CN108805134A - 一种主动脉夹层分割模型的构建方法及应用 - Google Patents

一种主动脉夹层分割模型的构建方法及应用 Download PDF

Info

Publication number
CN108805134A
CN108805134A CN201810664754.5A CN201810664754A CN108805134A CN 108805134 A CN108805134 A CN 108805134A CN 201810664754 A CN201810664754 A CN 201810664754A CN 108805134 A CN108805134 A CN 108805134A
Authority
CN
China
Prior art keywords
aorta
chamber
dissection
segmentation
image
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
Application number
CN201810664754.5A
Other languages
English (en)
Other versions
CN108805134B (zh
Inventor
柴象飞
郭伟
郭娜
葛阳阳
左盼莉
曹龙
孟博文
王成
李健宁
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.)
Huiying medical technology (Beijing) Co.,Ltd.
Original Assignee
Wisdom Shadow Medical Technology (beijing) Co Ltd
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 Wisdom Shadow Medical Technology (beijing) Co Ltd filed Critical Wisdom Shadow Medical Technology (beijing) Co Ltd
Priority to CN201810664754.5A priority Critical patent/CN108805134B/zh
Publication of CN108805134A publication Critical patent/CN108805134A/zh
Application granted granted Critical
Publication of CN108805134B publication Critical patent/CN108805134B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种主动脉夹层分割模型的构建方法及应用，包括：A、获取指定数量的主动脉夹层患者的主动脉区域的CTA图像；B、通过卷积神经网络对所述CTA图像进行预处理，并提取预处理后的所述CTA图像的主动脉夹层的主动脉、真腔、假腔的图像特征；并且获取金标准分割的主动脉、真腔、假腔的位置标注信息；C、根据所述图像特征及所述位置标注信息，通过多任务网络Multi‑task UNet进行训练，以获取训练后的主动脉夹层分割模型。由上，本申请通过上述模型有利于快速有效地获取主动脉夹层的分割预测结果，以大大减少医生的诊断时间，为手术方案制定提供有效地支撑。

Description

一种主动脉夹层分割模型的构建方法及应用
技术领域
本发明涉及医学影像领域，特别是涉及一种主动脉夹层分割模型的构建方法及应用。
背景技术
主动脉夹层的治疗一般通过移植覆膜支架手术来完成。手术前医生需要根据夹层的形态参数(如真腔最大直径)来做预后及确定具体的手术方案，如选取合适尺寸的支架。手术后医生也需要根据夹层形态参数来判断手术效果。通过对主动脉夹层分割可以获取夹层的形态参数(如真、假腔的直径)。目前主动脉夹层分割方法主要分为传统分割方法统方法主要包括诸如霍夫圆检测、中心线提取等基于模型的方法(model-based method)，此类方法做一例主动脉夹层分割往往很耗时。
近年来随着深度卷积神经网络应用条件的成熟，在主动脉分割领域出现一些基于的深度学习方法。但是，对于夹层(真、假腔)的分割尚未见公开的相关工作。
因此，目前亟需构建一种主动脉夹层分割模型以快速有效地获取主动脉夹层的分割预测结果，以大大减少医生的诊断时间，为手术方案制定提供有效地支撑。
发明内容
有鉴于此，本申请提供一种主动脉夹层分割模型的构建方法及应用，有利于快速有效地获取主动脉夹层的分割预测结果，以大大减少医生的诊断时间，为手术方案制定提供有效地支撑。
本申请提供一种主动脉夹层分割模型的构建方法，包括：
A、获取指定数量的主动脉夹层患者的主动脉区域的CTA(CT angiography，CT血管造影)图像；
B、通过卷积神经网络对所述CTA图像进行预处理，并提取预处理后的所述CTA图像的主动脉夹层的主动脉、真腔、假腔的图像特征；并且获取金标准分割的主动脉、真腔、假腔的位置标注信息；
C、根据所述图像特征及所述位置标注信息，通过多任务网络Multi-task UNet进行训练，以获取训练后的主动脉夹层分割模型。
由上，本申请通过上述步骤获取的主动脉夹层分割模型，可以快速有效地获取主动脉夹层的分割预测结果，以大大减少医生的诊断时间，为手术方案制定提供有效地支撑。
优选地，所述步骤C之后还包括：
D、选取指定数量的CTA图像作为验证集，对所述主动脉夹层分割模型进行验证；其中，所述CTA图像包含有提取后的图像特征及位置标注信息；包括：
D1、将验证集中的原始的未标注的CTA图像输入至所述主动脉夹层分割模型中，通过该模型输出所述CTA图像中的主动脉夹层部位的主动脉、真腔和假腔的分割的预测结果；
D2、将所述预测结果与其对应的CTA图像的的金标准分割的位置标注信息进行重叠度比对以及获取两者之间的Hausdorff距离；
D3、采用最大化所述重叠度的同时最小化Hausdorff距离的混合损失函数策略对所述主动脉夹层分割模型进行优化处理，继续对所述主动脉夹层分割模型进行训练至所述重叠度最大且所述Hausdorff距离最小。
由上，对于分割任务而言，通过对模型的预测结果与血管外科医生的金标准分割之间的重叠度对比，可以判断模型的预测的精度，其中，重叠度越大越好，说明预测的精度越高。Hausdorff距离越小，说明预测的精确度越高。采用最大化所述重叠度的同时最小化Hausdorff距离的混合损失函数策略对所述主动脉夹层分割模型进行优化处理。以使得主动脉夹层分割模型的预测精度更高。
优选地，所述混合损失函数的获取方式为，包括：
将所述重叠度进行可微分处理，且将所述Hausdorff距离进行可微分处理；
根据可微分处理后的重叠度以及可微分处理后的Hausdorff距离获取针对主动脉、真腔和假腔的每一分割任务的损失函数；
根据所述每一分割任务的损失函数获取最终的混合损失函数。
由上，由于从DSC与Hausdorff距离的原始定义来看，两者都是不可微分的，不能够直接用来当作损失函数。因此我们首先将这两种指标进行了可微分近似处理，再进一步据此获取了最终的混合损失函数。
优选地，所述重叠度的可微分的表达式为：
其中，ζ为模型输入的每个分割任务的标签；c为类别，包括背景和前景，分别用0,1表示；ζc则表示背景或前景的标签，则表示ζc的第i个体素；
ρ为模型输出的每个分割任务的标签；c为类别，包括背景和前景，分别用0,1表示；ρc则表示背景或前景的标签，则表示ρc的第i个体素；
其中，若假设标签的尺寸为a×b×c，则体素的个数为a×b×c；
其中，和分别表示两个体素值相乘；
所述Hausdorff距离的可微分的表达式为：
其中，Γi 1和Γi 2分别是金标准Γ1和模型预测结果Γ2的第i层图像的轮廓；D表示轮廓所在的二值图像；f(x)表示 表示任意连续严格单调函数；是函数在D上的面积分；m(D)是由二值图像D计算得到的一个常数。
优选地，所述每一分割任务的损失函数的表达式为：
l＝-ldice+αlhausdorff
其中，所述混合损失函数的表达式为：
ltotal＝∑li
i表示主动脉、真腔、假腔；li表示主动脉分割任务损失函数、真腔分割任务损失函数、假腔分割任务损失函数。
优选地，步骤B所述预处理，包括：
对图像分辨率进行归一化处理，使得x,y,z轴分辨率都为1mm；
将图像像素值转化为Hu值，并把Hu值限制在(0，600)范围内，并对图像Hu值进行归一化处理，得到均值为0，方差为1的图像值；以及
对图像进行随机的[-10,10]度之间的旋转，以进行数据扩充。
由上，通过上述归一化的处理，有利于将数据进标准化统一，有利于后续数据的处理。
本申请还提供一种基于上述主动脉夹层分割模型的主动脉夹层分割方法，包括如下步骤：
A’、输入患者的主动脉区域的CTA图像至所述主动脉夹层分割模型中；
B’、输出主动脉夹层部位的主动脉、真腔和假腔的分割的预测结果。
由上，本申请通过上述步骤获取的主动脉夹层分割模型，可以快速有效地获取主动脉夹层的分割预测结果，以大大减少医生的诊断时间，为手术方案制定提供有效地支撑。
优选地，所述步骤B’之后还包括对分割的预测结果进行后处理，具体为：
对分割的预测结果中的主动脉部分，选择最大的连通区域，去除其他的误分割；且用最大的二值化连通区域对真腔和假腔相乘，以保证真腔假腔都在主动脉区域内；和\或
采用cv2.GaussianBlur对分割的主动脉，真腔和假腔的三维坐标的z轴的每一层进行平滑处理；和\或
对预测结果中真腔、假腔分割重叠部分的处理：
设真腔分割时对图像的体素V预测为前景和背景的概率分别为和P1和P2，P1＞P2；假腔分割时对图像中的体素V预测为前景和别境的概率分别为P3和P4，P3＞P4；计算Δ1＝P1-P2和Δ2＝P3-P4，若Δ1＞Δ2则将体素V归类为真腔，反之归类为假腔。
由上，通过上述处理，可依次实现保证真腔假腔都在主动脉区域内，使得图像分割平滑，以及避免预测结果中真腔和假腔的分割重叠。
综上所述，本申请的主动脉夹层分割模型，可以快速有效地获取主动脉夹层的分割预测结果，且预测结果准确，可以大大减少医生的诊断时间，为手术方案制定提供有效地支撑。例如，可以根据预测的分割结果来测量主动脉最大直径等参数，根据这些参数来选取合适尺寸的主动脉支架。再比如，我们期望能根据真腔自动分割的结果计算真腔的直径等参数，以此来评估夹层的严重程度，据此来选取不同的治疗策略。还可以通过计算术前术后假腔的参数来对手术效果进行评估。
附图说明
图1为本申请实施例提供的一种主动脉夹层分割模型的构建方法的流程示意图；
图2为本申请实施例提供的一种基于主动脉夹层分割模型的主动脉夹层分割方法的流程示意图。
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进行说明。
实施例一
如图1所示，为本申请提供的一种主动脉夹层分割模型的构建方法，包括：
S101，获取指定数量的主动脉夹层患者的主动脉区域的CTA图像。所述CTA图像可以来与于已有的大量的主动脉夹层患者的主动脉区域的CTA图像。
S102，通过卷积神经网络对所述CTA图像进行预处理，并提取预处理后的所述CTA图像的主动脉夹层的主动脉、真腔、假腔的图像特征；并且获取金标准分割的主动脉、真腔、假腔的位置标注信息。
其中，所述预处理，包括：
对图像分辨率进行归一化处理，使得x,y,z轴分辨率都为1mm；
将图像像素值转化为Hu值，并把Hu值限制在(0，600)范围内，并对图像Hu值进行归一化处理，得到均值为0，方差为1的图像值；以及
对图像进行随机的[-10,10]度之间的旋转，以进行数据扩充。
通过上述归一化的处理，有利于将数据进标准化统一，有利于后续数据的处理。
S103，根据所述图像特征及所述位置标注信息，通过多任务网络Multi-task UNet进行训练，以获取训练后的主动脉夹层分割模型。
其中，在训练过程中采用了自适应学习率策略，初始学习率设置为0.001，每100个循环学习率降低为上一个循环学习率的0.95倍。
S104，进一步地，选取指定数量的CTA图像作为验证集，对所述主动脉夹层分割模型进行验证；其中，所述CTA图像包含有提取后的图像特征及位置标注信息。
将验证集中的原始的未标注的CTA图像输入至所述主动脉夹层分割模型中，通过该模型输出所述CTA图像中的主动脉夹层部位的主动脉、真腔和假腔的分割的预测结果。
S105，将所述预测结果与其对应的CTA图像的金标准分割的位置标注信息进行重叠度比对,以及获取二者之间的Hausdorff距离。
其中，模型的预测结果与血管外科医生的金标准分割之间的重叠度重叠度越大，说明预测结果越准确。可以根据分割的预测结果来测量主动脉最大直径等参数，根据这些参数来选取合适尺寸的主动脉支架。这种重叠度可以用Dice Similarity Score(DSC)来衡量。Hausdorff距离为模型对主动脉、真腔和假腔的自动分割结果与金标准分割之间的‘距离’，该值越小越好，说明预测结果越准确。从而使得根据模型自动分割结果计算出来的夹层参数应用于临床决策中时是可靠的。
S106，判断是否重叠度最大且Hausdorff距离最小。若是，则执行S108，完成模型构建。若否，则执行S107，对所述主动脉夹层分割模型进行优化处理。
S107，对所述主动脉夹层分割模型进行优化处理。具体的：
采用最大化所述重叠度的同时最小化Hausdorff距离的混合损失函数策略对所述主动脉夹层分割模型进行优化处理，继续对所述主动脉夹层分割模型进行训练。
其中，所述混合损失函数的获取方式为，包括：
将所述重叠度进行可微分处理，且将所述Hausdorff距离进行可微分处理；
根据可微分处理后的重叠度以及可微分处理后的Hausdorff距离获取针对主动脉、真腔和假腔的每一分割任务的损失函数；
根据所述每一分割任务的损失函数获取最终的混合损失函数。
其中，所述重叠度的可微分的表达式为：
其中，ζ为模型输入的每个分割任务的标签；c为类别，包括背景和前景，分别用0,1表示；ζc则表示背景或前景的标签，则表示ζc的第i个体素；
ρ为模型输出的每个分割任务的标签；c为类别，包括背景和前景，分别用0,1表示；ρc则表示背景或前景的标签，则表示ρc的第i个体素；
其中，若假设标签的尺寸为a×b×c，将标签独热化，标签则标称a×b×c的体，体素的个数为a×b×c；
其中，和分别表示两个体素值相乘；
所述Hausdorff距离的可微分的表达式为：
其中，Γi 1和Γi 2分别是金标准Γ1和模型预测结果Γ2的第i层图像的轮廓；D表示轮廓所在的二值图像；f(x)表示 表示任意连续严格单调函数；是函数在D上的面积分；m(D)是由二值图像D计算得到的一个常数。
其中，每一分割任务的损失函数的表达式为：
l＝-ldice+αlhausdorff
其中，所述混合损失函数的表达式为：
ltotal＝∑li
i表示主动脉、真腔、假腔；li表示主动脉分割任务损失函数、真腔分割任务损失函数、假腔分割任务损失函数。
通过上述优化处理，可以使得主动脉夹层分割模型的预测更加准确。
综上所述，本申请通过对主动脉夹层分割模型的构建，有利于快速有效地获取主动脉夹层的分割预测结果，以大大减少医生的诊断时间，为手术方案制定提供有效地支撑。例如，可以根据预测的分割结果来测量主动脉最大直径等参数，根据这些参数来选取合适尺寸的主动脉支架。再比如，我们期望能根据真腔自动分割的结果计算真腔的直径等参数，以此来评估夹层的严重程度，据此来选取不同的治疗策略。还可以通过计算术前术后假腔的参数来对手术效果进行评估。
实施例二
本申请还提供一种基于上述主动脉夹层分割模型的主动脉夹层分割方法，包括如下步骤：
S201，输入患者的主动脉区域的CTA图像至所述主动脉夹层分割模型中；
S202，输出所述主动脉夹层部位的主动脉、真腔和假腔的分割的预测结果。
所述步骤S202之后还包括对分割的预测结果的后处理，具体为：
S203，对分割的预测结果中的主动脉部分选择最大的连通区域，去除其他的误分割；且用最大的二值化连通区域对真腔和假腔相乘，以保证真腔假腔都在主动脉区域内；和\或
S204，采用cv2.GaussianBlur对分割的主动脉，真腔和假腔z轴的每一层进行平滑处理；和\或
S205，对预测结果中真腔、假腔分割重叠部分的处理：
设真腔分割时对图像的体素V预测为前景和背景的概率分别为和P1和P2，P1＞P2；假腔分割时对图像中的体素V预测为前景和别境的概率分别为P3和P4，P3＞P4；计算Δ1＝P1-P2和Δ2＝P3-P4，若Δ1＞Δ2则将体素V归类为真腔，反之归类为假腔。
综上所述，本申请实现了快速有效地获取主动脉夹层的分割预测结果，并且本申请还对预测结果进行了后处理以增加预测结果的准确度，大大减少了医生的诊断时间，为手术方案制定提供有效地支撑。例如，我们可以根据预测的分割结果来测量主动脉最大直径等参数，根据这些参数来选取合适尺寸的主动脉支架。再比如，我们期望能根据真腔自动分割的结果计算真腔的直径等参数，以此来评估夹层的严重程度，据此来选取不同的治疗策略。还可以通过计算术前术后假腔的参数来对手术效果进行评估。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种主动脉夹层分割模型的构建方法，其特征在于，包括：
A、获取指定数量的主动脉夹层患者的主动脉区域的CTA图像，；
B、通过卷积神经网络对所述CTA图像进行预处理，并提取预处理后的所述CTA图像的主动脉夹层的主动脉、真腔、假腔的图像特征；并且获取金标准分割的主动脉、真腔、假腔的位置标注信息；
C、根据所述图像特征及所述位置标注信息，通过多任务网络Multi-task UNet进行训练，以获取训练后的主动脉夹层分割模型。
2.根据权利要求1所述的方法，其特征在于，所述步骤C之后还包括：
D、选取指定数量的CTA图像作为验证集，对所述主动脉夹层分割模型进行验证；其中，所述CTA图像包含有提取后的图像特征及位置标注信息；包括：
D1、将验证集中的原始的未标注的CTA图像输入至所述主动脉夹层分割模型中，通过该模型输出所述CTA图像中的主动脉夹层部位的主动脉、真腔和假腔的分割的预测结果；
D2、将所述预测结果与其对应的CTA图像的的金标准分割的位置标注信息进行重叠度比对以及获取两者之间的Hausdorff距离；
D3、采用最大化所述重叠度的同时最小化Hausdorff距离的混合损失函数策略对所述主动脉夹层分割模型进行优化处理，继续对所述主动脉夹层分割模型进行训练至所述重叠度最大且所述Hausdorff距离最小。
3.根据权利要求2所述的方法，其特征在于，步骤D3所述混合损失函数的获取方式为，包括：
将所述重叠度进行可微分处理，且将所述Hausdorff距离进行可微分处理；
根据可微分处理后的重叠度以及可微分处理后的Hausdorff距离获取针对主动脉、真腔和假腔的每一分割任务的损失函数；
根据所述每一分割任务的损失函数获取最终的混合损失函数。
4.根据权利要求3所述的方法，其特征在于，所述重叠度的可微分的表达式为：
其中，为模型输入的每个分割任务的标签；c为类别，包括背景和前景，分别用0,1表示；则表示背景或前景的标签，则表示的第i个体素；
ρ为模型输出的每个分割任务的标签；c为类别，包括背景和前景，分别用0,1表示；ρc则表示背景或前景的标签，则表示ρc的第i个体素；
其中，若假设标签的尺寸为a×b×c，则体素的个数为a×b×c；
其中，和分别表示两个体素值相乘；
所述Hausdorff距离的可微分的表达式为：
其中，Γi 1和Γi 2分别是金标准Γ1和模型预测结果Γ2的第i层图像的轮廓；D表示轮廓所在的二值图像；f(x)表示 表示任意连续严格单调函数；是函数在D上的面积分；m(D)是由二值图像D计算得到的一个常数。
5.根据权利要求4所述的方法，其特征在于，所述每一分割任务的损失函数的表达式为：
l＝-ldice+αlhausdorff
其中，所述混合损失函数的表达式为：
ltotal＝∑li
i表示主动脉、真腔、假腔；li表示主动脉分割任务损失函数、真腔分割任务损失函数、假腔分割任务损失函数；α为系数。
6.根据权利要求1所述的方法，其特征在于，步骤B所述预处理，包括：
对图像分辨率进行归一化处理，使得x,y,z轴分辨率都为1mm；
将图像像素值转化为Hu值，并把Hu值限制在(0，600)范围内，并对图像Hu值进行归一化处理，得到均值为0，方差为1的图像值；以及
对图像进行随机的[-10,10]度之间的旋转，以进行数据扩充。
7.一种基于权利要求1-6任一项所述的主动脉夹层分割模型的主动脉夹层分割方法，其特征在于，包括如下步骤：
A’、输入患者的主动脉区域的CTA图像至所述主动脉夹层分割模型中；
B’、输出所述主动脉夹层部位的主动脉、真腔和假腔的分割的预测结果。
8.根据权利要求7所述的方法，其特征在于，所述步骤B’之后还包括对分割的预测结果进行后处理，具体为：
C’1、对分割的预测结果中的主动脉部分选择最大的连通区域，去除其他的误分割；且用最大的二值化连通区域对真腔和假腔相乘，以保证真腔假腔都在主动脉区域内；和\或
C’2、采用cv2.GaussianBlur对分割的主动脉，真腔和假腔z轴的每一层进行平滑处理；和\或
C’3、对预测结果中真腔、假腔分割重叠部分的处理：
设真腔分割时对图像的体素V预测为前景和背景的概率分别为和P1和P2，P1＞P2；假腔分割时对图像中的体素V预测为前景和别境的概率分别为P3和P4，P3＞P4；计算Δ1＝P1-P2和Δ2＝P3-P4，若Δ1＞Δ2则将体素V归类为真腔，反之归类为假腔。
CN201810664754.5A 2018-06-25 2018-06-25 一种主动脉夹层分割模型的构建方法及应用 Active CN108805134B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810664754.5A CN108805134B (zh) 2018-06-25 2018-06-25 一种主动脉夹层分割模型的构建方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810664754.5A CN108805134B (zh) 2018-06-25 2018-06-25 一种主动脉夹层分割模型的构建方法及应用

Publications (2)

Publication Number Publication Date
CN108805134A true CN108805134A (zh) 2018-11-13
CN108805134B CN108805134B (zh) 2021-09-10

Family

ID=64071329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810664754.5A Active CN108805134B (zh) 2018-06-25 2018-06-25 一种主动脉夹层分割模型的构建方法及应用

Country Status (1)

Country Link
CN (1) CN108805134B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110580702A (zh) * 2019-07-16 2019-12-17 慧影医疗科技（北京）有限公司 一种用于腹主动脉瘤边界分割的方法
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
CN110675375A (zh) * 2019-09-18 2020-01-10 天津工业大学 一种胸腹腔主动脉图像夹层自动判别方法
CN110742633A (zh) * 2019-10-29 2020-02-04 慧影医疗科技（北京）有限公司 B型主动脉夹层术后风险预测方法、装置和电子设备
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
CN110826908A (zh) * 2019-11-05 2020-02-21 北京推想科技有限公司 人工智能预测的评估方法、装置、存储介质及电子设备
CN111260134A (zh) * 2020-01-17 2020-06-09 南京星火技术有限公司 调试辅助设备、装置、产品调试设备和计算机可读介质
CN111724374A (zh) * 2020-06-22 2020-09-29 林晨 分析结果的评估方法及终端
CN112330708A (zh) * 2020-11-24 2021-02-05 沈阳东软智能医疗科技研究院有限公司 图像处理方法、装置、存储介质及电子设备
CN112561871A (zh) * 2020-12-08 2021-03-26 中国医学科学院北京协和医院 一种基于平扫ct图像的主动脉夹层分割方法和装置
CN112837322A (zh) * 2019-11-22 2021-05-25 北京深睿博联科技有限责任公司 图像分割方法及装置、设备、存储介质
CN113674291A (zh) * 2021-08-16 2021-11-19 北京理工大学 一种全类型主动脉夹层真假腔图像分割方法及***
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***
CN114359308A (zh) * 2022-01-07 2022-04-15 北京理工大学 一种基于边缘响应与非线性损失的主动脉夹层分割方法
CN114663354A (zh) * 2022-02-24 2022-06-24 中国人民解放军陆军军医大学 一种动脉夹层的智能分割方法、装置及存储介质
CN113674291B (zh) * 2021-08-16 2024-07-16 北京理工大学 一种全类型主动脉夹层真假腔图像分割方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1690230A1 (en) * 2003-11-13 2006-08-16 Centre Hospitalier de l'Université de Montréal Automatic multi-dimensional intravascular ultrasound image segmentation method
CN1924926A (zh) * 2006-09-21 2007-03-07 复旦大学 一种基于二维模糊聚类的超声图像分割方法
US20080033302A1 (en) * 2006-04-21 2008-02-07 Siemens Corporate Research, Inc. System and method for semi-automatic aortic aneurysm analysis
CN105719295A (zh) * 2016-01-21 2016-06-29 浙江大学 一种基于三维超体素的颅内出血区域分割方法及***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1690230A1 (en) * 2003-11-13 2006-08-16 Centre Hospitalier de l'Université de Montréal Automatic multi-dimensional intravascular ultrasound image segmentation method
US20080033302A1 (en) * 2006-04-21 2008-02-07 Siemens Corporate Research, Inc. System and method for semi-automatic aortic aneurysm analysis
CN1924926A (zh) * 2006-09-21 2007-03-07 复旦大学 一种基于二维模糊聚类的超声图像分割方法
CN105719295A (zh) * 2016-01-21 2016-06-29 浙江大学 一种基于三维超体素的颅内出血区域分割方法及***

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
KARL KRISSIAN ET AL: "Semi-automatic segmentation and detection of aorta dissection wall in MDCT angiography", 《MEDICAL IMAGE ANALYSIS》 *
OLAF RONNEBERGER ET AL: "U-Net: Convolutional Networks for Biomedical Image Segmentation", 《MEDICAL IMAGE COMPUTING AND COMPUTER-ASSISTED INTERVENTION MICCAI 2015》 *
XIN YANG ET AL: "Hybrid Loss Guided Convolutional", 《STACOM 2017: STATISTICAL ATLASES AND COMPUTATIONAL MODELS OF THE HEART. ACDC AND MMWHS CHALLENGES》 *
XUHUI CHEN ET AL: "TRAIN A 3D U-NET TO SEGMENT CRANIAL VASCULATURE IN CTA VOLUME WITHOUT MANUAL ANNOTATION", 《2018 IEEE 15TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI 2018)》 *
郭伟等: "B型主动脉夹层腔内治疗共识与争议", 《中国实用外科杂志》 *
隋晓丹: "基于深度学习算法的主动脉瘤CT影像分割技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110580702A (zh) * 2019-07-16 2019-12-17 慧影医疗科技（北京）有限公司 一种用于腹主动脉瘤边界分割的方法
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
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
CN110675375A (zh) * 2019-09-18 2020-01-10 天津工业大学 一种胸腹腔主动脉图像夹层自动判别方法
CN110742633A (zh) * 2019-10-29 2020-02-04 慧影医疗科技（北京）有限公司 B型主动脉夹层术后风险预测方法、装置和电子设备
CN110742633B (zh) * 2019-10-29 2023-04-18 慧影医疗科技(北京)股份有限公司 B型主动脉夹层术后风险预测方法、装置和电子设备
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
CN110826908A (zh) * 2019-11-05 2020-02-21 北京推想科技有限公司 人工智能预测的评估方法、装置、存储介质及电子设备
CN112837322A (zh) * 2019-11-22 2021-05-25 北京深睿博联科技有限责任公司 图像分割方法及装置、设备、存储介质
CN111260134A (zh) * 2020-01-17 2020-06-09 南京星火技术有限公司 调试辅助设备、装置、产品调试设备和计算机可读介质
CN111724374A (zh) * 2020-06-22 2020-09-29 林晨 分析结果的评估方法及终端
CN111724374B (zh) * 2020-06-22 2024-03-01 智眸医疗(深圳)有限公司 分析结果的评估方法及终端
CN112330708A (zh) * 2020-11-24 2021-02-05 沈阳东软智能医疗科技研究院有限公司 图像处理方法、装置、存储介质及电子设备
CN112330708B (zh) * 2020-11-24 2024-04-23 沈阳东软智能医疗科技研究院有限公司 图像处理方法、装置、存储介质及电子设备
CN112561871A (zh) * 2020-12-08 2021-03-26 中国医学科学院北京协和医院 一种基于平扫ct图像的主动脉夹层分割方法和装置
CN113674291A (zh) * 2021-08-16 2021-11-19 北京理工大学 一种全类型主动脉夹层真假腔图像分割方法及***
CN113674291B (zh) * 2021-08-16 2024-07-16 北京理工大学 一种全类型主动脉夹层真假腔图像分割方法及***
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***
CN114359308A (zh) * 2022-01-07 2022-04-15 北京理工大学 一种基于边缘响应与非线性损失的主动脉夹层分割方法
CN114663354A (zh) * 2022-02-24 2022-06-24 中国人民解放军陆军军医大学 一种动脉夹层的智能分割方法、装置及存储介质

Also Published As

Publication number Publication date
CN108805134B (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN108805134A (zh) 一种主动脉夹层分割模型的构建方法及应用
CN109035255B (zh) 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
US11216950B2 (en) Method and system for automatically segmenting blood vessel in medical image by using machine learning and image processing algorithm
EP2966615B1 (en) Method and system for improved hemodynamic computation in coronary arteries
CN104992430B (zh) 基于卷积神经网络的全自动的三维肝脏分割方法
CN109009000A (zh) 一种主动脉夹层破口位置的检测方法
CN115661467B (zh) 脑血管图像分割方法、装置、电子设备及存储介质
CN104217418A (zh) 钙化血管的分割
EP3828817B1 (en) Computer-implemented method for evaluating a ct data set regarding perivascular tissue, evaluation device, computer program and electronically readable storage medium
CN110047082A (zh) 基于深度学习的胰腺神经内分泌肿瘤自动分割方法及***
CN114119602B (zh) 对医学图像进行对象分析的方法、装置和存储介质
CN108648182A (zh) 一种基于分子亚型的乳腺癌核磁共振图像肿瘤区域分割方法
WO2016159379A1 (ja) 血管形状構築装置、その方法及びコンピュータソフトウエアプログラム
CN109886938A (zh) 一种超声图像血管直径自动测量方法
KR20110124036A (ko) 생체부분 간이식의 공여자 선별을 위한 간 영역 체적 측정 방법
CN107025646B (zh) 一种下肢血管提取方法和装置
CN105427329A (zh) 一种基于cta图像的双肢血管图像的分割方法和***
Cao et al. Automatic identification of side branch and main vascular measurements in intravascular optical coherence tomography images
CN116524548B (zh) 血管结构信息提取方法、装置及存储介质
CN113974667A (zh) 一种tavi术前关键目标的自动定位装置及方法
Giordano et al. Automatic skeletal bone age assessment by integrating EMROI and CROI processing
CN112837283A (zh) 一种肺栓塞检测***、介质及电子设备
CN109875527A (zh) 一种血管钙化的计算方法及设备
Morariu et al. Polar-based aortic segmentation in 3D CTA dissection data using a piecewise constant curvature model
Liu et al. Vascular landmark detection in 3D CT data

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
CP02 Change in the address of a patent holder

Address after: 100192 A206, floor B-2, Dongsheng Science Park, Zhongguancun, No. 66, xixiaokou Road, Haidian District, Beijing

Patentee after: HUIYING MEDICAL TECHNOLOGY (BEIJING) Co.,Ltd.

Address before: 100192 room 206, 2f, building C-2, Dongsheng Science Park, Zhongguancun, No. 66, xixiaokou Road, Haidian District, Beijing

Patentee before: HUIYING MEDICAL TECHNOLOGY (BEIJING) Co.,Ltd.

CP02 Change in the address of a patent holder
CP03 Change of name, title or address

Address after: 100000 Zhongguancun Dongsheng Science Park, 66 xixiaokou Road, Haidian District, Beijing A206, 2f, building B-2, Northern Territory

Patentee after: Huiying medical technology (Beijing) Co.,Ltd.

Address before: 100192 Northern Territory of Zhongguancun Dongsheng science and Technology Park, 66 xixiaokou Road, Haidian District, Beijing B-2nd floor A206

Patentee before: HUIYING MEDICAL TECHNOLOGY (BEIJING) Co.,Ltd.

CP03 Change of name, title or address
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Construction method and application of a segmentation model for aortic dissection

Granted publication date: 20210910

Pledgee: Bank of Shanghai Co.,Ltd. Beijing Branch

Pledgor: Huiying medical technology (Beijing) Co.,Ltd.

Registration number: Y2024990000074

PE01 Entry into force of the registration of the contract for pledge of patent right