CN114359207A - 颅内血管分割方法、装置、存储介质及电子设备 - Google Patents

Abstract

本申请提供了一种颅内血管分割方法、装置、存储介质及电子设备，涉及图像处理技术领域。该颅内血管分割方法包括：基于待分割头颈三维图像对应的第一颅内血管三维图像，确定第一颅内血管三维图像包含的颅内血管对应的M个种子点，M为正整数；确定M个种子点各自的方向向量；基于M个种子点各自的方向向量，进行颅内血管区域生长，得到第二颅内血管三维图像，第二颅内血管三维图像包括分割信息；对第二颅内血管三维图像进行分割，得到待分割头颈三维图像的颅内血管分割结果。本申请通过计算颅内血管种子点的方向向量，沿着颅内血管种子点的方向向量进行生长、然后进行分割，解决了因颅内血管太多太细而分割困难的问题。

Description

颅内血管分割方法、装置、存储介质及电子设备

技术领域

本申请涉及图像处理技术领域，具体涉及一种颅内血管分割方法、装置、存储介质及电子设备。

背景技术

近年来，随着现代医学影像设备的不断进步以及深度学习的发展，越来越多的学者开始运用深度学习技术进行疾病诊断。目前，深度学习运用于医学领域以辅助诊断和治疗已成为一种趋势，并且在医学图像分割中具有重大的意义。

其中，头颈血管图像分割对于医生进行诊断有非常重要的意义，尤其是颅内血管图像分割。相比于其他血管分割，颅内血管有其独特之处，不仅非常精细，而且会形成回流，这给血管分割带来了新挑战。

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颅内血管分割方法、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颅内血管分割方法，包括：基于待分割头颈三维图像对应的第一颅内血管三维图像，确定第一颅内血管三维图像包含的颅内血管对应的M个种子点，M为正整数；确定M个种子点各自的方向向量；基于M个种子点各自的方向向量，进行颅内血管区域生长，得到第二颅内血管三维图像，第二颅内血管三维图像包括分割信息；对第二颅内血管三维图像进行分割，得到待分割头颈三维图像的颅内血管分割结果。

结合第一方面，在第一方面的某些实现方式中，基于M个种子点各自的方向向量，进行颅内血管区域生长，得到第二颅内血管三维图像，包括：基于M个种子点各自的方向向量，确定M个极坐标，其中，M个极坐标和M个种子点各自的方向向量一一对应；基于M个极坐标，确定针对M个极坐标的注意力机制；基于注意力机制，生成颅内血管骨架图；基于颅内血管骨架图，进行颅内血管区域生长，得到第二颅内血管三维图像。

结合第一方面，在第一方面的某些实现方式中，基于颅内血管骨架图，进行颅内血管区域生长，得到第二颅内血管三维图像，包括：基于颅内血管骨架图，计算颅内血管骨架上N个特征点各自的场向量，N为正整数；基于N个特征点各自的场向量，构建N个场向量坐标系，N个场向量坐标系与N个特征点各自的场向量一一对应；基于N个场向量坐标系以及预设像素相似度阈值，在N个特征点处分别进行区域生长，得到第二颅内血管三维图像。

结合第一方面，在第一方面的某些实现方式中，种子点的方向向量是基于种子点的位置信息、种子点的像素值和种子点邻域内的像素梯度值确定的。

结合第一方面，在第一方面的某些实现方式中，对所述第二颅内血管三维图像进行分割，得到待分割头颈三维图像的颅内血管分割结果，包括：对第二颅内血管三维图像进行切块操作，得到多个颅内血管图像块；利用第一图像分割模型，基于多个颅内血管图像块，确定多个颅内血管图像块各自对应的精分割图像块；基于多个颅内血管图像块各自对应的精分割图像块进行图像重建，得到颅内血管分割结果。

结合第一方面，在第一方面的某些实现方式中，第二颅内血管三维图像是基于颅内血管中心线进行切块操作得到的。

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对应的第一颅内血管三维图像，确定第一颅内血管三维图像包含的颅内血管对应的M个种子点之前，还包括：对待分割头颈三维图像进行下采样处理，得到下采样颅内血管三维图像；利用第二图像分割模型，基于下采样颅内血管三维图像，确定下采样颅内血管三维图像对应的下采样粗分割三维图像；对下采样粗分割三维图像进行上采样处理，得到第一颅内血管三维图像。

第二方面，本申请一实施例提供了一种颅内血管分割装置，包括：第一确定模块，用于基于待分割头颈三维图像对应的第一颅内血管三维图像，确定第一颅内血管三维图像包含的颅内血管对应的M个种子点，M为正整数；第二确定模块，用于确定M个种子点各自的方向向量；第三确定模块，用于基于M个种子点各自的方向向量，进行颅内血管区域生长，得到第二颅内血管三维图像，第二颅内血管三维图像包括分割信息；第四确定模块，用于对第二颅内血管三维图像进行分割，得到待分割头颈三维图像的颅内血管分割结果。

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任一实施例提及的颅内血管分割方法。

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任一实施例提及的颅内血管分割方法。

本申请实施例提供的颅内血管分割方法，通过确定第一颅内血管三维图像的M个种子点、以及M个种子点各自的方向向量，进行颅内血管区域生长，得到包括分割信息的第二颅内血管三维图像，并对第二颅内血管三维图像进行分割，得到的颅内血管分割图像。该方法可得到更精确的颅内血管分割图像，解决了因颅内血管中心线提取困难而难以精确分割颅内血管区域的问题。

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颅内血管分割方法的流程示意图。

图3所示为本申请一示例性实施例提供的基于M个种子点各自的方向向量，进行颅内血管区域生长，得到第二颅内血管三维图像的流程示意图。

图4所示为本申请一示例性实施例提供的颅内血管骨架的结构示意图。

图5所示为本申请一示例性实施例提供的基于颅内血管骨架图，进行颅内血管区域生长，得到第二颅内血管三维图像的流程示意图。

图6所示为本申请一示例性实施例提供的基于颅内血管骨架图进行区域生长的结构示意图。

图7所示为本申请一示例性实施例提供的对所述第二颅内血管三维图像进行分割，得到待分割头颈三维图像的颅内血管分割结果的流程示意图。

图8所示为本申请另一实施例提供的颅内血管分割方法的流程示意图。

图9所示为本申请一实施例提供的颅内血管分割装置的结构示意图。

图10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。

头颈血管分割对于医生进行诊断有非常重要的意义。相比于其他血管分割，头颈有其独特之处，特别是颅内血管。因颅内血管即细又多，而且会形成回流，血管缠绕在一起，难以辨认。通过提取血管中心线，对于较粗的颈部血管分割较为方便，但对于较细且数量大的颅内血管分割，分割结果准确率达不到理想要求。

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，得到头颈图像。

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中可以部署有第一图像分割模型和第二图像分割模型，用于对待分割头颈三维图像进行分割。计算机设备130可以利用其上部署的第一图像分割模型和第二图像分割模型。将其从CT扫描仪110获取的待分割头颈三维图像进行颅内血管分割，从而得到与待分割颅内血管三维图像对应的颅内血管分割结果。

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获取到的待分割颅内血管三维图像发送给服务器110，服务器110利用计算机设备130上部署的第一图像分割模型和第二图像分割模型进行颅内血管分割，从而得到颅内血管分割图像。

图2所示为本申请一示例性实施例提供的颅内血管分割方法的流程示意图。如图2所示，本申请实施例提供的颅内血管分割方法包括如下步骤。

步骤40，基于待分割头颈三维图像对应的第一颅内血管三维图像，确定第一颅内血管三维图像包含的颅内血管对应的M个种子点，M为整数。

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，在本申请实施例中，利用种子生成模型，基于第一颅内血管三维图像，确定第一颅内血管三维图像包含的颅内血管对应的M个种子点。

具体地，种子生成模型为SCnet网络。种子点是后续生成颅内血管骨架图的起始点，种子点的数量至少为一个。为了提高生成的颅内血管骨架图的准确率以及生成效率，可利用SCnet网络输出多个第一颅内血管三维图像的颅内血管对应的种子点。

步骤50，确定M个种子点各自的方向向量。

具体地，针对M个种子点，构建一个方向场网络结构VGNetwork，利用方向场网络结构VGNetwork分别计算种子点处的方向向量。

在本实施例中，种子点的方向向量是基于种子点的位置信息、种子点的像素值和种子点邻域内的像素梯度值确定的。

步骤60，基于M个种子点各自的方向向量，进行颅内血管区域生长，得到第二颅内血管三维图像。

具体地，第二颅内血管三维图像包括分割信息。

进一步地，分割信息是指进行区域生长完之后的、被标记的血管区域。

在本实施例中，沿着M个种子点各自的方向向量，进行颅内血管区域生长，得到的第二颅内血管三维图像中，血管区域和非血管区域以不同方式分别被标记。

步骤70，对第二颅内血管三维图像进行分割，得到待分割头颈三维图像的颅内血管分割结果。

通过计算第一颅内血管三维图像中的M个种子点的方向向量，进行区域生长，得到包括分割信息的第二颅内血管三维图像，再对第二颅内血管三维图像进行进一步的分割，可得到更精确的颅内血管分割图像，解决了因颅内血管中心线提取困难而难以精确分割颅内血管区域的问题。

图3所示为本申请一示例性实施例提供的基于M个种子点各自的方向向量，进行颅内血管区域生长，得到第二颅内血管三维图像的流程示意图。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，基于M个种子点各自的方向向量，进行颅内血管区域生长，得到第二颅内血管三维图像步骤，包括如下步骤。

步骤61，基于M个种子点各自的方向向量，确定M个极坐标。

具体地，M个极坐标和M个种子点各自的方向向量一一对应。

步骤62，基于M个极坐标，确定针对M个极坐标的注意力机制。

具体地，注意力机制可以帮助图像分割模型对输入的每个部分赋予不同的权重，抽出更加关键和重要的信息，使图像分割模型做出更加准确地判断，同时不会对图像分割模型的存储和计算带来更大的负担。

步骤63，基于注意力机制，生成颅内血管骨架图。

具体地，在上述确定的注意力机制下，根据M个种子点的方向向量，确定其他生长点，将M个种子点与生长点联通，生成颅内血管骨架图。

步骤64，基于颅内血管骨架图，进行颅内血管区域生长，得到第二颅内血管三维图像。

图4所示为本申请一示例性实施例提供的颅内血管骨架的结构示意图。如图4所示，实心点1处的方向向量是基于与其临近的点计算得到的。示例性地，实心点1处的方向向量基于图4中的空心点2、空心点3、空心点4和空心点5计算得到，本图中的实心点1即为步骤63中所述生长点，空心点2、空心点3、空心点4和空心点5即为步骤63中所述种子点。通过种子点确定生长点，再基于确定的生长点和种子点确定下一个生长点，依次进行，然后将生长点和种子点连通，得到颅内血管骨架图。

通过本实施例中的方案，在综合考量种子点的方向向量、以及依据颅内血管分割的具体情况确定的注意力机制，生成了颅内血管骨架图，该颅内血管骨架图是进行区域生长的基础，以便对第二颅内血管三维图像进行更精确的分割。

图5所示为本申请一示例性实施例提供的基于颅内血管骨架图，进行颅内血管区域生长，得到第二颅内血管三维图像的流程示意图。在图3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3所示实施例的不同之处，相同之处不再赘述。

如图5所示，基于颅内血管骨架图，进行颅内血管区域生长，得到第二颅内血管三维图像步骤，包括如下步骤。

步骤641，基于颅内血管骨架图，计算颅内血管骨架上N个特征点各自的场向量。其中，N为正整数。

具体地，沿着颅内血管骨架图的延伸方向，在颅内血管骨架图上选择N个特征点。

进一步地，特征点的数量可根据颅内血管骨架图的延伸长度进行选择。示例性地，若其中一段颅内血管骨架图长度为10cm，可以5mm间隔选定一个特征点，即10cm长的骨架图，可以选择20个特征点，以便更快速地沿着颅内血管骨架图进行血管区域生长。

可以理解，本申请实施例中针对特征点数量的选择仅为示例，本领域技术人员可根据具体情况选择特征点的个数，本申请对特征点的数量不做进一步地限定。

步骤642，基于N个特征点各自的场向量，构建N个场向量坐标系。

具体地，N个场向量坐标系与N个特征点各自的场向量一一对应。

基于特征点处的位置数据、特征点处的像素值、特征点邻域内的像素值、以及预设的像素梯度阈值计算特征点处的场向量，再基于场向量构建特征点处的场向量坐标系。

步骤643，基于N个场向量坐标系以及预设像素相似度阈值，在N个特征点处分别进行区域生长，得到第二颅内血管三维图像。

示例性地，预设的像素相似度阈值为10，若与特征点相邻的像素点处的像素值、与特征点处的像素值的差值小于或等于10，则将该像素点与特征点归属于同一区域，依次方法进行区域生长。

图6所示为本申请一示例性实施例提供的基于颅内血管骨架图进行区域生长的结构示意图。如图6所示，示例性地，选择了两个特征点，并基于特征点的场向量建立了场向量坐标系，在这个场向量坐标系下，基于预设的像素相似度阈值往外生长，最终得到进行区域生长后的血管图像。

通过本申请实施例中的技术方案，通过预设的相似度阈值、以及选定的N个特征点，进行区域生长，可以得到第二颅内血管三维图像。本实施例中的方法简单、计算速度块，可以减轻计算机的运行压力。

图7所示为本申请一示例性实施例提供的对所述第二颅内血管三维图像进行分割，得到待分割头颈三维图像的颅内血管分割结果的流程示意图。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，对所述第二颅内血管三维图像进行分割，得到待分割头颈三维图像的颅内血管分割结果步骤，包括如下步骤。

步骤71，对第二颅内血管三维图像进行切块操作，得到多个颅内血管图像块。

具体地，获取第二颅内血管三维图像粗略的血管中心线，沿着垂直于血管中心线的方向对第二颅内血管图像进行切块操作。得到多个颅内血管图像块，并记录每个颅内血管图像块的位置信息。

步骤72，利用第一图像分割模型，基于多个颅内血管图像块，确定多个颅内血管图像块各自对应的精分割图像块。

具体地，第一图像分割模型指SkSegNetwork网络，将多个颅内血管图像块输入SkSegNetwork网络，SkSegNetwork网络输出多个颅内血管图像块对应的精分割图像块。

进一步地，在SkSegNetwork网络中，考虑到血管沿着血管中心线的密度呈现高斯分布的特点，故对SkSegNetwork网络的损失函数进行了改进，离血管中心线越远，损失函数越大。

步骤73，基于多个颅内血管图像块各自对应的精分割图像块进行图像重建，得到颅内血管分割结果。

基于步骤71中记录的每个颅内血管图像块的位置信息，将多个颅内血管图像块各自对应的精分割图像块进行图像重建，得到颅内血管分割结果。

在本实施例中，通过对第二颅内血管图像进行切块操作，并对多个颅内血管图像块进行分割，再将分割结果重建，获得颅内血管分割结果。通过本实施例中的方法，实现了对第二颅内血管图像更精确的分割，方便医生根据该分割结果进行更准确的诊断。

图8所示为本申请另一实施例提供的颅内血管分割方法的流程示意图。在图1所示实施例的基础上延伸出图8所示实施例，下面着重叙述图8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8所示，在基于待分割头颈三维图像对应的第一颅内血管三维图像，确定第一颅内血管三维图像包含的颅内血管对应的M个种子点之前，还包括如下步骤。

步骤10，对待分割头颈三维图像进行下采样处理，得到下采样颅内血管三维图像。

窗宽指CT图像所显示的CT值范围，在CT值范围内的组织结构按其密度高低从白到黑分为16个灰阶以供观察对比。例如窗宽选定为200Hu，则人眼可分辨的CT值为200/16＝12.5Hu，即两种组织相差12.5Hu以上者即可被人眼识别。因此窗宽的宽窄直接影响图像的清晰度与对比度，如果使用窄的窗宽，则显示的CT值范围小，每一灰阶代表的CT值幅度小，对比度强，适合观察密度接近的组织结构，如脑组织。反之，如果使用宽的窗宽，则显示的CT值范围大，每一灰阶代表的CT值幅度大，则图像对比度差，但密度均匀，适合观察密度大的结构，如骨头和软组织。原则上说，窗宽应能反应该组织或病变的CT值的变化范围。

窗位指窗宽范围内的均值或中心值。比如一副CT图像，窗宽为200Hu，窗位选择0Hu，则以窗位为中心，向上包括+100Hu，向下包括-100Hu，即人眼只能识别±100Hu范围内的CT值，原则上窗位应等于或接近等于需要观察的CT值。故在进行图像分割之前，先根据待分割头颈三维图像的颅内血管分布范围，选择合适的窗位窗宽。

具体地，为待分割头颈三维图像选择合适的窗位窗宽后，对待分割头颈三维图像进行下采样操作，以获得尺寸小于原始尺寸的下采样颅内血管三维图像。下采样颅内血管三维图像的尺寸可以是待分割头颈三维图像的1/2，1/3，1/4，或者其他合适的值。下采样可以采用simpleITK的Resample Image Filter方法，具体地，可以选择处理速度快的最邻近算法。当然，下采样也可以采用其他合适的方法。

步骤20，利用第二图像分割模型，基于下采样颅内血管三维图像，确定下采样颅内血管三维图像对应的下采样粗分割三维图像。

具体地，第二图像分割模型指ResUnetMC分割网络，将下采样颅内血管三维图像输入ResUnetMC分割网络，ResUnetMC分割网络输出与下采样颅内血管三维图像对应的下采样粗分割三维图像。

其中，第二图像分割模型的分割精度低于第一图像分割模型。

步骤30，对下采样粗分割三维图像进行上采样处理，得到第一颅内血管三维图像。

具体地，上采样操作是相对于下采样操作的，可以采用simpleITK的ResampleImage Filter方法，具体地，可以选用处理速度最快的最邻近算法。当然，也可以采用其他合适的算法。经过上采样处理得到的第一颅内血管三维图像的尺寸与待分割头颈三维图像的尺寸一致。

在本实施例中，经过下采样可以提高图像分割的计算效率，缩短计算时间，虽然经第二图像分割模型获得的第一颅内血管三维图像的准确率不高，但是可以通过后续的第二图像分割模型进行进一步的校正，获得准确率更高的分割结果。

上文结合图2至图8，详细描述了本申请的颅内血管分割方法实施例，下面结合图9，详细描述本申请的颅内血管分割装置实施例。应理解，颅内血管分割方法实施例的描述与颅内血管分割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9所示为本申请一示例性实施例提供的颅内血管分割装置的结构示意图。如图9所示，本申请实施例提供的颅内血管分割装置包括：

第一确定模块100，用于基于待分割头颈三维图像对应的第一颅内血管三维图像，确定第一颅内血管三维图像包含的颅内血管对应的M个种子点，M为正整数；

第二确定模块200，用于确定M个种子点各自的方向向量；

第三确定模块300，用于基于M个种子点各自的方向向量，进行颅内血管区域生长，得到第二颅内血管三维图像，第二颅内血管三维图像包括分割信息；

第四确定模块400，用于对第二颅内血管三维图像进行分割，得到待分割头颈三维图像的颅内血管分割结果。

在本申请一实施例中，第三确定模块300还用于，基于M个种子点各自的方向向量，确定M个极坐标，其中，M个极坐标和M个种子点各自的方向向量一一对应；基于M个极坐标，确定针对M个极坐标的注意力机制；基于注意力机制，生成颅内血管骨架图；基于颅内血管骨架图，进行颅内血管区域生长，得到第二颅内血管三维图像。

在本申请一实施例中，第三确定模块300还用于，基于颅内血管骨架图，计算颅内血管骨架上N个特征点各自的场向量，N为正整数；基于N个特征点各自的场向量，构建N个场向量坐标系，N个场向量坐标系与N个特征点各自的场向量一一对应；基于N个场向量坐标系以及预设像素相似度阈值，在N个特征点处分别进行区域生长，得到第二颅内血管三维图像。

在本申请一实施例中，种子点的方向向量是基于种子点的位置信息、种子点的像素值和种子点邻域内的像素梯度值确定的。

在本申请一实施例中，第四模块400还用于对第二颅内血管三维图像进行切块操作，得到多个颅内血管图像块；利用第一图像分割模型，基于多个颅内血管图像块，确定多个颅内血管图像块各自对应的精分割图像块；基于多个颅内血管图像块各自对应的精分割图像块进行图像重建，得到颅内血管分割结果。

在本申请一实施例中，第二颅内血管三维图像是基于颅内血管中心线进行切块操作得到的。

在本申请一实施例中，第一确定模块100还用于对待分割头颈三维图像进行下采样处理，得到下采样颅内血管三维图像；利用第二图像分割模型，基于下采样颅内血管三维图像，确定下采样颅内血管三维图像对应的下采样粗分割三维图像；对下采样粗分割三维图像进行上采样处理，得到第一颅内血管三维图像。

应当理解，图9提供的颅内血管分割装置中的第一确定模块100、第二确定模块200、第三确定模块300和第四确定模块400的操作和功能可以参考上述图2至图8提供的颅内血管分割方法，为了避免重复，在此不再赘述。

下面，参考图10来描述根据本申请实施例的电子设备。图10所示为本申请一示例性实施例提供的电子设备的结构示意图。

如图10所示，电子设备100包括一个或多个处理器1001和存储器1002。

处理器1001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100中的其他组件以执行期望的功能。

存储器1002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1001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颅内血管分割方法以及/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第一颅内血管三维图像、M个种子点各自的方向向量、第二颅内血管三维图像等各种内容。

在一个示例中，电子设备100还可以包括：输入装置1003和输出装置1004，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1003可以包括例如键盘、鼠标等等。

该输出装置1004可以向外部输出各种信息，包括第一颅内血管三维图像、M个种子点各自的方向向量、第二颅内血管三维图像等。该输出装置1004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10中仅示出了该电子设备100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100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颅内血管分割方法中的步骤。

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颅内血管分割方法中的步骤。

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 (10)

1.一种颅内血管分割方法，其特征在于，包括：

基于待分割头颈三维图像对应的第一颅内血管三维图像，确定所述第一颅内血管三维图像包含的颅内血管对应的M个种子点，M为正整数；

确定所述M个种子点各自的方向向量；

基于所述M个种子点各自的方向向量，进行颅内血管区域生长，得到第二颅内血管三维图像，所述第二颅内血管三维图像包括分割信息；

对所述第二颅内血管三维图像进行分割，得到所述待分割头颈三维图像的颅内血管分割结果。

2.根据权利要求1所述的颅内血管分割方法，其特征在于，所述基于所述M个种子点各自的方向向量，进行颅内血管区域生长，得到第二颅内血管三维图像，包括：

基于所述M个种子点各自的方向向量，确定M个极坐标，其中，所述M个极坐标和所述M个种子点各自的方向向量一一对应；

基于所述M个极坐标，确定针对所述M个极坐标的注意力机制；

基于所述注意力机制，生成颅内血管骨架图；

基于所述颅内血管骨架图，进行所述颅内血管区域生长，得到所述第二颅内血管三维图像。

3.根据权利要求2所述的颅内血管分割方法，其特征在于，所述基于所述颅内血管骨架图，进行所述颅内血管区域生长，得到所述第二颅内血管三维图像，包括：

基于所述颅内血管骨架图，计算颅内血管骨架上N个特征点各自的场向量，N为正整数；

基于所述N个特征点各自的场向量，构建N个场向量坐标系，所述N个场向量坐标系与所述N个特征点各自的场向量一一对应；

基于所述N个场向量坐标系以及预设像素相似度阈值，在所述N个特征点处分别进行区域生长，得到所述第二颅内血管三维图像。

4.根据权利要求1至3任一项所述的颅内血管分割方法，其特征在于，所述种子点的方向向量是基于所述种子点的位置信息、所述种子点的像素值和所述种子点邻域内的像素梯度值确定的。

5.根据权利要求1至3任一项所述的颅内血管分割方法，其特征在于，所述对所述第二颅内血管三维图像进行分割，得到所述待分割头颈三维图像的颅内血管分割结果，包括：

对所述第二颅内血管三维图像进行切块操作，得到多个颅内血管图像块；

利用第一图像分割模型，基于所述多个颅内血管图像块，确定所述多个颅内血管图像块各自对应的精分割图像块；

基于所述多个颅内血管图像块各自对应的精分割图像块进行图像重建，得到所述颅内血管分割结果。

6.根据权利要求5所述的颅内血管分割方法，其特征在于，所述第二颅内血管三维图像是基于颅内血管中心线进行切块操作得到的。

7.根据权利要求1至3任一项所述的颅内血管分割方法，其特征在于，所述基于待分割头颈三维图像对应的第一颅内血管三维图像，确定所述第一颅内血管三维图像包含的颅内血管对应的M个种子点之前，还包括：

对所述待分割头颈三维图像进行下采样处理，得到下采样颅内血管三维图像；

利用第二图像分割模型，基于所述下采样颅内血管三维图像，确定所述下采样颅内血管三维图像对应的下采样粗分割三维图像；

对所述下采样粗分割三维图像进行上采样处理，得到所述第一颅内血管三维图像。

8.一种颅内血管分割装置，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对应的第一颅内血管三维图像，确定所述第一颅内血管三维图像包含的颅内血管对应的M个种子点，M为正整数；

第二确定模块，用于确定所述M个种子点各自的方向向量；

第三确定模块，用于基于所述M个种子点各自的方向向量，进行颅内血管区域生长，得到第二颅内血管三维图像，所述第二颅内血管三维图像包括分割信息；

第四确定模块，用于对所述第二颅内血管三维图像进行分割，得到所述待分割头颈三维图像的颅内血管分割结果。

9.一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7任一项所述的颅内血管分割方法。

10.一种电子设备，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7任一项所述的颅内血管分割方法。

Images