CN114937000A - 计算机实施的确定管状物狭窄率的方法及其相关产品 - Google Patents
计算机实施的确定管状物狭窄率的方法及其相关产品 Download PDFInfo
- Publication number
- CN114937000A CN114937000A CN202210331924.4A CN202210331924A CN114937000A CN 114937000 A CN114937000 A CN 114937000A CN 202210331924 A CN202210331924 A CN 202210331924A CN 114937000 A CN114937000 A CN 114937000A
- Authority
- CN
- China
- Prior art keywords
- section
- radius
- determining
- tubular
- cross
- 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
- 238000000034 method Methods 0.000 title claims abstract description 103
- 208000031481 Pathologic Constriction Diseases 0.000 title claims abstract description 76
- 230000036262 stenosis Effects 0.000 title claims abstract description 76
- 208000037804 stenosis Diseases 0.000 title claims abstract description 76
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 230000004044 response Effects 0.000 claims abstract description 24
- 208000010877 cognitive disease Diseases 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims description 109
- 230000002159 abnormal effect Effects 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 23
- 230000009467 reduction Effects 0.000 claims description 15
- 230000002547 anomalous effect Effects 0.000 claims description 14
- 210000001627 cerebral artery Anatomy 0.000 claims description 11
- 230000002285 radioactive effect Effects 0.000 claims description 9
- 230000002490 cerebral effect Effects 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 5
- 210000004204 blood vessel Anatomy 0.000 description 23
- 230000008569 process Effects 0.000 description 13
- 230000005855 radiation Effects 0.000 description 11
- 206010002329 Aneurysm Diseases 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 230000001788 irregular Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000000691 measurement method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000002966 stenotic effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000003101 oviduct Anatomy 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 210000000813 small intestine Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation 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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种计算机实施的确定管状物狭窄率的方法、装置、设备、计算机可读存储介质以及用于预测认知功能障碍风险的装置。该方法包括:响应于接收到管状物的拉直图像,获取所述拉直图像中拉直管状物的各中心点处的截面图像;检测每个中心点处的截面图像中管状物截面的截面半径或截面直径;基于各中心点处的截面半径或截面直径的加权平均值,确定所述拉直管状物的平均半径或平均直径;以及基于各截面半径中的最小截面半径和所述平均半径,或者基于各截面直径中的最小截面直径和所述平均直径,确定所述管状物的狭窄率。根据本发明实施例的方法具有检测速度快、平均误差低以及准确率高等特点。
Description
技术领域
本发明一般地涉及图像处理技术领域。更具体地,本发明涉及一种计算机实施的确定管状物狭窄率的方法、装置、设备、计算机可读存储介质以及用于预测认知功能障碍风险的装置。
背景技术
目前对于管状结构组织(例如血管等)的狭窄率分析主要依靠医务人员的人工测量,但人工测量在效率和准确性方面均不理想。另外,目前确定狭窄率时主要依赖于对二维管状物图像的测量和分析,从而无法实现对于截面不规则的管状物的狭窄率的准确检测。因此,亟需一种能够快速且准确的确定管状物狭窄率的方法。
发明内容
鉴于上面所提到的技术问题,本发明的技术方案在多个方面提供一种计算机实施的确定管状物狭窄率的方法、装置、设备、计算机可读存储介质以及用于预测认知功能障碍风险的装置。
在本发明的第一方面中,提供一种计算机实施的确定管状物狭窄率的方法,包括:响应于接收到管状物的拉直图像,获取所述拉直图像中拉直管状物的各中心点处的截面图像;检测每个中心点处的截面图像中管状物截面的截面半径或截面直径;基于各中心点处的截面半径或截面直径的加权平均值,确定所述拉直管状物的平均半径或平均直径;以及基于各截面半径中的最小截面半径和所述平均半径,或者基于各截面直径中的最小截面直径和所述平均直径,确定所述管状物的狭窄率。
在一个实施例中,检测每个中心点处的截面半径或截面直径包括:识别每个截面图像中管状物截面的中心点,并以所述中心点为交叉点,在所述截面图像上设置多条交叉线;检测每条交叉线与所在截面图像中管状物边缘的交点,以确定所述截面图像中的采样点;以及根据各采样点与所述交叉点之间的采样半径的平均值,确定所述中心点处的截面半径或截面直径。
在另一个实施例中,确定所述截面图像中的采样点包括:在所述交叉点处将每条交叉线分割为两条交叉子线;以及将每条交叉子线上与所述交叉点的距离最近的交点确定为所述采样点。
在又一个实施例中,检测每个中心点处的截面半径包括:识别每个截面图像中管状物截面的中心点,并以所述中心点为起点,设置朝向管状物边缘的多条放射线;检测每条放射线与所在截面图像中管状物边缘的交点,以确定所述截面图像中的采样点;以及根据各采样点与所述中心点之间的采样半径的平均值,确定所述中心点处的截面半径。
在一个实施例中,所述方法还包括:计算各采样半径与所在截面图像的截面半径之间的相对差异;响应于相对差异大于预设阈值,确定相对差异大于预设阈值的采样半径为异常采样半径;以及根据除所述异常采样半径之外的其他采样半径的平均值,更新所述截面半径。
在另一个实施例中,所述方法还包括:根据一个或多个相邻的异常采样半径中的最大采样半径与更新后的截面半径之间的差值,确定所述异常采样半径处的第一长度;根据所述最大采样半径超过更新后的截面半径的区域的宽度,确定所述异常采样半径处的第一宽度;以及响应于所述第一长度大于第一长度阈值,并且所述第一宽度大于第一宽度阈值,确定所述异常采样半径处存在异常凸起。
在又一个实施例中,确定平均半径或平均直径包括:根据所述拉直图像中各截面半径中的最小截面半径所在中心点与各中心点之间的距离,对各截面半径进行加权平均运算,以确定所述平均半径;或者根据所述拉直图像中各截面直径中的最小截面直径所在中心点与各中心点之间的距离,对各截面直径进行加权平均运算,以确定所述平均直径。
在一个实施例中,进行加权平均运算包括:根据预设规则构建所述距离的函数;基于所述函数确定各截面半径或各截面直径的权重值;以及根据所述权重值对各截面半径或各截面直径进行加权平均运算。
在另一个实施例中,所述函数包括一次函数、二次函数、反比例函数和高斯函数中的至少一种。
在又一个实施例中,所述管状物包括脑动脉血管。
在本发明的第二方面中,提供一种用于确定管状物狭窄率的装置,包括:截面图像获取模块,用于响应于接收到管状物的拉直图像,获取所述拉直图像中拉直管状物的各中心点处的截面图像;检测模块,用于检测每个中心点处的截面图像中管状物截面的截面半径或截面直径;均值确定模块,用于基于各中心点处的截面半径或截面直径的加权平均值,确定所述拉直管状物的平均半径或平均直径;以及狭窄率确定模块,用于基于各截面半径中的最小截面半径和所述平均半径,或者基于各截面直径中的最小截面直径和所述平均直径,确定所述管状物的狭窄率。
在本发明的第三方面中,提供一种用于确定管状物狭窄率的设备,包括,至少一个处理器;存储器,其存储有程序指令,当所述程序指令由所述至少一个处理器执行时,使得所述设备执行根据本发明的第一方面中的任意一项所述的方法。
在本发明的第四方面中,提供一种计算机可读存储介质,其存储有计算机实施的确定管状物狭窄率的程序,当所述程序由处理器来运行时,执行根据本发明的第一方面中的任意一项所述的方法。
在本发明的第五方面中,提供一种用于预测认知功能障碍风险的装置,包括:狭窄率确定模块,用于根据本发明的第一方面中任一所述的方法确定每根脑动脉血管的狭窄率;二值化处理模块,用于对多根脑动脉血管的狭窄率进行二值化处理;降维模块,用于对所述二值化处理的处理结果进行特征降维处理;以及分类模型,用于对特征降维处理后的降维结果进行分类,以预测所述多根脑动脉血管的所有者发生认知功能障碍的风险。
基于上述关于本发明方案的描述,本领域技术人员可以理解上述实施例所述的方案,通过计算机实施对拉直图像中各中心点处的截面图像检测截面半径或截面直径,可以实现机器的自动化检测,有利于提高检测速度;以及通过获取截面图像来获得拉直图像的每个中心点处的三维图像信息,从而有利于实现对任何形状管状物截面的有效分析和检测。通过基于加权的平均半径或平均直径来确定管状物的狭窄率,能够充分考虑管状物各截面半径或各截面直径对平均半径或平均直径产生的不同影响,从而有利于进一步提高狭窄率的检测结果的准确率。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分其中:
图1是示出根据本发明实施例的计算机实施的确定管状物狭窄率的方法流程图;
图2是示出根据本发明实施例的获得拉直图像的效果示意图;
图3是示出根据本发明实施例的去除骨架线上的毛刺的过程示意图,其中图3中的(a)图是示出根据本发明实施例的骨架线上有毛刺的拉直管状物的示意图,图3中的(b)图是示出根据本发明实施例的去除毛刺后的中心线的示意图;
图4是示出根据本发明实施例的去除骨架线上的环形结构的过程示意图,其中图4中的(a)图是示出根据本发明实施例的骨架线上有环形结构的拉直管状物的示意图,图4中的(b)图是示出根据本发明实施例的去除环形结构后的中心线的示意图;
图5是示出根据本发明实施例的连通同一根拉直管状物内的骨架线的过程示意图,其中图5中的(a)图是示出根据本发明实施例的同一根拉直管状物的骨架线上包括多个节点的示意图,图5中的(b)图是示出根据本发明实施例的连通同一根拉直管状物的骨架线后的中心线的示意图;
图6是示出根据本发明实施例的检测截面半径的方法流程图;
图7是示出根据本发明实施例的确定异常凸起的方法流程图;
图8是示出根据本发明实施例的存在异常凸起的截面示意图;
图9是示出根据本发明实施例的设置交叉线的示意图,其中图9中的(a)图是示出根据本发明实施例的对圆形血管截面设置交叉线的示意图,图9中的(b)图是示出根据本发明实施例的对椭圆形血管截面设置交叉线的示意图,图9中的(c)图是示出根据本发明实施例的对存在凹陷的血管截面设置交叉线的示意图,图9中的(d)图是示出根据本发明实施例的对存在血管粘连或非血管区域的血管截面设置交叉线的示意图,图9中的(e)图是示出根据本发明实施例的对存在凸起的血管截面设置交叉线的示意图;
图10是示出多种截面半径测量方法的对比图;
图11是示出根据本发明实施例的确定平均半径的原理示意图;
图12是示出根据本发明实施例的权重值与距离的关系示意图;
图13是示出多种狭窄率确定方法与影像医师标准结果之间的误差对比图;以及
图14是示出根据本发明实施例的用于确定管状物狭窄率的***示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本公开一部分实施例,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,都属于本公开保护的范围。
应当理解,本发明的权利要求、说明书及附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。本发明的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的,而并不意在限定本公开。如在本发明说明书和权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解,在本发明说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
本发明针对现有技术的不足,提供了一种全新的可实现的解决方案。特别的,本发明实施例的方法能够通过获取拉直图像中各中心点处的截面图像,并且基于各截面图像检测管状物的截面半径或截面直径,以及基于加权的平均半径或平均直径来确定管状物的狭窄率,不仅能够实现自动化的实时检测,还能够有利于提高检测准确性,为临床应用和科学研究提供有力的技术支持。
通过下面的描述,本领域技术人员可以理解的是,本发明还在多个实施例中提供了有利于进一步提高狭窄率检测效果的实施方式,例如,在一些实施例中,可以通过在截面图像上设置多条放射线的方式,使得根据本发明实施例的方法能够适用于多种不同形状的管状物截面的截面半径检测。在另一些实施例中,可以通过检测采样半径中是否存在异常采样半径,并通过消除异常采样半径的影响来更新截面半径,从而有利于提高截面半径的检测准确性。下面结合附图来详细描述本发明的具体实施方式。
图1是示出根据本发明实施例的计算机实施的确定管状物狭窄率的方法流程图。如图1中所示,方法100可以包括:在步骤110中,响应于接收到管状物的拉直图像,获取拉直图像中拉直管状物的各中心点处的截面图像。在一些实施例中,管状物可以包括血管、小肠、输卵管等管状组织中的至少一种。在本发明的一个实施例中,管状物可以包括心血管、脑血管、毛细血管、动脉血管、静脉血管等中的至少一种。在又一个实施例中,管状物可以包括脑动脉血管。
在一些实施例中,拉直图像可以是通过对包含管状物的图像进行拉直处理后得到的图像。例如图2中所示,可以通过对管状物201进行拉直处理,以获得拉直图像,其中拉直图像中可以包括管状物201拉直后的拉直管状物202。在一些实施例中,拉直处理可以包括对管状物在原图像中的坐标进行平移变换和/或旋转变换等。在另一些实施例中,拉直图像为三维图像。
在一些实施例中,拉直管状物的中心线可以是对拉直管状物整体的细化,可以用于反映拉直管状物的整体骨架结构。在另一些实施例中,拉直管状物的中心线可以为拉直管状物的骨架线。在又一些实施例中,中心线上的每个点可以为所在拉直管状物截面的中心点,中心线可以是各中心点的集合。在一些应用场景中,例如拉直管状物存在形状不规则的截面时,拉直管状物的中心线上该截面的中心点可以不是严格意义上的圆心处。在一些实施例中,获取截面图像可以通过获取各中心点处的截面上各坐标的灰度值来实现。在另一些实施例中,获取截面图像可以通过例如在各中心点处对拉直管状物进行切割处理,以截取各中心点处的截面图像。
在一个实施例中,步骤110可以包括:对拉直图像中的拉直管状物进行骨架提取,以确定拉直管状物的中心线。利用骨架提取技术(或称二值图像细化技术)可以对拉直图像中的拉直管状物进行细化处理,可以得到该拉直管状物的骨架线。在一些实施例中,可以将骨架线作为中心线。每根拉直管状物可以对应一根中心线。在一些实施例中,拉直图像中包括一根拉直管状物,可以对该一根拉直管状物进行骨架提取,以确定该一根拉直管状物的中心线。在另一些实施例中,拉直图像中可以包括多根拉直管状物,可以对拉直图像中的全部拉直管状物或者部分拉直管状物进行骨架提取,以确定全部拉直管状物或部分拉直管状物的中心线。
接着,在步骤120中,可以检测每个中心点处的截面图像中管状物截面的截面半径或截面直径。在一些实施例中,截面半径可以通过例如最小距离法、面积测量法等方法对截面图像检测得到。在另一个实施例中,截面直径可以根据截面半径的两倍来确定。
然后,流程可以前进到步骤130中,可以基于各中心点处的截面半径或截面直径的加权平均值,确定拉直管状物的平均半径或平均直径。在一些实施例中,可以根据各中心点处的截面半径或截面直径对管状物整体形态的贡献程度,确定各截面半径或各截面直径的权重值,并根据各截面半径或各截面直径的权重值来对各截面半径或各截面直径进行加权平均运算,以获得拉直管状物的平均半径或平均直径。根据这样的设置,可以考虑到各截面半径或截面直径对管状物整体形态评估的影响程度,从而可以获得更接近管状物真实状态的平均半径或平均直径的测量结果。在另一些实施例中,平均直径可以根据平均半径的两倍来确定。
进一步地,在步骤140中,可以基于各截面半径中的最小截面半径和平均半径,或者基于各截面直径中的最小截面直径和平均直径,确定管状物的狭窄率。最小截面半径可以是拉直管状物的各截面半径中的最小值。最小截面直径可以是拉直管状物的各截面直径中的最小值。
在一个实施例中,可以基于各截面半径中的最小截面半径和平均半径的比值,或者基于各截面直径中的最小截面直径和平均直径的比值,确定管状物的狭窄率。在另一个实施例中,管状物的狭窄率可以基于以下公式计算得到:
以上结合图1和图2对根据本发明实施例的确定管状物狭窄率的方法进行了示例性的描述,可以理解的是,根据本发明实施例的方法可以不限于上述步骤,例如,在一个实施例中,步骤110还可以包括:对骨架提取获得的骨架线进行预处理,以生成预处理后的中心线,其中预处理可以包括以下中的至少一项:去除骨架线上的毛刺;去除骨架线上的环形结构;以及连通同一根拉直管状物内的骨架线。在一些实施例中,骨架线可以包括多个节点(或称中心点)的集合。为了便于理解,下面将结合图3-图5进行示例性的描述。
图3是示出根据本发明实施例的去除骨架线上的毛刺的过程示意图。如图3中的(a)图所示,对拉直管状物301进行骨架提取可以获得骨架线302,在骨架线302的节点304处连接有毛刺303。在一些应用场景中,对于一根完整的拉直管状物,其骨架线上的节点集合中通常包括起始点和终止点,并且包括起始点和终止点在内的所有节点理论上应该仅出现一次。然而,对于存在毛刺的骨架线302,节点304既作为毛刺303的起始点或者终止点在节点集合中出现一次,又作为骨架线302的非起止点出现一次,即在骨架线302的节点集合中,节点304出现两次。在另一些实施例中,毛刺303的起止点之间的长度较短。
基于毛刺303的上述特征,通过遍历骨架线,可以基于骨架线上的中心点(或称节点)在节点集合中出现的次数和/或骨架线的长度,确定毛刺303出现的节点304位置,从而可以对该毛刺303执行去除操作,以得到例如图3中的(b)图中所示的去除毛刺后的中心线305。
图4是示出根据本发明实施例的去除骨架线上的环形结构的过程示意图。如图4中的(a)图所示,对拉直管状物401进行骨架提取可以获得骨架线402,其中在骨架线402上的第一节点403和第二节点404之间存在由第一骨架线405和第二骨架线406组成的环状结构。在一些实施例中,在存在环状结构的骨架线402的节点集合中,第一节点403和第二节点404均出现至少两次。基于环状结构这样的特征,可以通过遍历骨架线,找到第一节点403和第二节点404的位置,并且可以根据第一骨架线405和第二骨架线406之间的长度关系,选择性的删除该环状结构中的第一骨架线405或者第二骨架线406,以得到例如图4中的(b)图中所示的去除环形结构后的中心线407。
在另一些实施例中,响应于第一骨架线405和第二骨架线406的长度比值大于第二阈值,可以在第一骨架线405和第二骨架线406中随机去除一条。在又一些实施例中,第二阈值可以包括0.8~1.2。在一些实施例中,响应于第一骨架线和第二骨架线的长度比值小于第三阈值,可以去除该环状结构中较短的一条中心线,以得到去除环形结构后的中心线。在另一些实施例中,第三阈值可以为例如1/3。根据这样的设置,可以排除管状物粘连或者拉直处理中的误差对基于各中心点获取截面图像的影响。
在一些应用场景中,形成环形结构的两个节点之间可以不限于图4所示的第一骨架线和第二骨架线,也可能出现更多数量的环形结构骨架线,这种场景中去除环形结构的方法可以与上述结合图4所描述的类似,例如可以每两根骨架线进行比较和去除,直至最终只剩下一根骨架线为止。
图5是示出根据本发明实施例的连通同一根拉直管状物内的骨架线的过程示意图。如图5中的(a)图中所示,对拉直管状物501进行骨架提取可以获得骨架线502。在一些实施例中,同一根拉直管状物的骨架线502中可能包括多个多次出现的节点(例如图示中的503、504、505和506等),使得该骨架线502被分割为多个管段,响应于该多个节点之间不存在毛刺和/或环形结构,可以通过连通该多个管段之间的骨架线,以形成一根完整的骨架线(例如图5中的(b)图中所示的预处理后的中心线507)。在另一些实施例中,连通同一根拉直管状物内的骨架线可以在去除毛刺和/或去除环形结构之后执行。
以上结合图3-图5对根据本发明实施例的对骨架线进行预处理进行了示例性的描述,可以理解的是,通过上述预处理操作,可以对管状物骨架提取的骨架线进行修正,以排除例如拉直处理误差或者管状物粘连等情况对于获取截面图像的影响,有利于降低后续对截面图像进行截面半径检测时可能产生的误差,以及可以显著提高确定狭窄率的准确度。在得到拉直图像中拉直管状物的中心线之后,可以获取该中心线上各中心点处的截面图像,并基于截面图像确定截面半径或截面直径,下面将对检测截面半径的一个具体实施例进行描述。
图6是示出根据本发明实施例的检测截面半径的方法流程图。通过下面的描述可知,方法600可以是前文中结合图1描述的步骤120的一个具体化表现形式,因此前文中结合图1对步骤120的描述也可以适用于下面对方法600的描述中。
如图6中所示,方法600可以包括:在步骤610中,可以识别每个截面图像中管状物截面的中心点,并以中心点为起点,设置朝向管状物边缘的多条放射线。在一些实施例中,可以对中心线上的每个点进行标记,以便在对每个截面图像进行检测时能够根据标记识别出中心点的位置。在一些实施例中,多条放射线可以均匀设置,例如多条放射线中各相邻两条放射线之间的间隔角度可以相同。在另一些实施例中,多条放射线可以非均匀设置,例如多条放射线中各相邻两条放射线之间的间隔角度可以不相同。
在一些实施例中,放射线可以是以中心点为起点,朝向管状物边缘发射的直线。在另一些实施例中,放射线的数量越多,截面半径或截面直径的检测结果越准确。在又一些实施例中,放射线设置的数量可以为奇数或者偶数条。在一些实施例中,放射线的数量可以设置为32~48条。根据这样的设置,既能够保证截面半径检测的准确性,又能够降低数据处理量以提高数据处理速度。进一步地,相比于设置少于32条放射线的情况,设置32条以上的放射线能够更好的适用于不规则管状物截面的截面半径或者截面直径的测量中。
接着,在步骤620中,可以检测每条放射线与所在截面图像中管状物边缘的交点,以确定截面图像中的采样点。在一些应用场景中,截面图像可以包括管状物截面和背景图像,放射线可以延伸至背景图像中,从而使得放射线线与管状物边缘相交以产生交点。在另一些应用场景中,放射线可以仅延伸至管状物边缘处,以与管状物边缘相交。在一些实施例中,可以确定所有交点均为采样点。
在另一些实施例中,步骤620可以包括:将每条放射线上与中心点的距离最近的交点确定为采样点。根据这样的设置,可以有效排除截面图像中可能存在的不规则管状物区域对管状物的截面半径或截面直径的确定结果产生影响,例如不规则管状物区域导致同一条放射线上存在多个采样点的情况,进而有利于提高检测结果的准确性。
然后,流程可以前进到步骤630中,可以根据各采样点与中心点之间的采样半径的平均值,确定中心点处的截面半径。在一些实施例中,采样半径可以为采样点与中心点之间的距离。在一个实施例中,截面半径可以基于如下公式二计算得到:
在另一个实施例中,截面直径可以基于如下公式三计算得到:
可以理解的是,上面关于确定截面半径的实施方式是示例性的而非限制性的,在一个实施例中,检测每个中心点处的截面半径或截面直径可以包括:识别每个截面图像中管状物截面的中心点,并以中心点为交叉点,在截面图像上设置多条交叉线;检测每条交叉线与所在截面图像中管状物边缘的交点,以确定截面图像中的采样点;以及根据各采样点与交叉点之间的采样半径的平均值,确定中心点处的截面半径或截面直径。
在一些实施例中,多条交叉线之间的间隔角度可以相同或不同。在另一些实施例中,交叉线可以是穿过交叉点的直线。交叉线的数量越多,截面半径或截面直径的检测结果越准确。在又一些实施例中,交叉线的数量可以设置为8~16条。设置8~16条交叉线与前述设置32~48条交叉线的关于数量设置的技术效果类似,此处将不再赘述。在另一个实施例中,确定截面图像中的采样点可以包括:在交叉点处将每条交叉线分割为两条交叉子线;以及将每条交叉子线上与交叉点的距离最近的交点确定为采样点。
相比于设置交叉线的方案,设置放射线的操作更加简单和灵活,例如可以通过设置奇数条放射线来获得奇数个采样点,且采样点可以不具有对称性,从而在一些应用场景中,可以使得采样点更具代表性。相比于设置放射线的方案,设置交叉线的方案可以基于每条交叉线上两个采样点之间的距离的平均值,直接确定中心点处的截面直径,而无需先确定截面半径再确定截面直径,并且基于交叉线直接确定的截面直径将更加准确。
如图6中进一步示出的,在另一个实施例中,方法600还可以包括:在步骤640(虚线框示出)中,可以计算各采样半径与所在截面图像的截面半径之间的相对差异。在一些实施例中,可以基于各采样半径与步骤630中得到的截面半径之间的差值,确定各采样半径的相对差异。在另一些实施例中,相对差异可以通过采样半径与截面半径之间的差值的绝对值与截面半径二者之间的比值获得。例如,各采样半径与所在截面图像的截面半径之间的相对差异可以通过如下公式计算得到:
接着,在步骤650(虚线框示出)中,响应于相对差异大于预设阈值,可以确定相对差异大于预设阈值的采样半径为异常采样半径。在一些实施例中,预设阈值可以根据截面半径的倍数确定。
进一步地,在步骤660(虚线框示出)中,可以根据除异常采样半径之外的其他采样半径的平均值,更新截面半径。在一个实施例中,更新截面半径可以基于如下公式计算得到:
以上结合图6对根据本发明实施例的检测截面半径的方法进行了详细的描述,可以理解的是,根据这样的更新截面半径的操作,可以有效排除管状物的局部异常特征(例如粘连、异常凸起、毛刺等)对管状物的截面半径的检测结果的影响,有利于进一步提高截面半径的检测结果的精准性。还可以理解的是,上面的描述是示例性的而非限制性地,例如,在本发明的另一个实施例中,根据本发明实施例的方法还可以包括:基于异常采样半径和更新后的截面半径,确定异常采样半径处是否存在异常凸起。下面将结合图7进行示例性的描述。
图7是示出根据本发明实施例的确定异常凸起的方法流程图。如图7中所示,方法700可以包括:在步骤710中,可以根据一个或多个相邻的异常采样半径中的最大采样半径与更新后的截面半径之间的差值,确定异常采样半径处的第一长度。在一些应用场景中,当同一截面图像中包含多个异常凸起时,根据一个或多个相邻的异常采样半径进行异常凸起判断,可以避免对异常凸起漏判的现象出现,从而可以准确定位出每个异常凸起的位置和参数。
在一些实施例中,可以通过判断同一截面图像中是否连续出现异常采样半径,以确定一个或多个相邻的异常采样半径。在另一些实施例中,相邻的异常采样半径是指异常采样半径的两侧均为正常的采样半径,或者多个异常采样半径之间不存在正常的采样半径。在另一些实施例中,最大采样半径可以为一个或多个异常采样半径中的最大值。在另一些实施例中,第一长度可以基于如下公式进行计算得到:
接着,在步骤720中,可以根据最大采样半径超过更新后的截面半径的区域的宽度,确定异常采样半径处的第一宽度。在一些实施例中,可以确定区域的边界阈值,将最大采样半径超过边界阈值的部分确定为上述区域;根据区域内的最大宽度,确定该区域的第一宽度(即异常采样半径处的第一宽度)。在另一些实施例中,可以根据需要将更新后的截面半径的一定比例确定为边界阈值。为了便于理解,下面结合一个具体示例进行描述。
首先,可以确定最大采样半径所在的放射线(或称最大采样射线),该最大采样射线的确定方法可以基于如下公式得到:
然后,可以检测采样射线qij在大于λaij的区域中的最大宽度,作为该区域的第一宽度,其中λ表示比例系数,λaij为边界阈值。在一些实施例中,λ可以大于1,这样可以避免第一宽度的位置落入非异常突起区域内。在另一些实施例中,λ可以为1.05-1.25。
进一步地,在步骤730中,响应于第一长度大于第一长度阈值,并且第一宽度大于第一宽度阈值,可以确定异常采样半径处存在异常凸起。第一长度阈值和第一宽度阈值可以根据需要进行设置。为了便于理解异常凸起的确定方式,下面将结合图8进行进一步地描述。
图8是示出根据本发明实施例的存在异常凸起的截面示意图。如图8中所示,截面图像800中包括拉直管状物的管状物截面801,通过在中心点处设置多条放射线802(虚线示出),可以确定多个采样点以及多个采样半径,其中可以采用例如图6中所示的方法600确定多条异常采样半径(例如图示中的803、804和805)。然后,可以根据异常采样半径803、804和805中的最大采样半径805与更新后的截面半径之间的差值,确定第一长度。接着,可以根据λ倍的更新后的截面半径(即λaij)所在位置806(即边界阈值),确定最大采样半径805超过λaij的位置806的部分半径808,从而可以确定部分半径808所在的区域807。
如图8中进一步示出的,第一宽度809的确定方法可以包括:可以在部分半径808上设置多条垂线,并且检测多条垂线与区域807的边缘的交点;根据每条垂线上两个交点之间的距离,确定区域807内的多条垂线的垂线长度;以及基于多个垂线宽度中的最大值,确定第一宽度809。
以上结合图7和图8对根据本发明实施例的确定异常凸起的方法进行了示例性的描述,可以理解的是,异常采样半径的确定不仅能够用于更新截面半径,以获得更准确的截面半径,还能够用于判断截面图像中是否存在异常凸起。根据这样的设置,使得根据本发明实施例的方法不仅能够准确检测管状物的狭窄率,还能够检测管状物是否存在异常凸起,从而可以更加全面的评估管状物的更多形态特征,以及为判断管状物的状态提供更多有价值的数据支持。为了更便于理解根据本发明实施例的确定截面半径的方法的技术效果,下面将结合图9和图10进行说明。
图9是示出根据本发明实施例的设置交叉线的示意图。以管状物为血管为例,图9的(a)图、(b)图、(c)图、(d)图、(e)图中分别示出了不同形状血管截面的截面图像。从图9的(a)图、(b)图、(c)图、(d)图、(e)图中可以看出,均可以设置穿过中心点处的多条交叉线,并可以根据交叉线与血管边缘的交点确定采样点(如图示中的浅色圆点),进而可以根据采样点与中心点之间的距离确定血管的截面半径,也可以根据同一条交叉线上的两个采样点之间的距离确定血管的截面直径。通过将每条交叉子线上与交叉点的距离最近的交点确定为采样点,可以有效排除例如图9中的(d)图中所示的交叉线与非血管区域或者血管粘连区域的交点(如图示中的深色圆点)对血管的截面半径确定结果的影响。
可以理解的是,在截面图像中设置放射线的视觉效果与图9中示出的设置交叉线的视觉效果类似,此处不再赘述。相比于其他确定截面半径的方法,根据本发明实施例的设置交叉线或者设置放射线的技术方案不仅有利于提高测量结果的准确性,而且能够更广泛的适用于因管状物本身或者图像处理误差等导致的形状不规则的管状物截面的截面半径或截面直径的测量。下面将结合图10进行说明。
图10是示出多种截面半径测量方法的对比图。如图10中所示,第一行示出了例如图9中所示的截面图像。最小距离法是指将管状物边缘上与中心点最近的点与中心点之间的距离确定为截面半径的方法。法是基于管状物截面的面积计算管状物的截面半径的方法。迭代是对法计算的结果进行迭代计算的方法。另外,本发明实施例中的设置交叉线法与设置放射线法可以统称为多经测量法。从图10中可以明显看出,本发明实施例的多径测量法可以准确测量多种形状的血管截面的截面半径,而其他方法均不能实现本发明实施例的多径测量法的适用范围。在一些应用场景中,设置两条交叉线可能更适合于对圆形血管截面的血管截面半径的检测,相比较而言,设置8条以上交叉线或者32条以上放射线将显著提高对于非圆形血管截面的测量结果的可靠性和准确性。
在又一个实施例中,确定平均半径或平均直径可以包括:根据拉直图像中各截面半径中的最小截面半径所在中心点与各中心点之间的距离,对各截面半径进行加权平均运算,以确定平均半径;或者根据拉直图像中各截面直径中的最小截面直径所在中心点与各中心点之间的距离,对各截面直径进行加权平均运算,以确定平均直径。在一个实施例中,平均半径可以基于以下公式八计算得到:
ωij=φ(Dij) (公式九)
其中,φ表示Dij的函数,Dij表示拉直管状物i的拉直图像中最小截面半径所在中心点与第j个中心点之间的距离,可以表示为如下公式十:
其中,xij表示拉直管状物i的第j个中心点的横坐标,表示拉直管状物i的最小截面半径所在中心点的横坐标。例如图11中所示,其中xi1表示拉直管状物i的第1个中心点的横坐标,表示拉直管状物i的第l个中心点的横坐标,Dij表示最小截面半径所在截面与第j个中心点所在截面之间的距离。在另一些实施例中,平均直径的运算方法可以与平均半径的运算方法类似,此处不再赘述。
在一个实施例中,进行加权平均运算可以包括:可以根据预设规则构建距离的函数(例如φ);可以基于函数确定各截面半径或各截面直径的权重值;以及可以根据权重值对各截面半径或各截面直径进行加权平均运算。在另一些实施例中,预设规则可以包括:距离Dij越大的中心点处对应的权重值越小,例如图12中所示,其中ωi1 表示拉直管状物i的第1个中心点处截面图像的管状物截面的截面半径的权重值,表示最小截面半径的权重值,ωil 表示拉直管状物i的第l个中心点处截面图像的管状物截面的截面半径的权重值。通过这样的预设规则,可以在确定平均半径或者平均直径时考虑到距离最小截面半径或者最小截面直径所在中心点对权重值的影响程度,不仅有利于提高运算结果的准确性,还能够更加客观的反应管状物的真实状态。
在又一些实施例中,函数可以包括例如一次函数、二次函数、反比例函数和高斯函数等中的至少一种。在一些实施例中,ωij表示拉直管状物i的第j个中心点处的截面半径的权重值,距离的一次函数可以通过例如如下公式十一获得:
在另一个实施例中,距离的二次函数可以通过例如如下公式十二获得:
在又一个实施例中,距离的反比例函数可以通过例如如下公式十三获得:
在一个实施例中,距离的高斯函数可以通过例如如下公式十四获得:
其中,k的取值可以为3。
以上结合图11和图12对根据本发明实施例的确定管状物的平均半径或平均直径的方法进行了示例性的描述,本领域技术人员可以理解的是,上面的描述是示例性的而非限制性的,例如上述的一次函数、二次函数、反比例函数和高斯函数是示例性的,在一些实施例中,还可以根据需要设置满足预设规则的其他函数形式。
在一个实验例中,通过对1665张拉直图像中的拉直管状物均进行基于本发明实施例的计算机实施的狭窄率计算,并将狭窄率结果与影像医师的检测结果进行比对发现,基于本发明实施例获得的狭窄率结果与影像医师的检测结果具有高度的一致性,说明本发明实施例的方法具有较高的检测准确率。在另一个实验例中,通过用计算机实施根据本发明实施例的方法,对于每张拉直图像的检测时间仅需2秒左右,即可确定拉直图像中管状物的狭窄率,说明本发明实施例的方法具有较高的检测速度。
在又一个实验例中,通过对7种管状物的拉直图像分别根据起止点法、平均法和加权平均法确定平均半径或平均直径,进而确定的狭窄率结果的平均误差进行统计,可以得到如图13所示的实验结果。起止点法可以是根据拉直管状物的起始点和终止点的截面半径或截面直径确定平均半径或者平均直径的方法。平均法可以是根据拉直管状物的各中心点处的截面半径或者截面直径的平均值直接确定平均半径或者平均直径的方法。加权平均法可以是根据本发明实施例的例如图1中所示的方法。
如图13中所示,相比于起止点法确定狭窄率的平均误差0.0837以及平均法确定狭窄率的平均误差0.0534,根据本发明实施例的加权平均法确定狭窄率的平均误差仅为0.0210。因此,根据本发明的加权平均方法能够显著降低对管状物的狭窄率检测的平均误差。通过上面对本发明的计算机实施的确定管状物狭窄率的技术方案以及多个实施例的描述,本领域技术人员可以理解的是,本发明实施例的方法能够通过获取拉直图像中各中心点处的截面图像,并且基于各截面图像检测管状物的截面半径或截面直径,以及基于加权的平均半径或平均直径来确定管状物的狭窄率,具有检测速度快、平均误差低以及准确率高等特点。
在一些实施例中,可以通过在截面图像上设置多条放射线来进行截面半径的检测,对于不规则形状的管状物截面的检测也具有较好的适用性和检测准确率。在另一些实施例中,根据拉直图像中各截面半径中的最小截面半径所在中心点与各中心点之间的距离,对各截面半径的加权平均运算,可以得到更准确且更符合客观规律的管状物的平均半径。
在本发明的第二方面中,提供一种用于确定管状物狭窄率的装置,可以包括:截面图像获取模块,用于响应于接收到管状物的拉直图像,获取拉直图像中拉直管状物的各中心点处的截面图像;检测模块,用于检测每个中心点处的截面图像中管状物截面的截面半径或截面直径;均值确定模块,用于基于各中心点处的截面半径或截面直径的加权平均值,确定拉直管状物的平均半径或平均直径;以及狭窄率确定模块,用于基于各截面半径中的最小截面半径和平均半径,或者基于各截面直径中的最小截面直径和平均直径,确定管状物的狭窄率。
本发明实施例的装置已经在上文中结合图1-图12任一描述的方法进行了详细的描述和解释,这里将不再赘述。
在本发明的第三方面中,提供一种用于确定管状物狭窄率的设备,包括,至少一个处理器;存储器,其存储有程序指令,当程序指令由至少一个处理器执行时,使得设备执行根据本发明的第一方面中的任意一项所述的方法。下面将结合图14进行示例性的描述。
图14是示出根据本发明实施例的用于确定管状物狭窄率的***示意图。该***1400可以包括根据本发明实施例的设备1410以及其***设备和外部网络,其中设备1410执行用于对拉直图像中的拉直管状物进行狭窄率的检测操作,以实现前述结合图1-图13任一所述的本发明实施例的技术方案。
如图14中所示,设备1410可以包括CPU 1411,其可以是通用CPU、专用CPU或者其他信息处理以及程序运行的执行单元。进一步,设备1410还可以包括大容量存储器1412和只读存储器ROM 1413,其中大容量存储器1412可以配置用于存储各类数据,包括中心线数据、变换矩阵等以及用于确定管状物狭窄率所需要的各种程序,ROM 1413可以配置成存储对于设备1410的***中各功能模块的初始化、***的基本输入/输出的驱动程序及引导操作***所需的数据。
进一步,设备1410还可以包括其他的硬件或组件,例如示出的图形处理器(“GPU”)1415和现场可编程逻辑门阵列(“FPGA”)1416等。可以理解的是,尽管在设备1410中示出了多种硬件或组件,但这里仅仅是示例性的而非限制性的,本领域技术人员可以根据实际需要增加或移除相应的硬件。
本发明实施例的设备1410还可以包括通信接口1418,从而可以通过该通信接口1418连接到局域网/无线局域网(LAN/WLAN)1450,进而可以通过LAN/WLAN连接到本地服务器1460或连接到因特网(“Internet”)1470。替代地或附加地,本发明实施例的设备1410还可以通过通信接口1418基于无线通信技术直接连接到因特网或蜂窝网络,例如基于第三代(“3G”)、***(“4G”)或第5代(“5G”)的无线通信技术。在一些应用场景中,本发明实施例的设备1410还可以根据需要访问外部网络的服务器1480以及可能的数据库1490,以便获得各种已知的数据和模块等,并且可以远程地存储检测的各种数据。
设备1410的***设备可以包括显示装置1420、输入装置1430以及数据传输接口1440。在一个实施例中,显示装置1420可以例如包括一个或多个扬声器和/或一个或多个视觉显示器,其配置用于对本发明实施例的设备的检测过程或者最终结果进行语音提示和/或图像视频显示。输入装置1430可以包括例如键盘、鼠标、麦克风、姿势捕捉相机,或其他输入按钮或控件,其配置用于接收检测信息的输入或用户指令。数据传输接口1440可以包括例如串行接口、并行接口或通用串行总线接口(“USB”)、小型计算机***接口(“SCSI”)、串行ATA、火线(“FireWire”)、PCI Express和高清多媒体接口(“HDMI”)等,其配置用于与其他设备或***的数据传输和交互。根据本发明的方案,该数据传输接口1440可以接收拉直图像等,并且向设备1410传送各种类型的数据和结果。
本发明实施例的设备1410的上述CPU1411、大容量存储器1412、只读存储器(“ROM”)1413、GPU 1415、FPGA 1416和通信接口1418可以通过总线1419相互连接,并且通过该总线与***设备实现数据交互。在一个实施例中,通过该总线1419,CPU 1411可以控制设备1410中的其他硬件组件及其***设备。
在工作中,本发明实施例的设备1410的处理器CPU 1411可以通过输入装置1430或数据传输接口1440接收数据,并调取存储于存储器1412中的计算机程序指令或代码(例如涉及用于确定管状物狭窄率的代码)对接收到的拉直图像及其检测请求进行检测,以获得拉直图像中拉直管状物的狭窄率等。接着,处理器CPU 1411开始根据获得的拉直图像执行获取截面图像、检测截面半径或截面直径、确定平均半径或平均直径、确定管状物的狭窄率等操作。在CPU 1411通过执行用于确定管状物狭窄率的程序获得了管状物的狭窄率后,可以在显示装置1420上显示或者通过语音提示的方式输出狭窄率确定结果。另外,设备1410还可以通过通信接口1418将检测结果上传至网络,例如远程的数据库1490。
还应当理解,本发明示例的执行指令的任何模块、单元、组件、服务器、计算机、终端或设备可以包括或以其他方式访问计算机可读介质,诸如存储介质、计算机存储介质或数据存储设备(可移除的)和/或不可移动的)例如磁盘、光盘或磁带。计算机存储介质可以包括以用于存储信息的任何方法或技术实现的易失性和非易失性,可移动和不可移动介质,例如计算机可读指令、数据结构、程序模块或其他数据。
在本发明的第四方面中,提供一种计算机可读存储介质,其存储有计算机实施的确定管状物狭窄率的程序,当程序由处理器来运行时,执行根据本发明的第一方面中的任意一项所述的方法。
计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(Resistive Random Access Memory)、动态随机存取存储器DRAM(DynamicRandom Access Memory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等,或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
进一步地,根据本发明实施例的计算机实施的确定管状物狭窄率的方法还可以应用于对认知功能障碍风险的评估中。例如,在本发明的第五方面中,提供一种用于预测认知功能障碍风险的装置,可以包括:狭窄率确定模块,用于根据本发明的第一方面中任一所述的方法确定每根脑动脉血管的狭窄率;二值化处理模块,用于对多根脑动脉血管的狭窄率进行二值化处理;降维模块,用于对二值化处理的处理结果进行特征降维处理;以及分类模型,用于对特征降维处理后的降维结果进行分类,以预测多根脑动脉血管的所有者发生认知功能障碍的风险。
在一些实施例中,二值化处理可以包括:响应于某根脑动脉血管的狭窄率大于或等于第一阈值,可以确定该脑动脉血管为狭窄血管;响应于某根脑动脉血管的狭窄率小于第一阈值,可以确定该脑动脉血管为非狭窄血管。在另一些实施例中,二值化处理可以进一步包括以下中的至少一项:将确定为狭窄血管的脑动脉血管标记为1;将确定为非狭窄血管的脑动脉血管标记为0。
在另一些实施例中,可以利用例如t-SNE技术对二值化处理的处理结果进行特征降维精炼,以突出对预测认知功能障碍有帮助的差异特征。t-SNE(t-distributedstochastic neighbor embedding)是用于降维处理的一种机器学习算法。在又一些实施例中,分类模型可以采用例如机器学习模型支持向量机(例如Kernel-SVM或Linear-SVM)、多层感知机(MLP)、DBSCAN聚类算法等中的至少一种实现,用于对降维结果进行分类,以预测发生认知功能障碍的风险。在一些实施例中,分类模型可以直接对二值化结果进行分类,以预测发生认知功能障碍的风险。在一个实验例中,利用本发明实施例的用于预测认知功能障碍风险的装置对185名受试者采用5折交叉验证进行训练和测试,可以达到90%以上的预测准确率。
进一步地,根据本发明实施例的确定异常凸起的方法还能够应用于对动脉瘤破裂风险等级进行评估中。例如,在本发明的第六方面中,可以提供一种用于评估动脉瘤破裂风险等级的装置,可以包括:异常凸起确定模块,其用于根据例如图7中所示的方法确定管状物的每个截面图像中是否存在异常凸起,其中管状物可以为动脉血管;动脉瘤确定模块,其可以用于响应于连续的多个截面图像中存在异常凸起,将多个截面图像中第一长度的最大值确定为异常凸起处的第二长度,并且将多个截面图像中第一宽度的最大值确定为异常凸起处的第二宽度;以及响应于第二长度大于第二长度阈值,并且第二宽度大于第二宽度阈值,确定异常凸起为脑动脉血管上的动脉瘤;评估模块,其可以用于根据第二长度和第二宽度,评估动脉瘤的破裂风险等级。
在一些实施例中,评估动脉瘤的破裂风险等级可以包括:响应于第二长度小于第三长度阈值,且第二宽度小于第三宽度阈值,可以判定该动脉瘤的破裂风险为低级别;响应于第二长度大于第三长度阈值且小于第四长度阈值,以及响应于第二宽度大于第三宽度阈值且小于第四宽度阈值,可以判定该动脉瘤的破裂风险为中级别;响应于第二长度大于第四长度阈值,且第二宽度大于第四宽度阈值,可以判定该动脉瘤的破裂风险为高级别。
虽然本发明的实施例如上,但所述内容只是为便于理解本发明而采用的实施例,并非用以限定本发明的范围和应用场景。任何本发明所述技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (11)
1.一种计算机实施的确定管状物狭窄率的方法,其特征在于,包括:
响应于接收到管状物的拉直图像,获取所述拉直图像中拉直管状物的各中心点处的截面图像;
检测每个中心点处的截面图像中管状物截面的截面半径或截面直径;
基于各中心点处的截面半径或截面直径的加权平均值,确定所述拉直管状物的平均半径或平均直径;以及
基于各截面半径中的最小截面半径和所述平均半径,或者基于各截面直径中的最小截面直径和所述平均直径,确定所述管状物的狭窄率。
2.根据权利要求1所述的方法,其特征在于,检测每个中心点处的截面半径包括:
识别每个截面图像中管状物截面的中心点,并以所述中心点为起点,设置朝向管状物边缘的多条放射线;
检测每条放射线与所在截面图像中管状物边缘的交点,以确定所述截面图像中的采样点;以及
根据各采样点与所述中心点之间的采样半径的平均值,确定所述中心点处的截面半径。
3.根据权利要求2所述的方法,其特征在于,还包括:
计算各采样半径与所在截面图像的截面半径之间的相对差异;
响应于相对差异大于预设阈值,确定相对差异大于预设阈值的采样半径为异常采样半径;以及
根据除所述异常采样半径之外的其他采样半径的平均值,更新所述截面半径。
4.根据权利要求3所述的方法,其特征在于,还包括:
根据一个或多个相邻的异常采样半径中的最大采样半径与更新后的截面半径之间的差值,确定所述异常采样半径处的第一长度;
根据所述最大采样半径超过更新后的截面半径的区域的宽度,确定所述异常采样半径处的第一宽度;以及
响应于所述第一长度大于第一长度阈值,并且所述第一宽度大于第一宽度阈值,确定所述异常采样半径处存在异常凸起。
5.根据权利要求1所述的方法,其特征在于,确定平均半径或平均直径包括:
根据所述拉直图像中各截面半径中的最小截面半径所在中心点与各中心点之间的距离,对各截面半径进行加权平均运算,以确定所述平均半径;或者
根据所述拉直图像中各截面直径中的最小截面直径所在中心点与各中心点之间的距离,对各截面直径进行加权平均运算,以确定所述平均直径。
6.根据权利要求5所述的方法,其特征在于,进行加权平均运算包括:
根据预设规则构建所述距离的函数;
基于所述函数确定各截面半径或各截面直径的权重值;以及
根据所述权重值对各截面半径或各截面直径进行加权平均运算。
7.根据权利要求1-6任一所述的方法,其特征在于,所述管状物包括脑动脉血管。
8.一种用于确定管状物狭窄率的装置,其特征在于,包括:
截面图像获取模块,用于响应于接收到管状物的拉直图像,获取所述拉直图像中拉直管状物的各中心点处的截面图像;
检测模块,用于检测每个中心点处的截面图像中管状物截面的截面半径或截面直径;
均值确定模块,用于基于各中心点处的截面半径或截面直径的加权平均值,确定所述拉直管状物的平均半径或平均直径;以及
狭窄率确定模块,用于基于各截面半径中的最小截面半径和所述平均半径,或者基于各截面直径中的最小截面直径和所述平均直径,确定所述管状物的狭窄率。
9.一种用于确定管状物狭窄率的设备,其特征在于,包括,
至少一个处理器;
存储器,其存储有程序指令,当所述程序指令由所述至少一个处理器执行时,使得所述设备执行根据权利要求1-7的任意一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其存储有计算机实施的确定管状物狭窄率的程序,当所述程序由处理器来运行时,执行根据权利要求1-7的任意一项所述的方法。
11.一种用于预测认知功能障碍风险的装置,其特征在于,包括:
狭窄率确定模块,用于根据权利要求7所述的方法确定每根脑动脉血管的狭窄率;
二值化处理模块,用于对多根脑动脉血管的狭窄率进行二值化处理;
降维模块,用于对所述二值化处理的处理结果进行特征降维处理;以及
分类模型,用于对特征降维处理后的降维结果进行分类,以预测所述多根脑动脉血管的所有者发生认知功能障碍的风险。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210331924.4A CN114937000A (zh) | 2022-03-30 | 2022-03-30 | 计算机实施的确定管状物狭窄率的方法及其相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210331924.4A CN114937000A (zh) | 2022-03-30 | 2022-03-30 | 计算机实施的确定管状物狭窄率的方法及其相关产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114937000A true CN114937000A (zh) | 2022-08-23 |
Family
ID=82863145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210331924.4A Pending CN114937000A (zh) | 2022-03-30 | 2022-03-30 | 计算机实施的确定管状物狭窄率的方法及其相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114937000A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128873A (zh) * | 2023-04-04 | 2023-05-16 | 山东金帝精密机械科技股份有限公司 | 一种基于图像识别的轴承保持器检测方法、设备及介质 |
-
2022
- 2022-03-30 CN CN202210331924.4A patent/CN114937000A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128873A (zh) * | 2023-04-04 | 2023-05-16 | 山东金帝精密机械科技股份有限公司 | 一种基于图像识别的轴承保持器检测方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3429465B1 (en) | Systems and methods for estimating healthy lumen diameter and stenosis quantification in coronary arteries | |
US9430827B2 (en) | Segmentation of a calcified blood vessel | |
US7822252B2 (en) | Method of multiple instance learning and classification with correlations in object detection | |
CN109480780B (zh) | 一种脑卒中预警***的评估方法及*** | |
CN114419047B (zh) | 用于确定血管形态特征的方法、装置、设备和存储介质 | |
US20080033302A1 (en) | System and method for semi-automatic aortic aneurysm analysis | |
CN112419271B (zh) | 一种图像分割方法、装置及计算机可读存储介质 | |
US20140355854A1 (en) | Segmentation of a structure | |
CN110321943B (zh) | 基于半监督深度学习的ct图像分类方法、***、装置 | |
US11887303B2 (en) | Image processing model generation method, image processing method and device, and electronic device | |
CN111612756B (zh) | 冠状动脉特异性钙化检测方法及装置 | |
CN113706473B (zh) | 超声图像中病灶区域的长短轴确定方法和超声设备 | |
US11593673B2 (en) | Systems and methods for identifying influential training data points | |
US20220351863A1 (en) | Method and System for Disease Quantification of Anatomical Structures | |
Leite et al. | Etiology-based classification of brain white matter hyperintensity on magnetic resonance imaging | |
CN111192320B (zh) | 一种位置信息确定方法、装置、设备和存储介质 | |
CN113256670A (zh) | 图像处理方法及装置、网络模型的训练方法及装置 | |
CN114758137A (zh) | 超声图像分割方法、装置及计算机可读存储介质 | |
CN114937000A (zh) | 计算机实施的确定管状物狭窄率的方法及其相关产品 | |
CN111046904B (zh) | 一种图像描述方法、图像描述装置及计算机存储介质 | |
CN110472673B (zh) | 参数调整方法、眼底图像处理方法、装置、介质及设备 | |
CN116206108A (zh) | 一种基于域自适应的oct图像脉络膜分割网络模型及方法 | |
US20220067928A1 (en) | Method for locating and characterizing bifurcations of a cerebral vascular tree, associated methods and devices | |
CN114864093B (zh) | 基于眼底图像进行疾病预测的装置、方法及存储介质 | |
CN115631370A (zh) | 一种基于卷积神经网络的mri序列类别的识别方法及装置 |
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 |