CN110706246B - 一种血管图像分割方法、装置、电子设备和存储介质 - Google Patents

一种血管图像分割方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN110706246B
CN110706246B CN201910980037.8A CN201910980037A CN110706246B CN 110706246 B CN110706246 B CN 110706246B CN 201910980037 A CN201910980037 A CN 201910980037A CN 110706246 B CN110706246 B CN 110706246B
Authority
CN
China
Prior art keywords
blood vessel
image
layer
vessel image
segmented
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
Application number
CN201910980037.8A
Other languages
English (en)
Other versions
CN110706246A (zh
Inventor
张武龙
吕文尔
黄弯弯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Weiwei Medical Technology Co ltd
Original Assignee
Shanghai Weiwei Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Weiwei Medical Technology Co ltd filed Critical Shanghai Weiwei Medical Technology Co ltd
Priority to CN201910980037.8A priority Critical patent/CN110706246B/zh
Publication of CN110706246A publication Critical patent/CN110706246A/zh
Application granted granted Critical
Publication of CN110706246B publication Critical patent/CN110706246B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • G06T2207/20036—Morphological image processing
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种血管图像分割方法、装置、电子设备和存储介质，所述方法包括采用预先训练好的目标检测网络模型对所述待分割血管图像进行检测，以检测出起始血管段，所述目标检测网络模型优选为Faster R‑CNN模型；对所述起始血管段的各层血管进行分析，以确定所述起始血管段的起始血管层，并将所述起始血管层的中心作为区域生长的生长起始点；以及根据所述生长起始点和预设生长准则，采用区域生长法对所述待分割血管图像进行分割，以得到血管图像。本发明在进行血管图像分割时，可以自动计算得到生长点，解决了现有技术中必须手动选择生长点的问题，从而可以有效提高血管图像的分割效率，进而可以更好地辅助医生。

Description

一种血管图像分割方法、装置、电子设备和存储介质
技术领域
本发明涉及图像处理技术领域，特别涉及一种血管图像分割方法、装置、电子设备和存储介质。
背景技术
主动脉瘤和主动脉夹层称为人体"定时炸弹"，对人体生命健康威胁极大，病情异常凶险，常常因为瘤体或血管外壁的破裂出血导致患者无法救治、突然死亡。目前诊断这两种疾病常用的方法是通过对患者进行CT血管造影(CTA),分析血管外形、直径等参数，同时需要对CTA影像进行主动脉血管三维建模，而三维建模最关键的步骤就是血管图像分割。
虽然目前已经有了一些血管图像分割的方法，但大部分方法是通过手动交互式软件来完成，如Mimics软件需要进行大量的手动设置和选点，还有一些半自动的方法可以自动完成阈值、滤波等操作，但是仍然需要手动选择主动脉血管上的生长点进行区域生长，还有一些方法是直接使用深度学习进行训练和分割。
其中，手动交互式的方法操作时间长，需要使用者同时具备医学和图像处理知识；半自动的方法虽然能自动完成图形处理工作，但是仍然需要手动输入种子点作为起始血管层；基于深度学习的直接分割法需要医生对大量的数据进行标注，通过训练模型进行血管图像分割，此方法存在三个不足：一是难以获得大量的数据量，二是训练过程耗时长，三是分割结果存在人工不可控的误差。
发明内容
本发明的目的在于提供一种血管图像分割方法、装置、电子设备和存储介质，以解决现有技术中，在进行血管图像分割时，必须手动选择生长点的问题。
为解决上述技术问题，本发明提供一种血管图像分割方法，包括：
采用预先训练好的目标检测网络模型对所述待分割血管图像进行检测，以检测出起始血管段；
对所述起始血管段的各层血管进行分析，以确定所述起始血管段的起始血管层，并将所述起始血管层的中心作为区域生长的生长起始点；以及
根据所述生长起始点和预设生长准则，采用区域生长法对所述待分割血管图像进行分割，以得到血管图像。
可选的，所述目标检测网络模型为Faster R-CNN模型，所述Faster R-CNN模型包括共享卷积层、候选区域生成网络和分类器。
可选的，在采用预先训练好的目标检测网络模型对所述待分割血管图像进行检测之前，所述方法还包括：
根据窗位和窗宽，对所述待分割血管图像进行调窗操作，以将所述待分割血管图像的灰度值进行归一化；
所述采用预先训练好的目标检测网络模型对所述待分割血管图像进行检测的步骤，具体为，采用预先训练好的目标检测网络模型对调窗操作后的所述待分割血管图像进行检测。
可选的，所述对所述起始血管段的各层血管进行分析，以确定所述起始血管段的起始血管层，包括：
计算所述起始血管段的各层血管的面积和圆度；
分别对各层血管的所述面积和所述圆度进行加权求和，以得到各层血管的置信度并进行排序；以及
根据排序结果，选择置信度最高的一层血管作为所述起始血管段的起始血管层；
其中，根据如下公式，分别对各层血管的所述面积和所述圆度进行加权求和，以得到各层血管的置信度：
Ti＝k1*Si+k2*Ci
其中，Ti为第i层血管的置信度，k1为预设的面积权重系数，Si为第i层血管的面积，k2为预设的圆度权重系数，Ci为第i层血管的圆度。
可选的，所述计算所述起始血管段的各层血管的面积和圆度，包括：
对所述起始血管段的各层血管分别进行最大连通域分析；
分别计算各层血管的最大连通域的面积，并将所述最大连通域的面积作为对应层血管的面积；
分别计算各层血管的最大连通域的中心到外轮廓的最大值；以及
根据如下公式分别计算各层血管的圆度：
Figure BDA0002234888760000031
其中，Ci为第i层血管的圆度，Si为第i层血管的最大连通域的面积，li是第i层血管的最大连通域的中心到外轮廓的最大值。
可选的，在根据所述生长起始点和预设生长准则，采用区域生长法对所述待分割血管图像进行分割之前，所述方法还包括：
将所述待分割血管图像转化为三维体数据图像；
所述采用区域生长法对所述待分割血管图像进行分割，以得到血管图像的步骤，具体为，采用区域生长法对所述待分割血管图像的三维体数据图像进行分割，以得到三维血管图像。
可选的，所述根据所述生长起始点和预设生长准则，采用区域生长法对所述待分割血管图像的三维体数据图像进行分割，包括：
A、将所述生长起始点的n×n×n邻域作为初始的种子区域，其中所述初始的种子区域内的体素点均为种子点；
B、计算种子区域的灰度均值Ms；
C、按照如下预设生长准则，将符合条件的体素点纳入所述种子区域，并将所述符合条件的体素点作为新的种子点：
|g(t)-Ms|＜σ
其中，g(t)为种子点邻域处的体素点的灰度值，σ为预设阈值；
重复执行步骤B至C，直到没有新的体素点纳入到所述种子区域，或者达到预设迭代次数，从而完成血管图像的分割。
可选的，在采用区域生长法对所述待分割血管图像进行分割之前，所述方法还包括：
对所述待分割血管图像进行预处理，以滤除所述待分割血管图像中的噪声；
所述采用区域生长法对所述待分割血管图像进行分割的步骤，具体为，采用区域生长法对预处理后的所述待分割血管图像进行分割。
可选的，所述对所述待分割图像进行预处理的步骤，具体为，采用各向异性滤波对所述待分割图像进行预处理。
可选的，在得到所述血管图像后，所述方法还包括：
采用形态学操作对所述血管图像进行边缘平滑处理，以得到最终的血管图像。
可选的，所述采用形态学操作对所述血管图像进行边缘平滑处理，以得到最终的血管图像，包括：
对所述血管图像进行二值化处理，以得到二值化图像，其中，血管区域内的灰度值设置为1，血管区域以外的区域的灰度值设置为0；
对所述二值化图像依次进行开运算和闭运算处理，以得到处理后的二值化图像；以及
将所述处理后的二值化图像的各位置处的灰度值与所述血管图像的对应位置处的灰度值相乘，以对所述处理后的二值化图像的灰度值进行调整，从而得到最终的血管图像。
为解决上述技术问题，本发明还提供一种血管图像分割装置，包括：
目标检测模块，用于采用预先训练好的目标检测网络模型对所述待分割血管图像进行检测，以检测出起始血管段；
分析模块，用于对所述起始血管段的各层血管进行分析，以确定所述起始血管段的起始血管层，并将所述起始血管层的中心作为区域生长的生长起始点；以及
分割模块，用于根据所述生长起始点和预设生长准则，采用区域生长法对所述待分割血管图像进行分割，以得到血管图像。
可选的，所述目标检测网络模型为Faster R-CNN模型，所述Faster R-CNN模型包括共享卷积层、候选区域生成网络和分类器。
可选的，所述血管图像分割装置还包括：
第一调整模块，用于根据窗位和窗宽，对所述待分割血管图像进行调窗操作，以将所述待分割血管图像的灰度值进行归一化。
可选的，所述分析模块包括：
第一计算子模块，用于计算所述起始血管段的各层血管的面积和圆度；
第二计算子模块，用于分别对各层血管的所述面积和所述圆度进行加权求和，以得到各层血管的置信度并进行排序；以及
选择子模块，用于根据排序结果，选择置信度最高的一层血管作为所述起始血管段的起始血管层；
其中，所述第二计算子模块根据如下公式，分别对各层血管的所述面积和所述圆度进行加权求和，以得到各层血管的置信度：
Ti＝k1*Si+k2*Ci
其中，Ti为第i层血管的置信度，k1为预设的面积权重系数，Si为第i层血管的面积，k2为预设的圆度权重系数，Ci为第i层血管的圆度。
可选的，所述第一计算子模块包括：
分析单元，用于对所述起始血管段的各层血管分别进行最大连通域分析；
第一计算单元，用于分别计算各层血管的最大连通域的面积，并将所述最大连通域的面积作为对应层血管的面积；
第二计算单元，用于分别计算各层血管的最大连通域的中心到外轮廓的最大值；以及
第三计算单元，用于根据如下公式分别计算各层血管的圆度：
Figure BDA0002234888760000051
其中，Ci为第i层血管的圆度，Si为第i层血管的最大连通域的面积，li是第i层血管的最大连通域的中心到外轮廓的最大值。
可选的，所述血管图像分割装置，还包括：
第二调整模块，用于将所述待分割血管图像转化为三维体数据图像。
可选的，所述分割模块具体通过如下步骤对所述待分割血管图像的三维体数据图像进行分割：
A、将所述生长起始点的n×n×n邻域作为初始的种子区域，其中所述初始的种子区域内的体素点均为种子点；
B、计算种子区域的灰度均值Ms；
C、按照如下预设生长准则，将符合条件的体素点纳入所述种子区域，并将所述符合条件的体素点作为新的种子点：
|g(t)-Ms|＜σ
其中，g(t)为种子点邻域处的体素点的灰度值，σ为预设阈值；
重复执行步骤B至C，直到没有新的体素点纳入到所述种子区域，或者达到预设迭代次数，从而完成血管图像的分割。
可选的，所述血管图像分割装置还包括：
预处理模块，用于对所述待分割血管图像进行预处理，以滤除所述待分割血管图像中的噪声。
可选的，所述血管图像分割装置还包括：
后处理模块，用于采用形态学操作对所述血管图像进行边缘平滑处理，以得到最终的血管图像。
可选的，所述后处理模块，包括：
二值化子模块，用于对所述血管图像进行二值化处理，以得到二值化图像，其中，血管区域的灰度值设置为1，血管区域以外的区域的灰度值设置为0；
第一处理子模块，用于对所述二值化图像依次进行开运算和闭运算处理，以得到处理后的二值化图像；以及
第二处理子模块，用于将所述处理后的二值化图像的各位置处的灰度值与所述血管图像的对应位置处的灰度值相乘，以对所述处理后的二值化图像的灰度值进行调整，从而得到最终的血管图像。
为解决上述技术问题，本发明还提供一种电子设备，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现上文所述的血管图像分割方法。
为解决上述技术问题，本发明还提供一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现上文所述的血管图像分割方法。
与现有技术相比，本发明提供的血管图像分割方法、装置、电子设备和存储介质具有以下优点：本发明通过先采用预先训练好的目标检测网络模型对待分割血管图像进行检测，以检测出起始血管段，所述目标检测网络模型优选为Faster R-CNN模型；再对所述起始血管段的各层血管进行分析，以确定所述起始血管段的起始血管层，并将所述起始血管层的中心作为区域生长的生长起始点；最后根据所述生长起始点和预设生长准则，采用区域生长法对所述待分割血管图像进行分割，以得到血管图像。可见，通过采用本发明提供的血管图像分割方法、装置、电子设备和存储介质，在进行血管图像分割时，可以自动计算得到生长点，解决了现有技术中必须手动选择生长点的问题，从而可以有效提高血管图像的分割效率，进而可以更好地辅助医生。
附图说明
图1为本发明一实施方式中的血管图像分割方法的流程图；
图2为本发明中的生成多个box的血管目标检测示意图的一具体示例；
图3为本发明一实施方式中的血管图像分割装置的方框结构示意图；
图4为本发明一实施方式中的电子设备的方框结构示意图。
其中，附图标记如下：
目标检测模块-201；分析模块-202；分割模块-203；处理器-301；通信接口-302；存储器-303；通信总线-304。
具体实施方式
以下结合附图1至4和具体实施方式对本发明提出的一种血管图像分割方法、装置、电子设备和存储介质作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明的核心思想在于提供一种血管图像分割方法、装置、电子设备和存储介质，以便解决现有技术中，在进行血管图像分割时，必须手动选择生长点的问题。
需要说明的是，本发明实施方式的血管图像分割方法可应用于本发明实施方式的血管图像分割装置，该血管图像分割装置可被配置于电子设备上，其中，该电子设备可以是个人计算机、移动终端等，该移动终端可以是手机、平板电脑等具有各种操作系统的硬件设备。
为实现上述思想，本发明提供一种血管图像分割方法，请参考图1，示意性地给出了本发明一实施方式提供的血管图像分割方法的流程图，如图1所示，所述血管图像分割方法包括如下步骤：
步骤S101：采用预先训练好的目标检测网络模型对待分割血管图像进行检测，以检测出起始血管段。
所述待分割血管图像为灰度图像，所述待分割血管图像可以是CTA(计算机断层血管造影)图像，也可以是MRA(核磁共振血管造影)图像，还可以是其它的医学图像。所述待分割血管图像可以通过图像获取装置进行采集，例如CT、MRI等影像设备，也可以通过互联网搜集得到，还可以通过扫描设备扫描得到。
举例而言，当所述待分割血管为主动脉血管时，所述主动脉血管的起始血管段为升主动脉血管。升主动脉血管起始于主动脉瓣，终止于主动脉弓，是人体动脉血管中最粗、血流量最大的血管。升主动脉血管的起点处血管较直，圆度较大，在二维断层面上呈现圆形，并且升主动脉在靠近主动脉弓处开始变弯曲，在二维断层面上呈现椭圆形状。对应的，在本步骤中，采用预先训练好的目标检测网络模型对所述待分割血管图像进行检测，以检测出升主动脉血管。
优选的，为了将血管在所述待分割血管图像上更清楚地显示出来，在执行步骤S101之前，所述方法还包括：
根据窗位和窗宽，对所述待分割血管图像进行调窗操作，以将所述待分割血管图像的灰度值进行归一化，以使得所述待分割血管图像的灰度值归一化到一定数值，例如较佳地为[0,255]。
举例而言，当所述待分割血管图像为CTA图像时，由于CTA图像使用的是DICOM(医学数字成像和通信)格式的数据格式，这种格式广泛用于医学领域。一个标准的DICOM格式的图像由头文件和数据集组成，其中头文件包含了数据的Tag信息，包括患者信息、设备参数、成像参数、医院及医生信息等，另外数据集与常见的图像格式不同，为12bit或16bit数据，其CT值介于-1024——3071之间，对应由黑到白的灰度值介于0-4095之间，可以表达更加丰富的信息。其中，CT值与灰度值之间的转化公式如下：
Hu＝pixel*slope+intercept (1)
其中，Hu是CT值，pixel是灰度值，slope和intercept是DICOM数据中Tag自带的两个信息，一般为1和-1024。
调窗操作是医学图像处理中用以观察不同密度的正常或病变组织的一种显示技术，它可以将CTA图像转换成255个灰度级以突显出设定范围内的CT值，该范围通过窗宽和窗位来设定；窗宽指CTA图像所显示的CT值范围，窗位(窗中心)指窗宽范围内的CT均值或中心值。通过调窗操作，可以将CTA图像的灰度值归一化到[0,255]，通过设置不同的窗位和窗宽可以更加清晰的凸显不同的组织器官。本发明中根据窗位和窗宽进行数据格式转化，可以将血管更加明显的显示出来。具体地，可以通过如下公式对所述待分割图像进行调窗操作：
Figure BDA0002234888760000091
Figure BDA0002234888760000092
Figure BDA0002234888760000093
Figure BDA0002234888760000094
其中，Min是突出显示的CT值范围下限，Max是突出显示的CT值范围上限，center和width分别是窗位和窗宽值，pixel是待调整的灰度值，V1是转化后的灰度值，V2是最终调整结果。
对应的，在步骤S101中，采用预先训练好的目标检测网络模型对调窗操作后的所述待分割血管图像进行检测。
优选的，所述目标检测网络模型为Faster R-CNN模型，所述Faster R-CNN模型包括共享卷积层、候选区域生成网络RPN和分类器。
Faster R-CNN将特征提取和候选区域生成部分融合进了一个网络模型，通过共享卷积层对各幅图片/图像进行特征提取，特征矩阵直接在RPN网络批量生成候选区域，解决了候选框批量生产时间太长的问题，同时采用候选区域生成网络RPN批量生产候选区域，可以减少冗余的候选框。共享卷积层通常采用VGG16网络来批量提取每幅图片/图像的特征，生成特征矩阵，由于层数较深可更多的提取目标的特征，对小目标的识别也具有较高的识别精度。候选区域生成网络采用RPN网络，减少冗余框，将图片的特征矩阵传送给RPN网络，经过一次卷积，进行集中特征信息，例如取9个不同尺寸的窗口对不同的像素区域进行选择性搜索，批量生产候选区域特征图像。窗口尺寸优选为三种面积和三种比例的组合。FasterR-CNN网络模型由卷积和池化等层次组成共享层提取整幅图像的基础图像特征，特征矩阵传送给候选区域生成网络RPN，批量生产候选区域，使用ROI(region ofinterest)池化层将候选区域数据映射为统一尺寸的候选区域特征向量，将候选区域特征向量传送给分类器和回归器，进行图像检测处理。
在本发明中，所述FasterR-CNN网络模型的检测步骤包括：
通过共享卷积层对输入的待分割血管图像进行特征提取；
提取的特征图像通过候选区域生成网络RPN，批量生成候选框；
统一候选框尺寸，使用Softmax分类器对候选框内的目标进行分类识别，判断每个候选框内是否有目标血管(起始血管，例如升主动脉血管)及进行坐标回归，然后对RPN提取的可能存在目标血管的候选框进行分类与坐标回归，并对目标候选框进行非极大值抑制，寻找出置信度最高的目标候选框，确定为目标血管(起始血管，例如升主动脉血管)。
所述FasterR-CNN网络模型在实际工作时，会遍历每一层图像，当检测到疑似起始血管(例如升主动脉血管)时，会在起始血管周围生成多个box。为了减少运算的复杂度，本发明增加了非极大值抑制，以从多个box中选出与真实血管置信度最高的一个确定为起始血管(例如升主动脉血管)，获取其二维坐标和所在的层数，并将识别结果进行存储，最终输出一组起始血管(例如升主动脉血管)的序列坐标，从而检测出起始血管段。
请参考图2，其示意性地给出了生成多个box的血管目标检测示意图，如图2所示，图中阴影部分的圆表示起始血管(例如升主动脉血管)的横截面，周围的矩形box是上述目标检测的结果(存在疑似起始血管，例如升主动脉血管的候选框)，非极大值抑制算法的目的是从中找出置信度最高的box，其过程如下：
(1)计算每个box的面积，建造一个存放待处理候选框的集合H，将识别后的框存放其中，建造一个存放最优框的集合M，初始化为空集；
(2)将血管周边的多个box进行排序，选出得分最高/置信度最高的框，记为m，将其从H转移到M；
(3)遍历H中的框，分别计算其与框m的交并比，如果高于预设阈值，则认为其与m重叠，将其移出H集合；该预设阈值可设为0.9。
(4)重复步骤(2)-(3)，直到集合H为空集，此时M中的框即为最终的置信度最高的box。
步骤S102：对所述起始血管段的各层血管进行分析，以确定所述起始血管段的起始血管层，并将所述起始血管层的中心作为区域生长的生长起始点。
通过步骤S101，可以获得一组起始血管段的二维坐标和所在的层数，根据所述起始血管段的各层血管的二维坐标，可以确定所述起始血管段的起始血管层，从而可将所述起始血管层的中心作为区域生长的生长起始点。
优选的，可通过如下步骤对所述起始血管段的各层血管进行分析，以确定所述起始血管段的起始血管层：
计算所述起始血管段的各层血管的面积和圆度；
分别对各层血管的所述面积和所述圆度进行加权求和，以得到各层血管的置信度并进行排序；以及
根据排序结果，选择置信度最高的一层血管作为所述起始血管段的起始血管层。
根据先验知识，起点处血管圆度最大，面积最大，因此，本发明通过对各层血管的面积和圆度进行加权求和，以得到各层血管的置信度并根据所述各层血管的置信度的排序结果，选择置信度最高的一层血管作为所述起始血管段的起始血管层，所得到的起始血管层的中心即为区域生长的生长起始点。
具体地，可根据如下公式，分别对各层血管的所述面积和所述圆度进行加权求和，以得到各层血管的置信度：
Ti＝k1*Si+k2*Ci (6)
其中，Ti为第i层血管的置信度，k1为预设的面积权重系数，Si为第i层血管的面积，k2为预设的圆度权重系数，Ci为第i层血管的圆度。
优选的，k1+k2＝1，且k1＞k2。
优选的，所述计算所述起始血管段的各层血管的面积和圆度，包括：
对所述起始血管段的各层血管分别进行最大连通域分析；
分别计算各层血管的最大连通域的面积，并将所述最大连通域的面积作为对应层血管的面积；
分别计算各层血管的最大连通域的中心到外轮廓的最大值；以及
根据如下公式分别计算各层血管的圆度：
Figure BDA0002234888760000121
其中，Ci为第i层血管的圆度，Si为第i层血管的最大连通域的面积，li是第i层血管的最大连通域的中心到外轮廓的最大值。
步骤S103：根据所述生长起始点和预设生长准则，采用区域生长法对所述待分割血管图像进行分割，以得到血管图像。
区域生长法是将图像中具有相似性质的像素(体素)结合起来构成区域。具体先对每个需要分割的区域找一个种子像素(体素)作为生长的起点，然后将种子像素周围邻域中与种子像素(体素)有相同或相似性质的像素(体素)合并到种子像素(体素)所在的区域。将这些新像素(体素)当作新的种子像素(体素)继续进行上面的过程，直到再没有满足条件的像素(体素)可被包括进来，这样一个区域就长成了。
优选的，在采用区域生长法对所述待分割血管图像进行分割之前，所述方法还包括：
对所述待分割血管图像进行预处理，以滤除所述待分割血管图像中的噪声。
对应的，在本步骤中，采用区域生长法对预处理后的所述待分割血管图像进行分割。由此，通过对所述待分割血管图像进行预处理，可以有效滤除所述待分割血管图像中的噪声信息，从而可以有效提高所述待分割血管图像的图像质量，从而可以提高血管图像分割的准确度。
优选的，可采用各向异性滤波对所述待分割图像进行预处理。由此，通过采用各向异性滤波对所述待分割图像进行预处理，可以在保留血管边缘信息的基础上有效的去除图像上的噪声。各向异性滤波是基于偏微分的各向异性扩散方程求解思想发展而来，对于灰度图I(x,y)，它的各向异性扩散方程表示如下：
Figure BDA0002234888760000131
Figure BDA0002234888760000132
或者
Figure BDA0002234888760000133
其中，Δ是Laplacian算子，
Figure BDA0002234888760000134
是梯度算子，c(x,y,t)是扩散系数，控制扩散速率，K是热传导系数，用来控制边缘的灵敏度。
优选的，在执行步骤S103之前，所述方法还包括，将所述待分割血管图像转化为三维体数据图像。对应的，在步骤S103中，采用区域生长法对所述待分割血管图像的三维体数据图像进行分割，以得到三维血管图像。
举例而言，当所述待分割血管图像是CTA图像时，由于DICOM数据是断层扫描的结果，在数据格式上是二维数据序列，二维数据序列分割无法包含人体三维联通的信息，所以通过将其转化为三维体数据，可以将所述待分割血管图像转化为三维体数据图像。
区域生长法分割二维图像是基于待分割像素的中心点周边的4邻域或8邻域(按照不同像素位置分割区域)进行的，而采用区域生长法分割三维图像时，则需要考虑待分割体素的18邻域或26邻域。
优选的，在步骤S103中，通过如下步骤，采用区域生长法对所述待分割图像的三维体数据图像进行分割：
A、将所述生长起始点的n×n×n邻域作为初始的种子区域，其中所述初始的种子区域内的体素点均为初始的种子点；
B、计算种子区域的灰度均值Ms；
C、按照如下预设生长准则，将符合条件的体素点纳入所述种子区域，并将所述符合条件的体素点作为新的种子点：
|g(t)-Ms|＜σ (11)
其中，g(t)为种子点邻域处的体素点的灰度值，σ为预设阈值；
重复执行步骤B至C，直到没有新的体素点纳入到所述种子区域，或者达到预设迭代次数，从而完成血管图像的分割。
具体的，对于步骤A，所述初始的种子区域内共有n3个体素点。优选的，可将步骤S102中得到的生长起始点的3×3×3邻域作为初始的种子区域，该初始的种子区域中共有27个体素点，这27个体素点均为初始的种子点。
对于步骤B，种子区域的灰度均值Ms为种子区域内的所有体素点的灰度值的平均值。例如，当种子区域内共有27个体素点时，此时，种子区域的灰度均值为这27个体素点的灰度值的平均值。
对于步骤C，判断种子点邻域处的体素点的灰度值g(t)与种子区域的灰度均值Ms的差值的绝对值是否小于预设阈值σ，若两者的差值的绝对值小于预设阈值σ，则将该体素点合并，即将该体素点纳入所述种子区域，并将其作为新的种子点，否则，则不纳入种子区域。
重复执行步骤B至C，直到没有新的体素点纳入到所述种子区域，或者达到预设迭代次数，从而完成血管图像的分割，得到一个较为纯净的三维血管图像。
优选的，在执行完步骤S103之后，所述方法还包括：
采用形态学操作对所述血管图像进行边缘平滑处理，以得到最终的血管图像。
由于步骤S103中得到的血管图像是通过区域生长法形成的，其边缘会凹凸不平，这是由于不同的扫描间距、不同的成像设备所生成的血管图像质量不同导致的，因此通过采用形态学操作对所述血管图像进行边缘平滑处理，可以起到去除粘连部位、边缘平滑和孔洞填充的作用，有效解决血管外壁凹凸不平以及与其他组织粘连的现象，从而提高最终获得的血管图像的图像质量。
优选的，可通过如下步骤，对所述血管图像进行边缘平滑处理：
对所述血管图像进行二值化处理，以得到二值化图像，其中血管区域内的灰度值设置为1，血管区域以外的区域的灰度值设置为0；
对所述二值化图像依次进行开运算和闭运算处理，以得到处理后的二值化图像；以及
将所述处理后的二值化图像的各位置处的灰度值与所述血管图像的对应位置处的灰度值相乘，以对所述处理后的二值化图像的灰度值进行调整，从而得到最终的血管图像。
由此，通过将处理后的二值化图像的各位置处的灰度值与所述血管图像的对应位置处的灰度值相乘，由此可将处理后的二值化图像中的血管区域的灰度值替换为对应位置处的血管图像的灰度值，而血管区域以外的区域的灰度值仍为0，从而可以得到纯净的血管图像。
膨胀和腐蚀是形态学操作的基础，其不同的组合构成了区域填充、开运算和闭运算。
膨胀预算是一种使图像中的目标变粗或生长的操作，它可以填补边缘的缝隙，解决边缘断线的问题。
Figure BDA0002234888760000151
表示图像A被结构元素S膨胀，定义为：
Figure BDA0002234888760000152
式中，Sxy表示将结构元素S的原点移到点(x,y)时得到的图像，φ表示空集。图像A被结构元素S膨胀得到的图像可以认为是这样的点(x,y)构成的集合；如果结构元素S的原点移到点(x,y)时，S与A的交集不为空集。
腐蚀运算是一种细化或收缩图像中目标的操作，它能够消除边缘附近的毛刺，使得图像边缘变得光滑，同时去掉小而无意义的水滴。
Figure BDA0002234888760000153
表示图像A被结构元素S腐蚀，定义为：
Figure BDA0002234888760000154
图像A被结构元素S腐蚀得到的图像可以认为是这样的点(x,y)构成的集合；如果结构元素S的原点移到点(x,y)时，S完全包含于A中。
区域填充是通过使用数学形态学中的膨胀运算、交集运算、求补运算以及补集运算，填充边缘内部的孔洞。从图像A边缘内部一点X0开始，将其灰度记为1，按照下面的表达式填充整个区域：
Figure BDA0002234888760000155
式中，S表示结构元素；Ac表示图像A的补集。结束条件为Xk＝Xk-1，此时Xk∪A包括图像边缘及内部填充的集合。
开运算表示为
Figure BDA0002234888760000156
定义如下：
Figure BDA0002234888760000157
闭运算表示为A·S，定义如下：
Figure BDA0002234888760000158
综上所述，本发明提供的血管图像分割方法，通过先采用预先训练好的目标检测网络模型对待分割血管图像进行检测，以检测出起始血管段，所述目标检测网络模型优选为Faster R-CNN模型；再对所述起始血管段的各层血管进行分析，以确定所述起始血管段的起始血管层，并将所述起始血管层的中心作为区域生长的生长起始点；最后根据所述生长起始点和预设生长准则，采用区域生长法对所述待分割血管图像进行分割，以得到血管图像。可见，通过采用本发明提供的血管图像分割方法，在进行血管图像分割时，可以自动计算得到生长点，解决了现有技术中必须手动选择生长点的问题，从而可以有效提高血管图像的分割效率，进而可以更好地辅助医生。
与上述的血管图像分割方法相对应，本发明还提供一种血管图像分割装置，请参考图3，示意性地给出了本发明一实施方式的血管图像分割装置的结构框图，如图3所示，所述血管图像分割装置包括：
目标检测模块201，用于采用预先训练好的目标检测网络模型对待分割血管图像进行检测，以检测出起始血管段；
分析模块202，用于对所述起始血管段的各层血管进行分析，以确定所述起始血管段的起始血管层，并将所述起始血管层的中心作为区域生长的生长起始点；以及
分割模块203，用于根据所述生长起始点和预设生长准则，采用区域生长法对所述待分割血管图像进行分割，以得到血管图像。
可选的，所述目标检测网络模型为Faster R-CNN模型，所述Faster R-CNN模型包括共享卷积层、候选区域生成网络和分类器。
可选的，所述血管图像分割装置还包括：
第一调整模块，用于根据窗位和窗宽，对所述待分割血管图像进行调窗操作，以将所述待分割血管图像的灰度值进行归一化，以使得所述待分割血管图像的灰度值归一化到一定数值，例如[0,255]。
对应的，所述目标检测模块201，用于采用预先训练好的目标检测网络模型对调窗操作后的待分割血管图像进行检测，以检测出起始血管段。
具体地，可以通过如下公式对所述待分割图像进行调窗操作：
Figure BDA0002234888760000161
Figure BDA0002234888760000162
Figure BDA0002234888760000163
Figure BDA0002234888760000164
其中，Min是突出显示的CT值范围下限，Max是突出显示的CT值范围上限，center和width分别是窗位和窗宽值，pixel是待调整的灰度值，V1是转化后的灰度值，V2是最终调整结果。
可选的，所述分析模块202包括：
第一计算子模块，用于计算所述起始血管段的各层血管的面积和圆度；
第二计算子模块，用于分别对各层血管的所述面积和所述圆度进行加权求和，以得到各层血管的置信度并进行排序；以及
选择子模块，用于根据排序结果，选择置信度最高的一层血管作为所述起始血管段的起始血管层。
具体地，所述第二计算子模块可根据如下公式，分别对各层血管的所述面积和所述圆度进行加权求和，以得到各层血管的置信度：
Ti＝k1*Si+k2*Ci (6)
其中，Ti为第i层血管的置信度，k1为预设的面积权重系数，Si为第i层血管的面积，k2为预设的圆度权重系数，Ci为第i层血管的圆度。
优选的，k1+k2＝1，且k1＞k2。
可选的，所述第一计算子模块包括：
分析单元，用于对所述起始血管段的各层血管分别进行最大连通域分析；
第一计算单元，用于分别计算各层血管的最大连通域的面积，并将所述最大连通域的面积作为对应层血管的面积；
第二计算单元，用于分别计算各层血管的最大连通域的中心到外轮廓的最大值；以及
第三计算单元，用于根据如下公式分别计算各层血管的圆度：
Figure BDA0002234888760000171
其中，Ci为第i层血管的圆度，Si为第i层血管的最大连通域的面积，li是第i层血管的最大连通域的中心到外轮廓的最大值。
可选的，所述血管图像分割装置，还包括：
第二调整模块，用于将所述待分割血管图像转化为三维体数据图像。
对应的，所述分割模块，用于采用区域生长法对所述待分割血管图像的三维体数据图像进行分割，以得到三维血管图像。
可选的，所述分割模块203具体通过如下步骤对所述待分割血管图像的三维体数据图像进行分割：
A、将所述生长起始点的n×n×n邻域作为初始的种子区域，其中所述初始的种子区域内的体素点均为初始的种子点；
B、计算种子区域的灰度均值Ms；
C、按照如下预设生长准则，将符合条件的体素点纳入所述种子区域，并将所述符合条件的体素点作为新的种子点：
|g(t)-Ms|＜σ (11)
其中，g(t)为种子点邻域处的体素点的灰度值，σ为预设阈值；
重复执行步骤B至C，直到没有新的体素点纳入到所述种子区域，或者达到预设迭代次数，从而完成血管图像的分割。
可选的，所述血管图像分割装置还包括：
预处理模块，对所述待分割血管图像进行预处理，以滤除所述待分割血管图像中的噪声。
对应的，所述第二调整模块，用于将预处理后的所述待分割血管图像转化为三维体数据图像。
所述分割模块，用于根据所述生长起始点和预设生长准则，采用区域生长法对预处理后的所述待分割血管图像进行分割，以得到血管图像。
可选的，所述血管图像分割装置还包括：
后处理模块，用于采用形态学操作对所述血管图像进行边缘平滑处理，以得到最终的血管图像。
可选的，所述后处理模块，包括：
二值化子模块，用于对所述血管图像进行二值化处理，以得到二值化图像，其中血管区域的灰度值设置为1，血管区域以外的区域的灰度值设置为0；
第一处理子模块，用于对所述二值化图像依次进行开运算和闭运算处理，以得到处理后的二值化图像；以及
第二处理子模块，用于将所述处理后的二值化图像的各位置处的灰度值与所述血管图像的对应位置处的灰度值相乘，以对所述处理后的二值化图像的灰度值进行调整，从而得到最终的血管图像。
综上所述，本发明提供的血管图像分割装置，通过先采用预先训练好的目标检测网络模型对待分割血管图像进行检测，以检测出起始血管段，所述目标检测网络模型优选为Faster R-CNN模型；再对所述起始血管段的各层血管进行分析，以确定所述起始血管段的起始血管层，并将所述起始血管层的中心作为区域生长的生长起始点；最后根据所述生长起始点和预设生长准则，采用区域生长法对所述待分割血管图像进行分割，以得到血管图像。可见，通过采用本发明提供的血管图像分割装置，在进行血管图像分割时，可以自动计算得到生长点，解决了现有技术中必须手动选择生长点的问题，从而可以有效提高血管图像的分割效率，更好地辅助医生。
基于同一发明构思，本发明还提供一种电子设备，请参考图4，示意性地给出了本发明一实施方式提供的电子设备的方框结构示意图。如图4所示，所述电子设备包括处理器301和存储器303，所述存储器303上存储有计算机程序，所述计算机程序被所述处理器301执行时，实现上文所述的血管图像分割方法。
如图4所示，所述电子设备还包括通信接口302和通信总线304，其中所述处理器301、所述通信接口302、所述存储器303通过通信总线304完成相互间的通信。所述通信总线304可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线304可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。所述通信接口302用于上述电子设备与其他设备之间的通信。
本发明中所称处理器301可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器301、数字信号处理器301(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器301可以是微处理器301或者该处理器301也可以是任何常规的处理器301等，所述处理器301是所述电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分。
所述存储器303可用于存储所述计算机程序，所述处理器301通过运行或执行存储在所述存储器303内的计算机程序，以及调用存储在存储器303内的数据，实现所述电子设备的各种功能。
所述存储器303可以包括包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本发明还提供了一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时可以实现上文所述的血管图像分割方法。
本发明实施方式的可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。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、便携式计算机硬盘、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组合使用。
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。
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)。
综上所述，与现有技术相比，本发明提供的血管图像分割方法、装置、电子设备和存储介质具有以下优点：本发明通过先采用预先训练好的目标检测网络模型对待分割血管图像进行检测，以检测出起始血管段，所述目标检测网络模型优选为Faster R-CNN模型；再对所述起始血管段的各层血管进行分析，以确定所述起始血管段的起始血管层，并将所述起始血管层的中心作为区域生长的生长起始点；最后根据所述生长起始点和预设生长准则，采用区域生长法对所述待分割血管图像进行分割，以得到血管图像。可见，通过采用本发明提供的血管图像分割方法、装置、电子设备和存储介质，在进行血管图像分割时，可以自动计算得到生长点，解决了现有技术中必须手动选择生长点的问题，从而可以有效提高血管图像的分割效率，进而可以更好地辅助医生。
应当注意的是，在本文的实施方式中所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施方式仅仅是示意性的，例如，附图中的流程图和框图显示了根据本文的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用于执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本文各个实施方式中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
上述描述仅是对本发明较佳实施方式的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (21)

1.一种血管图像分割方法，其特征在于，包括：
采用预先训练好的目标检测网络模型对待分割血管图像进行检测，以检测出起始血管段；
对所述起始血管段的各层血管进行分析，以确定所述起始血管段的起始血管层，并将所述起始血管层的中心作为区域生长的生长起始点；以及
根据所述生长起始点和预设生长准则，采用区域生长法对所述待分割血管图像进行分割，以得到血管图像；
所述对所述起始血管段的各层血管进行分析，以确定所述起始血管段的起始血管层，包括：
计算所述起始血管段的各层血管的面积和圆度；
分别对各层血管的所述面积和所述圆度进行加权求和，以得到各层血管的置信度并进行排序；以及
根据排序结果，选择置信度最高的一层血管作为所述起始血管段的起始血管层；
其中，根据如下公式，分别对各层血管的所述面积和所述圆度进行加权求和，以得到各层血管的置信度：
Ti＝k1*Si+k2*Ci
其中，Ti为第i层血管的置信度，k1为预设的面积权重系数，Si为第i层血管的面积，k2为预设的圆度权重系数，Ci为第i层血管的圆度。
2.根据权利要求1所述的血管图像分割方法，其特征在于，所述目标检测网络模型为FasterR-CNN模型，所述FasterR-CNN模型包括共享卷积层、候选区域生成网络和分类器。
3.根据权利要求1所述的血管图像分割方法，其特征在于，在采用预先训练好的目标检测网络模型对所述待分割血管图像进行检测之前，所述方法还包括：
根据窗位和窗宽，对所述待分割血管图像进行调窗操作，以将所述待分割血管图像的灰度值进行归一化；
所述采用预先训练好的目标检测网络模型对待分割血管图像进行检测的步骤具体为：
采用预先训练好的目标检测网络模型对调窗操作后的待分割血管图像进行检测。
4.根据权利要求1所述的血管图像分割方法，其特征在于，所述计算所述起始血管段的各层血管的面积和圆度，包括：
对所述起始血管段的各层血管分别进行最大连通域分析；
分别计算各层血管的最大连通域的面积，并将所述最大连通域的面积作为对应层血管的面积；
分别计算各层血管的最大连通域的中心到外轮廓的最大值；以及
根据如下公式分别计算各层血管的圆度：
Figure FDA0003547702900000021
其中，Ci为第i层血管的圆度，Si为第i层血管的最大连通域的面积，li是第i层血管的最大连通域的中心到外轮廓的最大值。
5.根据权利要求1所述的血管图像分割方法，其特征在于，在根据所述生长起始点和预设生长准则，采用区域生长法对所述待分割血管图像进行分割之前，所述方法还包括：
将所述待分割血管图像转化为三维体数据图像；
所述采用区域生长法对所述待分割血管图像进行分割，以得到血管图像的步骤具体为：采用区域生长法对所述待分割血管图像的三维体数据图像进行分割，以得到三维血管图像。
6.根据权利要求5所述的血管图像分割方法，其特征在于，所述根据所述生长起始点和预设生长准则，采用区域生长法对所述待分割血管图像的三维体数据图像进行分割，包括：
A、将所述生长起始点的n×n×n邻域作为初始的种子区域，其中所述初始的种子区域内的体素点均为初始的种子点；
B、计算种子区域的灰度均值Ms；
C、按照如下预设生长准则，将符合条件的体素点纳入所述种子区域，并将所述符合条件的体素点作为新的种子点；
|g(t)-Ms|＜σ
其中，g(t)为种子点邻域处的体素点的灰度值，σ为预设阈值；
重复执行步骤B至C，直到没有新的体素点纳入到所述种子区域，或者达到预设迭代次数，从而完成血管图像的分割。
7.根据权利要求1所述的血管图像分割方法，其特征在于，在采用区域生长法对所述待分割血管图像进行分割之前，所述方法还包括：
对所述待分割血管图像进行预处理，以滤除所述待分割血管图像中的噪声；
所述采用区域生长法对所述待分割血管图像进行分割的步骤具体为：采用区域生长法对预处理后的所述待分割血管图像进行分割。
8.根据权利要求7所述的血管图像分割方法，其特征在于，所述对所述待分割图像进行预处理的步骤具体为：采用各向异性滤波对所述待分割图像进行预处理。
9.根据权利要求1所述的血管图像分割方法，其特征在于，在得到所述血管图像后，所述方法还包括：
采用形态学操作对所述血管图像进行边缘平滑处理，以得到最终的血管图像。
10.根据权利要求9所述的血管图像分割方法，其特征在于，所述采用形态学操作对所述血管图像进行边缘平滑处理，以得到最终的血管图像，包括：
对所述血管图像进行二值化处理，以得到二值化图像，其中，血管区域内的灰度值设置为1，血管区域以外的区域的灰度值设置为0；
对所述二值化图像依次进行开运算和闭运算处理，以得到处理后的二值化图像；以及
将所述处理后的二值化图像的各位置处的灰度值与所述血管图像的对应位置处的灰度值相乘，以对所述处理后的二值化图像的灰度值进行调整，从而得到最终的血管图像。
11.一种血管图像分割装置，其特征在于，包括：
目标检测模块，用于采用预先训练好的目标检测网络模型对待分割血管图像进行检测，以检测出起始血管段；
分析模块，用于对所述起始血管段的各层血管进行分析，以确定所述起始血管段的起始血管层，并将所述起始血管层的中心作为区域生长的生长起始点；以及
分割模块，用于根据所述生长起始点和预设生长准则，采用区域生长法对所述待分割血管图像进行分割，以得到血管图像；
所述分析模块包括：
第一计算子模块，用于计算所述起始血管段的各层血管的面积和圆度；
第二计算子模块，用于分别对各层血管的所述面积和所述圆度进行加权求和，以得到各层血管的置信度并进行排序；以及
选择子模块，用于根据排序结果，选择置信度最高的一层血管作为所述起始血管段的起始血管层；
其中，所述第二计算子模块根据如下公式，分别对各层血管的所述面积和所述圆度进行加权求和，以得到各层血管的置信度：
Ti＝k1*Si+k2*Ci
其中，Ti为第i层血管的置信度，k1为预设的面积权重系数，Si为第i层血管的面积，k2为预设的圆度权重系数，Ci为第i层血管的圆度。
12.根据权利要求11所述的血管图像分割装置，其特征在于，所述目标检测网络模型为FasterR-CNN模型，所述FasterR-CNN模型包括共享卷积层、候选区域生成网络和分类器。
13.根据权利要求11所述的血管图像分割装置，其特征在于，所述血管图像分割装置还包括：
第一调整模块，用于根据窗位和窗宽，对所述待分割血管图像进行调窗操作，以将所述待分割血管图像的灰度值进行归一化。
14.根据权利要求11所述的血管图像分割装置，其特征在于，所述第一计算子模块包括：
分析单元，用于对所述起始血管段的各层血管分别进行最大连通域分析；
第一计算单元，用于分别计算各层血管的最大连通域的面积，并将所述最大连通域的面积作为对应层血管的面积；
第二计算单元，用于分别计算各层血管的最大连通域的中心到外轮廓的最大值；以及
第三计算单元，用于根据如下公式分别计算各层血管的圆度：
Figure FDA0003547702900000041
其中，Ci为第i层血管的圆度，Si为第i层血管的最大连通域的面积，li是第i层血管的最大连通域的中心到外轮廓的最大值。
15.根据权利要求11所述的血管图像分割装置，其特征在于，所述血管图像分割装置，还包括：
第二调整模块，用于将所述待分割血管图像转化为三维体数据图像。
16.根据权利要求15所述的血管图像分割装置，其特征在于，所述分割模块具体通过如下步骤对所述待分割血管图像的三维体数据图像进行分割：
A、将所述生长起始点的n×n×n邻域作为初始的种子区域，其中所述初始的种子区域内的体素点均为初始的种子点；
B、计算种子区域的灰度均值Ms；
C、按照如下预设生长准则，将符合条件的体素点纳入所述种子区域，并将所述符合条件的体素点作为新的种子点：
|g(t)-Ms|＜σ
其中，g(t)为种子点邻域处的体素点的灰度值，σ为预设阈值；
重复执行步骤B至C，直到没有新的体素点纳入到所述种子区域，或者达到预设迭代次数，从而完成血管图像的分割。
17.根据权利要求11所述的血管图像分割装置，其特征在于，所述血管图像分割装置还包括：
预处理模块，用于对所述待分割血管图像进行预处理，以滤除所述待分割血管图像中的噪声。
18.根据权利要求11所述的血管图像分割装置，其特征在于，所述血管图像分割装置还包括：
后处理模块，用于采用形态学操作对所述血管图像进行边缘平滑处理，以得到最终的血管图像。
19.根据权利要求18所述的血管图像分割装置，其特征在于，所述后处理模块，包括：
二值化子模块，用于对所述血管图像进行二值化处理，以得到二值化图像，其中，血管区域的灰度值设置为1，血管区域以外的区域的灰度值设置为0；
第一处理子模块，用于对所述二值化图像依次进行开运算和闭运算处理，以得到处理后的二值化图像；以及
第二处理子模块，用于将所述处理后的二值化图像的各位置处的灰度值与所述血管图像的对应位置处的灰度值相乘，以对所述处理后的二值化图像的灰度值进行调整，从而得到最终的血管图像。
20.一种电子设备，其特征在于，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现权利要求1至10中任一项所述的方法。
21.一种可读存储介质，其特征在于，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至10中任一项所述的方法。
CN201910980037.8A 2019-10-15 2019-10-15 一种血管图像分割方法、装置、电子设备和存储介质 Active CN110706246B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910980037.8A CN110706246B (zh) 2019-10-15 2019-10-15 一种血管图像分割方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910980037.8A CN110706246B (zh) 2019-10-15 2019-10-15 一种血管图像分割方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN110706246A CN110706246A (zh) 2020-01-17
CN110706246B true CN110706246B (zh) 2022-08-02

Family

ID=69198861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910980037.8A Active CN110706246B (zh) 2019-10-15 2019-10-15 一种血管图像分割方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN110706246B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111489345B (zh) * 2020-04-13 2023-08-15 中国科学院高能物理研究所 区域分割模型的训练方法、装置、设备及存储介质
CN111612743B (zh) * 2020-04-24 2023-05-02 杭州电子科技大学 一种基于ct图像的冠状动脉中心线提取方法
CN111640124B (zh) * 2020-05-25 2023-06-02 浙江同花顺智能科技有限公司 一种血管提取方法、装置、设备及存储介质
CN111543922A (zh) * 2020-06-12 2020-08-18 深圳市丰盛生物科技有限公司 具有喉部余液检测功能的便携式喉镜及余液检测方法
CN113538521A (zh) * 2020-06-19 2021-10-22 上海杏脉信息科技有限公司 一种冠脉影像分割方法、介质及电子设备
CN112184888B (zh) * 2020-10-10 2024-07-26 深圳睿心智能医疗科技有限公司 三维血管建模的方法及装置
CN112308846B (zh) * 2020-11-04 2021-07-13 赛诺威盛科技(北京)股份有限公司 血管分割方法、装置及电子设备
CN112418299B (zh) * 2020-11-19 2021-10-26 推想医疗科技股份有限公司 冠状动脉分割模型训练方法、冠状动脉分割方法、及装置
CN112330708B (zh) * 2020-11-24 2024-04-23 沈阳东软智能医疗科技研究院有限公司 图像处理方法、装置、存储介质及电子设备
CN112419282B (zh) * 2020-11-26 2024-01-23 中国科学院苏州生物医学工程技术研究所 脑部医学影像中动脉瘤的自动检测方法及系统
CN112669235B (zh) * 2020-12-30 2024-03-05 上海联影智能医疗科技有限公司 调整图像灰度的方法、装置、电子设备和存储介质
CN113012114B (zh) * 2021-03-02 2021-12-03 推想医疗科技股份有限公司 一种血管识别方法、装置、存储介质及电子设备
CN113723418B (zh) * 2021-09-03 2023-08-04 乐普（北京）医疗器械股份有限公司 一种对造影图像进行优选的处理方法和装置
CN114359205B (zh) * 2021-12-29 2022-11-01 推想医疗科技股份有限公司 头颈血管分析方法、装置、存储介质及电子设备
CN114565622B (zh) * 2022-03-03 2023-04-07 北京安德医智科技有限公司 房间隔缺损长度的确定方法及装置、电子设备和存储介质
CN116843644A (zh) * 2022-04-13 2023-10-03 深圳北芯生命科技股份有限公司 血管超声图像的标注系统
CN115690143B (zh) * 2022-09-26 2023-07-11 推想医疗科技股份有限公司 图像分割方法、装置、电子设备及存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978726A (zh) * 2014-04-03 2015-10-14 上海联影医疗科技有限公司 一种血管提取方法
CN105427329B (zh) * 2015-12-21 2018-05-29 东软集团股份有限公司 一种基于cta图像的双肢血管图像的分割方法和系统
CN106296664B (zh) * 2016-07-30 2019-10-08 上海联影医疗科技有限公司 血管提取方法
CN107025646B (zh) * 2017-03-03 2021-03-05 东软医疗系统股份有限公司 一种下肢血管提取方法和装置
CN107368845B (zh) * 2017-06-15 2020-09-22 华南理工大学 一种基于优化候选区域的Faster R-CNN目标检测方法
CN107527341B (zh) * 2017-08-30 2020-05-19 上海联影医疗科技有限公司 血管造影图像的处理方法和系统
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
CN108961229A (zh) * 2018-06-27 2018-12-07 东北大学 基于深度学习的心血管oct影像易损失斑块检测方法及系统

Also Published As

Publication number Publication date
CN110706246A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
CN110706246B (zh) 一种血管图像分割方法、装置、电子设备和存储介质
CN109461495B (zh) 一种医学图像的识别方法、模型训练的方法及服务器
US11367181B2 (en) Systems and methods for ossification center detection and bone age assessment
US20210150702A1 (en) Classification and 3d modelling of 3d dento-maxillofacial structures using deep learning methods
WO2022089221A1 (zh) 医学图像分割方法、装置、设备、系统及计算机存储介质
CN107644420B (zh) 基于中心线提取的血管图像分割方法、核磁共振成像系统
CN110599505A (zh) 一种器官图像分割方法、装置、电子设备和存储介质
KR20230059799A (ko) 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델
CN110930416A (zh) 一种基于u型网络的mri图像前列腺分割方法
CN110689525B (zh) 基于神经网络识别淋巴结的方法及装置
WO2021136368A1 (zh) 钼靶图像中胸大肌区域自动检测方法及装置
CN112308846B (zh) 血管分割方法、装置及电子设备
Chen et al. A lung dense deep convolution neural network for robust lung parenchyma segmentation
CN112991346B (zh) 用于医学图像分析的学习网络的训练方法和训练系统
CN110570394A (zh) 医学图像分割方法、装置、设备及存储介质
CN116503607B (zh) 一种基于深度学习的ct图像分割方法和系统
Vukadinovic et al. Segmentation of the outer vessel wall of the common carotid artery in CTA
CN114693671B (zh) 基于深度学习的肺结节半自动分割方法、装置、设备及介质
CN117078711A (zh) 医学图像分割方法、系统、电子设备和存储介质
CN115100494A (zh) 一种病灶图像的识别方法、装置、设备及可读存储介质
CN113744171B (zh) 血管钙化图像分割方法、系统和可读存储介质
CN117522892A (zh) 基于空间通道注意力增强的肺腺癌ct影像病灶分割方法
CN112862785B (zh) Cta影像数据识别方法、装置及存储介质
CN112862787B (zh) Cta影像数据处理方法、装置及存储介质
CN112862786B (zh) Cta影像数据处理方法、装置及存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210817

Address after: 201203 room 1702, building 1, No. 1601, Zhangdong Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai (actual floor 15)

Applicant after: Shanghai Weiwei Medical Technology Co.,Ltd.

Address before: 201203 No. 1601 Zhangdong Road, Zhangjiang High-tech Park, Pudong New Area, Shanghai

Applicant before: SHANGHAI MICROPORT MEDICAL (Group) Co.,Ltd.

GR01 Patent grant
GR01 Patent grant