CN118134824A - 特征点选取方法、装置、电子设备及存储介质 - Google Patents
特征点选取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN118134824A CN118134824A CN202211526445.4A CN202211526445A CN118134824A CN 118134824 A CN118134824 A CN 118134824A CN 202211526445 A CN202211526445 A CN 202211526445A CN 118134824 A CN118134824 A CN 118134824A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- training
- model
- scanning
- 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
- 238000010187 selection method Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 106
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims description 121
- 230000010412 perfusion Effects 0.000 claims description 57
- 230000011218 segmentation Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 18
- 230000002792 vascular Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000011282 treatment Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 18
- 239000002872 contrast media Substances 0.000 description 16
- 210000004556 brain Anatomy 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000000302 ischemic effect Effects 0.000 description 6
- 239000000243 solution Substances 0.000 description 5
- 210000002551 anterior cerebral artery Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000002490 cerebral effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 210000003657 middle cerebral artery Anatomy 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 208000032382 Ischaemic stroke Diseases 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000010790 dilution Methods 0.000 description 2
- 239000012895 dilution Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012905 input function Methods 0.000 description 2
- 230000007654 ischemic lesion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000700 radioactive tracer Substances 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种特征点选取方法、装置、电子设备及存储介质。该方法包括:将待处理图像输入目标图像处理模型,得到目标血管区域,所述待处理图像为对感兴趣区域进行扫描后得到的图像;基于所述目标血管区域,确定目标特征点。采用本申请实施例有助于提高确定治疗方案的准确度。
Description
技术领域
本申请涉及医学图像处理技术领域,具体涉及一种特征点选取方法、装置、电子设备及存储介质。
背景技术
在缺血性脑卒中的电子计算机断层扫描灌注(Computed Tomography Perfusion,CTP)影像检查中,通常通过CTP灌注参数图(冠脉血流量(Coronary Blood Flow,CBF),脑血容量(Cerebral Blood Volume,CBV),达峰时间Tmax和平均通过时间(Mean Transit Time,MTT))来确定半暗带和梗死核心体积,以计算错配率,从而为医生确定治疗方案提供重要的决策支撑。
CTP灌注参数图是由CTP影像通过灌注理论模型计算得到的,通常所用的数学模型为基于示踪剂稀释理论构建的模型,这个模型中CBF、CBV等参数的计算是根据动脉输入函数(Arterial Input Function,AIF)曲线进行,从而AIF点的选定是计算灌注参数图非常关键的一步,因此,AIF点选择的准确对灌注参数图有非常大的影响。
根据缺血性脑卒中的发病机制和示踪剂稀释理论,AIF点应该选在缺血病灶对侧的大动脉血管(ACA、MCA的M1和M2段)。然而,目前AIF点是在整个CTP影像上进行选择,这样会导致AIF点选择在符合AIF特性的噪声点,对医生产生误导,从而影响治疗方案的确定。
发明内容
本申请实施例提供了一种特征点选取方法、装置、电子设备及存储介质,有助于提升治疗方案确定的准确性。
第一方面,本申请实施例提供一种特征点选取方法,所述方法包括:将待处理图像输入目标图像处理模型,得到目标血管区域,所述待处理图像为对感兴趣区域进行扫描后得到的图像;基于所述目标血管区域,确定目标特征点。
第二方面,本申请实施例提供一种特征点选取装置,所述装置包括:处理单元和确定单元,其中,所述处理单元,用于将待处理图像输入目标图像处理模型,得到目标血管区域,所述待处理图像为对感兴趣区域进行扫描后得到的图像;所述确定单元,用于基于所述目标血管区域,确定目标特征点。
第三方面,本申请实施例提供了一种电子设备,包括处理器、存储器及存储在所述存储器上的计算机程序或指令,所述处理器执行所述计算机程序或指令以实现本申请实施例第一方面中的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,其中,上述计算机可读存储介质存储用于电子数据交换的计算机程序,其中,上述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤的指令。
第五方面,本申请实施例提供了一种计算机程序产品,其中,上述计算机程序产品包括计算机程序,上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。
实施本申请实施例,具备如下有益效果:
可以看出,本申请实施例中所描述的特征点选取方法、装置、电子设备及存储介质,可通过目标图像处理模型确定待处理图像中的目标血管区域,并基于目标血管区域确定目标特征点,如此,从目标血管区域选取目标特征点,有助于防止目标特征点选在一些符合AIF特性的噪声点,提升治疗方案确定的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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他的附图。
图1是本申请实施例提供的一种特征点选取系统的示意图;
图2是本申请实施例提供的一种特征点选取方法的流程示意图;
图3A-图3D是本申请实施例提供的一种灌注图像的示意图;
图4是本申请实施例提供的另一种特征点选取方法的流程示意图;
图5是本申请实施例提供的一种特征点选取装置的功能单元组成框图;
图6是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结果或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
请参阅图1,图1是本申请实施例提供的一种特征点选取系统的示意图。特征点选取系统可以包括扫描设备101、网络102和电子设备103。网络102用以在扫描设备101和电子设备103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线通信链路、无线通信链路等等。
应该理解,图1中所示的扫描设备101、网络102和电子设备103的数目仅仅是示意性的。根据实现需要,可以具有任意数目的扫描设备101、网络102和电子设备103。
具体的,电子设备103可以是平板电脑、掌上电脑、笔记本电脑、移动互联网设备MID(Mobile Internet Devices,简称:MID)、穿戴式设备或扫描设备等,还可以是终端设备、服务器或者多个服务器组成的服务器集群等,在此不做限定。
扫描设备101可以是CT设备,也可以是其他具有扫描功能的设备。
扫描设备101可以将采集的图像等信息通过网络102上传给电子设备103,进而电子设备103可以对扫描设备101上传的图像等信息输入目标图像处理模型,得到目标血管区域,然后通过目标血管区域确定目标特征点。
请参阅图2,图2为本申请实施例提供的一种特征点选取方法的流程示意图。该方法可以应用于上述电子设备。该方法包括但不限于以下步骤内容:
步骤201、将待处理图像输入目标图像处理模型,得到目标血管区域。
其中,上述待处理图像可以是扫描设备101在多个扫描时刻对至少一个扫描层进行扫描后得到的图像。可以理解地,待处理图像为4D图像,其中一维是时间(即扫描时刻),其中一维是扫描层,另外两个维度为感兴趣区域的长和宽。
可选地,多个扫描时刻在时间上是连续的;多个时刻中的两两时刻之间的时间差可以是固定的,也可以是随机的。
可选地,感兴趣区域即为ROI(Region of Interest),比如可以是脑部的某一特定区域;扫描层即为需要进行CT灌注成像的层面。在本申请的实施例中,为了获得更多的图像,可以划分得到多个扫描层面,比如可以有37个扫描层面等。
可选地,待处理图像输入目标图像处理模型的方式可以是串行输入,也可以是并行输入,在此不做限定。也即是说,可以先输入一个扫描层对应的待处理图像,再输入下一扫描层对应的待处理图像,或者,也可以是所有扫描层对应的待处理图像一起输入目标图像处理模型。
可选地,在将待处理图像输入目标图像处理模型之前,对于某一扫描层对应的多个扫描时刻的图像进行预处理,即,按照扫描时刻从前往后的顺序,将某一扫描层对应的多个图像对应的矩阵进行合并,并对合并后的图像进行窗位窗宽处理,以得到该扫描层对应的待处理图像。
举例来说,扫描设备将感兴趣区域划分为3个扫描层(c1,c2以及c2),扫描时刻包括t1和t2;在t1和t2对c1层进行扫描得到的图像p1和p2,对c2层进行扫描得到的图像为p3和p4。电子设备获取图像P1、P2、P3以及P4,将图像p1对应的矩阵和图像p2对应的矩阵合并,得到图像p12;将图像p3对应的矩阵和图像p4对应的矩阵合并,得到图像p34;对c3层进行扫描得到的图像为p5和p6,将图像p5对应的矩阵和图像p6对应的矩阵合并,得到图像p56;随后将p12和p34以及p56分别进行窗位窗宽处理,并输入目标图像处理模型。
可选地,上述目标图像处理模型可以是现有的图像处理模型,也可以是对现有的图像处理模型进行改进后得到的模型,例如,图像处理模型是对现有的U-net模型进行改进后得到的,在此不做限定。
其中,上述目标血管区域可以是缺血病灶对侧的大动脉血管区域,即大脑前动脉(ACA)、大脑中动脉(MCA)的M1段和M2段。
步骤202、基于目标血管区域,确定目标特征点。
其中,上述目标特征点可以是AIF点。
根据血流动力学原理和颅内血管解剖学,AIF选取需要将AIF点选在健康测的指定的大动脉血管。通过本申请实施例提供的目标图像处理模型,可以从待处理图像中分割出目标血管所在的区域,降低了确定目标血管所需的时间,如此,从目标血管区域选取目标特征点,则提升了确定目标特征点的效率,此外,从目标血管区域选取目标特征点,有助于防止目标特征点选在一些符合AIF特性的噪声点,提升AIF确定的准确性,从而提升治疗方案确定的准确性。
在一个可能的示例中,在上述步骤201,将待处理图像输入目标图像处理模型,得到目标血管区域之前,上述方法还可以包括如下步骤:
步骤01、获取灌注图像;
步骤02、基于灌注图像,确定训练图像;
步骤03、采用训练图像对待训练模型进行训练,得到目标图像处理模型。
其中,上述灌注图像为注射造影剂后采用扫描设备101对感兴趣区域进行扫描得到的图像。如图3A所示,在造影剂未到达感兴趣区域时,灌注图像中的血管尚未显示,而在图3B-图3D中,在造影剂逐渐到达感兴趣区域时,灌注图像中的血管持续造影并呈高亮状态,直至造影剂离开(见图3B-图3D中框示)。
具体实现中,在造影剂逐渐到达感兴趣区域时,左右脑血管分布原本应该相对对称,图3B-图3D中只有一侧(以下简称“健康侧”)血管显影,是因为另外一侧(以下简称“缺血侧”)发生缺血性脑卒中,血管堵塞,所以会导致缺血侧血管完全不显影,或延迟显影,两种情况。
对于上述两种情况:(1)缺血侧血管完全不显影:造影剂在ti时刻到达,ti时刻健康侧血管持续造影,呈高亮,直至造影剂离开;对于缺血侧,则血管一直不显影,跟造影剂到达前差不多。(2)缺血侧血管延迟显影:造影剂在ti时刻到达,ti时刻健康侧血管持续造影,呈高亮,直至造影剂离开;对于缺血侧,血管在ti时刻稍后一两秒到达,血管开始显影,并持续显影直至造影剂离开。
因此,灌注图像应为注射造影剂后进行扫描得到的图像。注射造影剂后对感兴趣区域进行扫描,有助于对增强灌注图像的观察效果。
可以看出,本申请实施例中,由于灌注图像是对感兴趣区域进行扫描得到的图像,根据灌注图像确定待训练模型的训练图像,并采用训练图像对待训练模型进行训练,有助于确保目标图像处理模型对待处理图像的处理结果的准确性。
在一个可能的示例中,灌注图像是通过对感兴趣区域进行预处理得到的,预处理可以包括如下步骤:
步骤011、将感兴趣区域进行层划分,得到至少一个扫描层;
步骤012、在多个扫描时刻中的每个扫描时刻对至少一个扫描层进行扫描处理,得到每个扫描层在多个扫描时刻的扫描图像;
步骤013、将每个扫描层在多个扫描时刻的扫描图像确定为灌注图像。
其中,多个扫描时刻可以是在时间上连续不间断的多个时刻,也可以是间断的多个时刻,在此不做限定。
具体实现中,CT设备可以按照从下至上或者从上至下的规则将感兴趣区域分为一层或多层,在多个扫描时刻从下至上或者从上至下对每一扫描层进行扫描。
举例来说,分别在t1、t2、t3…ti…tn时刻对脑部的m个扫描层进行CT扫描(m、n均为大于1的正整数)。在ti时刻完成m个扫描层的扫描后,再开始ti+1时刻对m个扫描层的扫描。在完成n个扫描时刻对m个扫描层的扫描后,将获得的n*m个扫描图像确定为灌注图像。
可以看出,本申请实施例中,对感兴趣区域进行层划分,并在多个扫描时刻分别对每一扫描层进行扫描,将得到的扫描图像确定为灌注图像,如此,有助于增加灌注图像包含的信息量,从而增加训练图像包含的信息量,有助于提高目标图像处理模型对待处理图像的处理结果的准确性。
在一个可能的示例中,上述步骤02,基于灌注图像,确定训练图像,可以包括如下步骤:
步骤021、对灌注图像进行常规窗处理,得到第一待处理图像,常规窗处理的窗位和窗宽是基于感兴趣区域确定的;
步骤022、对灌注图像进行预设窗处理,得到第二待处理图像,预设窗处理的窗位和窗宽是预设的;
步骤023、对第一待处理图像和第二待处理图像分别进行图像处理,得到第一待拼接图像和第二待拼接图像,第一待处理图像与第一待拼接图像对应,第二待处理图像与第二待拼接图像对应;
步骤024、对第一待拼接图像和第二待拼接图像进行拼接处理,得到训练图像,其中,进行拼接处理的第一待拼接图像和第二待拼接图像对应的扫描时刻相同且对应的扫描层相同。
其中,窗宽是灌注图像上显示的CT值范围,在此CT值范围内的组织和病变均以不同的模拟灰度显示。
其中,窗位是窗的中心位置或均值,同样的窗宽,由于窗位不同,其所包括CT值范围的CT值也有差异。例如,窗宽同为100H,当窗位为0H时,其CT值范围为-50~+50H;如窗位为+35H时,则CT值范围为-15~+85H。
通常,不同部位对应的窗位不同,欲观察某一组织结构及发生的病变,应以该组织的CT值为窗位。如脑质CT值约为+35H,则观察脑组织及其病变时,选择窗位以+35H为妥。
其中,上述常规窗处理的窗位和窗宽是基于感兴趣区域确定的。例如,脑部有脑部对应的窗位窗宽,四肢有四肢对应的窗位窗宽。进行常规窗处理,意在将灌注图像中尽可能多的像素点在第一待处理图像中呈现,使得第一待处理图像包括的信息较为全面。对灌注图像进行常规窗处理,即对灌注图像中所有像素点的像素值进行窗处理。
其中,上述预设窗处理的窗位和窗宽是预设的。进行预设窗处理,即根据血管造影的特征再用一个适用于造影剂显影的窗位窗宽,意在呈现灌注图像中的血管对应的像素点,使得第二待处理图像包括的血管信息更为具体。由于灌注图像中的血管在造影剂的作用下呈高亮的效果,血管的像素点的像素值范围为80-200左右,因此,预设窗处理中的窗位和窗宽是基于80-200确定的,例如,窗位为150、窗宽为100;又如,窗位为140、窗宽为120。
其中,上述图像处理可以是缩放处理,例如对第一待处理图像和/或第二待处理图像进行放大或缩小。其中,缩放处理的缩放范围是预设的,例如可以是0-255。缩放处理使得第一待拼接图像和第二待拼接图像对应的尺寸相同。
其中,进行拼接处理的第一待拼接图像和第二待拼接图像的尺寸相同,且对应的扫描时刻相同、对应的扫描层相同。
其中,上述拼接处理是对第一待拼接图像和第二待拼接图像进行对应通道的合并。举例来说,图像1和图像2的通道均包括(x,y,z,t,1),将这两份数据拼接到一起,得到一个通道为(x,y,z,t,2)的图像。将图像1和图像2进行拼接,相当于将两个包含不同信息的相同大小的矩阵合并,得到一个包含更多信息的矩阵。因此拼接后得到的图像(训练图像)包含更多信息。
可选地,在采用训练图像对待训练模型进行训练之前,对于某一扫描层对应的多个扫描时刻的图像进行预处理,即,按照扫描时刻从前往后的顺序,将某一扫描层对应的多个图像对应的矩阵进行合并,并对合并后的图像进行窗位窗宽处理,以得到该扫描层对应的训练图像。
具体实现中,对灌注图像A分别进行常规窗处理和预设窗处理,得到第一待处理图像A1和第二待处理图像A2,对第一待处理图像A1和第二待处理图像A2进行缩放处理,得到第一待拼接图像A1’和第二待拼接图像A2’。对第一待拼接图像A1’和第二待拼接图像A2’进行拼接,得到灌注图像A对应的训练图像。对多个灌注图像重复执行上述操作,即可得到多个灌注图像各自对应的训练图像。
可以看出,本申请实施例中,对灌注图像分别进行常规窗处理和预设窗处理,得到第一待处理图像和第二待处理图像,第一待处理图像中包括的信息较为全面,第二待处理图像中包括的信息较为具体;对第一待处理图像和第二待处理图像分别进行图像处理,得到第一待拼接图像和第二待拼接图像,对第一待拼接图像和第二待拼接图像进行拼接处理,得到训练图像;如此,有助于在训练图像中涵盖更多图像信息,兼顾图像信息的全面和具体,从而有助于提高目标图像处理模型对待处理图像的处理结果的准确性。
在一个可能的示例中,上述步骤03,采用训练图像对待训练模型进行训练,得到目标图像处理模型,可以包括如下步骤:
步骤031、在训练图像中确定目标训练图像,目标训练图像对应的扫描层相同;
步骤032、将目标训练图像输入待训练模型,得到当前损失值;
步骤033、在当前损失值大于预设阈值的情况下,基于当前损失值对待训练模型进行更新,以及利用训练图像中除目标训练图像之外的训练图像更新目标训练图像;
步骤034、直至在当前损失值小于或等于预设阈值的情况下,得到待优化图像处理模型,以及基于待优化图像处理模型,确定目标图像处理模型。
其中,上述预设阈值可以是预先存储于本地设备中的,也可以是本地设备向另一设备获取的,在此不做限定。预设阈值可以是研发人员根据经验值设定的,也可以是根据应用场景的变化、感兴趣区域的不同而变化的,在此不做限定。
其中,目标训练图像对应的灌注图像为在多个扫描时刻中分别对某一扫描层进行扫描得到的图像。也即是说,对当前次的模型训练过程而言,目标训练图像对应的扫描层是相同的。进一步地,模型训练需要经过至少一次模型训练过程,每一次模型训练过程使用的目标训练图像对应的扫描层均不同。对于当前次的模型训练,目标训练图像对应的扫描层可以是随机选择的,也可以是基于从上到下(或者从下至上)的扫描层选择的(例如,先选择第一扫描层对应的训练图像对待训练模型进行训练,再选择第二扫描层对应的训练图像对待训练模型进行训练,以此类推),在此不做限定。
举例来说,若感兴趣区域为脑部,将脑部划分为4层(c1,c2,c3以及c4),扫描时刻包括3个时刻(t1,t2,t3)。在t1时刻对c1、c2、c3以及c4进行扫描,得到4张灌注图像(p1,p2,p3以及p4),t2时刻对c1、c2、c3以及c4进行扫描,得到4张灌注图像(p5,p6,p7以及p8),以及在t3时刻对c1、c2、c3以及c4进行扫描,得到4张灌注图像(p9,p10,p11以及p12)。根据灌注图像p1确定训练图像x1,根据灌注图像p2确定训练图像x2,根据灌注图像p3确定训练图像x3……以此类推,根据12张灌注图像确定出12张训练图像。可以理解,扫描层c1对应的训练图像包括x1、x5、x9,扫描层c2对应的训练图像包括x2、x6、x10,扫描层c3对应的训练图像包括x3、x7、x11,扫描层c4对应的训练图像包括x4、x8、x12。对当前次的模型训练过程而言,目标训练图像为x1、x5、x9,x2、x6、x10,x3、x7、x11以及x3、x7、x11中的至少一组。
具体实现中,在多个扫描层各自对应的训练图像中选择某一扫描层(以下简称“第j扫描层”)对应的训练图像,作为当前次的模型训练过程的训练图像(即目标训练图像)。将目标训练图像输入待训练模型,得到当前次的模型训练过程对应的损失值(即当前损失值)。
可以理解地,每一次模型训练过程均有其各自对应的损失值,在对待训练模型进行训练的过程中,应使损失值不断减小,以完成待训练模型的训练。因此,在当前损失值大于预设阈值的情况下,根据当前损失值对待训练模型进行更新,并利用训练图像中除目标训练图像之外的训练图像更新目标训练图像,也即是说,在第j扫描层以外的扫描层对应的训练图像中,选择某一扫描层对应的训练图像作为目标训练图像,再次对待训练模型进行训练,直至当前损失值小于或等于预设阈值。在当前损失值小于或等于预设阈值的情况下,将当前次的模型训练过程得到的待训练模型确定为待优化图像处理模型,并基于待优化图像处理模型确定目标图像处理模型。
可以看出,本申请实施例中,在训练图像中确定目标训练图像,目标训练图像对应的扫描层相同,并将目标训练图像输入待训练模型,得到当前损失值,在当前损失值大于预设阈值的情况下,基于当前损失值对待训练模型进行更新,以及利用训练图像中除目标训练图像之外的训练图像更新目标训练图像,直至在当前损失值小于或等于预设阈值的情况下,得到待优化图像处理模型,以及基于待优化图像处理模型,得到目标图像处理模型;如此,利用不同扫描层在多个扫描时刻对应的训练图像对待训练模型进行多次训练,并通过当前损失值对模型训练过程进行监督,有助于减小目标图像处理模型的计算误差,提高通过目标图像处理模型确定目标血管区域的速度和准确度。
在一个可能的示例中,待训练模型包括特征提取模块、分类模块和分割模块;上述步骤032,将目标训练图像输入待训练模型,得到当前损失值,可以包括如下步骤:
步骤0321、将目标训练图像输入特征提取模块,输出特征图;
步骤0322、将特征图输入分类模块,输出分类结果,以及将特征图输入分割模块,输出分割结果;
步骤0323、基于分类结果和目标训练图像对应的分类标签,得到第一损失值,以及基于分割结果和目标训练图像对应的分割标签,得到第二损失值;
步骤0324、基于第一损失值和第二损失值,得到当前损失值。
其中,上述待训练模型为改进后的U-Net模型。在现有的U-Net模型的基础上,添加与分割模块并列的分类模块,得到待训练模型。其中,待训练模型中的特征提取模块对应U-Net模型中的编码模块,分割模块对应U-Net模型中的解码模块,分类模块与分割模块并行执行,分类模块依次包括自适应平均池化层、第一全连接层(256层)、第二全连接层(2层)和softmax函数。
在待训练模型中,分割模块和分类模块并行对特征图进行处理,分类模块输出分类结果,分割模块对应分割结果,如此,有助于加强原有的U-Net模型分割任务的监督,且待训练模型的图像处理精确度比原有的U-Net模型的精确度高,同时,改进后的U-Net模型将图像分割和图像分类两个任务合并,同时满足了分割和分类功能,降低了计算复杂度,亦有助于提升图像处理的速度。
其中,特征提取模块对目标训练图像进行4次下采样,输出特征图,特征图数量是预设的,每张特征图的尺寸为16x16。
其中,上述分类标签和分割标签是对在预设时段内扫描到的训练图像的目标血管区域进行标记得到的。每一训练图像均有其对应的分类标签和分割标签。其中,预设时段的起始时刻为造影剂到达血管的时刻,预设时段的时长是预设的。目标血管区域包括ACA和MCA的M1和M2段。
其中,当前损失值的计算方式可以是将第一损失值和第二损失值相加。
举例来说,训练图像的数据量为:扫描层的层数*通道数*256*256,其中256*256为图像尺寸。假设将感兴趣区域分为16层,且预设时段时长为30秒,每秒作为一个扫描时刻,则通道数为30,层数为16,数据量为16*30*256*256,每次输入到模型的数据量为30*256*256。分别从待训练模型的分类模块和分割模块得到分类结果和分割结果,根据分类结果和分类标签计算第一损失值loss_cls,根据分割结果和分割标签计算第二损失值loss_seg,然后将两个损失值相加得到当前损失值loss=loss_cls+loss_seg,并对总损失值进行反向传播,计算梯度,更新待训练模型的权值,新的权值使得下一轮的loss更小,然后进行下一轮的训练,随着训练迭代,loss不断减小,当loss小于预设阈值或者不再减小时,可以认为待训练模型训练完成。
可以看出,本申请实施例中,通过待训练模型的特征提取模块、分类模块和分割模块对目标训练图像进行处理,输出目标训练图像对应的分类结果和分割结果,并根据分类结果和分类标签确定第一损失值,根据分割结果和分割标签确定第二损失值,根据第一损失值和第二损失值得到当前损失值,通过当前损失值对模型训练过程进行监督,如此,有助于加强原有的U-Net模型分割任务的监督,且待训练模型的图像处理精确度比原有的U-Net模型的精确度高,同时,改进后的U-Net模型将图像分割和图像分类两个任务合并,同时满足了分割和分类功能,降低了计算复杂度,亦有助于提升图像处理的速度。此外,通过损失值对模型训练进行监督还有助于减小目标图像处理模型的计算误差,提高通过目标图像处理模型确定目标血管区域的速度和准确度。
在一个可能的示例中,上述步骤034,基于待优化图像处理模型,确定目标图像处理模型,可以包括如下步骤:
步骤0341、将待优化图像处理模型中的分类模块去除,得到目标图像处理模型。
可以理解,训练完成的待训练模型即为待优化图像处理模型,待优化图像处理模型中仍包括特征提取模块、分类模块和分割模块。经过模型训练,待优化图像处理模型已经具备图像分割和图像分类功能,因此,可以将模型将待优化图像处理模型中的分类模块去除,得到目标图像处理模型。如此,有助于简化目标图像处理模型的结构,有助于降低模型运算复杂度。
在一个可能的示例中,上述步骤202,基于目标血管区域,确定目标特征点,可以包括如下步骤:
步骤2021、确定目标血管区域中每一像素点的时间浓度曲线;
步骤2022、对每一像素点的时间浓度曲线进行特征提取,得到每一像素点的曲线特征;
步骤2023、基于每一像素点的曲线特征,在目标血管区域中确定目标特征点。
其中,上述时间浓度曲线是指以时间为横坐标,以CT值为纵坐标绘出的曲线。
其中,上述曲线特征包括以下至少一种:曲线峰值、曲线开始增长时刻、曲线达峰时刻和曲线半波宽度等。
具体实现中,对每一像素点的时间浓度曲线进行平滑处理,并对处理后的时间浓度曲线进行特征提取,得到每一像素点的至少一种曲线特征,并分别针对每一种曲线特征构建对应的特征排序表,在特征排序表中对同种曲线特征按照预设规则进行排序。例如,按照从小到大的顺序对曲线峰值进行排序,按照从大到小的顺序对曲线开始增长时刻、曲线达峰时刻、曲线半波宽度进行排序,曲线峰值对应的特征排序表为第一特征排序表,曲线开始增长时刻对应的特征排序表为第二特征排序表,曲线达峰时刻对应的特征排序表为第三特征排序表,曲线半波宽度对应的特征排序表为第四特征排序表。根据第一特征排序表、第二特征排序表、第三特征排序表和第四特征排序表,计算每一像素点对应的特征值名次总和,并将特征值名次总和最小的5个点确定为目标特征点。
例如,像素点a在第一特征排序表中的名次为1、在第二特征排序表中的名次为2、在第三特征排序表中的名次为1,在第四特征排序表中的名次为3,则像素点a的特征值名次总和为7。以此类推,计算出目标血管区域中每个像素点的特征值名次总和,并将特征值名次总和最小的5个点确定为目标特征点。
进一步地,若有两个或两个以上的像素点的特征值名次总和相同,则可将特征值名次总和相同的像素点都确定为目标特征点,或者生成相应的提示信息,请求用户进行处理。
可以看出,本申请实施例中,对目标血管区域中每一像素点的时间浓度曲线进行特征提取,得到每一像素点的曲线特征,并根据每一像素点的曲线特征确定目标特征点,如此,相较于在整个待处理图像中选取目标特征点的方案,在目标血管区域中选取目标特征点,有助于减少选取目标特征点的时间,且有助于提高选取目标特征点的准确度。
与上述实施例一致地,请参阅图4,图4是本申请实施例提供的另一种特征点选取方法的流程示意图,应用于上述电子设备,本特征点选取方法包括:
步骤401、获取灌注图像;
步骤402、基于灌注图像,确定训练图像;
步骤403、采用训练图像对待训练模型进行训练,得到目标图像处理模型;
步骤404、将待处理图像输入目标图像处理模型,得到目标血管区域,待处理图像为对感兴趣区域进行扫描后得到的图像;
步骤405、基于目标血管区域,确定目标特征点。
其中,上述步骤401-步骤405的具体描述可以参照上述图2所描述的特征点选取方法的相应步骤,在此不再赘述。
可以看出,本申请实施例中所描述的特征点选取方法,可根据灌注图像确定待训练模型的训练图像,并采用训练图像对待训练模型进行训练,得到目标图像处理模型,且通过目标图像处理模型确定待处理图像中的目标血管区域,并基于目标血管区域确定目标特征点,如此,有助于确保目标图像处理模型对待处理图像的处理结果的准确性,提高确定目标血管区域的速度和准确度,从而提高选取目标特征点的速度和准确度。
与上述实施例一致地,请参阅图5,图5为本申请实施例提供的一种特征点选取装置的功能单元组成框图。特征点选取装置500包括:处理单元501和确定单元502,其中,
处理单元501,用于将待处理图像输入目标图像处理模型,得到目标血管区域,待处理图像为对感兴趣区域进行扫描后得到的图像;
确定单元502,用于基于目标血管区域,确定目标特征点。
在一个可能的示例中,特征点选取装置500还可以包括:获取单元503和训练单元504(图未示出),其中,
获取单元503,用于获取灌注图像;
确定单元502,用于基于灌注图像,确定训练图像;
训练单元504,用于采用训练图像对待训练模型进行训练,得到目标图像处理模型。
需要说明的是,上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述,在此不再赘述。
与上述实施例一致地,请参阅图6,图6为本申请实施例提供的一种电子设备的结构示意图。如图所示,该电子设备包括处理器、存储器、通信接口及存储在存储器上的计算机程序或指令,其中,上述计算机程序或指令被存储在上述存储器中,并且被配置为由上述处理器执行,例如执行上述实施例中所述的方法。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括计算机程序,上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。计算机程序产品应当理解为主要通过计算机程序实现其解决方案的软件产品。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (11)
1.一种特征点选取方法,其特征在于,所述方法包括:
将待处理图像输入目标图像处理模型,得到目标血管区域,所述待处理图像为对感兴趣区域进行扫描后得到的图像;
基于所述目标血管区域,确定目标特征点。
2.根据权利要求1所述的方法,其特征在于,在所述将待处理图像输入目标图像处理模型,得到目标血管区域之前,所述方法还包括:
获取灌注图像;
基于所述灌注图像,确定训练图像;
采用所述训练图像对待训练模型进行训练,得到所述目标图像处理模型。
3.根据权利要求2所述的方法,其特征在于,所述灌注图像是通过对所述感兴趣区域进行预处理得到的,所述预处理包括:
将所述感兴趣区域进行层划分,得到至少一个扫描层;
在多个扫描时刻中的每个扫描时刻对所述至少一个扫描层进行扫描处理,得到每个所述扫描层在所述多个扫描时刻的扫描图像;
将每个所述扫描层在所述多个扫描时刻的扫描图像确定为所述灌注图像。
4.根据权利要求3所述的方法,其特征在于,所述基于所述灌注图像,确定训练图像,包括:
对所述灌注图像进行常规窗处理,得到第一待处理图像,所述常规窗处理的窗位和窗宽是基于所述感兴趣区域确定的;
对所述灌注图像进行预设窗处理,得到第二待处理图像,所述预设窗处理的窗位和窗宽是预设的;
对所述第一待处理图像和所述第二待处理图像分别进行图像处理,得到第一待拼接图像和第二待拼接图像,所述第一待处理图像与所述第一待拼接图像对应,所述第二待处理图像与所述第二待拼接图像对应;
对所述第一待拼接图像和所述第二待拼接图像进行拼接处理,得到所述训练图像,其中,进行所述拼接处理的第一待拼接图像和第二待拼接图像对应的扫描时刻相同且对应的扫描层相同。
5.根据权利要求3或4所述的方法,其特征在于,所述采用所述训练图像对待训练模型进行训练,得到所述目标图像处理模型,包括:
在所述训练图像中确定目标训练图像,所述目标训练图像对应的扫描层相同;
将所述目标训练图像输入所述待训练模型,得到当前损失值;
在所述当前损失值大于预设阈值的情况下,基于所述当前损失值对所述待训练模型进行更新,以及利用所述训练图像中除所述目标训练图像之外的训练图像更新所述目标训练图像;
直至在所述当前损失值小于或等于所述预设阈值的情况下,得到待优化图像处理模型,以及基于所述待优化图像处理模型,确定所述目标图像处理模型。
6.根据权利要求5所述的方法,其特征在于,所述待训练模型包括特征提取模块、分类模块和分割模块;所述将所述目标训练图像输入所述待训练模型,得到当前损失值,包括:
将所述目标训练图像输入所述特征提取模块,输出特征图;
将所述特征图输入所述分类模块,输出分类结果,以及将所述特征图输入所述分割模块,输出分割结果;
基于所述分类结果和所述目标训练图像对应的分类标签,得到第一损失值,以及基于所述分割结果和所述目标训练图像对应的分割标签,得到第二损失值;
基于所述第一损失值和所述第二损失值,得到所述当前损失值。
7.根据权利要求6所述的方法,其特征在于,所述基于所述待优化图像处理模型,确定所述目标图像处理模型,包括:
将所述待优化图像处理模型中的分类模块去除,得到所述目标图像处理模型。
8.根据权利要求1-7任一项所述的方法,其特征在于,所述基于所述目标血管区域,确定目标特征点,包括:
确定所述目标血管区域中每一像素点的时间浓度曲线;
对所述每一像素点的时间浓度曲线进行特征提取,得到所述每一像素点的曲线特征;
基于所述每一像素点的曲线特征,在所述目标血管区域中确定所述目标特征点。
9.一种特征点选取装置,其特征在于,包括:
处理单元,用于将待处理图像输入目标图像处理模型,得到目标血管区域,所述待处理图像为对感兴趣区域进行扫描后得到的图像;
确定单元,用于基于所述目标血管区域,确定目标特征点。
10.一种电子设备,其特征在于,包括通信接口、处理器、存储器及存储在所述存储器上的计算机程序或指令,所述处理器执行所述计算机程序或指令以实现权利要求1-8任一项所述方法的步骤。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序或指令,所述计算机程序或指令被处理器执行时实现权利要求1-8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211526445.4A CN118134824A (zh) | 2022-12-01 | 2022-12-01 | 特征点选取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211526445.4A CN118134824A (zh) | 2022-12-01 | 2022-12-01 | 特征点选取方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118134824A true CN118134824A (zh) | 2024-06-04 |
Family
ID=91234329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211526445.4A Pending CN118134824A (zh) | 2022-12-01 | 2022-12-01 | 特征点选取方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118134824A (zh) |
-
2022
- 2022-12-01 CN CN202211526445.4A patent/CN118134824A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021027571A1 (zh) | 基于人工智能的医学图像处理方法、医学设备和存储介质 | |
CN109409503B (zh) | 神经网络的训练方法、图像转换方法、装置、设备及介质 | |
CN110070540B (zh) | 图像生成方法、装置、计算机设备及存储介质 | |
CN107145756A (zh) | 一种脑卒中类型预测方法以及装置 | |
CN112308846B (zh) | 血管分割方法、装置及电子设备 | |
CN111899244B (zh) | 图像分割、网络模型的训练方法及装置,及电子设备 | |
CN113034507A (zh) | 基于ccta影像的冠状动脉三维分割方法 | |
CN113256670A (zh) | 图像处理方法及装置、网络模型的训练方法及装置 | |
CN111292322B (zh) | 医学图像处理方法、装置、设备及存储介质 | |
Dong et al. | Identifying carotid plaque composition in MRI with convolutional neural networks | |
CN117036530B (zh) | 基于跨模态数据的冠状动脉血流储备分数预测方法及装置 | |
WO2019224800A1 (en) | Method and system for simulating and constructing original medical images from one modality to other modality | |
Souza et al. | End-to-end bone age assessment with residual learning | |
CN111862259B (zh) | 医学灌注图像处理方法和医学成像设备 | |
CN112750110A (zh) | 基于神经网络对肺部病灶区进行评估的评估系统和相关产品 | |
CN116778486A (zh) | 一种血管造影图像的点云分割方法、装置、设备及介质 | |
CN118134824A (zh) | 特征点选取方法、装置、电子设备及存储介质 | |
CN112884706B (zh) | 一种基于神经网络模型的图像评估系统和相关产品 | |
Liu et al. | Multislice left ventricular ejection fraction prediction from cardiac MRIs without segmentation using shared SptDenNet | |
CN112634224A (zh) | 基于目标影像的病灶检测方法和装置 | |
CN112446893A (zh) | 肝脏图像的轮廓分割方法和装置 | |
JP2015100657A (ja) | 情報処理装置及び方法 | |
CN115272165B (zh) | 图像的特征提取方法、图像分割模型的训练方法和装置 | |
CN115439492A (zh) | 图像分割模型的训练方法、装置、计算机设备及存储介质 | |
CN115100222B (zh) | 分离动静脉血管的图像处理方法、装置、存储介质及终端 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |