CN114298193A - 基于分割网络的血管斑块检测装置和方法 - Google Patents

Abstract

本申请涉及基于分割网络的血管斑块检测装置和方法，该装置包括：预处理模块，用于对血管图像进行预处理；特征提取模块，包括编码器和解码器，编码器用于对经预处理的血管图像进行下采样，解码器用于对经下采样的血管图像进行上采样，通过上采样弥补下采样过程中丢失的信息；以及分类网络模块，用于基于上采样后的血管图像输出血管图像有无斑块的结果。根据本申请的方案，在分割网络中使用3D卷积核，可以很好的学习到层间信息；通过上采样弥补下采样过程中丢失的信息，有利于降低斑块漏检的概率；下采样的每一层和上采样的相应层之间有跨层链接，能够更准确地检测血管；此外，在对分割网络进行训练的过程中添加分割分支，进一步提高检测精度。

Description

基于分割网络的血管斑块检测装置和方法

技术领域

本申请涉及于医学图像分析领域，尤其涉及一种基于分割网络的血管斑块检测的装置和方法。

背景技术

动脉粥样硬化斑块是冠心病发生和发展的病理生理基础，目前心脏CTA(CTAngiography，CT血管造影)图像已经广泛应用于血管斑块的筛查，各种数据表明：不同性质的斑块和不同大小的斑块对人体的影响差别较大。而要判断斑块性质大小和其他量化指标首先需要对斑块做准确的检测。并且，及早发现斑块的存在可以及时治疗，从而有效控制病情的恶化，所以准确有效的从CTA图像中检测斑块就意义重大。

目前，大多的血管斑块检测算法使用的是基于分类网络的框架，例如：使用2D分类卷积神经网络对拉直后的血管每一层做分类，或者使用2D卷积神经网络加LSTM(LongShort-Term Memory，长短期记忆网络)对每一层做分类。

发明内容

上述现有技术的方法存在以下几种问题：

1、2D分类卷积神经网络使用2D的卷积核，只在血管一层的xy方向上进行特征提取，并不作用在z方向，所以不能很好的提取层间信息，就算加入LSTM网络也只能在高维上做层间信息补充，低维信息不能充分利用。

2、3D分类卷积神经网络使用3D的卷积核，可以同时在x,y,z三个方向上进行特征提取，虽然能较好的提取层间信息，但是z方向存在下采样，较短的斑块可能会在下采样的过程中丢失，造成短斑块的漏检。

针对上述问题，本申请提供了一种基于分割网络的血管斑块检测方案，能够改善斑块(尤其是短斑块)漏检的问题。

根据本申请的第一个方面，提供一种基于分割网络的血管斑块检测装置，包括：

预处理模块，用于对血管图像进行预处理，所述血管图像包括n个层，其中n大于等于1；

特征提取模块，包括编码器和解码器，所述编码器用于对经预处理的血管图像进行下采样，所述解码器用于对经下采样的血管图像进行上采样；以及

分类网络模块，用于基于上采样后的血管图像输出所述n个层的血管图像有无斑块的结果。

根据本申请的第二个方面，提供一种基于分割网络的血管斑块检测方法，包括：

通过预处理模块对血管图像进行预处理，所述血管图像包括n个层，其中n大于等于1；

通过特征提取模块的编码器对经预处理的血管图像进行下采样，

通过所述特征提取模块的解码器对经下采样的血管图像进行上采样；以及

通过分类网络模块基于上采样后的血管图像输出所述n个层的血管图像有无斑块的结果。

根据本申请的第三个方面，提供一种电子设备，包括：

处理器；以及

存储器，存储有计算机指令，当所述计算机指令被所述处理器执行时，使得所述处理器执行第二方面所述的方法。

根据本申请的第四个方面，提供一种非瞬时性计算机存储介质，存储有计算机程序，当所述计算机程序被多个处理器执行时，使得所述处理器执行第二方面所述的方法。

根据本申请提供的基于分割网络的血管斑块检测方案，在分割网络中使用3D卷积核，同时在x，y，z三个方向上进行特征提取，可以很好的学习到层间信息；在下采样之后会再通过上采样回到原图大小，通过上采样弥补下采样过程中丢失的信息，有利于降低斑块漏检的概率；另外，下采样的每一层和上采样的相应层之间有跨层链接，跨层链接能够进一步综合上采样和下采样相应层之间信息，对血管进行更准确的检测，有利于进一步降低斑块漏检的概率；此外，在对分割网络进行训练的过程中，可以添加分割分支，且训练过程中可以使用强标注的病灶掩模图像信息(mask信息)帮助网络更好的学习和定位病灶区域，提高基于分割网络的血管斑块检测装置的检测精度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图，而并不超出本申请要求保护的范围。

图1是根据本申请第一个实施例的基于分割网络的血管斑块检测装置的示意图。

图2是根据本申请第二个实施例的基于分割网络的血管斑块检测装置的示意图。

图3是根据本申请第三个实施例的基于分割网络的血管斑块检测装置的示意图。

图4是根据本申请实施例的基于分割网络的血管斑块检测装置的训练示意图。

图5是根据本申请实施例的基于分割网络的血管斑块检测装置的另一个训练示意图。

图6是根据本申请实施例的基于分割网络的血管斑块检测方法的流程图。

图7是本申请提供的一种电子设备的结构图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

在本申请中，术语“血管”包括冠脉、颈动脉、腹主动脉、脑部血管、眼部血管、股动脉中的任何一种。其中，血管的“z方向”是血管这个柱体的纵向方向，“xy方向”是垂直于或大致垂直于z方向的血管切面方向。

图1是根据本申请第一个实施例的基于分割网络的血管斑块检测装置的示意图。如图1所示，该装置包括预处理模块、特征提取模块和分类网络模块。

本申请提供的基于分割网络的血管斑块检测装置可以应用在例如基于心脏CTA图像的冠脉拉直图上，在拉直后的血管上，从起始位置开始以血管中心线上的点为原点按一定的步长依次取固定尺寸的一段血管送入检测网络，网络输出同样长度的预测结果，有重叠的部分可采用取均值或者最大值等方法。

将一段血管的图像输入血管斑块检测装置，在经过血管斑块检测装置的检测后，能够得到该段血管中是否存在斑块。输入血管斑块检测装置的这段血管图像包括n个层，其中n大于等于1，在经过血管斑块检测装置的检测后，能够输出这n个层分别有无斑块的结果。

在图1中，预处理模块用于对血管图像进行预处理，其中，预处理包括窗框窗位调整和均值方差归一化，也可根据需要使用其他预处理方法。

在图1中，特征提取模块包括编码器和解码器，编码器对经预处理的血管图像进行下采样，解码器对经下采样的血管图像进行上采样，在下采样之后会再通过上采样回到原图大小。例如，输入血管斑块检测装置的图像是64*64*n(即n层图像中每一层的像素是64*64)，解码器输出的结果是64*64*n*m(其中，m是解码器的维度，可以是任意合适数值，例如2048)。这样，通过上采样弥补下采样过程中丢失的信息，有利于降低斑块漏检的概率。

在图1中，分类网络模块基于经上采样的血管图像输出所述n个层的血管图像有无斑块的结果。在一个具体实施例中，分类网络模块包括全局最大值获取单元和全连接层单元，其中，全局最大值获取单元用于在所述n个层的血管图像的每个层中取全局最大值，全连接层单元基于所述全局最大值获取单元输出的结果，计算并输出所述n个层有无斑块的结果。例如，分类网络模块的全局最大值获取单元对解码器输出的n层图像中每一层的64*64个数值取全局最大值，得到一个全局最大值，这样全局最大值获取单元得到的是1*n*m个数值，然后将其输入全连接层单元，全连接层单元经过计算后可以得到这段血管n个层分别有无斑块的概率。可以设定一个阈值，例如阈值可以为0.5，当全连接层单元计算后该层血管有斑块的概率大于0.5，则判定有斑块，否则判定无斑块。

图2是根据本申请第二个实施例的基于分割网络的血管斑块检测装置的示意图。如图2所示，特征提取模块的编码器和解码器分别具有一个或多个卷积块(图2所示有4个卷积块)，且编码器和解码器所包含的卷积块的数量相等。编码器和解码器的每个卷积块包括一个或多个3D卷积层，编码器和解码器所包含的卷积块可以完全相同、可以部分相同也可以完全不同，本申请对编码器和解码器的卷积块的形式和设置不做要求。

如图2所示，特征提取模块的编码器的每一个卷积块对输入图像数据进行2倍下采样，特征提取模块的解码器的每一个卷积块对下采样后的图像数据进行2倍上采样，图像在下采样之后会再通过上采样回到原图大小。其中，上采样和下采样的倍数还可以是其他合适的数值，例如4倍、8倍等，本申请对此不做限制。

图3是根据本申请第三个实施例的基于分割网络的血管斑块检测装置的示意图。如图3所示，特征提取模块的编码器的一个卷积块与解码器对应的卷积块之间具有跨层链接，使得解码器的一个卷积块对血管图像进行上采样处理后，解码器将该卷积层上采样处理后的结果与编码器对应卷积块下采样处理前的数据进行联合处理，获得联合处理结果。在解码器的一个卷积层进行上采样后，就执行该联合处理。该联合处理结果会进入解码器的下一个卷积块，或者在没有解码器的下一个卷积块时，作为解码器的下采样最终结果进行输出。

例如，如图3所示，经编码器的最后一个卷积块下采样后，将n层图像的64个像素降低为32个像素，输出到解码器，解码器的第一个卷积块上采样后将32个像素上升到64个像素，然后将解码器的第一个卷积块上采样后的64个像素的数值与编码器的对应卷积块(即最后一个卷积块)下采样前的64个像素的数值进行联合处理，得到联合处理结果。

通过图3所示的跨层链接，下采样的每一层和上采样的相应层之间有跨层链接，跨层链接能够进一步综合上采样和下采样相应层之间信息，对血管进行更准确的检测，有利于进一步降低斑块漏检的概率。

图4是根据本申请实施例的基于分割网络的血管斑块检测装置的训练示意图。如图4所示，血管斑块检测装置包括预处理模块、特征提取模块和分类网络模块。分类网络模块的全连接层单元输出n个层的血管图像有无斑块的概率，对全连接层单元输出的结果计算损失，记为第一损失。在一个具体实施例中，在训练时可以使用交叉熵损失进行优化，该损失记为L_分类＝-(q*logp+(1-q)*log(1-p))，其中q为样本标签，表示在训练的样本中标记为“0”或“1”的样本(其中，“1”表示有斑块，“0”表示没有斑块)，p为网络对该样本预测为有斑块(标签“1”)的概率。

图4中虚线表示血管斑块检测装置整体优化训练过程，算法根据分类网络的输出，计算分类网络的损失L_分类，将L_分类求导，进行梯度回传，更新模型参数，包括特征提取模块和分类网络模块中相关的参数；所更新的模型参数包括卷积核的权重和全连接层的权重等；然后重复上述过程，直至模型稳定。

图5是根据本申请实施例的基于分割网络的血管斑块检测装置的另一个训练示意图。如图5所示，血管斑块检测装置包括预处理模块、特征提取模块、分类网络模块、分割网络模块和总损失计算模块，其中，分割网络模块是在训练过程中采用的，形成一种多分支分割网络的血管斑块检测装置。

在图5中，分类网络模块的全连接层单元输出n个层的血管图像有无斑块的概率，对于全连接层单元输出的结果计算损失。在一个实施例中，在训练时可以使用交叉熵损失进行优化，该损失记为L_分类＝-(q*logp+(1-q)*log(1-p))，其中q为样本标签，表示在训练的样本中标记为“0”或“1”的样本(其中，“1”表示有斑块，“0”表示没有斑块)，p为分类网络对该样本预测为有斑块(标签“1”)的概率。

在图5中，分割网络模块包括卷积层和激活函数层(例如Sigmoid函数层)，输出斑块区域的分割结果(如图5所示，白色部分为斑块区域，黑色为非斑块区域)。在训练的过程中，分割网络模块使用标注的掩模图像信息(mask信息)，对所述解码器输出的上采样结果进行处理获得n个层图像中每个像素有无斑块的概率，然后，基于所预测的所述n个层图像中每个像素有无斑块的概率和标注的掩模图像信息计算损失，记为第二损失。

在一个具体实施例中，训练时采用dice loss进行优化，分割损失记为L_分割＝2*sum(c*gt)/(sum(c)+sum(gt))，其中，c为分割网络的预测的n个层图像中每个像素有无斑块的概率，gt为实际的标注mask信息。图中虚线表示网络整体优化训练过程。根据分割网络和分类网络的输出，按上述方式求得各自损失L_分割和L_分类，总损失计算模块计算网络总体损失L＝γL_分类+βL_分割，其中为γ，β两部分损失的权重，在一个实施例中，γ＝β＝1，可根据实际情况调整，之后将L求导，进行梯度回传，更新模型参数，包括特征提取模块、分类网络模块和分割网络模块中相关的参数；所更新的模型参数包括卷积核的权重和全连接层的权重等；然后重复上述过程，直至模型稳定。

在图5所示的实施例中，在对网络进行训练的过程中，添加分割分支，且训练过程中使用强标注的病灶掩模图像信息帮助网络更好的学习和定位病灶区域，提高基于分割网络的血管斑块检测装置的检测精度。

在上述实施例中，分别描述了计算分类损失和分割损失的算法和计算公式，然而，需要注意的是，这只是为了方便说明本申请方案的一种具体实施方式，本领域技术人员还可以采用其他算法和公式来计算分类损失和分割损失，本申请对此不做限制。

基于图1至图5所示的基于分割网络的血管斑块检测装置，本申请还提供一种分割网络的血管斑块检测方法。如图6所示，该方法包括如下步骤。

步骤S601，通过预处理模块对血管图像进行预处理。

输入血管斑块检测装置的这段血管图像包括n个层，其中n大于等于1。预处理模块用于对血管图像进行预处理，其中，预处理包括窗框窗位调整和均值方差归一化，也可根据需要使用其他预处理方法。

步骤S602，通过特征提取模块的编码器对经预处理的血管图像进行下采样。

步骤S603，通过所述特征提取模块的解码器对经下采样的血管图像进行上采样。

特征提取模块包括编码器和解码器，编码器对经预处理的血管图像进行下采样，解码器对经下采样的血管图像进行上采样，在下采样之后会再通过上采样回到原图大小。这样，通过上采样弥补下采样过程中丢失的信息，有利于降低斑块漏检的概率。

在一个实施例中，特征提取模块的编码器和解码器分别具有一个或多个卷积块，且编码器和解码器所包含的卷积块的数量相等。编码器和解码器的每个卷积块包括一个或多个3D卷积层，编码器和解码器所包含的卷积块可以完全相同、可以部分相同也可以完全不同，本申请对编码器和解码器的卷积块的形式和设置不做要求。

在一个实施例中，特征提取模块的编码器的一个卷积块与解码器对应的卷积块之间具有跨层链接，使得解码器的一个卷积块对血管图像进行上采样处理后，解码器将该卷积块上采样处理后的结果与编码器对应卷积块下采样处理前的数据进行联合处理，获得联合处理结果。在解码器的一个卷积块进行上采样后，就执行该联合处理。该联合处理结果会进入解码器的下一个卷积块，或者在没有解码器的下一个卷积块时，作为解码器的下采样最终结果进行输出。

这样，步骤S603可以包括：在解码器的一个卷积块对血管图像进行上采样处理后，解码器将卷积块上采样处理后的结果与编码器对应卷积块下采样处理前的数据进行联合处理，获得联合处理结果。

步骤S604，通过分类网络模块基于上采样后的血管图像输出血管图像有无斑块的结果。

在一个具体实施例中，分类网络模块包括全局最大值获取单元和全连接层单元，其中，全局最大值获取单元用于在所述n个层的血管图像的每个层中取全局最大值，全连接层单元基于所述全局最大值获取单元输出的结果，计算并输出所述n个层有无斑块的结果。例如，分类网络模块的全局最大值获取单元对解码器输出的n层图像中每一层的64*64个数值取全局最大值，得到一个全局最大值，这样全局最大值获取单元得到的是1*n*m个数值，然后将其输入全连接层单元，全连接层单元经过计算后可以得到这段血管n个层分别有无斑块的概率。可以设定一个阈值，例如阈值可以为0.5，当全连接层单元计算后该层血管有斑块的概率大于0.5，则判定有斑块，否则判定无斑块。

这样，步骤S604包括：

子步骤S6041，通过所述全局最大值获取单元用于在所述n个层的血管图像的每个层中取全局最大值；以及

子步骤S6042，通过所述全连接层单元基于所述全局最大值获取单元输出的结果，计算并输出所述n个层有无斑块的结果。

在对基于分割网络的血管斑块检测装置进行测试前，还需要对其进行神经网络训练。图6所示的方法还包括：

步骤S605，对所述特征提取模块和所述分类网络模块进行神经网络训练。

在一个实施例中，步骤S605包括：

子步骤S6051，通过所述分类网络模块基于样本标签和所述分类网络模块预测的所述n个层有无斑块的概率计算第一损失。

分类网络模块的全连接层单元输出n个层的血管图像有无斑块的概率，对全连接层单元输出的结果计算损失，记为第一损失。在一个具体实施例中，在训练时可以使用交叉熵损失进行优化，该损失记为L_分类＝-(q*logp+(1-q)*log(1-p))，其中q为样本标签，表示在训练的样本中标记为“0”或“1”的样本(其中，“1”表示有斑块，“0”表示没有斑块)，p为网络对该样本预测为有斑块(标签“1”)的概率。

根据分类网络的输出，计算分类网络的损失L_分类，将L_分类求导，进行梯度回传，更新模型参数，包括特征提取模块和分类网络模块中相关的参数；所更新的模型参数包括卷积核的权重和全连接层的权重等；然后重复上述过程，直至模型稳定。

在一个实施例中，如图5所示，在训练过程中采用分割网络模块。这样步骤S605还包括：

子步骤S6052，通过分割网络模块对所述解码器输出的上采样结果进行处理获得所述n个层图像中每个像素有无斑块的概率；以及

子步骤S6053，通过所述分割网络模块基于所预测的所述n个层图像中每个像素有无斑块的概率和标注的掩模图像信息计算第二损失。

分割网络模块包括卷积层和激活函数层(例如Sigmoid函数层)，输出斑块区域的分割结果(如图5所示，白色部分为斑块区域，黑色为非斑块区域)。在训练的过程中，分割网络模块使用标注的掩模图像信息(mask信息)，对所述解码器输出的上采样结果进行处理获得n个层图像中每个像素有无斑块的概率，然后，基于所预测的所述n个层图像中每个像素有无斑块的概率和标注的掩模图像信息计算损失，记为第二损失。

在一个具体实施例中，训练时采用dice loss进行优化，分割损失记为L_分割＝2*sum(c*gt)/(sum(c)+sum(gt))，其中，c为分割网络的预测的n个层图像中每个像素有无斑块的概率，gt为实际的标注mask信息。

在获得第一损失和第二损失后，就可以计算总损失，基于总损失更新模型参数。这样，步骤S605还包括：

子步骤S6054，通过总损失计算模块基于所述第一损失和所述第二损失计算总体损失。

根据分割网络和分类网络的输出，按上述方式求得各自损失L_分割和L_分类，总损失计算模块计算网络总体损失L＝γL_分类+βL_分割，其中为γ，β两部分损失的权重，在一个实施例中，γ＝β＝1，可根据实际情况调整，之后将L求导，进行梯度回传，更新模型参数，包括特征提取模块、分类网络模块和分割网络模块中相关的参数；所更新的模型参数包括卷积核的权重和全连接层的权重等；然后重复上述过程，直至模型稳定。

根据本申请提供的基于分割网络的血管斑块检测方案，在分割网络中使用3D卷积核，同时在x，y，z三个方向上进行特征提取，可以很好的学习到层间信息；在下采样之后会再通过上采样回到原图大小，通过上采样弥补下采样过程中丢失的信息，有利于降低斑块漏检的概率；另外，下采样的每一层和上采样的相应层之间有跨层链接，跨层链接能够进一步综合上采样和下采样相应层之间信息，对血管进行更准确的检测，有利于进一步降低斑块漏检的概率；此外，在对分割网络进行训练的过程中，可以添加分割分支，且训练过程中可以使用强标注的病灶掩模图像信息(mask信息)帮助网络更好的学习和定位病灶区域，提高基于分割网络的血管斑块检测装置的检测精度。

参阅图7，图7提供一种电子设备，包括处理器；以及存储器，所述存储器存储有计算机指令，当所述计算机指令被所述处理器执行时，使得所述处理器执行所述计算机指令时实现如图6所示的方法以及细化方案。

应该理解，上述的装置实施例仅是示意性的，本申请披露的装置还可通过其它的方式实现。例如，上述实施例中所述单元/模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如，多个单元、模块或组件可以结合，或者可以集成到另一个系统，或一些特征可以忽略或不执行。

另外，若无特别说明，在本申请各个实施例中的各功能单元/模块可以集成在一个单元/模块中，也可以是各个单元/模块单独物理存在，也可以两个以上单元/模块集成在一起。上述集成的单元/模块既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。

所述集成的单元/模块如果以硬件的形式实现时，该硬件可以是数字电路，模拟电路等等。硬件结构的物理实现包括但不局限于晶体管，忆阻器等等。若无特别说明，所述处理器或芯片可以是任何适当的硬件处理器，比如CPU、GPU、FPGA、DSP和ASIC等等。若无特别说明，所述片上缓存、片外内存、存储器可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM(Resistive Random Access Memory)、动态随机存取存储器DRAM(Dynamic Random Access Memory)、静态随机存取存储器SRAM(Static Random-AccessMemory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等。

所述集成的单元/模块如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本披露各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本申请实施例还提供一种非瞬时性计算机存储介质，存储有计算机程序，当所述计算机程序被多个处理器执行时，使得所述处理器执行如图6所示的方法以及细化方案。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。

所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干算子用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来算子相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)或光盘等。

以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明仅用于帮助理解本申请的方法及其核心思想。同时，本领域技术人员依据本申请的思想，基于本申请的具体实施方式及应用范围上做出的改变或变形之处，都属于本申请保护的范围。综上所述，本说明书内容不应理解为对本申请的限制。

Claims (20)

1.一种基于分割网络的血管斑块检测装置，包括：

预处理模块，用于对血管图像进行预处理，所述血管图像包括n个层，其中n大于等于1；

特征提取模块，包括编码器和解码器，所述编码器用于对经预处理的血管图像进行下采样，所述解码器用于对经下采样的血管图像进行上采样；以及

分类网络模块，用于基于上采样后的血管图像输出所述n个层的血管图像有无斑块的结果。

2.如权利要求1所述的血管斑块检测装置，其中，所述预处理包括窗框窗位调整和均值方差归一化。

3.如权利要求1所述的血管斑块检测装置，其中，所述编码器和所述解码器均包括一个或多个卷积块，所述编码器和所述解码器所包含的卷积块的数量相等，且所述卷积块包括一个或多个3D卷积层。

4.如权利要求3所述的血管斑块检测装置，其中，所述编码器的一个卷积块与所述解码器对应的卷积块之间具有跨层链接，使得所述解码器的一个卷积块对血管图像进行上采样处理后，所述解码器将所述卷积块上采样处理后的结果与所述编码器对应卷积块下采样处理前的数据进行联合处理，获得联合处理结果。

5.如权利要求1所述的血管斑块检测装置，其中，所述分类网络模块包括全局最大值获取单元和全连接层单元，其中，所述全局最大值获取单元用于在所述n个层的血管图像的每个层中取全局最大值，所述全连接层单元基于所述全局最大值获取单元输出的结果，计算并输出所述n个层有无斑块的结果。

6.如权利要求1所述的血管斑块检测装置，其中，所述特征提取模块和所述分类网络模块均是经过训练的神经网络模块。

7.如权利要求6所述的血管斑块检测装置，其中，所述分类网络模块基于样本标签和所述分类网络模块预测的所述n个层有无斑块的概率计算第一损失。

8.如权利要求7所述的血管斑块检测装置，还包括：

分割网络模块，用于对所述解码器输出的上采样结果进行处理，获得所述n个层图像中每个像素有无斑块的概率，并且基于所预测的所述n个层图像中每个像素有无斑块的概率和标注的掩模图像信息计算第二损失。

9.如权利要求8所述的血管斑块检测装置，还包括：

总损失计算模块，用于基于所述第一损失和所述第二损失计算总体损失。

10.一种基于分割网络的血管斑块检测方法，包括：

通过预处理模块对血管图像进行预处理，所述血管图像包括n个层，其中n大于等于1；

通过特征提取模块的编码器对经预处理的血管图像进行下采样，

通过所述特征提取模块的解码器对经下采样的血管图像进行上采样；以及

通过分类网络模块基于上采样后的血管图像输出所述n个层的血管图像有无斑块的结果。

11.如权利要求10所述的血管斑块检测方法，其中，所述预处理包括窗框窗位调整和均值方差归一化。

12.如权利要求10所述的血管斑块检测方法，其中，所述编码器和所述解码器均包括一个或多个卷积块，所述编码器和所述解码器所包含的卷积块的数量相等，且所述卷积块包括一个或多个3D卷积层。

13.如权利要求12所述的血管斑块检测方法，其中，所述编码器的一个卷积块与所述解码器对应的卷积块之间具有跨层链接，

所述通过所述特征提取模块的解码器对经下采样的血管图像进行上采样包括：

在所述解码器的一个卷积块对血管图像进行上采样处理后，将所述卷积块上采样处理后的结果与所述编码器对应卷积块下采样处理前的数据进行联合处理，获得联合处理结果。

14.如权利要求10所述的血管斑块检测方法，其中，所述分类网络模块包括全局最大值获取单元和全连接层单元，

所述通过分类网络模块基于上采样后的血管图像数据输出所述n个层的血管图像有无斑块的结果包括：

通过所述全局最大值获取单元在所述n个层的血管图像的每个层中取全局最大值；以及

通过所述全连接层单元基于所述全局最大值获取单元输出的结果，计算并输出所述n个层有无斑块的结果。

15.如权利要求10所述的血管斑块检测方法，还包括：

对所述特征提取模块和所述分类网络模块进行神经网络训练。

16.如权利要求15所述的血管斑块检测方法，其中，所述对所述特征提取模块和所述分类网络模块进行神经网络训练包括：

通过所述分类网络模块基于样本标签和所述分类网络模块预测的所述n个层有无斑块的概率计算第一损失。

17.如权利要求16所述的血管斑块检测方法，其中，所述对所述特征提取模块和所述分类网络模块进行神经网络训练还包括：

通过分割网络模块对所述解码器输出的上采样结果进行处理，获得所述n个层图像中每个像素有无斑块的概率；以及

通过所述分割网络模块基于所预测的所述n个层图像中每个像素有无斑块的概率和标注的掩模图像信息计算第二损失。

18.如权利要求17所述的血管斑块检测方法，所述对所述特征提取模块和所述分类网络模块进行神经网络训练还包括：

通过总损失计算模块基于所述第一损失和所述第二损失计算总体损失。

19.一种电子设备，包括：

处理器；以及

存储器，存储有计算机指令，当所述计算机指令被所述处理器执行时，使得所述处理器执行权利要求10-18任一者所述的方法。

20.一种非瞬时性计算机存储介质，存储有计算机程序，当所述计算机程序被多个处理器执行时，使得所述处理器执行权利要求10-18任一者所述的方法。

Images