CN114266759A - 图像分析方法、装置及计算机设备 - Google Patents
图像分析方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN114266759A CN114266759A CN202111612060.5A CN202111612060A CN114266759A CN 114266759 A CN114266759 A CN 114266759A CN 202111612060 A CN202111612060 A CN 202111612060A CN 114266759 A CN114266759 A CN 114266759A
- Authority
- CN
- China
- Prior art keywords
- image
- blood vessel
- enhancement
- target tissue
- degree
- 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
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种图像分析方法、装置和计算机设备。该方法包括:获取待处理血管图像,对待处理血管图像进行识别处理,确定目标组织区域图像和参考感兴趣区域图像,获取目标组织区域图像的第一增强度和参考感兴趣区域图像的第二增强度,通过第一增强度和第二增强度,确定目标组织的强化程度。采用本方法能够先识别血管中目标组织区域和参考感兴趣区域,再通过目标组织区域和参考感兴趣区域计算目标组织的强化程度,避免了医护人员凭借经验干预的过程,从而能够提高确定的斑块强化程度的准确性。
Description
技术领域
本申请涉及医疗技术领域,特别是涉及一种图像分析方法、装置及计算机设备。
背景技术
脑卒中又称中风或者脑血管意外,是一种急性脑血管疾病,包括缺血性卒中和出血性卒中,通常,缺血性卒中的发病率高于出血性卒中的发病率。在缺血性卒中患者中,斑块可反映炎症活动水平,斑块的强化程度不同与急性血管事件相关,斑块明显强化会提示斑块不稳定。不稳定斑块容易发生急性心血管事件,因此,斑块的强化程度是颅内斑块评估的重要指标,并且为斑块定性评估最主要的指标参数。
传统技术中,临床医护人员观察影像,并凭借临床经验评估斑块的相对强化情况,从而会导致评估的斑块强化程度的准确性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种图像分析方法、装置及计算机设备。
一种图像分析方法,所述方法包括:
获取待处理血管图像;
对所述待处理血管图像进行识别处理,确定目标组织区域图像和参考感兴趣区域图像;
获取所述目标组织区域图像的第一增强度和所述参考感兴趣区域图像的第二增强度;
通过所述第一增强度和所述第二增强度,确定目标组织的强化程度。
在其中一个实施例中,所述获取所述目标组织区域图像的第一增强度和所述参考感兴趣区域图像的第二增强度,包括:
根据增强前的目标组织区域图像的强度特征值和增强后的目标组织区域图像的强度特征值,确定所述目标组织区域图像的第一增强度;
根据增强前的参考感兴趣区域图像的强度特征值和增强后的参考感兴趣区域图像的强度特征值,确定所述参考感兴趣区域图像的第二增强度。
在其中一个实施例中,所述目标组织区域图像包括管壁区域图像和斑块区域图像;所述对所述待处理血管图像进行识别处理,确定目标组织区域图像,包括:
对所述待处理血管图像进行管壁识别,获取所述管壁区域图像;
对所述管壁区域图像进行斑块识别,获取所述斑块区域图像。
在其中一个实施例中,所述对所述待处理血管图像进行识别处理,确定参考感兴趣区域图像,包括:
通过所述待处理血管图像和模板图像进行图像配准,确定所述参考感兴趣区域图像。
在其中一个实施例中,所述对所述待处理血管图像进行识别处理,确定参考感兴趣区域图像,包括:
将所述待处理血管图像输入至分割网络模型,得到所述参考感兴趣区域图像。
在其中一个实施例中,所述对所述待处理血管图像进行识别处理,确定参考感兴趣区域图像,包括:
获取勾画指令;所述勾画指令包括所述参考感兴趣区域的位置信息;
根据所述参考感兴趣区域的位置信息,确定所述待处理血管图像对应的参考感兴趣区域图像。
在其中一个实施例中,所述待处理血管图像包括增强前的待处理血管图像和增强后的待处理血管图像;所述方法还包括:
获取增强前的血管图像和增强后的血管图像;
以增强前的血管图像中的任一血管图像为基准,对增强前的其它血管图像和增强后的血管图像进行图像配准,得到所述增强前的待处理血管图像和所述增强后的待处理血管图像。
在其中一个实施例中,所述通过所述第一增强度和所述第二增强度,确定目标组织的强化程度,包括:
将所述第一增强度与所述第二增强度作商,得到所述目标组织的强化程度。
在其中一个实施例中,所述方法还包括:
通过所述待处理血管图像、所述目标组织区域图像、所述参考感兴趣区域图像和所述目标组织的强化程度,生成目标组织报告。
一种图像分析装置,所述装置包括:
血管图像获取模块,用于获取待处理血管图像;
识别处理模块,用于对所述待处理血管图像进行识别处理,确定目标组织区域图像和参考感兴趣区域图像;
增强度获取模块,用于获取所述目标组织区域图像的第一增强度和所述参考感兴趣区域图像的第二增强度;
强化程度获取模块,用于通过所述第一增强度和所述第二增强度,确定目标组织的强化程度。
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:
获取待处理血管图像;
对所述待处理血管图像进行识别处理,确定目标组织区域图像和参考感兴趣区域图像;
获取所述目标组织区域图像的第一增强度和所述参考感兴趣区域图像的第二增强度;
通过所述第一增强度和所述第二增强度,确定目标组织的强化程度。
上述图像分析方法、装置和计算机设备,计算机设备可以获取待处理血管图像,对待处理血管图像进行识别处理,确定目标组织区域图像和参考感兴趣区域图像,获取目标组织区域图像的第一增强度和参考感兴趣区域图像的第二增强度,通过第一增强度和第二增强度,确定目标组织的强化程度;该方法可以先识别血管中目标组织区域和参考感兴趣区域,再通过目标组织区域和参考感兴趣区域计算目标组织的强化程度,避免了医护人员凭借经验干预的过程,从而能够提高确定的斑块强化程度的准确性。
附图说明
图1为一个实施例中图像分析方法的流程示意图;
图2为一个实施例中确定图像增强度的方法流程示意图;
图3为另一个实施例中确定目标组织区域图像的具体方法流程示意图;
图4为另一个实施例中确定参考感兴趣区域图像的具体方法流程示意图;
图5为另一个实施例中获取待处理血管图像的具体方法流程示意图;
图6为另一个实施例中增强前的不同组织区域图像和增强后的不同组织区域图像的布局界面展示图;
图7为另一个实施例中目标组织报告对应的显示界面展示图;
图8为一个实施例中图像分析装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
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。
本申请提供的图像分析方法,可以应用于强化程度分析系统中。可选的,上述强化程度分析系统包括计算机设备和图像采集设备,计算机设备和图像采集设备之间可以为通信连接,该通信方式可以为Wi-Fi,移动网络或蓝牙连接等等。上述图像采集设备可以为电子计算机断层扫描系统、计算机X线摄影系统、磁共振采集设备或者直接数字化X线摄影系统等等,计算机设备可以为各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,但不限于这些。本实施例可以对颅内动脉、颈动脉和主动脉等全身血管斑块进行定量分析,确定斑块的强化程度,以便医护人员根据斑块的强化程度识别易损斑块的纤维帽、出血、钙化、脂质核、炎症等不稳定性特征,从而对心血管疾病进行诊断。同时,该实施例还可以对血管中其它感兴趣区域进行定量分析,确定其它感兴趣区域组织的强化程度。
在一个实施例中,如图1所示,提供了一种图像分析方法,以该方法应用于计算机设备为例进行说明,包括以下步骤:
S100、获取待处理血管图像。
具体的,医学影像设备可以采集受检对象被灌注药物后目标组织部位的待提取数据,并将待提取数据发送至计算机设备,然后计算机设备从待提取数据中提取血管对应的血管数据,之后再对血管数据进行重建得到三维血管图像,进一步对血管图像进行预处理得到待处理血管图像。
S200、对待处理血管图像进行识别处理,确定目标组织区域图像和参考感兴趣区域图像。
具体的,医学影像设备可以对待处理血管图像中不同组织区域进行识别处理,确定目标组织区域图像和参考感兴趣区域图像。上述待提取数据中可以包括血管的血管数据,还可以包括血管周围组织对应的数据。上述预处理可以为旋转、平移、校正、切割等处理。在本实施例中,上述待处理血管图像可以为未分割斑块的图像,且该待处理血管图像可以为二维血管图像。
需要说明的是,从待提取数据中提取血管数据的方法可以为将待提取数据输入至血管提取模型中,得到血管数据的方法;该血管提取模型可以为区域卷积网络模型、快速区域卷积网络模型、多分类单杆检测器等等。血管提取模型可以为预先训练好的网络模型。
可以理解的是,上述目标组织部位可以为受检对象的任一组织部位,该组织部位可以为头部、颈部、胳膊、背部等等部位。上述血管图像可以为三维磁共振血管图像。上述血管可以分为动脉血管、静脉血管和毛细血管,每种血管对应的目标组织可以为血管中的管壁、斑块、平滑肌、神经纤维等等组织。上述识别处理的方法可以为人工智能识别方法,也可以为通过强化程度分析系统自带的感兴趣区域勾画工具或者附加的ITK-SNAP软件勾画的目标组织区域轮廓的勾画指令,然后以完成识别处理的方法。
S300、获取目标组织区域图像的第一增强度和参考感兴趣区域图像的第二增强度。
具体的,计算机设备可以通过目标组织区域图像和参考感兴趣区域图像进行算术运算处理、分析处理、对比处理和/或图像锐化处理等等,计算目标组织区域图像的第一增强度和参考感兴趣区域图像的第二增强度。上述增强度也可以理解成对比度。
其中,上述目标组织区域和参考感兴趣区域可以为血管中的两个单独组织区域,也可以为血管中相邻的组织区域,对此本实施例不做限定。
S400、通过第一增强度和第二增强度,确定目标组织的强化程度。
具体的,计算机设备可以通过目标组织区域图像的第一增强度和参考感兴趣区域图像的第二增强度进行算术运算,得到目标组织的强化程度。可选的,上述算术运算可以为大小比较运算、加法运算、减法运算、乘法运算、除法运算和/或对数运算等等。
其中,上述S400中通过第一增强度和第二增强度,确定目标组织的强化程度的步骤,可以包括:将第一增强度与第二增强度作商,得到目标组织的强化程度。
在本实施例中,上述目标组织的强化程度可以通过强化程度量化值表示。
上述图像分析方法中,计算机设备可以获取待处理血管图像,对待处理血管图像进行识别处理,确定目标组织区域图像和参考感兴趣区域图像,获取目标组织区域图像的第一增强度和参考感兴趣区域图像的第二增强度,通过第一增强度和第二增强度,确定目标组织的强化程度;该方法可以先识别血管中目标组织区域和参考感兴趣区域,再通过目标组织区域和参考感兴趣区域计算目标组织的强化程度,避免了医护人员凭借经验干预的过程,从而能够提高确定的斑块强化程度的准确性,并且能够缩短斑块强化程度的确定时间;同时,该方法不需要医护人员凭借经验干预的过程,从而能够降低对医护人员经验的要求,进一步降低人力资源成本;另外,该方法可以通过一套计算机程序对目标组织进行定量分析,有利于提高目标组织强化程度的准确率和效率,具有十分重要的临床应用意义。
作为其中一个实施例,如图2所示,上述S300中获取目标组织区域图像的第一增强度和参考感兴趣区域图像的第二增强度的步骤,可以通过以下步骤实现:
S310、根据增强前的目标组织区域图像的强度特征值和增强后的目标组织区域图像的强度特征值,确定目标组织区域图像的第一增强度。
具体的,目标组织区域图像可以包括增强前的目标组织区域图像和增强后的目标组织区域图像,增强前的目标组织区域图像可以理解为对受检对象的目标组织部位灌注药物之前对应的目标组织区域图像,增强后的目标组织区域图像可以理解为对受检对象的目标组织部位灌注药物之后对应的目标组织区域图像。在本实施例中,对目标组织部位灌注药物的目的是为了让目标组织部位在灌注药物之前和之后有明显的区别特征,以便后续对目标组织部位的目标组织进行识别。
需要说明的是,上述目标组织区域图像的强度特征值可以理解为目标组织区域图像的所有像素的特征值,该目标组织区域图像的强度特征值可以为目标组织区域图像中所有像素中的最大像素值、所有像素中的最小像素值、所有像素的平均像素值、所有像素的方差和/或所有像素的标准差等等。
进一步,计算机设备可以通过增强前的目标组织区域图像的强度特征值和增强后的目标组织区域图像的强度特征值进行算术运算处理和/或对比处理等等,得到目标组织区域图像的第一增强度。
S320、根据增强前的参考感兴趣区域图像的强度特征值和增强后的参考感兴趣区域图像的强度特征值,确定参考感兴趣区域图像的第二增强度。
可以理解的是,与目标组织区域图像的第一增强度的确定方法类似,计算机设备可以通过增强前的参考感兴趣区域图像的强度特征值和增强后的参考感兴趣区域图像的强度特征值进行算术运算处理和/或对比处理等等,得到参考感兴趣区域图像的第二增强度。
其中,上述参考感兴趣区域图像的强度特征值可以理解为参考感兴趣区域图像的所有像素的特征值,该参考感兴趣区域图像的强度特征值可以为目标组织区域图像中所有像素中的最大像素值、所有像素中的最小像素值、所有像素的平均像素值、所有像素的方差和/或所有像素的标准差等等。
在本实施例中,上述强度特征值可以为图像的均值,具体地,计算机设备可以将增强后的目标组织区域图像的均值和增强前的目标组织区域图像的均值作商,得到目标组织区域图像的第一增强度;同时,将增强后的参考感兴趣区域图像的均值和增强前的参考感兴趣区域图像的均值作商,得到参考感兴趣区域图像的第二增强度。
上述图像分析方法可以先确定目标组织区域图像的第一增强度和参考感兴趣区域图像的第二增强度,然后进一步通过第一增强度和第二增强度可以计算目标组织的强化程度,从而提高确定的斑块强化程度的准确性,并且通过一套处理方式计算目标组织的强化程度可以缩短斑块强化程度的确定时间。
作为其中一个实施例,目标组织区域图像包括管壁区域图像和斑块区域图像;如图3所示,上述S200中对待处理血管图像进行识别处理,确定目标组织区域图像的步骤,可以通过以下步骤实现:
S210、对待处理血管图像进行管壁识别,获取管壁区域图像。
具体的,计算机设备可以对待处理血管图像中血管的管壁区域进行识别,得到管壁区域图像,管壁区域的识别方法可以为人工智能识别方法,也可以为通过强化程度分析系统自带的感兴趣区域勾画工具或者附加的ITK-SNAP软件勾画的管壁区域轮廓的勾画指令,然后以完成管壁区域识别处理的方法。其中,人工智能识别方法可以为将待处理血管图像输入至管壁识别网络模型中,得到管壁区域图像的方法;该管壁识别网络模型可以为区域卷积网络模型、快速区域卷积网络模型、多分类单杆检测器等等。管壁识别网络模型可以为预先训练好的网络模型。
S220、对管壁区域图像进行斑块识别,获取斑块区域图像。
进一步,计算机设备可以对获取到的管壁区域图像中管壁上的斑块区域进行识别,得到斑块区域图像,斑块区域的识别方法可以为人工智能识别方法,也可以为通过强化程度分析系统自带的感兴趣区域勾画工具或者附加的ITK-SNAP软件勾画的斑块区域轮廓的勾画指令,然后以完成斑块区域识别处理的方法。其中,人工智能识别方法可以为将管壁区域图像输入至斑块识别网络模型中,得到斑块区域图像的方法;该斑块识别网络模型可以为区域卷积网络模型、快速区域卷积网络模型、多分类单杆检测器等等。斑块识别网络模型可以为预先训练好的网络模型。
同时,计算机设备还可以对管壁区域图像中管壁上的其它感兴趣区域进行识别,得到其它感兴趣区域图像。其它感兴趣区域可以为血管区域中除管壁区域和斑块区域之外的其它区域。其它感兴趣区域的识别方法也可以为人工智能识别方法,还可以为通过强化程度分析系统自带的感兴趣区域勾画工具或者附加的ITK-SNAP软件勾画的其它感兴趣区域轮廓的勾画指令,然后以完成其它感兴趣区域识别处理的方法。在本实施中,管壁中其它感兴趣区域与参考感兴趣区域可以不同。
上述图像分析方法可以获取管壁区域图像、斑块区域图像和参考感兴趣区域图像,进而基于管壁区域图像和斑块区域图像快速计算目标组织的强化程度,并且该方法避免了医护人员凭借经验干预的过程,从而能够提高确定的斑块强化程度的准确性,并且能够缩短斑块强化程度的确定时间。
作为其中一个实施例,上述S200中对待处理血管图像进行识别处理,确定参考感兴趣区域图像的步骤,可以通过以下步骤实现:通过待处理血管图像和模板图像进行图像配准,确定参考感兴趣区域图像。
具体的,上述模板图像可以为预先自定义的参考感兴趣区域组织对应的图像,也可以为灌注药物前后组织特征比较突出的预设组织对应的图像。模板图像的尺寸与待处理血管图像的尺寸可以相同。上述模板图像可以包括参考感兴趣区域组织图像或者预设组织图像以及背景图像,也可以仅包括参考感兴趣区域组织图像或者预设组织图像。上述灌注药物前后组织特征比较突出的预设组织可以为平滑肌、肌浆、神经纤维等等组织。上述背景图像为对参考感兴趣区域组织图像或者预设组织图像进行填充后的无效图像,只是为了将参考感兴趣区域组织图像或者预设组织图像填充成与待处理血管图像尺寸一致的图像。
可以理解的是,计算机设备可以将模板图像与待处理血管图像进行图像配准,得到待处理血管图像中的参考感兴趣区域图像。
在本实施例中,由于垂体柄组织在灌注药物前后体现的特征比较突出,因此,将灌注药物前后组织特征比较突出的预设组织可以为垂体柄,通常,垂体柄会存在于血管的管壁上,且管壁与垂体柄的组织结构类似。首先可以从待处理血管图像中分割出垂体柄区域图像,然后将垂体柄区域图像作为模板图像实现图像配准,得到待处理血管图像中参考感兴趣区域图像;或者,还可以直接将标准化的垂体柄区域图像作为模板图像实现图像配准,得到待处理血管图像中参考感兴趣区域图像。该步骤中的图像配准可以理解为将垂体柄区域图像中的垂体柄区域映射到待处理血管图像上的过程。
或者,上述S200中对待处理血管图像进行识别处理,确定参考感兴趣区域图像的步骤,还可以通过以下步骤实现:将待处理血管图像输入至分割网络模型,得到参考感兴趣区域图像。
需要说明的是,上述分割网络模型可以为全卷积网络模型、快速卷积网络模型、加速区域卷积网络模型、掩膜区域卷积网络等等,还可以为这些网络模型的组合模型。计算机设备可以通过血管图像训练集对初始分割网络模型进行网络模型训练,得到预先训练好的分割网络模型,具体地,计算机设备可以将血管图像训练集中的血管图像输入至初始分割网络模型中,得到感兴趣区域预测图像,通过损失函数计算感兴趣区域预测图像与标准感兴趣区域图像之间的预测误差值,并根据预测误差值更新初始分割网络模型中的初始网络参数,不断迭代以上训练步骤,直到预测误差值满足预设误差阈值或迭代次数达到预设迭代次数阈值为止,得到预先训练好的分割网络模型。上述血管图像训练集可以为不同受检对象的血管图像的集合,上述标准感兴趣区域图像可以为理想化的感兴趣区域图像。
其中,上述血管图像训练集中的血管图像可以包括斑块图像和非斑块图像。可选的,上述损失函数可以为均方误差函数、二分类交叉熵函数、稀疏二分类交叉熵损失函数等等,对此不做限定。
同时,如图4所示,上述S200中对待处理血管图像进行识别处理,确定参考感兴趣区域图像的步骤,还可以通过以下步骤实现:
S230、获取勾画指令;勾画指令包括参考感兴趣区域的位置信息。
可以理解的是,医护人员可以通过鼠标、键盘或者语音输入方式触发强化程度分析控件,然后计算机设备可以自动打开感兴趣区域勾画工具或者ITK-SNAP软件,然后可以基于感兴趣区域勾画工具或者ITK-SNAP软件的勾画区域参数设置界面设置勾画区域参数,并根据勾画区域参数自动在待处理血管图像中勾画其它感兴趣区域对应的轮廓,此时,计算机设备可以接收到勾画指令。勾画区域参数可以为参考感兴趣区域的位置信息。
S240、根据参考感兴趣区域的位置信息,确定待处理血管图像对应的参考感兴趣区域图像。
具体的,计算机设备可以根据获取到的参考感兴趣区域的位置信息,从待处理血管图像中提取参考感兴趣区域图像,滤除掉其它区域的图像。另外,上述参考感兴趣区域可以根据实际临床需求确定,除了可以为垂体柄区域外,还可以为肌肉区域、肌纤维区域、脑脊液区域等等。
在本实施例中,可以通过上述三种确定参考感兴趣区域图像的方法中任意一种方法确定参考感兴趣区域图像,从而提高确定参考感兴趣区域图像的灵活性。
上述图像分析方法可以获取参考感兴趣区域图像,进而基于目标组织区域图像和参考感兴趣区域图像快速计算目标组织的强化程度,并且该方法避免了医护人员凭借经验干预的过程,从而能够提高确定的斑块强化程度的准确性,并且能够缩短斑块强化程度的确定时间;同时,该方法可以通过多种方法确定参考感兴趣区域图像,从而提高了确定参考感兴趣区域图像的灵活性。
作为其中一个实施例,待处理血管图像包括增强前的待处理血管图像和增强后的待处理血管图像;在执行上述S200之前,如图5所示,上述方法还可以包括:
S500、获取增强前的血管图像和增强后的血管图像。
具体的,医学影像设备可以采集受检对象被灌注药物前目标组织部位的第一待提取数据,并将第一待提取数据发送至计算机设备,然后计算机设备从第一待提取数据中提取血管对应的第一血管数据,之后再对第一血管数据进行重建得到第一血管图像,同时,还需要对第一血管图像进行处理得到二维增强前的血管图像。同时,医学影像设备可以采集受检对象被灌注药物后目标组织部位的第二待提取数据,并将第二待提取数据发送至计算机设备,然后计算机设备从第二待提取数据中提取血管对应的第二血管数据,之后再对第二血管数据进行重建得到第二血管图像,同时,还需要对第二血管图像进行处理得到二维增强后的血管图像。
其中,计算机设备可以对第一血管图像进行骨架化处理获取第一血管中心线,然后根据第一血管中心线切割三维第一血管图像得到血管的横断面对应的二维图像,即二维增强前的血管图像。同时,计算机设备可以对第二血管图像进行骨架化处理获取第二血管中心线,然后根据第二血管中心线切割三维第二血管图像得到血管的横断面对应的二维图像,即二维增强后的血管图像。
需要说明的是,增强前的血管图像中可以包括增强前的黑血管图像和/或增强前的亮血管图像,增强后的血管图像中可以包括增强后的黑血管图像和/或增强后的亮血管图像,其中,增强前的血管图像与增强后的血管图像对应,但在本实施例中,增强前的血管图像中包括增强前的黑血管图像,因此,增强后的血管图像中包括增强后的黑血管图像。
S600、以增强前的血管图像中的任一血管图像为基准,对增强前的其它血管图像和增强后的血管图像进行图像配准,得到增强前的待处理血管图像和增强后的待处理血管图像。
具体的,每次采集目标组织部位的血管数据时,可能由于受检对象存在运动位移,每次采集时受检对象的体位稍有不同,会导致每次采集到的血管数据不同,因此,需要将采集到的增强前的血管图像和增强后的血管图像进行运动校正,以校正运动伪影得到同一体位下对应的血管图像。
其中,运动校正过程可以理解为,从多张增强前的血管图像中选取任意一张血管图像作为基准图像,然后计算机设备可以通过基准图像,对增强前的其它血管图像和增强后的血管图像进行图像配准,得到增强前的待处理血管图像和增强后的待处理血管图像。
同时,上述增强前的待处理血管图像和增强后的待处理血管图像可以同时显示在计算机设备的显示界面上,供医护人员方便查看,这些图像在显示界面显示的局部方式可以任意,对此不做限定。另外,上述增强前的待处理血管图像和增强后的待处理血管图像可以通过鼠标滑动的方式依次显示在计算机设备的显示界面上,也就是,每次显示界面只能显示一张增强前的待处理血管图像或者一张增强后的待处理血管图像,然后通过鼠标滑动的方式查看其它待处理血管图像。
示例性的,图6为一增强前的不同组织区域图像和增强后的不同组织区域图像的布局界面展示图。图6中表格里的第1列和第3列的截面1-5表示增强前后待处理血管图像的标识,第2列和第3列分别展示的是截面1-5对应的5张增强前的待处理血管图像和5张增强后的待处理血管图像,第4列展示的是计算目标组织的强化程度的过程中,涉及到的中间计算参数,具体参数如表1所示,表1中增强前的参考感兴趣区域图像的均值表示Ref,增强后的参考感兴趣区域图像的均值表示Ref1,增强前的管壁区域图像的均值表示W,增强后的管壁区域图像的均值表示W1,增强前的斑块区域图像的均值表示P,增强后的斑块区域图像的均值表示P1,增强前的其它感兴趣区域图像的均值表示R,增强后的其它感兴趣区域图像的均值表示R1,进一步通过这些均值计算的增强度和强化程度如表1所示。
表1
进一步地,本实施例还可以通过目标组织的强化程度确定目标组织的强化程度属于明显强化、轻度强化或者无强化。具体地,计算机设备可以判定目标组织的强化程度大于或者等于参考感兴趣区域组织的强化程度时确定目标组织的强化程度属于明显强化,若判定目标组织的强化程度小于参考感兴趣区域组织的强化程度时确定目标组织的强化程度属于强度强化,若判定目标组织的强化程度与增强前的目标组织的强化程度近似相等时确定目标组织的强化程度为无强化。
上述图像分析方法可以通过图像配准获取受检对象同一体位下的增强前的血管图像和增强后的血管图像,进一步通过增强前的血管图像和增强后的血管图像,确定目标组织的强化程度,从而避免了目标组织强化程度受运动伪影的影响而不准确,提高了确定的目标组织强化程度的准确度;同时,该方法避免了医护人员凭借经验干预的过程,从而也能够极大程度提高确定的斑块强化程度的准确性,并且能够缩短斑块强化程度的确定时间。
作为其中一个实施例,在上述S400步骤之后,上述图像分析方法还可以包括:通过待处理血管图像、目标组织区域图像、参考感兴趣区域图像和目标组织的强化程度,生成目标组织报告。
具体的,计算机设备可以将获取到的待处理血管图像、目标组织区域图像、参考感兴趣区域图像和目标组织的强化程度同时显示在同一界面上,以生成结构化的目标组织报告。待处理血管图像、目标组织区域图像、参考感兴趣区域图像和目标组织的强化程度可以以任意布局方式排布在目标组织报告中,只要不重叠排布即可。上述目标组织报告可以为电子版报告,还可以为将电子版报告导出得到纸质版报告。
同时,计算机设备可以分别计算待处理血管图像、目标组织区域图像和参考感兴趣区域图像对应的强度特征值,然后将其强度特征值也同步显示在目标组织报告中,且目标组织报告中还可以显示目标组织的其它相关参数。图7为一目标组织报告对应的显示界面展示图,由于管壁是在管腔内,所以目标组织报告中还存在管腔的相关参数。
上述图像分析方法可以通过待处理血管图像、目标组织区域图像、参考感兴趣区域图像和目标组织的强化程度,生成目标组织报告,从而让医护人员能够直观从目标组织报告中获取目标组织的强化程度,并且能够结合目标组织报告中待处理血管图像、目标组织区域图像和参考感兴趣区域图像综合分析斑块对受检对象造成的健康影响程度;同时,在医护人员临床经验不足时,还可以将目标组织报告带到其它科室,以便请教多个医学专家一起诊断受检对象的健康状态,从而提高心血管疾病诊断的准确性。
为了便于本领域技术人员的理解,以执行主体为计算机设备为例介绍本申请提供的图像分析方法,具体的,该方法包括:
(1)获取增强前的血管图像和增强后的血管图像。
(2)以增强前的血管图像中的任一血管图像为基准,对增强前的其它血管图像和增强后的血管图像进行图像配准,得到增强前的待处理血管图像和增强后的待处理血管图像。
(3)对待处理血管图像进行管壁识别,获取管壁区域图像。
(4)对管壁区域图像进行斑块识别,获取斑块区域图像。
(5)通过待处理血管图像和模板图像进行图像配准,确定参考感兴趣区域图像;或者,将待处理血管图像输入至分割网络模型,得到参考感兴趣区域图像;或者获取勾画指令,勾画指令包括参考感兴趣区域的位置信息,根据参考感兴趣区域的位置信息,确定待处理血管图像对应的参考感兴趣区域图像。
(6)根据增强前的目标组织区域图像的强度特征值和增强后的目标组织区域图像的强度特征值,确定目标组织区域图像的第一增强度;目标组织区域图像包括管壁区域图像和斑块区域图像。
(7)根据增强前的参考感兴趣区域图像的强度特征值和增强后的参考感兴趣区域图像的强度特征值,确定参考感兴趣区域图像的第二增强度。
(8)将第一增强度与第二增强度作商,得到目标组织的强化程度。
(9)通过待处理血管图像、目标组织区域图像、参考感兴趣区域图像和目标组织的强化程度,生成目标组织报告。
以上(1)至(9)的执行过程具体可以参见上述实施例的描述,其实现原理和技术效果类似,在此不再赘述。
应该理解的是,虽然图1-5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1-5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8所示,提供了一种图像分析装置,包括:血管图像获取模块11、识别处理模块12、增强度获取模块13和强化程度获取模块14,其中:
血管图像获取模块11,用于获取待处理血管图像;
识别处理模块12,用于对待处理血管图像进行识别处理,确定目标组织区域图像和参考感兴趣区域图像;
增强度获取模块13,用于获取目标组织区域图像的第一增强度和参考感兴趣区域图像的第二增强度;
强化程度获取模块14,用于通过第一增强度和第二增强度,确定目标组织的强化程度。
本实施例提供的图像分析装置,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。
在其中一个实施例中,增强度获取模块13包括:第一增强度确定单元和第二增强度确定单元,其中:
第一增强度确定单元,用于根据增强前的目标组织区域图像的强度特征值和增强后的目标组织区域图像的强度特征值,确定目标组织区域图像的第一增强度;
第二增强度确定单元,用于根据增强前的参考感兴趣区域图像的强度特征值和增强后的参考感兴趣区域图像的强度特征值,确定参考感兴趣区域图像的第二增强度。
本实施例提供的图像分析装置,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。
在其中一个实施例中,目标组织区域图像包括管壁区域图像和斑块区域图像;识别处理模块12包括:管壁识别单元和斑块识别单元,其中:
管壁识别单元,用于对待处理血管图像进行管壁识别,获取管壁区域图像;
斑块识别单元,用于对管壁区域图像进行斑块识别,获取斑块区域图像。
本实施例提供的图像分析装置,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。
在其中一个实施例中,识别处理模块12包括:图像配准单元,其中:
图像配准单元,用于通过待处理血管图像和模板图像进行图像配准,确定参考感兴趣区域图像。
本实施例提供的图像分析装置,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。
在其中一个实施例中,识别处理模块12还包括:第一感兴趣区域确定单元,其中:
第一感兴趣区域确定单元,用于将待处理血管图像输入至分割网络模型,得到参考感兴趣区域图像。
本实施例提供的图像分析装置,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。
在其中一个实施例中,识别处理模块12还包括:勾画指令获取单元和第二感兴趣区域确定单元,其中:
勾画指令获取单元,用于获取勾画指令;勾画指令包括参考感兴趣区域的位置信息;
第二感兴趣区域确定单元,用于根据参考感兴趣区域的位置信息,确定待处理血管图像对应的参考感兴趣区域图像。
本实施例提供的图像分析装置,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。
在其中一个实施例中,待处理血管图像包括增强前的待处理血管图像和增强后的待处理血管图像;图像分析装置还包括:血管图像获取模块和图像配准模块,其中:
血管图像获取模块,用于获取增强前的血管图像和增强后的血管图像;
图像配准模块,用于以增强前的血管图像中的任一血管图像为基准,对增强前的其它血管图像和增强后的血管图像进行图像配准,得到增强前的待处理血管图像和增强后的待处理血管图像。
本实施例提供的图像分析装置,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。
在其中一个实施例中,强化程度获取模块14具体用于将第一增强度与第二增强度作商,得到目标组织的强化程度。
本实施例提供的图像分析装置,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。
在其中一个实施例中,图像分析装置还包括报告生成模块,其中:
报告生成模块,用于通过待处理血管图像、目标组织区域图像、参考感兴趣区域图像和目标组织的强化程度,生成目标组织报告。
本实施例提供的图像分析装置,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。
关于图像分析装置的具体限定可以参见上文中对于图像分析方法的限定,在此不再赘述。上述图像分析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,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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。该计算机设备的数据库用于存储待处理血管图像。该计算机设备的网络接口用于与外部的终点通过网络连接通信。该计算机程序被处理器执行时以实现一种图像分析方法。
本领域技术人员可以理解,图9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,该处理器执行计算机程序时实现以下步骤:
获取待处理血管图像;
对待处理血管图像进行识别处理,确定目标组织区域图像和参考感兴趣区域图像;
获取目标组织区域图像的第一增强度和参考感兴趣区域图像的第二增强度;
通过第一增强度和第二增强度,确定目标组织的强化程度。
在一个实施例中,提供了一种可读存储介质,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:
获取待处理血管图像;
对待处理血管图像进行识别处理,确定目标组织区域图像和参考感兴趣区域图像;
获取目标组织区域图像的第一增强度和参考感兴趣区域图像的第二增强度;
通过第一增强度和第二增强度,确定目标组织的强化程度。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取待处理血管图像;
对待处理血管图像进行识别处理,确定目标组织区域图像和参考感兴趣区域图像;
获取目标组织区域图像的第一增强度和参考感兴趣区域图像的第二增强度;
通过第一增强度和第二增强度,确定目标组织的强化程度。
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)
1.一种图像分析方法,其特征在于,所述方法包括:
获取待处理血管图像;
对所述待处理血管图像进行识别处理,确定目标组织区域图像和参考感兴趣区域图像;
获取所述目标组织区域图像的第一增强度和所述参考感兴趣区域图像的第二增强度;
通过所述第一增强度和所述第二增强度,确定目标组织的强化程度。
2.根据权利要求1所述的方法,其特征在于,所述获取所述目标组织区域图像的第一增强度和所述参考感兴趣区域图像的第二增强度,包括:
根据增强前的目标组织区域图像的强度特征值和增强后的目标组织区域图像的强度特征值,确定所述目标组织区域图像的第一增强度;
根据增强前的参考感兴趣区域图像的强度特征值和增强后的参考感兴趣区域图像的强度特征值,确定所述参考感兴趣区域图像的第二增强度。
3.根据权利要求1或2所述的方法,其特征在于,所述目标组织区域图像包括管壁区域图像和斑块区域图像;所述对所述待处理血管图像进行识别处理,确定目标组织区域图像,包括:
对所述待处理血管图像进行管壁识别,获取所述管壁区域图像;
对所述管壁区域图像进行斑块识别,获取所述斑块区域图像。
4.根据权利要求1或2所述的方法,其特征在于,所述对所述待处理血管图像进行识别处理,确定参考感兴趣区域图像,包括:
通过所述待处理血管图像和模板图像进行图像配准,确定所述参考感兴趣区域图像;
以及优选地,所述对所述待处理血管图像进行识别处理,确定参考感兴趣区域图像,包括:
将所述待处理血管图像输入至分割网络模型,得到所述参考感兴趣区域图像。
5.根据权利要求1或2所述的方法,其特征在于,所述对所述待处理血管图像进行识别处理,确定参考感兴趣区域图像,包括:
获取勾画指令;所述勾画指令包括所述参考感兴趣区域的位置信息;
根据所述参考感兴趣区域的位置信息,确定所述待处理血管图像对应的参考感兴趣区域图像。
6.根据权利要求1或2所述的方法,其特征在于,所述待处理血管图像包括增强前的待处理血管图像和增强后的待处理血管图像;所述方法还包括:
获取增强前的血管图像和增强后的血管图像;
以增强前的血管图像中的任一血管图像为基准,对增强前的其它血管图像和增强后的血管图像进行图像配准,得到所述增强前的待处理血管图像和所述增强后的待处理血管图像。
7.根据权利要求1或2所述的方法,其特征在于,所述通过所述第一增强度和所述第二增强度,确定目标组织的强化程度,包括:
将所述第一增强度与所述第二增强度作商,得到所述目标组织的强化程度。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
通过所述待处理血管图像、所述目标组织区域图像、所述参考感兴趣区域图像和所述目标组织的强化程度,生成目标组织报告。
9.一种图像分析装置,其特征在于,所述装置包括:
血管图像获取模块,用于获取待处理血管图像;
识别处理模块,用于对所述待处理血管图像进行识别处理,确定目标组织区域图像和参考感兴趣区域图像;
增强度获取模块,用于获取所述目标组织区域图像的第一增强度和所述参考感兴趣区域图像的第二增强度;
强化程度获取模块,用于通过所述第一增强度和所述第二增强度,确定目标组织的强化程度。
10.一种计算机设备,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1-8中任一项所述方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111612060.5A CN114266759A (zh) | 2021-12-27 | 2021-12-27 | 图像分析方法、装置及计算机设备 |
EP22216816.3A EP4207060A1 (en) | 2021-12-27 | 2022-12-27 | Methods and systems for image analysis |
US18/146,991 US20230206444A1 (en) | 2021-12-27 | 2022-12-27 | Methods and systems for image analysis |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111612060.5A CN114266759A (zh) | 2021-12-27 | 2021-12-27 | 图像分析方法、装置及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114266759A true CN114266759A (zh) | 2022-04-01 |
Family
ID=80830339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111612060.5A Pending CN114266759A (zh) | 2021-12-27 | 2021-12-27 | 图像分析方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114266759A (zh) |
-
2021
- 2021-12-27 CN CN202111612060.5A patent/CN114266759A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11622812B2 (en) | Systems and methods for correction of artificial deformation in anatomic modeling | |
US10580526B2 (en) | System and method for calculating vessel flow parameters based on angiography | |
US11538161B2 (en) | Systems and methods for determining blood vessel conditions | |
CN109035284B (zh) | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 | |
US11468570B2 (en) | Method and system for acquiring status of strain and stress of a vessel wall | |
EP1542589B1 (en) | Display of image data information | |
JP2018529446A (ja) | モバイルffrシミュレーション | |
CN115035020A (zh) | 对医学图像进行对象分析的方法、装置和存储介质 | |
US11727570B2 (en) | Methods and systems for determining coronary hemodynamic characteristic(s) that is predictive of myocardial infarction | |
CN114596311B (zh) | 基于血管图像的血管功能评估方法和血管功能评估装置 | |
CN115439533A (zh) | 获得颅内动脉瘤在血管分段位置的方法、计算机设备、可读存储介质和程序产品 | |
CN109949300B (zh) | 解剖树结构分析的方法、系统和计算机可读介质 | |
CN113989231A (zh) | 动力学参数的确定方法、装置、计算机设备和存储介质 | |
CN113616226A (zh) | 一种血管分析方法、系统、设备及存储介质 | |
WO2021117043A1 (en) | Automatic stenosis detection | |
CN109461143B (zh) | 图像显示方法、装置、计算机设备和存储介质 | |
CN116452579A (zh) | 一种基于胸片图像的肺动脉高压智能评估方法和系统 | |
CN116309346A (zh) | 医学图像的检测方法、装置、设备、存储介质及程序产品 | |
CN114266759A (zh) | 图像分析方法、装置及计算机设备 | |
CN114677415A (zh) | 图像配准方法、装置、计算机设备及可读存储介质 | |
CN113706541A (zh) | 一种图像处理方法及装置 | |
EP3588378A1 (en) | Method for determining at least one enhanced object feature of an object of interest | |
CN111035403A (zh) | 一种扫描时机确定方法、装置、设备及存储介质 | |
CN111768391B (zh) | 一种基于ct影像的全自动心脏功能学分析方法、装置、计算机设备以及存储介质 | |
CN114708973B (zh) | 一种用于对人体健康进行评估的设备和存储介质 |
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 |