CN117274272B - 一种基于深度学习的冠状动脉造影图分割的优化方法 - Google Patents
一种基于深度学习的冠状动脉造影图分割的优化方法 Download PDFInfo
- Publication number
- CN117274272B CN117274272B CN202311161410.XA CN202311161410A CN117274272B CN 117274272 B CN117274272 B CN 117274272B CN 202311161410 A CN202311161410 A CN 202311161410A CN 117274272 B CN117274272 B CN 117274272B
- Authority
- CN
- China
- Prior art keywords
- coronary artery
- coronary
- image
- data
- abnormal
- 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
- 210000004351 coronary vessel Anatomy 0.000 title claims abstract description 561
- 238000000034 method Methods 0.000 title claims abstract description 96
- 230000011218 segmentation Effects 0.000 title claims abstract description 87
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000005457 optimization Methods 0.000 title claims abstract description 13
- 238000013507 mapping Methods 0.000 title claims description 6
- 230000002159 abnormal effect Effects 0.000 claims abstract description 232
- 238000002586 coronary angiography Methods 0.000 claims abstract description 117
- 238000002372 labelling Methods 0.000 claims abstract description 36
- 238000003709 image segmentation Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 55
- 238000004458 analytical method Methods 0.000 claims description 48
- 238000004088 simulation Methods 0.000 claims description 48
- 208000014387 congenital coronary artery anomaly Diseases 0.000 claims description 39
- 201000011639 coronary artery anomaly Diseases 0.000 claims description 39
- 238000013178 mathematical model Methods 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 29
- 230000000877 morphologic effect Effects 0.000 claims description 27
- 230000015572 biosynthetic process Effects 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000003786 synthesis reaction Methods 0.000 claims description 14
- 238000002601 radiography Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000013075 data extraction Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 11
- 238000007619 statistical method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 206010062325 Congenital arterial malformation Diseases 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 description 34
- 238000011282 treatment Methods 0.000 description 19
- 238000003745 diagnosis Methods 0.000 description 16
- 230000017531 blood circulation Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 208000029078 coronary artery disease Diseases 0.000 description 11
- 230000003902 lesion Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000002708 enhancing effect Effects 0.000 description 8
- 210000004204 blood vessel Anatomy 0.000 description 7
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 230000002792 vascular Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 208000031481 Pathologic Constriction Diseases 0.000 description 5
- 230000036772 blood pressure Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 208000037804 stenosis Diseases 0.000 description 5
- 230000036262 stenosis Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 231100000216 vascular lesion Toxicity 0.000 description 4
- 206010002329 Aneurysm Diseases 0.000 description 3
- 206010061818 Disease progression Diseases 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000005750 disease progression Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009826 neoplastic cell growth Effects 0.000 description 2
- 230000001991 pathophysiological effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 230000006496 vascular abnormality Effects 0.000 description 2
- 208000031104 Arterial Occlusive disease Diseases 0.000 description 1
- 206010003211 Arteriosclerosis coronary artery Diseases 0.000 description 1
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 201000000057 Coronary Stenosis Diseases 0.000 description 1
- 206010011089 Coronary artery stenosis Diseases 0.000 description 1
- 206010011091 Coronary artery thrombosis Diseases 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 208000021328 arterial occlusion Diseases 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007211 cardiovascular event Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 208000026758 coronary atherosclerosis Diseases 0.000 description 1
- 208000002528 coronary thrombosis Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000007505 plaque formation Effects 0.000 description 1
- 235000012434 pretzels Nutrition 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
- 238000012800 visualization Methods 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及数据增强技术领域,尤其涉及一种基于深度学习的冠状动脉造影图分割的优化方法。该方法包括以下步骤:获取历史冠状动脉数据并进行分析,获得历史冠状动脉异常数据;对历史冠状动脉异常数据进行冠状动脉造影图像;对冠状动脉造影图像进行数据增强,获得增强冠状动脉造影图;对增强冠状动脉造影图像进行标注,获得冠状动脉边界数据集;对冠状动脉边界数据集构建冠状动脉造影图像分割模型;获取待分割冠状动脉造影图像,利用冠状动脉造影图像分割模型对待分割冠状动脉造影图像进行冠状动脉造影图图像分割;对冠状动脉造影图分割图像进行处理,获得优化冠状动脉造影图分割图像。本发明基于深度学习实现对冠状动脉造影图进行高效分割。
Description
技术领域
本发明涉及数据增强技术领域,尤其涉及一种基于深度学习的冠状动脉造影图分割的优化方法。
背景技术
冠状动脉造影图(DSA)广泛应用于诊断和治疗血管疾病,如动脉粥样硬化和动脉瘤。DSA图像中的动脉结构复杂多变,传统的手工分割方法往往需要大量人工参与,费时费力且容易受到主观因素的影响。因此,基于深度学习的自动分割方法成为一种备受关注的研究方向。
发明内容
基于此,本发明有必要提供一种基于深度学习的冠状动脉造影图分割的优化方法,以解决至少一个上述技术问题。
为实现上述目的,一种基于深度学习的冠状动脉造影图分割的优化方法,包括以下步骤:
步骤S1:获取历史冠状动脉数据,对历史冠状动脉数据进行动脉异常分析,从而获得历史冠状动脉异常数据;
步骤S2:对历史冠状动脉异常数据进行图像合成,从而获得冠状动脉造影图像;
步骤S3:通过数据增强方法对冠状动脉造影图像进行数据增强处理,从而获得增强冠状动脉造影图;
步骤S4:对增强冠状动脉造影图像进行边界标注,从而获得冠状动脉边界数据集;
步骤S5:对冠状动脉边界数据集进行缩放处理并构建冠状动脉造影图像分割模型;
步骤S6:获取待分割冠状动脉造影图像,利用冠状动脉造影图像分割模型对待分割冠状动脉造影图像进行图像分割,从而获得冠状动脉造影图分割图像;
步骤S7:对冠状动脉造影图分割图像进行参数化描述,从而获得优化冠状动脉造影图分割图像。
本发明通过医疗云平台获取历史冠状动脉数据,对历史冠状动脉数据进行动脉异常分析,从而获得历史冠状动脉异常数据;通过对大量患者数据的统计和分析,可以揭示不同疾病类型的特征和规律,推动疾病的深入研究和理解,帮助进一步改进诊断技术和治疗方法。对历史冠状动脉异常数据进行图像合成,从而获得冠状动脉造影图像;通过图像合成,可以将历史冠状动脉数据转化为冠状动脉造影图像,从而丰富数据的形式和内容。冠状动脉造影图像是一种可视化的表达方式,能够为医生提供更直观、详细的血管结构信息,有助于更准确地诊断和治疗决策。通过数据增强方法对冠状动脉造影图像进行数据增强处理,从而获得增强冠状动脉造影图;数据增强可以通过应用不同的变换和处理方法,在原始图像上生成多样化的新图像。这些增强后的图像可以包括亮度调整、对比度增强、噪声添加等像素级别的变换。通过增加图像的多样性,可以提供更丰富的训练数据,增强模型的鲁棒性和泛化能力。对增强冠状动脉造影图像进行边界标注,从而获得冠状动脉边界数据集;边界标注的冠状动脉数据集可以用于训练和评估边界检测算法。这些算法可以自动地识别和提取冠状动脉的边界,从而在大规模数据上快速、准确地完成任务。通过使用标注的边界数据集,可以训练出更精确和可靠的边界检测算法,提高对冠状动脉的识别和定位准确性。对冠状动脉边界数据集进行缩放处理并构建冠状动脉造影图像分割模型;通过对冠状动脉边界数据集进行缩放处理,可以将数据集中的图像统一到相同的尺寸或分辨率。这样做可以避免图像尺寸差异对模型性能的影响,并提高模型的适用性。统一尺寸和分辨率的数据集有助于训练出更稳定、鲁棒性更强的冠状动脉分割模型。同时通过对图像进行缩放处理,可以降低图像的分辨率和尺寸,从而减少模型训练和推理过程中的计算复杂度,提高模型的效率和实用性。缩放处理可以模拟不同分辨率和尺寸的图像情况,从而增强模型对于不同图像数据的泛化能力。通过缩放处理和构建模型,可以为冠状动脉分割任务的实际应用提供自动化的解决方案,提高工作效率和准确性。通过医疗云平台获取待分割冠状动脉造影图像,利用冠状动脉造影图像分割模型对待分割冠状动脉造影图像进行图像分割,从而获得冠状动脉造影图分割图像;冠状动脉造影图像分割模型经过大规模训练和优化,具有较高的准确性。它可以捕捉图像中的细微纹理和结构信息,有效区分血管和周围组织的边界。相较于传统的手动分割方法,使用分割模型能够获得更准确、更一致的分割结果,减少了人为错误的可能性。冠状动脉造影图像分割的快速自动化,使医生能够更迅速地获取血管结构的准确分割结果,节约了诊断和治疗的时间。医生可以更快速地分析图像,发现可能存在的异常或病变,并及时制定治疗方案。这有助于提高临床决策的效率和准确性,以便更及时地进行干预和治疗。对冠状动脉造影图分割图像进行参数化描述,从而获得优化冠状动脉造影图分割图像。通过对分割图像进行参数化描述,可以识别出可能存在的分割错误或不足之处。这些信息可以用于优化分割算法,改进模型的性能和准确性。参数化描述提取的定量参数和特征可以用于支持临床决策。例如,血管直径、弯曲程度、总长度等参数可以提供关于血管结构和功能的信息,有助于评估血管病变的严重程度和疾病进展。这些信息可以帮助医生制定更精确的诊断和治疗计划。
可选地,步骤S2具体为:
步骤S21:对历史冠状动脉异常数据进行结构化异常数据提取以及异常图像提取,从而获得历史冠状动脉结构化异常数据以及历史冠状动脉异常图像;
步骤S22:通过形态学分析法对历史冠状动脉结构化异常数据进行特征提取,从而获得冠状动脉异常特征;
步骤S23:通过曲线拟合法对冠状动脉异常特征构建冠状动脉模拟数学模型;
步骤S24:通过数据插值法对冠状动脉异常特征进行数据插值,从而获得冠状动脉空间数据;
步骤S25:通过纹理生成技术对冠状动脉异常特征进行纹理生成,从而获得冠状动脉纹理数据;
步骤S26:通过物理模拟技术对冠状动脉异常特征进行生理模拟,从而获得冠状动脉生理特征数据;
步骤S27:利用冠状动脉空间数据、冠状动脉纹理数据以及冠状动脉生理特征数据对冠状动脉模拟数学模型进行修正处理,从而获得优化冠状动脉模拟数学模型;
步骤S28:通过冠状动脉模拟数学模型对历史冠状动脉结构化异常数据以及历史冠状动脉异常图像进行图像合成,从而获得冠状动脉造影图像。
本发明对历史冠状动脉异常数据进行结构化异常数据提取以及异常图像提取,从而获得历史冠状动脉结构化异常数据以及历史冠状动脉异常图像;通过形态学分析法对历史冠状动脉结构化异常数据进行特征提取,从而获得冠状动脉异常特征;冠状动脉异常可以分为多种类型,如动脉瘤、狭窄、闭塞等。形态学分析可以根据不同类型的异常特征提取,辅助医生对冠状动脉疾病进行分类和诊断。通过曲线拟合法对冠状动脉异常特征构建冠状动脉模拟数学模型;通过曲线拟合法,可以将冠状动脉异常特征数据进行数学模型化。这样的数学模型可以用来预测冠状动脉异常的发展趋势、估计病变的程度、预测患者的病情进展等。模型可以提供定量指标,帮助医生做出更准确的诊断和预测。通过数据插值法对冠状动脉异常特征进行数据插值,从而获得冠状动脉空间数据;冠状动脉异常特征通常涉及到三维空间内的点和曲线。数据插值法可以在有限的采样点数据的基础上,推断出其他未采样的点的数值,从而获得冠状动脉的空间数据。这样可以更加全面地了解冠状动脉异常的形态和分布情况。通过纹理生成技术对冠状动脉异常特征进行纹理生成,从而获得冠状动脉纹理数据;利用纹理生成技术,可以将这些特征转化为纹理的形式,提供一种全新的数据表示方式。纹理数据可以捕捉到冠状动脉异常的局部细节、纹理变化和结构特征。纹理特征可以用于辅助冠状动脉异常的分类、定量评估和预测。通过纹理特征的分析,可以揭示隐藏在冠状动脉异常中的细微差异,有助于更准确地了解和诊断冠状动脉疾病。通过物理模拟技术对冠状动脉异常特征进行生理模拟,从而获得冠状动脉生理特征数据;物理模拟技术可以模拟冠状动脉内部的血流和压力行为,帮助深入理解冠状动脉异常的生理特征。通过模拟血流输运和动力学过程,可以观察和分析血流速度、血压、剪切应力等参数在冠状动脉病变区域的变化。这有助于揭示冠状动脉异常的形成机制和病理生理学基础。利用冠状动脉空间数据、冠状动脉纹理数据以及冠状动脉生理特征数据对冠状动脉模拟数学模型进行修正处理,从而获得优化冠状动脉模拟数学模型;通过修正数学模型,融合冠状动脉空间数据和纹理数据,可以生成更逼真的冠状动脉模型,模拟病变区域的形态特征。这有助于医生更准确地进行冠状动脉疾病的诊断,通过与实际数据的比对,提供更可靠的诊断依据。通过冠状动脉模拟数学模型对历史冠状动脉结构化异常数据以及历史冠状动脉异常图像进行图像合成,从而获得冠状动脉造影图像。冠状动脉模拟数学模型可以通过对历史冠状动脉结构化异常数据和图像进行合成,填补数据空缺处,从而为医生提供完整的冠状动脉造影图像。这有助于医生更全面地了解冠状动脉的异常情况,包括管腔狭窄、血流堵塞等结构异常,以及血液流动情况。
可选地,步骤S3具体为:
通过高通滤波方法对冠状动脉造影图像进行细节增强,从而获得滤波冠状动脉造影图像;
对滤波冠状动脉造影图像进行添加噪声,从而获得噪声滤波冠状动脉造影图像;
通过自适应对比度增强技术对噪声滤波冠状动脉造影图像进行视觉效果增加,从而获得增强冠状动脉造影图。
本发明通过高通滤波方法对冠状动脉造影图像进行细节增强,从而获得滤波冠状动脉造影图像;高通滤波可以突出冠状动脉造影图像中的细节和边缘信息。通过增强图像的高频成分,可以使血管边缘和结构更加清晰,有助于医生更准确地诊断和评估冠状动脉异常。细节增强后的滤波冠状动脉造影图像可以更明显地显示冠状动脉的异常区域,例如狭窄、瘤样扩张等。这有助于医生更容易地检测和识别可能存在的冠状动脉疾病,提高早期诊断的准确性。对滤波冠状动脉造影图像进行添加噪声,从而获得噪声滤波冠状动脉造影图像;冠状动脉造影图像往往存在噪声,添加噪声可以更好地模拟真实世界的图像情况。这使医生能够了解在实际临床环境中观察图像时可能遇到的挑战,从而更好地准备和适应。通过添加噪声,可以提高滤波冠状动脉造影图像的鲁棒性和泛化性能。通过自适应对比度增强技术对噪声滤波冠状动脉造影图像进行视觉效果增加,从而获得增强冠状动脉造影图。自适应对比度增强技术可以增强图像中的对比度,使冠状动脉造影图像的细节更加清晰可见。这有助于医生更准确地观察和分析冠状动脉的形态、血管壁和血管异常,提高诊断水平。自适应对比度增强技术能够增强图像中的边缘信息,使得血管边界更加清晰明确。这有助于图像分割算法更准确地检测和提取冠状动脉的边缘,从而为后续的血管分割和分析提供更可靠的基础。自适应对比度增强技术可以突出图像中的纹理特征,使得冠状动脉的纹理更加明显。在图像分割中,纹理信息常被用于辅助区分不同结构和组织,因此增强纹理信息有助于提高分割算法对冠状动脉的准确性和稳定性。噪声滤波和对比度增强可以减少图像中的噪声干扰,使图像在分割过程中更加干净和稳定。这对于分割算法的准确性和鲁棒性非常重要。增强冠状动脉造影图像的对比度和细节可以使生成的分割结果更加清晰和易于理解。医生可以更容易地观察和分析分割结果,进一步分析血管结构和潜在的异常区域。
可选地,步骤S4具体为:
通过LabelMe工具对增强冠状动脉造影图像进行多边形边界标注,从而获得标注数据集;
对标注数据集进行标签分配,从而获得冠状动脉标注数据集;
对冠状动脉标注数据集进行格式转换,从而获得冠状动脉边界数据集。
本发明通过使用LabelMe工具对增强冠状动脉造影图像进行多边形边界标注,可以提供准确的冠状动脉区域的边界信息。这些标注的边界数据可以作为分割算法的参考标准,用于评估算法的性能和准确度。将标注数据集进行标签分配,即为每个标注的冠状动脉边界赋予相应的标签。这一步骤可以为分割算法提供有监督的训练数据集,使其学习正确识别和分割冠状动脉的能力。有监督学习可以提高分割算法的准确性和鲁棒性。对冠状动脉标注数据集进行格式转换,将边界数据转换为特定的数据格式。这样的冠状动脉边界数据集可以用于各种机器学习和图像分割算法的训练和评估。算法可以通过处理这些数据来学习和推断冠状动脉的位置和形状,从而进行自动的冠状动脉分割。
可选地,步骤S7具体为:
通过形态学特征提取方法对冠状动脉造影图分割图像进行特征提取,从而获得冠状动脉相关特征;
将冠状动脉相关特征进行数字转化,从而获得冠状动脉数字化特征;
利用冠状动脉数字化特征对冠状动脉造影图分割图像进行参数化描述,从而获得优化冠状动脉造影图分割图像。
本发明通过应用形态学操作对冠状动脉造影图分割图像进行处理,可以提取出冠状动脉的形态特征。这些特征可以包括血管的长度、宽度、弯曲程度、分支情况等。形态学特征提取有助于捕捉冠状动脉的全局和局部结构信息,并为后续步骤提供重要的输入。将冠状动脉相关特征进行数字转化,从而获得冠状动脉数字化特征;将从冠状动脉分割图像中提取的形态学特征转化为数字化特征。数字化特征的转化使得冠状动脉的特征信息以数字化的方式表示,方便后续的计算和分析。利用冠状动脉的数字化特征对冠状动脉造影图分割图像进行参数化描述。通过对冠状动脉图像的参数化描述,可以减少数据的存储空间、提高图像处理的效率,并且可以方便进行图像分析、识别和比较。进一步,可以利用参数化描述对分割图像进行优化,例如去除噪声、平滑血管边界、填充断裂部分等,从而得到更精确和可靠的冠状动脉造影图分割结果。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明一种基于深度学习的冠状动脉造影图分割的优化方法的步骤流程示意图;
图2为本发明中步骤S1的详细步骤流程示意图;
图3为本发明中步骤S13的详细步骤流程示意图;
图4为本发明中步骤S14的详细步骤流程示意图;
图5为本发明中步骤S2的详细步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图5,本发明提供了一种基于深度学习的冠状动脉造影图分割的优化方法,所述方法包括以下步骤:
步骤S1:获取历史冠状动脉数据,对历史冠状动脉数据进行动脉异常分析,从而获得历史冠状动脉异常数据;
本实施例中通过医疗云平台获取历史冠状动脉数据,对历史冠状动脉数据进行动脉异常分析,从而获得历史冠状动脉异常数据。
步骤S2:对历史冠状动脉异常数据进行图像合成,从而获得冠状动脉造影图像;
本实施例中对历史冠状动脉异常数据进行结构化异常数据提取以及异常图像提取,从而获得历史冠状动脉结构化异常数据以及历史冠状动脉异常图像;对历史冠状动脉结构化异常数据进行特征提取,从而获得冠状动脉异常特征;通过曲线拟合法对冠状动脉异常特征构建冠状动脉模拟数学模型;对冠状动脉异常特征进行数据插值,从而获得冠状动脉空间数据;对冠状动脉异常特征进行纹理生成,从而获得冠状动脉纹理数据;通过物理模拟技术对冠状动脉异常特征进行生理模拟,从而获得冠状动脉生理特征数据;利用冠状动脉空间数据、冠状动脉纹理数据以及冠状动脉生理特征数据对冠状动脉模拟数学模型进行修正处理,从而获得优化冠状动脉模拟数学模型;通过冠状动脉模拟数学模型对历史冠状动脉结构化异常数据以及历史冠状动脉异常图像进行图像合成,从而获得冠状动脉造影图像。
步骤S3:通过数据增强方法对冠状动脉造影图像进行数据增强处理,从而获得增强冠状动脉造影图;
本实施例中对冠状动脉造影图像进行细节增强,从而获得滤波冠状动脉造影图像;对滤波冠状动脉造影图像进行添加噪声,从而获得噪声滤波冠状动脉造影图像;通过自适应对比度增强技术对噪声滤波冠状动脉造影图像进行视觉效果增加,从而获得增强冠状动脉造影图。
步骤S4:对增强冠状动脉造影图像进行边界标注,从而获得冠状动脉边界数据集;
本实施例中对增强冠状动脉造影图像进行多边形边界标注,从而获得标注数据集;对标注数据集进行标签分配,从而获得冠状动脉标注数据集;对冠状动脉标注数据集进行格式转换,从而获得冠状动脉边界数据集。
步骤S5:对冠状动脉边界数据集进行缩放处理并构建冠状动脉造影图像分割模型;
本实施例中对冠状动脉边界数据集进行缩放处理,从而获得缩放冠状动脉边界数据集;将缩放冠状动脉边界数据集按照7:3的比例划分为分割模型训练集以及分割模型测试集;基于U-Net分割算法对分割模型训练集以及分割模型测试集构建冠状动脉造影图像分割模型。
步骤S6:获取待分割冠状动脉造影图像,利用冠状动脉造影图像分割模型对待分割冠状动脉造影图像进行图像分割,从而获得冠状动脉造影图分割图像;
本实施例中通过医疗云平台获取待分割冠状动脉造影图像,对待分割的冠状动脉造影图像进行预处理操作,包括调整图像大小、灰度化、归一化等操作。将预处理后的图像输入到冠状动脉造影图像分割模型中,进行图像分割推断。模型将根据训练过程中学习到的特征和权重,对输入图像进行像素级别的分类,从而得到冠状动脉的分割结果。将分割结果保存为图像格式,以便后续使用和分析。
步骤S7:对冠状动脉造影图分割图像进行参数化描述,从而获得优化冠状动脉造影图分割图像。
本实施例中对冠状动脉造影图分割图像进行特征提取,从而获得冠状动脉相关特征;将冠状动脉相关特征进行数字转化,从而获得冠状动脉数字化特征;利用冠状动脉数字化特征对冠状动脉造影图分割图像进行参数化描述,从而获得优化冠状动脉造影图分割图像。
本发明通过医疗云平台获取历史冠状动脉数据,对历史冠状动脉数据进行动脉异常分析,从而获得历史冠状动脉异常数据;通过对大量患者数据的统计和分析,可以揭示不同疾病类型的特征和规律,推动疾病的深入研究和理解,帮助进一步改进诊断技术和治疗方法。对历史冠状动脉异常数据进行图像合成,从而获得冠状动脉造影图像;通过图像合成,可以将历史冠状动脉数据转化为冠状动脉造影图像,从而丰富数据的形式和内容。冠状动脉造影图像是一种可视化的表达方式,能够为医生提供更直观、详细的血管结构信息,有助于更准确地诊断和治疗决策。通过数据增强方法对冠状动脉造影图像进行数据增强处理,从而获得增强冠状动脉造影图;数据增强可以通过应用不同的变换和处理方法,在原始图像上生成多样化的新图像。这些增强后的图像可以包括亮度调整、对比度增强、噪声添加等像素级别的变换。通过增加图像的多样性,可以提供更丰富的训练数据,增强模型的鲁棒性和泛化能力。对增强冠状动脉造影图像进行边界标注,从而获得冠状动脉边界数据集;边界标注的冠状动脉数据集可以用于训练和评估边界检测算法。这些算法可以自动地识别和提取冠状动脉的边界,从而在大规模数据上快速、准确地完成任务。通过使用标注的边界数据集,可以训练出更精确和可靠的边界检测算法,提高对冠状动脉的识别和定位准确性。对冠状动脉边界数据集进行缩放处理并构建冠状动脉造影图像分割模型;通过对冠状动脉边界数据集进行缩放处理,可以将数据集中的图像统一到相同的尺寸或分辨率。这样做可以避免图像尺寸差异对模型性能的影响,并提高模型的适用性。统一尺寸和分辨率的数据集有助于训练出更稳定、鲁棒性更强的冠状动脉分割模型。同时通过对图像进行缩放处理,可以降低图像的分辨率和尺寸,从而减少模型训练和推理过程中的计算复杂度,提高模型的效率和实用性。缩放处理可以模拟不同分辨率和尺寸的图像情况,从而增强模型对于不同图像数据的泛化能力。通过缩放处理和构建模型,可以为冠状动脉分割任务的实际应用提供自动化的解决方案,提高工作效率和准确性。通过医疗云平台获取待分割冠状动脉造影图像,利用冠状动脉造影图像分割模型对待分割冠状动脉造影图像进行图像分割,从而获得冠状动脉造影图分割图像;冠状动脉造影图像分割模型经过大规模训练和优化,具有较高的准确性。它可以捕捉图像中的细微纹理和结构信息,有效区分血管和周围组织的边界。相较于传统的手动分割方法,使用分割模型能够获得更准确、更一致的分割结果,减少了人为错误的可能性。冠状动脉造影图像分割的快速自动化,使医生能够更迅速地获取血管结构的准确分割结果,节约了诊断和治疗的时间。医生可以更快速地分析图像,发现可能存在的异常或病变,并及时制定治疗方案。这有助于提高临床决策的效率和准确性,以便更及时地进行干预和治疗。对冠状动脉造影图分割图像进行参数化描述,从而获得优化冠状动脉造影图分割图像。通过对分割图像进行参数化描述,可以识别出可能存在的分割错误或不足之处。这些信息可以用于优化分割算法,改进模型的性能和准确性。参数化描述可以为参数表述,例如提取的定量参数和特征可以用于支持临床决策。例如,血管直径、弯曲程度、总长度等参数可以提供关于血管结构和功能的信息,有助于评估血管病变的严重程度和疾病进展。这些信息可以帮助医生制定更精确的诊断和治疗计划。
可选地,步骤S1包括以下步骤:
步骤S11:获取历史冠状动脉数据;
本实施例中通过医疗云平台获取历史冠状动脉数据。
步骤S12:对历史冠状动脉数据进行结构化数据提取以及图像提取,从而获得历史冠状动脉结构化数据以及历史冠状动脉图像;
本实施例中对对历史冠状动脉数据进行数据提取,从而获得历史冠状动脉结构化数据以及历史冠状动脉图像。
步骤S13:对历史冠状动脉结构化数据进行结构化冠状动脉异常分析,从而获得历史冠状动脉结构化异常数据;
本实施例中通过统计分析以及结构化潜在异常分析对历史冠状动脉结构化数据进行结构化冠状动脉异常分析,从而获得历史冠状动脉结构化异常数据。
步骤S14:对历史冠状动脉图像进行图像冠状动脉异常分析,从而获得历史冠状动脉异常图像;
本实施例中通过统计分析以及图像潜在异常分析对历史冠状动脉图像进行图像冠状动脉异常分析,从而获得历史冠状动脉异常图像。
步骤S15:将历史冠状动脉结构化异常数据以及历史冠状动脉异常图像进行数据合并,从而获得历史冠状动脉异常数据。
本实施例中通过共享的唯一标识符(如病人ID、病历号)将历史冠状动脉结构化异常数据以及历史冠状动脉异常图像进行数据合并,从而获得历史冠状动脉异常数据。
本发明通过医疗云平台获取历史冠状动脉数据。对历史冠状动脉数据进行结构化数据提取以及图像提取,从而获得历史冠状动脉结构化数据以及历史冠状动脉图像;通过提取历史冠状动脉数据的结构化参数,如血管直径、弯曲程度、分支情况等,可以进行统计分析和趋势研究。这些数据可以用于研究血管的生理变化、疾病进展以及与其他因素的相关性。提取历史冠状动脉图像可以用于辅助临床决策。医生可以通过比对患者历史冠状动脉图像以及提取的结构化参数,来追踪血管病变的发展,评估疾病的严重程度,并制定更精确的治疗方案。对历史冠状动脉结构化数据进行结构化冠状动脉异常分析,从而获得历史冠状动脉结构化异常数据;通过对大量历史管状动脉数据进行结构化异常分析,可以揭示新的异常模式、趋势和相关因素。这些发现有助于研究人员深入了解血管病变的机制和影响因素,从而为新的预防策略和治疗方法的开发提供依据。对历史冠状动脉图像进行图像冠状动脉异常分析,从而获得历史冠状动脉异常图像;通过对历史冠状动脉图像进行异常分析,可以检测和诊断冠状动脉狭窄、冠脉粥样硬化、冠脉血栓等异常情况。图像分析技术可以定量评估冠状动脉的狭窄程度和血流堵塞情况,帮助医生判断患者的冠心病风险,指导冠状动脉介入治疗或冠脉搭桥手术的决策。将历史冠状动脉结构化异常数据以及历史冠状动脉异常图像进行数据合并,从而获得历史冠状动脉异常数据。通过将结构化异常数据和异常图像数据进行合并,可以实现对冠状动脉异常的综合分析。合并结构化异常数据和异常图像数据还可以为数据驱动的研究提供更强的支持。这些合并后的数据集可以用于机器学习和人工智能算法的训练,进一步提高冠状动脉异常的检测和诊断的准确性和效率。
可选地,步骤S13具体为:
步骤S131:对历史冠状动脉结构化数据进行统计分析,从而获得高频冠状动脉异常结构化数据以及低频冠状动脉异常结构化数据;
本实施例中通过频数分析法对历史冠状动脉结构化数据进行统计分析,从而获得高频冠状动脉异常结构化数据以及低频冠状动脉异常结构化数据。
步骤S132:对历史冠状动脉结构化数据进行结构化潜在异常分析,从而获得潜在冠状动脉异常结构化数据;
本实施例中通过冠状动脉结构化潜在异常聚类算法对历史冠状动脉结构化数据进行聚类计算,从而获得潜在冠状动脉异常结构化数据。
步骤S133:对潜在冠状动脉异常结构化数据、高频冠状动脉异常结构化数据以及低频冠状动脉异常结构化数据进行时序合并,从而获得历史冠状动脉结构化异常数据。
本实施例中将潜在冠状动脉异常结构化数据、高频冠状动脉异常结构化数据以及低频冠状动脉异常结构化数据按照时间顺序进行合并,从而获得历史冠状动脉结构化异常数据。
本发明对历史冠状动脉结构化数据进行统计分析,从而获得高频冠状动脉异常结构化数据以及低频冠状动脉异常结构化数据;通过对历史冠状动脉结构化数据进行统计分析,可以识别出高频冠状动脉异常结构化数据和低频冠状动脉异常结构化数据。高频冠状动脉异常结构化数据表示具有较高发生率的异常情况,可能与某种特定的疾病类型或病理特征相关。低频冠状动脉异常结构化数据则可能表示罕见的异常情况或特殊个体情况。这种识别可以帮助医生和研究人员更好地理解不同类型的冠状动脉异常,并提供有针对性的治疗和研究方向。同时可以识别并预测某些冠状动脉疾病的风险。对历史冠状动脉结构化数据进行结构化潜在异常分析,从而获得潜在冠状动脉异常结构化数据;通过结构化潜在异常分析,可以识别出历史数据中隐藏的、未被明确标记为异常的潜在冠状动脉异常结构化数据。这些异常可能是由于数据记录错误、漏报或其他原因导致的。通过检测潜在异常,可以发现可能被忽视的异常情况,并采取相应的措施进行进一步的评估和处理。分析潜在冠状动脉异常结构化数据可以揭示异常出现的潜在原因。通过对异常数据的特征、相关因素和上下文信息进行研究,可以发现导致异常的可能因素,如遗传因素、生活方式、环境等。这种分析有助于深入了解冠状动脉异常的发生机制,并为预防和治疗提供指导。对潜在冠状动脉异常结构化数据、高频冠状动脉异常结构化数据以及低频冠状动脉异常结构化数据进行时序合并,从而获得历史冠状动脉结构化异常数据。通过合并不同频率的冠状动脉异常数据,可以获得更全面的历史视角。潜在冠状动脉异常结构化数据可能包含了先前未被发现的异常情况,高频异常数据记录了近期频繁出现的异常,而低频异常数据则记录了稀有或长期间隔出现的异常。将这些数据进行时序合并,可以形成一个完整的历史数据集,提供更全面的信息,有助于深入了解冠状动脉异常的演变和发展趋势。
可选地,步骤S132具体为:
通过冠状动脉结构化潜在异常聚类算法对历史冠状动脉结构化数据进行聚类计算,从而获得潜在冠状动脉异常结构化数据;
本实施例中通过K-Means算法相关参数、冠状动脉位置坐标、冠状动脉结构参数等相关参数构造了一个冠状动脉结构化潜在异常聚类算法,通过冠状动脉结构化潜在异常聚类算法对历史冠状动脉结构化数据进行聚类计算,从而获得潜在冠状动脉异常结构化数据。
其中,冠状动脉结构化潜在异常聚类算法的函数公式具体为:
其中f为冠状动脉结构化潜在异常得分,x,y,z为冠状动脉在三维空间中的坐标,t为时间,n为冠状动脉的总数,i为冠状动脉的序号,ai为第i个冠状动脉的长度,bi为第i个冠状动脉的宽度,ci为第i个冠状动脉的厚度,θi为第i个冠状动脉与水平面的夹角,π为圆周率。
本发明构造了一个冠状动脉结构化潜在异常聚类算法的函数公式,用于对历史冠状动脉结构化数据进行聚类计算,获得潜在冠状动脉异常结构化数据。本公式充分考虑了影响冠状动脉结构化潜在异常得分f的冠状动脉在三维空间中的坐标x,y,z,时间t,冠状动脉的总数n,第i个冠状动脉的长度ai,第i个冠状动脉的宽度bi,第i个冠状动脉的厚度ci,第i个冠状动脉与水平面的夹角θi,形成了函数关系:
其中表示对变量x的求导数,用于描述位置变化的趋势。/>表示冠状动脉与水平面夹角的正弦函数,用于考虑冠状动脉的倾斜程度对异常的影响。/>表示冠状动脉长度、宽度和厚度的欧几里得范数的倒数,用于考虑冠状动脉的尺寸对异常的影响。/>表示当冠状动脉的数量趋近无穷大时进行的极限操作,用于描述冠状动脉结构的整体特征。公式中的求导和极限操作等数学运算可以帮助发现冠状动脉结构中的异常情况。通过对冠状动脉的特征进行综合考虑,如尺寸和倾斜,舍弃正常情况下的变化趋势,可以更敏锐地捕捉到结构异常的信号,从而实现异常检测和诊断。公式中的求和操作对冠状动脉的特征进行累加,从而实现对不同冠状动脉之间的聚类分析。通过对冠状动脉特征的综合分析,可以将相似的冠状动脉归为同一类别,帮助识别并理解冠状动脉结构的多样性。
本发明通过冠状动脉结构化潜在异常聚类算法对历史冠状动脉结构化数据进行聚类计算,从而获得潜在冠状动脉异常结构化数据;通过聚类算法对历史冠状动脉结构化数据进行分析,可以发现其中隐藏的异常模式和异常情况。聚类算法可以将数据分为不同的簇,每个簇代表一组具有相似特征的样本。通过检查聚类结果,可以确定那些与正常状态明显不同的簇作为潜在冠状动脉异常结构化数据。这有助于提前发现潜在的冠状动脉异常,并进一步进行识别和分类。同时将历史冠状动脉结构化数据应用于聚类算法,可以与其他临床数据进行整合和交叉验证。
可选地,步骤S14包括以下步骤:
步骤S141:对历史冠状动脉图像进行统计分析,从而获得高频冠状动脉异常图像以及低频冠状动脉异常图像;
本实施例中通过频数分析法对历史冠状动脉图像进行统计分析,从而获得高频冠状动脉异常图像以及低频冠状动脉异常图像。
步骤S142:对历史冠状动脉图像进行潜在冠状动脉异常图像识别,从而获得潜在冠状动脉异常图像;
本实施例中通过冠状动脉潜在异常图像识别算法对历史冠状动脉图像进行潜在异常图像识别,从而获得潜在冠状动脉异常图像。
步骤S143:将潜在冠状动脉异常图像、高频冠状动脉异常图像以及低频冠状动脉异常图像进行时序合并,从而获得历史冠状动脉异常图像。
本实施例中将潜在冠状动脉异常图像、高频冠状动脉异常图像以及低频冠状动脉异常图像按照时间顺序进行合并,从而获得历史冠状动脉异常图像。
本发明对历史冠状动脉图像进行统计分析,从而获得高频冠状动脉异常图像以及低频冠状动脉异常图像;通过对历史冠状动脉图像进行统计分析,可以识别和提取出高频和低频异常图像。高频异常图像表示在冠状动脉图像中频繁出现的异常模式,而低频异常图像则表示出现较少的异常模式。通过这种方式,可以区分不同程度和类型的冠状动脉异常,并针对性地进行进一步分析和处理。对历史冠状动脉图像进行潜在冠状动脉异常图像识别,从而获得潜在冠状动脉异常图像;通过识别潜在冠状动脉异常图像,可以发现一些早期异常迹象,尽早进行干预和治疗。潜在冠状动脉异常图像的识别为医生提供了更多的数据支持,帮助他们做出更准确和可靠的诊断和治疗决策。将潜在冠状动脉异常图像、高频冠状动脉异常图像以及低频冠状动脉异常图像进行时序合并,从而获得历史冠状动脉异常图像。通过时序合并历史冠状动脉异常图像,可以跟踪冠状动脉异常的变化趋势。不同时间点的图像可以比较,观察病变的演变、进展或稳定性。这有助于评估治疗效果、预测病程发展和预防心血管事件的风险。
可选地,步骤S142包括以下步骤:
通过冠状动脉潜在异常图像识别算法对历史冠状动脉图像进行潜在异常图像识别,从而获得潜在冠状动脉异常图像;
本实施例中根据学习向量量化算法相关参数、冠状动脉位置参数、冠状动脉图像质量参数等相关参数构造了冠状动脉潜在异常图像识别算法,通过冠状动脉潜在异常图像识别算法对历史冠状动脉图像进行潜在异常图像识别,从而获得潜在冠状动脉异常图像。
其中冠状动脉潜在异常图像识别算法的函数公式具体为:
其中g为冠状动脉图像潜在异常得分,x,y,z为冠状动脉在三维空间中的坐标,t为时间,n为冠状动脉的总数,i为冠状动脉的序号,pi为第i个冠状动脉的灰度,qi为第i个冠状动脉的对比度,ri为第i个冠状动脉的清晰度,φi为第i个冠状动脉与垂直面的夹角,π为圆周率。
本发明构造了一个冠状动脉潜在异常图像识别算法的函数公式,用于对历史冠状动脉图像进行潜在异常图像识别,获得潜在冠状动脉异常图像。该公式充分考虑了影响冠状动脉图像潜在异常得分g的冠状动脉在三维空间中的坐标x,y,z,时间t,冠状动脉的总数n,第i个冠状动脉的灰度pi,第i个冠状动脉的对比度qi,第i个冠状动脉的清晰度ri,第i个冠状动脉与垂直面的夹角φi,形成了函数关系:
其中表示对整个括号内的表达式取对数,并对其关于时间t进行求导数。这部分可以看作是对随时间变化的异常特征进行监测的一种方式。而/>表示第i个冠状动脉与垂直面的夹角,然后取其余弦值。这部分可以视为冠状动脉图像中冠状动脉的倾斜程度的因子之一。/>表示第i个冠状动脉的灰度、对比度和清晰度的平方和的倒数。这部分可以视为衡量冠状动脉图像质量的因子之一。综合起来,这个函数公式可以看作是对冠状动脉图像中每个冠状动脉的灰度、对比度、清晰度以及与垂直面的夹角进行评估和分析的过程。通过对这些因素进行连乘操作,并加入时间的变化因素,可以计算出冠状动脉图像潜在异常得分。该公式可以用于跟踪冠状动脉图像随时间的变化。通过监测冠状动脉图像的动态变化,可以检测出潜在的异常情况,例如动脉阻塞、斑块形成等,从而提供更早的诊断和治疗机会。倾斜的冠状动脉可能隐藏了异常区域或干扰准确的分析。通过考虑冠状动脉与垂直面的夹角,可以辅助判断冠状动脉的倾斜情况,并在后续处理中进行相应的修正或校正。同时可以帮助筛选出质量较好的图像,并排除因图像质量低下而引起的误判或干扰。
本发明通过冠状动脉潜在异常图像识别算法对历史冠状动脉图像进行潜在异常图像识别,从而获得潜在冠状动脉异常图像;潜在冠状动脉异常图像识别算法可以帮助医生定位冠状动脉异常的具体位置。通过分析冠状动脉图像,算法可以标识出异常区域,并提供有关异常程度、位置和分布的信息。这有助于医生进行精确的诊断和治疗规划。
可选地,步骤S2具体为:
步骤S21:对历史冠状动脉异常数据进行结构化异常数据提取以及异常图像提取,从而获得历史冠状动脉结构化异常数据以及历史冠状动脉异常图像;
本实施例中对历史冠状动脉异常数据进行数据提取,从而获得历史冠状动脉结构化异常数据以及历史冠状动脉异常图像。
步骤S22:通过形态学分析法对历史冠状动脉结构化异常数据进行特征提取,从而获得冠状动脉异常特征;
本实施例中对历史冠状动脉结构化异常数据进行预处理,包括去除噪声、平滑处理。接下来,使用形态学分析方法,如形态学运算、边缘检测技术,提取冠状动脉图像的形状、大小、结构等特征。这些特征可以包括血管直径、分支角度、血管弯曲程度等。
步骤S23:通过曲线拟合法对冠状动脉异常特征构建冠状动脉模拟数学模型;
本实施例中利用冠状动脉异常特征数据,使用曲线拟合法构建冠状动脉模拟数学模型。曲线拟合是一种数学方法,通过找到最佳拟合曲线来描述数据的趋势和变化。通过拟合冠状动脉异常特征数据的曲线,可以得到一个数学模型,用于表示冠状动脉的异常形状和结构。
步骤S24:通过数据插值法对冠状动脉异常特征进行数据插值,从而获得冠状动脉空间数据;
本实施例中利用冠状动脉异常特征数据,采用数据插值法进行插值处理,以获取冠状动脉在空间上的数据。数据插值是一种技术,用于根据已知数据点之间的关系,推测缺失或未采样的数据点的值。通过对冠状动脉异常特征数据进行插值,可以构建冠状动脉的空间数据,表示冠状动脉在三维空间中的形态和结构。
步骤S25:通过纹理生成技术对冠状动脉异常特征进行纹理生成,从而获得冠状动脉纹理数据;
本实施例中利用冠状动脉异常特征数据,应用纹理生成技术来生成冠状动脉的纹理数据。纹理生成是一种技术,用于根据已有的特征数据生成具有纹理特征的新数据。通过对冠状动脉异常特征进行纹理生成,可以得到冠状动脉的纹理数据,用于描述冠状动脉表面的细节和纹理特征。
步骤S26:通过物理模拟技术对冠状动脉异常特征进行生理模拟,从而获得冠状动脉生理特征数据;
本实施例中利用物理模拟技术对冠状动脉异常特征进行生理模拟,以获取冠状动脉的生理特征数据。物理模拟是一种技术,用于运用物理规律和模型来模拟和模拟现实世界的行为和特性。通过对冠状动脉异常特征进行生理模拟,可以获取与冠状动脉的血液流动、压力分布等生理特征相关的数据。
步骤S27:利用冠状动脉空间数据、冠状动脉纹理数据以及冠状动脉生理特征数据对冠状动脉模拟数学模型进行修正处理,从而获得优化冠状动脉模拟数学模型;
本实施例中利用冠状动脉空间数据、冠状动脉纹理数据和冠状动脉生理特征数据,对之前构建的冠状动脉模拟数学模型进行修正处理,以获得更准确和优化的模型。通过将这些数据结合到数学模型中,并对模型参数进行调整和优化,可以提高模型的逼真性和准确性,更好地描述冠状动脉的形态、纹理和生理特征。
步骤S28:通过冠状动脉模拟数学模型对历史冠状动脉结构化异常数据以及历史冠状动脉异常图像进行图像合成,从而获得冠状动脉造影图像。
本实施例中利用优化的冠状动脉模拟数学模型,将历史冠状动脉结构化异常数据和异常图像进行图像合成,从而生成冠状动脉造影图像。通过将历史数据和模拟模型相结合,可以生成具有冠状动脉特征的合成图像,用于分析和诊断冠状动脉的异常情况。
本发明对历史冠状动脉异常数据进行结构化异常数据提取以及异常图像提取,从而获得历史冠状动脉结构化异常数据以及历史冠状动脉异常图像;通过形态学分析法对历史冠状动脉结构化异常数据进行特征提取,从而获得冠状动脉异常特征;冠状动脉异常可以分为多种类型,如动脉瘤、狭窄、闭塞等。形态学分析可以根据不同类型的异常特征提取,辅助医生对冠状动脉疾病进行分类和诊断。通过曲线拟合法对冠状动脉异常特征构建冠状动脉模拟数学模型;通过曲线拟合法,可以将冠状动脉异常特征数据进行数学模型化。这样的数学模型可以用来预测冠状动脉异常的发展趋势、估计病变的程度、预测患者的病情进展等。模型可以提供定量指标,帮助医生做出更准确的诊断和预测。通过数据插值法对冠状动脉异常特征进行数据插值,从而获得冠状动脉空间数据;冠状动脉异常特征通常涉及到三维空间内的点和曲线。数据插值法可以在有限的采样点数据的基础上,推断出其他未采样的点的数值,从而获得冠状动脉的空间数据。这样可以更加全面地了解冠状动脉异常的形态和分布情况。通过纹理生成技术对冠状动脉异常特征进行纹理生成,从而获得冠状动脉纹理数据;利用纹理生成技术,可以将这些特征转化为纹理的形式,提供一种全新的数据表示方式。纹理数据可以捕捉到冠状动脉异常的局部细节、纹理变化和结构特征。纹理特征可以用于辅助冠状动脉异常的分类、定量评估和预测。通过纹理特征的分析,可以揭示隐藏在冠状动脉异常中的细微差异,有助于更准确地了解和诊断冠状动脉疾病。通过物理模拟技术对冠状动脉异常特征进行生理模拟,从而获得冠状动脉生理特征数据;物理模拟技术可以模拟冠状动脉内部的血流和压力行为,帮助深入理解冠状动脉异常的生理特征。通过模拟血流输运和动力学过程,可以观察和分析血流速度、血压、剪切应力等参数在冠状动脉病变区域的变化。这有助于揭示冠状动脉异常的形成机制和病理生理学基础。利用冠状动脉空间数据、冠状动脉纹理数据以及冠状动脉生理特征数据对冠状动脉模拟数学模型进行修正处理,从而获得优化冠状动脉模拟数学模型;通过修正数学模型,融合冠状动脉空间数据和纹理数据,可以生成更逼真的冠状动脉模型,模拟病变区域的形态特征。这有助于医生更准确地进行冠状动脉疾病的诊断,通过与实际数据的比对,提供更可靠的诊断依据。通过冠状动脉模拟数学模型对历史冠状动脉结构化异常数据以及历史冠状动脉异常图像进行图像合成,从而获得冠状动脉造影图像。冠状动脉模拟数学模型可以通过对历史冠状动脉结构化异常数据和图像进行合成,填补数据空缺处,从而为医生提供完整的冠状动脉造影图像。这有助于医生更全面地了解冠状动脉的异常情况,包括管腔狭窄、血流堵塞等结构异常,以及血液流动情况。
可选地,步骤S3具体为:
通过高通滤波方法对冠状动脉造影图像进行细节增强,从而获得滤波冠状动脉造影图像;
本实施例中应用高通滤波器,例如拉普拉斯或Sobel滤波器,以增强图像的细节。高通滤波器可以通过计算像素与周围像素之间的差异来突出边缘和纹理。调整滤波器的参数以控制增强的程度。得到滤波冠状动脉造影图像,具有增强的细节。
对滤波冠状动脉造影图像进行添加噪声,从而获得噪声滤波冠状动脉造影图像;
本实施例中将滤波冠状动脉造影图像作为输入。选择一个合适的噪声模型,例如高斯噪声或椒盐噪声。通过向图像的每个像素添加噪声来模拟噪声效果。可以使用随机数生成器生成每个像素的噪声值,并将其添加到像素强度中。调整噪声的强度和分布以获得所需的噪声滤波冠状动脉造影图像。
通过自适应对比度增强技术对噪声滤波冠状动脉造影图像进行视觉效果增加,从而获得增强冠状动脉造影图。
本实施例中将噪声滤波冠状动脉造影图像作为输入。分析图像的直方图,并计算其对比度范围。使用自适应对比度增强技术,例如自适应直方图均衡化或对比度拉伸,以增加图像的视觉效果。调整参数以控制增强的程度,并确保不引入过度增强或失真。得到增强冠状动脉造影图,具有更好的视觉效果和对比度。
本发明通过高通滤波方法对冠状动脉造影图像进行细节增强,从而获得滤波冠状动脉造影图像;高通滤波可以突出冠状动脉造影图像中的细节和边缘信息。通过增强图像的高频成分,可以使血管边缘和结构更加清晰,有助于医生更准确地诊断和评估冠状动脉异常。细节增强后的滤波冠状动脉造影图像可以更明显地显示冠状动脉的异常区域,例如狭窄、瘤样扩张等。这有助于医生更容易地检测和识别可能存在的冠状动脉疾病,提高早期诊断的准确性。对滤波冠状动脉造影图像进行添加噪声,从而获得噪声滤波冠状动脉造影图像;冠状动脉造影图像往往存在噪声,添加噪声可以更好地模拟真实世界的图像情况。这使医生能够了解在实际临床环境中观察图像时可能遇到的挑战,从而更好地准备和适应。通过添加噪声,可以提高滤波冠状动脉造影图像的鲁棒性和泛化性能。通过自适应对比度增强技术对噪声滤波冠状动脉造影图像进行视觉效果增加,从而获得增强冠状动脉造影图。自适应对比度增强技术可以增强图像中的对比度,使冠状动脉造影图像的细节更加清晰可见。这有助于医生更准确地观察和分析冠状动脉的形态、血管壁和血管异常,提高诊断水平。自适应对比度增强技术能够增强图像中的边缘信息,使得血管边界更加清晰明确。这有助于图像分割算法更准确地检测和提取冠状动脉的边缘,从而为后续的血管分割和分析提供更可靠的基础。自适应对比度增强技术可以突出图像中的纹理特征,使得冠状动脉的纹理更加明显。在图像分割中,纹理信息常被用于辅助区分不同结构和组织,因此增强纹理信息有助于提高分割算法对冠状动脉的准确性和稳定性。噪声滤波和对比度增强可以减少图像中的噪声干扰,使图像在分割过程中更加干净和稳定。这对于分割算法的准确性和鲁棒性非常重要。增强冠状动脉造影图像的对比度和细节可以使生成的分割结果更加清晰和易于理解。医生可以更容易地观察和分析分割结果,进一步分析血管结构和潜在的异常区域。
可选地,步骤S4具体为:
通过LabelMe工具对增强冠状动脉造影图像进行多边形边界标注,从而获得标注数据集;
本实施例中从LabelMe工具的界面上选择创建多边形工具。使用鼠标在图像上绘制多边形,以标注冠状动脉的边界。根据需要,可以使用多个多边形来标注不同的冠状动脉区域。每次完成一个多边形的标注时,为其分配一个唯一的标签,并将其保存为多边形边界标注。重复标注步骤,直到标注完所有感兴趣的冠状动脉区域。
对标注数据集进行标签分配,从而获得冠状动脉标注数据集;
本实施例中对已经标注的多边形边界标注进行解析或读取,以获取每个多边形的边界坐标和对应的标签信息。根据每个多边形的位置和形状,将其标注为冠状动脉。为冠状动脉标注分配一个统一的标签,例如"coronary artery"。确保每个冠状动脉标注都与其对应的多边形边界标注一一匹配。
对冠状动脉标注数据集进行格式转换,从而获得冠状动脉边界数据集。
本实施例中读取冠状动脉标注数据集,获取每个冠状动脉标注的边界坐标。将每个冠状动脉的边界坐标转换为所需的数据格式,如坐标点集合或边界框表达形式。根据需要,可以将冠状动脉边界数据集保存为常见的格式,如CSV或图像标注工具所需的特定格式。确保保存的数据能够保留冠状动脉的准确边界信息。
本发明通过使用LabelMe工具对增强冠状动脉造影图像进行多边形边界标注,可以提供准确的冠状动脉区域的边界信息。这些标注的边界数据可以作为分割算法的参考标准,用于评估算法的性能和准确度。将标注数据集进行标签分配,即为每个标注的冠状动脉边界赋予相应的标签。这一步骤可以为分割算法提供有监督的训练数据集,使其学习正确识别和分割冠状动脉的能力。有监督学习可以提高分割算法的准确性和鲁棒性。对冠状动脉标注数据集进行格式转换,将边界数据转换为特定的数据格式。这样的冠状动脉边界数据集可以用于各种机器学习和图像分割算法的训练和评估。算法可以通过处理这些数据来学习和推断冠状动脉的位置和形状,从而进行自动的冠状动脉分割。
可选地,步骤S7具体为:
通过形态学特征提取方法对冠状动脉造影图分割图像进行特征提取,从而获得冠状动脉相关特征;
本实施例中对冠状动脉造影图像进行预处理,包括去噪、图像增强等。应用形态学操作,如膨胀、腐蚀、开运算、闭运算等,提取冠状动脉的形态学特征。这些特征可以包括血管的长度、宽度、形状、分支结构等。使用特征提取算法,例如轮廓提取、Hough变换等,获得更高级的形态学特征,如冠状动脉的曲率、弯曲程度、平滑度等,从而获得冠状动脉相关特征。
将冠状动脉相关特征进行数字转化,从而获得冠状动脉数字化特征;
本实施例中对从特征提取步骤获得的形态学特征进行数学计算和分析。根据特定的规则,将形态学特征转化为数字特征。包括将长度、宽度等线性特征进行数值化,将形状特征进行描述统计。
利用冠状动脉数字化特征对冠状动脉造影图分割图像进行参数化描述,从而获得优化冠状动脉造影图分割图像。
本实施例中根据冠状动脉的数字化特征,设计一组参数来描述冠状动脉的形状、尺寸和分支结构等信息。应用这些参数化描述方法,对冠状动脉造影图分割图像进行优化,以获得更准确的分割结果。根据参数化描述方法,调整分割算法的参数,或者使用模型优化技术,如机器学习或深度学习,对冠状动脉造影图进行重新分割,以得到更精确的冠状动脉分割图像。根据需要,对优化后的冠状动脉造影图分割图像进行进一步的分析、可视化或应用,例如血管形态学研究、病变定位和量化等。
本发明通过应用形态学操作对冠状动脉造影图分割图像进行处理,可以提取出冠状动脉的形态特征。这些特征可以包括血管的长度、宽度、弯曲程度、分支情况等。形态学特征提取有助于捕捉冠状动脉的全局和局部结构信息,并为后续步骤提供重要的输入。将冠状动脉相关特征进行数字转化,从而获得冠状动脉数字化特征;将从冠状动脉分割图像中提取的形态学特征转化为数字化特征。数字化特征的转化使得冠状动脉的特征信息以数字化的方式表示,方便后续的计算和分析。利用冠状动脉的数字化特征对冠状动脉造影图分割图像进行参数化描述。通过对冠状动脉图像的参数化描述,可以减少数据的存储空间、提高图像处理的效率,并且可以方便进行图像分析、识别和比较。进一步,可以利用参数化描述对分割图像进行优化,例如去除噪声、平滑血管边界、填充断裂部分等,从而得到更精确和可靠的冠状动脉造影图分割结果。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种基于深度学习的冠状动脉造影图分割的优化方法,其特征在于,包括以下步骤:
步骤S1:获取历史冠状动脉数据,对历史冠状动脉数据进行动脉异常分析,从而获得历史冠状动脉异常数据;步骤S1包括以下步骤:
步骤S11:获取历史冠状动脉数据;
步骤S12:对历史冠状动脉数据进行结构化数据提取以及图像提取,从而获得历史冠状动脉结构化数据以及历史冠状动脉图像;
步骤S13:对历史冠状动脉结构化数据进行结构化冠状动脉异常分析,从而获得历史冠状动脉结构化异常数据;步骤S13具体为:
步骤S131:对历史冠状动脉结构化数据进行统计分析,从而获得高频冠状动脉异常结构化数据以及低频冠状动脉异常结构化数据;
步骤S132:对历史冠状动脉结构化数据进行结构化潜在异常分析,从而获得潜在冠状动脉异常结构化数据;步骤S132具体为:
通过冠状动脉结构化潜在异常聚类算法对历史冠状动脉结构化数据进行聚类计算,从而获得潜在冠状动脉异常结构化数据;其中,冠状动脉结构化潜在异常聚类算法的函数公式具体为:
其中f为冠状动脉结构化潜在异常得分,x,y,z为冠状动脉在三维空间中的坐标,t为时间,n为冠状动脉的总数,i为冠状动脉的序号,ai为第i个冠状动脉的长度,bi为第i个冠状动脉的宽度,ci为第i个冠状动脉的厚度,θi为第i个冠状动脉与水平面的夹角,π为圆周率;
步骤S133:对潜在冠状动脉异常结构化数据、高频冠状动脉异常结构化数据以及低频冠状动脉异常结构化数据进行时序合并,从而获得历史冠状动脉结构化异常数据;
步骤S14:对历史冠状动脉图像进行图像冠状动脉异常分析,从而获得历史冠状动脉异常图像;步骤S14包括以下步骤:
步骤S141:对历史冠状动脉图像进行统计分析,从而获得高频冠状动脉异常图像以及低频冠状动脉异常图像;
步骤S142:对历史冠状动脉图像进行潜在冠状动脉异常图像识别,从而获得潜在冠状动脉异常图像;步骤S142包括以下步骤:
通过冠状动脉潜在异常图像识别算法对历史冠状动脉图像进行潜在异常图像识别,从而获得潜在冠状动脉异常图像;其中冠状动脉潜在异常图像识别算法的函数公式具体为:
其中g为冠状动脉图像潜在异常得分,x,y,z为冠状动脉在三维空间中的坐标,t为时间,n为冠状动脉的总数,i为冠状动脉的序号,pi为第i个冠状动脉的灰度,qi为第i个冠状动脉的对比度,ri为第i个冠状动脉的清晰度,φi为第i个冠状动脉与垂直面的夹角,π为圆周率;
步骤S143:将潜在冠状动脉异常图像、高频冠状动脉异常图像以及低频冠状动脉异常图像进行时序合并,从而获得历史冠状动脉异常图像;
步骤S15:将历史冠状动脉结构化异常数据以及历史冠状动脉异常图像进行数据合并,从而获得历史冠状动脉异常数据;
步骤S2:对历史冠状动脉异常数据进行图像合成,从而获得冠状动脉造影图像;步骤S2具体为:
步骤S21:对历史冠状动脉异常数据进行结构化异常数据提取以及异常图像提取,从而获得历史冠状动脉结构化异常数据以及历史冠状动脉异常图像;
步骤S22:通过形态学分析法对历史冠状动脉结构化异常数据进行特征提取,从而获得冠状动脉异常特征;
步骤S23:通过曲线拟合法对冠状动脉异常特征构建冠状动脉模拟数学模型;
步骤S24:通过数据插值法对冠状动脉异常特征进行数据插值,从而获得冠状动脉空间数据;
步骤S25:通过纹理生成技术对冠状动脉异常特征进行纹理生成,从而获得冠状动脉纹理数据;
步骤S26:通过物理模拟技术对冠状动脉异常特征进行生理模拟,从而获得冠状动脉生理特征数据;
步骤S27:利用冠状动脉空间数据、冠状动脉纹理数据以及冠状动脉生理特征数据对冠状动脉模拟数学模型进行修正处理,从而获得优化冠状动脉模拟数学模型;
步骤S28:通过冠状动脉模拟数学模型对历史冠状动脉结构化异常数据以及历史冠状动脉异常图像进行图像合成,从而获得冠状动脉造影图像;
步骤S3:通过数据增强方法对冠状动脉造影图像进行数据增强处理,从而获得增强冠状动脉造影图;
步骤S4:对增强冠状动脉造影图像进行边界标注,从而获得冠状动脉边界数据集;
步骤S5:对冠状动脉边界数据集进行缩放处理并构建冠状动脉造影图像分割模型;
步骤S6:获取待分割冠状动脉造影图像,利用冠状动脉造影图像分割模型对待分割冠状动脉造影图像进行图像分割,从而获得冠状动脉造影图分割图像;
步骤S7:对冠状动脉造影图分割图像进行参数化描述,从而获得优化冠状动脉造影图分割图像。
2.根据权利要求1所述的基于深度学习的冠状动脉造影图分割的优化方法,其特征在于,步骤S3具体为:
通过高通滤波方法对冠状动脉造影图像进行细节增强,从而获得滤波冠状动脉造影图像;
对滤波冠状动脉造影图像进行添加噪声,从而获得噪声滤波冠状动脉造影图像;
通过自适应对比度增强技术对噪声滤波冠状动脉造影图像进行视觉效果增加,从而获得增强冠状动脉造影图。
3.根据权利要求1所述的基于深度学习的冠状动脉造影图分割的优化方法,其特征在于,步骤S4具体为:
通过LabelMe工具对增强冠状动脉造影图像进行多边形边界标注,从而获得标注数据集;
对标注数据集进行标签分配,从而获得冠状动脉标注数据集;
对冠状动脉标注数据集进行格式转换,从而获得冠状动脉边界数据集。
4.根据权利要求1所述的基于深度学习的冠状动脉造影图分割的优化方法,其特征在于,步骤S7具体为:
通过形态学特征提取方法对冠状动脉造影图分割图像进行特征提取,从而获得冠状动脉相关特征;
将冠状动脉相关特征进行数字转化,从而获得冠状动脉数字化特征;
利用冠状动脉数字化特征对冠状动脉造影图分割图像进行参数化描述,从而获得优化冠状动脉造影图分割图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311161410.XA CN117274272B (zh) | 2023-09-08 | 2023-09-08 | 一种基于深度学习的冠状动脉造影图分割的优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311161410.XA CN117274272B (zh) | 2023-09-08 | 2023-09-08 | 一种基于深度学习的冠状动脉造影图分割的优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117274272A CN117274272A (zh) | 2023-12-22 |
CN117274272B true CN117274272B (zh) | 2024-04-30 |
Family
ID=89209691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311161410.XA Active CN117274272B (zh) | 2023-09-08 | 2023-09-08 | 一种基于深度学习的冠状动脉造影图分割的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117274272B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310582A (zh) * | 2020-01-19 | 2020-06-19 | 北京航空航天大学 | 基于边界感知和对抗学习的湍流退化图像语义分割方法 |
CN112991365A (zh) * | 2021-05-11 | 2021-06-18 | 广东工业大学 | 一种冠状动脉分割方法、系统及存储介质 |
CN113361353A (zh) * | 2021-05-28 | 2021-09-07 | 同济大学 | 一种基于DeepLabV3Plus的斑马鱼形态学评分方法 |
CN113627288A (zh) * | 2021-07-27 | 2021-11-09 | 武汉大学 | 一种面向海量影像的智能化信息标签获取方法 |
CN115018825A (zh) * | 2022-08-02 | 2022-09-06 | 深圳科亚医疗科技有限公司 | 一种冠脉优势型的分类方法、分类装置及存储介质 |
CN115527065A (zh) * | 2022-09-27 | 2022-12-27 | 武汉联影医疗科技有限公司 | 髋关节分型方法、装置和存储介质 |
-
2023
- 2023-09-08 CN CN202311161410.XA patent/CN117274272B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310582A (zh) * | 2020-01-19 | 2020-06-19 | 北京航空航天大学 | 基于边界感知和对抗学习的湍流退化图像语义分割方法 |
CN112991365A (zh) * | 2021-05-11 | 2021-06-18 | 广东工业大学 | 一种冠状动脉分割方法、系统及存储介质 |
CN113361353A (zh) * | 2021-05-28 | 2021-09-07 | 同济大学 | 一种基于DeepLabV3Plus的斑马鱼形态学评分方法 |
CN113627288A (zh) * | 2021-07-27 | 2021-11-09 | 武汉大学 | 一种面向海量影像的智能化信息标签获取方法 |
CN115018825A (zh) * | 2022-08-02 | 2022-09-06 | 深圳科亚医疗科技有限公司 | 一种冠脉优势型的分类方法、分类装置及存储介质 |
CN115527065A (zh) * | 2022-09-27 | 2022-12-27 | 武汉联影医疗科技有限公司 | 髋关节分型方法、装置和存储介质 |
Non-Patent Citations (1)
Title |
---|
一种多源遥感图像分割的融合新策略;杨艺 等;《西安交通大学学报》;20100630;88-92 * |
Also Published As
Publication number | Publication date |
---|---|
CN117274272A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rodrigues et al. | Segmentation of optic disc and blood vessels in retinal images using wavelets, mathematical morphology and Hessian-based multi-scale filtering | |
Yin et al. | Accurate image analysis of the retina using hessian matrix and binarisation of thresholded entropy with application of texture mapping | |
Jurrus et al. | Axon tracking in serial block-face scanning electron microscopy | |
JP6267710B2 (ja) | 医用画像中の肺結節を自動検出するためのシステム及び方法 | |
US10303986B2 (en) | Automated measurement of brain injury indices using brain CT images, injury data, and machine learning | |
Espona et al. | A snake for retinal vessel segmentation | |
WO2017096407A1 (en) | Systems and methods for analyzing pathologies utilizing quantitative imaging | |
US10405834B2 (en) | Surface modeling of a segmented echogenic structure for detection and measurement of anatomical anomalies | |
Qian et al. | An integrated method for atherosclerotic carotid plaque segmentation in ultrasound image | |
Roy et al. | Blood vessel segmentation of retinal image using Clifford matched filter and Clifford convolution | |
WO2011008906A1 (en) | Computer-aided detection (cad) of intracranial aneurysms | |
Maiora et al. | Abdominal CTA image analisys through active learning and decision random forests: Aplication to AAA segmentation | |
CN112365973B (zh) | 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统 | |
Jaffar et al. | Anisotropic diffusion based brain MRI segmentation and 3D reconstruction | |
KR20100010973A (ko) | 폐질환 자동 분류 방법 | |
CN117274272B (zh) | 一种基于深度学习的冠状动脉造影图分割的优化方法 | |
CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
Ogiela et al. | Computer analysis of gallbladder ultrasonic images towards recognition of pathological lesions | |
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 | |
Alom et al. | Automatic slice growing method based 3D reconstruction of liver with its vessels | |
Tatjana et al. | Computer-aided Analysis and Interpretation of HRCT Images of the Lung | |
Oloumi et al. | Computer-aided diagnosis of retinopathy of prematurity in retinal fundus images | |
Li et al. | A new efficient 2D combined with 3D CAD system for solitary pulmonary nodule detection in CT images | |
CN117809839B (zh) | 一种预测高血压视网膜病变与相关因素关联分析方法 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Hou Fangjie Inventor after: Ma Ying Inventor after: Xu Yaowen Inventor after: Geng Qiang Inventor after: Wang Zhengzhong Inventor before: Hou Fangjie Inventor before: Geng Qiang Inventor before: Wang Zhengzhong |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |