CN116758050B - 用于颅内Wills环血管中心线盲补全的方法及产品 - Google Patents
用于颅内Wills环血管中心线盲补全的方法及产品 Download PDFInfo
- Publication number
- CN116758050B CN116758050B CN202310854540.5A CN202310854540A CN116758050B CN 116758050 B CN116758050 B CN 116758050B CN 202310854540 A CN202310854540 A CN 202310854540A CN 116758050 B CN116758050 B CN 116758050B
- Authority
- CN
- China
- Prior art keywords
- intracranial
- nodes
- graph
- data structure
- completion
- 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
- 238000007917 intracranial administration Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 39
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 29
- 230000000295 complement effect Effects 0.000 claims abstract description 23
- 230000002792 vascular Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 7
- 201000004569 Blindness Diseases 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000002490 cerebral effect Effects 0.000 abstract description 18
- 208000031481 Pathologic Constriction Diseases 0.000 abstract description 12
- 208000037804 stenosis Diseases 0.000 abstract description 12
- 230000036262 stenosis Effects 0.000 abstract description 12
- 206010010356 Congenital anomaly Diseases 0.000 abstract description 10
- 238000003745 diagnosis Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 9
- 206010053648 Vascular occlusion Diseases 0.000 description 8
- 208000021331 vascular occlusion disease Diseases 0.000 description 8
- 238000002583 angiography Methods 0.000 description 6
- 238000010968 computed tomography angiography Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 208000026106 cerebrovascular disease Diseases 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 208000019553 vascular disease Diseases 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000011218 segmentation Effects 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
- 239000013589 supplement Substances 0.000 description 1
- 230000001360 synchronised effect 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
- 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
- G06T2207/20—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)
- 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)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本披露公开了一种用于颅内Wills环血管中心线盲补全的方法及产品。该方法包括：从颅内影像中提取颅内血管中心线的节点及节点之间的连接信息；基于节点和连接信息构造颅内血管中心线的图数据结构；将图数据结构输入至图补全模型，其中图补全模型设置用于补全出包含完整Wills环的颅内血管中心线；以及输出经图补全模型处理后所获得的包含完整Wills环的颅内血管中心线。本披露实施例的方法可以通过已提取的颅内血管中心线的节点及节点之间的连接信息构造出图数据结构，从而利用图数据结构的丰富信息来补全出因颅内血管Wills环先天不完整和/或脑血管闭塞狭窄而缺失的血管中心线。
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颅内Wills环血管中心线盲补全的方法、电子设备及存储介质。
背景技术
颅内血管中心线是医学影像中的重要信息，对于脑血管疾病的诊断和治疗具有重要的意义。
然而，由于存在一定比例的人群的颅内Wills环先天不完整，另外，部分脑血管病患者还会存在脑血管闭塞狭窄等问题，因此目前的CT血管造影(CTA，CT Angiography)、数字减影血管造影(DSA，Digital Subtraction Angiography)及磁共振血管造影(MRA，Magnetic Resonance Angiography)等成像技术的医疗影像往往无法显示此类人群的完整颅内血管中心线，进而导致脑血管病筛查准确率较差。
而在进一步医学诊断之前，医生并无法明确患者是否有颅内Wills环先天不完整和/或脑血管闭塞狭窄等问题，因此直接基于CTA、DSA及MRA等医疗影像进行诊断容易导致误诊、漏诊等情况的发生。
有鉴于此，亟需提供一种颅内Wills环血管中心线盲补全方案，以便在不需要确认患者是否具有颅内Wills环先天不完整和/或脑血管闭塞狭窄等问题的情况下，对颅内的血管中心线进行补全，从而得到包含完整Wills环的颅内血管中心线，以提高脑血管病的诊断依据的可靠性。
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颅内Wills环血管中心线盲补全方案。
在第一方面中，本披露提供一种用于颅内Wills环血管中心线盲补全的方法包括：从颅内影像中提取颅内血管中心线的节点及节点之间的连接信息；基于节点和连接信息构造包含颅内血管中心线的图数据结构；将图数据结构输入至图补全模型，其中图补全模型设置用于补全出包含完整Wills环的颅内血管中心线；以及输出经图补全模型处理后所获得的包含完整Wills环的颅内血管中心线。
在一些实施例中，其中基于节点和连接信息构造包含颅内血管中心线的图数据结构包括：依据节点的坐标信息在图结构的对应位置添加节点；以及依据连接信息在图结构中添加连接节点的边，以获得包含颅内血管中心线的图数据结构。
在一些实施例中，其中从颅内影像中提取颅内血管中心线的节点及节点之间的连接信息包括：从颅内影像中分割出颅内血管影像；从颅内血管影像中提取颅内血管的三维网格数据；利用三维网格数据生成颅内血管中心线；以及从颅内血管中心线中提取颅内血管中心线的节点及节点之间的连接信息。
在一些实施例中，其中从颅内血管中心线中提取颅内血管中心线的节点及节点之间的连接信息包括：根据颅内血管中心线截取颅内血管中心线段；以及从颅内血管中心线段提取颅内血管中心线的节点及节点之间的连接信息。
在一些实施例中，其中图补全模型包括：基于图数据结构的图卷积神经网络模型，基于图数据结构的图卷积神经网络模型的输出数据包括：由预设数量的节点和连接预设数量的节点的边所构成的无向图数据结构。
在一些实施例中，其中将图数据结构输入至图补全模型包括：将图数据结构中的坐标信息归一化至预设坐标范围内，以获得预处理数据；以及将预处理数据输入至图补全模型；其中输出经图补全模型处理后所获得的包含完整Wills环的颅内血管中心线包括：获得图补全模型输出的补全数据；以及将补全数据中的坐标信息还原至原始坐标范围内，以获得包含完整Wills环的颅内血管中心线。
在一些实施例中，其中将图数据结构中的坐标信息归一化至预设坐标范围包括：根据图数据结构中的坐标信息计算坐标偏移量；以及利用坐标偏移量对图数据结构中的每一坐标信息进行变换，以得到图数据结构中的每一坐标信息所对应的预处理数据中的归一化坐标信息。
在一些实施例中，其中获得图补全模型输出的补全数据包括：利用图补全模型处理预处理数据中的归一化坐标信息和边信息，以获得补全数据中的补全坐标信息和补全边信息；其中将补全数据中的坐标信息还原至原始坐标范围内，以获得包含完整Wills环的颅内血管中心线包括：利用坐标偏移量对补全坐标信息进行逆变换，以得到还原坐标信息；以及基于还原坐标信息和补全边信息，构造补全后的包含完整Wills环的颅内血管中心线的图数据结构。
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，其存储有用于颅内Wills环血管中心线盲补全的程序指令，当用于颅内Wills环血管中心线盲补全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，其上存储有用于颅内Wills环血管中心线盲补全的计算机可读指令，用于颅内Wills环血管中心线盲补全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颅内Wills环血管中心线盲补全的方法，本披露实施例通过从颅内影像中提取颅内血管中心线的节点及节点之间的连接信息，并将其作为图补全模型待处理的图数据结构，从而利用图数据结构所包含的节点信息以及点之间的拓扑信息来补全因颅内Wills环先天不完整和/或脑血管闭塞狭窄而缺失的血管中心线。该方案无需提前判断Wills环是否完整以及脑血管是否断连、闭塞，仅需借助已有的血管中心线信息即可完成包含完整Wills环的颅内血管中心线的快速补全。
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颅内Wills环血管中心线盲补全方法的示例性流程图；
图2示出了本披露一些实施例的信息提取方法的示例性流程图；
图3示出了本披露另一些实施例的颅内Wills环血管中心线盲补全方法的示例性流程图；
图4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
颅内血管中心线是医学影像中的重要信息，对于脑血管疾病的诊断和治疗具有重要的意义。但鉴于部分人群的颅内血管Wills环先天不完整，以及部分脑血管病患者还会存在脑血管闭塞狭窄等问题，导致这些人群的CTA、DSA及MRA等成像技术的医疗影像往往无法显示完整颅内血管中心线，这给此类人群的脑血管病的诊断带来了一定阻碍。
目前为了降低误诊、漏诊的风险，医生通常会先对患者进行颅内血管Wills环先天不完整和/或脑血管闭塞狭窄等问题的筛查，并结合筛查结果和患者的三维医疗影像进行分析，整套诊断流程步骤繁多且效率不高。
示例性应用方案
有鉴于此，本披露实施例提供了一种颅内Wills环血管中心线盲补全方案，其通过已提取的颅内血管中心线的节点及节点之间的连接信息构造出图数据结构，从而利用图数据结构的丰富信息来补全因颅内Wills环先天不完整和/或脑血管闭塞狭窄而缺失的血管中心线，能够简化颅内Wills环先天不完整和脑血管闭塞狭窄问题的筛查环节，快速补全出包含完整Wills环的颅内血管中心线，进而提升脑血管疾病诊断的效率和准确性。
图1示出了本披露一些实施例的颅内Wills环血管中心线盲补全方法100的示例性流程图。
如图1所示，在步骤S101中，从颅内影像中提取颅内血管中心线的节点及节点之间的连接信息。
在本实施例中，位于颅内血管中心线上的点即为节点，颅内血管中心线上处于连接状态的两个点之间的连线则提供了节点之间的连接信息。
需要说明的是，本实施例对于颅内影像的成像方式并没有严格的限制，在实际应用中，该颅内影像可以包括但不限于以下成像技术所生成的三维医疗影像：CT血管造影、数字减影血管造影及磁共振血管造影。
可以理解的是，以上对于颅内影像的说明不构成对本披露的唯一限定。
在步骤S102中，基于节点和连接信息构造包含颅内血管中心线的图数据结构。
图数据结构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信息的集合，也称为边集合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)。
在实际生活中，很多领域的问题都可以使用基于图数据结构的模型进行建模求解，比如交通运输网、地铁网络、社交网络以及计算机中的状态执行等等。
在本实施例中，颅内血管中心线是一种稀疏且包含拓扑结构信息的数据，无论是已知的基于影像的数据结构还是基于点云的数据结构，均无法对血管中心线这种数据进行准确描述。而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信息，因此图数据结构既为拓扑结构信息的表达提供了基础，又能够满足颅内血管中心线需要高效表达稀疏数据结构的要求。
示例性地，本披露提供了一种适用于本实施例的图数据结构的构造方法，该方法的执行步骤具体包括：
依据节点的坐标信息在图结构的对应位置添加节点；
依据连接信息在图结构中添加连接节点的边，以获得包含颅内血管中心线的图数据结构。
在步骤S103中，将图数据结构输入至图补全模型。
在本实施例中，图补全模型设置用于补全出包含完整Wills环的颅内血管中心线。具体地，该图补全模型包括基于图数据结构的图卷积神经网络模型，图卷积神经网络模型是一种为了解决传统深度学习方法较适用于欧式空间数据，而不能很好地处理非欧式空间数据这一问题所衍生出的神经网络模型，图卷积神经网络模型与传统卷积神经网络类似，具有强大的特征学习能力，其能够将卷积操作应用到图数据结构上，用节点的特征对节点进行预测。
在实际应用时，本实施例可以采用PointTr模型或其他具有相同作用的基于图数据结构的图卷积神经网络模型，以处理步骤S102构造出的图数据结构，此处不作唯一限定。
在步骤S104中，输出经图补全模型处理后所获得的包含完整Wills环的颅内血管中心线。
由于步骤S103中的图补全模型处理的数据类型是由若干节点和若干边所构成的图数据结构，且颅内血管中心线中节点之间的连线不具备方向性，因此图补全模型的输出数据可以包括：由预设数量的节点和连接预设数量的节点的边所构成的无向图数据结构，例如由2048个节点和连接2048个节点的边构成的无向图数据结构。
在本实施例中，颅内影像中显示的是不完整的颅内血管中心线，即离散的若干孤立节点和若干线段。图补全模型会基于该若干孤立节点和若干线段，将图结构中节点的数量和边的数量补齐至预设数量，进而将因颅内Wills环先天不完整和/或脑血管闭塞狭窄问题而缺失的节点及边补全，生成包含完整Wills环的颅内血管中心线。
前文实施例示出的颅内Wills环血管中心线盲补全方法不需要提前确认患者是否具有颅内Wills环先天不完整和/或脑血管闭塞狭窄等问题，利用已提取的颅内血管中心线的节点信息和连接信息即可补全出缺失的颅内血管中心线，从而得到完整的颅内血管中心线，能够快速地为医生提供了更加可靠的诊断依据，有利于脑血管病的诊断。
为了尽可能地提取有效的节点信息和连接信息，从而给图补全模型提供更丰富和准确的输入数据，本披露的一些实施例提供了一种信息提取方法。
图2示出了本披露一些实施例的信息提取方法200的示例性流程图，可以理解，信息提取方法是前述步骤S101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，从颅内影像中分割出颅内血管影像。
在本实施例中，可以采用基于U-Net网络的血管分割模型对颅内影像进行处理，通过多层编码器所形成的主干特征提取网络获得多个初步血管特征，再利用多层解码器所形成的加强特征提取网络对获得的多个初步血管特征进行上采样，并且通过特征融合来获得一个最终的颅内血管影像。
在步骤S202中，从颅内血管影像中提取颅内血管的三维网格数据。
目前三维数据多采用三维点云数据point cloud或三维网格数据mesh来表示，其中三维网格数据在图形学和建模中被广泛使用，其可以用来模拟复杂物体的表面，例如建筑、车辆及人体等等。
在本实施例中，可以使用VTK的过滤器vtkContourFilter或过滤器vtkTriangleFilter从颅内血管影像中提取颅内血管的三维网格数据。
需要说明的是，上述关于三维网格数据的提取工具的描述仅是本披露为了便于本领域技术人员理解所给出的示例，不构成对本披露的唯一限定。
在步骤S203中，利用三维网格数据生成颅内血管中心线。
进一步地，步骤S203可以利用VMTK的centerline networks工具来从三维网格数据提取出颅内血管中心线。
在步骤S204中，从颅内血管中心线中提取颅内血管中心线的节点及节点之间的连接信息。
在本披露的另一些实施例中，为了提高图数据结构的构造效率，在步骤S204中，还可以先根据颅内血管中心线截取出若干颅内血管中心线段，接着，再通过分段提取的方式，从颅内血管中心线段提取颅内血管中心线的节点及节点之间的连接信息。
基于图2示出的信息提取方法，本披露可以提取出颅内血管中心线的节点及节点之间的连接信息，进而构造出包含颅内血管中心线的图数据结构，以供图补全模型依据其补全出包含完整Wills环的颅内血管中心线。
在本披露的一些实施例中，将图数据结构输入图补全模型时，需要对图数据结构中节点的坐标信息进行归一化处理，以提高图补全模型的泛化能力，提高图补全模型的收敛速度，有效降低出现梯度消失和梯度***的风险。
为了便于理解，下面结合图3对上述基于图补全模型的颅内Wills环血管中心线盲补全方法进行详尽说明，图3示出了本披露另一些实施例的颅内Wills环血管中心线盲补全方法300的示例性流程图。
如图3所示，在步骤S301中，将图数据结构中的坐标信息归一化至预设坐标范围内，以获得预处理数据。
示例性地，步骤S301的具体执行过程如下：
根据图数据结构中的坐标信息计算坐标偏移量；
利用坐标偏移量对图数据结构中的每一坐标信息进行变换，以得到图数据结构中的每一坐标信息所对应的预处理数据中的归一化坐标信息。
在本实施例中，坐标偏移量包括坐标均值和坐标标准差，其中坐标均值为基于图数据结构中的坐标信息所计算得到的均值，坐标标准差为基于图数据结构中的坐标信息所计算得到的标准差。
进一步地，以Pnew表示预处理数据中的归一化坐标信息，Porigin表示图数据结构中的坐标信息，Mean(Porigin)表示坐标均值，Std(Porigin)表示坐标标准差，则可以按照计算公式Pnew＝[Porigin-Mean(Porigin)]/Std(Porigin)来对图数据结构中的每一坐标信息进行变换，以将图数据结构中的坐标信息归一化至[-1,1]的范围内。
在步骤S302中，将预处理数据输入至图补全模型。
在本实施例中，图补全模型的模型类型和输出数据类型已经在前文实施例中进行了详尽描述，此处不再展开赘述。
并且，步骤S302中的预处理数据仍包含有颅内血管中心线的拓扑结构信息，与图数据结构相比，其区别仅在于坐标范围的变换，后续可以通过逆变换将坐标范围恢复至原始范围。
在步骤S303中，获得图补全模型输出的补全数据。
在本实施例中，图补全模型能够处理预处理数据中的归一化坐标信息和边信息，以获得补全数据中的补全坐标信息和补全边信息。其中补全数据中的补全坐标信息既包括前序步骤提取到的、已有的坐标信息，还包括图补全模型重新生成的、缺失部分的坐标信息。同理地，补全数据中的补全边信息既包括前序步骤已有的边信息，还包括图补全模型缺失部分的边信息。
在步骤S304中，将补全数据中的坐标信息还原至原始坐标范围内，以获得包含完整Wills环的颅内血管中心线。
由于图补全模型处理的是预处理数据中的归一化坐标信息和边信息，因此其输出的补全坐标信息仍处于[-1,1]的范围内。鉴于此，在步骤S304中，还需要利用坐标偏移量对补全坐标信息进行逆变换，以得到还原坐标信息，接着，基于还原坐标信息和补全边信息，构造补全后的包含完整Wills环的颅内血管中心线的图数据结构。
仍以Mean(Porigin)表示坐标均值，Std(Porigin)表示坐标标准差，以Pout表示补全坐标信息，Pcomp表示还原坐标信息，则可以按照计算公式Pcomp＝Pout*Std(Porigin)+Mean(Porigin)来对补全坐标信息进行逆变换。
综上，本披露提供了一种用于颅内Wills环血管中心线盲补全的方法，其通过从颅内影像中提取颅内血管中心线的节点及节点之间的连接信息，来形成已有的颅内血管中心线的图数据结构，接着通过图补全模型处理该图数据结构，以补全因颅内Wills环先天不完整和/或脑血管闭塞狭窄而缺失的血管中心线。该方法既无需预先判断Wills环是否完整，也无需提前识别脑血管是否存在断连、闭塞的问题，大大提高了完整颅内血管中心线的补全效率。
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4所示的电子设备。图4示出了本披露实施例的电子设备400的示例性结构框图。
图4所示的电子设备400，包括：处理器410；以及存储器420，存储器420上存储有用于颅内Wills环血管中心线盲补全的程序指令，当所述用于颅内Wills环血管中心线盲补全的程序指令由所述处理器410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4的电子设备400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400还可以包括与图4中所示的组成元素不同的常见组成元素。
处理器410可以控制电子设备400的操作。例如，处理器410通过执行电子设备400上的存储器420中存储的程序，来控制电子设备400的操作。处理器410可以由电子设备400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410可以按任何适当的方式实现。例如，处理器410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420可以用于存储电子设备400中处理的各种数据、指令的硬件。例如，存储器420可以存储电子设备400中的处理过的数据和待处理的数据。存储器420可存储处理器410已处理或要处理的数据集。此外，存储器420可以存储要由电子设备400驱动的应用、驱动程序等。例如：存储器420可以存储与将由处理器410执行的节点提取、图像分割及三维网格数据构建等有关的各种程序。存储器420可以是DRAM，但是本披露不限于此。存储器420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420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400的存储器420和处理器410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)，其上存储有用于颅内Wills环血管中心线盲补全的计算机程序指令(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，例如对本披露的方法实施例中步骤的执行时序进行调整或修改等等。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)
1.一种用于颅内Wills环血管中心线盲补全的方法，其特征在于，包括：
从颅内影像中提取颅内血管中心线的节点及节点之间的连接信息；
基于所述节点和所述连接信息构造包含颅内血管中心线的图数据结构；
将所述图数据结构输入至图补全模型，其中所述图补全模型包括基于图数据结构的图卷积神经网络模型，其设置用于补全出包含完整Wills环的颅内血管中心线；以及
输出经所述图补全模型处理后所获得的包含完整Wills环的颅内血管中心线，其包括由预设数量的节点和连接所述预设数量的节点的边所构成的无向图数据结构。
2.根据权利要求1所述的方法，其特征在于，其中基于所述节点和所述连接信息构造所述包含颅内血管中心线的图数据结构包括：
依据所述节点的坐标信息在图结构的对应位置添加节点；以及
依据所述连接信息在所述图结构中添加连接所述节点的边，以获得所述包含颅内血管中心线的图数据结构。
3.根据权利要求1所述的方法，其特征在于，其中从颅内影像中提取颅内血管中心线的节点及节点之间的连接信息包括：
从所述颅内影像中分割出颅内血管影像；
从所述颅内血管影像中提取颅内血管的三维网格数据；
利用所述三维网格数据生成所述颅内血管中心线；以及
从所述颅内血管中心线中提取所述颅内血管中心线的节点及节点之间的连接信息。
4.根据权利要求3所述的方法，其特征在于，其中从所述颅内血管中心线中提取所述颅内血管中心线的节点及节点之间的连接信息包括：
根据所述颅内血管中心线截取颅内血管中心线段；以及
从所述颅内血管中心线段提取所述颅内血管中心线的节点及节点之间的连接信息。
5.根据权利要求1所述的方法，其特征在于，其中将所述图数据结构输入至图补全模型包括：
将所述图数据结构中的坐标信息归一化至预设坐标范围内，以获得预处理数据；以及
将所述预处理数据输入至所述图补全模型；
其中输出经所述图补全模型处理后所获得的包含完整Wills环的颅内血管中心线包括：
获得所述图补全模型输出的补全数据；以及
将所述补全数据中的坐标信息还原至原始坐标范围内，以获得包含完整Wills环的颅内血管中心线。
6.根据权利要求5所述的方法，其特征在于，其中将所述图数据结构中的坐标信息归一化至预设坐标范围包括：
根据所述图数据结构中的坐标信息计算坐标偏移量；以及
利用所述坐标偏移量对所述图数据结构中的每一坐标信息进行变换，以得到所述图数据结构中的每一坐标信息所对应的所述预处理数据中的归一化坐标信息。
7.根据权利要求6所述的方法，其特征在于，其中获得所述图补全模型输出的补全数据包括：
利用所述图补全模型处理所述预处理数据中的归一化坐标信息和边信息，以获得所述补全数据中的补全坐标信息和补全边信息；
其中将所述补全数据中的坐标信息还原至原始坐标范围内，以获得包含完整Wills环的颅内血管中心线包括：
利用所述坐标偏移量对所述补全坐标信息进行逆变换，以得到还原坐标信息；以及
基于所述还原坐标信息和所述补全边信息，构造补全后的包含完整Wills环的颅内血管中心线的图数据结构。
8.一种电子设备，其特征在于，包括：
处理器；以及
存储器，其存储有用于颅内Wills环血管中心线盲补全的程序指令，当所述用于颅内Wills环血管中心线盲补全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，其上存储有用于颅内Wills环血管中心线盲补全的计算机可读指令，所述用于颅内Wills环血管中心线盲补全的计算机可读指
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 |
|---|---|---|---|
| CN202310854540.5A CN116758050B (zh) | 2023-07-12 | 2023-07-12 | 用于颅内Wills环血管中心线盲补全的方法及产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310854540.5A CN116758050B (zh) | 2023-07-12 | 2023-07-12 | 用于颅内Wills环血管中心线盲补全的方法及产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116758050A CN116758050A (zh) | 2023-09-15 |
| CN116758050B true CN116758050B (zh) | 2024-06-21 |
Family
ID=87960961
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310854540.5A Active CN116758050B (zh) | 2023-07-12 | 2023-07-12 | 用于颅内Wills环血管中心线盲补全的方法及产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116758050B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110517279B (zh) * | 2019-09-20 | 2022-04-05 | 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 |
| CN113034425B (zh) * | 2019-12-25 | 2024-05-28 | 阿里巴巴集团控股有限公司 | 数据处理方法、设备及存储介质 |
| CN112419276B (zh) * | 2020-11-25 | 2023-12-05 | 苏州润迈德医疗科技有限公司 | 调节血管轮廓及中心线的方法及存储介质 |
| WO2022148415A1 (zh) * | 2021-01-08 | 2022-07-14 | 杭州深睿博联科技有限公司 | 冠脉血管分割方法、装置、设备及计算机可读存储介质 |
| CN112862759B (zh) * | 2021-01-19 | 2023-06-23 | 杭州深睿博联科技有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
| CN112862884A (zh) * | 2021-01-21 | 2021-05-28 | 北京科技大学 | 一种基于图割和断裂补全的血管提取方法 |
| CN113436166A (zh) * | 2021-06-24 | 2021-09-24 | 深圳市铱硙医疗科技有限公司 | 基于磁共振血管造影数据的颅内动脉瘤检测方法及*** |
| CN114565592A (zh) * | 2021-12-08 | 2022-05-31 | 深圳科亚医疗科技有限公司 | 一种对医学图像进行血管分割的方法、装置及介质 |
| CN114399594A (zh) * | 2021-12-28 | 2022-04-26 | 深圳先进技术研究院 | 一种基于中心线提取的血管壁影像自动曲面重建方法 |
| CN115439533A (zh) * | 2022-07-27 | 2022-12-06 | 杭州脉流科技有限公司 | 获得颅内动脉瘤在血管分段位置的方法、计算机设备、可读存储介质和程序产品 |
| CN116091702A (zh) * | 2023-02-20 | 2023-05-09 | 中国医学科学院生物医学工程研究所 | 血管结构重建方法、装置、设备和存储介质 |
-
2023
- 2023-07-12 CN CN202310854540.5A patent/CN116758050B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116758050A (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111429421B (zh) | 模型生成方法、医学图像分割方法、装置、设备及介质 | |
| US20200320697A1 (en) | Method, system, and device for lung lobe segmentation, model training, model construction and segmentation | |
| CN111696089B (zh) | 一种动静脉确定方法、装置、设备和存储介质 | |
| CN113012155B (zh) | 髋关节图像中骨骼分割方法、电子设备及存储介质 | |
| CN108022251B (zh) | 一种管状结构的中心线的提取方法及*** | |
| Teng et al. | Neuro-fuzzy logic based fusion algorithm of medical images | |
| CN111127482A (zh) | 基于深度学习的ct影像肺气管的分割方法及*** | |
| KR102119057B1 (ko) | 골절 진단모델의 학습 방법 및 장치 | |
| CN110210519B (zh) | 分类方法、计算机设备和存储介质 | |
| CN111161269A (zh) | 图像分割方法、计算机设备和可读存储介质 | |
| CN111028248A (zh) | 一种基于ct图像的静动脉分离方法及装置 | |
| CN112070752A (zh) | 一种医学图像的心耳分割方法、装置及存储介质 | |
| CN110188813B (zh) | 图像特征分类方法、计算机设备和存储介质 | |
| CN116758050B (zh) | 用于颅内Wills环血管中心线盲补全的方法及产品 | |
| CN111209946B (zh) | 三维图像处理方法、图像处理模型训练方法及介质 | |
| CN115860067B (zh) | 生成对抗网络训练方法、装置、计算机设备及存储介质 | |
| 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 | |
| CN111161240A (zh) | 血管分类方法、计算机设备和可读存储介质 | |
| Wu et al. | Pneumothorax segmentation in routine computed tomography based on deep neural networks | |
| CN111507999A (zh) | 一种基于fdsst算法的目标追踪方法及装置 | |
| CN112837283B (zh) | 一种肺栓塞检测***、介质及电子设备 | |
| CN111507455A (zh) | 神经网络***生成方法和装置、图像处理方法和电子设备 | |
| CN111899263B (zh) | 图像分割方法、装置、计算机设备及存储介质 | |
| CN112116606B (zh) | 脑肿瘤图像分割方法、***及计算机可读存储介质 | |
| CN113989186A (zh) | 血管影像中血管结构或形态异常的检测方法及相关产品 |
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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: Room 2301, 23rd Floor, Building 3, No. 2 Ronghua South Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing, 100176 Applicant after: UNION STRONG (BEIJING) TECHNOLOGY Co.,Ltd. Address before: 100176 901, building 3, yard 2, Ronghua South Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant before: UNION STRONG (BEIJING) TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |