CN114693648B - 一种血管中心线提取方法及其系统 - Google Patents

Abstract

本发明提供一种血管中心线提取方法及其系统，该方法包括对原始医学影像进行血管分割处理，得到血管分割图像和血管分割概率图，基于血管分割图像，生成第一中心线强度图，基于血管分割概率图，生成第二中心线强度图，将血管分割图像输入预设网络模型，得到入口端点和末端端点，将第一中心线强度图和第二中心线强度图综合加权生成第三中心线强度图，根据第三中心线强度图、入口端点和末端端点，提取血管中心线。应用本发明可以解决现有技术中存在的假阳性血管现象、距离强度图不准确等问题，使得冠脉中心线的提取更加准确。

Description

一种血管中心线提取方法及其系统

技术领域

本发明涉及医学图像处理技术领域，具体涉及一种血管中心线提取方法以及应用该方法的系统。

背景技术

心血管疾病已构成威胁人类生命安全的主要疾病之一，医生通过血管成像技术来辅助诊断各种血管疾病，例如钙化、斑块等。在临床中，医生对心血管结构的医学图像分析中，需要获得一些量化的结果如：血管纵向位置的直径和狭窄的检测和量化，从而确定相应的治疗方案，而得到这些量化结果的前提是需要有精准的血管中心线。中心线的自动提取可以加快诊断效率，减少医生大量重复的操作。

然而，获得距离强度图是提取中心线一个重要环节。目前，现有技术获得距离强度图的方法有：

1.通过图像处理，如Hessian矩阵获得图像的距离强度图；

2.通过机器学习的方法获得血管距离强度图。

现有技术1存在的问题：Hessian矩阵获得图像的距离强度图，会带来很多假阳性血管，同时获得的距离强度图只是在血管边缘有较大差别，在血管中心并非有明显区别。

现有技术2存在的问题：基于机器学习的方法获得血管强度图，该方法获得的距离强度图不完全准确如在血管分叉位置效果较差，最终基于minimal-path获得的中心线容易“抄近路”，同时生成的小血管距离强度图并不准确导致最终生成的中心线与血管有偏移。

发明内容

为了克服现有技术的不足，本发明的目的在于提供一种血管中心线提取方法及其系统，该方法和系统可以解决现有技术中存在的假阳性血管现象，如：“抄近路”、距离强度图不准确等问题，使得冠脉中心线的提取更加准确。

为解决上述问题，本发明所采用的技术方案如下：

一种血管中心线提取方法，包括以下步骤：对原始医学影像进行血管分割处理，得到血管分割图像和血管分割概率图；基于血管分割图像，生成第一中心线强度图；基于血管分割概率图，生成第二中心线强度图；将血管分割图像输入预设网络模型，得到入口端点和末端端点；将第一中心线强度图和第二中心线强度图综合加权生成第三中心线强度图；根据第三中心线强度图、入口端点和末端端点，提取血管中心线。

进一步的方案是，所述基于血管分割概率图，生成第二中心线强度图，包括：输入血管分割概率图，将血管分割概率图通过图像处理获得第二中心线强度图，其包括：对血管分割概率图的概率值取负并且加1，并且与血管分割图像的相应像素点的特征进行点乘运算处理，得到第二中心线强度图。

更进一步的方案是，所述将血管分割图像输入预设网络模型，得到入口端点和末端端点，包括：将血管分割图像输入第一深度卷积网络模型，输出两个冠脉入口的概率图，对冠脉入口的概率图进行预设阈值的二值化处理，得到两个冠脉入口区域，并分别对两个冠脉入口区域取质心，得到两个冠脉入口端点的位置，其中，两个冠脉入口端点包括左端点和右端点，左端点是冠脉形成的左冠脉树的入口端点，右端点是冠脉形成的右冠脉树的入口端点。

更进一步的方案是，所述将血管分割图像输入预设网络模型，得到入口端点和末端端点，包括：将血管分割图像输入第二深度卷积网络对血管分割图像的末端进行自动检测或使用区域生长前波传导方法找到冠脉末端，获得冠脉树的所有冠脉末端端点。

更进一步的方案是，将第一中心线强度图和第二中心线强度图综合加权生成第三中心线强度图，表示为公式(1)：

distancemap3＝α*distancemap1+β*distancemap2 (1)

其中，第一中心线强度图用于表征血管分割图像中各个像素属于血管中心线的概率值，第二中心线强度图用于表征血管分割概率图中各个像素点属于血管中心线的概率值，distancemap1为第一中心线强度图，distancemap2为第二中心线强度图，distancemap3为第三中心线强度图，α为第一中心线强度图在第三中心线强度图中的权重值，β为第二中心线强度图在第三中心线强度图中的权重值。

更进一步的方案是，所述根据第三中心线强度图、入口端点和末端端点，提取血管中心线，包括：将两个冠脉入口端点作为起始端点以及将冠脉末端端点作为结束端点；在血管分割图像中定位左端点和右端点；将在血管分割图像中与该左端点位于同一连通域中的冠脉末端端点，确定为左冠脉末端端点；将在血管分割图像中与该右端点位于同一连通域中的冠脉末端端点，确定为右冠脉末端端点；基于第三中心线强度图，生成连接该左端点与该左冠脉末端端点的最小成本路径，以及连接该右端点与该右冠脉末端端点的最小成本路径。

更进一步的方案是，所述生成连接该左端点与该左冠脉末端端点的最小成本路径，以及连接该右端点与该右冠脉末端端点的最小成本路径，包括：并行计算左冠脉树和右冠脉树，当处理左冠脉树时，将左冠脉树的入口端点O1作为起始端点，与左冠脉树的每个结束端点P配对为[(O1,P1),(O1,P2),(O1,P3),...(O1,Pn)]，对于每对起始端点及其对应的结束端点，使用最小成本路径算法或快速行进算法，在第三中心线强度图上，生成连接左冠脉树对应的每个末端端点到起始端点的最小成本路径，作为左冠脉树的中心线。

更进一步的方案是，所述对原始医学影像进行血管分割处理，得到血管分割图像和血管分割概率图，包括：将大量冠脉图像数据输入3D卷积神经网络中，得到预测的冠脉分割图像；将预测的冠脉分割图像与人工标注的图像进行比较，将比较得到的差异反馈至3D卷积神经网络；迭代地更新3D卷积神经网络，使差异减小，直至差异收敛，得到用于冠脉血管分割处理的深度学习模型；将冠脉图像数据输入预先训练好的深度学习模型中，输出血管分割图像。

更进一步的方案是，所述对原始医学影像进行血管分割处理，得到血管分割图像和血管分割概率图，包括：从冠脉图像数据中提取原始特征图，基于原始特征图中各个像素的特征，确定冠脉图像数据中各个像素点属于血管的概率值，以形成冠脉图像数据的血管分割概率图。

由此可见，相比现有技术，本发明将基于机器学习获取的第一中心线强度图和基于血管概率图的第二中心线强度图综合加权后得到的第三中心线强度图，可更容易凸显血管中心，进一步优化了获得中心线一个重要模块-中心线强度图。

由于经过血管分割获得的中心线强度图，具有凸显血管血管分割中心的优点，但是在分叉位置以及粘连或者病变位置，并不能很好的表示血管，从而导致不能避开粘连或病变位置，获得的中心线并不准确。

另外，仅通过概率图得到的中心强度图，可以很好地表示血管区域优点，如可以避开分叉位置以及粘连或者病变位置，但血管内部的中心线强度图的数值变化较小，不能很好的凸显血管中心。

所以，本发明通过综合加权来源于血管分割生成的中心线强度图和血管分割概率图获得中心线强度，在这些难点上(分叉位置和粘连位置或病变)既考虑了血管中心(血管分割获得的中心线强度图)，同时加强了分叉位置和粘连位置或病变的概率强度信息血管分割概率图获得中心线强度，从而获得的中心线更加准确。

一种血管中心线提取系统，其包括：分割处理单元，用于对原始医学影像进行血管分割处理，得到血管分割图像和血管分割概率图；第一中心线强度图生成单元，基于血管分割图像，用于生成第一中心线强度图；第二中心线强度图生成单元，基于血管分割概率图，用于生成第二中心线强度图；端点获取单元，用于将血管分割图像输入预设网络模型，得到入口端点和末端端点；第三中心线强度图生成单元，用于将第一中心线强度图和第二中心线强度图综合加权生成第三中心线强度图；中心线提取单元，用于根据第三中心线强度图、入口端点和末端端点，提取血管中心线。

由此可见，本发明通过由分割处理单元、第一中心线强度图生成单元、第二中心线强度图生成单元、端点获取单元、第三中心线强度图生成单元和中心线提取单元所组成的提取系统来完成血管中心线的提取，能够解决现有技术中存在的假阳性血管现象、距离强度图不准确等问题，从而使得冠脉中心线的提取更加准确。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的方法的步骤。

由此可见，本发明提供了一种计算机装置以及存储介质，其包括：一个或多个存储器，一个或多个处理器。存储器用于存储程序代码和程序运行过程中产生的中间数据、模型输出结果的储存和模型及模型参数的储存；处理器用于代码运行所占用的处理器资源和训练模型时占用的多个处理器资源。

下面结合附图和具体实施方式对本发明作进一步详细说明。

附图说明

图1是本发明一种血管中心线提取方法实施例的流程图。

图2是本发明一种血管中心线提取方法实施例的原理图。

图3是本发明一种血管中心线提取方法实施例关于3D卷积神经网络训练过程的原理图。

图4是本发明一种血管中心线提取方法实施例中关于生成第二中心线强度图的示意图。

图5是本发明一种血管中心线提取方法实施例中关于生成第三中心线强度图的示意图。

图6是本发明一种血管中心线提取系统实施例的原理图。

具体实施方式

下面结合附图对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅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。

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。

首先，结合附图对本申请中所涉及的部分用语和相关技术进行解释说明，以便于本领域技术人员理解。

血管分割：将待处理血管图像中的血管与背景进行区分，血管分割可以是像素级别，即对待处理血管图像中的各个像素点，分别区分是否属于血管(即是否是血管像素点)。

血管分割概率图：包括与待处理血管图像中的像素点一一对应的概率值，表示待处理血管图像中的各个像素点属于血管(即是血管像素点)可能性。

中心线强度图：中心线强度图表示血管分割上的像素是否为冠脉血管中心线的概率或者可能性。

特征图：从待处理图像中直接或间接提取的多个特征，特征图的分辨率可以小于待处理血管图像的分辨率，也可以等于待处理血管图像的分辨率。特征图可以从待处理血管图像中直接提取得到，也可以从待处理血管图像的特征图中提取(即间接提取)得到。

minimai-path算法：最小成本路径算法如迪科斯彻算法(Dijkstra’salgorithm)、快速行进(fast marching)等算法。

一种血管中心线提取方法实施例：

本实施例的方法可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。参见图1至图5，本发明提供的一种血管中心线提取方法，包括以下步骤：

步骤S1，对原始医学影像进行血管分割处理，得到血管分割图像和血管分割概率图。其中，原始医学影像包括但不限于冠脉图像数据，也可以是用于其他部位血管的影像数据，如脑血管影像数据。

步骤S2，基于血管分割图像或者原始图像，生成第一中心线强度图。

步骤S3，基于血管分割概率图，生成第二中心线强度图。

步骤S4，将血管分割图像输入预设网络模型，得到入口端点和末端端点。其中，入口端点和末端端点包括但不限于冠脉入口端点和冠脉末端端点，也可以是用于其他部位血管的端点数据。

步骤S5，将第一中心线强度图和第二中心线强度图综合加权生成第三中心线强度图。

步骤S6，根据第三中心线强度图、冠脉入口端点和冠脉末端端点，通过minimai-path算法提取血管中心线。

在一个实施例中，服务器可以是部署在云端的服务器，服务器可以将冠脉图像数据输入预先训练的用于血管分割处理的深度学习模型中，输出血管分割图像。

终端可以位于各种具有医疗属性的机构(例如医院、医学研究院)中，可以被用来采集(例如，例如终端的图像采集装置，或者通过其他的图像采集设备)患者的冠脉图像。终端也可以通过网络向服务器发送冠脉图像，并调用服务器提供的远程诊断服务的功能，服务器通过本发明实施例提供的血管中心线提取方法进行血管中心线的提取，将结果返回终端，供医生、研究人员进行疾病的诊断、复诊和治疗方法的研究。另外，终端可以在图形界面中显示图像处理的各种中间结果和最终结果。

在上述步骤S1中，如图3所示，对原始医学影像进行血管分割处理，得到血管分割图像，包括：

将大量冠脉图像数据输入3D卷积神经网络中，得到预测的冠脉分割图像；

将预测的冠脉分割图像与人工标注的图像进行比较，将比较得到的差异反馈至3D卷积神经网络；

迭代地更新3D卷积神经网络，使差异减小，直至差异收敛，得到用于冠脉血管分割处理的深度学习模型；

将冠脉图像数据输入预先训练好的深度学习模型中，输出血管分割图像。

在上述步骤S1中，所述对原始医学影像进行血管分割处理，得到血管分割概率图，包括：从冠脉图像数据中提取原始特征图，基于原始特征图中各个像素的特征，确定冠脉图像数据中各个像素点属于血管的概率值，以形成冠脉图像数据的血管分割概率图。可见，本实施例基于大量冠脉图像数据，使用基于深度卷积网络进行血管分割，获得冠脉血管血管分割和血管分割概率图，该概率图表示是否为血管的概率，当某一点概率值越高，表示此点是冠脉血管的可能性越高，反之表示此点的可能性越低。

在上述步骤S3中，输入血管分割概率图，将血管分割概率图通过图像处理获得第二中心线强度图，其具体包括：

对血管分割概率图的概率值取负并且加1(将原有值进行调整，原有概率在0-1之间，取负后在-1-0之间)，并且与血管分割图像的相应像素点的特征进行点乘运算处理，得到第二中心线强度图。

在上述步骤S4中，将血管分割图像输入预设网络模型，得到冠脉入口端点和冠脉末端端点，包括：将血管分割图像输入第一深度卷积网络模型，输出两个冠脉入口的概率图，对冠脉入口的概率图进行预设阈值的二值化处理，得到两个冠脉入口区域，并分别对两个冠脉入口区域取质心，得到两个冠脉入口端点的位置，其中，两个冠脉入口端点包括左端点和右端点，左端点是冠脉形成的左冠脉树的入口端点，右端点是冠脉形成的右冠脉树的入口端点。可见，对于冠脉的血管分割图像或者原始医学图像，使用基于第一深度卷积网络输出两个冠脉的两个入口的概率图，概率图1为左冠脉树端点的概率图，概率图2为右冠脉树端点的概率图。然后对两个概率图进行取阈值从而得到左右冠脉的两个端点区域，并分别求其质心，从而得到冠脉入口的两个端口的位置O1、O2。或者通过图像处理的方法获得冠脉入口左右两个端点。其中，本实施例的第一深度卷积网络可以是冠脉入口检测模型。

在上述步骤S4中，将血管分割图像输入预设网络模型，得到冠脉入口端点和冠脉末端端点，包括：将血管分割图像输入第二深度卷积网络对血管分割图像的末端进行自动检测或使用区域生长前波传导方法找到冠脉末端，获得冠脉树的所有冠脉末端端点。可见，对于血管分割图像，使用基于第二深度卷积网络对血管分割的末端进行自动检测或者区域增长前波传导方法找到末端，从而获得冠脉树的所有末端结束端点。其中，第二深度卷积网络可以是冠脉末端检测模型。

在上述步骤S5中，将第一中心线强度图和第二中心线强度图综合加权生成第三中心线强度图，表示为公式(1)：

distancemap3＝α*distancemap1+β*distancemap2 (1)

其中，第一中心线强度图用于表征血管分割图像中各个像素属于血管中心线的概率值，第二中心线强度图用于表征血管分割概率图中各个像素点属于血管中心线的概率值，distancemap1为第一中心线强度图，distancemap2为第二中心线强度图，distancemap3为第三中心线强度图，α为第一中心线强度图在第三中心线强度图中的权重值，β为第二中心线强度图在第三中心线强度图中的权重值。

其中，本实施例的中心线强度图表示血管分割上的像素是否为冠脉血管中心线的概率或者可能性，不在血管分割上的像素具有较大的强度值V。

在上述步骤S6中，根据第三中心线强度图、冠脉入口端点和冠脉末端端点，提取血管中心线，包括：

将两个冠脉入口端点作为起始端点以及将冠脉末端端点作为结束端点；

在血管分割图像中定位左端点和右端点；

将在血管分割图像中与该左端点位于同一连通域中的冠脉末端端点，确定为左冠脉末端端点；

将在血管分割图像中与该右端点位于同一连通域中的冠脉末端端点，确定为右冠脉末端端点；

基于第三中心线强度图，生成连接该左端点与该左冠脉末端端点的最小成本路径，以及连接该右端点与该右冠脉末端端点的最小成本路径。

其中，生成连接该左端点与该左冠脉末端端点的最小成本路径，以及连接该右端点与该右冠脉末端端点的最小成本路径，包括：

并行计算左冠脉树和右冠脉树，当处理左冠脉树时，将左冠脉树的入口端点O1作为起始端点，与左冠脉树的每个结束端点P配对为[(O1,P1),(O1,P2),(O1,P3),...(O1,Pn)]，对于每对起始端点及其对应的结束端点，使用最小成本路径算法或快速行进算法，在第三中心线强度图上，生成连接左冠脉树对应的每个末端端点到起始端点的最小成本路径，作为左冠脉树的中心线。

具体的，基于第三中心线强度图，将冠脉树血管分割的冠脉入口作为起始端点以及冠脉树血管分割的末端作为结束端点，这三个部分作为输入提取冠脉树的中心线。已知冠脉树的左右入口O，末端端点与左右冠脉入口，若是同一连通域则可判断冠脉树末端端点从属左右冠脉树，以此方法对冠脉树末端从属左右冠脉分类。在实施过程中，并行计算左冠和右冠，如处理左冠脉树时，左冠脉入口O1作为起始点，与左冠脉树的每个末端P配对为[(O1,P1),(O1,P2),(O1,P3),...(O1,Pn)]，对于每对起始端点及其对应的结束端点，使用最小成本路径算法如迪科斯彻算法(Dijkstra’s algorithm)、快速行进(fast marching)等算法可以生成具有最小距离成本的连接它们的路径，作为冠脉树的中心线的一部分，从而获得从左冠脉树的每个末端端点到左冠脉入口的中心线。同理处理右冠脉树，从而获得了从左右冠脉树的末端端点到左右冠脉树入口的所有中心线L，该方法可以对冠脉血管分割分冠脉中复杂的情景如分叉位置中具有很好的精度。

在一个实施例中，服务器可以将血管分割图像输入预先训练的用于生成中心线强度图的深度学习模型中，得到第一中心线强度图。

在一个实施例中，服务器也可以通过基于二阶偏导数Hessian矩阵的Frangi滤波器等图像处理方式对血管分割图像进行滤波处理，得到第一中心线强度图。

其中，冠脉图像，是心脏冠脉的图像。冠脉血管分割处理，是通过对冠脉图像进行图像分割得到血管分割图像的处理。血管分割图像，是对冠脉图像进行冠脉血管分割处理得到的前景只有冠脉、且除冠脉之外的部分均为背景的图像。可以理解，血管分割图像中包含冠脉图像中的全部冠脉。

在一个实施例中，冠脉图像可以是二维图像、三维图像或四维图像。

在一个实施例中，冠脉图像可以是CT(Computed Tomography，电子计算机断层扫描)影像或二维冠脉造影图像或MRI(Magnetic Resonance Imaging，磁共振成像)影像。

在一个实施例中，服务器也可以通过Frangi滤波等对冠脉图像进行血管血管分割处理，得到血管分割图像。

其中，最小成本路径，是两点之间成本代价最小的路径。可以理解，本实施例所生成的最小成本路径，是指冠脉入口端点和所对应的冠脉末端端点之间成本代价最小的路径(即由冠脉入口端点到所对应的冠脉末端端点所需要的成本代价最小的路径)。

在一个实施例中，服务器可以采用最小成本路径算法(比如：迪科斯彻算法(Dijkstra’s algorithm)或快速行进算法(fast marching algorithm)等)，在冠脉中心线强度图上，生成连接冠脉入口端点、以及与冠脉入口端点对应的冠脉末端端点的最小成本路径，作为整体血管中心线。可以理解，冠脉末端端点为多个，则可以生成多条整体冠脉中心线。

可以理解，不属于血管分割图像中的前景的像素，在中心线强度图中具有较大的强度值，因此，经过不属于冠脉分割图像中的前景的像素的路径具有较大的成本代价，那么，采用最小成本路径算法所得到的最小成本路径会处于前景的中心位置，即生成了血管分割图像中血管的中心线。

本实施例中，通过对冠脉图像进行冠脉血管分割处理，得到血管分割图像，然后生成中心线强度图，并自动识别冠脉入口端点和冠脉末端端点，基于中心线强度图，得到连接冠脉入口端点和冠脉末端端点的最小成本路径，生成整体冠脉中心线，能够准确、且全自动地提取整体冠脉中心线，特别是对冠脉分割图像中冠脉分叉位置的中心线提取有良好的精度。此外，本实施例中的方案不需要手动提供冠脉端点，而是能够全自动地获取冠脉端点，从而全自动地提取整体血管中心线。

其中，本实施例的冠脉入口/末端检测模型，用于识别冠脉入口/末端区域。即，冠脉入口/末端检测模型，可以是一种用于进行冠脉入口/末端检测的深度学习模型，如深度卷积模型。

由此可见，相比现有技术，本发明将基于机器学习获取的第一中心线强度图和基于血管概率图的第二中心线强度图综合加权后得到的第三中心线强度图，可更容易凸显血管中心，进一步优化了获得中心线一个重要模块-中心线强度图。

由于经过血管分割获得的中心线强度图，具有凸显血管血管分割中心的优点，但是在分叉位置以及粘连或者病变位置，并不能很好的表示血管，从而导致不能避开粘连或病变位置，导致获得的中心线并不准确。

另外，仅通过概率图得到的中心强度图，可以很好地表示血管区域优点，如可以避开分叉位置以及粘连或者病变位置，但血管内部的中心线强度图的数值变化较小，不能很好的凸显血管中心。

所以，本发明通过综合加权来源于血管分割生成的中心线强度图和血管分割概率图获得中心线强度，在这些难点上(分叉位置和粘连位置或病变)既考虑了血管中心(血管分割获得的中心线强度图)，同时加强了分叉位置和粘连位置或病变的概率强度信息血管分割概率图获得中心线强度，从而使得获得的中心线更加准确。

一种血管中心线提取系统实施例：

如图6所示，本实施例提供的一种血管中心线提取系统，其包括：

分割处理单元10，用于对原始医学影像进行血管分割处理，得到血管分割图像和血管分割概率图。

第一中心线强度图生成单元20，基于血管分割图像，用于生成第一中心线强度图。

第二中心线强度图生成单元30，基于血管分割概率图，用于生成第二中心线强度图。

端点获取单元40，用于将血管分割图像输入预设网络模型，得到冠脉入口端点和冠脉末端端点。

第三中心线强度图生成单元50，用于将第一中心线强度图和第二中心线强度图综合加权生成第三中心线强度图。

中心线提取单元60，用于根据第三中心线强度图、冠脉入口端点和冠脉末端端点，提取血管中心线。

在分割处理单元10中，对原始医学影像进行血管分割处理，得到血管分割图像，包括：

将大量冠脉图像数据输入3D卷积神经网络中，得到预测的冠脉分割图像；

将预测的冠脉分割图像与人工标注的图像进行比较，将比较得到的差异反馈至3D卷积神经网络；

迭代地更新3D卷积神经网络，使差异减小，直至差异收敛，得到用于冠脉血管分割处理的深度学习模型；

将冠脉图像数据输入预先训练好的深度学习模型中，输出血管分割图像。

在分割处理单元10中，所述对原始医学影像进行血管分割处理，得到血管分割概率图，包括：

从冠脉图像数据中提取原始特征图，基于原始特征图中各个像素的特征，确定冠脉图像数据中各个像素点属于血管的概率值，以形成冠脉图像数据的血管分割概率图。

在第二中心线强度图生成单元30中，输入血管分割概率图，将血管分割概率图通过图像处理获得第二中心线强度图，其具体包括：

对血管分割概率图的概率值取负并且加1，并且与血管分割图像的相应像素点的特征进行点乘运算处理，得到第二中心线强度图。

在端点获取单元40中，将血管分割图像输入预设网络模型，得到冠脉入口端点和冠脉末端端点，包括：将血管分割图像输入第一深度卷积网络模型，输出两个冠脉入口的概率图，对冠脉入口的概率图进行预设阈值的二值化处理，得到两个冠脉入口区域，并分别对两个冠脉入口区域取质心，得到两个冠脉入口端点的位置，其中，两个冠脉入口端点包括左端点和右端点，左端点是冠脉形成的左冠脉树的入口端点，右端点是冠脉形成的右冠脉树的入口端点。

在端点获取单元40中，将血管分割图像输入预设网络模型，得到冠脉入口端点和冠脉末端端点，包括：将血管分割图像输入第二深度卷积网络对血管分割图像的末端进行自动检测或使用区域生长前波传导方法找到冠脉末端，获得冠脉树的所有冠脉末端端点。

在上述步骤S5中，将第一中心线强度图和第二中心线强度图综合加权生成第三中心线强度图，表示为公式(1)：

distancemap3＝α*distancemap1+β*distancemap2 (1)

其中，第一中心线强度图用于表征血管分割图像中各个像素属于血管中心线的概率值，第二中心线强度图用于表征血管分割概率图中各个像素点属于血管中心线的概率值，distancemap1为第一中心线强度图，distancemap2为第二中心线强度图，distancemap3为第三中心线强度图，α为第一中心线强度图在第三中心线强度图中的权重值，β为第二中心线强度图在第三中心线强度图中的权重值。

在第三中心线强度图生成单元50中，根据第三中心线强度图、冠脉入口端点和冠脉末端端点，提取血管中心线，包括：

将两个冠脉入口端点作为起始端点以及将冠脉末端端点作为结束端点；

在血管分割图像中定位左端点和右端点；

将在血管分割图像中与该左端点位于同一连通域中的冠脉末端端点，确定为左冠脉末端端点；

将在血管分割图像中与该右端点位于同一连通域中的冠脉末端端点，确定为右冠脉末端端点；

基于第三中心线强度图，生成连接该左端点与该左冠脉末端端点的最小成本路径，以及连接该右端点与该右冠脉末端端点的最小成本路径。

其中，生成连接该左端点与该左冠脉末端端点的最小成本路径，以及连接该右端点与该右冠脉末端端点的最小成本路径，包括：

并行计算左冠脉树和右冠脉树，当处理左冠脉树时，将左冠脉树的入口端点O1作为起始端点，与左冠脉树的每个结束端点P配对为[(O1,P1),(O1,P2),(O1,P3),...(O1,Pn)]，对于每对起始端点及其对应的结束端点，使用最小成本路径算法或快速行进算法，在第三中心线强度图上，生成连接左冠脉树对应的每个末端端点到起始端点的最小成本路径，作为左冠脉树的中心线。

由此可见，本发明通过由分割处理单元10、第一中心线强度图生成单元20、第二中心线强度图生成单元30、端点获取单元40、第三中心线强度图生成单元50和中心线提取单元60所组成的提取系统来完成血管中心线的提取，能够解决现有技术中存在的假阳性血管现象、距离强度图不准确等问题，从而使得冠脉中心线的提取更加准确。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储冠脉图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种血管中心线提取方法。

本领域技术人员可以理解，本实施例示出的计算机设备结构，仅仅是与本申请方案相关的部分结构，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比本实施例中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims (9)

1.一种血管中心线提取方法，其特征在于，包括以下步骤：

对原始医学影像进行血管分割处理，得到血管分割图像和血管分割概率图；

基于血管分割图像，生成第一中心线强度图；

基于血管分割概率图，生成第二中心线强度图；其中，输入血管分割概率图，将血管分割概率图通过图像处理获得第二中心线强度图，其包括：对血管分割概率图的概率值取负并且加1，并且与血管分割图像的相应像素点的特征进行点乘运算处理，得到第二中心线强度图；

将血管分割图像输入预设网络模型，得到入口端点和末端端点；

将第一中心线强度图和第二中心线强度图综合加权生成第三中心线强度图；

根据第三中心线强度图、入口端点和末端端点，提取血管中心线。

2.根据权利要求1所述的方法，其特征在于，所述将血管分割图像输入预设网络模型，得到入口端点和末端端点，包括：

将血管分割图像输入第一深度卷积网络模型，输出两个冠脉入口的概率图，对冠脉入口的概率图进行预设阈值的二值化处理，得到两个冠脉入口区域，并分别对两个冠脉入口区域取质心，得到两个冠脉入口端点的位置，其中，两个冠脉入口端点包括左端点和右端点，左端点是冠脉形成的左冠脉树的入口端点，右端点是冠脉形成的右冠脉树的入口端点。

3.根据权利要求2所述的方法，其特征在于，所述将血管分割图像输入预设网络模型，得到入口端点和末端端点，包括：

将血管分割图像输入第二深度卷积网络对血管分割图像的末端进行自动检测或使用区域生长前波传导方法找到冠脉末端，获得冠脉树的所有冠脉末端端点。

4.根据权利要求1所述的方法，其特征在于：

将第一中心线强度图和第二中心线强度图综合加权生成第三中心线强度图，表示为公式(1)：

distancemap3＝α*distancemap1+β*distancemap2 (1)

其中，第一中心线强度图用于表征血管分割图像中各个像素属于血管中心线的概率值，第二中心线强度图用于表征血管分割概率图中各个像素点属于血管中心线的概率值，distancemap1为第一中心线强度图，distancemap2为第二中心线强度图，distancemap3为第三中心线强度图，α为第一中心线强度图在第三中心线强度图中的权重值，β为第二中心线强度图在第三中心线强度图中的权重值。

5.根据权利要求1所述的方法，其特征在于，所述根据第三中心线强度图、入口端点和末端端点，提取血管中心线，包括：

将两个冠脉入口端点作为起始端点以及将冠脉末端端点作为结束端点；

在血管分割图像中定位左端点和右端点；

将在血管分割图像中与该左端点位于同一连通域中的冠脉末端端点，确定为左冠脉末端端点；

将在血管分割图像中与该右端点位于同一连通域中的冠脉末端端点，确定为右冠脉末端端点；

基于第三中心线强度图，生成连接该左端点与该左冠脉末端端点的最小成本路径，以及连接该右端点与该右冠脉末端端点的最小成本路径。

6.根据权利要求5所述的方法，其特征在于，所述生成连接该左端点与该左冠脉末端端点的最小成本路径，以及连接该右端点与该右冠脉末端端点的最小成本路径，包括：

并行计算左冠脉树和右冠脉树，当处理左冠脉树时，将左冠脉树的入口端点O1作为起始端点，与左冠脉树的每个结束端点P配对为[(O1,P1),(O1,P2),(O1,P3),...(O1,Pn)]，对于每对起始端点及其对应的结束端点，使用最小成本路径算法或快速行进算法，在第三中心线强度图上，生成连接左冠脉树对应的每个末端端点到起始端点的最小成本路径，作为左冠脉树的中心线。

7.根据权利要求1所述的方法，其特征在于，所述对原始医学影像进行血管分割处理，得到血管分割图像和血管分割概率图，包括：

将大量冠脉图像数据输入3D卷积神经网络中，得到预测的冠脉分割图像；

将预测的冠脉分割图像与人工标注的图像进行比较，将比较得到的差异反馈至3D卷积神经网络；

迭代地更新3D卷积神经网络，使差异减小，直至差异收敛，得到用于冠脉血管分割处理的深度学习模型；

将冠脉图像数据输入预先训练好的深度学习模型中，输出血管分割图像。

8.根据权利要求7所述的方法，其特征在于，所述对原始医学影像进行血管分割处理，得到血管分割图像和血管分割概率图，包括：

从冠脉图像数据中提取原始特征图，基于原始特征图中各个像素的特征，确定冠脉图像数据中各个像素点属于血管的概率值，以形成冠脉图像数据的血管分割概率图。

9.一种血管中心线提取系统，其特征在于，包括：

分割处理单元，用于对冠脉图像数据进行血管分割处理，得到血管分割图像和血管分割概率图；

第一中心线强度图生成单元，基于血管分割图像，用于生成第一中心线强度图；

第二中心线强度图生成单元，基于血管分割概率图，用于生成第二中心线强度图；其中，输入血管分割概率图，将血管分割概率图通过图像处理获得第二中心线强度图，其包括：对血管分割概率图的概率值取负并且加1，并且与血管分割图像的相应像素点的特征进行点乘运算处理，得到第二中心线强度图；

端点获取单元，用于将血管分割图像输入预设网络模型，得到入口端点和末端端点；

第三中心线强度图生成单元，用于将第一中心线强度图和第二中心线强度图综合加权生成第三中心线强度图；

中心线提取单元，用于根据第三中心线强度图、入口端点和末端端点，提取血管中心线。