CN114723684A - 模型训练方法及其装置、血管结构生成方法及其装置 - Google Patents

Abstract

本申请提供了一种模型训练方法，用于训练初始神经网络模型，得到血流方向预测模型，该方法包括：确定头颈部血管样本图像和头颈部血管样本图像对应的血管骨架标记数据；基于血管骨架标记数据，在头颈部血管样本图像内确定多个采样中心点，以对头颈部血管样本图像进行切块采样操作，得到多个样本块数据集合，基于多个样本块数据集合各自对应的采样中心点、预设血流步长和血管骨架标记数据，确定多个样本块数据集合各自对应的训练目标数据；利用多个样本块数据集合、多个样本块数据集合各自对应的训练目标数据，训练初始神经网络模型，得到血流方向预测模型。利用该模型训练方法，能够提高模型的鲁棒性和稳定性，从而提高血流方向预测的准确性。

Description

模型训练方法及其装置、血管结构生成方法及其装置

技术领域

本申请涉及医学图像处理技术领域，具体涉及一种模型训练方法及其装置、血管结构生成方法及其装置、电子设备和计算机可读存储介质。

背景技术

头颈部动脉血管的血管结构的准确信息，能够在进行动脉血管分割时提供全局信息，以提高血管分割的准确性和完整性，因此，生成准确的血管结构至关重要。

在生成血管结构的过程中，需要利用血流方向预测模型预测血流走势方向。然而，现有技术中的血流方向预测模型的预测准确度不高，因此，亟需一种能够提高血流方向预测模型的准确性的方法。

发明内容

有鉴于此，本申请实施例提供了一种模型训练方法及其装置、血管结构生成方法及其装置、电子设备和计算机可读存储介质，以解决现有技术中血流方向预测模型的预测准确度不高的技术问题。

根据本申请实施例的第一方面，提供一种模型训练方法，用于训练初始神经网络模型，得到血流方向预测模型，该方法包括：确定头颈部血管样本图像和头颈部血管样本图像对应的血管骨架标记数据；基于血管骨架标记数据，在头颈部血管样本图像内确定多个采样中心点，以对头颈部血管样本图像进行切块采样操作，得到多个样本块数据集合，样本块数据集合包括多个样本块数据组，样本块数据组包括多个样本块数据；基于多个样本块数据集合各自对应的采样中心点、预设血流步长和血管骨架标记数据，确定多个样本块数据集合各自对应的训练目标数据，训练目标数据为样本块数据集合对应的K个实际血流走势方向与N个预设血流走势方向匹配程度的概率分布数据，K和N为正整数；利用多个样本块数据集合、多个样本块数据集合各自对应的训练目标数据，训练初始神经网络模型，得到血流方向预测模型。

在一个实施例中，基于多个样本块数据集合各自对应的采样中心点、预设血流步长和血管骨架标记数据，确定多个样本块数据集合各自对应的训练目标数据，包括：针对于多个样本块数据集合中的每个样本块数据集合，基于样本块数据集合对应的采样中心点、预设血流步长和血管骨架标记数据，确定样本块数据集合对应的N个标准方向向量和K个实际方向向量，实际方向向量用于表征实际血流走势方向，标准方向向量用于表征预设血流走势方向；将K个实际方向向量拟合到N个标准方向向量，得到样本块数据集合对应的训练目标数据。

在一个实施例中，基于样本块数据集合对应的采样中心点、预设血流步长和血管骨架标记数据，确定样本块数据集合对应的N个标准方向向量和K个实际方向向量，包括：以采样中心点对应的坐标为中心，以预设血流步长为半径，构造球面，获得采样中心点对应的参考球面；基于采样中心点为起点和平均分布在参考球面上的N个点，确定N个标准方向向量；确定参考球面和血管骨架标记数据的K个交点；基于采样中心点和K个交点，确定K个实际方向向量。

在一个实施例中，利用多个样本块数据集合、多个样本块数据集合各自对应的训练目标数据，训练初始神经网络模型，得到血流方向预测模型，包括：针对于多个样本块数据集合中的每个样本块数据集合，基于初始神经网络模型，利用样本块数据集合，得到样本块数据集合对应的离散概率数据，离散概率数据用于表征N个标准方向向量各自属于预测方向向量的概率值；将离散型概率数据转化为似然概率分布；基于似然概率分布、训练目标数据和预设损失函数，确定损失值；基于损失值，调整初始神经网络模型的参数，直至损失值满足预设条件，得到血流方向预测模型。

在一个实施例中，模型训练方法还包括：确定多个采样中心点各自对应的偏移采样中心点；基于多个采样中心点各自对应的偏移采样中心点，对头颈部血管样本图像进行切块采样操作，得到多个偏移样本块数据集合；针对于多个偏移样本块数据集合中的每个偏移样本块数据集合，基于偏移样本块数据集合对应的偏移采样中心点、偏移采样中心点对应的采样中心点、预设血流步长和血管骨架标记数据，确定偏移样本块数据集合对应的K个修正训练目标数据，其中，修正训练目标数据为偏移样本块数据对应的K个修正实际方向向量与N个标准方向向量匹配程度的概率分布数据，修正实际方向向量用于表征发生偏移的实际血流走势方向被修正后获得的实际血流走势方向；其中，利用多个样本块数据集合、多个样本块数据集合各自对应的训练目标数据，训练初始神经网络模型，得到血流方向预测模型，包括：利用多个样本块数据集合、多个样本块数据集合各自对应的训练目标数据、多个偏移样本块数据集合、多个偏移样本块数据集合各自对应的修正训练目标数据，训练初始神经网络模型，得到血流方向预测模型。

在一个实施例中，基于偏移样本块数据集合对应的偏移采样中心点、偏移采样中心点对应的采样中心点、预设血流步长和血管骨架标记数据，确定偏移样本块数据集合对应的K个修正训练目标数据，包括：在偏移采样中心点和采样中心点的连接线中选取修正点，修正点与采样中心点之间的长度和偏移采样中心点和采样中心点之间的长度的比值为预设值；以修正点对应的坐标为中心，以预设血流步长为半径，构造球面，获得修正参考球面，基于修正点、采样中心点对应的参考球面和血管骨架标记数据的K个交点，确定K个辅助方向向量；以偏移采样中心点对应的坐标为中心，以预设血流步长为半径，构造球面，获得偏移参考球面；基于偏移采样中心点为起点和平均分布在偏移参考球面上的N个点，形成偏移样本块数据集合对应的N个标准方向向量；针对于K个辅助方向向量中的每个辅助方向向量，经过偏移采样中心点，做辅助方向向量的平行线，基于平行线与偏移参考球面的交点和偏移采样中心点，确定辅助方向向量对应的修正实际方向向量，以确定K个修正实际方向向量；基于N个标准方向向量和K个修正实际方向向量，确定修正训练目标数据。

在一个实施例中，模型训练方法还包括：针对于采样中心点中的每个采样中心点，若采样中心点位于血管骨架标记数据的非起点位置，则确定采样中心点对应的样本块数据集合对应的提示方向向量，用于在训练过程中为预测后续血流方向提供启示；其中，利用多个样本块数据集合、多个样本块数据集合各自对应的训练目标数据，训练初始神经网络模型，得到血流方向预测模型，包括：利用多个样本块数据集合、多个样本块数据集合各自对应的训练目标数据和多个样本块数据集合各自对应的提示方向向量，训练初始神经网络模型，得到血流方向预测模型。

在一个实施例中，基于血管骨架标记数据，在头颈部血管样本图像内确定多个采样中心点，以对头颈部血管样本图像进行切块采样操作，得到多个样本块数据集合，包括：基于动脉血管标记数据，在头颈部血管样本图像中确定多个采样中心点；针对于多个采样中心点中的每个采样中心点，以采样中心点为中心，利用多个采样空间分辨率和多个窗，对头颈部血管样本图像进行切块采样，得到采样中心点对应的多个样本块数据集合，其中，多个样本块数据组分别与多个采样空间分辨率相匹配，多个样本块数据分别与多个窗相匹配。

根据本申请实施例的第二方面，提供一种血管结构生成方法，包括：确定待分割头颈部血管图像对应的初始血管骨架；基于初始血管骨架中的多个分支末端点，在待分割头颈部血管图像确定血管生成路径的起始点集合；针对于起始点集合中的每个起始点，以起始点为初始采样中心点，基于当前采样中心点、血流方向预测模型针对于当前采样中心点的预测血流方向和预设血流步长，获得当前采样中心点对应的下一个采样中心点；基于当前采样中心点对应的下一个采样中心点继续预测，直至获得的采样中心点满足终止条件，得到起始点对应的血管生成路径，其中，血流方向预测模型基于上述第一方面的模型训练方法确定；基于起始点集合各自对应的血管生成路径，确定待分割头颈部血管图像对应的血管结构数据。

在一个实施例中，基于当前采样中心点、血流方向预测模型针对于当前采样中心点的预测血流方向和预设血流步长，获得当前采样中心点对应的下一个采样中心点，包括：基于当前采样中心点，对待分割头颈部血管图像进行切块采样，得到当前采样中心点对应的待分割块数据集合，待分割块数据集合包括多个待分割块数据组，待分割块数据包括多个待分割块数据；将待分割块数据集合输入到血流方向预测模型，得到当前采样中心点对应的预测血流方向；以当前采样中心点为起点、按照当前采样中心点对应的预测血流方向前进预设血流步长，得到当前采样中心点对应的下一个采样中心点。

在一个实施例中，将待分割块数据集合输入到血流方向预测模型，得到当前采样中心点对应的预测血流方向，包括：将血流方向预测模型针对于当前采样中心点对应的上一个采样中心点的预测血流方向，确定为当前采样中心点对应的提示预测血流方向；将当前采样中心点对应的提示预测血流方向和待分割块数据集合输入到血流方向预测模型，得到当前采样中心点对应的预测血流方向。

在一个实施例中，将当前采样中心点对应的提示预测血流方向和待分割块数据集合输入到血流方向预测模型，得到当前采样中心点对应的预测血流方向，包括：将当前采样中心点对应的提示预测血流方向和待分割块数据集合输入到血流方向预测模型，得到预测离散概率数据，预测离散概率数据表征预设的N个标准方向向量各自属于预测方向向量的概率值；基于N个标准方向向量各自对应的概率值，确定N个标准方向向量各自对应的选择优先级，并选取选择优先级靠前的前S个标准方向向量为S个候选预测血流方向，S大于或者等于2且小于或者等于N；基于S个候选预测血流方向和提示预测血流方向，确定当前采样中心点对应的预测血流方向。

在一个实施例中，血管结构生成方法还包括：若当前采样中间点为初始血管骨架中的分叉点，基于初始血管骨架，确定多个可选前进方向；在多个可选前进方向选取一个选定前进方向，并记录当前采样中间点对应的坐标、多个可选前进方向中除了选定前进方向的其它剩余前进方向；针对于选定前进方向，基于当前采样中心点、血流方向预测模型针对于当前采样中心点的预测血流方向和预设血流步长，依次获得当前采样中心点在选定前进方向上的下一个采样中心点，直至获取的采样中心点满足终止条件，获得当前采样中心点在选定前进方向上的分叉血管生成路径；确定当前采样中心点在其它剩余前进方向中每一个剩余前进方向上的分叉血管生成路径，以得到当前采样中心点对应的血管生成路径。

在一个实施例中，获得的采样中心点满足终止条件的判断方法，包括：确定获得的采样中心点对应的实时血流速度，若获得的采样中心点对应的实时血流速度小于或者等于0，则满足终止条件；或，获取获得的采样中心点的位置区域参数，若位置区域参数表明获得的采样中心点，位于待分割头颈部血管图像的边界或生长禁区，或与已经得到的血管生成路径碰撞，则满足终止条件。

根据本申请实施例的第三方面，提供一种模型训练装置，用于训练初始神经网络模型，得到血流方向预测模型，装置包括：第一确定模块，配置为确定头颈部血管样本图像和头颈部血管样本图像对应的血管骨架标记数据；样本块数据集合得到模块，配置为基于血管骨架标记数据，在头颈部血管样本图像内确定多个采样中心点，以对头颈部血管样本图像进行切块采样操作，得到多个样本块数据集合，样本块数据集合包括多个样本块数据组，样本块数据组包括多个样本块数据；训练目标数据确定模块，配置为基于多个样本块数据集合各自对应的采样中心点、预设血流步长和血管骨架标记数据，确定多个样本块数据集合各自对应的训练目标数据，训练目标数据为样本块数据集合对应的K个实际血流走势方向与N个预设血流走势方向匹配程度的概率分布数据，K和N为正整数；血流方向预测模型得到模块，配置为利用多个样本块数据集合、多个样本块数据集合各自对应的训练目标数据，训练初始神经网络模型，得到血流方向预测模型。

根据本申请实施例的第四方面，提供一种模型训练装置，包括：结构生成装置，其特征在于，包括：初始血管骨架确定模块，配置为确定待分割头颈部血管图像对应的初始血管骨架；起始点集合确定模块，配置为基于初始血管骨架中的多个分支末端点，在待分割头颈部血管图像确定血管生成路径的起始点集合；血管生成路径得到模块，配置为针对于起始点集合中的每个起始点，以起始点为初始采样中心点，基于当前采样中心点、血流方向预测模型针对于当前采样中心点的预测血流方向和预设血流步长，获得当前采样中心点对应的下一个采样中心点；基于当前采样中心点对应的下一个采样中心点继续预测，直至获得的采样中心点满足终止条件，得到起始点对应的血管生成路径，其中，血流方向预测模型基于上述第一方面的模型训练方法确定；血管结构数据确定模块，配置为基于起始点集合各自对应的血管生成路径，确定待分割头颈部血管图像对应的血管结构数据。

根据本申请实施例的第五方面，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模型训练方法，或，如上述第二方面的血管结构生成方法。

根据本申请实施例的第六方面，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模型训练方法，或，如上述第二方面的血管结构生成方法。

本申请实施例提供的模型训练方法，用于训练初始神经网络模型，得到血流方向预测模型。由于在模型训练过程中，训练目标数据是基于采样中心点、预设血流步长和血管骨架标记数据，确定的一个关于K个实际血流走势方向与N个预设血流走势方向匹配程度的概率分布数据，而非现有技术中直接以血流方向标记为训练目标数据，能够差异化加强对模型学习方向的引导。并且，在获得样本块数据的过程中，采用了多尺度多窗切块采样操作，能够头颈部血管样本图像中的每个采样中心点进行充分特征提取。从而利用该模型训练方法，能够提高模型的鲁棒性和稳定性，继而得到预测准确性更高的血流方向预测模型。

附图说明

图1所示为本申请一实施例提供的模型训练方法的流程示意图。

图2所示为本申请一实施例提供的模型训练方法的流程示意图。

图3所示为本申请一实施例提供的模型训练方法的流程示意图。

图3a所示为本申请一实施例提供的确定实际方向向量的示意图。

图3b所示为本申请一实施例提供的确定实际方向向量的示意图。

图4所示为本申请一实施例提供的模型训练方法的流程示意图。

图5所示为本申请一实施例提供的模型训练方法的流程示意图。

图5a所示为本申请一实施例提供的基于一个采样中心点对头颈部血管样本图像进行切块采样的流程示意图。

图6所示为本申请一实施例提供的模型训练方法的流程示意图。

图7所示为本申请一实施例提供的模型训练方法的流程示意图。

图7a本申请一实施例提供的确定修正实际方向向量的示意图。

图8所示为本申请一实施例提供的模型训练方法的流程示意图。

图9a所示为本申请一实施例提供的血管的拓扑结构的示意图。

图9b所示为本申请一实施例提供的血管结构生成方法的流程示意图。

图9c所示为本申请一实施例提供的获得下一个采样中心点的结构示意图。

图10所示为本申请一实施例提供的血管结构生成方法的流程示意图。

图11所示为本申请一实施例提供的血管结构生成方法的流程示意图。

图12所示为本申请一实施例提供的血管结构生成方法的流程示意图。

图13所示为本申请一实施例提供的血管结构生成方法的流程示意图。

图14所示为本申请一实施例提供的血管结构生成方法的流程示意图。

图15所示为本申请一实施例提供的模型训练装置的结构示意图。

图16所示为本申请一实施例提供的训练目标数据确定模块的结构示意图。

图17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18所示为本申请一实施例提供的血流方向预测模型得到模块的结构示意图。

图19所示为本申请一实施例提供的模型训练装置的结构示意图。

图20所示为本申请一实施例提供的修正训练目标数据确定模块的结构示意图。

图21所示为本申请一实施例提供的模型训练装置的结构示意图。

图22所示为本申请一实施例提供的样本块数据集合得到模块的结构示意图。

图23所示为本申请一实施例提供的血管结构生成装置的结构示意图。

图24所示为本申请一实施例提供的血管生成路径得到模块的结构示意图。

图25所示为本申请一实施例提供的预测血流方向得到单元的结构示意图。

图26所示为本申请一实施例提供的血管结构生成装置的结构示意图。

图27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得到的所有其他实施例，都属于本申请保护的范围。

头颈部医学图像，例如：头颈增强CT(Computed Tomography，电子计算机断层扫描)图像上的动脉血管被准确分割，对于后续头颈部检测分析至关重要。在进行动脉血管分割时，结合血管结构，能够提高血管分割的准确性与完整性。因此，需要获得头颈部动脉血管的血管结构的准确信息。

为了获得准确的血管结构，需要血流走势方向，血流走势方向用血流方向预测模型预测获得。然而，现有技术中的血流方向预测模型的预测准确度不高，因此，亟需一种能够提高血流方向预测模型的准确性的方法。

为了解决上述问题，本申请实施例提供一种模型训练方法，由于在模型训练过程中，训练目标数据是基于采样中心点、预设血流步长和血管骨架标记数据，确定的一个关于K个实际血流走势方向与N个预设血流走势方向匹配程度的概率分布数据，而非现有技术中直接以血流方向标记为训练目标数据，能够差异化加强对模型学习方向的引导。并且，在获得样本块数据的过程中，采用了多尺度多窗切块采样操作，能够头颈部血管样本图像中的每个采样中心点进行充分特征提取。从而利用该模型训练方法，能够提高模型的鲁棒性和稳定性，继而得到预测准确性更高的血流方向预测模型。

下面结合图1至图27详细介绍本申请实施例提及的模型训练方法、血管结构生成方法、模型训练装置、血管结构生成装置电子设备及计算机可读存储介质。

示例性模型训练方法

本申请实施例提供的模型训练方法用于训练初始神经网络模型，得到血流方向预测模型。本申请实施例得到的血流方向预测模型可以用于在生成血管结构时预测血流方向的场景中。其中，初始神经网络模型包括但不限于经典3d ResNeXt模型结构。

图1所示为本申请一实施例提供的模型训练方法的流程示意图。如图1所示，该模型训练方法包括如下步骤。

S101：确定头颈部血管样本图像和头颈部血管样本图像对应的血管骨架标记数据。

具体而言，头颈部血管样本图像为头颈部增强CT图像，血管骨架标记数据为头颈部增强CT图像对应的标记好的血管中心线。

S102：基于血管骨架标记数据，在头颈部血管样本图像内确定多个采样中心点，以对头颈部血管样本图像进行切块采样操作，得到多个样本块数据集合。

示例性地，样本块数据集合包括多个样本块数据组，样本块数据组包括多个样本块数据。

具体而言，切块采样操作为多尺度多窗切块采样，是各向同性切块采样操作，采样过程在多个采样空间分辨率和多窗范畴下进行，采样目标为预设的图像像素体积(即，采样获得的块在像素尺寸上是相同的)。其中，采样空间分辨率能够区分采样过程中最小单元的尺寸或大小，用于表征目标(即，动脉血管)细节信息的指标。窗宽是指为最佳地显示所感兴趣结构而设置的CT值范围，窗宽范围的中点即所谓的窗位。

基于血管骨架标记数据，在头颈部血管样本图像内确定多个采样中心点，并对每一个采样中心点，利用多个采样空间分辨率和多个窗，对头颈部血管样本图像进行切块采样，得到当前采样中心点对应的样本块数据集合，从而获得头颈部血管样本图像中多个采样中心点各自对应的样本块数据集合(即，得到多个样本块数据集合)。具体地，切块采样过程中，利用多个采样空间分辨率，能够从不同尺度对头颈部血管样本图像进行充分特征提取，利用M个窗，能够保留头颈部血管样本图像各个维度信息。

S103：基于多个样本块数据集合各自对应的采样中心点、预设血流步长和血管骨架标记数据，确定多个样本块数据集合各自对应的训练目标数据。

示例性地，训练目标数据为样本块数据集合对应的K个实际血流走势方向与N个预设血流走势方向匹配程度的概率分布数据，K和N为正整数。具体而言，训练目标数据为初始神经网络模型的学习目标，针对于多个样本块数据集合中的每个样本块数据集合，基于样本块数据集合对应的采样中心点、预设血流步长和血管骨架标记数据，确定样本块数据集合对应的训练目标数据。

与直接以血流方向标记为训练目标数据相比，以一个关于K个实际血流走势方向与N个预设血流走势方向匹配程度的概率分布数据为训练目标数据，能够使预测结果提高与训练目标数据相近的预测结果施加较小损失，对与训练目标数据差异较大的结果才施加较大损失，差异化加强对模型学习方向的引导，帮助模型收敛和提升效果。

需要说明的是，预设血流步长为在生成血管结构时，沿着血流方向预测模型预测的血流方向，需要前进的长度。

S104：利用多个样本块数据集合、多个样本块数据集合各自对应的训练目标数据，训练初始神经网络模型，得到血流方向预测模型。

具体而言，以多个样本块数据集合为输入值，多个样本块数据集合各自对应的训练目标数据为目标值，训练初始神经网络模型学习，获得能够准确预测血流方向的能力。

本申请实施例中，在模型训练过程中，训练目标数据是基于采样中心点、预设血流步长和血管骨架标记数据，确定的一个关于K个实际血流走势方向与N个预设血流走势方向匹配程度的概率分布数据，而非现有技术中直接以血流方向标记为训练目标数据，从而能够差异化加强对模型学习方向的引导。并且，在获得样本块数据的过程中，采用了多尺度多窗切块采样操作，能够头颈部血管样本图像中的每个采样中心点进行充分特征提取。基于此，利用该模型训练方法，能够提高模型的鲁棒性和稳定性，继而得到预测准确性更高的血流方向预测模型。

图2所示为本申请一实施例提供的模型训练方法的流程示意图。如图2所示，如图2所示，基于多个样本块数据集合各自对应的采样中心点、预设血流步长和血管骨架标记数据，确定多个样本块数据集合各自对应的训练目标数据步骤，包括下列步骤。

S201：针对于多个样本块数据集合中的每个样本块数据集合，基于样本块数据集合对应的采样中心点、预设血流步长和血管骨架标记数据，确定样本块数据集合对应的N个标准方向向量和K个实际方向向量。

示例性地，实际方向向量用于表征实际血流走势方向，标准方向向量用于表征预设血流走势方向。具体而言，通过样本块数据集合对应的采样中心点和预设血流步长，建立N个标准方向向量，每一个标准方向向量代表一个预设血流走势方向。以样本块数据集合对应的采样中心点为中心，基于预设血流步长和血管骨架标记数据，获得K个实际方向向量，每个实际方向向量用于表征一个实际血流走势方向。

需要说明的是，由于血液流动在血管中，因此，血流走势方向即血管方向走势，在本申请实施例中阐述的头颈部动脉血管，则本申请实施例中所有的血流走势方向均是头颈部动脉血管走势的含义，后续不在赘述。

示例性地，N包括、但不限于500或者1000。K包括、但不限于2、3、4、5。

S202：将K个实际方向向量拟合到N个标准方向向量，得到样本块数据集合对应的训练目标数据。

具体而言，将K个实际方向向量向N个标准方向向量做投影匹配，获得一个关于K个实际血流走势方向与N个预设血流走势方向匹配程度的概率分布数据，即，训练目标数据。

针对于多个样本块数据集合中的每个样本块数据集合，都执行上述步骤，获得多个样本块数据各自对应的训练目标数据。

本申请实施例中，先基于样本块数据集合对应的采样中心点、预设血流步长和血管骨架标记数据，确定样本块数据集合对应的N个标准方向向量和K个实际方向向量，再将K个实际方向向量拟合到N个标准方向向量，得到一个关于K个实际血流走势方向与N个预设血流走势方向匹配程度的概率分布数据，实现为模型提供学习目标的目的。

图3所示为本申请一实施例提供的模型训练方法的流程示意图。如图3所示，基于样本块数据集合对应的采样中心点、预设血流步长和血管骨架标记数据，确定样本块数据集合对应的N个标准方向向量和K个实际方向向量步骤，包括如下步骤。

S301：以采样中心点对应的坐标为中心，以预设血流步长为半径，构造球面，获得采样中心点对应的参考球面。

S302：基于采样中心点为起点和平均分布在参考球面上的N个点，确定N个标准方向向量。

具体而言，以采样中心点为向量起点，平均分布在参考球面上的N个点为向量终点，预设血流步长为向量长度，得到样本块数据集合对应的N个标准方向向量。

需要说明的是，针对于多个样本块数据集合中的每个样本块数据集合，都执行上述步骤，获得多个样本块数据集合各自对应的N个标准方向向量。举例说明，样本块数据集合A对应的1000个标准方向向量和样本块数据集合B对应的1000个标准方向向量，分别在方向指向上是相同，只是向量起点坐标不同，向量终点坐标不同。

S303：确定参考球面和血管骨架标记数据的K个交点。

S304：基于采样中心点和K个交点，确定K个实际方向向量。

举例说明，图3a所示为本申请一实施例提供的确定实际方向向量的示意图。如图3a所示，血管骨架标记数据与参考球面的交点为A、B，以采样中心点O为向量起点，A和B分别为向量终点，获得2个实际方向向量OA和OB。

需要说明的是，考虑到实际方向向量的形式，实际方向向量与预设血流步长相关，图3b所示为本申请一实施例提供的确定实际方向向量的示意图。结合图3b示，不同预设血流步长的设置直接影响实际方向向量，若预设血流步长为R1，2个实际方向向量OA和OB，若预设血流步长为R2，2个实际方向向量OA’和OB’，预设血流步长越短，模型越精准，但计算量越大，预设血流步长越长，模型越粗糙，但计算量更小，因此，需要设定合适的预设血流步长。

本申请实施例中，通过上述步骤，实现得到样本块数据集合对应的N个标准方向向量和K个实际方向向量，以获得训练目标数据的目的。

图4所示为本申请一实施例提供的模型训练方法的流程示意图。如图4所示，利用多个样本块数据集合、多个样本块数据集合各自对应的训练目标数据，训练初始神经网络模型，得到血流方向预测模型步骤，包括如下步骤。

S401：针对于多个样本块数据集合中的每个样本块数据集合，基于初始神经网络模型，利用样本块数据集合，得到样本块数据集合对应的离散概率数据。

示例性地，离散概率数据用于表征N个标准方向向量各自属于预测方向向量的概率值。具体而言，将样本块数据集合，输入到初始神经网络模型模型，得到样本块数据集合对应的离散概率数据，即，得到后续血流方向可能在N个标准方向向量中概率的离散值。举例说明，1个样本块数据集合对应的离散概率数据为，在标准方向向量101的概率为0.5，在标准方向向量101概率为0.3，在标准方向向量208的概率为0.2。

S402：将离散型概率数据转化为似然概率分布。

具体而言，将离散型概率数据，使用log_softmax函数转化为似然概率分布，以通过似然概率分布和训练目标数据(概率分布数据)计算损失。

S403：基于似然概率分布、训练目标数据和预设损失函数，确定损失值。

具体而言，考虑到似然概率分布是一个概率分布数据，训练目标数据也是一个关于K个实际血流走势方向与N个预设血流走势方向匹配程度的概率分布数据。将似然概率分布和训练目标数据代入预设损失函数，得到损失值，与现有技术中，对于和训练目标数据差异较小和较大的预测值均计算相同的损失不加区分相比，能够使预测结果提高与训练目标数据相近的预测结果施加较小损失，对与训练目标数据差异较大的结果才施加较大损失，差异化加强对模型学习方向的引导，帮助模型收敛和提升效果。

S404：基于损失值，调整初始神经网络模型的参数，直至损失值满足预设条件，得到血流方向预测模型。

本申请实施例中，通过将离散型概率数据转化为似然概率分布，并利用似然概率分布和训练目标数据获得损失值，对于和训练目标数据差异较小和较大的预测值，差异化调整参数，实现差异化加强对模型学习方向的引导，帮助模型收敛和提升效果的目的。

图5所示为本申请一实施例提供的模型训练方法的流程示意图。如图5所示，于血管骨架标记数据，在头颈部血管样本图像内确定多个采样中心点，以对头颈部血管样本图像进行切块采样操作，得到多个样本块数据集合步骤，包括如下步骤。

S501：基于动脉血管标记数据，在头颈部血管样本图像中确定多个采样中心点。

S502：针对于多个采样中心点中的每个采样中心点，以采样中心点为中心，利用多个采样空间分辨率和多个窗，对头颈部血管样本图像进行切块采样，得到采样中心点对应的样本块数据集合。

示例性地，样本块数据集合包括多个样本块数据组，样本块数据组包括多个样本块数据，多个样本块数据组分别与多个采样空间分辨率相匹配，多个样本块数据分别与多个窗相匹配。

具体而言，举例说明，图5a所示为本申请一实施例提供的基于一个采样中心点对头颈部血管样本图像进行切块采样的流程示意图。如图5a所示，多个采样空间分辨率的数量为3，多个窗的数量为3，采样中线点的数量为E。针对于E个采样中心点中的每个采样中心点，利用3个的采样空间分辨率，对头颈部血管样本图像进行多尺度采样，以涵盖不同的物理空间大小，获得3个初始化采样块数据。

针对于3个初始化采样块数据中的每一个初始化采样块数据，利用3个窗分别对3个初始化采样块数据进行加窗采样操作，使得初始化采样块数据中的不同的结构能够呈现不同显影特点，从而获得3个样本块数据，3个样本块数据形成1个样本块数据组，3个初始化采样块数据对应3个样本块数据组。3个样本块数据组形成1个样本块数据集合，继而获得当前采样中心点对应的1个样本块数据集合。针对于多个采样中心点，得到多个样本块数据集合。

本申请实施例中，通过上述步骤，实现多尺度多窗切块采样的目的，以对每个采样中心点处的头颈部血管样本图像进行充分特征提取，为后续训练模型提高多个高质量的训练样本提供基础。

图6所示为本申请一实施例提供的模型训练方法的流程示意图。如图6所示，模型训练方法还包括如下步骤。

S601：确定多个采样中心点各自对应的偏移采样中心点。

具体而言，考虑到在血流方向预测模型的应用过程中(即，血管结构生长过程中)，每个采样中心点的准确性至关重要，如果前一个采样中心点发生偏移，继续预测生长，后续血流方向和采样中心点将发生严重偏移，也就无法生长出的准确的血管结构。因此，需要每个采样中心点的预测要更精确。

然而，在实际应用过程中，采样中心点很难始终保持在血管中心线上，随着血管生长过程的进行，将不可避免的出现偏移(即，所谓的出现“抖动”现象)。

基于以上考虑，模型训练目标是希望模型在采样中心点发生偏移的过程中，能够逐步将生长轨迹“收敛”回正确轨迹上来，而不是围绕正确轨迹上下抖动。因此在模型训练过程中，构造一些偏离血管中心线轨迹的采样中心点，即偏移采样中心点。更具体而言，针对于多个采样中心点中的每个采样中心点，在采样中心点的某个方向上偏离预设距离的位置处取点，获得采样中心点的对应的偏移采样中心点，从而确定多个采样中心点各自对应的偏移采样中心点。

S602：基于多个采样中心点各自对应的偏移采样中心点，对头颈部血管样本图像进行切块采样操作，得到多个偏移样本块数据集合。

在得到多个采样中心点各自对应的偏移采样中心点之后，针对于多个偏移采样中心点中的每个偏移采样中心点，利用多个采样空间分辨率和多个窗，对头颈部血管样本图像进行切块采样，得到当前偏移采样中心点对应的偏移样本块数据集合，从而获得多个偏移采样中心点各自对应的偏移样本块数据集合(即，得到多个偏移样本块数据集合)。

具体而言，利用多个采样空间分辨率和多个窗，对头颈部血管样本图像进行切块采样，得到当前偏移采样中心点对应的偏移样本块数据集合步骤的具体细节与S501和S502的具体细节相同，再此不在赘述。

S603：针对于多个偏移样本块数据集合中的每个偏移样本块数据集合，基于偏移样本块数据集合对应的偏移采样中心点、偏移采样中心点对应的采样中心点、预设血流步长和血管骨架标记数据，确定偏移样本块数据集合对应的K个修正训练目标数据。

示例性地，修正训练目标数据为偏移样本块数据对应的K个修正实际方向向量与N个标准方向向量匹配程度的概率分布数据，修正实际方向向量用于表征发生偏移的实际血流走势方向被修正后获得的实际血流走势方向。

具体而言，训练目的是模型能够在偏移采样中心点时，学习如何回归到正确轨迹，那么，就需要提供发生偏移时的实际血流走势方向被修正后获得的实际血流走势方向，供模型学习，即，需要提供修正训练目标数据给模型学习，是模型向具有将“抖动”的位置拉回正确轨道的能力上转变。

利用多个样本块数据集合、多个样本块数据集合各自对应的训练目标数据，训练初始神经网络模型，得到血流方向预测模型步骤，包括如下步骤。

S604：利用多个样本块数据集合、多个样本块数据集合各自对应的训练目标数据、多个偏移样本块数据集合、多个偏移样本块数据集合各自对应的修正训练目标数据，训练初始神经网络模型，得到血流方向预测模型。

具体而言，以多个样本块数据集合和偏移样本块数据集合为输入值，多个样本块数据集合各自对应的训练目标数据和多个偏移样本块数据集合各自对应的修正训练目标数据为目标值，训练初始神经网络模型学习，使模型获得将“抖动“的位置拉回正确轨道的能力。

本申请实施例中，通过上述步骤，使得获得的血流方向预测模型，具有在当前采样中心点脱离血管中心线时能够拉回正确轨迹的能力，以提高预测血流方向的准确性。

图7所示为本申请一实施例提供的模型训练方法的流程示意图。如图7所示，基于偏移样本块数据集合对应的偏移采样中心点、偏移采样中心点对应的采样中心点、预设血流步长和血管骨架标记数据，确定偏移样本块数据集合对应的K个修正训练目标数据步骤，包括如下步骤。

S701：在偏移采样中心点和采样中心点的连接线中选取修正点。

示例性地，修正点与采样中心点之间的长度和偏移采样中心点和采样中心点之间的长度的比值为预设值。预设值可以是1/2，也可以是1/3，还可以是1/4。

S702：以修正点对应的坐标为中心，以预设血流步长为半径，构造球面，获得修正参考球面，基于修正点、修正参考球面和血管骨架标记数据的K个交点，确定K个辅助方向向量。

具体而言，首先，获得修正参考球面，以修正点为向量起点，以修正参考球面和血管骨架标记数据的K个交点分别为向量终点，形成K个辅助方向向量，为获得修正实际方向向量提供辅助。辅助方向向量本质上起到辅助线的作用。

S703：以偏移采样中心点对应的坐标为中心，以预设血流步长为半径，构造球面，获得偏移参考球面。

S704：基于偏移采样中心点为起点和平均分布在偏移参考球面上的N个点，形成偏移样本块数据集合对应的N个标准方向向量。

具体而言，以偏移采样中心点为向量起点，平均分布在偏移参考球面上的N个点为向量终点，预设血流步长为向量长度，得到偏移样本块数据集合对应的N个偏移标准方向向量。

S705：针对于K个辅助方向向量中的每个辅助方向向量，经过偏移采样中心点，做辅助方向向量的平行线，基于平行线与偏移参考球面的交点和偏移采样中心点，确定辅助方向向量对应的修正实际方向向量，以确定K个修正实际方向向量。

具体而言，以偏移采样中心点为向量起点，做辅助方向向量的平行线，平行线与偏移参考球面形成的交点为向量终点，获得修正实际方向向量。对于每个辅助方向向量均执行此操作，确定K个修正实际方向向量。

举例说明，预设值为1/3。图7a本申请一实施例提供的确定修正实际方向向量的示意图。如图7所示，C为采样中心点，C1为偏移采样中心点，在CC1上选取一点C2作为修正点。以修正点C2对应的坐标为中心，以预设血流步长为半径，构造球面，获得修正参考球面。以C2为向量起点，以修正参考球面和血管骨架标记数据的交点P2为向量终点，形成个辅助方向向量C2P2。以修正点C1对应的坐标为中心，以预设血流步长为半径，构造球面，获得偏移参考球面。以偏移采样中心点C2为向量起点，做C2P2的平行线，平行线与偏移参考球面形成的交点P3为向量终点，获得修正实际方向向量C1P3。

S706：基于N个标准方向向量和K个修正实际方向向量，确定修正训练目标数据。

具体而言，将K个修正实际方向向量向N个标准方向向量做投影匹配，获得一个关于K个修正实际血流走势方向与N个预设血流走势方向匹配程度的概率分布数据，即，修正训练目标数据。

本申请实施例中，通过上述步骤，将极端的偏移实际方向向量C1P1转化成了相对缓和且有助模型收敛的修正实际方向向量C1P3(结合图7a所示)。通过此策略训练模型，模型能够在采样中心点偏离血管中心线中线的时候，将后续采样中心点缓慢“拉回”血管中心线，大幅增强模型的鲁棒性和稳定性。

图8所示为本申请一实施例提供的模型训练方法的流程示意图。如图8所示，模型训练方法还包括下列步骤。

如图8所示，模型训练方法还包括如下步骤。

S801：针对于采样中心点中的每个采样中心点，若采样中心点位于血管骨架标记数据的非起点位置，则确定采样中心点对应的样本块数据集合对应的提示方向向量，用于在训练过程中为预测后续血流方向提供启示。

具体而言，考虑到在血流方向预测模型的应用过程中(即，血管结构生长过程中)，以较为微观的角度审视血流走势方向，是一个变化较为稳定的走势，在局部出现较为“突兀”的突变的概率很低。基于此，前一个采样中心点的预测血流方向对于后一个采样中心点的预测血流方向是具有一定的引导价值的，因此，模型输入中设计了可选的“提示方向向量”。

当采样中心点为血管骨架标记数据的起点位置，不选择提示方向向量，当采样中心点位于血管骨架标记数据的非起点位置，则确定采样中心点对应的样本块数据集合对应的提示方向向量，用于在训练过程中为预测后续血流方向提供启示，即，将前一个采样中心点的预测血流方向对于后一个采样中心点的的提示方向向量。

其中，利用多个样本块数据集合、多个样本块数据集合各自对应的训练目标数据，训练初始神经网络模型，得到血流方向预测模型步骤，包括下列步骤。

S802：利用多个样本块数据集合、多个样本块数据集合各自对应的训练目标数据和多个样本块数据集合各自对应的提示方向向量，训练初始神经网络模型，得到血流方向预测模型。

具体而言，以多个样本块数据集合和多个样本块数据集合各自对应的提示方向向量为输入值，多个样本块数据集合各自对应的训练目标数据为目标值，训练初始神经网络模型学习，获得分割预测能力更准确的血流方向预测模型。

本申请实施例中，将前一个采样中心点的预测血流方向对于后一个采样中心点的的提示方向向量，利用提示方向向量训练模型，以提高模型的预测准确性。

示例性血管结构生成方法

本申请实施例提供的血管结构生成方法用于生成血管拓扑结构，血管的拓扑结构具体如图9a所示，图9a所示为本申请一实施例提供的血管的拓扑结构的示意图。

图9b所示为本申请一实施例提供的血管结构生成方法的流程示意图。如图9b所示，血管结构生成方法包括如下步骤。

S901：确定待分割头颈部血管图像对应的初始血管骨架。

具体而言，考虑到现有技术中获得的血管拓扑结构(即，初始血管骨架)，单一类别形态，结构混杂，交叉粘连等普遍存在，因此，需要在此基础上提取完整准确的血管结构以备后续使用。

获得待分割头颈部血管图像对应的初始血管骨架的方式包括、但不限于下列方式。具体地，通过将待分割头颈部血管图像输入初始动脉血管分割模型，获得待分割头颈部血管图像对应的血管分割概率图，基于设定阈值(阈值取的相对高一些，比如0.9)将血管分割概率图进行二值化处理，获得二值化血管分割数据，对二值化血管分割数据进行中线提取操作，获得初始血管骨架。

S902：基于初始血管骨架中的多个分支末端点，在待分割头颈部血管图像确定血管生成路径的起始点集合。

S903：针对于起始点集合中的每个起始点，以起始点为初始采样中心点，基于当前采样中心点、血流方向预测模型针对于当前采样中心点的预测血流方向和预设血流步长，获得当前采样中心点对应的下一个采样中心点。

S904：基于当前采样中心点对应的下一个采样中心点继续预测，直至获得的采样中心点满足终止条件，得到起始点对应的血管生成路径。

示例性地，血流方向预测模型基于上述任一实施例提供的模型训练方法确定。

具体而言，举例说明，图9c所示为本申请一实施例提供的获得下一个采样中心点的结构示意图。如图9c所示，当前采样中心点b1为起点，按照血流方向预测模型针对于当前采样中心点的预测血流方向，前进预设血流步长，获得当前采样中心点对应的下一个采样中心点b2。以下一个采样中心点b2为起点，重复上述过程，得到下一个采样中心点b2的再下一个采样中心点b3，继续重复上述过程，直至满足终止条件。

S905：基于起始点集合各自对应的血管生成路径，确定待分割头颈部血管图像对应的血管结构数据。

具体而言，对起始点集合中的每个起始点，执行上述步骤S901-S904，获得起始点集合各自对应的血管生成路径，从而得到待分割头颈部血管图像对应的血管结构数据。

本申请实施例中，利用上述任一实施例提供血流方向预测模型预测的当前采样中心点的预测血流方向，仿照血流动力学特点，进行血管结构生长，实现降低血管生成路径的产生概率，最大化补足初始血管骨架中断裂位置，生成准确的动脉血管结构的目的。

图10所示为本申请一实施例提供的血管结构生成方法的流程示意图。如图10所示，基于当前采样中心点、血流方向预测模型针对于当前采样中心点的预测血流方向和预设血流步长，获得当前采样中心点对应的下一个采样中心点步骤，包括如下步骤。

S1001：基于当前采样中心点，对待分割头颈部血管图像进行切块采样，得到当前采样中心点对应的待分割块数据集合。

示例性地，待分割块数据集合包括多个待分割块数据组，待分割块数据包括多个待分割块数据。基于当前采样中心点，利用多个采样空间分辨率和多个窗，对待分割头颈部血管图像进行多尺度多窗切块采样，得到当前采样中心点对应的待分割块数据集合。具体而言，利用多个采样空间分辨率和多个窗，对待分割头颈部血管图像进行切块采样，得到当前采样中心点对应的待分割块数据集合步骤的具体细节与S501和S502的具体细节类似，再此不在赘述。

S1002：将待分割块数据集合输入到血流方向预测模型，得到当前采样中心点对应的预测血流方向。

S1003：以当前采样中心点为起点、按照当前采样中心点对应的预测血流方向前进预设血流步长，得到当前采样中心点对应的下一个采样中心点。

具体而言，按照当前采样中心点对应的预测血流方向前进预设血流步长，包括：设置血流速度阈值；获得当前采样中心点对应的实时血流速度。若当前采样中心点为初始血管骨架中的非分叉点，且实时血流速度小于血流速度阈值，则按照当前采样中心点对应的预测血流方向，快速增速至血流速度阈值同时前进预设血流步长，即，启动“快启动”模式。若当前采样中心点为初始血管骨架中的非分叉点，且实时血流速度等于血流速度阈值，则按照当前采样中心点对应的预测血流方向，按照血流速度阈值，前进预设血流步长。若当前采样中心点处于待分割头颈部血管图像对应的血管分割概率图中的低概率区域，则按照当前采样中心点对应的预测血流方向，缓慢降速至0，即，启动“慢刹车”模式。

考虑到初始血管骨架中存在断裂的部分，生长过程的“慢刹车”和“快启动”模式，使得在遇到断裂部分时能够再往前走一些，若继续走到血管区域时，则进行“快启动”模型，从而继续正常生长，达到延伸血管和接合断裂的目的。

本申请实施例中，通过上述步骤，实现在血管生长过程中延伸血管和接合断裂部位，最大化补足初始血管骨架中断裂位置，生成准确的动脉血管结构的目的。

如果当前采样中心点不是初始采样中心点，即，当前采样中心点不是在初血管骨架中的分支末端点(即，不是起点)。则当前采样中心点对应的预测血流方向通过下述实施例提供的步骤获得。

具体地，图11所示为本申请一实施例提供的血管结构生成方法的流程示意图。如图11所示，将待分割块数据集合输入到血流方向预测模型，得到当前采样中心点对应的预测血流方向步骤，包括如下步骤。

S1101：将血流方向预测模型针对于当前采样中心点对应的上一个采样中心点的预测血流方向，确定为当前采样中心点对应的提示预测血流方向。

具体而言，前一个采样中心点的预测血流方向对于后一个采样中心点的预测血流方向是具有一定的引导价值的，将血流方向预测模型针对于当前采样中心点对应的上一个采样中心点的预测血流方向，确定为当前采样中心点对应的提示预测血流方向。

示例性地，前一个预测血流方向预测血流方向为前一个预测血流方向预测方向向量。

S1102：将当前采样中心点对应的提示预测血流方向和待分割块数据集合输入到血流方向预测模型，得到当前采样中心点对应的预测血流方向。

本申请实施例中，在当前采样中心点不是在初血管骨架中的分支末端时，在预测中引入上一个采样中心点的预测血流方向，为当前采样中心点提供启示，以获得更准确地预测血流方向。

图12所示为本申请一实施例提供的血管结构生成方法的流程示意图。如图12所示，将当前采样中心点对应的提示预测血流方向和待分割块数据集合输入到血流方向预测模型，得到当前采样中心点对应的预测血流方向步骤，包括如下步骤。

S1201：将当前采样中心点对应的提示预测血流方向和待分割块数据集合输入到血流方向预测模型，得到预测离散概率数据。

示例性地，预测离散概率数据表征预设的N个标准方向向量各自属于预测方向向量的概率值。具体而言，举例说明，将当前采样中心点对应的提示预测血流方向和待分割块数据集合输入到血流方向预测模型，输出的数据为：标准方向向量305的概率为0.5，在标准方向向量302概率为0.3，在标准方向向量476的概率为0.2。

S1202：基于N个标准方向向量各自对应的概率值，确定N个标准方向向量各自对应的选择优先级，并选取选择优先级靠前的前S个标准方向向量为S个候选预测血流方向。

示例性地，S大于或者等于2且小于或者等于N。

具体而言，举例说明，承接上例，S等于2，根据N个标准方向向量各自对应的概率值，按照概率值由大到小的顺序将N个标准方向向量排序(排序靠前，选择优先级越高)，选取排序前两名为候选预测血流方向。

S1203：基于S个候选预测血流方向和提示预测血流方向，确定当前采样中心点对应的预测血流方向。

具体而言，举例说明，承接上例，在获得2个候选预测血流方向后，分别计算候选预测血流方向与提示预测血流方向的夹角，夹角小于90度的为“来向”，取夹角大于130度的为“去向”“去向”为当前采样中心点对应的预测血流方向。若未找到夹角大于130度的为“去向”，则在2个候选预测血流方向中选取概率值最高的为当前采样中心点对应的预测血流方向。

本申请实施例中，通过上述步骤，实现引入上一个采样中心点的预测血流方向，为当前采样中心点提供启示，以获得更准确地预测血流方向的目的。

图13所示为本申请一实施例提供的血管结构生成方法的流程示意图。如图13所示，血管结构生成方法还包括如下步骤。

S1301：若当前采样中间点为初始血管骨架中的分叉点，基于初始血管骨架，确定多个可选前进方向。

具体而言，若当前采样中间点为分叉点，以初始血管骨架为参考，以每个分叉后的分叉方向作为一个可选前进方向。

需要说明的是，若当前采样中间点为分叉点，当前采样中间点对应的实时血流速度，也按分叉方向将分配至各个可选前进方向，分配规则遵循向量合成分配规则。

S1302：在多个可选前进方向选取一个选定前进方向，并记录当前采样中间点对应的坐标、多个可选前进方向中除了选定前进方向的其它剩余前进方向。

S1303：针对于选定前进方向，基于当前采样中心点、血流方向预测模型针对于当前采样中心点的预测血流方向和预设血流步长，依次获得当前采样中心点在选定前进方向上的下一个采样中心点，直至获取的采样中心点满足终止条件，获得当前采样中心点在选定前进方向上的分叉血管生成路径。

具体而言，在选定前进方向之后，利用上述实施例提供的方法，获得当前采样中心点在选定前进方向上的分叉血管生成路径。在此不在赘述。

S1304：确定当前采样中心点在其它剩余前进方向中每一个剩余前进方向上的分叉血管生成路径，以得到当前采样中心点对应的血管生成路径。

具体而言，在其它剩余前进方向中每一个剩余前进方向上，重复上述步骤S1303，获得分叉血管生成路径，从而得到当前采样中心点对应的血管生成路径。

本申请实施例中，通过上述步骤，实现在当前采样中心点为分叉点时，获得当前采样中心点对应的血管生成路径的目的。

图14所示为本申请一实施例提供的血管结构生成方法的流程示意图。如图14所示，获得的采样中心点满足终止条件的判断方法包括如下步骤。

S1401：确定获得的采样中心点对应的实时血流速度，若获得的采样中心点对应的实时血流速度小于或者等于0，则满足终止条件。

S1402：获取获得的采样中心点的位置区域参数，若位置区域参数表明获得的采样中心点，位于待分割头颈部血管图像的边界或生长禁区，或与已经得到的血管生成路径碰撞，则满足终止条件。

本申请实施例中，通过上述步骤，实现判断获得的采样中心点是否满足终止条件的目的。

示例性模型训练装置

图15所示为本申请一实施例提供的模型训练装置的结构示意图。如图15所示，该模型训练装置100包括第一确定模块101、样本块数据集合得到模块102、训练目标数据确定模块103、血流方向预测模型得到模块104。

第一确定模块101配置为，确定头颈部血管样本图像和头颈部血管样本图像对应的血管骨架标记数据。样本块数据集合得到模块102配置为，基于血管骨架标记数据，在头颈部血管样本图像内确定多个采样中心点，以对头颈部血管样本图像进行切块采样操作，得到多个样本块数据集合，样本块数据集合包括多个样本块数据组，样本块数据组包括多个样本块数据。训练目标数据确定模块103配置为，基于多个样本块数据集合各自对应的采样中心点、预设血流步长和血管骨架标记数据，确定多个样本块数据集合各自对应的训练目标数据，训练目标数据为样本块数据集合对应的K个实际血流走势方向与N个预设血流走势方向匹配程度的概率分布数据，K和N为正整数；血流方向预测模型得到模块104配置为，利用多个样本块数据集合、多个样本块数据集合各自对应的训练目标数据，训练初始神经网络模型，得到血流方向预测模型。

本申请实施例中，在模型训练过程中，训练目标数据是基于采样中心点、预设血流步长和血管骨架标记数据，确定的一个关于K个实际血流走势方向与N个预设血流走势方向匹配程度的概率分布数据，而非现有技术中直接以血流方向标记为训练目标数据，能够差异化加强对模型学习方向的引导。并且，在获得样本块数据的过程中，采用了多尺度多窗切块采样操作，能够头颈部血管样本图像中的每个采样中心点进行充分特征提取。从而利用该模型训练方法，能够提高模型的鲁棒性和稳定性，继而得到预测准确性更高的血流方向预测模型。

图16所示为本申请一实施例提供的训练目标数据确定模块的结构示意图。如图16所示，训练目标数据确定模块103进一步包括：第一确定单元1031、拟合单元1032。

第一确定单元1031配置为，针对于多个样本块数据集合中的每个样本块数据集合，基于样本块数据集合对应的采样中心点、预设血流步长和血管骨架标记数据，确定样本块数据集合对应的N个标准方向向量和K个实际方向向量，实际方向向量用于表征实际血流走势方向，标准方向向量用于表征预设血流走势方向。拟合单元1032配置为，将K个实际方向向量拟合到N个标准方向向量，得到样本块数据集合对应的训练目标数据。

图17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17所示，第一确定单元1031进一步包括：参考球面获得子单元10311，标准方向向量确定子单元10312、交点确定子单元10313、实际方向向量确定子单元10314。

参考球面获得子单元10311配置为，以采样中心点对应的坐标为中心，以预设血流步长为半径，构造球面，获得采样中心点对应的参考球面。标准方向向量确定子单元10312配置为，基于采样中心点为起点和平均分布在参考球面上的N个点，确定N个标准方向向量。交点确定子单元10313配置为，确定参考球面和血管骨架标记数据的K个交点。实际方向向量确定子单元10314配置为，基于采样中心点和K个交点，确定K个实际方向向量。

图18所示为本申请一实施例提供的血流方向预测模型得到模块的结构示意图。如图18所示，血流方向预测模型得到模块104进一步包括：离散概率数据得到单元1041，似然概率分布得到单元1042、损失值确定单元1043、血流方向预测模型得到单元1044。

离散概率数据得到单元1041配置为，针对于多个样本块数据集合中的每个样本块数据集合，基于初始神经网络模型，利用样本块数据集合，得到样本块数据集合对应的离散概率数据，离散概率数据用于表征N个标准方向向量各自属于预测方向向量的概率值。似然概率分布得到单元1042配置为，将离散型概率数据转化为似然概率分布。损失值确定单元1043配置为，基于似然概率分布、训练目标数据和预设损失函数，确定损失值。血流方向预测模型得到单元1044配置为，基于损失值，调整初始神经网络模型的参数，直至损失值满足预设条件，得到血流方向预测模型。

图19所示为本申请一实施例提供的模型训练装置的结构示意图。如图19所示，模型训练装置100还包括：偏移采样中心点确定模块105、偏移样本块数据集合确定模块106、修正训练目标数据确定模块107。

偏移采样中心点确定模块105配置为，确定多个采样中心点各自对应的偏移采样中心点。偏移样本块数据集合确定模块106配置为，基于多个采样中心点各自对应的偏移采样中心点，对头颈部血管样本图像进行切块采样操作，得到多个偏移样本块数据集合。修正训练目标数据确定模块107配置为，针对于多个偏移样本块数据集合中的每个偏移样本块数据集合，基于偏移样本块数据集合对应的偏移采样中心点、偏移采样中心点对应的采样中心点、预设血流步长和血管骨架标记数据，确定偏移样本块数据集合对应的K个修正训练目标数据，其中，修正训练目标数据为偏移样本块数据对应的K个修正实际方向向量与N个标准方向向量匹配程度的概率分布数据，修正实际方向向量用于表征发生偏移的实际血流走势方向被修正后获得的实际血流走势方向。其中，血流方向预测模型得到模块104进一步配置为，利用多个样本块数据集合、多个样本块数据集合各自对应的训练目标数据、多个偏移样本块数据集合、多个偏移样本块数据集合各自对应的修正训练目标数据，训练初始神经网络模型，得到血流方向预测模型。

图20所示为本申请一实施例提供的修正训练目标数据确定模块的结构示意图。如图20所示，修正训练目标数据确定模块107进一步包括：修正点选取单元1071，辅助方向向量确定单元1072、偏移参考球面获得单元1073、标准方向向量确定单元1074、修正实际方向向量确定单元1075、修正训练目标数据确定单元1076。

修正点选取单元1071配置为，在偏移采样中心点和采样中心点的连接线中选取修正点，修正点与采样中心点之间的长度和偏移采样中心点和采样中心点之间的长度的比值为预设值。辅助方向向量确定单元1072配置为，以修正点对应的坐标为中心，以预设血流步长为半径，构造球面，获得修正参考球面，基于修正点、修正参考球面和血管骨架标记数据的K个交点，确定K个辅助方向向量。偏移参考球面获得单元1073配置为，以偏移采样中心点对应的坐标为中心，以预设血流步长为半径，构造球面，获得偏移参考球面。标准方向向量确定单元1074单元10433，配置为基于偏移采样中心点为起点和平均分布在偏移参考球面上的N个点，确定偏移样本块数据集合对应的N个标准方向向量。修正实际方向向量确定单元1075配置为针对于K个辅助方向向量中的每个辅助方向向量，经过偏移采样中心点，做辅助方向向量的平行线，基于平行线与偏移参考球面的交点和偏移采样中心点，确定辅助方向向量对应的修正实际方向向量，以确定K个修正实际方向向量。修正训练目标数据确定单元1076配置为，基于N个标准方向向量和K个修正实际方向向量，确定修正训练目标数据。

图21所示为本申请一实施例提供的模型训练装置的结构示意图。如图21所示，该模型训练装置100，还包括启示确定模块108。启示确定模块101配置为，针对于采样中心点中的每个采样中心点，若采样中心点位于血管骨架标记数据的非起点位置，则确定采样中心点对应的样本块数据集合对应的提示方向向量，用于在训练过程中为预测后续血流方向提供启示。

其中，血流方向预测模型得到模块104进一步配置为利用多个样本块数据集合、多个样本块数据集合各自对应的训练目标数据和多个样本块数据集合各自对应的提示方向向量，训练初始神经网络模型，得到血流方向预测模型。

图22所示为本申请一实施例提供的样本块数据集合得到模块的结构示意图。如图22所示，样本块数据集合得到模块102进一步包括：采样中心点确定单元1021、样本块数据集合得到单元1022。

采样中心点确定单元1021配置为，基于动脉血管标记数据，在头颈部血管样本图像中确定多个采样中心点。样本块数据集合得到得到单元1022配置为，针对于多个采样中心点中的每个采样中心点，以采样中心点为中心，利用多个采样空间分辨率和多个窗，对头颈部血管样本图像进行切块采样，得到采样中心点对应的多个样本块数据集合，其中，多个样本块数据组分别与多个采样空间分辨率相匹配，多个样本块数据分别与多个窗相匹配。

上述模型训练装置中其他各个模块的具体功能和操作已经在图1到图8描述的模型训练方法中进行了详细介绍，因此，这里将省略其重复描述。

示例性血管结构生成装置

图23所示为本申请一实施例提供的血管结构生成装置的结构示意图。如图23所示，血管结构生成装置200包括：初始血管骨架确定模块201、起始点集合确定模块202、第一血管生成路径得到模块203、血管结构数据确定模块204。

初始血管骨架确定模块201配置为，确定待分割头颈部血管图像对应的初始血管骨架。起始点集合确定模块202配置为，基于初始血管骨架中的多个分支末端点，在待分割头颈部血管图像确定血管生成路径的起始点集合。第一血管生成路径得到模块203配置为，针对于起始点集合中的每个起始点，以起始点为初始采样中心点，基于当前采样中心点、血流方向预测模型针对于当前采样中心点的预测血流方向和预设血流步长，获得当前采样中心点对应的下一个采样中心点；基于当前采样中心点对应的下一个采样中心点继续预测，直至获得的采样中心点满足终止条件，得到起始点对应的血管生成路径，其中，血流方向预测模型基于上述任一实施例的模型训练方法确定。血管结构数据确定模块204配置为，基于起始点集合各自对应的血管生成路径，确定待分割头颈部血管图像对应的血管结构数据。

图24所示为本申请一实施例提供的血管生成路径得到模块的结构示意图。如图24所示，第一血管生成路径得到模块203进一步包括：待分割块数据集合单元2031、预测血流方向得到单元2032、下一个采样中心点得到单元2033。

待分割块数据集合单元2031配置为，基于当前采样中心点，对待分割头颈部血管图像进行切块采样，得到当前采样中心点对应的待分割块数据集合，待分割块数据集合包括多个待分割块数据组，待分割块数据包括多个待分割块数据。预测血流方向得到单元2032配置为，将待分割块数据集合输入到血流方向预测模型，得到当前采样中心点对应的预测血流方向。下一个采样中心点得到单元2033配置为，以当前采样中心点为起点、按照当前采样中心点对应的预测血流方向前进预设血流步长，得到当前采样中心点对应的下一个采样中心点。

图25所示为本申请一实施例提供的预测血流方向得到单元的结构示意图。如图25所示，预测血流方向得到单元2032进一步包括：第一得到子单元20321、第二得到子单元20322。

第一得到子单元20321配置为，将血流方向预测模型针对于当前采样中心点对应的上一个采样中心点的预测血流方向，确定为当前采样中心点对应的提示预测血流方向。第二得到子单元20322配置为，将当前采样中心点对应的提示预测血流方向和待分割块数据集合输入到血流方向预测模型，得到当前采样中心点对应的预测血流方向。

在一个实施例中，第二得到子单元20322进一步配置为将当前采样中心点对应的提示预测血流方向和待分割块数据集合输入到血流方向预测模型，得到预测离散概率数据，预测离散概率数据表征预设的N个标准方向向量各自属于预测方向向量的概率值；基于N个标准方向向量各自对应的概率值，确定N个标准方向向量各自对应的选择优先级，并选取选择优先级靠前的前S个标准方向向量为S个候选预测血流方向，S大于或者等于2且小于或者等于N；基于S个候选预测血流方向和提示预测血流方向，确定当前采样中心点对应的预测血流方向。

图26所示为本申请一实施例提供的血管结构生成装置的结构示意图。如图26所示，血管结构生成装置200还包括：可选前进方向确定模块205、选定前进方向确定模块206、分叉血管生成路径确定模块207、第二血管生成路径得到模块208。

可选前进方向确定模块205配置为，若当前采样中间点为初始血管骨架中的分叉点，基于初始血管骨架，确定多个可选前进方向。选定前进方向确定模块206配置为，在多个可选前进方向选取一个选定前进方向，并记录当前采样中间点对应的坐标、多个可选前进方向中除了选定前进方向的其它剩余前进方向。分叉血管生成路径确定模块207配置为，针对于选定前进方向，基于当前采样中心点、血流方向预测模型针对于当前采样中心点的预测血流方向和预设血流步长，依次获得当前采样中心点在选定前进方向上的下一个采样中心点，直至获取的采样中心点满足终止条件，获得当前采样中心点在选定前进方向上的分叉血管生成路径。第二血管生成路径得到模块208配置为确定当前采样中心点在其它剩余前进方向中每一个剩余前进方向上的分叉血管生成路径，以得到当前采样中心点对应的血管生成路径。

在一个实施例中，获得的采样中心点满足终止条件的判断方法，包括：确定获得的采样中心点对应的实时血流速度，若获得的采样中心点对应的实时血流速度小于或者等于0，则满足终止条件；或，获取获得的采样中心点的位置区域参数，若位置区域参数表明获得的采样中心点，位于待分割头颈部血管图像的边界或生长禁区，或与已经得到的血管生成路径碰撞，则满足终止条件。

上述血管结构生成装置中其他各个模块的具体功能和操作已经在图9到图14描述的血管结构生成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27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27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模型训练方法，或各个实施例的血管结构生成方法以及/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27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“示例性模型训练方法”部分中描述的根据本申请各个实施例提供的模型训练方法中的步骤，或执行本说明书上述“示例性血管结构生成方法”部分中描述的根据本申请各个实施例提供的血管结构生成方法中的步骤。

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“示例性模型训练方法”部分中描述的根据本申请各个实施例提供的模型训练方法中的步骤，或执行本说明书上述“示例性血管结构生成方法”部分中描述的根据本申请各个实施例提供的血管结构生成方法中的步骤。

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 (18)

1.一种模型训练方法，其特征在于，用于训练初始神经网络模型，得到血流方向预测模型，所述方法包括：

确定头颈部血管样本图像和所述头颈部血管样本图像对应的血管骨架标记数据；

基于所述血管骨架标记数据，在所述头颈部血管样本图像内确定多个采样中心点，以对所述头颈部血管样本图像进行切块采样操作，得到多个样本块数据集合，所述样本块数据集合包括多个样本块数据组，所述样本块数据组包括多个样本块数据；

基于所述多个样本块数据集合各自对应的采样中心点、预设血流步长和所述血管骨架标记数据，确定所述多个样本块数据集合各自对应的训练目标数据，所述训练目标数据为所述样本块数据集合对应的K个实际血流走势方向与N个预设血流走势方向匹配程度的概率分布数据，K和N为正整数；

利用所述多个样本块数据集合、所述多个样本块数据集合各自对应的训练目标数据，训练所述初始神经网络模型，得到所述血流方向预测模型。

2.根据权利要求1所述的模型训练方法，其特征在于，所述基于所述多个样本块数据集合各自对应的采样中心点、预设血流步长和所述血管骨架标记数据，确定所述多个样本块数据集合各自对应的训练目标数据，包括：

针对于所述多个样本块数据集合中的每个样本块数据集合，基于所述样本块数据集合对应的采样中心点、所述预设血流步长和所述血管骨架标记数据，确定所述样本块数据集合对应的N个标准方向向量和K个实际方向向量，所述实际方向向量用于表征实际血流走势方向，所述标准方向向量用于表征预设血流走势方向；

将所述K个实际方向向量拟合到所述N个标准方向向量，得到所述样本块数据集合对应的训练目标数据。

3.根据权利要求2所述的模型训练方法，其特征在于，所述基于所述样本块数据集合对应的采样中心点、所述预设血流步长和所述血管骨架标记数据，确定所述样本块数据集合对应的N个标准方向向量和K个实际方向向量，包括：

以所述采样中心点对应的坐标为中心，以所述预设血流步长为半径，构造球面，获得所述采样中心点对应的参考球面；

基于所述采样中心点为起点和平均分布在所述参考球面上的N个点，确定所述N个标准方向向量；

确定所述参考球面和所述血管骨架标记数据的K个交点；

基于所述采样中心点和所述K个交点，确定所述K个实际方向向量。

4.根据权利要求1至3中任一项所述的模型训练方法，其特征在于，所述利用所述多个样本块数据集合、所述多个样本块数据集合各自对应的训练目标数据，训练所述初始神经网络模型，得到所述血流方向预测模型，包括：

针对于所述多个样本块数据集合中的每个样本块数据集合，基于所述初始神经网络模型，利用所述样本块数据集合，得到所述样本块数据集合对应的离散概率数据，所述离散概率数据用于表征N个标准方向向量各自属于预测方向向量的概率值；

将所述离散型概率数据转化为似然概率分布；

基于所述似然概率分布、所述训练目标数据和预设损失函数，确定损失值；

基于所述损失值，调整所述初始神经网络模型的参数，直至所述损失值满足预设条件，得到所述血流方向预测模型。

5.根据权利要求1至3中任一项所述的模型训练方法，其特征在于，还包括：

确定所述多个采样中心点各自对应的偏移采样中心点；

基于所述多个采样中心点各自对应的偏移采样中心点，对所述头颈部血管样本图像进行切块采样操作，得到多个偏移样本块数据集合；

针对于所述多个偏移样本块数据集合中的每个偏移样本块数据集合，基于所述偏移样本块数据集合对应的偏移采样中心点、所述偏移采样中心点对应的采样中心点、所述预设血流步长和所述血管骨架标记数据，确定所述偏移样本块数据集合对应的K个修正训练目标数据，其中，所述修正训练目标数据为所述偏移样本块数据对应的K个修正实际方向向量与N个标准方向向量匹配程度的概率分布数据，所述修正实际方向向量用于表征发生偏移的实际血流走势方向被修正后获得的实际血流走势方向；

其中，所述利用所述多个样本块数据集合、所述多个样本块数据集合各自对应的训练目标数据，训练所述初始神经网络模型，得到所述血流方向预测模型，包括：

利用所述多个样本块数据集合、所述多个样本块数据集合各自对应的训练目标数据、所述多个偏移样本块数据集合、所述多个偏移样本块数据集合各自对应的修正训练目标数据，训练所述初始神经网络模型，得到所述血流方向预测模型。

6.根据权利要求5所述的模型训练方法，其特征在于，所述基于所述偏移样本块数据集合对应的偏移采样中心点、所述偏移采样中心点对应的采样中心点、所述预设血流步长和所述血管骨架标记数据，确定所述偏移样本块数据集合对应的K个修正训练目标数据，包括：

在所述偏移采样中心点和所述采样中心点的连接线中选取修正点，所述修正点与所述采样中心点之间的长度和所述偏移采样中心点和所述采样中心点之间的长度的比值为预设值；

以所述修正点对应的坐标为中心，以所述预设血流步长为半径，构造球面，获得修正参考球面，基于所述修正点、所述采样中心点对应的参考球面和所述血管骨架标记数据的K个交点，确定K个辅助方向向量；

以所述偏移采样中心点对应的坐标为中心，以所述预设血流步长为半径，构造球面，获得偏移参考球面；

基于所述偏移采样中心点为起点和平均分布在所述偏移参考球面上的N个点，确定所述偏移样本块数据集合对应的N个标准方向向量；

针对于所述K个辅助方向向量中的每个辅助方向向量，经过所述偏移采样中心点，做所述辅助方向向量的平行线，基于平行线与所述偏移参考球面的交点和所述偏移采样中心点，确定所述辅助方向向量对应的修正实际方向向量，以确定K个修正实际方向向量；

基于所述N个标准方向向量和所述K个修正实际方向向量，确定所述修正训练目标数据。

7.根据权利要求1至3中任一项所述的模型训练方法，其特征在于，还包括：

针对于所述采样中心点中的每个采样中心点，若所述采样中心点位于所述血管骨架标记数据的非起点位置，则确定所述采样中心点对应的样本块数据集合对应的提示方向向量，用于在训练过程中为预测后续血流方向提供启示；

其中，所述利用所述多个样本块数据集合、所述多个样本块数据集合各自对应的训练目标数据，训练所述初始神经网络模型，得到所述血流方向预测模型，包括：

利用所述多个样本块数据集合、所述多个样本块数据集合各自对应的训练目标数据和所述多个样本块数据集合各自对应的提示方向向量，训练所述初始神经网络模型，得到所述血流方向预测模型。

8.根据权利要求1至3中任一项所述的模型训练方法，其特征在于，所述基于所述血管骨架标记数据，在所述头颈部血管样本图像内确定多个采样中心点，以对所述头颈部血管样本图像进行切块采样操作，得到多个样本块数据集合，包括：

基于所述动脉血管标记数据，在所述头颈部血管样本图像中确定所述多个采样中心点；

针对于所述多个采样中心点中的每个采样中心点，以所述采样中心点为中心，利用多个采样空间分辨率和多个窗，对所述头颈部血管样本图像进行切块采样，得到所述采样中心点对应的多个样本块数据集合，其中，所述多个样本块数据组分别与所述多个采样空间分辨率相匹配，所述多个样本块数据分别与所述多个窗相匹配。

9.一种血管结构生成方法，其特征在于，包括：

确定所述待分割头颈部血管图像对应的初始血管骨架；

基于所述初始血管骨架中的多个分支末端点，在所述待分割头颈部血管图像确定血管生成路径的起始点集合；

针对于所述起始点集合中的每个起始点，以所述起始点为初始采样中心点，基于所述当前采样中心点、血流方向预测模型针对于所述当前采样中心点的预测血流方向和预设血流步长，获得所述当前采样中心点对应的下一个采样中心点；

基于所述当前采样中心点对应的下一个采样中心点继续预测，直至获得的采样中心点满足终止条件，得到所述起始点对应的血管生成路径，其中，所述血流方向预测模型基于权利要求1至8中任一项所述的模型训练方法确定；

基于所述起始点集合各自对应的血管生成路径，确定所述待分割头颈部血管图像对应的血管结构数据。

10.根据权利要求9所述的血管结构生成方法，其特征在于，所述基于所述当前采样中心点、血流方向预测模型针对于所述当前采样中心点的预测血流方向和预设血流步长，获得所述当前采样中心点对应的下一个采样中心点，包括：

基于所述当前采样中心点，对所述待分割头颈部血管图像进行切块采样，得到所述当前采样中心点对应的待分割块数据集合，所述待分割块数据集合包括多个待分割块数据组，所述待分割块数据包括多个待分割块数据；

将所述待分割块数据集合输入到所述血流方向预测模型，得到所述当前采样中心点对应的预测血流方向；

以所述当前采样中心点为起点、按照所述当前采样中心点对应的预测血流方向前进所述预设血流步长，得到所述当前采样中心点对应的下一个采样中心点。

11.根据权利要求10所述的血管结构生成方法，其特征在于，所述将所述待分割块数据集合输入到所述血流方向预测模型，得到所述当前采样中心点对应的预测血流方向，包括：

将所述血流方向预测模型针对于所述当前采样中心点对应的上一个采样中心点的预测血流方向，确定为所述当前采样中心点对应的提示预测血流方向；

将所述当前采样中心点对应的提示预测血流方向和待分割块数据集合输入到所述血流方向预测模型，得到所述当前采样中心点对应的预测血流方向。

12.根据权利要求11所述的血管结构生成方法，其特征在于，所述将所述当前采样中心点对应的提示预测血流方向和待分割块数据集合输入到所述血流方向预测模型，得到所述当前采样中心点对应的预测血流方向，包括：

将所述当前采样中心点对应的提示预测血流方向和待分割块数据集合输入到所述血流方向预测模型，得到预测离散概率数据，所述预测离散概率数据表征预设的N个标准方向向量各自属于预测方向向量的概率值；

基于所述N个标准方向向量各自对应的概率值，确定所述N个标准方向向量各自对应的选择优先级，并选取所述选择优先级靠前的前S个标准方向向量为S个候选预测血流方向，S大于或者等于2且小于或者等于N；

基于所述S个候选预测血流方向和所述提示预测血流方向，确定所述当前采样中心点对应的预测血流方向。

13.根据权利要求9至12任一项所述的血管结构生成方法，其特征在于，还包括：

若所述当前采样中间点为所述初始血管骨架中的分叉点，基于所述初始血管骨架，确定多个可选前进方向；

在所述多个可选前进方向选取一个选定前进方向，并记录当前采样中间点对应的坐标、所述多个可选前进方向中除了所述选定前进方向的其它剩余前进方向；

针对于所述选定前进方向，基于所述当前采样中心点、血流方向预测模型针对于所述当前采样中心点的预测血流方向和所述预设血流步长，依次获得所述当前采样中心点在所述选定前进方向上的下一个采样中心点，直至获取的采样中心点满足所述终止条件，获得所述当前采样中心点在所述选定前进方向上的分叉血管生成路径；

确定所述当前采样中心点在所述其它剩余前进方向中每一个剩余前进方向上的分叉血管生成路径，以得到所述当前采样中心点对应的血管生成路径。

14.根据权利要求9至12任一项所述的血管结构生成方法，其特征在于，所述获得的采样中心点满足终止条件的判断方法，包括：

确定所述获得的采样中心点对应的实时血流速度，若所述获得的采样中心点对应的实时血流速度小于或者等于0，则满足所述终止条件；或，

获取所述获得的采样中心点的位置区域参数，若位置区域参数表明所述获得的采样中心点，位于所述待分割头颈部血管图像的边界或生长禁区，或与已经得到的血管生成路径碰撞，则满足所述终止条件。

15.一种模型训练装置，其特征在于，用于训练初始神经网络模型，得到血流方向预测模型，所述装置包括：

第一确定模块，配置为确定头颈部血管样本图像和所述头颈部血管样本图像对应的血管骨架标记数据；

样本块数据集合得到模块，配置为基于所述血管骨架标记数据，在所述头颈部血管样本图像内确定多个采样中心点，以对所述头颈部血管样本图像进行切块采样操作，得到多个样本块数据集合，所述样本块数据集合包括多个样本块数据组，所述样本块数据组包括多个样本块数据；

训练目标数据确定模块，配置为基于所述多个样本块数据集合各自对应的采样中心点、预设血流步长和所述血管骨架标记数据，确定所述多个样本块数据集合各自对应的训练目标数据，所述训练目标数据为所述样本块数据集合对应的K个实际血流走势方向与N个预设血流走势方向匹配程度的概率分布数据，K和N为正整数；

血流方向预测模型得到模块，配置为利用所述多个样本块数据集合、所述多个样本块数据集合各自对应的训练目标数据，训练所述初始神经网络模型，得到所述血流方向预测模型。

16.一种血管结构生成装置，其特征在于，包括：

初始血管骨架确定模块，配置为确定所述待分割头颈部血管图像对应的初始血管骨架；

起始点集合确定模块，配置为基于所述初始血管骨架中的多个分支末端点，在所述待分割头颈部血管图像确定血管生成路径的起始点集合；

血管生成路径得到模块，配置为针对于所述起始点集合中的每个起始点，以所述起始点为初始采样中心点，基于所述当前采样中心点、血流方向预测模型针对于所述当前采样中心点的预测血流方向和预设血流步长，获得所述当前采样中心点对应的下一个采样中心点；基于所述当前采样中心点对应的下一个采样中心点继续预测，直至获得的采样中心点满足终止条件，得到所述起始点对应的血管生成路径，其中，所述血流方向预测模型基于权利要求1至8中任一项所述的模型训练方法确定；

血管结构数据确定模块，配置为基于所述起始点集合各自对应的血管生成路径，确定所述待分割头颈部血管图像对应的血管结构数据。

17.一种电子设备，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14任一项所述的方法。

18.一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14任一项所述的方法。

Images