CN115482261A - 血管配准方法、装置、电子设备及存储介质 - Google Patents

血管配准方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115482261A
CN115482261A CN202211153108.5A CN202211153108A CN115482261A CN 115482261 A CN115482261 A CN 115482261A CN 202211153108 A CN202211153108 A CN 202211153108A CN 115482261 A CN115482261 A CN 115482261A
Authority
CN
China
Prior art keywords
image
blood vessel
registered
centerline
key point
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
CN202211153108.5A
Other languages
English (en)
Inventor
刘振东
马骏
郑凌霄
兰宏志
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.)
Shenzhen Raysight Intelligent Medical Technology Co Ltd
Original Assignee
Shenzhen Raysight Intelligent Medical Technology 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 Shenzhen Raysight Intelligent Medical Technology Co Ltd filed Critical Shenzhen Raysight Intelligent Medical Technology Co Ltd
Priority to CN202211153108.5A priority Critical patent/CN115482261A/zh
Publication of CN115482261A publication Critical patent/CN115482261A/zh
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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G06T3/06—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/30101—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
    • G06T2207/30204—Marker

Abstract

本发明公开了一种血管配准方法、装置、电子设备及存储介质。该方法包括：分别获取第一待配准血管图像对应的第一血管中心线图像和第二待配准血管图像对应的第二血管中心线图像；确定第一待配准血管图像对应的重建投影图像，将重建投影图像和第二待配准血管图像输入至预先训练完成的关键点追踪模型，得到分段关键点；基于分段关键点分别对第一血管中心线图像和第二血管中心线图像进行分段，得到第一分段中心线图像和第二分段中心线图像；基于第一分段中心线图像和第二分段中心线图像确定血管配准图像。上述技术方案，通过关键点追踪模型预测得到分段关键点，进而根据准确度提高的分段关键点进行血管分段，再进行配准，提升了配准精确度。

Description

血管配准方法、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，尤其涉及一种血管配准方法、装置、电子设备及存储介质。
背景技术
经皮冠状动脉介入治疗(Percutaneous Coronary Intervention，PCI)是目前治疗冠心病的最主要的、最有效的介入治疗手段。
在复杂的PCI手术中，医生通常采用结构清晰、动态实时的术中2D造影图像(如DSA)作为引导图像。然而，这种模态图像是通过投影原理所采集，因此缺少了三维空间的深度信息。由于投影造成的组织重叠现象，使得医生在手术中难以清晰和直观地进行介入方式和治疗方案的精准决策。而术前的CTA恰好弥补这种缺陷，通过三维重建可以直观、立体地呈现血管的三维空间信息。因此通过融合实时的2D造影图像和具有空间结构信息的CTA图像来进行复杂的PCI手术，能够极大地减小仅使用2D造影图像引导的不确定性，从而提高手术的成功率。
目前的3D/2D血管配准技术大都是以整个冠脉树作为输入，对整个图像进行配准，这种全局配准的方式对待配准图像的血管长度有严格的要求(需要相同长度的血管段)。
在实现本发明的过程中，发明人发现现有技术中至少存在以下技术问题：现有技术方案，存在配准精确度低的问题。
发明内容
本发明提供了一种血管配准方法、装置、电子设备及存储介质，以解决血管配准精确度低的问题。
根据本发明的一方面，提供了一种血管配准方法，包括：
分别获取第一待配准血管图像对应的第一血管中心线图像和第二待配准血管图像对应的第二血管中心线图像；
确定所述第一待配准血管图像对应的重建投影图像，将所述第一待配准血管图像对应的重建投影图像和第二待配准血管图像输入至预先训练完成的关键点追踪模型，得到分段关键点；
基于所述分段关键点分别对所述第一血管中心线图像和所述第二血管中心线图像进行分段，得到第一分段中心线图像和第二分段中心线图像；
基于所述第一分段中心线图像和第二分段中心线图像确定血管配准图像。
根据本发明的另一方面，提供了一种血管配准装置，包括：
中心线图像获取模块，用于分别获取第一待配准血管图像对应的第一血管中心线图像和第二待配准血管图像对应的第二血管中心线图像；
分段关键点预测模块，用于确定所述第一待配准血管图像对应的重建投影图像，将所述第一待配准血管图像对应的重建投影图像和第二待配准血管图像输入至预先训练完成的关键点追踪模型，得到分段关键点；
中心线图像分段模块，用于基于所述分段关键点分别对所述第一血管中心线图像和所述第二血管中心线图像进行分段，得到第一分段中心线图像和第二分段中心线图像；
血管配准图像确定模块，用于基于所述第一分段中心线图像和第二分段中心线图像确定血管配准图像。
根据本发明的另一方面，提供了一种电子设备，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执行的计算机程序，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本发明任一实施例所述的血管配准方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的血管配准方法。
本发明提供的血管配准方法，通过分别获取第一待配准血管图像对应的第一血管中心线图像和第二待配准血管图像对应的第二血管中心线图像；确定第一待配准血管图像对应的重建投影图像，将第一待配准血管图像对应的重建投影图像和第二待配准血管图像输入至预先训练完成的关键点追踪模型，得到分段关键点；基于分段关键点分别对第一血管中心线图像和第二血管中心线图像进行分段，得到第一分段中心线图像和第二分段中心线图像；基于第一分段中心线图像和第二分段中心线图像确定血管配准图像。上述技术方案，通过关键点追踪模型预测得到分段关键点，进而根据分段关键点进行血管分段，从而再进行配准，提升了配准精确度。
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
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种血管配准方法的流程图；
图2为本发明实施例一提供的一种分段配准的流程示意图；
图3是根据本发明实施例二提供的一种血管配准方法的流程图；
图4为本发明实施例二提供的一种图像重建的流程示意图；
图5是根据本发明实施例三提供的一种血管配准方法的流程图；
图6为本发明实施例提供的一种关键点追踪模型的网络架构图；
图7是根据本发明实施例四提供的一种血管配准装置的结构示意图；
图8是实现本发明实施例的血管配准方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种血管配准方法的流程图，本实施例可适用于不同维度血管图像自动进行血管配准的情况，该方法可以由血管配准装置来执行，该血管配准装置可以采用硬件和/或软件的形式实现，该血管配准装置可配置于计算机终端和/或终端中。如图1所示，该方法包括：
S110、分别获取第一待配准血管图像对应的第一血管中心线图像和第二待配准血管图像对应的第二血管中心线图像。
本实施例中，第一待配准血管图像是指待进行配准的血管图像。同理，第二待配准血管图像是指与第一待配准血管图像进行血管配准的图像，第一待配准血管图像或者第二待配准血管图像可以为实时的二维、三维或者多维图像中一种，在此不做限定。需要说明的是，第一待配准血管图像与第二待配准血管图像可以为不同维度的图像。例如，第一待配准血管图像为未处理的三维血管图像，第二待配准血管图像可以为未处理的二维血管影像。第一待配准血管图像和第二待配准血管图像的数量可以为一个或多个，在此不作限定。
示例性的，第一待配准血管图像或者第二待配准血管图像可以为电子计算机断层扫描血管造影(CTA)、数字减影血管造影(DSA)等包含血管的医学影像。
在本实施例中，第一血管中心线图像是指第一待配准血管图像经形态学处理等操作得到的血管中心线图像，可选的，第一血管中心线图像可以为投影中心线图像，可以理解的是，当第一待配准血管图像为三维血管图像时，可以对三维血管图像的中心线进行重建投影，得到二维的投影中心线图像。同理，第二血管中心线图像是指第二待配准血管图像经形态学处理等操作得到的血管中心线图像。
在一些可选实施例中，分别获取第一待配准血管图像对应的第一血管中心线图像和第二待配准血管图像对应的第二血管中心线图像，包括：获取待配准血管图像，其中，待配准血管图像包括第一待配准血管图像和第二待配准血管图像；对第一待配准血管图像进行分割，得到第一血管图像，对第一血管图像进行中心线提取，得到第一待配准血管图像对应的第一血管中心线图像；对第二待配准血管图像进行分割，得到第二血管图像，对第二血管图像进行中心线提取，得到第二待配准血管图像对应的第二血管中心线图像。
其中，第一血管图像是指第一待配准血管图像的血管初分割图像，同理，第二血管图像是指第二待配准血管图像的血管初分割图像。
示例性的，第一待配准血管图像可以为三维的CTA术前影像，第二待配准血管图像可以为二维的DSA术中影像。第一待配准血管图像与第二待配准血管图像的格式在此不做限定，例如可以为DICOM格式等。图像预处理可以包括但不限于CTA影像数据分割模块、CTA影像数据中心线提取模块、DSA影像数据分割模块和DSA影像数据中心线提取模块。其中，CTA影像数据分割模块包括：训练阶段，对大量的CTA数据进行血管标注，基于标注结果，训练用于血管分割的三维(3D)分割模型，三维分割模型的网络架构可以为3DU-net,V-net等；推理阶段，采用训练好的三维分割模型预测新的CTA影像数据，并通过后处理操作得到三维的血管初分割图像。CTA影像数据中心线提取模块：对三维的血管初分割图像进行一系列形态学操作，并采用平滑算法进行图像平滑，得到三维的血管中心线图像。DSA影像数据分割模块：训练阶段，对大量的DSA数据进行血管标注，基于标注结果，训练用于血管分割的二维(2D)分割模型，二维分割模型的网络架构可以为2DU-net,V-net等；推理阶段，采用训练好的二维分割模型预测新的DSA影像数据，并通过后处理操作得到二维的血管初分割图像。DSA影像数据中心线提取模块：对二维的血管初分割图像进行一系列形态学操作，并采用平滑算法进行图像平滑，得到二维的血管中心线图像。
S120、确定所述第一待配准血管图像对应的重建投影图像，将所述第一待配准血管图像对应的重建投影图像和第二待配准血管图像输入至预先训练完成的关键点追踪模型，得到分段关键点。
本实施例中，重建投影图像是指第一待配准血管图像的数字重建图像。
示例性的，可以通过基于体素的投影算法、最大密度投影算法(maximalintensity projection，MIP)等对第一待配准血管图像进行数字重建投影，得到重建投影图像。其中，最大密度投影算法是一种应用广泛的CT及MR图像投影算法。最大密度投影算法通过保留射线上密度最大的像素并投影到一个二维平面上，能很好地显示血管的狭窄、扩张和病变情况。
本实施例中，关键点追踪模型是指用于预测分段关键点的网络模型。
具体的，将第一待配准血管图像对应的重建投影图像和第二待配准血管图像作为模型的输入数据，输入至预先训练完成的关键点追踪模型，从而得到分段关键点。预测得到的分段关键点的数量可以为一个或多个，在此不做限定。分段关键点可以用于血管中心线分段。
S130、基于所述分段关键点分别对所述第一血管中心线图像和所述第二血管中心线图像进行分段，得到第一分段中心线图像和第二分段中心线图像。
在本实施例中，第一分段中心线图像是指第一血管中心线图像的血管分段图像，同理，第二分段中心线图像是指第二血管中心线图像的血管分段图像。
可以理解的是，第一分段中心线图像的分段数量可以根据分段关键点的数量进行变化，同理，第二分段中心线图像的分段数量也可以根据分段关键点的数量进行变化。
S140、基于所述第一分段中心线图像和第二分段中心线图像确定血管配准图像。
其中，血管配准图像是指第一待配准血管图像与第二待配准血管图像的配准结果。
在一些可选实施例中，基于第一分段中心线图像和第二分段中心线图像确定血管配准图像，包括：将各血管段对应的第一分段中心线图像和第二分段中心线图像进行分段配准，得到各血管段的配准图像；将各血管段的配准图像进行融合，得到血管配准图像。
示例性的，本实施例的配准方法可以为基于深度学习的配准方法，包括但不限于SyN、Demons等配准方法。图2为本发明实施例提供的一种分段配准的流程示意图，如图2所示，对3D CTA数据进行中心线提取和投影，得到投影中心线图像，投影中心线图像包含投影中心线；对2D DSA数据进行中心线提取，得到DSA中心线图像，DSA中心线图像包含DSA中心线；进而根据关键点追踪模型预测得到的分段关键点对投影中心线和DSA中心线进行分段，其中，分段关键点可以包含坐标信息；进一步的，进行分段配准(上图以分为两段为例)；最后将分段配准的结果融合成完整中心线，即得到血管配准图像。
本发明提供的血管配准方法，通过分别获取第一待配准血管图像对应的第一血管中心线图像和第二待配准血管图像对应的第二血管中心线图像；确定第一待配准血管图像对应的重建投影图像，将第一待配准血管图像对应的重建投影图像和第二待配准血管图像输入至预先训练完成的关键点追踪模型，得到分段关键点；基于分段关键点分别对第一血管中心线图像和第二血管中心线图像进行分段，得到第一分段中心线图像和第二分段中心线图像；基于第一分段中心线图像和第二分段中心线图像确定血管配准图像。上述技术方案，通过关键点追踪模型预测得到分段关键点，进而根据分段关键点进行血管分段，从而再进行配准，提升了配准精确度。
实施例二
图3为本发明实施例二提供的一种血管配准方法的流程图，本实施例的方法与上述实施例中提供的血管配准方法中各个可选方案可以结合。本实施例提供的血管配准方法进行了进一步优化。可选的，所述第一待配准血管图像为三维血管图像，所述确定所述第一待配准血管图像对应的重建投影图像，包括：获取所述第二待配准血管图像的角度信息；基于所述第二待配准血管图像的角度信息对三维血管图像进行旋转，得到旋转后的三维血管图像；对所述旋转后的三维血管图像进行重采样，得到重采样的三维血管图像；对所述重采样的三维血管图像进行重建投影，得到所述三维血管图像对应的重建投影图像。
如图3所示，该方法包括：
S210、分别获取第一待配准血管图像对应的第一血管中心线图像和第二待配准血管图像对应的第二血管中心线图像。
S220、获取所述第二待配准血管图像的角度信息。
其中，角度信息可以包括空间主要角度和空间次要角度。
示例性的，第二待配准血管图像可以为数字减影血管造影(DSA)图像，可以从DSA的DICOM(Digital Imaging and Communications in Medicine，医学数字成像和通信)数据上获得对应的角度信息。
S230、基于所述第二待配准血管图像的角度信息对三维血管图像进行旋转，得到旋转后的三维血管图像。
S240、对所述旋转后的三维血管图像进行重采样，得到重采样的三维血管图像。
S250、对所述重采样的三维血管图像进行重建投影，得到所述三维血管图像对应的重建投影图像。
示例性的，图4为本发明实施例提供的一种图像重建的流程示意图。三维血管图像可以为CTA图像(1)，使CTA图像沿空间主要角度和空间次要角度进行旋转，得到旋转后的CTA图像。对旋转后的CTA图像进行重采样，得到重采样后的CTA图像(2)。对重采样后的CTA图像进行数字重建投影，得到CTA图像对应的二维投影图像(3)，即二维的重建投影图像。
S260、将所述第一待配准血管图像对应的重建投影图像和第二待配准血管图像输入至预先训练完成的关键点追踪模型，得到分段关键点。
S270、基于所述分段关键点分别对所述第一血管中心线图像和所述第二血管中心线图像进行分段，得到第一分段中心线图像和第二分段中心线图像。
S280、基于所述第一分段中心线图像和第二分段中心线图像确定血管配准图像。
在一些可选实施例中，在得到三维血管图像对应的重建投影图像之后，还可以获得重建投影图像的关键点坐标。具体的，重建投影图像的关键点坐标可以直接通过三维血管图像投影得到。其中，关键点坐标可以是血管的分支点坐标。
在一些可选实施例中，第二待配准血管图像可以为DSA图像，DSA图像可以为多个，在输入关键点追踪模型之前，可以对多个DSA图进行拼接，从而本实施例能够同时处理多个DSA图像，节省了关键点定位的时间。
本发明提供的血管配准方法，通过获取第二待配准血管图像的角度信息；基于第二待配准血管图像的角度信息对三维血管图像进行旋转，得到旋转后的三维血管图像；对旋转后的三维血管图像进行重采样，得到重采样的三维血管图像；对重采样的三维血管图像进行重建投影，得到三维血管图像对应的重建投影图像，从而使两种血管图像的维度统一，为图像配准提供了便利。
实施例三
图5为本发明实施例三提供的一种血管配准方法的流程图，本实施例的方法与上述实施例中提供的血管配准方法中各个可选方案可以结合。本实施例提供的血管配准方法进行了进一步优化。可选的，所述关键点追踪模型包括卷积网络模型、特征提取模块和关键点卷积层；相应的，将所述第一待配准血管图像对应的重建投影图像和第二待配准血管图像输入至预先训练完成的关键点追踪模型，得到分段关键点，包括：将所述第一待配准血管图像对应的重建投影图像和第二待配准血管图像输入至卷积网络模型，得到第一特征图和第二特征图；将所述重建投影图像的关键点坐标和所述第一特征图输入至特征提取模块，得到关键点特征图像；将所述关键点特征图像和所述第二特征图输入至关键点卷积层，得到分段关键点。
如图5所示，该方法包括：
S310、分别获取第一待配准血管图像对应的第一血管中心线图像和第二待配准血管图像对应的第二血管中心线图像。
S320、确定所述第一待配准血管图像对应的重建投影图像。
S330、将所述第一待配准血管图像对应的重建投影图像和第二待配准血管图像输入至卷积网络模型，得到第一特征图和第二特征图。
在本实施例中，关键点追踪模型包括卷积网络模型、特征提取模块和关键点卷积层。其中，卷积网络模型可以为三维卷积模型，例如，3D-Unet模型。第一特征图是指重建投影图像对应的特征图，第二特征图是指第二待配准血管图像对应的特征图。
需要说明的是，在本实施例中，可以采用一个卷积网络模型对重建投影图像和第二待配准血管图像进行学习，得到第一特征图和第二特征图；或者，还可以采用两个相同或不同的卷积网络模型分别对重建投影图像和第二待配准血管图像进行学习，得到第一特征图和第二特征图。在此对得到特征图的方法不做限定。
S340、将所述重建投影图像的关键点坐标和所述第一特征图输入至特征提取模块，得到关键点特征图像。
其中，特征提取模块用于基于重建投影图像的关键点坐标对第一特征图进行特征提取，从而得到各关键点坐标对应的关键点特征图像。关键点特征图像的数量可以为一个或多个，在此不做限定。
在一些可选实施例中，将重建投影图像的关键点坐标和第一特征图输入至特征提取模块，得到关键点特征图像，包括：通过特征提取模块，在第一特征图上获取重建投影图像的关键点坐标邻域内的特征，将重建投影图像的关键点坐标邻域内的特征作为关键点特征图像。
示例性的，以关键点坐标为中心点，将关键点坐标预设半径k邻域内的特征作为关键点特征图像，特征大小可以为(2k+1)×(2k+1)。
S350、将所述关键点特征图像和所述第二特征图输入至关键点卷积层，得到分段关键点。
具体的，将关键点特征图像在第二特征图上进行卷积得到概率图，并选取概率图中概率值最大的像素点作为分段关键点。在一些实施例中，还可以选取概率值处于预设概率值范围内的像素点作为分段关键点。
S360、基于所述分段关键点分别对所述第一血管中心线图像和所述第二血管中心线图像进行分段，得到第一分段中心线图像和第二分段中心线图像。
S370、基于所述第一分段中心线图像和第二分段中心线图像确定血管配准图像。
在一些可选实施例中，关键点追踪模型的训练步骤，包括：获取多组训练样本，训练样本包括第一样本图像的重建投影图像、第一样本图像的重建投影图像的关键点坐标、第二样本图像和关键点标注信息；基于第一样本图像的重建投影图像、第一样本图像的重建投影图像的关键点坐标、第二样本图像和关键点标注信息对待训练的关键点追踪模型进行训练，得到关键点追踪模型。
其中，关键点标注信息是指预先标注的关键点的位置信息，可以作为金标准。
示例性的，图6为本发明实施例提供的一种关键点追踪模型的网络架构图。以右冠状动脉为例，第一样本图像可以为3D-CTA数据，重建投影图像可以为二维投影图像，第二样本图像可以为DSA序列图像，整个关键点追踪模型的输入为二维投影图像，DSA序列图像以及二维投影图像上的关键点坐标。根据3D-CTA数据的关键点对DSA序列图像对应关键点进行标注，得到DSA关键点的金标准，记为
Figure BDA0003857190640000131
进一步的，采用卷积网络模型(如3D-Unet)学习输入图像(二维投影图像IM和DSA序列图像ID)的特征，得到第一特征图FM和第二特征图FD。在特征提取模块中，根据二维投影图像的关键点坐标
Figure BDA0003857190640000132
(以两个关键点为例)在第一特征图FM上采样对应位置的特征；具体地，为了丰富特征的表达，设置一个邻域k并抽取关键点坐标k邻域内的特征(特征大小为(2k+1)×(2k+1))，记为
Figure BDA0003857190640000133
和
Figure BDA0003857190640000134
在关键点卷积层中，将
Figure BDA0003857190640000135
和
Figure BDA0003857190640000136
作为一个(2k+1)×(2k+1)大小的卷积核，分别对第二特征图FD进行卷积，得到
Figure BDA0003857190640000137
具体地计算公式如下：
Figure BDA0003857190640000138
其中，W表示可学习参数，用于学习关键点邻域内各个特征的权重。⊙为卷积操作，i表示关键点的数量。进一步的，计算
Figure BDA0003857190640000139
和金标准
Figure BDA00038571906400001310
之间的损失，可以采用均方误差或者交叉
熵损失。通过反向传播算法优化关键点追踪模型，直至模型收敛。
本发明提供的血管配准方法，通过将第一待配准血管图像对应的重建投影图像和第二待配准血管图像输入至卷积网络模型，得到第一特征图和第二特征图；将重建投影图像的关键点坐标和所述第一特征图输入至特征提取模块，得到关键点特征图像；将关键点特征图像和第二特征图输入至关键点卷积层，得到分段关键点。本实施例的关键点追踪模型，能够更为精准地判别术中影像的分段关键点，提高了分段关键点的准确度，为后续的分段配准提供保障。
实施例四
图7为本发明实施例四提供的一种血管配准装置的结构示意图。如图7所示，该装置包括：
中心线图像获取模块410，用于分别获取第一待配准血管图像对应的第一血管中心线图像和第二待配准血管图像对应的第二血管中心线图像；
分段关键点预测模块420，用于确定所述第一待配准血管图像对应的重建投影图像，将所述第一待配准血管图像对应的重建投影图像和第二待配准血管图像输入至预先训练完成的关键点追踪模型，得到分段关键点；
中心线图像分段模块430，用于基于所述分段关键点分别对所述第一血管中心线图像和所述第二血管中心线图像进行分段，得到第一分段中心线图像和第二分段中心线图像；
血管配准图像确定模块440，用于基于所述第一分段中心线图像和第二分段中心线图像确定血管配准图像。
本发明提供的血管配准装置，通过分别获取第一待配准血管图像对应的第一血管中心线图像和第二待配准血管图像对应的第二血管中心线图像；确定第一待配准血管图像对应的重建投影图像，将第一待配准血管图像对应的重建投影图像和第二待配准血管图像输入至预先训练完成的关键点追踪模型，得到分段关键点；基于分段关键点分别对第一血管中心线图像和第二血管中心线图像进行分段，得到第一分段中心线图像和第二分段中心线图像；基于第一分段中心线图像和第二分段中心线图像确定血管配准图像。上述技术方案，通过关键点追踪模型预测得到分段关键点，进而根据分段关键点进行血管分段，从而再进行配准，提升了配准精确度。
在一些可选的实施方式中，中心线图像获取模块410，具体用于：
获取待配准血管图像，其中，所述待配准血管图像包括第一待配准血管图像和第二待配准血管图像；
对所述第一待配准血管图像进行分割，得到第一血管图像，对所述第一血管图像进行中心线提取，得到所述第一待配准血管图像对应的第一血管中心线图像；
对所述第二待配准血管图像进行分割，得到第二血管图像，对所述第二血管图像进行中心线提取，得到所述第二待配准血管图像对应的第二血管中心线图像。
在一些可选的实施方式中，所述第一待配准血管图像为三维血管图像；分段关键点预测模块420，具体用于：
获取所述第二待配准血管图像的角度信息；
基于所述第二待配准血管图像的角度信息对三维血管图像进行旋转，得到旋转后的三维血管图像；
对所述旋转后的三维血管图像进行重采样，得到重采样的三维血管图像；
对所述重采样的三维血管图像进行重建投影，得到所述三维血管图像对应的重建投影图像。
在一些可选的实施方式中，关键点追踪模型包括卷积网络模型、特征提取模块和关键点卷积层，分段关键点预测模块420，包括：
特征图确定单元，用于将所述第一待配准血管图像对应的重建投影图像和第二待配准血管图像输入至卷积网络模型，得到第一特征图和第二特征图；
关键点特征图像确定单元，用于将所述重建投影图像的关键点坐标和所述第一特征图输入至特征提取模块，得到关键点特征图像；
分段关键点确定单元，用于将所述关键点特征图像和所述第二特征图输入至关键点卷积层，得到分段关键点。
在一些可选的实施方式中，关键点特征图像确定单元，具体用于：
通过所述特征提取模块，在所述第一特征图上获取所述重建投影图像的关键点坐标邻域内的特征，将所述重建投影图像的关键点坐标邻域内的特征作为关键点特征图像。
在一些可选的实施方式中，血管配准图像确定模块440，具体用于：
将各血管段对应的第一分段中心线图像和第二分段中心线图像进行分段配准，得到各血管段的配准图像；
将所述各血管段的配准图像进行融合，得到血管配准图像。
在一些可选的实施方式中，血管配准装置，包括：
训练样本获取模块，用于获取多组训练样本，所述训练样本包括第一样本图像的重建投影图像、所述第一样本图像的重建投影图像的关键点坐标、第二样本图像和关键点标注信息；
关键点追踪模型训练模块，用于基于所述第一样本图像的重建投影图像、所述第一样本图像的重建投影图像的关键点坐标、第二样本图像和关键点标注信息对待训练的关键点追踪模型进行训练，得到关键点追踪模型。
本发明实施例所提供的血管配准装置可执行本发明任意实施例所提供的血管配准方法，具备执行方法相应的功能模块和有益效果。
实施例五
图8示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图8所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如血管配准方法，该方法包括：
分别获取第一待配准血管图像对应的第一血管中心线图像和第二待配准血管图像对应的第二血管中心线图像；
确定所述第一待配准血管图像对应的重建投影图像，将所述第一待配准血管图像对应的重建投影图像和第二待配准血管图像输入至预先训练完成的关键点追踪模型，得到分段关键点；
基于所述分段关键点分别对所述第一血管中心线图像和所述第二血管中心线图像进行分段，得到第一分段中心线图像和第二分段中心线图像；
基于所述第一分段中心线图像和第二分段中心线图像确定血管配准图像。
在一些实施例中，血管配准方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的血管配准方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行血管配准方法。
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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。
计算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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
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，本发明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，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种血管配准方法，其特征在于，包括：
分别获取第一待配准血管图像对应的第一血管中心线图像，和第二待配准血管图像对应的第二血管中心线图像；
确定所述第一待配准血管图像对应的重建投影图像，将所述第一待配准血管图像对应的重建投影图像和第二待配准血管图像输入至预先训练完成的关键点追踪模型，得到分段关键点；
基于所述分段关键点分别对所述第一血管中心线图像和所述第二血管中心线图像进行分段，得到第一分段中心线图像和第二分段中心线图像；
基于所述第一分段中心线图像和第二分段中心线图像确定血管配准图像。
2.根据权利要求1所述的方法，其特征在于，所述分别获取第一待配准血管图像对应的第一血管中心线图像和第二待配准血管图像对应的第二血管中心线图像，包括：
获取待配准血管图像，其中，所述待配准血管图像包括第一待配准血管图像和第二待配准血管图像；
对所述第一待配准血管图像进行分割，得到第一血管图像，对所述第一血管图像进行中心线提取，得到所述第一待配准血管图像对应的第一血管中心线图像；
对所述第二待配准血管图像进行分割，得到第二血管图像，对所述第二血管图像进行中心线提取，得到所述第二待配准血管图像对应的第二血管中心线图像。
3.根据权利要求1所述的方法，其特征在于，所述第一待配准血管图像为三维血管图像；
所述确定所述第一待配准血管图像对应的重建投影图像，包括：
获取所述第二待配准血管图像的角度信息；
基于所述第二待配准血管图像的角度信息对三维血管图像进行旋转，得到旋转后的三维血管图像；
对所述旋转后的三维血管图像进行重采样，得到重采样的三维血管图像；
对所述重采样的三维血管图像进行重建投影，得到所述三维血管图像对应的重建投影图像。
4.根据权利要求1所述的方法，其特征在于，所述关键点追踪模型包括卷积网络模型、特征提取模块和关键点卷积层；
相应的，所述将所述第一待配准血管图像对应的重建投影图像和第二待配准血管图像输入至预先训练完成的关键点追踪模型，得到分段关键点，包括：
将所述第一待配准血管图像对应的重建投影图像和第二待配准血管图像输入至卷积网络模型，得到第一特征图和第二特征图；
将所述重建投影图像的关键点坐标和所述第一特征图输入至特征提取模块，得到关键点特征图像；
将所述关键点特征图像和所述第二特征图输入至关键点卷积层，得到分段关键点。
5.根据权利要求4所述的方法，其特征在于，所述将所述重建投影图像的关键点坐标和所述第一特征图输入至特征提取模块，得到关键点特征图像，包括：
通过所述特征提取模块，在所述第一特征图上获取所述重建投影图像的关键点坐标邻域内的特征，将所述重建投影图像的关键点坐标邻域内的特征作为关键点特征图像。
6.根据权利要求1所述的方法，其特征在于，所述基于所述第一分段中心线图像和第二分段中心线图像确定血管配准图像，包括：
将各血管段对应的第一分段中心线图像和第二分段中心线图像进行分段配准，得到各血管段的配准图像；
将所述各血管段的配准图像进行融合，得到血管配准图像。
7.根据权利要求1所述的方法，其特征在于，所述关键点追踪模型的训练步骤，包括：
获取多组训练样本，所述训练样本包括第一样本图像的重建投影图像、所述第一样本图像的重建投影图像的关键点坐标、第二样本图像和关键点标注信息；
基于所述第一样本图像的重建投影图像、所述第一样本图像的重建投影图像的关键点坐标、第二样本图像和关键点标注信息对待训练的关键点追踪模型进行训练，得到关键点追踪模型。
8.一种血管配准装置，其特征在于，包括：
中心线图像获取模块，用于分别获取第一待配准血管图像对应的第一血管中心线图像和第二待配准血管图像对应的第二血管中心线图像；
分段关键点预测模块，用于确定所述第一待配准血管图像对应的重建投影图像，将所述第一待配准血管图像对应的重建投影图像和第二待配准血管图像输入至预先训练完成的关键点追踪模型，得到分段关键点；
中心线图像分段模块，用于基于所述分段关键点分别对所述第一血管中心线图像和所述第二血管中心线图像进行分段，得到第一分段中心线图像和第二分段中心线图像；
血管配准图像确定模块，用于基于所述第一分段中心线图像和第二分段中心线图像确定血管配准图像。
9.一种电子设备，其特征在于，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执行的计算机程序，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权利要求1-7中任一项所述的血管配准方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的血管配准方法。
CN202211153108.5A 2022-09-21 2022-09-21 血管配准方法、装置、电子设备及存储介质 Pending CN115482261A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211153108.5A CN115482261A (zh) 2022-09-21 2022-09-21 血管配准方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211153108.5A CN115482261A (zh) 2022-09-21 2022-09-21 血管配准方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115482261A true CN115482261A (zh) 2022-12-16

Family

ID=84424406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211153108.5A Pending CN115482261A (zh) 2022-09-21 2022-09-21 血管配准方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115482261A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661225A (zh) * 2022-12-26 2023-01-31 深圳微创踪影医疗装备有限公司 三维血管图像重建方法、装置、计算机设备、存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661225A (zh) * 2022-12-26 2023-01-31 深圳微创踪影医疗装备有限公司 三维血管图像重建方法、装置、计算机设备、存储介质

Similar Documents

Publication Publication Date Title
CN111640124B (zh) 一种血管提取方法、装置、设备及存储介质
CN114565763B (zh) 图像分割方法、装置、设备、介质及程序产品
JP7346553B2 (ja) 深層学習を使用する３ｄデータセット内のオブジェクトの成長率の決定
CN111429502A (zh) 用于生成对象的中心线的方法和系统以及计算机可读介质
CN115018805A (zh) 分割模型训练方法、图像分割方法、装置、设备及介质
CN113971728B (zh) 图像识别方法、模型的训练方法、装置、设备及介质
CN114004793A (zh) 血流特性获取方法、装置、电子设备及存储介质
CN117373070B (zh) 血管分段标注的方法及装置、电子设备和存储介质
CN115409990A (zh) 一种医学图像分割方法、装置、设备及存储介质
CN115482261A (zh) 血管配准方法、装置、电子设备及存储介质
CN115861189A (zh) 图像配准方法、装置、电子设备及存储介质
CN115482358B (zh) 一种三角网格曲面的生成方法、装置、设备及存储介质
CN115147360B (zh) 一种斑块分割方法、装置、电子设备及可读存储介质
CN115147359B (zh) 肺叶分割网络模型训练方法、装置、电子设备及存储介质
CN114937149A (zh) 图像处理方法、装置、电子设备及存储介质
CN115409856A (zh) 一种肺部医学图像处理方法、装置、设备及存储介质
JP2023131287A (ja) 情報処理装置および学習方法
CN114419375A (zh) 图像分类方法、训练方法、装置、电子设备以及存储介质
CN109799936B (zh) 一种图像生成方法、装置、设备及介质
CN115578564B (zh) 实例分割模型的训练方法、装置、电子设备及存储介质
CN115690143B (zh) 图像分割方法、装置、电子设备及存储介质
CN117523622A (zh) 一种主动脉的分段识别方法、装置、电子设备及存储介质
CN117764911A (zh) 一种血管命名方法、装置、设备及介质
CN116245853A (zh) 血流储备分数确定方法、装置、电子设备及存储介质
CN115880494A (zh) 血管图像分割方法、装置、电子设备以及存储介质

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