CN116309430A - 一种管状器官的检测方法、装置、存储介质及设备 - Google Patents

一种管状器官的检测方法、装置、存储介质及设备 Download PDF

Info

Publication number
CN116309430A
CN116309430A CN202310240618.4A CN202310240618A CN116309430A CN 116309430 A CN116309430 A CN 116309430A CN 202310240618 A CN202310240618 A CN 202310240618A CN 116309430 A CN116309430 A CN 116309430A
Authority
CN
China
Prior art keywords
sample
organ
tubular organ
determining
target tubular
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
CN202310240618.4A
Other languages
English (en)
Inventor
曲国祥
曹晓欢
吴迪嘉
薛忠
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.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare 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 Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN202310240618.4A priority Critical patent/CN116309430A/zh
Publication of CN116309430A publication Critical patent/CN116309430A/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
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • 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)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

本说明书公开了一种管状器官的检测方法、装置、存储介质及设备，通过医学影像中包含的目标管状器官的起始部分和预先训练完成的检测模型，对该起始部分进行接续，确定与该目标管状器官的起始部分接续的接续部分，进而基于目标管状器官的起始部分和接续部分，确定目标管状器官。本方法可自动确定医学影像中的目标管状器官的这一目的，避免了在检测出医学影像中包含的各管状器官后，还需人工从中确定目标管状器官的这一步骤，保证了检测效率。

Description

一种管状器官的检测方法、装置、存储介质及设备
技术领域
本说明书涉及医疗技术领域，尤其涉及一种管状器官的检测方法、装置、存储介质及设备。
背景技术
随着计算机技术的发展和业务深入融合的需要，在医疗领域，通过医学影像进行辅助诊断，已经成为目前常用的医用诊断方法之一。而如血管、气管等管状器官作为患者体内常见的器官之一，对其进行检测并根据检测结果来进行辅助诊断就更为普遍。
目前，通常需要获取患者的医学影像，并对获取到的医学影像进行目标物分割，再根据分割结果确定患者体内的管状器官，作为检测结果，以便于后续基于检测结果来执行辅助诊断等其他任务。
但是，目前在对管状器官进行检测时，通常会检测出医学影像中包含的所有管状器官。而用于辅助诊断的管状器官仅为所有管状器官中的一部分，这就导致在确定出检测结果后，还需由人工从检测结果中，确定出用于进行辅助诊断的目标管状器官，导致现有技术的检测效率较低。
基于此，本说明书提供一种新的管状器官的检测方法。
发明内容
本说明书提供一种管状器官的检测方法、装置、存储介质及设备，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供一种管状器官的检测方法，包括：
获取医学影像，并确定所述医学影像中包含的目标管状器官的一部分，将该部分的目标管状器官作为所述目标管状器官的起始部分；
根据所述目标管状器官的起始部分，确定所述起始部分的接续点；
在所述医学影像中确定包含所述接续点的待检测区域；
将所述医学影像中位于所述待检测区域的图像以及所述起始部分的目标管状器官的图像输入训练完成的检测模型中，得到所述检测模型输出的所述待检测区域中接续部分的目标管状器官，所述接续部分与所述起始部分在所述接续点处接续；
根据确定出的所述目标管状器官的所有部分，确定所述目标管状器官。
可选地，确定所述医学影像中包含的目标管状器官的一部分，将该部分的目标管状器官作为所述目标管状器官的起始部分，具体包括：
将所述医学影像输入预先训练完成的预分割模型中，得到所述预分割模型输出的所述医学影像中包含的目标管状器官的一部分，并将该部分的目标管状器官作为所述目标管状器官的起始部分。
可选地，所述检测模型采用下述方式训练得到：
确定样本医学影像，并从所述样本医学影像包含的各管状器官中，确定样本器官；
确定所述样本器官的一部分，将该部分的样本器官作为所述样本器官的起始部分；
根据所述样本器官的起始部分和所述样本医学影像，确定训练样本，以及确定与所述起始部分的样本器官存在接续关系的接续部分的样本器官，作为所述训练样本的标注；
根据所述训练样本及其标注，对所述检测模型进行训练。
可选地，确定所述样本器官的一部分，将该部分的样本器官作为所述样本器官的起始部分，具体包括：
确定所述样本器官的中心线，并对所述中心线进行等间距采样，确定各待选接续点；
从所述各待选接续点中，确定样本接续点；
根据所述样本接续点和所述样本器官，确定所述样本器官的起始部分。
可选地，根据所述样本器官的起始部分和所述样本医学影像，确定训练样本，以及确定与所述起始部分的样本器官存在接续关系的接续部分的样本器官，作为所述训练样本的标注，具体包括：
根据所述样本接续点，确定包含所述样本接续点的样本检测区域；
将所述样本医学影像中位于所述样本检测区域的图像以及所述起始部分的样本器官的图像，作为训练样本；
确定所述样本检测区域中与所述样本器官的起始部分存在接续关系的接续部分的样本器官，作为所述训练样本的标注。
可选地，将所述医学影像中位于所述待检测区域的图像以及所述起始部分的目标管状器官的图像输入训练完成的检测模型中，具体包括：
确定所述目标管状器官的器官类型；
根据预先存储各检测模型和各指定类型之间的对应关系以及所述器官类型，确定用于检测所述目标管状器官的接续部分的目标检测模型；
将所述医学影像中位于所述待检测区域的图像以及所述起始部分的目标管状器官的图像输入所述目标检测模型。
可选地，根据确定出的所述目标管状器官的所有部分，确定所述目标管状器官，具体包括：
判断是否满足迭代终止条件；
若是，根据确定出的所述目标管状器官的所有部分，确定所述目标管状器官；
若否，将所述接续部分重新作为起始部分，根据重新确定出的起始部分和所述医学影像，通过所述检测模型，迭代确定与所述重新确定出的起始部分接续的接续部分的目标管状器官，直至满足迭代终止条件为止，根据确定出的所述目标管状器官的所有部分，确定所述目标管状器官。
本说明书提供一种管状器官的检测装置，包括：
获取模块，用于获取医学影像，并确定所述医学影像中包含的目标管状器官的一部分，将该部分的目标管状器官作为所述目标管状器官的起始部分；
接续点确定模块，用于根据所述目标管状器官的起始部分，确定所述起始部分的接续点；
区域确定模块，用于在所述医学影像中确定包含所述接续点的待检测区域；
检测模块，用于将所述医学影像中位于所述待检测区域的图像以及所述起始部分的目标管状器官的图像输入训练完成的检测模型中，得到所述检测模型输出的所述待检测区域中接续部分的目标管状器官，所述接续部分与所述起始部分在所述接续点处接续；
器官确定模块，用于根据确定出的所述目标管状器官的所有部分，确定所述目标管状器官。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述管状器官的检测方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述管状器官的检测方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
通过医学影像中包含的目标管状器官的起始部分和预先训练完成的检测模型，对该起始部分进行接续，确定与该目标管状器官的起始部分接续的接续部分，进而基于目标管状器官的起始部分和接续部分，确定目标管状器官。本方法可自动确定医学影像中的目标管状器官的这一目的，避免了在检测出医学影像中包含的各管状器官后，还需人工从中确定目标管状器官的这一步骤，保证了检测效率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附
图中：
图1为本说明书提供的目标管状器官的结构示意图；
图2为本说明书提供的管状器官检测方法的流程示意图；
图3为本说明书提供的起始部分和接续部分的结构示意图；
图4为本说明书提供的待检测区域的场景示意图；
图5为本说明书提供的确定目标管状器官的接续部分的流程示意图；
图6为本说明书提供的管状器官的检测装置的结构示意图；
图7为本说明书提供的对应于图2的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
需要说明的是，本说明书中所有获取信号、信息或数据的动作都是在遵照所在地相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
一般的，在医疗技术领域，在对医学影像中的管状器官进行检测时，通常会检测出医学影像中包含的所有管状器官，但实际上可用于进行辅助诊断的管状器官仅为上述医学影像中所有管状器官的一部分，这就导致在确定出检测结果过后，还需人工从检测结果中，确定出用于进行辅助诊断的目标管状器官。如图1所示。
图1为本说明书提供的目标管状器官的结构示意图。图中包含有医学影像中包含的多个管状器官，而上述多个管状器官即为目前对医学影像进行检测时得到的检测结果。而实际在进行辅助诊断时，可能仅需要上述多个管状器官的一部分，作为目标管状器官。图中以黑色管状器官为目标管状器官为例。显然，黑色管状器官仅为确定出的多个管状器官中的一部分。
可见，目前在确定出医学影像中包含的各管状器官后，还需从上述医学影像中包含的各管状器官中，确定用于进行辅助诊断的目标管状器官。这就导致目前的检测效率较低。
基于此，本说明书提供一种新的管状器官的检测方法，通过医学影像中包含的目标管状器官的起始部分和预先训练完成的检测模型，对该起始部分进行接续，确定与该目标管状器官的起始部分接续的接续部分，进而基于目标管状器官的起始部分和接续部分，确定目标管状器官。以此来完成自动确定医学影像中的目标管状器官的这一目的，避免了在检测出医学影像中包含的各管状器官后，还需人工从中确定目标管状器官的这一步骤，保证了检测效率，降低了检测成本。
图2为本说明书提供的管状器官检测方法的流程示意图，具体包括以下步骤：
S100：获取医学影像，并确定所述医学影像中包含的目标管状器官的一部分，将该部分的目标管状器官作为所述目标管状器官的起始部分。
在本申请实施例提供一种管状器官的检测方法，其中涉及到的检测模型可以是经预先训练得到的。该管状器官的检测方法的执行过程可由用于进行辅助诊断的服务器等电子设备执行。执行该检测模型的训练过程的电子设备与执行该管状器官的检测方法的电子设备可为相同电子设备，也可为不同电子设备，本申请对此不作限定。为了便于描述，下面仅以服务器执行执行者护体，对本申请提供的该管状器官的检测方法进行详细说明。
而如前所述的，本申请中的该管状器官的检测方法，需基于目标管状器官的起始部分来确定目标管状器官的接续部分，进而基于起始部分和接续部分，来确定目标管状器官。基于此，该服务器可确定该目标管状器官的起始部分。
具体的，首先，该服务器可从采集设备采集到的医学数字成像和通信(DigitalImaging and Communications in Medicine，DICOM)文件中提取医学影像。
其中，医学影像，可以为通过CT血管造影(computer tomography angiography，CTA)技术得到的图像，也可以为通过磁共振血管造影术(Magnetic Resonance Imaging，MRA)得到的图像，还可以为数字减影血管造影(Digital Substracted Angiography，DSA)技术得到的图像或其他模态得到的影像。本说明书对医学影像的模态不做具体限制。为了方便叙述，本说明书以医学影像来源于CT扫描为例，对具体的技术方案进行详细阐述。
然后，在确定出医学影像后，该服务器可将该医学影像作为输入，输入预先训练完成的预分割模型中，得到该预分割模型输出的该医学影像中包含的目标管状器官的一部分。其中，该预分割模型用于对医学影像中的目标管状器官的特定部分进行分割。该特定部分为该目标管状器官的固定部分。
最后，该服务器可直接将确定出的该目标管状器官的一部分，作为该目标管状器官的一部分。其中，该目标管状器官为用于进行辅助诊断的管状器官。
需要说明的是，本申请中的医学影像，可为二维医学影像，也可为三维医学影像，该医学影像的具体形式可根据需要进行设置，本说明书对此不做限制。
S102：根据所述目标管状器官的起始部分，确定所述起始部分的接续点。
在本申请提供的一个或多个实施例中，该管状器官的检测方法可基于目标管状器官的起始部分，确定与该起始部分接续的接续部分。也就是说，该服务器可根据该目标管状器官的起始部分确定接续点，再对该接续点后尚未确定出的目标管状器官进行检测。因此，该服务器可确定该起始部分对应的接续点。
具体的，该服务器可从确定出的目标管状器官的起始部分的两个端点中，任意选择一个端点，作为该起始部分对应的接续点。如图3所示。
图3为本说明书提供的起始部分和接续部分的结构示意图。图中的白色曲线为S0，则该服务器可选择该白色曲线的任一端点作为接续点。图中选择了S0的上侧端点作为接续点P0。
其中，该接续点为该起始部分与该目标管状器官的接续部分进行接续的位置，也是可用于确定从该起始部分的何种方向确定接续部分的位置。
S104：在所述医学影像中确定包含所述接续点的待检测区域。
在本申请提供的一个或多个实施例中，在确定出接续点后，该服务器可从确定以该接续点为端点的接续部分。但由于直接对整张医学影像进行检测的难度较高，且可能无法基于起始部分直接确定出整张医学影像中的目标管状器官，因此，该服务器可确定包含接续点的待检测区域，再确定出该待检测区域中与该起始部分接续的接续部分。
具体的，在确定出接续点后，该服务器可以该接续点为中心，确定该接续点的周围区域，作为待检测区域。如图4所示。
图4为本说明书提供的待检测区域的场景示意图。图中的白色曲线为S0，白色曲线的上侧端点为接续点P0。图中确定了以P0作为中心点的正方形作为待检测区域。当然，该待检测区域还可为矩形、圆形、椭圆形等规则形状的区域，也可为预设的不规则形状的区域。该待检测区域的具体形状可根据需要进行设置，本说明书对此不做限制。
当然，该服务器还可在确定出接续点后，根据预设的形状，随机确定某一包含接续点的区域作为待检测区域。具体如何基于接续点确定待检测区域可根据需要进行设置，本说明书对此不做限制。
S106：将所述医学影像中位于所述待检测区域的图像以及所述起始部分的目标管状器官的图像输入训练完成的检测模型中，得到所述检测模型输出的所述待检测区域中接续部分的目标管状器官，所述接续部分和所述起始部分在所述接续点接续。
在本申请的一个或多个实施例中，如前所述的，该管状器官的检测方法，可基于起始部分，确定出待检测区域中包含的该目标管状器官的接续部分。因此，在确定出待检测区域后，该服务器即可基于医学区域中位于待检测区域的图像和目标管状器官的起始部分，确定该目标管状器官的接续部分。
具体的，该服务器可根据医学影像和待检测区域，确定该医学影像中位于该待检测区域中的图像。即，根据该待检测区域，将该医学影像进行裁剪，确定出该医学影像中位于该待检测区域的图像。
同时，该服务器可根据该目标管状器官的起始部分和该待检测区域，确定位于该待检测区域中的该目标管状器官的起始部分的实例掩膜，作为该起始部分的目标管状器官的图像。
然后，该服务器可将该医学影像中位于该待检测区域的图像和该起始部分的目标管状器官的图像作为输入，输入预先训练完成的检测模型中，得到该检测模型输出的该待检测区域中接续部分的目标管状器官。其中，该接续部分和该起始部分在接续点处接续。如图5所示。
图5为本说明书提供的确定目标管状器官的接续部分的流程示意图。可见，该服务器可根据该待检测区域和医学影像，确定出医学影像中位于该待检测区域的图像A，以及位于该待检测区域内的起始部分的目标管状器官的图像B。然后，该服务器可将图像A和图像B输入检测模型中，得到该检测模型输出的该目标管状器官的接续部分。
当然，该服务器还可直接确定起始部分对应的全局掩膜，作为该检测模型的输入之一。即，确定出与医学影像同尺寸，除起始部分的目标管状器官外，其他部分均为第一像素值，且起始部分的目标管状器官为第二像素值的图像，作为该检测模型的输入之一。其中，第一像素值和第二像素值不同。
S108：根据确定出的所述目标管状器官的所有部分，确定所述目标管状器官。
在本申请提供的一个或多个实施例中，该管状器官的检测方法，其目的是确定出目标管状器官，以根据确定出的目标管状器官来执行其他步骤。因此，在确定出目标管状器官的起始部分和接续部分后，该服务器可确定目标管状器官。
具体的，该服务器可将确定出的该目标管状器官的所有部分，即，该目标管状器官的起始部分和接续部分，进行拼接，并将拼接结果作为该目标管状器官。其中，该目标管状器官的所有部分包括确定出的该目标管状器官的起始部分和接续部分。
根据图1所示的管状器官的检测方法，通过医学影像中包含的目标管状器官的起始部分和预先训练完成的检测模型，对该起始部分进行接续，确定与该目标管状器官的起始部分接续的接续部分，进而基于目标管状器官的起始部分和接续部分，确定目标管状器官。以此来完成自动确定医学影像中的目标管状器官的这一目的，避免了在检测出医学影像中包含的各管状器官后，还需人工从中确定目标管状器官的这一步骤，保证了检测效率，降低了检测成本。
另外，上述仅将确定出的起始部分和接续部分进行拼接，并将拼接结果作为目标管状器官的方式，确定出的目标管状器官的准确度虽然较高，但其对应的目标管状器官的长度等可能较短，仅能为辅助诊断带来有限的效果。因此，在本申请中，该服务器还可采用迭代的方式来确定该目标管状器官。
具体的，该服务器可判断是否满足迭代终止条件。
若是，则该服务器可将确定出的该目标管状器官的各部分进行拼接，得到拼接结果，作为目标管状器官。
若否，在确定出该目标管状器官的接续部分后，该服务器可将该接续部分，重新作为该目标管状器官的起始部分。
然后，该服务器可根据重新确定出的起始部分和该医学影像，通过该检测模型，得带确定与该重新确定出的起始部分接续的接续部分的目标管状器官。
最后，当满足迭代终止条件时，该服务器可将确定出的该目标管状器官的各部分进行拼接，得到拼接结果，作为目标管状器官。
当然，在重新确定起始部分时，该服务器还可将原起始部分和该接续部分进行拼接，并将拼接结果作为重新确定出的起始部分。于是，在满足迭代终止条件后，该服务器可仅将重新确定出的起始部分以及确定出的接续部分进行拼接，即可确定出该目标管状器官。
需要说明的是，上述迭代过程中，该迭代终止条件可包括迭代次数到达指定次数、所述目标管状器官的所有部分的长度之和达到预设的长度阈值中的至少一种。当然，该迭代终止条件还可为确定出的目标管状器官的所有部分中，存在经过特定位置的某部分。具体该迭代终止条件可根据需要进行设置，本说明书对此不做限制。
进一步的，该服务器中可预先存储有标注有目标管状器官的起始部分的医学影像。于是，在步骤S100中，该服务器可直接从预先存储的标注有目标管状器官的起始部分的各医学影像中，随机选择任意患者的医学影像，作为需检测目标管状器官的医学影像。其中，服务器中存储的各医学影像的标注可为人工进行标注的，也可为人工确定目标管状器官的起始部分的起点和终点后，利用分割算法进行标注的。具体该目标管状器官的起始部分如何确定可根据需要进行设置，本说明书对此不做限制。
需要说明的是，本说明书中的该目标管状器官的起始部分，为对目标管状器官的接续部分进行检测的起始部分，而非患者体内该目标管状器官的起点。
更进一步的，步骤S100中，在确定目标管状器官的起始部分的预分割模型，可采用下述方式训练得到：
首先，确定样本医学影像，并确定该样本医学影像中包含的目标管状器官的一部分，作为该样本医学影像的标注。
然后，将样本医学影像输入该待训练的预分割模型中，得到该预分割模型输出的该样本医学影像的预分割结果。
最后，根据预分割结果和该样本医学影像的标注，确定第一损失，并以第一损失最小为优化目标对该预分割模型进行训练。
更进一步的，在本说明书中，上述检测模型可采用下述方式训练得到：
首先，该服务器中可存储有样本医学影像，且该样本医学影像可预先标注有各管状器官。于是，该服务器可从预存的各样本医学影像中，确定用于训练该检测模型的样本医学影像。并从该样本医学影像包含的各管状器官中，确定样本器官。其中，该样本器官为该样本医学影像包含的各管状器官之一。
其次，该服务器可确定该样本器官的一部分，将该部分的样本器官作为该样本器官的起始部分。其中，该样本器官的一部分可对应于该样本器官在该样本医学影像中的两端，也可为对应于该样本器官的中间段。
然后，该服务器可根据该样本器官的起始部分，确定样本接续点，并根据该样本接续点确定样本检测区域。并将该样本医学影像中位于该样本检测区域的图像和该样本器官的起始部分的图像，作为训练样本。
之后，该服务器可确定与该起始部分的样本器官存在接续关系的接续部分的样本器官，作为该训练样本的标注。也就是说，若将起始部分作为样本接续点前的部分，则该服务器可确定位于样本接续点后的样本器官，作为该训练样本的标注。
最后，该服务器可将训练样本输入该检测模型中，得到样本检测结果，并根据训练样本的样本检测结果以及训练样本的标注之间的差距，确定第二损失，并以第二损失最小为优化目标对该检测模型进行训练。
需要说明的是，上述训练预分割模型的服务器与训练检测模型的服务器可为相同服务器，也可为不同服务器。同样的，上述训练预分割模型的服务器、训练检测模型的服务器与执行该管状器官的检测方法的服务器可为相同服务器，也可为不同服务器。
另外，在本说明书中，该服务器在确定样本器官的起始部分时，可直接选择样本器官中的某一部分，也可先确定样本接续点，再基于样本接续点确定该样本器官的起始部分。
具体的，该服务器可确定出样本器官的中心线。其中，该中心线可为样本器官的各横截面的中心点连接成的线段。
则在确定出中心线后，该服务器可对该中心线进行采样，得到采样结果，作为各待选接续点。其中，该服务器可对中心线进行等间距采样，也可对该中心线进行随机采样。具体如何确定各待选接续点可根据需要进行设置，本说明书对此不做限制。
然后，该服务器可从待选接续点中，随机确定任一待选接续点，作为样本接续点。
最后，该服务器可确定位于该样本接续点前的样本器官，作为该样本器官的起始部分。其中，该服务器可按照预设方向，确定各候选接续点分别对应的序号。则上述位于该样本接续点前的样本器官，可为序号小于该样本接续点的各候选接续点连接对应的样本器官的一部分，作为起始部分。也可将序号大于该样本接续点的各候选接续点连接对应的样本器官的一部分，作为起始部分。
相较于直接随机确定样本器官中的某一部分作为起始部分，再基于起始部分确定训练样本的方式，对中心线进行采样，确定候选接续点，再基于候选接续点来确定训练样本的方式，可以较少的计算量，基于同一样本医学影像确定多个训练样本，且确定出的训练样本的可用性较高。避免了随机确定样本器官中的某一部分作为起始部分时，由于两个训练样本的起点和终点之间距离较近导致样本重复，可用性不高的情况发生。提高了训练样本的确定效率。
进一步的，对于接续部分上的位置来说，靠近接续点的位置的准确度显然高于远离接续点的位置的准确度。也就是说，若基于起始部分确定出的接续部分的长度过长，则确定出的接续部分的准确度较低。因此，在确定训练样本的标注时，该服务器可确定样本检测区域中的接续部分，作为该训练样本的标注。
具体的，该服务器可根据样本接续点，确定包含该样本接续点的样本检测区域。
然后，该服务器可确定样本医学影像中位于该样本检测区域的图像以及该起始部分的样本器官的图像，作为训练样本。
于是，该服务器可确定从该样本检测区域中，确定与该样本器官的起始部分存在接续关系的接续部分的样本器官，作为该训练样本的标注。
则基于上述方式确定出的带标注的训练样本，训练得到的检测模型可准确学习到样本检测区域内样本器官的特征，从而保证输出结果的准确性。同时，考虑到仅需要确定样本检测区域内的接续部分的样本器官所需计算量较小的特点，也进一步保证了检测结果的准确性。
另外，通常情况下，管状器官存在分叉的情况，但用户进行辅助诊断的目标管状器官可能仅为医学影像包含的各管状器官中某一管状器官的一个分支。因此，可能会出现检测模型输出与该目标管状器官属于同一管状器官的另一分支的情况。而为了避免上述情况的发生，该服务器可预先设置不同的器官类型，并针对每种器官类型，训练得到其对应的检测模型。则该服务器可基于目标管状器官的类型，确定用于检测目标管状器官的类型的目标检测模型，来对目标管状器官进行检测。
具体的，该服务器在确定出医学影像后，可确定目标管状器官的器官类型。
然后，该服务器可根据预先存储的各检测模型和各指定类型之间的对应关系，以及目标管状器官的器官类型，从各检测模型中，确定用于检测该目标管状器官的接续部分的目标检测模型。
最后，该服务器可医学影像中位于所述待检测区域的图像，以及起始部分的目标管状器官的图像作为输入，输入该目标检测模型中，得到该目标检测模型输出的该目标管状器官的接续部分。以此来实现目标管状器官的检测步骤。
基于同样思路，本说明书还提供一种管状器官检测装置，如图6所示。
图6为本说明书提供的管状器官检测装置，其中：
获取模块200，用于获取医学影像，并确定所述医学影像中包含的目标管状器官的一部分，将该部分的目标管状器官作为所述目标管状器官的起始部分。
接续点确定模块202，用于根据所述目标管状器官的起始部分，确定所述起始部分的接续点。
区域确定模块204，用于在所述医学影像中确定包含所述接续点的待检测区域。
检测模块206，用于将所述医学影像中位于所述待检测区域的图像以及所述起始部分的目标管状器官的图像输入训练完成的检测模型中，得到所述检测模型输出的所述待检测区域中接续部分的目标管状器官，所述接续部分与所述起始部分在所述接续点处接续。
器官确定模块208，用于根据确定出的所述目标管状器官的所有部分，确定所述目标管状器官。
可选地，获取模块200，用于将所述医学影像输入预先训练完成的预分割模型中，得到所述预分割模型输出的所述医学影像中包含的目标管状器官的一部分，并将该部分的目标管状器官作为所述目标管状器官的起始部分。
可选地，所述装置还包括：
训练模块210，用于确定样本医学影像，并从所述样本医学影像包含的各管状器官中，确定样本器官，确定所述样本器官的一部分，将该部分的样本器官作为所述样本器官的起始部分，根据所述样本器官的起始部分和所述样本医学影像，确定训练样本，以及确定与所述起始部分的样本器官存在接续关系的接续部分的样本器官，作为所述训练样本的标注，根据所述训练样本及其标注，对所述检测模型进行训练。
可选地，所述训练模块210，用于确定所述样本器官的中心线，并对所述中心线进行等间距采样，确定各待选接续点，从所述各待选接续点中，确定样本接续点，根据所述样本接续点和所述样本器官，确定所述样本器官的起始部分。
可选地，所述训练模块210，用于根据所述样本接续点，确定包含所述样本接续点的样本检测区域，将所述样本医学影像中位于所述样本检测区域的图像以及所述起始部分的样本器官的图像，作为训练样本，确定所述样本检测区域中与所述样本器官的起始部分存在接续关系的接续部分的样本器官，作为所述训练样本的标注。
可选地，所述检测模块206，用于确定所述目标管状器官的器官类型，根据预先存储各检测模型和各指定类型之间的对应关系以及所述器官类型，确定用于检测所述目标管状器官的接续部分的目标检测模型，将所述医学影像中位于所述待检测区域的图像以及所述起始部分的目标管状器官的图像输入所述目标检测模型。
可选地，所述器官确定模块208，用于判断是否满足迭代终止条件，若是，根据确定出的所述目标管状器官的所有部分，确定所述目标管状器官，若否，将所述接续部分重新作为起始部分，根据重新确定出的起始部分和所述医学影像，通过所述检测模型，迭代确定与所述重新确定出的起始部分接续的接续部分的目标管状器官，直至满足迭代终止条件为止，根据确定出的所述目标管状器官的所有部分，确定所述目标管状器官。
可选地，所述迭代终止条件包括：迭代次数到达指定次数、所述目标管状器官的所有部分的长度之和达到预设的长度阈值中的至少一种。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图2提供的管状器官的检测方法。
本说明书还提供了图7所示的电子设备的示意结构图。如图7所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图2所述的管状器官的检测方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程电子设备的处理器以产生一个机器，使得通过计算机或其他可编程电子设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程电子设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程电子设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(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(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。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(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(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(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁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。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种管状器官的检测方法，其特征在于，所述方法包括：
获取医学影像，并确定所述医学影像中包含的目标管状器官的一部分，将该部分的目标管状器官作为所述目标管状器官的起始部分；
根据所述目标管状器官的起始部分，确定所述起始部分的接续点；
在所述医学影像中确定包含所述接续点的待检测区域；
将所述医学影像中位于所述待检测区域的图像以及所述起始部分的目标管状器官的图像输入训练完成的检测模型中，得到所述检测模型输出的所述待检测区域中接续部分的目标管状器官，所述接续部分与所述起始部分在所述接续点处接续；
根据确定出的所述目标管状器官的所有部分，确定所述目标管状器官。
2.如权利要求1所述的方法，其特征在于，确定所述医学影像中包含的目标管状器官的一部分，将该部分的目标管状器官作为所述目标管状器官的起始部分，具体包括：
将所述医学影像输入预先训练完成的预分割模型中，得到所述预分割模型输出的所述医学影像中包含的目标管状器官的一部分，并将该部分的目标管状器官作为所述目标管状器官的起始部分。
3.如权利要求1所述的方法，其特征在于，所述检测模型采用下述方式训练得到：
确定样本医学影像，并从所述样本医学影像包含的各管状器官中，确定样本器官；
确定所述样本器官的一部分，将该部分的样本器官作为所述样本器官的起始部分；
根据所述样本器官的起始部分和所述样本医学影像，确定训练样本，以及确定与所述起始部分的样本器官存在接续关系的接续部分的样本器官，作为所述训练样本的标注；
根据所述训练样本及其标注，对所述检测模型进行训练。
4.如权利要求3所述的方法，其特征在于，确定所述样本器官的一部分，将该部分的样本器官作为所述样本器官的起始部分，具体包括：
确定所述样本器官的中心线，并对所述中心线进行等间距采样，确定各待选接续点；
从所述各待选接续点中，确定样本接续点；
根据所述样本接续点和所述样本器官，确定所述样本器官的起始部分。
5.如权利要求4所述的方法，其特征在于，根据所述样本器官的起始部分和所述样本医学影像，确定训练样本，以及确定与所述起始部分的样本器官存在接续关系的接续部分的样本器官，作为所述训练样本的标注，具体包括：
根据所述样本接续点，确定包含所述样本接续点的样本检测区域；
将所述样本医学影像中位于所述样本检测区域的图像以及所述起始部分的样本器官的图像，作为训练样本；
确定所述样本检测区域中与所述样本器官的起始部分存在接续关系的接续部分的样本器官，作为所述训练样本的标注。
6.如权利要求1所述的方法，其特征在于，将所述医学影像中位于所述待检测区域的图像以及所述起始部分的目标管状器官的图像输入训练完成的检测模型中，具体包括：
确定所述目标管状器官的器官类型；
根据预先存储各检测模型和各指定类型之间的对应关系以及所述器官类型，确定用于检测所述目标管状器官的接续部分的目标检测模型；
将所述医学影像中位于所述待检测区域的图像以及所述起始部分的目标管状器官的图像输入所述目标检测模型。
7.如权利要求1所述的方法，其特征在于，根据确定出的所述目标管状器官的所有部分，确定所述目标管状器官，具体包括：
判断是否满足迭代终止条件；
若是，根据确定出的所述目标管状器官的所有部分，确定所述目标管状器官；
若否，将所述接续部分重新作为起始部分，根据重新确定出的起始部分和所述医学影像，通过所述检测模型，迭代确定与所述重新确定出的起始部分接续的接续部分的目标管状器官，直至满足迭代终止条件为止，根据确定出的所述目标管状器官的所有部分，确定所述目标管状器官。
8.如权利要求7所述的方法，其特征在于，所述迭代终止条件包括：迭代次数到达指定次数、所述目标管状器官的所有部分的长度之和达到预设的长度阈值中的至少一种。
9.一种计算机可读存储介质，所述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上述权利要求1～8任一项所述的方法。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现上述权利要求1～8任一项所述的方法。
CN202310240618.4A 2023-03-10 2023-03-10 一种管状器官的检测方法、装置、存储介质及设备 Pending CN116309430A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310240618.4A CN116309430A (zh) 2023-03-10 2023-03-10 一种管状器官的检测方法、装置、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310240618.4A CN116309430A (zh) 2023-03-10 2023-03-10 一种管状器官的检测方法、装置、存储介质及设备

Publications (1)

Publication Number Publication Date
CN116309430A true CN116309430A (zh) 2023-06-23

Family

ID=86783003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310240618.4A Pending CN116309430A (zh) 2023-03-10 2023-03-10 一种管状器官的检测方法、装置、存储介质及设备

Country Status (1)

Country Link
CN (1) CN116309430A (zh)

Similar Documents

Publication Publication Date Title
KR20210082234A (ko) 이미지 처리 방법 및 장치, 전자 기기 및 기억 매체
CN109448003B (zh) 一种颅内动脉血管图像分割方法及系统
CN111161279A (zh) 医学图像分割方法、装置及服务器
CN109816650B (zh) 一种基于二维dsa图像的目标区域识别方法及其系统
CN117197781B (zh) 一种交通标志识别的方法、装置、存储介质及电子设备
CN116342888B (zh) 一种基于稀疏标注训练分割模型的方法及装置
CN111368902A (zh) 一种数据标注的方法及装置
CN111105425A (zh) 一种基于颅脑影像数据的对称轴/对称面提取方法及系统
CN113160165A (zh) 一种血管分割方法、装置以及设备
CN116524295A (zh) 一种图像处理方法、装置、设备及可读存储介质
CN109472803B (zh) 一种颅内动脉血管分割方法及系统
CN116309430A (zh) 一种管状器官的检测方法、装置、存储介质及设备
CN114998582A (zh) 一种冠脉血管的分割方法、装置及存储介质
CN116152246B (zh) 一种图像识别方法、装置、设备及存储介质
CN116188469A (zh) 一种病灶检测方法、装置、可读存储介质及电子设备
CN117788953A (zh) 一种感兴趣区域的识别方法、装置、存储介质及电子设备
CN116028820B (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN117726907B (zh) 一种建模模型的训练方法、三维人体建模的方法以及装置
CN116229218B (zh) 一种模型训练、图像配准方法及装置
CN116309582B (zh) 一种便携式超声扫描图像的识别方法、装置及电子设备
CN111862045B (zh) 血管模型的生成方法及装置
CN116580199A (zh) 基于DeepLabV3+的图像分割方法、装置和存储介质
CN116312981A (zh) 一种图像处理方法、设备及可读存储介质
CN116363070A (zh) 一种血管异常的分析方法、装置、存储介质和电子设备
CN116309428A (zh) 一种感兴趣区域确定方法、装置、存储介质及电子设备

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