CN114862787A - 心肌图像检测装置、系统及存储介质 - Google Patents
心肌图像检测装置、系统及存储介质 Download PDFInfo
- Publication number
- CN114862787A CN114862787A CN202210465898.4A CN202210465898A CN114862787A CN 114862787 A CN114862787 A CN 114862787A CN 202210465898 A CN202210465898 A CN 202210465898A CN 114862787 A CN114862787 A CN 114862787A
- Authority
- CN
- China
- Prior art keywords
- image
- myocardial
- candidate region
- outer ring
- coronary artery
- 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
- 230000002107 myocardial effect Effects 0.000 title claims abstract description 298
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 210000004351 coronary vessel Anatomy 0.000 claims abstract description 90
- 210000004165 myocardium Anatomy 0.000 claims abstract description 78
- 230000011218 segmentation Effects 0.000 claims abstract description 62
- 238000005070 sampling Methods 0.000 claims abstract description 57
- 238000013145 classification model Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims description 42
- 239000013598 vector Substances 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 12
- 238000010191 image analysis Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 abstract description 16
- 230000008569 process Effects 0.000 abstract description 8
- 238000003745 diagnosis Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000003462 vein Anatomy 0.000 description 3
- 101000666730 Homo sapiens T-complex protein 1 subunit alpha Proteins 0.000 description 2
- 102100038410 T-complex protein 1 subunit alpha Human genes 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 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
- 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
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明属于图像检测技术领域,公开了一种心肌图像检测装置、系统及存储介质。本发明通过对目标心肌图像进行分割,获得心肌分割图像,并基于心肌分割图像生成心肌外环图像;对心肌外环图像进行采样,获得采样图像,并从采样图像中提取多个冠脉中心线关键点;基于多个冠脉中心线关键点从心肌外环图像中截取候选区域图像;通过预设分类模型对候选区域图像进行特征分析,确定候选区域图像对应的心肌桥检测结果。由于会根据冠脉中心线关键点确定疑似存在心肌桥的区域,从心肌外环图像中截取候选区域图像,然后通过预设分类模型对候选区域图像进一步特征分析,即可确定各候选区域是否存在心肌桥,整体无须人工参与,也无须进行冠脉分割,检测精度高。
Description
技术领域
本发明涉及图像检测技术领域,尤其涉及一种心肌图像检测装置、系统及存储介质。
背景技术
目前,心肌桥的诊断主要还是通过两种方案进行心肌桥的检测:
1、依靠医生基于心肌图像进行人工诊断,但是此种方案需要医生具备丰富的诊断经验,且诊断时间也会较长,并且,针对同一血管,不同的医生会诊断出不同的结果,而同一医生在不同时间诊断得出的结果也可能存在一定的差异,因此,人工诊断基本不具备再现性,在实际使用中效果并不理想。
2、通过获取心肌分割结果计算血管分割与心肌分割结果是否粘连来判断是否存在心肌桥,但是,该方案的执行前提是需要准确的冠脉血管分割,而冠脉分割的难度极大,难以保证准确度,由此导致心肌桥检测的准确性也难以保证,并且仅判断是否粘连并不能确保满足判定心肌桥存在的所有条件,容易出现过度诊断或漏诊,在实际使用中效果也不理想。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种心肌图像检测装置、系统及存储介质,旨在解决现有技术无法依据心肌图像准确的检测是否存在心肌桥的技术问题。
为实现上述目的,本发明提供了一种心肌图像检测装置,所述心肌图像检测装置包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的心肌图像检测程序,所述心肌图像检测程序配置为实现如下步骤:
对目标心肌图像进行分割,获得心肌分割图像,并基于所述心肌分割图像生成心肌外环图像;
对所述心肌外环图像进行采样,获得采样图像,并从所述采样图像中提取多个冠脉中心线关键点;
基于所述多个冠脉中心线关键点从所述心肌外环图像中截取候选区域图像;
通过预设分类模型对所述候选区域图像进行特征分析,确定所述候选区域图像对应的心肌桥检测结果。
可选的,所述心肌图像检测程序配置为实现如下步骤:
通过预设分割模型对目标心肌图像进行分割,获得心肌分割图像;
对所述心肌分割图像进行膨胀,获得蒙版心肌图像;
将所述蒙版心肌图像与所述心肌分割图像相减,获得心肌圆环图像;
将所述心肌圆环图像附着至所述目标心肌图像中,获得心肌外环图像。
可选的,所述心肌图像检测程序配置为实现如下步骤:
将各个冠脉中心线关键点进行连接,获得各冠脉中心线关键点对应的关键点方向向量;
确定各冠脉中心线关键点到心肌表面的垂线;
根据所述垂线及所述关键点方向向量生成夹角变化曲线;
根据所述夹角变化曲线从所述心肌外环图像中截取候选区域图像。
可选的,所述心肌图像检测程序配置为实现如下步骤:
计算各冠脉中心线关键点到心肌表面所有点的距离,将心肌表面对应的距离最小的点作为目标图像点;
根据所述目标图像点生成各冠脉中心线关键点到心肌表面的垂线。
可选的,所述心肌图像检测程序配置为实现如下步骤:
获取所述夹角变化曲线对应的曲线变化梯度;
将所述夹角变化曲线中对应的曲线变化梯度大于或等于预设梯度阈值的部分作为候选曲线区域;
根据所述候选曲线区域从所述心肌外环图像中截取候选区域图像。
可选的,所述心肌图像检测程序配置为实现如下步骤:
根据所述候选区域图像中包含的冠脉中心线关键点构建候选区域中心线;
基于所述候选区域图像及所述候选区域中心线提取心肌及冠脉的纹理特征,获得纹理特征数据;
通过预设分类模型对所述纹理特征数据进行特征分类,获得所述候选区域图像对应的心肌桥检测结果。
可选的,所述心肌图像检测程序配置为实现如下步骤:
根据预设区域划分规则将所述心肌外环图像进行区域划分;
基于在所述心肌外环图像中划分的区域进行分区域局部采样,获得采样图像;
通过预设关键点提取模型对所述采样图像进行关键点提取,获得多个冠脉中心线关键点。
可选的,所述心肌图像检测程序配置为实现如下步骤:
根据所述候选区域图像及所述候选区域图像对应的心肌桥检测结果生成心肌桥检测报告;
将所述心肌桥检测报告进行展示。
此外,为实现上述目的,本发明还提出一种心肌图像检测系统,所述心肌图像检测系统包括:图像分割模块、中心提取模块、区域确定模块、图像分析模块;
所述图像分割模块,用于对目标心肌图像进行分割,获得心肌分割图像,并基于所述心肌分割图像生成心肌外环图像;
所述中心提取模块,用于对所述心肌外环图像进行采样,获得采样图像,并从所述采样图像中提取多个冠脉中心线关键点;
所述区域确定模块,用于基于所述多个冠脉中心线关键点从所述心肌外环图像中截取候选区域图像;
所述图像分析模块,用于通过预设分类模型对所述候选区域图像进行特征分析,确定所述候选区域图像对应的心肌桥检测结果。
此外,为实现上述目的,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有心肌图像检测程序,所述心肌图像检测程序执行时实现如下步骤:
对目标心肌图像进行分割,获得心肌分割图像,并基于所述心肌分割图像生成心肌外环图像;
对所述心肌外环图像进行采样,获得采样图像,并从所述采样图像中提取多个冠脉中心线关键点;
基于所述多个冠脉中心线关键点从所述心肌外环图像中截取候选区域图像;
通过预设分类模型对所述候选区域图像进行特征分析,确定所述候选区域图像对应的心肌桥检测结果。
本发明通过对目标心肌图像进行分割,获得心肌分割图像,并基于心肌分割图像生成心肌外环图像;对心肌外环图像进行采样,获得采样图像,并从采样图像中提取多个冠脉中心线关键点;基于多个冠脉中心线关键点从心肌外环图像中截取候选区域图像;通过预设分类模型对候选区域图像进行特征分析,确定候选区域图像对应的心肌桥检测结果。由于会根据冠脉中心线关键点确定疑似存在心肌桥的区域,从心肌外环图像中截取候选区域图像,然后通过预设分类模型对候选区域图像进一步特征分析,即可确定各候选区域是否存在心肌桥,整体无须人工参与,也无须进行冠脉分割,检测精度高。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的电子设备的结构示意图;
图2为本发明心肌图像检测装置第一实施例的流程示意图;
图3为本发明心肌图像检测装置第二实施例的流程示意图;
图4为本发明心肌图像检测系统第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的心肌图像检测设备结构示意图。
如图1所示,该电子设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM),也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及心肌图像检测程序。
在图1所示的电子设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明电子设备中的处理器1001、存储器1005可以设置在心肌图像检测设备中,所述电子设备通过处理器1001调用存储器1005中存储的心肌图像检测程序。
本发明实施例提供了一种心肌图像检测装置,参照图2,图2为本发明一种心肌图像检测装置第一实施例的流程示意图。
本实施例提供了一种心肌图像检测装置,所述心肌图像检测装置包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的心肌图像检测程序,所述心肌图像检测程序配置为实现如下步骤:
步骤S10:对目标心肌图像进行分割,获得心肌分割图像,并基于所述心肌分割图像生成心肌外环图像。
需要说明的是,目标心肌图像可以是需要进行检测,确定是否存在心肌桥的心肌图像,目标心肌图像可以是通过医学设备采集的冠状动脉CT造影图像(CCTA图像)。心肌外环图像可以是用于表示心肌轮廓的图像。
在实际使用中,对目标心肌图像进行分割,获得心肌分割图像可以是通过预先设置的心肌分割工具对目标心肌图像中的心肌进行分割,从而获得心肌分割图像。基于心肌分割图像生成心肌外环图像可以是根据心肌分割图像中的心肌分割结果,描绘心肌的轮廓,从而获得心肌外环图像。
进一步的,为了保证心肌分割的准确性,且保证心肌外环图像的有效性,本实施例所述步骤S10,可以包括:
通过预设分割模型对目标心肌图像进行分割,获得心肌分割图像;
对所述心肌分割图像进行膨胀,获得蒙版心肌图像;
将所述蒙版心肌图像与所述心肌分割图像相减,获得心肌圆环图像;
将所述心肌圆环图像附着至所述目标心肌图像中,获得心肌外环图像。
需要说明的是,预设分割模型可以是对初始分割模型进行训练后得到的模型,初始分割模型可以是深度神经网络模型。其中,训练初始分割模型时可以是将大量的带有人工标记的心肌桥区域的CCTA图像输入到初始分割模型中,每次的输出都将预测结果和人工标记结果进行误差计算,并反馈给初始分割模型,随着数据的更新迭代,不断调整初始分割模型中网络的权重,以达到误差收敛,并在达到误差收敛时,将此时调整后的初始分割模型作为预设分割模型。
可以理解的是,通过大量的样本训练后得到的预设分割模型在进行心肌分割时具有极高的准确性,且其分割效率极高,因此,通过预设分割模型对目标心肌图像进行分割,获得心肌分割图像可以保证心肌分割的准确性,且可以大幅度增加心肌分割的执行效率。
需要说明的是,对心肌分割图像进行膨胀,获得蒙版心肌图像可以是将心肌分割图像中的心肌按预设比例进行膨胀,并将膨胀后的心肌分割图像作为蒙版心肌图像。将蒙版心肌图像与心肌分割图像相减,获得心肌圆环图像可以是将蒙版心肌图像中的心肌与心肌分割图像中的心肌相减,得到一个表示心肌表面轮廓的圆环体,从而获得心肌圆环图像。将心肌圆环图像附着至目标心肌图像中,获得心肌外环图像可以是将心肌圆环图像中的圆环体覆盖至目标心肌图像中,将目标心肌图像中的心肌区域进行覆盖,并将覆盖后的目标心肌图像作为心肌外环图像。
可以理解的是,由于心肌圆环图像中仅仅包含心肌表面轮廓的圆环体,而单纯以此是难以鉴别心肌桥的,需要结合目标心肌图像中的冠脉血管等信息才可以鉴别是否存在心肌桥,为了便于后续分析,此时可以将心肌圆环图像附着至目标心肌图像中,获得心肌外环图像。
步骤S20:对所述心肌外环图像进行采样,获得采样图像,并从所述采样图像中提取多个冠脉中心线关键点。
需要说明的是,冠脉中心线关键点可以是心肌外环内冠脉中心线上的关键点。对心肌外环图像进行采样,获得采样图像可以是将对心肌外环图像中心肌周边存在冠脉血管的区域框选采样,然后采样得到的图像作为采样图像。
进一步的,为了保证冠脉中心线关键点的准确性,本实施例所述步骤S20,可以包括:
根据预设区域划分规则将所述心肌外环图像进行区域划分;
基于在所述心肌外环图像中划分的区域进行分区域局部采样,获得采样图像;
通过预设关键点提取模型对所述采样图像进行关键点提取,获得多个冠脉中心线关键点。
需要说明的是,心肌外环图像中心肌周边存在冠脉血管的区域可能较多,在此情况,可以依据预设区域划分规则将心肌外环图像中进行区域划分,将心肌周边存在冠脉血管的区域划分为多个子区域,然后在对各子区域进行分区域局部采样,从而获得多张采样图像,然后通过预设关键点提取模型对各采样图像分别进行关键点提取,再将提取到的冠脉中心线关键点进行汇总,从而获得多个冠脉中心线关键点。
其中,预设关键点提取模型可以是预先训练的用于提取冠脉冠脉中心线关键点的冠脉中心线关键点回归网络模型,其中,冠脉中心线关键点回归网络模型可以是深度神经网络模型。
在实际使用中,在对冠脉中心线关键点回归网络模型进行训练时,可以通过大量的经过人工标记中心线的心肌外环图像,依据误差反馈的方式进行网络的迭代训练。
步骤S30:基于所述多个冠脉中心线关键点从所述心肌外环图像中截取候选区域图像。
需要说明的是,基于多个冠脉中心线关键点从心肌外环图像中截取候选区域图像可以是将各冠脉中心线关键点相连,获得冠脉中心线,根据冠脉中心线确定心肌外环图像中疑似存在心肌桥的区域,将疑似存在心肌桥的区域图像截取出来,从而获得候选区域图像。
步骤S40:通过预设分类模型对所述候选区域图像进行特征分析,确定所述候选区域图像对应的心肌桥检测结果。
需要说明的是,预设分类模型可以是预先训练好的心肌桥分类网络,其中,心肌桥分类网络可以是深度神经网络。预设分类模型可以对输入的纹理特征数据进行特征分类,确定是否存在心肌桥,并在存在心肌桥时可以输出心肌桥的分类,如:纵深型心肌桥、浅表型心肌桥。在确定候选区域之后,还可以提取候选区域图像中的图像特征,通过预设分类模型对图像特征进行进一步分析,确定是否存在心肌桥,并在存在心肌桥进一步确定心肌桥的类别,从而获得心肌桥检测结果。
进一步的,为了保证心肌桥分类结果的准确性,本实施例所述步骤S40,可以包括:
根据所述候选区域图像中包含的冠脉中心线关键点构建候选区域中心线;
基于所述候选区域图像及所述候选区域中心线提取心肌及冠脉的纹理特征,获得纹理特征数据;
通过预设分类模型对所述纹理特征数据进行特征分类,获得所述候选区域图像对应的心肌桥检测结果。
需要说明的是,根据候选区域图像中包含的冠脉中心线关键点构建候选区域中心线可以是将候选区域图像汇总包含的多个冠脉中心线关键点相连,并将相连后得到的连接线作为候选区域中心线。
在实际使用中,对候选区域图像中提取心肌及冠脉的纹理特征时,候选区域中心线的位置数据可以提供位置约束,以此提取得到的纹理特征数据可以更好的表示心肌与冠脉的关系,即冠脉中心线是否嵌入到了心肌内部,基于此种纹理特征数据进行特征分类时,可以有效的提高特征分类的准确性。
进一步的,为了便于用户明确该目标心肌图像中是否存在心肌桥,本实施例所述步骤S40之后,还可以包括:
根据所述候选区域图像及所述候选区域图像对应的心肌桥检测结果生成心肌桥检测报告;
将所述心肌桥检测报告进行展示。
在实际使用中,根据候选区域图像及候选区域图像对应的心肌桥检测结果生成心肌桥检测报告可以是获取预设报告模板,然后将候选区域图像及候选区域图像对应的心肌桥检测结果填充至预设报告模板中,从而生成心肌桥检测报告。
在具体实现中,将心肌桥检测报告进行展示可以是将心肌桥检测报告展示在心肌图像检测装置中的显示模块中或与心肌图像检测装置相连的显示设备上,当然,也可以是将心肌桥检测报告发送至用户的用户终端进行展示。
本实施例通过对目标心肌图像进行分割,获得心肌分割图像,并基于心肌分割图像生成心肌外环图像;对心肌外环图像进行采样,获得采样图像,并从采样图像中提取多个冠脉中心线关键点;基于多个冠脉中心线关键点从心肌外环图像中截取候选区域图像;通过预设分类模型对候选区域图像进行特征分析,确定候选区域图像对应的心肌桥检测结果。由于会根据冠脉中心线关键点确定疑似存在心肌桥的区域,从心肌外环图像中截取候选区域图像,然后通过预设分类模型对候选区域图像进一步特征分析,即可确定各候选区域是否存在心肌桥,整体无须人工参与,也无须进行冠脉分割,检测精度高。
参考图3,图3为本发明一种心肌图像检测装置第二实施例的流程示意图。
基于上述第一实施例,本实施例中,所述步骤S30,可以包括:
步骤S301:将各个冠脉中心线关键点进行连接,获得各冠脉中心线关键点对应的关键点方向向量。
需要说明的是,将各冠脉中心线关键点进行连接,获得获得各冠脉中心线关键点对应的关键点方向向量可以是将按预设走向顺序将各冠脉中心线关键点中位置与其后一个冠脉中心线关键点相连,将相连后获得的向量作为该冠脉中心线关键点对应的关键点方向向量,从而获得各冠脉中心线关键点对应的关键点方向向量。其中,预设走向顺序可以由心肌图像检测装置的管理人员根据实际需要进行设置,例如:将预设走向顺序设置为由上至下。
步骤S302:确定各冠脉中心线关键点到心肌表面的垂线。
需要说明的是,确定各冠脉中心线关键点到心肌表面的垂线可以是在心肌表面确定各冠脉中心线关键点在心肌表面对应的垂足,即目标图像点,然后将冠脉中心线关键点与目标图像点相连,将相连的到的线段作为冠脉中心线关键点到心肌表面的垂线。
进一步的,为了准确的确定各冠脉中心线关键点在心肌表面对应的垂足,本实施例所述步骤S302,可以包括:
计算各冠脉中心线关键点到心肌表面所有点的距离,将心肌表面对应的距离最小的点作为目标图像点;
根据所述目标图像点生成各冠脉中心线关键点到心肌表面的垂线。
需要说明的是,计算冠脉中心线关键点到心肌表面所有点的距离可以是在心肌表面选取多个点,作为候选点,然后通过两点间距离公式计算冠脉中心线关键点到各个候选点的距离。
可以理解的是,若某候选点对应的距离最小,则表示该候选点为冠脉中心线关键点对应的垂足,因此,可以将对应的距离心肌表面对应的距离最小的点作为目标图像点。
需要说明的是,根据目标图像点生成冠脉中心线关键点到心肌表面的垂线可以是将冠脉中心线关键点与目标图像点相连,并将相连得到的线段作为冠脉中心线关键点到心肌表面的垂线。
步骤S303:根据所述垂线及所述关键点方向向量生成夹角变化曲线。
需要说明的是,根据垂线及关键点方向向量生成夹角变化曲线可以是获取各冠脉中心线关键点对应的垂线及关键点方向向量,计算关键点方向向量与垂线的夹角,从而获得各冠脉中心线关键点对应的夹角,按各冠脉中心线关键点的空间顺序根据各冠脉中心线关键点对应的夹角构建夹角变化曲线。
步骤S304:根据所述夹角变化曲线从所述心肌外环图像中截取候选区域图像。
需要说明的是,根据夹角变化曲线从心肌外环图像中截取候选区域图像可以是确定夹角变化曲线中变化较快的部分作为目标部分,将目标部分对应的冠脉中心线关键点作为目标冠脉中心线关键点,截取目标冠脉中心线关键点在心肌外环图像中对应区域的图像,并将截取到的图像作为候选区域图像。
进一步的,为了快速确定候选区域图像,本实施例所述步骤S304,可以包括:
获取所述夹角变化曲线对应的曲线变化梯度;
将所述夹角变化曲线中对应的曲线变化梯度大于或等于预设梯度阈值的部分作为候选曲线区域;
根据所述候选曲线区域从所述心肌外环图像中截取候选区域图像。
需要说明的是,曲线的变化快慢可以通过曲线的梯度进行表示。曲线变化梯度可以是夹角变化曲线各曲线部分的梯度。
在实际使用中,获取夹角变化曲线对应的曲线变化梯度可以是通过预设梯度计算公式或预设梯度计算工具计算夹角变化曲线的梯度,并将计算得到的梯度作为曲线变化梯度。
在具体实现中,若某部分对应的曲线变化梯度大于或等于预设梯度阈值,则表示夹角变化曲线中此部分曲线的变化速度过快,因此,可以将此部分作为候选曲线区域。
在实际使用中,根据候选曲线区域从心肌外环图像汇总截取候选区域图像可以是将候选曲线区域对应的冠脉中心线关键点作为目标冠脉中心线关键点,截取目标冠脉中心线关键点在心肌外环图像中对应区域的图像,并将截取到的图像作为候选区域图像。
本实施例通过将各个冠脉中心线关键点进行连接,获得各冠脉中心线关键点对应的关键点方向向量;确定各冠脉中心线关键点到心肌表面的垂线;根据所述垂线及所述关键点方向向量生成夹角变化曲线;根据所述夹角变化曲线从所述心肌外环图像中截取候选区域图像。由于会根据各冠脉中心线关键点对应的垂线及关键点方向向量生成夹角变化曲线,然后根据夹角变化曲线的变化规律即可快速筛选出疑似存在心肌桥的区域,提高了心肌桥检测的执行效率。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有心肌图像检测程序,所述心肌图像检测程序被处理器执行时实现如下步骤:
对目标心肌图像进行分割,获得心肌分割图像,并基于所述心肌分割图像生成心肌外环图像;
对所述心肌外环图像进行采样,获得采样图像,并从所述采样图像中提取多个冠脉中心线关键点;
基于所述多个冠脉中心线关键点从所述心肌外环图像中截取候选区域图像;
通过预设分类模型对所述候选区域图像进行特征分析,确定所述候选区域图像对应的心肌桥检测结果。
参照图4,图4为本发明心肌图像检测系统第一实施例的结构框图。
如图4所示,本发明实施例提出的心肌图像检测系统包括:图像分割模块10、中心提取模块20、区域确定模块30、图像分析模块40;
所述图像分割模块10,用于对目标心肌图像进行分割,获得心肌分割图像,并基于所述心肌分割图像生成心肌外环图像;
所述中心提取模块20,用于对所述心肌外环图像进行采样,获得采样图像,并从所述采样图像中提取多个冠脉中心线关键点;
所述区域确定模块30,用于基于所述多个冠脉中心线关键点从所述心肌外环图像中截取候选区域图像;
所述图像分析模块40,用于通过预设分类模型对所述候选区域图像进行特征分析,确定所述候选区域图像对应的心肌桥检测结果。
本实施例通过对目标心肌图像进行分割,获得心肌分割图像,并基于心肌分割图像生成心肌外环图像;对心肌外环图像进行采样,获得采样图像,并从采样图像中提取多个冠脉中心线关键点;基于多个冠脉中心线关键点从心肌外环图像中截取候选区域图像;通过预设分类模型对候选区域图像进行特征分析,确定候选区域图像对应的心肌桥检测结果。由于会根据冠脉中心线关键点确定疑似存在心肌桥的区域,从心肌外环图像中截取候选区域图像,然后通过预设分类模型对候选区域图像进一步特征分析,即可确定各候选区域是否存在心肌桥,整体无须人工参与,也无须进行冠脉分割,检测精度高。
进一步的,所述图像分割模块10,还用于通过预设分割模型对目标心肌图像进行分割,获得心肌分割图像;对所述心肌分割图像进行膨胀,获得蒙版心肌图像;将所述蒙版心肌图像与所述心肌分割图像相减,获得心肌圆环图像;将所述心肌圆环图像附着至所述目标心肌图像中,获得心肌外环图像。
进一步的,所述区域确定模块30,还用于将各个冠脉中心线关键点进行连接,获得各冠脉中心线关键点对应的关键点方向向量;确定各冠脉中心线关键点到心肌表面的垂线;根据所述垂线及所述关键点方向向量生成夹角变化曲线;根据所述夹角变化曲线从所述心肌外环图像中截取候选区域图像。
进一步的,所述区域确定模块30,还用于计算各冠脉中心线关键点到心肌表面所有点的距离,将心肌表面对应的距离最小的点作为目标图像点;根据所述目标图像点生成各冠脉中心线关键点到心肌表面的垂线。
进一步的,所述区域确定模块30,还用于获取所述夹角变化曲线对应的曲线变化梯度;将所述夹角变化曲线中对应的曲线变化梯度大于或等于预设梯度阈值的部分作为候选曲线区域;根据所述候选曲线区域从所述心肌外环图像中截取候选区域图像。
进一步的,所述图像分析模块40,还用于根据所述候选区域图像中包含的冠脉中心线关键点构建候选区域中心线;基于所述候选区域图像及所述候选区域中心线提取心肌及冠脉的纹理特征,获得纹理特征数据;通过预设分类模型对所述纹理特征数据进行特征分类,获得所述候选区域图像对应的心肌桥检测结果。
进一步的,所述中心提取模块20,还用于根据预设区域划分规则将所述心肌外环图像进行区域划分;基于在所述心肌外环图像中划分的区域进行分区域局部采样,获得采样图像;通过预设关键点提取模型对所述采样图像进行关键点提取,获得多个冠脉中心线关键点。
进一步的,所述图像分析模块40,还用于根据所述候选区域图像及所述候选区域图像对应的心肌桥检测结果生成心肌桥检测报告;将所述心肌桥检测报告进行展示。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
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上述实施例方法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,但很多情况下前者是更佳的实施方式。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(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,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的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种心肌图像检测装置,其特征在于,所述心肌图像检测装置包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的心肌图像检测程序,所述心肌图像检测程序配置为实现如下步骤:
对目标心肌图像进行分割,获得心肌分割图像,并基于所述心肌分割图像生成心肌外环图像;
对所述心肌外环图像进行采样,获得采样图像,并从所述采样图像中提取多个冠脉中心线关键点;
基于所述多个冠脉中心线关键点从所述心肌外环图像中截取候选区域图像;
通过预设分类模型对所述候选区域图像进行特征分析,确定所述候选区域图像对应的心肌桥检测结果。
2.如权利要求1所述的心肌图像检测装置,其特征在于,所述心肌图像检测程序配置为实现如下步骤:
通过预设分割模型对目标心肌图像进行分割,获得心肌分割图像;
对所述心肌分割图像进行膨胀,获得蒙版心肌图像;
将所述蒙版心肌图像与所述心肌分割图像相减,获得心肌圆环图像;
将所述心肌圆环图像附着至所述目标心肌图像中,获得心肌外环图像。
3.如权利要求1所述的心肌图像检测装置,其特征在于,所述心肌图像检测程序配置为实现如下步骤:
将各个冠脉中心线关键点进行连接,获得各冠脉中心线关键点对应的关键点方向向量;
确定各冠脉中心线关键点到心肌表面的垂线;
根据所述垂线及所述关键点方向向量生成夹角变化曲线;
根据所述夹角变化曲线从所述心肌外环图像中截取候选区域图像。
4.如权利要求3所述的心肌图像检测装置,其特征在于,所述心肌图像检测程序配置为实现如下步骤:
计算各冠脉中心线关键点到心肌表面所有点的距离,将心肌表面对应的距离最小的点作为目标图像点;
根据所述目标图像点生成各冠脉中心线关键点到心肌表面的垂线。
5.如权利要求3所述的心肌图像检测装置,其特征在于,所述心肌图像检测程序配置为实现如下步骤:
获取所述夹角变化曲线对应的曲线变化梯度;
将所述夹角变化曲线中对应的曲线变化梯度大于或等于预设梯度阈值的部分作为候选曲线区域;
根据所述候选曲线区域从所述心肌外环图像中截取候选区域图像。
6.如权利要求1所述的心肌图像检测装置,其特征在于,所述心肌图像检测程序配置为实现如下步骤:
根据所述候选区域图像中包含的冠脉中心线关键点构建候选区域中心线;
基于所述候选区域图像及所述候选区域中心线提取心肌及冠脉的纹理特征,获得纹理特征数据;
通过预设分类模型对所述纹理特征数据进行特征分类,获得所述候选区域图像对应的心肌桥检测结果。
7.如权利要求1所述的心肌图像检测装置,其特征在于,所述心肌图像检测程序配置为实现如下步骤:
根据预设区域划分规则将所述心肌外环图像进行区域划分;
基于在所述心肌外环图像中划分的区域进行分区域局部采样,获得采样图像;
通过预设关键点提取模型对所述采样图像进行关键点提取,获得多个冠脉中心线关键点。
8.如权利要求1-7任一项所述的心肌图像检测装置,其特征在于,所述心肌图像检测程序配置为实现如下步骤:
根据所述候选区域图像及所述候选区域图像对应的心肌桥检测结果生成心肌桥检测报告;
将所述心肌桥检测报告进行展示。
9.一种心肌图像检测系统,其特征在于,所述心肌图像检测系统包括:图像分割模块、中心提取模块、区域确定模块、图像分析模块;
所述图像分割模块,用于对目标心肌图像进行分割,获得心肌分割图像,并基于所述心肌分割图像生成心肌外环图像;
所述中心提取模块,用于对所述心肌外环图像进行采样,获得采样图像,并从所述采样图像中提取多个冠脉中心线关键点;
所述区域确定模块,用于基于所述多个冠脉中心线关键点从所述心肌外环图像中截取候选区域图像;
所述图像分析模块,用于通过预设分类模型对所述候选区域图像进行特征分析,确定所述候选区域图像对应的心肌桥检测结果。
10.一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上存储有心肌图像检测程序,所述心肌图像检测程序执行时实现如下步骤:
对目标心肌图像进行分割,获得心肌分割图像,并基于所述心肌分割图像生成心肌外环图像;
对所述心肌外环图像进行采样,获得采样图像,并从所述采样图像中提取多个冠脉中心线关键点;
基于所述多个冠脉中心线关键点从所述心肌外环图像中截取候选区域图像;
通过预设分类模型对所述候选区域图像进行特征分析,确定所述候选区域图像对应的心肌桥检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210465898.4A CN114862787A (zh) | 2022-04-29 | 2022-04-29 | 心肌图像检测装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210465898.4A CN114862787A (zh) | 2022-04-29 | 2022-04-29 | 心肌图像检测装置、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114862787A true CN114862787A (zh) | 2022-08-05 |
Family
ID=82636257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210465898.4A Pending CN114862787A (zh) | 2022-04-29 | 2022-04-29 | 心肌图像检测装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114862787A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958710A (zh) * | 2023-09-01 | 2023-10-27 | 武汉互创联合科技有限公司 | 基于环形特征统计的胚胎发育阶段预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160063175A1 (en) * | 2014-08-29 | 2016-03-03 | Heartflow, Inc. | Systems and methods for automatically determining myocardial bridging and patient impact |
CN110298846A (zh) * | 2019-06-27 | 2019-10-01 | 数坤(北京)网络科技有限公司 | 基于多分类的冠脉分割方法、装置及存储设备 |
CN111445449A (zh) * | 2020-03-19 | 2020-07-24 | 上海联影智能医疗科技有限公司 | 感兴趣区域的分类方法、装置、计算机设备和存储介质 |
CN112617791A (zh) * | 2020-12-22 | 2021-04-09 | 杭州晟视科技有限公司 | 一种模拟血管搏动的方法、装置及存储介质 |
CN113139959A (zh) * | 2021-05-17 | 2021-07-20 | 北京安德医智科技有限公司 | 获得心肌桥图像的方法及装置、电子设备和存储介质 |
-
2022
- 2022-04-29 CN CN202210465898.4A patent/CN114862787A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160063175A1 (en) * | 2014-08-29 | 2016-03-03 | Heartflow, Inc. | Systems and methods for automatically determining myocardial bridging and patient impact |
CN110298846A (zh) * | 2019-06-27 | 2019-10-01 | 数坤(北京)网络科技有限公司 | 基于多分类的冠脉分割方法、装置及存储设备 |
CN111445449A (zh) * | 2020-03-19 | 2020-07-24 | 上海联影智能医疗科技有限公司 | 感兴趣区域的分类方法、装置、计算机设备和存储介质 |
CN112617791A (zh) * | 2020-12-22 | 2021-04-09 | 杭州晟视科技有限公司 | 一种模拟血管搏动的方法、装置及存储介质 |
CN113139959A (zh) * | 2021-05-17 | 2021-07-20 | 北京安德医智科技有限公司 | 获得心肌桥图像的方法及装置、电子设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958710A (zh) * | 2023-09-01 | 2023-10-27 | 武汉互创联合科技有限公司 | 基于环形特征统计的胚胎发育阶段预测方法及系统 |
CN116958710B (zh) * | 2023-09-01 | 2023-12-08 | 武汉互创联合科技有限公司 | 基于环形特征统计的胚胎发育阶段预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11049240B2 (en) | Method and system for assessing bone age using deep neural network | |
CN110310256B (zh) | 冠脉狭窄检测方法、装置、计算机设备和存储介质 | |
CN108986085B (zh) | Ct图像肺结节检测方法、装置、设备及可读存储介质 | |
CN107845113A (zh) | 目标元素定位方法、装置以及用户界面测试方法、装置 | |
JP5498454B2 (ja) | 追跡装置、追跡方法およびプログラム | |
CN106920245B (zh) | 一种边界检测的方法及装置 | |
CN110688929B (zh) | 一种人体骨架关节点定位方法及装置 | |
US20140200452A1 (en) | User interaction based image segmentation apparatus and method | |
CN111401318B (zh) | 动作识别方法及装置 | |
CN109101983B (zh) | 一种基于深度学习的鞋样及足迹关键点检测方法 | |
CN109559303B (zh) | 钙化点的识别方法、装置和计算机可读存储介质 | |
CN110555860A (zh) | 医学图像中肋骨区域标注的方法、电子设备和存储介质 | |
CN111932552A (zh) | 一种主动脉建模的方法及装置 | |
CN114862787A (zh) | 心肌图像检测装置、系统及存储介质 | |
CN114270484A (zh) | 测量系统、生成在进行包含预定结构的半导体的图像测量时使用的学习模型的方法、以及存储用于使计算机执行生成在进行包含预定结构的半导体的图像测量时使用的学习模型的处理的程序的存储介质 | |
US20030228044A1 (en) | Radiographic marker location | |
Zahnd et al. | Dynamic block matching to assess the longitudinal component of the dense motion field of the carotid artery wall in B‐mode ultrasound sequences—Association with coronary artery disease | |
CN112801940B (zh) | 模型评测方法、装置、设备及介质 | |
KR101313879B1 (ko) | 기울기 히스토그램을 이용한 사람 검출 추적 시스템 및 방법 | |
CN112233161A (zh) | 手部图像深度确定方法、装置、电子设备及存储介质 | |
JP2000217818A (ja) | 画像診断装置 | |
CN113537407B (zh) | 基于机器学习的图像数据评价处理方法及装置 | |
CN114010227B (zh) | 一种右心室特征信息识别方法及装置 | |
CN112257642B (zh) | 人体连续动作相似性评价方法及评价装置 | |
JP2022185872A (ja) | 画像処理装置、画像処理方法、撮像装置 |
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 |