CN114926700B - 冠状动脉类别确定方法、装置、电子设备及存储介质 - Google Patents

冠状动脉类别确定方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114926700B
CN114926700B CN202210865996.7A CN202210865996A CN114926700B CN 114926700 B CN114926700 B CN 114926700B CN 202210865996 A CN202210865996 A CN 202210865996A CN 114926700 B CN114926700 B CN 114926700B
Authority
CN
China
Prior art keywords
blood vessel
point
matrix
node
coronary artery
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210865996.7A
Other languages
English (en)
Other versions
CN114926700A (zh
Inventor
高琪
鲁云霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Shengshi Technology Co ltd
Zhejiang University ZJU
Original Assignee
Hangzhou Shengshi Technology Co ltd
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Shengshi Technology Co ltd, Zhejiang University ZJU filed Critical Hangzhou Shengshi Technology Co ltd
Priority to CN202210865996.7A priority Critical patent/CN114926700B/zh
Publication of CN114926700A publication Critical patent/CN114926700A/zh
Application granted granted Critical
Publication of CN114926700B publication Critical patent/CN114926700B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请公开了一种冠状动脉类别确定方法、装置、电子设备及存储介质。其中，方法包括：获取第一点集；所述第一点集中包括表征冠状动脉点云数据的中轴线上的数据点，所述数据点至少包括冠状动脉的分叉点；基于所述第一点集中的分叉点，生成包含至少一个第一节点的图结构；每一所述第一节点对应冠状动脉的一个血管段；根据所述至少一个第一节点之间的连接关系，生成第一矩阵；对至少一个第二点集进行特征提取，得到第二矩阵；每一所述第二点集为一个第一节点对应的血管段在所述第一点集上的数据点；将所述第一矩阵与所述第二矩阵输入至血管分类模型，得到每一血管段对应的血管类别。

Description

冠状动脉类别确定方法、装置、电子设备及存储介质
技术领域
本申请涉及医学图像处理技术领域，尤其涉及一种冠状动脉类别确定方法、装置、电子设备及存储介质。
背景技术
相关技术中，主要是通过对冠状动脉的主要分支进行定位，再定位冠状动脉中的剩余分支，当冠状动脉中心线出现了分支缺失的情况，将会影响冠状动脉的不同分支的定位，导致对冠状动脉分支识别的准确性降低，不能精准地对冠状动脉的各个分支进行命名。
发明内容
有鉴于此，本申请实施例提供一种冠状动脉类别确定方法、装置、电子设备及存储介质，以至少解决相关技术出现的冠状动脉分支识别结果的准确性降低的问题。
本申请实施例的技术方案是这样实现的：
本申请实施例提供了一种冠状动脉类别确定方法，所述方法包括：
获取第一点集；所述第一点集中包括表征冠状动脉点云数据的中轴线上的数据点，所述数据点至少包括冠状动脉的分叉点；
基于所述第一点集中的分叉点，生成包含至少一个第一节点的图结构；每一所述第一节点对应冠状动脉的一个血管段；
根据所述至少一个第一节点之间的连接关系，生成第一矩阵；
对至少一个第二点集进行特征提取，得到第二矩阵；每一所述第二点集为一个第一节点对应的血管段在所述第一点集上的数据点；
将所述第一矩阵与所述第二矩阵输入至血管分类模型，得到每一血管段对应的血管类别。
在一些实施例中，所述数据点还包括冠状动脉的端点；
基于所述第一点集中的分叉点，生成包含至少一个第一节点的图结构时，包括：
将所述端点和与所述端点相邻的交叉点之间的至少一个数据点，或相邻交叉点之间的至少一个数据点确定为血管段；
对所述血管段进行编号，得到第一节点；
基于所述第一节点与首节点，生成所述图结构；所述首节点表征所述第一点集中的中心点。
在一些实施例中，对至少一个第二点集进行特征提取，得到第二矩阵，包括：
确定每一第二点集对应的血管段的起点坐标、中间点坐标和终点坐标；
根据所述起点坐标和所述终点坐标，确定每一血管段的起点与终点之间的方向向量；
确定每一血管段起点的起点切向量；
确定每一血管段的起点与所述血管段对应的第一节点的父节点终点之间的夹角；
将每一所述血管段的所述起点坐标、所述中间点坐标、所述终点坐标、所述方向向量、所述起点切向量和所述夹角，确定为每一所述血管段的特征参数；
根据每一所述血管段的特征参数，确定所述冠状动脉的所述第二矩阵。
在一些实施例中，确定每一血管段的起点与所述血管段对应的第一节点的父节点终点之间的夹角，包括：
根据所述图结构，确定每一所述第一节点的父节点，所述父节点对应的血管段的终点与所述第一节点对应的血管段的起点连接；
确定所述父节点对应的血管段终点的终点切向量；
根据每一血管段起点的起点切向量和所述血管段对应的第一节点的父节点终点的所述终点切向量，确定所述夹角。
在一些实施例中，根据每一所述血管段的特征参数，确定所述冠状动脉的所述第二矩阵，包括：
分别对所述特征参数中的所述起点坐标、所述中间点坐标、所述终点坐标、所述方向向量和所述切向量进行球坐标转换，得到球坐标特征参数；
对所述球坐标特征参数进行三角函数映射，得到具有预设维度的特征参数；
根据所述预设维度的特征参数和所述夹角，确定所述冠状动脉的所述第二矩阵。
在一些实施例中，将所述第一矩阵与所述第二矩阵输入至血管分类模型，得到每一血管段对应的血管类别，包括：
对所述第二矩阵进行特征映射处理，得到特征映射后的第二矩阵；
对所述第一矩阵和特征映射后的第二矩阵进行图卷积处理，得到特征矩阵；
对所述特征矩阵进行分类处理，得到分类矩阵；
对所述分类矩阵进行归一化处理，得到每一血管段对应的血管类别。
在一些实施例中，对所述第一矩阵和特征映射后的第二矩阵进行图卷积处理，得到特征矩阵，包括：
对特征映射后的第二矩阵进行数据标准化处理，得到标准第二矩阵；
对所述标准第二矩阵进行线性修正处理，得到线性修正后的第二矩阵；
对所述第一矩阵和线性修正后的第二矩阵进行图卷积处理，得到特征矩阵。
在一些实施例中，血管类别具有至少一个；
对所述分类矩阵进行归一化处理，得到每一血管段对应的血管类别，包括：
对所述分类矩阵进行归一化处理，得到每一血管段对应每一血管类别的概率矩阵；
将所述概率矩阵中概率值最高的血管类别，确定为所述血管段的血管类别。
本申请实施例还提供了一种冠状动脉类别确定装置，包括：
获取单元，用于获取第一点集；所述第一点集中包括表征冠状动脉点云数据的中轴线上的数据点，所述数据点至少包括冠状动脉的分叉点；
第一生成单元，用于基于所述第一点集中的分叉点，生成包含至少一个第一节点的图结构；每一所述第一节点对应冠状动脉的一个血管段；
第二生成单元，用于根据所述至少一个第一节点之间的连接关系，生成第一矩阵；
特征提取单元，用于对至少一个第二点集进行特征提取，得到第二矩阵；每一所述第二点集为一个第一节点对应的血管段在所述第一点集上的数据点；
输入单元，用于将所述第一矩阵与所述第二矩阵输入至血管分类模型，得到每一血管段对应的血管类别。
本申请实施例还提供了一种电子设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器用于运行所述计算机程序时，执行上述任一方法的步骤。
本申请实施例还提供了一种存储介质，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方法的步骤。
在本申请实施例中，通过构建冠状动脉数据的图结构，基于图结构获取血管段的特征，通过血管段的特征对冠状动脉进行识别，得到冠状动脉中每一血管段的血管类别，是的本申请实施例不仅能够在分支缺失的情况下确定出血管的类别，还通过血管分类模型学习了冠状动脉的拓扑结构信息，从而能够提高冠状动脉数据识别的准确性以及处理效率。
附图说明
图1为本申请实施例提供的冠状动脉类别确定方法的实现流程示意图一；
图2为本申请实施例提供的冠状动脉的点云数据的中轴线的示意图；
图3为本申请实施例提供的冠状动脉数据的分段结果的示意图；
图4为本申请实施例提供的冠状动脉数据的图结构的示意图；
图5为本申请实施例提供的冠状动脉类别确定方法的实现流程示意图二；
图6为本申请实施例提供的冠状动脉类别确定方法的实现流程示意图三；
图7为本申请实施例提供的冠状动脉类别确定方法的实现流程示意图四；
图8为本申请实施例提供的图卷积网络模型的结构示意图；
图9为本申请实施例提供的冠状动脉数据的分类结果示意图一；
图10为本申请实施例提供的冠状动脉数据的分类结果示意图二；
图11为本申请实施例提供的冠状动脉类别确定装置的结构示意图；
图12为本申请实施例电子设备的硬件组成结构示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
需要说明的是，本申请实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
另外，在本发明实例中，“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
在对本申请实施例的技术方案进行详细说明之前，首先对相关技术中的冠状动脉类别确定方法进行简单说明。
在相关技术中，冠状动脉树的精细划分通常是医生结合图像数据，结合自身的经验主观给出的。随着医学数据大爆发时代即将到来，自动划分冠状动脉树结构的需求越来越多。相关技术通常采用解剖学的先验知识，在冠状动脉数据中查找目标血管段，具体地，冠状动脉类别确定一般包括两个步骤，首先，使用配准算法，识别冠状动脉数据中的左主干（LM，Left Main Coronary Artery）、前降支（LAD，Left Anterior Descending Branch）、左回旋支（LCX，Left Circumflex Branch）和右冠状动脉（RCA，Right Coronary Artery），接着寻找剩下的分支。此外，还可以通过建立左优势型与右优势型的三维模型，将冠状动脉数据与建立的三维模型进行匹配，从而对主干上的冠状动脉树自动划分。由此可见，相关技术对冠状动脉数据识别都是先定位主要分支，再定位剩余的分支，而这种识别方法特别依赖主要分支的定位，也就是说，主要分支的定位会影响冠状动脉数据识别的精确度，因此，当冠状动脉中轴线出现分支缺失的情况，会导致较大的误差，影响识别的精确度；且通过先验知识来进行冠状动脉树的划分，效率低下，在医院数据量巨大的情况下，无法快速且准确的进行数据划分。
本申请实施例提供了一种冠状动脉类别确定方法，图1为本申请实施例提供的冠状动脉类别确定方法的实现流程示意图一。如图1所示，所述方法包括：
S101：获取第一点集；所述第一点集中包括表征冠状动脉点云数据的中轴线上的数据点，所述数据点至少包括冠状动脉的分叉点。
这里，冠状动脉的点云数据可以是基于一种能够体现冠状动脉的医疗影像信息中确定出来的，例如，可以基于多张电子计算机断层扫描血管造影（CTA，ComputedTomography Angiography）图片，也可以是基于冠状动脉造影技术或基于X射线技术获得的血管造影图片，对血管造影图片进行三维重构，得到冠状动脉模型，并基于冠状动脉模型获取得到。在实际应用中，可以利用冠状动脉骨骼提取算法提取冠状动脉的点云数据的中轴线上的数据点，生成第一点集。图2为本申请实施例提供的冠状动脉的点云数据的中轴线的示意图，如图2所示，201为左冠状动脉点云数据的中轴线，202为右冠状动脉点云数据的中轴线。其中，第一点集可以通过矩阵的形式来表示，第一点集的维度为（N，3），从而可以生成N*3的矩阵，其中，N代表中轴线上的数据点的个数，3代表数据点在X、Y、Z方向上的坐标。
在一些实施例中，分叉点可以是指血管分叉处的数据点。
在一些实施例中，所述获取第一点集，包括：基于缩放至设定区间范围内的冠状动脉的点云数据的中轴线，获取所述第一点集。
这里，可以将冠状动脉的点云数据的中轴线缩放至设定区间范围内。在对冠状动脉的点云数据的中轴线进行缩放时，首先计算出冠状动脉的点云数据所处空间的中心点O，将中轴线缩放至以O为原点，坐标轴范围为[-1，1]的立方体空间中，经过数据缩放处理后，中心轴上的点云数据的坐标值都在[-1，1]区间内。
S102：基于所述第一点集中的分叉点，生成包含至少一个第一节点的图结构；每一所述第一节点对应冠状动脉的一个血管段。
这里，在获取了第一点集后，需要对第一点集中所有的数据点进行分段，确定不同血管段在第一点集上的数据点，从而能够将第一点集划分为不同的血管段，如图3所示，图3为本申请实施例提供的冠状动脉数据的分段结果的示意图，图3中每一分段对应冠状动脉的一个血管段，血管段1至18代表冠状动脉分为18个血管段。
在一些实施例中，基于分段结果，可以生成对应的图结构，图结构如图4所示，图4为本申请实施例提供的冠状动脉数据的图结构的示意图，图3中的每一血管段对应图4中的一个第一节点，例如，图3中的血管段3对应图4中的第一节点3。这里，在形成图结构时，可以单独设置一个虚拟的0节点，将左冠状动脉与右冠状动脉的第一个节点与0节点相连，将左右两颗冠脉树共同连接至0节点，构成图结构，如图4所示。
在一些实施例中，所生成的图结构可以通过G（Nodes，Edges）进行表示，其中，Nodes为图结构中的第一节点集合，每个第一节点由一段n行3列血管段构成，n代表血管段在第一点集上的数据点的个数，3列分别对应于血管段在第一点集上的数据点的坐标。
在一些实施例中，图5为本申请实施例提供的冠状动脉类别确定方法的实现流程示意图二，如图5所示，所述基于所述第一点集中的分叉点，生成包含至少一个第一节点的图结构时，步骤S102可以通过步骤S501至步骤S503实现：
S501：将所述端点和与所述端点相邻的交叉点之间的至少一个数据点，或相邻交叉点之间的至少一个数据点确定为血管段。
在一些实施例中，冠状动脉点云数据中的数据点还包括端点，端点到与该端点最近的交叉点之间的至少一个数据点可以是一个血管段，例如，图3中的血管段1、14和17等血管段。相邻交叉点之间的至少一个数据点也可以是一个血管段，例如图3中的3、8和16等血管段。
这里，在对第一点集中的点数据进行分段的时候，可以从第一点集的入口点开始遍历，其中，入口点可以为左冠状动脉的入口点与右冠状动脉的入口点，当遇到第一点集中的分叉点时，将入口到当前分叉点之间的路径上的至少一个点确定为一个血管段，或相邻交叉点之间的至少一个点确定为一个血管段，示例地，如图3所示，以入口点开始遍历，遇到的第一个分叉点与入口点之间的路径上的至少一个数据点划分为编号14的血管段，其中，入口点为编号14的血管段的起点，继续往下遍历，以与第一个分叉点连接的数据点作为初始点，将遇到的第二个分叉点与初始点之间的路径上的至少一个数据点划分为血管编号为16的血管段，其中，初始点作为编号16的血管段的起始点。
S502：对所述血管段进行编号，得到第一节点。
这里，对生成的血管段进行编号，从而能够将不同的血管段进行区分。在实际应用中，为了将第一点集的分段结果转换为图结构，需要对每个血管段生成对应的第一节点，每个第一节点对应于一个血管段，示例地，如图3中的编号16的血管段能够对应于图4中的编号16的第一节点。
S503：基于所述第一节点与首节点，生成所述图结构；所述首节点表征所述第一点集中的中心点。
这里，在生成图结构中的第一节点之后，需要根据第一节点之间的关系进行连线，生成图结构的边，其中，图结构的边可以反映不同第一节点之间的父节点与子节点的关系，在实际应用中，图结构的边对应的是两个第一节点构成的连接。
在一些实施例中，首节点可以是虚拟节点，例如，可以是编号0的节点，可以对应为第一点集中的中心点，将左冠状动脉起始的第一节点与右冠状动脉起始的第一节点共同连接到编号为0的节点，即将左冠状动脉树与右冠状动脉树共同连接至编号为0的节点。
示例地，在图3中存在分叉点，将第一点集中的数据点可以划分为编号16、17和18的血管段，编号16、17和18的血管段分别通过图4中的编号16、17和18的第一节点进行表示。其中，编号17和18的血管段的初始点与编号16的血管段的终点相连，因此，编号16的第一节点为编号17和18的第一节点的父节点。从而在生成图结构的边的时候，将编号17的第一节点和编号18的第一节点分别与编号16的第一节点连接。
在实际应用中，直接根据分段结果生成的图结构包含了两个起始的第一节点，其中，起始的第一节点的初始点分别为左冠状动脉的起始点与右冠状动脉的起始点，因此，在图结构中可以单独设置一个虚拟的编号0的节点，其中，编号0的节点可以对应为第一点集中的中心点O，将左冠状动脉起始的第一节点与右冠状动脉起始的第一节点共同连接到编号为0的节点，将左冠状动脉树与右冠状动脉树共同连接至编号为0的节点，构成如图4所示的图结构。
在本申请实施例中，根据第一点集生成对应的图结构，能够有效地利用冠状动脉中轴线是图结构数据的特性，从而能够学习到冠状动脉的拓扑结构的信息，有利于提高冠状动脉数据识别的准确率。
S103：根据所述至少一个第一节点之间的连接关系，生成第一矩阵。
这里，图结构中的边反映不同第一节点之间的连接关系，将图结构中不同第一节点之间的连接关系进行记录，生成第一矩阵，记为Edges。在实际应用中，第一矩阵用于保存一个M行2列的数组，其中，M为图结构中边的数量，第一列保存图结构中父节点索引，第二列保存图结构中子节点索引。
S104：对至少一个第二点集进行特征提取，得到第二矩阵；每一所述第二点集为一个第一节点对应的血管段在所述第一点集上的数据点。
这里，将第一点集进行分段后转换为图结构，能够将冠状动脉类别确定问题转换为图结构的节点的分类问题，也就是说需要提取图结构中的每个第一节点的特征。通过第二点集中的每个数据点，提取每一个第一节点的特征，将提取得到的特征参数生成第二矩阵，由于图结构中每个第一节点对应一个血管段，第二点集表征的是第一节点对应的血管段在第一点集上的数据点，从而能够通过提取第一节点的特征进而生成表征第一节点对应的血管段的特征的第二矩阵。在本申请实施例中，通过对血管段的特征进行提取，能够很好地表征对应的血管段，在冠状动脉中轴线有分支缺失的情况下也能够准确地对血管段进行识别，进而可以提高血管段识别的准确率。
在一些实施例中，图6为本申请实施例提供的冠状动脉类别确定方法的实现流程示意图三，如图6所示，在所述基于至少一个第二点集生成第二矩阵时，步骤S104通过步骤S601至步骤S606实现：
S601：确定每一第二点集对应的血管段的起点坐标、中间点坐标和终点坐标。
这里，对于每个第二点集而言，第二点集上的数据点均位于第一节点对应的血管段上。确定每一个第一节点对应的血管段起点的起点坐标
Figure 698693DEST_PATH_IMAGE001
，每一第一节点对应的血管段的中间点的中间点坐标
Figure 219804DEST_PATH_IMAGE002
，每一第一节点对应的血管段终点的终点坐标
Figure 938362DEST_PATH_IMAGE003
，其中，f，m，e分别表示每一第一节点对应血管段的起点、中间点和终点的索引值。
S602：根据所述起点坐标和所述终点坐标，确定每一血管段的起点与终点之间的方向向量。
在一些实施例中，每一血管段的起点和终点之间的方向向量可以通过
Figure 861318DEST_PATH_IMAGE004
来表示，将每一血管段的起点和终点之间的方向向量记为
Figure 108760DEST_PATH_IMAGE005
。
S603：确定每一血管段起点的起点切向量。
在一些实施例中，每一血管段起点的起点切向量的计算过程为：从第一节点所在的冠状动脉的入口点开始进行遍历，找到经过第一数据点到冠状动脉的出口点的一条路径Route，Route为K行3列的二维数组，其中，K表征路径上的数据点的数量，通过Route能够记录路径上的K个数据点的坐标，拟合一条经过Route上所有点的三次样条曲线，对应的算法表达式为：
Figure 913905DEST_PATH_IMAGE006
，其中，splprep为拟合三次样条曲线的函数，tck为一个元组，tck包含了三次样条曲线的节点、系数、阶数三个元素，t表示三次样条曲线的参数，获取拟合出的三次样条曲线的一阶导数作为第二数据点的切向量，对应的算法表达式为：
Figure 639416DEST_PATH_IMAGE007
，其中，splev为计算三次样条曲线值的函数，der=1表示计算一阶导数，U，V，W分别为X，Y，Z三个方向上的方向分量，最终经过索引可以得到每一血管段起点的起点切向量为
Figure 413949DEST_PATH_IMAGE008
。
S604：确定每一血管段的起点与所述血管段对应的第一节点的父节点终点之间的夹角。
在一些实施例中，可以确定每一血管段对应的第一节点的父节点，再确定父节点对应的血管段终点的终点坐标，根据父节点对应的血管段终点的终点坐标和第一节点对应血管段的起点坐标，确定夹角
Figure 363450DEST_PATH_IMAGE009
。
在一些实施例中，可以根据图结构来确定每一第一节点的父节点，在冠状动脉点云数据中，父节点对应的血管段的终点与所述第一节点对应的血管段的起点连接。
其中，确定夹角可以先确定第一节点对应血管段的起点的切向量
Figure 390312DEST_PATH_IMAGE010
以及父节点对应的血管段终点的切向量
Figure 919514DEST_PATH_IMAGE011
，对应的夹角通过
Figure 82642DEST_PATH_IMAGE012
进行计算得到。
S605：将每一所述血管段的所述起点坐标、所述中间点坐标、所述终点坐标、所述方向向量、所述起点切向量和所述夹角，确定为每一所述血管段的特征参数。
S606：根据每一所述血管段的特征参数，确定所述冠状动脉的所述第二矩阵。
在一些实施例中，步骤S606可以通过步骤S6061至步骤S6063实现：
步骤S6061：分别对所述特征参数中的所述起点坐标、所述中间点坐标、所述终点坐标、所述方向向量和所述切向量进行球坐标转换，得到球坐标特征参数。
这里，分别对所述特征参数中的起点坐标、中间点坐标、终点坐标、方向向量和切向量进行球坐标转换，对应的变换算法表达式如公式（1）所示：
Figure 468624DEST_PATH_IMAGE013
（1）
其中，起点坐标、中间点坐标、终点坐标、方向向量和切向量对应的
Figure 982782DEST_PATH_IMAGE014
经球坐标变换之后会转换为
Figure 50095DEST_PATH_IMAGE015
坐标，将具有
Figure 333309DEST_PATH_IMAGE015
坐标的特征向量确定为球坐标特征参数。其中，
Figure 890192DEST_PATH_IMAGE016
为球坐标系下的半径，
Figure 829329DEST_PATH_IMAGE017
为球坐标系下的方位角，
Figure 497071DEST_PATH_IMAGE018
为球坐标系下的仰角。在本申请实施例中，默认将每个数据点映射至球坐标系下的单位球面上，因此可以忽略
Figure 631861DEST_PATH_IMAGE016
只保留
Figure 359646DEST_PATH_IMAGE017
和
Figure 786079DEST_PATH_IMAGE018
。
S6062：对所述球坐标特征参数进行三角函数映射，得到具有预设维度的特征参数。
S6063：根据所述预设维度的特征参数和所述夹角，确定所述冠状动脉的所述第二矩阵。
这里，由于在本申请实施例中，球坐标特征参数中只保留
Figure 257512DEST_PATH_IMAGE017
和
Figure 453001DEST_PATH_IMAGE018
，因此，在对进行球坐标变换后的球坐标特征参数进行三角函数映射的时候，实质上是对
Figure 617266DEST_PATH_IMAGE017
和
Figure 265416DEST_PATH_IMAGE018
进行三角函数映射，那么球坐标特征参数对应的
Figure 71698DEST_PATH_IMAGE015
坐标可以转化为
Figure 652852DEST_PATH_IMAGE019
。在特征参数经过球坐标变换以及三角函数映射之后，特征参数中的起点坐标、中间点坐标、终点坐标、方向向量和切向量会转换为具有预设维度的特征参数，即
Figure 456860DEST_PATH_IMAGE020
通过
Figure 857886DEST_PATH_IMAGE019
这设定的四个维度表示，基于具有预设维度的特征参数，再加上每一血管段的起点与血管段对应的第一节点的父节点终点之间的夹角
Figure 671121DEST_PATH_IMAGE009
，使得每个第一节点一共可以提取21维度的特征。假设图结构中共有N'个第一节点，那么对应的第二矩阵Features为一个N'行21列的特征矩阵。
在一些实施例中，在本申请实施例中提供的图结构示意图中，可以共有21个第一节点，因此，本申请实施例中的第二矩阵Features为一个21行21列的矩阵。
S105：将所述第一矩阵与所述第二矩阵输入至血管分类模型，得到每一血管段对应的血管类别。
在一些实施例中，图7为本申请实施例提供的冠状动脉类别确定方法的实现流程示意图四，如图7所示，步骤S105通过步骤S701至步骤S704实现：
步骤S701：对所述第二矩阵进行特征映射处理，得到特征映射后的第二矩阵。
在一些实施例中，可以通过一个全连接层对第二矩阵进行特征映射处理，改变第二矩阵的维度。例如，第二矩阵是一个（21，21）的矩阵，经过全连接层对第二矩阵进行特征映射处理后，第二矩阵变为（21，256）的矩阵，即将每个第一节点的特征值从21维映射到256维。
步骤S702：对所述第一矩阵和特征映射后的第二矩阵进行图卷积处理，得到特征矩阵。
在一些实施例中，图卷积处理可以通过图卷积层实现，图卷积层由三层深度图卷积神经网络（DeepGCN，Deep Graph Convolutional Networks）构成，其中，一个DeepGCN层由层标准化LayerNorm、激活函数ReLU、图卷积GCNConv和一个残差连接构成。
在一些实施例中，步骤S702可以通过步骤S7021至步骤S7023实现：
步骤S7021：对特征映射后的第二矩阵进行数据标准化处理，得到标准第二矩阵。
在一些实施例中，可以通过LayerNorm函数对特征映射后的第二矩阵进行数据标准化处理，得到标准第二矩阵。例如，数据标准化处理可以是将输入的特征映射后的第二矩阵中的特征转换为均值为1，方差为0的数据，以保留了不同特征之间的大小关系。
步骤S7022：对所述标准第二矩阵进行线性修正处理，得到线性修正后的第二矩阵。
在一些实施例中，可以通过激活函数ReLU对标准第二矩阵进行线性修正处理，得到线性修正后的第二矩阵，步骤S7023：对所述第一矩阵和线性修正后的第二矩阵进行图卷积处理，得到特征矩阵。
在一些实施例中，可以通过图卷积GCNConv函数对第一矩阵和线性修正后的第二矩阵进行图卷积处理，得到特征矩阵。第一矩阵用于在图卷积中计算邻接矩阵。
这里，GCNConv对应的算法过程如公式（2）所示：
Figure 861710DEST_PATH_IMAGE021
（2）
其中，
Figure 102198DEST_PATH_IMAGE022
代表GCNConv的输入，
Figure 990520DEST_PATH_IMAGE023
代表GCNConv的输出，
Figure 341867DEST_PATH_IMAGE024
代表可训练的参数矩阵，
Figure 428772DEST_PATH_IMAGE025
为计算拉普拉斯矩阵的一种方式，
Figure 840161DEST_PATH_IMAGE026
为输入数据的邻接矩阵，
Figure 950200DEST_PATH_IMAGE027
为单位矩阵，
Figure 105238DEST_PATH_IMAGE028
为
Figure 46649DEST_PATH_IMAGE029
的度矩阵。
在一些实施例中，每一个图卷积层的参数矩阵的维度为（256，256），因此在图卷积层中，每个第一节点的特征维度不会发生变化。
步骤S703：对所述特征矩阵进行分类处理，得到分类矩阵。
在一些实施例中，可以通过全连接层对特征矩阵进行分类处理。这里特征矩阵为（21，256）的矩阵，全连接层将每一第一节点的256维的特征映射至C维，C代表血管分类的类别数，本申请实施例中类别数可以是13，因此，分类矩阵为（21，13）的矩阵。需要说明的是，本申请分类矩阵为（21，13）的矩阵，是指具有21个第一节点，每一节点得到13个血管类别的分值。
在一些实施例中，分类矩阵中包含每一第一节点对应不同血管类别的分值。
步骤S704：对所述分类矩阵进行归一化处理，得到每一血管段对应的血管类别。
在一些实施例中，可以通过Softmax函数对分类矩阵进行归一化处理，即对每一节点对应不同血管类别的分值进行归一化计算，得到每一节点对应不同血管类别的概率，将概率值最高的血管类别确定为该第一节点的血管类别。
在一些实施例中，概率可以通过
Figure 363361DEST_PATH_IMAGE030
得到，其中，
Figure 757433DEST_PATH_IMAGE031
表示每个第一节点在第i个血管类别上的输出值，C代表血管类别的数量，那么对应输出的第一概率的维度为（N'，C），其中，N'表示第一节点的数量。
举例来说，当血管类别有4个时，某一第一节点对应的分类矩阵可以是[0.0063，-0.3277，0.3606，0.6152]，对该分类矩阵进行归一化处理，得到每一血管段对应每一血管类别的概率矩阵，可以是[0.1，0.2，0.3，0.4]，其中所有血管类别对应的概率值相加为1，将概率矩阵中概率值最高的血管类别，确定为所述血管段的血管类别，即将0.4对应的血管类别确定为该第一节点对应的血管类别。
这里，血管类别一共有13种，概率矩阵能够表征每段血管属于13种血管类别中每种血管类别的概率，其中，对于一个第一节点而言，其对应的矩阵中含有13个概率值，矩阵中的13个概率值的和为1，通过比较矩阵中的13个概率值，概率值越大表明第一节点对应的血管段为对应的血管类别的可能性越大，因此，可以将矩阵中最高概率值所对应的血管类别确定为第一节点对应的血管段的血管类别。通过对所有第一节点的概率值进行比较后，得到血管类别。
这里，血管分类模型可以是图卷积网络模型，如图8所示，图8为本申请实施例提供的图卷积网络模型的结构示意图。在本申请实施例中，图卷积网络模型由3部分组成，第一部分为全连接层801（FC，Fully Connected Layers），第二部分为图卷积模块802，第三部分为全连接层803。在第二部分的图卷积模块中，由三层深度图卷积神经网络（DeepGCN，DeepGraph Convolutional Networks）构成，其中，一个DeepGCN层由层标准化8021（LayerNorm）、激活函数8022（ReLU）、图卷积（GCNConv）8023和一个残差连接构成，DeepGCN层的数据传输可以为
Figure 653845DEST_PATH_IMAGE032
，其中，Features为DeepGCN层的输入，Features'为DeepGCN层输出的特征矩阵，Edges用于在GCNConv中计算邻接矩阵，LayerNorm8021将输入数据进行标准化，ReLU8022为模型增加非线性性，其中，GCNConv对应的算法过程如公式（3）所示：
Figure 712412DEST_PATH_IMAGE021
（3）
其中，
Figure 465604DEST_PATH_IMAGE022
代表GCNConv的输入，
Figure 346973DEST_PATH_IMAGE023
代表GCNConv的输出，
Figure 578234DEST_PATH_IMAGE024
代表可训练的参数矩阵，
Figure 228658DEST_PATH_IMAGE025
为计算拉普拉斯矩阵的一种方式，
Figure 621593DEST_PATH_IMAGE026
为输入数据的邻接矩阵，
Figure 990258DEST_PATH_IMAGE027
为单位矩阵，
Figure 25210DEST_PATH_IMAGE028
为
Figure 733403DEST_PATH_IMAGE029
的度矩阵。
将第一矩阵Edge与第二矩阵Features作为血管分类模型的输入数据，Features为N'行21列的特征矩阵，其中N'代表图结构中的第一节点的个数，在本申请实施例中，N'为21。Features经过图卷积网络模型中的第一个FC层后变为（21，256）的特征值矩阵，即将每个第一节点的特征值从21维映射到256维，每一个GCNConv的参数矩阵
Figure 93977DEST_PATH_IMAGE024
的维度为（256，256），因此，在GCNConv中，每个第一节点的特征维度不会发生变化，再通过一个FC层将GCNConv的输出的256维特征值映射至C维，其中，C代表的类别数，假设C为4，某一第一节点通过图卷积网络模型得到的分类矩阵为[0.0063，-0.3277，0.3606，0.6152]，此时，得到的分类矩阵为单纯的计算结果，能够对应于第一节点在四个种类上的分值。在本申请实施例中，C代表的是冠状动脉的血管段分类，可以将C设置13，因此，经过图卷积网络模型后输出的分类矩阵为一个（21，13）的矩阵。
图9为本申请实施例提供的冠状动脉数据的分类结果示意图一，如图9所示，确定出了每一血管段的血管类别，其中，血管类别可以包括前降支（LAD，left anteriordescending branch）；后降支（PDA，posterior descending branches）；左主干（LM）；左心室右后支（R-PLB）；左旋支（LCX，left circumflex branch）；右心室右后支（L-PLB）；对角支（D）；右冠脉（RCA）；锐缘支（AM，right marginal branch）和钝缘支（OM，obtuse marginalbranch）。
在本申请实施例中，通过将冠状动脉的点云数据构建对应的图结构，通过图结构提取血管段的特征，能够基于血管段的特征对冠状动脉数据进行识别，提高了冠状动脉数据识别的准确率，还可以避免匹配搜索等串行计算，从而能够提高冠状动脉数据识别的效率。
在一些实施例中，通过冠状动脉中轴线的三维数据，进行冠脉中血管段的自动分类后，可以获得冠脉树分支的名称。这里，冠状动脉的形态学越好，患者也正常。在一些实施例中，冠脉分支在冠脉重建过程中极易丢失，主干基本上都是存在的。因此在分析时，需要对冠状动脉的分支个数进行考虑，若分支较为齐全，在此基础上，对冠状动脉的对角支（D）进行分析。
在一些实施例中，图10为本申请实施例提供的冠状动脉数据的分类结果示意图二，如图10所示，若对角支分支较齐全（至少2个以及2个以上），通过从冠状动脉入口向出口遍历路线，可以对对角支进行细分。例如，可获得第一对角支（D1）、第二对角支（D2）和第三支对角支（D3）。需要说明的是，冠心病的患者发病状态下，前降支、回旋支和右冠主干等几个主要位置发生病变，诱发发病率最高，因此，需要对前降支进行具体分段。本申请实施例可以利用对角支（D）的相关信息，可对前降支（LAD）再一步细化，可分为前降支近段（pLAD）、前降支中段（mLAD）和前降支后段（dLAD)，如图10所示，由此可获得一个精细的冠状动脉树的结构。
为实现本申请实施例的冠状动脉类别确定方法，本申请实施例还提供了一种冠状动脉类别确定装置，图11为本申请实施例提供的冠状动脉类别确定装置的结构示意图，如图11所示，该冠状动脉类别确定装置110包括：
获取单元111，用于获取第一点集；所述第一点集中包括表征冠状动脉点云数据的中轴线上的数据点，所述数据点至少包括冠状动脉的分叉点；
第一生成单元112，用于基于所述第一点集中的分叉点，生成包含至少一个第一节点的图结构；每一所述第一节点对应冠状动脉的一个血管段；
第二生成单元113，用于根据所述至少一个第一节点之间的连接关系，生成第一矩阵；
特征提取单元114，用于对至少一个第二点集进行特征提取，得到第二矩阵；每一所述第二点集为一个第一节点对应的血管段在所述第一点集上的数据点；
输入单元115，用于将所述第一矩阵与所述第二矩阵输入至血管分类模型，得到每一血管段对应的血管类别。
在一些实施例中，所述数据点还包括冠状动脉的端点；第一生成单元112还用于将所述端点和与所述端点相邻的交叉点之间的至少一个数据点，或相邻交叉点之间的至少一个数据点确定为血管段；对所述血管段进行编号，得到第一节点；基于所述第一节点与首节点，生成所述图结构；所述首节点表征所述第一点集中的中心点。
在一些实施例中，特征提取单元114还用于确定每一第二点集对应的血管段的起点坐标、中间点坐标和终点坐标；根据所述起点坐标和所述终点坐标，确定每一血管段的起点与终点之间的方向向量；确定每一血管段起点的起点切向量；确定每一血管段的起点与所述血管段对应的第一节点的父节点终点之间的夹角；将每一所述血管段的所述起点坐标、所述中间点坐标、所述终点坐标、所述方向向量、所述起点切向量和所述夹角，确定为每一所述血管段的特征参数；根据每一所述血管段的特征参数，确定所述冠状动脉的所述第二矩阵。
在一些实施例中，特征提取单元114还用于根据所述图结构，确定每一所述第一节点的父节点，所述父节点对应的血管段的终点与所述第一节点对应的血管段的起点连接；确定所述父节点对应的血管段终点的终点切向量；根据每一血管段起点的起点切向量和所述血管段对应的第一节点的父节点终点的所述终点切向量，确定所述夹角。
在一些实施例中，特征提取单元114还用于分别对所述特征参数中的所述起点坐标、所述中间点坐标、所述终点坐标、所述方向向量和所述切向量进行球坐标转换，得到球坐标特征参数；对所述球坐标特征参数进行三角函数映射，得到具有预设维度的特征参数；根据所述预设维度的特征参数和所述夹角，确定所述冠状动脉的所述第二矩阵。
在一些实施例中，输入单元115还用于对所述第二矩阵进行特征映射处理，得到特征映射后的第二矩阵；对所述第一矩阵和特征映射后的第二矩阵进行图卷积处理，得到特征矩阵；对所述特征矩阵进行分类处理，得到分类矩阵；对所述分类矩阵进行归一化处理，得到每一血管段对应的血管类别。
在一些实施例中，输入单元115还用于对特征映射后的第二矩阵进行数据标准化处理，得到标准第二矩阵；对所述标准第二矩阵进行线性修正处理，得到线性修正后的第二矩阵；对所述第一矩阵和线性修正后的第二矩阵进行图卷积处理，得到特征矩阵。
在一些实施例中，血管类别具有至少一个；输入单元115还用于对所述分类矩阵进行归一化处理，得到每一血管段对应每一血管类别的概率矩阵；将所述概率矩阵中概率值最高的血管类别，确定为所述血管段的血管类别。
实际应用时，获取单元111、第一生成单元112、第二生成单元113、特征提取单元114和输入单元115可由冠状动脉类别确定装置中的处理器来实现。当然，处理器需要运行存储器中存储的程序来实现上述各程序模块的功能。
需要说明的是，上述图11实施例提供的冠状动脉类别确定装置在进行冠状动脉类别确定时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的冠状动脉类别确定装置与冠状动脉类别确定方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
基于上述程序模块的硬件实现，且为了实现本申请实施例的方法，本申请实施例还提供了一种电子设备，图12为本申请实施例电子设备的硬件组成结构示意图，如图12所示，电子设备包括：
通信接口1，能够与其它设备比如网络设备等进行信息交互；
处理器2，与通信接口1连接，以实现与其它设备进行信息交互，用于运行计算机程序时，执行上述一个或多个技术方案提供的冠状动脉类别确定方法。而所述计算机程序存储在存储器3上。
当然，实际应用时，电子设备中的各个组件通过总线系统4耦合在一起。可理解，总线系统4用于实现这些组件之间的连接通信。总线系统4除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图12中将各种总线都标为总线系统4。
本申请实施例中的存储器3用于存储各种类型的数据以支持电子设备的操作。这些数据的示例包括：用于在电子设备上操作的任何计算机程序。
可以理解，存储器3可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（ROM，Read Only Memory）、可编程只读存储器（PROM，Programmable Read-Only Memory）、可擦除可编程只读存储器（EPROM，Erasable Programmable Read-Only Memory）、电可擦除可编程只读存储器（EEPROM，Electrically Erasable Programmable Read-Only Memory）、磁性随机存取存储器（FRAM，ferromagnetic random access memory）、快闪存储器（Flash Memory）、磁表面存储器、光盘、或只读光盘（CD-ROM，Compact Disc Read-Only Memory）；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器（RAM，Random AccessMemory），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器（SRAM，Static Random Access Memory）、同步静态随机存取存储器（SSRAM，Synchronous Static Random Access Memory）、动态随机存取存储器（DRAM，Dynamic Random Access Memory）、同步动态随机存取存储器（SDRAM，SynchronousDynamic Random Access Memory）、双倍数据速率同步动态随机存取存储器（DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory）、增强型同步动态随机存取存储器（ESDRAM，Enhanced Synchronous Dynamic Random Access Memory）、同步连接动态随机存取存储器（SLDRAM，Sync Link Dynamic Random Access Memory）、直接内存总线随机存取存储器（DRRAM，Direct Rambus Random Access Memory）。本申请实施例描述的存储器3旨在包括但不限于这些和任意其它适合类型的存储器。
上述本申请实施例揭示的方法可以应用于处理器2中，或者由处理器2实现。处理器2可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器2中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器2可以是通用处理器、DSP，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器2可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器3，处理器2读取存储器3中的程序，结合其硬件完成前述方法的步骤。
处理器2执行所述程序时实现本申请实施例的各个方法中的相应流程，为了简洁，在此不再赘述。
在示例性实施例中，本申请实施例还提供了一种存储介质，即计算机存储介质，具体为计算机可读存储介质，例如包括存储计算机程序的存储器3，上述计算机程序可由处理器2执行，以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置、终端和方法，可以通过其它的方式实现。以上所描述的设备实施例仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备（可以是个人计算机、服务器、或者网络设备等）执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种冠状动脉类别确定方法，其特征在于，包括：
获取第一点集；所述第一点集中包括表征冠状动脉点云数据的中轴线上的数据点，所述数据点至少包括冠状动脉的分叉点和端点；
将所述端点和与所述端点相邻的交叉点之间的至少一个数据点，或相邻交叉点之间的至少一个数据点确定为血管段；对所述血管段进行编号，得到第一节点；基于所述第一节点与首节点，生成图结构；所述首节点表征所述第一点集中的中心点；每一所述第一节点对应冠状动脉的一个血管段；
根据所述至少一个第一节点之间的连接关系，生成第一矩阵；
确定每一第二点集对应的血管段的起点坐标、中间点坐标和终点坐标；根据所述起点坐标和所述终点坐标，确定每一血管段的起点与终点之间的方向向量；确定每一血管段起点的起点切向量；确定每一血管段的起点与所述血管段对应的第一节点的父节点终点之间的夹角；将每一所述血管段的所述起点坐标、所述中间点坐标、所述终点坐标、所述方向向量、所述起点切向量和所述夹角，确定为每一所述血管段的特征参数；根据每一所述血管段的特征参数，确定所述冠状动脉的第二矩阵；每一所述第二点集为一个第一节点对应的血管段在所述第一点集上的数据点；
将所述第一矩阵与所述第二矩阵输入至血管分类模型，得到每一血管段对应的血管类别。
2.根据权利要求1所述的方法，其特征在于，确定每一血管段的起点与所述血管段对应的第一节点的父节点终点之间的夹角，包括：
根据所述图结构，确定每一所述第一节点的父节点，所述父节点对应的血管段的终点与所述第一节点对应的血管段的起点连接；
确定所述父节点对应的血管段终点的终点切向量；
根据每一血管段起点的起点切向量和所述血管段对应的第一节点的父节点终点的所述终点切向量，确定所述夹角。
3.根据权利要求1所述的方法，其特征在于，根据每一所述血管段的特征参数，确定所述冠状动脉的所述第二矩阵，包括：
分别对所述特征参数中的所述起点坐标、所述中间点坐标、所述终点坐标、所述方向向量和所述切向量进行球坐标转换，得到球坐标特征参数；
对所述球坐标特征参数进行三角函数映射，得到具有预设维度的特征参数；
根据所述预设维度的特征参数和所述夹角，确定所述冠状动脉的所述第二矩阵。
4.根据权利要求1所述的方法，其特征在于，将所述第一矩阵与所述第二矩阵输入至血管分类模型，得到每一血管段对应的血管类别，包括：
对所述第二矩阵进行特征映射处理，得到特征映射后的第二矩阵；
对所述第一矩阵和特征映射后的第二矩阵进行图卷积处理，得到特征矩阵；
对所述特征矩阵进行分类处理，得到分类矩阵；
对所述分类矩阵进行归一化处理，得到每一血管段对应的血管类别。
5.根据权利要求4所述的方法，其特征在于，对所述第一矩阵和特征映射后的第二矩阵进行图卷积处理，得到特征矩阵，包括：
对特征映射后的第二矩阵进行数据标准化处理，得到标准第二矩阵；
对所述标准第二矩阵进行线性修正处理，得到线性修正后的第二矩阵；
对所述第一矩阵和线性修正后的第二矩阵进行图卷积处理，得到特征矩阵。
6.根据权利要求4所述的方法，其特征在于，血管类别具有至少一个；
对所述分类矩阵进行归一化处理，得到每一血管段对应的血管类别，包括：
对所述分类矩阵进行归一化处理，得到每一血管段对应每一血管类别的概率矩阵；
将所述概率矩阵中概率值最高的血管类别，确定为所述血管段的血管类别。
7.一种冠状动脉类别确定装置，其特征在于，所述装置包括：
获取单元，用于获取第一点集；所述第一点集中包括表征冠状动脉点云数据的中轴线上的数据点，所述数据点至少包括冠状动脉的分叉点和端点；
第一生成单元，用于将所述端点和与所述端点相邻的交叉点之间的至少一个数据点，或相邻交叉点之间的至少一个数据点确定为血管段；对所述血管段进行编号，得到第一节点；基于所述第一节点与首节点，生成图结构；所述首节点表征所述第一点集中的中心点；每一所述第一节点对应冠状动脉的一个血管段；
第二生成单元，用于根据所述至少一个第一节点之间的连接关系，生成第一矩阵；
特征提取单元，用于确定每一第二点集对应的血管段的起点坐标、中间点坐标和终点坐标；根据所述起点坐标和所述终点坐标，确定每一血管段的起点与终点之间的方向向量；确定每一血管段起点的起点切向量；确定每一血管段的起点与所述血管段对应的第一节点的父节点终点之间的夹角；将每一所述血管段的所述起点坐标、所述中间点坐标、所述终点坐标、所述方向向量、所述起点切向量和所述夹角，确定为每一所述血管段的特征参数；根据每一所述血管段的特征参数，确定所述冠状动脉的第二矩阵；每一所述第二点集为一个第一节点对应的血管段在所述第一点集上的数据点；
输入单元，用于将所述第一矩阵与所述第二矩阵输入至血管分类模型，得到每一血管段对应的血管类别。
8.一种电子设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，执行权利要求1至6任一项所述方法的步骤。
9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一项所述方法的步骤。
CN202210865996.7A 2022-07-22 2022-07-22 冠状动脉类别确定方法、装置、电子设备及存储介质 Active CN114926700B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210865996.7A CN114926700B (zh) 2022-07-22 2022-07-22 冠状动脉类别确定方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210865996.7A CN114926700B (zh) 2022-07-22 2022-07-22 冠状动脉类别确定方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114926700A CN114926700A (zh) 2022-08-19
CN114926700B true CN114926700B (zh) 2022-10-25

Family

ID=82815734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210865996.7A Active CN114926700B (zh) 2022-07-22 2022-07-22 冠状动脉类别确定方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114926700B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758309B (zh) * 2023-06-09 2024-02-27 强联智创（北京）科技有限公司 血管段分型方法、导引导管塑形方法、设备及存储介质
CN117115872A (zh) * 2023-08-29 2023-11-24 北京医准医疗科技有限公司 一种血管识别方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111178420A (zh) * 2019-12-24 2020-05-19 北京理工大学 一种二维造影图像上冠脉段标注方法及系统
CN112508954A (zh) * 2021-02-07 2021-03-16 南京景三医疗科技有限公司 一种管状结构狭窄度的计算方法、计算装置和电子设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7941462B2 (en) * 2008-09-24 2011-05-10 Toshiba Medical Visualization Systems Europe, Limited Method and apparatus for classification of coronary artery image data
JP7395753B2 (ja) * 2019-12-25 2023-12-11 アリババ・グループ・ホールディング・リミテッド データ処理方法、装置及び記憶媒体
CN111951277B (zh) * 2020-07-28 2024-03-12 杭州电子科技大学 一种基于cta图像的冠状动脉分割方法
CN113470060B (zh) * 2021-07-08 2023-03-21 西北工业大学 基于ct影像的冠状动脉多角度曲面重建可视化方法
CN114159083B (zh) * 2021-12-09 2022-12-09 哈尔滨工业大学 一种基于深度树模型的冠状动脉自动解剖标注方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111178420A (zh) * 2019-12-24 2020-05-19 北京理工大学 一种二维造影图像上冠脉段标注方法及系统
CN112508954A (zh) * 2021-02-07 2021-03-16 南京景三医疗科技有限公司 一种管状结构狭窄度的计算方法、计算装置和电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Automatic Severity Classification of Coronary Artery Disease via Recurrent Capsule Network;Qi Wang等;《arXiv》;20181127;第1-8页 *
DSA图像冠状动脉血管夹角的测量;王力等;《中国医疗器械杂志》;20191130(第06期);全文 *

Also Published As

Publication number Publication date
CN114926700A (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
CN114926700B (zh) 冠状动脉类别确定方法、装置、电子设备及存储介质
KR101875468B1 (ko) 질환 모델 기반의 의료 정보 서비스 제공 방법 및 장치
WO2021238438A1 (zh) 肿瘤图像的处理方法和装置、电子设备、存储介质
US10452957B2 (en) Image classification apparatus, method, and program
US7941462B2 (en) Method and apparatus for classification of coronary artery image data
US20210224980A1 (en) 3D/2D Vascular Registration Method and Its Means
TW201224826A (en) Systems and methods for automated extraction of measurement information in medical videos
CN111178420B (zh) 一种二维造影图像上冠脉段标注方法及系统
JP2020030480A (ja) 畳み込みニューラルネットワーク並びにこれを用いた画像識別装置及び画像識別方法、並びに学習手段
CN111340794B (zh) 冠状动脉狭窄的量化方法及装置
CN116452618A (zh) 一种三输入脊柱ct图像分割方法
CN109710928B (zh) 非结构化文本的实体关系抽取方法及装置
CN112733953B (zh) 基于Non-local CNN-GCN和拓扑子图的肺CT图像动静脉血管分离方法
Yu et al. Tnn: Tree neural network for airway anatomical labeling
WO2024021641A1 (zh) 一种血管分割方法、装置、设备及存储介质
Li et al. Deformation and refined features based lesion detection on chest X-ray
Pan et al. Research on a bifurcation location algorithm of a drainage tube based on 3D medical images
Zhao et al. Quantitation of vascular morphology by directed graph construction
Sha et al. A robust segmentation method based on improved U-Net
CN114121213A (zh) 麻醉用药信息复核方法、装置、电子设备及存储介质
CN114092653A (zh) 基于2d图像重建3d图像方法、装置、设备及存储介质
CN113554640A (zh) Ai模型的训练方法、使用方法、计算机设备及存储介质
CN113850794A (zh) 一种图像处理方法及装置
CN112331338A (zh) 中医标准症状匹配方法及装置
US20150161297A1 (en) Apparatus and method for generating shape data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant