CN113222964A - 一种冠脉中心线提取模型的生成方法及装置 - Google Patents
一种冠脉中心线提取模型的生成方法及装置 Download PDFInfo
- Publication number
- CN113222964A CN113222964A CN202110587757.5A CN202110587757A CN113222964A CN 113222964 A CN113222964 A CN 113222964A CN 202110587757 A CN202110587757 A CN 202110587757A CN 113222964 A CN113222964 A CN 113222964A
- Authority
- CN
- China
- Prior art keywords
- coronary artery
- image
- coronary
- central line
- model
- 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.)
- Granted
Links
- 210000004351 coronary vessel Anatomy 0.000 title claims abstract description 272
- 238000000605 extraction Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000011218 segmentation Effects 0.000 claims abstract description 135
- 238000012549 training Methods 0.000 claims abstract description 112
- 238000002372 labelling Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 8
- 210000000709 aorta Anatomy 0.000 claims description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种冠脉中心线提取模型的生成方法及装置,方法包括:对冠脉样本图像进行分割处理,得到冠脉样本分割图像;对冠脉样本分割图像进行冠脉中心线标注,得到冠脉标注图像;获取上一次训练的冠脉中心线训练模型中的首个生成器的输出图像,将冠脉样本分割图像与输出图像输入冠脉中心线训练模型中,得到冠脉中心线预测结果图像,所述冠脉中心线训练模型包括依次相连的多个生成器;将冠脉中心线预测结果图像与对应的冠脉标注图像输入鉴别器,依据鉴别器的判定结果进行损失计算,若损失满足预先设置的损失阈值,依据满足损失阈值的冠脉中心线训练模型,得到所述冠脉中心线生成模型。可以降低冠脉中心线提取模型的复杂度。
Description
技术领域
本发明涉及医学图像分析技术领域,具体而言,涉及一种冠脉中心线提取模型的生成方法及装置。
背景技术
在医学图像分析领域,冠脉中心线的正确提取对于医学的准确诊断具有重要意义。目前,一般基于深度神经网络训练生成的冠脉中心线提取模型进行冠脉中心线提取,例如,利用三维卷积神经网络(CNN,Convolutional Neural Network)的冠脉中心线提取模型,通过学习数十万个训练样本,可以实现冠脉中心线的自动提取。但该冠脉中心线提取模型,由于CNN学习能力需要基于大样本量,对于样本量较少的冠脉,需要通过增加模型参数量保障较好的提取精度,使得构建的冠脉中心线提取模型的复杂度高,训练所需的时间较长。
发明内容
有鉴于此,本发明的目的在于提供冠脉中心线提取模型的生成方法及装置,在保障冠脉中心线提取精度的同时,降低冠脉中心线提取模型的复杂度。
第一方面,本发明实施例提供了冠脉中心线提取模型的生成方法,包括:
对冠脉样本图像进行分割处理,得到冠脉样本分割图像;
对冠脉样本分割图像进行冠脉中心线标注,得到冠脉标注图像;
获取上一次训练的冠脉中心线训练模型中的首个生成器的输出图像,将冠脉样本分割图像与输出图像输入冠脉中心线训练模型中,得到冠脉中心线预测结果图像,所述冠脉中心线训练模型包括依次相连的多个生成器;
将冠脉中心线预测结果图像与对应的冠脉标注图像输入鉴别器,依据鉴别器的判定结果进行损失计算,若损失满足预先设置的损失阈值,依据满足损失阈值的冠脉中心线训练模型,得到所述冠脉中心线生成模型。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述方法还包括:
获取满足损失阈值的冠脉中心线训练模型的首个生成器的输出图像,得到所述冠脉中心线生成模型的第一输入图像。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述方法还包括:
获取冠脉图像,对冠脉图像进行分割处理,得到冠脉分割图像;
将冠脉分割图像与所述第一输入图像输入冠脉中心线生成模型中,得到冠脉中心线结果图像。
结合第一方面的第二种可能的实施方式,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述对冠脉图像进行分割处理,得到冠脉分割图像,包括:
对冠脉图像进行一次分割,得到主动脉区域分割图像、心脏区域分割图像以及其他区域分割图像;
获取心脏区域分割图像的最小外接立方体;
对最小外接立方体进行下采样,得到冠脉分割图像。
结合第一方面的第三种可能的实施方式,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述将冠脉分割图像与所述第一输入图像输入冠脉中心线生成模型中,得到冠脉中心线结果图像,包括:
将冠脉分割图像分别输入冠脉中心线生成模型中各生成器的第二输入端,将所述第一输入图像输入冠脉中心线生成模型中首个生成器的第一输入端;
将冠脉中心线生成模型中前一个生成器的输出图像输入后一个生成器的第一输入端,得到冠脉中心线生成模型输出的冠脉中心线结果图像。
结合第一方面的第四种可能的实施方式,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述方法还包括:
对冠脉中心线生成模型输出的冠脉中心线结果图像进行上采样处理,以得到与心脏尺寸一致的冠脉中心线结果图像。
结合第一方面、第一方面的第一种可能的实施方式至第五种可能的实施方式中的任一种可能的实施方式,本发明实施例提供了第一方面的第六种可能的实施方式,其中,所述获取上一次训练的冠脉中心线训练模型中的首个生成器的输出图像,将冠脉样本分割图像与输出图像输入冠脉中心线训练模中,得到冠脉中心线预测结果图像,包括:
对于第一次训练,将冠脉样本分割图像与预先设置的冠脉中心线初始结果图像输入冠脉中心线训练模型中的第一生成器,得到冠脉中心线第一结果图像;
将冠脉样本分割图像与冠脉中心线第一结果图像输入冠脉中心线训练模型中的第二生成器,得到冠脉中心线第二结果图像;直至将冠脉样本分割图像与冠脉中心线训练模型中的倒数第二个生成器输出的冠脉中心线结果图像输入最后一个生成器,得到冠脉中心线预测结果图像;
对于其它次训练,将冠脉样本分割图像与上一次训练的冠脉中心线训练模型中的首个生成器的输出图像输入冠脉中心线训练模中,得到冠脉中心线预测结果图像。
第二方面,本发明实施例还提供了一种冠脉中心线提取模型的生成装置,包括:
分割模块,用于对冠脉样本图像进行分割处理,得到冠脉样本分割图像;
标注模块,用于对冠脉样本分割图像进行冠脉中心线标注,得到冠脉标注图像;
训练模块,用于获取上一次训练的冠脉中心线训练模型中的首个生成器的输出图像,将冠脉样本分割图像与输出图像输入冠脉中心线训练模型中,得到冠脉中心线预测结果图像,所述冠脉中心线训练模型包括依次相连的多个生成器;
收敛判断模块,用于将冠脉中心线预测结果图像与对应的冠脉标注图像输入鉴别器,依据鉴别器的判定结果进行损失计算,若损失满足预先设置的损失阈值,依据满足损失阈值的冠脉中心线训练模型,得到所述冠脉中心线生成模型。
第三方面,本申请实施例提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述的方法的步骤。
本发明实施例提供的冠脉中心线提取模型的生成方法及装置,通过对冠脉样本图像进行分割处理,得到冠脉样本分割图像;对冠脉样本分割图像进行冠脉中心线标注,得到冠脉标注图像;获取上一次训练的冠脉中心线训练模型中的首个生成器的输出图像,将冠脉样本分割图像与输出图像输入冠脉中心线训练模型中,得到冠脉中心线预测结果图像,所述冠脉中心线训练模型包括依次相连的多个生成器;将冠脉中心线预测结果图像与对应的冠脉标注图像输入鉴别器,依据鉴别器的判定结果进行损失计算,若损失满足预先设置的损失阈值,依据满足损失阈值的冠脉中心线训练模型,得到所述冠脉中心线生成模型。这样,以冠脉样本分割图像作为冠脉中心线训练模型中各生成器的第二输入数据,前一生成器的输入图像作为后一生成器的第一输入数据,依据逐步迭代、逐级优化的方式对冠脉中心线进行提取,在不增加模型参数量及保障冠脉中心线提取精度的同时,能够有效降低冠脉中心线提取模型的复杂度。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的冠脉中心线提取模型的生成方法流程示意图;
图2示出了本发明实施例所提供的冠脉中心线提取模型的生成装置结构示意图;
图3为本申请实施例提供的一种计算机设备300的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中附图,对本发明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发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有基于深度神经网络的冠脉中心线提取模型,需要通过学习数十万个训练样本来保障冠脉中心线的提取精度,在训练样本量较少的情况下,自动提取的冠脉中心线的精度不高,若需保障冠脉中心线的提取精度,需要增加模型参数量,使得冠脉中心线提取模型的复杂度高,训练所需的时间较长。本发明实施例中,基于冠脉图像的分割结果,使用生成对抗网络(GAN,Generative Adversarial Network),在不增加模型参数量的情况下,对冠脉中心线提取进行迭代优化,从而在训练样本量较少的情况下,能够在保障冠脉中心线提取精度的情形下,有效降低冠脉中心线提取模型的复杂度。
本发明实施例提供了一种冠脉中心线提取模型的生成方法及装置,下面通过实施例进行描述。
图1示出了本发明实施例所提供的冠脉中心线提取模型的生成方法流程示意图。如图1所示,该方法包括:
步骤101,对冠脉样本图像进行分割处理,得到冠脉样本分割图像;
本发明实施例中,作为一可选实施例,冠脉样本图像可以是医学数字成像和通信(DICOM,Digital Imaging and Communications in Medicine)图像。
本发明实施例中,作为一可选实施例,通过基于深度学习方法实现冠脉样本图像的分割,例如,利用UNet、3DUnet或VNet对DICOM图像进行分割,得到冠脉样本分割图像。
本发明实施例中,作为一可选实施例,对冠脉样本图像进行分割处理,得到冠脉样本分割图像,包括:
对冠脉样本图像进行一次分割,得到主动脉区域分割图像、心脏区域分割图像以及其他区域分割图像;
获取心脏区域分割图像的最小外接立方体,得到冠脉样本分割图像。
本发明实施例中,通过查找心脏区域分割图像的最小坐标(Xmin,Ymin,Zmin)和最大坐标(Xmax,Ymax,Zmax),该最小坐标和最大坐标构成最小外接立方体,该最小外接立方体为冠脉样本分割图像。
本发明实施例中,作为另一可选实施例,为了降低训练量,训练效率,在所述获取心脏区域分割图像的最小外接立方体之后,得到冠脉样本分割图像之前,该方法还包括:
对最小外接立方体进行下采样以得到冠脉样本分割图像。
本发明实施例中,作为一可选实施例,冠脉样本分割图像为对冠脉样本图像进行掩膜(Mask)分割处理得到的二值掩膜图像,其中,二值掩膜图像中,像素值为0的像素点为背景像素点,像素值为1的像素点为冠脉区域像素点。
本发明实施例中,为了避免样本数据使后续得到的冠脉中心线提取模型过拟合,以及,扩展输入的样本数据量,作为一可选实施例,该方法还包括:
对冠脉样本图像进行数据增强处理,以扩展冠脉样本图像的数量。
本发明实施例中,作为一可选实施例,数据增强处理包括但不限于:旋转、翻转。
步骤102,对冠脉样本分割图像进行冠脉中心线标注,得到冠脉标注图像;
本发明实施例中,冠脉标注图像为表征真值的地面实况(GroundTruth)图像。其中,地面实况(GroundTruth)图像用于作为评价后续预测结果的依据,在冠脉中心线提取的训练过程中,利用GroundTruth图像,可以引导预测结果朝预期方向优化,降低所需的样本量。作为另一可选实施例,也可以是对冠脉样本图像进行标注,得到多个冠脉标注图像,并对冠脉样本分割图像进行尺寸一致处理,使得尺寸一致处理后的冠脉样本分割图像,大小与冠脉标注图像相同,构建冠脉样本分割图像与冠脉标注图像的一一映射关系。
步骤103,获取上一次训练的冠脉中心线训练模型中的首个生成器的输出图像,将冠脉样本分割图像与输出图像输入冠脉中心线训练模型中,得到冠脉中心线预测结果图像,所述冠脉中心线训练模型包括依次相连的多个生成器;
本发明实施例中,对于第一次训练过程,由于第一生成器需要依据冠脉中心线结果图像与冠脉样本分割图像进行运算,以得到用于下一生成器的冠脉中心线结果图像,因而,预先设置一冠脉中心线初始结果图像,该冠脉中心线初始结果图像为一每个体素都是0.1的、与冠脉样本分割图像的尺寸相同的块,这样,通过将冠脉样本分割图像与预先设置的冠脉中心线初始结果图像进行串接,送入冠脉中心线训练模型中,得到预测的冠脉中心线预测结果图像。
本发明实施例中,冠脉中心线训练模型包括依序相连的多个生成器,每一生成器根据输入的冠脉样本分割图像与冠脉中心线结果图像,进行预测,并将预测结果输出至下一生成器。
本发明实施例中,作为一可选实施例,获取上一次训练的冠脉中心线训练模型中的首个生成器的输出图像,将冠脉样本分割图像与输出图像输入冠脉中心线训练模中,得到冠脉中心线预测结果图像,包括:
对于第一次训练,将冠脉样本分割图像与预先设置的冠脉中心线初始结果图像输入冠脉中心线训练模型中的第一生成器,得到冠脉中心线第一结果图像;
将冠脉样本分割图像与冠脉中心线第一结果图像输入冠脉中心线训练模型中的第二生成器,得到冠脉中心线第二结果图像;直至将冠脉样本分割图像与冠脉中心线训练模型中的倒数第二个生成器输出的冠脉中心线结果图像输入最后一个生成器,得到冠脉中心线预测结果图像。
本发明实施例中,在一次训练过程中,每一生成器输入的脉样本分割图像均相同,输入的冠脉中心线结果图像是上一生成器输出的冠脉中心线结果图像,从而使得依序相连的生成器逐渐优化冠脉中心线结果图像。
本发明实施例中,多个生成器的结构相同,在一次训练过程中,各生成器的网络参数相同,不同的是输出的冠脉中心线结果图像。
本发明实施例中,将上一生成器输出的冠脉中心线结果图像与冠脉样本分割图像进行串接,送入下一生成器,如此循环,例如,经过N轮生成器的循环操作,逐步优化冠脉中心线结果图像,最后得到冠脉中心线预测结果图像;
对于其它次训练,将冠脉样本分割图像与上一次训练的冠脉中心线训练模型中的首个生成器的输出图像输入冠脉中心线训练模中,得到冠脉中心线预测结果图像。
本发明实施例中,对于第二次训练,将冠脉样本分割图像与第一次训练得到的冠脉中心线第一结果图像进行串接,输入第一生成器,后续各生成器的处理与第一次训练对应生成器的处理相同。
本发明实施例中,生成器可根据需要进行设置,包括但不限于:3DUnet、VNet等。
步骤104,将冠脉中心线预测结果图像与对应的冠脉标注图像输入鉴别器,依据鉴别器的判定结果进行损失计算,若损失满足预先设置的损失阈值,依据满足损失阈值的冠脉中心线训练模型,得到所述冠脉中心线生成模型。
本发明实施例中,将最后一生成器输出的冠脉中心线预测结果图像与对应的地面实况(GroundTruth)图像送入鉴别器,该对应的地面实况图像为对输入的冠脉样本分割图像进行冠脉中心线标注得到得冠脉标注图像。
本发明实施例中,鉴别器为一二分类器网络,将标记好的GroundTruth图像和生成器预测的冠脉中心线预测结果图像送入判别器,当鉴别器无法判断冠脉中心线预测结果图像和GroundTruth图像的区别时,表明冠脉中心线训练模型中各生成器的训练达到预期,将该冠脉中心线训练模型作为冠脉中心线提取模型。
本发明实施例中,鉴别器依据冠脉中心线预测结果图像以及GroundTruth图像,计算损失,当损失大于预先设置的损失阈值时,在一次迭代过程中,通过反向传播对生成器和鉴别器进行参数优化训练,从而优化生成的冠脉中心线结果图像,并将经过参数优化训练的第一生成器(首个生成器)输出的输出图像(冠脉中心线第一结果图像),作为上一次训练的冠脉中心线训练模型中的首个生成器的输出图像。
如果损失小于或等于预先设置的损失阈值,表明冠脉中心线训练模型训练收敛,得到冠脉中心线提取模型。
本发明实施例中,通过损失函数的超参数计算损失,从而控制损失。作为一可选实施例,后一生成器的权重大于前一生成器的权重。这样,每经过一次生成器的训练,输出的冠脉中心线结果精度就会越高。
本发明实施例中,冠脉中心线训练模型中各生成器组成递归网络,递归网络中的各生成器的参数相同,从而通过递归方式提升冠脉中心线提取模型的冠脉中心线提取精度。
本发明实施例中,作为一可选实施例,利用下式获取鉴别器的损失(对抗损失):
其中,
x为冠脉样本分割图像;
G(x)为冠脉中心线训练模型输出的冠脉中心线预测结果图像;
y为冠脉样本分割图像对应的冠脉样本标注图像;
E()为期望运算。
本发明实施例中,在对冠脉中心线训练模型进行训练时,以冠脉样本分割图像作为冠脉中心线训练模型中各生成器的第二输入数据,前一生成器的输入图像作为后一生成器的第一输入数据,各生成器共享模型参数,依据逐步迭代、逐级优化的方式,对冠脉中心线进行提取,由于采用相同模型参数共享以及迭代优化的方式,在不增加模型参数量的情况下进行迭代优化,能够有效地利用冠脉样本分割图像的全局信息,可以得到较好的冠脉中心线提取结果,有效节省图形处理器(GPU,Graphics Processing Unit)内存,并能保障较好的中心线提取效果,准确性较高;进一步地,利用损失函数进行对抗性损失计算,依据损失反向传播对模型参数进行优化训练,进一步提升冠脉中心线提取的泛化能力。
本发明实施例中,作为一可选实施例,该方法还包括:
获取满足损失阈值的冠脉中心线训练模型的首个生成器的输出图像,得到所述冠脉中心线生成模型的第一输入图像。
本发明实施例中,作为另一可选实施例,该方法还包括:
A11,获取冠脉图像,对冠脉图像进行分割处理,得到冠脉分割图像;
本发明实施例中,作为一可选实施例,冠脉图像为DICOM图像,每一DICOM图像对应一个或多个冠脉分割图像。
本发明实施例中,也可以对冠脉图像进行一次分割,得到主动脉区域分割图像、心脏区域分割图像以及其他区域分割图像,获取心脏区域分割图像的最小外接立方体,对最小外接立方体进行下采样,得到冠脉分割图像。
A12,将冠脉分割图像与所述第一输入图像输入冠脉中心线生成模型中,得到冠脉中心线结果图像。
本发明实施例中,作为一可选实施例,将冠脉分割图像与所述第一输入图像输入冠脉中心线生成模型中,得到冠脉中心线结果图像,包括:
将冠脉分割图像分别输入冠脉中心线生成模型中各生成器的第二输入端,将所述第一输入图像输入冠脉中心线生成模型中首个生成器的第一输入端;
将冠脉中心线生成模型中前一个生成器的输出图像输入后一个生成器的第一输入端,得到冠脉中心线生成模型输出的冠脉中心线结果图像。
本发明实施例中,作为一可选实施例,冠脉中心线生成模型输出的冠脉中心线结果图像为最终的冠脉中心线结果图像。作为另一可选实施例,对于前述对最小外接立方体进行下采样以降低运算量的情形,为了得到与心脏尺寸一致的冠脉中心线结果图像,作为一可选实施例,该方法还包括:
对冠脉中心线生成模型输出的冠脉中心线结果图像进行上采样处理,以得到与心脏尺寸一致的冠脉中心线结果图像。
本发明实施例中,进行上采样处理得到的冠脉中心线结果图像为最终的冠脉中心线结果图像。
图2示出了本发明实施例所提供的冠脉中心线提取模型的生成装置结构示意图。如图2所示,该装置包括:
分割模块201,用于对冠脉样本图像进行分割处理,得到冠脉样本分割图像;
本发明实施例中,冠脉样本图像为DICOM图像。通过基于深度学习方法实现冠脉样本图像的分割,冠脉样本分割图像中,像素值为0的像素点为背景像素点,像素值为1的像素点为冠脉区域像素点。
本发明实施例中,作为一可选实施例,分割模块201具体用于:
对冠脉样本图像进行一次分割,得到主动脉区域分割图像、心脏区域分割图像以及其他区域分割图像;
获取心脏区域分割图像的最小外接立方体,得到冠脉样本分割图像。
标注模块202,用于对冠脉样本分割图像进行冠脉中心线标注,得到冠脉标注图像;
训练模块203,用于获取上一次训练的冠脉中心线训练模型中的首个生成器的输出图像,将冠脉样本分割图像与输出图像输入冠脉中心线训练模型中,得到冠脉中心线预测结果图像,所述冠脉中心线训练模型包括依次相连的多个生成器;
本发明实施例中,多个生成器的结构相同,模型参数(网络参数)相同。
本发明实施例中,作为一可选实施例,训练模块203包括:
判断单元(图中未示出),用于判断对冠脉中心线训练模型的训练是否是第一次训练,如果是,通知首次训练单元,否则,通知其它次训练单元;
首次训练单元,用于将冠脉样本分割图像与预先设置的冠脉中心线初始结果图像输入冠脉中心线训练模型中的第一生成器,得到冠脉中心线第一结果图像;将冠脉样本分割图像与冠脉中心线第一结果图像输入冠脉中心线训练模型中的第二生成器,得到冠脉中心线第二结果图像;直至将冠脉样本分割图像与冠脉中心线训练模型中的倒数第二个生成器输出的冠脉中心线结果图像输入最后一个生成器,得到冠脉中心线预测结果图像;
其它次训练单元,用于将冠脉样本分割图像与上一次训练的冠脉中心线训练模型中的首个生成器的输出图像输入冠脉中心线训练模中,得到冠脉中心线预测结果图像。
收敛判断模块204,用于将冠脉中心线预测结果图像与对应的冠脉标注图像输入鉴别器,依据鉴别器的判定结果进行损失计算,若损失满足预先设置的损失阈值,依据满足损失阈值的冠脉中心线训练模型,得到所述冠脉中心线生成模型。
本发明实施例中,鉴别器依据冠脉中心线预测结果图像以及GroundTruth图像,计算损失,当损失大于预先设置的损失阈值时,通过反向传播对生成器和鉴别器进行参数优化,并将经过参数优化训练的首个生成器输出的输出图像,作为上一次训练的冠脉中心线训练模型中的首个生成器的输出图像。
本发明实施例中,作为一可选实施例,该装置还包括:
更新模块(图中未示出),用于获取满足损失阈值的冠脉中心线训练模型的首个生成器的输出图像,得到所述冠脉中心线生成模型的第一输入图像。
本发明实施例中,作为另一可选实施例,该装置还包括:
冠脉中心线提取模块,用于获取冠脉图像,对冠脉图像进行分割处理,得到冠脉分割图像;将冠脉分割图像与所述第一输入图像输入冠脉中心线生成模型中,得到冠脉中心线结果图像。
本发明实施例中,作为一可选实施例,冠脉中心线提取模块包括:
分割单元,用于对冠脉图像进行一次分割,得到主动脉区域分割图像、心脏区域分割图像以及其他区域分割图像;
截取单元,用于获取心脏区域分割图像的最小外接立方体;
下采样单元,用于对最小外接立方体进行下采样,得到冠脉分割图像;
冠脉中心线提取单元,用于将冠脉分割图像与所述第一输入图像输入冠脉中心线生成模型中,得到冠脉中心线结果图像。
本发明实施例中,作为一可选实施例,冠脉中心线提取单元具体用于:
将冠脉分割图像分别输入冠脉中心线生成模型中各生成器的第二输入端,将所述第一输入图像输入冠脉中心线生成模型中首个生成器的第一输入端;
将冠脉中心线生成模型中前一个生成器的输出图像输入后一个生成器的第一输入端,得到冠脉中心线生成模型输出的冠脉中心线结果图像。
本发明实施例中,作为另一可选实施例,冠脉中心线提取模块还包括:
上采样单元,用于对冠脉中心线生成模型输出的冠脉中心线结果图像进行上采样处理,以得到与心脏尺寸一致的冠脉中心线结果图像。
如图3所示,本申请一实施例提供了一种计算机设备300,用于执行图1中的冠脉中心线提取模型的生成方法,该设备包括存储器301、处理器302及存储在该存储器301上并可在该处理器302上运行的计算机程序,其中,上述处理器302执行上述计算机程序时实现上述冠脉中心线提取模型的生成方法的步骤。
具体地,上述存储器301和处理器302能够为通用的存储器和处理器,这里不做具体限定,当处理器302运行存储器301存储的计算机程序时,能够执行上述冠脉中心线提取模型的生成方法。
对应于图1中的冠脉中心线提取模型的生成方法,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述冠脉中心线提取模型的生成方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述冠脉中心线提取模型的生成方法。
在本申请所提供的实施例中,应该理解到,所揭露***和方法,可以通过其它的方式实现。以上所描述的***实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,多个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通信接口,***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。
所述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,或者也可以分布到多个网络单元上。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例方案的目的。
另外,在本申请提供的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。
所述功能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)执行本申请各个实施例所述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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种冠脉中心线提取模型的生成方法,其特征在于,包括:
对冠脉样本图像进行分割处理,得到冠脉样本分割图像;
对冠脉样本分割图像进行冠脉中心线标注,得到冠脉标注图像;
获取上一次训练的冠脉中心线训练模型中的首个生成器的输出图像,将冠脉样本分割图像与输出图像输入冠脉中心线训练模型中,得到冠脉中心线预测结果图像,所述冠脉中心线训练模型包括依次相连的多个生成器;
将冠脉中心线预测结果图像与对应的冠脉标注图像输入鉴别器,依据鉴别器的判定结果进行损失计算,若损失满足预先设置的损失阈值,依据满足损失阈值的冠脉中心线训练模型,得到所述冠脉中心线生成模型。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取满足损失阈值的冠脉中心线训练模型的首个生成器的输出图像,得到所述冠脉中心线生成模型的第一输入图像。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取冠脉图像,对冠脉图像进行分割处理,得到冠脉分割图像;
将冠脉分割图像与所述第一输入图像输入冠脉中心线生成模型中,得到冠脉中心线结果图像。
4.根据权利要求3所述的方法,其特征在于,所述对冠脉图像进行分割处理,得到冠脉分割图像,包括:
对冠脉图像进行一次分割,得到主动脉区域分割图像、心脏区域分割图像以及其他区域分割图像;
获取心脏区域分割图像的最小外接立方体;
对最小外接立方体进行下采样,得到冠脉分割图像。
5.根据权利要求4所述的方法,其特征在于,所述将冠脉分割图像与所述第一输入图像输入冠脉中心线生成模型中,得到冠脉中心线结果图像,包括:
将冠脉分割图像分别输入冠脉中心线生成模型中各生成器的第二输入端,将所述第一输入图像输入冠脉中心线生成模型中首个生成器的第一输入端;
将冠脉中心线生成模型中前一个生成器的输出图像输入后一个生成器的第一输入端,得到冠脉中心线生成模型输出的冠脉中心线结果图像。
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:
对冠脉中心线生成模型输出的冠脉中心线结果图像进行上采样处理,以得到与心脏尺寸一致的冠脉中心线结果图像。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述获取上一次训练的冠脉中心线训练模型中的首个生成器的输出图像,将冠脉样本分割图像与输出图像输入冠脉中心线训练模中,得到冠脉中心线预测结果图像,包括:
对于第一次训练,将冠脉样本分割图像与预先设置的冠脉中心线初始结果图像输入冠脉中心线训练模型中的第一生成器,得到冠脉中心线第一结果图像;
将冠脉样本分割图像与冠脉中心线第一结果图像输入冠脉中心线训练模型中的第二生成器,得到冠脉中心线第二结果图像;直至将冠脉样本分割图像与冠脉中心线训练模型中的倒数第二个生成器输出的冠脉中心线结果图像输入最后一个生成器,得到冠脉中心线预测结果图像;
对于其它次训练,将冠脉样本分割图像与上一次训练的冠脉中心线训练模型中的首个生成器的输出图像输入冠脉中心线训练模中,得到冠脉中心线预测结果图像。
8.一种冠脉中心线提取模型的生成装置,其特征在于,包括:
分割模块,用于对冠脉样本图像进行分割处理,得到冠脉样本分割图像;
标注模块,用于对冠脉样本分割图像进行冠脉中心线标注,得到冠脉标注图像;
训练模块,用于获取上一次训练的冠脉中心线训练模型中的首个生成器的输出图像,将冠脉样本分割图像与输出图像输入冠脉中心线训练模型中,得到冠脉中心线预测结果图像,所述冠脉中心线训练模型包括依次相连的多个生成器;
收敛判断模块,用于将冠脉中心线预测结果图像与对应的冠脉标注图像输入鉴别器,依据鉴别器的判定结果进行损失计算,若损失满足预先设置的损失阈值,依据满足损失阈值的冠脉中心线训练模型,得到所述冠脉中心线生成模型。
9.一种计算机设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的冠脉中心线提取模型的生成方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至7任一所述的冠脉中心线提取模型的生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110587757.5A CN113222964B (zh) | 2021-05-27 | 2021-05-27 | 一种冠脉中心线提取模型的生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110587757.5A CN113222964B (zh) | 2021-05-27 | 2021-05-27 | 一种冠脉中心线提取模型的生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113222964A true CN113222964A (zh) | 2021-08-06 |
CN113222964B CN113222964B (zh) | 2021-11-12 |
Family
ID=77098986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110587757.5A Active CN113222964B (zh) | 2021-05-27 | 2021-05-27 | 一种冠脉中心线提取模型的生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222964B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744272A (zh) * | 2021-11-08 | 2021-12-03 | 四川大学 | 一种基于深度神经网络的脑动脉自动勾画方法 |
CN114782366A (zh) * | 2022-04-22 | 2022-07-22 | 推想医疗科技股份有限公司 | 心脏支架检测方法和装置、存储介质和电子设备 |
CN115588012A (zh) * | 2022-12-13 | 2023-01-10 | 四川大学 | 一种盆骨动脉血管分割方法、***、存储介质及终端 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170262981A1 (en) * | 2016-03-10 | 2017-09-14 | Siemens Healthcare Gmbh | Method and System for Machine Learning Based Estimation of Anisotropic Vessel Orientation Tensor |
CN107968962A (zh) * | 2017-12-12 | 2018-04-27 | 华中科技大学 | 一种基于深度学习的两帧不相邻图像的视频生成方法 |
CN108615251A (zh) * | 2018-04-04 | 2018-10-02 | 语坤(北京)网络科技有限公司 | 一种线条样本增强方法及应用其的冠脉样本增强方法 |
CN109410267A (zh) * | 2018-09-30 | 2019-03-01 | 数坤(北京)网络科技有限公司 | 一种冠脉分割评估方法及*** |
US20190365336A1 (en) * | 2018-05-29 | 2019-12-05 | Wisconsin Alumni Research Foundation | Methods and systems for determining vascular velocity using ct imaging |
CN110689048A (zh) * | 2019-09-02 | 2020-01-14 | 阿里巴巴集团控股有限公司 | 用于样本分类的神经网络模型的训练方法和装置 |
CN110998744A (zh) * | 2017-08-01 | 2020-04-10 | 西门子医疗有限公司 | 针对弥漫性和串联性病变中冠状动脉疾病的非侵入性评估和治疗指导 |
CN111145173A (zh) * | 2019-12-31 | 2020-05-12 | 上海联影医疗科技有限公司 | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 |
CN111145200A (zh) * | 2019-11-13 | 2020-05-12 | 西北大学 | 结合卷积神经网络与循环神经网络的血管中心线追踪方法 |
CN111312374A (zh) * | 2020-01-21 | 2020-06-19 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
CN111429438A (zh) * | 2020-03-30 | 2020-07-17 | 中国科学院深圳先进技术研究院 | 血管中心线、心脏冠脉树的提取方法、设备及存储介质 |
CN111612743A (zh) * | 2020-04-24 | 2020-09-01 | 杭州电子科技大学 | 一种基于ct图像的冠状动脉中心线提取方法 |
CN111626313A (zh) * | 2019-02-28 | 2020-09-04 | 银河水滴科技(北京)有限公司 | 一种特征提取模型训练方法、图像处理方法及装置 |
CN111768411A (zh) * | 2020-05-29 | 2020-10-13 | 深圳睿心智能医疗科技有限公司 | 冠脉中心线提取方法、装置、计算机设备和存储介质 |
CN111797665A (zh) * | 2019-08-21 | 2020-10-20 | 北京沃东天骏信息技术有限公司 | 用于转换视频的方法和装置 |
CN112308038A (zh) * | 2020-11-25 | 2021-02-02 | 哈尔滨工业大学 | 基于课堂式生成对抗网络模型的机械设备故障信号识别方法 |
CN112446911A (zh) * | 2019-08-29 | 2021-03-05 | 阿里巴巴集团控股有限公司 | 中心线提取、界面交互与模型训练方法、***及设备 |
CN112700366A (zh) * | 2021-01-04 | 2021-04-23 | 北京工业大学 | 一种基于ivus图像的血管伪彩图像重建方法 |
-
2021
- 2021-05-27 CN CN202110587757.5A patent/CN113222964B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170262981A1 (en) * | 2016-03-10 | 2017-09-14 | Siemens Healthcare Gmbh | Method and System for Machine Learning Based Estimation of Anisotropic Vessel Orientation Tensor |
CN110998744A (zh) * | 2017-08-01 | 2020-04-10 | 西门子医疗有限公司 | 针对弥漫性和串联性病变中冠状动脉疾病的非侵入性评估和治疗指导 |
CN107968962A (zh) * | 2017-12-12 | 2018-04-27 | 华中科技大学 | 一种基于深度学习的两帧不相邻图像的视频生成方法 |
CN108615251A (zh) * | 2018-04-04 | 2018-10-02 | 语坤(北京)网络科技有限公司 | 一种线条样本增强方法及应用其的冠脉样本增强方法 |
US20190365336A1 (en) * | 2018-05-29 | 2019-12-05 | Wisconsin Alumni Research Foundation | Methods and systems for determining vascular velocity using ct imaging |
CN109410267A (zh) * | 2018-09-30 | 2019-03-01 | 数坤(北京)网络科技有限公司 | 一种冠脉分割评估方法及*** |
CN111626313A (zh) * | 2019-02-28 | 2020-09-04 | 银河水滴科技(北京)有限公司 | 一种特征提取模型训练方法、图像处理方法及装置 |
CN111797665A (zh) * | 2019-08-21 | 2020-10-20 | 北京沃东天骏信息技术有限公司 | 用于转换视频的方法和装置 |
CN112446911A (zh) * | 2019-08-29 | 2021-03-05 | 阿里巴巴集团控股有限公司 | 中心线提取、界面交互与模型训练方法、***及设备 |
CN110689048A (zh) * | 2019-09-02 | 2020-01-14 | 阿里巴巴集团控股有限公司 | 用于样本分类的神经网络模型的训练方法和装置 |
CN111145200A (zh) * | 2019-11-13 | 2020-05-12 | 西北大学 | 结合卷积神经网络与循环神经网络的血管中心线追踪方法 |
CN111145173A (zh) * | 2019-12-31 | 2020-05-12 | 上海联影医疗科技有限公司 | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 |
CN111312374A (zh) * | 2020-01-21 | 2020-06-19 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
CN111429438A (zh) * | 2020-03-30 | 2020-07-17 | 中国科学院深圳先进技术研究院 | 血管中心线、心脏冠脉树的提取方法、设备及存储介质 |
CN111612743A (zh) * | 2020-04-24 | 2020-09-01 | 杭州电子科技大学 | 一种基于ct图像的冠状动脉中心线提取方法 |
CN111768411A (zh) * | 2020-05-29 | 2020-10-13 | 深圳睿心智能医疗科技有限公司 | 冠脉中心线提取方法、装置、计算机设备和存储介质 |
CN112308038A (zh) * | 2020-11-25 | 2021-02-02 | 哈尔滨工业大学 | 基于课堂式生成对抗网络模型的机械设备故障信号识别方法 |
CN112700366A (zh) * | 2021-01-04 | 2021-04-23 | 北京工业大学 | 一种基于ivus图像的血管伪彩图像重建方法 |
Non-Patent Citations (6)
Title |
---|
JELMER M.等: ""Coronary artery centerline extraction in cardiac CT angiography using a CNN-based orientation classifier"", 《MEDICAL IMAGE ANALYSIS》 * |
MORTEZA MARDANI等: ""Recurrent Generative Residual Networks for Proximal Learning and Automated Compressive Image Recovery"", 《ARXIV》 * |
REMUS BRAD等: ""Coronary Centerline Extraction from CCTA Using 3D-UNet"", 《FUTURE INTERNET》 * |
商汤科技: ""AI+医疗"探索"联邦学习"", 《张江科技评论》 * |
李力等: ""人工智能研究的新前线"", 《自动化学报》 * |
陈俊周等: ""基于级联生成对抗网络的人脸图像修复"", 《电子科技大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744272A (zh) * | 2021-11-08 | 2021-12-03 | 四川大学 | 一种基于深度神经网络的脑动脉自动勾画方法 |
CN114782366A (zh) * | 2022-04-22 | 2022-07-22 | 推想医疗科技股份有限公司 | 心脏支架检测方法和装置、存储介质和电子设备 |
CN114782366B (zh) * | 2022-04-22 | 2023-08-22 | 推想医疗科技股份有限公司 | 心脏支架检测方法和装置、存储介质和电子设备 |
CN115588012A (zh) * | 2022-12-13 | 2023-01-10 | 四川大学 | 一种盆骨动脉血管分割方法、***、存储介质及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN113222964B (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113222964B (zh) | 一种冠脉中心线提取模型的生成方法及装置 | |
CA3091035C (en) | Systems and methods for polygon object annotation and a method of training an object annotation system | |
EP3111422B1 (en) | System and method for auto-contouring in adaptive radiotherapy | |
CN110197492A (zh) | 一种心脏mri左心室分割方法及*** | |
CN111080592B (zh) | 一种基于深度学习的肋骨提取方法及装置 | |
CN111932552B (zh) | 一种主动脉建模的方法及装置 | |
CN114067057A (zh) | 一种基于注意力机制的人体重建方法、模型、装置 | |
CN113222123A (zh) | 模型训练方法、装置、设备及计算机存储介质 | |
CN113870215B (zh) | 中线提取方法及装置 | |
CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN115147426A (zh) | 基于半监督学习的模型训练与图像分割方法和*** | |
CN112381824B (zh) | 一种对图像的几何特征进行提取的方法和相关产品 | |
CN111797737A (zh) | 遥感目标检测方法及装置 | |
CN116229066A (zh) | 人像分割模型的训练方法及相关装置 | |
CN112508776B (zh) | 动作迁移方法、装置和电子设备 | |
CN113066165B (zh) | 多阶段无监督学习的三维重建方法、装置和电子设备 | |
CN113033263B (zh) | 一种人脸图像年龄特征识别方法 | |
CN113487575B (zh) | 用于训练医学影像检测模型的方法及装置、设备、可读存储介质 | |
CN113469172B (zh) | 目标定位、模型训练、界面交互方法及设备 | |
CN116306673B (zh) | 一种文本特征提取方法与***、电子设备、介质 | |
CN110223249B (zh) | 基于模糊聚类的土壤孔隙三维分割方法及*** | |
CN115063299B (zh) | 一种图像预处理方法、装置、电子设备以及存储介质 | |
CN113506232A (zh) | 图像生成方法、装置、电子设备以及存储介质 | |
CN117911318A (zh) | 确定图像参数的方法、装置、电子设备及存储介质 | |
CN117974745A (zh) | 一种基于神经网络辐射场的冠脉造影的三维重建方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |