CN115482358B - 一种三角网格曲面的生成方法、装置、设备及存储介质 - Google Patents
一种三角网格曲面的生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115482358B CN115482358B CN202211248280.9A CN202211248280A CN115482358B CN 115482358 B CN115482358 B CN 115482358B CN 202211248280 A CN202211248280 A CN 202211248280A CN 115482358 B CN115482358 B CN 115482358B
- Authority
- CN
- China
- Prior art keywords
- triangular mesh
- curved surface
- blood vessel
- initial
- vertex
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 73
- 238000000605 extraction Methods 0.000 claims abstract description 35
- 210000004204 blood vessel Anatomy 0.000 claims description 126
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 16
- 230000002792 vascular Effects 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 8
- 230000007797 corrosion Effects 0.000 claims description 8
- 238000005260 corrosion Methods 0.000 claims description 8
- 238000005096 rolling process Methods 0.000 claims description 8
- 238000004441 surface measurement Methods 0.000 claims description 4
- 210000004351 coronary vessel Anatomy 0.000 description 15
- 238000004891 communication Methods 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010968 computed tomography angiography Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 210000003462 vein Anatomy 0.000 description 6
- 230000003628 erosive effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开提供了一种三角网格曲面的生成方法、装置、设备及存储介质,通过将待处理图像输入血管提取与分割模型,确定血管分割掩码,并根据所述血管分割掩码提取血管中心线;通过优化所述血管中心线,确定目标血管中心线点集,并通过所述目标血管中心线点集,生成初始三角网格曲面,其中,所述初始三角网格曲面包括各个顶点的初始坐标;通过获取所述初始三角网格曲面内各个顶点的顶点特征,来校正所述初始三角网格曲面内对应顶点的初始坐标,以确定目标三角网格曲面,能够提高三角网格曲面内几何拓扑的质量,从而提高三角网格曲面生成的精准度。
Description
技术领域
本公开涉及医疗图像处理领域,尤其涉及一种三角网格曲面的生成方法、装置、设备及存储介质。
背景技术
随着科学技术的发展,人工智能在医疗图像处理领域起着愈加重要的作用。
冠状动脉血管的三角网格曲面的生成是进行冠脉影像分析的重要环节,精确的三角网格曲面对血管的形态和结构有着非常精细的刻画,对冠脉影像的分析具有重要意义。
现有技术中,在生成冠状动脉血管的三角网格曲面之前,需要对冠状动脉血管的图像进行血管分割,而血管分割的结果经常存在瑕疵,如断裂或静脉等其他组织的检出,这就导致了冠状动脉血管的三角网格曲面的生成高度依赖于血管分割的质量。除此之外,由于在三角网格曲面生成的后续过程中会引入算法,算法的引入会带来噪声,同样也导致了最终生成的三角网格曲面质量低、精准度差以及可视化效果差等问题。
发明内容
本公开提供了一种三角网格曲面的生成方法、装置、设备及存储介质,以至少解决现有技术中存在的以上技术问题。
根据本公开的第一方面,提供了一种三角网格曲面的生成方法,所述方法包括:
将待处理图像输入血管提取与分割模型,确定血管分割掩码,并根据所述血管分割掩码提取血管中心线;
通过优化所述血管中心线,确定目标血管中心线点集,并通过所述目标血管中心线点集,生成初始三角网格曲面,其中,所述初始三角网格曲面包括各个顶点的初始坐标;
通过获取所述初始三角网格曲面内各个顶点的顶点特征,来校正所述初始三角网格曲面内对应顶点的初始坐标,以确定目标三角网格曲面。
在一可实施方式中,所述通过优化所述血管中心线,确定目标血管中心线点集,包括:
通过最小生成树算法,确定所述血管中心线内各个中心点的连通性,得到所述血管中心线的多个连通分量;
通过预设连通分量内包含中心点的数量阈值,筛选所述血管中心线的多个连通分量,确定所述血管中心线的剩余连通分量;
通过贝塞尔曲线对所述血管中心线的剩余连通分量进行重采样,以均匀化所述血管中心线内各个中心点的间距,确定目标血管中心线点集。
在一可实施方式中,所述通过所述目标血管中心线点集生成初始三角网格曲面,包括:
通过膨胀卷积核对所述目标血管中心线点集进行处理,得到目标血管掩码;
通过移动立方体算法对所述目标血管掩码进行处理,生成初始三角网格曲面。
在一可实施方式中,所述获取所述初始三角网格曲面内各个顶点的顶点特征,包括:
将所述待处理图像输入特征提取模型,得到有关所述初始三角网格曲面的特征图;
通过三次插值算法从所述初始三角网格曲面的特征图内进行差值,得到所述初始三角网格曲面内各个顶点的顶点特征。
在一可实施方式中,所述通过获取所述初始三角网格曲面内各个顶点的顶点特征,来校正所述初始三角网格曲面内对应顶点的初始坐标,以确定目标三角网格曲面,包括:
通过图卷积网络,对所述初始三角网格曲面内各个顶点的顶点特征进行特征交互,得到所述初始三角网格曲面内各个顶点的增强顶点特征;
通过线性层和所述初始三角网格曲面内各个顶点的增强顶点特征,预测所述初始三角网格曲面内各个顶点的坐标偏移量;
通过所述初始三角网格曲面内各个顶点的坐标偏移量,来校正所述初始三角网格曲面内对应顶点的初始坐标,得到所述目标三角网格曲面内各个顶点的目标坐标,以确定目标三角网格曲面。
在一可实施方式中,在所述通过获取所述初始三角网格曲面内各个顶点的顶点特征,来校正所述初始三角网格曲面内对应顶点的初始坐标之前,还包括:
在训练过程中,采用Chamfer loss损失函数,来调整所述目标三角网格曲面内各个顶点的目标坐标与其真实坐标之间的位置对应关系。
在一可实施方式中,所述根据所述血管分割掩码提取血管中心线,包括:
通过腐蚀算法对所述血管分割掩码进行腐蚀,确定血管中心线。
根据本公开的第二方面,提供了一种三角网格曲面的生成装置,所述装置包括:
血管中心线提取模块,用于将待处理图像输入血管提取与分割模型,确定血管分割掩码,并根据所述血管分割掩码提取血管中心线;
初始三角网格曲面生成模块,用于通过优化所述血管中心线,确定目标血管中心线点集,并通过所述目标血管中心线点集,生成初始三角网格曲面,其中,所述初始三角网格曲面包括各个顶点的初始坐标;
目标三角网格曲面确定模块,用于通过获取所述初始三角网格曲面内各个顶点的顶点特征,来校正所述初始三角网格曲面内对应顶点的初始坐标,以确定目标三角网格曲面。
在一可实施方式中,所述初始三角网格曲面生成模块,具体用于:
通过最小生成树算法,确定所述血管中心线内各个中心点的连通性,得到所述血管中心线的多个连通分量;
通过预设连通分量内包含中心点的数量阈值,筛选所述血管中心线的多个连通分量,确定所述血管中心线的剩余连通分量;
通过贝塞尔曲线对所述血管中心线的剩余连通分量进行重采样,以均匀化所述血管中心线内各个中心点的间距,确定目标血管中心线点集。
在一可实施方式中,所述初始三角网格曲面生成模块,具体用于:
通过膨胀卷积核对所述目标血管中心线点集进行处理,得到目标血管掩码;
通过移动立方体算法对所述目标血管掩码进行处理,生成初始三角网格曲面。
在一可实施方式中,所述目标三角网格曲面确定模块,具体用于:
将所述待处理图像输入特征提取模型,得到有关所述初始三角网格曲面的特征图;
通过三次插值算法从所述初始三角网格曲面的特征图内进行差值,得到所述初始三角网格曲面内各个顶点的顶点特征。
在一可实施方式中,所述目标三角网格曲面确定模块,具体用于:
通过图卷积网络,对所述初始三角网格曲面内各个顶点的顶点特征进行特征交互,得到所述初始三角网格曲面内各个顶点的增强顶点特征;
通过线性层和所述初始三角网格曲面内各个顶点的增强顶点特征,预测所述初始三角网格曲面内各个顶点的坐标偏移量;
通过所述初始三角网格曲面内各个顶点的坐标偏移量,来校正所述初始三角网格曲面内对应顶点的初始坐标,得到所述目标三角网格曲面内各个顶点的目标坐标,以确定目标三角网格曲面。
在一可实施方式中,所述装置,还包括:
训练模块,用于在所述通过获取所述初始三角网格曲面内各个顶点的顶点特征,来校正所述初始三角网格曲面内对应顶点的初始坐标之前,在训练过程中,采用Chamferloss损失函数,来调整所述目标三角网格曲面内各个顶点的目标坐标与其真实坐标之间的位置对应关系。
在一可实施方式中,血管中心线提取模块,具体用于:
通过腐蚀算法对所述血管分割掩码进行腐蚀,确定血管中心线。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本公开所述的方法。
本公开的三角网格曲面的生成方法、装置、设备及存储介质,通过将待处理图像输入血管提取与分割模型,确定血管分割掩码,并根据所述血管分割掩码提取血管中心线;通过优化所述血管中心线,确定目标血管中心线点集,并通过所述目标血管中心线点集,生成初始三角网格曲面,其中,所述初始三角网格曲面包括各个顶点的初始坐标;通过获取所述初始三角网格曲面内各个顶点的顶点特征,来校正所述初始三角网格曲面内对应顶点的初始坐标,以确定目标三角网格曲面,能够提高三角网格曲面内几何拓扑的质量,从而提高三角网格曲面生成的精准度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过参考附图阅读下文的详细描述,本公开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公开的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1A示出了本公开实施例一提供的一种三角网格曲面的生成方法的流程示意图;
图1B示出了本公开实施例一提供的一种均匀分布的血管中心线点集示意图;
图1C示出了本公开实施例一提供的一种均匀分布的血管掩码示意图;
图1D示出了本公开实施例一提供的一种初始血管三角网格曲面示意图;
图2示出了本公开实施例二提供的一种三角网格曲面生成方法的流程图;
图3示出了本公开实施例三提供的一种三角网格曲面的生成装置的结构示意图;
图4示出了本公开实施例一种电子设备的组成结构示意图。
具体实施方式
为使本公开的目的、特征、优点能够更加的明显和易懂,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而非全部实施例。基于本公开中的实施例,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。
在现有技术中,冠状动脉血管的三角网格曲面生成技术的主要步骤有:首先进行血管分割,即通过深度学习网络模型得到冠状动脉血管掩码,然后使用经典的MarchingCube算法将该冠状动脉血管掩码转换成三角网格曲面。但是上述方法存在有不可避免的缺点:第一,生成的三角网格曲面的质量高度依赖于深度学习网络模型进行血管分割的质量,而深度学习网络模型进行血管分割的结果往往存在瑕疵,如断裂或静脉等其他组织的检出;第二,Marching Cube算法在计算过程中会引入一些噪声,使得最终生成的三角网格曲面的精准度很低。因此,本公开为解决上述问题,提供了一种三角网格曲面的生成方法,如下详述。
实施例一
图1A为本公开实施例一提供的一种三角网格曲面的生成方法的流程图,该方法可以由本公开实施例提供的基于三角网格曲面的生成装置来执行,该装置可采用软件和/或硬件的方式实现。该方法具体包括:
S110、将待处理图像输入血管提取与分割模型,确定血管分割掩码,并根据血管分割掩码提取血管中心线。
其中,待处理图像可以是一个需要进行预测的电子计算机断层扫描心脏血管造影(Computed Tomography angiography,CTA)图像,其中,CTA图像可以记作I∈RH×W×D,其中,R为实数,H、W和D分别为待处理图像的长、宽和高。血管提取与分割模型可以是任意一种能够实现血管提取与分割目的的神经网络模型,例如可以是U-Net神经网络模型。血管分割掩码可以是在待处理图像经过血管分割后,能够将待处理图像中的血管区域和非血管区域进行区分表示的掩码,示例性的,本实施例可以将待处理图像中血管区域的像素值设定为1,其余非血管区域的像素值设定为0。血管中心线可以是标识血管中心的线条,由中心线点集组成。其中,中心线点集可以记作其中,ai∈R3代表第i个中心点的三维坐标,M是中心点的数量。
在本公开实施例中,根据血管分割掩码提取血管中心线,包括:通过腐蚀算法对血管分割掩码进行腐蚀,确定血管中心线。
其中,腐蚀算法指的是对待处理图象中的血管分割掩码进行腐蚀,从而得到像素宽度为1的血管中心线的一种运算方法。
具体的,本实施例可以直接将待处理图像输入血管提取与分割模型;也可以将待处理图像预处理为某一个固定分辨率的图像后,再输入血管提取与分割模型,用于获得血管分割结果,也即确定待处理图像中的血管分割掩码。由于血管提取与分割模型会分割出一些非动脉组织或者存在断裂情况,因此本实施例需要对血管分割掩码提取的血管中心线进行优化。例如,本实施例可以采用腐蚀算法对血管分割掩码进行腐蚀,经过多次腐蚀算法的迭代后,能够得到宽度为1个像素的血管中心线。
S120、通过优化血管中心线,确定目标血管中心线点集,并通过目标血管中心线点集,生成初始三角网格曲面。
其中,初始三角网格曲面包括各个顶点的初始坐标。
其中,目标血管中心线点集可以是用于生成初始三角网格曲面的血管中心线点的集合。初始三角网格曲面,可以是通过优化后的血管中心线点集,生成具有三角形特征的、粗糙的网格曲面图像。示例性的,本实施例可以将三角形特征的网格曲面表示为S={V,F},其中,V∈RN×3,V表示初始三角网格曲面的N个顶点的三维坐标,F∈RL×3,F表示L个三角形的顶点索引。各个顶点的初始坐标,可以用于表示各个顶点在初始三角网格曲面中相对应的位置坐标。
具体的,本实施例考虑到在血管提取与分割模型的预测过程中,由于训练模型的过程中只筛选冠状动脉血管,其训练样本不包含静脉标注,导致预测出来的静脉组织一般都会很短。除此之外,血管提取与分割模型还会检出血管断裂等特征,上述两种情况均会造成血管分割结果的瑕疵,导致由血管分割掩码腐蚀得到的血管中心线存在缺陷,因此本实施例需要对血管中心线进行优化,确定目标血管中心线点集,并将优化后的目标血管中心线点集,通过特定的运算操作,得到初始三角网格曲面。
在本公开实施例中,通过优化血管中心线,确定目标血管中心线点集,包括:通过最小生成树算法,确定血管中心线内各个中心点的连通性,得到血管中心线的多个连通分量;通过预设连通分量内包含中心点的数量阈值,筛选血管中心线的多个连通分量,确定血管中心线的剩余连通分量;通过贝塞尔曲线对血管中心线的剩余连通分量进行重采样,以均匀化血管中心线内各个中心点的间距,确定目标血管中心线点集。
需要知道的是,在无向图中,若存在一点到另一点有路径,则称上述两个点连通。若图中任意两个点之间都连通,则称该图为连通图,否则,将其中较大的连通子图称为连通分量。其中,在一个连通分量内可以有多个中心点,各个中心点相互之间具有连通性,即使有些中心点没有直接相连,也可以通过其他点的连接达到连通效果。预设连通分量,可以是为了筛选出属于同一血管中心线的中心点而设置的连通分量,或者说是为了确定血管中心线内的中心点是否属于同一冠状动脉血管组织,而其筛选界限则可以是对预设连通分量内包含中心点的数量阈值进行设定。
其中,数量阈值可以是为了筛除非冠状动脉血管组织而设定的临界值参数。剩余连通分量可以是通过预设连通分量筛除掉非冠脉血管中心点集对应的连通分量后,保留的冠脉血管中心点集对应的连通分量。贝塞尔曲线可以是为了保障血管中心线点集均匀分布,解决血管断裂问题,而对由血管中心点集对应的剩余连通分量进行重采样的一种运算方法。
具体的,在理想状态下冠脉血管应该是有两个连通分量,分为左心脏的冠脉血管和右心脏的冠脉血管。本实施例可以通过最小生成树算法对中心线点集P进行点与点之间的连接,得到多个连通分量。由于血管分割模型检出的其他组织的中心线点的数量较少,因此本实施例可以计算每个连通分量所包含的中线点的数量,将每个连通分量包含中心点的数量和预设连通分量内包含中心点的数量阈值进行比较,若存在连通分量包含的中心点的数量小于预设连通分量内包含中心点的数量阈值,则认为该连通分量所在的中心点集为非冠脉血管组织,进而筛除小于中心点的数量阈值的连通分量,将剩余的连通分量确定为血管中心线的剩余连通分量。
本实施例考虑到在模型预测结果中,会存在血管断裂或其它静脉组织检出等干扰因素,造成血管分割结果存在瑕疵,导致由血管分割腐蚀得到的血管中心线存在瑕疵,因此需要对血管中心线进行优化,解决血管断裂和非动脉组织检出等问题。
又由于血管分割掩码可能存在断裂特征,在血管中心线中相连的两个中心点的距离大小不均,不利于得到初始三角网格曲面,因此本实施例将剩余连通分量重新代入贝塞尔曲线进行重采样,使得血管中心线内各个中心点的间距得到均匀分布也即血管中心线点集的均匀分布,从而解决了血管断裂的问题,如图1B所示,图1B示出了本实施例提供的一种均匀分布的血管中心线点集示意图。
在本公开实施例中,通过目标血管中心线点集生成初始三角网格曲面,包括:通过膨胀卷积核对目标血管中心线点集进行处理,得到目标血管掩码;通过移动立方体算法(Marching Cube)对目标血管掩码进行处理,生成初始三角网格曲面。
其中,目标血管掩码可以是指为了构成初始三角网格曲面,将血管中心点的掩码通过膨胀卷积核的处理后得到的粗糙血管掩码。
具体的,本实施例通过膨胀卷积核对目标血管中线点集的掩码进行处理,得到目标血管掩码,如图1C所示,图1C示出了本实施例提供的一种目标血管掩码的示意图。本实施例再将得到的目标血管掩码代入Marching Cube算法进行处理,从而得到一个粗糙的三角网格曲面的初始化模版,也即初始三角网格曲面。如图1D所示,图1D示出了本实施例提供的一种初始三角网格曲面的示意图。
本实施例先提取血管中心线,对血管中心线进行处理,来避免由于血管提取与分割模型错误检出的静脉组织以及断裂的问题,然后再根据优化后的血管中心线生成初始三角网格曲面,经过优化操作后生成的初始三角网格曲面具有高质量的几何拓扑性质,且相比于直接预测血管分割,减少了很多深度学习网络模型直接预测出现的错误。
S130、通过获取初始三角网格曲面内各个顶点的顶点特征,来校正初始三角网格曲面内对应顶点的初始坐标,以确定目标三角网格曲面。
其中,各个顶点的顶点特征指的是在初始三角网格曲面内各个顶点所在位置对应的图像特征。目标三角网格曲面可以是指将初始三角网格曲面进行精细化后,得到的三角网格曲面。
由于粗糙的初始三角网格曲面存在瑕疵,本实施例需要对粗糙的初始三角网格曲面进行精细化处理,以进一步提高其精准度。具体为获取初始三角网格曲面内各个顶点的顶点特征,利用各个顶点的顶点特征来确定初始三角网格曲面内对应顶点的初始坐标的坐标偏移量,以得到目标三角网格曲面内各个顶点的精确坐标,从而确定目标三角网格曲面。
本实施例提供的三角网格曲面的生成方法,通过将待处理图像输入血管提取与分割模型,确定血管分割掩码,并根据血管分割掩码提取血管中心线;通过优化血管中心线,确定目标血管中心线点集,并通过目标血管中心线点集,生成初始三角网格曲面,其中,初始三角网格曲面包括各个顶点的初始坐标;通过获取初始三角网格曲面内各个顶点的顶点特征,来校正初始三角网格曲面内对应顶点的初始坐标,以确定目标三角网格曲面,能够提高三角网格曲面内几何拓扑的质量,从而提高三角网格曲面生成的精准度。
实施例二
图2为本公开实施例二提供的一种三角网格曲面生成方法的流程图,本公开实施例在上述实施例的基础上,其中,通过获取初始三角网格曲面内各个顶点的顶点特征,来校正初始三角网格曲面内对应顶点的初始坐标,以确定目标三角网格曲面,包括:通过图卷积网络,对初始三角网格曲面内各个顶点的顶点特征进行特征交互,得到初始三角网格曲面内各个顶点的增强顶点特征;通过线性层和初始三角网格曲面内各个顶点的增强顶点特征,预测初始三角网格曲面内各个顶点的坐标偏移量;通过初始三角网格曲面内各个顶点的坐标偏移量,来校正初始三角网格曲面内对应顶点的初始坐标,得到目标三角网格曲面内各个顶点的目标坐标,以确定目标三角网格曲面。该方法具体包括:
S210、将待处理图像输入血管提取与分割模型,确定血管分割掩码,并根据血管分割掩码提取血管中心线。
S220、通过优化血管中心线,确定目标血管中心线点集,并通过目标血管中心线点集,生成初始三角网格曲面。
S230、通过图卷积网络,对初始三角网格曲面内各个顶点的顶点特征进行特征交互,得到初始三角网格曲面内各个顶点的增强顶点特征。
其中,增强顶点特征与初始的顶点特征相比,具有更为突出的特征信息。
在本公开实施例中,获取初始三角网格曲面内各个顶点的顶点特征,包括:将待处理图像输入特征提取模型,得到有关初始三角网格曲面的特征图;通过三次插值算法从初始三角网格曲面的特征图内进行差值,得到初始三角网格曲面内各个顶点的顶点特征。
其中,特征提取模型可以是任意一种能够实现特征提取目的的神经网络模型,例如可以是深度为50的残差网络ResNet-50神经网络模型。特征图指的是神经网络模型中所用到的抽象的、没有任何实际含义的图,示例性的,本实施例可以将特征图记作E∈Rh ×w×d×C,其中,C为通道数,表示特征图E为一个规则的、长宽高分别为h、w和d的图像,且特征图中的每个点有C维向量。
具体的,本实施例通过一个深度学习网络模型,根据待处理图像的特征对初始三角网格曲面S进行精细化的调整。具体为,本实施例将待处理图像输入特征提取模型得到待处理图像的特征图,该待处理图像的特征图与初始三角网格曲面相对应,能够校正初始三角网格曲面中各个顶点的初始坐标。
由于待处理图像的特征图中有些顶点坐标不是整数,无法在该特征图空间中直接得到每个点的特征,因此本实施例需要对待处理图像的特征图进行三次插值算法的插值运算,得到初始三角网格曲面内N个顶点的顶点特征。本实施例可以将初始三角网格曲面内N个顶点的顶点特征,记为FV∈RN×C。
具体的,本实施例根据初始三角网格曲面S={V,F}建立一个无向图,该无向图中的各个顶点之间虽然有边进行相连,但是边信息没有方向。也正是因为初始三角网格曲面内各个顶点之间通过边信息互相连接,所以本实施例可以通过图卷积网络对初始三角网格曲面内的各个顶点,进行彼此之间的特征交互,使得初始三角网格曲面内顶点之间的信息通过边信息进行相互传递,以增强初始三角网格曲面内各个顶点的特征。示例性的,每个顶点的增强顶点特征可以用公式fi′=w0fi+w1∑j∈S(i)fj来表示,其中,fi为第i个顶点的特征,S(i)为与第i个顶点有边相连的顶点索引,fi′为第i个顶点经过图卷积网络增强后的特征(即增强顶点特征),fi为与第i个顶点有边相连的顶点j的特征,w0和w1为权重。本实施例可以将特征交互后的所有顶点的增强顶点特征记为F′V∈RN×C。
S240、通过线性层和初始三角网格曲面内各个顶点的增强顶点特征,预测初始三角网格曲面内各个顶点的坐标偏移量。
其中,线性层为常用深度学习网络模型中含有的模块,本实施例不对其内部具体结构进行限定;顶点的坐标偏移量可以是指初始三角网格曲面内顶点的初始坐标与目标三角网格曲面内顶点的目标坐标之间的偏差量。
具体的,在本实施例中,因为初始三角网格曲面内各个顶点之间相连,所以可以通过图卷积网络进行顶点之间的特征交互,使得顶点之间的信息通过边进行相互传递,以增强每个顶点的特征效果,得到所有顶点的增强顶点特征。然后,本实施例再通过线性层预测初始三角网格曲面内各个顶点的坐标偏移量,该预测公式为ΔV=Linear(F′V)∈RN×3,其中,ΔV为各个顶点的坐标偏移量。
S250、通过初始三角网格曲面内各个顶点的坐标偏移量,来校正初始三角网格曲面内对应顶点的初始坐标,得到目标三角网格曲面内各个顶点的目标坐标,以确定目标三角网格曲面。
其中,目标坐标可以是指目标三角网格曲面中各个顶点所确定的最终坐标,示例性的,目标坐标可以表示为V′。
由于初始三角网格曲面内各个顶点的初始坐标精准度差,因此本实施例可以通过各个顶点的增强顶点特征预测初始三角网格曲面内各个顶点的坐标偏移量,来校正初始三角网格曲面内各个顶点的初始坐标。例如,本实施例可以根据公式V′=V+ΔV,对初始三角网格曲面的各个顶点进行精细化调整,以得到精确的目标三角网格曲面内各个顶点的目标坐标,从而确定目标三角网格曲面,该目标三角网格曲面可以表示为S={V′,F}。
在本公开实施例中,在通过获取所述初始三角网格曲面内各个顶点的顶点特征,来校正初始三角网格曲面内对应顶点的初始坐标之前,还包括:在训练过程中,采用Chamfer loss损失函数,来调整目标三角网格曲面内各个顶点的目标坐标与其真实坐标之间的位置对应关系。
虽然本实施例将初始三角网格曲面进行精细化调整,得到了高精确度的目标三角网格曲面,但是目标三角网格曲面中各个顶点的目标坐标毕竟是个预测值,可能会与真实值存在微小偏差,因此本实施例在训练初始三角网格曲面精细化调整为目标三角网格曲面的过程中,可以采用Chamferloss损失函数,调整目标三角网格曲面内各个顶点的目标坐标与其真实坐标之间的位置对应关系,以提高目标三角网格曲面生成的精确度。
除此之外,本实施例在训练生成目标三角网格曲面的完整过程中,可以采用大量冠状动脉CTA图像作为样本集,将该样本集按照预设比例随机划分为训练集、验证集和测试集。并且为了增加模型训练难度,本实施例可以将输入的冠状动脉CTA图像进行随机旋转、随机翻转和随机平移的操作,以提高模型对待处理图像的辨识度。本实施例采用训练集训练目标三角网格曲面生成过程中所涉及的深度学习网络模型,调整各部分深度学习网络模型所用到的参数;用验证集挑选效果最佳的深度学习网络模型;并用测试集来评价该最佳的深度学习网络模型的生成目标三角网格曲面的最终效果。
示例性的,本实施例收集了2000例冠状动脉CTA图像,将其按照8:1:1的比例随机划分为训练集、验证集和测试集。在训练过程中,每批次训练可以将批次大小设置为8个图像,学习率设置为1e-3,采用随机梯度下降的方法对涉及到的各部分模型进行训练,共训练200轮次。而在训练的过程中,每训练5个轮次保存一次各个模型所涉及到的模型参数,最后挑选出验证集上生成目标三角网格曲面效果最好的模型作为最终使用的模型。
本实施例抛弃了原有的三角网格曲面的生成方法,即先进行血管分割,再使用marching cube算法对分割掩码进行处理得到网格曲面的方法,而是结合多个神经网络模型对三角网格曲面进行直接预测,解决了原有方法三角网格曲面生成质量差的问题,能够有效提高精准度,且具有良好的可视化效果。
实施例三
图3是本公开实施例提供的一种三角网格曲面的生成装置的结构示意图,该装置具体包括:
血管中心线提取模块310,用于将待处理图像输入血管提取与分割模型,确定血管分割掩码,并根据血管分割掩码提取血管中心线;
初始三角网格曲面生成模块320,用于通过优化血管中心线,确定目标血管中心线点集,并通过目标血管中心线点集,生成初始三角网格曲面,其中,初始三角网格曲面包括各个顶点的初始坐标;
目标三角网格曲面确定模块330,用于通过获取初始三角网格曲面内各个顶点的顶点特征,来校正初始三角网格曲面内对应顶点的初始坐标,以确定目标三角网格曲面。
在一可实施方式中,初始三角网格曲面生成模块320,具体用于:
通过最小生成树算法,确定血管中心线内各个中心点的连通性,得到血管中心线的多个连通分量;通过预设连通分量内包含中心点的数量阈值,筛选血管中心线的多个连通分量,确定血管中心线的剩余连通分量;通过贝塞尔曲线对血管中心线的剩余连通分量进行重采样,以均匀化血管中心线内各个中心点的间距,确定目标血管中心线点集。
在一可实施方式中,初始三角网格曲面生成模块320,具体用于:
通过膨胀卷积核对目标血管中心线点集进行处理,得到目标血管掩码;通过移动立方体算法对目标血管掩码进行处理,生成初始三角网格曲面。
在一可实施方式中,目标三角网格曲面确定模块330,具体用于:
将待处理图像输入特征提取模型,得到有关初始三角网格曲面的特征图;通过三次插值算法从初始三角网格曲面的特征图内进行差值,得到初始三角网格曲面内各个顶点的顶点特征。
在一可实施方式中,目标三角网格曲面确定模块330,具体用于:
通过图卷积网络,对初始三角网格曲面内各个顶点的顶点特征进行特征交互,得到初始三角网格曲面内各个顶点的增强顶点特征;通过线性层和初始三角网格曲面内各个顶点的增强顶点特征,预测初始三角网格曲面内各个顶点的坐标偏移量;通过初始三角网格曲面内各个顶点的坐标偏移量,来校正初始三角网格曲面内对应顶点的初始坐标,得到目标三角网格曲面内各个顶点的目标坐标,以确定目标三角网格曲面。
在一可实施方式中,装置还包括:
训练模块,用于在通过获取初始三角网格曲面内各个顶点的顶点特征,来校正初始三角网格曲面内对应顶点的初始坐标之前,在训练过程中,采用Chamfer loss损失函数,来调整所述目标三角网格曲面内各个顶点的目标坐标与其真实坐标之间的位置对应关系。
在一可实施方式中,血管中心线提取模块310,具体用于:通过腐蚀算法对血管分割掩码进行腐蚀,确定血管中心线。
根据本公开的实施例,本公开还提供了一种电子设备和一种可读存储介质。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图4所示,设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理,例如三角网格曲面的生成方法。例如,在一些实施例中,三角网格曲面的生成方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行上文描述的三角网格曲面的生成方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行三角网格曲面的生成方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种三角网格曲面的生成方法,其特征在于,所述方法包括:
将待处理图像输入血管提取与分割模型,确定血管分割掩码,并根据所述血管分割掩码提取血管中心线;其中,所述血管提取与分割模型用于提取与分割血管,所述血管分割掩码为用于将所述待处理图像中的血管区域和非血管区域进行区分表示的掩码,所述血管中心线为用于表示血管中心的线条;
通过优化所述血管中心线,确定目标血管中心线点集,并通过所述目标血管中心线点集,生成初始三角网格曲面,其中,所述初始三角网格曲面包括各个顶点的初始坐标;
通过获取所述初始三角网格曲面内各个顶点的顶点特征,来校正所述初始三角网格曲面内对应顶点的初始坐标,以确定目标三角网格曲面;
其中,所述通过优化所述血管中心线,确定目标血管中心线点集,包括:
通过最小生成树算法,确定所述血管中心线内各个中心点的连通性,得到所述血管中心线的多个连通分量;
通过预设连通分量内包含中心点的数量阈值,筛选所述血管中心线的多个连通分量,确定所述血管中心线的剩余连通分量;
通过贝塞尔曲线对所述血管中心线的剩余连通分量进行重采样,以均匀化所述血管中心线内各个中心点的间距,确定目标血管中心线点集;
其中,所述通过所述目标血管中心线点集生成初始三角网格曲面,包括:
通过膨胀卷积核对所述目标血管中心线点集进行处理,得到目标血管掩码;
通过移动立方体算法对所述目标血管掩码进行处理,生成初始三角网格曲面;
其中,所述通过获取所述初始三角网格曲面内各个顶点的顶点特征,来校正所述初始三角网格曲面内对应顶点的初始坐标,以确定目标三角网格曲面,包括:通过图卷积网络,对所述初始三角网格曲面内各个顶点的顶点特征进行特征交互,得到所述初始三角网格曲面内各个顶点的增强顶点特征;通过线性层和所述初始三角网格曲面内各个顶点的增强顶点特征,预测所述初始三角网格曲面内各个顶点的坐标偏移量;通过所述初始三角网格曲面内各个顶点的坐标偏移量,来校正所述初始三角网格曲面内对应顶点的初始坐标,得到所述目标三角网格曲面内各个顶点的目标坐标,以确定目标三角网格曲面。
2.根据权利要求1所述的方法,其特征在于,所述获取所述初始三角网格曲面内各个顶点的顶点特征,包括:
将所述待处理图像输入特征提取模型,得到有关所述初始三角网格曲面的特征图;
通过三次插值算法从所述初始三角网格曲面的特征图内进行差值,得到所述初始三角网格曲面内各个顶点的顶点特征。
3.根据权利要求2所述的方法,其特征在于,在所述通过获取所述初始三角网格曲面内各个顶点的顶点特征,来校正所述初始三角网格曲面内对应顶点的初始坐标之前,还包括:
在训练过程中,采用Chamfer loss损失函数,来调整所述目标三角网格曲面内各个顶点的目标坐标与其真实坐标之间的位置对应关系。
4.根据权利要求3所述的方法,其特征在于,所述根据所述血管分割掩码提取血管中心线,包括:
通过腐蚀算法对所述血管分割掩码进行腐蚀,确定血管中心线。
5.一种三角网格曲面的生成装置,其特征在于,所述装置包括:
血管中心线提取模块,用于将待处理图像输入血管提取与分割模型,确定血管分割掩码,并根据所述血管分割掩码提取血管中心线;其中,所述血管提取与分割模型用于提取与分割血管,所述血管分割掩码为用于将所述待处理图像中的血管区域和非血管区域进行区分表示的掩码,所述血管中心线为用于表示血管中心的线条;
初始三角网格曲面生成模块,用于通过优化所述血管中心线,确定目标血管中心线点集,并通过所述目标血管中心线点集,生成初始三角网格曲面,其中,所述初始三角网格曲面包括各个顶点的初始坐标;
目标三角网格曲面确定模块,用于通过获取所述初始三角网格曲面内各个顶点的顶点特征,来校正所述初始三角网格曲面内对应顶点的初始坐标,以确定目标三角网格曲面;
其中,所述初始三角网格曲面生成模块,具体用于:通过最小生成树算法,确定所述血管中心线内各个中心点的连通性,得到所述血管中心线的多个连通分量;通过预设连通分量内包含中心点的数量阈值,筛选所述血管中心线的多个连通分量,确定所述血管中心线的剩余连通分量;通过贝塞尔曲线对所述血管中心线的剩余连通分量进行重采样,以均匀化所述血管中心线内各个中心点的间距,确定目标血管中心线点集;
其中,所述初始三角网格曲面生成模块,具体还用于:通过膨胀卷积核对所述目标血管中心线点集进行处理,得到目标血管掩码;通过移动立方体算法对所述目标血管掩码进行处理,生成初始三角网格曲面;
其中,所述目标三角网格曲面确定模块,具体用于:通过图卷积网络,对所述初始三角网格曲面内各个顶点的顶点特征进行特征交互,得到所述初始三角网格曲面内各个顶点的增强顶点特征;通过线性层和所述初始三角网格曲面内各个顶点的增强顶点特征,预测所述初始三角网格曲面内各个顶点的坐标偏移量;通过所述初始三角网格曲面内各个顶点的坐标偏移量,来校正所述初始三角网格曲面内对应顶点的初始坐标,得到所述目标三角网格曲面内各个顶点的目标坐标,以确定目标三角网格曲面。
6.根据权利要求5所述的装置,其特征在于,所述目标三角网格曲面确定模块,具体用于:
将所述待处理图像输入特征提取模型,得到有关所述初始三角网格曲面的特征图;
通过三次插值算法从所述初始三角网格曲面的特征图内进行差值,得到所述初始三角网格曲面内各个顶点的顶点特征。
7.根据权利要求6所述的装置,其特征在于,还包括:
训练模块,用于在所述通过获取所述初始三角网格曲面内各个顶点的顶点特征,来校正所述初始三角网格曲面内对应顶点的初始坐标之前,在训练过程中,采用Chamfer loss损失函数,来调整所述目标三角网格曲面内各个顶点的目标坐标与其真实坐标之间的位置对应关系。
8.根据权利要求7所述的装置,其特征在于,所述血管中心线提取模块,具体还用于:
通过腐蚀算法对所述血管分割掩码进行腐蚀,确定血管中心线。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211248280.9A CN115482358B (zh) | 2022-10-12 | 2022-10-12 | 一种三角网格曲面的生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211248280.9A CN115482358B (zh) | 2022-10-12 | 2022-10-12 | 一种三角网格曲面的生成方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115482358A CN115482358A (zh) | 2022-12-16 |
CN115482358B true CN115482358B (zh) | 2023-04-28 |
Family
ID=84395106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211248280.9A Active CN115482358B (zh) | 2022-10-12 | 2022-10-12 | 一种三角网格曲面的生成方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115482358B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611599B (zh) * | 2023-12-28 | 2024-05-31 | 齐鲁工业大学(山东省科学院) | 融合中心线图和增强对比度网络的血管分割方法及其*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080051018A (ko) * | 2006-12-04 | 2008-06-10 | 한국전자통신연구원 | 드로네이 공간분할에 기반한 곡률 반영 등위곡면 생성시스템 및 방법 |
WO2021196536A1 (zh) * | 2020-03-31 | 2021-10-07 | 苏州润迈德医疗科技有限公司 | 精确提取血管中心线的方法、装置、分析***和存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006318232A (ja) * | 2005-05-12 | 2006-11-24 | Fuji Heavy Ind Ltd | 解析用メッシュ修正装置 |
US10643384B2 (en) * | 2018-02-08 | 2020-05-05 | Google Llc | Machine learning-based geometric mesh simplification |
CN111127658A (zh) * | 2019-12-23 | 2020-05-08 | 北京工商大学 | 一种基于点云重建三角网格曲面的保特征曲面重建方法 |
CN112446867B (zh) * | 2020-11-25 | 2023-05-30 | 上海联影医疗科技股份有限公司 | 血流参数的确定方法、装置、设备及存储介质 |
CN115147360B (zh) * | 2022-06-13 | 2023-04-04 | 北京医准智能科技有限公司 | 一种斑块分割方法、装置、电子设备及可读存储介质 |
-
2022
- 2022-10-12 CN CN202211248280.9A patent/CN115482358B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080051018A (ko) * | 2006-12-04 | 2008-06-10 | 한국전자통신연구원 | 드로네이 공간분할에 기반한 곡률 반영 등위곡면 생성시스템 및 방법 |
WO2021196536A1 (zh) * | 2020-03-31 | 2021-10-07 | 苏州润迈德医疗科技有限公司 | 精确提取血管中心线的方法、装置、分析***和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115482358A (zh) | 2022-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210272030A1 (en) | Systems and methods for using geometry sensitivity information for guiding workflow | |
CN109712131B (zh) | 肺结节特征的量化方法、装置、电子设备及存储介质 | |
CN111932552B (zh) | 一种主动脉建模的方法及装置 | |
CN113160189A (zh) | 血管中心线提取方法、装置、设备及存储介质 | |
CN115482358B (zh) | 一种三角网格曲面的生成方法、装置、设备及存储介质 | |
CN117373070B (zh) | 血管分段标注的方法及装置、电子设备和存储介质 | |
CN115409990B (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN111340756A (zh) | 一种医学图像病变检出合并方法、***、终端及存储介质 | |
CN115965750B (zh) | 血管重建方法、装置、计算机设备和可读存储介质 | |
CN112446867A (zh) | 血流参数的确定方法、装置、设备及存储介质 | |
CN114937184A (zh) | 心脏冠脉血管命名模型的训练方法、装置及电子设备 | |
US10354349B2 (en) | Systems and methods for using geometry sensitivity information for guiding workflow | |
CN112801999B (zh) | 确定心脏冠脉优势型的方法及装置 | |
CN113012127A (zh) | 基于胸部医学影像的心胸比测量方法 | |
CN115294401B (zh) | 一种基于ct图像的分类方法、装置、设备及存储介质 | |
CN111640102A (zh) | 动脉瘤检测方法、装置以及计算机设备 | |
CN114972220B (zh) | 一种图像处理方法、装置、电子设备及可读存储介质 | |
CN116091702A (zh) | 血管结构重建方法、装置、设备和存储介质 | |
CN115482261A (zh) | 血管配准方法、装置、电子设备及存储介质 | |
CN115272152A (zh) | 一种对抗医学图像的生成方法、装置、设备及存储介质 | |
CN116029967B (zh) | 一种肺栓塞图像的处理方法、装置、设备及存储介质 | |
CN115908300B (zh) | 心脏瓣膜钙化分割的方法、装置、设备及存储介质 | |
CN117274216B (zh) | 基于水平集分割的超声下颈动脉斑块检测方法及*** | |
CN114972242A (zh) | 心肌桥检测模型的训练方法、装置及电子设备 | |
KR20180097037A (ko) | 관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000 Patentee after: Zhejiang Yizhun Intelligent Technology Co.,Ltd. Address before: No. 1202-1203, 12 / F, block a, Zhizhen building, No. 7, Zhichun Road, Haidian District, Beijing 100083 Patentee before: Beijing Yizhun Intelligent Technology Co.,Ltd. |