CN111640124B - 一种血管提取方法、装置、设备及存储介质 - Google Patents

一种血管提取方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111640124B
CN111640124B CN202010450505.3A CN202010450505A CN111640124B CN 111640124 B CN111640124 B CN 111640124B CN 202010450505 A CN202010450505 A CN 202010450505A CN 111640124 B CN111640124 B CN 111640124B
Authority
CN
China
Prior art keywords
target
blood vessel
dimensional data
tracking
data block
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
CN202010450505.3A
Other languages
English (en)
Other versions
CN111640124A (zh
Inventor
谌明
许卫东
金朝汇
徐阳
汪纯
金佳燕
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.)
Zhejiang Tonghuashun Intelligent Technology Co Ltd
Original Assignee
Zhejiang Tonghuashun Intelligent 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 Zhejiang Tonghuashun Intelligent Technology Co Ltd filed Critical Zhejiang Tonghuashun Intelligent Technology Co Ltd
Priority to CN202010450505.3A priority Critical patent/CN111640124B/zh
Publication of CN111640124A publication Critical patent/CN111640124A/zh
Application granted granted Critical
Publication of CN111640124B publication Critical patent/CN111640124B/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
    • G06T7/11—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
    • 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
    • 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
    • G06T2207/20076—Probabilistic 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
    • G06T2207/20—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种血管提取方法、装置、设备及存储介质，其中，血管提取方法包括：对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据；基于预先训练的预提取深度神经网络模型和目标医学图像三维数据，确定目标血管对应的目标血管种子点；基于目标血管种子点、跟踪停止约束条件以及预先训练的预测深度神经网络模型，对目标医学图像三维数据进行目标血管跟踪，得到目标血管，本发明实施例的技术方案结合深度神经网络模型和基于种子点的跟踪方法，能够从医学图像中提取出完整且清晰的目标血管。

Description

一种血管提取方法、装置、设备及存储介质
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种血管提取方法、装置、设备及存储介质。
背景技术
血管疾病尤其是心血管疾病的诊断具有十分重要的临床意义，在血管疾病诊断的过程中，血管提取作为一种辅助手段被广泛应用。
以心脏冠脉提取为例，目前心脏冠脉提取方法主要包括两类，一类是基于传统方法的冠脉分离，该类方法主要包括血管增强和区域生长等。而由于医学图像成像参数众多，受人为和环境等因素影响，基于传统方法选取的阈值相对固定，鲁棒性不强，导致冠脉提取结果不准确。另一类则是基于神经网络的分割方法。该类方法对于细小的，造影不清晰的冠脉不能有效的提取，从而造成冠脉断裂。
发明内容
本发明提供一种血管提取方法、装置、设备及存储介质，能够从医学图像中提取出完整且清晰的目标血管。
第一方面，本发明实施例提供了一种血管提取方法，所述方法包括：
对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据；
基于预先训练的预提取深度神经网络模型和所述目标医学图像三维数据，确定所述目标血管对应的目标血管种子点；
基于所述目标血管种子点、跟踪停止约束条件以及预先训练的预测深度神经网络模型，对所述目标医学图像三维数据进行目标血管跟踪，得到所述目标血管。
第二方面，本发明实施例还提供了一种血管提取装置，该装置包括：
目标医学图像三维数据获取模块，用于对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据；
目标血管种子点确定模块，用于基于预先训练的预提取深度神经网络模型和所述目标医学图像三维数据，确定所述目标血管对应的目标血管种子点；
目标血管获取模块，用于基于所述目标血管种子点、跟踪停止约束条件以及预先训练的预测深度神经网络模型，对所述目标医学图像三维数据进行目标血管跟踪，得到所述目标血管。
第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任一实施例所述的血管提取方法。
第四方面，本发明实施例还提供了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如本发明任一实施例所述的血管提取方法。
本发明实施例通过对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据；基于预先训练的预提取深度神经网络模型和目标医学图像三维数据，确定目标血管对应的目标血管种子点；基于目标血管种子点、跟踪停止约束条件以及预先训练的预测深度神经网络模型，对目标医学图像三维数据进行目标血管跟踪，得到目标血管，结合深度神经网络模型和基于种子点的跟踪方法，能够从医学图像中提取出完整且清晰的目标血管。
附图说明
图1是本发明实施例一中的一种血管提取方法的流程图；
图2是本发明实施例二中的一种血管提取方法的流程图；
图3a是本发明实施例三中的一种血管提取方法的流程图；
图3b是本发明实施例三中的另一种血管提取方法的流程图；
图4是本发明实施例四中的一种血管提取装置的结构示意图；
图5是本发明实施例五中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种血管提取方法的流程图，本实施例可适用于需要提取目标血管的情况，该方法可以由血管提取装置来执行，该装置可以采用软件和/或硬件的方式实现，该装置可以配置于计算机设备中。如图1所示，本实施例的方法具体包括：
S110、对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据。
其中，目标血管可以是目标物体(目标物体可以是人体或动物等)上任意部位处的血管，例如，目标血管可以是心脏冠状动脉、肺部血管、肝脏部位血管以及脾脏部位血管中的至少一种。原始医学图像可以是利用医学成像方法获取到的目标血管的医学图像。优选的，医学成像方法可以是血管成像方法，其中，血管成像方法可选包括CTA(ComputedTomography Angiography，计算机断层扫描血管成像)、MRA(Migmetic ResonaneeAngiography，核磁共振血管成像)和DSA(Digital Subtraction Angiography，数字减影血管造影)等。原始医学图像三维数据可以是多层原始断层图像对应的三维数据，也可以是利用多层原始断层图像进行重建后得到的三维图像所对应的三维数据。可选的，原始医学图像三维数据可以对应片层较少的CTA图像序列，也可以对应片层较多的CT图像序列，例如原始医学图像三维数据可以是包含冠状动脉的CT图像序列对应的三维数据。目标医学图像三维数据为将预设医学图像三维数据进行预处理后得到的三维数据。
本实施例中，在对目标血管对应的原始医学图像三维数据进行预处理之前，优选可以利用医学成像方法获取目标血管对应的原始医学图像，例如，医学成像方法为CT断层成像方法，目标血管为冠状动脉，则可以利用CT断层成像方法获取与冠状动脉像对应的原始医学图像序列，以得到原始医学图像三维数据。
优选的，在获取到原始医学图像三维数据之后，可以对原始医学图像三维数据进行预处理，以得到能够用于后续处理的目标医学图像三维数据。可选的，对原始医学图像三维数据进行预处理可以包括对原始医学图像三维数据进行去除干扰或噪声等处理，也可以包括对原始医学图像三维数据进行图像增强处理，也可以包括对原始医学图像三维数据进行归一化处理，还可以包括对原始医学图像三维数据进行重采样处理等。
S120、基于预先训练的预提取深度神经网络模型和目标医学图像三维数据，确定目标血管对应的目标血管种子点。
目标血管种子点为处于目标血管中且能够用于提取完整目标血管的点，目标血管种子点可以是目标血管上任意部位处的点，例如可以是目标血管中心线上的点，也可以是目标血管边界上的点，还可以是目标血管分叉部位处的点等。预提取深度神经网络模型可以用于直接提取目标血管种子点，也可以用于间接确定目标血管种子点。预提取深度神经网络模型优选可以包括具有注意力机制的类U-Net网络模型(或者U型结构的全卷积网络)。
预提取深度神经网络模型的输入和输出取决于预先训练的过程，示例性的，如果预提取深度神经网络模型用于直接提取目标血管种子点，则可选的，预提取深度神经网络模型的输入可以是目标医学图像三维数据，输出可以是目标血管种子点。如果机器显存无法支持复杂预提取深度神经网络模型的运算，则可选的，可以预先将目标医学图像三维数据分成若干三维子数据块，并分别将每个三维子数据块作为预提取深度神经网络模型的输入，对应的输出为每个三维子数据块对应的部分目标血管种子点，进而可以确定目标血管种子点。
如果预提取深度神经网络模型用于间接提取目标血管种子点，可选的，预提取深度神经网络模型的输入可以是目标医学图像三维数据，输出可以是目标血管对应的MASK三维图像，基于MASK图像可以确定目标血管的大致轮廓，根据目标血管的大致轮廓即可确定目标血管种子点。可选的，预提取深度神经网络模型的输入可以是目标医学图像三维数据，输出还可以是目标血管三维概貌图像，可以利用目标血管三维概貌图像确定目标血管种子点。可选的，如果机器显存无法支持复杂预提取深度神经网络模型的运算，则可以预先将目标医学图像三维数据分成若干三维子数据块，并分别将每个三维子数据块作为预提取深度神经网络模型的输入，对应的输出为每个三维子数据块对应的MASK三维图像，基于MASK图像可以确定三维子数据块对应的部分血管的大致轮廓，根据部分血管的大致轮廓确定部分目标血管种子点，进而可以确定目标血管种子点。对于机器显存无法支持复杂预提取深度神经网络模型的运算的情况，对应的输出还可以是部分目标血管图像，利用部分目标血管图像可以确定部分目标血管种子点，进而可以确定目标血管种子点。
S130、基于目标血管种子点、跟踪停止约束条件以及预先训练的预测深度神经网络模型，对目标医学图像三维数据进行目标血管跟踪，得到目标血管。
本实施例中的目标血管种子点优选可以是跟踪过程的起始点，跟踪停止约束条件是在跟踪过程中，指示跟踪停止的条件，当满足跟踪停止约束条件时，则停止跟踪，当不满足跟踪停止约束条件时，则继续跟踪。预先训练的预测深度神经网络模型可以用于提供跟踪过程中的预测跟踪约束条件，其中，预测跟踪约束条件是在跟踪过程中，确定具体跟踪路径的约束条件。优选的，预测深度神经网络模型中的骨干网络可选包括densenet网络模型(或者密集连接网络模型)。
示例性的，可以将目标医学图像三维数据作为预测深度神经网络模型的输入，对应的输出可以是目标血管的预测跟踪约束条件；也可以预先将目标医学图像三维数据分成若干三维子数据块，并分别将每个三维子数据块作为预测深度神经网络模型的输入，对应的输出可以是三维子数据块对应的部分目标血管的预测跟踪约束条件。
本实施例可以以目标血管种子点为起始点，在跟踪停止预设条件和预测深度神经网络模型提供的预测跟踪预设条件的约束下，对目标医学图像三维数据中的目标血管进行追踪，得到目标血管。
本实施例提供的血管提取方法，通过对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据；基于预先训练的预提取深度神经网络模型和目标医学图像三维数据，确定目标血管对应的目标血管种子点；基于目标血管种子点、跟踪停止约束条件以及预先训练的预测深度神经网络模型，对目标医学图像三维数据进行目标血管跟踪，得到目标血管，结合深度神经网络模型和基于种子点的跟踪方法，能够从医学图像中提取出完整且清晰的目标血管。
在上述各实施例的基础上，进一步的，对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据，包括：
基于目标体素对应的预设物理尺寸，对原始医学图像三维数据进行三维重采样，得到具有目标体素的重采样医学图像三维数据；
基于目标血管的预设显示数值区间，对重采样医学图像三维数据进行归一化处理，得到目标医学图像三维数据。
由于原始医学图像的成像方式、成像参数以及成像环境等存在不同，基于上述不同条件获取到的原始医学图像也可能不同，进而利用上述原始医学图像获取到的目标血管的尺寸标准也会不尽相同。为了使提取到的目标血管具有统一的物理尺寸标准，优选的，可以对原始医学图像三维数据进行重采样。
在对原始医学图像三维数据进行重采样之前，优选可以预先确定重采样后的目标医学图像三维数据中，每个体素的预设物理尺寸。示例性的，预设物理尺寸可以是3mm×3mm×3mm，或者预设物理尺寸可以是2mm×3mm×4mm等。基于该预设物理尺寸，通过插值或者合并像素值的方法，对原始医学图像三维数据进行三维重采样。
本实施例中，在得到具有目标体素的重采样医学图像三维数据之后，为了使目标血管可见，可以对重采样医学图像三维数据进行归一化处理，以将重采样医学图像三维数据的数据范围归一化至目标血管的预设显示数值区间内。
实施例二
图2为本发明实施例二提供的一种血管提取方法的流程图。本实施例在上述各实施例的基础上，可选所述基于预先训练的预提取深度神经网络模型和所述目标医学图像三维数据，确定所述目标血管对应的目标血管种子点，包括：
基于第一预设分块规则，对所述目标医学图像三维数据进行分块处理，得到至少一个目标医学图像三维数据块；
基于所述预提取深度神经网络模型和每个目标医学图像三维数据块，确定所述目标血管种子点。
如图2所示，本实施例的方法具体包括：
S210、对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据。
S220、基于第一预设分块规则，对目标医学图像三维数据进行分块处理，得到至少一个目标医学图像三维数据块。
如果机器显存无法支持复杂预提取深度神经网络模型，对目标医学图像三维数据进行运算，则可以基于第一预设分块规则，对目标医学图像三维数据进行分块处理，其中，第一预设分块规则可以是将目标医学图像三维数据分成具有第一预设尺寸的目标医学图像三维数据块。优选的，相邻目标医学图像三维数据块可以存在重合的区域，也可以不存在重合的区域。本实施例中的第一预设尺寸可以根据设备的实际显存确定，设备的实际显存配置越高，第一预设尺寸可以越大，相反，设备的实际显存配置越低，第一预设尺寸可以越小。
S230、基于预提取深度神经网络模型和每个目标医学图像三维数据块，确定目标血管种子点。
预选的，可以分别将每个目标医学图像三维数据块输入预提取深度神经网络模型中，直接输出每个目标医学图像三维数据块对应的部分目标血管种子点，并将所有输出的部分目标血管种子点作为目标血管种子点。也可以分别将每个目标医学图像三维数据块输入预提取深度神经网络模型中，输出每个目标医学图像三维数据块对应的部分目标血管概貌图像，基于所有输出的部分目标血管概貌图像以及种子点的预设确定条件，可以确定目标血管概貌图像中的目标血管种子点。还可以分别将每个目标医学图像三维数据块输入预提取深度神经网络模型中，输出每个目标医学图像三维数据块对应的部分目标血管MASK图像，基于所有输出的部分目标血管MASK图像以及预设种子点确定条件，可以确定目标血管图像中的目标血管种子点。
优选的，基于预提取深度神经网络模型和每个目标医学图像三维数据块，确定目标血管种子点，包括：
分别将每个目标医学图像三维数据块输入到预提取深度神经网络模型中，得到每个目标医学图像三维数据块中的目标血管概貌子区域；
将每个目标血管概貌子区域进行合并处理，得到目标医学图像三维数据中的目标血管概貌区域；
根据目标血管概貌区域，确定目标血管种子点。
其中，目标血管概貌子区域优选可以是在目标医学图像三维数据块中，部分目标血管的大致轮廓所在的区域。
在确定目标血管的大致轮廓之后，可以根据预设种子点确定条件，确定目标血管种子点，其中，预设种子点确定条件可以是将目标血管边界处(目标血管壁上)的点确定为目标血管种子点，也可以是将目标血管中心点处的点确定为目标血管种子点，还可以是将目标血管各分叉处的点确定为目标血管种子点等。
优选的，根据目标血管概貌区域，确定目标血管种子点，包括：
根据目标血管概貌区域，确定目标血管中心线；
将目标血管中心线上的第一目标体素作为目标血管种子点。
本实施例中，可以将目标血管中心线上的所有目标体素作为目标血管中心点，也可以每间隔预设数目个目标体素进行采样，将采样得到的目标体素确定为目标血管种子点。
S240、基于目标血管种子点、跟踪停止约束条件以及预先训练的预测深度神经网络模型，对目标医学图像三维数据进行目标血管跟踪，得到目标血管。
本实施例提供的血管提取方法，通过对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据；基于第一预设分块规则，对目标医学图像三维数据进行分块处理，得到至少一个目标医学图像三维数据块；基于预提取深度神经网络模型和每个目标医学图像三维数据块，确定目标血管种子点；基于目标血管种子点、跟踪停止约束条件以及预先训练的预测深度神经网络模型，对目标医学图像三维数据进行目标血管跟踪，得到目标血管，上述结合深度神经网络模型和基于种子点的跟踪方法，能够从医学图像中提取出完整且清晰的目标血管，上述将目标医学图像三维数据进行分块处理，能够有效降低设备的运行压力，提高提取目标血管的运算速度。
实施例三
图3a为本发明实施例三提供的一种血管提取方法的流程图。本实施例在上述各实施例的基础上，可选所述基于所述目标血管种子点、跟踪停止约束条件以及预先训练的预测深度神经网络模型，对所述目标医学图像三维数据进行目标血管跟踪，得到所述目标血管，包括：
确定所述目标血管种子点中的当前目标血管种子点；
基于当前目标血管种子点和第二预设分块规则，确定所述目标医学图像三维数据中的当前种子点三维数据块；
基于当前种子点三维数据块和所述预测深度神经网络模型，确定预测跟踪约束条件；
基于跟踪停止约束条件、预测跟踪约束条件以及所述当前目标血管种子点，对所述当前种子点三维数据块进行目标血管跟踪，得到所述当前种子点三维数据块对应的当前三维数据块目标血管；
遍历所有当前目标血管种子点，得到所有当前三维数据块目标血管，并将所有当前三维数据块目标血管作为所述目标血管。
如图3a所示，本实施例的方法具体包括：
S310、对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据。
S320、基于预先训练的预提取深度神经网络模型和目标医学图像三维数据，确定目标血管对应的目标血管种子点。
S330、确定目标血管种子点中的当前目标血管种子点。
本实施例中，确定目标血管种子点中的当前目标血管种子点的方法，可以是在目标血管种子点中随机确定一个种子点作为当前目标血管种子点，也可以是将目标血管种子点中位于边缘处的种子点作为当前目标血管种子点，还可以是将目标血管种子点中位于中心处的种子点作为当前目标血管种子点等。
S340、基于当前目标血管种子点和第二预设分块规则，确定目标医学图像三维数据中的当前种子点三维数据块。
其中，第二预设分块规则可以是将目标医学图像三维数据分成具有第二预设尺寸的目标医学图像三维数据块。优选的，相邻目标医学图像三维数据块可以存在重合的区域，也可以不存在重合的区域。本实施例中的第二预设尺寸可以根据设备的实际显存确定，设备的实际显存配置越高，第二预设尺寸可以越大，相反，设备的实际显存配置越低，第二预设尺寸可以越小。第二预设尺寸可以与第一预设尺寸相同，也可以与第一预设尺寸不同。
当前目标血管种子点可以位于当前种子点三维数据块的任意位置处，优选的，当前目标血管种子点可以位于当前种子点三维数据块的中心点位置处，或者位于距离当前种子点三维数据块的中心点预设数目个体素的位置处。
S350、基于当前种子点三维数据块和预测深度神经网络模型，确定预测跟踪约束条件。
将当前种子点三维数据块输入预测深度神经网络模型中，输出预测跟踪预设条件，其中，预测跟踪约束条件可以包括每个数据块体素对应的预测血管置信度、预测血管半径、至少两个预测血管方向以及每个预测血管方向对应的概率值，数据块体素为当前种子点三维数据块中的体素。预测血管置信度为相应数据块体素属于目标血管的概率值，预测血管半径为相应数据块体素所属目标血管的血管半径，至少两个预测血管方向为相应数据块体素所属目标血管的走向，该预测血管方向的数目可以是两个，也可以是多个(例如可以是上万个)。每个预测血管方向的概率值为各个预测血管走向的概率。
S360、基于跟踪停止约束条件、预测跟踪约束条件以及当前目标血管种子点，对当前种子点三维数据块进行目标血管跟踪，得到当前种子点三维数据块对应的当前三维数据块目标血管。
上述可以以当前目标血管种子点为跟踪起始点，以跟踪停止约束条件、预测跟踪约束条件作为跟踪约束，对当前种子点三维数据块进行目标血管跟踪，以确定当前种子点三维数据块对应的部分目标血管，即当前三维数据块目标血管。
本实施例中，可以预先确定一个体素值均为0的MASK三维图像，该三维图像的数据尺寸大小与目标医学图像三维数据的数据尺寸大小相同。每得到一个当前种子点三维数据块，就可以在体素值均为0的MASK三维图像中确定当前种子点三维数据块的位置。在跟踪的过程中，可以将确定的当前三维数据块目标血管在该MASK三维图像中的位置对应标注为1，得到当前三维数据块目标血管MASK三维图像。此种情况可以等同于在体素值均为0的MASK三维图像中进行跟踪。除了得到MASK三维图像外，还可以在目标医学图像三维数据对应的目标医学图像中进行颜色标记，得到当前三维数据块目标血管三维图像。
优选的，基于跟踪停止约束条件、预测跟踪约束条件以及当前目标血管种子点，对当前种子点三维数据块进行目标血管跟踪，得到当前种子点三维数据块对应的当前三维数据块目标血管，包括：
确定当前目标血管种子点对应的至少两个预测血管方向中，概率值最大的两个目标血管方向；
将两个目标血管方向分别作为当前目标血管种子点的起始跟踪正方向和起始跟踪反方向；
分别确定在起始跟踪正方向和起始跟踪反方向上，目标血管置信度大于预设目标血管置信度阈值的起始正方向数据块体素和起始反方向数据块体素；
分别基于预测跟踪约束条件，从起始正方向数据块体素和起始反方向数据块体素开始，对当前种子点三维数据块进行目标血管跟踪，得到至少一个跟踪数据块体素；
当跟踪数据块体素满足跟踪停止约束条件时，停止跟踪，并将跟踪轨迹上的所有跟踪数据块体素作为当前三维数据块目标血管。
在所有预测血管方向中，将概率值最大的两个预测血管方向，作为当前目标血管种子点的起始跟踪正方向和起始跟踪反方向，并分别沿起始跟踪正方向和起始跟踪反方向进行跟踪。以沿起始跟踪正方向跟踪为例，若当前目标血管种子点的目标血管置信度大于预设目标血管置信度阈值，则以当前目标血管种子点为起始点，沿起始跟踪正方向跟踪。若当前目标血管种子点的目标血管置信度不大于预设目标血管置信度阈值，则重新确定跟踪起始点，具体确定方法为将目标血管置信度大于预设目标血管置信度阈值的数据块体素作为起始正方向数据块体素，并以起始正方向数据块体素为起始点，沿起始跟踪正方向跟踪。
具体跟踪过程可以是基于起始正方向数据块体素的预测跟踪约束条件，拟合出用于跟踪的血管单元(该血管单元可以是球体，也可以是圆柱体等)，并利用该血管单元，基于预测跟踪约束条件沿起始跟踪正方向进行跟踪，当跟踪数据块体素满足跟踪停止约束条件，停止跟踪。血管单元的跟踪轨迹对应的区域优选可以是当前三维数据块目标血管所在的区域，进而可以确定当前三维数据块目标血管。
当跟踪数据块体素满足跟踪停止约束条件时，停止跟踪，包括：
当跟踪数据块体素的体素值超出预设体素阈值范围，则停止跟踪；
和/或，当跟踪数据块体素的跟踪正方向与起始跟踪正方向之间的夹角大于90°，则停止跟踪；
和/或，当跟踪数据块体素的跟踪反方向与起始跟踪反方向之间的夹角大于90°，则停止跟踪；
和/或，当跟踪数据块体素的预测血管置信度小于预设目标血管置信度阈值，则停止跟踪。
若跟踪数据块体素对应部分标注的MASK三维图像，则当跟踪数据块体素的体素值为0时，继续跟踪，而当跟踪数据块体素的体素值不为0时，则停止跟踪。
S370、遍历所有当前目标血管种子点，得到所有当前三维数据块目标血管，并将所有当前三维数据块目标血管作为目标血管。
当遍历所有当前种子点三维数据块之后，即可得到目标血管对应的完整MASK三维图像。除了得到完整的MASK三维图像外，还可以在目标医学图像三维数据对应的目标医学图像中进行颜色标记，得到完整的目标血管三维图像。
图3b为本发明实施例三提供的另一种血管提取方法的流程图，如图3b所示，原始医学图像三维数据为冠脉CT三维数据，最终得到的是三维冠脉血管的MASK图像，具体流程如下：
获取原始冠脉CT三维数据。
原始冠脉CT三维数据预处理：对原始冠脉CT三维数据进行重采样和归一化处理，得到目标冠脉CT三维数据。
冠脉预提取：对目标冠脉CT三维数据进行分块处理，得到若干第一目标冠脉CT三维数据块；分别将每个第一目标冠脉CT三维数据块输入已经训练完成的具有注意力机制的类U-Net网络结构，输出0和1分布的部分MASK图像，其中，0为背景区域，1为冠脉区域，将所有部分MASK图像合并，得到整个目标冠脉CT三维数据对应的MASK图像。
种子点提取：提取MASK图像中的冠脉中心线，将中心线上所有体素作为种子点；
预测跟踪约束条件确定：对目标冠脉CT三维数据进行分块处理，得到若干第二目标冠脉CT三维数据块；分别将每个第二目标冠脉CT三维数据块输入已经训练完成的卷积神经网络结构，输出每个体素的预测冠脉的置信度，冠脉的方向、冠脉的半径；
三维数据块跟踪：以种子点为起始点，将预测得到的冠脉的方向中，概率值最大的两个方向作为跟踪正向和跟踪反向。以跟踪正向为例，从跟踪正向开始，当当前点预测的冠脉置信度大于冠脉置信度阈值时，开始跟踪，根据预测的冠脉的方向和半径，在全部值为0的MASK图像中确定正向的下一点E1。若E1满足如下条件，则停止跟踪，若E1不满足如下条件，则继续跟踪，并在MASK图像中相应位置标注体素值为1。条件如下：1)若E1的像素值不为0，则停止跟踪；2)若预测的方向和起始点方向大于90度，则停止跟踪；3)若冠脉置信度小于冠脉置信度阈值，则停止跟踪。反方向亦然。
冠脉提取：冠脉确定当所有种子点跟踪结束，得到完整的MASK图，提取出完整的冠脉。
本实施例提供的血管提取方法，通过对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据；基于预先训练的预提取深度神经网络模型和目标医学图像三维数据，确定目标血管对应的目标血管种子点；确定目标血管种子点中的当前目标血管种子点；基于当前目标血管种子点和第二预设分块规则，确定目标医学图像三维数据中的当前种子点三维数据块；基于当前种子点三维数据块和预测深度神经网络模型，确定预测跟踪约束条件；基于跟踪停止约束条件、预测跟踪约束条件以及当前目标血管种子点，对当前种子点三维数据块进行目标血管跟踪，得到当前种子点三维数据块对应的当前三维数据块目标血管；遍历所有当前目标血管种子点，得到所有当前三维数据块目标血管，并将所有当前三维数据块目标血管作为目标血管，上述结合深度神经网络模型和基于种子点的跟踪方法，能够从医学图像中提取出完整且清晰的目标血管，同时利用跟踪方法能够更加精确的提取出目标血管。
实施例四
图4是本发明实施例四提供的一种血管提取装置的结构示意图。如图4所示，本实施例的血管提取装置包括：
目标医学图像三维数据获取模块410，用于对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据；
目标血管种子点确定模块420，用于基于预先训练的预提取深度神经网络模型和目标医学图像三维数据，确定目标血管对应的目标血管种子点；
目标血管获取模块430，用于基于目标血管种子点、跟踪停止约束条件以及预先训练的预测深度神经网络模型，对目标医学图像三维数据进行目标血管跟踪，得到目标血管。
本实施例提供的血管提取装置，通过利用目标医学图像三维数据获取模块对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据；利用目标血管种子点确定模块基于预先训练的预提取深度神经网络模型和目标医学图像三维数据，确定目标血管对应的目标血管种子点；利用目标血管获取模块基于目标血管种子点、跟踪停止约束条件以及预先训练的预测深度神经网络模型，对目标医学图像三维数据进行目标血管跟踪，得到目标血管，结合深度神经网络模型和基于种子点的跟踪方法，能够从医学图像中提取出完整且清晰的目标血管。
在上述技术方案的基础上，进一步的，目标医学图像三维数据获取模块410可以包括：
重采样医学图像三维数据确定单元，用于基于目标体素对应的预设物理尺寸，对原始医学图像三维数据进行三维重采样，得到具有目标体素的重采样医学图像三维数据；
目标医学图像三维数据确定单元，用于基于目标血管的预设显示数值区间，对重采样医学图像三维数据进行归一化处理，得到目标医学图像三维数据。
在上述技术方案的基础上，进一步的，目标血管种子点确定模块420可以包括：
目标医学图像三维数据块确定单元，用于基于第一预设分块规则，对目标医学图像三维数据进行分块处理，得到至少一个目标医学图像三维数据块；
目标血管种子点确定单元，用于基于预提取深度神经网络模型和每个目标医学图像三维数据块，确定目标血管种子点。
在上述技术方案的基础上，进一步的，目标血管种子点确定单元可以包括：
目标血管概貌子区域确定子单元，用于分别将每个目标医学图像三维数据块输入到预提取深度神经网络模型中，得到每个目标医学图像三维数据块中的目标血管概貌子区域；
目标血管概貌区域确定子单元，用于将每个目标血管概貌子区域进行合并处理，得到目标医学图像三维数据中的目标血管概貌区域；
目标血管种子点确定子单元，用于根据目标血管概貌区域，确定目标血管种子点。
在上述技术方案的基础上，进一步的，目标血管种子点确定子单元具体可以用于：
根据目标血管概貌区域，确定目标血管中心线；
将目标血管中心线上的第一目标体素作为目标血管种子点。
在上述技术方案的基础上，进一步的，预提取深度神经网络模型包括具有注意力机制的类U-Net网络模型。
在上述技术方案的基础上，进一步的，目标血管获取模块430可以包括：
当前目标血管种子点确定单元，用于确定目标血管种子点中的当前目标血管种子点；
当前种子点三维数据块确定单元，用于基于当前目标血管种子点和第二预设分块规则，确定目标医学图像三维数据中的当前种子点三维数据块；
预测跟踪约束条件确定单元，用于基于当前种子点三维数据块和预测深度神经网络模型，确定预测跟踪约束条件；
当前三维数据块目标血管确定单元，用于基于跟踪停止约束条件、预测跟踪约束条件以及当前目标血管种子点，对当前种子点三维数据块进行目标血管跟踪，得到当前种子点三维数据块对应的当前三维数据块目标血管；
目标血管确定单元，用于遍历所有当前目标血管种子点，得到所有当前三维数据块目标血管，并将所有当前三维数据块目标血管作为目标血管。
在上述技术方案的基础上，进一步的，预测跟踪约束条件包括每个数据块体素对应的预测血管置信度、预测血管半径、至少两个预测血管方向以及每个预测血管方向对应的概率值，数据块体素为当前种子点三维数据块中的体素。
在上述技术方案的基础上，进一步的，当前三维数据块目标血管确定单元可以包括：
两个目标血管方向确定子单元，用于确定当前目标血管种子点对应的至少两个预测血管方向中，概率值最大的两个目标血管方向；
起始跟踪正反方向确定子单元，用于将两个目标血管方向分别作为当前目标血管种子点的起始跟踪正方向和起始跟踪反方向；
起始正反方向数据块体素确定子单元，用于分别确定在起始跟踪正方向和起始跟踪反方向上，目标血管置信度大于预设目标血管置信度阈值的起始正方向数据块体素和起始反方向数据块体素；
跟踪数据块体素确定子单元，用于分别基于预测跟踪约束条件，从起始正方向数据块体素和起始反方向数据块体素开始，对当前种子点三维数据块进行目标血管跟踪，得到至少一个跟踪数据块体素；
当前三维数据块目标血管确定子单元，用于当跟踪数据块体素满足跟踪停止约束条件时，停止跟踪，并将跟踪轨迹上的所有跟踪数据块体素作为当前三维数据块目标血管。
在上述技术方案的基础上，进一步的，当前三维数据块目标血管确定子单元具体可以用于：
当跟踪数据块体素的体素值超出预设体素阈值范围，则停止跟踪；
和/或，当跟踪数据块体素的跟踪正方向与起始跟踪正方向之间的夹角大于90°，则停止跟踪；
和/或，当跟踪数据块体素的跟踪反方向与起始跟踪反方向之间的夹角大于90°，则停止跟踪；
和/或，当跟踪数据块体素的预测血管置信度小于预设目标血管置信度阈值，则停止跟踪。
在上述技术方案的基础上，进一步的，预测深度神经网络模型包括densenet网络模型。
本发明实施例所提供的血管提取装置可执行本发明任意实施例所提供的血管提取方法，具备执行方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性计算机设备512的框图。图5显示的计算机设备512仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机设备512以通用计算设备的形式表现。计算机设备512的组件可以包括但不限于：一个或者多个处理器516，存储器528，连接不同系统组件(包括存储器528和处理器516)的总线518。
总线518表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备512访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器528可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)530和/或高速缓存存储器532。计算机设备512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储装置534可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储器528可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块542的程序/实用工具540，可以存储在例如存储器528中，这样的程序模块542包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备512也可以与一个或多个外部设备514(例如键盘、指向设备、显示器524等，其中，显示器524可根据实际需要决定是否配置)通信，还可与一个或者多个使得用户能与该计算机设备512交互的设备通信，和/或与使得该计算机设备512能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且，计算机设备512还可以通过网络适配器520与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器520通过总线518与计算机设备512的其它模块通信。应当明白，尽管图5中未示出，可以结合计算机设备512使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储装置等。
处理器516通过运行存储在存储器528中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的血管提取方法。
实施例六
本发明实施例六提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的血管提取方法，包括：
对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据；
基于预先训练的预提取深度神经网络模型和目标医学图像三维数据，确定目标血管对应的目标血管种子点；
基于目标血管种子点、跟踪停止约束条件以及预先训练的预测深度神经网络模型，对目标医学图像三维数据进行目标血管跟踪，得到目标血管。
当然，本发明实施例所提供的计算机可读存储介质，其上存储的计算机程序不限于执行如上所述的方法操作，还可以执行本发明任意实施例所提供的基于计算机设备的血管提取方法中的相关操作。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机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、便携式计算机磁盘、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。在本文件中，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结合使用。
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。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
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)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (13)

1.一种血管提取方法，其特征在于，包括：
对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据；
基于预先训练的预提取深度神经网络模型和所述目标医学图像三维数据，确定所述目标血管对应的目标血管种子点；
基于所述目标血管种子点、跟踪停止约束条件以及预先训练的预测深度神经网络模型，对所述目标医学图像三维数据进行目标血管跟踪，得到所述目标血管；
其中，所述基于所述目标血管种子点、跟踪停止约束条件以及预先训练的预测深度神经网络模型，对所述目标医学图像三维数据进行目标血管跟踪，得到所述目标血管，包括：
确定所述目标血管种子点中的当前目标血管种子点；
基于当前目标血管种子点和第二预设分块规则，确定所述目标医学图像三维数据中的当前种子点三维数据块；
基于当前种子点三维数据块和所述预测深度神经网络模型，确定预测跟踪约束条件；
基于跟踪停止约束条件、预测跟踪约束条件以及所述当前目标血管种子点，对所述当前种子点三维数据块进行目标血管跟踪，得到所述当前种子点三维数据块对应的当前三维数据块目标血管；
遍历所有当前目标血管种子点，得到所有当前三维数据块目标血管，并将所有当前三维数据块目标血管作为所述目标血管。
2.根据权利要求1所述的方法，其特征在于，所述对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据，包括：
基于目标体素对应的预设物理尺寸，对所述原始医学图像三维数据进行三维重采样，得到具有所述目标体素的重采样医学图像三维数据；
基于所述目标血管的预设显示数值区间，对重采样医学图像三维数据进行归一化处理，得到所述目标医学图像三维数据。
3.根据权利要求1或2所述的方法，其特征在于，所述基于预先训练的预提取深度神经网络模型和所述目标医学图像三维数据，确定所述目标血管对应的目标血管种子点，包括：
基于第一预设分块规则，对所述目标医学图像三维数据进行分块处理，得到至少一个目标医学图像三维数据块；
基于所述预提取深度神经网络模型和每个目标医学图像三维数据块，确定所述目标血管种子点。
4.根据权利要求3所述的方法，其特征在于，所述基于所述预提取深度神经网络模型和每个目标医学图像三维数据块，确定所述目标血管种子点，包括：
分别将每个目标医学图像三维数据块输入到所述预提取深度神经网络模型中，得到每个目标医学图像三维数据块中的目标血管概貌子区域；
将每个目标血管概貌子区域进行合并处理，得到目标医学图像三维数据中的目标血管概貌区域；
根据所述目标血管概貌区域，确定所述目标血管种子点。
5.根据权利要求4所述的方法，其特征在于，所述根据所述目标血管概貌区域，确定所述目标血管种子点，包括：
根据所述目标血管概貌区域，确定目标血管中心线；
将所述目标血管中心线上的第一目标体素作为所述目标血管种子点。
6.根据权利要求4或5所述的方法，其特征在于，所述预提取深度神经网络模型包括具有注意力机制的类U-Net网络模型。
7.根据权利要求1所述的方法，其特征在于，所述预测跟踪约束条件包括每个数据块体素对应的预测血管置信度、预测血管半径、至少两个预测血管方向以及每个预测血管方向对应的概率值，所述数据块体素为所述当前种子点三维数据块中的体素。
8.根据权利要求7所述的方法，其特征在于，基于跟踪停止约束条件、预测跟踪约束条件以及所述当前目标血管种子点，对所述当前种子点三维数据块进行目标血管跟踪，得到所述当前种子点三维数据块对应的当前三维数据块目标血管，包括：
确定所述当前目标血管种子点对应的至少两个预测血管方向中，概率值最大的两个目标血管方向；
将所述两个目标血管方向分别作为所述当前目标血管种子点的起始跟踪正方向和起始跟踪反方向；
分别确定在所述起始跟踪正方向和所述起始跟踪反方向上，目标血管置信度大于预设目标血管置信度阈值的起始正方向数据块体素和起始反方向数据块体素；
分别基于预测跟踪约束条件，从所述起始正方向数据块体素和所述起始反方向数据块体素开始，对所述当前种子点三维数据块进行目标血管跟踪，得到至少一个跟踪数据块体素；
当所述跟踪数据块体素满足跟踪停止约束条件时，停止跟踪，并将跟踪轨迹上的所有跟踪数据块体素作为当前三维数据块目标血管。
9.根据权利要求8所述的方法，其特征在于，所述当所述跟踪数据块体素满足跟踪停止约束条件时，停止跟踪，包括：
当所述跟踪数据块体素的体素值超出预设体素阈值范围，则停止跟踪；
和/或，当所述跟踪数据块体素的跟踪正方向与所述起始跟踪正方向之间的夹角大于90°，则停止跟踪；
和/或，当所述跟踪数据块体素的跟踪反方向与所述起始跟踪反方向之间的夹角大于90°，则停止跟踪；
和/或，当所述跟踪数据块体素的预测血管置信度小于预设目标血管置信度阈值，则停止跟踪。
10.根据权利要求7-9任一项所述的方法，其特征在于，所述预测深度神经网络模型包括densenet网络模型。
11.一种血管提取装置，其特征在于，包括：
目标医学图像三维数据获取模块，用于对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据；
目标血管种子点确定模块，用于基于预先训练的预提取深度神经网络模型和所述目标医学图像三维数据，确定所述目标血管对应的目标血管种子点；
目标血管获取模块，用于基于所述目标血管种子点、跟踪停止约束条件以及预先训练的预测深度神经网络模型，对所述目标医学图像三维数据进行目标血管跟踪，得到所述目标血管；
其中，所述目标血管获取模块包括：
当前目标血管种子点确定单元，用于确定所述目标血管种子点中的当前目标血管种子点；
当前种子点三维数据块确定单元，用于基于当前目标血管种子点和第二预设分块规则，确定所述目标医学图像三维数据中的当前种子点三维数据块；
预测跟踪约束条件确定单元，用于基于当前种子点三维数据块和所述预测深度神经网络模型，确定预测跟踪约束条件；
当前三维数据块目标血管确定单元，用于基于跟踪停止约束条件、预测跟踪约束条件以及所述当前目标血管种子点，对所述当前种子点三维数据块进行目标血管跟踪，得到所述当前种子点三维数据块对应的当前三维数据块目标血管；
目标血管确定单元，用于遍历所有当前目标血管种子点，得到所有当前三维数据块目标血管，并将所有当前三维数据块目标血管作为所述目标血管。
12.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-10中任一所述的血管提取方法。
13.一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如权利要求1-10中任一所述的血管提取方法。
CN202010450505.3A 2020-05-25 2020-05-25 一种血管提取方法、装置、设备及存储介质 Active CN111640124B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010450505.3A CN111640124B (zh) 2020-05-25 2020-05-25 一种血管提取方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010450505.3A CN111640124B (zh) 2020-05-25 2020-05-25 一种血管提取方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111640124A CN111640124A (zh) 2020-09-08
CN111640124B true CN111640124B (zh) 2023-06-02

Family

ID=72330931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010450505.3A Active CN111640124B (zh) 2020-05-25 2020-05-25 一种血管提取方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111640124B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329796B (zh) * 2020-11-12 2023-05-23 北京环境特性研究所 基于视觉显著性的红外成像卷云检测方法和装置
CN112907577A (zh) * 2021-03-25 2021-06-04 上海志御软件信息有限公司 肝脏静脉血管三维结构特征定量分析方法、装置、计算机设备和存储介质
CN112967274A (zh) * 2021-03-29 2021-06-15 上海志御软件信息有限公司 脂肪肝精准定量分析方法、装置、计算机设备和存储介质
CN113192099B (zh) * 2021-04-30 2023-02-17 上海联影医疗科技股份有限公司 一种组织提取方法、装置、设备和介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109671076A (zh) * 2018-12-20 2019-04-23 上海联影智能医疗科技有限公司 血管分割方法、装置、电子设备及存储介质
CN110211111A (zh) * 2019-05-31 2019-09-06 上海联影医疗科技有限公司 一种血管提取的方法、装置、图像处理设备及存储介质
CN110706246A (zh) * 2019-10-15 2020-01-17 上海微创医疗器械（集团）有限公司 一种血管图像分割方法、装置、电子设备和存储介质

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003030101A2 (en) * 2001-10-03 2003-04-10 Retinalyze Danmark A/S Detection of vessels in an image
US10878639B2 (en) * 2018-02-09 2020-12-29 David Byron Douglas Interactive voxel manipulation in volumetric medical imaging for virtual motion, deformable tissue, and virtual radiological dissection
CN103247043A (zh) * 2013-03-12 2013-08-14 华南师范大学 一种三维医学数据分割方法
EP3142069B1 (en) * 2015-09-10 2020-05-13 Agfa HealthCare Method, apparatus and system for analyzing medical images of blood vessels
CN105741251B (zh) * 2016-03-17 2018-09-21 中南大学 一种肝脏cta序列图像的血管分割方法
CN106796725B (zh) * 2016-10-11 2020-06-05 中国科学院深圳先进技术研究院 一种血管脊线追踪方法及装置
CN106875375B (zh) * 2016-12-28 2019-07-30 浙江工业大学 一种基于管状特征跟踪的三维血管中轴线提取方法
WO2018188466A1 (en) * 2017-04-12 2018-10-18 Bio-Medical Engineering (HK) Limited Automated steering systems and methods for a robotic endoscope
US10762637B2 (en) * 2017-10-27 2020-09-01 Siemens Healthcare Gmbh Vascular segmentation using fully convolutional and recurrent neural networks
CN108022237B (zh) * 2017-11-30 2021-07-13 上海联影医疗科技股份有限公司 血管提取方法、系统及存储介质
CN114820654A (zh) * 2018-12-28 2022-07-29 上海联影智能医疗科技有限公司 血管分割方法、装置、医疗影像设备及存储介质
CN109754397B (zh) * 2019-01-03 2021-02-09 东软集团股份有限公司 血管段中心路径的提取方法、装置、终端设备及存储介质
CN109993729B (zh) * 2019-03-20 2021-03-12 北京理工大学 血管跟踪方法及装置
CN110288611A (zh) * 2019-06-12 2019-09-27 上海工程技术大学 基于注意力机制和全卷积神经网络的冠状血管分割方法
CN110517279B (zh) * 2019-09-20 2022-04-05 北京深睿博联科技有限责任公司 头颈血管中心线提取方法及装置
CN110827242B (zh) * 2019-10-23 2022-06-14 华中科技大学 一种基于卷积神经网络的颅内动脉瘤检测方法及系统
CN111145200B (zh) * 2019-11-13 2023-04-18 西北大学 结合卷积神经网络与循环神经网络的血管中心线追踪方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109671076A (zh) * 2018-12-20 2019-04-23 上海联影智能医疗科技有限公司 血管分割方法、装置、电子设备及存储介质
CN110211111A (zh) * 2019-05-31 2019-09-06 上海联影医疗科技有限公司 一种血管提取的方法、装置、图像处理设备及存储介质
CN110706246A (zh) * 2019-10-15 2020-01-17 上海微创医疗器械（集团）有限公司 一种血管图像分割方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN111640124A (zh) 2020-09-08

Similar Documents

Publication Publication Date Title
CN111640124B (zh) 一种血管提取方法、装置、设备及存储介质
CN111476757B (zh) 一种冠脉斑块数据检测方法、系统、存储介质、终端
CN111696089B (zh) 一种动静脉确定方法、装置、设备和存储介质
CN110475505B (zh) 利用全卷积网络的自动分割
CN112465834B (zh) 一种血管分割方法及装置
Xian et al. Main coronary vessel segmentation using deep learning in smart medical
CN111145160B (zh) 钙化区域所处冠脉分支的确定方法、装置、服务器及介质
CN111062963B (zh) 一种血管提取方法、系统、设备及存储介质
CN111815598B (zh) 一种血管参数的计算方法、装置、设备及存储介质
US10997720B2 (en) Medical image classification method and related device
US20240005510A1 (en) Method and apparatus of nidus segmentation, electronic device, and storage medium
US20070127800A1 (en) Branch Extension Method For Airway Segmentation
CN111429457A (zh) 图像局部区域亮度智能评价方法、装置、设备及介质
CN112950734B (zh) 冠脉重建方法、装置、电子设备和存储介质
US20220039769A1 (en) Method, device, and system for determining abnormality in myocardium region
CN113706541B (zh) 一种图像处理方法及装置
Chakshu et al. Automating fractional flow reserve (FFR) calculation from CT scans: A rapid workflow using unsupervised learning and computational fluid dynamics
CN113610841B (zh) 一种血管异常图像识别方法、装置、电子设备和存储介质
CN115482261A (zh) 血管配准方法、装置、电子设备及存储介质
CN113192099B (zh) 一种组织提取方法、装置、设备和介质
CN115482181B (zh) 一种图像信息提取方法、装置、电子设备和可读存储介质
CN115482246B (zh) 一种图像信息提取方法、装置、电子设备和可读存储介质
CN116029967B (zh) 一种肺栓塞图像的处理方法、装置、设备及存储介质
CN113256564B (zh) 医学影像中的导管参数提取方法及装置
CN115511773B (zh) 一种血管中心线提取方法、装置、设备和可读存储介质

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
GR01 Patent grant
GR01 Patent grant