CN114359205B - 头颈血管分析方法、装置、存储介质及电子设备 - Google Patents

头颈血管分析方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN114359205B
CN114359205B CN202111643201.XA CN202111643201A CN114359205B CN 114359205 B CN114359205 B CN 114359205B CN 202111643201 A CN202111643201 A CN 202111643201A CN 114359205 B CN114359205 B CN 114359205B
Authority
CN
China
Prior art keywords
blood vessel
head
neck
image
segmentation
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
Application number
CN202111643201.XA
Other languages
English (en)
Other versions
CN114359205A (zh
Inventor
王瑜
张欢
王少康
陈宽
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.)
Infervision Medical Technology Co Ltd
Original Assignee
Infervision Medical Technology 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 Infervision Medical Technology Co Ltd filed Critical Infervision Medical Technology Co Ltd
Priority to CN202111643201.XA priority Critical patent/CN114359205B/zh
Publication of CN114359205A publication Critical patent/CN114359205A/zh
Application granted granted Critical
Publication of CN114359205B publication Critical patent/CN114359205B/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
    • G06N3/08—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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20081—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)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请提供了一种头颈血管分析方法、装置、存储介质及电子设备，涉及医学图像处理领域。该头颈血管分析方法包括：基于待分割头颈三维图像，确定待分割头颈三维图像对应的头颈血管分割图像和颅骨分割图像；利用包含稀疏卷积的血管分段模型，基于头颈血管分割图像和颅骨分割图像，确定头颈血管分段结果；基于头颈血管分段结果，对头颈血管进行分析。通过本申请中的技术方案，可获取精确的血管分段结果，进而在血管分段结果的基础上对头颈血管进行病变分析，有益于帮助医生进行及时的诊断。

Description

头颈血管分析方法、装置、存储介质及电子设备
技术领域
本申请涉及医学图像处理技术领域，具体涉及一种头颈血管分析方法、装置、存储介质及电子设备
背景技术
头颈血管是人体的关键部位，医生通过获取头颈部医学图像，可以分析一些病变。相关技术中，医生通过目测拍摄的头颈血管医学图像进行血管状况与病变情况的分析，但该方法主要依赖医生的经验与知识储备，主观性较强，且花费的时间较长。
后来，深度学习慢慢应用在医学辅助诊断领域，而将头颈血管从拍摄的头颈部医学图像中分割出来、其次进行血管分段，是准确且高效分析血管相关病变的前提。故头颈部医学图像分割效果和血管分段的准确性决定着头颈血管分析的效率和精度。
发明内容
为了解决上述技术问题，提出了本申请。本申请实施例提供了一种头颈血管分析方法、装置、存储介质及电子设备。
第一方面，本申请一实施例提供了一种头颈血管分析方法，包括：基于待分割头颈三维图像，确定待分割头颈三维图像对应的头颈血管分割图像和颅骨分割图像；利用包含稀疏卷积的血管分段模型，基于头颈血管分割图像和颅骨分割图像，确定头颈血管分段结果；基于头颈血管分段结果，对头颈血管进行分析。
结合第一方面，在第一方面的某些实现方式中，血管分段模型中包括第一卷积核和第二卷积核，第一卷积核和第二卷积核大小相同，卷积参数不同，其中，第一卷积核用于输入所述血管分段模型的图像的图像尺寸小于或等于预设图像尺寸阈值时的图像卷积操作，第二卷积核用于输入所述血管分段模型的图像的图像尺寸大于所述预设图像尺寸阈值时的图像卷积操作。
结合第一方面，在第一方面的某些实现方式中，头颈血管分割图像包含血管区域和非血管区域，利用包含稀疏卷积的血管分段模型，基于头颈血管分割图像和颅骨分割图像，确定头颈血管分段结果，包括：若头颈血管分割图像的尺寸小于或等于预设图像尺寸阈值，利用第一卷积核，计算头颈血管分割图像对应的血管区域的梯度数据；若头颈血管分割图像的尺寸大于预设图像尺寸阈值，利用第二卷积核，计算血管区域的梯度数据和头颈血管分割图像对应的非血管区域的梯度数据；基于血管区域的梯度数据和/或非血管区域的梯度数据、以及颅骨分割图像，确定头颈血管分段结果。
结合第一方面，在第一方面的某些实现方式中，基于待分割头颈三维图像，确定待分割头颈三维图像对应的头颈血管分割图像和颅骨分割图像，包括：基于待分割头颈三维图像，利用血管分割模型，确定待分割头颈三维图像对应的头颈血管三维图像；基于待分割头颈三维图像，利用颅骨分割模型，确定待分割头颈三维图像对应的颅骨三维图像；确定待分割头颈三维图像中的血管区域的L个血管修正点、以及颅骨区域的N个颅骨修正点，L和N均为正整数；基于L个血管修正点和N 个颅骨修正点，对头颈血管三维图像和颅骨三维图像进行修正，得到头颈血管分割图像和颅骨分割图像。
结合第一方面，在第一方面的某些实现方式中，血管分割模型包括第一血管分模型和第二血管分割模型，基于所分割头颈三维图像，利用血管分割模型，确定与待分割头颈三维图像对应的头颈血管三维图像，包括：利用第一血管分割模型，基于待分割头颈三维图像，确定与待分割头颈三维图像对应的第一分割头颈血管三维图像；确定第一分割头颈血管三维图像的M个种子点，基于M个种子点，进行区域生长，得到包含分割信息的第二分割头颈血管三维图像，M为正整数；确定与第二分割头颈血管三维图像对应的血管中心线；利用第二血管分割模型，基于第二分割头颈血管三维图像和血管中心线，确定头颈血管三维图像。
结合第一方面，在第一方面的某些实现方式中，头颈血管三维图像包含L个血管修正点，颅骨三维图像包含N个颅骨修正点，基于L个血管修正点和N个颅骨修正点，对头颈血管三维图像和颅骨三维图像进行修正，得到头颈血管分割图像和颅骨分割图像，包括：确定L个血管修正点各自的位置信息，基于L个血管修正点各自的位置信息，将头颈血管三维图像重叠于待分割头颈三维图像上；基于头颈血管三维图像和待分割头颈三维图像的重叠信息，对头颈血管三维图像进行修正，得到头颈血管分割图像；确定N个颅骨修正点各自的位置信息，基于N个颅骨修正点各自的位置信息，将颅骨三维图像重叠于待分割头颈三维图像上；基于颅骨三维图像和待分割头颈三维图像的重叠信息，对颅骨三维图像进行修正，得到颅骨分割图像。
结合第一方面，在第一方面的某些实现方式中，基于头颈血管分段结果，对头颈血管进行分析，包括：基于头颈血管分段结果，利用血管检测模型，分析头颈血管的支架位置信息、动脉瘤位置信息、斑块位置信息、以及狭窄程度；其中，分析头颈血管的狭窄程度，包括：获取头颈血管的斑块位置信息；利用中心线模型，基于斑块位置信息，获取与斑块位置信息对应的血管分段区域的血管管腔直径；基于斑块位置信息和与斑块位置信息对应的血管分段区域的血管管腔直径，确定狭窄程度。
第二方面，本申请一实施例提供了一种头颈血管分析装置，包括：第一确定模块，用于基于待分割头颈三维图像，确定待分割头颈三维图像对应的头颈血管分割图像和颅骨分割图像；第二确定模块，用于利用包含稀疏卷积的血管分段模型，基于头颈血管分割图像和颅骨分割图像，确定头颈血管分段结果；分析模块，用于基于头颈血管分段结果，对头颈血管进行分析。
第三方面，本申请一实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序用于执行上述第一方面提及的头颈血管分析方法。
第四方面，本申请一实施例提供了一种电子设备，该电子设备包括：处理器；用于存储处理器可执行指令的存储器；该处理器用于执行上述第一方面提及的头颈血管分析方法。
本申请实施例提供的头颈血管分析方法，首先获取与待分割头颈三维图像对应的头颈血管分割图像和颅骨分割图像，将头颈血管分割图像和颅骨分割图像输入到包含稀疏卷积的血管分段模型，可以根据实际情况进行血管区域或非血管区域的梯度计算，提高血管分段准确性，进而保证头颈血管分析的高效和精确。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1所示为本申请实施例所适用的一场景示意图。
图2所示为本申请一示例性实施例提供的头颈血管分析方法的流程示意图。
图3所示为本申请一实施例提供的基于头颈血管分割图像和颅骨分割图像，确定头颈血管分段结果的流程示意图。
图4所示为本申请一实施例提供的确定待分割头颈三维图像对应的头颈血管分割图像和颅骨分割图像的流程示意图。
图5所示为本申请一实施例提供的利用血管分割模型，确定与待分割头颈三维图像对应的头颈血管三维图像的流程示意图。
图6所示为本申请一实施例提供的对头颈血管三维图像和颅骨三维图像进行修正，得到头颈血管分割图像和颅骨分割图像的流程示意图。
图7所示为本申请一实施例提供的确定血管狭窄程度的流程示意图。
图8所示为本申请一实施例提供的头颈血管分析装置的结构示意图。
图9所示为本申请一实施例提供的电子设备的结构示意图。
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，所描述的实施例仅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，本领域普通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。
CT(Computed Tomography)，即电子计算机断层扫描，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查。
CT血管造影术即CT血管成像，是一种利用计算机三维重建方法合成的非创伤性血管造影术。它利用螺旋CT的快速扫描技术，在短时间内，即造影剂仍浓集于血管内时完成一定范围内的横断面扫描。将采集的图像资料送到图像工作站或CT 机的图像重建功能区进行图像重建。重建技术一般采用最大密度投影重建 (Maximum Intensity Projection，MIP)法或虚拟现实(Virtual Reality，VR)法，通过调整图像显示阈值即可得到只有连续清晰的血管影而无周围的组织结构影。如果选择合适的重建方法和显示阈值还可获得同时显示血管和组织结构的三维图像，并可利用计算机软件对其进行任意角度的观察和任意方向的切割。
深度学习(Deep Learning，DL)是机器学习的技术和研究领域之一，通过建立具有阶层结构的人工神经网络(Artifitial Neural Network，ANN)，在计算系统中实现人工智能。由于阶层ANN能够对输入信息进行逐层提取和筛选，因此深度学习具有表征学习能力，可以实现端到端的监督学习和非监督学习。深度学习所使用的阶层ANN具有多种形态，其阶层的复杂度被通称为“深度”，按构筑类型，深度学习的形式包括多层感知器、卷积神经网络、循环神经网络、深度置信网络和其它混合构筑。深度学习使用数据对其构筑中的参数进行更新以达成训练目标，该过程被通称为“学习”，学习的常见方法为梯度下降法及其变体，一些统计学习理论被用于学习过程的优化。在应用方面，深度学习被用于对复杂结构和大样本的高维数据进行学习，按研究领域包括计算机视觉、自然语言处理、生物信息学、自动控制等，且在人像识别、机器翻译、自动驾驶等现实问题中取得了成功。
图像分割包括语义分割和实例分割，前者是对背景分离的拓展，要求分离开具有不同语义的图像部分，而后者是检测任务的拓展，要求描述出目标的轮廓。分割是对图像的像素级描述，它赋予每个像素类别意义，适用于理解要求较高的场景，如无人驾驶中对道路和非道路的分割。
目前，有一些商用冠脉造影定量分析软件上市，在使用时，医生选取血管清晰的造影图像，勾画病变血管的中心线或轮廓，分析软件可自动分析血管病变的定量参数，医生据此导出诊断结果，并撰写诊断报告。但该方法需要选取待分析血管、勾画血管中心线或轮廓、人工确定血管分段，操作复杂、需要花费大量时间，且对疾病的诊断主要依赖医生的经验和主观认识。
图1所示为本申请实施例所适用的一场景示意图。该场景包括CT扫描仪110，服务器120和计算机设备130。计算机设备130可以从CT扫描仪110处获取CT 图像，同时计算机设备130和服务器120之间通过通信网络连接。可选地，通信网络是有线网络或无线网络。
CT扫描仪110用于对头颈部进行X线扫描，得到待分割头颈三维图像。
计算机设备130可以是通用性计算机或者由专用的集成电路组成的计算机装置等，本申请实施例对此不做限定。例如，计算机设备130可以是平板电脑等移动终端设备、也可以是个人计算机。本领域技术人员可以知晓，上述计算机设备130的数量可以为一个或多个，其类型可以相同或不同。如上述计算机设备130可以为一个，或者上述计算机设备130为几十个或几百个，或者更多数量。本申请实施例对计算机设备130的数量和类型不做限定。
在一实施例中，计算机设备130中可以部署有血管分割模型、颅骨分割模型、血管分段模型和检测模型。计算机设备130可以利用其上部署的血管分割模型、颅骨分割模型、血管分段模型和检测模型，将其从CT扫描仪110获取的待分割头颈三维图像进行头颈血管分割和颅骨分割，从而得到与待分割头颈血管三维图像对应的头颈血管分割结果和颅骨分割结果，基于头颈血管分割结果和颅骨分割结果对头颈血管进行分段，并基于头颈血管分段结果对头颈血管进行检测、分析病变信息。
服务器120是一台服务器，或者由若干台服务器组成，或者是一个虚拟化平台，或者是一个云计算服务中心。
在一些实施例中，计算机设备130将其从CT扫描仪110获取到的待分割头颈三维图像发送给服务器110，服务器110利用计算机设备130上部署的血管分割模型、颅骨分割模型、血管分段模型和检测模型，得到与待分割头颈三维图像对应的头颈血管分析结果。
图2所示为本申请一示例性实施例提供的头颈血管分析方法的流程示意图。如图2所示，本申请实施例提供的头颈血管分析方法包括如下步骤。
步骤10，基于待分割头颈三维图像，确定待分割头颈三维图像对应的头颈血管分割图像和颅骨分割图像。
具体地，具体地，待分割头颈三维图像可以为电子计算机断层成像(ComputedTomography，CT)、核磁共振成像(Magnetic Resonance Imaging，MRI)、计算机放射成像(Computed Radiography，CR)或数字放射成像(Digital radiography，DR) 等医学图像，本申请对此不作具体限定。
在本申请实施例中，待分割头颈三维图像为待分割头颈计算机断层摄影动脉造影术(Computed Tomography arteriography，CTA)图像序列。
根据待分割头颈三维图像，确定与待分割头颈三维图像对应的头颈血管分割图像和颅骨分割图像，相应地，头颈血管分割图像和颅骨分割图像也是三维图像。头颈血管分割图像和颅骨分割图像与待分割头颈三维图像具有相同的分辨率，因此颅骨分割图像上的每个像素的位置与头颈血管分割图像中的像素位置是一一对应的。
步骤20，利用包含稀疏卷积的血管分段模型，基于头颈血管分割图像和颅骨分割图像，确定头颈血管分段结果。
具体地，卷积神经网络对于二维图像信号处理非常有效，但对于三维图像信号，额外的维数Z显著增加了计算量。此外，与普通图像不同的是，大多数三维点云的体素是空的，这使得三维体素中的点云数据通常是稀疏信号。故针对本申请中的三维的头颈血管分割图像和颅骨分割图像，提出了包含稀疏卷积的血管分段模型。在利用血管分段模型进行血管分段时，可以有效地计算稀疏数据的卷积，而不是扫描所有图像的图像像素或空间体素。
将头颈血管分割图像和颅骨分割图像输入包含稀疏卷积的血管分段模型，血管分段模型输出头颈血管的分段结果。
步骤30，基于头颈血管分段结果，对头颈血管进行分析。
具体地，在血管分段结果的基础上，对头颈血管进行分析，具体包括血管支架检测、动脉瘤检测、斑块检测、狭窄程度检测等等。
可以理解，对头颈血管分析还可以包括除上述列出的关于血管病变检测的其他方面，本领域技术人员可根据具体情况对头颈血管进行分析。
通过本实施例中的技术方案，在对头颈血管进行分段时，利用包含稀疏卷积的血管分段模型，减少了血管分段时的血管分段模型的计算量，提高了血管分段的效率。此外，利用头颈血管分割图像和颅骨分割图像相互修正，进行血管分段，可得到更精确的血管分段结果，也有利于进一步的分析血管病变。
在一些实施例中，血管分段模型中包括第一卷积核和第二卷积核，第一卷积核和第二卷积核大小相同，卷积参数不同，其中，第一卷积核用于输入血管分段模型的图像的图像尺寸小于或等于预设图像尺寸阈值时的图像卷积操作，第二卷积核用于输入血管分段模型的图像的图像尺寸大于预设图像尺寸阈值时的图像卷积操作。
具体地，第一卷积核和第二卷积核的大小相同，示例性地，第一卷积核和第二卷积核的大小都是3×3，或者第一卷积核和第二卷积核的大小都是5×5。本申请实施例对第一卷积核和第二卷积核的具体大小不做具体限定，本领域技术人员可根据实际情况选择第一卷积核和第二卷积核的大小。
进一步地，第一卷积核和第二卷积核的卷积参数不同，不同卷积参数的卷积核用于不同尺寸图像的卷积操作。
通过本实施例中的技术方案，设计了两种卷积核，根据输入血管分段模型的图像的尺寸，选择对应的卷积核进行卷积操作，解决了因图像显存问题、血管分段模型只会对血管区域进行梯度计算，或者需将血管分段模型中的输入图像缩小到较小尺寸才能进行血管分段的问题。
图3所示为本申请一实施例提供的基于头颈血管分割图像和颅骨分割图像，确定头颈血管分段结果的流程示意图。在图2所示实施例的基础上延伸出图3所示实施例，下面着重叙述图3所示实施例与图2所示实施例的不同之处，相同之处不再赘述。
如图3所示，利用包含稀疏卷积的血管分段模型，基于头颈血管分割图像和颅骨分割图像，确定头颈血管分段结果步骤，包括如下步骤。
步骤21，判断头颈血管分割图像的尺寸是否大于预设图像尺寸阈值。
具体地，预设图像尺寸阈值可以根据实际情况设置，以提高本申请实施例提供的头颈血管分析方法的适应性，本申请实施例对此不作进一步的限定。
示例性地，在实际应用过程中，若步骤21的判断结果为否，即头颈血管分割图像的尺寸小于或等于预设图像尺寸阈值，则执行步骤22，若步骤21的判断结果为是，即头颈血管分割图像的尺寸大于预设图像尺寸阈值，则执行步骤23。
步骤22，利用第一卷积核，计算头颈血管分割图像对应的血管区域的梯度数据。
具体地，头颈血管分割图像为三维图像，包括血管区域和非血管区域。
血管区域的梯度数据包括血管区域的密度梯度数据。利用第一卷积核，提取头颈血管分割图像对应的血管区域的密度梯度数据。
步骤23，利用第二卷积核，计算血管区域的梯度数据和头颈血管分割图像对应的非血管区域的梯度数据。
具体地，利用第二卷积核，提取头颈血管分割图像对应的血管区域和非血管区域的密度梯度数据。
步骤24，基于血管区域的梯度数据和/或非血管区域的梯度数据、以及颅骨分割图像，确定头颈血管分段结果。
具体地，当头颈血管分割图像小于或等于预设图像尺寸阈值时，利用头颈血管分割图像对应的血管区域的密度梯度数据，获取血管区域的第一分段结果。当头颈血管分割图像大于预设图像尺寸阈值时，利用头颈血管分割图像对应的血管区域的密度梯度数据和非血管区域的密度梯度数据，获取血管区域的第一分段结果，其中非血管区域的密度梯度数据是为了辅助血管区域的密度梯度数据，获取更精确的血管区域的粗分段结果。
进一步地，在颅骨分割图像上确定P个特征点，并记录P个特征点的位置信息，将P个特征点的位置信息映射到血管区域的粗分段结果中，基于血管区域的粗分段结果中的P个特征点的位置信息，修正血管区域的粗分段结果，得到更精确的头颈血管分段结果。
通过本实施例中的技术方案，可以根据输入到血管分段模型的图像的大小选择不同的卷积核进行卷积操作，减少了服务器的计算量，提高了血管分段效率。通过颅骨分割图像上的P个特征点，对血管区域的粗分段结果进行修正，得到更精确的头颈血管分段结果，可以辅助医生对病人的血管病变做出更精准的判断。
图4所示为本申请一实施例提供的确定待分割头颈三维图像对应的头颈血管分割图像和颅骨分割图像的流程示意图。在图2所示实施例的基础上延伸出图4所示实施例，下面着重叙述图4所示实施例与图2所示实施例的不同之处，相同之处不再赘述。
如图4所示，基于待分割头颈三维图像，确定待分割头颈三维图像对应的头颈血管分割图像和颅骨分割图像步骤，包括如下步骤。
步骤11，基于待分割头颈三维图像，利用血管分割模型，确定待分割头颈三维图像对应的头颈血管三维图像。
具体地，血管分割模型是基于卷积神经网络构建的，血管分割模型被训练为对待分割头颈三维图像中的每个像素或体素进行分类，以得到与待分割头颈三维图像对应的头颈血管三维图像。
进一步地，将待分割头颈三维图像输入血管分割模型，血管分割模型输出对应的头颈血管三维图像。
步骤12，基于待分割头颈三维图像，利用颅骨分割模型，确定待分割头颈三维图像对应的颅骨三维图像。
相同地，颅骨分割模型也是基于卷积神经网络构建的，颅骨分割模型被训练为对待分割头颈三维图像中的每个像素或体素进行分类，以得到与待分割头颈三维图像对应的颅骨分割图像，即待分割头颈三维图像中的骨头区域。
在本实施例中，颅骨分割模型指ResUnet网络。
步骤13，确定待分割头颈三维图像中的血管区域的L个血管修正点、以及颅骨区域的N个颅骨修正点。
具体地，待分割头颈三维图像在输入到血管分割模型和颅骨分割模型之前，分别在血管区域标记了L个血管修正点，并记录L个血管修正点各自的位置信息，在颅骨区域标记了N个颅骨修正点，并记录N个颅骨修正点各自的位置信息。
步骤14，基于L个血管修正点和N个颅骨修正点，对头颈血管三维图像和颅骨三维图像进行修正，得到头颈血管分割图像和颅骨分割图像。
相应地，待分割头颈三维图像上所标记的L个血管修正点会同步到头颈血管三维图像，N个颅骨修正点会同步到颅骨三维图像。
根据头颈血管三维图像上的L个血管修正点，对头颈血管三维图像进行修正，得到头颈血管分割图像。根据颅骨三维图像上的N个颅骨修正点，对颅骨三维图像进行修正，得到颅骨分割图像。
通过本申请实施例中的技术方案，在头颈血管三维图像和颅骨三维图像的基础上，又利用血管修正点和颅骨修正点对头颈三维图像和颅骨三维图像进行修正，得到更为精确的头颈血管分割图像和颅骨分割图像，以便获得更准确地血管分段结果。
图5所示为本申请一实施例提供的利用血管分割模型，确定与待分割头颈三维图像对应的头颈血管三维图像的流程示意图。在图4所示实施例的基础上延伸出图 5所示实施例，下面着重叙述图5所示实施例与图4所示实施例的不同之处，相同之处不再赘述。
如图5所示，基于所分割头颈三维图像，利用血管分割模型，确定与待分割头颈三维图像对应的头颈血管三维图像步骤，包括如下步骤。
步骤111，利用第一血管分割模型，基于待分割头颈三维图像，确定与待分割头颈三维图像对应的第一分割头颈血管三维图像。
具体地，第一血管分割模型指ResUnetMC网络。将待分割头颈三维图像输入ResUnetMC网络中，ResUnetMC网络输出对应的第一分割头颈血管三维图像。
步骤112，确定第一分割头颈血管三维图像的M个种子点，基于M个种子点，进行区域生长，得到包含分割信息的第二分割头颈血管三维图像。
具体地，将第一待分割头颈血管三维图像输入种子生成模型SCnet中，种子生成模型输出与第一待分割头颈血管三维图像对应的M个种子点。
预先确定一个生长准则，将满足生长准则的每个种子点像素周围邻域中与种子像素具有相同或相似性质的像素合并到种子像素所在的区域，将这些新像素当做新的种子像素继续进行生长，直至没有满足条件的像素被包括进来，得到包含分割信息的第二分割头颈血管三维图像。
步骤113，确定与第二分割头颈血管三维图像对应的血管中心线。
具体地址，利用SkResNeXt3DWHint网络确定与第二待分割头颈血管三维图像对应的血管中心线。
步骤114，利用第二血管分割模型，基于第二分割头颈血管三维图像和血管中心线，确定头颈血管三维图像。
具体地，第二血管分割模型指SkSegNetwork网络。SkSegNetwork网络的分割精度比ResUnetMC网络高。
进一步地，在垂直于血管中心线的方向对第二分割头颈血管三维图像进行切块，得到若干头颈血管图像块，将若干头颈血管图像块输入SkSegNetwork网络， SkSegNetwork网络输出对应的精分割头颈血管图像块。将所有的精分割头颈血管图像块按切块时的位置信息重建，得到头颈血管三维图像。
通过本实施例中的技术方案，对待分割头颈三维图像进行了两次分割，获得了更为准确的头颈血管三维图像，而准确的头颈血管三维图像是血管分段的基础，故本申请实施例中的技术方案也进一步提高了血管分段结果的准确性。
图6所示为本申请一实施例提供的对头颈血管三维图像和颅骨三维图像进行修正，得到头颈血管分割图像和颅骨分割图像的流程示意图。在图4所示实施例的基础上延伸出图6所示实施例，下面着重叙述图6所示实施例与图4所示实施例的不同之处，相同之处不再赘述。
如图6所示，基于L个血管修正点和N个颅骨修正点，对头颈血管三维图像和颅骨三维图像进行修正，得到头颈血管分割图像和颅骨分割图像步骤，包括如下步骤。
步骤141，确定L个血管修正点各自的位置信息，基于L个血管修正点各自的位置信息，将头颈血管三维图像重叠于待分割头颈三维图像上。
具体地，将头颈血管三维图像上的L个血管修正点与待分割头颈三维图像上的 L个血管修正点一一对应，将头颈血管三维图像重叠于待分割头颈三维图像上。
步骤142，基于头颈血管三维图像和待分割头颈三维图像的重叠信息，对头颈血管三维图像进行修正，得到头颈血管分割图像。
具体地，若头颈血管三维图像的血管区域与待分割头颈三维图像中的血管区域不一致，调整头颈血管三维图像中的血管区域边界，直至其与待分割头颈三维图像中的血管区域边界一致。基于调整结果，得到头颈血管分割图像。
步骤143，确定N个颅骨修正点各自的位置信息，基于N个颅骨修正点各自的位置信息，将颅骨三维图像重叠于待分割头颈三维图像上。
相应地，将颅骨三维图像上的N个颅骨修正点与待分割头颈三维图像上的N 个颅骨修正点一一对应，将颅骨三维图像重叠于待分割头颈三维图像上。
步骤144，基于颅骨三维图像和待分割头颈三维图像的重叠信息，对颅骨三维图像进行修正，得到颅骨分割图像。
具体地，若颅骨三维图像的颅骨区域与待分割头颈三维图像中的颅骨区域不一致，调整颅骨三维图像中的颅骨区域边界，直至其与待分割头颈三维图像中的颅骨区域边界一致。基于调整结果，得到颅骨分割图像。
通过本实施例中的技术方案，在头颈三维图像和颅骨三维图像的基础上，利用 L个血管修正点和N个颅骨修正点，对头颈三维图像和颅骨三维图像进行相应的调整，获得头颈血管分割图像和颅骨分割图像，进一步提高了所获得的头颈血管分割图像和颅骨分割图像的精确度。
在一些实施例中，基于头颈血管分段结果，对头颈血管进行分析，包括：基于头颈血管分段结果，利用血管检测模型，分析头颈血管的支架位置信息、动脉瘤位置信息、斑块位置信息、以及狭窄程度。
具体地，基于血管分段结果，利用检测模型，得到头颈血管对应的支架区域和支架位置信息。利用检测模型，得到头颈血管对应的动脉瘤区域和动脉瘤的位置信息。利用检测模型，得到头颈血管对应的斑块区域和斑块的位置信息。利用斑块的位置信息、以及斑块位置处的血管管腔直径，确定狭窄程度。
图7所示为本申请一实施例提供的确定血管狭窄程度的流程示意图。在图1所示实施例的基础上延伸出图7所示实施例，下面着重叙述图7所示实施例与图1所示实施例的不同之处，相同之处不再赘述。
如图7所示，分析头颈血管的狭窄程度步骤，包括如下步骤。
步骤31，获取头颈血管的斑块位置信息。
具体地，基于头颈血管分段结果、利用检测网络，可以获得斑块的位置信息。
步骤32，利用中心线模型，基于斑块位置信息，获取与斑块位置信息对应的血管分段区域的血管管腔直径。
具体地，根据斑块的位置信息，确定与斑块位置信息对应的血管分段区域的中心线、以及中心线的位置数据。基于中心线的位置数据确定与斑块位置信息对应的血管分段区域的血管管腔直径，该血管管腔直径为原始血管直径。
步骤33，基于斑块位置信息和与斑块位置信息对应的血管分段区域的血管管腔直径，确定狭窄程度。
具体地，根据斑块的位置信息，确定血管分段区域中斑块位置处的血管管腔直径，该血管管腔直径为实际血管直径。
基于原始血管直径和实际血管直径，计算得到血管狭窄率，根据血管狭窄率确定狭窄程度。
通过本实施例中的技术方案，基于血管分段结果，可以简单、快捷、准确地计算出血管的狭窄率，便于医生进行病情诊断。
上文结合图2至图7，详细描述了本申请的头颈血管分析方法实施例，下面结合图8，详细描述本申请的头颈血管分析装置实施例。应理解，头颈血管分析方法实施例的描述与头颈血管分析装置实施例的描述相互对应，因此，未详细描述的部分可以参见前面方法实施例。
图8所示为本申请一实施例提供的头颈血管分析装置的结构示意图。如图8所示，本申请实施例提供的头颈血管分析装置包括：
第一确定模块100，用于基于待分割头颈三维图像，确定待分割头颈三维图像对应的头颈血管分割图像和颅骨分割图像；
第二确定模块200，用于利用包含稀疏卷积的血管分段模型，基于头颈血管分割图像和颅骨分割图像，确定头颈血管分段结果；
分析模块300，用于基于头颈血管分段结果，对头颈血管进行分析。
在本申请一实施例中，血管分段模型中包括第一卷积核和第二卷积核，第一卷积核和第二卷积核大小相同，卷积参数不同，其中，第一卷积核用于输入所述血管分段模型的图像的图像尺寸小于或等于预设图像尺寸阈值时的图像卷积操作，第二卷积核用于输入所述血管分段模型的图像的图像尺寸大于所述预设图像尺寸阈值时的图像卷积操作。
在本申请一实施例中，第二确定模块200还用于若头颈血管分割图像的尺寸小于或等于预设图像尺寸阈值，利用第一卷积核，计算头颈血管分割图像对应的血管区域的梯度数据；若头颈血管分割图像的尺寸大于预设图像尺寸阈值，利用第二卷积核，计算血管区域的梯度数据和头颈血管分割图像对应的非血管区域的梯度数据；基于血管区域的梯度数据和/或非血管区域的梯度数据、以及颅骨分割图像，确定头颈血管分段结果。
在本申请一实施例中，第一确定模块100还用于基于待分割头颈三维图像，利用血管分割模型，确定待分割头颈三维图像对应的头颈血管三维图像；基于待分割头颈三维图像，利用颅骨分割模型，确定待分割头颈三维图像对应的颅骨三维图像；确定待分割头颈三维图像中的血管区域的L个血管修正点、以及颅骨区域的N个颅骨修正点，L和N均为正整数；基于L个血管修正点和N个颅骨修正点，对头颈血管三维图像和颅骨三维图像进行修正，得到头颈血管分割图像和颅骨分割图像。
在本申请一实施例中，第一确定模块100还用于利用第一血管分割模型，基于待分割头颈三维图像，确定与待分割头颈三维图像对应的第一分割头颈血管三维图像；确定第一分割头颈血管三维图像的M个种子点，基于M个种子点，进行区域生长，得到包含分割信息的第二分割头颈血管三维图像，M为正整数；确定与第二分割头颈血管三维图像对应的血管中心线；利用第二血管分割模型，基于第二分割头颈血管三维图像和血管中心线，确定头颈血管三维图像。
在本申请一实施例中，第一确定模块100还用于确定L个血管修正点各自的位置信息，基于L个血管修正点各自的位置信息，将头颈血管三维图像重叠于待分割头颈三维图像上；基于头颈血管三维图像和待分割头颈三维图像的重叠信息，对头颈血管三维图像进行修正，得到头颈血管分割图像；确定N个颅骨修正点各自的位置信息，基于N个颅骨修正点各自的位置信息，将颅骨三维图像重叠于待分割头颈三维图像上；基于颅骨三维图像和待分割头颈三维图像的重叠信息，对颅骨三维图像进行修正，得到颅骨分割图像。
在本申请一实施例中，分析模块300还用于基于头颈血管分段结果，利用血管检测模型，分析头颈血管的支架位置信息、动脉瘤位置信息、斑块位置信息、以及狭窄程度；其中，分析头颈血管的狭窄程度，包括：获取头颈血管的斑块位置信息；利用中心线模型，基于斑块位置信息，获取与斑块位置信息对应的血管分段区域的血管管腔直径；基于斑块位置信息和与斑块位置信息对应的血管分段区域的血管管腔直径，确定狭窄程度。
应当理解，图8提供的头颈血管分析装置中的第一确定模块100、第二确定模块200、分析模块300的操作和功能可以参考上述图2至图7提供的头颈血管分析方法，为了避免重复，在此不再赘述。
图9所示为本申请一实施例提供的电子设备的结构示意图。
如图9所示，电子设备70包括一个或多个处理器701和存储器702。
处理器701可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备70中的其他组件以执行期望的功能。
存储器702可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache) 等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器701可以运行所述程序指令，以实现上文所述的本申请的各个实施例的头颈血管分析方法以及 /或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如包括待分割头颈三维图像、头颈血管分割图像和颅骨分割图像等各种内容。
在一个示例中，电子设备70还可以包括：输入装置703和输出装置704，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置703可以包括例如键盘、鼠标等等。
该输出装置704可以向外部输出各种信息，包括待分割头颈三维图像、头颈血管分割图像和颅骨分割图像等。该输出装置704可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图9中仅示出了该电子设备70中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备70还可以包括任何其他适当的组件。
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述描述的根据本申请各种实施例的头颈血管分析方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述描述的根据本申请各种实施例的头颈血管分析方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (8)

1.一种头颈血管分析方法，其特征在于，包括：
基于待分割头颈三维图像，确定所述待分割头颈三维图像对应的头颈血管分割图像和颅骨分割图像；
利用包含稀疏卷积的血管分段模型，基于所述头颈血管分割图像和所述颅骨分割图像，确定头颈血管分段结果；
基于所述头颈血管分段结果，对头颈血管进行分析；
其中，血管分段模型中包括第一卷积核和第二卷积核，所述第一卷积核和所述第二卷积核大小相同，卷积参数不同，其中，所述第一卷积核用于输入所述血管分段模型的图像的图像尺寸小于或等于预设图像尺寸阈值时的图像卷积操作，所述第二卷积核用于输入所述血管分段模型的图像的图像尺寸大于所述预设图像尺寸阈值时的图像卷积操作；
其中，所述头颈血管分割图像包含血管区域和非血管区域，所述利用包含稀疏卷积的血管分段模型，基于所述头颈血管分割图像和所述颅骨分割图像，确定头颈血管分段结果，包括：
若所述头颈血管分割图像的尺寸小于或等于所述预设图像尺寸阈值，利用所述第一卷积核，计算所述头颈血管分割图像对应的所述血管区域的梯度数据；
若所述头颈血管分割图像的尺寸大于所述预设图像尺寸阈值，利用所述第二卷积核，计算所述血管区域的梯度数据和所述头颈血管分割图像对应的所述非血管区域的梯度数据；
基于所述血管区域的梯度数据和/或所述非血管区域的梯度数据、以及所述颅骨分割图像，确定所述头颈血管分段结果。
2.根据权利要求1所述的头颈血管分析方法，其特征在于，所述基于待分割头颈三维图像，确定所述待分割头颈三维图像对应的头颈血管分割图像和颅骨分割图像，包括：
基于所述待分割头颈三维图像，利用血管分割模型，确定所述待分割头颈三维图像对应的头颈血管三维图像；
基于所述待分割头颈三维图像，利用颅骨分割模型，确定所述待分割头颈三维图像对应的颅骨三维图像；
确定所述待分割头颈三维图像中的血管区域的L个血管修正点、以及颅骨区域的N个颅骨修正点，L和N均为正整数；
基于所述L个血管修正点和所述N个颅骨修正点，对所述头颈血管三维图像和所述颅骨三维图像进行修正，得到所述头颈血管分割图像和所述颅骨分割图像。
3.根据权利要求2所述的头颈血管分析方法，其特征在于，所述血管分割模型包括第一血管分割 模型和第二血管分割模型，所述基于所述待分割头颈三维图像，利用血管分割模型，确定与所述待分割头颈三维图像对应的头颈血管三维图像，包括：
利用所述第一血管分割模型，基于所述待分割头颈三维图像，确定与所述待分割头颈三维图像对应的第一分割头颈血管三维图像；
确定所述第一分割头颈血管三维图像的M个种子点，基于所述M个种子点，进行区域生长，得到包含分割信息的第二分割头颈血管三维图像，M为正整数；
确定与所述第二分割头颈血管三维图像对应的血管中心线；
利用第二血管分割模型，基于所述第二分割头颈血管三维图像和所述血管中心线，确定所述头颈血管三维图像。
4.根据权利要求2所述的头颈血管分析方法，其特征在于，所述头颈血管三维图像包含所述L个血管修正点，所述颅骨三维图像包含所述N个颅骨修正点，所述基于所述L个血管修正点和所述N个颅骨修正点，对所述头颈血管三维图像和所述颅骨三维图像进行修正，得到头颈血管分割图像和颅骨分割图像，包括：
确定所述L个血管修正点各自的位置信息，基于所述L个血管修正点各自的位置信息，将所述头颈血管三维图像重叠于所述待分割头颈三维图像上；
基于所述头颈血管三维图像和所述待分割头颈三维图像的重叠信息，对所述头颈血管三维图像进行修正，得到所述头颈血管分割图像；
确定所述N个颅骨修正点各自的位置信息，基于所述N个颅骨修正点各自的位置信息，将所述颅骨三维图像重叠于所述待分割头颈三维图像上；
基于所述颅骨三维图像和所述待分割头颈三维图像的重叠信息，对所述颅骨三维图像进行修正，得到所述颅骨分割图像。
5.根据权利要求1至4任一项所述的头颈血管分析方法，其特征在于，所述基于所述头颈血管分段结果，对头颈血管进行分析，包括：
基于所述头颈血管分段结果，利用血管检测模型，分析所述头颈血管的支架位置信息、动脉瘤位置信息、斑块位置信息、以及狭窄程度；
其中，分析所述头颈血管的所述狭窄程度，包括：
获取所述头颈血管的所述斑块位置信息；
利用中心线模型，基于所述斑块位置信息，获取与所述斑块位置信息对应的血管分段区域的血管管腔直径；
基于所述斑块位置信息和所述与所述斑块位置信息对应的血管分段区域的血管管腔直径，确定所述狭窄程度。
6.一种头颈血管分析装置，其特征在于，包括：
第一确定模块，用于基于待分割头颈三维图像，确定所述待分割头颈三维图像对应的头颈血管分割图像和颅骨分割图像；
第二确定模块，用于利用包含稀疏卷积的血管分段模型，基于所述头颈血管分割图像和所述颅骨分割图像，确定头颈血管分段结果，其中，血管分段模型中包括第一卷积核和第二卷积核，所述第一卷积核和所述第二卷积核大小相同，卷积参数不同，其中，所述第一卷积核用于输入所述血管分段模型的图像的图像尺寸小于或等于预设图像尺寸阈值时的图像卷积操作，所述第二卷积核用于输入所述血管分段模型的图像的图像尺寸大于所述预设图像尺寸阈值时的图像卷积操作；
其中，所述头颈血管分割图像包含血管区域和非血管区域，所述利用包含稀疏卷积的血管分段模型，基于所述头颈血管分割图像和所述颅骨分割图像，确定头颈血管分段结果，包括：
若所述头颈血管分割图像的尺寸小于或等于所述预设图像尺寸阈值，利用所述第一卷积核，计算所述头颈血管分割图像对应的所述血管区域的梯度数据；
若所述头颈血管分割图像的尺寸大于所述预设图像尺寸阈值，利用所述第二卷积核，计算所述血管区域的梯度数据和所述头颈血管分割图像对应的所述非血管区域的梯度数据；
基于所述血管区域的梯度数据和/或所述非血管区域的梯度数据、以及所述颅骨分割图像，确定所述头颈血管分段结果；
分析模块，用于基于所述头颈血管分段结果，对头颈血管进行分析。
7.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1至5任一项所述的头颈血管分析方法。
8.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于执行上述权利要求1至5任一项所述的头颈血管分析方法。
CN202111643201.XA 2021-12-29 2021-12-29 头颈血管分析方法、装置、存储介质及电子设备 Active CN114359205B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111643201.XA CN114359205B (zh) 2021-12-29 2021-12-29 头颈血管分析方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111643201.XA CN114359205B (zh) 2021-12-29 2021-12-29 头颈血管分析方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN114359205A CN114359205A (zh) 2022-04-15
CN114359205B true CN114359205B (zh) 2022-11-01

Family

ID=81103381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111643201.XA Active CN114359205B (zh) 2021-12-29 2021-12-29 头颈血管分析方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN114359205B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115035145B (zh) * 2022-05-05 2023-07-04 深圳市铱硙医疗科技有限公司 血管及骨骼的分割方法、装置、计算机设备及存储介质
CN114723739B (zh) * 2022-05-09 2023-07-21 深圳市铱硙医疗科技有限公司 一种基于cta影像的血管分段模型训练数据标注方法及装置
CN114708259B (zh) * 2022-05-24 2022-08-16 深圳市铱硙医疗科技有限公司 基于cta的头颈血管狭窄检测方法、装置、设备及介质
CN118154616A (zh) * 2024-05-13 2024-06-07 瀚依科技(杭州)有限公司 血管分段路径提取方法及装置、电子设备和存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036521A (zh) * 2014-07-03 2014-09-10 重庆大学 一种新的视网膜眼底图像分割方法
CN104398271A (zh) * 2014-11-14 2015-03-11 西安交通大学 血管与斑块的三维力学及组织特性成像检测方法
CN105167798A (zh) * 2015-10-21 2015-12-23 穆亚平 一种冠状动脉cta影像中提取血管方法
CN107563983A (zh) * 2017-09-28 2018-01-09 上海联影医疗科技有限公司 图像处理方法以及医学成像设备
CN110706246A (zh) * 2019-10-15 2020-01-17 上海微创医疗器械（集团）有限公司 一种血管图像分割方法、装置、电子设备和存储介质
CN110827283A (zh) * 2019-10-28 2020-02-21 北京深睿博联科技有限责任公司 基于卷积神经网络的头颈血管分割方法及装置
CN112529839A (zh) * 2020-11-05 2021-03-19 西安交通大学 一种核磁共振图像中颈动脉血管中心线的提取方法及系统
CN112862833A (zh) * 2020-12-31 2021-05-28 上海联影智能医疗科技有限公司 血管分段方法、电子装置和存储介质
CN113160120A (zh) * 2021-02-05 2021-07-23 十堰市太和医院 基于多模态融合与深度学习的肝脏血管分割方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7990379B2 (en) * 2006-10-25 2011-08-02 Siemens Aktiengesellschaft System and method for coronary segmentation and visualization
US10068340B2 (en) * 2014-11-03 2018-09-04 Algotec Systems Ltd. Method for segmentation of the head-neck arteries, brain and skull in medical images
CN106651846B (zh) * 2016-12-20 2019-07-12 中南大学湘雅医院 视网膜血管图像的分割方法
US11020076B2 (en) * 2019-07-10 2021-06-01 International Business Machines Corporation Vascular dissection detection and visualization using a density profile
CN113223015A (zh) * 2021-05-11 2021-08-06 清华大学 血管壁图像分割方法、装置、计算机设备和存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036521A (zh) * 2014-07-03 2014-09-10 重庆大学 一种新的视网膜眼底图像分割方法
CN104398271A (zh) * 2014-11-14 2015-03-11 西安交通大学 血管与斑块的三维力学及组织特性成像检测方法
CN105167798A (zh) * 2015-10-21 2015-12-23 穆亚平 一种冠状动脉cta影像中提取血管方法
CN107563983A (zh) * 2017-09-28 2018-01-09 上海联影医疗科技有限公司 图像处理方法以及医学成像设备
CN110706246A (zh) * 2019-10-15 2020-01-17 上海微创医疗器械（集团）有限公司 一种血管图像分割方法、装置、电子设备和存储介质
CN110827283A (zh) * 2019-10-28 2020-02-21 北京深睿博联科技有限责任公司 基于卷积神经网络的头颈血管分割方法及装置
CN112529839A (zh) * 2020-11-05 2021-03-19 西安交通大学 一种核磁共振图像中颈动脉血管中心线的提取方法及系统
CN112862833A (zh) * 2020-12-31 2021-05-28 上海联影智能医疗科技有限公司 血管分段方法、电子装置和存储介质
CN113160120A (zh) * 2021-02-05 2021-07-23 十堰市太和医院 基于多模态融合与深度学习的肝脏血管分割方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
2D/3D冠状动脉血管分割与配准方法研究;李致勋;《中国优秀硕士学位论文全文数据库》;20190115;全文 *
Rapid vessel segmentation and reconstruction of head and neck angiograms using 3D convolutional neural network;Fan Fu et al;《Nature Communications》;20200924;全文 *
冠状动脉血管造型图像三维分割方法;刘昊等;《中国医学物理学杂志》;20210731;全文 *

Also Published As

Publication number Publication date
CN114359205A (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN114359205B (zh) 头颈血管分析方法、装置、存储介质及电子设备
US11379975B2 (en) Classification and 3D modelling of 3D dento-maxillofacial structures using deep learning methods
CN111008984B (zh) 医学影像中正常器官的轮廓线自动勾画方法
WO2022037696A1 (zh) 基于深度学习的骨骼分割方法和系统
US12067724B2 (en) Method and system for image segmentation and identification
EP3432215B1 (en) Automated measurement based on deep learning
US10825149B2 (en) Defective pixel correction using adversarial networks
JP2005199041A (ja) Ｃｔ血管造影法における構造を領域分割する方法及び装置
US20200242744A1 (en) Forecasting Images for Image Processing
US20220092787A1 (en) Systems and methods for processing x-ray images
CN111524109A (zh) 头部医学影像的评分方法和装置、电子设备及存储介质
AU2020223750A1 (en) Method and System for Image Annotation
CN114565623B (zh) 肺血管分割方法、装置、存储介质及电子设备
CN114359208B (zh) 头颈血管分割方法及装置、可读存储介质及电子设备
US20220122261A1 (en) Probabilistic Segmentation of Volumetric Images
WO2022129628A1 (en) Computer-implemented method for image analysis of medical images by neural network supported region-of-interest segmentation
Zheng et al. Semi or fully automatic tooth segmentation in CBCT images: a review
CN114359207B (zh) 颅内血管分割方法、装置、存储介质及电子设备
EP4202838A1 (en) 3d dsa image reconstruction
EP4400054A1 (en) Automatic bolus roi placement using 3d ct surviews
EP4123581A2 (en) Method for automatic segmentation of coronary sinus
CN117291858A (zh) 一种用于确定血流特性的方法、系统、装置和存储介质
KR20240114528A (ko) 딥러닝을 이용한 무릎 관절 공간 자동 분석 장치 및 방법
CN118261918A (zh) 用于通过模拟弱监督的快速三维图像分割和注释的方法和系统
WO2024079160A1 (en) Interactive image segmentation of abdominal structures

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