CN108764221A - 主动脉影像分析方法及*** - Google Patents

主动脉影像分析方法及*** Download PDF

Info

Publication number
CN108764221A
CN108764221A CN201810904811.2A CN201810904811A CN108764221A CN 108764221 A CN108764221 A CN 108764221A CN 201810904811 A CN201810904811 A CN 201810904811A CN 108764221 A CN108764221 A CN 108764221A
Authority
CN
China
Prior art keywords
aorta
dissection
image analysis
image
diameter
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
Application number
CN201810904811.2A
Other languages
English (en)
Inventor
于存涛
吴进林
丘俊涛
邱家伟
姜文祥
刘燊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201810904811.2A priority Critical patent/CN108764221A/zh
Publication of CN108764221A publication Critical patent/CN108764221A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/14—Vascular patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种主动脉影像分析方法及***，该主动脉影像分析方法包括：步骤S1：获取主动脉的CTA影像数据；步骤S2：对所述CTA影像数据进行多平面重建；步骤S3：利用人工神经网络模型在所述多平面重建得到的图像中识别主动脉管腔、夹层内膜、破口以及分支血管；步骤S4：根据所述识别的结果获取主动脉夹层信息，所述主动脉夹层信息包括主动脉直径、真腔直径、假腔直径、分支血管角度、破口位置、破口在分支血管的延伸情况。本发明提供的主动脉影像分析方法，有利于实现主动脉夹层诊断和测量的自动化和快速化，不但可以减轻人工工作量，还可以降低测量误差，避免了人为主观因素的影响。

Description

主动脉影像分析方法及***
技术领域
本发明涉及医疗影像处理技术领域，具体涉及一种主动脉影像分析方法及***。
背景技术
主动脉夹层属于严重临床急症，死亡率极高，而且发病率近年呈上升趋势，诊断主要依靠CTA，更重要的是，主动脉夹层的治疗方式非常依赖CTA的测量结果，比如原发破口位置，继发破口位置，夹层长度，直径大小，分支血管累计情况，等等，但目前的测量方式为人工手动测量，即使对于有经验的测量者，平均耗时30分钟，易引起疲劳，对于细节(如小型继发破口位置)容易遗漏，并且随着工作量的上升，上述问题更加明显。
发明内容
本发明的目的在于提供一种主动脉影像分析方法及***，有利于实现主动脉夹层诊断和测量的自动化和快速化。
为实现上述目的，本发明的技术方案提供了一种主动脉影像分析方法，包括：
步骤S1：获取主动脉的CTA影像数据；
步骤S2：对所述CTA影像数据进行多平面重建；
步骤S3：利用人工神经网络模型在所述多平面重建得到的图像中识别主动脉管腔、夹层内膜、破口以及分支血管；
步骤S4：根据所述识别的结果获取主动脉夹层信息，所述主动脉夹层信息包括主动脉直径、真腔直径、假腔直径、分支血管角度、破口位置、破口在分支血管的延伸情况。
进一步地，在所述步骤S3之后还包括：
在所述多平面重建得到的图像中对主动脉直径、真腔直径、假腔直径、分支血管角度、破口位置添加标记。
进一步地，在所述多平面重建得到的图像中对主动脉直径、真腔直径、假腔直径、分支血管角度、破口位置添加标记之后还包括：
根据用户的指令对所述标记进行调整；
根据所述调整后的标记修改所述主动脉夹层信息，并将修改后的主动脉夹层信息导出至excel表中。
进一步地，根据用户的指令对所述标记进行调整之后还包括：
控制所述人工神经网络模型根据所述调整后的标记进行特征学习。
为实现上述目的，本发明的技术方案还提供了一种主动脉影像分析***，包括：
获取模块，用于获取主动脉的CTA影像数据；
重建模块，用于对所述CTA影像数据进行多平面重建；
识别模块，用于利用人工神经网络模型在所述多平面重建得到的图像中识别主动脉管腔、夹层内膜、破口以及分支血管；
第一处理模块，用于根据所述识别的结果获取主动脉夹层信息，所述主动脉夹层信息包括主动脉直径、真腔直径、假腔直径、分支血管角度、破口位置、破口在分支血管的延伸情况。
进一步地，所述主动脉影像分析***还包括：
标记模块，用于在所述多平面重建得到的图像中对主动脉直径、真腔直径、假腔直径、分支血管角度、破口位置添加标记。
进一步地，所述主动脉影像分析***还包括：
调整模块，用于根据用户的指令对所述标记进行调整；
第二处理模块，用于根据所述调整后的标记修改所述主动脉夹层信息，并将修改后的主动脉夹层信息导出至excel表中。
进一步地，所述主动脉影像分析***还包括：
学习模块，用于控制所述人工神经网络模型根据所述调整后的标记进行特征学习。
本发明提供的主动脉影像分析方法，有利于实现主动脉夹层诊断和测量的自动化和快速化，不但可以减轻人工工作量，还可以降低测量误差，避免了人为主观因素的影响。
附图说明
图1是本发明实施方式提供的一种主动脉影像分析方法的流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
参见图1，图1是本发明实施方式提供的一种主动脉影像分析方法的流程图，包括：
步骤S1：获取主动脉的CTA影像数据；
具体地，可以通过对人体进行CTA扫描，得到主动脉的DICOM数据，即主动脉的CTA影像数据；
步骤S2：对所述CTA影像数据进行多平面重建(MPR)；
其中，该步骤可以采用现有方法实现，本发明对此不再赘述；
步骤S3：利用人工神经网络模型在所述多平面重建得到的图像中识别主动脉管腔、夹层内膜、破口以及分支血管；
具体地，可以预先建立人工神经网络模型，并控制人工神经网络模型进行特征学习，包括学习主动脉管腔的特征、夹层内膜的特征、破口的特征以及分支血管的特征，其中，对于主动脉管腔的识别，真腔CT密度值较高，多位于小弯侧，且直径较小，而假腔则相反，对于夹层内膜的识别，可以自动标定管腔中密度值偏低的线状片段为内膜片，破口位置为内膜片不连续的位置，另外，如果内膜片出现在分支血管中，可自动识别为受累血管；
步骤S4：根据所述识别的结果获取主动脉夹层信息，所述主动脉夹层信息包括主动脉直径、真腔直径、假腔直径、分支血管角度、破口位置、破口在分支血管的延伸情况。
本发明实施方式提供的主动脉影像分析方法，有利于实现主动脉夹层诊断和测量的自动化和快速化，不但可以减轻人工工作量，还可以降低测量误差，避免了人为主观因素的影响。
优选地，在本发明实施方式提供的主动脉影像分析方法中，还可以对主动脉直径、真腔直径、假腔直径、分支血管角度、破口位置进行标记，以便可以进行人工审查，判断是否存在失误，具体地，该方法可以包括：
步骤A：对人体进行CTA扫描，得到主动脉的DICOM数据，即主动脉的CTA影像数据；
步骤B：对所述CTA影像数据进行多平面重建(MPR)；
步骤C：利用人工神经网络模型在所述多平面重建得到的图像中识别主动脉管腔、夹层内膜、破口以及分支血管；
具体地，可以利用预先建立的人工神经网络模型自动识别主动脉管腔、夹层内膜、破口以及分支血管；
步骤D：根据所述识别的结果获取主动脉夹层信息，包括主动脉直径、真腔直径、假腔直径、分支血管角度、破口位置、破口在分支血管的延伸情况(即分支受累情况)，并标记从主动脉根部到分叉部位的不同层面主动脉直径、真腔直径、假腔直径、分支血管角度、破口位置，从而更直观的展示给用户；
步骤E：根据用户的指令对所述标记进行调整，以及根据所述调整后的标记修改所述主动脉夹层信息，并将修改后的主动脉夹层信息导出至excel表中；
具体地，用户可以对上述自动识别添加的标记进行审查，判断是否存在标记失误，若存在，用户可以在多平面重建得到的图像中手动对标记进行调整，从而实现主动脉夹层信息的进一步校正，之后将校正后的数据导入excel表中；
步骤F：控制所述人工神经网络模型根据所述调整后的标记进行特征学习，从而实现***的自我学习，使人工神经网络模型能够识别的信息更加丰富及精准，从而可以进一步地提高后续分析的准确度；
在本发明实施方式中，通过基于人工神经网络(ANN)的深度学习来实现图像识别，能够从原始输入数据中自动发现需要检测的特征。其包含多个层次，每一个层次完成一次变换(通常是非线性的变换)，把某个较低级别的特征表示表示成更加抽象的特征。只要有足够多的转换层次，即使非常复杂的模式也可以被自动学习。对于图像分类的任务，人工神经网络模型将会自动剔除不相关的特征，例如背景颜色，物体的位置等，但是会自动放大有用的特征，例如形状。图像往往以像素矩阵的形式作为原始输入，人工神经网络模型中第一层的学习功能通常是检测特定方向和形状的边缘的存在与否，以及这些边缘在图像中的位置；第二层检测多种边缘的特定布局，同时忽略边缘位置的微小变化；第三层可以把特定的边缘布局组合成为实际物体的某个部分；后续的层次将会把这些部分组合起来，实现物体的识别，具体可通过全连接层来完成；
对于深度学习而言，这些特征和层次并不需要通过人工设计：它们都可以通过通用的学习过程得到，其算法简单描述如下：(1)初始化网络及学习参数，如设置网络初始权矩阵、学习因子等；(2)提供训练模式，训练网络，直到满足学习要求；(3)前向传播过程：对给定训练模式输入，计算网络的输出模式，并与期望模式比较，若有误差，则执行(4)；否则，返回(2)；(4)后向传播过程：a.计算同一层单元的误差；b.修正权值和阈值；c.返回(2)。
本发明实施方式提供的主动脉影像分析方法，通过将计算机图像智能识别技术运用到主动脉夹层CT影像分析中，并利用计算机的处理，能够自动获取主动脉夹层相关参数并导出，实现批量化、标准化测量方式，进而减少人工工作量，提高工作效率，降低出错概率，保证了分析结果的一致性和重复性，有利于进行同质性的科学研究。
此外，本发明实施方式还提供了一种主动脉影像分析***，包括：
获取模块，用于获取主动脉CTA影像数据；
重建模块，用于对所述CTA影像数据进行多平面重建；
识别模块，用于利用人工神经网络模型在所述多平面重建得到的图像中识别主动脉管腔、夹层内膜、破口以及分支血管；
第一处理模块，用于根据所述识别的结果获取主动脉夹层信息，所述主动脉夹层信息包括主动脉直径、真腔直径、假腔直径、分支血管角度、破口位置、破口在分支血管的延伸情况。
其中，在本发明实施方式中，所述主动脉影像分析***还包括：
标记模块，用于在所述多平面重建得到的图像中对主动脉直径、真腔直径、假腔直径、分支血管角度、破口位置添加标记。
其中，在本发明实施方式中，所述主动脉影像分析***还包括：
调整模块，用于根据用户的指令对所述标记进行调整；
第二处理模块，用于根据所述调整后的标记修改所述主动脉夹层信息，并将修改后的主动脉夹层信息导出至excel表中。
其中，在本发明实施方式中，所述主动脉影像分析***还包括：
学习模块，用于控制所述人工神经网络模型根据所述调整后的标记进行特征学习。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (8)

1.一种主动脉影像分析方法，其特征在于，包括：
步骤S1：获取主动脉的CTA影像数据；
步骤S2：对所述CTA影像数据进行多平面重建；
步骤S3：利用人工神经网络模型在所述多平面重建得到的图像中识别主动脉管腔、夹层内膜、破口以及分支血管；
步骤S4：根据所述识别的结果获取主动脉夹层信息，所述主动脉夹层信息包括主动脉直径、真腔直径、假腔直径、分支血管角度、破口位置、破口在分支血管的延伸情况。
2.根据权利要求1所述的主动脉影像分析方法，其特征在于，在所述步骤S3之后还包括：
在所述多平面重建得到的图像中对主动脉直径、真腔直径、假腔直径、分支血管角度、破口位置添加标记。
3.根据权利要求2所述的主动脉影像分析方法，其特征在于，在所述多平面重建得到的图像中对主动脉直径、真腔直径、假腔直径、分支血管角度、破口位置添加标记之后还包括：
根据用户的指令对所述标记进行调整；
根据所述调整后的标记修改所述主动脉夹层信息，并将修改后的主动脉夹层信息导出至excel表中。
4.根据权利要求3所述的主动脉影像分析方法，其特征在于，根据用户的指令对所述标记进行调整之后还包括：
控制所述人工神经网络模型根据所述调整后的标记进行特征学习。
5.一种主动脉影像分析***，其特征在于，包括：
获取模块，用于获取主动脉的CTA影像数据；
重建模块，用于对所述CTA影像数据进行多平面重建；
识别模块，用于利用人工神经网络模型在所述多平面重建得到的图像中识别主动脉管腔、夹层内膜、破口以及分支血管；
第一处理模块，用于根据所述识别的结果获取主动脉夹层信息，所述主动脉夹层信息包括主动脉直径、真腔直径、假腔直径、分支血管角度、破口位置、破口在分支血管的延伸情况。
6.根据权利要求5所述的主动脉影像分析***，其特征在于，所述主动脉影像分析***还包括：
标记模块，用于在所述多平面重建得到的图像中对主动脉直径、真腔直径、假腔直径、分支血管角度、破口位置添加标记。
7.根据权利要求6所述的主动脉影像分析***，其特征在于，所述主动脉影像分析***还包括：
调整模块，用于根据用户的指令对所述标记进行调整；
第二处理模块，用于根据所述调整后的标记修改所述主动脉夹层信息，并将修改后的主动脉夹层信息导出至excel表中。
8.根据权利要求7所述的主动脉影像分析***，其特征在于，所述主动脉影像分析***还包括：
学习模块，用于控制所述人工神经网络模型根据所述调整后的标记进行特征学习。
CN201810904811.2A 2018-08-09 2018-08-09 主动脉影像分析方法及*** Pending CN108764221A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810904811.2A CN108764221A (zh) 2018-08-09 2018-08-09 主动脉影像分析方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810904811.2A CN108764221A (zh) 2018-08-09 2018-08-09 主动脉影像分析方法及***

Publications (1)

Publication Number Publication Date
CN108764221A true CN108764221A (zh) 2018-11-06

Family

ID=63969606

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810904811.2A Pending CN108764221A (zh) 2018-08-09 2018-08-09 主动脉影像分析方法及***

Country Status (1)

Country Link
CN (1) CN108764221A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110652312A (zh) * 2019-07-19 2020-01-07 慧影医疗科技（北京）有限公司 一种血管cta智能分析***及应用
CN110796670A (zh) * 2019-10-30 2020-02-14 北京理工大学 一种夹层动脉分割方法及装置
CN112674872A (zh) * 2020-12-22 2021-04-20 中国人民解放军陆军军医大学 一种主动脉复合体解剖特征测量方法
WO2021083275A1 (zh) * 2019-10-31 2021-05-06 北京理工大学 动脉夹层手术评估方法、装置、电子设备及存储介质
CN113712528A (zh) * 2021-09-06 2021-11-30 复旦大学附属中山医院 一种主动脉夹层腔内修复术后假腔血流状态评价方法
CN113763337A (zh) * 2021-08-24 2021-12-07 慧影医疗科技（北京）有限公司 一种主动脉夹层假腔供血的检测方法及***
CN113837985A (zh) * 2020-06-24 2021-12-24 博动医学影像科技（上海）有限公司 用于血管造影图像处理的训练方法和装置、自动处理方法和装置
US11475561B2 (en) 2019-06-20 2022-10-18 The Cleveland Clinic Foundation Automated identification of acute aortic syndromes in computed tomography images

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923607A (zh) * 2010-09-01 2010-12-22 冯睿 一种血管计算机辅助影像学评估***
CN101923713A (zh) * 2010-08-04 2010-12-22 中国科学院自动化研究所 一种提取冠状动脉血管中心线的方法
CN102543044A (zh) * 2011-11-28 2012-07-04 中国人民解放军第三军医大学第二附属医院 使冠状动脉显示更精细的方法及***
CN105943160A (zh) * 2016-06-30 2016-09-21 北京工业大学 主动脉覆膜支架介入手术模拟装置
CN106780720A (zh) * 2016-11-30 2017-05-31 上海联影医疗科技有限公司 医学图像显示方法及装置
CN107808377A (zh) * 2017-10-31 2018-03-16 北京青燕祥云科技有限公司 一种肺叶中病灶的定位方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923713A (zh) * 2010-08-04 2010-12-22 中国科学院自动化研究所 一种提取冠状动脉血管中心线的方法
CN101923607A (zh) * 2010-09-01 2010-12-22 冯睿 一种血管计算机辅助影像学评估***
CN102543044A (zh) * 2011-11-28 2012-07-04 中国人民解放军第三军医大学第二附属医院 使冠状动脉显示更精细的方法及***
CN105943160A (zh) * 2016-06-30 2016-09-21 北京工业大学 主动脉覆膜支架介入手术模拟装置
CN106780720A (zh) * 2016-11-30 2017-05-31 上海联影医疗科技有限公司 医学图像显示方法及装置
CN107808377A (zh) * 2017-10-31 2018-03-16 北京青燕祥云科技有限公司 一种肺叶中病灶的定位方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
班润义等: "64 排螺旋CT 血管造影对主动脉夹层的诊断价值", 《CT理论与应用研究》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11475561B2 (en) 2019-06-20 2022-10-18 The Cleveland Clinic Foundation Automated identification of acute aortic syndromes in computed tomography images
CN110652312B (zh) * 2019-07-19 2023-03-14 慧影医疗科技(北京)股份有限公司 一种血管cta智能分析***及应用
CN110652312A (zh) * 2019-07-19 2020-01-07 慧影医疗科技（北京）有限公司 一种血管cta智能分析***及应用
CN110796670B (zh) * 2019-10-30 2022-07-26 北京理工大学 一种夹层动脉分割方法及装置
CN110796670A (zh) * 2019-10-30 2020-02-14 北京理工大学 一种夹层动脉分割方法及装置
WO2021083275A1 (zh) * 2019-10-31 2021-05-06 北京理工大学 动脉夹层手术评估方法、装置、电子设备及存储介质
CN113837985A (zh) * 2020-06-24 2021-12-24 博动医学影像科技（上海）有限公司 用于血管造影图像处理的训练方法和装置、自动处理方法和装置
CN113837985B (zh) * 2020-06-24 2023-11-07 上海博动医疗科技股份有限公司 用于血管造影图像处理的训练方法和装置、自动处理方法和装置
CN112674872B (zh) * 2020-12-22 2021-07-06 中国人民解放军陆军军医大学 一种主动脉复合体解剖特征测量方法
CN112674872A (zh) * 2020-12-22 2021-04-20 中国人民解放军陆军军医大学 一种主动脉复合体解剖特征测量方法
CN113763337A (zh) * 2021-08-24 2021-12-07 慧影医疗科技（北京）有限公司 一种主动脉夹层假腔供血的检测方法及***
CN113763337B (zh) * 2021-08-24 2024-05-03 慧影医疗科技(北京)股份有限公司 一种主动脉夹层假腔供血的检测方法及***
CN113712528A (zh) * 2021-09-06 2021-11-30 复旦大学附属中山医院 一种主动脉夹层腔内修复术后假腔血流状态评价方法

Similar Documents

Publication Publication Date Title
CN108764221A (zh) 主动脉影像分析方法及***
CN111340819B (zh) 图像分割方法、装置和存储介质
CN111292839B (zh) 图像处理方法、装置、计算机设备和存储介质
CN108492300B (zh) 管状结构增强与能量函数结合的肺部血管树分割方法
CN106456078B (zh) 用于对血流储备分数的基于机器学习的评估的方法和***
CN110517238B (zh) Ct医学影像ai三维重建与人机交互可视化网络***
CN104699931B (zh) 一种基于人脸的神经网络血压预测方法及手机
WO2023040164A1 (zh) 一种基于pet/ct的肺腺癌鳞癌诊断模型训练方法及装置
CN108961273B (zh) 一种从ct影像中分割肺动脉和肺静脉的方法及***
CN108280827A (zh) 基于深度学习的冠状动脉病变自动检测方法、***和设备
CN105105743A (zh) 基于深度神经网络的心电图智能诊断方法
CN111681247B (zh) 肺叶肺段分割模型训练方法和装置
CN112614133B (zh) 一种无锚点框的三维肺结节检测模型训练方法及装置
CN109685765A (zh) 一种基于卷积神经网络的x光片肺炎结果预测装置
Yu et al. Break: Bronchi reconstruction by geodesic transformation and skeleton embedding
CN113192069A (zh) 三维断层扫描图像中树状结构的语义分割方法和装置
CN109087310A (zh) 睑板腺纹理区域的分割方法、***、存储介质及智能终端
Sofian et al. Calcification detection using convolutional neural network architectures in intravascular ultrasound images
CN113160120A (zh) 基于多模态融合与深度学习的肝脏血管分割方法及***
JP2024059614A (ja) ユーザ入力に基づいて血管映像を処理する方法及び装置
CN114159083B (zh) 一种基于深度树模型的冠状动脉自动解剖标注方法及***
CN103839048A (zh) 基于低秩分解的胃部ct图像***识别***和方法
Williams et al. Interactive segmentation via deep learning and b-spline explicit active surfaces
CN110858412B (zh) 基于图像配准的心脏冠脉cta模型建立方法
Zhao et al. Quantitation of vascular morphology by directed graph construction

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181106

RJ01 Rejection of invention patent application after publication