240可以具体用于：
将所述积液体积值与预设的第一体积阈值和第二体积阈值进行比较，所述第二体积阈值大于所述第一体积阈值；
若比较结果指示所述积液体积值小于所述第一体积阈值，确定心包腔内积液的评价信息为少量积液；
若比较结果指示所述积液体积值大于所述第二体积阈值，确定心包腔内积液的评价信息为大量积液；
若比较结果指示所述积液体积值大于或等于所述第一体积阈值、且小于或等于所述第二体积阈值，确定心包腔内积液的评价信息为中量积液。
在一个示例中，确定模块240可以具体用于：
将所述平均CT值与预设的第一CT值、第二CT值、第三CT值和第四CT值进行比较；所述第一CT值、第二CT值、第三CT值、第四CT值按顺序依次增大；
若比较结果指示所述平均CT值小于所述第一CT值，确定心包腔内积液的评价信息为单纯积液；
若比较结果指示所述平均CT值大于或等于所述第二CT值、且小于或等于所述第三CT值，确定心包腔内积液的评价信息为渗出性积液；
若比较结果指示所述平均CT值大于或等于所述第三CT值、且小于或等于所述第四CT值，确定心包腔内积液的评价信息为血性积液或脓性积液。
在一个示例中，确定模块240可以具体用于：
将所述最大积液厚度与预设的第一厚度阈值和第二厚度阈值进行比较，所述第二厚度阈值大于所述第一厚度阈值；
若比较结果指示所述最大积液厚度小于所述第一厚度阈值，确定心包腔内积液的评价信息为少量积液；
若比较结果指示所述最大积液厚度大于所述第二厚度阈值，确定心包腔内积液的评价信息为大量积液；
若比较结果指示所述最大积液厚度大于或等于所述第一厚度阈值、且小于或等于所述第二厚度阈值，确定心包腔内积液的评价信息为中量积液。
在一个示例中，还包括：
第一输出模块，用于输出并以预设方式显示所述参数值和所述评价信息。
在一个示例中，还包括：
接收模块，用于接收用户针对所述参数值和/或所述评价信息的修改信息；
修改模块，用于根据所述修改信息对所述参数值和/或所述评价信息进行修改，得到修改后的参数值和修改后的评价信息；
第二输出模块，用于输出并以预设方式显示修改后的参数值和修改后的评价信息。
在一个示例中，还包括：
第一记录模块，用于若在第一预设距离范围内检测到所述第一射线经过积液组织，记录所述第一射线经过的心脏组织。
在一个示例中，还包括：
第二记录模块，用于若在第二预设距离范围内检测到所述第二射线经过积液组织，记录所述第二射线经过的心脏组织。
本发明实施例还提供了一种电子设备。图3是本发明实施例提供的电子设备的一个硬件结构图。如图3所示，电子设备包括：内部总线301，以及通过内部总线连接的存储器302，处理器303和外部接口304。
所述存储器302，用于存储心包腔内积液的评价逻辑对应的机器可读指令；
所述处理器303，用于读取存储器302上的机器可读指令，并执行所述指令以实现如下操作：
利用预先训练好的识别网络模型，从心脏的三维CT图像上识别出心脏范围；
利用预先训练好的分割网络模型，从所述三维CT图像上的所述心脏范围内分割出积液组织；
根据分割出的积液组织，获取心包腔内积液的指定参数的参数值；
根据所述参数值，确定心包腔内积液的评价信息。
在一个示例中，所述指定参数包括积液体积；
根据分割出的积液组织，获取心包腔内积液的指定参数的参数值，包括：
统计分割出的积液组织所包含的像素数量；
获取所述三维CT图像的各个维度的像素物理单位；
根据所述像素数量、所述各个维度的像素物理单位，确定心包腔内积液的积液体积值。
在一个示例中，所述指定参数包括积液的平均CT值；
根据分割出的积液组织，获取心包腔内积液的指定参数的参数值，包括：
统计分割出的积液组织所包含的像素数量；
读取所述三维CT图像上每个积液组织像素的CT值；
根据读取的所有积液组织像素的CT值，获取所有积液组织像素的CT值总和；
基于所述像素数量、所述CT值总和，确定心包腔内积液的平均CT值。
在一个示例中，所述指定参数包括最大积液厚度；
根据分割出的积液组织，获取心包腔内积液的指定参数的参数值，包括：
利用所述分割网络模型，从所述三维CT图像上的所述心脏范围内分割出心脏；
根据分割出的心脏，在所述三维CT图像的每个横截面图像上确定心脏的二维边界轮廓线和中心点；
在每个所述横截面图像上，由所述中心点360度方向沿设定角度间隔向心脏外侧发射第一射线，针对每条第一射线，若在第一预设距离范围内检测到所述第一射线经过积液组织，记录所述第一射线与积液组织的第一内侧交点和第一外侧交点，并根据所述第一内侧交点和所述第一外侧交点确定所述第一射线对应的积液厚度；
从所述三维CT图像的所有横截面的所有第一射线对应的积液厚度中取最大值，作为最大积液厚度。
在一个示例中，所述指定参数包括最大积液厚度；
根据分割出的积液组织，获取心包腔内积液的指定参数的参数值，包括：
利用所述分割网络模型，从所述三维CT图像上的所述心脏范围内分割出各个心脏组织；
根据分割出的所述各个心脏组织，确定所述各个心脏组织的三维边界轮廓面；
在所述三维CT图像上，针对每个心脏组织，将所述心脏组织的三维边界轮廓面按照预设网格化方式划分为多个网格，从每个网格向外发射第二射线，针对每条第二射线，若在第二预设距离范围内检测到所述第二射线经过积液组织，记录所述第二射线与积液组织的第二内侧交点和第二外侧交点，并根据所述第二内侧交点和所述第二外侧交点确定所述第二射线对应的积液厚度；
从所述三维CT图像的所有心脏组织的所有第二射线对应的积液厚度中取最大值，作为最大积液厚度。
在一个示例中，根据所述参数值，确定心包腔内积液的评价信息，包括：
将所述积液体积值与预设的第一体积阈值和第二体积阈值进行比较，所述第二体积阈值大于所述第一体积阈值；
若比较结果指示所述积液体积值小于所述第一体积阈值，确定心包腔内积液的评价信息为少量积液；
若比较结果指示所述积液体积值大于所述第二体积阈值，确定心包腔内积液的评价信息为大量积液；
若比较结果指示所述积液体积值大于或等于所述第一体积阈值、且小于或等于所述第二体积阈值，确定心包腔内积液的评价信息为中量积液。
在一个示例中，根据所述参数值，确定心包腔内积液的评价信息，包括：
将所述平均CT值与预设的第一CT值、第二CT值、第三CT值和第四CT值进行比较；所述第一CT值、第二CT值、第三CT值、第四CT值按顺序依次增大；
若比较结果指示所述平均CT值小于所述第一CT值，确定心包腔内积液的评价信息为单纯积液；
若比较结果指示所述平均CT值大于或等于所述第二CT值、且小于或等于所述第三CT值，确定心包腔内积液的评价信息为渗出性积液；
若比较结果指示所述平均CT值大于或等于所述第三CT值、且小于或等于所述第四CT值，确定心包腔内积液的评价信息为血性积液或脓性积液。
在一个示例中，根据所述参数值，确定心包腔内积液的评价信息，包括：
将所述最大积液厚度与预设的第一厚度阈值和第二厚度阈值进行比较，所述第二厚度阈值大于所述第一厚度阈值；
若比较结果指示所述最大积液厚度小于所述第一厚度阈值，确定心包腔内积液的评价信息为少量积液；
若比较结果指示所述最大积液厚度大于所述第二厚度阈值，确定心包腔内积液的评价信息为大量积液；
若比较结果指示所述最大积液厚度大于或等于所述第一厚度阈值、且小于或等于所述第二厚度阈值，确定心包腔内积液的评价信息为中量积液。
在一个示例中，还包括：
输出并以预设方式显示所述参数值和所述评价信息。
在一个示例中，还包括：
接收用户针对所述参数值和/或所述评价信息的修改信息；
根据所述修改信息对所述参数值和/或所述评价信息进行修改，得到修改后的参数值和修改后的评价信息；
输出并以预设方式显示修改后的参数值和修改后的评价信息。
在一个示例中，还包括：
若在第一预设距离范围内检测到所述第一射线经过积液组织，记录所述第一射线经过的心脏组织。
在一个示例中，还包括：
若在第二预设距离范围内检测到所述第二射线经过积液组织，记录所述第二射线经过的心脏组织。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如下操作：
利用预先训练好的识别网络模型，从心脏的三维CT图像上识别出心脏范围；
利用预先训练好的分割网络模型，从所述三维CT图像上的所述心脏范围内分割出积液组织；
根据分割出的积液组织，获取心包腔内积液的指定参数的参数值；
根据所述参数值，确定心包腔内积液的评价信息。
在一个示例中，所述指定参数包括积液体积；
根据分割出的积液组织，获取心包腔内积液的指定参数的参数值，包括：
统计分割出的积液组织所包含的像素数量；
获取所述三维CT图像的各个维度的像素物理单位；
根据所述像素数量、所述各个维度的像素物理单位，确定心包腔内积液的积液体积值。
在一个示例中，所述指定参数包括积液的平均CT值；
根据分割出的积液组织，获取心包腔内积液的指定参数的参数值，包括：
统计分割出的积液组织所包含的像素数量；
读取所述三维CT图像上每个积液组织像素的CT值；
根据读取的所有积液组织像素的CT值，获取所有积液组织像素的CT值总和；
基于所述像素数量、所述CT值总和，确定心包腔内积液的平均CT值。
在一个示例中，所述指定参数包括最大积液厚度；
根据分割出的积液组织，获取心包腔内积液的指定参数的参数值，包括：
利用所述分割网络模型，从所述三维CT图像上的所述心脏范围内分割出心脏；
根据分割出的心脏，在所述三维CT图像的每个横截面图像上确定心脏的二维边界轮廓线和中心点；
在每个所述横截面图像上，由所述中心点360度方向沿设定角度间隔向心脏外侧发射第一射线，针对每条第一射线，若在第一预设距离范围内检测到所述第一射线经过积液组织，记录所述第一射线与积液组织的第一内侧交点和第一外侧交点，并根据所述第一内侧交点和所述第一外侧交点确定所述第一射线对应的积液厚度；
从所述三维CT图像的所有横截面的所有第一射线对应的积液厚度中取最大值，作为最大积液厚度。
在一个示例中，所述指定参数包括最大积液厚度；
根据分割出的积液组织，获取心包腔内积液的指定参数的参数值，包括：
利用所述分割网络模型，从所述三维CT图像上的所述心脏范围内分割出各个心脏组织；
根据分割出的所述各个心脏组织，确定所述各个心脏组织的三维边界轮廓面；
在所述三维CT图像上，针对每个心脏组织，将所述心脏组织的三维边界轮廓面按照预设网格化方式划分为多个网格，从每个网格向外发射第二射线，针对每条第二射线，若在第二预设距离范围内检测到所述第二射线经过积液组织，记录所述第二射线与积液组织的第二内侧交点和第二外侧交点，并根据所述第二内侧交点和所述第二外侧交点确定所述第二射线对应的积液厚度；
从所述三维CT图像的所有心脏组织的所有第二射线对应的积液厚度中取最大值，作为最大积液厚度。
在一个示例中，根据所述参数值，确定心包腔内积液的评价信息，包括：
将所述积液体积值与预设的第一体积阈值和第二体积阈值进行比较，所述第二体积阈值大于所述第一体积阈值；
若比较结果指示所述积液体积值小于所述第一体积阈值，确定心包腔内积液的评价信息为少量积液；
若比较结果指示所述积液体积值大于所述第二体积阈值，确定心包腔内积液的评价信息为大量积液；
若比较结果指示所述积液体积值大于或等于所述第一体积阈值、且小于或等于所述第二体积阈值，确定心包腔内积液的评价信息为中量积液。
在一个示例中，根据所述参数值，确定心包腔内积液的评价信息，包括：
将所述平均CT值与预设的第一CT值、第二CT值、第三CT值和第四CT值进行比较；所述第一CT值、第二CT值、第三CT值、第四CT值按顺序依次增大；
若比较结果指示所述平均CT值小于所述第一CT值，确定心包腔内积液的评价信息为单纯积液；
若比较结果指示所述平均CT值大于或等于所述第二CT值、且小于或等于所述第三CT值，确定心包腔内积液的评价信息为渗出性积液；
若比较结果指示所述平均CT值大于或等于所述第三CT值、且小于或等于所述第四CT值，确定心包腔内积液的评价信息为血性积液或脓性积液。
在一个示例中，根据所述参数值，确定心包腔内积液的评价信息，包括：
将所述最大积液厚度与预设的第一厚度阈值和第二厚度阈值进行比较，所述第二厚度阈值大于所述第一厚度阈值；
若比较结果指示所述最大积液厚度小于所述第一厚度阈值，确定心包腔内积液的评价信息为少量积液；
若比较结果指示所述最大积液厚度大于所述第二厚度阈值，确定心包腔内积液的评价信息为大量积液；
若比较结果指示所述最大积液厚度大于或等于所述第一厚度阈值、且小于或等于所述第二厚度阈值，确定心包腔内积液的评价信息为中量积液。
在一个示例中，还包括：
输出并以预设方式显示所述参数值和所述评价信息。
在一个示例中，还包括：
接收用户针对所述参数值和/或所述评价信息的修改信息；
根据所述修改信息对所述参数值和/或所述评价信息进行修改，得到修改后的参数值和修改后的评价信息；
输出并以预设方式显示修改后的参数值和修改后的评价信息。
在一个示例中，还包括：
若在第一预设距离范围内检测到所述第一射线经过积液组织，记录所述第一射线经过的心脏组织。
在一个示例中，还包括：
若在第二预设距离范围内检测到所述第二射线经过积液组织，记录所述第二射线经过的心脏组织。
对于装置和设备实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
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。
本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、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说明书的一般性原理并包括本说明书未申请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，本说明书的真正范围和精神由下面的权利要求指出。
应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。
以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。

Claims (15)

1.一种心包腔内积液的评价方法，其特征在于，包括：
利用预先训练好的识别网络模型，从心脏的三维CT图像上识别出心脏范围；
利用预先训练好的分割网络模型，从所述三维CT图像上的所述心脏范围内分割出积液组织；
根据分割出的积液组织，获取心包腔内积液的指定参数的参数值；
根据所述参数值，确定心包腔内积液的评价信息。
2.根据权利要求1所述的方法，其特征在于，所述指定参数包括积液体积；
根据分割出的积液组织，获取心包腔内积液的指定参数的参数值，包括：
统计分割出的积液组织所包含的像素数量；
获取所述三维CT图像的各个维度的像素物理单位；
根据所述像素数量、所述各个维度的像素物理单位，确定心包腔内积液的积液体积值。
3.根据权利要求1所述的方法，其特征在于，所述指定参数包括积液的平均CT值；
根据分割出的积液组织，获取心包腔内积液的指定参数的参数值，包括：
统计分割出的积液组织所包含的像素数量；
读取所述三维CT图像上每个积液组织像素的CT值；
根据读取的所有积液组织像素的CT值，获取所有积液组织像素的CT值总和；
基于所述像素数量、所述CT值总和，确定心包腔内积液的平均CT值。
4.根据权利要求1所述的方法，其特征在于，所述指定参数包括最大积液厚度；
根据分割出的积液组织，获取心包腔内积液的指定参数的参数值，包括：
利用所述分割网络模型，从所述三维CT图像上的所述心脏范围内分割出心脏；
根据分割出的心脏，在所述三维CT图像的每个横截面图像上确定心脏的二维边界轮廓线和中心点；
在每个所述横截面图像上，由所述中心点360度方向沿设定角度间隔向心脏外侧发射第一射线，针对每条第一射线，若在第一预设距离范围内检测到所述第一射线经过积液组织，记录所述第一射线与积液组织的第一内侧交点和第一外侧交点，并根据所述第一内侧交点和所述第一外侧交点确定所述第一射线对应的积液厚度；
从所述三维CT图像的所有横截面的所有第一射线对应的积液厚度中取最大值，作为最大积液厚度。
5.根据权利要求1所述的方法，其特征在于，所述指定参数包括最大积液厚度；
根据分割出的积液组织，获取心包腔内积液的指定参数的参数值，包括：
利用所述分割网络模型，从所述三维CT图像上的所述心脏范围内分割出各个心脏组织；
根据分割出的所述各个心脏组织，确定所述各个心脏组织的三维边界轮廓面；
在所述三维CT图像上，针对每个心脏组织，将所述心脏组织的三维边界轮廓面按照预设网格化方式划分为多个网格，从每个网格向外发射第二射线，针对每条第二射线，若在第二预设距离范围内检测到所述第二射线经过积液组织，记录所述第二射线与积液组织的第二内侧交点和第二外侧交点，并根据所述第二内侧交点和所述第二外侧交点确定所述第二射线对应的积液厚度；
从所述三维CT图像的所有心脏组织的所有第二射线对应的积液厚度中取最大值，作为最大积液厚度。
6.根据权利要求2所述的方法，其特征在于，根据所述参数值，确定心包腔内积液的评价信息，包括：
将所述积液体积值与预设的第一体积阈值和第二体积阈值进行比较，所述第二体积阈值大于所述第一体积阈值；
若比较结果指示所述积液体积值小于所述第一体积阈值，确定心包腔内积液的评价信息为少量积液；
若比较结果指示所述积液体积值大于所述第二体积阈值，确定心包腔内积液的评价信息为大量积液；
若比较结果指示所述积液体积值大于或等于所述第一体积阈值、且小于或等于所述第二体积阈值，确定心包腔内积液的评价信息为中量积液。
7.根据权利要求3所述的方法，其特征在于，根据所述参数值，确定心包腔内积液的评价信息，包括：
将所述平均CT值与预设的第一CT值、第二CT值、第三CT值和第四CT值进行比较；所述第一CT值、第二CT值、第三CT值、第四CT值按顺序依次增大；
若比较结果指示所述平均CT值小于所述第一CT值，确定心包腔内积液的评价信息为单纯积液；
若比较结果指示所述平均CT值大于或等于所述第二CT值、且小于或等于所述第三CT值，确定心包腔内积液的评价信息为渗出性积液；
若比较结果指示所述平均CT值大于或等于所述第三CT值、且小于或等于所述第四CT值，确定心包腔内积液的评价信息为血性积液或脓性积液。
8.根据权利要求4或5所述的方法，其特征在于，根据所述参数值，确定心包腔内积液的评价信息，包括：
将所述最大积液厚度与预设的第一厚度阈值和第二厚度阈值进行比较，所述第二厚度阈值大于所述第一厚度阈值；
若比较结果指示所述最大积液厚度小于所述第一厚度阈值，确定心包腔内积液的评价信息为少量积液；
若比较结果指示所述最大积液厚度大于所述第二厚度阈值，确定心包腔内积液的评价信息为大量积液；
若比较结果指示所述最大积液厚度大于或等于所述第一厚度阈值、且小于或等于所述第二厚度阈值，确定心包腔内积液的评价信息为中量积液。
9.根据权利要求1所述的方法，其特征在于，还包括：
输出并以预设方式显示所述参数值和所述评价信息。
10.根据权利要求9所述的方法，其特征在于，还包括：
接收用户针对所述参数值和/或所述评价信息的修改信息；
根据所述修改信息对所述参数值和/或所述评价信息进行修改，得到修改后的参数值和修改后的评价信息；
输出并以预设方式显示修改后的参数值和修改后的评价信息。
11.根据权利要求4所述的方法，其特征在于，还包括：
若在第一预设距离范围内检测到所述第一射线经过积液组织，记录所述第一射线经过的心脏组织。
12.根据权利要求5所述的方法，其特征在于，还包括：
若在第二预设距离范围内检测到所述第二射线经过积液组织，记录所述第二射线经过的心脏组织。
13.一种心包腔内积液的评价装置，其特征在于，包括：
识别模块，用于利用预先训练好的识别网络模型，从心脏的三维CT图像上识别出心脏范围；
分割模块，用于利用预先训练好的分割网络模型，从所述三维CT图像上的所述心脏范围内分割出积液组织；
获取模块，用于根据分割出的积液组织，获取心包腔内积液的指定参数的参数值；
确定模块，用于根据所述参数值，确定心包腔内积液的评价信息。
14.一种电子设备，其特征在于，包括：
用于存储处理器的可执行指令的存储器；
所述处理器，用于执行所述指令，以实现权利要求1～12任一项所述的方法。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有若干计算机指令，所述计算机指令被执行时实现权利要求1～12任一项所述的方法。
CN202110767821.8A 2021-07-07 2021-07-07 心包腔内积液的评价方法、装置、电子设备及存储介质 Active CN113450337B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110767821.8A CN113450337B (zh) 2021-07-07 2021-07-07 心包腔内积液的评价方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110767821.8A CN113450337B (zh) 2021-07-07 2021-07-07 心包腔内积液的评价方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113450337A true CN113450337A (zh) 2021-09-28
CN113450337B CN113450337B (zh) 2024-05-24

Family

ID=77815418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110767821.8A Active CN113450337B (zh) 2021-07-07 2021-07-07 心包腔内积液的评价方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113450337B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102481457A (zh) * 2009-07-17 2012-05-30 计算机心脏有限公司 基于心脏组织表面轮廓的放射外科手术治疗方案设计
CN109035284A (zh) * 2018-06-28 2018-12-18 深圳先进技术研究院 基于深度学习的心脏ct图像分割方法、装置、设备及介质
US20190073770A1 (en) * 2017-09-06 2019-03-07 International Business Machines Corporation Disease detection algorithms trainable with small number of positive samples
US20190388064A1 (en) * 2017-01-19 2019-12-26 New York University System and method for for ultrasound analysis
CN111047591A (zh) * 2020-03-13 2020-04-21 北京深睿博联科技有限责任公司 基于深度学习的病灶体积测量方法、系统、终端及存储介质
US10631828B1 (en) * 2018-12-11 2020-04-28 Eko.Ai Pte. Ltd. Automatic clinical workflow that recognizes and analyzes 2D and doppler modality echocardiogram images for automated cardiac measurements and the diagnosis, prediction and prognosis of heart disease
CN111539944A (zh) * 2020-04-28 2020-08-14 安徽科大讯飞医疗信息技术有限公司 肺部病灶统计属性获取方法、装置、电子设备和存储介质
CN112244883A (zh) * 2020-09-10 2021-01-22 北京思创贯宇科技开发有限公司 基于ct图像提取左心耳数据参数的方法及系统
CN112755263A (zh) * 2021-01-14 2021-05-07 吉林大学第一医院 一种心内科护理用心包积液引流抽取装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102481457A (zh) * 2009-07-17 2012-05-30 计算机心脏有限公司 基于心脏组织表面轮廓的放射外科手术治疗方案设计
US20190388064A1 (en) * 2017-01-19 2019-12-26 New York University System and method for for ultrasound analysis
US20190073770A1 (en) * 2017-09-06 2019-03-07 International Business Machines Corporation Disease detection algorithms trainable with small number of positive samples
CN109035284A (zh) * 2018-06-28 2018-12-18 深圳先进技术研究院 基于深度学习的心脏ct图像分割方法、装置、设备及介质
US10631828B1 (en) * 2018-12-11 2020-04-28 Eko.Ai Pte. Ltd. Automatic clinical workflow that recognizes and analyzes 2D and doppler modality echocardiogram images for automated cardiac measurements and the diagnosis, prediction and prognosis of heart disease
CN111047591A (zh) * 2020-03-13 2020-04-21 北京深睿博联科技有限责任公司 基于深度学习的病灶体积测量方法、系统、终端及存储介质
CN111539944A (zh) * 2020-04-28 2020-08-14 安徽科大讯飞医疗信息技术有限公司 肺部病灶统计属性获取方法、装置、电子设备和存储介质
CN112244883A (zh) * 2020-09-10 2021-01-22 北京思创贯宇科技开发有限公司 基于ct图像提取左心耳数据参数的方法及系统
CN112755263A (zh) * 2021-01-14 2021-05-07 吉林大学第一医院 一种心内科护理用心包积液引流抽取装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIAMIN LIU, ETAL.: "Cascaded Coarse-to-fine Convolutional Neural Networks for Pericardial Effusion Localization and Segmentation on CT Scans", 《2018 IEEE 15TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI 2018)》, pages 1 - 3 *
周茜洋;唐春香;杨桂芬;朱虹;: "心包脂肪影像学的研究进展", 国际医学放射学杂志, no. 04 *
章阳;肖天林;: "CT引导下中心静脉导管置管引流心包积液的临床分析", 介入放射学杂志, no. 09, 25 September 2016 (2016-09-25) *

Also Published As

Publication number Publication date
CN113450337B (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
US11664125B2 (en) System and method for deep learning based cardiac electrophysiology model personalization
KR101908520B1 (ko) 메디컬 이미징에서 공간 및 시간 제약들을 이용하는 랜드마크 검출
US9129417B2 (en) Method and system for coronary artery centerline extraction
CN110796613B (zh) 一种图像伪影的自动识别方法及装置
US8682074B2 (en) Method for checking the segmentation of a structure in image data
US8515133B2 (en) Structure detection apparatus and method, and computer-readable medium storing program thereof
KR102251830B1 (ko) 초음파 및 ct 영상의 정합에 관한 시스템 및 작동 방법
US9730609B2 (en) Method and system for aortic valve calcification evaluation
US20030038802A1 (en) Automatic delineation of heart borders and surfaces from images
US12608886B2 (en) Systems and methods for automatic blood vessel extraction
CN112419340B (zh) 脑脊液分割模型的生成方法、应用方法及装置
CN111815597A (zh) 基于ct影像的左心室长短轴切面提取方法、装置、计算机设备和存储介质
US20240331140A1 (en) Identifying anatomical features
CN113450337B (zh) 心包腔内积液的评价方法、装置、电子设备及存储介质
CN118298004B (zh) 一种基于三维超声心动图的心脏功能评估方法及系统
EP4575988A1 (en) Computer-implemented method for the generation of a combined representation of a 3d image of an organ and a 3d anatomical model of said organ
EP4281929B1 (en) Vessel shape
CN113139961B (zh) 一种冠状动脉优势型的确定方法和装置
CN118823007B (zh) 心胸比计算方法、心脏房室增大发生概率确定方法及设备
Wu et al. Left ventricular segmentation on ultrasound images using deep layer aggregation for residual dense networks
CN112336378B (zh) 一种用于动物超声诊断的m型超声心动图处理方法和系统
EP4714365A1 (en) Left atrial appendage closure device specification from 2d ice to treat atrial fibrillation patients
JP2026071155A (ja) 心房細動患者の治療に向けた２ｄ－ｉｃｅに基づく左心耳閉鎖デバイスの仕様決定
JP2024151459A (ja) 情報処理装置、情報処理方法、およびプログラム
CN121505259A (zh) 识别cbct图像中心脏舒张期与收缩期的方法及装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240206

Address after: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province

Applicant after: Shenyang Neusoft Medical Systems Co.,Ltd.

Country or region after: China

Address before: Room 336, 177-1, Chuangxin Road, Hunnan New District, Shenyang City, Liaoning Province

Applicant before: Shenyang advanced medical equipment Technology Incubation Center Co.,Ltd.

Country or region before: China

GR01 Patent grant
GR01 Patent grant