CN113096097A - 血管图像检测方法及检测模型训练方法、相关装置、设备 - Google Patents
血管图像检测方法及检测模型训练方法、相关装置、设备 Download PDFInfo
- Publication number
- CN113096097A CN113096097A CN202110396660.6A CN202110396660A CN113096097A CN 113096097 A CN113096097 A CN 113096097A CN 202110396660 A CN202110396660 A CN 202110396660A CN 113096097 A CN113096097 A CN 113096097A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- blood vessel
- dimensional
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 398
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 358
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 title claims abstract description 27
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 80
- 208000037804 stenosis Diseases 0.000 claims description 80
- 230000036262 stenosis Effects 0.000 claims description 80
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000011002 quantification Methods 0.000 description 8
- 238000003708 edge detection Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000010339 dilation Effects 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013172 carotid endarterectomy Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000000269 carotid artery external Anatomy 0.000 description 1
- 210000004004 carotid artery internal Anatomy 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
- 210000002385 vertebral artery Anatomy 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—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
- G06T2207/10016—Video; Image sequence
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种血管图像检测方法及检测模型训练方法、相关装置、设备,其中,血管图像检测方法包括:获取待测对象的三维血管图像;沿与三维血管图像中血管的延伸方向垂直的方向,从三维血管图像中提取至少一帧二维图像;对二维图像进行检测,得到二维图像的区域检测结果,其中,区域检测结果包括与血管中的斑块对应的第一子区域。上述方案,能够提高血管中斑块检测的精度。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种血管图像检测方法及检测模型训练方法、相关装置、设备。
背景技术
随着生活水平的提高,由饮食、作息等因素而导致的血管疾病成为当今高发疾病之一。故此,有必要通过扫描等方式获取待测对象的血管图像,以便根据血管图像对待测对象的血管进行评价。
现有方式只能根据血管图像检测出血管是否存在斑块,以及对应的大致狭窄程度(如,轻度狭窄、中度狭窄、重度狭窄等),故斑块的检测精度较低,由此而导致无法根据检测结果量化血管的狭窄程度值。有鉴于此,如何提高血管中斑块检测的精度成为亟待解决的问题。
发明内容
本申请提供一种血管图像检测方法及检测模型训练方法、相关装置、设备。
本申请第一方面提供了一种血管图像检测方法,包括:获取待测对象的三维血管图像;沿与三维血管图像中血管的延伸方向垂直的方向,从三维血管图像中提取至少一帧二维图像;对二维图像进行检测,得到二维图像的区域检测结果,其中,区域检测结果包括与血管中的斑块对应的第一子区域。
因此,通过获取待测对象的三维血管图像,并沿与三维血管图像中血管的延伸方向垂直的方向,从三维血管图像中提取出至少一帧二维图像,从而对二维图像进行检测,得到二维图像的区域检测结果,且区域检测结果包括与血管中的斑块对应的第一子区域,故能够检测出三维血管图像中属于血管中斑块的像素点,实现像素级别的检测,能够提高血管中斑块的检测精度,且能够有利于为后续量化血管的狭窄程度值提供数据支撑。
其中,区域检测结果还包括与血管对应的第一区域;在对二维图像进行检测,得到二维图像的区域检测结果之后,方法还包括:基于至少一帧二维图像中的第一区域和第一子区域,得到待测对象血管的狭窄程度值。
因此,区域检测结果还包括与血管对应的第一区域,从而基于至少一帧二维图像中的第一区域和第一子区域,得到待测对象血管的狭窄程度值,进而能够提高用户体验。
其中,基于至少一帧二维图像中的第一区域和第一子区域,得到待测对象血管的狭窄程度值,包括:利用第一子区域的面积和第一区域的第一面积,确定狭窄程度值;或者,利用第一区域在径向方向上最小的第一宽度和第一子区域在第一区域的径向方向上最小的第二宽度,确定狭窄程度值;或者,在三维血管图像包括多帧二维图像的情况下,利用多帧二维图像中第一区域的面积与第一子区域的面积的差值,确定狭窄程度值;或者,在三维血管图像包括多帧二维图像的情况下,利用多帧二维图像中第一区域在径向方向上最小的第一宽度与第一子区域在第一区域的径向方向上最小的第二宽度的差值,确定狭窄程度值。
因此,通过利用第一子区域的面积和第一区域的第一面积,确定狭窄程度值,或者通过利用第一区域在径向方向上最小的第一宽度和第一子区域在第一区域的径向方向上最小的第二宽度,确定狭窄程度值,或者在三维血管图像包括多帧二维图像的情况下,利用多帧二维图像中第一区域的面积与第一子区域的面积的差值,确定狭窄程度值,或者在三维血管图像包括多帧二维图像的情况下,利用多帧二维图像中第一区域在径向方向上最小的第一宽度与第一子区域在第一区域的径向方向上最小的第二宽度的差值,确定狭窄程度值,能够有利于快速量化血管的狭窄程度值。
其中,三维血管图像包括多帧二维图像,对二维图像进行检测,得到二维图像的区域检测结果,包括:分别将每帧二维图像作为待测图像,并对待测图像和与待测图像间隔预设帧数内的二维图像进行检测,得到待测图像的区域检测结果。
因此,三维血管图像包括多帧二维图像,从而分别将每帧二维图像作为待测图像,并对待测图像和与待测图像间隔预设帧数内的二维图像进行检测,得到待测图像的区域检测结果,故能够利用二维图像中帧间连续信息进行检测,有利于提高图像检测的准确性。
其中,区域检测结果还包括与血管对应的第一区域;在得到待测图像的区域检测结果之后,方法还包括:按照多帧二维图像在三维血管图像中的先后顺序,将检测后的多帧二维图像进行拼接,得到与三维血管图像对应的三维检测图像;其中,三维检测图像中包含多帧二维图像的第一区域拼接得到的第二区域,以及多帧二维图像的第一子区域拼接得到的第二子区域;利用第二区域和第二子区域,确定待测对象的血管中的斑块位置。
因此,区域检测结果还包括与血管对应的第一区域,从而按照多帧二维图像在三维血管图像中的先后顺序,将检测后的多帧二维图像进行拼接,得到与三维血管图像对应的三维检测图像,且三维检测图像中包含多帧二维图像的第一区域拼接得到的第二区域,以及多帧二维图像的第一子区域拼接得到的第二子区域,进而利用第二区域和第二子区域,确定待测对象的血管中的斑块位置,故能够融合多帧二维图像的区域检测结果,对待测对象血管中的斑块进行定位,有利于提高用户体验。
其中,血管图像检测方法还包括:利用第二子区域的体积和第二区域的体积,确定待测对象血管的狭窄程度值。
因此,通过第二子区域的体积和第二区域的体积,确定待测对象血管的狭窄程度值,能够有利于快速量化血管的狭窄程度值。
其中,与待测图像间隔预设帧数内的二维图像包括以下至少一者:位于待测图像之前的二维图像,位于待测图像之后的二维图像。
因此,通过将距待测图像预设帧数范围内的二维图像设置为包括以下至少一者:位于待测图像之前的二维图像,位于待测图像之后的二维图像,从而能够利用待测图像之前的帧间连续信息,或之后的帧间连续信息,或之前和之后的帧间连续信息,进行图像检测,能够有利于提高图像检测的准确性。
其中,区域检测结果是利用检测模型对二维图像的检测得到的;和/或,对二维图像进行检测,得到二维图像的区域检测结果,包括:对二维图像进行第一检测,确定二维图像中是否存在与血管对应的第一区域;在检测到与血管对应的第一区域的情况下,对二维图像中的第一区域进行第二检测,得到第一区域内的第一子区域。
因此,区域检测结果是利用检测模型对二维图像的检测得到的,能够有利于提高图像检测的效率;而通过对二维图像进行第一检测,确定二维图像中是否存在与血管对应的第一区域,并在检测到与血管对应的第一区域的情况下,对二维图像的第一区域进行第二检测,得到第一区域内的第一子区域,能够将二维图像的检测分为血管检测、斑块检测两步,从而能够有利于提高图像检测的鲁棒性。
其中,对二维图像进行第一检测,确定二维图像中是否存在与血管对应的第一区域,包括:利用检测模型的第一检测子网络对二维图像进行第一检测,确定二维图像中是否存在与血管对应的第一区域;对二维图像中的第一区域进行第二检测,得到第一区域内的第一子区域,包括:利用检测模型的第二检测子网络对二维图像中的第一区域进行第二检测,得到第一区域内的第一子区域。
因此,通过利用检测模型的第一检测子网络对二维图像进行第一检测,确定二维图像中是否存在与血管对应的第一区域,并利用检测模型的第二检测子网络对二维图像中的第一区域进行第二检测,得到第一区域内的第一子区域,能够有利于提高图像检测的效率。
其中,第一检测子网络和第二检测子网络具有相同的网络结构;和/或,方法还包括:在未检测到与血管对应的第一区域的情况下,对二维图像的下一帧图像执行第一检测。
因此,通过将第一检测子网络和第二检测子网络设置为具有相同的网络结构,能够有利于简化检测模型的网络结构;而在未检测到与血管对应的第一区域的情况下,直接对二维图像的下一帧图像执行第一检测,能够有利于提高图像检测的效率。
本申请第二方面提供了一种检测模型的训练方法,包括:获取至少一帧样本二维图像,且至少一帧样本二维图像是从样本三维血管图像中眼与血管的延伸方向垂直的方向提取得到的,样本二维图像中标注有与血管中的斑块对应的第一实际子区域;利用检测模型对样本二维图像进行检测,得到样本二维图像中与血管中的斑块对应的第一预测子区域;利用第一实际子区域和第一预测子区域的差异,调整检测模型的网络参数。
因此,通过获取至少一帧样本二维图像,且至少一帧样本二维图像是从样本三维血管图像中眼与血管的延伸方向垂直的方向提取得到的,样本二维图像中标注有与血管中的斑块对应的第一实际子区域,并利用检测模型对样本二维图像进行检测,得到样本二维图像中与血管中的斑块对应的第一预测子区域,从而利用第一实际子区域和第一预测子区域的差异,调整检测模型的网络参数,能够使检测模型测出属于血管中斑块的像素点,从而实现像素级别的检测,能够提高血管中斑块的检测精度,且能够有利于为后续量化血管的狭窄程度值提供数据支撑。
其中,样本三维血管图像包括多帧样本二维图像;利用检测模型对样本二维图像进行检测,得到样本二维图像中与血管中的斑块对应的第一预测子区域,包括:分别将每帧样本二维图像作为样本待测图像,并利用检测模型对样本待测图像和与样本待测图像间隔预设帧数内的样本二维图像进行检测,得到样本待测图像中的第一预测子区域。
因此,至少一帧样本二维图像是从样本三维血管图像中提取得到的,且样本三维血管图像包括多帧样本二维图像,从而分别将每帧样本二维图像作为样本待测图像,并利用检测模型对样本待测图像和与样本待测图像间隔预设帧数内的样本二维图像进行检测,得到样本待测图像中的第一预测子区域,进而能够利用样本二维图像中帧间连续信息进行检测,有利于提高图像检测的准确性。
其中,用检测模型对样本二维图像进行检测,得到样本二维图像中与血管中的斑块对应的第一预测子区域,包括:利用检测模型的第一检测子网络对样本二维图像进行第一检测,确定样本二维图像中是否存在与血管对应的第一预测区域;在检测到与血管对应的第一预测区域的情况下,利用检测模型的第二检测子网络对样本二维图像中的第一预测区域进行第二检测,得到第一预测区域内的第一预测子区域。
因此,通过利用检测模型的第一检测子网络对样本二维图像进行第一检测,确定样本二维图像中是否存在与血管对应的第一预测区域,并在检测到与血管对应的第一预测区域的情况下,利用检测模型的第二检测子网络对样本二维图像中的第一预测区域进行第二检测,得到第一预测区域内的第一预测子区域,能够将样本二维图像的检测分为血管检测、斑块检测两步,从而能够有利于提高图像检测的鲁棒性。
本申请第三方面提供了一种血管图像检测装置,包括:图像获取模块、图像提取模块和区域检测模块,图像获取模块用于获取待测对象的三维血管图像;图像提取模块用于沿与三维血管图像中血管的延伸方向垂直的方向,从三维血管图像中提取至少一帧二维图像;区域检测模块用于对二维图像进行检测,得到二维图像的区域检测结果,其中,区域检测结果包括与血管中的斑块对应的第一子区域。
本申请第四方面提供了一种检测模型的训练装置,包括:样本获取模块、区域检测模块和参数调整模块,样本获取模块用于获取至少一帧样本二维图像,且至少一帧样本二维图像是从样本三维血管图像中眼与血管的延伸方向垂直的方向提取得到的,且样本二维图像中标注有与血管中的斑块对应的第一实际子区域;区域检测模块用于利用检测模型对样本二维图像进行检测,得到样本二维图像中与血管中的斑块对应的第一预测子区域;参数调整模块用于利用第一实际子区域和第一预测子区域的差异,调整检测模型的网络参数。
本申请第五方面提供了一种电子设备,包括相互耦接的存储器和处理器,处理器用于执行存储器中存储的程序指令,以实现上述第一方面中的血管图像检测方法,或实现上述第二方面中的检测模型的训练方法。
本申请第六方面提供了一种计算机可读存储介质,其上存储有程序指令,程序指令被处理器执行时实现上述第一方面中的血管图像检测方法,或实现上述第二方面中的检测模型的训练方法。
上述方案,通过获取待测对象的三维血管图像,并沿与三维血管图像中血管的延伸方向垂直的方向,从三维血管图像中提取出至少一帧二维图像,从而对二维图像进行检测,得到二维图像的区域检测结果,且区域检测结果包括与血管中的斑块对应的第一子区域,故能够检测出三维血管图像中属于血管中斑块的像素点,实现像素级别的检测,能够提高血管中斑块的检测精度,且能够有利于为后续量化血管的狭窄程度值提供数据支撑。
附图说明
图1是本申请血管图像检测方法一实施例的流程示意图;
图2是对二维图像进行检测一实施例的示意图;
图3是三维检测图像一实施例的示意图;
图4是本申请血管图像检测方法另一实施例的流程示意图;
图5是本申请检测模型的训练方法一实施例的流程示意图;
图6是本申请血管图像检测装置一实施例的框架示意图;
图7是本申请检测模型的训练装置一实施例的框架示意图;
图8是本申请电子设备一实施例的框架示意图;
图9是本申请计算机可读存储介质一实施例的框架示意图。
具体实施方式
下面结合说明书附图,对本申请实施例的方案进行详细说明。
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、接口、技术之类的具体细节,以便透彻理解本申请。
本文中术语“***”和“网络”在本文中常被可互换使用。本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。此外,本文中的“多”表示两个或者多于两个。
请参阅图1,图1是本申请血管图像检测方法一实施例的流程示意图。具体而言,可以包括如下步骤:
步骤S11:获取待测对象的三维血管图像。
本公开实施例中,可以通过扫描待测对象预设部位的血管,从而得到待测对象的三维血管图像。预设部位可以根据实际应用需要进行设置,具体可以包括但不限于:心脏冠状动脉、颈内动脉、颈外动脉、椎动脉等等,在此不做限定。由于血管通常行径扭曲,不处于同一平面上,故扫描得到的医学影像(如,计算机断层扫描等)可以利用曲面重建(CurvedPlanar Reformation,CPR)进行拉直,得到拉直的CPR图像,并将其作为待测对象的三维血管图像。具体地,可以对扫描得到的三维血管图像进行初始检测,以得到三维血管图像中的血管,例如,可以采用神经网络(如,U-Net等)、传统图像分割方式(如,边缘提取,以及膨胀腐蚀等形态学处理方式),具体在此不再赘述。从而可以确定血管的中心线,并沿血管的中心线,提取血管的横截面图像,并将属于同一血管的横截面图像依序堆叠,即可得到本公开实施例中待测对象的三维血管图像。
步骤S12:沿与三维血管图像中血管的延伸方向垂直的方向,从三维血管图像中提取至少一帧二维图像。
本公开实施例中,血管的延伸方向是指血管中心线的切线方向。具体地,可以在血管的各个位置处沿其中心线法平面,提取二维图像。具体地,对于尺寸为H(高度)*W(宽度)*D(深度)的三维血管图像,可以在血管的各个位置处沿其中心线法平面,提取一待处理图像,并将待处理图像经过插值、裁剪等过程,得到预设尺寸(如,64*64)的二维图像。
步骤S13:对二维图像进行检测,得到二维图像的区域检测结果,其中,区域检测结果包括与血管中的斑块对应的第一子区域。
在一个实施场景中,可以对每帧二维图像进行单独检测,得到二维图像的区域检测结果。例如,可以对二维图像进行边缘检测,得到包含边缘信息(如,血管边缘信息、斑块边缘信息等)的掩膜(mask)图像,并对掩膜图像进行膨胀腐蚀等形态学处理,滤除掩膜图像中的离群点等异常像素点,从而可以得到二维图像的区域检测结果。
在另一个实施场景中,三维血管图像可以提取得到多帧二维图像,例如,50帧二维图像、100帧二维图像、150帧二维图像等等,在此不做限定。则还可以分别将每帧二维图像作为待测图像,并对待测图像和与待测图像间隔预设帧数内的二维图像进行检测,得到待测图像的区域检测结果。上述方式,可以利用二维图像中的帧间连续信息进行检测,有利于提高图像检测的准确性。
在一个具体的实施场景中,预设帧数可以根据实际应用需要进行设置,例如:1、2、3、4等等,在此不做限定。此外,当对每帧二维图像进行单独检测时,可以认为预设帧数为0,即与待测图像间隔预设帧数内的二维图像即为待测图像本身。
在另一个具体的实施场景中,与待测图像间隔预设帧数内的二维图像可以包括以下至少一者:位于待测图像之前的二维图像,位于待测图像之后的二维图像。即与待测图像间隔预设帧数内的二维图像可以是位于待测图像之前且与待测图像间隔预设帧数内的二维图像,例如,位于待测图像之前3帧内的二维图像;或者,与待测图像间隔预设帧数内的二维图像也可以是位于待测图像之后且与待测图像间隔预设帧数内的二维图像,例如,位于待测图像之后3帧内的二维图像;或者,与待测图像间隔预设帧数内的二维图像也可以包括:位于待测图像之前且与待测图像间隔预设帧数内的二维图像和位于待测图像之后且与待测图像间隔预设帧数内的二维图像,例如,位于待测图像之前3帧内的二维图像和位于待测图像之后3帧内的二维图像。
在又一个实施场景中,请结合参阅图2,图2是对二维图像进行检测一实施例的示意图,为了提高检测效率,还可以预先训练一检测模型,从而可以利用检测模型对二维图像进行检测,得到二维图像的区域检测结果。检测模型具体可以采用U-Net、全卷积网络(Fully Convolutional Network,FCN)等等,在此不做限定。检测模型的训练步骤可以参阅后续公开实施例中的步骤,在此暂不赘述。此外,检测模型中用于提取图像特征的卷积核具体可以设置为二维卷积核,则可以对每帧二维图像进行单独检测,得到二维图像的区域检测结果,也可以分别将每帧二维图像作为待测图像,并对待测图像和与待测图像间隔预设帧数内的二维图像进行检测,得到待测图像的区域检测结果。或者,检测模型中用于提取图像特征的卷积核具体可以设置为三维卷积核,则可以分别将每帧二维图像作为待测图像,并对待测图像和与待测图像间隔预设帧数内的二维图像进行检测,得到待测图像和与待测图像间隔预设帧数内的二维图像的区域检测结果。具体可以根据实际应用需要进行设置,在此不做限定。
在一个具体的实施场景中,可以利用检测模型分别对各二维图像进行检测,得到二维图像的区域检测结果。
在另一个具体的实施场景中,还可以分别将每帧二维图像作为待测图像,并利用检测模型对待测图像和与待测图像间隔预设帧数内的二维图像进行检测,得到待测图像的区域检测结果,故能够利用二维图像中的帧间连续信息进行检测,有利于提高图像检测的准确性。与待测图像间隔预设帧数内的二维图像具体的设置方式,可以参阅前述描述,在此不再赘述。
在又一个实施场景中,区域检测结果还可以包括与血管对应的第一区域,如图2所示,斜线填充部分为与血管对应的第一区域,第一区域中白色填充部分为与斑块对应的第一子区域,则可以基于至少一帧二维图像中第一区域和第一子区域,得到待测对象血管的狭窄程度值。上述方式,可以根据检测得到的第一子区域和第一区域,对血管的狭窄程度进行快速统计、量化,有利于提高用户体验。
在一个具体的实施场景中,可以利用第一子区域的面积和第一区域的面积,确定狭窄程度值。例如,可以将检测得到的第一子区域的面积与第一区域的面积之间的比值,作为狭窄程度值,在此情况下,狭窄程度值越大,表明斑块对血管的堵塞程度越高,血管狭窄程度越高,反之,狭窄程度值越小,表明斑块对血管的堵塞程度越低,血管狭窄程度越低。
在另一个具体的实施场景中,还可以利用第一区域在径向方向上最小的第一宽度D和第一子区域在第一区域的径向方向上最小的第二宽度d,确定狭窄程度值。需要说明的是,血管中心线在二维图像中经过一像素点(如图2中以黑色填充圆形所示),则在二维图像中经过该像素点的方向即为径向方向。请结合参阅图2,斑块的第一子区域在第一区域的某一径向方向(图2中双向箭头所示)上的第二宽度为d1,第一区域在该径向方向上的第一宽度为D1,此外,斑块的第一子区域在第一区域的另一径向方向(图2中双向箭头所示)上的第二宽度为d2,第一区域在该径向方向上的第一宽度为D2,以此类推,在不同径向方向可以分别得到斑块的第一区域的第二宽度以及第一区域的第一宽度,通过比较可以得到最小的第二宽度d和最小的第一宽度D,则可以利用第二宽度d与第一宽度D的比值作为该径向方向上的狭窄程度值,在此情况下,狭窄程度值越大,表明斑块对血管的堵塞程度越高,血管狭窄程度越高,反之,狭窄程度值越小,表明斑块对血管的堵塞程度越低,血管狭窄程度越低。
在又一个具体的实施场景中,还可以利用其它方式计算狭窄程度值,例如,针对椎-基底动脉等情况,可以采用NASCET(North American Symptomatic CarotidEndarterectomy,北美症状性颈动脉内膜切除试验)法、ECST(MRC European CarotidSurgery Trial,欧洲颈动脉外科试验)法等计算,其它场景可以根据实际应用情况进行设置,在此不再一一举例。
在又一个具体的实施场景中,在三维血管图像包括多帧二维图像的情况下,还可以利用多帧二维图像中第一区域的面积与第一子区域的面积的差值,确定狭窄程度值。具体地,可以获取每帧二维图像中第一区域的面积与S与第一子区域的面积s的差值S-s,作为二维图像中血管的有效面积,为了便于描述,可以记为S′。当血管中不存在斑块,或仅存在微小斑块时,多帧二维图像中血管的有效面积S′应随血管的延伸而稳定变化,反之,当血管中存在较大尺寸斑块时,多帧二维图像中血管的有效面积S′应随血管的延伸而发生突变。在此情况下,可以利用预设方式对多帧二维图像中血管的有效面积S′进行拟合,得到有效面积S′的理论值,并将实际测量到的血管的有效面积S′的值,作为血管的有效面积S′的实际值,从而可以将实际值偏离理论值的百分比,作为血管的狭窄程度值,则计算得到的狭窄程度值越大,表明血管越狭窄;或者,也可以直接将有效面积S′的实际值与有效面积S′的理论值的比值,作为血管的狭窄程度值,则计算得到的狭窄程度值越小,表明血管越狭窄。
在又一个具体的实施场景中,在三维血管图像包括多帧二维图像的情况下,还可以利用多帧二维图像中第一区域在径向方向上最小的第一宽度与第一子区域在第一区域的径向方向上最小的第二宽度的差值,确定狭窄程度值。具体地,可以获取每帧二维图像中第一子区域在第一区域的径向方向上最小的第二宽度d和第一区域最小的第一宽度D,并将血管的第一宽度D与斑块的第二宽度d的差值D-d,作为二维图像中血管的有效宽度,为了便于描述,可以记为D′。当血管中不存在斑块,或仅存在微小斑块时,多帧二维图像中血管的有效宽度D′应随血管的延伸呈稳定变化(如,线性增加,或线性减小),例如,第一帧二维图像中血管的有效宽度D′为2mm,第二帧二维图像中血管的有效宽度D′为1.9mm,第三帧二维图像中血管的有效宽度D′为1.8mm,通过统计,多帧二维图像中血管的有效宽度D′以趋近于D′=2-0.1*(x-1)的线性关系变化,其中,x表示第x帧二维图像;而当血管中存在较大尺寸斑块时,多帧二维图像中血管的有效宽度D′应随血管的延伸呈非线性变化,例如,第一帧二维图像中血管的有效宽度D′为2mm,第二帧二维图像中血管的有效宽度D′为1.9mm,第三帧二维图像中血管的有效宽度D′为1.6mm,第四帧二维图像中血管的有效宽度D′为1.3mm,第五帧二维图像中血管的有效宽度D′为0.9mm,由此可见,有效宽度D′随血管的延伸呈现出突变。在此情况下,可以利用预设方式对多帧二维图像中血管的有效宽度D′进行线性拟合,得到有效宽度D′随血管的延伸呈线性变化的值,作为血管的有效宽度D′的理论值,并将实际测量到的血管的有效宽度D′的值,作为血管的有效宽度D′的实际值,从而可以将实际值偏离理论值的百分比,作为血管的狭窄程度值,则计算得到的狭窄程度值越大,表明血管越狭窄;或者,也可以直接将有效宽度D′的实际值与有效宽度D′的理论值的比值,作为狭窄程度值,则计算得到的狭窄程度值越小,表明血管越狭窄。
在又一个具体的实施场景中,在得到待测对象血管的狭窄程度值之后,还可以利用狭窄程度值生成检测报告。例如,检测报告可以以预设格式设置,则可以将检测得到的狭窄程度值添加至检测报告中与狭窄程度值对应的字段中。此外,还可以将标注有区域检测结果的图像作为附件附于检测报告。
在又一个实施场景中,区域检测结果还可以进一步包括与血管对应的第一区域,则还可以按照多帧二维图像在三维血管图像中的先后顺序,将检测后的多帧二维图像进行拼接,得到与三维血管图像对应的三维检测图像,且三维检测图像中包含多帧二维图像的第一区域拼接得到的第二区域以及多帧二维图像的第一子区域拼接得到的第二子区域,从而可以利用第二区域和第二子区域,确定待测对象的血管中的斑块位置。上述方式,可以融合多帧二维图像的区域检测结果,对待测对象血管中的斑块进行定位,有利于提高用户体验。
在一个实施场景中,在得到三维检测图像之后,可以进一步利用第二子区域的体积和第二区域的体积,确定狭窄程度值。具体地,第二区域的体积可以是第二区域所包含的像素点个数,类似地,第二子区域的体积可以是第二子区域所包含的像素点个数。
请结合参阅图3,图3是三维检测图像一实施例的示意图,如图3所示,长方体区域表示多帧二维图像拼接形成的三维检测图像,长方体区域内圆柱域表示第一区域拼接形成的与血管对应的第二区域,小点填充区域表示第一子区域拼接形成的与斑块对应的第二子区域,通过融合多帧二维图像的区域检测结果,能够实现对斑块的快速定位,提高用户体验。
在又一个实施场景中,区域检测结果还可以包括检测得到的斑块的具体类型,如钙化斑块、混合斑块、非钙化斑块等等,在此不做限定。
上述方案,通过获取待测对象的三维血管图像,并沿垂直于三维血管图像中血管的延伸方向的方向,从三维血管图像中提取出至少一帧二维图像,从而对二维图像进行检测,得到二维图像的区域检测结果,且区域检测结果包括与血管中的斑块对应的第一子区域,故能够检测出三维血管图像中属于血管中斑块的像素点,实现像素级别的检测,能够提高血管中斑块的检测精度,且能够有利于为后续量化血管的狭窄程度值提供数据支撑。
请参阅图4,图4本申请血管图像检测方法另一实施例的流程示意图。具体可以包括如下步骤:
步骤S41:获取待测对象的三维血管图像。
具体可以参阅前述公开实施例中的相关步骤,在此不再赘述。
步骤S42:沿垂直于三维血管图像中血管的延伸方向的方向,从三维血管图像中提取至少一帧二维图像。
具体可以参阅前述公开实施例中的相关步骤,在此不再赘述。
步骤S43:对二维图像进行第一检测,确定二维图像中是否存在与血管对应的第一区域。
在一个实施场景中,可以对二维图像进行边缘检测,得到包含边缘信息的掩膜(mask)图像,并对掩膜图像进行膨胀腐蚀等形态学处理,滤除掩膜图像中的离群点等异常像素点,从而可以得到二维图像中边缘线,由边缘线封闭而成的区域,可以作为与边缘线对应的封闭区域,进而可以将封闭区域最大的边缘线作为血管的边缘线,并将该封闭区域作为与血管对应的第一区域。
在另一个实施场景中,还可以利用检测模型的第一检测子网络对二维图像进行第一检测,确定二维图像中是否存在与血管对应的第一区域,从而可以通过检测模型进行检测,提高检测效率。检测模型的具体结构可以参阅前述公开实施例中的相关描述,在此不再赘述。
在又一个实施场景中,还可以分别将每帧二维图像作为待测图像,并利用待测图像和与待测图像间隔预设帧数内的二维图像进行检测,确定二维图像中是否存在与血管对应的第一区域。预设帧数的具体设置方式可以参阅前述公开实施例中的相关描述,在此不再赘述。具体地,可以利用检测模型的第一检测子网络对待测图像和与待测图像间隔预设帧数内的二维图像进行第一检测,确定二维图像中是否存在与血管对应的第一区域。检测模型中用于提取图像特征的卷积核的具体设置方式,可以参阅前述公开实施例中的相关描述,在此不再赘述。
步骤S44:在检测到与血管对应的第一区域的情况下,对二维图像中的第一区域进行第二检测,得到第一区域内的第一子区域。
本公开实施例中,在检测到与血管对应的第一区域的情况下,对二维图像的第一区域进行第二检测,得到第一区域内的第一子区域,即与斑块对应的第一子区域。
在一个实施场景中,可以利用边缘检测的方式对第一区域进行第二检测,从而得到第一区域内与斑块对应的第一子区域,具体可以参阅前述利用边缘检测得到与血管对应的第一区域的相关描述,在此不再赘述。
在另一个实施场景中,为了提高检测效率,还可以利用检测模型的第二检测子网络对二维图像中的第一区域进行第二检测,得到第一区域内的第一子区域。
在一个具体的实施场景中,上述第一检测子网络和第二检测子网络可以具有相同的网络结构,从而可以简化检测模型的网络结构。例如,第一检测子网络和第二检测子网络可以均为U-Net,即检测模型是由两个串联的U-Net所组成的,其他场景可以根据实际应用需要进行设置,在此不做限定。
在另一个实施场景中,在未检测到与血管对应的第一区域的情况下,可以对二维图像的下一帧图像执行第一检测,具体可以参阅前述相关描述,在此不再赘述。上述方式,可以在某一帧二维图像中未检测到与血管对应的第一区域的情况下,直接对下一帧二维图像执行第一检测,以检测下一帧二维图像中是否存在与血管对应的第一区域,从而可以提高检测效率。
区别于前述实施例,通过对二维图像进行第一检测,确定二维图像中是否存在与血管对应的第一区域,并在检测到与血管对应的第一区域的情况下,对二维图像的第一区域进行第二检测,得到第一区域内的第一子区域,能够将二维图像的检测分为血管检测、斑块检测两步,从而能够有利于提高图像检测的鲁棒性。
请参阅图5,图5是本申请图像检测模型的训练方法一实施例的流程示意图。具体可以包括如下步骤;
步骤S51:获取至少一帧样本二维图像,至少一帧样本二维图像是从样本三维血管图像中沿与血管的延伸方向垂直的方向提取得到的,且样本二维图像中标注有与血管中的斑块对应的第一实际子区域。
在一个实施场景中,样本二维图像具体可以是从样本三维血管图像中沿与血管的延伸方向垂直的方向提取得到的。样本三维血管图像具体获取方式可以参阅前述公开实施例中的相关描述,在此不再赘述。此外,具体的提取方式可以参阅前述公开实施例中关于从三维血管图像中提取至少一帧二维图像的方式,在此不再赘述。
在一个实施场景中,样本二维图像中还可以标注有斑块的具体类型,如钙化斑块、混合斑块、非钙化斑块等等,在此不做限定。
在一个实施场景中,样本二维图像中还可以标注有与血管对应的第一实际区域。
步骤S52:利用检测模型对样本二维图像进行检测,得到样本二维图像中与血管中的斑块对应的第一预测子区域。
本公开实施例中,检测模型具体可以根据实际应用需要进行设置,具体可以参阅前述公开实施例中的相关描述,在此不再赘述。
在一个实施场景中,检测模型还可以对样本二维图像进行检测,得到样本二维图像中与血管对应的第一预测区域。
在一个具体的实施场景中,检测模型具体可以包括第一检测子网络和第二检测子网络,从而可以利用检测模型的第一检测子网络对样本二维图像进行第一检测,确定样本二维图像中是否存在与血管对应的第一预测区域,并在检测到与血管对应的第一预测区域的情况下,利用检测模型的第二检测子网络对样本二维图像中的第一预测区域进行第二检测,得到第一预测区域内的第一预测子区域,从而能够有利于提高检测效率。具体地,第一检测子网络和第二检测子网络可以具有相同的网络结构,例如,第一检测子网络和第二检测子网络均是U-Net,即检测模型是由串联的U-Net组成的,其他场景也可以根据实际应用需要进行设置,在此不做限定。此外,在未检测到与血管对应的第一预测区域的情况下,还可以利用检测模型的第二检测子网络对下一帧样本二维图像执行上述第一检测,具体可以参阅前述公开实施例中的相关描述,在此不再赘述。
在一个实施场景中,上述样本三维血管图像包括多帧样本二维图像,则可以分别将每帧样本二维图像作为样本待测图像,并利用检测模型对样本待测图像和与样本待测图像间隔预设帧数内的样本二维图像进行检测,得到样本待测图像中的第一预测子区域,从而可以融合帧间连续信息进行检测,有利于提高检测准确性。与样本待测图像间隔预设帧数内的样本二维图像的具体设置方式,可以参阅前述公开实施例中关于与待测图像间隔预设帧数内的二维图像的设置方式,在此不再赘述。
在另一个实施场景中,可以利用检测模型的第一检测子网络对样本待测图像和与样本待测图像间隔预设帧数内的样本二维图像进行检测,先确定样本待测图像中是否存在与血管对应的第一预测区域,并在检测到与血管对应的第一预测区域的情况下,利用检测模型的第二检测子网络对样本二维图像中的第一预测区域进行第二检测,得到第一预测区域内的第一预测子区域。上述方式,可以在检测时融合帧间连续信息,并将图像检测分为血管检测、斑块检测两部分,从而能够在提高图像检测准确性的同时,提高图像检测的效率。
步骤S53:利用第一实际子区域和第一预测子区域的差异,调整检测模型的网络参数。
在一个实施场景中,可以利用预设损失函数(如交叉熵损失函数、dice loss函数)处理第一实际子区域和第一预测子区域,得到检测模型的第一损失值,从而利用第一损失值调整检测模型的网络参数。此外,在样本二维图像中还标注有与血管对应的第一实际区域,检测模型还检测得到与血管对应的第一预测区域的情况下,还可以利用预设损失函数(如交叉熵损失函数、dice loss函数)处理第一实际区域和第一预测区域,得到检测模型的第二损失值,从而利用第一损失值和第二损失值调整检测模型的网络参数。此外,在样本二维图像中还标注有斑块的实际类型,检测模型还检测得到斑块的预测类型,还可以利用预设损失函数(如交叉熵损失函数)处理实际类型和预测类型,得到检测模型的第三损失值,从而可以利用上述第一损失值、第二损失值和第三损失值调整检测模型的网络参数。
在一个具体的实施场景中,预设损失函数可以包括但不限于:交叉熵损失函数(cross entropy loss)、dice loss等等,在此不做限定。
在另一个具体的实施场景中,具体可以采用随机梯度下降(Stochastic GradientDescent,SGD)、批量梯度下降(Batch Gradient Descent,BGD)、小批量梯度下降(Mini-Batch Gradient Descent,MBGD)等方式,利用上述损失值对检测模型的网络参数进行调整,其中,批量梯度下降是指在每一次迭代时,使用所有样本来进行参数更新;随机梯度下降是指在每一次迭代时,使用一个样本来进行参数更新;小批量梯度下降是指在每一次迭代时,使用一批样本来进行参数更新,在此不再赘述。
在又一个具体的实施场景中,还可以设置一训练结束条件,当满足训练结束条件时,可以结束对检测模型的训练。具体地,训练结束条件可以包括:损失值小于一预设损失阈值,且损失值不再减小;当前训练次数达到预设次数阈值(例如,500次、1000次等),在此不做限定。
上述方案,通过获取至少一帧样本二维图像,且样本二维图像中标注有与血管中的斑块对应的第一实际子区域,并利用检测模型对样本二维图像进行检测,得到样本二维图像中与血管中的斑块对应的第一预测子区域,从而利用第一实际子区域和第一预测子区域的差异,调整检测模型的网络参数,能够使检测模型测出属于血管中斑块的像素点,从而实现像素级别的检测,能够提高血管中斑块的检测精度,且能够有利于为后续量化血管的狭窄程度值提供数据支撑。
请参阅图6,图6是本申请血管图像检测装置60一实施例的框架示意图。血管图像检测装置60包括:图像获取模块61、图像提取模块62和区域检测模块63,图像获取模块61用于获取待测对象的三维血管图像;图像提取模块62用于沿与三维血管图像中血管的延伸方向垂直的方向,从三维血管图像中提取至少一帧二维图像;区域检测模块63用于对二维图像进行检测,得到二维图像的区域检测结果,其中,区域检测结果包括与血管中的斑块对应的第一子区域。
上述方案,通过获取待测对象的三维血管图像,并沿与三维血管图像中血管的延伸方向垂直的方向,从三维血管图像中提取出至少一帧二维图像,从而对二维图像进行检测,得到二维图像的区域检测结果,且区域检测结果包括与血管中的斑块对应的第一子区域,故能够检测出三维血管图像中属于血管中斑块的像素点,实现像素级别的检测,能够提高血管中斑块的检测精度,且能够为后续量化血管的狭窄程度值提供数据支撑。
在一些公开实施例中,区域检测结果还包括与血管对应的第一区域,血管图像检测装置60还包括狭窄计算模块,用于基于至少一帧二维图像中的第一区域和第一子区域,得到待测对象血管的狭窄程度值。
区别于前述实施例,区域检测结果还包括与血管对应的第一区域,从而基于至少一帧二维图像中的第一区域和第一子区域,得到待测对象血管的狭窄程度值,进而能够提高用户体验。
在一些公开实施例中,狭窄计算模块用于利用第一子区域的面积和第一区域的面积,确定狭窄程度值;或者,利用第一区域在径向方向上最小的第一宽度和第一子区域在第一区域的径向方向上的最小第二宽度,确定狭窄程度值;或者,在三维血管图像包括多帧二维图像的情况下,利用多帧二维图像中第一区域的面积与第一子区域的面积的差值,确定狭窄程度值;或者,在三维血管图像包括多帧二维图像的情况下,利用多帧二维图像中第一区域在径向方向上最小的第一宽度与第一子区域在第一区域的径向方向上最小的第二宽度的差值,确定狭窄程度值。
区别于前述实施例,通过利用第一子区域的面积和第一区域的第一宽度,确定狭窄程度值,或者通过利用第一子区域在第一区域的径向方向上最大的第二宽度和第一区域的第一宽度,确定狭窄程度值,或者在三维血管图像包括多帧二维图像的情况下,利用多帧二维图像中第一区域的面积与第一子区域的面积的差值,确定狭窄程度值,或者在三维血管图像包括多帧二维图像的情况下,利用多帧二维图像中第一区域在径向方向上最小的第一宽度与第一子区域在第一区域的径向方向上最小的第二宽度的差值,确定狭窄程度值,能够有利于快速量化血管的狭窄程度值。
在一些公开实施例中,三维血管图像包括多帧二维图像,区域检测模块63具体用于分别将每帧二维图像作为待测图像,并对待测图像和与待测图像间隔预设帧数内的二维图像进行检测,得到待测图像的区域检测结果。
区别于前述实施例,三维血管图像包括多帧二维图像,从而分别将每帧二维图像作为待测图像,并对待测图像和与待测图像间隔预设帧数内的二维图像进行检测,得到待测图像的区域检测结果,故能够利用二维图像中帧间连续信息进行检测,有利于提高图像检测的准确性。
在一些公开实施例中,区域检测结果还包括与血管对应的第一区域,血管图像检测装置60还包括图像拼接模块,用于按照多帧二维图像在三维血管图像中的先后顺序,将检测后的多帧二维图像进行拼接,得到与三维血管图像对应的三维检测图像;其中,三维检测图像中包含多帧二维图像的第一区域拼接得到的第二区域,以及多帧二维图像的第一子区域拼接得到的第二子区域,血管图像检测装置60还包括斑块定位模块,用于利用第二区域和第二子区域,确定待测对象的血管中的斑块位置。
区别于前述实施例,区域检测结果还包括与血管对应的第一区域,从而按照多帧二维图像在三维血管图像中的先后顺序,将检测后的多帧二维图像进行拼接,得到与三维血管图像对应的三维检测图像,且三维检测图像中包含多帧二维图像的第一区域拼接得到的第二区域,以及多帧二维图像的第一子区域拼接得到的第二子区域,进而利用第二区域和第二子区域,确定待测对象的血管中的斑块位置,故能够融合多帧二维图像的区域检测结果,对待测对象血管中的斑块进行定位,有利于提高用户体验。
在一些公开实施例中,狭窄计算模块用于利用第二子区域的体积和第二区域的体积,确定待测对象血管的狭窄程度值。
区别于前述实施例,通过第二子区域的体积和第二区域的体积,确定待测对象血管的狭窄程度值,能够有利于快速量化血管的狭窄程度值。
在一些公开实施例中,距待测图像预设帧数内的二维图像包括以下至少一者:位于待测图像之前的二维图像,位于待测图像之后的二维图像。
区别于前述实施例,通过将距待测图像预设帧数范围内的二维图像设置为包括以下至少一者:位于待测图像之前的二维图像,位于待测图像之后的二维图像,从而能够利用待测图像之前的帧间连续信息,或之后的帧间连续信息,或之前和之后的帧间连续信息,进行图像检测,能够有利于提高图像检测的准确性。
在一些公开实施例中,区域检测结果是利用检测模型对二维图像的检测得到的;和/或,区域检测模块63包括第一检测子模块,用于对二维图像进行第一检测,确定二维图像中是否存在与血管对应的第一区域,区域检测模块63包括第二检测子模块,用于在检测到与血管对应的第一区域的情况下,对二维图像中的第一区域进行第二检测,得到第一区域内的第一子区域。
区别于前述实施例,区域检测结果是利用检测模型对二维图像的检测得到的,能够有利于提高图像检测的效率;而通过对二维图像进行第一检测,确定二维图像中是否存在与血管对应的第一区域,并在检测到与血管对应的第一区域的情况下,对二维图像的第一区域进行第二检测,得到第一区域内的第一子区域,能够将二维图像的检测分为血管检测、斑块检测两步,从而能够有利于提高图像检测的鲁棒性。
在一些公开实施例中,第一检测子模块具体用于利用检测模型的第一检测子网络对二维图像进行第一检测,确定二维图像中是否存在与血管对应的第一区域,第二检测子模块具体用于利用检测模型的第二检测子网络对二维图像中的第一区域进行第二检测,得到第一区域内的第一子区域。
区别于前述实施例,通过利用检测模型的第一检测子网络对二维图像进行第一检测,确定二维图像中是否存在与血管对应的第一区域,并利用检测模型的第二检测子网络对二维图像中的第一区域进行第二检测,得到第一区域内的第一子区域,能够有利于提高图像检测的效率。
在一些公开实施例中,第一检测子网络和第二检测子网络具有相同的网络结构,和/或,第一检测子模块还用于在未检测到与血管对应的第一区域的情况下,对二维图像的下一帧图像执行第一检测。
区别于前述实施例,通过将第一检测子网络和第二检测子网络设置为具有相同的网络结构,能够有利于简化检测模型的网络结构;而在未检测到与血管对应的第一区域的情况下,直接对二维图像的下一帧图像执行第一检测,能够有利于提高图像检测的效率。
请参阅图7,图7是本申请检测模型的训练装置70一实施例的框架示意图。检测模型的训练装置70包括:样本获取模块71、区域检测模块72和参数调整模块73,样本获取模块71用于获取至少一帧样本二维图像,至少一帧样本二维图像是从样本三维血管图像中沿与血管的延伸方向垂直的方向提取得到的,且样本二维图像中标注有与血管中的斑块对应的第一实际子区域;区域检测模块72用于利用检测模型对样本二维图像进行检测,得到样本二维图像中与血管中的斑块对应的第一预测子区域;参数调整模块73用于利用第一实际子区域和第一预测子区域的差异,调整检测模型的网络参数。
上述方案,通过获取至少一帧样本二维图像,至少一帧样本二维图像是从样本三维血管图像中沿与血管的延伸方向垂直的方向提取得到的,且样本二维图像中标注有与血管中的斑块对应的第一实际子区域,并利用检测模型对样本二维图像进行检测,得到样本二维图像中与血管中的斑块对应的第一预测子区域,从而利用第一实际子区域和第一预测子区域的差异,调整检测模型的网络参数,能够使检测模型测出属于血管中斑块的像素点,从而实现像素级别的检测,提高血管中斑块的检测精度,且能够有利于为后续量化血管的狭窄程度值提供数据支撑。
在一些公开实施例中,样本三维血管图像包括多帧样本二维图像,区域检测模块72具体用于分别将每帧样本二维图像作为样本待测图像,并利用检测模型对样本待测图像和与样本待测图像间隔预设帧数内的样本二维图像进行检测,得到样本待测图像中的第一预测子区域。
区别于前述实施例,样本三维血管图像包括多帧样本二维图像,从而分别将每帧样本二维图像作为样本待测图像,并利用检测模型对样本待测图像和与样本待测图像间隔预设帧数内的样本二维图像进行检测,得到样本待测图像中的第一预测子区域,进而能够利用样本二维图像中帧间连续信息进行检测,有利于提高图像检测的准确性。
在一些公开实施例中,区域检测模块72包括第一检测子模块,用于利用检测模型的第一检测子网络对样本二维图像进行第一检测,确定样本二维图像中是否存在与血管对应的第一预测区域,区域检测模块72包括第二检测子模块,用于在检测到与血管对应的第一预测区域的情况下,利用检测模型的第二检测子网络对样本二维图像中的第一预测区域进行第二检测,得到第一预测区域内的第一预测子区域。
区别于前述实施例,通过利用检测模型的第一检测子网络对样本二维图像进行第一检测,确定样本二维图像中是否存在与血管对应的第一预测区域,并在检测到与血管对应的第一预测区域的情况下,利用检测模型的第二检测子网络对样本二维图像中的第一预测区域进行第二检测,得到第一预测区域内的第一预测子区域,能够将样本二维图像的检测分为血管检测、斑块检测两步,从而能够有利于提高图像检测的鲁棒性。
请参阅图8,图8是本申请电子设备80一实施例的框架示意图。电子设备80包括相互耦接的存储器81和处理器82,处理器82用于执行存储器81中存储的程序指令,以实现上述任一血管图像检测方法实施例的步骤,或实现上述任一检测模型的训练方法实施例中的步骤。在一个具体的实施场景中,电子设备80可以包括但不限于:微型计算机、服务器,此外,电子设备80还可以包括笔记本电脑、平板电脑等移动设备,在此不做限定。
具体而言,处理器82用于控制其自身以及存储器81以实现上述任一血管图像检测方法实施例的步骤,或实现上述任一检测模型的训练方法实施例中的步骤。处理器82还可以称为CPU(Central Processing Unit,中央处理单元)。处理器82可能是一种集成电路芯片,具有信号的处理能力。处理器82还可以是通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外,处理器82可以由集成电路芯片共同实现。
上述方案,能够提高血管中斑块的检测精度。
请参阅图9,图9为本申请计算机可读存储介质90一实施例的框架示意图。计算机可读存储介质90存储有能够被处理器运行的程序指令901,程序指令901用于实现上述任一血管图像检测方法实施例的步骤,或实现上述任一检测模型的训练方法实施例中的步骤。
上述方案,能够提高血管中斑块的检测精度。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (17)
1.一种血管图像检测方法,其特征在于,包括:
获取待测对象的三维血管图像;
沿与所述三维血管图像中血管的延伸方向垂直的方向,从所述三维血管图像中提取至少一帧二维图像;
对所述二维图像进行检测,得到所述二维图像的区域检测结果,其中,所述区域检测结果包括与所述血管中的斑块对应的第一子区域。
2.根据权利要求1所述的方法,其特征在于,所述区域检测结果还包括与所述血管对应的第一区域;以及
在所述对所述二维图像进行检测,得到所述二维图像的区域检测结果之后,所述方法还包括:
基于所述至少一帧二维图像中的所述第一区域和所述第一子区域,得到所述待测对象的所述血管的狭窄程度值。
3.根据权利要求2所述的方法,其特征在于,所述基于所述至少一帧二维图像中的所述第一区域和所述第一子区域,得到所述待测对象的所述血管的狭窄程度值,包括:
利用所述第一子区域的面积和所述第一区域的面积,确定所述狭窄程度值;
或者,利用所述第一区域在径向方向上最小的第一宽度和所述第一子区域在所述第一区域的径向方向上最小的第二宽度,确定所述狭窄程度值;
或者,在所述三维血管图像包括多帧二维图像的情况下,利用所述多帧二维图像中所述第一区域的面积与所述第一子区域的面积的差值,确定所述狭窄程度值;
或者,在所述三维血管图像包括多帧二维图像的情况下,利用所述多帧二维图像中所述第一区域在径向方向上最小的第一宽度与所述第一子区域在所述第一区域的径向方向上最小的第二宽度的差值,确定所述狭窄程度值。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述三维血管图像包括多帧所述二维图像,所述对所述二维图像进行检测,得到所述二维图像的区域检测结果,包括:
分别将每帧所述二维图像作为待测图像,并对所述待测图像和与所述待测图像间隔预设帧数内的二维图像进行检测,得到所述待测图像的区域检测结果。
5.根据权利要求4所述的方法,其特征在于,所述区域检测结果还包括与所述血管对应的第一区域;以及
在所述得到所述待测图像的区域检测结果之后,所述方法还包括:
按照多帧所述二维图像在所述三维血管图像中的先后顺序,将检测后的多帧所述二维图像进行拼接,得到与所述三维血管图像对应的三维检测图像;
其中,所述三维检测图像中包含多帧所述二维图像的第一区域拼接得到的第二区域,以及多帧所述二维图像的第一子区域拼接得到的第二子区域;
利用所述第二区域和所述第二子区域,确定所述待测对象的所述血管中的斑块位置。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
利用所述第二子区域的体积和所述第二区域的体积,确定所述待测对象的所述血管的狭窄程度值。
7.根据权利要求4至6任一项所述的方法,其特征在于,与所述待测图像间隔预设帧数内的二维图像包括以下至少一者:位于所述待测图像之前的二维图像,位于所述待测图像之后的二维图像。
8.根据权利要求1至7任一项所述的方法,其特征在于,所述区域检测结果是利用检测模型对所述二维图像的检测得到的;和/或,
所述对所述二维图像进行检测,得到所述二维图像的区域检测结果,包括:
对所述二维图像进行第一检测,确定所述二维图像中是否存在与所述血管对应的第一区域;
在检测到与所述血管对应的第一区域的情况下,对所述二维图像中的第一区域进行第二检测,得到所述第一区域内的第一子区域。
9.根据权利要求8所述的方法,其特征在于,所述对所述二维图像进行第一检测,确定所述二维图像中是否存在与所述血管对应的第一区域,包括:
利用检测模型的第一检测子网络对所述二维图像进行第一检测,确定所述二维图像中是否存在与所述血管对应的第一区域;
所述对所述二维图像中的第一区域进行第二检测,得到所述第一区域内的第一子区域,包括:
利用所述检测模型的第二检测子网络对所述二维图像中的第一区域进行第二检测,得到所述第一区域内的第一子区域。
10.根据权利要求9所述的方法,其特征在于,所述第一检测子网络和所述第二检测子网络具有相同的网络结构;
和/或,所述方法还包括:在未检测到与所述血管对应的第一区域的情况下,对所述二维图像的下一帧图像执行所述第一检测。
11.一种检测模型的训练方法,其特征在于,包括:
获取至少一帧样本二维图像;其中,所述至少一帧样本二维图像是从样本三维血管图像中沿与血管的延伸方向垂直的方向提取得到的,且所述样本二维图像中标注有与所述血管中的斑块对应的第一实际子区域;
利用所述检测模型对所述样本二维图像进行检测,得到所述样本二维图像中与所述血管中的斑块对应的第一预测子区域;
利用所述第一实际子区域和所述第一预测子区域的差异,调整所述检测模型的网络参数。
12.根据权利要求11所述的方法,其特征在于,所述样本三维血管图像包括多帧样本二维图像;所述利用所述检测模型对所述样本二维图像进行检测,得到所述样本二维图像中与所述血管中的斑块对应的第一预测子区域,包括:
分别将每帧所述样本二维图像作为样本待测图像,并对所述检测模型对所述样本待测图像和与所述样本待测图像间隔预设帧数内的样本二维图像进行检测,得到所述样本待测图像中的第一预测子区域。
13.根据权利要求11或12所述的方法,其特征在于,所述利用所述检测模型对所述样本二维图像进行检测,得到所述样本二维图像中与血管中的斑块对应的第一预测子区域,包括:
利用所述检测模型的第一检测子网络对所述样本二维图像进行第一检测,确定所述样本二维图像中是否存在与所述血管对应的第一预测区域;
在检测到与所述血管对应的第一预测区域的情况下,利用所述检测模型的第二检测子网络对所述样本二维图像中的第一预测区域进行第二检测,得到所述第一预测区域内的第一预测子区域。
14.一种血管图像检测装置,其特征在于,包括:
图像获取模块,用于获取待测对象的三维血管图像;
图像提取模块,用于沿与所述三维血管图像中血管的延伸方向垂直的方向,从所述三维血管图像中提取至少一帧二维图像;
区域检测模块,用于对所述二维图像进行检测,得到所述二维图像的区域检测结果,其中,所述区域检测结果包括与所述血管中的斑块对应的第一子区域。
15.一种检测模型的训练装置,其特征在于,包括:
样本获取模块,用于获取至少一帧样本二维图像;其中,所述至少一帧样本二维图像是从样本三维血管图像中沿与血管的延伸方向垂直的方向提取得到的,且所述样本二维图像中标注有与所述血管中的斑块对应的第一实际子区域;
区域检测模块,用于利用所述检测模型对所述样本二维图像进行检测,得到所述样本二维图像中与所述血管中的斑块对应的第一预测子区域;
参数调整模块,用于利用所述第一实际子区域和所述第一预测子区域的差异,调整所述检测模型的网络参数。
16.一种电子设备,其特征在于,包括相互耦接的存储器和处理器,所述处理器用于执行所述存储器中存储的程序指令,以实现权利要求1至10任一项所述的血管图像检测方法,或权利要求11至13任一项所述的检测模型的训练方法。
17.一种计算机可读存储介质,其上存储有程序指令,其特征在于,所述程序指令被处理器执行时实现权利要求1至10任一项所述的血管图像检测方法,或权利要求11至13任一项所述的检测模型的训练方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110396660.6A CN113096097A (zh) | 2021-04-13 | 2021-04-13 | 血管图像检测方法及检测模型训练方法、相关装置、设备 |
PCT/CN2021/128160 WO2022217896A1 (zh) | 2021-04-13 | 2021-11-02 | 血管图像检测方法及检测模型训练方法、相关装置、设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110396660.6A CN113096097A (zh) | 2021-04-13 | 2021-04-13 | 血管图像检测方法及检测模型训练方法、相关装置、设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113096097A true CN113096097A (zh) | 2021-07-09 |
Family
ID=76676981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110396660.6A Pending CN113096097A (zh) | 2021-04-13 | 2021-04-13 | 血管图像检测方法及检测模型训练方法、相关装置、设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113096097A (zh) |
WO (1) | WO2022217896A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419047A (zh) * | 2022-03-30 | 2022-04-29 | 中国科学院自动化研究所 | 用于确定血管形态特征的方法、装置、设备和存储介质 |
CN114972242A (zh) * | 2022-05-23 | 2022-08-30 | 北京医准智能科技有限公司 | 心肌桥检测模型的训练方法、装置及电子设备 |
WO2022217896A1 (zh) * | 2021-04-13 | 2022-10-20 | 上海商汤智能科技有限公司 | 血管图像检测方法及检测模型训练方法、相关装置、设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103462696A (zh) * | 2013-09-17 | 2013-12-25 | 浙江大学 | 一种集成血管内光相干断层扫描(oct)影像和数字减影(dsa)影像的一体化在线实时处理仪 |
CN104463830A (zh) * | 2013-09-18 | 2015-03-25 | 通用电气公司 | 血管内斑块的侦测***及方法 |
CN106447645A (zh) * | 2016-04-05 | 2017-02-22 | 天津大学 | 增强ct图像中冠脉钙化检测及量化装置和方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040228800A1 (en) * | 2003-05-15 | 2004-11-18 | Scicotec Gmbh | Non-invasive identification of patients at increased risk for myocardial infarction |
CN111862038B (zh) * | 2020-07-17 | 2024-05-14 | 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 |
CN113096097A (zh) * | 2021-04-13 | 2021-07-09 | 上海商汤智能科技有限公司 | 血管图像检测方法及检测模型训练方法、相关装置、设备 |
-
2021
- 2021-04-13 CN CN202110396660.6A patent/CN113096097A/zh active Pending
- 2021-11-02 WO PCT/CN2021/128160 patent/WO2022217896A1/zh unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103462696A (zh) * | 2013-09-17 | 2013-12-25 | 浙江大学 | 一种集成血管内光相干断层扫描(oct)影像和数字减影(dsa)影像的一体化在线实时处理仪 |
CN104463830A (zh) * | 2013-09-18 | 2015-03-25 | 通用电气公司 | 血管内斑块的侦测***及方法 |
CN106447645A (zh) * | 2016-04-05 | 2017-02-22 | 天津大学 | 增强ct图像中冠脉钙化检测及量化装置和方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022217896A1 (zh) * | 2021-04-13 | 2022-10-20 | 上海商汤智能科技有限公司 | 血管图像检测方法及检测模型训练方法、相关装置、设备 |
CN114419047A (zh) * | 2022-03-30 | 2022-04-29 | 中国科学院自动化研究所 | 用于确定血管形态特征的方法、装置、设备和存储介质 |
CN114972242A (zh) * | 2022-05-23 | 2022-08-30 | 北京医准智能科技有限公司 | 心肌桥检测模型的训练方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2022217896A1 (zh) | 2022-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113096097A (zh) | 血管图像检测方法及检测模型训练方法、相关装置、设备 | |
EP3785603B1 (en) | Machine learning-based fundus image detection method, apparatus, and system | |
US8917920B2 (en) | Image processing apparatus, image processing method, and computer program product | |
CN109447969B (zh) | 肝占位性病变识别方法、装置和实现装置 | |
US11501428B2 (en) | Method, apparatus and system for detecting fundus image based on machine learning | |
KR20200019572A (ko) | 화상 처리 장치, 화상 처리 방법 및 저장 매체 | |
CN110852997B (zh) | 动态图像清晰度检测方法、装置、电子设备及存储介质 | |
US20060050944A1 (en) | Nipple detection apparatus and program | |
JP2011513809A (ja) | バーコードに含まれている情報を読み出す方法及び装置 | |
CN113470102B (zh) | 高精度测量眼底血管弯曲度的方法、装置、介质和设备 | |
KR20210005690A (ko) | 정보 처리 장치, 정보 처리 방법, 컴퓨터 프로그램 | |
CN111738992A (zh) | 肺部病灶区域提取方法、装置、电子设备和存储介质 | |
CN114373086A (zh) | 集成模板匹配方法、装置、计算机设备及存储介质 | |
CN117115166B (zh) | 一种肾脏多期ct影像检测***及方法、电子设备 | |
CN112669293A (zh) | 图像检测方法和检测模型的训练方法及相关装置、设备 | |
CN111885371A (zh) | 图像遮挡检测方法、装置、电子设备和计算机可读介质 | |
US11915445B2 (en) | System and method for counting aquatic creatures | |
CN115242979A (zh) | 应用于血液拍摄的对焦方法及***、智能设备及存储介质 | |
CN114998283A (zh) | 一种镜头遮挡物检测方法及装置 | |
JP4151624B2 (ja) | 瞳孔検出装置、虹彩認証装置及び瞳孔検出方法 | |
KR102257998B1 (ko) | 세포 계수 장치 및 방법 | |
EP3154026A2 (en) | Image processing apparatus, control method thereof, and computer program | |
KR101334029B1 (ko) | 두경부 근육 추출 방법 및 roi분석 방법 | |
KR101763376B1 (ko) | 신뢰 기반 재귀적 깊이 영상 필터링 방법 | |
CN103955610A (zh) | 一种医学影像计算机辅助分析方法 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40050694 Country of ref document: HK |
|
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210709 |
|
RJ01 | Rejection of invention patent application after publication |