CN115018825A - 一种冠脉优势型的分类方法、分类装置及存储介质 - Google Patents

Abstract

本申请涉及一种冠脉优势型的分类方法、分类装置及存储介质。该分类方法包括：获取包含冠脉血管的三维CTA图像，并基于获得的CTA图像，利用处理器提取冠脉血管分割蒙版和冠脉血管中心线。基于获得的冠脉血管中心线，利用处理器对CTA图像和冠脉血管分割蒙版进行球面展开，获得CTA图像和血管分割蒙版的球面展开图。基于获得的CTA图像和血管分割蒙版的球面展开图，利用处理器通过最大投影的方法分别获得CTA图像和血管分割蒙版的最大密度投影图。基于CTA图像和血管分割蒙版的球面展开图的最大密度投影图，由处理器利用分类模型获得冠脉优势型分类。使冠脉血管及其周边的组织相互位置及供血关系更加直观，提升冠脉优势型判定的准确性。

Description

一种冠脉优势型的分类方法、分类装置及存储介质

技术领域

本申请涉及医学图像处理领域，更具体地，涉及一种冠脉优势型的分类方法、分类装置及存储介质。

背景技术

一般通过左冠状动脉、右冠状动脉心脏血管供血情况来区分冠状动脉的分布，冠状动脉的分布分三种优势型，包括左优势型、右优势型和均衡型。医生通过对冠脉优势型的分类，方便进行冠脉血管进行分析和治疗。现有一般通过观察冠状动脉造影图像，根据冠状动脉造影图像上获得的冠状动脉的图像信息和经验来区分冠状动脉的分布优势型。但是仅根据二维或三维冠状动脉造影图像所显示的图像信息具有一定的局限性，可能造成冠脉优势型判断不准确的情况。

发明内容

提供了本申请以解决现有技术中存在的上述缺陷。需要一种冠脉优势型的分类方法、分类装置及存储介质，使三维CTA图像转换为能够更直观表达冠脉血管及其周边的组织相互位置及供血关系的球面展开图，能够提高对冠脉的优势型的判断的准确性。

根据本申请的第一方案，提供了一种冠脉优势型的分类方法，所述分类方法包括：可以获取包含冠脉血管的三维CTA图像，并基于获得的所述CTA图像，利用处理器提取冠脉血管分割蒙版和冠脉血管中心线。基于获得的所述冠脉血管中心线，可以利用所述处理器，对所述CTA图像和所述冠脉血管分割蒙版进行球面展开，获得所述CTA图像和所述血管分割蒙版的球面展开图。基于获得的所述CTA图像和所述血管分割蒙版的球面展开图，可以利用所述处理器，通过最大投影的方法分别获得所述CTA图像和所述血管分割蒙版的最大密度投影图。基于所述CTA图像和所述血管分割蒙版的球面展开图的最大密度投影图，可以由所述处理器利用分类模型获得冠脉优势型分类。

根据本申请的第二方案，提供了一种冠脉优势型的分类装置，其特征在于，包括接口和处理器，所述接口可以配置为获取包含冠脉血管的三维CTA图像。所述处理器可以配置为执行根据本申请中各个实施例所述的冠脉优势型的分类方法。

根据本申请的第三方案，提供了一种非暂时性计算机可读介质，其上存储有指令，其中当由处理器执行时，所述指令执行根据本申请中各个实施例所述的冠脉优势型的分类方法的步骤。

本申请各个实施例提供的冠脉优势型的分类方法、分类装置及存储介质，利用包含冠脉血管的三维CTA图像提取冠脉血管分割蒙版和冠脉血管中心线，基于冠脉血管的中心线，对包含冠脉血管的三维CTA图像和冠脉血管分割蒙版数据转换成球面展开图，球面展开后的图像可以使冠脉血管及其周边的组织相互位置及供血关系更加直观，可以大幅度提升冠脉优势型判定的准确性。将得到的球面展开图通过最大投影的方法，得到最大密度投影图，能够更好的显示冠脉血管的形态等特征。CTA图像的球面展开图的最大密度投影图和血管分割蒙版的球面展开图的最大密度投影图相互结合，共同输入到分类模型中，得到优势型分类结果，有利于得到更为准确的优势型分类结果。

附图说明

图1示出根据本申请实施例的冠脉优势型的分类方法的流程图；

图2示出了不同冠脉优势型的血管走势图和解剖结构图；

图3示出根据本申请另一实施例的冠脉优势型的分类方法的流程图；

图4示出根据本申请实施例的获得球面展开图过程的流程图；

图5示出根据本申请实施例的获得球面展开图的拓展三维图像过程的流程图；

图6示出根据本申请实施例的获得球面展开图的获取灰度值的过程的流程图；

图7示出根据本申请实施例的基于最大密度投影图获得优势型分类的过程的流程图；

图8示出根据本申请另一实施例的基于最大密度投影图获得优势型分类的过程的流程图；

图9示出根据本申请实施例的基于最大密度投影图获得优势型的分类过程图；以及

图10示出根据本申请实施例的冠脉优势型的分类装置的示意性框图。

具体实施方式

为使本领域技术人员更好的理解本申请的技术方案，下面结合附图和具体实施方式对本申请作详细说明。下面结合附图和具体实施例对本申请的实施例作进一步详细描述，但不作为对本申请的限定。

本申请中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分。“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其他要素的可能。

图1示出根据本申请实施例的冠脉优势型的分类方法的流程图。在步骤101，获取包含冠脉血管的三维CTA图像。所述包含冠脉血管的三维CTA图像可以通过对冠状动脉进行计算机断层扫描血管造影得到或通过二维CTA图像的三维重建得到。通过三维CTA图像能够更好的体现冠脉血管与周边组织的相互位置，有利于经过球面展开后更加直观的得到冠脉血管与周边的组织位置关系和供血关系。

在步骤102，基于获得的所述CTA图像，利用处理器提取冠脉血管分割蒙版和冠脉血管中心线。处理器利用三维CTA图像，得到表示冠脉血管分割结果的冠脉血管分割蒙版。处理器中可以集成血管分割方法，血管分割方法可以包括水平集（level set）、对图像中每个像素点周围进行多尺度求解二阶导（Frangi Filter）的方法等。处理器中可以集成神经网络模型用于从三维CTA图像提取冠脉血管中心线，神经网络模型可以是深度神经网络（DNN，Deep Neural Networks）、卷积神经网络（CNN，Convolutional Neural Networks）或循环神经网络等，卷积神经网络CNN可以是V-Net分割模型、U-Net分割模型等。

在步骤103，基于获得的所述冠脉血管中心线，利用所述处理器，对所述CTA图像和所述冠脉血管分割蒙版进行球面展开，获得所述CTA图像和所述血管分割蒙版的球面展开图（curved projection reformation，CPR图像）。基于中心线，对CTA图像和冠脉血管分割蒙版球面展开，使包含环绕心脏一周的三维的冠脉血管的图像更加直观的展现，统一展现出整体的冠脉信息，可以更加清晰的看到左冠状动脉和右冠状动脉整体上的分布特点、分布位置等，方便进行比较，可以得到冠状动脉的走向和趋势。可以更直观的获得冠脉血管及其周边的组织相互位置及供血关系，有利于提高冠脉优势型判定的准确性。处理器中可以集成球面展开方法，球面展开方法可以包括深度神经网络DNN、卷积神经网络CNN或循环神经网络等。

在步骤104，基于获得的所述CTA图像和所述血管分割蒙版的球面展开图，利用所述处理器，通过最大投影的方法分别获得所述CTA图像和所述血管分割蒙版的最大密度投影图。利用最大密度投影的方法，将CTA图像和血管分割蒙版的球面展开图投影到二维平面上，得到最大密度投影图（MIP，Maximum Intensity Projection）。通过二维的最大密度投影图能够更好的显示冠脉血管的形态及血管的狭窄等等特征，有利于准确判断冠脉优势型。

在步骤105，基于所述CTA图像和所述血管分割蒙版的球面展开图的最大密度投影图，由所述处理器利用分类模型获得冠脉优势型分类。分类模型以CTA图像和血管分割蒙版的球面展开图的最大密度投影图作为输入，可以结合CTA图像和血管分割结果共同作为参考，可以更加准确的判断冠脉血管的分叉点位置和冠脉走势，冠状动脉的远端和近端的变化等，有利于优势型判断过程的准确性。通过分类模型输出左优势型、右优势型或均衡型的结果。

在步骤101至步骤105，将三维CTA图像数据转换成CTA图像的球面展开图和分割蒙版的球面展开图，并将球面展开图转换为最大密度投影图，使优势型判断不再局限于二维或三维CTA图像的单个角度的冠脉血管等的信息，而是能够将环绕的立体冠脉血管等的信息展开表示，使得冠脉及其周边的组织相互位置及供血关系更加直观，可以大幅提升冠脉优势型判定的准确性。

图2示出了不同冠脉优势型的血管走势图和解剖结构图。冠脉优势型分为左优势型、右优势型和均衡型。如图2所示，右优势型的血管图（a-1）和血管解剖结构图（a-2）；均衡型的血管图（b-1）和血管解剖结构图（b-2）；左优势型的血管图（c-1）和血管解剖结构图（c-2）。RCA表示右冠状动脉血管，LCX表示左冠状动脉血管。三种优势型的特点：右优势型，右冠状动脉分布于右心室隔面，分支处于左心室隔面部分或全部，右冠状动脉为左心室供血；左优势型，左冠状动脉分布于左心室隔面和右心室隔面一部分，左冠状动脉比较粗大，左冠状动脉为左心室供血；均衡型：两侧心室的膈面分别由本侧的冠状动脉供血，它们的分布区域不越过房室交点和后室间沟，后降支为左或右冠状动脉末梢，或同时来自两侧冠状动脉。冠脉优势型与复杂的冠脉血管分布、冠脉血管的特征等具有关系。

图3示出根据本申请另一实施例的冠脉优势型的分类方法的流程图。在步骤301，获取包含冠脉血管的三维CTA图像。在步骤302，基于获得的所述CTA图像，利用处理器提取冠脉血管分割蒙版、冠脉血管中心线、特征信息。特征信息包括几何特征（如冠脉血管的长度、位置、方向、形状、直径等）、图像特征（如灰度共生矩阵等）和基于几何特征的衍生特征（几何特征进行特征学习得到的新的特征，包括不限于 RCA/LCx 体积与冠状动脉体积之间的比率等）。在步骤303，基于获得的所述冠脉血管中心线，利用所述处理器，对所述CTA图像和所述冠脉血管分割蒙版进行球面展开，获得所述CTA图像和所述血管分割蒙版的球面展开图。在步骤304，基于获得的所述CTA图像和所述血管分割蒙版的球面展开图，利用所述处理器，通过最大投影的方法分别获得所述CTA图像和所述血管分割蒙版的最大密度投影图。在步骤305，基于所述CTA图像和所述血管分割蒙版的球面展开图的最大密度投影图和特征信息，由所述处理器利用分类模型获得冠脉优势型分类。在优势型判断中结合从CTA图像中得到的特征信息，最大密度投影图与冠脉血管或组织的生理特点相结合，可以根据不同的优势型的特征信息的区别作为判断的因素，比如冠脉血管的粗细变化等有利于判断供血情况等，有助于提升优势型判断的准确性。

图4示出根据本申请实施例的获得球面展开图过程的流程图。在步骤401，获取所述冠脉血管中心线上各个点的三维正交坐标。冠脉血管中心线上各个点的三维正交坐标也可以称为笛卡尔坐标。冠脉中心线上各个点的三维正交坐标可以用x、y、z表示，在三维正交坐标系中，x表示x轴上的坐标，y表示y轴上的坐标，z表示z轴上的坐标。

在步骤402，将所述冠脉血管中心线上各个点的三维正交坐标变换为各个点的球面坐标。球面坐标可以用r、θ、φ表示，其中r表示半径，θ表示倾斜角，φ表示方向角。三维正交坐标可以利用式（1）-式（3）所示计算式进行变换为球面坐标：

，其中x_c，y_c，z_c代表球心坐标。

通过步骤402可以将冠脉血管中心线上的各个点的正交坐标转换为球面上的各个点的球面坐标来表示。将冠脉血管中心线上的各个点通过角度和半径进行区分。

在步骤403，根据所述冠脉血管中心线上各个点的球面坐标，获取各个半径对应的二维图像，利用层厚将所述二维图像拓展为三维图像。转换为球面坐标后，可以通过不同的半径对应的冠脉血管中心线上的各个点组成得到二维图像。通过利用层厚拓展二维图像，可以拓展出剖面的第三维方向，拓宽图像表示的范围，可以体现更为完整的包含冠脉的图像，有利于提高分类结果的准确性。

在步骤404，获取与所述三维图像上的球面坐标点相对应的CTA图像和血管分割蒙版的灰度值，从而分别得到CTA图像和血管分割蒙版的球面展开图。经过步骤401至步骤403将CTA图像和血管分割蒙版转换为球面坐标点的数据，获取球面坐标点与CTA图像上相对应的灰度值，然后将灰度值对应到拓展后的球面坐标的三维图像上，可以得到球面展开图像（curved projection reformation，CPR图像）。

在一些实施例中，将所述冠脉血管中心线上各个点的三维正交坐标变换为各个点的球面坐标具体包括：将所述冠脉血管中心线所有中心点的重心作为球心坐标，对所述冠脉血管中心线上每个点进行坐标变换。冠脉血管中心线可以为曲线，利用中心线所有中心点的重心作为冠脉球面的球心，然后对冠脉血管中心线上的每个点的坐标与球心坐标的坐标带入式（1）-式（3）进行计算能够得到球面坐标，有利于获得冠脉血管中心线的点球面坐标分布。

图5示出根据本申请实施例的获得球面展开图的拓展三维图像过程的流程图。根据所述冠脉血管中心线上各个点的球面坐标，获取各个半径对应的二维图像，利用层厚将所述二维图像拓展为三维图像具体包括：在步骤501，根据所述冠脉血管中心线上各个点的球面坐标中在各个半径处偏转角和半径之间的函数关系，得到离散的二维图像。利用冠脉血管中心线各个点的球面坐标的三维坐标r、θ、φ，通过各个半径处偏转角和半径之间的函数关系即f(φ, θ) =r，自变量为θ、φ，因变量为r，将球面上的各个点变换到二维图像上，形成离散的二维图像。

在步骤502，基于所述离散的二维图像，利用双线性插值的方法得到更密集的二维图像。通过双线性插值的方法可以对离散的二维图像上的断开的点进行插值扩展，使离散的二维图像更为密集。有利于得到更完整的二维图像，比如在一些位置，如果断开或者不清晰不利于对优势型做出判断。

在步骤503，利用所述层厚作为变量将所述二维图像拓展为三维图像。利用函数f(φ, θ) =r得到二维图像，在此基础上加入第三个变量，可以用i表示，因变量是i与层厚t的乘积，层厚可以是设定值，具体可以根据三维图像的拓宽的范围进行选择，比如0.5mm等。拓展的三维图像的函数关系可以表示为f(φ,θ,i)=r+i×t，其中i∈[-n, n]，i取值可以是连续的，可以得到在层厚方向上的连续图像。

图6示出根据本申请实施例的获得球面展开图的获取灰度值的过程的流程图。获取与三维图像上的球面坐标点相对应的CTA图像和血管分割蒙版的灰度值，分别得到CTA图像和血管分割结果的球面展开图具体包括：在步骤601，将三维图像上各个点的球面坐标变换为正交坐标。通过球面坐标和正交坐标的对应关系，将三维图像上各个点的球面坐标变换为正交坐标。在步骤602，利用双线性插值的方法获取各个点的所述正交坐标对应的所述CTA图像和血管分割蒙版的灰度值，获得CTA图像和血管分割蒙版的球面展开图。利用双线性插值的方法获得正交坐标对应的CTA图像和血管分割蒙版的灰度值g，转换为球面坐标对应的灰度值g，得到关系f(φ,θ,i)=g，即为CTA图像和血管分割蒙版的球面展开图。

在一些实施例中，所述分类模型包括：深度学习图像分类模型、基于特征的机器学习分类模型或基于规则的分类模型。深度学习图像分类模型可以是VGG（Visual GeometryGroup Network）图像分类卷积神经网络、深度残差网络（ResNet，Residual NeuralNetwork）等。基于特征的机器学习分类模型可以是xgboost（eXtreme Gradient Boosting）等机器学习算法。基于规则的分类模型可以利用用球面展开中冠脉的位置关系设定规则来分类。

图7示出根据本申请实施例的基于最大密度投影图获得优势型分类的过程的流程图。基于所述CTA图像和所述血管分割蒙版的球面展开图的最大密度投影图，利用分类模型获得冠脉优势型分类具体包括：在步骤701，基于所述CTA图像和所述血管分割蒙版的球面展开图的最大密度投影图，提取血管几何特征、图像特征以及基于所述几何特征的衍生特征，并将血管几何特征、图像特征以及血管几何特征的衍生特征融合生成融合特征。几何特征（Fa）可以为血管长度，血管半径，RCA （右冠状动脉）和 LCx （左冠状动脉）的 top-3 分支长度，LCx/RCA 的最大/最小方位角等。图像特征（Fi）例如灰度共生矩阵等。衍生特征（Fd）包括不限于 RCA/LCx 体积与冠状动脉体积之间的比率等。将血管几何特征、图像特征以及血管几何特征的衍生特征融合生成的融合特征可以是特征矩阵F = concat(Fa,Fi,Fd)。

在步骤702，对所述融合特征根据筛选标准进行特征提取，以筛选出有效特征，所述筛选标准包括各个特征与优势型标签的互信息、MRMR（Max-Relevance and Min-Redundancy）和随机森林特征重要性中的至少一个。筛选标准中，MRMR方法可以为平均减少杂质（mean decrease impurity）和平均减少精度（mean decrease accuracy）等。随机森林特征重要性的方法可以是基尼指数的方法等。互信息的方法的计算公式为：

。

其中，X为某一特征，Y为优势型，p(x,y)为该特征和优势型出现的联合概率，p(x)为该特征在数据集内出现的概率，p(y)为该优势型出现的概率。

在特征筛选的过程中，可以利用统计数据计算出每个特征和优势型标签的关联性高低，然后筛选出关联性高的有效特征。进一步，可以筛选出设定数量的有效特征，然后再对设定数量的有效特征取最大公约数处理，作为最终有效特征作为分类模型的输入。有效特征的设定数量可以是20个、30个等。如此，可以有利于分类模型得到更为准确的分类结果。

在步骤703，基于所述有效特征，利用所述分类模型获得冠脉优势型分类。在步骤703中可以输入步骤702得到的有效特征或最终有效特征，最后得到优势型的分类结果。

图8示出根据本申请另一实施例的基于最大密度投影图获得优势型分类的过程的流程图。在步骤801，基于所述CTA图像，通过所述处理器提取辅助信息，所述辅助信息包括包含心室的心肌、室间隔和冠脉的至少一种的拓扑信息。在其他实施例中，辅助信息还可以通过医生的勾画得到。

在步骤802，基于CTA图像和血管分割蒙版的球面展开图的最大密度投影图，提取几何特征、图像特征以及基于所述几何特征的衍生特征，并将血管影像学特征、图像特征、血管影像学特征的衍生特征以及辅助信息融合生成融合特征。通过结合辅助信息，引入了冠脉血管或冠脉血管周边的与心脏相关的组织信息，通过优势型和冠脉血管或周边组织的关系，可以获得冠脉的分布位置等特征，可以进一步准确的得到心脏冠脉的优势型分类。

接着在步骤803，对所述融合特征根据筛选标准进行特征提取，以筛选出有效特征，所述筛选标准包括各个特征与优势型标签的互信息、MRMR和随机森林特征重要性中的至少一个。进一步，可以筛选出设定数量的有效特征，然后再对设定数量的有效特征取最大公约数处理，作为最终有效特征作为分类模型的输入。在步骤804，基于所述有效特征，利用所述分类模型获得冠脉优势型分类。

在一些实施例中，基于特征的机器学习分类模型的训练中结合基于有效特征或最终有效特征和优势型分类的结果。如此能够在训练中使得分类模型能够关注到与优势型分类结果相关的特征，有利于分类模型在优势型分类过程的准确性。

图9示出根据本申请实施例的基于最大密度投影图获得优势型的分类过程图。如图9所示，最大密度投影图901输入特征提取部902，提取几何特征903、图像特征904以及基于几何特征的衍生特征905。将几何特征903、图像特征904以及基于几何特征的衍生特征905通过特征融合部907生成融合特征。在一个实施例中，辅助信息906输入特征融合部907以生成融合特征。融合特征输入特征筛选部908，在特征筛选部908筛选出有效特征。有效特征输入分类器909，分类器909中集成分类模型。分类器909输出冠脉优势型910。在一些实施例中，特征提取部902、特征融合部907和特征筛选部908可以分别包括卷积神经网络比如VGG（Visual Geometry Group Network），ResNet（深度残差网络），DenseNet（DenseConvolutional Network）等。

图10示出根据本申请实施例的冠脉优势型的分类装置的示意性框图。在一些实施例中，冠脉优势型的分类装置1000可以是专用计算机或通用计算机。例如，冠脉优势型的分类装置1000可以是为医院定制的计算机，以执行图像采集和图像处理任务。如图5中所示，冠脉优势型的分类装置1000可以包括通信接口1002、处理器1003、内存1004、储存器1005和显示器1006。

在一些实施例中，通信接口1002可以包括网络适配器、电缆连接器、串行连接器，USB连接器、并行连接器、高速数据传输适配器（诸如光纤、USB 3.0、雷电接口等）、无线网络适配器（诸如WiFi适配器）、电信（3G、7G/LTE等）适配器等。在一些实施例中，冠脉优势型的分类装置1000可以通过通信接口1002连接CTA图像采集装置1001。通信接口1002从CTA图像采集装置1001接收医学图像。例如，CTA图像采集装置1001可以包括3D CT扫描仪。在一些实施例中，所述CTA图像可以包括3D容积CT图像。

在一些实施例中，处理器1003可以是包括一个以上通用处理设备的处理设备，诸如微处理器、中央处理单元（CPU）、图形处理单元（GPU）等。更具体地，该处理器可以是复杂指令集计算（CISC）微处理器、精简指令集计算（RISC）微处理器、超长指令字（VLIW）微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。该处理器还可以是一个以上专用处理设备，诸如专用集成电路（ASIC）、现场可编程门阵列（FPGA）、数字信号处理器（DSP）、片上系统（SoC）等。处理器1003可以通信地耦合到内存1004并且被配置为执行存储在其上的计算机可执行指令，以执行诸如根据本申请各实施例的提取冠脉血管分割蒙版和冠脉血管中心线，基于CTA图像和冠脉血管分割蒙版进行球面展开，通过最大投影方法分别CTA图像和血管分割蒙版的最大密度投影图，基于最大密度投影图利用特征提取部、特征融合部、特征筛选部得到有效特征，基于有效特征利用分类模型得到冠脉优势型的分类方法。

在一些实施例中，内存1004/储存器1005可以是非暂时性计算机可读的介质，诸如只读存储器（ROM）、随机存取存储器（RAM）、相变随机存取存储器（PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、电可擦除可编程只读存储器（EEPROM）、其他类型的随机存取存储器（RAM）、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、光盘只读存储器（CD-ROM）、数字通用光盘（DVD）或其他光学存储器、盒式磁带或其他磁存储设备，或被用于储存能够被计算机设备访问的信息或指令的任何其他可能的非暂时性的介质等。

在一些实施例中，储存器1005可以储存特征提取部、特征融合部、特征筛选部、分类模型和数据，该数据诸如为原始医学图像、提取的图像特征、在执行计算机程序的同时所接收的、所使用的或所生成的各种数据等。在一些实施例中，内存1004可以储存计算机可执行指令。

在一些实施例中，处理器1003可以在显示器1006上呈现冠脉优势型的分析结果（例如左优势型或右优势型）和/或其他数据的可视化。显示器1006可以包括液晶显示器（LCD）、发光二极管显示器（LED）、等离子显示器或任何其他类型的显示器，并提供显示器上呈现的图形用户界面（GUI）用于用户输入和图像/数据显示。

进一步，还可以模型训练装置。模型训练装置用于对分类模型进行训练。模型训练装置训练后的分类模型可以通过通信接口输入到处理器中。

此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本申请的具有等同元件、修改、省略、组合（例如，各种实施例交叉的方案）、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释，并不限于在本说明书中或本申请的实施期间所描述的示例，其示例将被解释为非排他性的。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。

以上描述旨在是说明性的而不是限制性的。例如，上述示例（或其一个或更多方案）可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本申请。这不应解释为一种不要求保护的申请的特征对于任一权利要求是必要的意图。相反，本申请的主题可以少于特定的申请的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。

以上实施例仅为本申请的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (11)

1.一种冠脉优势型的分类方法，其特征在于，所述分类方法包括：

获取包含冠脉血管的三维CTA图像；

基于获得的所述CTA图像，利用处理器提取冠脉血管分割蒙版和冠脉血管中心线；

基于获得的所述冠脉血管中心线，利用所述处理器，对所述CTA图像和所述冠脉血管分割蒙版进行球面展开，获得所述CTA图像和所述血管分割蒙版的球面展开图；

基于获得的所述CTA图像和所述血管分割蒙版的球面展开图，利用所述处理器，通过最大投影的方法分别获得所述CTA图像和所述血管分割蒙版的最大密度投影图；

基于所述CTA图像和所述血管分割蒙版的球面展开图的最大密度投影图，由所述处理器利用分类模型获得冠脉优势型分类。

2.根据权利要求1所述的分类方法，其特征在于，包括：

基于获得的所述CTA图像，利用所述处理器还提取冠脉血管的特征信息；

基于所述CTA图像和所述血管分割蒙版的球面展开图的最大密度投影图，由所述处理器利用分类模型获得冠脉优势型分类具体包括：基于所述CTA图像、所述血管分割蒙版的球面展开图的最大密度投影图和所述特征信息，利用分类模型获得冠脉优势型分类。

3.根据权利要求1所述的分类方法，其特征在于，基于获得的所述冠脉血管中心线，对所述CTA图像和所述冠脉血管分割蒙版进行球面展开，获得所述CTA图像和所述血管分割蒙版的球面展开图具体包括：

获取所述冠脉血管中心线上各个点的三维正交坐标；

将所述冠脉血管中心线上各个点的三维正交坐标变换为各个点的球面坐标；

根据所述冠脉血管中心线上各个点的球面坐标，获取各个半径对应的二维图像，利用层厚将所述二维图像拓展为三维图像；

获取与所述三维图像上的球面坐标点相对应的CTA图像和血管分割蒙版的灰度值，从而分别得到CTA图像和血管分割蒙版的球面展开图。

4.根据权利要求3所述的分类方法，其特征在于，将所述冠脉血管中心线上各个点的三维正交坐标变换为各个点的球面坐标具体包括：

将所述冠脉血管中心线所有中心点的重心作为球心坐标，对所述冠脉血管中心线上每个点进行坐标变换。

5.根据权利要求3所述的分类方法，其特征在于，根据所述冠脉血管中心线上各个点的球面坐标，获取各个半径对应的二维图像，利用层厚将所述二维图像拓展为三维图像具体包括：

根据所述冠脉血管中心线上各个点的球面坐标中在各个半径处偏转角和半径之间的函数关系，得到离散的二维图像；

基于所述离散的二维图像，利用双线性插值的方法得到更密集的二维图像；

利用所述层厚作为变量将所述二维图像拓展为三维图像。

6.根据权利要求3所述的分类方法，其特征在于，获取与三维图像上的球面坐标点相对应的CTA图像和血管分割蒙版的灰度值，分别得到CTA图像和血管分割结果的球面展开图具体包括：

将三维图像上各个点的球面坐标变换为正交坐标；

利用双线性插值的方法获取各个点的所述正交坐标对应的所述CTA图像和血管分割蒙版的灰度值，获得CTA图像和血管分割蒙版的球面展开图。

7.根据权利要求1所述的分类方法，其特征在于，所述分类模型包括：深度学习图像分类模型、基于特征的机器学习分类模型或基于规则的分类模型。

8.根据权利要求1所述的分类方法，其特征在于，基于所述CTA图像和所述血管分割蒙版的球面展开图的最大密度投影图，利用分类模型获得冠脉优势型分类具体包括：

基于所述CTA图像和所述血管分割蒙版的球面展开图的最大密度投影图，提取血管几何特征、图像特征以及基于所述几何特征的衍生特征，并将血管几何特征、图像特征以及血管几何特征的衍生特征融合生成融合特征；

对所述融合特征根据筛选标准进行特征提取，以筛选出有效特征，所述筛选标准包括各个特征与优势型标签的互信息、MRMR和随机森林特征重要性中的至少一个；

基于所述有效特征，利用所述分类模型获得冠脉优势型分类。

9.根据权利要求8所述的分类方法，其特征在于，所述分类方法还包括：

基于所述CTA图像，通过所述处理器提取辅助信息，所述辅助信息包括包含心室的心肌、室间隔和冠脉的至少一种的拓扑信息；

将血管影像学特征、图像特征、血管影像学特征的衍生特征以及辅助信息融合生成融合特征。

10.一种冠脉优势型的分类装置，其特征在于，包括：

接口，其配置为获取包含冠脉血管的三维CTA图像；和

处理器，其配置为执行如权利要求1-9中任一项所述的冠脉优势型的分类方法。

11.一种非暂时性计算机可读介质，其上存储有指令，其中当由处理器执行时，所述指令执行如权利要求1-9中任一项所述的冠脉优势型的分类方法的步骤。

Images