CN117078698B - 一种基于深度学习的外周血管影像辅助分割方法及系统 - Google Patents
一种基于深度学习的外周血管影像辅助分割方法及系统 Download PDFInfo
- Publication number
- CN117078698B CN117078698B CN202311054569.1A CN202311054569A CN117078698B CN 117078698 B CN117078698 B CN 117078698B CN 202311054569 A CN202311054569 A CN 202311054569A CN 117078698 B CN117078698 B CN 117078698B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- film
- pixel
- confidence range
- pixels
- 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 67
- 230000011218 segmentation Effects 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 210000005259 peripheral blood Anatomy 0.000 title claims abstract description 20
- 239000011886 peripheral blood Substances 0.000 title claims abstract description 20
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 184
- 238000002372 labelling Methods 0.000 claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 230000010354 integration Effects 0.000 claims abstract description 17
- 230000002792 vascular Effects 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000003086 colorant Substances 0.000 claims description 8
- 230000002093 peripheral effect Effects 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 abstract description 13
- 238000010191 image analysis Methods 0.000 abstract description 2
- 238000003384 imaging method Methods 0.000 description 11
- 210000000056 organ Anatomy 0.000 description 10
- 230000003902 lesion Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000002583 angiography Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习的外周血管影像辅助分割方法及系统，涉及图像分析处理的技术领域，其中基于深度学习的外周血管影像辅助分割方法包括样本影片整合、样本影片分析、确定像素置信范围、确定血管宽度置信范围、确定血管区域置信范围、待标注影片区域划分、待标注影片像素分析、获取边缘像素、获取边线、血管划分标注、整合等步骤；基于深度学习的外周血管影像辅助分割系统包括扫描模块、处理模块、储存模块、显示模块等模块。本发明能够精准的辅助分割和标注血管，减轻了负责标注的医生的劳动强度，提高了诊断的医生诊断的效率。
Description
技术领域
本发明涉及图像分析处理的技术领域，尤其是涉及一种基于深度学习的外周血管影像辅助分割方法及系统。
背景技术
血管造影术，是将造影剂注入血管，使血管在X线照射下显影，并且通过成像技术将血管的显影拍摄下来，之后，医生便可根据显影的结果得知血管的轮廓，进而诊断血管疾病。然而，血管造影也有一定的缺点，即数据量大，且背景噪声大（即部分器官组织的灰度与血管的灰度相近，区分难度大），医生需要在标注血管时耗费较长的时间和精力。
为了解决医生标注血管耗时较长的问题，目前出现了血管影像分割系统，以帮助医生标注血管。血管影像分割的方法主要分为全自动以及半自动两种分割方法；全自动分割方法即使用分割系统对现有影片进行学习，之后由系统自动进行分割，分割时不需要人工干预；而半自动分割方法即使用分割系统对现有影片进行学习，之后在医生的操作下使用对影片进行辅助分割，分割时需要医生干预。由于目前的现有影片难以互通，造成数据库中影片的数量不够充足，进而导致全自动的分割方法分割准确率较低，目前全自动的分割方法还难以有效帮助医生诊断病情，因此半自动的分割方法仍然是目前的主流分割方法。
目前，公开日为2023年05月05日，公开号为CN116071355A的中国发明专利申请提出了一种用于外周血管影像的辅助分割系统及方法，其中用于外周血管影像的辅助分割方法中公开的方法大致如下：
先确定一定为血管的区域，之后找寻该部分血管的边界，之后沿着边界的延伸方向选定窗口区域，并根据窗口区域内像素点的阈值判断窗口区域内哪部分区域属于血管的区域，哪部分区域属于背景区域，进而不断的划分血管的边界，直至边界划分结束。在划分边界时，使用二值化算法不断获取每个窗口区域的自适应阈值，以提高划分边界的准确性。
但是，在血管影像中，有部分器官组织的灰度与血管的灰度相同，而且该部分器官组织的成像区域与血管的成像区域相重叠，如此使用二值化算法划分边界时，便可能将该部分器官组织认定为血管；最终导致血管影像成像的精度较差。
发明内容
为了能够提高血管影像的成像精度，降低误判的概率，本发明提供一种基于深度学习的外周血管影像辅助分割方法及系统。
第一方面，本发明提供的一种基于深度学习的外周血管影像辅助分割方法，采用如下的技术方案：
一种基于深度学习的外周血管影像辅助分割方法，包括以下步骤：
样本影片整合：将数据库中的影片根据身高区间、体重区间、显影剂剂量区间以及性别进行分类，并获得当前类别中影片的数量C，已有的影片已对血管以及血管区域M进行分割，影片中标注了血管的范围以及血管的类别m，一个血管区域M对应一种血管类别m；
样本影片分析：对当前类别内的影片进行逐一识别，获得第x张影片中血管的像素数量Nx、第x张影片中属于血管区域的第n个像素的灰度值Gx n、第x张影片中第m种血管的平均宽度Bx m，
确定像素置信范围：确定可以初步被认定为血管的像素置信范围G*，G*的计算模型如下：
；
；
；
；
式中，为当前影片类别中所有影片内所有血管像素的灰度值均值；其中，/>向下取整，且最小不小于0，/>向上取整，且最大不大于255；
确定血管宽度置信范围：根据所划分的血管区域M，确定可以初步被认定为血管的宽度置信范围B* m，B* m的计算模型如下：
；
式中，为当前影片类别中所有影片内第m种血管的宽度值均值；
确定血管区域置信范围：确定基准血管区域置信范围M*，M*的计算模型如下：
；
待标注影片区域划分：根据血管区域置信范围M*，对待标注的影片进行区域划分，进而得到多个待标注的血管区域M’；
待标注影片像素分析：对待标注的血管区域M’依次进行扫描，获取灰度值属于G*的像素；
获取边缘像素：对灰度值属于G*的像素进行分析，若当前像素周边的8个像素中存在不属于G*的像素，则将当前像素划分为边缘像素Gz；
获取边线：对边缘像素Gz进行分析，若当前像素上下左右的4个相邻像素中存在属于G*的像素，则继续分析相邻像素，直至无相邻的像素，进而确定当前边线；之后继续分析其它未被分析过的像素，直至所有边缘像素Gz被分析完毕，进而获得多个边线LI；
血管划分标注：分析当前区域内血管的宽度是否符合当前血管类别的宽度置信范围B* m；分析模型如下：
若；则对（aj i、bj i）进行第一颜色标注；
若；则对（aj i、bj i）进行第二颜色标注；
对于其它（aj i、bj i）进行第三颜色标注；
式中，（aj i、bj i）为第i个边线的第j个像素的坐标；
重复待标注影片像素分析、获取边缘像素、获取边线、血管划分标注步骤，直至影片被分析完毕；
整合：将影片中的所有血管区域整合至同一图片上，且同一位置的第三颜色标注覆盖第一颜色标注或第二颜色标注。
通过采用上述技术方案，在对血管进行划分时，若出现部分器官组织的灰度与血管的灰度相同，而且该部分器官组织的成像区域与血管的成像区域相重叠的情况时，对该部分区域进行宽度的判断；若该部分区域的宽度处于宽度置信范围B* m之间，则可以确定该部分区域为血管；若该部分区域的宽度大于宽度置信范围B* m的最大值，则证明该部分区域可能发生病变，或出现器官组织的成像区域与血管的成像区域相重叠的情况；若该部分区域的宽度小于宽度置信范围B* m的最小值，则证明该部分区域可能发生病变。如此不同的区域被不同的颜色标注，以便于诊断的医生及时发现问题区域，进而提高了诊断的医生诊断的效率。
可选地，所述获取边线步骤以及所述血管划分标注步骤之间还设置有降噪步骤；
降噪：对边线LI进行分析，若边线Li的周长小于第一阈值时，则将边线Li判定为噪音，在所述血管划分标注步骤中，不对边线Li进行分析。
通过采用上述技术方案，通过降噪步骤的设置，使得属于噪音部分的边线不会被标注，缩短了标注边线时所消耗的时间，提高了标注效率；而且标注完毕后的边线没有噪音部分的影片，便于负责标注的医生和诊断的医生观察和判断，降低了干扰。
可选地，所述整合步骤后还设置有图层划分步骤以及图层选择步骤；
图层划分：根据标注的颜色对图层进行划分；
图层选择：根据标注的颜色对图层进行选择展示。
通过采用上述技术方案，负责诊断的医生在查阅影像资料时，可根据图层进行选择性展示，如此便于医生查阅正常范围、病变范围以及不明确的范围，降低了其它颜色的标注影片医生判断的概率。
可选地，所述图层划分步骤后还设置有边线整合步骤以及编辑步骤；
边线整合：在不同的图层中，对连续的颜色标注进行模块化处理；
编辑：对不合理的标注范围进行编辑。
通过采用上述技术方案，负责标注的医生在判读影片时，若发现第二颜色标注以及第三颜色标注中具有标注不合理的情况时，负责标注的医生可对标注不合理的边线进行删除或者修改，以便于负责诊断的医生查阅影片；而通过边线整合步骤的设置，使得医生在删除整改边线时更加容易，降低了医生编辑影片时的劳动强度。
可选地，所述编辑步骤后还设置有入库步骤；
入库：将经过编辑的影片根据身高区间、体重区间、显影剂剂量区间以及性别纳入数据库中，并重新执行样本影片整合步骤、样本影片分析步骤、确定像素置信范围步骤、确定血管宽度置信范围步骤。
通过采用上述技术方案，每完成一个影片的分析，并对影片中不合理的地方进行修改，便向数据库中提供一次数据，如此数据库中的数据便会逐渐增多，进而使后续的分析结果更加准确。
第二方面，本发明提供的一种基于深度学习的外周血管影像辅助分割系统，采用如下的技术方案：
一种基于深度学习的外周血管影像辅助分割系统，包括扫描模块、处理模块、储存模块以及显示模块；
扫描模块：输出端与储存模块的输入端电信号连接，用于扫描数据库中影片，而且用于扫描待标注的影片，进而得到影片中血管区域M、血管类别m、血管的像素数量N、第m种血管的平均宽度Bm、影片像素的像素值；
储存模块：用于储存影片信息；
处理模块：输入端与储存模块的输出端电信号连接，输出端与储存模块的输入端电信号连接，用于结合影片的数量处理影片信息，计算像素置信范围G*、血管的宽度置信范围B* m、血管区域置信范围M*，并将像素置信范围G*、血管的宽度置信范围B* m、血管区域置信范围M*输出至储存模块中待用；处理模块还用于计算边缘像素，并对边缘像素进行颜色标注，标注完毕的影片储存至储存模块待用；
显示模块：用于显示标注完毕的影片。
通过采用上述技术方案，在获得影片后，通过扫描模块的扫描进而识别影片中的区域以及像素，获得影片的基本信息；之后处理模块便可根据影片的数量及信息计算像素置信范围G*、血管的宽度置信范围B* m、血管区域置信范围M*，并且计算边缘像素，并对边缘像素进行颜色标注，经过标注的影片对于确定的血管区域、可能病变的区域、不确定的区域进行了不同的划分，进而便于负责标注的医生进行二次校准，如此减轻了负责标注的医生的劳动强度；由于被标注的区域精准度高，提高了诊断的医生诊断的效率。
可选地，还包括编辑模块，
编辑模块：输出端与处理模块的输入端电信号连接，用于编辑标注情况。
通过采用上述技术方案，负责标注的医生可以对处理模块处理的初步结果进行再编辑，进而对标注不合理的边线进行删除或者修改，以便于负责诊断的医生查阅影片；提高影片最终的准确率。
综上所述，本发明包括以下至少一种有益技术效果：
1. 通过血管划分标注步骤的设置，在疑似血管的区域进行血管宽度的判定，进而得出确切的血管轮廓，同时辅助得出了血管上可能出现的病变区域，既减轻了负责标注的医生的工作强度，还提高了诊断的医生诊断的效率。
2. 通过降噪步骤的设置，使得属于噪音部分的边线不会被标注，缩短了标注边线时所消耗的时间，提高了标注效率；而且标注完毕后的边线没有噪音部分的影片，便于负责标注的医生和诊断的医生观察和判断，降低了干扰。
3. 通过编辑步骤的设置，负责标注的医生在判读影片时，若发现第二颜色标注以及第三颜色标注中具有标注不合理的情况时，负责标注的医生可对标注不合理的边线进行删除或者修改，以便于负责诊断的医生查阅影片。
4. 通过入库步骤的设置，每完成一个影片的分析，并对影片中不合理的地方进行修改，便向数据库中提供一次数据，如此数据库中的数据便会逐渐增多，进而使后续的分析结果更加准确。
附图说明
图1是实施例1的流程示意图；
图2是实施例2的系统图。
具体实施方式
以下结合图1至图2对本发明作进一步详细说明。
实施例1：本实施例公开了一种基于深度学习的外周血管影像辅助分割方法，参照图1，基于深度学习的外周血管影像辅助分割方法包括以下步骤：
S1：样本影片整合：将数据库中的影片根据身高区间、体重区间、显影剂剂量区间以及性别进行分类，例如：身高以每5CM为一个区间，体重以每5kg为一个区间，显影剂剂量以5ml为一个区间；并获得当前类别中影片的数量C，已有的影片已对血管以及血管区域M进行分割，影片中标注了血管的范围以及血管的类别m，一个血管区域M对应一种血管类别m。
由于患者的身高、体重、性别均会影响血管的尺寸以及布局，因此将其按照一定的区间分类，可以减小分析影片时血管的尺寸、布局对最终结果带来的影响；而显影剂的剂量会影响血管成像后的灰度值，通过将显影剂的剂量按照一定的区间分类，可以降低分析影片时灰度值对最终结果的影响。
S2：样本影片分析：对当前类别内的影片进行逐一识别，获得第x张影片中血管的像素数量Nx、第x张影片中属于血管区域的第n个像素的灰度值Gx n、第x张影片中第m种血管的平均宽度Bx m。
S3：确定像素置信范围：确定可以初步被认定为血管的像素置信范围G*，G*的计算模型如下：
；
；
；
；
式中，为当前影片类别中所有影片内所有血管像素的灰度值均值；其中，/>向下取整，且最小不小于0，/>向上取整，且最大不大于255。
S4：确定血管宽度置信范围：根据所划分的血管区域M，确定可以初步被认定为血管的宽度置信范围B* m，B* m的计算模型如下：
；
式中，为当前影片类别中所有影片内第m种血管的宽度值均值。
S5：确定血管区域置信范围：确定基准血管区域置信范围M*，M*的计算模型如下：
。
S6：待标注影片区域划分：根据血管区域置信范围M*，对待标注的影片进行区域划分，进而得到多个待标注的血管区域M’。
由于每个人的血管分布存在细微不同，但细微的不同并不能代表异常，因此将所有血管可能存在的区域取并集，以作为血管区域置信范围M*，可以降低误判的概率。
S7：待标注影片像素分析：对待标注的血管区域M’依次进行扫描，获取灰度值属于G*的像素。
S8：获取边缘像素：对灰度值属于G*的像素进行分析，若当前像素周边的8个像素中存在不属于G*的像素，则将当前像素划分为边缘像素Gz。
S9：获取边线：对边缘像素Gz进行分析，若当前像素上下左右的4个相邻像素中存在属于G*的像素，则继续分析相邻像素，直至无相邻的像素，进而确定当前边线；之后继续分析其它未被分析过的像素，直至所有边缘像素Gz被分析完毕，进而获得多个边线LI。
S10：降噪：对边线LI进行分析，若边线Li的周长小于第一阈值时，则将边线Li判定为噪音，在所述血管划分标注步骤中，不对边线Li进行分析。
由于边线LI为坐标的集合，其包含若干个坐标元素，且坐标元素为依次相邻的，因此，在计算边线Li的周长时，可通过对边线的元素数量进行计数的方式进行分析，若Li的元素数量小于一定数值时，便可等同于边线Li的周长小于第一阈值。
经过降噪处理后，处于血管外部的小的离散点被去除，降低了这些离散点对最终标注结果的干扰；同时，由于血管内部也可能存在部分区域的灰度不在像素置信范围G*中的情况，经过降噪处理后，处于血管内部的灰度不在像素置信范围G*中的区域的边线也被去除，降低了血管内的干扰。
S11：血管划分标注：分析当前区域内血管的宽度是否符合当前血管类别的宽度置信范围B* m；分析模型如下：
若；则对（aj i、bj i）进行第一颜色标注；
若；则对（aj i、bj i）进行第二颜色标注；
对于其它（aj i、bj i）进行第三颜色标注；
式中，（aj i、bj i）为第i个边线的第j个像素的坐标。
在经过标注后，经第三颜色标注的边线，其至其它边线的距离属于宽度置信范围B* m，因此第三颜色标注的边线代表了正常的血管的轮廓；经第一颜色标注的边线，其至其它边线的距离大于宽度置信范围B* m，则证明该部分区域可能发生了病变，使得血管的宽度大于正常情况，也可能出现器官组织的成像区域与血管的成像区域相重叠的情况，需要负责标注的医生再次判别；而经第二颜色标注的边线，其至其它边线的距离小于宽度置信范围B* m，则证明该部分区域可能发生了病变，使得血管的宽度小于正常情况。
之后，重复待标注影片像素分析步骤S6、获取边缘像素步骤S8、获取边线步骤S9、降噪步骤S10、血管划分标注步骤S11，对其它血管区域进行分析，直至影片被分析完毕。
S12：整合：将影片中的所有血管区域整合至同一图片上，且同一位置的第三颜色标注覆盖第一颜色标注或第二颜色标注。
由于选定血管区域置信范围M*时使用了取并集的算法，使得影片中有部分区域被扫描计算了多次；而由于不同区域内的计算基准不同，当不属于当前区域内的血管边线被使用当前区域内的算法进行计算时，其得出的结论往往是边线被第一颜色标注或第二颜色标注，但并不代表该部分血管边线为非正常的边线。在整合步骤中，将同一位置的第三颜色标注覆盖第一颜色标注或第二颜色标注，意味着只要同一位置，在某一区域内被标注为第三颜色，则证明该位置可以代表正常的血管的轮廓。
S13：图层划分：根据标注的颜色对图层进行划分。
S14：边线整合：在不同的图层中，对连续的颜色标注进行模块化处理，使得连续的颜色标注形成一个整体。
S15：编辑：对不合理的标注范围进行编辑，以提高影片上标注的准确性。
S16：入库：将经过编辑的影片根据身高区间、体重区间、显影剂剂量区间以及性别纳入数据库中，并重新执行样本影片整合步骤S1、样本影片分析步骤S2、确定像素置信范围步骤S3、确定血管宽度置信范围步骤S4。
S17：图层选择：根据标注的颜色对图层进行选择展示。
本实施例基于深度学习的外周血管影像辅助分割方法的实施原理为：
根据样本影片整合步骤S1、样本影片分析步骤S2、确定像素置信范围步骤S3、确定血管宽度置信范围步骤S4、确定血管区域置信范围步骤S5的处理，获得像素置信范围G*、血管的宽度置信范围B* m以及血管区域置信范围M*；为后续的影片分析做好数据基础。
之后将影片根据包括的血管的类型划分为多个区域，并对区域内的影片进行分析，获得处于边缘处的像素的坐标，并获得边线；这些像素的坐标内存在着噪音，因此通过降噪步骤S10进行降噪；之后对这些坐标进行分析，以确定这些坐标是否能够代表血管的边缘。
在判断这些坐标是否能够代表血管的边缘时，以血管的宽度置信范围B* m为参照进行分析。若当前边线上的某些坐标点在宽度置信范围B* m内能寻找到另一处边线，则证明该部分坐标点确实为血管的边缘，并用第三颜色标注。
若当前边线上的某些坐标点在maxB* m的距离上都不能寻找到另一处边线，则证明该部分坐标相对于血管的中心发生了外偏，因此可证明该部分区域可能发生了病变，使得血管的宽度大于正常情况，也可能出现器官组织的成像区域与血管的成像区域相重叠的情况，需要负责标注的医生再次判别。
若当前边线上的某些坐标点在minB* m的距离上都能寻找到另一处边线，则证明该部分坐标相对于血管的中心发生了内偏，因此可以证明该部分区域可能发生了病变，使得血管的宽度小于正常情况。
之后对其它血管区域进行分析，直至影片被分析完毕，再之后对影片进行整合。由于选定血管区域置信范围M*时使用了取并集的算法，使得影片中有部分区域被扫描计算了多次；而由于不同区域内的计算基准不同，当不属于当前区域内的血管边线被使用当前区域内的算法进行计算时，其得出的结论往往是边线被第一颜色标注或第二颜色标注，但并不代表该部分血管边线为非正常的边线。在整合步骤中，将同一位置的第三颜色标注覆盖第一颜色标注或第二颜色标注，意味着只要同一位置，在某一区域内被标注为第三颜色，则证明该位置可以代表正常的血管的轮廓。
之后通过图层划分步骤S13、边线整合步骤S14、编辑步骤S15对颜色标注进行再次编辑，以提高影片上标注的准确性，进而便于负责诊断的医生判定病情。同时，将编辑过的影片输入至数据库中，并重新执行样本影片整合步骤S1、样本影片分析步骤S2、确定像素置信范围步骤S3、确定血管宽度置信范围步骤S4，使像素置信范围G*、血管的宽度置信范围B* m的值获得刷新，进而在后续辅助分割标注影片时，标注的更加准确。
实施例2：本实施例公开了一种基于深度学习的外周血管影像辅助分割系统，参照图2，基于深度学习的外周血管影像辅助分割系统包括扫描模块、处理模块、储存模块、显示模块以及编辑模块；
扫描模块：输出端与储存模块的输入端电信号连接，用于扫描数据库中影片，进而得到影片中血管区域M、血管类别m、血管的像素数量N、第m种血管的平均宽度Bm；而且用于扫描待标注的影片，进而在影片上得到各个像素的像素值。扫描数据库中已有的影片后获得的血管区域M、血管类别m、血管的像素数量N、第m种血管的平均宽度Bm均输送至储存模块中储存；扫描待标注的影片获得的各个像素的像素值也均输送至储存模块中储存。
储存模块：用于储存影片信息，且用于储存第一阈值；
处理模块：输入端与储存模块的输出端电信号连接，输出端与储存模块的输入端电信号连接；
在第一阶段，用于结合血管区域M、血管类别m、血管的像素数量N、第m种血管的平均宽度Bm以及影片的数量C处理影片信息，进而计算得到像素置信范围G*、血管的宽度置信范围B* m、血管区域置信范围M*，并将像素置信范围G*、血管的宽度置信范围B* m、血管区域置信范围M*输出至储存模块中待用；
在第二阶段，用于结合像素置信范围G*、血管的宽度置信范围B* m、血管区域置信范围M*，计算得到多个待标注的血管区域M’以及多个边线LI，并将多个待标注的血管区域M’以及多个边线LI输出至储存模块中待用；
在第三阶段，结合第一阈值以及血管的宽度置信范围B* m，对边线LI进行标注，并将标注结果输出至储存模块待用；在第四阶段，用于调用储存模块中的信息。
显示模块：输入端与处理模块的输出端连接，根据处理模块调用的信息，显示标注完毕的影片。
编辑模块：输出端与处理模块的输入端电信号连接，用于编辑标注情况。
本实施例基于深度学习的外周血管影像辅助分割系统的实施原理为：
在初次标注影片前，先对数据库中已有的影片进行扫描，进而得到影片中血管区域M、血管类别m、血管的像素数量N、第m种血管的平均宽度Bm；并将以上数据输入至储存模块中待用。处理模块结合血管区域M、血管类别m、血管的像素数量N、第m种血管的平均宽度Bm以及影片的数量C处理影片信息，进而计算得到像素置信范围G*、血管的宽度置信范围B* m、血管区域置信范围M*，并将像素置信范围G*、血管的宽度置信范围B* m、血管区域置信范围M*输出至储存模块中待用。
在扫描待标注的影片时，扫描模块从待标注的影片上各个像素的像素值；并输送至储存模块中待用；处理模块结合待标注的影片上各个像素的像素值以及储存模块中的像素置信范围G*、血管的宽度置信范围B* m、血管区域置信范围M*，计算得到多个待标注的血管区域M’以及多个边线LI，并将多个待标注的血管区域M’以及多个边线LI输出至储存模块中待用；
之后处理模块结合第一阈值以及血管的宽度置信范围B* m，对边线LI进行标注，并将标注结果输出至储存模块待用；标注完毕后，负责标注的医生可以通过标注模块对标注情况进行删改，删改后的标注情况输入至储存模块中。
当负责标注的医生完成一次对影片的编辑后，数据库中便增添一张影片以及影片的相关信息，处理模块再次结合血管区域M、血管类别m、血管的像素数量N、第m种血管的平均宽度Bm以及影片的数量C处理影片信息，进而计算得到像素置信范围G*、血管的宽度置信范围B* m、血管区域置信范围M*，并将像素置信范围G*、血管的宽度置信范围B* m、血管区域置信范围M*输出至储存模块中待用。
之后负责诊断的医生通过处理模块调用储存模块中的标注信息，进而辅助诊断。
以上均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。
Claims (7)
1.一种基于深度学习的外周血管影像辅助分割方法，其特征在于：包括以下步骤：
样本影片整合：将数据库中的影片根据身高区间、体重区间、显影剂剂量区间以及性别进行分类，并获得当前类别中影片的数量C，已有的影片已对血管以及血管区域M进行分割，影片中标注了血管的范围以及血管的类别m，一个血管区域M对应一种血管类别m；
样本影片分析：对当前类别内的影片进行逐一识别，获得第x张影片中血管的像素数量Nx、第x张影片中属于血管区域的第n个像素的灰度值Gx n、第x张影片中第m种血管的平均宽度Bx m，
确定像素置信范围：确定可以初步被认定为血管的像素置信范围G*，G*的计算模型如下：
；
；
；
；
式中，为当前影片类别中所有影片内所有血管像素的灰度值均值；其中，/>向下取整，且最小不小于0，/>向上取整，且最大不大于255；
确定血管宽度置信范围：根据所划分的血管区域M，确定可以初步被认定为血管的宽度置信范围B* m，B* m的计算模型如下：
；
式中，为当前影片类别中所有影片内第m种血管的宽度值均值；
确定血管区域置信范围：确定基准血管区域置信范围M*，M*的计算模型如下：
；
待标注影片区域划分：根据血管区域置信范围M*，对待标注的影片进行区域划分，进而得到多个待标注的血管区域M’；
待标注影片像素分析：对待标注的血管区域M’依次进行扫描，获取灰度值属于G*的像素；
获取边缘像素：对灰度值属于G*的像素进行分析，若当前像素周边的8个像素中存在不属于G*的像素，则将当前像素划分为边缘像素Gz；
获取边线：对边缘像素Gz进行分析，若当前像素上下左右的4个相邻像素中存在属于G*的像素，则继续分析相邻像素，直至无相邻的像素，进而确定当前边线；之后继续分析其它未被分析过的像素，直至所有边缘像素Gz被分析完毕，进而获得多个边线LI；
血管划分标注：分析当前区域内血管的宽度是否符合当前血管类别的宽度置信范围B* m；分析模型如下：
若；则对（aj i、bj i）进行第一颜色标注；
若；则对（aj i、bj i）进行第二颜色标注；
对于其它（aj i、bj i）进行第三颜色标注；
式中，（aj i、bj i）为第i个边线的第j个像素的坐标；
重复待标注影片像素分析、获取边缘像素、获取边线、血管划分标注步骤，直至影片被分析完毕；
整合：将影片中的所有血管区域整合至同一图片上，且同一位置的第三颜色标注覆盖第一颜色标注或第二颜色标注。
2.根据权利要求1所述的一种基于深度学习的外周血管影像辅助分割方法，其特征在于：所述获取边线步骤以及所述血管划分标注步骤之间还设置有降噪步骤；
降噪：对边线LI进行分析，若边线Li的周长小于第一阈值时，则将边线Li判定为噪音，在所述血管划分标注步骤中，不对边线Li进行分析。
3.根据权利要求1或2所述的一种基于深度学习的外周血管影像辅助分割方法，其特征在于：所述整合步骤后还设置有图层划分步骤以及图层选择步骤；
图层划分：根据标注的颜色对图层进行划分；
图层选择：根据标注的颜色对图层进行选择展示。
4.根据权利要求3所述的一种基于深度学习的外周血管影像辅助分割方法，其特征在于：所述图层划分步骤后还设置有边线整合步骤以及编辑步骤；
边线整合：在不同的图层中，对连续的颜色标注进行模块化处理；
编辑：对不合理的标注范围进行编辑。
5.根据权利要求4所述的一种基于深度学习的外周血管影像辅助分割方法，其特征在于：所述编辑步骤后还设置有入库步骤；
入库：将经过编辑的影片根据身高区间、体重区间、显影剂剂量区间以及性别纳入数据库中，并重新执行样本影片整合步骤、样本影片分析步骤、确定像素置信范围步骤、确定血管宽度置信范围步骤。
6.一种基于深度学习的外周血管影像辅助分割系统，用于实现权利要求1-5中任意一项所述的基于深度学习的外周血管影像辅助分割方法，其特征在于：包括扫描模块、处理模块、储存模块以及显示模块；
扫描模块：输出端与储存模块的输入端电信号连接，用于扫描数据库中影片，而且用于扫描待标注的影片，进而得到影片中血管区域M、血管类别m、血管的像素数量N、第m种血管的平均宽度Bm、影片像素的像素值；
储存模块：用于储存影片信息；
处理模块：输入端与储存模块的输出端电信号连接，输出端与储存模块的输入端电信号连接，用于结合影片的数量处理影片信息，计算像素置信范围G*、血管的宽度置信范围B* m、血管区域置信范围M*，并将像素置信范围G*、血管的宽度置信范围B* m、血管区域置信范围M*输出至储存模块中待用；处理模块还用于计算边缘像素，并对边缘像素进行颜色标注，标注完毕的影片储存至储存模块待用；
显示模块：用于显示标注完毕的影片。
7.根据权利要求6所述的一种基于深度学习的外周血管影像辅助分割系统，其特征在于：还包括编辑模块，
编辑模块：输出端与处理模块的输入端电信号连接，用于编辑标注情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311054569.1A CN117078698B (zh) | 2023-08-22 | 2023-08-22 | 一种基于深度学习的外周血管影像辅助分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311054569.1A CN117078698B (zh) | 2023-08-22 | 2023-08-22 | 一种基于深度学习的外周血管影像辅助分割方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117078698A CN117078698A (zh) | 2023-11-17 |
| CN117078698B true CN117078698B (zh) | 2024-03-05 |
Family
ID=88716603
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311054569.1A Active CN117078698B (zh) | 2023-08-22 | 2023-08-22 | 一种基于深度学习的外周血管影像辅助分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117078698B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118078330B (zh) * | 2024-04-24 | 2024-06-21 | 天津市胸科医院 | 基于深度学习的超声影像血流识别分析方法及系统 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000333007A (ja) * | 1999-05-19 | 2000-11-30 | Seiko Epson Corp | 電子写真用の画像処理装置 |
| JP2006246941A (ja) * | 2005-03-08 | 2006-09-21 | Toshiba Corp | 画像処理装置及び管走行トラッキング方法 |
| WO2013054825A1 (ja) * | 2011-10-11 | 2013-04-18 | アキュートロジック株式会社 | 全焦点画像生成方法、その装置及びそのプログラム、並びに、被写体高さ情報取得方法、その装置及びそのプログラム |
| CN104537373A (zh) * | 2015-01-13 | 2015-04-22 | 哈尔滨工业大学 | 舌下络脉诊断用多光谱舌下图像特征提取方法 |
| CN104766340A (zh) * | 2015-04-30 | 2015-07-08 | 上海联影医疗科技有限公司 | 一种图像分割方法 |
| CN105260699A (zh) * | 2015-09-10 | 2016-01-20 | 百度在线网络技术（北京）有限公司 | 一种车道线数据的处理方法及装置 |
| CN109584252A (zh) * | 2017-11-03 | 2019-04-05 | 杭州依图医疗技术有限公司 | 基于深度学习的ct影像的肺叶段分割方法、装置 |
| JP2019207535A (ja) * | 2018-05-29 | 2019-12-05 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
| CN111951234A (zh) * | 2020-07-27 | 2020-11-17 | 上海微亿智造科技有限公司 | 模型检测方法 |
| CN113344894A (zh) * | 2021-06-23 | 2021-09-03 | 依未科技(北京)有限公司 | 眼底豹纹斑特征提取及特征指数确定的方法和装置 |
| WO2021217851A1 (zh) * | 2020-04-27 | 2021-11-04 | 平安科技（深圳）有限公司 | 异常细胞自动标注方法、装置、电子设备及存储介质 |
| CN114098636A (zh) * | 2021-11-05 | 2022-03-01 | 北京鹰之眼智能健康科技有限公司 | 一种人体健康状态管理方法、系统和电子设备 |
| CN114549393A (zh) * | 2021-08-03 | 2022-05-27 | 正泰集团研发中心(上海)有限公司 | 图像标注方法、装置、设备及计算机存储介质 |
| CN115984555A (zh) * | 2022-12-13 | 2023-04-18 | 哈尔滨医科大学附属第一医院 | 一种基于深度自编码器构图的冠状动脉狭窄识别方法 |
| CN116188496A (zh) * | 2023-04-25 | 2023-05-30 | 牧马人(山东)勘察测绘集团有限公司 | 基于土地利用类型的遥感影像自适应分割方法 |
| CN116363131A (zh) * | 2023-06-01 | 2023-06-30 | 山东第一医科大学第二附属医院 | 基于图像处理的外周血管影像分析方法、系统及存储介质 |
| CN116385466A (zh) * | 2023-05-05 | 2023-07-04 | 北京信息科技大学 | 一种基于边界框弱标注的图像中目标分割方法及系统 |
| CN116448224A (zh) * | 2023-04-06 | 2023-07-18 | 东南大学 | 基于视觉应变监测的桥梁动态称重与分级报警方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060127880A1 (en) * | 2004-12-15 | 2006-06-15 | Walter Harris | Computerized image capture of structures of interest within a tissue sample |
| CA2866509A1 (en) * | 2011-12-21 | 2013-06-27 | Volcano Corporation | Method for visualizing blood and blood-likelihood in vascular images |
| US10818386B2 (en) * | 2018-11-21 | 2020-10-27 | Enlitic, Inc. | Multi-label heat map generating system |
| CN111696089B (zh) * | 2020-06-05 | 2023-06-16 | 上海联影医疗科技股份有限公司 | 一种动静脉确定方法、装置、设备和存储介质 |
| CN113902741B (zh) * | 2021-12-08 | 2022-03-11 | 深圳科亚医疗科技有限公司 | 一种对医学图像进行血管分割的方法、装置及介质 |
| TWI824829B (zh) * | 2021-12-20 | 2023-12-01 | 仁寶電腦工業股份有限公司 | 造影影像判定方法及造影影像判定裝置 |
-
2023
- 2023-08-22 CN CN202311054569.1A patent/CN117078698B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000333007A (ja) * | 1999-05-19 | 2000-11-30 | Seiko Epson Corp | 電子写真用の画像処理装置 |
| JP2006246941A (ja) * | 2005-03-08 | 2006-09-21 | Toshiba Corp | 画像処理装置及び管走行トラッキング方法 |
| WO2013054825A1 (ja) * | 2011-10-11 | 2013-04-18 | アキュートロジック株式会社 | 全焦点画像生成方法、その装置及びそのプログラム、並びに、被写体高さ情報取得方法、その装置及びそのプログラム |
| CN104537373A (zh) * | 2015-01-13 | 2015-04-22 | 哈尔滨工业大学 | 舌下络脉诊断用多光谱舌下图像特征提取方法 |
| CN104766340A (zh) * | 2015-04-30 | 2015-07-08 | 上海联影医疗科技有限公司 | 一种图像分割方法 |
| CN105260699A (zh) * | 2015-09-10 | 2016-01-20 | 百度在线网络技术（北京）有限公司 | 一种车道线数据的处理方法及装置 |
| CN109584252A (zh) * | 2017-11-03 | 2019-04-05 | 杭州依图医疗技术有限公司 | 基于深度学习的ct影像的肺叶段分割方法、装置 |
| JP2019207535A (ja) * | 2018-05-29 | 2019-12-05 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
| WO2021217851A1 (zh) * | 2020-04-27 | 2021-11-04 | 平安科技（深圳）有限公司 | 异常细胞自动标注方法、装置、电子设备及存储介质 |
| CN111951234A (zh) * | 2020-07-27 | 2020-11-17 | 上海微亿智造科技有限公司 | 模型检测方法 |
| CN113344894A (zh) * | 2021-06-23 | 2021-09-03 | 依未科技(北京)有限公司 | 眼底豹纹斑特征提取及特征指数确定的方法和装置 |
| CN114549393A (zh) * | 2021-08-03 | 2022-05-27 | 正泰集团研发中心(上海)有限公司 | 图像标注方法、装置、设备及计算机存储介质 |
| CN114098636A (zh) * | 2021-11-05 | 2022-03-01 | 北京鹰之眼智能健康科技有限公司 | 一种人体健康状态管理方法、系统和电子设备 |
| CN115984555A (zh) * | 2022-12-13 | 2023-04-18 | 哈尔滨医科大学附属第一医院 | 一种基于深度自编码器构图的冠状动脉狭窄识别方法 |
| CN116448224A (zh) * | 2023-04-06 | 2023-07-18 | 东南大学 | 基于视觉应变监测的桥梁动态称重与分级报警方法 |
| CN116188496A (zh) * | 2023-04-25 | 2023-05-30 | 牧马人(山东)勘察测绘集团有限公司 | 基于土地利用类型的遥感影像自适应分割方法 |
| CN116385466A (zh) * | 2023-05-05 | 2023-07-04 | 北京信息科技大学 | 一种基于边界框弱标注的图像中目标分割方法及系统 |
| CN116363131A (zh) * | 2023-06-01 | 2023-06-30 | 山东第一医科大学第二附属医院 | 基于图像处理的外周血管影像分析方法、系统及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| Multiple Forecast Visualizations (MFVs): Trade-offs in Trust and Performance in Multiple COVID-19 Forecast Visualizations;Lace Padilla;《 IEEE Transactions on Visualization and Computer Graphics》;全文 * |
| 心血管造影图像分割方法综述;李越;蒋路茸;童基均;;计算机系统应用(第09期);全文 * |
| 李越 ; 蒋路茸 ; 童基均 ; .心血管造影图像分割方法综述.计算机系统应用.2020,(第09期),全文. * |
| 白玫,冯树理,彭明辰.一种提取数字减影图像血管边界方法的研究.医疗设备信息.2000,(第05期),全文. * |
| 褚晶辉 ; 刘静媛 ; 吕卫 ; .一种基于小波变换的乳腺X线图肿块分割方法.中国医学物理学杂志.2013,(第06期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117078698A (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5974165A (en) | Automated method and system for the alignment and correlation of images from two different modalities | |
| CN109754387A (zh) | 医学图像病灶检测定位方法、装置、电子设备及存储介质 | |
| US20120237106A1 (en) | Automatic image analysis and quantification for fluorescence in situ hybridization | |
| CN117078698B (zh) | 一种基于深度学习的外周血管影像辅助分割方法及系统 | |
| JPH08335271A (ja) | 画像診断支援装置の画像処理方法 | |
| CN113223005B (zh) | 一种甲状腺结节自动分割及分级的智能系统 | |
| CN111462115B (zh) | 医学图像显示方法、装置和计算机设备 | |
| CN104732520A (zh) | 一种胸部数字影像的心胸比测量算法及系统 | |
| KR20200087427A (ko) | 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법 | |
| CN110555860A (zh) | 医学图像中肋骨区域标注的方法、电子设备和存储介质 | |
| JP2019028887A (ja) | 画像処理方法 | |
| CN110136107B (zh) | 基于dssd和时域约束x光冠脉造影序列自动分析方法 | |
| CN111445443A (zh) | 早急性脑梗死检测方法和装置 | |
| Piętka et al. | Role of radiologists in CAD life-cycle | |
| CN114881914A (zh) | 基于医学影像确定三维功能肝段的系统及方法 | |
| CN116758087B (zh) | 一种腰椎ct骨窗侧隐窝间隙检测方法及装置 | |
| CN113269747A (zh) | 一种基于深度学习的病理图片肝癌扩散检测方法及系统 | |
| CN113096093A (zh) | 一种ct图像结石数量和体积的计算方法、系统及装置 | |
| CN115661152B (zh) | 基于模型预测的目标发展情况分析方法 | |
| Rashid et al. | Segmenting melanoma lesion using single shot detector (SSD) and level set segmentation technique | |
| CN111513743A (zh) | 一种骨折检测方法及装置 | |
| CN111696113A (zh) | 用于监视生物过程的方法和系统 | |
| CN114004795A (zh) | 一种乳腺结节的分割方法及相关装置 | |
| Kim et al. | Automatic CAC voxel classification with multi-scale CNN architecture | |
| Rebelo et al. | Automatic epicardial fat segmentation and volume quantification on non-contrast cardiac Computed Tomography |
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 |