CN115908330A - 基于dsa影像的冠脉自动化选帧分类推荐方法及装置 - Google Patents
基于dsa影像的冠脉自动化选帧分类推荐方法及装置 Download PDFInfo
- Publication number
- CN115908330A CN115908330A CN202211476593.XA CN202211476593A CN115908330A CN 115908330 A CN115908330 A CN 115908330A CN 202211476593 A CN202211476593 A CN 202211476593A CN 115908330 A CN115908330 A CN 115908330A
- Authority
- CN
- China
- Prior art keywords
- image
- key frame
- images
- dsa
- classification
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种基于DSA影像的冠脉自动化选帧分类推荐方法以及装置,所述方法包括:获取待测DSA影像组并采用预先构建的自动选帧模型对待测DSA影像组中每个D I COM影像进行识别,以获取关键帧图像;基于预先构建的自动分类模型对关键帧图像进行血管类型分类,以获取关键帧图像对应所述血管类别的概率响应值;按概率响应值降序排列并从后往前每两个关键帧图像组成一图像对;基于图像对所对应的概率响应值的均值以及成像角度差对影像帧图像对进行评分,并将评分最高的所述图像对进行推荐。本发明能够高效准确识别出冠脉DSA影像中的适合重构的图像对。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于DSA影像的冠脉自动化选帧分类推荐方法及装置。
背景技术
冠心病,全称冠状动脉粥样硬化性心脏病,有时也叫缺血性心脏病,是指冠状动脉粥样硬化导致心肌缺血、缺氧而引起的心脏病。冠状动脉是唯一供给心脏血液的血管,其形态似冠状,故称为冠状动脉。这条血管也随同全身血管一样的硬化,呈粥样改变,造成供养心脏血液循环障碍,引起心肌缺血、缺氧,即为冠心病。冠心病是中、老年人的常见病,多发病,严重危及人的生命。
诊断冠心病常规的手段包括简单无创的心电图,只能获取静态图像的冠脉CTA,有创的手段包括冠脉血管内超声(IVUS)以及动态的冠脉造影。在这几种方式中,冠脉造影被视为冠心病诊断的“金标准”。作为诊断冠状动脉疾病的主要影像学技术,冠状动脉的形态是在冠状动脉造影过程中通过导管室的实时显影获得的,同时定量冠状动脉造影(QCA)还可以用于提供客观的定量测量。
由于基于两角度DSA影像帧图像的重构需要医生主动在一系列的影像中选取两帧最佳图像,而病人可能存在着多种多样的影像数据,因此在大量数据中挑选出合理的数据需要花费一定的精力而且还要依据经验对两帧图像是否适合重构做出判断,这大大加重了医生的负担,目前市面上还没有能够实现从病人的原始影像中筛选出两幅最适合重构的图像推荐给医生的功能模块。
因此,本领域需要一种新的选帧分类推荐方法来解决上述问题。
发明内容
本发明的目的在于提供一种基于DSA影像的冠脉自动化选帧分类推荐方法及装置,旨在解决如何高效准确识别出冠脉DSA影像中的适合重构的图像对的问题。
为了实现上述目的,本发明采用如下技术方案:
一种基于DSA影像的冠脉自动化选帧分类推荐方法,所述方法包括:
获取待测DSA影像组并采用预先构建的自动选帧模型对所述待测DSA影像组中每个D I COM影像进行识别,以获取关键帧图像;
基于预先构建的自动分类模型对所述关键帧图像进行血管类型分类,以获取所述关键帧图像对应所述血管类别的概率响应值;
按所述概率响应值降序排列并从后往前每两个关键帧图像组成一图像对;
基于所述图像对所对应的所述概率响应值的均值以及成像角度差对所述影像帧图像对进行评分,并将评分最高的所述图像对进行推荐。
在一实施例中,自动选帧模型为二分类神经网络模型,所述自动分类模型为四分类神经网络模型,所述血管类别包括LAD、LCX、RCA和OTHERS,所述OTHERS为LAD、LCX、RCA之外的血管类别。
在一实施例中,所述“自动选帧模型”的网络训练步骤包括:
获取基于冠状动脉造影生成的D I COM影像;
将所述D I COM影像中造影完全充盈、造影剂清晰可见以及处于舒张末期内的D ICOM影像帧设为关键帧图像,并形成数据记录表;
遍历所述数据记录表选取关键帧图像并将其标签设为1,选取非关键帧图像将其标签设为0;
基于所述关键帧图像和非关键帧图像构成自动选帧数据集并采用机器学习算法训练所述自动选帧模型。
在一实施例中,所述非关键帧图像包括随机选取的所述D I COM影像中前10帧中的一帧,所述关键帧图像向前5帧中的一帧,以及所述关键帧图像向后5帧中的一帧。
在一实施例中,所述“自动分类模型”的网络训练步骤包括:
获取基于冠状动脉造影生成的D I COM影像;
读取所述D I COM影像中造影完全充盈、造影剂清晰可见以及处于舒张末期内的DI COM影像帧设为关键帧图像;
将所述关键帧图像按照血管类别分为LAD、LCX、RCA和OTHERS并分别赋予[1,0,0,0],[0,1,0,0],[0,0,1,0],[0,0,0,1]的图像标签,以生成血管分类数据集;
基于所述血管分类数据集并采用机器学习算法训练所述自动分类模型。
在一实施例中,还包括对所述D I COM影像按照窗宽窗位调整对比度同时将D ICOM影像调整固定大小的步骤。
在一实施例中,“基于所述图像对所对应的所述概率响应值的均值以及所对应的影像对的成像角度差对所述影像帧图像对进行评分”的步骤包括:
按下式所示的推荐方法计算所述评分:
z=a×x+(1-a)×y
其中,z为评分值,a为预设的比例系数,x为图像对对应的概率响应值的均值,y图像对对应的角度差。
在一实施例中,确定所述a的步骤包括:
获取多个用于重构的图像对;
按照所述图像对的重构质量进行排序,以所述排序作为参考调整所述比例系数,使得所述推荐算法计算的评分排序结果与实际排序相一致。
一种存储装置,其中存储有多条程序,所述程序适于由处理器加载并执行以实现上述的基于DSA影像的冠脉自动化选帧分类推荐方法。
一种控制装置,包括:处理器,适于执行各条程序;存储设备,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的基于DSA影像的冠脉自动化选帧分类推荐方法。
综上所述,本发明提供的基于DSA影像的冠脉自动化选帧分类推荐方法及装置具有如下有益效果:
本发明能够自动快速准确识别出冠脉DSA影像中的适合重构的图像对,降低医生选取影像的工作量,具有较高的临床应用价值。
附图说明
图1是本发明的一种基于DSA影像的冠脉自动化选帧分类推荐方法的流程示意图;
图2是本发明的自动选帧模的网络训练的流程示意图;
图3是本发明的自动分类模型的网络训练的流程示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,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,而不是全部的实施例。基于本公开中的实施例,本领域普通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。
本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本公开的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。
应当理解,在本公开中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本公开中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本公开中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
本发明提供的基于DSA影像的冠脉自动化选帧分类推荐方法及装置,针对冠脉DSA影像能够高效准确地完成关键帧图像提取,血管类别识别,以及适合重构的最佳图像对的推荐。最主要的目的是为了处理医生在进行冠脉血管重构时需要从大量影像中一一浏览再挑选出适合重构的特定血管图像的繁杂工作。
参阅附图1,图1示例性示出了一种基于DSA影像的冠脉自动化选帧分类推荐方法的主要流程。如图1所示,本实施例提供的一种基于DSA影像的冠脉自动化选帧分类推荐方法包括:
步骤S1:获取待测DSA影像组并采用预先构建的自动选帧模型对待测DSA影像组中每个DICOM影像进行识别,以获取关键帧图像。
具体地,可以使用标准导管通过股骨或桡骨导管进行导管,并数字记录冠状动脉造影生成DICOM影像。利用训练好的自动选帧模型对每个DICOM影像进行识别,以获取关键帧图像。自动选帧模型为二分类神经网络模型。该关键帧图像是造影剂完全充盈,造影剂清晰可见以及处于舒张末期内的相对质量较高的图像。该自动选帧模型的输出为每一帧DICOM影像帧属于关键帧图像的概率值,并且在关键帧图像出现位置的前后几帧的概率值也相对较高,所以可以选择关键帧图像出现位置处概率值最高的DICOM影像帧,作为该位置处的关键帧图像。
步骤S2:基于预先构建的自动分类模型对关键帧图像进行血管类型分类,以获取关键帧图像对应血管类别的概率响应值。
具体地,将所有的关键帧影像输入训练好的自动分类模型对关键帧图像进行分类。自动分类模型为四分类神经网络模型。血管类别包括LAD(左前降支)、LCX(左回旋支)、RCA(右冠状动脉)和OTHERS,OTHERS为LAD、LCX、RCA之外的血管类别。在对关键帧图像进行分类时,自动分类模输出的是关键帧图像属于每个血管类别的概率响应值,其中最高概率响应值对应的血管类别为该关键帧图像的血管类别,最高概率响应值为该关键帧图像的概率响应值。
步骤S3:按概率响应值降序排列并从后往前每两个关键帧图像组成一图像对。
步骤S4:基于图像对所对应的概率响应值的均值以及所对应的影像对的成像角度差对影像帧图像对进行评分,并将评分最高的图像对进行推荐。
具体地,图像对所对应的概率响应值的均值,为两个关键帧图像的概率响应值求和除以2得到的均值。成像角度差为两个关键帧图像所对应的影像对的成像角度作差。
可以按公式(1)所示的推荐方法计算评分:
z=a×x+(1-a)×y (1)
其中,z为评分值,a为预设的比例系数,x为图像对对应的概率响应值的均值,y图像对所对应的影像对对应的角度差。
该比例系数a确定步骤包括:获取多个用于重构的图像对;按照图像对的重构质量进行排序,以排序作为参考调整比例系数,使得推荐方法计算的评分排序结果与实际排序相一致。
在得到每一图像对的评分结果后,评分最高的图像对推荐给医生。
参阅附图2,图2示例性示出了自动选帧模的网络训练步骤。如图2所示,“自动选帧模型”的网络训练步骤包括:
步骤S11:获取基于冠状动脉造影生成的DICOM影像。
步骤S12:将DICOM影像中造影完全充盈、造影剂清晰可见以及处于舒张末期内的DICOM影像帧设为关键帧图像,并形成数据记录表。
该步骤可以由临床医生专家组对DICOM影像进行读图,读出每个影像的关键帧图像,并记录形成数据记录表。
步骤S13:遍历数据记录表选取关键帧图像并将其标签设为1,选取非关键帧图像将其标签设为0。
具体地,将所有关键帧图像取出并设置标签为1。按一定规则选取非关键帧图像。非关键帧图像的标签设为0。非关键帧图像包括三个部分,随机选取的DICOM影像中前10帧中的一帧,这一部分为造影剂未完全充盈的影像帧。随机选取关键帧图像向前5帧中的一帧,这一部分为关键帧图像前的舒张期的影像帧。随机选取关键帧图像向后5帧中的一帧,这一部分为关键帧图像后的收缩期的影像帧。这3部分不存在相互重叠而且不会超过影像序列的正常序号范围,引入随机性的目的是尽可能多的涵盖影像为非关键帧图像的情况以及避免主观判断的局限性。在选取关键帧图像和非关键帧图像后,还需要对图像按照窗宽窗位调整对比度同时将DICOM影像调整固定大小的步骤。
步骤S14:基于关键帧图像和非关键帧图像构成自动选帧数据集并采用机器学习算法训练自动选帧模型。
参阅附图3,图3示例性示出了自动分类模型的网络训练步骤。如图3所示,“自动分类模型”的网络训练步骤包括:
步骤S21:获取基于冠状动脉造影生成的DICOM影像。
步骤S22:读取DICOM影像中造影完全充盈、造影剂清晰可见以及处于舒张末期内的DICOM影像帧设为关键帧图像。
步骤S23:将关键帧图像按照血管类别分为LAD、LCX、RCA和OTHERS并分别赋予图像标签,以生成血管分类数据集。
具体地,血管类别LAD、LCX、RCA和OTHERS分别对应的图像标签为[1,0,0,0],[0,1,0,0],[0,0,1,0],[0,0,0,1]。同理在生成血管分类数据集时还可以包括对图像按照窗宽窗位进行图像大小调整的步骤,将图像调整为固定大小。
步骤S24:基于血管分类数据集并采用机器学习算法训练自动分类模型。
本实施还提供一种存储装置,其中存储有多条程序,该程序适于由处理器加载并执行以实现上述的基于DSA影像的冠脉自动化选帧分类推荐方法。
本实施例还提供一种控制装置,包括:处理器,适于执行各条程序;存储设备,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的基于DSA影像的冠脉自动化选帧分类推荐方法。
下面结合一具体实施例描述本发明提供的基于DSA影像的冠脉自动化选帧分类推荐方法的详细内容。
1、获取DSA影像
使用标准导管通过股骨或桡骨导管进行导管,并数字记录冠状动脉造影生成DICOM影像。使用匿名化工具,删除了DICOM格式的个人患者信息。
2、对DICOM影像进行标注
为了生成DICOM影像的关键帧图像以及类别标签,由临床医生专家组对血管造影序列进行读图,将造影剂完全充盈,造影剂清晰可见以及处于舒张末期内的DICOM影像帧作为关键帧图像,记录在数据记录表中,读图的同时按照适合重构的主血管类别将影像放到对应的文件夹中,按照血管类别分类的文件夹组织结构为LAD、LCX、RCA以及OTHERS,上一层级以病人为单位,将病人包含的所有DICOM影像按照规则分类到这四个文件夹中,具体规则如下:将造影剂清晰可见,角度和血管重叠程度适合重构的影像按照血管类别分别放入LAD、LCX、RCA三个文件夹中,将其余影像质量不高不适合重构的图像以及其他一些不是冠脉的图像,包括其他部位影像以及报告或者只有导丝的图像等放到OTHERS文件夹中。最终可利用的数据就包括以病人、血管类别、具体图像像的三级结构目录以及一个记录关键帧图像的数据记录表。
3、数据集构建
由于神经网络用到的训练数据是DICOM影像序列中的帧图像,因此需要在原始文件夹以及数据记录表的基础上进行数据集构建。首先需要构建用于训练寻找关键帧图像的数据,按照数据记录表中的关键帧序号提取对应图像,并按照一定规则选取非关键帧的影像,这里没有用到OTHERS文件夹中的数据。再次是构建用于训练分类推荐的数据,这里利用了所有四个文件夹中的数据,其中OTHERS中如果包含单张图像或者非DICOM影像数据则可以直接选用。
4、模型的构建及训练
模型的构建流程主要分为三步。
第一步,构建自动选帧数据集用于训练自动选帧模型。自动选帧数据集构建的具体细节包括,按照表格遍历文件数据,读入每帧图像并按照窗宽窗位进行调整,然后按照数据记录表中记录的关键帧图像序号提取对应的图像作为关键帧图像,对于非关键帧图像选取,分为三个部分,第一部分是造影剂未完全充盈的图像帧,定义为随机选取DICOM影像的前10帧中的一帧,第二部分是关键帧前的舒张期的图像帧,定义为随机选取从关键帧图像开始向前5帧中的一帧,第三部分是关键帧图像后的收缩期的图像帧,定义为随机选取关键帧图像后5帧中的一帧。将关键帧图像和非关键帧图像整理好后,按照关键帧图像为1,非关键帧图像为0的标签对每一张图像进行标记,生成自动选帧数据集。利用经典的神经网络结构对自动选帧数据集进行二分类模型的训练,输入统一为224×224大小的图像,输出为一个二分类概率值列表,两项之和为1。
第二步,构建血管分类数据集用于训练自动分类模型。血管分类数据集的构建需要在自动选帧数据集的基础上加入OTHERS类别,将选取到的图像按照LAD、LCX、RCA和OTHERS分别赋予[1,0,0,0],[0,1,0,0],[0,0,1,0],[0,0,0,1]作为图像标签,生成血管分类数据集。利用经典的神经网络结构对血管分类数据集进行四分类模型的训练,输入统一为224×224大小的图像,输出为一个四分类概率值列表,四项之和为1。
第三步,影像推荐方法中比例系数的参数配置。该参数确定所需的数据需要以病人为单位构建,需要筛选出病人所有的可以用于重构的图像数据,再按照图像质量给每个图像进行排序并给出最佳图像对,后续可以根据人工的排序作为参考调整比例系数。即在获取图像对后,计算影像对的概率响应值的均值以及成像角度差,利用公式(1)得到评分,最终按照得分数取最高的图像对作为最佳推荐的图像对。在此过程中,比例系数不断调整使得推荐方法计算的评分排序结果与实际排序相一致,完成比例系数的确定。
5、测试流程
给定一个病人的DICOM影像,利用训练好的自动分类模型对每个DICOM影像的每一帧进行预测,并给出每一帧的概率值,获取关键帧图像;对所有的关键帧图像,利用训练好的自动分类模型对图像进行分类,获取关键帧图像对应血管类别的概率响应值,按概率响应值排序组成图像对,利用公式(1)计算得分,将最高得分数的图像对提取出来,并推荐给医生。
至此,完成最佳图像对的推荐工作。
综上,本发明结合选帧、分类以及图像对推荐的实施流程,能够自动快速准确识别出冠脉DSA影像中的适合重构的图像对,降低医生选取影像的工作量,具有较高的临床应用价值。
本发明可以是方法、装置、***和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令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单元,从而生产出一种机器,使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
注意,除非另有直接说明,否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此,除非另有明确说明,否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下,进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头,该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
本领域的技术人员应理解,上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明,在没有背离所述原理下,本发明的实施方式可以有任何变形或修改。
最后应说明的是:以上各实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述各实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。
Claims (10)
1.一种基于DSA影像的冠脉自动化选帧分类推荐方法,其特征在于,所述方法包括:
获取待测DSA影像组并采用预先构建的自动选帧模型对所述待测DSA影像组中每个DICOM影像进行识别,以获取关键帧图像;
基于预先构建的自动分类模型对所述关键帧图像进行血管类型分类,以获取所述关键帧图像对应所述血管类别的概率响应值;
按所述概率响应值降序排列并从后往前每两个关键帧图像组成一图像对;
基于所述图像对所对应的所述概率响应值的均值以及所对应的影像对的成像角度差对所述影像帧图像对进行评分,并将评分最高的所述图像对进行推荐。
2.如权利要求1所述的基于DSA影像的冠脉自动化选帧分类推荐方法,其特征在于,自动选帧模型为二分类神经网络模型,所述自动分类模型为四分类神经网络模型,所述血管类别包括LAD、LCX、RCA和OTHERS,所述OTHERS为LAD、LCX、RCA之外的血管类别。
3.如权利要求2所述的基于DSA影像的冠脉自动化选帧分类推荐方法,其特征在于,所述“自动选帧模型”的网络训练步骤包括:
获取基于冠状动脉造影生成的DICOM影像;
将所述DICOM影像中造影完全充盈、造影剂清晰可见以及处于舒张末期内的DICOM影像帧设为关键帧图像,并形成数据记录表;
遍历所述数据记录表选取关键帧图像并将其标签设为1,选取非关键帧图像将其标签设为0;
基于所述关键帧图像和非关键帧图像构成自动选帧数据集并采用机器学习算法训练所述自动选帧模型。
4.如权利要求3所述的基于DSA影像的冠脉自动化选帧分类推荐方法,其特征在于,所述非关键帧图像包括随机选取的所述DICOM影像中前10帧中的一帧,所述关键帧图像向前5帧中的一帧,以及所述关键帧图像向后5帧中的一帧。
5.如权利要求2所述的基于DSA影像的冠脉自动化选帧分类推荐方法,其特征在于,所述“自动分类模型”的网络训练步骤包括:
获取基于冠状动脉造影生成的DICOM影像;
读取所述DICOM影像中造影完全充盈、造影剂清晰可见以及处于舒张末期内的DICOM影像帧设为关键帧图像;
将所述关键帧图像按照血管类别分为LAD、LCX、RCA和OTHERS并分别赋予[1,0,0,0],[0,1,0,0],[0,0,1,0],[0,0,0,1]的图像标签,以生成血管分类数据集;
基于所述血管分类数据集并采用机器学习算法训练所述自动分类模型。
6.如权利要求3或5所述的基于DSA影像的冠脉自动化选帧分类推荐方法,其特征在于,还包括对所述DICOM影像按照窗宽窗位调整对比度同时将DICOM影像调整固定大小的步骤。
7.如权利要求1所述的基于DSA影像组的冠脉自动化选帧分类推荐方法,其特征在于,“基于所述图像对所对应的所述概率响应值的均值以及所对应的影像对的成像角度差对所述影像帧图像对进行评分”的步骤包括:
按下式所示的推荐方法计算所述评分:
z=a×x+(1-a)×y
其中,z为评分值,a为预设的比例系数,x为图像对对应的概率响应值的均值,y图像对对应的角度差。
8.如权利要求7所述的基于DSA影像的冠脉自动化选帧分类推荐方法,确定所述a的步骤包括:
获取多个用于重构的图像对;
按照所述图像对的重构质量进行排序,以所述排序作为参考调整所述比例系数,使得所述推荐算法计算的评分排序结果与实际排序相一致。
9.一种存储装置,其中存储有多条程序,其特征在于,所述程序适于由处理器加载并执行以实现权利要求1-8中任一项所述的基于DSA影像的冠脉自动化选帧分类推荐方法。
10.一种控制装置,包括:
处理器,适于执行各条程序;
存储设备,适于存储多条程序;
其特征在于,所述程序适于由处理器加载并执行以实现权利要求1-8中任一项所述的基于DSA影像的冠脉自动化选帧分类推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211476593.XA CN115908330A (zh) | 2022-11-23 | 2022-11-23 | 基于dsa影像的冠脉自动化选帧分类推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211476593.XA CN115908330A (zh) | 2022-11-23 | 2022-11-23 | 基于dsa影像的冠脉自动化选帧分类推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115908330A true CN115908330A (zh) | 2023-04-04 |
Family
ID=86492869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211476593.XA Pending CN115908330A (zh) | 2022-11-23 | 2022-11-23 | 基于dsa影像的冠脉自动化选帧分类推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908330A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117711581A (zh) * | 2024-02-05 | 2024-03-15 | 深圳皓影医疗科技有限公司 | 一种自动添加书签的方法、***、电子设备及存储介质 |
-
2022
- 2022-11-23 CN CN202211476593.XA patent/CN115908330A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117711581A (zh) * | 2024-02-05 | 2024-03-15 | 深圳皓影医疗科技有限公司 | 一种自动添加书签的方法、***、电子设备及存储介质 |
CN117711581B (zh) * | 2024-02-05 | 2024-06-11 | 深圳皓影医疗科技有限公司 | 一种自动添加书签的方法、***、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2601608B1 (en) | Report authoring | |
US11389130B2 (en) | System and methods for fast computation of computed tomography based fractional flow reserve | |
US10657220B2 (en) | System and methods for medical reporting | |
KR20190071724A (ko) | 의료 이미지 해석을 위한 시스템 및 방법 | |
US10733727B2 (en) | Application of deep learning for medical imaging evaluation | |
CN110298844B (zh) | X光造影图像血管分割与识别方法及装置 | |
US20050209519A1 (en) | Hierarchical modeling in medical abnormality detection | |
Sharma et al. | Artificial intelligence in diagnostic imaging: status quo, challenges, and future opportunities | |
CA2467481A1 (en) | Image reporting method and system | |
US20170154167A1 (en) | A system and a related method for automatically selecting a hanging protocol for a medical study | |
EP3564963A1 (en) | System and methods for fast computation of computed tomography based fractional flow reserve | |
US20210056684A1 (en) | Medical image classification method and related device | |
US10558783B2 (en) | Image data ingestion application of a medical imaging data processing and retrieval system | |
US12002203B2 (en) | Systems and methods for assessing a likelihood of CTEPH and identifying characteristics indicative thereof | |
CN114078593A (zh) | 临床决策支持 | |
CN108492885A (zh) | 检查工作流推荐方法、装置及终端 | |
CN115908330A (zh) | 基于dsa影像的冠脉自动化选帧分类推荐方法及装置 | |
CN112074912A (zh) | 使用介入x射线图像和深度学习的交互式冠状动脉标记 | |
US20200294655A1 (en) | System and method to automatically prepare an attention list for improving radiology workflow | |
US20230334663A1 (en) | Development of medical imaging ai analysis algorithms leveraging image segmentation | |
AU2019204365C1 (en) | Method and System for Image Segmentation and Identification | |
EP4128255A1 (en) | Orchestration of medical report modules and image analysis algorithms | |
CN108984587B (zh) | 信息处理装置、信息处理方法、信息处理***和存储介质 | |
Labrecque Langlais et al. | Evaluation of stenoses using AI video models applied to coronary angiography | |
Popov et al. | Dataset for Automatic Region-based Coronary Artery Disease Diagnostics Using X-Ray Angiography Images |
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 |