CN113989186A - 血管影像中血管结构或形态异常的检测方法及相关产品 - Google Patents
血管影像中血管结构或形态异常的检测方法及相关产品 Download PDFInfo
- Publication number
- CN113989186A CN113989186A CN202111126154.1A CN202111126154A CN113989186A CN 113989186 A CN113989186 A CN 113989186A CN 202111126154 A CN202111126154 A CN 202111126154A CN 113989186 A CN113989186 A CN 113989186A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- section
- segment
- image
- blood
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (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影像中血管结构或形态异常的检测方法及相关产品。所述方法包括:对血管影像中的血管进行分割,得到血管中的各血管段;对各血管段进行特征提取,得到各血管段的结构特征和各血管段的形态特征;将各血管段的结构特征和各血管段的形态特征输入预设的分类模型中,得到血管的检测结果;其中,血管的检测结果用于表征血管是否发生变异和/或变异类型。采用本方法能够提高对血管是否发生变异的检测效率。
Description
技术领域
本申请涉及医学影像技术领域,特别是涉及一种血管影像中血管结构或形态异常的检测方法及相关产品。
背景技术
血管环为人体供血体系中一主要的侧枝循环,例如,威利斯环(Willis环)由两侧大脑前动脉A1段、前交通动脉、两侧颈内动脉末端、两侧大脑后动脉P1段以及两侧后交通动脉组成,为大脑供血体系中主要的侧枝循环,提供前循环(颈动脉)和后循环(椎基动脉)之间的沟通路径。但是血管环变异率较高,具体表现为某一血管缺如或两根血管管径比值的差异较大,因此,对血管环的变异检测就显得尤为重要。
传统技术中,主要是通过医生对医学影像进行阅片分析,确定血管环是否发生变异。因此,传统的血管环的变异检测方法,存在检测效率较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高血管环变异检测效率的血管影像中血管结构或形态异常的检测方法及相关产品。
一种血管影像中血管结构或形态异常的检测方法,所述方法包括:
对血管影像中的血管进行分割,得到所述血管中的各血管段;
对各所述血管段进行特征提取,得到各所述血管段的结构特征和各所述血管段的形态特征;
将各所述血管段的结构特征和各所述血管段的形态特征输入预设的分类模型中,得到所述血管的检测结果;其中,所述血管的检测结果用于表征所述血管是否发生变异和/或变异类型。
在其中一个实施例中,所述对各所述血管段进行特征提取,得到各所述血管段的结构特征和各所述血管段的形态特征,包括:
获取各所述血管段的掩膜图像;
对各所述血管段的掩膜图像进行特征提取,得到各所述血管段的结构特征和各所述血管段的形态特征。
在其中一个实施例中,所述对各所述血管段的掩膜图像进行特征提取,得到各所述血管段的结构特征和各所述血管段的形态特征,包括:
根据各所述血管段的掩膜图像中各所述血管段的连接关系,得到各所述血管段的结构特征;
对各所述血管段的掩膜图像中各所述血管段的形态特征进行提取,得到各所述血管段的形态特征。
在其中一个实施例中,各所述血管段的结构特征包括是否存在各所述血管段、各所述血管段之间是否存在连接点中的至少一种。
在其中一个实施例中,各所述血管段的形态特征包括各所述血管段的直径、各所述血管段的长度、以及各所述血管段中对称血管段的直径比值中的至少一种。
在其中一个实施例中,所述对血管影像中的血管进行分割,得到所述血管中的各血管段,包括:
对所述血管影像中的血管进行分割,得到所述血管的分割结果;
对所述血管的分割结果进行分段处理,得到所述血管中的各血管段。
在其中一个实施例中,所述对各所述血管段进行特征提取,得到各所述血管段的结构特征和各所述血管段的形态特征之前,所述方法还包括:
对各所述血管段进行后处理,得到处理后的各血管段;所述后处理包括去除分割假阳段处理或取最大连通域处理。
在其中一个实施例中,所述预设的分类模型包括支持向量机分类模型或者神经网络分类模型。
一种血管影像中血管结构或形态异常的检测装置,所述装置包括:
分割模块,用于对血管影像中的血管进行分割,得到所述血管中的各血管段;
提取模块,用于对各所述血管段进行特征提取,得到各所述血管段的结构特征和各所述血管段的形态特征;
检测模块,用于将各所述血管段的结构特征和各所述血管段的形态特征输入预设的分类模型中,得到所述血管的检测结果;其中,所述血管的检测结果用于表征所述血管是否发生变异和/或变异类型。
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:
对血管影像中的血管进行分割,得到所述血管中的各血管段;
对各所述血管段进行特征提取,得到各所述血管段的结构特征和各所述血管段的形态特征;
将各所述血管段的结构特征和各所述血管段的形态特征输入预设的分类模型中,得到所述血管的检测结果;其中,所述血管的检测结果用于表征所述血管是否发生变异和/或变异类型。
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:
对血管影像中的血管进行分割,得到所述血管中的各血管段;
对各所述血管段进行特征提取,得到各所述血管段的结构特征和各所述血管段的形态特征;
将各所述血管段的结构特征和各所述血管段的形态特征输入预设的分类模型中,得到所述血管的检测结果;其中,所述血管的检测结果用于表征所述血管是否发生变异和/或变异类型。
上述血管影像中血管结构或形态异常的检测方法、装置、计算机设备和存储介质,通过对血管影像中的血管进行分割,能够快速地得到各血管中的各血管段,从而可以对各血管段进行特征提取,得到各血管段的结构特征和各血管段的形态特征,提高了得到各血管段的结构特征和各血管段的形态特征的效率,进而可以将各血管段的结构特征和各血管段的形态特征输入预设的分类模型中,快速地得到表征血管是否发生变异和/或变异类型的血管的检测结果,提高了对血管是否发生变异的检测效率。
附图说明
图1为一个实施例中血管影像中血管结构或形态异常的检测方法的应用环境图;
图2为一个实施例中血管影像中血管结构或形态异常的检测方法的流程示意图;
图2a为一个实施例中Willis环前循环的标准结构类型以及Willis环前循环变异类型的标准示意图;
图2b为一个实施例中Willis环后循环的标准结构类型以及Willis环后循环变异类型的标准示意图;
图2c为一个实施例中血管的图结构关系示意图;
图2d为一个实施例中脑部Willis环血管组成的实际结构示意图;
图2e为一个实施例中脑部Willis环血管组成的实际结构示意图;
图3为另一个实施例中血管影像中血管结构或形态异常的检测方法的流程示意图;
图4为另一个实施例中血管影像中血管结构或形态异常的检测方法的流程示意图;
图5为另一个实施例中血管影像中血管结构或形态异常的检测方法的流程示意图;
图6为一个实施例中血管影像中血管结构或形态异常的检测装置的结构框图。
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影像中血管结构或形态异常的检测方法,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,提供了一种血管影像中血管结构或形态异常的检测方法,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,对血管影像中的血管进行分割,得到血管中的各血管段。
其中,血管影像可以为不同模态的医学影像,例如,电子计算机断层扫描(Computed Tomography,CT)影像,磁共振(Magnetic Resonance Imaging,MRI)影像等等,本实施例在此不做限制。可选的,计算机设备可以将血管影像输入预设的分割模型中,对血管影像中的血管进行分割,得到血管中的各血管段,也可对血管影像中的血管进行勾画,确定出血管影像中的血管,再对确定出的血管按照预设的间隔进行分段,得到血管中的各血管段。示例性地,得到的血管影像中的血管的各血管段可以为2个血管段,也可以为5个血管段或者更多的血管段。可选的,血管影像中的血管可以为头部的威利斯血管环,也可以为人体其他部位的血管,如主动脉弓、椎动脉等。可选的,计算机设备对血管影像中的血管进行分割之前,可以先对血管影像进行预处理,例如,去除血管影像中的干扰区域,增大血管影像的分辨率等等。
S202,对各血管段进行特征提取,得到各血管段的结构特征和各血管段的形态特征。
其中,各血管段的结构特征可以包括:是否存在上述血管段、各血管段之间是否存在连接点中的至少一种;各血管段的形态特征可以包括:各血管段的直径、各血管段的长度、以及各血管段中对称血管段的直径比值中的至少一种。以Willis环为例,Willis环变异可分为前循环和后循环变异,如图2a所示,前循环主要由前交通动脉,以及两侧大脑前A1段组成,图2a中A为标准均衡型,变异类型包含B(双前交通动脉)C(一侧大脑前A1段发育不良),D(一侧大脑前A1段缺如)以及E(前交通动脉缺如),如图2b所示,后循环主要由双侧后交通动脉以及大脑后P1段组成,后循环的变异类型可分为B-J型,图2b中A为成熟型即正常型,B为过渡型,C为单侧胚胎型大脑后动脉,D为双侧胚胎型大脑后动脉,E为双侧后交通动脉缺如,F为双侧后交通动脉发育不良,G为单侧后交通动脉缺如,H为单侧后交通动脉发育不良,I为完全胚胎型大脑后动脉,J为willis后循环新型变异,可以将图2a,图2b简化为如图2c所示的由边与点组成的简单模板图结构,可选的,计算机设备可以根据血管影像中的血管连接的图结构关系对各血管段进行特征提取,得到各血管段的结构特征和各血管段的形态特征。例如,计算机设备可以根据血管影像中的血管连接的图结构关系确定血管影像中是否存在血管段、各血管段之间是否存在连接点、以及各血管段的直径、各血管段的长度等。可选的,计算机设备还可以利用特征提取算法,例如,LBP特征提取算法等对各血管段进行特征提取,得到各血管段的结构特征和各血管段的形态特征。可选的,计算机设备对血管影像中的血管中的各血管段进行特征提取,得到各血管段的结构特征和各血管段的形态特征之前,计算机设备还可以对各血管段进行后处理,得到处理后的各血管段,对处理后的各血管段进行特征提取,得到各血管段的结构特征和各血管段的形态特征,可选的,后处理可以包括去除分割假阳段处理或取最大连通域处理等。
S203,将各血管段的结构特征和各血管段的形态特征输入预设的分类模型中,得到血管的检测结果;其中,血管的检测结果用于表征血管是否发生变异和/或变异类型。
其中,预设的分类模型包括支持向量机(SVM)分类模型或者神经网络分类模型。具体地,计算机设备将上述各血管段的结构特征和各血管段的形态特征输入预设的分类模型中,得到表征血管影像中血管是否发生变异和/或变异类型的检测结果。可选的,计算机设备可以将各血管段的结构特征和各血管段的形态特征组成特征组,将该特征组输入预设的分类模型中,得到血管的检测结果,以图2d所示的基底动脉为例,用1表示存在血管段,0表示不存在血管段,则对于图2d中的各血管段,按照是否存在血管段、各血管段之间是否存在连接点、各血管段的直径、各血管段的长度、各血管段中对称血管段的直径比值的特征顺序进行排列,得到图2d中的各血管段所对应的的特征组为[1,1,1,1,0,1,1,0.46,5.01,12.05,3.47,13.62,1.50,9.43,1.90,0,0,8.20,2.48,13.98,2.22,2.31,0.77,0],由图2d的影像可知该数据存在右侧后交通血管缺如以及右侧大脑前A1段较左侧A1段纤细,将得到的特征组输入预设的分类模型中可以得到该影像数据中的血管发生变异,且变异类型为:前循环右侧C型(A1段发育不良),后循环右侧G型(后交通缺如);再例如,以图2e所示的基底动脉为例,用1表示存在血管段,0表示不存在血管段,则对于图2e中的各血管段,按照是否存在血管段、各血管段之间是否存在连接点、各血管段的直径、各血管段的长度、各血管段中对称血管段的直径比值,得到图2e所示的影像所对应的特征组为
[1,1,1,1,1,1,1,3.25,2.43,16.87,3.30,25.38,1.55,15.55,2.31,14.38,2.05,10.61,2.26,9.24,2.27,2.12,1.02,0.90],可知图2e所示的影像右侧大脑前A1段较左侧A1段纤细,双侧后交通动脉与其同侧大脑后P1段相比,管径相当,将得到的特征组输入预设的分类模型中可以得到该影像数据中的血管发生变异,且变异类型为:前循环右侧C型(A1段发育不良),后循环双侧B型(过渡型)。
上述血管影像中血管结构或形态异常的检测方法中,通过对血管影像中的血管进行分割,能够快速地得到各血管中的各血管段,从而可以对各血管段进行特征提取,得到各血管段的结构特征和各血管段的形态特征,提高了得到各血管段的结构特征和各血管段的形态特征的效率,进而可以将各血管段的结构特征和各血管段的形态特征输入预设的分类模型中,快速地得到表征血管是否发生变异和/或变异类型的血管的检测结果,提高了对血管是否发生变异的检测效率。
进一步地,在一个实施例中,如图3所示,上述S202,包括:
S301,获取各血管段的掩膜图像。
可以理解的是,图像掩膜是由0和1组成的一个二进制图像。当在某一功能中应用掩膜时,1值区域被处理,被屏蔽的0值区域不被包括在计算中。通过指定的数据值、数据范围、有限或无限值、感兴趣区和注释文件来定义图像掩膜,也可以应用上述选项的任意组合作为输入来建立掩膜。具体地,计算机设备得到上述血管影像中的血管中的各血管段后,可以对血管中的各血管段进行二值提取,得到各血管段的掩膜图像。
S302,对各血管段的掩膜图像进行特征提取,得到各血管段的结构特征和各血管段的形态特征。
可选的,计算机设备可以采用LBP特征提取算法等,对各血管段的掩膜图像进行特征提取,得到各血管段的结构特征和各血管段的形态特征,也可以将各血管段的掩膜图像输入神经网络模型中,通过神经网络模型的卷积层得到各血管段的结构特征和各血管段的形态特征,又或者,计算机设备可以对各血管段的掩膜图像进行勾画,得到各血管段的结构特征和各血管段的形态特征。
本实施例中,计算机设备通过获取各血管段的掩膜图像,能够对各血管段的掩膜图像准确地进行特征提取,从而可以准确地得到各血管段的结构特征和各血管段的形态特征,提高了得到各血管段的结构特征和各血管段的形态特征的准确度。
在上述对各血管段的掩膜图像进行特征提取,得到各血管段的结构特征和各血管段的形态特征的场景中,在一个实施例中,如图4所示,上述S302,包括:
S401,根据各血管段的掩膜图像中各血管段的连接关系,得到各血管段的结构特征。
在本实施例中,计算机设备可以根据各血管段的掩膜图像中各血管段的连接关系,得到各血管段的掩膜图像中是否存在各血管段、各血管段之间是否存在连接点等。例如,计算机设备可以根据各血管段的掩膜图像中各血管段的连接关系,得到各血管段的掩膜图像中存在几段血管段,存在的血管段之间是否存在连接关系,从而确定各血管段之间是否存在连接。
S402,对各血管段的掩膜图像中各血管段的形态特征进行提取,得到各血管段的形态特征。
具体地,计算机设备可以根据各血管段的掩膜图像中各血管段的形态,对各血管段的形态特征进行提取,得到各血管段的形态特征,例如,计算机设备可以根据各血管段的掩膜图像,得到各血管段的直径、各血管段的长度,以及各血管中对称血管段的直径比值等等。
在本实施例中,计算机设备根据各血管段的掩膜图像中各血管段的连接关系,能够迅速得到各血管段的结构特征,对各血管段的掩膜图像中各血管段的形态特征进行提取,能够迅速地得到各血管段的形态特征,从而提高了得到各血管段的结构特征和各血管段的形态特征的效率。
在上述对血管影像中的血管进行分割,得到血管中的各血管段的场景中,在一个实施例中,如图5所示,上述S201,包括:
S501,对血管影像中的血管进行分割,得到血管的分割结果。
可选的,计算机设备可以将上述血管影像输入分割模型中,对血管影像中的血管进行分割,得到血管的分割结果,也可以通过勾画血管影像中的血管的轮廓,对血管影像中的血管进行分割,得到血管的分割结果。
S502,对血管的分割结果进行分段处理,得到血管中的各血管段。
可选的,计算机设备可以按照预设的分段间隔对得到的血管的分割结果进行分段处理,得到血管影像中的血管中的各血管段,其中,预设的分段间隔可以为根据历史经验所确定的,例如,计算机设备可以按照5cm的分段间隔对得到的血管分割结果进行分段处理,得到血管影像中的血管中的各血管段。可选的,计算机设备也可将血管的分割结果输入预设的分段模型中,例如,卷积神经网络等,对血管的分割结果进行分段处理,得到血管中的各血管段。
本实施例中,计算机设备能够迅速地对血管影像中的血管进行分割,快速地得到血管影像中的血管的分割结果,进而可以快速地对血管的分割结果进行分段处理得到血管中的各血管段,提高了得到的血管影像中的血管中的各血管段的效率。
应该理解的是,虽然图2-图5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-图5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6所示,提供了一种血管影像中血管结构或形态异常的检测装置,包括:分割模块、提取模块和检测模块,其中:
分割模块,用于对血管影像中的血管进行分割,得到血管中的各血管段;
提取模块,用于对各血管段进行特征提取,得到各血管段的结构特征和各血管段的形态特征;
检测模块,用于将各血管段的结构特征和各血管段的形态特征输入预设的分类模型中,得到血管的检测结果;其中,血管的检测结果用于表征血管是否发生变异和/或变异类型。
可选的,各血管段的结构特征包括是否存在各血管段、各血管段之间是否存在连接点中的至少一种。
可选的,各血管段的形态特征包括各血管段的直径、各血管段的长度、以及各血管段中对称血管段的直径比值中的至少一种。
可选的,预设的分类模型包括支持向量机分类模型或者神经网络分类模型。
本实施例提供的血管影像中血管结构或形态异常的检测装置,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,上述提取模块,包括:获取单元和提取单元,其中:
获取单元,用于获取各血管段的掩膜图像。
提取单元,用于对各血管段的掩膜图像进行特征提取,得到各血管段的结构特征和各血管段的形态特征。
本实施例提供的血管影像中血管结构或形态异常的检测装置,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,上述提取单元,用于根据各血管段的掩膜图像中各血管段的连接关系,得到各血管段的结构特征;对各血管段的掩膜图像中各血管段的形态特征进行提取,得到各血管段的形态特征。
本实施例提供的血管影像中血管结构或形态异常的检测装置,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,上述分割模块包括:分割单元和分段单元,其中:
分割单元,用于对血管影像中的血管进行分割,得到血管的分割结果。
分段单元,用于对血管的分割结果进行分段处理,得到血管中的各血管段。
本实施例提供的血管影像中血管结构或形态异常的检测装置,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:处理模块,其中:
处理模块,用于对各血管段进行后处理,得到处理后的各血管段;后处理包括去除分割假阳段处理或取最大连通域处理。
本实施例提供的血管影像中血管结构或形态异常的检测装置,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。
关于血管影像中血管结构或形态异常的检测装置的具体限定可以参见上文中对于血管影像中血管结构或形态异常的检测方法的限定,在此不再赘述。上述血管影像中血管结构或形态异常的检测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:
对血管影像中的血管进行分割,得到血管中的各血管段;
对各血管段进行特征提取,得到各血管段的结构特征和各血管段的形态特征;
将各血管段的结构特征和各血管段的形态特征输入预设的分类模型中,得到血管的检测结果;其中,血管的检测结果用于表征血管是否发生变异和/或变异类型。
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:
对血管影像中的血管进行分割,得到血管中的各血管段;
对各血管段进行特征提取,得到各血管段的结构特征和各血管段的形态特征;
将各血管段的结构特征和各血管段的形态特征输入预设的分类模型中,得到血管的检测结果;其中,血管的检测结果用于表征血管是否发生变异和/或变异类型。
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)
1.一种血管影像中血管结构或形态异常的检测方法,其特征在于,所述方法包括:
对血管影像中的血管进行分割,得到所述血管中的各血管段;
对各所述血管段进行特征提取,得到各所述血管段的结构特征和各所述血管段的形态特征;
将各所述血管段的结构特征和各所述血管段的形态特征输入预设的分类模型中,得到所述血管的检测结果;其中,所述血管的检测结果用于表征所述血管是否发生变异和/或变异类型。
2.根据权利要求1所述的方法,其特征在于,所述对各所述血管段进行特征提取,得到各所述血管段的结构特征和各所述血管段的形态特征,包括:
获取各所述血管段的掩膜图像;
对各所述血管段的掩膜图像进行特征提取,得到各所述血管段的结构特征和各所述血管段的形态特征。
3.根据权利要求2所述的方法,其特征在于,所述对各所述血管段的掩膜图像进行特征提取,得到各所述血管段的结构特征和各所述血管段的形态特征,包括:
根据各所述血管段的掩膜图像中各所述血管段的连接关系,得到各所述血管段的结构特征;
对各所述血管段的掩膜图像中各所述血管段的形态特征进行提取,得到各所述血管段的形态特征。
4.根据权利要求3所述的方法,其特征在于,各所述血管段的结构特征包括是否存在各所述血管段、各所述血管段之间是否存在连接点中的至少一种。
5.根据权利要求3所述的方法,其特征在于,各所述血管段的形态特征包括各所述血管段的直径、各所述血管段的长度、以及各所述血管段中对称血管段的直径比值中的至少一种。
6.根据权利要求1所述的方法,其特征在于,所述对血管影像中的血管进行分割,得到所述血管中的各血管段,包括:
对所述血管影像中的血管进行分割,得到所述血管的分割结果;
对所述血管的分割结果进行分段处理,得到所述血管中的各血管段。
7.根据权利要求1所述的方法,其特征在于,所述对各所述血管段进行特征提取,得到各所述血管段的结构特征和各所述血管段的形态特征之前,所述方法还包括:
对各所述血管段进行后处理,得到处理后的各血管段;所述后处理包括去除分割假阳段处理或取最大连通域处理。
8.根据权利要求1所述的方法,其特征在于,所述预设的分类模型包括支持向量机分类模型或者神经网络分类模型。
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 |
---|---|---|---|
CN202111126154.1A CN113989186A (zh) | 2021-09-26 | 2021-09-26 | 血管影像中血管结构或形态异常的检测方法及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111126154.1A CN113989186A (zh) | 2021-09-26 | 2021-09-26 | 血管影像中血管结构或形态异常的检测方法及相关产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989186A true CN113989186A (zh) | 2022-01-28 |
Family
ID=79736650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111126154.1A Pending CN113989186A (zh) | 2021-09-26 | 2021-09-26 | 血管影像中血管结构或形态异常的检测方法及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989186A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913174A (zh) * | 2022-07-15 | 2022-08-16 | 深圳科亚医疗科技有限公司 | 用于血管系统变异检测的方法、装置和存储介质 |
-
2021
- 2021-09-26 CN CN202111126154.1A patent/CN113989186A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913174A (zh) * | 2022-07-15 | 2022-08-16 | 深圳科亚医疗科技有限公司 | 用于血管系统变异检测的方法、装置和存储介质 |
CN114913174B (zh) * | 2022-07-15 | 2022-11-01 | 深圳科亚医疗科技有限公司 | 用于血管系统变异检测的方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Maruthamuthu | Brain tumour segmentation from MRI using superpixels based spectral clustering | |
CN111768411A (zh) | 冠脉中心线提取方法、装置、计算机设备和存储介质 | |
CN110415250B (zh) | 一种基于深度学习的重叠染色体分割方法及装置 | |
CN111161279A (zh) | 医学图像分割方法、装置及服务器 | |
US11751823B2 (en) | Image processing apparatus, image processing method, and program | |
CN112308846B (zh) | 血管分割方法、装置及电子设备 | |
CN114511670B (zh) | 基于动态灌注影像的血管重建方法、装置、设备和介质 | |
CN111968130B (zh) | 脑部造影图像处理方法、装置、介质及电子设备 | |
CN113160245A (zh) | 基于分块区域生长法的ct脑实质分割系统、方法及装置 | |
CN112967284A (zh) | 血管图像分段分析方法、装置、设备及存储介质 | |
CN111862033A (zh) | 医学图像处理方法、装置、图像处理设备及存储介质 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN111312374A (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
CN113989186A (zh) | 血管影像中血管结构或形态异常的检测方法及相关产品 | |
CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
CN111738975B (zh) | 图像辨识方法及图像辨识装置 | |
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 | |
CN114298999A (zh) | 血管结构变异的检测方法、可读存储介质和程序产品 | |
CN112529918B (zh) | 一种脑部ct图像中脑室区域分割的方法、装置及设备 | |
CN111161240B (zh) | 血管分类方法、装置、计算机设备和可读存储介质 | |
CN111899273A (zh) | 图像分割方法、计算机设备和存储介质 | |
CN115690143A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
Thamizhvani et al. | Psoriasis Skin Disease Identification Using Support Vector Machine (SVM) Image Classification and Determining the Growth Rate | |
CN112861916A (zh) | 一种浸润性宫颈癌病理图像分类方法和系统 | |
KN et al. | Comparison of 3-segmentation techniques for intraventricular and intracerebral hemorrhages in unenhanced computed tomography scans |
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 |