CN111383259B - 图像分析方法、计算机设备和存储介质 - Google Patents

图像分析方法、计算机设备和存储介质 Download PDF

Info

Publication number
CN111383259B
CN111383259B CN202010136096.XA CN202010136096A CN111383259B CN 111383259 B CN111383259 B CN 111383259B CN 202010136096 A CN202010136096 A CN 202010136096A CN 111383259 B CN111383259 B CN 111383259B
Authority
CN
China
Prior art keywords
coronary
point
image
origin
coordinates
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
CN202010136096.XA
Other languages
English (en)
Other versions
CN111383259A (zh
Inventor
董昢
吴迪嘉
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.)
Lianying Intelligent Medical Technology Beijing Co ltd
Original Assignee
Lianying Intelligent Medical Technology Beijing 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 Lianying Intelligent Medical Technology Beijing Co ltd filed Critical Lianying Intelligent Medical Technology Beijing Co ltd
Priority to CN202010136096.XA priority Critical patent/CN111383259B/zh
Publication of CN111383259A publication Critical patent/CN111383259A/zh
Application granted granted Critical
Publication of CN111383259B publication Critical patent/CN111383259B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/30048—Heart; Cardiac
    • 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
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请涉及一种图像分析方法、计算机设备和存储介质。方法包括：根据待分析的冠脉造影图像和预设的起源点检测模型，得到待分析的冠脉造影图像中的冠脉起源点的坐标；冠脉起源点的坐标包括左冠脉起源点的坐标和右冠脉起源点的坐标；根据待分析的冠脉造影图像，得到待分析的冠脉造影图像对应的升主动脉分割图像，并提取升主动脉分割图像的升主动脉的中线；根据左冠脉起源点的坐标、右冠脉起源点的坐标和升主动脉的中线，对待分析的冠脉造影图像进行分析，得到分析结果；分析结果用于表示待分析的冠脉造影图像中的冠脉起源是否异常。采用本方法能够提高对待分析的冠脉造影图像中的冠脉起源是否异常的分析效率。

Description

图像分析方法、计算机设备和存储介质
技术领域
本申请涉及医学图像领域，特别是涉及一种图像分析方法、计算机设备和存储介质。
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运，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。在供给心脏营养的血管系统中冠状动脉是供给心脏血液的动脉，冠状动脉起于主动脉根部主动脉窦内，分左右两支，行于心脏表面，冠状动脉一般开口于主动脉窦，冠状动脉开口又多接近窦的上界，因而主动脉张开时不易阻塞冠状动脉开口。因此，主动脉起源是否异常在冠脉影像检查中显得尤为非常重要。
传统方法中，对于主动脉起源是否异常，主要是通过医生人工对采集的冠脉造影图像进行判定。
然而，传统方法，存在对主动脉起源是否异常判定效率低的问题。
发明内容
基于此，有必要针对传统的对主动脉起源是否异常的判定方法，存在判定效率较低的问题，提供一种图像分析方法、计算机设备和存储介质。
一种图像分析方法，所述方法包括：
根据待分析的冠脉造影图像和预设的起源点检测模型，得到所述待分析的冠脉造影图像中的冠脉起源点的坐标；所述冠脉起源点的坐标包括左冠脉起源点的坐标和右冠脉起源点的坐标；
根据所述待分析的冠脉造影图像，得到所述待分析的冠脉造影图像对应的升主动脉分割图像，并提取所述升主动脉分割图像的升主动脉的中线；
根据所述左冠脉起源点的坐标、所述右冠脉起源点的坐标和升主动脉的中线，对所述待分析的冠脉造影图像进行分析分析，得到分析结果；所述分析结果用于表示所述待分析的冠脉造影图像中的冠脉起源是否异常。
在其中一个实施例中，所述根据所述左冠脉起源点的坐标、所述右冠脉起源点的坐标和升主动脉的中线，对所述待分析的冠脉造影图像进行分析，得到分析结果，包括：
根据所述左冠脉起源点的坐标确定在所述升主动脉的中线上的第一目标点，以及根据所述右冠脉起源点的坐标确定在所述升主动脉的中线上的第二目标点；所述第一目标点为所述升主动脉的中线上与所述左冠脉起源点的距离最小的点；所述第二目标点为所述升主动脉的中线上与所述右冠脉起源点的距离最小的点；
根据所述左冠脉起源点的坐标、所述右冠脉起源点的坐标、所述第一目标点的坐标和所述第二目标点的坐标，对所述待分析的冠脉造影图像进行分析，得到分析结果。
在其中一个实施例中，所述根据所述左冠脉起源点的坐标、所述右冠脉起源点的坐标、所述第一目标点的坐标和所述第二目标点的坐标，对所述待分析的冠脉造影图像进行分析，得到分析结果，包括：
根据所述左冠脉起源点的坐标、所述右冠脉起源点的坐标、所述第一目标点的坐标和所述第二目标点的坐标，获取第一向量与第二向量间的夹角；所述第一向量的起点为所述第一目标点、终点为所述左冠脉起源点；所述第二向量的起点为所述第二目标点、终点为所述右冠脉起源点；
根据所述左冠脉起源点的坐标和所述右冠脉起源点的坐标，获取所述左冠脉起源点与所述右冠脉起源点间的距离；
根据所述第一向量与所述第二向量间的夹角、所述左冠脉起源点与所述右冠脉起源点间的距离，对所述待分析的冠脉造影图像进行分析，得到分析结果。
在其中一个实施例中，所述根据所述第一向量与所述第二向量间的夹角、所述左冠脉起源点与所述右冠脉起源点间的距离，对所述待分析的冠脉造影图像进行分析，得到分析结果，包括：
若所述第一向量与所述第二向量间的夹角小于预设的夹角阈值，且所述左冠脉起源点与所述右冠脉起源点间的距离小于预设的距离阈值，则确定所述待分析的冠脉造影图像异常。
在其中一个实施例中，所述方法还包括：
根据所述待分析的冠脉造影图像，获取所述待分析的冠脉造影图像对应的心脏分割图像；所述心脏分割图像包括左心房区域、右心房区域、左心室区域和右心室区域；
分别获取第三目标点与所述左心房区域之间最短的第一目标距离、所述第三目标点与所述右心房区域之间最短的第二目标距离、所述第三目标点与所述左心室区域之间最短的第三目标距离以及所述第三目标点与所述右心室区域之间最短的第四目标距离；其中，所述第三目标点为左冠脉起源点与右冠脉起源点的连接线的中心点；
根据所述第一目标距离、第二目标距离、第三目标距离和第四目标距离，确定所述待分析的冠脉造影图像异常的类型。
在其中一个实施例中，所述根据所述第一目标距离、第二目标距离、第三目标距离和第四目标距离，确定所述待分析的冠脉造影图像异常的类型，包括：
若所述第一目标距离与所述第三目标距离之和小于所述第二目标距离与所述第四目标距离之和，则确定所述待分析的冠脉造影图像中的左冠脉和右冠脉均起源于左主动脉窦；
若所述第二目标距离与所述第四目标距离之和小于所述第一目标距离与所述第三目标距离之和，则确定所述待分析的冠脉造影图像中的所述左冠脉和所述右冠脉均起源于右主动脉窦。
在其中一个实施例中，所述根据待分析的冠脉造影图像和预设的起源点检测模型，得到所述待分析的冠脉造影图像中的冠脉起源点的坐标，包括：
将所述待分析的冠脉造影图像，输入所述起源点检测模型，得到所述待分析的冠脉造影图像对应的冠脉起源点概率图；所述冠脉起源点概率图各位置的像素值为所述待分析的冠脉造影图像中对应位置像素属于冠脉起源点的概率；
根据预设的概率阈值对所述冠脉起源点概率图进行二值化处理，得到二值化掩膜图像；
对所述二值化掩膜图像中的连通域进行标记，并获取目标连通域；所述目标连通域为所述连通域中面积最大的连通域或所述连通域中概率值密度最高的连通域；
获取所述目标连通域对应的概率值的加权中心点，将所述加权中心点的坐标确定为所述冠脉起源点坐标。
在其中一个实施例中，所述起源点检测模型的训练过程，包括：
获取样本冠脉造影图像及所述样本冠脉造影图像对应的样本掩膜图像；所述样本掩膜图像中包括所述样本冠脉造影图像的左冠脉起源点标记和所述样本冠脉造影图像的右冠脉起源点标记；
将所述样本冠脉造影图像输入预设的初始起源点检测模型，得到所述样本冠脉造影图像对应的样本概率图像；
根据所述样本概率图像和所述样本掩膜图像，对所述预设的初始起源点检测模型进行训练，得到所述起源点检测模型。
一种图像分析装置，所述装置包括：
第一获取模块，用于根据待分析的冠脉造影图像和预设的起源点检测模型，得到所述待分析的冠脉造影图像中的冠脉起源点的坐标；所述冠脉起源点的坐标包括左冠脉起源点的坐标和右冠脉起源点的坐标；
提取模块，用于根据所述待分析的冠脉造影图像，得到所述待分析的冠脉造影图像对应的升主动脉分割图像，并提取所述升主动脉分割图像的升主动脉的中线；
分析模块，用于根据所述左冠脉起源点的坐标、所述右冠脉起源点的坐标和升主动脉的中线，对所述待分析的冠脉造影图像进行分析，得到分析结果；所述分析结果用于表示所述待分析的冠脉造影图像中的冠脉起源是否异常。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
根据待分析的冠脉造影图像和预设的起源点检测模型，得到所述待分析的冠脉造影图像中的冠脉起源点的坐标；所述冠脉起源点的坐标包括左冠脉起源点的坐标和右冠脉起源点的坐标；
根据所述待分析的冠脉造影图像，得到所述待分析的冠脉造影图像对应的升主动脉分割图像，并提取所述升主动脉分割图像的升主动脉的中线；
根据所述左冠脉起源点的坐标、所述右冠脉起源点的坐标和升主动脉的中线，对所述待分析的冠脉造影图像进行分析，得到分析结果；所述分析结果用于表示所述待分析的冠脉造影图像中的冠脉起源是否异常。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
根据待分析的冠脉造影图像和预设的起源点检测模型，得到所述待分析的冠脉造影图像中的冠脉起源点的坐标；所述冠脉起源点的坐标包括左冠脉起源点的坐标和右冠脉起源点的坐标；
根据所述待分析的冠脉造影图像，得到所述待分析的冠脉造影图像对应的升主动脉分割图像，并提取所述升主动脉分割图像的升主动脉的中线；
根据所述左冠脉起源点的坐标、所述右冠脉起源点的坐标和升主动脉的中线，对所述待分析的冠脉造影图像进行分析，得到分析结果；所述分析结果用于表示所述待分析的冠脉造影图像中的冠脉起源是否异常。
上述图像分析方法、装置、计算机设备和存储介质，由于根据待分析的冠脉造影图像和预设的起源点检测模型，能够快速地得到待分析的冠脉造影图像中左冠脉起源点的坐标和右冠脉起源点的坐标，根据待分析的冠脉造影图像，能够得到待分析的冠脉造影图像对应的升主动脉分割图像，并能够根据升主动脉分割图像提取升主动脉分割图像的升主动脉的中线，进而可以根据左冠脉起源点的坐标、右冠脉起源点的坐标和升主动脉的中线，对待分析的冠脉造影图像进行快速地分析，快速地得到表示待分析的冠脉造影图像中的冠脉起源是否异常的分析结果，提高了对待分析的冠脉造影图像的分析效率，即提高了对待分析的冠脉造影图像中的冠脉起源是否异常的分析效率。
附图说明
图1为一个实施例提供的计算机设备的内部结构示意图；
图1a为一个实施例提供的不同情况下的冠脉起源示意图；
图2为一个实施例提供的图像分析方法的流程示意图；
图3为另一个实施例提供的图像分析方法的流程示意图；
图4为另一个实施例提供的图像分析方法的流程示意图；
图5为另一个实施例提供的图像分析方法的流程示意图；
图6为另一个实施例提供的图像分析方法的流程示意图；
图6a为一个实施例提供的得到训练数据集的流程示意图；
图6b为一个实施例提供的左冠脉起源坐标标定示意图；
图6c为一个实施例提供的左冠脉起源坐标标定示意图；
图7为另一个实施例提供的图像分析方法的流程示意图；
图8为一个实施例提供的图像分析装置结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的图像分析方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的，该计算机设备可以是服务器，可以是个人计算机，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。
冠状动脉作为供给心脏血液的动脉，起于主动脉根部主动脉窦内，分左右两支，行于心脏表面。冠状动脉一般开口于主动脉窦，主动脉窦可分为左窦、右窦和后窦，主动脉窦的上界为弧形。正常情况下，如图1a左边图所示，左、右冠状动脉分别开口于左窦和右窦内，绝大多数开口于窦中1/3。冠状动脉开口又多接近窦的上界，因而主动脉张开时不易阻塞冠状动脉开口，因此，冠脉起源是否异常在冠脉影像检查中非常重要，因为临床上无论是左冠脉起源于不相应的主动脉窦即左冠状动脉（Left Coronary Artery，LCA）起源于右窦（如图1a右边图所示），或，右冠脉异常起源于不相应的主动脉窦即右冠状动脉（Right CoronaryArtery，RCA）起源于左窦（如图1a中间图所示），其中1/3～1/2的病例在其近段与主动脉壁形成切线或锐角，并走行于主动脉与肺动脉之间，可产生心肌缺血的症状和猝死，需外科治疗。目前，临床工作中对于左右冠状动脉在主动脉上的开口是否异常往往需要通过医生进行人工判定，判定效率低。
下面以具体的实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为一个实施例提供的图像分析方法的流程示意图。本实施例涉及的是计算机设备根据待分析的冠脉造影图像，得到待分析的冠脉造影图像中的左冠脉起源点的坐标、右冠脉起源点的坐标以及升主动脉的中线，根据左冠脉起源点的坐标、右冠脉起源点的坐标以及升主动脉的中线，对待分析的冠脉造影图像进行分析，得到表示待分析的冠脉造影图像中的冠脉起源是否异常的分析结果的具体实现过程。如图2所示，该方法可以包括：
S201，根据待分析的冠脉造影图像和预设的起源点检测模型，得到待分析的冠脉造影图像中的冠脉起源点的坐标；冠脉起源点的坐标包括左冠脉起源点的坐标和右冠脉起源点的坐标。
其中，待分析的冠脉造影图像是通过对受检者注射显影剂所采集到的医学图像。具体地，计算机设备根据待分析的冠脉造影图像和预设的起源点检测模型，得到待分析的冠脉造影图像中的冠脉起源点的坐标，其中，冠脉起源点的坐标包括左冠脉起源点的坐标和右冠脉起源点的坐标。可选的，计算机设备可以将待分析的冠脉造影图像输入预设的起源点检测模型中，确定出待分析的冠脉造影图像中的左冠脉起源点的分布区域和右冠脉起源点的分布区域，进而根据左冠脉起源点的分布区域和右冠脉起源点的分布区域，得到待分析的冠脉造影图像中左冠脉起源点的坐标和右冠脉起源点的坐标。可选的，计算机设备可以从PACS（Picture Archiving and Communication Systems，影像归档和通信系统）服务器中获取待分析的冠脉造影图像，也可以从医学影像设备中实时地获取待分析的冠脉造影图像。
S202，根据待分析的冠脉造影图像，得到待分析的冠脉造影图像对应的升主动脉分割图像，并提取升主动脉分割图像的升主动脉的中线。
具体地，计算机设备根据上述待分析的冠脉造影图像，得到待分析的冠脉造影图像对应的升主动脉分割图像，并提取得到的升主动脉分割图像的升主动脉的中线。可选的，计算机设备可以根据待分析的冠脉造影图像和预先训练好的分割模型，得到待分析的冠脉造影图像对应的升主动脉分割图像。可选的，计算机设备可以采用基于拓扑细化的方法提取升主动脉分割图像的升主动脉的中线，也可以采用基于追踪的方法或者基于距离变换的方法提取升主动脉分割图像的升主动脉的中线。
S203，根据左冠脉起源点的坐标、右冠脉起源点的坐标和升主动脉的中线，对待分析的冠脉造影图像进行分析，得到分析结果；分析结果用于表示待分析的冠脉造影图像中的冠脉起源是否异常。
具体地，计算机设备根据左冠脉起源点的坐标、右冠脉起源点的坐标和升主动脉的中线，对待分析的冠脉造影图像进行分析，得到分析结果。其中，得到的分析结果用于表示待分析的冠脉造影图像中的冠脉起源是否异常。可选的，计算机设备可以根据左冠脉起源点的坐标、右冠脉起源点的坐标，分别确定出左冠脉起源点、右冠脉起源点到升主动脉的中线距离最短的点，再根据确定出的升主动脉的中线上的点、左冠脉起源点和右冠脉起源点，对待分析的冠脉造影图像中的冠脉起源是否异常进行分析。可选的，计算机设备得到的分析结果可以是待分析的冠脉造影图像中的冠脉起源异常，也可以是待分析的冠脉造影图像中的冠脉起源正常；示例性地，若计算机设备得到的分析结果是待分析的冠脉造影图像中的冠脉起源正常，则表示待分析的冠脉造影图像中左冠脉起源于左主动脉窦，右冠脉起源于右主动脉窦；若计算机设备得到的分析结果是待分析的冠脉造影图像中的冠脉起源异常，可以是待分析的冠脉造影图像中左冠脉和右冠脉均起源于左主动脉窦，也可是待分析的冠脉造影图像中左冠脉和右冠脉均起源于右主动脉窦。
在本实施例中，由于根据待分析的冠脉造影图像和预设的起源点检测模型，能够快速地得到待分析的冠脉造影图像中左冠脉起源点的坐标和右冠脉起源点的坐标，根据待分析的冠脉造影图像，能够得到待分析的冠脉造影图像对应的升主动脉分割图像，并能够根据升主动脉分割图像提取升主动脉分割图像的升主动脉的中线，进而可以根据左冠脉起源点的坐标、右冠脉起源点的坐标和升主动脉的中线，对待分析的冠脉造影图像进行快速地分析，快速地得到表示待分析的冠脉造影图像中的冠脉起源是否异常的分析结果，提高了对待分析的冠脉造影图像的分析效率，即提高了对待分析的冠脉造影图像中的冠脉起源是否异常的分析效率。
图3为另一个实施例提供的图像分析方法的流程示意图。本实施例涉及的是计算机设备根据左冠脉起源点的坐标、右冠脉起源点的坐标和升主动脉的中线，对待分析的冠脉造影图像进行分析，得到分析结果的具体实现过程。如图3所示，在上述实施例的基础上，作为一种可选的实施方式，上述S203，包括：
S301，根据左冠脉起源点的坐标确定在升主动脉的中线上的第一目标点，以及根据右冠脉起源点的坐标确定在升主动脉的中线上的第二目标点；第一目标点为升主动脉的中线上与左冠脉起源点的距离最小的点；第二目标点为升主动脉的中线上与右冠脉起源点的距离最小的点。
具体地，计算机设备根据上述得到的左冠脉起源点的坐标确定出在升主动脉的中线上的第一目标点，根据上述得到的右冠脉起源点的坐标确定出在升主动脉的中线上的第二目标点。其中，第一目标点为升主动脉的中线上与左冠脉起源点的距离最小的点；第二目标点为升主动脉的中线上与右冠脉起源点的距离最小的点。可选的，计算机设备可以根据左冠脉起源点的坐标和升主动脉的中线上各点的坐标，分别计算出左冠脉起源点与升主动脉的中线上各点间的距离，以及右冠脉起源点与升主动脉的中线上各点间的距离，从而根据计算出的最短距离确定出升主动脉中线上的第一目标点和第二目标点，也可以根据距离场算法确定出在升主动脉的中线上的第一目标点和第二目标点。
S302，根据左冠脉起源点的坐标、右冠脉起源点的坐标、第一目标点的坐标和第二目标点的坐标，对待分析的冠脉造影图像进行分析，得到分析结果。
具体地，计算机设备根据上述得到的左冠脉起源点的坐标、右冠脉起源点的坐标、第一目标点的坐标和第二目标点的坐标，对待分析的冠脉造影图像进行分析，得到分析结果。可选的，计算机设备可以根据第一目标点与左冠脉起源点构成的向量、第二目标点与右冠脉起源点构成的向量间的夹角，以及，左冠脉起源点与右冠脉起源点间的距离，对待分析的冠脉造影图像进行分析，得到分析结果。
在本实施例中，计算机设备根据左冠脉起源点的坐标能够快速地确定出升主动脉的中线上的第一目标点，根据右冠脉起源点的坐标能够快速地确定出升主动脉的中线上的第二目标点，这样计算机设备可以根据得到的左冠脉起源点的坐标、右冠脉起源点的坐标、第一目标点的坐标和第二目标点的坐标，快速地对待分析的冠脉造影图像进行分析，从而提高了得到待分析的冠脉造影图像的分析结果的效率。
图4为另一个实施例提供的图像分析方法的流程示意图。本实施例涉及的是计算机设备根据左冠脉起源点的坐标、右冠脉起源点的坐标、第一目标点的坐标和第二目标点的坐标，对待分析的冠脉造影图像进行分析，得到分析结果的具体实现过程。如图4所示，在上述实施例的基础上，作为一种可选的实施方式，上述S302，包括：
S401，根据左冠脉起源点的坐标、右冠脉起源点的坐标、第一目标点的坐标和第二目标点的坐标，获取第一向量与第二向量间的夹角；第一向量的起点为第一目标点、终点为左冠脉起源点；第二向量的起点为第二目标点、终点为右冠脉起源点。
具体地，计算机设备根据左冠脉起源点的坐标、右冠脉起源点的坐标、第一目标点的坐标和第二目标点的坐标，获取第一向量与第二向量间的夹角。其中，第一向量的起点为上述确定的第一目标点，终点为左冠脉起源点；第二向量的起点为第二目标点，终点为右冠脉起源点。可选的，计算机设备可以根据左冠脉起源点的坐标、右冠脉起源点的坐标、第一目标点的坐标和第二目标点的坐标，计算出第一向量与第二向量间的夹角余弦值，进而根据第一向量与第二向量间的夹角余弦值，得到第一向量与第二向量间的夹角。
S402，根据左冠脉起源点的坐标和右冠脉起源点的坐标，获取左冠脉起源点与右冠脉起源点间的距离。
具体地，计算机设备根据上述得到的左冠脉起源点的坐标和右冠脉起源点的坐标，得到左冠脉起源点与右冠脉起源点间的距离。可选的，计算机设备可以根据两点间的距离公式，得到左冠脉起源点与右冠脉起源点间的距离；示例性地，例如，左冠脉起源点的坐标为，右冠脉起源点的坐标为/>，则可以通过公式，得到左冠脉起源点与右冠脉起源点间的距离/>。
S403，根据第一向量与第二向量间的夹角、左冠脉起源点与右冠脉起源点间的距离，对待分析的冠脉造影图像进行分析，得到分析结果。
具体地，计算机设备根据上述得到的第一向量与第二向量间的夹角、左冠脉起源点与右冠脉起源点间的距离，对待分析的冠脉造影图像进行分析，得到分析结果。可选的，若第一向量与第二向量间的夹角小于预设的夹角阈值，且左冠脉起源点与右冠脉起源点间的距离小于预设的距离阈值，则计算机设备确定待分析的冠脉造影图像异常。
在本实施例中，计算机设备根据左冠脉起源点的坐标、右冠脉起源点的坐标、第一目标点的坐标和第二目标点的坐标，能够快速地得到第一向量与第二向量间的夹角，根据左冠脉起源点的坐标、右冠脉起源点的坐标，能够快速地获取左冠脉起源点与右冠脉起源点间的距离，进而可以根据第一向量与第二向量间的夹角，左冠脉起源点与右冠脉起源点间的距离，快速地对待分析的冠脉造影图像进行分析，从而提高了得到的对待分析的冠脉造影图像的分析结果的效率。
图5为另一个实施例提供的图像分析方法的流程示意图。本实施例涉及的是计算机设备在待分析的冠脉造影图像异常的情况下，通过获取待分析的冠脉造影图像对应的心脏分割图像，从而确定冠脉造影图像异常的类型的具体实现过程。如图5所示，在上述实施例的基础上，上述方法还包括：
S501，根据待分析的冠脉造影图像，获取待分析的冠脉造影图像对应的心脏分割图像；心脏分割图像包括左心房区域、右心房区域、左心室区域和右心室区域。
具体地，计算机设备根据待分析的冠脉造影图像，获取待分析的冠脉造影图像对应的心脏分割图像。其中，心脏分割图像包括左心房区域、右心房区域、左心室区域和右心室区域。可选的，计算机设备可以根据待分析的冠脉造影图像和预先训练好的分割模型，得到待分析的冠脉造影图像对应的心脏分割图像。
S502，分别获取第三目标点与左心房区域之间最短的第一目标距离、第三目标点与右心房区域之间最短的第二目标距离、第三目标点与左心室区域之间最短的第三目标距离以及第三目标点与右心室区域之间最短的第四目标距离；其中，第三目标点为左冠脉起源点与右冠脉起源点的连接线的中心点。
具体地，计算机设备可以根据左冠脉起源点坐标和右冠脉起源点坐标，得到左冠脉起源点与右冠脉起源点的连接线的中心点即第三目标点，再分别获取第三目标点与左心房区域之间最短的第一目标距离、第三目标点与右心房区域之间最短的第二目标距离、第三目标点与左心室区域之间最短的第三目标距离以及第三目标点与右心室区域之间最短的第四目标距离。可选的，计算机设备可以根据距离场算法，分别获取第三目标点与左心房区域之间最短的第一目标距离、第三目标点与右心房区域之间最短的第二目标距离、第三目标点与左心室区域之间最短的第三目标距离以及第三目标点与右心室区域之间最短的第四目标距离。
S503，根据第一目标距离、第二目标距离、第三目标距离和第四目标距离，确定冠脉造影图像异常的类型。
具体地，计算机设备根据第一目标距离、第二目标距离、第三目标距离和第四目标距离，确定冠脉造影图像异常的类型。可选的，若第一目标距离与第三目标距离之和小于第二目标距离与第四目标距离之和，则计算机设备可以确定待分析的冠脉造影图像中的左冠脉和右冠脉均起源于左主动脉窦；若第二目标距离与第四目标距离之和小于第一目标距离与第三目标距离之和，则确定待分析的冠脉造影图像中的左冠脉和右冠脉均起源于右主动脉窦。示例性地，例如，计算机设备获取的左冠脉起源点、右冠脉起源点的连接线的中心点与左心房区域之间最短的第一目标距离为，左冠脉起源点、右冠脉起源点的连接线的中心点与右心房区域之间最短的第二目标距离为/>，左冠脉起源点、右冠脉起源点的连接线的中心点与左心室区域之间最短的第三目标距离为/>，左冠脉起源点、右冠脉起源点的连接线的中心点与右心室区域之间最短的第四目标距离为，若计算机设备得到的关系式为，则计算机设备确定待分析的冠脉造影图像中的左冠脉和右冠脉均起源于左主动脉窦；若计算机设备得到的关系式为/>，则计算机设备确定待分析的冠脉造影图像中的左冠脉和右冠脉均起源于右主动脉窦。
在本实施例中，计算机设备得到待分析的冠脉造影图像对应的心脏分割图像以及左冠脉起源点与右冠脉起源点的连接线的中心点即第三目标点后，能够快速地分别获取到第三目标点与左心房区域之间最短的第一目标距离、第三目标点与右心房区域之间最短的第二目标距离、第三目标点与左心室区域之间最短的第三目标距离以及第三目标点与右心室区域之间最短的第四目标距离，从而能够快速地根据得到的第一目标距离、第二目标距离、第三目标距离和第四目标距离，确定待分析的冠脉造影图像异常的类型，即提高了确定待分析的冠脉造影图像异常的类型的效率。
图6为另一个实施例提供的图像分析方法的流程示意图。图6a为一个实施例提供的得到训练数据集的流程示意图；图6b为一个实施例提供的左冠脉起源坐标标定示意图；图6c为一个实施例提供的左冠脉起源坐标标定示意图；本实施例涉及的是计算机设备根据待分析的冠脉造影图像和预设的起源点检测模型，得到待分析的冠脉造影图像中的冠脉起源点的坐标的具体实现过程。如图6所示，在上述实施例的基础上，上述S201，包括：
S601，将待分析的冠脉造影图像，输入起源点检测模型，得到待分析的冠脉造影图像对应的冠脉起源点概率图；冠脉起源点概率图各位置的像素值为待分析的冠脉造影图像中对应位置像素属于冠脉起源点的概率。
具体地，计算机设备将待分析的冠脉造影图像，输入预设的起源点检测模型，得到待分析的冠脉造影图像对应的冠脉起源点概率图。其中，冠脉起源点概率图各位置的像素值为待分析的冠脉造影图像中对应位置像素属于冠脉起源点的概率。
可选的，预设的起源点检测模型的训练过程可以包括：获取样本冠脉造影图像及样本冠脉造影图像对应的样本掩模图像；其中，样本掩模图像包括样本冠脉造影图像的左冠脉起源点标记和样本冠脉造影图像的右冠脉起源点标记；然后，将样本冠脉造影图像输入预设的初始起源点检测模型，得到样本冠脉造影图像对应的样本概率图像；根据样本概率图像和样本掩模图像，对预设的初始起源点检测模型进行训练，得到上述起源点检测模型。可选的，计算机设备可以使用标注软件在N个样本冠脉造影图像中标记出2N个关键点（左冠脉起源点和右冠脉起源点）金标准并保存其坐标，紧接着在图像中生成2N个以每一关键点坐标为圆心，半径为r的球形二值化图像，一个标1，一个标2（分别对应左冠脉起源点的所在区域及右冠脉起源点的所在区域），从而得到样本冠脉造影图像对应的样本掩模图像。可选的，计算机设备还可以设定预设的初始起源点检测模型的超参数，其中网络的输入通道为1，输出通道为2+1，分别对应2个关键点的检测概率图与1个背景的检测概率图；将训练数据集分成训练集X1验证集X2和测试集X3，训练集、验证集与测试集互相独立，其数量分别为n1、n2和n3，为自然数，且n1+n2+n3=N，n1≥1/2N，其中，训练集X1用于训练预设的初始起源点检测模型，验证集X2用于评价模型当前的性能，测试集X3用于检验模型的泛化性能；训练过程中，训练集将分多个批次并重复输入预设的初始起源点检测模型训练多轮，同时，使用代价函数计算样本概率图像与样本掩模图像的差异，作为训练误差反馈给预设的初始起源点检测模型，并通过学习算法更新模型参数；每一批次的训练结束后，使用验证集对预设的初始起源点检测模型进行性能测试，待性能测试指标训练趋于稳定后时，则认为初始起源点分析的训练完成，保存训练完成的初始起源点分析得到起源点检测模型。可选的，预设的初始起源点检测模型可采用深度卷积神经网络CNN、生成式对抗网络GAN、卷积神经网络U-Net和V-Net或者循环神经网络RNN；超参数包括网络层数、卷积核、学习率、参数初始化、训练轮数和批次规模。可选的，计算机设备可以使用集合相似度度量函数（Diceloss）或焦点损失函数（Focal loss）计算输出的样本概率图与样本掩模图像之间的差异作为训练误差和性能测试指标，使用随机梯度下降(Stochastic gradient descent, SGD)、自适应矩估计优化算法（Adaptive Moment Estimation, Adam）以及动量算法(Momentum)中的一种最小化训练误差，以训练初始起源点检测模型。
示例性地，如图6a所示，生成训练数据集的过程可以包括，计算机设备使用1000例三维样本冠脉造影图像，使用标注软件分别在每个三维样本冠脉造影图像中标记出左右冠脉起源点坐标，如图6b和图6c所示，即左右冠状动脉起源点为左右冠状动脉与升主动脉相连接的点。在空白图像中生成2个以左右冠脉起源点坐标为圆心，半径为6个像素的球形二值化掩膜图像，与样本冠脉造影图像配对组成训练数据集，数量亦为1000。采用对V-net网络作了简单调整的网络作为预设的初始起源点检测模型，其中输入通道为1，输出通道为2+1，分别对应左右冠脉起源点检测的概率图与背景检测的概率图；网络结构包含输入模块、两个下采样模块、两个上采样模块和输出模块，除输出模块，其他模块均使用了批归一化层以及非线性激活函数ReLU，而输出模块中的非线性激活函数改用Softmax，它的输出值在(0,1)区间内，需要注意的是，最后的softmax是在各输出通道之间做的，这样最终输出的各个概率图中对应位置元素的和为1，它们分别代表了原图中当前位置像素属于各个标签类的概率。另外，训练数据集被分成训练集、验证集和测试集，其数量分别为500、200和300；使用生成的训练数据集训练预设的初始起源点检测模型，其中训练集用于训练预设的初始起源点检测模型，验证集用于评价模型当前的性能，测试集用于检验模型的泛化性能；训练过程中，训练集分100个批次重复输入初始起源点检测模型训练100轮，同时，使用焦点损失函数（Focal loss）计算输出的样本概率图像与样本掩模图像的差异作为训练误差反馈给初始起源点检测模型，并通过自适应矩估计优化算法（Adaptive Moment Estimation, Adam）更新模型参数；每一批次的训练结束后，使用验证集对初始起源点检测模型进行性能测试，待性能测试指标训练趋于稳定后时，则认为初始起源点检测模型的训练完成，保存训练完成的网络模型，得到起源点检测模型。
S602，根据预设的概率阈值对冠脉起源点概率图进行二值化处理，得到二值化掩膜图像。
具体地，计算机设备根据预设的概率阈值对冠脉起源点概率图进行二值化处理，得到二值化掩模图像。可选的，计算机设备可以将冠脉起源点概率图中概率值大于预设的概率阈值的区域标记为1，小于预设的概率阈值的区域标记为0，得到二值化掩模图像。可选的，预设的概率阈值可以为0.3。
S603，对二值化掩膜图像中的连通域进行标记，并获取目标连通域；目标连通域为连通域中面积最大的连通域或连通域中概率值密度最高的连通域。
具体地，计算机设备对得到的二值化掩模图像中的连通域进行标记，得到目标连通域。其中，目标连通域为连通域中面积最大的连通域或连通域中概率值密度最高的连通域。示例性地，计算机设备可以删除二值化掩模图像中的连通域中面积小于30的连通域，最终只保留一个连通域且该连通域的面积大于30。
S604，获取目标连通域对应的概率值的加权中心点，将加权中心点的坐标确定为冠脉起源点坐标。
具体地，计算机设备获取目标连通域对应的概率值的加权中心点，将获取的加权中心点的坐标确定为冠脉起源点坐标。可以理解的是，若目标连通域为左冠脉起源点对应的连通域，则计算机设备获取的加权中心点的坐标为左冠脉起源点坐标；若目标连通域为右冠脉起源点对应的连通域，则计算机设备获取的加权中心点的坐标为右冠脉起源点坐标。可选的，计算机设备可以根据公式，，获取目标连通域对应的概率值的加权中心点，式中，/>为目标连通域上各点的坐标，/>为目标连通域上各点坐标对应的概率值，/>为目标连通域对应的概率值的加权中心点。
在本实施例中，计算机设备将待分析的冠脉造影图像，输入起源点检测模型，能够准确地得到待分析的冠脉造影图像对应的冠脉起源点概率图，这样可以根据预设的概率阈值对冠脉起源点概率图进行二值化处理，准确地得到二值化掩模图像，进而可以对二值化掩模图像中的连通域进行准确地标记，提高了得到的目标连通域的准确度，从而可以准确地获取到目标连通域对应的概率值的加权中心点，由于是将得到的加权中心点的坐标确定为冠脉起源点坐标，进而提高了得到的冠脉起源点坐标的准确度。
图7为另一个实施例提供的图像分析方法的流程示意图。为了便于本领域技术人员的理解，以下对本申请提供的图像分析方法进行详细介绍，如图7所示，计算机设备首先根据待分析的冠脉造影图像，得到待分析的冠脉造影图像中冠脉左右起源点坐标以及待分析的冠脉造影图像对应的升主动脉分割图像的升主动脉的中线（即图中的血管中线），然后，计算冠脉左右起源点距离以及冠脉左右起源点到血管中线最短距离点形成的向量夹角，若得到的冠脉左右起源点距离和形成的夹角同时小于某两个设定的阈值，则确定待分析的冠脉造影图像中冠脉起源异常，否则，则确定待分析的冠脉造影图像中冠脉起源正常，即左冠脉起源于左窦，右冠脉起源于右窦；若待分析的冠脉造影图像中冠脉起源异常，则计算左右冠脉起源点中点坐标，并根据待分析的冠脉造影图像得到对应的心脏的多标签分割图像，得到的心脏多标签分割图像中包括左心房、右心房、左心室、右心室，并计算左右冠脉起源点中点到左心房、右心房、左心室、右心室的最短距离，若左右冠脉起源点中点到左心房和左心室最短距离之和小于到右心房和右心室最短距离之和，则确定左右冠脉起源于左窦，否则，则确定左右冠脉起源于右窦。
需要说明的是，针对上述中的描述可以参见上述实施例中相关的描述，且其效果类似，本实施例在此不再赘述。
应该理解的是，虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-7中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图8所示，提供了一种图像分析装置，包括：第一获取模块10、提取模块11和分析模块12，其中：
第一获取模块10，用于根据待分析的冠脉造影图像和预设的起源点检测模型，得到待分析的冠脉造影图像中的冠脉起源点的坐标；冠脉起源点的坐标包括左冠脉起源点的坐标和右冠脉起源点的坐标；
提取模块11，用于根据待分析的冠脉造影图像，得到待分析的冠脉造影图像对应的升主动脉分割图像，并提取升主动脉分割图像的升主动脉的中线；
分析模块12，用于根据左冠脉起源点的坐标、右冠脉起源点的坐标和升主动脉的中线，对待分析的冠脉造影图像进行分析，得到分析结果；分析结果用于表示待分析的冠脉造影图像中的冠脉起源是否异常。
本实施例提供的图像分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述分析模块12包括：第一确定单元和分析单元。
具体的，第一确定单元，用于根据左冠脉起源点的坐标确定在升主动脉的中线上的第一目标点，以及根据右冠脉起源点的坐标确定在升主动脉的中线上的第二目标点；第一目标点为升主动脉的中线上与左冠脉起源点的距离最小的点；第二目标点为升主动脉的中线上与右冠脉起源点的距离最小的点；
分析单元，用于根据左冠脉起源点的坐标、右冠脉起源点的坐标、第一目标点的坐标和第二目标点的坐标，对待分析的冠脉造影图像进行分析，得到分析结果。
本实施例提供的图像分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述分析单元，具体用于根据左冠脉起源点的坐标、右冠脉起源点的坐标、第一目标点的坐标和第二目标点的坐标，获取第一向量与第二向量间的夹角；第一向量的起点为第一目标点、终点为左冠脉起源点；第二向量的起点为第二目标点、终点为右冠脉起源点；根据左冠脉起源点的坐标和右冠脉起源点的坐标，获取左冠脉起源点与右冠脉起源点间的距离；根据第一向量与第二向量间的夹角、左冠脉起源点与右冠脉起源点间的距离，对待分析的冠脉造影图像进行分析，得到分析结果。
本实施例提供的图像分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述分析单元，具体用于若第一向量与第二向量间的夹角小于预设的夹角阈值，且左冠脉起源点与右冠脉起源点间的距离小于预设的距离阈值，则确定待分析的冠脉造影图像异常。
本实施例提供的图像分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述装置还包括：第二获取模块、第三获取模块和确定模块。
具体的，第二获取模块，用于根据待分析的冠脉造影图像，获取待分析的冠脉造影图像对应的心脏分割图像；心脏分割图像包括左心房区域、右心房区域、左心室区域和右心室区域；
第三获取模块，用于分别获取第三目标点与左心房区域之间最短的第一目标距离、第三目标点与右心房区域之间最短的第二目标距离、第三目标点与左心室区域之间最短的第三目标距离以及第三目标点与右心室区域之间最短的第四目标距离；其中，第三目标点为左冠脉起源点与右冠脉起源点的连接线的中心点；
确定模块，用于根据第一目标距离、第二目标距离、第三目标距离和第四目标距离，确定待分析的冠脉造影图像异常的类型。
本实施例提供的图像分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述确定模块包括：第二确定单元和第三确定单元。
具体的，第二确定单元，用于若第一目标距离与第三目标距离之和小于第二目标距离与第四目标距离之和，则确定待分析的冠脉造影图像中的左冠脉和右冠脉均起源于左主动脉窦；
第三确定单元，用于若第二目标距离与第四目标距离之和小于第一目标距离与第三目标距离之和，则确定待分析的冠脉造影图像中的左冠脉和右冠脉均起源于右主动脉窦。
本实施例提供的图像分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述第一获取模块包括：第一获取单元、处理单元、第二获取单元和第四确定单元。
具体的，第一获取单元，用于将待分析的冠脉造影图像，输入起源点检测模型，得到待分析的冠脉造影图像对应的冠脉起源点概率图；冠脉起源点概率图各位置的像素值为待分析的冠脉造影图像中对应位置像素属于冠脉起源点的概率；
处理单元，用于根据预设的概率阈值对冠脉起源点概率图进行二值化处理，得到二值化掩膜图像；
第二获取单元，用于对二值化掩膜图像中的连通域进行标记，并获取目标连通域；目标连通域为连通域中面积最大的连通域或连通域中概率值密度最高的连通域；
第四确定单元，用于获取目标连通域对应的概率值的加权中心点，将加权中心点的坐标确定为冠脉起源点坐标。
本实施例提供的图像分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述装置还包括：第四获取模块、第五获取模块和训练模块。
具体的，第四获取模块，用于获取样本冠脉造影图像及样本冠脉造影图像对应的样本掩膜图像；样本掩膜图像中包括样本冠脉造影图像的左冠脉起源点标记和样本冠脉造影图像的右冠脉起源点标记；
第五获取模块，用于将样本冠脉造影图像输入预设的初始起源点检测模型，得到样本冠脉造影图像对应的样本概率图像；
训练模块，用于根据样本概率图像和样本掩膜图像，对预设的初始起源点检测模型进行训练，得到起源点检测模型。
本实施例提供的图像分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于图像分析装置的具体限定可以参见上文中对于图像分析方法的限定，在此不再赘述。上述图像分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
根据待分析的冠脉造影图像和预设的起源点检测模型，得到待分析的冠脉造影图像中的冠脉起源点的坐标；冠脉起源点的坐标包括左冠脉起源点的坐标和右冠脉起源点的坐标；
根据待分析的冠脉造影图像，得到待分析的冠脉造影图像对应的升主动脉分割图像，并提取升主动脉分割图像的升主动脉的中线；
根据左冠脉起源点的坐标、右冠脉起源点的坐标和升主动脉的中线，对待分析的冠脉造影图像进行分析，得到分析结果；分析结果用于表示待分析的冠脉造影图像中的冠脉起源是否异常。
上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
根据待分析的冠脉造影图像和预设的起源点检测模型，得到待分析的冠脉造影图像中的冠脉起源点的坐标；冠脉起源点的坐标包括左冠脉起源点的坐标和右冠脉起源点的坐标；
根据待分析的冠脉造影图像，得到待分析的冠脉造影图像对应的升主动脉分割图像，并提取升主动脉分割图像的升主动脉的中线；
根据左冠脉起源点的坐标、右冠脉起源点的坐标和升主动脉的中线，对待分析的冠脉造影图像进行分析，得到分析结果；分析结果用于表示待分析的冠脉造影图像中的冠脉起源是否异常。
上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/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。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种图像分析方法，所述方法包括：
根据待分析的冠脉造影图像和预设的起源点检测模型，得到所述待分析的冠脉造影图像中的冠脉起源点的坐标；所述冠脉起源点的坐标包括左冠脉起源点的坐标和右冠脉起源点的坐标；
根据所述待分析的冠脉造影图像，得到所述待分析的冠脉造影图像对应的升主动脉分割图像，并提取所述升主动脉分割图像的升主动脉的中线；
根据所述左冠脉起源点的坐标确定在所述升主动脉的中线上的第一目标点，以及根据所述右冠脉起源点的坐标确定在所述升主动脉的中线上的第二目标点；所述第一目标点为所述升主动脉的中线上与所述左冠脉起源点的距离最小的点；所述第二目标点为所述升主动脉的中线上与所述右冠脉起源点的距离最小的点；
根据所述左冠脉起源点的坐标、所述右冠脉起源点的坐标、所述第一目标点的坐标和所述第二目标点的坐标，对所述待分析的冠脉造影图像进行分析，得到分析结果；所述分析结果用于表示所述待分析的冠脉造影图像中的冠脉起源是否异常。
2.根据权利要求1所述的方法，其特征在于，所述根据所述左冠脉起源点的坐标、所述右冠脉起源点的坐标、所述第一目标点的坐标和所述第二目标点的坐标，对所述待分析的冠脉造影图像进行分析，得到分析结果，包括：
根据所述左冠脉起源点的坐标、所述右冠脉起源点的坐标、所述第一目标点的坐标和所述第二目标点的坐标，获取第一向量与第二向量间的夹角；所述第一向量的起点为所述第一目标点、终点为所述左冠脉起源点；所述第二向量的起点为所述第二目标点、终点为所述右冠脉起源点；
根据所述左冠脉起源点的坐标和所述右冠脉起源点的坐标，获取所述左冠脉起源点与所述右冠脉起源点间的距离；
根据所述第一向量与所述第二向量间的夹角、所述左冠脉起源点与所述右冠脉起源点间的距离，对所述待分析的冠脉造影图像进行分析，得到分析结果。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一向量与所述第二向量间的夹角、所述左冠脉起源点与所述右冠脉起源点间的距离，对所述待分析的冠脉造影图像进行分析，得到分析结果，包括：
若所述第一向量与所述第二向量间的夹角小于预设的夹角阈值，且所述左冠脉起源点与所述右冠脉起源点间的距离小于预设的距离阈值，则确定所述待分析的冠脉造影图像异常。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
根据所述待分析的冠脉造影图像，获取所述待分析的冠脉造影图像对应的心脏分割图像；所述心脏分割图像包括左心房区域、右心房区域、左心室区域和右心室区域；
分别获取第三目标点与所述左心房区域之间最短的第一目标距离、所述第三目标点与所述右心房区域之间最短的第二目标距离、所述第三目标点与所述左心室区域之间最短的第三目标距离以及所述第三目标点与所述右心室区域之间最短的第四目标距离；其中，所述第三目标点为左冠脉起源点与右冠脉起源点的连接线的中心点；
根据所述第一目标距离、第二目标距离、第三目标距离和第四目标距离，确定所述待分析的冠脉造影图像异常的类型。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第一目标距离、第二目标距离、第三目标距离和第四目标距离，确定所述待分析的冠脉造影图像异常的类型，包括：
若所述第一目标距离与所述第三目标距离之和小于所述第二目标距离与所述第四目标距离之和，则确定所述待分析的冠脉造影图像中的左冠脉和右冠脉均起源于左主动脉窦；
若所述第二目标距离与所述第四目标距离之和小于所述第一目标距离与所述第三目标距离之和，则确定所述待分析的冠脉造影图像中的所述左冠脉和所述右冠脉均起源于右主动脉窦。
6.根据权利要求4所述的方法，其特征在于，所述根据所述待分析的冠脉造影图像，获取所述待分析的冠脉造影图像对应的心脏分割图像，包括：
根据所述待分析的冠脉造影图像和预先训练好的分割模型，得到所述待分析的冠脉造影图像对应的心脏分割图像。
7.根据权利要求1所述的方法，其特征在于，所述根据待分析的冠脉造影图像和预设的起源点检测模型，得到所述待分析的冠脉造影图像中的冠脉起源点的坐标，包括：
将所述待分析的冠脉造影图像，输入所述起源点检测模型，得到所述待分析的冠脉造影图像对应的冠脉起源点概率图；所述冠脉起源点概率图各位置的像素值为所述待分析的冠脉造影图像中对应位置像素属于冠脉起源点的概率；
根据预设的概率阈值对所述冠脉起源点概率图进行二值化处理，得到二值化掩膜图像；
对所述二值化掩膜图像中的连通域进行标记，并获取目标连通域；所述目标连通域为所述连通域中面积最大的连通域或所述连通域中概率值密度最高的连通域；
获取所述目标连通域对应的概率值的加权中心点，将所述加权中心点的坐标确定为所述冠脉起源点坐标。
8.根据权利要求7所述的方法，其特征在于，所述起源点检测模型的训练过程，包括：
获取样本冠脉造影图像及所述样本冠脉造影图像对应的样本掩膜图像；所述样本掩膜图像中包括所述样本冠脉造影图像的左冠脉起源点标记和所述样本冠脉造影图像的右冠脉起源点标记；
将所述样本冠脉造影图像输入预设的初始起源点检测模型，得到所述样本冠脉造影图像对应的样本概率图像；
根据所述样本概率图像和所述样本掩膜图像，对所述预设的初始起源点检测模型进行训练，得到所述起源点检测模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN202010136096.XA 2020-03-02 2020-03-02 图像分析方法、计算机设备和存储介质 Active CN111383259B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010136096.XA CN111383259B (zh) 2020-03-02 2020-03-02 图像分析方法、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010136096.XA CN111383259B (zh) 2020-03-02 2020-03-02 图像分析方法、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111383259A CN111383259A (zh) 2020-07-07
CN111383259B true CN111383259B (zh) 2023-08-22

Family

ID=71218685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010136096.XA Active CN111383259B (zh) 2020-03-02 2020-03-02 图像分析方法、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111383259B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308845B (zh) * 2020-11-03 2021-07-02 赛诺威盛科技(北京)股份有限公司 左心室分割方法、装置及电子设备
CN113096091B (zh) * 2021-04-07 2022-02-08 推想医疗科技股份有限公司 图像处理方法及装置、电子设备及存储介质
CN113139961B (zh) * 2021-05-28 2024-04-23 东软医疗系统股份有限公司 一种冠状动脉优势型的确定方法和装置
CN113450322B (zh) * 2021-06-22 2024-05-24 东软医疗系统股份有限公司 一种冠状动脉的起源异常判断方法和装置
CN113506277B (zh) * 2021-07-16 2024-06-28 推想医疗科技股份有限公司 图像处理方法及装置
CN114041761B (zh) * 2021-10-27 2022-12-09 北京医准智能科技有限公司 一种冠状动脉起源的判断方法、装置及计算机可读介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109544566A (zh) * 2018-11-29 2019-03-29 上海联影医疗科技有限公司 冠脉图像分割方法、装置、计算机设备和存储介质
CN110310256A (zh) * 2019-05-30 2019-10-08 上海联影智能医疗科技有限公司 冠脉狭窄检测方法、装置、计算机设备和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9064300B2 (en) * 2008-02-15 2015-06-23 Siemens Aktiengesellshaft Method and system for automatic determination of coronory supply regions

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109544566A (zh) * 2018-11-29 2019-03-29 上海联影医疗科技有限公司 冠脉图像分割方法、装置、计算机设备和存储介质
CN110310256A (zh) * 2019-05-30 2019-10-08 上海联影智能医疗科技有限公司 冠脉狭窄检测方法、装置、计算机设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘喜龙 ; 矫立娜 ; .螺旋CT血管造影对冠脉畸形的诊断价值.中国现代医生.2017,(13),全文. *

Also Published As

Publication number Publication date
CN111383259A (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
CN111383259B (zh) 图像分析方法、计算机设备和存储介质
CN110599451B (zh) 医学图像病灶检测定位方法、装置、设备及存储介质
CN111369525B (zh) 图像分析方法、设备和存储介质
US20210056693A1 (en) Tissue nodule detection and tissue nodule detection model training method, apparatus, device, and system
CN111292314B (zh) 冠脉分段方法、装置、图像处理系统和存储介质
CN110782474B (zh) 基于深度学习的预测消融术后肝脏肿瘤形态变化的方法
CN109102490B (zh) 自动图像注册质量评估
KR20210048523A (ko) 이미지 처리 방법, 장치, 전자 기기 및 컴퓨터 판독 가능 기억 매체
CN111709485B (zh) 医学影像处理方法、装置和计算机设备
CN109712163B (zh) 冠脉提取方法、装置、图像处理工作站和可读存储介质
CN109616169B (zh) 相似患者挖掘方法、装置、计算机设备和存储介质
CN111325714B (zh) 感兴趣区域的处理方法、计算机设备和可读存储介质
CN113538471B (zh) 斑块的分割方法、装置、计算机设备和存储介质
CN111260701B (zh) 多模态视网膜眼底图像配准方法及装置
CN112308846A (zh) 血管分割方法、装置及电子设备
CN111312374B (zh) 医学图像处理方法、装置、存储介质及计算机设备
CN116050691A (zh) 医疗影像报告评估方法、装置、电子设备及存储介质
CN117373070A (zh) 血管分段标注的方法及装置、电子设备和存储介质
Li et al. Category guided attention network for brain tumor segmentation in MRI
CN113379741B (zh) 基于血管特征的视网膜血管分割方法、设备和存储介质
CN114693671A (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
CN111489318B (zh) 医学图像增强方法和计算机可读存储介质
CN117036530A (zh) 基于跨模态数据的冠状动脉血流储备分数预测方法及装置
Dy et al. Domain Adaptation using Silver Standard Labels for Ki-67 Scoring in Digital Pathology A Step Closer to Widescale Deployment
CN113379770B (zh) 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置

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