CN113962948A - 斑块稳定性检测方法、装置、计算机设备和可读存储介质 - Google Patents
斑块稳定性检测方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN113962948A CN113962948A CN202111191473.0A CN202111191473A CN113962948A CN 113962948 A CN113962948 A CN 113962948A CN 202111191473 A CN202111191473 A CN 202111191473A CN 113962948 A CN113962948 A CN 113962948A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- plaque
- medical image
- area
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 106
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 305
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000013139 quantization Methods 0.000 claims description 77
- 230000011218 segmentation Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000002792 vascular Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 description 9
- 208000024172 Cardiovascular disease Diseases 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 6
- 208000026106 cerebrovascular disease Diseases 0.000 description 5
- 230000002526 effect on cardiovascular system Effects 0.000 description 5
- 208000031481 Pathologic Constriction Diseases 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 208000037804 stenosis Diseases 0.000 description 4
- 230000036262 stenosis Effects 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 2
- 208000005189 Embolism Diseases 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及一种斑块稳定性检测方法、装置、计算机设备和可读存储介质。该方法通过获取目标对象的血管多模态图像；对血管多模态图像中每个血管医学图像进行特征检测，确定每个血管医学图像中斑块区域和血管区域；根据每个血管医学图像中的斑块区域和血管区域，确定每个血管医学图像对应的特征量化信息；根据所有血管医学图像对应的特征量化信息确定目标对象的斑块稳定性的检测结果。本申请涉及的斑块稳定性检测方法对于斑块稳定性的检测的准确度较高。
Description
技术领域
本申请涉及医学图像处理技术领域，特别是涉及一种斑块稳定性检测方法、装置、计算机设备和可读存储介质。
背景技术
近年来，心脑血管疾病的发病率和致死率在我国和世界范围内呈逐年上升的趋势，逐步成为致死率最高的疾病。研究表明，斑块的性质在心血管疾病的发生、发展及转归过程中起重要的作用。动脉斑块破裂是引起血管或脏器急性栓塞的主要原因。及时检测出动脉粥样硬化斑块，确定斑块的各种成分及斑块的稳定性，对医生进行早期干预治疗有着重要意义。
传统技术中，通常基于模型算法对斑块的易损性进行检测，从而确定斑块的稳定性。然而，传统的斑块的稳定性检测方法存在检测准确度较低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种斑块稳定性检测方法、装置、计算机设备和可读存储介质。
第一方面，本申请一个实施例提供一种斑块稳定性检测方法，包括：
获取目标对象的血管多模态图像，血管多模态图像包括通过不同成像方法采集的多个血管医学图像；
对血管多模态图像中每个血管医学图像进行特征检测，确定每个血管医学图像中的斑块区域和血管区域；
根据每个血管医学图像的斑块区域和血管区域，确定每个血管医学图像对应的特征量化信息；特征量化信息包括每个血管医学图像对应的多个斑块特征的量化信息，以及每个血管医学图像对应的多个血管特征的量化信息；
根据所有血管医学图像对应的特征量化信息确定目标对象的斑块稳定性的检测结果。
在其中一个实施例中，根据所有血管医学图像对应的特征量化信息确定目标对象的斑块稳定性的检测结果，包括：
将所有血管医学图像对应的特征量化信息输入概率确定模型，确定目标对象的斑块的易损性概率值；概率确定模型是根据多个特征量化信息样本和每个特征量化信息样本对应的易损性概率值对初始概率确定模型训练得到的；
根据易损性概率值，确定斑块稳定性的检测结果。
在其中一个实施例中，概率确定模型为回归模型或卷积神经网络模型。
在其中一个实施例中，斑块稳定性检测方法还包括：
获取多个特征量化信息样本，以及每个特征量化信息样本对应的易损性概率值；
根据多个特征量化信息样本和特征量化信息样本对应的易损性概率值，计算回归模型中的系数，得到回归模型。
在其中一个实施例中，对血管多模态图像中每个血管医学图像进行特征检测，确定每个血管医学图像中的斑块区域和血管区域，包括：
将每个血管医学图像输入斑块区域检测模型，确定每个血管医学图像中的斑块区域；斑块区域检测模型根据多个医学图像样本对全卷积神经网络模型进行训练得到，医学图像样本包括斑块区域标记；
根据斑块区域和血管医学图像，确定斑块区域和血管区域。
在其中一个实施例中，根据斑块区域和血管医学图像，确定斑块区域和血管区域，包括：
根据斑块区域和血管医学图像，确定待处理图像，待处理图像中包括斑块区域和血管区域；
将待处理图像输入分割模型，确定分割后的斑块区域和血管区域；分割模型根据多个待处理图像样本对卷积神经网络模型进行训练得到，待处理图像样本包括斑块区域的分割标记和血管区域的分割标记。
在其中一个实施例中，根据每个血管医学图像的斑块区域和血管区域，确定每个血管医学图像对应的特征量化信息，包括：
针对每个血管医学图像，根据斑块区域确定斑块特征，以及根据血管区域确定血管特征；
对斑块特征和血管特征均进行数据量化，得到特征量化信息。
第二方面，本申请一个实施例提供一种斑块稳定性检测装置，包括：
获取模块，用于获取目标对象的血管多模态图像，血管多模态图像包括通过不同成像方法采集的多个血管医学图像；
第一确定模块，用于对血管多模态图像中每个血管医学图像进行特征检测，确定每个血管医学图像中的斑块区域和血管区域；
第二确定模块，用于根据每个血管医学图像的斑块区域和血管区域，确定每个血管医学图像对应的特征量化信息；特征量化信息包括每个血管医学图像对应的多个斑块特征的量化信息，以及每个血管医学图像对应的多个血管特征的量化信息；
第三确定模块，用于根据所有血管医学图像对应的特征量化信息确定目标对象的斑块稳定性的检测结果。
第三方面，本申请一个实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现如上述实施例提供的方法的步骤。
第四方面，本申请一个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，计算机程序被处理器执行时实现如上述实施例提供的方法的步骤。
本申请实施例提供一种斑块稳定性检测方法、装置、计算机设备和可读存储介质。该方法通过获取目标对象的血管多模态图像；对血管多模态图像中每个血管医学图像进行特征检测，确定每个血管医学图像中斑块区域和血管区域；根据每个血管医学图像中的斑块区域和血管区域，确定每个血管医学图像对应的特征量化信息；根据所有血管医学图像对应的特征量化信息确定目标对象的斑块稳定性的检测结果。本申请实施例提供的斑块稳定性检测方法通过获取的目标对象的血管多模态图像，即多个血管图像对应的特征量化信息确定目标对象的斑块稳定性的检测结果。这样在对目标对象的斑块稳定性进行检测时依赖的数据信息较多，会提高对目标对象的斑块稳定性检测的准确率。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域不同技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一个实施例提供的斑块稳定性检测方法的步骤流程示意图；
图2为本申请一个实施例提供的斑块稳定性检测方法的步骤流程示意图；
图3为本申请一个实施例提供的斑块稳定性检测方法的步骤流程示意图；
图4为本申请一个实施例提供的斑块稳定性检测方法的步骤流程示意图；
图5为本申请一个实施例提供的斑块稳定性检测方法的步骤流程示意图；
图6为本申请一个实施例提供的斑块稳定性检测方法的步骤流程示意图；
图7为本申请一个实施例提供的斑块稳定性检测装置的结构示意图；
图8为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似改进，因此本申请不受下面公开的具体实施例的限制。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。
近年来，心脑血管疾病的发病率和致死率在我国和世界范围内呈逐年上升趋势，逐步成为致死率最高的疾病。大量学者通过对心脑血管疾病进行研究，得到斑块的性质在心脑血管疾病的发生、发展及转归过程中起重要作用，动脉斑块破裂是引起血管或脏器急性栓塞的主要原因。因此，及时检测出动脉粥样硬化斑块，确定斑块的各种成分及斑块的稳定性，对医生在心脑血管疾病的早期进行干预治疗具有重要意义。
目前，对血管斑块的稳定性的判断方式基本都是医生通过读片的方式来进行判断。这样安全依赖于人工的判断方式会比较繁杂，需要依赖医生的阅片经验，效率较低，且不可重复。为了解决该问题，学者研究出基于模型算法对斑块的易损性进行检测，从而确定斑块的稳定性。然而，目前的模型算法依赖于单一数据源，这样模型算法依赖的数据信息有限，会导致斑块稳定性检测的准确率较低。对此，本申请提供一种斑块稳定性检测方法。
本申请提供的斑块稳定性检测方法可以通过计算机设备实现。计算机设备包括但不限于个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。本申请提供的方法可以通过JAVA软件实现，也可以应用于其他软件。
请参见图1，本申请一个实施例提供一种斑块稳定性检测方法。本实施例以计算机设备为执行主体对斑块稳定性检测方法进行描述，该方法的步骤包括：
步骤100、获取目标对象的血管多模态图像，血管多模态图像包括通过不同成像方法采集的多个血管医学图像。
计算机设备获取目标对象的血管多模态图像，也就是说，计算机设备获取同一目标对象的多个血管医学图像。目标对象的血管多模态图像可以是使用不同的医学影像设备对目标对象进行扫描得到的多种血管医学图像，也可以是使用同一医学影像设备对目标对象进行扫描得到的多种类型的血管医学图像。不同的医学影像设备包括且不限于数字减影血管造影设备(Digital Subtraction Angiography，DSA)、超声波扫描设备、磁共振设备和计算机X线断层扫描设备(CT)等，使用每种设备可以得到多种不同类型数据。示例性地，磁共振设备可以得到时间飞跃血管成像(Tof)，对比增强磁共振血管成像(cemra)，以及T1序列和T2序列等数据。血管多模态图像可以预先存储在计算机设备的存储器中，计算机设备在需要目标对象的血管多模态图像时直接在存储器中获取即可。本实施例对目标对象的对模态图像的种类，以及获取目标对象的血管多模态图像的方法不作限制，只要能够实现其功能即可。
步骤110、对血管多模态图像中每个血管医学图像进行特征检测，确定每个血管医学图像中的斑块区域和血管区域。
计算机设备在得到血管多模态图像后，对血管多模态图像中包含的每个血管医学图像进行特征检测，确定每个血管医学图像中的斑块区域和血管区域，这里的斑块区域和血管区域是指将斑块区域和血管区域从血管医学图像中分割出来的单独的斑块区域和血管区域。血管医学图像中的斑块区域和血管区域的形状、大小和成分等特征不同，因此通过对血管医学图像进行特征检测，就可以确定血管医学图像中的斑块区域和血管区域，并将其分割出来。本实施例对血管医学图像进行特征检测的方法不作限制，只要能够实现其功能即可。
步骤130、根据每个血管医学图像的斑块区域和血管区域，确定每个血管医学图像对应的特征量化信息；特征量化信息包括每个血管医学图像对应的多个斑块特征的量化信息，以及每个血管医学图像对应的多个血管特征的量化信息。
计算机设备在得到每个医学图像的斑块区域和血管区域后，确定每个血管医学图像对应的特征量化信息，即斑块区域的特征量化信息和血管区域的特征量化信息。本实施例对计算机设备确定每一血管医学图像对应的特征量化信息的具体方法不作限制，只要能够实现其功能即可。
步骤140、根据所有血管医学图像对应的特征量化信息确定目标对象的斑块稳定性的检测结果。
计算机设备在得到每个血管医学图像对应的特征量化信息后，根据所有血管医学图像中斑块区域的特征量化信息，以及血管区域的特征量化信息可以确定目标对象的斑块稳定性的检测结果。目标对象的斑块稳定性的检测结果用于表征目标对象的斑块是否稳定。本实施例对具体根据特征量化信息确定斑块稳定性的检测结果的方法，以及目标对象的斑块稳定性的检测结果的表示方式不作限制，只要能够实现其功能即可。
在一个可选的实施例中，根据所有血管医学图像对应的量化信息确定的目标对象的斑块稳定性是用数值表示的，则目标对象的斑块稳定性的检测结果可以划分等级的方式表示。即目标对象的斑块稳定性的数值在哪个等级所属的数值范围内，则确定目标对象的斑块稳定性的检测结果为该等级。
本申请实施例提供的斑块稳定性检测方法，该方法通过获取目标对象的血管多模态图像；对血管多模态图像中每个血管医学图像进行特征检测，确定每个血管医学图像中斑块区域和血管区域；根据每个血管医学图像中的斑块区域和血管区域，确定每个血管医学图像对应的特征量化信息；根据所有血管医学图像对应的特征量化信息确定目标对象的斑块稳定性的检测结果。本申请实施例提供的斑块稳定性检测方法通过获取的目标对象的血管多模态图像，即多个血管图像对应的特征量化信息确定目标对象的斑块稳定性的检测结果。这样在对目标对象的斑块稳定性进行检测时依赖的数据信息较多，会提高对目标对象的斑块稳定性检测的准确率。另外，本实施例提供的斑块稳定性检测方法通过计算机设备就可以实现，无需依赖医生处理。这样不仅可以提高检测效率，还可以减少人力和物力的浪费，并且不会出现因为医生的主观失误导致检测不准确的情况。
请参见图2，在一个实施例中，涉及根据所有血管医学图像对应的特征量化信息确定目标对象的斑块稳定性的检测结果的一种可能的实现方式，步骤包括：
步骤200、将所有血管医学图像对应的特征量化信息输入概率确定模型，确定目标对象的斑块的易损性概率值；概率确定模型是根据多个特征量化信息样本和每个特征量化信息样本对应的易损性概率值对初始概率确定模型训练得到的。
计算机设备在得到所有血管医学图像对应的特征量化信息后，将该特征量化信息输入预先训练好的概率确定模型，得到目标对象的斑块的易损性概率值。其中，概率确定模型是根据预先获取的多个特征量化信息样本和每个特征量化信息样本对应的易损性概率值对初始概率确定模型训练得到的。对特征量化信息样本的描述可以参考上述对特征量化信息的具体描述。每个特征量化信息样本对应的易损性概率值，是指在该特征量化信息样本下确定的斑块的易损性概率值。初始概率确定模型可以是机器学习模型，也可以是神经网络模型。本实施例对初始概率确定模型的种类不作限制，只要能够实现其功能即可。
步骤210、根据易损性概率值，确定斑块稳定性的检测结果。
计算机设备在得到目标对象的斑块的易损性概率值后，可以根据该易损性概率值确定斑块稳定性的检测结果。斑块的易损性概率值越大，表示斑块越容易破裂，即斑块的稳定性越差；斑块的易损性概率值越小，表示斑块越不容易破裂，即斑块的稳定性越高。
在本实施例中，直接根据预先训练好的概率确定模型，确定目标对象的斑块的易损性概率值，从而可以确定斑块稳定性的检测结果。这样可以提高确定发斑块稳定性的检测结果的效率。另外，使用多个特征量化信息样本和每个特征量化信息样本对应的易损性概率值对初始概率确定模型进行有监督的训练，可以提高斑块稳定性检测方法的准确性和鲁棒性。
在一个实施例中，概率确定模型为回归模型或卷积神经网络模型。换句话说，概率确定模型可以是回归模型和卷积神经网络模型中的任何一个。回归模型可以是线性回归模型，也可以是非线性回归模型。
在本实施例中，提出了两个概率确定模型，使用者可以根据实际应用场景或者实际需求自行选择，可以提高斑块稳定性检测方法的实用性。
在一个实施例中，在概率确定模型为卷积神经网络模型时，直接根据多个特征量化信息样本和每个特征量化信息样本对应的易损性概率值对初始卷积神经网络模型进行训练就可以得到概率确定模型。
请参见图3，在一个实施例中，涉及确定回归模型的一种可能的实现方式，步骤包括：
步骤300、获取多个特征量化信息样本，以及每个特征量化信息样本对应的易损性概率值。
计算机设备获取多个特征量化信息样本，以及每个特征量化信息样本对应的易损性概率值。每个特征量化信息样本中包括斑块特征量化信息和血管特征量化信息。特征量化信息样本对应的易损性概率值是指根据特征量化信息样本中的斑块的特征量化信息和血管的特征量化信息确定的斑块的易损性概率值。特征量化信息样本，以及每个特征量化信息样本对应的易损性概率值可以预先存储在计算机设备的存储器中，计算机设备在需要时直接在存储器中获取即可。
步骤310、根据多个特征量化信息样本和特征量化信息样本对应的易损性概率值，计算回归模型中的系数，得到回归模型。
计算机设备根据获取到多个特征量化信息样本，以及每个特征量化信息样本对应的易损性概率值可以计算出回归模型的系数，从而可以得到回归模型。
在一个可选的实施例中，回归模型为线性回归模型，计算该回归模型的系数的方法为：假设计算机设备获取到的多个特征量化信息样本为FN，N表示特征量化信息的数量，则特征量化信息样本对应的映射函数MN可以表示为：MN＝M(FN)。线性回归模型P可以表示为：P＝w0+θ1*M1+θ2*M2+…+θN*MN，其中，θ表示线性回归模型的回归系数，w0表示偏置项。通过多个特征莲花信息样本可以计算得到线性回归模型中的回归系数，从而可以得到线性回归模型。
请参见图4，在一个实施例中，涉及对血管多模态图像中每个血管医学图像进行特征检测，确定每个血管医学图像中的斑块区域和血管区域的一种可能的实现方式，步骤包括：
步骤400、将每个血管医学图像输入斑块区域检测模型，确定每个血管医学图像中的斑块区域；斑块区域检测模型根据多个医学图像样本对全卷积神经网络模型进行训练得到，医学图像样本包括斑块区域标记。
计算机设备在得到每个血管医学图像后，分别将每个血管医学图像输入训练好的斑块区域检测模型，可以得到每个血管医学图像中的斑块区域，即获取血管医学图像中斑块区域的位置。斑块区域检测模型可以是计算机设备根据预先存储在存储器中的多个医学图像样本对全卷积神经网络模型进行训练得到的。对该医学图像样本的描述可以参考上述对血管医学图像的具体描述。该医学图像样本与血管医学图像不同的地方在于该医学图像样本中包括斑块区域标记。也就是说，计算机设备是采用有监督训练的方式对全卷积神经网络模型进行训练的，这样可以提高确定斑块区域的准确性和鲁棒性。斑块区域检测模型可以是计算机设备预先训练好存储在存储器中的，也可以是在需要时根据存储在存储器中的多个医学图像样本对全卷积神经网络模型进行训练得到的。本实施例对此不作限制，只要能够实现其功能即可。
步骤410、根据斑块区域和血管医学图像，确定斑块区域和血管区域。
计算机设备在确定每个血管医学图像中的斑块区域后，由于斑块是形成于血管上的，则根据斑块区域就可以确定血管医学图像中的血管区域。换句话说，计算机设备根据确定的血管医学图像中斑块区域的位置，以及血管医学图像，可以将血管医学图像中的斑块区域和血管区域分割出来，得到分割出来的斑块区域和血管区域。
通过本实施例提供的方法可以确定每个医学图像中的斑块区域和血管区域。换句话说，可以将每个医学图像中的斑块区域和血管区域分割出来。在本实施例中，直接使用预先训练好斑块区域检测模型确定每个血管医学图像对应的斑块区域，这样可以提高确定斑块血管医学图像的斑块区域和血管区域的效率，从而可以提高斑块稳定性检测方法的效率。并且，全卷积神经网络较为简单，便于完成训练。
请参见图5，在一个实施例中，涉及根据斑块区域和血管医学图像，确定斑块区域和血管区域的一种可能的实现方式，步骤包括：
步骤500、根据斑块区域和血管医学图像，确定待处理图像，待处理图像中包括斑块区域和血管区域。
计算机设备在得到斑块区域后，在血管医学图像中可以将斑块区域所处的区域分割处理，可以得到待处理图像。该待处理图像中即包括确定的斑块区域，也包括血管区域。换句话说，在血管医学图像中可能包括大部分区域的血管图像，计算机设备在确定斑块区域后，将血管医学图像中的斑块区域以及与该斑块区域依附的血管区域裁剪处理，作为待处理图像。本实施例对具体的确定待处理图像的方法不作限制，只要能够实现其功能即可。
步骤510、将待处理图像输入分割模型，确定分割后的斑块区域和血管区域；分割模型根据多个待处理图像样本对卷积神经网络模型进行训练得到，待处理图像样本包括斑块区域的分割标记和血管区域的分割标记。
计算机设备在得到待处理图像后，将该待处理图像输入预先训练好的分割模型中，确定从待处理图像中分割出来的斑块区域和血管区域。对待处理图像样本的描述可以参考上述对待处理图像的具体描述，在此不再赘述。待处理图像样本与待处理图像不同的地方在于待处理图像样本中包括斑块区域的分割标记和血管区域的分割标记。也就是说，计算机设备是采用有监督训练的方式对卷积神经网络模型进行训练的。分割模型可以是计算机设备预先训练后存储在存储器中的，也可以是在需要是根据存储在存储器中的多个待处理图像样本对卷积神经网络模型进行训练得到的，本实施例对此不作限制，只要能够实现其功能即可。
在本实施例中，直接使用训练好的分割模型确定分割后的斑块区域和血管区域，可以提高确定分割后的斑块区域和血管区域的效率，从而可以提高斑块稳定性检测方法的效率。另外，在本实施例中，将血管医学图像中的斑块区域以及与该斑块区域依附的血管区域裁剪处理，作为待处理图像，这样可以避免对血管医学图像中大量的血管区域进行分析，可以提高斑块稳定性检测方法的效率。
请参见图6，在一个实施例中，涉及根据每个血管医学图像的斑块区域和血管区域，确定每个血管医学图像对应的特征量化信息的一种可能的实现方式，步骤包括：
步骤600、针对每个血管医学图像，根据斑块区域确定斑块特征，以及根据血管区域确定血管特征。
步骤610、对斑块特征和血管特征均进行数据量化，得到特征量化信息。
对于每个血管医学图像，计算机设备获取斑块区域的特征，对斑块区域的特征进行数据量化处理，得到斑块的特征量化信息；计算机设备获取血管区域的特征，对血管区域的特征进行数据量化处理，得到血管的特征量化信息。其中，对斑块区域的特征进行数据量化处理是指将斑块区域的特征表示为具体的统计数字；同样的，对血管区域的特征进行数据量化处理是指将血管区域的特征表示为具体的统计数字。斑块特征的量化信息和血管特征的量化信息统称为特征量化信息。本实施例对具体的斑块区域的特征以及血管区域的特征不作限制，只要能够实现其功能即可。
在一个可选的实施例中，对于不同模态的血管医学图像获取的斑块区域的特征和血管区域的特征可能存在不同。示例性地，对于DSA数据可以获取的血管区域特征：血管直径以及血管的狭窄程度等；对于超声数据可以获取的斑块特征：斑块面积，斑块形态、以及斑块的成分等，获取的血管特征：血管管腔管壁参数、血管直径、血管狭窄程度、以及标准化血管管壁指数等。对于CT数据可以获取斑块特征：斑块的基本形态(斑块的规则程度，斑块的向心性和偏心性)、斑块的面积、斑块的体积、斑块的成分、斑块面积的占比、以及斑块成分的占比等；获取的血管特征：血管的直径、以及血管狭窄程度等。对于磁共振数据可以获取的血管特征：血管的管腔管壁参数、以及血管狭窄程度等；获取的斑块特征：斑块的基本形态、斑块的面积、斑块的体积、斑块的成分、斑块的成分占比、以及斑块的强化程度等。
应该理解的是，虽然图中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，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
请参见图7，本申请一个实施例提供一种斑块稳定性检测装置10，该装置包括获取模块11、第一确定模块12、第二确定模块13和第三确定模块14。其中，
获取模块11用于获取目标对象的血管多模态图像，血管多模态图像包括不同成像方法采集的多个血管医学图像；
第一确定模块12用于对血管多模态图像中每个血管医学图像进行特征检测，确定每个血管医学图像中的斑块区域和血管区域；
第二确定模块13用于根据每个血管医学图像的斑块区域和血管区域，确定每个血管医学图像对应的特征量化信息；特征量化信息包括每个血管医学图像对应的多个斑块特征的量化信息，以及每个血管医学图像对应的多个血管特征的量化信息；
第三确定模块14用于根据所有血管医学图像对应的特征量化信息确定目标对象的斑块稳定性的检测结果。
在一个实施例中，第三确定模块14具体用于将所有血管医学图像对应的特征量化信息输入概率确定模型，确定目标对象的斑块的易损性概率值；概率确定模型是根据多个特征量化信息样本和每个特征量化信息样本对应的易损性概率值对初始概率确定模型训练得到的；根据易损性概率值，确定斑块稳定性的检测结果。
在一个实施例中，概率确定模型为回归模型或卷积神经网络模型。
在一个实施例中，斑块稳定性检测装置10还包括获取单元和第一确定单元。获取单元用于获取多个特征量化信息样本，以及每个特征量化信息样本对应的易损性概率值；第一确定单元用于根据多个特征量化信息样本和特征量化信息样本对应的易损性概率值，计算回归模型中的系数，得到回归模型。
在一个实施例中，第一确定模块12包括第二确定单元和第三确定单元。第二确定单元用于将每个血管医学图像输入斑块区域检测模型，确定每个血管医学图像中的斑块区域；斑块区域检测模型根据多个医学图像样本对全卷积神经网络模型进行训练得到，医学图像样本包括斑块区域标记；第三确定单元用于根据斑块区域和血管医学图像，确定斑块区域和血管区域。
在一个实施例中，第三确定单元具体用于根据斑块区域和血管医学图像，确定待处理图像，待处理图像中包括斑块区域和血管区域；将待处理图像输入分割模型，确定分割后的斑块区域和血管区域；分割模型根据多个待处理图像样本对卷积神经网络模型进行训练得到，待处理图像样本包括斑块区域的分割标记和血管区域的分割标记。
在一个实施例中，第二确定模块13具体用于针对每个血管医学图像，根据斑块区域确定斑块特征，以及根据血管区域确定血管特征；对斑块特征和血管特征均进行数据量化，得到特征量化信息。
关于上述斑块稳定性检测装置10的具体限定可以参见上文中对于斑块稳定性检测方法的限定，在此不在赘述。斑块稳定性检测装置10中的各个模块可以全部或部分通过软件、硬件及其组合来实现。上述各装置、各模块或者各单元可以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装置或模块对应的操作。
请参见图8，在一个实施例中，提供了一种计算机设备，计算机设备可以是服务器，其内部结构图可以如图8所示。计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，计算机设备的处理器用于提供计算和控制能力。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、计算机程序和数据库。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。计算机设备的数据库用于存储血管医学图像、概率确定模型等。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。计算机设备被处理器执行时以实现一种斑块稳定性检测方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
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，处理器执行计算机程序时实现以下步骤：
获取目标对象的血管多模态图像，血管多模态图像包括通过不同成像方法采集的多个血管医学图像；
对血管多模态图像中每个血管医学图像进行特征检测，确定每个血管医学图像中的斑块区域和血管区域；
根据每个血管医学图像的斑块区域和血管区域，确定每个血管医学图像对应的特征量化信息；特征量化信息包括每个血管医学图像对应的多个斑块特征的量化信息，以及每个血管医学图像对应的多个血管特征的量化信息；
根据所有血管医学图像对应的特征量化信息确定目标对象的斑块稳定性的检测结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所有血管医学图像对应的特征量化信息输入概率确定模型，确定目标对象的斑块的易损性概率值；概率确定模型是根据多个特征量化信息样本和每个特征量化信息样本对应的易损性概率值对初始概率确定模型训练得到的；根据易损性概率值，确定斑块稳定性的检测结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取多个特征量化信息样本，以及每个特征量化信息样本对应的易损性概率值；根据多个特征量化信息样本和特征量化信息样本对应的易损性概率值，计算回归模型中的系数，得到回归模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将每个血管医学图像输入斑块区域检测模型，确定每个血管医学图像中的斑块区域；斑块区域检测模型根据多个医学图像样本对全卷积神经网络模型进行训练得到，医学图像样本包括斑块区域标记；根据斑块区域和血管医学图像，确定斑块区域和血管区域。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据斑块区域和血管医学图像，确定待处理图像，待处理图像中包括斑块区域和血管区域；将待处理图像输入分割模型，确定分割后的斑块区域和血管区域；分割模型根据多个待处理图像样本对卷积神经网络模型进行训练得到，待处理图像样本包括斑块区域的分割标记和血管区域的分割标记。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：针对每个血管医学图像，根据斑块区域确定斑块特征，以及根据血管区域确定血管特征；对斑块特征和血管特征均进行数据量化，得到特征量化信息。
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：
获取目标对象的血管多模态图像，血管多模态图像包括通过不同成像方法采集的多个血管医学图像；
对血管多模态图像中每个血管医学图像进行特征检测，确定每个血管医学图像中的斑块区域和血管区域；
根据每个血管医学图像的斑块区域和血管区域，确定每个血管医学图像对应的特征量化信息；特征量化信息包括每个血管医学图像对应的多个斑块特征的量化信息，以及每个血管医学图像对应的多个血管特征的量化信息；
根据所有血管医学图像对应的特征量化信息确定目标对象的斑块稳定性的检测结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将所有血管医学图像对应的特征量化信息输入概率确定模型，确定目标对象的斑块的易损性概率值；概率确定模型是根据多个特征量化信息样本和每个特征量化信息样本对应的易损性概率值对初始概率确定模型训练得到的；根据易损性概率值，确定斑块稳定性的检测结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取多个特征量化信息样本，以及每个特征量化信息样本对应的易损性概率值；根据多个特征量化信息样本和特征量化信息样本对应的易损性概率值，计算回归模型中的系数，得到回归模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将每个血管医学图像输入斑块区域检测模型，确定每个血管医学图像中的斑块区域；斑块区域检测模型根据多个医学图像样本对全卷积神经网络模型进行训练得到，医学图像样本包括斑块区域标记；根据斑块区域和血管医学图像，确定斑块区域和血管区域。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据斑块区域和血管医学图像，确定待处理图像，待处理图像中包括斑块区域和血管区域；将待处理图像输入分割模型，确定分割后的斑块区域和血管区域；分割模型根据多个待处理图像样本对卷积神经网络模型进行训练得到，待处理图像样本包括斑块区域的分割标记和血管区域的分割标记。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：针对每个血管医学图像，根据斑块区域确定斑块特征，以及根据血管区域确定血管特征；对斑块特征和血管特征均进行数据量化，得到特征量化信息。
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/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)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本申请专利范围的限制。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)
1.一种斑块稳定性检测方法，其特征在于，包括：
获取目标对象的血管多模态图像，所述血管多模态图像包括通过不同成像方法采集的多个血管医学图像；
对所述血管多模态图像中每个血管医学图像进行特征检测，确定每个所述血管医学图像中的斑块区域和血管区域；
根据每个所述血管医学图像的所述斑块区域和所述血管区域，确定每个所述血管医学图像对应的特征量化信息；所述特征量化信息包括每个所述血管医学图像对应的多个斑块特征的量化信息，以及每个所述血管医学图像对应的多个血管特征的量化信息；
根据所有所述血管医学图像对应的特征量化信息确定所述目标对象的斑块稳定性的检测结果。
2.根据权利要求1所述的斑块稳定性检测方法，其特征在于，所述根据所有所述血管医学图像对应的特征量化信息确定所述目标对象的斑块稳定性的检测结果，包括：
将所有所述血管医学图像对应的特征量化信息输入概率确定模型，确定所述目标对象的斑块的易损性概率值；所述概率确定模型是根据多个特征量化信息样本和每个所述特征量化信息样本对应的易损性概率值对初始概率确定模型训练得到的；
根据所述易损性概率值，确定所述斑块稳定性的检测结果。
3.根据权利要求2所述的斑块稳定性检测方法，其特征在于，所述概率确定模型为回归模型或卷积神经网络模型。
4.根据权利要求3所述的斑块稳定性检测方法，其特征在于，所述方法还包括：
获取多个所述特征量化信息样本，以及每个所述特征量化信息样本对应的易损性概率值；
根据多个所述特征量化信息样本和所述特征量化信息样本对应的易损性概率值，计算所述回归模型中的系数，得到所述回归模型。
5.根据权利要求1所述的斑块稳定性检测方法，其特征在于，所述对所述血管多模态图像中每个血管医学图像进行特征检测，确定每个所述血管医学图像中的斑块区域和血管区域，包括：
将每个所述血管医学图像输入斑块区域检测模型，确定每个所述血管医学图像中的斑块区域；所述斑块区域检测模型根据多个医学图像样本对全卷积神经网络模型进行训练得到，所述医学图像样本包括斑块区域标记；
根据所述斑块区域和所述血管医学图像，确定所述斑块区域和所述血管区域。
6.根据权利要求5所述的斑块稳定性检测方法，其特征在于，所述根据所述斑块区域和所述血管医学图像，确定所述斑块区域和所述血管区域，包括：
根据所述斑块区域和所述血管医学图像，确定待处理图像，所述待处理图像中包括所述斑块区域和所述血管区域；
将所述待处理图像输入分割模型，确定分割后的所述斑块区域和所述血管区域；所述分割模型根据多个待处理图像样本对卷积神经网络模型进行训练得到，所述待处理图像样本包括所述斑块区域的分割标记和所述血管区域的分割标记。
7.根据权利要求1所述的斑块稳定性检测方法，其特征在于，所述根据每个所述血管医学图像的所述斑块区域和所述血管区域，确定每个所述血管医学图像对应的特征量化信息，包括：
针对每个所述血管医学图像，根据所述斑块区域确定斑块特征，以及根据所述血管区域确定血管特征；
对所述斑块特征和所述血管特征均进行数据量化，得到所述特征量化信息。
8.一种斑块稳定性检测装置，其特征在于，包括：
获取模块，用于获取目标对象的血管多模态图像，所述血管多模态图像包括通过不同成像方法采集的多个血管医学图像；
第一确定模块，用于对所述血管多模态图像中每个血管医学图像进行特征检测，确定每个所述血管医学图像中的斑块区域和血管区域；
第二确定模块，用于根据每个所述血管医学图像的所述斑块区域和所述血管区域，确定每个所述血管医学图像对应的特征量化信息；所述特征量化信息包括每个所述血管医学图像对应的多个斑块特征的量化信息，以及每个所述血管医学图像对应的多个血管特征的量化信息；
第三确定模块，用于根据所有所述血管医学图像对应的特征量化信息确定所述目标对象的斑块稳定性的检测结果。
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7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7中任一项所述的方法的步骤。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111191473.0A CN113962948A (zh) | 2021-10-13 | 2021-10-13 | 斑块稳定性检测方法、装置、计算机设备和可读存储介质 |
| EP22201470.6A EP4167184A1 (en) | 2021-10-13 | 2022-10-13 | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection |
| US18/046,487 US20230115927A1 (en) | 2021-10-13 | 2022-10-13 | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111191473.0A CN113962948A (zh) | 2021-10-13 | 2021-10-13 | 斑块稳定性检测方法、装置、计算机设备和可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113962948A true CN113962948A (zh) | 2022-01-21 |
Family
ID=79463786
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111191473.0A Pending CN113962948A (zh) | 2021-10-13 | 2021-10-13 | 斑块稳定性检测方法、装置、计算机设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113962948A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050043614A1 (en) * | 2003-08-21 | 2005-02-24 | Huizenga Joel T. | Automated methods and systems for vascular plaque detection and analysis |
| CN106056126A (zh) * | 2015-02-13 | 2016-10-26 | 西门子公司 | 医学成像中的斑块易损性评定 |
| CN107730497A (zh) * | 2017-10-27 | 2018-02-23 | 哈尔滨工业大学 | 一种基于深度迁移学习的血管内斑块属性分析方法 |
| CN110074756A (zh) * | 2013-12-18 | 2019-08-02 | 哈特弗罗公司 | 用于根据患者特定的解剖图像数据预测冠状动脉斑块易损性的系统和方法 |
| CN111062943A (zh) * | 2020-03-18 | 2020-04-24 | 南京景三医疗科技有限公司 | 斑块稳定性的确定方法、装置及医疗设备 |
| CN111583260A (zh) * | 2020-06-10 | 2020-08-25 | 中国医学科学院阜外医院 | 斑块易损性预测方法、装置、设备和存储介质 |
| CN111598891A (zh) * | 2019-02-20 | 2020-08-28 | 深圳先进技术研究院 | 斑块稳定性的识别方法、装置、设备及存储介质 |
-
2021
- 2021-10-13 CN CN202111191473.0A patent/CN113962948A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050043614A1 (en) * | 2003-08-21 | 2005-02-24 | Huizenga Joel T. | Automated methods and systems for vascular plaque detection and analysis |
| CN110074756A (zh) * | 2013-12-18 | 2019-08-02 | 哈特弗罗公司 | 用于根据患者特定的解剖图像数据预测冠状动脉斑块易损性的系统和方法 |
| CN106056126A (zh) * | 2015-02-13 | 2016-10-26 | 西门子公司 | 医学成像中的斑块易损性评定 |
| CN107730497A (zh) * | 2017-10-27 | 2018-02-23 | 哈尔滨工业大学 | 一种基于深度迁移学习的血管内斑块属性分析方法 |
| CN111598891A (zh) * | 2019-02-20 | 2020-08-28 | 深圳先进技术研究院 | 斑块稳定性的识别方法、装置、设备及存储介质 |
| CN111062943A (zh) * | 2020-03-18 | 2020-04-24 | 南京景三医疗科技有限公司 | 斑块稳定性的确定方法、装置及医疗设备 |
| CN111583260A (zh) * | 2020-06-10 | 2020-08-25 | 中国医学科学院阜外医院 | 斑块易损性预测方法、装置、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110796656A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
| CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
| CN111340756B (zh) | 一种医学图像病变检出合并方法、系统、终端及存储介质 | |
| CN110706207A (zh) | 图像量化方法、装置、计算机设备和存储介质 | |
| US11996198B2 (en) | Determination of a growth rate of an object in 3D data sets using deep learning | |
| CN112132265B (zh) | 模型训练方法、杯盘比确定方法、装置、设备及存储介质 | |
| CN109767448B (zh) | 分割模型训练方法及装置 | |
| CN110335248B (zh) | 医学图像病灶检测方法、装置、计算机设备和存储介质 | |
| CN110838104A (zh) | 多时间点的感兴趣区域匹配方法、设备和存储介质 | |
| CN109410189B (zh) | 图像分割方法以及图像的相似度计算方法、装置 | |
| CN114693671B (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
| CN112308846A (zh) | 血管分割方法、装置及电子设备 | |
| CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
| US20220301177A1 (en) | Updating boundary segmentations | |
| CN113379741B (zh) | 基于血管特征的视网膜血管分割方法、设备和存储介质 | |
| CN113192031B (zh) | 血管分析方法、装置、计算机设备和存储介质 | |
| CN110738664B (zh) | 图像定位方法、装置、计算机设备和存储介质 | |
| CN113256670A (zh) | 图像处理方法及装置、网络模型的训练方法及装置 | |
| CN109767468B (zh) | 脏器体积检测方法及装置 | |
| CN113962948A (zh) | 斑块稳定性检测方法、装置、计算机设备和可读存储介质 | |
| CN111145152A (zh) | 图像检测方法、计算机设备和存储介质 | |
| CN114677503A (zh) | 感兴趣区域检测方法、装置、计算机设备和存储介质 | |
| CN115187521A (zh) | 病灶识别方法、装置、计算机设备和存储介质 | |
| CN111915556B (zh) | 一种基于双分支网络的ct图像病变检测方法、系统、终端及存储介质 | |
| CN116758096B (zh) | 动脉瘤分割方法、电子设备及存储介质 |
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 |