CN115439533A - 获得颅内动脉瘤在血管分段位置的方法、计算机设备、可读存储介质和程序产品 - Google Patents
获得颅内动脉瘤在血管分段位置的方法、计算机设备、可读存储介质和程序产品 Download PDFInfo
- Publication number
- CN115439533A CN115439533A CN202210893330.2A CN202210893330A CN115439533A CN 115439533 A CN115439533 A CN 115439533A CN 202210893330 A CN202210893330 A CN 202210893330A CN 115439533 A CN115439533 A CN 115439533A
- Authority
- CN
- China
- Prior art keywords
- intracranial
- blood vessel
- aneurysm
- obtaining
- dimensional model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/82—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
- G06T2207/20—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
- G06T2207/20112—Image segmentation details
-
- 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
- G06T2207/30204—Marker
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)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种获得颅内动脉瘤在血管分段位置的方法、计算机设备、可读存储介质和程序产品,包括:获得动脉瘤的三维位置坐标;获得分割后的颅内动脉血管树;结合动脉瘤的三维位置坐标、以及分割后的颅内动脉血管树,获得包括颅内动脉血管树和动脉瘤位置信息的颅内血管三维模型;建立颅内血管标准模型,进行分段标注;将颅内血管三维模型和颅内血管标准模型进行空间位置配准,获得配准完成的颅内血管三维模型;在配准完成的颅内血管三维模型上,选择动脉瘤上距离颅内动脉血管树在预设阈值范围内的像素点,获得像素点在颅内血管标准模型上相对应的映射点,根据映射点的位置获得动脉瘤在颅内动脉血管树上的分段位置。
Description
技术领域
本申请涉及医疗领域和图像处理交叉领域,特别是涉及一种获得颅内动脉瘤在血管分段位置的方法、计算机设备、可读存储介质和程序产品。
背景技术
颅内动脉瘤是指颅内动脉壁上发生的异常膨出,患病率约为3.2%。目前诊断的金标准为脑血管造影检查(DSA)。但由于DSA是一种有创检查且费用较高,临床上通常用CTA或MRA进行脑动脉瘤筛查。
在进行CTA或MRA检查后,由影像科医生阅片判断是否有动脉瘤以及动脉瘤的位置、形态学参数等。然而,一方面查看全部颅内血管判断是否有异常,消耗了医生的时间。另一方面,通过原始影像筛查动脉瘤依赖医生的知识和经验。对于小型的动脉瘤,即使是经验丰富的医生也有可能漏判。
发明内容
基于此,有必要针对上述技术问题,提供一种获得颅内动脉瘤在血管分段位置的方法。
本申请获得颅内动脉瘤在血管分段位置的方法,包括:
利用动脉瘤检测网络对颅内医学影像中的动脉瘤进行检测和分割,获得动脉瘤的三维位置坐标;
利用分割模型对颅内医学影像中的动脉血管树进行分割,获得分割后的颅内动脉血管树;
结合所述动脉瘤的三维位置坐标、以及所述分割后的颅内动脉血管树,进行三维重构,获得包括颅内动脉血管树和动脉瘤位置信息的颅内血管三维模型;
建立颅内血管标准模型,进行分段标注,获得带有分段标注信息的颅内血管标准模型;
将所述颅内血管三维模型和所述颅内血管标准模型进行空间位置配准,获得配准完成的颅内血管三维模型;
在配准完成的颅内血管三维模型上,选择动脉瘤上距离颅内动脉血管树在预设阈值范围内的像素点,获得所述像素点在所述颅内血管标准模型上相对应的映射点,根据所述映射点的位置获得所述动脉瘤在颅内动脉血管树上的分段位置。
可选的,所述像素点和所述映射点一一对应,对于任意一个像素点,所述颅内血管标准模型上与其距离最近的点为与其相对应的映射点。
可选的,根据所述映射点的位置获得所述动脉瘤在颅内动脉血管树上的分段位置,具体包括:
获得所述映射点最大数量对应位置的分段标注信息,将所述分段标注信息翻译为具体分段位置,获得所述动脉瘤在颅内动脉血管树上的分段位置。
可选的,在获得所述映射点最大数量对应位置的分段标注信息时,若出现在两个分段上所述映射点最大数量的相对差值小于第一阈值,则判断动脉瘤的具体分段位置处于两段的交叉处。
可选的,所述颅内血管标准模型来源于颅内血管标准模型库,所述颅内血管标准模型库包括至少两个形态不同的颅内血管标准模型,
将所述颅内血管三维模型和所述颅内血管标准模型进行空间位置配准,获得配准完成的颅内血管三维模型,具体包括:
将所述颅内血管三维模型和不同的至少两个颅内血管标准模型分别进行空间位置配准,选择空间距离差相对小的配准结果,获得配准完成的颅内血管三维模型。
可选的,所述颅内血管标准模型库中的颅内血管标准模型按照性别和/或年龄组建分类。
可选的,获得包括颅内动脉血管树和动脉瘤位置信息的颅内血管三维模型,还包括:
对带有动脉瘤位置信息的颅内血管三维模型进行闭运算,获得完成所述闭运算的颅内血管三维模型;
提取完成所述闭运算的颅内血管三维模型的最大连通域,得到去除散点的颅内血管三维模型;
利用拉普拉斯平滑算法对去除散点的颅内血管三维模型进行曲面平滑处理,获得包括颅内动脉血管树和动脉瘤位置信息的颅内血管三维模型。
可选的,将所述颅内血管三维模型和所述颅内血管标准模型进行空间位置配准,还包括:
对包括颅内动脉血管树和动脉瘤位置信息的颅内血管三维模型和颅内血管标准模型进行空间位置配准,得到平移旋转矩阵;
根据所述平移旋转矩阵,对所述颅内血管三维模型进行相应的平移旋转变换,获得配准完成的颅内血管三维模型。
可选的,将所述颅内血管三维模型和所述颅内血管标准模型进行空间位置配准,具体包括:
获得所述颅内动脉血管树的所有点位,获得所述所有点位到所述颅内血管标准模型上最近点位的距离总和;
利用奇异值分解获得最小化所述距离总和的平移旋转矩阵,根据所述平移旋转矩阵对所述颅内血管三维模型进行平移和旋转;
循环执行上述步骤,直至所述距离总和达到第二预设阈值、或循环次数达到第三预设阈值。
本申请还提供一种计算机设备,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序以实现本申请所述的获得颅内动脉瘤在血管分段位置的方法的步骤。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本申请所述的获得颅内动脉瘤在血管分段位置的方法的步骤。
本申请还提供一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现本申请所述的获得颅内动脉瘤在血管分段位置的方法的步骤。
本申请获得颅内动脉瘤在血管分段位置的方法至少具有以下效果:
本申请通过配准方法将三维重构的颅内血管三维模型和颅内血管标准模型进行空间位置配准,完成空间上的匹配;通过颅内血管标准模型的分段信息获得三维重构的颅内血管三维模型的具体分段位置,无需人工干预,即可预测出动脉瘤所在血管的位置。本申请缩短诊断动脉瘤的时间,提高了诊断精度,降低了误诊率,提高了收集统计数据的便捷度。
附图说明
图1为本申请一实施例中获得颅内动脉瘤在血管分段位置的方法的流程示意图;
图2为本申请一实施例中颅内血管模型分段方式的示意图;
图3为本申请一实施例中配准前的颅内血管三维模型的示意图;
图4为本申请一实施例中配型前颅内血管三维模型和颅内血管标准模型的示意图;
图5为本申请一实施例中配准完成的颅内血管标准模型示意图;
图6为本申请一实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
如图1所示,本申请一实施例提供一种获得颅内动脉瘤在血管分段位置的方法,包括步骤S100~步骤S600。
步骤S100,利用动脉瘤检测网络对颅内医学影像中的动脉瘤进行检测和分割,获得动脉瘤的三维位置坐标;
本步骤中颅内动脉血管树为受试者的颅内动脉血管树,动脉瘤检测网络例如可以是基于Transformer的三维图像分割模型UNETR。在步骤S100中,如果单纯使用动脉瘤检测网络检测动脉瘤,我们得到的结果仅仅是动脉瘤的三维位置坐标,需要进一步层层查找,检测结果不够直观。
在步骤S100中,若检测得到的动脉瘤至少两个,则选择其中一个作为动脉瘤的三维位置坐标。可以理解,若动脉瘤超过一个,对每个动脉瘤分别进行位置判断,则有位置判断的结果更为可靠。
步骤S200,利用分割模型对颅内医学影像中的动脉血管树进行分割,获得分割后的颅内动脉血管树;
具体地,利用预先训练完成的语义分割模型,对带有动脉瘤的颅内动脉血管树进行分割,获得分割后的颅内动脉血管树。语义分割模型例如可以是基于体积全卷积神经网络的三维图像分割模型V-NET。
步骤S300,结合动脉瘤的三维位置坐标、以及分割后的颅内动脉血管树,进行三维重构,获得包括颅内动脉血管树和动脉瘤位置信息的颅内血管三维模型;
本步骤中,具体可以利用等直面提取算法进行三维重构。步骤S300中还包括子步骤S310~子步骤S330。
步骤S310,对带有动脉瘤位置信息的颅内血管三维模型进行闭运算,获得完成闭运算的颅内血管三维模型。闭运算包括膨胀腐蚀处理,用来把可能分割断掉的血管连起来。
步骤S320,提取完成闭运算的颅内血管三维模型的最大连通域,去除散点。具体地,保留体素(即1*1*1的三维像素)大于1000的连通域,去除散点噪声。
步骤S330,利用拉普拉斯平滑算法对去除散点的颅内血管三维模型进行曲面平滑处理。
步骤S400,建立颅内血管标准模型,进行分段标注,获得带有分段标注信息的颅内血管标准模型;
具体地,准备完整且形态正常的颅内血管模型(即颅内血管标准模型)进行分段并且每段标注一个标签label。标签label即分段标注信息,例如可以是字符或数字序列。颅内血管标准模型来源于颅内血管标准模型库,颅内血管标准模型库包括至少两个形态不同的颅内血管标准模型,颅内血管标准模型库中的颅内血管标准模型按照性别和/或年龄组建分类。使用时,例如可以优先调取与患者性别和/或年龄相近的颅内血管标准模型进行配准。可以理解,步骤S100中和步骤S200中所针对的颅内动脉血管树是同一个,而步骤S400中建立的颅内血管标准模型是作用参考使用的。
分段用于辅助后续步骤中的精准定位,参见图2,图中的虚线作为分段方式的标记。分段方式例如可以是:包含基底动脉,前后交通动脉,左右侧前动脉(分2段),左右侧中动脉(分2段),左右侧后动脉,左右侧椎动脉(分4段),左右侧颈内动脉(分7段),左右侧眼动脉,左右侧小脑上动脉,左右侧小脑后动脉。分段方式仅作为示例,可以根据精度需求进一步调整。可以理解,分段处的动脉瘤不会影响结果,具体在后续步骤中说明。
步骤S500,将颅内血管三维模型和颅内血管标准模型进行配准,获得配准完成的颅内血管三维模型;
配准完成的颅内血管三维模型包括颅内动脉血管树、动脉瘤位置信息、以及分段标注信息。配准方法例如可以利用基于最小二乘法的迭代最近邻点方法进行配准,当然也可以采用其他配准方法。
具体地,将颅内血管三维模型和不同的至少两个颅内血管标准模型分别进行空间位置配准,选择空间距离差相对小的配准结果,获得配准完成的颅内血管三维模型。分别配准能够提高颅内血管标准模型的适用性,使最终结果可靠。
步骤S500中,配准过程具体包括:对包括颅内动脉血管树和动脉瘤位置信息的颅内血管三维模型和颅内血管标准模型进行配准,得到平移旋转矩阵;
根据平移旋转矩阵,对颅内血管三维模型进行相应的平移旋转变换,获得配准完成的颅内血管三维模型。
可以理解,相应的平移旋转变换和平移旋转矩阵相对应。参见图3,参见图中箭头指向,可见配准前动脉瘤在血管树上。参见图5,在配准完成的颅内血管三维模型上,可见配准后动脉瘤和颅内血管标准模型的位置关系,图5中将标准模型透明化处理,可见动脉瘤完全隐藏在标准模型的颈动脉第四分段中。
更进一步地,步骤S500中,将颅内血管三维模型和颅内血管标准模型进行空间位置配准,具体包括:
步骤S510,获得颅内动脉血管树的所有点位,获得所有点位到颅内血管标准模型上最近点位的距离总和;
步骤S520,利用奇异值分解获得最小化距离总和的平移旋转矩阵,根据平移旋转矩阵对颅内血管三维模型进行平移和旋转;
步骤S530,循环执行步骤S510~步骤S520,直至距离总和达到第二预设阈值、或循环次数达到第三预设阈值。所有点位可以理解为形成颅内动脉血管树的所有像素点。第二预设阈值例如可以是颅内血管三维模型点的数量*0.01mm,第三预设阈值例如可以是500-1000次。
步骤S600,在配准完成的颅内血管三维模型上,选择动脉瘤上距离颅内动脉血管树在预设阈值范围内的像素点,获得这些像素点在颅内血管标准模型上相对应的映射点,根据这些映射点的位置获得动脉瘤在颅内动脉血管树上的分段位置。
可以理解,像素点和映射点一一对应,对于任意一个像素点,颅内血管标准模型上与其距离最近的点为与其相对应的映射点。本步骤中,获得映射点最大数量对应位置的分段标注信息,将分段标注信息翻译为具体分段位置,进而获得动脉瘤在颅内动脉血管树上的分段位置。
本步骤中,设置合适的预设阈值,可以避免结果受到干扰和影响。预设阈值例如可以是0.1mm~2mm,例如0.5mm。在预设阈值范围内的像素点,可以在配准完成后颅内血管三维模型上获得。获得映射在标准模型中的像素点最大数量对应位置的分段标注信息,即先统计像素点数量,确定出现最多的位置,该位置认定为动脉瘤的具体位置。
具体地,在获得映射点最大数量对应位置的分段标注信息时,若出现在两个分段上映射点最大数量的相对差值小于第一阈值,则判断动脉瘤的具体分段位置处于两段的交叉处。相对差值是一者相对于另一者的百分比,第一阈值例如可以是70%。
可以理解,步骤S400中分段标注信息即对应了各段,本步骤中翻译为具体位置,即可使动脉瘤的具体位置直观化。动脉瘤的具体位置的精确程度取决于分段方式的精确程度,可以根据需求相应设置。
步骤S100~步骤S600中,能够自动判断获得动脉瘤的具体分段位置,可以帮助医生快速定位动脉瘤,具有显著的临床价值。尤其是针对中小型动脉瘤效果明显,其中,小型动脉瘤直径小于5mm,中型动脉瘤直径在5mm到15mm之间,大型动脉瘤直径大于15mm。
针对现有技术中通过CTA或MRA影像筛查动脉瘤依赖医生的知识和经验的情况,本申请各实施例利用预先训练完成的语义分割模型对带有动脉瘤的颅内动脉血管树进行分割。通过配准方法将三维重构的颅内血管三维模型和颅内血管标准模型进行了配准,完成了空间上的匹配。通过颅内血管标准模型的分段信息获得三维重构的颅内血管三维模型的具体分段位置,无需人工干预,即可预测出动脉瘤所在血管的位置。
本申请各实施例节约缩短了医生诊断时间,提高了诊断精度,降低误诊率。利用本申请各实施例提供的方法能够在体检中心完成动脉瘤的初步筛查,也使得收集不同人群的动脉瘤位置变得更简便,具有统计学意义。在进行人工判断的前提下,可大批量统计不同年龄、不同地域、不同性别人群动脉瘤易发位置,对研究动脉瘤发病特点具有深远意义。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储不同年龄、不同地域、不同性别人群动脉瘤位置分段标注数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种获得颅内动脉瘤在血管分段位置的方法。计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种获得颅内动脉瘤在血管分段位置的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
步骤S100,利用动脉瘤检测网络对颅内医学影像中的动脉瘤进行检测和分割,获得动脉瘤的三维位置坐标;
步骤S200,利用分割模型对颅内医学影像中的动脉血管树进行分割,获得分割后的颅内动脉血管树;
步骤S300,结合动脉瘤的三维位置坐标、以及分割后的颅内动脉血管树,进行三维重构,获得包括颅内动脉血管树和动脉瘤位置信息的颅内血管三维模型;
步骤S400,建立颅内血管标准模型,进行分段标注,获得带有分段标注信息的颅内血管标准模型;
步骤S500,将颅内血管三维模型和颅内血管标准模型进行配准,获得配准完成的颅内血管三维模型;
步骤S600,在配准完成的颅内血管三维模型上,选择动脉瘤上距离颅内动脉血管树在预设阈值范围内的像素点,获得这些像素点在颅内血管标准模型上相对应的映射点,根据这些映射点的位置获得动脉瘤在颅内动脉血管树上的分段位置。
在一个实施例中,提供了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以下步骤:
步骤S100,利用动脉瘤检测网络对颅内医学影像中的动脉瘤进行检测和分割,获得动脉瘤的三维位置坐标;
步骤S200,利用分割模型对颅内医学影像中的动脉血管树进行分割,获得分割后的颅内动脉血管树;
步骤S300,结合动脉瘤的三维位置坐标、以及分割后的颅内动脉血管树,进行三维重构,获得包括颅内动脉血管树和动脉瘤位置信息的颅内血管三维模型;
步骤S400,建立颅内血管标准模型,进行分段标注,获得带有分段标注信息的颅内血管标准模型;
步骤S500,将颅内血管三维模型和颅内血管标准模型进行配准,获得配准完成的颅内血管三维模型;
步骤S600,在配准完成的颅内血管三维模型上,选择动脉瘤上距离颅内动脉血管树在预设阈值范围内的像素点,获得这些像素点在颅内血管标准模型上相对应的映射点,根据这些映射点的位置获得动脉瘤在颅内动脉血管树上的分段位置。
在一个实施例中,提供了一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现以下步骤:
步骤S100,利用动脉瘤检测网络对颅内医学影像中的动脉瘤进行检测和分割,获得动脉瘤的三维位置坐标;
步骤S200,利用分割模型对颅内医学影像中的动脉血管树进行分割,获得分割后的颅内动脉血管树;
步骤S300,结合动脉瘤的三维位置坐标、以及分割后的颅内动脉血管树,进行三维重构,获得包括颅内动脉血管树和动脉瘤位置信息的颅内血管三维模型;
步骤S400,建立颅内血管标准模型,进行分段标注,获得带有分段标注信息的颅内血管标准模型;
步骤S500,将颅内血管三维模型和颅内血管标准模型进行配准,获得配准完成的颅内血管三维模型;
步骤S600,在配准完成的颅内血管三维模型上,选择动脉瘤上距离颅内动脉血管树在预设阈值范围内的像素点,获得这些像素点在颅内血管标准模型上相对应的映射点,根据这些映射点的位置获得动脉瘤在颅内动脉血管树上的分段位置。
本实施例中,计算机程序产品包括程序代码部分,以用于当计算机程序产品由一个或多个计算装置执行时,执行本申请各实施例中获得颅内动脉瘤在血管分段位置的方法的步骤。计算机程序产品可被存储在计算机可读记录介质上。还可经由数据网络(例如,通过RAN、经由因特网和/或通过RBS)提供计算机程序产品以便下载。备选地或附加地,该方法可被编码在现场可编程门阵列(FPGA)和/或专用集成电路(ASIC)中,或者功能性可借助于硬件描述语言被提供以便下载。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。不同实施例中的技术特征体现在同一附图中时,可视为该附图也同时披露了所涉及的各个实施例的组合例。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.获得颅内动脉瘤在血管分段位置的方法,其特征在于,包括:
利用动脉瘤检测网络对颅内医学影像中的动脉瘤进行检测和分割,获得动脉瘤的三维位置坐标;
利用分割模型对颅内医学影像中的动脉血管树进行分割,获得分割后的颅内动脉血管树;
结合所述动脉瘤的三维位置坐标、以及所述分割后的颅内动脉血管树,进行三维重构,获得包括颅内动脉血管树和动脉瘤位置信息的颅内血管三维模型;
建立颅内血管标准模型,进行分段标注,获得带有分段标注信息的颅内血管标准模型;
将所述颅内血管三维模型和所述颅内血管标准模型进行空间位置配准,获得配准完成的颅内血管三维模型;
在配准完成的颅内血管三维模型上,选择动脉瘤上距离颅内动脉血管树在预设阈值范围内的像素点,获得所述像素点在所述颅内血管标准模型上相对应的映射点,根据所述映射点的位置获得所述动脉瘤在颅内动脉血管树上的分段位置。
2.根据权利要求1所述的获得颅内动脉瘤在血管分段位置的方法,其特征在于,所述像素点和所述映射点一一对应,
对于任意一个像素点,所述颅内血管标准模型上与其距离最近的点为与其相对应的映射点。
3.根据权利要求1所述的获得颅内动脉瘤在血管分段位置的方法,其特征在于,根据所述映射点的位置获得所述动脉瘤在颅内动脉血管树上的分段位置,具体包括:
获得所述映射点最大数量对应位置的分段标注信息,将所述分段标注信息翻译为具体分段位置,获得所述动脉瘤在颅内动脉血管树上的分段位置。
4.根据权利要求3所述的获得颅内动脉瘤在血管分段位置的方法,其特征在于,在获得所述映射点最大数量对应位置的分段标注信息时,若出现在两个分段上所述映射点最大数量的相对差值小于第一阈值,则判断动脉瘤的具体分段位置处于两段的交叉处。
5.根据权利要求1所述的获得颅内动脉瘤在血管分段位置的方法,其特征在于,所述颅内血管标准模型来源于颅内血管标准模型库,所述颅内血管标准模型库包括至少两个形态不同的颅内血管标准模型,
将所述颅内血管三维模型和所述颅内血管标准模型进行空间位置配准,获得配准完成的颅内血管三维模型,具体包括:
将所述颅内血管三维模型和不同的至少两个颅内血管标准模型分别进行空间位置配准,选择空间距离差相对小的配准结果,获得配准完成的颅内血管三维模型。
6.根据权利要求5所述的获得颅内动脉瘤在血管分段位置的方法,其特征在于,所述颅内血管标准模型库中的颅内血管标准模型按照性别和/或年龄组建分类。
7.根据权利要求1所述的获得颅内动脉瘤在血管分段位置的方法,其特征在于,获得包括颅内动脉血管树和动脉瘤位置信息的颅内血管三维模型,还包括:
对带有动脉瘤位置信息的颅内血管三维模型进行闭运算,获得完成所述闭运算的颅内血管三维模型;
提取完成所述闭运算的颅内血管三维模型的最大连通域,得到去除散点的颅内血管三维模型;
利用拉普拉斯平滑算法对去除散点的颅内血管三维模型进行曲面平滑处理,获得包括颅内动脉血管树和动脉瘤位置信息的颅内血管三维模型。
8.根据权利要求1所述的获得颅内动脉瘤在血管分段位置的方法,其特征在于,将所述颅内血管三维模型和所述颅内血管标准模型进行空间位置配准,还包括:
对包括颅内动脉血管树和动脉瘤位置信息的颅内血管三维模型和颅内血管标准模型进行空间位置配准,得到平移旋转矩阵;
根据所述平移旋转矩阵,对所述颅内血管三维模型进行相应的平移旋转变换,获得配准完成的颅内血管三维模型。
9.根据权利要求1所述的获得颅内动脉瘤在血管分段位置的方法,其特征在于,将所述颅内血管三维模型和所述颅内血管标准模型进行空间位置配准,具体包括:
获得所述颅内动脉血管树的所有点位,获得所述所有点位到所述颅内血管标准模型上最近点位的距离总和;
利用奇异值分解获得最小化所述距离总和的平移旋转矩阵,根据所述平移旋转矩阵对所述颅内血管三维模型进行平移和旋转;
循环执行上述步骤,直至所述距离总和达到第二预设阈值、或循环次数达到第三预设阈值。
10.计算机设备,包括存储器、处理器及存储在存储器上的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1~9任一项所述的获得颅内动脉瘤在血管分段位置的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210893330.2A CN115439533A (zh) | 2022-07-27 | 2022-07-27 | 获得颅内动脉瘤在血管分段位置的方法、计算机设备、可读存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210893330.2A CN115439533A (zh) | 2022-07-27 | 2022-07-27 | 获得颅内动脉瘤在血管分段位置的方法、计算机设备、可读存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115439533A true CN115439533A (zh) | 2022-12-06 |
Family
ID=84242251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210893330.2A Pending CN115439533A (zh) | 2022-07-27 | 2022-07-27 | 获得颅内动脉瘤在血管分段位置的方法、计算机设备、可读存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115439533A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115944389A (zh) * | 2023-03-14 | 2023-04-11 | 杭州脉流科技有限公司 | 弹簧圈模拟植入的方法和计算机设备 |
CN116758050A (zh) * | 2023-07-12 | 2023-09-15 | 强联智创(北京)科技有限公司 | 用于颅内Wills环血管中心线盲补全的方法及产品 |
CN117495951A (zh) * | 2023-12-29 | 2024-02-02 | 苏州国科康成医疗科技有限公司 | 颅内动脉瘤定位方法、装置、计算机设备及存储介质 |
-
2022
- 2022-07-27 CN CN202210893330.2A patent/CN115439533A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115944389A (zh) * | 2023-03-14 | 2023-04-11 | 杭州脉流科技有限公司 | 弹簧圈模拟植入的方法和计算机设备 |
CN116758050A (zh) * | 2023-07-12 | 2023-09-15 | 强联智创(北京)科技有限公司 | 用于颅内Wills环血管中心线盲补全的方法及产品 |
CN117495951A (zh) * | 2023-12-29 | 2024-02-02 | 苏州国科康成医疗科技有限公司 | 颅内动脉瘤定位方法、装置、计算机设备及存储介质 |
CN117495951B (zh) * | 2023-12-29 | 2024-03-29 | 苏州国科康成医疗科技有限公司 | 颅内动脉瘤定位方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220079681A1 (en) | Systems and methods for correction of artificial deformation in anatomic modeling | |
CN115439533A (zh) | 获得颅内动脉瘤在血管分段位置的方法、计算机设备、可读存储介质和程序产品 | |
CN111161270A (zh) | 医学影像的血管分割方法、计算机设备和可读存储介质 | |
JP6719421B2 (ja) | 学習データ生成支援装置および学習データ生成支援方法並びに学習データ生成支援プログラム | |
CN110751187B (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
US11468570B2 (en) | Method and system for acquiring status of strain and stress of a vessel wall | |
CN110246109B (zh) | 融合ct影像和个性化信息的分析系统、方法、装置及介质 | |
CN108324300A (zh) | 用于血管分段的方法和装置 | |
CN114387464A (zh) | 基于ivus影像的易损斑块识别方法、计算机设备、可读存储介质和程序产品 | |
CN113706559A (zh) | 基于医学图像的血管分段提取方法和装置 | |
Wu et al. | Diabetic macular edema grading based on improved Faster R-CNN and MD-ResNet | |
Peña-Solórzano et al. | Findings from machine learning in clinical medical imaging applications–Lessons for translation to the forensic setting | |
CN116681716B (zh) | 颅内血管感兴趣区域分割方法、装置、设备和存储介质 | |
CN112116623B (zh) | 图像分割方法及装置 | |
JP7457011B2 (ja) | 異常検出方法、異常検出プログラム、異常検出装置、サーバ装置及び情報処理方法 | |
CN113436187A (zh) | 颅脑ct血管造影图像的处理方法、装置、介质及电子设备 | |
WO2021117043A1 (en) | Automatic stenosis detection | |
CN111971751A (zh) | 用于评估动态数据的系统和方法 | |
CN113724264B (zh) | 图像分割方法、系统和可读存储介质 | |
CN117078711A (zh) | 医学图像分割方法、系统、电子设备和存储介质 | |
Chakshu et al. | Automating fractional flow reserve (FFR) calculation from CT scans: A rapid workflow using unsupervised learning and computational fluid dynamics | |
Bao et al. | Automatic identification and segmentation of orbital blowout fractures based on artificial intelligence | |
CN113706541A (zh) | 一种图像处理方法及装置 | |
CN116649995B (zh) | 基于颅内医学影像的血流动力学参数获取方法和装置 | |
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 |