CN116740049B - 用于盲补连头颈胸血管中心线的方法、设备及存储介质 - Google Patents
用于盲补连头颈胸血管中心线的方法、设备及存储介质 Download PDFInfo
- Publication number
- CN116740049B CN116740049B CN202310855690.8A CN202310855690A CN116740049B CN 116740049 B CN116740049 B CN 116740049B CN 202310855690 A CN202310855690 A CN 202310855690A CN 116740049 B CN116740049 B CN 116740049B
- Authority
- CN
- China
- Prior art keywords
- data structure
- head
- neck
- graph data
- local
- 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 45
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 64
- 210000000038 chest Anatomy 0.000 claims abstract description 56
- 210000000115 thoracic cavity Anatomy 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000001502 supplementing effect Effects 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims 1
- 230000000295 complement effect Effects 0.000 abstract description 13
- 230000000302 ischemic effect Effects 0.000 abstract description 8
- 208000006011 Stroke Diseases 0.000 abstract description 7
- 206010008190 Cerebrovascular accident Diseases 0.000 abstract description 6
- 208000031481 Pathologic Constriction Diseases 0.000 abstract description 6
- 230000002490 cerebral effect Effects 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 208000037804 stenosis Diseases 0.000 abstract description 6
- 230000036262 stenosis Effects 0.000 abstract description 6
- 208000024891 symptom Diseases 0.000 abstract description 6
- 206010057469 Vascular stenosis Diseases 0.000 description 8
- 206010053648 Vascular occlusion Diseases 0.000 description 7
- 208000021331 vascular occlusion disease Diseases 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 208000026106 cerebrovascular disease Diseases 0.000 description 3
- 239000002872 contrast media Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000002583 angiography Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 210000003739 neck Anatomy 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010968 computed tomography angiography Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (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)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本披露公开了一种用于盲补连头颈胸血管中心线的方法、设备及存储介质。该方法包括:获取头颈胸血管的局部中心线;将局部中心线转换成无向图数据结构;以及利用图补全模型处理局部中心线的无向图数据结构,以获得头颈胸血管全局中心线的无向图数据结构。本披露实施例通过将局部中心线转换成无向图数据结构,为图补全模型提供了稀疏数据结构和拓扑结构信息等丰富的参考依据,使得图补全模型能够完成局部中心线的精准补全,输出完整可靠的头颈胸血管全局中心线,进而为头颈胸血管狭窄、闭塞等症状的准确识别提供了可靠的依据,有利于提高缺血性脑卒中的诊断准确度。
Description
技术领域
本披露一般涉及医疗影像处理技术领域。更具体地,本披露涉及一种用于盲补连头颈胸血管中心线的方法、设备及存储介质。
背景技术
缺血性脑卒中是一种常见的脑血管疾病,其主要发病原因包括血管狭窄、闭塞以及动脉粥样硬化等。目前的临床诊断中,通常将头颈胸血管狭窄、闭塞等指标作为缺血性脑卒中的诊断依据,而头颈胸血管狭窄、闭塞等指标通常需要借助头胸颈血管中心线进行血管半径等指标的计算,进而辅助判断患者的医疗影像中是否出现头颈胸血管狭窄、闭塞等症状。
然而,在脑卒中领域,特别是缺血性脑血管疾病的诊断时,常常伴随着患者血管闭塞、血管狭窄以及造影剂不足等等问题。受此影响,患者的医疗影像中往往无法识别到完整的头颈胸血管中心线,进而影响血管狭窄程度、血管闭塞程度等影响手术方案规划指标的计算,从而导致缺血性脑卒中诊断准确率的下降。
有鉴于此,亟需提供一种头颈胸血管中心线盲补连方案,以便补全连接头颈胸血管局部中心线中缺失的中心线部分,从而得到头颈胸完整无断连的血管中心线,以利于提高对识别头颈胸血管狭窄率、血管闭塞长度等指标的准确率。
发明内容
为了至少解决如上所提到的一个或多个技术问题,本披露在多个方面中提出了头颈胸血管中心线盲补连方案。
在第一方面中,本披露提供一种用于盲补连头颈胸血管中心线的方法包括:获取头颈胸血管的局部中心线;将局部中心线转换成无向图数据结构;以及利用图补全模型处理局部中心线的无向图数据结构,以获得头颈胸血管全局中心线的无向图数据结构。
在一些实施例中,其中位于局部中心线上的点为节点,并且将局部中心线转换成无向图数据结构包括:根据节点之间的连接关系构造连接节点的边;以及基于节点及用于连接节点的边生成局部中心线的无向图数据结构。
在一些实施例中,其中获取头颈胸血管的局部中心线包括:获取头颈胸血管的三维医疗影像;利用图像分割模型从三维医疗影像分割出头颈胸血管分割图;根据头颈胸血管分割图构建头颈胸血管的三维网格数据;以及基于头颈胸血管的三维网格数据提取出头颈胸血管的局部中心线。
在一些实施例中,其中将局部中心线转换成无向图数据结构之前,该方法还包括:从局部中心线中截取头颈胸血管的中心线段;从头颈胸血管的中心线段中提取位于局部中心线上的点;以及基于头颈胸血管的中心线段,获取位于局部中心线上的点之间的连接关系。
在一些实施例中,图补全模型包括基于图数据结构的图卷积神经网络模型,其中利用图补全模型处理局部中心线的无向图数据结构包括:将局部中心线的无向图数据结构输入至基于图数据结构的图卷积神经网络模型;以及基于局部中心线的无向图数据结构中的第一数量的节点和边生成头颈胸血管全局中心线的无向图数据结构中的第二数量的节点和边,其中第二数量大于第一数量。
在一些实施例中,其中在利用图补全模型处理局部中心线的无向图数据结构之前,该方法还包括:对局部中心线的无向图数据结构中节点的坐标信息进行归一化处理;其中利用图补全模型处理局部中心线的无向图数据结构包括:利用图补全模型处理归一化处理后的局部中心线的无向图数据结构,以输出补全后的无向图数据结构;以及对补全后的无向图数据结构中节点的坐标信息反归一化处理,以获得头颈胸血管全局中心线的无向图数据结构。
在一些实施例中,其中对局部中心线的无向图数据结构中节点的坐标信息进行归一化处理包括:根据局部中心线的无向图数据结构中节点的坐标信息计算第一坐标偏差量和第二坐标偏差量;以及将局部中心线的无向图数据结构中节点的坐标信息减去第一坐标偏差量所得差值除以第二坐标偏差量,以得到归一化处理后的局部中心线的无向图数据结构。
在一些实施例中,其中第一坐标偏差量为局部中心线的无向图数据结构中节点的坐标信息的均值,第二坐标偏差量为局部中心线的无向图数据结构中节点的坐标信息的标准差。
在第二方面中,本披露提供一种电子设备包括:处理器;以及存储器,其存储有用于盲补连头颈胸血管中心线的程序指令,当该用于盲补连头颈胸血管中心线的程序指令由处理器执行时,使得电子设备实现如第一方面任意一项的方法。
在第三方面中,本披露提供一种计算机可读存储介质,其上存储有用于盲补连头颈胸血管中心线的计算机可读指令,用于盲补连头颈胸血管中心线的计算机可读指令被一个或多个处理器执行时,实现如第一方面任意一项的方法。
通过如上所提供的用于盲补连头颈胸血管中心线的方法,本披露实施例通过将局部中心线转换成无向图数据结构,利用无向图数据结构这种能够高效描述稀疏数据结构,又能提供拓扑结构信息的数据结构来表征已经提取到的局部中心线,从而为图补全模型提供更丰富和准确的参考依据。图补全模型基于丰富和准确的参考依据能够完成精准补全,输出完整、可靠的头颈胸血管全局中心线,以供进行头颈胸血管狭窄、闭塞等症状的准确识别。
附图说明
通过参考附图阅读下文的详细描述,本披露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披露的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1示出了本披露一些实施例的头颈胸血管中心线盲补连方法的示例性流程图;
图2示出了本披露一些实施例的无向图数据结构的构造方法的示例性流程图;
图3示出了本披露一些实施例的分段构造方法的示例性流程图;
图4示出了本披露一些实施例的头颈胸血管的局部中心线的提取方法的示例性流程图;
图5示出了本披露一些实施例的头颈胸血管中心线盲补连方法的执行示意图;
图6示出了本披露一些实施例的归一化处理方法的示例性流程图;
图7示出了本披露实施例的电子设备的示例性结构框图。
具体实施方式
下面将结合本披露实施例中的附图,对本披露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披露一部分实施例,而不是全部的实施例。基于本披露中的实施例,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,都属于本披露保护的范围。
应当理解,本披露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,在此本披露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,而并不意在限定本披露。如在本披露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,在本披露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]”。
下面结合附图来详细描述本披露的具体实施方式。
示例性应用场景
在目前的临床诊断中,通常将头颈胸血管狭窄、闭塞等症状作为缺血性脑卒中的诊断依据。通常情况下,医生会依据头胸颈血管半径等指标来判断头颈胸血管是否具有狭窄、闭塞的症状,而头胸颈血管半径的准确计算有赖于精准完整的头胸颈血管中心线,因此,头颈胸血管中心线的完整度是保障缺血性脑卒中诊断准确度的关键。
然而,对于具有缺血性脑血管疾病的患者而言,受到血管闭塞、血管狭窄以及造影剂不足等因素的影响,患者的医疗影像中往往无法呈现完整的头颈胸血管中心线,这对缺血性脑卒中的诊断造成了一定的阻碍。
示例性应用方案
有鉴于此,本披露实施例提供了一种头颈胸血管中心线盲补连方案,其通过将局部中心线转换成无向图数据结构,为图补全模型提供了稀疏数据结构和拓扑结构信息等丰富的参考依据,使得图补全模型能够完成局部中心线的精准补全,输出完整可靠的头颈胸血管全局中心线。
图1示出了本披露一些实施例的头颈胸血管中心线盲补连方法100的示例性流程图。
如图1所示,在步骤S101中,获取头颈胸血管的局部中心线。在本实施例中,部分患者的头颈胸血管中心线因受到血管闭塞、血管狭窄以及造影剂不足等问题的影响,存在部分缺失的头颈胸血管中心线,导致三维医疗影像仅能够呈现离散分布的头颈胸血管的局部中心线。进一步地,该离散分布的头颈胸血管的局部中心线可以包括若干离散的孤立点和/或若干中心线段。
在步骤S102中,将局部中心线转换成无向图数据结构。下面就无向图数据结构做简单的介绍,以有助于对本披露方案的理解。
如本领域技术人员所知,图Graph是一种非线性的数据结构,其可以由两个集合构成,其中一个集合是非空但元素数量有限的节点集合V,另一个集合则是用于描述节点之间连接关系的集合,也被称为边集合E,因此图数据结构可以被描述为如下一种数据集合G=(V,E)。
根据边的方向性,图数据结构可以分为无向图数据结构和有向图数据结构。在本实施例中,由于无向图数据结构描述的是头颈胸血管的局部中心线,在头颈胸血管中心线上,两点之间的连线是不具备方向性的,因此可以将头颈胸血管的局部中心线转换成无向图数据结构。
在本实施例中,头颈胸血管中心线是一种稀疏且包含拓扑结构信息的数据,已知的基于影像的数据结构和基于点云的数据结构都无法对头颈胸血管中心线这种数据进行准确描述。而无向图数据结构既包含节点信息,又包含节点和节点之间的连接关系,因此无向图数据结构既为拓扑结构信息的表达提供了基础,又能够满足头颈胸血管中心线需要高效表达稀疏数据结构的要求。
在步骤S103中,利用图补全模型处理局部中心线的无向图数据结构,以获得头颈胸血管全局中心线的无向图数据结构。
在本实施例中,图补全模型可以采用基于图数据结构的图卷积神经网络模型。具体来说,将局部中心线的无向图数据结构输入至基于图数据结构的图卷积神经网络模型之后,该模型将基于局部中心线的无向图数据结构中的第一数量的节点和边生成头颈胸血管全局中心线的无向图数据结构中的第二数量的节点和边。
在本实施例中,步骤S103中的图补全模型是基于局部中心线中已有的节点集合和边集合,生成缺失部分的中心线的节点集合和边集合。这样的操作相当于图补全模型在原有的无向图数据结构上增加新的节点和新的边,以形成头颈胸血管全局中心线的无向图数据结构。因此,就数量而言,上文第二数量的节点和边将多于第一数量的节点和边。
在本实施例中,输入图补全模型的无向图数据结构中的节点和边的数量是浮动的,例如一个无向图数据结构中最多可以包括2048个相连节点,最少可以包括32个孤立节点。本实施例中的图补全模型可以设置成输出具有2048个相连节点的无向图数据结构,由此形成头颈胸血管全局中心线的无向图数据结构。
由于无向图数据结构由节点集合和边集合构成,因此将局部中心线转换成无向图数据结构的过程可以理解为局部中心线中节点和边的提取过程,该过程具体可以如图2所示。
图2示出了本披露一些实施例的无向图数据结构的构造方法200的示例性流程图,可以理解,无向图数据结构的构造方法是前述步骤S102中的一种具体实现,因此前文结合图1描述的特征可以类似地应用于此。
如图2所示,在步骤S201中,将位于局部中心线上的点确定为节点。在本实施例中,位于局部中心线上的点既可以为孤立点,也可以存在另一点与之相连。
在步骤S202中,根据节点之间的连接关系构造连接节点的边。作为示例,局部中心线可以包括若干中心线段,这些中心线段能够提供已有节点之间的连接关系,从而便于构造出连接节点的边。
在步骤S203中,基于节点及用于连接节点的边生成局部中心线的无向图数据结构。步骤S203根据上述节点和构造出的边,可以形成表征该局部中心线的无向图数据结构,从而为图补全模型执行补全操作提供丰富的参考依据。
进一步地,附加地或可选地,在前文实施例的步骤S102或步骤S201之前,可以对获取到的头颈胸血管的局部中心线进行分段,从而减少单次提取节点和节点之间的连接关系的工作量。
为了便于理解,下面结合图3对局部中心线的无向图数据结构的分段构造方法进行说明,图3示出了本披露一些实施例的分段构造方法300的示例性流程图。
如图3所示,在步骤S301中,从局部中心线中截取头颈胸血管的中心线段。如前所述,此处的头颈胸血管的局部中心线可以包括若干离散的孤立点和若干中心线段。在一些实施例中,可以直接将该若干中心线段作为截取的中心线段。在另一些实施例中,也可以设置一个线段长度阈值,对长度超过该线段长度阈值的中心线段进行二次截取。
在步骤S302中,从头颈胸血管的中心线段中提取位于局部中心线上的点。可以理解的是,该位于局部中心线上的点即为局部中心线的无向图数据结构中的节点。
在步骤S303中,基于头颈胸血管的中心线段,获取位于局部中心线上的点之间的连接关系。在本实施例中,根据点之间的连接关系可以构造出连接两点的边,进而形成局部中心线的无向图数据结构。
在步骤S304中,构造局部中心线的无向图数据结构。
在本实施例中,步骤S304可以采用图2示出的无向图数据结构的构造方法,该方法已经在图2所示的实施例中进行了详细的说明,此处不再赘述。
前文实施例介绍了如何将头颈胸血管的局部中心线转换成无向图数据结构。在本披露中,获取到的头颈胸血管的局部中心线越准确完整,无向图数据结构提供的信息则约准确丰富,基于图补全模型所得的头颈胸血管全局中心线也越准确完整,因此本披露中提供了一种头颈胸血管的局部中心线的提取方法,其可以基于大量的头颈胸血管的三维医疗影像来提取更加准确完整的头颈胸血管的局部中心线。
图4示出了本披露一些实施例的头颈胸血管的局部中心线的提取方法400的示例性流程图,可以理解,头颈胸血管的局部中心线的提取方法是前述步骤S101中的一种具体实现,因此前文结合图1描述的特征可以类似地应用于此。
如图4所示,在步骤S401中,获取头颈胸血管的三维医疗影像。
在本实施例中,头颈胸血管的三维医疗影像可以包括以下一种或多种成像技术的医疗影像:CT血管造影、数字减影血管造影及磁共振血管造影。除上述三种成像技术以外,其他血管造影成像技术也适用于本披露,此处不再展开。
在步骤S402中,利用图像分割模型从三维医疗影像分割出头颈胸血管分割图。
示例性地,本实施例可以使用基于U-Net网络、UNet++网络或U2Net网络的血管分割模型完成头颈胸血管分割图的分割操作,因此本披露在此方面不作任何的限制。因此,在实际应用时,也可以使用除了前述示例以外的分割模型完成分割操作,此处不再展开赘述。
在步骤S403中,根据头颈胸血管分割图构建头颈胸血管的三维网格数据。示例性地,在本实施例中,可以使用VTK的过滤器vtkContourFilter或过滤器vtkTriangleFilter完成头颈胸血管的三维网格数据的构建。
在步骤S404,基于头颈胸血管的三维网格数据提取出头颈胸血管的局部中心线。示例性地,在本实施例中,可以使用VMTK的centerline networks工具,以基于头颈胸血管的三维网格数据提取出头颈胸血管的局部中心线。
需要说明的是,以上提取得到的头颈胸血管的局部中心线以及基于其转换的无向图数据结构中,节点的坐标信息均处于原始坐标范围内,这会导致图补全模型出现梯度消失和梯度***的风险。
为了提高图补全模型的泛化能力,提高图补全模型的收敛速度,降低出现梯度消失和梯度***的风险,本披露的一些实施例提供了一种如图5所示的头颈胸血管中心线盲补连方法500,图5示出了本披露一些实施例的头颈胸血管中心线盲补连方法500的执行示意图。
如图5所示,局部中心线的无向图数据结构需要先经过数据预处理之后,再输入至图补全模型,图补全模型的输出结果再经过数据后处理,形成头颈胸血管全局中心线的无向图数据结构。
在一些实施例中,该数据预处理包括:节点的坐标信息的归一化处理;该数据后处理包括:节点的坐标信息的反归一化处理。其中归一化处理指的是将节点的坐标信息统一至[-1,1]的坐标范围内,反归一化处理则是将节点的坐标信息统一至还原至原始坐标范围内。
基于上述数据预处理和数据后处理的具体实现方式,本披露的一种头颈胸血管中心线盲补连过程具体如下。
首先,对局部中心线的无向图数据结构中节点的坐标信息进行归一化处理。接着,利用图补全模型处理归一化处理后的局部中心线的无向图数据结构,以输出补全后的无向图数据结构;此后,对补全后的无向图数据结构中节点的坐标信息反归一化处理,以获得头颈胸血管全局中心线的无向图数据结构。
下面对节点的坐标信息的归一化处理过程进行说明,图6示出了本披露一些实施例的归一化处理方法600的示例性流程图。
如图6所示,在步骤S601中,根据局部中心线的无向图数据结构中节点的坐标信息计算第一坐标偏差量和第二坐标偏差量。
在本实施例中,第一坐标偏差量为局部中心线的无向图数据结构中节点的坐标信息的均值Mean(P0),第二坐标偏差量为局部中心线的无向图数据结构中节点的坐标信息的标准差Std(P0)。
在步骤S602中,将局部中心线的无向图数据结构中节点的坐标信息减去第一坐标偏差量所得差值除以第二坐标偏差量,以得到归一化处理后的局部中心线的无向图数据结构。
具体地,可以按照以下公式计算归一化处理后的坐标信息:
其中,P1表示归一化处理后的坐标信息,P0表示局部中心线的无向图数据结构中节点的坐标信息。
与之相应地,用于对无向图数据结构中节点的坐标信息反归一化处理的计算公式如下:
P3=P2×Std(P0)+Mean(P0);
其中,P2表示补全的无向图数据结构中节点的坐标信息,P3表示头颈胸血管全局中心线的无向图数据结构中节点的坐标信息。
综上,本披露提供了一种用于头颈胸血管中心线盲补连的方法,其利用无向图数据结构这种能够高效描述稀疏数据结构,又能提供拓扑结构信息的数据结构来表征已经提取到的局部中心线,从而为图补全模型提供更丰富和准确的参考依据,并进一步利用图补全模型来基于该丰富和准确的参考依据完成局部中心线的补连,以得到完整可靠的头颈胸血管全局中心线,从而提高对识别头颈胸血管狭窄、闭塞等症状时的准确率。
另外,本披露提供的方法还通过坐标信息归一化来提高图补全模型的泛化能力,提高图补全模型的收敛速度,从而有效降低图补全模型出现梯度消失和梯度***的风险。
与前述功能性实施例相对应地,本披露实施例中还提供了一种如图7所示的电子设备。图7示出了本披露实施例的电子设备700的示例性结构框图。
图7所示的电子设备700,包括:处理器710;以及存储器720,存储器720上存储有用于盲补连头颈胸血管中心线的程序指令,当所述用于盲补连头颈胸血管中心线的程序指令由所述处理器710来执行时,使得所述电子设备实现如前文所述的任一项方法。
在图7的电子设备700中,仅示出了与本实施例有关的组成元素。因此,对于本领域普通技术人员而言显而易见的是:电子设备700还可以包括与图7中所示的组成元素不同的常见组成元素。
处理器710可以控制电子设备700的操作。例如,处理器710通过执行电子设备700上的存储器720中存储的程序,来控制电子设备700的操作。处理器710可以由电子设备700中提供的中央处理单元(CPU)、应用处理器(AP)、人工智能处理器芯片(IPU)等来实现。然而,本披露不限于此。在本实施方式中,处理器710可以按任何适当的方式实现。例如,处理器710可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。
存储器720可以用于存储电子设备700中处理的各种数据、指令的硬件。例如,存储器720可以存储电子设备700中的处理过的数据和待处理的数据。存储器720可存储处理器710已处理或要处理的数据集。此外,存储器720可以存储要由电子设备700驱动的应用、驱动程序等。例如:存储器720可以存储与将由处理器710执行的节点识别、图像分割等有关的各种程序。存储器720可以是DRAM,但是本披露不限于此。存储器720可以包括易失性存储器或非易失性存储器中的至少一种。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、闪存、相变RAM(PRAM)、磁性RAM(MRAM)、电阻RAM(RRAM)、铁电RAM(FRAM)等。易失性存储器可以包括动态RAM(DRAM)、静态RAM(SRAM)、同步DRAM(SDRAM)、PRAM、MRAM、RRAM、铁电RAM(FeRAM)等。在实施例中,存储器720可以包括硬盘驱动器(HDD)、固态驱动器(SSD)、高密度闪存(CF)、安全数字(SD)卡、微安全数字(Micro-SD)卡、迷你安全数字(Mini-SD)卡、极限数字(xD)卡、高速缓存(caches)或记忆棒中的至少一项。
综上,本说明书实施方式提供的电子设备700的存储器720和处理器710实现的具体功能,可以与本说明书中的前述实施方式相对照解释,并能够达到前述实施方式的技术效果,这里便不再赘述。
或者,本披露还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质),其上存储有用于盲补连头颈胸血管中心线的计算机程序指令(或计算机程序、或计算机指令代码),当所述用于盲补连头颈胸血管中心线的计算机程序指令(或计算机程序、或计算机指令代码)被电子设备(或电子设备、服务器等)的处理器执行时,使所述处理器执行根据本披露的上述方法的各个步骤的部分或全部。
虽然本文已经示出和描述了本披露的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式来提供。本领域技术人员可以在不偏离本披露思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本披露的过程中,可以采用对本文所描述的本披露实施例的各种替代方案。所附权利要求书旨在限定本披露的保护范围,并因此覆盖这些权利要求范围内的等同或替代方案。
Claims (9)
1.一种用于盲补连头颈胸血管中心线的方法,其特征在于,包括:
获取头颈胸血管的局部中心线;
将所述局部中心线转换成无向图数据结构;
将所述局部中心线的无向图数据结构输入至基于图数据结构的图卷积神经网络模型;以及
基于所述局部中心线的无向图数据结构中的第一数量的节点和边生成头颈胸血管全局中心线的无向图数据结构中的第二数量的节点和边,以获得所述头颈胸血管全局中心线的无向图数据结构,其中所述第二数量大于所述第一数量。
2.根据权利要求1所述的方法,其特征在于,其中位于所述局部中心线上的点为节点,并且将所述局部中心线转换成无向图数据结构包括:
根据所述节点之间的连接关系构造连接所述节点的边;以及
基于所述节点及用于连接节点的边生成所述局部中心线的无向图数据结构。
3.根据权利要求1所述的方法,其特征在于,其中获取头颈胸血管的局部中心线包括:
获取头颈胸血管的三维医疗影像;
利用图像分割模型从所述三维医疗影像分割出头颈胸血管分割图;
根据所述头颈胸血管分割图构建所述头颈胸血管的三维网格数据;以及
基于所述头颈胸血管的三维网格数据提取出所述头颈胸血管的局部中心线。
4.根据权利要求1或2所述的方法,其特征在于,其中将所述局部中心线转换成无向图数据结构之前,所述方法还包括:
从所述局部中心线中截取所述头颈胸血管的中心线段;
从所述头颈胸血管的中心线段中提取位于局部中心线上的点;以及
基于所述头颈胸血管的中心线段,获取所述位于局部中心线上的点之间的连接关系。
5.根据权利要求1所述的方法,其特征在于,其中在将所述局部中心线的无向图数据结构输入至基于图数据结构的图卷积神经网络模型之前,所述方法还包括:
对所述局部中心线的无向图数据结构中节点的坐标信息进行归一化处理;
其中基于所述局部中心线的无向图数据结构中的第一数量的节点和边生成头颈胸血管全局中心线的无向图数据结构中的第二数量的节点和边,以获得所述头颈胸血管全局中心线的无向图数据结构包括:
利用基于图数据结构的图卷积神经网络模型处理归一化处理后的所述局部中心线的无向图数据结构,以输出补全后的无向图数据结构;以及
对所述补全后的无向图数据结构中节点的坐标信息反归一化处理,以获得所述头颈胸血管全局中心线的无向图数据结构。
6.根据权利要求5所述的方法,其特征在于,其中对所述局部中心线的无向图数据结构中节点的坐标信息进行归一化处理包括:
根据所述局部中心线的无向图数据结构中节点的坐标信息计算第一坐标偏差量和第二坐标偏差量;以及
将所述局部中心线的无向图数据结构中节点的坐标信息减去所述第一坐标偏差量所得差值除以所述第二坐标偏差量,以得到归一化处理后的所述局部中心线的无向图数据结构。
7.根据权利要求6所述的方法,其特征在于,其中所述第一坐标偏差量为所述局部中心线的无向图数据结构中节点的坐标信息的均值,所述第二坐标偏差量为所述局部中心线的无向图数据结构中节点的坐标信息的标准差。
8.一种电子设备,其特征在于,包括:
处理器;以及
存储器,其存储有用于盲补连头颈胸血管中心线的程序指令,当所述用于盲补连头颈胸血管中心线的程序指令由所述处理器执行时,使得所述电子设备实现如权利要求1-7任意一项所述的方法。
9.一种计算机可读存储介质,其上存储有用于盲补连头颈胸血管中心线的计算机可读指令,所述用于盲补连头颈胸血管中心线的计算机可读指令被一个或多个处理器执行时,实现如权利要求1-7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310855690.8A CN116740049B (zh) | 2023-07-12 | 2023-07-12 | 用于盲补连头颈胸血管中心线的方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310855690.8A CN116740049B (zh) | 2023-07-12 | 2023-07-12 | 用于盲补连头颈胸血管中心线的方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116740049A CN116740049A (zh) | 2023-09-12 |
CN116740049B true CN116740049B (zh) | 2024-02-27 |
Family
ID=87904572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310855690.8A Active CN116740049B (zh) | 2023-07-12 | 2023-07-12 | 用于盲补连头颈胸血管中心线的方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116740049B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108022251A (zh) * | 2017-12-14 | 2018-05-11 | 北京理工大学 | 一种管状结构的中心线的提取方法及*** |
CN109448004A (zh) * | 2018-10-26 | 2019-03-08 | 强联智创(北京)科技有限公司 | 一种基于中心线的颅内血管图像的截取方法及*** |
CN109919904A (zh) * | 2018-12-29 | 2019-06-21 | 北京理工大学 | 一种x射线造影图像的血管拓扑结构分析方法及装置 |
CN110517279A (zh) * | 2019-09-20 | 2019-11-29 | 北京深睿博联科技有限责任公司 | 头颈血管中心线提取方法及装置 |
CN113160189A (zh) * | 2021-04-27 | 2021-07-23 | 中国科学院深圳先进技术研究院 | 血管中心线提取方法、装置、设备及存储介质 |
CN113255844A (zh) * | 2021-07-06 | 2021-08-13 | 中国传媒大学 | 基于图卷积神经网络交互的推荐方法及*** |
CN113297975A (zh) * | 2021-05-25 | 2021-08-24 | 新东方教育科技集团有限公司 | 表格结构识别的方法、装置、存储介质及电子设备 |
WO2021208739A1 (zh) * | 2020-11-25 | 2021-10-21 | 平安科技(深圳)有限公司 | 眼底彩照图像血管评估方法、装置、计算机设备和介质 |
CN114299057A (zh) * | 2021-12-31 | 2022-04-08 | 上海联影医疗科技股份有限公司 | 血管中心线的提取方法和存储介质 |
CN114972220A (zh) * | 2022-05-13 | 2022-08-30 | 北京医准智能科技有限公司 | 一种图像处理方法、装置、电子设备及可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11625614B2 (en) * | 2018-10-23 | 2023-04-11 | The Regents Of The University Of California | Small-world nets for fast neural network training and execution |
US11343325B2 (en) * | 2020-08-31 | 2022-05-24 | Adobe Inc. | Systems and methods for estimating typed graphlets in large data |
-
2023
- 2023-07-12 CN CN202310855690.8A patent/CN116740049B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108022251A (zh) * | 2017-12-14 | 2018-05-11 | 北京理工大学 | 一种管状结构的中心线的提取方法及*** |
CN109448004A (zh) * | 2018-10-26 | 2019-03-08 | 强联智创(北京)科技有限公司 | 一种基于中心线的颅内血管图像的截取方法及*** |
CN109919904A (zh) * | 2018-12-29 | 2019-06-21 | 北京理工大学 | 一种x射线造影图像的血管拓扑结构分析方法及装置 |
CN110517279A (zh) * | 2019-09-20 | 2019-11-29 | 北京深睿博联科技有限责任公司 | 头颈血管中心线提取方法及装置 |
WO2021208739A1 (zh) * | 2020-11-25 | 2021-10-21 | 平安科技(深圳)有限公司 | 眼底彩照图像血管评估方法、装置、计算机设备和介质 |
CN113160189A (zh) * | 2021-04-27 | 2021-07-23 | 中国科学院深圳先进技术研究院 | 血管中心线提取方法、装置、设备及存储介质 |
CN113297975A (zh) * | 2021-05-25 | 2021-08-24 | 新东方教育科技集团有限公司 | 表格结构识别的方法、装置、存储介质及电子设备 |
CN113255844A (zh) * | 2021-07-06 | 2021-08-13 | 中国传媒大学 | 基于图卷积神经网络交互的推荐方法及*** |
CN114299057A (zh) * | 2021-12-31 | 2022-04-08 | 上海联影医疗科技股份有限公司 | 血管中心线的提取方法和存储介质 |
CN114972220A (zh) * | 2022-05-13 | 2022-08-30 | 北京医准智能科技有限公司 | 一种图像处理方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (3)
Title |
---|
A framework for hierarchical division of retinal vascular networks;Linfang Yu等;《Neurocomputing》;第392卷;221-232 * |
李杰等.《生物信息学数据分析与实践》.哈尔滨工业大学出版社,2021,(第1版),142. * |
骨架图引导的级联视网膜血管分割网络;姜大光等;《工程科学学报》;第43卷(第9期);1244-1252 * |
Also Published As
Publication number | Publication date |
---|---|
CN116740049A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021520568A (ja) | 組織結節検出方法及びそのモデルトレーニング方法、装置、機器、システム、並びにそのコンピュータプログラム | |
CN111429421B (zh) | 模型生成方法、医学图像分割方法、装置、设备及介质 | |
US9786058B2 (en) | Method and system for segmentation of vascular structure in a volumetric image dataset | |
WO2014196069A1 (ja) | 画像処理装置および画像処理方法 | |
EP3807839B1 (en) | Deformity edge detection | |
CN110600107B (zh) | 医学图像的筛选方法、计算机设备及可读存储介质 | |
WO2022032824A1 (zh) | 图像分割方法、装置、设备及存储介质 | |
WO2021104061A1 (zh) | 一种肝脏变形预测方法、***及电子设备 | |
CN111652849B (zh) | 血流参数计算结果获取方法、装置、设备和*** | |
CN108898578B (zh) | 一种医疗图像的处理方法、装置及计算机存储介质 | |
CN112150473A (zh) | 基于ct的三维颌骨图像分割建模方法、装置及终端设备 | |
JP6344039B2 (ja) | 画像表示装置、画像表示方法及びプログラム | |
JP5925576B2 (ja) | 画像処理装置、画像処理方法 | |
CN115526833A (zh) | 基于超声影像的射血分数计算装置、方法、介质及设备 | |
CN116740049B (zh) | 用于盲补连头颈胸血管中心线的方法、设备及存储介质 | |
CN114708282A (zh) | 图像分割方法及其装置、电子设备和计算机可读存储介质 | |
CN111986242B (zh) | 脑组织分区的确定方法、装置、存储介质及电子设备 | |
CN113362291A (zh) | 用于获取图像中目标物的方法和相关产品 | |
CN111091504A (zh) | 图像偏差场矫正方法、计算机设备和存储介质 | |
CN112541900A (zh) | 基于卷积神经网络的检测方法、装置、计算机设备及存储介质 | |
CN116758050B (zh) | 用于颅内Wills环血管中心线盲补全的方法及产品 | |
KR102592346B1 (ko) | 영상 분할 장치 및 방법 | |
KR102468493B1 (ko) | 사이클 일관성을 가진 뉴럴 네트워크를 이용한 비지도 학습 기반 영상 정합 방법 및 그 장치 | |
JP6634186B2 (ja) | 画像処理システム及び画像処理方法 | |
CN111507981A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 |
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 |