CN113538471B - 斑块的分割方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种斑块的分割方法、装置、计算机设备和存储介质。通过获取包括了多个基准图像块的目标冠脉，通过预设的斑块检测网络，分别对目标冠脉中的各个基准图像块进行冠脉斑块检测，得到候选基准图像块，然后将得到的候选基准图像块输入至预设的斑块分割网络中，即得到候选基准图像块的冠脉斑块分割结果。该方法可以提高冠脉斑块检测的识别率，以及可以将冠脉斑块的边缘细节分割更加精确，实现快速且精确地分割出每个候选基准图像块中的冠脉斑块。

Description

斑块的分割方法、装置、计算机设备和存储介质

技术领域

本申请涉及医学图像处理技术领域，特别是涉及一种斑块的分割方法、装置、计算机设备和存储介质。

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，冠心病的主要病理基础就是斑块，它可以导致冠状动脉的管腔狭窄直至完全闭塞，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斑块诊断。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斑块分割作为一种辅助手段被广泛使用，其可以提取出冠脉以及管腔中斑块的轮廓，通过提取的冠脉轮廓和斑块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。

在冠脉斑块分割领域，基于图割、水平集等多种图像处理技术被广泛使用，成熟心脏冠脉进行分割时均采用此类技术。然而，由于冠脉斑块CT灰度值的分布比较复杂，尤其是冠脉软斑的CT值和增强血管CT值具有很大的重叠和交叉，通过现有的灰度和梯度等特征很难分割软斑，这对冠脉斑块的提取带来了很大的难度。因此，传统技术无法精确地分割出冠脉斑块。

发明内容

基于此，有必要针对上述技术问题，提供一种斑块的分割方法、装置、计算机设备和存储介质，能够精确地分割出冠脉斑块。

第一方面，本申请实施例提供一种斑块的分割方法，该方法包括：

获取包括待分割冠脉斑块的目标冠脉；目标冠脉包括多个基准图像块；

通过预设的斑块检测网络，分别对多个基准图像块进行冠脉斑块检测，得到候选基准图像块；

将候选基准图像块输入至预设的斑块分割网络中，得到候选基准图像块的冠脉斑块分割结果。

在其中一个实施例中，在上述分别对目标冠脉中的各个基准图像块进行冠脉斑块检测之前，该方法还包括：

获取多个样本冠脉，并沿着样本冠脉的支干中心线，将各样本冠脉的支干划分为多个样本基准图像块；

将各样本基准图像块中进行标注，得到各样本冠脉中的冠脉斑块标注数据；

基于各样本冠脉中的冠脉斑块标注数据，训练初始斑块检测网络得到斑块检测网络；以及基于各样本冠脉中的冠脉斑块标注数据，训练初始斑块分割网络，得到斑块分割网络。

在其中一个实施例中，上述基于各样本冠脉中的冠脉斑块标注数据，训练初始斑块分割网络，得到斑块分割网络，包括：

根据各样本冠脉中的冠脉斑块标注数据，得到各样本冠脉中的冠脉斑块的分割结果；

将各样本冠脉中的冠脉斑块的分割结果，作为初始斑块分割网络的训练样本集，训练初始斑块分割网络，直至满足预设的收敛条件，得到斑块分割网络。

在其中一个实施例中，上述将各样本冠脉中的冠脉斑块的分割结果，作为初始斑块分割网络训练样本集，包括：

通过预设的数据处理方式，对各样本冠脉中的冠脉斑块的分割结果进行增广；

将增广后的冠脉斑块的分割结果，作为初始斑块分割网络训练样本集。

在其中一个实施例中，上述获取包括待分割冠脉斑块的目标冠脉，包括：

获取心脏数据中候选冠脉的冠脉掩膜；

对冠脉掩膜进行细化，得到候选冠脉的中心线骨架；

沿着候选冠脉的中心线骨架，以预设步长从垂直候选冠脉的中心线的截面上截取多个基准图像块，得到目标冠脉。

在其中一个实施例中，上述获取心脏数据中候选冠脉的冠脉掩膜，包括：

获取预设的中心线模型和心脏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心脏数据中，得到心脏数据中候选冠脉的主干中心线；

以候选冠脉的主干中心线上的各采样体素为种子体素，基于预设增长条件进行区域增长处理，得到候选冠脉的冠脉掩膜。

在其中一个实施例中，上述对冠脉掩膜进行细化，得到候选冠脉的中心线骨架，包括：

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，得到候选冠脉的轮廓骨架；

提取候选冠脉的主干中心线骨架，并根据主干中心线骨架确定候选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骨架；

根据主干中心线骨架和左右分支的中心线骨架，得到候选冠脉的中心线骨架。

第二方面，本申请实施例提供一种斑块的分割装置，该装置包括：

获取模块，用于获取待分割冠脉斑块的目标冠脉；目标冠脉包括多个基准图像块；

检测模块，用于通过预设的斑块检测网络，分别对目标冠脉中的各个基准图像块进行冠脉斑块检测，得到候选基准图像块；

分割模块，用于将候选基准图像块输入至预设的斑块分割网络中，得到候选基准图像块的冠脉斑块分割结果。

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方法步骤。

本申请实施例提供的一种斑块的分割方法、装置、计算机设备和存储介质。通过获取包括了多个基准图像块的目标冠脉，通过预设的斑块检测网络，分别对目标冠脉中的各个基准图像块进行冠脉斑块检测，得到候选基准图像块，然后将得到的候选基准图像块输入至预设的斑块分割网络中，即得到候选基准图像块的冠脉斑块分割结果。该方法中，一方面，因斑块检测网络是预先训练的深度学习网络模型，通过斑块检测网络对冠脉斑块进行检测，可以提高冠脉斑块检测的识别率，有效避免斑块的遗漏、错检、误检的情况，使得斑块检测更加快速且精确；又因为检测时是以基准图像块为小单元进行检测，检测区域较小，进一步提高了检测速度和检测的精确性；另一方面，斑块分割网络也是预先训练的深度学习网络模型，通过斑块分割网络对候选基准图像块中的冠脉斑块进行分割，可以将冠脉斑块的边缘细节分割更加精确，实现快速且精确地分割出每个候选基准图像块中的冠脉斑块，得到每个候选基准图像块的冠脉斑块检测结果。

附图说明

图1为一个实施例中提供的斑块的分割方法的应用环境图；

图2为一个实施例中提供的斑块的分割方法的流程示意图；

图3为一个实施例中提供的冠脉斑块分割结果示意图；

图4为另一个实施例中提供的斑块的分割方法流程示意图；

图5为一个实施例中提供的基准图像块截取示意图；

图6为另一个实施例中提供的斑块的分割方法流程示意图；

图7为另一个实施例中提供的斑块的分割方法流程示意图；

图8为另一个实施例中提供的斑块的分割方法流程示意图；

图9为另一个实施例中提供的斑块的分割方法流程示意图；

图10为一个实施例中提供的冠脉中心线确定示意图；

图11为另一个实施例中提供的斑块的分割方法流程示意图；

图12为一个实施例中提供的斑块的分割方法示意图；

图13为一个实施例中提供的斑块的分割装置的结构框图；

图14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。

本申请提供的斑块的分割方法，可以应用于计算机设备中。其中，如图1所示，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。数据库用于存储斑块的分割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斑块的分割方法。

本申请实施例提供一种斑块的分割方法、装置、设备和存储介质，能够精确地分割出冠脉斑块。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斑块的分割方法进行说明时，以执行主体是计算机设备进行说明。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，提供了一种斑块的分割方法。本实施例涉及的是对待分割冠脉斑块的目标冠脉中的各个基准图像块进行检测，得到候选基准图像块，然后通过预设的斑块分割网络从候选基准图像块中得到候选基准图像块的冠脉斑块分割结果的具体过程；如图2所示，该实施例包括以下步骤：

S101，获取包括待分割冠脉斑块的目标冠脉；目标冠脉包括多个基准图像块。

待分割冠脉斑块是当前需要分割的冠脉斑块，其数量为多个或者一个。但可以理解的是，待分割冠脉斑块中对各斑块的具体位置并确定。目标冠脉指的即是待分割冠脉斑块所属的冠脉，且本申请实施例中获取的目标冠脉中是包括了多个基准图像块的冠脉，该基准图像块是表示在冠脉体数据中沿着冠脉中心线裁剪和坐标转换后的图像块。相当于，可以理解成将冠脉体数据沿着中心线裁剪为多个小的图像块，每个图像块是由多个体素点构成的。

实际应用中，目标冠脉可以是从预先已存储到数据库中的冠脉中获取的，也可以是从其他设备获取，或者，是从网络平台下载等等。可选地，目标冠脉还可以是先获取了目标部位的体数据后，从心脏部位影像中已经显示的各冠脉中某一个冠脉进行处理，处理成包括多个基准图像块后，即得到该目标冠脉的。本申请实施例对目标冠脉的获取方式不作限定。

其中，心脏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、电子计算机断层扫描(Computed Tomography，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、磁共振成像(Magnetic Resonance Imaging，MRI)设备、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心脏部位影像。可以理解的是，该心脏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。以心脏部位影像为心脏数据为例，获取方式可以是：计算机设备获取到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数据。

S102，通过预设的斑块检测网络，分别对多个基准图像块进行冠脉斑块检测，得到候选基准图像块。

斑块检测网络为预先训练的，用于对目标冠脉中的各个基准图像块进行冠脉斑块检测的深度学习网络模型。应用时，将上述目标冠脉中各个基准图像输入到斑块检测网络中，该斑块检测网络输出的即为候选基准图像块。

其中，斑块检测网络是对每个基准图像块中是否存在冠脉斑块进行检测，将存在冠脉斑块的所有基准图像块都筛选出来，即存在冠脉斑块的基准图像块就是候选基准图像块。

例如，该深度学习网络模型为循环神经网络(Recurrent Neural Network,RNN)网络，则该斑块检测网络对目标冠脉中的各个基准图像块进行冠脉斑块检测，就是利用训练好的RNN网络对目标冠脉中的各个基准图像块进行冠脉斑块检测，得到的就是候选基准图像块。

S103，将候选基准图像块输入至预设的斑块分割网络中，得到候选基准图像块的冠脉斑块分割结果。

得到候选基准图像块之后，将各个候选基准图像块输入至预设的斑块分割网络中，通过该斑块分割网络将每个候选基准图像块中的冠脉斑块分割出来，得到每个候选基准图像对应的冠脉斑块分割结果。

对于任一候选基准图像来说，冠脉斑块分割结果即是从候选基准图像中将冠脉斑块分割出来，包括不同类型或者成分的斑块。请参见图3所示，图3的(a)图示意的是硬斑的分割结果示意图，图3的(b)图示意的是软斑的分割结果示意图。其中，硬斑和软斑是以软硬程度区分的冠脉斑块类型。

其中，斑块分割网络也是预先进行训练好的深度学习网络模型。例如，可以是通过Vnet(V型神经网络)训练的。当然也可以是其他基础的深度学习网络训练而成，例如Une(U型神经网络)，本申请实施例对此不作限定。

本申请实施例提供的斑块的分割方法，通过获取包括了多个基准图像块的目标冠脉，通过预设的斑块检测网络，分别对目标冠脉中的各个基准图像块进行冠脉斑块检测，得到候选基准图像块，然后将得到的候选基准图像块输入至预设的斑块分割网络中，即得到候选基准图像块的冠脉斑块分割结果。该方法中，一方面，因斑块检测网络是预先训练的深度学习网络模型，通过斑块检测网络对冠脉斑块进行检测，可以提高冠脉斑块检测的识别率，有效避免斑块的遗漏、错检、误检的情况，使得斑块检测更加快速且精确；又因为检测时是以基准图像块为小单元进行检测，检测区域较小，进一步提高了检测速度和检测的精确性；另一方面，斑块分割网络也是预先训练的深度学习网络模型，通过斑块分割网络对候选基准图像块中的冠脉斑块进行分割，可以将冠脉斑块的边缘细节分割更加精确，实现快速且精确地分割出每个候选基准图像块中的冠脉斑块，得到每个候选基准图像块的冠脉斑块检测结果。

基于上述实施例，对上述斑块检测网络和斑块分割网络的训练以及构建过程，提供一个实施例进行说明，如图4所示，在一个实施例中，斑块检测网络和斑块分割网络的构建过程包括以下步骤：

S201，获取多个样本冠脉，并沿着样本冠脉的支干中心线，将各样本冠脉的支干划分为多个样本基准图像块。

本实施例可以是在上述对目标冠脉中的各个基准图像块进行冠脉斑块检测之前执行，以方便使用时，可以直接调用已经训练好的斑块检测网络和斑块分割网络。

在训练斑块检测网络和斑块分割网络时，首先需要获取训练斑块检测网络和斑块分割网络的样本数据，因斑块检测网络是基于基准图像块检测是否存在冠脉斑块，斑块分割网络是基于存在冠脉斑块的基准图像块(即候选基准图像块)分割出冠脉斑块，所以对于斑块检测网络和斑块分割网络来说，其训练数据均是基准图像块，区别是斑块分割网络需要针对存在冠脉斑块的基准图像块。因此，本实施例中的S201和S202步骤中获取样本冠脉以及对样本冠脉中进行标注的过程，是针对斑块检测网络和斑块分割网络均适用的。

具体地，获取多个样本冠脉，例如，可以是获取127套样本冠脉数据，也可以是其他数据，这里只是举例，不作限定。获取多个样本冠脉后沿着这些样本冠脉中的冠脉支干中心线，将各样本冠脉的支干划分为多个样本基准图像块。可以理解的是，在获取样本冠脉时，样本冠脉中的冠脉支干中心线也是存在的、可见的，因此可以沿着该冠脉支干中心线对其进行划分。例如，沿着冠脉支干中心线将各个样本冠脉划分成若干个64*64*64的样本基准图像块。

请参见图5所示，图5中将样本冠脉的某一个支干置于一坐标系中，L表示该样本冠脉的支干中心线，则沿着冠脉支干中心线每隔0.25毫米截取垂直截面若干个小体数据P1-PN,每个小体数据间隔为0.25mm，大小为64*64*64。

S202，将各样本基准图像块中进行标注，得到各样本冠脉中的冠脉斑块标注数据。

每个样本冠脉得到多个样本基准图像块之后，需对各样本基准图像块进行标注，得到冠脉斑块的标注数据。例如，可以是将各个样本基准图像块中存在冠脉斑块的标注为1，没有存在冠脉斑块的标注为0即可。

S203，基于各样本冠脉中的冠脉斑块标注数据，训练初始斑块检测网络得到斑块检测网络；以及基于各样本冠脉中的冠脉斑块标注数据，训练初始斑块分割网络，得到斑块分割网络。

对上述各样本基准图像块进行标注之后，以标注后样本基准图像块对初始斑块检测网络和初始斑块分割网络进行训练。

因斑块检测网络只需要识别出基准图像块中是否存在冠脉斑块即可，因此，针对斑块检测网络，上述将存在冠脉斑块的标注为1，没有存在冠脉斑块的标注为0即可实现对初始斑块检测网络的训练。

例如，初始斑块检测网络可以是以CNN网络构建的初始网络结构，初始斑块分割网络可以是以Vnet网络构架的初始网络结构。

利用标注了1和0的冠脉斑块标注数据，输入到初始斑块检测网络中进行训练，直至初始斑块检测网络的输出结果与标准结果之间的差值小于预设值，则确定初始斑块检测网络收敛，得到训练好的斑块检测网络。

而斑块分割网络需要分割出每个冠脉斑块，所以针对斑块分割网络，标注时，需要将每个斑块的边缘标注出来。则可选地，如图6所示，一种训练初始斑块分割网络得到斑块分割网络的实施例包括：

S301，根据各样本冠脉中的冠脉斑块标注数据，得到各样本冠脉中的冠脉斑块的分割结果。

各样本冠脉中的冠脉斑块标注数据即为上述将存在冠脉斑块的标注为1，没有存在冠脉斑块的标注为0得到标注数据，在此基础上，需要得到各样本冠脉的冠脉斑块分割结果，即需要标注出斑块的边缘，例如，沿着冠脉支干中心线的方向进行标注，且标注时对样本基准图像块在不同视角下的截面，与原始数据进行对照以核对标注正确性，使得标注数据非常精确。

S302，将各样本冠脉中的冠脉斑块的分割结果，作为初始斑块分割网络训练样本集，训练初始斑块分割网络，直至满足预设的收敛条件，得到斑块分割网络。

对于初始斑块分割网络训练，是利用标注了斑块边缘轮廓的冠脉斑块标注数据(即各样本冠脉中的冠脉斑块的分割结果)，输入到初始斑块分割网络中进行训练，直至初始斑块分割网络的输出结果与标准结果之间的差值小于预设值，则确定初始分割检测网络收敛，得到训练好的斑块分割网络。

实际应用时，存在冠脉斑块的基准图像块标注时非常容易，所以斑块检测网络的训练数据集较为容易获取。但是斑块分割网络的训练数据集需要进一步将冠脉斑块的边缘标注出来，训练数据集获取相对较难。

所以为了提高斑块分割网络的训练数据集的多样性，需要对斑块分割网络的训练数据集进行增广处理，以提高样本数据的多样性。则在一个实施例中，如图7所示，该实施例包括：

S401，通过预设的数据处理方式，对各样本冠脉中的冠脉斑块的分割结果进行增广。

S402，将增广后的冠脉斑块的分割结果，作为初始斑块分割网络训练样本集。

其中，预设的数据处理方式包括但不限于是旋转、平移、裁剪、拉伸、随机采样的方式等。通过这些方式对各样本冠脉中的冠脉斑块的分割结果，即对标注了冠脉斑块边缘轮廓的数据进行增广处理，将其作为初始斑块分割网络训练样本集，极大地增加了训练数据集的数量。训练数据集的数量越多，可以使得最终训练的斑块分割网络的分割效果越好。

本申请实施例中，通过对样本冠脉进行标注，以标注后的数据作为初始斑块检测网络和初始斑块分割网络的训练数据，因标注的数据可以精确地指示出是否存在冠脉斑块以及冠脉斑块的边缘轮廓，如此，训练得到的斑块检测网络可以达到精确地识别基准图像块中的冠脉斑块，且训练得到的斑块分割网络可以精确地分割出基准图像块中的冠脉斑块。

在前述实施例的基础上，对上述获取目标冠脉的过程进行说明，如图8所示，在一个实施例中，上述获取待分割冠脉斑块的目标冠脉的过程包括以下步骤：

S501，获取心脏数据中候选冠脉的冠脉掩膜。

心脏数据的一种表现形式为心脏的三维影像，候选冠脉指的是心脏数据中的至少一个冠脉。冠脉掩膜指的是将冠脉和非冠脉对应以0和1表示的二值图像。

因此，获取心脏数据中的候选冠脉的冠脉掩膜，就是从心脏的三维影像中确定出候选冠脉所在的区域，将候选冠脉所在的区域用1表示，非冠脉所在的区域用0表示，这样得到的图像即为候选冠脉的冠脉掩膜。

示例地，一种获取冠脉掩膜的方式可以是，直接在数据库获取预先已经生成并存储在数据库中的心脏数据的候选冠脉的冠脉掩膜；也可以是实时根据心脏数据的候选冠脉生成冠脉掩膜；还可以通过深度学习网络来获得冠脉掩膜。本申请实施例对冠脉掩膜的获取方式不作限定，可以用任意方法实现。

S502，对冠脉掩膜进行细化，得到候选冠脉的中心线骨架。

在得到候选冠脉的冠脉掩膜之后，需要对冠脉掩膜进行细化，以得到候选冠脉的中心线骨架。示例地，可以先对冠脉掩膜进行细化后得到候选冠脉的轮廓骨架，然后根据候选冠脉的轮廓骨架确定出候选冠脉的中心线骨架。

基于此，如图9所示，在一个实施例中，对冠脉掩膜进行细化，得到目标冠脉的中心线骨架的一种可实现方式包括：

S601，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，得到候选冠脉的轮廓骨架。

根据预设的骨架点计算方式，从多个方位对候选冠脉的冠脉掩膜进行细化，得到候选冠脉的轮廓骨架。

具体地，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，迭代细化直至得到候选冠脉的轮廓骨架。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。

S602，提取候选冠脉的主干中心线骨架，并根据主干中心线骨架确定候选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骨架。

得到了候选冠脉的轮廓骨架后，根据候选冠脉的轮廓骨架确定候选冠脉的中心线。

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，确定候选冠脉的中心线时，除了确定上述冠脉主干的中心线还需要确定冠脉分支的中心线。根据候选冠脉主干中心线先确定候选冠脉的左右分支的起始点，然后按照起始点找出各分支的末端点到起始点的路径，从而得到候选冠脉的左右分支的中心线骨架。

即，根据冠脉主干中心线先确定左右分支的左右起始点，然后按照起始点找出左右分支各端点到起始点的路径，从而得到左右分支的中心线骨架

S603，根据主干中心线骨架和左右分支的中心线骨架，得到候选冠脉的中心线骨架。

将左右分支的中心线骨架和冠脉主干中心线骨架共同构成候选冠脉的中心线骨架。请参见图10所示，图10中(a)为心脏的冠脉掩膜，而图10中的(b)图则是进行了骨架化后，包括候选冠脉中心线骨架的心脏数据。

如此，由于是对心脏数据进行客观手段处理后确定了候选冠脉的中心线，使得候选冠脉的中心线的确定非常精确，从而使得在利用候选冠脉中心线确定候选冠脉轮廓时，使得候选冠脉轮廓的提取更加准确。

S503，沿着候选冠脉的中心线骨架，以预设步长从垂直中心线的截面上截取多个基准图像块，得到目标冠脉。

基于上述确定的候选冠脉的中心线骨架，以预设步长从垂直中心线的截面上截取多个图像块，例如，请参见上述图5所示，假设图5中L表示候选冠脉中的任一分支的中心线骨架，置于一坐标系中，预设步长为0.25mm，那么，每隔0.25mm在垂直于中心线的截面上，截取一个基准图像块P1，得到若干个基准图像块序列P1-PN，该若干个若干个基准图像块序列P1-PN构成目标冠脉。

本实施例中，是先精确地确定出了候选冠脉的中心线骨架，然后基于中心线骨架截取出若干个基准图像块序列P1-PN构成目标冠脉，使得获取的目标冠脉可以更加准确反映实际冠脉的情况。

在一个实施例中，如图11所示，对上述获取心脏数据中目标冠脉的冠脉掩膜的过程进行说明，则该实施例包括以下步骤：

S701，获取预设的中心线模型和心脏数据之间的相似变换参数。

其中，预设的中心线模型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。

心脏数据可以是通过医学扫描设备扫描心脏获取的心脏数据，或者是通过数据库中预先存储的心脏数据，或者是从网络平台下载等等。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心脏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数据与该中心线模型进行配准，使得心脏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。

S702，通过相似变换参数将中心线模型映射到心脏数据中，得到心脏数据中候选冠脉的主干中心线。

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心脏数据中，得到心脏数据中候选冠脉的主干中心线。

一种方式中，利用中心线模型中的候选冠脉中心线在每个点周边查找冠脉增强效果高的数据，然后利用动态规划找出沿着中心线点的最佳路径，经过多次迭代得到候选冠脉的主干中心线。

另一种方式中，可以是根据相似变换参数对心脏数据进行变换，也即通过相似变换参数将中心线模型映射到心脏数据中，变换后的心脏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数据中冠脉主干中心线，即心脏数据中候选冠脉的主干中心线。

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，最终确定的候选冠脉的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数据进行采样得到的体素。

可以理解的是，心脏数据中与组成冠脉主干的各点的三维坐标对应的点即为候选冠脉主干上的点，因此上述匹配的体素可以是上述候选冠脉的主干上的点所属的体素，也可以是与上述候选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。

S703，以候选冠脉的主干中心线上的各采样体素为种子体素，基于预设增长条件进行区域增长处理，得到候选冠脉的冠脉掩膜。

将上述的候选冠脉的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，将候选冠脉的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，则该体素属于候选冠脉，并将属于候选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，最终得到心脏数据中候选冠脉的冠脉掩膜。

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候选冠脉的主干中心线的特征体素值的差值小于预设阈值，而候选冠脉的主干中心线的特征体素值可以为候选冠脉的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候选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。

本申请实施例中，因为中心线模型中的冠脉主干中心线是完整的，这样以中心线模型为标准，提取出的候选冠脉的主干中心线也是完整的，因此，最终基于完整的候选冠脉的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，从而保证了获取的候选冠脉的冠脉掩膜的完整性。

如图12所示，本申请实施例还提供一种冠脉斑块分割方法的实施例，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数据中，得到心脏数据中候选冠脉的主干中心线。

S3，以候选冠脉的主干中心线上的各采样体素为种子体素，基于预设增长条件进行区域增长处理，得到候选冠脉的冠脉掩膜。

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，得到候选冠脉的轮廓骨架。

S5，提取候选冠脉的主干中心线骨架，并根据主干中心线骨架确定候选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骨架。

S6，根据主干中心线骨架和左右分支的中心线骨架，得到候选冠脉的中心线骨架。

S7，沿着候选冠脉的中心线骨架，以预设步长从垂直候选冠脉的中心线的截面上截取多个基准图像块，得到目标冠脉。

S8，获取多个样本冠脉，并沿着冠脉支干中心线，将各样本冠脉的支干划分为多个样本基准图像块。

S9，将各样本基准图像块中进行标注，得到各样本冠脉中的冠脉斑块标注数据。

S10，基于各样本冠脉中的冠脉斑块标注数据，训练初始斑块检测网络得到斑块检测网络；以及基于各样本冠脉中的冠脉斑块标注数据，训练初始斑块分割网络，得到斑块分割网络。

其中，以及基于各样本冠脉中的冠脉斑块标注数据，训练初始斑块分割网络，得到斑块分割网络，包括：通过预设的数据处理方式，对各样本冠脉中的冠脉斑块的分割结果进行增广，将增广后的冠脉斑块的分割结果，作为初始斑块分割网络训练样本集，将各样本冠脉中的冠脉斑块的分割结果，作为初始斑块分割网络训练样本集，训练初始斑块分割网络，直至满足预设的收敛条件，得到斑块分割网络。

S11，通过预设的斑块检测网络，分别对目标冠脉中的各个基准图像块进行冠脉斑块检测，得到候选基准图像块。

S12，将候选基准图像块输入至预设的斑块分割网络中，得到候选基准图像块的冠脉斑块分割结果。

本实施例提供的斑块的分割方法，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。

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13所示，本申请实施例提供一种斑块的分割装置，该装置包括：获取模块10、检测模块11、分割模块12；其中，

获取模块10，用于获取包括待分割冠脉斑块的目标冠脉；目标冠脉包括多个基准图像块；

检测模块11，用于通过预设的斑块检测网络，分别对多个基准图像块进行冠脉斑块检测，得到候选基准图像块；

分割模块12，用于将候选基准图像块输入至预设的斑块分割网络中，得到候选基准图像块的冠脉斑块分割结果。

在一个实施例中，该装置还包括：

样本获取模块，用于获取多个样本冠脉，并沿着样本冠脉的支干中心线，将各样本冠脉的支干划分为多个样本基准图像块；

标注模块，用于将各样本基准图像块中进行标注，得到各样本冠脉中的冠脉斑块标注数据；

训练模块，用于基于各所述样本冠脉中的冠脉斑块标注数据，训练初始斑块检测网络得到所述斑块检测网络；以及基于各所述样本冠脉中的冠脉斑块标注数据，训练初始斑块分割网络，得到所述斑块分割网络。

在一个实施例中，上述训练模块包括：

处理单元，用于根据各样本冠脉中的冠脉斑块标注数据，得到各样本冠脉中的冠脉斑块的分割结果；

训练单元，用于将各样本冠脉中的冠脉斑块的分割结果，作为初始斑块分割网络训练样本集，训练初始斑块分割网络，直至满足预设的收敛条件，得到斑块分割网络。

在一个实施例中，上述训练单元，具体用于通过预设的数据处理方式，对各样本冠脉中的冠脉斑块的分割结果进行增广；将增广后的冠脉斑块的分割结果，作为初始斑块分割网络训练样本集。

在一个实施例中，上述获取模块10，包括：

掩膜获取单元，用于获取心脏数据中候选冠脉的冠脉掩膜；

细化单元，用于对冠脉掩膜进行细化，得到候选冠脉的中心线骨架；

截取单元，用于沿着候选冠脉的中心线骨架，以预设步长从垂直候选冠脉的中心线的截面上截取多个基准图像块，得到目标冠脉。

在一个实施例中，上述掩膜获取单元包括：

参数获取子单元，用于获取预设的中心线模型和心脏数据之间的相似变换参数；

映射子单元，用于通过相似变换参数将中心线模型映射到心脏数据中，得到心脏数据中候选冠脉的主干中心线；

掩膜确定子单元，用于以候选冠脉的主干中心线上的各采样体素为种子体素，基于预设增长条件进行区域增长处理，得到候选冠脉的冠脉掩膜。

在一个实施例中，上述细化单元包括：

细化子单元，用于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，得到候选冠脉的轮廓骨架；

提取子单元，用于提取候选冠脉的主干中心线骨架，并根据主干中心线骨架确定候选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骨架；

确定子单元，用于根据主干中心线骨架和左右分支的中心线骨架，得到候选冠脉的中心线骨架。

关于斑块的分割装置的具体限定可以参见上文中对于斑块的分割方法的限定，在此不再赘述。上述斑块的分割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14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斑块的分割方法。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14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：

获取包括待分割冠脉斑块的目标冠脉；目标冠脉包括多个基准图像块；

通过预设的斑块检测网络，分别对多个基准图像块进行冠脉斑块检测，得到候选基准图像块；

将候选基准图像块输入至预设的斑块分割网络中，得到候选基准图像块的冠脉斑块分割结果。

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：

获取包括待分割冠脉斑块的目标冠脉；目标冠脉包括多个基准图像块；

通过预设的斑块检测网络，分别对多个基准图像块进行冠脉斑块检测，得到候选基准图像块；

将候选基准图像块输入至预设的斑块分割网络中，得到候选基准图像块的冠脉斑块分割结果。

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)

1.一种斑块的分割方法，其特征在于，所述方法包括：

获取包括待分割冠脉斑块的目标冠脉；所述目标冠脉包括多个基准图像块；

通过预设的斑块检测网络，分别对所述多个基准图像块进行冠脉斑块检测，得到候选基准图像块；

将所述候选基准图像块输入至预设的斑块分割网络中，得到所述候选基准图像块的冠脉斑块分割结果；所述冠脉斑块分割结果包括不同类型或者成分的斑块；

在所述分别对所述多个基准图像块进行冠脉斑块检测之前，所述方法还包括：

获取多个样本冠脉，并沿着所述样本冠脉的支干中心线，将各所述样本冠脉的支干划分为多个样本基准图像块；

将各所述样本基准图像块进行标注，得到各所述样本冠脉中的冠脉斑块标注数据；其中，在所述将各所述样本基准图像块进行标注时，将所述样本基准图像块在不同视角下的截面，与原始数据进行对照以核对标注正确性；

基于各所述样本冠脉中的冠脉斑块标注数据，训练初始斑块检测网络得到所述斑块检测网络；以及基于各所述样本冠脉中的冠脉斑块标注数据，训练初始斑块分割网络，得到所述斑块分割网络。

2.根据权利要求1所述的分割方法，其特征在于，所述基于各所述样本冠脉中的冠脉斑块标注数据，训练初始斑块分割网络，得到所述斑块分割网络，包括：

根据各所述样本冠脉中的冠脉斑块标注数据，得到各所述样本冠脉中的冠脉斑块的分割结果；

将各所述样本冠脉中的冠脉斑块的分割结果，作为所述初始斑块分割网络训练样本集，训练所述初始斑块分割网络，直至满足预设的收敛条件，得到所述斑块分割网络。

3.根据权利要求2所述的分割方法，其特征在于，所述将各所述样本冠脉中的冠脉斑块的分割结果，作为所述初始斑块分割网络训练样本集，包括：

通过预设的数据处理方式，对各所述样本冠脉中的冠脉斑块的分割结果进行增广；

将增广后的冠脉斑块的分割结果，作为所述初始斑块分割网络训练样本集。

4.根据权利要求1-3任一项所述的分割方法，其特征在于，所述获取包括待分割冠脉斑块的目标冠脉，包括：

获取心脏数据中候选冠脉的冠脉掩膜；

对所述冠脉掩膜进行细化，得到所述候选冠脉的中心线骨架；

沿着所述候选冠脉的中心线骨架，以预设步长从垂直所述候选冠脉的中心线的截面上截取多个图像块，得到所述目标冠脉。

5.根据权利要求4所述的分割方法，其特征在于，所述获取心脏数据中候选冠脉的冠脉掩膜，包括：

获取预设的中心线模型和所述心脏数据之间的相似变换参数；

通过所述相似变换参数将所述中心线模型映射到所述心脏数据中，得到所述心脏数据中所述候选冠脉的主干中心线；

以所述候选冠脉的主干中心线上的各采样体素为种子体素，基于预设增长条件进行区域增长处理，得到所述候选冠脉的冠脉掩膜。

6.根据权利要求4所述的分割方法，其特征在于，所述对所述冠脉掩膜进行细化，得到所述候选冠脉的中心线骨架，包括：

根据预设的骨架点计算方式，从多个方位对所述冠脉掩膜进行细化，得到所述候选冠脉的轮廓骨架；

提取所述候选冠脉的主干中心线骨架，并根据所述主干中心线骨架确定所述候选冠脉的分支的起始点；按照所述分支的起始点，确定各分支的末端点到起始点的路径，得到所述分支的中心线骨架；

根据所述主干中心线骨架和所述分支的中心线骨架，得到所述候选冠脉的中心线骨架。

7.一种斑块的分割装置，其特征在于，所述装置包括：

获取模块，用于获取包括待分割冠脉斑块的目标冠脉；所述目标冠脉包括多个基准图像块；

检测模块，用于通过预设的斑块检测网络，分别对所述多个基准图像块进行冠脉斑块检测，得到候选基准图像块；

分割模块，用于将所述候选基准图像块输入至预设的斑块分割网络中，得到所述候选基准图像块的冠脉斑块分割结果；所述冠脉斑块分割结果包括不同类型或者成分的斑块；

该装置还包括：

样本获取模块，用于获取多个样本冠脉，并沿着所述样本冠脉的支干中心线，将各所述样本冠脉的支干划分为多个样本基准图像块；

标注模块，用于将各所述样本基准图像块进行标注，得到各所述样本冠脉中的冠脉斑块标注数据；其中，在所述将各所述样本基准图像块进行标注时，将所述样本基准图像块在不同视角下的截面，与原始数据进行对照以核对标注正确性；

训练模块，用于基于各所述样本冠脉中的冠脉斑块标注数据，训练初始斑块检测网络得到所述斑块检测网络；以及基于各所述样本冠脉中的冠脉斑块标注数据，训练初始斑块分割网络，得到所述斑块分割网络。

8.根据权利要求7所述的分割装置，其特征在于，所述训练模块包括：

处理单元，用于根据各所述样本冠脉中的冠脉斑块标注数据，得到各所述样本冠脉中的冠脉斑块的分割结果；

训练单元，用于将各所述样本冠脉中的冠脉斑块的分割结果，作为所述初始斑块分割网络训练样本集，训练所述初始斑块分割网络，直至满足预设的收敛条件，得到所述斑块分割网络。

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6中任一项所述分割方法的步骤。

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6中任一项所述的分割方法的步骤。