CN116630628B - 一种主动脉瓣钙化分割方法、系统、设备及存储介质 - Google Patents
一种主动脉瓣钙化分割方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN116630628B CN116630628B CN202310868776.4A CN202310868776A CN116630628B CN 116630628 B CN116630628 B CN 116630628B CN 202310868776 A CN202310868776 A CN 202310868776A CN 116630628 B CN116630628 B CN 116630628B
- Authority
- CN
- China
- Prior art keywords
- aortic valve
- module
- segmentation
- valve calcification
- attention
- 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.)
- Active
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 202
- 206010050559 Aortic valve calcification Diseases 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 40
- 210000001765 aortic valve Anatomy 0.000 claims abstract description 91
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000002308 calcification Effects 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 33
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 239000008280 blood Substances 0.000 claims description 5
- 210000004369 blood Anatomy 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 208000004434 Calcinosis Diseases 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000013434 data augmentation Methods 0.000 description 4
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 208000031481 Pathologic Constriction Diseases 0.000 description 2
- 201000006800 aortic valve disease 1 Diseases 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000036262 stenosis Effects 0.000 description 2
- 208000037804 stenosis Diseases 0.000 description 2
- 208000037411 Aortic calcification Diseases 0.000 description 1
- 238000012274 Preoperative evaluation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 206010002906 aortic stenosis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种主动脉瓣钙化分割方法、系统、设备及存储介质,涉及主动脉钙化的分割,其目的在于解决现有技术中存在的主动脉瓣钙化分割的准确性较低的技术问题。其包括获取样本数据、构建并训练主动脉瓣钙化分割模型、以及主动脉瓣钙化实时分割,主动脉瓣钙化分割模型包括编码模块、解码模块、动态注意力模块和拓扑关系学习模块;编码模块的输出作为动态注意力模块、解码模块的输入,动态注意力模块的输出作为解码模块的输入,解码模块输出主动脉瓣分割结果、主动脉瓣钙化分割结果,主动脉瓣分割结果、主动脉瓣钙化分割结果也作为拓扑关系学习模块的输入。通过构建主动脉瓣和主动脉瓣钙化的拓扑关系,学习两者的拓扑信息,提高分割准确性。
Description
技术领域
本发明属于人工智能技术领域,涉及一种主动脉钙化的分割,尤其涉及一种主动脉瓣钙化分割方法、系统、设备及存储介质,更具体的是涉及一种基于拓扑关系学习的主动脉瓣钙化分割方法、系统、设备及存储介质。
背景技术
钙化性主动脉瓣狭窄是一种常见老年心血管疾病,该病出现症状后病死率高,但目前尚无有效的医疗干预手段来延迟或阻止其进展。因此,因此,早诊、早治是降低心血管疾病发病率和死亡率的有效手段。多层螺旋CT(multidetector computed tomography,MDCT)技术具有无创、价格低廉、易于提供大量的有用信息的优点,目前是主动脉瓣钙化性狭窄诊断和评估的主要工具。相关研究显示钙化部位与严重程度是瓣叶形态学评估的重要方法,通过评估钙化部位可以预测瓣周漏的位置。因此准确分割在MDCT影像上分割主动脉瓣钙化病灶,可以帮助医生定位心血管疾病患者钙化部位以及进一步分析钙化的严重程度。
本项目能使临床医生摆脱主观因素(大量精细观察造成的疲劳、疏漏、经验不足等)影响,通过人工智能(Artificial intelligence, AI),得到主动脉瓣和主动脉瓣钙化的所有预测,包括主动脉瓣的形状,主动脉瓣钙化的大小、位置、数量情况,能帮助医生对病灶进行更准确的判断。
随着深度学习技术在目标检测、图像分类及图像分割等领域取得突破性的进展,影像AI已成为新研究热点。目前,影像AI已成功应用于疾病的筛查、预测及诊断等领域。TERAMOT等使用深卷积神经网络开发了微观图像中的肺癌理自动分类模型,使71%的肺癌细胞得到正确分类,且分类正确的图像具有典型的细胞形态和排列。Ronneberger等人提出U-net 网络结构,其在小规模数据集下有良好的表现,更适合于医学图像的分割。在 U-net框架的基础上也衍生了许多在不同医学影像上表现优越的语义分割网络,包括 U-net++和3DU-net 等。
申请号为201580048971.6的发明专利申请就公开了一种用于分析主动脉瓣结构的图像以使得能够对主动脉瓣钙化进行评估的系统和方法。所述系统包括图像接口,所述图像接口用于获得所述主动脉瓣结构的所述图像,所述主动脉瓣结构包括主动脉瓣小叶和主动脉球。所述系统还包括分割子系统,所述分割子系统用于分割所述图像中的所述主动脉瓣结构,以获得所述主动脉瓣结构的分割。所述系统还包括识别子系统,所述识别子系统用于通过分析所述主动脉瓣结构的所述图像来识别所述主动脉瓣小叶上的钙化。所述系统还包括分析子系统,所述分析子系统被配置用于:通过分析所述主动脉瓣结构的所述分割来确定所述主动脉球的中心线;并且用于将所述钙化从主动脉球的所述中心线投影到所述主动脉球上,从而获得指示所述钙化在被投影到所述主动脉球上时的位置的投影。所述系统还包括输出单元,所述输出单元用于生成表示所述投影的数据。关于瓣膜置换之后的钙化的准确位置的所提供的信息例如可以有利地被用于有效地分析经导管主动脉瓣植入(TAVI)介入的瓣周泄漏,以针对TAVI流程评估患者的适合性。
申请号为202110586763.9的发明专利申请就公开了一种基于人工智能的主动脉结构图像自动分割方法,包括将标签图像进行分割、对不同通道的标签图像添加噪声并提取形态学梯度、对各解码阶段的多通道特征图像进行形态学特征提取、各阶段损失计算及总损失计算,以及最终完成网络参数的训练与优化等步骤。通过使用上述基于人工智能的图像处理方法,相比于目前已有的图像处理方法,可以去除明显的误分割区域,提升图像分割效果,对目标区域进行更精准分割,使分割不完全的区域更加完善,为之后的三维模型的建立提供了准确度更高的图像数据,有效提高了TAVR/TAVI术前评估的效率和精度。
但是,现有技术中,由于主动脉瓣钙化分割面临样本不平衡、边缘模糊、假阳性、假阴性等问题,致使主动脉瓣钙化分割的准确性较低,亟需对网络结构进行改进,提高主动脉瓣钙化分割的准确性。
发明内容
为解决现有技术中存在的主动脉瓣钙化分割的准确性较低的技术问题,本发明提供了一种主动脉瓣钙化分割方法、系统、设备及存储介质,通过构建主动脉瓣和主动脉瓣钙化的拓扑关系,能学习主动脉瓣钙化和主动脉瓣的拓扑信息,并利用主动脉瓣位置信息来约束主动脉瓣钙化的位置信息,从而提高主动脉瓣钙化分割的准确性。
为解决以上技术问题,本发明采用的技术方案如下:
一种主动脉瓣钙化分割方法,包括如下步骤:
步骤S1,获取样本数据
获取主动脉瓣图像样本数据及标签,标签包括主动脉瓣标签、主动脉瓣钙化标签;
步骤S2,构建主动脉瓣钙化分割模型
构建主动脉瓣钙化分割模型,主动脉瓣钙化分割模型包括编码模块、解码模块、动态注意力模块和拓扑关系学习模块;
编码模块的输出作为动态注意力模块、解码模块的输入,动态注意力模块的输出作为解码模块的输入,解码模块输出主动脉瓣分割结果、主动脉瓣钙化分割结果,主动脉瓣分割结果、主动脉瓣钙化分割结果也作为拓扑关系学习模块的输入;
步骤S3,训练主动脉瓣钙化分割模型
采用步骤S1获取的样本数据训练步骤S2构建的主动脉瓣钙化分割模型,得到成熟的主动脉瓣钙化分割模型;
步骤S4,主动脉瓣钙化实时分割
获取实时的主动脉瓣图像数据,并将实时的主动脉瓣图像数据输入成熟的主动脉瓣钙化分割模型,输出主动脉瓣分割结果、主动脉瓣钙化分割结果。
进一步地,步骤S2中,编码模块包括四个下采样块,解码模块包括四个上采样块,四个下采样块分别与对称的上采样块跳跃连接;
四个下采样块的输出输入动态注意力模块,动态注意力模块输出动态注意力向量,四个下采样块输出的特征、动态注意力模块输出的动态注意力向量送入上采样块,并依次经四个上采样块进行上采样,最后一个上采样块的输出主动脉瓣分割结果、主动脉瓣钙化分割结果;主动脉瓣分割结果、主动脉瓣钙化分割结果输入拓扑关系学习模块。
更进一步地,动态注意力模块对四个下采样块输出的特征重构到以第下采样块特征一致并拼接得到多尺寸特征,多尺寸特征经过并列的三个分支;
第一个分支:多尺寸特征依次经过全局平均池化、全连接操作后,再经过二焦点曲线回归得到多尺寸特征全局池化注意力特征,最后再与下采样块输出的特征逐元素相乘,得到全局平均池化注意力向量;
第二个分支:多尺寸特征经过1×1×1的卷积后,再经过二焦点曲线回归得到局部注意力特征,最后再与下采样块输出的特征逐元素相乘,得到局部注意力向量;
第三个分支,多尺寸特征经过可形变卷积后,经过二焦点曲线回归得到全局注意力机制特征,再与下采样块输出的特征逐元素相乘得到全局注意力向量;
最后将第一个分支得到的全局平均池化注意力向量、第二个分支得到的局部注意力向量以及第三个分支得到的全局注意力向量逐元素相加,得到动态注意力向量。
进一步地,每个下采样块均包括两个有效卷积层和一个最大池化层,每个上采样块均包括两个有效卷积层和一个双线性插值层。
进一步地,步骤S3中,在训练主动脉瓣钙化分割模型时,网络设置学习率为0.001,学习率每经过30个学习迭代之后衰减十倍,卷积权值使用高斯分布初始化,训练批次设置为1,学习迭代次数为150,采用BP反馈传播算法来计算梯度并更新权值,网络学习针对每个批次更新一次参数,每一次迭代学习之后,主动脉瓣钙化分割模型判断分割的评价结果,如果当前误差小于上一个迭代的误差,就保存当前分割模型,然后继续训练,直到达到最大迭代次数。
更进一步地,在训练主动脉瓣钙化分割模型时,利用联合dice损失函数、交叉熵损失函数和拓扑先验损失函数来训练模型,保存评价指标最优的主动脉瓣钙化分割模型。
更进一步地,拓扑关系学习模块进行扑先验学习的具体方式为:
利用主动脉瓣钙化位于血管/>上这一特性,新建一个标签A和标签B,其中标签A=,标签B是除/>和/>之外的所有其他标签的联合;
利用空洞卷积将标签B的掩码像素扩大,找出扩大后的掩码与标签A的交点,得到标签A的邻域信息,反之得到标签B的邻域信息/>;
通过找到违反所需约束的关键像素对,并惩罚这些关键像素对,使得主动脉瓣钙化分割模型学习到更好的特征,所采用的拓扑先验损失函数为:
其中,为像素级损失函数,为Dice损失;/>为预测的多类别的分割图,/>为离散标签的真实分割图;/>为关键像素对;/>、/>分别为标签/>和标签/>的类掩码。
一种主动脉瓣钙化分割系统,包括:
样本数据获取模块,用于获取主动脉瓣图像样本数据及标签,标签包括主动脉瓣标签、主动脉瓣钙化标签;
主动脉瓣钙化分割模型构建模块,用于构建主动脉瓣钙化分割模型,主动脉瓣钙化分割模型包括编码模块、解码模块、动态注意力模块和拓扑关系学习模块;
编码模块的输出作为动态注意力模块、解码模块的输入,动态注意力模块的输出作为解码模块的输入,解码模块输出主动脉瓣分割结果、主动脉瓣钙化分割结果,主动脉瓣分割结果、主动脉瓣钙化分割结果也作为拓扑关系学习模块的输入;
主动脉瓣钙化分割模型训练模块,用于采用样本数据获取模块获取的样本数据训练主动脉瓣钙化分割模型构建模块构建的主动脉瓣钙化分割模型,得到成熟的主动脉瓣钙化分割模型;
主动脉瓣钙化实时分割模块,用于获取实时的主动脉瓣图像数据,并将实时的主动脉瓣图像数据输入成熟的主动脉瓣钙化分割模型,输出主动脉瓣分割结果、主动脉瓣钙化分割结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述方法的步骤。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行上述方法的步骤。
与现有技术相比,本发明的有益效果是:
1、本发明中,通过构建主动脉瓣和主动脉瓣钙化的拓扑关系,利用拓扑关系约束整个网络的学习,能学习主动脉瓣钙化和主动脉瓣的拓扑信息,并利用主动脉瓣位置信息来约束主动脉瓣钙化的位置信息,降低分割模型存在的假阳性问题,从而提高主动脉瓣钙化分割的准确性。
2、本发明中,从多尺寸动态有效融合出发,提出了动态注意力模块,可以动态的融合不同尺寸的编码块特征,发掘利于主动脉瓣钙化分割的特征,增强对其的关注,提高分割的性能。
3、本发明中,对已完成训练的模型,可以快速通过自动化主动脉瓣钙化分割,实现狭窄的评估,节省了主动脉瓣标注的人力物力,为医生辅助诊断提供更强有力的依据。
附图说明
图1是本发明的流程示意图;
图2是本发明中主动脉瓣钙化分割模型的结构示意图。
图3是本发明中动态注意力模块架构图。
具体实施方式
下面结合附图对本发明作进一步的说明。本发明的实施方式包括但不限于下列实施例。
实施例1
本实施例提供一种主动脉瓣钙化分割方法,通过构建主动脉瓣和主动脉瓣钙化的拓扑关系,利用拓扑关系约束整个网络的学习,能学习主动脉瓣钙化和主动脉瓣的拓扑信息,并利用主动脉瓣位置信息来约束主动脉瓣钙化的位置信息,降低分割模型存在的假阳性问题,从而提高主动脉瓣钙化分割的准确性。如图1所示,具体包括如下步骤:
步骤S1,获取样本数据
获取主动脉瓣图像样本数据及标签,标签包括主动脉瓣标签、主动脉瓣钙化标签。
样本数据来自于四川大学华西医院的主动脉瓣医学图像,且每个主动脉瓣图像样本数据都由专业医生标注好标签,其中标签包括主动脉瓣标签、主动脉瓣钙化标签。此外,还对这些样本数据进行归一化处理、数据增广处理。在进行数据增广处理时,采用随机颠倒、随机旋转、随机对比度增强、颜色增强等预处理方法对主动脉瓣图像样本数据进行增广操作,增加训练样本数量,减少过拟合。
步骤S2,构建主动脉瓣钙化分割模型
构建主动脉瓣钙化分割模型,主动脉瓣钙化分割模型包括编码模块、解码模块、动态注意力模块和拓扑关系学习模块;
编码模块的输出作为动态注意力模块、解码模块的输入,动态注意力模块的输出作为解码模块的输入,解码模块输出主动脉瓣分割结果、主动脉瓣钙化分割结果,主动脉瓣分割结果、主动脉瓣钙化分割结果也作为拓扑关系学习模块的输入。
如图2所示,编码模块包括四个下采样块,每个下采样块均包括两个有效卷积层和一个最大池化层;解码模块包括四个上采样块,每个上采样块均包括两个有效卷积层和一个双线性插值层。此外,四个下采样块分别与对称的上采样块跳跃连接,四个下采样块、动态注意力模块和四个上采样块形成一个“U”形结构。
如图3所示,动态注意力模块对四个下采样块输出的特征重构到以第下采样块特征一致并拼接得到多尺寸特征,多尺寸特征经过并列的三个分支;
第一个分支:多尺寸特征依次经过全局平均池化、全连接操作后,再经过二焦点曲线回归得到多尺寸特征全局池化注意力特征,最后再与下采样块输出的特征逐元素相乘,得到全局平均池化注意力向量;
第二个分支:多尺寸特征经过1×1×1的卷积后,再经过二焦点曲线回归得到局部注意力特征,最后再与下采样块输出的特征逐元素相乘,得到局部注意力向量;
第三个分支,多尺寸特征经过可形变卷积后,经过二焦点曲线回归得到全局注意力机制特征,再与下采样块输出的特征逐元素相乘得到全局注意力向量;
最后将第一个分支得到的全局平均池化注意力向量、第二个分支得到的局部注意力向量以及第三个分支得到的全局注意力向量逐元素相加,得到动态注意力向量。
四个下采样块的输出输入动态注意力模块,动态注意力模块输出动态注意力向量,四个下采样块输出的特征、动态注意力模块输出的动态注意力向量送入上采样块,并依次经四个上采样块进行上采样,最后一个上采样块的输出主动脉瓣分割结果、主动脉瓣钙化分割结果;主动脉瓣分割结果、主动脉瓣钙化分割结果输入拓扑关系学习模块,拓扑关系学习模块学习主动脉瓣和主动脉瓣钙化的拓扑关系,并利用拓扑关系约束整个网络的学习。
步骤S3,训练主动脉瓣钙化分割模型
采用步骤S1获取的样本数据训练步骤S2构建的主动脉瓣钙化分割模型,得到成熟的主动脉瓣钙化分割模型。
在训练主动脉瓣钙化分割模型时,网络设置学习率为0.001,学习率每经过30个学习迭代之后衰减十倍,卷积权值使用高斯分布初始化,训练批次设置为1,学习迭代次数为150,采用BP反馈传播算法来计算梯度并更新权值,网络学习针对每个批次更新一次参数,每一次迭代学习之后,主动脉瓣钙化分割模型判断分割的评价结果,如果当前误差小于上一个迭代的误差,就保存当前分割模型,然后继续训练,直到达到最大迭代次数。
更进一步地,在训练主动脉瓣钙化分割模型时,利用联合dice损失函数、交叉熵损失函数和拓扑先验损失函数来训练模型,保存评价指标最优的主动脉瓣钙化分割模型。其中,联合dice损失函数计算两个分割样本之间相似度,利用交叉熵损失函数为两个样本中每个像素点分类的准确性。联合dice损失函数、交叉熵损失函数可采用现有的损失函数即可,本实施例并不在两者上进行有额外创新。
为了实现对主动脉瓣钙化的精确分割,本实施例创新性提出采用拓扑先验损失函数,从拓扑结构先验知识入手,进行训练。
更进一步地,拓扑关系学习模块进行扑先验学习的具体方式为:
先利用主动脉瓣钙化位于血管/>上这一特性,新建一个标签A和标签B,其中标签A=/>,标签B是除/>和/>之外的所有其他标签的联合;
再利用空洞卷积将标签B的掩码像素扩大,找出扩大后的掩码与标签A的交点,得到标签A的邻域信息,反之得到标签B的邻域信息/>;
最后通过找到违反所需约束的关键像素对,并惩罚这些关键像素对,使得主动脉瓣钙化分割模型学习到更好的特征,所采用的拓扑先验损失函数为:
其中,为像素级损失函数,为Dice损失;/>为预测的多类别的分割图,/>为离散标签的真实分割图;/>为关键像素对;/>、/>分别为标签/>和标签/>的类掩码。
步骤S4,主动脉瓣钙化实时分割
获取实时的主动脉瓣图像数据,并将实时的主动脉瓣图像数据输入成熟的主动脉瓣钙化分割模型,输出主动脉瓣分割结果、主动脉瓣钙化分割结果。
实施例2
本实施例提供一种主动脉瓣钙化分割方法,通过构建主动脉瓣和主动脉瓣钙化的拓扑关系,利用拓扑关系约束整个网络的学习,能学习主动脉瓣钙化和主动脉瓣的拓扑信息,并利用主动脉瓣位置信息来约束主动脉瓣钙化的位置信息,降低分割模型存在的假阳性问题,从而提高主动脉瓣钙化分割的准确性。如图1所示,具体包括如下步骤:
样本数据获取模块,用于获取主动脉瓣图像样本数据及标签,标签包括主动脉瓣标签、主动脉瓣钙化标签。
样本数据来自于四川大学华西医院的主动脉瓣医学图像,且每个主动脉瓣图像样本数据都由专业医生标注好标签,其中标签包括主动脉瓣标签、主动脉瓣钙化标签。此外,还对这些样本数据进行归一化处理、数据增广处理。在进行数据增广处理时,采用随机颠倒、随机旋转、随机对比度增强、颜色增强等预处理方法对主动脉瓣图像样本数据进行增广操作,增加训练样本数量,减少过拟合。
主动脉瓣钙化分割模型构建模块,用于构建主动脉瓣钙化分割模型,主动脉瓣钙化分割模型包括编码模块、解码模块、动态注意力模块和拓扑关系学习模块;
编码模块的输出作为动态注意力模块、解码模块的输入,动态注意力模块的输出作为解码模块的输入,解码模块输出主动脉瓣分割结果、主动脉瓣钙化分割结果,主动脉瓣分割结果、主动脉瓣钙化分割结果也作为拓扑关系学习模块的输入。
如图2所示,编码模块包括四个下采样块,每个下采样块均包括两个有效卷积层和一个最大池化层;解码模块包括四个上采样块,每个上采样块均包括两个有效卷积层和一个双线性插值层。此外,四个下采样块分别与对称的上采样块跳跃连接,四个下采样块、动态注意力模块和四个上采样块形成一个“U”形结构。
如图3所示,动态注意力模块对四个下采样块输出的特征重构到以第下采样块特征一致并拼接得到多尺寸特征,多尺寸特征经过并列的三个分支;
第一个分支:多尺寸特征依次经过全局平均池化、全连接操作后,再经过二焦点曲线回归得到多尺寸特征全局池化注意力特征,最后再与下采样块输出的特征逐元素相乘,得到全局平均池化注意力向量;
第二个分支:多尺寸特征经过1×1×1的卷积后,再经过二焦点曲线回归得到局部注意力特征,最后再与下采样块输出的特征逐元素相乘,得到局部注意力向量;
第三个分支,多尺寸特征经过可形变卷积后,经过二焦点曲线回归得到全局注意力机制特征,再与下采样块输出的特征逐元素相乘得到全局注意力向量;
最后将第一个分支得到的全局平均池化注意力向量、第二个分支得到的局部注意力向量以及第三个分支得到的全局注意力向量逐元素相加,得到动态注意力向量。
四个下采样块的输出输入动态注意力模块,动态注意力模块输出动态注意力向量,四个下采样块输出的特征、动态注意力模块输出的动态注意力向量送入上采样块,并依次经四个上采样块进行上采样,最后一个上采样块的输出主动脉瓣分割结果、主动脉瓣钙化分割结果;主动脉瓣分割结果、主动脉瓣钙化分割结果输入拓扑关系学习模块,拓扑关系学习模块学习主动脉瓣和主动脉瓣钙化的拓扑关系,并利用拓扑关系约束整个网络的学习。
主动脉瓣钙化分割模型训练模块,用于采用样本数据获取模块获取的样本数据训练主动脉瓣钙化分割模型构建模块构建的主动脉瓣钙化分割模型,得到成熟的主动脉瓣钙化分割模型。
在训练主动脉瓣钙化分割模型时,网络设置学习率为0.001,学习率每经过30个学习迭代之后衰减十倍,卷积权值使用高斯分布初始化,训练批次设置为1,学习迭代次数为150,采用BP反馈传播算法来计算梯度并更新权值,网络学习针对每个批次更新一次参数,每一次迭代学习之后,主动脉瓣钙化分割模型判断分割的评价结果,如果当前误差小于上一个迭代的误差,就保存当前分割模型,然后继续训练,直到达到最大迭代次数。
更进一步地,在训练主动脉瓣钙化分割模型时,利用联合dice损失函数、交叉熵损失函数和拓扑先验损失函数来训练模型,保存评价指标最优的主动脉瓣钙化分割模型。其中,联合dice损失函数计算两个分割样本之间相似度,利用交叉熵损失函数为两个样本中每个像素点分类的准确性。联合dice损失函数、交叉熵损失函数可采用现有的损失函数即可,本实施例并不在两者上进行有额外创新。
为了实现对主动脉瓣钙化的精确分割,本实施例创新性提出采用拓扑先验损失函数,从拓扑结构先验知识入手,进行训练。
更进一步地,拓扑关系学习模块进行扑先验学习的具体方式为:
先利用主动脉瓣钙化位于血管/>上这一特性,新建一个标签A和标签B,其中标签A=/>,标签B是除/>和/>之外的所有其他标签的联合;
再利用空洞卷积将标签B的掩码像素扩大,找出扩大后的掩码与标签A的交点,得到标签A的邻域信息,反之得到标签B的邻域信息/>;
最后通过找到违反所需约束的关键像素对,并惩罚这些关键像素对,使得主动脉瓣钙化分割模型学习到更好的特征,所采用的拓扑先验损失函数为:
其中,为像素级损失函数,为Dice损失;/>为预测的多类别的分割图,/>为离散标签的真实分割图;/>为关键像素对;/>、/>分别为标签/>和标签/>的类掩码。
主动脉瓣钙化实时分割模块,用于获取实时的主动脉瓣图像数据,并将实时的主动脉瓣图像数据输入成熟的主动脉瓣钙化分割模型,输出主动脉瓣分割结果、主动脉瓣钙化分割结果。
实施例3
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行主动脉瓣钙化分割方法的步骤。
其中,所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或D界面显示存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器可以是所述计算机设备的内部存储单元,例如该计算机设备的硬盘或内存。在另一些实施例中,所述存储器也可以是所述计算机设备的外部存储设备,例如该计算机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。当然,所述存储器还可以既包括所述计算机设备的内部存储单元也包括其外部存储设备。本实施例中,所述存储器常用于存储安装于所述计算机设备的操作系统和各类应用软件,例如所述主动脉瓣钙化分割方法的程序代码等。此外,所述存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制所述计算机设备的总体操作。本实施例中,所述处理器用于运行所述存储器中存储的程序代码或者处理数据,例如运行所述主动脉瓣钙化分割方法的程序代码。
实施例4
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行主动脉瓣钙化分割方法的步骤。
其中,所述计算机可读存储介质存储有界面显示程序,所述界面显示程序可被至少一个处理器执行,以使所述至少一个处理器执行如上述的主动脉瓣钙化分割方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器或者网络设备等)执行本申请实施例所述主动脉瓣钙化分割方法。
如上即为本发明的实施例。上述实施例以及实施例中的具体参数仅是为了清楚表述发明人的发明验证过程,并非用以限制本发明的专利保护范围,本发明的专利保护范围仍然以其权利要求书为准,凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (8)
1.一种主动脉瓣钙化分割方法,其特征在于,包括如下步骤:
步骤S1,获取样本数据
获取主动脉瓣图像样本数据及标签,标签包括主动脉瓣标签、主动脉瓣钙化标签;
步骤S2,构建主动脉瓣钙化分割模型
构建主动脉瓣钙化分割模型,主动脉瓣钙化分割模型包括编码模块、解码模块、动态注意力模块和拓扑关系学习模块;
编码模块的输出作为动态注意力模块、解码模块的输入,动态注意力模块的输出作为解码模块的输入,解码模块输出主动脉瓣分割结果、主动脉瓣钙化分割结果,主动脉瓣分割结果、主动脉瓣钙化分割结果也作为拓扑关系学习模块的输入;
步骤S3,训练主动脉瓣钙化分割模型
采用步骤S1获取的样本数据训练步骤S2构建的主动脉瓣钙化分割模型,得到成熟的主动脉瓣钙化分割模型;
步骤S4,主动脉瓣钙化实时分割
获取实时的主动脉瓣图像数据,并将实时的主动脉瓣图像数据输入成熟的主动脉瓣钙化分割模型,输出主动脉瓣分割结果、主动脉瓣钙化分割结果;
动态注意力模块对四个下采样块输出的特征重构到以第下采样块特征一致并拼接得到多尺寸特征,多尺寸特征经过并列的三个分支;
第一个分支:多尺寸特征依次经过全局平均池化、全连接操作后,再经过二焦点曲线回归到多尺寸特征全局池化注意力特征,最后再与下采样块输出的特征逐元素相乘,得到全局平均池化注意力向量;
第二个分支:多尺寸特征经过1×1×1的卷积后,再经过二焦点曲线回归得到局部注意力特征,最后再与下采样块输出的特征逐元素相乘,得到局部注意力向量;
第三个分支,多尺寸特征经过可形变卷积后,经过二焦点曲线回归得到全局注意力机制特征,再与下采样块输出的特征逐元素相乘得到全局注意力向量;
最后将第一个分支得到的全局平均池化注意力向量、第二个分支得到的局部注意力向量以及第三个分支得到的全局注意力向量逐元素相加,得到动态注意力向量;
拓扑关系学习模块进行扑先验学习的具体方式为:
利用主动脉瓣钙化位于血管/>上这一特性,新建一个标签A和标签B,其中标签A=/>,标签B是除/>和/>之外的所有其他标签的联合;
利用空洞卷积将标签B的掩码像素扩大,找出扩大后的掩码与标签A的交点,得到标签A的邻域信息,反之得到标签B的邻域信息/>;
通过找到违反所需约束的关键像素对,并惩罚这些关键像素对,使得主动脉瓣钙化分割模型学习到更好的特征,所采用的拓扑先验损失函数为:
其中,为像素级损失函数,为Dice损失;/>为预测的多类别的分割图,/>为离散标签的真实分割图;/>为关键像素对;/>、/>分别为标签/>和标签/>的类掩码。
2.如权利要求1所述的一种主动脉瓣钙化分割方法,其特征在于:步骤S2中,编码模块包括四个下采样块,解码模块包括四个上采样块,四个下采样块分别与对称的上采样块跳跃连接;
四个下采样块的输出输入动态注意力模块,动态注意力模块输出动态注意力向量,四个下采样块输出的特征、动态注意力模块输出的动态注意力向量送入上采样块,并依次经四个上采样块进行上采样,最后一个上采样块的输出主动脉瓣分割结果、主动脉瓣钙化分割结果;主动脉瓣分割结果、主动脉瓣钙化分割结果输入拓扑关系学习模块。
3.如权利要求2所述的一种主动脉瓣钙化分割方法,其特征在于:每个下采样块均包括两个有效卷积层和一个最大池化层,每个上采样块均包括两个有效卷积层和一个双线性插值层。
4.如权利要求1所述的一种主动脉瓣钙化分割方法,其特征在于:步骤S3中,在训练主动脉瓣钙化分割模型时,网络设置学习率为0.001,学习率每经过30个学习迭代之后衰减十倍,卷积权值使用高斯分布初始化,训练批次设置为1,学习迭代次数为150,采用BP反馈传播算法来计算梯度并更新权值,网络学习针对每个批次更新一次参数,每一次迭代学习之后,主动脉瓣钙化分割模型判断分割的评价结果,如果当前误差小于上一个迭代的误差,就保存当前分割模型,然后继续训练,直到达到最大迭代次数。
5.如权利要求4所述的一种主动脉瓣钙化分割方法,其特征在于:在训练主动脉瓣钙化分割模型时,利用联合dice损失函数、交叉熵损失函数和拓扑先验损失函数来训练模型,保存评价指标最优的主动脉瓣钙化分割模型。
6.一种主动脉瓣钙化分割系统,其特征在于,包括:
样本数据获取模块,用于获取主动脉瓣图像样本数据及标签,标签包括主动脉瓣标签、主动脉瓣钙化标签;
主动脉瓣钙化分割模型构建模块,用于构建主动脉瓣钙化分割模型,主动脉瓣钙化分割模型包括编码模块、解码模块、动态注意力模块和拓扑关系学习模块;
编码模块的输出作为动态注意力模块、解码模块的输入,动态注意力模块的输出作为解码模块的输入,解码模块输出主动脉瓣分割结果、主动脉瓣钙化分割结果,主动脉瓣分割结果、主动脉瓣钙化分割结果也作为拓扑关系学习模块的输入;
主动脉瓣钙化分割模型训练模块,用于采用样本数据获取模块获取的样本数据训练主动脉瓣钙化分割模型构建模块构建的主动脉瓣钙化分割模型,得到成熟的主动脉瓣钙化分割模型;
主动脉瓣钙化实时分割模块,用于获取实时的主动脉瓣图像数据,并将实时的主动脉瓣图像数据输入成熟的主动脉瓣钙化分割模型,输出主动脉瓣分割结果、主动脉瓣钙化分割结果;
动态注意力模块对四个下采样块输出的特征重构到以第下采样块特征一致并拼接得到多尺寸特征,多尺寸特征经过并列的三个分支;
第一个分支:多尺寸特征依次经过全局平均池化、全连接操作后,再经过二焦点曲线回归到多尺寸特征全局池化注意力特征,最后再与下采样块输出的特征逐元素相乘,得到全局平均池化注意力向量;
第二个分支:多尺寸特征经过1×1×1的卷积后,再经过二焦点曲线回归得到局部注意力特征,最后再与下采样块输出的特征逐元素相乘,得到局部注意力向量;
第三个分支,多尺寸特征经过可形变卷积后,经过二焦点曲线回归得到全局注意力机制特征,再与下采样块输出的特征逐元素相乘得到全局注意力向量;
最后将第一个分支得到的全局平均池化注意力向量、第二个分支得到的局部注意力向量以及第三个分支得到的全局注意力向量逐元素相加,得到动态注意力向量;
拓扑关系学习模块进行扑先验学习的具体方式为:
利用主动脉瓣钙化位于血管/>上这一特性,新建一个标签A和标签B,其中标签A=/>,标签B是除/>和/>之外的所有其他标签的联合;
利用空洞卷积将标签B的掩码像素扩大,找出扩大后的掩码与标签A的交点,得到标签A的邻域信息,反之得到标签B的邻域信息/>;
通过找到违反所需约束的关键像素对,并惩罚这些关键像素对,使得主动脉瓣钙化分割模型学习到更好的特征,所采用的拓扑先验损失函数为:
其中,为像素级损失函数,为Dice损失;/>为预测的多类别的分割图,/>为离散标签的真实分割图;/>为关键像素对;/>、/>分别为标签/>和标签/>的类掩码。
7.一种计算机设备,其特征在于:包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质,其特征在于:存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868776.4A CN116630628B (zh) | 2023-07-17 | 2023-07-17 | 一种主动脉瓣钙化分割方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868776.4A CN116630628B (zh) | 2023-07-17 | 2023-07-17 | 一种主动脉瓣钙化分割方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116630628A CN116630628A (zh) | 2023-08-22 |
CN116630628B true CN116630628B (zh) | 2023-10-03 |
Family
ID=87592443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310868776.4A Active CN116630628B (zh) | 2023-07-17 | 2023-07-17 | 一种主动脉瓣钙化分割方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116630628B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932550A (zh) * | 2020-07-01 | 2020-11-13 | 浙江大学 | 一种基于深度学习的3d心室核磁共振视频分割系统 |
CN114081675A (zh) * | 2021-09-28 | 2022-02-25 | 四川大学华西医院 | 经导管主动脉瓣置换辅助装置 |
CN114305323A (zh) * | 2020-09-27 | 2022-04-12 | 四川大学华西医院 | 经导管主动脉瓣置换术术后并发症预测方法、装置及设备 |
CN114581662A (zh) * | 2022-02-17 | 2022-06-03 | 华南理工大学 | 一种脑肿瘤图像的分割方法、系统、装置及存储介质 |
CN115067980A (zh) * | 2021-03-15 | 2022-09-20 | 上海联影医疗科技股份有限公司 | 扫描时相的确定方法、装置、计算机设备和存储介质 |
CN115272389A (zh) * | 2022-07-20 | 2022-11-01 | 华中科技大学同济医学院附属协和医院 | 一种带有内膜瓣注意力模块的主动脉夹层分割方法 |
KR20220153131A (ko) * | 2021-05-10 | 2022-11-18 | 고려대학교 산학협력단 | 석회화 지도 생성 방법 및 이를 수행하기 위한 컴퓨팅 장치 |
CN115953420A (zh) * | 2023-03-15 | 2023-04-11 | 深圳市联影高端医疗装备创新研究院 | 深度学习网络模型以及医疗图像分割方法、装置和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117501376A (zh) * | 2021-06-02 | 2024-02-02 | 费森尤斯医疗保健控股公司 | 确定肾脏病理生理学的技术 |
-
2023
- 2023-07-17 CN CN202310868776.4A patent/CN116630628B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932550A (zh) * | 2020-07-01 | 2020-11-13 | 浙江大学 | 一种基于深度学习的3d心室核磁共振视频分割系统 |
CN114305323A (zh) * | 2020-09-27 | 2022-04-12 | 四川大学华西医院 | 经导管主动脉瓣置换术术后并发症预测方法、装置及设备 |
CN115067980A (zh) * | 2021-03-15 | 2022-09-20 | 上海联影医疗科技股份有限公司 | 扫描时相的确定方法、装置、计算机设备和存储介质 |
KR20220153131A (ko) * | 2021-05-10 | 2022-11-18 | 고려대학교 산학협력단 | 석회화 지도 생성 방법 및 이를 수행하기 위한 컴퓨팅 장치 |
CN114081675A (zh) * | 2021-09-28 | 2022-02-25 | 四川大学华西医院 | 经导管主动脉瓣置换辅助装置 |
CN114581662A (zh) * | 2022-02-17 | 2022-06-03 | 华南理工大学 | 一种脑肿瘤图像的分割方法、系统、装置及存储介质 |
CN115272389A (zh) * | 2022-07-20 | 2022-11-01 | 华中科技大学同济医学院附属协和医院 | 一种带有内膜瓣注意力模块的主动脉夹层分割方法 |
CN115953420A (zh) * | 2023-03-15 | 2023-04-11 | 深圳市联影高端医疗装备创新研究院 | 深度学习网络模型以及医疗图像分割方法、装置和系统 |
Non-Patent Citations (10)
Title |
---|
Adaptive enhanced swin transformer with U-net for remote sensing image segmentation;Xingjian Gu等;《Computers and Electrical Engineering》;1-11 * |
Anatomical characteristics of patients with symptomatic severe aortic stenosis in china;Li Yi-Ming等;《Chinese Medical Journal》;2738-2740 * |
Gupta,Saumya等.Learning Topological Interactions for Multi-Class Medical Image Segmentation.《https://arxiv.org/abs/2207.09654》.2022,1-18. * |
Nedadur,Rashmi等.Phenotypic Heterogeneity in Mixed Aortic Valve Disease Patients using Machine Learning.《https://hdl.handel.net/1807/125078》.2022,1-84. * |
Schlotter,E等.Spatiotemporal Multi-Omics Mapping Generates a Molecular Atlas of the Aortic Valve and Reveals Networks Driving Disease.《CIRCULATION》.2018,377-393. * |
T,Lei等.DefED-Net:Deformable Encoder-Decoder Network for Liver and Liver Tumor Segmentation.《IEEE Transactions on Radiation and Plasma Medical Science》.2022,68-78. * |
Weakly Supervised Deep Learning for Aortic Valve Finite Element Mesh Generation from 3D CT Images;Daniel H.Park等;《Information Processing in Medical Imaging:27th International Conference》;1-783 * |
基于3D打印的结构性心脏病模拟仿真诊疗技术的应用研究;黄志勇;《中国优秀硕士学位论文全文数据库》;E080-54 * |
经导管主动脉瓣置入术股动脉切开和经皮穿刺有效性及安全性的Meta分析;王玺等;《华西医学》;210-217 * |
钙黏蛋白-11:钙化性主动脉瓣疾病的潜在治疗靶点;陈茂等;《临床内科杂志》;301-304 * |
Also Published As
Publication number | Publication date |
---|---|
CN116630628A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689038B (zh) | 神经网络模型的训练方法、装置和医学图像处理系统 | |
CN105574859B (zh) | 一种基于ct图像的肝脏肿瘤分割方法及装置 | |
CN109949276B (zh) | 一种于改进SegNet分割网络的淋巴结检测方法 | |
US20230104173A1 (en) | Method and system for determining blood vessel information in an image | |
CN110475505A (zh) | 利用全卷积网络的自动分割 | |
CN112862830B (zh) | 一种多模态图像分割方法、系统、终端及可读存储介质 | |
Yang et al. | T-AutoML: Automated machine learning for lesion segmentation using transformers in 3d medical imaging | |
CN114581628B (zh) | 大脑皮层表面重建方法和可读存储介质 | |
CN112561869B (zh) | 一种胰腺神经内分泌肿瘤术后复发风险预测方法 | |
CN112396605B (zh) | 网络训练方法及装置、图像识别方法和电子设备 | |
CN113902945A (zh) | 一种多模态乳腺磁共振图像分类方法及系统 | |
CN111192320B (zh) | 一种位置信息确定方法、装置、设备和存储介质 | |
Spinks et al. | Justifying diagnosis decisions by deep neural networks | |
Singha et al. | AlexSegNet: an accurate nuclei segmentation deep learning model in microscopic images for diagnosis of cancer | |
CN116630628B (zh) | 一种主动脉瓣钙化分割方法、系统、设备及存储介质 | |
CN111209946A (zh) | 三维图像处理方法、图像处理模型训练方法及介质 | |
CN115762721A (zh) | 一种基于计算机视觉技术的医疗影像质控方法和系统 | |
CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
CN115170599A (zh) | 通过图神经网络的链路预测进行血管分割的方法和装置 | |
CN116030290A (zh) | 在设备上检测数字对象并且生成对象掩膜 | |
CN114049358A (zh) | 肋骨实例分割、计数与定位的方法及系统 | |
CN113822846A (zh) | 医学图像中确定感兴趣区域的方法、装置、设备及介质 | |
CN112614092A (zh) | 脊柱检测方法和装置 | |
CN111598870A (zh) | 基于卷积神经网络端对端推理计算冠状动脉钙化比的方法 |
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 |