CN114677503A - 感兴趣区域检测方法、装置、计算机设备和存储介质 - Google Patents
感兴趣区域检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114677503A CN114677503A CN202210236019.0A CN202210236019A CN114677503A CN 114677503 A CN114677503 A CN 114677503A CN 202210236019 A CN202210236019 A CN 202210236019A CN 114677503 A CN114677503 A CN 114677503A
- Authority
- CN
- China
- Prior art keywords
- region
- blood vessel
- interest
- vessel image
- detection information
- 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 129
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 198
- 238000000034 method Methods 0.000 claims abstract description 47
- 230000011218 segmentation Effects 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 35
- 238000003384 imaging method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 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
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/09—Supervised learning
-
- 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
- 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
- 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30168—Image quality inspection
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)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种感兴趣区域检测方法、装置、计算机设备和存储介质。该方法通过获取扫描对象的第一血管图像，将第一血管图像输入第一确定模型，得到第一血管图像中感兴趣区域的定位结果；基于感兴趣区域的定位结果，获取扫描对象的第二血管图像；根据第二血管图像，确定感兴趣区域的检测信息。本申请提供感兴趣区域检测方法可以更加准确的对感兴趣区域的检测信息进行检测。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种感兴趣区域检测方法、装置、计算机设备、存储介质和程序产品。
背景技术
近年来，脑血管疾病的发病率和致死率在我国和时间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，头颈部血管动脉粥样硬化斑块是缺血性卒中发生的主要原因，快速准确的检测出动脉粥样硬化斑块，是医生早期干预的重要前提。
传统技术中，利用磁共振设备形成血管壁图像，通过对血管壁图像进行人工诊断以分析是否存在斑块。然而，采用人工诊断的方法存在分析周期长、分析准确率较低等问题。
发明内容
基于此，有必要针对上述技术问题，提供一种感兴趣区域检测方法、装置、计算机设备、可读存储介质和程序产品。
第一方面，本申请一个实施例提供一种感兴趣区域检测方法，包括：
获取扫描对象的第一血管图像，将第一血管图像输入第一确定模型，得到第一血管图像中感兴趣区域的定位结果；
基于感兴趣区域的定位结果，获取扫描对象的第二血管图像；
根据第二血管图像，确定感兴趣区域的检测信息。
在其中一个实施例中，根据第二血管图像，确定感兴趣区域的检测信息，包括：
将第二血管图像输入第二确定模型，得到感兴趣区域的检测信息。
在其中一个实施例中，第二确定模型包括分割模型和检测信息确定模型，将第二血管图像输入第二确定模型，得到感兴趣区域的检测信息，包括：
将第二血管图像输入分割模型，得到血管壁分割结果；
将血管壁分割结果和第二血管图像输入检测信息确定模型，得到感兴趣区域的检测信息。
在其中一个实施例中，基于感兴趣区域的定位结果，获取扫描对象的第二血管图像，包括：
根据感兴趣区域的定位结果更新用于对扫描对象成像的扫描协议；基于更新后的扫描协议获得第二血管图像。
在其中一个实施例中，第一血管图像的分辨率小于第二血管图像的分辨率。
在其中一个实施例中，感兴趣区域检测方法还包括：
将感兴趣区域的检测信息和/或感兴趣区域的定位结果输入报告模板，获取第一血管图像和第二血管图像的报告。
第二方面，本申请一个实施例提供一种感兴趣区域检测装置，包括：
第一获取模块，用于获取扫描对象的第一血管图像，将第一血管图像输入第一确定模型，得到第一血管图像中感兴趣区域的定位结果；
第二获取模块，用于基于感兴趣区域的定位结果，获取扫描对象的第二血管图像；
确定模块，用于根据第二血管图像，确定感兴趣区域的检测信息。
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。
第五方面，本申请一个实施例还提供一种计算机程序产品，包括计算机程序，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感兴趣区域检测方法、装置、计算机设备、可读存储介质和程序产品。该感兴趣区域检测方法通过获取扫描对象的第一血管图像，将第一血管图像输入第一确定模型，得到第一血管图像中感兴趣区域的定位结果；基于感兴趣区域的定位结果，获取扫描对象的第二血管图像；根据第二血管图像，确定感兴趣区域的检测信息。本申请实施例提供的感兴趣区域检测方法先通过第一确定模型确定检测对象的第一血管图像中感兴趣区域的定位结果(位置)，再根据感兴趣区域的定位结果获取检测对象小范围对应的第二血管图像，根据该第二血管图像确定感兴趣区域的检测信息，这样先确定感兴趣区域的位置，再通过感兴趣区域的位置获取小范围的第二血管图像，可以提高获取第二血管图像的效率；根据第二血管图像确定感兴趣区域的检测信息，通过两次对感兴趣区域信息的确定过程可以提高对感兴趣区域的检测信息确定的准确性。并且，本申请实施例提供的感兴趣区域检测方法无需依赖人工诊断，可以避免人工诊断存在的误差，能够提高感兴趣区域的检测信息的准确性。
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为一个实施例提供的感兴趣区域检测方法的应用环境图；
图2为一个实施例提供的感兴趣区域检测方法的步骤流程示意图；
图3为一个实施例提供的卷积神经网络的结构示意图；
图4为另一个实施例提供的卷积神经网络的结构示意图；
图5为另一个实施例提供的感兴趣区域检测方法的步骤流程示意图；
图6为另一个实施例提供的感兴趣区域检测方法的步骤流程示意图；
图7为一个实施例提供的感兴趣区域检测装置的结构示意图；
图8为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。
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。
本申请实施例提供的数据校正方法，可以应用于如图1所示的应用环境中，该应用环境包括终端100和医学扫描设备200。其中，终端100可以通过网络与医学扫描设备200进行通信。终端100可以但不限于是各种个人计算机、笔记本电脑机和平板电脑。医学扫描设备200可以但不限于是各种磁共振设备。本实施例对医学扫描设备200的具体种类不作限制。
在一个实施例中，如图2所示，提供一种感兴趣区域检测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤200、获取扫描对象的第一血管图像，将第一血管图像输入第一确定模型，得到第一血管图像中感兴趣区域的定位结果。
第一血管图像可以是使用图1中的医学扫描设备采集到并存储在终端的存储器中的。具体地，第一血管图像可以是使用磁共振设备采用扫描序列对检测对象进行扫描得到的。扫描序列可以但不限于T1，T1CE，T2，SNAP，CEMRA，TOF。终端在需要获取扫描对象的第一血管图像时，直接在存储器中获取即可。感兴趣区域是指病变区域，例如：斑块区域、动脉瘤区域和夹层区域。
终端在得到第一血管图像后，将其输入预先训练好的第一确定模型，根据第一确定模型输出第一血管图像中感兴趣区域的定位结果。也就是说，通过第一确定模型可以确定在第一血管图像中感兴趣区域的位置。
具体地，第一确定模型的训练过程可以包括：获取第一血管图像样本，将第一血管图像样本输入卷积神经网络进行训练可以得到第一确定模型。第一血管图像样本的种类与第一血管图像的种类相同。卷积神经网络结构如图3所示，卷积神经网络包括输入层Input、输出层Output和中间的多个卷积层Convolution。输入层Input和卷积层Convolution之间通过CBR+MP连接，其中，C表示卷积，B表示批标准化(BatchNormalizaton)，R表示线性修正单元Relu，MP是最大池化层(Max pooling)，卷积层Convolution和输出层Output之间包括阈值处理，关键点和区域大小输出。阈值处理是对卷积层结果进行阈值判断，关键点和区域大小描述的是感兴趣区域的检测信息，关键点是感兴趣区域的定位坐标，区域大小是感兴趣区域的累积范围。
步骤210、基于感兴趣区域的定位结果，获取扫描对象的第二血管图像。
终端在得到感兴趣区域的定位结果后，根据感兴趣区域的定位结果，即感兴趣区域在第一血管图像中的位置，获取扫描对象的第二血管图像。换句话说，终端根据感兴趣区域在第一血管图像中的位置，缩小医学扫描设备对待检测对象的扫描区域，可以得到该扫描对象的小范围对应的第二血管图像。第二血管图像可以是存储在终端的存储器中的。本实施例对获取第二血管图像的具体方法不作限制，只要能够实现其功能即可。
步骤220、根据第二血管图像，确定感兴趣区域的检测信息。
终端在得到扫描对象的第二血管图像，通过对第二血管图像中感兴趣区域进行分析，可以得到感兴趣区域的检测信息。本实施例对确定感兴趣区域的检测信息的具体方法不作限制，只要能够实现其功能即可。在感兴趣区域为斑块区域时，感兴趣区域的检测信息，即斑块的检测信息可以包括斑块的成分、斑块的稳定性和斑块的形态等。斑块的成分包括但不限于脂质、钙化、纤维帽等。斑块的稳定性是指斑块是否容易破损。斑块的形态包括但不限于大小、面积和体积。斑块的检测信息还可以包括成分占比和强化程度等。并且斑块的检测信息可以以数字量化的形式表示，比如狭窄率以0-1之间的数值来表示斑块造成堵塞的严重程度，0表示没有堵塞，1表示完全堵塞，0-1之间表示部分堵塞，随着数值增大，堵塞程度越严重。
本申请实施例提供的感兴趣区域检测方法通过获取扫描对象的第一血管图像，将第一血管图像输入第一确定模型，得到第一血管图像中感兴趣区域的定位结果；基于感兴趣区域的定位结果，获取扫描对象的第二血管图像；根据第二血管图像，确定感兴趣区域的检测信息。本申请实施例提供的感兴趣区域检测方法先通过第一确定模型确定检测对象的第一血管图像中感兴趣区域的定位结果(位置)，再根据感兴趣区域的定位结果获取检测对象小范围对应的第二血管图像，根据该第二血管图像确定感兴趣区域的检测信息，这样先确定感兴趣区域的位置，再通过感兴趣区域的位置获取小范围的第二血管图像，可以提高获取第二血管图像的效率；根据第二血管图像确定感兴趣区域的检测信息，通过两次对感兴趣区域信息的确定过程可以提高对感兴趣区域的检测信息确定的准确性。并且，本申请实施例提供的感兴趣区域检测方法无需依赖人工诊断，可以避免人工诊断存在的误差，能够提高感兴趣区域的检测信息的准确性。
在一个实施例中，涉及根据第二血管图像，确定感兴趣区域的检测信息的一种可能的实现方式，包括：
将第二血管图像输入第二确定模型，得到感兴趣区域的检测信息。
终端在得到第二血管图像后，将其输入预先训练好的第二确定模型，通过第二确定模型可以得到第二血管图像中感兴趣区域的检测信息。
具体地，第二确定模型的训练过程可以包括：获取第二血管图像样本，将第二血管图像样本输入卷积神经网络进行训练，可以得到第二确定模型。第二血管图像样本的种类与第二血管图像的种类相同。该卷积神经网络的结构如图4所示，卷积神经网络包括第一子网络41、第二子网络42和第三子网络43。第一子网络41是一个改进的V型神经网络，第一子网络41对于输入的第二血管图像进行特征提取及编码处理，得到编码特征向量；第二子网络42为连接网络，用于将编码特征向量直接输入第三子网络43，可以避免额外的处理过程，导致特征丢失，从而便于后续输出更加准确的感兴趣区域的检测信息。第三子网络43为由CBR_Conv组成的卷积网络，用于对编码特征向量进行解码处理，并输出感兴趣区域的检测信息。
在本实施例中，通过第二确定模型确定感兴趣区域的检测信息，可以提高确定感兴趣区域的检测信息的效率。
在一个实施例中，第二血管图像可以是单模态数据，也可以是多模态数据。多模态数据携带的信息较多，通过将多模态数据确定的感兴趣区域的检测信息更加准确。多模态数据可以但不限于是T1，T1CE，T2，SNAP，CEMRA，TOF等扫描序列对应的数据。
在一个实施例中，如图5所示，第二确定模型包括分割模型和检测信息确定模型，涉及将第二血管图像输入第二确定模型，得到感兴趣区域的检测信息的一种可能的实现方式，包括：
步骤500、将第二血管图像输入分割模型，得到血管壁分割结果；
第二血管图像中包括血管壁区域、血管腔区和感兴趣区域。终端将获得的第二血管图像输入预先训练好的分割模型，可以得到血管壁分割结果。也就是说，通过分割模型，可以在第二血管图像中标记出血管壁区域。
分割模型的训练过程可以包括，获取第二血管图像样本以及血管壁标记；将第二血管图像样本和血管壁标记均输入神经网络，对该神经网络进行有监督的训练，可以得到分割模型。
步骤510、将血管壁分割结果和第二血管图像输入检测信息确定模型，得到感兴趣区域的检测信息。
在血管图像中，感兴趣区域的存在会改变血管壁的形态。终端在得到血管壁分割结果后，将该血管壁分割结果和第二血管图像输入预先训练的检测信息确定模型中，通过该模型可以输出感兴趣区域的检测信息。也就是说，检测信息确定模型通过对血管壁分割结果和第二血管图像进行分析处理，可以得到感兴趣区域的检测信息。
检测信息确定模型的训练过程可以包括：获取血管壁分割结果样本和第二血管图像样本，将血管壁分割结果样本和第二血管图像样本输入神经网络进行训练，可以得到检测信息确定模型。
在本实施例中，第二确定模型包括分割模型和检测信息确定模型，先根据分割模型确定第二血管图像的血管壁分割结果；通过检测信息确定模型根据血管壁分割结果和第二血管图像确定感兴趣区域的检测信息。这样使用两个模型确定感兴趣区域的检测信息与使用复杂的算法确定感兴趣区域的检测信息相比，两个模型的处理效率和准确率较高，从而能够提高确定感兴趣区域的检测信息的效率和准确率。
在一个实施例中，如图6所示，涉及基于感兴趣区域的定位结果，获取扫描对象的第二血管图像的一种可能的实现方式，步骤包括：
步骤600、根据感兴趣区域的定位结果更新用于对扫描对象成像的扫描协议。
扫描协议是指在使用医学扫描设备对扫描对象进行扫描时设置的扫描参数。扫描协议可以包括扫描区域和扫描序列等。扫描序列包括分辨率参数的设置。本实施例对具体的扫描协议不作限制。终端在通过第一确定模型得到第一血管图像中感兴趣区域的定位结果后，可以确定感兴趣区域在第一血管图像中的位置，通过该位置可以对医学扫描设备对扫描对象进行扫描时的扫描协议进行更新。
步骤610、基于更新后的扫描协议获得第二血管图像。
终端在得到更新后的扫描协议后，将其发送给医学扫描设备，通过医学扫描设备对检测对象进行扫描可以得到第二血管图像。
具体地，终端根据第二血管图像中感兴趣区域的定位结果后，可以缩小扫描区域。也就是说，第一血管图像是使用医学扫描设备对检测对象进行大范围的扫描得到并存储在终端的存储器中的，第二血管图像是使用医学扫描设备对检测对象进行小范围的扫描得到并存储在终端的存储器中的。
在本实施例，检测对象的第二血管图像是根据基于更新后的扫描协议获取到的，即第二血管图像是对检测对象进行小范围扫描得到的，则第二血管图像中血管壁的信息更加清楚，从而便于后续根据第二血管图像，更加准确地确定感兴趣区域的检测信息。
在一个实施例中，第一血管图像的分辨率小于第二血管图像的分辨率。第一血管图像是医学扫描设备对检测对象进行大范围且低分辨率的扫描得到的，低分辨率的扫描可以在不影响通过扫描得到的第一血管图像确定感兴趣区域的定位结果的情况下，提高扫描效率。也就是说，获取低分辨率的第一血管图像的效率较快。较高分辨率的第二血管图像可以得到血管壁以及感兴趣区域的信息，从而能够提高确定感兴趣区域的检测信息的准确性。
在一个实施例中，感兴趣区域检测方法还包括：
将感兴趣区域的检测信息和/或感兴趣区域的定位结果输入报告模板，获取第一血管图像和第二血管图像的报告。
报告模板可以是由工作人员根据实际应用情况设计的。对于查看该报告的对象不同，报告模板的形式和内容也不同。具体地，面向于检测对象和面向于医护人员的报告模板不同。
终端在得到感兴趣区域的定位结果以及感兴趣区域的检测信息后，可以将感兴趣区域的定位结果和/或感兴趣区域的检测信息对应填入报告模板中，得到包括通过第一血管图像得到的信息和通过第二血管图像得到的信息的报告。也就是说，第一血管图像的报告和第二血管图像的报告中可以只包括感兴趣区域的定位结果，也可以只包括感兴趣区域的检测信息，还可以包括感兴趣区域的定位结果和感兴趣区域的检测信息。
在本实施例中，通过将感兴趣区域的定位结果和/或感兴趣区域的检测信息以报告的形式显示，可以便于医护人员或检测对象更加清楚快速的获取感兴趣区域的检测信息。并且通过本实施例提供的感兴趣区域检测方法，能够高效的完成对检测对象对应的第一血管图像和第二血管图像的检测，得到感兴趣区域的定位结果和感兴趣区域的检测信息，并将感兴趣区域的定位结果和感兴趣区域的检测信息生成报告的过程。
在一个实例中，终端在得到感兴趣区域的检测信息后，可以根据该检测信息在第二血管图像中将感兴趣区域截取出来，还可以对感兴趣区域进行三维重建，得到感兴趣区域三维图像。
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。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的感兴趣区域检测方法的感兴趣区域检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个感兴趣区域检测装置实施例中的具体限定可以参见上文中对于感兴趣区域检测方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供一种感兴趣区域检测装置10，该装置包括第一获取模块11、第二获取模块12和确定模块13。其中，
第一获取模块11用于获取扫描对象的第一血管图像，将第一血管图像输入第一确定模型，得到第一血管图像中感兴趣区域的定位结果。
第二获取模块12用于基于感兴趣区域的定位结果，获取扫描对象的第二血管图像。
确定模块13用于根据第二血管图像，确定感兴趣区域的检测信息。
在一个实施例中，确定模块13具体用于将第二血管图像输入第二确定模型，得到感兴趣区域的检测信息。
在一个实施例中，确定模块13具体还用于将第二血管图像输入分割模型，得到血管壁分割结果；将血管壁分割结果和第二血管图像输入检测信息确定模型，得到感兴趣区域的检测信息。
在一个实施例中，第二获取模块12具体用于根据感兴趣区域的定位结果更新用于对扫描对象成像的扫描协议；基于更新后的扫描协议获得第二血管图像。
在一个实施例中，第一血管图像的分辨率小于第二血管图像的分辨率。
在一个实施例中，感兴趣区域检测装置10还包括报告获取模块，报告获取模块用于将感兴趣区域的检测信息和/或感兴趣区域的定位结果输入报告模板，获取所第一血管图像和第二血管图像的报告。
上述感兴趣区域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，该计算机设备可以是终端，其内部结构图可以如图8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、通信接口、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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种感兴趣区域检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
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，该处理器执行计算机程序时实现以下步骤：
获取扫描对象的第一血管图像，将第一血管图像输入第一确定模型，得到第一血管图像中感兴趣区域的定位结果；
基于感兴趣区域的定位结果，获取扫描对象的第二血管图像；
根据第二血管图像，确定感兴趣区域的检测信息。
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：将第二血管图像输入第二确定模型，得到感兴趣区域的检测信息。
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：将第二血管图像输入分割模型，得到血管壁分割结果；将血管壁分割结果和第二血管图像输入检测信息确定模型，得到感兴趣区域的检测信息。
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：根据感兴趣区域的定位结果更新用于对扫描对象成像的扫描协议；基于更新后的扫描协议获得第二血管图像。
在一个实施例中，第一血管图像的分辨率小于第二血管图像的分辨率。
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：将感兴趣区域的检测信息和/或感兴趣区域的定位结果输入报告模板，获取第一血管图像和第二血管图像的报告。
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：
获取扫描对象的第一血管图像，将第一血管图像输入第一确定模型，得到第一血管图像中感兴趣区域的定位结果；
基于感兴趣区域的定位结果，获取扫描对象的第二血管图像；
根据第二血管图像，确定感兴趣区域的检测信息。
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：将第二血管图像输入第二确定模型，得到感兴趣区域的检测信息。
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：将第二血管图像输入分割模型，得到血管壁分割结果；将血管壁分割结果和第二血管图像输入检测信息确定模型，得到感兴趣区域的检测信息。
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：根据感兴趣区域的定位结果更新用于对扫描对象成像的扫描协议；基于更新后的扫描协议获得第二血管图像。
在一个实施例中，第一血管图像的分辨率小于第二血管图像的分辨率。
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：将感兴趣区域的检测信息和/或感兴趣区域的定位结果输入报告模板，获取第一血管图像和第二血管图像的报告。
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：
获取扫描对象的第一血管图像，将第一血管图像输入第一确定模型，得到第一血管图像中感兴趣区域的定位结果；
基于感兴趣区域的定位结果，获取扫描对象的第二血管图像；
根据第二血管图像，确定感兴趣区域的检测信息。
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：将第二血管图像输入第二确定模型，得到感兴趣区域的检测信息。
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：将第二血管图像输入分割模型，得到血管壁分割结果；将血管壁分割结果和第二血管图像输入检测信息确定模型，得到感兴趣区域的检测信息。
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：根据感兴趣区域的定位结果更新用于对扫描对象成像的扫描协议；基于更新后的扫描协议获得第二血管图像。
在一个实施例中，第一血管图像的分辨率小于第二血管图像的分辨率。
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：将感兴趣区域的检测信息和/或感兴趣区域的定位结果输入报告模板，获取第一血管图像和第二血管图像的报告。
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、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-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。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等。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 RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
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)
1.一种感兴趣区域检测方法，其特征在于，包括：
获取扫描对象的第一血管图像，将所述第一血管图像输入第一确定模型，得到所述第一血管图像中感兴趣区域的定位结果；
基于所述感兴趣区域的定位结果，获取所述扫描对象的第二血管图像；
根据所述第二血管图像，确定所述感兴趣区域的检测信息。
2.根据权利要求1所述的感兴趣区域检测方法，其特征在于，所述根据所述第二血管图像，确定所述感兴趣区域的检测信息，包括：
将所述第二血管图像输入第二确定模型，得到所述感兴趣区域的检测信息。
3.根据权利要求2所述的感兴趣区域检测方法，其特征在于，所述第二确定模型包括分割模型和检测信息确定模型，所述将所述第二血管图像输入第二确定模型，得到所述感兴趣区域的检测信息，包括：
将所述第二血管图像输入所述分割模型，得到血管壁分割结果；
将所述血管壁分割结果和所述第二血管图像输入所述检测信息确定模型，得到所述感兴趣区域的检测信息。
4.根据权利要求1所述的感兴趣区域检测方法，其特征在于，所述基于所述感兴趣区域的定位结果，获取所述扫描对象的第二血管图像，包括：
根据所述感兴趣区域的定位结果更新用于对所述扫描对象成像的扫描协议；基于更新后的扫描协议获得所述第二血管图像。
5.根据权利要求1所述的感兴趣区域检测方法，其特征在于，所述第一血管图像的分辨率小于所述第二血管图像的分辨率。
6.根据权利要求1所述的感兴趣区域检测方法，其特征在于，所述方法还包括：
将所述感兴趣区域的检测信息和/或所述感兴趣区域的定位结果输入报告模板，获取所述第一血管图像和所述第二血管图像的报告。
7.一种感兴趣区域检测装置，其特征在于，包括：
第一获取模块，用于获取扫描对象的第一血管图像，将所述第一血管图像输入第一确定模型，得到所述第一血管图像中感兴趣区域的定位结果；
第二获取模块，用于基于所述感兴趣区域的定位结果，获取扫描对象的第二血管图像；
确定模块，用于根据所述第二血管图像，确定所述感兴趣区域的检测信息。
8.一种计算机设备，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6中任一项所述的方法的步骤。
9.一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6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，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6中任一项所述的方法的步骤。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210236019.0A CN114677503A (zh) | 2022-03-10 | 2022-03-10 | 感兴趣区域检测方法、装置、计算机设备和存储介质 |
| EP23766141.8A EP4330930A1 (en) | 2022-03-10 | 2023-03-10 | Systems and methods for determining information of regions of interest |
| PCT/CN2023/080825 WO2023169564A1 (en) | 2022-03-10 | 2023-03-10 | Systems and methods for determining information of regions of interest |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210236019.0A CN114677503A (zh) | 2022-03-10 | 2022-03-10 | 感兴趣区域检测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114677503A true CN114677503A (zh) | 2022-06-28 |
Family
ID=82072210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210236019.0A Pending CN114677503A (zh) | 2022-03-10 | 2022-03-10 | 感兴趣区域检测方法、装置、计算机设备和存储介质 |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP4330930A1 (zh) |
| CN (1) | CN114677503A (zh) |
| WO (1) | WO2023169564A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023169564A1 (en) * | 2022-03-10 | 2023-09-14 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for determining information of regions of interest |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110415792A (zh) * | 2019-05-31 | 2019-11-05 | 上海联影智能医疗科技有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
| CN110852987A (zh) * | 2019-09-24 | 2020-02-28 | 西安交通大学 | 基于深形态学的血管斑块检测方法、设备及存储介质 |
| CN111833348A (zh) * | 2020-08-10 | 2020-10-27 | 上海工程技术大学 | 一种基于图像处理的血管沉积物自动检测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10163209B2 (en) * | 2016-11-23 | 2018-12-25 | Toshiba Medical Systems Corporation | Medical image processing apparatus, medical image processing method, and X-ray CT apparatus |
| CN111489353B (zh) * | 2020-05-07 | 2023-06-23 | 清华大学深圳国际研究生院 | 一种眼底图像中央凹定位方法 |
| CN112348892A (zh) * | 2020-10-29 | 2021-02-09 | 上海商汤智能科技有限公司 | 点定位方法及相关装置、设备 |
| CN114677503A (zh) * | 2022-03-10 | 2022-06-28 | 上海联影医疗科技股份有限公司 | 感兴趣区域检测方法、装置、计算机设备和存储介质 |
-
2022
- 2022-03-10 CN CN202210236019.0A patent/CN114677503A/zh active Pending
-
2023
- 2023-03-10 WO PCT/CN2023/080825 patent/WO2023169564A1/en active Application Filing
- 2023-03-10 EP EP23766141.8A patent/EP4330930A1/en active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110415792A (zh) * | 2019-05-31 | 2019-11-05 | 上海联影智能医疗科技有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
| CN110852987A (zh) * | 2019-09-24 | 2020-02-28 | 西安交通大学 | 基于深形态学的血管斑块检测方法、设备及存储介质 |
| CN111833348A (zh) * | 2020-08-10 | 2020-10-27 | 上海工程技术大学 | 一种基于图像处理的血管沉积物自动检测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023169564A1 (en) * | 2022-03-10 | 2023-09-14 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for determining information of regions of interest |
Also Published As
| Publication number | Publication date |
|---|---|
| EP4330930A1 (en) | 2024-03-06 |
| WO2023169564A1 (en) | 2023-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110428415B (zh) | 医学图像的质量评估方法、装置、设备及存储介质 | |
| CN110310256B (zh) | 冠脉狭窄检测方法、装置、计算机设备和存储介质 | |
| CN108846829B (zh) | 病变部位识别装置、计算机装置及可读存储介质 | |
| CN109961446B (zh) | Ct/mr三维图像分割处理方法、装置、设备及介质 | |
| US10810739B2 (en) | Programmatic quality assessment of images | |
| US11684333B2 (en) | Medical image analyzing system and method thereof | |
| CN115965750B (zh) | 血管重建方法、装置、计算机设备和可读存储介质 | |
| WO2021253732A1 (zh) | 医学图像的处理方法、装置、计算机设备和存储介质 | |
| CN111951276A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
| CN114627099A (zh) | 图像分割方法、装置、计算机设备、存储介质和程序产品 | |
| CN114677503A (zh) | 感兴趣区域检测方法、装置、计算机设备和存储介质 | |
| CN110244249B (zh) | 磁共振扫描方法、装置、医学扫描设备和存储介质 | |
| 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 | |
| CN111145152B (zh) | 图像检测方法、计算机设备和存储介质 | |
| CN113487581A (zh) | 胎儿头臀径自动测量方法、系统、设备及存储介质 | |
| CN113160199A (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
| CN114299055A (zh) | 血管中心线确定方法、装置、计算机设备和可读存储介质 | |
| CN115063637A (zh) | 图像分类方法、存储介质和程序产品 | |
| CN114723723A (zh) | 医学影像处理方法、计算机设备和存储介质 | |
| CN112426170A (zh) | 一种胎盘厚度确定方法、装置、设备及存储介质 | |
| CN111210414A (zh) | 医学图像分析方法、计算机设备和可读存储介质 | |
| CN118429734B (zh) | 磁共振数据分类系统 | |
| CN117788485A (zh) | 图像分割方法、装置和计算机设备 | |
| US20220334205A1 (en) | Detection of Bio-Markers in Functional MRI 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 |