CN115546159B - 图像处理方法、装置、设备和存储介质 - Google Patents

图像处理方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN115546159B
CN115546159B CN202211252152.1A CN202211252152A CN115546159B CN 115546159 B CN115546159 B CN 115546159B CN 202211252152 A CN202211252152 A CN 202211252152A CN 115546159 B CN115546159 B CN 115546159B
Authority
CN
China
Prior art keywords
region
cerebral infarction
blood vessel
brain
target
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
Application number
CN202211252152.1A
Other languages
English (en)
Other versions
CN115546159A (zh
Inventor
张雅茜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shukun Shanghai Medical Technology Co ltd
Original Assignee
Shukun Shanghai Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shukun Shanghai Medical Technology Co ltd filed Critical Shukun Shanghai Medical Technology Co ltd
Priority to CN202211252152.1A priority Critical patent/CN115546159B/zh
Publication of CN115546159A publication Critical patent/CN115546159A/zh
Application granted granted Critical
Publication of CN115546159B publication Critical patent/CN115546159B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请提供一种图像处理方法、装置、设备和可读存储介质。本申请的图像处理方法包括：获取待识别的脑部扫描图像，以及所述脑部扫描图像中的目标血管区域；根据所述脑部扫描图像的静脉晚期数据对所述目标血管区域进行脑梗死识别，确定所述脑部扫描图像中的脑梗死核心区域；根据所述脑部扫描图像的静脉期数据对所述目标血管区域进行脑梗死风险识别，确定所述脑部扫描图像中的脑梗死预测区域；根据所述脑梗死核心区域和所述脑梗死预测区域确定所述脑部扫描图像中的脑梗死风险区域。本申请的技术方案能够实现根据当前的脑部扫描图像预测脑梗死患者在后续过程中可能出现的脑梗死风险区域范围，提高脑部扫描图像的诊断参考准确性。

Description

图像处理方法、装置、设备和存储介质
技术领域
本申请涉及医学影像识别领域，具体涉及一种图像处理方法、装置、设备和存储介质。
背景技术
目前，随着工作压力增大，脑部疾病在年轻人中的患病比例也处于持续增长态势，脑供血不足是引发脑部疾病的一种常见因素，脑供血不足严重者甚至危及到生命。现有的脑部疾病检查方法，通常是采用CT(Computed Tomography，电子计算机断层扫描)或MR(Magnet i c Resonance，磁共振检查)等方式对患者脑部进行扫描，得到脑部扫描图像，通过对脑部扫描图像进行解读来判断脑部缺血区域的范围和脑梗死核心区域范围，然而，对于急性脑梗死患者而言，在扫描后可能存在脑梗死核心区域继续扩大的问题，而现有的扫描图像无法确定患者在后续时间内脑梗死更新区域的变化情况，从而影响医生的诊断结果。
发明内容
本申请实施例提供一种图像处理方法、装置、设备和存储介质，旨在解决现有技术中的医学扫描图像无法识别患者可能出现的脑梗死风险区域的技术问题。
一方面，本申请实施例提供一种图像处理方法，所述图像处理方法包括以下步骤：
获取待识别的脑部扫描图像，以及所述脑部扫描图像中的目标血管区域；
根据所述脑部扫描图像的静脉晚期数据对所述目标血管区域进行脑梗死识别，确定所述脑部扫描图像中的脑梗死核心区域；
根据所述脑部扫描图像的静脉期数据对所述目标血管区域进行脑梗死风险识别，确定所述脑部扫描图像中的脑梗死预测区域；
根据所述脑梗死核心区域和所述脑梗死预测区域确定所述脑部扫描图像中的脑梗死风险区域。
在本申请一种可能的实现方式中，所述根据所述脑部扫描图像的静脉期数据对所述目标血管区域进行脑梗死风险识别，确定所述脑部扫描图像中的脑梗死预测区域之前，还包括：
对所述脑部扫描图像进行血管筛选，得到所述脑部扫描图像中的静脉血管区域；
采集所述静脉血管区域的各静脉点，根据各所述静脉点计算所述脑部扫描图像的静脉曲线模型；
根据所述静脉曲线模型获取所述脑部扫描图像的目标期相数据，其中，所述目标期相数据包括动脉期数据、静脉期数据和静脉晚期数据。
在本申请一种可能的实现方式中，所述根据所述脑部扫描图像的静脉期数据对所述目标血管区域进行脑梗死风险识别，确定所述脑部扫描图像中的脑梗死预测区域，包括：
获取所述目标血管区域的左脑目标血管区域和右脑目标血管区域；
比对所述左脑目标血管区域中的静脉期数据与所述右脑目标血管区域中的静脉期数据；
若所述左脑目标血管区域中的静脉期数据与所述右脑目标血管区域中的静脉期数据不匹配，则确定静脉期数据异常的目标血管区域为梗死风险血管区域；
根据所述梗死风险血管区域和预设血管膨胀度确定所述脑部扫描图像中的脑梗死预测区域。
在本申请一种可能的实现方式中，所述根据所述梗死风险血管区域和预设血管膨胀度确定所述脑部扫描图像中的脑梗死预测区域，包括：
查询预设数据库，获取所述梗死风险血管区域对应的预设血管膨胀度；
根据所述预设血管膨胀度对所述脑部扫描图像中的梗死风险血管区域进行扩散区域识别，得到所述梗死风险血管区域对应的脑梗死预测区域。
在本申请一种可能的实现方式中，所述根据所述脑部扫描图像的静脉晚期数据对所述目标血管区域进行脑梗死识别，确定所述脑部扫描图像中的脑梗死核心区域，包括：
获取所述脑部扫描图像的静脉曲线模型，根据所述静脉曲线模型获取所述脑部扫描图像的静脉晚期数据；
比对各所述目标血管区域的静脉晚期数据，将静脉晚期数据异常的目标血管区域标记为目标梗死血管区域；
获取所述目标梗死血管区域关联的目标颅内区域，确定所述目标梗死血管区域的目标颅内区域为所述脑部扫描图像的脑梗死核心区域。
在本申请一种可能的实现方式中，所述获取所述目标梗死血管区域关联的目标颅内区域，确定所述目标梗死血管区域的目标颅内区域为所述脑部扫描图像的脑梗死核心区域，包括：
获取所述目标梗死血管区域对应的目标颅内区域，以及所述目标颅内区域对应的正常颅内区域；
获取所述目标颅内区域和所述正常颅内区域之间的血流容积比值，将所述血流容积比值大于预设的血流容积比阈值的目标颅内区域为所述脑部扫描图像的脑梗死核心区域。
在本申请一种可能的实现方式中，所述根据所述脑梗死核心区域和所述脑梗死预测区域确定所述脑部扫描图像中的脑梗死风险区域，包括：
获取所述脑梗死核心区域的第一预设涂层样式，以及所述脑梗死预测区域的第二预设涂层样式；
基于所述第一预设涂层样式对所述脑梗死核心区域进行图像标记，得到第一标记区域；
基于所述第二预设涂层样式对所述脑梗死预测区域进行图像标记，得到第二标记区域；
获取所述第一标记区域和所述第二标记区域之间的非重合区域，确定所述非重合区域为所述脑部扫描图像中的脑梗死风险区域。
另一方面，本申请提供一种图像处理装置，所述图像处理装置包括：
图像获取模块，被配置为获取待识别的脑部扫描图像，以及所述脑部扫描图像中的目标血管区域；
核心识别模块，被配置为根据所述脑部扫描图像的静脉晚期数据对所述目标血管区域进行脑梗死识别，确定所述脑部扫描图像中的脑梗死核心区域；
扩大预测模块，被配置为根据所述脑部扫描图像的静脉期数据对所述目标血管区域进行脑梗死风险识别，确定所述脑部扫描图像中的脑梗死预测区域；
风险标记模块，被配置为根据所述脑梗死核心区域和所述脑梗死预测区域确定所述脑部扫描图像中的脑梗死风险区域。
另一方面，本申请还提供一种图像处理设备，所述图像处理设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现所述的图像处理方法。
另一方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行所述的图像处理方法中的步骤。
本申请中通过获取待识别的脑部扫描图像，解析该脑部扫描图像确定该脑部扫描图像中各目标血管区域；通过脑部扫描图像中的静脉晚期数据对各目标血管区域进行脑梗死识别，得到该脑部扫描图像中的脑梗死核心区域；获取脑部扫描图像中的静脉期数据，通过该静脉期数据对该目标血管区域进行脑梗死风险识别，生成该脑部扫描图像的脑梗死预测区域；根据获取到的脑梗死核心区域和脑梗死预测区域预测该脑部扫描图像中的脑梗死风险区域。实现根据当前的脑部扫描图像预测脑梗死患者在后续过程中可能出现的脑梗死风险区域范围，提高脑部扫描图像的诊断参考准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例图像处理方法的场景示意图；
图2为本申请实施例中图像处理方法的一个实施例的流程示意图；
图3为本申请实施例提供的图像处理方法中根据所述梗死风险血管区域和预设血管膨胀度确定脑梗死预测区域的一个实施例的流程示意图；
图4为本申请实施例提供的图像处理方法中获取目标期相数据的一个实施例的流程示意图；
图5为本申请实施例提供的图像处理装置的一个实施例的结构示意图；
图6为本申请实施例提供的图像处理设备的一个实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。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”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
目前，随着工作压力增大，脑部疾病在年轻人中的患病比例也处于持续增长态势，脑供血不足是引发脑部疾病的一种常见因素，脑供血不足严重者甚至危及到生命。现有的脑部疾病检查方法，通常是采用CT(Computed Tomography，电子计算机断层扫描)或MR(Magnetic Resonance，磁共振检查)等方式对患者脑部进行扫描，得到脑部扫描图像，通过对脑部扫描图像进行解读来判断脑部缺血区域的范围和脑梗死核心区域范围，然而，对于急性脑梗死患者而言，在扫描后可能存在脑梗死核心区域继续扩大的问题，而现有的扫描图像无法确定患者在后续时间内脑梗死更新区域的变化情况，从而影响医生的诊断结果。
基于此，本申请提出一种图像处理方法、装置、设备和计算机可读存储介质，以解决现有技术中医学扫描图像无法识别患者可能出现的脑梗死风险区域的技术问题。
本发明实施例中的图像处理方法应用于图像处理装置，图像处理装置设置于图像处理设备，图像处理设备中设置有一个或多个处理器、存储器，以及一个或多个应用程序，其中一个或多个应用程序被存储于存储器中，并被配置为由处理器执行以实施图像处理方法；其中，图像处理设备可以是智能终端，例如手机、平板电脑智能电脑和医学智能终端等；可选的，图像处理设备还可以是一台服务器，或者多台服务器组成的服务集群。
如图1所示，图1为本申请实施例图像处理方法的场景示意图，本发明实施例中图像处理场景包括一个或多个图像处理设备100，图像处理设备100中运行有图像处理方法对应的计算机可读存储介质，以执行图像处理方法的步骤。
可以理解的是，图1所示图像处理方法场景中的图像处理设备，或者图像处理设备中包含的装置并不构成对本发明实施例的限制，即图像处理方法的场景中包含的图像处理设备的设备数量、设备种类，或者各个设备中包含的装置数、装置种类不影响本发明实施例中技术方案的整体实现，均可以算作本发明实施例要求保护技术方案的等效替换或者衍生。
本发明实施例中图像处理设备100主要用于：获取待识别的脑部扫描图像，以及所述脑部扫描图像中的目标血管区域；根据所述脑部扫描图像的静脉晚期数据对所述目标血管区域进行脑梗死识别，确定所述脑部扫描图像中的脑梗死核心区域；根据所述脑部扫描图像的静脉期数据对所述目标血管区域进行脑梗死风险识别，确定所述脑部扫描图像中的脑梗死预测区域；根据所述脑梗死核心区域和所述脑梗死预测区域确定所述脑部扫描图像中的脑梗死风险区域。
本发明实施例中的图像处理设备100可以是多个独立的图像处理设备，也可以是由多个图像处理设备组成的图像处理网络或图像处理集群。
本申请实施例提供一种图像处理方法、装置、设备和计算机可读存储介质，以下分别进行详细说明。
本领域技术人员可以理解的是，图1中所示出的应用环境，仅仅是与本申请方案相关的其中一种应用场景，并不构成对本申请方案应用场景的限定，其它的应用环境还可以包括比图1所示出的更多或更少的图像处理设备，或者图像处理网络连接关系，例如图1中仅示出一个图像处理设备，可以理解的是该图像处理方法的场景还可以包括一个或多个图像处理设备，具体在此不做限定；该图像处理设备100中还可以包括存储器，用于存储脑部扫描图像和其它数据。
需要说明的是，图1所示的图像处理方法的场景示意图仅仅是一个示例，本发明实施例描述的图像处理方法的场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对本发明实施例提供的技术方案的限定。
基于上述图像处理方法的场景，提出本发明所公开的图像处理方法的各个实施例。
如图2所示，图2为本申请实施例中图像处理方法的一个实施例的流程示意图，该图像处理方法包括如下步骤201～步骤204：
201、获取待识别的脑部扫描图像，以及所述脑部扫描图像中的目标血管区域；
本实施例中的图像处理方法应用于图像处理设备，图像处理设备的种类和数量不做具体限定，即，图像处理设备可以是一个或多个智能终端或者例如用于进行电子计算机断层扫描(Computed Tomography，CT)和磁共振检查(Magnetic Resonance,MR)的医学扫描设备，在一个具体实施例中，图像处理设备为智能电脑。
具体的，该图像处理设备被配置为接收目标人员的待识别的脑部扫描图像，识别该脑部扫描图像中的目标血管区域和目标期相数据，通过目标期相数据和目标血管区域对该脑部扫描图像中可能存在的脑梗死风险区域进行预测并标记出该脑梗死风险区域，从而实现根据当前的脑部扫描图像预测脑梗死患者在后续过程中可能出现的脑梗死风险区域范围，提高脑部扫描图像的诊断参考准确性。
具体的，图像处理设备在运行过程中，接收脑梗死风险识别请求，该脑梗死风险识别请求为驱动图像处理设备对待识别的脑部扫描图像进行脑梗死风险识别的操作指令。其中，该脑梗死风险识别请求的触发方式在此不做具体限定，即，脑梗死风险识别请求可以为用户主动触发的，例如，用户将脑梗死患者的脑部扫描图像输入到该图像处理设备中，主动触发脑梗死风险识别请求。可选的，该脑梗死风险识别请求还可以由图像处理设备自动触发，例如，图像处理设备预先设置了自动识别进程，在接收到脑部扫描图像时，自动触发该脑部扫描图像对应的脑梗死风险识别请求。
具体的，图像处理设备在接收到该脑梗死风险识别请求后，获取该脑梗死风险识别请求中的脑部扫描图像，并对该脑部扫描图像进行解析，从而得到该脑部扫描图像中的目标血管区域和该脑部扫描图像的目标期相数据，其中，该目标血管区域为该脑部扫描图像中的目标血管及该目标血管所关联的脑组织所组成的脑部区域。
具体的，图像处理设备在获取到脑部扫描图像和对应的目标血管区域后，还生成该脑部扫描图像的静脉曲线模型和动脉曲线模型，通过该静脉曲线模型和动脉曲线模型来提取该脑部扫描图像的目标期相数据，其中，该目标期相数据包括动脉期数据、静脉期数据和静脉晚期数据。
可选的，图像处理设备还检测该脑部扫描图像的图像类型，若该图像类型为多时相CT图像时，则直接获取该脑部扫描图像的目标期相数据。
202、根据所述脑部扫描图像的静脉晚期数据对所述目标血管区域进行脑梗死识别，确定所述脑部扫描图像中的脑梗死核心区域；
图像处理设备在获取到脑部扫描图像的目标期相数据后，还通过该目标期相数据对脑部扫描图像中的各目标血管区域进行脑梗死识别，从而确定该脑部扫描图像中的脑梗死核心区域。
具体的，图像处理设备对各目标血管区域中的动脉血管和脑组织进行分割，得到左脑半球的左脑目标血管区域和右脑半球的右脑目标血管区域。可选的，在其它实施例中，图像处理设备还对目标血管区域中的静脉血管和脑组织进行分割，从而作为参考。其中，左脑目标血管区域为左脑半球中待检测的目标动(静)脉血管及关联脑组织；右脑目标血管区域为右脑半球中该左脑目标血管区域相对应的目标动(静)脉血管及关联脑组织。
具体的，图像处理设备在对目标血管区域进行分割完成后，获取各左脑目标血管区域的静脉晚期数据和右脑目标血管区域对应的静脉晚期数据。并将该左脑目标血管区域的静脉晚期数据和右脑目标血管区域对应的静脉晚期数据进行比对处理，从而确定该脑部扫描图像中的脑梗死核心区域。
具体的，图像处理设备对比左脑目标血管区域的静脉晚期数据和右脑目标血管区域对应的静脉晚期数据，若存在左脑目标血管区域或右脑目标血管区域中其中一侧有静脉晚期数据，另一侧未检测到静脉晚期数据，则确定未检测到静脉晚期数据的目标血管区域为静脉晚期数据异常的目标血管区域，将静脉晚期数据异常的目标血管区域标记为目标梗死血管区域。
图像处理设备在获取到目标梗死血管区域后，获取该目标梗死血管区域关联的目标颅内区域，以及该目标颅内区域对应的正常颅内区域，并获取该目标颅内区域和正常颅内区域之间的血流容积比值，若该血流容积壁纸大于预设的血流容积比阈值，确定该目标颅内区域为该脑部扫描图像中的脑梗死核心区域。其中，脑梗死核心区域为患者当前发生脑梗死的血管及对应的管控组织区域。
可选的，在其它实施例中，图像处理设备还能够通过预先构建的神经网络模型对脑部扫描图像进行脑梗死识别。图像处理设备预先构建神经网络模型，并将梗死图像进行标记后输入该神经网络模型进行训练，收敛后得到脑梗死识别模型，图像处理设备在获取到脑部扫描图像后，将脑部扫描图像输入到该脑梗死识别模型，得到该脑部扫描图像中的脑梗死核心区域。
203、根据所述脑部扫描图像的静脉期数据对所述目标血管区域进行脑梗死风险识别，确定所述脑部扫描图像中的脑梗死预测区域；
图像处理设备在获取脑部扫描图像的目标期相数据后，还根据该目标期相数据中的静脉期数据来确定脑部扫描图像中的脑梗死预测区域。其中，该脑梗死预测区域为脑部扫描图像中患者的脑梗死核心区域在预设时间内可能出现的最大扩张区域。
具体的，图像处理设备获取该脑部扫描图像中各目标血管区域中分割标记的左脑目标血管区域和右脑目标血管区域，并获取该左脑目标血管区域的静脉期数据和右脑目标血管区域中的静脉期数据，将左脑目标血管区域的静脉期数据和右脑目标血管区域中的静脉期数据进行对比，从而确定该脑部扫描图像中的脑梗死预测区域。
可选的，图像处理设备将左脑目标血管区域的静脉期数据和右脑目标血管区域中的静脉期数据进行对比，若存在左脑目标血管区域或右脑目标血管区域中其中一侧有静脉期数据，另一侧对应的右脑目标血管区域或左脑目标血管区域未检测到静脉期数据，则确定该左脑目标血管区域中的静脉期数据和右脑目标血管区域中的静脉期数据不匹配，确定未检测到静脉期数据的右脑目标血管区域或左脑目标血管区域为静脉期数据异常的梗死风险血管区域。
图像处理设备在获取到静脉期数据异常的梗死风险血管区域后，还根据该梗死风险血管区域和预设血管膨胀度确定该梗死风险血管区域对应的脑梗死预测区域。
可选的，图像处理设备还可以通过预先训练的脑梗死识别模型对该脑部扫描图像进行脑梗死风险预测，从而确定该脑部扫描图像中的脑梗死预测区域。
204、根据所述脑梗死核心区域和所述脑梗死预测区域确定所述脑部扫描图像中的脑梗死风险区域。
图像处理设备在根据目标期相数据和目标血管区域确定脑部扫描图像中的脑梗死核心区域和脑梗死预测区域后，还对该脑梗死核心区域和该脑梗死预测区域进行标记，从而确定该脑部扫描图像中的脑梗死风险区域。
具体的，图像处理设备获取该脑梗死核心区域对应的第一预设涂层样式和脑梗死预测区域的第二预设涂层样式。并分别通过第一涂层样式对脑梗死核心区域进行图像标记，得到第一标记区域，以及通过第二涂层样式对脑梗塞我预测区域进行图像标记，从而得到第二标记区域。
图像处理设备获取第一标记区域和第二标记区域之间的非重合区域，确定该非重合区域为脑部扫描图像中的脑梗死风险区域，并获取第三预设涂层样式对该脑梗死风险区域进行图像标记。其中，该脑梗死风险区域为该脑部扫描图像对应的脑梗死患者能够救治的脑部区域。
可选的，在其它实施例中，图像处理设备还通过目标期相数据中的动脉期数据来确定该脑部扫描图像的脑缺血区域。其中，该脑缺血区域为该脑部扫描图像中灌注缺血的脑部区域。
本实施例中，图像处理设备通过获取待识别的脑部扫描图像，解析该脑部扫描图像确定该脑部扫描图像中各目标血管区域；通过脑部扫描图像中的静脉晚期数据对各目标血管区域进行脑梗死识别，得到该脑部扫描图像中的脑梗死核心区域；获取脑部扫描图像中的静脉期数据，通过该静脉期数据对该目标血管区域进行脑梗死风险识别，生成该脑部扫描图像的脑梗死预测区域；根据获取到的脑梗死核心区域和脑梗死预测区域预测该脑部扫描图像中的脑梗死风险区域。实现根据当前的脑部扫描图像预测脑梗死患者在后续过程中可能出现的脑梗死风险区域范围，提高脑部扫描图像的诊断参考准确性。
如图3所示，图3为本申请实施例提供的图像处理方法中根据所述梗死风险血管区域和预设血管膨胀度确定脑梗死预测区域的一个实施例的流程示意图，具体的，包括步骤301～步骤302：
301、查询预设数据库，获取所述梗死风险血管区域对应的预设血管膨胀度；
302、根据所述预设血管膨胀度对所述脑部扫描图像中的梗死风险血管区域进行扩散区域识别，得到所述梗死风险血管区域对应的脑梗死预测区域。
基于上述实施例，本实施例中，图像处理设备在获取到各静脉期数据异常的梗死风险血管所对应的梗死风险血管区域后，根据该梗死风险血区域和预设血管膨胀度确定脑梗死预测区域。
可选的，图像处理设备根据实际场景预先设置了各目标血管区域所对应的预设血管膨胀度，并将该预设血管膨胀度和该目标血管区域的血管标识关联存入预设数据库中。可选的，在一个具体实施例中，各目标血管区域的预设血管膨胀度可以相同，也可以根据血管类型进行对应设置。
具体的，图像处理设备在获取到梗死风险血管区域对应的梗死风险血管后，查询预设数据库，获取该梗死风险血管对应的预设血管膨胀度，确定该预设血管膨胀度为该梗死风险血管的目标血管膨胀度。
图像处理设备在获取到梗死风险血管的目标血管膨胀度后，通过该目标血管膨胀度计算该梗死风险血管区域的扩散区域，并对该扩散区域的脑组织进行标记，从而得到该梗死风险血管区域对应的脑梗死预测区域。
可选的，在其它实施例中，图像处理设备在确定梗死风险血管后，还可以提供构建血管与脑组织的匹配关系模型来确定脑梗死预测区域，或通过设置经过颅内区域和血管结构进行训练的管辖区域模型来确定脑梗死预测区域。
本实施例中，图像处理设备通过查询预设数据库，获取所述梗死风险血管区域对应的预设血管膨胀度；根据所述预设血管膨胀度对所述脑部扫描图像中的梗死风险血管区域进行扩散区域识别，得到所述梗死风险血管区域对应的脑梗死预测区域。实现准确地确定脑部扫描图像中的脑梗死预测区域，提高脑部扫描图像的诊断参考准确性。
如图4所示，图4为本申请实施例提供的图像处理方法中获取目标期相数据的一个实施例的流程示意图，具体的，包括步骤401～步骤403：
401、对所述脑部扫描图像进行血管筛选，得到所述脑部扫描图像中的静脉血管区域；
402、采集所述静脉血管区域的各静脉点，根据各所述静脉点计算所述脑部扫描图像的静脉曲线模型；
403、根据所述静脉曲线模型获取所述脑部扫描图像的目标期相数据，其中，所述目标期相数据包括动脉期数据、静脉期数据和静脉晚期数据。
基于上述实施例，本实施例中，图像处理设备在获取待识别的脑部扫描图像后，还进一步获取该脑部扫描图像中的目标期相数据，其中，该目标期相数据包括动脉期数据、静脉期数据和静脉晚期数据中至少一种。
具体的，图像处理设备对该脑部扫描图像进行血管筛选，获取该脑部扫描图像中的静脉血管区域和动脉血管区域。图像处理设备在获取脑部扫描图像中的静脉血管区域和动脉血管区域后，通过预设的关键点模型，获取该静脉血管区域中的静脉点和动脉血管区域中的动脉点，并获取静脉血管区域中该静脉点附近的静脉关键点集，以及动脉血管区域中的动脉关键点集。其中，静脉关键点集为静脉血管区域中静脉点附近区域最亮点集；动脉关键点集为动脉血管区域中动脉点附近区域最亮点集。
图像处理设备根据获取到的静脉关键点集生成脑部扫描图像的静脉曲线模型，并根据获取到的动脉关键点集生成脑部扫描图像的动脉曲线模型。并通过静脉曲线模型和动脉曲线模型获取该脑部扫描图像的目标期相数据。
具体的，图像处理设备获取该动脉曲线模型中峰值期对应的数据，将该动脉曲线模型的峰值期对应的数据设置为动脉期数据。
具体的，图像处理设备获取该静脉曲线模型的峰值期对应的数据，将该静脉曲线模型的峰值期对应的数据设置为静脉期数据。
具体的，图像处理设备获取该静脉曲线模型的平台期数据或平台期末数据，将该静脉曲线模型的平台期数据或平台期末数据设置为静脉晚期数据。
图像处理设备汇总静脉期数据、静脉晚期数据和动脉期数据，得到脑部扫描图像的目标期相数据，并通过该目标期相数据确定脑部扫描图像的脑梗死风险区域。
本实施例中，图像处理设备通过对所述脑部扫描图像进行血管筛选，得到所述脑部扫描图像中的静脉血管区域；采集所述静脉血管区域的各静脉点，根据各所述静脉点计算所述脑部扫描图像的静脉曲线模型；根据所述静脉曲线模型获取所述脑部扫描图像的目标期相数据，其中，所述目标期相数据包括动脉期数据、静脉期数据和静脉晚期数据。实现准确获取脑部扫描图像的目标期相数据，提高后续脑梗死风险区域预测准确率。
为了更好实施本申请实施例中图像处理方法，在图像处理方法基础之上，本申请实施例中还提供一种图像处理装置，如图5所示，图5为本申请实施例提供的图像处理装置的一个实施例的结构示意图，所述图像处理装置500包括：
图像获取模块501，被配置为获取待识别的脑部扫描图像，以及所述脑部扫描图像中的目标血管区域；
核心识别模块502，被配置为根据所述脑部扫描图像的静脉晚期数据对所述目标血管区域进行脑梗死识别，确定所述脑部扫描图像中的脑梗死核心区域；
扩大预测模块503，被配置为根据所述脑部扫描图像的静脉期数据对所述目标血管区域进行脑梗死风险识别，确定所述脑部扫描图像中的脑梗死预测区域；
风险标记模块504，被配置为根据所述脑梗死核心区域和所述脑梗死预测区域确定所述脑部扫描图像中的脑梗死风险区域。
在本申请一些实施例中，图像处理装置根据所述脑部扫描图像的静脉期数据对所述目标血管区域进行脑梗死风险识别，确定所述脑部扫描图像中的脑梗死预测区域之前，还包括：
对所述脑部扫描图像进行血管筛选，得到所述脑部扫描图像中的静脉血管区域；
采集所述静脉血管区域的各静脉点，根据各所述静脉点计算所述脑部扫描图像的静脉曲线模型；
根据所述静脉曲线模型获取所述脑部扫描图像的目标期相数据，其中，所述目标期相数据包括动脉期数据、静脉期数据和静脉晚期数据。
在本申请一些实施例中，图像处理装置根据所述脑部扫描图像的静脉期数据对所述目标血管区域进行脑梗死风险识别，确定所述脑部扫描图像中的脑梗死预测区域，包括：
获取所述目标血管区域的左脑目标血管区域和右脑目标血管区域；
比对所述左脑目标血管区域中的静脉期数据与所述右脑目标血管区域中的静脉期数据；
若所述左脑目标血管区域中的静脉期数据与所述右脑目标血管区域中的静脉期数据不匹配，则确定静脉期数据异常的目标血管区域为梗死风险血管区域；
根据所述梗死风险血管区域和预设血管膨胀度确定所述脑部扫描图像中的脑梗死预测区域。
在本申请一些实施例中，图像处理装置根据所述梗死风险血管区域和预设血管膨胀度确定所述脑部扫描图像中的脑梗死预测区域，包括：
查询预设数据库，获取所述梗死风险血管区域对应的预设血管膨胀度；
根据所述预设血管膨胀度对所述脑部扫描图像中的梗死风险血管区域进行扩散区域识别，得到所述梗死风险血管区域对应的脑梗死预测区域。
在本申请一些实施例中，图像处理装置根据所述脑部扫描图像的静脉晚期数据对所述目标血管区域进行脑梗死识别，确定所述脑部扫描图像中的脑梗死核心区域，包括：
获取所述脑部扫描图像的静脉曲线模型，根据所述静脉曲线模型获取所述脑部扫描图像的静脉晚期数据；
比对各所述目标血管区域的静脉晚期数据，将静脉晚期数据异常的目标血管区域标记为目标梗死血管区域；
获取所述目标梗死血管区域关联的目标颅内区域，确定所述目标梗死血管区域的目标颅内区域为所述脑部扫描图像的脑梗死核心区域。
在本申请一些实施例中，图像处理装置获取所述目标梗死血管区域关联的目标颅内区域，确定所述目标梗死血管区域的目标颅内区域为所述脑部扫描图像的脑梗死核心区域，包括：
获取所述目标梗死血管区域对应的目标颅内区域，以及所述目标颅内区域对应的正常颅内区域；
获取所述目标颅内区域和所述正常颅内区域之间的血流容积比值，将所述血流容积比值大于预设的血流容积比阈值的目标颅内区域为所述脑部扫描图像的脑梗死核心区域。
在本申请一些实施例中，图像处理装置根据所述脑梗死核心区域和所述脑梗死预测区域确定所述脑部扫描图像中的脑梗死风险区域，包括：
获取所述脑梗死核心区域的第一预设涂层样式，以及所述脑梗死预测区域的第二预设涂层样式；
基于所述第一预设涂层样式对所述脑梗死核心区域进行图像标记，得到第一标记区域；
基于所述第二预设涂层样式对所述脑梗死预测区域进行图像标记，得到第二标记区域；
获取所述第一标记区域和所述第二标记区域之间的非重合区域，确定所述非重合区域为所述脑部扫描图像中的脑梗死风险区域。
本实施例，图像处理装置通过获取待识别的脑部扫描图像，解析该脑部扫描图像确定该脑部扫描图像中各目标血管区域；通过脑部扫描图像中的静脉晚期数据对各目标血管区域进行脑梗死识别，得到该脑部扫描图像中的脑梗死核心区域；获取脑部扫描图像中的静脉期数据，通过该静脉期数据对该目标血管区域进行脑梗死风险识别，生成该脑部扫描图像的脑梗死预测区域；根据获取到的脑梗死核心区域和脑梗死预测区域预测该脑部扫描图像中的脑梗死风险区域。实现根据当前的脑部扫描图像预测脑梗死患者在后续过程中可能出现的脑梗死风险区域范围，提高脑部扫描图像的诊断参考准确性。
本发明实施例还提供一种图像处理设备，如图6所示，图6为本申请实施例中提供的图像处理设备的一个实施例结构示意图。
图像处理设备集成了本发明实施例所提供的任意一种图像处理装置，该图像处理设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述图像处理方法实施例中任一实施例中所述的图像处理方法中的步骤。
具体来讲：图像处理设备可以包括一个或者一个以上处理核心的处理器601、一个或一个以上计算机可读存储介质的存储器602、电源603和输入单元604等部件。本领域技术人员可以理解，图6中示出的图像处理设备结构并不构成对图像处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器601是该图像处理设备的控制中心，利用各种接口和线路连接整个图像处理设备的各个部分，通过运行或执行存储在存储器602内的软件程序和/或模块，以及调用存储在存储器602内的数据，执行图像处理设备的各种功能和处理数据，从而对图像处理设备进行整体监控。可选的，处理器601可包括一个或多个处理核心；优选的，处理器601可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作***、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器601中。
存储器602可用于存储软件程序以及模块，处理器601通过运行存储在存储器602的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器602可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据图像处理设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器602还可以包括存储器控制器，以提供处理器601对存储器602的访问。
图像处理设备还包括给各个部件供电的电源603，优选的，电源603可以通过电源管理***与处理器601逻辑相连，从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源603还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该图像处理设备还可包括输入单元604，该输入单元604可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，图像处理设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，图像处理设备中的处理器601会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器602中，并由处理器601来运行存储在存储器602中的应用程序，从而实现各种功能，如下：
获取待识别的脑部扫描图像，以及所述脑部扫描图像中的目标血管区域；
根据所述脑部扫描图像的静脉晚期数据对所述目标血管区域进行脑梗死识别，得到目标梗死血管区域，根据所述目标梗死血管区域确定所述脑部扫描图像中的脑梗死核心区域；
根据所述脑部扫描图像的静脉期数据对所述目标血管区域进行脑梗死风险识别，确定所述脑部扫描图像中的得到梗死风险血管区域，根据所述梗死风险血管区域生成脑梗死预测区域；
根据所述脑梗死核心区域和所述脑梗死预测区域确定所述脑部扫描图像中的脑梗死风险区域。
为此，本发明实施例提供一种计算机可读存储介质，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random AccessMemory)、磁盘或光盘等。其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行本发明实施例所提供的任一种图像处理方法中的步骤。例如，所述计算机程序被处理器进行加载可以执行如下步骤：
获取待识别的脑部扫描图像，以及所述脑部扫描图像中的目标血管区域；
根据所述脑部扫描图像的静脉晚期数据对所述目标血管区域进行脑梗死识别，得到目标梗死血管区域，根据所述目标梗死血管区域确定所述脑部扫描图像中的脑梗死核心区域；
根据所述脑部扫描图像的静脉期数据对所述目标血管区域进行脑梗死风险识别，确定所述脑部扫描图像中的得到梗死风险血管区域，根据所述梗死风险血管区域生成脑梗死预测区域；
根据所述脑梗死核心区域和所述脑梗死预测区域确定所述脑部扫描图像中的脑梗死风险区域。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对其他实施例的详细描述，此处不再赘述。
具体实施时，以上各个单元或结构可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元或结构的具体实施可参见前面的方法实施例，在此不再赘述。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种图像处理方法进行了详细介绍，本文中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种图像处理方法，其特征在于，所述图像处理方法包括：
获取待识别的脑部扫描图像，以及所述脑部扫描图像中的目标血管区域；
根据所述脑部扫描图像的静脉晚期数据对所述目标血管区域进行脑梗死识别，确定所述脑部扫描图像中的脑梗死核心区域；
根据所述脑部扫描图像的静脉期数据对所述目标血管区域进行脑梗死风险识别，确定所述脑部扫描图像中的脑梗死预测区域；
根据所述脑梗死核心区域和所述脑梗死预测区域确定所述脑部扫描图像中的脑梗死风险区域，所述脑梗死风险区域为所述脑梗死预测区域中与所述脑梗死核心区域的非重合区域。
2.如权利要求1所述的图像处理方法，其特征在于，所述根据所述脑部扫描图像的静脉期数据对所述目标血管区域进行脑梗死风险识别，确定所述脑部扫描图像中的脑梗死预测区域之前，还包括：
对所述脑部扫描图像进行血管筛选，得到所述脑部扫描图像中的静脉血管区域；
采集所述静脉血管区域的各静脉点，根据各所述静脉点计算所述脑部扫描图像的静脉曲线模型；
根据所述静脉曲线模型获取所述脑部扫描图像的目标期相数据，其中，所述目标期相数据包括动脉期数据、静脉期数据和静脉晚期数据中至少一种。
3.如权利要求1所述的图像处理方法，其特征在于，所述根据所述脑部扫描图像的静脉期数据对所述目标血管区域进行脑梗死风险识别，确定所述脑部扫描图像中的脑梗死预测区域，包括：
获取所述目标血管区域的左脑目标血管区域和右脑目标血管区域；
比对所述左脑目标血管区域中的静脉期数据与所述右脑目标血管区域中的静脉期数据；
若所述左脑目标血管区域中的静脉期数据与所述右脑目标血管区域中的静脉期数据不匹配，则确定静脉期数据异常的目标血管区域为梗死风险血管区域；
根据所述梗死风险血管区域和预设血管膨胀度确定所述脑部扫描图像中的脑梗死预测区域。
4.如权利要求3所述的图像处理方法，其特征在于，所述根据所述梗死风险血管区域和预设血管膨胀度确定所述脑部扫描图像中的脑梗死预测区域，包括：
查询预设数据库，获取所述梗死风险血管区域对应的预设血管膨胀度；
根据所述预设血管膨胀度对所述脑部扫描图像中的梗死风险血管区域进行扩散区域识别，得到所述梗死风险血管区域对应的脑梗死预测区域。
5.如权利要求1所述的图像处理方法，其特征在于，所述根据所述脑部扫描图像的静脉晚期数据对所述目标血管区域进行脑梗死识别，确定所述脑部扫描图像中的脑梗死核心区域，包括：
获取所述脑部扫描图像的静脉曲线模型，根据所述静脉曲线模型获取所述脑部扫描图像的静脉晚期数据；
比对各所述目标血管区域的静脉晚期数据，将静脉晚期数据异常的目标血管区域标记为目标梗死血管区域；
获取所述目标梗死血管区域关联的目标颅内区域，确定所述目标梗死血管区域的目标颅内区域为所述脑部扫描图像的脑梗死核心区域。
6.如权利要求5所述的图像处理方法，其特征在于，所述获取所述目标梗死血管区域关联的目标颅内区域，确定所述目标梗死血管区域的目标颅内区域为所述脑部扫描图像的脑梗死核心区域，包括：
获取所述目标梗死血管区域对应的目标颅内区域，以及所述目标颅内区域对应的正常颅内区域；
获取所述目标颅内区域和所述正常颅内区域之间的血流容积比值，将所述血流容积比值大于预设的血流容积比阈值的目标颅内区域为所述脑部扫描图像的脑梗死核心区域。
7.如权利要求1-6任一项所述的图像处理方法，其特征在于，所述根据所述脑梗死核心区域和所述脑梗死预测区域确定所述脑部扫描图像中的脑梗死风险区域，包括：
获取所述脑梗死核心区域的第一预设涂层样式，以及所述脑梗死预测区域的第二预设涂层样式；
基于所述第一预设涂层样式对所述脑梗死核心区域进行图像标记，得到第一标记区域；
基于所述第二预设涂层样式对所述脑梗死预测区域进行图像标记，得到第二标记区域；
获取所述第一标记区域和所述第二标记区域之间的非重合区域，确定所述非重合区域为所述脑部扫描图像中的脑梗死风险区域。
8.一种图像处理装置，其特征在于，所述图像处理装置包括：
图像获取模块，被配置为获取待识别的脑部扫描图像，以及所述脑部扫描图像中的目标血管区域；
核心识别模块，被配置为根据所述脑部扫描图像的静脉晚期数据对所述目标血管区域进行脑梗死识别，确定所述脑部扫描图像中的脑梗死核心区域；
扩大预测模块，被配置为根据所述脑部扫描图像的静脉期数据对所述目标血管区域进行脑梗死风险识别，确定所述脑部扫描图像中的脑梗死预测区域；
风险标记模块，被配置为根据所述脑梗死核心区域和所述脑梗死预测区域确定所述脑部扫描图像中的脑梗死风险区域，所述脑梗死风险区域为所述脑梗死预测区域中与所述脑梗死核心区域的非重合区域。
9.一种图像处理设备，其特征在于，所述图像处理设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至7中任一项所述的图像处理方法的步骤。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7中任一项所述的图像处理方法的步骤。
CN202211252152.1A 2022-10-13 2022-10-13 图像处理方法、装置、设备和存储介质 Active CN115546159B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211252152.1A CN115546159B (zh) 2022-10-13 2022-10-13 图像处理方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211252152.1A CN115546159B (zh) 2022-10-13 2022-10-13 图像处理方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN115546159A CN115546159A (zh) 2022-12-30
CN115546159B true CN115546159B (zh) 2023-07-25

Family

ID=84732595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211252152.1A Active CN115546159B (zh) 2022-10-13 2022-10-13 图像处理方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN115546159B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110859622A (zh) * 2019-11-18 2020-03-06 东软医疗***股份有限公司 成像方法、装置及核磁***
CN114419181A (zh) * 2022-02-08 2022-04-29 东软医疗***股份有限公司 Cta图像的重建方法及重建装置、显示方法及显示装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685843B (zh) * 2018-12-14 2023-12-26 强联智创（北京）科技有限公司 一种基于头颅ct影像的核心梗死体积的测量方法及***
CN113256748B (zh) * 2020-02-13 2024-05-31 脑玺(上海)智能科技有限公司 基于脑血管ct影像的图像处理方法及图像处理装置
CA3174674A1 (en) * 2020-03-10 2021-09-16 Bijoy K. Menon Systems and methods of prediction of ischemic brain tissue fate from multi-phase ct-angiography in patients with acute ischemic stroke using machine learning
CN111489360A (zh) * 2020-03-18 2020-08-04 上海商汤智能科技有限公司 一种图像分割方法及相关设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110859622A (zh) * 2019-11-18 2020-03-06 东软医疗***股份有限公司 成像方法、装置及核磁***
CN114419181A (zh) * 2022-02-08 2022-04-29 东软医疗***股份有限公司 Cta图像的重建方法及重建装置、显示方法及显示装置

Also Published As

Publication number Publication date
CN115546159A (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
TWI767492B (zh) 一種圖像分割方法、設備及電腦可讀儲存介質
KR101716039B1 (ko) 의료 영상 기반의 질환 진단 정보 산출 방법 및 장치
Leite et al. Heartbeat classification with low computational cost using Hjorth parameters
CN115393356B (zh) 目标部位异常形态识别方法、装置及计算机可读存储介质
CN114332931A (zh) 宠物关系图谱更新方法、装置、设备和计算机可读存储介质
CN115965621B (zh) 一种基于磁共振成像的主要心脏不良事件的预测装置
CN113344926B (zh) 胆胰超声图像识别方法、装置、服务器及存储介质
CN115546159B (zh) 图像处理方法、装置、设备和存储介质
Lalande et al. Automatic detection of left ventricular contours from cardiac cine magnetic resonance imaging using fuzzy logic
CN108447530B (zh) 一种临床数据判定的方法、装置、设备和存储介质
CN112735546A (zh) 射频参数配置方法、装置、***及计算机可读存储介质
CN113743543B (zh) 一种图像分类训练方法、装置、服务器及存储介质
CN116091452A (zh) 喉部图像的特征确定方法、装置及相关设备
CN118333951A (zh) 一种医学图像中病变边界的确定方法
CN118299010A (zh) 图像处理方法、装置、设备和存储介质
CN115830014B (zh) 缺血半暗带的误标记识别方法、装置、设备及存储介质
CN110916649A (zh) 一种长程心电散点图的处理装置、处理方法及检测装置
CN118314093A (zh) 病灶识别方法、装置、设备和存储介质
CN114359280B (zh) 胃黏膜图像边界量化方法、装置、终端及存储介质
CN118096677A (zh) 病灶识别方法、装置、设备和存储介质
US20160354013A1 (en) Method and apparatus for herpes zoster diagnosis and recording medium using the method
CN115908457B (zh) 低密度梗死区分割方法、分析方法、装置、***、设备及介质
CN115331787A (zh) 医学图像处理方法、装置及其相关设备
CN114397334B (zh) 一种无创血糖分析***
CN117133442A (zh) 手术辅助信息展示方法、装置、设备及可读存储介质

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