一种基于特殊区域优化的冠状动脉分割方法及装置
技术领域
本发明涉及冠状动脉分割技术领域,尤其涉及一种基于特殊区域优化的冠状动脉分割方法及装置。
背景技术
人体各组织器官要维持其正常的生命活动,需要心脏不停地搏动以保证血液运行。主动脉是最大的动脉,起源于心脏,负责全身的血液供应,而心脏作为一个泵血的肌性动力器官,本身也需要足够的营养和能源。冠状动脉是专供心脏营养的血管,起于主动脉根部,分左右两支,行于心脏表面。两者都是从心脏发出,供应所到器官的氧气以及营养。
目前,人们开发了许多种心血管成像技术来直观地查看心脏周围的冠状动脉的结构,冠状动脉分割的现有方法主要分为三大类:全自动分割、半自动分割和人工交互式分割。
全自动分割方法,一般先检测出整个心脏范围,然后在心脏范围内分割出候选的冠状动脉成分;再从主动脉处开始用连接成分分析并对这些成分进行区域增长,得到整个血管树的分割结果。但是,该方法准确性不够高,对细小分支和血管末端的分割识别能力不够强,而在如细小分支和血管末端等特殊区域成像的冠状动脉容易连入一些非冠脉血管,从而造成分割结果精度下降。
发明内容
鉴于上述问题,本发明实施例的一方面提供一种基于特殊区域优化的冠状动脉分割方法,使冠状动脉的分割结果具有较高精度。
本发明实施例提供一种基于特殊区域优化的冠状动脉分割方法,包括:通过冠状动脉整体区域分割模型对冠状动脉整体区域分割预测得到冠状动脉预测结果;在所述冠状动脉预测结果上获取特殊区域,通过冠状动脉特殊区域分割模型对所述特殊区域进行分割预测得到特殊区域冠状动脉优化预测结果;将执行分割预测后的特殊区域拼接在执行分割预测后的整体区域中,使所述特殊区域冠状动脉优化预测结果拼接在所述冠状动脉预测结果上,得到冠状动脉优化分割预测结果,作为冠状动脉的预测图像。
在一种可实施方式中,所述冠状动脉整体区域分割模型和冠状动脉特殊区域分割模型是通过神经网络方法分别训练获得的。
在一种可实施方式中,所述特殊区域包括有冠状动脉的分叉点和/ 或端点。
在一种可实施方式中,所述通过神经网络方法训练获得冠状动脉特殊区域分割模型,包括:在标注的冠状动脉分割数据上提取中心线,由所述中心线生成连通图,通过所述连通图得到生成树,确定生成树上的分叉点和/或端点;在分叉点和/或端点上进行神经网络方法训练得到所述冠状动脉特殊区域分割模型。
在一种可实施方式,所述方法还包括:确定拼接后执行分割预测后的特殊区域和执行分割预测后的整体区域的重合区域;在重合区域内,确定所述冠状动脉预测结果和/或特殊区域冠状动脉优化预测结果为所述冠状动脉优化分割预测结果。
本发明实施例另一方面提供一种基于特殊区域优化的冠状动脉分割装置,使冠状动脉的分割结果具有较高精度。
本发明实施例提供一种基于特殊区域优化的冠状动脉分割装置,所述装置包括:分割预测模块,用于通过冠状动脉整体区域分割模型对冠状动脉整体区域分割预测得到冠状动脉预测结果;获取预测模块,用于在所述冠状动脉预测结果上获取特殊区域,通过冠状动脉特殊区域分割模型对所述特殊区域进行分割预测得到特殊区域冠状动脉优化预测结果;结果拼接模块,用于将执行分割预测后的特殊区域拼接在执行分割预测后的整体区域中,使所述特殊区域冠状动脉优化预测结果拼接在所述冠状动脉预测结果上,得到冠状动脉优化分割预测结果,作为冠状动脉的预测图像。
在一种可实施方式中,所述装置还包括模型训练模块,用于通过神经网络方法分别训练获得所述冠状动脉整体区域分割模型和所述冠状动脉特殊区域分割模型。
在一种可实施方式中,所述装置还包括特殊区域确定模块,用于确定冠状动脉的分叉点和/或端点为特殊区域。
在一种可实施方式中,所述模型训练模块包括:生成树生成单元,用于在标注的冠状动脉分割数据上提取中心线,由所述中心线生成连通图,通过所述连通图得到生成树,确定生成树上的分叉点和/或端点;特殊模型训练单元,用于在分叉点和/或端点上进行神经网络方法训练得到所述冠状动脉特殊区域分割模型。
在一种可实施方式中,所述装置还包括重合确定模块,用于确定拼接后执行分割预测后的特殊区域和执行分割预测后的整体区域的重合区域;在重合区域内,确定所述冠状动脉预测结果和/或特殊区域冠状动脉优化预测结果为所述冠状动脉优化分割预测结果。
综上,本发明实施例具有以下有益效果:
1、本发明实施例在冠状动脉预测结果上标明特殊区域,并通过冠状动脉特殊区域分割模型获得特殊区域冠状动脉优化预测结果,将特殊区域冠状动脉优化预测结果拼接在对应的特殊区域上,使冠状动脉的血管特殊区域相较于现有技术能够更加清晰,减少非冠脉血管等的引入,进而提高了冠脉血管的分割精度;
2、本发明实施例利用中心线算法配合生成树,并通过人工标记,避免了特殊区域的漏选、多选或者错选,提高了特殊区域确定的准确性,进而保证了能够将所有特殊区域都通过冠状动脉特殊区域分割模型进行优化,进一步提高了冠脉血管的分割精度;
3、本发明实施例使用中心线算法配合生成树相较于其他计算方式,计算简单、准确度高,能够减少计算量,提高效率。
需要理解的是,本发明的教导并不需要实现上面所述的全部有益效果,而是特定的技术方案可以实现特定的技术效果,并且本发明的其他实施方式还能够实现上面未提到的有益效果。
附图说明
通过参考附图阅读下文的详细描述,本发明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发明的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1为本发明一实施例的一种冠状动脉分割方法的流程图;
图2为本发明一实施例中得到冠状动脉预测结果的流程图;
图3为本发明一实施例中得到特殊区域冠状动脉优化预测结果的流程图;
图4为本发明另一实施例的一种冠状动脉分割方法的流程图;
图5为本发明一实施例的一种基于特殊区域优化的冠状动脉分割装置。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明,而并非以任何方式限制本发明的范围。相反,提供这些实施方式是为了使本发明更加透彻和完整,并且能够将本发明的范围完整地传达给本领域的技术人员。
图1示出了本发明一实施例的一种基于特殊区域优化的冠状动脉分割方法,包括:
步骤101,通过冠状动脉整体区域分割模型对冠状动脉整体区域分割预测得到冠状动脉预测结果。
图2示出本实施例了通过冠状动脉整体区域分割模型对冠状动脉整体区域分割预测得到冠状动脉预测结果的流程图,包括:
步骤1011,以大量心脏影像数据及对应标注的心脏分割数据作为深度神经网络的训练样本,采用深度学习方法优化得到心脏分割模型。
步骤1012,通过CT影像得到一心脏区域,心脏区域为3D图像。
步骤1013,使用心脏分割模型对心脏区域进行分割得到心脏区域坐标,心脏区域坐标为3D坐标。其中,心脏区域呈心脏的最大外切长方体,心脏区域坐标的表达方式可以长方体左上角及右下角的坐标,即pl (xl,yl,zl),pr(xr、yr、zr);也可以是六面体的中心坐标及长宽高,即p0(x0,y0,z0),(l,w,h);心脏区域坐标的表达方式包括但是不仅限于以上两种。
步骤1014,对心脏区域坐标进行扩展,得到冠状动脉整体区域坐标,冠状动脉整体区域坐标同样为3D坐标。
步骤1015,以大量整体冠状动脉影像数据及对应标注的冠状动脉分割数据作为深度神经网络的训练样本,采用深度学习方法优化得到冠状动脉整体区域分割模型。
步骤1016,将冠状动脉整体区域坐标分割成至少一个冠状动脉子区域。其中,冠状动脉子区域的大小与冠状动脉整体区域分割模型训练时的进入网络训练的训练数据大小一致;可以是32*256*256或16*320*320 等大小,冠状动脉子区域的大小包括但是不仅限于以上两种。冠状动脉子区域的步长设置是三维步长,即x,y,z三轴均需设置步长。步长的大小设置可使冠状动脉子区域之间有重复区域(步长小),也可以没有重复区域(波长大);步长可以是固定的(即固定步长),也可以是不固定的(即变步长),但步长的设置将冠状动脉整体区域均有覆盖。
步骤1017,在冠状动脉子区域均使用冠状动脉整体区域分割模型进行预测,得到冠状动脉子区域预测结果,冠状动脉子区域预测结果为在冠状动脉子区域内的冠状动脉3D图像。
步骤1018,将冠状动脉子区域预测结果互相拼接形成冠状动脉预测结果,冠状动脉预测结果为冠状动脉整体的3D图像。
步骤102,在冠状动脉预测结果上获取特殊区域,通过冠状动脉特殊区域分割模型对特殊区域进行分割预测得到特殊区域冠状动脉优化预测结果。
图3示出了本实施例在冠状动脉预测结果上获取特殊区域,通过冠状动脉特殊区域分割模型对特殊区域进行分割预测得到特殊区域冠状动脉优化预测结果的流程图,包括:
步骤1021,在标注的冠状动脉分割数据上提取中心线,由中心线生成连通图,通过连通图得到生成树,确定生成树上的分叉点和/或端点。中心线算法可使用Lee94版本的中心线算法求得,但不仅限于使用Lee94 版本的中心线算法,还可以使用其他软件的中心线算法。生成树可以为最小生成树或最大生成树,可使用普里姆算法或者克鲁斯卡尔算法来生成最小生成树或最大生成树,但不仅限于使用以上两种算法,还可以使用其他软件的最小生成树或最大生成树。
步骤1022,在分叉点和/或端点上进行神经网络方法训练得到冠状动脉特殊区域分割模型。具体方案可以为,在端点和/或分叉点生成血管数据,设定端点和/或分叉点位置为P0(x0,y0,z0),取其长宽高高各(d,w,h)个像素,如(16,16,16),则取左上角p1(x0-8,y0-8,z0-8)至至右下角p2(x0+8,y0+8,z0+8)的长方体区域数据,d\w\h的取值可以一样,也可以不一样,视具体的情况而定,也可取球形区域数据,取法不唯一。采用得到的大量端点和/或分叉点生成血管影像数据及对应人工标注数据作为深度神经网络的训练样本,采用深度学习方法优化得到冠状动脉特殊区域分割模型。
步骤1023,在冠状动脉预测结果上提取中心线,由中心线生成连通图,通过连通图得到生成树,确定生成树上的分叉点和/或端点。中心线算法可使用Lee94版本的中心线算法求得,但不仅限于使用Lee94版本的中心线算法,还可以使用其他软件的中心线算法。生成树可以为最小生成树或最大生成树,可使用普里姆算法或者克鲁斯卡尔算法来生成最小生成树或最大生成树,但不仅限于使用以上两种算法,还可以使用其他软件的最小生成树或最大生成树。
步骤1024,在端点和/或分叉点使用冠状动脉特殊区域分割模型进行预测,得到特殊区域冠状动脉优化预测结果,特殊区域冠状动脉优化预测结果为在冠状动脉在特殊区域内的冠状动脉3D图像。
步骤103,将执行分割预测后的特殊区域拼接在执行分割预测后的整体区域中,使特殊区域冠状动脉优化预测结果拼接在冠状动脉预测结果上,得到冠状动脉优化分割预测结果,作为冠状动脉的预测图像。
以上涉及深度网络学习的训练样本均可以通过CT影像获得,但不仅限于CT影像。
本实施例在冠状动脉预测结果上标明特殊区域,并通过冠状动脉特殊区域分割模型在特殊区域获得特殊区域冠状动脉优化预测结果,在特殊区域上实现了进一步进行优化,将特殊区域冠状动脉优化预测结果拼接在对应的冠状动脉预测结果上,使冠状动脉的血管特殊区域相较于现有技术能够更加清晰,减少非冠脉血管等的引入,进而提高了冠脉血管的分割精度。
图4示出了本发明另一实施例的一种基于特殊区域优化的冠状动脉分割方法,包括:
步骤401,通过冠状动脉整体区域分割模型对冠状动脉整体区域分割预测得到冠状动脉预测结果。
包括:
以大量心脏分割影像数据及对应标注的冠状动脉分割数据作为深度神经网络的训练样本,采用深度学习方法优化得到心脏分割模型。
通过CT影像得到一心脏区域,心脏区域为3D图像。
使用心脏分割模型对心脏区域进行分割得到心脏区域坐标,心脏区域坐标为3D坐标。其中,心脏区域呈心脏的最大外切长方体,心脏区域坐标的表达方式可以长方体左上角及右下角的坐标,即pl(xl,yl, zl),pr(xr、yr、zr);也可以是六面体的中心坐标及长宽高,即p0(x0, y0,z0),(l,w,h);心脏区域坐标的表达方式包括但是不仅限于以上两种。
对心脏区域坐标进行扩展,得到冠状动脉整体区域坐标,冠状动脉整体区域坐标同样为3D坐标。
以大量整体冠状动脉影像数据及对应标注的冠状动脉分割数据作为深度神经网络的训练样本,采用深度学习方法优化得到冠状动脉整体区域分割模型。
将冠状动脉整体区域坐标分割成至少一个冠状动脉子区域。其中,冠状动脉子区域的大小与冠状动脉整体区域分割模型训练时的进入网络训练的训练数据大小一致;可以是32*256*256或16*320*320等大小,冠状动脉子区域的大小包括但是不仅限于以上两种。冠状动脉子区域的步长设置是三维步长,即x,y,z三轴均需设置步长。步长的大小设置可使冠状动脉子区域之间有重复区域(步长小),也可以没有重复区域 (波长大);步长可以是固定的(即固定步长),也可以是不固定的(即变步长),但步长的设置将冠状动脉整体区域均有覆盖。
在冠状动脉子区域均使用冠状动脉整体区域分割模型进行预测,得到冠状动脉子区域预测结果,冠状动脉子区域预测结果为在冠状动脉子区域内的冠状动脉3D图像。
将冠状动脉子区域预测结果互相拼接形成冠状动脉预测结果,冠状动脉预测结果为冠状动脉整体的3D图像。
步骤402,在冠状动脉预测结果上获取特殊区域,通过冠状动脉特殊区域分割模型对特殊区域进行分割预测得到特殊区域冠状动脉优化预测结果。
包括:
在标注的冠状动脉分割数据上提取中心线,由中心线生成连通图,通过连通图得到生成树,确定生成树上的分叉点和/或端点。中心线算法可使用Lee94版本的中心线算法求得,但不仅限于使用Lee94版本的中心线算法,还可以使用其他软件的中心线算法。生成树可以为最小生成树或最大生成树,可使用普里姆算法或者克鲁斯卡尔算法来生成最小生成树或最大生成树,但不仅限于使用以上两种算法,还可以使用其他软件的最小生成树或最大生成树。
在分叉点和/或端点上进行神经网络方法训练得到冠状动脉特殊区域分割模型。具体方案可以为,在端点和/或分叉点生成血管数据,设定端点和/或分叉点位置为P0(x0,y0,z0),取其长宽高高各(d,w,h)个像素,如(16,16,16),则取左上角p1(x0-8,y0-8,z0-8)至至右下角p2(x0+8, y0+8,z0+8)的长方体区域数据,d\w\h的取值可以一样,也可以不一样,视具体的情况而定,也可取球形区域数据,取法不唯一。采用得到的大量端点和/或分叉点生成血管影像数据及对应人工标注数据作为深度神经网络的训练样本,采用深度学习方法优化得到冠状动脉特殊区域分割模型。
在冠状动脉预测结果上提取中心线,由中心线生成连通图,通过连通图得到生成树,确定生成树上的分叉点和/或端点。中心线算法可使用 Lee94版本的中心线算法求得,但不仅限于使用Lee94版本的中心线算法,还可以使用其他软件的中心线算法。生成树可以为最小生成树或最大生成树,可使用普里姆算法或者克鲁斯卡尔算法来生成最小生成树或最大生成树,但不仅限于使用以上两种算法,还可以使用其他软件的最小生成树或最大生成树。
在端点和/或分叉点使用冠状动脉特殊区域分割模型进行预测,得到特殊区域冠状动脉优化预测结果,特殊区域冠状动脉优化预测结果为在冠状动脉在特殊区域内的冠状动脉3D图像。
步骤403,将执行分割预测后的特殊区域拼接在执行分割预测后的整体区域中,使特殊区域冠状动脉优化预测结果拼接在冠状动脉预测结果上,得到冠状动脉优化分割预测结果,作为冠状动脉的预测图像。
以上涉及深度网络学习的训练样本均可以通过CT影像获得,但不仅限于CT影像。
步骤404,确定拼接后执行分割预测后的特殊区域和执行分割预测后的整体区域的重合区域。
步骤405,在重合区域内,确定冠状动脉预测结果和/或特殊区域冠状动脉优化预测结果为冠状动脉优化分割预测结果。
以上涉及深度网络学习的训练样本均可以通过CT影像获得,但不仅限于CT影像。
本实施例在冠状动脉预测结果上标明特殊区域,并通过冠状动脉特殊区域分割模型在特殊区域获得特殊区域冠状动脉优化预测结果,在特殊区域上实现了进一步进行优化,将特殊区域冠状动脉优化预测结果拼接在对应的冠状动脉预测结果上,使冠状动脉的血管特殊区域相较于现有技术能够更加清晰,减少非冠脉血管等的引入,进而提高了冠脉血管的分割精度。
本发明一实施例的冠状动脉特殊区域分割模型还可通过人工标注分叉点和端点的CT影像作为训练样本,采用深度学习方法优化得到冠状动脉特殊区域分割模型。
图5示出本发明一实施例中一种基于特殊区域优化的冠状动脉分割装置,包括模型训练模块501、分割预测模块502、获取预测模块503、结果拼接模块504、特殊区域确定模块505和重合确定模块506。
模型训练模块501,用于通过神经网络方法分别训练获得冠状动脉整体区域分割模型和冠状动脉特殊区域分割模型。
模型训练模块501包括:
生成树生成单元5011,用于在标注的冠状动脉分割数据上提取中心线,由中心线生成连通图,通过连通图得到生成树,通过生成树确定生成树上的分叉点和/或端点。
特殊模型训练单元5012,用于在分叉点和/或端点上进行神经网络方法训练得到冠状动脉特殊区域分割模型。
分割预测模块502,用于通过冠状动脉整体区域分割模型对冠状动脉整体区域分割预测得到冠状动脉预测结果。
获取预测模块503,用于在冠状动脉预测结果上获取特殊区域,通过冠状动脉特殊区域分割模型对特殊区域进行分割预测得到特殊区域冠状动脉优化预测结果。
结果拼接模块504,用于将执行分割预测后的特殊区域拼接在执行分割预测后的整体区域中,使特殊区域冠状动脉优化预测结果拼接在冠状动脉预测结果上,得到冠状动脉优化分割预测结果,作为冠状动脉的预测图像。
特殊区域确定模块505,用于确定冠状动脉的分叉点和/或端点为特殊区域。
重合确定模块506,用于确定拼接后执行分割预测后的特殊区域和执行分割预测后的整体区域的重合区域;在重合区域内,确定冠状动脉预测结果和/或特殊区域冠状动脉优化预测结果为冠状动脉优化分割预测结果。
本实施例通过模型训练模块501、分割预测模块502、获取预测模块503的设置,能够得到冠状动脉预测结果和特殊区域冠状动脉优化预测结果。通过结果拼接模块504、特殊区域确定模块505和重合确定模块506的设置,能够用于将特殊区域冠状动脉优化预测结果拼接在对应的冠状动脉预测结果上,实现冠状动脉预测结果在特殊区域的优化。使冠状动脉的血管特殊区域相较于现有技术能够更加清晰,减少非冠脉血管等的引入,进而提高了冠脉血管的分割精度。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上,仅为本发明的具体实施方式,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以权利要求的保护范围为准。