CN115147360A - 一种斑块分割方法、装置、电子设备及可读存储介质 - Google Patents
一种斑块分割方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN115147360A CN115147360A CN202210660968.1A CN202210660968A CN115147360A CN 115147360 A CN115147360 A CN 115147360A CN 202210660968 A CN202210660968 A CN 202210660968A CN 115147360 A CN115147360 A CN 115147360A
- Authority
- CN
- China
- Prior art keywords
- plaque
- blood vessel
- central point
- segmentation
- central
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 209
- 238000000034 method Methods 0.000 title claims abstract description 41
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 167
- 238000005070 sampling Methods 0.000 claims description 55
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 4
- 150000002632 lipids Chemical class 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 8
- 208000031481 Pathologic Constriction Diseases 0.000 description 7
- 208000037804 stenosis Diseases 0.000 description 7
- 230000036262 stenosis Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 210000004351 coronary vessel Anatomy 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010968 computed tomography angiography Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 210000002808 connective tissue Anatomy 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/30101—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种斑块分割方法、装置、电子设备及可读存储介质，通过获取血管中心线上对应疑似斑块的目标中心点，其中，血管中心线为待检测原始图像中血管的中心线；从待检测原始图像中截取出与目标中心点对应的第一血管子图像，第一血管子图像包括目标中心点；基于斑块分割网络对目标中心点对应的第一血管子图像进行斑块分割，得到第一斑块分割结果；基于第一斑块分割结果对待检测原始图像进行斑块分割，得到第二斑块分割结果。如此，是直接对存在疑似斑块的第一血管子图像进行斑块分割，去除了大量的冗余信息和背景噪声信息，可以提高脂质斑块和混合斑块的分割准确度，从而得到精确的斑块分割结果。
Description
技术领域
本申请涉及医疗数据分析技术领域，尤其涉及一种斑块分割方法、装置、电子设备及可读存储介质。
背景技术
近年来，冠状动脉疾病作为一种主要的心血管疾病，已在世界范围内对人类健康构成严重威胁。冠状动脉壁上的斑块分割对于冠状动脉疾病的诊断具有重要意义。冠状动脉壁上的斑块可分为三类：钙化斑块(CAP)、脂质斑块(NCAP)和混合斑块(MCAP)。目前，为提升患者无创体验，医院大多基于冠状动脉计算机断层血管造影(CCTA)图像进行冠状动脉壁上的斑块分割。在CCTA图像中，由于CAP具有极高的亮度，因此CAP很容易识别；但在CCTA图像中识别NCAP和MCAP非常具有挑战性，因为NCAP和MCAP与周围组织具有相似的颜色和强度。
现阶段对三类斑块的分割主要还是依赖专业医生对CCTA图像逐像素的人工标注，这样的做法未免费时费力；此外，对于医疗水平不发达的地区，专业医生的缺失对当地患者斑块的及时诊断带来了挑战。因此，设计一款斑块分割的自动化装置是亟需解决的问题。
发明内容
有鉴于此，本申请实施例通过提供一种斑块分割方法、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斑块分割方法，包括：获取血管中心线上对应疑似斑块的目标中心点，其中，血管中心线为待检测原始图像中血管的中心线；从待检测原始图像中截取出与目标中心点对应的第一血管子图像，第一血管子图像包括目标中心点；基于斑块分割网络对目标中心点对应的第一血管子图像进行斑块分割，得到第一斑块分割结果；基于第一斑块分割结果对待检测原始图像进行斑块分割，得到第二斑块分割结果。
可选地，获取血管中心线上对应疑似斑块的目标中心点，包括：获取待检测原始图像对应的血管拉直图像，血管拉直图像包括血管中心线上的多个中心点对应的多个第二血管子图像；基于第一网络对各中心点对应的第二血管子图像进行特征提取，得到各中心点对应的第一特征；将各中心点对应的第一特征与各中心点对应的位置编码进行融合，得到各中心点对应的第二特征；基于第二网络对各中心点对应的第二特征进行斑块分析，得到各中心点对应的斑块分析结果；基于各中心点对应的斑块分析结果确定血管中心线上对应疑似斑块的目标中心点。
可选地，从待检测原始图像中截取出与目标中心点对应的第一血管子图像，包括：确定目标中心点在待检测原始图像中的位置信息；基于位置信息，以目标中心点为中心，从待检测原始图像中截取第一预设尺寸的立方体块，得到目标中心点对应的第一血管子图像。
可选地，立方体块的边长等于64像素。
可选地，从待检测原始图像中截取出与目标中心点对应的第一血管子图像，包括：对目标中心点进行采样，得到采样中心点，以使目标中心点均被以采样中心点为中心的第二预设尺寸的立方体覆盖，且采样中心点的数量最少；确定采样中心点在待检测原始图像中的位置信息；基于位置信息，以采样中心点为中心，从待检测原始图像中截取第一预设尺寸的立方体块，得到目标中心点对应的第一血管子图像。
可选地，对目标中心点进行采样，得到采样中心点，以使目标中心点均被以采样中心点为中心的第二预设尺寸的立方体覆盖，且采样中心点的数量最少，包括：从目标中心点中随机采样一个中心点，得到一个采样中心点；确定目标中心点中与采样中心点的距离大于预设距离的各中心点构成未覆盖的点集；从未覆盖的点集中随机采样一个中心点，得到另一个采样中心点；基于与采样中心点的距离大于预设距离的各中心点构成未覆盖的点集的预设规则对未覆盖的点集进行更新，并返回从未覆盖的点集中随机采样一个中心点，得到另一个采样中心点的步骤，直到未覆盖的点集中不存在中心点。
可选地，基于第一斑块分割结果对待检测原始图像进行斑块分割，得到第二斑块分割结果，包括：基于目标中心点在待检测原始图像中的位置信息将第一斑块分割结果映射到待检测原始图像上，得到第二斑块分割结果。
根据本申请第二方面，本申请实施例提供了一种斑块分割装置，包括：获取单元，用于获取血管中心线上对应疑似斑块的目标中心点，其中，血管中心线为待检测原始图像中血管的中心线；截取单元，用于从待检测原始图像中截取出与目标中心点对应的第一血管子图像，第一血管子图像包括目标中心点；第一分割单元，用于基于斑块分割网络对目标中心点对应的第一血管子图像进行斑块分割，得到第一斑块分割结果；第二分割单元，用于基于第一斑块分割结果对待检测原始图像进行斑块分割，得到第二斑块分割结果。
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斑块分割方法。
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斑块分割方法。
本申请实施例提供的斑块分割方法、装置、电子设备及可读存储介质，通过获取血管中心线上对应疑似斑块的目标中心点，其中，血管中心线为待检测原始图像中血管的中心线；从待检测原始图像中截取出与目标中心点对应的第一血管子图像，第一血管子图像包括目标中心点；基于斑块分割网络对目标中心点对应的第一血管子图像进行斑块分割，得到第一斑块分割结果；基于第一斑块分割结果对待检测原始图像进行斑块分割，得到第二斑块分割结果；如此，是直接对存在疑似斑块的第一血管子图像进行斑块分割，由于第一血管子图像相对于待检测原始图像而言，去除了大量的冗余信息和背景噪声信息，可以使得斑块分割网络不被该大量的冗余信息和噪声信息所干扰，提高NCAP和MCAP斑块的分割准确度，从而得到精确的第一斑块分割结果，然后再基于第一斑块分割结果对待检测原始图像进行斑块分割，得到第二斑块分割结果，可以得到待检测原始图像中精确的第二斑块分割结果；并且，直接对存在疑似斑块的第一血管子图像进行斑块分割，可以减少斑块分割时第一血管子图像的数量，且缩小斑块分割的范围，实现对斑块精细分割，可以提高斑块分割的分割效率和准确度。
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斑块分割方法的流程示意图；
图2为本申请实施例中从待检测原始图像中截取出与目标中心点对应的第一血管子图像的流程示意图；
图3为本申请实施例中基于斑块分割网络对目标中心点对应的第一血管子图像进行斑块分割，得到第一斑块分割结果的流程示意图；
图4为本申请实施例中基于第一斑块分割结果对待检测原始图像进行斑块分割，得到第二斑块分割结果的流程示意图；
图5为本申请实施例中一种斑块分割装置的结构示意图；
图6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。
在CCTA图像中，由于钙化斑块亮度很高，与背景颜色有着明显的区别，因此当前的斑块分割算法很容易识别。但由于脂质斑块(NCAP)和混合斑块(MCAP)中的脂质成本形态分布与背景组织颜色、强度极为相似，因此从背景元素中区分NCAP和MCAP非常具有挑战性，目前的算法在分割NCAP和MCAP任务中，几乎全部失效。本申请人发现，斑块分布于血管周围，是堆积在动脉壁上的沉积物，位于血管内外膜之间，因此，血管拓扑结构可以帮助深度模型分割具有挑战性的斑块。然而，血管是弯曲的、不规则的，神经网络很难建模这种不规则的切割块。为此，本申请人想到通过引入血管中心线信息来辅助深度模型分割具有挑战性的斑块区域。
为此，本申请实施例提供了一种斑块分割方法，如图1所示，包括：
S101，获取血管中心线上对应疑似斑块的目标中心点，其中，血管中心线为待检测原始图像中血管的中心线。
在本申请实施例中，待检测原始图像包括但不限于：电子计算机断层扫描(Computed Tomography，CT)图像、CT血管造影(CT Angiography，CTA)图像、磁共振成像(Magnetic Resonance 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。
本申请实施例中的血管为具有斑块分割需求的血管，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，由于待检测原始图像中可以包括至少一个血管，则对于每一血管，均对应一个血管中心线，即S101中可以获取待检测原始图像中存在疑似斑块的每一血管的血管中心线，并确定每一血管的血管中心线上对应疑似斑块的目标中心点。每一血管的目标中心点的点集
其中xi、yi、zi为目标中心点中第i个中心点的坐标位置，目标中心点的总个数为m。
在一种实现方式中，获取血管中心线上对应疑似斑块的目标中心点，包括：
确定血管上存在狭窄的目标区域；
确定目标区域对应的血管中心线区域；
确定血管中心线区域对应的中心点为对应疑似斑块的目标中心点。
具体实施时，由于血管狭窄一般伴随斑块，因此，在可以使用用户，如医生标注的血管狭窄区域作为血管上存在狭窄的目标区域，也可以基于狭窄模型对待检测原始图像或血管拉直图像进行狭窄分析，确定血管上存在狭窄的目标区域。
然后通过腐蚀的方式提取血管的中心线，基于目标区域的坐标位置确定血管中心线上与目标区域对应的血管中心线区域。血管中心线区域中的各个中心点即为对应疑似斑块的目标中心点。
在另一种实现方式中，获取血管中心线上对应疑似斑块的目标中心点，包括：
获取待检测原始图像对应的血管拉直图像，血管拉直图像包括血管中心线上的多个中心点对应的多个第二血管子图像；
基于第一网络对各中心点对应的第二血管子图像进行特征提取，得到各中心点对应的第一特征；
将各中心点对应的第一特征与各中心点对应的位置编码进行融合，得到各中心点对应的第二特征；
基于第二网络对各中心点对应的第二特征进行斑块分析，得到各中心点对应的斑块分析结果；
基于各中心点对应的斑块分析结果确定血管中心线上对应疑似斑块的目标中心点。
具体实施时，由于待检测原始图像中可以包括至少一个血管，则对于每一血管，均获取到对应的一个血管拉直图像。
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H×W×L的三维图像，即得到待检测血管的拉直图像。其中，L为血管长度，也即中心点的数量，H为切面的高度，W为切面的宽度。
在另一些实施例中，获取待检测原始图像对应的血管拉直图像，包括：获取待检测原始图像中血管的中心线，中心线包括多个中心点；从待检测原始图像中确定各中心点对应的第二血管子图像；将各中心点对应的第二血管子图像进行堆叠，得到待检测原始图像对应的血管拉直图像。
其中，第一网络包括但不限于卷积神经网络(Convolutional Neural Networks，CNN)，比如，常用CNN特征提取网络3DU-Net、VGG-16、VGG-19、ResNet等。
具体实施时，我们以3DU-Net作为第一网络，将血管拉直图像输入3DU-Net网络后，得到各中心点对应的第一特征Fa∈RL×C。其中L为特征的长度，即血管的长度，C为特征的维度数量。
第一网络包括特征提取层和池化层。基于第一网络对各中心点对应的第二血管子图像进行特征提取，得到各中心点对应的第一特征，包括：基于特征提取层对各中心点对应的第二血管子图像进行特征提取，得到各中心点对应的初始特征；基于池化层对各中心点对应的初始特征进行池化处理，得到各中心点对应的第一特征。
在一些实施例中，可以将各中心点对应的第一特征与各中心点对应的位置编码进行加和的方式，将各中心点对应的第一特征与各中心点对应的位置编码进行融合。
第二网络可以基于每个中心点的位置信息将每个中心点的第二特征及该中心点之外的其他中心点的第二特征进行融合，从而充分利用血管的上下文信息，使得每个中心点可以得到更多的特征信息，然后基于融合了其他中心点的第二特征的特征对每个中心点进行斑块分析，得到每个中心点对应的斑块分析结果。
在一些实施例中，考虑到Transformer模型在自然语言处理、计算机视觉的广泛应用，其对序列建模具有很强的表示能力。为了利用冠状动脉的上下文信息，本申请实施例使用Transformer模型来建模序列关系。因此设置第二网络为Transformer模型。
在一些实施例中，斑块分析结果包括斑块类别和斑块概率。
通过第二网络对斑块类别和斑块概率进行检测，可以得到各类斑块的检测结果，便于用户查看，提高用户体验。
通过第二网络，可以确定血管中心线上各中心点对应的斑块类别和斑块概率，基于各中心点对应的类别和斑块概率可以确定血管中心线上对应疑似斑块的目标中心点。
S102，从待检测原始图像中截取出与目标中心点对应的第一血管子图像，第一血管子图像包括目标中心点。
具体实施时，对于目标中心点的位置坐标，如果是基于待检测原始图像的坐标系确定的，则可以直接基于目标中心点的点集P中的每个中心点的位置坐标从待检测原始图像中截取第一血管子图像。对于目标中心点的位置坐标，如果不是基于待检测原始图像的坐标系确定的，则对于获取到的目标中心点，如图2所示，可以首先将目标中心点的位置坐标映射到待检测原始图像的坐标系中，映射结果可以表示为
其中，
为目标中心点中第i个中心点映射后的坐标位置，映射后目标中心点的总个数为m。然后基于映射后的目标中心点的位置坐标从待检测原始图像中截取第一血管子图像。在一些实施例中，第一血管子图像可以为从待检测原始图像中截取的立方体块、长方体块、圆球等等。
S103，基于斑块分割网络对目标中心点对应的第一血管子图像进行斑块分割，得到第一斑块分割结果。
在本实施例中，斑块分割网络为提前训练好的，用于对图像进行斑块分割。如图3所示，将目标中心点对应的第一血管子图像输入到斑块分割网络中，可以得到第一斑块分割结果。
具体实施时，我们以3DU-Net作为斑块分割网络。例如待检测原始图像为一张CCTA原图，其包含多条血管，每条血管中心线上分布着多个目标中心点。则首先将每一血管拉直图像中的目标中心点对应回CCTA原图，获取CCTA原图坐标系下的目标中心点坐标；然后以此坐标为中心截取第一血管子图像，例如64*64*64的立方体块(假设数量为N)，然后依次送入到3DU-Net网络中，均会得到对应的第一斑块分割结果F∈RG×R×K，其中G、R、K分别是小立方体块的长度，宽度和维度数量，即生成共计N个立方体块的分割结果。
斑块分割网络训练时，为了增加训练样本的多样性，疑似斑块对应的所有样本目标中心点都映射到样本待检测原始图像中，并以映射后的每一个目标中心点为中心，从样本待检测原始图像中截取样本血管子图像，截取的这些样本血管子图像构成斑块分割网络的训练数据。
可以使用训练数据对U-Net网络，例如3DU-Net进行训练，得到斑块分割网络，斑块分割网络训练时的损失函数可以为Focalloss。
本实施例利用CNN强大的特征提取能力提取各目标中心点对应的第一血管子图像的特征，通过设计以血管中心线为中心截取小块的操作，既可以引导斑块分割网络更好的关注于血管周边信息完成分割，又可以过滤掉距离中心线很远的背景区域，极大地提高了算法的特征表达能力，提高了斑块分割的准确率。
S104，基于第一斑块分割结果对待检测原始图像进行斑块分割，得到第二斑块分割结果。在本实施例中，如图4所示，将所有第一血管子图像的第一斑块分割结果映射回待检测原始图像中，可以得到第二斑块分割结果。
具体实施时，例如上述N个立方体块的分割结果，由于N个孤立的立方体块的分割结果无法刻画每条完整血管上的斑块分布，因此，我们需要将步骤S103得到的一系列立方体块分割结果“塞”回到CCTA原图对应的中心点坐标处，从而将N个立方体块分割结果按照原始坐标重新排列成围绕血管分布的分割结果。
本申请实施例提供的斑块分割方法，通过获取血管中心线上对应疑似斑块的目标中心点，其中，血管中心线为待检测原始图像中血管的中心线；从待检测原始图像中截取出与目标中心点对应的第一血管子图像，第一血管子图像包括目标中心点；基于斑块分割网络对目标中心点对应的第一血管子图像进行斑块分割，得到第一斑块分割结果；基于第一斑块分割结果对待检测原始图像进行斑块分割，得到第二斑块分割结果；如此，是直接对存在疑似斑块的第一血管子图像进行斑块分割，由于第一血管子图像相对于待检测原始图像而言，去除了大量的冗余信息和背景噪声信息，可以使得斑块分割网络不被该大量的冗余信息和噪声信息所干扰，提高NCAP和MCAP斑块的分割准确度，从而得到精确的第一斑块分割结果，然后再基于第一斑块分割结果对待检测原始图像进行斑块分割，得到第二斑块分割结果，可以得到待检测原始图像中精确的第二斑块分割结果；并且，直接对存在疑似斑块的第一血管子图像进行斑块分割，可以减少斑块分割时第一血管子图像的数量，且缩小斑块分割的范围，实现对斑块精细分割，可以提高斑块分割的分割效率和准确度。
在一个可选的实施例中，步骤S102，从待检测原始图像中截取出与目标中心点对应的第一血管子图像，包括：确定目标中心点在待检测原始图像中的位置信息；基于位置信息，以目标中心点为中心，从待检测原始图像中截取第一预设尺寸的立方体块，得到目标中心点对应的第一血管子图像。
在本实施例中，在获取到血管中心线上对应疑似斑块的目标中心点后，可以将目标中心点映射到待检测原始图像中，在待检测原始图像找那个确定目标中心点的位置信息，然后在待检测原始图像中，以目标中心点为中心，裁剪出第一预设尺寸的立方体块，得到目标中心点对应的第一血管子图像：
在一种实现方式中，由于斑块分布于沿血管周围，位于血管内外膜之间，且距离血管中心线的距离不超过32像素，因此，可以设置立方体块的边长小于或等于64像素。优选地，设置立方体块的边长为64像素。
具体实施时，例如待检测原始图像为CCTA原图，则首先将血管拉直图像中的目标中心点对应回CCTA原图，获取CCTA原图坐标系下的目标中心点坐标；然后以此坐标为中心截取64*64*64的小立方体块，得到目标中心点对应的第一血管子图像。
然后将截取后的小立方体块输入3DU-Net网络，得到各小立方体块对应的第一斑块分割结果F∈RG×R×K。其中G,R,K分别是立方体块的长度，宽度和维度数量。在本实施例中，G、R、K均等于64。
通过将立方体块的边长设置为64像素，既可以使得第一血管子图像包含疑似斑块，又使得第一血管子图像的尺寸尽可能小，从而较好地避免了周围背景骨骼、组织对斑块分割的影响，提高斑块分割的准确度。
在本申请实施例中，通过以目标中心点为中心，从待检测原始图像中截取第一预设尺寸的立方体块，得到目标中心点对应的第一血管子图像，可以使得第一血管子图像尽可能排除背景干扰，又可以使得斑块分割网络仅关注血管周边信息，极大地提高了算法的特征表达能力，从而大大提高了斑块分割的准确率和效率。
由于血管中心线上的中心点分布十分密集，若以疑似斑块对应的每个目标中心点为中心截取立方体块，则会产生大量的立方体块，且立方体块之间相互覆盖，每一个立方体块均会被送入斑块分割网络中做分割，这种冗余的计算会导致测试阶段的效率大大降低。因此，在一个可选的实施例中，提出了一种采样策略来获得立方体块裁剪的中心点
该策略应从两个方面满足我们的要求：(1)目标中心点找中的所有中心点都可以被以
为中心的立方体覆盖；(2)采样中心点的数量尽可能少，这样可以大大降低内存和计算成本。
因此，步骤S102，从待检测原始图像中截取出与目标中心点对应的第一血管子图像，包括：对目标中心点进行采样，得到采样中心点，以使目标中心点均被以采样中心点为中心的第二预设尺寸的立方体覆盖，且采样中心点的数量最少；确定采样中心点在待检测原始图像中的位置信息；基于位置信息，以采样中心点为中心，从待检测原始图像中截取第一预设尺寸的立方体块，得到目标中心点对应的第一血管子图像。
在一种实现方式中，对目标中心点进行采样，得到采样中心点，以使目标中心点均被以采样中心点为中心的第二预设尺寸的立方体覆盖，且采样中心点的数量最少，包括：从目标中心点中随机采样一个中心点，得到一个采样中心点；确定目标中心点中与采样中心点的距离大于预设距离的各中心点构成未覆盖的点集；从未覆盖的点集中随机采样一个中心点，得到另一个采样中心点；基于与采样中心点的距离大于预设距离的各中心点构成未覆盖的点集的预设规则对未覆盖的点集进行更新，并返回从未覆盖的点集中随机采样一个中心点，得到另一个采样中心点的步骤，直到未覆盖的点集中不存在中心点。
在本申请实施例中，通过该简单有效的采样策略，可以减少斑块分割时第一血管子图像的数量，且使得所有的第一血管子图像包括所有疑似斑块，减少冗余的计算，降低计算成本，并提高测试的效率。
在一个可选的实施例中，步骤S104，基于第一斑块分割结果对待检测原始图像进行斑块分割，得到第二斑块分割结果，包括：基于目标中心点在待检测原始图像中的位置信息将第一斑块分割结果映射到待检测原始图像上，得到第二斑块分割结果。
具体实施时，将第一斑块分割结果根据目标中心点的坐标塞回到对应位置的待检测原始图像中，即可获得待检测原始图像中的第二分割结果。
在本申请实施例中，基于目标中心点在待检测原始图像中的位置信息将第一斑块分割结果映射到待检测原始图像上，可以得到待检测原始图像对应的斑块分割结果。
下表1是现有技术中的斑块分割方法(无精细的斑块分割方法)与本申请实施例提供的斑块分割方法(有精细的斑块分割方法)的结果对比。其中，准确率指分割出的正确斑块数量与分割出的所有斑块数量的比值，召回率是指分割出的正确斑块数量与医生标注的斑块数量的比值，Dice是指分割出的正确斑块与医生标注的斑块的交并比。从表1中可以看出：(1)使用包含血管信息的精细分割算法可以显着提高斑块分割的性能；(2)没有精细分割的方法，网络很难关注到与背景颜色相近的脂质斑块和混合斑块中的脂质成分，因此对于检出难度更高的脂质斑块和混合斑块几乎没有分割效果。
表1 现有技术与本申请实施例提供的斑块分割方法的结果对比
本申请实施例还提供了一种斑块分割装置，如图5所示，包括：
获取单元41，用于获取血管中心线上对应疑似斑块的目标中心点，其中，血管中心线为待检测原始图像中血管的中心线。
截取单元42，用于从待检测原始图像中截取出与目标中心点对应的第一血管子图像，第一血管子图像包括目标中心点。
第一分割单元43，用于基于斑块分割网络对目标中心点对应的第一血管子图像进行斑块分割，得到第一斑块分割结果。
第二分割单元44，用于基于第一斑块分割结果对待检测原始图像进行斑块分割，得到第二斑块分割结果。
本申请实施例提供的斑块分割装置，通过获取血管中心线上对应疑似斑块的目标中心点，其中，血管中心线为待检测原始图像中血管的中心线；从待检测原始图像中截取出与目标中心点对应的第一血管子图像，第一血管子图像包括目标中心点；基于斑块分割网络对目标中心点对应的第一血管子图像进行斑块分割，得到第一斑块分割结果；基于第一斑块分割结果对待检测原始图像进行斑块分割，得到第二斑块分割结果；如此，是直接对存在疑似斑块的第一血管子图像进行斑块分割，由于第一血管子图像相对于待检测原始图像而言，去除了大量的冗余信息和背景噪声信息，可以使得斑块分割网络不被该大量的冗余信息和噪声信息所干扰，提高NCAP和MCAP斑块的分割准确度，从而得到精确的第一斑块分割结果，然后再基于第一斑块分割结果对待检测原始图像进行斑块分割，得到第二斑块分割结果，可以得到待检测原始图像中精确的第二斑块分割结果；并且，直接对存在疑似斑块的第一血管子图像进行斑块分割，可以减少斑块分割时第一血管子图像的数量，且缩小斑块分割的范围，实现对斑块精细分割，可以提高斑块分割的分割效率和准确度。
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6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6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，例如斑块分割方法。例如，在一些实施例中，斑块分割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斑块分割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)而被配置为执行斑块分割方法。
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)、片上系统(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、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)
1.一种斑块分割方法，其特征在于，包括：
获取血管中心线上对应疑似斑块的目标中心点，其中，所述血管中心线为待检测原始图像中血管的中心线；
从所述待检测原始图像中截取出与所述目标中心点对应的第一血管子图像，所述第一血管子图像包括所述目标中心点；
基于斑块分割网络对所述目标中心点对应的第一血管子图像进行斑块分割，得到第一斑块分割结果；
基于所述第一斑块分割结果对所述待检测原始图像进行斑块分割，得到第二斑块分割结果。
2.根据权利要求1所述的斑块分割方法，其特征在于，所述获取血管中心线上对应疑似斑块的目标中心点，包括：
获取所述待检测原始图像对应的血管拉直图像，所述血管拉直图像包括血管中心线上的多个中心点对应的多个第二血管子图像；
基于第一网络对各所述中心点对应的第二血管子图像进行特征提取，得到各所述中心点对应的第一特征；
将各所述中心点对应的第一特征与各所述中心点对应的位置编码进行融合，得到各所述中心点对应的第二特征；
基于第二网络对各所述中心点对应的第二特征进行斑块分析，得到各所述中心点对应的斑块分析结果；
基于各所述中心点对应的斑块分析结果确定血管中心线上对应疑似斑块的目标中心点。
3.根据权利要求1所述的斑块分割方法，其特征在于，所述从所述待检测原始图像中截取出与所述目标中心点对应的第一血管子图像，包括：
确定所述目标中心点在所述待检测原始图像中的位置信息；
基于所述位置信息，以所述目标中心点为中心，从所述待检测原始图像中截取第一预设尺寸的立方体块，得到所述目标中心点对应的第一血管子图像。
4.根据权利要求3所述的斑块分割方法，其特征在于，所述立方体块的边长等于64像素。
5.根据权利要求1所述的斑块分割方法，其特征在于，所述从所述待检测原始图像中截取出与所述目标中心点对应的第一血管子图像，包括：
对所述目标中心点进行采样，得到采样中心点，以使所述目标中心点均被以所述采样中心点为中心的第二预设尺寸的立方体覆盖，且所述采样中心点的数量最少；
确定所述采样中心点在所述待检测原始图像中的位置信息；
基于所述位置信息，以所述采样中心点为中心，从所述待检测原始图像中截取第一预设尺寸的立方体块，得到所述目标中心点对应的第一血管子图像。
6.根据权利要求5所述的斑块分割方法，其特征在于，所述对所述目标中心点进行采样，得到采样中心点，以使所述目标中心点均被以所述采样中心点为中心的第二预设尺寸的立方体覆盖，且所述采样中心点的数量最少，包括：
从所述目标中心点中随机采样一个中心点，得到一个采样中心点；
确定所述目标中心点中与所述采样中心点的距离大于预设距离的各中心点构成未覆盖的点集；
从所述未覆盖的点集中随机采样一个中心点，得到另一个采样中心点；
基于与所述采样中心点的距离大于预设距离的各中心点构成未覆盖的点集的预设规则对所述未覆盖的点集进行更新，并返回从所述未覆盖的点集中随机采样一个中心点，得到另一个采样中心点的步骤，直到所述未覆盖的点集中不存在中心点。
7.根据权利要求1所述的斑块分割方法，其特征在于，所述基于所述第一斑块分割结果对所述待检测原始图像进行斑块分割，得到第二斑块分割结果，包括：
基于所述目标中心点在所述待检测原始图像中的位置信息将所述第一斑块分割结果映射到所述待检测原始图像上，得到第二斑块分割结果。
8.一种斑块分割装置，其特征在于，包括：
获取单元，用于获取血管中心线上对应疑似斑块的目标中心点，其中，所述血管中心线为待检测原始图像中血管的中心线；
截取单元，用于从所述待检测原始图像中截取出与所述目标中心点对应的第一血管子图像，所述第一血管子图像包括所述目标中心点；
第一分割单元，用于基于斑块分割网络对所述目标中心点对应的第一血管子图像进行斑块分割，得到第一斑块分割结果；
第二分割单元，用于基于所述第一斑块分割结果对所述待检测原始图像进行斑块分割，得到第二斑块分割结果。
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任意一项所述的斑块分割方法。
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任意一项所述的斑块分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210660968.1A CN115147360B (zh) | 2022-06-13 | 2022-06-13 | 一种斑块分割方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210660968.1A CN115147360B (zh) | 2022-06-13 | 2022-06-13 | 一种斑块分割方法、装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115147360A true CN115147360A (zh) | 2022-10-04 |
| CN115147360B CN115147360B (zh) | 2023-04-04 |
Family
ID=83407831
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210660968.1A Active CN115147360B (zh) | 2022-06-13 | 2022-06-13 | 一种斑块分割方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115147360B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115482358A (zh) * | 2022-10-12 | 2022-12-16 | 北京医准智能科技有限公司 | 一种三角网格曲面的生成方法、装置、设备及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180000441A1 (en) * | 2016-06-30 | 2018-01-04 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for extracting blood vessel |
| WO2019232688A1 (zh) * | 2018-06-05 | 2019-12-12 | 中国科学院深圳先进技术研究院 | 分割磁敏感加权图像中静脉血管的方法、装置和计算设备 |
| CN110634119A (zh) * | 2018-06-05 | 2019-12-31 | 中国科学院深圳先进技术研究院 | 分割磁敏感加权图像中静脉血管的方法、装置和计算设备 |
| CN111429438A (zh) * | 2020-03-30 | 2020-07-17 | 中国科学院深圳先进技术研究院 | 血管中心线、心脏冠脉树的提取方法、设备及存储介质 |
| 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 |
| US20210110533A1 (en) * | 2019-10-15 | 2021-04-15 | GE Precision Healthcare LLC | Systems and methods for multi-label segmentation of cardiac computed tomography and angiography images using deep neural networks |
| US20210282719A1 (en) * | 2015-08-14 | 2021-09-16 | Elucid Bioimaging Inc. | Non-invasive risk stratification for atherosclerosis |
| CN113409273A (zh) * | 2021-06-21 | 2021-09-17 | 上海联影医疗科技股份有限公司 | 一种图像分析方法、装置、设备和介质 |
| CN113628193A (zh) * | 2021-08-12 | 2021-11-09 | 推想医疗科技股份有限公司 | 血管狭窄率确定方法、装置、系统及存储介质 |
| CN114170378A (zh) * | 2021-11-27 | 2022-03-11 | 飞依诺科技(苏州)有限公司 | 医疗设备、血管及内部斑块三维重建方法和装置 |
-
2022
- 2022-06-13 CN CN202210660968.1A patent/CN115147360B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210282719A1 (en) * | 2015-08-14 | 2021-09-16 | Elucid Bioimaging Inc. | Non-invasive risk stratification for atherosclerosis |
| US20180000441A1 (en) * | 2016-06-30 | 2018-01-04 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for extracting blood vessel |
| WO2019232688A1 (zh) * | 2018-06-05 | 2019-12-12 | 中国科学院深圳先进技术研究院 | 分割磁敏感加权图像中静脉血管的方法、装置和计算设备 |
| CN110634119A (zh) * | 2018-06-05 | 2019-12-31 | 中国科学院深圳先进技术研究院 | 分割磁敏感加权图像中静脉血管的方法、装置和计算设备 |
| US20210110533A1 (en) * | 2019-10-15 | 2021-04-15 | GE Precision Healthcare LLC | Systems and methods for multi-label segmentation of cardiac computed tomography and angiography images using deep neural networks |
| CN111429438A (zh) * | 2020-03-30 | 2020-07-17 | 中国科学院深圳先进技术研究院 | 血管中心线、心脏冠脉树的提取方法、设备及存储介质 |
| 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 |
| CN113409273A (zh) * | 2021-06-21 | 2021-09-17 | 上海联影医疗科技股份有限公司 | 一种图像分析方法、装置、设备和介质 |
| CN113628193A (zh) * | 2021-08-12 | 2021-11-09 | 推想医疗科技股份有限公司 | 血管狭窄率确定方法、装置、系统及存储介质 |
| CN114170378A (zh) * | 2021-11-27 | 2022-03-11 | 飞依诺科技(苏州)有限公司 | 医疗设备、血管及内部斑块三维重建方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| HAIYING XIA ET AL.: "Mapping Functions Driven Robust Retinal Vessel Segmentation via Training Patches", 《IEEE ACCESS》 * |
| 吴玉霞 等: "基于多对比度磁共振颈动脉图像的配准算法研究", 《中国生物医学工程学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115482358A (zh) * | 2022-10-12 | 2022-12-16 | 北京医准智能科技有限公司 | 一种三角网格曲面的生成方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115147360B (zh) | 2023-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108615237B (zh) | 一种肺部图像处理方法及图像处理设备 | |
| CN109409503B (zh) | 神经网络的训练方法、图像转换方法、装置、设备及介质 | |
| CN109712131B (zh) | 肺结节特征的量化方法、装置、电子设备及存储介质 | |
| CN114565763B (zh) | 图像分割方法、装置、设备、介质及程序产品 | |
| CN109124662B (zh) | 肋骨中心线检测装置及方法 | |
| EP4064181A1 (en) | Method and apparatus for acquiring contour lines of blood vessel according to center line of blood vessel | |
| CN113538471B (zh) | 斑块的分割方法、装置、计算机设备和存储介质 | |
| CN113160189A (zh) | 血管中心线提取方法、装置、设备及存储介质 | |
| CN107507212A (zh) | 数字脑可视化方法、装置、计算设备及存储介质 | |
| CN115147360B (zh) | 一种斑块分割方法、装置、电子设备及可读存储介质 | |
| CN112419462A (zh) | 三维血管的渲染合成方法、系统及存储介质 | |
| CN117373070B (zh) | 血管分段标注的方法及装置、电子设备和存储介质 | |
| CN112132882A (zh) | 从冠状动脉二维造影图像中提取血管中心线的方法和装置 | |
| CN112116623B (zh) | 图像分割方法及装置 | |
| US20230222668A1 (en) | Image processing apparatus, image processing method, and recording medium | |
| CN115294401B (zh) | 一种基于ct图像的分类方法、装置、设备及存储介质 | |
| CN114419375B (zh) | 图像分类方法、训练方法、装置、电子设备以及存储介质 | |
| CN115482261A (zh) | 血管配准方法、装置、电子设备及存储介质 | |
| CN113888566B (zh) | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 | |
| CN115439423A (zh) | 一种基于ct图像的识别方法、装置、设备及存储介质 | |
| CN113706541B (zh) | 一种图像处理方法及装置 | |
| CN115222665B (zh) | 一种斑块检测方法、装置、电子设备及可读存储介质 | |
| CN116309662B (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN115187582B (zh) | 一种淋巴结分割方法、装置、电子设备及可读存储介质 | |
| CN115100222B (zh) | 分离动静脉血管的图像处理方法、装置、存储介质及终端 |
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 |
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. |
|
| CP03 | Change of name, title or address |