CN113902692A - 一种血管分割的方法、装置及计算机可读介质 - Google Patents

一种血管分割的方法、装置及计算机可读介质 Download PDF

Info

Publication number
CN113902692A
CN113902692A CN202111128432.7A CN202111128432A CN113902692A CN 113902692 A CN113902692 A CN 113902692A CN 202111128432 A CN202111128432 A CN 202111128432A CN 113902692 A CN113902692 A CN 113902692A
Authority
CN
China
Prior art keywords
blood vessel
feature
feature vector
semantic
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
CN202111128432.7A
Other languages
English (en)
Other versions
CN113902692B (zh
Inventor
刘宇航
王东
王立威
丁佳
吕晨翀
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.)
Zhejiang Yizhun Intelligent Technology Co ltd
Original Assignee
Beijing Yizhun Medical AI 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 Beijing Yizhun Medical AI Co Ltd filed Critical Beijing Yizhun Medical AI Co Ltd
Priority to CN202111128432.7A priority Critical patent/CN113902692B/zh
Publication of CN113902692A publication Critical patent/CN113902692A/zh
Application granted granted Critical
Publication of CN113902692B publication Critical patent/CN113902692B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

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

Abstract

本发明公开了一种血管的分割方法、装置及计算机可读介质，属于图像处理技术领域。该方法包括：将所述血管电子计算机断层扫描CT图像作为训练样本，对所述训练样本进行图像特征提取，得到血管特征图；对所述血管特征图分别进行位置特征提取和语义特征提取，得到血管的位置特征向量和语义特征向量；基于所述位置特征向量和所述语义特征向量，进行模型训练，得到血管分割模型；利用所述血管分割模型对待测血管CT图像进行预测处理，生成血管分割结果。由此，能够避免血管分割结果出现血管断裂和/或静脉血管粘连等问题，提高了血管分割的准确性，解决了现有技术中存在的血管图像远距离依赖问题。

Description

一种血管分割的方法、装置及计算机可读介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种血管分割的方法、装置及计算机可读介质。
背景技术
目前，血管造影技术已经被广泛应用于临床的诊断和治疗中，血管分割算法可实现自动化的血管重建(比如头颈部血管、冠脉等)，这在减轻技师工作压力的同时，大幅度提高了医院的运行效率。在实际场景中，一些外部因素(比如伪影、噪声、拍摄技术等)会影响血管成像的质量，从局部范围内难以区分动脉血管和静脉血管。
现有技术中，冠脉血管分割算法通常是基于UNet结构直接预测冠脉血管的分割，然而该方法存在的缺陷在于：无法基于冠脉血管的远距离依赖进行建模，从而导致血管分割结果出现血管断裂和/或静脉血管粘连等问题。
为此，急需要提供一种新的血管分割模型对血管进行准确分割。
发明内容
为了解决上述现有技术存在的问题，本发明实施例提供一种血管的分割方法、装置及计算机可读介质，能够对血管进行准确分割，解决了现有技术中存在的血管图像远距离依赖问题。
为实现上述目的，根据本发明实施例第一方面，提供一种血管的分割方法，该方法包括：将所述血管电子计算机断层扫描CT图像作为训练样本，对所述训练样本进行图像特征提取，得到血管特征图；对所述血管特征图分别进行位置特征提取和语义特征提取，得到血管的位置特征向量和语义特征向量；基于所述位置特征向量和所述语义特征向量，进行模型训练，得到血管分割模型；利用所述血管分割模型对待测血管CT图像进行预测处理，生成血管分割结果。
可选的，对所述血管特征图分别进行位置特征提取和语义特征提取，得到血管的位置特征向量和语义特征向量，包括：利用标签掩膜图对所述血管特征图进行特征点索引，得到血管掩膜图；所述标签掩膜图用于指示对血管进行特征点标注的图像；对所述血管掩膜图中所有特征点进行特征提取，得到血管特征向量；对所述血管特征向量施加位置注意力权重，得到血管的位置特征向量；其中，所述位置注意力权重用于指示任意两个特征点之间的位置关联度；对所述血管特征向量施加语义注意力权重，得到血管的语义特征向量；其中，所述语义注意力权重用于指示任意两个特征点之间的语义关联度。
可选的，所述对所述血管特征向量施加位置注意力权重，得到血管的位置特征向量，包括：从所述血管掩膜图中获取所有特征点的坐标；针对任一所述特征点：根据所述特征点与该特征点以外任一特征点之间的空间距离，确定所述特征点的位置注意力权重；对每个所述特征点的特征施加对应的位置注意力权重，得到血管的位置特征向量。
可选的，所述对所述血管特征向量施加语义注意力权重，得到血管的语义特征向量，包括：对所述血管特征向量进行转置处理，得到血管特征向量的转置矩阵；基于所述血管特征向量以及所述转置矩阵之间的内积，确定血管的语义注意力权重；对所述血管特征向量施加所述语义注意力权重，得到血管的语义特征向量。
可选的，所述基于所述位置特征向量和所述语义特征向量，进行模型训练，得到血管分割模型，包括：将所述位置特征向量和所述语义特征向量进行融合处理，得到融合特征；利用所述融合特征进行模型训练，得到血管分割模型。
可选的，一种血管的分割方法还包括：获取原始血管CT图像；对所述原始CT图像进行数据扩增处理，得到多个训练样本。
为实现上述目的，根据本发明实施例第二方面，还提供一种血管的分割装置，该装置包括：特征提取模块，用于将所述血管电子计算机断层扫描CT图像作为训练样本，对所述训练样本进行图像特征提取，得到血管特征图；双重注意力模块，用于对所述血管特征图分别进行位置特征提取和语义特征提取，得到血管的位置特征向量和语义特征向量；训练模块，用于基于所述位置特征向量和所述语义特征向量，进行模型训练，得到血管分割模型；预测模块，用于利用所述血管分割模型对待测血管CT图像进行预测处理，生成血管分割结果。
可选的，所述双重注意力模块包括：索引单元，用于利用标签掩膜图对所述血管特征图进行特征点索引，得到血管掩膜图；所述标签掩膜图用于指示对血管进行特征点标注的图像；特征点提取单元，用于对所述血管掩膜图中所有特征点进行特征提取，得到血管特征向量；位置特征向量单元，用于对所述血管特征向量施加位置注意力权重，得到血管的位置特征向量；其中，所述位置注意力权重用于指示任意两个特征点之间的位置关联度；语义特征向量单元，用于对所述血管特征向量施加语义注意力权重，得到血管的语义特征向量；其中，所述语义注意力权重用于指示任意两个特征点之间的语义关联度。
可选的，所述位置特征向量单元包括：获取子单元，用于从所述血管掩膜图中获取所有特征点的坐标；确定子单元，用于针对任一所述特征点：根据所述特征点与该特征点以外任一特征点之间的空间距离，确定所述特征点的位置注意力权重；加权子单元，用于对每个所述特征点的特征施加对应的位置注意力权重，得到血管的位置特征向量。
为实现上述目的，根据本发明实施例第三方面，还提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如第一方面所述的方法。
与现有技术相比，本发明实施例提供一种血管的分割方法、装置及计算机可读介质，该方法首先将所述血管电子计算机断层扫描CT图像作为训练样本，对所述训练样本进行图像特征提取；并对提取获得的血管特征图分别进行位置特征提取和语义特征提取，得到血管的位置特征向量和语义特征向量；之后基于所述位置特征向量和所述语义特征向量，进行模型训练，得到血管分割模型；由此提高了血管分割模型的感受野和信息传递的效率；最后利用所述血管分割模型对待测血管CT图像进行预测处理，生成血管分割结果。由此，能够避免血管分割结果出现血管断裂和/或静脉血管粘连等问题，提高了血管分割的准确性，解决了现有技术中存在的血管图像远距离依赖问题。
理解的是，本发明的教导并不需要实现上面所述的全部有益效果，而是特定的技术方案可以实现特定的技术效果，并且本发明的其他实施方式还能够实现上面未提到的有益效果。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中在附图中，相同或对应的标号表示相同或对应的部分。
图1为本发明一实施例血管的分割方法的示意性流程图；
图2为本发明另一实施例确定血管的位置特征向量和语义特征向量的示意性流程图；
图3为本发明再一实施例中确定血管的位置特征向量的示意性流程图；
图4为本发明又一实施例中确定血管的语义特征向量的示意性流程图；
图5为本发明一实施例血管的分割装置的示意性结构图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
如图1所示，本发明一实施例血管的分割方法的示意性流程图。一种血管的分割方法，包括具体操作流程如下：S101，将血管电子计算机断层扫描CT图像作为训练样本，对训练样本进行图像特征提取，得到血管特征图；S102，对血管特征图分别进行位置特征提取和语义特征提取，得到血管的位置特征向量和语义特征向量；S103，基于位置特征向量和语义特征向量，进行模型训练，得到血管分割模型；S104，利用血管分割模型对待测血管CT图像进行预测处理，生成血管分割结果。
在S101和S102中，将血管CT图像输入现有的UNet结构，进行图像特征提取，UNet结构输出的最后一层血管特征图作为双层注意力模块的输入。双层注意力模块包括几何注意力单元和语义注意力单元；将血管特征图输入双层注意力模块中的几何注意力单元，进行位置特征提取，得到血管的位置特征向量；将血管特征图输入双重注意力模块中的语义注意力单元，进行语义特征提取，得到血管的语义特征向量。
在模型训练阶段需要多个训练样本，为了能够获得更多的训练样本，通常是获取多个原始血管CT图像，对每个原始血管CT图像进行数据扩增处理，得到多个训练样本。数据扩增处理包括但不限于以下几种处理方式：旋转、翻转、平移、对比度调节、噪声和遮挡等。
在这里，对血管的类型不作限定，可以是任意形式的血管，例如血管可以是冠状动脉血管，还可以是头部颈动脉血管等等。
在S103中，将血管的位置特征向量和语义特征向量共同输入神经网络进行训练，得到血管分割模型。
还可以采用如下过程获得血管分割模型：将位置特征向量和语义特征向量进行融合处理，得到融合特征，将融合特征输入神经网络进行训练，得到血管分割模型；例如将位置特征向量和语义特征向量进行拼接并经过卷积层处理，得到融合特征，之后将融合特征经过softmax层处理，得到血管的概率分布图。最后，采用多个训练样本对上述训练过程进行反复操作，并对模型参数进行调节，得到血管分割模型。
在S104中，获取待测的血管CT图像，将待测血管CT图像输入血管分割模型进行预测处理，输出血管分割结果。血管分割结果例如冠脉血管血管分割结果等。
本发明实施例首先将所述血管电子计算机断层扫描CT图像作为训练样本，对所述训练样本进行图像特征提取；并对提取获得的血管特征图分别进行位置特征提取和语义特征提取，得到血管的位置特征向量和语义特征向量；之后基于所述位置特征向量和所述语义特征向量，进行模型训练，得到血管分割模型；由此提高了血管分割模型的感受野和信息传递的效率；最后利用所述血管分割模型对待测血管CT图像进行预测处理，生成血管分割结果。由此，能够避免血管分割结果出现血管断裂和/或静脉血管粘连等问题，提高了血管分割的准确性，解决了现有技术中存在的血管图像远距离依赖问题。
如图2所示，本发明另一实施例确定血管的位置特征向量和语义特征向量的示意性流程图。本实施例是在前述实施例的基础上进一步优化得到的。确定血管的位置特征向量和语义特征向量，至少包括如下操作流程：S201利用标签掩膜图对血管特征图进行特征点索引，得到血管掩膜图；标签掩膜图用于指示对血管进行特征点标注的图像；S202，利对血管掩膜图中所有特征点进行特征提取，得到血管特征向量；S203，对血管特征向量施加位置注意力权重，得到血管的位置特征向量；其中，位置注意力权重用于指示任意两个特征点之间的位置关联度；S204，对血管特征向量施加语义注意力权重，得到血管的语义特征向量；其中，语义注意力权重用于指示任意两个特征点之间的语义关联度。
在S201中，标签掩膜图和血管特征图的大小尺寸可以相同，也可以不同；当标签掩膜图与血管特征图大小尺寸不同时，那么在进行特征点索引之前，还需要对血管特征图进行下采用操作，从而获得与标签掩膜相同尺寸的血管特征图。当标签掩膜图与血管特征图具有与相同尺寸时，则不需要对血管特征图进行下采样操作。由于标签掩膜图是对血管进行特征点标注的图像，因此基于标签掩膜图中血管的特征点，对血管特征图进行特征点标注，从而得到血管掩膜图。血管掩膜图用于指示标注了血管的特征点的血管特征图。
在S202中，假设血管的特征点有N个，血管的特征向量包括N个特征点的特征形成的特征矩阵X，例如X是一个N*C矩阵，C表示通道数。
在S203和S204中，对血管特征向量中每个特征点的特征施加对应的位置注意力权重，之后将施加了权重的所有特征点的特征进行加和，得到血管的位置特征向量。对血管特征向量中每个特征点的特征施加对应的语义注意力权重，之后将施加了权重的所有特征点的特征进行加和，得到血管的语义特征向量。
本实施例通过对血管特征图进行特征点索引得到血管掩膜图；之后通过血管掩膜图中每个特征点的特征施加对应的位置注意力权重和语义注意力权重，从而能够对血管的特征进行有效扩增，进而将血管中任意两个特征点建立了空间几何联系和语义联系，解决了现有技术中血管图像远距离依赖问题，有利于提高血管的分割的准确性。
如图3所示，本发明再一实施例中确定血管的位置特征向量的示意性流程图。本实施例是在前述实施例的基础上进一步优化得到的。确定血管的位置特征向量，至少包括如下操作流程：S301，从血管掩膜图中获取所有特征点的坐标；S302，针对任一特征点：根据特征点与该特征点以外任一特征点之间的空间距离，确定特征点的位置注意力权重；S303，对每个特征点的特征施加对应的位置注意力权重，得到血管的位置特征向量。
具体地，假设血管的特征点有N个，针对第一个特征点，计算第一个特征点与N个特征点(包括第一个特征点自身以及其他N-1个特征点)中任一特征点之间的欧式距离，从而得到N个欧式距离，并将N个欧式距离形成的矩阵确定为第一个特征点的位置注意力权重。每个特征点均具有对应的位置注意力权重，由此，将N个特征点对应的位置注意力权重进行排列形成一个N*N的矩阵A。之后通过计算矩阵A与血管特征向量X的内积对每个特征点的特征施加对应的位置注意力权重，得到血管的位置特征向量。
本实施例基于血管任意两个特征点之间的距离确定血管的位置注意力权重，由此，在空间上，将血管上任意两个特征点进行了位置关联，从而提高了血管分割的准确性。
如图4所示，本发明又一实施例中确定血管的语义特征向量的示意性流程图。本实施例是在前述实施例的基础上进一步优化得到的。确定血管的语义特征向量，至少包括如下操作流程：S401，对血管特征向量进行转置处理，得到血管特征向量的转置矩阵；S402，基于血管特征向量以及转置矩阵之间的内积，确定血管的语义注意力权重；S403，对血管特征向量施加语义注意力权重，得到血管的语义特征向量。
具体地，血管特征向量为X，血管特征向量的转置矩阵为X^T，N个特征点的语义注意力权重为矩阵B＝X X^T。之后通过计算矩阵B与血管特征向量X的内积对每个特征点的特征施加对应的语义注意力权重，得到血管的语义特征向量。
本实施例基于血管特征向量和血管特征向量之间的内积确定血管的语义注意力权重，由此，在语义上，将血管上任意两个特征点进行了语义关联，从而提高了血管分割的准确性。
下面结合具体的应用场景对本发明的实现过程进行详细说明：
采集了1000例冠状动脉CT图像，按照6：2：2的比例随机划分为训练集、验证集、测试集，使用训练集进行模型模型，用验证集挑选效果最佳的模型，并用测试集来评价最终效果。
针对训练集中的训练样本，对训练样本进行图像特征提取，得到冠状动脉特征图；对冠状动脉特征图分别进行位置特征提取和语义特征提取，得到冠状动脉的位置特征向量和语义特征向量；利用冠状动脉的标签掩膜图对冠状动脉特征图进行特征点索引，得到冠状动脉掩膜图；标签掩膜图用于指示对冠状动脉进行特征点标注的图像；对冠状动脉掩膜图中所有特征点进行特征提取，得到冠状动脉特征向量；对冠状动脉特征向量施加位置注意力权重，得到冠状动脉的位置特征向量；其中，位置注意力权重用于指示任意两个特征点之间的位置关联度；对冠状动脉特征向量施加语义注意力权重，得到冠状动脉的语义特征向量；其中，语义注意力权重用于指示任意两个特征点之间的语义关联度。将位置特征向量和语义特征向量进行拼接并经过卷积层处理，得到融合特征，之后利用多个融合特征进行模型训练，得到冠状动脉的分割模型。
获取冠状动脉的CT图像，利用冠状动脉的分割模型对待测冠状动脉的CT图像进行预测处理，生成冠状动脉的分割结果。
由此，采用本实施例的方法针对性地解决了冠脉血管图像的远距离依赖问题，不仅大幅提升了UNet方法的建模效果，而且大幅提升了分割模型的感受野，有助于避免预测出断裂的血管以及粘连的静脉。
如图5所示，为本发明一实施例血管的分割装置的示意结构图。一种血管的分割装置，该装置500包括：特征提取模块501，用于将血管电子计算机断层扫描CT图像作为训练样本，对训练样本进行图像特征提取，得到血管特征图；双重注意力模块502，用于对血管特征图分别进行位置特征提取和语义特征提取，得到血管的位置特征向量和语义特征向量；训练模块503，用于基于位置特征向量和语义特征向量，进行模型训练，得到血管分割模型；预测模块504，用于利用血管分割模型对待测血管CT图像进行预测处理，生成血管分割结果。
在可选的实施例中，双重注意力模块502包括：索引单元，用于利用标签掩膜图对所述血管特征图进行特征点索引，得到血管掩膜图；所述标签掩膜图用于指示对血管进行特征点标注的图像；特征点提取单元，用于对所述血管掩膜图中所有特征点进行特征提取，得到血管特征向量；位置特征向量单元，用于对所述血管特征向量施加位置注意力权重，得到血管的位置特征向量；其中，所述位置注意力权重用于指示任意两个特征点之间的位置关联度；语义特征向量单元，用于对所述血管特征向量施加语义注意力权重，得到血管的语义特征向量；其中，所述语义注意力权重用于指示任意两个特征点之间的语义关联度。
在可选的实施例中，位置特征向量单元包括：获取子单元，用于从所述血管掩膜图中获取所有特征点的坐标；确定子单元，用于针对任一所述特征点：根据所述特征点与该特征点以外任一特征点之间的空间距离，确定所述特征点的位置注意力权重；加权子单元，用于对每个所述特征点的特征施加对应的位置注意力权重，得到血管的位置特征向量。
在可选的实施例中，语义特征向量单元包括：转置子单元，用于对所述血管特征向量进行转置处理，得到血管特征向量的转置矩阵；确定子单元，用于基于所述血管特征向量以及所述转置矩阵之间的内积，确定血管的语义注意力权重；加权子单元，用于对所述血管特征向量施加所述语义注意力权重，得到血管的语义特征向量。
在可选的实施例中，训练模块503包括：融合单元，用于将所述位置特征向量和所述语义特征向量进行融合处理，得到融合特征；训练单元，用于利用所述融合特征进行模型训练，得到血管分割模型。
在可选的实施例中，血管分割装置还包括：获取模块，用于获取原始血管CT图像；扩增模块，用于对所述原始CT图像进行数据扩增处理，得到多个训练样本。
上述装置可执行本发明一实施例所提供的血管的分割方法，具备执行疲劳测量方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的血管的分割方法。
根据本发明再一实施例，还提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当该一个或多个程序被该一个或多个处理器执行，使得该一个或多个处理器实现本发明上述实施例提供的血管的分割方法。
本发明实施例另一方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，使得所述处理器至少执行如下所述的操作步骤：S101，将血管电子计算机断层扫描CT图像作为训练样本，对训练样本进行图像特征提取，得到血管特征图；S102，对血管特征图分别进行位置特征提取和语义特征提取，得到血管的位置特征向量和语义特征向量；S103，基于位置特征向量和所述语义特征向量，进行模型训练，得到血管分割模型；S104，利用血管分割模型对待测血管CT图像进行预测处理，生成血管分割结果。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种血管的分割方法，其特征在于，包括：
将所述血管电子计算机断层扫描CT图像作为训练样本，对所述训练样本进行图像特征提取，得到血管特征图；
对所述血管特征图分别进行位置特征提取和语义特征提取，得到血管的位置特征向量和语义特征向量；
基于所述位置特征向量和所述语义特征向量，进行模型训练，得到血管分割模型；
利用所述血管分割模型对待测血管CT图像进行预测处理，生成血管分割结果。
2.根据权利要求1所述的方法，其特征在于，对所述血管特征图分别进行位置特征提取和语义特征提取，得到血管的位置特征向量和语义特征向量，包括：
利用标签掩膜图对所述血管特征图进行特征点索引，得到血管掩膜图；所述标签掩膜图用于指示对血管进行特征点标注的图像；
对所述血管掩膜图中所有特征点进行特征提取，得到血管特征向量；
对所述血管特征向量施加位置注意力权重，得到血管的位置特征向量；其中，所述位置注意力权重用于指示任意两个特征点之间的位置关联度；
对所述血管特征向量施加语义注意力权重，得到血管的语义特征向量；其中，所述语义注意力权重用于指示任意两个特征点之间的语义关联度。
3.根据权利要求2所述的方法，其特征在于，所述对所述血管特征向量施加位置注意力权重，得到血管的位置特征向量，包括：
从所述血管掩膜图中获取所有特征点的坐标；
针对任一所述特征点：根据所述特征点与该特征点以外任一特征点之间的空间距离，确定所述特征点的位置注意力权重；
对每个所述特征点的特征施加对应的位置注意力权重，得到血管的位置特征向量。
4.根据权利要求2所述的方法，其特征在于，所述对所述血管特征向量施加语义注意力权重，得到血管的语义特征向量，包括：
对所述血管特征向量进行转置处理，得到血管特征向量的转置矩阵；
基于所述血管特征向量以及所述转置矩阵之间的内积，确定血管的语义注意力权重；
对所述血管特征向量施加所述语义注意力权重，得到血管的语义特征向量。
5.根据权利要求1所述的方法，其特征在于，所述基于所述位置特征向量和所述语义特征向量，进行模型训练，得到血管分割模型，包括：
将所述位置特征向量和所述语义特征向量进行融合处理，得到融合特征；
利用所述融合特征进行模型训练，得到血管分割模型。
6.根据权利要求1所述的方法，其特征在于，还包括：
获取原始血管CT图像；
对所述原始CT图像进行数据扩增处理，得到多个训练样本。
7.一种血管分割装置，其特征在于，包括：
特征提取模块，用于将所述血管电子计算机断层扫描CT图像作为训练样本，对所述训练样本进行图像特征提取，得到血管特征图；
双重注意力模块，用于对所述血管特征图分别进行位置特征提取和语义特征提取，得到血管的位置特征向量和语义特征向量；
训练模块，用于基于所述位置特征向量和所述语义特征向量，进行模型训练，得到血管分割模型；
预测模块，用于利用所述血管分割模型对待测血管CT图像进行预测处理，生成血管分割结果。
8.根据权利要求7所述的装置，其特征在于，所述双重注意力模块包括：
索引单元，用于利用标签掩膜图对所述血管特征图进行特征点索引，得到血管掩膜图；所述标签掩膜图用于指示对血管进行特征点标注的图像；
特征点提取单元，用于对所述血管掩膜图中所有特征点进行特征提取，得到血管特征向量；
位置特征向量单元，用于对所述血管特征向量施加位置注意力权重，得到血管的位置特征向量；其中，所述位置注意力权重用于指示任意两个特征点之间的位置关联度；
语义特征向量单元，用于对所述血管特征向量施加语义注意力权重，得到血管的语义特征向量；其中，所述语义注意力权重用于指示任意两个特征点之间的语义关联度。
9.根据权利要求8所述的装置，其特征在于，所述位置特征向量单元包括：
获取子单元，用于从所述血管掩膜图中获取所有特征点的坐标；
确定子单元，用于针对任一所述特征点：根据所述特征点与该特征点以外任一特征点之间的空间距离，确定所述特征点的位置注意力权重；
加权子单元，用于对每个所述特征点的特征施加对应的位置注意力权重，得到血管的位置特征向量。
10.一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
CN202111128432.7A 2021-09-26 2021-09-26 一种血管分割的方法、装置及计算机可读介质 Active CN113902692B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111128432.7A CN113902692B (zh) 2021-09-26 2021-09-26 一种血管分割的方法、装置及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111128432.7A CN113902692B (zh) 2021-09-26 2021-09-26 一种血管分割的方法、装置及计算机可读介质

Publications (2)

Publication Number Publication Date
CN113902692A true CN113902692A (zh) 2022-01-07
CN113902692B CN113902692B (zh) 2022-09-02

Family

ID=79029253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111128432.7A Active CN113902692B (zh) 2021-09-26 2021-09-26 一种血管分割的方法、装置及计算机可读介质

Country Status (1)

Country Link
CN (1) CN113902692B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115222955B (zh) * 2022-06-13 2023-02-28 北京医准智能科技有限公司 图像匹配模型的训练方法、装置、电子设备及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012126070A1 (en) * 2011-03-24 2012-09-27 Katholieke Universiteit Leuven Automatic volumetric analysis and 3d registration of cross sectional oct images of a stent in a body vessel
CN108764286A (zh) * 2018-04-24 2018-11-06 电子科技大学 一种基于迁移学习的血管图像中特征点的分类识别方法
CN110414377A (zh) * 2019-07-09 2019-11-05 武汉科技大学 一种基于尺度注意力网络的遥感图像场景分类方法
CN112233135A (zh) * 2020-11-11 2021-01-15 清华大学深圳国际研究生院 眼底图像中视网膜血管分割方法及计算机可读存储介质
CN112489060A (zh) * 2020-12-07 2021-03-12 北京医准智能科技有限公司 一种用于肺炎病灶分割的系统及方法
CN112967264A (zh) * 2021-03-19 2021-06-15 深圳市商汤科技有限公司 缺陷检测方法及装置、电子设备和存储介质
CN113096133A (zh) * 2021-04-30 2021-07-09 佛山市南海区广工大数控装备协同创新研究院 一种基于注意力机制的语义分割网络的构建方法
CN113096136A (zh) * 2021-03-30 2021-07-09 电子科技大学 一种基于深度学习的全景分割方法
CN113205537A (zh) * 2021-05-17 2021-08-03 广州大学 基于深度学习的血管图像分割方法、装置、设备及介质
CN113344951A (zh) * 2021-05-21 2021-09-03 北京工业大学 一种边界感知双重注意力引导的肝段分割方法
CN113344940A (zh) * 2021-05-07 2021-09-03 西安智诊智能科技有限公司 一种基于深度学习的肝脏血管图像分割方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012126070A1 (en) * 2011-03-24 2012-09-27 Katholieke Universiteit Leuven Automatic volumetric analysis and 3d registration of cross sectional oct images of a stent in a body vessel
CN108764286A (zh) * 2018-04-24 2018-11-06 电子科技大学 一种基于迁移学习的血管图像中特征点的分类识别方法
CN110414377A (zh) * 2019-07-09 2019-11-05 武汉科技大学 一种基于尺度注意力网络的遥感图像场景分类方法
CN112233135A (zh) * 2020-11-11 2021-01-15 清华大学深圳国际研究生院 眼底图像中视网膜血管分割方法及计算机可读存储介质
CN112489060A (zh) * 2020-12-07 2021-03-12 北京医准智能科技有限公司 一种用于肺炎病灶分割的系统及方法
CN112967264A (zh) * 2021-03-19 2021-06-15 深圳市商汤科技有限公司 缺陷检测方法及装置、电子设备和存储介质
CN113096136A (zh) * 2021-03-30 2021-07-09 电子科技大学 一种基于深度学习的全景分割方法
CN113096133A (zh) * 2021-04-30 2021-07-09 佛山市南海区广工大数控装备协同创新研究院 一种基于注意力机制的语义分割网络的构建方法
CN113344940A (zh) * 2021-05-07 2021-09-03 西安智诊智能科技有限公司 一种基于深度学习的肝脏血管图像分割方法
CN113205537A (zh) * 2021-05-17 2021-08-03 广州大学 基于深度学习的血管图像分割方法、装置、设备及介质
CN113344951A (zh) * 2021-05-21 2021-09-03 北京工业大学 一种边界感知双重注意力引导的肝段分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JUN FU ET AL: ""Dual Attention Network for Scene Segmentation"", 《ARXIV》 *
高颖琪等: "语义融合眼底图像动静脉分类方法", 《中国图象图形学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115222955B (zh) * 2022-06-13 2023-02-28 北京医准智能科技有限公司 图像匹配模型的训练方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113902692B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
WO2021114630A1 (zh) 医学图像样本筛查方法、装置、计算机设备和存储介质
KR101908680B1 (ko) 약한 지도 학습 기반의 기계 학습 방법 및 그 장치
US8311296B2 (en) Voting in mammography processing
CN112465834B (zh) 一种血管分割方法及装置
CN110298844B (zh) X光造影图像血管分割与识别方法及装置
CN107145756A (zh) 一种脑卒中类型预测方法以及装置
CN111325714B (zh) 感兴趣区域的处理方法、计算机设备和可读存储介质
CN112801224B (zh) 糖尿病的分型概率预测方法、装置、设备及存储介质
CN112991346B (zh) 用于医学图像分析的学习网络的训练方法和训练系统
CN113902692B (zh) 一种血管分割的方法、装置及计算机可读介质
CN115409990B (zh) 一种医学图像分割方法、装置、设备及存储介质
CN112926537A (zh) 图像处理方法、装置、电子设备以及存储介质
CN114037663A (zh) 一种血管分割方法、装置及计算机可读介质
Zhang et al. Coronary Computed Tomography Angiography–derived Fractional Flow Reserve: An Expert Consensus Document of Chinese Society of Radiology
CN111340794A (zh) 冠状动脉狭窄的量化方法及装置
CN116993812A (zh) 冠脉血管中心线的提取方法、装置、设备及存储介质
CN112488982A (zh) 一种超声图像检测方法及装置
CN113177953B (zh) 肝脏区域分割方法、装置、电子设备及存储介质
CN114820480A (zh) 动脉瘤类型识别方法、装置和计算机设备
CN114359133A (zh) 基于特征提取的手骨影像分析方法及相关设备
KR102472886B1 (ko) 신부전증의 진단에 대한 정보 제공 방법 및 이를 이용한 디바이스
CN114445419A (zh) 一种基于支气管拓扑结构的肺段分割方法、装置及系统
CN113888585A (zh) 一种基于卷积神经网络算法的颈动脉医学超声影像血管跟踪方法及系统
WO2021198766A1 (en) Method and system for anomaly detection and report generation
Asimos et al. Assessment of vessel density on non-contrast computed tomography to detect basilar artery occlusion

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000

Patentee after: Zhejiang Yizhun Intelligent Technology Co.,Ltd.

Address before: No. 1202-1203, 12 / F, block a, Zhizhen building, No. 7, Zhichun Road, Haidian District, Beijing 100083

Patentee before: Beijing Yizhun Intelligent Technology Co.,Ltd.