CN115049590B - 一种图像处理方法、装置、电子设备及存储介质 - Google Patents

一种图像处理方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115049590B
CN115049590B CN202210541331.0A CN202210541331A CN115049590B CN 115049590 B CN115049590 B CN 115049590B CN 202210541331 A CN202210541331 A CN 202210541331A CN 115049590 B CN115049590 B CN 115049590B
Authority
CN
China
Prior art keywords
determining
voxel
points
candidate region
component
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
CN202210541331.0A
Other languages
English (en)
Other versions
CN115049590A (zh
Inventor
张少鹏
刘宇航
贠晓帆
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 CN202210541331.0A priority Critical patent/CN115049590B/zh
Publication of CN115049590A publication Critical patent/CN115049590A/zh
Application granted granted Critical
Publication of CN115049590B publication Critical patent/CN115049590B/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06T7/60—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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • 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
    • G06T2207/30172—Centreline of tubular or elongated structure
    • 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
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本申请提供了一种图像处理方法、装置、电子设备及存储介质；获取血管对应的三维图像；确定所述三维图像中的血管图像和所述血管图像对应的第一候选区域；确定所述第一候选区域中的钙化成份的位置信息和所述钙化成份对应的第二候选区域；确定所述第二候选区域中的钙化成份特征点和非钙化成份特征点；基于所述钙化成份特征点和所述非钙化成份特征点，确定所述血管包括的成份类别。通过本申请，能够提高图像处理的精度。

Description

一种图像处理方法、装置、电子设备及存储介质
技术领域
本申请涉及图像处理领域，尤其涉及一种图像处理方法、装置、电子设备及存储介质。
背景技术
随着图像处理技术的快速发展和广泛使用，人们使用图像处理技术对血管的三维图像进行处理逐渐成为图像处理技术应用的主流。但是对血管的三维图像进行处理的过程中，现有的图像处理方法的处理过程需要由医学经验丰富的工作人员参与处理，且现有的图像处理方法的图像处理精度低，人们更希望提高对血管的三维图像的图像处理精度和无需医学经验的用户也能完成对血管的三维图像的图像处理，提高图像采集的精度。
因此，如何智能地对血管的三维图像进行图像处理，以提高图像处理的精度是一直追求的目标。
发明内容
本申请实施例提供了一种图像处理方法、装置、电子设备及存储介质。
根据本申请的第一方面，提供了一种图像处理方法，该方法包括：获取血管对应的三维图像；确定所述三维图像中的血管图像和所述血管图像对应的第一候选区域；确定所述第一候选区域中的钙化成份的位置信息和所述钙化成份对应的第二候选区域；确定所述第二候选区域中的钙化成份特征点和非钙化成份特征点；基于所述钙化成份特征点和所述非钙化成份特征点，确定所述血管包括的成份类别。
根据本申请一实施方式，所述确定所述三维图像中的血管图像和所述血管图像对应的第一候选区域之前，所述图像处理方法还包括：基于所述三维图像，确定所述三维图像中的预测血管；响应于所述预测血管的角度满足预设的角度阈值，对所述三维图像进行插值，确定插值后的三维图像；其中，所述插值后的三维图像中的体素点之间的体素间距相等。
根据本申请一实施方式，所述确定所述三维图像中的血管图像和所述血管图像对应的第一候选区域，包括：对所述三维图像中的血管图像进行分割处理，得到冠状动脉中线；对所述冠状动脉中线上的体素点进行采样，得到冠状动脉中线点集合；基于所述冠状动脉中线点集合确定所述第一候选区域。
根据本申请一实施方式，所述基于所述冠状动脉中线点集合确定所述第一候选区域，包括：以所述冠状动脉中线点集合中的冠状动脉中线点为中心，对所述三维图像进行图像裁剪，得到冠状动脉中线区域；确定所述冠状动脉中线区域的外接长方体；对所述冠状动脉中线区域的外接长方体进行缩放，得到所述第一候选区域。
根据本申请一实施方式，所述对所述冠状动脉中线上的体素点进行采样，得到冠状动脉中线点集合，包括：基于所述冠状动脉中线中的所有体素点，确定所述冠状动脉中线中的第一体素点，并将所述第一体素点存储至候选集合；基于所述候选集合，确定所述冠状动脉中线中除所述候选集合外的第二体素点与所述候选集合的体素距离；确定所述体素距离的最大值对应的所述第二体素点为冠状动脉中线点，并将所述冠状动脉中线点存储至所述候选集合；响应于所述候选集合中的所述冠状动脉中线点的数量满足预设的数量阈值，确定所述候选集合为所述冠状动脉中线点集合。
根据本申请一实施方式，所述确定所述第一候选区域中的钙化成份的位置信息和所述钙化成份对应的第二候选区域，包括：基于所述第一候选区域对所述第一候选区域中的体素点进行二分类预测，确定所述第一候选区域中的所述钙化成份的位置信息；基于所述位置信息，确定所述钙化成份中所述体素距离的最大值对应的两个钙化成份体素点；确定所述两个钙化成份体素点连线的中心对应的中心位置；以所述中心位置为中心对所述第一候选区域进行所述图像裁剪，确定所述图像裁剪后的第一候选区域为所述第二候选区域。
根据本申请一实施方式，所述确定所述第二候选区域中的钙化成份特征点和非钙化成份特征点，包括：基于所述第二候选区域，确定所述第二候选区域对应的特征点；对所述第二候选区域对应的特征点进行筛选，确定所述第二候选区域对应的特征点中的所述钙化成份特征点和所述非钙化成份特征点。
根据本申请一实施方式，所述对所述第二候选区域对应的特征点进行筛选，确定所述第二候选区域对应的特征点中的所述钙化成份特征点和所述非钙化成份特征点，包括：对所述第二候选区域中的斑块图像进行分割处理，得到斑块分割特征；将所述斑块分割特征与所述第二候选区域对应的特征点相乘，确定所述第二候选区域对应的斑块特征点，其中，所述斑块特征点包括所述钙化成份特征点和所述非钙化成份特征点。
根据本申请一实施方式，所述基于所述钙化成份特征点和所述非钙化成份特征点，确定所述血管包括的成份类别，包括：对所述钙化成份特征点和所述非钙化成份特征点进行全局平均池化，确定血管包括的成份类别特征点；基于所述成份类别特征点，确定所述三维图像的第一成份对应的第一类别概率和所述三维图像的第二成份对应的第二类别概率；响应于所述第一类别概率大于所述第二类别概率，确定所述血管包括的成份类别为所述第一类别；响应于所述第一类别概率小于或等于所述第二类别概率，确定所述血管包括的成份类别为所述第二类别。
根据本申请的第二方面，提供了一种图像处理装置，该图像处理装置包括：获取模块，用于获取血管对应的三维图像；确定模块，用于确定所述三维图像中的血管图像和所述血管图像对应的第一候选区域；定位模块，用于确定所述第一候选区域中的钙化成份的位置信息和所述钙化成份对应的第二候选区域；分类模块，用于确定所述第二候选区域中的钙化成份特征点和非钙化成份特征点；输出模块，用于基于所述钙化成份特征点和所述非钙化成份特征点，确定所述血管包括的成份类别。
根据本申请一实施方式，所述图像处理装置还包括：预测模块，用于基于所述三维图像，确定所述三维图像中的预测血管；插值模块，用于响应于所述预测血管的角度满足预设的角度阈值，对所述三维图像进行插值，确定插值后的三维图像；其中，所述插值后的三维图像中的体素点之间的体素间距相等。
根据本申请一实施方式，所述确定模块用于：对所述三维图像中的血管图像进行分割处理，得到冠状动脉中线；对所述冠状动脉中线上的体素点进行采样，得到冠状动脉中线点集合；基于所述冠状动脉中线点集合确定所述第一候选区域。
根据本申请一实施方式，所述确定模块用于：以所述冠状动脉中线点集合中的冠状动脉中线点为中心，对所述三维图像进行图像裁剪，得到冠状动脉中线区域；确定所述冠状动脉中线区域的外接长方体；对所述冠状动脉中线区域的外接长方体进行缩放，得到所述第一候选区域。
根据本申请一实施方式，所述确定模块用于：基于所述冠状动脉中线中的所有体素点，确定所述冠状动脉中线中的第一体素点，并将所述第一体素点存储至候选集合；基于所述候选集合，确定所述冠状动脉中线中除所述候选集合外的第二体素点与所述候选集合的体素距离；确定所述体素距离的最大值对应的所述第二体素点为冠状动脉中线点，并将所述冠状动脉中线点存储至所述候选集合；响应于所述候选集合中的所述冠状动脉中线点的数量满足预设的数量阈值，确定所述候选集合为所述冠状动脉中线点集合。
根据本申请一实施方式，所述定位模块用于：基于所述第一候选区域对所述第一候选区域中的体素点进行二分类预测，确定所述第一候选区域中的所述钙化成份的位置信息；基于所述位置信息，确定所述钙化成份中所述体素距离的最大值对应的两个钙化成份体素点；确定所述两个钙化成份体素点连线的中心对应的中心位置；以所述中心位置为中心对所述第一候选区域进行所述图像裁剪，确定所述图像裁剪后的第一候选区域为所述第二候选区域。
根据本申请一实施方式，所述分类模块用于：基于所述第二候选区域，确定所述第二候选区域对应的特征点；对所述第二候选区域对应的特征点进行筛选，确定所述第二候选区域对应的特征点中的所述钙化成份特征点和所述非钙化成份特征点。
根据本申请一实施方式，所述分类模块用于：对所述第二候选区域中的斑块图像进行分割处理，得到斑块分割特征；将所述斑块分割特征与所述第二候选区域对应的特征点相乘，确定所述第二候选区域对应的斑块特征点，其中，所述斑块特征点包括所述钙化成份特征点和所述非钙化成份特征点。
根据本申请一实施方式，所述输出模块用于：对所述钙化成份特征点和所述非钙化成份特征点进行全局平均池化，确定血管包括的成份类别特征点；基于所述成份类别特征点，确定所述三维图像的第一成份对应的第一类别概率和所述三维图像的第二成份对应的第二类别概率；响应于所述第一类别概率大于所述第二类别概率，确定所述血管包括的成份类别为所述第一类别；响应于所述第一类别概率小于或等于所述第二类别概率，确定所述血管包括的成份类别为所述第二类别。
根据本申请的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请所述的方法。
根据本申请的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请所述的方法。
本申请实施例的方法，获取血管对应的三维图像；确定所述三维图像中的血管图像和所述血管图像对应的第一候选区域；确定所述第一候选区域中的钙化成份的位置信息和所述钙化成份对应的第二候选区域；确定所述第二候选区域中的钙化成份特征点和非钙化成份特征点；基于所述钙化成份特征点和所述非钙化成份特征点，确定所述血管包括的成份类别。如此，能够提高图像处理的精度。
需要理解的是，本申请的教导并不需要实现上面所述的全部有益效果，而是特定的技术方案可以实现特定的技术效果，并且本申请的其他实施方式还能够实现上面未提到的有益效果。
附图说明
通过参考附图阅读下文的详细描述，本申请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申请的若干实施方式，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示出了本申请实施例提供的图像处理方法的处理流程示意图一；
图2示出了本申请实施例提供的确定所述三维图像中的血管图像和所述血管图像对应的第一候选区域处理流程示意图；
图3示出了本申请实施例提供的图像处理方法的处理流程示意图二；
图4示出了本申请实施例提供的图像处理方法的处理流程示意图三；
图5示出了本申请实施例提供的图像处理方法的处理流程示意图四；
图6示出了本申请实施例提供的图像处理方法的处理流程示意图五；
图7示出了本申请实施例提供的图像处理方法的处理流程示意图六；
图8示出了本申请实施例提供的图像处理方法的一种应用场景图；
图9示出了本申请实施例提供的图像处理方法的另一种应用场景图；
图10示出了本申请实施例提供的图像处理装置的一种可选示意图；
图11示出了本申请实施例提供的电子设备的组成结构示意图。
具体实施方式
为使本申请的目的、特征、优点能够更加的明显和易懂，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，所描述的实施例仅仅是本申请一部分实施例，而非全部实施例。基于本申请中的实施例，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。
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。
对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。
卷积神经网络：卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，卷积神经网络具有表征学习能力，能够按其阶层结构对输入的图像进行分类。
相关技术中，目前已知的图像处理的技术方案，需要由医学经验丰富的工作人员参与处理，需要昂贵的人力成本。或直接使用卷积神经网络直接处理血管的三维图像，由于血管的三维图像尺寸太小，且缺乏对血管的三维图像细节的建模，进而出现图像处理精度低的问题。
针对相关技术提供的上述图像处理方法，无法精准的对血管的三维图像进行处理，进而出现图像处理精度低的问题，本申请实施例的方法，获取血管对应的三维图像；确定所述三维图像中的血管图像和所述血管图像对应的第一候选区域；确定所述第一候选区域中的钙化成份的位置信息和所述钙化成份对应的第二候选区域；确定所述第二候选区域中的钙化成份特征点和非钙化成份特征点；基于所述钙化成份特征点和所述非钙化成份特征点，确定所述血管包括的成份类别。因此，与相关技术中需要由医学经验丰富的工作人员参与处理，本申请的图像处理方法无需医学经验的用户也能完成对血管的三维图像的图像处理，降低了人工成本。与相关技术中直接使用卷积神经网络直接处理血管的三维图像相比，本申请的图像处理方法能够对血管的三维图像建模，并将卷积神经网络的注意力机制应用到小尺寸的血管的三维图像上，进而提高了图像处理的精度。
对本申请实施例提供的图像处理方法中的处理流程进行说明。参见图1，图1是本申请实施例提供的图像处理方法的处理流程示意图一，将结合图1示出的步骤S101-S103进行说明。
步骤S101，获取血管对应的三维图像。
在一些实施例中，血管可以包括：动脉血管、静脉血管和毛细血管，血管还可以包括其他血管，本申请实施例不作限定。三维图像可以包括：冠状动脉计算机断层扫描血管造影影像、增强CT(Computed Tomography，电子计算机断层扫描)影像或其他医学影像，本申请实施例不限定具体的三维图像。
步骤S102，确定所述三维图像中的血管图像和所述血管图像对应的第一候选区域。
在一些实施例中，三维图像中的血管图像可以包括：冠状动脉计算机断层扫描血管造影影像中冠状动脉的图像、增强CT影像中静脉血管的图像或其他医学影像中的血管图像，本申请实施例不限定具体的血管图像。第一候选区域可以包括：对三维图像中的血管进行图像裁剪后得到的3Dpatch(3-dimension patch，三维图像块)。第一候选区域还可以包括：根据三维图像中的冠状动脉的图像的最小外接长方体，对三维图像进行缩放后的得到的3D patch。
在一些实施例中，在步骤S102之前还可以包括：基于所述三维图像，确定所述三维图像中的预测血管；响应于所述预测血管的角度满足预设的角度阈值，对所述三维图像进行插值，确定插值后的三维图像；其中，所述插值后的三维图像中的体素点之间的体素间距相等。
在一些实施例中，预测血管可以包括：预测的血管图像和预测的血管走向。空间直角坐标系具有x轴(横轴)，y轴(纵轴)，z轴(竖轴)。预测血管的角度可以包括：预测的血管走向与空间直角坐标系中的z轴所夹的锐角的大小，本申请实施例不限定具体的预测血管的角度。预设的角度阈值可以包括：预设的M度角，其中，M为正整数。预测血管的角度满足预设的角度阈值可以包括：预测的血管走向与空间直角坐标系中的z轴所夹的锐角的大小小于预设的角度阈值。
在具体实施时，将三维图像输入到预测模型中，对三维图像进行分割处理，得到三维图像中的预测的血管图像和预测的血管走向，在预测的血管走向与空间直角坐标系中的z轴所夹的锐角的大小小于预设的角度阈值的情况下，对三维图像在x轴、y轴和z轴上进行插值，确定插值后的三维图像，其中，插值后的三维图像中的体素点之间的体素间距相等。
在一些实施例中，如图2所示，确定所述三维图像中的血管图像和所述血管图像对应的第一候选区域的处理流程可以包括：
步骤a，对所述三维图像中的血管图像进行分割处理，得到冠状动脉中线。
步骤b，对所述冠状动脉中线上的体素点进行采样，得到冠状动脉中线点集合。
步骤c，基于所述冠状动脉中线点集合确定所述第一候选区域。
针对步骤a，在具体实施时，将三维图像中的冠状动脉的图像输入到预测模型中，对三维图像中的冠状动脉的图像进行分割处理，得到预测的冠状动脉图像，再对预测的冠状动脉图像进行图像腐蚀，使得预测的冠状动脉图像的直径只有一个体素，得到冠状动脉中线。预测模型是基于动脉图像样本训练得到的先验模型，预测模型可以包括：Unet图像分割模型和Deeplab图像分割模型，预测模型还可以包括其他卷积神经网络预测模型，本申请实施例不作限定。
针对步骤b，在具体实施时，首先对冠状动脉中线中的所有体素点进行随机采样，确定冠状动脉中线中的第一体素点，并将第一体素点存储至候选集合。再确定第二体素点与候选集合的体素距离。确定体素距离的最大值对应的第二体素点为冠状动脉中线点，并将冠状动脉中线点存储至候选集合。在候选集合中的冠状动脉中线点的数量满足预设的数量阈值的情况下，确定候选集合为冠状动脉中线点集合。
在一些实施例中，第一体素点可以包括：冠状动脉中线的所有体素点中的任意一个体素点，本申请实施例不限定具体的体素点。第二体素点可以包括：冠状动脉中线的所有体素点中除候选集合外的体素点，本申请实施例不限定具体的体素点。第二体素点与候选集合的体素距离可以包括：第二体素点与候选集合中所有体素点的平均距离，本申请实施例不限定具体的体素距离。预设的数量阈值可以包括：在冠状动脉中线点集合可以在半径为N个体素点的范围之内，覆盖所有的冠状动脉中线点的情况下，对应的候选集合中的冠状动脉中线点的数量。其中N为正整数，并可以预先设定，本申请实施例不限定N的具体数量。冠状动脉中线点的数量满足预设的数量阈值可以包括：冠状动脉中线点的数量大于或等于预设的数量阈值。
作为示例，冠状动脉中线的所有体素点为体素点A、体素点B、体素点C和体素点D。首先对冠状动脉中线中的所有体素点进行随机采样，确定冠状动脉中线中的第一体素点为体素点D，并将第一体素点存储至候选集合。此时，候选集合中包括体素点D，第二体素点包括体素点A、体素点B和体素点C。再确定体素点A与体素点D、体素点B与体素点D和体素点C与体素点D的体素距离。体素距离的最大值为体素点A与体素点D的体素距离。确定体素点A为冠状动脉中线点，并将体素点A存储至候选集合。此时，候选集合为体素点D和体素点A，第二体素点为体素点B和体素点C。
预设的数量阈值为1，在由体素点D和体素点A组成的候选集合中的冠状动脉中线点的数量满足预设的数量阈值的情况下，确定由体素点D和体素点A组成的候选集合为冠状动脉中线点集合。
针对步骤c，在具体实施时，首先以冠状动脉中线点集合中的冠状动脉中线点为中心，对三维图像进行图像裁剪，得到冠状动脉中线区域。再确定冠状动脉中线区域中的预测的冠状动脉图像的外接长方体。最后对预测的冠状动脉图像的外接长方体进行缩放，得到第一候选区域。
在一些实施例中，冠状动脉中线区域可以包括：对三维图像中的血管进行图像裁剪后得到的3D patch。冠状动脉中线区域也可以包括：对插值后的三维图像中的血管进行图像裁剪后得到的3D patch。外接长方体可以包括：冠状动脉图像的最小外接长方体。第一候选区域可以包括：对预测的冠状动脉图像的最小外接长方体进行缩放后的3D patch。
作为示例，以冠状动脉中线点集合中的冠状动脉中线点为中心，对插值后的三维图像进行图像裁剪，得到尺寸为32体素*32体素*32体素的冠状动脉中线区域。确定尺寸为32体素*32体素*32体素的冠状动脉中线区域中的预测的冠状动脉图像的尺寸为15体素*7体素*32体素的最小外接长方体。对预测的冠状动脉图像的尺寸为15体素*7体素*32体素的最小外接长方体进行缩放到尺寸为32体素*32体素*32体素的外接长方体，将尺寸为32体素*32体素*32体素的外接长方体为第一候选区域。
步骤S103，确定所述第一候选区域中的钙化成份的位置信息和所述钙化成份对应的第二候选区域。
在一些实施例中，钙化成份可以包括：钙和磷组成的羟磷灰石，在冠状动脉中可以沉积形成斑块图像。钙化成份的位置信息可以包括：第一候选区域中钙化成份对应的体素点的位置，本申请实施例不限定具体的钙化成份的位置信息。钙化成份对应的第二候选区域可以包括：对第一候选区域进行图像裁剪后得到的3D patch。
在一些实施例中，步骤S103可以包括：基于所述第一候选区域对所述第一候选区域中的体素点进行二分类预测，确定所述第一候选区域中的所述钙化成份的位置信息。基于所述位置信息，确定所述钙化成份中所述体素距离的最大值对应的两个钙化成份体素点。确定所述两个钙化成份体素点连线的中心对应的中心位置。以所述中心位置为中心对所述第一候选区域进行所述图像裁剪，确定所述图像裁剪后的第一候选区域为所述第二候选区域。
针对基于所述第一候选区域对所述第一候选区域中的体素点进行二分类预测，确定所述第一候选区域中的所述钙化成份的位置信息，在具体实施时：将第一候选区域输入到定位模型中，对第一候选区域中的体素点进行二分类预测，将钙化成份体素点位置预测为1，将非钙化成份体素点位置预测为0，保持第一候选区域中钙化成份体素点的体素值不变，将第一候选区域中非钙化成份体素点的体素值变为0，得到具有钙化成份的位置信息的第一候选区域。定位模型是基于钙化成份图像样本训练得到的先验模型，定位模型可以包括：3D Unet(3-dimension Unet)卷积神经网络模型，定位模型还可以包括其他卷积神经网络定位模型，用于判断体素点是否为钙化成份的二值分割网络，并确定钙化成份对应的位置信息，若体素点为钙化成份，则将钙化成份体素点位置预测为1；若体素点为非钙化成份，则将非钙化成份体素点位置预测为0。
针对基于所述位置信息，确定所述钙化成份中所述体素距离的最大值对应的两个钙化成份体素点；确定所述两个钙化成份体素点连线的中心对应的中心位置，在具体实施时，确定预测为1的钙化成份体素点中体素距离的最大值对应的两个钙化成份体素点，根据体素距离的最大值对应的两个钙化成份体素点连线的中心为球心，求钙化成份的外接球，将外接球的球心作为第一候选区域中钙化成份对应的斑块图像的中心位置。
针对以所述中心位置为中心对所述第一候选区域进行所述图像裁剪，确定所述图像裁剪后的第一候选区域为所述第二候选区域，在具体实施时，第二候选区域可以包括：以第一候选区域中钙化成份对应的斑块图像的中心位置为中心对第一候选区域进行图像裁剪后得到的3D patch。以第一候选区域中钙化成份对应的斑块图像的中心位置为中心对第一候选区域进行图像裁剪后得到具斑块图像位置信息的第二候选区域，其中，斑块图像位置信息可以包括：钙化成份对应的斑块图像的中心位置。
作为示例，以第一候选区域中钙化成份对应的斑块图像的中心位置为中心，将尺寸为32体素*32体素*32体素的第一候选区域进行图像裁剪，得到尺寸为16体素*16体素*16体素的第二候选区域。
步骤S104，确定所述第二候选区域中的钙化成份特征点和非钙化成份特征点。
在一些实施例中，步骤S104可以包括：基于所述第二候选区域，确定所述第二候选区域对应的特征点。对所述第二候选区域中的斑块图像进行分割处理，得到斑块分割特征。将所述斑块分割特征与所述第二候选区域对应的特征点相乘，确定所述第二候选区域对应的斑块特征点，其中，所述斑块特征点包括所述钙化成份特征点和所述非钙化成份特征点。
在一些实施例中，第二候选区域对应的特征点可以包括：第二候选区域中具有鲜明特性并能够反映第二候选区域本质特征的体素点。斑块图像可以包括：第二候选区域中钙化成份对应的斑块图像。钙化成份特征点可以包括：斑块图像中反映钙化成份的体素点。非钙化成份特征点可以包括：斑块图像中反映非钙化成份的体素点。
针对基于所述第二候选区域，确定所述第二候选区域对应的特征点，在具体实施时，对第二候选区域进行特征提取，得到第二候选区域中具有鲜明特性并能够反映第二候选区域本质特征的体素点。
针对于对所述第二候选区域中的斑块图像进行分割处理，得到斑块分割特征，在具体实施时，将第二候选区域中钙化成份对应的斑块图像输入到分类模型中，分类模型学习第二候选区域中斑块图像的体素点的完整分割，得到斑块分割特征，其中斑块分割特征可以包括：斑块图像中钙化成份体素点位置、斑块图像中非钙化成份体素点位置和非斑块图像体素点的位置。分类模型是基于斑块图像样本训练得到的先验模型，分类模型可以包括：3D Unet卷积神经网络模型，分类模型还可以包括其他卷积神经网络分类模型，用于学习第二候选区域中斑块图像的体素点的完整分割，得到斑块分割特征。
针对将所述斑块分割特征与所述第二候选区域对应的特征点相乘，确定所述第二候选区域对应的斑块特征点，在具体实施时，首先将斑块图像中钙化成份体素点位置和斑块图像中非钙化成份体素点位置预测为1，将非斑块图像体素点的位置预测为0，再将斑块分割特征与第二候选区域对应的特征点相乘，保持第二候选区域对应的特征点中钙化成份体素点位置和非钙化成份体素点位置的体素值不变，将第二候选区域中非斑块图像体素点的体素值变为0，得到第二候选区域对应的斑块特征点，其中，斑块特征点可以包括：第二候选区域中的钙化成份特征点和第二候选区域中的非钙化成份特征点。
步骤S105，基于所述钙化成份特征点和所述非钙化成份特征点，确定所述血管包括的成份类别。
在一些实施例中，对所述钙化成份特征点和所述非钙化成份特征点进行全局平均池化，确定血管包括的成份类别特征点。基于所述成份类别特征点，确定所述三维图像的第一成份对应的第一类别概率和所述三维图像的第二成份对应的第二类别概率。响应于所述第一类别概率大于所述第二类别概率，确定所述血管包括的成份类别为所述第一类别；响应于所述第一类别概率小于或等于所述第二类别概率，确定所述血管包括的成份类别为所述第二类别。
在一些实施例中，全局平均池化可以包括：针对第二候选区域中的钙化成份特征点和第二候选区域中的非钙化成份特征点，累加第二候选区域中的钙化成份特征点和第二候选区域中的非钙化成份特征点的体素值，并对体素值求平均数，将求得的平均数作为血管包括的成份类别特征点。第一成份可以包括：钙化斑块成份。第二成份可以包括：混合斑块成份。第一类别可以包括：钙化斑块类型。第二类别可以包括：混合斑块类型。
针对于对所述钙化成份特征点和所述非钙化成份特征点进行全局平均池化，确定血管包括的成份类别特征点，在具体实施时，对第二候选区域中的钙化成份特征点和第二候选区域中的非钙化成份特征点，累加第二候选区域中的钙化成份特征点和第二候选区域中的非钙化成份特征点的体素值并对体素值求平均数，对钙化成份特征点和非钙化成份特征点进行聚合，确定血管包括的成份类别特征点。
针对基于所述成份类别特征点，确定所述三维图像的第一成份对应的第一类别概率和所述三维图像的第二成份对应的第二类别概率，在具体实施时，将血管包括的成份类别特征点输入到卷积神经网络的全连接层，再通过卷积神经网络的softmax(归一化指数函数)层，得到钙化斑块成份对应的钙化斑块类型概率和混合斑块成份对应的混合斑块类型概率，其中钙化斑块类型概率与混合斑块类型概率之和为1，本申请实施例不限定具体的概率数值。
针对响应于所述第一类别概率大于所述第二类别概率，确定所述血管包括的成份类别为所述第一类别；响应于所述第一类别概率小于或等于所述第二类别概率，确定所述血管包括的成份类别为所述第二类别，在具体实施时，在钙化斑块类型概率大于混合斑块类型概率的情况下，确定血管包括的成份类别为钙化斑块类型；在钙化斑块类型概率小于或等于混合斑块类型概率的情况下，确定血管包括的成份类别为混合斑块类型。
作为示例，第一类别概率为0.4，第二类别概率为0.6，第一类别概率小于第二类别概率，确定血管包括的成份类别为第二类别。
作为示例，第一类别概率为0.5，第二类别概率为0.5，第一类别概率等于第二类别概率，确定血管包括的成份类别为第二类别。
作为示例，第一类别概率为0.6，第二类别概率为0.4，第一类别概率大于第二类别概率，确定血管包括的成份类别为第一类别。
在一些实施例中，所述图像处理方法的处理流程示意图二，如图3所示，包括：
步骤S201，基于所述三维图像，确定所述三维图像中的预测血管。
步骤S202，响应于所述预测血管的角度满足预设的角度阈值，对所述三维图像进行插值，确定插值后的三维图像；其中，所述插值后的三维图像中的体素点之间的体素间距相等。
在实施步骤201和202时，可以包括步骤1-3，步骤1，将三维图像输入到预测模型中，对三维图像进行分割处理，得到三维图像中的预测的血管图像和预测的血管走向。
步骤2，确定三维图像在空间直角坐标系中x轴和y轴构成的平面内的血管走向与z轴的夹角f(z＝k)，可通过下述公式(1)表示，其中，k为常数。
Figure BDA0003648459370000161
其中，vessel(x,y,z)为三维图像的体素点(x,y,z)位置处的预测的血管图像，vessel(x,y,z)>0.5时，确定体素点(x,y,z)位置处存在血管图像，angle(x,y,z)为体素点(x,y,z)位置处预测的血管走向，[0,0,1]为z轴的正方向。
步骤3，在f(z＝k)小于预设的角度阈值的情况下，对三维图像在x轴、y轴和z轴上进行插值，确定插值后的三维图像，其中，插值后的三维图像中的体素点之间的体素间距相等。
在一些实施例中，所述图像处理方法的处理流程示意图三，如图4所示，包括：
步骤S301，对所述三维图像中的血管图像进行分割处理，得到冠状动脉中线。
在一些实施例中，将三维图像中的冠状动脉的图像输入到预测模型中，对三维图像中的冠状动脉的图像进行分割处理，得到预测的冠状动脉图像，再对预测的冠状动脉图像进行图像腐蚀，使得预测的冠状动脉图像的直径只有一个体素，得到冠状动脉中线。
在一些实施例中，预测模型是基于动脉图像样本训练得到的先验模型，预测模型可以包括：Unet图像分割模型和Deeplab图像分割模型，预测模型还可以包括其他卷积神经网络预测模型，本申请实施例不作限定。三维图像中的血管图像可以包括：冠状动脉计算机断层扫描血管造影影像中冠状动脉的图像，本申请实施例不限定具体的血管图像。冠状动脉中线可以包括：直径只有一个体素的冠状动脉图像。冠状动脉中线可以由对预测的冠状动脉图像进行图像腐蚀得到。
步骤S302，对所述冠状动脉中线上的体素点进行采样，得到冠状动脉中线点集合。
在一些实施例中，对冠状动脉中线上的所有体素点进行最远点采样，得到在半径为32个体素点的范围之内，覆盖所有的冠状动脉中线点的集合，并将在半径为32个体素点的范围之内，覆盖所有的冠状动脉中线点的集合作为冠状动脉中线点集合。
在一些实施例中，采样可以包括：对冠状动脉中线中的所有体素点进行最远点采样。冠状动脉中线点集合可以包括：在半径为N个体素点的范围之内，覆盖所有的冠状动脉中线点的集合。其中N为正整数，并可以预先设定，本申请实施例不限定N的具体数量。
步骤S303，基于所述冠状动脉中线点集合确定所述第一候选区域。
在一些实施例中，以冠状动脉中线点集合中的冠状动脉中线点为中心，对三维图像进行图像裁剪，得到冠状动脉中线区域。确定冠状动脉中线区域为第一候选区域。
在一些实施例中，冠状动脉中线区域可以包括：对三维图像中的血管进行图像裁剪后得到的3D patch。冠状动脉中线区域也可以包括：对插值后的三维图像中的血管进行图像裁剪后得到的3D patch。第一候选区域可以包括：对插值后的三维图像中的血管进行图像裁剪后得到的3D patch。
作为示例，以冠状动脉中线点集合中的冠状动脉中线点为中心，对插值后的三维图像进行图像裁剪，得到尺寸为32体素*32体素*32体素的冠状动脉中线区域。确定尺寸为32体素*32体素*32体素的冠状动脉中线区域为第一候选区域。
在一些实施例中，所述图像处理方法的处理流程示意图四，如图5所示，包括：
步骤S401，基于所述冠状动脉中线中的所有体素点，确定所述冠状动脉中线中的第一体素点，并将所述第一体素点存储至候选集合。
步骤S402，基于所述候选集合，确定所述冠状动脉中线中除所述候选集合外的第二体素点与所述候选集合的体素距离。
在一些实施例中，第二体素点与候选集合的体素距离可以包括：第二体素点与候选集合中所有体素点之间的平均距离。
步骤S403，确定所述体素距离的最大值对应的所述第二体素点为冠状动脉中线点，并将所述冠状动脉中线点存储至所述候选集合。
步骤S404，响应于所述候选集合中的所述冠状动脉中线点的数量满足预设的数量阈值，确定所述候选集合为所述冠状动脉中线点集合。
作为示例，冠状动脉中线的所有体素点为32个体素点。首先对冠状动脉中线中的所有体素点进行随机采样，确定冠状动脉中线中的第一体素点为32个体素点中的体素点A，并将体素点A存储至候选集合。此时，候选集合中为体素点A，第二体素点为32个体素点中除点A外剩余的31个体素点。再确定体素点A与除体素点A外剩余的31个体素点的体素距离。体素距离的最大值为体素点A与除体素点A外剩余的31个体素点中的体素点B的体素距离。确定体素点B为冠状动脉中线点，并将体素点B存储至候选集合。此时，候选集合包括体素点B和体素点A，第二体素点包括除体素点A和体素点B外剩余的30个体素点。
再确定第二体素点与候选集合的体素距离，将体素距离的最大值对应的第二体素点为冠状动脉中线点，并将冠状动脉中线点存储至候选集合，直至冠状动脉中线点的数量大于或等于16。
预设的数量阈值为16，在候选集合中的冠状动脉中线点的数量大于或等于16的情况下，确定候选集合为冠状动脉中线点集合。
步骤S405，以所述冠状动脉中线点集合中的冠状动脉中线点为中心，对所述三维图像进行图像裁剪，得到冠状动脉中线区域。
步骤S406，确定所述冠状动脉中线区域的外接长方体。
步骤S407，对所述冠状动脉中线区域的外接长方体进行缩放，得到所述第一候选区域。
作为示例，以冠状动脉中线点集合中的冠状动脉中线点为中心，对插值后的三维图像进行图像裁剪，得到尺寸为32体素*32体素*32体素的冠状动脉中线区域。确定尺寸为32体素*32体素*32体素的冠状动脉中线区域中的预测的冠状动脉图像的尺寸为15体素*7体素*32体素的外接长方体。对预测的冠状动脉图像的尺寸为15体素*7体素*32体素的外接长方体进行缩放到尺寸为32体素*32体素*32体素的外接长方体，将尺寸为32体素*32体素*32体素的外接长方体为第一候选区域。
在一些实施例中，所述图像处理方法的处理流程示意图五，如图6所示，包括：
步骤S501，基于所述第一候选区域对所述第一候选区域中的体素点进行二分类预测，确定所述第一候选区域中的所述钙化成份的位置信息。
在一些实施例中，将第一候选区域输入到定位模型中，对第一候选区域中的体素点进行二分类预测，将钙化成份体素点位置预测为1，将非钙化成份体素点位置预测为0，保持第一候选区域中钙化成份体素点的体素值不变，将第一候选区域中非钙化成份体素点的体素值变为0，得到具有钙化成份的位置信息的第一候选区域。
在一些实施例中，定位模型是基于钙化成份图像样本训练得到的先验模型，定位模型可以包括：3D Unet卷积神经网络模型，定位模型还可以包括其他卷积神经网络定位模型，用于判断体素点是否为钙化成份的二值分割网络，并确定钙化成份对应的位置信息，若体素点为钙化成份，则将钙化成份体素点位置预测为1；若体素点为非钙化成份，则将非钙化成份体素点位置预测为0。二分类预测可以包括：将钙化成份体素点位置预测为1，将非钙化成份体素点位置预测为0。
步骤S502，基于所述位置信息，确定所述钙化成份中所述体素距离的最大值对应的两个钙化成份体素点。
步骤S503，确定所述两个钙化成份体素点连线的中心对应的中心位置。
步骤S504，以所述中心位置为中心对所述第一候选区域进行所述图像裁剪，确定所述图像裁剪后的第一候选区域为所述第二候选区域。
作为示例，在第一候选区域中钙化成份体素点位置预测为1的位置中，确定点E和点F为体素距离的最大值对应的两个钙化成份体素点。根据点E和点F连线的中心为球心，求钙化成份的外接球。将外接球的球心作为第一候选区域中钙化成份对应的斑块图像的中心位置。以第一候选区域中钙化成份对应的斑块图像的中心位置为中心，将尺寸为32体素*32体素*32体素的第一候选区域进行图像裁剪，得到尺寸为16体素*16体素*16体素的第二候选区域。
步骤S505，基于所述第二候选区域，确定所述第二候选区域对应的特征点。
在一些实施例中，第二候选区域对应的特征点可以包括：第二候选区域中具有鲜明特性并能够反映第二候选区域本质特征的体素点。
步骤S506，对所述第二候选区域对应的特征点进行筛选，确定所述第二候选区域对应的特征点中的所述钙化成份特征点和所述非钙化成份特征点。
在一些实施例中，对所述第二候选区域对应的特征点进行筛选，可以包括：保持第二候选区域对应的特征点中钙化成份体素点位置和非钙化成份体素点位置的体素值不变，将第二候选区域中非斑块图像体素点的体素值变为0。钙化成份特征点可以包括：斑块图像中反映钙化成份的体素点。非钙化成份特征点可以包括：斑块图像中反映非钙化成份的体素点。
在一些实施例中，所述图像处理方法的处理流程示意图六，如图7所示，包括：
步骤S601，对所述第二候选区域中的斑块图像进行分割处理，得到斑块分割特征。
步骤S602，将所述斑块分割特征与所述第二候选区域对应的特征点相乘，确定所述第二候选区域对应的斑块特征点，其中，所述斑块特征点包括所述钙化成份特征点和所述非钙化成份特征点。
步骤S603，对所述钙化成份特征点和所述非钙化成份特征点进行全局平均池化，确定血管包括的成份类别特征点。
在具体实施时，通过步骤S601-603，确定血管包括的成份类别特征点Fout，可通过下述公式(2)表示。
Figure BDA0003648459370000211
其中，pred_p>0.5为斑块分割特征，Fin_p为第二候选区域对应的特征点，N为第二候选区域的体素点的数量，p为第二候选区域的体素点。
步骤S604，基于所述成份类别特征点，确定所述三维图像的第一成份对应的第一类别概率和所述三维图像的第二成份对应的第二类别概率。
步骤S605a，响应于所述第一类别概率大于所述第二类别概率，确定所述血管包括的成份类别为所述第一类别。
步骤S605b，响应于所述第一类别概率小于或等于所述第二类别概率，确定所述血管包括的成份类别为所述第二类别。
在一些实施例中，第一成份可以包括：钙化斑块成份。第二成份可以包括：混合斑块成份。第一类别可以包括：钙化斑块类型。第二类别可以包括：混合斑块类型。
针对步骤S604，在具体实施时，将血管包括的成份类别特征点输入到卷积神经网络的全连接层，再通过卷积神经网络的softmax层，得到钙化斑块成份对应的钙化斑块类型概率和混合斑块成份对应的混合斑块类型概率，其中钙化斑块类型概率与混合斑块类型概率之和为1，本申请实施例不限定具体的概率数值。
针对步骤S605a和步骤S605b，在具体实施时，在钙化斑块类型概率大于混合斑块类型概率的情况下，确定血管包括的成份类别为钙化斑块类型；在钙化斑块类型概率小于或等于混合斑块类型概率的情况下，确定血管包括的成份类别为混合斑块类型。
图8示出了本申请实施例提供的图像处理方法的一种应用场景图。
参考图8，本申请实施例提供的图像处理方法的一种应用场景，应用于血管的三维图像中的混合斑块和钙化斑块的分类。首先获取血管对应的三维图像。将三维图像输入到预测模型中，对三维图像进行分割处理，得到三维图像中的预测的血管图像和预测的血管走向，在预测的血管走向与空间直角坐标系中的z轴所夹的锐角的大小小于预设的角度阈值的情况下，对三维图像在x轴(横轴)，y轴(纵轴)和z轴(竖轴)进行插值，确定插值后的三维图像，其中，插值后的三维图像中的体素点之间的体素间距相等。
其中，血管可以包括：动脉血管、静脉血管和毛细血管，血管还可以包括其他血管，本申请实施例不作限定。三维图像可以包括：冠状动脉计算机断层扫描血管造影影像、增强CT影像或其他医学影像，本申请实施例不限定具体的三维图像。预测血管可以包括：预测的血管图像和预测的血管走向。空间直角坐标系具有x轴(横轴)，y轴(纵轴)，z轴(竖轴)。预测血管的角度可以包括：预测的血管走向与空间直角坐标系中的z轴所夹的锐角的大小，本申请实施例不限定具体的预测血管的角度。预设的角度阈值可以包括：预设的45度角，预测血管的角度满足预设的角度阈值可以包括：预测的血管走向与空间直角坐标系中的z轴所夹的锐角的大小小于预设的角度阈值。
将三维图像中的冠状动脉的图像输入到预测模型中，对三维图像中的冠状动脉的图像进行分割处理，得到预测的冠状动脉图像，再对预测的冠状动脉图像进行图像腐蚀，使得预测的冠状动脉图像的直径只有一个体素，得到冠状动脉中线。预测模型是基于动脉图像样本训练得到的先验模型，预测模型可以包括：Unet图像分割模型和Deeplab图像分割模型，预测模型还可以包括其他卷积神经网络预测模型，本申请实施例不作限定。
对冠状动脉中线中的所有体素点进行随机采样，确定冠状动脉中线中的第一体素点，并将第一体素点存储至候选集合。再确定第二体素点与候选集合的体素距离。确定体素距离的最大值对应的第二体素点为冠状动脉中线点，并将冠状动脉中线点存储至候选集合。在候选集合中的冠状动脉中线点的数量满足预设的数量阈值的情况下，确定候选集合为冠状动脉中线点集合。
其中，第一体素点可以包括：冠状动脉中线的所有体素点中的任意一个体素点，本申请实施例不限定具体的体素点。第二体素点可以包括：冠状动脉中线的所有体素点中除候选集合外的体素点，本申请实施例不限定具体的体素点。第二体素点与候选集合的体素距离可以包括：第二体素点与候选集合中所有体素点的平均距离，本申请实施例不限定具体的体素距离。预设的数量阈值可以包括：在冠状动脉中线点集合可以在半径为N个体素点的范围之内，覆盖所有的冠状动脉中线点的情况下，对应的候选集合中的冠状动脉中线点的数量。其中N为正整数，并可以预先设定，本申请实施例不限定N的具体数量。冠状动脉中线点的数量满足预设的数量阈值可以包括：冠状动脉中线点的数量大于或等于预设的数量阈值。冠状动脉中线区域可以包括：对三维图像中的血管进行图像裁剪后得到的3D patch。冠状动脉中线区域也可以包括：对插值后的三维图像中的血管进行图像裁剪后得到的3Dpatch。外接长方体可以包括：冠状动脉图像的最小外接长方体。第一候选区域可以包括：对预测的冠状动脉图像的最小外接长方体进行缩放后的3D patch。
以冠状动脉中线点集合中的冠状动脉中线点为中心，对插值后的三维图像进行图像裁剪，得到尺寸为32体素*32体素*32体素的冠状动脉中线区域。确定尺寸为32体素*32体素*32体素的冠状动脉中线区域中的预测的冠状动脉图像的尺寸为15体素*7体素*32体素的最小外接长方体。对预测的冠状动脉图像的尺寸为15体素*7体素*32体素的最小外接长方体进行缩放到尺寸为32体素*32体素*32体素的外接长方体，将尺寸为32体素*32体素*32体素的外接长方体为第一候选区域。
将第一候选区域输入到定位模型中，对第一候选区域中的体素点进行二分类预测，将钙化成份体素点位置预测为1，将非钙化成份体素点位置预测为0，保持第一候选区域中钙化成份体素点的体素值不变，将第一候选区域中非钙化成份体素点的体素值变为0，确定预测为1的钙化成份体素点中体素距离的最大值对应的两个钙化成份体素点，根据体素距离的最大值对应的两个钙化成份体素点连线的中心为球心，求钙化成份的外接球，将外接球的球心作为第一候选区域中钙化成份对应的斑块图像的中心位置得到具有斑块图像位置的第一候选区域。
其中，定位模型是基于钙化成份图像样本训练得到的先验模型，定位模型可以包括：3D Unet卷积神经网络模型，定位模型还可以包括其他卷积神经网络定位模型，用于判断体素点是否为钙化成份的二值分割网络，并确定钙化成份对应的位置信息，若体素点为钙化成份，则将钙化成份体素点位置预测为1；若体素点为非钙化成份，则将非钙化成份体素点位置预测为0。
以第一候选区域中钙化成份对应的斑块图像的中心位置为中心，将尺寸为32体素*32体素*32体素的第一候选区域进行图像裁剪，得到尺寸为16体素*16体素*16体素的第二候选区域。
对第二候选区域进行特征提取，得到第二候选区域中具有鲜明特性并能够反映第二候选区域本质特征的体素点。将第二候选区域中钙化成份对应的斑块图像输入到分类模型中，分类模型学习第二候选区域中斑块图像的体素点的完整分割，得到斑块分割特征，
其中，斑块分割特征可以包括：斑块图像中钙化成份体素点位置、斑块图像中非钙化成份体素点位置和非斑块图像体素点的位置。分类模型是基于斑块图像样本训练得到的先验模型，分类模型可以包括：3D Unet卷积神经网络模型，分类模型还可以包括其他卷积神经网络分类模型，用于学习第二候选区域中斑块图像的体素点的完整分割，得到斑块分割特征。第二候选区域对应的特征点可以包括：第二候选区域中具有鲜明特性并能够反映第二候选区域本质特征的体素点。斑块图像可以包括：第二候选区域中钙化成份对应的斑块图像。钙化成份特征点可以包括：斑块图像中反映钙化成份的体素点。非钙化成份特征点可以包括：斑块图像中反映非钙化成份的体素点。
将斑块图像中钙化成份体素点位置和斑块图像中非钙化成份体素点位置预测为1，将非斑块图像体素点的位置预测为0，再将斑块分割特征与第二候选区域对应的特征点相乘，保持第二候选区域对应的特征点中钙化成份体素点位置和非钙化成份体素点位置的体素值不变，将第二候选区域中非斑块图像体素点的体素值变为0，得到第二候选区域对应的斑块特征点，其中，斑块特征点可以包括：第二候选区域中的钙化成份特征点和第二候选区域中的非钙化成份特征点。
对第二候选区域中的钙化成份特征点和第二候选区域中的非钙化成份特征点，累加第二候选区域中的钙化成份特征点和第二候选区域中的非钙化成份特征点的体素值并对体素值求平均数，对钙化成份特征点和非钙化成份特征点进行特征聚合，确定血管包括的成份类别特征点。
将血管包括的成份类别特征点输入到卷积神经网络的全连接层，再通过卷积神经网络的softmax层，得到钙化斑块成份对应的钙化斑块类型概率和混合斑块成份对应的混合斑块类型概率，其中钙化斑块类型概率与混合斑块类型概率之和为1，本申请实施例不限定具体的概率数值。在钙化斑块类型概率大于混合斑块类型概率的情况下，确定血管包括的成份类别为钙化斑块类型；在钙化斑块类型概率小于或等于混合斑块类型概率的情况下，确定血管包括的成份类别为混合斑块类型。
可以理解，图8的图像处理方法的应用场景只是本申请实施例中的部分示例性的实施方式，本申请实施例中图像处理方法的应用场景包括但不限于图8所示的图像处理方法的应用场景。
图9示出了本申请实施例提供的图像处理方法的另一种应用场景图。
参考图9，本申请实施例提供的图像处理方法的另一种应用场景，应用于血管的三维图像中的混合斑块和钙化斑块的分类。其中，混合斑块箭头所指处为经过图像处理后，带有混合斑块的三维图像中的混合斑块位置，钙化斑块箭头所指处为经过图像处理后，带有钙化斑块的三维图像中的钙化斑块位置。带有混合斑块的三维图像箭头所指的图像为图像处理前的带有混合斑块的三维图像。带有钙化斑块的三维图像箭头所指的图像为图像处理前的带有钙化斑块的三维图像。
可以理解，图9的图像处理方法的应用场景只是本申请实施例中的部分示例性的实施方式，本申请实施例中图像处理方法的应用场景包括但不限于图9所示的图像处理方法的应用场景。
本申请实施例的方法，以所述冠状动脉中线点集合中的冠状动脉中线点为中心，对所述三维图像进行图像裁剪，得到冠状动脉中线区域；确定所述冠状动脉中线区域的外接长方体；对所述冠状动脉中线区域的外接长方体进行缩放，得到所述第一候选区域。如此，能够将卷积神经网络的注意力机制应用于血管的三维图像中的小尺寸的斑块图像周围，进而提高了图像处理的精度。本申请实施例的方法，对所述三维图像中的血管图像进行分割处理，得到冠状动脉中线；对所述冠状动脉中线上的体素点进行采样，得到冠状动脉中线点集合；基于所述冠状动脉中线点集合确定所述第一候选区域。如此，能够引导卷积神经网络确定斑块图像的组成成份和斑块图像沿着血管走向的几何特征，使得图像处理使用的几何特征更加精确，进而提高了图像处理的精度。本申请实施例的方法，基于所述冠状动脉中线中的所有体素点，确定所述冠状动脉中线中的第一体素点，并将所述第一体素点存储至候选集合；基于所述候选集合，确定所述冠状动脉中线中除所述候选集合外的第二体素点与所述候选集合的体素距离；确定所述体素距离的最大值对应的所述第二体素点为冠状动脉中线点，并将所述冠状动脉中线点存储至所述候选集合；响应于所述候选集合中的所述冠状动脉中线点的数量满足预设的数量阈值，确定所述候选集合为所述冠状动脉中线点集合。如此，能够使得图像处理过程中的候选区域完整包含图像处理所需要的斑块图像的信息，进而提高了图像处理的精度。本申请实施例的方法，使用卷积神经网络，对血管的三维图像进行分割、学习和预测。如此，能够对血管的三维图像中斑块图像的各种成份进行分类，无需医学经验的用户也能完成对血管的三维图像的图像处理，降低了人工成本。
因此，与相关技术中需要由医学经验丰富的使用者参与处理，本申请的图像处理方法无需医学经验的用户也能完成对血管的三维图像的图像处理，降低了人工成本。与相关技术中直接使用卷积神经网络直接处理血管的三维图像相比，本申请的图像处理方法能够对血管的三维图像建模，并将卷积神经网络的注意力机制应用到小尺寸的血管的三维图像上，进而提高了图像处理的精度。
下面继续说明本申请实施例提供的图像处理装置70的实施为软件模块的示例性结构，在一些实施例中，如图10所示，图像处理装置70中的软件模块可以包括：获取模块701，用于获取血管对应的三维图像；确定模块702，用于确定所述三维图像中的血管图像和所述血管图像对应的第一候选区域；定位模块703，用于确定所述第一候选区域中的钙化成份的位置信息和所述钙化成份对应的第二候选区域；分类模块704，用于确定所述第二候选区域中的钙化成份特征点和非钙化成份特征点；输出模块705，用于基于所述钙化成份特征点和所述非钙化成份特征点，确定所述血管包括的成份类别。
在一些实施例中，所述图像处理装置还可以包括：预测模块，在确定所述三维图像中的血管图像和所述血管图像对应的第一候选区域的过程之前，用于基于所述三维图像，确定所述三维图像中的预测血管；插值模块，在确定所述三维图像中的血管图像和所述血管图像对应的第一候选区域的过程之前，用于响应于所述预测血管的角度满足预设的角度阈值，对所述三维图像进行插值，确定插值后的三维图像；其中，所述插值后的三维图像中的体素点之间的体素间距相等。
在一些实施例中，确定模块702在确定所述三维图像中的血管图像和所述血管图像对应的第一候选区域的过程中，用于：对所述三维图像中的血管图像进行分割处理，得到冠状动脉中线；对所述冠状动脉中线上的体素点进行采样，得到冠状动脉中线点集合；基于所述冠状动脉中线点集合确定所述第一候选区域。
在一些实施例中，确定模块702在基于所述冠状动脉中线点集合确定所述第一候选区域的过程中，用于：以所述冠状动脉中线点集合中的冠状动脉中线点为中心，对所述三维图像进行图像裁剪，得到冠状动脉中线区域；确定所述冠状动脉中线区域的外接长方体；对所述冠状动脉中线区域的外接长方体进行缩放，得到所述第一候选区域。
在一些实施例中，确定模块702在对所述冠状动脉中线上的体素点进行采样，得到冠状动脉中线点集合的过程中，用于：基于所述冠状动脉中线中的所有体素点，确定所述冠状动脉中线中的第一体素点，并将所述第一体素点存储至候选集合；基于所述候选集合，确定所述冠状动脉中线中除所述候选集合外的第二体素点与所述候选集合的体素距离；确定所述体素距离的最大值对应的所述第二体素点为冠状动脉中线点，并将所述冠状动脉中线点存储至所述候选集合；响应于所述候选集合中的所述冠状动脉中线点的数量满足预设的数量阈值，确定所述候选集合为所述冠状动脉中线点集合。
在一些实施例中，定位模块703在确定所述第一候选区域中的钙化成份的位置信息和所述钙化成份对应的第二候选区域的过程中，用于：基于所述第一候选区域对所述第一候选区域中的体素点进行二分类预测，确定所述第一候选区域中的所述钙化成份的位置信息；基于所述位置信息，确定所述钙化成份中所述体素距离的最大值对应的两个钙化成份体素点；确定所述两个钙化成份体素点连线的中心对应的中心位置；以所述中心位置为中心对所述第一候选区域进行所述图像裁剪，确定所述图像裁剪后的第一候选区域为所述第二候选区域。
在一些实施例中，分类模块704在确定所述第二候选区域中的钙化成份特征点和非钙化成份特征点的过程中，用于：基于所述第二候选区域，确定所述第二候选区域对应的特征点；对所述第二候选区域对应的特征点进行筛选，确定所述第二候选区域对应的特征点中的所述钙化成份特征点和所述非钙化成份特征点。
在一些实施例中，分类模块704在对所述第二候选区域对应的特征点进行筛选，确定所述第二候选区域对应的特征点中的所述钙化成份特征点和所述非钙化成份特征点的过程中，用于：对所述第二候选区域中的斑块图像进行分割处理，得到斑块分割特征；将所述斑块分割特征与所述第二候选区域对应的特征点相乘，确定所述第二候选区域对应的斑块特征点，其中，所述斑块特征点包括所述钙化成份特征点和所述非钙化成份特征点。
在一些实施例中，输出模块705在基于所述钙化成份特征点和所述非钙化成份特征点，确定所述血管包括的成份类别的过程中，用于：对所述钙化成份特征点和所述非钙化成份特征点进行全局平均池化，确定血管包括的成份类别特征点；基于所述成份类别特征点，确定所述三维图像的第一成份对应的第一类别概率和所述三维图像的第二成份对应的第二类别概率；响应于所述第一类别概率大于所述第二类别概率，确定所述血管包括的成份类别为所述第一类别；响应于所述第一类别概率小于或等于所述第二类别概率，确定所述血管包括的成份类别为所述第二类别。
需要说明的是，本申请实施例装置的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果，因此不做赘述。对于本申请实施例提供的图像处理装置中未尽的技术细节，可以根据图1至图10中任一附图的说明而理解。
根据本申请的实施例，本申请还提供了一种电子设备和一种非瞬时计算机可读存储介质。
图11示出了可以用来实施本申请的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图11所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如图像处理方法。例如，在一些实施例中，图像处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的图像处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
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 (20)

1.一种图像处理方法，其特征在于，所述方法包括：
获取血管对应的三维图像；
确定所述三维图像中的血管图像和所述血管图像对应的第一候选区域；
确定所述第一候选区域中的钙化成份的位置信息；
基于所述位置信息，确定所述钙化成份中体素距离的最大值对应的两个钙化成份体素点；
确定所述两个钙化成份体素点连线的中心对应的中心位置；
以所述中心位置为中心对所述第一候选区域进行图像裁剪，确定所述图像裁剪后的第一候选区域为第二候选区域；
确定所述第二候选区域中的钙化成份特征点和非钙化成份特征点；
基于所述钙化成份特征点和所述非钙化成份特征点，确定所述血管包括的成份类别。
2.根据权利要求1所述的方法，其特征在于，所述确定所述三维图像中的血管图像和所述血管图像对应的第一候选区域之前，所述图像处理方法还包括：
基于所述三维图像，确定所述三维图像中的预测血管；
响应于所述预测血管的角度满足预设的角度阈值，对所述三维图像进行插值，确定插值后的三维图像；其中，所述插值后的三维图像中的体素点之间的体素间距相等。
3.根据权利要求1所述的方法，其特征在于，所述确定所述三维图像中的血管图像和所述血管图像对应的第一候选区域，包括：
对所述三维图像中的血管图像进行分割处理，得到冠状动脉中线；
对所述冠状动脉中线上的体素点进行采样，得到冠状动脉中线点集合；
基于所述冠状动脉中线点集合确定所述第一候选区域。
4.根据权利要求3所述的方法，其特征在于，所述基于所述冠状动脉中线点集合确定所述第一候选区域，包括：
以所述冠状动脉中线点集合中的冠状动脉中线点为中心，对所述三维图像进行所述图像裁剪，得到冠状动脉中线区域；
确定所述冠状动脉中线区域的外接长方体；
对所述冠状动脉中线区域的外接长方体进行缩放，得到所述第一候选区域。
5.根据权利要求3所述的方法，其特征在于，所述对所述冠状动脉中线上的体素点进行采样，得到冠状动脉中线点集合，包括：
基于所述冠状动脉中线中的所有体素点，确定所述冠状动脉中线中的第一体素点，并将所述第一体素点存储至候选集合；
基于所述候选集合，确定所述冠状动脉中线中除所述候选集合外的第二体素点与所述候选集合的体素距离；
确定所述体素距离的最大值对应的所述第二体素点为冠状动脉中线点，并将所述冠状动脉中线点存储至所述候选集合；
响应于所述候选集合中的所述冠状动脉中线点的数量满足预设的数量阈值，确定所述候选集合为所述冠状动脉中线点集合。
6.根据权利要求3所述的方法，其特征在于，所述确定所述第一候选区域中的钙化成份的位置信息，包括：
基于所述第一候选区域对所述第一候选区域中的体素点进行二分类预测，确定所述第一候选区域中的所述钙化成份的位置信息。
7.根据权利要求1所述的方法，其特征在于，所述确定所述第二候选区域中的钙化成份特征点和非钙化成份特征点，包括：
基于所述第二候选区域，确定所述第二候选区域对应的特征点；
对所述第二候选区域对应的特征点进行筛选，确定所述第二候选区域对应的特征点中的所述钙化成份特征点和所述非钙化成份特征点。
8.根据权利要求7所述的方法，其特征在于，所述对所述第二候选区域对应的特征点进行筛选，确定所述第二候选区域对应的特征点中的所述钙化成份特征点和所述非钙化成份特征点，包括：
对所述第二候选区域中的斑块图像进行分割处理，得到斑块分割特征；
将所述斑块分割特征与所述第二候选区域对应的特征点相乘，确定所述第二候选区域对应的斑块特征点，其中，所述斑块特征点包括所述钙化成份特征点和所述非钙化成份特征点。
9.根据权利要求8所述的方法，其特征在于，所述基于所述钙化成份特征点和所述非钙化成份特征点，确定所述血管包括的成份类别，包括：
对所述钙化成份特征点和所述非钙化成份特征点进行全局平均池化，确定血管包括的成份类别特征点；
基于所述成份类别特征点，确定所述三维图像的第一成份对应的第一类别概率和所述三维图像的第二成份对应的第二类别概率；
响应于所述第一类别概率大于所述第二类别概率，确定所述血管包括的成份类别为所述第一类别；
响应于所述第一类别概率小于或等于所述第二类别概率，确定所述血管包括的成份类别为所述第二类别。
10.一种图像处理装置，其特征在于，所述图像处理装置包括：
获取模块，用于获取血管对应的三维图像；
确定模块，用于确定所述三维图像中的血管图像和所述血管图像对应的第一候选区域；
定位模块，用于确定所述第一候选区域中的钙化成份的位置信息；基于所述位置信息，确定所述钙化成份中体素距离的最大值对应的两个钙化成份体素点；确定所述两个钙化成份体素点连线的中心对应的中心位置；以所述中心位置为中心对所述第一候选区域进行图像裁剪，确定所述图像裁剪后的第一候选区域为第二候选区域；
分类模块，用于确定所述第二候选区域中的钙化成份特征点和非钙化成份特征点；
输出模块，用于基于所述钙化成份特征点和所述非钙化成份特征点，确定所述血管包括的成份类别。
11.根据权利要求10所述的装置，其特征在于，所述图像处理装置还包括：
预测模块，用于基于所述三维图像，确定所述三维图像中的预测血管；
插值模块，用于响应于所述预测血管的角度满足预设的角度阈值，对所述三维图像进行插值，确定插值后的三维图像；其中，所述插值后的三维图像中的体素点之间的体素间距相等。
12.根据权利要求10所述的装置，其特征在于，所述确定模块用于：
对所述三维图像中的血管图像进行分割处理，得到冠状动脉中线；
对所述冠状动脉中线上的体素点进行采样，得到冠状动脉中线点集合；
基于所述冠状动脉中线点集合确定所述第一候选区域。
13.根据权利要求12所述的装置，其特征在于，所述确定模块用于：
以所述冠状动脉中线点集合中的冠状动脉中线点为中心，对所述三维图像进行所述图像裁剪，得到冠状动脉中线区域；
确定所述冠状动脉中线区域的外接长方体；
对所述冠状动脉中线区域的外接长方体进行缩放，得到所述第一候选区域。
14.根据权利要求12所述的装置，其特征在于，所述确定模块用于：
基于所述冠状动脉中线中的所有体素点，确定所述冠状动脉中线中的第一体素点，并将所述第一体素点存储至候选集合；
基于所述候选集合，确定所述冠状动脉中线中除所述候选集合外的第二体素点与所述候选集合的体素距离；
确定所述体素距离的最大值对应的所述第二体素点为冠状动脉中线点，并将所述冠状动脉中线点存储至所述候选集合；
响应于所述候选集合中的所述冠状动脉中线点的数量满足预设的数量阈值，确定所述候选集合为所述冠状动脉中线点集合。
15.根据权利要求12所述的装置，其特征在于，所述定位模块用于：
基于所述第一候选区域对所述第一候选区域中的体素点进行二分类预测，确定所述第一候选区域中的所述钙化成份的位置信息。
16.根据权利要求10所述的装置，其特征在于，所述分类模块用于：
基于所述第二候选区域，确定所述第二候选区域对应的特征点；
对所述第二候选区域对应的特征点进行筛选，确定所述第二候选区域对应的特征点中的所述钙化成份特征点和所述非钙化成份特征点。
17.根据权利要求16所述的装置，其特征在于，所述分类模块用于：
对所述第二候选区域中的斑块图像进行分割处理，得到斑块分割特征；
将所述斑块分割特征与所述第二候选区域对应的特征点相乘，确定所述第二候选区域对应的斑块特征点，其中，所述斑块特征点包括所述钙化成份特征点和所述非钙化成份特征点。
18.根据权利要求17所述的装置，其特征在于，所述输出模块用于：
对所述钙化成份特征点和所述非钙化成份特征点进行全局平均池化，确定血管包括的成份类别特征点；
基于所述成份类别特征点，确定所述三维图像的第一成份对应的第一类别概率和所述三维图像的第二成份对应的第二类别概率；
响应于所述第一类别概率大于所述第二类别概率，确定所述血管包括的成份类别为所述第一类别；
响应于所述第一类别概率小于或等于所述第二类别概率，确定所述血管包括的成份类别为所述第二类别。
19.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
CN202210541331.0A 2022-05-17 2022-05-17 一种图像处理方法、装置、电子设备及存储介质 Active CN115049590B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210541331.0A CN115049590B (zh) 2022-05-17 2022-05-17 一种图像处理方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210541331.0A CN115049590B (zh) 2022-05-17 2022-05-17 一种图像处理方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115049590A CN115049590A (zh) 2022-09-13
CN115049590B true CN115049590B (zh) 2023-03-10

Family

ID=83160138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210541331.0A Active CN115049590B (zh) 2022-05-17 2022-05-17 一种图像处理方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115049590B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115482372A (zh) * 2022-09-28 2022-12-16 北京医准智能科技有限公司 一种血管中心线提取方法、装置及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563983A (zh) * 2017-09-28 2018-01-09 上海联影医疗科技有限公司 图像处理方法以及医学成像设备
CN111815599A (zh) * 2020-07-01 2020-10-23 上海联影智能医疗科技有限公司 一种图像处理方法、装置、设备及存储介质
US20210319553A1 (en) * 2020-04-08 2021-10-14 Neusoft Medical Systems Co., Ltd. Detecting vascular calcification

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563983A (zh) * 2017-09-28 2018-01-09 上海联影医疗科技有限公司 图像处理方法以及医学成像设备
US20210319553A1 (en) * 2020-04-08 2021-10-14 Neusoft Medical Systems Co., Ltd. Detecting vascular calcification
CN111815599A (zh) * 2020-07-01 2020-10-23 上海联影智能医疗科技有限公司 一种图像处理方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN115049590A (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
EP3910543A2 (en) Method for training object detection model, object detection method and related apparatus
CN115131566A (zh) 基于超像素和改进模糊c均值聚类的自动图像分割方法
CN114387319B (zh) 点云配准方法、装置、设备以及存储介质
CN113705628B (zh) 预训练模型的确定方法、装置、电子设备以及存储介质
CN112652036A (zh) 道路数据的处理方法、装置、设备及存储介质
CN115049590B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN114648676A (zh) 点云处理模型的训练和点云实例分割方法及装置
CN113971728B (zh) 图像识别方法、模型的训练方法、装置、设备及介质
CN114708374A (zh) 虚拟形象生成方法、装置、电子设备和存储介质
CN114063858A (zh) 图像处理方法、装置、电子设备及存储介质
CN115409856B (zh) 一种肺部医学图像处理方法、装置、设备及存储介质
CN114972361B (zh) 一种血流分割方法、装置、设备及存储介质
CN113761379B (zh) 商品推荐方法及装置、电子设备和介质
CN115482261A (zh) 血管配准方法、装置、电子设备及存储介质
CN114596196A (zh) 点云数据的滤波方法和装置、设备以及存储介质
CN115049551A (zh) 一种点云地面点的滤除方法、装置、设备及存储介质
CN113032071A (zh) 页面元素定位方法、页面测试方法、装置、设备和介质
CN117739993B (zh) 一种机器人定位方法、装置、机器人及存储介质
CN117589188B (zh) 行车路径规划方法、装置、电子设备和存储介质
CN114972242B (zh) 心肌桥检测模型的训练方法、装置及电子设备
CN114694138B (zh) 一种应用于智能驾驶的路面检测方法、装置及设备
CN117953024A (zh) 图像处理方法及装置、电子设备及计算机可读存储介质
CN118115606A (zh) 一种点云采样方法、装置和设备
CN114495228A (zh) 人脸检测器的训练方法及装置、设备、介质和产品
CN117115872A (zh) 一种血管识别方法、装置、电子设备及存储介质

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

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.

CP03 Change of name, title or address