CN112862835A - 冠脉血管分割方法、装置、设备及计算机可读存储介质 - Google Patents
冠脉血管分割方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112862835A CN112862835A CN202110068687.2A CN202110068687A CN112862835A CN 112862835 A CN112862835 A CN 112862835A CN 202110068687 A CN202110068687 A CN 202110068687A CN 112862835 A CN112862835 A CN 112862835A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- coronary
- global
- local
- 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.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 273
- 210000004351 coronary vessel Anatomy 0.000 title claims abstract description 221
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000015654 memory Effects 0.000 claims description 12
- 238000002583 angiography Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 210000004204 blood vessel Anatomy 0.000 description 27
- 210000003462 vein Anatomy 0.000 description 8
- 210000001367 artery Anatomy 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000003672 processing method Methods 0.000 description 6
- 238000010968 computed tomography angiography Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 5
- 238000000638 solvent extraction Methods 0.000 description 4
- 230000000747 cardiac effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 210000004165 myocardium Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 210000000709 aorta Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
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
- 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
- G06T7/0002—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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供了一种冠脉血管分割方法,包括:对待处理的血管造影图像进行区域分割,得到冠脉血管区域图像;对冠脉血管区域图像进行冠脉血管的全局分割,得到全局分割结果;对于冠脉血管区域图像与全局分割结果中的不同图像位置对应的每一组合图块,基于该组合图块进行冠脉血管的局部分割,得到该组合图块对应的局部分割结果,其中,该组合图块包括冠脉血管区域图像与全局分割结果中的相同图像位置处的两个大小相同的三维图块;将每一组合图块对应的局部分割结果进行合并,得到冠脉血管的目标分割结果。可见,本申请利用图像的全局信息和局部细节信息级联的方式得到冠脉血管分割结果,提升了冠脉血管分割结果的准确性。
Description
技术领域
本申请涉及医学技术领域,特别涉及一种冠脉血管分割方法、装置、设备及计算机可读存储介质。
背景技术
目前,血管造影技术已经被广泛应用于临床的诊断和治疗中,血管分割算法可实现自动化的血管重建(比如头颈部血管、冠脉等),这在减轻技师工作压力的同时,大幅度提高了医院的运行效率。在实际场景中,一些外部因素(比如伪影、噪声、拍摄技术等)会影响血管成像的质量,从局部范围内难以区分动脉血管和静脉血管。
在现有技术中,其中一种血管分割方法是采用级联分割方法,先分割主冠脉和主要分支血管、再分割细小血管,最后将两次分割的结果融合;另一种血管分割方法是利用多分类网络对冠脉体数据进行分割,得到心肌、主动脉、粗糙冠脉区域等,再根据心肌区域确定缓冲血管预测区域,然后利用粗糙冠脉区域的端点处在所确定的缓冲血管预测区域内进行血管预测,最后将血管预测结果并入粗糙冠脉区域。
但是,采用现有的血管分割方法对冠脉血管进行分割时,是基于单层slice视图或者基于局部的小图像块进行分割,难以覆盖全血管的完整走势,很难学习血管的全局结构信息,从而难以区分动脉血管和静脉血管,进而导致冠脉血管(即冠状动脉血管)的分割结果不够准确。
发明内容
本申请提供了一种冠脉血管分割方法、装置、设备及计算机可读存储介质,能够提高冠脉血管分割结果的准确性。
第一方面,本申请提供了一种冠脉血管分割方法,包括:
对待处理的血管造影图像进行区域分割,得到冠脉血管区域图像;
对所述冠脉血管区域图像进行冠脉血管的全局分割,得到全局分割结果;
对于所述冠脉血管区域图像与所述全局分割结果中的不同图像位置对应的每一组合图块,基于该组合图块进行冠脉血管的局部分割,得到该组合图块对应的局部分割结果,其中,该组合图块包括所述冠脉血管区域图像与所述全局分割结果中的相同图像位置处的两个大小相同的三维图块;
将每一组合图块对应的局部分割结果进行合并,得到冠脉血管的目标分割结果。
可选的,所述对待处理的血管造影图像进行区域分割,得到冠脉血管区域图像,包括:
对待处理的血管造影图像进行心脏分割,得到分割出的心脏图像;
以所述心脏图像为基准,对所述血管造影图像进行区域剪裁,得到包含所述心脏图像的冠脉血管区域图像。
可选的,所述对所述冠脉血管区域图像进行冠脉血管的全局分割,得到全局分割结果,包括:
按照预设处理方式,对所述冠脉血管区域图像进行图像处理,得到处理后图像;
在所述处理后图像的基础上进行冠脉血管的全局分割,得到分割后图像;
按照所述预设处理方式的反处理方式,对所述分割后图像进行图像处理,作为所述全局分割结果。
可选的,所述按照预设处理方式,对所述冠脉血管区域图像进行图像处理,包括:
将所述冠脉血管区域图像进行缩放处理;
或者,将所述冠脉血管区域图像的各个图像维度上的像素间距进行处理。
可选的,所述在所述处理后图像的基础上进行冠脉血管的全局分割,包括:
利用预先训练的全局分割网络模型,在所述处理后图像的基础上进行冠脉血管的全局分割。
可选的,所述全局分割网络模型学习了冠脉血管树的特征。
可选的,所述基于该组合图块进行冠脉血管的局部分割,包括:
利用预先训练的局部分割网络模型,基于该组合图块进行冠脉血管的局部分割。
第二方面,本申请提供了一种冠脉血管分割装置,包括:
区域分割单元,用于对待处理的血管造影图像进行区域分割,得到冠脉血管区域图像;
全局分割单元,用于对所述冠脉血管区域图像进行冠脉血管的全局分割,得到全局分割结果;
局部分割单元,用于对于所述冠脉血管区域图像与所述全局分割结果中的不同图像位置对应的每一组合图块,基于该组合图块进行冠脉血管的局部分割,得到该组合图块对应的局部分割结果,其中,该组合图块包括所述冠脉血管区域图像与所述全局分割结果中的相同图像位置处的两个大小相同的三维图块;
结果合并单元,用于将每一组合图块对应的局部分割结果进行合并,得到冠脉血管的目标分割结果。
可选的,区域分割单元,具体用于:
对待处理的血管造影图像进行心脏分割,得到分割出的心脏图像;
以所述心脏图像为基准,对所述血管造影图像进行区域剪裁,得到包含所述心脏图像的冠脉血管区域图像。
可选的,全局分割单元,包括:
第一处理子单元,用于按照预设处理方式,对所述冠脉血管区域图像进行图像处理,得到处理后图像;
全局分割子单元,用于在所述处理后图像的基础上进行冠脉血管的全局分割,得到分割后图像;
第二处理子单元,用于按照所述预设处理方式的反处理方式,对所述分割后图像进行图像处理,作为所述全局分割结果。
可选的,第一处理子单元,具体用于:
将所述冠脉血管区域图像进行缩放处理;
或者,将所述冠脉血管区域图像的各个图像维度上的像素间距进行处理。
可选的,全局分割子单元,具体用于:
利用预先训练的全局分割网络模型,在所述处理后图像的基础上进行冠脉血管的全局分割。
可选的,所述全局分割网络模型学习了冠脉血管树的特征。
可选的,局部分割单元330,具体用于:
利用预先训练的局部分割网络模型,基于该组合图块进行冠脉血管的局部分割。
第三方面,本申请提供了一种电子设备,包括:处理器、存储器;
所述存储器,用于存储计算机程序;
所述处理器,用于通过调用所述计算机程序,执行上述冠脉血管分割方法。
第四方面,本申请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上述冠脉血管分割方法。
在以上本申请提供的技术方案中,对待处理的血管造影图像进行区域分割,得到冠脉血管区域图像;对冠脉血管区域图像进行冠脉血管的全局分割,得到全局分割结果;对于冠脉血管区域图像与全局分割结果中的不同图像位置对应的每一组合图块,基于该组合图块进行冠脉血管的局部分割,得到该组合图块对应的局部分割结果,其中,该组合图块包括冠脉血管区域图像与全局分割结果中的相同图像位置处的两个大小相同的三维图块;将每一组合图块对应的局部分割结果进行合并,得到冠脉血管的目标分割结果。可见,本申请利用图像的全局信息和局部细节信息级联的方式得到冠脉血管分割结果,即,基于冠脉血管的全局分割结果以及原始的冠脉血管区域图像实现冠脉血管分割,提升了冠脉血管分割结果的准确性。
附图说明
图1为本申请示出的一种冠脉血管分割方法的流程示意图;
图2为本申请示出的冠脉血管分割框图;
图3为本申请示出的一种冠脉血管分割装置组成示意图;
图4为本申请示出的一种电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
需要说明的是,由于从局部图像范围内难以区分动脉血管和静脉血管,因此,需要结合全局视野信息来弥补局部视野的缺陷,从而提高冠脉血管的分割精度。
故而,本申请实施例提供了一种冠脉血管分割方法,该方法利用图像的全局信息和局部细节信息级联的方式得到冠脉血管分割结果。其中,关于全局分割,由于其视野大,更易于获取血管的完整走势,利于区分动脉血管和静脉血管(动静脉血管的起始位置不一样);关于局部分割,更聚焦血管局部细节,利于提升血管轮廓的精确度。因此,将全局分割和局部分割进行级联,不仅可以在冠脉血管分割结果中剔除静脉血管,同时可以使冠脉血管分割结果更贴合图像边界,提升了冠脉血管分割结果的准确度。
下面对本申请实施例提供的冠脉血管分割方法进行具体介绍。
参见图1,为本申请实施例提供的一种冠脉血管分割方法的流程示意图,下面结合图2所示的冠脉血管分割框图对该方法的各个步骤进行介绍。该方法包括以下步骤S101-S104:
S101:对待处理的血管造影图像进行区域分割,得到冠脉血管区域图像。
在本申请实施例中,S101中的血管造影图像可以是冠脉CTA图像,其中,CTA是CT血管造影(CT angiography)的简称。当获取到待处理的血管造影图像后,需要对该血管造影图像进行区域分割,以从该血管造影图像中分割出包含全部冠脉血管的可能区域,为便于描述,将分割出的区域图像定义为冠脉血管区域图像。
在本申请实施例的一种实现方式中,S101中的“对待处理的血管造影图像进行区域分割,得到冠脉血管区域图像”,具体可以包括以下步骤A1-A2:
步骤A1:对待处理的血管造影图像进行心脏分割,得到分割出的心脏图像。
该步骤A1对应图2中的“输入CTA图像”和“心脏分割”部分。
在该步骤A1中,对于待处理的血管造影图像,可以识别出该血管造影图像中的心脏mask(掩膜),并将该心脏mask从该血管造影图像中分割出来,这里,将分割出的心脏mask定义为心脏图像。
本申请实施例不对采用的心脏分割方法进行限定,比如,可以采用卷积神经网络(Convolutional Neural Networks,简称CNN)分割心脏图像。
步骤A2:以心脏图像为基准,对血管造影图像进行区域剪裁,得到包含心脏图像的冠脉血管区域图像。
该步骤A2对应图2中的“根据心脏分割结果裁剪原始图像,得到A”部分。
在该步骤A2中,可以根据心脏的大小,对原始的血管造影图像进行剪裁,得到用于冠脉血管分割的子图像A,该子图像A即为步骤A2中的冠脉血管区域图像。具体实现时,可以先以血管造影图像中的心脏mask为基准,向四周膨胀一定范围(该范围可根据经验预先设定),得到冠脉血管潜在的分割区域V;然后,利用分割区域V对血管造影图像进行剪裁,从而得到子图像A,即得到冠脉血管区域图像。
S102:对冠脉血管区域图像进行冠脉血管的全局分割,得到全局分割结果。
在本申请实施例中,采用全局分割,更易于获知血管的完整走势,而且,由于动静脉血管的起始位置不一样,利于区分动脉血管和静脉血管,因此,可以先采用全局分割方式,对冠脉血管区域图像进行冠脉血管分割,从而得到全局分割结果。
在本申请实施例的一种实现方式中,S101中的“对冠脉血管区域图像进行冠脉血管的全局分割,得到全局分割结果”,具体可以包括以下步骤B1-B3:
步骤B1:按照预设处理方式,对冠脉血管区域图像进行图像处理,得到处理后图像。
为便于进行全局分割,可以预先对冠脉血管区域图像进行图像处理,使其满足全局分割的图像要求。具体实现时,可以将冠脉血管区域图像(即上述的子图像A)进行归一化处理,得到处理后图像A1,本申请实施例可以采用以下两种归一化处理方式之一作为预处理方式,对冠脉血管区域图像进行图像处理。
在第一种归一化处理方式中,可以将冠脉血管区域图像进行缩放处理,从而得到处理后图像。具体来讲,将冠脉血管区域图像缩放成一个固定大小的图像,比如256*256*256规格的图像。
在第二种归一化处理方式中,可以将冠脉血管区域图像的各个图像维度上的像素间距进行处理,从而得到处理后图像。具体来讲,将冠脉血管区域图像的像素间距spacing进行归一化,使得冠脉血管区域图像的x、y、z三个轴上的像素间距spacing的值相同,比如像素间距spacing为0.5mm。
该步骤B1对应图2中的“归一化三维图像”部分。
步骤B2:在处理后图像的基础上进行冠脉血管的全局分割,得到分割后图像。
当通过步骤B1得到处理后图像后,在该处理后图像的基础上进行冠脉血管的全局分割,这里,将全局分割后的图像定义为分割后图像。
该步骤B2对应图2中的“全局图像分割”部分。
在一种实现方式中,步骤B2可以利用预先训练的全局分割网络模型,在该处理后图像的基础上进行冠脉血管的全局分割。具体来讲,可以预先训练一个全局分割网络模型,该模型可以使用其全局分割网络对输入的图像进行冠脉血管分割,基于此,可以将处理后图像(即经归一化处理后的图像A1)作为全局分割的输入,以便输出冠脉血管的全局分割结果B1。
其中,全局分割网络模型学习了冠脉血管树的特征。也就是说,在训练全局分割网络模型时,该模型会对大量具体冠脉血管的图像数据集进行特征学习,以学习冠脉血管树的特征,具体的,训练全局分割网络时,可以引入拓扑结构学习机制,具体可以加一些优化拓扑结构的损失,如添加一个分类器用于判断分割结果是否是一个完整的冠脉血管树。
需要说明的是,利用全局图像分割网络学习冠脉血管树的结构信息,可以得到较为完整的血管树,同时可剔除静脉等无关组织的影响。
步骤B3:按照预设处理方式的反处理方式,对分割后图像进行图像处理,作为全局分割结果。
当通过步骤B2得到分割后图像(即经全局分割后的图像B1)后,可以将该图像B1进行插值,使其与S101中的冠脉血管区域图像(即上述的子图像A)的尺寸大小一致,这里,将经插值后得到的图像B,作为最终的全局分割结果。
其中,当步骤B1采用上述第一种归一化处理方式作为预设处理方式时,本步骤B3可以采用该方式的反处理方式,对图像B1进行插值处理;同理,当步骤B1采用上述第二种归一化处理方式作为预设处理方式时,本步骤B3可以采用该方式的反处理方式,对图像B1进行插值处理。
该步骤B3对应图2中的“将分割结果插值回A尺寸大小,得到B”部分。
S103:对于冠脉血管区域图像与全局分割结果中的不同图像位置对应的每一组合图块,基于该组合图块进行冠脉血管的局部分割,得到该组合图块对应的局部分割结果,其中,该组合图块包括冠脉血管区域图像与全局分割结果中的相同图像位置处的两个大小相同的三维图块。
该步骤S103对应图2中的“局部图像分割”部分。
在本申请实施例中,当通过步骤S101得到冠脉血管区域图像(即上述的图像A)、以及通过步骤S101得到全局分割结果(即上述的图像B)后,由于全局分割结果B是基于冠脉血管区域图像A的冠脉血管全局分割图像、且冠脉血管区域图像A和全局分割结果B的图像尺寸相同,因此,可以将冠脉血管区域图像A和全局分割结果B按照相同方式,划分成N(N≥2)个图像位置,也即N个不同的图像子空间,这样,对于每一不同的图像位置,可以在该图像位置上,从冠脉血管区域图像A中提取一个三维图块、且在全局分割结果B中也提取一个三维图块,这两个三维图块在冠脉血管区域图像A和全局分割结果B中的位置相同、且大小相同,这里,将这两个三维图块定义为一个组合图块。
对于冠脉血管区域图像A与全局分割结果B中的每一组合图块,该组合图块包括冠脉血管区域图像A中的三维图块a和全局分割结果B中的三维图块b、且这两个三维图块在冠脉血管区域图像A和全局分割结果B中的位置相同(比如图像左上角的相同规格的两个图像块),可以基于该组合图块进行冠脉血管的局部分割,得到该组合图块对应的局部分割结果。
那么,当具有N(N≥2)个组合图块时,则对应生成N个局部分割结果。
在本申请实施例的一种实现方式中,S103中的“基于该组合图块进行冠脉血管的局部分割”,具体可以包括:利用预先训练的局部分割网络模型,基于该组合图块进行冠脉血管的局部分割。
在本实现方式,可以预先训练一个局部分割网络模型,该模型可以使用其局部分割网络对输入的图像进行冠脉血管分割。具体来讲,假设冠脉血管区域图像A和全局分割结果B的三维尺寸为(H,W,D),局部分割网络模型每次处理的三维块大小为(h,w,d),那么,每一次进行局部分割时,可以从冠脉血管区域图像A中裁剪出h*w*d大小的块a、以及从全局分割结果B中裁剪出h*w*d大小的块b,且这两个块在冠脉血管区域图像A和全局分割结果B中的位置是相同的,此时,将块a和块b作为局部分割网络模型的输入,由局部分割网络模型对块a和块b进行冠脉血管的特征提取,以便基于这两个块对相同图像区域进行冠脉血管分割。其中,为了能够对冠脉血管区域图像A和全局分割结果B的每一组合图块(比如块a和块b)进行局部分割,可以以大小为(h,w,d)的滑动窗,去冠脉血管区域图像A和全局分割结果B里依次取三维的块a和块b进行局部分割。
需要说明的是,在局部图像分割网络里,同时用到了全局信息(即全局图像分割网络输出的分割结果)以及局部细节信息(即S101中原始的冠脉血管区域图像的CT值),能够更好地学习出冠脉血管的特征,从而能够得到更为准确的冠脉血管分割结果。
还需要说明的是,全局分割网络和局部分割网络的联合方式可以有多种,除了将全局分割结果和原始的冠脉血管区域图像共同作为局部分割网络的输入,也可以将全局分割网络学习到的体素特征和局部分割网络学习的体素特征进行融合,当作每个体素的特征,用来训练分类器,以便利用该分类器判别图像中的冠脉血管。
S104:将每一组合图块对应的局部分割结果进行合并,得到冠脉血管的目标分割结果。
该步骤S104对应图2中的“输出冠脉分割结果”部分。
在本申请实施例中,当通过步骤S103得到冠脉血管区域图像A与全局分割结果B中的各个组合图块各自对应的局部分割结果后,将这些局部分割结果按照相应的位置进行合并,从而得到整个冠脉血管区域图像A的冠脉血管分割结果,即冠脉血管的目标分割结果。
在以上本申请实施例提供的冠脉血管分割方法中,对待处理的血管造影图像进行区域分割,得到冠脉血管区域图像;对冠脉血管区域图像进行冠脉血管的全局分割,得到全局分割结果;对于冠脉血管区域图像与全局分割结果中的不同图像位置对应的每一组合图块,基于该组合图块进行冠脉血管的局部分割,得到该组合图块对应的局部分割结果,其中,该组合图块包括冠脉血管区域图像与全局分割结果中的相同图像位置处的两个大小相同的三维图块;将每一组合图块对应的局部分割结果进行合并,得到冠脉血管的目标分割结果。可见,本申请利用图像的全局信息和局部细节信息级联的方式得到冠脉血管分割结果,即,基于冠脉血管的全局分割结果以及原始的冠脉血管区域图像实现冠脉血管分割,提升了冠脉血管分割结果的准确性。
参见图3,为本申请提供的一种冠脉血管分割装置组成示意图,该装置包括:
区域分割单元310,用于对待处理的血管造影图像进行区域分割,得到冠脉血管区域图像;
全局分割单元320,用于对所述冠脉血管区域图像进行冠脉血管的全局分割,得到全局分割结果;
局部分割单元330,用于对于所述冠脉血管区域图像与所述全局分割结果中的不同图像位置对应的每一组合图块,基于该组合图块进行冠脉血管的局部分割,得到该组合图块对应的局部分割结果,其中,该组合图块包括所述冠脉血管区域图像与所述全局分割结果中的相同图像位置处的两个大小相同的三维图块;
结果合并单元340,用于将每一组合图块对应的局部分割结果进行合并,得到冠脉血管的目标分割结果。
在本申请实施例的一种实现方式中,区域分割单元310,具体用于:
对待处理的血管造影图像进行心脏分割,得到分割出的心脏图像;
以所述心脏图像为基准,对所述血管造影图像进行区域剪裁,得到包含所述心脏图像的冠脉血管区域图像。
在本申请实施例的一种实现方式中,全局分割单元320,包括:
第一处理子单元,用于按照预设处理方式,对所述冠脉血管区域图像进行图像处理,得到处理后图像;
全局分割子单元,用于在所述处理后图像的基础上进行冠脉血管的全局分割,得到分割后图像;
第二处理子单元,用于按照所述预设处理方式的反处理方式,对所述分割后图像进行图像处理,作为所述全局分割结果。
在本申请实施例的一种实现方式中,第一处理子单元,具体用于:
将所述冠脉血管区域图像进行缩放处理;
或者,将所述冠脉血管区域图像的各个图像维度上的像素间距进行处理。
在本申请实施例的一种实现方式中,全局分割子单元,具体用于:
利用预先训练的全局分割网络模型,在所述处理后图像的基础上进行冠脉血管的全局分割。
在本申请实施例的一种实现方式中,所述全局分割网络模型学习了冠脉血管树的特征。
在本申请实施例的一种实现方式中,局部分割单元330,具体用于:
利用预先训练的局部分割网络模型,基于该组合图块进行冠脉血管的局部分割。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本申请实施例还提供了一种电子设备,该电子设备的结构示意图如图4所示,该电子设备4000包括至少一个处理器4001、存储器4002和总线4003,至少一个处理器4001均与存储器4002电连接;存储器4002被配置用于存储有至少一个计算机可执行指令,处理器4001被配置用于执行该至少一个计算机可执行指令,从而执行如本申请中任意一个实施例或任意一种可选实施方式提供的任意一种冠脉血管分割方法的步骤。
进一步,处理器4001可以是FPGA(Field-Programmable Gate Array,现场可编程门阵列)或者其它具有逻辑处理能力的器件,如MCU(Microcontroller Unit,微控制单元)、CPU(Central Process Unit,中央处理器)。
应用本申请实施例,利用图像的全局信息和局部细节信息级联的方式得到冠脉血管分割结果,即,基于冠脉血管的全局分割结果以及原始的冠脉血管区域图像实现冠脉血管分割,提升了冠脉血管分割结果的准确性。
本申请实施例还提供了另一种计算机可读存储介质,存储有计算机程序,该计算机程序用于被处理器执行时实现本申请中任意一个实施例或任意一种可选实施方式提供的任意一种冠脉血管分割方法的步骤。
本申请实施例提供的计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory,只读存储器)、RAM(RandomAccess Memory,随即存储器)、EPROM(Erasable Programmable Read-Only Memory,可擦写可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read-Only Memory,电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是,可读存储介质包括由设备(例如,计算机)以能够读的形式存储或传输信息的任何介质。
应用本申请实施例,利用图像的全局信息和局部细节信息级联的方式得到冠脉血管分割结果,即,基于冠脉血管的全局分割结果以及原始的冠脉血管区域图像实现冠脉血管分割,提升了冠脉血管分割结果的准确性。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (10)
1.一种冠脉血管分割方法,其特征在于,包括:
对待处理的血管造影图像进行区域分割,得到冠脉血管区域图像;
对所述冠脉血管区域图像进行冠脉血管的全局分割,得到全局分割结果;
对于所述冠脉血管区域图像与所述全局分割结果中的不同图像位置对应的每一组合图块,基于该组合图块进行冠脉血管的局部分割,得到该组合图块对应的局部分割结果,其中,该组合图块包括所述冠脉血管区域图像与所述全局分割结果中的相同图像位置处的两个大小相同的三维图块;
将每一组合图块对应的局部分割结果进行合并,得到冠脉血管的目标分割结果。
2.根据权利要求1所述的方法,其特征在于,所述对待处理的血管造影图像进行区域分割,得到冠脉血管区域图像,包括:
对待处理的血管造影图像进行心脏分割,得到分割出的心脏图像;
以所述心脏图像为基准,对所述血管造影图像进行区域剪裁,得到包含所述心脏图像的冠脉血管区域图像。
3.根据权利要求1所述的方法,其特征在于,所述对所述冠脉血管区域图像进行冠脉血管的全局分割,得到全局分割结果,包括:
按照预设处理方式,对所述冠脉血管区域图像进行图像处理,得到处理后图像;
在所述处理后图像的基础上进行冠脉血管的全局分割,得到分割后图像;
按照所述预设处理方式的反处理方式,对所述分割后图像进行图像处理,作为所述全局分割结果。
4.根据权利要求3所述的方法,其特征在于,所述按照预设处理方式,对所述冠脉血管区域图像进行图像处理,包括:
将所述冠脉血管区域图像进行缩放处理;
或者,将所述冠脉血管区域图像的各个图像维度上的像素间距进行处理。
5.根据权利要求3所述的方法,其特征在于,所述在所述处理后图像的基础上进行冠脉血管的全局分割,包括:
利用预先训练的全局分割网络模型,在所述处理后图像的基础上进行冠脉血管的全局分割。
6.根据权利要求5所述的方法,其特征在于,所述全局分割网络模型学习了冠脉血管树的特征。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述基于该组合图块进行冠脉血管的局部分割,包括:
利用预先训练的局部分割网络模型,基于该组合图块进行冠脉血管的局部分割。
8.一种冠脉血管分割装置,其特征在于,包括:
区域分割单元,用于对待处理的血管造影图像进行区域分割,得到冠脉血管区域图像;
全局分割单元,用于对所述冠脉血管区域图像进行冠脉血管的全局分割,得到全局分割结果;
局部分割单元,用于对于所述冠脉血管区域图像与所述全局分割结果中的不同图像位置对应的每一组合图块,基于该组合图块进行冠脉血管的局部分割,得到该组合图块对应的局部分割结果,其中,该组合图块包括所述冠脉血管区域图像与所述全局分割结果中的相同图像位置处的两个大小相同的三维图块;
结果合并单元,用于将每一组合图块对应的局部分割结果进行合并,得到冠脉血管的目标分割结果。
9.一种电子设备,其特征在于,包括:处理器、存储器;
所述存储器,用于存储计算机程序;
所述处理器,用于通过调用所述计算机程序,执行如权利要求1-6中任一项所述的冠脉血管分割方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-6任一项所述的冠脉血管分割方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110068687.2A CN112862835A (zh) | 2021-01-19 | 2021-01-19 | 冠脉血管分割方法、装置、设备及计算机可读存储介质 |
PCT/CN2022/070629 WO2022148415A1 (zh) | 2021-01-08 | 2022-01-07 | 冠脉血管分割方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110068687.2A CN112862835A (zh) | 2021-01-19 | 2021-01-19 | 冠脉血管分割方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112862835A true CN112862835A (zh) | 2021-05-28 |
Family
ID=76007248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110068687.2A Pending CN112862835A (zh) | 2021-01-08 | 2021-01-19 | 冠脉血管分割方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862835A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763403A (zh) * | 2021-09-07 | 2021-12-07 | 北京深睿博联科技有限责任公司 | 一种冠状动脉血管分割方法及装置 |
CN115100222A (zh) * | 2022-08-24 | 2022-09-23 | 首都医科大学附属北京朝阳医院 | 分离动静脉血管的图像处理方法、装置、存储介质及终端 |
CN115359046A (zh) * | 2022-10-19 | 2022-11-18 | 海杰亚(北京)医疗器械有限公司 | 一种脏器血管分割方法、装置、存储介质及电子设备 |
CN117726633A (zh) * | 2024-02-07 | 2024-03-19 | 安徽大学 | 基于特征融合的双分支冠状动脉图像的分割方法、系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020101265A1 (ko) * | 2018-11-14 | 2020-05-22 | 울산대학교 산학협력단 | 심근 이미지 분석 방법 및 장치 |
CN111325729A (zh) * | 2020-02-19 | 2020-06-23 | 青岛海信医疗设备股份有限公司 | 基于生物医学影像的生物组织的分割方法和通信终端 |
CN111369542A (zh) * | 2020-03-06 | 2020-07-03 | 上海联影智能医疗科技有限公司 | 血管标记方法、图像处理系统和存储介质 |
US20200349712A1 (en) * | 2019-04-06 | 2020-11-05 | Kardiolytics Inc. | Method and system for machine learning based segmentation of contrast filled coronary artery vessels on medical images |
CN112037186A (zh) * | 2020-08-24 | 2020-12-04 | 杭州深睿博联科技有限公司 | 一种基于多视图模型融合的冠脉血管提取方法及装置 |
-
2021
- 2021-01-19 CN CN202110068687.2A patent/CN112862835A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020101265A1 (ko) * | 2018-11-14 | 2020-05-22 | 울산대학교 산학협력단 | 심근 이미지 분석 방법 및 장치 |
US20200349712A1 (en) * | 2019-04-06 | 2020-11-05 | Kardiolytics Inc. | Method and system for machine learning based segmentation of contrast filled coronary artery vessels on medical images |
CN111325729A (zh) * | 2020-02-19 | 2020-06-23 | 青岛海信医疗设备股份有限公司 | 基于生物医学影像的生物组织的分割方法和通信终端 |
CN111369542A (zh) * | 2020-03-06 | 2020-07-03 | 上海联影智能医疗科技有限公司 | 血管标记方法、图像处理系统和存储介质 |
CN112037186A (zh) * | 2020-08-24 | 2020-12-04 | 杭州深睿博联科技有限公司 | 一种基于多视图模型融合的冠脉血管提取方法及装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763403A (zh) * | 2021-09-07 | 2021-12-07 | 北京深睿博联科技有限责任公司 | 一种冠状动脉血管分割方法及装置 |
CN113763403B (zh) * | 2021-09-07 | 2024-03-08 | 北京深睿博联科技有限责任公司 | 一种冠状动脉血管分割方法及装置 |
CN115100222A (zh) * | 2022-08-24 | 2022-09-23 | 首都医科大学附属北京朝阳医院 | 分离动静脉血管的图像处理方法、装置、存储介质及终端 |
CN115100222B (zh) * | 2022-08-24 | 2022-12-09 | 首都医科大学附属北京朝阳医院 | 分离动静脉血管的图像处理方法、装置、存储介质及终端 |
CN115359046A (zh) * | 2022-10-19 | 2022-11-18 | 海杰亚(北京)医疗器械有限公司 | 一种脏器血管分割方法、装置、存储介质及电子设备 |
CN117726633A (zh) * | 2024-02-07 | 2024-03-19 | 安徽大学 | 基于特征融合的双分支冠状动脉图像的分割方法、系统 |
CN117726633B (zh) * | 2024-02-07 | 2024-04-19 | 安徽大学 | 基于特征融合的双分支冠状动脉图像的分割方法、系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112862835A (zh) | 冠脉血管分割方法、装置、设备及计算机可读存储介质 | |
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
CN103202705B (zh) | 医用图像处理装置及医用图像处理方法 | |
CN110706246A (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
CN110298844B (zh) | X光造影图像血管分割与识别方法及装置 | |
US20100054525A1 (en) | System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans | |
CN107563434B (zh) | 一种基于三维卷积神经网络的脑部mri图像分类方法、装置 | |
CN111696089A (zh) | 一种动静脉确定方法、装置、设备和存储介质 | |
CN111028248A (zh) | 一种基于ct图像的静动脉分离方法及装置 | |
WO2022148415A1 (zh) | 冠脉血管分割方法、装置、设备及计算机可读存储介质 | |
CN111640124B (zh) | 一种血管提取方法、装置、设备及存储介质 | |
CN112991365B (zh) | 一种冠状动脉分割方法、系统及存储介质 | |
CN113554665A (zh) | 一种血管分割方法及装置 | |
CN111815663A (zh) | 一种基于Hessian矩阵和灰度法的肝血管分割系统 | |
CN116503607B (zh) | 一种基于深度学习的ct图像分割方法和系统 | |
CN111402406A (zh) | 血管三维重建方法、装置及医疗设备 | |
JP2007517574A (ja) | 画像における自動造影剤制御 | |
CN110992370A (zh) | 一种胰腺组织的分割方法、装置及终端设备 | |
CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN116051738A (zh) | 基于cta影像的冠状动脉血管模型重构的方法和可读存储介质 | |
KR102182357B1 (ko) | Ct 영상 내 간암 영역 기반으로 3차원 분석을 하는 수술 보조 장치 및 방법 | |
CN114693671A (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
CN113592764A (zh) | 识别和分割不同模态不同解剖部位动脉瘤的系统和方法 | |
CN110428431B (zh) | 一种心脏医学图像的分割方法、装置、设备及存储介质 | |
CN115359046B (zh) | 一种脏器血管分割方法、装置、存储介质及电子设备 |
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 |