CN116721073A - 获取主动脉端点集的方法、装置、设备、介质及程序产品 - Google Patents
获取主动脉端点集的方法、装置、设备、介质及程序产品 Download PDFInfo
- Publication number
- CN116721073A CN116721073A CN202310665349.6A CN202310665349A CN116721073A CN 116721073 A CN116721073 A CN 116721073A CN 202310665349 A CN202310665349 A CN 202310665349A CN 116721073 A CN116721073 A CN 116721073A
- Authority
- CN
- China
- Prior art keywords
- endpoint
- blood vessel
- end point
- target
- aorta
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 155
- 210000000709 aorta Anatomy 0.000 claims abstract description 122
- 230000002792 vascular Effects 0.000 claims abstract description 61
- 210000003090 iliac artery Anatomy 0.000 claims abstract description 52
- 230000011218 segmentation Effects 0.000 claims abstract description 39
- 210000003291 sinus of valsalva Anatomy 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000031702 trunk segmentation Effects 0.000 claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000010968 computed tomography angiography Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 21
- 210000002376 aorta thoracic Anatomy 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 210000001367 artery Anatomy 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 6
- 238000002583 angiography Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 238000002591 computed tomography Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims 1
- 230000003902 lesion Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 239000000243 solution Substances 0.000 description 7
- 239000003550 marker Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 210000005240 left ventricle Anatomy 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000002251 Dissecting Aneurysm Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 208000002223 abdominal aortic aneurysm Diseases 0.000 description 1
- 210000000683 abdominal cavity Anatomy 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 208000007474 aortic aneurysm Diseases 0.000 description 1
- 206010002895 aortic dissection Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010253 intravenous injection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供了一种获取主动脉端点集的方法、装置、设备、介质及程序产品,包括:基于预训练卷积神经网络算法对CTA图像进行预处理,获取目标分割预测结果和主干分割预测结果;根据目标分割预测结果的血管骨架线,获取血管顶点集(包括至少一个血管端点);从至少一个血管端点中提取第一血管端点,得到目标主动脉的第一端点集;根据主干分割预测结果,确定目标主动脉的第二端点集(主动脉窦部端点,左髂动脉端点和右髂动脉端点);将左髂动脉端点、右髂动脉端点,以及每个第一血管端点进行去重操作,得到第三端点集,去除第三端点集中与主动脉窦部端点最近的血管端点,得到主动脉端点集,以便于提高确定血管端点的速度。
Description
技术领域
本申请实施例涉及医学影像领域,尤其涉及一种获取主动脉端点集的方法、装置、设备、介质及程序产品。
背景技术
目前,医生可以通过主动脉中心线分析主动脉是否存在病变(如,主动脉夹层病变或者腹主动脉瘤病变)、病变程度和病变位置。主动脉中心线是指从主动脉血管影像获取的主动脉血管的特征曲线。其中,主动脉血管影像是指通过电子计算机断层扫描血管造影(CTA,Computed Tomography angi ography)成像设备对患者的主动脉造影得到的三维血管影像。
相关技术中,首先接收标记方手动标记的血管端点(如,起点、分叉点和终点),将各个血管端点以及各个血管中心点进行连接,以获取主动脉中心线,医生分析主动脉中心线得到病变判断结果。
然而,标记方手动标记血管端点过程中,需要通过人机交互、图像放大、选择放大区域等辅助标记手段,会导致标记方手动标记血管端点的速度较慢,效率低。
发明内容
本申请提供一种获取主动脉端点集的方法、装置、设备、介质及程序产品,以提高确定血管端点的速度,提高效率。
第一方面,提供一种获取主动脉端点集的方法,包括:首先,基于预训练卷积神经网络算法对电子计算机断层扫描血管造影CTA图像进行预处理,获取目标主动脉的目标分割预测结果,以及目标主动脉的主干分割预测结果。接下来,根据目标分割预测结果的血管骨架线,获取目标主动脉中血管分段的血管顶点集。然后,从至少一个血管端点中提取第一血管端点,得到目标主动脉的第一端点集。再者,根据主干分割预测结果,确定目标主动脉的第二端点集。最后,将左髂动脉端点、右髂动脉端点,以及每个第一血管端点进行去重操作,得到目标主动脉的第三端点集,去除第三端点集中与主动脉窦部端点最近的血管端点,得到主动脉端点集。
其中,CTA图像包括目标主动脉的切片图像。血管顶点集中的血管顶点包括至少一个血管端点、至少一个分叉点。第一血管端点对应的血管分段的端点平均半径大于预置半径阈值。第二端点集包括主动脉窦部端点,左髂动脉端点和右髂动脉端点。
第二方面,提供一种获取主动脉端点集的装置,包括:第一获取模块、第二获取模块、第一处理模块、确定模块、第二处理模块和第三获取模块;
其中,第一获取模块,用于基于预训练卷积神经网络算法对电子计算机断层扫描血管造影CTA图像进行预处理,获取目标主动脉的目标分割预测结果,以及目标主动脉的主干分割预测结果;CTA图像包括目标主动脉的切片图像;
第二获取模块,用于根据目标分割预测结果的血管骨架线,获取目标主动脉中血管分段的血管顶点集;血管顶点集中的血管顶点包括至少一个血管端点和至少一个分叉点;
第一处理模块,用于从至少一个血管端点中提取第一血管端点,得到目标主动脉的第一端点集;第一血管端点对应的血管分段的端点平均半径大于预置半径阈值;
确定模块,用于根据主干分割预测结果,确定目标主动脉的第二端点集;第二端点集包括主动脉窦部端点,左髂动脉端点和右髂动脉端点;
第二处理模块,用于将左髂动脉端点、右髂动脉端点,以及每个第一血管端点进行去重操作,得到目标主动脉的第三端点集,去除第三端点集中与主动脉窦部端点最近的血管端点,得到主动脉端点集。
第三方面,提供一种电子设备,包括:处理器和存储器,该存储器用于存储计算机程序,该处理器用于调用并运行该存储器中存储的计算机程序,执行如第一方面或其各实现方式中的方法。
第四方面,提供一种计算机可读存储介质,用于存储计算机程序,计算机程序使得计算机执行如第一方面或其各实现方式中的方法。
第五方面,提供一种计算机程序产品,包括计算机程序指令,该计算机程序指令使得计算机执行如第一方面或其各实现方式中的方法。
第六方面,提供一种计算机程序,计算机程序使得计算机执行如第一方面或其各实现方式中的方法。
通过本申请提供的技术方案,电子设备首先可以基于预训练卷积神经网络算法对电子计算机断层扫描血管造影CTA图像进行预处理,获取目标主动脉的目标分割预测结果,以及目标主动脉的主干分割预测结果。接下来,根据目标分割预测结果的血管骨架线,获取目标主动脉中血管分段的血管顶点集。然后,从至少一个血管端点中提取第一血管端点,得到目标主动脉的第一端点集。再者,根据主干分割预测结果,确定目标主动脉的第二端点集。最后,将左髂动脉端点、右髂动脉端点,以及每个第一血管端点进行去重操作,得到目标主动脉的第三端点集,去除第三端点集中与主动脉窦部端点最近的血管端点,得到主动脉端点集。在上述过程中,由于各个血管端点之间的网络连接结构,电子设备可以通过预置半径阈值筛选出的具有较大端点平均半径的第一血管端点,能够增加第一血管端点属于主动脉中心线的可能性,提高确定血管端点的速度,进而提高得到病变判断结果的效率。在上述过程中,由于通过主动脉主干的结构特征,确定升主动脉中的主动脉窦部端点,并通过确定降主动脉的主干终止点(降主动脉的终止点),进一步确定左髂动脉端点和右髂动脉端点,以此对第一端点集中的血管端点进行再次筛选,以便于提高增加第三端点集中血管端点属于主动脉中心线上的血管端点的可能性,提高确定血管端点的速度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述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申请的一些实施例,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为本申请实施例提供的一种应用场景图;
图2为本申请实施例提供的第一种获取主动脉端点集的方法流程图;
图3为本申请实施例提供的第二种获取主动脉端点集的方法的流程图;
图4为本申请实施例提供的一种血管轮廓的示意图;
图5为本申请实施例提供的第三种获取主动脉端点集的方法流程图;
图6为本申请实施例提供的第四种获取主动脉端点集的方法流程图;
图7为本申请实施例提供的一种主动脉端点的示意图;
图8为本申请实施例提供的第五种获取主动脉端点集的方法流程图;
图9为本申请实施例提供的一种主动脉端点集的示意图;
图10为本申请实施例提供的一种获取主动脉端点集的装置1000的示意图;
图11是本申请实施例提供的电子设备1100的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如上所述,在相关技术中,首先接收标记方手动标记的血管端点(如,起点、分叉点和终点),将各个血管端点以及各个血管中心点进行连接,以获取主动脉中心线,医生分析主动脉中心线得到病变判断结果。然而,标记方手动标记血管端点过程中,需要通过人机交互、图像放大、选择放大区域等辅助标记手段,会导致标记方手动标记血管端点的速度较慢,进而导致降低得到病变判断结果的效率。
为了解决上述技术问题,本申请的发明构思是:电子设备可以根据血管的连续性、以及主动脉主干具有升主动脉和降主动脉的结构特点,将上述特点映射为图像特点,以此,解决避免标记方的主观因素影响主动脉中心线的准确程度。电子设备通过预置半径阈值筛选出的具有较大端点平均半径的第一血管端点,能够增加第一血管端点属于主动脉中心线的可能性,提高确定血管端点的速度,进而提高得到病变判断结果的效率。电子设备还可以通过主动脉主干的结构特征,确定升主动脉中的主动脉窦部端点,并通过确定降主动脉的主干终止点(降主动脉的终止点),进一步确定左髂动脉端点和右髂动脉端点,以此对第一端点集中的血管端点进行再次筛选,以便于提高增加第三端点集中血管端点属于主动脉中心线上的血管端点的可能性,提高确定血管端点的速度,进而提高得到病变判断结果的效率。
应理解的是,本申请技术方案可以应用于如下场景,但不限于:
在一些可实现方式中,图1为本申请实施例提供的一种应用场景图,如图1所示,该应用场景中可以包括电子设备110和网络设备120。电子设备110可以通过有线网络或者无线网络与网络设备120建立连接。
示例性的,电子设备110可以是台式电脑、笔记本电脑、平板电脑等,但不限于此。网络设备120可以是终端设备或者服务器,但不限于此。在本申请的一种实施例中,电子设备110可以向网络设备120发送请求消息,该请求消息可以用于请求获取CTA图像,进一步地,电子设备110可以接收网络设备120发送的响应消息,该响应消息包括CTA图像。电子设备110还可以对CTA图像进行图像处理以得到主动脉端点集。
此外,图1示例性地给出了一个电子设备和一个网络设备,实际上可以包括其他数量的电子设备和网络设备,本申请对此不作限制。
在另一些可实现方式中,本申请技术方案也可以由上述电子设备110执行,或者,本申请技术方案还可以由上述网络设备120执行,本申请对此不做限制。
在介绍了本申请实施例的应用场景之后,下面将对本申请技术方案进行详细阐述:
图2为本申请实施例提供的一种获取主动脉端点集的方法的流程图,该方法可以由如图1所示的电子设备110执行,但不限于此。如图2所示,该方法可以包括如下步骤:
S210:电子设备基于预训练卷积神经网络算法对电子计算机断层扫描血管造影CTA图像进行预处理,获取目标主动脉的目标分割预测结果,以及目标主动脉的主干分割预测结果。
在本申请实施例中,CTA图像是指静脉注射造影剂后,对目标主动脉所处的位置进行X光扫描,得到经计算机处理的,可三维显示血管内部特征的图像。具体的,CTA图像包括多张切片图像,CTA图像的大小可以为M*N*L,其中,为M、N为每张切片图像的长和宽,例如M为512,N为512,L为CTA图像中切片图像的数量,也就是切片图像的层数。通常,按照人体从脚到头的方向,一层一层的获取切片图像。
在本申请实施例中,CTA图像包括目标主动脉的切片图像,还包括于目标主动脉处于同一层中的内脏、骨骼、肌肉、脂肪等人体组织。对CTA图像进行预处理的目的在于,从CTA图像中分割出血管轮廓图像。
在一些实现方式中,如图3所示,电子设备获取目标主动脉的目标分割预测结果,以及目标主动脉的主干分割预测结果,可以包括:
S310:电子设备获取CTA图像中的每层切片图像。
S320:电子设备将每层切片图像中各个像素点的灰度值,输入预训练卷积神经网络算法,得到每层切片图像中各个像素点的灰度特征值。
S330:电子设备根据预置主干阈值、预置支干阈值以及每层切片图像中各个像素点的灰度特征值,得到目标主动脉的主干掩码和支干掩码。
S340:电子设备将主干掩码对应的图像,确定为目标主动脉的主干分割预测结果,并且,合并主干掩码和支干掩码得到动脉掩码,将动脉掩码对应的图像,确定为目标主动脉的目标分割预测结果。
在本申请实施例中,切片图像可以用灰度值进行表示,每层切片图像可以用一个矩阵记录对应的灰度值,矩阵的行列数与CTA图像的行列数相同。
示例性的,通过矩阵表示的每层切片图像其中amn表示第m行n列的灰度值。
在本申请实施例中,预训练卷积神经网络算法是指经过预置样本训练之后的神经网络算法,是一种深度学习模型,常用来分析视觉图像。具体的,可以采用Unet网络、VGGnet网络或CNN网络。
示例性的,经过预训练卷积神经网络算法,得到每层切片图像中各个像素点的灰度特征值,通过矩阵表示的每层切片图像其中,fmn表示第m行n列的灰度特征值。
示例性的,主干掩码可以通过矩阵表示,其矩阵的行列数与切片图像对应的行列数相同。具体的,针对每个像素点的灰度特征值,与预置主干阈值T1进行比较,如果灰度特征值大于T1则确定主干掩码矩阵中该像素点对应值设置为1,其余像素点对应值设置为0。然后,将主干掩码对应的图像,确定为目标主动脉的主干分割预测结果。如图4中的(a)所示,主干分割预测结果中包括目标主动脉的主动脉主干的血管轮廓。
示例性的,类似的,支干掩码也可以通过矩阵表示,其矩阵的行列数与切片图像对应的行列数相同。具体的,针对每个像素点的灰度特征值,与预置支干阈值T2进行比较,如果灰度特征值大于T2则确定支干掩码矩阵中该像素点对应值设置为2,其余像素点对应值设置为0。然后,将支干掩码对应的图像,确定为目标主动脉的支干分割预测结果。需要说明的是,在本申请实施例中对T1和T2的具体数值不做限定。如图4中的(b)所示,支干分割预测结果中包括目标主动脉的主动脉支干的血管轮廓。
示例性的,合并主干掩码和支干掩码得到动脉掩码,将动脉掩码对应的图像,确定为目标主动脉的目标分割预测结果。动脉掩码对应的图像,即为切片图像的掩模图像。每层切片图像的掩模图像其中,bmn表示第m行n列像素掩码,标识目标主动脉的主动脉主干的第一标识为1,标识目标主动脉的主动脉支干的第二标识为2,标识除了主动脉主干和主动脉支干之外其他部分为0。如图4中的(c)所示,目标分割预测结果中包括目标主动脉的主动脉主干和主动脉支干的血管轮廓。
如此,通过预训练卷积神经网络对CTA图像进行预处理获取CTA图像的掩码图像,通过掩码图像明确区分图像中的主动脉主干、主动脉支干以及非主动脉部分,以便于得到清晰准确的血管轮廓图像(即目标主动脉的目标分割预测结果,主动脉主干的主干分割预测结果),能够缩小获取主动脉端点集的血管端点范围,进而提高获取主动脉端点集的速度。
S220:电子设备根据目标分割预测结果的血管骨架线,获取目标主动脉中血管分段的血管顶点集。
可以理解的是,血管骨架线是指与原血管连通性和拓扑结构相一致的细的血管曲线。
其中,血管顶点集中的血管顶点包括至少一个血管端点和至少一个分叉点。
在一些实现方式中,如图5所示,电子设备根据目标分割预测结果的血管骨架线,获取目标主动脉中血管分段的血管顶点集,可以包括:
S510:电子设备根据预置细化算法,对目标分割预测结果进行细化,得到目标主动脉的血管骨架线。
其中,预置细化算法可以是形态学细化算法、二值细化算法,可以通过从外层逐步腐蚀目标分割预测结果的方式,确定目标像素点的位置,得到血管骨架线。
S520:电子设备根据血管骨架线上每个像素点的邻域点数量,获取目标主动脉中血管分段的血管顶点,得到血管顶点集。
在本申请实施例中,获取血管骨架线上每个像素点的邻域点数量,其邻域点数量可以为1、2、3或3个以上。如果其邻域点数量为1,那么该像素点为血管端点,如果其邻域点数量为2,那么该像素点为普通连接点,如果其邻域点数量为3或3个以上,那么该像素点为分叉点。
在本申请实施例中,血管端点和分叉点都是血管顶点。对血管骨架线上所有像素点是否为血管顶点进行判断之后,得到血管顶点集。
如此,血管顶点集中的血管顶点包含主动脉中心线上的血管端点,以能够减少主动脉中心线中的端点数量,能够提高获取主动脉中心线的速度。
S230:电子设备从至少一个血管端点中提取第一血管端点,得到目标主动脉的第一端点集。
其中,第一血管端点对应的血管分段的端点平均半径大于预置半径阈值。
在一些实现方式中,如图5所示,电子设备从至少一个血管端点中提取第一血管端点,得到目标主动脉的第一端点集,可以包括:
S530:电子设备根据通过血管骨架线得到的血管顶点集中各个血管顶点的邻接顺序,得到各个血管顶点的顶点平均半径。
在本申请实施例中,在确定两个直接连接的血管顶点之后,将两个直接连接的血管顶点之间血管分段的平均半径,定义为该血管分段的顶点平均半径。
需要说明的是,具有直连半径(顶点平均半径)的两个血管顶点,可能是血管端点和分叉点,也可能是分叉点和分叉点,还可能是血管端点和血管端点。
示例性的,血管顶点集中包括5个血管端点(E0、E1、E2、E3和E4)和3个分叉点(B0、B1和B2),各个血管顶点的邻接顺序包括:血管端点E0与分叉点B0连接,分叉点B0分别与分叉点B1和分叉点B2连接,分叉点B1分别与血管端点E1和血管端点E2连接,分叉点B2分别与血管端点E3和血管端点E4连接。根据上述8个血管顶点之间的连接关系,可知各个血管顶点之间的直连半径(即顶点平均半径)包括:E0-B0直连半径,B0-B1直连半径,B1-E1直连半径,B1-E2直连半径,B0-B2直连半径,B2-E3直连半径和B2-E4直连半径。
在上述示例中,针对E0-B0直连半径,具体计算过程可以包括:首先,电子设备获取血管端点E0和分叉点B0之间的普通连接点(总个数为10个);接下来,电子设备分别获取10个普通连接点分别对应的10个内切球半径,以每个普通连接点为中心,在其对应的内切球半径(球形半径)范围内的像素点都是血管骨架线中的像素点;最后,电子设备将10个内切球半径的平均值,确定为血管顶点E0-B0之间的平均半径。
S540:电子设备根据各个血管顶点的顶点平均半径,以及血管顶点集中各个血管顶点的邻接顺序,得到至少一个血管端点中每个血管端点对应的血管分段的端点平均半径。
可以理解的是,S530得到的各个血管顶点的直连半径中,如果其中一个血管顶点的类型为血管端点,那么该直连半径为该血管端点对应的端点平均半径。其中,血管端点是指至少一个血管端点中任一个血管端点。
示例性的,根据S530中涉及的示例,血管顶点集中包括5个血管端点(E0、E1、E2、E3和E4)和3个分叉点(B0、B1和B2),那么各个血管端点对应的血管分段的端点平均半径,包括E0-B0直连半径,B1-E1直连半径,B1-E2直连半径,B2-E3直连半径和B2-E4直连半径。
S550:电子设备按照预置图像分层方向,从至少一个血管端点中提取第一血管端点,得到目标主动脉的第一端点集。
其中,第一血管端点对应的血管分段的端点平均半径大于预置半径阈值。第一端点集也可以称为较大半径端点集,即在血管骨架线上较粗的血管分段对应的端点。根据主动脉的结构特点,血管分段较粗对应的血管端点,即为主动脉中心线上的血管端点的可能性较高。因此,第一端点集中第一血管端点,可能为左髂动脉端点,右髂动脉端点,左锁骨下动脉端点,左颈总动脉端点,右颈总动脉端点,右锁骨下动脉端点,左肾动脉端点,右肾动脉端点等。
需要说明的是,电子设备按照预置图像分层方向,获取至少一个血管端点中的第一个血管端点,判断第一个血管端点得对应的血管分段的端点平均半径是否大于预置半径阈值,如果判断结果为是,则确认第一个血管端点为第一血管端点,并将第一个血管端点添加至第一端点集中,如果判断结果为否,则继续执行下一步骤。接下来,电子设备按照预置图像分层方向,获取至少一个血管端点中的第二个血管端点,判断第二个血管端点得对应的血管分段的端点平均半径是否大于预置半径阈值,直至完成对至少一个血管端点中的每个血管端点的判断,即可根据比较结果得到目标主动脉的第一端点集。
如此,通过目标分割预测结果的血管骨架线,提取主动脉中的血管半径较大的第一血管端点,以便于减少主动脉中心线中的端点数量,能够提高获取主动脉中心线的速度,还能够保留主动脉的曲线特征,还能够提高第一血管端点属于主动脉中心线的可能性,不影响医生对病变的判断。
S240:电子设备根据主干分割预测结果,确定目标主动脉的第二端点集。
其中,第二端点集包括主动脉窦部端点,左髂动脉端点和右髂动脉端点。
需要说明的是,主干分割预测结果是指主动脉主干的血管轮廓。主动脉是人体内最粗大的动脉管,从心脏的左心室发出,向上向右再向下略呈弓状,再沿脊柱向下行,并在胸腔和腹腔内分出很多较小的动脉。主动脉的解剖结构呈现为一种弓状,它首先从左心室发出,接着向上向右延伸,然后再沿胸腔向下至腹腔中,具有复杂的形态学结构。具体的,主动脉主干包括升主动脉、主动脉弓和降主动脉。
在一些实现方式中,如图6所示,电子设备根据主干分割预测结果,确定目标主动脉的第二端点集,可以包括:
S610:电子设备根据主动脉主干结构,从至少一个血管端点中,提取升主动脉对应的血管端点,以及降主动脉对应的血管端点。
S620:电子设备按照预置图像分层方向,查找升主动脉对应的血管端点中的第二血管端点。
其中,预置图像分层方向可以是从第一端点集中血管端点对应的最小分层方向值到最大分层方向值的分层方向,血管端点距离脚部越近分层方向值越小。第二血管端点所在的当前层切片图像对应的连通区域数量为1,第二血管端点所在的下一层切片图像对应的连通区域数量为2。
S630:电子设备将第二血管端点所在的当前层切片图像对应的连通区域的区域中心的主干起始点,确定为主动脉窦部端点。
S640:电子设备将第三血管端点所在的当前层切片图像对应的连通区域的区域中心点,确定为主干终止点。
其中,第三血管端点为降主动对应的血管端点中最小预置图像分层方向值对应的血管端点。最小预置图像分层方向值,即为针对第三血管端点中每个血管端点所在的切片图像,其预置图像分层方向对应的方向值中的最小分层方向值。
S650:电子设备查找至少一个血管端点中距离主干终止点的距离最远的第四血管端点,以及至少一个血管端点中距离第四血管端点最远的第五血管端点,将第四血管端点确定为左髂动脉端点或者右髂动脉端点,相应的,将第五血管端点确定为右髂动脉端点或者左髂动脉端点。
S660:电子设备将主动脉窦部端点,左髂动脉端点和右髂动脉端点,添加至第二端点集。
示例性的,由血管顶点集中至少一个血管端点中的所有血管端点构成初始端点集E0=(e1,e2,…,ek),取得ek的Z值为Zmax,e1的Z值为Zmin,其中,沿着预置图像分层方向Z值从小到大逐步变化。从Zmin到Zmax的范围内,如图7中的(a)所示,找到当前层切片图像有一个连通区域,下一层切片图像有两个连通区域的区域中心点,即为C0=(x0,y0,z0)。在降主动脉对应的血管端点中,如图7中的(b)所示,确定Z值最小的血管端点为主干终止点C1=(x1,y1,z1),记录主干终止点的Z值Zmain_end。从Zmin到Zmain_end的范围内,找到初始的端点集E0=(e1,e2,…,ek)对应的端点子集E2=(e1,e2,…,em)(m≤k),从这个子集中找到离主干的终止点C1最远距离的端点C2。把端点子集映射到一个平行于Z轴的平面内,在这个平面内找到距离C2最远距离的端点C3。C2和μ3分别为左髂动脉端点或者右髂动脉端点。
如此,在上述过程中,由于通过主动脉主干的结构特征,确定升主动脉中的主动脉窦部端点,并通过确定降主动脉的主干终止点(降主动脉的终止点),进一步确定左髂动脉端点和右髂动脉端点,以便于提高增加第三端点集中血管端点属于主动脉中心线上的血管端点的可能性,提高确定血管端点的速度,进而提高得到病变判断结果的效率。
S250:电子设备将左髂动脉端点、右髂动脉端点,以及每个第一血管端点进行去重操作,得到目标主动脉的第三端点集,去除第三端点集中与主动脉窦部端点最近的血管端点,得到主动脉端点集。
需要说明的是,在去重操作过程中,可以设置在左髂动脉端点、右髂动脉端点,以及每个第一血管端点之中任两个血管端点之间的距离小于某一预置阈值的情况下,就进行去重操作。去掉的血管端点可以是满足去重条件的任一血管端点。
还需要说明的是,通过去除第三端点集中与主动脉窦部端点最近的血管端点,避免邻接的血管端点相互影响,导致主动脉中心线的曲线不准确。
在本申请实施例中,主动脉端点集包括主动脉窦部端点、左髂动脉端点、右髂动脉端点、左锁骨下动脉端点、左颈总动脉端点、右颈总动脉端点、右锁骨下动脉端点、左肾动脉端点和右肾动脉端点。
综上,在上述获取目标主动脉的获取主动脉端点集过程中,由于各个血管端点之间的网络连接结构,电子设备可以通过预置半径阈值筛选出的具有较大端点平均半径的第一血管端点,能够增加第一血管端点属于主动脉中心线的可能性,提高确定血管端点的速度,进而提高得到病变判断结果的效率。在上述获取目标主动脉的主动脉中心线过程中,由于通过主动脉主干的结构特征,确定升主动脉中的主动脉窦部端点,并通过确定降主动脉的主干终止点(降主动脉的终止点),进一步确定左髂动脉端点和右髂动脉端点,以此对第一端点集中的血管端点进行再次筛选,以便于提高增加第三端点集中血管端点属于主动脉中心线上的血管端点的可能性,提高确定血管端点的速度,进而提高得到病变判断结果的效率。
在本申请实施例中,由于个体病变差异,CTA图像可能存在异常情况,导致主动脉端点中血管端点的图像显示位置,可能与实际血管端点的图像显示位置差异较大。为此,本申请还提供一种人机交互方案,如图8所示,在得到主动脉端点集之后,本申请提供的获取主动脉端点集的方法,还包括:
S810:电子设备在图像显示界面,显示所述主动脉端点集中的各个血管端点。
S820:电子设备响应于用户的端点修改操作,将重新标记主动脉端点集中的至少一个血管端点,确定为主动脉端点集。
需要说明的是,端点修改操作可以修改主动脉端点集中任意血管端点的图像显示位置。电子设备可以通过响应于用户的一次端点修改操作(针对多个血管端点),修改多个血管端点的图像显示位置。电子设备还可以通过响应于用户的多次端点修改操作(针对同一个血管端点),修改同一个血管端点的图像显示位置。
可以理解的是,电子设备还可以接收用户针对切片图像的图像处理操作,如放大、缩小、移动、高亮标记等等,在本申请实施例中,对此不做限定。
如此,设置人机交互机制,用户可以重新标记主动脉端点集的血管端点,能够提高主动脉端点集的准确程度,进而提高获取的主动脉中心线的准确度。
在本申请实施例中,在得到主动脉端点集之后,电子设备可以从主动脉窦部端点开始,按照血管端点之间的邻接关系,依次遍历主动脉端点集中的每个血管端点,如果相邻血管端点之间对应的切片图像也相邻,那么直接将两个相邻血管端点确定为主动脉中心线上的像素点。如果相邻血管端点之间对应的切片图像不相邻,那么根据目标分割预测结果中血管分段的曲线方向,确定主动脉中心线上的像素点。如此,如图9所示,从CTA图像中获取目标主动脉的主动脉中心线。
图10本申请实施例提供的一种获取主动脉端点集的装置1000的示意图。如图10所示,该装置1000包括:
第一获取模块1001,用于基于预训练卷积神经网络算法对电子计算机断层扫描血管造影CTA图像进行预处理,获取目标主动脉的目标分割预测结果,以及目标主动脉的主干分割预测结果;CTA图像包括目标主动脉的切片图像;
第二获取模块1002,用于根据目标分割预测结果的血管骨架线,获取目标主动脉中血管分段的血管顶点集;血管顶点集中的血管顶点包括至少一个血管端点和至少一个分叉点;
第一处理模块1003,用于从至少一个血管端点中提取第一血管端点,得到目标主动脉的第一端点集;第一血管端点对应的血管分段的端点平均半径大于预置半径阈值;
确定模块1004,用于根据主干分割预测结果,确定目标主动脉的第二端点集;第二端点集包括主动脉窦部端点,左髂动脉端点和右髂动脉端点;
第二处理模块1005,用于将左髂动脉端点、右髂动脉端点,以及每个第一血管端点进行去重操作,得到目标主动脉的第三端点集,去除第三端点集中与主动脉窦部端点最近的血管端点,得到主动脉端点集。
应理解的是,获取主动脉端点集的装置实施例与获取主动脉端点集的方法实施例可以相互对应,类似的描述可以参照获取主动脉端点集的方法实施例。为避免重复,此处不再赘述。具体地,图10所示的装置1000可以执行上述获取主动脉端点集的方法实施例,并且装置1000中的各个模块的前述和其它操作和/或功能分别为了实现上述获取主动脉端点集的方法中的相应流程,为了简洁,在此不再赘述。
上文中结合附图从功能模块的角度描述了本申请实施例的装置1000。应理解,该功能模块可以通过硬件形式实现,也可以通过软件形式的指令实现,还可以通过硬件和软件模块组合实现。具体地,本申请实施例中的获取主动脉端点集的方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成,结合本申请实施例公开的获取主动脉端点集的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。可选地,软件模块可以位于随机存储器,闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述获取主动脉端点集的方法实施例中的步骤。
图11是本申请实施例提供的电子设备1100的示意性框图。
如图11所示,该电子设备1100可包括:
存储器1110和处理器1120,该存储器1110用于存储计算机程序,并将该程序代码传输给该处理器1120。换言之,该处理器1120可以从存储器1110中调用并运行计算机程序,以实现本申请实施例中的方法。
例如,该处理器1120可用于根据该计算机程序中的指令执行上述方法实施例。
在本申请的一些实施例中,该处理器1120可以包括但不限于:
通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等等。
在本申请的一些实施例中,该存储器1110包括但不限于:
易失性存储器和/或非易失性存储器。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DR RAM)。
在本申请的一些实施例中,该计算机程序可以被分割成一个或多个模块,该一个或者多个模块被存储在该存储器1110中,并由该处理器1120执行,以完成本申请提供的方法。该一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述该计算机程序在该电子设备中的执行过程。
如图11所示,该电子设备还可包括:
收发器1130,该收发器1130可连接至该处理器1120或存储器1110。
其中,处理器1120可以控制该收发器1130与其他设备进行通信,具体地,可以向其他设备发送信息或数据,或接收其他设备发送的信息或数据。收发器1130可以包括发射机和接收机。收发器1130还可以进一步包括天线,天线的数量可以为一个或多个。
应当理解,该电子设备中的各个组件通过总线系统相连,其中,总线系统除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。
本申请还提供了一种计算机存储介质,其上存储有计算机程序,该计算机程序被计算机执行时使得该计算机能够执行上述方法实施例的方法。或者说,本申请实施例还提供一种包含指令的计算机程序产品,该指令被计算机执行时使得计算机执行上述方法实施例的方法。
当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地产生按照本申请实施例该的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的模块及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,该模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。例如,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
以上仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以该权利要求的保护范围为准。
Claims (10)
1.一种获取主动脉端点集的方法,其特征在于,包括:
基于预训练卷积神经网络算法对电子计算机断层扫描血管造影CTA图像进行预处理,获取目标主动脉的目标分割预测结果,以及所述目标主动脉的主干分割预测结果;所述CTA图像包括所述目标主动脉的切片图像;
根据所述目标分割预测结果的血管骨架线,获取所述目标主动脉中血管分段的血管顶点集;所述血管顶点集中的血管顶点包括至少一个血管端点和至少一个分叉点;
从所述至少一个血管端点中提取第一血管端点,得到所述目标主动脉的第一端点集;所述第一血管端点对应的血管分段的端点平均半径大于预置半径阈值;
根据所述主干分割预测结果,确定所述目标主动脉的第二端点集;所述第二端点集包括主动脉窦部端点,左髂动脉端点和右髂动脉端点;
将所述左髂动脉端点、所述右髂动脉端点,以及每个所述第一血管端点进行去重操作,得到所述目标主动脉的第三端点集,去除所述第三端点集中与所述主动脉窦部端点最近的血管端点,得到主动脉端点集。
2.根据权利要求1所述的方法,其特征在于,所述基于预训练卷积神经网络算法对电子计算机断层扫描血管造影CTA图像进行预处理,获取目标主动脉的目标分割预测结果,以及所述目标主动脉的主干分割预测结果,包括:
获取所述CTA图像中的每层切片图像;
将所述每层切片图像中各个像素点的灰度值,输入所述预训练卷积神经网络算法,得到所述每层切片图像中各个像素点的灰度特征值;
根据预置主干阈值、预置支干阈值以及所述每层切片图像中各个像素点的灰度特征值,得到所述目标主动脉的主干掩码和支干掩码;
将所述主干掩码对应的图像,确定为所述目标主动脉的主干分割预测结果,并且,合并所述主干掩码和所述支干掩码得到动脉掩码,将所述动脉掩码对应的图像,确定为所述目标主动脉的目标分割预测结果。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述目标分割预测结果的血管骨架线,获取所述目标主动脉中血管分段的血管顶点集,包括:
根据预置细化算法,对所述目标分割预测结果进行细化,得到所述目标主动脉的血管骨架线;
根据所述血管骨架线上每个像素点的邻域点数量,获取所述目标主动脉中血管分段的血管顶点,得到所述血管顶点集;
所述从所述至少一个血管端点中提取第一血管端点,得到所述目标主动脉的第一端点集,包括:
根据通过所述血管骨架线得到的所述血管顶点集中各个血管顶点的邻接顺序,得到所述各个血管顶点的顶点平均半径;
根据所述各个血管顶点的顶点平均半径,以及所述血管顶点集中各个血管顶点的邻接顺序,得到所述至少一个血管端点中每个血管端点对应的血管分段的端点平均半径;
按照预置图像分层方向,从所述至少一个血管端点中提取第一血管端点,得到所述目标主动脉的第一端点集;所述第一血管端点对应的血管分段的端点平均半径大于预置半径阈值。
4.根据权利要求2所述的方法,其特征在于,所述根据所述主干分割预测结果,确定所述目标主动脉的第二端点集,包括:
根据主动脉主干结构,从所述至少一个血管端点中,提取升主动脉对应的血管端点,以及降主动脉对应的血管端点;
按照预置图像分层方向,查找所述升主动脉对应的血管端点中的第二血管端点,其中,所述第二血管端点所在的当前层切片图像对应的连通区域数量为1,所述第二血管端点所在的下一层切片图像对应的连通区域数量为2;
将所述第二血管端点所在的当前层切片图像对应的连通区域的区域中心的主干起始点,确定为主动脉窦部端点;
将第三血管端点所在的当前层切片图像对应的连通区域的区域中心点,确定为主干终止点,所述第三血管端点为所述降主动脉对应的血管端点中最小预置图像分层方向值对应的血管端点;
查找所述至少一个血管端点中距离所述主干终止点的距离最远的第四血管端点,以及所述至少一个血管端点中距离所述第四血管端点最远的第五血管端点,将所述第四血管端点确定为所述左髂动脉端点或者所述右髂动脉端点,相应的,将所述第五血管端点确定为所述右髂动脉端点或者所述左髂动脉端点;
将所述主动脉窦部端点,所述左髂动脉端点和所述右髂动脉端点,添加至所述第二端点集。
5.根据权利要求1所述的方法,其特征在于,所述将所述左髂动脉端点、所述右髂动脉端点,以及每个所述第一血管端点进行去重操作,得到所述目标主动脉的第三端点集,去除所述第三端点集中与所述主动脉窦部端点最近的血管端点,得到主动脉端点集之后,所述方法还包括:
在图像显示界面,显示所述主动脉端点集中的各个血管端点;
响应于用户的端点修改操作,将重新标记的所述主动脉端点集中的至少一个血管端点,确定为所述主动脉端点集。
6.一种获取主动脉端点集的装置,其特征在于,包括:
第一获取模块,用于基于预训练卷积神经网络算法对电子计算机断层扫描血管造影CTA图像进行预处理,获取目标主动脉的目标分割预测结果,以及所述目标主动脉的主干分割预测结果;所述CTA图像包括所述目标主动脉的切片图像;
第二获取模块,用于根据所述目标分割预测结果的血管骨架线,获取所述目标主动脉中血管分段的血管顶点集;所述血管顶点集中的血管顶点包括至少一个血管端点和至少一个分叉点;
第一处理模块,用于从所述至少一个血管端点中提取第一血管端点,得到所述目标主动脉的第一端点集;所述第一血管端点对应的血管分段的端点平均半径大于预置半径阈值;
确定模块,用于根据所述主干分割预测结果,确定所述目标主动脉的第二端点集;所述第二端点集包括主动脉窦部端点,左髂动脉端点和右髂动脉端点;
第二处理模块,用于将所述左髂动脉端点、所述右髂动脉端点,以及每个所述第一血管端点进行去重操作,得到所述目标主动脉的第三端点集,去除所述第三端点集中与所述主动脉窦部端点最近的血管端点,得到主动脉端点集。
7.根据权利要求6所述的装置,其特征在于,所述第一获取模块,具体用于:
获取所述CTA图像中的每层切片图像;
将所述每层切片图像中各个像素点的灰度值,输入所述预训练卷积神经网络算法,得到所述每层切片图像中各个像素点的灰度特征值;
根据预置主干阈值、预置支干阈值以及所述每层切片图像中各个像素点的灰度特征值,得到所述目标主动脉的主干掩码和支干掩码;
将所述主干掩码对应的图像,确定为所述目标主动脉的主干分割预测结果,并且,合并所述主干掩码和所述支干掩码得到动脉掩码,将所述动脉掩码对应的图像,确定为所述目标主动脉的目标分割预测结果。
8.一种电子设备,其特征在于,包括:
处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序,以执行权利要求1-5中任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,用于存储计算机程序,所述计算机程序使得计算机执行如权利要求1-5中任一项所述的方法。
10.一种包含指令的计算机程序产品,其特征在于,当所述计算机程序产品在电子设备上运行时,使得所述电子设备执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310665349.6A CN116721073A (zh) | 2023-06-05 | 2023-06-05 | 获取主动脉端点集的方法、装置、设备、介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310665349.6A CN116721073A (zh) | 2023-06-05 | 2023-06-05 | 获取主动脉端点集的方法、装置、设备、介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116721073A true CN116721073A (zh) | 2023-09-08 |
Family
ID=87869172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310665349.6A Pending CN116721073A (zh) | 2023-06-05 | 2023-06-05 | 获取主动脉端点集的方法、装置、设备、介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116721073A (zh) |
-
2023
- 2023-06-05 CN CN202310665349.6A patent/CN116721073A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378913B (zh) | 图像分割方法、装置、设备及存储介质 | |
CN111696089A (zh) | 一种动静脉确定方法、装置、设备和存储介质 | |
CN112465772B (zh) | 眼底彩照图像血管评估方法、装置、计算机设备和介质 | |
CN109924956B (zh) | 一种颅内动脉瘤图像的形态学参数的测量方法及装置 | |
CN112308846B (zh) | 血管分割方法、装置及电子设备 | |
CN111640124B (zh) | 一种血管提取方法、装置、设备及存储介质 | |
CN111932554A (zh) | 一种肺部血管分割方法、设备及存储介质 | |
CN113538471B (zh) | 斑块的分割方法、装置、计算机设备和存储介质 | |
CN110522449B (zh) | 一种斑块分型方法、装置、电子设备及可读存储介质 | |
CN113313715B (zh) | 心脏动脉血管的分割方法、分割装置、设备和介质 | |
CN116721072A (zh) | 获取主动脉中心线的方法、装置、设备、介质及程序产品 | |
CN117373070A (zh) | 血管分段标注的方法及装置、电子设备和存储介质 | |
CN116777887A (zh) | 血管中心线树的提取方法、装置、设备、介质及程序产品 | |
CN116721073A (zh) | 获取主动脉端点集的方法、装置、设备、介质及程序产品 | |
CN115908418A (zh) | 一种主动脉ct图像中心线确定方法、系统、设备及介质 | |
CN114419032B (zh) | 心脏左心室的心肌内膜和/或心肌外膜的分割方法和装置 | |
CN112950734B (zh) | 冠脉重建方法、装置、电子设备和存储介质 | |
CN114998582A (zh) | 一种冠脉血管的分割方法、装置及存储介质 | |
CN115546149A (zh) | 肝脏分割方法及装置、电子设备及存储介质 | |
CN115409859A (zh) | 冠状动脉血管图像分割方法及装置、存储介质和终端 | |
CN114299057A (zh) | 血管中心线的提取方法和存储介质 | |
CN113192099A (zh) | 一种组织提取方法、装置、设备和介质 | |
CN111598838B (zh) | 心脏mr图像自动分割方法、装置、电子设备和存储介质 | |
CN113610841A (zh) | 一种血管异常图像识别方法、装置、电子设备和存储介质 | |
CN113763324A (zh) | 图像处理方法、计算机可读存储介质、处理器和系统 |
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 |