CN114155193B - 一种基于特征强化的血管分割方法及装置 - Google Patents
一种基于特征强化的血管分割方法及装置 Download PDFInfo
- Publication number
- CN114155193B CN114155193B CN202111256367.6A CN202111256367A CN114155193B CN 114155193 B CN114155193 B CN 114155193B CN 202111256367 A CN202111256367 A CN 202111256367A CN 114155193 B CN114155193 B CN 114155193B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- detected
- image
- point cloud
- matrix
- 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.)
- Active
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 430
- 230000011218 segmentation Effects 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims abstract description 90
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000010586 diagram Methods 0.000 claims abstract description 29
- 230000001537 neural effect Effects 0.000 claims abstract description 17
- 238000002591 computed tomography Methods 0.000 claims description 106
- 238000012549 training Methods 0.000 claims description 48
- 238000000605 extraction Methods 0.000 claims description 23
- 230000003321 amplification Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 9
- 230000002792 vascular Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005728 strengthening Methods 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 2
- 210000004351 coronary vessel Anatomy 0.000 description 38
- 230000006870 function Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000019553 vascular disease Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 208000005475 Vascular calcification Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- 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
- G06T7/11—Region-based 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
- G06T2207/20—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于特征强化的血管分割方法及装置,属于图像处理技术领域。该方法首先获取待测血管CT影像对应的待测血管特征图;待测血管特征图中携带有用于指示血管类别的血管结构点;并根据任意两个血管结构点之间的测地距离,获得血管邻接矩阵;之后将所有血管结构点的位置信息和待测血管特征图进行拼接处理,得到血管节点矩阵;最后基于血管节点矩阵和血管邻接矩阵,利用图神经模型进行血管特征强化处理,得到血管分割结果。由此,本实施例通过利用血管邻接矩阵和血管节点矩阵,能够将血管结构点形成的点云数据建立顶点与边的相关关系,从而使得图神经模型能够从不同角度提取血管特征,丰富了数据特征,提高了血管分割的准确性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于特征强化的血管分割方法及装置。
背景技术
目前,常见的血管疾病有血管钙化、肿瘤、狭窄和斑块等;然而血管提取是血管疾病诊断的基础。血管通常具有管径小、狭长、弯曲过多,以及结构精细等特点。利用人工从医学图像中提取血管是一件非常耗时费力的工作,为此利用计算机辅助诊断的血管提取方法成为目前研究热点。
从血管电子计算机断层扫描图像中提取血管结构主要有两大类方法。第一类方法是基于图形学及血管拓扑结构建模;这类方法大多是基于几何结构,如轮廓横截面、最短路径、与血管结构类似的管状结构、中心线等方法;但此类方法容易受到血管噪声的影响,分割效果不是很好。第二类方法是基于深度学习的方法;例如学习像素级分类来分割血管结构。近几年随着CNN、FCN网络在各类图像分割任务上的突出表现,以及UNet在医学分割领域的广泛应用;使用3D卷积神经网络处理医学图像已经成为一个基础方法。但是由于三维医学图像尺寸较大,同时3D卷积神经网络参数量庞大,因此对计算机的算力提出了很高的要求。为此,通常的深度学习分割任务中都是对原始数据进行扩增处理,之后基于扩增处理后的数据进行训练,但是数据扩增处理破坏了血管的完整结构,非常不利于网络学习血管的几何拓扑结构,因此分割效果也不理想。
点云网络是基于点云数据进行学习,而不是基于扩增处理后的数据进行学习,因此采用点云网络能够学习血管的全局特征。但是由于输入点云网络的点云数据是一种非欧几里得结构的图结构,因此基于点云数据进行特征学习时会导致点云网络忽略图结构的特征表达,从而损失大量的特征信息,进而影响图像特征信息的提取。为此,将点云网络应用于医学领域中血管分割的很少见。
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基于特征强化的血管分割方法及装置,能够对血管进行准确分割,解决了现有技术中由于网络无法有效学习血管特征导致血管分割不准确的问题。
为实现上述目的,根据本发明实施例第一方面,提供一种基于特征强化的血管分割方法,该方法包括:获取待测血管电子计算机断层扫描CT影像对应的待测血管特征图;其中,所述待测血管特征图中携带有用于指示血管类别的血管结构点;根据任意两个所述血管结构点之间的测地距离,获得血管邻接矩阵;将所有血管结构点的位置信息和所述待测血管特征图进行拼接处理,得到血管节点矩阵;基于所述血管节点矩阵和所述血管邻接矩阵,利用图神经模型进行血管特征强化处理,得到血管分割结果。
可选的,将所有血管结构点的位置信息和所述待测血管特征图进行拼接处理,得到血管节点矩阵,包括:基于所有血管结构点的位置信息,对所述血管结构点进行连通域标记,得到连通域矩阵;将所述连通域矩阵、所有血管结构点的位置信息和所述待测血管特征图进行拼接处理,得到血管节点矩阵。
可选的,所述根据任意两个所述血管结构点之间的测地距离,获得血管邻接矩阵,包括:根据任意两个所述血管结构点之间的欧式距离,获得血管距离矩阵;根据所述血管距离矩阵计算任意两个所述血管结构点之间的测地距离,得到血管邻接矩阵。
可选的,所述获取待测血管CT影像对应的待测血管特征图,包括:获取待测血管CT影像;从所述待测血管CT影像中提取血管结构点的位置信息,得到待测点云数据;基于所述待测血管CT影像,对所述待测点云数据中所有血管结构点标记分类标签;利用点云分割模型对具有分类标签的待测点云数据进行特征提取处理,得到待测血管特征图。
可选的,所述从所述待测血管CT影像中提取血管结构点的位置信息,得到待测点云数据,包括:利用血管分割模型对所述待测血管CT影像进行分割处理,得到待测血管分割结果和非血管分割结果;对所述待测血管分割结果进行点云处理,得到待测点云数据。
可选的,所述点云分割模型通过如下方法获得:获取第一血管CT影像序列;利用所述血管分割模型对第一血管CT影像进行分割处理,得到血管分割结果和非血管分割结果;对所述血管分割结果进行点云处理,得到点云数据;根据所述血管CT影像,对所述点云数据中所有血管结构点标记分类标签;并将具有分类标签的点云数据作为第一训练样本;利用点云网络对多个所述第一训练样本进行特征提取训练,得到点云分割模型。
可选的,所述血管分割模型通过如下方法获得:获取第二血管CT影像序列;所述第二血管CT影像序列用于指示目标对象在不同时间对应的第二血管CT影像;针对任一所述第二血管CT影像:从所述第二血管CT影像中移除非图像区域,得到目标血管CT影像,并对所述目标血管CT影像进行数据扩增处理,得到若干待分割区域;将所述若干分割区域作为第二训练样本;利用神经网络对多个所述第二训练样本进行模型训练,得到血管分割模型。
为实现上述目的,根据本发明实施例第二方面,还提供一种基于特征强化的血管分割装置,该装置包括:获取模块,用于获取待测血管电子计算机断层扫描CT影像对应的待测血管特征图;其中,所述待测血管特征图中携带有用于指示血管类别的血管结构点;确定模块,用于根据任意两个所述血管结构点之间的测地距离,获得血管邻接矩阵;拼接模块,用于将所有血管结构点的位置信息和所述待测血管特征图进行拼接处理,得到血管节点矩阵;特征强化模块,用于基于所述血管节点矩阵和所述血管邻接矩阵,利用图神经模型进行血管特征强化处理,得到血管分割结果。
可选的,所述拼接模块包括:连通域标记单元,用于基于所有血管结构点的位置信息,对所述血管结构点进行连通域标记,得到连通域矩阵;拼接单元,用于将所述连通域矩阵、所有血管结构点的位置信息和所述待测血管特征图进行拼接处理,得到血管节点矩阵。
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基于特征强化的血管分割方法及装置,该方法首先获取待测血管CT影像对应的待测血管特征图;所述待测血管特征图中携带有用于指示血管类别的血管结构点;并根据任意两个所述血管结构点之间的测地距离,获得血管邻接矩阵;之后将所有血管结构点的位置信息和所述待测血管特征图进行拼接处理,得到血管节点矩阵;最后基于所述血管节点矩阵和所述血管邻接矩阵,利用图神经模型进行血管特征强化处理,得到血管分割结果。由此,本实施例通过利用血管邻接矩阵和血管节点矩阵,能够将血管结构点形成的点云数据建立顶点与边的相关关系,从而使得图神经模型能够从不同角度提取血管特征,丰富了数据特征,提高了血管分割的准确性。解决了现有技术中由于网络无法有效学习血管特征导致血管分割不准确的问题。
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为本发明一实施例基于特征强化的血管分割方法的示意性流程图;
图2为本发明另一实施例基于特征强化的血管分割方法的示意性流程图;
图3为本发明一实施例中获得待测血管特征图的示意性流程图;
图4为本发明另一实施例中生成点云分割模型的示意性流程图;
图5为本发明另一实施例中生成血管分割模型的示意性流程图;
图6为待测冠状动脉CT影像;
图7为待测冠状动脉粗分割图像;
图8为冠状动脉最终分割结果;
图9为本发明一实施例基于特征强化的血管分割装置的示意结构图。
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,本发明一实施例基于特征强化的血管分割方法的示意性流程图。一种基于特征强化的血管分割方法,至少包括如下操作流程:S101,获取待测血管电子计算机断层扫描CT影像对应的待测血管特征图;其中,待测血管特征图中携带有用于指示血管类别的血管结构点;S102,根据任意两个血管结构点之间的测地距离,获得血管邻接矩阵;S103,将所有血管结构点的位置信息和待测血管特征图进行拼接处理,得到血管节点矩阵;S104,基于血管节点矩阵和血管邻接矩阵,利用图神经模型进行血管特征强化处理,得到血管分割结果。
在S101中,可以基于现有的图像特征提取的方法从待测血管CT影像中提取待测血管特征图;也可以是利用模型对待测血管CT图像进行特征提取处理以获得待测血管特征图。
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S102和S103中,两个血管结构点之间的测地距离用于指示两个血管结构点之间的最短路径距离。具体地,对待测血管特征图进行点云处理,得到点云数据;计算点云数据中任意两个血管结构点之间最短路径距离,从而得到血管邻接矩阵。点云数据包括所有血管结构点的坐标信息,例如坐标信息包括血管结构点在X轴、Y轴以及Z轴的信息。
在S104中,将血管节点矩阵和血管邻接矩阵作为输入,输入图神经模型后进行特征强化处理,得到血管分割结果。在这里,血管分割结果用于指示不同种类血管的分割结果。
图神经模型是预先训练好的,图神经模型通过如下方法获得:
获取第三血管CT影像序列。对第三血管CT影像进行预处理,得到血管邻接矩阵和血管节点矩阵;之后将血管邻接矩阵和血管节点矩阵共同作为第三训练样本。将多个第三训练样本输入图神经网络进行特征提取训练,得到图神经模型;由此,提高了图神经模型分割血管的准确性。
由于图神经网络是一种专门学习图结构数据特征的网络,并且具有强大的特征提取能力,本实施例通过利用血管邻接矩阵和血管节点矩阵,能够将血管结构点形成的点云数据建立顶点与边的相关关系,从而使得图神经网络能够对血管特征图进行特征强化,进而使得网络能够从不同角度提取血管特征,丰富了数据特征,提高了血管分割的准确性;解决了现有技术中由于网络无法有效学习血管特征导致血管分割不准确的问题。
如图2所示,本发明另一实施例基于特征强化的血管分割方法的示意性流程图。实施例是在前述实施例的基础上进一步优化得到的。一种基于特征强化的血管分割方法,至少包括如下操作流程:S201,获取待测血管电子计算机断层扫描CT影像对应的待测血管特征图;其中,待测血管特征图中携带有用于指示血管类别的血管结构点;S202,根据任意两个所述血管结构点之间的欧式距离,获得血管距离矩阵;S203,根据血管距离矩阵计算任意两个血管结构点之间的测地距离,得到血管邻接矩阵;S204,基于所有血管结构点的位置信息,对血管结构点进行连通域标记,得到连通域矩阵;S205,将连通域矩阵、所有血管结构点的位置信息和待测血管特征图进行拼接处理,得到血管节点矩阵;S206,基于血管节点矩阵和血管邻接矩阵,利用图神经模型进行血管特征强化处理,得到血管分割结果。
在这里,血管结构点的位置信息用于指示血管结构点的坐标信息。
所有血管结构点的位置信息形成点云数据;利用连通区域标记算法计算点云数据的连通域,并根据连通域将点云数据进行类别划分,得到连通域矩阵。
本实施例通过在获取血管节点矩阵中加入连通域标记,并将连通域标记得到的连通域矩阵、点云数据和待测血管特征图进行拼接处理获得血管节点矩阵,由此,使得血管特征更加明显,有利于图神经模型对待测血管特征图进行特征强化,进而提高了血管分割的准确性。
如图3所示,本发明一实施例中获得待测血管特征图的示意性流程图。本实施例是在前述实施例的基础上进一步优化得到的。获得待测血管特征图,包括具体操作流程如下:S301,获取待测血管CT影像;S302,从待测血管CT影像中提取血管结构点的位置信息,得到待测点云数据;S303,基于待测血管CT影像,对待测点云数据中所有血管结构点标记分类标签;S304,利用点云分割模型对具有分类标签的待测点云数据进行特征提取处理,得到待测血管特征图。
在S301和S302中,可以利用现有的算法或者模型对待测血管CT影像进行血管结构点提取处理,得到待测点云数据。例如利用血管分割模型对待测血管CT影像进行分割处理,得到待测血管分割结果和非血管分割结果;对待测血管分割结果进行点云处理,得到待测点云数据。在这里,通过将待测血管分割图像转化成点云格式的数据,从而获取待测血管分割图像中所有的血管结构点的坐标信息,即待测点云数据。
血管分割模型可以是基于FCN网络训练得到的,还可以是基于UNet网络训练得到的。
在S303和S304中,基于血管结构点坐标信息,从待测血管CT图像中查询与血管结构点坐标信息对应的分类标签,并将查询到的分类标签标记在血管结构点上。将具有分类标签的待测点云数据输入点云分割模型中进行特征提取处理,输出待测血管特征图。
本实施例首先利用血管分割模型对待测血管CT影像进行粗分割处理,并对待测血管分割结果进行点云处理,得到待测点云数据;之后对待测点云数据中所有血管结构点标记分类标签;最后利用点云分割模型对具有分类标签的待测点云数据进行特征提取处理,从而得到待测血管特征图。由此,在血管粗分割的基础上利用点云分割模型对血管分割结果进行再次分割,提高了不同种类血管分割结果的准确性;解决了现有技术中由于采用UNet模型对血管进行粗分割导致血管分割结果不准确的问题。
如图4所示,本发明一实施例中生成点云分割模型的示意性流程图。本实施例是在前述实施例的基础上进一步优化得到的。生成点云分割模型,包括具体操作流程如下:S401,获取第一血管CT影像序列;S402,利用血管分割模型对第一血管CT影像进行分割处理,得到血管分割结果和非血管分割结果;S403,对血管分割结果进行点云处理,得到点云数据;S404,根据血管CT影像,对点云数据中所有血管结构点标记分类标签;并将具有分类标签的点云数据作为第一训练样本;S405,利用点云网络对多个第一训练样本进行特征提取训练,得到点云分割模型。
需要说明的是,通过将血管分割结果转化成点云格式的数据,从而获取血管分割结果中所有的血管结构点的坐标信息,即点云数据。
由此,采用点云网络的特征提取可以实现从局部特征一直覆盖到整个点云数据,从而能够确保点云网络提取到血管点云数据的全局特征信息,有利于点云分割模型对血管拓扑结构进行整体性学习,提高点云分割模型分割的准确性。
还需要说明的是,点云分割模型不是简单地对血管分割结果进行分类,而是在学习血管的完整结构信息后对血管分割结果中血管再次进行准确分割和分类,提高了不同血管分割的准确性。
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:
获取冠状动脉CT影像序列;针对任一冠状动脉CT影像:利用冠状动脉分割模型对冠状动脉CT影像进行分割处理,得到冠状动脉分割图像;将冠状动脉分割图像转化成点云格式数据,得到点云数据;基于冠状动脉CT影像,对点云数据中所有血管结构点标记血管分类标签,并将携带有血管分类标签的血管点云数据作为第一训练样本。基于冠状动脉CT影像序列,得到第一训练样本数据;针对任一第一训练样本:利用点云网络对第一训练样本进行特征提取训练,得到点云分割模型。
如图5所示,本发明一实施例中生成血管分割模型的示意性流程图。本实施例是在前述实施例的基础上进一步优化得到的。生成血管分割模型,至少包括如下操作流程:S501,获取第二血管CT影像序列;第二血管CT影像序列用于指示目标对象在不同时间对应的第二血管CT影像;S502,针对任一第二血管CT影像:从第二血管CT影像中移除非图像区域,得到目标血管CT影像,并对目标血管CT影像进行数据扩增处理,得到若干待分割区域;将若干分割区域作为第二训练样本;S503,利用神经网络对多个第二训练样本进行模型训练,得到血管分割模型。
在S501中,目标对象例如心脏、头部或腿部等不同部位;第二血管CT影像序列是由若干血管CT影像组成的。
在S502中,非图像区域用于指示第二血管CT影像中且位于目标对象周围的无用黑色边框。由于非图像区域对于网络学习血管特征没有任何帮助,通过移除非图像区域,保留了第二血管CT影像中间有用信息,即目标血管CT影像,由此降低了训练样本的尺寸,提高了血管分割模型训练的准确性。
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、遮挡和裁剪等。具体地,对目标血管CT图像进行裁剪处理,得到若干待分割区域;其中任意两个相邻待分割区域具有40%-60%的重叠区域;例如,待分割区域可以是140*140*140尺寸的小块区域,待分割区域在三个维度各有50%的重叠度。由此,能够保证裁剪时边界信息不丢失,从而提高血管分割模型训练的准确性。
在S503中,将第二训练样本数据按照特定比例随机划分成训练集和测试集;引入残差结构的UNet网络进行模型训练,并利用DiceLoss作为损失函数计算前景损失,学习率使用指数衰减法,用5折交叉验证得到最优的血管分割模型,即UNet模型。由于血管在整个三维数据中的占比非常低,利用DiceLoss函数计算前景损失,降低了类别不均衡带来的影响,可以提高血管分割模型分割的准确度。
需要说明的是,本实施例的血管分割模型只对血管和非血管进行分割,而不对血管各个分支做分类任务。
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:
获取冠状动脉CT影像序列;针对任一冠状动脉CT影像,从冠状动脉CT影像中移除非图像区域,得到目标冠状动脉CT影像;对目标冠状动脉CT影像进行裁剪处理,得到若干待分割区域;待分割区域是140*140*140尺寸的小块区域,其中任意两个相邻待分割区域具有50%的重叠区域;将若干待分割区域作为第二训练样本;基于冠状动脉CT影像序列获得第二训练样本数据;之后利用引入残差结构的UNet网络对第二训练样本数据进行模型训练,并使用DiceLoss作为损失函数对输出结果进行约束,训练过程中学习率使用指数衰减法,得到冠状动脉分割模型。其中第二训练样本数据可以划分为训练集和测试集。
应理解,在本发明的各实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在的逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
如图6所示,本发明一实施例中待测冠状动脉CT影像;如图7所示,本发明一实施例中待测冠状动脉粗分割图像;如图8所示,本发明一实施例中冠状动脉最终分割结果。
获取待测冠状动脉CT图像;利用冠状动脉分割模型对待测冠状动脉CT图像进行分割处理,得到待测冠状动脉粗分割图像和非冠状动脉分割图像;将待测冠状动脉分割图像转化成点云数据;利用点云分割模型对点云数据进行特征提取处理,得到冠状动脉特征图。根据任意两个冠状动脉结构点之间的测地距离,获得冠状动脉邻接矩阵;将所有冠状动脉结构点的坐标信息和待测冠状动脉特征图进行拼接处理,得到冠状动脉节点矩阵;基于冠状动脉节点矩阵和冠状动脉邻接矩阵,利用图神经模型进行血管特征强化处理,得到冠状动脉最终分割结果。
本实施例通过使用点云网络,完整的学习了冠脉血管的拓扑结构,对模型分割出更符合几何结构的血管是非常重要的前提。通过对点云数据建立顶点和边的相关关系,使用图神经网络对点云网络的特征图进行特征强化,从而使得图神经网络能够从不同角度提取特征,丰富了数据特征,提高了冠脉血管的分割精度,解决了现有技术中人工提取耗时且耗力的问题,从而节省了医生对患者病理的诊断时间。
如图9所示,为本发明一实施例基于特征强化的血管分割装置的示意图。一种基于特征强化的血管分割装置,该装置900包括:获取模块901,用于获取待测血管电子计算机断层扫描CT影像对应的待测血管特征图;其中,所述待测血管特征图中携带有用于指示血管类别的血管结构点;确定模块902,用于根据任意两个所述血管结构点之间的测地距离,获得血管邻接矩阵;拼接模块903,用于将所有血管结构点的位置信息和所述待测血管特征图进行拼接处理,得到血管节点矩阵;特征强化模块904,用于基于所述血管节点矩阵和所述血管邻接矩阵,利用图神经模型进行血管特征强化处理,得到血管分割结果。
在可选的实施例中,所述拼接模块包括:连通域标记单元,用于基于所有血管结构点的位置信息,对所述血管结构点进行连通域标记,得到连通域矩阵;拼接单元,用于将所述连通域矩阵、所有血管结构点的位置信息和所述待测血管特征图进行拼接处理,得到血管节点矩阵。
在可选的实施例中,确定模块包括:第一确定单元,用于根据任意两个血管结构点之间的欧式距离,获得血管距离矩阵;第二确定单元,用于根据所述血管距离矩阵计算任意两个所述血管结构点之间的测地距离,得到血管邻接矩阵。
在可选的实施例中,获取模块包括:获取单元,用于获取待测血管CT影像;结构点提取单元,用于从所述待测血管CT影像中提取血管结构点的位置信息,得到待测点云数据;标记单元,用于基于所述待测血管CT影像,对所述待测点云数据中所有血管结构点标记分类标签;特征提取单元,用于利用点云分割模型对具有分类标签的待测点云数据进行特征提取处理,得到待测血管特征图。
在可选的实施例中,结构点提取单元包括:分割处理子单元,用于利用血管分割模型对所述待测血管CT影像进行分割处理,得到待测血管分割结果和非血管分割结果;点云处理子单元,用于对所述待测血管分割结果进行点云处理,得到待测点云数据。
在可选的实施例中,所述点云分割模型通过如下方法获得:获取第一血管CT影像序列;利用所述血管分割模型对第一血管CT影像进行分割处理,得到血管分割结果和非血管分割结果;对所述血管分割结果进行点云处理,得到点云数据;根据所述血管CT影像,对所述点云数据中所有血管结构点标记分类标签;并将具有分类标签的点云数据作为第一训练样本;利用点云网络对多个所述第一训练样本进行特征提取训练,得到点云分割模型。
在可选的实施例中,所述血管分割模型通过如下方法获得:获取第二血管CT影像序列;所述第二血管CT影像序列用于指示目标对象在不同时间对应的第二血管CT影像;针对任一所述第二血管CT影像:从所述第二血管CT影像中移除非图像区域,得到目标血管CT影像,并对所述目标血管CT影像进行数据扩增处理,得到若干待分割区域;将所述若干分割区域作为第二训练样本;利用神经网络对多个所述第二训练样本进行模型训练,得到血管分割模型。
上述装置可执行本发明一实施例所提供的基于特征强化的血管分割方法,具备执行基于特征强化的血管分割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基于特征强化的血管分割方法。
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基于特征强化的血管分割方法。
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,获取待测血管电子计算机断层扫描CT影像对应的待测血管特征图;其中,所述待测血管特征图中携带有用于指示血管类别的血管结构点;S102,根据任意两个所述血管结构点之间的测地距离,获得血管邻接矩阵;S103,将所有血管结构点的位置信息和所述待测血管特征图进行拼接处理,得到血管节点矩阵;S104,基于所述血管节点矩阵和所述血管邻接矩阵,利用图神经模型进行血管特征强化处理,得到血管分割结果。
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 (7)
1.一种基于特征强化的血管分割方法,其特征在于,包括:
获取待测血管电子计算机断层扫描CT影像对应的待测血管特征图;其中,所述待测血管特征图中携带有用于指示血管类别的血管结构点;
根据任意两个所述血管结构点之间的欧式距离,获得血管距离矩阵;
根据所述血管距离矩阵计算任意两个所述血管结构点之间的测地距离,得到血管邻接矩阵;
基于所有血管结构点的位置信息,对所述血管结构点进行连通域标记,得到连通域矩阵;
将所述连通域矩阵、所有血管结构点的位置信息和所述待测血管特征图进行拼接处理,得到血管节点矩阵;
基于所述血管节点矩阵和所述血管邻接矩阵,利用图神经模型进行血管特征强化处理,得到血管分割结果。
2.根据权利要求1所述的方法,其特征在于,所述获取待测血管CT影像对应的待测血管特征图,包括:
获取待测血管CT影像;
从所述待测血管CT影像中提取血管结构点的位置信息,得到待测点云数据;
基于所述待测血管CT影像,对所述待测点云数据中所有血管结构点标记分类标签;
利用点云分割模型对具有分类标签的待测点云数据进行特征提取处理,得到待测血管特征图。
3.根据权利要求2所述的方法,其特征在于,所述从所述待测血管CT影像中提取血管结构点的位置信息,得到待测点云数据,包括:
利用血管分割模型对所述待测血管CT影像进行分割处理,得到待测血管分割结果和非血管分割结果;
对所述待测血管分割结果进行点云处理,得到待测点云数据。
4.根据权利要求2所述的方法,其特征在于,所述点云分割模型通过如下方法获得:
获取第一血管CT影像序列;
利用血管分割模型对第一血管CT影像进行分割处理,得到血管分割结果和非血管分割结果;
对所述血管分割结果进行点云处理,得到点云数据;
根据所述血管CT影像,对所述点云数据中所有血管结构点标记分类标签;并将具有分类标签的点云数据作为第一训练样本;
利用点云网络对多个所述第一训练样本进行特征提取训练,得到点云分割模型。
5.根据权利要求3或4所述的方法,其特征在于,所述血管分割模型通过如下方法获得:
获取第二血管CT影像序列;所述第二血管CT影像序列用于指示目标对象在不同时间对应的第二血管CT影像;
针对任一所述第二血管CT影像:从所述第二血管CT影像中移除非图像区域,得到目标血管CT影像,并对所述目标血管CT影像进行数据扩增处理,得到若干待分割区域;将所述若干待分割区域作为第二训练样本;
利用神经网络对多个所述第二训练样本进行模型训练,得到血管分割模型。
6.一种基于特征强化的血管分割装置,其特征在于,包括:
获取模块,用于获取待测血管电子计算机断层扫描CT影像对应的待测血管特征图;其中,所述待测血管特征图中携带有用于指示血管类别的血管结构点;
确定模块,包括第一确定单元和第二确定单元:
所述第一确定单元,用于根据任意两个血管结构点之间的欧式距离,获得血管距离矩阵;
所述第二确定单元,用于根据所述血管距离矩阵计算任意两个所述血管结构点之间的测地距离,得到血管邻接矩阵;
拼接模块,包括连通域标记单元和拼接单元:
所述连通域标记单元,用于基于所有血管结构点的位置信息,对所述血管结构点进行连通域标记,得到连通域矩阵;
所述拼接单元,用于将所述连通域矩阵、所有血管结构点的位置信息和所述待测血管特征图进行拼接处理,得到血管节点矩阵;
特征强化模块,用于基于所述血管节点矩阵和所述血管邻接矩阵,利用图神经模型进行血管特征强化处理,得到血管分割结果。
7.一种计算机可读介质,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1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111256367.6A CN114155193B (zh) | 2021-10-27 | 2021-10-27 | 一种基于特征强化的血管分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111256367.6A CN114155193B (zh) | 2021-10-27 | 2021-10-27 | 一种基于特征强化的血管分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114155193A CN114155193A (zh) | 2022-03-08 |
CN114155193B true CN114155193B (zh) | 2022-07-26 |
Family
ID=80458407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111256367.6A Active CN114155193B (zh) | 2021-10-27 | 2021-10-27 | 一种基于特征强化的血管分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114155193B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115375705B (zh) * | 2022-08-04 | 2023-03-31 | 北京医准智能科技有限公司 | 一种血管分割方法、装置、电子设备及存储介质 |
CN117036302B (zh) * | 2023-08-15 | 2024-04-02 | 西安交通大学医学院第一附属医院 | 主动脉瓣膜钙化程度的确定方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264709A (zh) * | 2019-05-06 | 2019-09-20 | 北京交通大学 | 基于图卷积网络的道路的交通流量的预测方法 |
CN111126126A (zh) * | 2019-10-21 | 2020-05-08 | 武汉大学 | 一种基于图卷积神经网络的视频智能拆条方法 |
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 |
CN111461258A (zh) * | 2020-04-26 | 2020-07-28 | 武汉大学 | 耦合卷积神经网络和图卷积网络的遥感影像场景分类方法 |
CN113344873A (zh) * | 2021-06-04 | 2021-09-03 | 联想(北京)有限公司 | 一种血管分割方法、装置及计算机可读介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392909B (zh) * | 2017-06-22 | 2020-11-06 | 苏州大学 | 基于神经网络与约束图搜索算法的oct图像层分割方法 |
CN107909585B (zh) * | 2017-11-14 | 2020-02-18 | 华南理工大学 | 一种血管内超声影像的血管中内膜分割方法 |
CN108010041B (zh) * | 2017-12-22 | 2020-08-11 | 数坤(北京)网络科技有限公司 | 一种人体心脏冠脉提取方法 |
CN109829931B (zh) * | 2019-01-07 | 2023-07-11 | 三峡大学 | 一种基于区域增长pcnn的视网膜血管分割方法 |
CN109934826B (zh) * | 2019-02-28 | 2023-05-12 | 东南大学 | 一种基于图卷积网络的图像特征分割方法 |
CN111047607B (zh) * | 2019-12-09 | 2023-07-11 | 赛诺威盛科技(北京)股份有限公司 | 一种自动分割冠状动脉的方法 |
CN111275722A (zh) * | 2020-02-18 | 2020-06-12 | 广州柏视医疗科技有限公司 | 肺段、肝段分割方法及系统 |
CN111369542B (zh) * | 2020-03-06 | 2023-07-28 | 上海联影智能医疗科技有限公司 | 血管标记方法、图像处理系统和存储介质 |
CN111950406A (zh) * | 2020-07-28 | 2020-11-17 | 深圳职业技术学院 | 一种手指静脉识别方法、装置及存储介质 |
CN111950408B (zh) * | 2020-07-28 | 2023-07-11 | 深圳职业技术学院 | 基于规则图的手指静脉图像识别方法、装置及存储介质 |
CN112446862B (zh) * | 2020-11-25 | 2021-08-10 | 北京医准智能科技有限公司 | 一种基于人工智能的动态乳腺超声视频全病灶实时检测和分割装置、系统及图像处理方法 |
-
2021
- 2021-10-27 CN CN202111256367.6A patent/CN114155193B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264709A (zh) * | 2019-05-06 | 2019-09-20 | 北京交通大学 | 基于图卷积网络的道路的交通流量的预测方法 |
CN111126126A (zh) * | 2019-10-21 | 2020-05-08 | 武汉大学 | 一种基于图卷积神经网络的视频智能拆条方法 |
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 |
CN111461258A (zh) * | 2020-04-26 | 2020-07-28 | 武汉大学 | 耦合卷积神经网络和图卷积网络的遥感影像场景分类方法 |
CN113344873A (zh) * | 2021-06-04 | 2021-09-03 | 联想(北京)有限公司 | 一种血管分割方法、装置及计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114155193A (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765363B (zh) | 一种基于人工智能的冠脉cta自动后处理系统 | |
Chen et al. | Curve-like structure extraction using minimal path propagation with backtracking | |
US20200320697A1 (en) | Method, system, and device for lung lobe segmentation, model training, model construction and segmentation | |
CN114155193B (zh) | 一种基于特征强化的血管分割方法及装置 | |
CN111462047B (zh) | 血管参数测量方法、装置、计算机设备和存储介质 | |
JP5833994B2 (ja) | 画像処理装置および方法ならびにプログラム | |
CN114037663A (zh) | 一种血管分割方法、装置及计算机可读介质 | |
JP5748636B2 (ja) | 画像処理装置および方法並びにプログラム | |
CN111080573A (zh) | 肋骨图像检测方法、计算机设备和存储介质 | |
CN110796670A (zh) | 一种夹层动脉分割方法及装置 | |
CN111178420B (zh) | 一种二维造影图像上冠脉段标注方法及系统 | |
CN115393272B (zh) | 基于深度学习的膝关节髌骨置换三维术前规划系统及方法 | |
CN113538471A (zh) | 斑块的分割方法、装置、计算机设备和存储介质 | |
CN112037146A (zh) | 医学图像伪影自动校正方法、装置和计算机设备 | |
CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
CN112381762A (zh) | 一种基于深度学习算法的ct肋骨骨折辅助诊断系统 | |
CN115908297A (zh) | 基于拓扑知识的医学影像中血管分割建模方法 | |
US11961276B2 (en) | Linear structure extraction device, method, program, and learned model | |
CN117373070B (zh) | 血管分段标注的方法及装置、电子设备和存储介质 | |
CN114299057A (zh) | 血管中心线的提取方法和存储介质 | |
CN113344873A (zh) | 一种血管分割方法、装置及计算机可读介质 | |
CN111401102A (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
CN113012127A (zh) | 基于胸部医学影像的心胸比测量方法 | |
CN116188479B (zh) | 基于深度学习的髋关节图像分割方法及系统 | |
CN115908418A (zh) | 一种主动脉ct图像中心线确定方法、系统、设备及介质 |
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 | ||
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. |
|
CP03 | Change of name, title or address |