CN110310256B - 冠脉狭窄检测方法、装置、计算机设备和存储介质 - Google Patents
冠脉狭窄检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110310256B CN110310256B CN201910464256.0A CN201910464256A CN110310256B CN 110310256 B CN110310256 B CN 110310256B CN 201910464256 A CN201910464256 A CN 201910464256A CN 110310256 B CN110310256 B CN 110310256B
- Authority
- CN
- China
- Prior art keywords
- stenosis
- network
- image
- coronary artery
- coronary
- 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.)
- Active
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
- 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
- G06T2207/20—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
- 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)
- 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)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供的一种冠脉狭窄检测方法、装置、计算机设备和存储介质,通过将获取到的待检测图像输入至冠脉狭窄检测模型,得到检测结果;其中的冠脉狭窄检测模型包括主干网络、分割网络和狭窄分析网络,主干网络的输出分别与分割网络和狭窄分析网络的输入连接;上述检测结果包括冠脉分割结果和冠脉狭窄结果。由上述冠脉狭窄检测模型的结构可以看出,该冠脉狭窄检测模型包括分割网络和狭窄分析网络,因此,上述冠脉狭窄检测模型为一种多任务模型,可以同时实现对输入的待检测图像进行分割,以及对输入的待检测图像进行狭窄检测,得到包含至少两种类型的检测结果,即冠脉分割结果和冠脉狭窄结果。
Description
技术领域
本申请涉及医学检测技术领域,尤其涉及一种冠脉狭窄检测方法、装置、计算机设备和存储介质。
背景技术
随着医疗检测技术的发展,在对多种器官进行指标检测时,例如,冠状动脉(简称冠脉)指标检测,如何能够快速且准确获得冠状动脉检测结果成为了现下比较关注的问题。
目前,可以基于不同的模型获得不同类型的冠脉检测结果。具体的,可以通过电子计算机断层扫描成像(Computed Tomography angiography,CTA)设备获得冠脉的CTA图像数据,进一步的,可以采用冠脉分割模型对获得的CTA图像数据进行冠脉分割,得到冠脉分割结果,并采用冠脉狭窄区域定位模型对获得的CTA图像数据进行狭窄区域定位得到冠脉狭窄区域的具***置。
但是,上述确定冠脉检测结果的方法存在占用内存大,获得冠脉检测结果速度慢的问题。
发明内容
第一方面,一种冠脉狭窄检测方法,所述方法包括:
获取待检测图像;
将待检测图像输入至冠脉狭窄检测模型,得到检测结果;冠脉狭窄检测模型包括主干网络、分割网络和狭窄分析网络;主干网络的输出分别与分割网络和狭窄分析网络的输入连接;检测结果包括冠脉分割结果和冠脉狭窄结果。
在其中一个实施例中,狭窄分析网络包括分类网络和回归网络;冠脉狭窄结果包括狭窄分类以及狭窄程度。
在其中一个实施例中,冠脉分割结果包括概率响应图和冠脉分割图像。
在其中一个实施例中,冠脉狭窄检测模型还包括池化层,用于根据概率响应图输出感兴趣区域图像。
在其中一个实施例中,池化层的输出分别与分类网络和回归网络的输入连接;分类网络用于对感兴趣区域图像进行分类处理,得到狭窄分类;回归网络用于对属于狭窄的感兴趣区域图像进行狭窄程度估计,得到狭窄程度。
在其中一个实施例中,主干网络用于从待检测图像中提取图像特征。
在其中一个实施例中,冠脉分割图像包括关键点的位置;方法还包括:
根据概率响应图得到待检测图像中冠脉中心线的位置;
根据冠脉中心线的位置和关键点的位置,得到冠脉分段结果。
第二方面,一种冠脉狭窄检测装置,所述装置包括:
获取模块,用于获取待检测图像;
检测模块,用于将待检测图像输入至冠脉狭窄检测模型,得到检测结果;冠脉狭窄检测模型包括主干网络、分割网络和狭窄分析网络;主干网络的输出分别与分割网络和狭窄分析网络的输入连接;检测结果包括冠脉分割结果和冠脉狭窄结果。
第三方面,一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面任一实施例所述的冠脉狭窄检测方法。
第四方面,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面任一实施例所述的冠脉狭窄检测方法。
本申请提供的一种冠脉狭窄检测方法、装置、计算机设备和存储介质,通过将获取到的待检测图像输入至冠脉狭窄检测模型,得到检测结果;其中的冠脉狭窄检测模型包括主干网络、分割网络和狭窄分析网络,主干网络的输出分别与分割网络和狭窄分析网络的输入连接;上述检测结果包括冠脉分割结果和冠脉狭窄结果。由上述冠脉狭窄检测模型的结构可以看出,该冠脉狭窄检测模型包括分割网络和狭窄分析网络,因此,上述冠脉狭窄检测模型为一种多任务模型,可以同时实现对输入的待检测图像进行分割,以及对输入的待检测图像进行狭窄检测,得到包含至少两种类型结果的检测结果,即冠脉分割结果和冠脉狭窄结果。另外,由于分割网络和狭窄分析网络共享主干网路内部的参数,致使分割网络和狭窄分析网络具有较强的关联性,因此在优化这样的网络结构时可以相互辅助改善彼此的学习性能,降低过拟合的风险,从而更加符合实际应用的情况,进而提高检测结果的检测精度。
附图说明
图1为一个实施例提供的一种计算机设备的内部结构示意图;
图2为一个实施例提供的一种冠脉狭窄检测方法的流程图;
图3为一个实施例提供的一种网络结构的示意图;
图4为一个实施例提供的一种网络结构的示意图;
图5为一个实施例提供的一种网络结构的示意图;
图6为一个实施例提供的一种网络结构的示意图;
图7为一个实施例提供的一种网络结构的示意图;
图8为一个实施例提供的一种网络结构的示意图;
图9为一个实施例提供的一种训练方法的流程图;
图10为一个实施例提供的一种冠脉狭窄检测方法的流程图;
图11为一个实施例提供的一种冠脉狭窄检测装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请提供的冠脉狭窄检测方法,可以应用于如图1所示的计算机设备中,该计算机设备可以是终端,其内部结构图可以如图1所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种冠脉狭窄检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为一个实施例提供的一种冠脉狭窄检测方法的流程图。本实施例的执行主体为如图1所示的计算机设备,本实施例涉及的是计算机设备采用冠脉狭窄检测模型对待检测图像进行狭窄检测的具体过程。如图2所示,该方法包括:
S101、获取待检测图像。
其中,待检测图像表示当前需要进行检测的图像,为一种包含冠脉类型结构的图像,具体可以包括左冠脉血管、右冠脉血管、或其它与冠脉相邻的组织或器官的结构。该待检测图像可以包括但不限于常规CT图像、CTA图像、MRI图像、PET-MRI图像等,本实施例对此不做限定。在实际应用中,计算机设备可以通过连接扫描设备对人体的冠脉结构进行扫描得到待检测图像。可选的,计算机设备也可以直接从数据库中或从互联网上下载得到包含冠脉结构的待检测图像,对此本实施例不做限制。
S102、将待检测图像输入至冠脉狭窄检测模型,得到检测结果;冠脉狭窄检测模型包括主干网络、分割网络和狭窄分析网络;主干网络的输出分别与分割网络和狭窄分析网络的输入连接;检测结果包括冠脉分割结果和冠脉狭窄结果。
其中,冠脉狭窄检测模型用于对待检测图像进行冠脉的分割和冠脉狭窄的检测,从而得到检测结果,而该检测结果可以同时包括冠脉分割结果和冠脉狭窄结果。上述冠脉分割结果可以包括各种描述分割结果的图像,例如分割图像,概率响应图等;上述冠脉狭窄结果可以包括各种描述冠脉狭窄检测结果或值,例如狭窄分类的指示信息、狭窄区域的位置、狭窄区域的尺寸、狭窄程度的估值等。
上述主干网络用于从待检测图像中提取出图像特征,从而得到该待检测图像的特征图像。主干网络具体可以为一种卷积神经网络,具体可以包括并不限于V-NET,U-NET,VGG,ResNet,DenseNet等卷积神经网络,对此本实施例不做限制。本实施例中的主干网络为V-NET网络。分割网络用于对主干网络输出的特征图像进行分割处理,得到上述的冠脉分割结果。狭窄分析网络用于对主干网络输出的特征图像上的冠脉结构进行狭窄分析,从而得到上述的冠脉狭窄结果,在实际应用中,该狭窄分析网络可以是一种分类网络,也可以是一种回归网络,还可以同时包含分类网络和回归网络。
另外,本实施例中的冠脉狭窄检测模型可以包括如图3所示的网络结构,其中包括主干网络、分割网络和狭窄分析网络,而主干网络的输出分别与分割网络和狭窄分析网络的输入连接。
本实施例中,利用如图3所示的冠脉狭窄检测模型实现对待检测图像的分割和冠脉狭窄检测,具体过程包括:计算机设备基于S101的步骤得到待检测图像时,可以将该待检测图像输入至主干网络进行特征提取,得到该检测图像的特征图像;计算机设备再进一步的将该特征图像输入至分割网络进行冠脉结构的分割处理,得到冠脉分割结果;同时计算机设备可以将特征图像输入至狭窄分析网络进行冠脉狭窄分析,得到冠脉狭窄结果。
可选的,本实施例中的冠脉狭窄检测模型还可以包括如图4所示的网络结构,其中包括主干网络、分割网络和狭窄分析网络,而主干网络的输出分别与分割网络和狭窄分析网络的输入连接;分割网络的输出与狭窄分析网络的输入连接。
具体的,利用如图4所示的冠脉狭窄检测模型实现对待检测图像的分割和冠脉狭窄检测,具体过程包括:计算机设备基于S101的步骤得到待检测图像时,可以将该待检测图像输入至主干网络进行特征提取,得到该检测图像的特征图像;计算机设备再将该特征图像输入至分割网络进行冠脉结构的分割处理,得到冠脉分割结果;进一步地,计算机设备可以将冠脉分割结果和上述特征图像输入至狭窄分析网络进行冠脉狭窄分析,得到冠脉狭窄结果。可选的,计算机设备还可以先对冠脉分割结果和特征图像进行处理,得到特征图像上包含需要被检测冠脉区域的图像,然后再将需要被检测冠脉区域的图像输入至狭窄分析网络进行该冠脉区域的狭窄分析,得到冠脉狭窄结果。
综上,上述实施例提供的冠脉狭窄检测方法,通过将获取到的待检测图像输入至冠脉狭窄检测模型,得到检测结果;其中的冠脉狭窄检测模型包括主干网络、分割网络和狭窄分析网络,主干网络的输出分别与分割网络和狭窄分析网络的输入连接;上述检测结果包括冠脉分割结果和冠脉狭窄结果。由上述冠脉狭窄检测模型的结构可以看出,该冠脉狭窄检测模型包括分割网络和狭窄分析网络,因此,上述冠脉狭窄检测模型为一种多任务模型,可以同时实现对输入的待检测图像进行分割,以及对输入的待检测图像进行狭窄检测,得到包含至少两种类型结果的检测结果,即冠脉分割结果和冠脉狭窄结果。另外,由于分割网络和狭窄分析网络共享主干网路内部的参数,致使分割网络和狭窄分析网络具有较强的关联性,,因此在优化这样的网络结构时可以相互辅助改善彼此的学习性能,降低过拟合的风险,从而更加符合实际应用的情况,进而提高检测结果的检测精度。
本申请还提供了三种网络结构实现对待检测图像的冠脉狭窄检测,具体包括如下内容:
在第一种应用场景中,在图3所示的网络结构基础上,本申请还提供了一种网络结构,如图5所示,网络结构中的狭窄分析网络包括分类网络和回归网络。在该应用情况下,对应的冠脉狭窄结果包括狭窄分类以及狭窄程度。
其中,狭窄分类用于描述待检测图像中包含的冠脉区域是否属于狭窄区域,具体可以用文字、数字、字母等表示。狭窄程度用于描述待检测图像中包含的冠脉区域的狭窄程度,可以为一个具体的数值,也可以为一个百分比数值,该数值的高低代表狭窄程度的高低。在图3实施例所示的网络结构基础上解释分类网络的功能,该分类网络用于对输入的特征图像中的特定冠脉区域进行分类,判断该冠脉区域是否属于狭窄区域,若是,则输出表示“是”的分类结果,若否,则输出表示“否”的分类结果。相应的,回归网络用于对输入的特征图像中的特定冠脉区域进行狭窄分析,得到该冠脉区域的狭窄程度,相当于狭窄程度的估值。
在该应用场景中,利用图5所示的网络结构对待检测图像进行分割或检测,具体过程包括:计算机设备将得到的待检测图像输入至主干网络进行特征提取,得到特征图像;再进一步的将该特征图像输入至分割网络进行冠脉结构的分割处理,得到冠脉分割结果;同时计算机设备可以将特征图像输入至分类网络进行分类处理,得到狭窄分类的结果,以及将特征图像输入至回归网络进行狭窄程度估计,得到狭窄程度的估值。
在第二种应用场景中,在图4所示的网络结构基础上,本申请还提供了一种网络结构,如图6所示,网络结构中的狭窄分析网络包括分类网络和回归网络,且分割网络的输出同时连接分类网络和回归网络的输入。在该应用情况下,对应的冠脉狭窄结果包括狭窄分类以及狭窄程度。
在该应用场景中,利用图6所示的网络结构对待检测图像进行分割或检测,具体过程包括:计算机设备将得到的待检测图像输入至主干网络进行特征提取,得到特征图像;计算机设备再将该特征图像输入至分割网络进行冠脉结构的分割处理,得到冠脉分割结果;之后,一方面,计算机设备将冠脉分割结果和特征图像同时输入至分类网络进行分类处理,得到狭窄分类的结果,另一方面,计算机设备将冠脉分割结果和特征图像同时输入回归网络进行狭窄程度估计,得到狭窄程度的估值。可选的,计算机设备还可以先对上述冠脉分割结果和特征图像进行处理,得到特征图像上包含需要被检测区域的图像,然后再将需要被检测区域的图像分别输入至分类网络和回归网络进行该区域指示的冠脉的分类和狭窄程度检测,对应得到狭窄分类和狭窄程度。
由上述描述可见,在图3-图6所示的任意网络结构中,分割网络和狭窄分析网络(或分类网络和回归网络)均分享了主干网络的输出特征,说明冠脉分割和冠脉狭窄分析是相互关联的,特别是,图4和图6中的分割网络的输出连接狭窄分析网络的输入,使狭窄分析网络的关联性更强,因此在优化上述网络结构时可以相互辅助改善彼此的学习性能,降低多任务网络结构中容易产生的过拟合风险,进而提高上述网络结构的检测精度。在实际应用中,可选的,冠脉分割结果包括概率响应图和冠脉分割图像。其中的冠脉分割图像表示经过分割处理后图像,该图像上包含冠脉结构,例如该图像上可以包含经过分割后的左分支冠脉血管和右分支冠脉血管,还可以包括经过分割后的冠脉血管上的交叉点,或其它关键点。概率响应图用于指示待检测图像或特征图像上各像素点表示为冠脉的概率。
在第三种应用场景中,基于图6所示的网络结构,上述冠脉狭窄检测模型还包括池化层,如图7所示。其中,池化层用于根据概率响应图输出感兴趣区域图像,感兴趣区域图像为包含全部冠脉结构或部分冠脉结构的特征图像。在图6实施例所示的网络结构基础上解释池化层的功能,该池化层用于根据感兴趣区域对输入的特征图像进行感兴趣区域图像的提取,从而得到感兴趣区域图像。
相应的,上述池化层的输出分别与分类网络和回归网络的输入连接;在该情况下,分类网络用于对感兴趣区域图像进行分类处理,得到狭窄分类;回归网络用于对属于狭窄的感兴趣区域图像进行狭窄程度的估计,得到狭窄程度的估值。
在上述应用情况下,利用图7所示的网络结构对待检测图像进行分割或检侧,具体过程包括:计算机设备将得到的待检测图像输入至主干网络进行特征提取,得到特征图像;再进一步的将该特征图像输入至分割网络进行冠脉结构的分割处理,得到概率响应图;然后计算机设备通过分析该概率响应图指示的冠脉概率值,得到包含需要被检测的冠脉结构的感兴趣区域,,再将该感兴趣区域和上述特征图像输入至池化层中进行感兴趣区域图像的提取,得到包含需要被检测冠脉结构的感兴趣区域图像。然后,计算机设备就可以将该感兴趣区域图像输入至回归网络进行该区域的狭窄程度估计,得到狭窄程度的估值,以及将该感兴趣区域图像输入至分类网络进行该区域的狭窄分类,以标识该区域是否属于狭窄,得到狭窄分类的结果。
上述实施例涉及到的网络结构使用池化层实现了对主干网络输出特征图像进行感兴趣区域图像块的特征提取,使与之连接的狭窄分析网络可以针对性的对感兴趣区域图像块中包含的冠脉结构进行狭窄分析,进一步的提高了狭窄分析的准确定。
在第四种应用场景中,基于图7所示的网络结构,上述冠脉狭窄检测模型还包括卷积层,如图8所示。在图7实施例所示的网络结构基础上加入卷积层的功能,该卷积层用于对感兴趣区域图像进行深度特征提取,得到该感兴趣区域图像的特征图像。相应的,上述卷积层的输入与池化层连接,卷积层的输出分别与分类网络和回归网络的输入连接;在该情况下,分类网络用于对感兴趣区域图像的特征图像进行分类处理,得到狭窄分类;回归网络用于对属于狭窄的感兴趣区域图像的特征图像进行狭窄程度估计,得到狭窄程度的估值。
在上述应用情况下,利用图8所示的网络结构对待检测图像进行分割或检侧,具体过程包括:计算机设备将得到的待检测图像输入至主干网络进行特征提取,得到特征图像;再进一步的将该特征图像输入至分割网络进行冠脉结构的分割处理,得到概率响应图;然后计算机设备通过分析该概率响应图指示的冠脉概率值,得到包含需要被检测的冠脉结构的感兴趣区域,再将该感兴趣区域和上述特征图像输入至池化层中进行感兴趣区域图像的提取,得到包含需要被检测冠脉结构的感兴趣区域图像。然后,计算机设备将该感兴趣区域图像输入至卷积层进行深度特征提取,得到该感兴趣区域图像的特征图像;最后,计算机设备再将该感兴趣区域图像的特征图像输入至回归网络进行该区域的狭窄程度的估计,得到狭窄程度的估值,以及将该感兴趣区域图像的特征图像输入至分类网络进行该区域的狭窄分类,以标识该区域是否属于狭窄,得到狭窄分类的结果。
上述实施例涉及到的网络结构使用卷积层实现了对感兴趣区域图像块的进一步深度特征提取,使提取出的特征能够更加适应狭窄分析网络的分析需求,加强了狭窄分析网络、分割网络、以及主干网络的关联性,从而提高了整个网络结构的检测准确性。
由前述描述可知,冠脉狭窄检测模型是预先由计算机设备训练得到的网络模型,因此,本申请还提供了一种训练该冠脉狭窄检测模型的方法,图9为一个实施例提供的一种训练方法的流程图,本实施例涉及计算机设备根据多个样本图像,并以样本图像对应的金标准图像为监督信息,对初始冠脉狭窄检测模型进行训练的过程,如图9所示,该过程包括:
S201、获取样本图像。
其中,样本图像表示当前需要进行训练时使用的图像,其与前述S101中描述的待检测图像的类型相同,具体内容可参考前述的说明,在此不重复累赘说明。
S202、以样本图像对应的金标准图像为监督信息,将样本图像输入至初始冠脉狭窄检测模型进行训练,得到冠脉狭窄检测模型。
其中,金标准图像为经过标记后的图像,其可以是预先由计算机设备使用不同的标签在样本图像上标记了冠脉结构中包含的各种形态结构后形成的图像,例如,冠脉结构中的左分支冠脉、右分支冠脉、冠脉的交叉点等。需要说明的是,在标记冠脉的交叉点时,可以进一步的将交叉点先进行膨胀操作,并将膨胀后的交叉点用同一标签进行标记,若膨胀后的交叉点对应的坐标值超出了冠脉血管所在范围,则对应的将超出的像素点标记为背景。另外,计算机设备还可以在样本图像上预先标记出冠脉狭窄区域的边界,并根据血管中心线的横截面积估算标记出的狭窄区域的狭窄程度,可选的,计算机设备还可以结合DSA诊断报告估计样本图像上标记出的狭窄区域的狭窄程度。除了上述标记方法以外,还可以包括使用不同的标签在样本图像上的不同段的冠脉血管上进行标记,以及使用不同的标签在样本图像上的不同交叉点或关键点上进行标记,关于标记的方式可以根据实际应用需求确定,对此本实施例不做限定。在计算机设备按照上述方法完成所有的标记后,将标记后的图像作为金标准图像。
本实施例中,当计算机设备获取到多个样本图像和对应的金标准图像时,将该多个样本图像输入至初始冠脉狭窄检测模型中,输出样本图像对应的分割图像和/或狭窄检测图像,然后根据输出的分割图像/或狭窄检测图像与金标准图像之间的差异,调整初始冠脉狭窄检测模型的参数,进行训练,直至初始冠脉狭窄检测模型的目标损失函数收敛,或输出的分割图像/或狭窄检测图像与输入样本图像对应的金标准图像基本一致为止,得到训练好的冠脉狭窄检测模型,以便在上述图2所述的检测过程中使用。
在上述训练的过程中涉及到初始冠脉狭窄检测模型的目标损失函数,该目标损失函数采用多任务的损失函数,因此该目标损失函数包括第一损失函数、第二损失函数、第三损失函数。其中,第一损失函数可以根据分割网络的输出结果得到;第二损失函数可以根据分类网络的输出结果得到;第三损失函数可以根据回归网络的输出结果得到。
本实施例中的目标损失函数为第一损失函数、第二损失函数、和第三损失函数的加权累加之和。具体可以用如下关系式(1)表示:
Lz=Ls+λ1*Lc+λ2*Lr (1);
其中,Lz表示目标损失函数;Ls表示第一损失函数;Lc表示第二损失函数;Lr表示第三损失函数;λ1表示分类权重;λ2表示回归权重。
还存在一种应用场景,即当上述冠脉分割图像中包括关键点的位置时,在计算机设备通过上述实施例得到包括概率响应图和冠脉分割图像的冠脉分割结果,以及包括狭窄分类和狭窄程度的冠脉狭窄结果之后,计算机设备还可以执行下述步骤得到冠脉中心线的位置,以及冠脉分段结果,如图10所示,该步骤包括:
S301、根据概率响应图得到待检测图像中冠脉中心线的位置。
本实施例中,当计算机设备获取到概率响应图时,可以进一步的在该概率响应图中描述血管各横截面积中的概率响应曲线或曲面中,选取出各横截面积中概率响应最高的点作为控制点,并顺序连接各控制点,连接成的曲线为部分的冠脉中心线。之后,计算机设备在该冠脉中心线上选取一端作为初始点,通过相邻关系或以此端点为中心点进行周围半径区域中的线段追踪,以补充或延伸冠脉中心线的末端,从而获得完整的冠脉中心线。之后计算机设备还可以利用平滑算法对得到的冠脉中心线进行平滑处理,以排除异常控制点。
S302、根据冠脉中心线的位置和关键点的位置,得到冠脉分段结果。
当计算机设备获取到冠脉中心线时,即获取到了该冠脉中心线的所在位置,然后计算机设备就可以根据获取到的关键点所在位置,将该冠脉中心线进行分段处理,具体将两个关键点之间的线段所指示的血管作为分段后的一段冠脉血管。当按照上述方法获取到多段血管后,即获取到了冠脉结构的冠脉分段结果。
应该理解的是,虽然图2,和图9、图10流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2,和图9、图10至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行。
在一个实施例中,如图11示,提供了一种冠脉狭窄检测装置,包括:获取模块11和检测模块12,其中:
获取模块11,用于获取待检测图像;
检测模块12,用于将待检测图像输入至冠脉狭窄检测模型,得到检测结果;冠脉狭窄检测模型包括主干网络、分割网络和狭窄分析网络;主干网络的输出分别与分割网络和狭窄分析网络的输入连接;检测结果包括冠脉分割结果和冠脉狭窄结果。
关于冠脉狭窄检测的具体限定可以参见上文中对于一种冠脉狭窄检测方法的限定,在此不再赘述。上述冠脉狭窄检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待检测图像;
将待检测图像输入至冠脉狭窄检测模型,得到检测结果;冠脉狭窄检测模型包括主干网络、分割网络和狭窄分析网络;主干网络的输出分别与分割网络和狭窄分析网络的输入连接;检测结果包括冠脉分割结果和冠脉狭窄结果。
上述实施例提供的一种计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时还实现以下步骤:
获取待检测图像;
将待检测图像输入至冠脉狭窄检测模型,得到检测结果;冠脉狭窄检测模型包括主干网络、分割网络和狭窄分析网络;主干网络的输出分别与分割网络和狭窄分析网络的输入连接;检测结果包括冠脉分割结果和冠脉狭窄结果。
上述实施例提供的一种计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种冠脉狭窄检测方法,其特征在于,所述方法包括:获取待检测图像;
将所述待检测图像输入至冠脉狭窄检测模型,得到检测结果;所述冠脉狭窄检测模型包括主干网络、分割网络和狭窄分析网络,所述狭窄分析网络包括分类网络和回归网络;所述主干网络的输出分别与所述分割网络和所述狭窄分析网络的输入连接,所述检测结果包括冠脉分割结果和冠脉狭窄结果,所述分类网络用于对所述主干网络的输出结果进行分类处理,得到狭窄分类,所述回归网络用于对所述主干网络的输出结果进行狭窄程度估计,得到狭窄程度;
所述冠脉狭窄结果包括所述狭窄分类以及所述狭窄程度;所述狭窄分类用于描述所述待检测图像中包含的冠脉区域是否属于狭窄区域,所述狭窄程度用于描述所述待检测图像中包含的冠脉区域的狭窄程度。
2.根据权利要求1所述的方法,其特征在于,所述分割网络的输出同时连接所述分类网络和所述回归网络的输入,所述分类网络用于对所述分割网络的输出和所述主干网络的输出进行分类处理,得到所述狭窄分类,所述回归网络用于对所述分割网络的输出和所述主干网络的输出进行分类处理,得到所述狭窄程度。
3.根据权利要求1所述的方法,其特征在于,所述冠脉分割结果包括概率响应图和冠脉分割图像。
4.根据权利要求3所述的方法,其特征在于,所述冠脉狭窄检测模型还包括池化层,用于根据所述概率响应图输出感兴趣区域图像。
5.根据权利要求4所述的方法,其特征在于,所述池化层的输出分别与所述分类网络和所述回归网络的输入连接;所述分类网络用于对所述感兴趣区域图像进行分类处理,得到所述狭窄分类;所述回归网络用于对属于狭窄的感兴趣区域图像进行狭窄程度估计,得到所述狭窄程度。
6.根据权利要求1所述的方法,其特征在于,所述主干网络用于从所述待检测图像中提取图像特征。
7.根据权利要求3或4所述的方法,其特征在于,所述冠脉分割图像包括关键点的位置;所述方法还包括:
根据所述概率响应图得到所述待检测图像中冠脉中心线的位置;
根据所述冠脉中心线的位置和所述关键点的位置,得到冠脉分段结果。
8.一种冠脉狭窄检测装置,其特征在于,所述装置包括:
获取模块,用于获取待检测图像;
检测模块,用于将所述待检测图像输入至冠脉狭窄检测模型,得到检测结果;所述冠脉狭窄检测模型包括主干网络、分割网络和狭窄分析网络,所述狭窄分析网络包括分类网络和回归网络;所述主干网络的输出分别与所述分割网络和所述狭窄分析网络的输入连接;所述检测结果包括冠脉分割结果和冠脉狭窄结果,所述分类网络用于对所述主干网络的输出结果进行分类处理,得到狭窄分类,所述回归网络用于对所述主干网络的输出结果进行狭窄程度估计,得到狭窄程度;所述冠脉狭窄结果包括所述狭窄分类以及所述狭窄程度;所述狭窄分类用于描述所述待检测图像中包含的冠脉区域是否属于狭窄区域,所述狭窄程度用于描述所述待检测图像中包含的冠脉区域的狭窄程度。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910464256.0A CN110310256B (zh) | 2019-05-30 | 2019-05-30 | 冠脉狭窄检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910464256.0A CN110310256B (zh) | 2019-05-30 | 2019-05-30 | 冠脉狭窄检测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110310256A CN110310256A (zh) | 2019-10-08 |
CN110310256B true CN110310256B (zh) | 2021-09-21 |
Family
ID=68075665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910464256.0A Active CN110310256B (zh) | 2019-05-30 | 2019-05-30 | 冠脉狭窄检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110310256B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866931B (zh) * | 2019-11-18 | 2022-11-01 | 东声(苏州)智能科技有限公司 | 图像分割模型训练方法及基于分类的强化图像分割方法 |
CN110910370B (zh) * | 2019-11-21 | 2023-02-28 | 北京理工大学 | 一种cta图像冠脉狭窄检测的方法及装置 |
CN111012377B (zh) * | 2019-12-06 | 2020-11-03 | 北京安德医智科技有限公司 | 超声心动图心脏参数计算以及心肌应变测量方法、装置 |
CN111383259B (zh) * | 2020-03-02 | 2023-08-22 | 联影智能医疗科技(北京)有限公司 | 图像分析方法、计算机设备和存储介质 |
CN111369528B (zh) * | 2020-03-03 | 2022-09-09 | 重庆理工大学 | 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法 |
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 |
CN111340794B (zh) * | 2020-03-09 | 2023-07-04 | 中山大学 | 冠状动脉狭窄的量化方法及装置 |
CN111445449B (zh) * | 2020-03-19 | 2024-03-01 | 上海联影智能医疗科技有限公司 | 感兴趣区域的分类方法、装置、计算机设备和存储介质 |
CN111667456B (zh) * | 2020-04-28 | 2023-11-14 | 北京理工大学 | 一种冠状动脉x光序列造影中血管狭窄检测方法及装置 |
CN112967284A (zh) * | 2021-04-30 | 2021-06-15 | 平安科技(深圳)有限公司 | 血管图像分段分析方法、装置、设备及存储介质 |
CN114972221B (zh) * | 2022-05-13 | 2022-12-23 | 北京医准智能科技有限公司 | 一种图像处理方法、装置、电子设备及可读存储介质 |
CN114757944B (zh) * | 2022-06-13 | 2022-08-16 | 深圳科亚医疗科技有限公司 | 一种血管图像的分析方法、装置及存储介质 |
CN116616804B (zh) * | 2023-07-25 | 2023-10-13 | 杭州脉流科技有限公司 | 颅内动脉狭窄评估参数获取方法、装置、设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446662A (zh) * | 2018-04-02 | 2018-08-24 | 电子科技大学 | 一种基于语义分割信息的行人检测方法 |
CN109272510A (zh) * | 2018-07-24 | 2019-01-25 | 清华大学 | 一种三维医学图像中管状结构的分割方法 |
CN109410267A (zh) * | 2018-09-30 | 2019-03-01 | 数坤(北京)网络科技有限公司 | 一种冠脉分割评估方法及*** |
CN109448005A (zh) * | 2018-10-31 | 2019-03-08 | 数坤(北京)网络科技有限公司 | 一种用于冠状动脉的网络模型分割方法及设备 |
CN109544566A (zh) * | 2018-11-29 | 2019-03-29 | 上海联影医疗科技有限公司 | 冠脉图像分割方法、装置、计算机设备和存储介质 |
CN109686426A (zh) * | 2018-12-29 | 2019-04-26 | 上海商汤智能科技有限公司 | 医疗影像处理方法及装置、电子设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9700219B2 (en) * | 2013-10-17 | 2017-07-11 | Siemens Healthcare Gmbh | Method and system for machine learning based assessment of fractional flow reserve |
CN108171698B (zh) * | 2018-02-12 | 2020-06-09 | 数坤(北京)网络科技有限公司 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
CN109222980A (zh) * | 2018-06-19 | 2019-01-18 | 北京红云智胜科技有限公司 | 基于深度学习的测量冠状动脉造影图像血管直径的方法 |
-
2019
- 2019-05-30 CN CN201910464256.0A patent/CN110310256B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446662A (zh) * | 2018-04-02 | 2018-08-24 | 电子科技大学 | 一种基于语义分割信息的行人检测方法 |
CN109272510A (zh) * | 2018-07-24 | 2019-01-25 | 清华大学 | 一种三维医学图像中管状结构的分割方法 |
CN109410267A (zh) * | 2018-09-30 | 2019-03-01 | 数坤(北京)网络科技有限公司 | 一种冠脉分割评估方法及*** |
CN109448005A (zh) * | 2018-10-31 | 2019-03-08 | 数坤(北京)网络科技有限公司 | 一种用于冠状动脉的网络模型分割方法及设备 |
CN109544566A (zh) * | 2018-11-29 | 2019-03-29 | 上海联影医疗科技有限公司 | 冠脉图像分割方法、装置、计算机设备和存储介质 |
CN109686426A (zh) * | 2018-12-29 | 2019-04-26 | 上海商汤智能科技有限公司 | 医疗影像处理方法及装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110310256A (zh) | 2019-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110310256B (zh) | 冠脉狭窄检测方法、装置、计算机设备和存储介质 | |
CN109993726B (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
CN110766730B (zh) | 图像配准及随访评估方法、存储介质及计算机设备 | |
CN111080573B (zh) | 肋骨图像检测方法、计算机设备和存储介质 | |
CN108846829B (zh) | 病变部位识别装置、计算机装置及可读存储介质 | |
CN110415792B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN112465834B (zh) | 一种血管分割方法及装置 | |
CN110570407B (zh) | 图像处理方法、存储介质及计算机设备 | |
CN110210519B (zh) | 分类方法、计算机设备和存储介质 | |
CN112308846B (zh) | 血管分割方法、装置及电子设备 | |
CN113935943A (zh) | 颅内动脉瘤识别检测的方法、装置、计算机设备和存储介质 | |
CN114693671B (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
CN114387464A (zh) | 基于ivus影像的易损斑块识别方法、计算机设备、可读存储介质和程序产品 | |
CN110490841B (zh) | 计算机辅助影像分析方法、计算机设备和存储介质 | |
CN110244249B (zh) | 磁共振扫描方法、装置、医学扫描设备和存储介质 | |
CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
CN115018863A (zh) | 基于深度学习的图像分割方法及装置 | |
CN116681716B (zh) | 颅内血管感兴趣区域分割方法、装置、设备和存储介质 | |
CN113192031A (zh) | 血管分析方法、装置、计算机设备和存储介质 | |
CN110738702B (zh) | 一种三维超声图像的处理方法、装置、设备及存储介质 | |
CN110310314B (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
CN110766653B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN116993812A (zh) | 冠脉血管中心线的提取方法、装置、设备及存储介质 | |
CN111145152A (zh) | 图像检测方法、计算机设备和存储介质 | |
CN113362350A (zh) | 癌症病历图像的分割方法、装置、终端设备和存储介质 |
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 |