CN112465834B - 一种血管分割方法及装置 - Google Patents

一种血管分割方法及装置 Download PDF

Info

Publication number
CN112465834B
CN112465834B CN202011348523.7A CN202011348523A CN112465834B CN 112465834 B CN112465834 B CN 112465834B CN 202011348523 A CN202011348523 A CN 202011348523A CN 112465834 B CN112465834 B CN 112465834B
Authority
CN
China
Prior art keywords
network
sub
image
convolution
model
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
CN202011348523.7A
Other languages
English (en)
Other versions
CN112465834A (zh
Inventor
张英梅
杨靖
李俊博
陈方印
辛毅
宋鹏
周晓骏
徐胜
周孟齐
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.)
Zhongke Maidi Artificial Intelligence Research Institute Suzhou Co ltd
Original Assignee
Zhongke Maidi Artificial Intelligence Research Institute Suzhou 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 Zhongke Maidi Artificial Intelligence Research Institute Suzhou Co ltd filed Critical Zhongke Maidi Artificial Intelligence Research Institute Suzhou Co ltd
Priority to CN202011348523.7A priority Critical patent/CN112465834B/zh
Publication of CN112465834A publication Critical patent/CN112465834A/zh
Application granted granted Critical
Publication of CN112465834B publication Critical patent/CN112465834B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种血管分割方法及装置。获取待分割造影图像，将所述待分割造影图像输入至训练完成的血管分割模型，基于血管分割模型的第一特征提取子网络提取待分割造影图像的第一特征信息，其中，所述第一特征提取子网络包括第一卷积子网络、空洞卷积子网络和池化子网络，由于血管分割图像包括空洞卷积，可以扩大卷积的感受野，得到不同尺度的图像特征，有利于提高血管分割的精度，基于血管分割模型的第二卷积子网络和第三卷积子网络，依次对第一特征信息进行卷积处理，实现将不同尺度的图像特征进行卷积处理，根据卷积处理后的第一特征信息确定待分割造影图像的分割结果，达到提高血管分割精度的目的。

Description

一种血管分割方法及装置
技术领域
本发明实施例涉及图像处理技术，尤其涉及一种血管分割方法及装置。
背景技术
随着科学技术的不断发展，图像处理技术在医学诊断领域取得了创新与突破，被广泛应用于临床诊断。从冠脉造影图像中自动、准确的提取血管结构变得极为重要，它能极大的减轻影像科医生的工作，提高工作效率和工作质量。
目前，冠脉造影图像的血管分割方式主要集中在基于图像滤波、增强进行图像的处理，以达到分割图像中血管结构的目的。由于冠状动脉结构多元化、成像光照非均匀性、多种解剖结构的干扰以及血流变化导致的造影剂分布不均匀等因素，采用现有的血管分割方式分割血管容易造成冠脉造影的图像噪声复杂、前景背景不易区分，在特殊样例和小细血管的识别上无法达到令人满意的程度。
发明内容
本发明实施例提供了一种血管分割方法及装置，实现了提高血管分割精度的效果。
第一方面，本发明实施例提供了一种血管分割方法，包括：
获取待分割造影图像；
将所述待分割造影图像输入至训练完成的血管分割模型，基于所述血管分割模型的第一特征提取子网络提取所述待分割造影图像的第一特征信息，其中，所述第一特征提取子网络包括第一卷积子网络、空洞卷积子网络和池化子网络；
基于所述血管分割模型的第二卷积子网络和第三卷积子网络，依次对所述第一特征信息进行卷积处理，根据卷积处理后的第一特征信息确定所述待分割造影图像的分割结果。
第二方面，本发明实施例还提供了一种血管分割装置，包括：
图像获取模块，用于获取待分割造影图像；
特征信息提取模块，用于将所述待分割造影图像输入至训练完成的血管分割模型，基于所述血管分割模型的第一特征提取子网络提取所述待分割造影图像的第一特征信息，其中，所述第一特征提取子网络包括第一卷积子网络、空洞卷积子网络和池化子网络；
分割结果确定模块，用于基于所述血管分割模型的第二卷积子网络和第三卷积子网络，依次对所述第一特征信息进行卷积处理，根据卷积处理后的第一特征信息确定所述待分割造影图像的分割结果。
本实施例提供的技术方案，获取待分割造影图像，将所述待分割造影图像输入至训练完成的血管分割模型，基于血管分割模型的第一特征提取子网络提取待分割造影图像的第一特征信息，其中，所述第一特征提取子网络包括第一卷积子网络、空洞卷积子网络和池化子网络，由于血管分割图像包括空洞卷积，可以扩大卷积的感受野，得到不同尺度的图像特征，有利于提高血管分割的精度，进一步地，基于血管分割模型的第二卷积子网络和第三卷积子网络，依次对第一特征信息进行卷积处理，实现将不同尺度的图像特征进行卷积处理，根据卷积处理后的第一特征信息确定待分割造影图像的分割结果，达到提高血管分割精度的目的，上述方法同样适用于特殊样例和小细血管的血管分割，使用范围广泛，有利于推广。
附图说明
图1为本发明实施例一提供的一种血管分割方法的流程示意图；
图2为本发明实施例一提供的血管分割方法的原理示意图；
图3为本发明实施例二提供的一种血管分割方法的流程示意图；
图4为本发明实施例三提供的一种血管分割方法的流程示意图；
图5为本发明实施例四提供的一种血管分割装置的结构示意图；
图6为本发明实施例五提供的一种血管分割设备的结构示意图。
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分割方法的流程示意图，本实施例可适用于基于训练完成的血管分割模型对待分割造影图像进行分割的情况，该方法可以由血管分割设备来执行，其中该系统可由软件和/或硬件实现，并一般集成在终端中。具体参见图1所示，该方法可以包括如下步骤：
S110、获取待分割造影图像。
其中，所述待分割造影图像可以是CT(计算机断层扫描)图像，也可以是采用其他医学影像技术获得的图像。例如，采用血管摄影/动脉摄影/血管造影等采用X光照射方法获得的图像，以及采用心血管造影、乳房摄影术、正电子断层扫描、核磁工程成像以及医学超声波等技术获取的图像。所述待分割造影图像可以是冠脉造影图像也可以是其他部位的造影图像。
S120、将待分割造影图像输入至训练完成的血管分割模型，基于血管分割模型的第一特征提取子网络提取待分割造影图像的第一特征信息。
其中，所述血管分割模型根据样本造影图像和样本分割图像对原始分割模型训练得到。所述样本分割图像包括血管边缘轮廓标注，所述原始分割模型可以是深度神经网络、全卷积网络、循环卷积网络、残差网络、长短记忆网络以及逻辑回归网络等。
其中，所述第一特征提取子网络包括第一卷积子网络、空洞卷积子网络和池化子网络。所述第一卷积子网络的卷积核为1*1；所述空洞卷积子网络指的是在标准的卷积里加入了空洞，相比标准的卷积多了间隔数量，可以扩大卷积的感受野，得到不同尺度的图像特征，所述空洞卷积子网络包括卷积核为3*3且步进数是6的第一空洞卷积子网络，以及卷积核为3*3且步进数是12的第二空洞卷积子网络；所述池化子网络夹在第一卷积子网络和空洞卷积子网络中间，用于对第一卷积子网络和空洞卷积子网络得到的多尺度的图像特征进行池化处理，将第一卷积子网络、空洞卷积子网络以及池化子网络得到的多尺度的图像特征作为第一特征信息，在保留图像特征的同时减少参数和计算量，同时减小过拟合，提高血管分割模型的泛化能力。可选地，所述池化子网络对卷积处理后的图像特征的池化方式包括不限于全局池化和平均池化，还可以是其他池化方式。
S130、基于血管分割模型的第二卷积子网络和第三卷积子网络，依次对第一特征信息进行卷积处理，根据卷积处理后的第一特征信息确定待分割造影图像的分割结果。
其中，所述第二卷积子网络的卷积核可以是1*1，所述第三卷积子网络的卷积核可以是3*3。所述第二卷积子网络和第三卷积子网络用于对第一特征提取子网络得到的多尺度的第一特征信息进行卷积处理，将卷积处理后的第一特征信息直接作为分割结果，或者，将卷积处理后的第一特征信息进行上采样，将上采样后的第一特征信息作为待分割图像的分割结果。所述分割结果可以包括冠状动脉、细小血管的边缘轮廓。
为了进一步提升待分割图像的分割精度，血管分割模型还包括第二特征提取子网络和合并子网络，以在执行S130时，基于第二特征提取子网络提取所述待分割造影图像的第二特征信息，并基于合并子网络将第一特征信息和第二特征信息进行合并，以根据合并后的特征信息确定分割结果。
可选地，分割结果的确定方法，包括：
步骤(a)、基于所述血管分割模型的第二特征提取子网络提取所述待分割造影图像的第二特征信息，其中，所述第二特征提取子网络至少包括带洞卷积子网络；
步骤(b)、基于所述血管分割模型的合并子网络，对第二卷积子网络卷积处理后的第一特征信息和所述第二特征信息进行合并，并基于所述第三卷积子网络，对合并后的特征信息进行卷积处理，以根据卷积处理后的合并的特征信息确定所述待分割造影图像的分割结果。
其中，所述带洞卷积子网络指的是带洞的卷积核，带洞卷积子网络的卷积核可以是1*1。需要说明的是，基于带洞卷积子网络得到的第二特征信息为高维度且分辨率较低的特征，基于第一特征子网络得到的第一特征信息为低维度且分辨率高的特征，基于所述合并子网络将第一特征信息和第二特征信息进行合并，可以平衡待分割图像的分割精度，达到增加感受野以及提升对细小血管的识别精度的目的。
可选地，还可以对基于第二卷积子网络处理得到的第一特征信息进行上采样，得到第一上采样信息，并通过合并子网络对第一上采样信息和第二特征信息进行合并，通过第三卷积子网络将合并后的特征进行卷积处理，进一步将第三卷积子网络卷积后的特征信息进行上采样，将该上采样结果作为待分割造影图像的分割结果。
如图2所示为血管分割方法的原理示意图，结合图2解释上述过程。本实施例中，所述血管分割模型为深度神经网络，所述血管分割模型包括编码器和解码器，所述编码器包括第一卷积子网络、空洞卷积子网络、池化子网络、第二卷积子网络和带洞卷积子网络，所述解码器包括合并子网络和第三卷积子网络。具体地，待分割造影图像的分割结果的确定步骤为：
步骤(a)、将待分割造影图像输入至血管分割模型，基于第一卷积子网络和空洞卷积子网络对待分割造影图像进行卷积处理，得到多个尺度的图像特征，并基于池化子网络对第一卷积子网络和空洞卷积子网络得到的多尺度的图像特征进行池化处理，得到待分割造影图像的第一特征信息，同时，基于带洞卷积子网络提取待分割造影图像的第二特征信息。
步骤(b)、基于第二卷积子网络对第一特征信息进行卷积处理，并将第二卷积子网络处理得到的第一特征信息进行上采样，得到第一上采样信息。
步骤(c)、基于合并子网络对第一上采样信息和第二特征信息进行合并。
步骤(d)、基于第三卷积子网络对合并的特征信息进行卷积处理，并对通过第三卷积子网络得到的特征信息进行上采样，将上采样结果作为待分割图像的分割结果。
基于上述描述，可以通过带洞卷积子网络得到第二特征信息，通过第一特征子网络得到第一特征信息，并将低维度且分辨率高的第一特征信息和高维度且分辨率较低的第二特征信息，达到平衡待分割图像的分割精度，且增加感受野以及提升对细小血管的识别精度的目的。
本实施例提供的技术方案，获取待分割造影图像，将所述待分割造影图像输入至训练完成的血管分割模型，基于血管分割模型的第一特征提取子网络提取待分割造影图像的第一特征信息，其中，所述第一特征提取子网络包括第一卷积子网络、空洞卷积子网络和池化子网络，由于血管分割图像包括空洞卷积，可以扩大卷积的感受野，得到不同尺度的图像特征，有利于提高血管分割的精度，进一步地，基于血管分割模型的第二卷积子网络和第三卷积子网络，依次对第一特征信息进行卷积处理，实现将不同尺度的图像特征进行卷积处理，根据卷积处理后的第一特征信息确定待分割造影图像的分割结果，达到提高血管分割精度的目的，上述方法同样适用于特殊样例和小细血管的血管分割，使用范围广泛，有利于推广。
实施例二
图3为本发明实施例二提供的一种血管分割模型的训练方法的流程示意图。所述血管分割模型的训练方法包括：获取样本造影图像和样本标注图像，其中，所述样本标注图像包括血管边缘标注；将所述样本造影图像输入至待训练模型，基于所述待训练模型的第一特征提取子网络提取所述样本造影图像的第一预测特征，其中，所述第一特征提取子网络包括第一卷积子网络、空洞卷积子网络和池化子网络；基于所述待训练模型的第二卷积子网络和第三卷积子网络依次对所述第一预测特征进行卷积处理，根据卷积处理后的第一预测特征确定所述样本造影图像的预测分割图像；根据所述预测分割图像和所述样本标注图像，计算所述待训练模型的损失函数，基于所述损失函数对所述待训练模型进行参数调节，得到当前分割模型，直至所述损失函数小于第一设定阈值，将当前分割模型作为训练完成的血管分割模型。
S210、获取样本造影图像和样本标注图像。
通前述实施例的描述，所述样本造影图像可以是CT(计算机断层扫描)图像，也可以是采用其他医学影像技术获得的图像。所述样本标注图像包括血管边缘标注。
S220、将样本造影图像输入至待训练模型，基于待训练模型的第一特征提取子网络提取样本造影图像的第一预测特征。
其中，所述第一特征提取子网络包括第一卷积子网络、空洞卷积子网络和池化子网络。具体地，所述第一卷积子网络和所述空洞卷积子网络用于对样本造影图像进行特征提取，可以得到多尺度的图像特征，所述池化子网络夹在第一卷积子网络和空洞卷积子网络中间，用于对第一卷积子网络和空洞卷积子网络得到的多尺度的图像特征进行池化处理，将第一卷积子网络、空洞卷积子网络以及池化子网络得到的多尺度的图像特征作为第一预测特征。
S230、基于待训练模型的第二卷积子网络和第三卷积子网络依次对第一预测特征进行卷积处理，根据卷积处理后的第一预测特征确定样本造影图像的预测分割图像。
其中，所述第二卷积子网络和第三卷积子网络用于对第一特征提取子网络得到的多尺度的第一预测特征进行卷积处理，将卷积处理后的第一特征信息直接作为分割结果，或者，将卷积处理后的第一预测特征进行上采样，将上采样后的第一预测特征作为预测分割图像。所述预测分割图像可以包括冠状动脉、细小血管的边缘轮廓。
为了进一步提升待分割图像的分割精度，血管分割模型还包括第二特征提取子网络和合并子网络，在执行S230时，基于第二特征提取子网络提取样本造影图像的第二预测特征，并基于合并子网络将第一预测特征和所述第二预测特征进行合并，以根据合并后的预测特征确定预测分割图像。
与前述实施例同理，在确定预测分割图像时，还可以对基于所述第二卷积子网络处理后的第一预测特征进行上采样，得到第一上采样特征。相应的，所述基于所述待训练模型的合并子网络，对第二卷积子网络卷积处理后的第一预测特征和所述第二预测特征进行合并，包括：基于所述合并子网络，对所述第一上采样特征和所述第二预测特征进行合并。相应的，所述根据卷积处理后的合并的预测特征确定所述样本造影图像的预测分割图像，包括：对卷积处理后的合并的预测特征进行上采样，得到第二上采样特征，将所述第二上采样特征作为所述预测分割图像。
具体地，预测分割图像的确定方法，包括：
步骤(1)、将样本造影图像输入至待训练模型，基于第一卷积子网络和空洞卷积子网络对样本造影图像进行卷积处理，得到多个尺度的图像特征，并基于池化子网络对第一卷积子网络和空洞卷积子网络得到的多尺度的图像特征进行池化处理，得到样本造影图像的第一预测特征，同时，基于第二特征提取子网络提取样本造影图像的第二预测特征，其中，所述第二特征提取子网络至少包括带洞卷积子网络。
步骤(2)、基于第二卷积子网络对第一预测特征进行卷积处理，并将第二卷积子网络处理得到的第一预测特征进行上采样，得到第一上采样特征。
步骤(3)、基于所述待训练模型的合并子网络，对第一上采样特征和第二预测特征进行合并。
步骤(4)、基于第三卷积子网络对合并后的预测特征进行卷积处理，并对通过第三卷积子网络得到的预测特征进行上采样，将上采样结果作为样本造影图像的预测分割图像。
S240、根据预测分割图像和样本标注图像，计算待训练模型的损失函数，基于损失函数对待训练模型进行参数调节，得到当前分割模型，直至损失函数小于第一设定阈值，将当前分割模型作为训练完成的血管分割模型。
其中，所述损失函数包括边缘处的损失函数和非边缘处的损失函数。所述边缘处的损失函数指的是血管的边缘像素点的损失函数，所述非边缘处的损失函数指的是血管的非边缘像素点的损失函数。
可选地，所述根据所述预测分割图像和所述样本标注图像，计算所述待训练模型的损失函数，包括：根据所述预测分割图像的各像素点与血管边缘的距离，分别确定边缘处的像素点和非边缘处的像素点对应的权重值；分别根据所述边缘处的像素点和非边缘处的像素点对应的权重值，确定所述待训练模型的损失函数。具体地，可以预先建立权重值与距离的对应关系，基于所述对应关系，确定边缘处的像素点和非边缘处的像素点的权重值，根据所述权重值确定待训练模型的损失函数。例如，边缘处的像素点的权重值高于非边缘处的像素点的权重值。可以理解的是，通过根据像素点与边缘的距离调整不同像素点的权重，以增大血管边缘处的损失，提高对血管边缘处的预测能力。
本实施例中，在待训练模型的训练初期，获取少量的样本造影图像和携带标注的样本标注图像，将样本造影图像输入至待训练模型，得到精度较低的预测分割图像，对所述预测分割图像进行边缘提取，得到所述预测分割图像的血管轮廓图像；获取携带标注信息的血管轮廓图像，并根据所述携带标注信息的血管轮廓图像、所述预测分割图像和所述样本标注图像，计算所述待训练模型的损失函数，直至所述损失函数小于或等于第二设定阈值。可以理解的是，损失函数大于第二设定阈值时，血管分割模型的精度较低，使得到的预测分割图像的精度较低，通过图像滤波算法、图像增强算法等对精度较低的预测分割图像进行边缘提取，可以得到大致的血管轮廓图像，并获取通过人工标注的精度较高的携带标注信息的血管轮廓，根据携带标注信息的血管轮廓图像、预测分割图像和样本标注图像，计算待训练模型的损失函数，基于损失函数迭代调整待训练模型的参数，直至待训练模型的损失函数大于或等于第二设定阈值，即得到精度较高的当前训练模型；进一步地，将损失函数趋近于第二设定阈值时携带标注信息的血管轮廓图像作为样本标注图像，基于样本标注图像和预测分割图像继续迭代训练当前训练模型，直至当前训练模型的损失函数小于第一设定阈值，将当前分割模型作为训练完成的血管分割模型。
通过上述方式，在训练初期基于少量的样本标注图像并对预测分割图像进行边缘提取的方式对待训练模型进行迭代训练，无需一次性对没有任何标注的图像手动标注，可以降低医生的工作量，当初期训练得到的当前训练模型达到一定精度时，无需手动标注，可以将迭代训练过程中携带标注信息的血管轮廓图像作为样本标注图像，无需继续进行人工标注，基于样本标注图像和样本造影图像继续训练，直至得到血管分割模型。上述方式在提高模型训练精度的同时，可以降低整个模型训练过程中时间成本和人力成本。
其中，所述待训练模型的损失函数的表达式为：
其中，L是预测分割图像，Lgt是样本标注图像，N是像素点个数，j是预测分割图像的像素集合的标签，K是预测分割图像的像素集合的个数，Ii是预测分割图像的第i个像素，Sj是预测分割图像的像素集合，按照像素点的距离排列，C是样本标注图像的分类数量，aj是各像素点的权重，是样本标注图像的第c个通道的集合Sj中第i个像素的值，w(Li，c)是预测分割图像的各分类的权重，(Li，c)是预测分割图像的第c个通道的集合Sj中第i个像素的值。
通过S210-S240得到训练完成的血管分割模型后，可以根据验证样本对该血管分割模型进行验证。可选地，所述血管分割模型的验证方法，包括：获取验证造影图像和验证标注图像；将所述验证造影图像输入至所述血管分割模型，基于所述血管分割模型确定当前分割图像；根据所述当前分割图像和所述验证标注图像计算所述血管分割模型的评估参数，基于所述评估参数对所述血管分割模型进行评估。所述评估参数包括重叠度(IOU)、精准率(Precision)、召回率(Recall)以及加权调和平均(F-Measure)。
其中，
target是样本标注图像的目标对象的像素点，prediction是预测分割图像的目标对象的像素点。
true positive是预测分割图像预测正确的目标对象的像素点，false positive是预测分割图像预测错误的目标对象的像素点。
true positive是预测分割图像预测正确的目标对象的像素点，false negative是预测分割图像预测错误的目标对象的像素点。
β是权重。
本实施例提供的技术方案，待训练模型的第一特征提取子网络包括第一卷积子网络、空洞卷积子网络和池化子网络，基于第一特征提取子网络提取样本造影图像的第一预测特征，由于第一特征提取子网络包括空洞卷积子网络，可以得到不同尺度的图像特征，增加卷积的感受野，基于第二卷积子网络对第一预测特征进行卷积处理，同时，基于待训练模型的第二特征提取子网络提取第二预测特征，并基于合并子网络对第二卷积子网络处理后的第一预测特征和第二预测特征进行合并，可以将低维度和高维度的特征进行合并，平衡样本造影图像的分割精度，进一步基于第三卷积子网络依次对合并后的特征进行卷积处理，根据卷积处理后的第一预测特征确定样本造影图像的预测分割图像，进一步基于预测分割图像和样本标注图像计算待训练模型的损失函数，直至损失函数小于第一设定阈值，将当前分割模型作为训练完成的血管分割模型。另外，在计算损失函数时，根据像素点与边缘的距离调整不同像素点的权重，以增大血管边缘处的损失，进一步达到提升边缘处的预测能力的目的。
实施例三
图4为本发明实施例一提供的一种血管分割方法的流程示意图，本实施例添加了血管分割模型的训练过程，用于描述血管分割的整个过程。在该方法实施例中未详尽描述的部分请参考上述实施例。具体参见图4所示，该方法可以包括如下步骤：
S310、获取样本造影图像和样本标注图像。
其中，所述样本标注图像包括血管边缘标注
S320、将样本造影图像输入至待训练模型，基于待训练模型的第一特征提取子网络提取样本造影图像的第一预测特征。
其中，所述第一特征提取子网络包括第一卷积子网络、空洞卷积子网络和池化子网络。
S330、基于待训练模型的第二特征提取子网络提取样本造影图像的第二预测特征。
其中，所述第二特征提取子网络至少包括带洞卷积子网络。
S340、基于待训练模型的第二卷积子网络对第一预测特征进行卷积处理，基于待训练模型的合并子网络，对第二卷积子网络卷积处理后的第一预测特征和第二预测特征进行合并，并基于待训练模型的第三卷积子网络，对合并后的预测特征进行卷积处理，根据卷积处理后的合并的预测特征确定样本造影图像的预测分割图像。
可选地，在基于待训练模型的第二卷积子网络对第一预测特征进行卷积处理之后，还可以对基于所述第二卷积子网络处理后的第一预测特征进行上采样，得到第一上采样特征。基于此，所述基于所述待训练模型的合并子网络，对第二卷积子网络卷积处理后的第一预测特征和所述第二预测特征进行合并，包括：基于所述合并子网络，对所述第一上采样特征和所述第二预测特征进行合并。进一步地，基于待训练模型的第三卷积子网络，对合并后的预测特征进行卷积处理，对卷积处理后的合并的预测特征进行上采样，得到第二上采样特征，将所述第二上采样特征作为所述预测分割图像。
S350、根据预测分割图像和所述样本标注图像，计算待训练模型的损失函数，基于损失函数对待训练模型进行参数调节，得到当前分割模型，直至损失函数小于第一设定阈值，将当前分割模型作为训练完成的血管分割模型。
其中，所述损失函数包括边缘处的损失函数和非边缘处的损失函数。可选地，所述待训练模型的损失函数的确定方法为：根据所述预测分割图像的各像素点与血管边缘的距离，分别确定边缘处的像素点和非边缘处的像素点对应的权重值；分别根据所述边缘处的像素点和非边缘处的像素点对应的权重值，确定所述待训练模型的损失函数。
可选地，所述待训练模型的损失函数的确定方法为：对所述预测分割图像进行边缘提取，得到所述预测分割图像的血管轮廓图像；获取携带标注信息的血管轮廓图像，并根据所述携带标注信息的血管轮廓图像、所述预测分割图像和所述样本标注图像，计算所述待训练模型的损失函数，直至所述损失函数小于或等于第二设定阈值。
S360、获取待分割造影图像。
S370、将待分割造影图像输入至训练完成的血管分割模型，基于血管分割模型的第一特征提取子网络提取待分割造影图像的第一特征信息。
其中，所述第一特征提取子网络包括第一卷积子网络、空洞卷积子网络和池化子网络。
S380、基于血管分割模型的第二特征提取子网络提取待分割造影图像的第二特征信息。
其中，所述第二特征提取子网络至少包括带洞卷积子网络。
S390、基于血管分割模型的第二卷积子网络对第一特征信息进行卷积处理，基于血管分割模型的合并子网络，对第二卷积子网络卷积处理后的第一特征信息和第二特征信息进行合并，并基于第三卷积子网络，对合并后的特征信息进行卷积处理，以根据卷积处理后的合并的特征信息确定待分割造影图像的分割结果。
可选地，在基于待训练模型的第二卷积子网络对第一特征信息进行卷积处理之后，还可以对基于所述第二卷积子网络处理后的第一特征信息进行上采样，得到第一上采样信息。基于此，所述基于血管分割模型的合并子网络，对第二卷积子网络卷积处理后的第一特征信息和第二特征信息进行合并，包括：基于所述合并子网络，对所述第一上采样信息和所述第二特征信息进行合并。进一步地，基于血管分割模型的第三卷积子网络，对合并后的特征信息进行卷积处理，对卷积处理后的合并的特征信息进行上采样，得到第二上采样信息，将所述第二上采样信息作为待分割造影图像的分割结果。
实施例四
图5为本发明实施例四提供的一种血管分割装置的结构示意图。参见图5所示，该装置包括：图像获取模块410、特征信息提取模块420以及分割结果确定模块430。
其中，图像获取模块410，用于获取待分割造影图像；
特征信息提取模块420，用于将所述待分割造影图像输入至训练完成的血管分割模型，基于所述血管分割模型的第一特征提取子网络提取所述待分割造影图像的第一特征信息，其中，所述第一特征提取子网络包括第一卷积子网络、空洞卷积子网络和池化子网络；
分割结果确定模块430，用于基于所述血管分割模型的第二卷积子网络和第三卷积子网络，依次对所述第一特征信息进行卷积处理，根据卷积处理后的第一特征信息确定所述待分割造影图像的分割结果。
在上述各技术方案的基础上，特征信息提取模块420还用于，基于所述血管分割模型的第二特征提取子网络提取所述待分割造影图像的第二特征信息，其中，所述第二特征提取子网络至少包括带洞卷积子网络；
分割结果确定模块430还用于，基于所述血管分割模型的合并子网络，对第二卷积子网络卷积处理后的第一特征信息和所述第二特征信息进行合并，并基于所述第三卷积子网络，对合并后的特征信息进行卷积处理，以根据卷积处理后的合并的特征信息确定所述待分割造影图像的分割结果。
在上述各技术方案的基础上，该装置还包括：血管分割模型的训练模块；其中，血管分割模型的训练模块，用于获取样本造影图像和样本标注图像，其中，所述样本标注图像包括血管边缘标注；
将所述样本造影图像输入至待训练模型，基于所述待训练模型的第一特征提取子网络提取所述样本造影图像的第一预测特征，其中，所述第一特征提取子网络包括第一卷积子网络、空洞卷积子网络和池化子网络；
基于所述待训练模型的第二卷积子网络和第三卷积子网络依次对所述第一预测特征进行卷积处理，根据卷积处理后的第一预测特征确定所述样本造影图像的预测分割图像；
根据所述预测分割图像和所述样本标注图像，计算所述待训练模型的损失函数，基于所述损失函数对所述待训练模型进行参数调节，得到当前分割模型，直至所述损失函数小于第一设定阈值，将当前分割模型作为训练完成的血管分割模型。
在上述各技术方案的基础上，血管分割模型的训练模块还用于，基于所述待训练模型的第二特征提取子网络提取所述样本造影图像的第二预测特征，其中，所述第二特征提取子网络至少包括带洞卷积子网络；
基于所述待训练模型的合并子网络，对第二卷积子网络卷积处理后的第一预测特征和所述第二预测特征进行合并，并基于所述待训练模型的第三卷积子网络，对合并后的预测特征进行卷积处理，以根据卷积处理后的合并的预测特征确定所述样本造影图像的预测分割图像。
在上述各技术方案的基础上，所述损失函数包括边缘处的损失函数和非边缘处的损失函数，血管分割模型的训练模块还用于，根据所述预测分割图像的各像素点与血管边缘的距离，分别确定边缘处的像素点和非边缘处的像素点对应的权重值；
分别根据所述边缘处的像素点和非边缘处的像素点对应的权重值，确定所述待训练模型的损失函数。
在上述各技术方案的基础上，血管分割模型的训练模块还用于，对所述预测分割图像进行边缘提取，得到所述预测分割图像的血管轮廓图像；
获取携带标注信息的血管轮廓图像，并根据所述携带标注信息的血管轮廓图像、所述预测分割图像和所述样本标注图像，计算所述待训练模型的损失函数，直至所述损失函数小于或等于第二设定阈值。
在上述各技术方案的基础上，血管分割模型的训练模块还用于，对基于所述第二卷积子网络处理后的第一预测特征进行上采样，得到第一上采样特征。
在上述各技术方案的基础上，血管分割模型的训练模块还用于，基于所述合并子网络，对所述第一上采样特征和所述第二预测特征进行合并；
相应的，所述根据卷积处理后的合并的预测特征确定所述样本造影图像的预测分割图像，包括：
对卷积处理后的合并的预测特征进行上采样，得到第二上采样特征，将所述第二上采样特征作为所述预测分割图像。
在上述各技术方案的基础上，该装置还包括：验证模块；其中，验证模块，用于获取验证造影图像和验证标注图像；
将所述验证造影图像输入至所述血管分割模型，基于所述血管分割模型确定当前分割图像；
根据所述当前分割图像和所述验证标注图像计算所述血管分割模型的评估参数，基于所述评估参数对所述血管分割模型进行评估。
本实施例提供的技术方案，获取待分割造影图像，将所述待分割造影图像输入至训练完成的血管分割模型，基于血管分割模型的第一特征提取子网络提取待分割造影图像的第一特征信息，其中，所述第一特征提取子网络包括第一卷积子网络、空洞卷积子网络和池化子网络，由于血管分割图像包括空洞卷积，可以扩大卷积的感受野，得到不同尺度的图像特征，有利于提高血管分割的精度，进一步地，基于血管分割模型的第二卷积子网络和第三卷积子网络，依次对第一特征信息进行卷积处理，实现将不同尺度的图像特征进行卷积处理，根据卷积处理后的第一特征信息确定待分割造影图像的分割结果，达到提高血管分割精度的目的，上述方法同样适用于特殊样例和小细血管的血管分割，使用范围广泛，有利于推广。
实施例五
图6为本发明实施例五提供的一种血管分割设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性血管分割设备12的框图。图6显示的血管分割设备12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6所示，血管分割设备12以通用计算设备的形式表现。血管分割设备12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16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18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。
血管分割设备12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血管分割设备12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28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)30和/或高速缓存32。血管分割设备12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34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6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18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如血管分割装置的图像获取模块410、特征信息提取模块420以及分割结果确定模块430)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(例如血管分割装置的图像获取模块410、特征信息提取模块420以及分割结果确定模块430)程序模块46的程序/实用工具44，可以存储在例如系统存储器28中，这样的程序模块46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46通常执行本发明所描述的实施例中的功能和/或方法。
血管分割设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该血管分割设备12交互的设备通信，和/或与使得该血管分割设备12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22进行。并且，血管分割设备12还可以通过网络适配器20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20通过总线18与血管分割设备12的其它模块通信。应当明白，尽管图中未示出，可以结合血管分割设备12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16通过运行存储在系统存储器28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一种血管分割方法，该方法包括：
获取待分割造影图像；
将所述待分割造影图像输入至训练完成的血管分割模型，基于所述血管分割模型的第一特征提取子网络提取所述待分割造影图像的第一特征信息，其中，所述第一特征提取子网络包括第一卷积子网络、空洞卷积子网络和池化子网络；
基于所述血管分割模型的第二卷积子网络和第三卷积子网络，依次对所述第一特征信息进行卷积处理，根据卷积处理后的第一特征信息确定所述待分割造影图像的分割结果。
处理单元16通过运行存储在系统存储器28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一种血管分割方法。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的一种血管分割方法的技术方案。
实施例六
本发明实施例六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实施例所提供的一种血管分割方法，该方法包括：
获取待分割造影图像；
将所述待分割造影图像输入至训练完成的血管分割模型，基于所述血管分割模型的第一特征提取子网络提取所述待分割造影图像的第一特征信息，其中，所述第一特征提取子网络包括第一卷积子网络、空洞卷积子网络和池化子网络；
基于所述血管分割模型的第二卷积子网络和第三卷积子网络，依次对所述第一特征信息进行卷积处理，根据卷积处理后的第一特征信息确定所述待分割造影图像的分割结果。
当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上的方法操作，还可以执行本发明任意实施例所提供的一种血管分割方法中的相关操作。
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、系统或器件，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、系统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待分割造影图像、第一特征信息、分割结果等，其中承载了计算机可读的程序代码。这种传播的待分割造影图像、第一特征信息、分割结果等形式。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、系统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，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)。
值得注意的是，上述血管分割装置的实施例中，所包括的各个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 (9)

1.一种血管分割方法，其特征在于，包括：
获取待分割造影图像；
将所述待分割造影图像输入至训练完成的血管分割模型，基于所述血管分割模型的第一特征提取子网络提取所述待分割造影图像的第一特征信息，其中，所述第一特征提取子网络包括第一卷积子网络、空洞卷积子网络和池化子网络；
基于所述血管分割模型的第二特征提取子网络提取所述待分割造影图像的第二特征信息，其中，所述第二特征提取子网络至少包括带洞卷积子网络；
基于所述血管分割模型的合并子网络，对第二卷积子网络卷积处理后的第一特征信息和所述第二特征信息进行合并，并基于第三卷积子网络，对合并后的特征信息进行卷积处理，以根据卷积处理后的合并的特征信息确定所述待分割造影图像的分割结果；所述第一特征信息为低维度且分辨率高的特征；所述第二特征信息为高维度且分辨率较低的特征；
所述空洞卷积子网络包括卷积核为3*3且步进数是6的第一空洞卷积子网络，以及卷积核为3*3且步进数是12的第二空洞卷积子网络；所述带洞卷积子网络的卷积核为1*1。
2.根据权利要求1所述的方法，其特征在于，所述血管分割模型的训练方法包括：
获取样本造影图像和样本标注图像，其中，所述样本标注图像包括血管边缘标注；
将所述样本造影图像输入至待训练模型，基于所述待训练模型的第一特征提取子网络提取所述样本造影图像的第一预测特征，其中，所述第一特征提取子网络包括第一卷积子网络、空洞卷积子网络和池化子网络；
基于所述待训练模型的第二卷积子网络和第三卷积子网络依次对所述第一预测特征进行卷积处理，根据卷积处理后的第一预测特征确定所述样本造影图像的预测分割图像；
根据所述预测分割图像和所述样本标注图像，计算所述待训练模型的损失函数，基于所述损失函数对所述待训练模型进行参数调节，得到当前分割模型，直至所述损失函数小于第一设定阈值，将当前分割模型作为训练完成的血管分割模型。
3.根据权利要求2所述的方法，其特征在于，还包括：
基于所述待训练模型的第二特征提取子网络提取所述样本造影图像的第二预测特征，其中，所述第二特征提取子网络至少包括带洞卷积子网络；
基于所述待训练模型的合并子网络，对第二卷积子网络卷积处理后的第一预测特征和所述第二预测特征进行合并，并基于所述待训练模型的第三卷积子网络，对合并后的预测特征进行卷积处理，以根据卷积处理后的合并的预测特征确定所述样本造影图像的预测分割图像。
4.根据权利要求2或3所述的方法，其特征在于，所述损失函数包括边缘处的损失函数和非边缘处的损失函数，所述根据所述预测分割图像和所述样本标注图像，计算所述待训练模型的损失函数，包括：
根据所述预测分割图像的各像素点与血管边缘的距离，分别确定边缘处的像素点和非边缘处的像素点对应的权重值；
分别根据所述边缘处的像素点和非边缘处的像素点对应的权重值，确定所述待训练模型的损失函数。
5.根据权利要求2或3所述的方法，其特征在于，所述根据所述预测分割图像和所述样本标注图像，计算所述待训练模型的损失函数，包括：
对所述预测分割图像进行边缘提取，得到所述预测分割图像的血管轮廓图像；
获取携带标注信息的血管轮廓图像，并根据所述携带标注信息的血管轮廓图像、所述预测分割图像和所述样本标注图像，计算所述待训练模型的损失函数，直至所述损失函数小于或等于第二设定阈值。
6.根据权利要求3所述的方法，其特征在于，还包括：
对基于所述第二卷积子网络处理后的第一预测特征进行上采样，得到第一上采样特征。
7.根据权利要求6所述的方法，其特征在于，所述基于所述待训练模型的合并子网络，对第二卷积子网络卷积处理后的第一预测特征和所述第二预测特征进行合并，包括：
基于所述合并子网络，对所述第一上采样特征和所述第二预测特征进行合并；
相应的，所述根据卷积处理后的合并的预测特征确定所述样本造影图像的预测分割图像，包括：
对卷积处理后的合并的预测特征进行上采样，得到第二上采样特征，将所述第二上采样特征作为所述预测分割图像。
8.根据权利要求2或3所述的方法，其特征在于，还包括：
获取验证造影图像和验证标注图像；
将所述验证造影图像输入至所述血管分割模型，基于所述血管分割模型确定当前分割图像；
根据所述当前分割图像和所述验证标注图像计算所述血管分割模型的评估参数，基于所述评估参数对所述血管分割模型进行评估。
9.一种血管分割装置，其特征在于，包括：
图像获取模块，用于获取待分割造影图像；
特征信息提取模块，用于将所述待分割造影图像输入至训练完成的血管分割模型，基于所述血管分割模型的第一特征提取子网络提取所述待分割造影图像的第一特征信息，其中，所述第一特征提取子网络包括第一卷积子网络、空洞卷积子网络和池化子网络；
所述特征信息提取模块还用于，基于所述血管分割模型的第二特征提取子网络提取所述待分割造影图像的第二特征信息，其中，所述第二特征提取子网络至少包括带洞卷积子网络；
分割结果确定模块，用于基于所述血管分割模型的合并子网络，对第二卷积子网络卷积处理后的第一特征信息和所述第二特征信息进行合并，并基于第三卷积子网络，对合并后的特征信息进行卷积处理，以根据卷积处理后的合并的特征信息确定所述待分割造影图像的分割结果；所述第一特征信息为低维度且分辨率高的特征；所述第二特征信息为高维度且分辨率较低的特征；
所述空洞卷积子网络包括卷积核为3*3且步进数是6的第一空洞卷积子网络，以及卷积核为3*3且步进数是12的第二空洞卷积子网络；所述带洞卷积子网络的卷积核为1*1。
CN202011348523.7A 2020-11-26 2020-11-26 一种血管分割方法及装置 Active CN112465834B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011348523.7A CN112465834B (zh) 2020-11-26 2020-11-26 一种血管分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011348523.7A CN112465834B (zh) 2020-11-26 2020-11-26 一种血管分割方法及装置

Publications (2)

Publication Number Publication Date
CN112465834A CN112465834A (zh) 2021-03-09
CN112465834B true CN112465834B (zh) 2024-05-24

Family

ID=74808606

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011348523.7A Active CN112465834B (zh) 2020-11-26 2020-11-26 一种血管分割方法及装置

Country Status (1)

Country Link
CN (1) CN112465834B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113066090B (zh) * 2021-03-19 2022-02-08 推想医疗科技股份有限公司 血管分割模型的训练方法及装置、应用方法及装置
CN113763330B (zh) * 2021-08-17 2022-06-10 北京医准智能科技有限公司 一种血管分割方法、装置、存储介质及电子设备
CN113723418B (zh) * 2021-09-03 2023-08-04 乐普（北京）医疗器械股份有限公司 一种对造影图像进行优选的处理方法和装置
CN113808143B (zh) * 2021-09-06 2024-05-17 沈阳东软智能医疗科技研究院有限公司 图像分割方法、装置、可读存储介质及电子设备
CN114972361B (zh) * 2022-04-25 2022-12-16 北京医准智能科技有限公司 一种血流分割方法、装置、设备及存储介质
CN117036253B (zh) * 2023-07-18 2024-06-14 强联智创（北京）科技有限公司 用于对分割脑血管的分割模型进行训练的方法和相关产品
CN116958552A (zh) * 2023-07-25 2023-10-27 强联智创（北京）科技有限公司 血管分割方法、电子设备及存储介质

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108986124A (zh) * 2018-06-20 2018-12-11 天津大学 结合多尺度特征卷积神经网络视网膜血管图像分割方法
CN109360206A (zh) * 2018-09-08 2019-02-19 华中农业大学 基于深度学习的大田稻穗分割方法
CN109447990A (zh) * 2018-10-22 2019-03-08 北京旷视科技有限公司 图像语义分割方法、装置、电子设备和计算机可读介质
CN110232394A (zh) * 2018-03-06 2019-09-13 华南理工大学 一种多尺度图像语义分割方法
CN110517278A (zh) * 2019-08-07 2019-11-29 北京旷视科技有限公司 图像分割和图像分割网络的训练方法、装置和计算机设备
CN110533676A (zh) * 2019-09-06 2019-12-03 青岛海信医疗设备股份有限公司 肿瘤图像分割方法、装置及终端设备
CN110781895A (zh) * 2019-10-10 2020-02-11 湖北工业大学 一种基于卷积神经网络的图像语义分割方法
CN111160276A (zh) * 2019-12-31 2020-05-15 重庆大学 基于遥感影像的u型空洞全卷积分割网络识别模型
WO2020134866A1 (zh) * 2018-12-25 2020-07-02 浙江商汤科技开发有限公司 关键点检测方法及装置、电子设备和存储介质
CN111369563A (zh) * 2020-02-21 2020-07-03 华南理工大学 一种基于金字塔空洞卷积网络的语义分割方法
CN111445493A (zh) * 2020-03-27 2020-07-24 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN111524106A (zh) * 2020-04-13 2020-08-11 北京推想科技有限公司 颅骨骨折检测和模型训练方法、装置、设备和存储介质
CN111523548A (zh) * 2020-04-24 2020-08-11 北京市商汤科技开发有限公司 一种图像语义分割、智能行驶控制方法及装置
CN111524149A (zh) * 2020-06-19 2020-08-11 安徽工业大学 基于全卷积残差网络的瓦斯灰显微图像分割方法及系统
CN111539959A (zh) * 2020-07-13 2020-08-14 浙江省肿瘤医院(浙江省癌症中心) 基于跨层稀疏空洞卷积的甲状腺结节超声图像处理方法
CN111582126A (zh) * 2020-04-30 2020-08-25 浙江工商大学 基于多尺度行人轮廓分割融合的行人重识别方法
WO2020215236A1 (zh) * 2019-04-24 2020-10-29 哈尔滨工业大学（深圳） 图像语义分割方法和系统
CN111860386A (zh) * 2020-07-27 2020-10-30 山东大学 一种基于ConvLSTM卷积神经网络的视频语义分割方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232394A (zh) * 2018-03-06 2019-09-13 华南理工大学 一种多尺度图像语义分割方法
CN108986124A (zh) * 2018-06-20 2018-12-11 天津大学 结合多尺度特征卷积神经网络视网膜血管图像分割方法
CN109360206A (zh) * 2018-09-08 2019-02-19 华中农业大学 基于深度学习的大田稻穗分割方法
CN109447990A (zh) * 2018-10-22 2019-03-08 北京旷视科技有限公司 图像语义分割方法、装置、电子设备和计算机可读介质
WO2020134866A1 (zh) * 2018-12-25 2020-07-02 浙江商汤科技开发有限公司 关键点检测方法及装置、电子设备和存储介质
WO2020215236A1 (zh) * 2019-04-24 2020-10-29 哈尔滨工业大学（深圳） 图像语义分割方法和系统
CN110517278A (zh) * 2019-08-07 2019-11-29 北京旷视科技有限公司 图像分割和图像分割网络的训练方法、装置和计算机设备
CN110533676A (zh) * 2019-09-06 2019-12-03 青岛海信医疗设备股份有限公司 肿瘤图像分割方法、装置及终端设备
CN110781895A (zh) * 2019-10-10 2020-02-11 湖北工业大学 一种基于卷积神经网络的图像语义分割方法
CN111160276A (zh) * 2019-12-31 2020-05-15 重庆大学 基于遥感影像的u型空洞全卷积分割网络识别模型
CN111369563A (zh) * 2020-02-21 2020-07-03 华南理工大学 一种基于金字塔空洞卷积网络的语义分割方法
CN111445493A (zh) * 2020-03-27 2020-07-24 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN111524106A (zh) * 2020-04-13 2020-08-11 北京推想科技有限公司 颅骨骨折检测和模型训练方法、装置、设备和存储介质
CN111523548A (zh) * 2020-04-24 2020-08-11 北京市商汤科技开发有限公司 一种图像语义分割、智能行驶控制方法及装置
CN111582126A (zh) * 2020-04-30 2020-08-25 浙江工商大学 基于多尺度行人轮廓分割融合的行人重识别方法
CN111524149A (zh) * 2020-06-19 2020-08-11 安徽工业大学 基于全卷积残差网络的瓦斯灰显微图像分割方法及系统
CN111539959A (zh) * 2020-07-13 2020-08-14 浙江省肿瘤医院(浙江省癌症中心) 基于跨层稀疏空洞卷积的甲状腺结节超声图像处理方法
CN111860386A (zh) * 2020-07-27 2020-10-30 山东大学 一种基于ConvLSTM卷积神经网络的视频语义分割方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
"Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation";Liang-Chieh Chen等;《https://openaccess.thecvf.com/content_ECCV_2018/papers/Liang-Chieh_Chen_Encoder-Decoder_with_Atrous_ECCV_2018_paper.pdf》;20181231;全文 *
"Rethinking atrous convolution for semantic image segmentation";LC Chen等;《https://arxiv.gupiaot.cn/abs/1706.05587》;20171231;全文 *
"完全残差连接与多尺度特征融合遥感图像分割";张小娟等;《遥感学报》;20200916;全文 *
基于全卷积神经网络的非对称并行语义分割模型;李宝奇;贺昱曜;何灵蛟;强伟;;电子学报;20190515(第05期);全文 *
深度学习目标检测方法综述;赵永强;饶元;董世鹏;张君毅;;中国图象图形学报;20200415(第04期);全文 *
融合深度神经网络和空洞卷积的语义图像分割研究;陈洪云;孙作雷;孔薇;;小型微型计算机系统;20200115(第01期);全文 *
融合空洞卷积与注意模型的U型视盘分割;梁礼明;盛校棋;熊文;郭凯;;计算机工程与设计;20200316(第03期);全文 *

Also Published As

Publication number Publication date
CN112465834A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN112465834B (zh) 一种血管分割方法及装置
US9968257B1 (en) Volumetric quantification of cardiovascular structures from medical imaging
CN111524106B (zh) 颅骨骨折检测和模型训练方法、装置、设备和存储介质
CN109410216B (zh) 一种缺血性脑卒中图像区域分割方法及装置
CN113436166A (zh) 基于磁共振血管造影数据的颅内动脉瘤检测方法及系统
CN111640124B (zh) 一种血管提取方法、装置、设备及存储介质
CN113947681A (zh) 用于分割医学影像的方法、设备和介质
CN111815598A (zh) 一种血管参数的计算方法、装置、设备及存储介质
US10878564B2 (en) Systems and methods for processing 3D anatomical volumes based on localization of 2D slices thereof
CN111145160A (zh) 钙化区域所处冠脉分支的确定方法、装置、服务器及介质
CN114758137A (zh) 超声图像分割方法、装置及计算机可读存储介质
CN113469963B (zh) 肺动脉图像分割方法及装置
CN114359671A (zh) 基于多目标学习的超声影像甲状腺结节分类方法及系统
US20240005510A1 (en) Method and apparatus of nidus segmentation, electronic device, and storage medium
CN111863206A (zh) 一种图像预处理方法、装置、设备及存储介质
CN113409273B (zh) 一种图像分析方法、装置、设备和介质
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
CN112530554B (zh) 一种扫描定位方法、装置、存储介质及电子设备
CN114445419A (zh) 一种基于支气管拓扑结构的肺段分割方法、装置及系统
CN112785580A (zh) 确定血管流速的方法及装置
Moosavi et al. Segmentation and classification of lungs CT-scan for detecting COVID-19 abnormalities by deep learning technique: U-Net model
CN113239978B (zh) 医学图像预处理模型与分析模型的相关方法和装置
CN117495951B (zh) 颅内动脉瘤定位方法、装置、计算机设备及存储介质
CN114782407A (zh) 基于卷积神经网络的胎儿超声关键切面识别方法及装置
Moalla et al. Deep AngioKey: A Novel Approach for Objective Keyframe Extraction in Coronary Angiography Analysis

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