CN114943699B - 分割模型训练方法、冠脉钙化斑块的分割方法、相关装置 - Google Patents

分割模型训练方法、冠脉钙化斑块的分割方法、相关装置 Download PDF

Info

Publication number
CN114943699B
CN114943699B CN202210532763.5A CN202210532763A CN114943699B CN 114943699 B CN114943699 B CN 114943699B CN 202210532763 A CN202210532763 A CN 202210532763A CN 114943699 B CN114943699 B CN 114943699B
Authority
CN
China
Prior art keywords
image
coordinate system
point
target training
coronary
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
CN202210532763.5A
Other languages
English (en)
Other versions
CN114943699A (zh
Inventor
侯俊杰
刘宇航
丁佳
吕晨翀
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.)
Zhejiang Yizhun Intelligent Technology Co.,Ltd.
Original Assignee
Beijing Yizhun Medical AI Co Ltd
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 Beijing Yizhun Medical AI Co Ltd filed Critical Beijing Yizhun Medical AI Co Ltd
Priority to CN202210532763.5A priority Critical patent/CN114943699B/zh
Publication of CN114943699A publication Critical patent/CN114943699A/zh
Application granted granted Critical
Publication of CN114943699B publication Critical patent/CN114943699B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种冠脉钙化斑块的分割模型的训练方法及装置、冠脉钙化斑块的分割方法及装置，其中所述训练方法包括：获取目标训练图像，所述目标训练图像为包括心脏区域的非对比增强心电门控钙化积分电子计算机断层扫描CSCT图像；所述心脏区域包括多个冠脉分支；获取针对所述目标训练图像的位置编码图像，所述位置编码图像至少表征所述目标训练图像中各冠脉分支间的相对位置；基于所述目标训练图像和所述位置编码图像，对分割模型进行训练；其中，训练完成的分割模型用于对待分割CSCT图像中的所述多个冠脉分支中的各冠脉分支的钙化斑块区域进行分割。

Description

分割模型训练方法、冠脉钙化斑块的分割方法、相关装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种冠脉钙化斑块的分割模型的训练方法及装置、以及冠脉钙化斑块的分割方法及装置。
背景技术
在医学领域中，可基于非对比增强心电门控钙化积分电子计算机断层扫描(non-contrast enhanced ECG-triggered Calcium Scoring CT，CSCT)图像的分析实现对冠状动脉(冠脉)是否存在钙化斑块以及在存在钙化斑块的情况下钙化斑块所处位置的识别或分割，该方案为一种对冠脉钙化斑块的粗识别。
在实际应用中，考虑到冠脉包括有左主支(Left Main，简称为LM)、左前降支(LeftAnterior Descending Artery，简称为LAD)、左旋支(Left Circumflex Artery，简称为LCX)、右冠状动脉(Right Coronary Artery，简称为RCA)等四支冠脉。各支冠脉上可能存在钙化斑块。
可见，如何从CSCT图像中实现各支冠脉的钙化斑块的准确识别或分割成为了亟待解决的技术问题。
发明内容
本发明提供了一种冠脉钙化斑块的分割模型的训练方法及装置、冠脉钙化斑块的分割方法及装置。
本发明提供了一种冠脉钙化斑块分割模型的训练方法，所述方法包括：
获取目标训练图像，所述目标训练图像为包括心脏区域的非对比增强心电门控钙化积分电子计算机断层扫描CSCT图像；所述心脏区域包括多个冠脉分支；
获取针对所述目标训练图像的位置编码图像，所述位置编码图像至少表征所述目标训练图像中各冠脉分支间的相对位置；
基于所述目标训练图像和所述位置编码图像，对分割模型进行训练；其中，训练完成的分割模型用于对待分割CSCT图像中的所述多个冠脉分支中的各冠脉分支的钙化斑块区域进行分割。
上述方案中，所述获取针对所述目标训练图像的位置编码图像，包括：
将所述目标训练图像中的各点进行从图像坐标系到球面坐标系的映射，得到各点在球面坐标系中的坐标；
基于各点在球面坐标系中的坐标，得到所述位置编码图像。
上述方案中，所述获取针对所述目标训练图像的位置编码图像，包括：
将所述目标训练图像中的各点进行从图像坐标系到球面坐标系的映射，得到各点在球面坐标系中的坐标；
基于预设的编码算法，将各点在球面坐标系中的坐标进行编码；
基于各点在球面坐标系中的编码结果，得到所述位置编码图像。
上述方案中，所述目标训练图像为心脏区域的CSCT图像；所述目标训练图像中的各点包括第一目标点和第二目标点；其中所述第一目标点为心脏中心点；
其中，所述将所述目标训练图像中的各点进行从图像坐标系到球面坐标系的映射，得到各点在球面坐标系中的坐标，包括：
基于所述目标训练图像中的第一目标点在图像坐标系和球面坐标系的坐标，得到从图像坐标系到球面坐标系的映射关系；
基于所述映射关系，将所述目标训练图像中的第二目标点进行从图像坐标系到球面坐标系的坐标映射，得到第二目标点在球面坐标系中的坐标；
基于所述第一目标点和所述第二目标点在球面坐标系中的坐标，得到所述目标训练图像中的各点在球面坐标系中的坐标。
上述方案中，所述基于所述目标训练图像和所述位置编码图像，对分割模型进行训练，包括：
所述目标训练图像、所述位置编码图像均为多维度的图像；
基于所述多维度中的目标维度，对所述目标训练图像和所述位置编码图像进行图像拼接；
基于拼接的图像，对分割模型进行训练。
本发明提供了一种冠脉钙化斑块的分割方法，所述方法包括：
获取待分割非对比增强心电门控钙化积分电子计算机断层扫描CSCT图像；所述待分割CSCT图像包括心脏区域；所述心脏区域包括多个冠脉分支；
将所述待分割CSCT图像输入至分割模型，得到所述分割模型输出的所述待分割CSCT图像中的各冠脉分支的钙化斑块区域；
其中，所述分割模型为采用目标训练图像和针对目标训练图像的位置编码图像进行训练而得；所述目标训练图像为包括心脏区域的CSCT图像；所述位置编码图像至少表征各冠脉分支间的相对位置。
上述方案中，所述方法还包括：
对各冠脉分支的钙化斑块区域进行区域筛选，得到各冠脉分支的目标区域；
基于各冠脉分支的目标区域，计算各冠脉分支的钙化积分值；以及基于各冠脉分支的钙化积分值，计算总钙化积分值。
上述方案中，所述方法还包括：
基于各冠脉分支的钙化斑块区域，计算各冠脉分支的钙化积分值；以及基于各冠脉分支的钙化积分值，计算总钙化积分值。
本发明提供了一种冠脉钙化斑块分割模型的训练装置，所述装置包括：
第一获取单元，用于获取目标训练图像，所述目标训练图像为包括心脏区域的非对比增强心电门控钙化积分电子计算机断层扫描CSCT图像；所述心脏区域包括多个冠脉分支；
第二获取单元，用于获取针对所述目标训练图像的位置编码图像，所述位置编码图像至少表征所述目标训练图像中各冠脉分支间的相对位置；
训练单元，用于基于所述目标训练图像和所述位置编码图像，对分割模型进行训练；其中，训练完成的分割模型用于对待分割CSCT图像中的所述多个冠脉分支中的各冠脉分支的钙化斑块区域进行分割。
本发明提供了一种冠脉钙化斑块的分割装置，所述装置包括：
第一获取单元，用于获取待分割非对比增强心电门控钙化积分电子计算机断层扫描CSCT图像；所述待分割CSCT图像包括心脏区域；所述心脏区域包括多个冠脉分支；
第二获取单元，用于将所述待分割CSCT图像输入至分割模型，得到所述分割模型输出的所述待分割CSCT图像中的各冠脉分支的钙化斑块区域；
其中，所述分割模型为采用目标训练图像和针对目标训练图像的位置编码图像进行训练而得；所述目标训练图像为包括心脏区域的CSCT图像；所述位置编码图像至少表征各冠脉分支间的相对位置。本发明提供了一种冠脉钙化斑块的分割模型的训练方法及装置、冠脉钙化斑块的分割方法及装置，其中所述训练方法包括：获取目标训练图像，所述目标训练图像为包括心脏区域的非对比增强心电门控钙化积分电子计算机断层扫描CSCT图像；所述心脏区域包括多个冠脉分支；获取针对所述目标训练图像的位置编码图像，所述位置编码图像至少表征所述目标训练图像中各冠脉分支间的相对位置；基于所述目标训练图像和所述位置编码图像，对分割模型进行训练；其中，训练完成的分割模型用于对待分割CSCT图像中的所述多个冠脉分支中的各冠脉分支的钙化斑块区域进行分割。
在训练分割模型的方案中，不仅利用目标训练图像，还利用至少表征为目标训练图像中各冠脉分支间的相对位置的位置编码图像，实现对分割模型的训练。可保证分割模型的训练精准性。
基于训练精准的分割模型可实现对待分割CSCT图像中的各冠脉分支的钙化斑块的精准分割或识别。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
在附图中，相同或对应的标号表示相同或对应的部分。
图1示出了本发明实施例中冠脉钙化斑块分割模型的训练方法的实现流程示意图一；
图2示出了本发明实施例中冠脉钙化斑块分割模型的训练方法的实现流程示意图二；
图3示出了本发明实施例中冠脉钙化斑块分割模型的训练方法的实现流程示意图三；
图4示出了本发明实施例中冠脉钙化斑块的分割方法的实现流程示意图；
图5示出了本发明实施例中球面坐标示意图；
图6示出了本发明实施例中目标训练图像和位置编码图像的拼接示意图；
图7示出了本发明实施例中分割模型的训练框图；
图8示出了本发明实施例中冠脉钙化斑块分割模型的训练装置的组成示意图；
图9示出了本发明实施例中冠脉钙化斑块的分割装置的组成示意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
在以下的描述中，所涉及的术语“第一\第二”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
应理解，在本申请的各种实施例中，各实施过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本发明实施例的技术方案涉及到对分割模型进行训练的方案、以及利用训练好的分割模型对各冠脉分支的钙化斑块区域进行识别的方案。
本发明实施例提供一种冠脉钙化斑块分割模型的训练方法，如图1所示，所述方法包括：
S(步骤)101：获取目标训练图像，所述目标训练图像为包括心脏区域的CSCT图像；所述心脏区域包括多个冠脉分支；
本方案中，有原始训练图像和目标训练图像。原始训练图像中除了包括前景(心脏区域)，还包括背景。目标训练图像为原始训练图像中仅包括心脏区域部分的图像。即，可将原始训练图像中的心脏区域截取或裁剪，作为目标训练图像。
本步骤中，可将在医学系统中存储的多个CSCT图像读取出，或，收集或采集的多个CSCT图像，作为本方案中的原始训练图像。
考虑到目标训练图像的多样化和丰富化，读取、收集或采集的原始训练图像可以是患有不同程度的冠脉钙化斑块、和/或不同冠脉分支的钙化斑块的CSCT图像。前述的图像为患病的CSCT图像，当然，原始训练图像也可以包括未患病的CSCT图像。基于这些患病的和未患病的CSCT图像进行分割模型进行训练，可保证分割模型的准确性。
可以理解，本发明实施例中为CSCT的图像，包括原始训练图像、目标训练图像以及后续的待分割CSCT图像均为三维图像。
S102：获取针对所述目标训练图像的位置编码图像，所述位置编码图像至少表征所述目标训练图像中各冠脉分支间的相对位置；
可以理解，目标训练图像为仅包括心脏区域的CSCT图像，其包括多个点。在这些点中，有些点是表示心脏冠脉分支的点。有些点是表示心脏区域中除冠脉分支点之外的其他点，如心脏表面未附着有冠脉分支的点。
基于此，可对目标训练图像中的全部点进行处理，得到包括表征各冠脉分支间的相对位置以及除表示心脏冠脉分支点之外的其他点之间的相对位置的位置编码图像。或者，从目标训练图像的全部点中分离出表示心脏冠脉分支的点，并对其进行处理，得到表征各冠脉分支间的相对位置的位置编码图像。
前述涉及到的处理，可以是将全部点或分离出的点的坐标作为各点的位置编码，位置编码图像由各点的位置编码构成。可以是，对全部点或分离出的点的坐标进行编码，位置编码图像由编码后的点构成。
S103：基于所述目标训练图像和所述位置编码图像，对分割模型进行训练；其中，训练完成的分割模型用于对待分割CSCT图像中的所述多个冠脉分支中的各冠脉分支的钙化斑块区域进行分割。
本步骤中，可对分割模型进行N次迭代计算，在每次迭代下，获取相应次迭代次数下的目标训练图像以及针对该目标训练图像的位置编码图像。这两种图像作为相应次迭代次数下的分割模型的输入。在每次迭代下，计算基于相应次迭代次数下分割模型的输入，计算损失函数值。在经过多次迭代下损失函数收敛(取值小于或等于预设的阈值)，则迭代停止，分割模型训练完成。或者，根据经验值取迭代次数N，在全部迭代次数完成的情况下，分割模型被训练完成。N为大于等于1的正整数。
S101～S103中，不仅利用目标训练图像对分割模型进行训练，还一并利用了针对该目标训练图像的位置编码图像，实现对分割模型的训练。位置编码图像至少表征了冠脉分支间的相对位置，基于冠脉分支间的相对位置对分割模型进行训练，与相关技术中仅利用目标训练图像对分割模型进行训练的方案相比，可大大提升训练完成的分割模型的精准性。
精准的分割模型可为实现对各冠脉分支的钙化斑块区域的精准分割或识别。
在一些可选的实施例中，获取针对所述目标训练图像的位置编码图像的方案可通过以下两种方式中的其中之一实现。
如图2所示，方式一中，S102变为S102a：将所述目标训练图像中的各点进行从图像坐标系到球面坐标系的映射，得到各点在球面坐标系中的坐标；基于各点在球面坐标系中的坐标，得到所述位置编码图像。
如图3所示，方式二中，S102变成S102b：将所述目标训练图像中的各点进行从图像坐标系到球面坐标系的映射，得到各点在球面坐标系中的坐标；基于预设的编码算法，将各点在球面坐标系中的坐标进行编码；基于各点在球面坐标系中的编码结果，得到所述位置编码图像。
在方式二中，预设的编码算法可以为任何合理的编码算法如one-hot编码。
在方式一中，位置编码图像可由各点在球面坐标系中的坐标而构成。在方式二中，需对各点在球面坐标系中的坐标进行编码，位置编码图像由编码后的各点构成。位置编码图像至少可表征目标训练图像中的各冠脉分支间的相对位置，基于各冠脉分支间的相对位置对分割模型进行训练，可大大提升分割模型的精准性。进而为后续利用分割模型实现对各冠脉分支的钙化斑块区域的分割或识别提供了保障。
考虑到目标训练图像为心脏区域的CSCT图像。目标训练图像中的各点包括第一目标点和第二目标点；其中第一目标点为心脏中心点；第二目标点为心脏区域中除心脏中心点之外的其他点。
基于此，在前述的方式一和方式二所示的方案中，将目标训练图像中的各点进行从图像坐标系到球面坐标系的映射，得到各点在球面坐标系中的坐标的方案可为：
基于所述目标训练图像中的第一目标点在图像坐标系和球面坐标系的坐标，得到从图像坐标系到球面坐标系的映射关系；
基于所述映射关系，将所述目标训练图像中的第二目标点进行从图像坐标系到球面坐标系的坐标映射，得到第二目标点在球面坐标系中的坐标；
基于所述第一目标点和所述第二目标点在球面坐标系中的坐标，得到所述目标训练图像中的各点在球面坐标系中的坐标。
由此可见，从图像坐标系到球面坐标系的映射关系是基于心脏中心点在两个坐标系中的坐标而得到的。在已知这种映射关系的情况下，可对目标训练图像中除心脏中心点之外的其他点进行从图像坐标系到球面坐标系的坐标映射。在已知心脏中心点以及其他点在球面坐标系中的坐标，即可获知目标训练图像中的各点在球面坐标系中的坐标。
基于心脏中心点这个基准点实现对映射关系的确定，可大大保证映射关系的确定准确性。进而可实现对各点在球面坐标系中的坐标的精准映射。由此可得到精准的位置编码图像。精准的位置编码图像可保证实现对分割模型的精准训练。
可以理解，因为本方案中的CSCT图像为立体图像，所以目标训练图像、所述位置编码图像均为多维度的图像。如均为四个维度的图像，这四个维度分别为图像的长、宽、高以及编码维度。
基于此，在一些可选实施例中，S103可具体为：基于所述多维度中的目标维度，对所述目标训练图像和所述位置编码图像进行图像拼接；基于拼接的图像，对分割模型进行训练。
通俗来讲，目标维度可为四个维度中的编码维度。每次迭代下，基于这个维度，将每次迭代次数下得到的目标训练图像和针对该目标训练图像的位置编码图像进行图像拼接，得到每次迭代次数下的拼接图像。将每次迭代次数下得到的拼接图像作为每次迭代次数下的分割模型的输入，从而实现对分割模型的训练，直至损失函数收敛，训练完成。
这种将图像间的拼接以及利用拼接的图像对分割模型进行训练的方案，在分割模型的输入角度，相当于增加了目标训练图像中的各冠脉分支间的相对位置这一输入，基于这个增加的输入以及目标训练图像这个输入，利用了两个输入实现对分割模型的训练，可保证分割模型的训练精准性。
以上内容为本发明的对分割模型的训练方案，具体的训练过程可参见后续相关说明。
本发明实施例还提供一种冠脉钙化斑块的分割方法，如图4所示，所述方法包括：
S401：获取待分割CSCT图像；所述待分割CSCT图像包括心脏区域；所述心脏区域包括多个冠脉分支；
待分割CSCT图像为仅包括心脏区域、不包括背景的CSCT图像。
所述获取目标CSCT图像的进一步实现包括:识别原始待分割CSCT图像中的心脏区域；从原始待分割CSCT图像中的心脏区域裁剪出，得到待分割CSCT图像。
其中，原始待分割CSCT图像可以是从医学系统中读取出的CSCT图像，可以是经相关医学仪器的扫描而得到的CSCT图像。这样的CSCT图像通常既包括前景(心脏)，又包括背景，本发明实施例中可从原始待分割CSCT图像中识别出心脏区域，从而得到待分割CSCT图像。在工程上实施可行性高。
原始待分割CSCT图像可以是患病的CSCT图像，也可以是未患病的CSCT图像，优选为患病的CSCT图像。
S402：将所述待分割CSCT图像输入至分割模型，得到所述分割模型输出的所述待分割CSCT图像中的各冠脉分支的钙化斑块区域；其中，所述分割模型为采用目标训练图像和针对目标训练图像的位置编码图像进行训练而得；所述目标训练图像为包括心脏区域的CSCT图像；所述位置编码图像至少表征各冠脉分支间的相对位置。
即，将待分割CSCT图像输入至采用图1所示的方案训练完成或训练好的分割模型，利用分割模型实现对待分割CTCT图像中各冠脉分支的钙化斑块区域的分割或识别。其中，各冠脉分支的钙化斑块区域为LM、LAD、LCX以及RCA等四支冠脉分支的钙化斑块区域。
S401～S402中，因为分割模型为采用目标训练图像和针对目标训练图像的位置编码图像进行训练而得到的，采用至少表征各冠脉分支间的相对位置的位置编码图像对分割模型进行训练可得到精准的分割模型。利用精准的分割模型对待分割CTCT图像中各冠脉分支的钙化斑块区域进行分割或识别，可大大提升分割或识别的精准性。
与相关技术中的粗识别方案相比，本发明技术方案分割或识别出的钙化斑块是针对各个冠脉分支的，为一种对钙化斑块区域进行分割或识别的细方案。基于此，可认为本发明技术方案的目标模型具有对各冠脉分支的强分类能力，才能够区分出各个冠脉分支及其钙化斑块区域。
在一些可选的实施例中，可基于各冠脉分支的钙化斑块区域，计算各冠脉分支的钙化积分值；以及基于各冠脉分支的钙化积分值，计算总钙化积分值。
其中，各冠脉分支的钙化积分值以及总钙化积分值可作为评价指标，用于评判患病等级，如用来预测冠心病事件的风险分级。各冠脉分支的钙化积分值以及总钙化积分值的计算使得本方案的实用性增强。
前述方案为直接利用分割模型输出的各冠脉分支的钙化斑块区域进行钙化积分值或总钙化积分值的计算。在实际应用中，为减轻计算负担，可采用如下方案进行各冠脉分支的钙化积分值以及总钙化积分值的计算：对各冠脉分支的钙化斑块区域进行区域筛选，得到各冠脉分支的目标区域；基于各冠脉分支的目标区域，计算各冠脉分支的钙化积分值；以及基于各冠脉分支的钙化积分值，计算总钙化积分值。
通俗来讲，分割模型输出的各冠脉分支的钙化斑块区域中可能包括钙化斑块点(灰度值大于或等于130Hu)，还可能存在些许的非钙化斑块点(灰度值小于130Hu)。为实现更加精准的计算，从分割模型输出的各冠脉分支的钙化斑块区域中筛选出各冠脉分支的目标区域，如筛选出各冠脉分支中由灰度值大于或等于预定灰度阈值如130Hu(CSCT图像的计量单位)的点构成的区域，作为各冠脉分支的目标区域。或者，在由分割模型输出的各冠脉分支的钙化斑块区域中，删除由灰度值小于130Hu以及体素的体积小于1.5mm3(立方毫米)的点构成的连通区域，这样的点通常是非钙化斑块点，无法构成钙化斑块区域。可以理解，未被删除或被保留下来的区域是由灰度值大于或等于130Hu且体素(立体图像中的每个点可视为一个体素)体积大于或等于预设体积阈值(如1.5mm3)的点构成的区域，这样的区域可视为目标区域。基于目标区域实现各冠脉分支的钙化积分值以及总钙化积分值的计算，与直接利用分割模型输出的各冠脉分支的钙化斑块区域进行钙化积分值或总钙化积分值的计算的方案相比，基于筛选后的目标区域进行钙化积分值或总钙化积分值的计算，一方面可使得钙化积分值或总钙化积分值计算得更加精准，另一方面不必采用分割模型输出的全部钙化斑块区域进行计算，可大大减少计算量，减轻计算资源负担。
可以理解，因为本方案是针对CSCT图像的方案，CSCT图像是立体图像，关于本方案中涉及的CSCT图像中的点即为立体图像中的体素。本方案中对立体图像中的点的处理如坐标映射、编码等均可视为对体素的处理。
前述内容为利用训练完成的分割模型对各冠脉分支的钙化斑块区域进行识别的方案，该过程可视为利用训练完成的分割模型进行待分割CSCT图像中钙化斑块区域分割或识别的应用方案。关于分割模型的训练以及利用分割模型进行分割的应用方案的具体实现请参见后续相关说明。
基于前述对相关技术的介绍，可以理解，如果将各支冠脉的钙化斑块的识别视为一种对钙化斑块的分类识别，那么相关技术中无法做到对钙化斑块分类的准确识别、如对LM、LAD、LCX以及RCA等四支冠脉分支的钙化斑块区域的准确识别。主要原因是：CSCT图像中缺少各支冠脉血管解剖结构信息，导致钙化斑块的分类困难。
本发明实施例的训练方案和应用方案意在解决如上由于CSCT图像中缺少各支冠脉血管解剖结构信息而导致钙化斑块的分类困难的问题。
本发明实施例中，为解决钙化斑块的分类困难的问题，实际应用中在CSCT图像中直接建模血管解剖结构信息是不现实的。通过临床知识可知冠脉是依附于心脏表面的。所以可以通过建模心脏形态结构信息，间接建模各冠脉分支解剖结构信息(各冠脉分支间的相对位置)。同时考虑到心脏的解剖结构近似为球形，所以借助球形结构对心脏形态结构信息进行建模是更为合理的方式。基于此，本发明实施例借助单位球面，建模更加准确的冠脉分支间的相对位置。这种方法可增强分割模型在冠脉分支的钙化斑块区域的精准分类。
下面分别对训练方案和应用过程方案进行说明。
本说明中，以分割模型为神经网络(CNN)模型、具体是语义分割(UNet)模型为例。
训练方案：借助单位球面，建模更加准确的冠脉分支间的相对位置。
假定总的迭代次数为N。
(1)获取第n次迭代次数下的目标训练图像；其中，n为大于等于1、且小于等于N的正整数；
选取从医学系统中读取出CSCT图像作为第n次迭代次数下的原始训练图像。原始训练图像还可以是经相关医学仪器的扫描而得到的CSCT图像。这样的CSCT图像通常既包括前景(心脏)，又包括背景。
利用预先设置的算法对第n次迭代次数下的原始训练图像进行心脏区域的分割，得到原始训练图像中的心脏区域，将原始训练图像中的心脏区域进行图像的裁剪，得到第n次迭代次数下的目标训练图像。
优选的，每个迭代次数下，选取的原始训练图像的数量为多个。自然地，每个迭代次数下的目标训练图像的数量也为多个。每个迭代次数下的原始训练图像和目标训练图像的数量保持为一致。
其中，预先设置的算法为区域生长算法、自适应阈值算法，还可以为能够对心脏区域进行全自动分割的深度学习模型。
针对心脏区域，计算心脏分割掩码(C)。基于心脏分割掩码C，为心脏构建外接矩形框。优选的，外接矩形框为最小外接矩形框。可以理解，外接矩形框是将目标训练图像中的心脏进行包裹的最小外接矩形框。
已知外接矩形框的高宽长分别为H、W、D，基于外接矩形框进行图像坐标系的建立。其中，图像坐标系为XYZ坐标系。其中，X轴表示高，Y轴表示宽，Z轴表示长。在图像坐标系中，目标训练图像中的第一目标点-心脏中心点A位于外接矩形框的中心，其坐标为(H/2，W/2，D/2)。
其中，外接矩形框的精准构建，可保证心脏中心点在图像坐标系中的坐标的精准获取。由此可保证图像坐标系到球面坐标系的映射关系的精准确定。
(2)针对第n次迭代次数下的目标训练图像中的全部点进行从图像坐标系到球面坐标系的映射；
可以理解，在获知目标训练图像中的第一目标点-心脏中心点A在图像坐标系中的坐标是(H/2，W/2，D/2)的情况下，还可以获知目标训练图像中的第二目标点-除了心脏中心点之外的其他点在图像坐标系中的坐标。
采用构建原则基于心脏中心点对球面坐标系进行构建。具体的构建原则是：假定图像坐标系中的心脏中心点A映射到球面坐标系中为球面坐标系的原点O(参见图5所示)。且球面坐标系为单位球面坐标系，即球面的半径r为1。基于此，构建出球面坐标系。
在已知同一点(心脏中心点A)在图像坐标系、球面坐标系中的坐标，可获知图像坐标系到球面坐标系的(坐标)映射关系。
在已知目标训练图像中除了心脏中心点之外的其他点在图像坐标系中的坐标以及从图像坐标系到球面坐标系的映射关系，即可得到目标训练图像中除了心脏中心点之外的其他点映射到球面坐标系中的坐标。
假定目标训练图像中除了心脏中心点之外的其他点包括点B。点B在图像坐标系中的坐标为(x，y，z)。则点B映射为球面坐标系中的点P。参见图5所示，在球面坐标系中，球面上的点的坐标变量是
Figure BDA0003646345140000151
点P在球面坐标系中的坐标表达
Figure BDA0003646345140000152
参见公式(1)所示。
Figure BDA0003646345140000153
Figure BDA0003646345140000154
Figure BDA0003646345140000155
可以理解，公式(1)所示也可视为本方案从图像坐标系到球面坐标系的(坐标)映射关系。基于该映射关系，可将目标训练图像中的全部点均从图像坐标系映射到球面坐标系。
(3)基于第n次迭代次数下的目标训练图像中的全部点映射到球面坐标系中的坐标，得到针对目标训练图像的位置编码图像；
在一可实现方式中，可直接将目标训练图像中的全部点映射到球面坐标系中的坐标视为对全部点的位置编码。基于全部点映射到球面坐标系中的坐标，得到位置编码图像。即，位置编码图像是由目标训练图像中的全部点映射到球面坐标系中的坐标构成的图像。该方案在工程上易于实现，可行性高。
在另一可选实现方式中，可采用预设的编码算法如one-hot算法，对目标训练图像中的全部点映射到球面坐标系中的坐标进行编码，得到编码后的点，基于编码后的点，得到位置编码图像。即，位置编码图像是由对目标训练图像中的全部点映射到球面坐标系中的坐标one-hot算法编码后得到的点构成的图像。
前述方案中因为是对全部点进行的编码，全部点既包括表示冠脉分支的点，也包括表示冠脉分支之外的心脏其他部分的点，所以得到的位置编码图像表征了目标训练图像中的全部点间的相对位置。全部点间的相对位置包括了冠脉分支间的相对位置。该方案可保证冠脉分支间的相对位置的准确性，由此可实现对分割模型的精准训练。
在训练方案中，基于目标训练图像中的点在球面坐标系中的坐标，建模了各冠脉分支间的相对位置。分割模型基于各冠脉分支间的相对位置进行训练，可训练出可精准分割或识别出各冠脉分支的钙化斑块区域的分割模型。(4)将第n次迭代次数下的目标训练图像以及针对该目标训练图像的位置编码图像沿着目标维度进行图像拼接，将拼接的图像输入至分割模型，以对分割模型进行训练。
假定目标训练图像为图像F，图像F∈R1×H×W×D。图像F的四个维度(1×H×W×D)包括位置编码、高、宽、长等维度。目标训练图像的位置编码维度为1，说明图像F可以仅包括高、宽、长等三个维度。增加出的位置编码维度的值为1，是为了与四个维度的位置编码图像进行图像拼接。
假定位置编码图像为图像P’，’∈RC×H×W×D。图像P’包括位置编码、高、宽、长等四个维度。位置编码图像的位置编码维度的值为C。
沿着位置编码这个目标维度对目标训练图像和针对该目标训练图像而得到的位置编码图像进行图像的拼接。可以理解，目标训练图像和位置编码图像均为四维矩阵，图像的拼接可视为同一维度的矩阵的拼接。
拼接的示意图可参见图6所示，考虑到在平面上无法体现四个维度，所以图6中省去了D维度，可参见图6所示的按照三个维度(H、W、C)中的某个指定维度(C维度)进行图像的拼接来参照理解按照四个维度中的某个指定维度进行图像的拼接。在图6中C’＝1。
将拼接的图像输入至分割模型中，以令分割模型对目标训练图像中的各冠脉分支钙化斑块区域进行分割或识别。
在具体实现上，可预先对目标训练图像中的各冠脉分支的真实钙化斑块区域进行人工标注，基于标注结果和分割模型输出的结果进行损失函数的计算，以通过不断迭代的方式使得分割模型输出的结果越来越趋向于人工标注出的目标训练图像中的各冠脉分支的真实钙化斑块区域。
损失函数可以为任何合理的损失函数，如交叉熵损失函数、Focal Loss、DiceLoss等。
图7为本发明实施例提供的分割模型的训练框图。对图7的理解可参见前述(1)-(4)所示的方案，C-CSCT图像为目标训练图像。从图7中可以看出，分割模型的输入包括两路，一路是目标训练图像，另一路是针对目标训练图像而得到的位置编码图像。其中，位置编码图像至少表征了冠脉分支间的相对位置，基于冠脉分支间的相对位置对分割模型进行训练，与相关技术中仅利用目标训练图像对分割模型进行训练的方案相比，可大大提升训练完成的分割模型的精准性。
以上为对分割模型的训练过程进行的说明，下面对由图7训练出的分割模型的应用进行说明。
在实际应用中，可将某个患者经医学仪器扫描而得到的CSCT图像作为原始待分割CSCT图像；识别原始待分割CSCT图像中的心脏区域；将原始待分割CSCT图像的心脏区域进行截取，得到待分割CSCT图像。
将待分割CSCT图像输入至训练好的分割模型，得到由分割模型输出的待分割CSCT图像中各冠脉分支的钙化斑块区域。
可以理解，因为分割模型是基于目标训练图像和针对目标训练图像而得到的位置编码图像而训练得到的，所以分割模型对待分割CSCT图像中的各冠脉分支的钙化斑块区域的分割或识别的精准性佳。
在得到了待分割CSCT图像中的四个冠脉分支的钙化斑块区域之后，还可以，基于各冠脉分支的钙化斑块区域，计算各冠脉分支的钙化积分值；以及基于各冠脉分支的钙化积分值，计算总钙化积分值(Agatston积分)。
各冠脉分支的钙化积分值可以是体积积分和质量积分值中的其中之一。
其中，体积积分通过钙化面积×层厚(从钙化斑块区域中得到钙化面积和层厚)得到，反映了钙化总体积。
具体的，Agatston积分计算的原理为钙化密度赋分×钙化面积(从钙化斑块区域中得到)。首先根据病变的CT值进行赋分，130-199HU为1分，200-299HU为2分，300-399HU为3分，400HU及以上为4分，然后乘上钙化面积(以mm2计)，最后将CT所有截面中各个冠脉分支的钙化积分值相加，得到总钙化积分。质量积分是Agatston积分/总钙化面积，反映了钙化的平均程度。
可以理解，各冠脉分支的钙化积分值以及总钙化积分值可用于评判患冠心病的风险分级。各冠脉分支的钙化斑块区域的准确分割或识别结果可被目标模型输出、各冠脉分支的钙化积分值以及总钙化积分值等在临床医学上具有参考价值，用以辅助医生对患者的患病情况进行判断。实用性更强。
在实际应用中，分割模型输出的各冠脉分支的钙化斑块区域中可能包括钙化斑块点(灰度值大于或等于130Hu)，还可能存在些许的非钙化斑块点(灰度值小于130Hu)。同时，在医学上，通常非钙化斑块点的体积小于1.5mm3(立方毫米)。为实现更加精准的钙化积分值以及其总值的计算，从分割模型输出的各冠脉分支的钙化斑块区域中筛选出各冠脉分支的目标区域，如筛选出各冠脉分支中由灰度值大于或等于预定灰度阈值如130HU(CSCT图像的计量单位)、以及点的体积大于或等于预设的体积阈值(如1.5mm3)的点构成的区域，作为各冠脉分支的目标区域。基于目标区域，实现各冠脉分支的钙化积分值以及总钙化积分值的更加精准计算。
针对相关技术中CSCT图像中对各冠脉分支的钙化斑块的分类困难的问题，本发明的技术方案中，利用坐标从图像坐标系到球面坐标系的映射，建模了各冠脉分支间的相对位置，基于此实现对分割模型的训练，由此提升了分割网络的分类能力，使得分割模型精准地分割出各冠脉分支的钙化斑块区域。
本发明的技术方案，在工程上简单易行，可实施性高。只在训练过程中增加坐标映射以及球面坐标的编码过程，以得到分类能力强的分割模型。在应用方案中，无需增加坐标映射以及球面坐标的编码，利用训练出的分类能力强的分割模型即可大幅度提升对各冠脉分支的钙化斑块区域的分类能力，进而得到更加精准的钙化积分值。使得方案的实用性更强。
本发明实施例提供一种冠脉钙化斑块分割模型的训练装置，如图8所示，所述装置包括：
第一获取单元701，用于获取目标训练图像，所述目标训练图像为包括心脏区域的非对比增强心电门控钙化积分电子计算机断层扫描CSCT图像；所述心脏区域包括多个冠脉分支；
第二获取单元702，用于获取针对所述目标训练图像的位置编码图像，所述位置编码图像至少表征所述目标训练图像中各冠脉分支间的相对位置；
训练单元703，用于基于所述目标训练图像和所述位置编码图像，对分割模型进行训练；其中，训练完成的分割模型用于对待分割CSCT图像中的所述多个冠脉分支中的各冠脉分支的钙化斑块区域进行分割。
在一个可选方案中，第二获取单元702，用于：
将所述目标训练图像中的各点进行从图像坐标系到球面坐标系的映射，得到各点在球面坐标系中的坐标；
基于各点在球面坐标系中的坐标，得到所述位置编码图像。
在一个可选方案中，第二获取单元702，用于：
将所述目标训练图像中的各点进行从图像坐标系到球面坐标系的映射，得到各点在球面坐标系中的坐标；
基于预设的编码算法，将各点在球面坐标系中的坐标进行编码；
基于各点在球面坐标系中的编码结果，得到所述位置编码图像。
在一个可选方案中，所述目标训练图像为心脏区域的CSCT图像；所述目标训练图像中的各点包括第一目标点和第二目标点；其中所述第一目标点为心脏中心点；
第二获取单元702，用于：
基于所述目标训练图像中的第一目标点在图像坐标系和球面坐标系的坐标，得到从图像坐标系到球面坐标系的映射关系；
基于所述映射关系，将所述目标训练图像中的第二目标点进行从图像坐标系到球面坐标系的坐标映射，得到第二目标点在球面坐标系中的坐标；
基于所述第一目标点和所述第二目标点在球面坐标系中的坐标，得到所述目标训练图像中的各点在球面坐标系中的坐标。
在一个可选方案中，所述目标训练图像、所述位置编码图像均为多维度的图像；
训练单元703，用于基于所述多维度中的目标维度，对所述目标训练图像和所述位置编码图像进行图像拼接；基于拼接的图像，对分割模型进行训练。
本发明实施例提供一种冠脉钙化斑块的分割装置，如图9所示，所述装置包括：
第一获取单元801，用于获取待分割非对比增强心电门控钙化积分电子计算机断层扫描CSCT图像；所述待分割CSCT图像包括心脏区域；所述心脏区域包括多个冠脉分支；
第二获取单元802，用于将所述待分割CSCT图像输入至分割模型，得到所述分割模型输出的所述待分割CSCT图像中的各冠脉分支的钙化斑块区域；
其中，所述分割模型为采用目标训练图像和针对目标训练图像的位置编码图像进行训练而得；所述目标训练图像为包括心脏区域的CSCT图像；所述位置编码图像至少表征各冠脉分支间的相对位置。
在一个可选方案中，所述装置还包括计算单元，用于基于各冠脉分支的钙化斑块区域，计算各冠脉分支的钙化积分值；以及基于各冠脉分支的钙化积分值，计算总钙化积分值。
在一个可选方案中，所述装置还包括筛选单元，用于对各冠脉分支的钙化斑块区域进行区域筛选，得到各冠脉分支的目标区域；计算单元，用于基于各冠脉分支的目标区域，计算各冠脉分支的钙化积分值；以及基于各冠脉分支的钙化积分值，计算总钙化积分值。
需要说明的是，本申请实施例的冠脉钙化斑块的分割装置、分割模型的训练装置，由于装置解决问题的原理与前述的冠脉钙化斑块的分割方法、分割模型的训练方法相似，因此，装置的实施过程及实施原理均可以参见前述方法的实施过程及实施原理、有益效果的描述，重复之处不再赘述。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种冠脉钙化斑块分割模型的训练方法，其特征在于，所述方法包括：
获取目标训练图像，所述目标训练图像为包括心脏区域的非对比增强心电门控钙化积分电子计算机断层扫描CSCT图像；所述心脏区域包括多个冠脉分支；
获取针对所述目标训练图像的位置编码图像，所述位置编码图像至少表征所述目标训练图像中各冠脉分支间的相对位置；
基于所述目标训练图像和所述位置编码图像，对分割模型进行训练；其中，训练完成的分割模型用于对待分割CSCT图像中的所述多个冠脉分支中的各冠脉分支的钙化斑块区域进行分割；
其中，所述获取针对所述目标训练图像的位置编码图像，包括：
将所述目标训练图像中的各点进行从图像坐标系到球面坐标系的映射，得到各点在球面坐标系中的坐标；
基于各点在球面坐标系中的坐标，得到所述位置编码图像；
所述将所述目标训练图像中的各点进行从图像坐标系到球面坐标系的映射，得到各点在球面坐标系中的坐标，包括：
针对所述目标训练图像中的心脏区域，计算心脏分割掩码；
基于心脏分割掩码，为心脏构建外接矩形框；
基于外接矩形框，将所述目标训练图像中的各点进行从图像坐标系到球面坐标系的映射，得到各点在球面坐标系中的坐标。
2.根据权利要求1所述的方法，其特征在于，所述获取针对所述目标训练图像的位置编码图像，包括：
将所述目标训练图像中的各点进行从图像坐标系到球面坐标系的映射，得到各点在球面坐标系中的坐标；
基于预设的编码算法，将各点在球面坐标系中的坐标进行编码；
基于各点在球面坐标系中的编码结果，得到所述位置编码图像。
3.根据权利要求1或2所述的方法，其特征在于，所述目标训练图像为心脏区域的CSCT图像；所述目标训练图像中的各点包括第一目标点和第二目标点；其中所述第一目标点为心脏中心点；
其中，所述将所述目标训练图像中的各点进行从图像坐标系到球面坐标系的映射，得到各点在球面坐标系中的坐标，包括：
基于所述目标训练图像中的第一目标点在图像坐标系和球面坐标系的坐标，得到从图像坐标系到球面坐标系的映射关系；
基于所述映射关系，将所述目标训练图像中的第二目标点进行从图像坐标系到球面坐标系的坐标映射，得到第二目标点在球面坐标系中的坐标；
基于所述第一目标点和所述第二目标点在球面坐标系中的坐标，得到所述目标训练图像中的各点在球面坐标系中的坐标。
4.根据权利要求1所述的方法，其特征在于，所述基于所述目标训练图像和所述位置编码图像，对分割模型进行训练，包括：
所述目标训练图像、所述位置编码图像均为多维度的图像；
基于所述多维度中的目标维度，对所述目标训练图像和所述位置编码图像进行图像拼接；
基于拼接的图像，对分割模型进行训练。
5.一种冠脉钙化斑块的分割方法，其特征在于，所述方法包括：
获取待分割非对比增强心电门控钙化积分电子计算机断层扫描CSCT图像；所述待分割CSCT图像包括心脏区域；所述心脏区域包括多个冠脉分支；
将所述待分割CSCT图像输入至分割模型，得到所述分割模型输出的所述待分割CSCT图像中的各冠脉分支的钙化斑块区域；
其中，所述分割模型为采用目标训练图像和针对目标训练图像的位置编码图像进行训练而得；所述目标训练图像为包括心脏区域的CSCT图像；所述位置编码图像至少表征各冠脉分支间的相对位置；所述位置编码图像是基于所述目标训练图像中各点在球面坐标系中的坐标得到的；所述目标训练图像中各点在球面坐标系中的坐标是基于外接矩形框，将所述目标训练图像中的各点进行从图像坐标系到球面坐标系的映射而得到；所述外接矩形框是基于为所述目标训练图像中的心脏区域计算出的心脏分割掩码而为心脏构建出的外接矩形框。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
对各冠脉分支的钙化斑块区域进行区域筛选，得到各冠脉分支的目标区域；
基于各冠脉分支的目标区域，计算各冠脉分支的钙化积分值；以及基于各冠脉分支的钙化积分值，计算总钙化积分值。
7.根据权利要求5所述的方法，其特征在于，所述方法还包括：
基于各冠脉分支的钙化斑块区域，计算各冠脉分支的钙化积分值；以及基于各冠脉分支的钙化积分值，计算总钙化积分值。
8.一种冠脉钙化斑块分割模型的训练装置，其特征在于，所述装置包括：
第一获取单元，用于获取目标训练图像，所述目标训练图像为包括心脏区域的非对比增强心电门控钙化积分电子计算机断层扫描CSCT图像；所述心脏区域包括多个冠脉分支；
第二获取单元，用于将所述目标训练图像中的各点进行从图像坐标系到球面坐标系的映射，得到各点在球面坐标系中的坐标；基于各点在球面坐标系中的坐标，得到所述位置编码图像；所述位置编码图像至少表征所述目标训练图像中各冠脉分支间的相对位置；
训练单元，用于基于所述目标训练图像和所述位置编码图像，对分割模型进行训练；其中，训练完成的分割模型用于对待分割CSCT图像中的所述多个冠脉分支中的各冠脉分支的钙化斑块区域进行分割；
其中，所述第二获取单元在将所述目标训练图像中的各点进行从图像坐标系到球面坐标系的映射，得到各点在球面坐标系中的坐标时，包括：针对所述目标训练图像中的心脏区域，计算心脏分割掩码；基于心脏分割掩码，为心脏构建外接矩形框；基于外接矩形框，将所述目标训练图像中的各点进行从图像坐标系到球面坐标系的映射，得到各点在球面坐标系中的坐标。
9.一种冠脉钙化斑块的分割装置，其特征在于，所述装置包括：
第一获取单元，用于获取待分割非对比增强心电门控钙化积分电子计算机断层扫描CSCT图像；所述待分割CSCT图像包括心脏区域；所述心脏区域包括多个冠脉分支；
第二获取单元，用于将所述待分割CSCT图像输入至分割模型，得到所述分割模型输出的所述待分割CSCT图像中的各冠脉分支的钙化斑块区域；
其中，所述分割模型为采用目标训练图像和针对目标训练图像的位置编码图像进行训练而得；所述目标训练图像为包括心脏区域的CSCT图像；所述位置编码图像至少表征各冠脉分支间的相对位置；所述位置编码图像是基于所述目标训练图像中各点在球面坐标系中的坐标得到的；所述目标训练图像中各点在球面坐标系中的坐标是基于外接矩形框，将所述目标训练图像中的各点进行从图像坐标系到球面坐标系的映射而得到；所述外接矩形框是基于为所述目标训练图像中的心脏区域计算出的心脏分割掩码而为心脏构建出的外接矩形框。
CN202210532763.5A 2022-05-16 2022-05-16 分割模型训练方法、冠脉钙化斑块的分割方法、相关装置 Active CN114943699B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210532763.5A CN114943699B (zh) 2022-05-16 2022-05-16 分割模型训练方法、冠脉钙化斑块的分割方法、相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210532763.5A CN114943699B (zh) 2022-05-16 2022-05-16 分割模型训练方法、冠脉钙化斑块的分割方法、相关装置

Publications (2)

Publication Number Publication Date
CN114943699A CN114943699A (zh) 2022-08-26
CN114943699B true CN114943699B (zh) 2023-01-17

Family

ID=82906412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210532763.5A Active CN114943699B (zh) 2022-05-16 2022-05-16 分割模型训练方法、冠脉钙化斑块的分割方法、相关装置

Country Status (1)

Country Link
CN (1) CN114943699B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115908300B (zh) * 2022-11-14 2023-09-29 北京医准智能科技有限公司 心脏瓣膜钙化分割的方法、装置、设备及存储介质
CN117079080B (zh) * 2023-10-11 2024-01-30 青岛美迪康数字工程有限公司 冠脉cta智能分割模型的训练优化方法、装置和设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447645A (zh) * 2016-04-05 2017-02-22 天津大学 增强ct图像中冠脉钙化检测及量化装置和方法
CN111325759A (zh) * 2020-03-13 2020-06-23 上海联影智能医疗科技有限公司 血管分割方法、装置、计算机设备及可读存储介质
CN111598870A (zh) * 2020-05-15 2020-08-28 北京小白世纪网络科技有限公司 基于卷积神经网络端对端推理计算冠状动脉钙化比的方法
CN113077441A (zh) * 2021-03-31 2021-07-06 上海联影智能医疗科技有限公司 冠脉钙化斑块分割方法和计算冠脉钙化积分的方法
CN114066913A (zh) * 2022-01-12 2022-02-18 广东工业大学 一种心脏图像分割方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171698B (zh) * 2018-02-12 2020-06-09 数坤（北京）网络科技有限公司 一种自动检测人体心脏冠脉钙化斑块的方法
CN113538471B (zh) * 2021-06-30 2023-09-22 上海联影医疗科技股份有限公司 斑块的分割方法、装置、计算机设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447645A (zh) * 2016-04-05 2017-02-22 天津大学 增强ct图像中冠脉钙化检测及量化装置和方法
CN111325759A (zh) * 2020-03-13 2020-06-23 上海联影智能医疗科技有限公司 血管分割方法、装置、计算机设备及可读存储介质
CN111598870A (zh) * 2020-05-15 2020-08-28 北京小白世纪网络科技有限公司 基于卷积神经网络端对端推理计算冠状动脉钙化比的方法
CN113077441A (zh) * 2021-03-31 2021-07-06 上海联影智能医疗科技有限公司 冠脉钙化斑块分割方法和计算冠脉钙化积分的方法
CN114066913A (zh) * 2022-01-12 2022-02-18 广东工业大学 一种心脏图像分割方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Medical Image Segmentation Using Squeeze-and-Expansion Transformers";Shaohua Li et al.;《arXiv》;20210602;第1-9页 *
"基于人工智能技术的非门控胸部CT 平扫对冠状动脉钙化积分的准确性评价";孙会利等;《CT理论与应用研究》;20210228;第106-113页 *

Also Published As

Publication number Publication date
CN114943699A (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
JP6877868B2 (ja) 画像処理装置、画像処理方法および画像処理プログラム
CN114943699B (zh) 分割模型训练方法、冠脉钙化斑块的分割方法、相关装置
US8837789B2 (en) Systems, methods, apparatuses, and computer program products for computer aided lung nodule detection in chest tomosynthesis images
Zoroofi et al. Automated segmentation of acetabulum and femoral head from 3-D CT images
EP0965104B1 (en) Autosegmentation/autocontouring methods for use with three-dimensional radiation therapy treatment planning
Sluimer et al. Automated classification of hyperlucency, fibrosis, ground glass, solid, and focal lesions in high‐resolution CT of the lung
KR20070083388A (ko) 결절 검출 방법
CN107004305A (zh) 医学图像编辑
CN114972376B (zh) 冠脉钙化斑块的分割方法、分割模型训练方法、相关装置
Cheema et al. Liver extraction using residual convolution neural networks from low-dose CT images
Oulefki et al. Virtual Reality visualization for computerized COVID-19 lesion segmentation and interpretation
CN113538305A (zh) 与covid-19相关联的异常图案的医学图像合成
US7835555B2 (en) System and method for airway detection
CN111918611B (zh) 胸部x线图像的异常显示控制方法、记录介质及装置
Krawczyk et al. Segmentation of bone structures with the use of deep learning techniques
Niessen et al. Error metrics for quantitative evaluation of medical image segmentation
Heeneman et al. Lung nodule detection by using Deep Learning
AU2019204365C1 (en) Method and System for Image Segmentation and Identification
Czajkowska et al. 4d segmentation of ewing’s sarcoma in MR images
Li et al. Detectability of pulmonary nodules by deep learning: Results from a phantom study
CN101719274B (zh) 一种医学影像体数据的三维纹理分析方法
Chen et al. Computer-aided liver surgical planning system using CT volumes
JP2017189384A (ja) 画像処理装置、画像処理方法、及びプログラム
CN109564685B (zh) 鲁棒的肺叶分割
Dehmeshki et al. A hybrid approach for automated detection of lung nodules in CT images

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000

Patentee after: Zhejiang Yizhun Intelligent Technology Co.,Ltd.

Address before: No. 1202-1203, 12 / F, block a, Zhizhen building, No. 7, Zhichun Road, Haidian District, Beijing 100083

Patentee before: Beijing Yizhun Intelligent Technology Co.,Ltd.