CN113469963A - 肺动脉图像分割方法及装置 - Google Patents

肺动脉图像分割方法及装置 Download PDF

Info

Publication number
CN113469963A
CN113469963A CN202110706289.9A CN202110706289A CN113469963A CN 113469963 A CN113469963 A CN 113469963A CN 202110706289 A CN202110706289 A CN 202110706289A CN 113469963 A CN113469963 A CN 113469963A
Authority
CN
China
Prior art keywords
image
segmentation
pulmonary artery
edge
preset
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
Application number
CN202110706289.9A
Other languages
English (en)
Other versions
CN113469963B (zh
Inventor
孙岩峰
韦人
邹彤
于荣震
张欢
王瑜
王少康
陈宽
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.)
Infervision Medical Technology Co Ltd
Original Assignee
Infervision Medical Technology Co Ltd
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 Infervision Medical Technology Co Ltd filed Critical Infervision Medical Technology Co Ltd
Priority to CN202110706289.9A priority Critical patent/CN113469963B/zh
Publication of CN113469963A publication Critical patent/CN113469963A/zh
Application granted granted Critical
Publication of CN113469963B publication Critical patent/CN113469963B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N20/00—Machine learning
    • 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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/20084—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
    • G06T2207/30061—Lung
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种肺动脉图像分割方法及装置，该肺动脉图像分割方法包括：将图像数据输入具有自注意力蒸馏SAD机制的分割模型中，以获取初始分割图像，其中分割模型设置有预设边缘权重，预设边缘权重引导分割模型对图像数据的边缘区域进行分割；对初始分割图像中的连通域进行筛选，以获得最终分割图像。本申请通过在分割模型中引入自注意力蒸馏机制，以及对边缘区域施加较高的权重值，迫使模型强化边缘区域的分割效果，增强边缘区域的分割精度。

Description

肺动脉图像分割方法及装置
技术领域
本申请涉及深度学习技术领域，具体涉及一种肺动脉图像分割方法及装置。
背景技术
目前，肺动脉高压的判定方式，主要是依据医学影像(例如胸部CT影像)中肺动脉干直径和主动脉干直径的长度。其中，当测量的肺动脉干直径大于等于29mm，或肺动脉干直径和主动脉干直径的比值大于1时，可以预测肺动脉高压。由于判定是基于肺动脉干直径和主动脉干直径，因此确定肺动脉和主动脉的边缘尤为重要。在现有技术中，对肺动脉和主动脉的分割，主要是针对医学影像的整体进行分割，其分割结果更侧重对肺动脉和主动脉的整体分割，使得肺动脉和主动脉的边缘分割精确度较低。
鉴于此，如何提高肺动脉和主动脉的边缘分割精度，成为亟需解决的技术问题。
发明内容
有鉴于此，本申请实施例提供了一种肺动脉图像分割方法及装置，能够提高肺动脉图像中的对肺动脉和主动脉血管边缘的分割精度。
第一方面，本申请的实施例提供了一种肺动脉图像分割方法，包括：将图像数据输入具有自注意力蒸馏SAD机制的分割模型中，以获取初始分割图像，其中分割模型设置有预设边缘权重，预设边缘权重引导分割模型对图像数据的边缘区域进行分割；对初始分割图像中的连通域进行筛选，以获得最终分割图像。
在本申请某些实施例中，初始分割图像包括血管分割图像，将图像数据输入具有自注意力蒸馏SAD机制的分割模型中，以获取初始分割图像包括：将图像数据输入具有SAD机制的分割模型中，通过SAD机制获得空间维度上的空间边缘注意力特征；将空间边缘注意力特征融入分割模型的采样阶段，获得图像数据的血管图像特征；根据血管图像特征对图像数据中的区域进行标记，以获得血管分割图像。
在本申请某些实施例中，将图像数据输入分割模型中，通过SAD机制获得空间维度上的空间边缘注意力特征包括：通过具有SAD机制的分割模型中的多个卷积层，提取图像数据中的血管特征集合；将血管特征集合在空间维度上学习自注意力矩阵，获得空间边缘注意力特征。
在本申请某些实施例中，分割模型设置有预设边缘权重，以引导分割模型对图像数据的边缘区域进行分割包括：标注样本图像数据中的肺动脉和主动脉，并通过形态学操作，获取肺动脉和主动脉的边缘分割图像；根据边缘分割图像确定边缘区域中各像素点的预设边缘权值，其中边缘区域的预设边缘权重高于非边缘区域的权重；根据预设边缘权重对分割网络进行参数调整，得到分割模型。
在本申请某些实施例中，根据边缘分割图像确定边缘区域中各像素点的预设边缘权值包括：将边缘区域的像素值的权重设定为第一预设权重；以及通过focalloss函数计算边缘区域的第二预设权重；将第一预设权重与第二预设权重相和，以确定预设边缘权重。
在本申请某些实施例中，将初始分割图像中的连通域进行筛选，以获得最终分割图像包括：将初始分割图像中的连通域划分为多个第一肺动脉连通域、多个第一主动脉连通域以及多个第一分叉点连通域；将多个第一肺动脉连通域中连通面积小于第一预设面积的丢弃，以获得多个第二肺动脉连通域；将多个第一主动脉连通域中连通面积小于第二预设面积的丢弃，以获得多个第二主动脉连通域；将多个第一分叉点连通域中连通面积小于第三预设面积的丢弃，以获得多个第二分叉点连通域；基于多个第二肺动脉连通域的中点、多个第二主动脉连通域的中点和多个第二分叉点连通域的中点，确定最终分割图像。
在本申请某些实施例中，基于多个第二肺动脉连通域的中点、多个第二主动脉连通域的中点和多个第二分叉点连通域的中点，确定最终分割图像包括：将每个第二肺动脉连通域的中点与每个第二分叉点连通域的中点进行距离计算，确定最小距离对应的第二肺动脉连通域和第二分叉点连通域；将最小距离对应的第二分叉点连通域的中点与每个第二主动脉连通域的中点进行距离计算，确定最小距离的第二主动脉连通域；将最小距离的第二肺动脉连通域、最小距离的第二分叉点连通域以及最小距离的第二主动脉连通域合并输出，以确定最终分割图像。
在本申请某些实施例中，在将肺动脉图像输入具有自注意力蒸馏SAD机制的分割模型中，以获取初始分割图像之前，还包括：选取一个CT影像中连续的预设层数的图像数据；提取预设层数的图像数据中的中间层数据作为图像数据输入具有SAD机制的分割模型中。
第二方面，本申请的实施例提供了一种肺动脉图像分割装置，包括：获取模块，用于将肺动脉图像输入具有自注意力蒸馏SAD机制的分割模型中，以获取初始分割图像，其中分割模型设置有预设边缘权重，以引导分割模型对图像数据的边缘区域进行；筛选模块，用于将初始分割图像中的连通域进行筛选，以获得最终分割图像。
第三方面，本申请的实施例提供了一种计算可读存储介质，存储介质存储有计算机程序，计算机程序用于执行上述第一方面所述的肺动脉图像分割方法。
第四方面，本申请的实施例提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器，其中，处理器用于执行上述第一方面所述的肺动脉图像分割方法。
本申请实施例提供了一种肺动脉图像分割方法及装置，通过在分割模型中引入自注意力蒸馏机制，使得在提取图像特征的过程中，从空间维度上提取图像数据的边缘特征，提高了肺动脉图像中边缘区域的分割精度。同时在训练过程中通过设定边缘区域的权重，对边缘区域施加较高的权重值，迫使模型强化边缘区域的分割效果。
附图说明
图1是本申请一示例性实施例提供的肺动脉图像分割方法的流程示意图。
图2是本申请一示例性实施例提供的初始分割图像的示意图。
图3是本申请一示例性实施例提供的肺动脉图像分割方法的预设边缘权重的流程示意图。
图4是本申请一示例性实施例提供的肺动脉图像分割方法的获取最终分割图像的流程示意图。
图5是本申请另一示例性实施例提供的肺动脉图像分割方法的获取最终分割图像的流程示意图。
图6是本申请另一示例性实施例提供的肺动脉图像分割方法的流程示意图。
图7是本申请一示例性实施例提供的肺动脉图像分割装置的结构示意图。
图8是本申请一示例性实施例提供的用于肺动脉图像分割的电子设备的框图。
具体实施方式
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，所描述的实施例仅是本申请一部分实施例，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，都属于本申请保护的范围。
在对肺动脉高压的预测判断中，平扫影像上动脉干管径≥33mm，增强影像上≥29mm，报疑似肺动脉高压。在不区分平扫和增强场景时肺动脉干管径≥29mm，报疑似肺动脉高压。计算肺动脉管径与主动脉管径的比值，如果>1，则报告疑似肺动脉高压。
由此可知，由于肺动脉高压预测场景的特殊性，使得对血管(即肺动脉和主动脉)外侧边缘分割精度的要求较高。
图1是本申请一示例性实施例提供的肺动脉图像分割方法的流程示意图。图1的方法由计算设备，例如，服务器，来执行。如图1所示，该肺动脉图像分割方法包括如下内容。
110：将图像数据输入具有自注意力蒸馏机制的分割模型中，以获取初始分割图像。
在一实施例中，分割模型设置有预设边缘权重，预设边缘权重引导分割模型对图像数据的边缘区域进行分割。其中该图像数据为肺动脉图像数据。
具体地，分割模型可以采用通用的ResUnet分割网络，本申请实施例对分割网络不作具体限定。ResUnet分割网络包括对应特征提取下采样阶段的编码器和对应特征提取上采样阶段的解码器。其中在编码器的相邻阶段可以分别引入自注意力蒸馏(Self-Attention Distillation,SAD)机制，例如每一个下采样块引入一个SAD模块，将语义信息比较丰富的高层特征作为注意力，以引导低层特征进行表征学习。
图像数据可以是包含有肺动脉的胸部或胸腹图像，例如计算机断层扫描摄影(Computed Tomography,CT)图像、数字化X线摄影(Digital Radiography,DR)图像或核磁共振成像(Magnetic Resonance Imaging,MRI)图像，本申请实施例对此不作具体限定。
优选地，本申请实施例的图像数据采用CT图像数据，且该CT图像数据包括平扫、增强两种场景。
图像数据可以采用dicom格式的肺动脉影像数据输入分割模型中，并且可以将输入的dicom影像加纵膈窗(窗宽400，窗位40)，本申请实施例对图像数据的格式不作具体限定。
在一实施例中，图像数据输入具有自注意力蒸馏机制的分割模型之后，还包括对该图像数据进行预处理，以增强图形的辨识度。预处理的方式可以包括将色值映射至(0,255)的区间范围内，以突显图像数据中的有效区域，例如肺动脉和主动脉。预处理的方式也可以将尺寸调整至(9,256,256)，以定位有效区域(例如肺动脉和主动脉)的信噪比。
在一示例中，输入的图像数据还可以包括肺分割边界框。并且当具有肺分割边界框的肺动脉图像数据输入时，可以依照肺分割边界框进行裁剪，例如依照肺分割边界框进行crop操作。
将图像数据输入具有SAD机制的分割模型，分割方式采用2.5D双分支分割，即在该分割模型中进行两个分支分割，一个是对血管(肺动脉和主动脉)进行分割，获得血管分割图像，另一个是对分叉点进行分割，获得分叉点分割图像。初始分割图像可以是基于具有SAD机制的分割模型获得的，该初始分割图像可以是血管分割图像和分叉点分割图像的叠加。
例如，参见图2所示的初始分割图像，该初始分割图像包括血管分割图像和分叉点分割图像，其中血管分割图像包括主动脉分割区域S1和肺动脉分割区域S2，分叉点分割图像包括分叉点分割区域S3。其中图2中S2和S3之间的阴影为血管分割图像和分叉点分割图像叠加后的重叠区域。
在一示例中，血管分割图像可以基于具有SAD机制的分割模型，通过自注意力蒸馏机制，在空间维度上学习自注意力矩阵，获得空间边缘注意力特征。将空间边缘注意力特征融入分割模型的采样阶段(例如下采样阶段)，获得图像数据的血管图像特征。根据血管图像特征对图像数据中的区域进行标记，以获得血管分割图像。
在一示例中，分叉点分割图像可以是基于具有SAD机制的分割模型，获得的分叉点图像特征。根据分叉点图像特征对图像数据中的区域进行标记，以获得分叉点分割图像。
应当理解，分割模型在训练阶段可以设置较高的预设边缘权重。具体地，可以直接对样本图像数据进行标注，获得肺动脉标注结果和主动脉标注结果。并通过形态学操作，获取肺动脉边缘分割图像和主动脉边缘分割图像，例如将样本图像数据先进行腐蚀操作，再进行膨胀操作，获得肺动脉边缘分割图像和主动脉边缘分割图像。确定肺动脉边缘分割图像和主动脉边缘分割图像中的边缘区域的像素点对应的预设边缘权重，其中边缘区域的预设边缘权重高于非边缘区域的权重。根据对边缘区域设定的预设边缘权重对ResUnet分割网络进行参数调整，得到本申请实施例应用的分割模型。
120：对初始分割图像中的连通域进行筛选，以获得最终分割图像。
具体地，由于受分割模型计算方法的影响，导致输出的初始分割图像除真阳区域外，还存在较多由腹腔或其他部位的误分割引发的假阳区域，因此需要将假阳区域予以去除。
初始分割图像中包括多个连通域，例如肺动脉连通域、主动脉连通域以及分叉点连通域。其中将初始分割图像中包括的多个原始连通域划分为：多个第一肺动脉连通域、多个第一主动脉连通域以及多个第一分叉点连通域。
在一示例中，将多个第一肺动脉连通域、多个第一主动脉连通域以及多个第一分叉点连通域进行重标记，标记过程中只保留本连通域的连通面积高于本类别总连通面积10％的连通域，或是高于本类别总连通面积15％的连通域，本申请实施例对此不作具体限定。
在一实施例中，将多个第一肺动脉连通域中连通面积小于第一预设面积的丢弃，以获得多个第二肺动脉连通域。将多个第一主动脉连通域中连通面积小于第二预设面积的丢弃，以获得多个第二主动脉连通域。将多个第一分叉点连通域中连通面积小于第三预设面积的丢弃，以获得多个第二分叉点连通域。其中，第一预设面积、第二预设面积和第三预设面积可以根据实际各连通域的连通面积灵活设置，本申请实施例对此不作具体限定。
在一实施例中，将每个第二肺动脉连通域的中点(或形心)与每个第二分叉点连通域的中点进行距离计算，保留最小距离对应的第二肺动脉连通域和第二分叉点连通域，并将其余的第二肺动脉连通域和第二分叉点连通域丢弃。将上述最小距离对应的第二分叉点连通域的中点与每个第二主动脉连通域的中点进行距离计算，保留与第二分叉点连通域最小距离的第二主动脉连通域，并将其余的第二主动脉连通域丢弃。进而将最小距离的第二肺动脉连通域、最小距离的第二分叉点连通域以及最小距离的第二主动脉连通域合并输出，以确定最终分割图像。
需要说明的是，本申请实施例根据分割损失和蒸馏损失，对网络模型的训练参数进行调整，以获得本申请所应用的分割模型。在训练阶段的损失中，通过对边缘区域的自注意力引导来加强分割模型对于边缘信息和特征的提取，进而改善分割效果。
还需要说明的是，由于平扫和增强场景下的肺动脉图像均可以采用dicom格式的影像数据。并且，本申请还结合了分割损失、蒸馏损失和下述实施例中描述的focalloss损失，以训练本申请实施例应用的分割模型，使得本申请实施例的技术方案可以同时应用在平扫和增强两种场景下。
由此可知，本申请实施例通过在分割模型中引入自注意力蒸馏机制，使得在提取图像特征的过程中，从空间维度上提取图像数据的边缘特征，提高了肺动脉图像中边缘区域的分割精度。同时在训练过程中通过设定边缘区域的权重，对边缘区域施加较高的权重值，迫使模型强化边缘区域的分割效果。
在本申请一实施例中，将图像数据输入具有自注意力蒸馏SAD机制的分割模型中，以获取初始分割图像包括：将图像数据输入具有SAD机制的分割模型中，通过SAD机制获得空间维度上的空间边缘注意力特征；将空间边缘注意力特征融入分割模型的采样阶段，获得图像数据的血管图像特征；根据血管图像特征对图像数据中的区域进行标记，以获得血管分割图像。
在一实施例中，初始分割图像包括血管分割图像。
具体地，通过具有SAD机制的分割模型中的多个卷积层，提取图像数据中的血管特征集合，其中血管特征集合包括血管主体特征集合和血管边缘特征集合。将该血管特征集合中的血管边缘特征集合，通过自注意力蒸馏机制，在多个维度所处的空间上学习自注意力矩阵，获得空间维度上的空间边缘注意力特征。
接续，将空间边缘注意力特征融入分割模型的编码器(即下采样阶段)中，获得图像数据对应的血管图像特征，其中血管图像特征包括血管主体图像特征和基于空间边缘注意力特征获得的血管边缘图像特征。根据该血管图像特征，利用二进制标记图像数据中的血管(即肺动脉和主动脉)边缘区域的像素和非边缘区域(即血管主体区域)的像素，将标记后的图像数据作为血管分割图像。
由此可知，本申请实施例通过自注意力蒸馏机制获得的自注意力矩阵，提高了对图像数据中对边缘区域的分割精度。
在本申请一实施例中，将图像数据输入分割模型中，通过具有SAD机制获得空间维度上的空间边缘注意力特征包括：通过具有SAD机制的分割模型中的多个卷积层，提取图像数据中的血管特征集合；将血管特征集合在空间维度上学习自注意力矩阵，获得空间边缘注意力特征。
具体地，具有SAD机制的分割模型包括多个卷积层。其中在第一卷积层后即被视为2D影像处理，也就是说，在第一卷积层后的所有卷积操作均为2D操作形式。
将经过预处理后的图像数据，通过分割模型中的多个卷积层，提取图像数据的不同尺度的血管原始特征，其中血管原始特征包括血管主体原始特征和血管边缘原始特征。将提取的不同尺度的血管原始特征进行组合，获得血管特征集合，该血管特征集合包括血管边缘特征集合。该血管特征集合中的血管边缘特征集合通过自注意力蒸馏机制，在空间维度上学习自注意力矩阵，以获得空间边缘注意力特征。
由此可知，本申请实施例通过在分割模型中引入自注意力蒸馏机制，使得在提取图像特征的过程中，从空间维度上提取图像数据的边缘特征，提高了肺动脉图像中边缘区域的分割精度。
图3是本申请一示例性实施例提供的肺动脉图像分割方法的预设边缘权重的流程示意图。图3的方法由计算设备，例如，服务器，来执行。如图3所示，该预设边缘权重的方法包括如下内容。
210：标注样本图像数据中的肺动脉和主动脉，并通过形态学操作，获取肺动脉和主动脉的边缘分割图像。
具体地，在对具有SAD机制的分割模型训练的过程中，可以直接对样本图像数据进行标注，获得肺动脉标注结果和主动脉标注结果。
通过形态学操作，获取肺动脉边缘分割图像和主动脉边缘分割图像。其中形态学操作可以包括膨胀、腐蚀、开运算以及闭运算，本申请实施例对形态学操作不作具体限定。
例如，将样本图像数据先进行腐蚀操作再进行膨胀操作，以获得肺动脉边缘分割图像和主动脉边缘分割图像。
220：根据边缘分割图像确定边缘区域中各像素点的预设边缘权值。
在一实施例中，边缘区域的预设边缘权重高于非边缘区域的权重。
具体地，预设边缘权重可以为第一预设权重和第二预设权重的加和。其中第一预设权重可以是标定的肺动脉边缘分割图像和主动脉边缘分割图像中边缘区域的像素的权重值，该第一预设权重可以为10、11或12，本申请实施例对第一预设权重不作具体限定。第二预设权重可以是通过focalloss函数计算的边缘区域的权重值，其中focalloss函数可以在训练样本图像数据中，对较难分割的区域(例如边缘区域)逐渐施加高权重，即对权重值进行动态调整。
也就是说，本申请实施例通过静态设置的第一预设权重和动态计算的focalloss损失权重(即第二预设权重)共同作用，对边缘区域施加高于其他区域的损失，迫使模型强化边缘区域的分割效果。
230：根据预设边缘权重对分割网络进行参数调整，得到分割模型。
具体地，根据对边缘区域设定的预设边缘权重对ResUnet分割网络进行参数调整，得到本申请实施例应用的具有SAD机制的分割模型。
由此可知，本申请实施例将边缘区域中的像素值设定为较高的权重值，以此提高边缘区域的像素点的分割预测结果对边缘损失的影响，从而提高边缘区域的分割精度。
在本申请一实施例中，根据边缘分割图像确定边缘区域中各像素点的预设边缘权值包括：将边缘区域的像素值的权重设定为第一预设权重；以及通过focalloss函数计算边缘区域的第二预设权重；将第一预设权重与第二预设权重相和，以确定预设边缘权重。
具体地，设定第一预设权重的方式可以是将肺动脉边缘分割图像，和主动脉边缘分割图像中边缘区域的像素值的权重设定为第一预设权重，其中第一预设权重可以为10、11或12，本申请实施例对第一预设权重不作具体限定。
第二预设权重可以基于focalloss函数动态设置。通过focalloss函数可以降低非边缘区域的样本图像数据在训练中所占的权重，实现对边缘区域(即困难样本)的挖掘。
将静态设置的第一预设权重与基于focalloss函数计算的动态设置的第二预设权重进行加和，以确定预设边缘权重。
由此可知，本申请实施例将静态设置的权重与动态设置的权重相结合，对边缘区域施加高于其他区域的损失，迫使模型强化边缘区域的分割效果。
图4是本申请一示例性实施例提供的肺动脉图像分割方法的获取最终分割图像的流程示意图。图4实施例为图1实施例的例子，相同之处不再赘述，此处着重描述不同之处。如图4所示，该获取最终分割图像的方法包括如下内容。
310：将初始分割图像中的连通域划分为多个第一肺动脉连通域、多个第一主动脉连通域以及多个第一分叉点连通域。
具体地，初始分割图像中包括多个连通域，将该连通域根据语义结果进行区分。并将初始分割图像中包括的连通域进行重标记，获取多个第一肺动脉连通域、多个第一主动脉连通域以及多个第一分叉点连通域。
320：将多个第一肺动脉连通域中连通面积小于第一预设面积的丢弃，以获得多个第二肺动脉连通域。
具体地，第一预设面积可以是第一肺动脉连通域总面积的10％，本申请实施例对第一预设面积不作具体限定。
在一示例中，将多个第一肺动脉连通域中连通面积小于第一肺动脉连通域总面积10％的第一肺动脉连通域丢弃，获得多个第二肺动脉连通域。
330：将多个第一主动脉连通域中连通面积小于第二预设面积的丢弃，以获得多个第二主动脉连通域。
具体地，第二预设面积可以是第一主动脉连通域总面积的10％，本申请实施例对第二预设面积不作具体限定。
在一示例中，将多个第一主动脉连通域中连通面积小于第一主动脉连通域总面积10％的第一主动脉连通域丢弃，获得多个第二主动脉连通域。
340：将多个第一分叉点连通域中连通面积小于第三预设面积的丢弃，以获得多个第二分叉点连通域；
具体地，第三预设面积可以是第一分叉点连通域总面积的10％，本申请实施例对第三预设面积不作具体限定。
在一示例中，将多个第一分叉点连通域中连通面积小于第一分叉点连通域总面积10％的第一分叉点连通域丢弃，获得多个第二分叉点连通域。
需要说明的是，本申请实施例对上述步骤320至步骤340的执行顺序不作具体限定，例如步骤320至步骤340可以同时进行，也可以以一定的顺序进行。
350：基于多个第二肺动脉连通域的中点、多个第二主动脉连通域的中点和多个第二分叉点连通域的中点，确定最终分割图像。
具体地，通过计算筛选后的多个第二肺动脉连通域、多个第二主动脉连通域和多个第二分叉点连通域彼此之间中点(或形心)的距离，确定最终分割图像。
需要说明的是，步骤350的描述，详情请参见图4实施例的记载，为避免重复在此不再赘述。
由此可知，本申请实施例通过对初始分割图像中的连通域进行筛选，排除了连通域面积较小的假阳区域。
图5是本申请另一示例性实施例提供的肺动脉图像分割方法的获取最终分割图像的流程示意图。图5实施例为图4实施例的例子，相同之处不再赘述，此处着重描述不同之处。如图5所示，该获取最终分割图像的方法包括如下内容。
410：将每个第二肺动脉连通域的中点与每个第二分叉点连通域的中点进行距离计算，确定最小距离对应的第二肺动脉连通域和第二分叉点连通域。
具体地，将多个第二肺动脉连通域中的每个第二肺动脉连通域的中点(或形心)，与多个第二分叉点连通域中的每个第二分叉点连通域的中点(或形心)进行距离计算，确定最小距离对应的一个第二肺动脉连通域和一个第二分叉点连通域。
420：将最小距离对应的第二分叉点连通域的中点与每个第二主动脉连通域的中点进行距离计算，确定最小距离的第二主动脉连通域。
具体地，将步骤410中确定的最小距离对应的第二分叉点连通域的中点，与多个第二主动脉连通域中的每个第二主动脉连通域的中点进行距离计算，确定与步骤410中确定的最小距离对应的第二分叉点连通域距离最小的一个第二主动脉连通域。
430：将最小距离的第二肺动脉连通域、最小距离的第二分叉点连通域以及最小距离的第二主动脉连通域合并输出，以确定最终分割图像。
具体地，仅保留步骤410和步骤420中确定的最小距离的第二肺动脉连通域、第二分叉点连通域和第二主动脉连通域，并删除其余的连通域。进而将重标记区分开的连通域进行合并输出，即合并最小距离对应的第二肺动脉连通域、第二分叉点连通域和第二主动脉连通域，并输出该合并结果，其中该合并结果即为最终分割图像。
由此可知，本申请实施例将初始分割图中的多个连通域进行筛选，删除了由腹部或其他部位吴分割引发的假阳，提高了模型训练的分割精度。
图6是本申请另一示例性实施例提供的肺动脉图像分割方法的流程示意图。图6是图1实施例的例子，相同之处不再赘述看，此处着重描述不同之处。如图6所示，该肺动脉图像分割方法包括如下内容。
510：选取一个CT影像中连续的预设层数的图像数据。
具体地，预设层数可以是7、8或9，本申请实施例对预设层数不作具体限定。例如，选取一个CT影像中连续9层的图像数据。
优选地，为便于分割模型学习上下关联层的有效特征(例如肺动脉特征和主动脉特征等)，申请实施例将预设层数设定为9。
520：提取预设层数的图像数据中的中间层数据作为图像数据输入具有SAD机制的分割模型中。
具体地，提取连续的预设层数的图像数据中的中间层图像数据，作为输入具有SAD机制的分割模型中的训练数据。，例如当预设层面设定为9层，则提取其中的第5层图像数据作为输入具有SAD机制的分割模型中的训练数据。
530：将图像数据输入具有自注意力蒸馏SAD机制的分割模型中，以获取初始分割图像。
540：对初始分割图像中的连通域进行筛选，以获得最终分割图像。
由此可知，本申请实施例提取中间层的图像数据进行训练，降低了计算资源，节省了时间成本。
图7是本申请一示例性实施例提供的肺动脉图像分割装置的结构示意图。如图7所示，该图像分割装置600包括：选取模块610、提取模块620、获取模块630和筛选模块640。
获取模块630用于将肺动脉图像输入具有自注意力蒸馏SAD机制的分割模型中，以获取初始分割图像，其中分割模型设置有预设边缘权重，以引导分割模型对图像数据的边缘区域进行分割；筛选模块640用于将初始分割图像中的连通域进行筛选，以获得最终分割图像。
本申请实施例提供了一种肺动脉图像分割装置，通过在分割模型中引入自注意力蒸馏机制，使得在提取图像特征的过程中，从空间维度上提取图像数据的边缘特征，提高了肺动脉图像中边缘区域的分割精度。同时在训练过程中通过设定边缘区域的权重，对边缘区域施加较高的权重值，迫使模型强化边缘区域的分割效果。
根据本申请一实施例，初始分割图像包括血管分割图像，获取模块630用于将图像数据输入具有SAD机制的分割模型中，通过SAD机制获得空间维度上的空间边缘注意力特征；将空间边缘注意力特征融入分割模型的采样阶段，获得图像数据的血管图像特征；根据血管图像特征对图像数据中的区域进行标记，以获得血管分割图像。
根据本申请一实施例，获取模块630用于通过具有SAD机制的分割模型中的多个卷积层，提取图像数据中的血管特征集合；将血管特征集合在空间维度上学习自注意力矩阵，获得空间边缘注意力特征。
根据本申请一实施例，获取模块630用于标注样本图像数据中的肺动脉和主动脉，并通过形态学操作，获取肺动脉和主动脉的边缘分割图像；根据边缘分割图像确定边缘区域中各像素点的预设边缘权值，其中边缘区域的预设边缘权重高于非边缘区域的权重；根据预设边缘权重对分割网络进行参数调整，得到分割模型。
根据本申请一实施例，获取模块630还用于将边缘区域的像素值的权重设定为第一预设权重；以及通过focalloss函数计算边缘区域的第二预设权重；将第一预设权重与第二预设权重相和，以确定预设边缘权重。
根据本申请一实施例，筛选模块640用于将初始分割图像中的连通域划分为多个第一肺动脉连通域、多个第一主动脉连通域以及多个第一分叉点连通域；将多个第一肺动脉连通域中连通面积小于第一预设面积的丢弃，以获得多个第二肺动脉连通域；将多个第一主动脉连通域中连通面积小于第二预设面积的丢弃，以获得多个第二主动脉连通域；将多个第一分叉点连通域中连通面积小于第三预设面积的丢弃，以获得多个第二分叉点连通域；基于多个第二肺动脉连通域的中点、多个第二主动脉连通域的中点和多个第二分叉点连通域的中点，确定最终分割图像。
根据本申请一实施例，筛选模块640还用于基于多个第二肺动脉连通域的中点、多个第二主动脉连通域的中点和多个第二分叉点连通域的中点，确定最终分割图像包括：将每个第二肺动脉连通域的中点与每个第二分叉点连通域的中点进行距离计算，确定最小距离对应的第二肺动脉连通域和第二分叉点连通域；将最小距离对应的第二分叉点连通域的中点与每个第二主动脉连通域的中点进行距离计算，确定最小距离的第二主动脉连通域；将最小距离的第二肺动脉连通域、最小距离的第二分叉点连通域以及最小距离的第二主动脉连通域合并输出，以确定最终分割图像。
根据本申请一实施例，选取模块610用于选取一个CT影像中连续的预设层数的图像数据；提取模块620用于提取预设层数的图像数据中的中间层数据作为图像数据输入具有SAD机制的分割模型中。
应当理解，上述实施例中的选取模块610、提取模块620、获取模块630和筛选模块640的具体工作过程和功能可以参考上述图1至图5实施例提供的肺动脉图像分割方法中的描述，为了避免重复，在此不再赘述。
图8是本申请一示例性实施例提供的用于肺动脉图像分割的电子设备700的框图。
参照图8，电子设备700包括处理组件710，其进一步包括一个或多个处理器，以及由存储器720所代表的存储器资源，用于存储可由处理组件710的执行的指令，例如应用程序。存储器720中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件710被配置为执行指令，以执行上述肺动脉图像分割方法。
电子设备700还可以包括一个电源组件被配置为执行电子设备700的电源管理，一个有线或无线网络接口被配置为将电子设备700连接到网络，和一个输入输出(I/O)接口。可以基于存储在存储器720的操作***操作电子设备700，例如Windows ServerTM，Mac OSXTM，UnixTM，LinuxTM，FreeBSDTM或类似。
一种非临时性计算机可读存储介质，当存储介质中的指令由上述电子设备700的处理器执行时，使得上述电子设备700能够执行一种肺动脉图像分割方法，包括：将图像数据输入具有自注意力蒸馏SAD机制的分割模型中，以获取初始分割图像，其中分割模型设置有预设边缘权重，预设边缘权重引导分割模型对图像数据的边缘区域进行分割；对初始分割图像中的连通域进行筛选，以获得最终分割图像。
上述所有可选技术方案，可采用任意结合形成本申请的可选实施例，在此不再一一赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置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，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。
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。
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(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校验码的介质。
需要说明的是，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换等，均应包含在本申请的保护范围之内。

Claims (11)

1.一种肺动脉图像分割方法，其特征在于，包括：
将图像数据输入具有自注意力蒸馏SAD机制的分割模型中，以获取初始分割图像，其中所述分割模型设置有预设边缘权重，所述预设边缘权重引导所述分割模型对所述图像数据的边缘区域进行分割；
对所述初始分割图像中的连通域进行筛选，以获得最终分割图像。
2.根据权利要求1所述的肺动脉图像分割方法，其特征在于，所述初始分割图像包括血管分割图像，
所述将图像数据输入具有自注意力蒸馏SAD机制的分割模型中，以获取初始分割图像包括：
将所述图像数据输入所述具有SAD机制的分割模型中，通过SAD机制获得空间维度上的空间边缘注意力特征；
将所述空间边缘注意力特征融入所述分割模型的采样阶段，获得所述图像数据的血管图像特征；
根据所述血管图像特征对所述图像数据中的区域进行标记，以获得血管分割图像。
3.根据权利要求2所述的肺动脉图像分割方法，其特征在于，所述将所述图像数据输入所述分割模型中，通过SAD机制获得空间维度上的空间边缘注意力特征包括：
通过所述具有SAD机制的分割模型中的多个卷积层，提取所述图像数据中的血管特征集合；
将所述血管特征集合在空间维度上学习自注意力矩阵，获得所述空间边缘注意力特征。
4.根据权利要求1所述的肺动脉图像分割方法，其特征在于，所述分割模型设置有预设边缘权重，以引导所述分割模型对所述图像数据的边缘区域进行分割包括：
标注样本图像数据中的肺动脉和主动脉，并通过形态学操作，获取所述肺动脉和所述主动脉的边缘分割图像；
根据所述边缘分割图像确定边缘区域中各像素点的所述预设边缘权值，其中所述边缘区域的所述预设边缘权重高于非边缘区域的权重；
根据所述预设边缘权重对分割网络进行参数调整，得到所述分割模型。
5.根据权利要求4所述的肺动脉图像分割方法，其特征在于，所述根据所述边缘分割图像确定边缘区域中各像素点的所述预设边缘权值包括：
将所述边缘区域的像素值的权重设定为第一预设权重；以及
通过focalloss函数计算所述边缘区域的第二预设权重；
将所述第一预设权重与所述第二预设权重相加，以确定所述预设边缘权重。
6.根据权利要求1所述的肺动脉图像分割方法，其特征在于，所述将所述初始分割图像中的连通域进行筛选，以获得最终分割图像包括：
将所述初始分割图像中的所述连通域划分为多个第一肺动脉连通域、多个第一主动脉连通域以及多个第一分叉点连通域；
将所述多个第一肺动脉连通域中连通面积小于第一预设面积的丢弃，以获得多个第二肺动脉连通域；
将所述多个第一主动脉连通域中连通面积小于第二预设面积的丢弃，以获得多个第二主动脉连通域；
将所述多个第一分叉点连通域中连通面积小于第三预设面积的丢弃，以获得多个第二分叉点连通域；
基于所述多个第二肺动脉连通域的中点、所述多个第二主动脉连通域的中点和所述多个第二分叉点连通域的中点，确定所述最终分割图像。
7.根据权利要求6所述的肺动脉图像分割方法，其特征在于，所述基于所述多个第二肺动脉连通域的中点、所述多个第二主动脉连通域的中点和所述多个第二分叉点连通域的中点，确定所述最终分割图像包括：
将每个第二肺动脉连通域的中点与每个第二分叉点连通域的中点进行距离计算，确定最小距离对应的所述第二肺动脉连通域和所述第二分叉点连通域；
将最小距离对应的所述第二分叉点连通域的中点与每个第二主动脉连通域的中点进行距离计算，确定最小距离的所述第二主动脉连通域；
将所述最小距离的所述第二肺动脉连通域、所述最小距离的所述第二分叉点连通域以及所述最小距离的所述第二主动脉连通域合并输出，以确定所述最终分割图像。
8.根据权利要求1所述的肺动脉图像分割方法，其特征在于，在所述将肺动脉图像输入具有自注意力蒸馏SAD机制的分割模型中，以获取初始分割图像之前，还包括：
选取一个CT影像中连续的预设层数的图像数据；
提取所述预设层数的图像数据中的中间层数据作为所述图像数据输入所述具有SAD机制的分割模型中。
9.一种肺动脉图像分割装置，其特征在于，包括：
获取模块，用于将肺动脉图像输入具有自注意力蒸馏SAD机制的分割模型中，以获取初始分割图像，其中所述分割模型设置有预设边缘权重，以引导所述分割模型对所述图像数据的边缘区域进行分割；
筛选模块，用于将所述初始分割图像中的连通域进行筛选，以获得最终分割图像。
10.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1至8任一项所述的肺动脉图像分割方法。
11.一种电子设备，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器，
其中，所述处理器用于执行上述权利要求1至8任一项所述的肺动脉图像分割方法。
CN202110706289.9A 2021-06-24 2021-06-24 肺动脉图像分割方法及装置 Active CN113469963B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110706289.9A CN113469963B (zh) 2021-06-24 2021-06-24 肺动脉图像分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110706289.9A CN113469963B (zh) 2021-06-24 2021-06-24 肺动脉图像分割方法及装置

Publications (2)

Publication Number Publication Date
CN113469963A true CN113469963A (zh) 2021-10-01
CN113469963B CN113469963B (zh) 2022-04-19

Family

ID=77872750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110706289.9A Active CN113469963B (zh) 2021-06-24 2021-06-24 肺动脉图像分割方法及装置

Country Status (1)

Country Link
CN (1) CN113469963B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114550171A (zh) * 2022-04-22 2022-05-27 珠海横琴圣澳云智科技有限公司 细胞实例分割模型构建方法、细胞实例分割方法和装置
CN114820571A (zh) * 2022-05-21 2022-07-29 东北林业大学 一种基于dlpe算法的肺炎纤维化量化分析方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472730A (zh) * 2019-08-07 2019-11-19 交叉信息核心技术研究院(西安)有限公司 一种卷积神经网络的自蒸馏训练方法和可伸缩动态预测方法
CN111091573A (zh) * 2019-12-20 2020-05-01 广州柏视医疗科技有限公司 基于深度学习的ct影像肺血管的分割方法及***
CN111126258A (zh) * 2019-12-23 2020-05-08 深圳市华尊科技股份有限公司 图像识别方法及相关装置
CN112862845A (zh) * 2021-02-26 2021-05-28 长沙慧联智能科技有限公司 一种基于置信度评估的车道线重构方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472730A (zh) * 2019-08-07 2019-11-19 交叉信息核心技术研究院(西安)有限公司 一种卷积神经网络的自蒸馏训练方法和可伸缩动态预测方法
CN111091573A (zh) * 2019-12-20 2020-05-01 广州柏视医疗科技有限公司 基于深度学习的ct影像肺血管的分割方法及***
CN111126258A (zh) * 2019-12-23 2020-05-08 深圳市华尊科技股份有限公司 图像识别方法及相关装置
CN112862845A (zh) * 2021-02-26 2021-05-28 长沙慧联智能科技有限公司 一种基于置信度评估的车道线重构方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GUOKAI ZHANG等: "Cross-Modal Self-Attention Distillation for Prostate Cancer Segmentation", 《2020 IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114550171A (zh) * 2022-04-22 2022-05-27 珠海横琴圣澳云智科技有限公司 细胞实例分割模型构建方法、细胞实例分割方法和装置
CN114820571A (zh) * 2022-05-21 2022-07-29 东北林业大学 一种基于dlpe算法的肺炎纤维化量化分析方法

Also Published As

Publication number Publication date
CN113469963B (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
US10867384B2 (en) System and method for automatically detecting a target object from a 3D image
CN111784671B (zh) 基于多尺度深度学习的病理图像病灶区域检测方法
CN110706246B (zh) 一种血管图像分割方法、装置、电子设备和存储介质
CN109003267B (zh) 从3d图像自动检测目标对象的计算机实现方法和***
CN110298844B (zh) X光造影图像血管分割与识别方法及装置
CN113436166A (zh) 基于磁共振血管造影数据的颅内动脉瘤检测方法及***
CN113469963B (zh) 肺动脉图像分割方法及装置
CN112465834B (zh) 一种血管分割方法及装置
EP3722996A2 (en) Systems and methods for processing 3d anatomical volumes based on localization of 2d slices thereof
US11810293B2 (en) Information processing device, information processing method, and computer program
CN112991346A (zh) 用于医学图像分析的学习网络的训练方法和训练***
US8306354B2 (en) Image processing apparatus, method, and program
US8160336B2 (en) Reducing false positives for automatic computerized detection of objects
US10395773B2 (en) Automatic characterization of Agatston score from coronary computed tomography
CN115829980B (zh) 一种眼底照片的图像识别方法、装置、设备及存储介质
CN112801964B (zh) 肺部ct图像的多标签智能检测方法、装置、设备和介质
Wen et al. A novel lesion segmentation algorithm based on U-Net network for Tuberculosis CT image
CN115631194A (zh) 颅内动脉瘤识别检测的方法、装置、设备及介质
CN113129297B (zh) 基于多期相肿瘤影像的直径自动测量方法及***
KR101126223B1 (ko) Ｍｒ 영상을 이용한 자동 간 분할 방법
CN114241138A (zh) 肺小结节三维重建方法、装置、电子设备及存储介质
CN111462067B (zh) 图像分割方法及装置
CN114998582A (zh) 一种冠脉血管的分割方法、装置及存储介质
JP7019104B2 (ja) 閾値の学習方法
WO2018130601A2 (en) Extracting flow information from a dynamic angiography dataset

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