CN113379782A - 管状结构的提取方法、装置、设备和存储介质 - Google Patents

管状结构的提取方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN113379782A
CN113379782A CN202110594494.0A CN202110594494A CN113379782A CN 113379782 A CN113379782 A CN 113379782A CN 202110594494 A CN202110594494 A CN 202110594494A CN 113379782 A CN113379782 A CN 113379782A
Authority
CN
China
Prior art keywords
tubular structure
graph
target part
preset
image
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.)
Granted
Application number
CN202110594494.0A
Other languages
English (en)
Other versions
CN113379782B (zh
Inventor
沈建华
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare 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 Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN202110594494.0A priority Critical patent/CN113379782B/zh
Publication of CN113379782A publication Critical patent/CN113379782A/zh
Application granted granted Critical
Publication of CN113379782B publication Critical patent/CN113379782B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/30—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请涉及一种管状结构的提取方法、装置、设备和存储介质，通过获取包括管状结构中心线目标部位影像，并通过预设的增强网络对目标部位影像中的管状结构进行增强，得到目标部位影像中的管状结构增强概率图，然后调用预设的图割算法，沿着管状结构中心线对管状结构增强概率图进行图割，得到最小割，之后根据最小割提取目标部位影像中的管状结构轮廓。该方法可以改善管状结构边缘较小、边缘不光滑以及边缘泄露等情形，优化管状结构边缘提取，从而得到全局的整体优化管状结构的轮廓。

Description

管状结构的提取方法、装置、设备和存储介质
技术领域
本申请涉及医学图像处理技术领域，特别是涉及一种管状结构的提取方法、装置、设备和存储介质。
背景技术
心血管疾病是发病率和死亡率较高的疾病，并且具有发病急、隐蔽性强等特性，因此实现心脏疾病的诊断具有十分重要的临床意义。
目前，伴随着CT的成像速度和扫描精度的提高，CT医学影像已被广泛应用于心脏检查和疾病诊断。与此同时，为了更好地实现心血管疾病的检查，心脏冠脉分割和冠脉边缘提取作为一种辅助手段被广泛使用，其可以精确的提取出冠脉的边缘和轮廓，通过提取的冠脉轮廓可以让医生更加方便的观察狭窄、钙化和斑块等情况，从而为医生对心血管疾病的早期预防和诊断提供依据。例如，相关技术中的冠脉轮廓提取技术包括基于区域增长的冠脉主干提取技术、基于中心线追踪的冠脉提取技术、深度学习网络的冠脉提取技术等等。
然而，由于冠脉的多样性和复杂性，相关技术中的冠脉轮廓提取时不能很好的提取相应轮廓，往往有泄露或者分割不足，从而导致冠脉轮廓提取不够准确。
发明内容
基于此，有必要针对上述技术问题，提供一种管状结构的提取方法、装置、设备和存储介质，能够提高冠脉轮廓的提取准确度。
第一方面，本申请实施例提供一种管状结构的提取方法，该方法包括：
获取目标部位影像；目标部位影像包括管状结构中心线；
通过预设的增强网络对目标部位影像中的管状结构进行增强，得到目标部位影像中的管状结构增强概率图；
调用预设的图割算法，沿着管状结构中心线对管状结构增强概率图进行图割，得到最小割；
根据最小割提取目标部位影像中的管状结构轮廓。
在其中一个实施例中，上述调用预设的图割算法，沿着管状结构中心线对管状结构增强概率图进行图割，得到最小割，包括：
根据管状结构中心线，构建管状结构增强概率图中的管状结构图割图；管状结构图割图包括多个连接边；
根据预设的权值规则，对管状结构图割图的连接边设定权值；
调用图割算法，确定管状结构图割图中权值最小的连接边为最小割。
在其中一个实施例中，上述根据管状结构中心线，构建管状结构增强概率图中的管状结构图割图，包括：
获取管状结构中心线上，每隔预设步长的管状结构中心线法线方向上的垂直截面，得到多个垂直截面；
以管状结构中心线与垂直截面相交的点为圆心，在每个垂直截面上生成以圆点为起始点、间隔预设角度的多个射线；
在多个射线的每个射线上每隔预设步长确定一个备选点；
将邻接的备选点连接形成连接边，得到管状结构图割图。
在其中一个实施例中，上述权值规则中包括不同相邻射线之间的线权值和射线间两点之间的点权值。
在其中一个实施例中，上述获取目标部位影像，包括：
获取目标部位中管状结构的管状结构掩膜；
根据预设的骨架点计算方式，从多个方位对管状结构掩膜进行细化，得到目标部位中管状结构的轮廓骨架；
根据目标部位中管状结构的轮廓骨架，确定目标部位中管状结构的管状结构中心线，得到目标部位影像。
在其中一个实施例中，上述获取目标部位中管状结构的管状结构掩膜，包括：
获取预设的中心线模型和目标部位的体数据之间的相似变换参数；
通过相似变换参数将中心线模型映射到目标部位的体数据中，得到目标部位的体数据中管状结构的主干中心线；
以主干中心线上的各体素为种子体素，基于预设增长条件进行区域增长处理，得到目标部位中管状结构的管状结构掩膜。
在其中一个实施例中，上述根据目标部位中管状结构的轮廓骨架，确定目标部位中管状结构的管状结构中心线，包括：
提取目标部位中管状结构的主干中心线，并根据主干中心线确定目标部位中管状结构的左右分支的起始点；按照左右分支的起始点，确定各分支的末端点到起始点的路径，得到左右分支的中心线；
根据主干中心线和左右分支的中心线，得到目标部位中管状结构的管状结构中心线。
在其中一个实施例中，上述增强网络的训练过程包括：
获取多个包括管状结构数据的样本部位影像；管状结构数据包括管状结构轮廓和管状结构中心线；多个样本部位影像中管状结构正样本的权重大于背景的权重；
将各样本部位影像作为初始增强网络的训练样本集，训练初始增强网络，直至满足预设的收敛条件，得到增强网络。
在其中一个实施例中，上述增强网络训练过程中，通过预设的损失函数降低样本部位影像中负样本所占的权重，以平衡样本部位影像中正负样本的比例。
第二方面，本申请实施例提供一种管状结构的提取装置，该提取装置包括：
获取模块，用于获取目标部位影像；目标部位影像包括管状结构中心线；
增强模块，用于通过预设的增强网络对目标部位影像中的管状结构进行增强，得到目标部位影像中的管状结构增强概率图；
图割模块，用于调用预设的图割算法，沿着管状结构中心线对管状结构增强概率图进行图割，得到最小割；
提取模块，用于根据最小割提取目标部位影像中的管状结构轮廓。
第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，该处理器执行计算机程序时实现上述第一方面中任一项实施例的提取方法步骤。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述第一方面中任一项实施例的提取方法步骤。
本申请实施例提供的一种管状结构的提取方法、装置、设备和存储介质，通过获取包括管状结构中心线目标部位影像，并通过预设的增强网络对目标部位影像中的管状结构进行增强，得到目标部位影像中的管状结构增强概率图，然后调用预设的图割算法，沿着管状结构中心线对管状结构增强概率图进行图割，得到最小割，之后根据最小割提取目标部位影像中的管状结构轮廓。该方法中，获取到包括管状结构中心线目标部位影像后，对目标部位影像中管状结构进行了增强，得到精确的管状结构增强概率图，使得可以在目标部位影像中非常精确地识别出管状结构，在此基础上进行图割的后处理过程，并以最小割确定管状结构的轮廓，使得可以改善管状结构边缘较小、边缘不光滑以及边缘泄露等情形，优化管状结构边缘提取，从而得到全局的整体优化管状结构的轮廓。
附图说明
图1为一个实施例中提供的管状结构的提取方法的应用环境图；
图2为一个实施例中提供的管状结构的提取方法的流程示意图；
图3为一个实施例中提供的管状结构增强结果示意图；
图4为另一个实施例中提供的管状结构的提取方法的流程示意图；
图5为一个实施例中提供的管状结构中垂直截面示意图；
图6为一个实施例中提供的垂直截面中射线示意图；
图7为一个实施例中提供的单条射线中备选点示意图；
图8为一个实施例中提供的连接边示意图；
图9为一个实施例中提供的冠脉中心线确定示意图；
图10为一个实施例中提供的管状结构的提取方法流程图；
图11为一个实施例中提供的管状结构的提取结果示意图；
图12为一个实施例中提供的管状结构的提取装置的结构框图；
图13为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的管状结构的提取方法，可以应用于如图1所示的应用环境中。其中，该应用环境包括计算机设备，该计算机设备的内部结构中的处理器用于提供计算和控制能力。存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。数据库用于存储管状结构的提取方法过程的相关数据。该网络接口用于与外部的其他设备通过网络连接通信。该计算机程序被处理器执行时以实现一种管状结构的提取方法。
在具体介绍本申请实施例的技术方案之前，先对本申请实施例基于的技术背景或者技术演进脉络进行介绍。
相关技术中，冠脉轮廓提取技术包括基于区域增长的冠脉主干提取技术、基于中心线追踪的冠脉提取技术、深度学习网络的冠脉提取技术等等。
其中，基于区域增长的冠脉主干提取技术，是首先会利用类似海森线增强的技术将管状特征进行增强，然后基于增强的结果进行区域增长，从而完成冠脉分割和边缘提取。可见，基于区域增长的冠脉主干提取技术是基于种子点的区域增长，这种技术在冠脉主干造影不够好或者造影有间断的时候经常会导致主干提取不完整，而且区域增长技术一般是基于冠脉增强结果的基础上进行，往往有泄露或者分割不足，从而导致冠脉边缘提取不准确。
其中，基于中心线追踪的冠脉提取技术是首先确定主动脉上的冠脉口作为起始点进行追踪，然后按照一定的步长和方向向前进行追踪，按照深度或者广度算法依次追踪从而得到冠脉树，在此基础上利用管状模板在周边区域提取边缘，完成冠脉分割和边缘提取。可见，基于中心线追踪的冠脉提取技术是基于一定的步长和方向，步长和方向有一定的间隔，可能会跳过一些细小分支，导致冠脉分割不完整，而且追踪技术是在中心线的基础上实现的，并不能很好的提取相应轮廓。
而深度学习网络的冠脉提取技术则是在选定深度网络(诸如vnet或者une t)的基础上，标定若干心脏冠脉的数据，然后采用网络进行训练，最后按照训练网络进行分割。这种网络尽管可能对于部分扫描结果较好的数据有很好的结果，但由于冠脉的多样性和复杂性，网络对于一些数据会出现断裂和泄露，仍然无法提取准确轮廓。
鉴于此，本申请实施例提供一种管状结构的提取方法、装置、设备和存储介质，能够结合深度学习和图割的冠脉准确轮廓提取方法，从而提高冠脉轮廓的提取准确度。另外，需要说明的是，从上述技术缺陷的发现以及下述实施例介绍的技术方案，申请人均付出了大量的创造性劳动。
下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是，下面对本申请实施例提供的一种管状结构的提取方法进行说明时，以执行主体是计算机设备进行说明。为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。
在一个实施例中，提供了一种管状结构的提取方法。本实施例涉及的是先通过增强网络对目标部位影像中的管状结构进行增强，得到目标部位影像中的管状结构增强概率图后，采用图割算法对管状结构增强概率图进行图割，根据图割后得到最小割提取目标部位影像中的管状结构轮廓的具体过程；如图2所示，该实施例包括以下步骤：
S101，获取目标部位影像；目标部位影像包括管状结构中心线。
目标部位指的主体的任何一个部位，例如，以人体为例，该目标部位可以是人体的心脏、人体的腹部、人体的喉部等等。该目标部位影像中包括管状结构中心线，这里的管状结构泛指血管、气管、冠状动脉等管状物，在影像中存在管状结构本身的同时，该管状结构的中心线也存在在该影像中。而在实际应用中，该管状结构中心线可以是经过标注已经显示在目标部位的影像中，即获取到该目标部位影像时，可以直接观察到管状结构中心线；也可以是获取该目标部位影像时，仅确定目标部位影像中存在管状结构及管状结构中心线，但并未直接在目标部位影像中标注出管状结构中心线。本申请实施例对管状结构中心线在目标部位影像中的状态不作限定。
具体地，获取目标部位影像的方式可以是从预先存储的数据库中获取、从其他设备中获取等；也可以是从网络平台下载，当然，还可以是通过其他设备采集到目标部位影像后传输过来，本申请实施例对目标部位影像的获取方式不作限定。
其中，目标部位影像的类型也不作限定，其类型包括但不限于是磁共振影像、CT影像、超声影像以及各类型的混合影像等，每种类型的影像通过对应医学扫描设备获取，例如，医学扫描设备可以为CT设备、PET-CT设备(正电子发射计算机断层显像)、MRI设备(磁共振成像)、超声设备等，可以通过平扫、注射造影剂后重点扫描等多种方式对受测对象进行扫描得到该目标部位影像。可以理解的是，该目标部位影像可以是三维影像(体数据)也可以是二维图像，本申请实施例对此不作限定。以目标部位影像为心脏体数据为例，获取方式可以是：计算机设备接收医学扫描设备传输的包含冠脉的心脏扫描图像序列后，对心脏扫描图像序列进行三维重建等处理，得到包含冠脉中心线的心脏体数据。
S102，通过预设的增强网络对目标部位影像中的管状结构进行增强，得到目标部位影像中的管状结构增强概率图。
增强网络为预先训练的，用于对目标部位影像中的管状结构进行增强的深度学习网络模型。例如，该深度学习网络模型为vnet网络，管状结构为冠脉，则利用增强网络对目标部位影像中的管状结构进行增强，就是利用vnet网络对目标部位中的冠脉进行血管增强，得到的目标部位影像中的管状结构增强概率图也即是血管增强概率图，该概率图为heatmap概率图，在概率图上每个像素点的值代表着对应像素是冠脉血管(管状结构)的概率。整体心脏和冠脉的区域界限如图3所示，图3中(a)图为心脏冠脉体数据，经过增强网络对心脏冠脉进行血管增强后，得到图3中(b)图的血管增强概率图，该概率图上值得大小代表着对应像素是冠脉血管的概率大小。
可选地，增强网络的训练过程包括：获取多个包括管状结构数据的样本部位影像；管状结构数据包括管状结构轮廓和管状结构中心线；多个样本部位影像中管状结构正样本的权重大于背景的权重；将各样本部位影像作为初始增强网络的训练样本集，训练初始增强网络，直至满足预设的收敛条件，得到增强网络。
为了提高管状结构轮廓提取效率，增强网络的训练为在实施本申请实施例之前进行，实施本申请实施例时可直接调用已经训练好的增强网络。
在训练增强网络时，首先需要获取训练增强网络的样本数据，即获取多个样本部位影像，这些样本部位影像中包括各种管状结构相关数据，例如，管状结构的轮廓以及中心线；且这些样本部位影像中管状结构的正样本权重需大于背景的权重。仍以冠脉、vnet网络为例，在训练vnet网络时，获取训练vnet网络的样本部位影像时，获取的数量可以是87套样本部位影像，为了保证样本多样性，样本数据的量越多越好，且不同的管状(血管、气管)等均要获取，以提高样本数据的多样性。
示例地，获取样本数据时，可以是在历史数据库中获取符合要求的数据作为上述样本数据，也开始对冠脉影像进行处理后得到上述样本数据，例如，可以是利用冠脉分割算法对冠脉影像进行分割，得到初步结果，然后在初步结果上进行管状结构的轮廓以及中心线的标注后得到上述样本数据。
获取了增强网络的样本数据之后，利用vnet网络进行训练并使之收敛，即将各样本部位影像作为初始增强网络的训练样本集，训练初始增强网络，直至满足预设的收敛条件，得到增强网络。可选地，增强网络训练过程中，通过预设的损失函数降低样本部位影像中负样本所占的权重，以平衡样本部位影像中正负样本的比例。其中，网络训练时，可以采用focal loss(预设的目标损失函数)来平衡输入的训练样本数据，该损失函数可以突出前景和背景的对比度较高，也就是在边缘处获得最好的梯度，例如，使得冠脉正样本和背景的权重比设为10比1，避免正负样本比例失衡，保证训练的增强网络的鲁棒性和准确性；应用时，调用训练好的增强网络，将上述步骤获取的目标部位影像输入至该增强网络中后，即可得到目标部位影像中管状结构的增强概率图。
S103，调用预设的图割算法，沿着管状结构中心线对管状结构增强概率图进行图割，得到最小割。
基于上述S102步骤中获取到的目标部位影像中的管状结构增强概率图，对目标部位影像中的管状结构增强概率图进行图割，以获取最小割。其中，这里需引入割的概念，通俗理解，一个图或网络的割表示一个切面或切线，将图或网络划分为分别包含源点和汇点的两个子集，该切线或切面与网络相交的楞或边的集合，称为图像的割，而最小割指的是能量最低的割，即边权值和最小的割即为最小割。
对管状结构增强概率图进行图割可以通过调用预设的图割算法进行，利用图割算法沿着管状结构中心线对管状结构增强概率图进行图割，得到最小割。其中，图割算法可以是graph-cut、grab-but、one-cut等，本申请实施例对此不作限定。
S104，根据最小割提取目标部位影像中的管状结构轮廓。
得到最小割后，该最小割中各连接边构成的区域即为管状结构的轮廓。
本申请实施例提供的管状结构的提取方法，通过获取包括管状结构中心线目标部位影像，并通过预设的增强网络对目标部位影像中的管状结构进行增强，得到目标部位影像中的管状结构增强概率图，然后调用预设的图割算法，沿着管状结构中心线对管状结构增强概率图进行图割，得到最小割，之后根据最小割提取目标部位影像中的管状结构轮廓。该方法中，获取包括管状结构中心线目标部位影像后，对目标部位影像中的管状结构进行了增强，得到精确的管状结构增强概率图，使得可以在目标部位影像中非常精确地识别出管状结构，在此基础上进行图割的后处理过程，并以最小割确定管状结构的轮廓，使得可以改善管状结构边缘较小、边缘不光滑以及边缘泄露等情形，优化管状结构边缘提取，从而得到全局的整体优化管状结构的轮廓。
基于上述实施例，下面提供一种对上述沿着管状结构中心线对管状结构增强概率图进行图割，得到最小割的过程的实施例。则如图4所示，在一个实施例中，上述S103包括以下步骤：
S201，根据管状结构中心线，构建管状结构增强概率图中的管状结构图割图；管状结构图割图包括多个连接边。
在管状结构增强概率图中，沿着管状结构中心线，构建图割所需的管状结构图割图，且构建的管状结构图割图包括多个连接边。
可选地，构建管状结构图割图的一种可实现方式包括：获取管状结构中心线上，每隔预设步长的管状结构中心线法线方向上的垂直截面，得到多个垂直截面；以管状结构中心线与垂直截面相交的点为圆心，在每个垂直截面上生成以圆点为起始点、间隔预设角度的多个射线；在多个射线的每个射线上每隔预设步长确定一个备选点；将邻接的备选点连接形成连接边，得到管状结构图割图。
如图5所示，沿着管状结构中心线L上，按照每隔0.5mm的步长，进行法线方向的截取，可得到N个垂直截面：即图5中M1、M2、M3、...、Mn。
得到N个垂直截面之后，以管状结构中心线L与垂直截面相交的点为圆心，在每个垂直截面上生成圆点为起始点、间隔预设角度的多个射线。如图6所示，示意出其中一个垂直截面Mi(i泛指任一个垂直截面，即对每个垂直截面进行如下操作),将该垂直截面Mi展开，以该垂直截面Mi与管状结构中心线L的交点R为圆心，然后以R为起始点，以预设角度(10度)为间隔，每隔10度发射一条射线，得到X条(例如36条)射线。
然后在多个射线的每个射线上每隔预设步长确定一个备选点；将邻接的备选点连接形成连接边，得到管状结构图割图。
对每条射线进行如下操作，设任一个射线为Pi,那么如图7所示，在Pi上每个预设步长(0.5mm)选定一个备选点Y，共可的到S个点(例如15个点)，所有射线和所有垂直截面综合起来就是得到N*X*S个顶点，代入上述数据即为得到L*36*15个顶点，最后，将各顶点中邻接的备选点相连接形成连接边，从而得到管状结构图割图，如图8所示，以其中两个相邻的垂直截面中的一环的备选点为例，Mi和Mi+1为两个相邻的垂直截面，对该两个相邻的垂直截面中邻接的备选点连接形成连接边(点Pi,j；Yi,j和点Pi+1,j；Yi+1,j之间的连线)，其中，i和j均指代任意一个的含义，可以相等也可以不相等，其中，Pi,j；Yi,j表示第i个垂直截面M上的第j条射线P中的第j个备选点Y；同理，Pi+1,j；Yi+1,j则表示第i+1个垂直截面Mi+1上的第j条射线P中的第j个备选点Y。即最后构成的管状结构图割图中，是多个垂直截面，每个垂直截面上多个射线，每个射线上多个备选点，而相邻垂直截面之间的同一环的备选点相连接，两个备选点的连接线称为连接边。
S202，根据预设的权值规则，对管状结构图割图的连接边设定权值。
构建了管状结构图割图之后，开始对管状结构图割图的各连接边设定权值。
具体地，以预设的权值规则来设定，该权值规则指的是满足管状结构的柱状结构和管状结构增强概率图中像素的概率值的规则，再具体到冠脉，则就是满足冠脉的柱状结构和血管增强概率图中像素的概率值的规则。
可选地，该权值规则中包括不同相邻射线之间的线权值和射线间两点之间的点权值。其中，线权值表示曲面光滑系数，用于满足冠脉的柱状形状结构；点权值表示备选点是否落在管状结构增强概率图中管状结构和非管状结构的边界上，用于满足管状结构增强概率图中像素的概率值。
例如，权值规则可以通过公式表达为：
Figure BDA0003090439830000121
其中，V表示为点集合，E表示为射线集合，X为像素点；g表示不同相邻射线(包括不同截面的相邻射线)之间的权值，该权值的大小表示曲面光滑系数，曲面光滑系数可以看做是反映相邻点之间的连续程度的系数，主要是为了保证各连线构成的形状更加符合柱状；h表示射线间两点之间的权值，此权值的大小表示射线间两点是否落在边界上，例如，是否落在冠脉和非冠脉的交界处，其主要取决于管状结构增强概率图，是为了保证最后的射线上点更加匹配边界区域，例如刚好落在边界上，以准确地确定出管状结构轮廓。
S203，调用图割算法，确定管状结构图割图中权值最小的连接边为最小割。
在确定了管状结构图割图之后，调用图割算法来确定管状结构图割图中权值的和最小的那些连接边，这些权值和最小的连接边构成的图割称为最小割，也就是管状结构的最终提取得到的轮廓。
本申请实施例中，通过根据管状结构中心线，构建管状结构增强概率图中管状结构进行图割所需的管状结构图割图，并根据预设的权值规则，对管状结构图割图的连接边设定权值，然后调用图割算法，确定管状结构图割图中权值最小的连接边为最小割。由于构建管状结构图割图时，划分的各连接边设定了对应权重来表示各连接边符合管状结构轮廓的程度，这样以权值和最小的连接边构成的最小割来确定管状结构的最终提取得到的轮廓，可以大大提高管状结构轮廓提取的准确性。
前面实施例提及，目标部位影像中包括了管状结构的中心线，而该管状结构的中心线可以是经过对采集的目标部位初始影像进行处理后确定出来的。下面通过一个实施例，对上述获取包括管状结构中心线的目标部位影像的过程进行说明。如图9所示，该实施例包括：
S301，获取目标部位中管状结构的管状结构掩膜。
管状结构掩膜指的是影像中将管状结构和非管状结构以0和1表示的二进制图像。其中，获取管状结构掩膜的方式可以是，直接在数据库获取预先已经生成并存储在数据库中的目标部位的管状结构掩膜；也可以是实时根据目标部位的影像生成目标部位的管状结构掩膜；本申请实施例对管状结构掩膜的获取方式不作限定。
可选地，获取目标部位中管状结构的管状结构掩膜的一种可实现方式为：获取预设的中心线模型和目标部位的体数据之间的相似变换参数；通过相似变换参数将中心线模型映射到目标部位的体数据中，得到目标部位的体数据中管状结构的主干中心线；以主干中心线上的各体素为种子体素，基于预设增长条件进行区域增长处理，得到目标部位中管状结构的管状结构掩膜。
以管状结构是冠脉、目标部位是心脏为例，预设的中心线模型为可以为包括冠脉主干的心脏结构模型，冠脉主干模型中的冠脉主干位置信息是已知的，可以理解为冠脉主干(或理解为冠脉主干的中心线)的各点的三维坐标是已知的；其中，心脏结构模型可以包括完整心脏结构，也可以以包括部分心脏结构，例如主动脉结构。其中，中心线模型可以是权威机构发布的标准中心线模型，也可以是预先储存的针对目标部位的中心线模型，或者还可以是实时构建的中心线模型，本申请实施例对此并不限制。
目标部位的体数据则是通过医学扫描设备扫描心脏获取的心脏体数据。一般地，中心线模型中还可以包括各心脏特征，例如心脏轮廓特征、心脏腔室特征、心脏主动脉特征等较易识别的特征，便于以各心脏特征为基准定位冠脉。那么，获取预设的中心线模型和目标部位的体数据之间的相似变换参数时，可以是将预设的中心线模型与包含目标冠脉的心脏体数据基于二者的同一心脏特征进行对比。示例性地，将中心线模型作为模板，采用图像配准算法将心脏体数据与该中心线模型进行配准，使得心脏体数据中的主动脉特征可以与中心线模型中的主动脉特征重合，获得此时对应的相似变换参数。其中，相似变换参数可以为旋转变化参数、平移变化参数和缩放变化参数中的一种或多种的组合。
获取了相似变换参数之后，通过相似变换参数将中心线模型映射到目标部位的体数据中，得到目标部位的体数据中管状结构的主干中心线。
一种方式中，利用中心线模型中的管状结构心线在每个点周边查找管状结构增强效果高的数据，然后利用动态规划找出沿着中心线点的最佳路径，经过多次迭代得到管状结构主干中心线。
另一种方式中，以心脏和冠脉为例，可以根据相似变换参数对心脏体数据进行变换，也即通过相似变换参数将中心线模型映射到目标部位的体数据中，变换后的心脏体数据与中心线模型之间的同一心脏特征应该重合，即二者的冠脉主干也应该重合，因此可以根据中心线模型中的冠脉中心线位置信息，从变换后的心脏体数据中获取与冠脉中心线位置信息匹配的体数据，将该体数据作为心脏体数据中冠脉主干中心线，即目标部位的体数据中管状结构的主干中心线。其中，冠脉中心线位置信息指的是组成冠脉中心线的各点的三维坐标，则从变换后的心脏体数据中获取与上述各点的三维坐标匹配的体素点，这些匹配的体素点构成冠脉的主干中心线；当然，最终确定的目标冠脉主干中心线还可以包括上述各匹配的体素周围预设区域内的体素，以及包括对各匹配的体素中各组相邻体素之间的心脏体数据进行采样得到的体素。可以理解的是，心脏体数据中与组成冠脉主干的各点的三维坐标对应的点即为目标冠脉主干上的点，因此上述匹配的体素可以是上述目标冠脉主干上的点所属的体素，也可以是与上述目标冠脉主干上的点之间的距离在预设距离阈值之内的体素，或者其它匹配规则得到的体素，本申请实施例对此不作限定。
确定目标部位的体数据中管状结构的主干中心线后，以主干中心线上的各体素为种子体素，基于预设增长条件进行区域增长处理，得到目标部位中管状结构的管状结构掩膜。
仍以冠脉和心脏为例，将上述的冠脉主干中心线上的点作为种子点，并依照冠脉增强结果进行区域增长，即可得到冠脉掩膜。
具体地，将冠脉主干中心线上的各体素点分别为种子体素，判断与各种子体素连通的体素是否满足预设生长条件，若满足，则该体素属于冠脉，并将属于冠脉的体素重新作为种子体素进行区域生长处理，如此，不断将区域生长得到的新的冠脉的体素作为新的种子体素进行区域生长处理，直至所有与新的种子体素连通的体素不满足预设生长条件为止，最终得到心脏体数据中的冠脉掩膜。其中，生长条件可以包括：与种子体素连通的体素的体素值与冠脉主干中心线的特征体素值的差值小于预设阈值，而冠脉主干中心线的特征体素值可以为冠脉主干中心线的各体素的体素值的中位值、平均值等特征值；当然，该生长条件也可以是与种子体素连通的体素属于冠脉的概率值大于或等于第一概率阈值等，本申请实施例对生长条件不作限定。
因为中心线模型中的冠脉主干中心线是完整的，因此提取出的冠脉主干中心线也是完整的，因此最终基于完整的冠脉主干中心线进行区域生长处理得到的冠脉掩膜也是完整的，从而保证了获取的管状结构掩膜的完整性。
S302，根据预设的骨架点计算方式，从多个方位对管状结构掩膜进行细化，得到目标部位中管状结构的轮廓骨架。
在得到目标部位中管状结构掩膜之后，需要对管状结构掩膜进行细化得到管状结构的轮廓骨架。即，可根据预设的骨架点计算方式，从多个方位对管状结构掩膜进行细化，得到目标部位中管状结构的轮廓骨架。
具体地，以冠脉为例，预先设定一骨架点计算条件，例如，计算条件为点附近六领域内冠脉不连通且点附近十八领域背景不连通。以此计算条件为依据，依次从上下左右前后六个方位进行细化，迭代细化直至得到冠脉骨架。其中，细化处理所采用的算法可以称为图像骨架算法，例如k3m算法、Zhang-Suen算法等，本申请实施例对此也不作限定。
S303，根据目标部位中管状结构的轮廓骨架，确定目标部位中管状结构的管状结构中心线，得到目标部位影像。
得到了目标部位中管状结构的轮廓骨架后，根据目标部位中管状结构的轮廓骨架，确定目标部位中管状结构的管状结构中心线。
由于实际中的冠脉除了冠脉主干外，还可以包括在冠脉主干上延伸、分叉出的冠脉细支，因此，除了获取上述冠脉主干的中心线还需要确定冠脉分支的中心线。
可选地，提取目标部位中管状结构的主干中心线，并根据主干中心线确定目标部位中管状结构的左右分支的起始点；按照左右分支的起始点，确定各分支的末端点到起始点的路径，得到左右分支的中心线；根据主干中心线和左右分支的中心线，得到目标部位中管状结构的管状结构中心线。
即，根据冠脉主干中心线先确定左右冠脉树的左右起始点，然后按照起始点找出骨架各端点到起始点的路径，从而得到左右冠脉树的中心线骨架，而左右冠脉树的中心线和冠脉主干中心线共同构成冠脉中心线，包括冠脉中心线的影像即为最终获取的心脏影像。
如图9所示，图9中(a)为心脏的冠脉掩码影像，而图9中的(b)图则是进行了骨架化后，包括冠脉中心线的心脏影像。
本申请实施例中通过先对扫描的目标部位体数据进行管状结构分割，确定出管状结构的掩膜，然后对管状结构掩膜进行骨架化得到目标部位中管状结构的轮廓骨架，最后根据目标部位中管状结构的轮廓骨架，确定目标部位中管状结构的管状结构中心线，即可得到目标部位影像。由于是对目标部位体数据进行客观手段处理后确定了管状结构中心线，使得管状结构中心线的确定非常精确，从而使得在利用目标部位影像中管状结构中心线确定管状结构轮廓时，使得管状结构轮廓的提取更加准确。
如图10所示，本申请实施例还提供一种管状结构的提取方法的实施例，该实施例以冠脉和心脏为例，则该实施例包括：
S1，获取预设的中心线模型和心脏的体数据之间的相似变换参数。
S2，通过相似变换参数将中心线模型映射到心脏的体数据中，得到心脏的体数据中冠脉的主干中心线。
S3，以主干中心线上的各体素为种子体素，基于预设增长条件进行区域增长处理，得到心脏中冠脉的冠脉掩膜。
S4，根据预设的骨架点计算方式，从多个方位对冠脉掩膜进行细化，得到心脏中冠脉的轮廓骨架。
S5，提取心脏中冠脉的主干中心线，并根据主干中心线确定心脏中冠脉的左右分支的起始点；按照左右分支的起始点，确定各分支的末端点到起始点的路径，得到左右分支的中心线。
S6，根据主干中心线和左右分支的中心线，得到心脏中冠脉的冠脉中心线，得到心脏影像。
S7，通过预设的增强网络对心脏影像中冠脉进行增强，得到心脏影像的冠脉增强概率图。
S8，获取冠脉中心线上，每隔预设步长的冠脉中心线法线方向上的垂直截面，得到多个垂直截面。
S9，以冠脉中心线与垂直截面相交的点为圆心，在每个垂直截面上生成圆点为起始点、间隔预设角度的多个射线。
S10，在多个射线的每个射线上每隔预设步长确定一个备选点，将邻接的备选点连接形成连接边，得到冠脉图割图。
S11，根据预设的权值规则，对冠脉图割图的连接边设定权值，调用图割算法，确定冠脉图割图中权值最小的连接边为最小割。
S12，根据最小割提取心脏影像中的冠脉轮廓。
本实施例提供的管状结构的提取方法，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
请参见图11所示，图11中(a)为未采用本申请实施例提取冠脉轮廓的提结果，图11中(b)为采用本申请实施例提取冠脉轮廓的提结果，从图11中(a)和图11中(b)相比，明显可以看出图11中(a)在分割不够光滑且有部分泄露，但是(b)中得到非常显著的改善，冠脉轮廓边缘光滑、无边缘泄露，得到了整体优化冠脉轮廓。
因此，本申请实施例提供的管状结构的提取方法，结合深度学习和图割的冠脉边缘优化方法，在冠脉分割的基础上，提取冠脉的骨架并生成骨架和提取中心线，然后采用深度学习网络对冠脉血管进行增强，并沿着中心线对血管增强概率图进行图割。这样，通过基于深度学习网络的冠脉血管增强，可以充分利用深度学习的优势，得到比较精确的血管增强概率图，而通过沿着中心线对血管增强概率图的图割，可以得到全局的整体优化冠脉轮廓，使得可以改善冠脉边缘较小、边缘不光滑以及边缘泄露等情形，优化冠脉边缘提取，从而得到全局的整体优化冠脉轮廓。
应该理解的是，虽然上述实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述实施例的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图12所示，提供了一种管状结构的提取装置，该装置包括：获取模块10、增强模块11、图割模块12和提取模块13，其中：
获取模块10，用于获取目标部位影像；目标部位影像包括管状结构中心线；
增强模块11，用于通过预设的增强网络对目标部位影像中的管状结构进行增强，得到目标部位影像中的管状结构增强概率图；
图割模块12，用于调用预设的图割算法，沿着管状结构中心线对管状结构增强概率图进行图割，得到最小割；
提取模块13，用于根据最小割提取目标部位影像中的管状结构轮廓。
在一个实施例中，上述图割模块12包括：
构建单元，用于根据管状结构中心线，构建管状结构增强概率图中的管状结构图割图；管状结构图割图包括多个连接边；
设定单元，用于根据预设的权值规则，对管状结构图割图的连接边设定权值；
确定单元，用于调用图割算法，确定管状结构图割图中权值最小的连接边为最小割。
在一个实施例中，上述构建单元，还用于获取管状结构中心线上，每隔预设步长的管状结构中心线法线方向上的垂直截面，得到多个垂直截面；以管状结构中心线与垂直截面相交的点为圆心，在每个垂直截面上生成以圆点为起始点、间隔预设角度的多个射线；在多个射线的每个射线上每隔预设步长确定一个备选点；将邻接的备选点连接形成连接边，得到管状结构图割图。
在一个实施例中，上述权值规则中包括不同相邻射线之间的线权值和射线间两点之间的点权值。
在一个实施例中，上述获取模块10包括：
掩模获取单元，用于获取目标部位中管状结构的管状结构掩膜；
骨架获取单元，用于根据预设的骨架点计算方式，从多个方位对管状结构掩膜进行细化，得到目标部位中管状结构的轮廓骨架；
影像确定单元，用于根据目标部位中管状结构的轮廓骨架，确定目标部位中管状结构的管状结构中心线，得到目标部位影像。
在一个实施例中，上述掩模获取单元，还用于获取预设的中心线模型和目标部位的体数据之间的相似变换参数；通过相似变换参数将中心线模型映射到目标部位的体数据中，得到目标部位的体数据中管状结构的主干中心线；以主干中心线上的各体素为种子体素，基于预设增长条件进行区域增长处理，得到目标部位中管状结构的管状结构掩膜。
在一个实施例中，上述影像确定单元，还用于提取目标部位中管状结构的主干中心线，并根据主干中心线确定目标部位中管状结构的左右分支的起始点；按照左右分支的起始点，确定各分支的末端点到起始点的路径，得到左右分支的中心线；根据主干中心线和左右分支的中心线，得到目标部位中管状结构的管状结构中心线。
在一个实施例中，该装置还包括：
样本数据获取模块，用于获取多个包括管状结构数据的样本部位影像；管状结构数据包括管状结构轮廓和管状结构中心线；多个样本部位影像中管状结构正样本的权重大于背景的权重；
网络训练模块，用于将各样本部位影像作为初始增强网络的训练样本集，训练初始增强网络，直至满足预设的收敛条件，得到增强网络。
在一个实施例中，上述增强网络训练过程中，通过预设的损失函数降低样本部位影像中负样本所占的权重，以平衡样本部位影像中正负样本的比例。
关于管状结构的提取装置的具体限定可以参见上文中对于管状结构的提取方法的限定，在此不再赘述。上述管状结构的提取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种管状结构的提取方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取目标部位影像；目标部位影像包括管状结构中心线；
通过预设的增强网络对目标部位影像中的管状结构进行增强，得到目标部位影像中的管状结构增强概率图；
调用预设的图割算法，沿着管状结构中心线对管状结构增强概率图进行图割，得到最小割；
根据最小割提取目标部位影像中的管状结构轮廓。
上述实施例提供的一种计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取目标部位影像；目标部位影像包括管状结构中心线；
通过预设的增强网络对目标部位影像中的管状结构进行增强，得到目标部位影像中的管状结构增强概率图；
调用预设的图割算法，沿着管状结构中心线对管状结构增强概率图进行图割，得到最小割；
根据最小割提取目标部位影像中的管状结构轮廓。
上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种管状结构的提取方法，其特征在于，所述方法包括：
获取目标部位影像；所述目标部位影像包括管状结构中心线；
通过预设的增强网络对所述目标部位影像中的管状结构进行增强，得到所述目标部位影像中的管状结构增强概率图；
调用预设的图割算法，沿着所述管状结构中心线对所述管状结构增强概率图进行图割，得到最小割；
根据所述最小割提取所述目标部位影像中的管状结构轮廓。
2.根据权利要求1所述的提取方法，其特征在于，所述调用预设的图割算法，沿着所述管状结构中心线对所述管状结构增强概率图进行图割，得到最小割，包括：
根据所述管状结构中心线，构建所述管状结构增强概率图中的管状结构图割图；所述管状结构图割图包括多个连接边；
根据预设的权值规则，对所述管状结构图割图的连接边设定权值；
调用所述图割算法，确定所述管状结构图割图中权值最小的连接边为所述最小割。
3.根据权利要求2所述的提取方法，其特征在于，所述根据所述管状结构中心线，构建所述管状结构增强概率图中的管状结构图割图，包括：
获取所述管状结构中心线上，每隔预设步长的所述管状结构中心线法线方向上的垂直截面，得到多个垂直截面；
以所述管状结构中心线与垂直截面相交的点为圆心，在每个垂直截面上生成以所述圆点为起始点、间隔预设角度的多个射线；
在所述多个射线的每个射线上每隔所述预设步长确定一个备选点；
将邻接的备选点连接形成所述连接边，得到所述管状结构图割图。
4.根据权利要求3所述的提取方法，其特征在于，所述权值规则中包括不同相邻射线之间的线权值和射线间两点之间的点权值。
5.根据权利要求1-4任一项所述的提取方法，其特征在于，所述获取目标部位影像，包括：
获取所述目标部位中管状结构的管状结构掩膜；
根据预设的骨架点计算方式，从多个方位对所述管状结构掩膜进行细化，得到所述目标部位中管状结构的轮廓骨架；
根据所述目标部位中管状结构的轮廓骨架，确定所述目标部位中管状结构的管状结构中心线，得到所述目标部位影像。
6.根据权利要求1-4任一项所述的提取方法，其特征在于，所述增强网络的训练过程包括：
获取多个包括管状结构数据的样本部位影像；所述管状结构数据包括管状结构轮廓和管状结构中心线；多个所述样本部位影像中管状结构正样本的权重大于背景的权重；
将各所述样本部位影像作为初始增强网络的训练样本集，训练初始增强网络，直至满足预设的收敛条件，得到所述增强网络。
7.根据权利要求6所述的提取方法，其特征在于，所述增强网络训练过程中，通过预设的损失函数降低所述样本部位影像中负样本所占的权重，以平衡所述样本部位影像中正负样本的比例。
8.一种管状结构的提取装置，其特征在于，所述提取装置包括：
获取模块，用于获取目标部位影像；所述目标部位影像包括管状结构中心线；
增强模块，用于通过预设的增强网络对所述目标部位影像中的管状结构进行增强，得到所述目标部位影像中的管状结构增强概率图；
图割模块，用于调用预设的图割算法，沿着所述管状结构中心线对所述管状结构增强概率图进行图割，得到最小割；
提取模块，用于根据所述最小割提取所述目标部位影像中的管状结构轮廓。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述提取方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的提取方法的步骤。
CN202110594494.0A 2021-05-28 2021-05-28 管状结构的提取方法、装置、设备和存储介质 Active CN113379782B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110594494.0A CN113379782B (zh) 2021-05-28 2021-05-28 管状结构的提取方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110594494.0A CN113379782B (zh) 2021-05-28 2021-05-28 管状结构的提取方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN113379782A true CN113379782A (zh) 2021-09-10
CN113379782B CN113379782B (zh) 2023-06-30

Family

ID=77574856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110594494.0A Active CN113379782B (zh) 2021-05-28 2021-05-28 管状结构的提取方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113379782B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2808844A2 (en) * 2013-05-31 2014-12-03 Siemens Aktiengesellschaft Segmentation of a calcified blood vessel
CN105741251A (zh) * 2016-03-17 2016-07-06 中南大学 一种肝脏cta序列图像的血管分割方法
CN108805871A (zh) * 2018-06-14 2018-11-13 艾瑞迈迪医疗科技（北京）有限公司 血管图像处理方法、装置、计算机设备和存储介质
CN109544566A (zh) * 2018-11-29 2019-03-29 上海联影医疗科技有限公司 冠脉图像分割方法、装置、计算机设备和存储介质
CN110349143A (zh) * 2019-07-08 2019-10-18 上海联影医疗科技有限公司 一种确定管状组织感兴趣区的方法、装置、设备及介质
CN111681224A (zh) * 2020-06-09 2020-09-18 上海联影医疗科技有限公司 获取血管参数的方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2808844A2 (en) * 2013-05-31 2014-12-03 Siemens Aktiengesellschaft Segmentation of a calcified blood vessel
CN105741251A (zh) * 2016-03-17 2016-07-06 中南大学 一种肝脏cta序列图像的血管分割方法
CN108805871A (zh) * 2018-06-14 2018-11-13 艾瑞迈迪医疗科技（北京）有限公司 血管图像处理方法、装置、计算机设备和存储介质
CN109544566A (zh) * 2018-11-29 2019-03-29 上海联影医疗科技有限公司 冠脉图像分割方法、装置、计算机设备和存储介质
CN110349143A (zh) * 2019-07-08 2019-10-18 上海联影医疗科技有限公司 一种确定管状组织感兴趣区的方法、装置、设备及介质
CN111681224A (zh) * 2020-06-09 2020-09-18 上海联影医疗科技有限公司 获取血管参数的方法和装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHENGLONG WANG ET AL: "Precise estimation of renal vascular dominant regions using spatially aware fully convolutional networks,tensor-cut and Voronoi diagrams", 《COMPUTERIZED MEDICAL IMAGING AND GRAPHICS》 *
CHENGLONG WANG ET AL: "Precise estimation of renal vascular dominant regions using spatially aware fully convolutional networks,tensor-cut and Voronoi diagrams", 《COMPUTERIZED MEDICAL IMAGING AND GRAPHICS》, 31 December 2019 (2019-12-31), pages 1 - 6 *
孙飞飞: "基于中心线的大脑血管自动分割方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
孙飞飞: "基于中心线的大脑血管自动分割方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 January 2019 (2019-01-15), pages 2 *

Also Published As

Publication number Publication date
CN113379782B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN109544566B (zh) 冠脉图像分割方法、装置、计算机设备和存储介质
US10482602B2 (en) System and method for image segmentation
CN107798682B (zh) 图像分割系统、方法、装置和计算机可读存储介质
Li et al. Optimal surface segmentation in volumetric images-a graph-theoretic approach
US8358819B2 (en) System and methods for image segmentation in N-dimensional space
US20070109299A1 (en) Surface-based characteristic path generation
US9275432B2 (en) Method of, and apparatus for, registration of medical images
CN113516659B (zh) 一种基于深度学习的医学影像自动分割方法
CN109215033A (zh) 图像分割的方法及系统
CN106651895B (zh) 一种分割三维图像的方法和装置
CN109712163B (zh) 冠脉提取方法、装置、图像处理工作站和可读存储介质
CN109478327B (zh) 用于在任意视场计算断层摄影血管造影（cta）中自动检测全身动脉的方法
CN113538471B (zh) 斑块的分割方法、装置、计算机设备和存储介质
US20070165917A1 (en) Fully automatic vessel tree segmentation
CN111105424A (zh) 淋巴结自动勾画方法及装置
US10524823B2 (en) Surgery assistance apparatus, method and program
CN113192069A (zh) 三维断层扫描图像中树状结构的语义分割方法和装置
US9019272B2 (en) Curved planar reformation
CN115564782A (zh) 3d血管及气管分割方法及系统
Wang et al. Coronary artery segmentation and skeletonization based on competing fuzzy connectedness tree
CN114340496A (zh) 基于vrds ai医学影像的心脏冠脉的分析方法和相关装置
KR102431173B1 (ko) 진단 영상에서 심층신경망을 이용한 국소종양진행을 진단하기 위한 장치 및 국소종양진행 진단에 필요한 정보를 제공하는 방법
CN110570929B (zh) 结构展示方法、装置、计算机设备和存储介质
CN116051553B (zh) 一种在三维医学模型内部进行标记的方法和装置
CN113379782B (zh) 管状结构的提取方法、装置、设备和存储介质

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