CN115761228A - 一种冠状动脉钙化斑块分割方法、装置、设备及存储介质 - Google Patents
一种冠状动脉钙化斑块分割方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115761228A CN115761228A CN202211412979.4A CN202211412979A CN115761228A CN 115761228 A CN115761228 A CN 115761228A CN 202211412979 A CN202211412979 A CN 202211412979A CN 115761228 A CN115761228 A CN 115761228A
- Authority
- CN
- China
- Prior art keywords
- image
- submodel
- gated
- model
- discrimination
- 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 101
- 238000000034 method Methods 0.000 title claims abstract description 49
- 210000004351 coronary vessel Anatomy 0.000 title abstract description 41
- 238000013508 migration Methods 0.000 claims abstract description 47
- 230000005012 migration Effects 0.000 claims abstract description 47
- 230000006870 function Effects 0.000 claims description 74
- 238000012549 training Methods 0.000 claims description 60
- 238000002372 labelling Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 238000002591 computed tomography Methods 0.000 description 40
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000002308 calcification Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 4
- 229910052791 calcium Inorganic materials 0.000 description 4
- 239000011575 calcium Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000000747 cardiac effect Effects 0.000 description 4
- 206010003211 Arteriosclerosis coronary artery Diseases 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010009 beating Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000010247 heart contraction Effects 0.000 description 2
- 210000005003 heart tissue Anatomy 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 101150071661 SLC25A20 gene Proteins 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 101150102633 cact gene Proteins 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 208000026758 coronary atherosclerosis Diseases 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本公开提供了一种冠状动脉钙化斑块分割的方法、装置、设备及存储介质,通过将待处理图像输入图像风格迁移模型,得到伪门控图像,其中,所述待处理图像为非门控图像,将所述伪门控图像输入钙化斑块分割模型,得到所述待处理图像的钙化斑块分割掩码,可以提高钙化斑块边界精准度与置信度,从而提升对冠脉钙化斑块分割的精准度。
Description
技术领域
本公开涉及医学图像处理领域,尤其涉及一种冠状动脉钙化斑块分割方法、装置、设备及存储介质。
背景技术
在医学领域中,通常使用冠状动脉钙化积分(Coronary Artery Calcification,CAC)来表示冠状动脉粥样硬化的状态信息。而冠状动脉钙化积分主要受冠状动脉的钙化斑块大小和电子计算机断层扫描(Computed Tomography,CT)值的影响,因此,冠状动脉钙化斑块的影像分析具有重要意义。
通过非门控、非对比胸部计算机断层扫描(Non-gated chest computedtomography,NCCT)简称“非门控CT”,可以得到非门控图像。非门控图像虽然能够在一定程度上反映冠状动脉钙化斑块的信息,但是往往受限于呼吸、心脏运动伪影的影响,非门控图像存在模糊和失真的缺点,从而影响冠状动脉钙化斑块分割的精准度。
除此之外,现有技术对于非门控图像中钙化斑块的分割,传统的人工方法往往是手动勾勒斑块的边界,这种方式费时费力、且精准度低。而深度学习方法虽然有通过将钙化斑块分割与分类建模为“多类分割”的问题,但是直接输出对应血管类别的钙化斑块分割结果的精准度也很低。
发明内容
本公开提供了一种冠状动脉钙化斑块分割的方法、装置、设备及存储介质,以至少解决现有技术中存在的以上技术问题。
根据本公开的第一方面,提供了一种冠状动脉钙化斑块分割方法,其特征在于,所述方法包括:
将待处理图像输入图像风格迁移模型,得到目标伪门控图像,其中,所述待处理图像为非门控图像;
将所述目标伪门控图像输入钙化斑块分割模型,得到所述待处理图像的钙化斑块分割掩码。
在一可实施方式中,所述图像风格迁移模型包括生成子模型和判别子模型,所述图像风格迁移模型通过以下方式进行训练:
基于初始生成子模型,训练所述判别子模型,使得所述判别子模型能够区分门控图像和伪门控图像;
基于训练后的判别子模型,训练所述初始生成子模型为生成子模型,使得所述判别子模型无法区分出所述生成子模型所生成的图像是伪门控图像;
循环训练所述判别子模型和所述生成子模型,直至所述判别子模型的损失函数值和所述生成子模型的损失函数收敛为止,停止训练。
在一可实施方式中,所述基于初始生成子模型,训练所述判别子模型,包括:
获取非门控图像集和门控图像集;
将非门控图像集内的图像依次输入初始生成子模型,得到伪门控图像集;
将所述伪门控图像集标注为负样本,以及将所述门控图像集标注为正样本,并将所述正样本与所述负样本作为第一样本集,将所述第一样本集内的图像依次输入所述判别子模型,得到是否为门控图像的第一判断结果以及第一损失函数值,并根据所述第一判断结果以及所述第一损失函数值修正所述判别子模型的模型参数。
在一可实施方式中,所述基于训练后的判别子模型,训练所述初始生成子模型为生成子模型,包括:
将随机采样噪声图像作为第二样本集,将所述第二样本集内的图像依次输入所述初始生成子模型,得到伪门控样本图像集;
将所述伪门控样本图像集的图像依次输入训练后的判别子模型,得到是否为门控图像的第二判断结果和第二损失函数值,并根据所述第二判断结果和所述第二损失函数值修正所述初始生成子模型的模型参数,以得到所述生成子模型。
在一可实施方式中,在所述将待处理图像输入图像风格迁移模型之前,还包括:
将原始图像输入心脏分割模型,得到所述原始图像的心脏分割掩码;
根据所述原始图像的心脏分割掩码得到心脏外接矩形框;
根据所述心脏外接矩形框裁剪所述原始图像,得到所述待处理图像。
根据本公开的第二方面,提供了一种冠状动脉钙化斑块分割装置,其特征在于,所述装置包括:
伪门控图像生成模块,用于将待处理图像输入图像风格迁移模型,得到目标伪门控图像,其中,所述待处理图像为非门控图像;
分割掩码确定模块,用于将所述目标伪门控图像输入钙化斑块分割模型,得到所述待处理图像的钙化斑块分割掩码。
在一可实施方式中,所述装置还包括:
图像风格迁移模型训练模块,所述图像风格迁移模型包括生成子模型和判别子模型,用于基于初始生成子模型,训练所述判别子模型,使得所述判别子模型能够区分门控图像和伪门控图像;基于训练后的判别子模型,训练所述初始生成子模型为生成子模型,使得所述判别子模型无法区分出所述生成子模型所生成的图像是伪门控图像;循环训练所述判别子模型和所述生成子模型,直至所述判别子模型的损失函数值和所述生成子模型的损失函数收敛为止,停止训练。
在一可实施方式中,所述图像风格迁移模型训练模块,具体用于:
获取非门控图像集和门控图像集;将非门控图像集内的图像依次输入初始生成子模型,得到伪门控图像集;将所述伪门控图像集标注为负样本,以及将所述门控图像集标注为正样本,并将所述正样本与所述负样本作为第一样本集,将所述第一样本集内的图像依次输入所述判别子模型,得到是否为门控图像的第一判断结果以及第一损失函数值,并根据所述第一判断结果以及所述第一损失函数值修正所述判别子模型的模型参数。
在一可实施方式中,所述图像风格迁移模型训练模块,具体用于:
将随机采样噪声图像作为第二样本集,将所述第二样本集内的图像依次输入所述初始生成子模型,得到伪门控样本图像集;
将所述伪门控样本图像集的图像依次输入训练后的判别子模型,得到是否为门控图像的第二判断结果和第二损失函数值,并根据所述第二判断结果和所述第二损失函数值修正所述初始生成子模型的模型参数,以得到所述生成子模型。
在一可实施方式中,还包括:待处理图像处理模块,用于在所述将待处理图像输入图像风格迁移模型之前,将原始图像输入心脏分割模型,得到所述原始图像的心脏分割掩码;根据所述原始图像的心脏分割掩码得到心脏外接矩形框;根据所述心脏外接矩形框裁剪所述原始图像,得到所述待处理图像。
根据本公开的第三方面,提供了一种电子设备,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能够执行本公开所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本公开所述的方法。
本公开的一种冠状动脉钙化斑块分割的方法、装置、设备及存储介质,通过将待处理图像输入图像风格迁移模型,得到伪门控图像,其中,所述待处理图像为非门控图像,将所述伪门控图像输入钙化斑块分割模型,得到所述待处理图像的钙化斑块分割掩码,可以提高钙化斑块边界精准度与置信度,从而提升对冠脉钙化斑块分割的精准度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1A示出了本公开实施例一提供的一种门控CT图像的示意图;
图1B示出了本公开实施例一提供的一种非门控CT图像的示意图;
图1C示出了本公开实施例一提供的一种进行冠状动脉钙化斑块定位的非门控CT图像示意图;
图1D示出了本公开实施例一提供的一种冠状动脉钙化斑块分割掩码的三维立体示意图;
图1E为本公开实施例一提供的一种冠状动脉钙化斑块分割方法的流程图;
图2示出了本公开实施例三提供的一种冠状动脉钙化斑块分割装置的结构示意图;
图3示出了本公开实施例一种电子设备的组成结构示意图。
具体实施方式
为使本公开的目的、特征、优点能够更加的明显和易懂,下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而非全部实施例。基于本公开中的实施例,本领域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,都属于本公开保护的范围。
在医学领域中,心电图门控钙积分心脏计算机断层扫描(Electrocardiography-gated calcium scoring cardiac computed tomography,ECG-gated CaCT),简称为“门控CT”,是检测和量化冠状动脉钙化积分CAC的标准参考方法。门控CT图像由于引入了心电图信息,在心脏运动周期中选择固定的相位进行成像与重建,可以较好地抑制因心脏跳动带来的伪影,因此可以呈现置信度更高的冠状动脉钙化斑块信息。但是由于门控CT的检查成本远高于非门控CT,因此无症状病患使用门控CT来确定冠状动脉钙化斑块信息的使用率较低,不利于广泛推广使用。
而非门控CT图像,也即普通的胸部平扫CT图像,由于在采集与重建过程中没有考虑心脏的搏动周期,因此非门控CT图像均会存在因运动而造成的图片模糊与失真问题。受限于非门控CT图像的图像质量,冠状动脉上的钙化斑块的分割往往也很粗糙,且对于钙化区域边界的判定准确率较低。
图1A为本公开实施例一提供的一种门控CT图像的示意图;图1B为本公开实施例一提供的一种非门控CT图像的示意图。需要说明的是,本实施例示出图1A和图1B仅仅是为了说明两种类型图像的区别,因此并非为同一患者同一时期所拍摄的CT图。如图1A和图1B所示,门控CT图像整体分辨率高于非门控CT图像,且门控CT图像中的心脏各组织的边界也很清晰。图1A和图1B均使用方框标记出了冠状动脉钙化斑块,如图1A和图1B所示,非门控CT图像中的冠状动脉钙化斑块部分的图像较为模糊,冠状动脉钙化斑块的边界也不清晰。
图1C为本公开实施例一提供的一种进行冠状动脉钙化斑块定位的非门控CT图像示意图;图1D为本公开实施例一提供的一种冠状动脉钙化斑块分割掩码的三维立体示意图。需要说明的是,图1C是对图1B的非门控CT图像中冠状动脉钙化斑块进行定位的示意图。图1D是在将扫描的多张非门控CT图像构建三维立体图像之后,输入钙化斑块分割模型,得到冠状动脉钙化斑块分割掩码的示意图。由图1C和图1D可知,非门控CT图像的图像质量高低会直接影响冠状动脉钙化斑块的分割结果。
实施例一
图1E为本公开实施例一提供的一种冠状动脉钙化斑块分割方法的流程图,该方法可以由本公开实施例提供的冠状动脉钙化斑块分割装置来执行,该装置可采用软件和/或硬件的方式实现。该方法具体包括:
S110、将待处理图像输入图像风格迁移模型,得到目标伪门控图像。
其中,待处理图像为非门控图像。
其中,待处理图像可以是将原始图像中的心脏区域提取出来的、具有心脏组织特征的非门控图像。图像风格迁移模型为生成对抗模型,是一种可以使用不同模型结构与不同损失函数的神经网络模型,能够实现风格迁移与图像增强目的,该模型由判别子模型和生成子模型组成,用于将非门控图像转化为具有门控风格的伪门控图像。其中,生成子模型用于将非门控图像转化为具有门控风格图像;判别子模型用于通过模型输出值来判定生成子模型所生成的图像是否为真正的门控图像,例如,本实施例可以将模型输出值设置为0和1,其中,0表示为“不是真正的门控图像”,1表示为“是真正的门控图像”。
其中,目标伪门控图像可以是将待处理图像输入到图像风格迁移模型后,所形成的具有门控特征的伪门控图像,用于后续进行冠状动脉钙化斑块分割的图像。非门控图像可以是由于采集与重建过程中没有考虑心脏的搏动周期,而导致的因图像运动存在模糊与失真的图像,即非门控CT图像,记为I,其中I∈RHWD,R为实数,H、W和D分别为非门控CT图像的长、宽和高。
具体的,由于非门控图像的图像质量差,边界模糊,直接影响后续冠状动脉钙化斑块分割的切割效果,因此本实施例将待处理图像,输入图像风格迁移模型,以优化待处理图像,得到具有门控风格的目标伪门控图像。本实施例可以将目标伪门控图像记为G(I),G(I)∈RHWD,G(I)为将图像I输入图像风格迁移模型后所得到的图像,其质量优于I。
在本公开实施例中,将待处理图像输入图像风格迁移模型之前,还包括:将原始图像输入心脏分割模型,得到原始图像的心脏分割掩码;根据原始图像的心脏分割掩码得到心脏外接矩形框;根据心脏外接矩形框裁剪原始图像,得到待处理图像。
其中,原始图像可以是普通的胸部平扫CT图像。心脏分割模型可以是任意一种具有心脏分割功能的神经网络模型。心脏分割掩码可以是通过心脏分割模型得到的,用于区分心脏与非心脏区域的掩码。心脏外接矩形框可以是将具有心脏特征的体素点包裹在内的最小包容体。
具体的,由于原始图像尺寸较大,不利于图像风格迁移模型对该图像直接进行处理,所以本实施例将原始图像中带有心脏特征的图像区域提取出来。具体为,本实施例通过将原始图像输入心脏分割模型得到与原始图像大小一致的心脏分割掩码,通过心脏分割掩码确定心脏外接矩形框,再根据心脏外接矩形框裁剪原始图像,即可得到仅具有心脏特征的原始图像区域,即待处理图像。
S120、将目标伪门控图像输入钙化斑块分割模型,得到待处理图像的钙化斑块分割掩码。
其中,钙化斑块分割模型可以是任意一种能够实现对冠状动脉钙化斑块进行分割的神经网络模型,可以有不同的模型结构与不同的损失函数,例如可以是Unet深度学习模型,可记为S。钙化斑块分割掩码可以是用于区分钙化斑块和非钙化斑块特征的掩码。例如,钙化斑块分割掩码可以记为O,O=S(G(I))∈RHWD,O表示将目标伪门控图像G(I)输入钙化斑块分割模型后所得到的图像,且为长、宽和高分别为H、W和D的图像。
具体的,由于本实施例需要通过冠状动脉钙化斑块来计算冠状动脉钙化积分CAC,因此可以将具有高质量图像特征的目标伪门控图像输入钙化斑块分割模型,以得到待处理图像的钙化斑块分割掩码。其中,冠状动脉钙化积分有三种:Agatston积分、体积积分以及质量积分。具体如下:
1)Agatston积分:
Agatston积分计算的原理为钙化密度赋分×钙化面积。首先根据钙化斑块分割掩码的CT值进行赋分,130-199HU为1分,200-299HU为2分,300-399HU为3分,400HU及以上为4分,然后乘上钙化面积(以mm2计),最后将CT所有截面中各个冠脉的评分相加,得到总钙化评分。
2)体积积分:
体积积分直接通过钙化面积×层厚得到,反映了钙化总体积。
3)质量积分:
质量积分是Agatston积分/总钙化面积,反映了钙化的平均程度。
具体的,本实施例在训练好图像风格迁移模型之后,便可利用图像风格迁移模型来实现图像风格的迁移,使得待处理图像转换为高质量的目标伪门控图像,再将高质量的目标伪门控图像输入钙化斑块分割模型进行后续处理。而本实施例中的钙化斑块分割模型不仅能够得到待处理图像的钙化斑块分割掩码,还可以同时输入该钙化斑块分割掩码的类别,通过类别可以初步判定该钙化斑块分割掩码所在位置。其中,钙化斑块分割掩码的类别可以包括:左主支(Left Main,LM)、左前降支(Left Anterior Descending Artery,LAD)、左旋支(Left Circumflex Artery,LCX),以及右冠状动脉(Right Coronary Artery,RCA)。
除此之外,本实施例中的钙化斑块分割模型也是提前训练好的神经网络模型。其训练过程例如可以是:将非门控图像进行人为标注作为样本参考集,将未标注的非门控图像先输入图像风格迁移模型转化为具有门控图像风格的伪门控图像,再将该伪门控图像输入钙化斑块分割模型,得到钙化斑块分割结果,最后用之前人为标注的样本参考集跟该钙化斑块分割结果进行对比,以修正钙化斑块分割模型,从而不断优化钙化斑块分割模型。
由于受限于非门控CT的图像质量,钙化区域边界判定不够准确,导致冠状动脉上钙化斑块的分割效果差,因此,本实施例提供了一种冠状动脉钙化斑块分割的方法,通过将非门控图像的风格往门控图像的风格进行迁移来优化非门控图像,能够解决非门控图像中因心脏跳动导致的图像模糊、质量差的问题,从而提高冠状动脉钙化斑块分割效果,进而提高冠状动脉钙化积分计算的准确度。
并且,本实施例在将待处理图像输入图像风格迁移模型之前,需要生成成熟的图像风格迁移模型。在本公开实施例中,图像风格迁移模型包括生成子模型和判别子模型,图像风格迁移模型通过以下方式进行训练:基于初始生成子模型,训练判别子模型,使得判别子模型能够区分门控图像和伪门控图像;基于训练后的判别子模型,训练初始生成子模型为生成子模型,使得判别子模型无法区分出生成子模型所生成的图像是伪门控图像;循环训练判别子模型和生成子模型,直至判别子模型的损失函数值和生成子模型的损失函数收敛为止,停止训练。
其中,生成子模型可以是将噪声生成伪门控图像的神经网络模型,记为G。例如,生成子模型可选用StyleGAN中的style-based generator网络。判别子模型,可以是用于识别门控图像和非门控图像区别的神经网络模型。初始生成子模型可以是指生成模型的最初状态,该模型为还未输入噪声进行训练的模型。
一般来说,在定义神经网络模型时,就要明确模型的损失函数(loss function)。损失函数的作用是用来表示模型预测值和训练样本之间的差异,神经网络模型的输出结果会包括损失函数值,以此为依据来衡量模型训练结果的好坏。损失函数的目的是通过降低损失函数值来不断改进模型参数,使模型的预测越来越准确。本实施例可以根据判别子模型的损失函数值来优化判别子模型,通过判别子模型的损失函数值来衡量判定子模型的训练是否达到完成的标准。例如,判别子模型的损失函数值达到收敛状态时,则确定该模型训练结束。同理,生成子模型的损失函数,也可以用来优化生成子模型,并使用损失函数值来衡量生成子模型的训练是否达到完成的标准。例如,生成子模型的损失函数值达到收敛状态时,则确定该模型训练结束。
在本公开实施例中,基于初始生成子模型,训练判别子模型,包括:获取非门控图像集和门控图像集;将非门控图像集内的图像依次输入初始生成子模型,得到伪门控图像集;将伪门控图像集标注为负样本,以及将门控图像集标注为正样本,并将正样本与负样本作为第一样本集,将第一样本集内的图像依次输入判别子模型,得到是否为门控图像的第一判断结果以及第一损失函数值,并根据第一判断结果以及第一损失函数值修正判别子模型的模型参数。
其中,非门控图像集可以是由大量非门控图像组成的集合,记为X。门控图像集可以是由大量门控图像组成的集合,记为Y。伪门控图像集可以是将非门控图像集输入初始生成子模型后所生成的,由大量伪门控图像组成的集合,记为X’,其中X’=G(X)。初始生成子模型是不成熟的生成子模型,其模型参数值是由随机初始化得到的,由于还没有进行专门训练,所以其生成具有门控图像特征的伪门控图像的效果很差。正样本和负样本是为了让判别子模型获得识别图像是否为真实门控图像能力,而对非门控图像和门控图像进行标记的样本。例如,本实施例可以将非门控图像标记为0,作为负样本;将门控图像标记为1,作为正样本。在另一实施例中,还可以通过其他方式来标注非门控图像和门控图像,本实施例进行标注的目的是方便让判别子模型来识别图像类型,因此不对其具体标注方式进行限定。
其中,第一样本集是用于训练判别子模型的样本集,由多个伪门控图像组成的负样本集和多个门控图像组成的正样本集组成。第一判断结果可以是指通过判别子模型,对伪门控图像集中的图像进行识别的结果。示例性的,若第一判断结果为0,则判定为非门控图像;若第一判断结果为1,则判定为门控图像;若第一判断结果为0-1之间数值,则根据数值大小进行判定,具体例如,若第一判断结果为0.9,则判定为门控图像,若第一判断结果为0.1,则判定为非门控图像。第一损失函数值指的是判别子模型输出的损失函数值。
由于生成子模型是需要判别子模型给予反馈的,通过反馈给生成子模型生成的伪门控图像是否为真实的门控图像,来衡量生成子模型生成效果的好坏。若不先训练判别子模型,让判别子模型获得判别能力,生存子模型则无法获得有效信息,因此本实施例有必要先训练判别子模型。
具体的,本实施例先随机初始化得到初始生成子模型,再将非门控图像集内的图像依次输入初始生成子模型,得到伪门控图像集。由于伪门控图像集并非真正的门控图像,且初始生成子模型的生成效果很差,因此本实施例将伪门控图像集标注为负样本,目的是让判别子模型识别该类图像是假的门控图像。以及将门控图像集标注为正样本,目的是让判别子模型识别该类图像是真的门控图像。本实施例将正样本与负样本作为第一样本集,并将第一样本集内的图像依次输入判别子模型,从而得到对应的判别结果,以及对应的判别子模型损失函数值,也即输出是否为门控图像的第一判断结果以及第一损失函数值,并将第一判断结果以及第一损失函数值依次反馈到判别子模型,进而调整判别子模型中的模型参数值。本实施例随着不断对判别子模型中的参数值进行调整,会逐渐提高判别子模型对真实门控图像与伪门控图像的识别能力。
具体的,本实施例中的判别子模型的损失函数设定如下:
其中m表示m个样本,为实数;i表示第i个样本。在本实施例中,判别子模型的损失函数公式隐含表示了两种情况下的损失函数值的计算方式。具体为,当xi∈Y时,采用logD(xi)计算LD;当xi∈X’时,采用log(1-D(G(xi)计算LD。示例性的,当xi∈Y时,将xi输入判别子模型后得到D(xi),其中,Y为真实门控图像。当xi∈X’时,先将图像xi通过生成子模型运算,得到跟图像xi尺寸一致的图像,即G(xi),再将得到的G(xi)输入判别子模型,得到判别子模型值D(G(xi)。理想情况下,若判别子模型认为该图像为门控图像,则D(G(xi)=1;若判别子模型认为该图像为非门控图像,则D(G(xi)=0。而在实际训练情况下,判别子模型的输出值经常为0<D(xi)<1,那么则可以按照概率偏向定义该图像类型。示例性的,若D(xi)=0.9,则判别子模型认为该图像大概率为门控图像;若D(xi)=0.1,则判别子模型认为该图像大概率为非门控图像。本实施例通过判别子模型的损失函数来优化模型,其目的是尽可能地令LD值降到最小,直至收敛。
在本公开实施例中,基于训练后的判别子模型,训练初始生成子模型为生成子模型,包括:将随机采样噪声图像作为第二样本集,将第二样本集内的图像依次输入初始生成子模型,得到伪门控样本图像集;将伪门控样本图像集的图像依次输入训练后的判别子模型,得到是否为门控图像的第二判断结果和第二损失函数值,并根据第二判断结果和第二损失函数值修正初始生成子模型的模型参数,以得到生成子模型。
其中,随机采样噪声图像可以是指随机生成的、具有独立像素点或独立像素块特征的图像,记为Z。第二样本集可以是由大量随机采样噪声图像组成的集合,用于作为初始生成子模型训练的图像集。伪门控样本图像集是由大量伪门控样本图像组成,其中伪门控样本图像是由初始生成子模型生成的具有门控特征的图像,记为G(Z)。第二判断结果可以是指通过判别子模型对伪门控样本图像集进行识别的结果。示例性的,若第二判断结果为0,则判定为非门控图像;若第二判断结果为1,则判定为门控图像;若第二判断结果为0-1之间数值,则根据数值大小进行判定,具体例如,若第二判断结果为0.9,则判定为门控图像,若第二判断结果为0.1,则判定为非门控图像。第二损失函数值指的是生成子模型输出的损失函数值。
具体的,本实施例先固定训练后的判别子模型的模型参数值,再对初始生成子模型进行优化,训练为成熟的生成子模型。具体为,本实施例先将第二样本集中的随机采样噪声图像依次输入到初始生成子模型中,以输出多个伪门控样本图像,作为伪门控样本图像集。因为训练后的判别子模型已经具有识别门控图像的能力,所以将伪门控样本图像集的图像依次输入训练后的判别子模型输出第二判断结果和第二损失函数值。
具体的,本实施例为了得到成熟的生成子模型,需要通过将不同随机采样噪声图像输入初始生成子模型,并将输出结果直接输入判别子模型进行判断,得到对应的判别结果和损失函数值,也即输出是否为门控图像的第二判断结果以及第二损失函数值,并将第二判断结果以及第二损失函数值依次反馈到初始生成子模型,进而调控初始生成子模型的参数值,使得初始生成子模型生成的伪门控图像能够逐渐趋近于门控图像,以至于判别子模型无法分辨出来,从而得到成熟的生成子模型。
具体的,本实施例中的生成子模型的损失函数设定如下:
其中,n表示n个样本;j表示第j个样本。D(G(zj))表示先将随机采样噪声图像zj输入生成子模型,得到伪门控样本图像G(zj),再将伪门控样本图像G(zj)输入判别子模型得到第二判断结果。本实施例通过生成子模型的损失函数来优化模型,其目的是尽可能地令LG的值降到最小,直至收敛。
本实施例为了获得成熟的图像风格迁移模型,在保持初始生成子模型不变的情况下,先将标注类别的门控图像与非门控图像输入判别子模型中,使得判别子模型获得识别门控图像与非门控图像的能力,以此判断生成子模型生成的伪门控图像是否为门控图像的判断结果;再在保持判别子模型不变的情况下,通过不断将随机采样噪声图像输入生成子模型生成伪门控图像,再将门控图像输入判别子模型得到对应的判别结果和损失函数值,将对应的判别结果和损失函数值反馈到初始生成子模型中,进而调整初始生成子模型的参数,得到生成子模型。
本实施例通过循环往复训练,当判别子模型的损失函数值和生成子模型的损失函数值为预设的经验值,不再下降,或者上述损失函数收敛时,模型训练结束。在另一实施例,还可以通过人为判定的方式,根据经验去界定训练是否完成。
本实施例无需引入配对的非门控-门控图像,即可完成图像风格迁移与图像增强,从而实现更精准的钙化斑块分割,进而计算出更精确的冠脉钙化积分。示例性的,本实施例收集了1000例冠状动脉门控CT图像,将其按照6:2:2的比例随机划分为训练集、验证集和测试集。本实施例将使用数据集训练模型,用验证集挑选效果最佳的模型,并用测试集来评价最终效果。
示例性的,本实施例基于CNN训练的深度学习模型对非门控图像进行风格迁移,具体步骤如下:
i.图像风格迁移模型:其中生成子模型可选用StyleGAN中的style-basedgenerator,判别子模型可以是任意图像分类模型。
ii.图像风格迁移模型训练:先固定生成子模型(使用随机初始化的模型参数),训练判别子模型。再固定判别子模型,训练生成子模型,循环往复。
iii.钙化斑块分割模型训练:基于生成子模型生成的伪门控CT图像与原始非门控CT图像上钙化斑块的标注,训练分割模型,实现钙化斑块的分割与分类。此处分割模型可以是任意类Unet的深度学习模型。具体的训练参数如下所示:优化器选择为Adam,超参数包括:学习率1e-3,weight_decay:1e-4,beta1:1e-5,beta2:1e-3。总训练迭代次数为10000次,Batch Size为16,在RTX-3090上8卡训练。
iv.单次推理:对于输入的单个非门控CT图像,使用图像风格迁移模型输出的伪门控CT图像,并在伪门控图像上进行钙化斑块的分割与分类。
v.基于钙化斑块的分割与分类结果,计算对应的钙化积分值。
本实施例通过生成对抗网络模型对非门控CT图像进行图像风格迁移,解决了现有技术中非门控CT图像因呼吸、心脏运动伪影导致的图像模糊和失真的问题,且同时具有成本低、图像清晰、置信度高的优势。
实施例二
图2是本公开实施例提供的一种冠状动脉钙化斑块分割装置的结构示意图,该装置具体包括:
伪门控图像生成模块210,用于将待处理图像输入图像风格迁移模型,得到伪门控图像,其中,待处理图像为非门控图像;
分割掩码确定模块220,用于将伪门控图像输入钙化斑块分割模型,得到待处理图像的钙化斑块分割掩码。
在一可实施方式中,所述装置还包括:
图像风格迁移模型训练模块,所述图像风格迁移模型包括生成子模型和判别子模型,用于基于初始生成子模型,训练所述判别子模型,使得所述判别子模型能够区分门控图像和伪门控图像;基于训练后的判别子模型,训练所述初始生成子模型为生成子模型,使得所述判别子模型无法区分出所述生成子模型所生成的图像是伪门控图像;循环训练所述判别子模型和所述生成子模型,直至所述判别子模型的损失函数值和所述生成子模型的损失函数收敛为止,停止训练。
在一可实施方式中,所述图像风格迁移模型训练模块,具体用于:获取非门控图像集和门控图像集;将非门控图像集内的图像依次输入初始生成子模型,得到伪门控图像集;将所述伪门控图像集标注为负样本,以及将所述门控图像集标注为正样本,并将所述正样本与所述负样本作为第一样本集,将所述第一样本集内的图像依次输入所述判别子模型,得到是否为门控图像的第一判断结果以及第一损失函数值,并根据所述第一判断结果以及所述第一损失函数值修正所述判别子模型的模型参数。
在一可实施方式中,所述图像风格迁移模型训练模块,具体用于:将随机采样噪声图像作为第二样本集,将所述第二样本集内的图像依次输入所述初始生成子模型,得到伪门控样本图像集;将所述伪门控样本图像集的图像依次输入训练后的判别子模型,得到是否为门控图像的第二判断结果和第二损失函数值,并根据所述第二判断结果和所述第二损失函数值修正所述初始生成子模型的模型参数,以得到所述生成子模型。
在一可实施方式中,还包括:待处理图像处理模块,用于在所述将待处理图像输入图像风格迁移模型之前,将原始图像输入心脏分割模型,得到所述原始图像的心脏分割掩码;根据所述原始图像的心脏分割掩码得到心脏外接矩形框;根据所述心脏外接矩形框裁剪所述原始图像,得到所述待处理图像。
根据本公开的第三方面,提供了一种电子设备,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能够执行本公开所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本公开所述的方法。
根据本公开的实施例,本公开还提供了一种电子设备和一种可读存储介质。
图3示出了可以用来实施本公开的实施例的示例电子设备300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/或者要求的本公开的实现。
如图3所示,设备300包括计算单元301,其可以根据存储在只读存储器(ROM)302中的计算机程序或者从存储单元308加载到随机访问存储器(RAM)303中的计算机程序,来执行各种适当的动作和处理。在RAM 303中,还可存储设备300操作所需的各种程序和数据。计算单元301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
设备300中的多个部件连接至I/O接口305,包括:输入单元306,例如键盘、鼠标等;输出单元307,例如各种类型的显示器、扬声器等;存储单元308,例如磁盘、光盘等;以及通信单元309,例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300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301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301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301执行上文所描述的各个方法和处理,例如一种冠状动脉钙化斑块分割的方法。例如,在一些实施例中,一种冠状动脉钙化斑块分割的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308。在一些实施例中,计算机程序的部分或者全部可以经由ROM302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM 303并由计算单元301执行时,可以执行上文描述的一种冠状动脉钙化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301可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行一种冠状动脉钙化斑块分割方法。
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)、复杂可编程逻辑设备(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。
用于实施本公开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。
在本公开的上下文中,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、或者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,本发公开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,只要能够实现本公开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。在本公开的描述中,“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,仅为本公开的具体实施方式,但本公开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公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种冠状动脉钙化斑块分割方法,其特征在于,所述方法包括:
将待处理图像输入图像风格迁移模型,得到目标伪门控图像,其中,所述待处理图像为非门控图像;
将所述目标伪门控图像输入钙化斑块分割模型,得到所述待处理图像的钙化斑块分割掩码。
2.根据权利要求1所述的方法,其中,所述图像风格迁移模型包括生成子模型和判别子模型,所述图像风格迁移模型通过以下方式进行训练:
基于初始生成子模型,训练所述判别子模型,使得所述判别子模型能够区分门控图像和伪门控图像;
基于训练后的判别子模型,训练所述初始生成子模型为生成子模型,使得所述判别子模型无法区分出所述生成子模型所生成的图像是伪门控图像;
循环训练所述判别子模型和所述生成子模型,直至所述判别子模型的损失函数值和所述生成子模型的损失函数收敛为止,停止训练。
3.根据权利要求2所述的方法,其特征在于,所述基于初始生成子模型,训练所述判别子模型,包括:
获取非门控图像集和门控图像集;
将非门控图像集内的图像依次输入初始生成子模型,得到伪门控图像集;
将所述伪门控图像集标注为负样本,以及将所述门控图像集标注为正样本,并将所述正样本与所述负样本作为第一样本集,将所述第一样本集内的图像依次输入所述判别子模型,得到是否为门控图像的第一判断结果以及第一损失函数值,并根据所述第一判断结果以及所述第一损失函数值修正所述判别子模型的模型参数。
4.根据权利要求3所述的方法,其特征在于,所述基于训练后的判别子模型,训练所述初始生成子模型为生成子模型,包括:
将随机采样噪声图像作为第二样本集,将所述第二样本集内的图像依次输入所述初始生成子模型,得到伪门控样本图像集;
将所述伪门控样本图像集的图像依次输入训练后的判别子模型,得到是否为门控图像的第二判断结果和第二损失函数值,并根据所述第二判断结果和所述第二损失函数值修正所述初始生成子模型的模型参数,以得到所述生成子模型。
5.根据权利要求4所述的方法,其特征在于,在所述将待处理图像输入图像风格迁移模型之前,还包括:
将原始图像输入心脏分割模型,得到所述原始图像的心脏分割掩码;
根据所述原始图像的心脏分割掩码得到心脏外接矩形框;
根据所述心脏外接矩形框裁剪所述原始图像,得到所述待处理图像。
6.一种冠状动脉钙化斑块分割装置,其特征在于,所述装置包括:
伪门控图像生成模块,用于将待处理图像输入图像风格迁移模型,得到目标伪门控图像,其中,所述待处理图像为非门控图像;
分割掩码确定模块,用于将所述目标伪门控图像输入钙化斑块分割模型,得到所述待处理图像的钙化斑块分割掩码。
7.根据权利要求6所述的装置,其特征在于,所述图像风格迁移模型包括生成子模型和判别子模型,所述装置还包括:
图像风格迁移模型训练模块,用于基于初始生成子模型,训练所述判别子模型,使得所述判别子模型能够区分门控图像和伪门控图像;基于训练后的判别子模型,训练所述初始生成子模型为生成子模型,使得所述判别子模型无法区分出所述生成子模型所生成的图像是伪门控图像;循环训练所述判别子模型和所述生成子模型,直至所述判别子模型的损失函数值和所述生成子模型的损失函数收敛为止,停止训练。
8.根据权利要求7所述的装置,其特征在于,所述图像风格迁移模型训练模块,具体用于:
获取非门控图像集和门控图像集;将非门控图像集内的图像依次输入初始生成子模型,得到伪门控图像集;将所述伪门控图像集标注为负样本,以及将所述门控图像集标注为正样本,并将所述正样本与所述负样本作为第一样本集,将所述第一样本集内的图像依次输入所述判别子模型,得到是否为门控图像的第一判断结果以及第一损失函数值,并根据所述第一判断结果以及所述第一损失函数值修正所述判别子模型的模型参数。
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能够执行权利要求1-5中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211412979.4A CN115761228B (zh) | 2022-11-11 | 2022-11-11 | 一种冠状动脉钙化斑块分割方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211412979.4A CN115761228B (zh) | 2022-11-11 | 2022-11-11 | 一种冠状动脉钙化斑块分割方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115761228A true CN115761228A (zh) | 2023-03-07 |
CN115761228B CN115761228B (zh) | 2023-09-29 |
Family
ID=85369648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211412979.4A Active CN115761228B (zh) | 2022-11-11 | 2022-11-11 | 一种冠状动脉钙化斑块分割方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115761228B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095395A (zh) * | 2023-10-19 | 2023-11-21 | 北京智源人工智能研究院 | 用于心脏超声图像分割的模型训练方法、装置和分割方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103402425A (zh) * | 2010-09-20 | 2013-11-20 | Apn健康有限责任公司 | 利用单平面透视的对解剖结构的3d模型创建 |
US20170079608A1 (en) * | 2015-09-23 | 2017-03-23 | Siemens Medical Solutions Usa, Inc. | Spatial Registration Of Positron Emission Tomography and Computed Tomography Acquired During Respiration |
CN110415794A (zh) * | 2019-07-30 | 2019-11-05 | 江苏赛诺格兰医疗科技有限公司 | 呼吸门控图像数据处理方法和装置 |
-
2022
- 2022-11-11 CN CN202211412979.4A patent/CN115761228B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103402425A (zh) * | 2010-09-20 | 2013-11-20 | Apn健康有限责任公司 | 利用单平面透视的对解剖结构的3d模型创建 |
US20170079608A1 (en) * | 2015-09-23 | 2017-03-23 | Siemens Medical Solutions Usa, Inc. | Spatial Registration Of Positron Emission Tomography and Computed Tomography Acquired During Respiration |
CN110415794A (zh) * | 2019-07-30 | 2019-11-05 | 江苏赛诺格兰医疗科技有限公司 | 呼吸门控图像数据处理方法和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095395A (zh) * | 2023-10-19 | 2023-11-21 | 北京智源人工智能研究院 | 用于心脏超声图像分割的模型训练方法、装置和分割方法 |
CN117095395B (zh) * | 2023-10-19 | 2024-02-09 | 北京智源人工智能研究院 | 用于心脏超声图像分割的模型训练方法、装置和分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115761228B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1690230B1 (en) | Automatic multi-dimensional intravascular ultrasound image segmentation method | |
Liu et al. | Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window | |
CN111145160B (zh) | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 | |
CN112861961B (zh) | 肺血管分类方法及装置、存储介质及电子设备 | |
EP3971830B1 (en) | Pneumonia sign segmentation method and apparatus, medium and electronic device | |
CN113327225B (zh) | 用于提供气道信息的方法 | |
CN115761228B (zh) | 一种冠状动脉钙化斑块分割方法、装置、设备及存储介质 | |
CN112561917A (zh) | 图像的分段方法、系统、电子设备及可读存储介质 | |
CN117373070B (zh) | 血管分段标注的方法及装置、电子设备和存储介质 | |
CN115439423B (zh) | 一种基于ct图像的识别方法、装置、设备及存储介质 | |
CN115294401B (zh) | 一种基于ct图像的分类方法、装置、设备及存储介质 | |
US20230076352A1 (en) | Systems and methods for image processing | |
CN115147360B (zh) | 一种斑块分割方法、装置、电子设备及可读存储介质 | |
US20220130048A1 (en) | System and method for estimating motion of target inside tissue based on surface deformation of soft tissue | |
CN114419375A (zh) | 图像分类方法、训练方法、装置、电子设备以及存储介质 | |
CN116309662B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN113658172B (zh) | 图像处理方法及装置、计算机可读存储介质及电子设备 | |
Mughal et al. | Early lung cancer detection by classifying chest CT images: a survey | |
CN115984229B (zh) | 模型训练方法、乳腺测量方法、装置、电子设备及介质 | |
CN115690498B (zh) | 椎体骨密度确认方法、装置、电子设备及存储介质 | |
CN115984190B (zh) | 一种基于ct图像的处理方法、装置、设备及存储介质 | |
CN113822904B (zh) | 一种图像标注装置、方法及可读存储介质 | |
CN115222665B (zh) | 一种斑块检测方法、装置、电子设备及可读存储介质 | |
CN117523622A (zh) | 一种主动脉的分段识别方法、装置、电子设备及存储介质 | |
CN115831324A (zh) | 一种医学图像筛选方法、装置、设备及存储介质 |
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 | ||
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 |