CN114764767A - 血管提取方法和计算机设备 - Google Patents
血管提取方法和计算机设备 Download PDFInfo
- Publication number
- CN114764767A CN114764767A CN202011631235.2A CN202011631235A CN114764767A CN 114764767 A CN114764767 A CN 114764767A CN 202011631235 A CN202011631235 A CN 202011631235A CN 114764767 A CN114764767 A CN 114764767A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- positioning point
- vessel
- images
- blood
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种血管提取方法和计算机设备。所述方法通过获取多个序列的待提取图像,并将多个序列的待提取图像输入至预设的识别网络中进行血管识别,得到识别结果,再根据识别结果确定血管结构的血管中心线。上述方法并不依赖医生经验提取血管中心线,实现了全自动提取血管中心线。另外,由于上述识别网络可以结合不同序列的优点自动提取血管中心线,实现血管中心线的自动且准确的提取。
Description
技术领域
本申请涉及医疗图像处理技术领域,特别是涉及一种血管提取方法和计算机设备。
背景技术
近年来,在我国和世界范围内,脑血管疾病的发病率和死亡率正逐年增加,逐步成为了最主要的致死原因之一,虽然临床上的表现可能是卒中,但根源都是动脉粥样硬化导致。动脉粥样硬化会导致脑部功能区供血异常,不及时的诊断治疗会严重影响患者的身体情况和后续生活质量,甚至可能致命。如何在患者影像上自动快速的识别主要的脑血管,检测出血管的病变区域,快速定位病灶是现下比较关注的问题。
血管中心线的正确提取为脑血管的准确识别提供了重要的参考数据。目前比较常用的操作方式是,医生采用手动的方式来提取血管中心线,即依赖医生经验手动在患者的脑动脉影像数据上勾画出血管中心线,从而基于血管中心线识别脑血管,以便后期基于识别出的脑血管开展后续脑血管类疾病分析和诊断。
然而,上述方法过分依赖医生的经验,进而导致提取中心线的方式十分繁琐,以及效率极低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高提取效率的血管提取方法和计算机设备。
第一方面,一种血管提取方法,所述方法包括:
获取多个序列的待提取图像;所述多个序列包括黑血序列和亮血序列;
将所述多个序列的待提取图像输入至预设的识别网络中进行血管识别,得到识别结果;
根据所述识别结果确定血管结构的血管中心线。
在其中一个实施例中,所述根据所述识别结果确定血管结构的血管中心线,包括:
若所述识别结果包括所述多个序列的待提取图像对应的增强图像,根据所述增强图像确定所述血管中心线的第一目标定位点;
根据所述第一目标定位点和所述增强图像,确定所述血管结构的血管中心线。
在其中一个实施例中,所述根据所述增强图像确定血管中心线的第一目标定位点,包括:
选取所述增强图像中血管中心线所在区域内信号值为最大值的像素点作为所述第一目标定位点。
在其中一个实施例中,所述根据所述第一目标定位点和所述增强图像,确定所述血管结构的血管中心线,包括:
将所述增强图像与所述待提取图像进行叠加,得到叠加后的增强图像;
根据所述第一目标定位点和所述叠加后的增强图像,确定所述血管结构的血管中心线。
在其中一个实施例中,所述根据所述识别结果确定所述血管结构的血管中心线,包括:
若所述识别结果包括所述多个序列的待提取图像对应的增强图像和所述血管中心线的初始定位点,对所述初始定位点进行校正,得到所述血管中心线的第二目标定位点;
根据所述血管中心线的第二目标定位点和所述增强图像,确定所述血管结构的血管中心线。
在其中一个实施例中,所述对所述初始定位点进行校正,得到血管中心线的第二目标定位点,包括:
确定所述初始定位点是否满足预设条件;所述预设条件包括所述初始定位点是否位于预设区域内和/或所述初始定位点是否位于所述增强图像中血管中心线所在区域内;
若满足,则将所述初始定位点确定为所述第二目标定位点;
若不满足,则根据经验值重新获取初始定位点,并返回执行所述确定所述初始定位点是否满足预设要求的步骤,直到所述初始定位点满足所述预设要求为止。
在其中一个实施例中,所述根据所述识别结果确定所述血管结构的血管中心线之后,所述方法还包括:
根据所述血管结构的血管中心线,基于不同序列的待提取图像重建不同序列的血管比对图像和/或血管截面比对图像;
在显示界面中展示所述不同序列的血管比对图像和/或所述不同序列的血管截面比对图像。
在其中一个实施例中,训练所述识别网络的方法,包括:
获取多个序列的样本图像;所述多个序列包括黑血序列和亮血序列;
在各所述样本图像中标记血管中心线和/或血管中心线的定位点,得到各所述样本图像对应的金标准图像;
根据所述样本图像和所述金标准图像,训练初始识别网络,得到所述识别网络。
在其中一个实施例中,在各所述样本图像中标记血管中心线,得到各所述样本图像对应的金标准图像,包括:
在各所述样本图像中的血管中心线上设置高斯核;
将所有高斯核进行叠加处理,得到所述金标准图像。
第二方面,一种血管提取装置,所述装置包括:
获取模块,用于获取多个序列的待提取图像;所述多个序列包括黑血序列和亮血序列;
识别模块,用于将所述多个序列的待提取图像输入至预设的识别网络中进行血管识别,得到识别结果;
确定模块,用于根据所述识别结果确定所述血管结构的血管中心线。
第三方面,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上述第一方面所述的方法。
第四方面,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的方法。
上述血管提取方法和计算机设备,通过获取多个序列的待提取图像,并将多个序列的待提取图像输入至预设的识别网络中进行血管识别,得到识别结果,再根据识别结果确定血管结构的血管中心线。上述方法并不依赖医生经验提取血管中心线,实现了全自动提取血管中心线。另外,由于上述识别网络可以结合不同序列的优点自动提取血管中心线,得到准确的血管中心线。比如,亮血序列中血管比较明显,不受其他组织干扰,但是斑块区域无法显示,黑血序列可以明显的显示血管斑块成分,但是血管和其它组织如脑室不易区分,所以识别网络可以结合亮血序列和黑血序列各自的优点,取长补短的进行学习,实现血管中心线的自动且准确的提取。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例中血管提取方法的流程示意图;
图3为一个实施例中血管提取方法的流程示意图;
图4为图2实施例中S103的一种实现方式的流程示意图;
图5为图4实施例中S202的一种实现方式的流程示意图;
图6为图2实施例中S103的另一种实现方式的流程示意图;
图7为图6实施例中S401的一种实现方式的流程示意图;
图8为图6实施例中S401的另一种实现方式的流程示意图;
图9为一个实施例中血管提取方法的流程示意图;
图10为一个实施例中血管提取方法的流程示意图;
图11为一个实施例中比对图像的显示界面的示意图;
图12为一个实施例中比对图像的显示界面的示意图;
图13为一个实施例中训练识别网络的流程示意图;
图14为图11实施例中S702的一种实现方式的流程示意图;
图15为一个实施例中识别网络的结构示意图;
图15A为一个实施例中输入层的结构示意图;
图15B为一个实施例中下采样层的结构示意图;
图15C为一个实施例中下采样层的结构示意图;
图15D为一个实施例中上采样层的结构示意图;
图15E为一个实施例中上采样层的结构示意图;
图15F为一个实施例中输出层的结构示意图;
图16为一个实施例中识别网络的结构示意图;
图17为一个实施例中血管提取装置的结构示意图;
图18为一个实施例中血管提取装置的结构示意图;
图19为一个实施例中血管提取装置的结构示意图;
图20为一个实施例中血管提取装置的结构示意图;
图21为一个实施例中血管提取装置的结构示意图;
图22为一个实施例中血管提取装置的结构示意图;
图23为一个实施例中血管提取装置的结构示意图;
图24为一个实施例中血管提取装置的结构示意图。
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。
本申请提供的血管提取方法,可以应用于如图1所示的计算机设备中,该计算机设备可以是服务器,该计算机设备也可以是终端,其内部结构图可以如图1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、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种血管提取方法。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1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,如图2所示,提供了一种血管提取方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
S101,获取多个序列的待提取图像;多个序列包括黑血序列和亮血序列。
其中,待提取图像可以为磁共振成像设备(Magnetic Resonance Imaging,MRI)获取的MRI图像。各序列的待提取图像中包括同一患者的同一血管结构。血管结构可以是患者的脑血管、动脉血管、静脉血管等不同类型的血管。黑血序列可以包括但不限于T1增强图像,T1图像,T2图像,质子密度图像等;亮血序列可以包括但不限于Tof,CEMRA等。;
本实施例中,MRI成像设备对患者的血管病灶部位进行黑血序列和亮血序列的扫描成像之后,计算机设备从MRI成像设备读取到黑血序列和亮血序列的扫描图像,即患者的黑血序列和亮血序列的待提取图像。
S102,将多个序列的待提取图像输入至预设的识别网络中进行血管识别,得到识别结果。
其中,识别网络是计算机设备预先训练好的,用于识别待提取图像中血管中心线。识别网络可以采用现有的卷积神经网络,比如,VNET、UNET网络等,也可以采用其它机器学习网络,此处不做限定。识别网络也可以是多输入、多输出、单输入单输出、单输入多输出、多输入单输出中任一种网络。识别结果可以包括血管中心线增强图,也可以包括血管中心线上的收尾定位点或其它定位点信息。可选的,识别网络可以基于黑血序列和亮血序列的样本图像训练得到。
本实施例中,当计算机设备获取到多个序列的待提取图像时,可以将多个序列的待提取图像同时输入至训练好的识别网络中进行血管识别,得到识别结果。比如,当计算机设备同时得到黑血序列和亮血序列的待识别图像时,可以同时将黑血序列和亮血序列的待识别图像输入至识别网络进行血管识别,得到识别结果,该识别结果可以是黑血序列对应的血管中心线增强图和/或首尾定位点,也可以是亮血序列对应的血管中心线增强图和/或首尾定位点。可选的,计算机设备也可以将单序列的待提取图像输入至训练好的识别网络中进行血管识别,得到单序列图像对应的识别结果,该识别结果可以是单序列图像对应的血管中心线增强图。
S103,根据识别结果确定血管结构的血管中心线。
本实施例中,计算机设备在得到待提取图像对应的识别结果时,可以进一步的通过分析识别结果,获取到血管中心线上各点的位置信息和血管中心线的路径信息,以最后得到血管中心线;可选的,计算机设备也可以获取到血管中心线上的首尾定位点信息和血管中心线的路径信息,以最后得到血管中心线。
上述实施例提供的血管提取方法,通过获取多个序列的待提取图像,并将多个序列的待提取图像输入至预设的识别网络中进行血管识别,得到识别结果,再根据识别结果确定血管结构的血管中心线。上述方法并不依赖医生经验提取血管中心线,实现了全自动提取血管中心线。另外,由于上述识别网络可以结合不同序列的优点自动提取血管中心线,得到准确的血管中心线。比如,亮血序列中血管比较明显,不受其他组织干扰,但是斑块区域无法显示,黑血序列可以明显的显示血管斑块成分,但是血管和其它组织如脑室不易区分,所以识别网络可以结合亮血序列和黑血序列各自的优点,取长补短的进行学习,实现血管中心线的自动且准确的提取。
可选的,在计算机设备执行上述S102之前,如图3所示,图2实施例中所述的血管提取方法还包括步骤:
S104,将多个序列的待提取图像进行配准,得到配准后的多个序列的待提取图像。
在实际应用中,在基于多个序列的待提取图像进行血管中心线提取时,需要对多个序列的待提取图像进行刚性配准,即将各序列的待提取图像在位置上配准。计算机设备在配准的过程中,可以以黑血序列的图像作为参考图像与其他序列的待提取图像进行配准;计算机设备也可以以亮血序列的图像作为参考图像与其他序列的待提取图像进行配准。之后,计算机设备将配准后的多个序列的待提取图像输入至预设的识别网络中进行血管识别,得到识别结果,以及执行之后的步骤S103,实现血管中心线的提取。多个序列图像的配准可以进一步的提高之后对血管中心线提取的效率和准确性。需要说明的是,计算机设备也可以分别对亮血序列的图像进行血管识别,得到亮血序列对应的识别结果,以及对黑血序列的图像进行血管识别,得到黑血序列对应的识别结果。
可选的,上述识别结果可以包括黑血序列对应的血管中心线的增强图像或亮血序列对应的血管中心线的增强图像,上述识别结果还可以包括黑血序列对应的血管中心线的初始定位点或亮血序列对应的血管中心线的初始定位点。
在一种应用场景中,当图2实施例中的识别网络只输出多个序列的待提取图像对应的血管中心线的增强图像(黑血序列对应的血管中心线的增强图像或亮血序列对应的血管中心线的增强图像)时,本申请还提供了上述S103的一种实现方式,如图4所示,该实现方式包括:
S201,根据增强图像确定血管中心线的第一目标定位点。
其中,第一目标定位点可以包括血管中心线上的首端点、尾端点、交叉点、拐点等至少两个能够定位血管中心线位置的坐标点。增强图像上位于血管中心线所在位置对应像素点的像素值最大,血管中心线附近区域内的像素值随距离血管中心线的距离逐渐减小。本实施例中,当计算机设备通过识别网络输出增强图像后,即可在该增强图像中找到血管中心线上的首端点、尾端点、交叉点、拐点等,然后将首端点、尾端点、交叉点、拐点等坐标点确定为该血管中心线的第一目标定位点。
可选的,计算机设备可以选取增强图像中血管中心线所在区域内信号值为最大值的像素点作为第一目标定位点。
具体的,计算机设备可以选取增强图像中血管中心线的首尾区域内信号值为最大值的像素点(像素值最大的像素点)作为第一目标定位点,其中像素值最大的像素点可以为灰度值最大的像素点。血管中心线的首尾区域是指血管中心线的首端点所在一定范围区域和尾端点所在一定范围区域。也就是说,当计算机设备根据增强图像确定血管中心线的第一目标定位点时,可以先确定增强图像中血管中心线的首端点所在区域和尾端点所在区域,并在首端点所在区域找到像素值最大的像素点,以及在尾端点所在区域找到像素值最大的像素点,最后将首端点所在区域内像素值最大的像素点和尾端点所在区域内像素值最大的像素点确定为第一目标首尾定位点。可选的,计算机设备也可以在增强图像中找到分叉血管,进一步的选取增强图像中分叉血管所在区域内信号值为最大值的像素点(像素值最大的像素点)作为第一目标定位点,其中像素值最大的像素点即对应血管的交叉点。
S202,根据第一目标定位点和增强图像,确定血管结构的血管中心线。
本实施例中,当计算机设备基于前述步骤得到第一目标定位点后,即可基于第一目标定位点和血增强图像,使用路径规划、或者最小下降法、或者最小生成树等方法得到血管结构的血管中心线。
上述方法中,由于血管中心线的增强图像可以提供准确的血管路径信息,而第一目标定位点又包括血管中心线的首端点、尾端点、交叉点、拐点等中的至少两种坐标点,那么基于首端点、尾端点、交叉点、拐点和血管路径信息即可快速的获取血管结构的血管中心线。
可选的,本申请还提供了上述S202的一种具体实现方式,如图5所示,上述S202“根据第一目标定位点和增强图像,确定血管结构的血管中心线”,包括:
S301,将增强图像与待提取图像进行叠加,得到叠加后的增强图像。
若增强图像为黑血序列对应的血管中心线的增强图像时,计算机设备可以将该血管中心线的增强图像与黑血序列对应的待提取图像进行叠加,得到叠加后的血管中心线的增强图像;若血管中心线的增强图像为亮血序列对应的血管中心线的增强图像时,计算机设备可以将该血管中心线的增强图像与亮血序列对应的待提取图像进行叠加,得到叠加后的血管中心线的增强图像。具体叠加时,计算机设备可以将血管中心线的增强图像与待提取图像进行相乘或加权相乘运算,再归一化后得到叠加后的增强图像。
S302,根据第一目标定位点和叠加后的增强图像,确定血管结构的血管中心线。
本实施例中,当计算机设备基于前述步骤得到第一目标定位点后,即可基于第一目标定位点和叠加后的增强图像,使用路径规划、或者最小下降法、或者最小生成树等方法得到血管结构的血管中心线。
上述方法中,将增强图像与待提取图像进行叠加,可以防止血管中心线的增强图像中存在血管中断的现象,导致之后无法根据血管中心线的增强图像准确或快速的确定血管中心线。
在另一种应用场景中,当图2实施例中的识别网络同时输出血管中心线的增强图像和血管中心线的初始定位点时,本申请还提供了上述S103的另一种实现方式,如图6所示,上述S103“根据识别结果确定血管结构的血管中心线”,包括:
S401,对血管中心线的初始定位点进行校正,得到血管中心线的第二目标定位点。
其中,血管中心线的初始定位点包括血管中心线的初始首端点、初始尾端点、初始交叉点、初始拐点等中的至少一种初始坐标点。第二目标定位点包括经过校正后的血管中心线的首端点、尾端点、交叉点、拐点等中的至少一种坐标点。本实施例中,当计算机设备通过识别网络输出血管中心线的初始定位点后,由于该初始定位点可能不是很准确,所以需要进一步的校正,以提高定位点的准确性,具体在校正时,可以根据经验值进行校正,或根据血管中心线的增强图像进行校正,然后将校正后的初始定位点确定为血管中心线的第二目标定位点。
S402,根据血管中心线的第二目标定位点和增强图像,确定血管结构的血管中心线。
本实施例所述的方法与前述S202和图5实施例所述的方法一致,具体如何实现可参见前述对S202和图5实施例的说明,此处不赘述。
可选的,本申请还提供了上述S401的一种实现方式,如图7所示,上述S401“对血管中心线的初始定位点进行校正,得到血管中心线的第二目标定位点”,包括:
S501,确定初始定位点是否满足预设条件;预设条件包括初始定位点是否位于预设区域内和/或初始定位点是否位于增强图像中血管中心线所在区域内,若满足,在执行步骤S502,若不满足,则执行步骤S503。
其中,预设区域可以根据先验知识确定,例如,根据人体结构上各组织结构的顺序,血管组织结构上各点的位置关系确定。本实施中的预设区域可以对应各类血管中心线上首端点、尾端点、交叉点、拐点等能够定位血管中心线位置的可能的取值。若初始定位点在预设区域内,则可以初步判断出初始定位点是比较合理的定位点,即符合先验知识,由此确定的血管中心线也是比较合理的;若初始定位点不在预设区域内,则可以初步判断出初始定位点不是合理的定位点,即不符合先验知识,由此确定的血管中心线也是不合理的。
若初始定位点位于增强图像中血管中心线所在区域内,则说明初始定位点是准确的,那么后期计算机设备如果根据该初始定位点确定血管中心线也是准确的;若初始定位点未位于增强图像中血管中心线所在区域内,则说明初始定位点是不准确的,那么后期计算机设备如果根据该初始定位点确定血管中心线也是不准确的。
本实施例中,计算机设备对血管中心线的初始定位点进行校正时,可以判断根据初始定位点的位置,判断该初始定位点是否位于预设区域内,或者是否位于增强图像中血管中心线所在区域内,确定该初始定位点是否合理或准确;可选的,计算机设备也可以先判断该初始定位点是否位于预设区域内,当初始定位点位于预设区域内时,再进一步的判断位于预设区域内的初始定位点是否位于增强图像中血管中心线所在区域内,最终确定初始定位点是否合理且准确。
S502,将初始定位点确定为第二目标定位点。
本实施例涉及确定初始定位点满足预设条件的场景,在此场景下,计算机设备直接将初始定位点确定为第二目标定位点。
S503,根据经验值重新获取初始定位点,并返回执行确定初始定位点是否满足预设要求的步骤,直到初始定位点满足所述预设要求为止。
其中,经验值为医生积累下来的判断血管中心线上的各定位点(例如首端点、尾端点、交叉点、或拐点)的经验值。当计算机设备需要重新获取初始定位点时,可以参考经验值,确定初始定位点,也可以直接将参考经验值作为初始定位点。然后,计算机设备重新返回S501的步骤,重新确定新获取的初始定位点是否满足预设条件。如果满足预设条件,则将新获取的初始定位点作为第二目标定位点;若不满足预设条件,则重复前述步骤,直到获取到第二目标定位点为止。
具体的,基于上述实施例所述的方法,可以提供如下具体实现步骤,如图8所示,该步骤包括:
S601,确定初始定位点是否位于预设区域内,若初始定位点位于预设区域内,则执行步骤S602,若初始定位点未位于预设区域内,则执行步骤S604。
S602,确定初始定位点是否位于增强图像中血管中心线所在区域内,若初始定位点位于增强图像中血管中心线所在区域内,则执行步骤S603,若初始定位点未位于增强图像中血管中心线所在区域内,则执行步骤S604。
S603,将初始定位点确定为第二目标定位点。
S604,根据经验值重新获取初始定位点,并返回执行确定初始定位点是否位于预设区域内的步骤,直到初始定位点位于增强图像中血管中心线所在区域内为止。
本实施例中,计算机设备对初始定位点进行校正时,可以先判断初始定位点是否位于预设区域内,初步判断初始定位点是否合理,若初始定位点落在预设区域内,则确定初始定位点是否位于增强图像中血管中心线所在区域内,进一步的判断初始定位点是否准确,若初始定位点落在增强图像中血管中心线所在区域内,确定初始定位点准确,则将初始定位点确定为第二目标定位点,以便之后使用该第二目标定位点确定血管中心线;若初始定位点未位于增强图像中血管中心线所在区域内,确定初始定位点不准确,则需要重新获取初始定位点,再返回到S501的步骤重新确定初始定位点的合理性和准确性,直到确定出的初始定位点合理且准确,并将最终获取到的合理且准确的初始定位点确定为第二目标定位点,以便之后根据该第二目标定位点可以准确的提取血管中心线。
在实际应用中,当计算机设备得到黑血序列的血管结构的血管中心线,以及亮血序列的血管结构的血管中心线时,还可以进行多序列比对分析,因此,如图9所示,上述图2实施例所述的血管提取方法还包括:
S701,根据血管结构的血管中心线,基于不同序列的待提取图像重建不同序列的血管比对图像和/或血管截面比对图像。
本实施例中,当计算机设备从不同序列的待提取图像中提取出血管结构的血管中心线后,可以进一步的采用相应的曲面重建或结构重建方法,基于不同序列的待提取图像的数据,重建血管中心线所在血管的血管图像,和/或重建血管中心线上各点的血管横截面图像,得到不同序列的血管比对图像和/或血管截面比对图像,以便之后分析对比时查看。
具体的,计算机设备在重建不同序列的血管比对图像和/或血管截面比对图像时,如图10所示,可以通过以下步骤实现:
S801,根据血管结构的血管中心线从不同序列的待提取图像中提取出感兴趣区域的血管图像数据。
其中,感兴趣区域为医生对患者的病灶进行分析诊断时关注的血管结构所在区域。本实施例中,当计算机设备从不同序列的待提取图像中提取出血管结构的血管中心线后,可以进一步的基于血管中心线从不同序列的待提取图像中提取出感兴趣区域的血管图像数据,以便之后分析对比时查看。
S802,基于感兴趣区域的血管图像数据进行血管曲面重建,得到不同序列的血管比对图像;和/或,基于感兴趣区域的血管图像数据进行血管截面重建,得到不同序列的血管截面比对图像。
本实施例中,若计算机设备提取出黑血序列的感兴趣区域的血管图像数据时,可以进一步的基于黑血序列的感兴趣区域的血管图像数据进行CPR血管曲面重建,得到不同黑血序列的血管比对图像,和/或,基于黑血序列的感兴趣区域的血管图像数据进行血管截面重建,得到不同黑血序列的血管截面比对图像。相应的,若计算机设备提取出亮血序列的感兴趣区域的血管图像数据时,可以进一步的基于亮血序列的感兴趣区域的血管图像数据进行CPR血管曲面重建,得到不同亮血序列的血管比对图像,和/或,基于亮血序列的感兴趣区域的血管图像数据进行血管截面重建,得到不同亮血序列的血管截面比对图像。
S702,在显示界面中展示不同序列的血管比对图像和/或不同序列的血管截面比对图像。
本实施例中,当计算机设备得到不同序列的血管比对图像和/或不同序列的血管截面比对图像时,可以进一步的按照预设的布局方式在显示屏的显示界面上展示出不同序列的血管比对图像和/或不同序列的血管截面比对图像。可选的,在展示不同序列的血管比对图像和/或不同序列的血管截面比对图像的基础上,计算机设备还可以展示血管结构的横状位图像,或者3D TOF序列图像等。需要说明的是,对于显示界面的布局方式可以预先根据实际展示需求灵活设计。
示例性说明一种本申请提供的显示界面的布局方式,如图11所示的显示界面,该显示界面上包括:①TOF序列的血管横截面图像,②T1序列的血管横截面图像,③T2序列的血管横截面图像,④TICE序列的血管横截面图像,⑤TOF序列的CRP图像,⑥T1序列的CRP图像,⑦T2序列的CRP图像,⑧TICE序列的CRP图像,⑨T1序列的横状位图像,⑩3D TOF序列血管结构图像。
具体的,上述①②③④为血管横截面MPRCell,即不同血管截面的横断面MPR图像;⑤⑥⑦⑧为CPRCell,即不同序列的血管CPR图像;⑨为原始MPRCell,即某序列的横状位MPR图像;⑩为3DCell,即默认TOF序列的MIP图像。
基于上述布局方式,本申请还设置了上述显示界面的诸多功能,下面实施例介绍几种功能:
第一种功能为:布局自适应功能,即,上述显示界面支持四种序列同时对比查看,若加载不到四个序列,则布局的前四列序列展示图像可以根据实际序列情况自适应更新,比如,前两列序列的Cell展示一个血管的比对CPR图像,剩余Cell自动更新成其他血管的比对CPR图像。比如,上述①②为一个血管的不同序列的血管横截面MPRCell,⑤⑥为该血管的不同序列的血管CPR图像;上述③④为另一个血管的不同序列的血管横截面MPRCell,⑦⑧为另一个血管的不同序列的血管CPR图像。
第二种功能为:图像查看实时对比联动,即,上述显示界面中的某序列的血管横截面MPR可以随下方对应序列的CRP图像更新,比如,CRP图像中血管上的滑片变动时,该滑片对应位置层面的血管横截面MPR也相应更新。比如,⑤序列的血管中的滑片变动时,对应①序列的血管横截面也相应更新成滑片所在位置对应的层面图像。
滑片操作联动,即在任意一个序列的CRP图像中调整滑片,其它几个序列也会联动更新滑片,以及对应的其它几个序列的血管横截面MPR也联动更新。比如,⑤序列的血管中的滑片变动时,⑥⑦⑧序列的血管中的滑片也相应变动到相同位置上,且对应的①②③④血管横截面也相应更新成滑片所在位置对应的层面图像。
CPR旋转联动,即上述显示界面上的CPR图像中的血管可以旋转,当旋转任意一个序列的CRP,其他序列中的血管也联动旋转,可实时比对查看不同序列下同一角度图像情况。比如,⑤序列的血管旋转时,⑥⑦⑧序列的血管也相应联动旋转。
第三种功能为:图像窗口可灵活切换。即,序列类型可切换,比如,⑤⑥⑦⑧中的任一序列可以支持任一种类型序列的血管CPR图像切换;①②③④中的任一序列可以支持任一种类型序列的血管横截面图像切换。在各自窗口展示的序列图像中,血管名称也可切换,即可切换不同血管对应序列的图像。可选的,上述显示界面中的CRP图像中,还可以支持拉直CRP功能,用户可以根据分析需要选择CPR类型进行比对分析。可选的,血管横截面MPR图像中血管横截面的厚度也支持切换,即可以定义血管横截面的厚度,并显示不同厚度的血管横截面,可以辅助医生进行斑块或血管壁的比对分析。
第四种功能为:同根血管不同比对度,即,默认进行同一根血管不同序列的比对,即提供不同序列CPR图像及任意血管横截面MPR,提供医生不同对比度下,血管整体形态以及血管横截面管壁或斑块情况。
第五种功能为:同时查看不同血管情况,即,在不同显示窗口中显示不同的血管CPR情况,可以同时查看临床最关注的四根血管,评估整体情况。
第六种功能为:对侧血管对比查看,即,在CPRCell切换血管,前两列为一侧血管的两个对比度CPR图像,后两列为对侧血管对应的两个对比度CPR图像,可进行双侧对比评估。
第七种功能为:双CPR对比切换,即如图12所示,支持用户根据需要从单CPR对比模式切换成双CPR对比模式(将图11所示的比对界面切换为图12所示的比对模式)。
可选的,计算机设备还可以一键保存多对比度的CPR图像及对应血管截面图像,方便医生快速进行报告撰写或胶片打印。
上述实施例提供的比对图像的布局方式,实现了不同序列的CPR图像和不同序列的血管横截面展示,以及同时实现了灵活调整和联动各比对图像,方便医生通过提取出的血管中心线,以及各比对图像进行比对分析和诊断,可以提高医生诊断效率和准确性。
在实际应用中,图2实施例中的识别网络是经过训练的,因此,在一个实施例中,还提供了一种训练所述识别网络的方法,如图13所示,该训练方法包括:
S901,获取多个序列的样本图像;多个序列包括黑血序列和亮血序列。
本实施例中,计算机设备可以通过MRI成像设备获取多个患者的黑血序列的样本图像和亮血序列的样本图像;可选的,计算机设备也可以通过其它方式获取多个患者的黑血序列的样本图像和亮血序列的样本图像,此处不限定。
S902,在各样本图像中标记血管中心线和/或血管中心线的定位点,得到各样本图像对应的金标准图像。
本实施例中,医生可以手动的在各样本图像中标记血管中心线和/或血管中心线的首端点、尾端点、交叉点、拐点等中的至少两种定位点,得到各样本图像对应的金标准图像;可选的,计算机设备也可以在各样本图像中标识出血管中心线和/或血管中心线的首端点、尾端点、交叉点、拐点等中的至少两种定位点,自动生成热图类型的金标准图像。
S903,根据样本图像和金标准图像,训练初始识别网络,得到识别网络。
本实施例中,当计算机设备获取到样本图像和金标准图像时,可以进一步的开始训练初始识别网络,训练时使用的loss为均方差loss。Loss中血管中心线的权重和定位点的权重需根据实际的定位点数考虑,尽量让两个任务平衡。
可选的,提供了上述S702的一种实现方式,如图14所示,该方式包括:
S1001,在各样本图像中的血管中心线上设置高斯核。
当计算机设备标记各样本图像时,可以具体在各样本图像中的血管中心线上的每个点扩展一个高斯核,该高斯核的大小可以根据血管粗细进行变化。比如,针对头部血管,计算机设备可以选择大小为5的高斯核。需要说明的是,在标记时,需要对每个样本图像进行标记。但是,在标记时,若只标记黑血序列如T1的血管中心线及定位点,也可以不需要标记其它序列的样本图像,只需要将其它序列的样本图像与需要标记的黑血序列的样本图像进行配准即可。
S1002,将所有高斯核进行叠加处理,得到金标准图像。
因为每个点的高斯核是重叠的,选择这些重叠核中的最大值,作为血管中心线上的点,使血管中心线上的点的像素值最大,然后慢慢往外扩散,值慢慢降低。血管中心线也可扩展为相应大小的高斯核(比如大小为5的高斯核)。训练目标是血管中心线的Heatmap图像和定位点的Heatmap图像。
上述实施例所述的标记方法,可以使之后基于这种标记方式的金标准图像训练得到的识别网络可以更好的学习到提取血管中心线,且提取的血管中心线最中心位置对应的像素值最大,然后血管中心线附近区域按照距离血管中心线的距离远近变化像素值,距离越近像素值越大,距离越远像素值越小,最后得到的血管中心线的增强图像中可以更加明显的显示出血管中心线的特征。
基于上述所有实施例所述的血管提取方法中使用到的识别网络,本申请还提供了一种上述识别网络的具体结构,如图15所示,该识别网络为VNET卷积神经网络,该识别网络包括多个分支下采样网络和上采样网络,每个分支下采样网络包括输入层和多个下采样层,上采样网络包括多个上采样层、多个拼接层和输出层。其中输入层“in_layer”的网络结构可以如图15A所示的结构,下采样层“down_layer”的网络结构可以如图15B所示的结构,也可以如图15C所示的结构,上采样层“Trans(也即up_layer)”的网络结构可以如图15D所示的结构,也可以如图15E所示的结构,输出层“out_layer”的网络结构可以如图15F所示的结构。具体在使用上述识别网络对序列1到序列n进行血管提取的过程包括:将已经配准好的序列1到序列n分别输入至各分支下采样网络的in_layer层,各in_layer层输出各自对应序列的特征图像,再将各特征图像输入至各in_layer层连接的down_layer层进行下采样处理,以及各in_layer层连接的拼接层(cat层)和Trans层进行上采样处理,最终由out_layer层输出对序列1到序列n进行血管识别的识别结果,即血管中心线的增强图像和血管中心线的定位点。需要说明的是,图15中的虚线为中继监督,可以配置也可以不配置。可选的,上述out_layer层也可以只输出血管中心线的增强图像,然后之后再添加一个卷积层,输出血管中心线的定位点。血管中心线的增强图像可以使用Heatmap图像表示,定位点也可以使用Heatmap图像表示。
可选的,本申请还提供了另一种上述识别网络的具体结构,如图16所示,该识别网络也为VNET卷积神经网络,该识别网络包括一个下采样网络和一个上采样网络,下采样网络包括输入层和多个下采样层,上采样网络包括多个上采样层、多个拼接层和输出层。其中的输入层、下采样层、上采样层、输出层可以采用与前述图15所示的识别网络中对应层结构,此处不再列举。具体在使用上述识别网络对序列1到序列n进行血管提取的过程包括:将配准好的序列1到序列n同时输入到下采样网络中的in_layer层,in_layer层输出各序列的特征图像到连接的down_layer层进行下采样处理,以及拼接层(cat层)和Trans层进行上采样处理,最终由out_layer层输出对序列1到序列n进行血管识别的识别结果,即血管中心线的增强图像和血管中心线的定位点。需要说明的是,图16中的虚线为中继监督,可以配置也可以不配置。可选的,上述out_layer层也可以只输出血管中心线的增强图像,然后之后再添加一个卷积层,输出血管中心线的定位点。血管中心线的增强图像可以使用Heatmap图像表示,定位点也可以使用Heatmap图像表示。
应该理解的是,虽然图2-14的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-14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17所示,提供了一种血管提取装置,包括:
获取模块11,用于获取多个序列的待提取图像;所述多个序列包括黑血序列和亮血序列;
识别模块12,用于将所述多个序列的待提取图像输入至预设的识别网络中进行血管识别,得到识别结果;
确定模块13,用于根据所述识别结果确定所述血管结构的血管中心线。
在一个实施例中,若所述识别结果包括增强图像,则上述确定模块13,如图18所示,包括:
第一确定单元131,用于根据所述增强图像确定血管中心线的第一目标定位点;
第二确定单元132,用于根据所述第一目标定位点和所述增强图像,确定所述血管结构的血管中心线。
在一个实施例中,上述第一确定单元131具体用于选取所述增强图像中血管中心线所在区域内信号值为最大值的像素点作为所述第一目标定位点。
在一个实施例中,上述第二确定单元132,如图19所示,包括:
叠加子单元1321,用于将所述增强图像与所述待提取图像进行叠加,得到叠加后的增强图像;
第一确定子单元1322,用于根据所述第一目标定位点和所述叠加后的增强图像,确定所述血管结构的血管中心线。
在一个实施例中,若所述识别结果包括增强图像和血管中心线的初始定位点,则上述确定模块13,如图20所示,包括:
校正单元133,用于对所述血管中心线的初始定位点进行校正,得到血管中心线的第二目标定位点;
第三确定单元134,用于根据所述血管中心线的第二目标定位点和所述增强图像,确定所述血管结构的血管中心线。
在一个实施例中,上述校正单元133,如图21所示,包括:
第二确定子单元1323,用于确定所述初始定位点是否满足预设条件;所述预设条件包括所述初始定位点是否位于预设区域内和/或所述初始定位点是否位于所述增强图像中血管中心线所在区域内;
第三确定子单元1324,用于在所述初始定位点满足预设条件时,将所述初始定位点确定为所述第二目标定位点;
第四确定子单元1325,用于在所述初始定位点不满足预设条件时,根据经验值重新获取初始定位点,并返回执行所述确定所述初始定位点是否满足预设要求的步骤,直到所述初始定位点满足所述预设要求为止。
在一个实施例中,上述血管中心线的提取装置,如图22所示,还包括:
重建模块14,用于根据所述血管结构的血管中心线,基于不同序列的待提取图像重建不同序列的血管比对图像和/或血管截面比对图像;
展示模块15,用于在显示界面中展示所述不同序列的血管比对图像和/或所述不同序列的血管截面比对图像。
在一个实施例中,上述血管中心线的提取装置,如图23所示,还包括:训练模块17,训练模块17包括:
第一获取单元171,用于获取多个序列的样本图像;所述多个序列包括黑血序列和亮血序列;
第二获取单元172,用于在各所述样本图像中标记血管中心线和/或血管中心线的定位点,得到各所述样本图像对应的金标准图像;
训练单元173,用于根据所述样本图像和所述金标准图像,训练初始识别网络,得到所述识别网络。
在一个实施例中,如图24所示,上述第二获取单元172,包括:
设置子单元1721,用于在各所述样本图像中的血管中心线上设置高斯核;
处理子单元1722,用于将所有高斯核进行叠加处理,得到所述金标准图像。
关于血管提取装置的具体限定可以参见上文中对于血管提取方法的限定,在此不再赘述。上述血管中心线的提取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取多个序列的待提取图像;所述多个序列包括黑血序列和亮血序列;
将所述多个序列的待提取图像输入至预设的识别网络中进行血管识别,得到识别结果;
根据所述识别结果确定血管结构的血管中心线。
上述实施例提供的一种计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取多个序列的待提取图像;所述多个序列包括黑血序列和亮血序列;
将所述多个序列的待提取图像输入至预设的识别网络中进行血管识别,得到识别结果;
根据所述识别结果确定血管结构的血管中心线。
上述实施例提供的一种计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种血管提取方法,其特征在于,所述方法包括:
获取多个序列的待提取图像;所述多个序列包括黑血序列和亮血序列;
将所述多个序列的待提取图像输入至预设的识别网络中进行血管识别,得到识别结果;
根据所述识别结果确定血管结构的血管中心线。
2.根据权利要求1所述的方法,其特征在于,所述根据所述识别结果确定血管结构的血管中心线,包括:
若所述识别结果包括所述多个序列的待提取图像对应的增强图像,根据所述增强图像确定所述血管中心线的第一目标定位点;
根据所述第一目标定位点和所述增强图像,确定所述血管结构的血管中心线。
3.根据权利要求2所述的方法,其特征在于,所述根据所述增强图像确定血管中心线的第一目标定位点,包括:
选取所述增强图像中血管中心线所在区域内信号值为最大值的像素点作为所述第一目标定位点。
4.根据权利要求2所述的方法,其特征在于,所述根据所述第一目标定位点和所述增强图像,确定所述血管结构的血管中心线,包括:
将所述增强图像与所述待提取图像进行叠加,得到叠加后的增强图像;
根据所述第一目标定位点和所述叠加后的增强图像,确定所述血管结构的血管中心线。
5.根据权利要求1所述的方法,其特征在于,所述根据所述识别结果确定所述血管结构的血管中心线,包括:
若所述识别结果包括所述多个序列的待提取图像对应的增强图像和所述血管中心线的初始定位点,对所述初始定位点进行校正,得到所述血管中心线的第二目标定位点;
根据所述血管中心线的第二目标定位点和所述增强图像,确定所述血管结构的血管中心线。
6.根据权利要求5所述的方法,其特征在于,所述对所述初始定位点进行校正,得到血管中心线的第二目标定位点,包括:
确定所述初始定位点是否满足预设条件;所述预设条件包括所述初始定位点是否位于预设区域内和/或所述初始定位点是否位于所述增强图像中血管中心线所在区域内;
若满足,则将所述初始定位点确定为所述第二目标定位点;
若不满足,则根据经验值重新获取初始定位点,并返回执行所述确定所述初始定位点是否满足预设要求的步骤,直到所述初始定位点满足所述预设要求为止。
7.根据权利要求1所述的方法,其特征在于,所述根据所述识别结果确定所述血管结构的血管中心线之后,所述方法还包括:
根据所述血管结构的血管中心线,基于不同序列的待提取图像重建不同序列的血管比对图像和/或血管截面比对图像;
在显示界面中展示所述不同序列的血管比对图像和/或所述不同序列的血管截面比对图像。
8.根据权利要求1所述的方法,其特征在于,训练所述识别网络的方法,包括:
获取多个序列的样本图像;所述多个序列包括黑血序列和亮血序列;
在各所述样本图像中标记血管中心线和/或血管中心线的定位点,得到各所述样本图像对应的金标准图像;
根据所述样本图像和所述金标准图像,训练初始识别网络,得到所述识别网络。
9.根据权利要求8所述的方法,其特征在于,在各所述样本图像中标记血管中心线,得到各所述样本图像对应的金标准图像,包括:
在各所述样本图像中的血管中心线上设置高斯核;
将所有高斯核进行叠加处理,得到所述金标准图像。
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至9中任一项所述方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011631235.2A CN114764767A (zh) | 2020-12-30 | 2020-12-30 | 血管提取方法和计算机设备 |
PCT/CN2021/099197 WO2021249439A1 (en) | 2020-06-09 | 2021-06-09 | Systems and methods for image processing |
US18/064,229 US20230104945A1 (en) | 2020-06-09 | 2022-12-09 | Systems and methods for image processing |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011631235.2A CN114764767A (zh) | 2020-12-30 | 2020-12-30 | 血管提取方法和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114764767A true CN114764767A (zh) | 2022-07-19 |
Family
ID=82363324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011631235.2A Pending CN114764767A (zh) | 2020-06-09 | 2020-12-30 | 血管提取方法和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114764767A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115546174A (zh) * | 2022-10-20 | 2022-12-30 | 数坤(北京)网络科技股份有限公司 | 图像处理方法、装置、计算设备及存储介质 |
-
2020
- 2020-12-30 CN CN202011631235.2A patent/CN114764767A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115546174A (zh) * | 2022-10-20 | 2022-12-30 | 数坤(北京)网络科技股份有限公司 | 图像处理方法、装置、计算设备及存储介质 |
CN115546174B (zh) * | 2022-10-20 | 2023-09-08 | 数坤(北京)网络科技股份有限公司 | 图像处理方法、装置、计算设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107123137B (zh) | 医学图像处理方法及设备 | |
CN110934606B (zh) | 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质 | |
US9449247B2 (en) | Contour correction device, method, and program | |
CN109712163B (zh) | 冠脉提取方法、装置、图像处理工作站和可读存储介质 | |
CN110189306B (zh) | 脑图像中异常区域对应的责任血管确定方法和设备 | |
CN111311655B (zh) | 多模态图像配准方法、装置、电子设备、存储介质 | |
CN109767448B (zh) | 分割模型训练方法及装置 | |
CN112348785B (zh) | 一种癫痫病灶定位方法及系统 | |
CN110473226B (zh) | 图像处理网络的训练方法、计算机设备及可读存储介质 | |
CN108510493A (zh) | 医学图像内目标对象的边界定位方法、存储介质及终端 | |
CN110751187B (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
CN110910335A (zh) | 一种图像处理方法、图像处理设备及计算机可读存储介质 | |
CN108898578B (zh) | 一种医疗图像的处理方法、装置及计算机存储介质 | |
CN116051826A (zh) | 基于dsa影像连续帧序列的冠脉血管分割方法、计算机设备和可读存储介质 | |
WO2021097595A1 (zh) | 图像的病变区域分割方法、装置及服务器 | |
CN114764767A (zh) | 血管提取方法和计算机设备 | |
CN111223158A (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
CN111160441B (zh) | 分类方法、计算机设备和存储介质 | |
CN116452579B (zh) | 一种基于胸片图像的肺动脉高压智能评估方法和系统 | |
CN110766653B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN111383236A (zh) | 用于标注感兴趣区域的方法、装置和计算机可读存储介质 | |
CN113705807B (zh) | 神经网络的训练装置及方法,消融布针规划装置及方法 | |
CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
US10299864B1 (en) | Co-localization of multiple internal organs based on images obtained during surgery | |
CN110930394A (zh) | 测量肌肉肌纤维束线斜率和羽状角的方法及终端设备 |
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 |