CN114419047B

CN114419047B - 用于确定血管形态特征的方法、装置、设备和存储介质

Info

Publication number: CN114419047B
Application number: CN202210326598.8A
Authority: CN
Inventors: 周岩峰; 徐贤; 杨戈; 曹丰; 崔龙彪; 郭远昊; 孙沙沙; 蒋嘉诚
Original assignee: Institute of Automation of Chinese Academy of Science; University of Chinese Academy of Sciences; Second Medical Center of PLA General Hospital
Current assignee: Institute of Automation of Chinese Academy of Science; University of Chinese Academy of Sciences; Second Medical Center of PLA General Hospital
Priority date: 2022-03-30
Filing date: 2022-03-30
Publication date: 2022-07-12
Anticipated expiration: 2042-03-30
Also published as: CN114419047A

Abstract

本发明涉及一种用于确定血管形态特征的方法、装置、设备和存储介质，其中该方法包括：对待测血管图像中的血管进行骨架提取，以生成包含血管中心线的拓扑图像；基于所述拓扑图像，提取所述待测血管图像中的目标血管；对所述目标血管进行拉直处理，以获得所述目标血管的拉直图像；以及基于所述拉直图像，确定所述目标血管的形态特征。根据本发明实施例的方法，能够实现对待测血管图像的自动化识别和快速处理，而无需人工干预。

Description

用于确定血管形态特征的方法、装置、设备和存储介质

技术领域

本发明一般地涉及图像处理技术领域。更具体地，本发明涉及一种用于确定血管形态特征的方法、装置、设备和计算机可读存储介质。

背景技术

随着血管影像研究的不断发展，对血管的形态分析和根据血管形态变化进行病理诊断的需求日益增大。现阶段血管的形态分析主要依靠医务人员的人工分析，但人工分析在效率和准确性方面均不理想。因此，亟需一种能够快速、准确以及自动化的处理血管图像以获得血管形态参数的方法。

发明内容

鉴于上面所提到的技术问题，本发明的技术方案在多个方面提供一种用于确定血管形态特征的方法、装置、设备和计算机可读存储介质。

在本发明的第一方面中，提供一种用于确定血管形态特征的方法，包括：对待测血管图像中的血管进行骨架提取，以生成包含血管中心线的拓扑图像；基于所述拓扑图像，提取所述待测血管图像中的目标血管；对所述目标血管进行拉直处理，以获得所述目标血管的拉直图像；以及基于所述拉直图像，确定所述目标血管的形态特征。

在本发明的一个实施例中，在对待测血管图像中的血管进行骨架提取之前，所述方法还包括：对采集到的三维医学图像进行三维重采样操作，以获得重采样图像；以及对所述重采样图像进行分割，以获取仅包含血管的所述待测血管图像。

在本发明的另一个实施例中，对重采样图像进行分割包括：利用阈值分割法对所述重采样图像进行粗分割，以获得包括背景区域和血管区域的粗分割结果；以及基于所述背景区域、所述血管区域以及所述重采样图像中除所述背景区域和所述血管区域以外的中间区域，利用分水岭分割法对所述粗分割结果进行细分割，以得到所述待测血管图像。

在本发明的又一个实施例中，生成拓扑图像包括：对骨架提取获得的血管中心线进行预处理，以生成预处理后的所述拓扑图像，其中所述预处理包括以下中的至少一项：去除所述血管中心线上的毛刺；去除所述血管中心线上的环形结构；以及连通同一根血管内的血管中心线。

在本发明的再一个实施例中，基于所述拓扑图像，提取所述待测血管图像中的目标血管包括：基于所述拓扑图像中的血管中心线，确定所述拓扑图像中每根血管的起止点；以及至少基于每根血管的起止点，提取所述待测血管图像中的所述目标血管。

在本发明的一个实施例中，基于所述拓扑图像，提取所述待测血管图像中的目标血管包括：获取所述目标血管的属性参考值；遍历所述拓扑图像中的每根血管，检测每根血管的属性参数；以及根据每根血管的属性参数对所述属性参考值的惩罚值，确定所述目标血管。

在本发明的另一个实施例中，获取所述目标血管的属性参考值包括：获取包含目标血管样本的一个或多个样本图像；检测每个样本图像中目标血管样本的属性参数；以及根据所述一个或多个样本图像中所述目标血管样本的属性参数的均值和方差，确定所述目标血管的属性参考值。

在本发明的又一个实施例中，所述属性参数包括以下中的至少一项：长度；粗度；起点绝对坐标；止点绝对坐标；起点相对坐标；以及止点相对坐标。

在本发明的再一个实施例中，根据每根血管的属性参数对所述属性参考值的惩罚值，确定所述目标血管包括：将惩罚值中最小值对应的血管确定为所述目标血管。

在本发明的一个实施例中，对所述目标血管进行拉直处理包括：基于所述目标血管的血管中心线，构建所述血管中心线上每个中心点处的法平面坐标系；根据所述法平面坐标系与所述待测血管图像中原坐标系之间的坐标变换，确定每个中心点处的法平面上各坐标点的灰度值，以获得每个中心点处的截面图像；以及基于所述血管中心线上各中心点的排列顺序，将各中心点处的截面图像叠放，以获得所述目标血管的拉直图像。

在本发明的另一个实施例中，构建每个中心点处的法平面坐标系包括：对所述目标血管的血管中心线进行一次或多次样条拟合，以得到拟合中心线；基于所述拟合中心线，确定每个中心点的切向量；以及根据每个中心点的切向量，构建每个中心点处的法平面坐标系。

在本发明的又一个实施例中，根据每个中心点的切向量，构建每个中心点处的法平面坐标系包括：对于所述拟合中心线的起点，选取与起点的切向量正交且相互正交的两个方向的向量，以构建起点处的法平面坐标系；根据相邻两个中心点的切向量，确定相邻两个中心点处的法平面之间的旋转角度和旋转方向；以及基于所述旋转角度和所述旋转方向，确定所述相邻两个中心点中排序靠后的中心点处的法平面坐标系。

在本发明的再一个实施例中，根据所述法平面坐标系与所述待测血管图像中原坐标系之间的坐标变换，确定灰度值包括：根据所述血管中心线上每个中心点处的法平面坐标系，确定每个中心点处的法平面坐标系与所述原坐标系之间的旋转矩阵和平移矩阵；根据所述旋转矩阵和平移矩阵，确定每个中心点处的法平面坐标系与所述原坐标系之间的变换矩阵；以及基于所述变换矩阵，对每个中心点处的法平面上的各坐标点进行坐标变换，以确定各坐标点的灰度值。

在本发明的一个实施例中，基于变换矩阵确定灰度值包括：根据每个中心点处的血管半径，构建每个中心点处的法平面上各坐标点的第一坐标矩阵；根据所述第一坐标矩阵和所述变换矩阵，确定各坐标点在所述原坐标系下的第二坐标矩阵；以及基于所述第二坐标矩阵，利用图像插值算法计算得到每个中心点处的法平面上各坐标点的灰度值。

在本发明的另一个实施例中，所述形态特征包括以下中的至少一种：曲率；长度；平均半径；平均直径；血管截面半径；血管截面直径；以及狭窄率。

在本发明的又一个实施例中，基于所述拉直图像，确定所述目标血管的形态特征包括以下中的至少一项：基于所述拉直图像中拉直血管的各中心点处的截面图像，确定各中心点处的血管截面半径或血管截面直径；基于各中心点处的血管截面半径或血管截面直径，确定所述目标血管的平均半径或平均直径；以及基于各血管截面直径中的最小截面半径和所述平均半径，或者基于各血管截面直径中的最小截面直径和所述平均直径，确定所述目标血管的狭窄率。

在本发明的再一个实施例中，确定各中心点处的血管截面半径或血管截面直径包括：以每个截面图像中的所述中心点为交叉点，在所述截面图像上设置多条交叉线；检测每条交叉线与所在截面图像中血管边缘的交点，以确定所述截面图像中的采样点；以及根据各采样点与所述交叉点之间的距离的平均值，确定所述中心点处的血管截面半径或血管截面直径。

在本发明的一个实施例中，确定所述截面图像中的采样点包括：在所述交叉点处将每条交叉线分割为两条交叉子线；以及将每条交叉子线上与所述交叉点的距离最近的交点确定为所述采样点。

在本发明的另一个实施例中，确定目标血管的形态特征包括：根据所述拉直图像中各血管截面半径中的最小截面半径所在中心点与各中心点之间的距离，对各血管截面半径进行加权平均运算，以确定所述平均半径；或根据所述拉直图像中各血管截面直径中的最小截面直径所在中心点与各中心点之间的距离，对各血管截面直径进行加权平均运算，以确定所述平均直径。

在本发明的再一个实施例中，还包括：响应于所述狭窄率大于或等于第一阈值，确定所述目标血管为狭窄血管；响应于所述狭窄率小于第一阈值，确定所述目标血管为非狭窄血管。

在本发明的一个实施例中，所述目标血管包括脑动脉血管。

在本发明的第二方面中，提供一种用于确定血管形态特征的装置，包括：骨架提取模块，其配置用于对待测血管图像中的血管进行骨架提取，以生成包含血管中心线的拓扑图像；目标提取模块，其配置用于基于所述拓扑图像，提取所述待测血管图像中的目标血管；拉直模块，其配置用于对所述目标血管进行拉直处理，以获得所述目标血管的拉直图像；以及特征确定模块，其配置用于基于所述拉直图像，确定所述目标血管的形态特征。

在本发明的第三方面中，提供一种用于确定血管形态特征的设备，包括，至少一个处理器；存储器，其存储有程序指令，当所述程序指令由所述至少一个处理器执行时，使得所述设备执行根据本发明的第一方面中任意一项所述的方法。

在本发明的第四方面中，提供一种计算机可读存储介质，其存储有用于确定血管形态特征的程序，当所述程序由处理器来运行时，执行根据本发明的第一方面中任意一项所述的方法。

通过上述对本发明的技术方案及其多个实施例的描述，本领域技术人员可以理解本发明的用于确定血管形态特征的方法，可以通过生成血管的拓扑图像、提取拓扑图像中的目标血管、对目标血管进行拉直处理以及基于拉直图像确定目标血管的形态特征等一系列连贯的操作，实现对待测血管图像的自动化形态特征分析，而无需人工干预。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分其中：

图1是示出根据本发明实施例的用于确定血管形态特征的方法流程图；

图2a是示出根据本发明实施例的血管拉直处理的效果示意图；

图2b是示出根据本发明实施例的通过坐标变换获得拉直图像的示意图；

图3是示出根据本发明另一个实施例的用于确定血管形态特征的方法流程图；

图4是示出根据本发明实施例的获得待测血管图像的过程示意图；

图5是示出根据本发明实施例的生成拓扑图像的过程示意图，其中图5中的（a）图是示出根据本发明实施例的待测血管图像的示意图，图5中的（b）图是示出基于图5中的（a）图生成的拓扑图像的示意图；

图6是示出根据本发明实施例的去除血管中心线上的毛刺的过程示意图，其中图6中的（a）图是示出根据本发明实施例的血管中心线上有毛刺的拓扑图像的示意图，图6中的（b）图是示出根据本发明实施例的去除血管中心线上的毛刺后的拓扑图像的示意图；

图7是示出根据本发明实施例的去除血管中心线上的环形结构的过程示意图，其中图7中的（a）图是示出根据本发明实施例的血管中心线上有环形结构的拓扑图像的示意图，图7中的（b）图是示出根据本发明实施例的去除血管中心线上的环形结构后的拓扑图像的示意图；

图8是示出根据本发明另一个实施例的去除血管中心线上的环形结构的过程示意图，其中图8中的（a）图是示出根据本发明另一个实施例的血管中心线上有环形结构的拓扑图像的示意图，图8中的（b）图是示出根据本发明另一个实施例的去除血管中心线上的环形结构后的拓扑图像的示意图；

图9是示出根据本发明实施例的连通同一根血管内的血管中心线的过程示意图，其中图9中的（a）图是示出根据本发明实施例的同一根血管的血管中心线上包括多个节点的拓扑图像的示意图，图9中的（b）图是示出根据本发明实施例的连通同一根血管的血管中心线后的拓扑图像的示意图；

图10是示出根据本发明实施例的提取目标血管的方法流程图；

图11是示出根据本发明实施例的基于拓扑图像提取目标血管的过程示意图，其中图11中的（a）图是示出根据本发明实施例的拓扑图像的示意图，图11中的（b）图是示出根据本发明实施例的七根目标血管在拓扑图像中定位的示意图，图11中的（c）图是示出在图11中的（a）图的俯视图中定位另外两根目标血管的示意图，图11中的（d）图是示出基于图11中的（b）图和（c）图提取的目标血管的示意图；

图12是示出根据本发明实施例的对目标血管进行拉直处理的方法流程图；

图13是示出根据本发明实施例的确定法平面坐标系的示意图；

图14是示出根据本发明实施例的确定血管截面半径或血管截面直径的方法流程图；

图15是示出根据本发明实施例的设置交叉线的示意图，其中图15中的（a）图是示出根据本发明实施例的对圆形血管截面设置交叉线的示意图，图15中的（b）图是示出根据本发明实施例的对椭圆形血管截面设置交叉线的示意图，图15中的（c）图是示出根据本发明实施例的对存在凹陷的血管截面设置交叉线的示意图，图15中的（d）图是示出根据本发明实施例的对存在血管粘连或非血管区域的血管截面设置交叉线的示意图，图15中的（e）图是示出根据本发明实施例的对存在凸起的血管截面设置交叉线的示意图；

图16是示出多种血管截面半径测量方法的对比图；

图17是示出根据本发明实施例的确定平均半径的原理示意图；

图18是示出根据本发明实施例的权重与距离的关系示意图；

图19是示出多种狭窄率确定方法与影像医师标准结果之间的误差对比图；以及

图20是示出根据本发明实施例的用于确定血管形态特征的系统示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

应当理解，本发明的权利要求、说明书及附图中的术语“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。本发明的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本发明。如在本发明说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本发明说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当... 时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

本发明针对现有技术的不足，提供了一种全新的可实现的解决方案。特别的，本发明的用于确定血管形态特征的方法，可以通过骨架提取、目标血管提取、拉直处理等一系列自动化流程实现从待测血管图像中确定目标血管的形态特征，具有准确率高以及检测速度快等特点。

通过下面的描述，本领域技术人员可以理解的是，本发明还在多个实施例中提供了用于提高检测结果准确性的实施方式。例如，在一些实施例中，可以通过对骨架提取获得的血管中心线进行预处理，以生成准确的拓扑图像，从而有利于后续对目标血管的提取和形态特征检测。在另一些实施例中，可以通过检测拓扑图中每根血管的属性参数以及根据惩罚值来确定目标血管，能够显著提高目标血管的定位和识别的准确度。下面结合附图来详细描述本发明的具体实施方式。

图1是示出根据本发明实施例的用于确定血管形态特征的方法流程图。如图1中所示，方法100可以包括：在步骤110中，对待测血管图像中的血管进行骨架提取，以生成包含血管中心线的拓扑图像。在一些实施例中，待测血管图像可以包括三维图像。在另一些实施例中，待测血管图像可以包括医学图像，例如磁共振血管造影(MRA)图像、电子计算机断层扫描（CT）图像、B超图像等。在又一些实施例中，待测血管图像中可以包括一根或者多根血管。在本发明的一个实施例中，血管可以包括心血管、脑血管、毛细血管、动脉血管、静脉血管等中的至少一种。

在一个实施例中，利用骨架提取技术（或称二值图像细化技术）对待测血管图像中的一根或者多根血管进行细化处理，可以得到包含该一根或者多根血管的骨架线（或称血管中心线）的拓扑图像。每根血管可以对应一根血管中心线。具体地，在一些实施例中，待测血管图像中包括一根血管，可以对该一根血管进行骨架提取，以得到包含该一根血管的血管中心线的拓扑图像。在另一些实施例中，待测血管图像中可以包括多根血管，可以对待测血管图像中的全部血管或者部分血管进行骨架提取，以得到包含全部血管或部分血管的血管中心线的拓扑图像。通过生成拓扑图像可以便于识别血管的位置、形态以及连接关系等特征。

在又一个实施例中，拓扑图像可以包括血管及呈现于血管上的血管中心线。可以理解的是，本发明实施例中所述的血管中心线是对血管整体的细化，可以用于反映血管的整体骨架结构。在一些应用场景中，例如血管存在形状不规则的截面时，血管中心线上该截面的中心点可以不是严格意义上的圆心处。

接着，在步骤120中，可以基于拓扑图像，提取待测血管图像中的目标血管。在一些实施例中，拓扑图像中包括一根血管中心线，该一根血管中心线对应的血管可以为目标血管。在另一些实施例中，拓扑图像中可以包括多根血管中心线，可以从中提取全部血管中心线或者部分血管中心线对应的血管作为目标血管。在本发明的一个实施例中，目标血管可以包括心血管、脑血管、毛细血管、动脉血管、静脉血管等中的至少一种。在另一个实施例中，目标血管可以包括脑动脉血管。通过对待测血管图像中的目标血管的提取，可以有利于后续具有针对性的对感兴趣的目标血管进行拉直和形态特征检测等步骤，从而可以排除非感兴趣血管对检测过程和检测结果可能产生的影响。例如，在一个应用场景中，目标血管为脑动脉血管，非感兴趣血管（或称非目标血管）可以包括例如毛细血管等。

在本发明的再一个实施例中，步骤120中可以包括：基于拓扑图像中的血管中心线，确定拓扑图像中每根血管的起止点；以及至少基于每根血管的起止点，提取待测血管图像中的目标血管。在本实施例中，可以基于每根血管中心线的起止点，确定拓扑图像中每根血管的起止点。通过识别每根血管的起止点，可以便于将连接或者交叠在一起的多根血管分离。在一些实施例中，可以根据每根血管的起止点，将每根血管提取出来，然后从中确定目标血管。在另一些实施例中，可以根据每根血管的起止点，先确定目标血管，然后仅将目标血管提取出来。在又一些实施例中，可以根据每根血管的起止点以及每根血管的位置坐标，提取待测血管图像中的目标血管。

然后，流程可以前进到步骤130中，可以对目标血管进行拉直处理，以获得目标血管的拉直图像。例如图2a中所示，可以对目标血管201进行拉直处理，以获得拉直图像，其中拉直图像中可以包括目标血管201拉直后的拉直血管202。在一些实施例中，拉直处理可以包括对目标血管在拓扑图像或者在待测血管图像中的坐标进行平移变换和/或旋转变换等。例如图2b中所示，可以对目标血管203的血管中心线上各中心点处的法平面坐标系进行坐标变换，以使目标血管203的各中心点处的法平面坐标系的原点位于同一直线上，从而得到拉直血管204的拉直图像。

如图1中进一步示出的，在步骤140中，可以基于拉直图像，确定目标血管的形态特征。在一些实施例中，可以对拉直图像中拉直血管进行检测，以确定该拉直血管的形态特征，从而确定相应的目标血管的形态特征。在另一个实施例中，形态特征可以包括以下中的至少一种：曲率；长度；平均半径；平均直径；血管截面半径；血管截面直径；以及狭窄率等。例如，在一个实施例中，可以根据血管中心线的长度，确定目标血管的长度。在另一个实施例中，可以基于拉直图像中拉直血管的各中心点处的截面图像，确定各中心点处的血管截面半径或血管截面直径。在又一个实施例中，血管截面半径可以通过例如最小距离法、面积测量法等方法对截面图像检测得到。在一个实施例中，血管截面直径可以根据血管截面半径的两倍来确定。

在一些实施例中，可以基于对目标血管的拉直处理中获得的每个中心点处的切向量，确定目标血管的每个中心点处的曲率。在一个实施例中，可以根据拉直血管各中心点处的血管截面半径的均值确定平均半径。在另一个实施例中，可以根据拉直血管各中心点处的血管截面半径的加权均值确定平均半径。在一个实施例中，可以根据拉直血管各中心点处的血管截面直径的均值确定平均直径。在另一个实施例中，可以根据拉直血管各中心点处的血管截面直径的加权均值确定平均直径。

在另一个实施例中，可以基于各血管截面半径中的最小截面半径和平均半径，或者基于各血管截面直径中的最小截面直径和平均直径，确定目标血管的狭窄率。最小截面半径可以是目标血管的各血管截面半径中的最小值。最小截面直径可以是目标血管的各血管截面直径中的最小值。在又一个实施例中，可以基于各血管截面半径中的最小截面半径和平均半径的比值，或者基于各血管截面直径中的最小截面直径和平均直径的比值，确定目标血管的狭窄率。在一个实施例中，目标血管的狭窄率可以基于以下公式计算得到：

（公式一）

其中，s_i表示狭窄率，

表示各血管截面半径中的最小截面半径，

表示平均半径。

在本发明的再一个实施例中，形态特征包括狭窄率，方法100还可以包括：响应于狭窄率大于或等于第一阈值，确定目标血管为狭窄血管；响应于狭窄率小于第一阈值，确定目标血管为非狭窄血管。根据这样的设置，可以利用目标血管的狭窄率确定目标血管的类型，进而可以为科学研究和临床诊断提供数据支持。第一阈值可以根据需要进行设置。

以上结合图1对根据本发明实施例的用于确定血管形态特征的方法进行了示例性的描述，本领域技术人员可以理解的是，上面的描述是示例性的而非限制性的，根据本发明实施例的方法可以不限于图示中的步骤，还可以在进行骨架提取之前包括对三维医学图像进行图像处理，以获取待测血管图像的步骤，下面将结合图3进行示例性的描述。

图3是示出根据本发明另一个实施例的用于确定血管形态特征的方法流程图。如图3中所示，方法300可以包括：在步骤310中，可以对采集到的三维医学图像进行三维重采样操作，以获得重采样图像。通过三维重采样操作，可以增大三维医学图像的分辨率，使得图像中的像素间距保持一致，以防止图像失真变形。在一些实施例中，三维重采样操作可以包括对三维医学图像中的分辨率进行插值操作的过程。

接着，在步骤320中，可以对三维重采样操作后得到的重采样图像进行分割，以获取仅包含血管的待测血管图像。在一些应用场景中，三维医学图像中不仅包括血管，还可以包括其他组织或器官的影像，通过对重采样图像的分割处理，可以将重采样图像中的三维血管分割出来，以获得仅包含血管的待测血管图像，便于后续针对血管的分析和检测。

在一些实施例中，对重采样图像进行分割可以利用深度神经网络、主动轮廓模型等方法实现。在另一些实施例中，步骤320可以包括：在步骤321（虚线框示出）中，可以利用阈值分割法对重采样图像进行粗分割，以获得包括背景区域和血管区域的粗分割结果。在一个实施例中，可以预先设定阈值下限和阈值上限，遍历重采样图像中的每个像素点，将像素值小于阈值下限的像素点标记为背景区域，以及将像素值大于阈值上限的像素点标记为血管区域，其中背景区域可以包括非血管区域（例如除血管以外的其他组织或者器官区域等）。

如图3中所示，步骤320还可以进一步包括步骤322（虚线框示出），在步骤322处，可以基于背景区域、血管区域以及重采样图像中除背景区域和血管区域以外的中间区域，利用分水岭分割法对粗分割结果进行细分割，以得到待测血管图像。在一个实施例中，可以将粗分割结果中的背景区域的像素点标记为确定的背景区域，并且将血管区域的像素点标记为确定的血管区域，以及将除背景区域和血管区域以外的中间区域标记为不确定区域；可以利用分水岭分割法对由确定的背景区域、确定的血管区域和不确定区域共同组成的标记图像进行细分割操作，得到的细分割结果即为待测血管图像。

为了更形象的理解上述步骤310和步骤320的执行过程和结果，下面将以采集到的颅脑MRA图像为例，并且结合图4进行说明。图4是示出根据本发明实施例的获得待测血管图像的过程示意图。如图4中所示，可以对采集到的三维医学图像（例如图示中的颅脑MRA图像）401进行三维重采样操作，以获得重采样图像402。接着，利用例如上述步骤321和步骤322的分割方法对重采样图像402执行分割操作，可以从重采样图像402中提取血管区域，以获得例如待测血管图像403，其中待测血管图像403中仅包括三维医学图像401中的血管。

下面返回图3继续描述，如图3中进一步示出的，在步骤330中，可以对待测血管图像中的血管进行骨架提取，以生成包含血管中心线的拓扑图像。例如图5中所示，图5中的（a）图是示出根据本发明实施例的待测血管图像，其中可以包含多根血管501。通过对图5中的（a）图中的血管501进行骨架提取，可以生成如图5中的（b）图所示的拓扑图像，该拓扑图像中可以包括血管501的血管中心线502。

在本发明的又一个实施例中，步骤330中可以包括：在步骤331处，可以对骨架提取获得的血管中心线进行预处理，以生成预处理后的拓扑图像，其中预处理可以包括以下中的至少一项：去除血管中心线上的毛刺；去除血管中心线上的环形结构；以及连通同一根血管内的血管中心线等。在一些实施例中，血管中心线可以包括多个节点（或称中心点）的集合。为了便于理解，下面将结合图6-图9进行示例性的描述。

图6是示出根据本发明实施例的去除血管中心线上的毛刺的过程示意图。如图6中的（a）图所示，对血管601进行骨架提取可以获得血管中心线602，在血管中心线602的节点604处连接有毛刺603。在一些应用场景中，对于一根完整的血管，其血管中心线的节点集合中通常包括起始点和终止点，并且包括起始点和终止点在内的所有节点理论上应该仅出现一次。然而，对于存在毛刺的血管中心线602，节点604既作为毛刺603的起始点或者终止点在节点集合中出现一次，又作为血管中心线602的非起止点出现一次，即在血管中心线602的节点集合中，节点604出现两次。在另一些实施例中，毛刺603的起止点之间的长度较短。

基于毛刺603的上述特征，通过遍历拓扑图像中的每根血管的血管中心线，可以基于血管中心线上的中心点（或称节点）在节点集合中出现的次数和/或血管中心线的长度，确定毛刺603出现的节点604位置，从而可以对该毛刺603执行去除操作，以得到例如图6中的（b）图中所示的去除毛刺后的血管中心线605。

图7是示出根据本发明实施例的去除血管中心线上的环形结构的过程示意图。如图7中的（a）图所示，对血管701进行骨架提取可以获得血管中心线702，其中在血管中心线702上的第一节点703和第二节点704之间存在由第一中心线705和第二中心线706组成的环状结构。在一些实施例中，在存在环状结构的血管中心线702的节点集合中，第一节点703和第二节点704均出现至少两次。基于环状结构这样的特征，可以通过遍历拓扑图像中的每根血管的血管中心线，找到第一节点703和第二节点704的位置，并且可以根据第一中心线705和第二中心线706之间的长度关系，选择性的删除该环状结构中的第一中心线705或者第二中心线706，以得到例如图7中的（b）图中所示的去除环形结构后的血管中心线707。在另一些实施例中，响应于第一中心线705和第二中心线706的长度比值大于第二阈值，可以在第一中心线705和第二中心线706中随机去除一条。在又一些实施例中，第二阈值可以包括0.8~1.2。

图8是示出根据本发明另一个实施例的去除血管中心线上的环形结构的过程示意图。如图8中的（a）图所示，对血管801进行骨架提取可以获得血管中心线802，其中在血管中心线802上的第一节点803和第二节点804之间存在由第一中心线805和第二中心线806组成的环状结构。在一些实施例中，响应于第一中心线705和第二中心线706的长度比值小于第三阈值，可以去除该环状结构中较短的一条中心线（例如图示中的第一中心线805），以得到例如图8中的（b）图中所示的去除环形结构后的血管中心线807。在另一些实施例中，第三阈值可以为例如1/3。根据这样的设置，可以排除血管粘连对拓扑图像的影响。

在一些应用场景中，形成环形结构的两个节点之间可以不限于图7和图8中所示的第一中心线和第二中心线，也可能出现更多数量的中心线，这种场景中去除环形结构的方法可以与上述结合图7和图8所描述的类似，例如可以每两根中心线进行比较和去除，直至最终只剩下一根中心线为止。

图9是示出根据本发明实施例的连通同一根血管内的血管中心线的过程示意图。如图9中的（a）图中所示，对血管901进行骨架提取可以获得血管中心线902。在一些实施例中，同一根血管的血管中心线902中可能包括多个多次出现的节点（例如图示中的903、904、905和906等），使得该血管中心线902被分割为多个血管段，响应于该多个节点之间不存在毛刺和/或环形结构，可以通过连通该多个血管段之间的血管中心线，以形成一根完整的血管中心线（例如图9中的（b）图中所示的血管中心线907）。在另一些实施例中，连通同一根血管内的血管中心线可以在去除毛刺和/或去除环形结构之后执行。

以上结合图6-图9对根据本发明实施例的对血管中心线进行预处理进行了示例性的描述，可以理解的是，通过上述预处理操作，可以在构建拓扑图的过程中实现对拓扑图的修正，以排除例如分割误差或者血管粘连等情况对于拓扑图精准度的影响，有利于显著提高拓扑图的准确度以及后续对目标血管提取和形态特征分析的结果的准确性。

下面返回图3继续描述，如图3中进一步示出的，在生成拓扑图像之后，可以接着执行步骤340，可以基于拓扑图像提取待测血管图像中的目标血管。然后，流程可以前进到步骤350中，可以对目标血管进行拉直处理，以获得目标血管的拉直图像。接着，可以在步骤360中，基于拉直图像来确定目标血管的形态特征。步骤340、步骤350和步骤360可以与前文中结合图1描述的步骤120、步骤130和步骤140相同或者相似，此处不再赘述。

图10是示出根据本发明实施例的提取目标血管的方法流程图。通过下面的描述可知，方法1000可以是前文中结合图1描述的步骤120或者结合图3描述的步骤340的一个具体化表现形式，因此前文中结合图1对步骤120的描述以及结合图3对步骤340的描述也可以适用于下面对方法1000的描述中。

如图10中所示，方法1000可以包括：在步骤1010中，可以获取目标血管的属性参考值。在一些实施例中，属性参考值可以为目标血管的属性参数的参考值。在另一些实施例中，属性参考值可以通过大数据统计来获得。在又一些实施例中，属性参数可以包括以下中的至少一项：长度；粗度；起点绝对坐标；止点绝对坐标；起点相对坐标；以及止点相对坐标等。

在一些实施例中，步骤1010可以包括：在步骤1011（虚线框示出）中，可以获取包含目标血管样本的一个或多个样本图像。在本发明的一个实施例中，目标血管样本可以包括例如脑动脉血管样本。在另一个实施例中，目标血管可以包括例如右侧颈内动脉颅内段、左侧颈内动脉颅内段、基底动脉、右侧大脑前动脉、左侧大脑前动脉、右侧大脑中动脉、左侧大脑中动脉、右侧大脑后动脉和左侧大脑后动脉等中的至少一种。在又一些实施例中，目标血管样本可以包括与目标血管类型相同的血管样本，例如右侧颈内动脉颅内段样本、左侧颈内动脉颅内段样本、基底动脉样本、右侧大脑前动脉样本、左侧大脑前动脉样本、右侧大脑中动脉样本、左侧大脑中动脉样本、右侧大脑后动脉样本和左侧大脑后动脉样本等中的至少一种。在一些实施例中，样本图像可以基于大样本的医学图像中获取。

接着，在步骤1012（虚线框示出）中，可以检测每个样本图像中目标血管样本的属性参数。检测目标血管样本的属性参数可以通过对样本图像进行骨架提取，以便基于目标血管样本的血管中心线的起止点来实现，也可以通过其他方法（例如人工标注或者机器标注等）确定目标血管样本的属性参数。

然后，流程可以前进到步骤1013（虚线框示出）中，可以根据一个或多个样本图像中目标血管样本的属性参数的均值和方差，确定目标血管的属性参考值。在一些实施例中，属性参考值可以包括目标血管样本的属性参数的均值和方差。为了便于理解，下面将结合一个具体实施例进行说明。

在一个应用场景中，以确定九根目标血管的属性参考值为例，参见表一中所示，以序号i=1~9来分别表示九根目标血管样本，A_i可以表示目标血管样本i的属性参数，其中A_i可以包括例如表中所示的长度、粗度、起点（或称起始点）绝对坐标、止点（或称终止点）绝对坐标、起点相对坐标和止点相对坐标等中的至少一个，A_im可以表示多个样本图像中第i根目标血管样本的属性参数A_i的均值，A_is可以表示多个样本图像中第i根目标血管样本的属性参数A_i的方差，即可以确定A_im和A_is为目标血管的属性参考值。

进一步地，表一中所示的，

可以表示多个样本图像中第i根目标血管样本的长度的均值，

可以表示多个样本图像中第i根目标血管样本的长度的方差，d_im可以表示多个样本图像中第i根目标血管样本的粗度（可以由第i根目标血管样本的平均直径或平均半径表示）的均值，d_is可以表示多个样本图像中第i根目标血管样本的粗度的方差，

可以表示多个样本图像中第i根目标血管样本的起点绝对坐标的均值，

可以表示多个样本图像中第i根目标血管样本的起点绝对坐标的方差，

可以表示多个样本图像中第i根目标血管样本的止点绝对坐标的均值，

可以表示多个样本图像中第i根目标血管样本的止点绝对坐标的方差，

可以表示多个样本图像中第i根目标血管样本的起点相对坐标的均值，

可以表示多个样本图像中第i根目标血管样本的起点相对坐标的方差，

可以表示多个样本图像中第i根目标血管样本的止点相对坐标的均值，

可以表示多个样本图像中第i根目标血管样本的止点相对坐标的方差。

表一：

然后，如图10中所示，流程可以前进到步骤1020中，可以遍历拓扑图像中的每根血管，检测每根血管的属性参数。在一个应用场景中，以拓扑图像中包含n根血管为例，遍历n根血管中的每根血管，检测每根血管的属性参数A_j，其中j=1~n，A_j可以包括第j根血管的长度

，粗度d_j，起点绝对坐标

，止点绝对坐标

，起点相对坐标

，止点相对坐标

等中的至少一个。

在一些实施例中，基于拓扑图像中每根血管的血管中心线的起始点和终止点，可以确定每根血管的长度。在另一些实施例中，可以根据每根血管的血管中心线上各中心点处的血管截面半径的均值，确定每根血管的粗度。在又一些实施例中，可以通过检测每个中心点与所在截面中血管边缘距离最近的点，以及将该最近的点与中心点之间的距离确定为该中心点处的血管截面半径。在一些实施例中，可以将第j根血管的各中心点处的血管截面半径的均值的两倍，确定为第j根血管的粗度d_j。

在另一些实施例中，基于拓扑图像中每根血管的血管中心线的起始点和终止点的绝对位置，可以确定每根血管的起点绝对坐标和止点绝对坐标。在又一些实施例中，基于拓扑图像中每根血管相对于其他血管的相对位置，可以确定每根血管的起点相对坐标和止点相对坐标。通过增加起点相对坐标和止点相对坐标的属性参数，有利于更准确的定位每根血管的位置，从而有利于提高定位目标血管的准确度以及目标血管的确定结果的鲁棒性。

进一步地，如图10中所示，可以根据每根血管的属性参数对属性参考值的惩罚值，确定目标血管。在一些实施例中，惩罚值可以为每根血管的属性参数对属性参考值的偏差。在另一些实施例中，第j根血管对第i根目标血管样本的惩罚值可以通过例如如下公式二计算得到：

（公式二）

公式二中

可以表示第j根血管的属性参数A_j相对于属性参考值A_im、A_is的惩罚值，

可以表示惩罚函数的惩罚系数，k可以表示第k个属性参数，在本实施例中k=1~14，

表示第k个属性参数的惩罚函数。在另一些实施例中，惩罚函数

可以通过如下公式三得到：

（公式三）

其中，A_j为第j根血管的某一属性参数（例如

），A_im为第i根目标血管样本对应属性参数的均值（例如

），A_is为第i根目标血管样本对应属性参数的方差（例如

）。

在本发明的再一个实施例中，步骤1030可以包括：将惩罚值中最小值对应的血管确定为目标血管。在一些实施例中，目标血管可以基于以下公式四获得：

（公式四）

其中，t_i可以表示与第i根目标血管样本对应的目标血管，

可以表示第1~n根血管中惩罚值中最小值对应的血管。

通过上面结合图10对确定目标血管的实施例进行了描述，可以理解的是，上面的描述是示例性的而非限制性的，例如目标血管的数量可以不限于上述九根，也可以根据需要确定的更多或者更少。还例如，属性参数的数量可以不限于上面列举的十四个，也可以根据需要设置的更多或者更少。还可以理解的是，基于拓扑图像提取目标血管，可以排除待测血管图像中非感兴趣的其他血管的干扰，从而可以有利于后续针对目标血管进行拉直和形态分析等。为了便于理解基于拓扑图像提取目标血管的过程，下面结合图11进行示例性的说明。

图11是示出根据本发明实施例的基于拓扑图像提取目标血管的过程示意图。图11中的（a）图是示出本实施例中的拓扑图像，其中该拓扑图像中包括血管中心线1101。以确定九根目标血管为例，通过遍历图11中的（a）图所示的拓扑图像中的每根血管的血管中心线1101，执行例如图10所示的实施方式，可以得到例如图11中的（b）图所示的七根目标血管在拓扑图像中的定位结果，以及得到如图11中的（c）图所示的两根目标血管在拓扑图像（俯视图）中的定位结果。如图11中的（b）图所示，其中1、2、3、4、5、6、7分别表示七根目标血管的编号。如图11中的（c）图所示，其中8、9分别表示另外两根目标血管的编号。可以看出，通过确定这九根目标血管，可以排除例如图11中的（b）图所示的非目标血管1102。在一些实施例中，非目标血管1102可以包括毛细血管等。进一步地，基于图11中的（b）图和（c）图所示的目标血管定位结果，可以将其中每根目标血管提取出来，以得到例如图11中的（d）图所示的目标血管的提取结果。

图12是示出根据本发明实施例的对目标血管进行拉直处理的方法流程图。通过下面的描述可知，方法1200可以是前文中结合图1所描述的步骤130以及结合图3描述的步骤350的一个具体化表现形式，因此前文中对步骤130和对步骤350的描述也可以适用于下面对方法1200的描述中。

如图12中所示，方法1200可以包括：在步骤1210中，可以基于目标血管的血管中心线，构建血管中心线上每个中心点处的法平面坐标系。在一些实施例中，步骤1210可以包括：确定每个中心点处的切向量；以及根据每个中心点的切向量，构建每个中心点处的法平面坐标系。在另一些实施例中，构建每个中心点处的法平面坐标系可以包括：基于每个中心点的切向量，确定与该切向量两两垂直的x轴向量（或称横坐标轴向量）和y轴向量（或称纵坐标轴向量）；以及基于每个中心点处的切向量、x轴向量和y轴向量，构建每个中心点处的法平面坐标系（或称空间直角坐标系）。

在一些实施例中，基于每个中心点处的切向量、x轴向量和y轴向量，构建每个中心点处的法平面坐标系可以包括：以每个中心点为原点，以每个中心点处的切向量、x轴向量和y轴向量为坐标轴，建立每个中心点处的空间直角坐标系。在另一些实施例中，确定与切向量两两垂直的x轴向量和y轴向量可以采用罗德里格旋转公式实现，能够保证得到的相邻中心点处的法平面坐标系之间没有旋转误差。

如图12中进一步示出的，在本发明的一个实施例中，步骤1210可以包括：在步骤1211（虚线框示出）中，可以对目标血管的血管中心线进行一次或多次样条拟合，以得到拟合中心线。样条拟合可以用于对目标血管的血管中心线进行平滑处理，以便于后续确定切向量的操作。为了便于理解，下面以对目标血管的血管中心线进行三次样条拟合为例进行说明。

在一些实施例中，目标血管i的血管中心线上的中心点的集合可以为

，其中

为血管中心线的长度，集合中第j个中心点的坐标为p_ij=(x_ij，y_ij，z_ij)。对目标血管i的血管中心线进行三次样条拟合可以得到拟合中心线，以使得拟合中心线光滑可导。拟合中心线的中心点的坐标为p_ij=(x_ij(t)，y_ij(t)，z_ij(t))，拟合中心线上的中心点的集合为p_i=

，其中

，

，

，t表示拟合中心线的曲线参数。

接着，在步骤1212（虚线框示出）中，可以基于拟合中心线，确定每个中心点的切向量。该切向量可以通过例如对中心点的坐标的倒数的转置操作来获得。具体地，中心点p_ij处的切向量可以利用公式五计算得到：

（公式五）

其中，

表示中心点p_ij处的切向量，

，

，

。

在一些实施例中，可以根据步骤1212中得到的目标血管的每个中心点处的切向量，确定目标血管的曲率，具体地，可以基于如下公式六来计算：

（公式六）

其中，Cur表示目标血管的曲率，

表示中心点p_ij处的切向量，

表示中心点p_ij处的二阶导数向量，

，

，

。

然后，流程可以前进到步骤1213（虚线框示出）中，可以根据每个中心点的切向量，构建每个中心点处的法平面坐标系。在一些实施例中，步骤1213可以包括：可以根据每个中心点的切向量，确定每个中心点处的法平面坐标轴；以及基于每个中心点处的法平面坐标轴，构建每个中心点处的法平面坐标系。

在另一些实施例中，步骤1213可以包括：对于拟合中心线的起点，选取与起点的切向量正交且相互正交的两个方向的向量，以构建起点处的法平面坐标系；根据相邻两个中心点的切向量，确定相邻两个中心点处的法平面之间的旋转角度和旋转方向；以及基于旋转角度和旋转方向，确定相邻两个中心点中排序靠后的中心点处的法平面坐标系。

具体地，在一个实施例中，假设每个中心点的法平面坐标轴包括

，若j=0（即拟合中心线的起点处），则任取与

正交且相互正交的向量作为

，若取

，则

。若j>0，可以采用罗德里格旋转公式得到

，可以保证第j个中心点与第j-1个中心点的法平面坐标系之间没有旋转误差。采用罗德里格旋转算法计算

的公式如下：

（公式七）；

（公式八）。

其中，RRF表示罗德里格旋转算法，

表示旋转轴，

表示相邻两个中心点（第j-1个中心点和第j个中心点）处的法平面之间的旋转角度。

表示第j-1个中心点处的x轴坐标向量，

表示第j-1个中心点处的y轴坐标向量，

表示第j个中心点处的x轴坐标向量，

表示第j个中心点处的y轴坐标向量。为了便于理解，下面结合图13对公式七和公式八进行说明。

图13是示出根据本发明实施例的确定法平面坐标系的示意图。如图13中所示，

为旋转轴，即第j个法平面与第j-1个法平面的交线的单位方向向量，其可以用于反映相邻两个中心点处的法平面之间的旋转方向。相比于第j-1个法平面，第j个法平面即为排序靠后的中心点处的法平面。

的计算公式可以为：

=

（公式九）。

进一步地，

表示相邻两个中心点处的法平面之间的旋转角度，即第j个法平面与第j-1个法平面之间的夹角。

的计算公式可以为：

=

（公式十）。

接着，可以以拟合中心线上的每个中心点为原点，以

为坐标轴，建立每个中心点处的空间直角坐标系（即法平面坐标系）

。

下面返回图12继续描述，如图12中进一步示出的，方法1200还可以包括步骤1220，在步骤1220中，可以根据法平面坐标系与待测血管图像中原坐标系之间的坐标变换，确定每个中心点处的法平面上各坐标点的灰度值，以获得每个中心点处的截面图像。根据每个中心点处的法平面坐标系与待测血管图像中原坐标系之间的坐标变换，可以确定每个中心点处的法平面上各坐标点对应于原坐标系中的坐标位置，从而可以根据待测图像中各坐标位置的灰度值，确定法平面上的相应坐标点的灰度值。由每个中心点处的法平面上各坐标点的灰度值可以形成整个法平面的图像，即每个中心点处的截面图像。

在本发明的一个实施例中，步骤1220可以包括：在步骤1221（虚线框示出）中，可以根据血管中心线上每个中心点处的法平面坐标系，确定每个中心点处的法平面坐标系与原坐标系之间的旋转矩阵和平移矩阵。在一些实施例中，原坐标系可以包括待测血管图像或者拓扑图像中的坐标系。在一些实施例中，平移矩阵可以通过对中心点的坐标的转置操作获得。例如，平移矩阵M_ij可以通过如下公式十一计算得到：

（公式十一）

其中，M_ij表示目标血管i的第j个中心点的平移矩阵，p_ij表示目标血管i的第j个中心点的坐标。

在另一些实施例中，旋转矩阵R_ij可以通过如下公式十二计算得到。

（公式十二）

其中，

表示原坐标系的轴向向量。在一个实施例中，

。

接着，在步骤1222（虚线框示出）中，可以根据旋转矩阵和平移矩阵，确定每个中心点处的法平面坐标系与原坐标系之间的变换矩阵。在一个实施例中，变换矩阵T_ij可以通过如下公式十三来计算得到：

（公式十三）

其中，M_ij为平移矩阵（即目标血管i的第j个中心点的坐标的转置），R_ij为目标血管i的第j个中心点的旋转矩阵。

然后，流程可以前进到步骤1223（虚线框示出）中，可以基于变换矩阵，对每个中心点处的法平面上的各坐标点进行坐标变换，以确定各坐标点的灰度值。在本发明的一个实施例中，步骤1223可以包括：根据每个中心点处的血管半径，构建每个中心点处的法平面上各坐标点的第一坐标矩阵；根据第一坐标矩阵和变换矩阵，确定各坐标点在原坐标系下的第二坐标矩阵；以及基于第二坐标矩阵，利用图像插值算法计算得到每个中心点处的法平面上各坐标点的灰度值。

在一些实施例中，第一坐标矩阵可以根据如下公式十四构建得到：

（公式十四）

其中，

表示第一坐标矩阵，r_ij表示目标血管i的第j个中心点处的血管截面半径，公式十四中的k表示坐标系数。在一个实施例中，k可以为3~5，以保证血管截面的所有像素点处的坐标点均可以被计算出来。

在另一些实施例中，第二坐标矩阵可以根据如下公式十五计算得到：

（公式十五）

其中，

表示第二坐标矩阵，

表示第一坐标矩阵，T_ij表示变换矩阵。

接着，利用图像插值算法计算灰度值可以通过如下公式十六来实现：

（公式十六）

其中，f_ij表示目标血管i的第j个中心点处法平面上各坐标点的灰度值，I(·)表示图像插值算法，例如可以采用最近邻插值和双线性插值等中的至少一种，k表示坐标系数。𝑔(𝑥,𝑦)表示坐标点(𝑥,𝑦,0)的灰度值。

进一步地，流程可以前进到步骤1230中，可以基于血管中心线上各中心点的排列顺序，将各中心点处的截面图像叠放，以获得目标血管的拉直图像。基于各中心点的排列顺序进行叠放，可以保证拉直血管与拉直前的目标血管的形态特征的一致性。将各中心点处的截面图像叠放，可以是将各中心点处的截面图像沿一个方向叠放，以形成三维的拉直图像。

在一些实施例中，将各中心点处的截面图像叠放以获得拉直图像可以基于下面公式十七获得：

（公式十七）

其中，Fi表示拉直图像，

表示目标血管i的第

个中心点处的截面图像的灰度值，

表示目标血管i的血管中心线的长度。

在获得了拉直图像后，可以基于拉直图像确定目标血管的形态特征。在本发明的又一个实施例中，基于拉直图像，确定目标血管的形态特征可以包括以下中的至少一项：基于拉直图像中拉直血管的各中心点处的截面图像，确定各中心点处的血管截面半径或血管截面直径；基于各中心点处的血管截面半径或血管截面直径，确定目标血管的平均半径或平均直径；以及基于各血管截面直径中的最小截面半径和所述平均半径，或者基于各血管截面直径中的最小截面直径和平均直径，确定所述目标血管的狭窄率。下面将结合图14-图18进行示例性的描述。

图14是示出根据本发明实施例的确定血管截面半径或血管截面直径的方法流程图。如图14中所示，方法1400可以包括：在步骤1410中，可以以每个截面图像中的中心点为交叉点，在截面图像上设置多条交叉线。在一些实施例中，多条交叉线可以均匀设置，例如多条交叉线中各相邻两条交叉线之间的间隔角度可以相同。在另一些实施例中，多条交叉线可以非均匀设置，例如多条交叉线中各相邻两条交叉线之间的间隔角度可以不相同。

在又一些实施例中，交叉线可以是穿过交叉点的直线。交叉线的数量越多，血管截面半径或血管截面直径的结果越准确。在另一些实施例中，交叉线的数量可以设置为8~16条。根据这样的设置，既能够保证血管截面半径或血管截面直径的准确性，又能够降低数据处理量以提高数据处理速度。进一步地，相比于设置少于8条（例如两条）交叉线的情况，设置8条以上的交叉线能够更好的适用于不规则血管截面的血管截面半径的测量。

接着，在步骤1420中，可以检测每条交叉线与所在截面图像中血管边缘的交点，以确定截面图像中的采样点。在一些应用场景中，截面图像可以包括血管截面图像和背景图像，交叉线可以穿过交叉点并且延伸至背景图像中，从而使得交叉线与血管边缘相交以产生交点。在另一些应用场景中，交叉线可以仅延伸至血管边缘处，以与血管边缘相交。在一些实施例中，可以确定所有交点均为采样点。在另一个实施例中，步骤1420中可以包括：在步骤1421（虚线框示出）中，可以在交叉点处将每条交叉线分割为两条交叉子线。接着，在步骤1422（虚线框示出）中，可以将每条交叉子线上与交叉点的距离最近的交点确定为采样点。根据这样的设置，可以有效排除截面图像中可能存在的不规则血管区域对血管截面半径或血管截面直径的确定结果产生影响，进而有利于提高检测结果的准确性。

进一步地，在步骤1430中，可以根据各采样点与交叉点之间的距离的平均值，确定中心点处的血管截面半径或血管截面直径。在一个实施例中，血管截面半径可以基于如下公式十八计算得到：

（公式十八）

其中，r_ij表示目标血管i的第j个中心点处的血管截面半径，n表示采样点个数，

表示第k个采样点与交叉点之间的距离，这里f_ij表示目标血管i的第j个中心点处的截面图像。

在另一个实施例中，血管截面直径d_ij可以基于如下公式十九计算得到：

（公式十九）。

在又一个实施例中，步骤1430可以包括：基于每条交叉线上两个采样点之间的距离的平均值，确定中心点处的血管截面直径。

为了便于理解本发明实施例的通过设置交叉线来确定血管截面半径或血管截面直径的方式，下面将结合图15进行示例性的说明。

图15是示出根据本发明实施例的设置交叉线的示意图。如图15的（a）图、（b）图、（c）图、（d）图、（e）图中所示，对于不同形状血管截面的截面图像中，均可以设置穿过中心点处的多条交叉线，并可以根据交叉线与血管边缘的交点确定采样点（如图示中的浅色圆点），进而可以根据采样点与中心点之间的距离确定血管截面半径，也可以根据同一条交叉线上的两个采样点之间的距离确定血管截面直径。通过将每条交叉子线上与交叉点的距离最近的交点确定为采样点，可以有效排除例如图15中的（d）图中所示的交叉线与非血管区域或者血管粘连区域的交点（如图示中的深色圆点）对血管截面半径确定结果的影响。

可以理解的是，上面关于确定血管截面半径或血管截面直径的实施方式是示例性的而非限制性的，在本发明的另一个实施例中，基于截面图像确定血管截面半径可以包括：以每个截面图像中的中心点为起点，设置朝向血管边缘的多条放射线；检测每条放射线与所在截面图像中血管边缘的交点，以确定截面图像中的采样点；以及可以根据各采样点与中心点之间的距离的平均值，确定中心点处的血管截面半径。在一些实施例中，多条放射线之间的间隔角度可以相同或不同。在另一些实施例中，放射线的数量可以设置为32~48条。设置32~48条放射线与前述设置8~16条交叉线的关于设置数量方面的技术效果类似，此处将不再赘述。

相比于设置交叉线的方案，设置放射线的操作更加简单和灵活，例如可以通过设置奇数条放射线来获得奇数个采样点，且采样点可以不具有对称性，从而在一些应用场景中，可以使得采样点更具代表性。相比于设置放射线的方案，设置交叉线的方案可以直接确定中心点处的血管截面直径，而无需先确定血管截面半径再确定血管截面直径，并且基于交叉线直接确定的血管截面直径将更加准确。

在本发明的又一个实施例中，确定中心点处的血管截面半径还可以包括：确定采样点与中心点之间的距离为采样半径；计算各采样半径与所在截面图像的血管截面半径之间的相对差异；响应于相对差异大于预设阈值，确定相对差异大于预设阈值的采样半径为异常采样半径；以及根据除异常采样半径之外的其他采样半径的平均值，更新血管截面半径。根据这样的设置，可以有效排除血管的局部异常特征（例如粘连、异常凸起等）对血管截面半径的检测结果的影响，有利于进一步提高血管截面半径的检测结果的准确性。

相比于其他确定血管截面半径的方法，根据本发明实施例的设置交叉线或者设置放射线的技术方案不仅有利于提高测量结果的准确性，而且能够更广泛的适用于因血管本身或者分割误差导致的形状不规则的血管截面的半径或直径的测量。下面将结合图16进行说明。

图16是示出多种血管截面半径测量方法的对比图。如图16中所示，第一行示出了例如图15中所示的截面图像。最小距离法是指将血管边缘上与中心点最近的点与中心点之间的距离确定为血管截面半径的方法。

法是基于血管截面的面积计算血管截面半径的方法。

迭代是对

法计算的结果进行迭代计算的方法。另外，本发明实施例中的设置交叉线法与设置放射线法可以统称为多经测量法。从图16中可以明显看出，本发明实施例的多径测量法可以准确测量多种形状的血管截面的血管截面半径，而其他方法均不能实现本发明实施例的多径测量法的适用范围。在一些应用场景中，设置两条交叉线可能更适合于对圆形血管截面的血管截面半径的检测，相比较而言，设置8条以上交叉线将显著提高对于非圆形血管截面的测量结果的可靠性和准确性。

在本发明的另一个实施例中，确定目标血管的形态特征可以包括：根据拉直图像中各血管截面半径中的最小截面半径所在中心点与各中心点之间的距离，对各血管截面半径进行加权平均运算，以确定平均半径；或根据拉直图像中各血管截面直径中的最小截面直径所在中心点与各中心点之间的距离，对各血管截面直径进行加权平均运算，以确定平均直径。在一个实施例中，平均半径可以基于以下公式二十计算得到：

（公式二十）

其中，

表示平均半径，

表示目标血管i的第j个中心点处截面图像的血管截面半径的权重，

表示目标血管i的第j个中心点处截面图像的血管截面半径。

可以基于以下公式二十一计算得到：

（公式二十一）

其中，

表示D_ij的函数，D_ij表示目标血管i的拉直图像中最小截面半径所在中心点与第j个中心点之间的距离，可以表示为如下公式二十二：

（公式二十二）

其中，x_ij表示目标血管i的第j个中心点的横坐标，

表示目标血管i的最小截面半径所在中心点的横坐标。例如图17中所示，其中x_i1表示目标血管i的第1个中心点的横坐标，

表示目标血管i的第

个中心点的横坐标，D_ij表示最小截面半径所在截面与第j个中心点所在截面之间的距离。在另一些实施例中，平均直径的运算方法可以与平均半径的运算方法类似，此处不再赘述。

进一步地，在本发明的一个实施例中，函数

可以根据预设规则构建，然后，可以基于构建的函数确定各血管截面半径或各血管截面直径的权重

，以及可以根据确定的权重对各截面半径或各截面直径进行加权平均运算，以得到平均半径或者平均直径。在另一些实施例中，预设规则可以包括：距离D_ij越大的中心点处对应的权重越小，例如图18中所示，其中ω_i1表示目标血管i的第1个中心点处截面图像的血管截面半径的权重，

表示最小截面半径的权重，

表示目标血管i的第

个中心点处截面图像的血管截面半径的权重。通过这样的预设规则，可以在确定平均半径或者平均直径时考虑到距离最小截面半径或者最小截面直径的影响，不仅有利于提高运算结果的准确性，还能够更加客观的反应目标血管的真实状态。

在又一些实施例中，函数可以包括例如一次函数、二次函数、反比例函数和高斯函数等中的至少一种。在一些实施例中，

表示目标血管i的第j个中心点处的血管截面半径的权重，距离的一次函数可以通过例如如下公式二十三获得：

（公式二十三）

其中，

表示目标血管i的第1~

个中心点处截面图像的血管截面半径的距离中的最大值。

在另一个实施例中，距离的二次函数可以通过例如如下公式二十四获得：

（公式二十四）。

在又一个实施例中，距离的反比例函数可以通过例如如下公式二十五获得：

（公式二十五）。

在一个实施例中，距离的高斯函数可以通过例如如下公式二十六获得：

（公式二十六）

其中，k的取值可以为3。

以上结合图14-图18对根据本发明实施例的确定目标血管的血管截面半径、血管截面直径、平均半径和平均直径等形态特征的方法进行了示例性的描述，本领域技术人员可以理解的是，上面的描述是示例性的而非限制性的，例如上述的一次函数、二次函数、反比例函数和高斯函数是示例性的，在一些实施例中，还可以根据需要设置满足预设规则的其他函数形式。在另一些实施例中，根据图14-图18所述的血管截面半径和/或血管截面直径的确定方法还可以应用于前文中对属性参数中的粗度的计算中，有利于提高粗度确定结果的准确度。

在一个实验例中，通过对185张待测血管图像中的例如九根目标血管均进行基于本发明实施例的狭窄率计算，并将狭窄率结果与影像医师的检测结果进行比对发现，基于本发明实施例获得的狭窄率结果与影像医师的检测结果具有高度的一致性，说明本发明实施例的方法具有较高的检测准确率。在另一个实验例中，通过用机器实施根据本发明实施例的方法，对于每张待测血管图像的例如九根目标血管的形态特征的检测速度可以仅需6分钟，说明本发明实施例的方法具有较高的检测速度。

在另一个实验例中，通过对7根目标血管的拉直图像分别根据起止点法、平均法和加权平均法确定平均半径或平均直径，进而确定的狭窄率结果的平均误差进行统计，可以得到如图19所示的实验结果。起止点法可以是根据拉直血管的起始点和终止点的血管截面半径或血管截面直径确定平均半径或者平均直径的方法。平均法可以是根据拉直血管的各中心点处的血管截面半径或者血管截面直径的平均值直接确定平均半径或者平均直径的方法。加权平均法是根据本发明实施例的基于加权平均运算确定平均半径或平均直径的方法。

如图19中所示，相比于起止点法确定狭窄率的平均误差0.0837以及平均法确定狭窄率的平均误差0.0534，根据本发明实施例的加权平均法确定狭窄率的平均误差仅为0.0210。因此，根据本发明实施例的加权平均方法能够显著降低对目标血管的狭窄率检测的平均误差。

通过上面对本发明的确定血管形态特征的技术方案以及多个实施例的描述，本领域技术人员可以理解的是，本发明实施例的用于确定血管形态特征的方法可以通过生成拓扑图像、提取目标血管、对目标血管的拉直处理以及对拉直血管的形态分析，能够实现快速且准确的确定待测血管图像中的每个目标血管的形态特征的目的。在一些实施例中，可以通过检测拓扑图像中每根血管的属性参数，以及根据每根血管的属性参数对属性参考值的惩罚值来准确确定和提取想要进行形态分析的目标血管。在另一些实施例中，根据拉直图像中各血管截面半径中的最小截面半径所在中心点与各中心点之间的距离，对各血管截面半径的加权平均运算，可以得到更准确且更符合客观规律的目标血管的平均半径。

在本发明的第二方面中，提供一种用于确定血管形态特征的装置，包括：骨架提取模块，其配置用于对待测血管图像中的血管进行骨架提取，以生成包含血管中心线的拓扑图像；目标提取模块，其配置用于基于拓扑图像，提取待测血管图像中的目标血管；拉直模块，其配置用于对目标血管进行拉直处理，以获得目标血管的拉直图像；以及特征确定模块，其配置用于基于拉直图像，确定目标血管的形态特征。

本发明实施例的装置已经在上文中结合图1-图18任一描述的用于确定血管形态特征的方法进行了详细的描述和解释，这里将不再赘述。

在本发明的第三方面中，提供一种用于确定血管形态特征的设备，包括，至少一个处理器；存储器，其存储有程序指令，当程序指令由至少一个处理器执行时，使得设备执行根据本发明的第一方面中任意一项所述的方法。下面将结合图20进行示例性的描述。

图20是示出根据本发明实施例的用于确定血管形态特征的系统示意图。该系统2000可以包括根据本发明实施例的设备2010以及其外围设备和外部网络，其中设备2010执行用于确定血管形态特征的操作，以实现前述结合图1-图18任一所述的本发明实施例的技术方案。

如图20中所示，设备2010可以包括CPU 2011，其可以是通用CPU、专用CPU或者其他信息处理以及程序运行的执行单元。进一步，设备2010还可以包括大容量存储器2012和只读存储器ROM 2013，其中大容量存储器2012可以配置用于存储各类数据，包括血管中心线坐标、粗分割结果、血管的属性参数等以及用于确定血管形态特征所需要的各种程序，ROM2013可以配置成存储对于设备2010的系统中各功能模块的初始化、系统的基本输入/输出的驱动程序及引导操作系统所需的数据。

进一步，设备2010还可以包括其他的硬件或组件，例如示出的图形处理器（“GPU”）2015和现场可编程逻辑门阵列（“FPGA”）2016等。可以理解的是，尽管在设备2010中示出了多种硬件或组件，但这里仅仅是示例性的而非限制性的，本领域技术人员可以根据实际需要增加或移除相应的硬件。

本发明实施例的设备2010还可以包括通信接口2018，从而可以通过该通信接口2018连接到局域网/无线局域网（LAN/WLAN）2050，进而可以通过LAN/WLAN连接到本地服务器2060或连接到因特网（“Internet”）2070。替代地或附加地，本发明实施例的设备2010还可以通过通信接口2018基于无线通信技术直接连接到因特网或蜂窝网络，例如基于第三代（“3G”）、第四代（“4G”）或第5代（“5G”）的无线通信技术。在一些应用场景中，本发明实施例的设备2010还可以根据需要访问外部网络的服务器2080以及可能的数据库2090，以便获得各种已知的例如目标血管的属性参考值、数据和模块等，并且可以远程地存储检测的各种数据。

设备2010的外围设备可以包括显示装置2020、输入装置2030以及数据传输接口2040。在一个实施例中，显示装置2020可以例如包括一个或多个扬声器和/或一个或多个视觉显示器，其配置用于对本发明实施例的设备的检测过程或者最终结果进行语音提示和/或图像视频显示。输入装置2030可以包括例如键盘、鼠标、麦克风、姿势捕捉相机，或其他输入按钮或控件，其配置用于接收检测信息的输入或用户指令。数据传输接口2040可以包括例如串行接口、并行接口或通用串行总线接口（“USB”）、小型计算机系统接口（“SCSI”）、串行ATA、火线（“FireWire”）、PCI Express和高清多媒体接口（“HDMI”）等，其配置用于与其他设备或系统的数据传输和交互。根据本发明的方案，该数据传输接口2040可以接收待测血管图像等，并且向设备2010传送各种类型的数据和结果。

本发明实施例的设备2010的上述CPU2011、大容量存储器2012、只读存储器（“ROM”） 2013、GPU 2015、FPGA 2016和通信接口2018可以通过总线2019相互连接，并且通过该总线与外围设备实现数据交互。在一个实施例中，通过该总线2019，CPU 2011可以控制设备2010中的其他硬件组件及其外围设备。

在工作中，本发明实施例的设备2010的处理器CPU 2011可以通过输入装置2030或数据传输接口2040接收数据，并调取存储于存储器2012中的计算机程序指令或代码（例如涉及用于确定血管的形态特征的代码）对接收到的待测血管图像及其检测请求进行检测，以获得目标血管的形态特征等。接着，处理器CPU 2011开始根据获得的待测血管图像进行骨架提取、目标血管提取、血管拉直、形态特征确定等。在CPU 2011通过执行用于确定血管形态特征的程序确定了目标血管的形态特征结果后，可以在显示装置2020上显示或者通过语音提示的方式输出目标血管的形态特征结果。另外，设备2010还可以通过通信接口2018将所述结果上传至网络，例如远程的数据库2090。

还应当理解，本发明示例的执行指令的任何模块、单元、组件、服务器、计算机、终端或设备可以包括或以其他方式访问计算机可读介质，诸如存储介质、计算机存储介质或数据存储设备（可移除的）和/或不可移动的）例如磁盘、光盘或磁带。计算机存储介质可以包括以用于存储信息的任何方法或技术实现的易失性和非易失性，可移动和不可移动介质，例如计算机可读指令、数据结构、程序模块或其他数据。

在本发明的第四方面中，提供一种计算机可读存储介质，其存储有用于确定血管形态特征的程序，当程序由处理器来运行时，执行根据本发明的第一方面中任意一项所述的方法。

计算机可读存储介质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（DynamicRandom Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory）、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，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。

虽然本发明的实施例如上，但所述内容只是为便于理解本发明而采用的实施例，并非用以限定本发明的范围和应用场景。任何本发明所述技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims

1.一种用于确定血管形态特征的方法，其特征在于，包括：

对待测血管图像中的血管进行骨架提取，以生成包含血管中心线的拓扑图像；

获取所述待测血管图像中的目标血管的属性参考值；

遍历所述拓扑图像中的每根血管，检测每根血管的属性参数；

根据每根血管的属性参数对所述属性参考值的惩罚值，确定所述目标血管；

对所述目标血管进行拉直处理，以获得所述目标血管的拉直图像；以及

基于所述拉直图像，确定所述目标血管的形态特征；

其中，属性参考值包括目标血管样本的属性参数的均值和方差，第j根血管对第i根目标血管样本的惩罚值通过如下公式计算得到：

其中

表示第j根血管的属性参数A_j相对于属性参考值A_im、A_is的惩罚值，λ_k表示惩罚函数的惩罚系数，k表示第k个属性参数，k=1~w，w表示w个属性参数，

表示第k个属性参数的惩罚函数，惩罚函数

通过如下公式计算得到：

其中A_j为第j根血管的某一属性参数，A_im为第i根目标血管样本对应属性参数的均值，A_is为第i根目标血管样本对应属性参数的方差。

2.根据权利要求1所述的方法，其特征在于，在对待测血管图像中的血管进行骨架提取之前，所述方法还包括：

对采集到的三维医学图像进行三维重采样操作，以获得重采样图像；以及

对所述重采样图像进行分割，以获取仅包含血管的所述待测血管图像。

3.根据权利要求2所述的方法，其特征在于，对重采样图像进行分割包括：

利用阈值分割法对所述重采样图像进行粗分割，以获得包括背景区域和血管区域的粗分割结果；以及

基于所述背景区域、所述血管区域以及所述重采样图像中除所述背景区域和所述血管区域以外的中间区域，利用分水岭分割法对所述粗分割结果进行细分割，以得到所述待测血管图像。

4.根据权利要求1所述的方法，其特征在于，生成拓扑图像包括：

对骨架提取获得的血管中心线进行预处理，以生成预处理后的所述拓扑图像，其中所述预处理包括以下中的至少一项：

去除所述血管中心线上的毛刺；

去除所述血管中心线上的环形结构；以及

连通同一根血管内的血管中心线。

5.根据权利要求1所述的方法，其特征在于，检测每根血管的属性参数包括：

基于所述拓扑图像中的血管中心线，确定所述拓扑图像中每根血管的起止点；以及

至少基于每根血管的起止点，确定每根血管的属性参数。

6.根据权利要求1所述的方法，其特征在于，获取所述目标血管的属性参考值包括：

获取包含目标血管样本的一个或多个样本图像；

检测每个样本图像中目标血管样本的属性参数；以及

根据所述一个或多个样本图像中所述目标血管样本的属性参数的均值和方差，确定所述目标血管的属性参考值。

7.根据权利要求1所述的方法，其特征在于，所述属性参数包括以下中的至少一项：

长度；

粗度；

起点绝对坐标；

止点绝对坐标；

起点相对坐标；以及

止点相对坐标。

8.根据权利要求1所述的方法，其特征在于，根据每根血管的属性参数对所述属性参考值的惩罚值，确定所述目标血管包括：

将惩罚值中最小值对应的血管确定为所述目标血管。

9.根据权利要求1所述的方法，其特征在于，对所述目标血管进行拉直处理包括：

基于所述目标血管的血管中心线，构建所述血管中心线上每个中心点处的法平面坐标系；

根据所述法平面坐标系与所述待测血管图像中原坐标系之间的坐标变换，确定每个中心点处的法平面上各坐标点的灰度值，以获得每个中心点处的截面图像；以及

基于所述血管中心线上各中心点的排列顺序，将各中心点处的截面图像叠放，以获得所述目标血管的拉直图像。

10.根据权利要求9所述的方法，其特征在于，构建每个中心点处的法平面坐标系包括：

对所述目标血管的血管中心线进行一次或多次样条拟合，以得到拟合中心线；

基于所述拟合中心线，确定每个中心点的切向量；以及

根据每个中心点的切向量，构建每个中心点处的法平面坐标系。

11.根据权利要求10所述的方法，其特征在于，根据每个中心点的切向量，构建每个中心点处的法平面坐标系包括：

对于所述拟合中心线的起点，选取与起点的切向量正交且相互正交的两个方向的向量，以构建起点处的法平面坐标系；

根据相邻两个中心点的切向量，确定相邻两个中心点处的法平面之间的旋转角度和旋转方向；以及

基于所述旋转角度和所述旋转方向，确定所述相邻两个中心点中排序靠后的中心点处的法平面坐标系。

12.根据权利要求9-11任一所述的方法，其特征在于，根据所述法平面坐标系与所述待测血管图像中原坐标系之间的坐标变换，确定灰度值包括：

根据所述血管中心线上每个中心点处的法平面坐标系，确定每个中心点处的法平面坐标系与所述原坐标系之间的旋转矩阵和平移矩阵；

根据所述旋转矩阵和平移矩阵，确定每个中心点处的法平面坐标系与所述原坐标系之间的变换矩阵；以及

基于所述变换矩阵，对每个中心点处的法平面上的各坐标点进行坐标变换，以确定各坐标点的灰度值。

13.根据权利要求12所述的方法，其特征在于，基于变换矩阵确定灰度值包括：

根据每个中心点处的血管半径，构建每个中心点处的法平面上各坐标点的第一坐标矩阵；

根据所述第一坐标矩阵和所述变换矩阵，确定各坐标点在所述原坐标系下的第二坐标矩阵；以及

基于所述第二坐标矩阵，利用图像插值算法计算得到每个中心点处的法平面上各坐标点的灰度值。

14.根据权利要求1所述的方法，其特征在于，所述形态特征包括以下中的至少一种：

曲率；

长度；

平均半径；

平均直径；

血管截面半径；

血管截面直径；以及

狭窄率。

15.根据权利要求14所述的方法，其特征在于，基于所述拉直图像，确定所述目标血管的形态特征包括以下中的至少一项：

基于所述拉直图像中拉直血管的各中心点处的截面图像，确定各中心点处的血管截面半径或血管截面直径；

基于各中心点处的血管截面半径或血管截面直径，确定所述目标血管的平均半径或平均直径；以及

基于各血管截面直径中的最小截面半径和所述平均半径，或者基于各血管截面直径中的最小截面直径和所述平均直径，确定所述目标血管的狭窄率。

16.根据权利要求15所述的方法，其特征在于，确定各中心点处的血管截面半径或血管截面直径包括：

以每个截面图像中的所述中心点为交叉点，在所述截面图像上设置多条交叉线；

检测每条交叉线与所在截面图像中血管边缘的交点，以确定所述截面图像中的采样点；以及

根据各采样点与所述交叉点之间的距离的平均值，确定所述中心点处的血管截面半径或血管截面直径。

17.根据权利要求16所述的方法，其特征在于，确定所述截面图像中的采样点包括：

在所述交叉点处将每条交叉线分割为两条交叉子线；以及

将每条交叉子线上与所述交叉点的距离最近的交点确定为所述采样点。

18.根据权利要求14或15所述的方法，其特征在于，确定目标血管的形态特征包括：

根据所述拉直图像中各血管截面半径中的最小截面半径所在中心点与各中心点之间的距离，对各血管截面半径进行加权平均运算，以确定所述平均半径；或

根据所述拉直图像中各血管截面直径中的最小截面直径所在中心点与各中心点之间的距离，对各血管截面直径进行加权平均运算，以确定所述平均直径。

19.根据权利要求14或15所述的方法，其特征在于，还包括：

响应于所述狭窄率大于或等于第一阈值，确定所述目标血管为狭窄血管；

响应于所述狭窄率小于第一阈值，确定所述目标血管为非狭窄血管。

20.根据权利要求1-11任一所述的方法，其特征在于，所述目标血管包括脑动脉血管。

21.一种用于确定血管形态特征的装置，其特征在于，包括：

骨架提取模块，其配置用于对待测血管图像中的血管进行骨架提取，以生成包含血管中心线的拓扑图像；

目标提取模块，其配置用于

获取所述待测血管图像中的目标血管的属性参考值；

遍历所述拓扑图像中的每根血管，检测每根血管的属性参数；以及

其中

表示第k个属性参数的惩罚函数，惩罚函数

通过如下公式计算得到：

其中A_j为第j根血管的某一属性参数，A_im为第i根目标血管样本对应属性参数的均值，A_is为第i根目标血管样本对应属性参数的方差；

拉直模块，其配置用于对所述目标血管进行拉直处理，以获得所述目标血管的拉直图像；以及

特征确定模块，其配置用于基于所述拉直图像，确定所述目标血管的形态特征。

22.一种用于确定血管形态特征的设备，其特征在于，包括，

至少一个处理器；

存储器，其存储有程序指令，当所述程序指令由所述至少一个处理器执行时，使得所述设备执行根据权利要求1-20的任意一项所述的方法。

23.一种计算机可读存储介质，其特征在于，存储有用于确定血管形态特征的程序，当所述程序由处理器来运行时，执行根据权利要求1-20的任意一项所述的方法。