CN111161240B - 血管分类方法、装置、计算机设备和可读存储介质 - Google Patents
血管分类方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN111161240B CN111161240B CN201911380101.5A CN201911380101A CN111161240B CN 111161240 B CN111161240 B CN 111161240B CN 201911380101 A CN201911380101 A CN 201911380101A CN 111161240 B CN111161240 B CN 111161240B
- Authority
- CN
- China
- Prior art keywords
- image
- blood vessel
- vessel
- angiography
- angiographic
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 327
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000011218 segmentation Effects 0.000 claims abstract description 191
- 238000002583 angiography Methods 0.000 claims abstract description 161
- 238000013145 classification model Methods 0.000 claims abstract description 115
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 18
- 238000010968 computed tomography angiography Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000000903 blocking effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- XCWPUUGSGHNIDZ-UHFFFAOYSA-N Oxypertine Chemical compound C1=2C=C(OC)C(OC)=CC=2NC(C)=C1CCN(CC1)CCN1C1=CC=CC=C1 XCWPUUGSGHNIDZ-UHFFFAOYSA-N 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000002376 aorta thoracic Anatomy 0.000 description 1
- 210000001841 basilar artery Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000002168 brachiocephalic trunk Anatomy 0.000 description 1
- 210000001168 carotid artery common Anatomy 0.000 description 1
- 210000004004 carotid artery internal Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
- 210000002385 vertebral artery Anatomy 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/20084—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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (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
本发明涉及一种血管分类方法、计算机设备和可读存储介质，该方法包括：获取待处理的血管造影图像及血管造影图像对应的血管分割图像；将血管分割图像输入预设的第一血管分类模型，得到血管造影图像中血管的分类结果；其中，第一血管分类模型为根据带有血管分类标签的样本血管分割图像进行训练所得到的，血管分类标签用于指示当前血管的名称。在该方法中，计算机设备通过预先训练好的第一血管分类模型，能够对输入的血管分割图像中的血管进行准确地分类，由于该血管分割图像与血管造影图像是相对应的，进而能够准确地得到血管造影图像中血管的分类结果，提高了得到的血管造影图像中血管的分类结果的准确度。
Description
技术领域
本发明涉及医学图像处理领域，特别是涉及一种血管分类方法、装置、计算机设备和可读存储介质。
背景技术
计算机断层成像血管造影(Computed Tomography Angiography,CTA)是在计算机断层成像(Computed Tomography,CT)扫描前注射造影剂对血管进行显影增强的一种技术。CTA应用在人体不同部位会得到不同部位血管增强的图像，如头颈CTA图像、冠脉CTA图像等。目前，CTA技术已成为临床疾病诊断的重要放射技术，尤其在头颈部血管疾病诊断中CTA技术有着重要的诊断意义。
在对得到的CTA图像中的血管进行分析时，血管分类可以去除不关注的血管，减轻医生的工作压力，而且不同的部位的血管好发的疾病也存在许多不同，因此，血管分类是血管分析中十分重要的一步。传统技术中，对血管分类主要是通过在已经分割出血管的CTA图像中定位关键点，通过定位的关键点对血管进行追踪，从而对血管进行分类。
但是，传统的对血管分类的方法存在分类准确度较低的问题。
发明内容
基于此，有必要针对传统的对血管分类的方法存在分类准确度较低的问题，提供一种血管分类方法、装置、计算机设备和可读存储介质。
第一方面，本发明实施例提供一种血管分类方法，所述方法包括：
获取待处理的血管造影图像及所述血管造影图像对应的血管分割图像；
将所述血管分割图像输入预设的第一血管分类模型，得到所述血管造影图像中血管的分类结果；其中，所述第一血管分类模型为根据带有血管分类标签的样本血管分割图像进行训练所得到的，所述血管分类标签用于指示当前血管的名称。
在其中一个实施例中，所述方法还包括：
将所述血管造影图像、所述血管分割图像输入预设的第二血管分类模型，得到所述血管造影图像中血管的分类结果；其中，所述第二血管分类模型为根据带有血管分类标签的样本血管造影图像、所述样本血管造影图像对应的样本血管分割图像进行训练所得到的。
在其中一个实施例中，所述方法还包括：
针对所述血管造影图像，确定所述血管造影图像中像素点的位置信息；
将所述血管造影图像、所述血管分割图像和所述位置信息输入预设的第三血管分类模型，得到所述血管造影图像中血管的分类结果；其中，所述第三血管分类模型为根据带有血管分类标签和血管位置信息的训练样本进行训练所得到的。
在其中一个实施例中，所述将所述血管造影图像、所述血管分割图像和所述位置信息输入预设的第三血管分类模型，得到所述血管造影图像中血管的分类结果，包括：
分别对所述血管造影图像、所述血管分割图像和所述位置信息进行截取处理，得到所述血管造影图像的图像块、所述血管分割图像的图像块和所述位置信息的分块信息；其中，所述血管造影图像、所述血管分割图像和所述位置信息的截取顺序一致；
将所述血管造影图像的图像块、所述血管分割图像的图像块和所述位置信息的分块信息输入所述第三血管分类模型，得到所述血管造影图像中血管的分类结果。
在其中一个实施例中，所述将所述血管造影图像的图像块、所述血管分割图像的图像块和所述位置信息的分块信息输入所述第三血管分类模型，得到所述血管造影图像中血管的分类结果，包括：
将所述血管造影图像的图像块、所述血管分割图像的图像块和所述位置信息的分块信息输入所述第三血管分类模型，得到所述血管造影图像的图像块中血管的分类结果；
根据所述截取顺序，对所述血管造影图像的图像块中血管的分类结果进行拼接处理，得到所述血管造影图像中血管的分类结果。
在其中一个实施例中，所述将所述血管造影图像的图像块、所述血管分割图像的图像块和所述位置信息的分块信息输入所述第三血管分类模型，得到所述血管造影图像的图像块中血管的分类结果，包括：
将所述血管造影图像的图像块、所述血管分割图像的图像块和所述位置信息的分块信息通过不同通道输入所述第三血管分类模型，提取出所述血管造影图像的图像块的特征、所述血管分割图像的图像块的特征和所述分块信息的特征；
对所述血管造影图像的图像块的特征、所述血管分割图像的图像块的特征和所述位置信息的分块信息的特征进行特征融合，得到融合后的特征；
根据所述融合后的特征对所述血管造影图像的图像块中血管进行分类，得到所述血管造影图像的图像块中血管的分类结果。
在其中一个实施例中，所述针对所述血管造影图像，确定所述血管造影图像中像素点的位置信息，包括：
确定所述血管造影图像中每个像素点与预设的坐标原点的相对位置，所述坐标原点位于所述血管造影图像的预设位置上；
根据每个像素点的相对位置，确定所述位置信息。
在其中一个实施例中，所述血管分类模型为三维模型。
第二方面，本发明实施例提供一种血管分类装置，所述装置包括：
第一获取模块，用于获取待处理的血管造影图像及所述血管造影图像对应的血管分割图像；
第二获取模块，用于将所述血管分割图像输入预设的第一血管分类模型，得到所述血管造影图像中血管的分类结果；其中，所述第一血管分类模型为根据带有血管分类标签的样本血管分割图像进行训练所得到的，所述血管分类标签用于指示当前血管的名称。
第三方面，本发明实施例提供一种计算机设备，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以下步骤：
获取待处理的血管造影图像及所述血管造影图像对应的血管分割图像；
将所述血管分割图像输入预设的第一血管分类模型，得到所述血管造影图像中血管的分类结果；其中，所述第一血管分类模型为根据带有血管分类标签的样本血管分割图像进行训练所得到的，所述血管分类标签用于指示当前血管的名称。
第四方面，本发明实施例提供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以下步骤：
获取待处理的血管造影图像及所述血管造影图像对应的血管分割图像；
将所述血管分割图像输入预设的第一血管分类模型，得到所述血管造影图像中血管的分类结果；其中，所述第一血管分类模型为根据带有血管分类标签的样本血管分割图像进行训练所得到的，所述血管分类标签用于指示当前血管的名称。
上述实施例提供的血管分类方法、装置、计算机设备和可读存储介质中，计算机设备获取待处理的血管造影图像及血管造影图像对应的血管分割图像，将血管分割图像输入预设的第一血管分类模型，得到血管造影图像中血管的分类结果；其中，第一血管分类模型为根据带有血管分类标签的样本血管分割图像进行训练所得到的，血管分类标签用于指示当前血管的名称。在该方法中，计算机设备通过预先训练好的第一血管分类模型，能够对输入的血管分割图像中的血管进行准确地分类，由于该血管分割图像与血管造影图像是相对应的，进而能够准确地得到血管造影图像中血管的分类结果，提高了得到的血管造影图像中血管的分类结果的准确度。
附图说明
图1为一个实施例提供的计算机设备的内部结构示意图；
图2为一个实施例提供的血管分类方法的流程示意图；
图3为另一个实施例提供的血管分类方法的流程示意图；
图4为另一个实施例提供的血管分类方法的流程示意图；
图5为另一个实施例提供的血管分类方法的流程示意图；
图6为一个实施例提供的血管分类装置结构示意图。
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仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的血管分类方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过***总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括网络接口、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。可选的，该计算机设备可以是服务器，可以是个人计算机，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。
传统技术中，对血管分类主要是通过在已经分割出血管的CTA图像中定位关键点，通过定位的关键点对血管进行追踪，从而对血管进行分类，但是，若定位的关键点不够准确，那么将会影响对血管分类的准确度。本申请实施例提供的血管分类方法、计算机设备和可读存储介质，旨在解决上述技术问题。
下面以具体的实施例对本发明的技术方案以及本发明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血管分类方法的流程示意图。本实施例涉及的是计算机设备将待处理的血管造影图像对应的血管分割图像输入预设的第一血管分类模型，得到血管造影图像中血管的分类结果的具体实现过程。如图2所示，该方法可以包括：
S201，获取待处理的血管造影图像及血管造影图像对应的血管分割图像。
其中，待处理的血管造影图像为在人体某部位应用计算机断层成像血管造影(Computed Tomography Angiography,CTA)技术，得到的血管增强图像。血管造影图像对应的血管分割图像为通过预设的分割方法对血管造影图像中的血管进行分割所得到的图像，例如，可以通过基于U-Net的血管分割模型或者基于高分辨率网络HRNet的血管分割模型对血管造影图像中的血管进行分割得到血管造影图像对应的血管分割图像。可以理解的是，将CTA技术应用在人体的不同部位，会得到不同的血管造影图像。例如，待处理的血管造影图像可以为人体头颈部的血管造影图像。可选的，计算机设备可以从PACS(PictureArchiving and Communication Systems，影像归档和通信***)服务器中获取待处理的血管造影图像，也可以从医学影像设备中实时地获取待处理的血管造影图像，然后，再利用预设的分割方法得到血管造影图像对应的血管分割图像。可选的，计算机设备得到待处理的血管造影图像和血管造影图像对应的血管分割图像后，可以对血管造影图像和血管分割图像进行预处理，其中，预处理包括对血管造影图像和血管分割图像的数据格式进行转换，将血管造影图像和血管分割图像由医学数字成像和通信(Digital Imaging andCommunications in Medicine，DICOM)格式转换为NIFTY格式，再对转换后的血管造影图像和血管分割图像HU值分别设置窗框窗位对图像进行裁剪，再对裁剪后的图像进行重采样处理和归一化处理。可选的，对图像进行裁剪时，窗框可以设置为600，窗位可以设置为300。可选的，可以将裁剪后的图像重采样为0.45*0.45*0.7的采样间隔。
S202，将血管分割图像输入预设的第一血管分类模型，得到血管造影图像中血管的分类结果；其中，第一血管分类模型为根据带有血管分类标签的样本血管分割图像进行训练所得到的，血管分类标签用于指示当前血管的名称。
具体的，计算机设备将血管分割图像输入预设的第一血管分类模型，得到血管造影图像中血管的分类结果。示例性地，以待处理的血管造影图像为头颈部的血管造影图像为例，头颈部包含许多血管，每个血管都有自己的医学名称，但临床上医生并非关注头颈部血管中的所有血管，主要关注的血管包括主动脉弓、头臂干、颈总动脉、颈内动脉、椎动脉、基底动脉和大脑动脉环等血管，因此，将头颈部的血管造影图像对应的血管分割图像输入预设的第一血管分类模型，得到的头颈部的血管造影图像中血管的分类结果为在血管分割图像中对医生主要关注的血管进行分类和命名，进而得到血管造影图像中血管的分类和命名。
其中，第一血管分类模型为根据带有血管分类标签的样本血管分割图像进行训练所得到的，血管分类标签用于指示当前血管的名称；也就是，第一血管分类模型的训练过程包括：获取样本血管造影图像及样本血管造影图像对应的样本血管分割图像，对样本血管分割图像中血管的名称进行标注，得到带有血管分类标签的样本血管分割图像，将样本血管分割图像输入预设的初始第一血管分割模型，得到样本血管造影图像中血管的样本分类结果，将得到的样本分类结果和样本血管分割图像中的血管分类标签进行比对，得到初始第一血管分割模型的损失函数的值，根据初始第一血管分割模型的损失函数的值对初始第一血管分割模型进行训练，得到第一血管分类模型。可选的，第一血管分类模型为三维模型。可选的，第一血管分类模型可以为U-Net网络模型，也可以为V-Net网络模型。可选的，初始第一血管分类模型的损失函数可以为Dice损失函数，也可以为交叉熵(CE)损失函数或其他类型的损失函数。可选的，在调整初始第一血管分类模型的网络参数时，可以采用Adam自适应优化器，可随训练状态自动调整网络参数更新幅度。可选的，在对初始第一血管分类模型进行训练时，考虑到计算机设备GPU显存的大小，处理整个血管分割图像可能会存在内存溢出的问题，因此，计算机设备可以对血管分割图像按照预设的截取顺序依次截取相同大小的血管分割图像块(如截取1283大小的图像块)，将各血管分割图像块输入初始第一血管分类模型中，得到每个血管分割图像块中血管的分类结果，然后将每个血管分割图像块中血管的分类结果按照预设的截取顺序进行拼接处理，得到整个血管分割图像中血管的分类结果，从而得到血管造影图像中血管的分类结果。
在本实施例中，计算机设备通过预先训练好的第一血管分类模型，能够对输入的血管分割图像中的血管进行准确地分类，由于该血管分割图像与血管造影图像是相对应的，进而能够准确地得到血管造影图像中血管的分类结果，提高了得到的血管造影图像中血管的分类结果的准确度。
在上述实施例的基础上，作为一种可选的实施方式，上述方法还包括：将血管造影图像、血管分割图像输入预设的第二血管分类模型，得到血管造影图像中血管的分类结果；其中，第二血管分类模型为根据带有血管分类标签的样本血管造影图像、样本血管造影图像对应的样本血管分割图像进行训练所得到的。
具体的，计算机设备将血管造影图像、血管分割图像输入预设的第二血管分类模型，得到血管造影图像中血管的分类结果，其中，第二血管分类模型为根据带有血管分类标签的血管造影图像、样本血管造影图像对应的样本血管分割图像进行训练所得到的。本实施例中得到的血管造影图像中血管的分类结果可参照上述S202中的描述，在此不再赘述。可以理解的是，第二血管分类模型的训练过程包括：获取样本血管造影图像及样本血管造影图像对应的样本血管分割图像，对样本血管造影图像和样本血管分割图像中血管的名称进行标注，得到带有血管分类标签的样本血管造影图像和样本血管分割图像，将样本血管造影图像和样本血管分割图像输入预设的初始第二血管分割模型，得到样本血管造影图像中血管的样本分类结果，将得到的样本分类结果与样本血管造影图像、样本血管分割图像中的血管分类标签进行比对，得到初始第二血管分割模型的损失函数的值，根据初始第二血管分割模型的损失函数的值对初始第二血管分割模型进行训练，得到第二血管分类模型。可选的，第二血管分类模型为三维模型。可选的，第二血管分类模型可以为U-Net网络模型，也可以为V-Net网络模型。可选的，初始第二血管分类模型的损失函数可以为Dice损失函数，也可以为交叉熵(CE)损失函数或其他类型的损失函数。可选的，在调整初始第二血管分类模型的网络参数时，可以采用Adam自适应优化器，可随训练状态自动调整网络参数更新幅度。可选的，在对初始第二血管分类模型进行训练时，考虑到计算机设备GPU显存的大小，处理整个血管造影图像和血管分割图像可能会存在内存溢出的问题，因此，计算机设备可以对血管造影图像和血管分割图像按照预设的截取顺序依次截取相同大小的血管造影图像块和血管分割图像块(如截取1283大小的图像块)，将各血管造影图像块和各血管分割图像块输入初始第二血管分类模型中，得到每个血管造影图像块中血管的分类结果，然后将每个血管造影图像块中血管的分类结果按照预设的截取顺序进行拼接处理，得到整个血管造影图像中血管的分类结果。
在本实施例中，由于在对血管造影图像中的血管进行分割时，会使血管造影图像中的边缘信息损失使得到的血管分割图像不够准确，而将血管造影图像和对应的血管分割图像输入预设的第二血管分类模型，能够使第二血管分类模型结合血管造影图像和血管分割图像对血管造影图像中的血管进行准确地分类，能够准确地得到血管造影图像中血管的名称，避免了血管分割图像不够准确而导致对血管造影图像中血管的分类结果不够准确地问题，提高了得到的血管造影图像中血管的分类结果的准确度。
图3为另一个实施例提供的血管分类方法的流程示意图。本实施例涉及的是计算机设备根据血管造影图像、对应的血管分割图像和血管造影图像中像素点的位置信息，得到血管造影图像中血管的分类结果的具体实现过程。如图3所示，在上述实施例的基础上，作为一种可选的实施方式，上述方法还包括：
S301，针对血管造影图像，确定血管造影图像中像素点的位置信息。
具体的，计算机设备针对血管造影图像，确定血管造影图像中像素点的位置信息。可选的，计算机设备可以确定血管造影图像中每个像素点与预设的坐标原点的相对位置，根据血管造影图像中每个像素点的相对位置，确定血管造影图像中像素点的位置信息，其中，预设的坐标原点位于血管造影图像的预设位置上，可选的，以血管造影图像为头颈部的血管造影图像为例，计算机设备可以通过如下的过程确定预设的坐标原点：将血管造影图像设置为骨窗，并选择包裹头颈的最大外接矩形，可以将确定的最大外接矩形的正上方(一般为颅顶)确定为预设的坐标原点。
S302，将血管造影图像、血管分割图像和位置信息输入预设的第三血管分类模型，得到血管造影图像中血管的分类结果；其中，第三血管分类模型为根据带有血管分类标签和血管位置信息的训练样本进行训练所得到的。
具体的，计算机设备将血管造影图像、血管造影图像对应的血管分割图像和血管造影图像中像素点的位置信息输入预设的第三血管分类模型，得到血管造影图像中血管的分类结果。其中，第三血管分类模型为根据带有血管分类标签和血管位置信息的训练样本进行训练所得到的，也就是第三血管分类模型为根据带有血管分类标签的样本血管造影图像、带有血管分类标签的样本血管分割图像和样本血管造影图像中像素点的样本位置信息，对预设的初始第三血管分类模型进行训练得到的。本实施例中得到的血管造影图像中血管的分类结果可参照上述S202中的描述，在此不再赘述。可以理解的是，第三血管分类模型的训练过程包括：获取样本血管造影图像及样本血管造影图像对应的样本血管分割图像，确定样本血管造影图像中像素点的样本位置信息，对样本血管造影图像和样本血管分割图像中血管的名称进行标注，得到带有血管分类标签的样本血管造影图像和样本血管分割图像，将样本血管造影图像、样本血管分割图像和样本血管造影图像中像素点的样本位置信息输入预设的初始第三血管分割模型，得到样本血管造影图像中血管的样本分类结果，将得到的样本分类结果与样本血管造影图像、样本血管分割图像中的血管分类标签进行比对，得到初始第三血管分割模型的损失函数的值，根据初始第三血管分割模型的损失函数的值对初始第三血管分割模型进行训练，得到第三血管分类模型。可选的，第三血管分类模型为三维模型。可选的，第三血管分类模型可以为U-Net网络模型，也可以为V-Net网络模型。需要说明的是，在卷积神经网络中，来自深层的特征学习到了更高级的语义信息，而浅层的特征则会保留丰富的空间结构细节，为了将目标准确地分割成不同的部分，融合不同层级的信息是非常重要的。当第三血管分类模型为U-Net网络模型时，U-Net网络虽然可以融合多层级的特征，但对不同通道给与相同的权重显然是有缺陷的，因此，可以在U-Net网络中加入注意特征聚合(Attention Feature Aggregation,AFA)模块，AFA模块可以提取富含信息的特征并抑制无差别的特征。可选的，初始第三血管分类模型的损失函数可以为Dice损失函数，也可以为交叉熵(CE)损失函数或其他类型的损失函数。可选的，在调整初始第三血管分类模型的网络参数时，可以采用Adam自适应优化器，可随训练状态自动调整网络参数更新幅度。可选的，在对初始第三血管分类模型进行训练时，考虑到计算机设备GPU显存的大小，处理整个血管造影图像、血管分割图像和血管造影图像中像素点的样本位置信息可能会存在内存溢出的问题，因此，计算机设备可以对血管造影图像、血管分割图像和样本位置信息按照预设的截取顺序依次截取相同大小的血管造影图像块、血管分割图像块和样本位置信息的样本分块信息(如截取1283大小的图像块)，将各血管造影图像块、各血管分割图像块和各样本分块信息输入初始第三血管分类模型中，得到每个血管造影图像块中血管的分类结果，然后将每个血管造影图像块中血管的分类结果按照预设的截取顺序进行拼接处理，得到整个血管造影图像中血管的分类结果。
在本实施例中，计算机设备针对血管造影图像，确定血管造影图像中像素点的位置信息，将血管造影图像、血管分割图像和血管造影图像中像素点的位置信息输入预设的第三血管分类模型，第三血管分类模型能够根据血管造影图像中像素点的位置信息，结合血管造影图像和血管分割图像对血管造影图像中的血管进行准确地分类，提高了得到的血管造影图像中血管的分类结果的准确度。
在一些场景中，考虑到GPU显存的限制，神经网络模型无法对输入的整幅图像进行处理，需要对图像进行截取处理，将截取的图像块输入神经网络模型中进行处理。图4为另一个实施例提供的血管分类方法的流程示意图。本实施例涉及的是计算机设备将血管造影图像、血管分割图像和血管造影图像中像素点的位置信息输入第三血管分类模型，得到血管造影图像中血管的分类结果的具体实现过程。如图4所示，在上述实施例的基础上，作为一种可选的实施方式，上述S302，包括：
S401，分别对血管造影图像、血管分割图像和位置信息进行截取处理，得到血管造影图像的图像块、血管分割图像的图像块和位置信息的分块信息；其中，血管造影图像、血管分割图像和位置信息的截取顺序一致。
具体的，计算机设备分别对血管造影图像、血管分割图像和血管造影图像中像素点的位置信息进行截取处理，得到血管造影图像的图像块、血管分割图像的图像块和血管造影图像中像素点的位置信息的分块信息。其中，血管造影图像、血管分割图像和血管造影图像中像素点的位置信息的截取顺序一致。可选的，计算机设备可以按照从左到右，从上向下的截取顺序对血管造影图像、血管分割图像和血管造影图像中像素点的位置信息进行截取处理。
S402，将血管造影图像的图像块、血管分割图像的图像块和位置信息的分块信息输入第三血管分类模型，得到血管造影图像中血管的分类结果。
具体的，计算机设备将血管造影图像的图像块、血管分割图像的图像块和血管造影图像中像素点的位置信息的分块信息输入第三血管分类模型，得到血管造影图像中血管的分类结果。可选的，计算机设备可以将血管造影图像的图像块、血管分割图像的图像块和血管造影图像中像素点的位置信息的分块信息输入第三血管分类模型，得到血管造影图像的图像块中血管的分类结果，然后，根据对血管造影图像、血管分割图像和血管造影图像中像素点的位置信息进行截取处理时的截取顺序，对血管造影图像的图像块中血管的分类结果进行拼接处理，得到血管造影图像中血管的分类结果。
在本实施例中，计算机设备按照一致的截取顺序分别对血管造影图像、血管分割图像和血管造影图像中各像素点的位置信息进行截取处理，得到血管造影图像的图像块、血管分割图像的图像块和血管造影图像中各像素点的位置信息的分块信息，将血管造影图像的图像块、血管分割图像的图像块和血管造影图像中各像素点的位置信息的分块信息输入第三血管分类模型，能够使第三血管分类模型快速地得到血管造影图像块中血管的分类结果，进而可以根据血管造影图像块中血管的分类结果快速地得到血管造影图像中血管的分类结果，提高了得到血管造影图像中血管的分类结果的效率。
图5为另一个实施例提供的血管分类方法的流程示意图。本实施例涉及的是计算机设备将血管造影图像的图像块、血管分割图像的图像块和血管造影图像中像素点的位置信息的分块信息输入第三血管分类模型，得到血管造影图像的图像块中血管的分类结果的具体实现过程。如图4所示，在上述实施例的基础上，作为一种可选的实施方式，上述得到血管造影图像的图像块中血管的分类结果，包括：
S501，将血管造影图像的图像块、血管分割图像的图像块和位置信息的分块信息通过不同通道输入第三血管分类模型，提取出血管造影图像的图像块的特征、血管分割图像的图像块的特征和分块信息的特征。
具体的，计算机设备将血管造影图像的图像块、血管分割图像的图像块和血管造影图像中像素点的位置信息的分块信息，通过不同通道输入第三血管分类模型，提取出血管造影图像的图像块的特征、血管分割图像的图像块的特征和分块信息的特征。可选的，第三血管分类模型可以同时提取血管造影图像的图像块的特征血管分割图像的图像块的特征和分块信息的特征，也可以依次提取血管造影图像的图像块的特征血管分割图像的图像块的特征和分块信息的特征。
S502，对血管造影图像的图像块的特征、血管分割图像的图像块的特征和分块信息的特征进行特征融合，得到融合后的特征。
具体的，第三血管分类模型提取出血管造影图像的图像块的特征、血管分割图像的图像块的特征和分块信息的特征后，通过卷积操作对血管造影图像的图像块的特征、血管分割图像的图像块的特征和分块信息的特征进行特征融合，得到融合后的特征。
S503，根据融合后的特征对血管造影图像的图像块中血管进行分类，得到血管造影图像的图像块中血管的分类结果。
具体的，计算机设备根据融合后的特征对血管造影图像的图像块中血管进行分类，得到血管造影图像的图像块中血管的分类结果。可选的，血管造影图像的图像块中血管的分类结果可参照上述S202中对血管造影图像中血管的分类结果的描述，在此不再赘述。
在本实施例中，计算机设备通过不同通道将血管造影图像的图像块、血管分割图像的图像块和血管造影图像中像素点的位置信息的分块信息输入第三血管分类模型，能够快速地提取出血管造影图像的图像块的特征、血管分割图像的图像块的特征和分块信息的特征，进而能够快速地对提取到的特征进行特征融合，得到融合后的特征，进一步地，能够根据融合后的特征对血管造影图像的图像块中血管快速地进行分类，提高了得到血管造影图像的图像块中血管的分类结果的效率。
应该理解的是，虽然图2-5的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2-5中的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，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图6为一个实施例提供的血管分类装置结构示意图。如图6所示，该装置可以包括：第一获取模块10和第二获取模块11。
具体的，第一获取模块10，用于获取待处理的血管造影图像及血管造影图像对应的血管分割图像；
第二获取模块11，用于将血管分割图像输入预设的第一血管分类模型，得到血管造影图像中血管的分类结果；其中，第一血管分类模型为根据带有血管分类标签的样本血管分割图像进行训练所得到的，血管分类标签用于指示当前血管的名称。
可选的，血管分类模型为三维模型。
本实施例提供的血管分类装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述装置还包括：第三获取模块。
具体的，第三获取模块，用于将血管造影图像、血管分割图像输入预设的第二血管分类模型，得到血管造影图像中血管的分类结果；其中，第二血管分类模型为根据带有血管分类标签的样本血管造影图像、样本血管造影图像对应的样本血管分割图像进行训练所得到的。
可选的，血管分类模型为三维模型。
本实施例提供的血管分类装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述装置还包括：确定模块和第四获取模块。
具体的，确定模块，用于针对血管造影图像，确定血管造影图像中像素点的位置信息；
第四获取模块，用于将血管造影图像、血管分割图像和位置信息输入预设的第三血管分类模型，得到血管造影图像中血管的分类结果；其中，第三血管分类模型为根据带有血管分类标签和血管位置信息的训练样本进行训练所得到的。
可选的，血管分类模型为三维模型。
本实施例提供的血管分类装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述第四获取模块包括：截取单元和获取单元。
具体的，截取单元，用于分别对血管造影图像、血管分割图像和位置信息进行截取处理，得到血管造影图像的图像块、血管分割图像的图像块和位置信息的分块信息；其中，血管造影图像、血管分割图像和位置信息的截取顺序一致；
获取单元，用于将血管造影图像的图像块、血管分割图像的图像块和位置信息的分块信息输入第三血管分类模型，得到血管造影图像中血管的分类结果。
本实施例提供的血管分类装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述获取单元，具体用于将血管造影图像的图像块、血管分割图像的图像块和位置信息的分块信息输入第三血管分类模型，得到血管造影图像的图像块中血管的分类结果；根据截取顺序，对血管造影图像的图像块中血管的分类结果进行拼接处理，得到血管造影图像中血管的分类结果。
本实施例提供的血管分类装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述获取单元，具体用于将血管造影图像的图像块、血管分割图像的图像块和位置信息的分块信息通过不同通道输入第三血管分类模型，提取出血管造影图像的图像块的特征、血管分割图像的图像块的特征和分块信息的特征；对血管造影图像的图像块的特征、血管分割图像的图像块的特征和位置信息的分块信息的特征进行特征融合，得到融合后的特征；根据融合后的特征对血管造影图像的图像块中血管进行分类，得到血管造影图像的图像块中血管的分类结果。
本实施例提供的血管分类装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述确定模块包括第一确定单元和第二确定单元。
具体的，第一确定单元，用于确定血管造影图像中每个像素点与预设的坐标原点的相对位置，坐标原点位于血管造影图像的预设位置上；
第二确定单元，用于根据每个像素点的相对位置，确定位置信息。
本实施例提供的血管分类装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于血管分类装置的具体限定可以参见上文中对于血管分类方法的限定，在此不再赘述。上述血管分类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：
获取待处理的血管造影图像及血管造影图像对应的血管分割图像；
将血管分割图像输入预设的第一血管分类模型，得到血管造影图像中血管的分类结果；其中，第一血管分类模型为根据带有血管分类标签的样本血管分割图像进行训练所得到的，血管分类标签用于指示当前血管的名称。
上述实施例提供的计算机设备，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实现以下步骤：
获取待处理的血管造影图像及血管造影图像对应的血管分割图像；
将血管分割图像输入预设的第一血管分类模型，得到血管造影图像中血管的分类结果；其中，第一血管分类模型为根据带有血管分类标签的样本血管分割图像进行训练所得到的，血管分类标签用于指示当前血管的名称。
上述实施例提供的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。
以上所述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)
1.一种血管分类方法，其特征在于，所述方法包括：
获取待处理的血管造影图像及所述血管造影图像对应的血管分割图像；
将所述血管造影图像、所述血管分割图像输入预设的第二血管分类模型，得到所述血管造影图像中血管的分类结果；其中，所述第二血管分类模型为根据带有血管分类标签的样本血管造影图像、所述样本血管造影图像对应的样本血管分割图像进行训练所得到的；所述血管分类标签用于指示当前血管的名称；或者，
针对所述血管造影图像，确定所述血管造影图像中像素点的位置信息；
将所述血管造影图像、所述血管分割图像和所述位置信息输入预设的第三血管分类模型，得到所述血管造影图像中血管的分类结果；其中，所述第三血管分类模型为根据带有血管分类标签和血管位置信息的训练样本进行训练所得到的；
所述将所述血管造影图像、所述血管分割图像和所述位置信息输入预设的第三血管分类模型，得到所述血管造影图像中血管的分类结果，包括：
分别对所述血管造影图像、所述血管分割图像和所述位置信息进行截取处理，得到所述血管造影图像的图像块、所述血管分割图像的图像块和所述位置信息的分块信息；其中，所述血管造影图像、所述血管分割图像和所述位置信息的截取顺序一致；
将所述血管造影图像的图像块、所述血管分割图像的图像块和所述位置信息的分块信息输入所述第三血管分类模型，得到所述血管造影图像中血管的分类结果。
2.根据权利要求1所述的方法，其特征在于，所述第三血管分类模型为基于U-Net网络及注意特征聚合模块而构成的。
3.根据权利要求1所述的方法，其特征在于，所述将所述血管造影图像的图像块、所述血管分割图像的图像块和所述位置信息的分块信息输入所述第三血管分类模型，得到所述血管造影图像中血管的分类结果，包括：
将所述血管造影图像的图像块、所述血管分割图像的图像块和所述位置信息的分块信息输入所述第三血管分类模型，得到所述血管造影图像的图像块中血管的分类结果；
根据所述截取顺序，对所述血管造影图像的图像块中血管的分类结果进行拼接处理，得到所述血管造影图像中血管的分类结果。
4.根据权利要求3所述的方法，其特征在于，所述将所述血管造影图像的图像块、所述血管分割图像的图像块和所述位置信息的分块信息输入所述第三血管分类模型，得到所述血管造影图像的图像块中血管的分类结果，包括：
将所述血管造影图像的图像块、所述血管分割图像的图像块和所述位置信息的分块信息通过不同通道输入所述第三血管分类模型，提取出所述血管造影图像的图像块的特征、所述血管分割图像的图像块的特征和所述分块信息的特征；
对所述血管造影图像的图像块的特征、所述血管分割图像的图像块的特征和所述分块信息的特征进行特征融合，得到融合后的特征；
根据所述融合后的特征对所述血管造影图像的图像块中血管进行分类，得到所述血管造影图像的图像块中血管的分类结果。
5.根据权利要求1所述的方法，其特征在于，所述针对所述血管造影图像，确定所述血管造影图像中像素点的位置信息，包括：
确定所述血管造影图像中每个像素点与预设的坐标原点的相对位置，所述坐标原点位于所述血管造影图像的预设位置上；
根据每个像素点的相对位置，确定所述位置信息。
6.根据权利要求1-5任意一项所述的方法，其特征在于，所述血管分类模型为三维模型。
7.一种血管分类装置，其特征在于，所述装置包括：
第一获取模块，用于获取待处理的血管造影图像及所述血管造影图像对应的血管分割图像；
第三获取模块，用于将所述血管造影图像、所述血管分割图像输入预设的第二血管分类模型，得到所述血管造影图像中血管的分类结果；其中，所述第二血管分类模型为根据带有血管分类标签的样本血管造影图像、所述样本血管造影图像对应的样本血管分割图像进行训练所得到的；所述血管分类标签用于指示当前血管的名称；或者，
确定模块，用于针对所述血管造影图像，确定所述血管造影图像中像素点的位置信息；
第四获取模块，用于将所述血管造影图像、所述血管分割图像和所述位置信息输入预设的第三血管分类模型，得到所述血管造影图像中血管的分类结果；其中，所述第三血管分类模型为根据带有血管分类标签和血管位置信息的训练样本进行训练所得到的；
所述第四获取模块包括：
截取单元，用于分别对所述血管造影图像、所述血管分割图像和所述位置信息进行截取处理，得到所述血管造影图像的图像块、所述血管分割图像的图像块和所述位置信息的分块信息；其中，所述血管造影图像、所述血管分割图像和所述位置信息的截取顺序一致；
获取单元，用于将所述血管造影图像的图像块、所述血管分割图像的图像块和所述位置信息的分块信息输入所述第三血管分类模型，得到所述血管造影图像中血管的分类结果。
8.根据权利要求7所述的装置，其特征在于，所述获取单元，具体用于将所述血管造影图像的图像块、所述血管分割图像的图像块和所述位置信息的分块信息输入所述第三血管分类模型，得到所述血管造影图像的图像块中血管的分类结果；根据所述截取顺序，对所述血管造影图像的图像块中血管的分类结果进行拼接处理，得到所述血管造影图像中血管的分类结果。
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1-7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1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911380101.5A CN111161240B (zh) | 2019-12-27 | 2019-12-27 | 血管分类方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911380101.5A CN111161240B (zh) | 2019-12-27 | 2019-12-27 | 血管分类方法、装置、计算机设备和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111161240A CN111161240A (zh) | 2020-05-15 |
| CN111161240B true CN111161240B (zh) | 2024-03-05 |
Family
ID=70558692
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911380101.5A Active CN111161240B (zh) | 2019-12-27 | 2019-12-27 | 血管分类方法、装置、计算机设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111161240B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111882527B (zh) * | 2020-07-14 | 2021-12-21 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN115620062A (zh) * | 2022-10-24 | 2023-01-17 | 推想医疗科技股份有限公司 | 一种肝脏血管分类的方法、装置、设备和介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107545269A (zh) * | 2016-06-23 | 2018-01-05 | 西门子保健有限责任公司 | 使用递归神经网络进行血管疾病检测的方法和*** |
| CN107993220A (zh) * | 2017-11-14 | 2018-05-04 | 北京理工大学 | X射线造影图像中血管结构的提取方法及装置 |
| CN109410188A (zh) * | 2017-10-13 | 2019-03-01 | 北京昆仑医云科技有限公司 | 用于对医学图像进行分割的***和方法 |
| CN109671076A (zh) * | 2018-12-20 | 2019-04-23 | 上海联影智能医疗科技有限公司 | 血管分割方法、装置、电子设备及存储介质 |
| CN109741344A (zh) * | 2018-12-28 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 血管分割方法、装置、医疗影像设备及存储介质 |
| CN109816666A (zh) * | 2019-01-04 | 2019-05-28 | 三峡大学 | 对称全卷积神经网络模型构建方法、眼底图像血管分割方法、装置、计算机设备及存储介质 |
| CN110298844A (zh) * | 2019-06-17 | 2019-10-01 | 艾瑞迈迪科技石家庄有限公司 | X光造影图像血管分割与识别方法及装置 |
| CN110348541A (zh) * | 2019-05-10 | 2019-10-18 | 腾讯医疗健康(深圳)有限公司 | 眼底血管图像分类方法、装置、设备及存储介质 |
| CN110443813A (zh) * | 2019-07-29 | 2019-11-12 | 腾讯医疗健康(深圳)有限公司 | 血管、眼底图像的分割方法、装置、设备及可读存储介质 |
| CN110517279A (zh) * | 2019-09-20 | 2019-11-29 | 北京深睿博联科技有限责任公司 | 头颈血管中心线提取方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019013779A1 (en) * | 2017-07-12 | 2019-01-17 | Mohammed Alauddin Bhuiyan | AUTOMATED DETECTION AND QUANTIFICATION OF BLOOD VESSEL CHARACTERISTICS FOR RETINAL IMAGE CLASSIFICATION AND DISEASE SCREENING |
-
2019
- 2019-12-27 CN CN201911380101.5A patent/CN111161240B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107545269A (zh) * | 2016-06-23 | 2018-01-05 | 西门子保健有限责任公司 | 使用递归神经网络进行血管疾病检测的方法和*** |
| CN109410188A (zh) * | 2017-10-13 | 2019-03-01 | 北京昆仑医云科技有限公司 | 用于对医学图像进行分割的***和方法 |
| CN107993220A (zh) * | 2017-11-14 | 2018-05-04 | 北京理工大学 | X射线造影图像中血管结构的提取方法及装置 |
| CN109671076A (zh) * | 2018-12-20 | 2019-04-23 | 上海联影智能医疗科技有限公司 | 血管分割方法、装置、电子设备及存储介质 |
| CN109741344A (zh) * | 2018-12-28 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 血管分割方法、装置、医疗影像设备及存储介质 |
| CN109816666A (zh) * | 2019-01-04 | 2019-05-28 | 三峡大学 | 对称全卷积神经网络模型构建方法、眼底图像血管分割方法、装置、计算机设备及存储介质 |
| CN110348541A (zh) * | 2019-05-10 | 2019-10-18 | 腾讯医疗健康(深圳)有限公司 | 眼底血管图像分类方法、装置、设备及存储介质 |
| CN110298844A (zh) * | 2019-06-17 | 2019-10-01 | 艾瑞迈迪科技石家庄有限公司 | X光造影图像血管分割与识别方法及装置 |
| CN110443813A (zh) * | 2019-07-29 | 2019-11-12 | 腾讯医疗健康(深圳)有限公司 | 血管、眼底图像的分割方法、装置、设备及可读存储介质 |
| CN110517279A (zh) * | 2019-09-20 | 2019-11-29 | 北京深睿博联科技有限责任公司 | 头颈血管中心线提取方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| EARLIER GLAUCOMA DETECTION USING BLOOD VESSEL SEGMENTATION AND CLASSIFICATION;E.Deepika 等;《Proceedings of the Second International Conference on Inventive Systems and Control》;484-490 * |
| 糖尿病视网膜病变眼底图像分类方法;梁平 等;《深圳大学学报理工版》;第34卷(第3期);290-299 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111161240A (zh) | 2020-05-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11880972B2 (en) | Tissue nodule detection and tissue nodule detection model training method, apparatus, device, and system | |
| CN111161270B (zh) | 医学影像的血管分割方法、计算机设备和可读存储介质 | |
| EP4198889A1 (en) | Image processing method apparatus based on artificial intelligence, and computer device and storage medium | |
| CN111369542B (zh) | 血管标记方法、图像处理***和存储介质 | |
| WO2022089221A1 (zh) | 医学图像分割方法、装置、设备、***及计算机存储介质 | |
| US20210033599A1 (en) | Information processing apparatus, control method, and program | |
| CN112132265B (zh) | 模型训练方法、杯盘比确定方法、装置、设备及存储介质 | |
| CN110363774B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
| US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
| CN110738643B (zh) | 脑出血的分析方法、计算机设备和存储介质 | |
| CN111161240B (zh) | 血管分类方法、装置、计算机设备和可读存储介质 | |
| CN111383259B (zh) | 图像分析方法、计算机设备和存储介质 | |
| WO2021259391A2 (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN110084868B (zh) | 图像校正方法、装置、计算机设备和可读存储介质 | |
| CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
| CN111243052A (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
| CN110598696A (zh) | 医学图像扫描定位方法、医学图像扫描方法和计算机设备 | |
| CN111160442B (zh) | 图像分类方法、计算机设备和存储介质 | |
| CN111738975B (zh) | 图像辨识方法及图像辨识装置 | |
| CN115860067B (zh) | 生成对抗网络训练方法、装置、计算机设备及存储介质 | |
| CN111899273A (zh) | 图像分割方法、计算机设备和存储介质 | |
| CN116524158A (zh) | 基于图像配准的介入导航方法、装置、设备和介质 | |
| CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
| US20220138957A1 (en) | Methods and systems for medical image segmentation | |
| CN112419339B (zh) | 医学图像分割模型训练方法及*** |
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 |