CN114723739B - 一种基于cta影像的血管分段模型训练数据标注方法及装置 - Google Patents
一种基于cta影像的血管分段模型训练数据标注方法及装置 Download PDFInfo
- Publication number
- CN114723739B CN114723739B CN202210502553.1A CN202210502553A CN114723739B CN 114723739 B CN114723739 B CN 114723739B CN 202210502553 A CN202210502553 A CN 202210502553A CN 114723739 B CN114723739 B CN 114723739B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- segmentation
- mask
- pure
- image data
- 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
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
- G06T7/11—Region-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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T2207/20—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于CTA影像的血管分段模型训练数据标注方法及装置,该方法包括颅骨分割步骤、血管组织分割步骤、钙化分割步骤、血管分段步骤。本申请严格限制各层(即颅骨、血管、钙化斑块)之间的标注顺序,即下一层对象的标注,必须在上一次对象标注完成之后才能开始。能够让专业医生只需参与到训练数据中重难点内容的审核中,其他简单内容可以让普通医生审核;同时还提升了去除颅骨的精度,提升最终血管分段分割的精度。
Description
技术领域
本发明涉及医学影像处理技术领域,特别涉及一种基于CTA影像的血管分段模型训练数据标注方法、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
头颈部CTA(计算机断层扫描血管造影术)常用于血管堵塞、畸型或软斑等脑血管疾病检查,具备较强的时间和空间的屏幕分辨率,能多方位地对脑部血管开展合理的观查。脑血管重建需要对动脉血管进行精准分割。受颅骨、造影剂浓度以及病变的影响,全自动分割算法稳定性较差;而半自动分割算法需要人工干预,效率降低。AI算法能弥补上述缺点,但是迎来一个新的问题-训练集Label标注。肿瘤病变标注往往形状简单、数量少,而头颈部血管脉络复杂、数量多且半径小,标注难度极大。由于阅读头颈部医学影像并进行各种组织的区分对操作人员的专业性要求很高,纯人工标注一般由经验丰富的医生来操作,一例完整的头颈CTA动脉血管标注,需要耗费医生数小时的时间,所以当需要对大量头颈CTA动脉血管标注时,就需要占用专业医生大量的时间,而影响医生正常开展业务。
综上,直接标记血管工作量极大,尤其是颅内复杂血管网。因此现有技术中选择先由传统算法获得初始血管分割结果,在此基础上进行人为修正,即半自动标注。但传统血管分割算法不能很好的处理颅骨-钙化斑块(钙化斑块属于重要信息同时也是血管的一部分)的关系,所以一般需要先去除颅骨再进行血管分割。经检索,授权公告号为CN113205508B的中国专利公开的一种基于影像数据的分割方法,其背景技术介绍了现有的去除颅骨的方法并在发明内容中提出了对现有去除颅骨方法的改进方案,同时其还公开了半自动标注钙化组织的方案。
发明人研究发现,上述现有技术方案至少存在以下不足:
1、在半自动标注过程中,仍然需要专业医生全程参与到每张医学影像标签的审核,占用专业医生大量时间。
2、上述现有技术仍然是使用传统算法(例如阈值分割)来去除颅骨(即剔除骨组织),最终分割的精度仍然有待提高。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供一种基于CTA影像的血管分段模型训练数据标注方法及装置,能够让专业医生只需参与到训练数据中重难点内容的审核中,其他简单内容可以让普通医生审核;同时还提升了去除颅骨的精度,提升最终血管分段分割的精度。
第一方面,本发明提供一种基于CTA影像的血管分段模型训练数据标注方法,包括:
颅骨分割步骤:获取待处理的CTA影像数据并对所述CTA影像数据进行去骨处理得到颅骨掩膜;基于人工对所述颅骨掩膜的修改操作得到颅骨标签并基于所述颅骨标签训练得到颅骨分割模型;
血管组织分割步骤:基于所述颅骨分割模型对所述CTA影像数据进行去骨处理并对去骨处理后的CTA影像数据进行血管组织分割得到血管组织掩膜;基于人工对所述血管组织掩膜的修改操作得到血管组织标签并基于所述血管组织标签训练得到血管组织分割模型;其中,所述血管组织掩膜包括纯血管和钙化斑;
钙化分割步骤:基于所述血管组织分割模型对所述CTA影像数据进行血管组织分割得到血管组织影像数据并对所述血管组织影像数据进行分割得到纯血管掩膜和钙化斑块掩膜;基于人工对所述纯血管掩膜和钙化斑块掩膜的修改操作得到纯血管标签和钙化斑块标签并基于所述纯血管标签和钙化斑块标签共同训练得到纯血管分割模型;
血管分段步骤:基于所述纯血管分割模型对所述CTA影像数据进行纯血管分割得到纯血管影像数据并基于所述纯血管影像数据对纯血管进行血管分段,根据血管分段结果对所述纯血管标签重新赋予血管分段标签得到血管分段数据;基于人工对所述血管分段数据的修改操作得到血管分段标签,以便基于所述血管分段标签训练得到血管分段模型。
第二方面,本发明提供一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明第一方面所述的基于CTA影像的血管分段模型训练数据标注方法。
第三方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如本发明第一方面所述的基于CTA影像的血管分段模型训练数据标注方法。
第四方面,本发明提供一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现如本发明第一方面所述的基于CTA影像的血管分段模型训练数据标注方法。
相较于现有技术,本发明提供的一种基于CTA影像的血管分段模型训练数据标注方法,至少具有如下的有益效果:
1、在血管分段模型训练数据的半自动标注中,先利用已有算法或者模型粗略地限定待标注对象(颅骨、血管、钙化斑块)的范围,即得到掩膜(mask、轮廓数据),再通过人工简单修改即可得到标签,可以提高标注效率。
2、由于一张血管颈椎CTA影像中存在多个对象(颅骨、血管、钙化斑块),不同的对象可以由不同的人分别进行标注,加快标注效率。
3、由于医学影像的复杂性导致其标注工作并非任何普通大众均可胜任,所以为了让专业性没那么强的普通医生或者实习生也参与到标注中,本申请严格限制各层(即颅骨、血管、钙化斑块)之间的标注顺序,即下一层对象的标注,必须在上一次对象标注完成之后才能开始。这就使得可以让专家(专业医生)只标注最难的部分,并且在专家完成标注之后可以去开展别的业务,下一层的普通大众(专业性不强)只需要对其他较简单的对象开始标注,由于最难部分由专家完成,所以在普通大众参与标注时确保最终的精度。并且专家标注时,下一层的标注数据都是来自于上层的标注结果,也可以对上一层标注结果进行检查判断,能够在标注过程中就发现问题,而不必等到全部标注完才发现问题,提高标注效率。
4、考虑到颅内复杂血管网,并且头颈部CTA影像中除了血管之外的其他组织会给图像分割算法带来干扰,本发明中每一层都需要依赖于上一层生成的人工标注训练得到的模型来为本层生成mask(掩膜)的分割算法提供输入数据,其中各模型的作用是剔除掩膜生成算法输入数据中的干扰数据,由于人工标注能够更准确的识别并剔除干扰数据,本发明能够提高分割算法生成mask的精度。
5、由于本申请中取出颅骨的颅骨分割模型是由经过专家参与的标注数据训练得到的,并且是对训练集与预测集为同一张影像数据,所以精度相较于传统阈值分割算法更高。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
下面结合附图和实施例对本发明进一步地说明;
图1为一个实施例中基于CTA影像的血管分段模型训练数据标注方法的流程示意图。
图2为一个实施例中的原始CTA重建图。
图3为一个实施例中的颅骨重建图。
图4为一个实施例中的原始血管组织重建图。
图5为一个实施例中的纯血管重建图。
图6为一个实施例中的血管分段重建图。
图7为一个实施例中基于CTA影像的血管分段模型训练数据标注方法的流程示意图。
图8为一个实施例中对分段血管标记颜色的原理示意图。
图9为一个实施例中计算机设备的结构框图。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
下面,将通过几个具体的实施例对本发明实施例提供的基于CTA影像的血管分段模型训练数据标注方法进行详细介绍和说明。
如图1所示,在一个实施例中,提供了一种基于CTA影像的血管分段模型训练数据标注方法。本实施例主要以该方法应用于计算机设备来举例说明。
参照图1,该基于CTA影像的血管分段模型训练数据标注方法具体包括如下步骤:
步骤S102,颅骨分割步骤:获取待处理的CTA影像数据并对所述CTA影像数据进行去骨处理得到颅骨掩膜;基于人工对所述颅骨掩膜的修改操作得到颅骨标签并基于所述颅骨标签训练得到颅骨分割模型。
在步骤S102中,对所述CTA影像数据进行去骨处理得到颅骨掩膜,具体包括:
获取与所述CTA影像数据和对应的NCCT影像数据;
利用CTA影像数据与CTA影像数据进行做差处理得到颅骨掩膜。
步骤S104,血管组织分割步骤:基于所述颅骨分割模型对所述CTA影像数据进行去骨处理并对去骨处理后的CTA影像数据进行血管组织分割得到血管组织掩膜;基于人工对所述血管组织掩膜的修改操作得到血管组织标签并基于所述血管组织标签训练得到血管组织分割模型;其中,所述血管组织掩膜包括纯血管和钙化斑。
在步骤S104中,对去骨处理后的CTA影像数据进行血管分割得到血管组织掩膜,具体包括:
步骤S1041,基于聚类算法分割得到所述去骨处理后的CTA影像数据中血管组织对应的区域;
步骤S1042,在血管组织对应的区域中定位动脉弓位置并将其作为种子点,结合区域生长算法与随机游走算法得到分割后的血管初始掩膜;
步骤S1043,利用活动轮廓模型对血管初始掩膜进行处理得到血管组织掩膜。
可以理解的是,在步骤S104中,现有的聚类算法对图像进行分割得到所述去骨处理后的CTA影像数据中血管组织对应的区域时,其原理是根据图像的灰度值或者边缘或者颜色直方图统计等进行运算,很明显图像中存在的内容(如颅骨部分)越多对分割的准确度影响越大(即干扰),换句话说在图像中的颅骨部分会一定程度影响到传统聚类算法的分割结果。而传统的方法毕竟无法准确的从图像中去除颅骨部分。在步骤S104中,利用颅骨分割模型对所述CTA影像数据进行去骨处理,由于颅骨分割模型是在步骤S102中通过人工审核之后的数据进行训练得到的,人工参与标注得到的颅骨部分训练数据的精度相较于传统算法分割颅骨部分的精度高,所以在步骤S104中得到的去骨处理后的CTA影像数据能够高精度的去除对于分割血管组织掩膜存在干扰的数据,从而提高得到血管组织掩膜的精度,降低人工对血管组织掩膜的修改操作得到血管组织标签的成本。
需要说明的是,如何在血管组织对应的区域中定位动脉弓位置并将其作为种子点,结合区域生长算法与随机游走算法得到分割后的血管初始掩膜属于现有技术,例如可以参照公告号为CN103793910B的中国专利提供的一种非均一性医学图像的分割方法来实现,此处不再赘述。
步骤S106,钙化分割步骤:基于所述血管组织分割模型对所述CTA影像数据进行血管组织分割得到血管组织影像数据并对所述血管组织影像数据进行分割得到纯血管掩膜和钙化斑块掩膜;基于人工对所述纯血管掩膜和钙化斑块掩膜的修改操作得到纯血管标签和钙化斑块标签并基于所述纯血管标签和钙化斑块标签共同训练得到纯血管分割模型。
在步骤S106中,对所述血管组织影像数据进行分割得到纯血管掩膜和钙化斑块掩膜,具体包括:
步骤S1061,对血管组织影像数据进行统计得到的灰度分布直方图;
步骤S1062,对所述灰度分布直方图构建高斯混合模型;
步骤S1063,根据所述灰度分布直方图确定纯血管和钙化斑块二者的灰度阈值;
步骤S1064,采用二者的灰度阈值分割得到纯血管掩膜和钙化斑块掩膜。
可以理解的是,在步骤S106中,现有的聚类算法对图像进行分割得到纯血管掩膜和钙化斑块掩膜时,其原理是根据图像的灰度值或者边缘或者颜色直方图统计等进行运算,很明显图像中存在的内容越多对分割的准确度影响越大(即干扰),换句话说在图像中的其他组织会一定程度影响到传统聚类算法的分割结果。而传统的方法毕竟无法准确的从图像中得到血管组织影像数据。在步骤S106中,利用血管组织分割模型对所述CTA影像数据进行血管组织分割得到血管组织影像数据,由于血管组织分割模型是在步骤S104中通过人工审核之后的数据进行训练得到的,人工参与标注得到的分割血管组织影像数据模型的训练数据的精度相较于传统算法分割血管组织的精度高,所以在步骤S106中得到的血管组织影像数据能够高精度的去除对于分割出纯血管掩膜和钙化斑块掩膜存在干扰的数据,从而提高得到纯血管掩膜和钙化斑块掩膜的精度,降低人工对纯血管掩膜和钙化斑块掩膜修改得到纯血管标签和钙化斑块标签的成本。
步骤S108,血管分段步骤:基于所述纯血管分割模型对所述CTA影像数据进行纯血管分割得到纯血管影像数据并基于所述纯血管影像数据对纯血管进行血管分段,根据血管分段结果对所述纯血管标签重新赋予血管分段标签得到血管分段数据;基于人工对所述血管分段数据的修改操作得到血管分段标签,以便基于所述血管分段标签训练得到血管分段模型。
在步骤S108中,基于所述纯血管影像数据对纯血管进行血管分段,根据血管分段结果对所述纯血管标签重新赋予血管分段标签得到血管分段数据,具体包括:
步骤S1081,从纯血管中提取血管中心线;
步骤S1082,基于所述血管中心线以及血管树形态特征对纯血管进行血管分段得到血管分段结果,所述血管分段结果包括分段节点的位置,所述分段节点包括中心线分叉点和中心线末端点;
其中,血管树形态特征即血管中心线形成分段节点的位置特征符合以下规律:将一般两条血管中心线相交的位置称之为中心线分叉点,将血管中心线的末端称之为中心线末端点。在步骤S1082中,按照血管树心跳特征来找到分段节点,从而实现血管分段。
步骤S1083,根据所述分段节点的位置将纯血管上任意两个相邻分段节点之间的区域作为一段血管并对不同段血管赋予对应的血管分段标签得到血管分段数据。
可以理解的是,在步骤S108中,现有的血管分段算法对血管骨架进行分段时,图像中存在的内容越多对分割的准确度影响越大(即干扰),换句话说在图像中的其他组织会一定程度影响到血管分段算法的分段结果。在步骤S106中,利用纯血管分割模型对所述CTA影像数据进行纯血管分割得到纯血管影像数据,由于纯血管分割模型是在步骤S106中通过人工审核之后的数据进行训练得到的,人工参与标注得到的纯血管分割模型的训练数据的精度相较于传统算法中分割纯血管的精度高,所以在步骤S108中得到的纯血管影像数据能够高精度的去除对于血管分段过程存在干扰的数据,提高血管分段数据的精度,降低人工对血管分段数据修改得到相应血管分段标签的成本。
需要说明的是,如何提取血管中心线以及重建血管属于现有技术,例如公告号为CN112884826A的中国专利公开的血管中心线的提取方法及装置,或者CN107705289A的中国专利公开的一种基于骨架拓扑结构的血管模拟重建方法,此处不再赘述。
经验证,上述实施例实施之后得到的效果如图2至图6所示,其中:如图2所示,其为原始CTA重建图;利用颅骨分割模型得到如3所示的颅骨重建图;利用血管组织分割模型得到如图4所示的血管组织重建图;利用纯血管分割模型得到如图5所示的纯血管重建图;利用血管分段模型得到如图6所示的血管分段重建图。
综上所述,本实施例提供的一种基于CTA影像的血管分段模型训练数据标注方法,至少具有如下的有益效果:
1、在血管分段模型训练数据的半自动标注中,先利用已有算法或者模型粗略地限定待标注对象(颅骨、血管、钙化斑块)的范围,即得到掩膜(mask、轮廓数据),再通过人工简单修改即可得到标签,可以提高标注效率。
2、由于一张血管颈椎CTA影像中存在多个对象(颅骨、血管、钙化斑块),不同的对象可以由不同的人分别进行标注,加快标注效率。
3、由于医学影像的复杂性导致其标注工作并非任何普通大众均可胜任,所以为了让专业性没那么强的普通医生或者实习生也参与到标注中,本申请严格限制各层(即颅骨、血管、钙化斑块)之间的标注顺序,即下一层对象的标注,必须在上一次对象标注完成之后才能开始。这就使得可以让专家(专业医生)只标注最难的部分,并且在专家完成标注之后可以去开展别的业务,下一层的普通大众(专业性不强)只需要对其他较简单的对象开始标注,由于最难部分由专家完成,所以在普通大众参与标注时确保最终的精度。并且专家标注时,下一层的标注数据都是来自于上层的标注结果,也可以对上一层标注结果进行检查判断,能够在标注过程中就发现问题,而不必等到全部标注完才发现问题,提高标注效率。
4、考虑到颅内复杂血管网,并且头颈部CTA影像中除了血管之外的其他组织会给图像分割算法带来干扰,本发明中每一层都需要依赖于上一层生成的人工标注训练得到的模型来为本层生成mask(掩膜)的分割算法提供输入数据,其中各模型的作用是剔除掩膜生成算法输入数据中的干扰数据,由于人工标注能够更准确的识别并剔除干扰数据,本发明能够提高分割算法生成mask的精度。
5、由于本申请中取出颅骨的颅骨分割模型是由经过专家参与的标注数据训练得到的,并且是对训练集与预测集为同一张影像数据,所以精度相较于传统阈值分割算法更高。
现有技术中,若用户需要具体查看某分叉血管具体的夹角参数,可以采用查表或者别的方式来实现,如授权公告号为CN108182680B的中国专利公开的一种基于IVOCT图像的分叉血管的角度自动识别方法,其在测量分叉血管与主血管的夹角之后,将分叉血管和夹角标记在管腔示意图上。可以理解的是,现有技术中通过查表查看夹角的方式很不方便,而直接在管腔示意图上显示夹角参数的方式又会给血管图像查看界面引入过多文字信息,造成信息排布局促,并且文字容易被遮挡或者太小看不清,存在诸多不便。
为了解决上述问题,如图7所示,在一个实施例中,所述方法还包括:
步骤S202,遍历全部中心线分叉点,并对于每个中心线分叉点:计算包含同一个所述中心线分叉点的两条血管中心线所成的夹角,将所述夹角作为相应所述两条血管中心线对应的两条血管的夹角;
步骤S204,对于夹角位于相同角度区间内的两条血管,均采用同一颜色对集合中的两种标记颜色分别进行标记。
本实施例中,考虑到用户并非在刚刚开始查看血管图像的时候就想了解某个分叉血管夹角的具体参数,而是需要直观地了解分叉血管参数(例如夹角)大致的分布情况之后才对可能存在异常的参数进行更具体的查看,因此将夹角位于相同角度区间内的两条血管均采用同一颜色对集合中的两种标记颜色来分别标记,实现所见即所得的分叉血管夹角参数整体分别情况的展示。例如,将夹角位于30至40度角度区间内的两条血管分别用红色和黄色来标记,当用户操作分割好的血管图像时,看到分叉血管对应的两条血管的颜色为红色和黄色便可以知道二者夹角所处的角度区间,实现所见即所得,无需进行繁琐的操作。另一方面,当用户需要查找位于某个角度区间内的分叉血管时,仅仅通过大致查看便能够确定这些分叉血管的位置,实现快速定位查找。值得注意的是,本实施例提供的是对分叉血管的夹角按照角度区间进行划分,从整体上查看分叉血管夹角的分布区间以及分别位置,实现用户所见即所得操作的方案。当然,用户在利用本实施例的方案初步了解各分叉血管大致夹角分布后,仍然可以使用上述现有技术查看分叉血管具体的夹角参数。
具体的,每种所述标记颜色均具有多个色阶,所述方法还包括:
步骤S206,当检测到位于相邻的两段血管的标记颜色相同时,将相邻的两段血管采用相同标记颜色的不同色阶来标记。
举例说明:如图8所示,其展示了五段血管A、B、C、D、E,其中,A、B、C三段血管属于同一根主血管上面的三部分,该主血管上形成两处分叉即分别是D和E,即主血管对应的中心线依次与E血管和E血管相交形成中心线分叉点。其中,A、B和E三段血管共同包含同一个中心线分叉点,姑且称其为a,当遍历至该中心线分叉点a时,会计算A、B和E三段血管中心线两两之间的夹角,取小于90度的夹角对应的两段血管来分别标记两种标记颜色。例如,E和B两段血管夹角α小于90度为35度,35度对应的颜色对集合中的两种标记颜色分别为红色和黄色,则随机将B标记为黄色-1,对应的E标记为红色-1,其中黄色-1或者红色-1分别表示色阶为1的黄色或者色阶为1的红色。色阶是表示图像亮度强弱的指数标准,也就是我们说的色彩指数,在数字图像处理教程中,指的是灰度分辨率(又称为灰度级分辨率或者幅度分辨率)。红色-1中的1表示的是颜色对集合中色阶编号为1的红色,例如设置了6个色阶,则可供选择的红色的色阶编号依次为1至6。进一步的,A为与B相邻的血管段,若检测到A已经标记为黄色-1,则将B修改为黄色-2。若C和D的夹角θ是34度,则将C段标记为黄色-3,D段标记为红色-1。
本实施例中,为了保证用户能够花费少量精力即可将颜色对与角度区间对应上,所以一个角度区间只匹配了一个颜色对(例如30-40度的角度区间对应红色-黄色的颜色对),但是在此基础上,由于进行了血管分段之后,每段血管本身也需要在视觉上进行区分,所以存在以下矛盾:如果增加不同的颜色对来表示同一角度区间,那么可以使得分段后的每段血管可以拥有更丰富的颜色选择,但是会增加用户记住颜色对与角度区间之间对应关系的困难度。对于上述矛盾,本实施例利用颜色本身具有色阶的特性以及人眼能够将识别同一颜色不同色阶的能力,当检测到位于相邻的两段血管的标记颜色相同时,将相邻的两段血管采用相同标记颜色的不同色阶来标记。既不需要增加用户记住颜色对与角度区间之间对应关系的困难度,也能够让用户从视觉上区分出不同段血管。
图9示出了一个实施例中计算机设备的内部结构图。。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、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现基于CTA影像的血管分段模型训练数据标注方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行基于CTA影像的血管分段模型训练数据标注方法。本领域技术人员可以理解,图9中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明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,提供了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时执行上述基于CTA影像的血管分段模型训练数据标注方法的步骤。此处基于CTA影像的血管分段模型训练数据标注方法的步骤可以是上述各个实施例的基于CTA影像的血管分段模型训练数据标注方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行上述基于CTA影像的血管分段模型训练数据标注方法的步骤。此处基于CTA影像的血管分段模型训练数据标注方法的步骤可以是上述各个实施例的基于CTA影像的血管分段模型训练数据标注方法中的步骤。
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,其特征在于,该计算机程序被处理器执行时实现上述各个实施例的基于CTA影像的血管分段模型训练数据标注方法中的步骤。
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,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,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(SLDRA)、存储器总线(Rambus)直接RAM(RDRA)、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。
Claims (9)
1.一种基于CTA影像的血管分段模型训练数据标注方法,其特征在于,所述方法包括:
颅骨分割步骤:获取待处理的CTA影像数据并对所述CTA影像数据进行去骨处理得到颅骨掩膜;基于人工对所述颅骨掩膜的修改操作得到颅骨标签并基于所述颅骨标签训练得到颅骨分割模型;
血管组织分割步骤:基于所述颅骨分割模型对所述CTA影像数据进行去骨处理并对去骨处理后的CTA影像数据进行血管组织分割得到血管组织掩膜;基于人工对所述血管组织掩膜的修改操作得到血管组织标签并基于所述血管组织标签训练得到血管组织分割模型;其中,所述血管组织掩膜包括纯血管和钙化斑;
钙化分割步骤:基于所述血管组织分割模型对所述CTA影像数据进行血管组织分割得到血管组织影像数据并对所述血管组织影像数据进行分割得到纯血管掩膜和钙化斑块掩膜;基于人工对所述纯血管掩膜和钙化斑块掩膜的修改操作得到纯血管标签和钙化斑块标签并基于所述纯血管标签和钙化斑块标签共同训练得到纯血管分割模型;
血管分段步骤:基于所述纯血管分割模型对所述CTA影像数据进行纯血管分割得到纯血管影像数据并基于所述纯血管影像数据对纯血管进行血管分段,根据血管分段结果对所述纯血管标签重新赋予血管分段标签得到血管分段数据;基于人工对所述血管分段数据的修改操作得到血管分段标签,以便基于所述血管分段标签训练得到血管分段模型。
2.根据权利要求1所述的一种基于CTA影像的血管分段模型训练数据标注方法,其特征在于,所述对所述CTA影像数据进行去骨处理得到颅骨掩膜,具体包括:
获取与所述CTA影像数据和对应的NCCT影像数据;
利用CTA影像数据与CTA影像数据进行做差处理得到颅骨掩膜。
3.根据权利要求1所述的一种基于CTA影像的血管分段模型训练数据标注方法,其特征在于,所述对去骨处理后的CTA影像数据进行血管分割得到血管组织掩膜,具体包括:
基于聚类算法分割得到所述去骨处理后的CTA影像数据中血管组织对应的区域;
在血管组织对应的区域中定位动脉弓位置并将其作为种子点,结合区域生长算法与随机游走算法得到分割后的血管初始掩膜;
利用活动轮廓模型对血管初始掩膜进行处理得到血管组织掩膜。
4.根据权利要求1所述的一种基于CTA影像的血管分段模型训练数据标注方法,其特征在于,所述对所述血管组织影像数据进行分割得到纯血管掩膜和钙化斑块掩膜,具体包括:
对血管组织影像数据进行统计得到的灰度分布直方图;
对所述灰度分布直方图构建高斯混合模型;
根据所述灰度分布直方图确定纯血管和钙化斑块二者的灰度阈值;
采用二者的灰度阈值分割得到纯血管掩膜和钙化斑块掩膜。
5.根据权利要求1所述的一种基于CTA影像的血管分段模型训练数据标注方法,其特征在于,所述基于所述纯血管影像数据对纯血管进行血管分段,根据血管分段结果对所述纯血管标签重新赋予血管分段标签得到血管分段数据,具体包括:
从纯血管中提取血管中心线;
基于所述血管中心线以及血管树形态特征对纯血管进行血管分段得到血管分段结果,所述血管分段结果包括分段节点的位置,所述分段节点包括中心线分叉点和中心线末端点;
根据所述分段节点的位置将纯血管上任意两个相邻分段节点之间的区域作为一段血管并对不同段血管赋予对应的血管分段标签得到血管分段数据。
6.根据权利要求5所述的一种基于CTA影像的血管分段模型训练数据标注方法,其特征在于,所述方法还包括:
遍历全部中心线分叉点,并对于每个中心线分叉点:计算包含同一个所述中心线分叉点的两条血管中心线所成的夹角,将所述夹角作为相应所述两条血管中心线对应的两条血管的夹角;
对于夹角位于相同角度区间内的两条血管,均采用同一颜色对集合中的两种标记颜色分别进行标记。
7.根据权利要求6所述的一种基于CTA影像的血管分段模型训练数据标注方法,其特征在于,所述方法还包括:
每种所述标记颜色均具有多个色阶,所述方法还包括:
当检测到位于相邻的两段血管的标记颜色相同时,将相邻的两段血管采用相同标记颜色的不同色阶来标记。
8.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1至7中任一项所述的一种基于CTA影像的血管分段模型训练数据标注方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至7中任一项所述的一种基于CTA影像的血管分段模型训练数据标注方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210502553.1A CN114723739B (zh) | 2022-05-09 | 2022-05-09 | 一种基于cta影像的血管分段模型训练数据标注方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210502553.1A CN114723739B (zh) | 2022-05-09 | 2022-05-09 | 一种基于cta影像的血管分段模型训练数据标注方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114723739A CN114723739A (zh) | 2022-07-08 |
CN114723739B true CN114723739B (zh) | 2023-07-21 |
Family
ID=82231489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210502553.1A Active CN114723739B (zh) | 2022-05-09 | 2022-05-09 | 一种基于cta影像的血管分段模型训练数据标注方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114723739B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117373070B (zh) * | 2023-12-07 | 2024-03-12 | 瀚依科技(杭州)有限公司 | 血管分段标注的方法及装置、电子设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161270A (zh) * | 2019-12-24 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 医学影像的血管分割方法、计算机设备和可读存储介质 |
CN114445391A (zh) * | 2022-01-30 | 2022-05-06 | 推想医疗科技股份有限公司 | 血管分段方法及其装置、电子设备和计算机可读存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10037603B2 (en) * | 2015-05-04 | 2018-07-31 | Siemens Healthcare Gmbh | Method and system for whole body bone removal and vascular visualization in medical image data |
WO2018001099A1 (zh) * | 2016-06-30 | 2018-01-04 | 上海联影医疗科技有限公司 | 一种血管提取方法与系统 |
US10762637B2 (en) * | 2017-10-27 | 2020-09-01 | Siemens Healthcare Gmbh | Vascular segmentation using fully convolutional and recurrent neural networks |
CN112489047B (zh) * | 2021-02-05 | 2021-06-01 | 四川大学 | 一种基于深度学习的盆骨及其动脉血管的多层级分割方法 |
CN113205508B (zh) * | 2021-05-20 | 2022-01-25 | 强联智创(北京)科技有限公司 | 一种基于影像数据的分割方法、装置以及设备 |
CN114359205B (zh) * | 2021-12-29 | 2022-11-01 | 推想医疗科技股份有限公司 | 头颈血管分析方法、装置、存储介质及电子设备 |
-
2022
- 2022-05-09 CN CN202210502553.1A patent/CN114723739B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161270A (zh) * | 2019-12-24 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 医学影像的血管分割方法、计算机设备和可读存储介质 |
CN114445391A (zh) * | 2022-01-30 | 2022-05-06 | 推想医疗科技股份有限公司 | 血管分段方法及其装置、电子设备和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114723739A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035255B (zh) | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 | |
CN108305255B (zh) | 肝脏手术切割面的生成装置 | |
DE112016005277T5 (de) | System und verfahren zur erstellung von entscheidungshilfematerial zum aufzeigen von beschädigung eines anatomischen gelenks | |
US20040264749A1 (en) | Boundary finding in dermatological examination | |
DE10350438A1 (de) | Verfahren und Einrichtung zur medizinischen Interventionsverfahrenplanung | |
Debarba et al. | Efficient liver surgery planning in 3D based on functional segment classification and volumetric information | |
CN110796670A (zh) | 一种夹层动脉分割方法及装置 | |
CN111415335B (zh) | 血管标注方法和装置 | |
CN114723739B (zh) | 一种基于cta影像的血管分段模型训练数据标注方法及装置 | |
Wu et al. | AAR-RT–a system for auto-contouring organs at risk on CT images for radiation therapy planning: principles, design, and large-scale evaluation on head-and-neck and thoracic cancer cases | |
CN108324300A (zh) | 用于血管分段的方法和装置 | |
CN102324090B (zh) | 一种从cta图像中去除扫描床的方法及装置 | |
WO2024114478A1 (zh) | 肺部识别处理方法、装置及服务器 | |
CN109740602B (zh) | 肺动脉期血管提取方法及系统 | |
CN108629773B (zh) | 建立训练识别心脏血管类型的卷积神经网络数据集的方法 | |
CN114419181A (zh) | Cta图像的重建方法及重建装置、显示方法及显示装置 | |
CN113222974B (zh) | 一种侧支循环的自动评价方法和装置 | |
CN107610145A (zh) | 一种基于自适应阈值和模板匹配的自动胰腺分割方法 | |
Canna et al. | Automated search of control points in surface-based morphometry | |
CN110910409B (zh) | 一种灰度图像处理方法、装置和计算机可读存储介质 | |
CN110428431B (zh) | 一种心脏医学图像的分割方法、装置、设备及存储介质 | |
CN112767332B (zh) | 一种基于cta影像的血管区域判断方法及系统 | |
CN114445445A (zh) | Ct图像的动脉分割方法、装置、电子设备及存储介质 | |
KR20200056106A (ko) | 심근 이미지 분석 방법 및 장치 | |
Hossain et al. | Brain Tumor Location Identification and Patient Observation from MRI Images |
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 |