CN113269806B - 测量血管内部血流流量的方法、装置与处理器 - Google Patents

Abstract

本申请提供了一种测量血管内部血流流量的方法、装置与处理器。该方法包括：获取多帧连续的原始血管图像；采用人工智能算法对各原始血管图像进行预处理，得到多个二值化图像，二值化图像中的血管均是连续的；从二值化图像中提取出一个或者多个目标血管；构建目标血管的3D血管模型；至少根据3D血管模型，测得目标血管的瞬态流量、瞬态流速、平均流量和平均流速。本方案实现了基于连续帧的分割图像求得血管的瞬态流量、瞬态流速、平均流量和平均流速。

Description

测量血管内部血流流量的方法、装置与处理器

技术领域

本申请涉及血管流速测量领域，具体而言，涉及一种测量血管内部血流流量的方法、装置、计算机可读存储介质与处理器。

背景技术

现有技术中，常采用传统公式测速方法求得血管流速，测得的血管流速的精度较低。采用现有技术中的图像分割算法(例如阈值法、边缘分割、直方图法)对原始血管图像进行分割得到的分割图像中的血管多是不连续的，由于血管的不连续导致无法基于连续帧的分割图像求得血管的瞬态流量和瞬态流速。

发明内容

本申请的主要目的在于提供一种测量血管内部血流流量的方法、装置、计算机可读存储介质与处理器，以解决现有技术中由于血管的不连续导致无法基于连续帧的分割图像求得血管的瞬态流量和瞬态流速的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种测量血管内部血流流量的方法，包括：获取多帧连续的原始血管图像；采用人工智能算法对各所述原始血管图像进行预处理，得到多个二值化图像，所述二值化图像中的血管均是连续的；从所述二值化图像中提取出一个或者多个目标血管；构建所述目标血管的3D血管模型；至少根据所述3D血管模型，测得所述目标血管的瞬态流量、瞬态流速、平均流量和平均流速。

进一步地，从所述二值化图像中提取出一个或者多个目标血管，包括：采用骨架法从当前帧二值化图像中提取出中心线束；在所述当前帧二值化图像上选取一个起点和至少一个终点；采用快速行进算法，获取从所述起点至各所述终点的当前帧目标中心线；结合所述中心线束和所述当前帧目标中心线，确定当前帧最终目标中心线；至少根据所述当前帧最终目标中心线，确定当前帧目标血管。

进一步地，所述方法还包括：根据所述当前帧最终目标中心线和利用所述骨架法从上一帧二值化图像中提取出中心线束，进行配准，得到上一帧最终目标中心线；根据所述当前帧最终目标中心线和利用所述骨架法从下一帧二值化图像中提取出中心线束，进行配准，得到下一帧最终目标中心线。

进一步地，构建所述目标血管的3D血管模型，包括：采用自动水平集算法对所述二值化图像进行分割，得到分割图像；根据所述分割图像和所述当前帧最终目标中心线，确定所述目标血管的2D血管影像；根据多个角度下的所述2D血管影像，构建所述目标血管的3D血管模型。

进一步地，根据所述分割图像和所述当前帧最终目标中心线，确定所述目标血管的2D血管影像，包括：根据所述分割图像确定血管半径；根据所述血管半径和所述当前帧最终目标中心线，确定所述目标血管的2D血管影像。

进一步地，采用人工智能算法对各所述原始血管图像进行预处理，得到多个二值化图像，包括：构建深度学习分割模型；将所述原始血管图像输入至所述深度学习分割模型进行运算，得到所述二值化图像。

进一步地，至少根据所述3D血管模型，测得所述目标血管的瞬态流量、瞬态流速、平均流量和平均流速，包括：获取两帧所述原始血管图像的时间差；确定两帧所述原始血管图像，对应的所述3D血管模型的体积差；根据所述体积差和所述时间差，确定所述平均流量。

根据本申请的另一个方面，提供了一种测量血管内部血流流量的装置，包括：获取单元，用于获取多帧连续的原始血管图像；预处理单元，用于采用人工智能算法对各所述原始血管图像进行预处理，得到多个二值化图像，所述二值化图像中的血管均是连续的；提取单元，用于从所述二值化图像中提取出一个或者多个目标血管；构建单元，用于构建所述目标血管的3D血管模型；测量单元，用于至少根据所述3D血管模型，测得所述目标血管的瞬态流量、瞬态流速、平均流量和平均流速。

根据本申请的又一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的测量血管内部血流流量的方法。

根据本申请的再一个方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任意一种所述的测量血管内部血流流量的方法。

应用本申请的技术方案，通过获取多帧连续的原始血管图像，然后采用人工智能算法对各上述原始血管图像进行预处理，再从二值化图像中提取出一个或者多个目标血管，构建目标血管的3D血管模型，最后至少根据目标血管的3D血管模型，测得目标血管的瞬态流量、瞬态流速、平均流量和平均流速，由于采用人工智能算法得到的二值化图像中的血管均是连续的，实现了基于连续帧的分割图像求得血管的瞬态流量、瞬态流速、平均流量和平均流速。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出了根据本申请的实施例的测量血管内部血流流量的方法流程图；

图2示出了根据本申请的实施例的采用骨架法提取出中心线束示意图；

图3示出了根据本申请的实施例的采用快速行进算法提取到的当前帧目标中心线示意图；

图4出了根据本申请的实施例的当前帧最终目标中心线示意图；

图5示出了根据本申请的实施例的采用深度学习分割模型对DSA影像进行分割的结果示意图；

图6示出了根据本申请的实施例的测量血管内部血流流量的装置示意图；

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做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。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。

正如背景技术中所介绍的，现有技术中由于血管的不连续导致无法基于连续帧的分割图像求得血管的瞬态流量和瞬态流速，为解决由于血管的不连续导致无法基于连续帧的分割图像求得血管的瞬态流量和瞬态流速的问题。本申请的实施例提供了一种测量血管内部血流流量的方法、装置、计算机可读存储介质与处理器。

根据本申请的实施例，提供了一种测量血管内部血流流量的方法。

图1是根据本申请实施例的测量血管内部血流流量的方法的流程图。如图1所示，该方法包括以下步骤：

步骤S101，获取多帧连续的原始血管图像；

步骤S102，采用人工智能算法对各上述原始血管图像进行预处理，得到多个二值化图像，上述二值化图像中的血管均是连续的；

步骤S103，从上述二值化图像中提取出一个或者多个目标血管；

步骤S104，构建上述目标血管的3D血管模型；

步骤S105，至少根据上述3D血管模型，测得上述目标血管的瞬态流量、瞬态流速、平均流量和平均流速。

具体地，原始血管图像为2D影像，原始血管图像可以为DSA影像，当然也可以为除DSA影像的其他种类的影像。

具体地，采用常规的二值化处理的方式对原始血管图像进行预处理，得到的二值化图像中的血管常常会出现断开的情况下，即血管是不连续的。而本申请中采用人工智能算法对原始血管图像进行预处理得到的二值化图像中的血管均是连续的。

上述方案中，通过获取多帧连续的原始血管图像，然后采用人工智能算法对各上述原始血管图像进行预处理，再从二值化图像中提取出一个或者多个目标血管，构建目标血管的3D血管模型，最后至少根据目标血管的3D血管模型，测得目标血管的瞬态流量、瞬态流速、平均流量和平均流速，由于采用人工智能算法得到的二值化图像中的血管均是连续的，实现了基于连续帧的分割图像求得血管的瞬态流量、瞬态流速、平均流量和平均流速。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请的一种实施例中，从上述二值化图像中提取出一个或者多个目标血管，包括：采用骨架法从当前帧二值化图像中提取出中心线束(如图2所示，图2中的A和B表示不同的视角)；在上述当前帧二值化图像上选取一个起点和至少一个终点；采用快速行进算法，获取从上述起点至各上述终点的当前帧目标中心线(如图3所示，图3中的A和B表示不同的视角)；结合上述中心线束和上述当前帧目标中心线，确定当前帧最终目标中心线(如图4所示，图4中的A和B表示不同的视角，图4中的t1和t2表示不同的时刻)；至少根据上述当前帧最终目标中心线，确定当前帧目标血管。即采用骨架法提取出中心线束，采用快速行进算法提取出当前帧目标中心线，然后将中心线束与当前帧目标中心线相结合，得到前帧最终目标中心线，进而根据前帧最终目标中心线确定当前帧目标血管。实现了对前帧最终目标中心线的精确确定，进而实现了对当前帧目标血管的精确确定，当前帧目标血管的准确性保证了目标血管的3D血管模型的准确性，进而保证了测得的瞬态流量、瞬态流速、平均流量和平均流速的准确性。需要说明的是图2、图3和图4均是示例性的，实际上是从二值化图像中提取得到中心线束和当前帧目标中心线，图2、图3和图4示出的是在原始的图像中的中心线束和当前帧目标中心线。

具体地，骨架法是指“中心线细化算法”或者“细化中心线算法”，图像细化(ImageThinning)，一般指二值图像的骨架化(Image Skeletonization)的一种操作运算。所谓的细化就是经过一层层的剥离，从原来的图中去掉一些点，但仍要保持原来的形状，直到得到图像的骨架。骨架，可以理解为图像的中轴。

本申请的一种实施例中，上述方法还包括：根据所述当前帧最终目标中心线和利用所述骨架法从上一帧二值化图像中提取出中心线束，进行配准，得到上一帧最终目标中心线；根据所述当前帧最终目标中心线和利用所述骨架法从下一帧二值化图像中提取出中心线束，进行配准，得到下一帧最终目标中心线。由于原始血管图像的自身缺陷，对于每一帧原始血管图像采用骨架法和快速行进算法，并不一定能得到较好的最终目标中心线(尤其是，获取的原始血管图像中的血管本就是断裂的，无法使用快速行进算法或者骨架法获取中心线)。所以，根据当前帧最终目标中心线(准确的中心线)和利用所述骨架法从上一帧二值化图像中提取出中心线束，进行配准，得到上一帧最终目标中心线，根据所述当前帧最终目标中心线和利用所述骨架法从下一帧二值化图像中提取出中心线束，进行配准，得到下一帧最终目标中心线，不仅可以保证上一帧最终目标中心线和下一帧最终目标中心线的准确性，还可以减少采用快速行进算法进行计算的次数，提升计算效率。当然，此处的“当前帧最终目标中心线”、“上一帧最终目标中心线”以及“下一帧最终目标中心线”是相对而言的。

具体地，将利用所述骨架法从上一帧二值化图像中提取出中心线束的中心线中与当前帧最终目标中心线的欧氏距离最小的中心线，作为上一帧最终目标中心线；将利用所述骨架法从下一帧二值化图像中提取出中心线束的中心线中与当前帧最终目标中心线的欧氏距离最小的中心线，作为下一帧最终目标中心线。

本申请的一种实施例中，构建上述目标血管的3D血管模型，包括：采用自动水平集算法对上述二值化图像进行分割，得到分割图像；根据上述分割图像和上述当前帧最终目标中心线，确定上述目标血管的2D血管影像；根据多个角度下的上述2D血管影像，构建上述目标血管的3D血管模型。

本申请的一种实施例中，根据上述分割图像和上述当前帧最终目标中心线，确定上述目标血管的2D血管影像，包括：根据上述分割图像确定血管半径；根据上述血管半径和上述当前帧最终目标中心线，确定上述目标血管的2D血管影像。以血管半径为半径对当前帧最终目标中心线进行膨胀，得到目标血管的2D血管影像。

本申请的一种实施例中，采用人工智能算法对各上述原始血管图像进行预处理，得到多个二值化图像，包括：构建深度学习分割模型；将上述原始血管图像输入至上述深度学习分割模型进行运算，得到上述二值化图像。采用深度学习分割模型得到的二值化图像，相较于采用现有技术中的图像二值化处理方法得到的二值化更为准确，且不会出现血管断开的情况。具体地，图5示出了采用深度学习分割模型对DSA影像进行分割的结果示意图，图5A为原始的DSA影像，图5B为采用深度学习分割模型预测得到的分割结果(二值化图像)，图5C为采用深度学习分割模型实际得到的二值化图像。从图5C可以看出分割得到的二值化图像中的血管均为连续的，且前景图像与背景图像区分明显。

本申请的一种实施例中，至少根据上述3D血管模型，测得上述目标血管的瞬态流量、瞬态流速、平均流量和平均流速，包括：获取两帧上述原始血管图像的时间差；确定两帧上述原始血管图像，对应的上述3D血管模型的体积差；根据上述体积差和上述时间差，确定上述平均流速。具体地，体积差/时间差＝平均流量。

具体地，根据3D血管模型的体积的瞬态变化量，求得血管的瞬态流量，根据3D血管模型的体积的瞬态变化率，求得血管的瞬态流速，平均流速＝平均流量/横截面积。

本申请的一种实施例中，采用自动水平集算法对所述二值化图像进行分割，得到分割图像，包括：对自动水平集算法进行优化，得到优化自动水平集算法；采用GPU加速的所述优化自动水平集算法对所述二值化图像进行分割，得到分割图像。具体地，对自动水平集算法进行优化包括在水平集分割计算时加入数值求解的收敛判定。在采用自动水平集算法对所述二值化图像进行分割求取分割图像时涉及到多种数值的求解，水平集分割算法需要大量的迭代来更新计算中的速度函数，加入数值求解的收敛判定，保证结果准确的前提下避免了不必要的迭代次数，减少了计算量，加快了目标血管的提取的速度，且保证了提取结果的准确性。采用GPU加速保证了速度和鲁棒性。

本申请的一种实施例中，采用快速行进算法，获取从所述起点至各所述终点的当前帧目标中心线，包括：对快速行进算法进行优化，得到一种优化快速行进算法；采用GPU加速的优化快速行进算法，获取从所述起点至各所述终点的当前帧目标中心线。采用GPU加速保证了速度和鲁棒性。具体地，对快速行进算法进行优化，包括对快速行进算法所得曲线居中性进行改善，有助于提取出的当前帧目标中心线的准确性。

本申请实施例还提供了一种测量血管内部血流流量的装置，需要说明的是，本申请实施例的测量血管内部血流流量的装置可以用于执行本申请实施例所提供的用于测量血管内部血流流量的方法。以下对本申请实施例提供的测量血管内部血流流量的装置进行介绍。

图6是根据本申请实施例的测量血管内部血流流量的装置的示意图。如图6所示，该装置包括：

获取单元10，用于获取多帧连续的原始血管图像；

预处理单元20，用于采用人工智能算法对各上述原始血管图像进行预处理，得到多个二值化图像，上述二值化图像中的血管均是连续的；

提取单元30，用于从上述二值化图像中提取出一个或者多个目标血管；

构建单元40，用于构建上述目标血管的3D血管模型；

测量单元50，用于至少根据上述3D血管模型，测得上述目标血管的瞬态流量、瞬态流速、平均流量和平均流速。

上述方案中，获取单元获取多帧连续的原始血管图像，预处理单元采用人工智能算法对各上述原始血管图像进行预处理，提取单元从二值化图像中提取出一个或者多个目标血管，构建单元构建目标血管的3D血管模型，测量单元至少根据目标血管的3D血管模型，测得目标血管的瞬态流量、瞬态流速、平均流量和平均流速，由于采用人工智能算法得到的二值化图像中的血管均是连续的，实现了基于连续帧的分割图像求得血管的瞬态流量、瞬态流速、平均流量和平均流速。

本申请的一种实施例中，提取单元包括第一提取模块、第二提取模块、第一获取模块、第一确定模块和第二确定模块，第一提取模块用于采用骨架法从当前帧二值化图像中提取出中心线束(如图2所示，图2中的A和B表示不同的视角)；；第二提取模块用于在上述当前帧二值化图像上选取一个起点和至少一个终点；第一获取模块用于采用快速行进算法，获取从上述起点至各上述终点的当前帧目标中心线(如图3所示，图3中的A和B表示不同的视角)；第一确定模块用于结合上述中心线束和上述当前帧目标中心线，确定当前帧最终目标中心线(如图4所示，图4中的A和B表示不同的视角，图4中的t1和t2表示不同的时刻)；第二确定模块用于至少根据上述当前帧最终目标中心线，确定当前帧目标血管。即采用骨架法提取出中心线束，采用快速行进算法提取出当前帧目标中心线，然后将中心线束与当前帧目标中心线相结合，得到前帧最终目标中心线，进而根据前帧最终目标中心线确定当前帧目标血管。实现了对前帧最终目标中心线的精确确定，进而实现了对当前帧目标血管的精确确定，当前帧目标血管的准确性保证了目标血管的3D血管模型的准确性，进而保证了测得的瞬态流量、瞬态流速、平均流量和平均流速的准确性。需要说明的是图2、图3和图4均是示例性的，实际上是从二值化图像中提取得到中心线束和当前帧目标中心线，图2、图3和图4示出的是在原始的图像中的中心线束和当前帧目标中心线。

本申请的一种实施例中，上述装置还包括第一配置单元和第二配置单元，第一配置单元用于根据所述当前帧最终目标中心线和利用所述骨架法从上一帧二值化图像中提取出中心线束，进行配准，得到上一帧最终目标中心线；第二配置单元用于根据所述当前帧最终目标中心线和利用所述骨架法从下一帧二值化图像中提取出中心线束，进行配准，得到下一帧最终目标中心线。由于原始血管图像的自身缺陷，对于每一帧原始血管图像采用骨架法和快速行进算法，并不一定能得到较好的最终目标中心线(尤其是，获取的原始血管图像中的血管本就是断裂的，无法使用快速行进算法或者骨架法获取中心线)。所以，根据当前帧最终目标中心线(准确的中心线)和利用所述骨架法从上一帧二值化图像中提取出中心线束，进行配准，得到上一帧最终目标中心线，根据所述当前帧最终目标中心线和利用所述骨架法从下一帧二值化图像中提取出中心线束，进行配准，得到下一帧最终目标中心线，不仅可以保证上一帧最终目标中心线和下一帧最终目标中心线的准确性，还可以减少采用快速行进算法进行计算的次数，提升计算效率。当然，此处的“当前帧最终目标中心线”、“上一帧最终目标中心线”以及“下一帧最终目标中心线”是相对而言的。

本申请的一种实施例中，构建单元包括分割模块、第三确定模块和第一构建模块，分割模块用于采用自动水平集算法对上述二值化图像进行分割，得到分割图像；第三确定模块用于根据上述分割图像和上述当前帧最终目标中心线，确定上述目标血管的2D血管影像；第一构建模块用于根据多个角度下的上述2D血管影像，构建上述目标血管的3D血管模型。

本申请的一种实施例中，第三确定模块还用于根据上述分割图像确定血管半径；根据上述血管半径和上述当前帧最终目标中心线，确定上述目标血管的2D血管影像。以血管半径为半径对当前帧最终目标中心线进行膨胀，得到目标血管的2D血管影像。

本申请的一种实施例中，预处理单元包括第二构建模块和运算模块，第二构建模块用于构建深度学习分割模型；运算模块用于将上述原始血管图像输入至上述深度学习分割模型进行运算，得到上述二值化图像。采用深度学习分割模型得到的二值化图像，相较于采用现有技术中的图像二值化处理方法得到的二值化更为准确，且不会出现血管断开的情况。具体地，图5示出了采用深度学习分割模型对DSA影像进行分割的结果示意图，图5A为原始的DSA影像，图5B为采用深度学习分割模型预测得到的分割结果(二值化图像)，图5C为采用深度学习分割模型实际得到的二值化图像。从图5C可以看出分割得到的二值化图像中的血管均为连续的，且前景图像与背景图像区分明显。

本申请的一种实施例中，测量单元包括第二获取模块、第四确定模块和第五确定模块，第二获取模块用于获取两帧上述原始血管图像的时间差；第四确定模块用于确定两帧上述原始血管图像，对应的上述3D血管模型的体积差；第五确定模块用于根据上述体积差和上述时间差，确定上述平均流速。具体地，体积差/时间差＝平均流量。

所述测量血管内部血流流量的装置包括处理器和存储器，上述获取单元、预处理单元、提取单元、构建单元和测量单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来测得目标血管的瞬态流量、瞬态流速、平均流量和平均流速。

存储器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)，存储器包括至少一个存储芯片。

本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行所述测量血管内部血流流量的方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述测量血管内部血流流量的方法。

本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：

步骤S101，获取多帧连续的原始血管图像；

步骤S102，采用人工智能算法对各上述原始血管图像进行预处理，得到多个二值化图像，上述二值化图像中的血管均是连续的；

步骤S103，从上述二值化图像中提取出一个或者多个目标血管；

步骤S104，构建上述目标血管的3D血管模型；

步骤S105，至少根据上述3D血管模型，测得上述目标血管的瞬态流量、瞬态流速、平均流量和平均流速。

本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：

步骤S101，获取多帧连续的原始血管图像；

步骤S102，采用人工智能算法对各上述原始血管图像进行预处理，得到多个二值化图像，上述二值化图像中的血管均是连续的；

步骤S103，从上述二值化图像中提取出一个或者多个目标血管；

步骤S104，构建上述目标血管的3D血管模型；

步骤S105，至少根据上述3D血管模型，测得上述目标血管的瞬态流量、瞬态流速、平均流量和平均流速。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。

本申请是参照根据本申请实施例的方法、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。

存储器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)。存储器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，磁带磁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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：

1)、本申请的测量血管内部血流流量的方法，通过获取多帧连续的原始血管图像，然后采用人工智能算法对各上述原始血管图像进行预处理，再从二值化图像中提取出一个或者多个目标血管，构建目标血管的3D血管模型，最后至少根据目标血管的3D血管模型，测得目标血管的瞬态流量、瞬态流速、平均流量和平均流速，由于采用人工智能算法得到的二值化图像中的血管均是连续的，实现了基于连续帧的分割图像求得血管的瞬态流量、瞬态流速、平均流量和平均流速。

2)、本申请的测量血管内部血流流量的装置，获取单元获取多帧连续的原始血管图像，预处理单元采用人工智能算法对各上述原始血管图像进行预处理，提取单元从二值化图像中提取出一个或者多个目标血管，构建单元构建目标血管的3D血管模型，测量单元至少根据目标血管的3D血管模型，测得目标血管的瞬态流量、瞬态流速、平均流量和平均流速，由于采用人工智能算法得到的二值化图像中的血管均是连续的，实现了基于连续帧的分割图像求得血管的瞬态流量、瞬态流速、平均流量和平均流速。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种测量血管内部血流流量的方法，其特征在于，包括：

获取多帧连续的原始血管图像；

采用人工智能算法对各所述原始血管图像进行预处理，得到多个二值化图像，所述二值化图像中的血管均是连续的；

从所述二值化图像中提取出一个或者多个目标血管；

构建所述目标血管的3D血管模型；

至少根据所述3D血管模型，测得所述目标血管的瞬态流量、瞬态流速、平均流量和平均流速；

从所述二值化图像中提取出一个或者多个目标血管，包括：

采用骨架法从当前帧二值化图像中提取出中心线束；

在所述当前帧二值化图像上选取一个起点和至少一个终点；

采用快速行进算法，获取从所述起点至各所述终点的当前帧目标中心线；

结合所述中心线束和所述当前帧目标中心线，确定当前帧最终目标中心线；

至少根据所述当前帧最终目标中心线，确定当前帧目标血管；

所述方法还包括：

根据所述当前帧最终目标中心线和利用所述骨架法从上一帧二值化图像中提取出中心线束，进行配准，得到上一帧最终目标中心线；

根据所述当前帧最终目标中心线和利用所述骨架法从下一帧二值化图像中提取出中心线束，进行配准，得到下一帧最终目标中心线。

2.根据权利要求1所述的方法，其特征在于，构建所述目标血管的3D血管模型，包括：

采用自动水平集算法对所述二值化图像进行分割，得到分割图像；

根据所述分割图像和所述当前帧最终目标中心线，确定所述目标血管的2D血管影像；

根据多个角度下的所述2D血管影像，构建所述目标血管的3D血管模型。

3.根据权利要求2所述的方法，其特征在于，根据所述分割图像和所述当前帧最终目标中心线，确定所述目标血管的2D血管影像，包括：

根据所述分割图像确定血管半径；

根据所述血管半径和所述当前帧最终目标中心线，确定所述目标血管的2D血管影像。

4.根据权利要求1至3中任一项所述的方法，其特征在于，采用人工智能算法对各所述原始血管图像进行预处理，得到多个二值化图像，包括：

构建深度学习分割模型；

将所述原始血管图像输入至所述深度学习分割模型进行运算，得到所述二值化图像。

5.根据权利要求1至3中任一项所述的方法，其特征在于，至少根据所述3D血管模型，测得所述目标血管的瞬态流量、瞬态流速、平均流量和平均流速，包括：

获取两帧所述原始血管图像的时间差；

确定两帧所述原始血管图像，对应的所述3D血管模型的体积差；

根据所述体积差和所述时间差，确定所述平均流量。

6.一种测量血管内部血流流量的装置，其特征在于，包括：

获取单元，用于获取多帧连续的原始血管图像；

预处理单元，用于采用人工智能算法对各所述原始血管图像进行预处理，得到多个二值化图像，所述二值化图像中的血管均是连续的；

提取单元，用于从所述二值化图像中提取出一个或者多个目标血管；

构建单元，用于构建所述目标血管的3D血管模型；

测量单元，用于至少根据所述3D血管模型，测得所述目标血管的瞬态流量、瞬态流速、平均流量和平均流速；

所述提取单元包括第一提取模块、第二提取模块、第一获取模块、第一确定模块和第二确定模块，

所述第一提取模块用于采用骨架法从当前帧二值化图像中提取出中心线束；

所述第二提取模块用于在所述当前帧二值化图像上选取一个起点和至少一个终点；

所述第一获取模块用于采用快速行进算法，获取从所述起点至各所述终点的当前帧目标中心线；

所述第一确定模块用于结合所述中心线束和所述当前帧目标中心线，确定当前帧最终目标中心线；

所述第二确定模块用于至少根据所述当前帧最终目标中心线，确定当前帧目标血管；所述装置还包括第一配置单元和第二配置单元，

所述第一配置单元用于根据所述当前帧最终目标中心线和利用所述骨架法从上一帧二值化图像中提取出中心线束，进行配准，得到上一帧最终目标中心线；

所述第二配置单元用于根据所述当前帧最终目标中心线和利用所述骨架法从下一帧二值化图像中提取出中心线束，进行配准，得到下一帧最终目标中心线。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至5中任意一项所述的测量血管内部血流流量的方法。

8.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至5中任意一项所述的测量血管内部血流流量的方法。

Images