CN112861961B - 肺血管分类方法及装置、存储介质及电子设备 - Google Patents

肺血管分类方法及装置、存储介质及电子设备 Download PDF

Info

Publication number
CN112861961B
CN112861961B CN202110149848.0A CN202110149848A CN112861961B CN 112861961 B CN112861961 B CN 112861961B CN 202110149848 A CN202110149848 A CN 202110149848A CN 112861961 B CN112861961 B CN 112861961B
Authority
CN
China
Prior art keywords
pulmonary
information
classification
classified
classification information
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
CN202110149848.0A
Other languages
English (en)
Other versions
CN112861961A (zh
Inventor
万兰若
张欢
王瑜
李新阳
王少康
陈宽
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 CN202110149848.0A priority Critical patent/CN112861961B/zh
Publication of CN112861961A publication Critical patent/CN112861961A/zh
Application granted granted Critical
Publication of CN112861961B publication Critical patent/CN112861961B/zh
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
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule
    • 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
    • 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
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

公开了一种肺血管分类方法及装置、计算机可读存储介质及电子设备，涉及图像处理技术领域。该肺血管分类方法包括：确定待分类肺部图像对应的支气管分割信息；以及基于所述支气管分割信息确定所述待分类肺部图像对应的第一肺血管分类信息。本公开利用肺动脉血管和支气管的伴行关系，通过支气管分割信息来确定待分类肺部图像中的肺动脉血管信息，实现了肺动脉血管和肺静脉血管的分类，即确定了第一肺血管分类信息。由于肺血管分类参考了与肺动脉血管具有伴行关系的支气管的分布信息，从而可以更加准确和快速的确定肺动脉血管，从而提高了肺血管分类的准确性和效率。

Description

肺血管分类方法及装置、存储介质及电子设备
技术领域
本公开涉及图像处理技术领域，具体涉及肺血管分类方法及装置、计算机可读存储介质及电子设备。
背景技术
对肺部图像中的肺血管进行分类，有助于医生分析肺部疾病、规划手术，从而避免对肺血管的损伤和出血，降低患者的治疗风险。例如，肺栓塞仅发生在肺动脉血管中，将肺血管分类为肺动脉血管和肺静脉血管，可以更加准确的确定栓塞的位置，降低患者的治疗风险。再例如，当肺结节患者需要做肺叶切除手术时，可以根据对肺血管的分类结果规划手术路径，避开肺动脉血管，从而防止手术时切到肺动脉血管，降低手术风险。
然而，由于肺血管分布错综复杂，对肺血管进行分类难度较大，现有的肺血管分类技术分类准确性差、效率低。因此如何提高肺血管分类的准确性和分类效率成为亟待解决的问题。
发明内容
为了解决上述技术问题，提出了本公开。本公开的实施例提供了一种肺血管分类方法及装置、计算机可读存储介质及电子设备。
在一方面，本公开实施例提供了一种肺血管分类方法，该肺血管分类方法包括：确定待分类肺部图像对应的支气管分割信息；以及基于所述支气管分割信息确定所述待分类肺部图像对应的第一肺血管分类信息。
在本公开一实施例中，所述基于所述支气管分割信息确定所述待分类肺部图像对应的第一肺血管分类信息，包括：基于所述支气管分割信息确定支气管骨架的线段信息；基于所述多条线段信息进行抠块操作，以确定与所述线段信息对应的抠块信息；将所述抠块信息输入至第一分类模型，以确定与所述待分类肺部图像对应的所述第一肺血管分类信息，其中，所述第一分类模型用于基于所述待分类肺部图像对应的支气管与肺动脉血管的伴行信息确定所述第一肺血管分类信息。
在本公开一实施例中，所述基于所述待分类肺部图像对应的支气管与肺动脉血管的伴行信息确定所述第一肺血管分类信息，包括：基于所述待分类肺部图像对应的肺血管分割信息和所述支气管分割信息，确定所述待分类肺部图像中的肺血管和所述支气管的距离信息；基于所述距离信息，确定所述第一肺血管分类信息。
在本公开一实施例中，所述基于所述距离信息，确定所述第一肺血管分类信息，包括：将实际距离小于预设距离的肺血管确定为肺动脉血管；将实际距离等于或大于所述预设距离的肺血管确定为肺静脉血管；基于所述肺动脉血管和所述肺静脉血管生成所述第一肺血管分类信息。
在本公开一实施例中，所述基于所述支气管分割信息确定支气管骨架的线段信息，包括：利用中线提取算法，基于所述支气管分割信息确定支气管的骨架信息；基于所述骨架信息确定多个骨架点数据；基于所述多个骨架点数据确定根节点数据，其中，所述多个骨架点数据包括所述根节点数据；基于所述根节点数据和所述骨架信息确定所述线段信息。
在本公开一实施例中，所述待分类肺部图像包括纵膈区域和肺内区域；其中，在所述基于所述支气管分割信息确定所述待分类肺部图像对应的第一肺血管分类信息之前，还包括：将所述待分类肺部图像输入至第二分类模型，以确定所述待分类肺部图像对应的第二肺血管分类信息，其中，所述第二肺血管分类信息对应的纵膈区域的分类精度优于所述第一肺血管分类信息对应的所述纵膈区域的分类精度；并且，在所述基于所述支气管分割信息确定所述待分类肺部图像对应的第一肺血管分类信息之后，还包括：基于所述第一肺血管分类信息和所述第二肺血管分类信息确定所述待分类肺部图像对应的第三肺血管分类信息。
在本公开一实施例中，所述基于所述第二肺血管分类信息和所述第一肺血管分类信息确定第三肺血管分类信息，包括：将所述第二肺血管分类信息分为纵膈区域的分类信息和肺内区域的分类信息；提取所述第一肺血管分类信息的与所述肺内区域的位置对应的信息，得到替换信息；根据所述替换信息，替换所述第二肺血管分类信息中的位于所述肺内区域的分类信息，得到所述第三肺血管分类信息。
在本公开一实施例中，所述将所述第二肺血管分类信息分为纵膈区域的分类信息和肺内区域的分类信息，包括：基于所述第二肺血管分类信息确定最大连通域；以所述最大连通域为中心进行区域生长，得到纵膈区域的分类信息；基于所述第二肺血管分类信息和所述纵膈区域的分类信息确定所述肺内区域的分类信息。
在本公开一实施例中，所述将所述待分类肺部图像输入至第二分类模型，以确定第二肺血管分类信息，包括：将所述待分类肺部图像进行切块操作，得到多个切块信息；将所述多个切块信息输入所述第二分类模型，以确定与所述待分类肺部图像对应的所述第二肺血管分类信息。
在本公开一实施例中，在所述将所述待分类肺部图像输入至第二分类模型之前，还包括：确定待分类肺部图像样本以及所述待分类肺部图像样本对应的第二肺血管分类信息；基于所述待分类肺部图像样本和所述待分类肺部图像样本对应的第二肺血管分类信息，训练第二初始网络模型，以得到所述第二分类模型。
在本公开一实施例中，在所述将所述抠块信息输入至第一分类模型之前，还包括：确定待分类肺部图像样本对应的抠块信息和第一肺血管分类信息；基于所述待分类肺部图像样本对应的抠块信息和第一肺血管分类信息，训练第一初始网络模型，以得到所述第一分类模型。
在另一方面，本公开一实施例提供了一种肺血管分类装置，该肺血管分类装置包括：确定模块，配置为确定待分类肺部图像对应的支气管分割信息；以及分类模块，配置为基于所述支气管分割信息确定所述待分类肺部图像对应的第一肺血管分类信息。
在另一方面，本公开一实施例提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于执行上述实施例所提及的肺血管分类方法。
在另一方面，本公开一实施例提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述实施例所提及的肺血管分类方法。
本公开实施例提供的一种肺血管分类方法，通过确定待分类肺部图像对应的支气管分割信息，然后基于所述支气管分割信息确定所述待分类肺部图像对应的第一肺血管分类信息，实现了基于待分类肺部图像对应的支气管分割信息来确定待分类肺部图像的第一肺血管分类信息的目的。本公开利用肺动脉血管和支气管的伴行关系，通过支气管分割信息来确定待分类肺部图像中的肺动脉血管信息，实现了肺动脉血管和肺静脉血管的分类，即确定了第一肺血管分类信息。由于肺血管分类参考了与肺动脉血管具有伴行关系的支气管的分布信息，从而可以更加准确和快速的确定肺动脉血管，从而提高了肺血管分类的准确性和效率。
附图说明
通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1所示为本公开实施例所适用的一场景示意图。
图2所示为本公开实施例所适用的另一场景示意图。
图3所示为本公开一示例性实施例提供的肺血管分类方法的流程示意图。
图4所示为本公开一示例性实施例提供的肺动脉血管示意图。
图5所示为本公开一示例性实施例提供的肺静脉血管示意图。
图6所示为本公开一示例性实施例提供的肺内部分的支气管与肺动脉血管的伴行关系示意图。
图7所示为本公开另一示例性实施例提供的肺血管分类方法的流程示意图。
图8所示为本公开另一示例性实施例提供的肺血管分类方法的流程示意图。
图9所示本公开一示例性实施例提供的待分类肺部图像对应的支气管骨架的线段信息的示意图。
图10所示为本公开另一示例性实施例提供的肺血管分类方法的流程示意图。
图11所示为本公开另一示例性实施例提供的肺血管分类方法的流程示意图。
图12所示为本公开另一示例性实施例提供的肺血管分类方法的流程示意图。
图13所示为本公开另一示例性实施例提供的肺血管分类方法的流程示意图。
图14所示为本公开另一示例性实施例提供的肺血管分类方法的流程示意图。
图15所示为本公开另一示例性实施例提供的肺血管分类方法的流程示意图。
图16所示为本公开另一示例性实施例提供的肺血管分类方法的流程示意图。
图17所示为本公开另一示例性实施例提供的肺血管分类方法的流程示意图。
图18所示为本公开另一示例性实施例提供的肺血管分类方法的流程示意图。
图19所示为本公开一示例性实施例提供的肺血管分类装置的结构示意图。
图20所示为本公开另一示例性实施例提供的肺血管分类装置的结构示意图。
图21所示为本公开另一示例性实施例提供的肺血管分类装置的结构示意图。
图22所示为本公开另一示例性实施例提供的肺血管分类装置的结构示意图。
图23所示为本公开另一示例性实施例提供的肺血管分类装置的结构示意图。
图24所示为本公开另一示例性实施例提供的肺血管分类装置的结构示意图。
图25所示为本公开另一示例性实施例提供的肺血管分类装置的结构示意图。
图26所示为本公开另一示例性实施例提供的肺血管分类装置的结构示意图。
图27所示为本公开另一示例性实施例提供的肺血管分类装置的结构示意图。
图28所示为本公开另一示例性实施例提供的肺血管分类装置的结构示意图。
图29所示为本公开另一示例性实施例提供的肺血管分类装置的结构示意图。
图30所示为本公开一示例性实施例提供的电子设备的结构示意图。
具体实施方式
下面，将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。
申请概述
待分类肺部图像可以是通过X线束、γ射线、超声波等介质对人体或动物的肺部做扫描得到的图像。例如，待分类肺部图像可以是肺部的电子计算机断层扫描(ComputedTomography,CT)图像。待分类肺部图像可以包括肺动脉血管和肺静脉血管等肺血管的信息，支气管的信息以及背景信息。
肺血管分为肺动脉血管和肺静脉血管，肺动脉血管连接肺和右心室。肺静脉血管连接肺与左心房。肺部包括肺内部分和纵膈部分，肺内部分又分为左肺部、右肺部，纵膈部分位于左肺部和右肺部之间。纵膈部分的肺血管直径大于肺内部分的肺血管直径。位于肺内部分边缘的肺血管由于过于细小，边缘不清晰，从而对分类效果产生一定的影响，导致现有技术中对肺内部分边缘的肺血管分类效果较差。
现有技术中，为了提高肺内部分边缘的肺血管分类效果，一般会提高待分类肺部图像的精度，但是提高待分类肺部图像的精度会导致待分类肺部图像占用的存储空间较大，因此，需要较大的显存才能对待分类肺部图像进行显示。然而，显存不能无限增大，通过提高待分类肺部图像的精度来提高肺血管分类效果的方法，分类准确性和效率依然较低。
基于上述提及的技术问题，本公开的基本构思是提出一种肺血管分类方法及装置、计算机可读存储介质及电子设备。该肺血管分类方法，通过确定待分类肺部图像对应的支气管分割信息，然后基于支气管分割信息确定待分类肺部图像对应的第一肺血管分类信息，实现了基于待分类肺部图像对应的支气管分割信息来确定待分类肺部图像的第一肺血管分类信息的目的。本公开利用肺动脉血管和支气管的伴行关系，通过支气管分割信息来确定待分类肺部图像中的肺动脉血管信息，实现了肺动脉血管和肺静脉血管的分类，即确定了第一肺血管分类信息。由于肺血管分类参考了与肺动脉血管具有伴行关系的支气管的分布信息，从而可以更加准确和快速的确定肺动脉血管，从而提高了肺血管分类的准确性和效率。
在介绍了本公开的基本原理之后，下面将参考附图来具体介绍本公开的各种非限制性实施例。
示例性系统
图1所示为本公开实施例所适用的一场景示意图。如图1所示，本公开实施例所适用的场景中包括图像采集设备1和计算机设备2。计算机设备2与图像采集设备1之间存在通信连接关系。通信连接可以是有线连接，也可以是无线连接。
具体而言，图像采集设备1用于采集待分类肺部图像。图像采集设备1可以是CT扫描仪、X线机、MRI(Magnetic Resonance Imaging)设备，也可以是其它具有图像采集功能的设备，只要是可以采集肺部图像即可，本公开对图像采集设备1的结构不做具体限定。
计算机设备2用于接收图像采集设备1采集的待分类肺部图像，并基于待分类肺部图像确定第一肺血管分类信息。计算机设备2可以是通用型计算机或者由专用的集成电路组成的计算机装置等，本公开实施例对此不做具体限定。例如，计算机设备2可以是手机、平板电脑等移动终端设备，也可以是便携计算机、台式计算机等，本公开对计算机设备2的类型不做具体限定。计算机设备2的数量可以是一个，也可以是多个，多个计算机设备2的类型可以相同也可以不同，本公开对计算机设备2的数量和类型不做具体限定。计算机设备2可以用于确定待分类肺部图像对应的支气管分割信息，并基于支气管分割信息确定待分类肺部图像对应的第一肺血管分类信息，从而利用肺动脉血管和支气管的伴行关系，实现了肺动脉血管和肺静脉血管的分类，从而可以更加准确和快速的确定肺动脉血管，从而提高了肺血管分类的准确性和效率。
图2所示为本公开实施例所适用的另一场景示意图。如图2所示，在图1所示实施例的基础上，本公开实施例所适用的场景中还包括服务器3，服务器3和计算机设备2之间存在通信连接关系。服务器3可以是一台服务器，也可以是多台服务器组成的服务器组，还可以是一个虚拟化平台或者一个云计算服务中心，本公开对服务器3的类型不做具体限定。服务器3用于接收计算机设备2发送的肺部训练图像，并基于肺部训练图像对网络模型进行训练，以确定第一分类模型。计算机设备2可以将从图像采集设备1接收到的待分类肺部图像发送给服务器3，服务器3可以先基于待分类肺部图像确定待分类肺部图像对应的支气管分割信息，再基于支气管分割信息，利用第一分类模型进行分类，从而确定第一肺血管分类信息，从而利用肺动脉血管和支气管的伴行关系，实现了肺动脉血管和肺静脉血管的分类，从而可以更加准确和快速的确定肺动脉血管，从而提高了肺血管分类的准确性和效率。
示例性方法
图3所示为本公开一示例性实施例提供的肺血管分类方法的流程示意图。如图3所示，本公开实施例提供的肺血管分类方法包括如下步骤。
步骤301，确定待分类肺部图像对应的支气管分割信息。
示例性地，待分类肺部图像包括肺动脉血管和肺静脉血管等肺血管的信息，支气管的信息以及背景信息。待分类肺部图像对应的支气管分割信息，可以是对待分类肺部图像中的支气管进行分割得到的。具体地，可以使用支气管分割网络模型对待分类肺部图像中的支气管进行分割，从而得到支气管分割信息。支气管分割网络模型可以是使用支气管分割训练数据对初始网络模型进行训练得到的。支气管分割训练数据可以包括待分类肺部图像样本和待分类肺部图像样本对应的支气管分割信息。
步骤302，基于支气管分割信息确定待分类肺部图像对应的第一肺血管分类信息。
具体而言，支气管和肺动脉血管具有伴行关系。肺内部分的支气管和肺动脉血管的伴行关系优于纵膈部分的支气管和肺动脉血管的伴行关系。第一肺血管分类信息可以包括肺动脉血管和肺静脉血管的分类信息，且可以通过对肺动脉血管和肺静脉血管进行标记来展示第一肺血管分类信息。例如，可以将肺动脉血管染成红色，可以将肺静脉血管染成绿色，从而区分肺动脉血管和肺静脉血管。肺血管染色的颜色可以自行选择，本公开对肺血管染色的颜色不做具体限定。第一肺血管分类信息可以通过染色标记，也可以通过标签标记，还可以通过其它方式标记，本公开对第一肺血管分类信息的标记方式不做具体限定。
图4所示为本公开一示例性实施例提供的肺动脉血管示意图。图5所示为本公开一示例性实施例提供的肺静脉血管示意图。如图4和图5所示，纵膈部分(图4和图5所示白色圆圈内的部分)的肺动脉血管和肺静脉血管较粗，肺内部分(图4和图5所示白色圆圈外的部分)的肺动脉血管和肺静脉血管较细，即纵膈部分的肺动脉血管和肺静脉血管比肺内部分的肺动脉血管和肺静脉血管粗。
图6所示为本公开一示例性实施例提供的肺内部分的支气管与肺动脉血管的伴行关系示意图。如图6所示，肺动脉血管601与支气管602具有较佳的伴行关系，即在支气管602附近预设距离内的肺血管即为肺动脉血管，从而可以准确的确定肺动脉血管。
本公开一实施例提供的肺血管分类方法，通过确定待分类肺部图像对应的支气管分割信息，然后基于支气管分割信息确定待分类肺部图像对应的第一肺血管分类信息，实现了基于待分类肺部图像对应的支气管分割信息来确定待分类肺部图像的第一肺血管分类信息的目的。本公开利用肺动脉血管和支气管的伴行关系，通过支气管分割信息来确定待分类肺部图像中的肺动脉血管信息，实现了肺动脉血管和肺静脉血管的分类，即确定了第一肺血管分类信息。由于肺血管分类参考了与肺动脉血管具有伴行关系的支气管的分布信息，从而可以更加准确和快速的确定肺动脉血管，从而提高了肺血管分类的准确性和效率。
图7所示为本公开另一示例性实施例提供的肺血管分类方法的流程示意图。在本公开图3所示实施例的基础上延伸出本公开图7所示实施例，下面着重叙述图7所示实施例与图3所示实施例的不同之处，相同之处不再赘述。
如图7所示，在本公开实施例提供的肺血管分类方法中，基于支气管分割信息确定待分类肺部图像对应的第一肺血管分类信息包括如下步骤。
步骤701，基于支气管分割信息确定支气管骨架的线段信息。
示例性地，线段信息可以包括多条线段各自对应的坐标信息。具体而言，可以将支气管骨架切分为多条线段，从而得到多条线段的线段信息。
步骤702，基于线段信息进行抠块操作，以确定与线段信息对应的抠块信息。
示例性地，每条线段可以对应一个抠块结果，抠块信息可以包括多个抠块结果。当支气管分割信息为三维图像信息时，可以选择每条线段的一个点为抠块操作的中心点，按照预设的边长进行抠块操作，得到一个立方体。例如，预设的边长可以是1毫米，这样可以得到一个中心点为线段中的一点，边长为1毫米的抠块结果。同理，当支气管分割信息为二维图像信息时，可以按照预设的边长进行抠块操作，得到一个正方形。可选地，抠块的中心点可以选择线段的中点。本公开对抠块操作的中心点的选择和抠块的尺寸不做具体限定。
可选地，抠块操作的相邻的中心点之间的距离是固定的，即相邻的抠块结果的中心点之间的距离是固定的，且抠块操作的预设的边长大于或等于相邻的抠块结果的中心点之间的距离，从而使得到的多个抠块结果是连续的，或者是有部分叠加的。
步骤703，将抠块信息输入至第一分类模型，以确定与待分类肺部图像对应的第一肺血管分类信息，其中，第一分类模型用于基于待分类肺部图像对应的支气管与肺动脉血管的伴行信息确定第一肺血管分类信息。
示例性的，第一分类模型可以是3维网络模型，也可以是2维网络模型，为了使肺血管分类方法更加准确，优选3维网络模型。同时，为了使3维网络模型更加准确，可以选择3维网络模型的层数为18层，3维网络模型的层数可以根据实际需求和显存的大小进行选择，本公开不做具体限定。3维网络模型精度较高，但是为了得到较高的精度，导致3维网络模型对计算机资源的消耗较大，因此，可以将待分类肺部图像进行抠块操作，得到抠块信息，然后将抠块信息输入到第一分类模型，从而降低同一时间对计算机资源的需求，即兼顾了计算机资源的消耗和分类精度。
将抠块信息输入至第一分类模型，第一分类模型可以生成与抠块信息对应的抠块分类信息，抠块分类信息可以包括多个抠块分类结果，将多个抠块分类结果进行组合操作，得到与待分类肺部图像对应的第一肺血管分类信息。组合操作可以采用高斯平滑处理，从而提高第一肺血管分类信息的准确性。
图8所示为本公开另一示例性实施例提供的肺血管分类方法的流程示意图。在本公开图7所示实施例的基础上延伸出本公开图8所示实施例，下面着重叙述图8所示实施例与图7所示实施例的不同之处，相同之处不再赘述。
如图8所示，在本公开实施例提供的肺血管分类方法中，基于支气管分割信息确定支气管骨架的线段信息包括如下步骤。
步骤801，利用中线提取算法，基于支气管分割信息确定支气管的骨架信息。
示例性地，图9所示本公开一示例性实施例提供的待分类肺部图像对应的支气管骨架的线段信息的示意图。如图9所示，可以提取支气管分割信息的支气管的骨架信息，并以待分类肺部图像中由头部指向脚部的方向为Z轴，以左肺几何中心指向右肺几何中心的方向为X轴，以分别与Z轴和X轴垂直的方向为Y轴建立坐标系。
可选地，中线提取算法可以是通过几何运算的方法提取图形的中轴，例如长方形的中轴是长方形沿长边方向的中轴线，对支气管分割信息中的支气管的形状进行骨架提取，可以是提取支气管形状的中轴线。中线提取算法也可以通过迭代腐蚀边界算法对支气管分割信息中的支气管的形状进行骨架提取。迭代腐蚀边界算法通过识别图形的边界，然后利用原图形减去图形的边界，得到细化的图形，多次执行上述细化后，得到最终的图形，算法简单，计算速度快。还可以使用其他中线提取算法，本公开对使用的中线提取算法的类型不做具体限定。
步骤802，基于骨架信息确定多个骨架点数据。
示例性地，可以提取支气管的骨架信息中的多个骨架点(图9中所示的黑色圆点)，确定多个骨架点在坐标系中的坐标，从而确定多个骨架点数据，骨架点数据包括骨架点在坐标系中的坐标。
步骤803，基于多个骨架点数据确定根节点数据，其中，多个骨架点数据包括根节点数据。
示例性地，对多个骨架点进行遍历，确定Z轴坐标最小的骨架点为根节点(图9中所示支气管骨架上的黑色空心圆环)，从而确定根节点数据，根节点数据包括根节点在坐标系中的坐标。
步骤804，基于根节点数据和骨架信息确定线段信息。
示例性地，从根节点开始提取并存储支气管骨架中的多条线段，多条线段的长短可根据需求自行设定。坐标系的建立可以根据实际需求进行调整，本公开对坐标系的建立方法不做具体限定。根节点的确定方法，可以根据坐标系的建立方法进行调整，例如，根节点可以是坐标系中某一个轴上的坐标最大的点，本公开对此不做具体限定。
通过先确定支气管的骨架信息，再确定根节点数据，最后再确定线段信息的方法，可以根据支气管分割信息，对支气管的骨架进行完整的分割，不会遗漏某一部分的支气管的骨架信息，提高获取的线段信息的准确性，从而提高抠块操作得到的抠块信息的准确性。
图10所示为本公开另一示例性实施例提供的肺血管分类方法的流程示意图。在本公开图7所示实施例的基础上延伸出本公开图10所示实施例，下面着重叙述图10所示实施例与图7所示实施例的不同之处，相同之处不再赘述。
如图10所示，在本公开实施例提供的肺血管分类方法中，基于待分类肺部图像对应的支气管与肺动脉血管的伴行信息确定第一肺血管分类信息包括如下步骤。
步骤1001，基于待分类肺部图像对应的肺血管分割信息和支气管分割信息，确定待分类肺部图像对应的肺血管和支气管的距离信息。
具体而言，待分类肺部图像对应的肺血管分割信息，可以是对待分类肺部图像中的肺血管进行分割得到的。待分类肺部图像对应的支气管分割信息，可以是对待分类肺部图像中的支气管信息进行分割得到的。肺血管和支气管的距离信息可以是肺血管和支气管的距离数值。
步骤1002，基于距离信息，确定肺血管分类信息。
示例性地，由于肺动脉血管和支气管具有伴行关系，即距离支气管较近的肺血管是肺动脉血管的概率较大，因此，可以判定距离支气管较近的肺血管是肺动脉血管，距离支气管较远的血管是肺静脉血管，即可以根据距离数值的大小判断肺血管是肺动脉血管还是肺静脉血管。通过肺血管和支气管的距离信息，直接确定肺血管分类信息，方法简单可靠，效率高。
图11所示为本公开另一示例性实施例提供的肺血管分类方法的流程示意图。在本公开图10所示实施例的基础上延伸出本公开图11所示实施例，下面着重叙述图11所示实施例与图10所示实施例的不同之处，相同之处不再赘述。
如图11所示，在本公开实施例提供的肺血管分类方法中，基于距离信息，确定肺血管分类信息包括如下步骤。
步骤1101，将实际距离小于预设距离的肺血管确定为肺动脉血管。
示例性地，距离信息可以是待分类肺部图像对应的肺血管和支气管的实际距离。预设距离可以是预先设定的一个数值，预设距离的大小可以根据实际需求进行设置，本公开对此不做具体限定。可以通过将实际距离与预设距离进行比较的方法，判断实际距离是否小于预设距离，如果实际距离小于预设距离，则判定该肺血管是肺动脉血管。
步骤1102，将实际距离等于或大于预设距离的肺血管确定为肺静脉血管。
具体而言，如果实际距离等于或大于预设距离，则判定该肺血管是肺静脉血管。
步骤1103，基于肺动脉血管和肺静脉血管生成肺血管分类信息。
具体而言，肺血管分类信息包括肺动脉血管的信息和肺静脉血管的信息。通过设置预设距离来判断肺血管是肺动脉血管还是肺静脉血管，确定方法简单可靠，效率高。
图12所示为本公开另一示例性实施例提供的肺血管分类方法的流程示意图。在本公开图3所示实施例的基础上延伸出本公开图12所示实施例，下面着重叙述图12所示实施例与图3所示实施例的不同之处，相同之处不再赘述。
如图12所示，在本公开实施例提供的肺血管分类方法中，待分类肺部图像包括纵膈区域和肺内区域。在基于支气管分割信息确定待分类肺部图像对应的第一肺血管分类信息之前还包括如下步骤。
步骤1201，将待分类肺部图像输入至第二分类模型，以确定待分类肺部图像对应的第二肺血管分类信息，其中，第二肺血管分类信息对应的纵膈区域的分类精度优于第一肺血管分类信息对应的纵膈区域的分类精度。
具体而言，第二分类模型可以是3维网络模型，也可以是2维网络模型，为了使肺血管分类方法更加准确，优选3维网络模型。同时，为了使3维网络模型更加准确，可以选择3维网络模型的层数为18层，3维网络模型的层数可以根据实际需求和显存的大小进行选择，本公开不做具体限定。
窗宽窗位是在医学图像领域的关键技术窗技术，是CT检查中用以观察不同密度的正常组织或病变的一种显示技术。由于各种组织结构或病变具有不同的CT值，因此想要显示某一组织结构细节时，应该选择适合观察该组织或病变的窗宽和窗位，以获得最佳显示。肺血管的窗宽范围是1500～2000HU，窗位范围是-450～600HU，而纵膈的窗宽范围是250～350HU，窗位范围是30～50HU，在肺血管的窗宽和窗位范围内，可以更加清楚的显示血管边缘，而在纵膈的窗宽和窗位范围内，可以更加清楚的显示纵膈边缘。因此，为了能够使肺血管有更加清楚的显示效果，即为了能使肺血管有较好的分类结果，可以选择待分类肺部图像的窗宽为1300，窗位为-300，也可以选择在肺血管的窗宽和窗位范围内的其它数值，本公开对此不做具体限定。
并且，在基于支气管分割信息确定待分类肺部图像对应的第一肺血管分类信息之后还包括如下步骤。
步骤1202，基于第一肺血管分类信息和第二肺血管分类信息确定待分类肺部图像对应的第三肺血管分类信息。
具体而言，由于待分类肺部图像中纵膈部分的肺血管较粗，而肺内部分的肺血管较细，因此，将待分类肺部图像输入至第二分类模型，得到待分类肺部图像对应的第二肺血管分类信息中，纵膈部分的肺血管会显示的更加清晰，从而使纵膈部分的肺血管的分类效果优于肺内部分的肺血管的分类效果。然而，待分类肺部图像对应的第一肺血管分类信息是基于支气管分割信息确定的，即第一肺血管分类信息是利用支气管与肺动脉血管的伴行关系确定的，而肺内部分的支气管与肺动脉血管的伴行关系优于纵膈部分的支气管与肺动脉血管的伴行关系，因此，第一肺血管分类信息在肺内部分的分类效果由于在纵膈部分的分类效果。因此，可以参考第一肺血管分类信息中肺内部分的分类信息和第二肺血管分类信息中纵膈部分的分类信息，来确定待分类肺部图像对应的第三肺血管分类信息，从而使第三肺血管分类信息在肺内部分和纵膈部分都得到了较佳的分类效果，即进一步提高了肺血管分类方法的准确性。
图13所示为本公开另一示例性实施例提供的肺血管分类方法的流程示意图。在本公开图12所示实施例的基础上延伸出本公开图13所示实施例，下面着重叙述图13所示实施例与图12所示实施例的不同之处，相同之处不再赘述。
如图13所示，在本公开实施例提供的肺血管分类方法中，将待分类肺部图像输入至第二分类模型，以确定第二肺血管分类信息包括如下步骤。
步骤1301，将待分类肺部图像进行切块操作，得到多个切块信息。
具体而言，第二分类模型可以是3维网络模型，3维网络模型精度较高，但是为了得到较高的精度，使3维网络模型对计算机资源的消耗较大，因此，可以将待分类肺部图像进行切块操作，得到多个切块信息，然后将切块信息输入到第二分类模型，从而降低同一时间对计算机资源的需求，即兼顾计算机资源的消耗和分类精度。
以待分类肺部图像中由头部指向脚部的方向为Z轴，以左肺几何中心指向右肺几何中心的方向为X轴，以分别与Z轴和X轴垂直的方向为Y轴建立坐标系。由于纵膈部分的肺血管的径向截面与XY所在平面平行，且纵膈部分的肺血管的管径较粗，因此在与XY平行的平面上，需要较大的感受野，即在于XY平行的平面上，切块操作需要较大的切块边长才能将纵膈部分的肺血管的径向截面切分到一个切块中，从而使一个切块能够包括完整的纵膈部分的肺血管的径向截面，从而有利于对纵膈部分的肺血管进行分类。
感受器受刺激兴奋时，通过感受器官中的神经元将神经冲动传到上位中枢，一个神经元所支配的刺激区域即为神经元的感受野，在本公开中，感受野越大，即为看到的待分类肺部图像的区域越大，肺血管分类的准确性越高，但是感受野越大，对计算机显存的要求越高，为了尽可能的降低对计算机显存的要求，可以对待分类肺部图像进行缩放，缩放比例可以根据实际需求进行设置，本公开对此不做具体限定。
步骤1302，将多个切块信息输入第二分类模型，以确定与待分类肺部图像对应的第二肺血管分类信息。
具体而言，将多个切块信息输入第二分类模型后，第二分类模型可以生成与多个切块信息对应的多个切块分类结果，并将多个切块分类结果进行组合操作，得到与待分类肺部图像对应的第二肺血管分类信息。组合操作可以采用高斯平滑处理，从而提高第二肺血管分类信息的准确性。
图14所示为本公开另一示例性实施例提供的肺血管分类方法的流程示意图。在本公开图12所示实施例的基础上延伸出本公开图14所示实施例，下面着重叙述图14所示实施例与图12所示实施例的不同之处，相同之处不再赘述。
如图14所示，在本公开实施例提供的肺血管分类方法中，基于第二肺血管分类信息和第一肺血管分类信息确定第三肺血管分类信息包括如下步骤。
步骤1401，将第二肺血管分类信息分为纵膈区域的分类信息和肺内区域的分类信息。
示例性地，可以通过区域增长的方法将第二肺血管分类信息分为纵膈区域的分类信息和肺内区域的分类信息，也可以通过训练好的网络模型将第二肺血管分类信息分为纵膈区域的分类信息和肺内区域的分类信息，本公开对此不做具体限定。
步骤1402，提取第一肺血管分类信息的与肺内区域的位置对应的信息，得到替换信息。
步骤1403，根据替换信息，替换第二肺血管分类信息中的位于肺内区域的分类信息，得到第三肺血管分类信息。
具体而言，由于第一肺血管分类信息中肺内区域的分类效果由于第二肺血管分类信息中肺内区域的分类效果，因此，提取第一肺血管分类信息的与肺内区域的位置对应的信息，得到替换信息，并使用替换信息，替换第二肺血管分类信息中的位于肺内区域的信息，得到第三肺血管分类信息，从而使第三肺血管分类信息在肺内部分和纵膈部分都得到了较佳的分类效果，即进一步提高了肺血管分类方法的准确性。且使用信息替换的方式得到第三肺血管分类信息，方法简单，效率高。
在本公开一实施例中，第一肺血管分类信息可以只包含肺内区域的分类信息，即第一分类模型可以是只对待分类肺部图像的肺内部分进行分类的模型，从而可以直接使用第一肺血管分类信息替换第二肺血管分类信息中的位于肺内区域的信息，得到第三肺血管分类信息。
在本公开一实施例中，在通过步骤1403得到第三肺血管分类信息后，可以对第三肺血管分类信息进行后处理。具体而言，可以提取第三肺血管分类信息中的多个血管段的信息，统计同一根肺血管上的多个血管段中是肺动脉血管的数量和是肺静脉血管的数量，当是肺动脉血管的数量大于或等于是肺静脉血管的数量时，将该一根肺血管上的所有血管段的种类设置为肺动脉血管，当是肺动脉血管的数量小于是肺静脉血管的数量时，将该一根肺血管上的所有血管段的种类设置为肺静脉血管。对第三肺血管分类信息进行后处理也可以是提取第三肺血管分类信息中的多个血管段的信息，判断一根肺血管上与一个血管段相邻的血管段的分类结果，如果与一个血管段相邻的血管段的分类结果都是肺动脉血管，那么将该一个血管段设置为肺动脉血管，如果与一个血管段相邻的血管段的分类结果都是肺静脉血管，那么将该一个血管段设置为肺静脉血管。
由于同一根肺血管只能是肺动脉血管或肺静脉血管，所以通过上述方法对第三肺血管分类信息进行后处理，能够增加每根肺血管的分类结果的一致性，从而进一步提高肺血管分类方法的准确性。
图15所示为本公开另一示例性实施例提供的肺血管分类方法的流程示意图。在本公开图14所示实施例的基础上延伸出本公开图15所示实施例，下面着重叙述图15所示实施例与图14所示实施例的不同之处，相同之处不再赘述。
如图15所示，在本公开实施例提供的肺血管分类方法中，将第二肺血管分类信息分为纵膈区域的分类信息和肺内区域的分类信息包括如下步骤。
步骤1501，基于第二肺血管分类信息确定最大连通域。
示例性地，可以对第二肺血管分类信息对应的待分类肺部图像进行灰度处理，并获取灰度值，然后提取灰度值大于预设灰度值的区域，选取灰度值大于预设灰度值的区域中面积最大的区域作为最大连通域。
步骤1502，以最大连通域为中心进行区域生长，得到纵膈区域的分类信息。
步骤1503，基于第二肺血管分类信息和纵膈区域的分类信息确定肺内区域的分类信息。
示例性地，以最大连通域为中心进行区域生长，得到纵膈区域的分类信息，然后在第二肺血管分类信息中减去纵膈区域的分类信息，即为肺内区域的分类信息。通过以最大连通域为中心进行区域生长，得到纵膈区域的分类信息，方法简单，效率高。
图16所示为本公开另一示例性实施例提供的肺血管分类方法的流程示意图。在本公开图7所示实施例的基础上延伸出本公开图16所示实施例，下面着重叙述图16所示实施例与图7所示实施例的不同之处，相同之处不再赘述。
如图16所示，在本公开实施例提供的肺血管分类方法中，在将抠块信息输入至第一分类模型之前还包括如下步骤。
步骤1601，确定待分类肺部图像样本对应的抠块信息和第一肺血管分类信息。
具体而言，步骤1601中提及的待分类肺部图像样本与上述实施例中的待分类肺部图像对应。
步骤1602，基于待分类肺部图像样本对应的抠块信息和第一肺血管分类信息，训练第一初始网络模型，以得到第一分类模型。
步骤1602中提及的第一分类模型用于基于待分类肺部图像对应的支气管与肺动脉血管的伴行信息确定第一肺血管分类信息。
图17所示为本公开另一示例性实施例提供的肺血管分类方法的流程示意图。在本公开图12所示实施例的基础上延伸出本公开图17所示实施例，下面着重叙述图17所示实施例与图12所示实施例的不同之处，相同之处不再赘述。
如图17所示，在本公开实施例提供的肺血管分类方法中，在将待分类肺部图像输入至第二分类模型之前还包括如下步骤。
步骤1701，确定待分类肺部图像样本以及待分类肺部图像样本对应的第二肺血管分类信息。
具体而言，步骤1701中提及的待分类肺部图像样本与上述实施例中的待分类肺部图像对应。
步骤1702，基于待分类肺部图像样本和待分类肺部图像样本对应的第二肺血管分类信息，训练第二初始网络模型，以得到第二分类模型。
步骤1702中提及的第二分类模型用于基于待分类肺部图像确定第二肺血管分类信息。
图18所示为本公开另一示例性实施例提供的肺血管分类方法的流程示意图。在本公开图12所示实施例的基础上延伸出本公开图18所示实施例，下面着重叙述图18所示实施例与图12所示实施例的不同之处，相同之处不再赘述。
如图18所示，在本公开实施例提供的肺血管分类方法中，在将待分类肺部图像输入至第二分类模型，以确定第二肺血管分类信息之后还包括如下步骤。
步骤1801，确定待分类肺部图像样本对应的第二肺血管分类信息和第一肺血管分类信息。
具体而言，步骤1801中提及的待分类肺部图像样本与上述实施例中的待分类肺部图像对应。
步骤1802，基于待分类肺部图像样本、待分类肺部图像样本对应的抠块信息、第二肺血管分类信息和第一肺血管分类信息，训练第一初始网络模型，以得到第一分类模型。
步骤1802中提及的第一分类模型用于基于待分类肺部图像对应的支气管与肺动脉血管的伴行信息确定第一肺血管分类信息。
通过基于待分类肺部图像样本和待分类肺部图像样本对应的抠块信息、第二肺血管分类信息和第一肺血管分类信息等多种信息，对第一初始网络模型进行训练，得到第一分类模型，提高了第一分类模型的分类准确度。
示例性装置
图19所示为本公开一示例性实施例提供的肺血管分类装置的结构示意图。如图19所示，本公开实施例提供的肺血管分类装置包括：
确定模块191，配置为确定待分类肺部图像对应的支气管分割信息；
第一分类模块192，配置为基于支气管分割信息确定待分类肺部图像对应的第一肺血管分类信息。
图20所示为本公开另一示例性实施例提供的肺血管分类装置的结构示意图。在本公开图19所示实施例的基础上延伸出本公开图20所示实施例，下面着重叙述图20所示实施例与图19所示实施例的不同之处，相同之处不再赘述。
如图20所示，在本公开实施例提供的医学图像的显示装置中，第一分类模块192包括：
线段确定单元1921，配置为基于支气管分割信息确定支气管骨架的线段信息；
抠块单元1922，配置为基于线段信息进行抠块操作，以确定与线段信息对应的抠块信息；
第一分类信息确定单元1923，配置为将抠块信息输入至第一分类模型，以确定与待分类肺部图像对应的第一肺血管分类信息，其中，第一分类模型用于基于待分类肺部图像对应的支气管与肺动脉血管的伴行信息确定第一肺血管分类信息。
图21所示为本公开另一示例性实施例提供的肺血管分类装置的结构示意图。在本公开图20所示实施例的基础上延伸出本公开图21所示实施例，下面着重叙述图21所示实施例与图20所示实施例的不同之处，相同之处不再赘述。
如图21所示，在本公开实施例提供的医学图像的显示装置中，第一分类信息确定单元1923包括：
距离信息确定子单元19231，配置为基于待分类肺部图像对应的肺血管分割信息和支气管分割信息，确定待分类肺部图像对应的肺血管和支气管的距离信息；
第一分类信息确定子单元19232，配置为基于距离信息，确定第一肺血管分类信息。
图22所示为本公开另一示例性实施例提供的肺血管分类装置的结构示意图。在本公开图21所示实施例的基础上延伸出本公开图22所示实施例，下面着重叙述图22所示实施例与图21所示实施例的不同之处，相同之处不再赘述。
如图22所示，在本公开实施例提供的医学图像的显示装置中，第一分类信息确定子单元19232包括：
肺动脉确定子单元192321，配置为将实际距离小于预设距离的肺血管确定为肺动脉血管；
肺静脉确定子单元192322，配置为将实际距离等于或大于预设距离的肺血管确定为肺静脉血管；
生成第一分类信息子单元192323，配置为基于肺动脉血管和肺静脉血管生成第一肺血管分类信息。
图23所示为本公开另一示例性实施例提供的肺血管分类装置的结构示意图。在本公开图20所示实施例的基础上延伸出本公开图23所示实施例，下面着重叙述图23所示实施例与图20所示实施例的不同之处，相同之处不再赘述。
如图23所示，在本公开实施例提供的医学图像的显示装置中，线段确定单元1921包括：
骨架确定子单元19211，配置为利用中线提取算法，基于支气管分割信息确定支气管的骨架信息；
骨架点确定子单元19212，配置为基于骨架信息确定多个骨架点数据；
根节点确定子单元19213，配置为基于多个骨架点数据确定根节点数据，其中，多个骨架点数据包括根节点数据；
线段信息确定子单元19214，配置为基于根节点数据和骨架信息确定线段信息。
图24所示为本公开另一示例性实施例提供的肺血管分类装置的结构示意图。在本公开图19所示实施例的基础上延伸出本公开图24所示实施例，下面着重叙述图24所示实施例与图19所示实施例的不同之处，相同之处不再赘述。
如图24所示，本公开实施例提供的肺血管分类装置还包括：
第二分类模块193，配置为将待分类肺部图像输入至第二分类模型，以确定待分类肺部图像对应的第二肺血管分类信息，其中，第二肺血管分类信息对应的纵膈区域的分类精度优于第一肺血管分类信息对应的纵膈区域的分类精度；
第三分类模块194，配置为基于第一肺血管分类信息和第二肺血管分类信息确定待分类肺部图像对应的第三肺血管分类信息。
图25所示为本公开另一示例性实施例提供的肺血管分类装置的结构示意图。在本公开图20所示实施例的基础上延伸出本公开图25所示实施例，下面着重叙述图25所示实施例与图20所示实施例的不同之处，相同之处不再赘述。
如图25所示，本公开实施例提供的肺血管分类装置还包括：
第一样本确定模块195，配置为确定待分类肺部图像样本对应的抠块信息和第一肺血管分类信息；
第一模型训练模块196，配置为基于待分类肺部图像样本对应的抠块信息和第一肺血管分类信息，训练第一初始网络模型，以得到第一分类模型。
图26所示为本公开另一示例性实施例提供的肺血管分类装置的结构示意图。在本公开图24所示实施例的基础上延伸出本公开图26所示实施例，下面着重叙述图26所示实施例与图24所示实施例的不同之处，相同之处不再赘述。
如图26所示，本公开实施例提供的肺血管分类装置还包括：
第二样本确定模块197，配置为确定待分类肺部图像样本以及待分类肺部图像样本对应的第二肺血管分类信息；
第二模型训练模块198，配置为基于待分类肺部图像样本和待分类肺部图像样本对应的第二肺血管分类信息，训练第二初始网络模型，以得到第二分类模型。
第一样本确定模块195，进一步配置为确定待分类肺部图像样本对应的第二肺血管分类信息和第一肺血管分类信息；
第一模型训练模块196，进一步配置为基于待分类肺部图像样本、待分类肺部图像样本对应的抠块信息、第二肺血管分类信息和第一肺血管分类信息，训练第一初始网络模型，以得到第一分类模型。
图27所示为本公开另一示例性实施例提供的肺血管分类装置的结构示意图。在本公开图24所示实施例的基础上延伸出本公开图27所示实施例，下面着重叙述图27所示实施例与图24所示实施例的不同之处，相同之处不再赘述。
如图27所示，在本公开实施例提供的医学图像的显示装置中，第三分类模块194包括：
分区单元1941，配置为将第二肺血管分类信息分为纵膈区域的分类信息和肺内区域的分类信息；
替换信息提取单元1942，配置为提取第一肺血管分类信息的与肺内区域的位置对应的信息，得到替换信息；
第三分类信息确定单元1943，配置为根据替换信息，替换第二肺血管分类信息中的位于肺内区域的信息，得到第三肺血管分类信息。
图28所示为本公开另一示例性实施例提供的肺血管分类装置的结构示意图。在本公开图27所示实施例的基础上延伸出本公开图28所示实施例，下面着重叙述图28所示实施例与图27所示实施例的不同之处，相同之处不再赘述。
如图28所示，在本公开实施例提供的医学图像的显示装置中，分区单元1941包括：
最大连通域确定子单元19411，配置为基于第二肺血管分类信息确定最大连通域；
纵膈信息确定子单元19412，配置为以最大连通域为中心进行区域生长，得到纵膈区域的分类信息；
肺内信息确定子单元19413，配置为基于第二肺血管分类信息和纵膈区域的分类信息确定肺内区域的分类信息。
图29所示为本公开另一示例性实施例提供的肺血管分类装置的结构示意图。在本公开图24所示实施例的基础上延伸出本公开图29所示实施例，下面着重叙述图29所示实施例与图24所示实施例的不同之处，相同之处不再赘述。
如图29所示，在本公开实施例提供的医学图像的显示装置中，第二分类模块193包括：
切块信息确定单元1931，配置为将待分类肺部图像进行切块操作，得到多个切块信息；
第二分类信息确定单元1932，配置为将多个切块信息输入第二分类模型，以确定与待分类肺部图像对应的第二肺血管分类信息。
图19至图29提供的肺血管分类装置中的确定模块191、第一分类模块192、第二分类模块193、第三分类模块194、第一样本确定模块195、第一模型训练模块196、第二样本确定模块197和第二模型训练模块198，以及第一分类模块192中包括的线段确定单元1921、抠块单元1922和第一分类信息确定单元1923，以及第一分类信息确定单元1923中包括的距离信息确定子单元19231和第一分类信息确定子单元19232，以及第一分类信息确定子单元19232中包括的肺动脉确定子单元192321、肺静脉确定子单元192322和生成第一分类信息子单元192323，以及线段确定单元1921中包括的骨架确定子单元19211、骨架点确定子单元19212、根节点确定子单元19213和线段信息确定子单元19214，以及第三分类模块194中包括的分区单元1941、替换信息提取单元1942和第三分类信息确定单元1943，以及分区单元1941中包括的最大连通域确定子单元19411、纵膈信息确定子单元19412和肺内信息确定子单元19413，以及第二分类模块193中包括的切块信息确定单元1931和第二分类信息确定单元1932的操作和功能可以参考上述图3至图18提供的肺血管分类方法，为了避免重复，在此不再赘述。
示例性电子设备
下面，参考图30来描述根据本公开实施例的电子设备。图30所示为本公开一示例性实施例提供的电子设备的结构示意图。
如图30所示，电子设备300包括一个或多个处理器3001和存储器3002。
处理器3001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300中的其他组件以执行期望的功能。
存储器3002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3001可以运行所述程序指令，以实现上文所述的本公开的各个实施例的肺血管分类方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如包括待分类肺部图像等各种内容。
在一个示例中，电子设备300还可以包括：输入装置3003和输出装置3004，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。
该输入装置3003可以包括例如键盘、鼠标等等。该输出装置3004可以向外部输出各种信息，包括确定出的待显示组织的类型信息信息等。该输出装置3004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30中仅示出了该电子设备300中与本公开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300还可以包括任何其他适当的组件。
示例性计算机可读存储介质
除了上述方法和设备以外，本公开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描述的根据本公开各种实施例的肺血管分类方法中的步骤。
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公开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，本公开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描述的根据本公开各种实施例的肺血管分类方法中的步骤。
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公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开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 (13)

1.一种肺血管分类方法，其特征在于，包括：
确定待分类肺部图像对应的支气管分割信息；以及
基于所述支气管分割信息确定所述待分类肺部图像对应的第一肺血管分类信息；
其中，所述待分类肺部图像包括纵膈区域和肺内区域，在所述基于所述支气管分割信息确定所述待分类肺部图像对应的第一肺血管分类信息之前，还包括：
将所述待分类肺部图像输入至第二分类模型，以确定所述待分类肺部图像对应的第二肺血管分类信息，其中，所述第二肺血管分类信息对应的纵膈区域的分类精度优于所述第一肺血管分类信息对应的所述纵膈区域的分类精度；
并且，在所述基于所述支气管分割信息确定所述待分类肺部图像对应的第一肺血管分类信息之后，还包括：
基于所述第一肺血管分类信息和所述第二肺血管分类信息确定所述待分类肺部图像对应的第三肺血管分类信息。
2.根据权利要求1所述的肺血管分类方法，其特征在于，所述基于所述支气管分割信息确定所述待分类肺部图像对应的第一肺血管分类信息，包括：
基于所述支气管分割信息确定支气管骨架的线段信息；
基于所述线段信息进行抠块操作，以确定与所述线段信息对应的抠块信息；
将所述抠块信息输入至第一分类模型，以确定与所述待分类肺部图像对应的所述第一肺血管分类信息，其中，所述第一分类模型用于基于所述待分类肺部图像对应的支气管与肺动脉血管的伴行信息确定所述第一肺血管分类信息。
3.根据权利要求2所述的肺血管分类方法，其特征在于，所述基于所述待分类肺部图像对应的支气管与肺动脉血管的伴行信息确定所述第一肺血管分类信息，包括：
基于所述待分类肺部图像对应的肺血管分割信息和所述支气管分割信息，确定所述待分类肺部图像中的肺血管和所述支气管的距离信息；
基于所述距离信息，确定所述第一肺血管分类信息。
4.根据权利要求3所述的肺血管分类方法，其特征在于，所述基于所述距离信息，确定所述第一肺血管分类信息，包括：
将实际距离小于预设距离的肺血管确定为所述肺动脉血管；
将实际距离等于或大于所述预设距离的肺血管确定为肺静脉血管；
基于所述肺动脉血管和所述肺静脉血管生成所述第一肺血管分类信息。
5.根据权利要求2所述的肺血管分类方法，其特征在于，所述基于所述支气管分割信息确定支气管骨架的线段信息，包括：
利用中线提取算法，基于所述支气管分割信息确定支气管的骨架信息；
基于所述骨架信息确定多个骨架点数据；
基于所述多个骨架点数据确定根节点数据，其中，所述多个骨架点数据包括所述根节点数据；
基于所述根节点数据和所述骨架信息确定所述线段信息。
6.根据权利要求1所述的肺血管分类方法，其特征在于，所述基于所述第二肺血管分类信息和所述第一肺血管分类信息确定第三肺血管分类信息，包括：
将所述第二肺血管分类信息分为纵膈区域的分类信息和肺内区域的分类信息；
提取所述第一肺血管分类信息中与所述肺内区域对应的分类信息，得到替换信息；
根据所述替换信息，替换所述第二肺血管分类信息中的所述肺内区域的分类信息，得到所述第三肺血管分类信息。
7.根据权利要求6所述的肺血管分类方法，其特征在于，所述将所述第二肺血管分类信息分为纵膈区域的分类信息和肺内区域的分类信息，包括：
基于所述第二肺血管分类信息确定最大连通域；
以所述最大连通域为中心进行区域生长，得到纵膈区域的分类信息；
基于所述第二肺血管分类信息和所述纵膈区域的分类信息确定所述肺内区域的分类信息。
8.根据权利要求1所述的肺血管分类方法，其特征在于，所述将所述待分类肺部图像输入至第二分类模型，以确定第二肺血管分类信息，包括：
将所述待分类肺部图像进行切块操作，得到多个切块信息；
将所述多个切块信息输入所述第二分类模型，以确定与所述待分类肺部图像对应的所述第二肺血管分类信息。
9.根据权利要求1所述的肺血管分类方法，其特征在于，在所述将所述待分类肺部图像输入至第二分类模型之前，还包括：
确定待分类肺部图像样本以及所述待分类肺部图像样本对应的第二肺血管分类信息；
基于所述待分类肺部图像样本和所述待分类肺部图像样本对应的第二肺血管分类信息，训练第二初始网络模型，以得到所述第二分类模型。
10.根据权利要求2至5任一项所述的肺血管分类方法，其特征在于，在所述将所述抠块信息输入至第一分类模型之前，还包括：
确定待分类肺部图像样本对应的抠块信息和第一肺血管分类信息；
基于所述待分类肺部图像样本对应的抠块信息和第一肺血管分类信息，训练第一初始网络模型，以得到所述第一分类模型。
11.一种肺血管分类装置，其特征在于，包括：
确定模块，配置为确定待分类肺部图像对应的支气管分割信息；
第一分类模块，配置为基于所述支气管分割信息确定所述待分类肺部图像对应的第一肺血管分类信息；
其中，所述待分类肺部图像包括纵膈区域和肺内区域，所述肺血管分类装置还包括：
第二分类模块，配置为将所述待分类肺部图像输入至第二分类模型，以确定所述待分类肺部图像对应的第二肺血管分类信息，其中，所述第二肺血管分类信息对应的纵膈区域的分类精度优于所述第一肺血管分类信息对应的纵膈区域的分类精度；
其中，所述肺血管分类装置还包括：
第三分类模块，配置为基于所述第一肺血管分类信息和所述第二肺血管分类信息确定所述待分类肺部图像对应的第三肺血管分类信息。
12.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于执行上述权利要求1至10任一项所述的肺血管分类方法。
13.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1至10任一项所述的肺血管分类方法。
CN202110149848.0A 2021-02-03 2021-02-03 肺血管分类方法及装置、存储介质及电子设备 Active CN112861961B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110149848.0A CN112861961B (zh) 2021-02-03 2021-02-03 肺血管分类方法及装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110149848.0A CN112861961B (zh) 2021-02-03 2021-02-03 肺血管分类方法及装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN112861961A CN112861961A (zh) 2021-05-28
CN112861961B true CN112861961B (zh) 2021-11-12

Family

ID=75987716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110149848.0A Active CN112861961B (zh) 2021-02-03 2021-02-03 肺血管分类方法及装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN112861961B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344897B (zh) * 2021-06-24 2022-01-11 推想医疗科技股份有限公司 肺部图像的管径测量方法及装置、图像处理方法及装置
CN113506250B (zh) * 2021-06-25 2024-05-28 沈阳东软智能医疗科技研究院有限公司 肺主动脉血管提取方法、装置、可读存储介质和电子设备
CN114445391B (zh) * 2022-01-30 2022-10-28 推想医疗科技股份有限公司 血管分段方法及其装置、电子设备和计算机可读存储介质
CN114972859A (zh) * 2022-05-19 2022-08-30 推想医疗科技股份有限公司 像元的分类方法、模型训练方法、装置、设备和介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102007515A (zh) * 2008-04-18 2011-04-06 皇家飞利浦电子股份有限公司 对肺动脉的分割
CN104573716A (zh) * 2014-12-31 2015-04-29 浙江大学 基于广度搜索算法的眼底图像的动静脉视网膜血管分类方法
CN110738652A (zh) * 2019-10-17 2020-01-31 青岛海信医疗设备股份有限公司 一种肺部动静脉分离方法及装置
CN112070790A (zh) * 2020-09-11 2020-12-11 杭州微引科技有限公司 一种基于深度学习和图像处理的混合肺部分割系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102007515A (zh) * 2008-04-18 2011-04-06 皇家飞利浦电子股份有限公司 对肺动脉的分割
CN104573716A (zh) * 2014-12-31 2015-04-29 浙江大学 基于广度搜索算法的眼底图像的动静脉视网膜血管分类方法
CN110738652A (zh) * 2019-10-17 2020-01-31 青岛海信医疗设备股份有限公司 一种肺部动静脉分离方法及装置
CN112070790A (zh) * 2020-09-11 2020-12-11 杭州微引科技有限公司 一种基于深度学习和图像处理的混合肺部分割系统

Also Published As

Publication number Publication date
CN112861961A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN112861961B (zh) 肺血管分类方法及装置、存储介质及电子设备
US8837789B2 (en) Systems, methods, apparatuses, and computer program products for computer aided lung nodule detection in chest tomosynthesis images
EP2365471B1 (en) Diagnosis assisting apparatus, coronary artery analyzing method and recording medium having a coronary artery analzying program stored therein
US20080107318A1 (en) Object Centric Data Reformation With Application To Rib Visualization
US7711160B2 (en) Automatic optimal view determination for cardiac acquisitions
CN111340756B (zh) 一种医学图像病变检出合并方法、系统、终端及存储介质
JP6824845B2 (ja) 画像処理システム、装置、方法およびプログラム
KR102537214B1 (ko) 자기 공명 이미지들에서 정중시상 평면을 결정하기 위한 방법 및 장치
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
US20110115785A1 (en) Image processing apparatus, method, and program
CN112200780B (zh) 骨组织定位方法、装置、计算机设备和存储介质
WO2021081771A1 (zh) 基于vrds ai医学影像的心脏冠脉的分析方法和相关装置
CN109410170B (zh) 图像数据处理方法、装置及设备
CN115861347A (zh) 病灶区域的提取方法、装置、电子设备及可读存储介质
JP2019162314A (ja) 情報処理装置、情報処理方法、及びプログラム
AU2019431568B2 (en) Method and product for processing of vrds 4d medical images
CN114037830A (zh) 增强图像生成模型的训练方法、图像处理方法及装置
WO2021081839A1 (zh) 基于vrds 4d的病情分析方法及相关产品
EP3929934A1 (en) Vrds 4d medical image-based tumor and blood vessel ai processing method and product
CN112365959A (zh) 修改三维图像的标注的方法及装置
CN114402395A (zh) 基于vrds 4d医学影像的脊椎疾病识别方法及相关装置
JP2022133479A (ja) 予後推定装置及び予後推定方法
CN112862955B (zh) 建立三维模型的方法、装置、设备、存储介质和程序产品
US20220344047A1 (en) Medical image processing apparatus and medical image processing method
WO2021081836A1 (zh) 基于vrds 4d医学影像的胃肿瘤识别方法及相关产品

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