CN115272159A - 一种图像识别方法、装置、电子设备和可读存储介质 - Google Patents
一种图像识别方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN115272159A CN115272159A CN202110478748.2A CN202110478748A CN115272159A CN 115272159 A CN115272159 A CN 115272159A CN 202110478748 A CN202110478748 A CN 202110478748A CN 115272159 A CN115272159 A CN 115272159A
- Authority
- CN
- China
- Prior art keywords
- vector field
- blood vessel
- image
- region
- surface vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 103
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 2
- 238000002591 computed tomography Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 14
- 230000003902 lesion Effects 0.000 description 11
- 206010002329 Aneurysm Diseases 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 210000001519 tissue Anatomy 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 208000037062 Polyps Diseases 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000008961 swelling Effects 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000004434 Calcinosis Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012544 monitoring process Methods 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
- 208000014081 polyp of colon Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G06T2207/20081—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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本方案公开了一种图像识别方法、装置、电子设备和可读存储介质，其中，该方法的步骤包括：在待识别血管图像中确定具有表面向量场的区域；根据所述表面向量场的辨识特征，确定血管上的隆起图像。本方案在血管病灶图像识别中引入表面向量场，通过表面向量场的辨识特征能够快速、准确的识别出与血管存在异常的区域，避免由于病灶初期形态较小，无法准确识别的问题，从而提高识别的准确度，降低漏检率。
Description
技术领域
本发明涉及医学图像识别技术领域。更具体地，涉及一种囊性动脉瘤等隆起图像的识别方法、装置、电子设备和计算机可读存储介质。
背景技术
在医学成像领域中，多种检测系统已经可以直接生成筛选和评价医学状况的医学图像。例如计算机断层摄影(CT)成像、磁共振(MR)成像、正电子发射X射线层析摄影(PET)等等。这些成像方法可以对结肠息肉，动脉瘤、肺结节、心脏或者动脉组织硬化、乳房组织中的癌微钙化或者肿块等各项病变或者异常进行可视化识别。
CT成像系统是临床医学中较为常用的一种用来获得患者的感兴趣区域(ROI)的一组横截面图像或者二维(2D)“切片”的医学成像手段。通过CT图像可以对例如器官、软组织和骨头的尺寸、形状和位置进行图像展示，通过CT图像能够实现对病变和异常解剖结构的可视化评价，例如肿瘤、息肉等问题。但是，对于一些微小的疾病，由于其自身的大小和所处位置，可能不易被察觉，容易造成医师的漏检和误判。
尽管目前计算机辅助设计(CAD)系统，已经逐渐应用于医学诊疗当中，能够一定程度上减轻医师的工作强度，但是，对于现今大量的检测数据，依然需要花费冗长的时间进行分析，且还需要花费高昂的费用请专利医师进行解读，从而无法有效降低医疗成本。另外，许多CAD系统只能起到辅助判断的作用，其依然还会出现假阳性(例如，不正确地将正常组织识别为不正常)和假阴性(例如，未能正确地识别异常)的问题，影响诊疗的速度和精准性。
发明内容
本发明的目的在于提供一种囊性动脉瘤等隆起图像的识别方法、装置、电子设备和计算机可读存储介质。
为达到上述目的，本方案采用下述技术方案：
第一方面，本方案提供一种图像识别方法，该方法的步骤包括：
在待识别血管图像中确定具有表面向量场的区域；
根据所述表面向量场的辨识特征，确定血管上的隆起图像。
在一种优选地实施例中，所述在待识别血管图像中确定具有表面向量场的区域的步骤包括：
基于待识别血管图像中的血管中心线，形成多个等间距的与血管中心线平行的扫描面；
将相邻扫描面上的边缘体素点进行连接，形成具有表面向量场的区域。
在一种优选地实施例中，所述将相邻扫描面上的边缘体素点进行连接，形成具有表面向量场的区域的步骤包括：
在当前扫描面上的边缘体素点的邻域范围内存在下一个扫描面上的边缘体素点的情况下，将当前扫描面上的边缘体素点与位于其邻域范围内的，且距离最近的下一个扫描面上的边缘体素点进行连接，形成具有表面向量场的区域；或者，
在当前扫描面上的边缘体素点的邻域范围内不存在下一个扫描面上的边缘体素点的情况下，将当前扫描面上的边缘体素点与位于其邻域范围内的当前扫描面上的其他边缘体素点连接，形成具有表面向量场的区域。
在一种优选地实施例中，所述根据所述表面向量场的辨识特征，确定血管上的隆起图像的步骤包括：
在所述具有表面向量场的区域中任意选取一个检测窗；
根据所述表面向量场确定检测窗内各体素点的方向；
将检测窗内体素点的方向与该体素点所对应的血管中心线的方向之间的垂直角度大于第一预设角度的体素点作为异常体素点；
在所述异常体素点的数量超过所述检测窗内体素点总数的预定比例的情况下，将异常体素点识别为候选点；
重复利用检测窗对所述具有表面向量场的区域进行候选点识别，直至所述具有向量场标识的区域全部完成识别；
将所述候选点围成的区域作为血管上的隆起图像。
在一种优选地实施例中，所述根据所述表面向量场的辨识特征，确定血管上的隆起图像的步骤包括：
基于表面向量场的序列，利用预先构建的识别模型对隆起区域进行识别，获得血管上的隆起图像。
在一种优选地实施例中，所述根据所述表面向量场的辨识特征，确定血管上的隆起图像包括：
将具有表面向量场的区域中向量场相对于血管中心线，沿垂直于血管中心线的方向具有起伏趋势的区域，作为血管上的隆起图像。
在一种优选地实施例中，在待识别血管图像中确定具有表面向量场的区域的前一步步骤包括：
预选待识别图像中的至少一个关注区域；
在所述关注区域内确定具有表面向量场的区域。
第二方面，本方案提供一种图像识别装置，包括：
获取模块，在待识别血管图像中确定具有表面向量场的区域；
识别模块，根据所述表面向量场的辨识特征，确定血管上的隆起图像。
第三方面，本方案提供一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的方法。
第四方面，本方案提供一种计算设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行如上所述的方法。
本发明的有益效果如下：
本方案在血管病灶图像识别中引入表面向量场，通过表面向量场的辨识特征能够快速、准确的识别出与血管存在异常的区域，避免由于病灶初期形态较小，无法准确识别的问题，从而提高识别的准确度，降低漏检率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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，还可以根据这些附图获得其他的附图。
图1示出本方案所述图像识别方法的示意图；
图2示出本方案所述边缘体素点连接过程的示意图；
图3示出本方案所述根据表面向量场进行血管上隆起区域识别的一种实例的示意图；
图4示出本方案所述根据表面向量场进行血管上隆起区域识别的另一种实例的示意图
图5示出本方案所述图像识别装置的示意图；
图6示出本方案所述电子设备的示意图。
具体实施方式
为使本发明的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。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”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
需要说明的是，本申请实施例方法由于是在计算设备中执行，各计算设备的处理对象均以数据或信息的形式存在，例如时间，实质为时间信息，可以理解的是，后续实施例中若提及尺寸、数量、位置等，均为对应的数据存在，以便电子设备进行处理，具体此处不作赘述。
在本申请一个典型的配置中，终端或可信方等均包括一个或多个处理器，例如，中央处理器(Central Processing Unit，CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(Random Access Memory，RAM)和/或非易失性内存等形式，如只读存储器(Read Only Memory，ROM)或闪存(FlashMemory)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(Phase-Change Memory，PCM)、可编程随机存取存储器(Programmable Random Access Memory，PRAM)、静态随机存取存储器(Static Random-Access Memory，SRAM)、动态随机存取存储器(Dynamic Random AccessMemory，DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、数字多功能光盘(Digital Versatile Disc，DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
本申请所指设备包括但不限于用户设备、网络设备、或用户设备与网络设备通过网络相集成所构成的设备。所述用户设备包括但不限于任何一种可与用户进行人机交互(例如通过触摸板进行人机交互)的移动电子产品，例如智能手机、平板电脑等，所述移动电子产品可以采用任意操作系统，如Android操作系统、iOS操作系统等。其中，所述网络设备包括一种能够按照事先设定或存储的指令，自动进行数值计算和信息处理的电子设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit，ASIC)、可编程逻辑器件(Programmable Logic Device，PLD)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、数字信号处理器(Digital Signal Processor，DSP)、嵌入式设备等。所述网络设备包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云；在此，云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个虚拟超级计算机。所述网络包括但不限于互联网、广域网、城域网、局域网、VPN网络、无线自组织网络(Ad Hoc网络)等。优选地，所述设备还可以是运行于所述用户设备、网络设备、或用户设备与网络设备、网络设备、触摸终端或网络设备与触摸终端通过网络相集成所构成的设备上的程序。
当然，本领域技术人员应能理解上述设备仅为举例，其他现有的或今后可能出现的设备如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
本申请提供了一种图像识别的方法，该方法主要应用于计算设备，用于检测血管图像中隆起区域的图像。本方案用于医学图像处理领域，用于医生在血管动脉瘤进行诊断时，借助计算机等电子设备对患者的冠脉、头颈等血管状态进行诊断，并提供精准的血管诊断报告，帮助医生做出合理的血管诊断结果。
该计算设备可以包括摄像模块，用于采集目标用户头颈区域的CT(ComputedTomography,计算机断层扫描)图像等，如CT扫描仪等，主要利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描。
计算设备包括通信模块，与网络设备或者其他设备(如外接摄像设备)等建立通信连接，进行信息发送、接收等，如计算设备将扫描结果上传网络设备，供其他用户设备通过网络设备查询CT图像的诊断结果等，或者通过网络设备下载目标用户的CT图像信息等；还如，计算设备当前不包含摄像装置，通过通信连接与外接摄像设备建立通信连接，接收外接摄像设备发送的关于目标用户头颈区域的CT图像信息等。外接摄像设备包括但不限于采集设备12可以包括核磁共振成像仪(MRI，Magnetic Resonance Imaging)、计算机断层扫描设备等。
计算设备包括数据处理模块，用于对数据进行采集、存储、检索、加工、变换和传输等，如通过CT图像识别对应病灶区域等。
计算设备包括但不限于用户设备和网络设备，在此，用户设备包括但不限于任何一种可与用户进行人机交互(例如通过触摸板进行人机交互)的移动电子产品，例如智能手机、平板电脑或者医疗设备等；网络设备包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云。
经过对现有技术的分析和研究，血管动脉瘤等微小的疾病，其体积较小，且位于庞杂的血管区域内，虽然能够通过CT扫描、核磁共振扫描等扫描的图像展示出来，但是，仅靠医师肉眼进行辨识，极易导致视觉疲劳，导致无法准确从CT图像中识别出动脉瘤，造成漏检的问题。
现有技术中通常采用血管半径扫描、预先训练的检测模型识别等方式对血管病灶进行检测，然而这些方式检测标准较为粗糙，对于病灶前期凸起较小的情况，无法进行准确的检测和识别；对于血管密集的位置或者由于局部血压突高产生的血管局部短暂凸起的情况，误检率较高。
因此，本方案旨在提供一种能够准确识别病灶隆起图像的图像识别方法，该方法引入表面向量场的概念，通过表面向量场的特性，来确定血管上隆起的区域，从而使提高血管病灶的检测速度和准确度。
以下，结合附图对本方案提出的一种图像识别方法进行详细描述。
如图1所示，本方案所述目标图像识别方法可以用于血管动脉瘤等隆起图像的识别，其具体包括：
步骤S1、在待识别血管图像中确定具有表面向量场的区域；
步骤S2、根据所述表面向量场的辨识特征，确定血管上的隆起图像。
本方案中可以过计算机断层摄影(CT，Computed Tomography)、螺旋CT、X光、正电子发射X射线层析摄影(PET)、荧光监察法、超声和磁共振(MR)等成像系统采集的人体血管的初始医学图像。
本方案中为了降低后续图像识别的处理时间，降低对于人工的依赖，可以先通过二分类分割方法、掩膜分割法、神经网络分割模型等方式，将初始图像中的骨、肺、心脏、肝脏等人体组织与血管分离开，形成待识别的血管图像，以避免血管以外的人体组织对血管图像处理过程造成的干扰。
本方案中可以在待识别血管图像中锁定重点关注区域，以进一步提高识别的速度。具体来说，可以对待识别血管图像中的区域密集度进行判断；将区域密集度达到阈值的区域作为关注区域，并计算所述关注区域的表面向量场。在一种实施例中，根据待识别的血管CT图像，根据待识别图像中的高CT值区域，确定待识别图像中组织结构较为密集的区域，并将该区域作为关注区域。再以关注区域为重点关注区域，计算关注区域的表面向量场。
此处需要注意是，根据不同类型的图像，可以对关注区域的筛选条件进行调整。另外，预先选取关注区域仅仅是一种优选方案，也可以不进行关注区域的预选，直接对待识别血管图像进行具有表面向量场的区域的识别。
本方案中，为了更加方便对血管图像进行识别，可以对血管图像进行拉直处理。例如，可以采用多层面重建(Multi-Planar Reconstruction，MPR)是把所有的横切面数据堆叠起来，软件可以用不同的平面来切割物体(大部分是垂直面)，或是特别的一些影像。在血管的影像上，弯曲的平面也有办法重建。这使得弯曲的血管可以被“拉直”，如此整条血管可以用一张影像或是少数影像就可以完全显现，一旦血管被拉直后，量化的长度和宽度就测量出来。通过MPR技术，我们可以获取目标用户的血管拉直图像。
本方案在步骤S1中，可以在待识血管图像中确定具有表面向量场的区域，利用表面向量场的特性来确定血管上是否具有隆起的位置，从而为血管上存在结节、病变、息肉、肿瘤等病灶的诊断提供依据。具体来说，表面向量场的识别过程可以为：以待识别血管图像中的血管中心线为基准，以预定的步长向血管中心线外形成，多个等间距的与血管中心线平行的扫描面。利用扫描面对待识别血管图像进行扫描。将相邻扫描面扫描到的体素点中，位于边缘位置的体素点进行连接，形成具有表面向量场的区域。
在一种实例中，如图2所示，可以以血管中心线为基准，以一个体素点的距离为步长，向血管中心线外形成多个等间距的与血管中心线平行的扫描面。利用多个扫描面扫描待识别血管图像的体素点，寻找边缘体素点。将第n个扫描面上的边缘体素点与第n+1个扫描面上的边缘体素点连接。每个体素点的连接范围是以自身的邻域为连接范围。
在进行连接时，首先判断第n个扫描面上的某个边缘体素点的邻域范围内是否具有第n+1个扫描面上的边缘体素点；若存在，则将第n个扫描面上的这个边缘体素点与位于其邻域范围内的，且距离最近的第n+1个扫描面上的边缘体素点进行连接，形成具有表面向量场的区域。若不存在，则将第n个扫描面上的这个边缘体素点与位于其邻域范围内的第n个扫描面上的其他边缘体素点连接，形成具有表面向量场的区域。
本方案在步骤S2中，可以利用表面向量场的辨识特征，对血管上隆起的区域进行识别。
具体来说，可以利用检测窗对具有表面向量场的区域进行扫描，以表面向量场上体素点的方向与血管中心线的方向之间关系作为辨识特征，判断血管上的隆起区域。在一种实例中，如图3所示，首先，在识别出的具有表面向量场的区域中选取一个检测窗，该检测窗的大小可以根据实际情况进行适当调整；该检测窗可以为二维检测窗，也可以为三维检测窗。利用检测窗对具有表面向量场的区域进行滑动扫描。根据表面向量场的方向，可以确定检测窗中所有体素点的方向。将体素点的方向与该体素点投影所对应的血管中心线的方向之间的垂直角度大于第一预设角度的体素点作为异常体素点；其中，第一预定角度可以根据先验经验进行设定，例如，可以将第一预定角度设定为15°、20°、25°，30°、35°等等。在判断异常体素点的同时，还需要进一步判断，异常体素点的数量是否超过检测窗内体素点总数的预定比例，若超过，则将所有异常体素点标记为候选点，若未超过，则认为这些异常体素点为干扰信息。其中，预定比例可以根据先验经验进行适当选取，例如，可以超过检测窗内体素点总数的50％、60％、70％、80％等等。最后，将所有候选点围城的区域内的部分作为血管上的隆起图像。
具体来说，可以将表面向量场组成的序列作为辨识特征，利用预先构建的识别模型对隆起区域进行识别，获得血管上的隆起图像。在一种实例中，将表面向量场的序列作为训练的输入，利用深度学习神经网络进行识别模型的训练，通过多次训练得到识别模型。利用识别模型确定待识别血管图像中血管上的隆起图像。
还可以是将表面向量场相对于血管中心线的起伏趋势作为辨识特征，从而确定血管上的隆起图像。在一种实例中，如图4所示，将具有表面向量场的区域中至少两个区域的向量场相对于血管中心线，沿垂直于血管中心线的方向分别具有上升和下降趋势，则将上升趋势开始的区域和下降结束的区域之间的部分作为血管上的隆起图像。
本方案可以根据需要检测的例如结节、病变、息肉、动脉瘤等病灶类型，调整对表面向量场对应辨识特征的筛选条件，从而在识别出血管上隆起图像的同时，即可对病灶的类型进行识别。
综上所述，本方案在血管病灶图像识别中引入表面向量场，通过表面向量场的辨识特征能够快速、准确的识别出与血管存在异常的区域，避免由于病灶初期形态较小，无法准确识别的问题，从而提高识别的准确度，降低漏检率。
如图5所示，本方案进一步提供了配合上述图像识别方法实施的图像识别装置101，该装置包括：获取模块102和识别模块103。
为了缩短识别装置101的处理时间，可以预先对采集得到的初始图象进行分割处理，获取待识别血管图像。该装置在工作时，首先，在获取待识别血管图像，利用获取模块102在待识别血管图像中确定具有表面向量场的区域；然后，识别模块103根据所述表面向量场的辨识特征，确定血管上的隆起图像。本方案还可以在获取模块102之前增加预处理模块，通过预处理模块预选待识别图像中的至少一个关注区域；在所述关注区域内确定具有表面向量场的区域。
该装置中获取模块102先基于待识别血管图像中的血管中心线，形成多个等间距的与血管中心线平行的扫描面；将相邻扫描面上的边缘体素点进行连接，形成具有表面向量场的区域。该具有表面向量场的区域将作为后续识别隆起区域的核心依据。
获取模块102对于边缘体素点进行连接的具体过程为：在当前扫描面上的边缘体素点的邻域范围内存在下一个扫描面上的边缘体素点的情况下，将当前扫描面上的边缘体素点与位于其邻域范围内的，且距离最近的下一个扫描面上的边缘体素点进行连接，形成具有表面向量场的区域；或者，在当前扫描面上的边缘体素点的邻域范围内不存在下一个扫描面上的边缘体素点的情况下，将当前扫描面上的边缘体素点与位于其邻域范围内的当前扫描面上的其他边缘体素点连接，形成具有表面向量场的区域。通过这两种方式，将边缘体素点连接成表面向量场。
该装置中识别模块103可以采用多种方式对血管上的隆起图像进行识别。例如，可以在所述具有表面向量场的区域中任意选取一个检测窗；根据所述表面向量场确定检测窗内各体素点的方向；将检测窗内体素点的方向与该体素点所对应的血管中心线的方向之间的垂直角度大于第一预设角度的体素点作为异常体素点；在所述异常体素点的数量超过所述检测窗内体素点总数的预定比例的情况下，将异常体素点识别为候选点；重复利用检测窗对所述具有表面向量场的区域进行候选点识别，直至所述具有向量场标识的区域全部完成识别；将所述候选点围成的区域作为血管上的隆起图像。也可以基于表面向量场的序列，利用预先构建的识别模型对隆起区域进行识别，获得血管上的隆起图像。还可以将具有表面向量场的区域中向量场相对于血管中心线，沿垂直于血管中心线的方向具有起伏趋势的区域，作为血管上的隆起图像。通过以上三种判断方式能够准确的对血管上的隆起区域进行识别。上述三种方式可以单独进行判断；可以依次判断，取一个综合结果，例如，两种方式以上判定为隆起区域时，则确定该区域为隆起图像。
应当理解，本方案中各模块或单元可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(Programmable GateArray，PGA)，现场可编程门阵列(Field Programmable Gate Array，FPGA)等。
在上述设目标图像方法实施方式的基础上，本方案进一步提供一种计算机可读存储介质。该计算机可读存储介质用于实现上述数据采集方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在设备，例如个人电脑上运行。然而，本方案的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本方案操作的程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如Java、C++等，还包括常规的过程式程序设计语言-诸如"C"语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在上述图像识别方法实施方式的基础上，本方案进一步提供一种电子设备。如图6所示电子设备仅仅是一个示例，不应对本方案实施例的功能和使用范围带来任何限制。
如图6所示，电子设备201以通用计算设备的形式表现。电子设备201的组件可以包括但不限于：至少一个存储单元202、至少一个处理单元203、显示单元204和用于连接不同系统组件的总线205。
其中，所述存储单元202存储有程序代码，所述程序代码可以被所述处理单元203执行，使得所述处理单元203执行上述设备征兆信息获取方法中描述的各种示例性实施方式的步骤。例如，所述处理单元203可以执行如图1中所示的步骤。
存储单元202可以包括易失性存储单元，例如随机存取存储单元(RAM)和/或高速缓存存储单元，还可以进一步包括只读存储单元(ROM)。
存储单元202还可以包括具有程序模块的程序/实用工具，这样的程序模块包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线205可以包括数据总线、地址总线和控制总线。
电子设备201也可以与一个或多个外部设备207(例如键盘、指向设备、蓝牙设备等)通信，这种通信可以通过输入/输出(I/O)接口206进行。应当明白，尽管图中未示出，可以结合电子设备201使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (10)
1.一种图像识别方法，其特征在于，该方法的步骤包括：
在待识别血管图像中确定具有表面向量场的区域；
根据所述表面向量场的辨识特征，确定血管上的隆起图像。
2.根据权利要求1所述的图像识别方法，其特征在于，所述在待识别血管图像中确定具有表面向量场的区域的步骤包括：
基于待识别血管图像中的血管中心线，形成多个等间距的与血管中心线平行的扫描面；
将相邻扫描面上的边缘体素点进行连接，形成具有表面向量场的区域。
3.根据权利要求1所述的图像识别方法，其特征在于，所述将相邻扫描面上的边缘体素点进行连接，形成具有表面向量场的区域的步骤包括：
在当前扫描面上的边缘体素点的邻域范围内存在下一个扫描面上的边缘体素点的情况下，将当前扫描面上的边缘体素点与位于其邻域范围内的，且距离最近的下一个扫描面上的边缘体素点进行连接，形成具有表面向量场的区域；或者，
在当前扫描面上的边缘体素点的邻域范围内不存在下一个扫描面上的边缘体素点的情况下，将当前扫描面上的边缘体素点与位于其邻域范围内的当前扫描面上的其他边缘体素点连接，形成具有表面向量场的区域。
4.根据权利要求1至3任一项所述的图像识别方法，其特征在于，所述根据所述表面向量场的辨识特征，确定血管上的隆起图像的步骤包括：
在所述具有表面向量场的区域中任意选取一个检测窗；
根据所述表面向量场，确定检测窗内各体素点的方向；
将检测窗内体素点的方向与该体素点所对应的血管中心线的方向之间的垂直角度大于第一预设角度的体素点作为异常体素点；
在所述异常体素点的数量超过所述检测窗内体素点总数的预定比例的情况下，将异常体素点识别为候选点；
重复利用检测窗对所述具有表面向量场的区域进行候选点识别，直至所述具有向量场标识的区域全部完成识别；
将所述候选点围成的区域作为血管上的隆起图像。
5.根据权利要求1至3任一项所述的图像识别方法，其特征在于，所述根据所述表面向量场的辨识特征，确定血管上的隆起图像的步骤包括：
基于表面向量场的序列，利用预先构建的识别模型对隆起区域进行识别，获得血管上的隆起图像。
6.根据权利要求1至3任一项所述的图像识别方法，其特征在于，所述根据所述表面向量场的辨识特征，确定血管上的隆起图像包括：
将具有表面向量场的区域中向量场相对于血管中心线，沿垂直于血管中心线的方向具有起伏趋势的区域，作为血管上的隆起图像。
7.根据权利要求1所述的图像识别方法，其特征在于，在待识别血管图像中确定具有表面向量场的区域的前一步步骤包括：
预选待识别图像中的至少一个关注区域；
在所述关注区域内，确定具有表面向量场的区域。
8.一种图像识别装置，其特征在于，包括：
获取模块，在待识别血管图像中确定具有表面向量场的区域；
识别模块，根据所述表面向量场的辨识特征，确定血管上的隆起图像。
9.一种计算机存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1至7任一项所述的方法。
10.一种计算设备，其特征在于，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110478748.2A CN115272159A (zh) | 2021-04-30 | 2021-04-30 | 一种图像识别方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110478748.2A CN115272159A (zh) | 2021-04-30 | 2021-04-30 | 一种图像识别方法、装置、电子设备和可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115272159A true CN115272159A (zh) | 2022-11-01 |
Family
ID=83745247
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110478748.2A Pending CN115272159A (zh) | 2021-04-30 | 2021-04-30 | 一种图像识别方法、装置、电子设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115272159A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100284587A1 (en) * | 2009-04-17 | 2010-11-11 | Malek Adel M | Aneurysm detection |
| US20100309198A1 (en) * | 2007-05-15 | 2010-12-09 | Claude Kauffmann | method for tracking 3d anatomical and pathological changes in tubular-shaped anatomical structures |
| US20110206248A1 (en) * | 2007-08-16 | 2011-08-25 | Koninklijke Philips Electronics N.V. | Imaging method for sampling a cross-section plane in a three-dimensional (3d) image data volume |
| 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 |
| CN111986205A (zh) * | 2019-05-21 | 2020-11-24 | 梁红霞 | 血管树生成及病变识别方法、装置、设备及可读存储介质 |
-
2021
- 2021-04-30 CN CN202110478748.2A patent/CN115272159A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100309198A1 (en) * | 2007-05-15 | 2010-12-09 | Claude Kauffmann | method for tracking 3d anatomical and pathological changes in tubular-shaped anatomical structures |
| US20110206248A1 (en) * | 2007-08-16 | 2011-08-25 | Koninklijke Philips Electronics N.V. | Imaging method for sampling a cross-section plane in a three-dimensional (3d) image data volume |
| US20100284587A1 (en) * | 2009-04-17 | 2010-11-11 | Malek Adel M | Aneurysm detection |
| CN111986205A (zh) * | 2019-05-21 | 2020-11-24 | 梁红霞 | 血管树生成及病变识别方法、装置、设备及可读存储介质 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108022238B (zh) | 对3d图像中对象进行检测的方法、计算机存储介质和系统 | |
| Faust et al. | Formal design methods for reliable computer-aided diagnosis: a review | |
| Liu et al. | Automatic detection of pulmonary nodules on CT images with YOLOv3: development and evaluation using simulated and patient data | |
| US9427173B2 (en) | Determining mechanical force on aneurysms from a fluid dynamic model driven by vessel blood flow information | |
| CN112561908B (zh) | 乳腺图像病灶匹配方法、装置及存储介质 | |
| US9014456B2 (en) | Computer aided diagnostic system incorporating appearance analysis for diagnosing malignant lung nodules | |
| JP2019530490A (ja) | 検出精度を向上させるために関心領域の異なるビューからの複数の画像を用いるコンピュータ支援検出 | |
| WO2014113786A1 (en) | Quantitative predictors of tumor severity | |
| JP2006255412A (ja) | 腫瘍量を監視する方法及びシステム | |
| US20130259345A1 (en) | Computer aided diagnostic system incorporating shape analysis for diagnosing malignant lung nodules | |
| US8331641B2 (en) | System and method for automatically classifying regions-of-interest | |
| CN113902642B (zh) | 一种医学图像处理方法、装置、电子设备和存储介质 | |
| JP6865678B2 (ja) | 縦断的特徴に基づく関心組織の健康状態の分類 | |
| EP4002387A1 (en) | Cad device and method for analysing medical images | |
| US20230005601A1 (en) | Document creation support apparatus, method, and program | |
| US9361684B2 (en) | Feature validation using orientation difference vector | |
| Nguyen et al. | Anomalies Detection in Chest X-Rays Images Using Faster R-CNN and YOLO. | |
| US20230360213A1 (en) | Information processing apparatus, method, and program | |
| CN113610841B (zh) | 一种血管异常图像识别方法、装置、电子设备和存储介质 | |
| CN109410170B (zh) | 图像数据处理方法、装置及设备 | |
| KR102469907B1 (ko) | 복수의 폐질환을 스크리닝하기 위한 의료 영상 재구성 장치 및 방법 | |
| CN115272159A (zh) | 一种图像识别方法、装置、电子设备和可读存储介质 | |
| WO2020241857A1 (ja) | 医療文書作成装置、方法およびプログラム、学習装置、方法およびプログラム、並びに学習済みモデル | |
| Thilo et al. | Computer-aided stenosis detection at coronary CT angiography: effect on performance of readers with different experience levels | |
| CN115482181B (zh) | 一种图像信息提取方法、装置、电子设备和可读存储介质 |
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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 100120 rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing Applicant after: Shukun Technology Co.,Ltd. Address before: 100120 rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing Applicant before: Shukun (Beijing) Network Technology Co.,Ltd. Country or region before: China |