CN117274218B - 基于脑灌注成像的血管关键点检测方法及装置、介质 - Google Patents
基于脑灌注成像的血管关键点检测方法及装置、介质 Download PDFInfo
- Publication number
- CN117274218B CN117274218B CN202311301094.1A CN202311301094A CN117274218B CN 117274218 B CN117274218 B CN 117274218B CN 202311301094 A CN202311301094 A CN 202311301094A CN 117274218 B CN117274218 B CN 117274218B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- key point
- image sequence
- image
- images
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 193
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 183
- 230000003788 cerebral perfusion Effects 0.000 title claims abstract description 134
- 238000003384 imaging method Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000007781 pre-processing Methods 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 230000010412 perfusion Effects 0.000 claims description 113
- 238000010586 diagram Methods 0.000 claims description 107
- 210000004556 brain Anatomy 0.000 claims description 92
- 230000006870 function Effects 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 34
- 238000001914 filtration Methods 0.000 claims description 26
- 238000003860 storage Methods 0.000 claims description 23
- 210000004004 carotid artery internal Anatomy 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 230000006835 compression Effects 0.000 claims description 15
- 238000007906 compression Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000002591 computed tomography Methods 0.000 claims description 11
- 238000005520 cutting process Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 210000001841 basilar artery Anatomy 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 6
- 239000000758 substrate Substances 0.000 claims 1
- 230000002792 vascular Effects 0.000 description 19
- 238000012216 screening Methods 0.000 description 8
- 210000001367 artery Anatomy 0.000 description 7
- 210000003462 vein Anatomy 0.000 description 7
- 238000010191 image analysis Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 201000006474 Brain Ischemia Diseases 0.000 description 1
- 206010008120 Cerebral ischaemia Diseases 0.000 description 1
- 206010069729 Collateral circulation Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000003727 cerebral blood flow Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/14—Vascular patterns
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10076—4D tomography; Time-sequential 3D tomography
-
- 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
- G06T2207/20—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
- G06T2207/30016—Brain
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Vascular Medicine (AREA)
- Human Computer Interaction (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开涉及一种基于脑灌注成像的血管关键点检测方法及装置、介质,方法包括对获取到的针对目标血管的第一脑灌注影像序列进行预处理,得到对应于目标血管的切片图像序列,第一脑灌注影像序列为四维数据,第一脑灌注影像序列包括针对目标血管的多个采样时间下的脑灌注影像,切片图像序列包括多张二维切片图像;将切片图像序列输入至关键点检测模型进行计算,得到针对目标血管的关键点的坐标集合,关键点检测模型基于堆叠沙漏网络确定,坐标集合包括多个三维坐标,各三维坐标表征目标血管处对应的关键点的位置信息。根据本公开实施例的基于脑灌注成像的血管关键点检测方法及装置、介质,能够迅速且准确地检测出血管关键点的位置信息。
Description
技术领域
本公开涉及医学检测技术领域,尤其涉及一种基于脑灌注成像的血管关键点检测方法及装置、介质。
背景技术
血管关键点相对于输入图像而言目标很小,传统的检测方法很难输出准确的关键点坐标。现有的血管关键点尤其是动静脉点选取主要靠医生人工的选取和判断,由于动静脉区域较大,需要反复对比选择良好的关键点,非常浪费人工成本。
同时,也存在少部分算法和软件通过依靠区域搜索并构造代价函数的方式进行自动搜索。但现有的自动搜索算法大多依靠先验区域提供候选点,随后构建曲线的代价函数对候选区域内的像素点的时间-密度曲线进行评估。该方法虽然可以实现自动选取,但面对大量真实数据时会出现先验区域划分逻辑过于简单、手动设计的代价函数不够完善,无法应对局部噪声等问题,实际效果有限。
因此,血管关键点的检测研究非常必要。如何迅速且准确地检测出血管关键点的位置信息是亟待解决的技术问题。
发明内容
有鉴于此,本公开提出了一种基于脑灌注成像的血管关键点检测方法及装置、介质,能够迅速且准确地检测出血管关键点的位置信息。
根据本公开的一方面,提供了一种基于脑灌注成像的血管关键点检测方法,包括:
对获取到的针对目标血管的第一脑灌注影像序列进行预处理,得到对应于所述目标血管的切片图像序列,其中,所述第一脑灌注影像序列为四维数据,所述第一脑灌注影像序列包括针对所述目标血管的多个采样时间下的脑灌注影像,所述切片图像序列包括多张二维切片图像;
将所述切片图像序列输入至关键点检测模型进行计算,得到针对所述目标血管的关键点的坐标集合,其中,所述关键点检测模型基于堆叠沙漏网络确定,所述坐标集合包括多个三维坐标,各所述三维坐标表征目标血管处对应的关键点的位置信息。
这样,通过对获取到的针对目标血管的第一脑灌注影像序列这一四维数据进行预处理,得到对应于目标血管的切片图像序列,切片图像序列包括多张二维切片图像,通过将这些二维切片图像输入至关键点检测模型进行计算,从而得到针对目标血管的关键点的坐标集合,不仅可以节省医生筛选血管关键点的时间,还能够提升脑灌注影像分析结果的准确性,实现迅速且准确地血管关键点检测。
在一种可能的实现方式中,所述对获取到的针对目标血管的第一脑灌注影像序列进行预处理,得到对应于所述目标血管的切片图像序列,包括:对所述第一脑灌注影像序列进行时序压缩,得到针对所述目标血管的第一图像,所述第一图像表征所述目标血管在所有采样时间下的三维空间信息;根据所述第一图像确定出沿着Z轴分布的多张脑灌注图像;对所述多张脑灌注图像进行过滤,得到所述切片图像序列。
这样,通过对第一脑灌注影像序列进行时序压缩、确定沿Z轴分布的脑灌注图像、过滤这一系列预处理操作,能够应对不同机型下获取的原始脑灌注影像数据尺寸差异很大而导致后续关键点检测不够准确的情况,从而有助于后续基于这些预处理操作而确定出的切片图像序列确定出正确的关键点的位置信息。
在一种可能的实现方式中,所述对所述第一脑灌注影像序列进行时序压缩,得到针对所述目标血管的第一图像,包括:将所述第一脑灌注影像序列中的所有采样时间下的脑灌注影像融合为所述第一图像,其中,所述脑灌注影像和所述第一图像均为三维数据;和/或,所述根据所述第一图像确定出沿着Z轴分布的多张脑灌注图像,包括:在所述第一图像中的三维目标血管处根据预设间隔沿着Z轴切割,得到多张截面图,将所述多张截面图作为所述多张脑灌注图像;和/或,所述对所述多张脑灌注图像进行过滤,得到所述切片图像序列,包括:针对各所述脑灌注图像进行体素亮度直方图统计,得到统计结果,所述统计结果表征各所述脑灌注图像中的体素亮度分布情况;根据所述统计结果确定出第一阈值,基于所述第一阈值对所述多张脑灌注图像进行过滤,并将过滤后的各张脑灌注图像作为第三图像;对所述第三图像进行归一化处理和拆分,得到所述多张二维切片图像,以所述多张二维切片图像作为所述切片序列。
这样,通过对第一脑灌注影像序列进行融合、切割确定出脑灌注图像并对脑灌注图像进行体素亮度直方图统计、阈值确定、归一化处理和拆分这一系列预处理操作,能够应对不同机型下获取的原始脑灌注影像数据尺寸差异很大而导致后续关键点检测不够准确的情况,从而有助于后续基于这些预处理操作而确定出的切片图像序列确定出正确的关键点的位置信息。
在一种可能的实现方式中,所述关键点检测模型包括下采样模块、多个沙漏模块、热力图生成模块,其中,所述下采样模块用于降低图像的分辨率,所述沙漏模块基于沙漏网络确定且用于对图像进行特征提取得到特征图,所述热力图生成模块用于将所述特征图转换为特征热力图,所述关键点检测模型具有多个通道;所述将所述切片图像序列输入至关键点检测模型进行计算,得到针对所述目标血管的关键点的坐标集合,包括:将所述多张二维切片图像输入至所述关键点检测模型中,经过所述下采样模块降低所述二维切片图像的分辨率后,通过所述多个沙漏模块提取特征图,并通过所述热力图生成模块将最后一个沙漏模块输出的特征图转换为特征热力图,从而得到所述多个通道输出的各张特征热力图;根据所述多个通道输出的各张特征热力图确定出多个类别下的坐标及置信度,其中,所述多个通道与所述多个类别一一对应,所述多个类别与所述目标血管相关;将所述置信度大于预设的第二阈值的所有坐标作为所述坐标集合。
这样,基于堆叠沙漏网络建立的深度学习模型(即关键点检测模型)进行血管关键点的检测,将脑灌注影像序列输入关键点检测模型即可输出对应时间-密度良好的指定种类血管的关键点集合,不仅能够节省医生筛选动静脉点的时间,还能够提升脑灌注影像分析过程中动静脉点的检测精度和速度。
在一种可能的实现方式中,所述目标血管包括左侧颈内动脉末端、右侧颈内动脉末端、基底动脉末端、直窦起始、直窦末端、上矢状窦中的至少一种。
这样,通过不同种类的血管,设置涵盖特定血管种类的训练样本集以训练得到相应的关键点检测模块,能够实现针对性地获取的关键点坐标信息,实现指定血管关键点的位置检测。
在一种可能的实现方式中,所述关键点检测模型还包括多个中间监督模块,所述中间监督模块位于相邻两个沙漏模块之间且用于计算所述关键点检测模型的损失函数;所述方法还包括所述关键点检测模型的训练过程,所述训练过程包括:构建包括多组第二脑灌注影像序列的训练样本集,并对各组所述脑灌注影像序列进行关键点标注,得到标注数据,其中,所述第二脑灌注影像序列通过计算机断层扫描灌注成像或磁共振灌注加权成像确定;将所述第二脑灌注影像序列输入至初始的关键点检测模型中,经过所述下采样模块、所述沙漏模块、所述中间监督模块、所述热力图生成模块计算出多个特征图、热力图和损失函数,所述损失函数与所述标注数据、所述多个特征图、热力图相关;根据所述损失函数更新所述关键点检测模型的网络参数,直至满足预设的收敛条件,得到训练后的关键点检测模型。
这样,通过使用训练好的关键点检测模型对输入的脑灌注影像序列进行计算,能够迅速且准确地检测出血管关键点的位置信息。
在一种可能的实现方式中,所述第一脑灌注影像序列通过计算机断层扫描灌注成像或磁共振灌注加权成像获得。
这样,无论输入的是CTP,还是PWI,都可以进行血管关键点的检测,更加灵活。
根据本公开的另一方面,提供了一种基于脑灌注成像的血管关键点检测装置,包括:
预处理模块,所述预处理模块被配置为对获取到的针对目标血管的第一脑灌注影像序列进行预处理,得到对应于所述目标血管的切片图像序列,其中,所述第一脑灌注影像序列为四维数据,所述第一脑灌注影像序列包括针对所述目标血管的多个采样时间下的脑灌注影像,所述切片图像序列包括多张二维切片图像;
关键点检测模块,所述关键点检测模块被配置为将所述切片图像序列输入至关键点检测模型进行计算,得到针对所述目标血管的关键点的坐标集合,其中,所述关键点检测模型基于堆叠沙漏网络确定,所述坐标集合包括多个三维坐标,各所述三维坐标表征目标血管处对应的关键点的位置信息。
这样,通过预处理模块对获取到的针对目标血管的第一脑灌注影像序列这一四维数据进行预处理,得到对应于目标血管的切片图像序列,切片图像序列包括多张二维切片图像,通过关键点检测模块将这些二维切片图像输入至关键点检测模型进行计算,从而得到针对目标血管的关键点的坐标集合,这样不仅可以节省医生筛选血管关键点的时间,还能够提升脑灌注影像分析结果的准确性,实现迅速且准确地血管关键点检测。
在一种可能的实现方式中,所述对获取到的针对目标血管的第一脑灌注影像序列进行预处理,得到对应于所述目标血管的切片图像序列,包括:对所述第一脑灌注影像序列进行时序压缩,得到针对所述目标血管的第一图像,所述第一图像表征所述目标血管在所有采样时间下的三维空间信息;根据所述第一图像确定出沿着Z轴分布的多张脑灌注图像;对所述多张脑灌注图像进行过滤,得到所述切片图像序列。
这样,通过对第一脑灌注影像序列进行时序压缩、确定沿Z轴分布的脑灌注图像、过滤这一系列预处理操作,能够应对不同机型下获取的原始脑灌注影像数据尺寸差异很大而导致后续关键点检测不够准确的情况,从而有助于后续基于这些预处理操作而确定出的切片图像序列确定出正确的关键点的位置信息。
在一种可能的实现方式中,所述对所述第一脑灌注影像序列进行时序压缩,得到针对所述目标血管的第一图像,包括:将所述第一脑灌注影像序列中的所有采样时间下的脑灌注影像融合为所述第一图像,其中,所述脑灌注影像和所述第一图像均为三维数据;和/或,所述根据所述第一图像确定出沿着Z轴分布的多张脑灌注图像,包括:在所述第一图像中的三维目标血管处根据预设间隔沿着Z轴切割,得到多张截面图,将所述多张截面图作为所述多张脑灌注图像;和/或,所述对所述多张脑灌注图像进行过滤,得到所述切片图像序列,包括:针对各所述脑灌注图像进行体素亮度直方图统计,得到统计结果,所述统计结果表征各所述脑灌注图像中的体素亮度分布情况;根据所述统计结果确定出第一阈值,基于所述第一阈值对所述多张脑灌注图像进行过滤,并将过滤后的各张脑灌注图像作为第三图像;对所述第三图像进行归一化处理和拆分,得到所述多张二维切片图像,以所述多张二维切片图像作为所述切片序列。
这样,通过对第一脑灌注影像序列进行融合、切割确定出脑灌注图像并对脑灌注图像进行体素亮度直方图统计、阈值确定、归一化处理和拆分这一系列预处理操作,能够应对不同机型下获取的原始脑灌注影像数据尺寸差异很大而导致后续关键点检测不够准确的情况,从而有助于后续基于这些预处理操作而确定出的切片图像序列确定出正确的关键点的位置信息。
在一种可能的实现方式中,所述关键点检测模型包括下采样模块、多个沙漏模块、热力图生成模块,其中,所述下采样模块用于降低图像的分辨率,所述沙漏模块基于沙漏网络确定且用于对图像进行特征提取得到特征图,所述热力图生成模块用于将所述特征图转换为特征热力图,所述关键点检测模型具有多个通道;所述将所述切片图像序列输入至关键点检测模型进行计算,得到针对所述目标血管的关键点的坐标集合,包括:将所述多张二维切片图像输入至所述关键点检测模型中,经过所述下采样模块降低所述二维切片图像的分辨率后,通过所述多个沙漏模块提取特征图,并通过所述热力图生成模块将最后一个沙漏模块输出的特征图转换为特征热力图,从而得到所述多个通道输出的各张特征热力图;根据所述多个通道输出的各张特征热力图确定出多个类别下的坐标及置信度,其中,所述多个通道与所述多个类别一一对应,所述多个类别与所述目标血管相关;将所述置信度大于预设的第二阈值的所有坐标作为所述坐标集合。
这样,基于堆叠沙漏网络建立的深度学习模型(即关键点检测模型)进行血管关键点的检测,将脑灌注影像序列输入关键点检测模型即可输出对应时间-密度良好的指定种类血管的关键点集合,不仅能够节省医生筛选动静脉点的时间,还能够提升脑灌注影像分析过程中动静脉点的检测精度和速度。
在一种可能的实现方式中,所述目标血管包括左侧颈内动脉末端、右侧颈内动脉末端、基底动脉末端、直窦起始、直窦末端、上矢状窦中的至少一种。
这样,通过不同种类的血管,设置涵盖特定血管种类的训练样本集以训练得到相应的关键点检测模块,能够实现针对性地获取的关键点坐标信息,实现指定血管关键点的位置检测。
在一种可能的实现方式中,所述关键点检测模型还包括多个中间监督模块,所述中间监督模块位于相邻两个沙漏模块之间且用于计算所述关键点检测模型的损失函数;所述装置还包括训练模块,所述训练模块被配置为执行所述关键点检测模型的训练过程,所述训练过程包括:构建包括多组第二脑灌注影像序列的训练样本集,并对各组所述脑灌注影像序列进行关键点标注,得到标注数据,其中,所述第二脑灌注影像序列通过计算机断层扫描灌注成像或磁共振灌注加权成像确定;将所述第二脑灌注影像序列输入至初始的关键点检测模型中,经过所述下采样模块、所述沙漏模块、所述中间监督模块、所述热力图生成模块计算出多个特征图、热力图和损失函数,所述损失函数与所述标注数据、所述多个特征图、热力图相关;根据所述损失函数更新所述关键点检测模型的网络参数,直至满足预设的收敛条件,得到训练后的关键点检测模型。
这样,通过使用训练好的关键点检测模型对输入的脑灌注影像序列进行计算,能够迅速且准确地检测出血管关键点的位置信息。
在一种可能的实现方式中,所述第一脑灌注影像序列通过计算机断层扫描灌注成像或磁共振灌注加权成像获得。
这样,无论输入的是CTP,还是PWI,都可以进行血管关键点的检测,更加灵活。
根据本公开的另一方面,提供了一种基于脑灌注成像的血管关键点检测装置,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为在执行所述存储器存储的指令时,实现上述基于脑灌注成像的血管关键点检测方法。
根据本公开的另一方面,提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述基于脑灌注成像的血管关键点检测方法。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开实施例提供的血管关键点检测方法的流程图。
图2示出根据本公开实施例提供的血管关键点检测方法的示意图。
图3示出根据本公开实施例提供的关键点检测模型的示意图。
图4示出根据本公开实施例提供的沙漏模块的示意图。
图5示出根据本公开实施例提供的残差块的示意图。
图6示出根据本公开实施例提供的血管关键点检测装置的框图。
图7是根据本公开实施例提供的用于执行血管关键点检测方法的装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
为了方便本领域技术人员理解本公开实施例提供的技术方案,下面先对技术方案实现的技术环境进行说明。
随着医学的进步,灌注成像获得了广泛的应用,脑灌注主要用于评估脑血流与脑代谢状态,临床主要用于评估脑缺血灶与侧支循环,该成像方法是对选定感兴趣层面进行连续动态扫描,获得所选层面的每一像素的时间密度曲线并通过数学模型得到脑血容量(CBV)、脑血流量(CBF)、平均通过时间(MTT)、达峰时间(TTP)等血流动力学参数和灌注图像表现。在脑灌注的数据建模过程中,最终结果的准确性与动静脉点及其对应的动脉输入函数(AIF)、静脉输出函数(VOF)曲线选取质量有很强的关联性。因此血管关键点(动静脉点)的检测研究非常必要。
为了解决上述技术问题,本公开实施例提供了一种基于脑灌注成像的血管关键点检测方法,通过对获取到的针对目标血管的第一脑灌注影像序列这一四维数据进行预处理,得到对应于目标血管的切片图像序列,切片图像序列包括多张二维切片图像,将这些二维切片图像输入至关键点检测模型进行计算,从而得到针对目标血管的关键点的坐标集合,这样不仅可以节省医生筛选血管关键点的时间,还能够提升脑灌注影像分析结果的准确性,实现迅速且准确地血管关键点检测。
图1示出根据本公开实施例提供的血管关键点检测方法的流程图。如图1所示,该血管关键点检测方法可以包括:
S101、对获取到的针对目标血管的第一脑灌注影像序列进行预处理,得到对应于目标血管的切片图像序列。
S102、将切片图像序列输入至关键点检测模型进行计算,得到针对目标血管的关键点的坐标集合。
在一种可能的实现方式中,目标血管可以包括左侧颈内动脉末端、右侧颈内动脉末端、基底动脉末端、直窦起始、直窦末端、上矢状窦中的至少一种。这样,通过不同种类的血管,设置涵盖特定血管种类的训练样本集(详见后文)以训练得到相应的关键点检测模块,能够实现针对性地获取的关键点坐标信息,实现指定血管关键点的位置检测。需要说明的是,尽管以左侧颈内动脉末端、右侧颈内动脉末端等作为示例介绍了目标血管,但本领域技术人员能够理解,本公开实施例应不限于此。
通过步骤S101可以从第一脑灌注影像序列(即原始脑灌注影像)中获取到切片图像序列,通过预处理能够简化输入数据,降低后续步骤S102所进行的血管关键点检测的难度。其中,切片图像序列可包括多张二维切片图像。
第一脑灌注影像序列可来源于为四维数据的原始脑灌注影像,由此,第一脑灌注影像序列为四维数据。原始脑灌注影像或第一脑灌注影像序列的数据形状可为(t,z,y,x),其中,t为时间维度,z,y,x为空间维度。第一脑灌注影像序列可包括针对目标血管的多个采样时间下的脑灌注影像,每张脑灌注影像均为三维影像。
在一种可能的实现方式中,第一脑灌注影像序列可通过计算机断层扫描灌注成像(Computed Tomography Perfusion,CTP)或磁共振灌注加权成像(Perfusion WeightedImaging,PWI)获得。这样,无论输入的是CTP,还是PWI,都可以进行血管关键点的检测,更加灵活。
在一种可能的实现方式中,步骤S101(即对获取到的针对目标血管的第一脑灌注影像序列进行预处理,得到对应于目标血管的切片图像序列)可以包括:对第一脑灌注影像序列进行时序压缩,得到针对目标血管的第一图像,第一图像表征目标血管在所有采样时间下的三维空间信息;根据第一图像确定出沿着Z轴分布的多张脑灌注图像;对多张脑灌注图像进行过滤,得到切片图像序列。这样,通过对第一脑灌注影像序列进行时序压缩、确定沿Z轴分布的脑灌注图像、过滤这一系列预处理操作,能够应对不同机型下获取的原始脑灌注影像数据尺寸差异很大而导致后续关键点检测不够准确的情况,从而有助于后续基于这些预处理操作而确定出的切片图像序列确定出正确的关键点的位置信息。
在一种可能的实现方式中,对第一脑灌注影像序列进行时序压缩,得到针对目标血管的第一图像,可以包括:将第一脑灌注影像序列中的所有采样时间下的脑灌注影像融合为第一图像,其中,脑灌注影像和第一图像均为三维数据。和/或,根据第一图像确定出沿着Z轴分布的多张脑灌注图像,可以包括:在第一图像中的三维目标血管处根据预设间隔沿着Z轴切割,得到多张截面图,将多张截面图作为多张脑灌注图像。和/或,对多张脑灌注图像进行过滤,得到切片图像序列,可以包括:针对各脑灌注图像进行体素亮度直方图统计,得到统计结果,统计结果表征各脑灌注图像中的体素亮度分布情况;根据统计结果确定出第一阈值,基于第一阈值对多张脑灌注图像进行过滤,并将过滤后的各张脑灌注图像作为第三图像;对第三图像进行归一化处理和拆分,得到多张二维切片图像,以多张二维切片图像作为切片序列。这样,通过对第一脑灌注影像序列进行融合、切割确定出脑灌注图像并对脑灌注图像进行体素亮度直方图统计、阈值确定、归一化处理和拆分这一系列预处理操作,能够应对不同机型下获取的原始脑灌注影像数据尺寸差异很大而导致后续关键点检测不够准确的情况,从而有助于后续基于这些预处理操作而确定出的切片图像序列确定出正确的关键点的位置信息。
图2示出根据本公开实施例提供的血管关键点检测方法的示意图。在一个示例中,如图2所示,可以对第一脑灌注影像序列这一四维原始数据进行时序压缩,得到为三维数据的第一图像,第一图像包括了所有采样时间的信息。可以在第一图像中的三维目标血管处根据预设间隔沿着Z轴切割,得到多张截面图,将多张截面图作为多张脑灌注图像,每张脑灌注图像可以视作一层数据。对每层数据(即每张脑灌注图像)分别进行信号(即体素亮度)直方图统计,并根据统计结果自适应性地确定第一阈值,其中,体素亮度直方图呈现明显的双峰分布,第一个峰对应的亮度值为背景,第二个峰对应的亮度值为普通脑实质,由于需要定位的血管在有造影剂的情况下明显高亮,因此选择第二个峰偏后的亮度作为阈值,筛掉大量普通脑实质,仅保留血管部分,可见,对于多张脑灌注图像可设置多个第一阈值。可以根据每层数据(即每张脑灌注图像)得到的第一阈值进行信号过滤,对于一张脑灌注图像来说,如果某一体素亮度大于或者小于第一阈值,那么可将该点体素亮度置为0。可以对过滤后的脑灌注图像进行数据归一化,并将第一图像拆分为多个2D数据(即多张二维切片图像)进行输出,其中,可根据实际诊断所需要的切面来对第一图像进行拆分。
通过步骤S102可以利用关键点检测模型对步骤S101得到的切片图像序列进行计算,从而得到针对目标血管的关键点的坐标集合。坐标集合可包括多个三维坐标,各三维坐标可表征目标血管处对应的关键点的位置信息。
这样,通过步骤S101对获取到的针对目标血管的第一脑灌注影像序列这一四维数据进行预处理,得到对应于目标血管的切片图像序列,切片图像序列包括多张二维切片图像,通过步骤S102将这些二维切片图像输入至关键点检测模型进行计算,从而得到针对目标血管的关键点的坐标集合,这样不仅可以节省医生筛选血管关键点的时间,还能够提升脑灌注影像分析结果的准确性,实现迅速且准确地血管关键点检测。
关键点检测模型可基于堆叠沙漏网络确定。换句话说,关键点检测模型可以以堆叠沙漏网络(Stacked Hourglass Net)为基础,通过该网络以多尺度特征进行关键点检测,同时将关键点的坐标编码为特征热力图(heatmap),简化网络的输出。关键点检测模型具有多个通道,每个通道对应输出一个特征热力图,每个通道对应于一个所关注的血管类别,血管类别与目标血管相关。其中,目标血管可以包括左侧颈内动脉末端、右侧颈内动脉末端、基底动脉末端、直窦起始、直窦末端、上矢状窦中的至少一种。关键点检测模型的输入为切片图像序列,关键点检测模型的输出为各类的坐标及置信度(可从特征热力图中确定)。
关键点检测模型的网络框架可包括下采样模块、多个沙漏模块、多个中间监督模块、热力图生成模块。
下采样模块可用于降低图像的分辨率。由于原分辨率输入对于算力的要求,考虑到实际训练和预测的时间与设备成本,在不影响精度的情况下,网络框架首先使用下采样模块降低输入图像分辨率。该下采样模块可通过一个步长stride=2的7×7卷积层以及一个2×2的最大池化层,将输入图像的高(H)和宽(W)变为H/4和W/4。
沙漏模块可基于沙漏网络确定且用于对图像进行特征提取得到特征图。图3示出根据本公开实施例提供的沙漏模块的示意图。如图3所示,沙漏模块呈现对称分布。沙漏模块先通过卷积和最大池化将输入特征首先从高分辨率降至低分辨率(bottom-up),在每个最大池化时,网络产生分支并通过卷积进行进一步特征提取,当特征达到最低分辨率时,通过最邻近插值进性上采样,在每次上采样后与之前对称位置的网络分支输出相加(element-wise)直至达到原有分辨率,完成低分辨率到高分辨率的还原(top-down)。图4示出根据本公开实施例提供的残差块的示意图。图3示出的沙漏模块中的每个方块结构均由图4所示出的残差块组成。如图5所示,每个残差块包括1×1卷积层、3×3卷积层、BN层(Batch Normalization)、修正线性单元(Rectified Linear Unit,ReLU),其中,1×1卷积层和3×3卷积层构成瓶颈结构(bottleneck),同时将输入与输出直接相连,避免网络退化。
中间监督模块可用于计算关键点检测模型的损失函数,且中间监督模块位于相邻两个沙漏模块之间。在每个沙漏模块后加入中间监督模块,使每个沙漏模块的输出(即特征图)均不同程度地参与损失计算,能够整合全局与局部信息,有助于提升整个模型的特征提取能力。
热力图生成模块可用于将特征图转换为特征热力图。热力图生成模块可将关键点坐标信息通过2D高斯分布编码为特征热力图,热力图生成模块的输出可视为特征热力图或(H/4)×(W/4)×类别数。最终输出的(H/4)×(W/4)×类别数,在最大值大于设定的第二阈值(例如0.7,详见后文)的前提下,各通道最大值所在的坐标即为该通道对应类别的关键点坐标,将其转换为原分辨率即可得到动静脉点坐标。
在一种可能的实现方式中,步骤S102(即将切片图像序列输入至关键点检测模型进行计算,得到针对目标血管的关键点的坐标集合)可以包括:将多张二维切片图像输入至关键点检测模型中,经过下采样模块降低二维切片图像的分辨率后,通过多个沙漏模块提取特征图,并通过热力图生成模块将最后一个沙漏模块输出的特征图转换为特征热力图,从而得到多个通道输出的各张特征热力图;根据多个通道输出的各张特征热力图确定出多个类别下的坐标及置信度,其中,多个通道与多个类别一一对应,多个类别与目标血管相关;将置信度大于预设的第二阈值的所有坐标作为坐标集合。这样,基于堆叠沙漏网络建立的深度学习模型(即关键点检测模型)进行血管关键点的检测,将脑灌注影像序列输入关键点检测模型即可输出对应时间-密度良好的指定种类血管的关键点集合,不仅能够节省医生筛选动静脉点的时间,还能够提升脑灌注影像分析过程中动静脉点的检测精度和速度。
图5示出根据本公开实施例提供的关键点检测模型的示意图。在一个示例中,如图5所示,关键点检测模型可以包括1个下采样模块、4个沙漏模块、3个中间监督模块、1个热力图生成模块。关键点检测模型的输入、下采样模块的输入为切片图像序列中的二维切片图像,下采样模块的输出即第1个沙漏模块的输入为降低分辨率后的二维切片图像,第1个沙漏模块的输出、第1个中间监督模块的输入为第一特征图,第1个中间监督模块的输出、第2个沙漏模块的输入为第一特征图,第2个沙漏模块的输出、第2个中间监督模块的输入为第二特征图,第2个中间监督模块的输出、第3个沙漏模块的输入为第二特征图,第3个沙漏模块的输出、第3个中间监督模块的输入为第三特征图,第3个中间监督模块的输出、第4个沙漏模块的输入为第三特征图,第4个沙漏模块的输出、热力图生成模块的输入为第四特征图,热力图生成模块的输出为特征热力图。其中,第一特征图、第二特征图、第三特征图、第四特征图均对应于二维切片图像。另外,需要说明的是,中间监督模块的输入和输出相同,中间监督模块的设置是为令各个沙漏模块的输出均参与最终的损失计算,不涉及特征图的生成及处理,中间监督模块的作用详见后文关键点检测模型的训练过程。
在本示例中,第二阈值可设为0.7。步骤S102可以包括以下过程:按照二维切片图像在三维数据第一图像中Z轴方向的排列顺序依次将切片图像序列中的二维切片图像输入至关键点检测模型中,经过下采样模块降低二维切片图像的分辨率后,通过各个沙漏模块提取出特征图,并通过热力图生成模块利用激活函数将最后一个沙漏模块输出的特征图转换为类别的概率值,输出特征热力图,从而得到多个通道输出的各张特征热力图,根据这些特征热力图可以确定出各类的坐标及置信度,将置信度大于0.7的所有坐标加入集合中,最终输出动静脉点三维坐标集合,即针对目标血管的关键点的坐标集合,坐标集合中的三维坐标可表征目标血管处对应的关键点的位置信息。
在一种可能的实现方式中,步骤S102中利用的关键点检测模型可以是训练后的模型。该血管关键点检测方法还可以包括关键点检测模型的训练过程,训练过程可以包括:构建包括多组第二脑灌注影像序列的训练样本集,并对各组脑灌注影像序列进行关键点标注,得到标注数据,其中,第二脑灌注影像序列通过计算机断层扫描灌注成像或磁共振灌注加权成像确定;将第二脑灌注影像序列输入至初始的关键点检测模型中,经过下采样模块、沙漏模块、中间监督模块、热力图生成模块计算出多个特征图、热力图和损失函数,损失函数与标注数据、多个特征图、热力图相关;根据损失函数更新关键点检测模型的网络参数,直至满足预设的收敛条件,得到训练后的关键点检测模型。这样,通过使用训练好的关键点检测模型对输入的脑灌注影像序列进行计算,能够迅速且准确地检测出血管关键点的位置信息。
在进行关键点检测模型的训练时,需要一定量的第二脑灌注影像序列数据,并且需要对所关注的目标血管处的关键点进行标注,得到标注数据。需要注意的是,CTP与PWI不可混用,即同一个训练样本集中不可同时出现CTP与PWI,以避免降低关键点检测模型的检测准确性。
在一个示例中,所关注的目标血管包括左侧颈内动脉末端、右侧颈内动脉末端、基底动脉末端、直窦起始、直窦末端、上矢状窦这六种,训练样本集包括这六类血管的脑灌注影像序列数据。训练过程可以依照不放回的随机采样进行网络训练,即:第一步,随机批量抽取训练样本集中的16个样本;第二步,对输入的16个样本进行数据增强,比如随机旋转、随机缩放、弹性形变等;第三步,将数据增强后的样本输入关键点检测模型得到六通道的动静脉点热力图;第四步,使用欧氏距离作为损失函数,根据标注数据、特征图(在中间监督模块的作用下,令各个沙漏模块的输出均参与最终的损失计算)、动静脉点热力图计算损失并计算梯度、反向传播,从而更新关键点检测模型的网络参数;第五步,重复第一步至第四步,当训练样本集中的样本全部采样完毕时,完成一轮迭代,反复多轮迭代,直至满足预设的收敛条件,得到训练后的关键点检测模型。其中,收敛条件可以是损失函数最小或趋于稳定。
在一种可能的实现方式中,训练样本集包括的脑灌注影像序列针对的目标血管可以是左侧颈内动脉末端、右侧颈内动脉末端、基底动脉末端、直窦起始、直窦末端、上矢状窦中的至少一种。这样,通过设置涵盖不同种类的训练样本集,能够实现针对性地获取的关键点坐标信息,实现指定血管关键点的位置检测。
需要说明的是,尽管以左侧颈内动脉末端、右侧颈内动脉末端等作为示例介绍了目标血管,但本领域技术人员能够理解,本公开实施例应不限于此。事实上,用户完全可以根据实际需求选择目标血管所包括的种类。另外,第一脑灌注影像序列、第二脑灌注影像序列本质上均为脑灌注影像序列,本文仅是为区分模型的应用过程和训练过程而使用第一脑灌注影像序列、第二脑灌注影像序列的表述形式,不以此限定本公开实施例的保护范围。
本公开实施例提供的基于脑灌注成像的血管关键点检测方法可用于检测血管尤其是是动静脉关键点,通过对原始脑灌注影像数据进行针对性的预处理,能够简化输入数据、筛除噪声,同时将动静脉关键点坐标建模为概率图(即热力图),基于堆叠沙漏网络建立的深度学习模型(即关键点检测模型)进行血管关键点的检测,将脑灌注影像序列(CTP或PWI)输入关键点检测模型即可输出对应时间-密度良好的指定种类血管的关键点集合,不仅能够节省医生筛选动静脉点的时间,还能够提升脑灌注影像分析过程中动静脉点的检测精度和速度。
本公开实施例还提供了一种基于脑灌注成像的血管关键点检测装置。图6示出根据本公开实施例提供的血管关键点检测装置的框图。如图6所示,该血管关键点检测装置600可以包括:
预处理模块601,所述预处理模块601被配置为对获取到的针对目标血管的第一脑灌注影像序列进行预处理,得到对应于所述目标血管的切片图像序列,其中,所述第一脑灌注影像序列为四维数据,所述第一脑灌注影像序列包括针对所述目标血管的多个采样时间下的脑灌注影像,所述切片图像序列包括多张二维切片图像;
关键点检测模块602,所述关键点检测模块602被配置为将所述切片图像序列输入至关键点检测模型进行计算,得到针对所述目标血管的关键点的坐标集合,其中,所述关键点检测模型基于堆叠沙漏网络确定,所述坐标集合包括多个三维坐标,各所述三维坐标表征目标血管处对应的关键点的位置信息。
这样,通过预处理模块对获取到的针对目标血管的第一脑灌注影像序列这一四维数据进行预处理,得到对应于目标血管的切片图像序列,切片图像序列包括多张二维切片图像,通过关键点检测模块将这些二维切片图像输入至关键点检测模型进行计算,从而得到针对目标血管的关键点的坐标集合,这样不仅可以节省医生筛选血管关键点的时间,还能够提升脑灌注影像分析结果的准确性,实现迅速且准确地血管关键点检测。
在一种可能的实现方式中,所述对获取到的针对目标血管的第一脑灌注影像序列进行预处理,得到对应于所述目标血管的切片图像序列,包括:对所述第一脑灌注影像序列进行时序压缩,得到针对所述目标血管的第一图像,所述第一图像表征所述目标血管在所有采样时间下的三维空间信息;根据所述第一图像确定出沿着Z轴分布的多张脑灌注图像;对所述多张脑灌注图像进行过滤,得到所述切片图像序列。
这样,通过对第一脑灌注影像序列进行时序压缩、确定沿Z轴分布的脑灌注图像、过滤这一系列预处理操作,能够应对不同机型下获取的原始脑灌注影像数据尺寸差异很大而导致后续关键点检测不够准确的情况,从而有助于后续基于这些预处理操作而确定出的切片图像序列确定出正确的关键点的位置信息。
在一种可能的实现方式中,所述对所述第一脑灌注影像序列进行时序压缩,得到针对所述目标血管的第一图像,包括:将所述第一脑灌注影像序列中的所有采样时间下的脑灌注影像融合为所述第一图像,其中,所述脑灌注影像和所述第一图像均为三维数据;和/或,所述根据所述第一图像确定出沿着Z轴分布的多张脑灌注图像,包括:在所述第一图像中的三维目标血管处根据预设间隔沿着Z轴切割,得到多张截面图,将所述多张截面图作为所述多张脑灌注图像;和/或,所述对所述多张脑灌注图像进行过滤,得到所述切片图像序列,包括:针对各所述脑灌注图像进行体素亮度直方图统计,得到统计结果,所述统计结果表征各所述脑灌注图像中的体素亮度分布情况;根据所述统计结果确定出第一阈值,基于所述第一阈值对所述多张脑灌注图像进行过滤,并将过滤后的各张脑灌注图像作为第三图像;对所述第三图像进行归一化处理和拆分,得到所述多张二维切片图像,以所述多张二维切片图像作为所述切片序列。
这样,通过对第一脑灌注影像序列进行融合、切割确定出脑灌注图像并对脑灌注图像进行体素亮度直方图统计、阈值确定、归一化处理和拆分这一系列预处理操作,能够应对不同机型下获取的原始脑灌注影像数据尺寸差异很大而导致后续关键点检测不够准确的情况,从而有助于后续基于这些预处理操作而确定出的切片图像序列确定出正确的关键点的位置信息。
在一种可能的实现方式中,所述关键点检测模型包括下采样模块、多个沙漏模块、热力图生成模块,其中,所述下采样模块用于降低图像的分辨率,所述沙漏模块基于沙漏网络确定且用于对图像进行特征提取得到特征图,所述热力图生成模块用于将所述特征图转换为特征热力图,所述关键点检测模型具有多个通道;所述将所述切片图像序列输入至关键点检测模型进行计算,得到针对所述目标血管的关键点的坐标集合,包括:将所述多张二维切片图像输入至所述关键点检测模型中,经过所述下采样模块降低所述二维切片图像的分辨率后,通过所述多个沙漏模块提取特征图,并通过所述热力图生成模块将最后一个沙漏模块输出的特征图转换为特征热力图,从而得到所述多个通道输出的各张特征热力图;根据所述多个通道输出的各张特征热力图确定出多个类别下的坐标及置信度,其中,所述多个通道与所述多个类别一一对应,所述多个类别与所述目标血管相关;将所述置信度大于预设的第二阈值的所有坐标作为所述坐标集合。
这样,基于堆叠沙漏网络建立的深度学习模型(即关键点检测模型)进行血管关键点的检测,将脑灌注影像序列输入关键点检测模型即可输出对应时间-密度良好的指定种类血管的关键点集合,不仅能够节省医生筛选动静脉点的时间,还能够提升脑灌注影像分析过程中动静脉点的检测精度和速度。
在一种可能的实现方式中,所述目标血管包括左侧颈内动脉末端、右侧颈内动脉末端、基底动脉末端、直窦起始、直窦末端、上矢状窦中的至少一种。
这样,通过不同种类的血管,设置涵盖特定血管种类的训练样本集以训练得到相应的关键点检测模块,能够实现针对性地获取的关键点坐标信息,实现指定血管关键点的位置检测。
在一种可能的实现方式中,所述关键点检测模型还包括多个中间监督模块,所述中间监督模块位于相邻两个沙漏模块之间且用于计算所述关键点检测模型的损失函数;所述装置还包括训练模块,所述训练模块被配置为执行所述关键点检测模型的训练过程,所述训练过程包括:构建包括多组第二脑灌注影像序列的训练样本集,并对各组所述脑灌注影像序列进行关键点标注,得到标注数据,其中,所述第二脑灌注影像序列通过计算机断层扫描灌注成像或磁共振灌注加权成像确定;将所述第二脑灌注影像序列输入至初始的关键点检测模型中,经过所述下采样模块、所述沙漏模块、所述中间监督模块、所述热力图生成模块计算出多个特征图、热力图和损失函数,所述损失函数与所述标注数据、所述多个特征图、热力图相关;根据所述损失函数更新所述关键点检测模型的网络参数,直至满足预设的收敛条件,得到训练后的关键点检测模型。
这样,通过使用训练好的关键点检测模型对输入的脑灌注影像序列进行计算,能够迅速且准确地检测出血管关键点的位置信息。
在一种可能的实现方式中,所述第一脑灌注影像序列通过计算机断层扫描灌注成像或磁共振灌注加权成像获得。
这样,无论输入的是CTP,还是PWI,都可以进行血管关键点的检测,更加灵活。
在一些实施例中,本公开实施例提供的血管关键点检测装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文血管关键点检测方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种血管关键点检测装置,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为在执行所述存储器存储的指令时,实现上述血管关键点检测方法。
在一些实施例中,本公开实施例提供的血管关键点检测装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文血管关键点检测方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述血管关键点检测方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
在一些实施例中,本公开实施例提供的计算机可读存储介质具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文血管关键点检测方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,或者承载有计算机可读代码的非易失性计算机可读存储介质,当所述计算机可读代码在电子设备的处理器中运行时,所述电子设备中的处理器执行上述血管关键点检测方法。
在一些实施例中,本公开实施例提供的计算机程序产品具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文血管关键点检测方法实施例的描述,为了简洁,这里不再赘述。
图7是根据本公开实施例提供的用于执行血管关键点检测方法的装置的框图。例如,装置1900可以被提供为一服务器或终端设备。参照图7,装置1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理,一个有线或无线网络接口1950被配置为将装置1900连接到网络,和一个输入输出接口1958(I/O接口)。装置1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (7)
1.一种基于脑灌注成像的血管关键点检测方法,其特征在于,包括:
对获取到的针对目标血管的第一脑灌注影像序列进行预处理,得到对应于所述目标血管的切片图像序列,其中,所述目标血管包括左侧颈内动脉末端、右侧颈内动脉末端、基底动脉末端、直窦起始、直窦末端、上矢状窦中的至少一种,所述第一脑灌注影像序列为四维数据,所述第一脑灌注影像序列包括针对所述目标血管的多个采样时间下的脑灌注影像,所述切片图像序列包括多张二维切片图像;
将所述切片图像序列输入至训练后的关键点检测模型进行计算,得到针对所述目标血管的关键点的坐标集合,其中,所述关键点检测模型基于堆叠沙漏网络确定,所述坐标集合包括多个三维坐标,各所述三维坐标表征目标血管处对应的关键点的位置信息;
其中,所述对获取到的针对目标血管的第一脑灌注影像序列进行预处理,得到对应于所述目标血管的切片图像序列,包括:对所述第一脑灌注影像序列进行时序压缩,得到针对所述目标血管的第一图像,所述第一图像表征所述目标血管在所有采样时间下的三维空间信息;根据所述第一图像确定出沿着Z轴分布的多张脑灌注图像;对所述多张脑灌注图像进行过滤,得到所述切片图像序列;其中,所述根据所述第一图像确定出沿着Z轴分布的多张脑灌注图像,包括:在所述第一图像中的三维目标血管处根据预设间隔沿着Z轴切割,得到多张截面图,将所述多张截面图作为所述多张脑灌注图像;
其中,所述训练后的关键点检测模型包括下采样模块、多个沙漏模块、热力图生成模块,其中,所述下采样模块用于降低图像的分辨率,所述沙漏模块基于沙漏网络确定且用于对图像进行特征提取得到特征图,所述热力图生成模块用于将所述特征图转换为特征热力图,所述关键点检测模型具有多个通道;
所述将所述切片图像序列输入至关键点检测模型进行计算,得到针对所述目标血管的关键点的坐标集合,包括:将所述多张二维切片图像输入至所述关键点检测模型中,经过所述下采样模块降低所述二维切片图像的分辨率后,通过所述多个沙漏模块提取特征图,并通过所述热力图生成模块将最后一个沙漏模块输出的特征图转换为特征热力图,从而得到所述多个通道输出的各张特征热力图;根据所述多个通道输出的各张特征热力图确定出多个类别下的坐标及置信度,其中,所述多个通道与所述多个类别一一对应,所述多个类别与所述目标血管相关;将所述置信度大于预设的第二阈值的所有坐标作为所述坐标集合,所述坐标集合指示对应时间-密度良好的指定种类血管的关键点集合,其中,所述指定种类血管与所述关键点检测模型所用训练样本集包括的血管种类相同。
2.根据权利要求1所述的方法,其特征在于,
所述对所述第一脑灌注影像序列进行时序压缩,得到针对所述目标血管的第一图像,包括:将所述第一脑灌注影像序列中的所有采样时间下的脑灌注影像融合为所述第一图像,其中,所述脑灌注影像和所述第一图像均为三维数据;
和/或,
所述对所述多张脑灌注图像进行过滤,得到所述切片图像序列,包括:
针对各所述脑灌注图像进行体素亮度直方图统计,得到统计结果,所述统计结果表征各所述脑灌注图像中的体素亮度分布情况;
根据所述统计结果确定出第一阈值,基于所述第一阈值对所述多张脑灌注图像进行过滤,并将过滤后的各张脑灌注图像作为第三图像;
对所述第三图像进行归一化处理和拆分,得到所述多张二维切片图像,以所述多张二维切片图像作为所述切片图像序列。
3.根据权利要求1所述的方法,其特征在于,所述关键点检测模型还包括多个中间监督模块,所述中间监督模块位于相邻两个沙漏模块之间且用于计算所述关键点检测模型的损失函数;
所述方法还包括所述关键点检测模型的训练过程,所述训练过程包括:
构建包括多组第二脑灌注影像序列的训练样本集,并对各组所述脑灌注影像序列进行关键点标注,得到标注数据,其中,所述第二脑灌注影像序列通过计算机断层扫描灌注成像或磁共振灌注加权成像确定;
将所述第二脑灌注影像序列输入至初始的关键点检测模型中,经过所述下采样模块、所述沙漏模块、所述中间监督模块、所述热力图生成模块计算出多个特征图、热力图和损失函数,所述损失函数与所述标注数据、所述多个特征图、热力图相关;
根据所述损失函数更新所述关键点检测模型的网络参数,直至满足预设的收敛条件,得到训练后的关键点检测模型。
4.根据权利要求1至3中任意一项所述的方法,其特征在于,所述第一脑灌注影像序列通过计算机断层扫描灌注成像或磁共振灌注加权成像获得。
5.一种基于脑灌注成像的血管关键点检测装置,其特征在于,包括:
预处理模块,所述预处理模块被配置为对获取到的针对目标血管的第一脑灌注影像序列进行预处理,得到对应于所述目标血管的切片图像序列,其中,所述目标血管包括左侧颈内动脉末端、右侧颈内动脉末端、基底动脉末端、直窦起始、直窦末端、上矢状窦中的至少一种,所述第一脑灌注影像序列为四维数据,所述第一脑灌注影像序列包括针对所述目标血管的多个采样时间下的脑灌注影像,所述切片图像序列包括多张二维切片图像;
关键点检测模块,所述关键点检测模块被配置为将所述切片图像序列输入至训练后的关键点检测模型进行计算,得到针对所述目标血管的关键点的坐标集合,其中,所述关键点检测模型基于堆叠沙漏网络确定,所述坐标集合包括多个三维坐标,各所述三维坐标表征目标血管处对应的关键点的位置信息;
其中,所述对获取到的针对目标血管的第一脑灌注影像序列进行预处理,得到对应于所述目标血管的切片图像序列,包括:对所述第一脑灌注影像序列进行时序压缩,得到针对所述目标血管的第一图像,所述第一图像表征所述目标血管在所有采样时间下的三维空间信息;根据所述第一图像确定出沿着Z轴分布的多张脑灌注图像;对所述多张脑灌注图像进行过滤,得到所述切片图像序列;其中,所述根据所述第一图像确定出沿着Z轴分布的多张脑灌注图像,包括:在所述第一图像中的三维目标血管处根据预设间隔沿着Z轴切割,得到多张截面图,将所述多张截面图作为所述多张脑灌注图像;
其中,所述训练后的关键点检测模型包括下采样模块、多个沙漏模块、热力图生成模块,其中,所述下采样模块用于降低图像的分辨率,所述沙漏模块基于沙漏网络确定且用于对图像进行特征提取得到特征图,所述热力图生成模块用于将所述特征图转换为特征热力图,所述关键点检测模型具有多个通道;
所述将所述切片图像序列输入至关键点检测模型进行计算,得到针对所述目标血管的关键点的坐标集合,包括:将所述多张二维切片图像输入至所述关键点检测模型中,经过所述下采样模块降低所述二维切片图像的分辨率后,通过所述多个沙漏模块提取特征图,并通过所述热力图生成模块将最后一个沙漏模块输出的特征图转换为特征热力图,从而得到所述多个通道输出的各张特征热力图;根据所述多个通道输出的各张特征热力图确定出多个类别下的坐标及置信度,其中,所述多个通道与所述多个类别一一对应,所述多个类别与所述目标血管相关;将所述置信度大于预设的第二阈值的所有坐标作为所述坐标集合,所述坐标集合指示对应时间-密度良好的指定种类血管的关键点集合,其中,所述指定种类血管与所述关键点检测模型所用训练样本集包括的血管种类相同。
6.一种基于脑灌注成像的血管关键点检测装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为在执行所述存储器存储的指令时,实现权利要求1至4中任意一项所述的方法。
7.一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311301094.1A CN117274218B (zh) | 2023-10-09 | 2023-10-09 | 基于脑灌注成像的血管关键点检测方法及装置、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311301094.1A CN117274218B (zh) | 2023-10-09 | 2023-10-09 | 基于脑灌注成像的血管关键点检测方法及装置、介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117274218A CN117274218A (zh) | 2023-12-22 |
CN117274218B true CN117274218B (zh) | 2024-06-07 |
Family
ID=89219474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311301094.1A Active CN117274218B (zh) | 2023-10-09 | 2023-10-09 | 基于脑灌注成像的血管关键点检测方法及装置、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117274218B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862916A (zh) * | 2021-03-11 | 2021-05-28 | 首都医科大学附属北京天坛医院 | Ct灌注功能图量化参数处理设备及方法 |
CN116452808A (zh) * | 2023-04-21 | 2023-07-18 | 深圳市联影高端医疗装备创新研究院 | 图像分割方法、模型训练方法、系统、设备及存储介质 |
CN116524548A (zh) * | 2023-07-03 | 2023-08-01 | 中国科学院自动化研究所 | 血管结构信息提取方法、装置及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ITPI20020051A1 (it) * | 2002-09-18 | 2004-03-19 | Cnr Consiglio Naz Delle Ric Erche | Metodo e apparato per l'estrazione dei contorni delle strutture presenti in una immagine mediante l'impiego di una classe di filtri non lineari. |
-
2023
- 2023-10-09 CN CN202311301094.1A patent/CN117274218B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862916A (zh) * | 2021-03-11 | 2021-05-28 | 首都医科大学附属北京天坛医院 | Ct灌注功能图量化参数处理设备及方法 |
CN116452808A (zh) * | 2023-04-21 | 2023-07-18 | 深圳市联影高端医疗装备创新研究院 | 图像分割方法、模型训练方法、系统、设备及存储介质 |
CN116524548A (zh) * | 2023-07-03 | 2023-08-01 | 中国科学院自动化研究所 | 血管结构信息提取方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117274218A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229504B (zh) | 图像解析方法及装置 | |
CN110163876B (zh) | 基于多特征融合的左心室分割方法、系统、设备及介质 | |
CN110298844B (zh) | X光造影图像血管分割与识别方法及装置 | |
TWI747120B (zh) | 深度模型訓練方法及裝置、電子設備及儲存介質 | |
US10997720B2 (en) | Medical image classification method and related device | |
CN112465834A (zh) | 一种血管分割方法及装置 | |
Wu et al. | Ultrasound image segmentation method for thyroid nodules using ASPP fusion features | |
CN112927239A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111192320B (zh) | 一种位置信息确定方法、装置、设备和存储介质 | |
WO2021097595A1 (zh) | 图像的病变区域分割方法、装置及服务器 | |
CN111429457A (zh) | 图像局部区域亮度智能评价方法、装置、设备及介质 | |
CN113379741B (zh) | 基于血管特征的视网膜血管分割方法、设备和存储介质 | |
CN109165572B (zh) | 用于生成信息的方法和装置 | |
CN110827963A (zh) | 针对病理图像的语义分割方法和电子设备 | |
CN116227573B (zh) | 分割模型训练方法、图像分割方法、装置及相关介质 | |
CN112785575A (zh) | 一种图像处理的方法、装置和存储介质 | |
CN117274218B (zh) | 基于脑灌注成像的血管关键点检测方法及装置、介质 | |
CN115690143B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
Mihaylova et al. | Multistage approach for automatic spleen segmentation in MRI sequences | |
CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
CN105516735A (zh) | 代表帧获取方法和装置 | |
CN112750124B (zh) | 模型生成、图像分割方法、装置、电子设备及存储介质 | |
CN114998582A (zh) | 一种冠脉血管的分割方法、装置及存储介质 | |
CN115731240A (zh) | 一种分割方法、装置、电子设备及存储介质 | |
CN109934045B (zh) | 行人检测方法和装置 |
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 |