CN113763331A - 冠状动脉优势型判定方法、装置、存储介质及电子设备 - Google Patents

Abstract

本发明公开一种冠状动脉优势型判定方法、装置、存储介质及电子设备，冠状动脉优势型判定方法包括：对血管图像进行图像分割，得到候选血管图像；对候选血管图像进行腐蚀处理，得到目标血管图像；获取目标血管图像对应的点云数据；基于点云数据确定目标血管图像对应的血管类型。采用点云数据的方式表示血管结构，降低血管结构信息的表示复杂度；同时使用神经网络模型对血管类型进行预测，避免人为规则预测血管类型导致的准确性低的情况。

Description

冠状动脉优势型判定方法、装置、存储介质及电子设备

技术领域

本发明涉及冠状动脉优势型判别技术领域，尤其涉及一种冠状动脉优势型判定方法、装置、存储介质及电子设备。

背景技术

根据冠状动脉中左冠脉和右冠脉的解剖学分布，冠状动脉主要分为以下三种类型：右优势型、均衡型、左优势型。冠状动脉的优势型判别对于后续的冠脉疾病分析具有重要意义，当前对于冠脉优势型的自动判别技术均基于人工设计规则的方法，如利用中心线上各点到主动脉距离进行判断和诊断；但是基于人工设计规则进行判别的方法难以覆盖所有的情况，很可能会造成判断错误；同时人工设计的规则对于图像的变化不鲁棒，拍摄过程中出现的微小变化就会导致冠脉优势型判别结果发生改变，进而影响判断的准确度。因此亟需提供一种不受拍摄位置、角度等因素影响的预测结果准确的冠状动脉优势型判别方法。

发明内容

本发明提供一种冠状动脉优势型判定方法、装置、存储介质及电子设备，以至少解决现有技术中存在的以上技术问题。

本发明一方面提供一种冠状动脉优势型判定方法，包括：对血管图像进行图像分割，得到候选血管图像；对所述候选血管图像进行腐蚀处理，得到目标血管图像；获取所述目标血管图像对应的点云数据；基于所述点云数据确定所述目标血管图像对应的血管类型。

采用点云数据的方式表示血管结构，降低血管结构信息的表示复杂度，利用该结构信息判别血管类型。

进一步的，所述目标血管图像对应的血管类型基于血管分类模型确定；所述基于所述点云数据确定所述目标血管图像对应的血管类型之前，所述方法还包括：获取血管样本图像对应的点云数据训练样本，以及所述点云数据训练样本对应的血管样本分类标签；以所述点云数据训练样本作为所述血管分类模型的输入，得到所述血管分类模型输出的血管预测类型；确定所述血管样本分类标签与所述血管预测类型的差异；基于所述差异调整所述血管分类模型的参数。

使用神经网络模型对血管类型进行预测，避免人为规则预测血管类型导致的准确性低的情况，提升血管类型预测方法的泛化性，在图像拍摄的角度有所变化时也能够保证准确的预测结果。

本发明另一方面提供一种冠状动脉优势型判定装置，包括：图像分割单元，用于对血管图像进行图像分割，得到候选血管图像；图像处理单元，用于对所述候选血管图像进行腐蚀处理，得到目标血管图像；点云数据获取单元，用于获取所述目标血管图像对应的点云数据；血管类型确定单元，用于基于所述点云数据确定所述目标血管图像对应的血管类型

本发明再一方面提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明所述的冠状动脉优势型判定方法。

本发明还一方面提供一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本发明所述的冠状动脉优势型判定方法。

附图说明

图1示出了本发明实施例提供的冠状动脉优势型判定方法的步骤流程图；

图2示出了本发明实施例提供的对血管图像进行图像分割，得到候选血管图像的流程图；

图3示出了本发明实施例提供的获取目标血管图像对应的点云数据的流程图；

图4示出了本发明实施例提供的训练血管分类模型的流程图；

图5示出了本发明实施例提供的验证血管分类模型的流程图；

图6示出了本发明具体实施例提供的血管点云表示示意图；

图7示出了本发明实施例提供的冠状动脉优势型判定装置的结构框图。

附图标记：

100-图像分割单元；200-图像处理单元；300-点云数据获取单元；400-血管类型确定单元；

101-血管结构定位子单元；102-确定分割区域子单元；103-分割子单元；

301-确定目标区域子单元；302-点云数据获取子单元；

401-获取训练样本子单元；402-训练子单元；403-确定差异子单元；404-调整参数子单元；405-获取验证样本子单元；406-验证子单元；407-确定准确性子单元。

具体实施方式

为使本发明的目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。

图1示出了本发明实施例提供的冠状动脉优势型判定方法的步骤流程图，如图1所示，本发明的实施例提供了一种冠状动脉优势型判定方法，包括以下步骤：

步骤S1：对血管图像进行图像分割，得到候选血管图像。

步骤S2：对候选血管图像进行腐蚀处理，得到目标血管图像。

步骤S3：获取目标血管图像对应的点云数据。

步骤S4：基于点云数据确定目标血管图像对应的血管类型。

其中，图2示出了本发明实施例提供的冠状动脉优势型判定方法的步骤S1的流程图，如图2所示，步骤S1包括：

步骤S11：对血管图像中包括的血管结构进行定位，得到血管结构在血管图像中的位置。

步骤S12：基于各血管结构在血管图像中的位置，确定血管结构对应的分割区域。

步骤S13：基于血管结构对应的分割区域，对血管图像进行图像分割，得到血管结构对应的候选血管图像。

具体的，拍摄冠状动脉CTA（CT angiography，血管造影）图像的机型多种多样，不同机型拍摄出的血管图像尺寸差异较大，因此在对血管图像进行图像分割之前，可以对血管图像进行预处理，以保证血管图像的一致性。预处理包括：对有不同像素间距（像素间距（Spacing）是指两个像素之间的距离）的图像，将图像中每个像素在长、宽、高三个方向之间的间距均缩放为Spacing=（0.5mm，0.5mm，0.5mm），保证了冠状动脉图像的各向同性。

血管图像包括心脏区域和心脏以外的区域，心脏区域内有血管结构。因此，对血管结构进行定位，得到血管结构在血管图像中的位置，并基于该位置确定血管结构对应的分割区域是指心脏以外的区域。将血管图像中心脏以外的区域切除，排除心脏以外区域的干扰，最终得到血管结构对应的候选血管图像。

其中，步骤S2的腐蚀处理包括：采用形态学腐蚀方法将候选血管图像中的血管结构的宽度腐蚀至一个像素，得到目标血管图像。

具体的，形态学操作是改变物体的形状，腐蚀就是“变瘦”。能够消除目标区域所有边界点，使目标区域范围“变小”，造成图像的边界收缩，以消除小且无意义的目标物。

其中，图3示出了本发明实施例提供的获取目标血管图像对应的点云数据的流程图，如图3所示，步骤S3包括：

步骤S31：确定目标血管图像中的前景区域。

步骤S32：获取前景区域对应的点云数据。

具体的，每张图像都包括前景区域和背景区域，前景区域是指目标区域，背景区域是指会对目标区域造成一定干扰的区域。因此，需要先对图像中的目标、背景进行标记和定位，把前景区域从背景区域中分离出来，仅获取目标血管图像中的前景区域对应的点云数据。本申请实施例中，前景区域可以是指血管图像。

前景区域对应的点云数据是由血管结构的中心线组成的集合S，表示为：

S=

其中，

,

,

分别表示第i个点在三个维度上的坐标值，N表示提取出的前景区域 的像素点个数。

可选的，N大于或等于1000，且小于或等于1500。

当前景区域的像素点个数N小于1000时，会漏掉一些必要的像素点，使得最终的点集不够全面；当像素点个数N大于1500时，又会导致复杂度过高，不利于对像素点结构进行分析。因此最好保持在1000-1500个像素点以内。

作为示例，N等于1000。如果像素点个数N小于1000，则需要再从前景区域中找出多个像素点进行补充。

在步骤S4中，目标血管图像对应的血管类型是基于血管分类模型确定的，因此，在基于点云数据确定目标血管图像对应的血管类型之前还包括：血管分类模型训练和血管分类模型验证。

通过点云数据训练样本对血管分类模型进行训练，将点云数据验证样本输入至训练完成的血管分类模型中，筛选出准确率最高的血管分类模型作为最优血管分类模型；最后将任意图像的点集S输入最优血管分类模型中，对该图像的血管类型进行预测，选取预测结果中概率最大的一种血管类型作为预测结果。

具体的，图4示出了本发明实施例提供的训练血管分类模型的流程图，如图4所示，训练血管分类模型的过程，可以包括：

步骤S41：获取血管样本图像对应的点云数据训练样本，以及点云数据训练样本对应的血管样本分类标签。

在一些实施例中，血管样本图像是指已经获取的历史血管图像，且血管样本分类标签为已知的。血管样本分类标签包括血管样本图像中的血管类型为“左优势型”或“右优势型”或“均衡型”。

步骤S42：以点云数据训练样本作为血管分类模型的输入，得到血管分类模型输出的血管预测类型。

在一些实施例中，血管分类模型可以为训练前构建的初识模型，即为待训练模型。

步骤S43：确定血管样本分类标签与血管预测类型的差异。

在一些实施例中，血管分类模型的输出可以为血管预测类型“左优势型”、“右优势型”和“均衡型”的概率。

步骤S44：基于差异调整血管分类模型的参数。

以点云数据训练样本作为血管分类模型的输入，对血管分类模型进行训练，在得到血管分类模型输出的血管预测类型之后，将其与血管样本分类标签进行对比，就能确定该血管分类模型的输出结果是否准确。如果血管样本分类标签与血管预测类型的差异较大，则说明该血管分类模型准确度低，需要通过修改血管分类模型的各项参数调整该血管分类模型，直至获得满足准确度条件的血管分类模型。

在本发明的实施例中，可以采用随机梯度下降方法对血管分类模型训练，以获取最优解。

具体的，在每次训练时从所有的点云数据训练样本中随机选择一个批次的样本，用该批次样本的梯度近似全局样本的梯度，用以训练模型。相比于全局梯度下降方法，随机梯度下降方法更快，收敛结果更好。

在一些实施例中，将每16例点云数据训练样本划分为一个批次进行血管分类模型训练。

在本发明的实施例中，血管分类模型可以为神经网络模型。可选的，血管分类模型为：PointNet模型。PointNet模型的参数包括：学习率，本申请实施例中，可以将学习率设置为1e-2。

在本发明的实施例中，在利用点云数据训练样本训练血管分类模型之前，还可以对点云数据训练样本进行归一化操作，以简化计算，缩小量值。其中，步骤S41的获取血管样本图像对应的点云数据训练样本，包括：

步骤S411：获取点云数据训练样本集中的点云数据样本在每个坐标维度的最大值。

例如，点云数据训练样本集包括有N个点云数据样本，N个点云数据样本中，X坐标轴的最大值为N_X，Y坐标轴的最大值为N_Y，Z坐标轴的最大值为N_Z。

步骤S412：针对每个点云数据样本，将点云数据样本在每个坐标维度的坐标值除以点云数据训练样本集中的点云数据样本在坐标维度的最大值，得到点云数据训练样本。

例如：选取任意一个点云数据样本A，A点在X轴的坐标值除以上述最大值N_X，A点在Y轴的坐标值除以上述最大值N_Y，A点在Z轴的坐标值除以上述最大值N_Z，以此类推，计算N个点云数据样本，完成点云数据训练样本的归一化操作。

在模型训练时，如果数据量太少，训练得到的结果不准确，此时可以对点云数据训练样本进行随机扰动进行扩容，即对点云数据训练样本进行一个范围的上下浮动，以增加点云数据训练样本的数据量。

因此，在本发明的实施例中还可以包括：对点云数据训练样本进行随机扰动，得到扰动点云数据；将扰动点云数据添加至点云数据训练样本集。

图5示出了本发明实施例提供的验证血管分类模型的流程图，如图5所示，验证血管分类模型的过程，可以包括：

步骤S45：获取血管验证图像对应的点云数据验证样本，以及点云数据验证样本对应的第一血管类型标签。

在一些实施例中，血管验证图像是指已经获取的历史血管图像，且第一血管类型标签为已知的。第一血管类型标签包括血管验证图像中的血管类型为“左优势型”、“右优势型”或“均衡型”。

步骤S46：将点云数据验证样本输入血管分类模型，得到血管分类模型输出的第二血管类型标签。

在一些实施例中，血管分类模型可以为步骤S41-步骤S44训练完成的模型，第二血管类型标签包括训练完成的模型输出的血管类型：“左优势型”、“右优势型”或“均衡型”。

步骤S47：比较第一血管类型标签与第二血管类型标签的差异，基于差异确定血管分类模型预测血管类型的准确性。

具体的，点云数据验证样本对应的第一血管类型标签是已知的真实的血管类型标签，如果第一血管类型标签与第二血管类型标签比较的结果差异较大，说明该血管分类模型预测血管类型的准确性较低；如果第一血管类型标签与第二血管类型标签比较的结果差异较小，说明该血管分类模型预测血管类型的准确性较高。

在一些实施例中，对每个点云数据验证样本进行血管分类模型预测，输出每个样本的血管类型。将输出的血管类型与点云数据验证样本的实际血管类型进行比较，从而确定血管分类模型的准确率。

再选择出准确率最高的血管分类模型作为最优血管分类模型，通过最优血管分类模型预测图像的血管类型；最后，选取预测结果中概率最大的一种血管类型作为预测结果。

在本发明的实施例中，在利用点云数据验证样本验证血管分类模型之前，还可以对点云数据验证样本进行归一化操作，以简化计算，缩小量值。

其中，步骤S45的获取血管验证图像对应的点云数据验证样本包括：

步骤S451：获取点云数据验证样本集中的点云数据样本在每个坐标维度的最大值。

例如，点云数据验证样本集包括有N个点云数据样本，N个点云数据样本中，X坐标轴的最大值为N_X，Y坐标轴的最大值为N_Y，Z坐标轴的最大值为N_Z。

步骤S452：针对每个点云数据样本，将点云数据样本在每个坐标维度的坐标值除以点云数据验证样本集中的点云数据样本在坐标维度的最大值，得到点云数据验证样本。

例如：选取任意一个点云数据样本A，A点在X轴的坐标值除以上述最大值N_X，A点在Y轴的坐标值除以上述最大值N_Y，A点在Z轴的坐标值除以上述最大值N_Z，以此类推，计算N个点云数据样本，完成点云数据验证样本的归一化操作。

在验证模型时，如果验证数据量太少，验证得到的结果不全面、不准确，此时可以对点云数据验证样本进行随机扰动进行扩容，即对点云数据验证样本进行一个范围的上下浮动，以增加点云数据验证样本的数据量。

因此，在本发明的实施例中还可以包括：对点云数据验证样本进行随机扰动，得到扰动点云数据；将扰动点云数据添加至点云数据验证样本集。

具体实施例：

收集1000例冠状动脉CTA图像，可以按照6：2：2的比例将1000例冠状动脉CTA图像随机划分为训练样本集、验证样本集、测试样本集。在划分时保证每个集合的冠状动脉血管类型分布较为接近。本实施例中，使用训练样本集训练模型，用验证样本集挑出训练完成的模型中效果最优的模型，并用测试样本集进一步评价最终最优模型确定冠状动脉血管类型的效果。

首先，对1000例冠状动脉CTA图像进行预处理，将所有图像的像素间距（Spacing）均缩放为spacing=（0.5mm，0.5mm，0.5mm），保证冠状动脉图像的各向同性。

然后，使用3D Slicer软件裁剪掉心脏区域以外的部分，得到血管结构对应的候选血管图像。并采用形态学腐蚀方法将候选血管图像中的血管结构的宽度腐蚀至一个像素，消除图像中小且无意义的目标物，得到目标血管图像。

确定目标血管图像中的前景区域，并获取前景区域对应的点云数据，得到点云数据训练样本，图6示出了本发明具体实施例提供的血管点云表示示意图，如图6所示，前景区域对应的点云数据是由血管结构的中心线组成的集合S，表示为：

S=

其中，

,

,

分别表示第i个点在三个维度上的坐标值，N表示提取出的像素点个 数，N等于1000。

对点云数据训练样本进行归一化操作，包括：获取点云数据训练样本集中的点云数据样本在每个坐标维度的最大值，针对每个点云数据样本，将点云数据样本在每个坐标维度的坐标值除以点云数据训练样本集中的点云数据样本在坐标维度的最大值，得到点云数据训练样本。

同时，对点云数据训练样本进行随机扰动，以增加数据量，最终将扰动点云数据添加至点云数据训练样本集。

使用上述点云数据训练样本集（600例冠状动脉CTA图像）训练PointNet模型，训练过程中的批次大小设置为16例/批，学习率为1e-2，采用随机梯度下降方法对PointNet模型训练，损失函数为三分类的交叉熵损失函数。

其中，每训练5次保存一次模型，共训练300轮次，最终保存训练完成的模型有60个。

将点云数据验证样本集（200例冠状动脉CTA图像）输入60个训练完成的模型中，通过比较第一血管类型标签与第二血管类型标签的差异，确定效果最好的模型用于最终的模型预测。

提取出单个冠脉图像的点云表示，用效果最好的模型进行预测，最终取预测的三类（左优势型、右优势型和均衡型）中概率最大的类别作为最终预测结果。

图7示出了本发明实施例提供的冠状动脉优势型判定装置的结构框图，如图7所示，本发明的实施例还提供了一种冠状动脉优势型判定装置，包括：

图像分割单元100，用于对血管图像进行图像分割，得到候选血管图像；图像处理单元200，用于对候选血管图像进行腐蚀处理，得到目标血管图像；点云数据获取单元300，用于获取目标血管图像对应的点云数据；血管类型确定单元400，用于基于点云数据确定目标血管图像对应的血管类型。

其中，图像分割单元100包括：血管结构定位子单元101，用于对血管图像中包括的血管结构进行定位，得到血管结构在血管图像中的位置。确定分割区域子单元102，用于基于各血管结构在血管图像中的位置，确定血管结构对应的分割区域。分割子单元103，用于基于血管结构对应的分割区域，对血管图像进行图像分割，得到血管结构对应的候选血管图像。

点云数据获取单元300包括：确定目标区域子单元301，用于确定目标血管图像中的前景区域。点云数据获取子单元302，用于获取前景区域对应的点云数据。

血管类型确定单元400包括：获取训练样本子单元401，用于获取血管样本图像对应的点云数据训练样本，以及点云数据训练样本对应的血管样本分类标签。训练子单元402，用于以点云数据训练样本作为血管分类模型的输入，得到血管分类模型输出的血管预测类型。确定差异子单元403，用于确定血管样本分类标签与血管预测类型的差异。调整参数子单元404，用于基于差异调整血管分类模型的参数。获取验证样本子单元405，用于获取血管验证图像对应的点云数据验证样本，以及点云数据验证样本对应的第一血管类型标签。验证子单元406，用于将点云数据验证样本输入血管分类模型，得到血管分类模型输出的第二血管类型标签。确定准确性子单元407，用于比较第一血管类型标签与第二血管类型标签的差异，基于差异确定血管分类模型预测血管类型的准确性。

优选的，获取训练样本子单元401还包括：最大值获取子单元，用于获取点云数据训练样本集中的点云数据样本在每个坐标维度的最大值。归一化子单元，用于针对每个点云数据样本，将点云数据样本在每个坐标维度的坐标值除以点云数据训练样本集中的点云数据样本在坐标维度的最大值，得到点云数据训练样本。

除了上述方法和装置以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“冠状动脉优势型判定方法”部分中描述的根据本申请各种实施例的方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“冠状动脉优势型判定方法”部分中描述的根据本申请各种实施例的方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种冠状动脉优势型判定方法，其特征在于，包括：

对血管图像进行图像分割，得到候选血管图像；

对所述候选血管图像进行腐蚀处理，得到目标血管图像；

获取所述目标血管图像对应的点云数据；

基于所述点云数据确定所述目标血管图像对应的血管类型。

2.根据权利要求1所述的冠状动脉优势型判定方法，其特征在于，

所述目标血管图像对应的血管类型基于血管分类模型确定；

所述基于所述点云数据确定所述目标血管图像对应的血管类型之前，所述方法还包括：

获取血管样本图像对应的点云数据训练样本，以及所述点云数据训练样本对应的血管样本分类标签；

以所述点云数据训练样本作为所述血管分类模型的输入，得到所述血管分类模型输出的血管预测类型；

确定所述血管样本分类标签与所述血管预测类型的差异；

基于所述差异调整所述血管分类模型的参数。

3.根据权利要求2所述的冠状动脉优势型判定方法，其特征在于，所述获取血管样本图像对应的点云数据训练样本，包括：

获取点云数据训练样本集中的点云数据样本在每个坐标维度的最大值；

针对每个所述点云数据样本，将所述点云数据样本在每个坐标维度的坐标值除以所述点云数据训练样本集中的点云数据样本在所述坐标维度的最大值，得到所述点云数据训练样本。

4.根据权利要求2所述的冠状动脉优势型判定方法，其特征在于，所述基于所述差异调整所述血管分类模型的参数之后，所述方法还包括：

获取血管验证图像对应的点云数据验证样本，以及所述点云数据验证样本对应的第一血管类型标签；

将所述点云数据验证样本输入所述血管分类模型，得到所述血管分类模型输出的第二血管类型标签；

比较所述第一血管类型标签与所述第二血管类型标签的差异，基于所述差异确定所述血管分类模型预测血管类型的准确性。

5.根据权利要求3所述的冠状动脉优势型判定方法，其特征在于，还包括：对所述点云数据训练样本进行随机扰动，得到扰动点云数据；

将所述扰动点云数据添加至所述点云数据训练样本集。

6.根据权利要求1所述的冠状动脉优势型判定方法，其特征在于，

获取所述目标血管图像对应的点云数据包括：

确定所述目标血管图像中的前景区域；

获取所述前景区域对应的点云数据。

7.根据权利要求1所述的冠状动脉优势型判定方法，其特征在于，对血管图像进行图像分割，得到候选血管图像包括：

对所述血管图像中包括的血管结构进行定位，得到所述血管结构在所述血管图像中的位置；

基于各所述血管结构在所述血管图像中的位置，确定所述血管结构对应的分割区域；

基于所述血管结构对应的分割区域，对所述血管图像进行图像分割，得到所述血管结构对应的所述候选血管图像。

8.一种冠状动脉优势型判定装置，其特征在于，包括：

图像分割单元，用于对血管图像进行图像分割，得到候选血管图像；

图像处理单元，用于对所述候选血管图像进行腐蚀处理，得到目标血管图像；

点云数据获取单元，用于获取所述目标血管图像对应的点云数据；

血管类型确定单元，用于基于所述点云数据确定所述目标血管图像对应的血管类型。

9.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-7任一项所述的冠状动脉优势型判定方法。

10.一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-7任一项所述的冠状动脉优势型判定方法。

Images