CN112418299B - 冠状动脉分割模型训练方法、冠状动脉分割方法、及装置 - Google Patents

冠状动脉分割模型训练方法、冠状动脉分割方法、及装置 Download PDF

Info

Publication number
CN112418299B
CN112418299B CN202011303653.9A CN202011303653A CN112418299B CN 112418299 B CN112418299 B CN 112418299B CN 202011303653 A CN202011303653 A CN 202011303653A CN 112418299 B CN112418299 B CN 112418299B
Authority
CN
China
Prior art keywords
coronary artery
data
region
segmentation
detected
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
CN202011303653.9A
Other languages
English (en)
Other versions
CN112418299A (zh
Inventor
简伟健
张欢
王瑜
赵朝炜
李新阳
陈宽
王少康
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.)
Infervision Medical Technology Co Ltd
Original Assignee
Infervision 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 Infervision Medical Technology Co Ltd filed Critical Infervision Medical Technology Co Ltd
Priority to CN202011303653.9A priority Critical patent/CN112418299B/zh
Publication of CN112418299A publication Critical patent/CN112418299A/zh
Application granted granted Critical
Publication of CN112418299B publication Critical patent/CN112418299B/zh
Priority to PCT/CN2021/130861 priority patent/WO2022105735A1/zh
Priority to JP2022518857A priority patent/JP7349018B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请提供了一种冠状动脉分割模型的训练方法，包括：获取样本，所述样本包括待识别区域血管数据与冠状动脉标识数据；在所述待识别血管数据中增加干扰数据，获取待识别血管扩充数据；基于所述冠状动脉标识数据获取冠状动脉启示数据，所述冠状动脉启示数据用于在对所述待识别区域血管数据进行标识时提供启示；以及将带有所述待识别血管扩充数据、所述冠状动脉启示数据和所述冠状动脉标识数据的所述样本输入神经网络模型，对神经网络模型进行训练，以使得所述神经网络模型能够基于所述样本上的所述冠状动脉启示数据输出所述冠状动脉标识数据。使得神经网络模型学习如何区分干扰性，实现精准分割，有效区分冠状动脉和静脉假阳。

Description

冠状动脉分割模型训练方法、冠状动脉分割方法、及装置
技术领域
本申请涉及深度学习技术领域，具体涉及一种冠状动脉分割模型的训练方法、冠状动脉分割方法、冠状动脉分割模型的训练装置、冠状动脉分割方法、电子设备及计算机可读存储介质。
背景技术
冠状动脉分割对于冠心病的筛查至关重要。但受医学图像的复杂性以及随机性等的影响，现有的冠状动脉分割方法存在难以有效区分冠状动脉和静脉假阳，以及在具有运动伪影或冠状动脉斑块的情况下难以分割出细小的冠状动脉分支等问题。因此，丞需一种分割精度高，有效区分冠状动脉和静脉假阳，且对于伪影或斑块有很强的鲁棒性的冠状动脉分割方法。
发明内容
有鉴于此，本申请实施例提供了一种冠状动脉分割模型的训练方法、冠状动脉分割方法、冠状动脉分割模型的训练装置、冠状动脉分割方法、电子设备及计算机可读存储介质，以解决现有技术中的冠状动脉分割方法存在难以有效区分冠状动脉和静脉假阳以及在具有运动伪影或冠状动脉斑块的情况下难以分割出细小的冠状动脉分支等技术问题。
根据本申请的一个方面，本申请一实施例提供的一种冠状动脉分割模型的训练方法，包括：获取样本，所述样本包括待识别区域血管数据与冠状动脉标识数据；在所述待识别血管数据中增加干扰数据，获取待识别血管扩充数据；基于所述冠状动脉标识数据获取冠状动脉启示数据，所述冠状动脉启示数据用于在对所述待识别区域血管数据进行标识时提供启示；以及将带有所述待识别血管扩充数据、所述冠状动脉启示数据和所述冠状动脉标识数据的所述样本输入神经网络模型，对神经网络模型进行训练，以使得所述神经网络模型能够基于所述样本上的所述冠状动脉启示数据输出所述冠状动脉标识数据。
根据本申请另一个方面，本申请一实施例提供的一种冠状动脉分割方法，包括：获取待检测区域以及区域冠状动脉启示数据，所述区域冠状动脉启示数据用于在对所述待检测区域进行分割时提供启示；将带有所述区域冠状动脉启示数据的所述待检测区域输入到如上述任一所述的方法训练得到的冠状动脉分割模型，获取区域冠状动脉分割数据；获取所述区域冠状动脉分割数据与所述区域冠状动脉启示数据的比对结果；用所述比对结果替换待检测图像中的所述待检测区域，获取替换后的待检测图像；以及当所述待检测图像全部被所述比对结果遍历替换完，输出冠状动脉分割数据。
根据本申请另一个方面，本申请一实施例提供的一种冠状动脉分割模型的训练装置，包括：获取模块，配置为获取样本，所述样本包括待识别区域血管数据与冠状动脉标识数据；扩充模块，配置为在所述待识别血管数据中增加干扰数据，获取待识别血管扩充数据；启示获取模块，配置为基于所述冠状动脉标识数据获取冠状动脉启示数据，所述冠状动脉启示数据用于在对所述待识别区域血管数据进行标识时提供基准启示；以及标识模块，将带有所述待识别血管扩充数据、所述冠状动脉启示数据和所述冠状动脉标识数据的所述样本输入神经网络模型对神经网络模型进行训练，以使得所述神经网络模型能够基于所述样本上的所述冠状动脉启示数据输出所述冠状动脉标识数据。
根据本申请另一个方面，本申请一实施例提供的一种冠状动脉分割装置，包括：分割获取模块，获取待检测区域以及区域冠状动脉启示数据，所述区域冠状动脉启示数据用于在对所述待检测区域进行分割时提供启示；如上述任一所述的方法训练得到的冠状动脉分割模块，配置为根据输入的带有所述区域冠状动脉启示数据的所述待检测区域，输出区域冠状动脉分割数据；比对判断模块，配置为获取所述区域冠状动脉启示数据与所述区域冠状动脉分割数据的比对结果；替换模块，配置为用所述比对结果替换待检测图像中的所述待检测区域，获取替换后的待检测图像；输出模块，当所述待检测图像全部被所述比对结果遍历替换完，输出冠状动脉分割数据。
根据本申请的又一个方面，本申请一实施例提供的本申请一实施例提供了一种电子设备，包括：处理器；存储器；以及存储在存储器中的计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行如上述任一项所述的方法。
根据本申请的又一方面，本申请一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如前任一所述的方法。
本申请实施例提供的一种冠状动脉分割模型的训练方法，通过在样本的待识别血管数据中增加干扰项数据，获取待识别血管扩充数据；通过对样本的冠状动脉标识数据进行处理，获取在进行分割时为待识别区域血管数据提供启示的冠状动脉启示数据；将带有待识别血管扩充数据、冠状动脉启示数据和冠状动脉标识数据的样本输入神经网络模型进行训练，使神经网络模型能够基于样本上的冠状动脉启示数据的提示输出冠状动脉标识数据。由于待识别血管扩充数据中存在干扰项数，通过该样本训练神经网络模型，使得神经网络模型学习如何区分干扰性，实现精准分割。冠状动脉启示数据也提供了部分启示，考虑到冠状动脉的连通性，通过该样本训练神经网络模型，使得神经网络模型学习如何基于部分启示获得全部的冠状动脉分割结果。
本申请实施例提供的冠状动脉分割方法，通过将带有区域冠状动脉启示数据的待检测区域输入到上述冠状动脉分割模型中，获取待检测区域的区域冠状动脉分割数据；比对区域冠状动脉分割数据与冠状动脉启示数据是否分割出更多的分割区域，获取比对结果，用比对结果替换待检测图像中的待检测区域，获取替换后的待检测图像，在替换后的待检测图像中选取新的待检测区域，将上一个检测步骤中的部分比对结果作为下一次检测步骤中的冠状动脉启示数据，重复检测步骤，反复迭代直至待检测图像全部被区域冠状动脉分割数据遍历替换完，获取冠状动脉分割结果。将上个分割步骤中的部分分割结构作为下一个检测步骤中的区域冠状动脉启示数据，为下一个分割步骤中进行分割提供启示，充分利用冠状动脉血管生长的连通性，实现精准分割的同时有效区分冠状动脉和静脉假阳，且对于伪影或斑块有很强的鲁棒性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1所示为本申请一实施例提供的一种冠状动脉分割模型的训练方法的流程示意图。
图2所示为本申请一实施例提供的一种冠状动脉分割模型的训练方法中获取待识别血管扩充数据的流程示意图。
图3所示为本申请一实施例提供的一种冠状动脉分割模型的训练方法中获取冠状动脉启示数据的流程示意图。
图4所示为本申请一实施例提供的一种冠状动脉分割模型的训练方法中对神经网络模型进行训练的流程示意图。
图5所示为本申请一实施例提供的一种冠状动脉分割模型的训练方法获取样本的流程示意图。
图6所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。
图7所示为本申请一实施例提供的一种冠状动脉分割方法中当待检测区域为冠状动脉起源区域时获取待检测区域和区域冠状动脉启示数据的流程示意图。
图8所示为本申请一实施例提供的一种冠状动脉分割方法中待检测区域来自于当前检测步骤的上一个检测步骤中的替换后的待检测图像时获取待检测区域和区域冠状动脉启示数据的流程示意图。
图9所示为本申请一实施例提供的一种冠状动脉分割方法中获取比对结果的流程示意图。
图10所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。
图11所示为本申请一实施例提供的一种冠状动脉分割模型的训练装置的结构示意图。
图12所示为本申请一实施例提供的一种冠状动脉分割模型的训练装置的结构示意图。
图13所示为本申请一实施例提供的一种冠状动脉分割装置的结构示意图。
图14所示为本申请一实施例提供的一种冠状动脉分割装置的结构示意图。
图15所示为本申请一实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
申请概述
深度学习通过建立具有阶层结构的人工神经网络，在计算系统中实现人工智能。由于阶层结构的人工神经网络能够对输入信息进行逐层提取和筛选，因此深度学习具有表征学习能力，可以实现端到端的监督学习和非监督学习。深度学习所使用的阶层结构的人工神经网络具有多种形态，其阶层的复杂度被通称为“深度”，按构筑类型，深度学习的形式包括多层感知器、卷积神经网络、循环神经网络、深度置信网络和其它混合构筑。深度学习使用数据对其构筑中的参数进行更新以达成训练目标，该步骤被通称为“学习”，深度学习提出了一种让计算机自动学习出模式特征的方法，并将特征学习融入到了建立模型的步骤中，从而减少了人为设计特征造成的不完备性。
神经网络是一种运算模型，由大量的节点(或称神经元)之间相互连接构成，每个节点对应一个策略函数，每两个节点间的连接代表一个对于通过该连接信号的加权值，称之为权重。神经网络一般包括多个神经网络层，上下网络层之间相互级联，第i个神经网络层的输出与第i+1个神经网络层的输入相连，第i+1个神经网络层的输出与第i+2个神经网络层的输入相连，以此类推。训练样本输入级联的神经网络层后，通过每个神经网络层输出一个输出结果，该输出结果作为下一个神经网络层的输入，由此，通过多个神经网络层计算获得输出，比较输出层的输出的预测结果与真正的目标值，再根据预测结果与目标值之间的差异情况来调整每一层的权重矩阵和策略函数，神经网络利用训练样本不断地经过上述调整步骤，使得神经网络的权重等参数得到调整，直到神经网络输出的预测结果与真正的目标结果相符，该步骤就被称为神经网络的训练步骤。神经网络经过训练后，可得到神经网络模型。
心血管疾病是当今世界上发病率和死亡率最高的疾病之一。基于CT(ComputedTomography，电子计算机断层扫描)的冠状动脉CTA(Computed Tomography Angiography，CT血管造影)是筛查是最常用的冠心病早筛手段之一，随着医学影像技术的不断发展，临床上对冠状动脉CTA图像处理的精度和自动化程度都提出了更高的要求。
但受CT图像的复杂性以及随机性等的影响，心脏冠状动脉的分割是个难题。具体原因如下：冠状动脉结构复杂，有很多分支的细小血管；冠状动脉灰度不均匀，跟周围组织的对比度低，血管末梢部分的边界较模糊；冠状动脉中会含有各种复杂病变；心脏的运动伪影会影响冠状动脉的成像；心脏有很多静脉与冠状动脉交错，图像质量不高时存在静脉与冠状动脉相连的现象，很容易出现分割的静脉假阳。
针对上述的技术问题，本申请的基本构思提供如下所述。
本申请实施例提供的冠状动脉分割模型的训练方法，通过在样本的待识别血管数据中增加干扰项数据，获取待识别血管扩充数据；通过对样本的冠状动脉标识数据进行处理获取在进行分割时为待识别区域血管数据提供启示的冠状动脉启示数据；将带有待识别血管扩充数据、冠状动脉启示数据和冠状动脉标识数据的样本输入神经网络模型进行训练，使神经网络模型能够基于样本上的冠状动脉启示数据的提示输出冠状动脉标识数据。由于待识别血管扩充数据中存在干扰项数，通过该样本训练神经网络模型，使得神经网络模型学习如何区分干扰性，实现精准分割。冠状动脉启示数据也提供了部分启示，考虑到冠状动脉的连通性，通过该样本训练神经网络模型，使得神经网络模型学习如何基于部分启示获得全部的冠状动脉分割结果。
本申请实施例提供的冠状动脉分割方法，通过将带有区域冠状动脉启示数据的待检测区域输入到上述冠状动脉分割模型中，获取待检测区域的区域冠状动脉分割数据；比对区域冠状动脉分割数据与冠状动脉启示数据是否分割出更多的分割区域，获取比对结果，用比对结果替换待检测图像中的待检测区域，获取替换后的待检测图像，在替换后的待检测图像中选取新的待检测区域，将上一个检测步骤中的部分比对结果作为下一次检测步骤中的冠状动脉启示数据，重复检测步骤，反复迭代直至待检测图像全部被区域冠状动脉分割数据遍历替换完，获取冠状动脉分割结果。将上个分割步骤中的部分分割结构作为下一个检测步骤中的区域冠状动脉启示数据，为下一个分割步骤中进行分割提供启示，充分利用冠状动脉血管生长的连通性，实现精准分割的同时有效区分冠状动脉和静脉假阳，且对于伪影或斑块有很强的鲁棒性。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性冠状动脉分割模型的训练方法
图1所示为本申请一实施例提供的一种冠状动脉分割模型的训练方法的流程示意图。如图1所示，该冠状动脉分割模型的训练方法包括如下步骤：
步骤101：获取样本，样本包括待识别区域血管数据与冠状动脉标识数据。
具体地，样本是标识好的心脏CT图像的一部分，标识好的心脏CT图像上包括待识别的血管以及已经将冠状动脉分割出来冠状动脉标识。由于样本是心脏CT图像的一部分，因此样本包括待识别区域血管数据与冠状动脉标识数据。冠状动脉标识数据是已经标识分割好的冠状动脉血管。
应当理解，只要标识好的心脏CT图像可以被分割为多个样本即可，本申请实施例对分割方式不做具体限定。只要标识好的心脏CT图像的冠状动脉被标识出来即可，具体是人工手动标志还是其他方法标识，本申请实施例对具体标标识手段不做限定。
步骤102：在待识别血管数据中增加干扰数据，获取待识别血管扩充数据。
具体地，由于待识别血管在具有心脏运动伪影、斑块以及静脉假阳等情况时，冠状动脉很难被识别出来，在待识别血管数据中增加干扰数据，获取待识别血管扩充数据，再通过该待识别血管扩充数据训练神经网络模型，使得神经网络模型具有排斥干扰且精准分割的能力。
步骤103：基于冠状动脉标识数据获取冠状动脉启示数据，冠状动脉启示数据用于在对待识别区域血管数据进行标识时提供启示；
具体地，现有技术中的冠状动脉分割模型利用样本对神经网络模型进行训练，利用样本中标识好的冠状动脉血管为输出目标，使神经网络模型学习到基于待识别血管可以如何识别出冠状动脉血管的能力，但由于干扰因素的影响，经过训练的神经网络模型输出的冠状动脉血管分割结果可能与标识好的冠状动脉血管有区别，神经网络模型输出的鲁棒性较低。考虑到血管具有连通性，冠状动脉启示数据是一部分已经标识好的待识别血管，在对神经网络模型进行训练时，不仅给神经网络模型提供待识别血管数据和作为输出目标的冠状动脉标识数据，还为神经网络模型提供一个启示，例如部分已经分割好的血管源头，充分利用血管生长的连通性，使神经网络模型输出的分割结果更准确。基于冠状动脉标识数据获取冠状动脉启示数据，为神经网络模型提供一个准确的起源点作为启示。
步骤104：将带有待识别血管扩充数据、冠状动脉启示数据和冠状动脉标识数据的样本输入神经网络模型，对神经网络模型进行训练，以使得神经网络模型能够基于样本上的冠状动脉启示数据输出冠状动脉标识数据。
具体地，利用带有待识别血管扩充数据、冠状动脉启示数据和冠状动脉标识数据的样本输入神经网络模型，利用冠状动脉启示数据提供的启示因素，以冠状动脉标识数据为输出目标，使神经网络模型获得排斥干扰项，在具有伪影或斑块的前提下也可以精准分割，使神经网络模型获得基于血管的连通性根据部分提示可以输出全部准确的冠状动脉分割结果。
本申请实施例中，通过在样本的待识别血管数据中增加干扰项数据，获取待识别血管扩充数据；通过对样本的冠状动脉标识数据进行处理获取在进行分割时为待识别区域血管数据提供启示的冠状动脉启示数据；将带有待识别血管扩充数据、冠状动脉启示数据和冠状动脉标识数据的样本输入神经网络模型进行训练，使神经网络模型能够基于样本上的冠状动脉启示数据的提示输出冠状动脉标识数据。由于待识别血管扩充数据中存在干扰项数，通过该样本训练神经网络模型，使得神经网络模型学习如何区分干扰性，实现精准分割。冠状动脉启示数据也提供了部分启示，考虑到冠状动脉的连通性，通过该样本训练神经网络模型，使得神经网络模型学习如何基于部分启示获得全部的冠状动脉分割结果。
图2所示为本申请一实施例提供的一种冠状动脉分割模型的训练方法中获取待识别血管扩充数据的流程示意图。如图2所示，在待识别血管数据中增加干扰数据，获取待识别血管扩充数据包括下列步骤：
步骤2021：在待识别血管数据中添加噪声数据，噪声数据包括斑块数据和伪影数据。
具体地，受CT图像复杂性的限制，斑块数据和伪影数据等噪声应影响会使得冠状动脉分割鲁棒性较低，在待识别血管数据中添加噪声数据，以训练神经网络模型，使得神经网络模型具有区分干扰性因素实现精准分割的能力。
步骤2022：在待识别血管数据中添加假阳数据。
具体地，由于冠状动脉和冠状静脉的形态很相似，灰度也非常接近，神经网络模型难以区分，将冠状静脉误认为目标，形成静脉假阳。在待识别血管数据中添加假阳数据，以训练神经网络模型，使得神经网络模型具有区分冠状静脉与冠状动脉的能力。
在待识别血管数据中添加假阳数据的具体方法可以是将其他区域的血管数据融合到待识别血管数据，但要避开冠状动脉标识数据代表的标识好的冠状动脉血管。应当理解，只要可以实现其他区域的血管数据融合到待识别血管数据即可，本申请对具体融合手段不做限定。
图3所示为本申请一实施例提供的一种冠状动脉分割模型的训练方法中获取冠状动脉启示数据的流程示意图。如图3所示，基于冠状动脉标识数据获取冠状动脉启示数据包括下列步骤：
步骤3031：从冠状动脉标识数据中选取部分作为冠状动脉启示数据。
具体地，考虑到冠状动脉启示数据是为在对待识别区域血管数据进行标识时提供启示，将冠状动脉标识数据中选取部分作为冠状动脉启示数据，为后续血管分割提供基础。
本申请实施例中，将冠状动脉标识数据中选取部分作为冠状动脉启示数据，为后续血管分割提供基础。
图4所示为本申请一实施例提供的一种冠状动脉分割模型的训练方法中对神经网络模型进行训练的流程示意图。如图4所示，将带有待识别血管扩充数据和冠状动脉启示数据的样本输入神经网络模型，考虑冠状动脉启示数据提供的血管的连通性，以冠状动脉标识数据为输出目标，对神经网络模型进行训练包括下列步骤：
步骤4041：将带有待识别血管扩充数据和冠状动脉启示数据的样本对神经网络模型进行训练，获得冠状动脉分割数据。
具体地，神经网络模型中输入样本，输出冠状动脉分割数据，冠状动脉分割数据是神经网络模型对待识别血管扩充数据的分割预测结果。
步骤4042：基于冠状动脉分割数据与冠状动脉标识数据获得损失结果。
具体地，冠状动脉标识数据是输入参考值，冠状动脉分割数据是输出值，输出值与输入参考值存在差异，获取二者间的损失结果。
步骤4043：基于损失结果，调整神经网络模型的参数。
具体地，当输出值与输入参考值存在差异，就需要调整神经网络模型的参数，直至损失结果在预设范围内，停止调整神经网络模型的参数。损失结果在预设范围表明冠状动脉分割数据与冠状动脉标识数据的差别在预设范围内。
本申请实施例中，将样本输入神经网络模型，获得冠状动脉分割数据，冠状动脉标识数据是输入参考值，冠状动脉分割数据是输出值，获取二者间的损失结果，调整神经网络模型的参数，直至损失结果在预设范围内，停止调整神经网络模型的参数。提高模型精准分割的能力。
图5所示为本申请一实施例提供的一种冠状动脉分割模型的训练方法获取样本的流程示意图。如图5所示，获取样本包括下列步骤。
步骤5001：获取原始图像，原始图像包含待识别血管和冠状动脉标识。
具体地，原始图像为心脏CT图像，心脏CT图像包括待识别血管和已经标识好的冠状动脉标准
步骤5002：对原始图像进行滑窗处理，获取多个样本。
本申请实施例中，通过对原始图像进行滑窗处理获取多个样本，将原始图像分割成多个样本分别处理，提供神经网络模型的深度学习效率。
示例性冠状动脉分割方法
图6所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。如图6所示，该冠状动脉分割方法包括下列步骤：
步骤601：获取待检测区域以及区域冠状动脉启示数据，区域冠状动脉启示数据用于在对待检测区域进行分割时提供启示。
待检测图像可以根据不同的选取规则划分为多个待检测区域。整个分割流程可以包括多个检测步骤，当检测步骤为整个分割流程中的第一步，待检测区域为冠状动脉起源区域，当检测步骤不是整个分割流程中的第一步，待检测区域来自于当前检测步骤的上一个检测步骤中的替换后的待检测图像。区域冠状动脉启示数据，是在冠状动脉分割模型对该待检测图像进行分割时，为输出与待检测区域对应的分割结果提供启示数据。
步骤602：将带有区域冠状动脉启示数据的待检测区域输入到上述任一所述的方法训练得到的冠状动脉分割模型，获取区域冠状动脉分割数据。
由于上述任一所述的方法训练得到的冠状动脉分割模型已经具有基于部分区域启示获得全部区域的冠状动脉分割结果，将带有区域冠状动脉启示数据的待检测区域输入到冠状动脉分割模型，可以获得与待检测区域对应的区域冠状动脉分割数据。区域冠状动脉分割数据是对应于待检测区域该区域的输出结果。
步骤603：获取区域冠状动脉启示数据与区域冠状动脉分割数据的比对结果。
区域冠状动脉启示数据是部分启示的结果，并不是完整准确的，冠状动脉分割模型输出的区域冠状动脉分割数据说是排除了干扰，剔除了假阳，且更为准确的分割结果，一般情况下，区域冠状动脉分割数据更为准确，但考虑都图片区域选取等因素，需要获取区域冠状动脉启示数据与区域冠状动脉分割数据的比对结果，提取更为准确的分割结果。
步骤604：用比对结果替换待检测图像中的待检测区域，获取替换后的待检测图像。
用比对结果替换待检测图像中的待检测区域，得到替换后的待检测图像，在替换后的待检测图像中选取下一个检测步骤中的待检测区域，使上一次分割步骤中的准确分割结果的一部分作为下一个步骤的区域冠状动脉启示数据，充分利用血管的连通性，实现精准分割，提高分割的鲁棒性。
步骤605：当待检测图像全部被比对结果遍历替换完，输出冠状动脉分割数据。
当待检测图像全部被比对结果遍历替换完，将最后一个检测步骤中获取的替换的待检测图像，做出冠状动脉分割数据输出。
本申请实施例提供的冠状动脉分割方法，通过将带有区域冠状动脉启示数据的待检测区域输入到上述冠状动脉分割模型中，获取待检测区域的区域冠状动脉分割数据；比对区域冠状动脉分割数据与冠状动脉启示数据是否分割出更多的分割区域，获取比对结果，用比对结果替换待检测图像中的待检测区域，获取替换后的待检测图像，在替换后的待检测图像中选取新的待检测区域，将上一个检测步骤中的部分比对结果作为下一次检测步骤中的冠状动脉启示数据，重复检测步骤，反复迭代直至待检测图像全部被区域冠状动脉分割数据遍历替换完，获取冠状动脉分割结果。将上个分割步骤中的部分分割结构作为下一个检测步骤中的区域冠状动脉启示数据，为下一个分割步骤中进行分割提供启示，充分利用冠状动脉血管生长的连通性，实现精准分割的同时有效区分冠状动脉和静脉假阳，且对于伪影或斑块有很强的鲁棒性。
图7所示为本申请一实施例提供的一种冠状动脉分割方法中当待检测区域为冠状动脉起源区域时获取待检测区域和区域冠状动脉启示数据的流程示意图。如图7所示，待检测区域为冠状动脉起源区域时，获取待检测区域以及区域冠状动脉启示数据包括下列步骤：
步骤7011：基于待检测图像，获取冠状动脉起源分割数据。
具体地，将待检测图像输入经过训练的起源分割模块，获取主动脉与冠状动脉连接区域的分割结果。考虑到冠状动脉起源部分的结构比较简单，不易出现假阳以及分割失败的情况，冠状动脉起源分割数据可以为后续分割提供关键的特征。
步骤7012：在冠状动脉起源分割数据中提取第一骨架。
由于冠状动脉起源分割数据已经将主动脉与冠状动脉分割开，提取出代表冠状动脉轮廓和走向的第一骨架。
步骤7013：在第一骨架上按照第一预设步长选取第一种子点。
具体地，第一预设步长根据具体应用场景限定，本申请实施例对第一预设步长的取值不做限定。
步骤7014：将第一种子压入种子点栈中，获取第一栈顶种子点。
步骤7015：以第一栈顶种子点的中心为中心，在待检测图像上，选取第一预设尺寸大小的第一区域作为待检测区域。
具体地，第一预设尺寸的大小根据待识别图像的尺寸而选择，例如，当大检测图像的尺寸为512×512×512像素，第一预设尺寸的大小可以为128×128×128像素。
具体地，在第一骨架上按照第一预设步长选取第一种子点，将第一种子压入种子点栈中，获取第一栈顶种子点，以第一栈顶种子点的中心为中心，在待检测图像上，选取第一预设尺寸大小的第一区域作为待检测区域，通过上述操作获取待检测区域。
步骤7016：将第一区域内的冠状动脉起源分割数据作为区域冠状动脉启示数据。
具体地，由于冠状动脉起源分割数据只有部分冠状动脉的分割结果，第一区域内的冠状动脉起源分割数据就可以为分割待检测区域时提供启示，使冠状动脉分割模型充分考虑血管连通性，输出与待检测区域对应的准确的区域冠状动脉分割数据。
本申请实施例中，通过起源分割模块得到冠冠状动脉与主动脉连接处的分割结果，并生成第一种子点，压入种子点栈中。然后对第一栈顶种子点出栈，并基于获得的第一区域和第一区域内的冠状动脉起源分割数据，去预测新的分割，使冠状动脉分割模型充分考虑血管连通性，输出与待检测区域对应的准确的区域冠状动脉分割数据。比对区域冠状动脉分割数据与冠状动脉启示数据是否分割出更多的分割区域，获取比对结果，用比对结果替换待检测图像中的待检测区域，获取替换后的待检测图像，在替换后的待检测图像中选取新的待检测区域，将上一个检测步骤中的部分比对结果作为下一次检测步骤中的冠状动脉启示数据，重复检测步骤。
图8所示为本申请一实施例提供的一种冠状动脉分割方法中待检测区域来自于当前检测步骤的上一个检测步骤中的替换后的待检测图像时获取待检测区域和区域冠状动脉启示数据的流程示意图。待检测区域来自于当前检测步骤的上一个检测步骤中的替换后的待检测图像，如图8所示，获取待检测区域以及区域冠状动脉启示数据包括下列步骤。
步骤8061：在上一个检测步骤中的比对结果中获取新增冠状动脉分割数据。
具体地，在上一个检测步骤中，从上一个检测步骤中区域冠状动脉分割数据与区域冠状动脉启示数据比对结果中，获取新增冠状动脉分割数据。新增冠状动脉分割数据为区域冠状动脉分割数据与区域冠状动脉启示数据相比获取的新分割出来的区域。
步骤8062：在新增冠状动脉分割数据中提取中第二骨架。
具体地，由于新增冠状动脉分割数据是考虑了血管的连通性获取的新的分割结果，新增冠状动脉分割数据提取中第二骨架，后续获得的待检测区域既有一部分属于已经获得的分割结果，也有另一部分属于顺着血流方向延伸的待分割的新的区域。基于新增冠状动脉数据中冠状动脉轮廓和走向，提取出第二骨架。
步骤8063：在第二骨架上按照第二预设步长选取第二种子点。
步骤8064：将第二种子点压入种子点栈中，获取第二栈顶种子点。
步骤8065：以第二栈顶种子点的中心为中心，在上一个检测步骤中的替换后的待检测图像上，选取第二预设尺寸大小的第二区域作为待检测区域，第二区域覆盖部分上一个检测步骤中的比对结果。
具体地，步骤8063、步骤8064与步骤8065，基于第二种子点获得第二区域的方法与基于第一种子点获得第一区域的方法类似，在此不在赘述。但第二区域需要覆盖上一个检测步骤中的比对结果的一部分，如此设置，才能使将上一个检测步骤的分割结果的一部分送入到冠状动脉分割模型中，为检测提供启示。
步骤8066：将第二区域中内的上一个检测步骤中比对结果作为区域冠状动脉启示数据。
具体地，由于第二区域需要覆盖上一个检测步骤中的比对结果的一部分，第二区域中内的上一个检测步骤中比对结果作为上一检测步骤准确的输出，为当前待检测区域的分割提供启示。
在一个进一步实施例中，当种子点栈中种子点为空时，表明当待检测图像全部被比对结果遍历替换完，输出冠状动脉分割数据。
图9所示为本申请一实施例提供的一种冠状动脉分割方法中获取比对结果的流程示意图。如图9所示，获取区域冠状动脉启示数据与区域冠状动脉分割数据的比对结果包括下列步骤：
步骤9031：当区域冠状动脉分割数据比区域冠状动脉启示数据分割出更多的分割区域，选取区域冠状动脉分割数据为比对结果。或者，
步骤9032：当区域冠状动脉分割数据比区域冠状动脉启示数据并未分割出更多的分割区域，选取区域冠状动脉分割数据为比对结果。
具体地，考虑到上述训练方法训练的冠状动脉分割模型分割出的区域冠状动脉分割数据准确率更高，但由于区域血管因素以及模型因素，可能存在区域冠状动脉分割数据与冠状动脉启示数据相同的情况，当区域冠状动脉分割数据比区域冠状动脉启示数据分割出更多的分割区域，选取区域冠状动脉分割数据为比对结果，当区域冠状动脉分割数据比区域冠状动脉启示数据并未分割出更多的分割区域，选取区域冠状动脉分割数据为比对结果。
图10所示为本申请一实施例提供的一种冠状动脉分割方法的流程示意图。
选取一张心脏CT图像作为待检测图像，将待检测图像输入经过训练的起源分割模块，将主动脉与冠状动脉连接区域分割开来，获取冠状动脉起源分割数据(参照图10中步骤10011所示)。在冠状动脉起源分割数据中提取代表冠状动脉轮廓和走向的第一骨架(参照图10中步骤10012所示)。在第一骨架上按照第一预设步长选取第一种子点；将第一种子压入种子点栈中，获取第一栈顶种子点；以第一栈顶种子点的中心为中心，在待检测图像上，选取第一预设尺寸大小的第一区域作为第一待检测区域(参照图10中步骤10013、步骤10014和步骤10015所示)。将第一区域内的冠状动脉起源分割数据作为第一区域冠状动脉启示数据(参照图10中步骤10016所示)。将带有区域冠状动脉启示数据的待检测区域输入到冠状动脉分割模型，可以获得与待检测区域对应的第一区域冠状动脉分割数据(参照图10中步骤1002所示)。当第一区域冠状动脉分割数据比第一区域冠状动脉启示数据分割出更多的分割区域，选取第一区域冠状动脉分割数据为比对结果(参照图10中步骤9031所示)；或者当第一区域冠状动脉分割数据比第一区域冠状动脉启示数据并未分割出更多的分割区域，选取第一区域冠状动脉分割数据为比对结果(参照图10中步骤9032所示)。用比对结果替换待检测图像中的第一待检测区域，获取替换后的待检测图像(参照图10中步骤1004所示)，完成第一检测步骤。
在上一个检测步骤中的比对结果中获取新增冠状动脉分割数据(参照图10中步骤10061所示)。在新增冠状动脉分割数据中提取中第二骨架(参照图10中步骤10062所示)。在第二骨架上按照第二预设步长选取第二种子点；将第二种子点压入种子点栈中，获取第二栈顶种子点；以第二栈顶种子点的中心为中心，在上一个检测步骤中的替换后的待检测图像上，选取第二预设尺寸大小的第二区域作为第二待检测区域，第二区域覆盖部分上一个检测步骤中的比对结果(参照图10中步骤10063、步骤10064与步骤10065所示)。由于第二区域需要覆盖上一个检测步骤中的比对结果的一部分，将第二区域中内的上一个检测步骤中比对结果作为第二区域冠状动脉启示数据(参照图10中步骤10066所示)；将带有第二区域冠状动脉启示数据的第二待检测区域输入到冠状动脉分割模型，获得第二区域冠状动脉分割数据(参照图10中步骤1002所示)，当第二区域冠状动脉分割数据比第二区域冠状动脉启示数据分割出更多的分割区域，选取第二区域冠状动脉分割数据为比对结果(参照图10中步骤9031所示)；或者当第二区域冠状动脉分割数据比第二区域冠状动脉启示数据并未分割出更多的分割区域，选取第二区域冠状动脉分割数据为比对结果(参照图10中步骤9032所示)。用比对结果替换待检测图像中的第二待检测区域，获取替换后的待检测图像(参照图10中步骤1004所示)，完成第二检测步骤。
重复上述第二检测步骤，反复迭代，当待检测图像全部被比对结果遍历替换完，输出冠状动脉分割数据(参照图10中步骤1005所示)。
示例性冠状动脉分割模型的训练装置
图11所示为本申请一实施例提供的一种冠状动脉分割模型的训练装置的结构示意图。如图11所示，该冠状动脉分割模型的训练装置1100包括：
获取模块1101，配置为获取样本，样本包括待识别区域血管数据与冠状动脉标识数据；扩充模块1102，配置为在待识别血管数据中增加干扰数据，获取待识别血管扩充数据；启示获取模块1103，配置为基于冠状动脉标识数据获取冠状动脉启示数据，冠状动脉启示数据用于在对待识别区域血管数据进行标识时提供启示；以及标识模块1104，将带有待识别血管扩充数据、冠状动脉启示数据和冠状动脉标识数据的样本输入神经网络模型，以冠状动脉标识数据为输出目标，对神经网络模型进行训练，以使得神经网络模型能够基于样本上的冠状动脉启示数据输出冠状动脉标识数据。
本申请实施例中，通过扩充模块1102在样本的待识别血管数据中增加干扰项数据，获取待识别血管扩充数据；通过启示获取模块1103对样本的冠状动脉标识数据进行处理获取在进行分割时为待识别区域血管数据提供启示的冠状动脉启示数据；标识模块1104将带有待识别血管扩充数据、冠状动脉启示数据和冠状动脉标识数据的样本输入神经网络模型进行训练，使神经网络模型能够基于样本上的冠状动脉启示数据的提示输出冠状动脉标识数据。由于待识别血管扩充数据中存在干扰项数，通过该样本训练神经网络模型，使得神经网络模型学习如何区分干扰性，实现精准分割。冠状动脉启示数据也提供了部分启示，考虑到冠状动脉的连通性，通过该样本训练神经网络模型，使得神经网络模型学习如何基于部分启示获得全部的冠状动脉分割结果。
图12所示为本申请一实施例提供的一种冠状动脉分割模型的训练装置的结构示意图。如图12所示，扩充模块1102包括：噪声扩充子模块11021，配置为在待识别血管数据中添加噪声数据，噪声数据包括斑块数据和伪影数据；以及假阳扩充子模块11022，在待识别血管数据中添加假阳数据。
在一个实施例中，启示获取模块1103进一步配置为从冠状动脉标识数据中选取部分作为冠状动脉启示数据。
在一个实施例中，如图12所示，标识模块1104包括：输出子模块11041，配置为将带有待识别血管扩充数据和冠状动脉启示数据的样本对神经网络模型进行训练，获得冠状动脉分割数据；损失子模块11042，配置为基于冠状动脉分割数据与冠状动脉标识数据获得损失结果；以及调整子模块11043，配置为基于损失结果，调整神经网络模型的参数。
在一个实施例中，如图12所示，该冠状动脉分割模型的训练装置1100还包括：
原始获取模块1105，配置为获取原始图像，原始图像包含待识别血管和冠状动脉标识；以及预处理模块1106，配置为对原始图像进行滑窗处理，获取多个样本。
示例性冠状动脉分割装置
图13所示为本申请一实施例提供的一种冠状动脉分割装置的结构示意图。如图13所示，该冠状动脉分割装置1300包括：分割获取模块1301，获取待检测区域以及区域冠状动脉启示数据，所述区域冠状动脉启示数据用于在对所述待检测区域进行分割时提供启示；如上述任一的方法训练得到的冠状动脉分割模块1302，配置为根据输入的带有区域冠状动脉启示数据的待检测区域，输出区域冠状动脉分割数据；以及比对判断模块1303，配置为获取区域冠状动脉分割数据与区域冠状动脉启示数据的比对结果；替换模块1304，配置为用比对结果替换待检测图像中的待检测区域，获取替换后的待检测图像；以及输出模块1305，当待检测图像全部被比对结果遍历替换完，输出冠状动脉分割数据。
本申请实施例中，冠状动脉分割模块1302通过将带有区域冠状动脉启示数据的待检测区域输入到上述冠状动脉分割模型中，获取待检测区域的区域冠状动脉分割数据；比对判断模块1303通过比对区域冠状动脉分割数据与冠状动脉启示数据是否分割出更多的分割区域，获取比对结果，替换模块1304用比对结果替换待检测图像中的待检测区域，获取替换后的待检测图像，输出模块1305重复检测步骤，反复迭代直至待检测图像全部被区域冠状动脉分割数据遍历替换完，获取冠状动脉分割结果。将上个分割步骤中的部分分割结构作为下一个检测步骤中的区域冠状动脉启示数据，为下一个分割步骤中进行分割提供启示，充分利用冠状动脉血管生长的连通性，实现精准分割的同时有效区分冠状动脉和静脉假阳，且对于伪影或斑块有很强的鲁棒性。
图14所示为本申请一实施例提供的一种冠状动脉分割装置的结构示意图。如图14所示，待检测区域为冠状动脉起源区域，分割获取模块1301包括：起源分割子模块13011，配置为基于待检测图像，获取冠状动脉起源分割数据；第一提取子模块13022，配置为在冠状动脉起源分割数据中提取第一骨架；第一种子点选取子模块13023，配置为在第一骨架上按照第一预设步长选取第一种子点；第一栈顶种子点获取子模块13024，配置为将第一种子压入种子点栈中，获取第一栈顶种子点；第一区域获取子模块13025，配置为以第一栈顶种子点的中心为中心，在待检测图像上选取第一预设尺寸大小的第一区域作为待检测区域；以及第一启示获取子模块13026，配置为将第一区域内的冠状动脉起源分割数据作为区域冠状动脉启示数据。
在一个实施例中，如图14所示，待检测区域来自于当前检测步骤的上一个检测步骤中的替换后的待检测图像，分割获取模块1301还包括新增获取子模块13061，配置为在上一个检测步骤中的比对结果中获取新增冠状动脉分割数据；第二提取子模块13062，配在新增冠状动脉分割数据中提取中第二骨架；第二种子点选取子模块13063，配置为在第二骨架上按照第二预设步长选取第二种子点；第二栈顶种子点获取子模块13064，配置为将第二种子点压入种子点栈中，获取第二栈顶种子点；第二区域获取子模块13065，配置为以第二栈顶种子点的中心为中心，在替换后的待检测图像上选取第二预设尺寸大小的第二区域作为下一个检测步骤中的待检测区域，第二区域覆盖部分比对结果在上一个检测步骤中的替换后的待检测图像上，选取第二预设尺寸大小的第二区域作为待检测区域，第二区域覆盖部分上一个检测步骤中的比对结果；第二启示获取子模块13066，配置为将第二区域中内的上一个检测步骤中比对结果作为区域冠状动脉启示数据。
在一个实施例中，比对判断模块1302进一步配置为当区域冠状动脉分割数据比区域冠状动脉启示数据分割出更多的分割区域，选取区域冠状动脉分割数据为比对结果；或当区域冠状动脉分割数据比区域冠状动脉启示数据并未分割出更多的分割区域，选取区域冠状动脉分割数据为比对结果。
示例性电子设备
图15所示为本申请一实施例提供的电子设备的结构示意图。如图15所示，电子设备1500包括一个或多个处理器1510和存储器1520。
处理器1510可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备1500中的其他组件以执行期望的功能。
存储器1520可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器1510可以运行所述程序指令，以实现上文所述的本申请的各个实施例的冠状动脉分割模型的训练方法和冠状动脉分割方法以及/或者其他期望的功能。在一个示例中，电子设备1500还可以包括：输入装置1530和输出装置1540，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如，该输入装置1530可以是上述的麦克风或麦克风阵列，用于捕捉声源的输入信号。在该电子设备是单机设备时，该输入装置1530可以是通信网络连接器。
此外，该输入设备1530还可以包括例如键盘、鼠标等等。
该输出装置1540可以向外部输出各种信息，包括确定出的目标对象信息等。该输出设备1540可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图15中仅示出了该电子设备1500中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备1500还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例行冠状动脉分割模型的训练方法”和“示例性冠状动脉分割方法”部分中描述的根据本申请各种实施例的注意力特征图获取方法和目标检测方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的步骤式程序设计语言，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例行冠状动脉分割模型的训练方法”和“示例性冠状动脉分割方法”部分中描述的根据本申请各种实施例的冠状动脉分割模型的训练方法和冠状动脉分割方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。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。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (12)

1.一种冠状动脉分割模型的训练方法，其特征在于，包括：
获取样本，所述样本包括待识别区域血管数据与冠状动脉标识数据；
在所述待识别区域血管数据中增加干扰数据，获取待识别血管扩充数据；
基于所述冠状动脉标识数据获取冠状动脉启示数据，所述冠状动脉启示数据用于在对所述待识别区域血管数据进行标识时为神经网络模型提供一个准确的起源点提供启示；以及
将带有所述待识别血管扩充数据、所述冠状动脉启示数据和所述冠状动脉标识数据的所述样本输入神经网络模型，对神经网络模型进行训练，以使得所述神经网络模型能够基于所述样本上的所述冠状动脉启示数据输出所述冠状动脉标识数据；
所述基于所述冠状动脉标识数据获取冠状动脉启示数据，包括：
从所述冠状动脉标识数据中选取部分作为冠状动脉启示数据。
2.根据权利要求1所述的冠状动脉分割模型的训练方法，其特征在于，所述在所述待识别区域血管数据中增加干扰数据，获取待识别血管扩充数据包括：
在所述待识别区域血管数据中添加噪声数据，所述噪声数据包括斑块数据和伪影数据；以及
在所述待识别区域血管数据中添加假阳数据。
3.根据权利要求1所述的冠状动脉分割模型的训练方法，其特征在于，所述将带有所述待识别血管扩充数据、所述冠状动脉启示数据和所述冠状动脉标识数据的所述样本输入神经网络模型，对神经网络模型进行训练包括：
将带有所述待识别血管扩充数据和所述冠状动脉启示数据的所述样本对神经网络模型进行训练，获得冠状动脉分割数据；
基于所述冠状动脉分割数据与所述冠状动脉标识数据获得损失结果；以及
基于所述损失结果，调整所述神经网络模型的参数。
4.根据权利要求1所述的冠状动脉分割模型的训练方法，其特征在于，获取所述样本包括：
获取原始图像，所述原始图像包含待识别血管和冠状动脉标识；以及
对所述原始图像进行滑窗处理，获取多个所述样本。
5.一种冠状动脉分割方法，其特征在于，包括：
获取待检测区域以及区域冠状动脉启示数据，所述区域冠状动脉启示数据用于在对所述待检测区域进行分割时提供启示；
将带有所述区域冠状动脉启示数据的所述待检测区域输入到如权利要求1-4中任一所述的方法训练得到的冠状动脉分割模型，获取区域冠状动脉分割数据；
获取所述区域冠状动脉分割数据与所述区域冠状动脉启示数据的比对结果；
用所述比对结果替换待检测图像中的所述待检测区域，获取替换后的待检测图像；
在所述替换后的待检测图像中选取新的待检测区域，将上一个检测步骤中的部分所述比对结果作为下一次检测步骤中的冠状动脉启示数据，重复检测步骤；以及
当所述待检测图像全部被所述比对结果遍历替换完，输出冠状动脉分割数据。
6.根据权利要求5所述的冠状动脉分割方法，其特征在于，所述待检测区域为冠状动脉起源区域，
其中，所述获取所述待检测区域以及所述区域冠状动脉启示数据包括：
基于待检测图像，获取冠状动脉起源分割数据；
在所述冠状动脉起源分割数据中提取第一骨架；
在所述第一骨架上按照第一预设步长选取第一种子点；
将所述第一种子压入种子点栈中，获取第一栈顶种子点；
以所述第一栈顶种子点的中心为中心，在所述待检测图像上，选取第一预设尺寸大小的第一区域作为所述待检测区域；以及
将所述第一区域内的所述冠状动脉起源分割数据作为所述区域冠状动脉启示数据。
7.根据权利要求6所述的冠状动脉分割方法，其特征在于，所述待检测区域来自于当前检测步骤的上一个检测步骤中的替换后的待检测图像；
其中，所述获取所述待检测区域以及所述区域冠状动脉启示数据包括：
在所述上一个检测步骤中的比对结果中获取新增冠状动脉分割数据；
在所述新增冠状动脉分割数据提取中第二骨架；
在所述第二骨架上按照第二预设步长选取第二种子点；
将所述第二种子点压入所述种子点栈中，获取第二栈顶种子点；
以所述第二栈顶种子点的中心为中心，在所述上一个检测步骤中的替换后的待检测图像上，选取第二预设尺寸大小的第二区域作为所述待检测区域，所述第二区域覆盖部分所述上一个检测步骤中的比对结果；以及
将所述第二区域内的所述上一个检测步骤中比对结果作为所述区域冠状动脉启示数据。
8.根据权利要求5所述的冠状动脉分割方法，其特征在于，所述获取所述区域冠状动脉分割数据与所述区域冠状动脉启示数据的比对结果包括：
当所述区域冠状动脉分割数据比所述区域冠状动脉启示数据分割出更多的分割区域，选取所述区域冠状动脉分割数据为所述比对结果；或
当所述区域冠状动脉分割数据比所述区域冠状动脉启示数据并未分割出更多的分割区域，选取所述区域冠状动脉启示数据为所述比对结果。
9.一种冠状动脉分割模型的训练装置，其特征在于，包括：
获取模块，配置为获取样本，所述样本包括待识别区域血管数据与冠状动脉标识数据；
扩充模块，配置为在所述待识别区域血管数据中增加干扰数据，获取待识别血管扩充数据；
启示获取模块，配置为基于所述冠状动脉标识数据获取冠状动脉启示数据，所述冠状动脉启示数据用于在对所述待识别区域血管数据进行标识时为神经网络模型提供一个准确的起源点提供启示；所述基于所述冠状动脉标识数据获取冠状动脉启示数据，包括：从所述冠状动脉标识数据中选取部分作为冠状动脉启示数据；以及
标识模块，将带有所述待识别血管扩充数据、所述冠状动脉启示数据和所述冠状动脉标识数据的所述样本输入神经网络模型对神经网络模型进行训练，以使得所述神经网络模型能够基于所述样本上的所述冠状动脉启示数据输出所述冠状动脉标识数据。
10.一种冠状动脉分割装置，其特征在于，包括：
分割获取模块，获取待检测区域以及区域冠状动脉启示数据，所述区域冠状动脉启示数据用于在对所述待检测区域进行分割时提供启示；
如权利要求1-4中任一所述的方法训练得到的冠状动脉分割模块，配置为根据输入的带有所述区域冠状动脉启示数据的所述待检测区域，输出区域冠状动脉分割数据；
比对判断模块，配置为获取所述区域冠状动脉启示数据与所述区域冠状动脉分割数据的比对结果；
替换模块，配置为用所述比对结果替换待检测图像中的所述待检测区域，获取替换后的待检测图像，在所述替换后的待检测图像中选取新的待检测区域，将所述比对判断模块获取的比对结果作为下一次检测步骤中的冠状动脉启示数据，重复检测步骤；
输出模块，当所述待检测图像全部被所述比对结果遍历替换完，输出冠状动脉分割数据。
11.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1至8中任一所述的方法。
12.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如权利要求1至8中任一所述的方法。
CN202011303653.9A 2020-11-19 2020-11-19 冠状动脉分割模型训练方法、冠状动脉分割方法、及装置 Active CN112418299B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011303653.9A CN112418299B (zh) 2020-11-19 2020-11-19 冠状动脉分割模型训练方法、冠状动脉分割方法、及装置
PCT/CN2021/130861 WO2022105735A1 (zh) 2020-11-19 2021-11-16 冠状动脉分割方法及其装置、电子设备及计算机可读存储介质
JP2022518857A JP7349018B2 (ja) 2020-11-19 2021-11-16 冠状動脈の分割方法、装置、電子デバイス及びコンピュータ読取可能な記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011303653.9A CN112418299B (zh) 2020-11-19 2020-11-19 冠状动脉分割模型训练方法、冠状动脉分割方法、及装置

Publications (2)

Publication Number Publication Date
CN112418299A CN112418299A (zh) 2021-02-26
CN112418299B true CN112418299B (zh) 2021-10-26

Family

ID=74773168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011303653.9A Active CN112418299B (zh) 2020-11-19 2020-11-19 冠状动脉分割模型训练方法、冠状动脉分割方法、及装置

Country Status (3)

Country Link
JP (1) JP7349018B2 (zh)
CN (1) CN112418299B (zh)
WO (1) WO2022105735A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112950734B (zh) * 2021-03-01 2023-09-22 推想医疗科技股份有限公司 冠脉重建方法、装置、电子设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101896939A (zh) * 2007-12-14 2010-11-24 皇家飞利浦电子股份有限公司 标记被分割对象
CN109272048A (zh) * 2018-09-30 2019-01-25 北京工业大学 一种基于深度卷积神经网络的模式识别方法
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
CN110706233A (zh) * 2019-09-30 2020-01-17 北京科技大学 一种视网膜眼底图像分割方法及装置
CN111815599A (zh) * 2020-07-01 2020-10-23 上海联影智能医疗科技有限公司 一种图像处理方法、装置、设备及存储介质

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7826647B2 (en) * 2005-11-23 2010-11-02 General Electric Company Methods and systems for iteratively identifying vascular structure
JP2007209589A (ja) 2006-02-10 2007-08-23 Gifu Univ 画像解析システム及び画像解析プログラム
JP5388647B2 (ja) 2009-03-23 2014-01-15 株式会社東芝 医用画像処理装置及び方法、プログラム
US20110293150A1 (en) 2010-05-28 2011-12-01 General Electric Company Iterative vascular reconstruction by seed point segmentation
US8781189B2 (en) * 2011-10-12 2014-07-15 Siemens Aktiengesellschaft Reproducible segmentation of elliptical boundaries in medical imaging
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
US10115039B2 (en) * 2016-03-10 2018-10-30 Siemens Healthcare Gmbh Method and system for machine learning based classification of vascular branches
CN108171698B (zh) * 2018-02-12 2020-06-09 数坤（北京）网络科技有限公司 一种自动检测人体心脏冠脉钙化斑块的方法
CN109003278B (zh) * 2018-03-26 2022-03-04 天津工业大学 一种改进的基于主动形状模型的ct图像主动脉分割方法
CN110176013B (zh) * 2019-05-29 2021-03-30 数坤（北京）网络科技有限公司 血管分割方法、装置、电子设备及存储介质
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
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101896939A (zh) * 2007-12-14 2010-11-24 皇家飞利浦电子股份有限公司 标记被分割对象
CN109272048A (zh) * 2018-09-30 2019-01-25 北京工业大学 一种基于深度卷积神经网络的模式识别方法
CN110706233A (zh) * 2019-09-30 2020-01-17 北京科技大学 一种视网膜眼底图像分割方法及装置
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
CN111815599A (zh) * 2020-07-01 2020-10-23 上海联影智能医疗科技有限公司 一种图像处理方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Deep vessel segmentation by learning graphical connectivity;Seung Yeon Shin 等;《Medical Image Analysis》;20191106;第1-14页 *
一种面向CTA图像的冠状动脉自动分割算法术;崔家礼 等;《北方工业大学学报》;20190430;第31卷(第2期);第16-24页 *
基于多源融合FCN的冠脉图像分割方法研究;段军 等;《内蒙古科技大学学报》;20191130;第38卷(第3期);第277-278页 *

Also Published As

Publication number Publication date
JP2023506107A (ja) 2023-02-15
WO2022105735A1 (zh) 2022-05-27
CN112418299A (zh) 2021-02-26
JP7349018B2 (ja) 2023-09-21

Similar Documents

Publication Publication Date Title
CN111899245B (zh) 图像分割、模型的训练方法及装置，电子设备及存储介质
CN110490850B (zh) 一种肿块区域检测方法、装置和医学图像处理设备
CN110288597B (zh) 基于注意力机制的无线胶囊内窥镜视频显著性检测方法
Liu et al. A framework of wound segmentation based on deep convolutional networks
US11972571B2 (en) Method for image segmentation, method for training image segmentation model
CN111899244B (zh) 图像分割、网络模型的训练方法及装置，及电子设备
CN112418299B (zh) 冠状动脉分割模型训练方法、冠状动脉分割方法、及装置
CN111178420B (zh) 一种二维造影图像上冠脉段标注方法及系统
Abbas et al. Machine learning methods for diagnosis of eye-related diseases: a systematic review study based on ophthalmic imaging modalities
Yang et al. RADCU-Net: Residual attention and dual-supervision cascaded U-Net for retinal blood vessel segmentation
CN112288718B (zh) 图像处理方法及装置，电子设备及计算机可读存储介质
CN115880266B (zh) 一种基于深度学习的肠道息肉检测系统和方法
CN113889238B (zh) 一种图像识别方法、装置、电子设备及存储介质
CN111445456A (zh) 分类模型、网络模型的训练方法及装置、识别方法及装置
Wang et al. AVDNet: Joint coronary artery and vein segmentation with topological consistency
Xian et al. Automatic tongue image quality assessment using a multi-task deep learning model
CN113837192B (zh) 图像分割方法及装置，神经网络的训练方法及装置
CN111598870B (zh) 基于卷积神经网络端对端推理计算冠状动脉钙化比的方法
Wang et al. A r-cnn based approach for microaneurysm detection in retinal fundus images
Sandhya et al. Pixel-boundary-dependent segmentation method for early detection of diabetic retinopathy
Wu et al. Mscan: Multi-scale channel attention for fundus retinal vessel segmentation
CN111598144A (zh) 图像识别模型的训练方法和装置
Kovalev et al. Automatic detection of pathological changes in chest X-ray screening images using deep learning methods
Lei et al. GNN-fused CapsNet with multi-head prediction for diabetic retinopathy grading
Ganapathy et al. Coronary Artery Blockage Detection by Automated Segmentation of Vessels in X-Ray Angiograms

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