CN109389606A - 一种冠状动脉分割方法及装置 - Google Patents
一种冠状动脉分割方法及装置 Download PDFInfo
- Publication number
- CN109389606A CN109389606A CN201811162107.0A CN201811162107A CN109389606A CN 109389606 A CN109389606 A CN 109389606A CN 201811162107 A CN201811162107 A CN 201811162107A CN 109389606 A CN109389606 A CN 109389606A
- Authority
- CN
- China
- Prior art keywords
- coronary artery
- prediction result
- subregion
- region
- segmentation
- 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
Links
Classifications
-
- 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
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及图像处理,尤其涉及一种冠状动脉分割方法及装置,所述方法包括:通过心脏分割模型对心脏区域进行分割扩展,得到冠状动脉区域;通过冠状动脉模型对所述冠状动脉区域进行分割预测,得到冠状动脉预测结果;基于所述冠状动脉预测结果上的至少一个端点,通过冠状动脉优化模型对位于冠状动脉预测结果上的该端点进行优化,得到冠状动脉子区域优化预测结果;将经优化得到的冠状动脉子区域优化预测结果拼接在冠状动脉预测结果的对应端点上,得到冠状动脉分割优化预测结果,提高了冠状动脉的分割精度。
Description
技术领域
本发明涉及图像处理技术,尤其涉及一种冠状动脉分割方法及装置。
背景技术
人体各组织器官要维持其正常的生命活动,需要心脏不停地搏动以保证血液运行。主动脉是最大的动脉,起源于心脏,负责全身的血液供应,而心脏作为一个泵血的肌性动力器官,本身也需要足够的营养和能源。冠状动脉是专供心脏营养的血管,起于主动脉根部,分左右两支,行于心脏表面。两者都是从心脏发出,供应所到器官的氧气以及营养。
目前,人们开发了许多种心血管成像技术来直观地查看心脏周围的冠状动脉的结构,冠状动脉分割的现有方法主要分为三大类:全自动分割、半自动分割和人工交互式分割。
以全自动分割方法为例,一般先检测出整个心脏范围,然后在心脏范围内分割出候选的冠状动脉成分;再从主动脉处开始用连接成分分析并对这些成分进行区域增长,得到整个血管树的分割结果。由于所述方法在分割出候选的冠状动脉成分中会连入一些非冠脉血管,对血管末端的分割识别能力不够强,从而造成分割结果精度下降。
发明内容
鉴于上述问题,本发明的第一目的是提供一种冠状动脉分割方法,所述方法包括:通过心脏分割模型对心脏区域进行分割扩展,得到冠状动脉区域;通过冠状动脉模型对所述冠状动脉区域进行分割预测,得到冠状动脉预测结果;基于所述冠状动脉预测结果上的至少一个端点,通过冠状动脉优化模型对位于冠状动脉预测结果上的该端点进行优化,得到冠状动脉子区域优化预测结果;将经优化得到的冠状动脉子区域优化预测结果拼接在冠状动脉预测结果的对应端点上,得到冠状动脉分割优化预测结果。
作为优选,所述方法还包括:通过心脏分割模型对心脏区域进行分割扩展,得到主动脉根部区域;通过主动脉根部模型对所述主动脉根部区域进行预测,得到主动脉根部预测结果;将所述主动脉根部预测结果与所述冠状动脉分割优化预测结果拼接,得到所述心脏区域的区域分割预测结果。
作为优选,将所述主动脉根部预测结果与所述冠状动脉分割优化预测结果拼接,包括:确定所述主动脉根部预测结果与所述冠状动脉分割优化预测结果的拼接重叠区域;将所确定的拼接重叠区域确定为冠状动脉分割优化预测结果。
作为优选,所述通过冠状动脉模型对所述冠状动脉区域进行分割预测,得到冠状动脉预测结果,包括:将所述冠状动脉区域分割成至少一个冠状动脉子区域;利用冠状动脉模型分别对每一个所述冠状动脉子区域进行预测,得到至少一个冠状动脉子区域预测结果;将所有冠状动脉子区域预测结果互相拼接形成所述冠状动脉预测结果。
作为优选,基于所述冠状动脉预测结果上的至少一个端点,通过冠状动脉优化模型对所述冠状动脉预测结果进行优化,得到冠状动脉子区域优化预测结果,包括:在所述冠状动脉预测结果上生成中心线;由所述中心线生成连通图,通过所述连通图得到生成树,通过生成树确定至少一个所述端点;在端点处对冠状动脉区域进行分割,形成端点子区域,通过冠状动脉优化模型在端点子区域生成所述冠状动脉子区域优化预测结果。
作为优选,将经优化得到的冠状动脉子区域优化预测结果拼接在冠状动脉预测结果的对应端点上,得到冠状动脉分割优化预测结果,包括:本发明第二目的提供一种冠状动脉分割装置,提高冠状动脉的分割精度。
本发明提供一种冠状动脉分割装置,包括:分割扩展模块,用于通过心脏分割模型对心脏区域进行分割扩展,得到冠状动脉区域;模型预测模块,用于通过冠状动脉模型对所述冠状动脉区域进行分割预测,得到冠状动脉预测结果;端点优化模块,用于基于所述冠状动脉预测结果上的至少一个端点,通过冠状动脉优化模型对位于冠状动脉预测结果上的该端点进行优化,用于得到冠状动脉子区域优化预测结果;结果拼接模块,将经优化得到的冠状动脉子区域优化预测结果拼接在冠状动脉预测结果的对应端点上,得到冠状动脉分割优化预测结果。
作为优选,还包括,所述分割扩展模块,进一步用于通过心脏分割模型对心脏区域进行分割扩展,得到主动脉根部区域;所述模型预测模块,进一步用于通过主动脉根部模型对所述主动脉根部区域进行预测,得到主动脉根部预测结果;所述结果拼接模块,进一步用于将所述主动脉根部预测结果与所述冠状动脉分割优化预测结果拼接,得到所述心脏区域的区域分割预测结果。
作为优选,所述结果拼接模块包括,第一重叠区域拼接单元,用于确定所述主动脉根部预测结果与所述冠状动脉分割优化预测结果的拼接重叠区域;重叠区域确定单元,用于将所确定的拼接重叠区域确定为冠状动脉分割优化预测结果。
作为优选,所述模型预测模块,包括,区域分割单元,用于将所述冠状动脉区域分割成至少一个冠状动脉子区域;区域预测单元,用于利用冠状动脉模型分别对每一个所述冠状动脉子区域进行预测,得到至少一个冠状动脉子区域预测结果;区域拼接单元,用于将所有冠状动脉子区域预测结果互相拼接形成所述冠状动脉预测结果。
作为优选,所述端点优化模块包括,中心线生成单元,在所述冠状动脉预测结果上生成中心线;端点确定单元,由所述中心线生成连通图,通过所述连通图得到生成树,通过生成树确定至少一个所述端点;端点模型优化单元,在端点处对冠状动脉区域进行分割,形成端点子区域,通过冠状动脉优化模型在端点子区域生成所述冠状动脉子区域优化预测结果。
作为优选,所述结果拼接模块还包括有:所述第二重叠区域拼接单元,用于确定所述冠状动脉子区域优化预测结果与所述冠状动脉预测结果的拼接重叠区域;结果替代单元,用于在所述拼接重叠区域上将经优化得到的冠状动脉子区域优化预测结果替代在冠状动脉预测结果的对应端点上,得到冠状动脉分割优化预测结果;结果追加单元,用于在所述拼接重叠区域上将经优化得到的冠状动脉子区域优化预测结果追加在冠状动脉预测结果的对应端点上,得到冠状动脉分割优化预测结果。
综上本发明具有以下有益效果:
1、本发明在冠状动脉预测结果的端点进一步进行优化,并通过将冠状动脉子区域优化预测结果拼接在对应的端点上,使冠状动脉的血管末端相较于现有技术能够更加清晰,减少非冠脉血管等的引入,进而提高了冠脉血管的分割精度。同时,由于心脏区域、冠状动脉区域、冠状动脉子区域依次得到,可使用同一坐标系,可一次建系,减少计算量,提高了冠状动脉子区域优化预测结果拼接过程中的准确性,进一步提高了冠状动脉的分割精度;
2、本发明在得到冠状动脉预测结果后,继续利用冠状动脉优化模型得到冠状动脉子区域优化预测结果,并将冠状动脉子区域优化预测结果拼接得到冠状动脉分割优化预测结果,提高了冠状动脉血管末端的精准度,保证了分割结果精度;
3、本发明利用主动脉根部预测结果与冠状动脉分割优化预测结果拼接,能够通过主动脉根部预测结果进一步验证冠状动脉分割优化预测结果的精准度,进一步确保了分割结果精度,同时还能够得到区域分割预测结果;
4、本发明利用冠状动脉预测结果与冠状动脉分割优化预测结果拼接,利用冠状动脉预测结果对冠状动脉分割优化预测结果的精准度进行验证,通过重新确定冠状动脉分割优化预测结果,增加了冠状动脉分割优化预测结果的判定方式;
5、使用中心线算法配合生成树相较于其他计算方式,计算简单、效率高、准确度高。
需要理解的是,本发明的教导并不需要实现上面所述的全部有益效果,而是特定的技术方案可以实现特定的技术效果,并且本发明的其他实施方式还能够实现上面未提到的有益效果。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1为本发明一实施例中冠状动脉分割方法的流程示意图;
图2为本发明另一实施例中冠状动脉分割方法的流程示意图;
图3为本发明主动脉根部预测结果和冠状动脉分割优化结果的拼接示意图;
图4为本发明冠状动脉分割装置的示意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域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。
如图1所示,本发明一实施例的一种冠状动脉分割方法,包括:
步骤101,通过心脏分割模型对心脏区域进行分割扩展,得到冠状动脉区域。
具体包括:首先,以大量随机心脏分割数据的仿真结果作为深度神经网络的训练样本,采用深度学习方法优化得到心脏分割模型;其次,通过CT影像采集得到心脏区域,心脏区域为3D图像;再次,使用心脏分割模型对心脏区域进行分割得到心脏区域坐标,心脏区域坐标为3D坐标。其中,心脏区域呈心脏的最大外切长方体,心脏区域坐标的表达方式可以长方体左上角及右下角的坐标,即pl(xl,yl,zl),pr(xr、yr、zr);也可以是六面体的中心坐标及长宽高,即p0(x0,y0,z0),(l,w,h);心脏区域坐标的表达方式包括但是不仅限于以上两种;进一步地,对心脏区域进行心脏区域坐标的扩展,得到冠状动脉区域和位于冠状动脉区域内的冠状动脉区域坐标。
步骤102,通过冠状动脉模型对冠状动脉区域进行分割预测,得到冠状动脉预测结果。
具体包括:
以大量随机冠状动脉数据的仿真结果作为深度神经网络的训练样本,采用深度学习方法优化得到冠状动脉模型。
将冠状动脉区域坐标分割成至少一个冠状动脉子区域。其中,冠状动脉子区域的大小与冠状动脉模型训练时的进入网络训练的训练数据大小一致;可以是32*256*256或16*320*320等大小,冠状动脉子区域的大小包括但是不仅限于以上两种。冠状动脉子区域的步长设置是三维步长,即x,y,z三轴均需设置步长。步长的大小设置可使冠状动脉子区域之间有重复区域(步长小),也可以没有重复区域(步长大);步长可以是固定的(即固定步长),也可以是不固定的(即变步长),但步长的设置将冠状动脉区域均有覆盖。
在冠状动脉子区域均使用冠状动脉模型进行预测,得到冠状动脉子区域预测结果,冠状动脉子区域预测结果为在冠状动脉子区域内的冠状动脉3D图像。
将冠状动脉子区域预测结果互相拼接形成冠状动脉预测结果,冠状动脉预测结果为冠状动脉初步的3D图像。
步骤103,基于冠状动脉预测结果上的至少一个端点,通过冠状动脉优化模型对位于冠状动脉预测结果上的该端点进行优化,得到冠状动脉子区域优化预测结果。
具体包括:
以大量随机冠状动脉优化数据的仿真结果作为深度神经网络的训练样本,采用深度学习方法优化得到冠状动脉优化模型。
在冠状动脉预测结果上生成中心线,中心线算法可使用Lee94版本的中心线算法求得,但不仅限于使用Lee94版本的中心线算法,还可以使用其他软件的中心线算法。
由中心线生成连通图,通过连通图得到生成树。生成树可以为最小生成树或最大生成树,可使用普里姆算法或者克鲁斯卡尔算法来生成最小生成树或最大生成树,但不仅限于使用以上两种算法,还可以使用其他软件的最小生成树或最大生成树。
通过生成树确定每条中心线的端点。
将冠状动脉区域在端点处分割形成端点子区域,将冠状动脉子区域优化预测结果拼接在冠状动脉预测结果的对应端点上,冠状动脉子区域优化预测结果为在端点子区域内优化的冠状动脉的3D图像。
步骤104,将冠状动脉子区域优化预测结果拼接在对应的端点上,得到冠状动脉分割优化预测结果,冠状动脉分割优化预测结果为冠状动脉分割优化的3D图像。
以上涉及深度网络学习的训练样本均可以通过CT影像获得,但不仅限于CT影像。
参见图2和图3,图3为本发明主动脉根部预测结果和冠状动脉分割优化结果的拼接示意图,本发明一实施例的一种冠状动脉分割方法,包括:
步骤201,通过心脏分割模型对心脏区域进行分割扩展,得到冠状动脉区域。
具体包括:
以大量随机心脏分割数据的仿真结果作为深度神经网络的训练样本,采用深度学习方法优化得到心脏分割模型。
通过CT影像采集得到心脏区域,心脏区域为3D图像。
使用心脏分割模型对心脏区域进行分割得到心脏区域坐标,心脏区域坐标为3D坐标。其中,心脏区域呈心脏的最大外切长方体,心脏区域坐标的表达方式可以长方体左上角及右下角的坐标,即pl(xl,yl,zl),pr(xr、yr、zr);也可以是六面体的中心坐标及长宽高,即p0(x0,y0,z0),(l,w,h);心脏区域坐标的表达方式包括但是不仅限于以上两种。
对心脏区域进行心脏区域坐标的扩展,得到冠状动脉区域和位于冠状动脉区域内的冠状动脉区域坐标。
步骤202,通过冠状动脉模型对冠状动脉区域进行分割预测,得到冠状动脉预测结果。
具体包括:
以大量随机冠状动脉数据的仿真结果作为深度神经网络的训练样本,采用深度学习方法优化得到冠状动脉模型。
将冠状动脉区域坐标分割成至少一个冠状动脉子区域。其中,冠状动脉子区域的大小与冠状动脉模型训练时的进入网络训练的训练数据大小一致;可以是32*256*256或16*320*320等大小,冠状动脉子区域的大小包括但是不仅限于以上两种。冠状动脉子区域的步长设置是三维步长,即x,y,z三轴均需设置步长。步长的大小设置可使冠状动脉子区域之间有重复区域(步长小),也可以没有重复区域(波长大);步长可以是固定的(即固定步长),也可以是不固定的(即变步长),但步长的设置将冠状动脉区域均有覆盖。
在冠状动脉子区域均使用冠状动脉模型进行预测,得到冠状动脉子区域预测结果,冠状动脉子区域预测结果为在冠状动脉子区域内的冠状动脉3D图像。
将冠状动脉子区域预测结果互相拼接形成冠状动脉预测结果,冠状动脉预测结果为冠状动脉初步的3D图像。
步骤203,基于冠状动脉预测结果上的至少一个端点,通过冠状动脉优化模型对位于冠状动脉预测结果上的该端点进行优化,得到冠状动脉子区域优化预测结果。
具体包括:
以大量随机冠状动脉优化数据的仿真结果作为深度神经网络的训练样本,采用深度学习方法优化得到冠状动脉优化模型。
在冠状动脉预测结果上生成中心线。中心线算法可使用Lee94版本的中心线算法求得,但不仅限于使用Lee94版本的中心线算法,还可以使用其他软件的中心线算法。
由中心线生成连通图,通过连通图得到生成树。生成树可以为最小生成树或最大生成树,可使用普里姆算法或者克鲁斯卡尔算法来生成最小生成树或最大生成树,但不仅限于使用以上两种算法,还可以使用其他软件的最小生成树或最大生成树。
通过生成树确定每条中心线的端点。
将冠状动脉区域在端点处分割形成端点子区域,将冠状动脉子区域优化预测结果拼接在冠状动脉预测结果的对应端点上,冠状动脉子区域优化预测结果为在端点子区域内优化的冠状动脉子区域内的3D图像。
步骤204,将冠状动脉子区域优化预测结果拼接在对应的端点上,得到冠状动脉分割优化预测结果,冠状动脉分割优化预测结果为冠状动脉分割优化的3D图像。
步骤205,同理,通过心脏分割模型对心脏区域进行分割扩展,得到主动脉根部区域。具体为,对心脏区域坐标进行分割扩展,得到主动脉根部区域坐标,主动脉根部区域坐标为3D坐标。
步骤206,以大量随机主动脉根部的仿真结果作为深度神经网络的训练样本,采用深度学习方法优化得到主动脉根部模型,通过主动脉根部模型对主动脉根部区域进行预测,得到主动脉根部预测结果。
具体包括:
将主动脉根部区域坐标分割成至少一个主动脉根部子区域。
在主动脉根部子区域均使用主动脉根部模型进行预测,得到主动脉根部子区域预测结果,主动脉根部子区域预测结果为主动脉根部在每个主动脉根部子区域内的3D预测图像。
通过将主动脉根部子区域预测结果拼接得到主动脉根部预测结果,主动脉根部预测结果为主动脉根部3D预测图像。
步骤207,将主动脉根部预测结果与冠状动脉分割优化预测结果拼接,得到心脏区域的区域分割预测结果,区域分割预测结果为主动脉根部3D预测图像和冠状动脉分割优化的3D图像拼接形成的3D图像。
以上涉及深度网络学习的训练样本均可以通过CT影像获得,但不仅限于CT影像。
参见图2和图3,图3为本发明主动脉根部预测结果和冠状动脉分割优化结果的拼接示意图,本发明一实施例的一种冠状动脉分割方法,包括有如下步骤:
步骤201,通过心脏分割模型对心脏区域进行分割扩展,得到冠状动脉区域。
具体包括:
以大量随机心脏分割数据的仿真结果作为深度神经网络的训练样本,采用深度学习方法优化得到心脏分割模型。
通过CT影像采集得到心脏区域,心脏区域为3D图像。
使用心脏分割模型对心脏区域进行分割得到心脏区域坐标,心脏区域坐标为3D坐标。其中,心脏区域呈心脏的最大外切长方体,心脏区域坐标的表达方式可以长方体左上角及右下角的坐标,即pl(xl,yl,zl),pr(xr、yr、zr);也可以是六面体的中心坐标及长宽高,即p0(x0,y0,z0),(l,w,h);心脏区域坐标的表达方式包括但是不仅限于以上两种。
对心脏区域进行心脏区域坐标的扩展,得到冠状动脉区域和位于冠状动脉区域内的冠状动脉区域坐标。
步骤202,通过冠状动脉模型对冠状动脉区域进行分割预测,得到冠状动脉预测结果。
具体包括:
以大量随机冠状动脉数据的仿真结果作为深度神经网络的训练样本,采用深度学习方法优化得到冠状动脉模型。
将冠状动脉区域坐标分割成至少一个冠状动脉子区域。其中,冠状动脉子区域的大小与冠状动脉模型训练时的进入网络训练的训练数据大小一致;可以是32*256*256或16*320*320等大小,冠状动脉子区域的大小包括但是不仅限于以上两种。冠状动脉子区域的步长设置是三维步长,即x,y,z三轴均需设置步长。步长的大小设置可使冠状动脉子区域之间有重复区域(步长小),也可以没有重复区域(波长大);步长可以是固定的(即固定步长),也可以是不固定的(即变步长),但步长的设置将冠状动脉区域均有覆盖。
在冠状动脉子区域均使用冠状动脉模型进行预测,得到冠状动脉子区域预测结果,冠状动脉子区域预测结果为在冠状动脉子区域内的冠状动脉3D图像。
将冠状动脉子区域预测结果互相拼接形成冠状动脉预测结果,冠状动脉预测结果为冠状动脉初步的3D图像。
步骤203,基于冠状动脉预测结果上的至少一个端点,通过冠状动脉优化模型对位于冠状动脉预测结果上的该端点进行优化,得到冠状动脉子区域优化预测结果。
具体包括:
以大量随机冠状动脉优化数据的仿真结果作为深度神经网络的训练样本,采用深度学习方法优化得到冠状动脉优化模型。
在冠状动脉预测结果上生成中心线。中心线算法可使用Lee94版本的中心线算法求得,但不仅限于使用Lee94版本的中心线算法,还可以使用其他软件的中心线算法。
由中心线生成连通图,通过连通图得到生成树。生成树可以为最小生成树或最大生成树,可使用普里姆算法或者克鲁斯卡尔算法来生成最小生成树或最大生成树,但不仅限于使用以上两种算法,还可以使用其他软件的最小生成树或最大生成树。
通过生成树确定每条中心线的端点。
将冠状动脉区域在端点处分割形成端点子区域,将冠状动脉子区域优化预测结果拼接在冠状动脉预测结果的对应端点上,冠状动脉子区域优化预测结果为在端点子区域内优化的冠状动脉子区域内的3D图像。
步骤204,将冠状动脉子区域优化预测结果拼接在对应的端点上,得到冠状动脉分割优化预测结果,冠状动脉分割优化预测结果为冠状动脉分割优化的3D图像。
步骤205,同理,对心脏区域坐标进行分割扩展,得到主动脉根部区域坐标。也可将冠状动脉区域坐标平移至主动脉根部区域的边界得到主动脉根部区域坐标。
步骤206,以大量随机主动脉根部的仿真结果作为深度神经网络的训练样本,采用深度学习方法优化得到主动脉根部模型,通过主动脉根部模型对主动脉根部区域进行预测,得到主动脉根部预测结果。
具体包括:
将主动脉根部区域坐标分割成至少一个主动脉根部子区域。
在主动脉根部子区域均使用主动脉根部模型进行预测,得到主动脉根部子区域预测结果,主动脉根部子区域预测结果为主动脉根部在每个主动脉根部子区域内的3D预测图像。
通过将主动脉根部子区域预测结果拼接得到主动脉根部预测结果,主动脉根部预测结果为主动脉根部3D预测图像。
步骤207,将主动脉根部预测结果与冠状动脉分割优化预测结果拼接,得到心脏区域的区域分割预测结果,区域分割预测结果为主动脉根部3D预测图像和冠状动脉分割优化的3D图像拼接形成的3D图像。
具体包括:
确定主动脉根部区域和冠状动脉区域的重叠区域,确定重叠区域为冠状动脉区域。如重叠区域某一像素,其坐标即被归为主动脉根部区域,又被归为冠状动脉区域,在拼接处理时,将其确定为冠状动脉区域。
确定主动脉根部预测结果与冠状动脉分割优化预测结果的拼接重叠部分确定为冠状动脉分割优化预测结果,即得区域分割预测结果,区域分割预测结果为主动脉根部3D预测图像和冠状动脉分割优化的3D图像拼接形成的3D图像。
以上涉及深度网络学习的训练样本均可以通过CT影像获得,但不仅限于CT影像。
参见图2和图3,图3为本发明主动脉根部预测结果和冠状动脉分割优化结果的拼接示意图,本发明一实施例的一种冠状动脉分割方法,包括:
步骤201,通过心脏分割模型对心脏区域进行分割扩展,得到冠状动脉区域。
具体包括:
以大量随机心脏分割数据的仿真结果作为深度神经网络的训练样本,采用深度学习方法优化得到心脏分割模型。
通过CT影像采集得到心脏区域,心脏区域为3D图像。
使用心脏分割模型对心脏区域进行分割得到心脏区域坐标,心脏区域坐标为3D坐标。其中,心脏区域呈心脏的最大外切长方体,心脏区域坐标的表达方式可以长方体左上角及右下角的坐标,即pl(xl,yl,zl),pr(xr、yr、zr);也可以是六面体的中心坐标及长宽高,即p0(x0,y0,z0),(l,w,h);心脏区域坐标的表达方式包括但是不仅限于以上两种。
对心脏区域进行心脏区域坐标的扩展,得到冠状动脉区域和位于冠状动脉区域内的冠状动脉区域坐标。
步骤202,通过冠状动脉模型对冠状动脉区域进行分割预测,得到冠状动脉预测结果。
具体包括:
以大量随机冠状动脉数据的仿真结果作为深度神经网络的训练样本,采用深度学习方法优化得到冠状动脉模型。
将冠状动脉区域坐标分割成至少一个冠状动脉子区域。其中,冠状动脉子区域的大小与冠状动脉模型训练时的进入网络训练的训练数据大小一致;可以是32*256*256或16*320*320等大小,冠状动脉子区域的大小包括但是不仅限于以上两种。冠状动脉子区域的步长设置是三维步长,即x,y,z三轴均需设置步长。步长的大小设置可使冠状动脉子区域之间有重复区域(步长小),也可以没有重复区域(波长大);步长可以是固定的(即固定步长),也可以是不固定的(即变步长),但步长的设置将冠状动脉区域均有覆盖。
在冠状动脉子区域均使用冠状动脉模型进行预测,得到冠状动脉子区域预测结果,冠状动脉子区域预测结果为在冠状动脉子区域内的冠状动脉3D图像。
将冠状动脉子区域预测结果互相拼接形成冠状动脉预测结果,冠状动脉预测结果为冠状动脉初步的3D图像。
步骤203,基于冠状动脉预测结果上的至少一个端点,通过冠状动脉优化模型对位于冠状动脉预测结果上的该端点进行优化,得到冠状动脉子区域优化预测结果。
具体包括:
以大量随机冠状动脉优化数据的仿真结果作为深度神经网络的训练样本,采用深度学习方法优化得到冠状动脉优化模型。
在冠状动脉预测结果上生成中心线。
中心线算法可使用Lee94版本的中心线算法求得,但不仅限于使用Lee94版本的中心线算法,还可以使用其他软件的中心线算法。
由中心线生成连通图,通过连通图得到生成树。生成树可以为最小生成树或最大生成树,可使用普里姆算法或者克鲁斯卡尔算法来生成最小生成树或最大生成树,但不仅限于使用以上两种算法,还可以使用其他软件的最小生成树或最大生成树。
通过生成树确定每条中心线的端点。
将冠状动脉区域在端点处分割形成端点子区域,将冠状动脉子区域优化预测结果拼接在冠状动脉预测结果的对应端点上,冠状动脉子区域优化预测结果为在端点子区域内优化的冠状动脉子区域内的3D图像。
步骤204,将冠状动脉子区域优化预测结果拼接在对应的端点上,得到冠状动脉分割优化预测结果,冠状动脉分割优化预测结果为冠状动脉分割优化的3D图像。
步骤205,同理,对心脏区域坐标进行分割扩展,得到主动脉根部区域坐标。也可将冠状动脉区域坐标平移至主动脉根部区域的边界得到主动脉根部区域坐标。
步骤206,以大量随机主动脉根部的仿真结果作为深度神经网络的训练样本,采用深度学习方法优化得到主动脉根部模型,通过主动脉根部模型对主动脉根部区域进行预测,得到主动脉根部预测结果。
具体包括:
将主动脉根部区域坐标分割成至少一个主动脉根部子区域。
在主动脉根部子区域均使用主动脉根部模型进行预测,得到主动脉根部子区域预测结果,主动脉根部子区域预测结果为主动脉根部在每个主动脉根部子区域内的3D预测图像。
通过将主动脉根部子区域预测结果拼接得到主动脉根部预测结果,主动脉根部预测结果为主动脉根部3D预测图像。
步骤207,将主动脉根部预测结果与冠状动脉分割优化预测结果拼接,得到心脏区域的区域分割预测结果,区域分割预测结果为主动脉根部3D预测图像和冠状动脉分割优化的3D图像拼接形成的3D图像。
具体包括:
确定主动脉根部区域和冠状动脉区域的重叠区域,确定重叠区域为主动脉根部区域。如重叠区域某一像素,其坐标即被归为主动脉根部区域,又被归为冠状动脉区域,在拼接处理时,将其确定为主动脉根部区域。
确定主动脉根部预测结果与冠状动脉分割优化预测结果的拼接重叠部分确定为冠状动脉分割优化预测结果,即得区域分割预测结果,区域分割预测结果为主动脉根部3D预测图像和冠状动脉分割优化的3D图像拼接形成的3D图像。
以上涉及深度网络学习的训练样本均可以通过CT影像获得,但不仅限于CT影像。
参见图2和图3,图3为本发明主动脉根部预测结果和冠状动脉分割优化结果的拼接示意图,本发明一实施例的一种冠状动脉分割方法,包括:
步骤201,通过心脏分割模型对心脏区域进行分割扩展,得到冠状动脉区域。
具体包括:
以大量随机心脏分割数据的仿真结果作为深度神经网络的训练样本,采用深度学习方法优化得到心脏分割模型。
通过CT影像采集得到心脏区域,心脏区域为3D图像。
使用心脏分割模型对心脏区域进行分割得到心脏区域坐标,心脏区域坐标为3D坐标。其中,心脏区域呈心脏的最大外切长方体,心脏区域坐标的表达方式可以长方体左上角及右下角的坐标,即pl(xl,yl,zl),pr(xr、yr、zr);也可以是六面体的中心坐标及长宽高,即p0(x0,y0,z0),(l,w,h);心脏区域坐标的表达方式包括但是不仅限于以上两种。
对心脏区域进行心脏区域坐标的扩展,得到冠状动脉区域和位于冠状动脉区域内的冠状动脉区域坐标。
步骤202,通过冠状动脉模型对冠状动脉区域进行分割预测,得到冠状动脉预测结果。
具体包括:
以大量随机冠状动脉数据的仿真结果作为深度神经网络的训练样本,采用深度学习方法优化得到冠状动脉模型。
将冠状动脉区域坐标分割成至少一个冠状动脉子区域。其中,冠状动脉子区域的大小与冠状动脉模型训练时的进入网络训练的训练数据大小一致;可以是32*256*256或16*320*320等大小,冠状动脉子区域的大小包括但是不仅限于以上两种。冠状动脉子区域的步长设置是三维步长,即x,y,z三轴均需设置步长。步长的大小设置可使冠状动脉子区域之间有重复区域(步长小),也可以没有重复区域(波长大);步长可以是固定的(即固定步长),也可以是不固定的(即变步长),但步长的设置将冠状动脉区域均有覆盖。
在冠状动脉子区域均使用冠状动脉模型进行预测,得到冠状动脉子区域预测结果,冠状动脉子区域预测结果为在冠状动脉子区域内的冠状动脉3D图像。
将冠状动脉子区域预测结果互相拼接形成冠状动脉预测结果,冠状动脉预测结果为冠状动脉初步的3D图像。
步骤203,基于冠状动脉预测结果上的至少一个端点,通过冠状动脉优化模型对位于冠状动脉预测结果上的该端点进行优化,得到冠状动脉子区域优化预测结果。
具体包括:
以大量随机冠状动脉优化数据的仿真结果作为深度神经网络的训练样本,采用深度学习方法优化得到冠状动脉优化模型。
在冠状动脉预测结果上生成中心线。中心线算法可使用Lee94版本的中心线算法求得,但不仅限于使用Lee94版本的中心线算法,还可以使用其他软件的中心线算法。
由中心线生成连通图,通过连通图得到生成树。生成树可以为最小生成树或最大生成树,可使用普里姆算法或者克鲁斯卡尔算法来生成最小生成树或最大生成树,但不仅限于使用以上两种算法,还可以使用其他软件的最小生成树或最大生成树。
通过生成树确定每条中心线的端点。
将冠状动脉区域在端点处分割形成端点子区域,将冠状动脉子区域优化预测结果拼接在冠状动脉预测结果的对应端点上,冠状动脉子区域优化预测结果为在端点子区域内优化的冠状动脉子区域内的3D图像。
步骤204,将冠状动脉子区域优化预测结果拼接在对应的端点上,得到冠状动脉分割优化预测结果,冠状动脉分割优化预测结果为冠状动脉分割优化的3D图像。具体为,将冠状动脉子区域优化预测结果替换该端点子区域内的冠状动脉预测结果,得到冠状动脉分割优化预测结果,冠状动脉分割优化预测结果为冠状动脉分割优化的3D图像。
步骤205,同理,对心脏区域坐标进行分割扩展,得到主动脉根部区域坐标。也可将冠状动脉区域坐标平移至主动脉根部区域的边界得到主动脉根部区域坐标。
步骤206,以大量随机主动脉根部的仿真结果作为深度神经网络的训练样本,采用深度学习方法优化得到主动脉根部模型,通过主动脉根部模型对主动脉根部区域进行预测,得到主动脉根部预测结果。
具体包括:
将主动脉根部区域坐标分割成至少一个主动脉根部子区域。
在主动脉根部子区域均使用主动脉根部模型进行预测,得到主动脉根部子区域预测结果,主动脉根部子区域预测结果为主动脉根部在每个主动脉根部子区域内的3D预测图像。
通过将主动脉根部子区域预测结果拼接得到主动脉根部预测结果,主动脉根部预测结果为主动脉根部3D预测图像。
步骤207,将主动脉根部预测结果与冠状动脉分割优化预测结果拼接,得到心脏区域的区域分割预测结果,区域分割预测结果为主动脉根部3D预测图像和冠状动脉分割优化的3D图像拼接形成的3D图像。
具体包括:
确定主动脉根部区域和冠状动脉区域的重叠区域,确定重叠区域为主动脉根部区域。如重叠区域某一像素,其坐标即被归为主动脉根部区域,又被归为冠状动脉区域,在拼接处理时,将其确定为主动脉根部区域。
确定主动脉根部预测结果与冠状动脉分割优化预测结果的拼接重叠部分确定为冠状动脉分割优化预测结果,即得区域分割预测结果,区域分割预测结果为主动脉根部3D预测图像和冠状动脉分割优化的3D图像拼接形成的3D图像。
以上涉及深度网络学习的训练样本均可以通过CT影像获得,但不仅限于CT影像。
参见图2和图3,图3为本发明主动脉根部预测结果和冠状动脉分割优化结果的拼接示意图,本发明一实施例的一种冠状动脉分割方法,包括:
步骤201,通过心脏分割模型对心脏区域进行分割扩展,得到冠状动脉区域。
具体包括:
以大量随机心脏分割数据的仿真结果作为深度神经网络的训练样本,采用深度学习方法优化得到心脏分割模型。
通过CT影像采集得到心脏区域,心脏区域为3D图像。
使用心脏分割模型对心脏区域进行分割得到心脏区域坐标,心脏区域坐标为3D坐标。其中,心脏区域呈心脏的最大外切长方体,心脏区域坐标的表达方式可以长方体左上角及右下角的坐标,即pl(xl,yl,zl),pr(xr、yr、zr);也可以是六面体的中心坐标及长宽高,即p0(x0,y0,z0),(l,w,h);心脏区域坐标的表达方式包括但是不仅限于以上两种。
对心脏区域进行心脏区域坐标的扩展,得到冠状动脉区域和位于冠状动脉区域内的冠状动脉区域坐标。
步骤202,通过冠状动脉模型对冠状动脉区域进行分割预测,得到冠状动脉预测结果。
具体包括:
以大量随机冠状动脉数据的仿真结果作为深度神经网络的训练样本,采用深度学习方法优化得到冠状动脉模型。
将冠状动脉区域坐标分割成至少一个冠状动脉子区域。其中,冠状动脉子区域的大小与冠状动脉模型训练时的进入网络训练的训练数据大小一致;可以是32*256*256或16*320*320等大小,冠状动脉子区域的大小包括但是不仅限于以上两种。冠状动脉子区域的步长设置是三维步长,即x,y,z三轴均需设置步长。步长的大小设置可使冠状动脉子区域之间有重复区域(步长小),也可以没有重复区域(波长大);步长可以是固定的(即固定步长),也可以是不固定的(即变步长),但步长的设置将冠状动脉区域均有覆盖。
在冠状动脉子区域均使用冠状动脉模型进行预测,得到冠状动脉子区域预测结果,冠状动脉子区域预测结果为在冠状动脉子区域内的冠状动脉3D图像。
将冠状动脉子区域预测结果互相拼接形成冠状动脉预测结果,冠状动脉预测结果为冠状动脉初步的3D图像。
步骤203,基于冠状动脉预测结果上的至少一个端点,通过冠状动脉优化模型对位于冠状动脉预测结果上的该端点进行优化,得到冠状动脉子区域优化预测结果。
具体包括:
以大量随机冠状动脉优化数据的仿真结果作为深度神经网络的训练样本,采用深度学习方法优化得到冠状动脉优化模型。
在冠状动脉预测结果上生成中心线。
中心线算法可使用Lee94版本的中心线算法求得,但不仅限于使用Lee94版本的中心线算法,还可以使用其他软件的中心线算法。
由中心线生成连通图,通过连通图得到生成树。生成树可以为最小生成树或最大生成树,可使用普里姆算法或者克鲁斯卡尔算法来生成最小生成树或最大生成树,但不仅限于使用以上两种算法,还可以使用其他软件的最小生成树或最大生成树。
通过生成树确定每条中心线的端点。
将冠状动脉区域在端点处分割形成端点子区域,将冠状动脉子区域优化预测结果拼接在冠状动脉预测结果的对应端点上,冠状动脉子区域优化预测结果为在端点子区域内优化的冠状动脉子区域内的3D图像。
步骤204,将冠状动脉子区域优化预测结果拼接在对应的端点上,得到冠状动脉分割优化预测结果,冠状动脉分割优化预测结果为冠状动脉分割优化的3D图像。具体为,将冠状动脉子区域优化预测结果追加在冠状动脉预测结果上;即,在某一个像素点上只要冠状动脉预测结果和冠状动脉子区域优化预测结果中有一个结果认为该点是冠状动脉的3D图像,则认为此像素点为冠状动脉分割优化预测结果,冠状动脉分割优化预测结果为冠状动脉分割优化的3D图像。
步骤205,同理,对心脏区域坐标进行分割扩展,得到主动脉根部区域坐标。也可将冠状动脉区域坐标平移至主动脉根部区域的边界得到主动脉根部区域坐标。
步骤206,以大量随机主动脉根部的仿真结果作为深度神经网络的训练样本,采用深度学习方法优化得到主动脉根部模型,通过主动脉根部模型对主动脉根部区域进行预测,得到主动脉根部预测结果。
具体包括:
将主动脉根部区域坐标分割成至少一个主动脉根部子区域。
在主动脉根部子区域均使用主动脉根部模型进行预测,得到主动脉根部子区域预测结果,主动脉根部子区域预测结果为主动脉根部在每个主动脉根部子区域内的3D预测图像。
通过将主动脉根部子区域预测结果拼接得到主动脉根部预测结果,主动脉根部预测结果为主动脉根部3D预测图像。
步骤207,将主动脉根部预测结果与冠状动脉分割优化预测结果拼接,得到心脏区域的区域分割预测结果,区域分割预测结果为主动脉根部3D预测图像和冠状动脉分割优化的3D图像拼接形成的3D图像。
具体包括:
确定主动脉根部区域和冠状动脉区域的重叠区域,确定重叠区域为主动脉根部区域。如重叠区域某一像素,其坐标即被归为主动脉根部区域,又被归为冠状动脉区域,在拼接处理时,将其确定为主动脉根部区域。
确定主动脉根部预测结果与冠状动脉分割优化预测结果的拼接重叠部分确定为冠状动脉分割优化预测结果,即得区域分割预测结果,区域分割预测结果为主动脉根部3D预测图像和冠状动脉分割优化的3D图像拼接形成的3D图像。
以上涉及深度网络学习的训练样本均可以通过CT影像获得,但不仅限于CT影像。
本发明一实施例的基于冠状动脉预测结果上的至少一个端点,该端点判定还可使用其他方法,如:在冠状动脉区域对冠状动脉预测结果进行切片,切片可以进行z轴、y轴和/或x轴的切片。
以z轴切片对端点的判定为例,当前,如切片(z=i)在冠状动脉区域有预测点,而切片(i-1)没有,切片(i+1)有,则认为i切片位置处有一个端点。
同理当前,如切片(z=i)在冠状动脉区域有预测点,而切片(i+1)没有,切片(i-1)没有,则认为切片(z=i)位置处有一个端点。
同理,依据z轴切片的判定方法,对y轴和x轴切片进行判定即可找出所有侯选端点。
判断有或没有端点的方法,由于血管的走向在切片上是倾斜的,因此切片在冠状动脉区域的判断会存在偏差,如当前切片的区域重心为(x0,y0),则对切片(i-1)和切片(i+1)的判断为左上角(x0-dx,y0-dy),右下角(x0+dx,y0+dy)区域。
参见图4,本发明一实施例的一种冠状动脉分割装置,包括:
分割扩展模块401,用于通过心脏分割模型对心脏区域进行分割扩展,得到冠状动脉区域,进一步用于通过心脏分割模型对心脏区域进行分割扩展,得到主动脉根部区域。
模型预测模块402,用于通过冠状动脉模型对冠状动脉区域进行分割预测,得到冠状动脉预测结果,进一步用于通过主动脉根部模型对主动脉根部区域进行预测,得到主动脉根部预测结果。
端点优化模块403,用于基于冠状动脉预测结果上的至少一个端点,通过冠状动脉优化模型对位于冠状动脉预测结果上的该端点进行优化,用于得到冠状动脉子区域优化预测结果。
结果拼接模块404,用于将经优化得到的冠状动脉子区域优化预测结果拼接在冠状动脉预测结果的对应端点上,得到冠状动脉分割优化预测结果,进一步用于将主动脉根部预测结果与冠状动脉分割优化预测结果拼接,得到心脏区域的区域分割预测结果。
其中,模型预测模块402包括:
区域分割单元4021,用于将冠状动脉区域分割成至少一个冠状动脉子区域。
区域预测单元4022,用于利用冠状动脉模型分别对每一个冠状动脉子区域进行预测,得到至少一个冠状动脉子区域预测结果。
区域拼接单元4023,用于将所有冠状动脉子区域预测结果互相拼接形成冠状动脉预测结果。
端点优化模块403包括:
中心线生成单元4031,用于在冠状动脉预测结果上生成中心线。
端点确定单元4032,由中心线生成连通图,通过连通图得到生成树,通过生成树确定至少一个端点。
端点模型优化单元4033,用于在端点处对冠状动脉区域进行分割,形成端点子区域,通过冠状动脉优化模型在端点子区域生成冠状动脉子区域优化预测结果。
结果拼接模块404包括:
第一重叠区域拼接单元4041,用于确定主动脉根部预测结果与冠状动脉分割优化预测结果的拼接重叠区域。
第二重叠区域拼接单元4042,用于确定冠状动脉子区域优化预测结果与冠状动脉预测结果的拼接重叠区域。
重叠区域确定单元4043,用于将所确定的拼接重叠区域确定为冠状动脉分割优化预测结果。
结果替代单元4044,用于在拼接重叠区域上将经优化得到的冠状动脉子区域优化预测结果替代在冠状动脉预测结果的对应端点上,得到冠状动脉分割优化预测结果。
结果追加单元4045,用于在拼接重叠区域上将经优化得到的冠状动脉子区域优化预测结果追加在冠状动脉预测结果的对应端点上,得到冠状动脉分割优化预测结果。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种冠状动脉分割方法,其特征在于,所述方法包括:
通过心脏分割模型对心脏区域进行分割扩展,得到冠状动脉区域;
通过冠状动脉模型对所述冠状动脉区域进行分割预测,得到冠状动脉预测结果;
基于所述冠状动脉预测结果上的至少一个端点,通过冠状动脉优化模型对位于冠状动脉预测结果上的该端点进行优化,得到冠状动脉子区域优化预测结果;
将经优化得到的冠状动脉子区域优化预测结果拼接在冠状动脉预测结果的对应端点上,得到冠状动脉分割优化预测结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
通过心脏分割模型对心脏区域进行分割扩展,得到主动脉根部区域;
通过主动脉根部模型对所述主动脉根部区域进行预测,得到主动脉根部预测结果;
将所述主动脉根部预测结果与所述冠状动脉分割优化预测结果拼接,得到所述心脏区域的区域分割预测结果。
3.根据权利要求2所述的方法,其特征在于,将所述主动脉根部预测结果与所述冠状动脉分割优化预测结果拼接,包括:
确定所述主动脉根部预测结果与所述冠状动脉分割优化预测结果的拼接重叠区域;
将所确定的拼接重叠区域确定为冠状动脉分割优化预测结果。
4.根据权利要求1所述的方法,其特征在于,所述通过冠状动脉模型对所述冠状动脉区域进行分割预测,得到冠状动脉预测结果,包括:
将所述冠状动脉区域分割成至少一个冠状动脉子区域;
利用冠状动脉模型分别对每一个所述冠状动脉子区域进行预测,得到至少一个冠状动脉子区域预测结果;
将所有冠状动脉子区域预测结果互相拼接形成所述冠状动脉预测结果。
5.根据权利要求1所述的方法,其特征在于,基于所述冠状动脉预测结果上的至少一个端点,通过冠状动脉优化模型对所述冠状动脉预测结果进行优化,得到冠状动脉子区域优化预测结果,包括:
在所述冠状动脉预测结果上生成中心线;
由所述中心线生成连通图,通过所述连通图得到生成树,通过生成树确定至少一个所述端点;
在端点处对冠状动脉区域进行分割,形成端点子区域,通过冠状动脉优化模型在端点子区域生成所述冠状动脉子区域优化预测结果。
6.根据权利要求5所述的方法,其特征在于,将经优化得到的冠状动脉子区域优化预测结果拼接在冠状动脉预测结果的对应端点上,得到冠状动脉分割优化预测结果,包括:
确定所述冠状动脉子区域优化预测结果与所述冠状动脉预测结果的拼接重叠区域;
在所述拼接重叠区域上将经优化得到的冠状动脉子区域优化预测结果替代在冠状动脉预测结果的对应端点上,得到冠状动脉分割优化预测结果;
或在所述拼接重叠区域上将经优化得到的冠状动脉子区域优化预测结果追加在冠状动脉预测结果的对应端点上,得到冠状动脉分割优化预测结果。
7.一种冠状动脉分割装置,其特征在于,包括:
分割扩展模块,用于通过心脏分割模型对心脏区域进行分割扩展,得到冠状动脉区域;
模型预测模块,用于通过冠状动脉模型对所述冠状动脉区域进行分割预测,得到冠状动脉预测结果;
端点优化模块,用于基于所述冠状动脉预测结果上的至少一个端点,通过冠状动脉优化模型对位于冠状动脉预测结果上的该端点进行优化,用于得到冠状动脉子区域优化预测结果;
结果拼接模块,将经优化得到的冠状动脉子区域优化预测结果拼接在冠状动脉预测结果的对应端点上,得到冠状动脉分割优化预测结果。
8.根据权利要求7所述的装置,其特征在于,还包括,
所述分割扩展模块,进一步用于通过心脏分割模型对心脏区域进行分割扩展,得到主动脉根部区域;
所述模型预测模块,进一步用于通过主动脉根部模型对所述主动脉根部区域进行预测,得到主动脉根部预测结果;
所述结果拼接模块,进一步用于将所述主动脉根部预测结果与所述冠状动脉分割优化预测结果拼接,得到所述心脏区域的区域分割预测结果。
9.根据权利要求8所述的装置,其特征在于,所述结果拼接模块包括,
第一重叠区域拼接单元,用于确定所述主动脉根部预测结果与所述冠状动脉分割优化预测结果的拼接重叠区域;
重叠区域确定单元,用于将所确定的拼接重叠区域确定为冠状动脉分割优化预测结果。
10.根据权利要求7所述的装置,其特征在于,所述模型预测模块,包括,
区域分割单元,用于将所述冠状动脉区域分割成至少一个冠状动脉子区域;
区域预测单元,用于利用冠状动脉模型分别对每一个所述冠状动脉子区域进行预测,得到至少一个冠状动脉子区域预测结果;
区域拼接单元,用于将所有冠状动脉子区域预测结果互相拼接形成所述冠状动脉预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811162107.0A CN109389606B (zh) | 2018-09-30 | 2018-09-30 | 一种冠状动脉分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811162107.0A CN109389606B (zh) | 2018-09-30 | 2018-09-30 | 一种冠状动脉分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109389606A true CN109389606A (zh) | 2019-02-26 |
CN109389606B CN109389606B (zh) | 2019-12-27 |
Family
ID=65419159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811162107.0A Active CN109389606B (zh) | 2018-09-30 | 2018-09-30 | 一种冠状动脉分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109389606B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110021016A (zh) * | 2019-04-01 | 2019-07-16 | 数坤(北京)网络科技有限公司 | 一种钙化检测方法 |
CN110298846A (zh) * | 2019-06-27 | 2019-10-01 | 数坤(北京)网络科技有限公司 | 基于多分类的冠脉分割方法、装置及存储设备 |
CN111292314A (zh) * | 2020-03-03 | 2020-06-16 | 上海联影智能医疗科技有限公司 | 冠脉分段方法、装置、图像处理***和存储介质 |
CN111312374A (zh) * | 2020-01-21 | 2020-06-19 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
WO2020258819A1 (zh) * | 2019-06-25 | 2020-12-30 | 深圳先进技术研究院 | 一种动静脉畸形分割方法、***及电子设备 |
CN113096141A (zh) * | 2021-04-19 | 2021-07-09 | 推想医疗科技股份有限公司 | 冠状动脉分割方法以及冠状动脉分割装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050093861A1 (en) * | 2003-11-03 | 2005-05-05 | Romain Moreau-Gobard | Rendering for coronary visualization |
CN105741299A (zh) * | 2016-02-02 | 2016-07-06 | 河北大学 | 一种冠状动脉ct血管造影图像分割方法 |
CN107563983A (zh) * | 2017-09-28 | 2018-01-09 | 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 |
CN108010041A (zh) * | 2017-12-22 | 2018-05-08 | 数坤(北京)网络科技有限公司 | 基于深度学习神经网络级联模型的人体心脏冠脉提取方法 |
CN108109149A (zh) * | 2017-12-14 | 2018-06-01 | 河北大学 | 一种冠状动脉oct图像自动分割方法 |
CN108475428A (zh) * | 2015-12-22 | 2018-08-31 | 皇家飞利浦有限公司 | 心脏模型引导的冠状动脉分割 |
-
2018
- 2018-09-30 CN CN201811162107.0A patent/CN109389606B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050093861A1 (en) * | 2003-11-03 | 2005-05-05 | Romain Moreau-Gobard | Rendering for coronary visualization |
CN108475428A (zh) * | 2015-12-22 | 2018-08-31 | 皇家飞利浦有限公司 | 心脏模型引导的冠状动脉分割 |
CN105741299A (zh) * | 2016-02-02 | 2016-07-06 | 河北大学 | 一种冠状动脉ct血管造影图像分割方法 |
CN107563983A (zh) * | 2017-09-28 | 2018-01-09 | 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 |
CN108109149A (zh) * | 2017-12-14 | 2018-06-01 | 河北大学 | 一种冠状动脉oct图像自动分割方法 |
CN108010041A (zh) * | 2017-12-22 | 2018-05-08 | 数坤(北京)网络科技有限公司 | 基于深度学习神经网络级联模型的人体心脏冠脉提取方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110021016A (zh) * | 2019-04-01 | 2019-07-16 | 数坤(北京)网络科技有限公司 | 一种钙化检测方法 |
WO2020258819A1 (zh) * | 2019-06-25 | 2020-12-30 | 深圳先进技术研究院 | 一种动静脉畸形分割方法、***及电子设备 |
CN110298846A (zh) * | 2019-06-27 | 2019-10-01 | 数坤(北京)网络科技有限公司 | 基于多分类的冠脉分割方法、装置及存储设备 |
CN111312374A (zh) * | 2020-01-21 | 2020-06-19 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
CN111312374B (zh) * | 2020-01-21 | 2024-03-22 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
CN111292314A (zh) * | 2020-03-03 | 2020-06-16 | 上海联影智能医疗科技有限公司 | 冠脉分段方法、装置、图像处理***和存储介质 |
CN111292314B (zh) * | 2020-03-03 | 2024-05-24 | 上海联影智能医疗科技有限公司 | 冠脉分段方法、装置、图像处理***和存储介质 |
CN113096141A (zh) * | 2021-04-19 | 2021-07-09 | 推想医疗科技股份有限公司 | 冠状动脉分割方法以及冠状动脉分割装置 |
CN113096141B (zh) * | 2021-04-19 | 2022-01-11 | 推想医疗科技股份有限公司 | 冠状动脉分割方法以及冠状动脉分割装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109389606B (zh) | 2019-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389606A (zh) | 一种冠状动脉分割方法及装置 | |
US7576737B2 (en) | Image processing device and program | |
US8594405B2 (en) | Three-dimensional template transformation method and apparatus | |
US8144950B2 (en) | Method for facilitating post-processing of images using deformable meshes | |
US9232895B2 (en) | Method and system for automatic interpretation of computer tomography scan data | |
US20070109299A1 (en) | Surface-based characteristic path generation | |
US20070248250A1 (en) | Three-Dimensional (3D) Modeling of Coronary Arteries | |
JP2009072576A (ja) | 血管造影画像の定量的分岐解析のための方法、装置およびコンピュータプログラム | |
WO2002029717A2 (en) | Centerline and tree branch skeleton determination for virtual objects | |
JP2004534584A5 (zh) | ||
CN106887000A (zh) | 医学图像的网格化处理方法及其*** | |
EP1442427B1 (en) | Method for automatic branch labelling | |
CN107993228B (zh) | 一种基于心血管oct影像的易损斑块自动检测方法和装置 | |
CN112541893A (zh) | 一种三维断层扫描图像中树状结构分叉关键点的检测方法 | |
CN117115150B (zh) | 用于确定分支血管的方法、计算设备和介质 | |
Schenk et al. | Local-cost computation for efficient segmentation of 3D objects with live wire | |
CN109325948A (zh) | 一种基于特殊区域优化的冠状动脉分割方法及装置 | |
CN111681211A (zh) | 一种血管图像处理方法及装置 | |
CN115564782A (zh) | 3d血管及气管分割方法及*** | |
JP4087517B2 (ja) | 領域抽出方法 | |
JP2009045286A (ja) | 医用画像処理装置、医用画像診断装置、及びプログラム | |
CN114708390B (zh) | 一种生理管状结构的图像处理方法、装置及存储介质 | |
JP2006099422A (ja) | 画像処理装置、およびプログラム | |
Law et al. | Automatic centerline extraction for 3D virtual bronchoscopy | |
De Bruijne et al. | Localization and segmentation of aortic endografts using marker detection |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190315 Address after: Room 313 and 315, Building No. 11, Innovation Road, Changping District, Beijing 102200 Applicant after: Yu Kun (Beijing) Network Technology Co., Ltd. Address before: 100102 No. 501 No. 12, 5th floor, No. 6, Wangjing Dongyuan District 4, Chaoyang District, Beijing Applicant before: Digital Kun (Beijing) Network Technology Co., Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |