CN113160165A - 一种血管分割方法、装置以及设备 - Google Patents

Abstract

本说明书实施例公开了一种血管分割方法、装置以及设备，医学影像及计算机技术领域。所述方法包括：获取待处理的影像数据；将所述待处理的影像数据输入血管分割模型中，对所述待处理的影像数据中的血管进行分割，获得血管分割结果，其中，所述血管分割模型是经卷积神经网络训练预先获得的模型；采用最大连通域法对所述血管分割结果进行处理，获得最终的血管分割结果。采用本说明书实施例提供的方法，能够减少镂空、主血管缺损等问题，提高血管分割精度及血管分割速度，获得较好的血管分割效果。

Description

一种血管分割方法、装置以及设备

技术领域

本说明书涉及医学影像及计算机技术领域，尤其涉及一种血管分割方法、装置以及设备。

背景技术

脑血管造影已经成为临床的一种重要的诊断方法，尤其在介入治疗中起着不可替代的作用。脑血管造影在脑血管疾病诊断和治疗中都发挥着重要作用，常用的脑血管造影方法有三种，包括：核磁共振机所做的脑血管造影(Magnetic Resonance Angiography，MRA)，CT机所做的脑血管造影(CT angiography，CTA)，在数字减影血管造影机下完成的脑血管造影(Digital Subtraction Angiography，DSA)。分割好的脑动脉血管可用于脑动脉血管病变的辅助诊断和更多脑动脉血管几何形态学信息的挖掘，利于对脑动脉血管病变的量化描述，为影像学在临床的应用提供更多可能。因此，基于脑血管影像数据的血管分割方法，具有重要意义。

现有技术中，基于脑血管影像数据的血管分割，容易出现镂空、主血管缺损等问题，而且存在血管分割精度较低的问题，血管分割速度较慢，血管分割效果较差。

因此，需要一种新的血管分割方法，能够减少镂空、主血管缺损等问题，提高血管分割精度及血管分割速度，获得较好的血管分割效果。

发明内容

本说明书实施例提供一种血管分割方法、装置及设备，用于解决以下技术问题：现有的血管分割技术，容易出现镂空、主血管缺损等问题，而且存在血管分割精度较低的问题，血管分割速度较慢，血管分割效果较差。

为解决上述技术问题，本说明书实施例是这样实现的：

本说明书实施例提供一种血管分割方法，包括：

获取待处理的影像数据；

将所述待处理的影像数据输入血管分割模型中，对所述待处理的影像数据中的血管进行分割，获得血管分割结果，其中，所述血管分割模型是经卷积神经网络训练预先获得的模型；

采用最大连通域法对所述血管分割结果进行处理，获得最终的血管分割结果。

进一步地，所述血管分割模型是经卷积神经网络训练预先获得的模型，具体包括：

对训练样本数据进行预处理，获得预处理的影像数据；

对所述预处理的影像数据进行标注，获得第一标注影像数据；

从所述第一标注影像数据上随机选取图像块，输入3D卷积神经网络中进行训练，获得血管分割模型。

进一步地，所述对所述预处理的影像数据进行标注，获得第一标注影像数据，具体包括：

对所述预处理的影像数据进行标注，获得第二标注影像数据；

对所述第二标注影像数据进行后处理，获得第一标注影像数据。

进一步地，对所述第二标注影像数据进行后处理，获得第一标注影像数据，具体包括：

对所述第二标注影像数据进行修补，获得第一标注影像数据，所述修补包括：对所述第二标注影像数据中主血管分割不合理的数据点进行修补；

和/或

对所述第二标注影像数据中的主血管缺损和血管断连的数据点进行填补；和/或

对所述第二标注影像数据中血管镂空的数据点进行填充。

进一步地，所述从所述第一标注影像数据上随机选取图像块，具体包括：

从所述预处理的影像数据中随机获取血管点作为坐标点；

以所述坐标点为中心，在所述第一标注影像数据上随机选取图像块。

本说明书实施例还提供一种血管分割装置，包括：

获取模块，获取待处理的影像数据；

分割模块，将所述待处理的影像数据输入血管分割模型中，对所述待处理的影像数据中的血管进行分割，获得血管分割结果，其中，所述血管分割模型是经卷积神经网络训练预先获得的模型；

后处理模块，采用最大连通域法对所述血管分割结果进行处理，获得最终的血管分割结果。

进一步地，所述血管分割模型是经卷积神经网络训练预先获得的模型，具体包括：

对训练样本数据进行预处理，获得预处理的影像数据；

对所述预处理的影像数据进行标注，获得第一标注影像数据；

从所述第一标注影像数据上随机选取图像块，输入3D卷积神经网络中进行训练，获得血管分割模型。

进一步地，所述对所述预处理的影像数据进行标注，获得第一标注影像数据，具体包括：

对所述预处理的影像数据进行标注，获得第二标注影像数据；

对所述第二标注影像数据进行后处理，获得第一标注影像数据。

进一步地，对所述第二标注影像数据进行后处理，获得第一标注影像数据，具体包括：

对所述第二标注影像数据进行修补，获得第一标注影像数据，所述修补包括：对所述第二标注影像数据中主血管分割不合理的数据点进行修补；

和/或

对所述第二标注影像数据中的主血管缺损和血管断连的数据点进行填补；

和/或

对所述第二标注影像数据中血管镂空的数据点进行填充。

进一步地，所述从所述第一标注影像数据上随机选取图像块，具体包括：

从所述预处理的影像数据中随机获取血管点作为坐标点；

以所述坐标点为中心，在所述第一标注影像数据上随机选取图像块。

本说明书实施例还提供一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取待处理的影像数据；

将所述待处理的影像数据输入血管分割模型中，对所述待处理的影像数据中的血管进行分割，获得血管分割结果，其中，所述血管分割模型是经卷积神经网络训练预先获得的模型；

采用最大连通域法对所述血管分割结果进行处理，获得最终的血管分割结果。

本说明书实施例提供的一种血管分割方法，采用获取待处理的影像数据；将所述待处理的影像数据输入血管分割模型中，对所述待处理的影像数据中的血管进行分割，获得血管分割结果，其中，所述血管分割模型是经卷积神经网络训练预先获得的模型；采用最大连通域法对所述血管分割结果进行处理，获得最终的血管分割结果，能够减少镂空、主血管缺损等问题，提高血管分割精度及血管分割速度，获得较好的血管分割效果。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书实施例提供的一种血管分割方法的示意图；

图2为本说明书实施例提供的血管分割模型的训练流程图；

图3为本说明书实施例提供的一种血管分割效果示意图；

图4为本说明书实施例提供的一种血管分割装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，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，都应当属于本申请保护的范围。

图1为本说明书实施例提供的一种血管分割方法的示意图，如图1所示，该方法包括：

步骤S101：获取待处理的影像数据。

在本说明书实施例中，待处理的影像数据为三维颅内影像数据，具体地，可以为3D-CTA影像数据、3D-DSA影像数据或3D-MRA影像数据。

若待处理的影像数据为3D-CTA影像数据、3D-DSA影像数据，需要对3D-CTA或3D-DSA影像数据进行数字剪影。需要特别说明的是，若待处理的影像数据为3D-CTA影像数据，则在输入到血管分割模型前，需要进行预处理，具体地，根据预设灰度范围，从3D-CTA影像数据中的选择影像数据作为待处理的影像数据以输入血管分割模型中。在具体实施例中，预设灰度范围为5％-95％的灰度值，预设灰度范围的具体数值并不构成对本申请的具体限定。

步骤S103：将所述待处理的影像数据输入血管分割模型中，对所述待处理的影像数据中的血管进行分割，获得血管分割结果，其中，所述血管分割模型是经卷积神经网络训练预先获得的模型。

在本说明书实施例中，待处理的影像数据输入血管分割模型后，可以直接获得血管分割结果，因此，具有较高的准确率，泛型程度较好。

在本说明书实施例中，所述血管分割模型是经卷积神经网络训练预先获得的模型，具体包括：

对训练样本数据进行预处理，获得预处理的影像数据；

对所述预处理的影像数据进行标注，获得第一标注影像数据；

从所述第一标注影像数据上随机选取图像块，输入3D卷积神经网络中进行训练，获得血管分割模型。

在本说明书实施例中，对训练样本数据进行预处理，获得预处理的影像数据，具体包括：对训练样本数据进行归一化处理，获得预处理的影像数据。在本说明书实施例中，训练样本数据为3D-CTA影像数据、3D-DSA影像数据或3D-MRA影像数据，也可以为基于3D-CTA影像数据、3D-DSA影像数据或3D-MRA影像数据获得的血管分割影像数据。在本说明书实施例中，归一化处理的方法为：待处理影像数据的灰度减去其灰度均值再除以其方差。

在本说明书实施例中，所述对所述预处理的影像数据进行标注，获得第一标注影像数据，具体包括：

对所述预处理的影像数据进行标注，获得第二标注影像数据；

对所述第二标注影像数据进行后处理，获得第一标注影像数据。

在本说明书实施例中，对所述预处理的影像数据进行标注，获得第二标注影像数据，具体地，若所述训练样本数据为3D-CTA影像数据、3D-DSA影像数据或3D-MRA影像数据，则对训练样本数据进行血管分割，获得血管分割影像数据。在本说明书实施例中，对训练样本数据进行血管分割可以采用阈值分割方法进行血管分割，训练样本数据的血管分割方法并不构成对本申请的限定。血管分割影像数据进一步进行人工标注，获得第二标注影像数据。

由于基于采用阈值分割等方法获得的血管分割图像，可能会存在镂空，主干血管缺损等问题，因此，获得的第二标注影像数据需要进一步进行后处理，以使血管形态更加完好。

在本说明书实施例中，对所述第二标注影像数据进行后处理，获得第一标注影像数据，具体包括：

对所述第二标注影像数据进行修补，获得第一标注影像数据，所述修补包括：对所述第二标注影像数据中主血管分割不合理的数据点进行修补；

和/或

对所述第二标注影像数据中的主血管缺损和血管断连的数据点进行填补；

和/或

对所述第二标注影像数据中血管镂空的数据点进行填充。

获得的第一标注影像数据可用于血管分割模型的训练。由于现有的血管分割方法，可能会存在没有考虑局部与整体的信息关系，边缘预测不准确的问题。由于训练样本数据或者说第一标注影像数据对应的图像尺寸比较大，因此，并不适合直接输入3D卷积神经网络中进行训练。在本说明书实施例中，采用将训练样本数据对应的图像进行切割的方式，切割成图像块；将图像块输入到3D卷积神经网络中进行训练，图像块的预测结果拼接起来进行输出，获得血管分割结果。需要特别说明的是，在本说明书中，采用边缘重叠的方式选取图像块。在模型训练过程中，为了保证获得较佳的血管分割模型，在模型训练及验证的过程中，使用数据增强方法。具体地，数据增强方法为，随机对数据进行左右的反转。在本说明书实施例中，在模型训练过程中，所采用损失函数可以为Dice coefficient loss，损失函数的具体类型并不构成对本申请的限定。

在本说明书实施例中，所述从所述第一标注影像数据上随机选取图像块，具体包括：

从所述预处理的影像数据中随机获取血管点作为坐标点；

以所述坐标点为中心，在所述第一标注影像数据上随机选取图像块。

为了进一步理解本说明书实施例提供的血管分割模型的训练过程，下面将结合具体的实施例予以说明。以3D-DSA影像数据为例，图2为本说明书实施例提供的血管分割模型的训练流程图。血管分割模型的训练包括：

步骤S201：对训练样本数据进行预处理，获得预处理的训练样本数据。

在本说明书实施例中，对训练样本数据进行归一化处理，获得预处理的训练样本数据。归一化处理的方法为：训练样本数据的灰度减去其灰度均值再除以其方差。

步骤S203：对所述预处理的训练样本数据进行标注，获得标注的样本数据。

在本说明书实施例中，基于预处理的训练样本数据进行血管分割后，获得第一分割结果；人工对第一分割结果进行修改，修改后获得的血管分割结果即为标注结果，亦即标注的样本数据。在本说明书实施例中，人工对第一分割结果进行修改的修改方法包括：主血管分割不合理的数据点进行修补，和/或主血管缺损和血管断连的数据点进行填补；和/或对血管镂空的数据点进行填充。

步骤S205：将所述标注的样本数据输入3D卷积神经网络中进行训练，获得血管分割模型。

在本说明书实施例中，随机选取80％的标注的样本数据作为训练集数据，剩下的20％的标注的样本数据作为验证集数据。训练集数据用于血管分割模型的训练，验证集数据用于对获得的血管分割模型进行验证，进一步调整血管分割模型的参数，获得最佳的血管分割模型。

在本说明书实施例中，由于标注的样本数据对应的图像尺寸比较大，因此，并不适合直接输入3D卷积神经网络中进行训练。在本说明书实施例中，采用将训练样本数据对应的图像进行切割的方式，切割成图像块；将图像块输入到3D卷积神经网络中进行训练，图像块的预测结果拼接起来进行输出，获得血管分割结果。

在本说明书实施例中，从标注的样本数据中随机获取血管点作为坐标点，以所述坐标点为中心，从标注的样本数据上随机选取图像块。在本说明书的一个实施例中，训练样本数据的尺寸为L*W*D，标注的样本数据的尺寸为N^3，N＝(mod(max(L,W,D)/16)+1)*16，则选取的图像块的尺寸为(N//4)^3。

为了提高边缘预测结果的准确性，在选取图像块时，采用边缘重叠的方式进行选取。继续延续前例，训练样本数据的尺寸为L*W*D，标注的样本数据的尺寸为N^3，N＝(mod(max(L,W,D)/16)+1)*16，则选取的图像块的尺寸为(N//4)^3，图像块间重叠K，M*3+2*K＝N。然后，把9*M^3的图像块输入到训练好的网络中进行预测，网络的输出为9*M^3的掩膜图像。然后，对预测结果去掉边缘的重叠部分，只取中间区域，对于每个M^3的掩膜图像，中间区域的大小为(M-K)^3，两边K^3为重叠部分。然后，按照切割的方法再把掩膜图像图像块拼接为原始图像大小，拼接后的掩膜图像的尺寸为(3*(M-K))^3，相当于，对于N^3的图像，只预测了中间(3*(M-K))^3的部分。然后，再在(3*(M-K))^3的掩膜图像周围进行补零到N^3大小，最后，再切割为L*W*D，得到预测的血管分割结果。

在模型训练过程中，为了保证获得较佳的血管分割模型，在模型训练及验证的过程中，使用数据增强方法。具体地，数据增强方法为，随机对数据进行左右的反转。在本说明书实施例中，在模型训练过程中，所采用损失函数可以为Dice coefficient loss，损失函数的具体类型并不构成对本申请的限定。

步骤S105：采用最大连通域法对所述血管分割结果进行处理，获得最终的血管分割结果。

采用最大连通域法对血管分割结果进行处理后，能够去使血管的连通效果更好，获得较佳的血管分割结果。

图3为本说明书实施例提供的一种血管分割效果示意图。采用本说明书实施例提供的血管分割方法，能够减少镂空、主血管缺损等问题，提高血管分割精度及血管分割速度，获得较好的血管分割效果。

上述内容详细说明了一种血管分割方法，与之相应的，本说明书还提供了一种血管分割装置，如图4所示。图4为本说明书实施例提供的一种血管分割装置的示意图，该装置包括：

获取模块401，获取待处理的影像数据；

分割模块403，将所述待处理的影像数据输入血管分割模型中，对所述待处理的影像数据中的血管进行分割，获得血管分割结果，其中，所述血管分割模型是经卷积神经网络训练预先获得的模型；

后处理模块405，采用最大连通域法对所述血管分割结果进行处理，获得最终的血管分割结果。

进一步地，所述血管分割模型是经卷积神经网络训练预先获得的模型，具体包括：

对训练样本数据进行预处理，获得预处理的影像数据；

对所述预处理的影像数据进行标注，获得第一标注影像数据；

从所述第一标注影像数据上随机选取图像块，输入3D卷积神经网络中进行训练，获得血管分割模型。

进一步地，所述对所述预处理的影像数据进行标注，获得第一标注影像数据，具体包括：

对所述预处理的影像数据进行标注，获得第二标注影像数据；

对所述第二标注影像数据进行后处理，获得第一标注影像数据。

进一步地，对所述第二标注影像数据进行后处理，获得第一标注影像数据，具体包括：

对所述第二标注影像数据进行修补，获得第一标注影像数据，所述修补包括：对所述第二标注影像数据中主血管分割不合理的数据点进行修补；

和/或

对所述第二标注影像数据中的主血管缺损和血管断连的数据点进行填补；和/或

对所述第二标注影像数据中血管镂空的数据点进行填充。

进一步地，所述从所述第一标注影像数据上随机选取图像块，具体包括：

从所述预处理的影像数据中随机获取血管点作为坐标点；

以所述坐标点为中心，在所述第一标注影像数据上随机选取图像块。

本说明书实施例还提供一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取待处理的影像数据；

将所述待处理的影像数据输入血管分割模型中，对所述待处理的影像数据中的血管进行分割，获得血管分割结果，其中，所述血管分割模型是经卷积神经网络训练预先获得的模型；

采用最大连通域法对所述血管分割结果进行处理，获得最终的血管分割结果。

进一步地，所述血管分割模型是经卷积神经网络训练预先获得的模型，具体包括：

对训练样本数据进行预处理，获得预处理的影像数据；

对所述预处理的影像数据进行标注，获得第一标注影像数据；

从所述第一标注影像数据上随机选取图像块，输入3D卷积神经网络中进行训练，获得血管分割模型。

进一步地，所述对所述预处理的影像数据进行标注，获得第一标注影像数据，具体包括：

对所述预处理的影像数据进行标注，获得第二标注影像数据；

对所述第二标注影像数据进行后处理，获得第一标注影像数据。

进一步地，对所述第二标注影像数据进行后处理，获得第一标注影像数据，具体包括：

对所述第二标注影像数据进行修补，获得第一标注影像数据，所述修补包括：对所述第二标注影像数据中主血管分割不合理的数据点进行修补；

和/或

对所述第二标注影像数据中的主血管缺损和血管断连的数据点进行填补；

和/或

对所述第二标注影像数据中血管镂空的数据点进行填充。

进一步地，所述从所述第一标注影像数据上随机选取图像块，具体包括：

从所述预处理的影像数据中随机获取血管点作为坐标点；

以所述坐标点为中心，在所述第一标注影像数据上随机选取图像块。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (11)

1.一种血管分割方法，其特征在于，所述方法包括：

获取待处理的影像数据；

将所述待处理的影像数据输入血管分割模型中，对所述待处理的影像数据中的血管进行分割，获得血管分割结果，其中，所述血管分割模型是经卷积神经网络训练预先获得的模型；

采用最大连通域法对所述血管分割结果进行处理，获得最终的血管分割结果。

2.如权利要求1所述的方法，其特征在于，所述血管分割模型是经卷积神经网络训练预先获得的模型，具体包括：

对训练样本数据进行预处理，获得预处理的影像数据；

对所述预处理的影像数据进行标注，获得第一标注影像数据；

从所述第一标注影像数据上随机选取图像块，输入3D卷积神经网络中进行训练，获得血管分割模型。

3.如权利要求2所述的方法，其特征在于，所述对所述预处理的影像数据进行标注，获得第一标注影像数据，具体包括：

对所述预处理的影像数据进行标注，获得第二标注影像数据；

对所述第二标注影像数据进行后处理，获得第一标注影像数据。

4.如权利要求3所述的方法，其特征在于，对所述第二标注影像数据进行后处理，获得第一标注影像数据，具体包括：

对所述第二标注影像数据进行修补，获得第一标注影像数据，所述修补包括：对所述第二标注影像数据中主血管分割不合理的数据点进行修补；

和/或

对所述第二标注影像数据中的主血管缺损和血管断连的数据点进行填补；

和/或

对所述第二标注影像数据中血管镂空的数据点进行填充。

5.如权利要求2所述的方法，其特征在于，所述从所述第一标注影像数据上随机选取图像块，具体包括：

从所述预处理的影像数据中随机获取血管点作为坐标点；

以所述坐标点为中心，在所述第一标注影像数据上随机选取图像块。

6.一种血管分割装置，其特征在于，所述装置包括：

获取模块，获取待处理的影像数据；

分割模块，将所述待处理的影像数据输入血管分割模型中，对所述待处理的影像数据中的血管进行分割，获得血管分割结果，其中，所述血管分割模型是经卷积神经网络训练预先获得的模型；

后处理模块，采用最大连通域法对所述血管分割结果进行处理，获得最终的血管分割结果。

7.如权利要求6所述的装置，其特征在于，所述血管分割模型是经卷积神经网络训练预先获得的模型，具体包括：

对训练样本数据进行预处理，获得预处理的影像数据；

对所述预处理的影像数据进行标注，获得第一标注影像数据；

从所述第一标注影像数据上随机选取图像块，输入3D卷积神经网络中进行训练，获得血管分割模型。

8.如权利要求7所述的装置，其特征在于，所述对所述预处理的影像数据进行标注，获得第一标注影像数据，具体包括：

对所述预处理的影像数据进行标注，获得第二标注影像数据；

对所述第二标注影像数据进行后处理，获得第一标注影像数据。

9.如权利要求8所述的装置，其特征在于，对所述第二标注影像数据进行后处理，获得第一标注影像数据，具体包括：

对所述第二标注影像数据进行修补，获得第一标注影像数据，所述修补包括：对所述第二标注影像数据中主血管分割不合理的数据点进行修补；

和/或

对所述第二标注影像数据中的主血管缺损和血管断连的数据点进行填补；

和/或

对所述第二标注影像数据中血管镂空的数据点进行填充。

10.如权利要求7所述的装置，其特征在于，所述从所述第一标注影像数据上随机选取图像块，具体包括：

从所述预处理的影像数据中随机获取血管点作为坐标点；

以所述坐标点为中心，在所述第一标注影像数据上随机选取图像块。

11.一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取待处理的影像数据；

将所述待处理的影像数据输入血管分割模型中，对所述待处理的影像数据中的血管进行分割，获得血管分割结果，其中，所述血管分割模型是经卷积神经网络训练预先获得的模型；

采用最大连通域法对所述血管分割结果进行处理，获得最终的血管分割结果。

Images