CN114004835B - 对医学图像进行对象分析的方法、装置和存储介质 - Google Patents

Abstract

本公开涉及一种对医学图像进行对象分析的方法、装置和存储介质，所述方法可以包括如下步骤。可以获取包含对象的3D医学图像。可以为对象的各个种类设置对应的窗宽窗位，基于各个窗宽窗位分别对各个子图像序列调窗，以得到各个通道的子图像序列。可以基于各个通道的子图像序列，利用各个部位对应的子对象分析模型进行分析，得到子对象分析结果。该方法和装置根据对象病变类别设置多种窗宽窗位，子图像序列根据设置的窗宽窗位调窗后得到多通道图像，以多通道图像替代单通道图像作为子对象分析模型的输入，此方法可以提升子对象分析模型对不同类别病变的识别率，有效解决不同血管病变类别对应的CT值差异的问题。

Description

对医学图像进行对象分析的方法、装置和存储介质

技术领域

本公开涉及医学图像领域，更具体地，涉及一种对医学图像进行对象分析的方法、装置和存储介质。

背景技术

血管疾病一直是威胁人类健康的重要问题，相当比例的血管疾病起因在于血管壁上的斑块病变累积造成血管狭窄、血管壁上的异常膨出造成动脉瘤等，然而现有技术对血管病变的检测和识别存在一定不足。

以头颈动脉斑块为例，头颈动脉疾病通常指因动脉壁粥样硬化斑块累积导致的动脉狭窄或阻塞。颅内动脉狭窄和阻塞的患者，其脑部供血受限，极易导致患者出现缺血性脑卒中。如果斑块破裂极易堵塞、损伤血管，导致患者出现急性脑卒中。根据动脉粥样硬化斑块的组成，斑块可进一步分为钙化斑块、非钙化斑块、混合斑块，其中混合斑块兼具钙化、非钙化斑块成分。非钙化、混合斑块易发生破裂。

计算机断层扫描血管造影(Computed Tomography Angiography, CTA)或磁共振血管造影(Magnetic Resonance Angiography, MRA)可对全身各部位的血管及其病变进行成像，是常用的血管影像学检查技术。影像上非钙化斑块、混合斑块及动脉瘤与周围组织对比度较低，极易与周围组织混淆而导致漏检，而周围组织极易导致误检。

目前头颈CTA血管病变检测方法一般有人工分析和自动分析软件。人工斑块分析严重依赖放射科医师及心血管专家经验，粥样硬化斑块、动脉瘤等病变离散地分布在结构复杂的头颈动脉血管壁上，在海量的CTA数据中分析血管病变，对医生来说，无疑是及其耗时的工作，非钙化、混合斑块的不确定性更是增加了医生诊断的难度。

现有的血管病变分析软件可一定程度上减轻医生日常诊断工作量，但亦存在一定的不足，如西门子等CT设备厂商自带的半自动分析软件需耗费大量人工交互完成血管分割、直径估计及管壁形态分析等，且该方案一般只针对局部血管。

近期深度学习技术逐步被应用于血管病变检测，并取得了显著的效果。然而现有方案一般采用单一模型预测CTA序列中血管病变信息，导致预测过程耗时长且假阳较多，通常仅适用于单一部位，应用于包含多部位的医学图像预测结果并不准确。

发明内容

提供了本公开以解决现有技术中存在的上述问题。

需要一种对3D医学图像进行对象分析的方法、装置和存储介质，对于分布在多个部位中不同种类的对象，都能够以合理的耗时，在整个3D医学图像中，实现对各种对象的准确识别，而不受或显著抑制来自对象的不同种类对应的CT值差异的影响。

根据本公开的第一方案，提供一种对医学图像进行对象分析的方法，所述对医学图像进行对象分析的方法可以包括获取包含对象的3D医学图像。该方法还可以将所述3D医学图像按照部位划分为各个部位的子图像序列。该方法还可以为对象的各个种类设置对应的窗宽窗位，基于各个窗宽窗位分别对各个子图像序列调窗，以得到各个通道的子图像序列。该方法还可以基于各个通道的子图像序列，利用各个部位对应的子对象分析模型进行分析，得到子对象分析结果。该方法还可以对各个子对象分析结果进行融合，来得到所述3D医学图像的对象分析结果。

根据本公开的第二方案，提供一种对医学图像进行对象分析的装置，所述对医学图像进行对象分析的装置可以包括接口和处理器。接口可以配置为获取包含对象的3D医学图像。所述处理器可以配置为（例如经由接口）可以包括获取包含对象的3D医学图像。所述处理器还可以配置为将所述3D医学图像按照部位划分为各个部位的子图像序列。所述处理器还可以配置为对象的各个种类设置对应的窗宽窗位，基于各个窗宽窗位分别对各个子图像序列调窗，以得到各个通道的子图像序列。所述处理器还可以配置为基于各个通道的子图像序列，利用各个部位对应的子对象分析模型进行分析，得到子对象分析结果；所述处理器还可以配置为对各个子对象分析结果进行融合，来得到所述3D医学图像的对象分析结果。

根据本公开的第三方案，提供计算机存储介质，其上存储有可执行指令，所述可执行指令由处理器执行时实现对医学图像进行对象分析的方法的步骤。所述方法可以包括获取包含对象的3D医学图像。所述方法还可以将所述3D医学图像按照部位划分为各个部位的子图像序列。所述方法还可以为对象的各个种类设置对应的窗宽窗位，基于各个窗宽窗位分别对各个子图像序列调窗，以得到各个通道的子图像序列。所述方法还可以基于各个通道的子图像序列，利用各个部位对应的子对象分析模型进行分析，得到子对象分析结果。所述方法还可以对各个子对象分析结果进行融合，来得到所述3D医学图像的对象分析结果。

根据本公开各个实施例的对医学图像进行对象分析的方法、装置和存储介质，例如针对血管（作为对象的示例）的斑块检测而言，其能够使本申请较现有方案存在以下优势：

1、本公开采用片层分类模型得到各个部位的子图像序列，根据对象病变类别设置多种窗宽窗位，子图像序列根据设置的窗宽窗位调窗后得到多通道图像，以多通道图像替代单通道图像作为子对象分析模型的输入，提升子对象分析模型对不同类别病变的识别率，对于分布在多个部位中不同种类的对象，都能够以合理的耗时，在整个3D医学图像中，实现对各种对象的准确识别，而不受或显著抑制来自对象的不同种类对应的CT值差异的影响。

2、本公开不依赖复杂的人工交互，即可完成包含延伸的器官或组织（例如血管）的一序列图像中血管病变的准确和高效检测，这一系列图像如头颈CTA图像序列，其中存在头部、颈部动脉及主动脉弓，其中每个动脉还存在大量分支，利用本公开的对象分析方法可以实现复杂血管树中血管病变的准确和高效检测。

附图说明

在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。附图大体上通过举例而不是限制的方式示出各种实施例，并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。在适当的时候，在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的，而并非旨在作为本装置或方法的穷尽或排他实施例。

图1示出根据本公开实施例的对医学图像进行对象分析的方法。

图2示出根据本公开实施例的部位划分过程。

图3示出根据本公开实施例的基于子图像序列进行对象分析过程。

图4示出根据本公开实施例的截取滑窗块过程。

图5示出根据本公开实施例的检测结果融合过程。

图6图示了根据本公开的实施例的示例性对医学图像进行对象分析的装置的说明框图。

具体实施方式

为使本领域技术人员更好的理解本公开的技术方案，下面结合附图和具体实施方式对本公开作详细说明。下面结合附图和具体实施例对本公开的实施例作进一步详细描述，但不作为对本公开的限定。本文中所描述的各个步骤，如果彼此之间没有前后关系的必要性，则本文中作为示例对其进行描述的次序不应视为限制，本领域技术人员应知道可以对其进行顺序调整，只要不破坏其彼此之间的逻辑性导致整个流程无法实现即可。

图1示出根据本公开实施例的对医学图像进行对象分析的方法。如图1所示，一种对医学图像进行对象分析的方法始于步骤S1，获取包含对象的3D医学图像；其中，所述对象可以为延伸一定长度的任何器官或组织，例如但不限于血管、消化道、乳腺管、呼吸道中的至少一种或其中的病变。所述病变为血管中粥样硬化斑块、动脉瘤、支架等病变或异常。所述3D医学图像为包含血管的CTA图像、包含肋骨的CT图像或者包含肺部的CT图像。而所述血管病变为钙化斑块、非钙化斑块、混合斑块、动脉瘤和支架影像中的至少一种。

在本实施例中，以血管病变作为对象的示例进行说明，所述3D医学图像为包含血管的头颈CTA图像，本实施例用于说明检测血管粥样硬化斑块。

3D医学图像需要符合医学影像格式为医学数字成像，满足通信(Digital Imagingand Communications in Medicine, DICOM)协议，3D医学图像还需要符合CTA图像基本要求，如无造影剂充盈、无明显运动伪影等。

在步骤S2，可以利用处理器，将所述3D医学图像按照部位划分为各个部位的子图像序列(如图2的步骤S21)；

在本实施例，步骤S2具体可以包括：基于所述3D医学图像，利用片层分类模型，识别出所述3D医学图像中作为相邻部位交界处的关键片层；利用识别出的关键片层，实现按照部位的子图像的划分。在一些实施例中，所述片层分类模型利用二维学习网络实现，利用具有对应部位的片层的分类信息的训练样本训练。

在本实施例，所述3D医学图像为包含血管的头颈CTA图像，为区分头部、颈部和胸部3个子部位的子图像序列，需要2个关键片层以区分头颈、颈胸。子图像序列确定流程如图2所示，其中片层分类模型为根据带有感兴趣部位的片层分类信息的训练样本进行训练所得到的。在一些实施例中，片层分类模型采用2D ResNet网络结构，训练方式为基于经验丰富的影像科医生对训练样本影像中的2个关键片层进行标记，根据标记的关键片层信息收集头部、颈部、胸部的片层，以此作为训练样本对应的金标准分类信息。然后将训练样本输入片层分类模型中，得到训练样本的片层分类结果，并计算片层分类结果与金标准分类信息之间的损失。依据该损失调整片层分类模型，在此不做具体限定；在调整网络参数时，可以采用随机梯度下降SGD优化器或者其他类型的优化器，在此不做具体限定。

在步骤S3，可以为对象的各个种类设置对应的窗宽窗位，基于各个窗宽窗位分别对各个子图像序列调窗(如图3的步骤S31)，以得到各个通道的子图像序列。在本实施例中，以血管粥样硬化斑块为例，其种类可以包括钙化斑块、非钙化斑块、混合斑块这三种，因此设置3种窗宽窗位。基于这3种窗宽窗位分别对各个子图像序列调窗，得到3通道图像的子图像序列。钙化斑块、非钙化斑块、混合斑块的CT值具有差异，CT值的差异反映在灰度值的差异上，影像上非钙化斑块、混合斑块及动脉瘤与周围组织对比度较低，极易与周围组织混淆而导致漏检，本实施例根据对象病变类别设置多种窗宽窗位，子图像序列根据设置的窗宽窗位调窗后得到多通道图像，由于不同种类病变的CT值不一样，针对各个种类的对象分别设置灰度值的窗宽和窗位并调窗。调窗后得到的各个通道的子图像序列就能够突出对应种类的对象的灰度信息，以调窗后得到的多通道图像替代单通道图像作为子对象分析模型的输入，提升子对象分析模型对不同类别病变的识别率，有效解决不同血管病变类别对应的CT值差异的问题。

在步骤S4，可以基于各个部位的先验信息及其骨架化后的对象分割结果，为各个子对象分析模型调节模型参数。所述部位的先验信息可以包括：部位所含对象的尺寸（比如不同部位血管的直径）、形状和数量中的至少一种。

在本实施例，步骤S4具体可以包括：基于各个部位的先验信息确定滑窗块的尺寸，基于骨架化后的各个子图像序列的对象分割结果确定滑窗块的内部代表点，基于内部代表点按照滑窗块的尺寸截取包含病变标注信息的训练样本的滑窗块，利用所述滑窗块作为训练样本对各个子对象分析模型进行训练。

下面以滑窗块中心点作为内部代表点的示例进行说明，但须知内部代表点不限于此，例如也可以采用滑窗块的中部区域作为内部代表点的示例等等。基于各个部位的先验信息确定滑窗块的尺寸，基于骨架化后的各个子图像序列的对象分割结果确定滑窗块的内部中心点，基于内部中心点按照滑窗块的尺寸截取训练样本的滑窗块，利用所述滑窗块作为训练样本对各个子对象分析模型进行训练，能提升模型预测鲁棒性。

在本实施例，而所述基于骨架化后的各个子图像序列的对象分割结果确定滑窗块的内部代表点具体可以包括：基于各个部位的子图像序列，利用所述处理器，使用各个部位的对应分割模型确定对应的对象分割结果(如图3的步骤S32)；对各个子图像序列的对象分割结果进行骨架化操作(如图3的步骤S33)：对骨架化后的对象分割结果稀疏采样得到滑窗块的内部代表点。本实施例参考血管分割结果，基于分割结果的滑窗预测可提升模型预测速度、减少假阳。

在本实施例，各个血管分割模型利用具有对应部位血管信息的训练样本分别训练。而在本实施例，所述3D医学图像为包含血管的头颈CTA图像，因此，本实施例需要应用头部血管分割模型、颈部血管分割模型和胸部血管分割模型，三个血管分割模型的训练过程类似，以头部血管分割模型为例。头部血管分割模型为根据带有感兴趣血管信息的训练样本进行训练得到的。在一些实施例中，血管分割模型一般采用3D U-Net网络结构，血管分割模型的训练方式可以包括：基于经验丰富的影像科医生对训练样本影像中的头部血管进行标记，以此作为训练时的金标准。然后训练样本影像输入头部血管分割模型中，得到头部血管分割结果，并计算头部血管分割结果与金标准之间的损失。依据该损失调整头部分割模型的网络参数，当该损失小于等于预设阈值或者达到收敛时，表明头部血管分割模型训练收敛。可选地，计算损失时可以采用Dice损失函数，交叉熵损失函数或者其他类型的损失函数，在此不做具体限定；在调整网络参数时，可以采用随机梯度下降SGD优化器或者其他类型的优化器，在此不做具体限定。

在本实施例，步骤S4还具体可以包括：利用滑窗块作为训练样本对各个子对象分析模型进行训练；将该训练得到的假阳性样本与包含病变标注信息的训练样本一起作为新的训练样本，来训练各个子对象分析模型，这样能提高病变检测模型的预测结果敏感性和准确率。

下面以头部的子图像序列为例，对基于头部的先验信息及其骨架化后的对象分割结果，为子对象分析模型调节模型参数进行说明。

头部动脉直径较颈部、主动脉弓小，依据头部先验信息在序列体素间距为0.4mm的情况下，将滑窗块大小设置为32³（颈部对应的滑窗块大小为64³），该尺寸符合实际血管形态，不仅可提升病变检测效果，还可降低病变检测模型的推理时间。滑窗如图4所示，将得到的头部血管分割结果骨架化后，稀疏采样得到子对象分析模型预测所需滑窗块中心点，针对头部数据将稀疏采样间隔设置为2。斑块检测模型（子对象分析模型）采用3D U-Net网络结构，并以迭代的方式完成训练。以头部血管斑块检测模型的训练方式为例，其可以包括：

（1）基于经验丰富的影像科医生对训练样本影像中的头部血管斑块进行标记，以此作为训练时的金标准。

（2）然后训练样本影像输入斑块模型中，得到头部血管斑块结果，并计算头部血管斑块检测结果与金标准之间的损失。

（3）依据该损失以梯度下降的方式调整头部斑块检测模型的网络参数，当该损失小于等于预设阈值或者达到收敛时，表明模型训练收敛，得到斑块检测第一模型。可选地，计算损失一般采用Dice损失函数，交叉熵损失函数或者其他类型的损失函数，在此不做具体限定；在调整网络参数时，可以采用随机梯度下降SGD优化器或者其他类型的优化器，在此不做具体限定。

（4）使用斑块检测第一模型（网络参数调整后的头部斑块检测模型），按指定的滑窗块预测头部斑块检测结果，选取部分检测结果中假阳性样本，与金标准组合成为新的训练样本。

（5）重复步骤（2）--（3），迭代地得到斑块检测第二模型。

（6）重复数次步骤（2）--（5），迭代地得到斑块检测最终模型。

在步骤S5，可以基于各个通道的子图像序列，利用各个部位对应的子对象分析模型进行分析，得到子对象分析结果；

在本实施例，步骤S5具体可以包括：基于各个通道的子图像序列，参考各个部位的先验信息及其骨架化后的对象分割结果，利用各个部位对应的子对象分析模型进行分析(如图3的步骤S34)，来得到子对象分析结果。

在步骤S6，可以利用所述处理器，对各个子对象分析结果进行融合，来得到所述3D医学图像的对象分析结果。对CTA医学图像的数个子部位预测得到子部位斑块检测结果后，再通过子部位斑块检测结果融合得到血管斑块检测结果。以头颈CTA为例，一般含头部、颈部、胸部3个子图像序列，可依据子序列片层分类将3个子图像序列的斑块检测结果重新堆叠得到CTA医学图像的检测结果(如图5的步骤S51)。

本公开采用片层分类模型将3D医学图像按照部位进行划分得到各个部位的子图像序列，根据血管斑块类别设置3种窗宽窗位，子图像序列根据设置的3种窗宽窗位调窗后得到多通道图像，以多通道图像替代单通道图像作为子对象分析模型的输入，由于不同种类病变的CT值（源自于衰减系数）不一样，CT值的差异反映在灰度值的差异上，针对各个种类的对象分别设置灰度值的窗的窗宽和窗位并调窗。调窗后得到的各个通道的子图像序列就能够突出对应种类的对象的灰度信息，从而利用多通道的子图像序列作为子对象分析模型的输入，可以得到对各种类的对象的良好且准确的分析结果，这样能提升子对象分析模型对不同类别病变的识别率，有效解决不同血管病变类别对应的CT值差异的问题。本公开与人工分析方案相比，本申请可自动、快速、准确地完成血管病变检测，在提升诊断效率的同时大幅降低医生工作量及患者等待时间。

作为另一可实施例，所述血管病变为动脉瘤，对动脉瘤进行分析过程和本实施例的对象分析的过程区别在于动脉瘤的种类只有一种。因此只需要设置1种窗宽窗位。基于这1种窗宽窗位对各个子图像序列调窗，得到单通道图像的子图像序列。将单通道图像的子图像序列输入子对象分析模型进行分析。

作为又一可实施例，所述血管病变为支架，对支架进行分析过程和本实施例的对象分析的过程区别在于动脉瘤的种类只有一种。因此只需要设置1种窗宽窗位。基于这1种窗宽窗位对各个子图像序列调窗，得到单通道图像的子图像序列。将单通道图像的子图像序列输入子对象分析模型进行分析。

图6图示了根据本公开的实施例的示例性对医学图像进行对象分析的装置的说明框图，如图6所示，一种对象分析装置600，可以包括接口607和处理器601。接口607可以配置为接收包含对象的3D医学图像。处理器601可以配置为：执行根据本公开各个实施例的对医学图像进行对象分析的方法。

通过该接口607，对医学图像进行对象分析的装置可以连接到网络（未示出），例如但不限于医院中的局域网或因特网。但接口607实现的通信方式不限于网络，可以包括NFC、蓝牙、WIFI等；可以是有线连接，也可以是无线连接。以网络为例，接口607可以将对医学图像进行对象分析的装置与诸如图像采集装置（未示出）、医学图像数据库608和图像数据存储装置609的外部装置连接。图像采集装置可以是任何类型的成像模态，例如但不限于计算机断层摄影（CT）、数字减影血管造影（DSA）、磁共振成像（MRI）、功能性MRI、动态对比增强-MRI、扩散MRI、螺旋CT、锥形束计算机断层摄影（CBCT）、正电子发射断层摄影（PET）、单光子发射计算断层摄影（SPECT）、X射线成像、光学断层摄影、荧光成像、超声成像、放射治疗射野成像。

在一些实施例中，对象分析装置600可以是专用智能装置或通用智能装置。例如，对象分析装置600可以是为图像数据获取和图像数据处理任务定制的计算机，或者是放置在云中的服务器。例如，装置600集成到图像采集装置中。

对象分析装置600可以包括处理器601和存储器604，并且可以另外可以包括输入/输出602和图像显示器603中的至少一个。

处理器601可以是可以包括一个或多个通用处理装置的处理装置，诸如微处理器、中央处理单元（CPU）、图形处理单元（GPU）等。更具体地，处理器601可以是复杂指令集计算（CISC）微处理器、精简指令集计算（RISC）微处理器、超长指令字（VLIW）微处理器、运行其他指令集的处理器或者运行指令集的组合的处理器。处理器601还可以是一个或多个专用处理装置，诸如专用集成电路（ASIC）、现场可编程门阵列（FPGA）、数字信号处理器（DSP），片上系统（SoC）等。如本领域技术人员将理解的，在一些实施例中，处理器601可以是专用处理器，而不是通用处理器。处理器601可以包括一个或多个已知的处理装置，例如来自Intel ^TM制造的Pentium ^TM、Core ^TM、Xeon ^TM或Itanium系列的微处理器，由AMD TM制造的Turion ^TM、Athlon ^TM、Sempron ^TM、Opteron ^TM、FX ^TM、 Phenom ^TM系列，或由Sun Microsystems制造的各种处理器。处理器601还可以包括图形处理单元，诸如来自GeForce^®的GPU，由Nvidia ^TM制造的Quadro^®、Tesla^®系列，由Intel ^TM制造的GMA，Iris ^TM系列，或由AMD ^TM制造的Radeon ^TM系列。处理器601还可以包括加速处理单元，例如由AMD ^TM制造的Desktop A-4（6,6）系列，由Intel ^TM制造的Xeon Phi ^TM系列。所公开的实施例不限于任何类型的处理器或处理器电路，其以其他方式被配置为获取包含对象的3D医学图像；对所述3D医学图像进行分割，以得到所述对象的分割结果；在所述3D医学图像中在延伸的方向上获取一组图像片层；获取所述一组图像片层中各个图像片层中所分割的对象的内部代表点；基于所述一组图像片层的所述对象的一组内部代表点，获取所述3D医学图像中的一组图像块；基于所述一组图像块进行对象分析；或与所公开的实施例一致地操纵任何其他类型的数据。另外，术语“处理器”或“图像处理器”可以包括一个以上的处理器，例如，多核设计或多个处理器，每个处理器具有多核设计。处理器601可以执行存储在存储器604中的计算机程序指令序列，以执行本文公开的各种操作、过程和方法。

处理器601可以通信地耦合到存储器604并且被配置为执行存储在其中的计算机可执行指令。存储器604可以包括只读存储器（ROM）、闪存、随机存取存储器（RAM）、诸如同步DRAM（SDRAM）或Rambus DRAM的动态随机存取存储器（DRAM）、静态存储器（例如，闪存、静态随机存取存储器）等，计算机可执行指令以任何格式存储在其上。在一些实施例中，存储器604可以存储一个或多个图像处理程序605的计算机可执行指令。计算机程序指令可以由处理器601访问，从ROM或者任何其他合适的存储器位置读取，并且加载在RAM中以供处理器601执行。例如，存储器604可以存储一个或多个软件应用程序。存储在存储器604中的软件应用程序可以包括，例如，用于普通计算机系统的操作系统（未示出）以及用于软控制装置的操作系统。

此外，存储器604可以存储整个软件应用程序或仅存储可由处理器601执行的软件应用程序的一部分（例如，图像处理程序605）。此外，存储器604可以存储多个软件模块，用于实现与本公开一致的对医学图像进行对象分析的方法的各个步骤或用于训练子对象分析模型、片层分类模型、分割模型的过程。

此外，存储器604可以存储在执行计算机程序时生成/缓冲的数据，例如，医学图像数据606，可以包括从图像采集装置、医学图像数据库608、图像数据存储装置609等发送的医学图像。在一些实施例中，医学图像数据606可以包括要进行对象分析的包含对象的3D医学图像，图像处理程序605将要对其实现分割、获取图像片层、获取内部代表点、剪裁图像块和进行对象分析。

在一些实施例中，可以提供图像数据存储装置609以与医学图像数据库608交换图像数据，以及存储器604可以与医学图像数据库608通信以获得要进行血管分割的包含数个部位的医学图像。例如，图像数据存储装置609可以驻留在其他医学图像采集装置（例如对该患者执行扫描的CT）中。患者的医学图像可以被传输并保存到医学图像数据库608，以及对象分析装置600可以从医学图像数据库608取得特定患者的医学图像并为该特定患者的医学图像进行对象分析。

在一些实施例中，存储器604可以与医学图像数据库608通信，以将对象分割结果连同得到的对象分析结果传输并保存到医学图像数据库608中。

此外，训练好的子对象分析模型和/或片层分类模型和/或分割模型的参数可以存储在医学图像数据库608上，以在需要时供其他对象分析装置访问、获取和利用。以该方式，面对患者时，处理器601可以取得对应人群的训练好的子对象分析模型、片层分类模型和/或分割模型，以便基于所取得的训练好的模型来进行血管分割。

在一些实施例中，子对象分析模型、片层分类模型和/或分割模型（尤其学习网络）可以保存在存储器604中。可选地，学习网络可以存储在远程装置、分离的数据库（诸如医学图像数据库608）、分布式装置中，且可以被图像处理程序605使用。

除了显示医学图像之外，图像显示器603还可以显示其他信息，诸如，对象的分割结果、中心点计算结果和对象分析结果。例如，该图像显示器603可以是LCD、CRT或LED显示器。

输入/输出602可以被配置为允许对象分析装置600接收和/或发送数据。输入/输出602可以包括允许装置与用户或其他机器和装置通信的一个或多个数字和/或模拟通信装置。例如，输入/输出602可以包括允许用户提供输入的键盘和鼠标。

在一些实施例中，图像显示器603可以呈现用户界面，以便用户利用输入/输出602连同该用户界面，可以方便且直观地修正（诸如编辑、移动、修改等）所生成的解剖标签。

接口607可以包括网络适配器、电缆连接器、串行连接器、USB连接器、并行连接器、诸如光纤的高速数据传输适配器、USB 6.0、闪电、例如Wi-Fi适配器的无线网络适配器、电信（6G、4G / LTE等）适配器。装置可以通过接口607连接到网络。网络可以提供局域网（LAN）、无线网络、云计算环境（例如，作为服务的软件、作为服务的平台、作为服务的基础设施等）、客户端-服务器、广域网（WAN）等。

本公开的实施例还提供一种计算机存储介质，其上存储有计算机可执行指令，该计算机可执行指令可以由处理器执行时，实现根据本公开各个实施例的对医学图像进行对象分析的方法。存储介质可以包括只读存储器(ROM)、闪存、随机存取存储器(RAM)、诸如同步DRAM(SDRAM)或Rambus DRAM的动态随机存取存储器(DRAM)、静态存储器(例如，闪存、静态随机存取存储器)等，其上可以以任何格式存储计算机可执行指令。

此外，尽管已经在本文中描述了示例性实施例，其范围可以包括任何和所有基于本公开的具有等同元件、修改、省略、组合（例如，各种实施例交叉的方案）、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释，并不限于在本说明书中或本公开的实施期间所描述的示例，其示例将被解释为非排他性的。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。

以上描述旨在是说明性的而不是限制性的。例如，上述示例（或其一个或更多方案）可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本公开。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本公开的主题可以少于特定的公开的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。

以上实施例仅为本公开的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本公开的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (16)

1.一种对医学图像进行对象分析的方法，其特征在于，包括：

获取包含对象的3D医学图像；

利用处理器，将所述3D医学图像按照部位划分为各个部位的子图像序列；

为对象的各个种类设置对应的窗宽窗位，基于各个窗宽窗位分别对各个子图像序列调窗，以得到各个通道的子图像序列；

基于各个通道的子图像序列，参考各个部位的先验信息及其骨架化后的对象分割结果，利用各个部位对应的子对象分析模型进行分析，得到子对象分析结果；

利用所述处理器，对各个子对象分析结果进行融合，来得到所述3D医学图像的对象分析结果。

2.根据权利要求1所述的方法，其特征在于，将所述3D医学图像按照部位划分为各个部位的子图像序列具体包括：基于所述3D医学图像，利用片层分类模型，识别出所述3D医学图像中作为相邻部位交界处的关键片层；利用识别出的关键片层，实现按照部位的子图像的划分。

3.根据权利要求2所述的方法，其特征在于，所述片层分类模型利用二维学习网络实现，利用具有对应部位的片层的分类信息的训练样本训练。

4.根据权利要求1所述的方法，其特征在于，所述对象为血管、消化道、乳腺管、呼吸道中的至少一种或其中的病变。

5.根据权利要求1所述的方法，其特征在于，所述对象为血管病变。

6.根据权利要求5所述的方法，其特征在于，所述血管病变为钙化斑块、非钙化斑块、混合斑块、动脉瘤和支架影像中的至少一种。

7.根据权利要求1-6中的任何一种所述的方法，其特征在于，还包括：基于各个部位的先验信息及其骨架化后的对象分割结果，为各个子对象分析模型调节模型参数。

8.根据权利要求7所述的方法，其特征在于，基于各个部位的先验信息及其骨架化后的对象分割结果，为各个子对象分析模型调节模型参数具体包括：

基于各个部位的先验信息确定滑窗块的尺寸，基于骨架化后的各个子图像序列的对象分割结果确定滑窗块的内部代表点，基于内部代表点按照滑窗块的尺寸截取包含病变标注信息的训练样本的滑窗块，利用所述滑窗块作为训练样本对各个子对象分析模型进行训练。

9.根据权利要求8所述的方法，其特征在于，所述基于骨架化后的各个子图像序列的对象分割结果确定滑窗块的内部代表点具体包括：

基于各个部位的子图像序列，利用所述处理器，使用各个部位的对应分割模型确定对应的对象分割结果；

对各个子图像序列的对象分割结果进行骨架化操作：

对骨架化后的对象分割结果稀疏采样得到滑窗块的内部代表点。

10.根据权利要求9所述的方法，其特征在于，各个血管分割模型利用具有对应部位血管信息的训练样本分别训练。

11.根据权利要求7所述的方法，其特征在于，基于各个部位的先验信息及其骨架化后的对象分割结果，为各个子对象分析模型调节模型参数还具体包括：

利用滑窗块作为训练样本对各个子对象分析模型进行训练；

将该训练得到的假阳性样本与包含病变标注信息的训练样本一起作为新的训练样本，来训练各个子对象分析模型。

12.根据权利要求8-11中的任何一种所述的方法，其特征在于，所述部位的先验信息包括：部位所含对象的尺寸、形状和数量中的至少一种。

13.根据权利要求8-10中的任何一种所述的方法，其特征在于，所述内部代表点为滑窗块中心点。

14.根据权利要求1-6中的任何一种所述的方法，其特征在于，所述3D医学图像为包含血管的CTA图像、包含肋骨的CT图像或者包含肺部的CT图像。

15.一种对医学图像进行对象分析的装置，其特征在于，包括：

接口，其配置为获取包含对象的3D医学图像；以及

处理器，其配置为：执行根据权利要求1-14中任何一项所述的对医学图像进行对象分析的方法。

16.一种具有存储在其上的指令的非暂时性计算机可读介质，所述指令在由处理器执行时实现根据权利要求1-14中任何一项所述的对医学图像进行对象分析的方法。

Images