CN108615251B - 一种线条样本增强方法及应用其的冠脉样本增强方法 - Google Patents
一种线条样本增强方法及应用其的冠脉样本增强方法 Download PDFInfo
- Publication number
- CN108615251B CN108615251B CN201810300148.5A CN201810300148A CN108615251B CN 108615251 B CN108615251 B CN 108615251B CN 201810300148 A CN201810300148 A CN 201810300148A CN 108615251 B CN108615251 B CN 108615251B
- Authority
- CN
- China
- Prior art keywords
- point
- new
- line
- tail
- sample
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种线条样本增强方法，其以线条的一端为头点，另一端为尾点，分别赋予其头点及尾点一个活动范围阈值，以随机生成新头点与新尾点位置；对原线条点集中除头点与尾点的任意点pi加入增量以生成新的线条样本。本发明还提供一种冠脉样本数据增强方法，基于前述线条样本增强方法，其包括：S1、从冠脉的体数据中提取各分支血管的中心线，获得中心线点集；S2、基于提取的中心线点集生成新的中心线点集；S3、基于新的中心线点集，对冠脉的体数据进行3D形变，生成新的冠脉样本。此种样本数据增强方法，有别于传统的数据增强方法，其既丰富了样本数据，又不偏离真实的样本情况，可以有效地覆盖真实样本空间。
Description
技术领域
本发明涉及人工神经网络的样本数据处理领域，具体涉及一种线条样本增强方法及应用其的冠脉样本增强方法。
背景技术
自动化冠脉重建对医生具有重要的临床价值和实际意义。区别于传统的冠脉重建方法，由于人工神经网络的诸多优点，人们愈发倾向于采用人工神经网络完成冠脉重建过程中的各类工作，如血管分割等。但人工神经网络。如深度学习神经网络，其对训练样本有较高的数量要求，对于样本数据少的情况，如何提供有效的样本数据增强方法显得十分有必要。
传统的数据增强方法大都是做平移、旋转、放缩等，其并不能有效覆盖真实样本空间，因此带来的增强效果十分有限，通常也会带来过拟合的情况。而对于弹性形变方法，大都是在一个2d或3d数据中，给定形变中心位置，其缺陷是其它离形变中心位置远的点，形变大，离形变中心位置近的点形变小，这样也并非真实的样本情况。
发明内容
本发明的目的在于提供一种能有效覆盖真实样本空间的线条样本增强方法及应用其的冠脉样本增强方法。
为实现上述目的，本发明采用以下技术方案：
一种线条样本增强方法，包括：
S1、生成新线条的头点与尾点：
以线条的一端为头点，另一端为尾点，赋予其头点活动范围阈值r1,赋予其尾点活动范围阈值r2，以随机生成新头点与新尾点位置；
S2、生成新线条中的其它点：
对原线条的点集中除头点与尾点外的任意点pi加入增量d*(i-1)，其中d为相邻两个点间的增量，d＝D/(N-1)，D为新尾点与新头点间的增量，N为原线条的点集中点的个数，i∈[2,N-1]；
S3、基于新的线条点集，生成新线条。
进一步地，步骤S2中，若d小于阈值a，则对相邻的两个点随机加入增量d*i、d*(i-1)或d*(i-2)。
本发明还提供一种冠脉样本数据增强方法，包括：
S1、从冠脉的体数据中提取各分支血管的中心线，获得中心线点集；
S2、基于提取的中心线点集生成新的中心线点集：
S21、生成新的中心线点集的头点与尾点：
以中心线与主冠脉相连的端点为中心线的头点，以中心线另一端的端点为尾点，赋予其头点活动范围阈值r1,赋予其尾点活动范围阈值r2，r1＜r2,以生成新头点与新尾点，并利用约束条件对新尾点进行约束，所述约束条件为各分支血管的中心线的尾点及中间区域不相交；
S22、生成新的中心线点集中的其它点：
对原中心线点集中除头点与尾点外的任意点pi加入增量d*(i-1)，其中d为相邻两个点间的增量，d＝D/(N-1)，D为新尾点与头点间的增量，N为中心线点的个数，i∈[2,N-1]；
S3、基于新的中心线点集，对冠脉的体数据进行3D形变，生成新的冠脉样本。
进一步地，步骤S2中，若d小于阈值a，则对相邻两个点随机加入增量d*i、d*(i-1)或d*(i-2)。
采用上述技术方案后，本发明与背景技术相比，具有如下优点：
本发明提供了一种新颖的样本数据增强方法，有别于传统的数据增强方法，其既丰富了样本数据，又不偏离真实的样本情况，可以有效地覆盖真实样本空间，带来可观的增强效果。
附图说明
图1为本发明中线条样本增强方法的流程图；
图2为本发明中冠脉样本数据增强方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
请参考图1所示，本发明公开了一种线条样本增强方法，其包括：
S1、生成新线条的头点与尾点：
以线条的一端为头点，另一端为尾点，赋予其头点活动范围阈值r1,赋予其尾点活动范围阈值r2,以随机生成新头点与新尾点位置。
当线条为二维平面线条时，阈值r1及r2为圆半径，当线条为三维空间线条时，阈值r1及r2为球半径。
S2、生成新线条中的其它点：
对原线条的点集中除头点与尾点外的任意点pi加入增量d*(i-1)，其中d为相邻两个点间的增量，d＝D/(N-1)，D为新尾点与新头点间的增量，N为原线条的点集中点的个数，i∈[2,N-1]。
步骤S2中也可引入随机概率控制，以使得线条的变化更多：若d小于阈值a，则对相邻两个点随机加入增量d*i、d*(i-1)或d*(i-2)，则相邻两个点pi及pi+1随机的可能性如下：
pi，pi+1→pi+d*(i-1)，pi+1+d*(i-2)；
pi，pi+1→pi+d*(i-1)，pi+1+d*(i-2)；
pi，pi+1→pi+d*(i-1)，pi+1+d*(i)；
pi，pi+1→pi+d*(i-2)，pi+1+d*(i-1)；
pi，pi+1→pi+d*(i-2)，pi+1+d*(i)；
pi，pi+1→pi+d*(i)，pi+1+d*(i-1)。
本实施例中，阈值a为2像素，例如：产生一个0-1的随机数，当数字小于0.5时就对满足d小于阈值a的点做调整，保证不是每个点都是不变即可。
S3、基于新的线条点集，生成新线条。
实施例2
请参阅图2所示，一种冠脉样本数据增强方法，包括：
S1、从冠脉的体数据中提取各分支血管的中心线，获得中心线点集。
该步骤中，可采用基于Lable的中心线提取方式：即以3D-thin方法对体数据提取中心线参考点，使用MST方法对中心线点进行空间排序，继而通过滤波及平滑方法，获得中心线及中心线点集。
S2、基于提取的中心线点集生成新的中心线点集。
S21、生成新的中心线点集的头点与尾点：
以中心线与主冠脉相连的端点为中心线的头点，以中心线另一端的端点为尾点，由于头点与动脉相连，故而其应该赋予较小的活动范围阈值，尾点则赋予大的活动范围阈值，即r1＜r2,以随机生成新头点与新尾点位置。本实施例中，r1为3-5像素,r2为20-30像素。
由于有多个中心线，各个中心线的尾点及中间区域不相交，因此引入约束条件对尾点进行约束，所述约束条件为各分支血管的中心线的尾点及中间区域不相交。
约束通过如下方式实现：
假设有3支血管A、B及C，血管A，B，C有原始的位置；
血管A的随机范围集合会减掉B，C+buffer的位置,Buffer是以B，C的中心点，球体扩张固定长度的空间；
血管A生成随机结果后，开始随机血管B,血管B的随机范围集合会减掉A，C+buffer的位置。Buffer是以A，C的中心点，球体扩张固定长度的空间；
血管B生成随机结果后，开始随机血管C，血管C的随机范围集合会减掉A，B+buffer的位置。Buffer是以A，B的中心点，球体扩张固定长度的空间。
S22、生成新的中心线点集中的其它点：
对原中心线点集中的每个中心点pi加入增量d*(i-1)，生成新的中心线点集，其中d为相邻两个点间的增量(包括dx、dy及dz三个维度)，d＝D/(N-1)，D为新尾点与新头点间的增量(同样包括Dx、Dy及Dz三个维度)，N为中心线点的个数，i∈[2,N-1]。
S3、基于新的中心线点集，对冠脉的体数据进行3D形变，生成新的冠脉样本。该步骤可采用最近邻插值算法实现。
同实施例1中所述，若步骤S2中d小于阈值a，则可对相邻两个点随机加入增量d*i、d*(i-1)或d*(i-2)，以增加中心线的变化，从而获得更多的冠脉样本数据。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (2)
1.一种冠脉样本数据增强方法，其特征在于，包括：
S1、从冠脉的体数据中提取各分支血管的中心线，获得中心线点集；
S2、基于提取的中心线点集生成新的中心线点集；
S3、基于新的中心线点集，对冠脉的体数据进行3D形变，生成新的冠脉样本；
步骤S2包括以下分步骤：
S21、生成新的中心线点集的头点与尾点：
以中心线与主冠脉相连的端点为中心线的头点，以中心线另一端的端点为尾点，赋予其头点活动范围阈值r1,赋予其尾点活动范围阈值r2，r1＜r2，以生成新头点与新尾点，并利用约束条件对新尾点进行约束，所述约束条件为各分支血管的中心线的尾点及中间区域不相交；
S22、生成新的中心线点集中的其它点：
对原中心线点集中除头点与尾点外的任意点Pi加入增量d*(i-1)，其中d为相邻两个点间的增量，d包括dx、dy及dz三个维度，d=D/(N-1)，D为新尾点与头点间的增量，D包括Dx、Dy及Dz三个维度，N为中心线点的个数，i∈[2,N-1]。
2.如权利要求1所述的一种冠脉样本数据增强方法，其特征在于：步骤S2中，若d小于阈值a，则对相邻两个点随机加入增量d*i、d*(i-1)或d*(i-2)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810300148.5A CN108615251B (zh) | 2018-04-04 | 2018-04-04 | 一种线条样本增强方法及应用其的冠脉样本增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810300148.5A CN108615251B (zh) | 2018-04-04 | 2018-04-04 | 一种线条样本增强方法及应用其的冠脉样本增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108615251A CN108615251A (zh) | 2018-10-02 |
| CN108615251B true CN108615251B (zh) | 2022-03-29 |
Family
ID=63659576
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810300148.5A Active CN108615251B (zh) | 2018-04-04 | 2018-04-04 | 一种线条样本增强方法及应用其的冠脉样本增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108615251B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109872314B (zh) * | 2019-02-20 | 2021-04-16 | 数坤（北京）网络科技有限公司 | 一种基于中心线的优化分割方法及设备 |
| CN113222964B (zh) * | 2021-05-27 | 2021-11-12 | 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 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101315665A (zh) * | 2008-06-27 | 2008-12-03 | 浙江大学 | 一种基于三维鼻形的身份识别方法 |
| CN101526996A (zh) * | 2009-02-23 | 2009-09-09 | 华旭 | 一种小鼠自发行为运动监测与体态图象识别的方法 |
| WO2015166503A1 (en) * | 2014-05-01 | 2015-11-05 | Yeda Research And Development Co. Ltd. | Multimodal transcranial brain optical imaging |
-
2018
- 2018-04-04 CN CN201810300148.5A patent/CN108615251B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101315665A (zh) * | 2008-06-27 | 2008-12-03 | 浙江大学 | 一种基于三维鼻形的身份识别方法 |
| CN101526996A (zh) * | 2009-02-23 | 2009-09-09 | 华旭 | 一种小鼠自发行为运动监测与体态图象识别的方法 |
| WO2015166503A1 (en) * | 2014-05-01 | 2015-11-05 | Yeda Research And Development Co. Ltd. | Multimodal transcranial brain optical imaging |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108615251A (zh) | 2018-10-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11908244B2 (en) | Human posture detection utilizing posture reference maps | |
| US11170558B2 (en) | Automatic rigging of three dimensional characters for animation | |
| Zhang et al. | DCSR: Dilated convolutions for single image super-resolution | |
| CN108520503B (zh) | 一种基于自编码器和生成对抗网络修复人脸缺损图像的方法 | |
| CN116682120A (zh) | 基于深度学习的多语种马赛克图像文本识别方法 | |
| CN106022355B (zh) | 基于3dcnn的高光谱图像空谱联合分类方法 | |
| CN108416266A (zh) | 一种利用光流提取运动目标的视频行为快速识别方法 | |
| CN113140018B (zh) | 训练对抗网络模型的方法、建立字库的方法、装置和设备 | |
| CN109359527B (zh) | 基于神经网络的头发区域提取方法及系统 | |
| CN107590775B (zh) | 一种利用回归树场的图像超分辨率放大方法 | |
| CN102663399B (zh) | 一种基于Hilbert曲线和LBP的图像局部特征提取方法 | |
| CN107730536B (zh) | 一种基于深度特征的高速相关滤波物体追踪方法 | |
| CN106485656A (zh) | 一种图像超分辨率重构的方法 | |
| CN108615251B (zh) | 一种线条样本增强方法及应用其的冠脉样本增强方法 | |
| CN114581918A (zh) | 一种文本识别模型训练方法及装置 | |
| Xing et al. | Digital rock resolution enhancement and detail recovery with multi attention neural network | |
| CN118379401A (zh) | 说话人视频合成方法、系统、设备及存储介质 | |
| CN111681263A (zh) | 基于三值量化的多尺度对抗性目标跟踪算法 | |
| CN104156708A (zh) | 一种基于动态人脸表情序列和k阶情感强度模型的特征表示方法 | |
| CN105608701A (zh) | 基于四元数圆谐矩的彩色图像分割方法 | |
| CN107845102B (zh) | 基于fpga自适应形态学算子的二值图像处理方法 | |
| CN112464908B (zh) | 一种吸引局部二阶梯度轮廓模式人脸特征提取方法 | |
| CN114885170A (zh) | 一种视频传输装置及方法 | |
| CN107463667A (zh) | 基于邻居像素点的共生局部三值模式的图像检索方法 | |
| CN106651892B (zh) | 一种边缘检测方法 |
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 |