CN115115657A - 病灶分割方法及装置、电子设备及存储介质 - Google Patents

病灶分割方法及装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115115657A
CN115115657A CN202210770789.3A CN202210770789A CN115115657A CN 115115657 A CN115115657 A CN 115115657A CN 202210770789 A CN202210770789 A CN 202210770789A CN 115115657 A CN115115657 A CN 115115657A
Authority
CN
China
Prior art keywords
blood vessel
segmentation result
medical image
lesion
segmentation
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.)
Pending
Application number
CN202210770789.3A
Other languages
English (en)
Inventor
卫渊
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare 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 Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN202210770789.3A priority Critical patent/CN115115657A/zh
Publication of CN115115657A publication Critical patent/CN115115657A/zh
Priority to US18/217,394 priority patent/US20240005510A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/10—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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • 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

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

Abstract

本发明公开了一种病灶分割方法及装置、电子设备及存储介质。其中，病灶分割方法包括：获取待处理医学图像；对待处理医学图像进行血管分割处理，得到第一血管分割结果；根据第一血管分割结果提取血管的中心线；沿中心线的垂直截面在待处理医学图像中进行多次截取，得到目标医学图像，以及沿中心线的垂直截面在第一血管分割结果中进行多次截取，得到目标血管分割结果；将目标医学图像和目标血管分割结果输入病灶分割模型中进行病灶分割，得到病灶分割结果，可以实现对与血管特征相似的病灶进行准确分割，不仅可以减少病灶分割结果中假阳性样本的比例，还可以很大比例缓解病灶过分割的现象出现，有助于提升病灶与血管接触面的分割细节。

Description

病灶分割方法及装置、电子设备及存储介质
技术领域
本发明涉及图像处理技术领域，特别涉及一种病灶分割方法及装置、电子设备及存储介质。
背景技术
颅内动脉瘤是由血管内皮损伤而导致的颅内血管局部膨出，在成年人群中患病率约为5-8％。由颅内动脉瘤破裂导致的患蛛网膜下腔出血(SAH)是出血性脑卒中的重要病因之一，具有极高的致残致死率。颅内动脉瘤的破裂与其形态学参数(例如瘤颈、瘤最大径等)极其相关。目前临床上，颅内动脉瘤的诊断主要通过CTA(CT Angiography，CT血管造影)、MRA(磁共振血管造影)、DSA(Digital Subtraction Angiography，数字减影血管造影)、DR(Digital Radiography，数字X线摄影)等影像方式，然后基于医生的先验知识，人为地对动脉瘤病灶区域进行勾勒或涂抹获得动脉瘤病灶掩膜(mask)，从而测量动脉瘤的形态学参数，这种方式不仅费时费力且分割不够精准，易导致动脉瘤形态参数测量出错。随着人民生活水平的提高与影像技术的发展，临床上积攒了大量待检测与诊断影像数据，亟需一种临床辅助诊断的方法，提升医生分割颅内动脉瘤病灶的准确性与效率。
现阶段基于深度学习方法的目标检测及图像分割方法已广泛应用于医学图像病灶的检测与分割任务，例如肺部结节的检测与心脏腔室的分割。但由于颅内动脉瘤的尺寸小，目标前景与背景比例极不平衡，给基于深度学习方法的病灶分割任务带来了挑战。另外，颅内动脉瘤形态多变，且与周围载瘤血管的特征相似，导致病灶区域分割的准确性大大降低。
发明内容
本发明要解决的技术问题是为了克服现有技术中血管内与血管特征相似的病灶存在的分割准确度较低的缺陷，提供一种病灶分割方法及装置、电子设备及存储介质。
本发明是通过下述技术方案来解决上述技术问题：
本发明的第一方面提供一种病灶分割方法，包括以下步骤：
获取待处理医学图像；
对所述待处理医学图像进行血管分割处理，得到第一血管分割结果；
根据所述第一血管分割结果提取血管的中心线；
沿所述中心线的垂直截面在所述待处理医学图像中进行多次截取，以得到由多个截取结果合成的目标医学图像，以及沿所述中心线的垂直截面在所述第一血管分割结果中进行多次截取，以得到由多个截取结果合成的目标血管分割结果；
将所述目标医学图像和所述目标血管分割结果输入病灶分割模型中进行病灶分割，得到病灶分割结果。
可选地，所述根据所述第一血管分割结果提取血管的中心线的步骤具体包括：
响应于在所述第一血管分割结果中选取的至少两个点，根据所述至少两个点的位置提取血管的中心线。
可选地，所述沿所述中心线的垂直截面在所述待处理医学图像中进行多次截取的步骤具体包括：以第一步长沿所述中心线的垂直截面在所述待处理医学图像中进行多次截取。
可选地，所述沿所述中心线的垂直截面在所述第一血管分割结果中进行多次截取的步骤具体包括：以第二步长沿所述中心线的垂直截面在所述第一血管分割结果中进行多次截取。
可选地，所述将所述目标医学图像和所述目标血管分割结果输入病灶分割模型中的步骤具体包括：
响应于在所述第一血管分割结果中选取的目标点，以所述目标点为中心分别从所述目标医学图像和所述目标血管分割结果中截取预设尺寸的图像块；
将截取的两个图像块输入病灶分割模型中。
可选地，所述将所述目标医学图像和所述目标血管分割结果输入病灶分割模型中进行病灶分割，得到病灶分割结果的步骤之后，还包括：
将所述病灶分割结果与所述第一血管分割结果进行合并，得到最终的病灶分割结果。
可选地，所述病灶分割模型根据样本数据训练得到，所述样本数据包括样本医学图像、与所述样本医学图像对应的样本血管分割结果以及在所述样本血管分割结果中对病灶进行标注的结果。
可选地，根据以下步骤获取所述样本医学图像和所述样本血管分割结果：
对获取的第一医学图像进行血管分割处理，得到第二血管分割结果；
根据所述第二血管分割结果提取血管的中心线；
沿所述中心线的垂直截面在所述第一医学图像中进行多次截取，得到由多个截取结果合成的所述样本医学图像，以及沿所述中心线的垂直截面在所述第二血管分割结果中进行多次截取，得到由多个截取结果合成的所述样本血管分割结果。
本发明的第二方面提供一种病灶分割装置，包括：
图像获取模块，用于获取待处理医学图像；
血管分割模块，用于对所述待处理医学图像进行血管分割处理，得到第一血管分割结果；
中心线提取模块，用于根据所述第一血管分割结果提取血管的中心线；
图像截取模块，用于沿所述中心线的垂直截面在所述待处理医学图像中进行多次截取，以得到由多个截取结果合成的目标医学图像，以及沿所述中心线的垂直截面在所述第一血管分割结果中进行多次截取，以得到由多个截取结果合成的目标血管分割结果；
病灶分割模块，用于将所述目标医学图像和所述目标血管分割结果输入病灶分割模型中进行病灶分割，得到病灶分割结果；
结果合并模块，用于将所述病灶分割结果与所述第一血管分割结果进行合并，得到最终的病灶分割结果。
可选地，所述中心线提取模块具体用于响应于在所述第一血管分割结果中选取的至少两个点，根据所述至少两个点的位置提取血管的中心线。
可选地，所述图像截取模块具体用于以第一步长沿所述中心线的垂直截面在所述待处理医学图像中进行多次截取。
可选地，所述图像截取模块具体用于以第二步长沿所述中心线的垂直截面在所述第一血管分割结果中进行多次截取。
可选地，所述病灶分割模块具体用于响应于在所述第一血管分割结果中选取的目标点，以所述目标点为中心分别从所述目标医学图像和所述目标血管分割结果中截取预设尺寸的图像块，并将截取的两个图像块输入病灶分割模型中。
可选地，所述病灶分割模型根据样本数据训练得到，所述样本数据包括样本医学图像、与所述样本医学图像对应的样本血管分割结果以及在所述样本血管分割结果中对病灶进行标注的结果。
可选地，所述病灶分割装置还包括样本获取模块，所述样本获取模块包括：
血管分割单元，用于对获取的第一医学图像进行血管分割处理，得到第二血管分割结果；
中心线提取单元，用于根据所述第二血管分割结果提取血管的中心线；
图像截取单元，用于沿所述中心线的垂直截面在所述第一医学图像中进行多次截取，得到由多个截取结果合成的所述样本医学图像，以及沿所述中心线的垂直截面在所述第二血管分割结果中进行多次截取，得到由多个截取结果合成的所述样本血管分割结果。
本发明的第三方面提供一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述病灶分割方法。
本发明的第四方面提供一种计算机可读存储介质，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如第一方面所述的病灶分割方法。
在符合本领域常识的基础上，上述各可选条件，可任意组合，即得本发明各较佳实施例。
本发明的积极进步效果在于：在待处理医学图像的第一血管分割结果的基础上，得到对待处理医学图像进行血管中心线拉直后的目标医学图像以及对所述第一血管分割结果进行血管中心线拉直后的目标血管分割结果，将目标医学图像和目标血管分割结果共同输入病灶分割模型进行病灶分割，可以实现对与血管特征相似的病灶进行准确分割，不仅可以减少病灶分割结果中假阳性样本的比例，还可以很大比例缓解病灶过分割的现象出现，有助于提升病灶与血管接触面的分割细节。
附图说明
图1为本发明实施例1提供的一种病灶分割方法的流程图；
图2为本发明实施例1提供的一种第一血管分割结果的示意图；
图3为本发明实施例1提供的一种病灶位置和目标点在第一血管分割结果中的示意图；
图4为本发明实施例1提供的一种提取的血管的中心线的示意图；
图5为本发明实施例1提供的一种沿中心线的多个垂直截面的示意图；
图6为本发明实施例1提供的一种目标血管分割结果的示意图；
图7为本发明实施例1提供的一种病灶分割结果的示意图；
图8为本发明实施例1提供的一种获取样本医学图像和样本血管分割结果的方法流程图；
图9为本发明实施例1提供的另一种病灶分割方法的流程图；
图10为本发明实施例1提供的一种病灶分割装置的结构框图；
图11为本发明实施例2提供的一种电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
图1为本实施例提供的一种病灶分割方法的流程示意图，该病灶分割方法可以由病灶分割装置执行，该病灶分割装置可以通过软件和/或硬件的方式实现，该病灶分割装置可以为电子设备的部分或全部。其中，本实施例中的电子设备可以为个人计算机(PersonalComputer，PC)，例如台式机、一体机、笔记本电脑、平板电脑等，还可以为手机、可穿戴设备、掌上电脑(Personal Digital Assistant，PDA)等终端设备。下面以电子设备为执行主体介绍本实施例提供的病灶分割方法。
如图1所示，本实施例提供的病灶分割方法可以包括以下步骤S1～S5：
步骤S1、获取待处理医学图像。
其中，所述待处理医学图像通常为三维图像，具体可以为CTA(CT血管造影)、MRA(磁共振血管造影)、3D-DSA(三维数字减影血管造影)、3D-DR(三维数字X线摄影)等图像，可以通过对目标对象进行扫描得到，也可以从服务器或者网络进行下载。所述目标对象可以为患者的某个部位，例如头部、腹部、胸部等。
步骤S2、对所述待处理医学图像进行血管分割处理，得到第一血管分割结果。
在具体实施中，针对不同的待处理医学图像可以采用不同的方法进行血管分割处理。例如针对3D-DSA的待处理医学图像，可以采用阈值分割和基于Hessian滤波器的血管增强算法获取第一血管分割结果。在一些场景中，所述第一血管分割结果也可以称为第一血管掩模(mask)，具体地，第一血管掩膜中属于血管区域的体素值为1，不属于血管区域的体素值为0。
图2用于示出一种第一血管分割结果的示意图。如图2所示，图中白色的实线部分为血管。
步骤S3、根据所述第一血管分割结果提取血管的中心线。
在步骤S3的具体实施中，可以基于神经网络等模型提取血管的中心线。
为了提高病灶的整体分割效果，可以结合用户在所述第一血管分割结果中根据病灶位置选取的点进行血管中心线的提取。在步骤S3可选的一种实施方式中，响应于在所述第一血管分割结果中选取的至少两个点，根据所述至少两个点的位置提取血管的中心线。其中，选取的点的数量越多，提取的血管的中心线越准确。
在具体实施中，可以根据用户例如医生认为的病灶位置选取至少两个点，选取的至少两个点需要覆盖病灶的近端和远端。其中，病灶的近端也可以称为近心端，是指病灶所在血管段离心脏较近的一端；病灶的远端也可以称为远心端，是指病灶所在血管段离心脏较远的一端。也即，根据用户认为的病灶位置，通过对病灶所在分支血管的第一血管分割结果进行细化，以得到病灶所在分支血管的中心线。
在如图3所示的例子中，用户可以根据认为的病灶位置在第一血管分割结果中选取目标点，并在覆盖病灶的近端和远端的位置各选取一个点。根据用户选取的两个点提取血管的中心线，提取的中心线如图4中虚线的曲线段所示。
步骤S4、沿所述中心线的垂直截面在所述待处理医学图像中进行多次截取，以得到由多个截取结果合成的目标医学图像，以及沿所述中心线的垂直截面在所述第一血管分割结果中进行多次截取，以得到由多个截取结果合成的目标血管分割结果。
在具体实施中，沿所述中心线的垂直截面在所述待处理医学图像中进行一次截取可以得到一个截取结果，一个截取结果实质上是一个二维图像，在所述待处理医学图像中进行多次截取可以得到多个二维图像，对多个二维图像进行合成可以得到三维的目标医学图像。在一些场景中，所述目标医学图像也可以称为血管中心线拉直后的待处理医学图像。
在具体实施中，沿所述中心线的垂直截面在所述第一血管分割结果中进行一次截取可以得到一个截取结果，一个截取结果实质上是一个二维图像，在所述第一血管分割结果中进行多次截取可以得到多个二维图像，对多个二维图像进行合成可以得到三维的目标血管分割结果。在一些场景中，所述目标血管分割结果也可以称为血管中心线拉直后的第一血管分割结果，还可以称为目标血管掩膜(mask)。
图5用于示出一种沿中心线的多个垂直截面的示意图。图6用于示出一种目标血管分割结果的示意图。在一个具体的例子中，沿图5所示的中心线的多个垂直截面在所述待处理医学图像中进行多次截取，以得到所述目标医学图像，以及在所述第一血管分割结果中进行多次截取，以得到如图6所示的目标血管分割结果。
在步骤S4的具体实施中，可以以第一步长沿所述中心线的垂直截面在所述待处理医学图像中进行多次截取。其中，所述第一步长可以根据实际情况进行设置，例如可以将第一步长设置为0.25mm，即沿所述中心线的垂直截面每隔0.25mm的间距在所述待处理医学图像中进行一次截取。
在步骤S4的具体实施中，还可以以第二步长沿所述中心线的垂直截面在所述第一血管分割结果中进行多次截取。其中，所述第二步长可以根据实际情况进行设置，可以将所述第二步长设置为与所述第一步长相同，也可以设置为与所述第一步长不同。
步骤S5、将所述目标医学图像和所述目标血管分割结果输入病灶分割模型中进行病灶分割，得到病灶分割结果。
在可选的一种实施方式中，上述步骤S5包括以下步骤S51和S52：
步骤S51、响应于在所述第一血管分割结果中选取的目标点，以所述目标点为中心分别从所述目标医学图像和所述目标血管分割结果中截取预设尺寸的图像块。
步骤S52、将截取的两个图像块输入病灶分割模型中。
本实施方式中，可以根据用户例如医生认为的病灶位置选取目标点，在所述目标医学图像中以所述目标点为中心截取预设尺寸的第一图像块，以及在所述目标血管分割结果中以所述目标点为中心截取预设尺寸的第二图像块。最后将所述第一图像块和所述第二图像块输入病灶分割模型中进行病灶分割。在一个具体的例子中，所述病灶分割模型输出的病灶分割结果如图7所示。
其中，所述病灶分割模型根据样本数据训练得到，所述样本数据包括样本医学图像、与所述样本医学图像对应的样本血管分割结果以及在所述样本血管分割结果中对病灶进行标注的结果。在具体实施中，所述病灶分割模型可以为三维卷积神经网络模型、3D-Unet网络模型、VNet网络模型等。
如图8所示，可以根据以下步骤S01～S03获取所述样本医学图像和所述样本血管分割结果：
步骤S01、对获取的第一医学图像进行血管分割处理，得到第二血管分割结果。其中，所述第一医学图像通常为三维图像，具体可以为CTA、MRA、3D-DSA、3D-DR等图像，可以通过对不同的对象进行扫描得到，也可以从服务器或者网络进行下载。其中，不同的对象可以包括不同患者的相同部位，也可以包括相同患者的不同部位，还可以包括不同患者的不同部位。
步骤S02、根据所述第二血管分割结果提取血管的中心线。其中，步骤S02的具体实施方式与上述步骤S3类似，可以结合用户在所述第二血管分割结果中根据病灶位置选取的点进行血管中心线的提取。具体地，响应于在所述第二血管分割结果中选取的至少两个点，根据所述至少两个点的位置提取血管的中心线。其中，选取的至少两个点需要覆盖病灶的近端和远端。
步骤S03、沿所述中心线的垂直截面在所述第一医学图像中进行多次截取，得到由多个截取结果合成的所述样本医学图像，以及沿所述中心线的垂直截面在所述第二血管分割结果中进行多次截取，得到由多个截取结果合成的所述样本血管分割结果。
在具体实施中，沿所述中心线的垂直截面在所述第一医学图像中进行一次截取可以得到一个截取结果，一个截取结果实质上是一个二维图像，在所述第一医学图像中进行多次截取可以得到多个二维图像，对多个二维图像进行合成可以得到三维的样本医学图像。在一些场景中，所述样本医学图像也可以称为血管中心线拉直后的第一医学图像。
在具体实施中，沿所述中心线的垂直截面在所述第二血管分割结果中进行一次截取可以得到一个截取结果，一个截取结果实质上是一个二维图像，在所述第二血管分割结果中进行多次截取可以得到多个二维图像，对多个二维图像进行合成可以得到三维的样本血管分割结果。在一些场景中，所述样本血管分割结果也可以称为血管中心线拉直后的第二血管分割结果，还可以称为样本血管掩膜(mask)。
之后，利用所述样本医学图像、所述样本血管分割结果以及在所述样本血管分割结果中对病灶进行标注的结果训练所述病灶分割模型，具体地，将样本医学图像和样本血管分割结果输入病灶分割模型中进行病灶分割，得到预测的病灶分割结果，利用损失函数根据预测的病灶分割结果和对病灶进行标注的结果计算损失，根据所述损失判断是否满足收敛条件，例如若所述损失小于预设值，则说明满足收敛条件，若所述损失大于等于预设值，则说明不满足收敛条件。若不满足收敛条件，则根据所述损失调整病灶分割模型的参数，并返回步骤S01获取新的第一医学图像对所述病灶分割模型进行训练；若满足收敛条件，则说明病灶分割模型已训练完成，输出训练好的病灶分割模型即可。
不同的第一医学图像尺寸可能不同，以不同第一医学图像为基础得到的样本医学图像和样本血管分割结果的尺寸也可能不同，为了提高病灶分割模型的训练效率，可以在将所述样本医学图像和所述样本血管分割结果输入病灶分割模型之前对所述第一医学图像和所述第二血管分割结果的尺寸进行统一。以在所述第二血管分割结果中标注的病灶为中心，分别在所述第一医学图像和所述第二血管分割结果中截取预设尺寸的图像块。
若在病灶分割模型的训练过程中，将不同第一医学图像对应的样本医学图像和样本血管分割结果的尺寸统一为预设尺寸，则为了提高所述病灶分割模型预测病灶分割结果的准确性，在步骤S5的具体实施中，也需要将所述目标医学图像和所述目标血管分割结果的尺寸调整为同样的预设尺寸。其中，所述预设尺寸的具体值可以根据实际情况进行设置。例如可以将预设尺寸设置为64mm*64mm*64mm。
需要说明的是，还可以对上述样本医学图像和样本血管分割结果进行数据增广，例如进行随机旋转等处理，以扩充训练病灶分割模型的样本数据。因此，在不满足收敛条件的情况下，在调整模型参数之后无需返回步骤S01获取新的样本图像，直接利用数据增广后的样本数据对病灶分割模型进行训练即可，这样可以提高训练效率。
本实施例提供的病灶分割方法中，在待处理医学图像的第一血管分割结果的基础上，得到对待处理医学图像进行血管中心线拉直后的目标医学图像以及对所述第一血管分割结果进行血管中心线拉直后的目标血管分割结果，将目标医学图像和目标血管分割结果共同输入病灶分割模型进行处理，可以实现对与血管特征相似的病灶进行准确分割，不仅可以减少病灶分割结果中假阳性样本的比例，还可以很大比例缓解病灶过分割的现象出现，有助于提升病灶与血管接触面的分割细节。
其中，与血管特征相似的病灶有很多，可以为动脉瘤、静脉瘤、斑块等。在一个具体的例子中，上述病灶为颅内动脉瘤，利用本实施例提供的病灶分割方法可以准确地对颅内动脉瘤进行分割，还可以提升动脉瘤的瘤颈部位的分割细节。
在可选的一种实施方式中，如图9所示，在上述步骤S5之后还包括步骤S6、将所述病灶分割结果与所述第一血管分割结果进行合并，得到最终的病灶分割结果。在具体实施中，可以对所述病灶分割结果进行滤波等处理之后再将其还原至所述第一血管分割结果中。在一个具体的例子中，上述滤波处理可以为过滤所述病灶分割结果中体积较小的噪声。
本实施方式中，病灶分割模型输出的病灶分割结果是基于拉直后的待处理医学图像以及拉直后的第一血管分割结果得到的，为了方便医生对实际位置的病灶进行诊断，将所述病灶分割结果还原至原始的第一血管分割结果中，可以更好地辅助于医学诊断。
本实施例还提供一种病灶分割装置30，如图10所示，包括图像获取模块31、血管分割模块32、中心线提取模块33、图像截取模块34、病灶分割模块35以及结果合并模块36。
图像获取模块31用于获取待处理医学图像。血管分割模块32用于对所述待处理医学图像进行血管分割处理，得到第一血管分割结果。中心线提取模块33用于根据所述第一血管分割结果提取血管的中心线。图像截取模块34用于沿所述中心线的垂直截面在所述待处理医学图像中进行多次截取，以得到由多个截取结果合成的目标医学图像，以及沿所述中心线的垂直截面在所述第一血管分割结果中进行多次截取，以得到由多个截取结果合成的目标血管分割结果。病灶分割模块35用于将所述目标医学图像和所述目标血管分割结果输入病灶分割模型中进行病灶分割，得到病灶分割结果。结果合并模块36用于将所述病灶分割结果与所述第一血管分割结果进行合并，得到最终的病灶分割结果。
在可选的一种实施方式中，所述中心线提取模块具体用于响应于在所述第一血管分割结果中选取的至少两个点，根据所述至少两个点的位置提取血管的中心线。
在可选的一种实施方式中，所述图像截取模块具体用于以第一步长沿所述中心线的垂直截面在所述待处理医学图像中进行多次截取。
在可选的另一种实施方式中，所述图像截取模块具体用于以第二步长沿所述中心线的垂直截面在所述第一血管分割结果中进行多次截取。
在可选的一种实施方式中，所述病灶分割模块具体用于响应于在所述第一血管分割结果中选取的目标点，以所述目标点为中心分别从所述目标医学图像和所述目标血管分割结果中截取预设尺寸的图像块，并将截取的两个图像块输入病灶分割模型中。
在可选的一种实施方式中，所述病灶分割模型根据样本数据训练得到，所述样本数据包括样本医学图像、与所述样本医学图像对应的样本血管分割结果以及在所述样本血管分割结果中对病灶进行标注的结果。
在可选的一种实施方式中，所述病灶分割装置还包括样本获取模块，所述样本获取模块包括血管分割单元、中心线提取单元以及图像截取单元。血管分割单元用于对获取的第一医学图像进行血管分割处理，得到第二血管分割结果。中心线提取单元用于根据所述第二血管分割结果提取血管的中心线。图像截取单元用于沿所述中心线的垂直截面在所述第一医学图像中进行多次截取，得到由多个截取结果合成的所述样本医学图像，以及沿所述中心线的垂直截面在所述第二血管分割结果中进行多次截取，得到由多个截取结果合成的所述样本血管分割结果。
需要说明的是，本实施例中的病灶分割装置具体可以是单独的芯片、芯片模组或电子设备，也可以是集成于电子设备内的芯片或者芯片模组。
关于本实施例中描述的病灶分割装置包含的各个模块/单元，其可以是软件模块/单元，也可以是硬件模块/单元，或者也可以部分是软件模块/单元，部分是硬件模块/单元。
实施例2
图11为本实施例提供的一种电子设备的结构示意图。所述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运行的计算机程序，所述计算机程序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实施例1的病灶分割方法。本实施例提供的电子设备可以为个人计算机，例如台式机、一体机、笔记本电脑、平板电脑等，还可以为手机、可穿戴设备、掌上电脑等终端设备。图11显示的电子设备3仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
电子设备3的组件可以包括但不限于：上述至少一个处理器4、上述至少一个存储器5、连接不同系统组件(包括存储器5和处理器4)的总线6。
总线6包括数据总线、地址总线和控制总线。
存储器5可以包括易失性存储器，例如随机存取存储器(RAM)51和/或高速缓存存储器52，还可以进一步包括只读存储器(ROM)53。
存储器5还可以包括具有一组(至少一个)程序模块54的程序/实用工具55，这样的程序模块54包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器4通过运行存储在存储器5中的计算机程序，从而执行各种功能应用以及数据处理，例如上述实施例1的病灶分割方法。
电子设备3也可以与一个或多个外部设备7(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口8进行。并且，电子设备3还可以通过网络适配器9与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图11所示，网络适配器9通过总线6与电子设备3的其它模块通信。应当明白，尽管图11中未示出，可以结合电子设备3使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例3
本实施例提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现实施例1的病灶分割方法。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在电子设备上运行时，所述程序代码用于使所述电子设备执行实现实施例1的病灶分割方法。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在电子设备上执行、部分地在电子设备上执行、作为一个独立的软件包执行、部分在电子设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种病灶分割方法，其特征在于，包括以下步骤：
获取待处理医学图像；
对所述待处理医学图像进行血管分割处理，得到第一血管分割结果；
根据所述第一血管分割结果提取血管的中心线；
沿所述中心线的垂直截面在所述待处理医学图像中进行多次截取，得到由多个截取结果合成的目标医学图像，以及沿所述中心线的垂直截面在所述第一血管分割结果中进行多次截取，得到由多个截取结果合成的目标血管分割结果；
将所述目标医学图像和所述目标血管分割结果输入病灶分割模型中进行病灶分割，得到病灶分割结果。
2.如权利要求1所述的病灶分割方法，其特征在于，所述根据所述第一血管分割结果提取血管的中心线的步骤具体包括：
响应于在所述第一血管分割结果中选取的至少两个点，根据所述至少两个点的位置提取血管的中心线。
3.如权利要求1所述的病灶分割方法，其特征在于，所述沿所述中心线的垂直截面在所述待处理医学图像中进行多次截取的步骤具体包括：
以第一步长沿所述中心线的垂直截面在所述待处理医学图像中进行多次截取；和/或，
所述沿所述中心线的垂直截面在所述第一血管分割结果中进行多次截取的步骤具体包括：
以第二步长沿所述中心线的垂直截面在所述第一血管分割结果中进行多次截取。
4.如权利要求1所述的病灶分割方法，其特征在于，所述将所述目标医学图像和所述目标血管分割结果输入病灶分割模型中的步骤具体包括：
响应于在所述第一血管分割结果中选取的目标点，以所述目标点为中心分别从所述目标医学图像和所述目标血管分割结果中截取预设尺寸的图像块；
将截取的两个图像块输入病灶分割模型中。
5.如权利要求1-4中任一项所述的病灶分割方法，其特征在于，所述将所述目标医学图像和所述目标血管分割结果输入病灶分割模型中进行病灶分割，得到病灶分割结果的步骤之后，还包括：
将所述病灶分割结果与所述第一血管分割结果进行合并，得到最终的病灶分割结果。
6.如权利要求1所述的病灶分割方法，其特征在于，所述病灶分割模型根据样本数据训练得到，所述样本数据包括样本医学图像、与所述样本医学图像对应的样本血管分割结果以及在所述样本血管分割结果中对病灶进行标注的结果。
7.如权利要求6所述的病灶分割方法，其特征在于，根据以下步骤获取所述样本医学图像和所述样本血管分割结果：
对获取的第一医学图像进行血管分割处理，得到第二血管分割结果；
根据所述第二血管分割结果提取血管的中心线；
沿所述中心线的垂直截面在所述第一医学图像中进行多次截取，得到由多个截取结果合成的所述样本医学图像，以及沿所述中心线的垂直截面在所述第二血管分割结果中进行多次截取，得到由多个截取结果合成的所述样本血管分割结果。
8.一种病灶分割装置，其特征在于，包括：
图像获取模块，用于获取待处理医学图像；
血管分割模块，用于对所述待处理医学图像进行血管分割处理，得到第一血管分割结果；
中心线提取模块，用于根据所述第一血管分割结果提取血管的中心线；
图像截取模块，用于沿所述中心线的垂直截面在所述待处理医学图像中进行多次截取，以得到由多个截取结果合成的目标医学图像，以及沿所述中心线的垂直截面在所述第一血管分割结果中进行多次截取，以得到由多个截取结果合成的目标血管分割结果；
病灶分割模块，用于将所述目标医学图像和所述目标血管分割结果输入病灶分割模型中进行病灶分割，得到病灶分割结果；
结果合并模块，用于将所述病灶分割结果与所述第一血管分割结果进行合并，得到最终的病灶分割结果。
9.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的病灶分割方法。
10.一种计算机可读存储介质，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如权利要求1-7中任一项所述的病灶分割方法。
CN202210770789.3A 2022-06-30 2022-06-30 病灶分割方法及装置、电子设备及存储介质 Pending CN115115657A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210770789.3A CN115115657A (zh) 2022-06-30 2022-06-30 病灶分割方法及装置、电子设备及存储介质
US18/217,394 US20240005510A1 (en) 2022-06-30 2023-06-30 Method and apparatus of nidus segmentation, electronic device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210770789.3A CN115115657A (zh) 2022-06-30 2022-06-30 病灶分割方法及装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115115657A true CN115115657A (zh) 2022-09-27

Family

ID=83330269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210770789.3A Pending CN115115657A (zh) 2022-06-30 2022-06-30 病灶分割方法及装置、电子设备及存储介质

Country Status (2)

Country Link
US (1) US20240005510A1 (zh)
CN (1) CN115115657A (zh)

Also Published As

Publication number Publication date
US20240005510A1 (en) 2024-01-04

Similar Documents

Publication Publication Date Title
Li et al. Deep learning for hemorrhagic lesion detection and segmentation on brain CT images
CN110490040B (zh) 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法
CN111667478B (zh) Cta到mra跨模态预测的颈动脉斑块识别方法及系统
EP2365471B1 (en) Diagnosis assisting apparatus, coronary artery analyzing method and recording medium having a coronary artery analzying program stored therein
CN111062963B (zh) 一种血管提取方法、系统、设备及存储介质
CN113436166A (zh) 基于磁共振血管造影数据的颅内动脉瘤检测方法及系统
CN111986206A (zh) 基于UNet网络的肺叶分割方法、装置及计算机可读存储介质
CN111640124B (zh) 一种血管提取方法、装置、设备及存储介质
CN116503607B (zh) 一种基于深度学习的ct图像分割方法和系统
CN110934608A (zh) 脑卒中早期cta图像评估系统及评估方法、可读存储介质
KR102361354B1 (ko) 관상동맥 조영 영상에서 심장 협착증 질병 정보 제공 방법
CN114693710A (zh) 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质
CN115439533A (zh) 获得颅内动脉瘤在血管分段位置的方法、计算机设备、可读存储介质和程序产品
CN110766682A (zh) 肺结核定位筛查装置及计算机设备
CN113012118B (zh) 图像处理方法以及图像处理装置
CN112651984A (zh) 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质
CN116309647B (zh) 颅脑病灶图像分割模型构建方法、图像分割方法及设备
CN115147360B (zh) 一种斑块分割方法、装置、电子设备及可读存储介质
CN116128828A (zh) 斑块的评估方法、系统、电子设备和介质
CN115115657A (zh) 病灶分割方法及装置、电子设备及存储介质
CN117078711A (zh) 医学图像分割方法、系统、电子设备和存储介质
CN113610841A (zh) 一种血管异常图像识别方法、装置、电子设备和存储介质
KR102136107B1 (ko) 뼈 감쇄된 x-선 영상의 정합 장치 및 방법
CN113192099A (zh) 一种组织提取方法、装置、设备和介质
CN112489051A (zh) 基于血管及病变区域的肝脏裁切方法及系统

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