CN111145173A - 一种冠脉造影图像的斑块识别方法、装置、设备及介质 - Google Patents
一种冠脉造影图像的斑块识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111145173A CN111145173A CN201911423770.6A CN201911423770A CN111145173A CN 111145173 A CN111145173 A CN 111145173A CN 201911423770 A CN201911423770 A CN 201911423770A CN 111145173 A CN111145173 A CN 111145173A
- Authority
- CN
- China
- Prior art keywords
- coronary
- image
- angiography image
- coronary angiography
- model
- 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.)
- Granted
Links
- 238000002586 coronary angiography Methods 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000002583 angiography Methods 0.000 claims abstract description 20
- 210000004351 coronary vessel Anatomy 0.000 claims description 68
- 238000001514 detection method Methods 0.000 claims description 32
- 238000000605 extraction Methods 0.000 claims description 25
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 11
- 230000036262 stenosis Effects 0.000 claims description 11
- 208000037804 stenosis Diseases 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 210000004204 blood vessel Anatomy 0.000 description 8
- 201000000057 Coronary Stenosis Diseases 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 206010011089 Coronary artery stenosis Diseases 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 206010002383 Angina Pectoris Diseases 0.000 description 1
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
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
- 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
- G06T2207/20081—Training; Learning
-
- 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)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种冠脉造影图像的斑块识别方法、装置、设备及介质，所述方法包括：获取待识别冠脉造影图像；将所述待识别冠脉造影图像输入至训练完备的斑块识别模型中，获得所述斑块识别模型输出的识别结果，其中，所述斑块识别模型的训练样本是基于未标注的冠脉造影图像和已标注的冠脉非造影图像生成的。本发明实施例所提供的冠脉造影图像的斑块识别方法通过基于已标注的冠脉非造影图像和未标注的冠脉造影图像对斑块识别模型进行训练，使得斑块识别模型识别出的斑块更加准确。
Description
技术领域
本发明实施例涉及图像技术领域，尤其涉及一种冠脉造影图像的斑块识别方法、装置、设备及介质。
背景技术
冠脉狭窄是引起心绞痛、心肌梗死及心源性猝死的重要原因。因此，冠脉狭窄的检测尤为重要。在冠脉狭窄的检测过程中，需要对冠脉图像进行斑块提取。现有的斑块检测分为硬斑块检测和软斑块检测，在冠脉提取过程中，由于造影血管和支架、硬斑块同样呈现较高的CT值，因此，冠脉提取时会把支架和硬斑块一起提取出来，而软斑块则呈现较低的CT值，不会被提取出。因此，若需要得到真正的冠脉管腔，需要把硬斑块和支架从冠脉中去除。但是，硬斑块和支架的一部分CT值的分布区域和造影血管的CT值相重合，导致用于区分硬斑块和支架以及造影血管的CT值的阈值较难设置，进而使得提取出的管腔准确度低。
发明内容
本发明实施例提供了一种冠脉造影图像的斑块识别方法、装置、设备及介质，以实现提高冠脉造影图像中斑块识别的准确度，进而提高管腔提取的准确度。
第一方面，本发明实施例提供了一种冠脉造影图像的斑块识别方法，包括：
获取待识别冠脉造影图像；
将所述待识别冠脉造影图像输入至训练完备的斑块识别模型中，获得所述斑块识别模型输出的识别结果，其中，所述斑块识别模型的训练样本是基于未标注的冠脉造影图像和已标注的冠脉非造影图像生成的。
第二方面，本发明实施例还提供了一种冠脉造影图像的斑块识别装置，包括：
造影图像获取模块，用于获取待识别冠脉造影图像；
图像斑块识别模块，用于将所述待识别冠脉造影图像输入至训练完备的斑块识别模型中，获得所述斑块识别模型输出的识别结果，其中，所述斑块识别模型的训练样本是基于未标注的冠脉造影图像和已标注的冠脉非造影图像生成的。
第三方面，本发明实施例还提供了一种计算机设备，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例所提供的冠脉造影图像的斑块识别方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的冠脉造影图像的斑块识别方法。
本发明实施例通过获取待识别冠脉造影图像；将所述待识别冠脉造影图像输入至训练完备的斑块识别模型中，获得所述斑块识别模型输出的识别结果，其中，所述斑块识别模型的训练样本是基于未标注的冠脉造影图像和已标注的冠脉非造影图像生成的，通过基于已标注的冠脉非造影图像和未标注的冠脉造影图像对斑块识别模型进行训练，使得斑块识别模型识别出的斑块更加准确。
附图说明
图1是本发明实施例一所提供的一种冠脉造影图像的斑块识别方法的流程图；
图2是本发明实施例二所提供的一种冠脉造影图像的斑块识别方法的流程图；
图3是本发明实施例三所提供的一种冠脉造影图像的斑块识别装置的结构示意图；
图4是本发明实施例四所提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一所提供的一种冠脉造影图像的斑块识别方法的流程图。本实施例可适用于识别冠脉造影图像中的斑块时的情形。该方法可以由冠脉造影图像的斑块识别装置执行，该冠脉造影图像的斑块识别装置可以采用软件和/或硬件的方式实现，例如，该冠脉造影图像的斑块识别装置可配置于计算机设备中。如图1所示，所述方法包括：
S110、获取待识别冠脉造影图像。
在本实施例中，待识别冠脉造影图像可以为已提取出冠脉树以及冠脉中心线，且完成对冠脉中心线命名的造影图像。可选的，在获取冠脉造影图像后，提取出冠脉造影图像中的种子点，根据区域生长算法或水平集算法等方法基于选取的种子点从冠脉造影图像中提取出冠脉树，在冠脉提取之后，在冠脉掩膜的基础上，采用骨架化的方法或基于水平集的中心线提取方法从冠脉树中提取出冠脉中心树，然后使用模型匹配方法或深度学习方法对提取出的冠脉中心树进行命名，得到待识别冠脉造影图像。
S120、将待识别冠脉造影图像输入至训练完备的斑块识别模型中，获得斑块识别模型输出的识别结果，其中，斑块识别模型的训练样本是基于未标注的冠脉造影图像和已标注的冠脉非造影图像生成的。
为了解决现有技术中的斑块识别不准确等问题，本发明实施例通过机器学习算法对待识别冠脉造影图像进行识别，得到待识别冠脉造影图像的识别结果。具体的，将待识别冠脉造影图像输入至训练完备的斑块识别模型中，获得斑块识别模型输出的识别结果，即待识别冠脉造影图像的识别结果。可选的，斑块识别模型可以基于神经网络构建。神经网络是基于人工神经网络(Artificial Neural Network，即ANN)构建的模块。人工神经网络由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重。神经网络包含数据输入层，中间隐藏层，数据输出层。在本实施例中，神经网络可以为卷积神经网络(Convoltional Neural Networks,CNN)、生成对抗网络Generative Adversarial Networks，GAN)或者其他形式的神经网络模型。
在上述方案的基础上，所述斑块识别模型的训练方法包括：
获取样本冠脉造影图像和已标注的样本冠脉非造影图像；
将所述样本冠脉造影图像与所述样本冠脉非造影图像进行配准，得到与所述样本冠脉非造影图像中标记点对应的样本冠脉造影图像的标记点；
基于所述样本冠脉造影图像和所述样本冠脉造影图像的标记点生成识别训练样本，使用所述识别训练样本对预先建立的斑块识别模型进行训练，得到训练完备的斑块识别模型。
造影图像中造影血管为高亮度，因此造影图像中硬斑块和支架的CT值分布区域和造影血管的CT值相重合，难以区分。而非造影图像中血管为低亮度，因此非造影图像中硬斑块和支架的CT值与血管的CT值可明显区分。在本实施例中，通过对样本冠脉非造影图像进行标注，基于样本冠脉非造影图像中的标注点生成与样本冠脉非造影图像对应的样本冠脉造影图像的标注点，使用标注的样本冠脉造影图像对预先建立的斑块识别模型进行训练，使得训练得到的斑块识别模型更加精准，进而基于斑块识别模型得到的识别结果更加准确。
具体的，获取样本冠状造影图像和与样本冠状造影图像对应的样本冠状非造影图像，对样本冠状非造影图像中的硬斑块和支架进行人工标注，得到已标注的样本冠脉非造影图像，然后将已标注的样本冠脉非造影图像和未标注的样本冠脉造影图像进行图像配准，得到带有标注点的样本冠脉造影图像，使用带有标注点的样本冠脉造影图像对预先建立的斑块识别模型进行训练，得到训练完备的斑块识别模型。其中，将已标注的样本冠脉非造影图像和未标注的样本冠脉造影图像进行图像配准的方法在此不做限定。
示例性的，可以使用基于灰度和模板的图像配准方法(如平均绝对差算法、绝对误差和算法、误差平方和算法、平均误差平方和算法、归一化积相关算法、序贯相似性检测算法、hadamard变换算法、局部灰度值编码算法等)、基于特征的图像配准方法(如基于点特征的配准方法、基于线特征的配准方法、基于区域特征的配准方法、基于局部特征的配准方法、基于全局特征的配准方法等)，或基于域变换的方法(如相位相关算法、沃尔什变换方法等)等进行图像配准。
在本实施例中，通过对样本冠脉非造影图像中的硬斑块和支架进行人工标注，根据样本冠脉非造影图像中的标注点确定样本造影图像中的标注点，解决了直接对样本冠脉造影图像进行标注时所造成的训练样本不准确的问题，提高了斑块识别模型的样本精确度，进而提高了斑块识别模型的识别准确度。
本发明实施例通过获取待识别冠脉造影图像；将所述待识别冠脉造影图像输入至训练完备的斑块识别模型中，获得所述斑块识别模型输出的识别结果，其中，所述斑块识别模型的训练样本是基于未标注的冠脉造影图像和已标注的冠脉非造影图像生成的，通过基于已标注的冠脉非造影图像和未标注的冠脉造影图像对斑块识别模型进行训练，使得斑块识别模型识别出的斑块更加准确。
实施例二
图2是本发明实施例二所提供的一种冠脉造影图像的斑块识别方法的流程图。本实施例在上述实施例的基础上进行了进一步优化。如图2所示，所述方法包括：
S210、获取冠脉造影图像，从所述冠脉造影图像中提取冠状动脉树及冠脉中心线。
在本实施例中，将提取冠状动脉树进行了具体化。首先，获取冠脉造影图像，从冠脉造影图像中提取出冠状动脉树及冠脉中心线。可选的，冠状动脉树可以通过区域生长方法进行提取。其中，种子点可以为一个或多个。考虑到冠状树分为左冠状动脉和右冠状动脉，选取两个以上的种子点进行冠脉树的提取。可选的，也可以沿冠脉的边界线选取多个种子点。可选的，可以采用模板匹配的方法从冠脉造影图像中提取出种子点。示例性的，预先制作标记好冠脉的模板图像，将获取的冠脉造影图像和模板图像进行配准，则可以通过模板图像中的冠脉位置确定冠脉造影图像中的冠脉位置，确定冠脉在主动脉上的开口位置，并基于开口位置选取种子点。但是，模板匹配的方法精确度较低，为了提高所选取的种子点的精确度，可以使用深度学习的方法进行种子点的提取。
在本发明的一种实施方式中，所述从所述冠脉造影图像中提取冠状动脉树，包括：
将所述冠脉造影图像输入训练完备的种子点提取模型中，获得所述种子点提取模型输出的种子点；对所述冠脉造影图像进行图像增强，获得所述冠脉造影图像的冠脉造影增强图像；通过区域生长算法，基于所述种子点从所述冠脉造影增强图像中提取出所述冠状动脉树。
在本实施例中，通过标记大量样本冠脉造影图像中的种子点位置(如冠脉开口处)，通过深度学习方法对预先建立好的种子点提取模型进行训练，得到训练完备的种子点提取模型。在获取冠脉造影图像后，将冠脉造影图像输入至训练完备的种子点提取模型中，获得种子点提取模型输出的种子点，将其作为冠脉造影图像的种子点。
为了使冠状动脉树的提取更加精确，在进行冠状动脉树的提取之前，对冠脉造影图像进行增强，获得冠脉造影增强图像。其中，对冠脉造影图像进行增强的方法在此不做限制。示例性的，可以采用黑塞(Hessian)矩阵的线增强方法得到冠脉造影增强图像，也可以采用基于深度学习的方法得到冠脉造影增强图像。可选的，基于深度学习的方法得到冠脉造影增强图像可以为：将冠脉造影图像输入至训练完备的增强模型中，获得增强模型输出的冠脉造影增强图像。其中，增强模型是基于样本冠脉造影图像以及与样本冠脉造影图像对应的样本冠脉造影增强图像训练得到的。
需要说明的是，在本实施例中对冠脉造影图像进行增强的操作以及提取种子点的操作的顺序不做限定。即可以先从冠脉造影图像中提取出种子点，然后对冠脉造影图像进行增强；也可以先对冠脉造影图像进行增强，然后从冠脉造影图像中提取出种子点；也可以同时执行对冠脉造影图像进行增强以及从冠脉造影图像中提取出种子点的操作。
在得到冠脉造影图像的种子点，并得到冠脉造影增强图像后，可以在冠脉造影增强图像中，设定一定的增强阈值，从种子点的位置开始进行区域生长，在区域生长完成后，得到提取出的冠状动脉树。也可以在原始图像上结合增强图像，即在冠脉造影图像中设定一定的灰度阈值，在冠脉造影增强图像中设定一定的增强阈值，从种子点的位置开始进行区域生长，在区域生长完成后，得到提取出的冠状动脉树。在提取出冠状动脉树后，可以采用骨架化的方法，或基于水平集的中心线提取方法，提取出冠脉中心线。
S220、对所述冠脉中心线进行命名，得到所述待识别冠脉造影图像。
在本实施例中，提取出冠脉中心线后，对冠脉中心线进行命名，以使后续斑块识别或冠脉狭窄检测时检测结果易于定位。在冠脉中心线树的基础上，可对各条冠脉中心线进行命名，主要的冠脉中心线名称包括左冠脉主干，左前降支，左回旋支，左对角支，左钝缘支，右冠状动脉，右降支等。可选的，冠脉中心线命名可以采用模型匹配的方法。示例性的，根据样本数据，手工标记冠脉中心线的名称，对样本上的各条中心线进行平均，制作中心线平均模型，然后将模型通过点配准等方法，将模型匹配到冠脉中心线所在图像上，将每条冠脉中心线的名称则命名为与它相近的模型上的中心线的名称。为了减少错误率，在模型匹配之外，还可采用机器学习的方法，进一步提升准确率。
在本发明的一种实施方式中，所述对所述冠脉中心线进行命名，包括：
将冠脉中心线输入至训练完备的中心线命名模型中，获得中心线命名模型输出的命名结果。
优选的，使用机器学习方法对冠脉中心线进行命名，使用机器学习方法对冠脉中心线命名使得冠脉中心线的命名更加准确。具体的，将冠脉中心线输入至训练完备的中心线命名模型中，获得中心线命名模型输出的命名结果，根据输出的命名结果为冠脉中心线命名。
在上述方案的基础上，所述中心线命名模型的训练方法包括：
获取中心线模型中的中心线参数及所述中心线模型对应的中心线名称；
基于所述中心线参数以及所述中心线模型对应的中心线名称生成命名训练样本，使用所述命名训练样本对预先建立的中心线命名模型进行训练，得到训练完备的中心线命名模型。
可选的，中心线参数可以为冠脉中心线模型中每根冠脉中心线的特征参数，如冠脉中心线的长度、冠脉中心线的角度等特征，使用中心线参数以及中心线模型对预先建立的中心线命名模型进行训练，得到训练完备的中心线命名模型。
S230、将待识别冠脉造影图像输入至训练完备的斑块识别模型中，获得斑块识别模型输出的识别结果，其中，斑块识别模型的训练样本是基于未标注的冠脉造影图像和已标注的冠脉非造影图像生成的。
S240、基于所述待识别冠脉造影图像以及所述识别结果生成待检测冠脉造影图像。
在本实施例中，识别出待识别冠脉造影图像中的斑块和支架后，将待识别冠脉造影图像中的斑块和支架去除，得到仅包含有血管管腔的待检测冠脉造影图像。
S250、对所述待检测冠脉造影图像进行狭窄检测，并输出检测结果。
获得待检测冠脉造影图像后，对待检测冠脉造影图像进行狭窄检测。可选的，可以通过计算每一条冠脉的截面轮廓及面积、长短径(或直径)，并进行拟合，根据拟合后的结果判断冠脉是否狭窄。可选的，若某处冠脉的管径小于其上下游的管径，且达到一定比例阈值，则认为此处存在狭窄。
在本发明的另一种实施方式中，还可以通过机器学习的方法对待检测冠脉造影图像进行狭窄检测。可选的，将待检测冠脉造影图像输入至训练完备的狭窄检测模型中，获得狭窄检测模型输出的检测结果。其中，训练完备的狭窄检测模型是基于样本冠脉造影图像和与样本冠脉造影图像对应的检测结果训练得到的。
在上述方案的基础上，对管腔进行狭窄检测后，可以将检测结果输出。在本实施例中自动完成冠脉分割、中心线提取、中心线命名、斑块和支架检测以及狭窄检测的操作，上述各步骤对应的结果均可在同一个界面上显示出来，使得在进行冠脉狭窄检测时不需要切换界面也无需分步骤，用户即可对检测过程中不准确的地方进行编辑。接收到用户的编辑操作后，会根据用户的编辑操作自动更新后续受影响的步骤的结果。
本发明实施例的技术方案，通过提高冠脉提取、中心线命名、斑块检测以及狭窄检测的准确度，使得冠脉狭窄检测过程中无需用户干预即可得到检测结果，且上述所有步骤的结果在同一个界面直接呈现给用户，实现了在自动提取无法满足要求或用户需要修改部分参数的情况下，无需用户分步骤检查修改，达到直接修改最终检测结果的技术效果。
实施例三
图3是本发明实施例三所提供的一种冠脉造影图像的斑块识别装置的结构示意图。该冠脉造影图像的斑块识别装置可以采用软件和/或硬件的方式实现，例如该冠脉造影图像的斑块识别装置可以配置于计算机设备中。如图3所示，所述装置包括造影图像获取模块310和图像斑块识别模块320，其中：
造影图像获取模块310，用于获取待识别冠脉造影图像；
图像斑块识别模块320，用于将所述待识别冠脉造影图像输入至训练完备的斑块识别模型中，获得所述斑块识别模型输出的识别结果，其中，所述斑块识别模型的训练样本是基于未标注的冠脉造影图像和已标注的冠脉非造影图像生成的。
本发明实施例通过造影图像获取模块获取待识别冠脉造影图像；图像斑块识别模块将所述待识别冠脉造影图像输入至训练完备的斑块识别模型中，获得所述斑块识别模型输出的识别结果，其中，所述斑块识别模型的训练样本是基于未标注的冠脉造影图像和已标注的冠脉非造影图像生成的，通过基于已标注的冠脉非造影图像和未标注的冠脉造影图像对斑块识别模型进行训练，使得斑块识别模型识别出的斑块更加准确。
在上述方案的基础上，所述装置还包括识别模型训练模块，用于：
获取样本冠脉造影图像和已标注的样本冠脉非造影图像；
将所述样本冠脉造影图像与所述样本冠脉非造影图像进行配准，得到与所述样本冠脉非造影图像中标记点对应的样本冠脉造影图像的标记点；
基于所述样本冠脉造影图像和所述样本冠脉造影图像的标记点生成识别训练样本，使用所述识别训练样本对预先建立的斑块识别模型进行训练，得到训练完备的斑块识别模型。
在上述方案的基础上，所述造影图像获取模块310包括：
冠状动脉提取单元，用于获取冠脉造影图像，从所述冠脉造影图像中提取冠状动脉树及冠脉中心线；
中心线命名单元，用于对所述冠脉中心线进行命名，得到所述待识别冠脉造影图像。
在上述方案的基础上，所述冠状动脉提取单元具体用于：
将所述冠脉造影图像输入训练完备的种子点提取模型中，获得所述种子点提取模型输出的种子点；
对所述冠脉造影图像进行图像增强，获得所述冠脉造影图像的冠脉造影增强图像；
通过区域生长算法，基于所述种子点从所述冠脉造影增强图像中提取出所述冠状动脉树。
在上述方案的基础上，所述中心线命名单元具体用于：
将冠脉中心线输入至训练完备的中心线命名模型中，获得中心线命名模型输出的命名结果。
在上述方案的基础上，所述装置还包括命名模型训练模块，用于：
获取中心线模型中的中心线参数及所述中心线模型对应的中心线名称；
基于所述中心线参数以及所述中心线模型对应的中心线名称生成命名训练样本，使用所述命名训练样本对预先建立的中心线命名模型进行训练，得到训练完备的中心线命名模型。
在上述方案的基础上，所述装置还包括冠脉狭窄检测模块，用于：
基于所述待识别冠脉造影图像以及所述识别结果生成待检测冠脉造影图像；
对所述待检测冠脉造影图像进行狭窄检测，并输出检测结果。
本发明实施例所提供的冠脉造影图像的斑块识别装置可执行任意实施例所提供的冠脉造影图像的斑块识别方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4是本发明实施例四所提供的计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备412的框图。图4显示的计算机设备412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，计算机设备412以通用计算设备的形式表现。计算机设备412的组件可以包括但不限于：一个或者多个处理器416，系统存储器428，连接不同系统组件(包括系统存储器428和处理器416)的总线418。
总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器416或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)430和/或高速缓存存储器432。计算机设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储装置434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信，还可与一个或者多个使得用户能与该计算机设备412交互的设备通信，和/或与使得该计算机设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，计算机设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器420通过总线418与计算机设备412的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器416通过运行存储在系统存储器428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的冠脉造影图像的斑块识别方法，该方法包括：
获取待识别冠脉造影图像；
将所述待识别冠脉造影图像输入至训练完备的斑块识别模型中，获得所述斑块识别模型输出的识别结果，其中，所述斑块识别模型的训练样本是基于未标注的冠脉造影图像和已标注的冠脉非造影图像生成的。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的冠脉造影图像的斑块识别方法的技术方案。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的冠脉造影图像的斑块识别方法，该方法包括：
获取待识别冠脉造影图像；
将所述待识别冠脉造影图像输入至训练完备的斑块识别模型中，获得所述斑块识别模型输出的识别结果，其中，所述斑块识别模型的训练样本是基于未标注的冠脉造影图像和已标注的冠脉非造影图像生成的。
当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的冠脉造影图像的斑块识别方法中的相关操作。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、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)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种冠脉造影图像的斑块识别方法，其特征在于，包括：
获取待识别冠脉造影图像；
将所述待识别冠脉造影图像输入至训练完备的斑块识别模型中，获得所述斑块识别模型输出的识别结果，其中，所述斑块识别模型的训练样本是基于未标注的冠脉造影图像和已标注的冠脉非造影图像生成的。
2.根据权利要求1所述的方法，其特征在于，所述斑块识别模型的训练方法包括：
获取样本冠脉造影图像和已标注的样本冠脉非造影图像；
将所述样本冠脉造影图像与所述样本冠脉非造影图像进行配准，得到与所述样本冠脉非造影图像中标记点对应的样本冠脉造影图像的标记点；
基于所述样本冠脉造影图像和所述样本冠脉造影图像的标记点生成识别训练样本，使用所述识别训练样本对预先建立的斑块识别模型进行训练，得到训练完备的斑块识别模型。
3.根据权利要求1所述的方法，其特征在于，所述获取待识别冠脉造影图像，包括：
获取冠脉造影图像，从所述冠脉造影图像中提取冠状动脉树及冠脉中心线；
对所述冠脉中心线进行命名，得到所述待识别冠脉造影图像。
4.根据权利要求3所述的方法，其特征在于，所述从所述冠脉造影图像中提取冠状动脉树，包括：
将所述冠脉造影图像输入训练完备的种子点提取模型中，获得所述种子点提取模型输出的种子点；
对所述冠脉造影图像进行图像增强，获得所述冠脉造影图像的冠脉造影增强图像；
通过区域生长算法，基于所述种子点从所述冠脉造影增强图像中提取出所述冠状动脉树。
5.根据权利要求3所述的方法，其特征在于，所述对所述冠脉中心线进行命名，包括：
将冠脉中心线输入至训练完备的中心线命名模型中，获得中心线命名模型输出的命名结果。
6.根据权利要求5所述的方法，其特征在于，所述中心线命名模型的训练方法包括：
获取中心线模型中的中心线参数及所述中心线模型对应的中心线名称；
基于所述中心线参数以及所述中心线模型对应的中心线名称生成命名训练样本，使用所述命名训练样本对预先建立的中心线命名模型进行训练，得到训练完备的中心线命名模型。
7.根据权利要求1所述的方法，其特征在于，在获得斑块识别模型输出的识别结果之后，还包括：
基于所述待识别冠脉造影图像以及所述识别结果生成待检测冠脉造影图像；
对所述待检测冠脉造影图像进行狭窄检测，并输出检测结果。
8.一种冠脉造影图像的斑块识别装置，其特征在于，包括：
造影图像获取模块，用于获取待识别冠脉造影图像；
图像斑块识别模块，用于将所述待识别冠脉造影图像输入至训练完备的斑块识别模型中，获得所述斑块识别模型输出的识别结果，其中，所述斑块识别模型的训练样本是基于未标注的冠脉造影图像和已标注的冠脉非造影图像生成的。
9.一种计算机设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的冠脉造影图像的斑块识别方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的冠脉造影图像的斑块识别方法。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911423770.6A CN111145173B (zh) | 2019-12-31 | 2019-12-31 | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 |
| PCT/CN2020/141089 WO2021136304A1 (en) | 2019-12-31 | 2020-12-29 | Systems and methods for image processing |
| EP20910740.8A EP4066207A4 (en) | 2019-12-31 | 2020-12-29 | SYSTEMS AND METHODS FOR IMAGE PROCESSING |
| US17/810,322 US20220335613A1 (en) | 2019-12-31 | 2022-06-30 | Systems and methods for image processing |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911423770.6A CN111145173B (zh) | 2019-12-31 | 2019-12-31 | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111145173A true CN111145173A (zh) | 2020-05-12 |
| CN111145173B CN111145173B (zh) | 2024-04-26 |
Family
ID=70523018
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911423770.6A Active CN111145173B (zh) | 2019-12-31 | 2019-12-31 | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111145173B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111681226A (zh) * | 2020-06-09 | 2020-09-18 | 上海联影医疗科技有限公司 | 基于血管识别的目标组织定位方法和装置 |
| CN111862038A (zh) * | 2020-07-17 | 2020-10-30 | 中国医学科学院阜外医院 | 一种斑块检测方法、装置、设备及介质 |
| CN112017167A (zh) * | 2020-08-24 | 2020-12-01 | 杭州深睿博联科技有限公司 | 一种基于双向冠脉血管跟踪的冠脉中心线生成方法及装置 |
| CN112419308A (zh) * | 2020-12-07 | 2021-02-26 | 上海联影医疗科技股份有限公司 | 斑块评估方法、装置、电子设备及存储介质 |
| CN112700421A (zh) * | 2021-01-04 | 2021-04-23 | 推想医疗科技股份有限公司 | 冠脉图像分类方法及装置 |
| WO2021136304A1 (en) * | 2019-12-31 | 2021-07-08 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
| CN113096115A (zh) * | 2021-04-28 | 2021-07-09 | 博动医学影像科技（上海）有限公司 | 冠状动脉斑块状态评估方法、装置、电子设备 |
| CN113222964A (zh) * | 2021-05-27 | 2021-08-06 | 推想医疗科技股份有限公司 | 一种冠脉中心线提取模型的生成方法及装置 |
| CN113436177A (zh) * | 2021-07-01 | 2021-09-24 | 万里云医疗信息科技（北京）有限公司 | 图像处理的方法、装置、电子设备及计算机可读存储介质 |
| CN113628193A (zh) * | 2021-08-12 | 2021-11-09 | 推想医疗科技股份有限公司 | 血管狭窄率确定方法、装置、系统及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2405260A1 (en) * | 2010-07-09 | 2012-01-11 | Alta Lab S.r.l. | Method and apparatus for performing non-invasive x-ray inspections of objects |
| CN102945328A (zh) * | 2012-11-22 | 2013-02-27 | 北京理工大学 | 基于gpu并行运算的x射线造影图像仿真方法 |
| US20130315457A1 (en) * | 2012-05-23 | 2013-11-28 | International Business Machines Corporation | Vessel Identification Using Shape and Motion Mapping for Coronary Angiogram Sequences |
| US20150066818A1 (en) * | 2013-08-27 | 2015-03-05 | Heartflow, Inc. | Systems and methods for predicting location, onset, and/or change of coronary lesions |
| US20160045180A1 (en) * | 2014-08-18 | 2016-02-18 | Michael Kelm | Computer-Aided Analysis of Medical Images |
| CN107871318A (zh) * | 2017-11-16 | 2018-04-03 | 吉林大学 | 一种基于模型迁移的冠状动脉钙化斑块检测方法 |
| CN108171702A (zh) * | 2018-01-18 | 2018-06-15 | 平安科技（深圳）有限公司 | 易损斑块识别方法、应用服务器及计算机可读存储介质 |
| CN108805923A (zh) * | 2018-06-01 | 2018-11-13 | 沈阳东软医疗系统有限公司 | 生理参数获取方法和装置 |
| CN109214238A (zh) * | 2017-06-30 | 2019-01-15 | 百度在线网络技术（北京）有限公司 | 多目标跟踪方法、装置、设备及存储介质 |
| JP6491391B1 (ja) * | 2018-11-22 | 2019-03-27 | 国立大学法人信州大学 | 血流動態解析システム、血流動態解析方法、およびプログラム |
| CN110310271A (zh) * | 2019-07-01 | 2019-10-08 | 无锡祥生医疗科技股份有限公司 | 颈动脉斑块的性质判别方法、存储介质及超声装置 |
-
2019
- 2019-12-31 CN CN201911423770.6A patent/CN111145173B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2405260A1 (en) * | 2010-07-09 | 2012-01-11 | Alta Lab S.r.l. | Method and apparatus for performing non-invasive x-ray inspections of objects |
| US20130315457A1 (en) * | 2012-05-23 | 2013-11-28 | International Business Machines Corporation | Vessel Identification Using Shape and Motion Mapping for Coronary Angiogram Sequences |
| CN102945328A (zh) * | 2012-11-22 | 2013-02-27 | 北京理工大学 | 基于gpu并行运算的x射线造影图像仿真方法 |
| US20150066818A1 (en) * | 2013-08-27 | 2015-03-05 | Heartflow, Inc. | Systems and methods for predicting location, onset, and/or change of coronary lesions |
| US20160045180A1 (en) * | 2014-08-18 | 2016-02-18 | Michael Kelm | Computer-Aided Analysis of Medical Images |
| CN109214238A (zh) * | 2017-06-30 | 2019-01-15 | 百度在线网络技术（北京）有限公司 | 多目标跟踪方法、装置、设备及存储介质 |
| CN107871318A (zh) * | 2017-11-16 | 2018-04-03 | 吉林大学 | 一种基于模型迁移的冠状动脉钙化斑块检测方法 |
| CN108171702A (zh) * | 2018-01-18 | 2018-06-15 | 平安科技（深圳）有限公司 | 易损斑块识别方法、应用服务器及计算机可读存储介质 |
| WO2019140857A1 (zh) * | 2018-01-18 | 2019-07-25 | 平安科技（深圳）有限公司 | 易损斑块识别方法、应用服务器及计算机可读存储介质 |
| CN108805923A (zh) * | 2018-06-01 | 2018-11-13 | 沈阳东软医疗系统有限公司 | 生理参数获取方法和装置 |
| JP6491391B1 (ja) * | 2018-11-22 | 2019-03-27 | 国立大学法人信州大学 | 血流動態解析システム、血流動態解析方法、およびプログラム |
| CN110310271A (zh) * | 2019-07-01 | 2019-10-08 | 无锡祥生医疗科技股份有限公司 | 颈动脉斑块的性质判别方法、存储介质及超声装置 |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021136304A1 (en) * | 2019-12-31 | 2021-07-08 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
| CN111681226A (zh) * | 2020-06-09 | 2020-09-18 | 上海联影医疗科技有限公司 | 基于血管识别的目标组织定位方法和装置 |
| CN111681226B (zh) * | 2020-06-09 | 2024-07-12 | 上海联影医疗科技股份有限公司 | 基于血管识别的目标组织定位方法和装置 |
| CN111862038A (zh) * | 2020-07-17 | 2020-10-30 | 中国医学科学院阜外医院 | 一种斑块检测方法、装置、设备及介质 |
| CN111862038B (zh) * | 2020-07-17 | 2024-05-14 | 中国医学科学院阜外医院 | 一种斑块检测方法、装置、设备及介质 |
| CN112017167A (zh) * | 2020-08-24 | 2020-12-01 | 杭州深睿博联科技有限公司 | 一种基于双向冠脉血管跟踪的冠脉中心线生成方法及装置 |
| CN112017167B (zh) * | 2020-08-24 | 2024-08-09 | 杭州深睿博联科技有限公司 | 一种基于双向冠脉血管跟踪的冠脉中心线生成方法及装置 |
| CN112419308B (zh) * | 2020-12-07 | 2023-06-23 | 上海联影医疗科技股份有限公司 | 斑块评估方法、装置、电子设备及存储介质 |
| CN112419308A (zh) * | 2020-12-07 | 2021-02-26 | 上海联影医疗科技股份有限公司 | 斑块评估方法、装置、电子设备及存储介质 |
| CN112700421A (zh) * | 2021-01-04 | 2021-04-23 | 推想医疗科技股份有限公司 | 冠脉图像分类方法及装置 |
| WO2022228463A1 (zh) * | 2021-04-28 | 2022-11-03 | 上海博动医疗科技股份有限公司 | 冠状动脉斑块状态评估方法、装置、电子设备 |
| CN113096115B (zh) * | 2021-04-28 | 2024-06-04 | 上海博动医疗科技股份有限公司 | 冠状动脉斑块状态评估方法、装置、电子设备 |
| CN113096115A (zh) * | 2021-04-28 | 2021-07-09 | 博动医学影像科技（上海）有限公司 | 冠状动脉斑块状态评估方法、装置、电子设备 |
| CN113222964A (zh) * | 2021-05-27 | 2021-08-06 | 推想医疗科技股份有限公司 | 一种冠脉中心线提取模型的生成方法及装置 |
| CN113436177A (zh) * | 2021-07-01 | 2021-09-24 | 万里云医疗信息科技（北京）有限公司 | 图像处理的方法、装置、电子设备及计算机可读存储介质 |
| CN113628193B (zh) * | 2021-08-12 | 2022-07-15 | 推想医疗科技股份有限公司 | 血管狭窄率确定方法、装置、系统及存储介质 |
| CN113628193A (zh) * | 2021-08-12 | 2021-11-09 | 推想医疗科技股份有限公司 | 血管狭窄率确定方法、装置、系统及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111145173B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111145173B (zh) | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 | |
| CN111696089B (zh) | 一种动静脉确定方法、装置、设备和存储介质 | |
| CN108805134B (zh) | 一种主动脉夹层分割模型的构建方法及应用 | |
| CN108133476B (zh) | 一种肺结节自动检测方法及系统 | |
| CN110298844B (zh) | X光造影图像血管分割与识别方法及装置 | |
| CN110110723B (zh) | 一种图像中目标区域自动提取的方法及装置 | |
| CN110363220B (zh) | 行为类别检测方法、装置、电子设备和计算机可读介质 | |
| CN112465834B (zh) | 一种血管分割方法及装置 | |
| CN109741312A (zh) | 一种肺结节鉴别方法、装置、设备及介质 | |
| CN111145160B (zh) | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 | |
| CN113889238B (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
| WO2022089267A1 (zh) | 样本数据获取方法、图像分割方法、装置、设备和介质 | |
| CN110176013B (zh) | 血管分割方法、装置、电子设备及存储介质 | |
| CN110728673A (zh) | 一种目标部位分析方法、装置、计算机设备及存储介质 | |
| US20220366679A1 (en) | Methods and systems for training learning network for medical image analysis | |
| CN111476290A (zh) | 检测模型训练方法、淋巴结检测方法、装置、设备及介质 | |
| CN113656706A (zh) | 基于多模态深度学习模型的信息推送方法及装置 | |
| CN117373070B (zh) | 血管分段标注的方法及装置、电子设备和存储介质 | |
| CN113012114B (zh) | 一种血管识别方法、装置、存储介质及电子设备 | |
| CN111127400A (zh) | 一种乳腺病变检测方法和装置 | |
| US10176612B2 (en) | System and method for retrieval of similar findings from a hybrid image dataset | |
| US8831301B2 (en) | Identifying image abnormalities using an appearance model | |
| CN114299057A (zh) | 血管中心线的提取方法和存储介质 | |
| CN111401102A (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
| Zhao et al. | EAGMN: Coronary artery semantic labeling using edge attention graph matching network |
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 |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |