CN114882017A - 基于颅内动脉图像的薄纤维帽斑块检测的方法及装置 - Google Patents
基于颅内动脉图像的薄纤维帽斑块检测的方法及装置 Download PDFInfo
- Publication number
- CN114882017A CN114882017A CN202210755614.5A CN202210755614A CN114882017A CN 114882017 A CN114882017 A CN 114882017A CN 202210755614 A CN202210755614 A CN 202210755614A CN 114882017 A CN114882017 A CN 114882017A
- Authority
- CN
- China
- Prior art keywords
- fiber
- lipid
- image
- intracranial artery
- segmentation
- 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.)
- Granted
Links
- 239000000835 fiber Substances 0.000 title claims abstract description 205
- 238000007917 intracranial administration Methods 0.000 title claims abstract description 122
- 210000001367 artery Anatomy 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000011218 segmentation Effects 0.000 claims abstract description 154
- 150000002632 lipids Chemical class 0.000 claims abstract description 111
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 125000003473 lipid group Chemical group 0.000 claims abstract 7
- 238000012549 training Methods 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 22
- 238000013524 data verification Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 10
- 238000012014 optical coherence tomography Methods 0.000 description 72
- 238000005259 measurement Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 229920002678 cellulose Polymers 0.000 description 5
- 239000001913 cellulose Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000002526 effect on cardiovascular system Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 210000003722 extracellular fluid Anatomy 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization 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
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—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
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于颅内动脉图像的薄纤维帽斑块检测的方法及装置，方法包括：获取颅内动脉OCT图像；通过训练好的纤维分割模型从颅内动脉OCT图像中分割出纤维区域；根据纤维区域确定管腔内壁；根据管腔内壁以及预设距离对颅内动脉OCT图像进行截取，得到截取后的颅内动脉OCT图像；通过训练好的脂质分割模型从截取后的颅内动脉OCT图像中分割出脂质区域；根据分割图像确定薄纤维帽斑块检测结果。本发明充分考虑纤维和脂质的特征差异，采用两段式分割即现通过训练好的纤维分割模型分割出纤维区域，再通过训练好的脂质分割模型分割出脂质区域，提升了模型分割性能，使得分割过程更加准确且可控，提升了薄纤维帽斑块检测结果的准确性。
Description
技术领域
本发明涉及计算机技术领域，具体涉及基于颅内动脉图像的薄纤维帽斑块检测的方法及装置。
背景技术
薄纤维帽斑块(Thin-Cap Fibroatheroma，TCFA)为易损斑块特征中的一种。由于此类病变对于纤维帽厚度有着极高的要求，在颅内动脉还未有过相关报道。随着光学相干断层成像（optical coherence tomography，OCT）逐渐应用于颅内动脉，使得人们对于颅内动脉TCFA这一病变特征有了可检测的手段。
现有的技术集中在心血管类OCT影像的智能判读，鲜有工作对颅内动脉OCT进行探索和研究。目前没有研究明确指出心血管类OCT的影像判读、病理治疗完全适用于颅内动脉，缺乏科学论证，因此颅内动脉OCT影像的TCFA智能判读无法直接沿用已有的针对心血管类OCT的工作成果。目前在获取分割形态后，直接开展后续分析，未考虑算法模型带来的测量误差。OCT影像的斑块边界通常不明显，依靠现有分割技术，难以实现微小误差的精准分割，较大的分割误差是无法避免的，且将干扰后续任务。另一方面，因OCT影像分辨率受限，分割误差对TCFA检测造成巨大干扰。
综上，目前亟需一种基于颅内动脉图像的薄纤维帽斑块检测的方法，用于解决上述现有技术存在的问题。
发明内容
由于现有方法存在上述问题，本发明提出基于颅内动脉图像的薄纤维帽斑块检测的方法及装置。
第一方面，本发明提供了一种基于颅内动脉图像的薄纤维帽斑块检测的方法，包括：
获取颅内动脉OCT图像；
通过训练好的纤维分割模型从所述颅内动脉OCT图像中分割出纤维区域；
根据所述纤维区域确定管腔内壁；
根据所述管腔内壁以及预设距离对所述颅内动脉OCT图像进行截取，得到截取后的颅内动脉OCT图像；
通过训练好的脂质分割模型从所述截取后的颅内动脉OCT图像中分割出脂质区域；
根据所述纤维区域以及所述脂质区域确定分割图像；
根据所述分割图像确定薄纤维帽斑块检测结果。
进一步地，所述获取颅内动脉OCT图像，包括：
获取原始直角坐标图像；
将所述原始直角坐标图像转换为极坐标图像；
根据所述极坐标图像确定所述颅内动脉OCT图像。
进一步地，在所述通过训练好的纤维分割模型从所述颅内动脉OCT图像中分割出纤维区域之前，还包括：
对所述颅内动脉OCT图像进行标注，得到纤维标签以及脂质标签；
根据所述颅内动脉OCT图像以及所述纤维标签生成第一数据训练集、第一数据验证集和第一数据测试集；
构建纤维分割模型；
根据所述第一数据训练集对所述纤维分割模型进行训练，根据所述第一数据验证集和所述第一数据测试集对所述纤维分割模型进行调参，得到所述训练好的纤维分割模型。
进一步地，在所述通过训练好的脂质分割模型从所述截取后的颅内动脉OCT图像中分割出脂质区域之前，还包括：
根据所述颅内动脉OCT图像以及所述脂质标签生成第二数据训练集、第二数据验证集和第二数据测试集；
构建脂质分割模型；
根据所述第二数据训练集对所述脂质分割模型进行训练，根据所述第二数据验证集和所述第二数据测试集对所述脂质分割模型进行调参，得到所述训练好的脂质分割模型。
进一步地，所述预设距离为1毫米。
进一步地，所述根据所述分割图像确定薄纤维帽斑块检测结果，包括：
根据所述纤维区域确定纤维层厚度；
根据所述脂质区域确定脂质层角度；
根据所述纤维层厚度以及所述脂质层角度确定所述薄纤维帽斑块检测结果。
进一步地，在所述根据所述纤维区域确定纤维层厚度之前，还包括：
获取预设阈值；
根据所述预设阈值确定分割误差；
根据所述分割误差调整所述纤维区域的像素。
第二方面，本发明提供了一种基于颅内动脉图像的薄纤维帽斑块检测的装置，包括：
获取模块，用于获取颅内动脉OCT图像；
处理模块，用于通过训练好的纤维分割模型从所述颅内动脉OCT图像中分割出纤维区域；根据所述纤维区域确定管腔内壁；根据所述管腔内壁以及预设距离对所述颅内动脉OCT图像进行截取，得到截取后的颅内动脉OCT图像；通过训练好的脂质分割模型从所述截取后的颅内动脉OCT图像中分割出脂质区域；根据所述纤维区域以及所述脂质区域确定分割图像；根据所述分割图像确定薄纤维帽斑块检测结果。
进一步地，所述处理模块具体用于：
获取原始直角坐标图像；
将所述原始直角坐标图像转换为极坐标图像；
根据所述极坐标图像确定所述颅内动脉OCT图像。
进一步地，所述处理模块还用于：在所述通过训练好的纤维分割模型从所述颅内动脉OCT图像中分割出纤维区域之前，对所述颅内动脉OCT图像进行标注，得到纤维标签以及脂质标签；
根据所述颅内动脉OCT图像以及所述纤维标签生成第一数据训练集、第一数据验证集和第一数据测试集；
构建纤维分割模型；
根据所述第一数据训练集对所述纤维分割模型进行训练，根据所述第一数据验证集和所述第一数据测试集对所述纤维分割模型进行调参，得到所述训练好的纤维分割模型。
进一步地，所述处理模块还用于：在所述通过训练好的脂质分割模型从所述截取后的颅内动脉OCT图像中分割出脂质区域之前，根据所述颅内动脉OCT图像以及所述脂质标签生成第二数据训练集、第二数据验证集和第二数据测试集；
构建脂质分割模型；
根据所述第二数据训练集对所述脂质分割模型进行训练，根据所述第二数据验证集和所述第二数据测试集对所述脂质分割模型进行调参，得到所述训练好的脂质分割模型。
进一步地，所述预设距离为1毫米。
进一步地，所述处理模块具体用于：
根据所述纤维区域确定纤维层厚度；
根据所述脂质区域确定脂质层角度；
根据所述纤维层厚度以及所述脂质层角度确定所述薄纤维帽斑块检测结果。
进一步地，所述处理模块还用于：在所述根据所述纤维区域确定纤维层厚度之前，获取预设阈值；
根据所述预设阈值确定分割误差；
根据所述分割误差调整所述纤维区域的像素。
第三方面，本发明还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计算机程序时实现如第一方面所述的基于颅内动脉图像的薄纤维帽斑块检测的方法。
第四方面，本发明还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述的基于颅内动脉图像的薄纤维帽斑块检测的方法。
由上述技术方案可知，本发明提供的基于颅内动脉图像的薄纤维帽斑块检测的方法及装置，充分考虑纤维和脂质的特征差异，采用两段式分割即先通过训练好的纤维分割模型分割出纤维区域，再通过训练好的脂质分割模型分割出脂质区域，提升了模型分割性能，使得分割过程更加准确且可控，提升了薄纤维帽斑块检测结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。
图1为本发明提供的薄纤维帽斑块检测系统的系统框架；
图2为本发明提供的基于颅内动脉图像的薄纤维帽斑块检测的方法的流程示意图；
图3为本发明提供的极坐标图像的示意图；
图4为本发明提供的两段式分割的示意图；
图5为本发明提供的基于颅内动脉图像的薄纤维帽斑块检测的方法的流程示意图；
图6为本发明提供的基于颅内动脉图像的薄纤维帽斑块检测的方法的流程示意图；
图7为本发明提供的纤维分割模型预测的纤维像素和真实纤维像素差距的统计示意图；
图8为本发明提供的基于颅内动脉图像的薄纤维帽斑块检测的装置的结构示意图；
图9为本发明提供的电子设备的结构示意图。
具体实施方式
下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明实施例提供的基于颅内动脉图像的薄纤维帽斑块检测的方法，可以适用于如图1所示的系统架构中，该系统架构包括采集设备100、服务器200。
具体的，采集设备100用于获取颅内动脉OCT图像。
服务器200用于通过训练好的纤维分割模型从颅内动脉OCT图像中分割出纤维区域；根据纤维区域确定管腔内壁；根据管腔内壁以及预设距离对颅内动脉OCT图像进行截取，得到截取后的颅内动脉OCT图像；通过训练好的脂质分割模型从截取后的颅内动脉OCT图像中分割出脂质区域；根据纤维区域以及脂质区域确定分割图像；根据分割图像确定薄纤维帽斑块检测结果。
需要说明的是，图1仅是本发明实施例系统架构的一种示例，本发明对此不做具体限定。
基于上述所示意的系统架构，图2为本发明实施例提供的一种基于颅内动脉图像的薄纤维帽斑块检测的方法所对应的流程示意图，如图2所示，该方法包括：
步骤201，获取颅内动脉OCT图像。
具体的，获取原始直角坐标图像；
将原始直角坐标图像转换为极坐标图像；
根据极坐标图像确定颅内动脉OCT图像。
本发明实施例中，采集得到的原始直角坐标图像存在局限性，因此对原始直角坐标图像进行预处理操作。
具体的，以原图的中心点为圆心，对图像延圆周方向展开，如图3所示。
上述方案，通过将原始直角坐标图像转换为极坐标图像提高了提取纤维层厚度、脂质层角度等信息获取的便捷性。
步骤202，通过训练好的纤维分割模型从颅内动脉OCT图像中分割出纤维区域。
步骤203，根据纤维区域确定管腔内壁。
具体的，将纤维区域靠近圆心的边界作为管腔内壁。
步骤204，根据管腔内壁以及预设距离对颅内动脉OCT图像进行截取，得到截取后的颅内动脉OCT图像。
在一种可能的实施方式中，预设距离为1毫米。
本发明实施例中，以管腔内壁为起始边延轴心方向对图像进行1mm厚度的截取，从而剔除厚度过高的低价值区域干扰信号对分析结果的不良影响。
上述方案，一方面从管腔内壁延轴向进行主要区域的截取，筛除了无价值区域，减少了不必要信息对模型预测的干扰。另一方面，脂质区域的边界是难以准确判断的，保留无用区域也会增加标注的难度，进而影响对模型性能的判断，而通过主要区域的截取规定了脂质边界，从而缓解了对模型性能的影响。
步骤205，通过训练好的脂质分割模型从截取后的颅内动脉OCT图像中分割出脂质区域。
步骤206，根据纤维区域以及脂质区域确定分割图像，根据分割图像确定薄纤维帽斑块检测结果。
具体的，从截取后的OCT图像中分割出脂质区域，将脂质区域与纤维区域融合得到完整的分割图像。
本发明实施例中，通过分割图像可视化信息，提升了用户体验。
具体的，根据纤维区域确定纤维层厚度；
根据脂质区域确定脂质层角度；
根据纤维层厚度以及脂质层角度确定薄纤维帽斑块检测结果。
本发明实施例中，采用的是两段式分割，即将纤维层和脂质层的分割切分为两个独立的任务，并对结果进行融合，如图4所示。
从图上可以看出，本发明实施例在获取图像后，先将其输入到纤维分割模型中，得到纤维区域；再根据纤维区域确定管腔内壁。
进一步地，对图像进行截取操作，得到剔除多余信息的新图像；接着将新图像输入脂质分割模型中，得到脂质区域；最后整合纤维、脂质区域，得到分割结果，并进而提取出纤维厚度、脂质角度等关键信息。
此外，一些非必要的信息例如管腔中心位置、管腔面积、纤维层形状等参数也能从上述结果中提取得到。因此本发明实施例依赖模型分割，能输出诸多额外信息，如纤维厚度，脂质角度，管腔内壁，管腔横切面积等。
本发明实施例纤维分割和脂质分割以串联的方式独立进行，第一步分割纤维，确定管腔内壁，并截取ROI区域，随后再进行第二步脂质分割，理由具体如下：
1、纤维、脂质属性不同。纤维斑块高亮且均匀，处于管腔内侧，不受伪影干扰，易于分割；脂质斑块信号高度衰减，外边界难以界定，且受伪影干扰（远离轴心的外围区域通常为脑组织液，旁支血管壁形成的伪影），不易分割。将两种斑块分开处理，根据各自特性，对输入图像进行特殊处理，有利于提升分割精度。
2、OCT成像光在血管壁的组织穿透深度有限，且远离管腔内壁的外围区域大多属于干扰无效信号。因此截取有效的ROI分析区域是合理且可行的，能有效去除伪影、噪声干扰信号，且解决脂质边界不确定问题。
本发明实施例充分考虑纤维和脂质的特征差异，采用两段式分割，表1展示了一步式分割和本发明实施例采用的两段式分割的IoU（Intersection over Union）指标，通过对比可发现两段式分割能有效的，尤其是脂质分割，从原来的48%提升至81.3%。
表1
上述方案，充分考虑纤维和脂质的特征差异，采用两段式分割即现通过训练好的纤维分割模型分割出纤维区域，再通过训练好的脂质分割模型分割出脂质区域，提升了模型分割性能，使得分割过程更加准确且可控，提升了薄纤维帽斑块检测结果的准确性。
本发明实施例在通过训练好的纤维分割模型从颅内动脉OCT图像中分割出纤维区域之前，步骤流程如图5所示，具体如下：
步骤501，对颅内动脉OCT图像进行标注，得到纤维标签以及脂质标签。
在一种可能的实施方式中，对于大量的未标注样本，从中提取第一样本集合进行手工精确标注，根据第一样本集合训练粗糙分割网络模型，通过粗糙分割网络模型对剩下的第二样本集合进行初步预测，以输出的分割结果作为第二样本集合的粗略标注，再手工对粗略标注进行修正与补充。最后，将修改过的标注样本与初始的样本整合作为第一数据训练集、第一数据验证集和第一数据测试集。
举例来说，从未标注样本中提取100张图像进行手工精确标注，训练一个粗糙的分割网络模型；然后通过这100张图像训练粗糙分割网络模型，通过粗糙分割网络模型对剩下的900张图像进行初步预测，以输出的分割结果作为这900张图像的粗略标注，再手工对粗略标注进行修正与补充。最后，将修改过的标注样本与初始的样本整合作为第一数据训练集、第一数据验证集和第一数据测试集。
上述方案，采用人机交互的标注模式，通过粗糙分割网络模型输出符合图像特征的纤维与脂质轮廓，保证标注质量的同时降低了成本，提升模型训练效率以及标注准确度。
步骤502，根据颅内动脉OCT图像以及纤维标签生成第一数据训练集、第一数据验证集和第一数据测试集。
步骤503，构建纤维分割模型。
步骤504，根据第一数据训练集对纤维分割模型进行训练，根据第一数据验证集和第一数据测试集对纤维分割模型进行调参，得到训练好的纤维分割模型。
上述方案，通过纤维标签训练纤维分割模型，提高了基于颅内动脉图像的薄纤维帽斑块检测的准确性。
本发明实施例在通过训练好的脂质分割模型从所述截取后的颅内动脉OCT图像中分割出脂质区域之前，步骤流程如图6所示，具体如下：
步骤601，根据颅内动脉OCT图像以及脂质标签生成第二数据训练集、第二数据验证集和第二数据测试集。
步骤602，构建脂质分割模型。
步骤603，根据第二数据训练集对脂质分割模型进行训练，根据第二数据验证集和第二数据测试集对脂质分割模型进行调参，得到训练好的脂质分割模型。
上述方案，通过脂质标签训练脂质分割模型，提高了基于颅内动脉图像的薄纤维帽斑块检测的准确性。
为了减少模型输出结果中出现的明显问题，加强掩膜图像的视觉效果，本发明实施例对纤维分割模型以及脂质分割模型的输出结果进行处理，具体如下：
1、小区域的移除与空洞的填补。举例来说，模型会将一些固有的图像噪声识别为纤维或脂质，把纤维区域中出现的暗域划分为背景进而形成空洞。由于这些部分的面积相比较完整的纤维与脂质来说很小，本发明实施例基于面积筛选掉不必要的小区域与空洞，从而实现了对细节的优化。
2、纤维区域边界的优化处理。具体的，纤维层边界分为两部分，一部分是管腔内壁，另一部分是与脂质层或者其他血管组织的边界，后者由于成像等原因，容易出现边界形状不规则的问题。为此，本发明实施例延纤维层边界进行筛选，识别明显异常的区域并进行调整，又考虑到纤维区域边界可能存在一些不规则的形变，因此该优化过程主要针对横向突起等不符合常识的结构。
由于对纤维层的厚度要求严苛，因此准确测量纤维层厚度是一个关键问题。
进一步地，在根据纤维区域确定纤维层厚度之前，获取预设阈值；
根据预设阈值确定分割误差；
根据分割误差调整纤维区域的像素。
具体的，本发明实施例统计纤维分割模型预测的纤维像素和真实纤维像素的差距，如图7所示。
通过统计比较，纤维分割模型预测的纤维与真实纤维相差约-10~50个像素，OCT影像的分辨率约10μm/像素，即预测的纤维厚度与真实厚度相差约-100~500μm。TCFA标准中纤维厚度的阈值为65μm，上百微米的误差对65μm的阈值来说有不可忽视的干扰。
下面介绍本发明实施例以统计的方法缓解误差带来的负面影响。
假设模型分割的纤维像素有
个，误差为 
，则真实的纤维像素有
个，分辨
率为
，因此
表示纤维的真实物理厚度。
需要说明的是，其中
为正整数。
进一步地，标准TCFA的真实纤维厚度小于
，判别公式如下：
其中，
表示纤维分割的物理厚度。当引入模型的测量误差，判别阈值不再是
，而是
。
进一步地，本发明实施例通过统计分析方法确定一个合适的阈值，再反推导计算
误差
，并最终得到近似真实的纤维像素，具体公式如下：
进一步地，本发明实施例将真实厚度低于
的纤维称为薄纤维，反之称为厚
纤维，根据预设阈值计算低于该阈值的样本真实薄纤维的占比，以及厚纤维占比。
本发明实施例的预设阈值旨在使薄、厚纤维的占比尽可能高，尽可能区分薄纤维、
厚纤维。举例来说，以
为预设阈值，此时真实的薄纤维占比79%，厚纤维占比82.5%。
进一步地，根据预设阈值计算误差
：
举例来说，以
为预设阈值，若
，得到
，即将分
割的纤维像素统一缩小
，即可得近似真实的纤维像素，以此可提升分类精度。
进一步地，表2展示了不考虑模型测量误差，直接基于分割结果的TCFA分类情况。以及建模测量误差，基于统计分析确定预设阈值，从而推导出误差，进行TCFA分类的情况。其中，AUC为ROC曲线下与坐标轴围成的面积。
表2
从上表可以看出，考虑分割误差并做统计分析后分类精度明显提升。
上述方案，基于统计的方法在考虑模型测量误差前提下，根据预设阈值反向推导测量误差，为分割误差建模，将误差纳入分析范畴，基于大数据统计评估误差，重新调整分割，减小误差的影响，提升了分类的精度，保证了分类结果的科学性与可解释性。
基于同一发明构思，图8示例性的示出了本发明实施例提供的一种基于颅内动脉图像的薄纤维帽斑块检测的装置，该装置可以执行一种基于颅内动脉图像的薄纤维帽斑块检测的方法的流程。
所述装置，包括：
获取模块801，用于获取颅内动脉OCT图像；
处理模块802，用于通过训练好的纤维分割模型从所述颅内动脉OCT图像中分割出纤维区域；根据所述纤维区域确定管腔内壁；根据所述管腔内壁以及预设距离对所述颅内动脉OCT图像进行截取，得到截取后的颅内动脉OCT图像；通过训练好的脂质分割模型从所述截取后的颅内动脉OCT图像中分割出脂质区域；根据所述纤维区域以及所述脂质区域确定分割图像；根据所述分割图像确定薄纤维帽斑块检测结果。
进一步地，所述处理模块802具体用于：
获取原始直角坐标图像；
将所述原始直角坐标图像转换为极坐标图像；
根据所述极坐标图像确定所述颅内动脉OCT图像。
进一步地，所述处理模块802还用于：在所述通过训练好的纤维分割模型从所述颅内动脉OCT图像中分割出纤维区域之前，对所述颅内动脉OCT图像进行标注，得到纤维标签以及脂质标签；
根据所述颅内动脉OCT图像以及所述纤维标签生成第一数据训练集、第一数据验证集和第一数据测试集；
构建纤维分割模型；
根据所述第一数据训练集对所述纤维分割模型进行训练，根据所述第一数据验证集和所述第一数据测试集对所述纤维分割模型进行调参，得到所述训练好的纤维分割模型。
进一步地，所述处理模块802还用于：在所述通过训练好的脂质分割模型从所述截取后的颅内动脉OCT图像中分割出脂质区域之前，根据所述颅内动脉OCT图像以及所述脂质标签生成第二数据训练集、第二数据验证集和第二数据测试集；
构建脂质分割模型；
根据所述第二数据训练集对所述脂质分割模型进行训练，根据所述第二数据验证集和所述第二数据测试集对所述脂质分割模型进行调参，得到所述训练好的脂质分割模型。
进一步地，所述预设距离为1毫米。
进一步地，所述处理模块802具体用于：
根据所述纤维区域确定纤维层厚度；
根据所述脂质区域确定脂质层角度；
根据所述纤维层厚度以及所述脂质层角度确定所述薄纤维帽斑块检测结果。
进一步地，所述处理模块802还用于：在所述根据所述纤维区域确定纤维层厚度之前，获取预设阈值；
根据所述预设阈值确定分割误差；
根据所述分割误差调整所述纤维区域的像素。
基于相同的发明构思，本发明又一实施例提供了一种电子设备，参见图9，所述电子设备具体包括如下内容：处理器901、存储器902、通信接口903和通信总线904；
其中，所述处理器901、存储器902、通信接口903通过所述通信总线904完成相互间的通信；所述通信接口903用于实现各设备之间的信息传输；
所述处理器901用于调用所述存储器902中的计算机程序，所述处理器执行所述计算机程序时实现上述基于颅内动脉图像的薄纤维帽斑块检测的方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：获取颅内动脉OCT图像；通过训练好的纤维分割模型从所述颅内动脉OCT图像中分割出纤维区域；根据所述纤维区域确定管腔内壁；根据所述管腔内壁以及预设距离对所述颅内动脉OCT图像进行截取，得到截取后的颅内动脉OCT图像；通过训练好的脂质分割模型从所述截取后的颅内动脉OCT图像中分割出脂质区域；根据所述纤维区域以及所述脂质区域确定分割图像；根据所述分割图像确定薄纤维帽斑块检测结果。
基于相同的发明构思，本发明又一实施例提供了一种非暂态计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述基于颅内动脉图像的薄纤维帽斑块检测的方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：获取颅内动脉OCT图像；通过训练好的纤维分割模型从所述颅内动脉OCT图像中分割出纤维区域；根据所述纤维区域确定管腔内壁；根据所述管腔内壁以及预设距离对所述颅内动脉OCT图像进行截取，得到截取后的颅内动脉OCT图像；通过训练好的脂质分割模型从所述截取后的颅内动脉OCT图像中分割出脂质区域；根据所述纤维区域以及所述脂质区域确定分割图像；根据所述分割图像确定薄纤维帽斑块检测结果。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，基于颅内动脉图像的薄纤维帽斑块检测的装置，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，基于颅内动脉图像的薄纤维帽斑块检测的装置，或者网络设备等）执行各个实施例或者实施例的某些部分所述的基于颅内动脉图像的薄纤维帽斑块检测的方法。
此外，在本发明中，诸如“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
此外，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于颅内动脉图像的薄纤维帽斑块检测的方法，其特征在于，包括：
获取颅内动脉OCT图像；
通过训练好的纤维分割模型从所述颅内动脉OCT图像中分割出纤维区域；
根据所述纤维区域确定管腔内壁；
根据所述管腔内壁以及预设距离对所述颅内动脉OCT图像进行截取，得到截取后的颅内动脉OCT图像；
通过训练好的脂质分割模型从所述截取后的颅内动脉OCT图像中分割出脂质区域；
根据所述纤维区域以及所述脂质区域确定分割图像；
根据所述分割图像确定薄纤维帽斑块检测结果。
2.根据权利要求1所述的基于颅内动脉图像的薄纤维帽斑块检测的方法，其特征在于，所述获取颅内动脉OCT图像，包括：
获取原始直角坐标图像；
将所述原始直角坐标图像转换为极坐标图像；
根据所述极坐标图像确定所述颅内动脉OCT图像。
3.根据权利要求1所述的基于颅内动脉图像的薄纤维帽斑块检测的方法，其特征在于，在所述通过训练好的纤维分割模型从所述颅内动脉OCT图像中分割出纤维区域之前，还包括：
对所述颅内动脉OCT图像进行标注，得到纤维标签以及脂质标签；
根据所述颅内动脉OCT图像以及所述纤维标签生成第一数据训练集、第一数据验证集和第一数据测试集；
构建纤维分割模型；
根据所述第一数据训练集对所述纤维分割模型进行训练，根据所述第一数据验证集和所述第一数据测试集对所述纤维分割模型进行调参，得到所述训练好的纤维分割模型。
4.根据权利要求3所述的基于颅内动脉图像的薄纤维帽斑块检测的方法，其特征在于，在所述通过训练好的脂质分割模型从所述截取后的颅内动脉OCT图像中分割出脂质区域之前，还包括：
根据所述颅内动脉OCT图像以及所述脂质标签生成第二数据训练集、第二数据验证集和第二数据测试集；
构建脂质分割模型；
根据所述第二数据训练集对所述脂质分割模型进行训练，根据所述第二数据验证集和所述第二数据测试集对所述脂质分割模型进行调参，得到所述训练好的脂质分割模型。
5.根据权利要求1所述的基于颅内动脉图像的薄纤维帽斑块检测的方法，其特征在于，所述预设距离为1毫米。
6.根据权利要求1所述的基于颅内动脉图像的薄纤维帽斑块检测的方法，其特征在于，所述根据所述分割图像确定薄纤维帽斑块检测结果，包括：
根据所述纤维区域确定纤维层厚度；
根据所述脂质区域确定脂质层角度；
根据所述纤维层厚度以及所述脂质层角度确定所述薄纤维帽斑块检测结果。
7.根据权利要求6所述的基于颅内动脉图像的薄纤维帽斑块检测的方法，其特征在于，在所述根据所述纤维区域确定纤维层厚度之前，还包括：
获取预设阈值；
根据所述预设阈值确定分割误差；
根据所述分割误差调整所述纤维区域的像素。
8.一种基于颅内动脉图像的薄纤维帽斑块检测的装置，其特征在于，包括：
获取模块，用于获取颅内动脉OCT图像；
处理模块，用于通过训练好的纤维分割模型从所述颅内动脉OCT图像中分割出纤维区域；根据所述纤维区域确定管腔内壁；根据所述管腔内壁以及预设距离对所述颅内动脉OCT图像进行截取，得到截取后的颅内动脉OCT图像；通过训练好的脂质分割模型从所述截取后的颅内动脉OCT图像中分割出脂质区域；根据所述纤维区域以及所述脂质区域确定分割图像；根据所述分割图像确定薄纤维帽斑块检测结果。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种非暂态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如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210755614.5A CN114882017B (zh) | 2022-06-30 | 2022-06-30 | 基于颅内动脉图像的薄纤维帽斑块检测的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210755614.5A CN114882017B (zh) | 2022-06-30 | 2022-06-30 | 基于颅内动脉图像的薄纤维帽斑块检测的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114882017A true CN114882017A (zh) | 2022-08-09 |
| CN114882017B CN114882017B (zh) | 2022-10-28 |
Family
ID=82683370
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210755614.5A Active CN114882017B (zh) | 2022-06-30 | 2022-06-30 | 基于颅内动脉图像的薄纤维帽斑块检测的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114882017B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117405870A (zh) * | 2023-12-15 | 2024-01-16 | 北京市心肺血管疾病研究所 | 基于血清脂质代谢物构建冠心病患者不稳定斑块表型的预测模型 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100278735A1 (en) * | 2007-08-30 | 2010-11-04 | Lahey Clinic Foundation, Inc. | Methods for detection of vulnerable plaque with quantitative colorimetry during angeoscopy |
| US20150213629A1 (en) * | 2012-06-29 | 2015-07-30 | Consiglio Nazionale Delle Ricerche | Method of processing optical coherence tomography images |
| CN107993229A (zh) * | 2017-12-15 | 2018-05-04 | 西安中科微光影像技术有限公司 | 一种基于心血管ivoct图像的组织分类方法和装置 |
| CN108052909A (zh) * | 2017-12-15 | 2018-05-18 | 中国人民解放军总医院 | 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置 |
| CN108109149A (zh) * | 2017-12-14 | 2018-06-01 | 河北大学 | 一种冠状动脉oct图像自动分割方法 |
| CN108932720A (zh) * | 2018-07-24 | 2018-12-04 | 深圳先进技术研究院 | 一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法 |
| CN111291736A (zh) * | 2020-05-07 | 2020-06-16 | 南京景三医疗科技有限公司 | 图像修正方法、装置及医疗设备 |
| US20200327664A1 (en) * | 2019-04-10 | 2020-10-15 | Case Western Reserve University | Assessment of arterial calcifications |
| US20210125337A1 (en) * | 2019-10-24 | 2021-04-29 | Case Western Reserve University | Plaque segmentation in intravascular optical coherence tomography (oct) images using deep learning |
| CN113298831A (zh) * | 2021-06-30 | 2021-08-24 | 上海联影医疗科技股份有限公司 | 图像分割方法、装置、电子设备及存储介质 |
| CN113313714A (zh) * | 2021-05-25 | 2021-08-27 | 西安交通大学第二附属医院 | 一种基于改进U-Net网络的冠脉OCT图像病变斑块分割方法 |
| CN113436166A (zh) * | 2021-06-24 | 2021-09-24 | 深圳市铱硙医疗科技有限公司 | 基于磁共振血管造影数据的颅内动脉瘤检测方法及系统 |
-
2022
- 2022-06-30 CN CN202210755614.5A patent/CN114882017B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100278735A1 (en) * | 2007-08-30 | 2010-11-04 | Lahey Clinic Foundation, Inc. | Methods for detection of vulnerable plaque with quantitative colorimetry during angeoscopy |
| US20150213629A1 (en) * | 2012-06-29 | 2015-07-30 | Consiglio Nazionale Delle Ricerche | Method of processing optical coherence tomography images |
| CN108109149A (zh) * | 2017-12-14 | 2018-06-01 | 河北大学 | 一种冠状动脉oct图像自动分割方法 |
| CN107993229A (zh) * | 2017-12-15 | 2018-05-04 | 西安中科微光影像技术有限公司 | 一种基于心血管ivoct图像的组织分类方法和装置 |
| CN108052909A (zh) * | 2017-12-15 | 2018-05-18 | 中国人民解放军总医院 | 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置 |
| CN108932720A (zh) * | 2018-07-24 | 2018-12-04 | 深圳先进技术研究院 | 一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法 |
| US20200327664A1 (en) * | 2019-04-10 | 2020-10-15 | Case Western Reserve University | Assessment of arterial calcifications |
| US20210125337A1 (en) * | 2019-10-24 | 2021-04-29 | Case Western Reserve University | Plaque segmentation in intravascular optical coherence tomography (oct) images using deep learning |
| CN111291736A (zh) * | 2020-05-07 | 2020-06-16 | 南京景三医疗科技有限公司 | 图像修正方法、装置及医疗设备 |
| CN113313714A (zh) * | 2021-05-25 | 2021-08-27 | 西安交通大学第二附属医院 | 一种基于改进U-Net网络的冠脉OCT图像病变斑块分割方法 |
| CN113436166A (zh) * | 2021-06-24 | 2021-09-24 | 深圳市铱硙医疗科技有限公司 | 基于磁共振血管造影数据的颅内动脉瘤检测方法及系统 |
| CN113298831A (zh) * | 2021-06-30 | 2021-08-24 | 上海联影医疗科技股份有限公司 | 图像分割方法、装置、电子设备及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| 康天赐 等: "基于深度Q学习和可变形卷积U Net的肝脏肿瘤分割方法", 《计算机应用》 * |
| 张勃 等: "基于核图割算法的冠脉光学相干断层图像斑块区域分割", 《生物医学工程学杂志》 * |
| 王光磊 等: "基于中智学理论的冠脉光学相干断层图像的全自动多区域分割", 《生物医学工程学杂志》 * |
| 缪月红: "基于IVOCT的冠状动脉粥样硬化斑块识别算法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
| 黄宇翔: "基于模式识别的血管内光学相干断层扫描图像分割研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117405870A (zh) * | 2023-12-15 | 2024-01-16 | 北京市心肺血管疾病研究所 | 基于血清脂质代谢物构建冠心病患者不稳定斑块表型的预测模型 |
| CN117405870B (zh) * | 2023-12-15 | 2024-03-19 | 北京市心肺血管疾病研究所 | 基于血清脂质代谢物构建冠心病患者不稳定斑块表型的预测模型 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114882017B (zh) | 2022-10-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8270688B2 (en) | Method for intelligent qualitative and quantitative analysis assisting digital or digitized radiography softcopy reading | |
| CN116109663B (zh) | 基于多阈值分割的胃部ct影像分割方法 | |
| CN110610498A (zh) | 乳腺钼靶图像处理方法、系统、存储介质及设备 | |
| CN112132166B (zh) | 一种数字细胞病理图像智能分析方法、系统及装置 | |
| CN114882017B (zh) | 基于颅内动脉图像的薄纤维帽斑块检测的方法及装置 | |
| CN112132854B (zh) | 图像分割的方法及装置，以及电子设备 | |
| CN111462049A (zh) | 一种乳腺超声造影视频中病灶区形态自动标注方法 | |
| CN116071355A (zh) | 一种用于外周血管影像的辅助分割系统及方法 | |
| CN112508941A (zh) | 三维超声扫描完整性检测方法及装置 | |
| CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
| Mohan et al. | Exudate localization in retinal fundus images using modified speeded up robust features algorithm | |
| CN106651981B (zh) | 一种环形伪影修正的方法及装置 | |
| CN113469963B (zh) | 肺动脉图像分割方法及装置 | |
| CN112950734B (zh) | 冠脉重建方法、装置、电子设备和存储介质 | |
| CN109948622B (zh) | 一种头颈体动脉瘤检测方法、装置及计算机可读存储介质 | |
| CN113012127A (zh) | 基于胸部医学影像的心胸比测量方法 | |
| CN112862850A (zh) | 数字剪影血管造影影像处理方法及装置 | |
| CN109919098B (zh) | 目标对象的识别方法和装置 | |
| CN114612484B (zh) | 基于无监督学习的视网膜oct图像分割方法 | |
| CN116109610A (zh) | 一种超声检查报告图像中乳腺肿瘤分割方法和系统 | |
| CN116030042A (zh) | 一种针对医生目诊的诊断装置、方法、设备及存储介质 | |
| CN113409306A (zh) | 一种检测装置、训练方法、训练装置、设备和介质 | |
| CN111462067B (zh) | 图像分割方法及装置 | |
| IT201800001656A1 (it) | Metodo di elaborazione di immagini e metodo per la determinazione di caratteristiche quantitative e/o qualitative degli oggetti riprodotti in una immagine, sistema per l’elaborazione di immagini e sistema per la determinazione di caratteristiche quantitative e/o qualitative degli oggetti riprodotti in una immagine | |
| US20220245806A1 (en) | Method for learning threshold value |
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 |