CN116758309B - 血管段分型方法、导引导管塑形方法、设备及存储介质 - Google Patents
血管段分型方法、导引导管塑形方法、设备及存储介质 Download PDFInfo
- Publication number
- CN116758309B CN116758309B CN202310685392.9A CN202310685392A CN116758309B CN 116758309 B CN116758309 B CN 116758309B CN 202310685392 A CN202310685392 A CN 202310685392A CN 116758309 B CN116758309 B CN 116758309B
- Authority
- CN
- China
- Prior art keywords
- vessel segment
- blood vessel
- target
- sample
- prototype
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000007493 shaping process Methods 0.000 title claims abstract description 58
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 144
- 239000011159 matrix material Substances 0.000 claims description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 11
- 238000003064 k means clustering Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims description 4
- 230000002490 cerebral effect Effects 0.000 description 6
- 210000005036 nerve Anatomy 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000002792 vascular Effects 0.000 description 4
- 238000001358 Pearson's chi-squared test Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本披露公开了一种血管段分型方法、导引导管塑形方法、设备及存储介质。该血管段分型方法包括:根据血管段样本生成血管段原型;获取目标血管段;以及在所述血管段原型中对所述目标血管段进行匹配,以得到与所述目标血管段相匹配的血管段原型。通过本披露实施例的血管段分型方法,能够完成目标血管段的精准分型,从而辅助完成目标血管段形状的把控,为后续的导引导管塑形提供更加准确可靠的塑形指导,进而提高塑形成功率和效率。
Description
技术领域
本披露一般涉及血管段分型技术领域。更具体地,本披露涉及一种用于对血管段进行分型的方法、用于对导引导管进行塑形的方法、电子设备及计算机可读存储介质。
背景技术
脑神经介入手术导引导管是一种用于治疗脑血管疾病的医疗设备,其用于引导医生在患者的脑血管系统中进行精确的操作。脑神经介入手术导引导管通常由柔软的导管组成,具有一定的弯曲性和适应性,以便在狭小的血管内进行导航。由于不同患者的脑血管段形状不同,所以导引导管通常需要根据血管段形状进行人工塑形,以便将器材输送到位。
目前所采用的导引导管塑形方案通常需要医生依据血管段形状进行导引导管的设计和塑形,但依据人工经验进行设计难以把控血管段形状,人为误差的引入将会导致依据的血管段形状无法提供可靠的塑形数据,影响塑形成功率。另外,人工操作还需要耗费大量时间,导致效率低下。
有鉴于此,亟需提供一种血管段分型方案,以便预先生成若干血管段原型,通过血管段原型和目标血管段的精准匹配,准确地对目标血管段进行分型,从而为导引导管塑形提供更加准确可靠的塑形指导,进而提高塑形成功率和效率。
发明内容
为了至少解决如上所提到的一个或多个技术问题,本披露在多个方面中提出了血管段分型方案。
在第一方面中,本披露提供一种用于对血管段进行分型的方法包括:根据血管段样本生成血管段原型;获取目标血管段;以及在所述血管段原型中对所述目标血管段进行匹配,以得到与所述目标血管段相匹配的血管段原型。
在一些实施例中,其中根据血管段样本生成血管段原型包括:利用K均值聚类算法将所述血管段样本划分为K类,K为正整数;计算所述血管段样本的代价矩阵;以及根据所述血管段样本的代价矩阵,从每一类中筛选一个血管段样本,以得到K个血管段原型。
在一些实施例中,其中在所述血管段原型中对所述目标血管段进行匹配包括:计算所述目标血管段的代价矩阵;以及根据所述目标血管段的代价矩阵,从所述血管段原型中选出与所述目标血管段相匹配的血管段原型。
在一些实施例中,其中利用K均值聚类算法将所述血管段样本划分为K类包括:提取所述血管段样本的血管中心线;基于所述血管段样本的血管中心线提取所述血管段样本的三维形状特征;利用主成分分析算法对所述三维形状特征进行降维;以及根据降维后的三维形状特征,并利用K均值聚类算法将所述血管段样本划分为K类。
在一些实施例中,其中计算所述血管段样本的代价矩阵包括:根据降维前的三维形状特征计算所述血管段样本的代价矩阵。
在一些实施例中,其中从每一类中筛选一个血管段样本包括:根据每一血管段样本的代价矩阵计算每一血管段样本的类内代价之和;以及从每一类中选出类内代价之和最小的血管段样本。
在一些实施例中,其中从每一类中筛选出一个血管段样本包括:根据每一血管段样本的代价矩阵计算每一血管段样本的类内代价之和以及类间代价之和;以及从每一类中选出满足代价比值条件的血管段样本;其中,所述代价比值条件包括类内代价之和与类间代价之和的比值最小。
在一些实施例中,其中计算所述目标血管段的代价矩阵包括:提取所述目标血管段的血管中心线;基于所述目标血管段的血管中心线提取所述目标血管段的三维形状特征;以及根据所述目标血管段的三维形状特征计算所述目标血管段的代价矩阵。
在一些实施例中,其中从所述血管段原型中选出与所述目标血管段相匹配的血管段原型包括:将代价最小值所对应的血管段原型作为与所述目标血管段相匹配的血管段原型。
在第二方面中,本披露提供一种用于对导引导管进行塑形的方法包括:执行第一方面的方法,以得到与目标血管段相匹配的血管段原型;以及获取与目标血管段相匹配的血管段原型对应的导引导管模型,以指导所述目标血管段的导引导管的制备。
在第三方面中,本披露提供一种电子设备包括:处理器;以及存储器,其存储有程序指令,当所述程序指令由所述处理器执行时,使得所述设备实现第一方面的用于对血管段进行分型的方法,或使得所述设备实现第二方面的用于对导引导管进行塑形的方法。
在第三方面中,本披露提供一种计算机可读存储介质,其上存储有计算机可读指令,该计算机可读指令被一个或多个处理器执行时,实现如第一方面的用于对血管段进行分型的方法,或实现如第二方面的用于对导引导管进行塑形的方法。
通过如上所提供的用于对血管段进行分型的方法,本披露实施例预先依据血管段样本生成若干血管段原型,并基于若干血管段原型完成目标血管段的原型匹配,从而确定与目标血管段相匹配的血管段原型,完成目标血管段的精准分型,从而辅助完成目标血管段形状的把控,为后续的导引导管塑形提供更加准确可靠的塑形指导,进而提高塑形成功率和效率。
附图说明
通过参考附图阅读下文的详细描述,本披露示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本披露的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1示出了本披露一些实施例的血管段分型方法的示例性流程图;
图2示出了本披露一些实施例的血管段原型的筛选方法的示例性流程图;
图3示出了本披露一些实施例的血管段样本的聚类方法的示例性流程图;
图4示出了本披露一些实施例的血管段的原型匹配方法的示例性流程图;
图5示出了本披露一些实施例的目标血管段的代价矩阵的计算方法的示例性流程图;
图6示出了本披露一些实施例的导引导管塑形方法的示例性流程图;
图7示出了本披露实施例的电子设备的示例性结构框图。
具体实施方式
下面将结合本披露实施例中的附图,对本披露实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本披露一部分实施例,而不是全部的实施例。基于本披露中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本披露保护的范围。
应当理解,本披露的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本披露说明书中所使用的术语仅仅是出于描述特定实施例的目的,而并不意在限定本披露。如在本披露说明书和权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解,在本披露说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合附图来详细描述本披露的具体实施方式。
示例性应用场景
在脑神经介入手术中,导引导管用于引导医生在患者的脑血管系统中进行精确的操作。脑神经介入手术所使用的导引导管通常由柔软的导管组成,具有一定的弯曲性和适应性,以便在狭小的血管内进行导航。
目前,导引导管的塑形通常需要医生依据自身经验进行人工塑形。然而,由于不同患者的脑血管段形状不一致,人工塑形对于医生的经验要求较高,依据人工经验难以把控血管形状,容易因引入人为误差而影响塑形成功率。因此需要为导引导管塑形提供更多具备参考性的血管段的形状数据,以提高塑形的成功率。
示例性方案
有鉴于此,本披露实施例提供了一种血管段分型方案,其通过构建若干具有参考性的血管段原型,完成目标血管段的原型匹配,利用血管段原型的参考数据来弥补人工经验的不足,从而为导引导管塑形提供更加准确可靠的塑形指导,进而提高塑形成功率和效率。
图1示出了本披露一些实施例的血管段分型方法100的示例性流程图。
如图1所示,在步骤S101中,根据血管段样本生成血管段原型。
在本实施例中,血管段样本可以包括从互联网等公开渠道获取的血管段数据,也可以包括从医院私域数据库中获取的历史病例数据。
通过对大量血管段样本进行筛选,从中选取若干具有典型形状的血管段作为血管段原型,则后续进行导引导管塑形时,可以先确定与患者血管段相匹配的血管段原型,利用该血管段原型的形状数据及其对应的塑形数据指导医生进行导引导管的塑形。
在步骤S102中,获取目标血管段。
在本实施例中,目标血管段可以基于多种类型的医学影像得到,例如电子计算机断层扫描(CT,Computed Tomography)影像、磁共振成像(MRI,Magnetic ResonanceImaging)影像和正电子发射计算机断层显像(PET,positron emission tomography)影像等等。
在步骤S103中,在血管段原型中对目标血管段进行匹配,以得到与目标血管段相匹配的血管段原型。
在本实施例中,通过原型匹配可以确定出患者的血管段形状是否具有典型形状特征,即确定出与患者血管段形状最为匹配的血管段原型。由于血管段原型是可查询到的历史数据,其可以提供更多细节信息供医生进行参考,例如该典型形状特征的关键点数据和该血管段原型的导引导管模型等等。
通过血管段原型的构建和目标血管段的原型匹配,能够准确地对目标血管段进行分型,从而明确目标血管段所具备的典型形状特征,进而利用现有大数据中有关该典型形状特征的细节信息,辅助医生把控患者的血管段形状,并进行导引导管的设计和塑形。通过为导引导管塑形提供更加准确可靠的塑形指导,弥补人工经验的不足,进而提高塑形成功率和效率。
精准的血管段分型以及具备参考性的塑形指导有赖于可靠的血管段原型构建。为了从现有数据中筛选出具备典型形状特征的血管段原型,本披露提供了一种血管段原型的筛选方法,其利用K均值聚类算法完成大量血管段样本的分类,并从中选出最具代表性的血管段原型。
图2示出了本披露一些实施例的血管段原型的筛选方法200的示例性流程图,可以理解,血管段原型的筛选方法是前述步骤S101中的一种具体实现,因此前文结合图1描述的特征可以类似地应用于此。
如图2所示,在步骤S201中,利用K均值聚类算法将血管段样本划分为K类。
K均值聚类算法(K-means clustering algorithm)是一种迭代求解的聚类分析算法,其预先将数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心,进而将特征相似的对象聚合在一个聚类。
在本实施例中,K的取值可以根据实际情况进行设置,可以将K设置为任意的正整数,K的取值越大,则血管段划分出的类别个数越多,分类精度越高,相应地,分类的时间复杂度也越高。
在一些实施例中,步骤S201基于血管段样本的三维形状特征进行聚类,此时可以使用血管段样本的原始三维形状特征或降维后的三维形状特征。
以降维后的三维形状特征为例,本披露提供了一种根据血管段样本的降维三维形状特征进行聚类的方法。
图3示出了本披露一些实施例的血管段样本的聚类方法300的示例性流程图,可以理解,血管段样本的聚类方法是前述步骤S201中的一种具体实现,因此前文结合图2描述的特征可以类似地应用于此。
如图3所示,在步骤S301中,提取血管段样本的血管中心线。
在步骤S302中,基于血管段样本的血管中心线提取血管段样本的三维形状特征。
在步骤S303中,利用主成分分析算法对三维形状特征进行降维。
在步骤S304中,根据降维后的三维形状特征,并利用K均值聚类算法将血管段样本划分为K类。
在本实施例中,步骤S302可以使用3D形状上下文特征形状描述子(3DSC,3D ShapeContext)进行三维形状特征的提取。3DSC多用于形状匹配和目标识别,其采用一种基于形状轮廓的特征描述方法,在对数极坐标系下利用直方图描述形状特征,能够很好地反映轮廓上下采样点的分布情况,从而完成血管段三维形状特征的提取。
主成分分析算法(PCA,Principal Component Analysis)通过数据降维来减少特征数量,保留主要特征,去除可能会给聚类带来干扰的次要特征,从而降低搜索次要特征所耗费的时间,实现高效聚类。
在另一些实施例中,也可以在上述步骤S302之后,直接基于降维前的原始三维形状特征完成聚类。
在步骤S202中,计算血管段样本的代价矩阵。
在本实施例中,步骤S202需要计算每一个血管段样本的代价矩阵,每一个血管段样本的代价矩阵中包含有将这个血管段样本错认为其他血管段样本的代价,代价越小说明二者的特征越相似,错认后的损失越小,相反地,代价越大说明二者的特征差异越大,错认的损失越大。
进一步地,每一个血管段样本的代价矩阵可以使用Pearson卡方检验方法(Pearson's chi-squared test)计算,具体的计算公式如下:
其中,Ci,j表示将血管段样本i错认为另一血管段样本j的代价,i,j表示矩阵元素的索引,k表示簇索引,也可以理解为步骤S201划分出的各类别的编号,K表示簇数量,也可以理解为步骤S201划分出的类别个数,hi(k)和hj(k)分别表示簇索引k下的第i个样本和第j个血管段样本的特征。
更进一步地,根据簇索引k,可以明确血管段样本i的代价矩阵中,与血管段样本i属于同一类的类内代价以及与血管段样本i分属不同类的类间代价。
需要说明的是,在步骤S201中可以基于降维前的原始三维形状特征完成聚类,通过血管段样本的主要特征完成彼此之间的区分。而在步骤S202中,需要对两个血管段样本的次要特征进行比较,才能得出两个血管段样本之间的细小差异,得到准确的代价矩阵,因此可以根据降维前的三维形状特征计算血管段样本的代价矩阵。
在步骤S203中,根据血管段样本的代价矩阵,从每一类中筛选一个血管段样本,以得到K个血管段原型。
步骤S203需要根据代价矩阵,从每一类中选取一个最典型的血管段样本作为血管段原型。
本实施例提供了如下两种示例性的典型血管段样本的选取方法:
其一,根据每一血管段样本的代价矩阵计算每一血管段样本的类内代价之和,接着,从每一类中选出类内代价之和最小的血管段样本作为典型血管段样本。
其二,根据每一血管段样本的代价矩阵计算每一血管段样本的类内代价之和以及类间代价之和,接着,从每一类中选出满足代价比值条件的血管段样本,其中代价比值条件包括类内代价之和与类间代价之和的比值最小。
前文所提及的第一种典型血管段样本的选取方法只考虑类内差异。根据代价矩阵中的簇索引k,可以找到同属一类的血管段样本,计算同类血管段样本的类内代价之和,类内代价之和最小代表其对应的血管段样本与该类中的所有同类血管段样本差异最小,相似度最高,其可以代表该类中的其他的同类血管段样本。
前文所提及的第二种典型血管段样本的选取方法既考虑类内差异,也考虑类间差异。类内代价之和越小说明血管段样本与同类血管段样本差异越小,相似度越高。类间代价之和越大说明血管段样本与非同类血管段样本差异越大。基于上述理由,将代价比值条件设置为类内代价之和与类间代价之和的比值最小,以找到具备同类典型形状特征且能够与其他类别特征区分开的血管段样本作为典型。
以上介绍了如何完成血管段原型的构建,基于上述任一实施例所构建的血管段原型,可以进行目标血管段的原型匹配,从而完成精准的血管段分型。
本披露提供了一种血管段的原型匹配方法,图4示出了本披露一些实施例的血管段的原型匹配方法400的示例性流程图,可以理解,血管段的原型匹配方法是前述步骤S103中的一种具体实现,因此前文结合图1描述的特征可以类似地应用于此。
如图4所示,在步骤S401中,计算目标血管段的代价矩阵。
示例性地,步骤S401可以使用Pearson卡方检验方法计算目标血管段的代价矩阵。
图5示出了本披露一些实施例的目标血管段的代价矩阵的计算方法500的示例性流程图,可以理解,目标血管段的代价矩阵的计算方法是前述步骤S401中的一种具体实现,因此前文结合图4描述的特征可以类似地应用于此。
如图5所示,在步骤S501中,提取目标血管段的血管中心线。
在步骤S502中,基于目标血管段的血管中心线提取目标血管段的三维形状特征。
在步骤S503中,根据目标血管段的三维形状特征计算目标血管段的代价矩阵。
参照前文实施例中的步骤S302,步骤S502可以使用3D形状上下文特征形状描述子(3DSC,3D Shape Context)进行目标血管段的三维形状特征的提取。
示例性地,步骤S503所采用的计算公式如下:
其中,Cu,v表示将目标血管段u错认为血管段原型v的代价,k表示簇索引,K表示簇数量,hu(k)和hv(k)分别表示的目标血管段u和血管段原型v的特征。
在步骤S402中,根据目标血管段的代价矩阵,从血管段原型中选出与目标血管段相匹配的血管段原型。
在本实施例中,步骤S402将代价最小值所对应的血管段原型作为与目标血管段相匹配的血管段原型。
血管段原型所对应的代价最小说明将目标血管段错认为该血管段原型的损失最小,即该血管段原型与目标血管段的差异最小,二者最为相似,则可以用该血管段原型来代表目标血管段。
由于步骤S402找到的匹配的血管段原型为现有数据,能够在现有数据库中找到与之相关的其他细节信息,例如形状特征的关键点数据和该血管段原型的导引导管模型等等。进一步地,根据该匹配的血管段原型的导引导管模型,可以直接进行目标血管段的导引导管塑形,或通过该匹配的血管段原型的导引导管模型指导目标血管段的导引导管模型设计。
基于此,本披露的另一些实施例还提供了一种导引导管塑形方法。图6示出了本披露一些实施例的导引导管塑形方法600的示例性流程图。
如图6所示,在步骤S601中,根据血管段样本生成血管段原型及其对应的导引导管模型。
在本实施例中,通过前文实施例中任一种血管段原型构建方法生成血管段原型后,可以通过搜索数据库来得到血管段原型对应的导引导管模型,或根据血管段原型预先设计好导引导管模型,以形成若干个导引导管塑形预案。
在步骤S602中,获取目标血管段。
在步骤S603中,在血管段原型中对目标血管段进行匹配,以得到匹配的血管段原型。
在本实施例中,步骤S602至步骤S603的内容与前文实施例中的步骤S102至步骤S103一致,此处不再赘述。
在步骤S604中,获取与目标血管段相匹配的血管段原型对应的导引导管模型,以指导目标血管段的导引导管的制备。
由于步骤S601已经预先形成若干导引导管塑形预案,并且每一导引导管塑形预案对应一个血管段原型,该导引导管塑形预案是基于血管段原型中的典型形状特征所形成的,与该血管段原型相匹配的目标血管段具备同样的典型形状特征,因此步骤S604所获取的导引导管塑形预案对于目标血管段来说,在导引导管塑形时具备参考性,可以指导目标血管段的导引导管塑形。
本实施例使用机器学习方法为导引导管提供预塑形方案,可以指导医生参考预塑形方案进行手工塑形,以此来减少人工塑形的时间。与传统的依据人工经验的塑形方案相比,机器学习方法更为客观,能够精准把控血管段形状,消除人为误差,提高导引导管的塑形成功率。
综上,本披露提供了一种用于对血管段进行分型的方法,通过血管段原型和目标血管段的精准匹配,准确地对目标血管段进行分型,为导引导管塑形提供更加准确可靠的依据。
另外,本披露还提供了一种用于对导引导管进行塑形的方法,通过精准的血管段分型来找到与目标血管段相匹配的血管段原型,利用该血管段原型的导引导管模型来指导目标血管段的导引导管的制备,消除人为经验引入的误差,提高塑形成功率和塑形效率。
与前述功能性实施例相对应地,本披露实施例中还提供了一种如图7所示的电子设备700。图7示出了本披露实施例的电子设备700的示例性结构框图。
图7所示的电子设备700,包括:处理器710;以及存储器720,存储器720上存储有可执行的程序指令,当所述程序指令由所述处理器710来执行时,使得所述电子设备实现如前文所述的任一项方法。
在图7的电子设备700中,仅示出了与本实施例有关的组成元素。因此,对于本领域普通技术人员而言显而易见的是:电子设备700还可以包括与图7中所示的组成元素不同的常见组成元素。
处理器710可以控制电子设备700的操作。例如,处理器710通过执行电子设备700上的存储器720中存储的程序,来控制电子设备700的操作。处理器710可以由电子设备700中提供的中央处理单元(CPU)、应用处理器(AP)、人工智能处理器芯片(IPU)等来实现。然而,本披露不限于此。在本实施方式中,处理器710可以按任何适当的方式实现。例如,处理器710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(ApplicationSpecific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。
存储器720可以用于存储电子设备700中处理的各种数据、指令的硬件。例如,存储器720可以存储电子设备700中的处理过的数据和待处理的数据。存储器720可存储处理器710已处理或要处理的数据集。此外,存储器720可以存储要由电子设备700驱动的应用、驱动程序等。例如:存储器720可以存储与将由处理器710执行的三维形状特征提取、代价矩阵计算等有关的各种程序。存储器720可以是DRAM,但是本披露不限于此。存储器720可以包括易失性存储器或非易失性存储器中的至少一种。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、闪存、相变RAM(PRAM)、磁性RAM(MRAM)、电阻RAM(RRAM)、铁电RAM(FRAM)等。易失性存储器可以包括动态RAM(DRAM)、静态RAM(SRAM)、同步DRAM(SDRAM)、PRAM、MRAM、RRAM、铁电RAM(FeRAM)等。在实施例中,存储器720可以包括硬盘驱动器(HDD)、固态驱动器(SSD)、高密度闪存(CF)、安全数字(SD)卡、微安全数字(Micro-SD)卡、迷你安全数字(Mini-SD)卡、极限数字(xD)卡、高速缓存(caches)或记忆棒中的至少一项。
综上,本说明书实施方式提供的电子设备700的存储器720和处理器710实现的具体功能,可以与本说明书中的前述实施方式相对照解释,并能够达到前述实施方式的技术效果,这里便不再赘述。
或者,本披露还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质),其上存储有计算机程序指令(或计算机程序、或计算机指令代码),当所述计算机程序指令(或计算机程序、或计算机指令代码)被电子设备(或电子设备、服务器等)的处理器执行时,使所述处理器执行根据本披露的上述方法的各个步骤的部分或全部。
虽然本文已经示出和描述了本披露的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式来提供。本领域技术人员可以在不偏离本披露思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本披露的过程中,可以采用对本文所描述的本披露实施例的各种替代方案。所附权利要求书旨在限定本披露的保护范围,并因此覆盖这些权利要求范围内的等同或替代方案。
Claims (11)
1.一种用于对血管段进行分型的方法,其特征在于,包括:
提取血管段样本的血管中心线;
基于所述血管段样本的血管中心线提取所述血管段样本的三维形状特征;
利用K均值聚类算法,根据所述血管段样本的三维形状特征将其划分为K类,K为正整数;
计算所述血管段样本的代价矩阵;
根据所述血管段样本的代价矩阵,从每一类中筛选一个血管段样本,以得到K个血管段原型;
获取目标血管段;以及
在所述血管段原型中对所述目标血管段进行匹配,以得到与所述目标血管段相匹配的血管段原型。
2.根据权利要求1所述的方法,其特征在于,其中在所述血管段原型中对所述目标血管段进行匹配包括:
计算所述目标血管段的代价矩阵;以及
根据所述目标血管段的代价矩阵,从所述血管段原型中选出与所述目标血管段相匹配的血管段原型。
3.根据权利要求1所述的方法,其特征在于,其中根据所述血管段样本的三维形状特征将其划分为K类包括:
利用主成分分析算法对所述三维形状特征进行降维;以及
根据降维后的三维形状特征,并利用K均值聚类算法将所述血管段样本划分为K类。
4.根据权利要求3所述的方法,其特征在于,其中计算所述血管段样本的代价矩阵包括:
根据降维前的三维形状特征计算所述血管段样本的代价矩阵。
5.根据权利要求1所述的方法,其特征在于,其中从每一类中筛选一个血管段样本包括:
根据每一血管段样本的代价矩阵计算每一血管段样本的类内代价之和;以及
从每一类中选出类内代价之和最小的血管段样本。
6.根据权利要求1所述的方法,其特征在于,其中从每一类中筛选出一个血管段样本包括:
根据每一血管段样本的代价矩阵计算每一血管段样本的类内代价之和以及类间代价之和;以及
从每一类中选出满足代价比值条件的血管段样本;
其中,所述代价比值条件包括类内代价之和与类间代价之和的比值最小。
7.根据权利要求2所述的方法,其特征在于,其中计算所述目标血管段的代价矩阵包括:
提取所述目标血管段的血管中心线;
基于所述目标血管段的血管中心线提取所述目标血管段的三维形状特征;以及
根据所述目标血管段的三维形状特征计算所述目标血管段的代价矩阵。
8.根据权利要求2所述的方法,其特征在于,其中从所述血管段原型中选出与所述目标血管段相匹配的血管段原型包括:
将代价最小值所对应的血管段原型作为与所述目标血管段相匹配的血管段原型。
9.一种用于对导引导管进行塑形的方法,其特征在于,包括:
执行根据权利要求1-8任一项所述的方法,以得到与目标血管段相匹配的血管段原型;以及
获取与目标血管段相匹配的血管段原型对应的导引导管模型,以指导所述目标血管段的导引导管的制备。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,其存储有程序指令,当所述程序指令由所述处理器执行时,使得所述设备实现根据权利要求1-8任意一项所述的用于对血管段进行分型的方法,或使得所述设备实现根据权利要求9所述的用于对导引导管进行塑形的方法。
11.一种计算机可读存储介质,其上存储有计算机可读指令,该计算机可读指令被一个或多个处理器执行时,实现如权利要求1-8任意一项所述的用于对血管段进行分型的方法,或实现如权利要求9所述的用于对导引导管进行塑形的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310685392.9A CN116758309B (zh) | 2023-06-09 | 2023-06-09 | 血管段分型方法、导引导管塑形方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310685392.9A CN116758309B (zh) | 2023-06-09 | 2023-06-09 | 血管段分型方法、导引导管塑形方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116758309A CN116758309A (zh) | 2023-09-15 |
CN116758309B true CN116758309B (zh) | 2024-02-27 |
Family
ID=87954616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310685392.9A Active CN116758309B (zh) | 2023-06-09 | 2023-06-09 | 血管段分型方法、导引导管塑形方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758309B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992437A (zh) * | 2015-06-29 | 2015-10-21 | 北京欣方悦医疗科技有限公司 | 一种冠脉三维图像分割的方法 |
CN114445334A (zh) * | 2021-12-22 | 2022-05-06 | 新瑞鹏宠物医疗集团有限公司 | 图像分析的方法、装置、设备及存储介质 |
CN114926700A (zh) * | 2022-07-22 | 2022-08-19 | 浙江大学 | 冠状动脉类别确定方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2825169A1 (en) * | 2011-01-20 | 2012-07-26 | University Of Iowa Research Foundation | Automated determination of arteriovenous ratio in images of blood vessels |
-
2023
- 2023-06-09 CN CN202310685392.9A patent/CN116758309B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992437A (zh) * | 2015-06-29 | 2015-10-21 | 北京欣方悦医疗科技有限公司 | 一种冠脉三维图像分割的方法 |
CN114445334A (zh) * | 2021-12-22 | 2022-05-06 | 新瑞鹏宠物医疗集团有限公司 | 图像分析的方法、装置、设备及存储介质 |
CN114926700A (zh) * | 2022-07-22 | 2022-08-19 | 浙江大学 | 冠状动脉类别确定方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116758309A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11742070B2 (en) | System and method for controlling user repeatability and reproducibility of automated image annotation correction | |
US9317918B2 (en) | Apparatus, method, and computer program product for medical diagnostic imaging assistance | |
Gao et al. | Prostate segmentation by sparse representation based classification | |
CN111709485B (zh) | 医学影像处理方法、装置和计算机设备 | |
Adwan et al. | A new approach for image stitching technique using Dynamic Time Warping (DTW) algorithm towards scoliosis X-ray diagnosis | |
US20240078676A1 (en) | Interactive coronary labeling using interventional x-ray images and deep learning | |
RU2721078C2 (ru) | Сегментация анатомической структуры на основе модели | |
CN112530550A (zh) | 影像报告生成方法、装置、计算机设备和存储介质 | |
CN116469545A (zh) | 使用医学图像进行辅助疾病预测的方法、装置及设备 | |
Chatzichristofis et al. | Content based radiology image retrieval using a fuzzy rule based scalable composite descriptor | |
CN112561877A (zh) | 多尺度双通道卷积模型训练方法、图像处理方法及装置 | |
US11710567B2 (en) | Information processing apparatus, information processing method, and program | |
CN116758309B (zh) | 血管段分型方法、导引导管塑形方法、设备及存储介质 | |
CN113035334A (zh) | 鼻腔nkt细胞淋巴瘤放疗靶区自动勾画方法和装置 | |
CN112766314A (zh) | 解剖结构的识别方法、电子设备及存储介质 | |
CN113348485A (zh) | 异常检测方法、异常检测程序、异常检测装置、服务器装置以及信息处理方法 | |
US10497119B2 (en) | System and methods for post-cardiac MRI images | |
EP4327333A1 (en) | Methods and systems for automated follow-up reading of medical image data | |
CN115410686A (zh) | 转化治疗方案的选择方法、装置、电子设备及存储介质 | |
CN114187281A (zh) | 一种图像处理方法、装置、电子设备和存储介质 | |
CN112541909A (zh) | 基于切片感知的三维神经网络的肺结节探测方法及系统 | |
US20230420096A1 (en) | Document creation apparatus, document creation method, and document creation program | |
EP4339882A1 (en) | System for medical data analysis | |
CN116863146B (zh) | 用于对血管瘤特征进行提取的方法、设备及存储介质 | |
EP4300414A1 (en) | Transferring marker locations from a reference image to a follow-up medical image |
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 |