CN111862046B - 一种心脏冠脉剪影中导管位置判别***和方法 - Google Patents

一种心脏冠脉剪影中导管位置判别***和方法 Download PDF

Info

Publication number
CN111862046B
CN111862046B CN202010707681.0A CN202010707681A CN111862046B CN 111862046 B CN111862046 B CN 111862046B CN 202010707681 A CN202010707681 A CN 202010707681A CN 111862046 B CN111862046 B CN 111862046B
Authority
CN
China
Prior art keywords
deformation
loss
neural network
image
dimensional
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
Application number
CN202010707681.0A
Other languages
English (en)
Other versions
CN111862046A (zh
Inventor
李勇
陆荣生
吴俞辰
孔祥清
刘云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Province Hospital First Affiliated Hospital Of Nanjing Medical University
Original Assignee
Jiangsu Province Hospital First Affiliated Hospital Of Nanjing Medical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Province Hospital First Affiliated Hospital Of Nanjing Medical University filed Critical Jiangsu Province Hospital First Affiliated Hospital Of Nanjing Medical University
Priority to CN202010707681.0A priority Critical patent/CN111862046B/zh
Publication of CN111862046A publication Critical patent/CN111862046A/zh
Application granted granted Critical
Publication of CN111862046B publication Critical patent/CN111862046B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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
    • G06T2207/30—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
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种心脏冠脉剪影中导管位置判别***和方法，可有效的通过单张DSA图像还原其对应的三维模型，将二维DSA剪影中不完善的导管位置信息，通过三维重构的方法投射在三维模型上，获取准确的导管位置信息，准确地对病灶部位成像，在不造成患者不便的情况下，不仅回避了多角度成像时患者呼吸等运动造成的图像偏差，同时大大减少了传统定位方法中检测所需的时间。

Description

一种心脏冠脉剪影中导管位置判别***和方法
技术领域
本发明属于医学成像技术领域，特别涉及一种心脏冠脉剪影图像中导管定位***和方法。
背景技术
随着医学成像设备的不断发展，影像处理技术在心血管疾病的术前诊断中得到了广泛的应用，而心脏冠脉剪影技术(DSA)由于其在心血管显像领域具有的高分辨率，在诊断心血管疾病的时候效果尤为出色。然而DSA技术也具有一定的局限性以及不足点，DSA作为微创成像技术，即介入式成像，需要***导管，在成像部位导入造影剂。同时，单张DSA图像并不能准确定位导管的位置，这对于心血管疾病诊断不利，而目前解决的方法大多是换一个角度重新推入造影剂并成像，利用多角度的图像来定位导管位置，这就造成了患者的不便(多次***导管，多次造影剂的使用)，以及更长的诊断时间。
发明内容
本发明针对现有心脏冠脉剪影图像中导管定位存在的问题，提出一种心脏冠脉剪影中导管位置判别***和方法，在保证准确率的情况下，减少病人负担，加快诊断速度。
为了实现上述目的，本发明采用以下技术方案：一种心脏冠脉剪影中导管位置判别方法，包括以下步骤：
步骤1：采集心血管造影二维图像，并通过多角度采集图像后构建三维模型；
步骤2：构建心血管造影二维图像和三维模型一一对应的联合数据库；
步骤3：通过联合数据库的图像和模型以及自由变形方法训练深度学习神经网络；
步骤4：利用训练好的神经网络对输入的单张心血管造影二维图像进行预测并还原其对应的三维模型，获得导丝在血管中的位置。
进一步的，步骤3具体包括以下步骤：
步骤3.1：用卷积神经网学习联合数据库，提取冠脉剪影特征值以表述心脏冠脉剪影，并建立特征图谱；
步骤3.2：通过自由变形方法产生新的特征量，训练深度学习神经网络。
进一步的，布骤3.1建立特征图谱采用卷积神经网，通过重复卷积-池化的过程，将心血管造影二维图像中具体的信息抽象化，通过调整权重，将重要的特征量保留，弱化不重要的特征量，经过若干次卷积-池化的过程后通过全连接层，将众多特征量链接成特征图谱。
进一步的，步骤3.2具体包括以下步骤：
(1)对数据库中每组图像对进行网状分割，通过加入少量控制点，利用自由变形方法分析网状结构，建立大小为(l+1)×(m+1)×(n+1)的立方体，该立方体将目标结构体涵盖其中，通过下式计算结构在立方体坐标系下的对应坐标：
其中，v(s，t，u)是由s，t，u构成的正交坐标系中任意一个网状结构的坐标，Pi，jk是在坐标(i，j，k)的控制节点，即建立的立方体上的点；
其中为伯恩斯坦多项式；
自由变形后，假设所有控制节点的位移量为△P，变形后整个组织对应坐标为：
V’＝B(P+△P) (2)
其中B为伯恩斯坦多项式，P为原始立方体结构的坐标集，△P为变形后的位移量；
(2)将自由形变后的网状结构对应坐标作为新加入的特征量，结合三种损失函数优化现有的神经网络。
进一步的，种损失函数分别为变形损失，转换损失以及正则化损失；
其中，利用倒角损失函数表示变形损失以提高准确度：
其中，V′pred为预测结果，Vgt为实际结果，nl为原目标结构体进行自由变后形成的模板数量，Li为对应的变形模板，wLi为该变形模板对应的权重，C代表了倒角损失函数，即：
其中p，q是网格线合集P，Q中的点；最终而论，对于在P或Q中的任一点可以通过倒角损失在另一个点集中查找最近的顶点，并求出所有成对距离的总和；
转换损失以及正则化损失用和/>表示，表述如下：
其中ΔT为变形之后的预测的转换向量，ctr为变形之后实际的转换向量，Li为对应的变形模板，wLi为该变形模板对应的权重，与变形损失相比较，不同的地方在于ΔPLi，该损失是定义在控制节点P上的；优化这两个损失函数以保特征表述后的物体与实际相差最小。
进一步的，变形损失，转换损失以及正则化损失的和为总损失函数，表述如下：
其中λ1＝50，λ2＝1是神经网络优化后得到的权重结果。
一种心脏冠脉剪影中导管位置判别***，包括：
采集模块，用于采集心血管造影二维图像，并通过多角度采集图像后构建三维模型；
联合数据库，用于储存心血管造影二维图像和一一对应的三维模型；
训练模块，用于通过联合数据库的图像和模型以及自由变形方法训练深度学习神经网络；分析模块，用于利用训练好的神经网络对输入的单张心血管造影二维图像进行预测并还原其对应的三维模型，获得导丝在血管中的位置。
进一步的，训练模块包括校准模块和自由变换训练模块；所述校准模块用于通过数据库二维血管造影图像校准神经网络的参数；所述自由变换训练模块用于通过自由变形方法产生新的特征量，训练深度学习神经网络。
进一步的，自由变换训练模块包括变形模块和优化模块；
所述变形模块用于对数据库中每组图像对进行网状分割，通过加入少量控制点，利用自由变形方法分析网状结构，计算变形后结构的对应坐标；
所述优化模块用于将自由形变后的网状结构对应坐标作为新加入的特征量，结合三种损失函数优化现有的神经网络。
本发明是一种基于深度学习的医学图像中心脏冠脉剪影的导管定位方法，该方法有效的通过单张DSA图像还原其对应的三维模型，将二维DSA剪影中不完善的导管位置信息，通过三维重构的方法投射在三维模型上，获取准确的导管位置信息，准确地对病灶部位成像，在不造成患者不便的情况下，不仅回避了多角度成像时患者呼吸等运动造成的图像偏差，同时大大减少了传统定位方法中检测所需的时间(多角度的成像需要多次推入造影剂，多次成像)。
附图说明
图1是实施例心脏冠脉剪影中导管位置判别方法的流程图。
图2是实施例利用卷积神经网学习数据库的流程图。
图3是实施例心脏三维模型重构示意图。
具体实施方案
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
(一)通过大样本二维血管造影图像数据库校准神经网络的参数并通过自由变形方法产生新的特征量，两者相结合训练出新的深度学习神经网络，如附图1左侧部分，其具体训练方法如下：
a)通过3D心脏冠脉模型与单张心脏冠脉剪影一一对应，建立数据库；
b)利用卷积神经网(CNN)学习数据库，如附图2所示，该网络通过重复卷积-池化的过程，一步一步将原本图像中具体的信息抽象化，该网络通过调整权重，将重要的特征量保留，弱化不重要的特征量，经过若干次卷积-池化的过程后通过全连接层，将众多特征量链接成特征图谱。提取冠脉剪影特征值以表述心脏冠脉剪影，并建立特征图谱；
c)对数据库中每组图像对进行网格化，通过加入控制点，建立验证模型与投影间的对应关系，利用自由变形方法分析网状结构，计算变形后结构的对应坐标：
其中，v(s，t，u)是由s，t，u构成的正交坐标系中任意一个网状结构的坐标，Pi，jk是在坐标(i，j，k)的控制节点。
如附图3所示，自由变形后，假设所有控制节点的位移量为ΔP，那么变形后整个组织对应坐标为：
V’＝B(P+ΔP) (2)
模型与投影间的对应关系将被作为新的特征量提取出来，进一步优化特征图谱；
d)将自由变形后的网状结构对应坐标作为新加入的特征量，结合三种损失函数优化现有的神经网络：
为保证自由变形的精度，采用倒角损失函数，其中，V和V’代表着变形前与变形后的坐标对应。
为保证特征表述的精确，采用损失函数和/>表述如下：
优化这两个损失函数以保证特征表述后的物体与实际相差最小。
根据实验结果，加入适当的权重，结合三个损失函数可以得到：
其中λ1＝50，λ2＝1。
(二)在步骤一，c)中的训练模式为反向传播训练，其中验证模型与投影对应关系的方法为西顿光束追踪算法，该算法通过追踪不同角度下三维模型的投影，计算相对器官模型网格化后的坐标。
(三)在心脏冠脉DSA成像中，由于造影剂的存在，图像中血管以及导管的位置相对清晰。本发明利用训练后的深度学习神经网络对输入的单张DSA图像进行预测并还原其对应的三维模型。
(四)在得到还原后的三维模型的情况下，根据二维剪影中导管与血管的相对位置信息，投射在三维模型上，可以得到三维模型下导管的准确位置信息，如附图1右侧部分所示。
综上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种心脏冠脉剪影中导管位置判别方法，其特征在于包括以下步骤：
步骤1：采集心血管造影二维图像，并通过多角度采集图像后构建三维模型；
步骤2：构建心血管造影二维图像和三维模型一一对应的联合数据库；
步骤3：通过联合数据库的图像和模型以及自由变形方法训练深度学习神经网络；
步骤4：利用训练好的神经网络对输入的单张心血管造影二维图像进行预测并还原其对应的三维模型，获得导丝在血管中的位置；
所述步骤3具体包括以下步骤：
步骤3.1：用卷积神经网学习联合数据库，提取冠脉剪影特征值以表述心脏冠脉剪影，并建立特征图谱；
步骤3.2：通过自由变形方法产生新的特征量，训练深度学习神经网络；
所述步骤3.2具体包括以下步骤：
(1)对数据库中每组图像对进行网状分割，通过加入少量控制点，利用自由变形方法分析网状结构，建立大小为(l+1)×(m+1)×(n+1)的立方体，该立方体将目标结构体涵盖其中，通过下式计算结构在立方体坐标系下的对应坐标：
其中，v(s,t,u)是由s,t,u构成的正交坐标系中任意一个网状结构的坐标，Pi,jk是在坐标(i,j,k)的控制节点，即建立的立方体上的点；
其中为伯恩斯坦多项式；
自由变形后，假设所有控制节点的位移量为△P，变形后整个组织对应坐标为：
V’＝B(P+△P) (2)
其中B为伯恩斯坦多项式，P为原始立方体结构的坐标集，△P为变形后的位移量；
(2)将自由形变后的网状结构对应坐标作为新加入的特征量，结合三种损失函数优化现有的神经网络。
2.根据权利要求1所述的心脏冠脉剪影中导管位置判别方法，其特征在于：所述步骤3.1建立特征图谱采用卷积神经网，通过重复卷积-池化的过程，将心血管造影二维图像中具体的信息抽象化，通过调整权重，将重要的特征量保留，弱化不重要的特征量，经过若干次卷积-池化的过程后通过全连接层，将众多特征量链接成特征图谱。
3.根据权利要求1所述的心脏冠脉剪影中导管位置判别方法，其特征在于：所述三种损失函数分别为变形损失，转换损失以及正则化损失；
其中，利用倒角损失函数表示变形损失以提高准确度：
其中，V′pred为预测结果，Vgt为实际结果，nl为原目标结构体进行自由变后形成的模板数量，Li为对应的变形模板，wLi为该变形模板对应的权重，C代表了倒角损失函数，即：
其中p,q是网格线合集P,Q中的点；最终而论，对于在P或Q中的任一点可以通过倒角损失在另一个点集中查找最近的顶点，并求出所有成对距离的总和；
转换损失以及正则化损失用和/>表示，表述如下：
其中△T为变形之后的预测的转换向量，ctr为变形之后实际的转换向量,Li为对应的变形模板，wLi为该变形模板对应的权重,与变形损失相比较，不同的地方在于△PLi，该损失是定义在控制节点P上的；优化这两个损失函数以保特征表述后的物体与实际相差最小。
4.根据权利要求3所述的心脏冠脉剪影中导管位置判别方法，其特征在于：所述变形损失，转换损失以及正则化损失的和为总损失函数，表述如下：
其中λ1＝50，λ2＝1是神经网络优化后得到的权重结果。
5.一种心脏冠脉剪影中导管位置判别***，其特征在于包括：
采集模块，用于采集心血管造影二维图像，并通过多角度采集图像后构建三维模型；
联合数据库，用于储存心血管造影二维图像和一一对应的三维模型；
训练模块，用于通过联合数据库的图像和模型以及自由变形方法训练深度学习神经网络，具体采用以下步骤：
步骤3.1：用卷积神经网学习联合数据库，提取冠脉剪影特征值以表述心脏冠脉剪影，并建立特征图谱；
步骤3.2：通过自由变形方法产生新的特征量，训练深度学习神经网络；
所述步骤3.2具体包括以下步骤：
(1)对数据库中每组图像对进行网状分割，通过加入少量控制点，利用自由变形方法分析网状结构，建立大小为(l+1)×(m+1)×(n+1)的立方体，该立方体将目标结构体涵盖其中，通过下式计算结构在立方体坐标系下的对应坐标：
其中，v(s,t,u)是由s,t,u构成的正交坐标系中任意一个网状结构的坐标，Pi,jk是在坐标(i,j,k)的控制节点，即建立的立方体上的点；
其中为伯恩斯坦多项式；
自由变形后，假设所有控制节点的位移量为△P，变形后整个组织对应坐标为：
V’＝B(P+△P) (2)
其中B为伯恩斯坦多项式，P为原始立方体结构的坐标集，△P为变形后的位移量；
(2)将自由形变后的网状结构对应坐标作为新加入的特征量，结合三种损失函数优化现有的神经网络；
分析模块，用于利用训练好的神经网络对输入的单张心血管造影二维图像进行预测并还原其对应的三维模型，获得导丝在血管中的位置。
6.根据权利要求5所述的心脏冠脉剪影中导管位置判别***，其特征在于：所述训练模块包括校准模块和自由变换训练模块；所述校准模块用于通过数据库二维血管造影图像校准神经网络的参数；所述自由变换训练模块用于通过自由变形方法产生新的特征量，训练深度学习神经网络。
7.根据权利要求6所述的心脏冠脉剪影中导管位置判别***，其特征在于：所述自由变换训练模块包括变形模块和优化模块；
所述变形模块用于对数据库中每组图像对进行网状分割，通过加入少量控制点，利用自由变形方法分析网状结构，计算变形后结构的对应坐标；
所述优化模块用于将自由形变后的网状结构对应坐标作为新加入的特征量，结合三种损失函数优化现有的神经网络。
CN202010707681.0A 2020-07-21 2020-07-21 一种心脏冠脉剪影中导管位置判别***和方法 Active CN111862046B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010707681.0A CN111862046B (zh) 2020-07-21 2020-07-21 一种心脏冠脉剪影中导管位置判别***和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010707681.0A CN111862046B (zh) 2020-07-21 2020-07-21 一种心脏冠脉剪影中导管位置判别***和方法

Publications (2)

Publication Number Publication Date
CN111862046A CN111862046A (zh) 2020-10-30
CN111862046B true CN111862046B (zh) 2023-11-17

Family

ID=73001467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010707681.0A Active CN111862046B (zh) 2020-07-21 2020-07-21 一种心脏冠脉剪影中导管位置判别***和方法

Country Status (1)

Country Link
CN (1) CN111862046B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365472A (zh) * 2020-11-12 2021-02-12 中科麦迪人工智能研究院(苏州)有限公司 血管寻径方法、装置、电子设备和存储介质
CN113256564B (zh) * 2021-04-28 2024-03-01 深圳睿心智能医疗科技有限公司 医学影像中的导管参数提取方法及装置
CN113593047B (zh) * 2021-06-28 2023-06-23 北京百度网讯科技有限公司 动作序列迁移的方法、装置及电子设备
CN115375560B (zh) * 2022-07-22 2023-04-18 华中科技大学同济医学院附属协和医院 一种3d-dsa图像的重建方法及***
CN115443947B (zh) * 2022-10-12 2023-11-21 江苏省人民医院（南京医科大学第一附属医院） 高血压动物模型的制备方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106713923A (zh) * 2015-10-30 2017-05-24 达索***公司 三维建模对象的压缩
US9855105B2 (en) * 2010-08-12 2018-01-02 Heartflow, Inc. Method and system for image processing to determine patient-specific blood flow characteristics
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
CN109102550A (zh) * 2018-06-08 2018-12-28 东南大学 基于卷积残差网络的全网络低剂量ct成像方法及装置
CN109381205A (zh) * 2017-08-08 2019-02-26 西门子保健有限责任公司 用于执行数字减影血管造影的方法、混合成像装置
CN109636926A (zh) * 2018-11-23 2019-04-16 盎锐（上海）信息科技有限公司 3d全局自由变形算法及装置
WO2019157924A1 (zh) * 2018-02-13 2019-08-22 视辰信息科技(上海)有限公司 三维物体的实时检测方法及***
CN110163809A (zh) * 2019-03-31 2019-08-23 东南大学 基于U-net生成对抗网络DSA成像方法及装置
CN110288637A (zh) * 2019-06-13 2019-09-27 北京理工大学 多角度dsa造影图像血管匹配方法及装置
CN110674866A (zh) * 2019-09-23 2020-01-10 兰州理工大学 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法
WO2020010979A1 (zh) * 2018-07-10 2020-01-16 腾讯科技（深圳）有限公司 手部关键点的识别模型训练方法、识别方法及设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8406860B2 (en) * 2008-01-25 2013-03-26 Novadaq Technologies Inc. Method for evaluating blush in myocardial tissue

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9855105B2 (en) * 2010-08-12 2018-01-02 Heartflow, Inc. Method and system for image processing to determine patient-specific blood flow characteristics
CN106713923A (zh) * 2015-10-30 2017-05-24 达索***公司 三维建模对象的压缩
CN109381205A (zh) * 2017-08-08 2019-02-26 西门子保健有限责任公司 用于执行数字减影血管造影的方法、混合成像装置
WO2019157924A1 (zh) * 2018-02-13 2019-08-22 视辰信息科技(上海)有限公司 三维物体的实时检测方法及***
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
CN109102550A (zh) * 2018-06-08 2018-12-28 东南大学 基于卷积残差网络的全网络低剂量ct成像方法及装置
WO2020010979A1 (zh) * 2018-07-10 2020-01-16 腾讯科技（深圳）有限公司 手部关键点的识别模型训练方法、识别方法及设备
CN109636926A (zh) * 2018-11-23 2019-04-16 盎锐（上海）信息科技有限公司 3d全局自由变形算法及装置
CN110163809A (zh) * 2019-03-31 2019-08-23 东南大学 基于U-net生成对抗网络DSA成像方法及装置
CN110288637A (zh) * 2019-06-13 2019-09-27 北京理工大学 多角度dsa造影图像血管匹配方法及装置
CN110674866A (zh) * 2019-09-23 2020-01-10 兰州理工大学 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Multi-needle Localization with Attention U-Net in US-guided HDR Prostate Brachytherapy;Zhang Yupei;《Medical Physics》;第47卷(第7期);2735-2745 *
亚胺培南西司他丁钠治疗重症肺炎临床疗效及对不良反应发生率影响分析;刘云 等;《国际感染病学》;第8卷(第4期);116-117 *
基于深度学习的低剂量DSA算法研究;宋雨;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;E062-36 *

Also Published As

Publication number Publication date
CN111862046A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111862046B (zh) 一种心脏冠脉剪影中导管位置判别***和方法
CN111680447A (zh) 血流特征预测方法、装置、计算机设备和存储介质
KR101908520B1 (ko) 메디컬 이미징에서 공간 및 시간 제약들을 이용하는 랜드마크 검출
CN106037710B (zh) 在医学成像中合成数据驱动的血液动力学测定
US9245091B2 (en) Physically-constrained modeling of a heart in medical imaging
US8920322B2 (en) Valve treatment simulation from medical diagnostic imaging data
US9501622B2 (en) Methods and systems for predicting sensitivity of blood flow calculations to changes in anatomical geometry
US8271068B2 (en) Method for dynamic road mapping
CN102715906B (zh) 从c臂血管造影术的单扫描估算3d心脏运动的方法和***
Yang et al. Novel approach for 3-D reconstruction of coronary arteries from two uncalibrated angiographic images
Pfeiffer et al. Non-rigid volume to surface registration using a data-driven biomechanical model
CN110033019B (zh) 人体部位的异常检测方法、装置和存储介质
CN111080593B (zh) 一种图像处理装置、方法及存储介质
KR20160060657A (ko) 의료 이미지들 및 임상학적 데이터로부터 생리학적 심장 측정치들을 추정하기 위한 시스템들 및 방법들
CN105190630A (zh) 计算血流储备分数
EP3420483A1 (en) Systems and methods for identifying and modeling unresolved vessels in image-based patient-specific hemodynamic models
CN111178420B (zh) 一种二维造影图像上冠脉段标注方法及***
US20070263916A1 (en) Three-Dimensional Reconstruction of an Object from Projection Photographs
JP2020508709A (ja) 変形可能なオブジェクトへのデバイス挿入のための応力予測および応力評価
CN117036530B (zh) 基于跨模态数据的冠状动脉血流储备分数预测方法及装置
CN102697482B (zh) 使用自适应判别学习和测量融合的导管跟踪的方法和***
Zhang et al. A bottom-up approach for real-time mitral valve annulus modeling on 3D echo images
CN113850710A (zh) 一种跨模态医学影像精准转换方法
Turini et al. Improving endovascular intraoperative navigation with real-time skeleton-based deformation of virtual vascular structures
CN112790778A (zh) 采集错误对齐

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