CN111353989B - 一种冠状动脉血管完全造影图像识别方法 - Google Patents
一种冠状动脉血管完全造影图像识别方法 Download PDFInfo
- Publication number
- CN111353989B CN111353989B CN202010139488.1A CN202010139488A CN111353989B CN 111353989 B CN111353989 B CN 111353989B CN 202010139488 A CN202010139488 A CN 202010139488A CN 111353989 B CN111353989 B CN 111353989B
- Authority
- CN
- China
- Prior art keywords
- coronary artery
- image
- neural network
- whole
- radiography
- 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
- 238000000034 method Methods 0.000 title claims abstract description 111
- 210000004351 coronary vessel Anatomy 0.000 title claims abstract description 77
- 238000002583 angiography Methods 0.000 title claims description 36
- 238000002601 radiography Methods 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 230000000007 visual effect Effects 0.000 claims abstract description 15
- 238000013145 classification model Methods 0.000 claims abstract description 12
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 19
- 230000000306 recurrent effect Effects 0.000 claims description 13
- 230000002457 bidirectional effect Effects 0.000 claims description 12
- 238000002586 coronary angiography Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000002872 contrast media Substances 0.000 description 5
- 210000004204 blood vessel Anatomy 0.000 description 4
- 208000029078 coronary artery disease Diseases 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 208000031481 Pathologic Constriction Diseases 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000010412 perfusion Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 208000037804 stenosis Diseases 0.000 description 2
- 230000036262 stenosis Effects 0.000 description 2
- 206010060965 Arterial stenosis Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/30048—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种冠状动脉血管完全造影图像识别方法，包括如下步骤：S1、获取冠状动脉血管全过程造影图像；S2、对所述冠状动脉血管全过程造影图像进行预分类，得到不同视角的左冠状动脉血管全过程造影图像及不同视角的右冠状动脉血管全过程造影图像；S3、基于结合卷积神经网络与循环神经网络的分类模型识别不同视角的左冠状动脉血管全过程造影图像及不同视角的右冠状动脉血管全过程造影图像中的完全造影图像。本发明公开的方法，能有效识别出冠状动脉血管全过程造影图像中的完全造影图像，便于基于冠状动脉血管完全造影图像进行的各种方案的实施。
Description
技术领域
本发明涉及图像识别领域，具体涉及一种冠状动脉血管完全造影图像识别方法。
背景技术
冠状动脉疾病(冠心病，Coronary arterydisease,CAD)是全球发病率和死亡率的主要原因。侵入式冠状动脉造影成像技术(X-ray coronary angiography,CAG，或InvasiveCoronary Angiography，ICA)是目前诊断冠心病的金标准成像技术，其中针对动脉狭窄的诊断和评估是开展进一步诊断和临床规划的重要步骤。
目前，在医疗图像处理及辅助诊断领域，基于机器视觉(ComputerVision，CV)和人工智能(Artificial Intelligence，AI)的方法与临床诊断评估方法已经越来越紧密地结合在一起，用于解决处理过程中的图像降噪、目标识别、组织分割、疾病预测等问题，已经成为其不可分割的一部分。在侵入式冠脉造影成像中，也有许多研究人员对狭窄检测方法提出基于机器视觉、模式识别的自动或半自动算法以协助疾病评估诊断。其中较为常见的是基于动脉血管检测的算法流程，其步骤包括动脉提取、直径计算和狭窄分析等。例如，许多学者将机器视觉中的目标轮廓提取/中心线提取的技术应用到血管中心跟踪上；更为流行的方法是基于图像分割的技术和最近的基于卷积神经网络(卷积神经网络)的分割等；这样，通过精确提取CAG图像中的冠状动脉，以此为基准实现对冠心病的疾病预测与定性/定量分析。
然而，为了实现对于图像的准确检测，首先需要识别出适于检测的图像。由于采集的图像通常都为时间序列图像，其中包含造影剂灌注成像的全过程的图像，这些图像中只有完全造影的图像才有临床诊断的价值。
因此，如何准确地识别出完全造影的图像成为了本领域技术人员急需解决的问题。
发明内容
针对现有技术存在的上述不足，本发明要解决的技术问题是：如何准确地识别出完全造影的图像。
为解决上述技术问题，本发明采用了如下的技术方案：
一种冠状动脉血管完全造影图像识别方法，包括如下步骤：
S1、获取冠状动脉血管全过程造影图像；
S2、对所述冠状动脉血管全过程造影图像进行预分类，得到不同视角的左冠状动脉血管全过程造影图像及不同视角的右冠状动脉血管全过程造影图像；
S3、基于结合卷积神经网络与循环神经网络的分类模型识别不同视角的左冠状动脉血管全过程造影图像及不同视角的右冠状动脉血管全过程造影图像中的完全造影图像。
优选地，不同视角的左冠状动脉血管全过程造影图像包括LAO颅侧全过程造影图像、LAO尾侧全过程造影图像、RAO颅侧全过程造影图像和RAO尾侧全过程造影图像，不同视角的右冠状动脉血管全过程造影图像包括直LAO全过程造影图像、直RAO全过程造影图像、浅LAO颅侧全过程造影图像及浅RAO颅侧全过程造影图像。
优选地，步骤S2包括：
S201、利用训练后的冠状动脉类型卷积神经网络分类器将冠状动脉血管全过程造影图像分为左冠状动脉血管全过程造影图像及右冠状动脉血管全过程造影图像；
S202、分别对左冠状动脉血管全过程造影图像及右冠状动脉血管全过程造影图像进行进一步分类得到不同视角的左冠状动脉血管全过程造影图像及不同视角的右冠状动脉血管全过程造影图像。
优选地，结合卷积神经网络与循环神经网络的分类模型中，卷积神经网络的全连接层与双向循环神经网络的输入层相连，双向循环神经网络的输出层与两级卷积和/或池化层相连。
综上所述，本发明公开了一种冠状动脉血管完全造影图像识别方法，包括如下步骤：S1、获取冠状动脉血管全过程造影图像；S2、对所述冠状动脉血管全过程造影图像进行预分类，得到不同视角的左冠状动脉血管全过程造影图像及不同视角的右冠状动脉血管全过程造影图像；S3、基于结合卷积神经网络与循环神经网络的分类模型识别不同视角的左冠状动脉血管全过程造影图像及不同视角的右冠状动脉血管全过程造影图像中的完全造影图像。本发明公开的方法，能有效识别出冠状动脉血管全过程造影图像中的完全造影图像，便于基于冠状动脉血管完全造影图像进行的各种方案的实施。
附图说明
图1为本发明公开的一种冠状动脉血管完全造影图像识别方法的一种具体实施方式的流程图；
图2为本发明中结合卷积神经网络与循环神经网络的分类模型的示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述说明。
如图1所示，本发明公开了一种冠状动脉血管完全造影图像识别方法，包括如下步骤：
S1、获取冠状动脉血管全过程造影图像；
S2、对所述冠状动脉血管全过程造影图像进行预分类，得到左冠状动脉血管全过程造影图像及右冠状动脉血管全过程造影图像；
S3、基于结合卷积神经网络与循环神经网络的分类模型识别左冠状动脉血管全过程造影图像及右冠状动脉血管全过程造影图像中的完全造影图像。
CAG图像中，由于采集的图像通常都为时间序列图像，其中包含造影剂灌注成像的全过程的图像，这些图像中只有完全造影的图像才有临床诊断的价值。因此，本发明通过结合卷积神经网络与循环神经网络的分类模型对全过程造影图像进行了分类，从而找到了具有临床诊断价值的完全造影图像，为后续的基于完全造影图像进行的诊断或检测提供了基础。
具体实施时，左冠状动脉血管全过程造影图像包括LAO颅侧全过程造影图像、LAO尾侧全过程造影图像、RAO颅侧全过程造影图像和RAO尾侧全过程造影图像，右冠状动脉血管全过程造影图像包括直LAO全过程造影图像、直RAO全过程造影图像、浅LAO颅侧全过程造影图像及浅RAO颅侧全过程造影图像。
这些视角的造影图像视频包括了造影剂注入的全过程，其时间范围的覆盖比较全，便于检测。
具体实施时，步骤S2包括：
S201、利用训练后的冠状动脉类型卷积神经网络分类器将冠状动脉血管全过程造影图像分为左冠状动脉血管全过程造影综合图像及右冠状动脉血管全过程造影综合图像；
S202、对左冠状动脉血管全过程造影综合图像及右冠状动脉血管全过程造影综合图像进行分类生成左冠状动脉血管全过程造影图像及右冠状动脉血管全过程造影图像。
如图2所示，具体实施时，结合卷积神经网络与循环神经网络的分类模型中，卷积神经网络的全连接层与双向循环神经网络的输入层相连，双向循环神经网络的输出层与两级卷积和/或池化层相连。
所述结合卷积神经网络与循环神经网络的分类模型的训练方法包括：获取左冠状动脉血管全过程造影图像及右冠状动脉血管全过程造影图像对应的完全造影图像集合及非完全造影图像集合，所述完全造影图像集合及非完全造影图像集合为具有对应的视觉显著特征的图像；基于所述完全造影图像集合及非完全造影图像集合对卷积神经网络进行单帧训练；将训练后的卷积神经网络层的全连接层或较深的卷积特征图(一般是全连接层之前的最后一个卷积层，例如本发明中，具体可在算法里选取inception-v3的310层)输出到双向循环神经网络的输入层；LSTM输出之后，又添加了一层concatenate层用于连接前向LSTM，后向LSTM和CNN输入的特征矢量；随后，可连接两层1D卷积层，用两层1D卷积层后，直接连接一个全连接层，一个激活层分类。对于卷积神经网络的训练过程，将损失函数定义为二元熵/交叉熵。对于双向循环神经网络的训练，双向循环神经网络是在单帧训练之后进行的，单帧训练用于预训练CNN，LSTM训练是用整个视频来进行的。这里为了保证输入视频帧的长度固定，可在一个不定长的视频里均匀采样64帧作为输入，将损失函数定义为卷积F1分数。
定义卷积化F1损失函数(convolutionalF1 loss)如下：
首先，预测结果Mskp和真值结果Mskt之间的卷积化精度precision(P)和召回率recall(R)定义为:
Conv(·，k)是一个1维卷积操作，其卷积核为kernel(k)，这里选取k＝(1，1，1)。这样，卷积化F1损失函数就定义为：
Loss＝2P×R/(P+R)×100％。
本发明中选用这个卷积化F1损失函数的优势在于：
1.通常在一个冠脉造影影像中，“完全造影”帧数少(<20％)，因此0/1类别的数量不平衡。如果用二元熵进行训练，容易造成损失函数收敛困难。用F1分数作为损失函数，计算的只是1类别的预测值和真值的重合程度，与0/1类别的比例无关，因此避免了0/1数量不平衡导致的训练困难问题。
2.用卷积化F1的目的是提高算法的灵活性和容忍率。想要准确地定义“完全造影”帧存在困难，有时候训练标签的定义也未必精确。选用(1,1,1)的卷积核，相当于在F1损失函数上添加了一个半径为1帧的容忍范围，提高了算法的灵活性。
在CAG的检测过程中，通常需要在造影视频中寻找“动脉血管完全造影”帧，一般来说这有一个范围，从“完全造影起始帧”到“完全造影结束帧”通常会有1～3个心动周期，包括20～60帧不等。
“完全造影”帧的选取非常重要，如果选取的时间不对，由于造影剂不全会导致健康血管成像的形态与狭窄血管的特征很相似，导致误判。
这个步骤通常由工作人员手工选取；也有利用图像处理的方法，例如直方图，灰度分布和CNN分类算法来进行自动识别的；但是过往的方法没有很好的解决“完全造影帧”和“非完全造影帧”的识别问题。因为定义上比较模糊，再加上造影部位在整幅图像中的占比较小、X射线透视图像自身的伪影和噪声较大，很多时候二者的图像特征相似度很高。
另外，由于心脏运动的周期性，会导致动脉造影图像也产生周期性变化，这种变化会掩盖因为造影剂不完全填充/完全填充而产生的变化，从而导致许多传统的图像特征很难识别其边界。
本发明通过结合卷积神经网络与循环神经网络的模型能够很好的处理“完全造影”和“非完全造影”的模糊问题。
首先，利用卷积神经网络进行分类预训练，可以把“造影”和“非造影”图像中的特征，包括图像灰度分布、造影血管形状边缘等特征识别归纳出来；
其次，利用循环神经网络的优势在于对时间维度特征的处理，可以把二者的细微差别在时间维度上展现出来；同时可以很好地避免算法陷入局部极小值；
更进一步来说，这里利用了LSTM的长短记忆能力。利用模型的短记忆能力处理两帧/数帧之间的细微差别以选取合适的“完全造影”时机；同时也想利用模型的长记忆能力筛选或消除心动周期(通常周期为10～30帧)对“完全造影”的影响。要想让模型学会适应或忽略心脏运动这一具有周期性规律的图像变化，只有通过对LSTM进行大量数据的训练才能达到。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。
Claims (3)
1.一种冠状动脉血管完全造影图像识别方法，其特征在于，包括如下步骤：
S1、获取冠状动脉血管全过程造影图像；
S2、对所述冠状动脉血管全过程造影图像进行预分类，得到不同视角的左冠状动脉血管全过程造影图像及不同视角的右冠状动脉血管全过程造影图像；
S3、基于结合卷积神经网络与循环神经网络的分类模型识别不同视角的左冠状动脉血管全过程造影图像及不同视角的右冠状动脉血管全过程造影图像中的完全造影图像；
结合卷积神经网络与循环神经网络的分类模型中，卷积神经网络的全连接层与双向循环神经网络的输入层相连，双向循环神经网络的输出层与两级卷积和/或池化层相连；
所述结合卷积神经网络与循环神经网络的分类模型的训练方法包括：获取左冠状动脉血管全过程造影图像及右冠状动脉血管全过程造影图像对应的完全造影图像集合及非完全造影图像集合，所述完全造影图像集合及非完全造影图像集合为具有对应的视觉显著特征的图像；基于所述完全造影图像集合及非完全造影图像集合对卷积神经网络进行单帧训练；将训练后的卷积神经网络层的全连接层或卷积特征图输出到双向循环神经网络的输入层，所述卷积特征图为全连接层之前的最后一个卷积层的卷积特征图；LSTM输出之后，又添加了一层concatenate层用于连接前向LSTM，后向LSTM和CNN输入的特征矢量；随后，连接两层1D卷积层，用两层1D卷积层后，直接连接一个全连接层，一个激活层分类；对于卷积神经网络的训练过程，将损失函数定义为二元熵/交叉熵；对于双向循环神经网络的训练，双向循环神经网络是在单帧训练之后进行的，单帧训练用于预训练CNN，LSTM训练是用整个视频来进行的。
2.如权利要求1所述的冠状动脉血管完全造影图像识别方法，其特征在于，不同视角的左冠状动脉血管全过程造影图像包括LAO颅侧全过程造影图像、LAO尾侧全过程造影图像、RAO颅侧全过程造影图像和RAO尾侧全过程造影图像，不同视角的右冠状动脉血管全过程造影图像包括直LAO全过程造影图像、直RAO全过程造影图像、浅LAO颅侧全过程造影图像及浅RAO颅侧全过程造影图像。
3.如权利要求1或2所述的冠状动脉血管完全造影图像识别方法，其特征在于，步骤S2包括：
S201、利用训练后的冠状动脉类型卷积神经网络分类器将冠状动脉血管全过程造影图像分为左冠状动脉血管全过程造影图像及右冠状动脉血管全过程造影图像；
S202、分别对左冠状动脉血管全过程造影图像及右冠状动脉血管全过程造影图像进行进一步分类得到不同视角的左冠状动脉血管全过程造影图像及不同视角的右冠状动脉血管全过程造影图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010139488.1A CN111353989B (zh) | 2020-03-03 | 2020-03-03 | 一种冠状动脉血管完全造影图像识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010139488.1A CN111353989B (zh) | 2020-03-03 | 2020-03-03 | 一种冠状动脉血管完全造影图像识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111353989A CN111353989A (zh) | 2020-06-30 |
| CN111353989B true CN111353989B (zh) | 2022-07-01 |
Family
ID=71194276
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010139488.1A Active CN111353989B (zh) | 2020-03-03 | 2020-03-03 | 一种冠状动脉血管完全造影图像识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111353989B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113763331A (zh) * | 2021-08-17 | 2021-12-07 | 北京医准智能科技有限公司 | 冠状动脉优势型判定方法、装置、存储介质及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101448457A (zh) * | 2006-05-22 | 2009-06-03 | 皇家飞利浦电子股份有限公司 | 由投影成像得到的经运动补偿的冠状动脉血流 |
| CN108830155A (zh) * | 2018-05-10 | 2018-11-16 | 北京红云智胜科技有限公司 | 一种基于深度学习的心脏冠状动脉分割及识别的方法 |
| CN109146872A (zh) * | 2018-09-03 | 2019-01-04 | 北京邮电大学 | 基于深度学习和光流法的心脏冠状动脉影像分割识别方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8605976B2 (en) * | 2009-12-10 | 2013-12-10 | General Electric Corporation | System and method of detection of optimal angiography frames for quantitative coronary analysis using wavelet-based motion analysis |
| KR102361733B1 (ko) * | 2014-11-28 | 2022-02-11 | 삼성전자주식회사 | ３ｄ ｃｔａ영상으로부터 관상동맥의 구조를 모델링하는 방법 및 장치 |
| US10251708B2 (en) * | 2017-04-26 | 2019-04-09 | International Business Machines Corporation | Intravascular catheter for modeling blood vessels |
-
2020
- 2020-03-03 CN CN202010139488.1A patent/CN111353989B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101448457A (zh) * | 2006-05-22 | 2009-06-03 | 皇家飞利浦电子股份有限公司 | 由投影成像得到的经运动补偿的冠状动脉血流 |
| CN108830155A (zh) * | 2018-05-10 | 2018-11-16 | 北京红云智胜科技有限公司 | 一种基于深度学习的心脏冠状动脉分割及识别的方法 |
| CN109146872A (zh) * | 2018-09-03 | 2019-01-04 | 北京邮电大学 | 基于深度学习和光流法的心脏冠状动脉影像分割识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| "Coronary Artery Segmentation by Deep Learning Neural Networks on Computed Tomographic Coronary Angiographic Images";Weimin Huang;《2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC)》;20181029;第608-611页 * |
| "人工智能冠状动脉CT血管成像在冠心病诊断中的应用";黄增发;《放射学实践》;20181020;第33卷(第10期);第1017-1021页 * |
| "基于深度神经网络的冠脉造影图像的血管狭窄自动定位及分类预测";丛超;《中国生物医学工程学报》;20210620;第40卷(第03期);第301-309页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111353989A (zh) | 2020-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111369528B (zh) | 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 | |
| CN112529839B (zh) | 一种核磁共振图像中颈动脉血管中心线的提取方法及*** | |
| CN110751636B (zh) | 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 | |
| EP0990222A1 (en) | Image processing method and system involving contour detection steps | |
| CN113674279B (zh) | 基于深度学习的冠脉cta影像的处理方法及装置 | |
| Rezaei et al. | Whole heart and great vessel segmentation with context-aware of generative adversarial networks | |
| Chen et al. | Attention-assisted adversarial model for cerebrovascular segmentation in 3D TOF-MRA volumes | |
| Ryu et al. | SegR-Net: A deep learning framework with multi-scale feature fusion for robust retinal vessel segmentation | |
| CN117495876B (zh) | 基于深度学习的冠状动脉图像分割方法及*** | |
| CN113643353B (zh) | 眼底图像的血管管径的增强分辨率的测量方法 | |
| Yang et al. | RADCU-Net: Residual attention and dual-supervision cascaded U-Net for retinal blood vessel segmentation | |
| LU500798B1 (en) | Full-Automatic Segmentation Method for Coronary Artery Calcium Lesions Based on Non-Contrast Chest CT | |
| CN111353989B (zh) | 一种冠状动脉血管完全造影图像识别方法 | |
| CN111862259B (zh) | 医学灌注图像处理方法和医学成像设备 | |
| CN116740041B (zh) | 基于机器视觉的cta扫描图像分析***及其方法 | |
| CN116612090A (zh) | 一种确定肺动脉栓塞指数的***及方法 | |
| CN116452579A (zh) | 一种基于胸片图像的肺动脉高压智能评估方法和*** | |
| Wang et al. | An efficient hierarchical optic disc and cup segmentation network combined with multi-task learning and adversarial learning | |
| CN114067156A (zh) | 一种基于高分辨率医学影像的卒中分类***和分类方法 | |
| CN115249248A (zh) | 基于眼底图像的视网膜动静脉血管直接识别方法和*** | |
| Wang et al. | PCRTAM-Net: A novel pre-activated convolution residual and triple attention mechanism network for retinal vessel segmentation | |
| Zhang et al. | Multi-scale deep information and adaptive attention mechanism based coronary reconstruction of superior mesenteric artery | |
| CN114693648B (zh) | 一种血管中心线提取方法及其*** | |
| CN115578360B (zh) | 一种针对超声心动图像的多目标语义分割方法 | |
| Du et al. | Guidewire endpoint detection based on pixel adjacent relation in robot-assisted cardiovascular interventions |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240226 Address after: Room 1018-15, Building 23, Times Square, Suzhou Industrial Park, Suzhou Area, China (Jiangsu) Pilot Free Trade Zone, Suzhou City, Jiangsu Province, 215000 Patentee after: Suzhou 30 billion Technology Co.,Ltd. Country or region after: China Address before: No. 69 lijiatuo Chongqing District of Banan City Road 400054 red Patentee before: Chongqing University of Technology Country or region before: China |
|
| TR01 | Transfer of patent right |
Effective date of registration: 20240626 Address after: 247200 No. 2, South Street, Dadukou Town, Dongzhi County, Chizhou City, Anhui Province Patentee after: Cheng Wei Country or region after: China Patentee after: Zhong Biao Address before: Room 1018-15, Building 23, Times Square, Suzhou Industrial Park, Suzhou Area, China (Jiangsu) Pilot Free Trade Zone, Suzhou City, Jiangsu Province, 215000 Patentee before: Suzhou 30 billion Technology Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |
Effective date of registration: 20240703 Address after: 518118 no.2-10, Jinlong Avenue South, biling street, Pingshan District, Shenzhen City, Guangdong Province Patentee after: SHENZHEN MAIWEI BIOTECHNOLOGY Co.,Ltd. Country or region after: China Address before: 247200 No. 2, South Street, Dadukou Town, Dongzhi County, Chizhou City, Anhui Province Patentee before: Cheng Wei Country or region before: China Patentee before: Zhong Biao |