CN114732431A - 对血管病变进行检测的计算机实现方法、装置及介质 - Google Patents
对血管病变进行检测的计算机实现方法、装置及介质 Download PDFInfo
- Publication number
- CN114732431A CN114732431A CN202210659093.3A CN202210659093A CN114732431A CN 114732431 A CN114732431 A CN 114732431A CN 202210659093 A CN202210659093 A CN 202210659093A CN 114732431 A CN114732431 A CN 114732431A
- Authority
- CN
- China
- Prior art keywords
- medical image
- map
- spherical expansion
- computer
- centerline
- 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
- 231100000216 vascular lesion Toxicity 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 61
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 90
- 230000011218 segmentation Effects 0.000 claims abstract description 81
- 238000013135 deep learning Methods 0.000 claims abstract description 30
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 33
- 238000010586 diagram Methods 0.000 claims description 31
- 230000003902 lesion Effects 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 9
- 206010002329 Aneurysm Diseases 0.000 claims description 6
- 208000037260 Atherosclerotic Plaque Diseases 0.000 claims description 4
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 3
- 238000013528 artificial neural network Methods 0.000 claims 1
- 230000002685 pulmonary effect Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 24
- 238000010968 computed tomography angiography Methods 0.000 description 21
- 210000004351 coronary vessel Anatomy 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 210000000709 aorta Anatomy 0.000 description 4
- 210000001367 artery Anatomy 0.000 description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000002792 vascular Effects 0.000 description 3
- 208000019553 vascular disease Diseases 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 210000002376 aorta thoracic Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013535 dynamic contrast enhanced MRI Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Dentistry (AREA)
- Evolutionary Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Pulmonology (AREA)
- Vascular Medicine (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种对血管病变进行检测的计算机实现方法、装置及介质。所示计算机实现方法包括获取血管的3D医学图像、3D分割蒙版和3D中心线;基于所述3D医学图像、所述3D分割蒙版和所述3D中心线,生成医学图像球面展开图、分割蒙版球面展开图和中心线球面展开图;基于所述医学图像球面展开图、所述分割蒙版球面展开图和所述中心线球面展开图,利用训练好的深度学习网络,预测血管病变的推荐框及其相关信息;将预测的血管病变的推荐框及其相关信息映射回所述3D中心线以供显示。本申请能够以更低的时间代价和更小的计算代价,从整体的角度对血管病变进行更高效、敏感性更高、更准确地预测,并使用户能够更直观、更便捷地获取血管病变的相关信息。
Description
技术领域
本申请涉及医学数据及医学图像的处理和分析的技术领域,更具体地,涉及一种对血管病变进行检测的计算机实现方法、装置及介质。
背景技术
血管疾病一直是威胁人类健康的重要问题,相当比例的血管疾病起因在于血管壁上的斑块病变累积造成血管狭窄、血管壁上的异常膨出造成动脉瘤等。计算机断层扫描血管造影(Computed Tomography Angiography, CTA)或磁共振血管造影(MagneticResonance Angiography, MRA)可对全身各部位的血管及其病变进行成像,是常用的血管影像学检查技术。
但现有技术对血管病变的检测和识别存在一定不足,例如影像上非钙化斑块、混合斑块及动脉瘤与周围组织对比度较低,极易与周围组织混淆而导致漏检。以头颈动脉斑块为例,目前头颈CTA血管病变检测方法一般有人工分析和自动分析软件。人工斑块分析严重依赖放射科医师及心血管专家经验,粥样硬化斑块、动脉瘤等病变离散地分布在结构复杂的头颈动脉血管壁上,在海量的CTA数据中分析血管病变,对医生来说无疑是极其耗时的工作。非钙化、混合斑块的不确定性更是增加了医生诊断的难度。现有的血管病变分析软件可一定程度上减轻医生日常诊断工作量,但亦存在一定的不足,如西门子等CT设备厂商自带的半自动分析软件需耗费大量人工交互完成血管分割、直径估计及管壁形态分析等,且该方案一般只针对局部血管。
现有的基于深度学习的方案一般采用单一的检测模型,且将CTA图像按固定的步进分为多个图像块,再对图像块逐个预测病变,存在图像块过多导致预测效率较低的问题,且这类方案选取的图像块中心点一般不在血管中,不符合模型训练时病变连通域中心点位于血管内的实际情况。
另一种现有方案在对多支血管拉直后,在拉直图上使用模型预测病变。然而该方案在三维医学图像上获取的图像块或拉直图数据量极大,故非常耗时,效率较低,且存在敏感性较低的情况,不利于医生发现病灶。
发明内容
提供本申请以解决现有技术中存在的上述问题。
本申请旨在提供一种对血管病变进行检测的计算机实现方法,其能够在不损失血管信息丰富性的情况下,将在3D医学图像中进行血管病变检测转换为在2D图像中进行血管病变检测,并且无需对多支血管进行单独处理,可以将整支血管树作为一个整体来进行血管病变预测,能够在大幅提升血管病变检测效率的同时,提高血管病变检测的敏感性,并且可以保证所预测的血管病变位于血管内,从而减少假阳性病变的检出概率。
根据本申请的第一方案,提供一种对血管病变进行检测的计算机实现方法,包括获取血管的3D医学图像、3D分割蒙版和3D中心线;基于所述3D医学图像、所述3D分割蒙版和所述3D中心线,生成医学图像球面展开图、分割蒙版球面展开图和中心线球面展开图;基于所述医学图像球面展开图、所述分割蒙版球面展开图和所述中心线球面展开图,利用训练好的深度学习网络,预测血管病变的推荐框及其相关信息;将预测的血管病变的推荐框及其相关信息映射回所述3D中心线以供显示。
根据本申请的第二方案,提供一种利用计算机实现的对血管病变进行检测的装置,所述装置包括接口和至少一个处理器,所述接口被配置为获取血管的3D医学图像,或,获取血管的3D医学图像、3D分割蒙版和3D中心线。所述至少一个处理器被配置为执行根据本申请实施例的对血管病变进行检测的计算机实现方法的步骤。
根据本申请的第三方案,提供一种非暂时性计算机可读存储介质,其上存储有计算机可执行的指令,其中当所述计算机可执行指令由处理器执行时,执行根据本申请实施例的对血管病变进行检测的计算机实现方法的步骤。
根据本申请各个实施例的对血管病变进行检测的计算机实现方法、装置及介质,能够获取血管的3D医学图像,以及所述血管对应的3D分割蒙版和3D中心线,并将所述3D医学图像、所述3D分割蒙版和所述3D中心线通过球面展开,生成2D的医学图像球面展开图、分割蒙版球面展开图和中心线球面展开图,基于上述2D平面图像,利用训练好的深度学习网络,合理参考血管分割以及血管中心线信息,特别是通过在深度学习网络的多个环节结合考虑中心线球面展开图中的中心线坐标信息和角度信息等,来对整个血管(例如血管树)中的血管病变进行更高效、敏感性更高、更准确地预测,并再次结合中心线球面展开图中的中心线信息对所预测的血管病变进行筛选,滤除位于血管以外的假阳性病变,并进一步将位于血管内的血管病变的推荐框及其相关信息映射回3D中心线,在所述3D中心线对应的位置显示筛选后的血管病变及其分类信息。
上述的一般描述和以下的详细描述只是示例性和说明性的,并不旨在限制要求保护的发明。
附图说明
在不一定按比例绘制的附图中,相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的类似附图标记可以表示相似组件的不同示例。附图通过举例而不是以限制的方式大体上示出各种实施例,并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。这样的实施例是说明性和示例性的,而并非旨在作为本方法、装置、***或具有用于实现该方法的指令的非暂时性计算机可读介质的穷尽或排他的实施例。
图1示出根据本申请实施例的对血管病变进行检测的计算机实现方法的流程图。
图2示出根据本申请实施例的基于血管的3D医学图像获取对应的3D分割蒙版和3D中心线的流程图。
图3示出根据本申请实施例的获取医学图像球面展开图、分割蒙版球面展开图和中心线球面展开图的流程图。
图4(a)示出基于医学图像球面展开图、分割蒙版球面展开图和中心线球面展开图,利用训练好的深度学习网络进行血管病变检测的流程的示意图。
图4(b)示出根据本申请实施例的冗余锚点被抑制的示意图。
图5示出根据本申请实施例的利用中心线角度引导的RoI池化的示意图。
图6示出根据本申请实施例的血管病变的推荐框向3D中心线映射的流程图。
图7示出根据本申请实施例的利用计算机实现的对血管病变进行检测的***的组成的示意性框图。
图8示出根据本申请实施例的利用计算机实现的对血管病变进行检测的***的工作流程示意图。
具体实施方式
为使本领域技术人员更好地理解本发明,下面参照附图对本发明的实施例进行详细说明,但不作为对本发明的限定。
图1示出根据本申请实施例的对血管病变进行检测的计算机实现方法的流程图。
首先,在步骤S101中,可以获取血管的3D医学图像、3D分割蒙版和3D中心线。其中,所述3D医学图像为冠脉CTA图像、头颈CTA图像或常规的肺部CT图像中的一种。
在一些实施例中,例如可以经由接口,从数据库或从医学影像扫描设备等,获取血管的3D医学图像。在另一些实施例中,还可以经由接口,获取以蒙版存储的该血管对应的3D血管分割(即,3D分割蒙版),以及对应的3D中心线。
接下来,在步骤S102中,可以基于所述3D医学图像、所述3D分割蒙版和所述3D中心线,生成医学图像球面展开图、分割蒙版球面展开图和中心线球面展开图。
与从3D医学图像中获取多个图像块或多支血管的拉直图,然后对各个图像块或各个3D血管的拉直图分别进行血管病变检测的现有的技术方案相比,本申请采用将血管的3D医学图像以及对应的3D分割蒙版和3D中心线通过球面展开来转化为2D平面图像,而球面展开图相对于拉直图产生的畸变更小,因此在检测时对病灶的敏感性比拉直图更高,同时,在保留了血管信息的丰富性的同时,还降低了整体的数据量,并且,不必像划分为多个图像块分别检测那样使用模型多次滑窗来预测病变,降低了运算的复杂度。
在步骤S103中,基于所述医学图像球面展开图、所述分割蒙版球面展开图和所述中心线球面展开图,利用训练好的深度学习网络,预测血管病变的推荐框及其相关信息。
在一些实施例中,上述深度学习网络例如可以基于特征提取部、RPN网络(RegionProposal Network)、RoI池化(Region of Interest Pooling)层和RCNN(Region-CNN,区域卷积神经网络)预测网络依序串联而构成。其中,特征提取部基于输入深度学习网络的2D的医学图像球面展开图,提取出后续步骤将会共享使用的图像的一组医学图像球面展开图的特征图,其具体结构例如可以进一步由多个卷积层、池化层、ReLU层等按照一定的顺序复合而构成,例如可以采用ResNet或VGGNet等类似结构的模型,本申请不作具体限制,只要其能够实现图像特征图提取功能即可。RPN网络(Region Proposal Networks)则用于生成医学图像球面展开图中的多个以锚点为中心的推荐框(Proposals),具体实现时例如可以首先生成候选锚框,然后利用softmax判断锚点的属性,再利用修正信息,最终输出回归后的精确的推荐框。RoI池化层则用于基于RPN网络输出的推荐框以及特征提取部输出的医学图像球面展开图的特征图,生成推荐框的特征图,作为后续的RCNN预测网络的输入。RCNN预测网络基于推荐框的特征图,对医学图像球面展开图中的血管病变的推荐框及其相关信息进行预测。
最后,在步骤S104中,将预测的血管病变的推荐框及其相关信息映射回所述3D中心线以供显示。具体地,例如可以获取所述血管病变的推荐框所框选范围的坐标在所述中心线球面展开图上的投影点,将所述投影点映射回所述3D中心线,并在所述3D中心线上所述投影点对应的位置显示所述推荐框内的血管病变的分类信息。
在一些实施例中,所述血管病变的分类信息例如可以包括阴性或阳性,或者,还可以划分为粥样硬化斑块、动脉瘤、支架等类别。在其他一些实施例中,血管病变还可以进一步分为钙化斑块、非钙化斑块、混合斑块(混合斑块兼具钙化、非钙化斑块成分)等。在另一些实施例中,上述血管病变还可以包括更进一步的分类信息,例如病变的亚型,病变的尺寸(例如大、中、小等)等,在此不做限定。
在一些实施例中,也可以只获取血管的3D医学图像,而基于所获取的3D医学图像,利用适用的血管分割方法,从3D医学图像中获取以蒙版方式存储的3D血管分割,进一步地,可以基于血管的3D分割蒙版来获取血管的3D中心线。图2示出根据本申请实施例的基于血管的3D医学图像获取对应的3D分割蒙版和3D中心线的流程图。
在步骤S1011中,经由接口,从数据库或从医学影像扫描设备等,获取血管的3D医学图像,例如可以从符合医学影像格式为医学数字成像和通信(Digital Imaging andCommunications in Medicine,DICOM)协议的CTA图像序列中选取,无造影剂充盈、无明显运动伪影的图像质量符合CTA基本要求的CTA图像。
在步骤S1012中,将在步骤S1011中获取的血管的CTA图像输入训练好的血管分割模型,以得到CTA图像的血管分割结果。其中,血管分割模型例如可以采用3D U-Net类型的网络结构,并利用带有真值标记的血管分割数据对血管分割模型进行训练。
对血管分割模型进行训练时,例如可以首先由经验丰富的影像科医生对训练样本影像中的血管进行标记,并以此作为训练时的真值数据。然后将带有标记的训练样本影像输入血管分割模型中,得到血管分割结果,利用损失函数,计算血管分割结果与真值之间的损失。依据该损失调整血管分割模型的模型参数,当该损失小于等于预设阈值或者达到收敛时,表明血管分割模型训练收敛。可选地,计算损失时例如可以采用Dice损失函数,交叉熵损失函数或者其他任意类型的损失函数。在调整模型参数时,可以采用随机梯度下降SGD优化器或者其他类型的优化器。
血管分割模型训练好后,可以将血管的CTA图像输入训练好的血管分割模型,从而得到该CTA图像的血管分割结果。在具体实现时,血管分割结果可以以任何适用的形式输出,例如可以是血管位置的坐标信息、3D分割蒙版等,在本申请中,统一以血管分割为3D分割蒙版为例进行举例说明。
在步骤S1013中,进一步地,可以利用多支血管融合的局部路径寻优算法,从血管的3D分割蒙版中来提取血管的3D中心线。具体地,以冠脉血管为例,可以依次执行如下操作:
首先,可以根据冠脉血管的冠脉分割和主动脉分割自动检测冠脉起点和终点,以主动脉分割和冠脉分割交界所在平面中心点为冠脉起点,通过设置主动脉所在体素为种子点,通过广度优先搜索算法找出距离主动脉的局部测地距离最大的点,作为所有分支冠脉的终点(末端点)。
接下来,可以根据冠脉分割生成代价图,其中,代价图中血管所在体素的代价值为[0, 1]的浮点数,代价图中血管中体素越接近血管边界,对应的代价值越接近于1,反之,越接近血管中心的体素其代价值越接近于0,并且,血管边界和非血管所在体素的代价值为1。每个体素代表血管中心线经过此体素需要消耗的相对时间。
然后,可以使用诸如fast marching路径寻优算法等,提取每支血管的中心线。在fast marching路径寻优算法中,通过求解Eikonal程函方程获得由起点到终点的最短时间,即求解从血管起点开始,寻找到达当前血管终点(末端点)所需时间最短的一条中心线。
最后,对多支血管的中心线进行融合,输出冠脉血管树的全树中心线。
如此,通过步骤S1011-步骤S1013,可以获取后续步骤所需的血管的3D医学图像、3D分割蒙版和3D中心线。
图3示出根据本申请实施例的获取医学图像球面展开图、所述分割蒙版球面展开图和所述中心线球面展开图的流程图。
在步骤S301中,首先可以基于血管的3D中心线上各个点的坐标,求取血管的3D中心线的分布中点,作为球面展开的球心坐标。
仍然以冠脉血管为例,首先可以基于冠脉血管的3D中心线上各个点的笛卡尔坐标,例如将3D中心线上各个点的坐标表示为(x, y, z),以任何适用的方式求取3D中心线整体的分布中点,例如表示为(x c, y c, z c),作为球面展开时球心的坐标点。
接下来,在步骤S302中,基于球心坐标,计算3D中心线上各个点的球面坐标分布(r, θ, φ),其中,r表示半径,θ表示倾斜角,φ表示方向角,具体的计算方式可以如式(1)-式(3)所示:
然后,在步骤S303中,以φ为横轴,θ为纵轴,利用函数变换f(φ, θ)=r,获取一张离散的二维图像,并通过双线性插值得到完整的二维的中心线球面展开图。
类似地,将二维图像上的球面坐标点转为笛卡尔坐标,通过双线性插值获取笛卡尔坐标点对应的3D医学图像原图中的灰度值g,得到图像f1(φ, θ)=g,作为二维的医学图像球面展开图。类似地,利用f2(φ, θ)=m,可以得到二维的分割蒙版球面展开图,其中m为笛卡尔坐标点对应的3D分割蒙版中的值。
通过如图3所示的各个步骤,将血管的3D医学图像及其对应的3D分割蒙版和3D中心线转化为2D的球面展开图,可以使得基于3D图像的血管病变检测降维到在2D图像中的血管病变检测,能够利用训练好的深度学习网络,以更小的时间代价,将医学图像中的血管(例如血管树)作为一个整体,对其中所有的血管病变进行高效、准确且一体化地检测。并且由于在深度学习网络训练等多个环节结合考虑了血管分割、血管中心线,以及中心线球面展开图中中心线的坐标和角度等信息,可以使得血管病变检测的漏检率和假阳率都更低。此外,本申请各个实施例的对血管病变进行检测的计算机实现方法可以将位于血管内的血管病变的推荐框及其相关信息映射回3D中心线,在所述3D中心线对应的位置显示筛选后的血管病变及其分类信息,以利于医生用户更直观、更便捷地获取血管病变的相关信息。
图4(a)示出基于医学图像球面展开图、分割蒙版球面展开图和中心线球面展开图,利用训练好的深度学习网络进行血管病变检测的流程的示意图。在图4(a)中,虚线右侧部分的各项操作由深度学习网络来执行,而虚线左侧部分可以为深度学习网络提供血管病变预测所需的诸如降采样后的中心线角度图等信息。
如前所述,上述深度学习网络例如可以基于图4(a)中示出的特征提取部41、RPN网络42、RoI池化层43和RCNN预测网络44依序串联而构成,可以利用上述部件和网络等按照如下步骤进行血管病变预测。
首先,基于在图3步骤S303获取的中心线球面展开图,在步骤S401中,求取中心线上各点对应的角度值,以得到中心线角度图。具体地可以包括如下步骤(步骤S4011-步骤S4012未示出):
步骤S4011,获取中心线球面展开图上中心线点的坐标、分叉编号及与该分叉编号对应的中心线点的序号。
步骤S4012,计算各个分叉对应的中心线点的中心线角度值,遍历各个分叉,得到中心线球面展开图上所有点对应的角度值,以生成中心线角度图中心线球面展开图。
例如如分叉编号为11,其中第i个点坐标为(x i, y i),其之前和之后的点的坐标分别为(x i-1, y i-1)和 (x i+1, y i+1),则该点角度可以按照下述式(4)进行计算:
其中,eps为预先设置的一个较小的值,例如可以设为0.0001等。
在步骤S402中,例如可以基于医学图像球面展开图,利用特征提取部41,得到医学图像球面展开图的特征图。
在一些实施例中,特征提取部41还可以由多个层或网络组成,例如可以通过对医学图像球面展开图利用ResNet或VGGNet等, 得到例如尺寸为nf×mf的多个通道的特征图,通道数例如可以是512或其他的数值。
接下来,在步骤S401a中,可以基于在步骤S402得到的医学图像球面展开图的特征图尺寸,对中心线角度图进行降采样(也称为下采样),以得到降采样后的中心线角度图。上述降采样后的中心线角度图与医学图像球面展开图的特征图的尺寸完全一致,其将用于后续的步骤S403和步骤S406中。
在步骤S403中,基于医学图像球面展开图的特征图生成等尺寸的锚点图,并利用尺寸相同的降采样后的中心线角度图抑制冗余锚点,具体地,在图4(b)示出的根据本申请实施例的冗余锚点被抑制的示意图中,虚线部分为降采样后的中心线角度图中的各个中心线点,因此,医学图像球面展开图的特征图中与虚线相较的点,即,以阴影方式示出的点可以作为激活锚点,而医学图像球面展开图中其他不相交的点则作为非激活的冗余锚点被抑制,因此,步骤S403将输出识别激活锚点后的医学图像球面展开图的特征图。
通过上述冗余锚点抑制操作,可以大大降低候选锚框的数量,从而减少不必要的运算,提高血管病变的预测效率,并且也可以避免检出远离血管的假阳性病变。
在步骤S404中,将在步骤S403输出的识别了激活锚点的医学图像球面展开图的特征图输入训练好的RPN网络42,来对各个激活锚点的分类信息,以及对应的候选锚框的回归参数进行预测。并且,所述RPN网络是基于分割蒙版球面展开图和中心线角度图进行训练的。
上述RPN网络42可以采用各种适用的网络结构,包括但不限于卷积网络等。在对RPN网络进行训练时,首先基于分割蒙版球面展开图和中心线角度图,得到血管病变的真值标注,具体地,可以获取分割蒙版球面展开图中的血管病变的连通域,结合该连通域的中点在中心线角度图中对应的角度旋转该连通域,得到可以包含旋转后连通域的锚框信息(x,y, w, h),以及该锚框对应的锚点(x, y)的分类信息,并以此作为金标准(即,血管病变的真值)。锚框信息(x, y, w, h)中,(x, y)为锚点的坐标(也即锚框的中心点坐标),w和h分别为锚框的宽度和高度。利用RPN网络42输出医学图像球面展开图的特征图中各个锚点的分类信息和对应的锚框的回归参数预测结果,并计算预测结果与金标准之间的损失。依据该损失调整RPN网络42的参数,当该损失小于等于第一预设阈值或者达到收敛时,模型训练收敛。可选地,计算分类信息损失时可以采用交叉熵损失函数,计算锚框回归参数损失时可采用L1损失函数,在调整RPN网络42的参数时,可以采用随机梯度下降SGD优化器或者其他类型的优化器,在此不赘述。
接下来,在步骤S405中,基于步骤S404中确定的各个激活锚点的分类信息,以及对应的候选锚框的回归参数的预测,进一步缩减候选锚框的数量,最终选取N个候选锚框作为推荐框,其中,N为自然数。
具体地,基于锚点处的分类信息及候选锚框的回归参数,通过Softmax、Sigmoid等非极大值抑制(Non-Maximum Suppression,NMS)方法,对各个候选锚框属于病变锚框的概率进行排序,选出概率最高的候选锚框,删除和当前概率最高的候选锚框的重叠面积(IOU)大于一定阈值的候选锚框,以避免接近锚框的重复选择。按照上述方式遍历所有的候选锚框,直到留下N个推荐框,其中,N为自然数,例如可以设定为64,即,留下前64个锚框作为推荐框(Proposals)。在一些实施例中,也可以根据所预测血管病变的具体情况,将N按需设置为其他的值。
接下来,可以在步骤S406中,利用RoI池化层43,对N个推荐框再次进行特征编码,以生成N个推荐框的特征图。
图5示出根据本申请实施例的利用中心线角度引导的RoI池化的示意图。如图5所示,在RoI池化层43(如图4(a)所示),例如可以采用RoI Align的方式,根据推荐框信息获取医学图像球面展开图的特征图中对应的RoI区域,参考降采样后的中心线角度图中推荐框对应的锚点的角度之后,对RoI区域进行对应角度的旋转,再对角度旋转后的RoI区域进行诸如双线性插值等插值处理后,得到通道数与医学图像球面展开图的特征图一致、尺寸缩小为预定尺寸的各个推荐框的特征图,例如,512×7×7大小的特征图,其中512为医学图像球面展开图的通道数,7×7表示推荐框的特征图的尺寸,因此,对64个推荐框进行处理后,得到64个512×7×7的推荐框的特征图,作为后续步骤中RCNN预测网络44(如图4(a)所示)的输入。
回到图4(a),在步骤S407中,可以利用RCNN预测网络44,对N个血管病变的推荐框及其相关信息进行更为精确地预测。其中,血管病变的推荐框的相关信息包括推荐框所框选范围的坐标,以及推荐框内的血管病变的分类信息。具体地,例如可以基于在步骤S406中得到的N个推荐框的特征图和中心线球面展开图,利用所述RCNN预测网络44,输出所述N个推荐框各自对应的所框选范围的坐标,以及对应的推荐框内的血管病变的分类信息,其中,血管病变的分类信息例如可以包括血管中的粥样硬化斑块、动脉瘤、支架中的至少一种,也可以仅包括是否为血管病变的信息(即,阴性或阳性)。
利用RCNN预测网络44,能够得到更精确的推荐框的位置以及分类信息,其中,RCNN预测网络44的训练方法例如包括:将经RCNN预测网络44得到的分类信息及锚框回归参数的预测结果与所得到的金标准进行比较,并计算预测结果与金标准之间的损失。依据该损失调整RCNN预测网络44的参数,当该损失小于等于第二预设阈值或者达到收敛时,模型训练收敛。可选地,计算分类损失时可以采用交叉熵损失函数,计算锚框回归参数时可采用L1损失函数,在调整RCNN预测网络44的参数时,可以采用随机梯度下降SGD优化器或者其他类型的优化器,在此不赘述。
在一些实施例中,上述深度学习网络中的特征提取部41、RPN网络42、RoI池化层43和RCNN预测网络44可以基于由血管的3D医学图像、3D分割蒙版、3D中心线和分割蒙版球面展开图中的血管病变的真值组成的第一训练数据集,以及共同的损失函数进行联合训练,其中,所述3D中心线可以是基于所述3D分割蒙版来获取的。
根据本申请的实施例,综合应用医学图像球面展开图的特征图以及中心线球面展开图中中心线的角度信息,特别是利用中心线的角度信息对推荐框进行角度旋转,能够使得角度旋转后的推荐框更贴合血管病变,从而可以令预测得到的血管病变的推荐框及其相关信息进行更为精确。
图6示出根据本申请实施例的血管病变的推荐框向3D中心线映射的流程图。在一些实施例中,在获取了预测的血管病变的推荐框及其相关信息之后,还可以将其映射回3D中心线以供显示,具体可以包括如图6所示的步骤S601-S604。
在步骤S601中,获取血管病变的推荐框所框选范围的坐标信息。
在步骤S602中,计算血管病变的推荐框所框选范围的各个坐标在中心线球面展开图上是否存在中心线投影点,如果是,则进入步骤S603。
在步骤S603中,将上述各个坐标在中心线球面展开图中的中心线投影点标记为具有相应分类信息的血管病变。
在步骤S604中,将各个中心线投影点映射回3D中心线,并在3D中心线上各个中心线投影点对应的位置显示对应的血管病变的推荐框内的血管病变的分类信息。
通过图6所示的血管病变的推荐框的映射,可以进一步滤除偏离血管的血管病变,避免出现血管病变不在血管内的假阳性病变这样的不合理预测。并且,将血管病变的推荐框及其相关信息映射回3D中心线,并在所述3D中心线对应的位置显示筛选后的血管病变及其分类信息,有利于医生用户更直观、更便捷地获取血管病变的相关信息。
根据本申请的实施例还提供一种利用计算机实现的对血管病变进行检测的装置,所述装置包括接口和至少一个处理器,所述接口被配置为获取血管的3D医学图像,或,获取血管的3D医学图像、3D分割蒙版和3D中心线。所述至少一个处理器被配置为执行根据本申请实施例的对血管病变进行检测的计算机实现方法的步骤。
图7示出根据本申请实施例的利用计算机实现的对血管病变进行检测的***的组成的示意性框图。根据本申请实施例的利用计算机实现的对血管病变进行检测的装置可以实现为如图7所示的***700。具体地,***700至少可以包括接口701和处理器708,其中,接口701可以被配置为获取血管的3D医学图像,或,获取血管的3D医学图像、3D分割蒙版和3D中心线,处理器708可以被配置为执行根据本申请各个实施例的对血管病变进行检测的计算机实现方法的步骤。接口701和处理器708例如可以设置于图像处理装置703中,图像处理装置703可以配置为在预测阶段执行对血管病变进行检测任务。
在一些实施例中,***700还可以包括配置为在训练阶段对根据本申请实施例的深度学习网络进行训练的模型训练装置702。在一些实施例中,模型训练装置702和图像处理装置703可以在相同的计算机或处理装置内部。
在一些实施例中,图像处理装置703可以是专用计算机或通用计算机。例如,图像处理装置703可以是医院执行图像获取或图像处理任务的定制计算机或布置在云端中的服务器。图像处理装置703还可以包括存储704、存储器706和总线710。其中,接口701、存储704、存储器706、处理器708与总线710连接并且通过总线710彼此通信。
接口701例如可以包括网线连接器、电缆连接器、串行连接器、USB连接器、并行连接器、诸如光纤、USB 3.0、迅雷等的高速数据传输适配器、诸如WiFi适配器的无线网络适配器、电信(3G、4G/LTE等)适配器等。在一些实施例中,接口701从图像获取装置705接收包含解剖结构的医学图像。在一些实施例中,接口701还从模型训练装置702处接收训练好的深度学习网络模型。
图像获取装置705能够在功能性MRI(例如fMRI、DCE-MRI和弥散MRI)、锥束CT(CBCT)、螺旋CT、正电子发射体层成像(PET)、单光子发射计算机断层扫描(SPECT)、X射线、光学层析术、荧光成像、超声成像和放疗门户成像等或其组合中获取任意成像形式的图像,特别是冠脉CTA图像、头颈CTA图像或常规的肺部CT图像等3D医学图像。本申请各个实施例的对血管病变进行检测的计算机实现方法的步骤也可以由使用所获取的图像对血管病变进行检测的***700中的各个部件来共同执行。
存储704/存储器706可以是非暂时性计算机可读介质,其上可以存储计算机可执行的指令,其中当所述计算机可执行指令由处理器执行时,可以执行根据本申请实施例的生成解剖结构的解剖标记的计算机实现方法等。存储704/存储器706可以是诸如只读存储器(ROM)、随机存取存储器(RAM)、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、电可擦可编程只读存储器(EEPROM)、其他类型的随机存取存储器(RAMs)、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、只读光盘存储器(CD-ROM)、数字多功能光盘(DVD)或其他光存储器、磁带或其他磁存储装置,或任意其他可用于存储能被计算机装置访问的信息或指令的非暂时性介质等。
在一些实施例中,存储704可以存储训练好的深度学习模型和数据,例如在通过接口701仅获取了血管的3D医学图像的情况下,基于3D医学图像生成的3D分割蒙版和3D中心线等。在一些实施例中,存储器706可以存储计算机可执行指令,诸如一个及以上的图像处理程序。
处理器708可以是包括一个及以上的通用处理装置的处理装置,诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等。更具体地,处理器可能是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、运行其他指令集的处理器、或运行指令集的组合的处理器。处理器也可以是一个及以上的专用处理装置,诸如专用集成电路(ASICs)、现场可编程门阵列(FPGAs)、数字信号处理器(DSPs)、片上***(SoCs)等。处理器708可以与存储704和/或存储器706通信地耦合,并且被配置为执行存储在其上的计算机可执行指令。
模型训练装置702可以利用执行训练处理的软件专门编程的硬件来实现。例如,模型训练装置702可以包括与图像处理装置703相同的处理器和非暂时性计算机可读介质。处理器708可以通过执行存储在计算机可读介质中的训练处理的指令来进行训练。模型训练装置702还可以包括输入和输出接口(未示出)来与训练数据库、网络、和/或用户界面(未示出)进行通信。用户界面可用于选择训练数据集、调整的一个及以上的训练处理的参数、选择或修改学习模型的框架、和/或手动或半自动提供与训练的图像中的血管病变相关的检测结果。
根据本申请的实施例还提供一种非暂时性计算机可读存储介质,其上存储有计算机可执行的指令,其中当所述计算机可执行指令由处理器执行时,执行本申请各个实施例的对血管病变进行检测的计算机实现方法的步骤。
根据本申请的实施例的对血管病变进行检测的计算机实现方法、装置及介质,至少具有如下有益效果:
(1)与人工分析血管病变的现有技术方案相比,其可以自动、快速、准确地完成血管病变检测,在提升诊断效率的同时大幅降低医生工作量及患者等待时间。
(2)与半自动分析软件相比,其无需复杂的人工交互即可完成整体血管病变的检测,例如对头颈CTA图像中存在头部、颈部动脉及主动脉弓,其中每个动脉还存在大量分支,半自动分析方案无疑亦是低效的,而本申请的实施例则可以从整体的角度一次性输出诸如头颈CTA图像各部位、冠脉CTA图像中冠脉树全树的血管病变检测结果。
(3)与其他基于深度学***面,再参考中心线坐标及角度信息进行病变检测,能够大幅提升血管病变的检测效率和准确度;同时本申请实施例比基于三维医学图像分支血管拉直图的方案数据量更小,敏感度更高,因此能够以更小的时间代价和运算代价快速而灵敏地对血管病变进行检测。
(4)此外,由于在将血管病变的推荐框及其相关信息映射回3D中心线的过程中结合了中心线球面展开图中的坐标和角度信息,因此可以将滤除了偏离血管的不合理的病变之后的血管病变的位置及分类信息等,以医生用户所习惯的直观的方式呈现,使其能够便捷地所需的血管病变的相关信息。
图8示出根据本申请实施例的利用计算机实现的对血管病变进行检测的***的工作流程示意图。
如图8所示,根据本申请实施例的利用计算机实现的对血管病变进行检测的***的工作流程可以分为训练阶段和预测阶段,具体的工作流程如下:
在一些实施例中,训练阶段81是离线处理。在这一阶段中,首先可以在步骤S811中
接收训练数据,例如可以是训练用的血管的3D医学图像、3D分割蒙版和3D中心线,也可以仅
接收血管的3D医学图像,并在步骤S811a中,利用任何适用的算法来由训练数据中的血管的
3D医学图像获取对应的3D分割蒙版和3D中心线。然后,在步骤S812中,基于血管的3D医学图
像及对应的3D分割蒙版和3D中心线,生成训练用的医学图像球面展开图、分割蒙版球面展
开图和中心线球面展开图。接下来,在步骤S813中可以对将要训练的深度学习网络进行建
模,深度学习网络由特征提取部、RPN网络、RoI池化层和RCNN预测网络依序串联而构成。在
训练阶段81,可以在步骤S814中接收血管病变的真值,或者,在这一阶段,***组装了标记
有真值的血管病变检测训练的数据库。接下来,可以在步骤S815中,基于由医学图像球面展
开图、分割蒙版球面展开图、中心线球面展开图,以及血管病变的真值组成的第一训练数据
集D,对所建模的深度学习网络进行训练,并在步骤S816中获得训练好的深度学习网络。在
进行端到端深度学习网络模型的联合训练时,可以使用基于梯度的方法(例如SGD、Adam
等),以在训练数据集上相对于所有网络和模型的参数来优化联合目标函数。深度学习网
络模型的参数(θ)可以通过最小化分割蒙版球面展开图上各个血管病变的真值y和预测值
输出之间的均方差来优化。特别是,可以对于第一训练数据集D,优化参数(θ)来使得联合
目标函数最小化,其中,可以是任意的分类损失及各类别IoU损失等。
预测阶段82可以是在线处理。在一些实施例中,首先可以在步骤S821中接收在预测阶段新的待检测血管病变的测试数据,所述测试数据中可以包含血管的3D医学图像、3D分割蒙版和3D中心线,也可以仅包含血管的3D医学图像,并在步骤S821a中,基于血管的3D医学图像,利用任何适用的算法来获取对应的3D分割蒙版和3D中心线。然后,在步骤S822中,基于血管的3D医学图像及对应的3D分割蒙版和3D中心线,生成测试用的医学图像球面展开图、分割蒙版球面展开图和中心线球面展开图。接下来,在步骤S823中,通过使用在训练阶段81中训练好的深度学习网络,对血管病变进行预测,并在步骤S824中,将所预测的血管病变的推荐框及其相关信息映射回3D中心线以供显示。
此外,尽管已经在本文中描述了示例性实施例,其范围包括任何和所有基于本申请的具有等同元件、修改、省略、组合(例如,各种实施例交叉的方案)、改编或改变的实施例。虽然分别就无线通信方法和无线音频播放组件列举了若干实施例进行了说明,但须知无线音频播放组件说明中涉及的方法细节也可以结合到无线通信方法的各个实施例中,反之亦然。
权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释,并不限于在本说明书中或本申请的实施期间所描述的示例,其示例将被解释为非排他性的。因此,本说明书和示例旨在仅被认为是示例,真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。
在本申请中的各个步骤的顺序仅仅是示例性的,而非限制性的。在不影响本申请的实现的情况下(不破坏所需的步骤之间的逻辑关系的情况下),可以对步骤的执行顺序进行调整,调整后得到的各种实施例依然落在本申请的范围内。
以上描述旨在是说明性的而不是限制性的。例如,上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外,在上述具体实施方式中,各种特征可以被分组在一起以简单化本申请。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反,本发明的主题可以少于特定的公开的实施例的全部特征。从而,以下权利要求书作为示例或实施例在此并入具体实施方式中,其中每个权利要求独立地作为单独的实施例,并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
Claims (14)
1.一种对血管病变进行检测的计算机实现方法,其特征在于,包括:
获取血管的3D医学图像、3D分割蒙版和3D中心线;
基于所述3D医学图像、所述3D分割蒙版和所述3D中心线,生成医学图像球面展开图、分割蒙版球面展开图和中心线球面展开图;
基于所述医学图像球面展开图、所述分割蒙版球面展开图和所述中心线球面展开图,利用训练好的深度学习网络,预测血管病变的推荐框及其相关信息;
将预测的血管病变的推荐框及其相关信息映射回所述3D中心线以供显示。
2.根据权利要求1所述的计算机实现方法,其特征在于,所述深度神经网络基于特征提取部、RPN网络、RoI池化层和RCNN预测网络依序串联而构成。
3.根据权利要求2所述的计算机实现方法,其特征在于,基于所述医学图像球面展开图、所述分割蒙版球面展开图和所述中心线球面展开图,利用训练好的深度学习网络,预测血管病变的推荐框及其相关信息进一步包括:
基于所述医学图像球面展开图,利用所述特征提取部,得到所述医学图像球面展开图的特征图;
计算并标注所述中心线球面展开图中各个点对应的角度,以生成中心线角度图,并对所述中心线角度图进行降采样,生成降采样后的中心线角度图;
基于所述降采样后的中心线角度图、所述医学图像球面展开图的特征图、所述分割蒙版球面展开图和所述中心线角度图,利用所述RPN网络,以得到N个推荐框,其中,N为自然数;
将所述N个推荐框、所述降采样后的中心线角度图和所述医学图像球面展开图的特征图输入所述RoI池化层,以得到N个推荐框的特征图;
基于所述N个推荐框的特征图,利用所述RCNN预测网络,对所述N个推荐框及其相关信息进行预测。
4.根据权利要求3所述的计算机实现方法,其特征在于,对所述中心线角度图进行降采样,生成降采样后的中心线角度图进一步包括:根据所述医学图像球面展开图的特征图的尺寸,对所述中心线角度图进行降采样,生成与所述特征图的尺寸相匹配的降采样后的中心线角度图。
5.根据权利要求3所述的计算机实现方法,其特征在于,基于所述降采样后的中心线角度图、所述医学图像球面展开图的特征图、所述分割蒙版球面展开图和所述中心线角度图,利用所述RPN网络,以得到N个推荐框进一步包括:
生成与所述医学图像球面展开图的特征图的尺寸相同的锚点图,将所述锚点图中与所述降采样后的中心线角度图相交的点设置为激活锚点;
利用所述RPN网络,得到各个激活锚点的分类信息和对应的候选锚框的回归参数,其中,所述RPN网络是基于所述分割蒙版球面展开图和所述中心线角度图进行训练的;
通过非极大值抑制方法缩减所述候选锚框的数量,选取前N个候选锚框作为推荐框,并输出所述推荐框的回归信息及对应的锚点处的分类信息。
6.根据权利要求3所述的计算机实现方法,其特征在于,将所述N个推荐框、所述降采样后的中心线角度图和所述医学图像球面展开图的特征图输入所述RoI池化层,以得到N个推荐框的特征图进一步包括:
获取各个推荐框在所述医学图像球面展开图的特征图中对应的RoI区域;
根据所述降采样后的中心线角度图中对应于各个RoI区域的角度信息,对各个RoI区域进行对应角度的旋转;
对角度旋转后的N个RoI区域分别进行插值处理后,得到N个推荐框的特征图。
7.根据权利要求2所述的计算机实现方法,其特征在于,所述血管病变的推荐框的相关信息包括所述推荐框所框选范围的坐标,以及所述推荐框内的血管病变的分类信息,基于所述N个推荐框的特征图,利用所述RCNN预测网络,对所述N个推荐框及其相关信息进行预测进一步包括:
基于所述N个推荐框的特征图和所述中心线球面展开图,利用所述RCNN预测网络,输出所述N个推荐框各自对应的所框选范围的坐标,以及所述推荐框内的血管病变的分类信息。
8.根据权利要求7所述的计算机实现方法,其特征在于,将预测的血管病变的推荐框及其相关信息映射回所述3D中心线以供显示进一步包括:
获取所述血管病变的推荐框所框选范围的坐标在所述中心线球面展开图上的中心线投影点,将所述中心线投影点映射回所述3D中心线,并在所述3D中心线上所述中心线投影点对应的位置显示所述推荐框内的血管病变的分类信息。
9.根据权利要求1所述的计算机实现方法,其特征在于,所述深度学习网络中的特征提取部、RPN网络、RoI池化层和RCNN预测网络基于由血管的3D医学图像、3D分割蒙版、3D中心线和分割蒙版球面展开图中血管病变的真值组成的第一训练数据集和共同的损失函数进行联合训练,其中,所述3D中心线的真值为基于所述3D分割蒙版的真值来获取的。
10.根据权利要求1所述的计算机实现方法,其特征在于,所述3D医学图像为冠脉CTA图像、头颈CTA图像或常规的肺部CT图像中的一种。
11.根据权利要求7所述的计算机实现方法,其特征在于,所述血管病变的分类信息包括阴性、阳性,和/或粥样硬化斑块、动脉瘤、支架中的至少一种。
12.根据权利要求1所述的计算机实现方法,其特征在于,所述3D分割蒙版为基于所述3D医学图像来获取的,所述3D中心线为基于所述3D分割蒙版来获取的。
13.一种利用计算机实现的对血管病变进行检测的装置,所述装置包括:
接口,其被配置为:获取血管的3D医学图像,或,获取血管的3D医学图像、3D分割蒙版和3D中心线;
至少一个处理器,其被配置为执行根据权利要求1至12中任一项所述的对血管病变进行检测的计算机实现方法。
14.一种非暂时性计算机可读存储介质,其上存储有计算机可执行的指令,其中当所述计算机可执行指令由处理器执行时,执行根据权利要求1至12中任一项所述的对血管病变进行检测的计算机实现方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210659093.3A CN114732431B (zh) | 2022-06-13 | 2022-06-13 | 对血管病变进行检测的计算机实现方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210659093.3A CN114732431B (zh) | 2022-06-13 | 2022-06-13 | 对血管病变进行检测的计算机实现方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114732431A true CN114732431A (zh) | 2022-07-12 |
CN114732431B CN114732431B (zh) | 2022-10-18 |
Family
ID=82287376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210659093.3A Active CN114732431B (zh) | 2022-06-13 | 2022-06-13 | 对血管病变进行检测的计算机实现方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114732431B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018825A (zh) * | 2022-08-02 | 2022-09-06 | 深圳科亚医疗科技有限公司 | 一种冠脉优势型的分类方法、分类装置及存储介质 |
CN115953345A (zh) * | 2023-03-09 | 2023-04-11 | 同心智医科技(北京)有限公司 | 脑出血医学图像的病变合成方法、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110349143A (zh) * | 2019-07-08 | 2019-10-18 | 上海联影医疗科技有限公司 | 一种确定管状组织感兴趣区的方法、装置、设备及介质 |
CN111476791A (zh) * | 2019-05-21 | 2020-07-31 | 北京昆仑医云科技有限公司 | 图像处理方法、图像处理装置和非暂时性计算机可读介质 |
CN111709925A (zh) * | 2020-05-26 | 2020-09-25 | 深圳科亚医疗科技有限公司 | 用于血管斑块分析的装置、***及介质 |
WO2021040258A1 (ko) * | 2019-08-30 | 2021-03-04 | 국민대학교산학협력단 | 안구 영상 내 혈관 분할을 이용한 자동 질환 판단 장치 및 그 방법 |
-
2022
- 2022-06-13 CN CN202210659093.3A patent/CN114732431B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111476791A (zh) * | 2019-05-21 | 2020-07-31 | 北京昆仑医云科技有限公司 | 图像处理方法、图像处理装置和非暂时性计算机可读介质 |
CN110349143A (zh) * | 2019-07-08 | 2019-10-18 | 上海联影医疗科技有限公司 | 一种确定管状组织感兴趣区的方法、装置、设备及介质 |
WO2021040258A1 (ko) * | 2019-08-30 | 2021-03-04 | 국민대학교산학협력단 | 안구 영상 내 혈관 분할을 이용한 자동 질환 판단 장치 및 그 방법 |
CN111709925A (zh) * | 2020-05-26 | 2020-09-25 | 深圳科亚医疗科技有限公司 | 用于血管斑块分析的装置、***及介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018825A (zh) * | 2022-08-02 | 2022-09-06 | 深圳科亚医疗科技有限公司 | 一种冠脉优势型的分类方法、分类装置及存储介质 |
CN115018825B (zh) * | 2022-08-02 | 2023-01-10 | 深圳科亚医疗科技有限公司 | 一种冠脉优势型的分类方法、分类装置及存储介质 |
CN115953345A (zh) * | 2023-03-09 | 2023-04-11 | 同心智医科技(北京)有限公司 | 脑出血医学图像的病变合成方法、装置及存储介质 |
CN115953345B (zh) * | 2023-03-09 | 2023-06-02 | 同心智医科技(北京)有限公司 | 脑出血医学图像的病变合成方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114732431B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10769791B2 (en) | Systems and methods for cross-modality image segmentation | |
US20230104173A1 (en) | Method and system for determining blood vessel information in an image | |
CN114732431B (zh) | 对血管病变进行检测的计算机实现方法、装置及介质 | |
US7599535B2 (en) | System and method for tree-model visualization for pulmonary embolism detection | |
CN111008984B (zh) | 医学影像中正常器官的轮廓线自动勾画方法 | |
US8073227B2 (en) | System and method for geometric modeling of tubular structures | |
JP5584006B2 (ja) | 投影画像生成装置、投影画像生成プログラムおよび投影画像生成方法 | |
US11127138B2 (en) | Automatic detection and quantification of the aorta from medical images | |
US9098912B2 (en) | Method, system and computer readable medium for automatic segmentation of a medical image | |
JP2010528750A (ja) | 管状構造の検査 | |
JP7346553B2 (ja) | 深層学習を使用する3dデータセット内のオブジェクトの成長率の決定 | |
US11508460B2 (en) | Method and system for anatomical tree structure analysis | |
US8428316B2 (en) | Coronary reconstruction from rotational X-ray projection sequence | |
Linguraru et al. | Segmentation and quantification of pulmonary artery for noninvasive CT assessment of sickle cell secondary pulmonary hypertension | |
CN112862833A (zh) | 血管分段方法、电子装置和存储介质 | |
US20210272287A1 (en) | Method for providing airway information | |
US20240221156A1 (en) | Methods and systems for determining hemodynamic parameters | |
US11600379B2 (en) | Systems and methods for generating classifying and quantitative analysis reports of aneurysms from medical image data | |
Hepp et al. | Fully automated segmentation and shape analysis of the thoracic aorta in non–contrast-enhanced magnetic resonance images of the German National Cohort Study | |
Garrido-Oliver et al. | Machine learning for the automatic assessment of aortic rotational flow and wall shear stress from 4D flow cardiac magnetic resonance imaging | |
CN109949300B (zh) | 解剖树结构分析的方法、***和计算机可读介质 | |
CN114596311A (zh) | 基于血管图像的血管功能评估方法和血管功能评估装置 | |
US11875507B1 (en) | Systems and methods for detecting cardiovascular anomalies using spatiotemporal neural networks | |
US20230095242A1 (en) | Method and system for multi-modality joint analysis of vascular images | |
CN114764784A (zh) | 用于生理相关参数预测的机器学习模型的训练方法及*** |
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 |