CN114445391B - 血管分段方法及其装置、电子设备和计算机可读存储介质 - Google Patents

Abstract

本申请提供了一种血管分段方法，用于将待处理医学图像中的血管按照血管类别进行分段，该血管分段方法包括：确定待处理医学图像对应的血管分割数据；基于血管分割数据确定初始血管分段数据；基于初始血管分段数据进行骨架提取操作和连通域操作，得到中间血管分段数据；对中间血管分段数据进行区域生长操作，得到最终血管分段数据。利用本申请提供的血管分段方法，对待处理医学图像进行血管分段，不仅能够修正初始血管分段数据中的错误分段区域，而且能够明确相邻的血管段之间分界线，从而实现降低血管串色和分段位置偏移过大的概率，提高血管分段准确率的目的。

Description

血管分段方法及其装置、电子设备和计算机可读存储介质

技术领域

本申请涉及医学图像处理技术领域，具体涉及一种血管分段方法及其装置、电子设备和计算机可读存储介质。

背景技术

由于医学影像中的血管的种类比较丰富，为了能够使医生更精准定位病灶，需要将医学影像中的血管按照血管类别进行分段，并利用不同颜色显示不同血管类别的血管段。然而，在对血管分段时，存在分段位置偏移过大以及血管串色等分段效果差的问题。

发明内容

有鉴于此，本申请实施例提供了一种血管分段方法、血管分段装置、电子设备和计算机可读存储介质、以解决现有技术中在对血管按照血管类别进行分段时，分段位置偏移过大以及血管串色等分段效果差的技术问题。

根据本申请实施例的第一方面，提供一种血管分段方法，用于将待处理医学图像中的血管按照血管类别进行分段，方法包括：确定待处理医学图像对应的血管分割数据；基于血管分割数据确定初始血管分段数据；基于初始血管分段数据进行骨架提取操作和连通域操作，得到中间血管分段数据；对中间血管分段数据进行区域生长操作，得到最终血管分段数据。

在一个实施例中，基于初始血管分段数据进行骨架提取操作和连通域操作，得到中间血管分段数据，包括：对初始血管分段数据进行骨架提取操作，得到初始血管骨架；对初始血管骨架进行连通域操作，得到多个连通域；利用多数投票算法，确定多个连通域各自对应的修正血管类别，以得到修正血管骨架；对修正血管骨架进行膨胀操作，并将膨胀操作后的修正血管骨架映射到初始血管分段数据，修正初始血管分段数据中的错误分段数据，得到中间血管分段数据。

在一个实施例中，利用多数投票算法，确定多个连通域各自对应的修正血管类别，包括：基于初始血管分段数据，确定血管分割数据中的像素点各自对应的初始血管类别；基于血管分割数据中的像素点各自对应的初始血管类别，确定多个连通域各自对应的初始血管类别；针对多个连通域中的每个连通域，确定连通域对应的初始血管类别各自对应的像素点数量；将像素点数量最多的初始血管类别，确定为连通域对应的修正血管类别。

在一个实施例中，基于血管分割数据确定初始血管分段数据，包括：对血管分割数据进行闭操作；将闭操作后的血管分割数据输入血管分段模型，得到初始血管分段数据，其中，血管分段模型用于将血管分割数据按照血管类别进行分段。

在一个实施例中，血管分段模型的训练方法包括：基于待训练模型，利用增强训练样本，得到当前次迭代的血管分段预测数据，其中，增强训练样本包括血管分段标记数据；基于血管分段标记数据，确定当前次迭代的血管分段预测数据中的血管交界数据与当前次迭代的血管分段预测数据中的非血管交界数据；基于血管分段标记数据、当前次迭代的血管分段预测数据和预设损失函数，确定当前次迭代的损失函数值，其中，在预设损失函数中，血管交界数据的权重大于非血管交界数据的权重；基于当前次迭代的损失函数值，调整待训练模型的参数，并循环迭代训练待训练模型，直至确定的损失函数值满足预设条件，得到血管分段模型。

在一个实施例中，基于血管分段标记数据，确定当前次迭代的血管分段预测数据中的血管交界数据与当前次迭代的血管分段预测数据中的非血管交界数据，包括：对血管分段标记数据进行膨胀操作，得到膨胀后血管分段标记数据；对膨胀后血管分段标记数据进行池化操作，获得池化操作后的血管分段标记数据；基于池化操作后的血管分段标记数据，确定血管交界数据和非血管交界数据。

在一个实施例中，在基于待训练模型，利用增强训练样本，得到当前次迭代的血管分段预测数据之前，该方法还包括：获取初始训练样本，其中，初始训练样本包括至少一幅血管样本图像和至少一幅血管样本图像各自对应的血管分割数据和血管分段标记数据；对至少一幅血管样本图像进行随机剪裁操作和/或随机旋转操作，得到多幅增强样本图像；针对于多个多幅增强样本图像中的每幅增强样本图像，对每幅增强样本图像对应的血管分割数据进行闭操作，获得增强训练样本。

根据本申请实施例的第二方面，提供一种血管分段装置，用于将待处理医学图像中的血管按照血管类别进行分段，分段装置包括：第一确定模块，配置为确定待处理医学图像对应的血管分割数据；第二确定模块，配置为基于血管分割数据确定初始血管分段数据；第一操作执行模块，配置为基于初始血管分段数据进行骨架提取操作和连通域操作，得到中间血管分段数据；第二操作执行模块，配置为对中间血管分段数据进行区域生长操作，得到最终血管分段数据。

根据本申请实施例的第三方面，提供一种电子设备，包括：处理器；以及存储器，在存储器中存储有计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行如上述第一方面的血管分段方法。

根据本申请实施例的第四方面，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行如上述第一方面的血管分段方法。

本申请实施例提供的血管分段方法，用于将待处理医学图像中的血管按照血管类别进行分段。通过确定待处理医学图像对应的血管分割数据；基于血管分割数据确定初始血管分段数据；基于初始血管分段数据进行骨架提取操作和连通域操作，修正初始血管分段数据中的错误分段区域，得到中间血管分段数据；对中间血管分段数据进行区域生长操作，确定相邻的血管段之间分界线，得到最终血管分段数据，实现降低血管串色和分段位置偏移过大的概率，从而提高血管分段的准确率的目的。

附图说明

图1所示为本申请一实施例提供的血管分段方法的流程示意图。

图2所示为本申请一实施例提供的血管分段方法的流程示意图。

图3所示为本申请一实施例提供的血管分段方法的流程示意图。

图4所示为本申请一实施例提供的血管分段方法的流程示意图。

图5所示为本申请一实施例提供血管分段模型的训练方法的流程示意图。

图6所示为本申请一实施例提供血管分段模型的训练方法的流程示意图。

图7所示为本申请一实施例提供血管分段模型的训练方法的流程示意图。

图8所示为本申请一实施例提供的血管分段装置的结构示意图。

图9所示为本申请一实施例提供的第一操作执行模块的结构示意图。

图10所示为本申请一实施例提供的修正血管骨架得到单元的结构示意图。

图11所示为本申请一实施例提供的第二确定模块的结构示意图。

图12所示为本申请一实施例提供的训练模块的结构示意图。

图13所示为本申请一实施例提供的第一确定单元的结构示意图。

图14所示为本申请一实施例提供的训练模块的结构示意图。

图15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。

医学影像中的血管的种类比较丰富，为了能够使医生更精准定位病灶，需要将医学影像上的血管按照血管类别进行分段，并利用不同颜色显示不同血管类别的血管段。例如：头颈电子计算机断层扫描血管造影(Computed Tomography Angiography，CTA)图像中，血管种类极其丰富，存在左颈内动脉、右颈内动脉、左颈总动脉、右颈总动脉、左侧大脑前动脉、右侧大脑前动脉等22类血管，为了便于医生根据不同种类血管的血流血供情况，精准定位病灶，为患者提供更准确的诊断，需要将这22类血管按照血管类别进行分段，并利用不同颜色显示不同血管类别的血管段。

然而，现有技术中，对血管按照血管类别进行分段时，容易出现分段位置偏移过大以及血管串色等分段效果差的问题。仍以头颈CTA图像为例，在对血管按照血管类别进行分段时，颈总动脉的血管段上出现了一个小区域显示颈外动脉对应的颜色，或者在颈总动脉和颈外动脉之间的分界线并没有在正确位置，颈总动脉过短，颈外动脉过长，分段位置偏移较大，上述问题均影响医生对头颈疾病的诊断。

为了解决上述问题，本申请实施例提供一种血管分段方法，用于将待处理医学图像中的血管按照血管类别进行分段。通过确定待处理医学图像对应的血管分割数据；基于血管分割数据确定初始血管分段数据；基于初始血管分段数据进行骨架提取操作和连通域操作，修正初始血管分段数据中的错误分段区域，得到中间血管分段数据；对中间血管分段数据进行区域生长操作，确定相邻的血管段之间分界线，得到最终血管分段数据，实现降低血管串色和分段位置偏移过大的概率，从而提高血管分段的准确率的目的。

下面结合图1至图15详细介绍本申请实施例提及的血管分段方法、血管分段装置、电子设备和计算机可读存储介质。

血管分段方法

本申请实施例提供的血管分段方法，用于将待处理医学图像中的血管按照血管类别进行分段，并通过不同颜色显示不同血管类别的血管段，以供医生观察血流血供情况，为患者提供更准确的诊断。

图1所示为本申请一实施例提供的血管分段方法的流程示意图。如图1所示，该血管分段方法包括如下步骤。

S101：确定待处理医学图像对应的血管分割数据。

示例性地，血管分割数据用于将待处理医学图像中血管与背景区(即非血管)分开。

具体而言，待处理医学图像对应的血管分割数据可以是人工标注的，也可以是将待处理医学图像输入预先训练好的血管分割模型后获得的。此外，待处理医学图像可以是头颈CTA图像，肝脏增强CT图像等。

S102：基于血管分割数据确定初始血管分段数据。

具体而言，初始血管分段数据为将血管分割数据按照血管类别进行分段的初步结果。初始血管分段数据可以是人工标注的，也可以是将血管分割数据输入到预先训练好的血管分段模型后获得的。

S103：基于初始血管分段数据进行骨架提取操作和连通域操作，得到中间血管分段数据。

具体而言，考虑到血管内在的拓扑结构，不同血管类别血管之间的距离非常近，并且血管分段模型的感受野可能存在某些问题，初始血管分段数据可能会存在错误分段区域(表现为串色或分段位置偏移过大)，则需要基于初始血管分段数据进行骨架提取操作和连通域操作，修正初始血管分段数据中的错误分段区域，从而得到中间血管分段数据。

需要说明的是，骨架提取操作为将初始血管分段数据细化到单像素宽的骨架。连通域操作为对骨架提取操作后的初始血管分段数据求连通域计算，将获得的独立连通域按照连通域的体积降序顺序标号。

S104：对中间血管分段数据进行区域生长操作，得到最终血管分段数据。

具体而言，考虑相邻血管中的分界线不易分清，在中间血管分段数据基础上，对中间血管分段数据进行区域生长操作，确定相邻的血管段之间分界线，得到最终血管分段数据。

需要说明的是，区域生长操作为，针对每一个区域先指定一个种子点作为生长的起点，然后将种子点周围领域的像素点和种子点进行距离计算，将与种子点距离最近的像素点合并起来继续向外生长，直到没有满足条件的像素被包括进来为止，从而一个区域的生长完成。

本申请实施例中，通过确定待处理医学图像对应的血管分割数据；基于血管分割数据确定初始血管分段数据；基于初始血管分段数据进行骨架提取操作和连通域操作，修正初始血管分段数据中的错误分段区域，得到中间血管分段数据；对中间血管分段数据进行区域生长操作，确定相邻的血管段之间分界线，得到最终血管分段数据，实现降低血管串色和分段位置偏移过大的概率，从而提高血管分段的准确率的目的。

图2所示为本申请一实施例提供的血管分段方法的流程示意图。如图2所示，基于初始血管分段数据进行骨架提取操作和连通域操作，得到中间血管分段数据步骤，包括如下步骤。

S201：对初始血管分段数据进行骨架提取操作，得到初始血管骨架。

示例性地，将初始血管分段数据细化到单像素宽的骨架，得到初始血管骨架。

S202：对初始血管骨架进行连通域操作，得到多个连通域。

示例性地，对初始血管骨架进行求连通域计算，获得多个连通域。其中，一个连通域代表一个血管段。

S203：利用多数投票算法，确定多个连通域各自对应的修正血管类别，以得到修正血管骨架。

根据初始血管分段数据可知，对于一个连通域，其可能不仅仅对应1个初始血管类别(即，一个血管段不仅仅对应1个初始血管类别，可能对应多个血管类别，此时即为血管区域)，若一个连通域仅对应多个初始血管类别，利用多数投票算法，确定该连通域对应的修正血管类别，(即，删除了该血管段中的串色区域)。遍历多个连通域中的每个连通域，确定多个连通域各自对应的修正血管类别，以得到修正血管骨架。

S204：对修正血管骨架进行膨胀操作，并将膨胀操作后的修正血管骨架映射到初始血管分段数据，修正初始血管分段数据中的错误分段数据，得到中间血管分段数据。

具体而言，考虑到修正血管骨架是单像素宽度的，对修正血管骨架进行膨胀操作，将膨胀操作后的修正血管骨架映射到初始血管分段数据，解决血管分段位置偏移过大的问题，从而修正初始血管分段数据中的错误分段数据，得到中间血管分段数据。

本申请实施例中，通过上述步骤，实现修正初始血管分段数据中的错误分段数据，从而降低血管串色和分段位置偏移过大的概率，继而提高血管分段的准确率的目的。

图3所示为本申请一实施例提供的血管分段方法的流程示意图。如图3所示，利用多数投票算法，确定多个连通域各自对应的修正血管类别步骤，包括如下步骤。

S301：基于初始血管分段数据，确定血管分割数据中的像素点各自对应的初始血管类别。

具体而言，基于初始血管分段数据，确定血管分割数据包括的多个像素点各自对应的初始血管类别。需要说明的是，某个像素点对应的初始血管类别，即在初始血管分段数据中，某个像素点被识别出来的血管类别。

S302：基于血管分割数据中的像素点各自对应的初始血管类别，确定多个连通域各自对应的初始血管类别。

具体而言，在确定血管分割数据包括的多个像素点各自对应的初始血管类别之后，再根据多个连通域中每个连通域都包括哪些像素点，确定出多个连通域各自对应的初始血管类别的情况。需要说明的是，每个连通域对应的初始血管类别的个数可以为1个，也可能是多个(此时为血管串色)。

S303：针对多个连通域中的每个连通域，确定连通域对应的初始血管类别各自对应的像素点数量。

S304：将像素点数量最多的初始血管类别，确定为连通域对应的修正血管类别。

具体而言，当连通域中所有像素点都对应1个初始血管类别(假设为初始血管类别A)，对于该连通域而言，具有像素点数量最多的就是初始血管类别A，则将初始血管类别A确定为连通域对应的修正血管类别。

当连通域对应多个初始血管类别，分别计算多个初始血管类别各自对应的像素点数量，将像素点数量最多的初始血管类别，确定为连通域对应的修正血管类别。举例说明，若连通域对应初始血管类别B和初始血管类别C共两个初始血管类别，对应于初始血管类别B的像素点数量大于对应于初始血管类别B的像素点数量，确定初始血管类别B为连通域对应的修正血管类别。

本申请实施例中，通过计算连通域对应的初始血管类别对应的像素点的数量，选择像素点数量最多的初始血管类别，确定为连通域对应的修正血管类别，以将每个连通域中串色区域删除，实现修正初始血管分段数据中的错误分段数据的目的。

图4所示为本申请一实施例提供的血管分段方法的流程示意图。如图4所示，基于血管分割数据确定初始血管分段数据步骤，包括如下步骤。

S401：对血管分割数据进行闭操作。

具体而言，通过对血管分割数据进行先膨胀后腐蚀的闭操作，连接邻近物体和平滑边界，从而有效地保留血管的拓扑结构，防止血管分割数据经过放缩后小血管的丢失，为后续进行血管分段提供精准的基础。

S402：将闭操作后的血管分割数据输入血管分段模型，得到初始血管分段数据。

示例性地，血管分段模型用于将血管分割数据按照血管类别进行分段。具体而言，将闭操作后的血管分割数据输入预先训练好的血管分段模型，获得将血管分割数据按照血管类别进行分段的初步分段结果。

本申请实施例中，通过对血管分割数据进行闭操作，实现有效地保留血管的拓扑结构，防止血管分割数据经过放缩后小血管的丢失的目的。此外，将将闭操作后的血管分割数据输入预先训练好的血管分段模型，获得将血管分割数据按照血管类别进行分段的初步分段结果。

图5所示为本申请一实施例提供血管分段模型的训练方法的流程示意图。如图5所示，血管分段模型的训练方法包括下列步骤。

S501：基于待训练模型，利用增强训练样本，得到当前次迭代的血管分段预测数据。

示例性地，增强训练样本包括血管分割数据和血管分段标记数据。需要说明的是，增强训练样本为基于对初始训练样本进行数据增强后获得的增强训练样本。增强训练样本相对于初始训练样本，增加了样本的多样性。

具体而言，将增强训练样本输入待训练模型，得到当前次迭代的血管分段预测数据。增强训练样本包括血管分段标记数据为参考值，当前次迭代的血管分段预测数据为预测值，基于预测值和参考值，来调整待训练模型。其中，当前次迭代的血管分段预测数据为在当前次迭代中，待训练模型输出的将血管分割数据按照血管类别进行分段的预测结果。

S502：基于血管分段标记数据，确定当前次迭代的血管分段预测数据中的血管交界数据与当前次迭代的血管分段预测数据中的非血管交界数据。

S503：基于血管分段标记数据、当前次迭代的血管分段预测数据和预设损失函数，确定当前次迭代的损失函数值。

示例性地，在预设损失函数中，血管交界数据的权重大于非血管交界数据的权重。具体而言，考虑到血管交界处的分割更容易出现错误，需要待训练模型更关注血管交界处，因此，为了加深待训练模型在血管交界处的学习，在预设损失函数时，限定血管交界数据的权重大于非血管交界数据的权重，即提高血管交界数据的权重。优选地，血管交界数据的权重为非血管交界数据的权重的10倍。

预设损失函数以当前次迭代的血管分段预测数据与血管分段标记数据为变量的函数，更确切地说，预设损失函数以当前次迭代的血管分段预测数据中的血管交界数据、当前次迭代的血管分段预测数据中的非血管交界数据和血管分段标记数据为变量的函数，因此，需要获得当前次迭代的血管分段预测数据中的血管交界数据与当前次迭代的血管分段预测数据中的非血管交界数据。

又考虑到血管分段标记数据已经能够看出哪里是血管交界数据，哪里是非血管交界数据，因此，基于血管分段标记数据，确定当前次迭代的血管分段预测数据中的血管交界数据、和当前次迭代的血管分段预测数据中的非血管交界数据。

S504：基于当前次迭代的损失函数值，调整待训练模型的参数，并循环迭代训练待训练模型，直至确定的损失函数值满足预设条件，得到血管分段模型。

具体而言，根据当前次迭代的损失函数值，调整待训练模型的参数，并循环迭代训练待训练模型，直至确定的损失函数值满足预设条件，则认为待训练模型训练完毕，获得血管分段模型。

本申请实施例中，通过在预设损失函数时提高血管交界区域的权重，以加深待训练模型在血管交界处的学习，提高获得的血管分段模型在血管交界区域的分段的准确性。

图6所示为本申请一实施例提供的血管分段模型的训练方法的流程示意图。如图6所示，基于血管分段标记数据，确定当前次迭代的血管分段预测数据中的血管交界数据与当前次迭代的血管分段预测数据中的非血管交界数据步骤，包括下列步骤。

S601：对血管分段标记数据进行膨胀操作，得到膨胀后血管分段标记数据。

具体而言，为了获得更准确的血管交界数据和非血管交界数据，先对血管分段标记数据进行膨胀操作，得到膨胀后血管分段标记数据，再利用膨胀后血管分段标记数据进行后续处理。

S602：对膨胀后血管分段标记数据进行池化操作，获得池化操作后的血管分段标记数据。

S603：基于池化操作后的血管分段标记数据，确定血管交界数据和非血管交界数据。

具体而言，通过对膨胀后血管分段标记数据进行池化操作，获得池化操作后的血管分段标记数据，通过分析池化操作后的血管分段标记数据，获得血管交界数据和非血管交界数据。

本申请实施例中，通过上述步骤，获得当前次迭代的血管分段预测数据中的非血管交界数据、和当前次迭代的血管分段预测数据中的非血管交界数据，为计算损失函数值提供基础。

图7所示为本申请一实施例提供的血管分段模型的训练方法的流程示意图。如图7所示，在基于待训练模型，利用增强训练样本，得到当前次迭代的血管分段预测数据步骤之前，血管分段模型的训练方法还包括下列步骤。

S701：获取初始训练样本。

示例性地，初始训练样本包括至少一幅血管样本图像和至少一幅血管样本图像各自对应的血管分割数据和血管分段标记数据。

在一个可选的实施例中，在获得一幅血管样本图像后，将一幅血管样本图像后输入血管分割模型，获得该一幅血管样本图像对应的血管分割数据，并人工手动将血管分割数据中的不同血管类别的血管通过不同颜色标注出来，从而形成初始训练样本。具体而言，考虑到初始训练样本不够丰富，将初始训练样本直接输入待训练模型进行训练，可能导致血管分段模型的鲁棒性不高，性能不佳，因此第，对初始训练样本进行样本增强，使样本更加多样性，以提高获得的血管分段模型的鲁棒性和分段性能。

S702：对至少一幅血管样本图像进行随机剪裁操作和/或随机旋转操作，得到多幅增强样本图像。

具体而言，考虑到血管处于不同位置时表现为不同形状，为了使获得的血管分段模型能够识别出不同形状下的血管，以增强模型的鲁棒性，对至少一幅血管样本图像进行随机旋转操作，获得不同位置下的血管样本图像，增加初始训练样本的多样性。

还考虑到血管的大小不同，为了获得的血管分段模型能够更准确地识别出不同大小的血管，对至少一幅血管样本图像进行随机裁剪操作，增加初始训练样本的多样性，得到多幅增强样本图像，在训练时提高网络的泛化能力。

S703：针对于多个多幅增强样本图像中的每幅增强样本图像，对每幅增强样本图像对应的血管分割数据进行闭操作，获得增强训练样本。

具体而言，考虑到血管中许多细小血管，对每幅增强样本图像对应的血管分割数据进行先膨胀后腐蚀的闭操作，连接邻近物体和平滑边界，从而有效地保留血管的拓扑结构，实现数据增强，获得增强训练样本。

本申请实施例中，通过对初始训练样本进行数据增强，增加了初始训练样本的多样性，获得初始训练样本对应的多个增强训练样本，以使得利用增强训练样本训练获得的血管分段模型，具有更高的鲁棒性和更优越的性能。

示例性血管分段装置

本申请实施例提供的血管分段装置，用于将待处理医学图像中的血管按照血管类别进行分段，并通过不同颜色显示不同血管类别的血管段，以供医生观察血流血供情况，进而辅助医生为患者提供更准确的诊断。

图8所示为本申请一实施例提供的血管分段装置的结构示意图。如图8所示，该血管分段装置100包括：第一确定模块101、第二确定模块102和第一操作执行模块103、和第二操作执行模块104。

第一确定模块101配置为，确定待处理医学图像对应的血管分割数据。第二确定模块102配置为，基于血管分割数据确定初始血管分段数据。第一操作执行模块103配置为，基于初始血管分段数据进行骨架提取操作和连通域操作，得到中间血管分段数据。第二操作执行模块104配置为对中间血管分段数据进行区域生长操作，得到最终血管分段数据。

本申请实施例中，第一确定模块101确定待处理医学图像对应的血管分割数据；第二确定模块102基于血管分割数据确定初始血管分段数据；第一操作执行模块103基于初始血管分段数据进行骨架提取操作和连通域操作，修正初始血管分段数据中的错误分段区域，得到中间血管分段数据；第二操作执行模块104对中间血管分段数据进行区域生长操作，确定相邻的血管段之间分界线，得到最终血管分段数据，实现降低血管串色和分段位置偏移过大的概率，从而提高血管分段的准确率的目的。

图9所示为本申请一实施例提供的第一操作执行模块的结构示意图。如图9所示，第一操作执行模块103进一步包括：初始骨架得到单元1031、连通域得到单元1032、修正血管骨架得到单元1033和中间血管分段数据得到单元1034。

初始骨架得到单元1031配置为，对初始血管分段数据进行骨架提取操作，得到初始血管骨架。连通域得到单元1032配置为，对初始血管骨架进行连通域操作，得到多个连通域。修正血管骨架得到单元1033配置为，利用多数投票算法，确定多个连通域各自对应的修正血管类别，以得到修正血管骨架。中间血管分段数据得到单元1034配置为，对修正血管骨架进行膨胀操作，并将膨胀操作后的修正血管骨架映射到初始血管分段数据，修正初始血管分段数据中的错误分段数据，得到中间血管分段数据。

图10所示为本申请一实施例提供的修正血管骨架得到单元的结构示意图。如图10所示，修正血管骨架得到单元1033进一步包括：像素点初始血管类别确定子单元10331、连通域初始血管类别确定子单元10332、像素点数量确定子单元10333和修正血管类别确定子单元10334。

像素点初始血管类别确定子单元10331配置为，基于初始血管分段数据，确定血管分割数据中的像素点各自对应的初始血管类别。连通域初始血管类别确定子单元10332配置为，基于血管分割数据中的像素点各自对应的初始血管类别，确定多个连通域各自对应的初始血管类别。像素点数量确定子单元10333配置为，针对多个连通域中的每个连通域，确定连通域对应的初始血管类别各自对应的像素点数量。修正血管类别确定子单元10334配置为，将像素点数量最多的初始血管类别，确定为连通域对应的修正血管类别。

图11所示为本申请一实施例提供的第二确定模块的结构示意图。如图11所示，第二确定模块102进一步包括：闭操作单元1021和初始血管分段数据确定单元1022。

闭操作单元1021配置为，对血管分割数据进行闭操作。初始血管分段数据确定单元1022配置为，将闭操作后的血管分割数据输入血管分段模型，得到初始血管分段数据，其中，血管分段模型用于将血管分割数据按照血管类别进行分段。

图12所示为本申请一实施例提供的训练模块的结构示意图。如图12所示，该训练模块105包括：第一操作执行单元1051、第一确定单元1052、第二确定单元1053和第二操作执行单元1054。

第一操作执行单元1051配置为，基于待训练模型，利用增强训练样本，得到当前次迭代的血管分段预测数据。第一确定单元1052配置为，基于血管分段标记数据，确定当前次迭代的血管分段预测数据中的血管交界数据与当前次迭代的血管分段预测数据中的非血管交界数据。第二确定单元1053配置为，基于血管分段标记数据、当前次迭代的血管分段预测数据和预设损失函数，确定当前次迭代的损失函数值。第二操作执行单元1054配置为基于当前次迭代的损失函数值，调整待训练模型的参数，并循环迭代训练待训练模型，直至确定的损失函数值满足预设条件，得到血管分段模型。

图13所示为本申请一实施例提供的第一确定单元的结构示意图。如图13所示，第一确定单元1052进一步包括：膨胀子单元10521、池化子单元10522和第一确定子单元10523。

膨胀子单元10521配置为，对血管分段标记数据进行膨胀操作，得到膨胀后血管分段标记数据。池化子单元10522配置为，对膨胀后血管分段标记数据进行池化操作，获得池化操作后的血管分段标记数据。第一确定子单元10523配置为，基于池化操作后的血管分段标记数据，确定血管交界数据和非血管交界数据。

图14所示为本申请一实施例提供的训练模块的结构示意图。如图14所示，该训练模块105还包括：初始训练样本获取单元1055、增强样本图像得到单元1056和增强训练样本获得单元1057。

初始训练样本获取单元1055配置为，获取初始训练样本，其中，初始训练样本包括至少一幅血管样本图像和至少一幅血管样本图像各自对应的血管分割数据和血管分段标记数据。增强样本图像得到单元1056配置为，对至少一幅血管样本图像进行随机剪裁操作和/或随机旋转操作，得到多幅增强样本图像。增强训练样本获得单元1057配置为，针对于多个多幅增强样本图像中的每幅增强样本图像，对每幅增强样本图像对应的血管分割数据进行闭操作，获得增强训练样本。

上述血管分段装置中其他各个模块的具体功能和操作已经在图1到图7描述的血管分段方法中进行了详细介绍，因此，这里将省略其重复描述。

示例性电子设备

图15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15所示，电子设备300包括一个或多个处理器310和存储器320。

处理器310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300中的其他组件以执行期望的功能。

存储器320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310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血管分段方法，以及/或者其他期望的功能。

在一个示例中，电子设备300还可以包括：输入装置330和输出装置340，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。

当然，为了简化，图15中仅示出了该电子设备300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300还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

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“示例性血管分段”部分中描述的根据本申请各个实施例提供的血管分段方法中的步骤。

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，还包括常规的步骤式程序设计语言，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“示例性血管分段方法”部分中描述的根据本申请各个实施例提供的血管分段方法中的步骤。

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。

需要说明的是，以上列举的仅为本申请的具体实施例，显然本申请不限于以上实施例，随之有着许多的类似变化。本领域的技术人员如果从本申请公开的内容直接导出或联想到的所有变形，均应属于本申请的保护范围。

应当理解，本申请实施例中提到的第一、第二等限定词，仅仅为了更清楚地描述本申请实施例的技术方案使用，并不能用以限制本申请的保护范围。

以上仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种血管分段方法，其特征在于，用于将待处理医学图像中的血管按照血管类别进行分段，所述方法包括：

确定所述待处理医学图像对应的血管分割数据；

基于所述血管分割数据确定初始血管分段数据；

基于所述初始血管分段数据进行骨架提取操作和连通域操作，得到中间血管分段数据；

对所述中间血管分段数据进行区域生长操作，得到最终血管分段数据；

其中，所述基于所述血管分割数据确定初始血管分段数据，包括：

对所述血管分割数据进行闭操作；

将所述闭操作后的血管分割数据输入血管分段模型，得到所述初始血管分段数据，其中，所述血管分段模型用于将所述血管分割数据按照血管类别进行分段；

其中，所述血管分段模型的训练方法包括：

基于待训练模型，利用增强训练样本，得到当前次迭代的血管分段预测数据，其中，所述增强训练样本包括血管分段标记数据；

基于所述血管分段标记数据，确定所述当前次迭代的血管分段预测数据中的血管交界数据与所述当前次迭代的血管分段预测数据中的非血管交界数据；

基于所述血管分段标记数据、所述当前次迭代的血管分段预测数据和预设损失函数，确定所述当前次迭代的损失函数值，其中，在所述预设损失函数中，血管交界数据的权重大于非血管交界数据的权重；

基于所述当前次迭代的损失函数值，调整所述待训练模型的参数，并循环迭代训练所述待训练模型，直至确定的损失函数值满足预设条件，得到所述血管分段模型。

2.根据权利要求1所述的血管分段方法，其特征在于，所述基于所述初始血管分段数据进行骨架提取操作和连通域操作，得到中间血管分段数据，包括：

对所述初始血管分段数据进行所述骨架提取操作，得到初始血管骨架；

对所述初始血管骨架进行所述连通域操作，得到多个连通域；

利用多数投票算法，确定所述多个连通域各自对应的修正血管类别，以得到修正血管骨架；

对所述修正血管骨架进行膨胀操作，并将所述膨胀操作后的修正血管骨架映射到所述初始血管分段数据，修正所述初始血管分段数据中的错误分段数据，得到所述中间血管分段数据。

3.根据权利要求2所述的血管分段方法，其特征在于，所述利用多数投票算法，确定所述多个连通域各自对应的修正血管类别，包括：

基于所述初始血管分段数据，确定所述血管分割数据中的像素点各自对应的初始血管类别；

基于所述血管分割数据中的像素点各自对应的初始血管类别，确定所述多个连通域各自对应的初始血管类别；

针对所述多个连通域中的每个连通域，确定所述连通域对应的初始血管类别各自对应的像素点数量；

将像素点数量最多的初始血管类别，确定为所述连通域对应的修正血管类别。

4.根据权利要求1所述的血管分段方法，其特征在于，所述基于所述血管分段标记数据，确定所述当前次迭代的血管分段预测数据中的血管交界数据与所述当前次迭代的血管分段预测数据中的非血管交界数据，包括：

对所述血管分段标记数据进行膨胀操作，得到膨胀后血管分段标记数据；

对所述膨胀后血管分段标记数据进行池化操作，获得池化操作后的血管分段标记数据；

基于所述池化操作后的血管分段标记数据，确定所述血管交界数据和所述非血管交界数据。

5.根据权利要求1所述的血管分段方法，其特征在于，在所述基于待训练模型，利用增强训练样本，得到当前次迭代的血管分段预测数据之前，还包括：

获取初始训练样本，其中，所述初始训练样本包括至少一幅血管样本图像和所述至少一幅血管样本图像各自对应的血管分割数据和血管分段标记数据；

对所述至少一幅血管样本图像进行随机剪裁操作和/或随机旋转操作，得到多幅增强样本图像；

针对于所述多幅增强样本图像中的每幅增强样本图像，对所述每幅增强样本图像对应的血管分割数据进行闭操作，获得所述增强训练样本。

6.一种血管分段装置，其特征在于，用于将待处理医学图像中的血管按照血管类别进行分段，所述分段装置包括：

第一确定模块，配置为确定所述待处理医学图像对应的血管分割数据；

第二确定模块，配置为基于所述血管分割数据确定初始血管分段数据；

第一操作执行模块，配置为基于所述初始血管分段数据进行骨架提取操作和连通域操作，得到中间血管分段数据；

第二操作执行模块，配置为对所述中间血管分段数据进行区域生长操作，得到最终血管分段数据；

其中，所述第二确定模块进一步包括：闭操作单元和初始血管分段数据确定单元；

所述闭操作单元，配置为对所述血管分割数据进行闭操作；

所述初始血管分段数据确定单元，配置为将所述闭操作后的血管分割数据输入血管分段模型，得到所述初始血管分段数据，其中，所述血管分段模型用于将所述血管分割数据按照血管类别进行分段；

其中，所述血管分段装置还包括训练模块，所述训练模块进一步包括：第一操作执行单元、第一确定单元、第二确定单元和第二操作执行单元；

所述第一操作执行单元，配置为基于待训练模型，利用增强训练样本，得到当前次迭代的血管分段预测数据，其中，所述增强训练样本包括血管分段标记数据；

所述第一确定单元，配置为基于所述血管分段标记数据，确定所述当前次迭代的血管分段预测数据中的血管交界数据与所述当前次迭代的血管分段预测数据中的非血管交界数据；

所述第二确定单元，配置为基于所述血管分段标记数据、所述当前次迭代的血管分段预测数据和预设损失函数，确定所述当前次迭代的损失函数值，其中，在所述预设损失函数中，血管交界数据的权重大于非血管交界数据的权重；

所述第二操作执行单元，配置为基于所述当前次迭代的损失函数值，调整所述待训练模型的参数，并循环迭代训练所述待训练模型，直至确定的损失函数值满足预设条件，得到所述血管分段模型。

7.一种电子设备，包括：

处理器；以及

存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1至5任一项所述的血管分段方法。

8.一种计算机可读存储介质，所述计算机可读存储介质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如权利要求1至5任一项所述血管分段方法。

Images