CN111145160B - 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 - Google Patents
钙化区域所处冠脉分支的确定方法、装置、服务器及介质 Download PDFInfo
- Publication number
- CN111145160B CN111145160B CN201911384603.5A CN201911384603A CN111145160B CN 111145160 B CN111145160 B CN 111145160B CN 201911384603 A CN201911384603 A CN 201911384603A CN 111145160 B CN111145160 B CN 111145160B
- Authority
- CN
- China
- Prior art keywords
- image
- heart
- processed
- determining
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
- G06T2207/20081—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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种钙化区域所处冠脉分支的确定方法、装置、服务器及存储介质,该方法包括:获取待处理图像,并将预先得到的心脏模型配准到待处理图像上,得到第一预处理图像,其中,待处理图像中包括钙化区域;基于第一预处理图像,得到与待处理图像相对应的心脏腔室模型;根据钙化区域在心脏腔室模型中所处的目标腔室,以及钙化区域位于目标腔室中至少一条待选冠脉分支上的概率值,确定钙化区域所处的目标冠脉分支。本发明实施例的技术方案,解决了现有技术中需要工作人员根据经验来确定钙化点位于哪一支冠脉上,存在一定误差的技术问题,实现了快速、准确确定钙化点所属目标冠脉的技术效果。
Description
技术领域
本发明实施例涉及医疗技术领域,尤其涉及钙化区域所处冠脉分支的确定方法、装置、服务器及存储介质。
背景技术
冠状动脉疾病已成为世界上死亡率最高的疾病。随着医学成像技术的发展,心脏CT成像越来越多的被用于冠状动脉疾病的检测。心脏CT扫描主要有两种方式,分别是增强扫描与非增强扫描。非增强扫描也被称为平扫,增强扫描需要注入造影剂,包含造影剂的血流在CT中呈现高亮度,这种方式主要用来查看血管管腔,心脏腔室及心肌灌注情况。但对于血管钙化不够敏感,这是因为冠脉增强扫描时,血管管腔的CT值与钙化斑块的CT值互相交叠,无法完全区分。因此,查看冠脉钙化通常采用CT平扫图像。基于钙化斑块检测的钙化积分计算,也同样需要在CT平扫图像上。但这会带来一个新的问题,即在CT平扫图像上,血管管腔不显影,与肌肉组织难以区分,无法确定检测到的钙化斑块位于哪条冠脉上,需要医生根据经验依次查看辨认。
现有技术中,主要是工作人员根据经验来确定钙化点位于哪一支冠脉上,存在一定的误差。
发明内容
本发明实施例提供一种钙化区域所处冠脉分支的确定方法、装置、服务器及介质,以实现快速、准确的确定钙化点所属目标冠脉的技术效果。
第一方面,本发明实施例提供了一种钙化区域所处冠脉分支的确定方法,该方法包括:
获取待处理图像,与心脏标准模型进行配准,得到第一预处理图像,其中,所述待处理图像包括钙化区域;
基于所述第一处理图像处理所述心脏标准模型,获取与所述待处理图像对应的心脏模型;
计算所述钙化区域位于所述心脏模型中至少一条待候选冠脉的概率值;
根据所述概率值确定所述钙化区域关联的目标冠脉。
第二方面,本发明实施例还提供了一种钙化区域所处冠脉分支的确定装置,该装置包括:
图像预处理模块,用于获取待处理图像,与心脏标准模型进行配准,得到第一预处理图像,其中,所述待处理图像包括钙化区域
心脏模型确定模块,用于基于所述第一预处理图像处理所述心脏标准模型,获取与所述待处理图像对应的心脏模型;
概率值计算模块,用于计算所述钙化区域位于所述心脏模型中至少一条待候选冠脉的概率值;
冠脉分支确定模块,用于根据所述概率值确定所述钙化区域关联的目标冠脉。
第三方面,本发明实施例还提供了一种服务器,所述服务器包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例任一所述的钙化区域所处冠脉分支的确定方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例任一所述的钙化区域所处冠脉分支的确定方法。
本发明实施例的技术方案,通过获取待处理图像,与心脏标准模型进行配准,得到第一预处理图像,其中,待处理图像包括钙化区域;基于第一处理图像处理心脏标准模型,获取与待处理图像对应的心脏模型;计算钙化区域位于心脏模型中至少一条待候选冠脉的概率值;根据概率值确定钙化区域关联的目标冠脉,解决了现有技术中需要工作人员根据经验来确定钙化点位于哪一支冠脉上,存在一定误差的技术问题,实现了快速、准确确定钙化点所属目标冠脉的技术效果。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案,下面对描述实施例中所需要用到的附图做一简单介绍。显然,所介绍的附图只是本发明所要描述的一部分实施例的附图,而不是全部的附图,对于本领域普通技术人员,在不付出创造性劳动的前提下,还可以根据这些附图得到其他的附图。
图1为本发明实施例一所提供的一种钙化区域所处冠脉分支的确定方法流程示意图;
图2为本发明实施例二所提供的一种钙化区域所处冠脉分支的确定方法流程示意图;
图3为本发明实施例三所提供一种钙化区域所处冠脉分支的确定方法流程示意图;
图4为本发明实施例四所提供的一种钙化区域所处冠脉分支的确定装置的结构示意图;
图5为本发明实施例五所提供的一种服务器结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一所提供的一种钙化区域所处冠脉分支的确定方法流程示意图,本实施例可适用于快速确定钙化区域所处的冠脉分支,该方法可以钙化区域所处冠脉分支的确定装置来执行,该装置可以通过软件和/或硬件的形式实现。
如图1所述,本实施例的方法包括:
S110、获取待处理图像,与心脏标准模型进行配准,得到第一预处理图像,其中,待处理图像包括钙化区域。
为了清楚的介绍本实施例的技术方案,可以以待扫描部位是心脏为例来介绍。
其中,将对待扫描部位扫描后得到的原始图像作为待处理图像。扫描的部位可以是心脏或者其它部位等。相应的,心脏模型是预先获取多幅历史心脏图像,并对多幅历史心脏图像进行处理后得到的。心脏模型用于处理本实施例中所提及的待处理图像,即心脏模型为对待处理图像进行初步处理的模型。经心脏模型处理后的图像可以实现各腔室的分割。可以将经心脏模型初步处理后的图像,作为第一预处理图像。
具体的,获取待处理图像,可以采用配准或广义霍夫变换等方法,将预先训练得到的心脏标准模型配准到待处理图像上,从而得到配准后的图像,将配准后得到的图像作为第一预处理图像。
需要说明的是,在将心脏标准模型配置到待处理图像之前,还需要获取待处理图像。可选的,获取与目标扫描部位相对应的平扫图像;根据预设条件确定平扫图像中的钙化区域;将确定所述钙化区域的扫描图像作为待处理图像。
需要说明的是,待处理图像为非增强的平扫图像,由于在心脏区域范围内部不存在骨的结构,因此CT值大于130HU的像素点,可以认为是钙化点。将钙化点分割出来,并去除体积非常小的噪声区域,剩下的区域则为钙化区域。
其中,目标扫描部位可以理解为病灶部位,即心脏部位。预设条件可以是平扫图像中像素值是否高于130HU。若像素点高于130HU,则将该像素点作为钙化点,相应的,钙化点所处的区域为钙化区域。待处理图像为包括钙化区域的图像。
具体的,采用平扫的方式获取心脏部位的扫描图像,作为平扫图像。确定平扫图像中各个像素点的像素值,将像素值高于预设值的像素点作为钙化点,并将钙化点所处的区域作为钙化区域。若扫描的图像中包括钙化区域,则将包括钙化区域的图像作为待处理图像;若扫描的图像中不包括钙化区域,则可以不对平扫图像进行处理。
S120、基于第一预处理图像处理心脏标准模型,获取与待处理图像对应的心脏模型。
其中,第一预处理图像中包括心脏左心室、右心室、以及位于第一预处理图像中的钙化区域。可以采用活动轮廓算法对第一预处理图像进行处理,得到与待处理图像对应的心脏腔室模型。心脏腔室模型可以理解为与心脏中各个腔室相对应的模型。
具体的,可以采用活动轮廓算法对第一预处理图像进行处理,得到与待处理图像相对应的心脏模型。
基于第一预处理图像,得到与待处理图像相对应的心脏模型,包括:对第一预处理图像进行网格化处理,并获取与第一预处理图像相对应的心脏标准模型的腔室边缘的至少一个待调整网格点;将待调整网格点输入至预先训练的腔室边缘分类器中,得到各待调整网格点位于待处理图像上预设的腔室边缘位置的概率值;根据概率值对与每个腔室相对应的腔室边缘进行变形,得到与待处理图像相对应的心脏模型。其中,网格化处理是指按照预设规则将第一预处理图像划分为至少一个网格。将网格线的交点作为网格点,心脏标准模型中各腔室边缘所对应的网格点作为待调整网格点。由于心脏腔室边缘由线条构成,相应的,可以包括多个网格点,将腔室边缘线上的网格点作为待调整网格点。至少一个待调整网格点的数量可以是一个、两个或者多个,其具体网格点的数量与预设划分规则以及腔室的边缘线相关,在此不做限定。腔室边缘分类器是预先训练得到的,用于确定待调整网格点位于某个腔室边缘位置的概率值,也用于配置待处理图像。
具体的,采用预设划分规则,将第一预处理图像划分为至少一个网格,并确定各腔室边缘上的各个网格点,作为待调整网格点。将待调整网格点输入至预先训练得到的腔室边缘分类器中,就可以确定各个网格点位于预设腔室边缘位置的概率值。根据得到的概率值对腔体边缘迭代调整到对应的边缘上,实现平扫图像下的各腔室分割,得到与待处理图像相对应的心脏模型。
S130、计算钙化区域位于心脏模型中至少一条待候选冠脉的概率值。
其中,待候选冠脉可以理解为钙化区域可能所位于的冠脉分支。
具体的,由于已经得到与待处理图像相对应的心脏模型,该心脏模型中包括各个腔室,根据心脏模型以及钙化区域,可以确定钙化区域位于各个待选冠脉分支上的概率值。
S140、根据概率值确定钙化区域关联的目标冠脉。
其中,将钙化区域所处的冠脉作为目标冠脉。
在S130步骤的基础上,可以确定钙化点位于各个冠脉的概率值。将概率值最高时所对应的冠脉作为目标冠脉。
可选的,分别计算所述钙化区域位于各待选冠脉分支的概率值,并将概率值最高的待选冠脉分支作为目标冠脉分支。
也就是说,分别确定钙化区域在心脏腔室中各个待选冠脉分支上的概率值,并将概率值最高的待选冠脉分支作为目标冠脉分支。
本发明实施例的技术方案,通过获取待处理图像,与心脏标准模型进行配准,得到第一预处理图像,其中,待处理图像包括钙化区域;基于第一处理图像处理心脏标准模型,获取与待处理图像对应的心脏模型;计算钙化区域位于心脏模型中至少一条待候选冠脉的概率值;根据概率值确定钙化区域关联的目标冠脉,解决了现有技术中需要工作人员根据经验来确定钙化点位于哪一支冠脉上,存在一定误差的技术问题,实现了快速、准确确定钙化点所属目标冠脉的技术效果。
实施例二
在确定待处理图像中的钙化区域位于哪一支冠脉分支之前,还需要确定心脏标准模型,以及与各个腔室相对应的腔室分类器,以基于心脏标准模型对待处理图像进行配准,得到心脏模型,以根据心脏模型确定钙化区域所属的目标冠脉。图2为本发明实施例二所提供的一种钙化区域所处冠脉分支的确定方法流程示意图。
如图2所示,所述方法包括:
S210、获取多幅历史心脏图像作为多个当前配准样本图像,并对所述当前配准样本中的关键信息进行标记,其中,所述关键信息包括心脏的各实际腔室边缘。
其中,多幅历史心脏图像中不仅包括患者的图像,也可以包括非患者的图像,即不仅包括已确定钙化区域所属冠脉分支的图像,还包括没有钙化区域的图像。将多幅历史心脏图像作为待训练的样本图像,即当前配准样本图像。为了提高最终训练得到的心脏模型准确性,可以尽可能多的获取待训练的样本图像。当前配准样本中的关键信息包括:心脏的各腔室实际腔室边缘、以及腔室中的各冠脉分支。
具体的,获取多幅历史心脏图像,并标记历史心脏图像中的各腔室实际腔室边缘,以及各腔室冠脉分支,将此时得到的图像作为当前配准样本图像。
示例性的,获取20幅历史心脏图像,并标记历史心脏图像中的左心房、右心房、左心房中的各冠脉、以及右心房中的各冠脉,将做好标记的20幅历史心脏图像作为当前配准样本图像。
S220、从多幅当前配准样本图像中选取一幅所述当前配准样本图像作为基准样本图像,将其余各所述当前配准样本图像作为待配准样本图像,分别根据所述关键信息将所述基准样本图像与每幅所述待配准样本图像进行配准,生成至少一幅初步配准样本图像。
具体的,从多幅当前配准样本图像中选取其中的一幅作为基准样本图像,那么将当前配准样本图像中的其它图像作为待配准样本图像。根据基准样本图像中的关键信息、以及待配准样本图像中的关键信息,将基准样本图像分别与待配准样本图像进行配准,生成至少一幅初步配准的样本图像。
示例性的,当前配准样本图像有20幅,并分别对每一幅图像进行标记,可以选取编号为1的图像作为基准样本图像,将编号为2-20的图像作为待配准样本图像。根据编号为1的基准样本图像中的各腔室实际边缘线、分别与编号为2-20的待配准样本图像进行配准,得到20幅配准后的初步配准样本图像。
S230、对所述初步配准样本图像中的各实际腔室边缘进行网格化处理,得到至少一个实际腔室边缘网格点,并根据所述初步配准样本图像中所述基准样本图像与所述待配准样本图像的各实际腔室边缘网格点的坐标确定出所述初步配准样本图像的平均腔室边缘。
具体的,采用预设算法对初步配准样本图像中的各实际腔室边缘进行网格化处理,得到至少一个网格点。相应的,也可以得到与标记的各个腔室相对应的实际腔室边缘网格点。根据初步配准样本图像中基准样本图像以及待配准样本图像的各实际边缘网格点的坐标,确定出初步样本图像的平均腔室边缘网格。也就是说,对各初步样本图像中腔室边缘进行网格点求平均,得到平均后的心脏各腔室边缘网格。
示例性的,对初步配准样本图像进行网格化处理,得到个实际腔室边缘的网格点,对实际腔体的边缘网格点与基准样本图像中各腔室边缘网格点对应的坐标求平均处理,得到初步样本图像的平均腔室边缘网格。
S240、将多幅所述初步配准样本图像作为多幅当前配准样本图像,重复执行上述选取基准样本图像进行图像配准得到平均腔室边缘的操作,直至确定出目标配准样本图像的平均腔室边缘,根据所述目标配准样本图像的平均腔室边缘确定心脏标准模型。
其中,将基准图像作为目标配准样本图像,即当前基准图像的编号为几号,相应的目标配准样本图像就为几号。心脏标准模型可以理解为与对目标配准样本图像的各腔室边缘进行处理后得到的图像。
示例性的,以编号为2的图像为基准图像,将其余的图像作为当前配准样本图像,重复执行S210至S230,得到至少一幅初步配准样本图像,再对至少一幅初步配准样本图像求平均,得到与编号为2相对应的初步样本图像的平均腔室边缘网格。依次以编号为3、4…20的图像为基准图像,将其余图像作为当前配准样本图像,分别生成与编号为3相对应的初步样本图像的平均腔室边缘网格、与编号为4相对应的初步样本图像的平均腔室边缘网格…以及与编号20相对应的初步样本图像的平均腔室边缘网格。再对所有得到的初步样本图像的平均腔室边缘网格进行处理,得到心脏标准模型。
在本实施例中根据目标配准样本图像的平均腔室边缘确定心脏标准模型,包括:根据所述目标配准样本图像中所标记的各所述冠脉分支相对于心脏模型的位置,确定所述目标配准样本图像的各冠脉分支;根据所述目标配准样本图像的各冠脉分支与所述平均腔室边缘确定心脏模型。
在得到心脏模型之后,计算各配准后的图像在各冠脉在心脏模型中的位置以及分布区域,即初步配准样本图像中所标记的各冠脉分支相对于心脏模型所处的位置以及分布区域,并记录心脏腔室边缘网格点附近距离内所存在的冠脉分支。
在得到心脏模型之后,还需要确定心脏模型中与各个腔室相对应的心脏腔室分类器。可选的,获取多幅历史心脏图像作为多个训练样本,并对所述训练样本中心脏的各实际腔室的边缘进行标记;将多个标记后的训练样本输入预先建立的机器学习模型中,得到与各所述实际腔室相对应的腔室边缘分类器;所述心脏腔室边缘分类器用于确定待测试图像中各腔室边缘的概率值,并根据所述概率值对所述各腔室边缘进行处理。
可以理解为:根据各初步样本图像中标记的心脏腔室边缘,可以采用机器学习进行训练,得到心脏腔室中各腔室边缘的分类器,各分类器可以识别未标记图像上,各处像素点是处于某个腔室边缘的概率。确定各个腔室分类器的好处在于,可以对待处理图像与心脏标准模型进行配准。
本发明实施例的技术方案,通过获取待处理图像,与心脏标准模型进行配准,得到第一预处理图像,其中,待处理图像包括钙化区域;基于第一处理图像处理心脏标准模型,获取与待处理图像对应的心脏模型;计算钙化区域位于心脏模型中至少一条待候选冠脉的概率值;根据概率值确定钙化区域关联的目标冠脉,解决了现有技术中需要工作人员根据经验来确定钙化点位于哪一支冠脉上,存在一定误差的技术问题,实现了快速、准确确定钙化点所属目标冠脉的技术效果。
实施例三
作为上述实施例的一优选实施例,图3为本发明实施例所提供的一种钙化区域所处冠脉分支的确定方法流程示意图。
如图3所述,本实施例的方法包括:
S301、读入训练数据。
选取一定数量的训练数据,可选的,几千个或者几万个等。训练数据可以理解为心脏扫描图像。
需要说明的是,为了得到心脏模型,心脏图像的大小以及分辨率需要一致。
具体的,获取预设数量的训练样本图像来训练心脏标准模型。
S302、标记心脏腔室和冠脉。
在训练数据之前,可以在各个心脏图像上标记心脏的左心室、右心室、左心房、右心房、肺动脉根部、主动脉根据等结构。同时,标记冠脉,主要由左冠状动脉主干、前降支、回旋支、钝缘支、对角支;右冠状动脉、前降支、锐缘支等。
需要说明的是,在本实施例中仅仅是列举了需要标记的心脏腔室和冠脉可以有哪些,但不局限于上述所列举的。
S303、生成心脏腔室的平均模型。
其中,心脏腔室的平均模型可以理解为心脏标准模型。
具体的,对采集的各个心脏图像进行配准,得到至少一幅配准后的图像。将各配准后图像上标记的心脏腔室边缘进行网格化,对每个网格上的点根据各配置图像求平均,得到平均后的心脏腔室边缘网格,从而生成心脏腔室的平均模型。
示例性的,心脏图像的数量为二十张,先以第一张图像为基准,分别将第二张图像到第二十张图像配准到第一张图像上,得到二十幅配准后图像。分别对二十幅配准后图像的各腔室边缘进行网格化处理,得到与各个腔室边缘相对应的边缘网格点。确定边缘网格点在空间直角坐标系中的坐标,可选的,分别确定二十幅图像中各个边缘网格点的坐标,并对相同位置处的边缘网格点坐标求平均,得到平均后的心脏各腔室边缘网格点。
为了得到心脏的平均模型,再以第二张图像为基准,将第三张图像分别配准到第二张图像上,得到二十幅配准后图像,对配准后的二十幅图像按照相同的方式划分为至少一个网格,并对相同位置点的网格求平均,得到平均后的心脏腔室边缘网格点。以此类推,得到二十组平均后的心脏各腔室边缘网格点。也就是说,可以分别以二十幅图像为基准,对图像进行配准,得到二十幅图平均后的心脏各腔室边缘网格。再对二十幅平均后的心脏各腔室边缘网格求平均,得到心脏标准模型。
S304、在腔室模型上标记冠脉区域。
在心脏标准模型上标记冠脉的区域,并计算标记的冠脉区域相对应心脏标准模型的位置以及分布区域,记录每个心脏腔室边缘网格点附件所存在的冠脉分支。
S305、根据腔室边界训练分类器,得到各腔室分类器。
采用机器学习对各图像上标记的心脏腔室边缘进行训练,得到与各个腔室相对应的各腔室边缘分类器。各腔室分类器,可以用于识别未标记图像上,各像素点位于某个腔室边缘的概率值。
S306、将配准心脏模型后的数据输入至腔室分类器中,确定各支冠脉的分布区域。
获取待测试图像,可选的,获取某一个用户的心脏图像。将该心脏图像配准到预先训练得到的心脏模型上,得到配准后图像。对配准后的图像网格化,得到至少一个网格。其中,至少一个网格中包括各腔室的边缘网格点。网格化处理后的图像输入至预先训练得到的腔室分类器中,可以得到各腔室边缘线上网格在其法线方向上的最大概率值,根据该概率值对配准后的图像进行变形,得到与实际图像边缘贴合的腔室边缘网格。
S307、确定钙化点所处的冠脉。
在腔室迭代变形完成后,可以确定冠脉分布的区域。
需要说明的是,在实际应用的过程中,可能存在钙化区域位于两个不同的冠脉分布区域上,无法准确判断钙化区域处于哪一支冠脉上的情形。因此,可以确定钙化区域分别位于某一支冠脉的概率值,将概率值高所对应的冠脉作为目标冠脉,即钙化区域位于该冠脉上。
本发明实施例的技术方案,通过获取待处理图像,与心脏标准模型进行配准,得到第一预处理图像,其中,待处理图像包括钙化区域;基于第一处理图像处理心脏标准模型,获取与待处理图像对应的心脏模型;计算钙化区域位于心脏模型中至少一条待候选冠脉的概率值;根据概率值确定钙化区域关联的目标冠脉,解决了现有技术中需要工作人员根据经验来确定钙化点位于哪一支冠脉上,存在一定误差的技术问题,实现了快速、准确确定钙化点所属目标冠脉的技术效果。
实施例四
图4为本发明实施例四提供的一种钙化区域所处冠脉分支的确定装置,该装置包括:图像预处理模块410、心脏模型确定模块420、概率值计算模块430以及冠脉分支确定模块440。
其中,图像预处理模块410,用于获取待处理图像,与心脏标准模型进行配准,得到第一预处理图像,其中,所述待处理图像包括钙化区域;心脏模型确定模块420,用于基于所述第一处理图像处理所述心脏标准模型,获取与所述待处理图像对应的心脏模型;概率值计算模块430,用于计算所述钙化区域位于所述心脏模型中至少一条待候选冠脉的概率值;冠脉分支确定模块440,用于根据所述概率值确定所述钙化区域关联的目标冠脉。
在上述技术方案的基础上,所述图像预处理模块还包括:
网格化单元,用于对所述第一预处理图像进行网格化处理,并获取与所述第一预处理图像相对应的心脏标准模型的腔室边缘的至少一个待调整网格点;
概率值确定单元,用于将所述待调整网格点输入至预先训练的腔室边缘分类器中,得到各所述待调整网格点位于所述待处理图像上预设的腔室边缘位置的概率值;
心脏腔室确定单元,用于根据所述概率值对与每个腔室相对应的腔室边缘进行变形,得到与所述待处理图像相对应的心脏模型。
在上述各技术方案的基础上,所述概率值确定单元还用于:
分别计算所述钙化区域位于各个待选冠脉的概率值,并将概率值最高时所对应的待选冠脉作为目标冠脉。
在上述各技术方案的基础上,在图像预处理模块,用于获取待处理图像之前,还用于:
获取与目标扫描部位对应的平扫图像;
根据预设条件确定所述平扫图像中的钙化区域;
将确定所述钙化区域的扫描图像作为所述待处理图像。
在上述各技术方案的基础上,所述装置还包括:
获取多幅历史心脏图像作为多个当前配准样本图像,并对所述当前配准样本中的关键信息进行标记,其中,所述关键信息包括心脏的各实际腔室边缘;
从多幅当前配准样本图像中选取一幅所述当前配准样本图像作为基准样本图像,将其余各所述当前配准样本图像作为待配准样本图像,分别根据所述关键信息将所述基准样本图像与每幅所述待配准样本图像进行配准,生成至少一幅初步配准样本图像;
对所述初步配准样本图像中的各实际腔室边缘进行网格化处理,得到至少一个实际腔室边缘网格点,并根据所述初步配准样本图像中所述基准样本图像与所述待配准样本图像的各实际腔室边缘网格点的坐标确定出所述初步配准样本图像的平均腔室边缘;
将多幅所述初步配准样本图像作为多幅当前配准样本图像,重复执行上述选取基准样本图像进行图像配准得到平均腔室边缘的操作,直至确定出目标配准样本图像的平均腔室边缘,根据所述目标配准样本图像的平均腔室边缘确定心脏腔室标准模型。
在上述各技术方案的基础上,所述关键信息包括心脏的各冠脉分支,所述根据所述目标配准样本图像的平均腔室边缘确定心脏标准模型,包括:
根据所述目标配准样本图像中所标记的各所述冠脉分支相对于心脏标准模型的位置,确定所述目标配准样本图像的各冠脉分支;
根据所述目标配准样本图像的各冠脉分支与所述平均腔室边缘确定心脏标准模型。
在上述各技术方案的基础上,所述装置还包括:
训练样本获取单元,用于获取多幅历史心脏图像作为多个训练样本,并对所述训练样本中心脏的各实际腔室的边缘进行标记;
腔室边缘分类器单元,用于将多个标记后的训练样本输入预先建立的机器学习模型中,得到与各所述实际腔室相对应的腔室边缘分类器;
所述心脏腔室边缘分类器,用于对所述待处理图像进行配准。
本发明实施例的技术方案,通过获取待处理图像,与心脏标准模型进行配准,得到第一预处理图像,其中,待处理图像包括钙化区域;基于第一处理图像处理心脏标准模型,获取与待处理图像对应的心脏模型;计算钙化区域位于心脏模型中至少一条待候选冠脉的概率值;根据概率值确定钙化区域关联的目标冠脉,解决了现有技术中需要工作人员根据经验来确定钙化点位于哪一支冠脉上,存在一定误差的技术问题,实现了快速、准确确定钙化点所属目标冠脉的技术效果。
本发明实施例所提供的钙化区域所处冠脉分支的确定装置可执行本发明任意实施例所提供的钙化区域所处冠脉分支的确定方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明实施例的保护范围。
实施例五
图5为本发明实施例五提供的一种服务器的结构示意图。图5示出了适于用来实现本发明实施例实施方式的示例***器50的框图。图5显示的服务器50仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,服务器50以通用计算服务器的形式表现。服务器50的组件可以包括但不限于:一个或者多个处理器或者处理单元501,***存储器502,连接不同***组件(包括***存储器502和处理单元501)的总线503。
总线503表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
服务器50典型地包括多种计算机***可读介质。这些介质可以是任何能够被服务器50访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器502可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)504和/或高速缓存存储器505。服务器50可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***506可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线503相连。存储器502可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块507的程序/实用工具508,可以存储在例如存储器502中,这样的程序模块507包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块507通常执行本发明所描述的实施例中的功能和/或方法。
服务器50也可以与一个或多个外部服务器509(例如键盘、指向服务器、显示器510等)通信,还可与一个或者多个使得用户能与该服务器40交互的服务器通信,和/或与使得该服务器50能与一个或多个其它计算服务器进行通信的任何服务器(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口511进行。并且,服务器50还可以通过网络适配器512与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器512通过总线503与服务器50的其它模块通信。应当明白,尽管图5中未示出,可以结合服务器50使用其它硬件和/或软件模块,包括但不限于:微代码、服务器驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元501通过运行存储在***存储器502中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的钙化区域所处冠脉分支的确定方法。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行钙化区域所处冠脉分支的确定方法。
该方法包括:
获取待处理图像,与心脏标准模型进行配准,得到第一预处理图像,其中,所述待处理图像包括钙化区域;
基于所述第一处理图像处理所述心脏标准模型,获取与所述待处理图像对应的心脏模型;
计算所述钙化区域位于所述心脏模型中至少一条待候选冠脉的概率值;
根据所述概率值确定所述钙化区域关联的目标冠脉。本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者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***、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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(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***、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***、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、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。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)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种钙化区域所处冠脉分支的确定方法,其特征在于,包括:
获取待处理图像,与心脏标准模型进行配准,得到第一预处理图像,其中,所述待处理图像包括钙化区域;
基于所述第一预处理图像采用活动轮廓算法处理所述心脏标准模型,获取与所述待处理图像对应的心脏模型;
计算所述钙化区域位于所述心脏模型中至少一条待候选冠脉的概率值;
根据所述概率值确定所述钙化区域关联的目标冠脉。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一预处理图像处理所述心脏标准模型,获取与所述待处理图像对应的心脏模型,包括:
对所述第一预处理图像进行网格化处理,并获取与所述第一预处理图像相对应的心脏标准模型的腔室边缘的至少一个待调整网格点;
将所述待调整网格点输入至预先训练的腔室边缘分类器中,得到各所述待调整网格点位于所述待处理图像上预设的腔室边缘位置的概率值;
根据所述概率值对与每个腔室相对应的腔室边缘进行变形,得到与所述待处理图像相对应的心脏模型。
3.根据权利要求1所述的方法,其特征在于,所述根据所述概率值确定所述钙化区域关联的目标冠脉,包括:
分别计算所述钙化区域位于各个待选冠脉的概率值,并将概率值最高时所对应的待选冠脉作为目标冠脉。
4.根据权利要求1所述的方法,其特征在于,所述获取待处理图像之前,还包括:
获取与目标扫描部位对应的平扫图像;
根据预设条件确定所述平扫图像中的钙化区域;
将确定所述钙化区域的扫描图像作为所述待处理图像。
5.根据权利要求1所述的方法,其特征在于,还包括:
获取多幅历史心脏图像作为多个当前配准样本图像,并对所述当前配准样本中的关键信息进行标记,其中,所述关键信息包括心脏的各实际腔室边缘;
从多幅当前配准样本图像中选取一幅所述当前配准样本图像作为基准样本图像,将其余各所述当前配准样本图像作为待配准样本图像,分别根据所述关键信息将所述基准样本图像与每幅所述待配准样本图像进行配准,生成至少一幅初步配准样本图像;
对所述初步配准样本图像中的各实际腔室边缘进行网格化处理,得到至少一个实际腔室边缘网格点,并根据所述初步配准样本图像中所述基准样本图像与所述待配准样本图像的各实际腔室边缘网格点的坐标确定出所述初步配准样本图像的平均腔室边缘;
将多幅所述初步配准样本图像作为多幅当前配准样本图像,重复执行上述选取基准样本图像进行图像配准得到平均腔室边缘的操作,直至确定出目标配准样本图像的平均腔室边缘,根据所述目标配准样本图像的平均腔室边缘确定心脏标准模型。
6.根据权利要求5所述的方法,其特征在于,所述关键信息包括心脏的各冠脉分支;
所述根据所述目标配准样本图像的平均腔室边缘确定心脏标准模型,包括:
根据所述目标配准样本图像中所标记的各所述冠脉分支相对于心脏标准模型的位置,确定所述目标配准样本图像的各冠脉分支;
根据所述目标配准样本图像的各冠脉分支与所述平均腔室边缘确定心脏标准模型。
7.根据权利要求2所述的方法,其特征在于,还包括:
获取多幅历史心脏图像作为多个训练样本,并对所述训练样本中心脏的各实际腔室的边缘进行标记;
将多个标记后的训练样本输入预先建立的机器学习模型中,得到与各所述实际腔室相对应的腔室边缘分类器;
所述腔室边缘分类器,用于对所述待处理图像进行配准。
8.一种钙化区域所处冠脉分支的确定装置,其特征在于,包括:
图像预处理模块,用于获取待处理图像,与心脏标准模型进行配准,得到第一预处理图像,其中,所述待处理图像包括钙化区域;
心脏模型确定模块,用于基于所述第一预处理图像采用活动轮廓算法处理所述心脏标准模型,获取与所述待处理图像对应的心脏模型;
概率值计算模块,用于计算所述钙化区域位于所述心脏模型中至少一条待候选冠脉的概率值;
冠脉分支确定模块,用于根据所述概率值确定所述钙化区域关联的目标冠脉。
9.一种服务器,其特征在于,所述服务器包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的钙化区域所处冠脉分支的确定方法。
10.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述钙化区域所处冠脉分支的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911384603.5A CN111145160B (zh) | 2019-12-28 | 2019-12-28 | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911384603.5A CN111145160B (zh) | 2019-12-28 | 2019-12-28 | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111145160A CN111145160A (zh) | 2020-05-12 |
CN111145160B true CN111145160B (zh) | 2023-06-30 |
Family
ID=70521328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911384603.5A Active CN111145160B (zh) | 2019-12-28 | 2019-12-28 | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111145160B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612756B (zh) * | 2020-05-18 | 2023-03-21 | 中山大学 | 冠状动脉特异性钙化检测方法及装置 |
CN112927275B (zh) * | 2021-02-22 | 2022-03-01 | 北京安德医智科技有限公司 | 一种图像处理方法及装置、电子设备和存储介质 |
CN113506331A (zh) * | 2021-06-29 | 2021-10-15 | 武汉联影智融医疗科技有限公司 | 组织器官的配准方法、装置、计算机设备和存储介质 |
CN113139959B (zh) * | 2021-05-17 | 2021-10-01 | 北京安德医智科技有限公司 | 获得心肌桥图像的方法及装置、电子设备和存储介质 |
CN115429298A (zh) * | 2021-06-01 | 2022-12-06 | 数坤(北京)网络科技股份有限公司 | 一种计算钙化积分的方法、装置及计算机可读介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009144697A1 (en) * | 2008-04-17 | 2009-12-03 | Paieon Inc. | Method and apparatus for navigating a therapeutic device to a location |
CN101853376A (zh) * | 2010-02-10 | 2010-10-06 | 西安理工大学 | 一种乳腺微钙化点计算机辅助检测方法 |
CN103337096A (zh) * | 2013-07-19 | 2013-10-02 | 东南大学 | 一种冠状动脉ct造影图像钙化点检测方法 |
EP2808844A2 (en) * | 2013-05-31 | 2014-12-03 | Siemens Aktiengesellschaft | Segmentation of a calcified blood vessel |
CN109559303A (zh) * | 2018-11-22 | 2019-04-02 | 广州达美智能科技有限公司 | 钙化点的识别方法、装置和计算机可读存储介质 |
CN109658407A (zh) * | 2018-12-27 | 2019-04-19 | 上海联影医疗科技有限公司 | 冠状动脉病变的评分方法、装置、服务器和存储介质 |
CN109829896A (zh) * | 2019-01-14 | 2019-05-31 | 中国科学院苏州生物医学工程技术研究所 | 基于多域特征的数字乳腺x射线断层摄影图像的微钙化簇自动检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9547894B2 (en) * | 2013-10-08 | 2017-01-17 | Toshiba Medical Systems Corporation | Apparatus for, and method of, processing volumetric medical image data |
CN104091346B (zh) * | 2014-07-24 | 2017-02-15 | 东南大学 | 一种全自动ct图像冠状动脉钙化分数计算方法 |
CN106097298B (zh) * | 2016-05-27 | 2019-08-20 | 中国人民解放军第三军医大学 | 基于球空间划分的冠状动脉自动分段与解剖学标记方法 |
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 |
CN109288536B (zh) * | 2018-09-30 | 2021-01-29 | 数坤(北京)网络科技有限公司 | 获取冠脉钙化区域分类的方法、装置及*** |
CN109389592B (zh) * | 2018-09-30 | 2021-01-26 | 数坤(北京)网络科技有限公司 | 计算冠脉钙化积分的方法、装置及*** |
-
2019
- 2019-12-28 CN CN201911384603.5A patent/CN111145160B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009144697A1 (en) * | 2008-04-17 | 2009-12-03 | Paieon Inc. | Method and apparatus for navigating a therapeutic device to a location |
CN101853376A (zh) * | 2010-02-10 | 2010-10-06 | 西安理工大学 | 一种乳腺微钙化点计算机辅助检测方法 |
EP2808844A2 (en) * | 2013-05-31 | 2014-12-03 | Siemens Aktiengesellschaft | Segmentation of a calcified blood vessel |
CN103337096A (zh) * | 2013-07-19 | 2013-10-02 | 东南大学 | 一种冠状动脉ct造影图像钙化点检测方法 |
CN109559303A (zh) * | 2018-11-22 | 2019-04-02 | 广州达美智能科技有限公司 | 钙化点的识别方法、装置和计算机可读存储介质 |
CN109658407A (zh) * | 2018-12-27 | 2019-04-19 | 上海联影医疗科技有限公司 | 冠状动脉病变的评分方法、装置、服务器和存储介质 |
CN109829896A (zh) * | 2019-01-14 | 2019-05-31 | 中国科学院苏州生物医学工程技术研究所 | 基于多域特征的数字乳腺x射线断层摄影图像的微钙化簇自动检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111145160A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111145160B (zh) | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 | |
US10614599B2 (en) | Anatomy segmentation through low-resolution multi-atlas label fusion and corrective learning | |
US8867822B2 (en) | Model-based coronary artery calcium scoring | |
US11508061B2 (en) | Medical image segmentation with uncertainty estimation | |
US20220207742A1 (en) | Image segmentation method, device, equipment and storage medium | |
US8948484B2 (en) | Method and system for automatic view planning for cardiac magnetic resonance imaging acquisition | |
CN112465834B (zh) | 一种血管分割方法及装置 | |
CN111640124B (zh) | 一种血管提取方法、装置、设备及存储介质 | |
CN112861961B (zh) | 肺血管分类方法及装置、存储介质及电子设备 | |
CN112419340B (zh) | 脑脊液分割模型的生成方法、应用方法及装置 | |
CN112529919B (zh) | 用于生成受试者的心脏的牛眼图生成的***和方法 | |
CN117373070B (zh) | 血管分段标注的方法及装置、电子设备和存储介质 | |
CN111568451A (zh) | 一种曝光剂量调节方法和*** | |
CN112634309A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113888566B (zh) | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 | |
CN113889238B (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
US11935234B2 (en) | Method for detecting abnormality, non-transitory computer-readable recording medium storing program for detecting abnormality, abnormality detection apparatus, server apparatus, and method for processing information | |
CN112950734B (zh) | 冠脉重建方法、装置、电子设备和存储介质 | |
CN115761228A (zh) | 一种冠状动脉钙化斑块分割方法、装置、设备及存储介质 | |
CN114037830A (zh) | 增强图像生成模型的训练方法、图像处理方法及装置 | |
CN115439423A (zh) | 一种基于ct图像的识别方法、装置、设备及存储介质 | |
US11295451B2 (en) | Robust pulmonary lobe segmentation | |
CN113205459B (zh) | 用于冠状动脉的3d重建的血管造影图像的运动校正 | |
CN115511773B (zh) | 一种血管中心线提取方法、装置、设备和可读存储介质 | |
CN115482181B (zh) | 一种图像信息提取方法、装置、电子设备和可读存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |