CN113744223A - 血管的风险评估方法、计算机设备和存储介质 - Google Patents
血管的风险评估方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113744223A CN113744223A CN202110987579.5A CN202110987579A CN113744223A CN 113744223 A CN113744223 A CN 113744223A CN 202110987579 A CN202110987579 A CN 202110987579A CN 113744223 A CN113744223 A CN 113744223A
- Authority
- CN
- China
- Prior art keywords
- interest
- artery
- vessel
- preset
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 45
- 238000012502 risk assessment Methods 0.000 title claims abstract description 38
- 210000001367 artery Anatomy 0.000 claims abstract description 196
- 238000013145 classification model Methods 0.000 claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 238000000605 extraction Methods 0.000 claims description 22
- 238000010801 machine learning Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 10
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 5
- 200000000007 Arterial disease Diseases 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 241001347978 Major minor Species 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 210000004351 coronary vessel Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000414 obstructive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种血管的风险评估方法、计算机设备和存储介质。所述方法包括：将医学影像输入预设的分割模型，得到医学影像中感兴趣动脉血管的掩膜图像；根据感兴趣动脉血管的掩膜图像，确定感兴趣动脉血管所在的预设组织区域；提取感兴趣动脉血管所在的预设组织区域的影像特征，得到感兴趣动脉血管所在预设组织区域的影像组学特征；根据影像组学特征和预设的分类模型，得到感兴趣动脉血管的风险评估结果。采用本方法能够提高得到的感兴趣动脉血管的风险评估结果的效率。
Description
技术领域
本申请涉及医学图像处理技术领域，特别是涉及一种血管的风险评估方法、计算机设备和存储介质。
背景技术
大多数动脉疾病是由不稳定的非阻塞性的动脉粥样硬化斑块引起的，动脉粥样硬化斑块的形成和破裂常常会对血管周围的组织产生影响。研究表明，动脉粥样硬化斑块的特征与动脉周围的组织相关。因此，对动脉周围组织的分析有助于对引起动脉疾病的动脉粥样硬化斑块的特征进行有效评估。
传统技术中，通常是由人工勾画动脉周围脂肪区域，再获取勾画的动脉周围脂肪区域的脂肪衰减指数，根据动脉周围的脂肪衰减指数对动脉粥样硬化斑块的特征进行评估。
然而，传统的评估方法，存在评估效率较低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高对引起动脉疾病的动脉粥样硬化斑块的特征的评估效率的血管的风险评估方法、计算机设备和存储介质。
一种血管的风险评估方法，所述方法包括：
将医学影像输入预设的分割模型，得到所述医学影像中感兴趣动脉血管的掩膜图像；
根据所述感兴趣动脉血管的掩膜图像，确定所述感兴趣动脉血管所在的预设组织区域；
提取所述感兴趣动脉血管所在的预设组织区域的影像特征，得到所述感兴趣动脉血管所在预设组织区域的影像组学特征；
根据所述影像组学特征和预设的分类模型，得到所述感兴趣动脉血管的风险评估结果。
在其中一个实施例中，所述根据所述感兴趣动脉血管的掩膜图像，确定所述感兴趣动脉血管所在的预设组织区域，包括：
根据所述感兴趣动脉血管的掩膜图像，得到所述感兴趣动脉血管的管腔直径；
扩大所述感兴趣动脉血管的管腔直径，将扩大后的管腔直径范围内的区域，确定为所述感兴趣动脉血管所在的预设组织区域。
在其中一个实施例中，所述根据所述感兴趣动脉血管的掩膜图像，得到所述感兴趣动脉血管的管腔直径，包括：
从所述感兴趣动脉血管的掩膜图像中提取所述感兴趣动脉血管的中心线；
针对所述感兴趣动脉血管的中心线上的点，确定各点所在的横截面；
基于所述横截面提取所述感兴趣动脉血管的轮廓，根据所述感兴趣动脉血管的轮廓得到所述感兴趣动脉血管的管腔直径。
在其中一个实施例中，所述方法还包括：
获取所述分割模型对所述医学影像中感兴趣动脉血管进行分割过程中得到的特征图；
根据所述特征图和所述影像组学特征，得到目标特征；
将所述目标特征输入所述分类模型，得到所述感兴趣动脉血管的风险评估结果。
在其中一个实施例中，所述根据所述特征图和所述影像组学特征，得到目标特征，包括：
对所述特征图进行特征转换，得到转换后的特征；所述转换后的特征的维度与所述影像组学特征的维度相同；
对所述转换后的特征和所述影像组学特征进行特征融合，将融合后的特征确定为所述目标特征。
在其中一个实施例中，所述将融合后的特征确定为所述目标特征，包括：
利用预设的特征提取算法对所述融合后的特征进行特征提取，提取所述融合后的特征中的非线性相关的特征，将提取后的特征确定为所述目标特征。
在其中一个实施例中，所述预设的特征提取算法包括主成分分析法。
在其中一个实施例中，所述预设的分类模型为基于机器学习算法构建的模型，或者，为基于包括全连接层的神经网络模型构建的模型；所述机器学习算法包括随机森林法、支持向量机、k近邻法、决策树、逻辑式回归模型、XGboost算法、二次判别分析法、随机梯度下降法、Adaboost算法。
一种血管的风险评估装置，所述装置包括：
第一获取模块，用于将医学影像输入预设的分割模型，得到所述医学影像中感兴趣动脉血管的掩膜图像；
确定模块，用于根据所述感兴趣动脉血管的掩膜图像，确定所述感兴趣动脉血管所在的预设组织区域；
提取模块，用于提取所述感兴趣动脉血管所在的预设组织区域的影像特征，得到所述感兴趣动脉血管所在预设组织区域的影像组学特征；
第二获取模块，用于根据所述影像组学特征和预设的分类模型，得到所述感兴趣动脉血管的风险评估结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
将医学影像输入预设的分割模型，得到所述医学影像中感兴趣动脉血管的掩膜图像；
根据所述感兴趣动脉血管的掩膜图像，确定所述感兴趣动脉血管所在的预设组织区域；
提取所述感兴趣动脉血管所在的预设组织区域的影像特征，得到所述感兴趣动脉血管所在预设组织区域的影像组学特征；
根据所述影像组学特征和预设的分类模型，得到所述感兴趣动脉血管的风险评估结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
将医学影像输入预设的分割模型，得到所述医学影像中感兴趣动脉血管的掩膜图像；
根据所述感兴趣动脉血管的掩膜图像，确定所述感兴趣动脉血管所在的预设组织区域；
提取所述感兴趣动脉血管所在的预设组织区域的影像特征，得到所述感兴趣动脉血管所在预设组织区域的影像组学特征；
根据所述影像组学特征和预设的分类模型，得到所述感兴趣动脉血管的风险评估结果。
上述血管的风险评估方法、装置、计算机设备和存储介质，通过将医学影像输入预设的分割模型，能够快速地得到该医学影像中感兴趣动脉血管的掩膜图像，从而可以快速地根据感兴趣动脉血管的掩膜图像，确定感兴趣动脉血管所在的预设组织区域，并提取感兴趣动脉血管所在的预设组织区域的影像特征，提高了得到感兴趣动脉血管所在预设组织区域的影像组学特征的效率，进而提高了根据提取的影像组学特征和预设的分类模型对感兴趣动脉血管的风险进行评估，得到感兴趣动脉血管的风险评估结果的效率；另外，根据感兴趣动脉血管所在预设组织区域的影像组学特征和预设的分类模型，对感兴趣动脉血管的风险进行评估，避免了利用单一特征评估不准确的问题，提高了得到感兴趣动脉血管的风险评估结果的准确度。
附图说明
图1为一个实施例中血管的风险评估方法的应用环境图；
图2为一个实施例中血管的风险评估方法的流程示意图；
图2a为一个实施例中预设的分割模型的结构示意图；
图3为另一个实施例中血管的风险评估方法的流程示意图；
图4为另一个实施例中血管的风险评估方法的流程示意图；
图5为另一个实施例中血管的风险评估方法的流程示意图；
图6为另一个实施例中血管的风险评估方法的流程示意图；
图7为一个实施例中血管的风险评估装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的血管的风险评估方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的，该计算机设备可以是服务器，可以是个人计算机，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。
在一个实施例中，如图2所示，提供了一种血管的风险评估方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
S201，将医学影像输入预设的分割模型，得到医学影像中感兴趣动脉血管的掩膜图像。
其中，医学影像可以为检测者的冠脉血管图像，也可以为检测者的头颈血管图像，相应地，感兴趣动脉血管可以为冠脉血管，也可以为头颈血管。可选的，该医学影像可以为电子计算机断层扫描(Computed Tomography，CT)图像，也可以为磁共振成像(MagneticResonance Imaging，MRI)图像。
具体地，计算机设备可以将医学影像输入预设的分割模型，通过该分割模型提取医学影像的特征，利用医学影像的特征对医学影像中感兴趣动脉血管进行分割，得到医学影像中感兴趣动脉血管的掩膜图像。可选的，预设的分割模型可以由一个输入层、若干个卷积模块、若干个池化模块、若干个反卷积模块以及一个输出模块组成，其分割模型的网络结构可以为图2a所示的V型结构或相似结构。
S202，根据感兴趣动脉血管的掩膜图像，确定感兴趣动脉血管所在的预设组织区域。
其中，感兴趣动脉血管所在的预设组织区域可以为感兴趣动脉血管的掩膜图像所在的区域，也可以为在感兴趣动脉血管的掩膜图像所在的区域基础上进行扩充所得到的区域。可选的，计算机设备可以确定出感兴趣动脉血管的掩膜图像的长度，然后扩大感兴趣动脉血管的掩膜图像的长度，将扩大长度后的图像区域确定为感兴趣动脉血管所在的预设组织区域。
S203，提取感兴趣动脉血管所在的预设组织区域的影像特征，得到感兴趣动脉血管所在预设组织区域的影像组学特征。
可选的，在本实施例中，计算机设备可以通过预设的特征提取算法提取感兴趣动脉血管所在的预设组织区域的影像特征，得到感兴趣动脉血管所在预设组织区域的影像组学特征，或者，计算机设备可以计算感兴趣动脉血管所在的预设组织区域的灰度值，得到感兴趣动脉血管所在的预设组织区域的灰度特征，从而得到感兴趣动脉血管所在预设组织区域的影像组学特征。可选的，预设组织区域的影像组学特征，包括但不限于形状特征、灰度统计量特征、纹理特征及高阶特征等。其中，形状特征包括体积、表面积、与球的相似度等三维特征；灰度统计量特征包括图像体素强度的平均值、峰值、最大、小值等；纹理特征包括灰度共生矩阵、灰度游程矩阵等计算得到的体素及其周围空间邻域的灰度分布的特征；高阶特征包括使用均值滤波、高斯滤波、小波变换等对图像进行滤波处理后提取的灰度统计量特征和纹理特征。
S203，根据影像组学特征和预设的分类模型，得到感兴趣动脉血管的风险评估结果。
具体地，计算机设备可以将感兴趣动脉血管所在预设组织区域的影像组学特征输入预设的分类模型，得到感兴趣动脉血管的风险评估结果。需要说明的是，在本实施例中，感兴趣动脉血管的风险评估结果用于表征感兴趣动脉血管中斑块的特征评估结果，即用于表征感兴趣动脉血管中是否存在斑块，感兴趣动脉血管中的斑块是否破裂等，本实施例在此不做限制。
上述血管的风险评估方法中，通过将医学影像输入预设的分割模型，能够快速地得到该医学影像中感兴趣动脉血管的掩膜图像，从而可以快速地根据感兴趣动脉血管的掩膜图像，确定感兴趣动脉血管所在的预设组织区域，并提取感兴趣动脉血管所在的预设组织区域的影像特征，提高了得到感兴趣动脉血管所在预设组织区域的影像组学特征的效率，进而提高了根据提取的影像组学特征和预设的分类模型对感兴趣动脉血管的风险进行评估，得到感兴趣动脉血管的风险评估结果的效率；另外，根据感兴趣动脉血管所在预设组织区域的影像组学特征和预设的分类模型，对感兴趣动脉血管的风险进行评估，避免了利用单一特征评估不准确的问题，提高了得到感兴趣动脉血管的风险评估结果的准确度。
进一步地，在上述根据感兴趣动脉血管的掩膜图像，确定感兴趣动脉血管所在的预设组织区域的场景中，可以根据感兴趣动脉血管的管腔直径确定感兴趣动脉血管所在的预设组织区域。在一个实施例中，如图3所示，上述S202，包括：
S301，根据感兴趣动脉血管的掩膜图像，得到感兴趣动脉血管的管腔直径。
其中，感兴趣动脉血管可以看做一个圆柱体，感兴趣动脉血管的管腔直径可以理解为是该圆柱体的直径。可选的，计算机设备可以利用形态学特征提取法，从感兴趣动脉血管的掩膜图像中提取感兴趣动脉血管的中心线，针对感兴趣动脉血管的中心线上的点，确定感兴趣动脉血管的中心线上的点所在的横截面，基于各点所在的横截面提取感兴趣动脉血管的轮廓，根据感兴趣动脉血管的轮廓得到感兴趣动脉血管的管腔直径。进一步地，可选的，计算机设备可以计算感兴趣动脉血管的轮廓长短轴，根据感兴趣动脉血管的轮廓长短轴得到感兴趣动脉血管的管腔直径。
S302，扩大感兴趣动脉血管的管腔直径，将扩大后的管腔直径范围内的区域，确定为感兴趣动脉血管所在的预设组织区域。
具体地，计算机设备可以利用预设的扩大系数扩大感兴趣动脉血管的管腔直径，将扩大后的管腔直径范围内的区域，确定为感兴趣动脉血管所在的预设组织区域。需要说明的是，感兴趣动脉血管所在的预设组织区域可以包括该感兴趣动脉血管，也可以不包括该感兴趣动脉血管。可选的，预设的扩大系数可以为扩大一倍感兴趣动脉血管的官腔直径，可以为扩大两倍感兴趣动脉血管的官腔直径。可选的，计算机设备还可以对于感兴趣动脉血管的掩膜图像，计算感兴趣动脉血管外的区域到感兴趣动脉血管的掩膜图像的距离场，将上述得到的感兴趣动脉血管的管腔直径的预设倍数的距离，确定为目标距离，确定得到的目标距离是否小于距离场中的各个距离值，若是，则根据目标距离确定感兴趣动脉血管所在的预设组织区域，例如，可以将目标距离范围内的区域确定为感兴趣动脉血管所在的预设组织区域。
本实施例中，根据感兴趣动脉血管的掩膜图像，能够准确地得到感兴趣动脉血管的管腔直径，由于感兴趣动脉血管的管腔直径的准确度得到了提高，从而确保了扩大的感兴趣动脉血管的管腔直径的准确度，进而可以准确地将扩大后的管腔直径范围内的区域确定为感兴趣动脉血管所在的预设组织区域，提高了确定的感兴趣动脉血管所在的预设组织区域的准确度。
在上述将医学影像输入预设的分割模型的场景中，计算机设备还可以获取医学影像中感兴趣动脉血管的特征图，结合特征图和上述影像学特征，得到感兴趣动脉血管的风险评估结果。在一个实施例中，如图4所示，上述方法还包括：
S401，获取分割模型对医学影像中感兴趣动脉血管进行分割过程中得到的特征图。
具体地，本实施例中，计算机设备获取分割模型对医学影像中的感兴趣动脉血管进行分割过程中得到的特征图。可以理解的是，计算机设备将医学影像输入预设的分割模型后，分割模型会对医学影像进行下采样操作，获取的特征图可以为任一下采样操作过程中的特征图，也可以第一次上采样对应的特征图。
S402，根据特征图和影像组学特征，得到目标特征。
具体地，计算机设备可以根据感兴趣动脉血管的特征图和上述影像组学特征的融合特征，得到目标特征。可选的，计算机设备可以对感兴趣动脉血管的特征图进行转换，得到转换后的特征，对转换后的特征和影像组学特征进行特征融合，将融合后的特征确定为上述目标特征，其中，转换后的特征的维度与上述影像组学特征的维度相同。可以理解的是，只有维度相同的特征才能够进行特征融合，例如，若影像组学特征为一维特征，则计算机设备可以将感兴趣动脉血管的特征图转换为一维特征，若影像组学特征为二维特征，则计算机设备可以将感兴趣动脉血管的特征图转换为二维特征。可以理解的是，将转换后的特征和影像组学特征进行特征融合后，融合后的特征中可能存在重复特征，进一步地，计算机设备可以利用预设的特征提取算法对融合后的特征进行特征提取，提取融合后的特征中的非线性相关的特征，将提取后的特征确定为目标特征。例如，计算机设备可以利用主成分分析法对融合后的特征进行特征提取。可选的，预设的特征提取算法还可以包括但不限于使用方差分析(analysis of variance,ANOVA)对特征进行单变量选择、使用最小绝对收缩和选择算子(least absolute shrinkage and selection operator，LASSO)算法进行多变量选择等。
S403，将目标特征输入分类模型，得到感兴趣动脉血管的风险评估结果。
具体地，计算机设备得到上述目标特征后，目标特征中既包括感兴趣动脉血管的特征图对应的特征，也包括感兴趣动脉血管所在预设组织区域的影像组学特征，计算机设备可以将该目标特征输入上述预设的分类模型，利用感兴趣动脉血管的特征图对应的特征和感兴趣动脉血管所在预设组织区域的影像组学特征，得到上述感兴趣动脉血管的风险评估结果。
本实施例中，计算机设备通过获取分割模型对医学影像中感兴趣动脉血管进行分割过程中得到的特征图，根据得到的特征图和感兴趣动脉血管所在预设组织区域的影像组学特征，得到目标特征，由于目标特征中既包括感兴趣动脉血管的特征图对应的特征，也包括感兴趣动脉血管所在预设组织区域的影像组学特征，从而提高了得到的目标特征的丰富性和准确度，从而可以将得到的目标特征输入预设的分类模型，准确地得到感兴趣动脉血管的风险评估结果，提高了得到的感兴趣动脉血管的风险评估结果的准确度。
在上述将感兴趣动脉血管所在预设组织区域的影像学特征输入预设的分类模型的场景中，或者，将上述目标特征输入预设的分类模型的场景中，在一个实施例中，上述预设的分类模型为基于机器学习算法构建的模型，或者，为基于包括全连接层的神经网络模型构建的模型；上述机器学习算法包括随机森林法、支持向量机、k近邻法、决策树、逻辑式回归模型、XGboost算法、二次判别分析法、随机梯度下降法、Adaboost算法。
具体地，计算机设备可以采用机器学习算法构建上述预设的分类模型，得到基于机器学习算法构建的模型，或者，采用包括全连接层的神经网络模型构建上述预设的分类模型。这里需要说明的是，若预设的分类模型为基于包括全连接层的神经网络模型构建的模型，则该预设的分类模型中不包括卷积层。其中，基于机器学习算法构建的模型中该机器学习算法包括随机森林法、支持向量机、k近邻法、决策树、逻辑式回归模型、XGboost算法、二次判别分析法、随机梯度下降法、Adaboost算法。
本实施例中，预设的分类模型为基于机器学习算法构建的模型，或者，为基于包括全连接层的神经网络模型构建的模型，扩大了分类模型的使用场景，能够使分类模型满足更多的使用场景。
为了便于本领域技术人员的理解，以下对本申请提供的血管的风险评估方法进行详细介绍，请参见图5和图6，该方法可以包括：
S1，将医学影像输入预设的分割模型，得到医学影像中感兴趣动脉血管的掩膜图像和医学影像的特征图；医学影像的特征图为分割模型对医学影像中感兴趣动脉血管进行分割过程中得到的特征图。
S2，利用形态学特征提取法，从感兴趣动脉血管的掩膜图像中提取感兴趣动脉血管的中心线。
S3，针对感兴趣动脉血管的中心线上的点，确定各点所在的横截面。
S4，基于横截面提取感兴趣动脉血管的轮廓，根据感兴趣动脉血管的轮廓得到感兴趣动脉血管的管腔直径。
S5，扩大感兴趣动脉血管的管腔直径，将扩大后的管腔直径范围内的区域，确定为感兴趣动脉血管所在的预设组织区域。
S6，提取感兴趣动脉血管所在的预设组织区域的影像特征，得到感兴趣动脉血管所在预设组织区域的影像组学特征。
S7，对特征图进行特征转换，得到转换后的特征；转换后的特征的维度与影像组学特征的维度相同。
S8，对转换后的特征和影像组学特征进行特征融合，得到融合后的特征。
S9，利用预设的特征提取算法对融合后的特征进行特征提取，提取融合后的特征中的非线性相关的特征，将提取后的特征确定为目标特征；预设的特征提取算法包括主成分分析法。
S10，将目标特征输入分类模型，得到感兴趣动脉血管的风险评估结果；预设的分类模型为基于机器学习算法构建的模型，或者，为基于包括全连接层的神经网络模型构建的模型；机器学习算法包括随机森林法、支持向量机、k近邻法、决策树、逻辑式回归模型、XGboost算法、二次判别分析法、随机梯度下降法、Adaboost算法。
需要说明的是，针对上述S1-S10中的描述可以参见上述实施例中相关的描述，且其效果类似，本实施例在此不再赘述。
应该理解的是，虽然图2至图6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2至图6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种血管的风险评估装置，包括：第一获取模块、确定模块、提取模块和第二获取模块，其中：
第一获取模块，用于将医学影像输入预设的分割模型，得到医学影像中感兴趣动脉血管的掩膜图像。
确定模块，用于根据感兴趣动脉血管的掩膜图像，确定感兴趣动脉血管所在的预设组织区域。
提取模块，用于提取感兴趣动脉血管所在的预设组织区域的影像特征，得到感兴趣动脉血管所在预设组织区域的影像组学特征。
第二获取模块，用于根据影像组学特征和预设的分类模型，得到感兴趣动脉血管的风险评估结果。
本实施例提供的血管的风险评估装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述确定模块，包括：第一获取单元和确定单元，其中：
第一获取单元，用于根据感兴趣动脉血管的掩膜图像，得到感兴趣动脉血管的管腔直径。
确定单元，用于扩大感兴趣动脉血管的管腔直径，将扩大后的管腔直径范围内的区域，确定为感兴趣动脉血管所在的预设组织区域。
本实施例提供的血管的风险评估装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述第一获取单元，用于从感兴趣动脉血管的掩膜图像中提取感兴趣动脉血管的中心线；针对感兴趣动脉血管的中心线上的点，确定各点所在的横截面；基于横截面提取感兴趣动脉血管的轮廓，根据感兴趣动脉血管的轮廓得到感兴趣动脉血管的管腔直径。
本实施例提供的血管的风险评估装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述装置还包括：第三获取模块、第四获取模块和第五获取模块，其中：
第三获取模块，用于获取分割模型对医学影像中感兴趣动脉血管进行分割过程中得到的特征图。
第四获取模块，用于根据特征图和影像组学特征，得到目标特征。
第五获取模块，用于将目标特征输入分类模型，得到感兴趣动脉血管的风险评估结果。
本实施例提供的血管的风险评估装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述第四获取模块，包括：第二获取单元和融合单元，其中：
第二获取单元，用于对特征图进行特征转换，得到转换后的特征；转换后的特征的维度与影像组学特征的维度相同。
融合单元，用于对转换后的特征和影像组学特征进行特征融合，将融合后的特征确定为目标特征。
本实施例提供的血管的风险评估装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述装置还包括：提取模块，其中：
提取模块，用于利用预设的特征提取算法对融合后的特征进行特征提取，提取融合后的特征中的非线性相关的特征，将提取后的特征确定为目标特征。
可选的，预设的特征提取算法包括主成分分析法。
本实施例提供的血管的风险评估装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，预设的分类模型为基于机器学习算法构建的模型，或者，为基于包括全连接层的神经网络模型构建的模型；机器学习算法包括随机森林法、支持向量机、k近邻法、决策树、逻辑式回归模型、XGboost算法、二次判别分析法、随机梯度下降法、Adaboost算法。
本实施例提供的血管的风险评估装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于血管的风险评估装置的具体限定可以参见上文中对于血管的风险评估方法的限定，在此不再赘述。上述血管的风险评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
将医学影像输入预设的分割模型，得到医学影像中感兴趣动脉血管的掩膜图像；
根据感兴趣动脉血管的掩膜图像，确定感兴趣动脉血管所在的预设组织区域；
提取感兴趣动脉血管所在的预设组织区域的影像特征，得到感兴趣动脉血管所在预设组织区域的影像组学特征；
根据影像组学特征和预设的分类模型，得到感兴趣动脉血管的风险评估结果。
上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
将医学影像输入预设的分割模型，得到医学影像中感兴趣动脉血管的掩膜图像；
根据感兴趣动脉血管的掩膜图像，确定感兴趣动脉血管所在的预设组织区域；
提取感兴趣动脉血管所在的预设组织区域的影像特征，得到感兴趣动脉血管所在预设组织区域的影像组学特征；
根据影像组学特征和预设的分类模型，得到感兴趣动脉血管的风险评估结果。
上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种血管的风险评估方法，其特征在于，所述方法包括：
将医学影像输入预设的分割模型，得到所述医学影像中感兴趣动脉血管的掩膜图像；
根据所述感兴趣动脉血管的掩膜图像，确定所述感兴趣动脉血管所在的预设组织区域；
提取所述感兴趣动脉血管所在的预设组织区域的影像特征，得到所述感兴趣动脉血管所在预设组织区域的影像组学特征；
根据所述影像组学特征和预设的分类模型，得到所述感兴趣动脉血管的风险评估结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述感兴趣动脉血管的掩膜图像，确定所述感兴趣动脉血管所在的预设组织区域，包括：
根据所述感兴趣动脉血管的掩膜图像，得到所述感兴趣动脉血管的管腔直径；
扩大所述感兴趣动脉血管的管腔直径，将扩大后的管腔直径范围内的区域，确定为所述感兴趣动脉血管所在的预设组织区域。
3.根据权利要求2所述的方法，其特征在于，所述根据所述感兴趣动脉血管的掩膜图像，得到所述感兴趣动脉血管的管腔直径，包括：
从所述感兴趣动脉血管的掩膜图像中提取所述感兴趣动脉血管的中心线；
针对所述感兴趣动脉血管的中心线上的点，确定各点所在的横截面；
基于所述横截面提取所述感兴趣动脉血管的轮廓，根据所述感兴趣动脉血管的轮廓得到所述感兴趣动脉血管的管腔直径。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述分割模型对所述医学影像中感兴趣动脉血管进行分割过程中得到的特征图；
根据所述特征图和所述影像组学特征，得到目标特征；
将所述目标特征输入所述分类模型，得到所述感兴趣动脉血管的风险评估结果。
5.根据权利要求4所述的方法，其特征在于，所述根据所述特征图和所述影像组学特征，得到目标特征，包括：
对所述特征图进行特征转换，得到转换后的特征；所述转换后的特征的维度与所述影像组学特征的维度相同；
对所述转换后的特征和所述影像组学特征进行特征融合，将融合后的特征确定为所述目标特征。
6.根据权利要求5所述的方法，其特征在于，所述将融合后的特征确定为所述目标特征，包括：
利用预设的特征提取算法对所述融合后的特征进行特征提取，提取所述融合后的特征中的非线性相关的特征，将提取后的特征确定为所述目标特征。
7.根据权利要求6所述的方法，其特征在于，所述预设的特征提取算法包括主成分分析法。
8.根据权利要求4所述的方法，其特征在于，所述预设的分类模型为基于机器学习算法构建的模型，或者，为基于包括全连接层的神经网络模型构建的模型；所述机器学习算法包括随机森林法、支持向量机、k近邻法、决策树、逻辑式回归模型、XGboost算法、二次判别分析法、随机梯度下降法、Adaboost算法。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110987579.5A CN113744223A (zh) | 2021-08-26 | 2021-08-26 | 血管的风险评估方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110987579.5A CN113744223A (zh) | 2021-08-26 | 2021-08-26 | 血管的风险评估方法、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113744223A true CN113744223A (zh) | 2021-12-03 |
Family
ID=78732985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110987579.5A Pending CN113744223A (zh) | 2021-08-26 | 2021-08-26 | 血管的风险评估方法、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113744223A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114511556A (zh) * | 2022-04-02 | 2022-05-17 | 武汉大学 | 胃黏膜出血风险预警方法、装置和医学图像处理设备 |
| CN114519701A (zh) * | 2022-01-27 | 2022-05-20 | 新瑞鹏宠物医疗集团有限公司 | 基于3d图像构建的耳血肿检测方法及相关设备 |
| CN117437321A (zh) * | 2023-12-20 | 2024-01-23 | 清华大学 | 磁共振自旋标记成像动脉穿行伪影自动评估方法与装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108038848A (zh) * | 2017-12-07 | 2018-05-15 | 上海交通大学 | 基于医学影像序列斑块稳定性指标的快速计算方法及系统 |
| CN111667478A (zh) * | 2020-06-10 | 2020-09-15 | 复旦大学附属华山医院 | Cta到mra跨模态预测的颈动脉斑块识别方法及系统 |
| CN111738986A (zh) * | 2020-06-01 | 2020-10-02 | 数坤（北京）网络科技有限公司 | 一种脂肪衰减指数的生成方法、装置及计算机可读介质 |
| KR20210016863A (ko) * | 2019-08-05 | 2021-02-17 | 재단법인 아산사회복지재단 | 초음파 영상 기반의 기계 학습을 통한 취약성 죽상반 진단 시스템 및 이의 진단 방법 |
| CN112967220A (zh) * | 2019-11-28 | 2021-06-15 | 西门子医疗有限公司 | 评估与血管周围组织有关的ct数据集的计算机实现的方法 |
| CN113012146A (zh) * | 2021-04-12 | 2021-06-22 | 东北大学 | 血管信息获取方法及装置、电子设备和存储介质 |
| CN113205488A (zh) * | 2021-04-19 | 2021-08-03 | 深圳睿心智能医疗科技有限公司 | 血流特性预测方法、装置、电子设备及存储介质 |
-
2021
- 2021-08-26 CN CN202110987579.5A patent/CN113744223A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108038848A (zh) * | 2017-12-07 | 2018-05-15 | 上海交通大学 | 基于医学影像序列斑块稳定性指标的快速计算方法及系统 |
| KR20210016863A (ko) * | 2019-08-05 | 2021-02-17 | 재단법인 아산사회복지재단 | 초음파 영상 기반의 기계 학습을 통한 취약성 죽상반 진단 시스템 및 이의 진단 방법 |
| CN112967220A (zh) * | 2019-11-28 | 2021-06-15 | 西门子医疗有限公司 | 评估与血管周围组织有关的ct数据集的计算机实现的方法 |
| CN111738986A (zh) * | 2020-06-01 | 2020-10-02 | 数坤（北京）网络科技有限公司 | 一种脂肪衰减指数的生成方法、装置及计算机可读介质 |
| CN111667478A (zh) * | 2020-06-10 | 2020-09-15 | 复旦大学附属华山医院 | Cta到mra跨模态预测的颈动脉斑块识别方法及系统 |
| CN113012146A (zh) * | 2021-04-12 | 2021-06-22 | 东北大学 | 血管信息获取方法及装置、电子设备和存储介质 |
| CN113205488A (zh) * | 2021-04-19 | 2021-08-03 | 深圳睿心智能医疗科技有限公司 | 血流特性预测方法、装置、电子设备及存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114519701A (zh) * | 2022-01-27 | 2022-05-20 | 新瑞鹏宠物医疗集团有限公司 | 基于3d图像构建的耳血肿检测方法及相关设备 |
| CN114511556A (zh) * | 2022-04-02 | 2022-05-17 | 武汉大学 | 胃黏膜出血风险预警方法、装置和医学图像处理设备 |
| CN117437321A (zh) * | 2023-12-20 | 2024-01-23 | 清华大学 | 磁共振自旋标记成像动脉穿行伪影自动评估方法与装置 |
| CN117437321B (zh) * | 2023-12-20 | 2024-03-12 | 清华大学 | 磁共振自旋标记成像动脉穿行伪影自动评估方法与装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11861501B2 (en) | Semantic segmentation method and apparatus for three-dimensional image, terminal, and storage medium | |
| CN113744223A (zh) | 血管的风险评估方法、计算机设备和存储介质 | |
| CN107563983B (zh) | 图像处理方法以及医学成像设备 | |
| WO2020001217A1 (zh) | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 | |
| CN110706246B (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
| CN106815481B (zh) | 一种基于影像组学的生存期预测方法及装置 | |
| CN110837572B (zh) | 图像检索方法、装置、可读存储介质及电子设备 | |
| CN112308846B (zh) | 血管分割方法、装置及电子设备 | |
| US9984311B2 (en) | Method and system for image segmentation using a directed graph | |
| CN110570394B (zh) | 医学图像分割方法、装置、设备及存储介质 | |
| US20220253977A1 (en) | Method and device of super-resolution reconstruction, computer device and storage medium | |
| US11600379B2 (en) | Systems and methods for generating classifying and quantitative analysis reports of aneurysms from medical image data | |
| CN115965750B (zh) | 血管重建方法、装置、计算机设备和可读存储介质 | |
| CN113256670A (zh) | 图像处理方法及装置、网络模型的训练方法及装置 | |
| CN111986205B (zh) | 血管树生成及病变识别方法、装置、设备及可读存储介质 | |
| CN115705638A (zh) | 医学图像优化方法、系统、电子设备及存储介质 | |
| CN110991408B (zh) | 基于深度学习方法分割脑白质高信号的方法和装置 | |
| CN112750110A (zh) | 基于神经网络对肺部病灶区进行评估的评估系统和相关产品 | |
| CN110738702B (zh) | 一种三维超声图像的处理方法、装置、设备及存储介质 | |
| CN116128895A (zh) | 医学图像分割方法、装置和计算机可读存储介质 | |
| CN112801908B (zh) | 图像去噪方法、装置、计算机设备和存储介质 | |
| CN117078711A (zh) | 医学图像分割方法、系统、电子设备和存储介质 | |
| Frants et al. | Dermoscopic image segmentation based on modified GrabCut with octree color quantization | |
| CN113962957A (zh) | 医学图像处理方法、骨骼图像处理方法、装置、设备 | |
| CN115546089A (zh) | 医学图像分割方法、病理图像处理方法、装置、设备 |
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 |