CN117765081A - 术前目标平面的定位方法、装置及医学扫描成像设备 - Google Patents
术前目标平面的定位方法、装置及医学扫描成像设备 Download PDFInfo
- Publication number
- CN117765081A CN117765081A CN202311830994.5A CN202311830994A CN117765081A CN 117765081 A CN117765081 A CN 117765081A CN 202311830994 A CN202311830994 A CN 202311830994A CN 117765081 A CN117765081 A CN 117765081A
- Authority
- CN
- China
- Prior art keywords
- plane
- target
- neural network
- positioning
- network model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003384 imaging method Methods 0.000 title claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 75
- 230000011218 segmentation Effects 0.000 claims abstract description 60
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 34
- 210000003291 sinus of valsalva Anatomy 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 50
- 238000000605 extraction Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 13
- 230000002861 ventricular Effects 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 3
- 210000003484 anatomy Anatomy 0.000 abstract description 8
- 238000013528 artificial neural network Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000005070 sampling Methods 0.000 description 10
- 210000001765 aortic valve Anatomy 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 7
- 206010002906 aortic stenosis Diseases 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 4
- 238000010968 computed tomography angiography Methods 0.000 description 4
- 238000002513 implantation Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 210000000709 aorta Anatomy 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000002308 calcification Effects 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 208000003017 Aortic Valve Stenosis Diseases 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000002583 angiography Methods 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 210000004351 coronary vessel Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 208000015122 neurodegenerative disease Diseases 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008722 morphological abnormality Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 210000001147 pulmonary artery Anatomy 0.000 description 1
- 210000003492 pulmonary vein Anatomy 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种术前目标平面的定位方法、装置及医学扫描成像设备，其中，该方法包括：将医学图像输入预设的第一神经网络模型，输出主动脉窦的基底点作为关键点，由关键点确定瓣环平面；基于医学图像，确定血管分割结果；基于血管分割结果和瓣环平面的交集，得到瓣环平面的定位结果。通过本申请中由神经网络提取医学图像中关键点，在解剖结构上由关键点确定瓣环平面，能够提高目标平面的定位准确性，解决了无法准确定位目标平面的问题。
Description
技术领域
本申请涉及医学图像处理技术领域，特别是涉及一种术前目标平面的定位方法、装置及医学扫描成像设备。
背景技术
随着我国老龄化社会的发展趋势，老年瓣膜退行性病变发病率不断增加，其中主动脉瓣狭窄已逐渐成为这一人群最常见的瓣膜性心脏病。经导管主动脉瓣植入术(Transcatheter Aortic Valve Implantation，TAVI)已成为高危主动脉狭窄患者的首选治疗方法。准确的主动脉瓣解剖结构信息对TAVI手术至关重要，因此如何快速准确地定位目标平面(包含瓣环平面、左心室流出道平面、窦部平面、窦管交界处平面)是术前规划的重要部分。
现有的定位方法主要通过手动调整平面位置或中心线切面的方式确定主动脉的目标平面，但是手动提取的效率低且工作繁复，而采用与中心线垂直的方式定位目标平面，其准确性依赖于对中心线的准确提取，由此导致定位的目标平面与真实平面位置存在一定误差。
针对相关技术中存在无法准确定位目标平面的问题，目前还没有提出有效的解决方案。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高目标平面定位准确性的术前目标平面的定位方法、装置及医学扫描成像设备。
第一个方面，在本实施例中提供了一种术前目标平面的定位方法，包括：
将医学图像输入预设的第一神经网络模型，输出主动脉窦的基底点作为关键点，由所述关键点确定瓣环平面；
基于所述医学图像，确定血管分割结果；
基于所述血管分割结果和所述瓣环平面的交集，得到所述瓣环平面的定位结果。
在其中的一些实施例中，上述方法还包括：
将所述医学图像输入预设的第二神经网络模型，确定目标平面；
基于所述血管分割结果和所述目标平面的交集，得到所述目标平面的定位结果；
所述目标平面包括左心室流出道平面、窦部平面以及窦管交界处平面中的至少一种。
在其中的一些实施例中，所述第二神经网络模型的金标准图像为热力图。
在其中的一些实施例中，还包括：
还包括：预先训练神经网络模型，训练过程为：
获取各目标任务的训练样本集和各所述目标任务的金标准图像；所述目标任务为血管分割、提取关键点以及确定目标平面中的至少一种；
基于各所述目标任务的训练样本集、所述金标准图像以及损失函数，对相应的所述神经网络模型进行训练，得到训练完成的所述神经网络模型。
在其中的一些实施例中，所述基于所述血管分割结果和所述瓣环平面的交集，得到所述瓣环平面的定位结果，包括：
确定所述瓣环平面和所述血管分割结果的交集；
基于所述交集，保留所述瓣环平面与血管相交的部分，确定所述定位结果。
在其中的一些实施例中，所述将所述医学图像输入预设的第二神经网络模型，确定目标平面，包括：
由所述第二神经网络模型输出三维结果；
对所述三维结果进行降维处理后，提取平面中心点和平面方向向量；
基于所述平面中心点和所述平面方向向量，确定所述目标平面。
第二个方面，在本实施例中提供了一种术前目标平面的定位装置，包括：
关键点提取模块，用于将医学图像输入预设的第一神经网络模型，输出主动脉窦的基底点作为关键点，由所述关键点确定瓣环平面；
分割模块，用于基于所述医学图像，确定血管分割结果；
定位模块，用于基于所述血管分割结果和所述瓣环平面的交集，得到所述瓣环平面的定位结果。
在其中的一些实施例中，还包括：
可视化模块，用于输出和显示所述定位结果。
第三个方面，在本实施例中提供了一种医学扫描成像设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的术前目标平面的定位方法。
第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的术前目标平面的定位方法。
与相关技术相比，在本实施例中提供的术前目标平面的定位方法、装置及医学扫描成像设备，将医学图像输入预设的第一神经网络模型，输出主动脉窦的基底点作为关键点，由所述关键点确定瓣环平面；基于所述医学图像，确定血管分割结果；基于所述血管分割结果和所述瓣环平面的交集，得到所述瓣环平面的定位结果。本申请通过神经网络提取医学图像中关键点，在解剖结构上由关键点确定瓣环平面，能够提高目标平面的定位准确性，解决了无法准确定位目标平面的问题。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是一个实施例中术前目标平面的定位方法的终端的硬件结构框图；
图2是TAVI术前目标平面的示意图；
图3是一个实施例中术前目标平面的定位方法的流程图；
图4是一个实施例中瓣环平面的示意图；
图5是一个实施例中主动脉窦粗定位结果的示意图；
图6a-图6b是一个实施例中目标平面的定位结果的效果示意图；
图7是另一个实施例中术前目标平面的定位方法的流程图；
图8是一个实施例中术前目标平面的定位装置的结构框图。
图中：102、处理器；104、存储器；106、传输设备；108、输入输出设备；10、关键点提取模块；20、分割模块；30、定位模块。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。
除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元)，而可包括未列出的步骤或模块(单元)，或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。
在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在磁共振成像设备、计算机断层扫描设备等医学扫描成像设备的终端上运行，图1是本实施例的术前目标平面的定位方法的终端的硬件结构框图。如图1所示，终端可以包括一个或多个(图1中仅示出一个)处理器102和用于存储数据的存储器104，其中，处理器102可以包括但不限于MCU(Microcontroller Unit，微处理器)或FPGA(Field ProgrammableGate Array，可编程逻辑器件)等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本实施例中的术前目标平面的定位方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(NetworkInterface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
随着我国老龄化社会的发展趋势，老年瓣膜退行性病变发病率不断增加，其中主动脉瓣狭窄已逐渐成为这一人群最常见的瓣膜性心脏病。经导管主动脉瓣植入术(Transcatheter Aortic Valve Implantation，TAVI)已成为高危主动脉狭窄患者的首选治疗方法。准确的主动脉瓣解剖结构信息对TAVI手术至关重要，因此如何快速准确地定位目标平面(包含瓣环平面、左心室流出道平面、窦部平面、窦管交界处平面)是术前规划的重要部分，图2是术前目标平面的示意图，由上至下分别是窦管交界处平面(SinutubularJunction，SJT)、窦部平面(Sinus of Valsalva，SV)、瓣环平面(Aortic Annulus，AA)以及左心室流出道平面(Left Ventricular Outflow Tract，LVOT)。
现有的定位方法主要通过手动调整平面位置或中心线切面的方式确定主动脉的目标平面，但是手动提取的效率低且工作繁复，而采用与中心线垂直的方式定位目标平面，其准确性依赖于对中心线的准确提取，由此导致定位的目标平面与真实平面位置存在一定误差。
在本实施例中提供了一种术前目标平面的定位方法，图3是本实施例中术前目标平面的定位方法的流程图，如图3所示，该方法包括以下步骤：
步骤S310，将医学图像输入预设的第一神经网络模型，输出主动脉窦的基底点作为关键点，由关键点确定瓣环平面。
具体的，通过医学扫描成像设备对组织部位进行扫描，获得医学图像。其中，医学扫描成像设备包括但不限于X射线机、DR(Digital Radiography，数字X线摄影术)、CT(Computed Tomography，计算机断层扫描)、MRI(Magnetic Resonance Imaging，磁共振成像)以及PET-CT(Positron Emission Computed Tomography，正电子发射型计算机断层显像)、DSA(Digital subtraction angiography，减影血管造影)等，医学图像为对应医学扫描成像设备生成的医学影像。
示例性的，本实施例中采用心脏CTA(Computed Tomography Angiography，计算机造影)数据作为医学图像。
瓣环平面的临床定义为，三个主动脉瓣尖的基底点所处的虚拟平面的管腔轮廓，图4是本实施例中瓣环平面的示意图，如图4所示，三个主动脉瓣尖的基底点(Nadir point)位于一个虚拟平面上，这个虚拟平面即为瓣环平面。基于此，在医学图像中提取主动脉窦的基底点作为关键点，并由关键点确定瓣环平面。其中，关键点提取采用神经网络模型、手动提取以及传统算法实现。示例性的，第一神经网络模型可以采用U-Net和V-Net等神经网络进行训练得到，将医学图像输入训练完备的第一神经网络模型，由第一神经网络模型输出关键点。
为了减少医学图像中的非相关信息，如肺动静脉和软组织等，在将医学图像输入第一神经网络模型前，可对医学图像进行分割处理，确定其中主动脉窦的粗定位结果。其中，主动脉窦粗定位可以采用神经网络模型进行定位实现。
步骤S320，基于医学图像，确定血管分割结果。
具体的，基于医学图像确定血管分割结果，提取主动脉根部血管部分。其中，血管分割可以采用神经网络模型进行分割实现。
步骤S330，基于血管分割结果和瓣环平面的交集，得到瓣环平面的定位结果。
具体的，在以上步骤中由关键点确定的瓣环平面，实际上是一个无限大的平面，而TAVI术前所需的目标平面需在血管内部。因此，在血管分割结果的基础上，确定血管分割结果和瓣环平面的交集，以得到瓣环平面在血管内部的定位结果。
通过上述步骤，采用第一神经网络模型提取医学图像中主动脉窦的基底点作为关键点，在解剖结构上由关键点确定目标平面中的瓣环平面，并且基于瓣环平面和血管分割结果的交集，确定瓣环平面的定位结果，能够提高目标平面的定位准确性，解决了无法准确定位目标平面的问题。
在其中的一些实施例中，上述对医学图像进行分割处理，确定其中主动脉窦的粗定位结果，可以通过以下步骤实现：
具体的，本实施例中采用心脏CTA数据作为医学图像。为了减少医学图像中的非相关信息，将粗定位作为目标任务，采用P-Net、U-Net和V-Net等神经网络进行训练，得到相应的神经网络模型。将医学图像经过归一化、采样等预处理后输入预先训练的神经网络模型，输出得到主动脉窦的粗定位结果。图5是本实施例中主动脉窦粗定位结果的示意图，如图5所示，以粗定位框表示主动脉窦的粗定位结果。
其中，将粗定位作为目标任务，相应的神经网络模型的训练过程如下：
获取目标任务的训练样本集和金标准图像；基于目标任务的训练样本集、金标准图像以及损失函数，对相应的神经网络模型进行训练，得到训练完成的神经网络模型。
本实施例中通过确定主动脉窦的粗定位结果，减少了医学图像中的非相关信息，有利于后续在粗定位结果中提取关键点和目标平面。
在其中的一些实施例中，将关键点提取作为目标任务，采用U-Net和V-Net等神经网络进行训练。对医学图像进行粗定位分割处理，将主动脉窦的粗定位结果经过归一化、采样等预处理后输入预设的第一神经网络模型，输出得到主动脉窦的基底点。示例性的，将粗定位结果归一化至spacing(空间)为(0.5，0.5，0.5)。采样方式为在粗定位框内进行大量采样，以及加上一部分的全图随机采样。其中，关键点提取的精定位训练网络所需的数据是一些小块，如果粗定位结果准确，第一神经网络模型的输入应当是粗定位框及其附近的许多小块数据；另外，粗定位框不一定完全准确，可能有偏差，如果粗定位结果不准，导致其他部位输入到第一神经网络模型里，这种情况第一神经网络模型应当不输出定位点(即关键点)，全图随机采样小块是为了训练网络在这种错误的情况下保证不输出。
其中，将关键点提取作为目标任务，第一神经网络模型的训练过程如下：
获取目标任务的训练样本集和金标准图像；基于目标任务的训练样本集、金标准图像以及损失函数，对相应的神经网络模型进行训练，得到训练完成的第一神经网络模型。
其中，损失函数可以采用加权均方误差，该损失函数对于未预测出的部分惩罚更高，以提高预测效果。并且，对于钙化类型数据和形态异常数据，如冠状动脉开口位置异常(如位于升主动脉上，或者两个冠脉开口于同一窦上)，无论钙化形态如何，应当假设钙化并不存在，依据主动脉瓣本身的形态定位基底点，从而能够支持更多临床应用场景。
另外，由于异常数据较难收集，为了提高模型效果，可采用随机裁剪、旋转等方式扩充样本集，比如：对原有数据进行随机伸缩(0.7倍-1.3倍)，旋转(15°-15°)，灰度值变换(0.8倍-1.2倍)等操作，可将样本扩增15倍-30倍，具体视所需数据量进行扩增，以增加训练样本的多样性。
本实施例中通过在粗定位结果中确定主动脉窦的基底点作为关键点，能够进一步在解剖结构上由基底点确定瓣环平面，提高了定位的准确性。
在其中的一些实施例中，上述步骤S320中基于医学图像，确定血管分割结果，可以通过以下步骤实现：
将医学图像输入相应的神经网络模型，输出血管分割结果。
具体的，将血管分割作为目标任务，采用U-Net和V-Net等神经网络进行训练。将医学图像经过归一化、采样等预处理后输入预先训练的神经网络模型，输出得到血管分割结果。示例性的，将医学图像归一化至spacing(空间)为(0.5，0.5，0.5)。进一步结合以上实施例中获得的粗定位结果，采样方式为在粗定位框内进行大量采样，以及加上一部分的全图随机采样。
其中，将血管分割作为目标任务，相应的神经网络模型的训练过程如下：
获取目标任务的训练样本集和金标准图像；基于目标任务的训练样本集、金标准图像以及损失函数，对相应的神经网络模型进行训练，得到训练完成的神经网络模型。
另外，损失函数可以采用加权均方误差，该损失函数对于未预测出的部分惩罚更高，以提高预测效果。为了提高模型效果，可采用随机裁剪、旋转等方式扩充样本集，以增加训练样本的多样性。
本实施例中通过输出血管分割结果，有利于在后续步骤中对获得的目标平面限定在血管内，以获得有效的目标平面定位结果。
在其中的一些实施例中，上述步骤S330中基于血管分割结果和瓣环平面的交集，得到瓣环平面的定位结果，包括以下步骤：
步骤S331，确定瓣环平面和血管分割结果的交集。
步骤S332，基于交集，保留瓣环平面与血管相交的部分，确定定位结果。
具体的，在以上步骤中由关键点确定的瓣环平面，实际上是一个无限大的平面，而TAVI术前所需的目标平面需在血管内部。因此，在血管分割结果的基础上，确定血管分割结果和瓣环平面的交集，以通过交集处的所有点，得到瓣环平面在血管内部的定位结果。
本实施例中通过对比确定瓣环平面和血管分割结果的交集，由交集确定瓣环平面的定位结果，能够根据血管分割结果，由无限大的平面得到瓣环平面实际的定位结果。
在其中的一些实施例中，对于其他目标平面的定位，上述方法还包括以下步骤：
步骤S340，将医学图像输入预设的第二神经网络模型，确定目标平面。其中：
步骤S341，由第二神经网络模型输出三维结果。
具体的，本实施例中将确定目标平面作为目标任务，采用U-Net和V-Net等神经网络进行训练。对医学图像进行粗定位分割处理，将主动脉窦的粗定位结果经过归一化、采样等预处理后输入预设的第二神经网络模型，输出得到目标平面的三维结果。示例性的，将粗定位结果归一化至spacing(空间)为(0.5，0.5，0.5)。采样方式为在平面处进行大量采样，以及加上一部分的全图随机采样。并且，为节省预测时间，提高预测效率，仅在粗定位框内进行滑窗，对应于平面处采样。
目标平面包括左心室流出道平面、窦部平面以及窦管交界处平面中的至少一种。每个目标平面可以分别由第二神经网络模型输出得到，进一步的，还可以通过第二神经网络模型输出三个目标平面，该第二神经网络模型的输入为三通道，每一通道对应一个目标平面。
其中，将确定目标平面作为目标任务，第二神经网络模型的训练过程如下：
获取目标任务的训练样本集和金标准图像；基于目标任务的训练样本集、金标准图像以及损失函数，对相应的神经网络模型进行训练，得到训练完成的第二神经网络模型。
本实施例中第二神经网络模型的金标准图像为热力图，热力图上的不同数值代表平面上及其临近点，数值越高代表离平面越近。在训练过程中，将粗定位结果的训练样本集输入神经网络模型，得到相应的预测热力图，以通过预测热力图、金标准热力图以及损失函数进行训练。
另外，为了提高模型效果，可采用随机裁剪、旋转等方式扩充样本集，以增加训练样本的多样性。
步骤S342，对三维结果进行降维处理后，提取平面中心点和平面方向向量。
具体的，由于上述第二神经网络模型输出得到的是目标平面的三维结果，为了获得二维平面，可以采用主成分分析(Principal Component Analysis，PCA)对三维结果进行降维处理，使三维结果(点集)降维至一个平面上且信息损失最少。根据降维后的平面结果，对平面结果中所有点取均值得到平面中心点，以及PCA得到的平面方向向量。其中，PCA的主要思想是将n维特征映射k维上，k维是在原有n维特征的基础上重新构造出来的全新k维特征(主成分)。k维中第一个新坐标轴选择是依据原始数据中方差最大的方向，以此类推，可以得到n个这样的新坐标轴。通过这种方式获得的新的坐标轴，大部分方差都包含在前k个坐标轴中。因此，可以忽略余下的坐标轴，只保留前面k个含有绝大部分方差的坐标轴，相当于只保留包含绝大部分方差的维度特征，忽略包含方差几乎为0的特征维度，实现对数据特征的降维处理。本实施例中网络输出效果是三维的点集，实际上表征的是二维平面的位置，因此通过PCA能够找到平面位置。
步骤S343，基于平面中心点和平面方向向量，确定目标平面。
步骤S350，基于血管分割结果和目标平面的交集，得到目标平面的定位结果。
具体的，在以上步骤中由关键点确定的目标平面，实际上是一个无限大的平面，而TAVI术前所需的目标平面需在血管内部。因此，在血管分割结果的基础上，确定血管分割结果和目标平面的交集，依据血管的解剖结构，得到目标平面在血管内部的定位结果。图6a和图6b是本实施例中目标平面的定位结果的效果示意图，目标平面由上至下分别是窦管交界处平面、窦部平面、瓣环平面以及左心室流出道平面，图6a是目标平面降维前的三维结果，图6b是经过降维且与血管相交后得到的定位结果。
本实施例中通过第二神经网络模型输出目标平面的三维结果，对三维结果进行降维等处理，确定目标平面，进一步基于血管分割结果和目标平面的交集，得到左心室流出道平面、窦部平面以及窦管交界处平面中至少一种目标平面的定位结果，实现了准确的目标平面自动定位效果。
在其中的一些实施例中，上述方法还包括预先训练神经网络模型，对于以上实施例中采用的神经网络模型，具体训练过程为：
获取各目标任务的训练样本集和各目标任务的金标准图像；目标任务为血管分割、粗定位、提取关键点以及确定目标平面中的至少一种；基于各目标任务的训练样本集、金标准图像以及损失函数，对相应的神经网络模型进行训练，得到训练完成的神经网络模型。
具体的，对于以上实施例中所提供的目标任务，可以采用本实施例中提供的训练过程得到相应的神经网络模型。
其中，将各目标任务的训练样本集经过预处理后输入至初始神经网络模型后，对应得到各目标任务的预测图。根据各目标任务的预测图和各目标任务的金标准图像，确定损失函数的值；根据损失函数的值调整初始神经网络模型的参数，直至损失函数的值的变化幅度小于预设阈值，得到训练完成的神经网络模型。
需要说明的是，训练过程中预处理过程、金标准图像、损失函数以及预设阈值的选取并不作具体限定。
本实施例中通过提供一种神经网络模型的训练过程，可以为以上实施例中血管分割、粗定位、提取关键点以及确定目标平面等目标任务提供相应的神经网络模型，以自动且准确地得到目标任务的结果。
下面通过优选实施例对本实施例进行描述和说明。
图7是本实施例的术前目标平面的定位方法的流程图，如图7所示，该方法包括以下步骤：
步骤S710，基于心脏CTA数据，通过输入相应的神经网络模型，分别确定主动脉窦的粗定位结果和血管分割结果。
步骤S720，将粗定位结果输入预设的神经网络模型，输出主动脉窦的基底点，由基底点确定瓣环平面。
步骤S730，将粗定位结果输入预设的神经网络模型，输出除瓣环平面以外目标平面的三维结果。其中，目标平面包括窦管交界处平面、窦部平面、瓣环平面以及左心室流出道平面。
步骤S740，对三维结果进行降维处理后，提取平面中心点和平面方向向量；基于平面中心点和平面方向向量，确定目标平面。
步骤S750，通过对比确定目标平面和血管分割结果的交集，保留目标平面与血管相交的部分，确定目标平面的定位结果。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。例如，确定瓣环平面的步骤S720，和确定除瓣环平面以外目标平面的步骤S730-S740，不限定具体执行顺序。
本实施例中通过在主动脉窦的粗定位结果中提取关键点，在解剖结构上由关键点确定目标平面中的瓣环平面，另外采用预设的神经网络模型得到窦管交界处平面、窦部平面以及左心室流出道平面，并且，基于目标平面和血管分割结果的交集，依据血管的解剖结构，确定目标平面的定位结果，能够提高目标平面的定位准确性，实现了准确且自动进行TAVI术前定位的效果，解决了无法准确定位目标平面的问题。
在本实施例中还提供了一种术前目标平面的定位装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图8是本实施例的术前目标平面的定位装置的结构框图，如图8所示，该装置包括：
关键点提取模块10，用于将医学图像输入预设的第一神经网络模型，输出主动脉窦的基底点作为关键点，由关键点确定瓣环平面。
分割模块20，用于基于医学图像，确定血管分割结果；
定位模块30，用于基于血管分割结果和瓣环平面的交集，得到瓣环平面的定位结果。
通过本实施例中提供的装置，采用第一神经网络模型提取医学图像中主动脉窦的基底点作为关键点，在解剖结构上由关键点确定目标平面中的瓣环平面，并且基于瓣环平面和血管分割结果的交集，确定瓣环平面的定位结果，能够提高目标平面的定位准确性，解决了无法准确定位目标平面的问题。
在其中的一些实施例中，上述装置还包括：
可视化模块，用于输出和显示定位结果。
其中，可视化模块通过将定位结果的医学数据转换为二维或三维图像和模型等，以更好地呈现定位结果。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在本实施例中还提供了一种医学扫描成像设备，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选的，上述扫描成像设备还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。
此外，结合上述实施例中提供的术前目标平面的定位方法，在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种术前目标平面的定位方法。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本申请提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其他实施例，均属本申请保护范围。
显然，附图只是本申请的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本申请适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本申请公开的内容不足。
“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其他实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本申请中描述的实施例在没有冲突的情况下，可以与其他实施例结合。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种术前目标平面的定位方法，其特征在于，包括：
将医学图像输入预设的第一神经网络模型，输出主动脉窦的基底点作为关键点，由所述关键点确定瓣环平面；
基于所述医学图像，确定血管分割结果；
基于所述血管分割结果和所述瓣环平面的交集，得到所述瓣环平面的定位结果。
2.根据权利要求1所述的术前目标平面的定位方法，其特征在于，还包括：
将所述医学图像输入预设的第二神经网络模型，确定目标平面；
基于所述血管分割结果和所述目标平面的交集，得到所述目标平面的定位结果；
所述目标平面包括左心室流出道平面、窦部平面以及窦管交界处平面中的至少一种。
3.根据权利要求1所述的术前目标平面的定位方法，其特征在于，所述第二神经网络模型的金标准图像为热力图。
4.根据权利要求1所述的术前目标平面的定位方法，其特征在于，还包括：预先训练神经网络模型，训练过程为：
获取各目标任务的训练样本集和各所述目标任务的金标准图像；所述目标任务为血管分割、提取关键点以及确定目标平面中的至少一种；
基于各所述目标任务的训练样本集、所述金标准图像以及损失函数，对相应的所述神经网络模型进行训练，得到训练完成的所述神经网络模型。
5.根据权利要求1所述的术前目标平面的定位方法，其特征在于，所述基于所述血管分割结果和所述瓣环平面的交集，得到所述瓣环平面的定位结果，包括：
确定所述瓣环平面和所述血管分割结果的交集；
基于所述交集，保留所述瓣环平面与血管相交的部分，确定所述定位结果。
6.根据权利要求2所述的术前目标平面的定位方法，其特征在于，所述将所述医学图像输入预设的第二神经网络模型，确定目标平面，包括：
由所述第二神经网络模型输出三维结果；
对所述三维结果进行降维处理后，提取平面中心点和平面方向向量；
基于所述平面中心点和所述平面方向向量，确定所述目标平面。
7.一种术前目标平面的定位装置，其特征在于，包括：
关键点提取模块，用于将医学图像输入预设的第一神经网络模型，输出主动脉窦的基底点作为关键点，由所述关键点确定瓣环平面；
分割模块，用于基于所述医学图像，确定血管分割结果；
定位模块，用于基于所述血管分割结果和所述瓣环平面的交集，得到所述瓣环平面的定位结果。
8.根据权利要求7所述的术前目标平面的定位装置，其特征在于，还包括：
可视化模块，用于输出和显示所述定位结果。
9.一种医学扫描成像设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至6中任一项所述的术前目标平面的定位方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的术前目标平面的定位方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311830994.5A CN117765081A (zh) | 2023-12-27 | 2023-12-27 | 术前目标平面的定位方法、装置及医学扫描成像设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311830994.5A CN117765081A (zh) | 2023-12-27 | 2023-12-27 | 术前目标平面的定位方法、装置及医学扫描成像设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117765081A true CN117765081A (zh) | 2024-03-26 |
Family
ID=90325580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311830994.5A Pending CN117765081A (zh) | 2023-12-27 | 2023-12-27 | 术前目标平面的定位方法、装置及医学扫描成像设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117765081A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118334124A (zh) * | 2024-06-12 | 2024-07-12 | 柏意慧心(杭州)网络科技有限公司 | 基于图像配准的主动脉窦底点定位方法、装置及存储介质 |
-
2023
- 2023-12-27 CN CN202311830994.5A patent/CN117765081A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118334124A (zh) * | 2024-06-12 | 2024-07-12 | 柏意慧心(杭州)网络科技有限公司 | 基于图像配准的主动脉窦底点定位方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10762398B2 (en) | Modality-agnostic method for medical image representation | |
| CN112508965B (zh) | 医学影像中正常器官的轮廓线自动勾画系统 | |
| Li et al. | Optimal surface segmentation in volumetric images-a graph-theoretic approach | |
| WO2018001099A1 (zh) | 一种血管提取方法与系统 | |
| JP6636331B2 (ja) | 血流予備量比の算出 | |
| US11847547B2 (en) | Method and system for generating a centerline for an object, and computer readable medium | |
| CN111612743B (zh) | 一种基于ct图像的冠状动脉中心线提取方法 | |
| EP2365471B1 (en) | Diagnosis assisting apparatus, coronary artery analyzing method and recording medium having a coronary artery analzying program stored therein | |
| US20050281447A1 (en) | System and method for detecting the aortic valve using a model-based segmentation technique | |
| CN107203741A (zh) | 血管提取方法、装置及其系统 | |
| US20140355854A1 (en) | Segmentation of a structure | |
| JP2007289704A (ja) | 大動脈瘤の半自動分析のためのシステム及び方法 | |
| KR20190084380A (ko) | 2차원 x-선 조영영상의 혈관 구조 추출 방법, 이를 수행하기 위한 기록매체 및 장치 | |
| CN113192069B (zh) | 三维断层扫描图像中树状结构的语义分割方法和装置 | |
| JP2017064370A (ja) | 画像処理装置、画像処理装置の制御方法およびプログラム | |
| CN117765081A (zh) | 术前目标平面的定位方法、装置及医学扫描成像设备 | |
| CN111445575A (zh) | 威利斯环的图像重建方法、装置、电子设备、存储介质 | |
| JP5364009B2 (ja) | 画像生成装置、画像生成方法、及びそのプログラム | |
| US20220044454A1 (en) | Deep reinforcement learning for computer assisted reading and analysis | |
| Larralde et al. | Evaluation of a 3D segmentation software for the coronary characterization in multi-slice computed tomography | |
| CN112766333B (zh) | 医学影像处理模型训练方法、医学影像处理方法及装置 | |
| Medina et al. | Left ventricle myocardium segmentation in multi-slice computerized tomography | |
| JP2023548041A (ja) | 医用画像において少なくとも１つの管状構造のセグメンテーション及び識別を行うための方法及びシステム | |
| CN115775219A (zh) | 医学图像分割方法、系统、电子设备及介质 | |
| CN107221009B (zh) | 一种腹主动脉分叉处的定位方法、装置、医学成像系统及存储介质 |
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 |