CN117373070B - 血管分段标注的方法及装置、电子设备和存储介质 - Google Patents

血管分段标注的方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN117373070B
CN117373070B CN202311669489.7A CN202311669489A CN117373070B CN 117373070 B CN117373070 B CN 117373070B CN 202311669489 A CN202311669489 A CN 202311669489A CN 117373070 B CN117373070 B CN 117373070B
Authority
CN
China
Prior art keywords
blood vessel
point
labeling
mask
segmentation
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
Application number
CN202311669489.7A
Other languages
English (en)
Other versions
CN117373070A (zh
Inventor
张成奋
谢晶
杨书航
陈相儒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Zhuoxi Brain And Intelligence Research Institute
Hanyi Technology Hangzhou Co ltd
Original Assignee
Hangzhou Zhuoxi Brain And Intelligence Research Institute
Hanyi Technology Hangzhou Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Zhuoxi Brain And Intelligence Research Institute, Hanyi Technology Hangzhou Co ltd filed Critical Hangzhou Zhuoxi Brain And Intelligence Research Institute
Priority to CN202311669489.7A priority Critical patent/CN117373070B/zh
Publication of CN117373070A publication Critical patent/CN117373070A/zh
Application granted granted Critical
Publication of CN117373070B publication Critical patent/CN117373070B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G06V10/70—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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Vascular Medicine (AREA)
  • Human Computer Interaction (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了血管分段标注的方法及装置、电子设备和存储介质，涉及数据处理技术领域，主要技术方案包括：首先，基于预设分割模型对待处理图像中的血管信息进血管掩码标注；其次，根据所述血管信息，分别对各血管的起点及终点进行标注；其中，所述血管的起点及终点用于区分不同的血管；最后，基于预设算法与所述血管掩码及各所述血管的起点及终点生成各血管的分段掩码标注。通过对血管进行血管掩码以及血管不同分段的起点、终点进行标注，并结合血管掩码与血管的分段确定不同血管的分段掩码标注，实现了血管分段掩码的自动标注，减少了血管分段掩码过程中的人工干预的内容，提升了血管分段掩码的标注速度与精度。

Description

血管分段标注的方法及装置、电子设备和存储介质
技术领域
本公开涉及数据处理技术领域，尤其涉及一种血管分段标注的方法及装置、电子设备和存储介质。
背景技术
血管CTA检查即CT血管造影检查，是指通过静脉注入造影剂后，在循环血液及靶血管中造影剂浓度达到最高峰的时间内，进行CTA扫描，并通过计算机算法最终重建成靶血管数字化的立体影像。为了能够清楚地从多角度观察血管情况，需要在完成CTA扫描后通过计算机算法对血管进行重建，这就需要在CT图像上将血管区域进行精准标注。
目前，血管标注的方法大多为半自动标注的方式，即首先使用传统图像处理算法获得初始血管分割标签，再在此基础上人工进行修正。虽然该种半自动标注的方式相比人工标注可以大幅提高标注的效率，但是，这种方法仍需要有专业人员进行人工干预，且流程复杂，耗时较长。
发明内容
本公开提供了一种血管分段标注的方法、装置、电子设备和存储介质。其主要目的在于解决血管掩码标注流程复杂且耗时较长的问题。
根据本公开的第一方面，提供了一种血管分段标注的方法，其中，包括：
基于预设分割模型对待处理图像中的血管信息进血管掩码标注；
根据所述血管信息，分别对各血管的起点及终点进行标注；其中，所述血管的起点及终点用于区分不同的血管；
基于预设算法与所述血管掩码及各所述血管的起点及终点生成各血管的分段掩码标注。
可选的，在基于预设分割模型对待处理图像中的血管信息进血管掩码标注之前，所述方法还包括：
基于启发数据集对所述预设分割模型进行训练；其中，所述启发数据集中包含标定好血管分割掩码的图像信息。
可选的，所述基于启发数据集对所述预设分割模型进行训练包括：
基于所述启发数据集对所述预设分割模型进行训练，更新所述预设分割模型的模型参数权重；
基于更新后的所述预设分割模型对未标注分割掩码的图像进行分割掩码的标注，得到第一标注结果；
对所述第一标注结果进行修正、优化，得到第二标注结果；
根据所述第二标注结果对所述预设分割模型进行训练，更新所述预设分割模型的模型参数权重；
重复所述预设分割模型的训练，直至所述第一标注结果与所述第二标注结果的差值小于预设阈值后，停止对预设分割模型的训练。
可选的，所述基于预设算法与各所述血管的起点及终点生成各血管的分段掩码标注包括：
提取各所述血管的中心线；其中，所述中心线由不同中心点组成；
对各所述中心点进行筛选，保留目标点；其中，所述目标点为血管分支处的各所述中心点；
根据各所述目标点的分支关系，构建无向有权图；
在所述无向有权图中，将各所述血管的起点及终点与各所述目标点进行匹配，并基于预设算法，确定不同血管的起点及终点间的各所述目标点；
将血管的起点与终点间的目标点的血管掩码设置为与所述起点与终点相同的血管掩码；得到各血管的分段掩码。
可选的，所述根据所述血管信息，分别对各血管的起点及终点进行标注还包括：
对各所述血管的分支方向进行标注；
所述根据各所述目标点的分支关系，构建无向有权图还包括：
根据各所述目标点的分支关系与各所述血管的分支方向，构建所述无向有权图。
根据本公开的第二方面，提供了一种血管分段标注的装置，包括：
第一标注单元，用于基于预设分割模型对待处理图像中的血管信息进血管掩码标注；
第二标注单元，用于根据所述血管信息，分别对各血管的起点及终点进行标注；其中，所述血管的起点及终点用于区分不同的血管；
生成单元，用于基于预设算法与所述血管掩码及各所述血管的起点及终点生成各血管的分段掩码标注。
可选的，在第一标注单元之前，所述装置还包括：
训练单元，用于基于启发数据集对所述预设分割模型进行训练；其中，所述启发数据集中包含标定好血管分割掩码的图像信息。
可选的，所述训练单元包括：
更新模块，用于基于所述启发数据集对所述预设分割模型进行训练，更新所述预设分割模型的模型参数权重；
标注模块，用于基于更新后的所述预设分割模型对未标注分割掩码的图像进行分割掩码的标注，得到第一标注结果；
修正模块，用于对所述第一标注结果进行修正、优化，得到第二标注结果；
训练模块，用于根据所述第二标注结果对所述预设分割模型进行训练，更新所述预设分割模型的模型参数权重；
停止模块，用于重复所述预设分割模型的训练，直至所述第一标注结果与所述第二标注结果的差值小于预设阈值后，停止对预设分割模型的训练。
可选的，所述生成单元包括：
提取模块，用于提取各所述血管的中心线；其中，所述中心线由不同中心点组成；
保留模块，用于对各所述中心点进行筛选，保留目标点；其中，所述目标点为血管分支处的各所述中心点；
构建模块，用于根据各所述目标点的分支关系，构建无向有权图；
确定模块，用于在所述无向有权图中，将各所述血管的起点及终点与各所述目标点进行匹配，并基于预设算法，确定不同血管的起点及终点间的各所述目标点；
设置模块，用于将血管的起点与终点间的目标点的血管掩码设置为与所述起点与终点相同的血管掩码；得到各血管的分段掩码。
可选的，所述第二标注单元还用于：
对各所述血管的分支方向进行标注；
所述构建模块还用于：
根据各所述目标点的分支关系与各所述血管的分支方向，构建所述无向有权图。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述第一方面所述的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行前述第一方面所述的方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如前述第一方面所述的方法。
本公开提供的血管分段标注的方法、装置、电子设备和存储介质，主要技术方案包括：首先，基于预设分割模型对待处理图像中的血管信息进血管掩码标注；其次，根据所述血管信息，分别对各血管的起点及终点进行标注；其中，所述血管的起点及终点用于区分不同的血管；最后，基于预设算法与所述血管掩码及各所述血管的起点及终点生成各血管的分段掩码标注。与相关技术相比，本申请实施例通过对血管进行血管掩码以及血管不同分段的起点、终点进行标注，并结合血管掩码与血管的分段确定不同血管的分段掩码标注，实现了血管分段掩码的自动标注，减少了血管分段掩码过程中的人工干预的内容，提升了血管分段掩码的标注速度与精度。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1为本公开实施例所提供的一种血管分段标注的方法的流程示意图；
图2为本公开实施例所提供的另一种血管分割掩码的标注的方法的流程示意图；
图3为本公开实施例所提供的另一种血管分段标注的方法的流程示意图；
图4为本公开实施例所提供的一种血管分段标注的装置的结构示意图；
图5为本公开实施例所提供的另一种血管分段标注的装置的结构示意图；
图6为本公开实施例所提供的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本公开实施例的血管分段标注的方法、装置、电子设备和存储介质。
图1为本公开实施例所提供的一种血管分段标注的方法的流程示意图。
如图1所示，该方法包含以下步骤：
步骤101，基于预设分割模型对待处理图像中的血管信息进血管掩码标注。
预设分割模型为提前训练好的，通过该预设分割掩码可对医学影像中的血管进行识别并生成二值掩码，便于后续医生使用医学影像进行血管分析和疾病诊断；其中，血管掩码可以是二值图像，例如：血管区域为白色（像素值为255），非血管区域为黑色（像素值为0）；具体的，也可使用其他颜色进行区分，本申请实施例对此不进行限定。
在本申请实施例的一种可实现方式中，还可使用辅助算法与预设分割模型进行掩码标注，如阈值分割法和区域种子生长法等，具体的，本申请实施例对此不进行限定。
在本申请实施例的一种可实现方式中，预设分割模型还可用于提取颅骨、脊椎等器官的分割掩码，具体的，在对预设分割模型进行训练时，根据训练数据的不同，训练好的预设分割模型的侧重也不同，具体的，本申请实施例对预设分割模型的可分割对像不进行限定。
步骤102，根据所述血管信息，分别对各血管的起点及终点进行标注；其中，所述血管的起点及终点用于区分不同的血管。
在本申请实施例的一种可实现方式中，除了对血管进行分割掩码标注的方式外，还可根据对血管的起点与终点来区分不同的血管，这样可以更精确地定位和描述血管的形状和位置；在本申请实施例的一种可实现方式中，该步骤可使用训练好的模型及预设算法执行，例如Hough变换、角点检测、特征匹配等，也可以使用深度学习模型，如卷积神经网络、循环神经网络等对血管的起点及终点进行标注，具体的，本申请实施例对此不进行限定。
步骤103，基于预设算法与所述血管掩码及各所述血管的起点及终点生成各血管的分段掩码标注。
对于每个血管，根据起点及终点坐标，将血管进行分段，例如：可将起点与终点之间的像素点设置为白色，其他位置设为黑色，生成分段掩码标注。
本公开提供的血管分段标注的方法，主要技术方案包括：首先，基于预设分割模型对待处理图像中的血管信息进血管掩码标注；其次，根据所述血管信息，分别对各血管的起点及终点进行标注；其中，所述血管的起点及终点用于区分不同的血管；最后，基于预设算法与所述血管掩码及各所述血管的起点及终点生成各血管的分段掩码标注。与相关技术相比，本申请实施例通过对血管进行血管掩码以及血管不同分段的起点、终点进行标注，并结合血管掩码与血管的分段确定不同血管的分段掩码标注，实现了血管分段掩码的自动标注，减少了血管分段掩码过程中的人工干预的内容，提升了血管分段掩码的标注速度与精度。
在本申请实施例的一种可实现方式中，在基于预设分割模型对待处理图像中的血管信息进血管掩码标注之前，还需对预设分割模型进行训练，具体为：基于启发数据集对所述预设分割模型进行训练；其中，所述启发数据集中包含标定好血管分割掩码的图像信息；请参阅图2，图2为本申请实施例所提供的一种血管分割掩码的标注的方法的流程示意图，包括：
步骤201，基于所述启发数据集对所述预设分割模型进行训练，更新所述预设分割模型的模型参数权重。
在本申请实施例的一种可实现方式中，启发数据集中包含标注分割掩码的医学影像，该部分医学影像的分割掩码标注，可参阅以下步骤：使用传统算法提取分割掩码，再由医生或专业人员对该部分分割掩码进行修正，启发数据集中的数据应具有多样性，包括不同类型的血管、不同形态的血管结构及不同类型的医学影像等，丰富的启发数据集训练出的预设分割模型其效果越好；本申请实施例对启发数据的数据内容不进行限定。
在本申请实施例的一种可实现方式中，预设分割模型可为深度学习框架如TensorFlow或PyTorch，来实现模型的训练实现对模型的训练；以及选择合适的优化算法来优化模型的参数权重。常见的优化算法包括随机梯度下降（SGD）、Adam等，通过调整学习率、批量大小和训练轮数等参数，优化算法将逐步更新模型的参数权重；具体的，本申请实施例对训练模型及算法不进行限定。
步骤202，基于更新后的所述预设分割模型对未标注分割掩码的图像进行分割掩码的标注，得到第一标注结果。
使用参数更新后的预设分割模型对未标注分割掩码的图像进行分割掩码的标注，获取第一标注结果，在本申请实施例的一种可实现方式中，在获取第一标注结果后，可使用区域种子生成法对第一标注结果进行处理优化，优化边界图像，使分割掩码的标注更加准确。
步骤203，对所述第一标注结果进行修正、优化，得到第二标注结果。
在本申请实施例的一种可实现方式中，第一标注结果的修正、优化的过程，存在多种方式：第一种：由医生或专业人员手动进行修正，对第一标注结果进行必要的调整和修正；第二种：使用计算机视觉算法及人工干预的方式进行修正，例如：使用图像处理和分割算法来自动检测和分割血管，然后再由专业人员进行修正。
步骤204，根据所述第二标注结果对所述预设分割模型进行训练，更新所述预设分割模型的模型参数权重。
在本申请实施例的一种可实现方式中，可通过计算损失函数的方式，通过反向传播算法将损失函数的梯度穿会预设分割模型中，以更新模型参数权重，也可通过计算评估指标（如准确率、召回率、F1分数等）来评估模型的性能和泛化能力，根据评估结果，对预设分割模型的模型参数权重进行更新；具体的，本申请实施例对模型参数权重的更新方法不进行限定。
在本申请实施例的一种可实现方式中，在完成一次模型权重的更新后，可使用模型对预设数量，如50张待标注的医学影像进行分割掩码的标注，得到各第一标注结果后，统一进行优化得到第二标注结果，并使用第二标注结果对模型的参数进行更新。
步骤205，重复所述预设分割模型的训练，直至所述第一标注结果与所述第二标注结果的差值小于预设阈值后，停止对预设分割模型的训练。
通过反复进行模型训练、调优的过程，逐渐更新模型的参数权重。当模型达到预设的收敛条件或满足性能指标时，可以停止训练，并将最终的模型参数保存下来；用启发数据集对预设分割模型进行训练，可以更新模型的参数权重，使其更适应于所需的血管分割任务，提高模型的准确性和稳定性。
在本申请实施例的一种可实现方式中，血管分割掩码可表示血管的形状及位置，血管分段分割用于进一步表示不同的血管分段，在实际应用中，医生诊断病情时往往需根据血管分段分割掩码进行诊断；请参阅图3，图3为本申请实施例所提供的一种血管分段标注的方法的流程示意图，包括：
步骤301，提取各所述血管的中心线；其中，所述中心线由不同中心点组成。
在本申请实施例的一种可实现方式中，血管在标注血管分割掩码的医学影像中为有宽度的线条，在该步骤中对血管的中线点进行提取，如Hessian变换、Frangi滤波器等，来检测血管上的中心点，使用算法可以通过计算血管骨架的局部曲率、血管的灰度特征等确定中心点，将中心点进行连接，形成血管的中心线，例如最短路径算法、曲线拟合等算法，具体的，本申请实施例对中心线的提取方法不进行限定。
步骤302，对各所述中心点进行筛选，保留目标点；其中，所述目标点为血管分支处的各所述中心点。
在本申请实施例的一种可实现方式中，首先去检测血管上的分支点，分支点为血管的连接点，标识血管的分叉或交汇处，在实际应用中，可使用预设算法如基于局部特征的方法或像素连接关系的方法实现中心点的标注，或使用人工标注：医生或专业人员进行标注；具体的，本申请实施例目标点的标注方式不进行限定。
在本申请实施例的一种可实现方式中，在确定目标点后，可使用其他颜色或标号对目标点进行标注，也可将中心点进行删除，只保留目标点，具体的，本申请实施例对此不进行限定。
对中心点进行筛选，保留血管分支处的目标点。这些目标点可以用于进一步分析血管的分支结构、血流动力学等，有助于了解血管的功能和形态特征。
步骤303，根据各所述目标点的分支关系，构建无向有权图。
在本申请实施例的一种可实现方式中，根据目标点的分支关系，确定各个目标点之间的连接关系。可以使用邻接矩阵或邻接表等数据结构来表示目标点之间的连接关系。对于每个目标点，记录其相邻的目标点以及它们之间的连接权重，并根据目标点之间的连接关系，构建无向图；无向图是由一组顶点和一组边组成的图，其中边没有方向。将目标点作为图的顶点，连接关系作为图的边；根据连接关系，计算每条边的权重，权重可以根据连接点之间的距离、曲率、灰度特征等进行计算，边的权重反映了连接点之间的相似性或距离程度，可以根据具体需求选择适当的权重计算方法，具体的，本申请实施例对此不进行限定。
步骤304，在所述无向有权图中，将各所述血管的起点及终点与各所述目标点进行匹配，并基于预设算法，确定不同血管的起点及终点间的各所述目标点。
在本申请实施例的一种可实现方式中，在根据目标点的位置和血管起点和终点的位置是，可以使用距离匹配或最近邻匹配、迪杰斯特拉算法等方法将目标点与血管起点和终点进行匹配，匹配时，可以基于目标点和血管起点/终点之间的距离进行确定。
根据匹配结果，可以确定不同血管的起点和终点之间的目标点。可以使用预设算法，例如最短路径算法或深度优先搜索算法，从血管起点开始，沿着连接的目标点逐步遍历，直到达到血管终点，这样可以确定每条血管的目标点集合。将血管的起点和终点与目标点进行匹配，并确定不同血管的起点和终点之间的目标点。这样可以将血管网络划分为不同的血管段，并获取每段血管的目标点信息。
步骤305，将血管的起点与终点间的目标点的血管掩码设置为与所述起点与终点相同的血管掩码；得到各血管的分段掩码。
承接上述申请实施例的叙述，已将血管的起点和终点与目标点进行了匹配，根据匹配结果，确定各血管的起点与终点对应的血管掩码；对于血管终点与起点中间的每个目标点，可以将其血管掩码设置为与起点和终点相同的血管掩码；具体的，可以通过将目标点所在的像素位置设置为血管掩码中对应位置的像素值来实现；通过该方法，实现了不同血管的分段掩码的标注。
在本申请实施例的一种可实现方式中，在步骤301对血管的起点及终点进行标注时，还包括：对各所述血管的分支方向进行标注；则步骤303还包括：根据各所述目标点的分支关系与各所述血管的分支方向，构建所述无向有权图。
血管分割自动化迭代标注方法可以分为五个子步骤。第一步，选取一批为标注数据作为启发数据集，通过传统图像算法阈值分割法和区域种子生长法提取颅骨、脊椎、血管的分割掩码，获取启发数据集初始标签；第二步，由专业影像科医生和标注工程师配合对初始标签进行修正；第三步，使用上述完成标注的启发数据集训练神经网络分割模型，更新模型权重；第四步，从标注数据集中分批载入待标注数据，使用当前模型权重对进行预测，再使用区域种子生长法对该预测结果进行后处理优化；第五步，再由影像科医生和标注工程师对初始标签进行修正。重复第四和第五步，对后续的数据进行标注
由于神经网络分割模型对于骨骼和主干血管的学习效果较好，经过2到3轮迭代，神经网络预测的初始标签精度就能够超越传统图像算法，且对于颈动脉斑块、血管支架等与骨骼的判断也明显优于传统图像算法，因此在2到3轮迭代之后，可以只由低年资影像科医生甚至仅具备一定医学影像知识背景的人员和标注工程师配合即可完成对于初始标签的修正，且耗时较短。
血管分段标注和标签自动化生成方法可以分为两个子步骤。第一步，对于完成血管掩码标注的CTA影像，由专业影像科医生对每个血管分段的起始点和终点进行标注，对于难以标注分段终点的大脑前、中、后动脉等的分叉段和终段，对血管的分支方向进行标注。第二步，由软件处理算法根据血管掩码和血管分段的始末点标签自动生成血管的分段掩码标注。在第二步中，软件处理算法又可以分为3个部分 。第一步，对血管中心线进行提取；第二步，将血管中心线上每个点的相对关系进行整理，隐去其中处于分支线段内部的点，保留下存在两个及以上分支的关键点；第三步，根据保留的关键点的分支关系，构建出数据结构为无向有权图的血管图；第四步，根据标注的血管始末点标签，找到血管图中对应的节点，并使用迪杰斯特拉算法计算出每个血管分段始末点之间的其它节点；第五步，基于关键点标签将血管中心线上其他点分配为其连接两端的标签，再使用欧几里得距离变换方法为处于血管掩膜上的所有点分配分段标签，得到最终的血管分段掩膜。
与上述的血管分段标注的方法相对应，本发明还提出一种血管分段标注的装置。由于本发明的装置实施例与上述的方法实施例相对应，对于装置实施例中未披露的细节可参照上述的方法实施例，本发明中不再进行赘述。
图4为本公开实施例提供的一种血管分段标注的装置的结构示意图，如图4所示，包括：
第一标注单元41，用于基于预设分割模型对待处理图像中的血管信息进血管掩码标注；
第二标注单元42，用于根据所述血管信息，分别对各血管的起点及终点进行标注；其中，所述血管的起点及终点用于区分不同的血管；
生成单元43，用于基于预设算法与所述血管掩码及各所述血管的起点及终点生成各血管的分段掩码标注。
本公开提供的血管分段标注的装置，主要技术方案包括：首先，基于预设分割模型对待处理图像中的血管信息进血管掩码标注；其次，根据所述血管信息，分别对各血管的起点及终点进行标注；其中，所述血管的起点及终点用于区分不同的血管；最后，基于预设算法与所述血管掩码及各所述血管的起点及终点生成各血管的分段掩码标注。与相关技术相比，本申请实施例通过对血管进行血管掩码以及血管不同分段的起点、终点进行标注，并结合血管掩码与血管的分段确定不同血管的分段掩码标注，实现了血管分段掩码的自动标注，减少了血管分段掩码过程中的人工干预的内容，提升了血管分段掩码的标注速度与精度。
进一步地，在本实施例一种可能的实现方式中，如图5所示，在第一标注单元41之前，所述装置还包括：
训练单元44，用于基于启发数据集对所述预设分割模型进行训练；其中，所述启发数据集中包含标定好血管分割掩码的图像信息。
进一步地，在本实施例一种可能的实现方式中，如图5所示，所述训练单元44包括：
更新模块441，用于基于所述启发数据集对所述预设分割模型进行训练，更新所述预设分割模型的模型参数权重；
标注模块442，用于基于更新后的所述预设分割模型对未标注分割掩码的图像进行分割掩码的标注，得到第一标注结果；
修正模块443，用于对所述第一标注结果进行修正、优化，得到第二标注结果；
训练模块444，用于根据所述第二标注结果对所述预设分割模型进行训练，更新所述预设分割模型的模型参数权重；
停止模块445，用于重复所述预设分割模型的训练，直至所述第一标注结果与所述第二标注结果的差值小于预设阈值后，停止对预设分割模型的训练。
进一步地，在本实施例一种可能的实现方式中，如图5所示，所述生成单元43包括：
提取模块431，用于提取各所述血管的中心线；其中，所述中心线由不同中心点组成；
保留模块432，用于对各所述中心点进行筛选，保留目标点；其中，所述目标点为血管分支处的各所述中心点；
构建模块433，用于根据各所述目标点的分支关系，构建无向有权图；
确定模块434，用于在所述无向有权图中，将各所述血管的起点及终点与各所述目标点进行匹配，并基于预设算法，确定不同血管的起点及终点间的各所述目标点；
设置模块435，用于将血管的起点与终点间的目标点的血管掩码设置为与所述起点与终点相同的血管掩码；得到各血管的分段掩码。
进一步地，在本实施例一种可能的实现方式中，如图5所示，所述第二标注单元42还用于：
对各所述血管的分支方向进行标注；
所述构建模块433还用于：
根据各所述目标点的分支关系与各所述血管的分支方向，构建所述无向有权图。
需要说明的是，前述对方法实施例的解释说明，也适用于本实施例的装置，原理相同，本实施例中不再限定。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示，设备500包括计算单元501，其可以根据存储在ROM（Read-OnlyMemory，只读存储器）502中的计算机程序或者从存储单元508加载到RAM（Random AccessMemory，随机访问/存取存储器）503中的计算机程序，来执行各种适当的动作和处理。在RAM503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。I/O（Input/Output，输入/输出）接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于CPU（Central Processing Unit，中央处理单元）、GPU（Graphic Processing Units，图形处理单元）、各种专用的AI（Artificial Intelligence，人工智能）计算芯片、各种运行机器学习模型算法的计算单元、DSP（Digital SignalProcessor，数字信号处理器）、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如血管分段标注的方法。例如，在一些实施例中，血管分段标注的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行前述血管分段标注的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA（Field Programmable Gate Array，现场可编程门阵列）、ASIC（Application-Specific Integrated Circuit，专用集成电路）、ASSP（Application Specific StandardProduct，专用标准产品）、SOC（System On Chip，芯片上系统的系统）、CPLD（ComplexProgrammable Logic Device，复杂可编程逻辑设备）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM（Electrically Programmable Read-Only-Memory，可擦除可编程只读存储器） 或快闪存储器、光纤、CD-ROM（Compact Disc Read-Only Memory，便捷式紧凑盘只读存储器）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（Cathode-Ray Tube，阴极射线管）或者LCD（LiquidCrystal Display，液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：LAN（LocalArea Network，局域网）、WAN（Wide Area Network，广域网）、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务（"Virtual Private Server"，或简称"VPS"）中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (9)

1.一种血管分段标注的方法，其特征在于，包括：
基于预设分割模型对待处理图像中的血管信息进血管掩码标注；
根据所述血管信息，分别对各血管的起点及终点进行标注；其中，所述血管的起点及终点用于区分不同的血管；
基于预设算法与所述血管掩码及各所述血管的起点及终点生成各血管的分段掩码标注；
所述基于预设算法与各所述血管的起点及终点生成各血管的分段掩码标注包括：
提取各所述血管的中心线；其中，所述中心线由不同中心点组成；
对各所述中心点进行筛选，保留目标点；其中，所述目标点为血管分支处的各所述中心点；
根据各所述目标点的分支关系，构建无向有权图；
在所述无向有权图中，将各所述血管的起点及终点与各所述目标点进行匹配，并基于预设算法，确定不同血管的起点及终点间的各所述目标点；
将血管的起点与终点间的目标点的血管掩码设置为与所述起点与终点相同的血管掩码，得到各血管的分段掩码。
2.根据权利要求1所述的方法，其特征在于，在基于预设分割模型对待处理图像中的血管信息进血管掩码标注之前，所述方法还包括：
基于启发数据集对所述预设分割模型进行训练；其中，所述启发数据集中包含标定好血管分割掩码的图像信息。
3.根据权利要求2所述的方法，其特征在于，所述基于启发数据集对所述预设分割模型进行训练包括：
基于所述启发数据集对所述预设分割模型进行训练，更新所述预设分割模型的模型参数权重；
基于更新后的所述预设分割模型对未标注分割掩码的图像进行分割掩码的标注，得到第一标注结果；
对所述第一标注结果进行修正、优化，得到第二标注结果；
根据所述第二标注结果对所述预设分割模型进行训练，更新所述预设分割模型的模型参数权重；
重复所述预设分割模型的训练，直至所述第一标注结果与所述第二标注结果的差值小于预设阈值后，停止对预设分割模型的训练。
4.根据权利要求1所述的方法，其特征在于，所述根据所述血管信息，分别对各血管的起点及终点进行标注还包括：
对各所述血管的分支方向进行标注；
所述根据各所述目标点的分支关系，构建无向有权图还包括：
根据各所述目标点的分支关系与各所述血管的分支方向，构建所述无向有权图。
5.一种血管分段标注的装置，其特征在于，包括：
第一标注单元，用于基于预设分割模型对待处理图像中的血管信息进血管掩码标注；
第二标注单元，用于根据所述血管信息，分别对各血管的起点及终点进行标注；其中，所述血管的起点及终点用于区分不同的血管；
生成单元，用于基于预设算法与所述血管掩码及各所述血管的起点及终点生成各血管的分段掩码标注；
所述生成单元包括：
提取模块，用于提取各所述血管的中心线；其中，所述中心线由不同中心点组成；
保留模块，用于对各所述中心点进行筛选，保留目标点；其中，所述目标点为血管分支处的各所述中心点；
构建模块，用于根据各所述目标点的分支关系，构建无向有权图；
确定模块，用于在所述无向有权图中，将各所述血管的起点及终点与各所述目标点进行匹配，并基于预设算法，确定不同血管的起点及终点间的各所述目标点；
设置模块，用于将血管的起点与终点间的目标点的血管掩码设置为与所述起点与终点相同的血管掩码，得到各血管的分段掩码。
6.根据权利要求5所述的装置，其特征在于，在第一标注单元之前，所述装置还包括：
训练单元，用于基于启发数据集对所述预设分割模型进行训练；其中，所述启发数据集中包含标定好血管分割掩码的图像信息。
7.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的方法。
9.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-4中任一项所述的方法。
CN202311669489.7A 2023-12-07 2023-12-07 血管分段标注的方法及装置、电子设备和存储介质 Active CN117373070B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311669489.7A CN117373070B (zh) 2023-12-07 2023-12-07 血管分段标注的方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311669489.7A CN117373070B (zh) 2023-12-07 2023-12-07 血管分段标注的方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN117373070A CN117373070A (zh) 2024-01-09
CN117373070B true CN117373070B (zh) 2024-03-12

Family

ID=89402580

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311669489.7A Active CN117373070B (zh) 2023-12-07 2023-12-07 血管分段标注的方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN117373070B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117830302A (zh) * 2024-03-04 2024-04-05 瀚依科技(杭州)有限公司 肺段分割的优化方法及装置、电子设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706559A (zh) * 2021-09-13 2021-11-26 复旦大学附属中山医院 基于医学图像的血管分段提取方法和装置
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
CN114445412A (zh) * 2022-01-29 2022-05-06 上海联影智能医疗科技有限公司 血管分割方法、设备和存储介质
CN114723739A (zh) * 2022-05-09 2022-07-08 深圳市铱硙医疗科技有限公司 一种基于cta影像的血管分段模型训练数据标注方法及装置
CN115761024A (zh) * 2022-09-07 2023-03-07 上海术之道医疗器械有限公司 血管掩码图像生成方法、装置、电子设备及存储介质
CN116630334A (zh) * 2023-04-23 2023-08-22 中国科学院自动化研究所 用于多分段血管实时自动分割方法、装置、设备及介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112164020B (zh) * 2020-03-31 2024-01-23 苏州润迈德医疗科技有限公司 精确提取血管中心线的方法、装置、分析系统和存储介质
KR20230164809A (ko) * 2022-05-25 2023-12-05 사회복지법인 삼성생명공익재단 뇌혈관 영상에서 뇌혈관 분지를 분류하는 방법 및 분석장치

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706559A (zh) * 2021-09-13 2021-11-26 复旦大学附属中山医院 基于医学图像的血管分段提取方法和装置
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
CN114445412A (zh) * 2022-01-29 2022-05-06 上海联影智能医疗科技有限公司 血管分割方法、设备和存储介质
CN114723739A (zh) * 2022-05-09 2022-07-08 深圳市铱硙医疗科技有限公司 一种基于cta影像的血管分段模型训练数据标注方法及装置
CN115761024A (zh) * 2022-09-07 2023-03-07 上海术之道医疗器械有限公司 血管掩码图像生成方法、装置、电子设备及存储介质
CN116630334A (zh) * 2023-04-23 2023-08-22 中国科学院自动化研究所 用于多分段血管实时自动分割方法、装置、设备及介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于多模型融合和区域迭代生长的视网膜血管自动分割;赖小波;许茂盛;徐小媚;;电子学报;20191215(12);全文 *
基于密集注意力网络的视网膜血管图像分割;梅旭璋;江红;孙军;;计算机工程;20200315(03);全文 *
心血管造影图像分割方法综述;李越;蒋路茸;童基均;;计算机系统应用;20200915(09);全文 *

Also Published As

Publication number Publication date
CN117373070A (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
JP6564018B2 (ja) 放射線画像の肺野セグメンテーション技術及び骨減弱技術
CN117373070B (zh) 血管分段标注的方法及装置、电子设备和存储介质
CN111145173A (zh) 一种冠脉造影图像的斑块识别方法、装置、设备及介质
CN111145160B (zh) 钙化区域所处冠脉分支的确定方法、装置、服务器及介质
CN110110723B (zh) 一种图像中目标区域自动提取的方法及装置
CN113971728B (zh) 图像识别方法、模型的训练方法、装置、设备及介质
CN116309571A (zh) 一种基于半监督学习的三维脑血管分割方法和装置
CN114937184A (zh) 心脏冠脉血管命名模型的训练方法、装置及电子设备
CN115482261A (zh) 血管配准方法、装置、电子设备及存储介质
CN115147360B (zh) 一种斑块分割方法、装置、电子设备及可读存储介质
CN114972220B (zh) 一种图像处理方法、装置、电子设备及可读存储介质
CN108198213B (zh) 一种标记管状结构的方法及装置、管状结构的处理终端
CN115861189A (zh) 图像配准方法、装置、电子设备及存储介质
CN115908418A (zh) 一种主动脉ct图像中心线确定方法、系统、设备及介质
CN113889238B (zh) 一种图像识别方法、装置、电子设备及存储介质
CN115147359A (zh) 肺叶分割网络模型训练方法、装置、电子设备及存储介质
Chen et al. Centerline constrained minimal path propagation for vessel extraction
CN116524548B (zh) 血管结构信息提取方法、装置及存储介质
CN115690143B (zh) 图像分割方法、装置、电子设备及存储介质
CN115908300B (zh) 心脏瓣膜钙化分割的方法、装置、设备及存储介质
CN117635635A (zh) 医学图像的交互分割方法及装置、电子设备和存储介质
CN115880494A (zh) 血管图像分割方法、装置、电子设备以及存储介质
CN115861623A (zh) 血管图像分割方法、装置、电子设备以及存储介质
CN117764911A (zh) 一种血管命名方法、装置、设备及介质
CN117523622A (zh) 一种主动脉的分段识别方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant