CN113902741A - 一种对医学图像进行血管分割的方法、装置及介质 - Google Patents

一种对医学图像进行血管分割的方法、装置及介质 Download PDF

Info

Publication number
CN113902741A
CN113902741A CN202111487795.XA CN202111487795A CN113902741A CN 113902741 A CN113902741 A CN 113902741A CN 202111487795 A CN202111487795 A CN 202111487795A CN 113902741 A CN113902741 A CN 113902741A
Authority
CN
China
Prior art keywords
vessel segmentation
blood vessel
medical image
sub
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
CN202111487795.XA
Other languages
English (en)
Other versions
CN113902741B (zh
Inventor
袁绍锋
黄晓萌
郑桐
李育威
曹坤琳
宋麒
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.)
Shenzhen Keya Medical Technology Corp
Original Assignee
Shenzhen Keya Medical Technology Corp
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 Shenzhen Keya Medical Technology Corp filed Critical Shenzhen Keya Medical Technology Corp
Priority to CN202111487795.XA priority Critical patent/CN113902741B/zh
Priority to CN202210208100.8A priority patent/CN114565592A/zh
Publication of CN113902741A publication Critical patent/CN113902741A/zh
Application granted granted Critical
Publication of CN113902741B publication Critical patent/CN113902741B/zh
Priority to US17/741,654 priority patent/US20230177677A1/en
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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • 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
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/30008—Bone
    • 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
    • G06T2207/30061—Lung
    • 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)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Geometry (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本公开涉及一种对医学图像进行血管分割的方法、装置及介质。该方法可以包括获取要进行血管分割的包含数个部位的医学图像，各个部位的血管在结构属性上不同。可以利用处理器，将所述医学图像按照部位划分为各个部位的子医学图像。可以基于各个部位的子医学图像，利用所述处理器，使用各个部位的对应血管分割模型确定对应的血管分割结果。可以利用所述处理器，对各个部位的子医学图像的血管分割结果进行融合，来得到所述医学图像的血管分割结果。该方法和装置为各个部位区分适配血管分割模型以分别分割各个部位的血管，使得整个血管分割过程速度快、效果好，准确度高。

Description

一种对医学图像进行血管分割的方法、装置及介质
技术领域
本发明涉及医学图像处理的技术领域，具体涉及一种对医学图像进行血管分割的方法、装置。
背景技术
随着医学图像设备的发展，医生可以利用医学图像进行疾病筛查与诊断、手术规划和预后评估等，例如，利用计算机断层扫描血管造影(Computed TomographyAngiography, CTA)或磁共振血管造影(Magnetic Resonance Angiography, MRA)可对全身各部位的血管、血管变异、血管病变进行成像。医学血管图像分析在临床领域发挥着重要的作用，而血管图像分割在血管图像分析中是及其重要的一环。早期的血管分割方法主要是针对血管造影图像进行特征选择和图像分析，得到血管分割结果，但易受到血管周围干扰因素影响，比如，骨骼、斑块、支架等。目前的血管分割方法主要是利用深度神经网络对血管造影图像直接进行图像分割，得到血管分割结果。虽然基于深度神经网络的血管分割方法效果显著，但是普遍采用单一模型。由于血管图像的复杂性，其分割结果可能存在一些问题。具体地说，可能存在欠分割问题，较大半径和较小半径的血管容易被遗漏分割，发生断裂；可能存在过分割问题，与血管在影像上相似的非血管区域被分割，发生黏连噪声。
发明内容
旨在提供本公开以解决以上技术问题。本公开旨在提供一种在可能包含血管的结构属性（例如但不限于形态、尺寸等）复杂多变（例如但不限于较大血管尺寸范围、多变血管形态）的数个部位的医学图像中，能够利用学习网络，快速、准确分割不同结构属性血管的计算机实现的方法和装置。该方法和装置通过按照包含血管的结构属性的差异将医学图像划分为各个部位的子医学图像，为各个部位的子医学图像分别应用适配的学习网络来实现各自血管的分割，并融合各个部位的血管分割结果来得到整个医学图像的血管分割结果，使得整个血管分割过程速度快且效果好。进一步地，该方法和装置可以针对特殊位置（例如血管的部位交接或边界）处血管的形态、曲率、半径大小的差异或者医生预设的关注部位，针对性地切割特殊位置的血管，实现血管的精确分割。
在一个方案中，本公开涉及一种对医学图像进行血管分割的方法。该方法可以包括获取要进行血管分割的包含数个部位的医学图像，各个部位的血管在结构属性上不同。该方法还可以包括利用处理器将所述医学图像按照部位划分为各个部位的子医学图像。该方法还可以包括基于各个部位的子医学图像，利用所述处理器，使用各个部位的对应血管分割模型确定对应的血管分割结果。该方法还可以包括利用所述处理器，对各个部位的子医学图像的血管分割结果进行融合，来得到所述医学图像的血管分割结果。
在另一方案中，本公开涉及一种对医学图像进行血管分割的装置。所述装置可以包括接口和处理器。接口可以配置为接收要进行血管分割的包含数个部位的医学图像，各个部位的血管在结构属性上不同。所述处理器可以配置为（例如经由接口）获取要进行血管分割的包含数个部位的医学图像，各个部位的血管在结构属性上不同。所述处理器还可以配置将所述医学图像按照部位划分为各个部位的子医学图像。所述处理器还可以配置为基于各个部位的子医学图像，使用各个部位的对应血管分割模型确定对应的血管分割结果。此外，所述处理器可以配置为对各个部位的子医学图像的血管分割结果进行融合，来得到所述医学图像的血管分割结果。
在又一方案中，本公开涉及一种具有存储在其上的指令的非暂时性计算机可读介质，所述指令在由处理器执行时实现对医学图像进行血管分割的方法。所述方法可以包括获取要进行血管分割的包含数个部位的医学图像，各个部位的血管在结构属性上不同。所述方法还可以包括将所述医学图像按照部位划分为各个部位的子医学图像。所述方法还可以包括基于各个部位的子医学图像，使用各个部位的对应血管分割模型确定对应的血管分割结果。所述方法还可以包括对各个部位的子医学图像的血管分割结果进行融合，来得到所述医学图像的血管分割结果。
本公开的实施例相对于现有技术具有如下优点：
1、与传统的血管分割方法相比，本发明采用深度神经网络实现医学图像血管自动分割，该方法1) 血管分割效果好，既适合于不同患者的数据，也适合于不同厂家的数据；2)血管分割速度快。
2、与当前的血管分割方法相比，本发明也采用深度神经网络对医学图像进行血管自动分割，但是该方法并非采用单一模型完成血管自动分割，而是针对医学图像中各部位血管形态差异大的特征，首先采用学习网络将医学图像划分为数个部分区域，然后采用数个对应的学习网络分别对这些部分区域进行单独的分割，最后将数个部分区域的血管分割结果进行融合。该方法1) 血管分割效果好，适合头颈部CTA这种具有血管形态差异大特点的医学图像；2) 解决基于学习网络采用单一模型进行血管分割效果不佳的问题，避免血管断裂和黏连噪声等情况，进而避免这些情况影响医生对心血管疾病的诊断。
附图说明
在不一定按比例绘制的附图中，相同的附图标记可以描述不同视图中的类似部件。具有字母后缀或不同字母后缀的相同数字可表示类似部件的不同实例。附图通常通过示例而非通过限制的方式示出了各种实施例，并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。在适当的时候，在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的，而并非旨在作为本方法、装置、或其上存储有用于实现该方法的指令的非暂时性计算机可读介质的穷尽或排他实施例。
图1示出了根据本公开的实施例的对医学图像进行血管分割的方法。
图2示出了根据本公开的实施例的对医学图像进行血管分割的过程。
图3（a）示出了根据本公开的实施例的对头部子医学图像进行分割后的血管。
图3（b）示出了根据本公开的实施例的对颈部子医学图像进行分割后的血管。
图3（c）示出了根据本公开的实施例的对胸部子医学图像进行分割后的血管。
图4示出了根据本公开的实施例的对医学图像进行血管分割的方法的详细过程。
图5示出了根据本公开的实施例的对头部子医学图像进行血管分割的方法。
图6示出了根据本公开的实施例的对颈部子医学图像进行血管分割的方法。
图7示出了根据本公开的实施例的对胸部子医学图像进行血管分割的方法。
图8图示了根据本公开的实施例的示例性对医学图像进行血管分割的装置的说明框图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
图1示出根据本公开的实施例的对医学图像进行血管分割的方法。如图1中所示，一种对医学图像进行血管分割的方法始于步骤S1，获取要进行血管分割的包含数个部位的医学图像，各个部位的血管在结构属性上不同。在一些实施例中，所述血管的结构属性包括形态和尺寸中的至少一种。
在步骤S2，可以利用处理器，将所述医学图像按照部位划分为各个部位的子医学图像。在一些实施例中，所述医学图像为3D医学图像，例如但不限于头颈部CTA图像、肺部CT图像等等。对于3D医学图像而言，将所述医学图像按照部位划分为各个部位的子医学图像具体包括：基于所述3D医学图像，利用片层分类模型，识别出所述3D医学图像中作为相邻部位交界处的关键片层；利用识别出的关键片层，实现按照部位的子医学图像的划分。在一些实施例中，所述片层分类模型可以利用二维学习网络实现，利用具有对应部位的片层的分类信息的训练样本训练。
所述医学图像为扫描的患者某一或数个部位的图像，该医学图像中一般含有血管组织，该医学图像可以由计算机设备从后处理工作站或影像归档和通信系统(PictureArchiving and Communication Systems, PACS)中获取。在本实施例，计算机设备可以获取放射科/影像科技师实时上传到PACS系统中的医学图像，也可以以固定时间间隔为周期从PACS系统中获取这一时间段内的所有医学图像。在本实施例，计算机设备还可以从医院信息管理系统(Hospital Information System, HIS)、临床信息管理系统(ClinicalInformation System, CIS)、放射科信息管理系统(Radiology Information System,RIS)、电子病例系统(Electronic Medical Record, EMR)以及相关的医学图像云存储平台获取待分割的医学图像。
在步骤S3可以基于各个部位的子医学图像，利用所述处理器，使用各个部位的对应血管分割模型确定对应的血管分割结果。在一些实施例中，各个血管分割模型利用具有对应部位的血管的分类信息的训练样本分别训练。分类信息可以是多元的，相应的，对应部位的血管的分类信息可以包括多个标签，以满足医生对于部位更细致的分类需求。
在步骤S4，可以利用所述处理器，对各个部位的子医学图像的血管分割结果进行融合，来得到所述医学图像的血管分割结果。
下面以头颈CTA医学图像为例对本公开进行说明，但须知本公开适用于各种包含数个部位的医学图像。例如，所述医学图像可以包括头颈部CTA图像、头颈部MRA图像和肺部CT图像中的至少一种。
图2示出根据本公开的实施例的对医学图像进行血管分割的过程。如图2中所示，首先采用片层分类模型202，将头颈CTA三维医学图像212划分为3个子区域，分别是头部区域203、颈部区域204、胸部区域205。各个区域的血管的结构属性存在显著差异。例如，头部区域203的动脉具有血管半径大小S1，颈部区域204的动脉具有血管半径大小S2，胸部区域205的动脉具有血管半径大小S3。例如，头部区域203的动脉的血管曲率显著高于颈部区域204和胸部区域205的动脉的血管曲率。又例如，头部区域203的动脉的血管密度显著高于颈部区域204和胸部区域205的动脉的血管密度。
可以采用头部血管分割模型206对头部区域203进行血管分割，采用颈部血管分割模型207对颈部区域204进行血管分割，采用胸部血管分割模型208对胸部区域205进行血管分割。最后融合头部区域203、颈部区域204、胸部区域205的血管分割结果，作为最终的血管分割结果。
在一些实施例中，在利用所述处理器对所述医学图像或所述子医学图像进行各种处理之前，可以先对所述医学图像或所述子医学图像进行标准化处理。例如，所述标准化处理包括对所述医学图像或所述子医学图像进行重采样，得到具有对应体素间隔的医学图像或子医学图像，对重采样后的医学图像或子医学图像以设定的窗宽窗位裁剪医学图像的灰度值和归一化处理。
在一些实施例中，基于各个部位的子医学图像，利用所述处理器，使用各个部位的对应血管分割模型，确定各个部位的子医学图像的血管分割结果具体可以包括：对各个部位的子医学图像先进行粗分割，以得到包含待分割的血管的目标区域的第一图像块。其中，粗分割可以采用各种手段实现，例如血管的粗分割，或者与目标区域的特征结构（骨骼或组织）的粗分割，以便减少后续进一步分割的工作负荷。接着，可以基于所述目标区域的第一图像块，利用第一血管分割模型确定第一血管分割结果，作为各个部位的子医学图像的血管分割结果。
进一步地，对医学图像进行血管分割的方法还可以包括，对于各个部位中的至少一个部位：对所确定的第一血管分割结果进行中心线提取，截取所提取的中心线的端部处的第二图像块。例如，图3（a）、图3（b）和图3（c）分别示出根据本公开的实施例的对头部子医学图像、颈部子医学图像和胸部子医学图像进行分割后的血管；图3（a）的301和304、图3（b）的305和308、图3（c）的309和310为血管中心线的端部。相应地，可以在图3（a）所示的血管中心线的端部301和304、图3（b）所示的血管中心线的端部305和308、图3（c）所示的血管中心线的端部309和310处截取第二图像块。注意，本文中所谓的“端部”可以包含端点周边的区域，所截取的第二图像块可以包含头部、颈部和胸部的血管交接区域的图像信息。
可以基于所述端部处的第二图像块，利用第二血管分割模型确定所述端部处的第二血管分割结果。第二血管分割模型相较第一血管分割模型更聚焦于小的视野，有利于对端部处的结构属性多变的各段血管进行精准分割，避免血管断裂和黏连噪声等情况。
最后，可以对所述第一血管分割结果和所述第二血管分割结果进行融合，以得到所述至少一个部位的子医学图像的血管分割结果。受益于粗分割-目标区域利用第一血管分割模型进行分割-端部处的图像块利用第二血管分割模型进行边缘血管的精准分割，不仅可以得到避免了血管断裂和黏连噪声的跨多个部位的复杂血管的更精确的分割结果，而且工作负荷更低且计算速度更快。
在一些实施例中，要提取中心线且截取所提取中心线的端部处的图像块的所述至少一个部位可以直接设为所述数个部位中的每个部位，或者为所述数个部位中医生预设的关注部位。医生可以通过预设关注部位表达对该关注部位的血管分割结果的更精准的要求和更大的分割难度的反馈，从而可以针对性地对该关注部位执行中心线提取-端部图像块截取-截图图像块的小视野血管精细分割，来响应医生的反馈并满足医生的要求。
进一步地，所述的对医学图像进行血管分割的方法还可以包括，从所述数个部位中，选择与相邻部位交接处的血管的分割结果容易发生断裂的部位，作为所述至少一个部位。如此，可以显著减少甚至避免相邻部位交接处的血管断裂的情况。
进一步地，所述的对医学图像进行血管分割的方法还包括：从所述数个部位中，选择与相邻部位交接的端部处的分割血管满足如下至少一个条件的部位，作为所述至少一个部位。通过将中心线提取-端部图像块截取-截图图像块的小视野血管精细分割仅仅适用于满足这些条件的部位，可以在降低工作负荷且加快分割速度的同时，显著减少甚至避免相邻部位交接处的血管断裂的情况。
这些判定条件可以包括与相邻部位交接的端部处的血管的直径小于第一预定阈值。比如图3（a）的端部302、图3（b）的端部306和端部307，直径小于第一预定阈值的血管在分割时更容易发生断裂。
这些判定条件可以包括与相邻部位交接的端部处的血管的曲率大于第二预定阈值。比如图3（a）的端部303，曲率大于第二预定阈值的血管在分割时更容易发生断裂。
这些判定条件可以包括与相邻部位交接的端部处的血管与周边区域的对比度小于第三预定阈值。比如图3（a）的端部302、图3（b）的端部307，与周边区域的对比度小于第三预定阈值的血管在分割时更容易发生断裂和/或黏连噪声。
在本公开中主要以头、颈和胸等不同的身体部位作为数个部位的示例，但须知所述数个部位不仅可以为不同的身体部位，也可以是不同的器官、同个器官中的不同器官部位中的至少一种。
下面结合图4，对医学图像进行血管分割的方法的详细过程进行示例性说明。如图4所示，可以在步骤S401，获取待分割的医学图像。
在本实施例，计算机设备获取到待分割的医学图像之后，还可以对该医学图像进行预处理，包括将医学图像格式为医学数字成像和通信(Digital Imaging andCommunications in Medicine, DICOM)格式转换为NIFTI格式，重采样到具有第一体素间隔的医学图像，设置窗宽窗位以裁剪医学图像的灰度值范围并对影像做最大值最小值归一化到[0, 1]之间，得到标准化图像。其中，重采样，即是重新采样，给定原始图像，其原始尺寸大小为(512, 512, 256)和原始体素间隔为(0.6, 0.6, 0.4)，以及目标体素间隔(1.0,1.0, 1.0)，那么可计算出目标尺寸大小为(307, 307, 102)，具体计算为512×0.6/1.0=307，256×0.4/1.0=102。从大小(512, 512, 256)变换到(307, 307, 102)，每一体素灰度需要重新确定，通过重采样得到。体素间隔，即是各个维度上的像素间隔的综合体现，体素间隔用于三维图像，而像素间隔用于二维图像。具体意思是某一体素中心到另一相邻体素中心的距离，以毫米为单位。举例而言，体素间隔为(0.6, 0.6, 0.4)，可理解为，1个体素大小，代表实际大小或物理大小为0.6×0.6×0.4立方毫米。
在步骤S402，可以将医学图像输入预设的片层分类模型中，得到医学图像的数个子医学图像；其中，片层分类模型为根据带有感兴趣部位信息的训练样本进行训练所得到的。
具体地，计算机设备可以将上述经过预处理后的医学图像输入预设的片层分类模型中，该片层分类模型通过对医学图像进行特征提取和特征分类，可以得到部位确定结果，该部位确定结果可以为将预处理前的医学图像分为数个子医学图像的结果。在本实施例，部位确定结果可以为将预处理前的医学图像分为3个子医学图像的结果，这些结果分别表示头部子医学图像、颈部子医学图像、胸部子医学图像。显然，确定3个子医学图像需要2个关键片层。
因此，上述片层分类模型为根据带有感兴趣部位的片层分类信息的训练样本进行训练所得到的。该片层分类模型的训练方式可以包括，基于经验丰富的影像科医生对训练样本影像中的2个关键片层进行标记，根据标记的关键片层信息收集头部、颈部、胸部的片层，以此作为训练样本和训练样本对应的金标准分类信息。然后将训练样本输入片层分类模型中，得到训练样本的片层分类结果，并计算片层分类结果与金标准分类信息之间的损失。依据该损失调整片层分类模型的网络参数，当该损失小于等于预设阈值或者达到收敛时，表明片层分类模型训练收敛。在本实施例，计算损失时可以采用交叉熵损失函数或者其他类型的损失函数；在调整网络参数时，可以采用随机梯度下降SGD优化器或者其他类型的优化器。
在本实施例，由于对医学图像进行片层分类，则上述片层分类模型可以为二维模型。二维模型可以为卷积神经网络模型、循环神经网络模型或者其他深度学习模型，在此不做具体限定。关于得到的医学图像的部位确定结果可参见图2左侧，即1个医学图像被划分为3个子医学图像。
在步骤S403，可以将数个子医学图像输入对应的血管分割模型中，得到数个子医学图像的血管分割结果；其中，数个血管分割模型为根据带有感兴趣血管分类信息的训练样本进行训练所得到的。
具体地，计算机设备可以将上述的数个子医学图像进行预处理后，输入预设的数个血管分割模型中，得到数个子医学图像的血管分割结果。在本实施例，1个医学图像被划分为3个子医学图像，输入预设的3个血管分割模型中，得到3个血管分割结果。3个血管分割模型分别为头部血管分割模型、颈部血管分割模型、胸部血管分割模型。上述片层分类模型的结果为头部子医学图像、颈部子医学图像、胸部子医学图像。
头部医学图像输入预设的头部血管分割模型之前，计算机设备将该子医学图像进行预处理，包括重采样到具有第二体素间隔的医学图像，设置窗宽窗位以裁剪医学图像的灰度值范围并对影像做最大值最小值归一化到[-1, 1]之间，得到标准化图像。头部血管分割模型通过对子医学图像进行特征提取及特征映射，可以得到头部血管分割结果，该血管分割结果可以为将头部血管区域图像与背景图像进行区分后的结果。
因此，上述头部血管分割模型为根据带有感兴趣血管信息的训练样本进行训练得到的。该血管分割模型的训练方式可以包括：基于经验丰富的影像科医生对训练样本影像中的头部血管进行标记，以此作为训练时的金标准。然后训练样本影像输入头部血管分割模型中，得到头部血管分割结果，并计算头部血管分割结果与金标准之间的损失。依据该损失调整头部分割模型的网络参数，当该损失小于等于预设阈值或者达到收敛时，表明头部血管分割模型训练收敛。在本实施例，计算损失时可以采用Dice损失函数，交叉熵损失函数或者其他类型的损失函数，在此不做具体限定；在调整网络参数时，可以采用随机梯度下降SGD优化器或者其他类型的优化器。
颈部子医学图像输入预设的颈部血管分割模型之前，计算机设备将该医学图像进行预处理，包括重采样到具有第三体素间隔的医学图像，设置窗宽窗位以裁剪医学图像的灰度值范围并对影像做最大值最小值归一化到[-1, 1]之间，得到标准化图像。颈部血管分割模型通过对医学图像进行特征提取及特征映射，可以得到颈部血管分割结果，该血管分割结果可以为将颈部血管区域图像与背景图像进行区分后的结果。
因此，上述颈部血管分割模型为根据带有感兴趣血管信息的训练样本进行训练得到的。该血管分割模型的训练方式可以包括：基于经验丰富的影像科医生对训练样本影像中的颈部血管进行标记，以此作为训练时的金标准。然后训练样本影像输入颈部血管分割模型中，得到颈部血管分割结果，并计算颈部血管分割结果与金标准之间的损失。依据该损失调整颈部分割模型的网络参数，当该损失小于等于预设阈值或者达到收敛时，表明颈部血管分割模型训练收敛。计算损失时可以采用Dice损失函数，交叉熵损失函数或者其他类型的损失函数，在此不做具体限定；在调整网络参数时，可以采用随机梯度下降SGD优化器或者其他类型的优化器。
胸部子医学图像输入预设的胸部血管分割模型之前，计算机设备将该医学图像进行预处理，包括重采样到具有第四体素间隔的医学图像，设置窗宽窗位以裁剪医学图像的灰度值范围并对影像做最大值最小值归一化到[-1, 1]之间，得到标准化图像。胸部血管分割模型通过对医学图像进行特征提取及特征映射，可以得到胸部血管分割结果，该血管分割结果可以为将胸部血管区域图像与背景图像进行区分后的结果。
因此，上述胸部血管分割模型为根据带有感兴趣血管信息的训练样本进行训练得到的。该血管分割模型的训练方式可以包括：基于经验丰富的影像科医生对训练样本影像中的胸部血管进行标记，以此作为训练时的金标准。然后训练样本影像输入胸部血管分割模型中，得到胸部血管分割结果，并计算胸部血管分割结果与金标准之间的损失。依据该损失调整胸部分割模型的网络参数，当该损失小于等于预设阈值或者达到收敛时，表明胸部血管分割模型训练收敛。计算损失时可以采用Dice损失函数，交叉熵损失函数或者其他类型的损失函数，在此不做具体限定；在调整网络参数时，可以采用随机梯度下降SGD优化器或者其他类型的优化器。
在本实施例，由于对数个子医学图像进行血管分割，则上述数个血管分割模型可以为三维模型。三维模型可以为卷积神经网络模型、循环神经网络模型或者其他深度学习模型，如3D U-Net、3D V-Net，本实施例对此不做限制。关于得到的数个子医学图像的数个血管分割结果可参见图2中间，即1个子医学图像被对应一个血管分割结果。
在本实施例，考虑到计算机设备GPU显存的大小，处理整个子医学图像时可能会存在GPU显存不足的问题，计算机设备还可以对医学图像的左上角依次截取相同大小的图像块(如截图1803大小的图像块)，将每个图像块输入血管分割模型中，得到每个图像块的血管分割结果。然后将每个图像块的血管分割结果按照截取次序，拼接为整个子医学图像的血管分割结果。
在步骤S404，可以将数个子医学图像的血管分割结果进行血管融合，得到医学图像的血管分割结果。
具体地，计算机设备采用线性或非线性融合方法将数个子医学图像的血管分割结果进行血管融合，得到最终的医学图像的血管分割结果。关于得到的影像的血管分割结果可参见图2右侧。
本实施例提供的医学图像的血管分割方法，计算机设备首先将待分割的医学图像输入预设的片层分类模型中，得到医学图像的数个子医学图像，然后将待分割的数个子医学图像输入预设的血管分割模型中，得到数个子医学图像的子血管分割结果，最后将子血管分割结果进行血管融合，得到整个医学图像的血管分割结果。该片层分类模型为根据带有感兴趣部位信息的训练样本进行训练所得到的。该数个血管分割模型为根据带有感兴趣血管信息的训练样本进行训练所得到的。由此训练得到的片层分类模型，考虑了头颈部子医学图像由下至上包含不同血管大小的特点，可使得整个血管分割过程速度快、效果好。由此训练得到的数个血管分割模型，考虑了同一个部位的来自不同患者的血管具有相似的形态、走势、半径大小，可使得数个血管分割模型更加关注对应部位的血管分割过程，能够更好地实现对血管的精确分割。
图5示出了根据本公开的实施例的对头部子医学图像进行血管分割的方法，如图5所示，对头部子医学图像进行血管分割的方法包括
步骤S501，获取待分割的头部子医学图像。具体地，待分割的头部子医学图像为片层分类模型输出的截取的子医学图像，该医学图像中一般含有血管组织、脑组织、颅骨组织。
在本实施例中，待分割的头部子医学图像可以通过对头部CTA血管造影图像按照部位划分而得到。
在步骤S502，可以通过预设的骨组织灰度的阈值范围，分割头部子医学图像的颅骨，并裁剪包含颅骨区域的头部子医学图像；将裁剪后的头部子医学图像利用第一头部血管分割模型，得到初始的血管分割结果。
具体地，医学图像输入预设的第一头部血管分割模型之前，计算机设备将该医学图像进行预处理，包括重采样到具有第五体素间隔的医学图像，设置窗宽窗位以裁剪医学图像的灰度值范围并对影像做最大值最小值归一化到[-1, 1]之间，得到标准化图像。第一头部血管分割模型通过对医学图像进行特征提取及特征映射，可以得到第一头部血管分割结果，该血管分割结果可以为将头部血管区域图像与背景图像进行区分后的结果。
具体地，通过大量数据验证得到颅骨分割较好的一对骨组织阈值范围[a, b]，将小于灰度阈值a的灰度置为0，大于灰度阈值b的灰度置为0，不小于a并不大于b的灰度置为1，得到颅骨分割结果。通过对颅骨分割计算，得到包围颅骨的边界框[x1, y1, z1, x2,y2, z2]。利用边界框对头部医学图像进行裁剪。对颅骨分割方法，本公开不做具体限制。
在步骤S503，对初始的血管分割结果进行中心线提取，在所提取的中心线的端部处截取图像块，利用第二头部血管分割模型，得到端部处的头部血管分割结果。
具体地，对初始的血管分割结果进行中心线提取，在本实施例，可采用三维骨架化方法，本实施例对此不做限制。分析骨架化结果，可得到血管端点位置。在血管端点位置截取医学图像，输入预设的第二头部血管分割模型中，得到端点处的血管分割结果。
在本实施例，医学图像块输入预设的第二头部血管分割模型之前，计算机设备将该医学图像块进行预处理，包括重采样到具有第六体素间隔的医学图像，设置窗宽窗位以裁剪医学图像的灰度值范围并对影像做最大值最小值归一化到[-1, 1]之间，得到标准化图像。
在步骤S504，可以对所述初始的血管分割结果和所述端部处的头部血管分割结果进行融合，以得到所述头部子医学图像的血管分割结果。
因此，上述第一头部血管分割模型为根据带有感兴趣血管信息的训练样本进行训练得到的。该血管分割模型的训练方式可以包括：基于经验丰富的影像科医生对训练样本影像中的头部血管进行标记，以此作为训练时的金标准。然后训练样本影像输入头部血管分割模型中，得到头部血管分割结果，并计算头部血管分割结果与金标准之间的损失。依据该损失调整头部分割模型的网络参数，当该损失小于等于预设阈值或者达到收敛时，表明头部血管分割模型训练收敛。在本实施例，计算损失时可以采用Dice损失函数，交叉熵损失函数或者其他类型的损失函数，在此不做具体限定；在调整网络参数时，可以采用随机梯度下降SGD优化器或者其他类型的优化器。
S505，对所述初始的血管分割结果和所述端部处的头部血管分割结果进行融合，以得到所述头部子医学图像的血管分割结果。
图6示出了根据本公开的实施例的对颈部子医学图像进行血管分割的方法，如图6所示，对颈部子医学图像进行血管分割的方法包括在步骤S601，获取待分割的颈部子医学图像。具体地，待分割的颈部子医学图像为片层分类模型输出的截取的子医学图像，该医学图像中一般含有血管组织和骨组织。
在本公开中，待分割的颈部子医学图像可以来自颈部CTA血管造影图像。对颈部子医学图像的来源，本实施例不做限制。
在步骤S602，可以将颈部子医学图像输入第一颈部血管分割模型中，得到初始的血管分割结果。
具体地，医学图像输入预设的第一颈部血管分割模型之前，计算机设备将该医学图像进行预处理，包括重采样到具有第七体素间隔的医学图像，设置窗宽窗位以裁剪医学图像的灰度值范围并对影像做最大值最小值归一化到[-1, 1]之间，得到标准化图像。第一颈部血管分割模型通过对医学图像进行特征提取及特征映射，可以得到第一颈部血管分割结果，该血管分割结果可以为将颈部血管区域图像与背景图像进行区分后的结果。
在本实施例，颈部血管区域还可以以多标签的形式存在。举例而言，可定义左颈总动脉为标签1，右颈总动脉为标签2，头臂干为标签3，左颈内动脉为标签4，右颈内动脉为标签5，等等。
在步骤S603，可以利用初始的血管分割结果裁剪颈部子医学图像，并输入第二颈部血管分割模型中，得到精细的血管分割结果。
具体地，医学图像输入预设的第二颈部血管分割模型之前，计算机设备将该医学图像进行预处理，包括重采样到具有第八体素间隔的医学图像，设置窗宽窗位以裁剪医学图像的灰度值范围并对影像做最大值最小值归一化到[-1, 1]之间，得到标准化图像。第二颈部血管分割模型通过对医学图像进行特征提取及特征映射，可以得到第二颈部血管分割结果，该血管分割结果可以为将颈部血管区域图像与背景图像进行区分后的结果。
在本实施例，颈部血管区域还可以以多标签的形式存在。举例而言，可定义左颈总动脉为标签1，右颈总动脉为标签2，头臂干为标签3，左颈内动脉为标签4，右颈内动脉为标签5，等等。
S604，对精细的血管分割结果进行中心线提取，在所提取的中心线的端部处截取图像块，将截取图像块输入第三颈部血管分割模型中，得到端部处的颈部血管分割结果。
具体地，对精细的血管分割结果进行中心线提取，在本实施例，可采用三维骨架化方法，本实施例对此不做限制。分析骨架化结果，可得到血管端点位置。在血管端点位置截取医学图像，输入预设的第三颈部血管分割模型中，得到端点处的血管分割结果。
在本实施例，医学图像块输入预设的第三颈部血管分割模型之前，计算机设备将该医学图像块进行预处理，包括重采样到具有第九体素间隔的医学图像，设置窗宽窗位以裁剪医学图像的灰度值范围并对影像做最大值最小值归一化到[-1, 1]之间，得到标准化图像。
在步骤S605，可以对所述初始的血管分割结果和所述端部处的头部血管分割结果进行融合，以得到所述颈部子医学图像的血管分割结果。
图7示出了根据本公开的实施例的对胸部子医学图像进行血管分割的方法，如图7所示，对胸部子医学图像进行血管分割的方法可以包括步骤701，获取待分割的胸部子医学图像。具体地，待分割的胸部子医学图像为片层分类模型输出的截取的子医学图像，该医学图像中一般含有血管组织、主动脉弓组织、骨组织、肺实质组织等。
在本实施例，待分割的胸部子医学图像可以来自胸部CTA血管造影图像。对胸部子医学图像的来源，本公开不做限制。
在步骤702，可以将胸部的子医学图像输入第一胸部血管分割模型中，得到初始的血管分割结果。
具体地，医学图像输入预设的第一胸部血管分割模型之前，计算机设备将该医学图像进行预处理，包括重采样到具有第十体素间隔的医学图像，设置窗宽窗位以裁剪医学图像的灰度值范围并对影像做最大值最小值归一化到[-1, 1]之间，得到标准化图像。第一胸部血管分割模型通过对医学图像进行特征提取及特征映射，可以得到第一胸部血管分割结果，该血管分割结果可以为将胸部血管区域图像与背景图像进行区分后的结果。
在本实施例，胸部血管区域还可以以多标签的形式存在，即除了主动脉弓组织的其他血管组织(一般为颈总动脉、锁骨下动脉等)定义为标签1，主动脉弓组织定义为标签2。
在步骤703，可以利用初始的血管分割结果裁剪颈部子医学图像，并输入第二胸部血管分割模型中，得到胸部子医学图像的血管分割结果。
具体地，医学图像输入预设的第二胸部血管分割模型之前，计算机设备将该医学图像进行预处理，包括重采样到具有第十一体素间隔的医学图像，设置窗宽窗位以裁剪医学图像的灰度值范围并对影像做最大值最小值归一化到[-1, 1]之间，得到标准化图像。第二胸部血管分割模型通过对医学图像进行特征提取及特征映射，可以得到第二颈部血管分割结果，该血管分割结果可以为将颈部血管区域图像与背景图像进行区分后的结果。
在本实施例，胸部血管区域还可以以多标签的形式存在，即除了主动脉弓组织的其他血管组织(一般为颈总动脉、锁骨下动脉等)定义为标签1，主动脉弓组织定义为标签2。
图8图示了根据本公开的实施例的示例性对医学图像进行血管分割的装置的说明框图，如图8所示，一种血管分割装置800，包括接口807和处理器801。接口807可以配置为接收要进行血管分割的包含单个数据或数个部位的医学图像，各个部位的血管在结构属性上不同。处理器801可以配置为：执行根据本公开各个实施例的对医学图像进行血管分割的方法。
通过该接口807，对医学图像进行血管分割的装置可以连接到网络（未示出），例如但不限于医院中的局域网或因特网。但接口807实现的通信方式不限于网络，可以包括NFC、蓝牙、WIFI等；可以是有线连接，也可以是无线连接。以网络为例，接口807可以将对医学图像进行血管分割的装置与诸如图像采集装置（未示出）、医学图像数据库808和图像数据存储装置809的外部装置连接。图像采集装置可以是任何类型的成像模态，例如但不限于计算机断层摄影（CT）、数字减影血管造影（DSA）、磁共振成像（MRI）、功能性MRI、动态对比增强-MRI、扩散MRI、螺旋CT、锥形束计算机断层摄影（CBCT）、正电子发射断层摄影（PET）、单光子发射计算断层摄影（SPECT）、X射线成像、光学断层摄影、荧光成像、超声成像、放射治疗射野成像。
在一些实施例中，血管分割装置800可以是专用智能装置或通用智能装置。例如，血管分割装置800可以是为图像数据获取和图像数据处理任务定制的计算机，或者是放置在云中的服务器。例如，装置800集成到图像采集装置中。
血管分割装置800可以包括处理器801和存储器804，并且可以另外包括输入/输出802和图像显示器803中的至少一个。
处理器801可以是包括一个或多个通用处理装置的处理装置，诸如微处理器、中央处理单元（CPU）、图形处理单元（GPU）等。更具体地，处理器801可以是复杂指令集计算（CISC）微处理器、精简指令集计算（RISC）微处理器、超长指令字（VLIW）微处理器、运行其他指令集的处理器或者运行指令集的组合的处理器。处理器801还可以是一个或多个专用处理装置，诸如专用集成电路（ASIC）、现场可编程门阵列（FPGA）、数字信号处理器（DSP），片上系统（SoC）等。如本领域技术人员将理解的，在一些实施例中，处理器801可以是专用处理器，而不是通用处理器。处理器801可以包括一个或多个已知的处理装置，例如来自Intel TM制造的Pentium TM、Core TM、Xeon TM或Itanium系列的微处理器，由AMD TM制造的Turion TM、Athlon TM、Sempron TM、Opteron TM、FX TM、 Phenom TM系列，或由Sun Microsystems制造的各种处理器。处理器801还可以包括图形处理单元，诸如来自GeForce®的GPU，由Nvidia TM制造的Quadro®、Tesla®系列，由Intel TM制造的GMA，Iris TM系列，或由AMD TM制造的Radeon TM系列。处理器801还可以包括加速处理单元，例如由AMD TM制造的Desktop A-4（6,6）系列，由Intel TM制造的Xeon Phi TM系列。所公开的实施例不限于任何类型的处理器或处理器电路，其以其他方式被配置为获取要进行血管分割的包含数个部位的医学图像，各个部位的血管在结构属性上不同；将所述医学图像按照部位划分为各个部位的子医学图像；基于各个部位的子医学图像，使用各个部位的对应血管分割模型确定对应的血管分割结果；对各个部位的子医学图像的血管分割结果进行融合，来得到所述医学图像的血管分割结果，或与所公开的实施例一致地操纵任何其他类型的数据。另外，术语“处理器”或“图像处理器”可以包括一个以上的处理器，例如，多核设计或多个处理器，每个处理器具有多核设计。处理器801可以执行存储在存储器804中的计算机程序指令序列，以执行本文公开的各种操作、过程和方法。
处理器801可以通信地耦合到存储器804并且被配置为执行存储在其中的计算机可执行指令。存储器804可以包括只读存储器（ROM）、闪存、随机存取存储器（RAM）、诸如同步DRAM（SDRAM）或Rambus DRAM的动态随机存取存储器（DRAM）、静态存储器（例如，闪存、静态随机存取存储器）等，计算机可执行指令以任何格式存储在其上。在一些实施例中，存储器804可以存储一个或多个图像处理程序805的计算机可执行指令。计算机程序指令可以由处理器801访问，从ROM或者任何其他合适的存储器位置读取，并且加载在RAM中以供处理器801执行。例如，存储器804可以存储一个或多个软件应用程序。存储在存储器804中的软件应用程序可以包括，例如，用于普通计算机系统的操作系统（未示出）以及用于软控制装置的操作系统。
此外，存储器804可以存储整个软件应用程序或仅存储可由处理器801执行的软件应用程序的一部分（例如，图像处理程序805）。此外，存储器804可以存储多个软件模块，用于实现与本公开一致的对医学图像进行血管分割的方法的各个步骤或用于训练片层分类模型、各个部位的对应血管分割模型的过程。
此外，存储器804可以存储在执行计算机程序时生成/缓冲的数据，例如，医学图像数据806，包括从图像采集装置、医学图像数据库808、图像数据存储装置809等发送的医学图像。在一些实施例中，医学图像数据806可以包括要进行血管分割的包含数个部位的医学图像，图像处理程序805将要对其实现部位划分、各个部位的血管分割和血管分割结果的融合。
在一些实施例中，可以提供图像数据存储装置809以与医学图像数据库808交换图像数据，以及存储器804可以与医学图像数据库808通信以获得要进行血管分割的包含数个部位的医学图像。例如，图像数据存储装置809可以驻留在其他医学图像采集装置（例如对该患者执行扫描的CT）中。患者的医学图像可以被传输并保存到医学图像数据库808，以及血管分割装置800可以从医学图像数据库808取得特定患者的医学图像并为该特定患者的医学图像进行血管分割。
在一些实施例中，存储器804可以与医学图像数据库808通信，以将所提取的几何特征连同得到的医学图像的血管分割结果传输并保存到医学图像数据库808中。
此外，训练好的片层分类模型和/或各个部位的对应血管分割模型的参数可以存储在医学图像数据库808上，以在需要时供其他血管分割装置访问、获取和利用。以该方式，面对患者时，处理器801可以取得对应人群的训练好的片层分类模型和/或各个部位的对应血管分割模型，以便基于所取得的训练好的模型来进行血管分割。
在一些实施例中，片层分类模型和/或各个部位的对应血管分割模型（尤其学习网络）可以保存在存储器804中。可选地，学习网络可以存储在远程装置、分离的数据库（诸如医学图像数据库808）、分布式装置中，且可以被图像处理程序805使用。
除了显示医学图像之外，图像显示器803还可以显示其他信息，诸如，通过各个部位的对应血管分割模型确定对应的血管分割结果、对各个部位的子医学图像的血管分割结果进行融合后的医学图像的血管分割结果。例如，该图像显示器803可以是LCD、CRT或LED显示器。
输入/输出802可以被配置为允许血管分割装置800接收和/或发送数据。输入/输出802可以包括允许装置与用户或其他机器和装置通信的一个或多个数字和/或模拟通信装置。例如，输入/输出802可以包括允许用户提供输入的键盘和鼠标。
在一些实施例中，图像显示器803可以呈现用户界面，以便用户利用输入/输出802连同该用户界面，可以方便且直观地修正（诸如编辑、移动、修改等）所生成的解剖标签。
接口807可以包括网络适配器、电缆连接器、串行连接器、USB连接器、并行连接器、诸如光纤的高速数据传输适配器、USB 6.0、闪电、例如Wi-Fi适配器的无线网络适配器、电信（6G、4G / LTE等）适配器。装置可以通过接口807连接到网络。网络可以提供局域网（LAN）、无线网络、云计算环境（例如，作为服务的软件、作为服务的平台、作为服务的基础设施等）、客户端-服务器、广域网（WAN）等。
本文描述了各种操作或功能，其可以实现为软件代码或指令或者定义为软件代码或指令。这样的内容可以是可以直接执行（“对象”或“可执行”形式）的源代码或差分代码（“delta”或“patch”代码）。软件代码或指令可以存储在计算机可读存储介质中，并且当被执行时，可以使机器执行所描述的功能或操作，并且包括用于以机器（例如，计算装置，电子系统等）可访问的形式存储信息的任何机构，例如可记录或不可记录介质（例如，只读存储器（ROM）、随机存取存储器（RAM）、磁盘存储介质、光存储介质、闪存装置等）。
已经出于说明的目的呈现了前面的描述。它并非穷尽的，并且不限于所公开的精确形式或实施例。考虑到所公开实施例的说明书和实践，实施例的修改和改编将是显而易见的。
这里描述的示例性方法可以至少部分地是机器或计算机实现的。一些示例可以包括用指令编码的计算机可读介质或机器可读介质，所述指令可操作以配置电子装置执行如以上示例中所述的方法。这种方法的实现可以包括软件代码，诸如微代码、汇编语言代码、更高级的语言代码等。各种程序或程序模块可以使用各种软件编程技术来创建。例如，可以使用Java、Python、C、C ++、汇编语言或任何已知的编程语言来设计程序段或程序模块。一个或多个这样的软件部分或模块可以被集成到计算机系统和/或计算机可读介质中。这种软件代码可以包括用于执行各种方法的计算机可读指令。软件代码可以形成计算机程序产品或计算机程序模块的一部分。此外，在一个示例中，软件代码可以诸如在执行期间或其他时间有形地存储在一个或多个易失性、非暂时性或非易失性有形计算机可读介质上。这些有形的计算机可读介质的示例可以包括但不限于硬盘、可移动磁盘、可移动光盘（例如，光盘和数字视频盘）、磁带盒、存储卡或棒、随机存取存储器（RAM），只读存储器（ROM）等。
此外，尽管在此描述了说明性实施例，但是范围包括具有基于本公开的等效要素、修改、省略、组合（例如，跨各种实施例的方案的组合）、调整或变更的任何和所有实施例。权利要求中的要素将基于权利要求中使用的语言进行宽泛地解释，而不限于本说明书中或在本申请的存续期间描述的示例，这些示例将被解释为非排他性的。此外，所公开的方法的步骤可以以任何方式进行修改，包括通过重新排序步骤或插入或删除步骤。因此，意图仅仅将描述视为例子，真正的范围由以下权利要求及其全部等同范围表示。
以上描述旨在是说明性的而不是限制性的。例如，上述示例（或其一个或多个方案）可以彼此组合使用。本领域普通技术人员在查看以上描述时可以使用其他实施例。而且，在上面的详细描述中，各种特征可以被组合在一起以简化本公开。这不应被解释成意图让不要求保护的公开特征对于任何权利要求而言都是必不可少的。因此，以下权利要求由此作为示例或实施例并入到具体实施方式中，其中每个权利要求独立作为单独的实施例，并且可以构想的是，这些实施例可以以各种组合或置换来相互组合。本发明的范围应该参考所附权利要求以及赋予这些权利要求的等同物的全部范围来确定。

Claims (20)

1.一种对医学图像进行血管分割的方法，其特征在于，包括：
获取要进行血管分割的包含数个部位的医学图像，各个部位的血管在结构属性上不同；
利用处理器，将所述医学图像按照部位划分为各个部位的子医学图像；
基于各个部位的子医学图像，利用所述处理器，使用各个部位的对应血管分割模型确定对应的血管分割结果；
利用所述处理器，对各个部位的子医学图像的血管分割结果进行融合，来得到所述医学图像的血管分割结果。
2.根据权利要求1所述的方法，其特征在于，所述血管的结构属性包括形态和尺寸中的至少一种。
3.根据权利要求1所述的方法，其特征在于，所述医学图像为3D医学图像，将所述医学图像按照部位划分为各个部位的子医学图像具体包括：基于所述3D医学图像，利用片层分类模型，识别出所述3D医学图像中作为相邻部位交界处的关键片层；利用识别出的关键片层，实现按照部位的子医学图像的划分。
4.根据权利要求3所述的方法，其特征在于，所述片层分类模型利用二维学习网络实现，利用具有对应部位的片层的分类信息的训练样本训练。
5.根据权利要求1-4中任何一项所述的方法，其特征在于，在利用所述处理器对所述医学图像或所述子医学图像进行各种处理之前，对所述医学图像或所述子医学图像进行标准化处理。
6.根据权利要求5所述的方法，其特征在于，所述标准化处理包括对所述医学图像或所述子医学图像进行重采样，得到具有对应体素间隔的医学图像或子医学图像，对重采样后的医学图像或子医学图像以设定的窗宽窗位裁剪医学图像的灰度值和归一化处理。
7.根据权利要求1-4中任何一项所述的方法，其特征在于，各个血管分割模型利用具有对应部位的血管的分类信息的训练样本分别训练。
8.根据权利要求7所述的方法，其特征在于，对应部位的血管的分类信息包括多个标签。
9.根据权利要求1-4中任何一项所述的方法，其特征在于，基于各个部位的子医学图像，利用所述处理器，使用各个部位的对应血管分割模型，确定各个部位的子医学图像的血管分割结果具体包括：
对各个部位的子医学图像进行粗分割，以得到包含待分割的血管的目标区域的第一图像块；
基于所述目标区域的第一图像块，利用第一血管分割模型确定第一血管分割结果，作为各个部位的子医学图像的血管分割结果。
10.根据权利要求9所述的方法，其特征在于，还包括，对于各个部位中的至少一个部位：
对所确定的第一血管分割结果进行中心线提取，截取所提取的中心线的端部处的第二图像块；
基于所述端部处的第二图像块，利用第二血管分割模型确定所述端部处的第二血管分割结果；
对所述第一血管分割结果和所述第二血管分割结果进行融合，以得到所述至少一个部位的子医学图像的血管分割结果。
11.根据权利要求10所述的方法，其特征在于，所述至少一个部位为所述数个部位中的每个部位，或者为所述数个部位中医生预设的关注部位。
12.根据权利要求10所述的方法，其特征在于，还包括，从所述数个部位中，选择与相邻部位交接处的血管的分割结果容易发生断裂的部位，作为所述至少一个部位。
13.根据权利要求10所述的方法，其特征在于，还包括：从所述数个部位中，选择与相邻部位交接的端部处的分割血管满足如下至少一个条件的部位，作为所述至少一个部位：
与相邻部位交接的端部处的血管的直径小于第一预定阈值；
与相邻部位交接的端部处的血管的曲率大于第二预定阈值；
与相邻部位交接的端部处的血管与周边区域的对比度小于第三预定阈值。
14.根据权利要求1-4中任何一项所述的方法，其特征在于，所述数个部位为不同的身体部位、不同的器官、同个器官中的不同器官部位中的至少一种。
15.根据权利要求1-4中任何一项所述的方法，其特征在于，所述医学图像包括头颈部CTA图像、头颈部MRA图像和肺部CT图像中的至少一种。
16.根据权利要求15所述的方法，其特征在于，在所述医学图像为头颈部CTA图像或头颈部MRA图像的情况下，各个部位包括头部、颈部和胸部，
基于各个部位的子医学图像，使用各个部位的对应血管分割模型确定对应的血管分割结果具体包括，对于头部：
通过预设的骨组织灰度的阈值范围，分割头部子医学图像的颅骨，并裁剪包含颅骨区域的头部子医学图像；裁剪后的头部子医学图像利用第一头部血管分割模型，得到初始的血管分割结果；
对初始的血管分割结果进行中心线提取，在所提取的中心线的端部处截取图像块，利用第二头部血管分割模型，得到端部处的头部血管分割结果；
对所述初始的血管分割结果和所述端部处的头部血管分割结果进行融合，以得到所述头部子医学图像的血管分割结果。
17.根据权利要求16所述的方法，其特征在于，基于各个部位的子医学图像，使用各个部位的对应血管分割模型确定对应的血管分割结果具体包括，对于颈部：
将颈部子医学图像输入第一颈部血管分割模型中，得到初始的血管分割结果；利用初始的血管分割结果裁剪颈部子医学图像，并输入第二颈部血管分割模型中，得到精细的血管分割结果；
对精细的血管分割结果进行中心线提取，在所提取的中心线的端部处截取图像块，将截取图像块输入第三颈部血管分割模型中，得到端部处的颈部血管分割结果；
对所述初始的血管分割结果和所述端部处的头部血管分割结果进行融合，以得到所述颈部子医学图像的血管分割结果。
18.根据权利要求16所述的方法，其特征在于，基于各个部位的子医学图像，使用各个部位的对应血管分割模型确定对应的血管分割结果具体包括，对于胸部：
将胸部的子医学图像输入第一胸部血管分割模型中，得到初始的血管分割结果，利用初始的血管分割结果裁剪颈部子医学图像，并输入第二胸部血管分割模型中，得到胸部子医学图像的血管分割结果。
19.一种对医学图像进行血管分割的装置，其特征在于，包括：
接口，其配置为：接收要进行血管分割的包含数个部位的医学图像，各个部位的血管在结构属性上不同；以及
处理器，其配置为：执行根据权利要求1-18中任何一项所述的对医学图像进行血管分割的方法。
20.一种具有存储在其上的指令的非暂时性计算机可读介质，所述指令在由处理器执行时实现根据权利要求1-18中任何一项所述的对医学图像进行血管分割的方法。
CN202111487795.XA 2021-12-08 2021-12-08 一种对医学图像进行血管分割的方法、装置及介质 Active CN113902741B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202111487795.XA CN113902741B (zh) 2021-12-08 2021-12-08 一种对医学图像进行血管分割的方法、装置及介质
CN202210208100.8A CN114565592A (zh) 2021-12-08 2021-12-08 一种对医学图像进行血管分割的方法、装置及介质
US17/741,654 US20230177677A1 (en) 2021-12-08 2022-05-11 Method and system for performing vessel segmentation in a medical image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111487795.XA CN113902741B (zh) 2021-12-08 2021-12-08 一种对医学图像进行血管分割的方法、装置及介质

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202210208100.8A Division CN114565592A (zh) 2021-12-08 2021-12-08 一种对医学图像进行血管分割的方法、装置及介质

Publications (2)

Publication Number Publication Date
CN113902741A true CN113902741A (zh) 2022-01-07
CN113902741B CN113902741B (zh) 2022-03-11

Family

ID=79025561

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202111487795.XA Active CN113902741B (zh) 2021-12-08 2021-12-08 一种对医学图像进行血管分割的方法、装置及介质
CN202210208100.8A Pending CN114565592A (zh) 2021-12-08 2021-12-08 一种对医学图像进行血管分割的方法、装置及介质

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202210208100.8A Pending CN114565592A (zh) 2021-12-08 2021-12-08 一种对医学图像进行血管分割的方法、装置及介质

Country Status (2)

Country Link
US (1) US20230177677A1 (zh)
CN (2) CN113902741B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723683A (zh) * 2022-03-22 2022-07-08 推想医疗科技股份有限公司 头颈动脉血管分割方法及其装置、电子设备和存储介质
CN114862879A (zh) * 2022-07-05 2022-08-05 深圳科亚医疗科技有限公司 包含生理管状结构的图像的处理方法、处理系统和介质
CN114862850A (zh) * 2022-07-06 2022-08-05 深圳科亚医疗科技有限公司 一种血管医学图像的目标检测方法、装置及介质
CN114913174A (zh) * 2022-07-15 2022-08-16 深圳科亚医疗科技有限公司 用于血管系统变异检测的方法、装置和存储介质
CN115359046A (zh) * 2022-10-19 2022-11-18 海杰亚（北京）医疗器械有限公司 一种脏器血管分割方法、装置、存储介质及电子设备
CN116758050A (zh) * 2023-07-12 2023-09-15 强联智创（北京）科技有限公司 用于颅内Wills环血管中心线盲补全的方法及产品

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023152688A1 (en) * 2022-02-10 2023-08-17 Cathworks Ltd. System and method for machine-learning based sensor analysis and vascular tree segmentation
CN116051745A (zh) * 2023-01-10 2023-05-02 北京柏惠维康科技股份有限公司 脑血管模型构建方法、装置、存储介质及电子设备
CN117078698B (zh) * 2023-08-22 2024-03-05 山东第一医科大学第二附属医院 一种基于深度学习的外周血管影像辅助分割方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109741344A (zh) * 2018-12-28 2019-05-10 上海联影智能医疗科技有限公司 血管分割方法、装置、医疗影像设备及存储介质
CN110060263A (zh) * 2018-04-24 2019-07-26 深圳科亚医疗科技有限公司 医学图像的分割方法、分割装置、分割系统及计算机可读介质
CN110378913A (zh) * 2019-07-18 2019-10-25 深圳先进技术研究院 图像分割方法、装置、设备及存储介质
CN111161270A (zh) * 2019-12-24 2020-05-15 上海联影智能医疗科技有限公司 医学影像的血管分割方法、计算机设备和可读存储介质
CN111462047A (zh) * 2020-03-06 2020-07-28 深圳睿心智能医疗科技有限公司 血管参数测量方法、装置、计算机设备和存储介质
CN111862033A (zh) * 2020-07-15 2020-10-30 上海联影医疗科技有限公司 医学图像处理方法、装置、图像处理设备及存储介质
CN112001925A (zh) * 2020-06-24 2020-11-27 上海联影医疗科技股份有限公司 图像的分割方法、放射治疗系统、计算机设备和存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110060263A (zh) * 2018-04-24 2019-07-26 深圳科亚医疗科技有限公司 医学图像的分割方法、分割装置、分割系统及计算机可读介质
CN109741344A (zh) * 2018-12-28 2019-05-10 上海联影智能医疗科技有限公司 血管分割方法、装置、医疗影像设备及存储介质
US20200211188A1 (en) * 2018-12-28 2020-07-02 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for image processing
CN110378913A (zh) * 2019-07-18 2019-10-25 深圳先进技术研究院 图像分割方法、装置、设备及存储介质
CN111161270A (zh) * 2019-12-24 2020-05-15 上海联影智能医疗科技有限公司 医学影像的血管分割方法、计算机设备和可读存储介质
CN111462047A (zh) * 2020-03-06 2020-07-28 深圳睿心智能医疗科技有限公司 血管参数测量方法、装置、计算机设备和存储介质
CN112001925A (zh) * 2020-06-24 2020-11-27 上海联影医疗科技股份有限公司 图像的分割方法、放射治疗系统、计算机设备和存储介质
CN111862033A (zh) * 2020-07-15 2020-10-30 上海联影医疗科技有限公司 医学图像处理方法、装置、图像处理设备及存储介质

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723683A (zh) * 2022-03-22 2022-07-08 推想医疗科技股份有限公司 头颈动脉血管分割方法及其装置、电子设备和存储介质
CN114723683B (zh) * 2022-03-22 2023-02-17 推想医疗科技股份有限公司 头颈动脉血管分割方法及其装置、电子设备和存储介质
CN114862879A (zh) * 2022-07-05 2022-08-05 深圳科亚医疗科技有限公司 包含生理管状结构的图像的处理方法、处理系统和介质
CN114862879B (zh) * 2022-07-05 2022-09-27 深圳科亚医疗科技有限公司 包含生理管状结构的图像的处理方法、处理系统和介质
CN114862850A (zh) * 2022-07-06 2022-08-05 深圳科亚医疗科技有限公司 一种血管医学图像的目标检测方法、装置及介质
CN114913174A (zh) * 2022-07-15 2022-08-16 深圳科亚医疗科技有限公司 用于血管系统变异检测的方法、装置和存储介质
CN114913174B (zh) * 2022-07-15 2022-11-01 深圳科亚医疗科技有限公司 用于血管系统变异检测的方法、装置和存储介质
CN115359046A (zh) * 2022-10-19 2022-11-18 海杰亚（北京）医疗器械有限公司 一种脏器血管分割方法、装置、存储介质及电子设备
CN116758050A (zh) * 2023-07-12 2023-09-15 强联智创（北京）科技有限公司 用于颅内Wills环血管中心线盲补全的方法及产品

Also Published As

Publication number Publication date
CN113902741B (zh) 2022-03-11
CN114565592A (zh) 2022-05-31
US20230177677A1 (en) 2023-06-08

Similar Documents

Publication Publication Date Title
CN113902741B (zh) 一种对医学图像进行血管分割的方法、装置及介质
US9830427B2 (en) Method for intracranial aneurysm analysis and endovascular intervention planning
US11847547B2 (en) Method and system for generating a centerline for an object, and computer readable medium
RU2640000C2 (ru) Обработка и отображение изображения грудной железы
CN109635876B (zh) 为生理树结构生成解剖标签的计算机实现的方法、装置和介质
JP6719421B2 (ja) 学習データ生成支援装置および学習データ生成支援方法並びに学習データ生成支援プログラム
US11468570B2 (en) Method and system for acquiring status of strain and stress of a vessel wall
CN114119602B (zh) 对医学图像进行对象分析的方法、装置和存储介质
CN111476791B (zh) 图像处理方法、图像处理装置和非暂时性计算机可读介质
CN109949300B (zh) 解剖树结构分析的方法、系统和计算机可读介质
CN111657858A (zh) 图像诊断装置、图像处理方法和程序
US11464571B2 (en) Virtual stent placement apparatus, virtual stent placement method, and virtual stent placement program
CN110070534B (zh) 用于基于血管图像自动获取特征序列的方法和预测血流储备分数的装置
US10146907B2 (en) Network system and method for controlling a computer tomograph
CN110738633A (zh) 一种机体组织的三维图像处理方法及相关设备
CN114004835B (zh) 对医学图像进行对象分析的方法、装置和存储介质
CN114782443A (zh) 基于数据增强的动脉瘤风险评估的装置和存储介质
CN114708390A (zh) 一种生理管状结构的图像处理方法、装置及存储介质
CN114255235A (zh) 用于自动定位三维图像中的器官分段的方法和布置
CN114862850B (zh) 一种血管医学图像的目标检测方法、装置及介质
CN114862879B (zh) 包含生理管状结构的图像的处理方法、处理系统和介质
CN114708973B (zh) 一种用于对人体健康进行评估的设备和存储介质
US20240185517A1 (en) Automatic segmentation and multimodal image fusion for stereoelectroencephalographic (seeg) analysis in virtual reality (savr)
CN118505729A (zh) 一种面向医学图像的图像分割及可解释性分析的方法及系统
Buyukcelik Segmentation of Fascicles From MicroCT Images of The Vagus Nerve: A Deep Learning Based Approach

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