CN113706559A - 基于医学图像的血管分段提取方法和装置 - Google Patents
基于医学图像的血管分段提取方法和装置 Download PDFInfo
- Publication number
- CN113706559A CN113706559A CN202111068244.XA CN202111068244A CN113706559A CN 113706559 A CN113706559 A CN 113706559A CN 202111068244 A CN202111068244 A CN 202111068244A CN 113706559 A CN113706559 A CN 113706559A
- Authority
- CN
- China
- Prior art keywords
- image
- blood vessel
- segmentation
- detected
- vessel
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 105
- 230000011218 segmentation Effects 0.000 title claims abstract description 80
- 238000000605 extraction Methods 0.000 title claims abstract description 24
- 238000003384 imaging method Methods 0.000 claims abstract description 53
- 238000003709 image segmentation Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000004590 computer program Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 4
- 210000004351 coronary vessel Anatomy 0.000 description 29
- 238000012549 training Methods 0.000 description 18
- 238000002586 coronary angiography Methods 0.000 description 10
- 238000003745 diagnosis Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003902 lesion Effects 0.000 description 4
- 241000239290 Araneae Species 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 208000031481 Pathologic Constriction Diseases 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 230000036262 stenosis Effects 0.000 description 2
- 208000037804 stenosis Diseases 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000009782 Plagiocephaly Diseases 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 210000001105 femoral artery Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000968 medical method and process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 210000002321 radial artery Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 210000000707 wrist 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提出了一种基于医学图像的血管分段提取方法和装置,包括:获取包含一个或多个目标血管分支的待检测图像,其中所述待检测图像记录拍摄信息;根据所述拍摄信息获得所述待检测图像的成像投照***;将所述待检测图像输入对应所述成像投照***的图像分割模型,获得对应所述目标血管分支的分段分割结果,其中所述分段分割结果包括一个或多个血管分段对应的血管分段掩膜。本申请通过对医学图像选择对应的图像分割模型对其中的目标血管分支进行血管分段,最终得到的分段分割结果可以根据需要选择合适的展示方式,具有高度自动化、客观性强的优势,不仅可以快速得到更为客观的分析数据,还可以减少医生的工作压力。
Description
技术领域
本申请涉及智慧医疗领域,特别是涉及一种基于医学图像的血管分段提取方法和装置。
背景技术
医学图像分割效果是决定医学图像在临床诊疗中能否提供可靠依据的关键问题,也是医学图像处理与分析领域的复杂而关键的步骤,目的是将医学图像中具有特殊含义的部分分割出来,提取和强化相关特征,为临床诊疗和病理学研究提供直观、可靠的依据,辅助医生作出更为准确的诊断。但由于医学图像自身的复杂性,在分割过程中需要解决不均匀及个体差异等一系列问题,所以一般的图像分割方法难以直接应用于医学图像分割。
冠状动脉造影是心血管疾病诊断与治疗过程中最重要的成像手段。医生通过判读冠脉造影图像可评价冠脉血流灌注、管壁病变的有无及累及范围等。在临床上,医生通常通过目测冠脉造影图像对血管状况与病变情况进行判读,但诊断结果受医生的经验等主观因素影响,不仅需要花费较长时间,而且判读结果也存在不一致性。
目前,已有商用冠脉造影定量分析QCA软件上市,在使用时,医生选取血管清晰的冠脉造影图像,选取目标病变,勾画病变血管的中心线或轮廓,QCA软件可自动分析血管直径、狭窄直径、狭窄面积、病变长度等定量参数,医生可据此导出诊断结果,并撰写诊断报告。但该方法需要选取待分析血管、勾画血管中心线或者轮廓、人工确定血管分段等,不仅操作复杂,需要花费大量时间,而且对疾病的诊断主要还是依赖于医生的经验和主观认知。
发明内容
本申请实施例提供了一种基于医学图像的血管分段提取方法和装置,通过深度学习技术实现了对医学图像中血管自动分割和分段,减少诊断结果对医生经验的过度依赖,简化操作的同时也减少医生的工作量。
第一方面,本申请实施例提供了一种基于医学图像的血管分段提取方法包括以下步骤:
步骤S1:获取包含一个或多个目标血管分支的待检测图像,其中所述待检测图像记录拍摄信息;
步骤S2:根据所述拍摄信息获得所述待检测图像的成像投照***;
步骤S3:将所述待检测图像输入对应所述成像投照***的图像分割模型,获得对应所述目标血管分支的分段分割结果,其中所述分段分割结果包括一个或多个血管分段对应的血管分段掩膜。
在一些申请实施例中,所述待检测图像为DICOM格式文件,其中所述待检测图像记录X线球管拍摄信息,根据所述X线球管拍摄信息获得所述待检测图像的成像投照***。
在一些申请实施例中,所述图像分割模型对所述待检测图像逐层对待检测图像逐层进行特征提取,再根据提取到的特征将对应目标血管分支的分段分割结果。其中,在一些申请实施例中,所述图像分割模型可采用SegNet、Mask R-CNN、U2Net以及FCN中的任意一种。
在一些申请实施例中,可根据所述目标血管分支的分段分割结果和所述成像投照***,对所述目标血管分支进行三维重建并显示。或者,在另一些实施例中,将所述目标血管分支的分段分割结果叠加于所述待检测图像上展示。
第二方面,本申请实施例提供了一种基于医学图像的血管分段提取装置,用于实现第一方面中所述的基于医学图像的血管分段提取方法,该装置包括以下模块:
获取模块,用于获取包含一个或多个目标血管分支的待检测图像,其中所述待检测图像记录拍摄信息;
判断模块,用于根据所述拍摄信息获得所述待检测图像的成像投照***;
分割模块,用于将所述待检测图像输入对应所述成像投照***的图像分割模型,获得对应所述目标血管分支的分段分割结果,其中所述分段分割结果包括一个或多个血管分段对应的血管分段掩膜。
第三方面,本申请实施例提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以如上任意申请实施例所述的基于医学图像的血管分段提取方法。
第四方面,本申请实施例提供了一种计算机程序产品,所述计算机程序产品包括:程序或指令,当所述程序或指令在计算机上运行时,使得所述计算机执行如上任意申请实施例所述的基于医学图像的血管分段提取方法。
第五方面,本申请实施例提供了一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序包括用于控制过程以执行过程的程序代码,所述过程包括根据如上任意申请实施例所述的基于医学图像的血管分段提取方法。
本申请实施例的主要贡献和创新点如下:通过深度学习技术,将记录有目标血管分支和成像投照***的医学图像输入已训练的卷积神经网络中进行特征提取,并根据提取到的特征将目标血管分支分割成多个血管分段,极大提高定量分析目标血管的自动化程度,减少疾病诊断中对医生经验的过度依赖。特别的是,本申请针对检测到不同成像投照***得到的医学图像,选择对应的图像分割模型对其中的目标血管分支进行血管分段,最终得到的分段分割结果可以根据需要选择合适的展示方式,具有高度自动化、客观性强的优势,不仅可以快速得到更为客观的分析数据,还可以减少医生的工作压力,简化操作复杂程度以及节省时间。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的基于医学图像的血管分段提取方法的流程图;
图2是根据本申请实施例的右斜位足位的冠脉造影图像;
图3是根据本申请实施例的左前斜头位的冠脉造影图像;
图4是根据本申请实施例的蜘蛛位的冠脉造影图像;
图5是根据本申请实施例的基于医学图像的分段分割结果示意图;
图6是根据本申请实施例的基于医学图像的血管分段提取装置的结构框图;
图7是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是:在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中,其方法所包括的步骤可以比本说明书所描述的更多或更少。此外,本说明书中所描述的单个步骤,在其他实施例中可能被分解为多个步骤进行描述;而本说明书中所描述的多个步骤,在其他实施例中也可能被合并为单个步骤进行描述。
通常的冠脉造影方法是用一根细如发丝的导管沿着桡动脉手腕处或股动脉大腿处的人为入口延行到心脏的冠状动脉开口处,然后把造影剂在X光下显影注入冠状动脉,这样冠状动脉内部的形态就可以显示出来,还可以观察到冠状动脉的血管情况。
实施例一
本实施例提供了一种基于医学图像的血管分段提取方法,在本实施例中,该方法将冠状造影DICOM图像作为待检测图像,通过冠状造影DICOM图像中记录了拍摄信息,也就是X线球管的角度信息Positioner Primary Angle与Positioner Secondary Angle。也就是说,根据该拍摄信息可以判断该待检测图像的成像投照***,并自动根据该成像投照***选择对应其中包含的一个或多个冠状动脉支血管训练得到的图像分割模型,将图中包含的一个或多个冠状动脉支血管作为目标血管分支进行分段分割。
具体地,参考图1,所述方法包括步骤S1-S3:
步骤S1:获取包含目标血管分支的待检测图像,其中所述待检测图像记录拍摄信息。
在该步骤中,通过医疗成像设备采集到的冠脉造影图像,选取其中血管充盈、清晰可见的冠脉造影图像作为待检测图像。
正常人体的冠状动脉主要分为三大支血管,即左前降支(LAD)、左回旋支(LCX)、右冠(RA)。冠脉造影成像时,根据需要关注不同的冠状动脉支血管以及同一冠状动脉支血管不同位置的形态,会采用不同的投照***进行成像,最后得到的冠脉造影图像中根据不同的成像投照***包含一个或多个冠状动脉支血管,并且展示出冠状动脉支血管对应成像投照***的形态。也就是说,待检测图像中会包含一个或多个冠状动脉支血管。
因此在本申请的一实施例中,所述拍摄信息记录拍摄设备的拍摄信息,在本实施例中,待检测图像会记录X线球管的角度信息,后续可以根据该角度信息判断拍摄设备成像时的投照***。值得说明的是,不同拍摄角度对应不同投照***,也就对应了不同数量、类型的目标血管分支及其血管分段的朝向、形态。也就是说,根据判断出的投照***,可以知晓待检测图像中具体包含的冠状动脉支血管的数量、类型及其血管分段的朝向、形态,将待检测图像中展示的所有冠状动脉支血管作为目标血管分支通过后续分析进行血管分段分割。具体的,待检测图像可以是冠脉造影DICOM图像。
步骤S2:根据所述拍摄信息获得所述待检测图像的成像投照***。
在该步骤中,可以通过待检测图像中记录的拍摄信息判断医疗成像设备成像时具体的投照***。
具体的投照***可以是:左前斜位、左前斜足位、左前斜头位、右前斜位、右前斜足位、正头位、蜘蛛位以及后前位头位。
首先,不同成像投照***得到的待检测图像包含的冠状动脉支血管是不同的。示例性的,如图2所示,当成像投照***为“右斜位足位”时,此时图中显示的是LCX冠状动脉支血管和LAD冠状动脉支血管,LAD冠状动脉支血管在LCX冠状动脉支血管的上方。
其次,不同成像投照***得到的待检测图像中的目标血管分支的位置关系不同。示例性的,图2中,当成像投照***为“右斜位足位”时,LAD冠状动脉支血管在LCX冠状动脉支血管的上方,但图4中,当成像投照***为“左前斜头位”时,LAD冠状动脉支血管在LCX冠状动脉支血管的下方。
特别的是,目标血管分支上的各个血管分段在不同成像投照***下的朝向、形态也不相同。示例性的,图2中,成像投照***为“右前斜足位”时,LAD冠状动脉支血管在LCX冠状动脉支血管的各个血管分段都朝下,图4中,成像投照***为“蜘蛛位”时,LAD冠状动脉支血管的部分血管分段朝上、部分朝下,LCX冠状动脉支血管的血管分段都朝下,并且图2和图4中同一冠状动脉支血管的各个血管分段形态都明显不同。
因此,通过记录所述待检测图像的拍摄信息的方式反推此时待检测图像中包含的目标血管分支的数量、类型及其血管分段的朝向、形态,进而便于后续确认针对该待检测图像选择匹配的图像分割模型。
在本实施例中,所述拍摄信息包括X线球管的Positioner Primary Angle与Positioner Secondary Angle,根据已记录所述拍摄信息和成像投照***的对应关系,在获取所述拍摄信息后,自动匹配所述拍摄信息对应的成像投照***。
值得说明的是,正如前述,不同的成像投照***对应的待检测图像中包含的目标血管分支数量、种类及其血管分段的朝向、形态都是有差异的,本实施例先根据匹配成像投照***的方式确定待检测图像中包含的目标血管分支数量、类型及其血管分段的朝向、形态,使得后续的图像分割模型仅需针对特定***的目标血管分支进行检测,这样的目的在于可大大地减少图像分割模型的训练和计算压力,也减小其识别难度。
步骤S3:将所述待检测图像输入对应所述成像投照***的图像分割模型,获得对应所述目标血管分支的分段分割结果,其中所述分段分割结果包括一个或多个血管分段对应的血管分段掩膜(也称作“掩模”,mask)。掩膜一般用于选定的图像、图形或物体以对待处理图像的全部或局部进行遮挡,来控制图像处理的区域或处理过程;本实施例中,掩膜用于通过相似性变量或图像匹配方法检测和提取图像中与掩膜相似的结构特征。
在该步骤中,需要先准备好对应不同成像投照***的图像分割模型。也就是说,先要训练对应各种成像投照***的图像分割模型,然后根据步骤S2中得到的成像投照***选择对应的图像分割模型对待检测图像进行分析和检测,最终得到待检测图像中目标血管分支的分段分割结果。也就是说,将待检测图像数据对应的图像分割模型,将其中的目标血管分支分为了一个或多个血管分段及其血管分段轮廓。
值得一提的是,正是由于本申请先对成像投照***进行了区分,使得单一图像分割模型在分割所述目标血管分支时的注意力更高。本实施例的图像分割模型在已经确定待检测图像中包含的目标血管分支数量、类型的情况下,对目标血管分支的血管分段有着大量分割训练经验。也就是说,本实施例训练图像分割模型时,是针对每一成像投照***都训练有相应的模型以用于实现目标血管分支的血管分段。若是直接将不明数量、类型的目标血管分支输入一图像分割模型中,该图像分割模型很难精准地区分不同类型的目标血管分支以及对不同类型的目标血管分支血管分段进行识别。而用于医疗诊断的检测结果,在检测精度和识别精度上一定是要求极高的,也就是说,针对每一成像投照***训练对应的图像分割模型是必要的,那么在将这一操作自动化的过程中,通过拍摄信息来获取成像投照***,通过成像投照***选择用于分割不同目标血管分支的图像分割模型是缺一不可的。
具体分段分割结果的效果可以参考图5,将待检测图像中的目标血管分支分成多个血管分段并用不同颜色表示,每一颜色对应一血管分段名称。当然,本申请不限定所述血管分段的具体显示形式。
在一些实施例中,将待检测图像输入图像分割模型,图像分割模型对待检测图像逐层进行特征提取,再根据提取到的特征将对应目标血管分支的分段分割结果。其中的图像分割模型可以选用现有的常用于医学图像分割的卷积神经网络训练得到,例如选择SegNet、Mask R-CNN、U2Net以及FCN中的任意一种作为基本架构。
图像分割模型的训练过程大致为:
获取训练样本和测试样本:收集不同投照***采集到的大量样本图像,将样本图像按照一定比例分为训练样本和测试样本,将训练样本与测试样本中的目标血管分支标注出不同血管分段的位置,以作为训练样本与测试样本的掩码图像(mask);当训练样本较少时,可以通过将训练样本平移、旋转、弹性形变、灰度变化等操作生成更多的用于训练的样本图像,进行数据增强可以有效地提高网络的泛化性和鲁棒性。
图像分割模型的训练和测试:将训练样本输入到选用的卷积神经网络中进行训练,训练完成后保存网络结构和参数,将测试样本输入当前的图像分割模型检测分割精度,若分割精度还不达标,输入新的训练样本将该模型循环迭代至符合实际需求后停止训练。
特别的,由于本申请需要是对确定的目标血管分支的血管分段进行分割处理,而血管分段和血管分段之间是相关联,在本申请的另一实施例中,图像分割模型在确定某一段血管分段的类型后,根据血管分段和血管分段之间的位置关系进行其他血管分段的识别和分割。也就是说,由于本申请是对目标血管分支的血管分段进行识别和分割,多个血管分段是相邻的,在获取到初始血管分段掩膜后可以根据血管分段之间的位置关系进行校验,然后调整最终血管分段掩膜的位置。这样的好处在于,可基于不同血管分段之间的位置关系进行血管分段的识别和判断,优化了图像分割模型的分割精度。
最后,还可以根据得到目标血管分支的分段分割结果对目标血管分支进行三维重建并显示,也就是说,本申请针对检测到不同成像投照***得到的医学图像,选择对应的模型对其中的目标血管分支进行血管分段,最终得到的分段分割结果可以根据需要选择合适的展示方式。
在本申请的一实施例中,基于医学图像的血管分段提取方法在步骤S3之后进一步包括步骤S4:基于所述分段分割结果获取所述待检测图像中的目标血管分段图像。
在步骤S3中已根据图像分割模型获取分段分割结果,本申请在步骤S4当中,确认需要重点观察的血管分段后,将其作为目标血管分段,根据分段分割结果中的血管分段目标框,从待检测图像中截取目标血管分段所在的区域位置,也就是得到目标血管分段图像。此时,血管分段的端点可以作为血管分段的特征点训练血管分段特征点模型,并根据血管分段特征点模型进一步定位血管分段。步骤S4的好处在于:在实际医学过程中可能仅是需要对血管的某一段血管进行观察,本申请可通过该方案准确地获取目标血管分段,并将目标血管分段进行放大处理。且由于步骤S3中已然获取每个目标血管分段的类型,则临床人员可根据需要调取显示合适的目标血管分段。
实施例二
基于相同的构思,本实施例还提供了一种基于医学图像的血管分段提取装置,用于实现实施例一中所描述的基于医学图像的血管分段提取方法,具体参考图4,图4是根据本申请实施例的基于医学图像的血管分段提取装置的结构框图,如图2所示,该装置包括以下模块:
获取模块,用于获取包含一个或多个目标血管分支的待检测图像,其中所述待检测图像记录拍摄信息;
判断模块,用于根据所述拍摄信息获得所述待检测图像的成像投照***;
分割模块,用于将所述待检测图像输入对应所述成像投照***的图像分割模型,获得对应所述目标血管分支的分段分割结果,其中所述分段分割结果包括一个或多个血管分段对应的血管分段掩膜。
实施例三
本实施例还提供了一种电子装置,参考图5,包括存储器404和处理器402,该存储器404中存储有计算机程序,该处理器402被设置为运行计算机程序以执行上述实施例一中的任意一种基于医学图像的血管分段提取方法的步骤。
具体地,上述处理器402可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制,存储器404可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(Solid State Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerial Bus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器404可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器404可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器404可在数据处理装置的内部或外部。在特定实施例中,存储器404是非易失性(Non-Volatile)存储器。在特定实施例中,存储器404包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(Random AccessMemory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器404(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器402所执行的可能的计算机程序指令。
处理器402通过读取并执行存储器404中存储的计算机程序指令,以实现上述实施例中的任意一种数据入库方法。
可选地,上述电子装置还可以包括传输设备406以及输入输出设备408,其中,该传输设备406和上述处理器402连接,该输入输出设备408和上述处理器402连接。
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中,传输设备包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备406可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
输入输出设备408用于输入或输出信息。在本实施例中,输入的信息可以是当前数据表例如疫情流调文档、特征数据、模板表等,输出的信息可以是特征指纹、指纹模板、文本分类推荐信息、文件模板配置映射表、文件模板配置信息表等。
可选地,在本实施例中,上述处理器402可以被设置为通过计算机程序执行以下步骤:
步骤S1:获取包含一个或多个目标血管分支的待检测图像,其中所述待检测图像记录拍摄信息;
步骤S2:根据所述拍摄信息获得所述待检测图像的成像投照***;
步骤S3:将所述待检测图像输入对应所述成像投照***的图像分割模型,获得对应所述目标血管分支的分段分割结果,其中所述分段分割结果包括一个或多个所述目标血管分支的血管分段对应的血管分段掩膜。
需要说明的是,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
另外,结合上述实施例一中的任意一种基于医学图像的血管分段提取方法,本申请实施例可一种计算机程序产品来实现。该计算机程序产品包括:程序或指令,当所述程序或指令在计算机上运行时,使得所述计算机执行实现上述实施例一中的任意一种基于医学图像的血管分段提取方法。
并且,结合上述实施例一中的任意一种基于医学图像的血管分段提取方法,本申请实施例可提供一种可读存储介质来实现。该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执行时实现上述实施例一中的任意一种基于医学图像的血管分段提取方法。
通常,各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现,而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现,但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示,但是应当理解,作为非限制性示例,本文中描述的这些框、装置、***、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本发明的实施例可以由计算机软件来实现,该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行,或者由硬件来实现,或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中,并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外,在这一点上,应当注意,如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。
本领域的技术人员应该明白,以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.基于医学图像的血管分段提取方法,其特征在于,包括以下步骤:
步骤S1:获取包含一个或多个目标血管分支的待检测图像,其中所述待检测图像记录拍摄信息;
步骤S2:根据所述拍摄信息获得所述待检测图像的成像投照***;
步骤S3:将所述待检测图像输入对应所述成像投照***的图像分割模型,获得对应所述目标血管分支的分段分割结果,其中所述分段分割结果包括一个或多个血管分段对应的血管分段掩膜。
2.根据权利要求1所述的基于医学图像的血管分段提取方法,其特征在于,所述图像分割模型对所述待检测图像逐层对待检测图像逐层进行特征提取,再根据提取到的特征将对应目标血管分支的分段分割结果。
3.根据权利要求1所述的基于医学图像的血管分段提取方法,其特征在于,将所述目标血管分支的分段分割结果叠加于所述待检测图像上展示。
4.根据权利要求1所述的基于医学图像的血管分段提取方法,其特征在于,根据所述目标血管分支的分段分割结果和所述成像投照***,对所述目标血管分支进行三维重建并显示。
5.根据权利要求1所述的基于医学图像的血管分段提取方法,其特征在于,所述待检测图像为DICOM格式文件,其中所述待检测图像记录X线球管拍摄信息,根据所述X线球管拍摄信息获得所述待检测图像的成像投照***。
6.根据权利要求1所述的基于医学图像的血管分段提取方法,其特征在于,所述图像分割模型可采用SegNet、Mask R-CNN、U2Net以及FCN中的任意一种。
7.基于医学图像的血管分段提取装置,其特征在于,包括以下模块:
获取模块,用于获取包含一个或多个目标血管分支的待检测图像,其中所述待检测图像记录拍摄信息;
判断模块,用于根据所述拍摄信息获得所述待检测图像的成像投照***;
分割模块,用于将所述待检测图像输入对应所述成像投照***的图像分割模型,获得对应所述目标血管分支的分段分割结果,其中所述分段分割结果包括一个或多个血管分段对应的血管分段掩膜。
8.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至6任一所述的基于医学图像的血管分段提取方法。
9.一种计算机程序产品,其特征在于,包括软件代码部分,当所述计算机程序产品在计算机上被运行时,所述代码软件部分用于执行根据权利要求1至6任一项所述的基于医学图像的血管分段提取方法。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序,所述计算机程序包括用于控制过程以执行过程的程序代码,所述过程包括根据权利要求1至6任一项所述的基于医学图像的血管分段提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111068244.XA CN113706559A (zh) | 2021-09-13 | 2021-09-13 | 基于医学图像的血管分段提取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111068244.XA CN113706559A (zh) | 2021-09-13 | 2021-09-13 | 基于医学图像的血管分段提取方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113706559A true CN113706559A (zh) | 2021-11-26 |
Family
ID=78660114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111068244.XA Pending CN113706559A (zh) | 2021-09-13 | 2021-09-13 | 基于医学图像的血管分段提取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706559A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114445391A (zh) * | 2022-01-30 | 2022-05-06 | 推想医疗科技股份有限公司 | 血管分段方法及其装置、电子设备和计算机可读存储介质 |
CN114862850A (zh) * | 2022-07-06 | 2022-08-05 | 深圳科亚医疗科技有限公司 | 一种血管医学图像的目标检测方法、装置及介质 |
CN117373070A (zh) * | 2023-12-07 | 2024-01-09 | 瀚依科技(杭州)有限公司 | 血管分段标注的方法及装置、电子设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1871998A (zh) * | 2006-04-20 | 2006-12-06 | 北京思创贯宇科技开发有限公司 | 一种血管三维重建及虚拟支架置入的方法和*** |
CN101301207A (zh) * | 2008-05-28 | 2008-11-12 | 华中科技大学 | 动态模型指导下的血管造影三维重建方法 |
CN105662387A (zh) * | 2016-01-06 | 2016-06-15 | 上海交通大学 | 具有双工作模式的获取血流储备分数值的*** |
CN106108925A (zh) * | 2015-05-04 | 2016-11-16 | 西门子保健有限责任公司 | 用于医学图像数据中全身骨移除和血管可视化的方法和*** |
CN108830155A (zh) * | 2018-05-10 | 2018-11-16 | 北京红云智胜科技有限公司 | 一种基于深度学习的心脏冠状动脉分割及识别的方法 |
CN110367965A (zh) * | 2018-09-19 | 2019-10-25 | 苏州润迈德医疗科技有限公司 | 便捷测量冠状动脉血管评定参数的方法、装置及*** |
CN111369519A (zh) * | 2020-03-02 | 2020-07-03 | 博动医学影像科技(上海)有限公司 | 冠状动脉的血流速度的计算方法、装置及电子设备 |
CN113223013A (zh) * | 2021-05-08 | 2021-08-06 | 推想医疗科技股份有限公司 | 一种肺血管分段定位的方法、装置、设备及存储介质 |
-
2021
- 2021-09-13 CN CN202111068244.XA patent/CN113706559A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1871998A (zh) * | 2006-04-20 | 2006-12-06 | 北京思创贯宇科技开发有限公司 | 一种血管三维重建及虚拟支架置入的方法和*** |
CN101301207A (zh) * | 2008-05-28 | 2008-11-12 | 华中科技大学 | 动态模型指导下的血管造影三维重建方法 |
CN106108925A (zh) * | 2015-05-04 | 2016-11-16 | 西门子保健有限责任公司 | 用于医学图像数据中全身骨移除和血管可视化的方法和*** |
CN105662387A (zh) * | 2016-01-06 | 2016-06-15 | 上海交通大学 | 具有双工作模式的获取血流储备分数值的*** |
CN108830155A (zh) * | 2018-05-10 | 2018-11-16 | 北京红云智胜科技有限公司 | 一种基于深度学习的心脏冠状动脉分割及识别的方法 |
CN110367965A (zh) * | 2018-09-19 | 2019-10-25 | 苏州润迈德医疗科技有限公司 | 便捷测量冠状动脉血管评定参数的方法、装置及*** |
CN111369519A (zh) * | 2020-03-02 | 2020-07-03 | 博动医学影像科技(上海)有限公司 | 冠状动脉的血流速度的计算方法、装置及电子设备 |
CN113223013A (zh) * | 2021-05-08 | 2021-08-06 | 推想医疗科技股份有限公司 | 一种肺血管分段定位的方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
谢丽华 等: ""基于深度神经网络的冠状动脉造影图像血管分割和节段识别"", 《中国循环杂志》, vol. 35, no. 11, pages 1064 - 1071 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114445391A (zh) * | 2022-01-30 | 2022-05-06 | 推想医疗科技股份有限公司 | 血管分段方法及其装置、电子设备和计算机可读存储介质 |
CN114862850A (zh) * | 2022-07-06 | 2022-08-05 | 深圳科亚医疗科技有限公司 | 一种血管医学图像的目标检测方法、装置及介质 |
CN117373070A (zh) * | 2023-12-07 | 2024-01-09 | 瀚依科技(杭州)有限公司 | 血管分段标注的方法及装置、电子设备和存储介质 |
CN117373070B (zh) * | 2023-12-07 | 2024-03-12 | 瀚依科技(杭州)有限公司 | 血管分段标注的方法及装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113706559A (zh) | 基于医学图像的血管分段提取方法和装置 | |
US7653227B2 (en) | Hierarchical modeling in medical abnormality detection | |
KR102289277B1 (ko) | 복수의 의료 영상 판독 알고리듬들에 대한 평가 스코어를 생성하는 의료 영상 판독 지원 장치 및 방법 | |
Liu et al. | A framework of wound segmentation based on deep convolutional networks | |
EP2365471B1 (en) | Diagnosis assisting apparatus, coronary artery analyzing method and recording medium having a coronary artery analzying program stored therein | |
US20120166211A1 (en) | Method and apparatus for aiding imaging diagnosis using medical image, and image diagnosis aiding system for performing the method | |
JP6719421B2 (ja) | 学習データ生成支援装置および学習データ生成支援方法並びに学習データ生成支援プログラム | |
US11915822B2 (en) | Medical image reading assistant apparatus and method for adjusting threshold of diagnostic assistant information based on follow-up examination | |
EP1542589B1 (en) | Display of image data information | |
KR102272413B1 (ko) | 관상동맥 혈관조영술 기반의 기계 학습을 통한 허혈 병변 정보 제공 장치, 정보 제공 방법 및 이의 기록매체 | |
US20210151171A1 (en) | Apparatus and method for medical image reading assistant providing representative image based on medical use artificial neural network | |
CN115439533A (zh) | 获得颅内动脉瘤在血管分段位置的方法、计算机设备、可读存储介质和程序产品 | |
CN112562860A (zh) | 分类模型的训练方法及装置、冠心病辅助筛查方法及装置 | |
CN115565667A (zh) | Cto介入治疗成功率的预测方法、装置、设备及介质 | |
Kumar et al. | A Novel Approach for Breast Cancer Detection by Mammograms | |
KR20230118054A (ko) | 의료 영상으로부터 바이오마커 발현을 예측하는 방법및 시스템 | |
CN111265234A (zh) | 一种肺部纵膈***的性质判定方法及*** | |
CN113610841B (zh) | 一种血管异常图像识别方法、装置、电子设备和存储介质 | |
EP4257055A1 (en) | Method, apparatus, and recording medium for analyzing coronary plaque tissue through ultrasound image-based deep learning | |
WO2022271129A1 (en) | Deep learning-based decision support system for real-time automatic polyp detection | |
CN112489051B (zh) | 基于血管及病变区域的肝脏裁切方法及*** | |
KR102360615B1 (ko) | 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법 | |
KR20220076296A (ko) | 복수의 폐질환을 스크리닝하기 위한 의료 영상 재구성 장치 및 방법 | |
CN113768476B (zh) | 心动周期时相检测方法、装置及计算机程序产品 | |
Bhushan | Liver cancer detection using hybrid approach-based convolutional neural network (HABCNN) |
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 |