WO2022000976A1 - 基于深度学习获取主动脉的方法和存储介质 - Google Patents

基于深度学习获取主动脉的方法和存储介质 Download PDF

Info

Publication number
WO2022000976A1
WO2022000976A1 PCT/CN2020/132796 CN2020132796W WO2022000976A1 WO 2022000976 A1 WO2022000976 A1 WO 2022000976A1 CN 2020132796 W CN2020132796 W CN 2020132796W WO 2022000976 A1 WO2022000976 A1 WO 2022000976A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
center
layer
aorta
circle
Prior art date
Application number
PCT/CN2020/132796
Other languages
English (en)
French (fr)
Inventor
冯亮
刘广志
王之元
Original Assignee
苏州润迈德医疗科技有限公司
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
Priority claimed from CN202010606963.1A external-priority patent/CN111815587A/zh
Priority claimed from CN202010606964.6A external-priority patent/CN111815588B/zh
Application filed by 苏州润迈德医疗科技有限公司 filed Critical 苏州润迈德医疗科技有限公司
Priority to JP2022579901A priority Critical patent/JP2023532268A/ja
Priority to EP20943267.3A priority patent/EP4174760A1/en
Priority to CN202080100603.2A priority patent/CN115769252A/zh
Publication of WO2022000976A1 publication Critical patent/WO2022000976A1/zh
Priority to US18/089,694 priority patent/US20230260133A1/en

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • 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
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • 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
    • G06T2207/30008—Bone
    • G06T2207/30012—Spine; Backbone
    • 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
    • G06T2207/30061—Lung
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

一种基于深度学习获取主动脉的方法和存储介质，所述方法包括：获取主动脉层的切片数据库与非主动脉层的切片数据库（S100）；分别对主动脉层的切片数据库和非主动脉层的切片数据库进行深度学习，获得深度学习模型（S200）；获取待处理的CT序列图像或CT序列图像的三维数据（S300）；提取待处理的CT序列图像或CT序列图像的三维数据的特征数据（S400）；根据深度学习模型、特征数据从CT序列图像中获取主动脉图像（S500）。依据特征数据和数据库获取深度学习模型，通过深度学习模型获取主动脉图像，具有提取效果好，鲁棒性高的优点，计算结果准确，在临床上具有较高的推广价值。

Description

基于深度学习获取主动脉的方法和存储介质 技术领域
本发明涉及冠状动脉医学技术领域，特别是涉及基于深度学习获取主动脉的方法和存储介质。
背景技术
心血管疾病是工业化世界中的死亡的首要原因。主要形式的心血管疾病由脂肪物质在供应心脏、大脑、肾脏和下肢的动脉的内组织层中的慢性积聚引起。进行性冠状动脉疾病限制到心脏的血流。由于缺少通过当前的非侵入式测试提供的准确信息，许多患者需要侵入式导管流程来评价冠脉血流。因此，存在对于量化人类冠状动脉中的血流以评价可能的冠状动脉疾病的功能意义的非侵入式方法的需求。对动脉容量的可靠评价因此对于解决患者需求的处置规划将是重要的。最近的研究已经证明，血流动力学特性，诸如血流储备分数(FFR)，是确定针对具有动脉疾病的患者的最佳处置的重要指示器。对血流储备分数的常规评价使用侵入式导管插入术来直接测量血流特性，诸如压力和流速。然而，这些侵入式测量技术对患者存在风险，并且对健康护理系统可以导致显著的成本。
计算机断层摄影动脉血管造影是一种用于对动脉血管进行可视化的计算机断层摄影技术。出于该目的，X射线的射束从辐射源穿过患者的身体中的感兴趣区域以获得投影图像。
现有技术中采用经验值获取主动脉图像存在人为因素多，一致性差，提取速度慢的问题。
发明内容
本发明提供了一种基于深度学习获取主动脉的方法和存储介质，以解决现 有技术中采用经验值获取主动脉图像存在人为因素多，一致性差，提取速度慢的问题。
为实现上述目的，第一方面，本申请提供了一种基于深度学习获取主动脉的方法，包括：
获取主动脉层的切片数据库与非主动脉层的切片数据库；
分别对所述主动脉层的切片数据库和所述非主动脉层的切片数据库进行深度学习，获得深度学习模型；
获取待处理的CT序列图像或CT序列图像的三维数据；
提取待处理的所述CT序列图像或CT序列图像的三维数据的特征数据；
根据所述深度学习模型、所述特征数据从所述CT序列图像中获取主动脉图像。
可选地，上述的基于深度学习获取主动脉的方法，所述获取主动脉层的切片数据库与非主动脉层的切片数据库的方法包括：
从所述CT图像上去除肺部、降主动脉、脊椎、肋骨的新图像；
从所述新图像的顶层开始切片，得到二维图像组；
对所述二维图像组进行二值化处理，得到二值化图像组；
根据每组所述二值化图像生成主动脉图像；
根据所述主动脉图像生成主动脉层的切片数据，剩余的切片数据则为非主动脉层的切片数据，获得主动脉层的切片数据库与非主动脉层的切片数据库。
可选地，上述的基于深度学习获取主动脉的方法，所述对所述二维图像组进行二值化处理，得到二值化图像组的方法包括：
设置冠脉树灰度阈值Q 冠1；根据
Figure PCTCN2020132796-appb-000001
对去除肺部、降主动脉、脊椎、肋骨的新图像的每一层的切片均进行二值化处理，去除所述新图像中的杂质点，得到所述二值化图像组；
其中，m为正整数，Q m表示第m个像素点PO对应的灰度值，P(m)表示第m个像素点PO对应的像素值。
可选地，上述的基于深度学习获取主动脉的方法，所述根据每组所述二值化图像生成主动脉图像的方法包括：
为所述二值化图像组中的每层所述切片建立一张搜索引擎列表；
搜索每层切片的圆，比较每层所述搜索引擎列表中的像素点的个数和圆的半径，找到符合条件的圆心点；
如果无法找到符合条件的圆心点，则搜索下一层的切片的圆心点。
可选地，上述的基于深度学习获取主动脉的方法，所述从所述CT图像上去除肺部、降主动脉、脊椎、肋骨的新图像的方法包括：
获取CT序列图像的三维数据库；
绘制每组所述CT序列图像的灰度直方图；
沿着所述灰度直方图的终点M至原点O方向，依次获取M点至M-1点，M点至M-2点，直至获取到M点至O点的各灰度值区域的体积；获取各灰度值区域的体积与M点至O点的总区域的体积占比V；
根据医学知识以及CT图像成像原理，设置肺部灰度阈值Q 肺；如果所述灰度直方图中的灰度值小于Q 肺，则去除灰度值对应的图像，得到去除肺部组织的第一图像；
根据所述第一图像获取每组CT序列图像对应的心脏重心和脊椎重心；
根据所述心脏重心和所述脊椎重心获取每组CT序列图像的降主动脉图像；
从所述CT图像上去除肺部、降主动脉、脊椎、肋骨，获取新图像。
可选地，上述的基于深度学习获取主动脉的方法，所述根据所述第一图像获取每组CT序列图像对应的心脏重心和脊椎重心的方法包括：
如果V＝b，则拾取所述灰度值区域对应的起始点，将所述起始点投射到所述CT三维图像上，获取心脏区域三维图像，拾取所述心脏区域三维图像的物理重心，即为心脏重心P 2；其中，b表示常数，0.2＜b＜1；
如果V＝a，则拾取所述灰度值区域对应的起始点，将所述起始点投射到所述CT三维图像上，获取骨头区域三维图像，拾取所述骨头区域三维图像的物理重心，即为脊椎重心P 1；其中，a表示常数，0＜a＜0.2。
可选地，上述的基于深度学习获取主动脉的方法，所述根据所述心脏重心和所述脊椎重心获取每组CT序列图像的降主动脉图像的方法包括：
根据医学知识以及CT图像成像原理，设置肺部灰度阈值Q 肺；
如果所述灰度直方图中的灰度值小于Q 肺，则去除所述灰度值对应的图像，得到去除肺部组织的第一图像；
将所述心脏重心P 2投影到所述第一图像上，获得心脏的圆心O 1；
设置所述降主动脉灰度阈值Q 降，对所述第一图像进行二值化处理；
根据所述降主动脉与心脏圆心O 1的距离，以及所述脊椎与所述心脏圆心O 1的距离，获取降主动脉对应的圆；
从所述CT图像上获取主动脉图像。
可选地，上述的基于深度学习获取主动脉的方法，所述设置所述降主动脉灰度阈值Q 降，对所述第一图像进行二值化处理的方法包括：
获取所述第一图像内的灰度值大于所述降主动脉灰度阈值Q 降的像素点PO，计算所述像素点PO的平均灰度值
Figure PCTCN2020132796-appb-000002
从所述第一图像的底层开始分层切片，得到第一二维切片图像组；
根据
Figure PCTCN2020132796-appb-000003
对所述第一图像进行二值化处理，去除所述第一图像中的杂质点，得到二值化图像，其中，k为正整数，Q k表示第k个像素点PO对应的灰度值，P(k)表示第k个像素点PO对应的像素值。
可选地，上述的基于深度学习获取主动脉的方法，所述根据所述降主动脉与心脏圆心O 1的距离，以及所述脊椎与所述心脏圆心O 1的距离，获取所述降主动脉对应的圆的方法包括：
设置所述降主动脉至所述心脏边缘构成的圆的半径阈值为r 阈；
根据所述降主动脉与所述心脏的距离小于所述脊椎与所述心脏的距离，获取所述脊椎的大致区域与所述降主动脉的大致区域；
根据所述降主动脉的大致区域，去除误差像素点，获得所述降主动脉图像，即为所述降主动脉对应的圆。
可选地，上述的基于深度学习获取主动脉的方法，所述根据所述降主动脉与所述心脏的距离小于所述脊椎与所述心脏的距离，获取所述脊椎的大致区域与所述降主动脉的大致区域的方法包括：
如果霍夫检测算法获得圆的半径r＞r 阈，则此圆是脊椎对应的圆，不对此圆的圆心和半径进行记录，即为所述脊椎的大致区域；
如果霍夫检测算法获得圆的半径r≤r 阈，则此圆可能是降主动脉对应的圆，记录此圆的圆心和半径，即为降主动脉的大致区域。
可选地，上述的基于深度学习获取主动脉的方法，所述根据所述降主动脉的大致区域，去除误差像素点，获得所述降主动脉图像，即为所述降主动脉对应的圆的方法包括：
对所述降主动脉的大致区域内的所述圆的圆心和半径进行筛选，去除相邻切片之间圆心偏离较大的圆，即去除误差像素点，形成降主动脉的种子点列表， 获得所述降主动脉图像。
可选地，上述的基于深度学习获取主动脉的方法，所述提取待处理的所述CT序列图像或CT序列图像的三维数据的特征数据的方法包括：
绘制待处理的所述CT序列图像的灰度直方图；
获取灰度值大于Q 降的像素点的平均灰度值
Figure PCTCN2020132796-appb-000004
对所述CT序列图像进行分层切片，得到二维切片图像组；
根据所述平均灰度值
Figure PCTCN2020132796-appb-000005
对所述二维切片图像组中的图像均进行二值化处理，得到多幅二值化图像；
从顶层开始，依次获取每幅所述二值化图像的连通域，以及连通域对应的拟圆圆心C k、面积S k、拟圆半径R k，以及相邻两层圆心之间的距离C k-C (k-1)，每层切片的圆心C k距离所述顶层C 1圆心的距离C k-C 1，以及所述像素点在所述层像素大于0，且所述像素点在上一层像素等于0的全部的像素的面积M k和过滤面积H k，其中，k表示第k层切片，k≥1；
所述连通域对应的拟圆圆心C k、距离C k-C (k-1)、面积S k、M k、H k、拟圆半径R k，以及相邻两层之间的距离L k-(k-1)作为特征数据。。
可选地，上述的基于深度学习获取主动脉的方法，所述根据所述深度学习模型、所述特征数据，从所述CT序列图像中获取主动脉图像的方法包括：
根据所述深度学习模型，对所述特征数据进行分析，获得降主动脉数据；
膨胀所述降主动脉数据；
将膨胀后的所述降主动脉数据与CT原图像数据相乘，并计算每个像素点的梯度，得到梯度数据；
根据所述梯度数据，提取梯度边缘；
从所述膨胀后的降主动脉数据中减去所述梯度边缘；
根据所述拟圆圆心生成种子点列表；
根据所述种子点列表提取连通区域，获得降主动脉图像。
可选地，上述的基于深度学习获取主动脉的方法，所述从顶层开始，依次获取每幅所述二值化图像的连通域，以及连通域对应的拟圆圆心C k、面积S k、拟圆半径R k，以及相邻两层之间的距离L k-(k-1)，其中，k表示第k层切片的方法包括：
采用霍夫检测算法，从顶层开始，依次检测3层切片，从每层所述切片内各获得1个圆心和1个半径，分别形成3个圆；
从3个所述圆心中去除偏离较大的点，获得降主动脉种子点P 1；
获取所述种子点P 1所在层的连通域A 1；
获取连通域A 1的重心作为拟圆圆心C 1，获取连通域A 1的面积S 1以及拟圆半径R 1；
以所述C 1为种子点，获取所述种子点P 1所在层的连通域A 2；
对所述连通域A 1进行膨胀，得到膨胀区域D 1，从所述连通域A 2内去除与所述膨胀区域D 1重叠的部分，得到连通域A 2’；
设置连通域的体积阈值V 阈，如果连通域A 2’的体积V 2＜V 阈，去除与上一层圆心C 1距离过大的点，则获取过滤面积H k，所述连通域A 2’的重心作为拟圆圆心C 2，获取连通域A 2的面积S 2以及拟圆半径R 2；
重复所述连通域A 2的方法，依次获取每幅所述二值化图像的连通域，以及连通域对应的拟圆圆心C k、面积S k、拟圆半径R k，以及相邻两层圆心之间的距离C k-C (k-1)，每层切片的圆心C k距离所述顶层C 1圆心的距离C k-C 1。
第二方面，本申请提供了一种计算机存储介质，计算机程序被处理器执行时实现上述的基于深度学习获取主动脉的方法。
本申请实施例提供的方案带来的有益效果至少包括：
本申请提供了基于深度学习获取主动脉的方法，依据特征数据和数据库获取深度学习模型，通过深度学习模型获取主动脉图像，具有提取效果好，鲁棒 性高的优点，计算结果准确，在临床上具有较高的推广价值。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本申请的基于深度学习获取主动脉的方法的流程图；
图2为本申请的S100的流程图；
图3为本申请的S110的流程图；
图4为本申请的S116的流程图；
图5为本申请的S1164的流程图；
图6为本申请的S1165的流程图；
图7为本申请的S140的流程图；
图8为本申请的S400的流程图；
图9为本申请的S450的流程图；
图10为本申请的S500的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下将以图式揭露本发明的多个实施方式，为明确说明起见，许多实务上的细节将在以下叙述中一并说明。然而，应了解到，这些实务上的细节不应用以限制本发明。也就是说，在本发明的部分实施方式中，这些实务上的细节是非必要的。此外，为简化图式起见，一些习知惯用的结构与组件在图式中将以 简单的示意的方式绘示之。
现有技术中采用经验值获取主动脉图像存在人为因素多，一致性差，提取速度慢的问题。
为了解决上述问题，本申请提供了一种基于深度学习获取主动脉的方法，如图1所示，包括：
S100，如图2所示，获取主动脉层的切片数据库与非主动脉层的切片数据库，包括：
S110，如图3所示，从CT图像上去除肺部、降主动脉、脊椎、肋骨的新图像，包括：
S111，获取CT序列图像的三维数据库；
S112，绘制每组CT序列图像的灰度直方图；
S113，沿着灰度直方图的终点M至原点O方向，依次获取M点至M-1点，M点至M-2点，直至获取到M点至O点的各灰度值区域的体积；获取各灰度值区域的体积与M点至O点的总区域的体积占比V；
S114，根据医学知识以及CT图像成像原理，设置肺部灰度阈值Q 肺；如果灰度直方图中的灰度值小于Q 肺，则去除灰度值对应的图像，得到去除肺部组织的第一图像；
S115，根据第一图像获取每组CT序列图像对应的心脏重心和脊椎重心，包括：
如果V＝b，则拾取灰度值区域对应的起始点，将起始点投射到CT三维图像上，获取心脏区域三维图像，拾取心脏区域三维图像的物理重心，即为心脏重心P 2；其中，b表示常数，0.2＜b＜1；
如果V＝a，则拾取灰度值区域对应的起始点，将起始点投射到CT三维图像上，获取骨头区域三维图像，拾取骨头区域三维图像的物理重心，即为脊椎重心P 1；其中，a表示常数，0＜a＜0.2；
S116，如图4所示，根据心脏重心和脊椎重心获取每组CT序列图像的降主动脉图像，包括：
S1161，根据医学知识以及CT图像成像原理，设置肺部灰度阈值Q 肺；
S1162，如果灰度直方图中的灰度值小于Q 肺，则去除灰度值对应的图像，得到去除肺部组织的第一图像；
S1163，将心脏重心P 2投影到第一图像上，获得心脏的圆心O 1；
S1164，如图5所示，设置降主动脉灰度阈值Q 降，对第一图像进行二值化处理，包括：
S11641，获取第一图像内的灰度值大于降主动脉灰度阈值Q 降的像素点PO，计算像素点PO的平均灰度值
Figure PCTCN2020132796-appb-000006
S11642，从第一图像的底层开始分层切片，得到第一二维切片图像组；
S11643，根据
Figure PCTCN2020132796-appb-000007
对第一图像的切片图像进行二值化处理，去除第一图像中的杂质点，得到二值化图像，其中，k为正整数，Q k表示第k个像素点PO对应的灰度值，P(k)表示第k个像素点PO对应的像素值。
S1165，如图6所示，根据降主动脉与心脏圆心O 1的距离，以及脊椎与心脏圆心O 1的距离，获取降主动脉对应的圆，包括：
S11651，设置降主动脉至心脏边缘构成的圆的半径阈值为r 阈；
S11652，根据降主动脉与心脏的距离小于脊椎与心脏的距离，获取脊椎的大致区域与降主动脉的大致区域，包括：
如果霍夫检测算法获得圆的半径r＞r 阈，则此圆是脊椎对应的圆，不对此圆的圆心和半径进行记录，即为脊椎的大致区域；
如果霍夫检测算法获得圆的半径r≤r 阈，则此圆可能是降主动脉对应的圆，记录此圆的圆心和半径，即为降主动脉的大致区域。
S11653，根据降主动脉的大致区域，去除误差像素点，获得降主动脉对应 的圆，包括：
对降主动脉的大致区域内的圆的圆心和半径进行筛选，去除相邻切片之间圆心偏离较大的圆，即去除误差像素点，形成降主动脉的种子点列表，获得降主动脉图像；从CT图像上获取降主动脉图像。
S117，从CT图像上去除肺部、降主动脉、脊椎、肋骨，获取新图像。
S120，从新图像的顶层开始切片，得到二维图像组；
S130，对二维图像组进行二值化处理，得到二值化图像组，包括：
设置冠脉树灰度阈值Q 冠1；根据
Figure PCTCN2020132796-appb-000008
对去除肺部、降主动脉、脊椎、肋骨的新图像的每一层的切片均进行二值化处理，去除新图像中的杂质点，得到二值化图像组；其中，m为正整数，Q m表示第m个像素点PO对应的灰度值，P(m)表示第m个像素点PO对应的像素值。
S140，如图7所示，根据每组二值化图像生成主动脉图像，包括：
S141，为二值化图像组中的每层切片建立一张搜索引擎列表；
S142，搜索每层切片的圆，比较每层搜索引擎列表中的像素点的个数和圆的半径，找到符合条件的圆心点；
S143，如果无法找到符合条件的圆心点，则搜索下一层的切片的圆心点。
S150，根据主动脉图像生成主动脉层的切片数据，剩余的切片数据则为非主动脉层的切片数据，获得主动脉层的切片数据库与非主动脉层的切片数据库。
通过先筛选出心脏重心和脊椎重心，对心脏和脊椎的位置进行定位，然后根据心脏和脊椎的位置获取降主动脉图像，减少了运算量，算法简单，容易操作，运算速度快，设计科学，图像处理精准。
S200，分别对主动脉层的切片数据库和非主动脉层的切片数据库进行深度学习，获得深度学习模型；
S300，获取待处理的CT序列图像或CT序列图像的三维数据；
S400，如图8所示，提取待处理的CT序列图像或CT序列图像的三维数据的特征数据，包括：
S410，绘制待处理的CT序列图像的灰度直方图；
S420，获取灰度值大于Q 降的像素点的平均灰度值
Figure PCTCN2020132796-appb-000009
S430，对CT序列图像进行分层切片，得到二维切片图像组；
S440，根据平均灰度值
Figure PCTCN2020132796-appb-000010
对二维切片图像组中的图像均进行二值化处理，得到多幅二值化图像；
S450，如图9所示，从顶层开始，依次获取每幅二值化图像的连通域，以及连通域对应的拟圆圆心C k、面积S k、拟圆半径R k，以及相邻两层圆心之间的距离C k-C (k-1)，每层切片的圆心C k距离顶层C 1圆心的距离C k-C 1，以及像素点在层像素大于0，且像素点在上一层像素等于0的全部的像素的面积M k和过滤面积H k，其中，k表示第k层切片，k≥1；连通域对应的拟圆圆心C k、距离C k-C (k-1)、面积S k、M k、H k、拟圆半径R k，以及相邻两层之间的距离L k- (k-1)作为特征数据，包括：
S451，采用霍夫检测算法，从顶层开始，依次检测3层切片，从每层切片内各获得1个圆心和1个半径，分别形成3个圆；
S452，从3个圆心中去除偏离较大的点，获得降主动脉种子点P 1；
S453，获取种子点P 1所在层的连通域A 1；
S454，获取连通域A 1的重心作为拟圆圆心C 1，获取连通域A 1的面积S 1以及拟圆半径R 1；
S455，以C 1为种子点，获取种子点P 1所在层的连通域A 2；
S456，对连通域A 1进行膨胀，得到膨胀区域D 1，从连通域A 2内去除与膨胀区域D 1重叠的部分，得到连通域A 2’；
S457，设置连通域的体积阈值V 阈，如果连通域A 2’的体积V 2＜V 阈，去除与上一层圆心C 1距离过大的点，则获取过滤面积H k，连通域A 2’的重心作为拟 圆圆心C 2，获取连通域A 2的面积S 2以及拟圆半径R 2；
S458，重复连通域A 2的方法，依次获取每幅所述二值化图像的连通域，以及连通域对应的拟圆圆心C k、面积S k、拟圆半径R k，以及相邻两层圆心之间的距离C k-C (k-1)，每层切片的圆心C k距离所述顶层C 1圆心的距离C k-C 1。
S500，如图10所示，根据深度学习模型、特征数据从CT序列图像中获取主动脉图像，包括：
S510，根据深度学习模型，对特征数据进行分析，获得主动脉数据；
S520，膨胀主动脉数据；
S530，将膨胀后的主动脉数据与CT原图像数据相乘，并计算每个像素点的梯度，得到梯度数据；
S540，根据梯度数据，提取梯度边缘；
S550，从膨胀后的主动脉数据中减去梯度边缘；
S560，根据拟圆圆心生成种子点列表；
S570，根据种子点列表提取连通区域，获得主动脉图像。
本申请提供了一种计算机存储介质，计算机程序被处理器执行时实现上述的基于深度学习获取主动脉的方法。
所属技术领域的技术人员知道，本发明的各个方面可以实现为系统、方法或计算机程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、驻留软件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明的各个方面还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。本发明的实施例的方法和/或系统的实施方式可以涉及到手动地、自动地或以其组合的方式执行或完成所选任务。
例如，可以将用于执行根据本发明的实施例的所选任务的硬件实现为芯片或电路。作为软件，可以将根据本发明的实施例的所选任务实现为由计算机使用任何适当操作系统执行的多个软件指令。在本发明的示例性实施例中，由数据处理器来执行如本文的根据方法和/或系统的示例性实施例的一个或多个任务，诸如用于执行多个指令的计算平台。可选地，该数据处理器包括用于存储指令和/或数据的易失性储存器和/或用于存储指令和/或数据的非易失性储存器，例如，磁硬盘和/或可移动介质。可选地，也提供了一种网络连接。可选地也提供显示器和/或用户输入设备，诸如键盘或鼠标。
可利用一个或多个计算机可读的任何组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举列表)将包括以下各项：
具有一个或多个导线的电连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使 用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括(但不限于)无线、有线、光缆、RF等等，或者上述的任意合适的组合。
例如，可用一个或多个编程语言的任何组合来编写用于执行用于本发明的各方面的操作的计算机程序代码，包括诸如Java、Smalltalk、C++等面向对象编程语言和常规过程编程语言，诸如"C"编程语言或类似编程语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络--包括局域网(LAN)或广域网(WAN)-连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些计算机程序指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。
也可以把这些计算机程序指令存储在计算机可读介质中，这些指令使得计算机、其它可编程数据处理装置、或其它设备以特定方式工作，从而，存储在计算机可读介质中的指令就产生出包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的指令的制造品(article of manufacture)。
还可将计算机程序指令加载到计算机(例如，冠状动脉分析系统)或其它可编程数据处理设备上以促使在计算机、其它可编程数据处理设备或其它设备上执行一系列操作步骤以产生计算机实现过程，使得在计算机、其它可编程装置 或其它设备上执行的指令提供用于实现在流程图和/或一个或多个框图方框中指定的功能/动作的过程。
本发明的以上的具体实例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (14)

  1. 一种基于深度学习获取主动脉的方法，其特征在于，包括：
    获取主动脉层的切片数据库与非主动脉层的切片数据库；
    分别对所述主动脉层的切片数据库和所述非主动脉层的切片数据库进行深度学习，获得深度学习模型；
    获取待处理的CT序列图像或CT序列图像的三维数据；
    提取待处理的所述CT序列图像或CT序列图像的三维数据的特征数据；
    根据所述深度学习模型、所述特征数据从所述CT序列图像中获取主动脉图像。
  2. 根据权利要求1所述的基于深度学习获取主动脉的方法，其特征在于，所述获取主动脉层的切片数据库与非主动脉层的切片数据库的方法包括：
    从所述CT图像上去除肺部、降主动脉、脊椎、肋骨的新图像；
    从所述新图像的顶层开始切片，得到二维图像组；
    对所述二维图像组进行二值化处理，得到二值化图像组；
    根据每组所述二值化图像生成主动脉图像；
    根据所述主动脉图像生成主动脉层的切片数据，剩余的切片数据则为非主动脉层的切片数据，获得主动脉层的切片数据库与非主动脉层的切片数据库。
  3. 根据权利要求2所述的基于深度学习获取主动脉的方法，其特征在于，所述对所述二维图像组进行二值化处理，得到二值化图像组的方法包括：
    设置冠脉树灰度阈值Q 冠1；根据
    Figure PCTCN2020132796-appb-100001
    对去除肺部、降主动脉、脊椎、肋骨的新图像的每一层的切片均进行二值化处理，去除所述新图像中的杂质点，得到所述二值化图像组；
    其中，m为正整数，Q m表示第m个像素点PO对应的灰度值，P(m)表示第m个像素点PO对应的像素值。
  4. 根据权利要求2所述的基于深度学习获取主动脉的方法，其特征在于，所述根据每组所述二值化图像生成主动脉图像的方法包括：
    为所述二值化图像组中的每层所述切片建立一张搜索引擎列表；
    搜索每层切片的圆，比较每层所述搜索引擎列表中的像素点的个数和圆的半径，找到符合条件的圆心点；
    如果无法找到符合条件的圆心点，则搜索下一层的切片的圆心点。
  5. 根据权利要求1所述的基于深度学习获取主动脉的方法，其特征在于，所述从所述CT图像上去除肺部、降主动脉、脊椎、肋骨的新图像的方法包括：
    获取CT序列图像的三维数据库；
    绘制每组所述CT序列图像的灰度直方图；
    沿着所述灰度直方图的终点M至原点O方向，依次获取M点至M-1点，M点至M-2点，直至获取到M点至O点的各灰度值区域的体积；获取各灰度值区域的体积与M点至O点的总区域的体积占比V；
    根据医学知识以及CT图像成像原理，设置肺部灰度阈值Q 肺；如果所述灰度直方图中的灰度值小于Q 肺，则去除灰度值对应的图像，得到去除肺部组织的第一图像；
    根据所述第一图像获取每组CT序列图像对应的心脏重心和脊椎重心；
    根据所述心脏重心和所述脊椎重心获取每组CT序列图像的降主动脉图像；
    从所述CT图像上去除肺部、降主动脉、脊椎、肋骨，获取新图像。
  6. 根据权利要求5所述的基于深度学习获取主动脉的方法，其特征在于，所述根据所述第一图像获取每组CT序列图像对应的心脏重心和脊椎重心的方法包括：
    如果V＝b，则拾取所述灰度值区域对应的起始点，将所述起始点投射到所述CT三维图像上，获取心脏区域三维图像，拾取所述心脏区域三维图像的物 理重心，即为心脏重心P 2；其中，b表示常数，0.2＜b＜1；
    如果V＝a，则拾取所述灰度值区域对应的起始点，将所述起始点投射到所述CT三维图像上，获取骨头区域三维图像，拾取所述骨头区域三维图像的物理重心，即为脊椎重心P 1；其中，a表示常数，0＜a＜0.2。
  7. 根据权利要求6所述的基于深度学习获取主动脉的方法，其特征在于，所述根据所述心脏重心和所述脊椎重心获取每组CT序列图像的降主动脉图像的方法包括：
    根据医学知识以及CT图像成像原理，设置肺部灰度阈值Q 肺；
    如果所述灰度直方图中的灰度值小于Q 肺，则去除所述灰度值对应的图像，得到去除肺部组织的第一图像；
    将所述心脏重心P 2投影到所述第一图像上，获得心脏的圆心O 1；
    设置所述降主动脉灰度阈值Q 降，对所述第一图像进行二值化处理；
    根据所述降主动脉与心脏圆心O 1的距离，以及所述脊椎与所述心脏圆心O 1的距离，获取降主动脉对应的圆；
    从所述CT图像上获取降主动脉图像。
  8. 根据权利要求7所述的基于深度学习获取主动脉的方法，其特征在于，所述设置所述降主动脉灰度阈值Q 降，对所述第一图像进行二值化处理的方法包括：
    获取所述第一图像内的灰度值大于所述降主动脉灰度阈值Q 降的像素点PO，计算所述像素点PO的平均灰度值
    Figure PCTCN2020132796-appb-100002
    从所述第一图像的底层开始分层切片，得到第一二维切片图像组；
    根据
    Figure PCTCN2020132796-appb-100003
    对所述第一图像进行二值化处理，去除所述第一图像中的杂质点，得到二值化图像，其中，k为正整数，Q k表示第k个像 素点PO对应的灰度值，P(k)表示第k个像素点PO对应的像素值。
  9. 根据权利要求8所述的基于深度学习获取主动脉的方法，其特征在于，所述根据所述降主动脉与心脏圆心O 1的距离，以及所述脊椎与所述心脏圆心O 1的距离，获取所述降主动脉对应的圆的方法包括：
    设置所述降主动脉至所述心脏边缘构成的圆的半径阈值为r 阈；
    根据所述降主动脉与所述心脏的距离小于所述脊椎与所述心脏的距离，获取所述脊椎的大致区域与所述降主动脉的大致区域；
    根据所述降主动脉的大致区域，去除误差像素点，获得所述降主动脉图像，即为所述降主动脉对应的圆。
  10. 根据权利要求9所述的基于深度学习获取主动脉的方法，其特征在于，所述根据所述降主动脉与所述心脏的距离小于所述脊椎与所述心脏的距离，获取所述脊椎的大致区域与所述降主动脉的大致区域的方法包括：
    如果霍夫检测算法获得圆的半径r＞r 阈，则此圆是脊椎对应的圆，不对此圆的圆心和半径进行记录，即为所述脊椎的大致区域；
    如果霍夫检测算法获得圆的半径r≤r 阈，则此圆可能是降主动脉对应的圆，记录此圆的圆心和半径，即为降主动脉的大致区域。
  11. 根据权利要求10所述的基于深度学习获取主动脉的方法，其特征在于，所述提取待处理的所述CT序列图像或CT序列图像的三维数据的特征数据的方法包括：
    绘制待处理的所述CT序列图像的灰度直方图；
    获取灰度值大于Q 降的像素点的平均灰度值
    Figure PCTCN2020132796-appb-100004
    对所述CT序列图像进行分层切片，得到二维切片图像组；
    根据所述平均灰度值
    Figure PCTCN2020132796-appb-100005
    对所述二维切片图像组中的图像均进行二值化处理，得到多幅二值化图像；
    从顶层开始，依次获取每幅所述二值化图像的连通域，以及连通域对应的拟圆圆心C k、面积S k、拟圆半径R k，以及相邻两层圆心之间的距离C k-C (k-1)，每层切片的圆心C k距离所述顶层C 1圆心的距离C k-C 1，以及所述像素点在所述层像素大于0，且所述像素点在上一层像素等于0的全部的像素的面积M k和过滤面积H k，其中，k表示第k层切片，k≥1；
    所述连通域对应的拟圆圆心C k、距离C k-C (k-1)、面积S k、M k、H k、拟圆半径R k，以及相邻两层之间的距离L k-(k-1)作为特征数据。
  12. 根据权利要求11所述的基于深度学习获取主动脉的方法，其特征在于，所述根据所述深度学习模型、所述特征数据，从所述CT序列图像中获取主动脉图像的方法包括：
    根据所述深度学习模型，对所述特征数据进行分析，获得主动脉数据；
    膨胀所述主动脉数据；
    将膨胀后的所述主动脉数据与CT原图像数据相乘，并计算每个像素点的梯度，得到梯度数据；
    根据所述梯度数据，提取梯度边缘；
    从所述膨胀后的主动脉数据中减去所述梯度边缘；
    根据所述拟圆圆心生成种子点列表；
    根据所述种子点列表提取连通区域，获得主动脉图像。
  13. 根据权利要求12所述的基于深度学习获取主动脉的方法，其特征在于，所述从顶层开始，依次获取每幅所述二值化图像的连通域，以及连通域对应的拟圆圆心C k、面积S k、拟圆半径R k，以及相邻两层圆心之间的距离C k-C (k-1)，每层切片的圆心C k距离所述顶层C 1圆心的距离C k-C 1，以及所述像素点在所述层像素大于0，且所述像素点在上一层像素等于0的全部的像素的面积M k和过滤面积H k，其中，k表示第k层切片，k≥1的方法包括：
    采用霍夫检测算法，从顶层开始，依次检测3层切片，从每层所述切片内 各获得1个圆心和1个半径，分别形成3个圆；
    从3个所述圆心中去除偏离较大的点，获得降主动脉种子点P 1；
    获取所述种子点P 1所在层的连通域A 1；
    获取连通域A 1的重心作为拟圆圆心C 1，获取连通域A 1的面积S 1以及拟圆半径R 1；
    以所述C 1为种子点，获取所述种子点P 1所在层的连通域A 2；
    对所述连通域A 1进行膨胀，得到膨胀区域D 1，从所述连通域A 2内去除与所述膨胀区域D 1重叠的部分，得到连通域A 2’；
    设置连通域的体积阈值V 阈，如果连通域A 2’的体积V 2＜V 阈，去除与上一层圆心C 1距离过大的点，则获取过滤面积H k，所述连通域A 2’的重心作为拟圆圆心C 2，获取连通域A 2的面积S 2以及拟圆半径R 2；
    重复所述连通域A 2的方法，依次获取每幅所述二值化图像的连通域，以及连通域对应的拟圆圆心C k、面积S k、拟圆半径R k，以及相邻两层圆心之间的距离C k-C (k-1)，每层切片的圆心C k距离所述顶层C 1圆心的距离C k-C 1。
  14. 一种计算机存储介质，其特征在于，计算机程序被处理器执行时实现权利要求1～13任一项所述的基于深度学习获取主动脉的方法。
PCT/CN2020/132796 2020-06-29 2020-11-30 基于深度学习获取主动脉的方法和存储介质 WO2022000976A1 (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2022579901A JP2023532268A (ja) 2020-06-29 2020-11-30 深層学習に基づいて大動脈を取得する方法及び記憶媒体
EP20943267.3A EP4174760A1 (en) 2020-06-29 2020-11-30 Aorta obtaining method based on deep learning, and storage medium
CN202080100603.2A CN115769252A (zh) 2020-06-29 2020-11-30 基于深度学习获取主动脉的方法和存储介质
US18/089,694 US20230260133A1 (en) 2020-06-29 2022-12-28 Methods for acquiring aorta based on deep learning and storage media

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
CN202010606963.1A CN111815587A (zh) 2020-06-29 2020-06-29 基于ct序列图像拾取主动脉中心线上的点的方法和系统
CN202010606964.6A CN111815588B (zh) 2020-06-29 2020-06-29 基于ct序列图像获取降主动脉的方法和系统
CN202010606964.6 2020-06-29
CN202010606963.1 2020-06-29

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/089,694 Continuation US20230260133A1 (en) 2020-06-29 2022-12-28 Methods for acquiring aorta based on deep learning and storage media

Publications (1)

Publication Number Publication Date
WO2022000976A1 true WO2022000976A1 (zh) 2022-01-06

Family

ID=79317360

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/CN2020/132796 WO2022000976A1 (zh) 2020-06-29 2020-11-30 基于深度学习获取主动脉的方法和存储介质
PCT/CN2020/132798 WO2022000977A1 (zh) 2020-06-29 2020-11-30 基于深度学习获取主动脉图像的系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/132798 WO2022000977A1 (zh) 2020-06-29 2020-11-30 基于深度学习获取主动脉图像的系统

Country Status (5)

Country Link
US (2) US20230153998A1 (zh)
EP (2) EP4174760A1 (zh)
JP (2) JP2023532268A (zh)
CN (2) CN115769251A (zh)
WO (2) WO2022000976A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116645372B (zh) * 2023-07-27 2023-10-10 汉克威(山东)智能制造有限公司 一种制动气室外观图像智能检测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106803251A (zh) * 2017-01-12 2017-06-06 西安电子科技大学 由ct影像确定主动脉缩窄处压力差的装置与方法
CN109035255A (zh) * 2018-06-27 2018-12-18 东南大学 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法
US20190019287A1 (en) * 2017-07-17 2019-01-17 Siemens Healthcare Gmbh Automated measurement based on deep learning
CN110264465A (zh) * 2019-06-25 2019-09-20 中南林业科技大学 一种基于形态学和深度学习的主动脉夹层动态检测方法
CN111815583A (zh) * 2020-06-29 2020-10-23 苏州润心医疗器械有限公司 基于ct序列图像获取主动脉中心线的方法和系统
CN111815587A (zh) * 2020-06-29 2020-10-23 苏州润心医疗器械有限公司 基于ct序列图像拾取主动脉中心线上的点的方法和系统
CN111815588A (zh) * 2020-06-29 2020-10-23 苏州润心医疗器械有限公司 基于ct序列图像获取降主动脉的方法和系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008142482A (ja) 2006-12-13 2008-06-26 Med Solution Kk 縦隔リンパ節郭清で切除される領域を複数の区域にセグメンテーションする装置およびプログラム
US20170235915A1 (en) * 2016-02-17 2017-08-17 Siemens Healthcare Gmbh Personalized model with regular integration of data
JP6657132B2 (ja) 2017-02-27 2020-03-04 富士フイルム株式会社 画像分類装置、方法およびプログラム
CN107563983B (zh) * 2017-09-28 2020-09-01 上海联影医疗科技有限公司 图像处理方法以及医学成像设备
CN111815585B (zh) * 2020-06-29 2022-08-05 苏州润迈德医疗科技有限公司 基于ct序列图像获取冠脉树和冠脉入口点的方法和系统
CN111815586B (zh) * 2020-06-29 2022-08-05 苏州润迈德医疗科技有限公司 基于ct图像获取左心房、左心室的连通域的方法和系统
CN111815589B (zh) * 2020-06-29 2022-08-05 苏州润迈德医疗科技有限公司 基于ct序列图像获取无干扰冠脉树图像的方法和系统
CN111815584B (zh) * 2020-06-29 2022-06-07 苏州润迈德医疗科技有限公司 基于ct序列图像获取心脏重心的方法和系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106803251A (zh) * 2017-01-12 2017-06-06 西安电子科技大学 由ct影像确定主动脉缩窄处压力差的装置与方法
US20190019287A1 (en) * 2017-07-17 2019-01-17 Siemens Healthcare Gmbh Automated measurement based on deep learning
CN109035255A (zh) * 2018-06-27 2018-12-18 东南大学 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法
CN110264465A (zh) * 2019-06-25 2019-09-20 中南林业科技大学 一种基于形态学和深度学习的主动脉夹层动态检测方法
CN111815583A (zh) * 2020-06-29 2020-10-23 苏州润心医疗器械有限公司 基于ct序列图像获取主动脉中心线的方法和系统
CN111815587A (zh) * 2020-06-29 2020-10-23 苏州润心医疗器械有限公司 基于ct序列图像拾取主动脉中心线上的点的方法和系统
CN111815588A (zh) * 2020-06-29 2020-10-23 苏州润心医疗器械有限公司 基于ct序列图像获取降主动脉的方法和系统

Also Published As

Publication number Publication date
EP4174762A1 (en) 2023-05-03
JP2023532268A (ja) 2023-07-27
WO2022000977A1 (zh) 2022-01-06
JP2023532269A (ja) 2023-07-27
CN115769251A (zh) 2023-03-07
US20230153998A1 (en) 2023-05-18
US20230260133A1 (en) 2023-08-17
CN115769252A (zh) 2023-03-07
JP7446645B2 (ja) 2024-03-11
EP4174760A1 (en) 2023-05-03

Similar Documents

Publication Publication Date Title
JP6790179B2 (ja) リアルタイムの診断上有用な結果
US20230144795A1 (en) Methods and systems for acquiring centerline of aorta based on ct sequence images
WO2022000727A1 (zh) 基于ct序列图像获取冠脉树和冠脉入口点的方法和系统
US10650282B2 (en) Medical image classification apparatus, method, and program
WO2022000729A1 (zh) 基于ct序列图像获取无干扰冠脉树图像的方法和系统
CN111815586B (zh) 基于ct图像获取左心房、左心室的连通域的方法和系统
JP2019008349A (ja) 学習データ生成支援装置および学習データ生成支援方法並びに学習データ生成支援プログラム
US11278257B2 (en) Diagnostic auxiliary image generation apparatus, diagnostic auxiliary image generation method, and diagnostic auxiliary image generation program
WO2022000728A1 (zh) 基于ct序列图像获取降主动脉的方法和系统
WO2022000734A1 (zh) 基于ct序列图像拾取主动脉中心线上的点的方法和系统
WO2022000976A1 (zh) 基于深度学习获取主动脉的方法和存储介质
CN111815584B (zh) 基于ct序列图像获取心脏重心的方法和系统
Bhushan Liver cancer detection using hybrid approach-based convolutional neural network (HABCNN)
WO2022000731A1 (zh) 基于ct序列图像获取心脏重心和脊椎重心的方法和系统
TW202116253A (zh) 診斷支援程式

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20943267

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022579901

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020943267

Country of ref document: EP

Effective date: 20230130