CN113902689A - 一种血管中心线提取方法、***、终端以及存储介质 - Google Patents
一种血管中心线提取方法、***、终端以及存储介质 Download PDFInfo
- Publication number
- CN113902689A CN113902689A CN202111122419.0A CN202111122419A CN113902689A CN 113902689 A CN113902689 A CN 113902689A CN 202111122419 A CN202111122419 A CN 202111122419A CN 113902689 A CN113902689 A CN 113902689A
- Authority
- CN
- China
- Prior art keywords
- network
- branch
- blood vessel
- operator
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 60
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 87
- 210000004351 coronary vessel Anatomy 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 230000009471 action Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 21
- 239000003795 chemical substances by application Substances 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000002787 reinforcement Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 abstract description 3
- 238000010968 computed tomography angiography Methods 0.000 description 41
- 238000010586 diagram Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis 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
- 210000000056 organ Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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
- G06T2207/30172—Centreline of tubular or elongated structure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (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
本申请涉及一种血管中心线提取方法、***、终端以及存储介质。所述方法包括:获取冠状动脉CTA图像;将所述冠状动脉CTA图像输入训练好的分支网络,通过所述分支网络输出所述冠状动脉CTA图像的血管分支方向;对所述血管分支方向进行过滤,得到最终的血管分支;将所述冠状动脉CTA图像输入训练好的actor‑cr it i c网络,所述actor‑cr it i c网络根据血管分支对所述冠状动脉CTA图像进行血管中心线提取。本申请实施例通过构建分支网络对CTA图像数据进行分支方向的分类,基于分支方向分类结果,对CTA图像数据进行血管中心线提取,提高了血管中心线提取的效率,并提高了血管中心线提取的准确率以及冠脉的完整度。
Description
技术领域
本申请属于医学图像处理技术领域,特别涉及一种血管中心线提取方法、***、终端以及存储介质。
背景技术
据WHO(World Health Organization,世界卫生组织)统计,2019年全球死亡人口中大多数都是由血管疾病造成的,尤其是心脑血管的异常和病变,导致了众多组织器官疾病的产生和发展。随着医学影像技术的飞速发展,利用各种血管造影成像方法可以微创甚至无创地观察组织血管,进而分析和研究血管的变化情况,在临床中发挥重要作用。
随着计算机人工智能领域的飞速发展,计算机辅助诊断技术也逐渐发展,通过人工智能观察分析医学造影图像中的血管信息,可以为医生提供更为丰富的量化信息,大大减轻医生观测与分析数据的负担,从而提高诊断的效率以及准确率。
(半)自动中心线提取长期以来一直是CCTA(冠状动脉CT造影)和其他部位血管结构的医学图像研究主题。现有的(半)自动中心线提取方法主要包括以下三种:
一、基于最小成本路径的方法;该方法通过成本函数计算手动提取或者自动提取的起点和终点之间的最小成本路径,使得中心线上的成本低于其他路径。但是,实际情况下该方法需要进行许多交互操作,以避免路径偏离中心线,并且计算成本也非常耗时。
二、基于分割的方法;该方法首先获得血管树的分割,然后在分割的基础上复原中心线。该方法通常不需要任何用户交互操作,然而有可能弥合由于病理或成像伪影造成的动脉间隙和不连续性。另外,此类方法往往需要处理整个CCTA,因此非常耗时。
三、基于迭代跟踪的方法;该方法大幅度地节省了计算开销,但容易受到血管中的间隙、不连续性和狭窄性的干扰。
最近,Zhang等人提出了一种基于深度强化学习的方法来提取血管中心线。该方法通过从与环境的交互中收集奖励,学习代理以跟踪中心线。然而该方法不能解决分支点检测的问题,在分支的情况下不能跟踪整个血管树。
随着深度学习的广泛应用,卷积神经网络(CNN)展示了在各种医学图像分析任务中从图像数据中提取有用特征的能力。在冠脉中心线提取任务中,CNN被广泛使用作为***,用来判断血管的方向信息,并且取得优异的效果。然而该***的动作空间仅为图像空间的26邻域,在提取冠脉血管树中心线仍存在一定的进步空间。
发明内容
本申请提供了一种血管中心线提取方法、***、终端以及存储介质,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题,本申请提供了如下技术方案:
一种血管中心线提取方法,包括:
获取冠状动脉CTA图像;
将所述冠状动脉CTA图像输入训练好的分支网络,通过所述分支网络输出所述冠状动脉CTA图像的血管分支方向;
根据灰度值对所述血管分支方向进行过滤,得到最终的血管分支;
将所述冠状动脉CTA图像输入训练好的actor-critic网络,所述actor-critic网络根据血管分支对所述冠状动脉CTA图像进行血管中心线提取。
本申请实施例采取的技术方案还包括:所述将所述冠状动脉CTA图像输入训练好的分支网络进行分支处理包括:
获取训练集数据,根据训练集数据对分支网络进行训练;所述训练集数据为在CTA图像中由血管分支处截取的设定大小的图像块;
所述分支网络由卷积神经网络及全连接层组成,所述分支网络的输出为血管分支方向的置信度以及半径信息;如果输出的血管分支方向置信度高于设定的置信度阈值,表示该血管为单条血管;否则,表示该血管还有至少两个分支方向,则通过分支网络继续对其他分支方向进行处理。
本申请实施例采取的技术方案还包括:所述分支网络的损失函数为:
Ldetect=Lbranch+λLradius
其中,Lbranch为血管分支方向置信度的二元交叉熵损失,Lradius代表半径值回归的平方误差损失,λ是权重系数。
本申请实施例采取的技术方案还包括:所述将所述冠状动脉CTA图像输入训练好的actor-critic网络包括:
对血管中心线提取任务进行状态s、动作a以及奖励值函数R(s,a)设计;
所述状态s设计为:针对冠脉血管的最大半径值将观测区域设计为设定边长的立方体;
所述动作a设计为:将血管中心线离散为一系列散点,用一个四元组{ax,ay,az,ar}作为动作从路径起点迭代至终点:
其中,(x,y,z)表示当前所在位置,经过动作{ax,ay,az,ar}迭代至新的位置(x′,y′,z′);ax表示x方向的权值,ay表示y方向的权值,az表示z方向的权值,ar表示步长;
所述奖励值函数R(s,a)设计为:设pt和pt+1分别表示当前所在点以及采取动作后的下一个点,gt是pt最接近的中心线标签点,gt+1是距离gt距离为rt+1的下一中心线标签点,d表示pt+1和gt+1之间的距离,奖励值计算方式为:
本申请实施例采取的技术方案还包括:所述将所述冠状动脉CTA图像输入训练好的actor-critic网络包括:
基于强化学习框架以及状态s、动作a以及奖励值函数R(s,a)设计构建actor-critic网络;
所述actor-critic网络包括actor网络和critic网络,所述actor网络和critic网络分别由卷积神经网络以及全连接层组成,所述actor网络表示策略πθ(s),在观察状态s时输出动作a;所述actor网络的输出为一个4维向量,表示动作{ax,ay,az,ar},所述critic网络通过逼近状态-动作值函数和更新网络参数方程促进所述actor网络学习,并输出对所述actor网络的评分。
本申请实施例采取的技术方案还包括:所述基于强化学习框架以及状态s、动作a以及奖励值函数R(s,a)设计构建actor-critic网络包括:
使用所述训练集数据训练actor-critic网络;所述actor-critic网络的训练过程包括:
代理执行actor网络输出的动作后,奖励值函数返回对应奖励值并更新下一个状态s,将状态、动作、奖励值、下一状态以及结束信号等经验存储到代理的经验池;其中,所述结束信号是指:中心线点离中心线标签的距离超过半径;
代理按照设定的学习频率从所述经验池中随机取出经验进行学习,并通过反向传播更新actor-critic网络的参数;
迭代执行上述过程,直至收到结束信号后再更换下一个训练集数据进行训练,当训练次数达到设定次数后终止,获取训练完成的actor-critic网络。
本申请实施例采取的技术方案还包括:所述根据灰度值对所述血管分支方向进行过滤,得到最终的血管分支包括:
对所述分支网络输出的血管分支方向进行射线探测,过滤掉灰度值变化大于设定阈值的血管分支方向,并对过滤后的血管分支方向进行K-means聚类,得到最终的血管分支。
本申请实施例采取的另一技术方案为:一种血管中心线提取***,包括:
数据获取模块:用于获取冠状动脉CTA图像;
分支处理模块:用于将所述冠状动脉CTA图像输入训练好的分支网络,通过所述分支网络输出所述冠状动脉CTA图像的血管分支方向;
分支过滤模块:用于根据灰度值对所述血管分支方向进行过滤,得到最终的血管分支;
中心线提取模块:用于将所述冠状动脉CTA图像输入训练好的actor-critic网络,所述actor-critic网络根据血管分支对所述冠状动脉CTA图像进行血管中心线提取。
本申请实施例采取的又一技术方案为:一种终端,所述终端包括处理器、与所述处理器耦接的存储器,其中,
所述存储器存储有用于实现所述血管中心线提取方法的程序指令;
所述处理器用于执行所述存储器存储的所述程序指令以控制血管中心线提取。
本申请实施例采取的又一技术方案为:一种存储介质,存储有处理器可运行的程序指令,所述程序指令用于执行所述血管中心线提取方法。
相对于现有技术,本申请实施例产生的有益效果在于:本申请实施例的血管中心线提取方法、***、终端以及存储介质通过构建分支网络对CTA图像数据进行分支方向的分类,基于分支方向分类结果,通过基于强化学习的actor-critic网络对CTA图像数据进行血管中心线提取,提高了血管中心线提取的效率,并提高了血管中心线提取的准确率以及冠脉的完整度。
附图说明
图1是本申请实施例的血管中心线提取方法的流程图;
图2为本申请实施例的动作空间设计示意图;
图3为本申请实施例的奖励值函数设计示意图;
图4为本申请实施例的血管中心线提取***结构示意图;
图5为本申请实施例的终端结构示意图;
图6为本申请实施例的存储介质的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
请参阅图1,是本申请实施例的血管中心线提取方法的流程图。本申请实施例的血管中心线提取方法包括以下步骤:
S10:获取一定数量的冠状动脉CTA(CT angiography,CT血管成像)图像数据,并对CTA图像数据进行数据标注及预处理;
本步骤中,对CTA图像数据进行预处理具体为:提取CTA图像中的空间分辨率信息,将所有CTA图像预处理为相同的spacing(间距)及灰度范围;对CTA图像数据进行数据标注具体为:通过标注工具标注出CTA图像中的冠状动脉中心线点以及分支点,并对中心线标签统一进行插值,使得中心线点之间的间距相等。
S20:从预处理后的CTA图像数据中截取设定大小的patch(图像块),将截取的patch作为训练集数据;
本步骤中,训练集数据是在CTA图像数据中由血管分支处截取的19x19x19大小的patch(图像块),截取训练集数据的大小也可根据实际应用进行设定。
S30:分别构建分支网络以及actor-critic网络,使用训练集数据分别对分支网络和actor-critic网络进行训练,得到训练好的分支网络和actor-critic网络;
本步骤中,分支网络由卷积神经网络及全连接层组成,网络输入为19x19x19大小的patch,输出为血管分支方向的置信度以及半径信息,如果血管分支方向的置信度高于设定的置信度阈值,表示该血管为单条血管;否则,表示该血管还有多个分支方向,则继续通过分支网络对其他分支方向进行处理。
分支网络的损失函数为:
Ldetect=Lbranch+λLradius (1)
其中Lbranch为分支置信度分类的二元交叉熵损失,Lradius代表半径值回归的平方误差损失,λ是权重系数。
本申请实施例中,基于强化学习框架构建actor-critic网络。在构建actor-critic网络之前需要依据model-free方法针对CTA图像数据的中心线提取任务进行状态s、动作a以及奖励值函数R(s,a)等环境设计。具体包括:针对冠脉血管的最大半径值将观测区域设计为边长为9.5mm的立方体,对应spacing为0.5mm图像中大小为19×19×19的patch;将血管中心线离散
为一系列散点,用一个四元组{ax,ay,az,ar}作为动作从路径起点迭代至终点,即:
其中,(x,y,z)表示当前所在位置,经过动作{ax,ay,az,ar}迭代至新的位置(x′,y′,z′)。具体如图2所示,为本申请实施例的动作空间设计示意图。其中,at表示t时刻的动作(一个四元组),表示x方向的权值,表示y方向的权值,表示z方向的权值,表示步长。
强化学习利用奖励值来引导代理学习到一个最优的策略,在血管中心线提取的任务中,本发明采用以下方案使得代理更好的学习,具体如图3所示,为本申请实施例的奖励值函数设计示意图。图中pt和pt+1分别表示当前所在点以及采取动作后的下一个点,gt是pt最接近的中心线标签点,gt+1是距离gt距离为rt+1的下一中心线标签点,d表示pt+1和gt+1之间的距离,奖励值计算方式为:
基于上述的环境设计,actor网络表示策略πθ(s),在观察状态s时输出动作a。actor网络由卷积神经网络以及全连接层组成,输入为19×19×19的patch,输出为一个4维向量,表示动作{ax,ay,az,ar}。critic网络由卷积神经网络以及全连接层组成,输入为一个19×19×19的patch以及一个动作向量{ax,ay,az,ar},通过逼近状态-动作值函数和更新网络参数方程促进actor网络学习,并输出actor网络的评分。
进一步地,基于上述的环境设计,本申请实施例的Actor-critic网络训练过程具体包括:
S31:依据中心线起点初始化状态s,并采用Glorotinitialisation(参数初始化)方法初始化actor-critic网络;其中,中心线起点可通过提取冠脉起点得到。
S32:代理执行actor网络输出的动作后,奖励值函数返回对应奖励值并更新下一个状态s,将状态、动作、奖励值、下一状态以及结束信号等经验存储到代理的经验池;其中,结束信号是指:中心线点离中心线标签的距离超过一定值(半径)。
S33:代理按照设定的学习频率从经验池中随机取出经验进行学习,并通过反向传播更新actor-critic网络的参数;
S34:迭代执行S32和S33,直至收到结束信号后再更换下一个训练集数据进行训练,当训练次数达到设定epoch(训练次数)后终止,获取训练完成的actor-critic网络。
S40:通过训练好的分支网络和actor-critic网络对待处理CTA图像进行血管中心线提取。
本步骤中,血管中心线提取过程具体为:
S41:将待处理CTA图像输入训练好的分支网络和actor-critic网络;
S42:通过分支网络输出待处理CTA图像的血管分支方向;
S43:对血管分支方向进行射线探测,过滤掉灰度值变化大于设定阈值的血管分支方向,对过滤后的血管分支方向进行K-means聚类,得到最终的血管分支;
S44:通过actor-critic网络对血管分支进行血管中心线提取;
本申请实施例中,根据射线探测过滤掉灰度值变化较大的分支方向具体为:由于血管的灰度值和非血管部位的灰度值差别较大,如果某条射线位于血管内,那么这条射线上的灰度值变化不大;反之,该条射线上的灰度值变化会较为剧烈,通过设定阈值对灰度值变化较为剧烈的分支方向进行过滤,提高血管分支方向的准确率。而过滤后的血管分支方向中,一个血管处可能存在多条射线,因此,本申请实施例通过对过滤后的分支方向进行K-means聚类,将距离较近的射线归为一个射线方向,一个射线方向即表示一条血管分支,得到最终的血管分支方向,提高了血管中心线提取的精确度。
为了验证本申请实施例的可行性和有效性,通过采用8套国际公共平台数据(Rotterdam Coronary Artery Algorithm Evaluation Framework)进行了验证。表1列出了血管中心线提取的OV、OF、OT和AI四个指标,其中,OV表示提取完整血管中心线的能力,OF表示提取血管中心线第一次出错时提取的正确血管比例;OT表示剔除直径小于1.5mm血管后的OV,具体如下:
表1血管中心线提取的OV、OF、OT及AI指标
验证结果表明,平均每套CTA数据中心线提取时常为10s左右,大大提高了CTA数据中心线提取的效率,并提高了CTA数据中心线提取的准确率以及冠脉的完整度。
基于上述,本申请实施例的血管中心线提取方法通过构建分支网络对CTA图像数据进行分支方向的分类,基于分支方向分类结果,通过基于强化学习的actor-critic网络对CTA图像数据进行血管中心线提取,提高了血管中心线提取的效率,并提高了血管中心线提取的准确率以及冠脉的完整度。
请参阅图4,为本申请实施例的血管中心线提取***结构示意图。本申请实施例的血管中心线提取***40包括:
数据获取模块41:用于获取冠状动脉CTA图像;
分支处理模块42:用于将冠状动脉CTA图像输入训练好的分支网络,通过分支网络输出冠状动脉CTA图像的血管分支方向;
分支过滤模块43:用于根据灰度值对血管分支方向进行过滤,得到最终的血管分支;
中心线提取模块44:用于将冠状动脉CTA图像输入训练好的actor-critic网络,actor-critic网络根据血管分支对冠状动脉CTA图像进行血管中心线提取。
请参阅图5,为本申请实施例的终端结构示意图。该终端50包括处理器51、与处理器51耦接的存储器52。
存储器52存储有用于实现上述血管中心线提取方法的程序指令。
处理器51用于执行存储器52存储的程序指令以控制血管中心线提取。
其中,处理器51还可以称为CPU(Central Processing Unit,中央处理单元)。处理器51可能是一种集成电路芯片,具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
请参阅图6,为本申请实施例的存储介质的结构示意图。本申请实施例的存储介质存储有能够实现上述所有方法的程序文件61,其中,该程序文件61可以以软件产品的形式存储在上述存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本申请所示的这些实施例,而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种血管中心线提取方法,其特征在于,包括:
获取冠状动脉CTA图像;
将所述冠状动脉CTA图像输入训练好的分支网络,通过所述分支网络输出所述冠状动脉CTA图像的血管分支方向;
根据灰度值对所述血管分支方向进行过滤,得到最终的血管分支;
将所述冠状动脉CTA图像输入训练好的actor-critic网络,所述actor-critic网络根据血管分支对所述冠状动脉CTA图像进行血管中心线提取。
2.根据权利要求1所述的血管中心线提取方法,其特征在于,所述将所述冠状动脉CTA图像输入训练好的分支网络包括:
获取训练集数据,根据训练集数据对分支网络进行训练;所述训练集数据为在CTA图像中由血管分支处截取的设定大小的图像块;
所述分支网络由卷积神经网络及全连接层组成,所述分支网络的输出为血管分支方向的置信度以及半径信息;如果输出的血管分支方向置信度高于设定的置信度阈值,表示该血管为单条血管;否则,表示该血管还有至少两个分支方向,则通过分支网络继续对其他分支方向进行处理。
3.根据权利要求2所述的血管中心线提取方法,其特征在于,所述分支网络的损失函数为:
Ldetect=Lbranch+λLradius
其中,Lbranch为血管分支方向置信度的二元交叉熵损失,Lradius代表半径值回归的平方误差损失,λ是权重系数。
4.根据权利要求1至3任一项所述的血管中心线提取方法,其特征在于,所述将所述冠状动脉CTA图像输入训练好的actor-critic网络包括:
对血管中心线提取任务进行状态s、动作a以及奖励值函数R(s,a)设计;
所述状态s设计为:针对冠脉血管的最大半径值将观测区域设计为设定边长的立方体;
所述动作a设计为:将血管中心线离散为一系列散点,用一个四元组{ax,aλ,az,ar}作为动作从路径起点迭代至终点:
其中,(x,y,z)表示当前所在位置,经过动作{ax,ay,az,ar}迭代至新的位置(x′,y′,z′);ax表示x方向的权值,ay表示y方向的权值,az表示z方向的权值,ar表示步长;
所述奖励值函数R(s,a)设计为:设pt和pt+1分别表示当前所在点以及采取动作后的下一个点,gt是pt最接近的中心线标签点,gt+1是距离gt距离为rt+1的下一中心线标签点,d表示pt+1和gt+1之间的距离,奖励值计算方式为:
5.根据权利要求4所述的血管中心线提取方法,其特征在于,所述将所述冠状动脉CTA图像输入训练好的actor-critic网络包括:
基于强化学习框架以及状态s、动作a以及奖励值函数R(s,a)设计构建actor-critic网络;
所述actor-critic网络包括actor网络和critic网络,所述actor网络和critic网络分别由卷积神经网络以及全连接层组成,所述actor网络表示策略πθ(s),在观察状态s时输出动作a;所述actor网络的输出为一个4维向量,表示动作{ax,ay,az,ar},所述critic网络通过逼近状态-动作值函数和更新网络参数方程促进所述actor网络学习,并输出对所述actor网络的评分。
6.根据权利要求5所述的血管中心线提取方法,其特征在于,所述基于强化学习框架以及状态s、动作a以及奖励值函数R(s,a)设计构建actor-critic网络包括:
使用所述训练集数据训练actor-critic网络;所述actor-critic网络的训练过程包括:
代理执行actor网络输出的动作后,奖励值函数返回对应奖励值并更新下一个状态s,将状态、动作、奖励值、下一状态以及结束信号等经验存储到代理的经验池;其中,所述结束信号是指:中心线点离中心线标签的距离超过半径;
代理按照设定的学习频率从所述经验池中随机取出经验进行学习,并通过反向传播更新actor-critic网络的参数;
迭代执行上述过程,直至收到结束信号后再更换下一个训练集数据进行训练,当训练次数达到设定次数后终止,获取训练完成的actor-critic网络。
7.根据权利要求1所述的血管中心线提取方法,其特征在于,所述根据灰度值对所述血管分支方向进行过滤,得到最终的血管分支包括:
对所述分支网络输出的血管分支方向进行射线探测,过滤掉灰度值变化大于设定阈值的血管分支方向,并对过滤后的血管分支方向进行K-means聚类,得到最终的血管分支。
8.一种血管中心线提取***,其特征在于,包括:
数据获取模块:用于获取冠状动脉CTA图像;
分支处理模块:用于将所述冠状动脉CTA图像输入训练好的分支网络,通过所述分支网络输出所述冠状动脉CTA图像的血管分支方向;
分支过滤模块:用于根据灰度值对所述血管分支方向进行过滤,得到最终的血管分支;
中心线提取模块:用于将所述冠状动脉CTA图像输入训练好的actor-critic网络,所述actor-critic网络根据血管分支对所述冠状动脉CTA图像进行血管中心线提取。
9.一种终端,其特征在于,所述终端包括处理器、与所述处理器耦接的存储器,其中,
所述存储器存储有用于实现权利要求1-7任一项所述的血管中心线提取方法的程序指令;
所述处理器用于执行所述存储器存储的所述程序指令以控制血管中心线提取。
10.一种存储介质,其特征在于,存储有处理器可运行的程序指令,所述程序指令用于执行权利要求1至7任一项所述血管中心线提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111122419.0A CN113902689A (zh) | 2021-09-24 | 2021-09-24 | 一种血管中心线提取方法、***、终端以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111122419.0A CN113902689A (zh) | 2021-09-24 | 2021-09-24 | 一种血管中心线提取方法、***、终端以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113902689A true CN113902689A (zh) | 2022-01-07 |
Family
ID=79029346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111122419.0A Pending CN113902689A (zh) | 2021-09-24 | 2021-09-24 | 一种血管中心线提取方法、***、终端以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113902689A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596950A (zh) * | 2023-05-31 | 2023-08-15 | 东北林业大学 | 特征加权聚类的视网膜眼底血管追踪方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170258433A1 (en) * | 2016-03-10 | 2017-09-14 | Siemens Healthcare Gmbh | Method and System for Extracting Centerline Representation of Vascular Structures in Medical Images Via Optimal Paths in Computational Flow Fields |
US20170339457A1 (en) * | 2016-05-18 | 2017-11-23 | Rovi Guides, Inc. | Recommending a location based on quality of service at a location |
CN111429502A (zh) * | 2019-03-26 | 2020-07-17 | 深圳科亚医疗科技有限公司 | 用于生成对象的中心线的方法和***以及计算机可读介质 |
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 |
CN112325897A (zh) * | 2020-11-19 | 2021-02-05 | 东北大学 | 基于启发式深度强化学习的路径规划方法 |
CN113269698A (zh) * | 2021-05-21 | 2021-08-17 | 中国矿业大学 | 基于Actor-Critic模型的低曝光静脉图像增强方法 |
-
2021
- 2021-09-24 CN CN202111122419.0A patent/CN113902689A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170258433A1 (en) * | 2016-03-10 | 2017-09-14 | Siemens Healthcare Gmbh | Method and System for Extracting Centerline Representation of Vascular Structures in Medical Images Via Optimal Paths in Computational Flow Fields |
US20170339457A1 (en) * | 2016-05-18 | 2017-11-23 | Rovi Guides, Inc. | Recommending a location based on quality of service at a location |
CN111429502A (zh) * | 2019-03-26 | 2020-07-17 | 深圳科亚医疗科技有限公司 | 用于生成对象的中心线的方法和***以及计算机可读介质 |
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 |
CN112325897A (zh) * | 2020-11-19 | 2021-02-05 | 东北大学 | 基于启发式深度强化学习的路径规划方法 |
CN113269698A (zh) * | 2021-05-21 | 2021-08-17 | 中国矿业大学 | 基于Actor-Critic模型的低曝光静脉图像增强方法 |
Non-Patent Citations (3)
Title |
---|
李玺;查宇飞;张天柱;崔振;左旺孟;侯志强;卢湖川;王菡子;: "深度学习的目标跟踪算法综述", 中国图象图形学报, no. 12, 16 December 2019 (2019-12-16) * |
杨俊;李迟迟;李娜;杨泽鹏;周寿军: "一种新颖的CT血管造影图像的血管中心线提取方法", 国际医药卫生导报, vol. 24, no. 017, 31 December 2018 (2018-12-31) * |
王胜军;付玲;康雁;刘积仁: "一种基于管状特征的冠脉中心线自动提取算法", 东北大学学报. 自然科学版, vol. 32, no. 1, 15 January 2011 (2011-01-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596950A (zh) * | 2023-05-31 | 2023-08-15 | 东北林业大学 | 特征加权聚类的视网膜眼底血管追踪方法 |
CN116596950B (zh) * | 2023-05-31 | 2023-11-17 | 东北林业大学 | 特征加权聚类的视网膜眼底血管追踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10452957B2 (en) | Image classification apparatus, method, and program | |
Jyothi et al. | Deep learning models and traditional automated techniques for brain tumor segmentation in MRI: a review | |
Hao et al. | Sequential vessel segmentation via deep channel attention network | |
CN110599505A (zh) | 一种器官图像分割方法、装置、电子设备和存储介质 | |
CN110852987B (zh) | 基于深形态学的血管斑块检测方法、设备及存储介质 | |
CN112308846B (zh) | 血管分割方法、装置及电子设备 | |
CN112991346B (zh) | 用于医学图像分析的学习网络的训练方法和训练*** | |
Hussain et al. | Deep learning-based diagnosis of disc degenerative diseases using MRI: a comprehensive review | |
Yang et al. | RADCU-Net: Residual attention and dual-supervision cascaded U-Net for retinal blood vessel segmentation | |
JP7349018B2 (ja) | 冠状動脈の分割方法、装置、電子デバイス及びコンピュータ読取可能な記憶媒体 | |
Nair et al. | Automated screening of diabetic retinopathy with optimized deep convolutional neural network: enhanced moth flame model | |
Zhang et al. | X-ray coronary centerline extraction based on C-UNet and a multifactor reconnection algorithm | |
Jahan et al. | Automated diagnosis of pneumonia from classification of chest x-ray im ages using efficientnet | |
CN113902689A (zh) | 一种血管中心线提取方法、***、终端以及存储介质 | |
Wang et al. | Avdnet: Joint coronary artery and vein segmentation with topological consistency | |
Liu et al. | Yolo-angio: an algorithm for coronary anatomy segmentation | |
Zhao et al. | A new approach to extracting coronary arteries and detecting stenosis in invasive coronary angiograms | |
CN116228781A (zh) | 冠脉血管分割方法、装置、电子设备及存储介质 | |
CN117078711A (zh) | 医学图像分割方法、***、电子设备和存储介质 | |
Zhang et al. | CIDN: A context interactive deep network with edge-aware for X-ray angiography images segmentation | |
Fu et al. | Agc-unet: a global context feature fusion method based on u-net for retinal vessel segmentation | |
Brown et al. | Deep learning for computer-aided diagnosis in ophthalmology: a review | |
Karn et al. | Advancing Ocular Imaging: A Hybrid Attention Mechanism-Based U-Net Model for Precise Segmentation of Sub-Retinal Layers in OCT Images | |
CN111292270A (zh) | 基于深度学习网络的三维影像血管增强方法 | |
Santhi et al. | An automated framework for coronary analysis from coronary cine angiograms using machine learning and image analysis techniques |
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 |