CN115429298A - 一种计算钙化积分的方法、装置及计算机可读介质 - Google Patents

Abstract

本发明公开了一种计算钙化积分的方法、装置及计算机可读介质。该方法的一实施例包括：获取待测电子计算机断层扫描CT图像；基于训练好的第一分割模型分割所述待测CT图像，得到若干解剖区域；其中，所述解剖区域由血管的分支确定；基于训练好的第二分割模型分割所述待测CT图像，得到若干钙化区域；确定所述钙化区域所在的解剖区域；根据所述钙化区域所在的解剖区域，计算所述血管的钙化积分。由此，本发明能够基于CT图像自动计算血管的钙化积分，无需人工识别和判断，解决了现有技术中由于人工识别和判断导致血管钙化积分检查费时费力问题，提高了血管钙化积分检查的准确率。

Description

一种计算钙化积分的方法、装置及计算机可读介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种计算钙化积分的方法、装置及计算机可读介质。

背景技术

血管钙化积分的检查对于评估心血管疾病具有很重要的参考价值。传统的血管钙化积分的检查方法，通常需要人工在电子计算机断层扫描(Computed Tomography，缩写CT)图像上勾选钙化区域，然后基于人工判断钙化区域所在的血管分支，最后利用算法计算血管钙化积分。

但是，传统的检查方法由于需要影像技师的识别和判断，因此不仅耗时耗力，而且增加了血管钙化积分检查的成本，从而限制了传统的检查方法在血管钙化积分中的广泛应用。

发明内容

为了解决上述现有技术存在的问题，本发明实施例提供一种计算钙化积分的方法、装置及计算机可读介质，能够基于CT图像自动计算血管的钙化积分，无需人工识别和判断，提高了血管钙化积分检查的准确率，降低了检查成本。

为实现上述目的，根据本发明实施例第一方面，提供一种计算钙化积分的方法，包括：获取待测CT图像；基于训练好的第一分割模型分割所述待测CT图像，得到若干解剖区域；其中，所述解剖区域由血管的分支确定；基于训练好的第二分割模型分割所述待测CT图像，得到若干钙化区域；确定所述钙化区域所在的解剖区域；根据所述钙化区域所在的解剖区域，计算所述血管的钙化积分。

可选的，所述确定所述钙化区域所在的解剖区域，包括：针对任一所述解剖区域：判断当前解剖区域与所述钙化区域是否存在交集，若是，则确定所述当前解剖区域为所述钙化区域所在的解剖区域。

可选的，所述血管为冠状动脉；所述解剖区域包括：左主干区域、左旋支及其分支区域、前降支及其分支区域、右冠脉及其分支区域和其它区域。

可选的，所述确定所述钙化区域所在的解剖区域，包括：针对任一目标解剖区域：判断所述目标解剖区域与所述钙化区域是否存在交集，若是，则确定所述目标解剖区域为所述钙化区域所在的解剖区域；其中，所述目标解剖区域的数量小于所述解剖区域的数量。

可选的，所述根据所述钙化区域所在的解剖区域，计算所述血管的钙化积分，包括：统计所述解剖区域中钙化区域的数量；根据所述解剖区域中钙化区域的数量，计算所述解剖区域的钙化积分；根据若干所述解剖区域的钙化积分，计算所述血管的钙化积分。

可选的，所述待测CT图像为非门控CT图像。

可选的，所述方法进一步包括：基于标注了解剖区域的初始CT图像，训练经过预训练的第一分割模型；和/或，所述方法进一步包括：基于标注了钙化区域的初始CT图像，训练经过预训练的第二分割模型。

为实现上述目的，根据本发明实施例第二方面，还提供一种计算钙化积分的装置，该装置包括：获取模块，用于获取待测CT图像；第一分割模块，用于基于训练好的第一分割模型分割所述待测CT图像，得到若干解剖区域；其中，所述解剖区域由血管的分支确定；第二分割模块，用于基于训练好的第二分割模型分割所述待测CT图像，得到若干钙化区域；确定模块，用于确定所述钙化区域所在的解剖区域；计算模块，用于根据所述钙化区域所在的解剖区域，计算所述血管的钙化积分。

为实现上述目的，根据本发明实施例第三方面，还提供一种电子设备，该电子设备包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现根据第一方面所述的计算钙化积分的方法。

为实现上述目的，根据本发明实施例第四方面，还提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如第一方面所述的计算钙化积分的方法。

与现有技术相比，本发明实施例提供的一种计算钙化积分的方法、装置及计算机可读介质，首先通过获取待测CT图像；并基于不同的分割模型分别对待测CT图像进行分割，得到若干解剖区域和若干钙化区域，其中，解剖区域由血管的分支确定；由此能够快速准确地识别血管的解剖区域和钙化区域。之后根据钙化区域所在的解剖区域计算血管钙化积分，由此能够基于CT图像自动计算血管的钙化积分，无需人工识别和判断，解决了现有技术中由于人工识别和判断导致血管的钙化积分检查费时费力问题，提高了血管钙化积分检查的准确率。

需要理解的是，本发明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，并且本发明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

附图用于更好地理解本发明，不构成对本发明的不当限定。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为本发明一实施例计算钙化积分的方法的示意性流程图；

图2为本发明一实施例的门控CT图像；

图3为本发明一实施例的不具有伪影的非门控CT图像；

图4为本发明一实施例的具有伪影的非门控CT图像；

图5为本发明另一实施例计算钙化积分的方法的示意性流程图；

图6为本发明一实施例计算钙化积分的装置的示意性框图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

如图1所示，本发明一实施例计算钙化积分的方法的示意性流程图。

一种计算钙化积分的方法，包括：S101，获取待测CT图像；S102，基于训练好的第一分割模型分割待测CT图像，得到若干解剖区域；其中，解剖区域由血管的分支确定；S103，基于训练好的第二分割模型分割待测CT图像，得到若干钙化区域；S104，确定钙化区域所在的解剖区域；S105，根据钙化区域所在的解剖区域，计算血管的钙化积分。

在S101中，待测CT图像用于指示特定部分的CT图像，例如肝部CT图像、脑部CT图像或者心脏CT图像。另外，待测CT图像可以是任意形式的CT图像，例如含有伪影的CT图像或者不含伪影的CT图像。不含伪影的CT图像，譬如门控CT图像和非门控CT图像；含伪影的CT图像，譬如非门控CT图像。

在S102中，可以将若干不同部位的CT图像输入卷积神经网络，得到第一分割模型；还可以将若干同一部位的CT图像输入卷积神经网络，得到第一分割模型；还可以将若干不同部位CT图像和若干同一部位的CT图像输入卷积神经网络，得到第一分割模型。在这里，不同部位的CT图像和同一部位的CT图像均是指标注了解剖区域的CT图像，解剖区域是由CT图像上特定血管的分支确定的。由此，基于标注解剖区域的CT图像进行模型训练，从而提高了第一分割模型准确性，进而提高了血管解剖区域预测的准确性，训练好的第一分割模型基于特定血管的分支对待测CT图像进行分割。

例如，当用于模型训练的CT图像为胸部非门控CT图像时，由于胸部非门控CT图像除了包括肺部信息，还包括心脏的信息；而心脏的结构比较复杂，心脏包括外周的冠状动脉血管、冠状静脉血管、心肌血管以及主动脉等；因此为了能够利用胸部非门控CT图像准确计算冠状动脉钙化积分，在模型训练前需要基于冠状动脉的分支将胸部非门控CT图像中心脏划分成左主干区域、左旋支及其分支区域、前降支及其分支区域、右冠脉及其分支区域和其它区域；这里的其他区域是指除冠状动脉之外的心脏其他区域。由此，通过冠状动脉的分支将心脏结构进行合理分割，从而有利于后期基于解剖区域准确计算冠状动脉钙化积分。

当用于模型训练的CT图像为头颈CT图像时，为了能够利用头颈CT图像计算颈动脉钙化积分，在模型训练前需要先根据颈动脉的分支将头颈CT图像头颈部位分成七个解剖区域，七个解剖区域为颅内前动脉区域、颅内中动脉区域、颅内后动脉区域、颈内动脉区域、椎动脉区域，以及颈总动脉区域，以及其它区域；这里的其它区域是指头颈部位中除劲动脉之外的头颈其他区域。由此通过劲动脉的分支将头颈结构进行合理分割，从而有利于后期基于解剖区域准确计算劲动脉钙化积分。

在S103中，可以将若干不同部位的CT图像输入卷积神经网络，得到第二分割模型；还可以将若干同一部位的CT图像输入卷积神经网络，得到第二分割模型；还可以将若干不同部位CT图像和若干同一部位的CT图像输入卷积神经网络，得到第二分割模型。在这里，不同部位的CT图像和同一部位的CT图像均是针对指定血管标注了钙化区域的CT图像。由此，基于标注了钙化区域的CT图像进行模型训练，从而提高了第二分割模型准确性，进而提高了血管钙化区域预测的准确性。

在S104中，针对任一目标解剖区域：判断目标解剖区域与钙化区域是否存在交集，若是，则确定目标解剖区域为钙化区域所在的解剖区域。在这里，目标解剖区域的数量可以等于解剖区域的数量，也可以小于解剖区域的数量。例如当待测CT图像为胸部非门控CT图像时，利用训练好的第一分割模型分割胸部非门控CT图像，得到左主干区域、左旋支及其分支区域、前降支及其分支区域、右冠脉及其分支区域和其它区域；此时解剖区域有五个。但是在计算冠状动脉的钙化积分时，由于其他区域不涉及冠状动脉，因此只将左主干区域、左旋支及其分支区域、前降支及其分支区域、右冠脉及其分支区域作为目标解剖区域，这样能够减少钙化区域和其它区域交集的判断过程，从而减少了不必要的判断过程，提高了冠状动脉钙化积分计算的速度和准确率。

S105中，一个钙化区域可能同时分布在若干解剖区域，例如冠状动脉交叉处的钙化可能同时分布在左主干区域、左旋支及其分支区域中。为此，需要先统计每个解剖区域中钙化区域的数量，之后基于每个解剖区域中钙化区域的数量，计算每个解剖区域的钙化积分，将若干解剖区域的钙化积分加和，得到血管的钙化积分。由此，能够准确计算解剖区域钙化积分以及血管钙化积分，从而提高了血管钙化积分计算的准确性。

本发明实施例首先通过获取待测CT图像，并基于不同的分割模型分别对待测CT图像进行分割，得到若干解剖区域和若干钙化区域，其中，解剖区域由血管的分支确定；由此能够快速准确地识别血管的解剖区域和钙化区域。之后根据钙化区域所在的解剖区域计算血管钙化积分，由此能够基于CT图像自动计算血管的钙化积分，无需人工识别钙化，提高了血管钙化积分检查的准确率；解决了现有技术中由于人工识别和判断导致血管钙化积分检查费时费力问题，降低了血管钙化积分检查的成本。

如图2所示，本发明一实施例的门控CT图像。

这里的门控CT图像是指心脏的门控CT图像。通过图2可知，该门控CT图像的质量较好，不存在伪影；图中圆圈标记处较亮的部分用于指示冠状动脉的钙化。

针对门控CT图像，若采用传统血管钙化积分的检查方法，进行冠状动脉血管钙化积分的检查，由于整个过程需要人工识别和判断，因此对检查技师要求较高，而且检查操作也比较复杂，降低了钙化积分计算的准确率；若采用图1提供的方法计算冠状动脉的钙化积分，由于采用了模型识别和判断，因此能够基于CT图像自动计算血管的钙化积分，无需人工识别和判断，解决了现有技术中由于人工识别和判断导致血管钙化积分检查费时费力问题，提高了血管钙化积分检查的准确率，降低了检查成本。

如图3所示，本发明一实施例的不具有伪影的非门控CT图像。

这里的非门控CT图像是指胸部的非门控CT图像。通过图3可知，该非门控CT图像的质量较好，不存在伪影，图中圆圈标记处较亮的部分用于指示冠状动脉的钙化。

由于非门控CT图像中不仅包括心脏信息，还包括肺部以及胸部的其他器官的信息；因此针对不具有伪影的非门控CT图像，若采用传统血管钙化积分的检查方法，进行冠脉血管钙化积分的检查，除了存在图2门控CT图像处理过程中缺陷，还存在其他缺陷，譬如需要从多个部位信息中识别出心脏的信息，为此，增加了人工的成本，对检查技师提出了更高的要求。若采用图1提供的方法计算冠状动脉的钙化积分，由于采用了模型识别和判断，因此能够基于CT图像自动计算血管的钙化积分，无需人工识别和判断，解决了现有技术中由于人工识别和判断导致血管钙化积分检查费时费力问题，提高了血管钙化积分检查的准确率，降低了检查成本。

另外，非门控CT图像除了用于检查冠状动脉的钙化积分，还可以用于肺部癌症的筛查，因此非门控CT图像具有双重作用；例如在对肺部癌症进行筛查时可以顺带检查冠状动脉的钙化积分，为此能够降低患者检查的成本。

如图4所示，本发明一实施例的具有伪影的非门控CT图像。

这里的非门控CT图像是指胸部的非门控CT图像。通过图4可知，该非门控CT图像的质量较差，存在伪影，图中圆圈标记处较亮的部分用于指示冠状动脉的钙化。

针对具有伪影的非门控CT图像，若采用传统血管钙化积分的检查方法检查冠脉血管钙化积分，由于存在伪影，因此增加了人工识别和判断的难度，不仅费时费力，而且还会出现由于误识别或误判断导致冠状动脉钙化积分准确率降低的问题。若采用图1提供的方法计算冠状动脉的钙化积分，由于能够基于CT图像自动计算血管的钙化积分，无需人工识别和判断，解决了现有技术中由于CT图像存在伪影导致人工识别和判断时容易出现误识别和误判断，以及人工识别和判断过程费时费力的问题，提高了血管钙化积分计算的准确率，降低了检查成本。

如图5所示，本发明另一实施例计算钙化积分的方法的示意性流程图；本实施例是在前述实施例的基础上进一步优化得到的。一种计算钙化积分的方法，该方法至少包括如下操作流程：S501，获取胸部的待测非门控CT图像；S502，基于训练好的第一分割模型分割待测非门控CT图像，得到左主干区域、左旋支及其分支区域、前降支及其分支区域、右冠脉及其分支区域和其它区域；解剖区域由冠状动脉的分支确定；S503，基于训练好的第二分割模型分割非门控血管CT图像，得到若干钙化区域；S504，针对任一目标解剖区域：判断目标解剖区域与钙化区域是否存在交集，若是，则确定目标解剖区域为钙化区域所在的解剖区域；其中，目标解剖区域的数量小于解剖区域的数量；S505，根据钙化区域所在的解剖区域，计算冠状动脉的钙化积分。

其中，S505的具体实现过程与图1所示实施例中S105的具体实现过程相类似，这里不再赘述。

在S501中，在这里，待测非门控CT图像是存在伪影的非门控CT图像。

在S502中，第一分割模型是通过如下方法获得的：基于标注了解剖区域的初始CT图像，训练经过预训练的第一分割模型。

具体地：先采用不同部位的非门控CT图像进行预训练，然后采用同一部位的非门控CT图像进行再训练；例如先采用胸部的非门控CT图像、头部的非门控CT图像、肝部的非门控CT图像，以及其他部位的非门控CT图像进行预训练，之后采用不同目标对象胸部的非门控CT图像进行再训练。更具体地，获取部位的非门控CT图像；对该部位的非门控CT图像上若干解剖区域分别进行标注，得到第一训练样本；一个部位的非门控CT图像对应一个第一训练样本；多个不同部位的非门控CT图像对应多个第一训练样本；将多个第一训练样本输入卷积神经网络，进行模型训练，得到预训练的第一分割模型；之后获取不同目标对象的同一部位的非门控CT图像，并针对该部位的非门控CT图像上若干解剖区域分别进行标注，得到第二训练样本；一个目标对象部位的非门控CT图像对应一个第二训练样本；多个目标对象部位的非门控CT图像对应多个第二训练样本，将多个第二训练样本输入卷积神经网络，对预训练的第一分割模型进行训练，得到第一分割模型。由此，通过预训练和再训练相结合，从而提高了第一分割模型的准确性，进而提高了血管解剖区域预测的准确性。

冠状动脉在预测未来心脏事件和生存率方面具有很高的价值。为此，在采用胸部的非门控CT图像作为训练样本时，通过冠状动脉的分支确定训练样本的各个解剖区域，之后对训练样本的各个解剖区域进行标注，例如针对胸部的非门控CT图像分别标注左主干区域、左旋支及其分支区域、前降支及其分支区域、右冠脉及其分支区域和其它区域。最后基于标注了解剖区域的训练样本训练第一分割模型。

需要说明的是，无论是预训练阶段还是再训练阶段，若采用胸部的非门控CT图像作为训练样本，均是通过冠状动脉的分支确定训练样本的各个解剖区域，并对训练样本进行解剖区域标注。

在S503中，第二分割模型通过如下方法获得：基于标注了钙化区域的初始CT图像，训练经过预训练的第二分割模型。

具体地：先采用不同部位的非门控CT图像进行预训练，然后采用同一部位的非门控CT图像进行再训练；例如先采用胸部的非门控CT图像、头部的非门控CT图像、肝部的非门控CT图像，以及其他部位的非门控CT图像进行预训练，之后采用不同目标对象胸部的非门控CT图像进行再训练。更具体地，获取部位的非门控CT图像；对部位的非门控CT图像上指定血管的钙化区域和非钙化区域分别进行标注，得到第三训练样本；一个部位的非门控CT图像对应一个第三训练样本；多个不同部位的非门控CT图像对应多个第三训练样本；将多个第三训练样本输入卷积神经网络，进行模型训练，得到预训练的第二分割模型；之后获取不同目标对象同一部位的非门控CT图像，并针对该部位的非门控CT图像上指定血管的钙化区域和非钙化区域分别进行标注，得到第四训练样本；一个目标对象部位的非门控CT图像对应一个第四训练样本；多个目标对象部位的非门控CT图像对应多个第四训练样本，将多个第四训练样本输入卷积神经网络，对预训练的第二分割模型进行训练，得到第二分割模型。由此，通过预训练和再训练相结合，从而提高了第二分割模型的准确性，进而提高了血管钙化区域预测的准确性。

在S504中，判断目标解剖区域与钙化区域是否存在交集，具体过程如下：针对任一钙化区域：获取钙化区域对应的坐标范围，得到待测坐标范围；获取左主干区域对应的第一坐标范围，左旋支及其分支区域对应的第二坐标范围，前降支及其分支区域对应的第三坐标范围，以及右冠脉及其分支区域对应的第四坐标范围；之后依次检测待测坐标范围与第一坐标范围、第二坐标范围、第三坐标范围以及第四坐标范围的交集；若检测结果表征待测坐标范围与第一坐标范围存在交集且完全落入第一坐标范围内，则确定钙化区域分布在左主干区域，并结束对待测坐标范围和第二坐标范围之间交集的检测；若检测结果表征待测坐标范围与第一坐标范围不存在交集，则确定钙化区域不在左主干区域，并继续检测待测坐标范围和其他坐标范围的交集，直至确定钙化区域所在解剖区域；若检测结果表征待测坐标范围与第一坐标范围存在交集且部分落入第一坐标范围内，则确定钙化区域部分分布在左主干区域，并继续对待测坐标范围与其他坐标范围的交集进行检测，直至确定钙化区域所在的所有解剖区域。

本实施例利用两个分割模型分别针对待测非门控CT图像进行分割，得到解剖区域和钙化区域，由此能够快速有效地识别血管的解剖区域和钙化区域。通过基于目标解剖区域与钙化区域之间的交集来确定钙化区域所在的解剖区域；，并基于目标解剖区域的钙化计算冠状动脉的钙化积分，由此能够基于CT图像自动计算血管的钙化积分，无需人工识别和判断，不仅解决了现有技术中由于人工识别和判断费时费力的问题，而且解决了现有技术中由于待测非门控CT图像存在伪影导致人工识别和判断时出现的误识别和误判断问题，从而提高了血管钙化积分检查的准确率，降低了检查成本。

针对同一患者的肺部有伪影的非门控CT图像和心脏无伪影的门控CT图像；针对肺部非门控CT图像，采用本实施例的方法计算冠状动脉的钙化积分为w1，针对心脏门控CT图像，采用传统的检查方法计算冠状动脉的钙化积分为w2，经比较w1和w2的相关性可达到0.95。由于相关性可达到0.95，因此采用本实施例的方法能够准确计算冠状动脉钙化积分。另外，非门控CT图像除了用于检查冠状动脉的钙化积分，还可以用于肺部癌症的筛查，因此在对肺部癌症进行筛查时可以顺带检查冠状动脉的钙化积分；由此可知，非门控CT图像相对于门控CT图像具有更广泛的适用性，从非门控CT图像双重作用的角度分析，能够降低患者检查的成本。

如图6所示，本发明一实施例计算钙化积分的装置的示意性框图。一种计算钙化积分的装置，该装置600包括：获取模块601，用于获取待测CT图像；第一分割模块602，用于基于训练好的第一分割模型分割待测CT图像，得到若干解剖区域；其中，解剖区域由血管的分支确定；第二分割模块603，用于基于训练好的第二分割模型分割待测CT图像，得到若干钙化区域；确定模块604，用于确定钙化区域所在的解剖区域；计算模块605，用于根据钙化区域所在的解剖区域，计算血管的钙化积分。

在可选的实施例中，确定模块604包括：判断单元，用于针对任一解剖区域：判断当前解剖区域与钙化区域是否存在交集；确定单元，用于若是，则确定当前解剖区域为钙化区域所在的解剖区域。

在可选的实施例中，血管为冠状动脉；解剖区域包括：左主干区域、左旋支及其分支区域、前降支及其分支区域、右冠脉及其分支区域和其它区域。

在可选的实施例中，确定模块604包括：判断单元进一步用于，针对任一目标解剖区域：判断目标解剖区域与钙化区域是否存在交集；确定单元进一步用于若是，则确定目标解剖区域为钙化区域所在的解剖区域；其中，目标解剖区域的数量小于解剖区域的数量。

在可选的实施例中，计算模块605包括：统计单元，用于统计解剖区域中钙化区域的数量；第一计算单元，用于根据解剖区域中钙化区域的数量，计算解剖区域的钙化积分；第二计算单元，用于根据若干解剖区域的钙化积分，计算血管的钙化积分。

在可选的实施例中，待测血管CT图像为非门控血管CT图像。

在可选的实施例中，计算钙化积分的装置还包括：第一训练模块，用于基于标注了解剖区域的初始CT图像，训练经过预训练的第一分割模型；和/或，第二训练模块，用于基于标注了钙化区域的初始CT图像，训练经过预训练的第二分割模型。

上述装置可执行本发明一实施例所提供的计算钙化积分的方法，具备执行计算钙化积分的方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的计算钙化积分的方法。

根据本发明再一实施例，还提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当该一个或多个程序被该一个或多个处理器执行，使得该一个或多个处理器实现本发明上述实施例提供的计算钙化积分的方法。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备至少执行如下所示的操作步骤：S101，获取待测CT图像；S102，基于训练好的第一分割模型分割待测CT图像，得到若干解剖区域；其中，解剖区域由血管的分支确定；S103，基于训练好的第二分割模型分割待测CT图像，得到若干钙化区域；S104，确定钙化区域所在的解剖区域；S105，根据钙化区域所在的解剖区域，计算血管的钙化积分。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

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。在本发明的描述中，“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 (10)

1.一种计算钙化积分的方法，其特征在于，包括：

获取待测电子计算机断层扫描CT图像；

基于训练好的第一分割模型分割所述待测CT图像，得到若干解剖区域；其中，所述解剖区域由血管的分支确定；

基于训练好的第二分割模型分割所述待测CT图像，得到若干钙化区域；

确定所述钙化区域所在的解剖区域；

根据所述钙化区域所在的解剖区域，计算所述血管的钙化积分。

2.根据权利要求1所述的方法，其特征在于，所述确定所述钙化区域所在的解剖区域，包括：

针对任一所述解剖区域：判断当前解剖区域与所述钙化区域是否存在交集，若是，则确定所述当前解剖区域为所述钙化区域所在的解剖区域。

3.根据权利要求1所述的方法，其特征在于，

所述血管为冠状动脉；

所述解剖区域包括：左主干区域、左旋支及其分支区域、前降支及其分支区域、右冠脉及其分支区域和其它区域。

4.根据权利要求1或2所述的方法，其特征在于，所述确定所述钙化区域所在的解剖区域，包括：

针对任一目标解剖区域：判断所述目标解剖区域与所述钙化区域是否存在交集，若是，则确定所述目标解剖区域为所述钙化区域所在的解剖区域；其中，所述目标解剖区域的数量小于所述解剖区域的数量。

5.根据权利要求1所述的方法，其特征在于，所述根据所述钙化区域所在的解剖区域，计算所述血管的钙化积分，包括：

统计所述解剖区域中钙化区域的数量；

根据所述解剖区域中钙化区域的数量，计算所述解剖区域的钙化积分；

根据若干所述解剖区域的钙化积分，计算所述血管的钙化积分。

6.根据权利要求1所述的方法，其特征在于，

所述待测CT图像为非门控CT图像。

7.根据权利要求1所述的方法，其特征在于，

进一步包括：基于标注了解剖区域的初始CT图像，训练经过预训练的第一分割模型；

和/或，

进一步包括：基于标注了钙化区域的初始CT图像，训练经过预训练的第二分割模型。

8.一种计算钙化积分的装置，其特征在于，包括：

获取模块，用于获取待测电子计算机断层扫描CT图像；

第一分割模块，用于基于训练好的第一分割模型分割所述待测CT图像，得到若干解剖区域；其中，所述解剖区域由血管的分支确定；

第二分割模块，用于基于训练好的第二分割模型分割所述待测CT图像，得到若干钙化区域；

确定模块，用于确定所述钙化区域所在的解剖区域；

计算模块，用于根据所述钙化区域所在的解剖区域，计算所述血管的钙化积分。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现根据权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如权利要求1-7中任一项所述的方法。

Images