CN115227274B - 基于深度学习的动脉瘤检测系统 - Google Patents
基于深度学习的动脉瘤检测系统 Download PDFInfo
- Publication number
- CN115227274B CN115227274B CN202211139535.8A CN202211139535A CN115227274B CN 115227274 B CN115227274 B CN 115227274B CN 202211139535 A CN202211139535 A CN 202211139535A CN 115227274 B CN115227274 B CN 115227274B
- Authority
- CN
- China
- Prior art keywords
- aneurysm
- edge
- blood vessel
- acquiring
- fluctuation
- 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.)
- Active
Links
- 206010002329 Aneurysm Diseases 0.000 title claims abstract description 285
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 139
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 150000001875 compounds Chemical class 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 7
- 230000002792 vascular Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 4
- 238000002583 angiography Methods 0.000 description 12
- 210000001367 artery Anatomy 0.000 description 11
- 206010028980 Neoplasm Diseases 0.000 description 5
- 230000017531 blood circulation Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000002872 contrast media Substances 0.000 description 4
- 230000006378 damage Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 208000007536 Thrombosis Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000002251 Dissecting Aneurysm Diseases 0.000 description 1
- 206010014513 Embolism arterial Diseases 0.000 description 1
- 201000008982 Thoracic Aortic Aneurysm Diseases 0.000 description 1
- 208000002223 abdominal aortic aneurysm Diseases 0.000 description 1
- 206010002895 aortic dissection Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 201000002818 limb ischemia Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000541 pulsatile effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000009278 visceral effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Vascular Medicine (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于深度学习的动脉瘤检测方法，属于图像处理技术领域；包括以下步骤：获取血管造影图像；对造影图像通过卷积神经网络获取含动脉瘤的血管区域；根据动脉瘤的瘤颈宽度及最大距离获取血管区域中动脉瘤的脆弱程度；根据动脉瘤边缘上每个像素点的起伏值获取血管区域中动脉瘤的起伏程度；根据动脉瘤边缘两端处对应血管的直径，动脉瘤的脆弱程度和起伏程度，以及动脉瘤边缘上每个像素点至第二血管边缘的距离获取动脉瘤的危害指数。本发明通过获取该动脉瘤的特征标注于图像的动脉瘤旁边为医生提供参考，从而实现对动脉血管图像的快速判断。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于深度学习的动脉瘤检测系统。
背景技术
动脉瘤是由于动脉壁的病变或者损伤形成动脉壁局限性或者弥漫性的扩张而形成，根据动脉瘤出现部位不同可分为周围动脉瘤、腹主动脉瘤、胸腹主动脉瘤、主动脉夹层动脉瘤、内脏动脉瘤等，主要表现为体表搏动性肿块、动脉瘤压迫周围神经或破裂时出现剧烈疼痛，瘤腔内血栓或斑块脱落致远端动脉栓塞产生肢体、器官缺血或坏死等。动脉瘤由于早期症状不明显，因此目前动脉瘤在我国的筛查率较低，一方面是由于患者在病变早期无明显症状对病情不够重视，另一方面从客观上则是因为医疗条件的不足。
临床上对动脉瘤病变的检测主要依赖于人工检测，首先利用医疗设备采集患者动脉图像，然后需要经验丰富的医生对动脉图像进行评估，在人工检测过程中既耗费医疗设备等物理资源，同时对临床医生的专业性有较高的要求。现有技术中借助深度学习网络模型只是简单的识别出含有动脉瘤的区域，但是并未能够直接反映出动脉瘤病变形状，难以快速的判断出动脉瘤的危害程度。
发明内容
本发明提供一种基于深度学习的动脉瘤检测方法，该方法通过在动脉内注射造影剂并使用X射线对其进行成像获得动脉血管图像，而后对图像进行动脉瘤的检测，所以通过深度学习的方法来实现对动脉瘤的检测并获取该动脉瘤的特征标注于图像的动脉瘤旁边，为医生提供参考，从而实现对动脉血管图像的快速判断。
本发明的目的是提供一种基于深度学习的动脉瘤检测方法，包括以下步骤：
获取血管造影图像；
对造影图像通过卷积神经网络获取含动脉瘤的血管区域；
获取血管区域中动脉瘤的瘤颈宽度；并获取血管区域中动脉瘤边缘上任意两个像素点的距离，从任意两个像素点的距离中获取最大距离；根据动脉瘤的瘤颈宽度及最大距离获取血管区域中动脉瘤的脆弱程度；
根据与血管区域中动脉瘤相对一侧的第一血管边缘上的像素点通过模拟获取动脉瘤所在侧的第二血管边缘；根据动脉瘤边缘上相邻像素点至第二血管边缘的距离差值获取动脉瘤边缘上每个像素点的起伏值；根据动脉瘤边缘上每个像素点的起伏值获取血管区域中动脉瘤的起伏程度；
获取动脉瘤边缘两端处对应血管的直径；
根据动脉瘤边缘两端处对应血管的直径，动脉瘤的脆弱程度和起伏程度，以及动脉瘤边缘上每个像素点至第二血管边缘的距离获取动脉瘤的危害指数。
在一实施例中，所述动脉瘤所在侧的第二血管边缘是按照以下步骤获取：
根据动脉瘤边缘两端处的像素点均与其相邻的血管边缘像素点获取动脉瘤边缘两端处像素点均与其相邻血管边缘像素点连线的第一斜率；
根据动脉瘤边缘两端处像素点均与其相邻的血管边缘像素点连线的第一斜率获取垂直于血管并分别经动脉瘤边缘两端处像素点的第一直线斜率；
根据分别经动脉瘤边缘两端处像素点的第一直线斜率获取垂直于血管并分别经动脉瘤边缘两端处像素点的两条直线；
获取两条直线与血管区域中动脉瘤相对一侧的第一血管边缘各有一个交点；
根据该两个交点间与血管区域中动脉瘤相对一侧的第一血管边缘上的像素点通过模拟获取动脉瘤所在侧的第二血管边缘。
在一实施例中，所述动脉瘤所在侧的第二血管边缘的获取是通过第一血管边缘上的相邻像素点的斜率模拟而获取的。
在一实施例中，根据两条直线与动脉瘤边缘两端处的血管两侧相交的线段长度获取动脉瘤边缘两端处对应血管的直径。
在一实施例中，所述血管区域中动脉瘤的起伏程度是按照以下步骤获取：
根据动脉瘤边缘上每个像素点的起伏值，通过统计将相同起伏值作为一个起伏级数；
根据每个起伏级数中起伏值的个数占起伏值总个数的比例获取血管区域中动脉瘤的起伏程度。
在一实施例中，所述血管区域中动脉瘤的起伏程度的计算公式如下：
式中，
表示动脉瘤的起伏程度；
表示第
个起伏级数中起伏值的个数占起伏值总个数的比例；
表示起伏级数的总数量。
在一实施例中，所述动脉瘤的危害指数计算公式如下：
式中，
表示动脉瘤的危害指数；
表示动脉瘤的起伏程度；
表示动脉瘤的脆弱程度；
在一实施例中，所述动脉瘤边缘上每个像素点至第二血管边缘的距离的平均距离计算公式如下：
式中，
表示动脉瘤边缘上第
个像素点至第二血管边缘的距离；
表示动脉瘤边缘上的总像素点个数。
在一实施例中，所述动脉瘤边缘上每个像素点至第二血管边缘的距离是按照以下步骤获取：
获取动脉瘤边缘两端处像素点连线的第二斜率；
根据第二斜率获取垂直于动脉瘤边缘两端处像素点连线的第二直线斜率；
根据第二直线斜率获取经动脉瘤边缘上每个像素点，并垂直于动脉瘤边缘两端处像素点连线的直线；根据该直线与第二血管边缘及动脉瘤边缘上的交点获取动脉瘤边缘上每个像素点至第二血管边缘的距离。
在一实施例中，根据动脉瘤边缘上每个像素点至第二血管边缘的距离获取动脉瘤边缘上相邻像素点至第二血管边缘的距离差值。
本发明的有益效果是：
本发明提供的一种基于深度学习的动脉瘤检测方法，该方法通过构建深度网络模型，利用学习算法让模型自动学习出好的特征表示，避免了医生手动提取特征的繁琐流程。基于卷积神经网络获取湖造影图像中的含有动脉瘤的血管区域，在通过计算动脉瘤的脆弱程度以及凸起程度来获得动脉瘤的特征，基于这些特征进而分析该动脉瘤的危害程度，再将分析获取的危害指数将其数值标注于造影图像中对应的动脉瘤旁边为医生提供参考，从而实现对动脉血管造影图像的快速判断。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种基于深度学习的动脉瘤检测方法的实施例总体步骤的流程示意图。
图2为含动脉瘤的血管区域的边缘图。
图3为模拟出原始的动脉血管壁的第二血管边缘图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明在动脉瘤检测过程中，通过在动脉内注射造影剂并使用X射线对其进行成像获得动脉血管图像，而后对图像进行动脉瘤的检测，所以通过深度学习的方法来实现对动脉瘤的检测并获取该动脉瘤的特征标注于图像的动脉瘤旁边为医生提供参考从而实现对动脉血管图像的快速判断。
本发明提供的一种基于深度学习的动脉瘤检测方法，参见图1~3所示，包括以下步骤：
S1、获取血管造影图像；
在本实施例中，需要实现对动脉瘤的检测与特征的获取，所以需要获取患者的动脉血管造影图像，对患者动脉血管的获取则需要对其进行动脉血管造影检查，通过对患者动脉注入造影剂，然后通过血管造影机对其扫描成像获得患者的动脉血管造影图像。
S2、对造影图像通过卷积神经网络获取含动脉瘤的血管区域；
基于深度学习的动脉瘤检测体系基础理论：通过深度学习检测血管造影图像中的动脉瘤，通过对动脉瘤的特征进行获取并将特征值标注于图像的该动脉瘤旁边为医生提供参考，从而实现快速地对患者病情的诊断。
在本实施例中，由于血管造影图像中的一些毛细血管图像存在分辨率较低、噪声较多且背景复杂等问题，一定程度上降低了动脉瘤的检测精度。首先对获取的血管造影图像进行预处理；中值滤波对噪声有良好的滤除作用，特别是在滤除噪声的同时，能够保护信号的边缘，使之不被模糊。所以选取中值滤波对血管造影图像进行滤除噪声处理，使用的中值滤波如下：
式中
，
分别为原始图像和处理后图像。
为二维模板，
为模板
内的点，其中
为二维模板，通常为3×3，5×5区域，也可以是不同的形状，如线状，圆形，十字形，圆环形等。
再通过直方图均衡化处理使得动脉血管在血管造影图像中更为清晰。
对于图像中的动脉瘤，通过深度学习的方法将其检测出来，深度学习的思想和人的思维较为类似，通过各个层次对图像的处理和特征提取再传往下一层，最后完成分类或识别的任务。
获取训练好的卷积神经网络来识别血管造影图像中含动脉瘤的血管区域；
卷积神经网络训练过程是，采用医院已经人为标记过的血管造影图像作为训练的数据集，将数据集中70%用于训练，20%用于测试，10%用于验证，由此训练卷积神经网络来识别血管造影图像中的动脉瘤，若测试集与验证集的准确率都达到99%以上则训练完成，此时将血管造影图像输入，则会输出标记的含动脉瘤的血管区域，训练使用的损失函数为交叉熵损失函数。
S3、获取血管区域中动脉瘤的瘤颈宽度；并获取血管区域中动脉瘤边缘上任意两个像素点的距离，从任意两个像素点的距离中获取最大距离；根据动脉瘤的瘤颈宽度及最大距离获取血管区域中动脉瘤的脆弱程度；
需要说明的是，在本实施例中，通过canny边缘检测获得含动脉瘤的血管区域的边缘图像；
参见图2所示，表示含动脉瘤的血管区域的边缘图像；图2中，动脉血管100上突出有动脉瘤200，其中A和B表示动脉瘤边缘两端处像素点；
其动脉血管壁因发生病变形状酷似肿瘤因而被称为动脉瘤，通过动脉瘤的脆弱程度以及凸起程度等来获得动脉瘤的特征，根据这些特征进而分析该动脉瘤的危害程度。
首先获取该动脉瘤的瘤颈宽度，其瘤颈宽度为动脉瘤占据动脉血管起始位置的距离，也就是计算A和B之间的距离，其瘤颈宽度的计算公式如下：
式中，
表示瘤颈宽度，
和
为动脉瘤占据血管的起始位置的坐标，也就是A处像素点和B处像素点的坐标。
在本实施例中，通过计算该动脉瘤的最大径来判断其脆弱程度，早期的动脉瘤仅是轻微的突起，若其瘤壁韧性降低时，经过血流的冲击其形状改变导致最大径变大，此时就易发生破裂而危害患者的生命。早期的动脉瘤，经过逐渐的病变导致瘤壁韧性降低；早期的动脉瘤最大径为瘤颈宽度，韧性降低之后其最大径可能会发生改变从而大于瘤颈宽度，通过动脉瘤的最大径的变化来判断其韧性程度。由此，通过计算动脉瘤边缘两两像素点的距离获取血管区域中动脉瘤边缘上任意两个像素点的距离，从而获得一系列动脉瘤边缘点之间的距离：
式中，
为动脉瘤的边缘点距离的序列；
从任意两个像素点的距离中获取最大距离，将该最大距离为最大径如下：
式中，
为序列
中的最大值，从而获得此时动脉瘤的脆弱程度：
式中，
表示最大径；
表示瘤颈宽度；
表示动脉瘤的脆弱程度。
S4、根据与血管区域中动脉瘤相对一侧的第一血管边缘上的像素点通过模拟获取动脉瘤所在侧的第二血管边缘；根据动脉瘤边缘上相邻像素点至动脉瘤边缘两端处像素点连线的距离差值获取动脉瘤边缘上每个像素点的起伏值；根据动脉瘤边缘上每个像素点的起伏值获取血管区域中动脉瘤的起伏程度；并获取动脉瘤边缘两端处对应血管的直径；
动脉瘤所在侧的第二血管边缘是按照以下步骤获取：
根据动脉瘤边缘两端处的像素点均与其相邻的血管边缘像素点获取动脉瘤边缘两端处像素点均与其相邻血管边缘像素点连线的第一斜率；
根据动脉瘤边缘两端处像素点均与其相邻的血管边缘像素点连线的第一斜率获取垂直于血管并分别经动脉瘤边缘两端处像素点的第一直线斜率；
根据分别经动脉瘤边缘两端处像素点的第一直线斜率获取垂直于血管并分别经动脉瘤边缘两端处像素点的两条直线；
获取两条直线与血管区域中动脉瘤相对一侧的第一血管边缘各有一个交点；
根据该两个交点间与血管区域中动脉瘤相对一侧的第一血管边缘上的像素点通过模拟获取动脉瘤所在侧的第二血管边缘。动脉瘤所在侧的第二血管边缘的获取是通过第一血管边缘上的相邻像素点的斜率模拟而获取的。
在本实施例中，动脉瘤的起伏程度也对患者有着重要的影响，若动脉瘤的瘤壁起伏较大，说明抗血流冲击的能力越低，越容易破裂，其突起高度为动脉瘤边缘上的点到理想情况下无动脉瘤时对应血管壁上的点的距离，因此要获得突起程度需要先获取理想状态下的动脉血管壁的情况；计算动脉瘤边缘两端处像素点均与其相邻血管边缘像素点连线的第一斜率；
见图2所示，也就是分别计算A点与其相邻血管边缘像素点连线的斜率，设与A点相邻血管边缘像素点的坐标为
；和B点与其相邻血管边缘像素点连线的斜率，设与B点相邻血管边缘像素点的坐标为
；计算公式如下：
式中，
表示A点与其相邻血管边缘像素点连线的斜率；
表示与A点相邻血管边缘像素点的坐标；
表示A点的坐标；
式中，
表示B点与其相邻血管边缘像素点连线的斜率；
表示与B点相邻血管边缘像素点的坐标； 
表示B点的坐标；
参见图3所示，表示模拟出原始的动脉血管壁的第二血管边缘图；计算获取垂直于血管并经动脉瘤边缘A点处的斜率为
；垂直于血管并经动脉瘤边缘B点处的斜率为
；根据斜率为
和
获取两直线P1和P2，这两条直线P1和P2与血管区域中动脉瘤相对一侧的第一血管边缘U1各有一个交点，这两交点之间的像素点则为血管壁上的像素点，同时该两条直线与血管两侧相交的线段长度为血管直径，分别记为
、
。再计算这两交点之间的像素点斜率模拟出动脉瘤所在侧的第二血管边缘U2，其计算公式如下：
式中，
表示第一血管边缘U1上第
个像素点的斜率，
表示第
个像素点的坐标，
表示第
个像素点的坐标，通过每一个像素点的斜率在动脉瘤两端之间（A与B点之间）模拟出原始的动脉血管壁的第二血管边缘U2。
另外，动脉瘤边缘上每个像素点至动脉瘤边缘两端处像素点连线的距离是按照以下步骤获取：
获取动脉瘤边缘两端处像素点连线的第二斜率，也就是瘤颈宽度所在直线的斜率，计算公式如下：
式中，k为瘤颈宽度所在直线的斜率；
， 
分别表示动脉瘤边缘两端处像素点的坐标，也就是A和B点处的坐标；
根据第二斜率获取垂直于动脉瘤边缘两端处像素点连线的第二直线斜率；具体是过动脉瘤边缘上的每一点第二直线斜率为
；
根据第二直线斜率获取经动脉瘤边缘上每个像素点，并垂直于动脉瘤边缘两端处像素点连线的直线；根据该直线与第二血管边缘及动脉瘤边缘上的交点获取动脉瘤边缘上每个像素点至动脉瘤边缘两端处像素点连线的距离；也就是表现为动脉瘤上与其对应血管壁上的交点的距离则为动脉瘤的凸起高度；根据动脉瘤边缘上每个像素点至第二血管边缘的距离获取动脉瘤边缘上相邻像素点至第二血管边缘的距离差值。
具体的，动脉瘤的起伏值计算公式为：
式中，
表示动脉瘤边缘上的第
个像素点的起伏值，
表示动脉瘤边缘上的第
个像素点至动脉瘤边缘两端处像素点连线的距离；
表示动脉瘤边缘上的第
个像素点至动脉瘤边缘两端处像素点连线的距离；
血管区域中动脉瘤的起伏程度是按照以下步骤获取：
根据动脉瘤边缘上每个像素点的起伏值，通过统计将相同起伏值作为一个起伏级数；
根据每个起伏级数中起伏值的个数占起伏值总个数的比例获取血管区域中动脉瘤的起伏程度。
血管区域中动脉瘤的起伏程度的计算公式如下：
式中，
表示动脉瘤的起伏程度；
表示第
个起伏级数中起伏值的个数占起伏值总个数的比例；
表示起伏级数的总数量。
S5、根据动脉瘤边缘两端处对应血管的直径，动脉瘤的脆弱程度和起伏程度，以及动脉瘤边缘上每个像素点至动脉瘤边缘两端处像素点连线的距离获取动脉瘤的危害指数。
动脉瘤的危害指数计算公式如下：
式中，
表示动脉瘤的危害指数；
表示动脉瘤的起伏程度；
表示动脉瘤的脆弱程度；
此外，动脉瘤边缘上每个像素点至第二血管边缘的距离的平均距离计算公式如下：
式中，
表示动脉瘤边缘上第
个像素点至动脉瘤边缘两端处像素点连线的距离；
表示动脉瘤边缘上的总像素点个数。
从而获得了动脉瘤的危害指数
。
通过上述步骤获得的危害指数将其数值标注于造影图像中对应的动脉瘤旁边为医生提供参考，医生可以结合图中动脉瘤旁标注的危害指数便于对患者病情更快做出判断。
综上，本发明提供的一种基于深度学习的动脉瘤检测方法，该方法通过构建深度网络模型，利用学习算法让模型自动学习出好的特征表示，避免了医生手动提取特征的繁琐流程。基于卷积神经网络获取湖造影图像中的含有动脉瘤的血管区域，在通过计算动脉瘤的脆弱程度以及凸起程度来获得动脉瘤的特征，基于这些特征进而分析该动脉瘤的危害程度，再将分析获取的危害指数将其数值标注于造影图像中对应的动脉瘤旁边为医生提供参考，从而实现对动脉血管造影图像的快速判断。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于深度学习的动脉瘤检测系统，其特征在于，该系统用于执行以下方法：
获取血管造影图像；
对造影图像通过卷积神经网络获取含动脉瘤的血管区域；
获取血管区域中动脉瘤的瘤颈宽度；并获取血管区域中动脉瘤边缘上任意两个像素点的距离，从任意两个像素点的距离中获取最大距离；根据动脉瘤的瘤颈宽度及最大距离获取血管区域中动脉瘤的脆弱程度；
与血管区域中动脉瘤相对一侧的第一血管边缘上的像素点通过模拟获取动脉瘤所在侧的第二血管边缘；根据动脉瘤边缘上相邻像素点至第二血管边缘的距离差值获取动脉瘤边缘上每个像素点的起伏值；根据动脉瘤边缘上每个像素点的起伏值获取血管区域中动脉瘤的起伏程度；
获取动脉瘤边缘两端处对应血管的直径；
根据动脉瘤边缘两端处对应血管的直径，动脉瘤的脆弱程度和起伏程度，以及动脉瘤边缘上每个像素点至第二血管边缘的距离获取动脉瘤的危害指数；
所述动脉瘤所在侧的第二血管边缘是按照以下步骤获取：
根据动脉瘤边缘两端处的像素点均与其相邻的血管边缘像素点获取动脉瘤边缘两端处像素点均与其相邻血管边缘像素点连线的第一斜率；
根据动脉瘤边缘两端处像素点均与其相邻的血管边缘像素点连线的第一斜率获取垂直于血管并分别经动脉瘤边缘两端处像素点的第一直线斜率；
根据分别经动脉瘤边缘两端处像素点的第一直线斜率获取垂直于血管并分别经动脉瘤边缘两端处像素点的两条直线；
获取两条直线与血管区域中动脉瘤相对一侧的第一血管边缘各有一个交点；
该两个交点间与血管区域中动脉瘤相对一侧的第一血管边缘上的像素点通过模拟获取动脉瘤所在侧的第二血管边缘；
所述动脉瘤所在侧的第二血管边缘的获取是通过第一血管边缘上的相邻像素点的斜率模拟而获取的；
根据两条直线与动脉瘤边缘两端处的血管两侧相交的线段长度获取动脉瘤边缘两端处对应血管的直径；
所述血管区域中动脉瘤的起伏程度是按照以下步骤获取：
根据动脉瘤边缘上每个像素点的起伏值，通过统计将相同起伏值作为一个起伏级数；
根据每个起伏级数中起伏值的个数占起伏值总个数的比例获取血管区域中动脉瘤的起伏程度；
所述血管区域中动脉瘤的起伏程度的计算公式如下：
式中，
表示动脉瘤的起伏程度；
表示第
个起伏级数中起伏值的个数占起伏值总个
数的比例；
表示起伏级数的总数量；
所述动脉瘤的危害指数计算公式如下：
式中，
表示动脉瘤的危害指数；
表示动脉瘤的起伏程度；
表示动脉瘤的脆弱程度；
所述动脉瘤边缘上每个像素点至第二血管边缘的距离的平均距离计算公式如下：
式中，
表示动脉瘤边缘上第
个像素点至第二血管边缘的距离；
表示动脉瘤边缘上
的总像素点个数。
2.根据权利要求1所述的基于深度学习的动脉瘤检测系统，其特征在于，所述动脉瘤边缘上每个像素点至第二血管边缘的距离是按照以下步骤获取：
获取动脉瘤边缘两端处像素点连线的第二斜率；
根据第二斜率获取垂直于动脉瘤边缘两端处像素点连线的第二直线斜率；
根据第二直线斜率获取经动脉瘤边缘上每个像素点，并垂直于动脉瘤边缘两端处像素点连线的直线；根据该直线与第二血管边缘及动脉瘤边缘上的交点获取动脉瘤边缘上每个像素点至第二血管边缘的距离。
3.根据权利要求2所述的基于深度学习的动脉瘤检测系统，其特征在于，根据动脉瘤边缘上每个像素点至第二血管边缘的距离获取动脉瘤边缘上相邻像素点至第二血管边缘的距离差值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211139535.8A CN115227274B (zh) | 2022-09-19 | 2022-09-19 | 基于深度学习的动脉瘤检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211139535.8A CN115227274B (zh) | 2022-09-19 | 2022-09-19 | 基于深度学习的动脉瘤检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115227274A CN115227274A (zh) | 2022-10-25 |
| CN115227274B true CN115227274B (zh) | 2022-11-25 |
Family
ID=83680347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211139535.8A Active CN115227274B (zh) | 2022-09-19 | 2022-09-19 | 基于深度学习的动脉瘤检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115227274B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109190535A (zh) * | 2018-08-23 | 2019-01-11 | 南京邮电大学 | 一种基于深度学习的人脸面部肤色分析方法和系统 |
| CN109389637A (zh) * | 2018-10-26 | 2019-02-26 | 强联智创（北京）科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
| CN110517242A (zh) * | 2019-08-23 | 2019-11-29 | 强联智创（北京）科技有限公司 | 一种动脉瘤的分析方法及装置 |
| CN112200914A (zh) * | 2020-10-10 | 2021-01-08 | 上海海事大学 | 数值模拟三维重建还原的载瘤动脉预测颅内动脉瘤发生的方法 |
| CN113066574A (zh) * | 2021-03-29 | 2021-07-02 | 昆明同心医联科技有限公司 | 基于神经网络的动脉瘤破裂预测方法、装置及存储介质 |
| CN113066583A (zh) * | 2021-03-30 | 2021-07-02 | 昆明同心医联科技有限公司 | 动脉瘤破裂风险预测方法、装置及存储介质 |
| CN114638799A (zh) * | 2022-03-11 | 2022-06-17 | 深圳市澈影医生集团有限公司 | 一种颅内动脉瘤的自动检测系统及方法 |
| CN114881975A (zh) * | 2022-05-10 | 2022-08-09 | 王硕 | 预测动脉瘤破裂潜能的系统、方法、电子设备及介质 |
-
2022
- 2022-09-19 CN CN202211139535.8A patent/CN115227274B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109190535A (zh) * | 2018-08-23 | 2019-01-11 | 南京邮电大学 | 一种基于深度学习的人脸面部肤色分析方法和系统 |
| CN109389637A (zh) * | 2018-10-26 | 2019-02-26 | 强联智创（北京）科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及系统 |
| CN110517242A (zh) * | 2019-08-23 | 2019-11-29 | 强联智创（北京）科技有限公司 | 一种动脉瘤的分析方法及装置 |
| CN112200914A (zh) * | 2020-10-10 | 2021-01-08 | 上海海事大学 | 数值模拟三维重建还原的载瘤动脉预测颅内动脉瘤发生的方法 |
| CN113066574A (zh) * | 2021-03-29 | 2021-07-02 | 昆明同心医联科技有限公司 | 基于神经网络的动脉瘤破裂预测方法、装置及存储介质 |
| CN113066583A (zh) * | 2021-03-30 | 2021-07-02 | 昆明同心医联科技有限公司 | 动脉瘤破裂风险预测方法、装置及存储介质 |
| CN114638799A (zh) * | 2022-03-11 | 2022-06-17 | 深圳市澈影医生集团有限公司 | 一种颅内动脉瘤的自动检测系统及方法 |
| CN114881975A (zh) * | 2022-05-10 | 2022-08-09 | 王硕 | 预测动脉瘤破裂潜能的系统、方法、电子设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| Deep Learning for Detection of Intracranial Aneurysms;Xiujuan Liu，Jun Mao，Ning Sun，et al.;《Journal of Digital Imaging》;20220909;1-10 * |
| 颅内动脉瘤破裂风险形态学与血流动力学;孔繁毅，史怀璋;《中国脑血管病杂志》;20210518;第18卷(第5期);1-6 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115227274A (zh) | 2022-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110717888B (zh) | 一种血管内光学相干层析成像血管壁内轮廓自动识别方法 | |
| EP2017787A2 (en) | System and method for segmenting structures in a series of images | |
| CN105433988B (zh) | 一种目标图像识别方法、装置及其超声设备 | |
| JP2011517986A (ja) | 腹部大動脈瘤の自動検知および正確なセグメント分割 | |
| US20080159604A1 (en) | Method and system for imaging to identify vascularization | |
| Antczak et al. | Stenosis detection with deep convolutional neural networks | |
| CN107292835A (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
| CN103327883A (zh) | 医用图像处理装置和医用图像处理方法 | |
| US11830193B2 (en) | Recognition method of intracranial vascular lesions based on transfer learning | |
| CN108324300A (zh) | 用于血管分段的方法和装置 | |
| EP3288450A1 (en) | Computer-implemented method for identifying zones of stasis and stenosis in blood vessels | |
| CN106803251A (zh) | 由ct影像确定主动脉缩窄处压力差的装置与方法 | |
| CN117372284B (zh) | 眼底图像处理方法及系统 | |
| KR20190087681A (ko) | 자궁경부암에 대한 피검체의 발병 여부를 판정하는 방법 | |
| CN111311626A (zh) | 基于ct图像的颅骨骨折自动检测方法及电子介质 | |
| CN113034522B (zh) | 一种基于人工神经网络的ct图像分割方法 | |
| CN115227274B (zh) | 基于深度学习的动脉瘤检测系统 | |
| CN113344895A (zh) | 高精度的眼底血管管径测量方法、装置、介质和设备 | |
| KR101162599B1 (ko) | 흉부 방사선 이미지 분석을 통한 심비대 자동탐지 방법 및 그 기록매체 | |
| CN112562058A (zh) | 一种基于迁移学习的颅内血管模拟三维模型快速建立方法 | |
| EP2074591B1 (en) | Methods, system and computer program product for detecting a protrusion | |
| CN113570600B (zh) | 基于ai技术进行支架内漏检测方法、系统及设备 | |
| CN110136095A (zh) | 肝脏三维ct图像病变区域自动提取系统及方法 | |
| CN111292285A (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
| TW201309264A (zh) | 自動化甲襞微循環分析系統 |
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 |