CN112365472A - 血管寻径方法、装置、电子设备和存储介质 - Google Patents

Abstract

本发明实施例公开了一种血管寻径方法、装置、电子设备和存储介质。该方法包括：获取待处理的待处理图像；将所述待处理图像输入训练好的血管标注模型中，将所述待处理图像中的血管信息标注出来；其中，所述训练好的血管标注模型是基于多组历史图像训练得到的，所述历史图像包括：历史血管图像和与所述历史血管图像对应的历史寻径标注图像；基于标注的所述血管信息，确定治疗导丝置于的位置信息。以实现精确、高效的进行血管寻径的效果。

Description

血管寻径方法、装置、电子设备和存储介质

技术领域

本发明实施例涉及医学图像处理技术，尤其涉及一种血管寻径方法、装置、电子设备和存储介质。

背景技术

心血管疾病在全球有很高的死亡率，而血管内超声技术是主流的心血管疾病诊断工具。其是一种血管内成像技术，通过将传感器探头插入动脉血管，可以实时获得高清的血管断层图像，如何在进行血管介入治疗时，判断治疗导丝是否进入正确的血管分支是目前亟待解决的问题。

目标，判断治疗导丝是否进入正确的血管分支通常采用医生人为判断的方式，即获取到患者的血管图像后，医生凭借先前经验对血管图像中的血管进行标注，然后提取出血管，再凭借经验将治疗导丝放入要治疗的血管中。

上述血管寻径的方式效率低下，精度不够，且过于依赖于医生，可能存在误寻径的情况。

发明内容

本发明实施例提供一种血管寻径方法、装置、电子设备和存储介质，以实现精确、高效的进行血管寻径的效果。

第一方面，本发明实施例提供了一种血管寻径方法，该方法包括：

获取待处理的待处理图像；

将所述待处理图像输入训练好的血管标注模型中，将所述待处理图像中的血管信息标注出来；其中，所述训练好的血管标注模型是基于多组历史图像训练得到的，所述历史图像包括：历史血管图像和与所述历史血管图像对应的历史寻径标注图像；

基于标注的所述血管信息，确定治疗导丝置于的位置信息。

第二方面，本发明实施例还提供了一种血管寻径装置，该装置包括：

待处理图像获取模块，用于获取待处理的待处理图像；

血管信息标注模块，用于将所述待处理图像输入训练好的血管标注模型中，将所述待处理图像中的血管信息标注出来；其中，所述训练好的血管标注模型是基于多组历史图像训练得到的，所述历史图像包括：历史血管图像和与所述历史血管图像对应的历史寻径标注图像；

导丝植入模块，用于基于标注的所述血管信息，确定治疗导丝置于的位置信息。

第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：

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本发明实施例中任一所述的血管寻径方法。

第四方面，本发明实施例还提供了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本发明实施例中任一所述的血管寻径方法。

本发明实施例的技术方案，通过将获取的待处理图像输入到训练好的血管标注模型中，可直接得到该待处理图像的血管信息，这样可针对获取的待处理图像，快速、准确的获取到血管信息，减轻了算法开发负担，降低了算法开发难度，避免了现有技术中需要手动调节各算法参数，造成的血管信息获取效率低下、准确性地的问题。根据得到的标注有血管信息的图像，直观形象的知道治疗导丝要植入到血管内的位置信息，以便后续对血管进行治疗，实现了精确、高效的进行血管寻径的效果。

附图说明

图1是本发明实施例一中的血管寻径方法的流程图；

图2是本发明实施例一中的导丝寻径示意图；

图3是本发明实施例二中的血管寻径方法的流程图；

图4是本发明实施例三中的血管寻径方法的流程图；

图5是本发明实施例四中的血管寻径方法的流程图；

图6是本发明实施例四中的血管寻径方法的执行装置示意图；

图7是本发明实施例五中的血管寻径装置的结构示意图；

图8是本发明实施例六中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血管寻径方法的流程图，本实施例可适用于对血管路径进行寻找的情况，该方法可以由血管寻径装置来执行，该血管寻径装置可以由软件和/或硬件来实现，该血管寻径装置可以配置在电子计算设备上，具体包括如下步骤：

S110、获取待处理的待处理图像。

示例性的，待处理图像可以是待提取血管的血管图像。例如，可以是血管内超声(intravenous ultrasound，IVUS)图像。

S120、将待处理图像输入训练好的血管标注模型中，将待处理图像中的血管信息标注出来；其中，训练好的血管标注模型是基于多组历史图像训练得到的，历史图像包括：历史血管图像和与所述历史血管图像对应的历史寻径标注图像。

示例性的，血管标注模型可以是一个基于深度学习的神经网络模型。例如可以是bas-net神经网络模型。

历史血管图像可以是已扫描获取的包含血管的图像，例如，可以是历史血管内超声图像。

与历史血管图像对应的历史寻径标注图像可以是对与所述历史血管图像对应的治疗图像中的血管信息进行勾画后的图像，例如，可以是医师利用3d-slice之类的标注软件，在每张与所述历史血管图像对应的治疗图像上勾勒出血管信息，将其作为标注信息，保存为png或jpg格式的图片，该图像即为与该历史血管图像对应的历史寻径标注图像。

可选的，血管信息包括但不限于是：血管的内膜信息、血管的外膜信息、血管分支信息和血管内的斑块信息。

利用多组历史图像对血管标注模型进行训练，得到训练好的血管标注模型。将待处理图像输入到该训练好的血管标注模型中，可直接得到该待处理图像的血管信息。这样可针对获取的待处理图像，快速、准确的获取到血管信息，减轻了算法开发负担，降低了算法开发难度，避免了现有技术中需要手动调节各算法参数，造成的血管信息获取效率低下、准确性地的问题。

S130、基于标注的血管信息，确定治疗导丝置于的位置信息。

示例性的，治疗导丝置于的位置信息可以是治疗导丝到植入到血管内的位置。

可选的，这里的位置信息具体的可以是：治疗导丝要置于的血管内的斑块的位置信息。

根据基于血管标注模型得到标注有血管信息的图像，可从图像中直观的看到血管中斑块的位置，若后续需对血管内斑块进行治疗时，以便于医生可根据该标注有血管信息的图像将治疗导丝植入到血管内斑块位置处，对其进行治疗。

需要说明的是，在确定血管内斑块位置之前，要首先根据斑块确定所要治疗的血管，由于血管分布错综复杂，各血管彼此交错，因此，在确定所要治疗的血管时，需要明确各血管的分支，确定分支后，从分支入口进入所要进行治疗的血管内，最后将治疗导丝植入到该所要治疗的血管内的斑块所在位置，对斑块进行治疗。

参考如图2所述的导丝寻径示意图，在现有技术中，若要对血管内斑块进行治疗，可能出现经历如图2中的a图、b图和c图的情况。在对血管内斑块进行治疗时，先将诊断导丝植入到血管内，诊断该血管内是否具有斑块，若有斑块，诊断该斑块的类别等信息，根据诊断结果，再将治疗导丝植入到血管斑块处对斑块进行治疗。

如图2中的a图所示，在图2中的a图中的2A1和2A2均为血管内超声图像，对血管内超声导管(图2中的A)沿着诊断导丝(图2中的B)发现血管入口应该在2点钟方向(图2A1中虚线框M所示位置)，治疗导丝(图2中的C)在要寻径的血管内(2A2图中箭头所示位置)。

在图2中的a图中发现诊断导丝位置不对后，需将诊断导丝和治疗导丝撤回后重新插入，如图2中的b图所示，在图2中的b图中的2B1和2B2均为血管内超声图像，诊断导丝和治疗导丝撤回重新插入后，发现诊断导丝(图2中的B)和治疗导丝(图2中的导丝①)均位于血管内膜下，寻径的血管应该在11点方向(2B1图中虚线框N所示位置)，将治疗导丝后撤并在血管内超声导管指导下进入寻径的血管中，基于上述图2中的a图证实治疗导丝(图2中的导丝②)位于9点钟方向(2B2图虚线框Q所示位置)。

在图2中的a图中发现的治疗导丝的位置后，血管内超声导管证实诊断导丝(图2中的B)位于内膜下(2C1箭头所示位置)，此时，需将治疗导丝(图2中的导丝①)移至寻径血管中，如图2中的c图所示，即将治疗导丝移至寻径血管中，此时，治疗导丝(图2中的C)位于寻径血管内；最后再血管内超声指导下，将诊断导丝(图2中的B)也位于寻径血管中，寻径完成。

上述方式，需要不断调整诊断导丝和治疗导丝的位置，这样容易对血管造成损伤，且治疗效率低下。

利用本发明实施例的技术方式，根据血管标注模型可直接得到血管信息，基于血管信息，可视化血管信息，可直接确定导丝要植入的位置，这样减少了对血管的损伤，提高了寻径效率，进而提高了治疗效率。

这样可根据得到的标注有血管信息的图像，直观形象的知道治疗导丝要植入到血管内的位置信息，以便后续对血管进行治疗，实现了精确、高效的进行血管寻径的效果。

本发明实施例的技术方案，通过将获取的待处理图像输入到训练好的血管标注模型中，可直接得到该待处理图像的血管信息，这样可针对获取的待处理图像，快速、准确的获取到血管信息，减轻了算法开发负担，降低了算法开发难度，避免了现有技术中需要手动调节各算法参数，造成的血管信息获取效率低下、准确性地的问题。根据得到的标注有血管信息的图像，直观形象的知道治疗导丝要植入到血管内的位置信息，以便后续对血管进行治疗，实现了精确、高效的进行血管寻径的效果。

实施例二

图3为本发明实施例二提供的血管寻径方法的流程图，本发明实施例与上述实施例中各个可选方案可以结合。在本发明实施例中，可选的，所述血管标注模型的训练方法，包括：获取多组历史血管图像和与历史血管图像对应的历史寻径标注图像，其中，历史寻径标注图像是对与历史血管图像对应的治疗图像中的血管信息进行勾画后的图像；将多组历史血管图像和历史寻径标注图像输入血管标注模型中，对血管标注模型进行迭代训练，得到训练好的血管标注模型。

如图3所示，本发明实施例的方法具体包括如下步骤：

S210、获取多组历史血管图像和与历史血管图像对应的历史寻径标注图像，其中，历史寻径标注图像是对与历史血管图像对应的治疗图像中的血管信息进行勾画后的图像。

示例性的，在对血管标注模型进行训练时，首先要提取多组历史血管图像和与历史血管图像对应的历史寻径标注图像。

需要说明的是，这里的历史血管图像可以是从医院的图像数据库或其他途径中获取的历史病人的血管内超声图像。对应的历史寻径标注图像可以是分别对与历史血管图像对应的治疗图像中的血管信息进行勾画后的图像。

需要说明的是，具体的历史血管图像的获取方式，这里不做限定，只要可获取到历史血管图像的方式均属于本发明的保护范围。同样的，这里的对与历史血管图像对应的治疗图像中的血管信息进行勾画也并不局限于上述实施例中的3d-slice之类的标注软件，任何可将历史血管图像中的血管信息进行勾勒标注的方式均属于本发明的保护范围。

S220、将多组历史血管图像和历史寻径标注图像输入血管标注模型中，对血管标注模型进行迭代训练，得到训练好的血管标注模型。

示例性的，将获取的多组历史血管图像和对应的历史寻径标注图像输入到待训练的血管标注模型中，对该待训练的血管标注模型进行迭代训练，即可得到训练好的血管标注模型。

这样利用多组历史血管图像和历史寻径标注图像对待训练的血管标注模型进行训练，得到训练好的血管标注模型，以便后续可基于该训练好的血管标注模型对待提取图像进行血管信息的快速、精确的标注。

S230、获取待处理的待处理图像。

S240、将待处理图像输入训练好的血管标注模型中，将待处理图像中的血管信息标注出来；其中，训练好的血管标注模型是基于多组历史图像训练得到的，历史图像包括：历史血管图像和与所述历史血管图像对应的历史寻径标注图像。

S250、基于标注的血管信息，确定治疗导丝置于的位置信息。

本发明实施例的技术方案，通过将获取的多组历史血管图像和与历史血管图像对应的历史寻径标注图像输入到血管标注模型中，对血管标注模型进行迭代训练，得到训练好的血管标注模型，以便后续可基于该训练好的血管标注模型对待提取图像进行血管信息的快速、精确的标注。

实施例三

图4为本发明实施例三提供的血管寻径方法的流程图，本发明实施例与上述实施例中各个可选方案可以结合。在本发明实施例中，可选的，在所述将多组历史血管图像和历史寻径标注图像输入血管标注模型中之前，所述方法还包括：对各历史血管图像进行萃取，萃取出各历史血管图像的特征信息；对各特征信息进行分析处理，得到各特征信息所对应的分布图像；基于各分布图像，对各历史血管图像进行分级，得到各历史血管图像的分级统计结果。

如图4所示，本发明实施例的方法具体包括如下步骤：

S310、获取多组历史血管图像和与历史血管图像对应的历史寻径标注图像，其中，历史寻径标注图像是对与历史血管图像对应的治疗图像中的血管信息进行勾画后的图像。

S320、对各历史血管图像进行萃取，萃取出各历史血管图像的特征信息。

示例性的，历史血管图像的特征信息可以是萃取出的历史血管的特征。

可选的，这里的特征信息可以包括：第一特征信息、第二特征信息和第三特征信息。

示例性的，这里的第一特征信息可以至少包括下述一项：历史血管图像的灰度值、对比度和占空比；

这里的第二特征信息可以至少包括下述一项：所述历史血管图像所对应的目标对象的体位信息(即目标对象在历史血管图像采集设备上的体位，比如横向、纵向、侧身和平身等)、采集所述历史血管图像的设备的体位信息(即历史血管图像的设备的机床的体位)、所述历史血管图像的方向信息(例如轴状位、冠状位和矢状位)和采集所述历史血管图像的设备的聚焦信息；

这里的第三特征信息至少包括下述一项：所述历史血管图像中病变信息(血管斑块的信息)和所述历史血管图像中的血管类型信息，以及所述历史血管图像所对应的目标对象的属性信息(例如，历史血管图像所对应的患者的信息，比如，患者的性别和年龄等)。

需要说明的是，这里的第三特征信息还可以包括医学标注因子信息，例如，可以是历史血管图像的血管轮廓、血管分类、血管分段分类、病变轮廓和病变分类等。

在提取特征信息时，可利用图像转换算法、图像识别算法(例如，拆分图像通道，像素邻域归一化，再通过图像均衡滤镜、细化骨架定位算法识别血管位置信息以及血管轮廓、血管分类等信息)进行图像的萃取。

需要说明的是，具体的对各历史血管图像进行萃取的方式可根据用户需求自行选取，这里不做限定，只要可获取到各历史血管图像的特征信息的方式均属于本发明实施例的保护范围。

S330、对各特征信息进行分析处理，得到各特征信息所对应的分布图像。

示例性的，对于第一特征信息，对历史血管图像的灰度值、对比度和占空比进行分析，得到各历史血管图像的灰度值所对应的灰度分布图像、对比度所对应的对比度分布图像，以及占空比所对应的占空比分布图像。

对于第二特征信息和第三特征信息，同样可得到其对应的分布图像。

这里的分布图像例如可以是曲线分布、柱状图分布、饼图分布，具体的分布图像可以根据需求自行取舍，这里不做限定。

S340、基于各分布图像，对各历史血管图像进行分级，得到各历史血管图像的分级统计结果。

示例性的，基于各分布图像，对各历史血管图像进行分级，可得到各历史血管图像的分级统计结果。

具体的，可以根据是根据预设规则，对各特征信息进行分级，得到各历史血管图像的分级统计结果。

这样可得到更加精确的数据，降低数据的“颗粒度”，以便后续对血管标注模型进行更为精细、精准、全面的训练。

可选的，所述基于各分布图像，对各历史血管图像进行分级，得到各历史血管图像的分级统计结果，包括：对于任一当前历史血管图像的第一特征信息、第二特征信息和第三特征信息中的任一当前特征信息，执行如下步骤，得到各历史血管图像的分级统计结果：基于当前历史血管图像的当前特征信息的分布图像，根据预设分级规则，对当前特征信息进行分级；基于当前特征信息的分级结果，确定当前历史血管图像的分级结果。

示例性的，预设分级规则可以是根据医生的需求自行设定的分级规则。

对于任一当前历史血管图像的第一特征信息、第二特征信息和第三特征信息中的任一当前特征信息，例如，以第一特征信息中的灰度值的分布图像为例进行说明，比如，某一历史血管图像的灰度值的分布图像中，灰度值的范围是0-255，则根据预设规则，来进行分级，比如，将灰度值在0-100内的为一个等级，灰度值在101-200内的为另一个等级，灰度值在201-255的为第三个等级。

根据上述对比度的分级方式，对其他的第一特征信息中的其他特征信息，以及第二特征信息和第三特征信息也进行分级。

将各历史血管图像的所有的第一特征信息进行分级后，再进行统计，得到第一特征信息的分级统计结果X；将各历史血管图像的所有的第二特征信息进行分级后，再进行统计，得到第二特征信息的分级统计结果Y；将各历史血管图像的所有的第三特征信息进行分级后，再进行统计，得到第三特征信息的分级统计结果Z。

可选的，所述基于当前特征信息的分级结果，确定当前历史血管图像的分级结果，包括：分别对第一特征信息、第二特征信息和第三特征信息中的各当前特征信息的分级结果进行统计分析，分别得到第一特征信息、第二特征信息和第三特征信息的分级结果；对当前历史血管图像的第一特征信息、第二特征信息和第三特征信息的分级结果进行统计，得到当前历史血管图像的分级结果。

示例性的，当得到上述的第一特征信息、第二特征信息和第三特征信息的分级结果后，对当前历史血管图像的第一特征信息、第二特征信息和第三特征信息的分级结果进行统计，得到当前历史血管图像的分级结果，具体的可以是对当前历史血管图像的第一特征信息的分级统计结果X、第二特征信息的分级统计结果Y和第三特征信息的分级统计结果Z进行矩阵化，即通过X+Y+Z矩阵化得到矩阵M，这里的M即为当前历史血管图像的分级结果。

根据上述方式，可得到各历史血管图像的分级结果。

需要说明的是，在对某一历史血管图像进行分级时，可能一个图像同属于两个不同的分级统计结果中，例如，对于某一历史血管图像，根据其对比度进行分级，其在第一特征信息的分级统计结果X中，但除了对其对比度进行分级外，还对其血管类型进行分级，这样其还属于第二特征信息的分级统计结果Y中。

需要说明的是，在对历史血管图像进行萃取、分析和分级时，可每预设数量(例如1000个)的历史血管图像进行一次萃取、分析和分级，即将每次进行萃取、分析和分级的历史血管图像为一个批次。由于不同批次或同批次的历史血管图像的萃取、分析和分级的结果不同，因此可对不同批次的数据进行管理。这样后续需用到之前的萃取、分析和分级的结果时，可直接进行调用。

例如，当前次进行萃取、分析和分级的历史血管图像中男性患者居多，为了排除一些不必要的因素的干扰(例如排除年龄的干扰)，则可将上个批次中的历史血管图像中的女性的萃取、分析和分级结果获取到，用于当前次的模型训练中。

S350、将多组历史血管图像和历史寻径标注图像输入待训练的血管标注模型中，对血管标注模型进行迭代训练，得到训练好的血管标注模型。

S360、获取待处理的待处理图像。

S370、将待处理图像输入训练好的血管标注模型中，将待处理图像中的血管信息标注出来；其中，训练好的血管标注模型是基于多组历史图像训练得到的，历史图像包括：历史血管图像和与所述历史血管图像对应的历史寻径标注图像。

S380、基于标注的血管信息，确定治疗导丝置于的位置信息。

本发明实施例的技术方案，通过对各历史血管图像进行萃取，萃取出各历史血管图像的特征信息，对各特征信息进行分析处理，得到各特征信息所对应的分布图像，基于各分布图像，对各历史血管图像进行分级，得到各历史血管图像的分级统计结果，这样可得到更加精确的数据，降低数据的“颗粒度”，以便后续对血管标注模型进行更为精细、精准、全面的训练。

实施例四

图5为本发明实施例四提供的血管寻径方法的流程图，本发明实施例与上述实施例中各个可选方案可以结合。在本发明实施例中，可选的，在所述得到各历史血管图像的分级统计结果之后，所述方法还包括：基于各历史血管图像的分级统计结果，将各历史血管图像输入数据处理器中，对各历史血管图像进行处理，以得到与各历史血管图像对应的目标历史血管图像；对应的，所述将多组历史血管图像和历史寻径标注图像输入待训练的血管标注模型中，包括：将多组目标历史血管图像和与各目标历史血管图像对应的历史寻径标注图像输入待训练的血管标注模型中。

如图5所示，本发明实施例的方法具体包括如下步骤：

S410、获取多组历史血管图像和与历史血管图像对应的历史寻径标注图像，其中，历史寻径标注图像是对与历史血管图像对应的治疗图像中的血管信息进行勾画后的图像。

S420、对各历史血管图像进行萃取，萃取出各历史血管图像的特征信息。

S430、对各特征信息进行分析处理，得到各特征信息所对应的分布图像。

S440、基于各分布图像，对各历史血管图像进行分级，得到各历史血管图像的分级统计结果。

S450、基于各历史血管图像的分级统计结果，将各历史血管图像输入数据处理器中，对各历史血管图像进行处理，以得到与各历史血管图像对应的目标历史血管图像。

示例性的，数据处理器可以是对分级统计结果进行处理的设备。这里的数据处理器可以至少包括：图形质量补偿器、数据分层器和属性筛选器。

具体的，这里的图形质量补偿器可以是利用极值去噪算法和色阶补偿算法对历史血管图像进行质量补偿。例如可以是将对比度没有满足后续血管提取模型的要求的历史血管图像，对其进行补色，提高其对比度。

这里的数据分层器可以是利用分层递归融合算法对历史血管图像进行分层融合。例如，若一个历史血管图像，若其轴状位图像对应的设备的聚焦信息是2度，其冠状位所对应的设备的聚焦信息是5度，根据客户需求，需将1-10度内的图像进行融合，则可将该轴状位图像和冠状位图像进行融合。

这里的属性筛选器可以是利用概率统计算法对历史血管图像进行属性筛选，例如可以是将男性的历史血管图像筛选出来。

目标历史血管图像可以是各历史血管图像经数据处理器处理后，得到的处理后的历史血管图像。例如可以是对历史血管图像进行补色后，得到的补色后的、图像对比度满足后续的血管提取模型要求的历史血管图像。

在对各历史血管图像进行的分级，得到各历史血管图像的分级统计结果后，根据分级统计结果，将其分别输入到数据处理器中，对各历史血管图像进行处理，以得到满足后续血管提取模型要求的目标历史血管图像。

在一个实施例中，可以根据需求，将历史血管图像分别输入到不同的数据处理器中，也可以是将所有的历史血管图像均分别依次输入到图形质量补偿器、数据分层器和属性筛选器中。

例如，由于图形质量补偿器是对图像质量进行补偿的，即将对比度和灰度值等不符合后续血管提取模型要求的历史血管图像进行对比度和灰度值的补偿。数据分层器是将需要融合的图像进行融合。属性筛选器是将历史血管图像的属性进行筛选的处理器，例如可以是将年龄和性别等病人属性进行筛选。

在一实施例中，根据上述各数据处理器的特性，可将历史血管图像分别输入其所需的数据处理器中，例如，可以将只有对比度和灰度值等不符合后续血管提取模型要求的历史血管图像仅输入到图形质量补偿器中，而不需输入到数据分层器和属性筛选器中。将需属性分类的历史血管图像仅输入到属性筛选器中。这样可有针对性的将历史血管图像输入到其所需的数据处理器中，节省时间，提高效率。

在另一实施例中，还可以是将各历史血管图像分别依次输入到图形质量补偿器、数据分层器和属性筛选器中，不对历史血管图像有针对性的输入到其所需的数据处理器中。

具体的是否将历史血管图像有针对性的输入到其所需的数据处理器中，可根据用户需求自行决定，这里不做限定。

将各历史血管图像输入数据处理器中，对各历史血管图像进行处理，以得到与各历史血管图像对应的目标历史血管图像，这样以便对后续血管提取模型进行训练时利用的历史血管图像是符合血管提取模型要求的图像，图像质量好，这样对血管提取模型的训练也更加精确。

S460、将多组目标历史血管图像和与各目标历史血管图像对应的历史寻径标注图像输入待训练的血管标注模型中，对待训练的血管标注模型进行迭代训练，得到训练好的血管标注模型。

示例性的，在得到目标历史血管图像后，将多组目标历史血管图像和与各目标历史血管图像对应的历史寻径标注图像输入待训练的血管标注模型中，对待训练的血管标注模型进行迭代训练，得到训练好的血管标注模型。

S470、获取待处理的待处理图像。

S480、将待处理图像输入训练好的血管标注模型中，将待处理图像中的血管信息标注出来。

S490、基于标注的血管信息，确定治疗导丝置于的位置信息。

本发明实施例的技术方案，通过基于各历史血管图像的分级统计结果，将各历史血管图像输入数据处理器中，对各历史血管图像进行处理，以得到与各历史血管图像对应的目标历史血管图像，这样以便对后续血管标注模型进行训练时利用的历史血管图像是符合血管标注模型要求的图像，图像质量好，这样对血管标注模型的训练也更加精确。

在一种优选的实施例中，可以是基于如图6所述的血管寻径方法的执行装置来实现上述血管寻径方法。具体的可以是：

(a)获取历史血管图像后，利用图像萃取模块对各历史血管图像进行萃取，萃取出各历史血管图像的特征信息；

(b)利用图像评估模块对各特征信息进行评估，看萃取处的特征信息是否符合医生所制定的规则；

需要说明的是，在对血管标注模型进行训练前，医生明确自己要提取的数据，根据要提取的数据制定规则，例如，若需要提取出血管信息，则要提取出血管信息，对历史血管图像的对比度、占空比等具有一定的要求，则可制定对比度和占空比等的规则。

(c)对评估后，符合标准的历史血管图像进行血管标注，得到历史寻径标注图像；

(d)利用血管建模模块对历史寻径标注图像进行数字化建模，

由于医生标注的数据是可视化的坐标，需要进行数字化建模，因此，对历史标注图像进行数字化、矩阵化等数学建模，建模算法规范了后续模块数据原型和接口。本模块独立有助于实现本方案模块解耦合，实现模块数据互通，模块自由组合工作。

(e)利用图像分类模块对各特征信息进行分析处理，得到各特征信息所对应的分布图像；基于各分布图像，对各历史血管图像进行分级，得到各历史血管图像的分级统计结果。

(f)利用图像处理模块对基于各历史血管图像的分级统计结果，将各历史血管图像输入数据处理器中，对各历史血管图像进行处理，以得到与各历史血管图像对应的目标历史血管图像。

(g)利用模型训练模块，将多组目标历史血管图像和与各目标历史血管图像对应的历史寻径标注图像输入血管标注模型中，对血管标注模型进行迭代训练，得到训练好的血管标注模型。

(h)血管标注模型训练完成后，将获取的待提取血管信息的待处理图像输入到训练好的血管标注模型中，提取出血管信息；

(i)根据提取出的血管信息，可确定导丝植入的位置信息。

需要说明的是，在利用训练好的血管标注模型提取出血管信息后，医生可对提取出的血管信息数据进行分析处理，进而可以提供外部数据应用和医生诊断参考，同时反向可以升级本发明实施例的技术方案的血管标注工具，反复定性、定量的训练升级血管标注模型。

实施例五

图7为本发明实施例五提供的血管寻径装置的结构示意图，如图7所示，该装置包括：待处理图像获取模块31、血管信息标注模块32和导丝植入模块33。

其中，待处理图像获取模块31，用于获取待处理的待处理图像；

血管信息标注模块32，用于将所述待处理图像输入训练好的血管标注模型中，将所述待处理图像中的血管信息标注出来；其中，所述训练好的血管标注模型是基于多组历史图像训练得到的，所述历史图像包括：历史血管图像和与所述历史血管图像对应的历史寻径标注图像；

导丝植入模块33，用于基于标注的所述血管信息，确定治疗导丝置于的位置信息。

在上述实施例的技术方案的基础上，该装置还包括：

历史图像获取模块，用于获取多组历史血管图像和与所述历史血管图像对应的历史寻径标注图像，其中，所述历史寻径标注图像是对与所述历史血管图像对应的治疗图像中的血管信息进行勾画后的图像；

模型训练模块，用于将多组所述历史血管图像和所述历史寻径标注图像输入待训练的血管标注模型中，对待训练的血管标注模型进行迭代训练，得到训练好的所述血管标注模型。

在上述实施例的技术方案的基础上，该装置还包括：

特征信息萃取模块，用于对各所述历史血管图像进行萃取，萃取出各所述历史血管图像的特征信息；

分布图像确定模块，用于对各特征信息进行分析处理，得到各特征信息所对应的分布图像；

分级模块，用于基于各所述分布图像，对各所述历史血管图像进行分级，得到各所述历史血管图像的分级统计结果。

可选的，所述特征信息包括：第一特征信息、第二特征信息和第三特征信息；所述第一特征信息至少包括下述一项：所述历史血管图像的灰度值、对比度和占空比；所述第二特征信息至少包括下述一项：所述历史血管图像所对应的目标对象的体位信息、采集所述历史血管图像的设备的体位信息、所述历史血管图像的方向信息和采集所述历史血管图像的设备的聚焦信息；所述第三特征信息至少包括下述一项：所述历史血管图像中病变信息和所述历史血管图像中的血管类型信息，以及所述历史血管图像所对应的目标对象的属性信息。

在上述实施例的技术方案的基础上，分级模块包括：

分级单元，用于对于任一当前历史血管图像的第一特征信息、第二特征信息和第三特征信息中的任一当前特征信息，基于当前历史血管图像的当前特征信息的分布图像，根据预设分级规则，对当前特征信息进行分级；

分级结果确定单元，用于对于任一当前历史血管图像的第一特征信息、第二特征信息和第三特征信息中的任一当前特征信息，基于当前特征信息的分级结果，确定所述当前历史血管图像的分级结果。

在上述实施例的技术方案的基础上，分级结果确定单元包括：

第一分级结果确定子单元，用于分别对第一特征信息、第二特征信息和第三特征信息中的各当前特征信息的分级结果进行统计分析，分别得到第一特征信息、第二特征信息和第三特征信息的分级结果；

第二分级结果确定子单元，用于对所述当前历史血管图像的第一特征信息、第二特征信息和第三特征信息的分级结果进行统计，得到所述当前历史血管图像的分级结果。

在上述实施例的技术方案的基础上，该装置还包括：

目标历史血管图像确定模块，用于基于各所述历史血管图像的分级统计结果，将各所述历史血管图像输入数据处理器中，对各所述历史血管图像进行处理，以得到与各所述历史血管图像对应的目标历史血管图像。

对应的，所述模型训练模块具体用于：

将多组所述目标历史血管图像和与各所述目标历史血管图像对应的所述历史寻径标注图像输入待训练的血管标注模型中，对待训练的血管标注模型进行迭代训练，得到训练好的所述血管标注模型。

本发明实施例所提供的血管寻径装置可执行本发明任意实施例所提供的血管寻径方法，具备执行方法相应的功能模块和有益效果。

实施例六

图8为本发明实施例六提供的一种电子设备的结构示意图，如图8所示，该电子设备包括处理器70、存储器71、输入装置72和输出装置73；电子设备中处理器70的数量可以是一个或多个，图8中以一个处理器70为例；电子设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接，图8中以通过总线连接为例。

存储器71作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的血管寻径方法对应的程序指令/模块(例如，待处理图像获取模块31、血管信息标注模块32和导丝植入模块33)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的血管寻径方法。

存储器71可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器71可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器71可进一步包括相对于处理器70远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置72可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。

实施例七

本发明实施例七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血管寻径方法。

当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于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血管寻径方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机电子设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

值得注意的是，上述血管寻径装置的实施例中，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的保护范围。

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 (11)

1.一种血管寻径方法，其特征在于，包括：

获取待处理的待处理图像；

将所述待处理图像输入训练好的血管标注模型中，将所述待处理图像中的血管信息标注出来；其中，所述训练好的血管标注模型是基于多组历史图像训练得到的，所述历史图像包括：历史血管图像和与所述历史血管图像对应的历史寻径标注图像；

基于标注的所述血管信息，确定治疗导丝置于的位置信息。

2.根据权利要求1所述的方法，其特征在于，所述血管标注模型的训练方法，包括：

获取多组历史血管图像和与所述历史血管图像对应的历史寻径标注图像，其中，所述历史寻径标注图像是对与所述历史血管图像对应的治疗图像中的血管信息进行勾画后的图像；

将多组所述历史血管图像和所述历史寻径标注图像输入待训练的血管标注模型中，对待训练的血管标注模型进行迭代训练，得到训练好的所述血管标注模型。

3.根据权利要求2所述的方法，其特征在于，在所述将多组所述历史血管图像和所述历史寻径标注图像输入待训练的血管标注模型中之前，所述方法还包括：

对各所述历史血管图像进行萃取，萃取出各所述历史血管图像的特征信息；

对各特征信息进行分析处理，得到各特征信息所对应的分布图像；

基于各所述分布图像，对各所述历史血管图像进行分级，得到各所述历史血管图像的分级统计结果。

4.根据权利要求3所述的方法，其特征在于，所述特征信息包括：第一特征信息、第二特征信息和第三特征信息；

所述第一特征信息至少包括下述一项：所述历史血管图像的灰度值、对比度和占空比；

所述第二特征信息至少包括下述一项：所述历史血管图像所对应的目标对象的体位信息、采集所述历史血管图像的设备的体位信息、所述历史血管图像的方向信息和采集所述历史血管图像的设备的聚焦信息；

所述第三特征信息至少包括下述一项：所述历史血管图像中病变信息和所述历史血管图像中的血管类型信息，以及所述历史血管图像所对应的目标对象的属性信息。

5.根据权利要求4所述的方法，其特征在于，所述基于各所述分布图像，对各所述历史血管图像进行分级，得到各所述历史血管图像的分级统计结果，包括：

对于任一当前历史血管图像的第一特征信息、第二特征信息和第三特征信息中的任一当前特征信息，执行如下步骤，得到各所述历史血管图像的分级统计结果：

基于当前历史血管图像的当前特征信息的分布图像，根据预设分级规则，对当前特征信息进行分级；

基于当前特征信息的分级结果，确定所述当前历史血管图像的分级结果。

6.根据权利要求5所述的方法，其特征在于，所述基于当前特征信息的分级结果，确定所述当前历史血管图像的分级结果，包括：

分别对第一特征信息、第二特征信息和第三特征信息中的各当前特征信息的分级结果进行统计分析，分别得到第一特征信息、第二特征信息和第三特征信息的分级结果；

对所述当前历史血管图像的第一特征信息、第二特征信息和第三特征信息的分级结果进行统计，得到所述当前历史血管图像的分级结果。

7.根据权利要求6所述的方法，其特征在于，在所述得到各所述历史血管图像的分级统计结果之后，所述方法还包括：

基于各所述历史血管图像的分级统计结果，将各所述历史血管图像输入数据处理器中，对各所述历史血管图像进行处理，以得到与各所述历史血管图像对应的目标历史血管图像；

对应的，所述将多组所述历史血管图像和所述历史寻径标注图像输入待训练的血管标注模型中，包括：

将多组所述目标历史血管图像和与各所述目标历史血管图像对应的所述历史寻径标注图像输入待训练的血管标注模型中。

8.根据权利要求1所述的方法，其特征在于，所述血管信息至少包括：血管的内膜信息、血管的外膜信息、血管分支信息和血管内的斑块信息；

所述基于标注的所述血管信息，确定治疗导丝置于的位置信息，包括：

基于标注的所述血管信息，确定治疗导丝要置于的血管内的斑块的位置信息。

9.一种血管寻径装置，其特征在于，包括：

待处理图像获取模块，用于获取待处理的待处理图像；

血管信息标注模块，用于将所述待处理图像输入训练好的血管标注模型中，将所述待处理图像中的血管信息标注出来；其中，所述训练好的血管标注模型是基于多组历史图像训练得到的，所述历史图像包括：历史血管图像和与所述历史血管图像对应的历史寻径标注图像；

导丝植入模块，用于基于标注的所述血管信息，确定治疗导丝置于的位置信息。

10.一种电子设备，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1-8中任一所述的血管寻径方法。

11.一种包含计算机可执行指令的存储介质，其特征在于，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如权利要求1-8中任一所述的血管寻径方法。

Images