CN117710358A - 医学影像数据处理方法、医学影像设备和电子装置 - Google Patents
医学影像数据处理方法、医学影像设备和电子装置 Download PDFInfo
- Publication number
- CN117710358A CN117710358A CN202311826362.1A CN202311826362A CN117710358A CN 117710358 A CN117710358 A CN 117710358A CN 202311826362 A CN202311826362 A CN 202311826362A CN 117710358 A CN117710358 A CN 117710358A
- Authority
- CN
- China
- Prior art keywords
- image
- analysis
- structural
- functional
- analysis data
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 100
- 230000002159 abnormal effect Effects 0.000 claims abstract description 81
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 66
- 238000010191 image analysis Methods 0.000 claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000007488 abnormal function Effects 0.000 claims description 13
- 230000036770 blood supply Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000002059 diagnostic imaging Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 230000002792 vascular Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000002308 calcification Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003727 cerebral blood flow Effects 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003703 image analysis method Methods 0.000 description 2
- 125000003473 lipid group Chemical group 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000010412 perfusion Effects 0.000 description 2
- 230000008344 brain blood flow Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000006496 vascular abnormality Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及一种医学影像数据处理方法、医学影像设备和电子装置,其中,该医学影像数据处理方法包括:基于第一影像分析,得到目标部位的结构像的第一分析数据;基于第二影像分析,得到目标部位的功能像的第二分析数据;至少对第一分析数据和第二分析数据进行结合检测,得到目标部位的异常血管区域。其能够实现对结构像的分析数据,和功能像的分析数据的结合,进而基于结构像和功能像的结合进一步实现异常血管检测,从而能够提高检测结果的准确度。
Description
技术领域
本申请涉及医学影像数据技术领域,特别是涉及医学影像数据处理方法、医学影像设备和电子装置。
背景技术
在针对脑血管的影像学分析中,往往是使用单一的影像学分析手段,对单一的影像信息独立进行分析。例如,单独使用结构像分析中的血管分析、斑块检测对结构像信息进行单独分析,或是单独使用功能像分析脑区的功能信息。因而,医学影像数据的分析和检测结果往往受到单一信息的限制,从而导致异常血管检测结果的准确度较低的问题。
针对相关技术中存在对单一医学影像数据实现异常血管检测的准确度较低的问题,目前还没有提出有效的解决方案。
发明内容
在本实施例中提供了一种医学影像数据处理方法、医学影像设备和电子装置,以解决相关技术中单一医学影像数据实现异常血管检测的准确度较低的问题。
第一个方面,在本实施例中提供了一种医学影像数据处理方法,包括:
基于第一影像分析,得到目标部位的结构像的第一分析数据;
基于第二影像分析,得到所述目标部位的功能像的第二分析数据;
至少对所述第一分析数据和所述第二分析数据进行结合检测,得到所述目标部位的异常血管区域。
在其中的一些实施例中,所述第一分析数据为异常斑块信息;所述第二分析数据为异常功能信息;所述至少对所述第一分析数据和所述第二分析数据进行结合检测,得到所述目标部位中的异常血管区域,包括:
将所述异常斑块信息、所述异常功能信息、以及所述目标部位的供血关系信息进行结合,确定所述目标部位的异常血管区域。
在其中的一些实施例中,所述第一分析数据为结构像特征;所述第二分析数据为功能像特征;所述至少对所述第一分析数据和所述第二分析数据进行结合检测,得到所述目标部位的异常血管区域,包括:
将所述结构像特征和所述功能像特征输入预设的分析模型,得到所述目标部位的异常血管区域。
在其中的一些实施例中,将所述结构像特征和所述功能像特征输入预设的分析模型,得到所述目标部位的异常血管区域,包括:
将不同所述结构像特征的结构像权值、不同所述结构像特征、不同所述功能像特征的功能像权值、以及不同所述功能像特征,输入所述预设的分析模型,得到所述目标部位的异常血管区域。
在其中的一些实施例中,所述方法还包括:
对所述结构像和所述功能像进行配准,得到配准关系;
基于所述配准关系,联动输出所述结构像和所述功能像。
第二个方面,在本实施例中提供了一种医学影像设备,包括处理器和显示器;其中:
所述处理器用于执行上述第一个方面所述的医学影像数据处理方法;
所述显示器用于显示目标部位的异常血管区域。
在其中的一些实施例中,所述显示器还用于在第一显示区域显示结构像,同时在第二显示区域显示功能像。
在其中的一些实施例中,所述显示器用于在所述第一显示区域显示所述结构像,同时基于所述结构像与所述功能像的配准关系,在所述第二显示区域联动显示所述功能像。
在其中的一些实施例中,所述显示器还用于在第三显示区域显示所述目标部位的供血关系信息。
第三个方面,在本实施例中提供了一种电子装置,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一个方面所述的医学影像数据处理方法。
与相关技术相比,在本实施例中提供的医学影像数据处理方法、医学影像设备和电子装置,基于第一影像分析,得到目标部位的结构像的第一分析数据;基于第二影像分析,得到目标部位的功能像的第二分析数据;至少对第一分析数据和第二分析数据进行结合检测,得到目标部位的异常血管区域,其能够实现对结构像的分析数据,和功能像的分析数据的结合,进而基于结构像和功能像的结合进一步实现异常血管检测,从而能够提高检测结果的准确度。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本实施例的医学影像数据处理方法的终端的硬件结构框图;
图2是本实施例的医学影像数据处理方法的流程图;
图3是本申请实施例的一种医学影像数据处理方法的流程图;
图4是本申请实施例的又一种医学影像数据处理方法的流程图;
图5是本实施例医学影像设备的结构示意图;
图6是本实施例的一种应用于显示器的显示界面示意图;
图7是本实施例的又一种应用于显示器的显示界面示意图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点,下面结合附图和实施例,对本申请进行了描述和说明。
除另作定义外,本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制,它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体,其目的是涵盖不排他的包含;例如,包含一系列步骤或模块(单元)的过程、方法和***、产品或设备并未限定于列出的步骤或模块(单元),而可包括未列出的步骤或模块(单元),或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接,而可以包括电气连接,无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A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。通常情况下,字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等,只是对相似对象进行区分,并不代表针对对象的特定排序。
在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行,图1是本实施例的医学影像数据处理方法的终端的硬件结构框图。如图1所示,终端可以包括一个或多个(图1中仅示出一个)处理器102和用于存储数据的存储器104,其中,处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述终端的结构造成限制。例如,终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示出的不同配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如在本实施例中的医学影像数据处理方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(NetworkInterface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种医学影像数据处理方法,图2是本实施例的医学影像数据处理方法的流程图,如图2所示,该流程包括如下步骤:
步骤S210,基于第一影像分析,得到目标部位的结构像的第一分析数据。
其中,目标部位可以是完成医学成像的人体组织部位,例如头颈部位。目标部位的结构像可以通过对目标部位进行结构磁共振成像(sMRI)来获得。第一影像分析是指任意一种或多种结构像分析,包括但不限于血管中心线提取、管壁分割、以及血管参数计算。其中血管参数可以包括管腔、管壁、血管成分的面积、面积占比以及负荷参数等。血管中心线提取可以通过深度学习方法结合路径追踪方法来实现。管壁分割可以通过沿血管中心线重建得到的2D横截面,使用卷积神经网络获得管腔管壁的分割结果,以及血管斑块的成分的分割结果。另外第一影像分析还可以包括内外轮廓分割。
步骤S220,基于第二影像分析,得到目标部位的功能像的第二分析数据。
目标部位的功能像可以通过对目标部位进行功能成像来获得。例如测量神经元活动,以及测量神经元活动的血流动力学或代谢信息。针对功能像的第二影像分析包括但不限于使用通用的灌注模型计算方法,或者灌注参数的计算,计算脑血流量CBF、大脑基线CBV、平均通过时间MTT、达峰时间TTP以及残留曲线的达峰时间Tmax等功能参数。
步骤S230,至少对第一分析数据和第二分析数据进行结合检测,得到目标部位的异常血管区域。
本实施例对目标部位的结构像的第一分析数据,和目标部位的功能像的第二分析数据进行综合处理,以检测得到最终目标部位的异常血管区域。其中,异常血管区域可以为目标部位的血管中存在结构异常的斑块区域。例如,在第一分析数据包括结构像中分割得到目标部位的异常斑块时,第二分析数据包括目标部位的异常功能信息时,可以根据第一分析数据、第二分析数据结合先验的目标部位的供血关系,定位目标部位的异常血管区域。
又例如,在第一分析数据包括若干结构像特征,第二分析数据包括若干功能像特征时,可以基于上述不同的结构像特征和功能像特征,计算目标部位的异常血管区域。此外,还可以综合其他的结构像分析方法和功能像分析方法,确定目标部位的异常血管区域,在此不再赘述。
基于此,本实施例能够综合结构像的第一分析数据和功能像的第二分析数据,相比于相关技术中单独基于结构像分析或单独基于功能像分析实现异常血管区域检测而言,本实施例能够提高异常血管区域检测的准确度。
上述步骤S210至步骤S230,基于第一影像分析,得到目标部位的结构像的第一分析数据;基于第二影像分析,得到目标部位的功能像的第二分析数据;至少对第一分析数据和第二分析数据进行结合检测,得到目标部位的异常血管区域。其能够实现对结构像的分析数据,和功能像的分析数据的结合,进而基于结构像和功能像的结合进一步实现异常血管检测,从而能够提高检测结果的准确度。
其中,在一个实施例中,基于上述步骤S230,第一分析数据为异常斑块信息;第二分析数据为异常功能信息;至少对第一分析数据和第二分析数据进行结合检测,得到目标部位中的异常血管区域,包括:
将异常斑块信息、异常功能信息、以及目标部位的供血关系信息进行结合,确定目标部位的异常血管区域。
具体地,通过对结构像分析,确定目标部位的异常斑块信息。通过对功能像分析,确定目标部位的异常功能信息,之后,再结合目标部位先验的供血关系信息,以此确定目标部位的异常血管区域。其中,异常斑块信息可以为从结构像中识别到的,目标部位的血管中结构异常的斑块,例如基于结构像确定存在侵蚀、破裂或者钙化的斑块。异常功能信息可以为通过功能像分析测量目标部位的电磁活动时,表现异常的组织区域。此外,还可以在得到异常斑块信息和异常功能信息之后,连同目标部位的供血关系一并在医学影像设备的显示界面提供给使用者进行查看分析。
通过基于结构像分析确定异常斑块信息,基于功能像分析确定异常功能信息,进而结合异常斑块信息、异常功能信息以及供血关系,能够准确识别目标部位的异常血管区域。因而,本实施例能够提高异常血管区域识别的准确度。
另外地,在一个实施例中,基于上述步骤S230,第一分析数据为结构像特征;第二分析数据为功能像特征;至少对第一分析数据和第二分析数据进行结合检测,得到目标部位的异常血管区域,具体可以包括:
将结构像特征和功能像特征输入预设的分析模型,得到目标部位的异常血管区域。
其中,结构像特征包括但不限于钙化特征、脂质核心特征、标准化管壁指数等;功能像特征包括但不限于脑血流量CBF、大脑基线CBV以及激活模式不匹配MisMatch等特征。可以使用单一的结构像特征和功能像特征确定异常血管区域,也可以使用多种结构像特征和多种功能像特征确定异常血管区域。上述分析模型可以为任意一种用于特征处理分析的数学模型,例如概率模型。此外,也可以使用神经网络模型进行训练得到。
基于此,本实施例能够通过分析模型对结构像特征和功能像特征进行结合分析,进而确定目标部位的异常血管区域,相比于通过单一的结构像分析或单一的功能像分析来进行血管异常检测的方式而言,本实施例能够提高最终结果的准确度。
进一步地,在一个实施例中,将结构像特征和功能像特征输入预设的分析模型,得到目标部位的异常血管区域,具体可以包括:
将不同结构像特征的结构像权值、不同结构像特征、不同功能像特征的功能像权值、以及不同功能像特征,输入预设的分析模型,得到目标部位的异常血管区域。
其中,可以根据不同结构像特征与异常血管区域的关联性大小,为不同的结构像特征赋予大小不同的结构像权值。同理,根据不同功能像特征与异常血管区域的关联性大小,为不同的功能像特征赋予大小不同的功能像权值。如此,将不同的结构像特征结合其各自的结构像权值,不同的功能像特征结合其各自的功能像权值,输入预设的分析模型进行处理,从而定位目标部位中的异常血管区域。示例性地,分析模型可以基于下式实现:
其中,p为最终计算出的目标部位的异常血管区域的概率,n表示结构像特征的总数,m表示功能像特征的总数,ai表示计算得到的第i种结构像特征的分数,ri表示第i种结构像特征的结构像权重,bj表示第j种功能像特征的分数,wj表示第j种功能像特征的权重。x表示结构像分析的权重,y表示功能像分析的权重。
示例性地,如下表所示,可以根据实际应用场景,为不同的结构像特征的分数赋予不同的结构特征权重,为不同的功能像特征的分数赋予不同的功能特征权重,进而通过概率模型确定异常血管区域。
表一
结构像权重 | 结构像特征分数 | 结构像特征 |
r1 | a1 | 钙化 |
r2 | a2 | 脂质核心 |
r3 | a3 | 标准化管壁指数 |
... | ... | ... |
表二
功能像权重 | 功能像特征分数 | 功能像特征 |
w1 | b1 | 脑血流量 |
w2 | b2 | 大脑基线 |
w3 | b3 | 激活模式不匹配 |
... | ... | ... |
基于此,本实施例通过结合不同的结构像特征,为不同的结构像特征分配不同的结构像权重,结合不同的功能像特征,为不同的功能像特征分配不同的功能像权重,从而能够进一步提高异常血管区域定位的准确度。
此外,在一个实施例中,上述医学影像数据处理方法,还可以包括:
对结构像和功能像进行配准,得到配准关系;基于配准关系,联动输出结构像和功能像。
具体地,基于结构像的初始坐标和方向,和功能像的初始坐标和方向,对结构像和功能像在空间位置上进行刚性配准,从而实现结构像与功能像在位置上的对齐,以此,对于结构像中的一个位置,利用配准关系,能够从功能像中确定一个对应的位置,从而实现对结构像和功能像的联动输出。其中,既可以基于结构像和功能像的配准关系,实现结构像和功能像的联动显示;又可以基于该配准关系,对结构像和功能像进行联合分析。
本实施例通过对结构像和功能像进行配准,能够便于用户对结构像分析结果和功能像分析结果进行联动分析和查看,从而提高后续对目标部位进行血管分析的效率和体验。
图3是本申请实施例的一种医学影像数据处理方法的流程图。如图3所示,该医学影像数据处理方法包括如下步骤:
步骤S301,获取头颈部位的头颈血管的结构像;
步骤S302,获取头颈部位的脑区的功能像;
步骤S303,对结构像和功能像进行配准,得到配准关系;
步骤S304,基于上述配准关系,对结构像和功能像进行联合显示;
步骤S305,对结构像进行影像分析,确定管壁斑块、进行成分分割,确定异常斑块区域;执行步骤S307;
步骤S306,对功能像进行影像分析,确定异常脑区组织;执行步骤S307;
步骤S307,基于步骤S305、步骤S306,结合头颈部位先验的供血关系,确定异常血管区域。
上述步骤S301至步骤S307,通过对结构像和功能像进行配准,实现了结构像和功能像的联合显示,基于对结构像和功能像各自的影像分析,实现了对异常血管区域的定位,从而能够提高异常血管区域检测的准确度。
图4是本申请实施例的又一种医学影像数据处理方法的流程图。如图4所示,该医学影像数据处理方法包括如下步骤:
步骤S401,获取头颈部位的头颈血管的结构像;
步骤S402,获取头颈部位的脑区的功能像;
步骤S403,对结构像和功能像进行配准,得到配准关系;
步骤S404,基于上述配准关系,对结构像和功能像进行联合显示;
步骤S405,对结构像进行影像分析,提取不同的结构像特征;
步骤S406,对功能像进行影像分析,提取不同的功能像特征;
步骤S407,利用概率模型,对不同的结构像特征、不同结构像特征各自的结构像权重、不同的功能像特征、不同功能像特征各自的功能像权重进行计算,确定异常血管区域。
上述步骤S401至步骤S407,通过对结构像和功能像进行配准,实现了结构像和功能像的联合显示,基于对结构像和功能像各自的特征提取,联合概率模型实现了对异常血管区域的定位,从而能够提高异常血管区域检测的准确度。
在本实施例中还提供了一种医学影像设备,图5为本实施例医学影像设备的结构示意图。如图5所示,该医学影像设备包括处理器51和显示器52。其中,处理器51用于执行上述任意实施例提供的医学影像数据处理方法;显示器52用于显示目标部位的异常血管区域。
具体地,在一个实施例中,上述处理器51用于基于第一影像分析,得到目标部位的结构像的第一分析数据;基于第二影像分析,得到目标部位的功能像的第二分析数据;至少对第一分析数据和第二分析数据进行结合检测,得到目标部位的异常血管区域。
在一个实施例中,上述处理器51用于根据异常斑块信息、异常功能信息、以及目标部位的供血关系信息,确定目标部位的异常血管区域。
在一个实施例中,上述处理器51用于将结构像特征和功能像特征输入预设的分析模型,得到目标部位的异常血管区域。
在一个实施例中,上述处理器51用于将不同结构像特征的结构像权值、不同结构像特征、不同功能像特征的功能像权值、以及不同功能像特征,输入预设的分析模型,得到目标部位的异常血管区域。
在一个实施例中,上述处理器51用于对结构像和功能像进行配准,得到配准关系;基于配准关系,联动输出结构像和功能像。
上述医学影像设备,能够实现对结构像的分析数据,和功能像的分析数据的结合,进而基于结构像和功能像的结合进一步实现异常血管检测,从而能够提高检测结果的准确度。
此外,在一个实施例中,上述显示器52还用于在第一显示区域显示结构像,同时在第二显示区域显示功能像。
其中,在一个实施例中,上述显示器52还用于在第一显示区域显示结构像,同时基于结构像与功能像的配准关系,在第二显示区域联动显示功能像。
其中,图6为本实施例的一种应用于显示器52的显示界面示意图。如图6所示,在显示器52的显示界面中,可以划分两个显示区域,例如划分为左右两个显示区域,其中左边的显示区域521为第一显示区域,右边的显示区域522为第二显示区域。在左边的显示区域521显示目标部位的结构像,并基于结构像和功能像的配准关系,在右边的显示区域522联动显示目标部位的功能像。
可以理解地,还可以基于其他的排列方式在显示界面呈现上述两种显示区域,例如上下排列,或者将其中一种显示区域缩放到另一种显示区域内。本实施例对此不作具体限定。由此,本实施例能够在同一显示界面联动显示结构像和功能像,便于用于同时观察结构像和功能像,提升后续分析效率。
另外地,在一个实施例中,显示器52还用于在第三显示区域显示目标部位的供血关系信息。
其中,图7为本实施例的又一种应用于显示器52的显示界面示意图。如图7所示,在图6的基础上,在显示器52的显示界面中,在第一显示区域521和第二显示区域522之间,还增加了第三显示区域523。在第一显示区域521显示结构像、第二显示区域522显示功能像的同时,在第三显示区域523显示目标部位的供血关系信息。
此外,除图7所示的排列方式,还可以基于其他任意的排列方式在显示界面呈现上述三种显示区域,本实施例在此不作具体限定。由此,本实施例能够在显示器52的显示界面提供丰富的结构像分析信息和功能像分析信息,从而便于用户对照结构像分析信息和功能像分析信息进行后续的数据分析和处理,提高对目标部位的血管检测的效率。
在本实施例中还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,基于第一影像分析,得到目标部位的结构像的第一分析数据;
S2,基于第二影像分析,得到目标部位的功能像的第二分析数据;
S3,至少对第一分析数据和第二分析数据进行结合检测,得到目标部位的异常血管区域。
需要说明的是,在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,在本实施例中不再赘述。
此外,结合上述实施例中提供的医学影像数据处理方法,在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序;该计算机程序被处理器执行时实现上述实施例中的任意一种医学影像数据处理方法。
应该明白的是,这里描述的具体实施例只是用来解释这个应用,而不是用来对它进行限定。根据本申请提供的实施例,本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例,均属本申请保护范围。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
显然,附图只是本申请的一些例子或实施例,对本领域的普通技术人员来说,也可以根据这些附图将本申请适用于其他类似情况,但无需付出创造性劳动。另外,可以理解的是,尽管在此开发过程中所做的工作可能是复杂和漫长的,但是,对于本领域的普通技术人员来说,根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段,不应被视为本申请公开的内容不足。
“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例,也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是,本申请中描述的实施例在没有冲突的情况下,可以与其它实施例结合。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对专利保护范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种医学影像数据处理方法,其特征在于,包括:
基于第一影像分析,得到目标部位的结构像的第一分析数据;
基于第二影像分析,得到所述目标部位的功能像的第二分析数据;
至少对所述第一分析数据和所述第二分析数据进行结合检测,得到所述目标部位的异常血管区域。
2.根据权利要求1所述的医学影像数据处理方法,其特征在于,所述第一分析数据为异常斑块信息;所述第二分析数据为异常功能信息;所述至少对所述第一分析数据和所述第二分析数据进行结合检测,得到所述目标部位的异常血管区域,包括:
将所述异常斑块信息、所述异常功能信息、以及所述目标部位的供血关系信息进行结合,确定所述目标部位的异常血管区域。
3.根据权利要求1所述的医学影像数据处理方法,其特征在于,所述第一分析数据为结构像特征;所述第二分析数据为功能像特征;所述至少对所述第一分析数据和所述第二分析数据进行结合检测,得到所述目标部位的异常血管区域,包括:
将所述结构像特征和所述功能像特征输入预设的分析模型,得到所述目标部位的异常血管区域。
4.根据权利要求3所述的医学影像数据处理方法,其特征在于,将所述结构像特征和所述功能像特征输入预设的分析模型,得到所述目标部位的异常血管区域,包括:
将不同所述结构像特征的结构像权值、不同所述结构像特征、不同所述功能像特征的功能像权值、以及不同所述功能像特征,输入所述预设的分析模型,得到所述目标部位的异常血管区域。
5.根据权利要求1所述的医学影像数据处理方法,其特征在于,所述方法还包括:
对所述结构像和所述功能像进行配准,得到配准关系;
基于所述配准关系,联动输出所述结构像和所述功能像。
6.一种医学影像设备,其特征在于,包括处理器和显示器;其中:
所述处理器用于执行权利按要求1至5中任一项所述的医学影像数据处理方法;
所述显示器用于显示目标部位的异常血管区域。
7.根据权利要求6所述的医学影像设备,其特征在于,所述显示器还用于在第一显示区域显示结构像,同时在第二显示区域显示功能像。
8.根据权利要求7所述的医学影像设备,其特征在于,所述显示器用于在所述第一显示区域显示所述结构像,同时基于所述结构像与所述功能像的配准关系,在所述第二显示区域联动显示所述功能像。
9.根据权利要求6所述的医学影像设备,其特征在于,所述显示器还用于在第三显示区域显示所述目标部位的供血关系信息。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至5中任一项所述的医学影像数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311826362.1A CN117710358A (zh) | 2023-12-27 | 2023-12-27 | 医学影像数据处理方法、医学影像设备和电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311826362.1A CN117710358A (zh) | 2023-12-27 | 2023-12-27 | 医学影像数据处理方法、医学影像设备和电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117710358A true CN117710358A (zh) | 2024-03-15 |
Family
ID=90149792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311826362.1A Pending CN117710358A (zh) | 2023-12-27 | 2023-12-27 | 医学影像数据处理方法、医学影像设备和电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117710358A (zh) |
-
2023
- 2023-12-27 CN CN202311826362.1A patent/CN117710358A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW202139208A (zh) | 圖像識別方法、電子設備和電腦可讀儲存介質 | |
CN109124662B (zh) | 肋骨中心线检测装置及方法 | |
CN112465772B (zh) | 眼底彩照图像血管评估方法、装置、计算机设备和介质 | |
US20230139405A1 (en) | Stenosis assessment method and device based on intracranial DSA imaging | |
CN111340756B (zh) | 一种医学图像病变检出合并方法、***、终端及存储介质 | |
CN109712163B (zh) | 冠脉提取方法、装置、图像处理工作站和可读存储介质 | |
CN110415792A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN110766735B (zh) | 一种图像的匹配方法、装置、设备及存储介质 | |
CN109378068B (zh) | 一种鼻咽癌疗效的自动评测方法及*** | |
US20110019885A1 (en) | Methods and apparatus for registration of medical images | |
CN107219925A (zh) | 姿势检测方法、装置及服务器 | |
TW202217837A (zh) | 圖像檢測模型的訓練方法及電子設備、電腦可讀儲存介質 | |
CN113538471B (zh) | 斑块的分割方法、装置、计算机设备和存储介质 | |
CN109754397B (zh) | 血管段中心路径的提取方法、装置、终端设备及存储介质 | |
CN110910335A (zh) | 一种图像处理方法、图像处理设备及计算机可读存储介质 | |
US20230419499A1 (en) | Systems and methods for brain identifier localization | |
Chen et al. | Fully automated and robust analysis technique for popliteal artery vessel wall evaluation (FRAPPE) using neural network models from standardized knee MRI | |
Tang et al. | Retinal image registration based on robust non-rigid point matching method | |
CN114119546A (zh) | 检测mri影像的方法及装置 | |
CN113243914B (zh) | 基于脑影像的评估方法及神经精神疾病评估*** | |
CN117710358A (zh) | 医学影像数据处理方法、医学影像设备和电子装置 | |
CN109087357A (zh) | 扫描定位方法、装置、计算机设备及计算机可读存储介质 | |
CN116091444A (zh) | 侧枝评价方法及装置、存储介质、终端 | |
US11915412B2 (en) | Cortical malformation identification | |
CN113177953B (zh) | 肝脏区域分割方法、装置、电子设备及存储介质 |
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 |