CN114972221A - 一种图像处理方法、装置、电子设备及可读存储介质 - Google Patents

一种图像处理方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN114972221A
CN114972221A CN202210522323.1A CN202210522323A CN114972221A CN 114972221 A CN114972221 A CN 114972221A CN 202210522323 A CN202210522323 A CN 202210522323A CN 114972221 A CN114972221 A CN 114972221A
Authority
CN
China
Prior art keywords
network
fusion
detected
blood vessel
feature
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
Application number
CN202210522323.1A
Other languages
English (en)
Other versions
CN114972221B (zh
Inventor
刘宇航
丁佳
吕晨翀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Yizhun Intelligent Technology Co ltd
Original Assignee
Beijing Yizhun Medical AI Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Yizhun Medical AI Co Ltd filed Critical Beijing Yizhun Medical AI Co Ltd
Priority to CN202210522323.1A priority Critical patent/CN114972221B/zh
Publication of CN114972221A publication Critical patent/CN114972221A/zh
Application granted granted Critical
Publication of CN114972221B publication Critical patent/CN114972221B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06T2207/10—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
    • G06T2207/20084—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30172—Centreline of tubular or elongated structure
    • 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
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种图像处理方法、装置、电子设备及可读存储介质，该方法包括：从待检测原始图像中提取待检测血管的血管中心线，血管中心线上包括多个中心点；基于待检测原始图像及多个中心点生成待检测血管的拉直图像；基于第一网络对拉直图像进行特征提取，得到初步特征；初步特征包括多个维度的特征；多个维度包括沿着血管方向的第一维度和垂直于血管方向的第二维度；基于第二网络对初步特征进行第二维度的融合处理，得到第一融合特征；基于第三网络对第一融合特征进行第一维度的融合处理，得到第二融合特征；基于第四网络对第二融合特征进行分析，得到待检测血管的狭窄分析结果。通过实施本申请，能够得到准确的待检测血管狭窄分析结果。

Description

一种图像处理方法、装置、电子设备及可读存储介质
技术领域
本申请涉及图像处理技术领域，尤其涉及一种图像处理方法、装置、电子设备及可读存储介质。
背景技术
血管(比如，冠状动脉血管、颈动脉血管、下肢血管等)时常会出现不同程度的狭窄情况，而不同程度的狭窄与血管的异常情况密切相关，因此，检测和表征血管的狭窄至关重要。
发明内容
有鉴于此，本申请实施例通过提供一种图像处理方法、装置、电子设备及可读存储介质，用以至少解决现有技术中存在的上述技术问题。
根据本申请第一方面，本申请实施例提供了一种图像处理方法，包括：从待检测原始图像中提取待检测血管的血管中心线，血管中心线上包括多个中心点；基于待检测原始图像及多个中心点生成待检测血管的拉直图像；基于第一网络对拉直图像进行特征提取，得到初步特征；初步特征包括多个维度的特征；多个维度包括沿着血管方向的第一维度和垂直于血管方向的第二维度；基于第二网络对初步特征进行第二维度的融合处理，得到第一融合特征；基于第三网络对第一融合特征进行第一维度的融合处理，得到第二融合特征；基于第四网络对第二融合特征进行分析，得到待检测血管的狭窄分析结果。
可选地，基于待检测原始图像及多个中心点生成待检测血管的拉直图像，包括：从待检测原始图像中确定多个中心点各自对应的切面图像；将多个中心点各自对应的切面图像进行堆叠，得到待检测血管的拉直图像。
可选地，基于第二网络对初步特征进行第二维度的融合处理，得到第一融合特征，包括：基于第二网络，在第一维度上对初步特征进行取平均值处理，得到第一低维特征；基于第二网络，对第一低维特征进行特征提取，得到特征系数，特征系数用于表征拉直图像的血管区域和非血管区域的重要程度；基于第二网络，将特征系数与初步特征进行乘积，得到第一融合特征。
可选地，基于第三网络对第一融合特征进行第一维度的融合处理，得到第二融合特征，包括：基于第三网络，将第一融合特征与多个中心点对应的位置编码进行加和，得到第三融合特征；基于第三网络，对第三融合特征进行第一维度的融合处理，得到第二融合特征。
可选地，在基于第三网络，将第一融合特征与多个中心点对应的位置编码进行加和，得到第三融合特征之前，图像处理方法还包括：基于第三网络，在第二维度上对第一融合特征进行取平均值处理，得到第二低维特征；
相应地，基于第三网络，将第一融合特征与多个中心点对应的位置编码进行加和，得到第三融合特征，包括：基于第三网络，将第二低维特征与多个中心点对应的位置编码进行加和，得到第三融合特征。
可选地，第四网络包括分类网络、回归网络及分级网络；
基于第四网络对第二融合特征进行分析，得到待检测血管的狭窄分析结果，包括：采用分类网络对第二融合特征进行处理，得到待检测血管各个中心点对应的狭窄概率；采用回归网络对第二融合特征进行处理，得到待检测血管各个中心点对应的狭窄相对范围；采用分级网络对第二融合特征进行处理，得到待检测血管各个中心点对应的狭窄等级。
可选地，图像处理方法还包括：根据待检测血管各个中心点对应的狭窄概率和狭窄相对范围，对待检测血管各个中心点对应的狭窄概率、狭窄相对范围及狭窄等级进行非极大抑制处理，得到第一分析结果；确定第一分析结果中狭窄概率大于阈值的各目标中心点；将各目标中心点对应的狭窄概率、狭窄相对范围及狭窄等级进行输出，得到待检测血管的狭窄分析结果。
根据本申请第二方面，本申请实施例提供了一种图像处理装置，包括：第一提取单元，用于从待检测原始图像中提取待检测血管的血管中心线，血管中心线上包括多个中心点；生成单元，用于基于待检测原始图像及多个中心点生成待检测血管的拉直图像；第二提取单元，用于基于第一网络对拉直图像进行特征提取，得到初步特征；初步特征包括多个维度的特征；多个维度包括沿着血管方向的第一维度和垂直于血管方向的第二维度；第一融合单元，用于基于第二网络对初步特征进行第二维度的融合处理，得到第一融合特征；第二融合单元，用于基于第三网络对第一融合特征进行第一维度的融合处理，得到第二融合特征；分析单元，用于基于第四网络对第二融合特征进行分析，得到待检测血管的狭窄分析结果。
根据本申请第三方面，本申请实施例提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行如第一方面或第一方面任意实施方式中的图像处理方法。
根据本申请第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使计算机执行如第一方面或第一方面任意实施方式中的图像处理方法。
本申请实施例通过提供的图像处理方法、装置、电子设备及可读存储介质，从待检测原始图像中提取待检测血管的血管中心线，血管中心线上包括多个中心点；基于待检测原始图像及多个中心点生成待检测血管的拉直图像；基于第一网络对拉直图像进行特征提取，得到初步特征；初步特征包括多个维度的特征；多个维度包括沿着血管方向的第一维度和垂直于血管方向的第二维度；基于第二网络对初步特征进行第二维度的融合处理，得到第一融合特征；基于第三网络对第一融合特征进行第一维度的融合处理，得到第二融合特征；基于第四网络对第二融合特征进行分析，得到待检测血管的狭窄分析结果；如此，是在待检测血管的三维拉直图像上进行狭窄的定位与分析，可以避免由于在待检测原始图像上进行狭窄的定位与分析而造成大量的计算，同时待检测血管的三维拉直图像能提供更丰富的3D语义信息，便于待检测血管的狭窄分析，并且，通过对从拉直图像中提取的初步特征进行第二维度的融合处理，可以抑制拉直图像中非血管区域的特征，通过对第一融合特征进行第一维度的融合处理，可以使的待检测血管任一处的特征融合待检测血管其他处的特征，从而大大增加感受野，能够提高待检测血管狭窄分析结果的准确性。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例中一种图像处理方法的流程示意图；
图2为本申请实施例中基于待检测原始图像及多个中心点生成待检测血管的拉直图像的示意图；
图3为本申请实施例中基于第二网络对初步特征进行第二维度的融合处理，得到第一融合特征的流程示意图；
图4为本申请实施例中基于第三网络对第一融合特征进行第一维度的融合处理，得到第二融合特征的流程示意图；
图5为本申请实施例中基于第四网络对第二融合特征进行分析，得到待检测血管的狭窄分析结果的流程示意图；
图6为本申请实施例中一种图像处理装置的结构示意图；
图7为本申请实施例中一种电子设备的硬件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
相关技术中，是在原始的血管造影图像上进行血管狭窄分析。由于原始的血管造影图像较大，直接在上面进行狭窄的定位比较困难且计算量较大。
因此，本申请实施例提供了一种图像处理方法，如图1所示，包括：
S101，从待检测原始图像中提取待检测血管的血管中心线，血管中心线上包括多个中心点。
本申请实施例中的待检测原始图像包括但不限于：电子计算机断层扫描(ComputedTomography，CT)图像、CT血管造影(CT Angiography，CTA)图像、磁共振成像(MagneticResonance Imaging，MRI)图像、正电子发射计算机断层显像-核磁共振成像(PET-MRI)图像等。
本申请实施例中的待检测血管为具有狭窄分析需求的血管，其包括但不限于：冠状动脉血管、颈动脉血管、下肢血管等。
本申请实施例中的血管中心线是位于待检测血管中心的中心线，由于待检测原始图像中可以包括至少一个待检测血管，则对于每一待检测血管，均会提取出相应的中心线，即S101中可以提取待检测原始图像中每一待检测血管的血管中心线，每一待检测血管的血管中心线上均会包括多个中心点。每一待检测血管的多个中心点的点集
Figure BDA0003642141060000061
其中x、y、z为坐标位置，多个中心点的总个数为N。
在一个可行的实施例中，血管中心线可以是人工标注的，也可以是由相应的算法自动或半自动提取得到的，本申请并不限定血管中心线的提取方式。
S102，基于待检测原始图像及多个中心点生成待检测血管的拉直图像。
为了能够更加清晰地获取到血管的图像，在本实施例中，从待检测原始图像中提取到待检测血管的血管中心线之后，如图2所示，可以基于待检测原始图像及多个中心点生成待检测血管的拉直图像。图2中待检测原始图像为冠状动脉CT造影图像(简称CCTA)，图2中仅示例性地示出了一条待检测血管的拉直图像。
在一些实施例中，可以通过曲面重建的方式和/或拉直成像的方式对待检测原始图像进行伸展拉直处理，然后以多个中心点为中心，切出一个N×P×P的三维图像，即得到待检测血管的拉直图像。其中，N为血管长度，也即中心点的数量，P为切面的边长。
在一些实施例中，可以从待检测原始图像中确定多个中心点各自对应的切面图像；将多个中心点各自对应的切面图像进行堆叠，得到待检测血管的拉直图像。具体做法可以为：沿着血管的走向，分别在待检测原始图像的每个中心点的法平面上，以该点为中心，切出一个P×P的切面。将这N个P×P的切面堆叠起来，形成最终的三维血管拉直图像。其中，N为血管长度，也即中心点的数量，P为切面的边长。每个切面图像包括血管区域和非血管区域，其中，血管区域位于切面图像的正中间。通过将每个中心点各自对应的切面图像进行堆叠，形成拉直图像，可以将扭曲、缩短和重叠的血管结构伸展拉直，展示在同一平面上，可显示待检测血管走向及待检测血管丰富的3D语义信息。
S103，基于第一网络对拉直图像进行特征提取，得到初步特征；初步特征包括多个维度的特征；多个维度包括沿着血管方向的第一维度和垂直于血管方向的第二维度。
本申请实施例中的第一网络包括但不限于卷积神经网络(Convolutional NeuralNetworks，CNN)，比如，常用CNN特征提取网络3DUNet、VGG-16、VGG-19、Resnet等。
具体实施时，我们以3DUNet作为特征提取网络，将拉直图像输入3DUNet网络后，得到初步特征F∈RP×P×N×C。其中C为特征的维度数量。
S104，基于第二网络对初步特征进行第二维度的融合处理，得到第一融合特征。
本申请实施例中，获取到初步特征之后，从两个角度进行特征融合，首先是血管横切面上的特征融合，也即垂直于血管方向这一维度的特征融合。
本申请实施例中的第二网络包括但不限于卷积神经网络(Convolutional NeuralNetworks，CNN)，例如具有多层卷积层以及sigmoid函数的卷积神经网络，多层卷积层优先3层。
通过第二网络对初步特征进行第二维度的融合处理，可以使得切面图像上的血管区域的特征融合非血管区域的特征，且能够抑制拉直图像中非血管区域的特征。
S105，基于第三网络对第一融合特征进行第一维度的融合处理，得到第二融合特征。
本申请实施例中，在进行了横切面上的特征融合之后，再进行血管方向上的特征融合。此时，可以基于第三网络对第一融合特征进行第一维度的融合处理。
本申请实施例中的第三网络优选为带有自注意力机制的神经网络，例如TransformerEncoder网络。TransformerEncoder网络优选为6层。
通过第三网络对第一融合特征进行第一维度的融合处理，可以使得待检测血管任一处的特征融合待检测血管其他处的特征，从而大大增加感受野。
S106，基于第四网络对第二融合特征进行分析，得到待检测血管的狭窄分析结果。
本申请实施例中的第四网络包括但不限于分类网络、回归网络及分级网络。因此，待检测血管的狭窄分析结果包括待检测血管各中心点对应的血管各处的狭窄概率、狭窄相对范围、狭窄等级。
在本申请实施例中，第一网络、第二网络、第三网络和第四网络组成适用于本申请的血管狭窄分析模型。训练第一网络、第二网络、第三网络和第四网络的步骤可以包括：
1、获取样本图像。
2、从样本图像中提取样本血管的样本血管中心线，样本血管中心线上包括多个样本中心点。
3、基于样本图像及多个样本中心点生成样本血管的拉直图像。
4、对每一拉直图像上的每个样本中心点均标注狭窄标签，该狭窄标签可以为狭窄系数、狭窄相对范围和狭窄等级。
5、基于样本血管的拉直图像及拉直图像上的每个样本中心点标注的狭窄标签，对U-Net网络模型进行狭窄分析的训练学习，在训练学习的过程中调整U-Net网络的模型参数，直至U-Net网络模型输出的狭窄分析结果，与每一样本中心点标注的狭窄标签相匹配。
6、将训练好的U-Net网络模型作为最终的血管狭窄分析模型。
以下以心脏CT造影图像为例进行血管狭窄分析模型的训练过程说明。
A、样本收集：
收集900例心脏CT造影图像，将其按照8：1：1的比例随机划分为训练集、验证集、测试集。我们将使用训练集训练模型，用验证集挑选效果最佳的模型，并用测试集来评价最终效果。
B、训练超参数设置：
使用U-Net模型进行训练，批次大小设置为32，学习率设置为0.003，采用随机梯度下降的方法对U-Net模型训练，共训练40轮次。训练的优化器选择为Adam。在U-Net模型训练的过程中，每训练5个轮次将U-Net模型进行保存，最后挑选出验证集上效果最好的U-Net模型用于血管狭窄分析预测。测试时将概率阈值设为0.6。在训练阶段，分类网络和分级网络的损失函数都是CrossEntropyLoss，回归器的损失函数是MSELOSS。
C、数据增强方式：
在训练过程中，为了缓解过拟合，我们对生成的拉直图像进行随机裁剪和随机旋转。
需要说明的是，除了将上述的四个网络作为一个整体进行训练之外，在实际应用中，还可以对第一网络、第二网络、第三网络、第四网络分别进行训练。
本申请实施例通过提供的图像处理方法，从待检测原始图像中提取待检测血管的血管中心线，血管中心线上包括多个中心点；基于待检测原始图像及多个中心点生成待检测血管的拉直图像；基于第一网络对拉直图像进行特征提取，得到初步特征；初步特征包括多个维度的特征；多个维度包括沿着血管方向的第一维度和垂直于血管方向的第二维度；基于第二网络对初步特征进行第二维度的融合处理，得到第一融合特征；基于第三网络对第一融合特征进行第一维度的融合处理，得到第二融合特征；基于第四网络对第二融合特征进行分析，得到待检测血管的狭窄分析结果；如此，是在待检测血管的三维拉直图像上进行狭窄的定位与分析，可以避免由于在待检测原始图像上进行狭窄的定位与分析而造成大量的计算，同时待检测血管的三维拉直图像能提供更丰富的3D语义信息，便于待检测血管的狭窄分析，并且，通过对从拉直图像中提取的初步特征进行第二维度的融合处理，可以抑制拉直图像中非血管区域的特征，通过对第一融合特征进行第一维度的融合处理，可以使的待检测血管任一处的特征融合待检测血管其他处的特征，从而大大增加感受野，能够提高待检测血管狭窄分析结果的准确性。
在一个可选的实施例中，步骤S104，基于第二网络对初步特征进行第二维度的融合处理，得到第一融合特征，包括：基于第二网络，在第一维度上对初步特征进行取平均值处理，得到第一低维特征；基于第二网络，对第一低维特征进行特征提取，得到特征系数，特征系数用于表征拉直图像的血管区域和非血管区域的重要程度；基于第二网络，将特征系数与初步特征进行乘积，得到第一融合特征。
具体实施时，如图3所示，可以首先将初步特征F∈RP×P×N×C，在沿着血管方向的第一维度取平均，得到F0∈RP×P×c，即第一低维特征，这样做是为了获取一个低维的能区分血管区域与非血管区域的特征。然后将其通过3层卷积层以及sigmoid函数后得到特征系数A1∈RP×P×1。待检测血管位于拉直图像的正中间，而待检测血管周围会有一些亮度高的噪声，该步骤的作用是通过学习，使得第二网络对于血管区域周边的非血管区域，能够预测出较小的特征系数。然后将F乘上特征系数后得到新的特征F1∈RP×P×N×C，即第一融合特征。该步骤中，特征系数与F相乘后能够抑制非血管区域的特征。
在一个可选的实施例中，步骤S105，基于第三网络对第一融合特征进行第一维度的融合处理，得到第二融合特征，包括：基于第三网络，将第一融合特征与多个中心点对应的位置编码进行加和，得到第三融合特征；基于第三网络，对第三融合特征进行第一维度的融合处理，得到第二融合特征。
具体实施时，为了使每个中心点处的特征维度的数量从P×P×C降为C，节省计算量，在基于第三网络，将第一融合特征与多个中心点对应的位置编码进行加和，得到第三融合特征之前，图像处理方法还包括：基于第三网络，在第二维度上对第一融合特征进行取平均值处理，得到第二低维特征。
相应地，基于第三网络，将第一融合特征与多个中心点对应的位置编码进行加和，得到第三融合特征，包括：基于第三网络，将第二低维特征与多个中心点对应的位置编码进行加和，得到第三融合特征。
例如，如图4所示，将F1∈RP×P×N×C在垂直于血管方向的第二维度取平均，得到特征F′∈RN×C，即第二低维特征。
然后根据每个中心点的位置生成位置编码E∈RN×C，将它与特征F′∈RN×C相加后输入6层TransformerEncoder层，利用TransformerEncoder的自注意力机制，得到融合后的特征F″∈RN×C。该步骤能够使待检测血管各处的特征融合待检测血管其他部分的特征，从而大大增大感受野。
在本申请实施例中，通过将第一融合特征与多个中心点对应的位置编码进行加和，可以使得第三融合特征具有中心点的位置特征，从而使得第三融合特征经过第三网络处理后，使得待检测血管各处的特征融合待检测血管其他部分的特征，从而大大增大感受野。
在一个可选的实施例中，第四网络包括分类网络、回归网络及分级网络；
步骤S106，基于第四网络对第二融合特征进行分析，得到待检测血管的狭窄分析结果，包括：采用分类网络对第二融合特征进行处理，得到待检测血管各个中心点对应的狭窄概率；采用回归网络对第二融合特征进行处理，得到待检测血管各个中心点对应的狭窄相对范围；采用分级网络对第二融合特征进行处理，得到待检测血管各个中心点对应的狭窄等级。
具体实施时，如图5所示，分类网络(分类器)在待检测血管每处位置预测一个值p∈(0,1)，表示该处存在狭窄的概率，待检测血管的一个中心点对应的血管位置为待检测血管的一处位置；回归网络(回归器)在待检测血管每处预测2个值s,e，表示狭窄的相对范围；分级网络(分级器)在待检测血管每处预测K个值，并将最大值的下标g∈[1,2,…K]作为预测的狭窄程度。其中K是狭窄程度级别的个数。
在本申请实施例中，通过分类网络、回归网络、分级网络，能够快速、高效地对待检测血管上的狭窄进行定位与分级，且分类网络、回归网络、分级网络结构简单，训练速度快。
在一个可选的实施例中，图像处理方法还包括：根据待检测血管各个中心点对应的狭窄概率和狭窄相对范围，对待检测血管各个中心点对应的狭窄概率、狭窄相对范围及狭窄等级进行非极大抑制处理，得到第一分析结果；确定第一分析结果中狭窄概率大于阈值的各目标中心点；将各目标中心点对应的狭窄概率、狭窄相对范围及狭窄等级进行输出，得到待检测血管的狭窄分析结果。
具体实施时，可以根据预测的概率和相对范围做非极大抑制，从而去除待检测血管重复位置的预测，并取一个概率阈值θ，保留第一分析结果中概率大于θ的所有结果，作为最终的狭窄分析结果。
在本申请实施例中，通过进行非极大抑制处理和狭窄概率筛选，可以去除待检测血管重复位置的预测和提高狭窄分析结果的准确性。
本申请实施例提供了一种图像处理装置，如图6所示，包括：
第一提取单元61，用于从待检测原始图像中提取待检测血管的血管中心线，血管中心线上包括多个中心点；
生成单元62，用于基于待检测原始图像及多个中心点生成待检测血管的拉直图像；
第二提取单元63，用于基于第一网络对拉直图像进行特征提取，得到初步特征；初步特征包括多个维度的特征；多个维度包括沿着血管方向的第一维度和垂直于血管方向的第二维度；
第一融合单元64，用于基于第二网络对初步特征进行第二维度的融合处理，得到第一融合特征；
第二融合单元65，用于基于第三网络对第一融合特征进行第一维度的融合处理，得到第二融合特征；
分析单元66，用于基于第四网络对第二融合特征进行分析，得到待检测血管的狭窄分析结果。
本申请实施例通过提供的图像处理装置，从待检测原始图像中提取待检测血管的血管中心线，血管中心线上包括多个中心点；基于待检测原始图像及多个中心点生成待检测血管的拉直图像；基于第一网络对拉直图像进行特征提取，得到初步特征；初步特征包括多个维度的特征；多个维度包括沿着血管方向的第一维度和垂直于血管方向的第二维度；基于第二网络对初步特征进行第二维度的融合处理，得到第一融合特征；基于第三网络对第一融合特征进行第一维度的融合处理，得到第二融合特征；基于第四网络对第二融合特征进行分析，得到待检测血管的狭窄分析结果；如此，是在待检测血管的三维拉直图像上进行狭窄的定位与分析，可以避免由于在待检测原始图像上进行狭窄的定位与分析而造成大量的计算，同时待检测血管的三维拉直图像能提供更丰富的3D语义信息，便于待检测血管的狭窄分析，并且，通过对从拉直图像中提取的初步特征进行第二维度的融合处理，可以抑制拉直图像中非血管区域的特征，通过对第一融合特征进行第一维度的融合处理，可以使的待检测血管任一处的特征融合待检测血管其他处的特征，从而大大增加感受野，能够提高待检测血管狭窄分析结果的准确性。
在一个可选的实施例中，生成单元62用于从待检测原始图像中确定多个中心点各自对应的切面图像；将多个中心点各自对应的切面图像进行堆叠，得到待检测血管的拉直图像。
在一个可选的实施例中，第一融合单元64用于基于第二网络，在第一维度上对初步特征进行取平均值处理，得到第一低维特征；基于第二网络，对第一低维特征进行特征提取，得到特征系数，特征系数用于表征拉直图像的血管区域和非血管区域的重要程度；基于第二网络，将特征系数与初步特征进行乘积，得到第一融合特征。
在一个可选的实施例中，第二融合单元65用于基于第三网络，将第一融合特征与多个中心点对应的位置编码进行加和，得到第三融合特征；基于第三网络，对第三融合特征进行第一维度的融合处理，得到第二融合特征。
在一个可选的实施例中，第二融合单元65还用于基于第三网络，在第二维度上对第一融合特征进行取平均值处理，得到第二低维特征；
相应地，第二融合单元65用于基于第三网络，将第二低维特征与多个中心点对应的位置编码进行加和，得到第三融合特征。
在一个可选的实施例中，第四网络包括分类网络、回归网络及分级网络。
分析单元66用于采用分类网络对第二融合特征进行处理，得到待检测血管各个中心点对应的狭窄概率；采用回归网络对第二融合特征进行处理，得到待检测血管各个中心点对应的狭窄相对范围；采用分级网络对第二融合特征进行处理，得到待检测血管各个中心点对应的狭窄等级。
在一个可选的实施例中，分析单元66还用于根据待检测血管各个中心点对应的狭窄概率和狭窄相对范围，对待检测血管各个中心点对应的狭窄概率、狭窄相对范围及狭窄等级进行非极大抑制处理，得到第一分析结果；确定第一分析结果中狭窄概率大于阈值的各目标中心点；将各目标中心点对应的狭窄概率、狭窄相对范围及狭窄等级进行输出，得到待检测血管的狭窄分析结果。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
图7示出了可以用来实施本申请的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如图像处理方法。例如，在一些实施例中，图像处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的图像处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
此外，术语“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”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种图像处理方法，其特征在于，包括：
从待检测原始图像中提取待检测血管的血管中心线，所述血管中心线上包括多个中心点；
基于所述待检测原始图像及所述多个中心点生成所述待检测血管的拉直图像；
基于第一网络对所述拉直图像进行特征提取，得到初步特征；所述初步特征包括多个维度的特征；所述多个维度包括沿着血管方向的第一维度和垂直于血管方向的第二维度；
基于第二网络对所述初步特征进行所述第二维度的融合处理，得到第一融合特征；
基于第三网络对所述第一融合特征进行所述第一维度的融合处理，得到第二融合特征；
基于第四网络对所述第二融合特征进行分析，得到所述待检测血管的狭窄分析结果。
2.根据权利要求1所述的图像处理方法，其特征在于，所述基于所述待检测原始图像及所述多个中心点生成所述待检测血管的拉直图像，包括：
从所述待检测原始图像中确定所述多个中心点各自对应的切面图像；
将所述多个中心点各自对应的切面图像进行堆叠，得到所述待检测血管的拉直图像。
3.根据权利要求1所述的图像处理方法，其特征在于，所述基于第二网络对所述初步特征进行第二维度的融合处理，得到第一融合特征，包括：
基于第二网络，在所述第一维度上对所述初步特征进行取平均值处理，得到第一低维特征；
基于第二网络，对所述第一低维特征进行特征提取，得到特征系数，所述特征系数用于表征所述拉直图像的血管区域和非血管区域的重要程度；
基于第二网络，将所述特征系数与所述初步特征进行乘积，得到第一融合特征。
4.根据权利要求1所述的图像处理方法，其特征在于，所述基于第三网络对所述第一融合特征进行所述第一维度的融合处理，得到第二融合特征，包括：
基于第三网络，将所述第一融合特征与所述多个中心点对应的位置编码进行加和，得到第三融合特征；
基于第三网络，对所述第三融合特征进行所述第一维度的融合处理，得到第二融合特征。
5.根据权利要求4所述的图像处理方法，其特征在于，在基于第三网络，将所述第一融合特征与所述多个中心点对应的位置编码进行加和，得到第三融合特征之前，还包括：
基于第三网络，在所述第二维度上对所述第一融合特征进行取平均值处理，得到第二低维特征；
相应地，基于第三网络，将所述第一融合特征与所述多个中心点对应的位置编码进行加和，得到第三融合特征，包括：
基于第三网络，将所述第二低维特征与所述多个中心点对应的位置编码进行加和，得到第三融合特征。
6.根据权利要求1所述的图像处理方法，其特征在于，所述第四网络包括分类网络、回归网络及分级网络；
所述基于第四网络对所述第二融合特征进行分析，得到所述待检测血管的狭窄分析结果，包括：
采用分类网络对所述第二融合特征进行处理，得到所述待检测血管各个中心点对应的狭窄概率；
采用回归网络对所述第二融合特征进行处理，得到所述待检测血管各个中心点对应的狭窄相对范围；
采用分级网络对所述第二融合特征进行处理，得到所述待检测血管各个中心点对应的狭窄等级。
7.根据权利要求6所述的图像处理方法，其特征在于，还包括：
根据所述待检测血管各个中心点对应的狭窄概率和狭窄相对范围，对所述待检测血管各个中心点对应的狭窄概率、狭窄相对范围及狭窄等级进行非极大抑制处理，得到第一分析结果；
确定第一分析结果中狭窄概率大于阈值的各目标中心点；
将各目标中心点对应的狭窄概率、狭窄相对范围及狭窄等级进行输出，得到所述待检测血管的狭窄分析结果。
8.一种图像处理装置，其特征在于，包括：
第一提取单元，用于从待检测原始图像中提取待检测血管的血管中心线，所述血管中心线上包括多个中心点；
生成单元，用于基于所述待检测原始图像及所述多个中心点生成所述待检测血管的拉直图像；
第二提取单元，用于基于第一网络对所述拉直图像进行特征提取，得到初步特征；所述初步特征包括多个维度的特征；所述多个维度包括沿着血管方向的第一维度和垂直于血管方向的第二维度；
第一融合单元，用于基于第二网络对所述初步特征进行所述第二维度的融合处理，得到第一融合特征；
第二融合单元，用于基于第三网络对所述第一融合特征进行所述第一维度的融合处理，得到第二融合特征；
分析单元，用于基于第四网络对所述第二融合特征进行分析，得到所述待检测血管的狭窄分析结果。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-7任意一项所述的图像处理方法。
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存储有计算机指令，所述计算机指令用于使计算机执行如权利要求1-7任意一项所述的图像处理方法。
CN202210522323.1A 2022-05-13 2022-05-13 一种图像处理方法、装置、电子设备及可读存储介质 Active CN114972221B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210522323.1A CN114972221B (zh) 2022-05-13 2022-05-13 一种图像处理方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210522323.1A CN114972221B (zh) 2022-05-13 2022-05-13 一种图像处理方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN114972221A true CN114972221A (zh) 2022-08-30
CN114972221B CN114972221B (zh) 2022-12-23

Family

ID=82984037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210522323.1A Active CN114972221B (zh) 2022-05-13 2022-05-13 一种图像处理方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN114972221B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115526887A (zh) * 2022-10-28 2022-12-27 北京医准智能科技有限公司 一种血管管径的预测方法、装置、电子设备及存储介质
CN116721159A (zh) * 2023-08-04 2023-09-08 北京智源人工智能研究院 超声颈动脉中心点坐标预测方法及颈动脉横切面追踪方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6377832B1 (en) * 1998-03-20 2002-04-23 Georgia Tech Research Corporation System and method for analyzing a medical image
US20110081057A1 (en) * 2009-10-06 2011-04-07 Eigen, Llc Apparatus for stenosis estimation
US20110224542A1 (en) * 2010-03-12 2011-09-15 Sushil Mittal Method and System for Automatic Detection and Classification of Coronary Stenoses in Cardiac CT Volumes
US20190130578A1 (en) * 2017-10-27 2019-05-02 Siemens Healthcare Gmbh Vascular segmentation using fully convolutional and recurrent neural networks
CN109872321A (zh) * 2019-02-26 2019-06-11 数坤（北京）网络科技有限公司 一种血管狭窄检测方法及设备
CN109979593A (zh) * 2018-09-24 2019-07-05 北京昆仑医云科技有限公司 血管路径的健康半径的预测方法、血管路径的候选狭窄处的预测方法、血管狭窄度预测装置
CN110310256A (zh) * 2019-05-30 2019-10-08 上海联影智能医疗科技有限公司 冠脉狭窄检测方法、装置、计算机设备和存储介质
CN111369528A (zh) * 2020-03-03 2020-07-03 重庆理工大学 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法
CN111667456A (zh) * 2020-04-28 2020-09-15 北京理工大学 一种冠状动脉x光序列造影中血管狭窄检测方法及装置
CN111815599A (zh) * 2020-07-01 2020-10-23 上海联影智能医疗科技有限公司 一种图像处理方法、装置、设备及存储介质
CN112288731A (zh) * 2020-11-05 2021-01-29 杭州深睿博联科技有限公司 一种血管狭窄分析方法及装置
WO2021117043A1 (en) * 2019-12-10 2021-06-17 Medhub Ltd Automatic stenosis detection
US20210334963A1 (en) * 2017-03-24 2021-10-28 Pie Medical Imaging B.V. Method and system for assessing vessel obstruction based on machine learning
CN114119455A (zh) * 2021-09-03 2022-03-01 乐普（北京）医疗器械股份有限公司 一种基于目标检测网络定位血管狭窄部位的方法和装置

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6377832B1 (en) * 1998-03-20 2002-04-23 Georgia Tech Research Corporation System and method for analyzing a medical image
US20110081057A1 (en) * 2009-10-06 2011-04-07 Eigen, Llc Apparatus for stenosis estimation
US20110224542A1 (en) * 2010-03-12 2011-09-15 Sushil Mittal Method and System for Automatic Detection and Classification of Coronary Stenoses in Cardiac CT Volumes
US20210334963A1 (en) * 2017-03-24 2021-10-28 Pie Medical Imaging B.V. Method and system for assessing vessel obstruction based on machine learning
US20190130578A1 (en) * 2017-10-27 2019-05-02 Siemens Healthcare Gmbh Vascular segmentation using fully convolutional and recurrent neural networks
CN109979593A (zh) * 2018-09-24 2019-07-05 北京昆仑医云科技有限公司 血管路径的健康半径的预测方法、血管路径的候选狭窄处的预测方法、血管狭窄度预测装置
US20200098124A1 (en) * 2018-09-24 2020-03-26 Beijing Curacloud Technology Co., Ltd. Prediction method for healthy radius of blood vessel path, prediction method for candidate stenosis of blood vessel path, and blood vessel stenosis degree prediction device
CN109872321A (zh) * 2019-02-26 2019-06-11 数坤（北京）网络科技有限公司 一种血管狭窄检测方法及设备
CN110310256A (zh) * 2019-05-30 2019-10-08 上海联影智能医疗科技有限公司 冠脉狭窄检测方法、装置、计算机设备和存储介质
WO2021117043A1 (en) * 2019-12-10 2021-06-17 Medhub Ltd Automatic stenosis detection
CN111369528A (zh) * 2020-03-03 2020-07-03 重庆理工大学 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法
CN111667456A (zh) * 2020-04-28 2020-09-15 北京理工大学 一种冠状动脉x光序列造影中血管狭窄检测方法及装置
CN111815599A (zh) * 2020-07-01 2020-10-23 上海联影智能医疗科技有限公司 一种图像处理方法、装置、设备及存储介质
CN112288731A (zh) * 2020-11-05 2021-01-29 杭州深睿博联科技有限公司 一种血管狭窄分析方法及装置
WO2022095895A1 (zh) * 2020-11-05 2022-05-12 杭州深睿博联科技有限公司 一种血管狭窄分析方法及装置
CN114119455A (zh) * 2021-09-03 2022-03-01 乐普（北京）医疗器械股份有限公司 一种基于目标检测网络定位血管狭窄部位的方法和装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
JONG HAKMOON等: "Automatic stenosis recognition from coronary angiography using convolutional neural networks", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》 *
KUN PANG等: "Stenosis-DetNet: Sequence consistency-based stenosis detection for X-ray coronary angiography", 《COMPUTERIZED MEDICAL IMAGING AND GRAPHICS》 *
姜金录: "冠状动脉中心线提取及狭窄检测方法研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 *
孙巧榆等: "基于模糊C均值法的CTA图像冠状动脉狭窄量化", 《东南大学学报(自然科学版)》 *
康皓贝等: "基于深度卷积网络的冠脉血管分割方法", 《电子技术与软件工程》 *
李越: "心血管造影图像分割方法综述", 《计算机系统应用》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115526887A (zh) * 2022-10-28 2022-12-27 北京医准智能科技有限公司 一种血管管径的预测方法、装置、电子设备及存储介质
CN116721159A (zh) * 2023-08-04 2023-09-08 北京智源人工智能研究院 超声颈动脉中心点坐标预测方法及颈动脉横切面追踪方法
CN116721159B (zh) * 2023-08-04 2023-11-03 北京智源人工智能研究院 超声颈动脉中心点坐标预测方法及颈动脉横切面追踪方法

Also Published As

Publication number Publication date
CN114972221B (zh) 2022-12-23

Similar Documents

Publication Publication Date Title
CN114972221B (zh) 一种图像处理方法、装置、电子设备及可读存储介质
US20210272030A1 (en) Systems and methods for using geometry sensitivity information for guiding workflow
CN113436166A (zh) 基于磁共振血管造影数据的颅内动脉瘤检测方法及系统
CN115409990B (zh) 一种医学图像分割方法、装置、设备及存储介质
CN114742802B (zh) 基于3Dtransformer混合卷积神经网络的胰腺CT图像分割方法
CN114782398A (zh) 用于医学图像分析的学习网络的训练方法和训练系统
CN113256670A (zh) 图像处理方法及装置、网络模型的训练方法及装置
CN116245832A (zh) 一种图像处理方法、装置、设备及存储介质
CN115861255A (zh) 用于图像处理的模型训练方法、装置、设备、介质及产品
CN113971728B (zh) 图像识别方法、模型的训练方法、装置、设备及介质
US10354349B2 (en) Systems and methods for using geometry sensitivity information for guiding workflow
CN113469963B (zh) 肺动脉图像分割方法及装置
CN114972220B (zh) 一种图像处理方法、装置、电子设备及可读存储介质
EP4442196A1 (en) Cirrhotic portal hypertension diagnosing method, apparatus, device, and medium
CN114972361B (zh) 一种血流分割方法、装置、设备及存储介质
CN115482358A (zh) 一种三角网格曲面的生成方法、装置、设备及存储介质
CN114998273A (zh) 血管图像处理方法、装置、电子设备及存储介质
Diedrich et al. Comparing performance of centerline algorithms for quantitative assessment of brain vascular anatomy
CN115482261A (zh) 血管配准方法、装置、电子设备及存储介质
CN117372261B (zh) 基于卷积神经网络的分辨率重建方法、装置、设备及介质
CN117974612A (zh) 胸片肋骨抑制方法、装置、设备以及存储介质
CN114972242B (zh) 心肌桥检测模型的训练方法、装置及电子设备
CN115187582B (zh) 一种淋巴结分割方法、装置、电子设备及可读存储介质
CN117808823A (zh) 冠脉血管分割处理方法、装置、电子设备及存储介质
CN116071555B (zh) 一种建立WMHs分割模型的方法、WMHs分割方法及装置

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
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000

Patentee after: Zhejiang Yizhun Intelligent Technology Co.,Ltd.

Address before: No. 1202-1203, 12 / F, block a, Zhizhen building, No. 7, Zhichun Road, Haidian District, Beijing 100083

Patentee before: Beijing Yizhun Intelligent Technology Co.,Ltd.