CN113628193A - 血管狭窄率确定方法、装置、***及存储介质 - Google Patents
血管狭窄率确定方法、装置、***及存储介质 Download PDFInfo
- Publication number
- CN113628193A CN113628193A CN202110925954.3A CN202110925954A CN113628193A CN 113628193 A CN113628193 A CN 113628193A CN 202110925954 A CN202110925954 A CN 202110925954A CN 113628193 A CN113628193 A CN 113628193A
- Authority
- CN
- China
- Prior art keywords
- plaque
- blood vessel
- image
- target
- segmentation
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 304
- 208000031481 Pathologic Constriction Diseases 0.000 title claims abstract description 218
- 208000037804 stenosis Diseases 0.000 title claims abstract description 218
- 230000036262 stenosis Effects 0.000 title claims abstract description 218
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000011218 segmentation Effects 0.000 claims abstract description 228
- 238000000605 extraction Methods 0.000 claims abstract description 79
- 238000010586 diagram Methods 0.000 claims abstract description 76
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 206010057469 Vascular stenosis Diseases 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 57
- 238000001914 filtration Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 201000000057 Coronary Stenosis Diseases 0.000 abstract description 11
- 238000012549 training Methods 0.000 description 15
- 238000002583 angiography Methods 0.000 description 7
- 230000000747 cardiac effect Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 210000004351 coronary vessel Anatomy 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010968 computed tomography angiography Methods 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 206010011089 Coronary artery stenosis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T2207/10072—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种血管狭窄率确定方法、装置、***及存储介质,该方法包括:将患者的初始血管图像以及该初始血管图像对应的目标血管分割图像输入已训练的斑块分割模型,以得到斑块热力图;根据所述斑块热力图确定斑块提取模板,并根据所述斑块提取模板对目标图像进行斑块提取以得到斑块分割数据,其中,所述目标图像为所述初始血管图像,或者包括所述初始血管图像和所述目标血管分割图像;将所述斑块分割数据输入已训练的狭窄率分析模型以得到目标血管的狭窄率。解决了现有冠脉狭窄率确定方法确定的冠脉狭窄率较低的问题。
Description
技术领域
本发明实施例涉及医学图像处理领域,尤其涉及一种血管狭窄率确定方法、装置、***及存储介质。
背景技术
冠心病作为威胁人类健康的重要疾病之一,受到了越来越多的关注。冠心病的诊断依赖于基于初始血管图像确定的冠脉狭窄率。现有冠脉狭窄率的确定方法,通常对患者的初始血管图像的冠脉拉直图像进行冠脉狭窄率的计算,从而得到患者的冠脉狭窄率。由于冠脉结构较为复杂,因此冠脉拉直的准确性较低,从而使得确定的冠脉狭窄率的准确性较低。
因此,有必要提供一种冠脉狭窄率确定***,以提高临床冠脉狭窄率确定的准确性。
发明内容
本发明实施例提供了一种血管狭窄率确定方法、装置、***及存储介质,解决了现有冠脉狭窄率确定方法确定的冠脉狭窄率较低的问题。
第一方面,本发明实施例提供了一种血管狭窄率确定***,该***包括处理器和存储器,所述存储器存储有计算机程序,所述处理器在运行所述计算机程序时执行以下步骤,包括:
将患者的初始血管图像以及该初始血管图像对应的目标血管分割图像输入已训练的斑块分割模型以得到斑块热力图;
根据所述斑块热力图确定斑块提取模板,并根据所述斑块提取模板对目标图像进行斑块提取以得到斑块分割数据,其中,所述目标图像为所述初始血管图像,或者包括所述初始血管图像和所述目标血管分割图像;
将所述斑块分割数据输入已训练的狭窄率分析模型以得到目标血管的狭窄率。
第二方面,本发明实施例还提供了一种血管狭窄率确定装置,包括:
斑块热力图模块,用于将患者的初始血管图像以及该初始血管图像对应的目标血管分割图像输入已训练的斑块分割模型以得到斑块热力图;
斑块提取模块,用于根据所述斑块热力图确定斑块提取模板,并根据所述斑块提取模板对目标图像进行斑块提取以得到斑块分割数据,其中,所述目标图像为所述初始血管图像,或者包括所述初始血管图像和所述目标血管分割图像;
狭窄率确定模块,用于将所述斑块分割数据输入已训练的狭窄率分析模型以得到目标血管的狭窄率。
第三方面,本发明实施例还提供了一种血管狭窄率确定方法,由血管狭窄率确定***执行,包括:
将患者的初始血管图像以及该初始血管图像对应的目标血管分割图像输入已训练的斑块分割模型,以得到斑块热力图;
根据所述斑块热力图确定斑块提取模板,并根据所述斑块提取模板对目标图像进行斑块提取以得到斑块分割数据,其中,所述目标图像为所述初始血管图像,或者包括所述初始血管图像和所述目标血管分割图像;
将所述斑块分割数据输入已训练的狭窄率分析模型以得到目标血管的狭窄率。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行任意实施例所述的血管狭窄率确定方法。
本发明实施例提供的血管狭窄率确定***的技术方案,该***将患者的初始血管图像以及该初始血管图像对应的目标血管分割图像输入已训练的斑块分割模型,以得到斑块热力图;根据斑块热力图确定斑块提取模板,并根据斑块提取模板对目标图像进行斑块提取以得到斑块分割数据;将斑块分割数据输入已训练的狭窄率分析模型以得到目标血管的狭窄率;其中,目标图像为初始血管图像,或者包括初始血管图像和目标血管分割图像。通过斑块提取模板从目标图像中提取斑块分割数据,并使已训练的狭窄率分析模型仅对该斑块分割数据进行狭窄率分析,即仅对狭窄率可能出现的位置处的图像数据进行分析,既能降低已训练的狭窄率分析模型的数据运算量,又能在不降低狭窄率准确性的情况下提高狭窄率的确定速度,而且,还能通过减少其他位置的图像信息对狭窄率分析结果的影响来提高狭窄率的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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的附图。
图1是本发明实施例一提供的血管狭窄率确定方法的流程图;
图2是本发明实施例二提供的血管狭窄率确定方法的流程图;
图3是本发明实施例三提供的血管狭窄率确定方法的流程图;
图4是本发明实施例四提供的血管狭窄率确定装置的结构框图;
图5是本发明实施例四提供的又一血管狭窄率确定装置的结构框图;
图6是本发明实施例五提供的血管狭窄率确定***的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下将参照本发明实施例中的附图,通过实施方式清楚、完整地描述本发明的技术方案,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例一
图1是本发明实施例一提供的血管狭窄率确定方法的流程图。本实施例的技术方案适用于由血管狭窄率确定***自动根据患者的初始血管图像和目标血管分割图像自动确定患者目标血管的狭窄率的情况。该方法可以由本发明实施例提供的血管狭窄率确定装置来执行,该装置配置于血管狭窄率确定***的处理器中应用,具体地,该血管狭窄率确定***包括处理器、存储器以及存储器存储的计算机程序,处理器在执行该计算机程序时执行以下血管狭窄率确定方法,包括:
S101、将患者的初始血管图像以及该初始血管图像对应的目标血管分割图像输入已训练的斑块分割模型,以得到斑块热力图。
其中,目标血管分割图像是基于现有血管分割方法对初始血管图像进行目标血管分割得到的,本实施例在此不对血管分割方法作具体限定。
其中,初始血管图像可以是心脏血管造影图像、颈部血管图像等临床血管图像,且优选为CTA(CT angiography,简称CTA,CT血管造影)图像。本实施例以心脏血管造影图像为例进行说明,相应的,目标血管分割图像为冠脉分割图像。
其中,斑块分割模型优选但不限于神经网络模型。
斑块热力图是指以高亮形式显示斑块在初始血管图像中的分布信息。
在一个实施例中,根据目标血管分割图像确定目标血管外接框,根据该目标血管外接框对初始血管图像和目标血管分割图像进行图像扣取,以得到第一扣取图像和第二扣取图像,将该第一扣取图像和第二扣取图像输入已训练的斑块分割模型中以得到斑块热力图。由于目标血管分割图像包括目标血管和预设背景,且其尺寸与初始血管图像相同,而且目标血管仅分布在初始血管图像中的某个区域,因此基于目标血管分割图像可以确定用于限定目标血管区域的目标血管外接框,通过该目标血管外接框从初始血管图像和目标血管分割图像中分别扣取第一扣取图像和第二扣取图像。可以理解的是,第一扣取图像和第二扣取图像的尺寸分别小于初始血管图像和目标血管分割图像,因此可以通过目标血管外接框在不丢失目标血管信息的情况下,减少输入已训练的斑块分割模型的图像数据量,从而减少该已训练的斑块分割模型的数据运算量。
由于第一扣取图像和第二扣取图像均是基于目标血管外接框扣取的,因此二者尺寸相同,可以进行拼接处理。为此,在一个实施例中,通过目标血管外接框分别从初始血管图像和目标血管分割图像中提取第一扣取图像和第二扣取图像,将该第一扣取图像和第二扣取图像在通道维度上进行拼接以得到扣取图像,将该扣取图像输入已训练的斑块分割模型中以得到斑块热力图。
示例性的,心脏血管造影图像的大小为320×512×512,而基于冠脉分割图像确定的目标血管外接框的坐标为[zmin,ymin,xmin,zmax,ymax,xmax]=[100,120,130,290,490,505],为了避免边缘对于后续模型的影响,对该目标血管外接框进行外扩,并根据外扩像素数量和心脏血管造影图像的实际边界更新目标血管外接框。比如上下前后左右均外扩10个像素,由于xmax外扩10个像素后超出了心脏血管造影图像的xmax,因此使用心脏血管造影图像的实际边界限定外扩后的目标血管外接框以更新目标血管外接框。可以理解的是,更新后的目标血管外接框为[90,110,120,300,500,512],使用该目标血管外接框对心脏血管造影图像和冠脉分割图像进行图像扣取,以得到第一扣取图像和第二扣取图像,然后对第一扣取图像和第二扣取图像进行拼接以得到扣取图像。其中,第一扣取图像与第二扣取图像的尺寸均为210×390×392,扣取图像的尺寸为2×210×390×392。
在一个实施例中,斑块热力图确定之后,将该斑块热力图添加至预设模板的设定位置以更新该斑块热力图。其中,该预设模板与初始血管图像的大小相同,设定位置为目标血管外接框在初始血管图像中的位置。可以理解的是,更新后的斑块热力图与初始血管图像的大小相同,且每个斑块在更新后的斑块热力图中的位置,与其在初始血管图像中的位置相同。
可以理解的是,已训练的斑块分割模型所能处理的扣取图像的尺寸与其训练过程中采用的训练样本有关。如果该已训练的斑块分割模型在训练过程中采用的训练样本的尺寸小于扣取图像的尺寸,那么在将扣取图像输入该已训练的斑块分割模型之前,需要对其进行下采样处理,以使该扣取图像的尺寸与该已训练的斑块分割模型在训练过程中所使用的训练样本的尺寸相同。在一个实施例中,扣取图像的尺寸为2×210×390×392,对其进行下采样之后,其尺寸变为2×128×192×192,该已训练的斑块分割模型输出的斑块热力图的尺寸为128×192×192,对该斑块热力图进行上采样以使其尺寸变为210×390×392,然后再将上采样后的斑块热力图添加至预设模板的设定位置以更新斑块热力图,并通过预设阈值,比如0.7,将更新后的斑块热力图转换成斑块提取模板。
可以理解的是,如果该已训练的斑块分割模型时采用各种尺寸的训练样本训练而成的,那么可以将确定的扣取图像直接输入该已训练的斑块分割模型中,以得到斑块热力图。
在一个实施例中,在得到已训练的斑块分割模型输出的斑块热力图之后,以及将斑块热力图添加至预设模板的设定位置之前,对该斑块热力图进行滤波以更新斑块热力图。具体为,通过预设尺寸的连通域对斑块热力图进行滤波以过滤掉体积较小的连通域,从而得到较大且完整的斑块。需要说明的是,连通域的大小可以根据具体情况进行设定,本实施例在此不作具体限定。
S102、根据斑块热力图确定斑块提取模板,并根据斑块提取模板对目标图像进行斑块提取以得到斑块分割数据,其中,目标图像为初始血管图像,或者包括初始血管图像和目标血管分割图像。
根据当前的斑块热力图确定斑块提取模板,具体为:根据预设阈值对斑块热力图进行二值化处理以得到二值模板,并将该二值模板作为斑块提取模板。可以理解的是,该斑块提取模板用于从斑块所在图像上提取斑块。比如从初始血管图像或目标血管分割图像提取斑块。
在一个优选实施例中,根据斑块提取模板分别对初始血管图像和目标血管分割图像进行斑块提取以得到第一斑块分割数据和第二斑块分割数据,对该第一斑块分割数据和第二斑块分割数据进行拼接以得到斑块分割数据。
S103、斑块分割数据输入已训练的狭窄率分析模型以得到目标血管的狭窄率。
斑块分割数据确定之后,将该斑块分割数据输入已训练的狭窄率分析模型,以得到各个斑块的狭窄率。其中,该已训练的狭窄率分析模型优选为回归型的神经网络模型。
其中,狭窄率为0-1之间的浮点数字。0代表无狭窄,1代表狭窄率为100%,即完全封闭。
在一个实施例中,该已训练的狭窄率分析模型输出的狭窄率包括各个斑块的标识、狭窄率以及狭窄率所在的坐标位置。
本实施例中,该已训练的狭窄率分析模型在训练时所使用的训练样本可以是基于直径法标记的训练样本,也可以是基于面积法标记的训练样本。可以理解的是,如果训练样本是基于直径法标记的训练样本,那么该已训练的狭窄率分析模型输出的目标血管的狭窄率则是直径法的狭窄率,如果训练样本是基于面积法标记的训练样本,那么该已训练的狭窄率分析模型输出的目标血管的狭窄率则是面积法的狭窄率。
本发明实施例提供的血管狭窄率确定方法的技术方案,将患者的初始血管图像以及该初始血管图像对应的目标血管分割图像输入已训练的斑块分割模型,以得到斑块热力图;根据斑块热力图确定斑块提取模板,并根据斑块提取模板对目标图像进行斑块提取以得到斑块分割数据;将斑块分割数据输入已训练的狭窄率分析模型以得到目标血管的狭窄率;其中,目标图像为初始血管图像,或者包括初始血管图像和目标血管分割图像。通过斑块提取模板从目标图像中提取斑块分割数据,并使已训练的狭窄率分析模型仅对该斑块分割数据进行狭窄率分析,即仅对狭窄率可能出现的位置处的图像数据进行分析,既能降低已训练的狭窄率分析模型的数据运算量,又能在不降低狭窄率准确性的情况下提高狭窄率的确定速度,而且,还能通过减少其他位置的图像信息对狭窄率分析结果的影响来提高狭窄率的准确性。
实施例二
图2是本发明实施例二提供的血管狭窄率确定方法的流程图。本发明实施例在上述实施例的基础上,增加了对斑块进行伪影识别的步骤。
相应地,本实施例的方法包括:
S201、将患者的初始血管图像以及该初始血管图像对应的目标血管分割图像输入已训练的斑块分割模型,以得到斑块热力图。
S202、根据斑块热力图确定斑块提取模板,并根据斑块提取模板对目标图像进行斑块提取以得到斑块分割数据,其中,目标图像为初始血管图像,或者包括初始血管图像和目标血管分割图像。
S203、对斑块分割数据中的每个斑块进行伪影识别以得到伪影识别结果。
确定斑块分割数据中的每个斑块的斑块外接框;根据每个斑块的斑块外接框的中心点和预设扣取范围对目标图像和斑块分割数据进行斑块扣取,以分别得到第一斑块扣取图像和第二斑块扣取图像,并将该第一斑块扣取图像和第二斑块扣取图像输入已训练的伪影识别模型,以得到每个斑块的伪影识别结果。其中,第一斑块扣取图像和第二斑块扣取图像的尺寸均与预设扣取范围相同;预设扣取范围可能大于、小于或等于斑块外接框,本实施例在此不作具体限定,实际使用时可以根据具体情况进行确定。可以理解的是,斑块外接框用于确定第一扣取图像和第二扣取图像的中心位置,而不是用于限定第一扣取图像和第二抠图图像的范围。
可以理解的是,前述实施例中的目标血管外接框用于从目标图像扣取目标血管,而本实施例中的斑块外接框用于从目标图像和斑块分割数据中扣取目标血管中的斑块,因此该斑块外接框的尺寸小于目标血管外接框。
可以理解的是,由于斑块外接框是基于斑块分割数据中的各个斑块确定的,因此第一斑块扣取图像和第二斑块扣取图像中的斑块分布信息与斑块分割数据中的斑块分布信息一一对应。
可以理解的是,通过将第一斑块扣取图像和第二斑块扣取图像输入至已训练的伪影识别模型,可以使该已训练的伪影识别模型综合各种信息进行斑块的伪影识别,有助于提高斑块伪影识别的准确性。
在一个实施例中,确定斑块分割数据中的当前斑块的最小斑块外接框,以及该最小斑块外接框的中心点坐标,基于该中心点坐标和预设扣取范围,比如96×96×96的预设扣取范围,对目标图像和斑块分割数据进行斑块扣取,以分别得到第一斑块扣取图像和第二斑块扣取图像,对第一斑块扣取图像和第二斑块扣取图像进行拼接以得到斑块扣取图像,将该斑块扣取图像输入已训练的伪影识别模型以得到每个斑块的伪影识别结果。可以理解的是,在目标图像包括初始血管图像和目标血管分割图像时,第一斑块扣取图像包括第一子斑块扣取图像和第二子斑块扣取图像;且第一子斑块扣取图像、第二子斑块扣取图像和第二斑块扣取图像的尺寸均为96×96×96,因此可以对三者进行图像拼接。需要说明的是,对于目标血管分割图像和斑块分割数据来说,如果预设扣取范围超出了实际尺寸,则缺失的部分补0;对于初始血管图像来说,如果预设扣取范围超出了实际尺寸,则缺失的部分补-1024.
S204、删除斑块分割数据中伪影识别结果为真的斑块的数据以更新斑块分割数据。
如果任意斑块的伪影识别结果为假,则表明该斑块不是伪影,此时无需修改斑块分割数据中关于该斑块的任何信息;如果任一斑块的伪影识别结果为真,则表明该斑块为伪影,此时将该斑块从斑块分割数据中删除以更新该斑块分割数据。
可以理解的是,通过斑块伪影识别可以识别出与伪影比较相似的非钙化斑,将这些非钙化斑从斑块分割数据中去除,可以提高斑块分割数据的准确性,从而提高狭窄率分析结果的准确性,减少目标血管狭窄率误诊漏诊情况的出现。
S205、将斑块分割数据输入已训练的狭窄率分析模型以得到目标血管的狭窄率。
本发明实施例提供的血管狭窄率确定方法的技术方案,通过斑块伪影识别可以识别出与伪影比较相似的非钙化斑,将这些非钙化斑从斑块分割数据中去除,可以提高斑块分割数据的准确性,从而提高狭窄率分析结果的准确性,减少目标血管狭窄率误诊漏诊情况的出现。
实施例三
图3是本发明实施例三提供的血管狭窄率确定方法的流程图。本发明实施例在上述任意实施例的基础上,增加了血管拉直的步骤。
相应地,本实施例的方法包括:
S301、将患者的初始血管图像以及该初始血管图像对应的目标血管分割图像输入已训练的斑块分割模型,以得到斑块热力图。
S302、根据斑块热力图确定斑块提取模板,并根据斑块提取模板对目标图像进行斑块提取以得到斑块分割数据,其中,目标图像为初始血管图像,或者包括初始血管图像和目标血管分割图像。
S303、对斑块分割数据和目标图像进行血管拉直以得到当前斑块分割数据和当前目标图像。
在一个实施例中,根据目标血管分割图像确定目标血管中心线,根据该目标血管中心线对斑块分割数据和目标图像进行血管拉直,以得到当前斑块分割数据和当前目标图像。由于目标血管分割图像仅包括目标血管和单一的背景,因此采用目标血管分割图像可以比较快速、准确地确定目标血管中心线。
在一个实施例中,目标图像为初始血管图像,处理器根据目标血管中心线对斑块分割数据和初始血管图像进行血管拉直以得到当前斑块分割数据和当前血管图像。将血管拉直之后,可以更加准确地定位当前斑块分割数据和当前血管图像中的斑块。
在一个实施例中,目标图像包括初始血管图像和目标血管分割图像,处理器根据目标血管中心线对斑块分割数据、初始血管图像和目标血管分割图像进行拉直以得到当前斑块分割数据、当前血管图像和当前目标血管分割图像。将血管拉直之后,可以更加准确地定位当前斑块分割图像、当前血管图像和当前目标血管分割图像中的斑块。
S304、根据当前斑块分割数据中的目标血管所包含斑块的分布信息确定相应斑块的采样范围。
由于斑块分割数据仅包括目标图像中的斑块及其邻域数据,因此拉直后的斑块分割数据仅包括被拉直后的血管的各个斑块机器邻域数据,在已知各个斑块及其邻域数据之后,即可基于预设采样范围阈值确定各个斑块的采样范围。
在一个实施例中,对当前斑块分割数据和当前目标图像以0.2mm的间隔进行重采样,以更新当前斑块分割数据和当前目标图像。基于预设提取框,从更新后的当前斑块分割数据和当前目标图像中进行目标血管提取以再次更新当前斑块分割数据和当前目标图像;然后基于再次更新后的当前斑块分割数据中的各个斑块及其邻域数据确定各个斑块的采样范围。其中,预设提取框可选为d,h,w=N×64×64,其中,N由目标血管的实际物理长度确定,目标血管越长,N越大;采样范围可选为96×64×64,即每个斑块的采样长度范围为斑块中心点前后48个像素。
S305、根据确定的相应斑块的采样范围和预设采样步长对当前目标图像进行血管采样以得到血管采样数据,并以该血管采样数据更新当前斑块分割数据。
在一个实施例中,采样范围为斑块中心点前后48个像素区域,以3个像素为采样间隔对当前目标图像进行血管采样以得到血管采样数据,并以该血管采样数据更新当前斑块分割数据。
S306、将更新后的当前斑块分割数据输入已训练的狭窄率分析模型以得到每个斑块的采样点位置以及该采样点位置对应的狭窄率。
由于更新后的当前斑块分割数据包含拉直后的目标血管中的各个斑块及其邻域数据,因此将该更新后的当前斑块分割数据输入已训练的狭窄率分析模型后,该已训练的狭窄率分析模型输出每个采样点位置对应的狭窄率。可以理解的是,采样点位置为其对应狭窄率在更新后的当前斑块分割数据或在更新后的当前目标图像中的位置,而不是在目标图像中的位置,因此该采样点位置在临床上无法使用。
S307、将符合预设狭窄条件的狭窄率对应的采样点位置映射至初始血管图像或目标血管分割图像中以得到对应的实际狭窄位置,并将该实际狭窄位置以及该实际狭窄位置对应的狭窄率作为目标血管的狭窄率。
如果更新后的当前斑块分割数据所包含任一斑块的采样点数小于或等于预设滤波数量,那么该斑块对应的预设狭窄条件为其所有狭窄率中的最大狭窄率;如果更新后的当前斑块分割数据所包含的任一斑块的采样点数大于预设滤波数量,则对该任一斑块的狭窄率进行滤波处理,此时预设狭窄条件为该任一斑块滤波处理后的所有狭窄率中的最大狭窄率。
由于初始血管图像携带的是人体血管的实际分布位置和形状信息,因此本实施例在确定了每个斑块对应的符合预设狭窄条件的狭窄率之后,将该狭窄率对应的采样点位置映射至初始血管图像或目标血管分割图像中,以得到对应的实际狭窄位置,并将该实际狭窄位置以及该实际狭窄位置对应的狭窄率作为目标血管的狭窄率。
在一个实施例中,目标血管在d=180-200和d=350-355处各有一斑块,如果采样间隔为3,那么前者的采样点为d=180,183,186,189,192,195,198;后者的采样点为d=350,353;已训练的狭窄率分析模型输出的前者的各个采样点的狭窄率为[0.2,0.4,0.6,0.5,0.3,0.4,0.1],后者的各个采样点的狭窄率为[0.1,0.2]。如果预设滤波数量为8个,那么此时的预设狭窄条件为每个斑块的所有狭窄率中的最大狭窄率,因此第一个斑块的狭窄率为0.6,第二个斑块的狭窄率为0.2。可以理解的是,如果预设滤波数量为6个,则需对第一个斑块的所有狭窄率进行滤波处理,比如sigma=0.7的高斯滤波,第一个斑块的各个采样点的狭窄率滤波后为[0.24689,0.39903,0.53161,0.47750,0.36258,0.31593,0.16646],其中最大狭窄率为0.53161,即第一斑块的狭窄率为0.53161;第二个斑块的采样点数小于6,因此无需对其所有狭窄率进行滤波处理,其最大狭窄率0.2,即第二个斑块的狭窄率为0.2,因此目标血管的狭窄率为d=186处的0.53161和d=353处的0.2。
本发明实施例提供的血管狭窄率确定方法的技术方案,在前述实施例的基础上,通过血管拉直提高各个斑块狭窄率的确定准确度,通过将各个斑块的狭窄率对应的采样点位置映射回初始血管图像或目标血管分割图像中,准确地确定出各个斑块的狭窄率对应的实际狭窄位置,从而准确无误地确定出目标血管的狭窄率及其对应的实际狭窄位置。
实施例四
图4是本发明实施例提供的血管狭窄率确定装置的结构框图。该装置用于执行上述任意实施例所提供的血管狭窄率确定方法,该装置可选为软件或硬件实现。该装置包括:
斑块热力图模块41,用于将患者的初始血管图像以及该初始血管图像对应的目标血管分割图像输入已训练的斑块分割模型以得到斑块热力图;
斑块提取模块42,用于根据所述斑块热力图确定斑块提取模板,并根据所述斑块提取模板对目标图像进行斑块提取以得到斑块分割数据,其中,所述目标图像为所述初始血管图像,或者包括所述初始血管图像和所述目标血管分割图像;
狭窄率确定模块43,用于将所述斑块分割数据输入已训练的狭窄率分析模型以得到目标血管的狭窄率。
可选地,斑块热力图模块用于根据所述目标血管分割图像确定目标血管外接框;根据所述目标血管外接框对所述初始血管图像和所述目标血管分割图像进行图像扣取,以分别得到第一扣取图像和第二扣取图像;将所述第一扣取图像和所述第二扣取图像输入已训练的斑块分割模型以得到斑块热力图。
可选地,斑块热力图模块还用于将所述斑块热力图添加至预设模板的设定位置以更新所述斑块热力图,所述预设模板与所述初始血管图像的尺寸相同,所述设定位置为所述目标血管外接框在所述初始血管图像中的位置。
可选地,斑块提取模块42用于根据预设阈值对所述斑块热力图进行二值化处理以得到二值模板,并将该二值模板作为斑块提取模板。
可选地,如图5所示,该装置还包括伪影识别模块44,该伪影识别模块用于对所述斑块分割数据中的每个斑块进行伪影识别以得到伪影识别结果;删除所述斑块分割数据中伪影识别结果为真的斑块的数据以更新所述斑块分割数据。
可选地伪影识别模块44具体用于确定所述斑块分割数据中的每个斑块的斑块外接框;根据每个斑块的斑块外接框的中心点和预设扣取范围对所述目标图像和所述斑块分割数据进行斑块扣取,以分别得到第一斑块扣取图像和第二斑块扣取图像;将所述第一斑块扣取图像和第二斑块扣取图像输入已训练的伪影识别模型,以得到每个斑块的伪影识别结果,其中,所述第一斑块扣取图像和所述第二斑块扣取图像的尺寸均与所述预设扣取范围相同。
可选地,狭窄率确定模块43用于对所述斑块分割数据和所述目标图像进行血管拉直以得到当前斑块分割数据和当前目标图像;根据所述当前斑块分割数据中的目标血管所包含斑块的分布信息确定相应斑块的采样范围;根据确定的相应斑块的采样范围和预设采样步长对当前目标图像进行血管采样以得到血管采样数据,并以该血管采样数据更新当前斑块分割数据。
可选地,狭窄率确定模块43还用于根据所述目标血管分割图像确定目标血管中心线;根据所述目标血管中心线对所述斑块分割数据和所述目标图像进行血管拉直以得到当前斑块分割数据和当前目标图像。
可选地,狭窄率确定模块43还用于将所述当前斑块分割数据输入已训练的狭窄率分析模型以得到每个斑块的每个采样点的狭窄率;将符合预设狭窄条件的狭窄率对应的采样点位置映射至所述初始血管图像或所述目标血管分割图像中以得到相应采样点对应的实际狭窄位置,并将该实际狭窄位置以及该实际狭窄位置对应的狭窄率作为目标血管的狭窄率。
可选地,狭窄率确定模块43还用于如果更新后的当前斑块分割数据所包含任一斑块的采样点数小于或等于预设滤波数量,则将该任一斑块的所有狭窄率中的最大狭窄率对应的采样点映射至所述初始血管图像或所述目标血管分割图像中,以得到相应采样点对应的实际狭窄位置;如果更新后的当前斑块分割数据所包含的任一斑块的采样点数大于预设滤波数量,则将该任一斑块的所有狭窄率进行滤波处理,并将滤波处理后的该任一斑块的所有狭窄率中的最大狭窄率对应的采样点映射至所述初始血管图像或所述目标血管分割图像中,以得到相应采样点对应的实际狭窄位置。
本发明实施例提供的血管狭窄率确定装置的技术方案,通过斑块热力图模块将患者的初始血管图像以及该初始血管图像对应的目标血管分割图像输入已训练的斑块分割模型,以得到斑块热力图;通过斑块提取模块根据斑块热力图确定斑块提取模板,并根据斑块提取模板对目标图像进行斑块提取以得到斑块分割数据;通过狭窄率确定模块将斑块分割数据输入已训练的狭窄率分析模型以得到目标血管的狭窄率;其中,目标图像为初始血管图像,或者包括初始血管图像和目标血管分割图像。通过斑块提取模板从目标图像中提取斑块分割数据,并使已训练的狭窄率分析模型仅对该斑块分割数据进行狭窄率分析,即仅对狭窄率可能出现的位置处的图像数据进行分析,既能降低已训练的狭窄率分析模型的数据运算量,又能在不降低狭窄率准确性的情况下提高狭窄率的确定速度,而且,还能通过减少其他位置的图像信息对狭窄率分析结果的影响来提高狭窄率的准确性。
本发明实施例所提供的血管狭窄率确定装置可执行本发明任意实施例所提供的血管狭窄率确定方法,具备执行方法相应的功能模块和有益效果。
实施例五
图6为本发明实施例提供的血管狭窄率确定***的结构示意图,如图6所示,该***包括处理器501和存储器502,该存储器存储有计算机程序。该***中处理器501的数量可以是一个或多个,图6中以一个处理器501为例;
存储器502作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的血管狭窄率确定方法对应的程序指令/模块(例如,斑块热力图模块41、斑块提取模块42以及狭窄率确定模块43)。处理器501通过运行存储在存储器502中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即执行一种血管狭窄率确定方法,该方法包括:
将患者的初始血管图像以及该初始血管图像对应的目标血管分割图像输入已训练的斑块分割模型,以得到斑块热力图;
根据所述斑块热力图确定斑块提取模板,并根据所述斑块提取模板对目标图像进行斑块提取以得到斑块分割数据,其中,所述目标图像为所述初始血管图像,或者包括所述初始血管图像和所述目标血管分割图像;
将所述斑块分割数据输入已训练的狭窄率分析模型以得到目标血管的狭窄率。
当然,本发明实施例所提供的处理器在执行计算机程序指令时,不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的血管狭窄率确定方法中的相关操作。
存储器502可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器502可进一步包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
该***还包括输入装置503以及输出装置504;设备中的处理器501、存储器502、输入装置503以及输出装置504可以通过总线或其他方式连接,图6中以通过总线连接为例。
输入装置503可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。
输出装置504可包括显示屏等显示设备,例如,用户终端的显示屏。
实施例六
本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种血管狭窄率确定方法,该方法包括:
将患者的初始血管图像以及该初始血管图像对应的目标血管分割图像输入已训练的斑块分割模型,以得到斑块热力图;
根据所述斑块热力图确定斑块提取模板,并根据所述斑块提取模板对目标图像进行斑块提取以得到斑块分割数据,其中,所述目标图像为所述初始血管图像,或者包括所述初始血管图像和所述目标血管分割图像;
将所述斑块分割数据输入已训练的狭窄率分析模型以得到目标血管的狭窄率。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的血管狭窄率确定方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(RandomAccess Memory,简称RAM)、闪存(FLASH)、硬盘或光盘等,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)执行本发明各个实施例所述的血管狭窄率确定方法。
值得注意的是,上述血管狭窄率确定装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (13)
1.一种血管狭窄率确定***,其特征在于,该***包括处理器和存储器,所述存储器存储有计算机程序,所述处理器在运行所述计算机程序时执行以下步骤,包括:
将患者的初始血管图像以及该初始血管图像对应的目标血管分割图像输入已训练的斑块分割模型,以得到斑块热力图;
根据所述斑块热力图确定斑块提取模板,并根据所述斑块提取模板对目标图像进行斑块提取以得到斑块分割数据,其中,所述目标图像为所述初始血管图像,或者包括所述初始血管图像和所述目标血管分割图像;
将所述斑块分割数据输入已训练的狭窄率分析模型以得到目标血管的狭窄率。
2.根据权利要求1所述的***,其特征在于,所述将患者的初始血管图像以及该初始血管图像对应的目标血管分割图像输入已训练的斑块分割模型以得到斑块热力图,包括:
根据所述目标血管分割图像确定目标血管外接框;
根据所述目标血管外接框对所述初始血管图像和所述目标血管分割图像进行图像扣取,以分别得到第一扣取图像和第二扣取图像;
将所述第一扣取图像和所述第二扣取图像输入已训练的斑块分割模型以得到斑块热力图。
3.根据权利要求2所述的***,其特征在于,所述得到斑块热力图之后,还包括:
将所述斑块热力图添加至预设模板的设定位置以更新所述斑块热力图,所述预设模板与所述初始血管图像的尺寸相同,所述设定位置为所述目标血管外接框在所述初始血管图像中的位置。
4.根据权利要求1-3任一所述的***,其特征在于,所述根据所述斑块热力图确定斑块提取模板,包括:
根据预设阈值对所述斑块热力图进行二值化处理以得到二值模板,并将该二值模板作为斑块提取模板。
5.根据权利要求1所述的***,其特征在于,所述根据所述斑块提取模板对目标图像进行斑块提取以得到斑块分割数据之后,还包括:
对所述斑块分割数据中的每个斑块进行伪影识别以得到伪影识别结果;
删除所述斑块分割数据中伪影识别结果为真的斑块的数据以更新所述斑块分割数据。
6.根据权利要求5所述的***,其特征在于,所述对所述斑块分割数据中的每个斑块进行伪影识别以得到伪影识别结果,包括:
确定所述斑块分割数据中的每个斑块的斑块外接框;
根据每个斑块的斑块外接框的中心点和预设扣取范围对所述目标图像和所述斑块分割数据进行斑块扣取,以分别得到第一斑块扣取图像和第二斑块扣取图像,所述第一斑块扣取图像和所述第二斑块扣取图像的尺寸均与所述预设扣取范围相同;
将所述第一斑块扣取图像和第二斑块扣取图像输入已训练的伪影识别模型,以得到每个斑块的伪影识别结果。
7.根据权利要求1所述的***,其特征在于,在所述将所述斑块分割数据输入已训练的狭窄率分析模型以得到目标血管的狭窄率之前,还包括:
对所述斑块分割数据和所述目标图像进行血管拉直以得到当前斑块分割数据和当前目标图像;
根据所述当前斑块分割数据中的目标血管所包含斑块的分布信息确定相应斑块的采样范围;
根据确定的相应斑块的采样范围和预设采样步长对当前目标图像进行血管采样以得到血管采样数据,并以该血管采样数据更新当前斑块分割数据。
8.根据权利要求7所述的***,其特征在于,所述对所述斑块分割数据和所述目标图像进行血管拉直以得到当前斑块分割数据和当前目标图像,包括:
根据所述目标血管分割图像确定目标血管中心线;
根据所述目标血管中心线对所述斑块分割数据和所述目标图像进行血管拉直以得到当前斑块分割数据和当前目标图像。
9.根据权利要求7或8所述的***,其特征在于,所述将所述斑块分割数据输入已训练的狭窄率分析模型以得到目标血管的狭窄率,包括:
将所述当前斑块分割数据输入已训练的狭窄率分析模型以得到每个斑块的每个采样点的狭窄率;
将符合预设狭窄条件的狭窄率对应的采样点位置映射至所述初始血管图像或所述目标血管分割图像中以得到相应采样点对应的实际狭窄位置,并将该实际狭窄位置以及该实际狭窄位置对应的狭窄率作为目标血管的狭窄率。
10.根据权利要求9所述的***,其特征在于,将符合预设狭窄条件的狭窄率对应的采样点映射至所述初始血管图像或所述目标血管分割图像中以得到相应采样点对应的实际狭窄位置,包括:
如果更新后的当前斑块分割数据所包含任一斑块的采样点数小于或等于预设滤波数量,则将该任一斑块的所有狭窄率中的最大狭窄率对应的采样点映射至所述初始血管图像或所述目标血管分割图像中,以得到相应采样点对应的实际狭窄位置;
如果更新后的当前斑块分割数据所包含的任一斑块的采样点数大于预设滤波数量,则将该任一斑块的所有狭窄率进行滤波处理,并将滤波处理后的该任一斑块的所有狭窄率中的最大狭窄率对应的采样点映射至所述初始血管图像或所述目标血管分割图像中,以得到相应采样点对应的实际狭窄位置。
11.一种血管狭窄率确定装置,其特征在于,包括:
斑块热力图模块,用于将患者的初始血管图像以及该初始血管图像对应的目标血管分割图像输入已训练的斑块分割模型以得到斑块热力图;
斑块提取模块,用于根据所述斑块热力图确定斑块提取模板,并根据所述斑块提取模板对目标图像进行斑块提取以得到斑块分割数据,其中,所述目标图像为所述初始血管图像,或者包括所述初始血管图像和所述目标血管分割图像;
狭窄率确定模块,用于将所述斑块分割数据输入已训练的狭窄率分析模型以得到目标血管的狭窄率。
12.一种血管狭窄率确定方法,其特征在于,由血管狭窄率确定***执行,包括:
将患者的初始血管图像以及该初始血管图像对应的目标血管分割图像输入已训练的斑块分割模型,以得到斑块热力图;
根据所述斑块热力图确定斑块提取模板,并根据所述斑块提取模板对目标图像进行斑块提取以得到斑块分割数据,其中,所述目标图像为所述初始血管图像,或者包括所述初始血管图像和所述目标血管分割图像;
将所述斑块分割数据输入已训练的狭窄率分析模型以得到目标血管的狭窄率。
13.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求12所述的血管狭窄率确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110925954.3A CN113628193B (zh) | 2021-08-12 | 2021-08-12 | 血管狭窄率确定方法、装置、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110925954.3A CN113628193B (zh) | 2021-08-12 | 2021-08-12 | 血管狭窄率确定方法、装置、***及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113628193A true CN113628193A (zh) | 2021-11-09 |
CN113628193B CN113628193B (zh) | 2022-07-15 |
Family
ID=78385119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110925954.3A Active CN113628193B (zh) | 2021-08-12 | 2021-08-12 | 血管狭窄率确定方法、装置、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113628193B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708259A (zh) * | 2022-05-24 | 2022-07-05 | 深圳市铱硙医疗科技有限公司 | 基于cta的头颈血管狭窄检测方法、装置、设备及介质 |
CN114757944A (zh) * | 2022-06-13 | 2022-07-15 | 深圳科亚医疗科技有限公司 | 一种血管图像的分析方法、装置及存储介质 |
CN115147360A (zh) * | 2022-06-13 | 2022-10-04 | 北京医准智能科技有限公司 | 一种斑块分割方法、装置、电子设备及可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160235373A1 (en) * | 2015-02-13 | 2016-08-18 | Siemens Aktiengesellschaft | Plaque vulnerability assessment in medical imaging |
CN108171698A (zh) * | 2018-02-12 | 2018-06-15 | 数坤(北京)网络科技有限公司 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
CN108932714A (zh) * | 2018-07-23 | 2018-12-04 | 苏州润心医疗器械有限公司 | 冠脉ct图像的斑块分类方法 |
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 |
CN111681224A (zh) * | 2020-06-09 | 2020-09-18 | 上海联影医疗科技有限公司 | 获取血管参数的方法和装置 |
CN111862033A (zh) * | 2020-07-15 | 2020-10-30 | 上海联影医疗科技有限公司 | 医学图像处理方法、装置、图像处理设备及存储介质 |
CN112288731A (zh) * | 2020-11-05 | 2021-01-29 | 杭州深睿博联科技有限公司 | 一种血管狭窄分析方法及装置 |
CN113034491A (zh) * | 2021-04-16 | 2021-06-25 | 北京安德医智科技有限公司 | 一种冠脉钙化斑块检测方法及装置 |
-
2021
- 2021-08-12 CN CN202110925954.3A patent/CN113628193B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160235373A1 (en) * | 2015-02-13 | 2016-08-18 | Siemens Aktiengesellschaft | Plaque vulnerability assessment in medical imaging |
CN108171698A (zh) * | 2018-02-12 | 2018-06-15 | 数坤(北京)网络科技有限公司 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
CN108932714A (zh) * | 2018-07-23 | 2018-12-04 | 苏州润心医疗器械有限公司 | 冠脉ct图像的斑块分类方法 |
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 |
CN111681224A (zh) * | 2020-06-09 | 2020-09-18 | 上海联影医疗科技有限公司 | 获取血管参数的方法和装置 |
CN111862033A (zh) * | 2020-07-15 | 2020-10-30 | 上海联影医疗科技有限公司 | 医学图像处理方法、装置、图像处理设备及存储介质 |
CN112288731A (zh) * | 2020-11-05 | 2021-01-29 | 杭州深睿博联科技有限公司 | 一种血管狭窄分析方法及装置 |
CN113034491A (zh) * | 2021-04-16 | 2021-06-25 | 北京安德医智科技有限公司 | 一种冠脉钙化斑块检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
MAJD ZREIK 等: "A Recurrent CNN for Automatic Detection and Classification of Coronary Artery Plaque and Stenosis in Coronary CT Angiography", 《IEEE》 * |
黄志杰: "基于血管内超声图像的动脉粥样硬化斑块组织区域的识别方法的研究", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708259A (zh) * | 2022-05-24 | 2022-07-05 | 深圳市铱硙医疗科技有限公司 | 基于cta的头颈血管狭窄检测方法、装置、设备及介质 |
CN114708259B (zh) * | 2022-05-24 | 2022-08-16 | 深圳市铱硙医疗科技有限公司 | 基于cta的头颈血管狭窄检测方法、装置、设备及介质 |
CN114757944A (zh) * | 2022-06-13 | 2022-07-15 | 深圳科亚医疗科技有限公司 | 一种血管图像的分析方法、装置及存储介质 |
CN114757944B (zh) * | 2022-06-13 | 2022-08-16 | 深圳科亚医疗科技有限公司 | 一种血管图像的分析方法、装置及存储介质 |
CN115147360A (zh) * | 2022-06-13 | 2022-10-04 | 北京医准智能科技有限公司 | 一种斑块分割方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113628193B (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113628193B (zh) | 血管狭窄率确定方法、装置、***及存储介质 | |
Sun et al. | Morphological multiscale enhancement, fuzzy filter and watershed for vascular tree extraction in angiogram | |
CN111696089A (zh) | 一种动静脉确定方法、装置、设备和存储介质 | |
CN110706272B (zh) | 血管中心线的提取方法、装置、电子设备和存储介质 | |
CN111640124B (zh) | 一种血管提取方法、装置、设备及存储介质 | |
CN112991346B (zh) | 用于医学图像分析的学习网络的训练方法和训练*** | |
CN111862033A (zh) | 医学图像处理方法、装置、图像处理设备及存储介质 | |
CN114693710A (zh) | 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质 | |
CN112164026A (zh) | 一种内窥镜息肉实时检测方法、***及终端 | |
CN113313715B (zh) | 心脏动脉血管的分割方法、分割装置、设备和介质 | |
CN112950734B (zh) | 冠脉重建方法、装置、电子设备和存储介质 | |
CN113192099B (zh) | 一种组织提取方法、装置、设备和介质 | |
CN108198213B (zh) | 一种标记管状结构的方法及装置、管状结构的处理终端 | |
CN111161240A (zh) | 血管分类方法、计算机设备和可读存储介质 | |
CN115115657A (zh) | 病灶分割方法及装置、电子设备及存储介质 | |
CN115546149A (zh) | 肝脏分割方法及装置、电子设备及存储介质 | |
CN113724264B (zh) | 图像分割方法、***和可读存储介质 | |
CN117078711A (zh) | 医学图像分割方法、***、电子设备和存储介质 | |
CN115147360A (zh) | 一种斑块分割方法、装置、电子设备及可读存储介质 | |
CN114170258A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN114241138A (zh) | 肺小结节三维重建方法、装置、电子设备及存储介质 | |
KR102187712B1 (ko) | X-ray/CT 영상에서 혈관 조각 병합 방법 및 장치 | |
CN113096141B (zh) | 冠状动脉分割方法以及冠状动脉分割装置 | |
CN115588012B (zh) | 一种盆骨动脉血管分割方法、***、存储介质及终端 | |
CN115100222B (zh) | 分离动静脉血管的图像处理方法、装置、存储介质及终端 |
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 |