CN117079080A - 冠脉cta智能分割模型的训练优化方法、装置和设备 - Google Patents
冠脉cta智能分割模型的训练优化方法、装置和设备 Download PDFInfo
- Publication number
- CN117079080A CN117079080A CN202311308654.6A CN202311308654A CN117079080A CN 117079080 A CN117079080 A CN 117079080A CN 202311308654 A CN202311308654 A CN 202311308654A CN 117079080 A CN117079080 A CN 117079080A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- post
- target part
- cta
- 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
- 238000012549 training Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 230000011218 segmentation Effects 0.000 title claims abstract description 33
- 210000004351 coronary vessel Anatomy 0.000 title claims abstract description 14
- 238000012805 post-processing Methods 0.000 claims abstract description 101
- 238000003709 image segmentation Methods 0.000 claims abstract description 35
- 238000007689 inspection Methods 0.000 claims abstract description 28
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000002591 computed tomography Methods 0.000 claims description 78
- 238000009877 rendering Methods 0.000 claims description 51
- 230000009466 transformation Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000000007 visual effect Effects 0.000 claims description 20
- 238000012015 optical character recognition Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002792 vascular Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及图像处理技术领域，提供一种冠脉CTA智能分割模型的训练优化方法、装置和设备，该方法包括：根据CTA检查数据中的目标部位的后处理图像生成目标部位的目标掩码图像，目标部位包括心脏和/或血管树；基于目标掩码图像对CTA检查数据中的横断位序列图像进行目标部位的识别提取，以生成与横断位序列图像对应的目标部位的掩码图像序列；将横断位序列图像和与其对应的目标部位的掩码图像序列组成训练数据，将训练数据作为训练数据集训练CTA图像的图像分割模型或将训练数据加入图像分割模型的训练数据集，实现图像分割模型的优化。本发明解决了CTA图像数据标注困难的问题，高效实现了CTA图像的图像分割模型的训练和优化效果。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种冠脉CTA智能分割模型的训练优化方法、装置和设备。
背景技术
近年来，各种人工智能技术被用于冠状动脉CTA图像分割，基于AI监督学习的分割网络需要标注大量数据，CT影像是断层扫描，一次检查生成大量图像，标注数据比较困难，容易受到CT造影等客观因素的影像，需要专业医生进行手工标注。标注数据集的好坏直接影响分割网络的效果，往往容易出现过分割和欠分割的问题，需要耗费大量的人力、时间成本，从而导致AI模型迭代周期长。因此，如何解决CTA图像数据标注困难、标注成本高的问题，是提高AI模型迭代优化效率过程中亟待解决的技术问题。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题的一种冠脉CTA智能分割模型的训练优化方法、装置和设备。
本发明的一个方面，提供了一种冠脉CTA智能分割模型的训练优化方法，所述方法包括：
根据预设的CTA检查数据中的目标部位的后处理图像生成目标部位的目标掩码图像，所述目标部位包括心脏和/或血管树；
基于所述目标掩码图像对所述CTA检查数据中的横断位序列图像进行目标部位的识别提取，以生成与横断位序列图像对应的目标部位的掩码图像序列；
将横断位序列图像和与其对应的目标部位的掩码图像序列组成训练数据，将所述训练数据作为训练数据集训练CTA图像的图像分割模型或将所述训练数据加入所述图像分割模型的训练数据集，实现所述图像分割模型的优化。
可选地，根据预设的CTA检查数据中的目标部位的后处理图像生成目标部位的目标掩码图像，包括：
根据所述目标部位的后处理图像生成目标部位的包含骨架区域的图像，得到目标部位的生成式图像；
对CTA检查数据中的横断位序列图像进行三维重建生成体绘制模型，并对体绘制模型进行旋转，以得到与目标部位的后处理图像视角一致的目标体绘制图像；
提取目标部位的生成式图像和所述目标体绘制图像之间的变换矩阵；
根据目标部位的后处理图像生成目标部位的第一掩码图像，并根据所述变换矩阵将第一掩码图像映射到目标体绘制图像对应的坐标系生成变换后的第二掩码图像，将所述第二掩码图像作为目标掩码图像。
可选地，根据所述目标部位的后处理图像生成目标部位的包含骨架区域的图像，包括：
根据CTA检查数据中的横断位序列图像和后处理序列图像训练目标部位的图像生成式模型；
采用目标部位的图像生成式模型根据目标部位的后处理图像生成目标部位的包含骨架区域的图像。
可选地，根据CTA检查数据中的横断位序列图像和后处理序列图像训练目标部位的图像生成式模型，包括：
对所述横断位序列图像进行三维重建生成体绘制模型，根据目标部位的后处理序列图像中各个后处理图像的视角信息分别对体绘制模型进行旋转，得到与目标部位的各个后处理图像视角一致的体绘制图像样本；
将目标部位的各个后处理图像和与各个后处理图像对应的视角一致的体绘制图像样本组成训练对，训练目标部位的图像生成式模型。
可选地，将目标部位的各个后处理图像和与各个后处理图像对应的视角一致的体绘制图像样本组成训练对之后，所述方法还包括：
灰度化处理目标部位的各个后处理图像和与各个后处理图像对应的视角一致的体绘制图像。
可选地，所述提取目标部位的生成式图像和所述目标体绘制图像之间的变换矩阵包括：
灰度化处理目标部位的生成式图像和所述目标体绘制图像，并对灰度化处理后的两幅图像进行图像匹配，提取图像匹配的关键点，根据所述关键点计算出两幅图像之间的变换矩阵。
可选地，所述方法还包括：采用尺度不变特征转换算法SIFT或加速稳健特征算法SURF对灰度化处理后的两幅图像进行图像匹配，以提取图像匹配的关键点。
可选地，所述目标部位的后处理图像中标识有当前图像的视角信息；
所述对体绘制模型进行旋转，以得到与目标部位的后处理图像视角一致的目标体绘制图像，包括：
采用OCR识别技术识别目标部位的后处理图像中的文字信息，以提取目标部位的后处理图像的视角信息；
根据目标部位的后处理图像中的视角信息对体绘制模型进行旋转。
可选地，基于所述目标掩码图像对所述CTA检查数据中的横断位序列图像进行目标部位的识别提取，以生成与横断位序列图像对应的目标部位的掩码图像序列，包括：
根据所述目标掩码图像对所述体绘制模型进行三维裁剪，得到目标部位的裁剪掉骨架区域的体绘制模型；
将目标部位的裁剪掉骨架区域的体绘制图像与横断位序列图像进行空间匹配，根据匹配结果生成与横断位序列图像对应的目标部位的掩码图像序列。
可选地，根据所述目标掩码图像对所述体绘制模型进行三维裁剪，包括：
根据目标掩码图像的轮廓点集合在所述体绘制模型所在3D界面上绘制对应的裁剪曲线，根据所述裁剪曲线对所述体绘制模型进行三维裁剪。
本发明的另一个方面，提供了一种冠脉CTA智能分割模型的训练优化装置，所述装置包括用于实现如上任一项所述的冠脉CTA智能分割模型的训练优化方法的功能模块，具体的，所述装置包括：
第一生成模块，用于根据预设的CTA检查数据中的目标部位的后处理图像生成目标部位的目标掩码图像，所述目标部位包括心脏和/或血管树；
第二生成模块，用于基于所述目标掩码图像对所述CTA检查数据中的横断位序列图像进行目标部位的识别提取，以生成与横断位序列图像对应的目标部位的掩码图像序列；
模型训练模块，用于将横断位序列图像和与其对应的目标部位的掩码图像序列组成训练数据，将所述训练数据作为训练数据集训练CTA图像的图像分割模型或将所述训练数据加入所述图像分割模型的训练数据集，实现所述图像分割模型的优化。
本发明的另一个方面，提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时，实现如上任一项所述的冠脉CTA智能分割模型的训练优化方法的步骤。
本发明实施例提供的冠脉CTA智能分割模型的训练优化方法、装置和设备，通过历史CTA检查数据中的目标部位的后处理图像生成目标部位的掩码图像，基于得到的掩码图像对当前CTA检查数据中的横断位序列图像进行目标部位的识别提取，以生成与横断位序列图像对应的目标部位的掩码图像序列，将横断位序列图像和与其对应的目标部位的掩码图像序列组成训练数据，并将训练数据作为训练数据集训练CTA图像的图像分割模型或将训练数据加入所述图像分割模型的训练数据集，实现图像分割模型的优化。本发明基于医生手工标记的后处理图像作为分割结果验证的“金标准”，解决了CTA图像数据标注困难、标注成本高的问题，达到高效地实现CTA图像的图像分割模型的训练和优化的效果。而且，采用本发明能够实现智能模型的持续循环优化，极大提高了智能模型的迭代改进效率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在附图中：
图1为本发明实施例的一种冠脉CTA智能分割模型的训练优化方法的流程图；
图2为本发明实施例的一种冠脉CTA智能分割模型的训练优化方法中步骤S1的细分实现流程图；
图3为本发明实施例中心脏部位对应的后处理图像示意图；
图4为本发明实施例中血管树部位对应的后处理图像示意图；
图5为本发明实施例中体绘制图像的示意图；
图6为本发明实施例的一种冠脉CTA智能分割模型的训练优化方法中步骤S2的细分实现流程图；
图7为本发明实施例中心脏的掩码图像的示意图；
图8为本发明实施例中原始横断位图像与对应掩码图像的对比示意图；
图9为本发明实施例中血管树的掩码图像的示意图；
图10为本发明实施例的一种冠脉CTA智能分割模型的训练优化装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语（包括技术术语和科学术语），具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。
实施例一
本发明实施例提供了一种冠脉CTA智能分割模型的训练优化方法，如图1所示，本发明提出的冠脉CTA智能分割模型的训练优化方法，包括以下步骤：
S1、根据预设的CTA检查数据中的目标部位的后处理图像生成目标部位的目标掩码图像，所述目标部位包括心脏和/或血管树等关键部位。
本实施例中，通过获取CTA检查的历史数据，提取里面的横断位序列图像和后处理设备生成的后处理序列图像作为原始数据，并从中选取一副目标部位的后处理图像，以生成目标部位的目标掩码图像。其中，后处理序列图像中包含横断位序列图像经过医生手工分割后的各个目标部位的彩色图像，如心脏和血管树的彩色图像。
S2、基于所述目标掩码图像对所述CTA检查数据中的横断位序列图像进行目标部位的识别提取，以生成与横断位序列图像对应的目标部位的掩码图像序列。
本实施例中，基于由医生手工标记的后处理图像生成的目标掩码图像对同一CTA检查数据中的横断位序列图像进行目标部位的匹配，以从横断位序列图像中识别提取目标部位的图像区域，并以此生成与横断位序列图像中各个图像一一对应的目标部位的掩码图像，可以节省繁琐的手工标注时间，而且误差小。
S3、将横断位序列图像和与其对应的目标部位的掩码图像序列组成训练数据，将所述训练数据作为训练数据集训练CTA图像的图像分割模型或将所述训练数据加入所述图像分割模型的训练数据集，实现所述图像分割模型的优化。
本实施例中，可以将横断位序列图像和与其对应的目标部位的掩码图像序列组成训练数据，以心脏区域和血管树区域轮廓作为两个类别，根据得到的训练数据训练CTA图像的图像分割模型，以基于所述图像分割模型实现输入原始横断位序列图像得到心脏图像和血管树图像。还可以将得到的训练数据加入已有的CTA图像的图像分割模型的训练数据集，实现CTA图像的图像分割模型的自动持续迭代，极大提高AI模型迭代改进的效率。
本发明实施例提供的冠脉CTA智能分割模型的训练优化方法，基于CTA检查数据中医生手工标记的后处理图像作为分割结果验证的“金标准”，通过后处理图像生成目标部位的目标掩码图像，根据目标掩码图像对横断位序列图像进行目标部位的识别提取，生成与横断位序列图像对应的目标部位的掩码图像序列，并将横断位序列图像和与其对应的目标部位的掩码图像序列组成训练数据，达到高效地实现CTA图像的图像分割模型的训练和优化的效果。而且，采用本发明能够实现智能模型的持续循环优化，极大提高了智能模型的迭代改进效率。
在本发明实施例中，如图2所示，步骤S1中的根据预设的CTA检查数据中的目标部位的后处理图像生成目标部位的目标掩码图像，具体包括如下步骤S11~ S14：
S11、根据所述目标部位的后处理图像生成目标部位的包含骨架区域的图像，得到目标部位，如心脏和/或血管树，的生成式图像。步骤S11的具体实现步骤包括：根据CTA检查数据中的横断位序列图像和后处理序列图像训练目标部位的图像生成式模型；采用目标部位的图像生成式模型根据目标部位的后处理图像生成目标部位的包含骨架区域的图像。
后处理序列图像里面包含图像的视角信息，比如在CT检查中，A代表anterior（前方），L代表left（左侧），R代表right（右侧），P代表posterior（后方），RS代表rightsuperior（右上方），LI代表left inferior（左下方），这些缩写用于描述CT图像中物体或结构的具体位置和方向，如图3-4所示，图3为心脏部位对应的后处理图像示意图，图4为血管树部位对应的后处理图像示意图。本实施例中，根据CTA检查数据中的横断位序列图像和后处理序列图像训练目标部位的图像生成式模型，包括：对所述横断位序列图像进行三维重建生成体绘制模型，根据目标部位的后处理序列图像中各个后处理图像的视角信息分别对体绘制模型进行旋转，得到与目标部位的各个后处理图像视角一致的体绘制图像样本；将目标部位的各个后处理图像和与各个后处理图像对应的视角一致的体绘制图像样本组成训练对，训练目标部位的图像生成式模型。其中，原始横断位序列图像进行三维重建生成体绘制模型，属于一种容积再现技术，可以对血管以及病变进行三维的影像显示，体绘制模型可以任意角度旋转，本发明中采用设备序列图像中各个后处理图像的视角信息对体绘制模型进行旋转，可生成与对应后处理图像视角一致的体绘制图像，如图5所示。体绘制图像和后处理图像的区别在于体绘制图像中包含肋骨区域，后处理的心脏、血管树彩色图像中是去除肋骨区域的。然后将设备后处理的目标部位的图像，如心脏图像、血管树图像，与视角一致的三维重建生成体绘制图像组成训练对，灰度化处理目标部位的各个后处理图像和与各个后处理图像对应的视角一致的体绘制图像，以排除掉伪彩设置颜色不同造成的干扰，以灰度化处理后的训练对数据分别训练两个生成式模型，实现输入设备后处理的心脏图像或血管树图像，生成包括肋骨区域的心脏图像或血管树图像。
S12、对CTA检查数据中的横断位序列图像进行三维重建生成体绘制模型，并对体绘制模型进行旋转，以得到与目标部位的后处理图像视角一致的目标体绘制图像。本实施例中，目标部位的后处理图像中标识有当前图像的视角信息，因此步骤S12中的对体绘制模型进行旋转，以得到与目标部位的后处理图像视角一致的目标体绘制图像，具体包括如下细分步骤：采用OCR识别技术识别目标部位的后处理图像中的文字信息，以提取目标部位的后处理图像的视角信息；根据目标部位的后处理图像中的视角信息对体绘制模型进行旋转。
S13、提取目标部位的生成式图像和所述目标体绘制图像之间的变换矩阵。步骤S13的具体实现方式包括：灰度化处理目标部位的生成式图像和所述目标体绘制图像，并对灰度化处理后的两幅图像进行图像匹配，提取图像匹配的关键点，根据所述关键点计算出两幅图像之间的变换矩阵。具体地，可采用采用尺度不变特征转换算法SIFT或加速稳健特征算法SURF对灰度化处理后的两幅图像进行图像匹配，以提取图像匹配的关键点，根据匹配的关键点，计算出两幅图像之间的变换矩阵。
S14、根据目标部位的后处理图像生成目标部位的第一掩码图像，并根据所述变换矩阵将第一掩码图像映射到目标体绘制图像对应的坐标系生成变换后的第二掩码图像，将所述第二掩码图像作为目标掩码图像。具体的，对于目标部位的后处理图像可通过提取后处理心脏图像的轮廓，生成对应的掩码图像。
本实施例中，根据目标部位的后处理图像生成的目标部位的生成式图像，以还原出目标部位的包含骨架区域的图像，并将其与视角一致的同样包括骨架区域的目标体绘制图像进行图像匹配处理，根据匹配的关键点计算生成式图像与目标体绘制图像之间的变换矩阵，以便后续根据变换矩阵将基于后处理图像生成的目标部位的第一掩码图像映射到目标体绘制图像对应坐标系生成目标部位的目标掩码图像。通过上述方法利用医生手工标记的后处理图像当样本，得到去除肋骨区域的轮廓点集合，并采用3D标注替代2D标注，可以节省繁琐的手工标注时间，而且误差小。
在本发明实施例中，如图6所示，步骤S2中的基于所述目标掩码图像对所述CTA检查数据中的横断位序列图像进行目标部位的识别提取，以生成与横断位序列图像对应的目标部位的掩码图像序列，具体包括如下细分步骤：
S21、根据所述目标掩码图像对所述体绘制模型进行三维裁剪，得到目标部位的裁剪掉骨架区域的体绘制模型。其中，根据目标掩码图像对所述体绘制模型进行三维裁剪的实现方法具体为：根据目标掩码图像的轮廓点集合在所述体绘制模型所在3D界面上绘制对应的裁剪曲线，根据所述裁剪曲线对所述体绘制模型进行三维裁剪。
S22、将目标部位的裁剪掉骨架区域的体绘制图像与横断位序列图像进行空间匹配，根据匹配结果生成与横断位序列图像对应的目标部位的掩码图像序列。
具体的，虚拟手术刀裁剪是三维后处理上的功能，本发明以变换后的目标掩码图像轮廓点集合模仿用鼠标在体绘制模型所在3D界面上绘制不规则曲线，作为3D虚拟手术刀操作对应的裁剪曲线，以此对所述体绘制模型进行三维裁剪，裁剪掉肋骨区域，将裁剪后的数据与原始dicom数据进行空间匹配，生成一张张的目标部位的掩码图像，得到目标部位的掩码图像序列，以此实现横断位序列图像中目标部位与肋骨区域的分割。
下面通过一个具体实施例对基于心脏生成式模型实现心脏区域裁剪的技术方案进行详细说明。
后处理心脏图像调用预先生成的心脏生成式 AI 模型，得到带肋骨的心脏图像。OCR识别心脏的后处理图像上的文字信息，提取出视角信息。对原始横断位序列图像进行三维重建生成体绘制模型，采用OCR提取出的视角信息对体绘制模型进行旋转，得到与心脏的后处理图像视角一致的体绘制图像。
灰度化处理带肋骨的心脏图像与同视角的三维重建生成的体绘制图像，作图像匹配处理，例如使用SIFT、SURF等算子，提取出关键点，根据匹配的关键点，计算出两幅图像之间的变换矩阵。提取心脏的后处理图像的轮廓，生成对应的掩码图像，如图7所示。然后根据变换矩阵将掩码图像映射到体绘制图像所对应的坐标体系上生成变换后的掩码图像。
根据变换后的掩码图像的轮廓点集合模仿用鼠标在3D界面上绘制不规则曲线，作为3D虚拟手术刀操作，保留下心脏轮廓内的数据，裁剪掉肋骨区域，将裁剪后的数据与原始dicom数据空间匹配，生成一张张的掩码图像，实现心脏与肋骨区域的分割。图8示出了原始横断位序列图像与对应掩码图像的对比示意图。
下面通过另一个具体实施例对基于血管树生成式模型实现血管树区域分割的技术方案进行详细说明。
后处理血管树图像调用预先生成的血管树生成式 AI 模型，得到带肋骨的血管树图像。OCR识别血管树的后处理图像上的文字信息，提取出视角信息。对原始横断位序列图像进行三维重建生成体绘制模型，采用OCR提取出的视角信息对体绘制模型进行旋转，得到与血管树的后处理图像视角一致的体绘制图像。
灰度化处理带肋骨的血管树图像与同视角的三维重建生成的体绘制图像，作图像匹配处理得到变换矩阵，提取后处理血管树图像的轮廓，生成对应的掩码图像，如图9所示。然后根据变换矩阵将掩码图像映射到体绘制图像所对应的坐标体系上生成变换后的掩码图像。
以变换后的掩码图像的轮廓点集合模仿用鼠标在3D界面上绘制不规则曲线，作为3D虚拟手术刀操作，保留下血管树轮廓内的数据，裁剪掉非血管区域，将裁剪后的数据与原始dicom数据空间匹配，生成一张张的掩码图像，实现血管区域与非血管区域的分割。
本发明实施例提供的冠脉CTA智能分割模型的训练优化方法，根据目标部位的后处理图像生成目标部位的带骨架区域的图像，对相应的横断位序列图像进行三维重建生成体绘制模型，获取与后处理图像视角一致的目标体绘制图像，提取包含骨架区域的图像和目标体绘制图像的变换矩阵，根据变换矩阵将基于后处理图像生成的目标部位的掩码图像映射到目标体绘制图像对应坐标系生成目标部位的目标掩码图像；根据目标掩码图像裁剪掉体绘制模型的骨架区域，将去除骨架区域的体绘制图像与横断位序列图像进行匹配，生成目标部位的掩码图像序列；将横断位序列图像和与其对应的目标部位的掩码图像序列组成训练数据，并将训练数据作为训练数据集训练CTA图像的图像分割模型或将训练数据加入所述图像分割模型的训练数据集，实现图像分割模型的优化。本发明解决了CTA图像数据标注困难、标注成本高的问题，达到高效地实现CTA图像的图像分割模型的训练和优化的效果。而且，采用本发明能够实现智能模型的持续循环优化，极大提高了智能模型的迭代改进效率。
对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
实施例二
本发明另一实施例还提供了一种冠脉CTA智能分割模型的训练优化装置，所述装置包括用于实现如上任一项所述的冠脉CTA智能分割模型的训练优化方法的功能模块。图10示意性的示出了本发明实施例提供一种冠脉CTA智能分割模型的训练优化装置的结构示意图，参照图10，本发明实施例的一种冠脉CTA智能分割模型的训练优化装置具体包括第一生成模块301、第二生成模块302和模型训练模块303，其中：
第一生成模块301，用于根据预设的CTA检查数据中的目标部位的后处理图像生成目标部位的目标掩码图像，所述目标部位包括心脏和/或血管树；
第二生成模块302，用于基于所述目标掩码图像对所述CTA检查数据中的横断位序列图像进行目标部位的识别提取，以生成与横断位序列图像对应的目标部位的掩码图像序列；
模型训练模块303，用于将横断位序列图像和与其对应的目标部位的掩码图像序列组成训练数据，将所述训练数据作为训练数据集训练CTA图像的图像分割模型或将所述训练数据加入所述图像分割模型的训练数据集，实现所述图像分割模型的优化。
进一步地，第一生成模块301，具体包括第一生成单元、重建单元、提取单元和变换单元，其中：
第一生成单元，用于根据所述目标部位的后处理图像生成目标部位的包含骨架区域的图像，得到目标部位的生成式图像；
重建单元，用于对CTA检查数据中的横断位序列图像进行三维重建生成体绘制模型，并对体绘制模型进行旋转，以得到与目标部位的后处理图像视角一致的目标体绘制图像；
提取单元，用于提取目标部位的生成式图像和所述目标体绘制图像之间的变换矩阵；
变换单元，用于根据目标部位的后处理图像生成目标部位的第一掩码图像，并根据所述变换矩阵将第一掩码图像映射到目标体绘制图像对应的坐标系生成变换后的第二掩码图像，将所述第二掩码图像作为目标掩码图像。
进一步地，第二生成模块301，具体包括裁剪单元和第二生成单元，其中：
裁剪单元，用于根据所述目标掩码图像对所述体绘制模型进行三维裁剪，得到目标部位的裁剪掉骨架区域的体绘制模型。具体的，根据目标掩码图像的轮廓点集合在所述体绘制模型所在3D界面上绘制对应的裁剪曲线，根据所述裁剪曲线对所述体绘制模型进行三维裁剪。
第二生成单元，用于将目标部位的裁剪掉骨架区域的体绘制图像与横断位序列图像进行空间匹配，根据匹配结果生成与横断位序列图像对应的目标部位的掩码图像序列。
实施例二在具体实现过程中，可以参阅实施例一，具有相应的技术效果。
实施例三
本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各个冠脉CTA智能分割模型的训练优化方法实施例中的步骤，例如图1所示的步骤S1-S3。或者，所述处理器执行所述计算机程序时实现上述各冠脉CTA智能分割模型的训练优化装置实施例中各模块的功能，例如图10所示的第一生成模块301、第二生成模块302和模型训练模块303。
实施例三在具体实现过程中，可以参阅实施例一，具有相应的技术效果
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种冠脉CTA智能分割模型的训练优化方法，其特征在于，所述方法包括：
根据预设的CTA检查数据中的目标部位的后处理图像生成目标部位的目标掩码图像，所述目标部位包括心脏和/或血管树；
基于所述目标掩码图像对所述CTA检查数据中的横断位序列图像进行目标部位的识别提取，以生成与横断位序列图像对应的目标部位的掩码图像序列；
将横断位序列图像和与其对应的目标部位的掩码图像序列组成训练数据，将所述训练数据作为训练数据集训练CTA图像的图像分割模型或将所述训练数据加入所述图像分割模型的训练数据集，实现所述图像分割模型的优化。
2.根据权利要求1所述的方法，其特征在于，根据预设的CTA检查数据中的目标部位的后处理图像生成目标部位的目标掩码图像，包括：
根据所述目标部位的后处理图像生成目标部位的包含骨架区域的图像，得到目标部位的生成式图像；
对CTA检查数据中的横断位序列图像进行三维重建生成体绘制模型，并对体绘制模型进行旋转，以得到与目标部位的后处理图像视角一致的目标体绘制图像；
提取目标部位的生成式图像和所述目标体绘制图像之间的变换矩阵；
根据目标部位的后处理图像生成目标部位的第一掩码图像，并根据所述变换矩阵将第一掩码图像映射到目标体绘制图像对应的坐标系生成变换后的第二掩码图像，将所述第二掩码图像作为目标掩码图像。
3.根据权利要求2所述的方法，其特征在于，根据所述目标部位的后处理图像生成目标部位的包含骨架区域的图像，包括：
根据CTA检查数据中的横断位序列图像和后处理序列图像训练目标部位的图像生成式模型；
采用目标部位的图像生成式模型根据目标部位的后处理图像生成目标部位的包含骨架区域的图像。
4.根据权利要求3所述的方法，其特征在于，根据CTA检查数据中的横断位序列图像和后处理序列图像训练目标部位的图像生成式模型，包括：
对所述横断位序列图像进行三维重建生成体绘制模型，根据目标部位的后处理序列图像中各个后处理图像的视角信息分别对体绘制模型进行旋转，得到与目标部位的各个后处理图像视角一致的体绘制图像样本；
将目标部位的各个后处理图像和与各个后处理图像对应的视角一致的体绘制图像样本组成训练对，训练目标部位的图像生成式模型。
5.根据权利要求4所述的方法，其特征在于，将目标部位的各个后处理图像和与各个后处理图像对应的视角一致的体绘制图像样本组成训练对之后，所述方法还包括：
灰度化处理目标部位的各个后处理图像和与各个后处理图像对应的视角一致的体绘制图像。
6.根据权利要求2所述的方法，其特征在于，所述目标部位的后处理图像中标识有当前图像的视角信息；
所述对体绘制模型进行旋转，以得到与目标部位的后处理图像视角一致的目标体绘制图像，包括：
采用OCR识别技术识别目标部位的后处理图像中的文字信息，以提取目标部位的后处理图像的视角信息；
根据目标部位的后处理图像中的视角信息对体绘制模型进行旋转。
7.根据权利要求2所述的方法，其特征在于，基于所述目标掩码图像对所述CTA检查数据中的横断位序列图像进行目标部位的识别提取，以生成与横断位序列图像对应的目标部位的掩码图像序列，包括：
根据所述目标掩码图像对所述体绘制模型进行三维裁剪，得到目标部位的裁剪掉骨架区域的体绘制模型；
将目标部位的裁剪掉骨架区域的体绘制图像与横断位序列图像进行空间匹配，根据匹配结果生成与横断位序列图像对应的目标部位的掩码图像序列。
8.根据权利要求7所述的方法，其特征在于，根据所述目标掩码图像对所述体绘制模型进行三维裁剪，包括：
根据目标掩码图像的轮廓点集合在所述体绘制模型所在3D界面上绘制对应的裁剪曲线，根据所述裁剪曲线对所述体绘制模型进行三维裁剪。
9.一种冠脉CTA智能分割模型的训练优化装置，其特征在于，所述装置包括：
第一生成模块，用于根据预设的CTA检查数据中的目标部位的后处理图像生成目标部位的目标掩码图像，所述目标部位包括心脏和/或血管树；
第二生成模块，用于基于所述目标掩码图像对所述CTA检查数据中的横断位序列图像进行目标部位的识别提取，以生成与横断位序列图像对应的目标部位的掩码图像序列；
模型训练模块，用于将横断位序列图像和与其对应的目标部位的掩码图像序列组成训练数据，将所述训练数据作为训练数据集训练CTA图像的图像分割模型或将所述训练数据加入所述图像分割模型的训练数据集，实现所述图像分割模型的优化。
10.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；
所述计算机程序被所述处理器执行时实现如权利要求1-8任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311308654.6A CN117079080B (zh) | 2023-10-11 | 2023-10-11 | 冠脉cta智能分割模型的训练优化方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311308654.6A CN117079080B (zh) | 2023-10-11 | 2023-10-11 | 冠脉cta智能分割模型的训练优化方法、装置和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117079080A true CN117079080A (zh) | 2023-11-17 |
| CN117079080B CN117079080B (zh) | 2024-01-30 |
Family
ID=88719735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311308654.6A Active CN117079080B (zh) | 2023-10-11 | 2023-10-11 | 冠脉cta智能分割模型的训练优化方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117079080B (zh) |
Citations (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160328855A1 (en) * | 2015-05-04 | 2016-11-10 | Siemens Aktiengesellschaft | Method and System for Whole Body Bone Removal and Vascular Visualization in Medical Image Data |
| US20180189951A1 (en) * | 2017-01-04 | 2018-07-05 | Cisco Technology, Inc. | Automated generation of pre-labeled training data |
| CN110428488A (zh) * | 2019-07-09 | 2019-11-08 | 浙江工贸职业技术学院 | 一种基于计算机辅助肝脏ct诊断系统及方法 |
| WO2020119679A1 (zh) * | 2018-12-14 | 2020-06-18 | 深圳先进技术研究院 | 三维左心房分割方法、装置、终端设备及存储介质 |
| JP2020142003A (ja) * | 2019-03-08 | 2020-09-10 | 大日本印刷株式会社 | マスク生成装置、３次元再構成像生成装置、マスク生成方法、及びプログラム |
| CN112244883A (zh) * | 2020-09-10 | 2021-01-22 | 北京思创贯宇科技开发有限公司 | 基于ct图像提取左心耳数据参数的方法及系统 |
| CN112529909A (zh) * | 2020-12-08 | 2021-03-19 | 北京安德医智科技有限公司 | 一种基于图像补全的肿瘤图像脑区分割方法及系统 |
| US20210097322A1 (en) * | 2019-09-30 | 2021-04-01 | Siemens Healthcare Gmbh | Method and apparatus for actuating a medical imaging device |
| CN113674279A (zh) * | 2021-10-25 | 2021-11-19 | 青岛美迪康数字工程有限公司 | 基于深度学习的冠脉cta影像的处理方法及装置 |
| CN113744272A (zh) * | 2021-11-08 | 2021-12-03 | 四川大学 | 一种基于深度神经网络的脑动脉自动勾画方法 |
| CN114066900A (zh) * | 2021-11-12 | 2022-02-18 | 北京百度网讯科技有限公司 | 图像分割方法、装置、电子设备和存储介质 |
| CN114283123A (zh) * | 2021-12-08 | 2022-04-05 | 上海杏脉信息科技有限公司 | 三维体绘制医学图像处理方法、装置、介质及设备 |
| CN114359317A (zh) * | 2021-12-17 | 2022-04-15 | 浙江大学滨江研究院 | 一种基于小样本识别的血管重建方法 |
| CN114743639A (zh) * | 2022-04-24 | 2022-07-12 | 上海寻是科技有限公司 | 一种基于人工智能技术的垂体瘤手术规划系统 |
| CN114820952A (zh) * | 2022-06-28 | 2022-07-29 | 四川大学华西医院 | 肺部超声可视化三维重建方法和系统 |
| CN114820656A (zh) * | 2022-04-27 | 2022-07-29 | 哈尔滨医科大学附属第一医院 | 一种基于空间排序自监督学习的冠脉提取方法及系统 |
| CN114862865A (zh) * | 2022-07-11 | 2022-08-05 | 天津大学 | 基于多视角冠状动脉造影序列图像的血管分割方法及系统 |
| CN114897904A (zh) * | 2022-07-14 | 2022-08-12 | 青岛美迪康数字工程有限公司 | 基于mra序列图像确定血流储备分数的方法及装置 |
| CN114913174A (zh) * | 2022-07-15 | 2022-08-16 | 深圳科亚医疗科技有限公司 | 用于血管系统变异检测的方法、装置和存储介质 |
| CN114943699A (zh) * | 2022-05-16 | 2022-08-26 | 北京医准智能科技有限公司 | 分割模型训练方法、冠脉钙化斑块的分割方法、相关装置 |
| CN115068171A (zh) * | 2022-06-13 | 2022-09-20 | 北京思创贯宇科技开发有限公司 | 设计与评估瓣膜的方法和装置 |
| CN115565667A (zh) * | 2022-09-27 | 2023-01-03 | 首都医科大学附属北京安贞医院 | Cto介入治疗成功率的预测方法、装置、设备及介质 |
| CN115810018A (zh) * | 2022-11-30 | 2023-03-17 | 明峰医疗系统股份有限公司 | Ct图像血管树、冠状动脉树的分割结果优化方法、系统 |
| CN115880443A (zh) * | 2023-02-28 | 2023-03-31 | 武汉大学 | 一种透明物体隐式表面重建方法及设备 |
| CN116188485A (zh) * | 2022-12-12 | 2023-05-30 | 上海联影智能医疗科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
| CN116188452A (zh) * | 2023-03-17 | 2023-05-30 | 昆明理工大学 | 医学图像层间插值及三维重建方法 |
| CN116310114A (zh) * | 2023-03-17 | 2023-06-23 | 杭州晟视科技有限公司 | 一种多任务标签模型的冠脉点云数据处理优化方法 |
| US20230252632A1 (en) * | 2022-02-10 | 2023-08-10 | Cathworks Ltd. | System and method for machine-learning based sensor analysis and vascular tree segmentation |
| CN116681659A (zh) * | 2023-05-20 | 2023-09-01 | 中国医学科学院阜外医院 | 冠脉cta图像处理方法、设备、介质及临床决策系统 |
| US20230289969A1 (en) * | 2022-03-10 | 2023-09-14 | Shanghai United Imaging Healthcare Co., Ltd. | Method, system and device of image segmentation |
| CN116779093A (zh) * | 2023-08-22 | 2023-09-19 | 青岛美迪康数字工程有限公司 | 一种医学影像结构化报告的生成方法、装置和计算机设备 |
-
2023
- 2023-10-11 CN CN202311308654.6A patent/CN117079080B/zh active Active
Patent Citations (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160328855A1 (en) * | 2015-05-04 | 2016-11-10 | Siemens Aktiengesellschaft | Method and System for Whole Body Bone Removal and Vascular Visualization in Medical Image Data |
| US20180189951A1 (en) * | 2017-01-04 | 2018-07-05 | Cisco Technology, Inc. | Automated generation of pre-labeled training data |
| WO2020119679A1 (zh) * | 2018-12-14 | 2020-06-18 | 深圳先进技术研究院 | 三维左心房分割方法、装置、终端设备及存储介质 |
| JP2020142003A (ja) * | 2019-03-08 | 2020-09-10 | 大日本印刷株式会社 | マスク生成装置、３次元再構成像生成装置、マスク生成方法、及びプログラム |
| CN110428488A (zh) * | 2019-07-09 | 2019-11-08 | 浙江工贸职业技术学院 | 一种基于计算机辅助肝脏ct诊断系统及方法 |
| US20210097322A1 (en) * | 2019-09-30 | 2021-04-01 | Siemens Healthcare Gmbh | Method and apparatus for actuating a medical imaging device |
| CN112244883A (zh) * | 2020-09-10 | 2021-01-22 | 北京思创贯宇科技开发有限公司 | 基于ct图像提取左心耳数据参数的方法及系统 |
| CN112529909A (zh) * | 2020-12-08 | 2021-03-19 | 北京安德医智科技有限公司 | 一种基于图像补全的肿瘤图像脑区分割方法及系统 |
| CN113674279A (zh) * | 2021-10-25 | 2021-11-19 | 青岛美迪康数字工程有限公司 | 基于深度学习的冠脉cta影像的处理方法及装置 |
| CN113744272A (zh) * | 2021-11-08 | 2021-12-03 | 四川大学 | 一种基于深度神经网络的脑动脉自动勾画方法 |
| CN114066900A (zh) * | 2021-11-12 | 2022-02-18 | 北京百度网讯科技有限公司 | 图像分割方法、装置、电子设备和存储介质 |
| CN114283123A (zh) * | 2021-12-08 | 2022-04-05 | 上海杏脉信息科技有限公司 | 三维体绘制医学图像处理方法、装置、介质及设备 |
| CN114359317A (zh) * | 2021-12-17 | 2022-04-15 | 浙江大学滨江研究院 | 一种基于小样本识别的血管重建方法 |
| US20230252632A1 (en) * | 2022-02-10 | 2023-08-10 | Cathworks Ltd. | System and method for machine-learning based sensor analysis and vascular tree segmentation |
| US20230289969A1 (en) * | 2022-03-10 | 2023-09-14 | Shanghai United Imaging Healthcare Co., Ltd. | Method, system and device of image segmentation |
| CN114743639A (zh) * | 2022-04-24 | 2022-07-12 | 上海寻是科技有限公司 | 一种基于人工智能技术的垂体瘤手术规划系统 |
| CN114820656A (zh) * | 2022-04-27 | 2022-07-29 | 哈尔滨医科大学附属第一医院 | 一种基于空间排序自监督学习的冠脉提取方法及系统 |
| CN114943699A (zh) * | 2022-05-16 | 2022-08-26 | 北京医准智能科技有限公司 | 分割模型训练方法、冠脉钙化斑块的分割方法、相关装置 |
| CN115068171A (zh) * | 2022-06-13 | 2022-09-20 | 北京思创贯宇科技开发有限公司 | 设计与评估瓣膜的方法和装置 |
| CN114820952A (zh) * | 2022-06-28 | 2022-07-29 | 四川大学华西医院 | 肺部超声可视化三维重建方法和系统 |
| CN114862865A (zh) * | 2022-07-11 | 2022-08-05 | 天津大学 | 基于多视角冠状动脉造影序列图像的血管分割方法及系统 |
| CN114897904A (zh) * | 2022-07-14 | 2022-08-12 | 青岛美迪康数字工程有限公司 | 基于mra序列图像确定血流储备分数的方法及装置 |
| CN114913174A (zh) * | 2022-07-15 | 2022-08-16 | 深圳科亚医疗科技有限公司 | 用于血管系统变异检测的方法、装置和存储介质 |
| CN115565667A (zh) * | 2022-09-27 | 2023-01-03 | 首都医科大学附属北京安贞医院 | Cto介入治疗成功率的预测方法、装置、设备及介质 |
| CN115810018A (zh) * | 2022-11-30 | 2023-03-17 | 明峰医疗系统股份有限公司 | Ct图像血管树、冠状动脉树的分割结果优化方法、系统 |
| CN116188485A (zh) * | 2022-12-12 | 2023-05-30 | 上海联影智能医疗科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
| CN115880443A (zh) * | 2023-02-28 | 2023-03-31 | 武汉大学 | 一种透明物体隐式表面重建方法及设备 |
| CN116188452A (zh) * | 2023-03-17 | 2023-05-30 | 昆明理工大学 | 医学图像层间插值及三维重建方法 |
| CN116310114A (zh) * | 2023-03-17 | 2023-06-23 | 杭州晟视科技有限公司 | 一种多任务标签模型的冠脉点云数据处理优化方法 |
| CN116681659A (zh) * | 2023-05-20 | 2023-09-01 | 中国医学科学院阜外医院 | 冠脉cta图像处理方法、设备、介质及临床决策系统 |
| CN116779093A (zh) * | 2023-08-22 | 2023-09-19 | 青岛美迪康数字工程有限公司 | 一种医学影像结构化报告的生成方法、装置和计算机设备 |
Non-Patent Citations (3)
| Title |
|---|
| WENJIAN HUANG等: "Simultaneous vessel segmentation and unenhanced prediction using self-supervised dual-task learning in 3D CTA (SVSUP)", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》, pages 1 - 13 * |
| 侯松辰: "基于深度学习的视网膜血管分割研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, vol. 2023, no. 1, pages 073 - 146 * |
| 苗燕茹: "基于深度学习的脊柱肿瘤CT图像修复方法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, vol. 2020, no. 7, pages 060 - 140 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117079080B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12002131B2 (en) | Image color adjustment method and system | |
| EP3654244A1 (en) | Method and system for extracting region of interest from volume data | |
| Chen et al. | Automatic 3D vascular tree construction in CT angiography | |
| CN113674279B (zh) | 基于深度学习的冠脉cta影像的处理方法及装置 | |
| CN110796670A (zh) | 一种夹层动脉分割方法及装置 | |
| CN110675464A (zh) | 一种医疗影像的处理方法、装置、服务器及存储介质 | |
| CN111080592B (zh) | 一种基于深度学习的肋骨提取方法及装置 | |
| CN110349143B (zh) | 一种确定管状组织感兴趣区的方法、装置、设备及介质 | |
| CN111815663A (zh) | 一种基于Hessian矩阵和灰度法的肝血管分割系统 | |
| CN113889238B (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
| JP6458166B2 (ja) | 医用画像処理方法及び装置及びシステム及びプログラム | |
| CN113160120A (zh) | 基于多模态融合与深度学习的肝脏血管分割方法及系统 | |
| CN113570619A (zh) | 基于人工智能的计算机辅助胰腺病理图像诊断系统 | |
| CN114693671B (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
| CN117237322A (zh) | 一种基于医学图像的器官分割建模方法及终端 | |
| CN116051738A (zh) | 基于cta影像的冠状动脉血管模型重构的方法和可读存储介质 | |
| CN113706514A (zh) | 基于模板图像的病灶定位方法、装置、设备及存储介质 | |
| CN113962957A (zh) | 医学图像处理方法、骨骼图像处理方法、装置、设备 | |
| CN117079080B (zh) | 冠脉cta智能分割模型的训练优化方法、装置和设备 | |
| Lv et al. | Automatic segmentation of mandibular canal using transformer based neural networks | |
| CN110910409B (zh) | 一种灰度图像处理方法、装置和计算机可读存储介质 | |
| CN116779093A (zh) | 一种医学影像结构化报告的生成方法、装置和计算机设备 | |
| JP5954846B2 (ja) | 形状データ生成プログラム、形状データ生成方法及び形状データ生成装置 | |
| CN111798468B (zh) | 图像处理方法及装置、存储介质及电子终端 | |
| CN113658198A (zh) | 交互式肺气肿病灶分割方法、装置、存储介质及设备 |
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 |