CN113723406B - 一种对冠脉造影图像进行支架定位的处理方法和装置 - Google Patents

一种对冠脉造影图像进行支架定位的处理方法和装置 Download PDF

Info

Publication number
CN113723406B
CN113723406B CN202111034147.9A CN202111034147A CN113723406B CN 113723406 B CN113723406 B CN 113723406B CN 202111034147 A CN202111034147 A CN 202111034147A CN 113723406 B CN113723406 B CN 113723406B
Authority
CN
China
Prior art keywords
frame
image
frames
bracket
image sequence
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
Application number
CN202111034147.9A
Other languages
English (en)
Other versions
CN113723406A (zh
Inventor
李喆
曹君
张碧莹
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.)
Lepu Medical Technology Beijing Co Ltd
Original Assignee
Lepu Medical Technology Beijing 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 Lepu Medical Technology Beijing Co Ltd filed Critical Lepu Medical Technology Beijing Co Ltd
Priority to CN202111034147.9A priority Critical patent/CN113723406B/zh
Publication of CN113723406A publication Critical patent/CN113723406A/zh
Priority to PCT/CN2022/097241 priority patent/WO2023029634A1/zh
Application granted granted Critical
Publication of CN113723406B publication Critical patent/CN113723406B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明实施例涉及一种对冠脉造影图像进行支架定位的处理方法和装置，所述方法包括：获取第一图像序列；进行目标检测得到多个第一识别框；将第一支架框置信度c1超过第一阈值的识别框记为第一支架框，第一端点框置信度c2超过第二阈值的识别框记为第一端点框；对第一端点框的数量为空的第一图像进行第一端点重构；对第一支架框的数量为空且第一端点框的数量大于或等于2的第一图像进行第一支架框重构；对第一支架框的数量为空且第一端点框的数量小于2的第一图像进行第二支架重构；进行不合理位置支架筛查；进行冗余支架筛查；进行不合理位置端点筛查；将第一图像序列作为完成支架定位的造影图像序列。本发明提高了支架定位效率和准确度。

Description

一种对冠脉造影图像进行支架定位的处理方法和装置
技术领域
本发明涉及数据处理技术领域，特别涉及一种对冠脉造影图像进行支架定位的处理方法和装置。
背景技术
冠状动脉性心脏病(coronary artery heart disease,CHD)简称冠心病，是指因冠状动脉狭窄、供血不足而引起的心肌机能障碍和(或)器质性病变，故又称缺血性心肌病。通过在冠脉狭窄处放置心脏支架是当前对于此类病症的主要处理手段之一。在放置心脏支架的过程中，主要是通过冠脉造影图像来实时监控支架的位置和在其血管中的姿态。但是，在冠脉造影图像中只有心脏支架两端的两个端点可以被清晰地观测到，并且因为图像明暗和对比度等因素的存在，端点的清晰度也会受到一定程度影响，所以只凭借肉眼是很难在动态的冠脉造影图片中准确的捕捉到心脏支架的位姿变化的。
发明内容
本发明的目的，就是针对现有技术的缺陷，提供一种对冠脉造影图像进行支架定位的处理方法、装置、电子设备及计算机可读存储介质，通过目标识别网络从造影图像序列的各个造影图像中识别出具体为支架框和端点框的目标识别框，并通过一系列的修正操作对得到的端点框与支架框的进行修正从而输出带有最优支架定位信息的造影图像序列。通过本发明，即可以解决人工定位的不稳定性，又可以提高定位的效率和准确度。
为实现上述目的，本发明实施例第一方面提供了一种对冠脉造影图像进行支架定位的处理方法，所述方法包括：
获取连续的冠脉造影图像生成第一图像序列；所述第一图像序列包括多个第一图像；
使用训练成熟的目标检测网络，对所述第一图像进行目标检测处理得到多个第一识别框；所述第一识别框包括第一支架框置信度c1和第一端点框置信度c2；
将所述第一图像中，所述第一支架框置信度c1超过预设的第一阈值的所述第一识别框记为第一支架框，所述第一端点框置信度c2超过预设的第二阈值的所述第一识别框记为第一端点框；
对所述第一图像序列中所述第一端点框的数量为空的所述第一图像，进行第一端点重构处理；
对所述第一图像序列中所述第一支架框的数量为空且所述第一端点框的数量大于或等于2的所述第一图像，进行第一支架框重构处理；
对所述第一图像序列中所述第一支架框的数量为空且所述第一端点框的数量小于2的所述第一图像，进行第二支架重构处理；
对所述第一图像序列进行不合理位置支架筛查处理；
对所述第一图像序列进行冗余支架筛查处理；
对所述第一图像序列进行不合理位置端点筛查处理；
将完成重构与筛查的所述第一图像序列作为完成支架定位的造影图像序列。
优选的，所述目标检测网络为YOLOv3神经网络。
优选的，所述第一识别框还包括第一中心点坐标、第一宽度w和第一高度h。
优选的，所述对所述第一图像序列中所述第一端点框的数量为空的所述第一图像，进行第一端点重构处理，具体包括：
将所述第一图像序列中所述第一端点框的数量为空的所述第一图像记为第一无端点图像；
将所述第一图像序列中所述第一端点框的数量不为空且与所述第一无端点图像距离最近的所述第一图像记为第一相邻图像；
根据所述第一相邻图像的所述第一端点框的所述第一中心点坐标、所述第一宽度w和所述第一高度h，在所述第一无端点图像上的对应位置定位第一区域；所述第一区域的中心点坐标与所述第一相邻图像的所述第一端点框的所述第一中心点坐标对应，所述第一区域的宽度与所述第一相邻图像的所述第一端点框的所述第一宽度w对应，所述第一区域的高度与所述第一相邻图像的所述第一端点框的所述第一高度h对应；
根据预设的第一宽度微调阈值△w1和第一高度微调阈值△h1，对所述第一区域进拓展得到第二区域；所述第二区域的中心点坐标与所述第一区域的中心点坐标对应，所述第二区域的宽度为所述第一区域的宽度与所述第一宽度微调阈值△w1相加的和，所述第二区域的高度为所述第一区域的高度与所述第一高度微调阈值△h1相加的和；
在所述第二区域中进行端点框重构；将所述第二区域中像素值最小的像素点坐标作为重构出的所述第一端点框的所述第一中心点坐标，并根据所述第一相邻图像的所述第一端点框的所述第一宽度w、所述第一高度h、所述第一支架框置信度c1和所述第一端点框置信度c2对所述第二区域中重构出的所述第一端点框进行对应参数设置。
优选的，所述对所述第一图像序列中所述第一支架框的数量为空且所述第一端点框的数量大于或等于2的所述第一图像，进行第一支架框重构处理，具体包括：
将所述第一图像序列中所述第一支架框的数量为空且所述第一端点框的数量大于或等于2的所述第一图像记为第二图像；
在所述第二图像中任选一个所述第一端点框作为当前端点框，并将与之距离最近的所述第一端点框作为当前相邻端点框；
取所述当前端点框的左上角顶点坐标记为第一左上坐标(x11,y11)，右下角顶点坐标记为第一右下坐标(x12,y12)；并取所述当前相邻端点框的左上角顶点坐标记为第二左上坐标(x21,y21)，右下角顶点坐标记为第二右下坐标(x22,y22)；并计算以所述第一左上坐标(x11,y11)作为左上角顶点坐标，以所述第二右下坐标(x22,y22)作为右下角顶点坐标的矩形区域的面积S，S＝|x22-x11|×|y22-y11|，||为绝对值计算符；
在得到的多个所述面积S中，将面积最小的所述面积S对应的所述第一左上坐标(x11,y11)作为重构支架框的左上顶点坐标(xl,yl)，对应的所述第二右下坐标(x22,y22)作为重构支架框的右下顶点坐标(xr,yr)；将面积最小的所述面积S对应的两个所述第一端点框的所述第一端点框置信度c2进行加权平均计算生成重构支架框置信度；
根据所述左上顶点坐标(xl,yl)和所述右下顶点坐标(xr,yr)进行支架框重构；将重构的所述第一支架框的所述第一中心点坐标设为由所述左上顶点坐标(xl,yl)和所述右下顶点坐标(xr,yr)构成的矩形框的中心点坐标；将重构的所述第一支架框的所述第一宽度w设为|xr-xl|；将重构的所述第一支架框的所述第一高度h设为|yr-yl|；将重构的所述第一支架框的所述第一支架框置信度c1设为所述重构支架框置信度；将重构的所述第一支架框的所述第一端点框置信度c2设为低于所述第二阈值的概率值。
优选的，所述对所述第一图像序列中所述第一支架框的数量为空且所述第一端点框的数量小于2的所述第一图像，进行第二支架重构处理，具体包括：
将所述第一图像序列中所述第一支架框的数量为空且所述第一端点框的数量小于2的所述第一图像记为第一无支架图像；
将所述第一图像序列中所述第一支架框的数量不为空且与所述第一无支架图像距离最近的所述第一图像记为第二相邻图像；
根据所述第二相邻图像的所述第一支架框的所述第一中心点坐标、所述第一宽度w和所述第一高度h，在所述第一无支架图像上的对应位置进行支架框重构；根据所述第二相邻图像的所述第一支架框的所述第一中心点坐标、所述第一宽度w、所述第一高度h、所述第一支架框置信度c1和所述第一端点框置信度c2对重构的所述第一支架框进行对应参数设置。
优选的，所述对所述第一图像序列进行不合理位置支架筛查处理，具体包括：
对所述第一图像序列的所有所述第一支架框的所述第一中心点坐标的横坐标平均值进行计算得到第一x平均值；
对所述第一图像序列的所有所述第一支架框的所述第一中心点坐标的纵坐标平均值进行计算得到第一y平均值；
在xy平面上，根据各个所述第一支架框的所述第一中心点坐标进行对应的中心点标记，并对由所述第一x平均值和所述第一y平均值构成的均值点进行标记；所述均值点的坐标为(第一x平均值,第一y平均值)
以所述均值点为原点、以平行于x轴的直线为象限横轴、以平行于y轴的直线为象限纵轴，将xy平面划分为四个中心点象限；
对所述四个中心点象限分别进行中心点统计处理，得到对应的象限中心点数量；
将数量为最大值的所述象限中心点数量对应的所述中心点象限作为保留中心点象限；
将不属于所述保留中心点象限的中心点对应的所述第一支架框，从所述第一图像序列中移除。
优选的，所述对所述第一图像序列进行冗余支架筛查处理，具体包括：
若所述第一图像序列的所述第一图像中存在多个所述第一支架框，则只保留其中所述第一支架框置信度c1为最大值的所述第一支架框。
优选的，所述对所述第一图像序列进行不合理位置端点筛查处理，具体包括：
若所述第一图像序列的所述第一图像中存在多个处于所述第一支架框范围之外的所述第一端点框，则只保留处于所述第一支架框范围内的所述第一端点框。
本发明实施例第二方面提供了一种实现上述第一方面所述的方法的装置，包括：获取模块、目标检测网络处理模块、定位信息修正模块和输出模块；
所述获取模块用于获取连续的冠脉造影图像生成第一图像序列；所述第一图像序列包括多个第一图像；
所述目标检测网络处理模块用于使用训练成熟的目标检测网络，对所述第一图像进行目标检测处理得到多个第一识别框；所述第一识别框包括第一支架框置信度c1和第一端点框置信度c2；
所述定位信息修正模块用于将所述第一图像中，所述第一支架框置信度c1超过预设的第一阈值的所述第一识别框记为第一支架框，所述第一端点框置信度c2超过预设的第二阈值的所述第一识别框记为第一端点框；并对所述第一图像序列中所述第一端点框的数量为空的所述第一图像，进行第一端点重构处理；并对所述第一图像序列中所述第一支架框的数量为空且所述第一端点框的数量大于或等于2的所述第一图像，进行第一支架框重构处理；并对所述第一图像序列中所述第一支架框的数量为空且所述第一端点框的数量小于2的所述第一图像，进行第二支架重构处理；并对所述第一图像序列进行不合理位置支架筛查处理；并对所述第一图像序列进行冗余支架筛查处理；并对所述第一图像序列进行不合理位置端点筛查处理；
所述输出模块用于将完成重构与筛查的所述第一图像序列作为完成支架定位的造影图像序列。
本发明实施例第三方面提供了一种电子设备，包括：存储器、处理器和收发器；
所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现上述第一方面所述的方法步骤；
所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。
本发明实施例第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行上述第一方面所述的方法的指令。
本发明实施例提供了一种对冠脉造影图像进行支架定位的处理方法、装置、电子设备及计算机可读存储介质，通过目标识别网络从造影图像序列的各个造影图像中识别出具体为支架框和端点框的目标识别框，并通过一系列的修正操作对得到的端点框与支架框的进行修正从而输出带有最优支架定位信息的造影图像序列。通过本发明，即解决了人工定位的不稳定性，又提高了定位的效率和准确度。
附图说明
图1为本发明实施例一提供的一种对冠脉造影图像进行支架定位的处理方法示意图；
图2为本发明实施例二提供的一种对冠脉造影图像进行支架定位的处理装置的模块结构图；
图3为本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明实施例一提供的一种对冠脉造影图像进行支架定位的处理方法，如图1为本发明实施例一提供的一种对冠脉造影图像进行支架定位的处理方法示意图所示，本方法主要包括如下步骤：
步骤1，获取连续的冠脉造影图像生成第一图像序列；
其中，第一图像序列包括多个第一图像。
这里，第一图像序列中的第一图像为冠脉造影图像。
步骤2，使用训练成熟的目标检测网络，对第一图像进行目标检测处理得到多个第一识别框；
其中，目标检测网络为YOLOv3神经网络；第一识别框包括第一中心点坐标、第一宽度w、第一高度h、第一支架框置信度c1和第一端点框置信度c2。
此处，目标检测网络的结构借鉴了YOLOv3的网络结构；关于YOLOv3神经网络，详细原理可参看由美国华盛顿大学(University of Washington)的Joseph Redmon和AliFarhadi于2018年联合发表的论文《YOLOv3:An Incremental Improvement》；YOLOv3神经网络被视为是YOLO(You only look once)神经网络的第三版；对二者进行比较，YOLOv3神经网络在小目标的识别精度上有着显著提升效果；
这里，YOLOv3神经网络的输入为具体的二维灰度图，输出则为多个不同大小尺寸的目标识别框(第一识别框)，每个目标识别框均带有一组参数：中心点二维坐标参数(第一中心点坐标)、识别框宽度参数(第一宽度w)、识别框高度参数(第一高度h)和2个识别框置信度参数(第一支架框置信度c1和第一端点框置信度c2)；其中中心点二维坐标参数、识别框宽度参数、识别框高度参数可确定目标框的位置和形状；每个识别框置信度参数为对应的目标类别的置信概率：第一支架框置信度c1即为当前识别框为支架识别框的置信概率，第一端点框置信度c2即为当前识别框为支架端点识别框的置信概率。
步骤3，将第一图像中，第一支架框置信度c1超过预设的第一阈值的第一识别框记为第一支架框，第一端点框置信度c2超过预设的第二阈值的第一识别框记为第一端点框。
此处，第一、第二阈值均为预先设定的系统参数，其中第一阈值为支架框置信度阈值，若第一支架框置信度c1低于第一阈值则意味着当前的第一识别框的类型不为支架框，反之则说明当前的第一识别框的类型为支架框；第二阈值为端点框置信度阈值，若第一端点框置信度c2低于第二阈值则意味着当前的第一识别框的类型不为端点框，反之则说明当前的第一识别框的类型为端点框。
正常情况下一张第一图像中只包含一个第一支架框，而且第一支架框的图像范围内会包括两个第一端点框；然而在实际应用中，目标检测网络输出的结果可能会出现以下情况：1)在第一图像中，未能识别出第一端点框和第一支架框；2)在第一图像中，只识别出了多个第一端点框而无第一支架框；3)在第一图像中，识别出了多个第一支架框；4)在第一图像中，识别出的第一端点框未能处于第一支架框的图像范围内。为了进一步提高支架定位的准确度和精度，本发明实施例会通过后续步骤4-10对目标识别网络的输出结果进行修正，从而得到最终的精度更高的带有支架定位信息的造影图像序列。
步骤4，对第一图像序列中第一端点框的数量为空的第一图像，进行第一端点重构处理；
这里，若第一图像序列中存在没有第一端点框的第一图像，通过复制与之相邻的带有第一端点框的第一图像中的端点框信息来实现对当前第一图像的端点框重构；
具体包括：步骤41，将第一图像序列中第一端点框的数量为空的第一图像记为第一无端点图像；
步骤42，将第一图像序列中第一端点框的数量不为空且与第一无端点图像距离最近的第一图像记为第一相邻图像；
这里，距离最近即为时间最近，与第一无端点图像距离最近即为与第一无端点图像时间最近；需要说明的是，若与第一无端点图像距离最近的第一端点框的数量不为空的第一图像前后各有一张，则优选后者作为第一相邻图像；
步骤43，根据第一相邻图像的第一端点框的第一中心点坐标、第一宽度w和第一高度h，在第一无端点图像上的对应位置定位第一区域；
其中，第一区域的中心点坐标与第一相邻图像的第一端点框的第一中心点坐标对应，第一区域的宽度与第一相邻图像的第一端点框的第一宽度w对应，第一区域的高度与第一相邻图像的第一端点框的第一高度h对应；
这里，第一区域实际就是在第一无端点图像中对第一相邻图像的某个具体的第一端点框的复制区域；
步骤44，根据预设的第一宽度微调阈值△w1和第一高度微调阈值△h1，对第一区域进拓展得到第二区域；
其中，第二区域的中心点坐标与第一区域的中心点坐标对应，第二区域的宽度为第一区域的宽度与第一宽度微调阈值△w1相加的和，第二区域的高度为第一区域的高度与第一高度微调阈值△h1相加的和；
这里，第一宽度微调阈值△w1和第一高度微调阈值△h1为预先设定的系统参数，第二区域实际就是以第一区域的中心为中心沿正负x方向各扩展△w1/2，沿正负y方向各扩展△h1/2的矩形；
步骤45，在第二区域中进行端点框重构；
具体包括：将第二区域中像素值最小的像素点坐标作为重构出的第一端点框的第一中心点坐标，并根据第一相邻图像的第一端点框的第一宽度w、第一高度h、第一支架框置信度c1和第一端点框置信度c2对第二区域中重构出的第一端点框进行对应参数设置。
这里，因为支架端点在扫描时产生的影像图像颜色总是较周围环境深，又已知第一图像为灰度图，基于灰度图的颜色越深像素值(灰度值)越低的原理，我们可知在第一图像中支架端点的像素值应是周围图像范围中的最小值；所以，这里通过对第二区域内所有像素点的像素值进行查询就能精确定位端点的中心点位置，因此将第二区域中像素值最小的像素点坐标作为重构出的第一端点框的第一中心点坐标；对于重构的第一端点框的其他参数(第一宽度w、第一高度h、第一支架框置信度c1和第一端点框置信度c2)，则直接根据第一相邻图像中对应的第一端点框的对应参数进行设置即可。
步骤5，对第一图像序列中第一支架框的数量为空且第一端点框的数量大于或等于2的第一图像，进行第一支架框重构处理；
这里，若第一图像序列中存在没有第一支架框但含有2个及2个以上第一端点框的第一图像，则通过对第一图像中相邻端点框构成的矩形的覆盖面积进行统计，并以其中的最小覆盖面积对应的两个第一端点框为参考，来实现对当前第一图像的支架框重构；
具体包括：步骤51，将第一图像序列中第一支架框的数量为空且第一端点框的数量大于或等于2的第一图像记为第二图像；
步骤52，在第二图像中任选一个第一端点框作为当前端点框，并将与之距离最近的第一端点框作为当前相邻端点框；
这里，距离最近即为中心点连线最短，即当前端点框与当前相邻端点框的中心点连线最短；
步骤53，取当前端点框的左上角顶点坐标记为第一左上坐标(x11,y11)，右下角顶点坐标记为第一右下坐标(x12,y12)；并取当前相邻端点框的左上角顶点坐标记为第二左上坐标(x21,y21)，右下角顶点坐标记为第二右下坐标(x22,y22)；并计算以第一左上坐标(x11,y11)作为左上角顶点坐标，以第二右下坐标(x22,y22)作为右下角顶点坐标的矩形区域的面积S，S＝|x22-x11|×|y22-y11|，||为绝对值计算符；
步骤54，在得到的多个面积S中，将面积最小的面积S对应的第一左上坐标(x11,y11)作为重构支架框的左上顶点坐标(xl,yl)，对应的第二右下坐标(x22,y22)作为重构支架框的右下顶点坐标(xr,yr)；将面积最小的面积S对应的两个第一端点框的第一端点框置信度c2进行加权平均计算生成重构支架框置信度；
这里，因为第一端点框的第一端点框置信度c2越高，则对应的重构出来的第一支架框的支架框置信度越高，所以对两个第一端点框的第一端点框置信度c2进行加权平均计算得到重构支架框置信度；
步骤55，根据左上顶点坐标(xl,yl)和右下顶点坐标(xr,yr)进行支架框重构；将重构的第一支架框的第一中心点坐标设为由左上顶点坐标(xl,yl)和右下顶点坐标(xr,yr)构成的矩形框的中心点坐标；将重构的第一支架框的第一宽度w设为|xr-xl|+第二宽度微调阈值△w2；将重构的第一支架框的第一高度h设为|yr-yl|+第二高度微调阈值△h2；将重构的第一支架框的第一支架框置信度c1设为重构支架框置信度；将重构的第一支架框的第一端点框置信度c2设为低于第二阈值的概率值。
这里，第二宽度微调阈值△w2和第二高度微调阈值△h2为预先设定的系统参数；第一支架框的范围内容包含了对应的两个第一端点框。
步骤6，对第一图像序列中第一支架框的数量为空且第一端点框的数量小于2的第一图像，进行第二支架重构处理；
这里，若第一图像序列中存在没有第一支架框且包含的第一端点框的数量也未达到2个及2个以上的第一图像，通过复制与之相邻的带有第一支架框的第一图像中的支架框信息来实现对当前第一图像的支架框重构；
具体包括：步骤61，将第一图像序列中第一支架框的数量为空且第一端点框的数量小于2的第一图像记为第一无支架图像；
步骤62，将第一图像序列中第一支架框的数量不为空且与第一无支架图像距离最近的第一图像记为第二相邻图像；
这里，距离最近即为时间最近，与第一无支架图像距离最近即为与第一无支架图像时间最近；需要说明的是，若与第一无支架图像距离最近的第一支架框的数量不为空且与第一无支架图像距离最近的第一图像前后各有一张，则优选后者作为第二相邻图像；
步骤63，根据第二相邻图像的第一支架框的第一中心点坐标、第一宽度w和第一高度h，在第一无支架图像上的对应位置进行支架框重构；
具体包括：根据第二相邻图像的第一支架框的第一中心点坐标、第一宽度w、第一高度h、第一支架框置信度c1和第一端点框置信度c2对重构的第一支架框进行对应参数设置。
这里，直接根据第二相邻图像中第一支架框的参数(第一中心点坐标、第一宽度w、第一高度h、第一支架框置信度c1和第一端点框置信度c2)对重构的第一支架框的参数进行设置。
步骤7，对第一图像序列进行不合理位置支架筛查处理；
这里，第一图像序列中的各个第一图像中的支架位置应前后关联性较强，不存在前后较大位移的情况；若出现前后位置变化过大的情况则需对不合理位置的第一支架框进行清除；
具体包括：步骤71，对第一图像序列的所有第一支架框的第一中心点坐标的横坐标平均值进行计算得到第一x平均值；
例如，第一图像序列共有5张第一图像，每张第一图像中存在一个第一支架框，5个第一支架框第一中心点坐标依次为(100,200),(102,202),(150,180),(104,204),(106,206)；那么第一x平均值＝(100+102+150+104+106)≈112；
步骤72，对第一图像序列的所有第一支架框的第一中心点坐标的纵坐标平均值进行计算得到第一y平均值；
例如，第一图像序列的5个第一支架框第一中心点坐标依次为(100,200),(102,202),(150,180),(104,204),(106,206)；那么第一y平均值＝(200+202+180+204+206)≈198；
步骤73，在xy平面上，根据各个第一支架框的第一中心点坐标进行对应的中心点标记，并对由第一x平均值和第一y平均值构成的均值点进行标记；
其中，均值点的坐标为(第一x平均值,第一y平均值)；
例如，第一x平均值为112，第一y为198，那么均值点的坐标为(112,198)；
步骤74，以均值点为原点、以平行于x轴的直线为象限横轴、以平行于y轴的直线为象限纵轴，将xy平面划分为四个中心点象限；
例如，均值点的坐标为(112,198)，那么四个中心点象限从左上角顺时针到左下角的象限坐标分别为：左上中心点象限[x<112,y>198]，右上中心点象限[x>112,y>198]，右下中心点象限[x>112,y<198]，左下中心点象限[x<112,y<198]；
步骤75，对四个中心点象限分别进行中心点统计处理，得到对应的象限中心点数量；
例如，第一图像序列的5个第一支架框第一中心点坐标依次为(100,200),(102,202),(150,180),(104,204),(106,206)；四个中心点象限为：左上中心点象限[x<112,y>198]，右上中心点象限[x>112,y>198]，右下中心点象限[x>112,y<198]，左下中心点象限[x<112,y<198]；
那么，满足左上中心点象限坐标要求的象限中心点数量为4，对应的中心点分别为：(100,200),(102,202),(104,204),(106,206)；满足右上中心点象限坐标要求的象限中心点数量为0；满足右下中心点象限坐标要求的象限中心点数量为1，对应的中心点为(150,180)；满足左下中心点象限坐标要求的象限中心点数量为0；
步骤76，将数量为最大值的象限中心点数量对应的中心点象限作为保留中心点象限；
例如，第一图像序列的5个第一图像中的第一支架框的中心点，满足左上中心点象限坐标要求的象限中心点数量为4，满足右上中心点象限坐标要求的象限中心点数量为0，满足右下中心点象限坐标要求的象限中心点数量为1，满足左下中心点象限坐标要求的象限中心点数量为0；那么，数量为最大值的象限中心点数量应为满足左上中心点象限坐标要求的象限中心点数量4，则保留中心点象限应为上述四个中心点象限中的左上中心点象限；
步骤77，将不属于保留中心点象限的中心点对应的第一支架框，从第一图像序列中移除。
例如，保留中心点象限为四个中心点象限中的左上中心点象限，那么位于右下中心点象限的中心点对应的第一支架框就属于不合理位置的第一支架框，应从所在的第一图像中删除。
需要说明的是，从第一图像序列中移除了不合理位置的第一支架框之后，可通过上述步骤5或6对移除了不合理位置支架框的第一图像进行支架框重构处理。
步骤8，对第一图像序列进行冗余支架筛查处理；
具体包括：若第一图像序列的第一图像中存在多个第一支架框，则只保留其中第一支架框置信度c1为最大值的第一支架框。
这里，对于在第一图像中存在多个第一支架框的情况，将其中最大支架置信度的第一支架框进行保留，也就是保留第一支架框置信度c1为最大值的第一支架框，对其他非最大支架置信度的第一支架框进行删除。
步骤9，对第一图像序列进行不合理位置端点筛查处理；
具体包括：若第一图像序列的第一图像中存在多个处于第一支架框范围之外的第一端点框，则只保留处于第一支架框范围内的第一端点框。
这里，对于在第一图像中存在第一端点框未能处于第一支架框图像范围内的这种情况，将其中处于第一支架框范围内的第一端点框进行保留，对其他处于第一支架框范围外的第一端点框进行删除。
步骤10，将完成重构与筛查的第一图像序列作为完成支架定位的造影图像序列。
这里，最终输出的造影图像序列是在步骤3得到的带有第一支架框、第一端点框标记的第一图像序列基础上，修正了前文提及的四种异常情况(1、在第一图像中，未能识别出第一端点框和第一支架框；2、在第一图像中，只识别出了多个第一端点框而无第一支架框；3、在第一图像中，识别出了多个第一支架框；4、在第一图像中，识别出的第一端点框未能处于第一支架框的图像范围内)的带有最优支架定位信息的造影图像序列。
图2为本发明实施例二提供的一种对冠脉造影图像进行支架定位的处理装置的模块结构图，该装置可以为实现本发明实施例方法的终端设备或者服务器，也可以为与上述终端设备或者服务器连接的实现本发明实施例方法的装置，例如该装置可以是上述终端设备或者服务器的装置或芯片系统。如图2所示，该装置包括：获取模块201、目标检测网络处理模块202、定位信息修正模块203和输出模块204。
获取模块201用于获取连续的冠脉造影图像生成第一图像序列；第一图像序列包括多个第一图像。
目标检测网络处理模块202用于使用训练成熟的目标检测网络，对第一图像进行目标检测处理得到多个第一识别框；第一识别框包括第一支架框置信度c1和第一端点框置信度c2。
定位信息修正模块203用于将第一图像中，第一支架框置信度c1超过预设的第一阈值的第一识别框记为第一支架框，第一端点框置信度c2超过预设的第二阈值的第一识别框记为第一端点框；并对第一图像序列中第一端点框的数量为空的第一图像，进行第一端点重构处理得到对应的第一端点框；并对第一图像序列中第一支架框的数量为空且第一端点框的数量大于或等于2的第一图像，进行第一支架框重构处理得到对应的第一支架框；并对第一图像序列中第一支架框的数量为空且第一端点框的数量小于2的第一图像，进行第二支架重构处理得到对应的第一支架框；并对第一图像序列进行不合理位置支架筛查处理；并对第一图像序列进行冗余支架筛查处理；并对第一图像序列进行不合理位置端点筛查处理。
输出模块204用于将完成重构与筛查的第一图像序列作为完成支架定位的造影图像序列。
本发明实施例提供的一种对冠脉造影图像进行支架定位的处理装置，可以执行上述方法实施例中的方法步骤，其实现原理和技术效果类似，在此不再赘述。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，获取模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上确定模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，ASIC)，或，一个或多个数字信号处理器(Digital Signal Processor，DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(System-on-a-chip，SOC)的形式实现。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本发明实施例所描述的流程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。上述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，上述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线路(Digital Subscriber Line，DSL))或无线(例如红外、无线、蓝牙、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。上述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
图3为本发明实施例三提供的一种电子设备的结构示意图。该电子设备可以为前述的终端设备或者服务器，也可以为与前述终端设备或者服务器连接的实现本发明实施例方法的终端设备或服务器。如图3所示，该电子设备可以包括：处理器301(例如CPU)、存储器302、收发器303；收发器303耦合至处理器301，处理器301控制收发器303的收发动作。存储器302中可以存储各种指令，以用于完成各种处理功能以及实现本发明上述实施例中提供的方法和处理过程。优选的，本发明实施例涉及的电子设备还包括：电源304、系统总线305以及通信端口306。系统总线305用于实现元件之间的通信连接。上述通信端口306用于电子设备与其他外设之间进行连接通信。
在图3中提到的系统总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory，RAM)，也可能还包括非易失性存储器(Non-Volatile Memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器CPU、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
需要说明的是，本发明实施例还提供一种计算机可读存储介质，该存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中提供的方法和处理过程。
本发明实施例还提供一种运行指令的芯片，该芯片用于执行上述实施例中提供的方法和处理过程。
本发明实施例提供了一种对冠脉造影图像进行支架定位的处理方法、装置、电子设备及计算机可读存储介质，通过目标识别网络从造影图像序列的各个造影图像中识别出具体为支架框和端点框的目标识别框，并通过一系列的修正操作对得到的端点框与支架框的进行修正从而输出带有最优支架定位信息的造影图像序列。通过本发明，即解决了人工定位的不稳定性，又提高了定位的效率和准确度。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种对冠脉造影图像进行支架定位的处理方法，其特征在于，所述方法包括：
获取连续的冠脉造影图像生成第一图像序列；所述第一图像序列包括多个第一图像；
使用训练成熟的目标检测网络，对所述第一图像进行目标检测处理得到多个第一识别框；所述第一识别框包括第一支架框置信度c1和第一端点框置信度c2；
将所述第一图像中，所述第一支架框置信度c1超过预设的第一阈值的所述第一识别框记为第一支架框，所述第一端点框置信度c2超过预设的第二阈值的所述第一识别框记为第一端点框；
对所述第一图像序列中所述第一端点框的数量为空的所述第一图像，进行第一端点重构处理；
对所述第一图像序列中所述第一支架框的数量为空且所述第一端点框的数量大于或等于2的所述第一图像，进行第一支架框重构处理；
对所述第一图像序列中所述第一支架框的数量为空且所述第一端点框的数量小于2的所述第一图像，进行第二支架重构处理；
对所述第一图像序列进行不合理位置支架筛查处理；
对所述第一图像序列进行冗余支架筛查处理；
对所述第一图像序列进行不合理位置端点筛查处理；
将完成重构与筛查的所述第一图像序列作为完成支架定位的造影图像序列。
2.根据权利要求1所述的对冠脉造影图像进行支架定位的处理方法，其特征在于，所述目标检测网络为YOLOv3神经网络。
3.根据权利要求1所述的对冠脉造影图像进行支架定位的处理方法，其特征在于，所述第一识别框还包括第一中心点坐标、第一宽度w和第一高度h。
4.根据权利要求3所述的对冠脉造影图像进行支架定位的处理方法，其特征在于，所述对所述第一图像序列中所述第一端点框的数量为空的所述第一图像，进行第一端点重构处理，具体包括：
将所述第一图像序列中所述第一端点框的数量为空的所述第一图像记为第一无端点图像；
将所述第一图像序列中所述第一端点框的数量不为空且与所述第一无端点图像距离最近的所述第一图像记为第一相邻图像；
根据所述第一相邻图像的所述第一端点框的所述第一中心点坐标、所述第一宽度w和所述第一高度h，在所述第一无端点图像上的对应位置定位第一区域；所述第一区域的中心点坐标与所述第一相邻图像的所述第一端点框的所述第一中心点坐标对应，所述第一区域的宽度与所述第一相邻图像的所述第一端点框的所述第一宽度w对应，所述第一区域的高度与所述第一相邻图像的所述第一端点框的所述第一高度h对应；
根据预设的第一宽度微调阈值△w1和第一高度微调阈值△h1，对所述第一区域进拓展得到第二区域；所述第二区域的中心点坐标与所述第一区域的中心点坐标对应，所述第二区域的宽度为所述第一区域的宽度与所述第一宽度微调阈值△w1相加的和，所述第二区域的高度为所述第一区域的高度与所述第一高度微调阈值△h1相加的和；
在所述第二区域中进行端点框重构；将所述第二区域中像素值最小的像素点坐标作为重构出的所述第一端点框的所述第一中心点坐标，并根据所述第一相邻图像的所述第一端点框的所述第一宽度w、所述第一高度h、所述第一支架框置信度c1和所述第一端点框置信度c2对所述第二区域中重构出的所述第一端点框进行对应参数设置。
5.根据权利要求3所述的对冠脉造影图像进行支架定位的处理方法，其特征在于，所述对所述第一图像序列中所述第一支架框的数量为空且所述第一端点框的数量大于或等于2的所述第一图像，进行第一支架框重构处理，具体包括：
将所述第一图像序列中所述第一支架框的数量为空且所述第一端点框的数量大于或等于2的所述第一图像记为第二图像；
在所述第二图像中任选一个所述第一端点框作为当前端点框，并将与之距离最近的所述第一端点框作为当前相邻端点框；
取所述当前端点框的左上角顶点坐标记为第一左上坐标(x11,y11)，右下角顶点坐标记为第一右下坐标(x12,y12)；并取所述当前相邻端点框的左上角顶点坐标记为第二左上坐标(x21,y21)，右下角顶点坐标记为第二右下坐标(x22,y22)；并计算以所述第一左上坐标(x11,y11)作为左上角顶点坐标，以所述第二右下坐标(x22,y22)作为右下角顶点坐标的矩形区域的面积S，S＝|x22-x11|×|y22-y11|，||为绝对值计算符；
在得到的多个所述面积S中，将面积最小的所述面积S对应的所述第一左上坐标(x11,y11)作为重构支架框的左上顶点坐标(xl,yl)，对应的所述第二右下坐标(x22,y22)作为重构支架框的右下顶点坐标(xr,yr)；将面积最小的所述面积S对应的两个所述第一端点框的所述第一端点框置信度c2进行加权平均计算生成重构支架框置信度；
根据所述左上顶点坐标(xl,yl)和所述右下顶点坐标(xr,yr)进行支架框重构；将重构的所述第一支架框的所述第一中心点坐标设为由所述左上顶点坐标(xl,yl)和所述右下顶点坐标(xr,yr)构成的矩形框的中心点坐标；将重构的所述第一支架框的所述第一宽度w设为|xr-xl|；将重构的所述第一支架框的所述第一高度h设为|yr-yl|；将重构的所述第一支架框的所述第一支架框置信度c1设为所述重构支架框置信度；将重构的所述第一支架框的所述第一端点框置信度c2设为低于所述第二阈值的概率值。
6.根据权利要求3所述的对冠脉造影图像进行支架定位的处理方法，其特征在于，所述对所述第一图像序列中所述第一支架框的数量为空且所述第一端点框的数量小于2的所述第一图像，进行第二支架重构处理，具体包括：
将所述第一图像序列中所述第一支架框的数量为空且所述第一端点框的数量小于2的所述第一图像记为第一无支架图像；
将所述第一图像序列中所述第一支架框的数量不为空且与所述第一无支架图像距离最近的所述第一图像记为第二相邻图像；
根据所述第二相邻图像的所述第一支架框的所述第一中心点坐标、所述第一宽度w和所述第一高度h，在所述第一无支架图像上的对应位置进行支架框重构；根据所述第二相邻图像的所述第一支架框的所述第一中心点坐标、所述第一宽度w、所述第一高度h、所述第一支架框置信度c1和所述第一端点框置信度c2对重构的所述第一支架框进行对应参数设置。
7.根据权利要求3所述的对冠脉造影图像进行支架定位的处理方法，其特征在于，所述对所述第一图像序列进行不合理位置支架筛查处理，具体包括：
对所述第一图像序列的所有所述第一支架框的所述第一中心点坐标的横坐标平均值进行计算得到第一x平均值；
对所述第一图像序列的所有所述第一支架框的所述第一中心点坐标的纵坐标平均值进行计算得到第一y平均值；
在xy平面上，根据各个所述第一支架框的所述第一中心点坐标进行对应的中心点标记，并对由所述第一x平均值和所述第一y平均值构成的均值点进行标记；所述均值点的坐标为(第一x平均值,第一y平均值)；
以所述均值点为原点、以平行于x轴的直线为象限横轴、以平行于y轴的直线为象限纵轴，将xy平面划分为四个中心点象限；
对所述四个中心点象限分别进行中心点统计处理，得到对应的象限中心点数量；
将数量为最大值的所述象限中心点数量对应的所述中心点象限作为保留中心点象限；
将不属于所述保留中心点象限的中心点对应的所述第一支架框，从所述第一图像序列中移除。
8.根据权利要求1所述的对冠脉造影图像进行支架定位的处理方法，其特征在于，所述对所述第一图像序列进行冗余支架筛查处理，具体包括：
若所述第一图像序列的所述第一图像中存在多个所述第一支架框，则只保留其中所述第一支架框置信度c1为最大值的所述第一支架框。
9.根据权利要求1所述的对冠脉造影图像进行支架定位的处理方法，其特征在于，所述对所述第一图像序列进行不合理位置端点筛查处理，具体包括：
若所述第一图像序列的所述第一图像中存在多个处于所述第一支架框范围之外的所述第一端点框，则只保留处于所述第一支架框范围内的所述第一端点框。
10.一种用于实现权利要求1-9任一项所述的对冠脉造影图像进行支架定位的处理方法步骤的装置，其特征在于，所述装置包括：获取模块、目标检测网络处理模块、定位信息修正模块和输出模块；
所述获取模块用于获取连续的冠脉造影图像生成第一图像序列；所述第一图像序列包括多个第一图像；
所述目标检测网络处理模块用于使用训练成熟的目标检测网络，对所述第一图像进行目标检测处理得到多个第一识别框；所述第一识别框包括第一支架框置信度c1和第一端点框置信度c2；
所述定位信息修正模块用于将所述第一图像中，所述第一支架框置信度c1超过预设的第一阈值的所述第一识别框记为第一支架框，所述第一端点框置信度c2超过预设的第二阈值的所述第一识别框记为第一端点框；并对所述第一图像序列中所述第一端点框的数量为空的所述第一图像，进行第一端点重构处理；并对所述第一图像序列中所述第一支架框的数量为空且所述第一端点框的数量大于或等于2的所述第一图像，进行第一支架框重构处理；并对所述第一图像序列中所述第一支架框的数量为空且所述第一端点框的数量小于2的所述第一图像，进行第二支架重构处理；并对所述第一图像序列进行不合理位置支架筛查处理；并对所述第一图像序列进行冗余支架筛查处理；并对所述第一图像序列进行不合理位置端点筛查处理；
所述输出模块用于将完成重构与筛查的所述第一图像序列作为完成支架定位的造影图像序列。
11.一种电子设备，其特征在于，包括：存储器、处理器和收发器；
所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现权利要求1-9任一项所述的方法步骤；
所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。
12.一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存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行权利要求1-9任一项所述的方法的指令。
CN202111034147.9A 2021-09-03 2021-09-03 一种对冠脉造影图像进行支架定位的处理方法和装置 Active CN113723406B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111034147.9A CN113723406B (zh) 2021-09-03 2021-09-03 一种对冠脉造影图像进行支架定位的处理方法和装置
PCT/CN2022/097241 WO2023029634A1 (zh) 2021-09-03 2022-06-07 一种对冠脉造影图像进行支架定位的处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111034147.9A CN113723406B (zh) 2021-09-03 2021-09-03 一种对冠脉造影图像进行支架定位的处理方法和装置

Publications (2)

Publication Number Publication Date
CN113723406A CN113723406A (zh) 2021-11-30
CN113723406B true CN113723406B (zh) 2023-07-18

Family

ID=78681609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111034147.9A Active CN113723406B (zh) 2021-09-03 2021-09-03 一种对冠脉造影图像进行支架定位的处理方法和装置

Country Status (2)

Country Link
CN (1) CN113723406B (zh)
WO (1) WO2023029634A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723406B (zh) * 2021-09-03 2023-07-18 乐普（北京）医疗器械股份有限公司 一种对冠脉造影图像进行支架定位的处理方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503630A (zh) * 2019-07-19 2019-11-26 江苏师范大学 一种基于三维深度学习模型的脑出血分类、定位与预测方法
CN110910361A (zh) * 2019-11-15 2020-03-24 首都医科大学附属北京安贞医院 一种基于血管支架的检出方法及装置
CN111046717A (zh) * 2019-10-11 2020-04-21 平安科技（深圳）有限公司 眼底图像黄斑中心定位方法、装置、电子设备及存储介质
WO2020164282A1 (zh) * 2019-02-14 2020-08-20 平安科技（深圳）有限公司 基于yolo的图像目标识别方法、装置、电子设备和存储介质
WO2021081771A1 (zh) * 2019-10-29 2021-05-06 未艾医疗技术(深圳)有限公司 基于vrds ai医学影像的心脏冠脉的分析方法和相关装置
CN113040812A (zh) * 2021-02-03 2021-06-29 上海联影医疗科技股份有限公司 医学图像分析方法、装置、计算机设备和存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100557632C (zh) * 2001-12-07 2009-11-04 皇家飞利浦电子股份有限公司 用于在空间上增强有噪影像中的结构的医学观察系统和方法
US20060210131A1 (en) * 2005-03-15 2006-09-21 Wheeler Frederick W Jr Tomographic computer aided diagnosis (CAD) with multiple reconstructions
US7734328B2 (en) * 2006-12-21 2010-06-08 General Electric Company System and method to enhance visualization of an object in a vascular vessel
US8411927B2 (en) * 2009-10-29 2013-04-02 Siemens Aktiengesellschaft Marker detection in X-ray images
US8311308B2 (en) * 2009-12-10 2012-11-13 Siemens Corporation Stent viewing using a learning based classifier in medical imaging
US10109058B2 (en) * 2015-05-17 2018-10-23 Lightlab Imaging, Inc. Intravascular imaging system interfaces and stent detection methods
CN113723406B (zh) * 2021-09-03 2023-07-18 乐普（北京）医疗器械股份有限公司 一种对冠脉造影图像进行支架定位的处理方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020164282A1 (zh) * 2019-02-14 2020-08-20 平安科技（深圳）有限公司 基于yolo的图像目标识别方法、装置、电子设备和存储介质
CN110503630A (zh) * 2019-07-19 2019-11-26 江苏师范大学 一种基于三维深度学习模型的脑出血分类、定位与预测方法
CN111046717A (zh) * 2019-10-11 2020-04-21 平安科技（深圳）有限公司 眼底图像黄斑中心定位方法、装置、电子设备及存储介质
WO2021081771A1 (zh) * 2019-10-29 2021-05-06 未艾医疗技术(深圳)有限公司 基于vrds ai医学影像的心脏冠脉的分析方法和相关装置
CN110910361A (zh) * 2019-11-15 2020-03-24 首都医科大学附属北京安贞医院 一种基于血管支架的检出方法及装置
CN113040812A (zh) * 2021-02-03 2021-06-29 上海联影医疗科技股份有限公司 医学图像分析方法、装置、计算机设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
2D/3D冠状动脉血管分割与配准方法研究;李致勋;《中国博士学位论文全文数据库信息科技辑》;全文 *
Optical coherence tomography compared with intravascular ultrasound and with angiography to guide coronary stent implantation;Ziad A Ali等;《The Lancet》;全文 *

Also Published As

Publication number Publication date
WO2023029634A1 (zh) 2023-03-09
CN113723406A (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN113723406B (zh) 一种对冠脉造影图像进行支架定位的处理方法和装置
CN110766629B (zh) Cbct系统几何校正方法、装置、计算机设备和存储介质
CN115797300A (zh) 一种基于自适应梯度阈值canny算子的边缘检测方法及其装置
CN114998773B (zh) 适用于无人机系统航拍图像的特征误匹配剔除方法及系统
CN117094917B (zh) 一种心血管3d打印数据处理方法
CN112102384A (zh) 一种非刚性医学影像配准方法及系统
CN115375719A (zh) 一种血管图像分割方法及装置
CN116503462A (zh) 一种圆形斑点圆心快速提取方法及系统
CN114119455B (zh) 一种基于目标检测网络定位血管狭窄部位的方法和装置
CN113744142A (zh) 图像修复方法、电子设备及存储介质
CN113012127A (zh) 基于胸部医学影像的心胸比测量方法
CN115482358B (zh) 一种三角网格曲面的生成方法、装置、设备及存储介质
CN114283081B (zh) 基于金字塔加速的深度恢复方法、电子设备及存储介质
CN112017108B (zh) 基于独立模型法平差的卫星影像颜色相对校正方法
CN112508788B (zh) 一种基于多帧观测信息的空间邻近群目标超分辨方法
CN112819823B (zh) 一种面向家具板材的圆孔检测方法、系统及装置
CN114266781A (zh) 缺陷检查装置、方法以及信息记录介质
CN112233020A (zh) 无人机图像拼接方法、装置、计算机设备及存储介质
CN114119437B (zh) 一种基于gms的用于改善运动物体畸变的图像拼接方法
CN111524081B (zh) 肺部影像角度矫正方法、装置、电子设备和存储介质
CN116152358B (zh) 一种相机参数标定优化方法及电子设备
CN116958132B (zh) 基于视觉分析的手术导航系统
CN112862907B (zh) 显微图像校正方法、装置、设备、存储介质及产品
CN111833397B (zh) 一种面向测向目标定位的数据转换方法和装置
CN116739898B (zh) 基于圆柱特征的多相机点云拼接方法和装置

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