CN112116608B - 一种导丝分割方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种导丝分割方法、装置、电子设备和存储介质，该方法包括：获取针对目标位置的扫描图像，所述扫描图像包括用于介入手术的导丝；将所述扫描图像输入至预先训练好的神经网络模型，获得所述导丝的分割图像。通过本发明实施例的技术方案，实现了各种结构的导丝分割，并可确保一定的实时性。

Description

一种导丝分割方法、装置、电子设备及存储介质

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种导丝分割方法、装置、电子设备及存储介质。

背景技术

在心血管介入手术中，常常需要使用导丝来引导支架或者导管的置入，因此对导丝位置进行精准定位是精细化操作导丝以正确引导支架或者导管置入血管狭窄位置的前提，亦是保证手术安全的关键步骤。

目前常用的导丝定位方法为：一种是基于特征的对象追踪技术，例如基于像素值构建直方图，基于直方图识别是否为导丝结构，但是这种方法容易对与导丝相似的其它结构进行误识别，并且由于导丝的结构在心跳的影响下变化较大，该种方法无法通用于所有结构的导丝识别。另一种是基于统计的方法，具体是将X光图像中的静态结构和动态结构进行分离，从动态结构中抽取出导丝结构，但是这种方法在对当前帧图像进行处理时，需要依赖其前后几帧的图像信息，不能达到实时进行导丝追踪的目的。

发明内容

一种导丝分割方法、装置、电子设备和存储介质，实现了各种结构的导丝分割，并可确保一定的实时性。

第一方面，本发明实施例提供了一种导丝分割方法，该方法包括：

获取针对目标位置的扫描图像，所述扫描图像包括用于介入手术的导丝；

将所述扫描图像输入至预先训练好的神经网络模型，获得所述导丝的分割图像。

第二方面，本发明实施例还提供了一种导丝分割装置，该装置包括：

获取模块，用于获取针对目标位置的扫描图像，所述扫描图像包括用于引导支架置入血管的导丝；

分割模块，用于将所述扫描图像输入至预先训练好的神经网络模型，获得所述导丝的分割图像。

第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：

一个或多个处理器；

存储器，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意实施例所提供的导丝分割方法步骤。

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，该程序被处理器执行时实现如本发明任意实施例所提供的导丝分割方法步骤。

上述发明中的实施例具有如下优点或有益效果：

通过获取针对目标位置的扫描图像，所述扫描图像包括用于介入手术的导丝；将所述扫描图像输入至预先训练好的神经网络模型，获得所述导丝的分割图像的技术手段，实现了对各种结构的导丝进行准确分割，并可确保一定的实时性。

附图说明

为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。

图1是本发明实施例一提供的一种导丝分割方法的流程图；

图2是本发明实施例二提供的一种导丝分割方法的流程图；

图3是本发明实施例三提供的一种导丝分割装置的结构示意图；

图4是本发明实施例四提供的一种电子设备的结构示意图。

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导丝分割方法的流程示意图，本实施例可适用于在血管介入手术中对导丝位置进行精准定位的情形，该方法可以由导丝分割装置来执行，该装置可以由硬件和/或软件来实现，该方法具体包括如下步骤：

S110、获取针对目标位置的扫描图像，所述扫描图像包括用于介入手术的导丝；

其中，所述扫描图像通常由影像设备对待扫描者的目标位置进行扫描获得。所述影像设备例如是X射线、CT(Computer Tomography，计算机断层)、MR(Magnetic Resonance，磁共振)、超声、分子影像或者其他影像设备等。所述目标位置可以是诸如股静脉和锁骨下静脉等各个导丝途径的血管部位，也可以是冠状动脉中的狭窄或闭塞病变处。所述导丝指在血管介入手术中需要进入血管的移动装置，用于对支架和导管进行指引，引导支架和导管通过各个血管部位到达狭窄或闭塞病变处，以使支架支撑该狭窄或闭塞病变处。

S120、将所述扫描图像输入至预先训练好的神经网络模型，获得所述导丝的分割图像。

其中，预先训练好的神经网络模型经过大量样本数据进行训练，得到扫描图像与导丝的分割图像的关系映射，以使所述神经网络模型在接收扫描图像时，能够输出对应的导丝的分割图像。

可选的，通过设定优化算法，基于训练数据对预设神经网络进行训练，以对预设神经网络的各权重参数进行迭代与更新，获得所述预先训练好的神经网络模型。

其中，优化算法用于对预设神经网络的损失函数进行优化，以在训练过程中不断优化神经网络，提高训练完成后的神经网络输出的导丝分割图像的精度。所述优化算法可以是诸如梯度下降法、共轭梯度法、拉格朗日法、动量优化法、Nesterov加速梯度法、Nadam算法、模拟退火算法或Adam算法等算法。可选的，所述设定优化算法包括Adam优化算法；所述预设神经网络包括U-Net神经网络。

其中，Adam算法是随机梯度下降算法的一阶优化算法，随机梯度下降算法保持一个单一的学习速率，用于神经网络的权重更新，并且在训练过程中学习速率不会改变，每一个网络权重都保持一个学习速率。而Adam算法从梯度的第一次和第二次矩的预算来计算不同权重的自适应学习速率，可以在训练过程中，基于训练数据不断迭代更新神经网络的权重，提高神经网络的收敛速度，从而提高预设神经网络的输出实时性。

Adam算法的迭代更新神经网络的权重的过程可以分为以下步骤：(a)计算梯度，

其中，m表示样本数量，i表示m个样本中的第i个样本，x⁽ⁱ⁾、y⁽ⁱ⁾分别为预测分割结果、标准样本，θ为初始参数；(b)更新有偏一阶矩估计，s←ρ₁s+(1-ρ₁)g，其中，ρ₁为一阶矩估计的指数衰减速率，默认0.9；(c)更新有偏二阶矩估计，r←ρ₂r+(1-ρ₂)g⊙g，其中，ρ₂为为二阶矩估计的指数衰减速率，默认0.999；(d)修正一阶矩的偏差，

(e)修正二阶矩的偏差，

(f)计算更新，

并应用更新，θ←θ+Δθ，其中，∈表示步长，默认为0.001，δ为用于数值稳定的小常数，默认10^-8。

在本实施例中，U-Net神经网络是基于CNN的图像分割网络，主要用于医学图像分割，主要由卷积层、最大池化层、反卷积层以及ReLU非线性激活函数组成，U-Net神经网络的原理如下：通过编码器逐步获得扫描图像的高级特征映射(即下采样)，并使用解码器将高级特征映射展开到扫描图像尺寸(即上采样)，同时用跳连结构将低级特征映射与高级特征映射相结合，从而实现精确的像素级分割，得到的导丝的分割图像是一副尺寸与扫描图像尺寸一致的二值化图像，根据标准分割结果和网络输出分割结果的差异，反向传播来训练该神经网络。其中，下采样可以抓取扫描图像的简单特征，如导丝边界，上采样可以抓取扫描图像的复杂特征，把复杂特征在还原解码成与扫描图像的尺寸相同的尺寸图像，通过抓取不同层次的特征，将它们通过特征叠加的方式整合得到分割结果。本实施例通过采用U-Net神经网络作为预设神经网络，并采用Adam优化算法对U-Net神经网络进行优化，提高了预设神经网络的性能。

可选的，所述基于训练数据对预设神经网络进行训练时，所采用的损失函数包括基于所述导丝的结构特征构建的目标损失函数。

其中，所述损失函数用于表示训练过程中预设神经网络输出的导丝分割图像与标准的图像样本之间的差异，差异越小表示预设神经网络输出的导丝分割图像与标准的图像样本之间的相似程度越高。若所述损失函数的值越低，表示预设神经网络输出的导丝分割图像与标准的图像样本之间的相似程度越高，即预设神经网络此时输出的导丝的分割图像的精度越高；若所述损失函数的值越大，表示预设神经网络输出的导丝分割图像与标准的图像样本之间的相似程度越低，即预设神经网络此时输出的导丝的分割图像的精度越低。其中，导丝的结构特征呈现出连贯性与曲线型，因此，针对导丝的结构特征，构建出基于导丝结构特征的特定损失函数，即目标损失函数，从而驱动神经网络学习扫描图像中的导丝结构，而非其它的相似结构。本实施例通过针对导丝的结构特征构建的目标损失函数，监督预设神经网络重视导丝的结构特征的学习，使预设神经网络学习到更多的导丝结构特征，从而提高所获得的神经网络模型的扫描图像的分割能力，提高输出精度。

可选的，所述目标损失函数为：

Loss＝λ1loss_dis+λ2reg_linear

其中，Loss表示当前次迭代训练对应的损失值，loss_dis表示优化后的dice损失系数，reg_linear表示共线性惩罚系数，其中α、β为预先设置的权重系数，y表示标记值，

表示神经网络输出的预测结果，Φ为设定系数，λ1和λ2为设定权重，x为预测结果中的点，N(x)表示x的邻域点集合，s、r分别为集合N(x)中的元素，

表示点r处的预测值、

表示点s处的预测值、

表示点x处的预测值，“·”表示乘积运算符，通常用于向量之间的相乘，“⊙”表示同或运算符。

在本实施例中，目标损失函数可以看作优化后的dice损失系数与共线性惩罚系数的组合。其中，loss_dis表示优化后的dice损失系数，代表距离中心线越远的分割区域的损失越大，以使预设神经网络在训练过程中为了降低距离中心线较远的分割区域的损失值，而加强对距离中心线较远的分割区域的特征的学习，从而达到增强预设神经网络对距离中心线较远区域的分割能力，提高预设神经网络导丝分割精度的目的。reg_linear表示共线性惩罚系数，其中α、β为预先设置的权重系数，用于调节邻域点r处的预测值、邻域点s处的预测值与预测结果中的点x处的预测值之间的差异。在分割结果中出现非连贯曲线时，共线性惩罚系数增加，从而使目标损失函数增大，共线性惩罚系数通过计算预测结果中的点与邻域点的差值之和，扩大分割结果中不连贯区域的损失值，从而加强对不连贯区域的特征的学习，达到增加预设神经网络输出的分割结果连贯性的目的，保证输出的导丝分割结果处于一条线上。

本实施例的技术方案，通过获取针对目标位置的扫描图像，所述扫描图像包括用于介入手术的导丝；将所述扫描图像输入至预先训练好的神经网络模型，获得所述导丝的分割图像的技术手段，实现了对各种结构的导丝进行准确分割，并可确保一定的实时性。

实施例二

图2为本发明实施例二提供的一种导丝分割方法的流程示意图，本实施例在上述实施例的基础上，增加了在将扫描图像输入至预先训练好的神经网络模型之前的预处理操作，以获取标准化的扫描图像。其中与上述实施例相同或相同的术语的解释在此不再赘述。

参见图2，本实施例提供的手术辅助方法具体包括以下步骤：

S210、获取针对目标位置的扫描图像，所述扫描图像包括用于介入手术的导丝。

S220、对所述扫描图像进行预处理，以降低所述扫描图像的噪声。

其中，预处理可以用于消除所述扫描图像中的干扰噪声，以提高扫描图像的信噪比，提高神经网络模型对扫描图像的分割速度与精度。可选的，降低扫描图像噪声的预处理方法可以采用非局部平均算法、三维块匹配滤波算法或高斯滤波法。可选的，在对扫描图像进行预处理，以降低扫描图像的噪声之后，评价降噪后的扫描图像的图像质量得到评价值，扫描图像的质量评价方法可以采用结构相似度算法、峰值信噪比或均方误差。判断所述评价值是否大于预设质量值，将大于预设质量值的扫描图像输入至预先训练好的神经网络模型，将小于预设质量值的扫描图像重新进行预处理操作，以使进入神经网络模型的扫描图像的噪声含量低于预设条件，提高神经网络的输出精度。

可选的，所述对所述扫描图像进行预处理，以降低所述扫描图像的噪声，包括：对所述扫描图像进行图像标准化处理。

其中，图像标准化包括将扫描图像中各像素的像素值减去像素均值，并除以像素标准差后，得到符合标准正态分布的图像。图像标准化可以消除过度曝光造成的对比度差异、以及图像质量不佳或含有大量噪声造成的清晰度差异。

S230、将预处理之后的扫描图像输入至预先训练好的神经网络模型，获得所述导丝的分割图像。

本实施例的技术方案，通过将扫描图像进行图像标准化处理，并将预处理之后的扫描图像输入至预先训练好的神经网络模型，获得导丝的分割图像，以实现对不同对比度、清晰度的扫描图像的泛化，提高了后续神经网络模型的导丝分割速度与精度。

实施例三

图3为本发明实施例三提供的一种导丝分割装置的结构示意图，本实施例可适用于在血管介入手术中对导丝位置进行精准定位的情形，，该装置具体包括：获取模块310和分割模块320。

获取模块310，用于获取针对目标位置的扫描图像，所述扫描图像包括用于介入手术的导丝；

分割模块320，用于将所述扫描图像输入至预先训练好的神经网络模型，获得所述导丝的分割图像。

本实施例的导丝分割装置，通过获取模块获取针对目标位置的扫描图像，所述扫描图像包括用于介入手术的导丝，并基于分割模块将所述扫描图像输入至预先训练好的神经网络模型，获得所述导丝的分割图像的技术手段，实现了对各种结构的导丝进行准确分割，并可确保一定的实时性。

可选的，上述导丝分割装置还包括预处理模块，用于在将所述扫描图像输入至预先训练好的神经网络模型之前，对所述扫描图像进行预处理，以降低所述扫描图像的噪声；对应的，获取模块用于将预处理之后的扫描图像输入至预先训练好的神经网络模型。

可选的，预处理模块还用于对所述扫描图像进行图像标准化处理。

可选的，上述导丝分割装置还包括训练模块，用于通过设定优化算法，基于训练数据对预设神经网络进行训练，以获得所述预先训练好的神经网络模型。可选的，设定优化算法包括Adam优化算法；所述预设神经网络包括U-Net神经网络。

可选的，训练模块还用于基于训练数据对预设神经网络进行训练时，所采用的损失函数包括基于所述导丝的结构特征构建的目标损失函数。可选的，所述目标损失函数为：

Loss＝λ1loss_dis+λ2reg_linear

其中，Loss表示当前次迭代训练对应的损失值，loss_dis表示优化后的dice损失系数，reg_linear表示共线性惩罚系数，其中α、β为预先设置的权重系数，y表示标记值，

表示神经网络输出的预测结果，Φ为设定系数，λ1和λ2为设定权重，x为预测结果中的点，N(x)表示x的邻域点集合，s、r分别为集合N(x)中的元素，

表示点r处的预测值、

表示点s处的预测值、

表示点x处的预测值，“·”表示乘积运算符，通常用于向量之间的相乘，“⊙”表示同或运算符。

在本实施例中，目标损失函数可以看作优化后的dice损失系数与共线性惩罚系数的组合。其中，loss_dis表示优化后的dice损失系数，代表距离中心线越远的分割区域的损失越大，以使预设神经网络在训练过程中为了降低距离中心线较远的分割区域的损失值，而加强对距离中心线较远的分割区域的特征的学习，从而达到增强预设神经网络对距离中心线较远区域的分割能力，提高预设神经网络导丝分割精度的目的。reg_linear表示共线性惩罚系数，其中α、β为预先设置的权重系数，用于调节邻域点r处的预测值、邻域点s处的预测值与预测结果中的点x处的预测值之间的差异。在分割结果中出现非连贯曲线时，共线性惩罚系数增加，从而使目标损失函数增大，共线性惩罚系数通过计算预测结果中的点与邻域点的差值之和，扩大分割结果中不连贯区域的损失值，从而加强对不连贯区域的特征的学习，达到增加预设神经网络输出的分割结果连贯性的目的，保证输出的导丝分割结果处于一条线上。

本实施例的技术方案，通过获取针对目标位置的扫描图像，所述扫描图像包括用于介入手术的导丝；将所述扫描图像输入至预先训练好的神经网络模型，获得所述导丝的分割图像的技术手段，实现了对各种结构的导丝进行准确分割，并可确保一定的实时性。

本发明实施例所提供的导丝分割装置可执行本发明任意实施例所提供的导丝分割方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述系统所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。

实施例四

图4为本发明实施例三提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明实施例实施方式的示例性电子设备40的框图。图4显示的电子设备40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4所示，电子设备40以通用计算设备的形式表现。电子设备40的组件可以包括但不限于：一个或者多个处理器或者处理单元401，系统存储器402，连接不同系统组件(包括系统存储器402和处理单元401)的总线403。

总线403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。

电子设备40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电子设备40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。

系统存储器402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)404和/或高速缓存存储器405。电子设备40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，存储系统406可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4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403相连。存储器402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407的程序/实用工具408，可以存储在例如存储器402中，这样的程序模块407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407通常执行本发明所描述的实施例中的功能和/或方法。

电子设备40也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信，还可与一个或者多个使得用户能与该电子设备40交互的设备通信，和/或与使得该电子设备40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411进行。并且，电子设备40还可以通过网络适配器412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412通过总线403与电子设备40的其它模块通信。应当明白，尽管图4中未示出，可以结合电子设备40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系统等。

处理单元401通过运行存储在系统存储器402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导丝分割方法。

实施例五

本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种导丝分割方法。

该方法包括：

获取针对目标位置的扫描图像，所述扫描图像包括用于介入手术的导丝；

将所述扫描图像输入至预先训练好的神经网络模型，获得所述导丝的分割图像。

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实施例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 (8)

1.一种导丝分割方法，其特征在于，包括：

获取针对目标位置的扫描图像，所述扫描图像包括用于介入手术的导丝；

通过设定优化算法，基于训练数据对预设神经网络进行训练，以获得所述预先训练好的神经网络模型；

将所述扫描图像输入至预先训练好的神经网络模型，获得所述导丝的分割图像；

其中，所述基于训练数据对预设神经网络进行训练时，所采用的损失函数包括基于所述导丝的结构特征构建的目标损失函数，所述目标损失函数为优化后的dice损失系数和共线性惩罚系数的组合；

所述目标损失函数为：

Loss＝λ1loss_dis+λ2reg_linear；

其中，Loss为目标损失函数的损失值，loss_dis表示优化后的dice损失系数，reg_linear表示共线性惩罚系数，α、β表示预先设置的权重系数，y表示标记值，

表示神经网络输出的预测结果，Φ为设定系数，λ1和λ2为设定权重，x表示预测结果中的点，N(x)表示x的邻域点集合，s、r分别表示集合N(x)中的元素，

表示点r处的预测值、

表示点s处的预测值、

表示点x处的预测值。

2.根据权利要求1所述的方法，其特征在于，所述将所述扫描图像输入至预先训练好的神经网络模型之前，还包括；

对所述扫描图像进行预处理，以降低所述扫描图像的噪声；

对应的，所述将所述扫描图像输入至预先训练好的神经网络模型具体为：

将预处理之后的扫描图像输入至预先训练好的神经网络模型。

3.根据权利要求2所述的方法，其特征在于，所述对所述扫描图像进行预处理，以降低所述扫描图像的噪声，包括：

对所述扫描图像进行图像标准化处理。

4.根据权利要求1所述的方法，其特征在于，所述设定优化算法包括Adam优化算法。

5.根据权利要求1所述的方法，其特征在于，所述预设神经网络包括U-Net神经网络。

6.一种导丝分割装置，其特征在于，包括：

获取模块，用于获取针对目标位置的扫描图像，所述扫描图像包括用于引导支架置入血管的导丝；

分割模块，用于将所述扫描图像输入至预先训练好的神经网络模型，获得所述导丝的分割图像；

训练模块，用于通过设定优化算法，基于训练数据对预设神经网络进行训练，以获得所述预先训练好的神经网络模型；

其中，训练模块还用于基于训练数据对预设神经网络进行训练时，所采用的损失函数包括基于所述导丝的结构特征构建的目标损失函数，所述目标损失函数为优化后的dice损失系数和共线性惩罚系数的组合；

所述目标损失函数为：

Loss＝λ1loss_dis+λ2reg_linear；

其中，Loss为 目标损失函数的损失值，loss_dis表示优化后的dice损失系数，reg_linear表示共线性惩罚系数，α、β表示预先设置的权重系数，y表示标记值，

表示神经网络输出的预测结果，Φ为设定系数，λ1和λ2为设定权重，x表示预测结果中的点，N(x)表示x的邻域点集合，s、r分别表示集合N(x)中的元素，

表示点r处的预测值、

表示点s处的预测值、

表示点x处的预测值。

7.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储器，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1-5中任一所述的导丝分割方法步骤。

8.一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，该程序被处理器执行时实现如权利要求1-5中任一所述的导丝分割方法步骤。

Images