CN117392128A - 一种主动脉直径人工智能测量方法 - Google Patents
一种主动脉直径人工智能测量方法 Download PDFInfo
- Publication number
- CN117392128A CN117392128A CN202311687473.9A CN202311687473A CN117392128A CN 117392128 A CN117392128 A CN 117392128A CN 202311687473 A CN202311687473 A CN 202311687473A CN 117392128 A CN117392128 A CN 117392128A
- Authority
- CN
- China
- Prior art keywords
- curve
- pixel
- weakening
- similarity
- gray level
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000008859 change Effects 0.000 claims abstract description 98
- 230000003313 weakening effect Effects 0.000 claims abstract description 76
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 63
- 238000012216 screening Methods 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims description 22
- 210000000709 aorta Anatomy 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 9
- 230000000747 cardiac effect Effects 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008602 contraction Effects 0.000 abstract description 4
- 230000036772 blood pressure Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000035488 systolic blood pressure Effects 0.000 description 3
- 230000008485 antagonism Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 210000005240 left ventricle Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000005241 right ventricle Anatomy 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- 210000002376 aorta thoracic Anatomy 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 210000005245 right atrium Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000000007 visual 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20—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
- G06T2207/30048—Heart; Cardiac
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及神经网络的图像数据扩充技术领域,具体涉及一种主动脉直径人工智能测量方法。该方法通过考虑心脏CT图像中像素点在不同方向上不同尺度下的灰度变化特征,确定待分析区域。利用待分析区域分析像素点对应像素值的密度特征,利用主动脉信息的高密度特征筛选出待弱化血管区域。进而获得每个像素点的弱化特征,进行针对性的弱化,获得弱化心脏CT图像。将弱化心脏CT图像和心脏CT图像作为主动脉直径识别神经网络的训练数据。本发明通过扩充训练数据集,通过弱化模拟血管的扩张收缩状态,提高了主动脉直径识别神经网络的泛化能力和准确度。
Description
技术领域
本发明涉及神经网络的图像数据扩充技术领域,具体涉及一种主动脉直径人工智能测量方法。
背景技术
经过研究和实验分析发现,主动脉直径能够反应人体血压的特征,在利用CT扫描获得的心脏CT图像中,可利用人工智能技术自动检测出主动脉的直径,方便医师评估人体的不良血压状态。在现有技术中,通常采用神经网络检测心脏CT图像中主动脉的直径。由于主动脉的直径受到血压以及血液流动的影响,血管会进行一定程度的收缩舒张,即主动脉血管会存在多种状态,若通过采集大量不同状态下的心脏CT图像作为神经网络的训练数据会导致训练成本较高;若仅采用现有的平移、旋转等数据扩充方法对训练数据扩充会导致最终的神经网络泛化能力较弱,影响最终的直径检测结果。
发明内容
为了解决现有技术中识别主动脉直径的神经网络无法做到有效训练数据扩充进而影响最终检测精度的技术问题,本发明的目的在于提供一种主动脉直径人工智能测量方法,所采用的技术方案具体如下:
本发明提出了一种主动脉直径人工智能测量方法,所述方法包括:
获取包含主动脉信息的心脏CT图像;在心脏CT图像中每个像素点对应多个不同的预设方向区间,在以像素点为中心像素点的不同尺寸的每个预设邻域中,方向区间内每个方向上的其他像素点构成中心像素点的灰度变化曲线;
根据每个方向区间内灰度变化曲线之间的相似性获得每个方向区间的对比权重;根据每个方向区间内灰度变化曲线之间的相似度,筛选出参考灰度变化曲线;在所有方向区间中选择一条参考灰度变化曲线进行组合,获得所有方式的组合;根据每个组合内对应参考灰度变化曲线的相似度和对比权重,获得每个组合内的筛选指标,根据筛选指标筛选出最优组合,最优组合对应的参考灰度变化曲线上的像素点划分出对应像素点的待分析区域;
获取每个像素点在待分析区域内对应像素值的密度,根据心脏CT图像中像素点的密度分布获得每个像素点的目标程度;根据目标程度筛选出待弱化血管区域;
在待弱化血管区域内,获取像素点在所述待分析区域内的密度变化特征和血管形状特征,结合像素点在待弱化血管区域内的位置,获得每个像素点的弱化特征并利用弱化特征筛选出弱化像素点;根据弱化所述弱化像素点的像素值,获得弱化心脏CT图像;
将弱化心脏CT图像和对应的心脏CT图像作为主动脉直径识别神经网络的训练数据,利用训练好的主动脉直径识别神经网络获得待识别心脏CT图像中的主动脉直径。
进一步地,所述根据每个方向区间内所述灰度变化曲线之间的距离获得每个方向区间的对比权重包括:
获取每个方向区间内任意两个所述灰度变化曲线之间的DTW距离,将所述DTW距离负相关映射并归一化,获得两个所述灰度变化曲线之间的曲线相似度;将每个方向区间内所述曲线相似度的平均值和标准差的比值作为每个方向区间的所述对比权重。
进一步地,所述参考灰度变化曲线的筛选方法包括:
在每个方向区间中,根据曲线相似度获得所述灰度变化曲线的类别;
将任意一个所述灰度变化曲线作为目标曲线,将目标曲线在所述类别内与其他灰度变化曲线之间曲线相似度的平均值作为类内相似度;将目标曲线与其他类别的灰度变化曲线之间的曲线相似度平均值作为类间相似度;
将所述类间相似度负相关映射后与所述类内相似度相加,获得所述目标曲线的参考指标;
改变所述目标曲线,获得每个方向区间内每个灰度变化曲线的所述参考指标,将所述参考指标大于预设参考阈值的灰度变化曲线作为对应方向区间内的所述参考灰度变化曲线。
进一步地,所述筛选指标的获取方法包括:
将每个组合中两两所述参考灰度变化曲线的曲线相似度作为初始相似度;将两条所述参考灰度变化曲线对应的所述方向区间之间的所述对比权重的差异作为相似度权重,所述相似度权重与所述初始相似度的乘积作为最终相似度;
将每个组合中的所述最终相似度的平均值作为对应组合的所述筛选指标。
进一步地,所述待分析区域的获取方法包括:
将所述筛选指标最小的组合作为所述最优组合;
将所述中心像素点作为第一端点,所述最优组合对应的所述参考灰度变化曲线的端点作为第二端点,连接所述第二端点,获得边界曲线,将所述边界曲线的端点与所述第一端点连接,获得所述待分析区域。
进一步地,所述目标程度的获取方法包括:
根据目标程度公式获得所述目标程度,所述目标程度公式包括:
;
其中,为第/>个像素点的所述目标程度,/>为在所述CT图像中第/>种密度的频率,/>为所述CT图像中所述密度的种类,/>为第/>个像素点的所述密度,/>为第/>种密度的所述密度,/>为L2范数求取函数。
进一步地,所述待弱化血管区域的获取方法包括:
根据所述目标程度对像素点进行聚类,获得多个子区域;将所述子区域内像素点的目标程度均值与密度均值的乘积作为所述子区域的待弱化程度;将所述待弱化程度大于预设待弱化阈值的所述子区域作为所述待弱化血管区域。
进一步地,所述弱化特征的获取方法包括:
将每个像素点的所述待分析区域内的其他像素点的所述密度的变异系数作为所述密度变化特征;
以每个像素点为起点,在起点对应的所述待分析区域内,从起点开始将相同密度且相邻的其他像素点依次相连,获得分析曲线,将所述分析曲线的起点和终点相连,获得对比曲线,将所述分析曲线与所述对比曲线之间的面积作为对应像素点的所述待分析区域内的所述血管形状特征;
利用弱化特征公式获得每个像素点的弱化特征,所述弱化特征公式包括:
;
其中,为第/>个像素点的弱化特征,/>为第/>个像素点与待弱化血管区域中心点之间距离的归一化值,/>为第/>个像素点对应的所述密度变化特征,/>为第/>个像素点对应的血管形状特征。
进一步地,所述弱化心脏CT图像的获取方法包括:
将所述弱化特征大于预设弱化阈值的像素点标记为弱化像素点;
分别利用不同的预设弱化系数将所述弱化像素点的像素值进行线性变换,获得不同的所述弱化心脏CT图像;弱化系数小于正整数1。
进一步地,所述密度的获取方法包括:
将每个像素点的像素值作为基准点,在所述基准点对应的所述待处理区域中,若其他像素点的像素值与基准点的像素值之间的像素值差异小于预设差异阈值,则对应的其他像素点为所述基准点的同类点;统计所述同类点之间的平均欧氏距离,将平均欧氏距离的倒数作为所述密度。
本发明具有如下有益效果:
本发明实施例考虑到心脏CT图像中除了主动脉血管外还包含左心室右心室等其他组织的信息,但是主动脉相比与其他组织而言像素信息的密度更大,因此本发明实施例基于密度的思想,判断像素点是否为血管区域的像素点,进而判断是否需要弱化。本发明为了准确分析密度特征,通过对比像素点在不同方向上的灰度变化相似性最终确定待分析区域,在待分析区域中确定密度信息,避免了分析区域过大或者过小导致的密度信息的不准确。利用密度信息确定待弱化血管区域。因为待弱化血管区域中除了血管之外还包括其他信息,因此进一步获取每个像素点的弱化特征,利用弱化特征分析对应像素点是否需要进行弱化,进而实现对血管像素点的准确弱化,获得弱化心脏CT图像。因为弱化心脏CT图像中将原血管像素点的像素值进行了弱化,因此可以模拟血管收缩扩张造成的像素值变化,使得神经网络的训练数据得到有效扩充,能够获得准确率高、泛化能力强的主动脉直径识别神经网络。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种主动脉直径人工智能测量方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种主动脉直径人工智能测量方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种主动脉直径人工智能测量方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的主动脉直径人工智能测量方法流程图,该方法包括:
步骤S1:获取包含主动脉信息的心脏CT图像;在心脏CT图像中每个像素点对应多个不同的预设方向区间,在以像素点为中心像素点的不同尺寸的每个预设邻域中,方向区间内每个方向上的其他像素点构成中心像素点的灰度变化曲线。
在包含主动脉信息的心脏CT图像中,除了主动脉信息之外还包含左心室、右心室、右心房等多种组织的信息,主动脉信息相较于其他信息而言,因为动脉里充满了血液,所以在心脏CT图像中主动脉信息为高密度的信息,并且对于主动脉的血管边缘而言,其邻域内的像素值变化会趋近于一个方向进行变化,因此为了准确分析每个像素点在邻域范围内的密度特征,首先需要分析每个像素点的灰度变化方向以及灰度变化区域,进而在该区域内进行准确的密度分析。
因此在心脏CT图像中以每个像素点为中心设置多个区间方向,区间方向之间即为方向区间。在一个方向区间中存在多个方向,因此以像素点为中心像素点,构建不同尺寸的预设邻域,在不同尺寸的预设邻域中方向区间中每个方向均对应一组其他像素点,每组其他像素点构成对应中心像素点的灰度变化曲线。
在本发明一个实施例中,以每个像素点为中心均匀设置八个方向,分别为上、下、左、右、左上、右上、左下和右下,存在八个方向区间。将邻域的尺寸设置为3×3和5×5,即在中心像素点的3×3大小的邻域中存在数条灰度变化曲线,在5×5大小的邻域中存在数条灰度变化曲线,统计所有灰度变化曲线进行分析。
需要说明的是,在本发明一个实施例中灰度变化曲线的构建方法为按照其他像素点的顺序获得像素值序列,构建像素值为纵坐标,序列元素序号为横坐标的坐标系,获得像素值序列在对应坐标系下的灰度变化曲线。
需要说明的是,在本发明一个实施例中,还可以通过对心脏CT图像注射碘剂等对比剂,增强主动脉和周边组织的对比度。
步骤S2:根据每个方向区间内灰度变化曲线之间的相似性获得每个方向区间的对比权重;根据每个方向区间内灰度变化曲线之间的相似度,筛选出参考灰度变化曲线;在所有方向区间中选择一条参考灰度变化曲线进行组合,获得所有方式的组合;根据每个组合内对应参考灰度变化曲线的相似度和对比权重,获得每个组合内的筛选指标,根据筛选指标筛选出最优组合,最优组合对应的参考灰度变化曲线上的像素点划分出对应像素点的待分析区域。
对于一个像素点而言,若存在某个方向区间内的灰度变化曲线之间的相似性均较大,则说明该方向区间大概率为密度集中的区域,对应像素点大概率为主动脉边缘的像素点。需要分析方向区间内的灰度变化曲线之间的相似性用于确定最终的待分析区域。因此首先根据每个方向区间内灰度变化曲线之间的相似性获得每个方向区间的对比权重,对比权重能够表征当前方向灰度区间内灰度变化曲线的统一性。
优选地,在本发明一个实施例中,对比权重的获取方法包括:
获取每个方向区间内任意两个灰度变化曲线之间的DTW距离,将DTW距离负相关映射并归一化,获得两个灰度变化曲线之间的曲线相似度;将每个方向区间内曲线相似度的平均值和标准差的比值作为每个方向区间的对比权重。曲线相似度的平均值越大、曲线相似度的标准差越小,说明对应方向区间内的灰度变化曲线越统一,则对比权重越大。
在本发明一个实施例中,将DTW距离的负值作为以自然常数为底的指数函数的幂,实现负相关映射并归一化的目的,对比权重用公式表示为:
;
其中,为第/>个方向区间的对比权重,/>为以自然常数为底的指数函数,表示第/>个方向区间中任意两条灰度变化曲线之间的DTW距离,/>表示平均值计算函数,/>表示标准差计算函数。需要说明的是,DTW距离的获取方法为本领域技术人员熟知的技术手段,在此不做赘述。
进一步考虑到对于一个像素点而言存在多个方向区间,为了准确分析该像素点的待分析区域,应当在不同方向区间中进行分析,而每个方向区间中存在了较多的灰度变化曲线,导致数据量较大无法正常分析,因此还需要根据每个方向区间内灰度变化曲线之间的相似度筛选出多条参考灰度变化曲线,即参考灰度变化曲线为表示方向区间内整体灰度变化趋势的曲线,利用参考灰度变化曲线作为对应方向区间中代表曲线,用于后续的待分析区域分析。
优选地,在本发明一个实施例中,参考灰度变化曲线的筛选方法包括:
将任意一个灰度变化曲线作为目标曲线,将目标曲线在类别内与其他灰度变化曲线之间曲线相似度的平均值作为类内相似度;将目标曲线与其他类别的灰度变化曲线之间的曲线相似度平均值作为类间相似度。
将类间相似度负相关映射后与类内相似度相加,获得目标曲线的参考指标。
改变目标曲线,获得每个方向区间内每个灰度变化曲线的参考指标,将参考指标大于预设参考阈值的灰度变化曲线作为对应方向区间内的参考灰度变化曲线。
在本发明一个实施例中,考虑到参考指标可能结果大于1,为了方便参考阈值的设置需要将参考指标进行归一化处理,因此本发明实施例将类间相似度负相关映射后与类内相似度相加后除以2,因为类间相似度和类内相似度的值域均为0到1之间,因此参考指标的最终值域也在0到1之间。参考指标归一化后,将参考阈值设置为0.65。需要说明的是,因为类间相似度的值域在0到1之间,因此本发明实施例利用正整数1鉴于类间相似度,实现对类间相似度的负相关映射。
需要说明的是,获得灰度变化曲线的类别可以存在多种实现方法,例如直接利用阈值进行判断,将曲线相似度大于预设相似度阈值的灰度变化曲线作为同类曲线;或者利用聚类方法根据曲线相似度进行聚类等等,在此不做限定。在本发明实施例中采样阈值的方法,将相似度阈值设置为0.75。
因为方向区间内的参考灰度变化曲线可能不止有一条,因此在所有方向区间中仅选择一条参考灰度变化曲线进行组合,获得所有方式的组合。即每个组合中的参考灰度变化曲线的数量为方向区间的数量,并且每个参考灰度变化曲线对应一个方向区间。对于每个组合而言,可视为以中心像素点为中心,组合内的各个灰度变化曲线代表一个具有方向和长度的向量,这些向量构成了中心像素点的一个邻域,对于中心像素点而言,因为邻域过大或者过小均会影响密度分析结果,所以为了保证后续密度分析过程的准确性应当使得邻域内不仅包含同类组织的信息还需要包含其他组织的信息。以主动脉的一个血管边缘像素点为例,该血管边缘像素点的灰度变化方向指向血管内侧,而血管外侧可能为其他组织或者为CT图像中的黑色部分,为了保证对血管边缘像素点的密度分析准确,需要保证所获得的邻域不仅包含血管内侧的信息,还需要包含血管外侧信息,进而才能够实现对血管边缘像素点对应像素值的密度的准确分析,若邻域过大,可能会导致所获得的密度值较小;若邻域较小,可能会导致邻域内仅存在血管外侧的信息,导致密度值分析不准确。因此可以通过分析组合内参考灰度变化曲线的相似度,进一步结合对应的对比权重获得每个组合内的筛选指标。若组合内曲线的相似度均较大,则说明当前组合对应的邻域内包含的同类组织的像素点较多,对应的邻域分析出来的密度值越不准确;结合对比权重的目的在于,因为对比权重能够表征对应方向区间内的灰度变化统一性,因此可利用对比权重判断当前组合内的灰度变化是否均为统一地变化。利用筛选指标能够筛选出最优组合,进而利用最优组合对应的参考灰度变化曲线划分出对应像素点的待分析区域。
优选地,在本发明一个实施例中,筛选指标的获取方法包括:
将每个组合中两两参考灰度变化曲线的曲线相似度作为初始相似度;将两条参考灰度变化曲线对应的方向区间之间的对比权重的差异作为相似度权重,相似度权重与初始相似度的乘积作为最终相似度。
将每个组合中的最终相似度的平均值作为对应组合的筛选指标。初始相似度越大说明当前组合中仅包含同类组织的信息,则筛选指标越大,对应组合越不属于待分析区域;相似度权重越大,说明对应方向区间内的灰度变化越不统一,两条参考灰度变化曲线所分析的结果可信度越低,则所获得的筛选指标越大,对应组合越不属于待分析区域。
因此应当选择筛选指标最小的组合作为最优组合。则根据最优组合中的参考灰度变化曲线的端点划分出对应中心像素点的待分析区域。将中心像素点作为第一端点,最优组合对应的参考灰度变化曲线的端点作为第二端点,连接第二端点,获得边界曲线,将边界曲线的端点与第一端点连接,获得待分析区域,即待分析区域为对应中心像素点的不规则邻域。通过对每个像素点进行分析可获得每个像素点对应的待分析区域。
步骤S3:获取每个像素点在待分析区域内对应像素值的密度,根据心脏CT图像中像素点的密度分布获得每个像素点的目标程度;根据目标程度筛选出待弱化血管区域。
通过了步骤S2对像素点的待分析区域的准确划分,能够准确获得像素点局部邻域内的密度特征。通过分析待分析区域内的像素值分布即可获得对应的密度。
优选地,在本发明一个实施例中,密度的获取方法包括:
将每个像素点的像素值作为基准点,在基准点对应的待处理区域中,若其他像素点的像素值与基准点的像素值之间的像素值差异小于预设差异阈值,则对应的其他像素点为基准点的同类点;统计同类点之间的平均欧氏距离,将平均欧氏距离的倒数作为密度。即评价欧氏距离越大,说明待分析区域内同类点越分散,则密度越小。
因为主动脉组织相对于其他组织而言为高密度组织,因此可根据像素点的密度分布获得每个像素点的目标程度,进而筛选出待弱化血管区域。
优选地,在本发明一个实施例中所述目标程度的获取方法包括:
根据目标程度公式获得目标程度,目标程度公式包括:
;
其中,为第/>个像素点的目标程度,/>为在CT图像中第/>种密度的频率,/>为CT图像中密度的种类,/>为第/>个像素点的密度,/>为第/>种密度的密度,/>为L2范数求取函数。
在目标程度公式中,像素点与其他像素点之间的目的差异越大,说明目标程度越高;频率的作用在于作为对应差异的置信度,频率越大说明置信度越大。
需要说明的是,密度的频率可通过构建直方图的形式的获得,在此不做赘述及限定。
优选地,在本发明一个实施例中待弱化血管区域的获取方法包括:
根据目标程度对像素点进行聚类,获得多个子区域;将子区域内像素点的目标程度均值与密度均值的乘积作为子区域的待弱化程度;将待弱化程度大于预设待弱化阈值的子区域作为待弱化血管区域。即子区域内的像素点目标程度越大,对应的密度值越大,说明区域内像素点信息属于高密度信息,则说明对应区域越为待弱化血管区域。在本发明一个实施例中,待弱化阈值设置为0.68。
在本发明一个实施例中,聚类方法采用DBSCAN方法,其为本领域技术人员熟知的技术手段在此不做赘述。
步骤S4:在待弱化血管区域内,获取像素点在所述待分析区域内的密度变化特征和血管形状特征,结合像素点在待弱化血管区域内的位置,获得每个像素点的弱化特征并利用弱化特征筛选出弱化像素点;根据弱化所述弱化像素点的像素值,获得弱化心脏CT图像。
在待弱化血管区域内可进一步分析每个像素点的弱化特征,并利用弱化特征筛选出需要弱化的弱化像素点,进而实现精准的血管区域弱化。弱化特征的获取可视为对主动脉血管像素点的进一步提取,因为主动脉血管像素点为高密度且统一的信息,因此分析像素点在待分析区域内的密度变化特征;因为主动脉血管像素点构成的血管边缘为完全的边缘,因此分析血管形状特征;因为主动脉血管像素点在血管区域中的位置不同所对应的需要弱化的程度也应不,因此同时分析密度变化特征、血管形状特征和位置获得待弱化血管区域内每个像素点的弱化特征。
优选地,在本发明一个实施例中弱化特征的获取方法包括:
将每个像素点的待分析区域内的其他像素点的密度的变异系数作为密度变化特征,即变异系数越大,说明待分析区域内其他像素点的密度变化越距离,分布越离散。
以每个像素点为起点,在起点对应的待分析区域内,从起点开始将相同密度且相邻的其他像素点依次相连,获得分析曲线,将分析曲线的起点和终点相连,获得对比曲线,将分析曲线与对比曲线之间的面积作为对应像素点的待分析区域内的血管形状特征。面积越大说明对比曲线的形状越弯曲,越属于血管边缘,则血管形状特征越大。
利用弱化特征公式获得每个像素点的弱化特征,弱化特征公式包括:
;
其中,为第/>个像素点的弱化特征,/>为第/>个像素点与待弱化血管区域中心点之间距离的归一化值,/>为第/>个像素点对应的密度变化特征,/>为第/>个像素点对应的血管形状特征。
在弱化特征公式中,以像素点与待弱化血管区域中心点之间的距离作为血管形状特征的权重,即像素点越靠近区域边缘,则像素点放映出来的血管形状特征的权重越大,密度变化特征对应的权重越小;密度变化权重越大说明像素点的待分析区域内的其他像素点的密度分布越离散,则说明当前像素点越不属于血管像素点,则对应的弱化特征越小。
优选地,在本发明一个实施例中弱化心脏CT图像的获取方法包括:
将弱化特征大于预设弱化阈值的像素点标记为弱化像素点。
分别利用不同的预设弱化系数将弱化像素点的像素值进行线性变换,获得不同的弱化心脏CT图像;弱化系数小于正整数1。在本发明一个实施例中,弱化阈值设置为0.68;弱化系数设置为三个,分别为0.7、0.5、和0.3。即每种弱化系数对应的弱化程度不一样。
需要说明的是,像素值的线性变化为本领域技术人员熟知的技术手段,可直接将对应像素值与弱化系数相乘即可获得弱化后的像素值,在此不详细赘述。
步骤S5:将弱化心脏CT图像和对应的心脏CT图像作为主动脉直径识别神经网络的训练数据,利用训练好的主动脉直径识别神经网络获得待识别心脏CT图像中的主动脉直径。
弱化心脏CT图像的弱化过程基于视觉增强的思想,通过对血管区域进行针对性的弱化,进而模拟主动脉血管的收缩扩展状态,使得到的数据集类型更加丰富。将弱化心脏CT图像和对应的心脏CT图像作为主动脉直径识别神经网络的训练数据,能够提高网络的泛化能力。
在本发明一个实施例中采用对抗性图像到图像深度网络作为主动脉直径识别神经网络,通过添加弱化心脏CT图像作为训练数据,能够增强网络的对抗能力。该类型的网络结构和训练方法为本领域技术人员熟知的公知技术,具体内容不再赘述,在此仅简述本发明实施例中主动脉直径识别神经网络的简要结构和训练方法:
本发明实施例中的主动脉直径识别神经网络为编码-解码结构,通过编码器和解码器网络来研究输入图像与目标分割图像之间的干涉,输入体积被重新采样为2毫米的均匀分布,采用随机梯度下降法进行网络训练,进一步采用标志点检测的算法(Multi-ScaleDeep Reinforcement Learning for Real-Time 3D-Landmark Detection in CT Scans)检测出九个特定的主动脉水平,进而获得主动脉的分割掩膜。进一步利用中信息模型生成主动脉中心线,通过主动脉中心线计算出多个检测点并确定主动脉直径。
将待识别心脏CT图像输入至训练好的主动脉直径识别神经网络中,即可获得主动脉直径。
因为通过分析主动脉直径与血压、年龄和不良血压状况之间的关系,发现胸主动脉的扩张与血压的关系有关。每个部位的主动脉直径扩张都是不良血压状态的危险因素;尤其是降主动脉中段处的主动脉直径,是所有主动脉测量位置中受收缩压影响最大的位置,识别不良血压状态的效能最好。经过研究和分析同样可以表明血压和主动脉直径之间的关系并不总是一致并且呈稳定增长趋势;当收缩压范围在110mmHg~180mmHg时,主动脉直径随着血压上升而扩张,然而当收缩压低于110mmHg或者高于180mmHg时,主动脉直径随着血压上升而减少。总而言之,主动脉直径随着血压上升呈 “S”型增长趋势。另外,主动脉直径在舒张压65mmHg~85mmHg范围内随之同步增加。因此在本发明实施例中,通过识别心脏CT图像中的主动脉直径能够辅助医疗工作人员对人体的血压情况进行进一步地准确分析。
综上所述,本发明实施例通过考虑心脏CT图像中像素点在不同方向上不同尺度下的灰度变化特征,确定科学合理的待分析区域。利用待分析区域分析像素点对应像素值的密度特征,利用主动脉信息的高密度特征筛选出待弱化血管区域。在待弱化血管区域内,获得每个像素点的弱化特征,进而筛选出弱化像素点,进行针对性的弱化,获得弱化心脏CT图像。将弱化心脏CT图像和心脏CT图像作为主动脉直径识别神经网络的训练数据,利用训练好的主动脉直径识别神经网络获得待识别心脏CT图像中的主动脉直径。本发明通过扩充训练数据集,通过弱化模拟血管的扩张收缩状态,提高了主动脉直径识别神经网络的泛化能力和准确度。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种主动脉直径人工智能测量方法,其特征在于,所述方法包括:
获取包含主动脉信息的心脏CT图像;在心脏CT图像中每个像素点对应多个不同的预设方向区间,在以像素点为中心像素点的不同尺寸的每个预设邻域中,方向区间内每个方向上的其他像素点构成中心像素点的灰度变化曲线;
根据每个方向区间内灰度变化曲线之间的相似性获得每个方向区间的对比权重;根据每个方向区间内灰度变化曲线之间的相似度,筛选出参考灰度变化曲线;在所有方向区间中选择一条参考灰度变化曲线进行组合,获得所有方式的组合;根据每个组合内对应参考灰度变化曲线的相似度和对比权重,获得每个组合内的筛选指标,根据筛选指标筛选出最优组合,最优组合对应的参考灰度变化曲线上的像素点划分出对应像素点的待分析区域;
获取每个像素点在待分析区域内对应像素值的密度,根据心脏CT图像中像素点的密度分布获得每个像素点的目标程度;根据目标程度筛选出待弱化血管区域;
在待弱化血管区域内,获取像素点在所述待分析区域内的密度变化特征和血管形状特征,结合像素点在待弱化血管区域内的位置,获得每个像素点的弱化特征并利用弱化特征筛选出弱化像素点;根据弱化所述弱化像素点的像素值,获得弱化心脏CT图像;
将弱化心脏CT图像和对应的心脏CT图像作为主动脉直径识别神经网络的训练数据,利用训练好的主动脉直径识别神经网络获得待识别心脏CT图像中的主动脉直径。
2.根据权利要求1所述的一种主动脉直径人工智能测量方法,其特征在于,所述根据每个方向区间内所述灰度变化曲线之间的距离获得每个方向区间的对比权重包括:
获取每个方向区间内任意两个所述灰度变化曲线之间的DTW距离,将所述DTW距离负相关映射并归一化,获得两个所述灰度变化曲线之间的曲线相似度;将每个方向区间内所述曲线相似度的平均值和标准差的比值作为每个方向区间的所述对比权重。
3.根据权利要求2所述的一种主动脉直径人工智能测量方法,其特征在于,所述参考灰度变化曲线的筛选方法包括:
在每个方向区间中,根据曲线相似度获得所述灰度变化曲线的类别;
将任意一个所述灰度变化曲线作为目标曲线,将目标曲线在所述类别内与其他灰度变化曲线之间曲线相似度的平均值作为类内相似度;将目标曲线与其他类别的灰度变化曲线之间的曲线相似度平均值作为类间相似度;
将所述类间相似度负相关映射后与所述类内相似度相加,获得所述目标曲线的参考指标;
改变所述目标曲线,获得每个方向区间内每个灰度变化曲线的所述参考指标,将所述参考指标大于预设参考阈值的灰度变化曲线作为对应方向区间内的所述参考灰度变化曲线。
4.根据权利要求2所述的一种主动脉直径人工智能测量方法,其特征在于,所述筛选指标的获取方法包括:
将每个组合中两两所述参考灰度变化曲线的曲线相似度作为初始相似度;将两条所述参考灰度变化曲线对应的所述方向区间之间的所述对比权重的差异作为相似度权重,所述相似度权重与所述初始相似度的乘积作为最终相似度;
将每个组合中的所述最终相似度的平均值作为对应组合的所述筛选指标。
5.根据权利要求4所述的一种主动脉直径人工智能测量方法,其特征在于,所述待分析区域的获取方法包括:
将所述筛选指标最小的组合作为所述最优组合;
将所述中心像素点作为第一端点,所述最优组合对应的所述参考灰度变化曲线的端点作为第二端点,连接所述第二端点,获得边界曲线,将所述边界曲线的端点与所述第一端点连接,获得所述待分析区域。
6.根据权利要求1所述的一种主动脉直径人工智能测量方法,其特征在于,所述目标程度的获取方法包括:
根据目标程度公式获得所述目标程度,所述目标程度公式包括:
;
其中,为第/>个像素点的所述目标程度,/>为在所述CT图像中第/>种密度的频率,/>为所述CT图像中所述密度的种类,/>为第/>个像素点的所述密度,/>为第/>种密度的所述密度,/>为L2范数求取函数。
7.根据权利要求1所述的一种主动脉直径人工智能测量方法,其特征在于,所述待弱化血管区域的获取方法包括:
根据所述目标程度对像素点进行聚类,获得多个子区域;将所述子区域内像素点的目标程度均值与密度均值的乘积作为所述子区域的待弱化程度;将所述待弱化程度大于预设待弱化阈值的所述子区域作为所述待弱化血管区域。
8.根据权利要求1所述的一种主动脉直径人工智能测量方法,其特征在于,所述弱化特征的获取方法包括:
将每个像素点的所述待分析区域内的其他像素点的所述密度的变异系数作为所述密度变化特征;
以每个像素点为起点,在起点对应的所述待分析区域内,从起点开始将相同密度且相邻的其他像素点依次相连,获得分析曲线,将所述分析曲线的起点和终点相连,获得对比曲线,将所述分析曲线与所述对比曲线之间的面积作为对应像素点的所述待分析区域内的所述血管形状特征;
利用弱化特征公式获得每个像素点的弱化特征,所述弱化特征公式包括:
;
其中,为第/>个像素点的弱化特征,/>为第/>个像素点与待弱化血管区域中心点之间距离的归一化值,/>为第/>个像素点对应的所述密度变化特征,/>为第/>个像素点对应的血管形状特征。
9.根据权利要求1所述的一种主动脉直径人工智能测量方法,其特征在于,所述弱化心脏CT图像的获取方法包括:
将所述弱化特征大于预设弱化阈值的像素点标记为弱化像素点;
分别利用不同的预设弱化系数将所述弱化像素点的像素值进行线性变换,获得不同的所述弱化心脏CT图像;弱化系数小于正整数1。
10.根据权利要求1所述的一种主动脉直径人工智能测量方法,其特征在于,所述密度的获取方法包括:
将每个像素点的像素值作为基准点,在所述基准点对应的所述待处理区域中,若其他像素点的像素值与基准点的像素值之间的像素值差异小于预设差异阈值,则对应的其他像素点为所述基准点的同类点;统计所述同类点之间的平均欧氏距离,将平均欧氏距离的倒数作为所述密度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311687473.9A CN117392128B (zh) | 2023-12-11 | 2023-12-11 | 一种主动脉直径人工智能测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311687473.9A CN117392128B (zh) | 2023-12-11 | 2023-12-11 | 一种主动脉直径人工智能测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117392128A true CN117392128A (zh) | 2024-01-12 |
CN117392128B CN117392128B (zh) | 2024-03-08 |
Family
ID=89437752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311687473.9A Active CN117392128B (zh) | 2023-12-11 | 2023-12-11 | 一种主动脉直径人工智能测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117392128B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117830308A (zh) * | 2024-03-05 | 2024-04-05 | 西安交通大学医学院第一附属医院 | 一种介入手术前后血管造影智能对比分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113384287A (zh) * | 2020-03-13 | 2021-09-14 | 西门子医疗有限公司 | 减少交互的ct扫描 |
WO2022164374A1 (en) * | 2021-02-01 | 2022-08-04 | Kahraman Ali Teymur | Automated measurement of morphometric and geometric parameters of large vessels in computed tomography pulmonary angiography |
CN116090364A (zh) * | 2022-12-30 | 2023-05-09 | 杭州脉流科技有限公司 | 基于cta影像的获取冠脉血流储备分数的方法和可读存储介质 |
CN117012324A (zh) * | 2023-08-08 | 2023-11-07 | 华中科技大学同济医学院附属协和医院 | 一种基于区块链的健康数据钱包管理方法及系统 |
-
2023
- 2023-12-11 CN CN202311687473.9A patent/CN117392128B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113384287A (zh) * | 2020-03-13 | 2021-09-14 | 西门子医疗有限公司 | 减少交互的ct扫描 |
WO2022164374A1 (en) * | 2021-02-01 | 2022-08-04 | Kahraman Ali Teymur | Automated measurement of morphometric and geometric parameters of large vessels in computed tomography pulmonary angiography |
CN116090364A (zh) * | 2022-12-30 | 2023-05-09 | 杭州脉流科技有限公司 | 基于cta影像的获取冠脉血流储备分数的方法和可读存储介质 |
CN117012324A (zh) * | 2023-08-08 | 2023-11-07 | 华中科技大学同济医学院附属协和医院 | 一种基于区块链的健康数据钱包管理方法及系统 |
Non-Patent Citations (3)
Title |
---|
YAOLING WANG.ET AL, 《CLINICAL FEATURES ORIGINAL RESEARCH》, 3 December 2021 (2021-12-03) * |
YAOLING WANG.ET AL: ""Thoracic Aorta Diameter Calculation by Artificial Intelligence Can Predict the Degree of Arterial Stiffness"", 《FRONTIERS IN CARDIOVASCULAR MEDICINE》, 15 December 2021 (2021-12-15) * |
贺林峰等: ""被动抬腿的血流动力学变化与老年衰弱患者 心血管病死亡的关系"", 《临床心血管病杂志》, 13 April 2022 (2022-04-13) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117830308A (zh) * | 2024-03-05 | 2024-04-05 | 西安交通大学医学院第一附属医院 | 一种介入手术前后血管造影智能对比分析方法 |
CN117830308B (zh) * | 2024-03-05 | 2024-05-10 | 西安交通大学医学院第一附属医院 | 一种介入手术前后血管造影智能对比分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117392128B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10096108B2 (en) | Medical image segmentation method and apparatus | |
US8559689B2 (en) | Medical image processing apparatus, method, and program | |
CN102890823B (zh) | 运动对象轮廓提取及左心室图像分割方法和装置 | |
CN105279759B (zh) | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 | |
CN117392128B (zh) | 一种主动脉直径人工智能测量方法 | |
US9230320B2 (en) | Computer aided diagnostic system incorporating shape analysis for diagnosing malignant lung nodules | |
Zhuge et al. | An abdominal aortic aneurysm segmentation method: Level set with region and statistical information | |
CN111932554B (zh) | 一种肺部血管分割方法、设备及存储介质 | |
CN106529188B (zh) | 应用于手术导航的图像处理方法 | |
CN110706225B (zh) | 基于人工智能的肿瘤识别系统 | |
Wang et al. | Deformable contour method: a constrained optimization approach | |
WO2001046707A2 (en) | Method for learning-based object detection in cardiac magnetic resonance images | |
CN107292312A (zh) | 肿瘤识别方法 | |
CN112308846B (zh) | 血管分割方法、装置及电子设备 | |
CN111369528A (zh) | 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法 | |
CN111784653A (zh) | 基于形状约束的多尺度网络mri胰腺轮廓定位方法 | |
Ali et al. | Retinal blood vessel segmentation from retinal image using B-COSFIRE and adaptive thresholding | |
US20170098311A1 (en) | Graph search using non-euclidean deformed graph | |
Zhang et al. | Detection and quantification of intracerebral and intraventricular hemorrhage from computed tomography images with adaptive thresholding and case-based reasoning | |
Singh et al. | An efficient combined approach for medical brain tumour segmentation | |
Wulaning Ayu et al. | Pixel Classification Based on Local Gray Level Rectangle Window Sampling for Amniotic Fluid Segmentation. | |
Xu et al. | Application of artificial intelligence technology in medical imaging | |
CN117115437A (zh) | 一种基于区域的多指标多器官医学图像分割模型评估系统 | |
Namías et al. | Uterus segmentation in dynamic MRI using lbp texture descriptors | |
Hilal et al. | Design of Intelligent Alzheimer Disease Diagnosis Model on CIoT Environment |
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 |