CN116863146A - 用于对血管瘤特征进行提取的方法、设备及存储介质 - Google Patents
用于对血管瘤特征进行提取的方法、设备及存储介质 Download PDFInfo
- Publication number
- CN116863146A CN116863146A CN202310684922.8A CN202310684922A CN116863146A CN 116863146 A CN116863146 A CN 116863146A CN 202310684922 A CN202310684922 A CN 202310684922A CN 116863146 A CN116863146 A CN 116863146A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- hemangioma
- blood vessel
- data
- feature extraction
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 104
- 201000011066 hemangioma Diseases 0.000 claims abstract description 70
- 238000000605 extraction Methods 0.000 claims abstract description 63
- 230000011218 segmentation Effects 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 26
- 238000005520 cutting process Methods 0.000 claims description 22
- 238000012795 verification Methods 0.000 claims description 10
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000002583 angiography Methods 0.000 claims description 4
- 238000010968 computed tomography angiography Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 206010002329 Aneurysm Diseases 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 201000008450 Intracranial aneurysm Diseases 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- 238000010200 validation analysis Methods 0.000 description 1
- 230000002792 vascular 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
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Architecture (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本披露公开了一种对血管瘤特征进行提取的方法、设备及存储介质。该方法包括：获取多模态的三维医疗影像；基于三维医疗影像进行血管分割，以得到单一类型的血管分割数据；基于血管分割数据进行血管三维重建，以得到血管的三维非结构网格数据；以及将三维非结构网格数据输入至训练好的血管瘤特征提取模型中进行特征提取，以输出血管瘤特征提取结果。通过本披露实施例可以利用血管分割和血管三维重建，将多模态的三维医疗影像转换为统一的三维非结构网格数据，从而能够利用一个模型从多模态数据中提取到血管瘤特征，摆脱了因为多模态所导致的数据量限制问题，从而通过拓展数据数量和来源渠道来提高提取精度。
Description
技术领域
本披露一般涉及图像特征提取技术领域。更具体地，本披露涉及一种用于对血管瘤特征进行提取的方法、设备及存储介质。
背景技术
脑动脉瘤是脑血管疾病中一种常见的病变类型，是指脑内血管壁发生异常膨胀，形成有别于正常脑血管的突出部分。目前，动脉瘤主要是通过计算机断层扫描(CT，Computed Tomography)或磁共振成像(MRI，Magnetic Resonance Imaging)来进行筛查。
随着深度学习技术的不断发展，深度学习模型在医疗图像领域中得到了广泛的应用，利用深度学习模型可以从医疗影像中提取到血管瘤特征，进而辅助完成血管瘤筛查。
然而，计算机断层扫描或磁共振成像等检查方法形成的是不同的模态数据，不同模态数据的特征有差异，利用不同的模态数据训练同一模型反而会降低准确性，所以无法使用同一模型进行训练。
由于不同模态的限制，现有技术需要利用不同的模态数据需要分别训练不同的深度学习模型，这就导致了单个模型的训练数据量大幅减少，深度学习模型的训练效果不佳。并且针对不同的医疗影像需要切换不同的深度学习模型进行处理，增加了操作的复杂度。
有鉴于此，亟需提供一种血管瘤特征提取方案，以便摆脱因模态带来的数据量的限制，针对不同模型数据，通过同一模型即可完成高精度的血管瘤特征提取操作。
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瘤特征提取方案。
在第一方面中，本披露提供一种用于对血管瘤特征进行提取的方法包括：获取多模态的三维医疗影像；基于三维医疗影像进行血管分割，以得到单一类型的血管分割数据；基于血管分割数据进行血管三维重建，以得到血管的三维非结构网格数据；以及将三维非结构网格数据输入至训练好的血管瘤特征提取模型中进行特征提取，以输出血管瘤特征提取结果。
在一些实施例中，其中三维非结构网格数据包括若干局部血管的三维非结构网格数据，该方法还包括：在得到血管的三维非结构网格数据之后，基于三维非结构网格数据提取血管中心线；以及沿血管中心线移动预设滑动窗口来切割出若干局部血管，以得到若干局部血管的三维非结构网格数据；其中将三维非结构网格数据输入至训练好的血管瘤特征提取模型中进行特征提取，以输出血管瘤特征提取结果包括：将若干局部血管的三维非结构网格数据输入至血管瘤特征提取模型，以输出若干局部血管的血管瘤特征提取结果。
在一些实施例中，其中在输出若干局部血管的血管瘤特征提取结果之后，方法还包括：根据血管中心线整合若干局部血管的血管瘤特征提取结果，生成全局血管的血管瘤特征提取结果。
在一些实施例中，其中沿血管中心线移动预设滑动窗口并切割出若干局部血管包括：在血管中心线上设置等距离的预设切割点；沿血管中心线移动预设滑动窗口；以及响应于预设滑动窗口的中心位于预设切割点，切割预设滑动窗口范围的血管，以得到若干局部血管。
在一些实施例中，其中位于相邻预设切割点的两个预设滑动窗口之间存在重叠。
在一些实施例中，其中预设滑动窗口为三维形态的滑动窗口，三维形态的滑动窗口包括长方体窗口或球体窗口。
在一些实施例中，其中血管瘤特征提取模型包括点云模型或图网络模型，点云模型或图网络模型通过以下操作进行训练：获取多模态的样本数据；对多模态的样本数据进行血管分割和血管三维重建，得到三维非结构网格样本数据；对三维非结构网格样本数据进行血管瘤特征标注，以得到血管瘤特征训练集和血管瘤特征验证集；以及利用血管瘤特征训练集训练点云模型或图网络模型，并利用血管瘤特征验证集对训练后的点云模型或图网络模型进行评估，以得到评估结果满足要求的点云模型或图网络模型。
在一些实施例中，其中多模态包括：磁共振成像、CT血管造影和数字减影血管造影。
在第二方面中，本披露提供一种用于对血管瘤特征进行提取的设备包括：处理器；以及存储器，其存储有用于对血管瘤特征进行提取的程序指令，当程序指令由处理器执行时，使得设备实现根据第一方面任意一项的方法。
在第三方面中，本披露提供一种计算机可读存储介质，其上存储有用于对血管瘤特征进行提取的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现根据第一方面任意一项的方法。
通过如上所提供的用于对血管瘤特征进行提取的方法，本披露实施例通过血管分割和血管三维重建，能够将多模态的三维医疗影像转换为统一的三维非结构网格数据，并利用训练好的血管瘤特征提取模型处理这些三维非结构网格数据，从而利用一个模型即可从多模态数据中提取到血管瘤特征，摆脱了因为多模态所导致的数据量限制问题，从而通过拓展数据数量和来源渠道来提高提取精度。
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瘤特征提取方法的示例性流程图；
图2示出了本披露另一些实施例的血管瘤特征提取方法的示例性流程图；
图3示出了本披露一些实施例的窗口滑动方法的示例性流程图；
图4示出了本披露一些实施例的预设滑动窗口重叠的示例图；
图5示出了本披露一些实施例的预设滑动窗口不重叠的示例图；
图6示出了本披露一些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
脑动脉瘤是脑血管疾病中一种常见的病变类型，是指脑内血管壁发生异常膨胀，形成有别于正常脑血管的突出部分。脑动脉瘤主要分为囊性动脉瘤、梭形动脉瘤等，其中囊性动脉瘤是颅内最为常见的动脉瘤之一。
传统的囊性动脉瘤的筛查方法主要是通过计算机断层扫描或磁共振成像来获取三维医疗影像，医生根据三维医疗影像来判断是否存在囊性动脉瘤的可能，但人工判断十分依赖医生的临床经验，且人工判断的效率较低。
随着深度学习技术的不断发展，基于医疗影像的病灶检测技术被广泛应用在医疗领域。但由于不同的模态数据需要分别训练不同的深度学习模型，而且深度学习模型的性能高度依赖于训练数据的数量和质量，所以随着不同模态数据被分类，每一深度学习模型能够得到的训练数据量大幅减少，导致模型训练效果不佳。并且，后续进行病灶检测时，针对不同的医疗影像还需要切换不同的深度学习模型进行处理，从而增加了检测复杂度。
示例性应用方案
有鉴于此，本披露实施例提供了一种血管瘤特征提取方案，其通过血管分割和血管三维重建，能够将多模态的三维医疗影像转换为统一的三维非结构网格数据，从而能够利用一个模型从多模态数据中提取到血管瘤特征。
图1示出了本披露一些实施例的血管瘤特征提取方法100的示例性流程图。
如图1所示，在步骤S101中，获取多模态的三维医疗影像。
不同的模态本质上是不同的信息来源渠道，在医疗领域可以通过不同的医学影像技术来获取多模态数据。在本实施例中，多模态的三维医疗影像包括以下一种或多种医学影像技术的图像信息：磁共振成像、CT血管造影和数字减影血管造影。
可以理解的是，上述对于多模态的三维医疗影像的描述仅是本实施例中的一种示例，在实际应用时还可以采用其他模态的三维医疗影像，上述描述不构成对本披露的唯一限定。
模态具有异质性，因为不同模态呈现的信息通常表现出不同的品质、结构和表征，所以通常难以利用同一工具或处理方式进行信息提取。然而，来自多个模态的数据在语义上是相关的，多模态数据之间能够通过提供互补信息，从而弥补单独使用单模态数据时不可见的信息，因此多模态的三维医疗影像能够提高医学检测的精准度。
在步骤S102中，基于三维医疗影像进行血管分割，以得到单一类型的血管分割数据。
在本实施例中，可以使用阈值分割算法进行血管分割，也可以使用深度学习模型进行血管分割。示例性地，目前可以选用的血管分割算法包括但不限于以下算法：基于Hessian矩阵的Frangi算法、基于PCA的算法、匹配滤波算法以及自适应对比度增强算法等等。
阈值分割算法一般都对图像有一定的假设，假设图像的目标和背景占据不同的灰度级范围，在目标和背景内部的相邻像素间的灰度值差异较小，但在目标和背景交界处两边的像素在灰度值上有较大的差别。此时如果选取一个适当的灰度阈值，然后将图像中每个像素的灰度值与该阈值相比较，就可以根据比较结果可以将像素分为两类，像素的灰度值大于阈值的为其中一类，它们被赋值为1，像素的灰度值小于阈值的为另一类，它们被赋值为0，从而得到一幅二值图像，并把需要分割的目标从背景中提取出来。
可以理解的是，上述对于血管分割算法的描述仅是本实施例中的一种示例，其不构成对本披露的唯一限定。
在本实施例的步骤S102中，不同模态的三维医疗影像经过血管分割后所得到的血管分割结果是单一类型的数据，因此步骤S102完成了多模态数据的格式转换，在保留多模态数据的数量和信息的情况下，解除模态所带来的限制。
在步骤S103中，基于血管分割数据进行血管三维重建，以得到血管的三维非结构网格数据。
在本实施例中，步骤S103可以利用等值面提取算法(MC，marching cubes)进行血管三维重建。
等值面提取算法是一种体素级重建方法，其将等值面的抽取分布于每一个体素中进行，对于每个被处理的体素，以三角面片来逼近其内部的等值面，计算体素单元的交点坐标信息并根据这些交点连接的三角面片来构建体素单元内的几何模型。因此，将血管分割数据作为输入，等值面提取算法输出的数据即为血管的三维非结构网格数据。
执行至步骤S103，本实施例已经将多模态的三维医疗影像转换为同一类型的三维非结构网格数据，这些三维非结构网格数据可以通过一个模型进行处理。
进一步地，这些三维非结构网格数据也可以作为模型的训练数据，从而生成一个基于多模态数据训练得到的血管瘤特征提取模型。
在步骤S104中，将三维非结构网格数据输入至训练好的血管瘤特征提取模型中进行特征提取，以输出血管瘤特征提取结果。
利用预先训练好的血管瘤特征提取模型处理转换得到的三维非结构网格数据，可以提取出影像中的血管瘤特征，从而区分出影像中的正常血管和血管瘤。
进一步地，在实际应用时，若血管瘤特征提取模型输出空值，则可以认为未检测到血管瘤特征，进而认定未筛查出血管瘤；若血管瘤特征提取模型输出非空值，则可以认为检测到血管瘤特征，并根据提取到的血管瘤特征在影像中的位置进一步定位血管中的瘤体位置。
通过步骤S102的血管分割和步骤S103的血管三维重建，能够将多模态的三维医疗影像转换为统一的三维非结构网格数据，进而利用一个训练好的血管瘤特征提取模型从多模态数据中提取到血管瘤特征，融合多模态的三维医疗影像进行血管瘤特征提取，进一步提高特征提取的准确性。
在本实施例中，血管瘤特征提取模型可以选用点云模型或图网络模型。
进一步地，点云模型或图网络模型可以通过以下方法进行训练：
获取多模态的样本数据；
对多模态的样本数据进行血管分割和血管三维重建，得到三维非结构网格样本数据；
对三维非结构网格样本数据进行血管瘤特征标注，以得到血管瘤特征训练集和血管瘤特征验证集；以及
利用血管瘤特征训练集训练点云模型或图网络模型，并利用血管瘤特征验证集对训练后的点云模型或图网络模型进行评估，以得到评估结果满足要求的点云模型或图网络模型。
在本实施例中，训练用的多模态的样本数据也可以通过以下一种或多种医学影像技术得到：磁共振成像、CT血管造影和数字减影血管造影。
通过血管分割和血管三维重建将多模态数据转换为同一类型的三维非结构网格数据的方法已经在前文中进行了详细介绍，此处不再展开赘述。
进行血管瘤特征标注后，可以将样本数据划分成血管瘤训练集和血管瘤验证集，其中血管瘤特征训练集用于训练点云模型或图网络模型，血管瘤特征验证集则用于验证模型的训练结果，训练结果可以基于构建的代价函数进行验证。
示例性地，利用血管瘤特征验证集对训练后的点云模型或图网络模型进行评估的过程如下：
将血管瘤验证集中的三维非结构网格样本数据输入至训练后的点云模型或图网络模型，比对模型输出结果和血管瘤验证集中的血管瘤特征标注，确定模型的评价指标，若评价指标未能达标，则调整模型参数后再次训练，直至评价指标达标。
血管瘤特征提取模型可以处理全局血管的三维非结构网格数据，也可以先将全局血管的三维非结构网格数据切分为局部血管的三维非结构网格数据后，分别对局部血管进行血管瘤特征提取。
图2示出了本披露另一些实施例的血管瘤特征提取方法200的示例性流程图。
如图2所示，在步骤S201中，获取多模态的三维医疗影像。
在步骤S202中，基于三维医疗影像进行血管分割，以得到单一类型的血管分割数据。
在步骤S203中，基于血管分割数据进行血管三维重建，以得到血管的三维非结构网格数据。
在本实施例中，步骤S201至步骤S203的具体内容已经在前文实施例中进行详尽说明，此处不再赘述。
在步骤S204中，基于三维非结构网格数据提取血管中心线。
VMTK算法库中提供了血管或管状物体的中心线生成算法，其用Delaunay三角剖分算法算出血管维诺图，图上的点是血管最大内接球的球心，再根据提供的起止点，在这些球心点中根据半径找到最短路径，其中查找最短路径可以采用快速行进算法(Fast MarchingMethod)，根据算法的输出结果可以得到中心线上点的坐标和半径。
在步骤S205中，沿血管中心线移动预设滑动窗口来切割出若干局部血管，以得到若干局部血管的三维非结构网格数据。
预设滑动窗口在沿着血管中心线移动的过程中能够框选出不同区域的血管，从而形成若干个局部血管的切片，进而得到若干局部血管的三维非结构网格数据。
在此过程中，预设滑动窗口为三维形态的滑动窗口，其三维形态可以为长方体或球体。例如，在本实施例中，采用正方体窗口这类特殊的长方体窗口。
进一步地，预设滑动窗口的尺寸可以根据实际需求进行设置，例如可以将预设滑动窗口设置成边长为30毫米的正方体窗口。
可以理解的是，上述对于预设滑动窗口形态和尺寸的描述仅是本实施例中的一种示例，其不构成对本披露的唯一限定。
在步骤S206中，将若干局部血管的三维非结构网格数据输入至血管瘤特征提取模型，以输出若干局部血管的血管瘤特征提取结果。
进一步地，在得到若干局部血管的血管瘤特征提取结果之后，还可以执行步骤S207，根据血管中心线整合若干局部血管的血管瘤特征提取结果，生成全局血管的血管瘤特征提取结果。
相较于对全局血管的三维非结构网格数据进行处理，通过预设滑动窗口完成若干局部血管的切分后，可以直接使用归一化后的坐标作为血管瘤特征提取模型的一部分输入，因此输入信息更加丰富，使得血管瘤特征提取模型的精度更高。
示例性地，本披露还提供了一种窗口滑动方法，其通过在血管中心线上设置预设切割点，来控制窗口滑动和切割操作。
图3示出了本披露一些实施例的窗口滑动方法300的示例性流程图，可以理解，窗口滑动方法是前述步骤S205中的一种具体实现，因此前文结合图3描述的特征可以类似地应用于此。
如图3所示，在步骤S301中，在血管中心线上设置等距离的预设切割点。
在设置预设切割点时，可以参考预设滑动窗口的尺寸来设置两个预设切割点之间的距离，以确保相邻预设切割点满足以下条件：位于相邻预设切割点的两个预设滑动窗口之间存在重叠。
图4示出了本披露一些实施例的预设滑动窗口重叠的示例图，图5示出了本披露一些实施例的预设滑动窗口不重叠的示例图。如图5所示，假设相邻预设切割点的两个预设滑动窗口之间无重叠部分，那么位于这两个预设滑动窗口之间的局部血管信息则会丢失，从而导致漏检，影响特征提取结果的准确性。
在步骤S302中，沿血管中心线移动预设滑动窗口。
在此步骤中，预设滑动窗口的几何中心始终位于血管中心线上，并沿着血管中心线进行移动。
在步骤S303中，响应于预设滑动窗口的中心位于预设切割点，切割预设滑动窗口范围的血管，以得到若干局部血管。
当预设滑动窗口的几何中心与预设切割点重合时，切割预设滑动窗口框选范围内的血管，从而得到一个局部血管，当所有预设切割点都完成切割动作时，则完成了全局血管的切分。
进一步地，在执行步骤S207时，由于相邻的两个预设滑动窗口之间存在重叠，因此得到的若干血管相应存在重叠，为了合成的全局血管的真实性，可以根据预设切割点确定相邻局部血管的拼接位置。
综上，本披露实施例提供了一种用于对血管瘤特征进行提取的方法，该方法通过血管分割和血管三维重建将多模态的三维医疗影像转换为统一的数据格式，从而便于利用一个训练好的血管瘤特征提取模型处理统一数据格式的三维非结构网格数据，或者利用这些统一数据格式的三维非结构网格数据训练一个血管瘤特征提取模型，增加了模型可用的数据量，从而提高模型性能，以便得到更加精准的特征提取结果。
本披露实施例还提供了另一种用于对血管瘤特征进行提取的方法，引入了预设滑动窗口以将全局血管切分成若干的局部血管，以便直接使用归一化后的坐标作为模型的一部分输入，丰富了输入信息，进一步地提高了模型精度。
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6所示的电子设备。图6示出了本披露一些实施例的电子设备的示例性结构框图。
图6所示的电子设备600，包括：处理器610；以及存储器620，存储器620上存储有可执行的、用于对血管瘤特征进行提取的程序指令，当所述用于对血管瘤特征进行提取的程序指令由所述处理器610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6的电子设备600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600还可以包括与图6中所示的组成元素不同的常见组成元素。
处理器610可以控制电子设备600的操作。例如，处理器610通过执行电子设备600上的存储器620中存储的程序，来控制电子设备600的操作。处理器610可以由电子设备600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610可以按任何适当的方式实现。例如，处理器610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620可以用于存储电子设备600中处理的各种数据、指令的硬件。例如，存储器620可以存储电子设备600中的处理过的数据和待处理的数据。存储器620可存储处理器610已处理或要处理的数据集。此外，存储器620可以存储要由电子设备600驱动的应用、驱动程序等。例如：存储器620可以存储与将由处理器610执行的三维重建、中心线提取等有关的各种程序。存储器620可以是DRAM，但是本披露不限于此。存储器620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620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600的存储器620和处理器610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)，其上存储有用于对血管瘤特征进行提取的计算机程序指令(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 (10)
1.一种用于对血管瘤特征进行提取的方法，其特征在于，包括：
获取多模态的三维医疗影像；
基于所述三维医疗影像进行血管分割，以得到单一类型的血管分割数据；
基于所述血管分割数据进行血管三维重建，以得到血管的三维非结构网格数据；以及
将所述三维非结构网格数据输入至训练好的血管瘤特征提取模型中进行特征提取，以输出血管瘤特征提取结果。
2.根据权利要求1所述的方法，其特征在于，其中所述三维非结构网格数据包括若干局部血管的三维非结构网格数据，所述方法还包括：
在得到血管的三维非结构网格数据之后，基于所述三维非结构网格数据提取血管中心线；以及
沿所述血管中心线移动预设滑动窗口来切割出若干局部血管，以得到所述若干局部血管的三维非结构网格数据；
其中将所述三维非结构网格数据输入至训练好的血管瘤特征提取模型中进行特征提取，以输出血管瘤特征提取结果包括：
将所述若干局部血管的三维非结构网格数据输入至所述血管瘤特征提取模型，以输出所述若干局部血管的血管瘤特征提取结果。
3.根据权利要求2所述的方法，其特征在于，其中在输出所述若干局部血管的血管瘤特征提取结果之后，所述方法还包括：
根据所述血管中心线整合所述若干局部血管的血管瘤特征提取结果，生成全局血管的血管瘤特征提取结果。
4.根据权利要求2所述的方法，其特征在于，其中沿所述血管中心线移动预设滑动窗口并切割出若干局部血管包括：
在所述血管中心线上设置等距离的预设切割点；
沿所述血管中心线移动所述预设滑动窗口；以及
响应于所述预设滑动窗口的中心位于所述预设切割点，切割所述预设滑动窗口范围的血管，以得到所述若干局部血管。
5.根据权利要求4所述的方法，其特征在于，其中位于相邻预设切割点的两个预设滑动窗口之间存在重叠。
6.根据权利要求2所述的方法，其特征在于，其中所述预设滑动窗口为三维形态的滑动窗口，所述三维形态的滑动窗口包括长方体窗口或球体窗口。
7.根据权利要求1所述的方法，其特征在于，其中所述血管瘤特征提取模型包括点云模型或图网络模型，所述点云模型或所述图网络模型通过以下操作进行训练：
获取多模态的样本数据；
对所述多模态的样本数据进行血管分割和血管三维重建，得到三维非结构网格样本数据；
对所述三维非结构网格样本数据进行血管瘤特征标注，以得到血管瘤特征训练集和血管瘤特征验证集；以及
利用血管瘤特征训练集训练所述点云模型或所述图网络模型，并利用所述血管瘤特征验证集对训练后的点云模型或图网络模型进行评估，以得到评估结果满足要求的点云模型或图网络模型。
8.根据权利要求1或7所述的方法，其特征在于，其中所述多模态包括：磁共振成像、CT血管造影和数字减影血管造影。
9.一种用于对血管瘤特征进行提取的设备，其特征在于，包括：
处理器；以及
存储器，其存储有用于对血管瘤特征进行提取的程序指令，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任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有用于对血管瘤特征进行提取的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现根据权利要求1-8任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310684922.8A CN116863146B (zh) | 2023-06-09 | 2023-06-09 | 用于对血管瘤特征进行提取的方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310684922.8A CN116863146B (zh) | 2023-06-09 | 2023-06-09 | 用于对血管瘤特征进行提取的方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116863146A true CN116863146A (zh) | 2023-10-10 |
| CN116863146B CN116863146B (zh) | 2024-03-08 |
Family
ID=88224209
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310684922.8A Active CN116863146B (zh) | 2023-06-09 | 2023-06-09 | 用于对血管瘤特征进行提取的方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116863146B (zh) |
Citations (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080048319A (ko) * | 2006-11-28 | 2008-06-02 | 한국전자통신연구원 | 다중의 생체정보를 이용한 신원확인 시스템 및 방법 |
| WO2014082925A1 (en) * | 2012-11-27 | 2014-06-05 | Siemens Aktiengesellschaft | A system and a method for processing post segmentation data of a medical image |
| CN105096388A (zh) * | 2014-04-23 | 2015-11-25 | 北京冠生云医疗技术有限公司 | 基于计算流体力学的冠状动脉血流仿真系统和方法 |
| CN106296699A (zh) * | 2016-08-16 | 2017-01-04 | 电子科技大学 | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 |
| CN107203741A (zh) * | 2017-05-03 | 2017-09-26 | 上海联影医疗科技有限公司 | 血管提取方法、装置及其系统 |
| CN108523997A (zh) * | 2018-04-28 | 2018-09-14 | 上海交通大学医学院附属仁济医院 | 脑皮层结构、脑血管及脑内病灶3d打印模型及其制备方法 |
| CN109448003A (zh) * | 2018-10-26 | 2019-03-08 | 强联智创（北京）科技有限公司 | 一种颅内动脉血管图像分割方法及系统 |
| CN110189258A (zh) * | 2019-07-23 | 2019-08-30 | 南京景三医疗科技有限公司 | 基于mri多模态序列的颈动脉管腔和管壁自动分割方法 |
| CN110458813A (zh) * | 2019-03-08 | 2019-11-15 | 腾讯科技（深圳）有限公司 | 图像区域定位方法、装置和医学图像处理设备 |
| US20190370616A1 (en) * | 2018-05-30 | 2019-12-05 | Quantum-Si Incorporated | Methods and apparatus for multi-modal prediction using a trained statistical model |
| CN110827242A (zh) * | 2019-10-23 | 2020-02-21 | 华中科技大学 | 一种基于卷积神经网络的颅内动脉瘤检测方法及系统 |
| US20200074214A1 (en) * | 2018-08-29 | 2020-03-05 | Oregon Health & Science University | Systems and methods for the identification of perivascular spaces in magnetic resonance imaging (mri) |
| CN111145147A (zh) * | 2019-12-14 | 2020-05-12 | 中国科学院深圳先进技术研究院 | 多模态医学图像的分割方法及终端设备 |
| CN111815598A (zh) * | 2020-06-30 | 2020-10-23 | 上海联影医疗科技有限公司 | 一种血管参数的计算方法、装置、设备及存储介质 |
| CN113012146A (zh) * | 2021-04-12 | 2021-06-22 | 东北大学 | 血管信息获取方法及装置、电子设备和存储介质 |
| CN113012184A (zh) * | 2021-05-11 | 2021-06-22 | 电子科技大学 | 基于Radon变换与多类型图像联合分析的微血管瘤检测方法 |
| CN113160120A (zh) * | 2021-02-05 | 2021-07-23 | 十堰市太和医院 | 基于多模态融合与深度学习的肝脏血管分割方法及系统 |
| CN113592764A (zh) * | 2020-05-01 | 2021-11-02 | 复旦大学 | 识别和分割不同模态不同解剖部位动脉瘤的系统和方法 |
| CN113706684A (zh) * | 2020-05-22 | 2021-11-26 | 深圳市理邦精密仪器股份有限公司 | 三维血管图像重建方法、系统、医疗设备以及存储介质 |
| CN113705586A (zh) * | 2013-03-07 | 2021-11-26 | 飞利浦影像引导治疗公司 | 血管内图像中的多模态分割 |
| CN113707312A (zh) * | 2021-09-16 | 2021-11-26 | 人工智能与数字经济广东省实验室(广州) | 一种基于深度学习的血管定量识别的方法及装置 |
| CN113870215A (zh) * | 2021-09-26 | 2021-12-31 | 推想医疗科技股份有限公司 | 中线提取方法及装置 |
| CN114037663A (zh) * | 2021-10-27 | 2022-02-11 | 北京医准智能科技有限公司 | 一种血管分割方法、装置及计算机可读介质 |
| CN114494320A (zh) * | 2021-12-09 | 2022-05-13 | 华中科技大学同济医学院附属协和医院 | 一种三维mri病灶图像分割方法及系统 |
| WO2022105647A1 (zh) * | 2020-11-23 | 2022-05-27 | 西安科锐盛创新科技有限公司 | 一种颅内血管造影增强三维模型的建立方法 |
| WO2022109902A1 (zh) * | 2020-11-25 | 2022-06-02 | 苏州润迈德医疗科技有限公司 | 三维血管中心线合成方法、系统及存储介质 |
| CN114708280A (zh) * | 2022-04-12 | 2022-07-05 | 吉林大学 | 一种可适用于多模态的脑血管分割算法 |
| WO2022148415A1 (zh) * | 2021-01-08 | 2022-07-14 | 杭州深睿博联科技有限公司 | 冠脉血管分割方法、装置、设备及计算机可读存储介质 |
| CN114841991A (zh) * | 2022-05-27 | 2022-08-02 | 北京理工大学 | 一种基于多模态影像的血管易损斑块评估方法 |
| CN115409764A (zh) * | 2021-05-28 | 2022-11-29 | 南京博视医疗科技有限公司 | 一种基于域自适应的多模态眼底血管分割方法及装置 |
| WO2022257345A1 (zh) * | 2021-06-07 | 2022-12-15 | 刘星宇 | 医学图像融合方法及系统、模型训练方法及存储介质 |
| CN115564782A (zh) * | 2022-10-13 | 2023-01-03 | 重庆大学 | 3d血管及气管分割方法及系统 |
| CN115937192A (zh) * | 2022-12-30 | 2023-04-07 | 北京航空航天大学 | 一种无监督视网膜血管分割方法、系统及电子设备 |
-
2023
- 2023-06-09 CN CN202310684922.8A patent/CN116863146B/zh active Active
Patent Citations (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080048319A (ko) * | 2006-11-28 | 2008-06-02 | 한국전자통신연구원 | 다중의 생체정보를 이용한 신원확인 시스템 및 방법 |
| WO2014082925A1 (en) * | 2012-11-27 | 2014-06-05 | Siemens Aktiengesellschaft | A system and a method for processing post segmentation data of a medical image |
| CN113705586A (zh) * | 2013-03-07 | 2021-11-26 | 飞利浦影像引导治疗公司 | 血管内图像中的多模态分割 |
| CN105096388A (zh) * | 2014-04-23 | 2015-11-25 | 北京冠生云医疗技术有限公司 | 基于计算流体力学的冠状动脉血流仿真系统和方法 |
| CN106296699A (zh) * | 2016-08-16 | 2017-01-04 | 电子科技大学 | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 |
| CN107203741A (zh) * | 2017-05-03 | 2017-09-26 | 上海联影医疗科技有限公司 | 血管提取方法、装置及其系统 |
| CN108523997A (zh) * | 2018-04-28 | 2018-09-14 | 上海交通大学医学院附属仁济医院 | 脑皮层结构、脑血管及脑内病灶3d打印模型及其制备方法 |
| US20190370616A1 (en) * | 2018-05-30 | 2019-12-05 | Quantum-Si Incorporated | Methods and apparatus for multi-modal prediction using a trained statistical model |
| US20200074214A1 (en) * | 2018-08-29 | 2020-03-05 | Oregon Health & Science University | Systems and methods for the identification of perivascular spaces in magnetic resonance imaging (mri) |
| CN109448003A (zh) * | 2018-10-26 | 2019-03-08 | 强联智创（北京）科技有限公司 | 一种颅内动脉血管图像分割方法及系统 |
| CN110458813A (zh) * | 2019-03-08 | 2019-11-15 | 腾讯科技（深圳）有限公司 | 图像区域定位方法、装置和医学图像处理设备 |
| CN110189258A (zh) * | 2019-07-23 | 2019-08-30 | 南京景三医疗科技有限公司 | 基于mri多模态序列的颈动脉管腔和管壁自动分割方法 |
| CN110827242A (zh) * | 2019-10-23 | 2020-02-21 | 华中科技大学 | 一种基于卷积神经网络的颅内动脉瘤检测方法及系统 |
| CN111145147A (zh) * | 2019-12-14 | 2020-05-12 | 中国科学院深圳先进技术研究院 | 多模态医学图像的分割方法及终端设备 |
| CN113592764A (zh) * | 2020-05-01 | 2021-11-02 | 复旦大学 | 识别和分割不同模态不同解剖部位动脉瘤的系统和方法 |
| CN113706684A (zh) * | 2020-05-22 | 2021-11-26 | 深圳市理邦精密仪器股份有限公司 | 三维血管图像重建方法、系统、医疗设备以及存储介质 |
| CN111815598A (zh) * | 2020-06-30 | 2020-10-23 | 上海联影医疗科技有限公司 | 一种血管参数的计算方法、装置、设备及存储介质 |
| WO2022105647A1 (zh) * | 2020-11-23 | 2022-05-27 | 西安科锐盛创新科技有限公司 | 一种颅内血管造影增强三维模型的建立方法 |
| WO2022109902A1 (zh) * | 2020-11-25 | 2022-06-02 | 苏州润迈德医疗科技有限公司 | 三维血管中心线合成方法、系统及存储介质 |
| WO2022148415A1 (zh) * | 2021-01-08 | 2022-07-14 | 杭州深睿博联科技有限公司 | 冠脉血管分割方法、装置、设备及计算机可读存储介质 |
| CN113160120A (zh) * | 2021-02-05 | 2021-07-23 | 十堰市太和医院 | 基于多模态融合与深度学习的肝脏血管分割方法及系统 |
| CN113012146A (zh) * | 2021-04-12 | 2021-06-22 | 东北大学 | 血管信息获取方法及装置、电子设备和存储介质 |
| CN113012184A (zh) * | 2021-05-11 | 2021-06-22 | 电子科技大学 | 基于Radon变换与多类型图像联合分析的微血管瘤检测方法 |
| CN115409764A (zh) * | 2021-05-28 | 2022-11-29 | 南京博视医疗科技有限公司 | 一种基于域自适应的多模态眼底血管分割方法及装置 |
| WO2022257345A1 (zh) * | 2021-06-07 | 2022-12-15 | 刘星宇 | 医学图像融合方法及系统、模型训练方法及存储介质 |
| CN113707312A (zh) * | 2021-09-16 | 2021-11-26 | 人工智能与数字经济广东省实验室(广州) | 一种基于深度学习的血管定量识别的方法及装置 |
| CN113870215A (zh) * | 2021-09-26 | 2021-12-31 | 推想医疗科技股份有限公司 | 中线提取方法及装置 |
| CN114037663A (zh) * | 2021-10-27 | 2022-02-11 | 北京医准智能科技有限公司 | 一种血管分割方法、装置及计算机可读介质 |
| CN114494320A (zh) * | 2021-12-09 | 2022-05-13 | 华中科技大学同济医学院附属协和医院 | 一种三维mri病灶图像分割方法及系统 |
| CN114708280A (zh) * | 2022-04-12 | 2022-07-05 | 吉林大学 | 一种可适用于多模态的脑血管分割算法 |
| CN114841991A (zh) * | 2022-05-27 | 2022-08-02 | 北京理工大学 | 一种基于多模态影像的血管易损斑块评估方法 |
| CN115564782A (zh) * | 2022-10-13 | 2023-01-03 | 重庆大学 | 3d血管及气管分割方法及系统 |
| CN115937192A (zh) * | 2022-12-30 | 2023-04-07 | 北京航空航天大学 | 一种无监督视网膜血管分割方法、系统及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 秦志光 等: "基于多模态卷积神经网络的脑血管提取方法研究", 《电子科技大学学报》, vol. 45, no. 4, 31 August 2016 (2016-08-31), pages 573 - 581 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116863146B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6993334B2 (ja) | 自動化された心臓ボリュームセグメンテーション | |
| CN110796656A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
| CN110009640B (zh) | 处理心脏视频的方法、设备和可读介质 | |
| US10366494B2 (en) | Image segmentation method and electronic device therefor | |
| US9536316B2 (en) | Apparatus and method for lesion segmentation and detection in medical images | |
| JP6005297B2 (ja) | 磁気共鳴（ｍｒ）イメージにおける骨と軟骨の分類方法、および、データ処理システム | |
| CA3068526A1 (en) | Classification and 3d modelling of 3d dento-maxillofacial structures using deep learning methods | |
| Zhang et al. | Intelligent scanning: Automated standard plane selection and biometric measurement of early gestational sac in routine ultrasound examination | |
| CN112991413A (zh) | 自监督深度估测方法和系统 | |
| KR102119057B1 (ko) | 골절 진단모델의 학습 방법 및 장치 | |
| RU2654199C1 (ru) | Сегментация тканей человека на компьютерном изображении | |
| US11276490B2 (en) | Method and apparatus for classification of lesion based on learning data applying one or more augmentation methods in lesion information augmented patch of medical image | |
| CN110210519B (zh) | 分类方法、计算机设备和存储介质 | |
| US20190156552A1 (en) | Method for reconstructing three-dimensional information of object and apparatus for the same | |
| CN114758137B (zh) | 超声图像分割方法、装置及计算机可读存储介质 | |
| CN112802013B (zh) | 基于图神经网络与多任务学习的脑疾病检测方法和装置 | |
| US11282203B2 (en) | Method and system for image analysis | |
| CN113192175A (zh) | 模型训练方法、装置、计算机设备和可读存储介质 | |
| EP3617948A1 (en) | Capsule networks for analyzing medical image data | |
| CN116912214B (zh) | 用于对动脉瘤检测图像进行分割的方法、设备及存储介质 | |
| CN116863146B (zh) | 用于对血管瘤特征进行提取的方法、设备及存储介质 | |
| JP2023505374A (ja) | 医療画像セグメント化及びアトラス画像選択 | |
| EP3712845B1 (en) | Image identifying method and image identifying device | |
| CN111507999B (zh) | 一种基于fdsst算法的目标追踪方法及装置 | |
| WO2024045395A1 (zh) | 基于ct图像的病灶检测方法、装置及计算机可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |