CN114648514B - 一种脑动脉定位提取方法、装置、电子设备及存储介质 - Google Patents
一种脑动脉定位提取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114648514B CN114648514B CN202210327216.3A CN202210327216A CN114648514B CN 114648514 B CN114648514 B CN 114648514B CN 202210327216 A CN202210327216 A CN 202210327216A CN 114648514 B CN114648514 B CN 114648514B
- Authority
- CN
- China
- Prior art keywords
- cerebral artery
- cerebral
- artery
- determining
- topological graph
- 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
Links
- 210000001627 cerebral artery Anatomy 0.000 title claims abstract description 402
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000011218 segmentation Effects 0.000 claims abstract description 51
- 230000002490 cerebral effect Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000002792 vascular Effects 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 8
- 210000001367 artery Anatomy 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 210000004204 blood vessel Anatomy 0.000 abstract description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 4
- 210000004004 carotid artery internal Anatomy 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 210000003657 middle cerebral artery Anatomy 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 208000021910 Cerebral Arterial disease Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 210000002551 anterior cerebral artery Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000004972 left anterior cerebral artery Anatomy 0.000 description 1
- 210000004973 left posterior cerebral artery Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 210000003388 posterior cerebral artery Anatomy 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000002385 vertebral artery Anatomy 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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- 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
-
- 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
- G06T2207/30172—Centreline of tubular or elongated structure
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及图像处理技术领域，提供一种脑动脉定位提取方法、装置、电子设备及存储介质，该方法包括：确定待分析颅脑血管图像的脑动脉分割图；根据所述脑动脉分割图构建脑动脉拓扑图；确定所述脑动脉拓扑图中各脑动脉的属性信息；根据各脑动脉的属性信息在待分析颅脑血管图像中对各脑动脉进行定位并提取。本发明提供的脑动脉定位提取方法、装置、电子设备及存储介质，能够基于颅脑血管三维图像实现快速、精确从图像中定位提取脑动脉的目的。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种脑动脉定位提取方法、装置、电子设备及存储介质。
背景技术
随着人口老龄化，脑血管相关疾病如脑卒中、痴呆等疾病的发病率逐渐上升，脑血管的病理改变对相关疾病的发生和发展起到重要作用。脑动脉相关疾病的大样本定量分析可提前预测相关风险并预防和早期诊断相关疾病，达到早期治疗、改善预后的目的。现阶段脑动脉的定量分析依靠医务人员进行人工分析，医务人员获取颅脑MRA图像后，通过自身经验去辨别脑动脉的位置与名称，在手动定位的基础上对颅脑每支动脉进行手动测量，测量结果的准确性和一致性均不理想。
发明内容
针对现有技术存在的问题，本发明提供一种脑动脉定位提取方法、装置、电子设备及存储介质。
第一方面，本发明提供一种脑动脉定位提取方法，包括：
确定待分析颅脑血管图像的脑动脉分割图；
根据所述脑动脉分割图构建脑动脉拓扑图；
确定所述脑动脉拓扑图中各脑动脉的属性信息；
根据各脑动脉的属性信息在所述待分析颅脑血管图像中对各脑动脉进行定位并提取。
在一个实施例中，根据所述脑动脉分割图构建脑动脉拓扑图，包括：
确定所述脑动脉分割图中各脑动脉的中心线，所述中心线是由多个节点顺次连接的轨迹线构成；每条所述中心线的首尾两个节点是表征中心线对应的脑动脉的起止点；
基于所述脑动脉分割图中各脑动脉的中心线和中心线的起止点构建所述脑动脉拓扑图。
在一个实施例中，所述方法还包括对所述脑动脉拓扑图进行优化处理，包括：
确定所述轨迹线的长度小于第一阈值，且所述轨迹线的只有一端点仅属于自身，则从脑动脉拓扑图中去除所述轨迹线及所述端点；
确定两条轨迹线的端点均相同，若两条轨迹线的长度之差的绝对值小于第二阈值，则从脑动脉拓扑图中去除长度较大的轨迹线；若两条轨迹线的长度之差的绝对值大于第三阈值，则从脑动脉拓扑图中去除长度较小的轨迹线；
确定两条轨迹线中的一条轨迹线的两端点中仅有一个端点与另一轨迹线的一个端点相同，且所述端点只属于两条轨迹线共有，则从脑动脉拓扑图中合并两条线段并删除两个线段共有的端点；
其中，所述端点为所述节点。
在一个实施例中，确定所述脑动脉拓扑图中各脑动脉的属性信息，包括：
根据所述中心线的长度计算对应的脑动脉的长度属性；
根据所述中心线上每个节点处的动脉管的直径计算对应的脑动脉的平均直径属性；
根据所述中心线的起止点的坐标计算对应的脑动脉的起止点的绝对位置属性和相对位置属性。
在一个实施例中，根据各脑动脉的属性信息在所述待分析颅脑血管图像中对各脑动脉进行标注，包括：
将各脑动脉中任一脑动脉的属性信息与各个标准脑动脉的属性信息参考值进行比较，确定所述脑动脉与各个标准脑动脉之间的惩罚值；其中，所述标准脑动脉具有定位标识；
根据所述惩罚值确定所述脑动脉的标识。
在一个实施例中，所述标准脑动脉的属性信息参考值包括根据多个脑动脉样本各自对应的属性信息计算得到的均值和标准差，相应地，将各脑动脉中任一脑动脉的属性信息与各个标准脑动脉的属性信息参考值进行比较，确定所述脑动脉与各个标准脑动脉之间的惩罚值，包括：
根据各脑动脉中任一脑动脉的属性信息与各个标准脑动脉的属性信息参考值采用如下公式确定所述脑动脉与各个标准脑动脉之间的惩罚值；其中，所述公式包括：
其中，Sij(Aj,Aim,Ais)是惩罚值，Pk(Aj,Aim,Ais)为惩罚函数，λk为惩罚系数；
其中，Aj为所述脑动脉拓扑图中第j根脑动脉的其中一种属性；Aim为各个标准脑动脉中第i根脑动脉对应属性的均值，Ais为各个标准脑动脉中第i根脑动脉对应属性的标准差。
在一个实施例中，对定位的各脑动脉进行提取，包括：
基于所述脑动脉拓扑图中各脑动脉的标识，从待分析颅脑血管图像中裁剪出各脑动脉的三维图像。
第二方面，本发明提供一种脑动脉定位提取装置，包括：
确定模块，用于确定待分析颅脑血管图像的脑动脉分割图；
构建模块，用于根据所述脑动脉分割图构建脑动脉拓扑图；
计算模块，用于确定所述脑动脉拓扑图中各脑动脉的属性信息；
处理模块，用于根据各脑动脉的属性信息在所述待分析颅脑血管图像中对各脑动脉进行定位并提取。
第三方面，本发明提供一种电子设备，包括存储器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述脑动脉定位提取方法的步骤。
第四方面，本发明提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行第一方面所述脑动脉定位提取方法的步骤。
本发明提供的脑动脉定位提取方法、装置、电子设备及存储介质，通过基于颅脑血管图像构建脑动脉拓扑图，并在脑动脉拓扑图提取各脑动脉的属性信息，根据属性信息对颅脑血管图像中的各脑动脉进行定位提取，实现快速、精确从图像中提取脑动脉的目的。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，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是本发明提供的脑动脉获取方法的流程示意图；
图2是本发明的重采样后的颅脑血管图像的展示图；
图3是本发明的脑动脉分割图的展示图；
图4是本发明的脑动脉拓扑图的展示图；
图5-a是本发明的脑动脉拓扑图中各脑动脉的标识展示图；
图5-b是本发明的脑动脉拓扑图中各脑动脉的标识展示图；
图6是本发明的裁剪出的脑动脉展示图；
图7是本发明的脑动脉拓扑图优化示意图一；
图8是本发明的脑动脉拓扑图优化示意图二；
图9是本发明的脑动脉拓扑图优化示意图三；
图10是本发明的脑动脉拓扑图优化示意图四；
图11是本发明提供的脑动脉获取装置的结构示意图；
图12是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1-图12描述本发明的脑动脉定位提取方法、装置、电子设备及存储介质。
图1示出了本发明一种脑动脉定位提取方法的流程示意图，参见图1，该方法包括：
11、确定待分析颅脑血管图像的脑动脉分割图；
12、根据脑动脉分割图构建脑动脉拓扑图；
13、确定脑动脉拓扑图中各脑动脉的属性信息；
14、根据各脑动脉的属性信息在待分析颅脑血管图像中对各脑动脉进行定位并提取。
针对步骤11～步骤14，需要说明的是，在本发明中，MRA(Magnetic ResonanceAngiography)指磁共振血管成像。采用该MRA技术对颅脑进行图像采集，得到颅脑MRA图像，即待分析颅脑血管图像。
对采集得到的颅脑MRA图像进行三维重采样，得到重采样后分辨率较大更适合后续分析的颅脑血管图像。具体参见图2所示出的重采样后的颅脑MRA图像的展示图。
然后对重采样后的颅脑血管图像进行脑动脉分割，首先采用阈值分割法对重采样图像进行粗分割，以获得包括背景区域和血管区域的粗分割结果，然后基于背景区域、血管区域以及重采样图像中除所述背景区域和所述血管区域以外的中间区域，利用分水岭分割法对所述粗分割结果进行细分割，得到最终的脑动脉分割图。具体参见图3所示出的脑动脉分割图的展示图。
从分割图中可以看出，通常情况下，人体的主要脑动脉为9条，本发明方法对脑动脉的定位提取，实际上是要在颅脑血管图像中将各脑动脉进行1-9的编号(即标识)，1号-9号脑动脉分别为：右侧颈内动脉、左侧颈内动脉、椎动脉、右侧大脑前动脉、左侧大脑前动脉、右侧大脑中动脉、左侧大脑中动脉、右侧大脑后动脉、左侧大脑后动脉。
在得到脑动脉分割图之后，需要基于该分割图构建一个能够进行属性分析的脑动脉模型，该模型为脑动脉拓扑图。具体参见图4所示出的脑动脉拓扑图的展示图。然后在该模型上进行属性分析，从而得到脑动脉拓扑图中各脑动脉的属性信息。然后再根据各脑动脉的属性信息在待分析颅脑血管图像中对各脑动脉进行定位标识，即为各脑动脉标注上编号。具体参见图5所示出的脑动脉拓扑图中各脑动脉的标识展示图。
然后基于各脑动脉的编号，从颅脑MRA图像上将对应的脑动脉裁剪出来。裁剪出来的脑动脉可以用于后续的诊断和分析。具体参见图6所示出的裁剪出的脑动脉展示图。
本方法主要应用于对图像中各脑动脉的定位及提取，不涉及诊断过程。
本发明提及的一种脑动脉定位提取方法，通过基于颅脑血管图像构建脑动脉拓扑图，并在脑动脉拓扑图提取各脑动脉的属性信息，根据属性信息对颅脑血管图像中的各脑动脉进行定位提取，实现快速、精确从图像中提取脑动脉的目的。
在上述方法的进一步方法中，主要是对根据脑动脉分割图构建脑动脉拓扑图的处理过程进行解释说明，具体如下：
确定脑动脉分割图中各脑动脉的中心线，中心线是由多个节点顺次连接的轨迹线构成；每条中心线的首尾两个节点是表征中心线对应的脑动脉的起止点；
基于脑动脉分割图中各脑动脉的中心线和中心线的起止点构建脑动脉拓扑图。
对此，需要说明的是，在本发明中，对脑动脉分割图采用骨架提取算法得到脑动脉的中心线，中心线是由多个节点顺次连接的轨迹线构成。该中心线的首尾两个节点是该中心线的起止点，相当于脑动脉的起端和止端，然后将所有脑动脉的中心线和其两个起止点一同构成脑动脉拓扑图。
本发明进一步的方法，提取脑动脉分割图中各脑动脉的中心线，基于脑动脉分割图中各脑动脉的中心线和中心线的起止点构建脑动脉拓扑图，能够快速的构建出进行属性分析的脑动脉模型，为后续标注脑动脉提供便利条件。
在上述方法的进一步方法中，由于受脑动脉分割结果的影响，可能会造成得到的中心线上出现多余的分支(即毛刺)、环形结构以及同一段脑动脉内出现多段轨迹线的情况，为此，要对脑动脉拓扑图进行优化处理，具体如下：
确定轨迹线的长度小于第一阈值，且轨迹线的只有一端点仅属于自身，则从脑动脉拓扑图中去除轨迹线及端点；
确定两条轨迹线的端点均相同，若两条轨迹线的长度之差的绝对值小于第二阈值，则从脑动脉拓扑图中去除长度较大的轨迹线；若两条轨迹线的长度之差的绝对值大于第三阈值，则从脑动脉拓扑图中去除长度较小的轨迹线；
确定两条轨迹线中的一条轨迹线的两端点中仅有一个端点与另一轨迹线的一个端点相同，且端点只属于两条轨迹线共有，则从脑动脉拓扑图中合并两条线段并删除两个线段共有的端点；
其中，端点为节点。
下面以具体图例进行解释说明，具体如下：
参见图7，在脑动脉拓扑图中，若某个轨迹线(即所属于脑动脉上的某段动脉管)的长度小于某一阈值，且轨迹线的一个端点在拓扑图中出现一次，另一个端点属于多个轨迹线(即该端点相当于在三个轨迹线中各出现一次)，则判定该轨迹线为毛刺，即该段动脉管为整体脑动脉的毛刺，应从拓扑图中去除该轨迹线以及出现一次的那个端点，即保留另一端点在中心线上。
参见图8和图9，在拓扑图中，若出现了两条轨迹线，两条轨迹线共用两个端点，则判定这两条轨迹线所对应的动脉管形成环状结构，应予去除。若两条轨迹线的长度之差的绝对值小于某一阈值，则判定该环状结构为一个动脉管对应的两条轨迹线成环，应去除长度较大的轨迹线；若两条轨迹线的长度之差的绝对值大于某一阈值，则判定该环状结构为分割不精确导致的成环，应去除长度较小的轨迹线，保留共用的两个端点在中心线上。
参见图10，在拓扑图中，若某两条轨迹线中的一条轨迹线的两端点中有且只有一个端点和另一轨迹线的一个端点相同，且端点只属于两条轨迹线共有，则判定这两条轨迹线所对应的动脉管来自同一根脑动脉，应从拓扑图中合并两条轨迹线并两个轨迹线共有的端点。
本发明进一步的方法，通过对脑动脉拓扑图进行优化处理，使脑动脉拓扑图更加准确，为后续准确标注脑动脉提供便利条件。
在上述方法的进一步方法中，主要是对确定脑动脉拓扑图中各脑动脉的属性信息的处理过程进行解释说明，具体如下：
根据中心线的长度计算对应的脑动脉的长度属性；
根据中心线上每个节点处的动脉管的直径计算对应的脑动脉的平均直径属性；
根据中心线的起止点的坐标计算对应的脑动脉的起止点的绝对位置属性和相对位置属性。
对此，需要说明的是，在本发明中，脑动脉的属性信息包括长度属性、直径属性、脑动脉的起止点的绝对位置属性和相对位置属性。
在本发明中，脑动脉中心线位于首尾的两个节点表征脑动脉的起点和止点。由中心线的起点到止点的长度得到对应的脑动脉的长度属性。由于中心线上具有多个节点，为此，根据中心线上每个节点处的动脉管的直径计算对应的脑动脉的平均直径属性。该平均直径属性为多个节点处得到的直径的平均值。由于各起点和止点在坐标系中可以确定坐标值，为此，根据中心线的起止节点的坐标计算对应的脑动脉的起止点的绝对位置属性和相对位置属性。
本发明进一步的方法，通过基于中心线与线上节点的位置关系，进一步确定与位置关系相关联的属性信息，能够对后续确定脑动脉的位置提供帮助，有利于对脑动脉的标注。
在上述方法的进一步方法中，主要是对根据各脑动脉的属性信息在待分析颅脑血管图像中对各脑动脉进行标注的处理过程进行解释说明，具体如下：
将各脑动脉中任一脑动脉的属性信息与各个标准脑动脉的属性信息参考值息进行比较，确定脑动脉与各个标准脑动脉之间的惩罚值；其中，标准脑动脉具有定位标识；
根据惩罚值确定脑动脉的标识。
对此，需要说明的是，在本发明中，标准脑动脉具有标识，例如标准右侧颈内动脉的标识为1号脑动脉。每个标准脑动脉的属性信息参考值与待分析颅脑血管图像上脑动脉的属性信息进行比较，目的是判断某个脑动脉更趋向于哪一个标准脑动脉。在本发明中，判断某个脑动脉更趋向于哪一个标准脑动脉是基于脑动脉与各个标准脑动脉之间的惩罚值。
在本发明中，可以将最小惩罚值对应的标准脑动脉的标识作为某个脑动脉的标识。
在上述方法的进一步方法中，标准脑动脉的属性信息参考值包括根据多个脑动脉样本各自对应的属性信息计算得到的均值和标准差，相应地，将各脑动脉中任一脑动脉的属性信息与各个标准脑动脉的属性信息参考值进行比较，确定所述脑动脉与各个标准脑动脉之间的惩罚值，包括：
根据各脑动脉中任一脑动脉的属性信息与各个标准脑动脉的属性信息参考值采用以下公式确定所述脑动脉与各个标准脑动脉之间的惩罚值；其中，所述惩罚公式包括：
其中，Sij(Aj,Aim,Ais)是惩罚值，Pk(Aj,Aim,Ais)为惩罚函数，λk为惩罚系数；
其中，Aj为所述脑动脉拓扑图中第j根脑动脉的其中一属性；Aim为各个标准脑动脉中第i根脑动脉对应属性的均值，Ais为各个标准脑动脉中第i根脑动脉对应属性的标准差。
本发明进一步的方法，通过将各脑动脉与各标准脑动脉的惩罚值作比较，判断各个脑动脉更匹配的标准脑动脉，从而得到对应的标识。
在上述方法的进一步方法中，对定位的各脑动脉进行提取，包括：
基于脑动脉拓扑图中各脑动脉的标识，从待分析颅脑图像中裁剪出各脑动脉的三维图像。
下面对本发明提供的脑动脉定位提取装置进行描述，下文描述的脑动脉获取装置与上文描述的脑动脉获取方法可相互对应参照。
图11示出了本发明提供的一种脑动脉获取装置的结构示意图，参见图11，该装置包括确定模块111、构建模块112、计算模块113和处理模块114，其中
确定模块111，用于确定待分析颅脑血管图像的脑动脉分割图；
构建模块112，用于根据脑动脉分割图构建脑动脉拓扑图；
计算模块113，用于确定脑动脉拓扑图中各脑动脉的属性信息；
处理模块114，用于根据各脑动脉的属性信息在待分析颅脑血管图像中对各脑动脉进行定位并提取。
在上述装置的进一步装置中，该构建模块具体用于：
确定所述脑动脉分割图中各脑动脉的中心线，所述中心线是由多个节点顺次连接的轨迹线构成；每条所述中心线的首尾两个节点是表征中心线对应的脑动脉的起止点；
基于所述脑动脉分割图中各脑动脉的中心线和中心线的起止点构建所述脑动脉拓扑图。
在上述装置的进一步装置中，该构建模块还用于对所述脑动脉拓扑图进行优化处理，具体为：
确定所述轨迹线的长度小于第一阈值，且所述轨迹线的只有一端点仅属于自身，则从脑动脉拓扑图中去除所述轨迹线及所述端点；
确定两条轨迹线的端点均相同，若两条轨迹线的长度之差的绝对值小于第二阈值，则从脑动脉拓扑图中去除长度较大的轨迹线；若两条轨迹线的长度之差的绝对值大于第三阈值，则从脑动脉拓扑图中去除长度较小的轨迹线；
确定两条轨迹线中的一条轨迹线的两端点中仅有一个端点与另一轨迹线的一个端点相同，且所述端点只属于两条轨迹线共有，则从脑动脉拓扑图中合并两条线段并删除两个线段共有的端点；
其中，所述端点为所述节点。
在上述装置的进一步装置中，该计算模块具体用于：
根据所述中心线的长度计算对应的脑动脉的长度属性；
根据所述中心线上每个节点处的动脉管的直径计算对应的脑动脉的平均直径属性；
根据所述中心线的起止点的坐标计算对应的脑动脉的起止点的绝对位置属性和相对位置属性。
在上述装置的进一步装置中，该处理模块具体用于：
将各脑动脉中任一脑动脉的属性信息与各个标准脑动脉的属性信息参考值进行比较，确定所述脑动脉与各个标准脑动脉之间的惩罚值；其中，所述标准脑动脉具有定位标识；
根据所述惩罚值确定所述脑动脉的标识。
在上述装置的进一步装置中，所述标准脑动脉的惩罚信息包括根据多个脑动脉样本各自对应的属性信息计算得到的均值和标准差，相应地，该处理模块在将各脑动脉中任一脑动脉的属性信息与各个标准脑动脉的属性信息参考值进行比较，确定所述脑动脉与各个标准脑动脉之间的惩罚值的处理过程中，具体用于：
根据各脑动脉中任一脑动脉的属性信息与各个标准脑动脉的属性信息参考值采用如下公式确定所述脑动脉与各个标准脑动脉之间的惩罚值；其中，所述惩罚公式包括：
其中，Sij(Aj,Aim,Ais)是惩罚值，Pk(Aj,Aim,Ais)为惩罚函数，λk为惩罚系数；
其中，Aj为所述脑动脉拓扑图中第j根脑动脉的其中一种属性；Aim为各个标准脑动脉中第i根脑动脉对应属性的均值，Ais为各个标准脑动脉中第i根脑动脉对应属性的标准差。
该处理模块在对定位的各脑动脉进行裁剪的处理过程中，具体用于：
基于所述脑动脉拓扑图中各脑动脉的标识，从待分析颅脑图像中裁剪出各脑动脉的三维图像。
由于本发明实施例所述装置与上述实施例所述方法的原理相同，对于更加详细的解释内容在此不再赘述。
需要说明的是，本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模。
本发明提供的脑动脉定位提取装置，通过基于颅脑血管图像构建脑动脉拓扑图，并在脑动脉拓扑图提取各脑动脉的属性信息，根据属性信息对颅脑血管图像中的各脑动脉进行定位提取，实现快速、精确从图像中提取脑动脉的目的。
图12示例了一种电子设备的实体结构示意图，如图12所示，该电子设备可以包括：处理器(processor)121、通信接口(Communication Interface)122、存储器(memory)123和通信总线124，其中，处理器121，通信接口122，存储器123通过通信总线124完成相互间的通信。处理器121可以调用存储器123中的计算机程序，以执行脑动脉定位提取方法的步骤，例如包括：确定待分析颅脑血管图像的脑动脉分割图；根据脑动脉分割图构建脑动脉拓扑图；确定脑动脉拓扑图中各脑动脉的属性信息；根据各脑动脉的属性信息在待分析颅脑血管图像中对各脑动脉进行定位并提取。
此外，上述的存储器123中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的脑动脉定位提取方法，该方法包括：确定待分析颅脑血管图像的脑动脉分割图；根据脑动脉分割图构建脑动脉拓扑图；确定脑动脉拓扑图中各脑动脉的属性信息；根据各脑动脉的属性信息在待分析颅脑血管图像中对各脑动脉进行定位并提取。
另一方面，本申请实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述各实施例提供的脑动脉定位提取方法，例如包括：确定待分析颅脑血管图像的脑动脉分割图；根据脑动脉分割图构建脑动脉拓扑图；确定脑动脉拓扑图中各脑动脉的属性信息；根据各脑动脉的属性信息在待分析颅脑血管图像中对各脑动脉进行定位并提取。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种脑动脉定位提取方法，其特征在于，包括：
确定待分析颅脑血管图像的脑动脉分割图；
根据所述脑动脉分割图构建脑动脉拓扑图；
确定所述脑动脉拓扑图中各脑动脉的属性信息；
根据各脑动脉的属性信息在待分析颅脑血管图像中对各脑动脉进行定位并提取；
根据所述脑动脉分割图构建脑动脉拓扑图，包括：
确定所述脑动脉分割图中各脑动脉的中心线，所述中心线是由多个节点顺次连接的轨迹线构成；每条所述中心线的首尾两个节点是表征中心线对应的脑动脉的起止点；
基于所述脑动脉分割图中各脑动脉的中心线和中心线的起止点构建所述脑动脉拓扑图；
所述方法还包括对所述脑动脉拓扑图进行优化处理，包括：
确定所述轨迹线的长度小于第一阈值，且所述轨迹线只有一端点仅属于自身，则从脑动脉拓扑图中去除所述轨迹线及所述端点；
确定两条轨迹线的端点均相同，若两条轨迹线的长度之差的绝对值小于第二阈值，则从脑动脉拓扑图中去除长度较大的轨迹线；若两条轨迹线的长度之差的绝对值大于第三阈值，则从脑动脉拓扑图中去除长度较小的轨迹线；
确定两条轨迹线中的一条轨迹线的两端点中仅有一个端点与另一轨迹线的一个端点相同，且所述端点只属于两条轨迹线共有，则从脑动脉拓扑图中合并两条轨迹线并删除两条轨迹线共有的端点；
其中，所述端点为所述节点。
2.根据权利要求1中所述的方法，其特征在于，确定所述脑动脉拓扑图中各脑动脉的属性信息，包括：
根据所述中心线的长度计算对应的脑动脉的长度属性；
根据所述中心线上每个节点处的动脉管的直径计算对应的脑动脉的平均直径属性；
根据所述中心线的起止点的坐标计算对应的脑动脉的起止点的绝对位置属性和相对位置属性。
3.根据权利要求2所述的方法，其特征在于，根据各脑动脉的属性信息在所述待分析颅脑血管图像中对各脑动脉进行标注，包括：
将各脑动脉中任一脑动脉的属性信息与各个标准脑动脉的属性信息参考值进行比较，确定所述脑动脉与各个标准脑动脉之间的惩罚值；其中，所述标准脑动脉具有定位标识；
根据所述惩罚值确定所述脑动脉的标识。
4.根据权利要求3所述的方法，其特征在于，所述标准脑动脉的属性信息参考值包括根据多个脑动脉样本各自对应的属性信息计算得到的均值和标准差，相应地，将各脑动脉中任一脑动脉的属性信息与各个标准脑动脉的属性信息参考值进行比较，确定所述脑动脉与各个标准脑动脉之间的惩罚值，包括：
根据各脑动脉中任一脑动脉的属性信息与各个标准脑动脉的属性信息参考值采用如下公式确定所述脑动脉与各个标准脑动脉之间的惩罚值；其中，所述公式包括：
其中，Sij(Aj,Aim,Ais)是惩罚值，Pk(Aj,Aim,Ais)为惩罚函数，λk为惩罚系数；
其中，Aj为所述脑动脉拓扑图中第j根脑动脉的其中一种属性；Aim为各个标准脑动脉中第i根脑动脉对应属性的均值，Ais为各个标准脑动脉中第i根脑动脉对应属性的标准差。
5.根据权利要求4所述的方法，其特征在于，对定位的各脑动脉进行提取，包括：
基于所述脑动脉拓扑图中各脑动脉的标识，从待分析颅脑血管图像中裁剪出各脑动脉的三维图像。
6.一种脑动脉定位提取装置，其特征在于，包括：
确定模块，用于确定待分析颅脑血管图像的脑动脉分割图；
构建模块，用于根据所述脑动脉分割图构建脑动脉拓扑图；
计算模块，用于确定所述脑动脉拓扑图中各脑动脉的属性信息；
处理模块，用于根据各脑动脉的属性信息在所述待分析颅脑血管图像中对各脑动脉进行定位并提取；
构建模块具体用于：
确定所述脑动脉分割图中各脑动脉的中心线，所述中心线是由多个节点顺次连接的轨迹线构成；每条所述中心线的首尾两个节点是表征中心线对应的脑动脉的起止点；
基于所述脑动脉分割图中各脑动脉的中心线和中心线的起止点构建所述脑动脉拓扑图；
构建模块还用于对所述脑动脉拓扑图进行优化处理，具体为：
确定所述轨迹线的长度小于第一阈值，且所述轨迹线的只有一端点仅属于自身，则从脑动脉拓扑图中去除所述轨迹线及所述端点；
确定两条轨迹线的端点均相同，若两条轨迹线的长度之差的绝对值小于第二阈值，则从脑动脉拓扑图中去除长度较大的轨迹线；若两条轨迹线的长度之差的绝对值大于第三阈值，则从脑动脉拓扑图中去除长度较小的轨迹线；
确定两条轨迹线中的一条轨迹线的两端点中仅有一个端点与另一轨迹线的一个端点相同，且所述端点只属于两条轨迹线共有，则从脑动脉拓扑图中合并两条线段并删除两个线段共有的端点；
其中，所述端点为所述节点。
7.一种电子设备，包括处理器和存储有计算机程序的存储器，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5任一项所述脑动脉定位提取方法的步骤。
8.一种处理器可读存储介质，其特征在于，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行权利要求1至5任一项所述脑动脉定位提取方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210327216.3A CN114648514B (zh) | 2022-03-30 | 2022-03-30 | 一种脑动脉定位提取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210327216.3A CN114648514B (zh) | 2022-03-30 | 2022-03-30 | 一种脑动脉定位提取方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114648514A CN114648514A (zh) | 2022-06-21 |
| CN114648514B true CN114648514B (zh) | 2022-11-29 |
Family
ID=81995932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210327216.3A Active CN114648514B (zh) | 2022-03-30 | 2022-03-30 | 一种脑动脉定位提取方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114648514B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116919465B (zh) * | 2023-07-05 | 2024-03-22 | 中国人民解放军总医院第一医学中心 | 一种颞浅动脉手指触摸辅助定位数据分析方法及装置 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102782719A (zh) * | 2009-11-27 | 2012-11-14 | 道格微系统有限公司 | 用于确定管状结构的拓扑支撑的评估的方法和系统及其在虚拟内窥镜检查中的使用 |
| CN103886599A (zh) * | 2014-03-26 | 2014-06-25 | 北京工业大学 | 一种基于血管内超声图像的血管roi分割方法 |
| CN106572839A (zh) * | 2014-07-02 | 2017-04-19 | 国家科研中心 | 用于大脑的功能性成像的方法和装置 |
| CN106887000A (zh) * | 2017-01-23 | 2017-06-23 | 上海联影医疗科技有限公司 | 医学图像的网格化处理方法及其系统 |
| CN109410220A (zh) * | 2018-10-16 | 2019-03-01 | 腾讯科技（深圳）有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
| CN109924956A (zh) * | 2019-04-19 | 2019-06-25 | 广州新脉科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及装置 |
| CN112037168A (zh) * | 2020-07-23 | 2020-12-04 | 上海交通大学附属第六人民医院 | 一种血管检测方法、装置以及计算机存储介质 |
| CN112330684A (zh) * | 2020-11-23 | 2021-02-05 | 腾讯科技（深圳）有限公司 | 对象分割方法、装置、计算机设备及存储介质 |
| CN112700421A (zh) * | 2021-01-04 | 2021-04-23 | 推想医疗科技股份有限公司 | 冠脉图像分类方法及装置 |
| CN112734785A (zh) * | 2021-01-28 | 2021-04-30 | 依未科技(北京)有限公司 | 亚像素级眼底血管边界确定的方法、装置、介质和设备 |
| CN113129301A (zh) * | 2021-05-11 | 2021-07-16 | 首都医科大学附属北京天坛医院 | 一种颅内动脉瘤手术规划的预测方法、装置以及设备 |
| CN113379679A (zh) * | 2021-05-14 | 2021-09-10 | 中国科学院深圳先进技术研究院 | 脑动脉波强度和波功率的测量方法、终端设备及存储介质 |
| CN114066969A (zh) * | 2021-04-23 | 2022-02-18 | 数坤(北京)网络科技股份有限公司 | 一种医学图像分析方法以及相关产品 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8023709B2 (en) * | 2006-11-24 | 2011-09-20 | General Electric Company | Vasculature partitioning methods and apparatus |
| CN106682636B (zh) * | 2016-12-31 | 2020-10-16 | 上海联影医疗科技有限公司 | 血管提取方法及其系统 |
| KR101754291B1 (ko) * | 2017-04-04 | 2017-07-06 | 이현섭 | 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법 |
| CN110189306B (zh) * | 2019-05-14 | 2021-02-19 | 上海联影智能医疗科技有限公司 | 脑图像中异常区域对应的责任血管确定方法和设备 |
| CN110353639B (zh) * | 2019-07-16 | 2022-04-01 | 脑玺(上海)智能科技有限公司 | 一种基于血管增强造影的供血区定量方法及系统 |
| US11229367B2 (en) * | 2019-07-18 | 2022-01-25 | Ischemaview, Inc. | Systems and methods for analytical comparison and monitoring of aneurysms |
| CN111489360A (zh) * | 2020-03-18 | 2020-08-04 | 上海商汤智能科技有限公司 | 一种图像分割方法及相关设备 |
| CN111544004A (zh) * | 2020-05-15 | 2020-08-18 | 中国科学院自动化研究所 | 脑卒中患者运动功能检测系统、方法、装置 |
-
2022
- 2022-03-30 CN CN202210327216.3A patent/CN114648514B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102782719A (zh) * | 2009-11-27 | 2012-11-14 | 道格微系统有限公司 | 用于确定管状结构的拓扑支撑的评估的方法和系统及其在虚拟内窥镜检查中的使用 |
| CN103886599A (zh) * | 2014-03-26 | 2014-06-25 | 北京工业大学 | 一种基于血管内超声图像的血管roi分割方法 |
| CN106572839A (zh) * | 2014-07-02 | 2017-04-19 | 国家科研中心 | 用于大脑的功能性成像的方法和装置 |
| CN106887000A (zh) * | 2017-01-23 | 2017-06-23 | 上海联影医疗科技有限公司 | 医学图像的网格化处理方法及其系统 |
| CN109410220A (zh) * | 2018-10-16 | 2019-03-01 | 腾讯科技（深圳）有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
| CN109924956A (zh) * | 2019-04-19 | 2019-06-25 | 广州新脉科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及装置 |
| CN112037168A (zh) * | 2020-07-23 | 2020-12-04 | 上海交通大学附属第六人民医院 | 一种血管检测方法、装置以及计算机存储介质 |
| CN112330684A (zh) * | 2020-11-23 | 2021-02-05 | 腾讯科技（深圳）有限公司 | 对象分割方法、装置、计算机设备及存储介质 |
| CN112700421A (zh) * | 2021-01-04 | 2021-04-23 | 推想医疗科技股份有限公司 | 冠脉图像分类方法及装置 |
| CN112734785A (zh) * | 2021-01-28 | 2021-04-30 | 依未科技(北京)有限公司 | 亚像素级眼底血管边界确定的方法、装置、介质和设备 |
| CN114066969A (zh) * | 2021-04-23 | 2022-02-18 | 数坤(北京)网络科技股份有限公司 | 一种医学图像分析方法以及相关产品 |
| CN113129301A (zh) * | 2021-05-11 | 2021-07-16 | 首都医科大学附属北京天坛医院 | 一种颅内动脉瘤手术规划的预测方法、装置以及设备 |
| CN113379679A (zh) * | 2021-05-14 | 2021-09-10 | 中国科学院深圳先进技术研究院 | 脑动脉波强度和波功率的测量方法、终端设备及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| Topology and hemodynamics of the cortical cerebrovascular system;Sven Hirsch 等;《J Cereb Blood Flow Metab》;20120630;952-967 * |
| 精神分裂症幻听的神经影像学基础 ——基于功能磁共振成像的多模态研究;崔龙彪;《中国博士学位论文全文数据库 医药卫生科技辑》;20180215;E071-9 * |
| 胎头与骨盆关系定量监测及其三维显示技术的研究;陈琪儒;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170215;I138-2780 * |
| 脑动脉狭窄程度与老年认知功能障碍的相关性研究;徐贤 等;《中国煤炭工业医学杂志》;20211015;480-484 * |
| -脑动脉瘤血管支架的结构设计及其血流场分析;刘小月;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20180115;E070-150 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114648514A (zh) | 2022-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Development of a quantitative intracranial vascular features extraction tool on 3 D MRA using semiautomated open‐curve active contour vessel tracing | |
| CN108038848B (zh) | 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 | |
| CN111145206B (zh) | 肝脏图像分割质量评估方法、装置及计算机设备 | |
| CN112884826B (zh) | 血管中心线的提取方法及装置 | |
| CN109615642B (zh) | 一种放疗计划中的危及器官自动勾画方法及装置 | |
| CN111681226A (zh) | 基于血管识别的目标组织定位方法和装置 | |
| CN111696089A (zh) | 一种动静脉确定方法、装置、设备和存储介质 | |
| CN114119602B (zh) | 对医学图像进行对象分析的方法、装置和存储介质 | |
| WO2022127783A1 (zh) | 一种基于血管分支配准的冠状动脉三维重建方法及系统 | |
| JP6713690B2 (ja) | 血管形状構築装置、その方法及びコンピュータソフトウエアプログラム | |
| KR20190084380A (ko) | 2차원 x-선 조영영상의 혈관 구조 추출 방법, 이를 수행하기 위한 기록매체 및 장치 | |
| CN113298831B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
| CN114648514B (zh) | 一种脑动脉定位提取方法、装置、电子设备及存储介质 | |
| CN110349143B (zh) | 一种确定管状组织感兴趣区的方法、装置、设备及介质 | |
| CN111178420B (zh) | 一种二维造影图像上冠脉段标注方法及系统 | |
| CN111063018A (zh) | 一种基于深度学习的血管内超声图像三维重建方法及系统 | |
| CN114419047B (zh) | 用于确定血管形态特征的方法、装置、设备和存储介质 | |
| CN114155193B (zh) | 一种基于特征强化的血管分割方法及装置 | |
| CN115311193A (zh) | 一种基于双重注意力机制的异常脑图像分割方法及系统 | |
| CN112733953A (zh) | 基于Non-local CNN-GCN和拓扑子图的肺CT图像动静脉血管分离方法 | |
| CN109875595B (zh) | 一种颅内血管状态检测方法及装置 | |
| CN115409859A (zh) | 冠状动脉血管图像分割方法及装置、存储介质和终端 | |
| CN114897904B (zh) | 基于mra序列图像确定血流储备分数的方法及装置 | |
| CN114119645B (zh) | 一种图像分割质量的确定方法、系统、设备及介质 | |
| CN115908418A (zh) | 一种主动脉ct图像中心线确定方法、系统、设备及介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |