CN113034507A - 基于ccta影像的冠状动脉三维分割方法 - Google Patents
基于ccta影像的冠状动脉三维分割方法 Download PDFInfo
- Publication number
- CN113034507A CN113034507A CN202110575478.7A CN202110575478A CN113034507A CN 113034507 A CN113034507 A CN 113034507A CN 202110575478 A CN202110575478 A CN 202110575478A CN 113034507 A CN113034507 A CN 113034507A
- Authority
- CN
- China
- Prior art keywords
- ccta
- image
- segmentation
- sampling
- coronary artery
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/30048—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
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及深度学习的图像分割领域，具体是基于CCTA影像的冠状动脉三维分割方法，包括如下步骤：首先、获取患者的CCTA图像；其次、对CCTA图像进行预处理，包括归一化CT值和归一化CT尺寸；其次、构建基于神经网络的分割模型，设计分割模型的网络结构；其次、将步骤2的CCTA图像进行数据增广后分割为多个子块，将每一个子块分批次输入分割模型，对分割模型进行训练；最后、使用训练好的分割模型对输入的CCTA图像进行冠状动脉三维分割，输出预测的分割结果。解决了传统方法有效性差，忽略了像素与像素之间的关联，且对CCTA的冠状动脉分割完整度及精度低的问题。
Description
技术领域
本发明涉及深度学习的图像分割领域，具体是指基于CCTA影像的冠状动脉三维分割方法。
背景技术
心血管疾病是造成人类死亡的主要疾病之一；《世界卫生报告》指出全球每年因心血管相关疾病引发的疾病及其并发症的死亡率已经超过了癌症死亡率之和；研究表明，心血管疾病大多数是由于冠状动脉病变引起的；尽早地发现冠心病，对临床医生制定合理的治疗方案有着重要的意义；冠状计算机断层血管造影（Coronary computed tomographyangiongraphy, CCTA）是临床诊断心血管疾病的常用手段，也是心血管疾病诊断的金标准；通过机器学习方法快速、准确、半自动从CCTA图像中分割冠状动脉是一个非常有意义的辅助医疗方式，这对于冠心病的早期发现起关键性作用，将会有效地为医生提供可靠的诊断依据。
由于CCTA图像本身的特殊性以及复杂性，例如：（1）冠状动脉结构复杂，存在很分支的小细管，（2）冠状动脉灰度不均匀，跟周围组织的对比度低，血管末梢部分的边界模糊，（3）冠状动脉中含有各种复杂病变；针对CCTA图像的分割算法近几年已成为研究的热点；而基于神经网络的方法是将分割问题转化为一个分类的问题，Nekovei采用BP神经网络对血管进行分割训练；近几年卷积神经网络（Convolutional Neural Network，CNN）在图像分割网络中取得不错的效果，其中U-net网络是目前在二维医学图像分割领域中应用最广泛的一种网络结构，是由Ronneberger在FCN的基础上提出的，该网络结构的特点是网络呈现“U”型，其上采样层和下采样层数量相等；Nasr-Esfahani等将造影图像分为血管和背景区域，并送入CNN网路，将全局信息和局部信息结合起来，注入了canny边缘检测器来进行训练，从而获得不错的结果；而Jo提出一种选择性特征映射的方法，用来分割心血管图像的左前降主干；Jun等为了克服U-Net在编码和解码块之间只有一组级联层的限制，引用了T-Net一种全新的网络，在编码时加入池化层和上采用层，使得预测的掩模更为精准。
现有的CCTA分割方法基于传统的医学图像分割方法，这些方法分割不仅设计起来十分繁琐，而且分割的有效性也难以保证；基于神经网络的方法，可以使用神经网络自动地从CCTA影像中学习冠状动脉的本质特征，这些方法中例如Unet或Unet++没有综合考虑到CCTA数据的全文信息，忽略了像素与像素之间的关联，且对CCTA数据的一些小血管的分类不佳。
发明内容
基于以上问题，本发明提供了基于CCTA影像的冠状动脉三维分割方法，该方法能将充分考虑CCTA数据的空间一致性，考虑像素之间的关系，从而提高冠状动脉分割的有效性，能相对准确的给医生提供评判的依据。
为解决以上技术问题，本发明采用的技术方案如下：
基于CCTA影像的冠状动脉三维分割方法，包括如下步骤：
步骤1、获取患者的CCTA图像；
步骤2、对CCTA图像进行预处理，包括归一化CT值和归一化CT尺寸；
步骤3、构建基于神经网络的分割模型，设计分割模型的网络结构；
步骤4、将步骤2的CCTA图像进行数据增广后分割为多个子块，将每一个子块分批次输入分割模型，对分割模型进行训练；
步骤5、使用训练好的分割模型对输入的CCTA图像进行冠状动脉三维分割，输出预测的分割结果。
进一步，所述步骤2具体包括如下：
对患者的CCTA图像进行读取，获取CCTA数据的窗宽和窗位，归一化CT尺寸，所述窗宽表示显示图像时所选用的CT值范围，所述窗位表示图像灰阶的中心位置，窗宽和窗位分别设置为（1000Hu，200Hu），归一化CT尺寸后，对CCTA图像进行归一化CT值处理，归一化公式为：
其中，
表示归一化的CCTA像素值，
表示需归一化的CCTA像素值，
表示CCTA像素最小值，
表示CCTA像素最大值。
进一步，所述步骤3中，分割模型的网络结构采用3D Unet网络结构，由四个下采样层和四个上采样层通过U形的架构构成，且每个下采样层通过复制和裁剪与U形架构对应的上采样层通过跳跃连接的方式完成拼接，每个下采样层由两个空洞卷积连接一个最大池化层构成，每个上采样层由一个上采样操作连接两个空洞卷积构成，其中，空洞卷积用于增加卷积神经网络的感受野，感受野为卷积神经网络的每一层输出的特征图上的像素点在原图像上映射的区域大小；另外，上采样操作采用的是双线性插值的方式；采用线性整流函数ReLU作为下采样层和上采样层的激活函数，采用自适应矩估计Adam作为3D Unet网络结构的优化器，选用Dice系数差异系数作为整个3D Unet网络结构的损失函数，其中Dice是一个介于0和1之间的数值，其中1表示完整的重叠，Dice系数越高，Dice系数差异越低，网络的目标为最小化Dice系数，Dice系数差异系数定义如下：
其中，
表示真实的分割图像，
表示预测的分割图像。
进一步，所述步骤4中，分割模型训练过程如下：
步骤41、对CCTA图像进行数据增广；
步骤42、网络训练；
步骤43、模型评价。
进一步，所述步骤41中，采用旋转、裁剪、加噪声的方法对CCTA图像进行数据增广。
进一步，所述步骤42中，网络训练过程如下：
步骤421、将数据增广后的CCTA图片通过分块操作分割为多个子块，且每一个子块有对应大小的标签，送入下采样层；
步骤422：在下采样层中对数据进行卷积、最大池化操作，从而获得最大感受野；
步骤423：将下采样层中获取到的特征送入上采样层，在上采样层使用双线性插值的方法对每个点进行插值，然后进行卷积、最大池化操作来完成上采样；
步骤424：四个下采样层和四个上采样层形成一个U形的形状，且U形的下采样边通过跨层连接结构与上采样边对称拼接；
步骤425：每一个子块经过四个下采样层和上采样层后，输出预测结果。
进一步，所述步骤42中，网络训练时，网络设置学习率为0.001，学习率每经过20个学习迭代之后衰减十倍，卷积权值使用高斯分布初始化，一次训练批次设置为24个，学习迭代次数为100次，网络训练采用BP反馈传播算法来计算梯度并更新权值，网络学习针对每个批次更新一次参数，每一次迭代学习之后，分割模型判断分割的评价结果，如果当前误差小于上一个迭代的误差，就保存当前分割模型，然后继续训练，直到达到最大迭代次数。
进一步，所述步骤43中，利用交并比IoU进行衡量，比较输出的CCTA图像与真实CCTA图像标注部分的重叠部分，保存评价指标最优的分割模型。
与现有技术相比，本发明的有益效果是：
1. 本发明从三维数据分割直接入手，可以相对较好的保证了CCTA三维数据前后的关联性，采用了对应的评价指标，使得分割的结果更为准确，为后续的医生诊断提供了更好的依据；
2. 本发明通过综合分析CCTA影响数据特征，对冠状动脉进行分割，得到更为精准的分割结果；
3. 对于已经完成训练的模型，可以快速检测，实现批量CCTA的数据分割，可以实现无人值守批量操作，且速度快速，节省了冠脉标注的人力物力，为医生辅助诊断提供更强有力的依据。
附图说明
图1为本实施例的流程图；
图2为本实施例分割模型的框架图。
具体实施方式
下面结合附图对本发明作进一步的说明。本发明的实施方式包括但不限于下列实施例。
如图1所示的基于三维冠状动脉CCTA图像的血管分割方法，包括如下步骤：
步骤1、获取患者的CCTA图像；
步骤2、对CCTA图像进行预处理，包括归一化CT值和归一化CT尺寸；
步骤3、构建基于神经网络的分割模型，设计分割模型的网络结构；
步骤4、将步骤2的CCTA图像进行数据增广后分割为多个子块，将每一个子块分批次输入分割模型，对分割模型进行训练；
步骤5、使用训练好的分割模型对输入的CCTA图像进行冠状动脉三维分割，输出预测的分割结果。
进一步的是，步骤1中，本申请需要大量的数据用于训练，因此，数据集的获取来源于CCTA图像，采集CCTA病人的图像，由于模型的迭代更新需要大量有准确标签的数据，对于每一例CCTA图像均需要手动设置标签即冠状动脉分割结果，对于冠状动脉分割，每一例CCTA检查的图像，都由不同医生进行多轮标注标定，保证每一个标签准确与客观性。
进一步的是，步骤2中，数据预处理阶段对原始的CCTA图像进行处理，使得突出其有效的特征，便于更好地对图像目标进行增强处理，具体为对原始的CCTA图像进行读取，获取CCTA图像的窗宽和窗位，所述窗宽表示显示图像时所选用的CT值范围，所述窗位表示图像灰阶的中心位置，然后将窗宽设置为1000Hu，将窗位设置为200Hu，归一化CT尺寸，最后将CCTA图像进行归一化CT值处理，归一化公式为：
其中，
表示归一化的CCTA像素值，
表示需归一化的CCTA像素值，
表示CCTA像素最小值，
表示CCTA像素最大值。
进一步的是，步骤3中，由于本申请只考虑三维CCTA图像，因此，如图2所示，分割模型采用的3DUnet网络结构，由四个下采样层和四个上采样层通过U形的架构构成，且每个下采样层通过复制和裁剪与U形架构对应的上采样层通过跳跃连接的方式完成拼接，采用跳跃连接的方式是为了增加该结构将最后一层的预测（有更丰富的全局信息）和最浅层的预测（有更多的局部细节）结合起来，这样可以在遵守全局预测的同时进行局部预测，另外：
每个下采样层由两个大小为
，stride=2的空洞卷积后连接一个大小为
最大池化层构成，最大池化层是用于随机降低下采样层的复杂度；
每个上采样层由一个核函数为
，stride=2的上采样操作连接两个大小为
的空洞卷积后接BN层构成，同时，上采样操作采用的是双线性插值的方式。
进一步的是，采用空洞卷积是为了增加卷积神经网络感受野而设置的，在不池化操作的前提下，加大了卷积层的感受野，让每个卷积都获取到较大范围的信息；
采用BN层，该结构将数据随机的分为若干个batch_size，按batch_size来对数据进行更新，每组中的数据源决定了梯度的方向，下降的时候减少了随机性；
采用线性整流函数ReLU作为下采样层和上采样层的激活函数，采用自适应矩估计Adam作为3D Unet网络结构的优化器，选用Dice系数差异系数作为整个3D Unet网络结构的损失函数，其中Dice是一个介于0和1之间的数值，其中1表示完整的重叠，Dice系数越高，Dice系数差异越低，网络的目标为最小化Dice系数，Dice系数差异系数定义如下：
其中，
表示真实的分割图像，
表示预测的分割图像。
进一步的是，步骤4具体包括如下步骤：
步骤41、对CCTA图像进行数据增广；
步骤42、网络训练；
步骤43、模型评价。
进一步的是，步骤41中，为了让分割模型具有更好的性能，在网络训练阶段，采用旋转、裁剪、加噪声等方法对CCTA图像进行增广操作，以获得比步骤1所得数据集更大的数据集合用于网络训练。
进一步的是，步骤42中，网络训练过程如下：
步骤421、将一个病人的CCTA图像（维度为
）通过分割操作（size为
），将CCTA图像过分块操作分割为多个子块，且每一块子块有对应大小的标签，送入下采样层；
步骤422、在下采样层中对数据进行卷积，最大池化操作，从而获得最大感受野；
步骤423、将下采样层中获取到的特征送入上采样层，在上采样层使用双线性插值的方法对每个点进行插值，然后进行卷积，最大池化操作来完成上采样；
步骤424、四个下采样层和上采样层形成一个U形的形状，且U形的下采样边通过跨层连接结构与上采样边对称拼接；
步骤425、每一个子块经过四个下采样层和上采样层后，一个病人的CCTA数据就被成功预测
进一步的是，步骤42中，网络训练时，将增广后的CCTA图像通过分割操作分割为多个子块，并分批次送入分割模型中，网络设置学习率为0.001，学习率每经过20个学习迭代之后衰减十倍，卷积权值使用高斯分布初始化，一次训练批次设置为24个，学习迭代次数为100次，网络训练采用BP反馈传播算法来计算梯度并更新权值，网络学习针对每个批次更新一次参数，每一次迭代学习之后，分割模型判断分割的评价结果，如果当前误差小于上一个迭代的误差，就保存当前分割模型，然后继续训练，直到达到最大迭代次数。
进一步的是，步骤43中，利用交并比IoU进行衡量，比较输出的CCTA图像与真实CCTA图像标注部分的重叠部分，保存评价指标最优的分割模型，以便后续进行自动分割，计算公式：
其中，
为预测的分割结果，
为原始的分割结果。
进一步的是，步骤5中，使用训练好的分割模型对输入的CCTA图像进行冠状动脉三维分割，输出预测的分割结果，让医生直接对分割结果结合CCTA图像进行辅助分割，节省大量人力物力。
如上即为本发明的实施例。上述实施例以及实施例中的具体参数仅是为了清楚表述发明人的发明验证过程，并非用以限制本发明的专利保护范围，本发明的专利保护范围仍然以其权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。
Claims (8)
1.基于CCTA影像的冠状动脉三维分割方法，其特征在于，包括如下步骤：
步骤1、获取患者的CCTA图像；
步骤2、对CCTA图像进行预处理，包括归一化CT值和归一化CT尺寸；
步骤3、构建基于神经网络的分割模型，设计分割模型的网络结构；
步骤4、将步骤2的CCTA图像进行数据增广后分割为多个子块，将每一个子块分批次输入分割模型，对分割模型进行训练；
步骤5、使用训练好的分割模型对输入的CCTA图像进行冠状动脉三维分割，输出预测的分割结果。
2.根据权利要求1所述的基于CCTA影像的冠状动脉三维分割方法，其特征在于：所述步骤2具体包括如下：
对患者的CCTA图像进行读取，获取CCTA数据的窗宽和窗位，归一化CT尺寸，所述窗宽表示显示图像时所选用的CT值范围，所述窗位表示图像灰阶的中心位置，窗宽和窗位分别设置为（1000Hu，200Hu），归一化CT尺寸后，对CCTA图像进行归一化CT值处理，归一化公式为：
其中，
表示归一化的CCTA像素值，
表示需归一化的CCTA像素值，
表示CCTA像素最小值，
表示CCTA像素最大值。
3.根据权利要求1所述的基于CCTA影像的冠状动脉三维分割方法，其特征在于：所述步骤3中，分割模型的网络结构采用3D Unet网络结构，由四个下采样层和四个上采样层通过U形的架构构成，且每个下采样层通过复制和裁剪与U形架构对应的上采样层通过跳跃连接的方式完成拼接，每个下采样层由两个空洞卷积连接一个最大池化层构成，每个上采样层由一个上采样操作连接两个空洞卷积构成，其中，空洞卷积用于增加卷积神经网络的感受野，感受野为卷积神经网络的每一层输出的特征图上的像素点在原图像上映射的区域大小；另外，上采样操作采用的是双线性插值的方式；采用线性整流函数ReLU作为下采样层和上采样层的激活函数，采用自适应矩估计Adam作为3D Unet网络结构的优化器，选用Dice系数差异系数作为整个3D Unet网络结构的损失函数，其中Dice是一个介于0和1之间的数值，其中1表示完整的重叠，Dice系数越高，Dice系数差异越低，网络的目标为最小化Dice系数，Dice系数差异系数定义如下：
其中，
表示真实的分割图像，
表示预测的分割图像。
4.根据权利要求3所述的基于CCTA影像的冠状动脉三维分割方法，其特征在于：所述步骤4中，分割模型训练过程如下：
步骤41、对CCTA图像进行数据增广；
步骤42、网络训练；
步骤43、模型评价。
5.根据权利要求4所述的基于CCTA影像的冠状动脉三维分割方法，其特征在于：所述步骤41中，采用旋转、裁剪、加噪声的方法对CCTA图像进行数据增广。
6.根据权利要求5所述的基于CCTA影像的冠状动脉三维分割方法，其特征在于：所述步骤42中，网络训练过程如下：
步骤421、将数据增广后的CCTA图片通过分块操作分割为多个子块，且每一个子块有对应大小的标签，送入下采样层；
步骤422：在下采样层中对数据进行卷积、最大池化操作，从而获得最大感受野；
步骤423：将下采样层中获取到的特征送入上采样层，在上采样层使用双线性插值的方法对每个点进行插值，然后进行卷积、最大池化操作来完成上采样；
步骤424：四个下采样层和四个上采样层形成一个U形的形状，且U形的下采样边通过跨层连接结构与上采样边对称拼接；
步骤425：每一个子块经过四个下采样层和上采样层后，输出预测结果。
7.根据权利要求6所述的基于CCTA影像的冠状动脉三维分割方法，其特征在于：所述步骤42中，网络训练时，网络设置学习率为0.001，学习率每经过20个学习迭代之后衰减十倍，卷积权值使用高斯分布初始化，一次训练批次设置为24个，学习迭代次数为100次，网络训练采用BP反馈传播算法来计算梯度并更新权值，网络学习针对每个批次更新一次参数，每一次迭代学习之后，分割模型判断分割的评价结果，如果当前误差小于上一个迭代的误差，就保存当前分割模型，然后继续训练，直到达到最大迭代次数。
8.根据权利要求7所述的基于CCTA影像的冠状动脉三维分割方法，其特征在于：所述步骤43中，利用交并比IoU进行衡量，比较输出的CCTA图像与真实CCTA图像标注部分的重叠部分，保存评价指标最优的分割模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110575478.7A CN113034507A (zh) | 2021-05-26 | 2021-05-26 | 基于ccta影像的冠状动脉三维分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110575478.7A CN113034507A (zh) | 2021-05-26 | 2021-05-26 | 基于ccta影像的冠状动脉三维分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113034507A true CN113034507A (zh) | 2021-06-25 |
Family
ID=76455834
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110575478.7A Pending CN113034507A (zh) | 2021-05-26 | 2021-05-26 | 基于ccta影像的冠状动脉三维分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113034507A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113643317A (zh) * | 2021-10-18 | 2021-11-12 | 四川大学 | 基于深度几何演化模型的冠状动脉分割方法 |
| CN114159083A (zh) * | 2021-12-09 | 2022-03-11 | 哈尔滨工业大学 | 一种基于深度树模型的冠状动脉自动解剖标注方法及*** |
| CN115482248A (zh) * | 2022-09-22 | 2022-12-16 | 推想医疗科技股份有限公司 | 图像分割方法、装置、电子设备及存储介质 |
| CN117036376A (zh) * | 2023-10-10 | 2023-11-10 | 四川大学 | 基于人工智能的病变图像分割方法、装置及存储介质 |
| CN118098607A (zh) * | 2024-04-29 | 2024-05-28 | 四川大学 | 一种冠状动脉供血功能评估方法、***、设备以及介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631296A (zh) * | 2015-12-30 | 2016-06-01 | 北京工业大学 | 一种基于cnn特征提取器的安全人脸认证***设计方法 |
| CN107180426A (zh) * | 2017-06-06 | 2017-09-19 | 西北工业大学 | 基于可迁移的多模型集成的计算机辅助肺结节分类方法 |
| CN109377496A (zh) * | 2017-10-30 | 2019-02-22 | 北京昆仑医云科技有限公司 | 用于分割医学图像的***和方法及介质 |
| CN109410185A (zh) * | 2018-10-10 | 2019-03-01 | 腾讯科技（深圳）有限公司 | 一种图像分割方法、装置和存储介质 |
| CN109949309A (zh) * | 2019-03-18 | 2019-06-28 | 安徽紫薇帝星数字科技有限公司 | 一种基于深度学习的肝脏ct图像分割方法 |
| CN111080652A (zh) * | 2019-12-23 | 2020-04-28 | 西安电子科技大学 | 基于多尺度轻量化空洞卷积的光学遥感图像分割方法 |
| CN111179275A (zh) * | 2019-12-31 | 2020-05-19 | 电子科技大学 | 一种医学超声图像分割方法 |
| CN111192245A (zh) * | 2019-12-26 | 2020-05-22 | 河南工业大学 | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 |
| CN111862038A (zh) * | 2020-07-17 | 2020-10-30 | 中国医学科学院阜外医院 | 一种斑块检测方法、装置、设备及介质 |
| CN111861994A (zh) * | 2020-06-17 | 2020-10-30 | 西安电子科技大学 | 冠状动脉壁图像分割方法、***、存储介质、计算机设备 |
| CN112633242A (zh) * | 2020-12-31 | 2021-04-09 | 长光卫星技术有限公司 | 一种基于改进UNet网络的港口矿堆分割及储量计算方法 |
-
2021
- 2021-05-26 CN CN202110575478.7A patent/CN113034507A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631296A (zh) * | 2015-12-30 | 2016-06-01 | 北京工业大学 | 一种基于cnn特征提取器的安全人脸认证***设计方法 |
| CN107180426A (zh) * | 2017-06-06 | 2017-09-19 | 西北工业大学 | 基于可迁移的多模型集成的计算机辅助肺结节分类方法 |
| CN109377496A (zh) * | 2017-10-30 | 2019-02-22 | 北京昆仑医云科技有限公司 | 用于分割医学图像的***和方法及介质 |
| CN109410185A (zh) * | 2018-10-10 | 2019-03-01 | 腾讯科技（深圳）有限公司 | 一种图像分割方法、装置和存储介质 |
| CN109949309A (zh) * | 2019-03-18 | 2019-06-28 | 安徽紫薇帝星数字科技有限公司 | 一种基于深度学习的肝脏ct图像分割方法 |
| CN111080652A (zh) * | 2019-12-23 | 2020-04-28 | 西安电子科技大学 | 基于多尺度轻量化空洞卷积的光学遥感图像分割方法 |
| CN111192245A (zh) * | 2019-12-26 | 2020-05-22 | 河南工业大学 | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 |
| CN111179275A (zh) * | 2019-12-31 | 2020-05-19 | 电子科技大学 | 一种医学超声图像分割方法 |
| CN111861994A (zh) * | 2020-06-17 | 2020-10-30 | 西安电子科技大学 | 冠状动脉壁图像分割方法、***、存储介质、计算机设备 |
| CN111862038A (zh) * | 2020-07-17 | 2020-10-30 | 中国医学科学院阜外医院 | 一种斑块检测方法、装置、设备及介质 |
| CN112633242A (zh) * | 2020-12-31 | 2021-04-09 | 长光卫星技术有限公司 | 一种基于改进UNet网络的港口矿堆分割及储量计算方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113643317A (zh) * | 2021-10-18 | 2021-11-12 | 四川大学 | 基于深度几何演化模型的冠状动脉分割方法 |
| CN113643317B (zh) * | 2021-10-18 | 2022-01-04 | 四川大学 | 基于深度几何演化模型的冠状动脉分割方法 |
| CN114159083A (zh) * | 2021-12-09 | 2022-03-11 | 哈尔滨工业大学 | 一种基于深度树模型的冠状动脉自动解剖标注方法及*** |
| CN115482248A (zh) * | 2022-09-22 | 2022-12-16 | 推想医疗科技股份有限公司 | 图像分割方法、装置、电子设备及存储介质 |
| CN115482248B (zh) * | 2022-09-22 | 2023-12-08 | 推想医疗科技股份有限公司 | 图像分割方法、装置、电子设备及存储介质 |
| CN117036376A (zh) * | 2023-10-10 | 2023-11-10 | 四川大学 | 基于人工智能的病变图像分割方法、装置及存储介质 |
| CN117036376B (zh) * | 2023-10-10 | 2024-01-30 | 四川大学 | 基于人工智能的病变图像分割方法、装置及存储介质 |
| CN118098607A (zh) * | 2024-04-29 | 2024-05-28 | 四川大学 | 一种冠状动脉供血功能评估方法、***、设备以及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113034507A (zh) | 基于ccta影像的冠状动脉三维分割方法 | |
| CN110211140B (zh) | 基于3D残差U-Net和加权损失函数的腹部血管分割方法 | |
| Saikumar et al. | A novel implementation heart diagnosis system based on random forest machine learning technique. | |
| CN112927255B (zh) | 一种基于上下文注意力策略的三维肝脏影像语义分割方法 | |
| CN110689543A (zh) | 基于注意机制的改进卷积神经网络脑肿瘤图像分割方法 | |
| CN114926477B (zh) | 一种基于深度学习的脑肿瘤多模态mri影像分割方法 | |
| CN112258530A (zh) | 基于神经网络的计算机辅助肺结节自动分割方法 | |
| CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及*** | |
| CN110619635B (zh) | 基于深度学习的肝细胞癌磁共振图像分割***和方法 | |
| WO2022213654A1 (zh) | 一种超声图像的分割方法、装置、终端设备和存储介质 | |
| CN112750137B (zh) | 基于深度学习的肝脏肿瘤分割方法及*** | |
| CN112991346B (zh) | 用于医学图像分析的学习网络的训练方法和训练*** | |
| CN111179237A (zh) | 一种肝脏以及肝脏肿瘤的图像分割方法和装置 | |
| CN117078692B (zh) | 一种基于自适应特征融合的医疗超声图像分割方法及*** | |
| CN114998265A (zh) | 一种基于改进U-Net的肝脏肿瘤分割方法 | |
| CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
| CN116503607B (zh) | 一种基于深度学习的ct图像分割方法和*** | |
| CN112508884A (zh) | 一种癌变区域综合检测装置及方法 | |
| CN113888555A (zh) | 基于注意机制的多模态脑肿瘤图像分割*** | |
| CN114511581B (zh) | 一种多任务多分辨率协作的食管癌病变分割方法及装置 | |
| CN113160120A (zh) | 基于多模态融合与深度学习的肝脏血管分割方法及*** | |
| CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
| CN114693671A (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
| CN112950555A (zh) | 一种基于深度学习的2型糖尿病心血管病变图像分类方法 | |
| Peng et al. | 2d brain mri image synthesis based on lightweight denoising diffusion probabilistic model |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210625 |