CN115908418A - 一种主动脉ct图像中心线确定方法、系统、设备及介质 - Google Patents
一种主动脉ct图像中心线确定方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN115908418A CN115908418A CN202310018891.2A CN202310018891A CN115908418A CN 115908418 A CN115908418 A CN 115908418A CN 202310018891 A CN202310018891 A CN 202310018891A CN 115908418 A CN115908418 A CN 115908418A
- Authority
- CN
- China
- Prior art keywords
- aorta
- image
- dimensional
- point
- key
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明涉及一种主动脉CT图像中心线确定方法、系统、电子设备及计算机可读取存储介质,涉及CT图像处理领域,该方法包括:将待检测三维主动脉CT图像输入主动脉CT图像关键点检测模型,输出关键点提取结果;主动脉CT图像关键点检测模型为根据训练集对U‑Net网络训练确定的;利用渐进最优快速随机搜索树算法将提取的关键点依次进行连接;在连接的过程中,对随机采样生成的采样备选点进行校正处理:若位于两个关键点之间的采样备选点与任意主动脉之外的点的距离小于设定阈值,则作将采样备选点包含在内的主动脉内切球,将球心作为两个关键点之间的连接点。本发明提高了主动脉CT图像中心线的确定精度和效率。
Description
技术领域
本发明涉及CT图像处理技术领域,特别是涉及一种主动脉CT图像中心线确定方法、系统、电子设备及计算机可读取存储介质。
背景技术
伴随着计算机性能算力的大幅度提升,医学影像的处理也从简单由医生凭借知识经验亲自观察、手动标注处理,逐渐向着计算机智能检测的方向发展。因此,医学影像的智能化处理得到了广泛应用。但是,医生虽然可以根据主动脉电子计算机断层扫描(ComputedTomography,CT)图像的形态学特征实现病理诊断,病变评估,术后效果分析等内容,但不可避免的会受到一些主观因素的影响。
目前针对医学影像智能化处理的中心线提取方法主要可以分为需要人工介入处理的半自动提取方法和无需人工介入的全自动提取方法。对于半自动提取方法而言,用户虽然无需纯手动的针对整个提取过程进行中心线的标注,但仍然需要提供一些导向,例如在各个血管起点,分叉口以及终点预设种子点,而全自动的方法不需要任何人工的参与由计算机自主的实现中心线的标注过程。其半自动及全自动的提取方法因其便捷性与准确率,得到了长足的发展,目前常见的提取方法主要包含以下几种:
最小成本路径法,针对已完成手动标注的血管起点和终点进行中心线的连接,借助于种子节点在其血管截面的中心位置先行确定中心线所在范围,这种方法的灵感来自路径规划的医疗影像学应用,Benmansour等人提出的借助于一个初始点进行中心线结构提取的方法就是这个类型,所得到的中心线与纯手工标注的参考中心线高度重合,但其也存在一些问题,得到的部分中心线可能更靠近管壁出现short-cut现象,且该类算法需要人工的确定起点和终点,每一次的使用都对使用者针对主动脉整体结构从心脏流出道一直至髂动脉的结构理解提出了很高的要求,起点或终点标注错误将直接导致中心线提取失败。
基于三维分割的球心连接方法,其主要通过将三维的血管进行分段,对每一段的三维血管的类圆柱体或者不规则空间体求其最大内切球的球心,通过依次连接这些内切球球心最终得到血管段的中心线。基于其方法的数学基础,所提取血管的精度很有保障。同时与最小成本路径法相比,距离变换方法避免了与使用者的交互步骤。Ge等人所提出的利用欧氏空间图生成骨架的方法就是利用了该步骤,但这类方法计算的时间复杂度和空间复杂度都高于路径规划方法,且容易出现血管中心线间断现象。
基于分割定位的拓扑细化方法,其对图像上的体素逐个进行处理,借助于图像腐蚀技术,将前景中边沿的高灰度值图像替换为低灰度值,不断减少血管管状结构直径,同时降低边缘毛细血管干扰,最终实现血管的中心线提取方法,krissian等人就是利用这种方法实现对于中心线的提取。palagyi等人对该方法进行简单改进进而将其推广到了三维图像当中,之后bian等人也利用此方法,删除边界体素,借助于血管的形态学特征对其不规则部分进行处理删减,最终得到中心线结构,这种方法虽然可以有效避免由于医疗器械的限制或者病人本身的特殊因素导致的中心线不连续问题,但其需要对整个三维图像体素逐个分析处理,进行灰度值标注计算,针对特殊图形的处理能力不足,计算时间冗长。
以上几种针对医学图像的血管中心线提取方法虽然有很多可取之处,但仍然存在很多不足,对用户交互的要求过高,中心线向血管壁偏移导致精度不足,中心线间断以及对特殊图形的处理能力不足,计算时间冗长等。
发明内容
本发明的目的是提供一种主动脉CT图像中心线确定方法、系统、设备及介质,提高了主动脉CT图像中心线的确定精度和效率。
为实现上述目的,本发明提供了如下方案:
一种主动脉CT图像中心线确定方法,包括:
将待检测三维主动脉CT图像输入主动脉CT图像关键点检测模型,输出关键点提取结果;所述关键点提取结果包括待检测三维主动脉CT图像上多个关键点;所述主动脉CT图像关键点检测模型为根据训练集对U-Net网络进行训练确定的;所述训练集包括多个三维主动脉CT图像以及与各三维主动脉CT图像对应的关键点标签;
利用渐进最优快速随机搜索树算法将所述待检测三维主动脉CT图像中提取的关键点依次进行连接;在连接的过程中,对所述渐进最优快速随机搜索树算法的随机采样生成的采样备选点进行校正处理:若位于两个关键点之间的采样备选点与任意主动脉之外的点的距离小于设定阈值,则作将所述采样备选点包含在内的主动脉内切球,将所述主动脉内切球的球心作为所述两个关键点之间的连接点;将多个关键点连接后的线作为待检测三维主动脉CT图像的主动脉中心线。
可选地,所述U-Net网络为改进的U-Net网络,所述改进的U-Net网络的特征提取网络中的卷积操作采用空洞卷积操作。
可选地,所述主动脉CT图像关键点检测模型的训练过程包括:
获取设定数量的三维主动脉CT图像;
采用三维医学影像标注工具对各个三维主动脉CT图像进行关键点标注,各关键点利用ID进行分类,获得所述设定数量组的关键点数据集;
在每组关键点数据集中,将对应所述三维主动脉CT图像上各关键点及关键点附件的4个单位长度范围内的体素,根据每个关键点的ID值进行不同体素赋值,一个ID值对应一个体素,背景体素灰度值设为0,获得体素赋值后的三维主动脉CT图像;
对所述三维主动脉CT图像进行边缘腐蚀,获得边缘腐蚀后的三维主动脉CT图像;边缘腐蚀后的三维主动脉CT图像和体素赋值后的三维主动脉CT图像作为所述训练集中样本数据;
将所述训练集中样本数据归一化为112×112×256的规格大小的三维图像;
基于归一化后的所述训练集,以所述边缘腐蚀后的三维主动脉CT图像为输入,以体素赋值后的三维主动脉CT图像为输出训练所述U-Net网络,将训练好的U-Net网络作为所述主动脉CT图像关键点检测模型。
可选地,所述关键点包括窦管交界处截面中心点、升主动脉冠状动脉等高处截面中心点、升主动脉半高处截面中心点、升主动脉与主动脉弓交界处截面中心点、主动脉弓上三大分支等高处的三个截面中心点、主动脉弓与降主动脉交界处截面中心点、降主动脉的膈主动脉裂孔处截面中心点和髂动脉分叉处截面中心点。
可选地,所述三维医学影像标注工具包括3D Slicer。
本发明还公开了一种主动脉CT图像中心线确定系统,包括:
关键点提取模块,用于将待检测三维主动脉CT图像输入主动脉CT图像关键点检测模型,输出关键点提取结果;所述关键点提取结果包括待检测三维主动脉CT图像上多个关键点;所述主动脉CT图像关键点检测模型为根据训练集对U-Net网络进行训练确定的;所述训练集包括多个三维主动脉CT图像以及与各三维主动脉CT图像对应的关键点标签;
主动脉中心线确定模块,用于利用渐进最优快速随机搜索树算法将所述待检测三维主动脉CT图像中提取的关键点依次进行连接;在连接的过程中,对所述渐进最优快速随机搜索树算法的随机采样生成的采样备选点进行校正处理:若位于两个关键点之间的采样备选点与任意主动脉之外的点的距离小于设定阈值,则作将所述采样备选点包含在内的主动脉内切球,将所述主动脉内切球的球心作为所述两个关键点之间的连接点;将多个关键点连接后的线作为待检测三维主动脉CT图像的主动脉中心线。
本发明还公开了一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行所述的主动脉CT图像中心线确定方法。
本发明还公开了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现所述的主动脉CT图像中心线确定方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明利用主动脉CT图像关键点检测模型提取主动脉CT图像中的多个关键点,利用最小成本路径的渐进最优快速随机搜索树算法对多个关键点进行连接,并对于靠近主动脉壁的点,采用基于距离变换的内切圆圆心连接方法进行校正,提高了主动脉CT图像中心线的确定精度和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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为本发明一种主动脉CT图像中心线确定方法流程示意图一;
图2为本发明一种主动脉CT图像中心线确定方法流程示意图二;
图3为本发明U-Net网络结构示意图;
图4为本发明一种主动脉CT图像中心线确定系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种主动脉CT图像中心线确定方法、系统、设备及介质,提高了主动脉CT图像中心线的确定精度和效率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
图1为本发明一种主动脉CT图像中心线确定方法流程示意图一;图2为本发明一种主动脉CT图像中心线确定方法流程示意图二;如图1和图2所示,一种主动脉CT图像中心线确定方法,包括以下步骤:
步骤101:将待检测三维主动脉CT图像输入主动脉CT图像关键点检测模型,输出关键点提取结果;所述关键点提取结果包括待检测三维主动脉CT图像上多个关键点;所述主动脉CT图像关键点检测模型为根据训练集对U-Net网络进行训练确定的;所述训练集包括多个三维主动脉CT图像以及与各三维主动脉CT图像对应的关键点标签。
步骤102:利用渐进最优快速随机搜索树算法将所述待检测三维主动脉CT图像中提取的关键点依次进行连接;在连接的过程中,对所述渐进最优快速随机搜索树算法的随机采样生成的采样备选点进行校正处理:若位于两个关键点之间的采样备选点与任意主动脉之外的点的距离小于设定阈值,则作将所述采样备选点包含在内的主动脉内切球,将所述主动脉内切球的球心作为所述两个关键点之间的连接点;将多个关键点连接后的线作为待检测三维主动脉CT图像的主动脉中心线。
主动脉之外的点为体素为0的背景点。
所述关键点包括窦管交界处截面中心点、升主动脉冠状动脉等高处截面中心点、升主动脉半高处截面中心点、升主动脉与主动脉弓交界处截面中心点、主动脉弓上三大分支等高处的三个截面中心点、主动脉弓与降主动脉交界处截面中心点、降主动脉的膈主动脉裂孔处截面中心点和髂动脉分叉处截面中心点。
RRT star算法是基于快速随机扩展树(Rapidly-exploring Random Trees)RRT算法的一种改进形式,原始RRT star算法是一种典型的基于采样的路径规划算法,作为一种递增式算法,其构建过程可以比较形象的看成是生成树的过程。它从一个起始点,在三维中即为一个起始球的形式开始,在搜索空间当中类树状结构的延伸,设置一定的概率使延伸树既有可能向着终点的方向延伸,又有可能向着其它随机的方向延伸,对延伸过程当中的随机采样点进行碰撞测试,如果无碰撞发生,则可将延伸路线上一定步长的点定义为一个备选点,从该备选点出发继续重复上述过程,直到其延伸线的终点距离设定终点的距离小于一定范围,则终止随机树的扩展。之后利用搜索算法计算所有从起点到终点的代价函数,找到连接起点和终点的最短路径。
RRT star算法虽然可以实现点与点之间的小成本连接,但所得到的路径并不是避障之后的最短路径,且连接的路径并不光滑,不适合于中心线的提取处理,而RRT star算法随机采样得到空间点的基础上,在随机得到的备选点处以该点为中心画一个范围,在这个范围内继续寻找其它的备选点,将找到的点相互之间通过直线连接起来,寻找这些点当中到达最初起点的代价最小的点。将之前只能局限于备选点延伸线上的一定步长点的选择扩展到备选点附近一个步长范围圆内点的选择,极大降低了路径成本,更适合于中心线的提取处理。由于主动脉CT图像当中,主动脉本身的图像灰度值明显高于其背景的灰度值,可以设定一定的阈值以将CT图像当中背景部分作为RRT star模型的参考障碍,将其路径基本局限于主动脉模型范围内。且由于路径规划的起点及终点都位于主动脉截面的中心位置,其最优路径模型也会处于主动脉内部。
其中,步骤102,具体包括:受到RRT star模型本身特征的影响,在升主动脉与主动脉弓连接弯曲处,主动脉弓与降主动脉连接弯曲处,以及一些比较特别的人群主动脉结构存在很大的弯曲,容易出现关键点间路径连接线较为靠近主动脉管壁的情况,为避免这种情况的发生,本发明引入了基于距离变换的主动脉内切球矫正方法。对设定关键点连接过程当中进行RRT star的采样点进行边缘测定,设定某一阈值范围。如果某两个关键点间路径上的某个采样点,例如关键点2与关键点3之间的一个RRT star算法采样备选点,该点与任意体素为0的背景点的距离小于设定的阈值范围时,那么则在该点附近做基于背景体素范围内的主动脉内切球,将其球心作为关键点new1,从关键点2出发向关键点new1做路径规划,之后再从关键点new1出发,继续向关键点3做路径规划。同理,如果在后续关键点间路径规划过程当中,再次出现采样备选点靠近体素为0的黑色背景点的情况,即关键点间的连接线靠近主动脉壁,则再次在靠近点附近做主动脉壁的内切球,以球心作为相邻两个关键点间新的关键点,以达到路线矫正的效果,最终实现最为贴合参考中心线的三维主动脉CT图像的中心线提取。
所述主动脉CT图像关键点检测模型的训练过程包括:
获取设定数量的三维主动脉CT图像。
采用三维医学影像标注工具对各个三维主动脉CT图像进行关键点标注,各关键点利用ID进行分类,获得所述设定数量组的关键点数据集。
所述三维医学影像标注工具包括3D Slicer。
本发明对150组人体主动脉分别标注关键点,关键点共10个,分别对其命名为点1到点10。具体包括:心脏与主动脉的分界处即窦管交界处截面中心点1,升主动脉冠状动脉等高处截面中心点2,升主动脉半高处截面中心点3,升主动脉与主动脉弓交界处截面中心点4,主动脉弓上三大分支等高处的三个截面中心点分别为点5、点6和点7,主动脉弓与降主动脉交界处截面中心点8,降主动脉的膈主动脉裂孔处截面中心点9,以及髂动脉分叉处截面中心点10。
将150组数据当中的点位置信息通过3D Slicer保存为json格式文件,对这150组数据进行遍历存储。对每组数据当中的10个关键点信息利用其ID的不同分类进行遍历提取,实现150组10点数据集的建立。
将关键点数据集的坐标在三维主动脉CT图像当中标识出来。
为提升关键点的检测精度,在每组关键点数据集中,将对应所述三维主动脉CT图像上各关键点及关键点附件的4个单位长度范围内的体素,根据每个关键点的ID值进行不同体素赋值,一个ID值对应一个体素,背景体素灰度值设为0,获得体素赋值后的三维主动脉CT图像,具体包括:10个关键点分别将其灰度值设置1,2,3,4,5······10,体素赋值后的三维主动脉CT图像为多分类层面的0/1热图。
对所述三维主动脉CT图像进行边缘腐蚀,具体对主动脉CT图像外围的黑色部分进行边缘腐蚀,获得边缘腐蚀后的三维主动脉CT图像,降低背景体素对图像训练时间复杂度和空间复杂度的影响;边缘腐蚀后的三维主动脉CT图像和体素赋值后的三维主动脉CT图像作为所述训练集中样本数据。
本发明针对主动脉CT图像背景区域较多,边缘不清晰,对训练的时间复杂度与空间复杂度影响较大的情况,对主动脉CT图像进行图像腐蚀,提升训练效率。
将所述训练集中样本数据归一化为112×112×256的规格大小的三维图像,具体包括:将得到的150组主动脉CT图像及与之相对应的150组表征10个关键点的位置信息的三维图像统一进行归一化处理,以主动脉三维图像中心点为放缩中心,将其缩放为112×112×256的规格大小,以生成易于U-net神经网络训练的三维图像数据形式。
基于归一化后的所述训练集,以所述边缘腐蚀后的三维主动脉CT图像为输入,以体素赋值后的三维主动脉CT图像为输出训练所述U-Net网络,将训练好的U-Net网络作为所述主动脉CT图像关键点检测模型。
所述U-Net网络为改进的U-Net网络,所述改进的U-Net网络的特征提取网络中的卷积操作采用空洞卷积操作。
U-Net网络是一类经典的图像处理的网络模型,其在医学图像处理当中的应用尤其广泛,且应用效果也很好。医学影像的处理一直以来都伴随着训练样本不足,针对某一器官或组织的结构较为单一,图像灰度值不均衡难以处理,边缘不整齐不清晰等问题。
U-Net网络针对于以上问题,提出了双分支的图像卷积及反卷积处理形式,具体为如图3所示的五层的网络结构。网络整体采用全卷积神经网络,分为两部分,左边网络为特征提取网络,使用卷积层与池化层的组合形式,右边网络为特征融合网络,使用上采样产生的特征图与左侧特征图进行连接操作,实现针对卷积池化过程当中丢失图像信息以及降低图像分辨率的影响的补全。同时上采样可以使得包含高分辨率特征的低分辨率图像在高分率特征不受损的情况下,将其本身再次转化为高分辨率图像,实现图像的反卷还原处理,同时这种还原并不是真正意义上的图像再次表出,而是针对图像特征的增强处理,输出的图像针对分割物体或分类特征的中心进行定位,且输出数据为patches形式,极大增加了训练样本,实现医学影像方面的数据增强处理。但U-net网络也存在一些问题,网络由于训练的影像数据过多,对一些图像分辨过拟合,容易出现梯度消失情况,且图像每张patch都需要训练,训练的时间较长。
为解决这些问题,本发明的提出了在U-net网络当中加入空洞卷积以提升训练效率,同时在训练过程当中加入中间监督层,对训练损失梯度消失的层间进行损失函数导数的还原,实现对图像处理过拟合的处理,成功避免了U-net网络出现梯度消失的情况。将之前已经完成归一化的三维主动脉CT图像以及10个关键点的三维位置信息输入到改进后的U-net网络当中进行训练,训练得到关键点提取模型,为后续基于关键点的中心线提取搭建提供必要的种子节点。
本发明针对目前主动脉CT图像存在的样本数量不足,样本可靠性较低等问题,通过人工标注的手段,建立了主动脉CT图像的关键点数据集。针对模型交互性,对使用者门槛较高的问题,本发明基于全自动的关键点检测技术进而实现全自动的中心线提取,帮助使用者“一键式”的满足图像处理需求。
本发明针对U-net网络训练过程当中训练时间较长且易出现梯度消失情况,提出了在U-net网络当中加入空洞卷积以提升训练效率,同时在训练过程当中加入中间监督层,对训练损失梯度消失的层间进行损失函数导数的还原,实现对图像处理过拟合的处理,成功避免了U-net网络出现梯度消失的情况。
本发明同时采用了多关键点标注多次纠正以及基于距离变换的内切圆圆心连接方法,将自动检测的关键点与部分受外部干扰易发生偏移甚至间断的血管段的内切球的球心进行拓扑连接,从而最大程度上解决中心线向血管壁偏移导致精度不足以及中心线间断问题的发生,并避免了对血管全段进行内切球球心求取进而导致的计算时间冗长,计算难度过大等问题。同时,为实现关键点与内切球球心的合理连接,本发明引入了最小成本路径的进行点与点之间的合理路径规划,最终实现高精度,高效率的中心线提取方法。
实施例2
图4为本发明一种主动脉CT图像中心线确定系统结构示意图,如图4所示,一种主动脉CT图像中心线确定系统,包括:
关键点提取模块201,用于将待检测三维主动脉CT图像输入主动脉CT图像关键点检测模型,输出关键点提取结果;所述关键点提取结果包括待检测三维主动脉CT图像上多个关键点;所述主动脉CT图像关键点检测模型为根据训练集对U-Net网络进行训练确定的;所述训练集包括多个三维主动脉CT图像以及与各三维主动脉CT图像对应的关键点标签。
主动脉中心线确定模块202,用于利用渐进最优快速随机搜索树算法将所述待检测三维主动脉CT图像中提取的关键点依次进行连接;在连接的过程中,对所述渐进最优快速随机搜索树算法的随机采样生成的采样备选点进行校正处理:若位于两个关键点之间的采样备选点与任意主动脉之外的点的距离小于设定阈值,则作将所述采样备选点包含在内的主动脉内切球,将所述主动脉内切球的球心作为所述两个关键点之间的连接点;将多个关键点连接后的线作为待检测三维主动脉CT图像的主动脉中心线。
实施例3
本发明实施例提供一种电子设备包括存储器及处理器,该存储器用于存储计算机程序,该处理器运行计算机程序以使电子设备执行实施例1的主动脉CT图像中心线确定方法。
可选地,上述电子设备可以是服务器。
另外,本发明实施例还提供一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现实施例1的主动脉CT图像中心线确定方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种主动脉CT图像中心线确定方法,其特征在于,包括:
将待检测三维主动脉CT图像输入主动脉CT图像关键点检测模型,输出关键点提取结果;所述关键点提取结果包括待检测三维主动脉CT图像上多个关键点;所述主动脉CT图像关键点检测模型为根据训练集对U-Net网络进行训练确定的;所述训练集包括多个三维主动脉CT图像以及与各三维主动脉CT图像对应的关键点标签;
利用渐进最优快速随机搜索树算法将所述待检测三维主动脉CT图像中提取的关键点依次进行连接;在连接的过程中,对所述渐进最优快速随机搜索树算法的随机采样生成的采样备选点进行校正处理:若位于两个关键点之间的采样备选点与任意主动脉之外的点的距离小于设定阈值,则作将所述采样备选点包含在内的主动脉内切球,将所述主动脉内切球的球心作为所述两个关键点之间的连接点;将多个关键点连接后的线作为待检测三维主动脉CT图像的主动脉中心线。
2.根据权利要求1所述的主动脉CT图像中心线确定方法,其特征在于,所述U-Net网络为改进的U-Net网络,所述改进的U-Net网络的特征提取网络中的卷积操作采用空洞卷积操作。
3.根据权利要求1所述的主动脉CT图像中心线确定方法,其特征在于,所述主动脉CT图像关键点检测模型的训练过程包括:
获取设定数量的三维主动脉CT图像;
采用三维医学影像标注工具对各个三维主动脉CT图像进行关键点标注,各关键点利用ID进行分类,获得所述设定数量组的关键点数据集;
在每组关键点数据集中,将对应所述三维主动脉CT图像上各关键点及关键点附件的4个单位长度范围内的体素,根据每个关键点的ID值进行不同体素赋值,一个ID值对应一个体素,背景体素灰度值设为0,获得体素赋值后的三维主动脉CT图像;
对所述三维主动脉CT图像进行边缘腐蚀,获得边缘腐蚀后的三维主动脉CT图像;边缘腐蚀后的三维主动脉CT图像和体素赋值后的三维主动脉CT图像作为所述训练集中样本数据;
将所述训练集中样本数据归一化为112×112×256的规格大小的三维图像;
基于归一化后的所述训练集,以所述边缘腐蚀后的三维主动脉CT图像为输入,以体素赋值后的三维主动脉CT图像为输出训练所述U-Net网络,将训练好的U-Net网络作为所述主动脉CT图像关键点检测模型。
4.根据权利要求1所述的主动脉CT图像中心线确定方法,其特征在于,所述关键点包括窦管交界处截面中心点、升主动脉冠状动脉等高处截面中心点、升主动脉半高处截面中心点、升主动脉与主动脉弓交界处截面中心点、主动脉弓上三大分支等高处的三个截面中心点、主动脉弓与降主动脉交界处截面中心点、降主动脉的膈主动脉裂孔处截面中心点和髂动脉分叉处截面中心点。
5.根据权利要求1所述的主动脉CT图像中心线确定方法,其特征在于,所述三维医学影像标注工具包括3D Slicer。
6.一种主动脉CT图像中心线确定系统,其特征在于,包括:
关键点提取模块,用于将待检测三维主动脉CT图像输入主动脉CT图像关键点检测模型,输出关键点提取结果;所述关键点提取结果包括待检测三维主动脉CT图像上多个关键点;所述主动脉CT图像关键点检测模型为根据训练集对U-Net网络进行训练确定的;所述训练集包括多个三维主动脉CT图像以及与各三维主动脉CT图像对应的关键点标签;
主动脉中心线确定模块,用于利用渐进最优快速随机搜索树算法将所述待检测三维主动脉CT图像中提取的关键点依次进行连接;在连接的过程中,对所述渐进最优快速随机搜索树算法的随机采样生成的采样备选点进行校正处理:若位于两个关键点之间的采样备选点与任意主动脉之外的点的距离小于设定阈值,则作将所述采样备选点包含在内的主动脉内切球,将所述主动脉内切球的球心作为所述两个关键点之间的连接点;将多个关键点连接后的线作为待检测三维主动脉CT图像的主动脉中心线。
7.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至5中任一项所述的主动脉CT图像中心线确定方法。
8.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的主动脉CT图像中心线确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310018891.2A CN115908418A (zh) | 2023-01-06 | 2023-01-06 | 一种主动脉ct图像中心线确定方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310018891.2A CN115908418A (zh) | 2023-01-06 | 2023-01-06 | 一种主动脉ct图像中心线确定方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115908418A true CN115908418A (zh) | 2023-04-04 |
Family
ID=86479049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310018891.2A Pending CN115908418A (zh) | 2023-01-06 | 2023-01-06 | 一种主动脉ct图像中心线确定方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908418A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117474938A (zh) * | 2023-11-02 | 2024-01-30 | 首都医科大学附属北京朝阳医院 | 血管树自动分段方法、装置、计算机设备及存储介质 |
-
2023
- 2023-01-06 CN CN202310018891.2A patent/CN115908418A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117474938A (zh) * | 2023-11-02 | 2024-01-30 | 首都医科大学附属北京朝阳医院 | 血管树自动分段方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765363B (zh) | 一种基于人工智能的冠脉cta自动后处理系统 | |
CN112950651B (zh) | 基于深度学习网络的纵隔淋巴引流区的自动勾画方法 | |
CN111696089B (zh) | 一种动静脉确定方法、装置、设备和存储介质 | |
CN112884826B (zh) | 血管中心线的提取方法及装置 | |
CN111784700A (zh) | 肺叶分割、模型训练、模型构建与分割方法、系统及设备 | |
CN112651969B (zh) | 结合多信息融合网络和区域增长的气管树分级提取方法 | |
CN108961273B (zh) | 一种从ct影像中分割肺动脉和肺静脉的方法及系统 | |
CN115456990B (zh) | 一种基于ct图像的肋骨计数方法、装置、设备及存储介质 | |
CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN115908418A (zh) | 一种主动脉ct图像中心线确定方法、系统、设备及介质 | |
CN114155193B (zh) | 一种基于特征强化的血管分割方法及装置 | |
CN111178420B (zh) | 一种二维造影图像上冠脉段标注方法及系统 | |
CN116228792A (zh) | 一种医学图像分割方法、系统及电子装置 | |
CN117373070B (zh) | 血管分段标注的方法及装置、电子设备和存储介质 | |
CN113313715B (zh) | 心脏动脉血管的分割方法、分割装置、设备和介质 | |
CN111242969B (zh) | 边界节点的确定方法、网格划分方法及医疗设备 | |
CN116958705A (zh) | 基于图神经网络的医学影像归类系统 | |
CN115482261A (zh) | 血管配准方法、装置、电子设备及存储介质 | |
CN113935889A (zh) | 2d/3d冠状动脉自动配准方法、系统及介质 | |
CN113487616B (zh) | 一种使用连续多帧图像构建完整结构血管树结构的方法 | |
CN115131508B (zh) | 基于数据处理的dsa建模点云数据融合处理方法 | |
CN113516669B (zh) | 一种基于ct影像的气管提取方法、装置、设备及存储介质 | |
CN115578564B (zh) | 实例分割模型的训练方法、装置、电子设备及存储介质 | |
CN115908300B (zh) | 心脏瓣膜钙化分割的方法、装置、设备及存储介质 | |
CN111145173B (zh) | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 |
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 |