CN115345811A - 一种引导式钙化斑块的检测评分方法、设备及存储介质 - Google Patents

一种引导式钙化斑块的检测评分方法、设备及存储介质 Download PDF

Info

Publication number
CN115345811A
CN115345811A CN202110516332.5A CN202110516332A CN115345811A CN 115345811 A CN115345811 A CN 115345811A CN 202110516332 A CN202110516332 A CN 202110516332A CN 115345811 A CN115345811 A CN 115345811A
Authority
CN
China
Prior art keywords
image sequence
oct
sequence
calcified plaque
calcified
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
Application number
CN202110516332.5A
Other languages
English (en)
Inventor
朱锐
张逸群
鲁全茂
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.)
SHENZHEN VIVOLIGHT MEDICAL DEVICE & TECHNOLOGY CO LTD
Original Assignee
SHENZHEN VIVOLIGHT MEDICAL DEVICE & TECHNOLOGY 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 SHENZHEN VIVOLIGHT MEDICAL DEVICE & TECHNOLOGY CO LTD filed Critical SHENZHEN VIVOLIGHT MEDICAL DEVICE & TECHNOLOGY CO LTD
Priority to CN202110516332.5A priority Critical patent/CN115345811A/zh
Priority to PCT/CN2021/112607 priority patent/WO2022236995A1/zh
Publication of CN115345811A publication Critical patent/CN115345811A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—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

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

Abstract

本申请适用于医疗影像技术领域，提供了一种引导式钙化斑块的检测评分方法、设备及存储介质。该方法包括：获取目标管腔的OCT图像序列；将所述OCT图像序列输入预设的分割模型中处理，输出得到所述OCT图像序列的掩膜图像序列，所述掩膜图像序列用于标识所述OCT图像序列中的钙化斑块区域；根据掩膜图像序列计算所述OCT图像序列中的钙化斑块的尺寸参数，并根据所述尺寸参数确定所述目标管腔的钙化斑块的严重程度评分。可以通过对OCT采集的钙化斑块的图像进行分析得到钙化斑块的严重程度评分。

Description

一种引导式钙化斑块的检测评分方法、设备及存储介质
技术领域
本申请属于医疗影像技术领域，尤其涉及一种引导式钙化斑块的检测评分方法、设备及存储介质。
背景技术
随着社会老龄化及心血管疾病的发病率上升，血管钙化已成为心血管疾病防治的重要问题，严重的血管钙化将明显增加支架手术的难度和风险。如果医生能及时了解到血管管腔内钙化斑块的严重程度，就可以及时采取旋磨，准分子激光冠脉内斑块消蚀术(Excimer Laser Coronary Atherectomy，ELCA)等合理的预处理措施来应对钙化斑块相关的医疗问题，以达到更好的治疗效果。
发明内容
本申请提供一种引导式钙化斑块的检测评分方法、设备及存储介质，可以通过对OCT采集的钙化斑块的图像进行分析得到钙化斑块的严重程度评分。
第一方面，本申请提供一种引导式钙化斑块的检测评分方法，包括：获取目标管腔的OCT图像序列；将所述OCT图像序列输入预设的分割模型中处理，输出得到所述OCT图像序列的掩膜图像序列，所述掩膜图像序列用于标识所述OCT图像序列中的钙化斑块区域；根据掩膜图像序列计算所述OCT图像序列中的钙化斑块的尺寸参数，并根据所述尺寸参数确定所述目标管腔的钙化斑块的严重程度评分。
可选地，所述预设的分割模型包括多尺度金字塔卷积池化模块和U-Net模型，所述多尺度金字塔卷积池化模块包括多个不同尺度的第一下采样层，所述U-Net模型包括多个第二下采样层，所述多个不同尺度的第一下采样层分别与所述多个第二下采样层一一对应连接；所述OCT图像序列分别输入至所述多个第一下采样层和所述多个第二下采样层中。
可选地，所述获取目标管腔的OCT图像序列包括：获取目标管腔的OCT原始图像序列；根据光学断层衰减补偿算法对所述OCT原始图像序列进行图像补偿，得到OCT补偿图像序列；将所述OCT原始图像序列和所述OCT补偿图像序列叠加，得到所述目标管腔的OCT图像序列。
可选地，所述光学断层衰减补偿算法为：
Figure BDA0003062380970000021
其中，z表示所述OCT原始图像序列的成像深度，Ii,j(z)表示所述原始图像序列中像素点(i，j)的初始光强值，
Figure BDA0003062380970000022
是补偿后的强度值，而
Figure BDA0003062380970000023
是Ii,j(z)对应的补偿因子。
可选地，所述OCT图像序列中的钙化斑块的尺寸参数包括所述OCT图像序列中的钙化斑块的厚度、长度和角度。
可选地，所述掩膜图像序列还用于标识所述OCT图像序列中的管腔区域，所述根据所述掩膜图像序列计算所述OCT图像序列中的钙化斑块的尺寸参数，包括：
根据所述掩膜图像序列计算所述OCT图像序列中管腔区域的中心坐标，并根据所述中心坐标和预设的扫描频率将所述掩膜图像序列转换为方图序列；
根据所述方图序列中在列方向上像素值连续为第一预设值的最大像素点个数乘以像素分辨率确定为所述OCT图像序列中的钙化斑块的厚度；
根据公式a＝2π·r/c分别计算所述方图序列包含的多帧方图中钙化斑块的角度，确定所述多帧方图中钙化斑块的角度的最大值为所述OCT图像序列中的钙化斑块的角度；其中，c表示所述方图序列的宽度，r表示所述方图序列中列方向上含有像素值为所述第一预设值的像素点的列数，a表示钙化斑块的角度；
根据公式l＝p*m计算得到所述OCT图像序列中的钙化斑块的长度，其中，p表示所述方图序列中连续出现钙化区域的帧数，m表示帧间距。
可选地，所述方法还包括：根据预设的损失函数和训练集，对初始的分割模型进行训练，得到预设的分割模型；其中，所述训练集包括多个OCT图像序列样本和每个所述OCT图像序列样本对应的掩膜图像序列样本；所述损失函数用于约束所述OCT图像序列中每一帧图像样本与对应的每一帧掩膜图像序列样本之间的误差，还用于约束所述OCT图像序列中连续多帧图像样本与对应的连续多帧掩膜图像序列样本之间的误差。
第二方面，本申请提供一种引导式钙化斑块的检测评分装置，包括：
获取单元，用于获取目标管腔的OCT图像序列；
处理单元，用于将所述OCT图像序列输入预设的分割模型中处理，输出得到所述OCT图像序列的掩膜图像序列，所述掩膜图像序列用于标识所述OCT图像序列中的钙化斑块区域；
确定单元，根据所述掩膜图像序列计算所述OCT图像序列中的钙化斑块的尺寸参数，并根据所述尺寸参数确定所述目标管腔的钙化斑块的严重程度评分。
第三方面，本申请提供一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如第一方面或第一方面的任一可选方式所述的方法。
第四方面，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程序，计算机程序被处理器执行时实现如第一方面或第一方面的任一可选方式所述的方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行如第一方面或第一方面的任一可选方式所述的方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：
通过本申请提供的一种引导式钙化斑块的检测评分方法，首先应用光学断层衰减补偿算法获取与OCT原始图像序列对应的OCT补偿图像序列，能够避免由于OCT原始图像的成像深度低的原因无法完整显示深层次较大区域的钙化斑块，从而获得了完整的深层次的钙化斑块；然后利用多尺度金字塔卷积池化模块和U-Net模型构成的预设的分割模型，使得将钙化尺寸差异较大的OCT图像输入至预设的分割模型中处理后得到特征尺度固定的特征图，避免了直接由U-Net模型处理后产生的特征图中特征尺度的差异较大，小尺度特征信号的衰减；最后通过计算计算OCT图像序列中的钙化斑块的尺寸参数，确定目标管腔的钙化斑块的严重程度评分。因而，通过本申请提供的斑块钙化的检测评分方法可以对OCT采集的钙化斑块的图像进行分析得到钙化斑块的严重程度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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是本申请一实施例提供的钙化斑块的检测方法的一个实施例的流程示意图；
图2是本申请一实施例提供的一种OCT钙化圆图的示意图；
图3是本申请一实施例提供的一种补偿后的OCT的钙化圆图示意图；
图4是本申请实施例提供的一种预设的分割模型的网络结构示意图；
图5是本申请一实施例提供的一种经分割模型输出的掩膜图像示意图；
图6是本申请一实施例提供的一种OCT钙化方图的识别结果示意图；
图7是本申请一实施例提供的一种掩膜图像转换为方图的示意图；
图8是本申请实施例提供的一种引导式钙化斑块的检测评分装置的示意图；
图9是本申请实施例提供的一种终端设备的示意图。
具体实施方式
针对目前由于OCT成像深度低导致无法完整显示深层次较大区域的钙化斑块，从而影响钙化斑块的识别及缺乏专门针对OCT钙化斑块识别的技术问题。本申请提供一种引导式钙化斑块的检测评分方法，首先应用光学断层衰减补偿算法获取与OCT钙化圆图对应的OCT补偿钙化圆图即增强钙化圆图；然后通过空间多尺度金字塔池化的方法改进U-Net图像分割模型得到掩膜图像；最后根据掩膜图像计算钙化斑块的尺寸参数，并根据尺寸参数确定钙化斑块的严重程度。因而，可以通过对OCT采集的钙化斑块的图像进行分析得到钙化斑块的严重程度。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
如图1所示为本申请一实施例提供的一种引导式钙化斑块的检测评分方法的流程示意图。该方法的执行主体可以是光学相干断层扫描(optical coherence tomography，OCT)图像采集设备，也可以是与OCT图像采集设备相关联的其他控制设备，例如，个人计算机(PC)等。参见图1，该方法包括：
S101，获取目标管腔的OCT图像序列。
需要说明的是，目标管腔的OCT图像序列是指由OCT采集设备采集的多张血管管腔内的OCT图像。不难理解的，OCT图像序列可以是直接连续采集的多帧OCT图像；也可以是采集视频中连续多帧的OCT图像。
其中，获取目标管腔的OCT图像序列包括：S1011，获取目标管腔的OCT原始图像序列。
在一种可能的实现方式中，OCT原始图像序列的获取可以是从OCT图像采集设备中导出采集的连续多帧OCT图像，然后人工选择出包含有钙化的图像以构成OCT原始图像序列。
将上述OCT原始图像序列中的每张OCT原始图像初始化处理为704*704*3的图像。值得说明的是，初始化是指利用初始化函数将OCT原始图像序列中的OCT图像都转换成尺寸大小均为704*704*3的图像。
S1012，根据光学断层衰减补偿算法对所述OCT原始图像序列进行图像补偿，得到OCT补偿图像序列。
获取的OCT原始图像序列中的多张OCT原始图像是利用波长为1300nm左右的红外线的光波作为光源，通过分光器将光源发出的光分为样本光束和参照光束，采用距离相同的参照光束和样本光束反射波相遇后的产生的光学相干现象经计算机处理成信号后获得组织图像。其中，由于OCT成像深度较低，一般OCT的成像深度为1-3mm，无法完整显示更深层的较大区域的钙化斑块的图像。
为了获得完整的更深层的较大区域的钙化斑块的图像，本申请采用光学断层衰减补偿算法(Attenuation-Compensated Optical Coherence Tomography，AC)对OCT原始图像序列进行图像补偿，得到OCT补偿图像序列。
值得说明的是，光学断层衰减补偿算法可以按照如下公式计算：
Figure BDA0003062380970000061
其中，公式(1)中，z表示OCT原始图像序列成像的深度，Ii,j(z)表示OCT原始图像序列中像素点为(i，j)的初始光强值，
Figure BDA0003062380970000062
是OCT原始图像序列中像素点为(i，j)补偿后的强度值，而
Figure BDA0003062380970000063
是Ii,j(z)对应的补偿因子。
不难理解的，OCT原始图像序列包含多张OCT原始图像，将多张OCT原始图像代入公式(1)中计算得到与所述多张OCT原始图像一一对应的多张OCT补偿图像，多张OCT补偿图像构成与上述OCT原始图像序列一一对应的OCT补偿图像序列。
S1013，将OCT原始图像序列和OCT补偿图像序列叠加，得到目标管腔的OCT图像序列。
其中，OCT原始图像序列中的一张OCT原始图像如图2所示，对应的OCT补偿图像如图3所示。
需要说明的是，由于目标管腔的OCT图像序列是OCT原始图像序列叠加OCT补偿图像序列形成的图像，所以OCT原始图像序列中的OCT原始图像的尺寸大小是704*704*3，经光学断层衰减补偿算法处理后得到的OCT补偿图像序列不改变OCT原始图像序列的尺寸大小，即OCT补偿图像序列的尺寸大小也是704*704*3。因此，OCT原始图像序列叠加OCT补偿图像序列形成的OCT图像序列中的OCT图像的尺寸大小是704*704*6。
S102，将所述OCT图像序列输入预设的分割模型中处理，输出得到所述OCT图像序列的掩膜图像序列，所述掩膜图像序列用于标识所述OCT图像序列中的钙化斑块区域。
由于OCT图像序列中不同的OCT图像中的管腔和钙化的尺寸差异较大，当直接将尺寸差异较大的OCT图像输入至U-Net模型中进行卷积后得到的特征图中特征尺度的差异也较大，甚至可能出现小尺度的特征信号衰减的情况，使得难以对OCT图像中的管腔及斑块进行特征提取。
因此，本申请实施例中采用的预设的分割模型结构如图4所示，其中，每个方块表示卷积后的特征图，每个方块下的数字表示特征图的数量，输入图像是指待输入到预设的分割模型中的OCT图像序列，输出图像是指分别用数字0，1和2分别标识背景、管腔及钙化斑块的掩膜图像序列。
本申请实施例中预设的分割模型包括U-Net模型和多尺度金字塔卷积池化模块。其中，多尺度金字塔卷积池化模块包括多个不同尺度的第一下采样层，多个不同尺度的第一下采样层的输出分别连接至U-Net模型的多个第二下采样层；OCT图像序列分别输入至多尺度金字塔卷积池化模块和U-Net模型。
应该理解的，多个不同尺度的第一下采样层分别与多个第二下采样层一一对应连接；OCT图像序列包含的多帧OCT图像分别一一对应输入至多个不同尺度的第一下采样层中，且将OCT图像序列输入至多个第二下采样层中。
这样输入的OCT图像序列经过预设的分割模型处理后，输出得到与上述OCT图像序列对应的掩膜图像序列，与图2、图3对应输出的掩膜图像序列中掩膜图像参见图5。
需要说明的是，经过softmax函数进行归一化处理后，可以得到上述掩膜图像中每个像素点对应的分类得分，且每个像素属于这三类的概率和相加为1，选择其中概率最大的为该像素对应的分类类别。示例性的，用0表示OCT钙化圆图中的背景，用1表示OCT钙化圆图中的管腔，用2表示OCT钙化圆图中的钙化斑块，若其中某一个像素点A对应上述3种分类中，归一化处理后的概率依次为(0.2，0.2，0.6)，像素点A属于第三类即OCT钙化圆图中的钙化斑块的概率最大，那么像素点A属于钙化斑块。
另外，本申请实施例中的预设的分割模型的训练过程为：根据预设的损失函数和训练集，对初始的分割模型进行训练，得到所述分割模型。
其中，训练集包括多个OCT图像序列样本和每个所述OCT图像序列样本对应的掩膜图像序列样本。
不难理解的，人工(例如，专家)对上述多个OCT图像序列样本中的各个OCT图像进行标注，分别标注出钙化轮廓、管腔轮廓和背景。完成标注后的OCT图像可以用于训练本申请中预设的分割模型，且还可以作为真实结果用于优化预设的分割模型。
在实际操作过程中，针对其中的一幅OCT图像而言，当已经标注了钙化轮廓和管腔轮廓后，上述OCT图像剩余的部分(未标注的部分)则是图像中的背景，因此，实际需要标注的是钙化轮廓和管腔轮廓。
示例性的，用0表示OCT图像中的背景，用1表示OCT图像中的管腔，用2表示OCT图像中的钙化斑块。具体的标注数据对应的分类类别可以根据实际需要进行调整，本申请对此不作任何限定。
由于医学图像的获取和标注都是比较困难的，所以可以通过旋转、翻转、加噪、平移、缩放或者裁剪的方法对多个OCT图像序列样本中的多张OCT图像进行扩充，以增加多个OCT图像序列样本中的数据量。增加的数据量对后续预设分割模型的训练也具有非常重要的意义，例如，可以避免记忆训练数据。
为了不断的优化初始的分割模型中的参数，进一步减小模型预测结果与真实结果之间的误差，使本申请实施例中的预测模型预测的结果更加精确，采用如下的损失函数：
Loss＝L(pt,gt)+||L(pt,pt-1)-L(gt,gt-1)|
其中，pt表示第t帧图像模型的预测结果，gt表示第t帧图像模型的真实结果；L(pt,gt)表示第t帧图像模型的预测结果与真实结果之间的误差；L(pt,pt-1)表示第t帧图像模型的预测结果与第t-1帧图像模型的预测结果之间的误差；L(gt,gt-1)表示第t帧真实结果与第t-1帧真实结果之间的误差。
不难理解的，真实结果是指专家对包含有钙化的OCT图像序列样本进行标注的结果。当模型预测的结果与专家标注的结果误差逐渐减小时，说明该模型预测的结果越准确，如图6所示为优化后的分割模型识别的OCT图像。
损失函数用于约束OCT图像序列中每一帧图像样本与对应的每一帧掩膜图像序列样本之间的误差，还用于约束OCT图像序列中连续多帧图像样本与对应的连续多帧掩膜图像序列样本之间的误差。
值得说明的是，上述预设的分割模型的执行主体可以与运行分割模型的终端设备是同一个设备，可以是其他计算机设备，对此，本申请不作任何限定。
S103，根据所述掩膜图像序列计算所述OCT图像序列中的钙化斑块的尺寸参数，并根据所述尺寸参数确定所述目标管腔的钙化斑块的严重程度评分。
可选地，本申请实施例中钙化斑块的尺寸参数包括钙化斑块的厚度、长度和角度。钙化斑块的尺寸参数可以根据不同的实际需求进行设计，本申请对此不作任何限定。
需要说明的是，OCT图像序列的掩膜图像序列还用于标识OCT图像序列中的管腔区域。为了便于计算，将掩膜图像转换成方图，其转换的过程是：根据上述管腔区域的边缘坐标点计算出管腔区域的中心坐标，利用管腔区域的中心坐标和预设的扫描频率将OCT图像序列的掩膜图像序列转换为方图序列。
示例性的，如图7所示为与图5的掩膜图像对应转换后的方图。其管腔区域的中心点坐标通过在掩膜图像中的管腔边缘提取近百个坐标点，并取近百个坐标点的平均值，计算得到管腔区域的中心点坐标。
值得说明的是，本申请实施例中预设的扫描频率是指OCT采集设备的扫描频率，转换方图的大小是由预设的扫描频率决定的。其中，转换的方图的列数由OCT采集设备的横向分辨率决定，转换的方图的行数由OCT采集设备的纵向分辨率决定。
示例性的，当OCT采集设备的横向分辨率为500时，采集的OCT图像对应的列数就是500；当OCT采集设备的纵向分辨率为700时，采集的OCT图像对应的行数取700，但是本申请实施例中行数一般取642，这是由于642行以后的数据所携带的有效信息较少，可以忽略不计。当然，转换的方图也可以根据不同的实际需求进行调整，本申请对此不作任何限定。
根据转换后的方图分别计算钙化斑块的角度、厚度及长度。
可选地，根据方图序列中在列方向上像素值连续为第一预设值的最大像素点个数乘以像素分辨率确定为OCT图像序列中钙化斑块的厚度。
其中，像素分辨率表示一个像素点的尺寸大小，像素点的尺寸大小与采集OCT图像所使用的设备相关。第一预设值是指在OCT原始图像序列的标注过程中用于标识钙化斑块的分类类别。示例性的，用数字1表示钙化斑块，那么第一预设值为1，钙化斑块的厚度即方图序列中在列方向上像素值连续为1的最大像素点个数乘以像素分辨率。
可选地，根据公式(2)分别计算方图序列包含的多帧方图中钙化斑块的角度，确定多帧方图中钙化斑块的角度的最大值为OCT图像序列中的钙化斑块的角度。钙化区域的角度的计算公式参见如下公式：
a＝2π·r/c (2)
公式(2)中，c表示方图序列的宽度，r表示所述方图序列中列方向上含有像素值为所述第一预设值的像素点的列数，a表示钙化斑块的角度。
示例性的，当第一预设值为1时，r取方图序列中列方向上含有像素值为1的像素点的列数，c取方图序列的宽度，带入公式a＝2π·r/c中计算方图序列中每张方图包含的钙化斑块的角度，钙化斑块的最大角度值为钙化斑块的角度。又如，当方图序列中包含3帧方图，第一帧方图中钙化斑块的角度为30°，第二帧方图中钙化斑块的角度为45°，第三帧方图中钙化斑块的角度为60°，那么最终确定的钙化斑块的角度为60°。
可选地，根据公式(3)计算得到OCT图像序列中的钙化斑块的长度，钙化区域的长度的计算公式参见如下公式：
l＝p*m (3)
公式(3)中，p表示方图序列中连续出现钙化区域的帧数，m表示每张图像间的帧间距。
值得说明的是，对于多张图像中连续区域内出现的钙化区域有重叠的部分则视为同一块钙化区域。对同一钙化区域，取所有图像中的角度值最大的作为该钙化区域的角度值，同理，取所有图像中的厚度值最大的作为该钙化区域的厚度值。
计算钙化区域的的角度、厚度及长度值后，根据表1所示的钙化斑块的评分指标得到钙化斑块的严重程度评分。
根据表1可以对应计算得到钙化斑块的严重程度评分。由于钙化斑块的严重程度会影响经皮冠状动脉介入(Percutaneous Trans-luminal Coronary Intervention，PCI)手术的治疗策略，一般严重的钙化斑块会在PCI手术后产生贴壁不良和膨胀不全等情况。故严重程度评分0～4中，严重程度评分越高说明钙化斑块的严重程度越重。医生可以根据严重程度评分的得分情况采取不同的预处理措施以治疗病变的钙化斑块。其中，预处理措施包括但不仅限于切割球囊、钙化旋磨、冲击波治疗、激光消融等。
表1
Figure BDA0003062380970000121
根据临床经验，严重程度评分为0～3时，出现支架膨胀不良的概率较低，可以不采取预处理措施；严重程度评分为4时，医生需要采取预处理措施以治疗病变的钙化斑块。
基于同一发明构思，作为对上述方法的实现，本申请实施例提供了一种影像驱动的脑图谱构建装置，该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。
如图8所示，本申请提供一种引导式钙化斑块的检测评分装置，包括：
获取单元801，用于获取目标管腔的OCT图像序列。
处理单元802，用于将所述OCT图像序列输入预设的分割模型中处理，输出得到所述OCT图像序列的掩膜图像序列，所述OCT图像序列的掩膜图像序列用于标识所述OCT图像序列中的钙化斑块区域。
确定单元803，根据所述掩膜图像序列计算所述OCT图像序列中的钙化斑块的尺寸参数，并根据所述尺寸参数确定所述目标管腔的钙化斑块的严重程度评分。
可选地，预设的分割模型包括多尺度金字塔卷积池化模块和U-Net模型，多尺度金字塔卷积池化模块包括多个不同尺度的第一下采样层，U-Net模型包括多个第二下采样层，多个不同尺度的第一下采样层分别与多个第二下采样层一一对应连接；OCT图像序列分别输入至多个第一下采样层和多个第二下采样层中。
可选地，获取目标管腔的OCT图像序列包括：
获取目标管腔的OCT原始图像序列；
根据光学断层衰减补偿算法对OCT原始图像序列进行图像补偿，得到OCT补偿图像序列；
将OCT原始图像序列和OCT补偿图像序列叠加，得到目标管腔的OCT图像序列。
可选地，光学断层衰减补偿算法为：
Figure BDA0003062380970000131
其中，z表示OCT原始图像序列的成像深度，Ii,j(z)表示原始图像序列中像素点(i，j)的初始光强值，
Figure BDA0003062380970000132
是补偿后的强度值，而
Figure BDA0003062380970000133
是Ii,j(z)对应的补偿因子。
可选地，OCT图像序列中的钙化斑块的尺寸参数包括OCT图像序列中的钙化斑块的厚度、长度和角度。
可选地，掩膜图像序列还用于标识OCT图像序列中的管腔区域，根据掩膜图像序列计算OCT图像序列中的钙化斑块的尺寸参数，包括：
根据掩膜图像序列计算OCT图像序列中管腔区域的中心坐标，并根据中心坐标和预设的扫描频率将掩膜图像序列转换为方图序列；
根据方图序列中在列方向上像素值连续为第一预设值的最大像素点个数乘以像素分辨率确定OCT图像序列中的钙化斑块的厚度；
根据公式a＝2π·r/c分别计算方图序列包含的多帧方图中钙化斑块的角度，确定多帧方图中钙化斑块的角度的最大值为OCT图像序列中的钙化斑块的角度；其中，c表示方图序列的宽度，r表示方图序列中列方向上含有像素值为第一预设值的像素点的列数，a表示钙化斑块的角度；
根据公式l＝p*m计算得到OCT图像序列中的钙化斑块的长度，其中，p表示方图序列中连续出现钙化区域的帧数，m表示帧间距。
可选地，方法还包括：
根据预设的损失函数和训练集，对初始的分割模型进行训练，得到预设的分割模型；
其中，训练集包括多个OCT图像序列样本和每个OCT图像序列样本对应的掩膜图像序列样本；
损失函数用于约束OCT图像序列中每一帧图像样本与对应的每一帧掩膜图像序列样本之间的误差，还用于约束OCT图像序列中连续多帧图像样本与对应的连续多帧掩膜图像序列样本之间的误差。
本实施例提供的分割模型装置可以执行上述方法实施例，其实现原理与技术效果类似，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
基于同一发明构思，本申请实施例还提供了一种终端设备。图9为本申请实施例提供的终端设备的示意图，如图9所示，本实施例提供的终端设备包括：存储器901和处理器902，存储器901用于存储计算机程序；处理器902用于在调用计算机程序时执行上述方法实施例所述的方法，例如图1所示的步骤S101至步骤S103。或者，所述处理器902执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图8所示单元801至单元803的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器901中，并由所述处理器902执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
本领域技术人员可以理解，图9仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器902可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器901可以是所述终端设备的内部存储单元，例如终端设备的硬盘或内存。所述存储器901也可以是所述终端设备的外部存储设备，例如所述终端设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器901还可以既包括所述终端设备的内部存储单元也包括外部存储设备。所述存储器901用于存储所述计算机程序以及所述终端设备所需的其它程序和数据。所述存储器901还可以用于暂时地存储已经输出或者将要输出的数据。
本实施例提供的终端设备可以执行上述方法实施例，其实现原理与技术效果类似，此处不再赘述。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例所述的方法。
本申请实施例还提供一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现上述方法实施例所述的方法。
本申请实施例还提供一种芯片系统，包括处理器，所述处理器与存储器耦合，所述处理器执行存储器中存储的计算机程序，以实现上述方法实施例所述的方法。其中，所述芯片系统可以为单个芯片，或者多个芯片组成的芯片模组。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random AccessMemory，RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种引导式钙化斑块的检测评分方法，其特征在于，包括：
获取目标管腔的OCT图像序列；
将所述OCT图像序列输入预设的分割模型中处理，输出得到所述OCT图像序列的掩膜图像序列，所述掩膜图像序列用于标识所述OCT图像序列中的钙化斑块区域；
根据所述掩膜图像序列计算所述OCT图像序列中的钙化斑块的尺寸参数，并根据所述尺寸参数确定所述目标管腔的钙化斑块的严重程度评分。
2.如权利要求1所述的方法，其特征在于，所述预设的分割模型包括多尺度金字塔卷积池化模块和U-Net模型，所述多尺度金字塔卷积池化模块包括多个不同尺度的第一下采样层，所述U-Net模型包括多个第二下采样层，所述多个不同尺度的第一下采样层分别与所述多个第二下采样层一一对应连接；所述OCT图像序列分别输入至所述多个第一下采样层和所述多个第二下采样层中。
3.如权利要求1所述的方法，其特征在于，所述获取目标管腔的OCT图像序列包括：
获取目标管腔的OCT原始图像序列；
根据光学断层衰减补偿算法对所述OCT原始图像序列进行图像补偿，得到OCT补偿图像序列；
将所述OCT原始图像序列和所述OCT补偿图像序列叠加，得到所述目标管腔的OCT图像序列。
4.如权利要求3所述的方法，其特征在于，所述光学断层衰减补偿算法为：
Figure FDA0003062380960000011
其中，z表示所述OCT原始图像序列的成像深度，Ii,j(z)表示所述原始图像序列中像素点(i，j)的初始光强值，
Figure FDA0003062380960000012
是补偿后的强度值，而
Figure FDA0003062380960000013
是Ii,j(z)对应的补偿因子。
5.如权利要求1所述的方法，其特征在于，所述OCT图像序列中的钙化斑块的尺寸参数包括所述OCT图像序列中的钙化斑块的厚度、长度和角度。
6.如权利要求5所述的方法，其特征在于，所述掩膜图像序列还用于标识所述OCT图像序列中的管腔区域，所述根据所述掩膜图像序列计算所述OCT图像序列中的钙化斑块的尺寸参数，包括：
根据所述掩膜图像序列计算所述OCT图像序列中管腔区域的中心坐标，并根据所述中心坐标和预设的扫描频率将所述掩膜图像序列转换为方图序列；
根据所述方图序列中在列方向上像素值连续为第一预设值的最大像素点个数乘以像素分辨率确定所述OCT图像序列中的钙化斑块的厚度；
根据公式a＝2π·r/c分别计算所述方图序列包含的多帧方图中钙化斑块的角度，确定所述多帧方图中钙化斑块的角度的最大值为所述OCT图像序列中的钙化斑块的角度；其中，c表示所述方图序列的宽度，r表示所述方图序列中列方向上含有像素值为所述第一预设值的像素点的列数，a表示钙化斑块的角度；
根据公式l＝p*m计算得到所述OCT图像序列中的钙化斑块的长度，其中，p表示所述方图序列中连续出现钙化区域的帧数，m表示帧间距。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
根据预设的损失函数和训练集，对初始的分割模型进行训练，得到预设的分割模型；
其中，所述训练集包括多个OCT图像序列样本和每个所述OCT图像序列样本对应的掩膜图像序列样本；
所述损失函数用于约束所述OCT图像序列中每一帧图像样本与对应的每一帧掩膜图像序列样本之间的误差，还用于约束所述OCT图像序列中连续多帧图像样本与对应的连续多帧掩膜图像序列样本之间的误差。
8.一种引导式钙化斑块的检测评分装置，其特征在于，包括：
获取单元，用于获取目标管腔的OCT图像序列；
处理单元，用于将所述OCT图像序列输入预设的分割模型中处理，输出得到所述OCT图像序列的掩膜图像序列，所述掩膜图像序列用于标识所述OCT图像序列中的钙化斑块区域；
确定单元，根据所述掩膜图像序列计算所述OCT图像序列中的钙化斑块的尺寸参数，并根据所述尺寸参数确定所述目标管腔的钙化斑块的严重程度评分。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
CN202110516332.5A 2021-05-12 2021-05-12 一种引导式钙化斑块的检测评分方法、设备及存储介质 Pending CN115345811A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110516332.5A CN115345811A (zh) 2021-05-12 2021-05-12 一种引导式钙化斑块的检测评分方法、设备及存储介质
PCT/CN2021/112607 WO2022236995A1 (zh) 2021-05-12 2021-08-13 一种引导式钙化斑块的检测评分方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110516332.5A CN115345811A (zh) 2021-05-12 2021-05-12 一种引导式钙化斑块的检测评分方法、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115345811A true CN115345811A (zh) 2022-11-15

Family

ID=83946677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110516332.5A Pending CN115345811A (zh) 2021-05-12 2021-05-12 一种引导式钙化斑块的检测评分方法、设备及存储介质

Country Status (2)

Country Link
CN (1) CN115345811A (zh)
WO (1) WO2022236995A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107993221B (zh) * 2017-11-16 2021-11-02 济南大学 心血管光学相干断层oct图像易损斑块自动识别方法
CN108109149A (zh) * 2017-12-14 2018-06-01 河北大学 一种冠状动脉oct图像自动分割方法
CN110222759B (zh) * 2019-06-03 2021-03-30 中国医科大学附属第一医院 一种冠状动脉易损斑块自动识别系统
US11710238B2 (en) * 2019-10-24 2023-07-25 Case Western Reserve University Plaque segmentation in intravascular optical coherence tomography (OCT) images using deep learning
CN111768403A (zh) * 2020-07-09 2020-10-13 成都全景恒升科技有限公司 一种基于人工智能算法的钙化斑块检测决策系统及装置

Also Published As

Publication number Publication date
WO2022236995A1 (zh) 2022-11-17

Similar Documents

Publication Publication Date Title
Nasr-Esfahani et al. Segmentation of vessels in angiograms using convolutional neural networks
US20110257527A1 (en) Ultrasound carotid media wall classification and imt measurement in curved vessels using recursive refinement and validation
Badsha et al. A new blood vessel extraction technique using edge enhancement and object classification
CN113420826B (zh) 一种肝脏病灶图像处理系统及图像处理方法
CN111667456A (zh) 一种冠状动脉x光序列造影中血管狭窄检测方法及装置
CN113470137B (zh) 基于灰度加权的ivoct图像导丝伪影去除方法
Sobhaninia et al. Localization of fetal head in ultrasound images by multiscale view and deep neural networks
CN111932554A (zh) 一种肺部血管分割方法、设备及存储介质
CN109754388B (zh) 一种颈动脉狭窄程度计算方法、装置及存储介质
CN111950388A (zh) 一种易损性斑块跟踪识别系统及方法
CN112348883B (zh) 血管介入手术中介入器械端点实时定位系统、方法、装置
CN110838114A (zh) 肺结节检测方法、装置及计算机存储介质
CN111724365B (zh) 血管内动脉瘤修复手术的介入器械检测方法、系统及装置
CN116503607A (zh) 一种基于深度学习的ct图像分割方法和系统
CN110136107B (zh) 基于dssd和时域约束x光冠脉造影序列自动分析方法
Lyu et al. Dual-task ultrasound spine transverse vertebrae segmentation network with contour regularization
Arora et al. A state-of-the-art review on coronary artery border segmentation algorithms for intravascular ultrasound (IVUS) images
CN116309647B (zh) 颅脑病灶图像分割模型构建方法、图像分割方法及设备
Wang et al. RFPNet: Reorganizing feature pyramid networks for medical image segmentation
Liu et al. IMFF-Net: An integrated multi-scale feature fusion network for accurate retinal vessel segmentation from fundus images
CN115345811A (zh) 一种引导式钙化斑块的检测评分方法、设备及存储介质
Radlak et al. Automatic detection of bones based on the confidence map for rheumatoid arthritis analysis
CN113947593B (zh) 颈动脉超声图像中易损斑块的分割方法和装置
CN115115657A (zh) 病灶分割方法及装置、电子设备及存储介质
Xue et al. Automatic extraction of mosaic patterns in uterine cervix images

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