CN116758096A - 动脉瘤分割方法、电子设备及存储介质 - Google Patents
动脉瘤分割方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116758096A CN116758096A CN202310809463.1A CN202310809463A CN116758096A CN 116758096 A CN116758096 A CN 116758096A CN 202310809463 A CN202310809463 A CN 202310809463A CN 116758096 A CN116758096 A CN 116758096A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- aneurysm
- data
- node
- sample data
- 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
Links
- 206010002329 Aneurysm Diseases 0.000 title claims abstract description 160
- 230000011218 segmentation Effects 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 71
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 132
- 238000000605 extraction Methods 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000002372 labelling Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 14
- 230000002792 vascular Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000013136 deep learning model Methods 0.000 description 5
- 238000002583 angiography Methods 0.000 description 4
- 238000010968 computed tomography angiography Methods 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 239000000470 constituent Substances 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请公开了一种动脉瘤分割方法、电子设备及存储介质。该方法包括：获取原始图像数据，原始图像数据包含血管信息；基于血管信息生成三维血管数据；将三维血管数据输入动脉瘤分割模型中，得到动脉瘤分割模型输出的动脉瘤分割结果；其中，基于三维血管样本集和动脉瘤标注信息训练得到动脉瘤分割模型；三维血管样本集为对原始样本数据集中的每一原始样本数据进行血管提取处理后所得的三维血管样本数据的集合。本申请的技术方案，能够提高动脉瘤数据分割的一致性，减少原始数据的模态和人为分割对分割结果造成的干扰，提升动脉瘤数据分割准确性。
Description
技术领域
本申请一般涉及图像数据处理技术领域。更具体地，本申请涉及一种动脉瘤分割方法、电子设备及存储介质。
背景技术
在目前临床上关于脑血管病的检查中具有多种影像扫描手段，包括CT血管造影、磁共振成像MRA和数字减影血管造影DSA等。不同模态的影像数据均有所区别，因此完成跨模态的动脉瘤数据分割任务具有很大难度。然而动脉瘤图像在临床上可用于动脉瘤的形态学参数测量，进而量化描述动脉瘤的特征或用于动脉瘤的辅助诊断等，因此动脉瘤数据分割的准确性在临床应用中十分重要。
在临床中动脉瘤图像可以由医生进行手动分割，但手动分割通常会受到医生的主观意识影响，导致不同医生的分割结果也会有所不同。现有技术中，可以直接将原始医学影像输入网络模型，进而逐像素地完成对动脉瘤图像的分割。此方法虽然能够在动脉瘤图像的分割过程中减少人为主观因素造成的干扰，但是不同模态的影像数据会对动脉瘤图像的分割结果造成较大影响。
有鉴于此，亟需提供一种动脉瘤分割方法，以便提高动脉瘤数据分割的一致性，减少原始数据的模态和人为分割对分割结果造成的干扰，提升动脉瘤数据分割准确性。
发明内容
为了至少解决如上所提到的一个或多个技术问题，本申请提出了一种动脉瘤分割方法、电子设备及存储介质，该动脉瘤分割方法能够提高动脉瘤数据分割的一致性，减少原始数据的模态和人为分割对分割结果造成的干扰，提升动脉瘤数据分割准确性。
在第一方面中，本申请提供一种动脉瘤分割方法，包括：获取原始图像数据，原始图像数据包含血管信息；基于血管信息生成三维血管数据；将三维血管数据输入动脉瘤分割模型中，得到动脉瘤分割模型输出的动脉瘤分割结果；其中，基于三维血管样本集和动脉瘤标注信息训练得到动脉瘤分割模型；三维血管样本集为对原始样本数据集中的每一原始样本数据进行血管提取处理后所得的三维血管样本数据的集合。
在一些实施例中，基于三维血管样本集和动脉瘤标注信息训练得到动脉瘤分割模型包括：获取原始样本数据集；基于预设提取算法对原始样本数据集中的每一原始样本数据进行血管提取处理，得到三维血管样本集；将原始样本数据集中的每一原始样本数据对应的动脉瘤标注信息映射至三维血管样本集中与每一原始样本数据对应的每一三维血管样本数据上，得到目标血管样本集；将目标血管样本集输入初始分割模型中进行训练，得到动脉瘤分割模型。
在一些实施例中，初始分割模型包含编码结构和解码结构，将目标血管样本集输入初始分割模型中进行训练包括：将目标血管样本集中的目标血管样本数据输入编码结构中进行M次特征提取处理，得到中间特征数据；将中间特征数据输入解码结构中进行M次上采样处理，得到目标特征数据；基于目标特征数据和预设输出函数确定目标血管样本数据中每一节点的节点预测结果；基于节点预测结果、目标血管样本数据的动脉瘤标注信息和预设损失函数确定损失值；根据损失值确定是否输出动脉瘤分割模型。
在一些实施例中，在将目标血管样本集中的目标血管样本数据输入编码结构中进行M次特征提取处理中，特征提取处理包括：通过FPS算法确定当前进行特征提取处理的特征数据的分组中心点；根据分组中心点对当前的特征数据中的节点进行分组，得到多个节点分组；通过卷积算法对每一节点分组中的节点特征进行特征融合，并且通过最大池化确定每一节点分组的分组特征，得到更新的特征数据。
在一些实施例中，在将中间特征数据输入解码结构中进行M次上采样处理中，上采样处理包括：基于j个第一中心点以及第二中心点确定j个节点距离；j个第一中心点为第k次进行上采样处理的特征数据的分组中心点中与第二中心点距离最近的j个中心点；第二中心点为第M+1-k次进行特征提取处理的特征数据中的分组中心点；根据j个节点距离确定j个插值权重；根据j个插值权重和j个第一中心点的特征向量对第二中心点的特征向量进行更新。
在一些实施例中，基于节点预测结果、目标血管样本数据的动脉瘤标注信息和预设损失函数确定损失值包括：根据目标血管样本数据的动脉瘤标注信息确定目标血管样本数据中每一节点的真实值；根据每一节点的节点预测结果、每一节点的真实值和预设损失函数确定损失值。
在一些实施例中，根据每一节点的节点预测结果、每一节点的真实值和预设损失函数确定损失值包括：将每一节点的节点预测结果和每一节点的真实值输入预设损失函数，得到损失值；预设损失函数为：
其中，为第i个节点的真实值，为第i个节点的节点预测结果，N为节点数量。
在一些实施例中，根据损失值确定是否输出动脉瘤分割模型包括：若训练迭代次数达到预设次数，和/或若在每一损失值中连续x次得到的损失值不降低，则停止更新初始分割模型的模型参数并输出动脉瘤分割模型。
在一些实施例中，基于预设提取算法对原始样本数据集中的每一原始样本数据进行血管提取处理包括：通过阈值提取算法或深度学习算法对每一原始样本数据进行血管数据提取，得到血管提取信息；通过MarchingCubes算法对每一原始样本数据对应的血管提取信息进行三维血管还原，得到每一原始样本数据对应的三维血管样本数据。
本申请第二方面提供一种电子设备，包括：
处理器；以及存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。
本申请第三方面提供一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。
本申请提供的技术方案可以包括以下有益效果：
本申请提供的动脉瘤分割方法、电子设备及存储介质，通过获取原始图像数据，该原始图像数据包含血管信息，进而基于血管信息生成三维血管数据，再将三维血管数据输入动脉瘤分割模型中，得到动脉瘤分割模型输出的动脉瘤分割结果。通过将原始的血管信息转换成三维空间数据，再基于三维空间数据进行数据分割，从而能够仅使用一个针对三维空间数据的深度学习模型即可实现对不同模态的原始图像数据中的动脉瘤图像进行分割，大大降低了不同模态的原始图像数据对分割结果的影响。
进一步地，该动脉瘤分割模型基于三维血管样本集和动脉瘤标注信息训练得到，其中三维血管样本集为对原始样本数据集中的每一原始样本数据进行血管提取处理后所得的三维血管样本数据的集合，从而能够使得本申请的深度学习模型能够具备根据动脉瘤标注信息对动脉瘤图像进行分割的能力，形成动脉瘤分割模型。
总的来说，本申请方案能够提高动脉瘤数据分割的一致性，减少原始数据的模态和人为分割对分割结果造成的干扰，提升动脉瘤数据分割准确性。
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，并且相同或对应的标号表示相同或对应的部分，其中：
图1示出了本申请一些实施例的动脉瘤分割方法的示例性流程图；
图2示出了本申请另一些实施例的动脉瘤分割方法的示例性流程图；
图3示出了本申请又一些实施例的动脉瘤分割方法的示例性流程图；
图4是本申请实施例示出的电子设备的结构示意图。
具体实施方式
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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。为了说明的简单和清楚，在认为合适的情况下，可以在附图中重复附图标记以指示对应或类似的元件。另外，本申请阐述了许多具体细节以便提供对本文所述实施例的透彻理解。然而，本领域普通技术人员将理解，可以在没有这些具体细节的情况下实践本文描述的实施例。在其他情况下，没有详细描述公知的方法、过程和组件，以免模糊本文描述的实施例。而且，该描述不应被视为限制本文描述的实施例的范围。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。
应当理解，本申请披露的权利要求、说明书及附图中的可能术语“第一”或“第二”等是用于区别不同对象，而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本申请。如在本申请说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本申请说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
动脉瘤图像在临床上可用于动脉瘤的形态学参数测量，进而量化描述动脉瘤的特征或用于动脉瘤的辅助诊断等，因此动脉瘤数据分割的准确性在临床应用中十分重要。在临床中动脉瘤图像可以由医生进行手动分割，但手动分割通常会受到医生的主观意识影响，导致不同医生的分割结果也会有所不同。现有技术中，可以直接将原始医学影像输入网络模型，进而逐像素地完成对动脉瘤图像的分割。此方法虽然能够在动脉瘤图像的分割过程中减少人为主观因素造成的干扰，但是不同模态的影像数据会对动脉瘤图像的分割结果造成较大影响。
有鉴于此，亟需提供一种动脉瘤分割方法，以便提高动脉瘤数据分割的一致性，减少原始数据的模态和人为分割对分割结果造成的干扰，提升动脉瘤数据分割准确性。
下面结合附图来详细描述本申请的具体实施方式。图1示出了本申请一些实施例的动脉瘤分割方法的示例性流程图，请参阅图1，本申请实施例示出的动脉瘤分割方法可以包括：
在步骤S101中，获取原始图像数据。在本申请实施例中，前述的原始图像数据是指需要分割出动脉瘤图像的原始图像。可以理解的是，原始图像数据包含有血管信息，血管信息中也必然包含有动脉瘤图像的ROI(region of interest，感兴趣区域)。示例性地，原始图像数据可以是CT血管造影、磁共振成像MRA和数字减影血管造影DSA等扫描手段所获取的不同模态的影像数据，在实际应用中，需根据实际应用情况来确定原始图像数据的模态，本申请在此方面不作任何限制。
在步骤S102中，基于血管信息生成三维血管数据。在本申请实施例中，需要从原始图像数据中提取出血管信息并依据血管信息进行3D重建，以还原得到三维血管数据。这样做的目的是避免直接将原始图像数据输入至动脉瘤分割模型中而导致分割结果受到不同模态的影像数据所影响的情况，从而能够仅使用一个针对三维空间数据的深度学习模型即可实现对不同模态的原始图像数据中的动脉瘤图像进行分割，减少原始数据的模态带来的干扰。
在步骤S103中，将三维血管数据输入动脉瘤分割模型中，得到动脉瘤分割模型输出的动脉瘤分割结果。在本申请实施例中，前述的动脉瘤分割模型基于三维血管样本集和动脉瘤标注信息训练得到。在输出动脉瘤分割结果之前，可以将模型所输出的数据与预设阈值进行对比，若所输出的数据大于该预设阈值，则可以将所输出的数据对应的位置视为动脉瘤的位置，从而最终得到动脉瘤分割结果。相反，则可以将所输出的数据对应的位置视为血管的位置。优选地，该预设阈值可以是0.5，在实际应用中，需根据实际应用情况确定该预设阈值的取值，本申请在此方面不作任何限制。
其中，三维血管样本集为对原始样本数据集中的每一原始样本数据进行血管提取处理后所得的三维血管样本数据的集合。可以理解的是，前述的原始样本数据集中的每一原始样本数据是指通过CT血管造影、磁共振成像MRA和数字减影血管造影DSA等扫描手段所获取的不同模态的样本影像数据。
进一步地，分别对原始样本数据集中的每一原始样本数据进行血管提取处理得到每一原始样本数据对应的每一三维血管样本数据，从而基于每一三维血管样本数据汇总而成三维血管样本集。在本申请实施例中，血管提取处理可以至少采用阈值提取或利用深度学习神经网络来进行提取，可以理解的是，在实际应用中，需根据实际应用情况确定血管提取处理的方式，本申请在此方面不作任何限制。
另外，动脉瘤标注信息是指原始样本数据集中的每一原始样本数据中分别具有的动脉瘤标注标签(mask)中记载的信息，动脉瘤标注信息可以包含但不限于当前位置是否为动脉瘤的信息以及当前位置的坐标信息等等。可以理解的是，在实际应用中，需根据实际应用情况确定动脉瘤标注信息的具体内容，本申请在此方面不作任何限制。
还可以理解的是，基于大量的三维血管样本数据以及每一原始样本数据中的动脉瘤标注信息进行训练所得的动脉瘤分割模型能够具备根据动脉瘤标注信息在三维血管样本数据中对动脉瘤图像进行分割的能力，进而使得动脉瘤分割模型在训练完成后具备针对由不同模态的原始图像数据转换而成的三维血管数据进行动脉瘤分割的能力。
通过获取原始图像数据，该原始图像数据包含血管信息，进而基于血管信息生成三维血管数据，再将三维血管数据输入动脉瘤分割模型中，得到动脉瘤分割模型输出的动脉瘤分割结果。通过将原始的血管信息转换成三维空间数据，再基于三维空间数据进行数据分割，从而能够仅使用一个针对三维空间数据的深度学习模型即可实现对不同模态的原始图像数据中的动脉瘤图像进行分割，大大降低了不同模态的原始图像数据对分割结果的影响。进一步地，该动脉瘤分割模型基于三维血管样本集和动脉瘤标注信息训练得到，其中三维血管样本集为对原始样本数据集中的每一原始样本数据进行血管提取处理后所得的三维血管样本数据的集合，从而能够使得本申请的深度学习模型能够具备根据动脉瘤标注信息对动脉瘤图像进行分割的能力，形成动脉瘤分割模型。总的来说，本申请方案能够提高动脉瘤数据分割的一致性，减少原始数据的模态和人为分割对分割结果造成的干扰，提升动脉瘤数据分割准确性。
在一些实施例中，可以对动脉瘤分割模型的训练步骤进行进一步设计。下文将结合图2来对动脉瘤分割模型的训练步骤进行详细说明。图2示出了本申请另一些实施例的动脉瘤分割方法的示例性流程图，请参阅图2，本申请实施例示出的动脉瘤分割方法中，动脉瘤分割模型的训练方法可以包括：
在步骤S201中，获取原始样本数据集。前述的原始样本数据集示例性地可以通过对CT血管造影、磁共振成像MRA和/或数字减影血管造影DSA等扫描手段对应的影像数据库进行数据调用以实现获取。可以理解的是，在实际应用中，原始样本数据集的获取方式是多样的，需根据实际应用情况确定原始样本数据集的获取方式，本申请在此方面不作任何限制。
在步骤S202中，基于预设提取算法对原始样本数据集中的每一原始样本数据进行血管提取处理，得到三维血管样本集。在本申请实施例中，作为示例，可以首先通过阈值提取算法或者利用深度学习神经网络对每一原始样本数据进行血管数据提取，得到血管提取信息。示例性地，假设采用阈值提取算法来实现血管数据的提取，则可以预先设定一个灰度阈值，若大于该灰度阈值，则确定该灰度对应的像素位置属于血管。
进一步地，可以通过MarchingCubes算法对每一原始样本数据对应的血管提取信息进行三维血管还原，得到每一原始样本数据对应的三维血管样本数据。MarchingCubes是一种面绘制算法，面绘制算法是一种能够用于医学图像三维重建的算法。
可以理解的是，上述对于血管提取处理的描述仅为示例性的，在实际应用中，需根据实际应用情况选择合适的方式来实现血管提取处理，本申请在此方面不作任何限制。
在步骤S203中，将原始样本数据集中的每一原始样本数据对应的动脉瘤标注信息映射至三维血管样本集中与每一原始样本数据对应的每一三维血管样本数据上，得到目标血管样本集。在本申请实施例中，可以根据每一原始样本数据对应的动脉瘤标注信息中记载的坐标信息将动脉瘤标注标签(mask)映射至三维血管样本集中与每一原始样本数据对应的每一三维血管样本数据上，以能够实现将原始样本数据集中的每一原始样本数据对应的动脉瘤标注信息映射至三维血管样本集中与每一原始样本数据对应的每一三维血管样本数据上，得到由多个目标血管样本数据汇总而成的目标血管样本集。
在步骤S204中，将目标血管样本集输入初始分割模型中进行训练，得到动脉瘤分割模型。在本申请实施例中，通过大量带有动脉瘤标注信息的目标血管样本数据对初始分割模型进行训练，能够使得训练所得的动脉瘤分割模型具备根据动脉瘤标注信息在三维血管样本数据中对动脉瘤图像进行分割的能力，进而使得动脉瘤分割模型在训练完成后具备针对由不同模态的原始图像数据转换而成的三维血管数据进行动脉瘤分割的能力。
在一些实施例中，初始分割模型可以包含编码结构和解码结构，进而可以对将目标血管样本集输入初始分割模型中进行训练的过程进行进一步设计。下文将结合图3来对将目标血管样本集输入初始分割模型中进行训练的过程进行详细描述。图3示出了本申请又一些实施例的动脉瘤分割方法的示例性流程图，请参阅图3，本申请实施例中示出的动脉瘤分割方法可以包括：
在步骤S301中，将目标血管样本集中的目标血管样本数据输入编码结构中进行M次特征提取处理，得到中间特征数据。在本申请实施例中，前述的特征提取处理的过程可以视为是对目标血管样本数据的下采样过程。该特征提取处理的过程可以示例性地具体如下：
首先，可以通过FPS算法确定当前进行特征提取处理的特征数据的分组中心点。在本申请实施例中，基于原始样本数据进行3D重建并映射加入动脉瘤标注标签(mask)之后所得的目标血管样本数据实质上是特征数据。特别地，首次进行特征提取处理的特征数据为三维mesh数据，mesh是指多边形网格，是计算机图形学中用于对各种不规律物体进行建模的一种数据结构。在多边形网格的面片中，三角形面片是被分割的最小单位，因此mesh通常可以指代三角面片。三维mesh数据中的节点可以视为是三角面片的顶点。
上述的FPS算法是指最远点采样算法(Farthest Point Sampling)。可以通过FPS算法以及特征数据中的节点坐标来计算出中心点，在本申请实施例中，中心点的数量一般为超参数，可根据实际应用需求进行设置，通常依次设为256、128和64，本申请在此方面不作任何限制。
上述的当前进行特征提取处理的特征数据是指当前即将需要进行特征提取处理的特征数据。示例性地，假设在第一次进行特征提取处理时，目标血管样本数据则作为当前进行特征提取处理的特征数据。而假设在第二次进行特征提取处理时，则是由目标血管样本数据经过第一次特征提取处理后输出的特征数据作为当前进行特征提取处理的特征数据，如此类推，由此确定每次进行特征提取处理的特征数据。
然后，可以根据分组中心点对当前的特征数据中的节点进行分组，得到多个节点分组。在本申请实施例中，可以通过KNN(K-NearestNeighbor)算法或Query Ball Point算法来根据分组中心点对当前的特征数据中的节点进行分组。前述的KNN算法是指邻近算法，又称K最邻近分类算法。示例性地可以计算分组中心点至其他节点的距离，进而对每一个距离进行排序，然后选择与分组中心点距离最短的若干个节点与该分组中心点形成节点分组。另外，若采用Query Ball Point算法进行分组则可以示例性地以分组中心点为圆心划定某一半径，进而找在该半径球内的节点作为邻点以构成节点分组。
可以为理解的是，对特征数据中的节点进行分组的方法是多样的，在实际应用中，需根据实际应用情况确定合适的分组方法，本申请在此方面不作任何限制。
接着，可以通过卷积算法对每一节点分组中的节点特征进行特征融合，并且通过最大池化确定每一节点分组的分组特征，得到更新的特征数据。在本申请实施例中，可以利用预设卷积核在当前的特征数据中进行滑动，在滑动过程中，将特征数据中的每一节点的节点坐标、法向量和/或边连接关系信息与预设卷积核中的数值相乘后求和，以得到更新的特征，实现对每一节点分组中的节点特征进行特征融合，直至滑动完所有的节点。进而可以通过平均池化或最大池化来确定每一节点分组的分组特征。在本申请实施例中，优选地采用最大池化来确定每一节点分组的分组特征，即是在每一节点分组中选取最大值来作为节点分组的分组特征，以形成更新的特征数据。该更新的特征数据可作为下一次进行特征提取处理的输入特征数据。直至经过M次特征提取处理后，可将该更新的特征数据输出作为中间特征数据，M为正整数。
在步骤S302中，将中间特征数据输入解码结构中进行M次上采样处理，得到目标特征数据。在本申请实施例中，该上采样处理的过程可示例性地具体如下：
首先可以基于j个第一中心点以及第二中心点确定j个节点距离。示例性地，第一中心点与第二中心点之间的距离可以根据第一中心点的特征向量和第二中心点的特征向量进行欧氏距离计算所得。其中，j个第一中心点为第k次进行上采样处理的特征数据的分组中心点中与第二中心点距离最近的j个中心点。第二中心点为第M+1-k次进行特征提取处理的特征数据中的分组中心点。作为示例，假设M取值为3，j取值为3，k取值为1，那么该3个第一中心点为第1次进行上采样处理的特征数据的3个分组中心点，此时即是中间特征数据的3个分组中心点。相应地，与该3个第一中心点距离最近的第二中心点则为第3次进行特征提取处理的特征数据中的分组中心点，即是在第2次进行特征提取处理后输出的更新的特征数据中的分组中心点。从而能够把第k次进行上采样处理的特征数据的分组中心点的特征映射回第M+1-k次进行特征提取处理的特征数据中的分组中心点，实现在上采样过程中进行双采样，提升上采样准确度。
然后，可以根据j个节点距离确定j个插值权重。在本申请实施例中，示例性地可以上述j个节点距离的倒数作为j个线性插值的权重。
接着，可以根据j个插值权重和j个第一中心点的特征向量对第二中心点的特征向量进行更新。示例性地，可以将j插值权重分别与对应的第一中心点的特征向量中的每一维度分别相乘，从而分别对j个第一中心点的特征向量进行更新。进而将更新后的j个第一中心点的特征向量与第二中心点的特征向量进行求和，以此来对第二中心点的特征向量进行更新。
可以理解的是，通过对第M+1-k次进行特征提取处理的特征数据中的每一第二中心点进行更新之后，能够得到更新的上采样特征数据。该更新的上采样特征数据可作为下一次进行上采样处理的输入特征数据。直至经过M次上采样处理后，可将该更新的上采样特征数据输出作为目标特征数据，完成上采样过程。
在步骤S303中，基于目标特征数据和预设输出函数确定目标血管样本数据中每一节点的节点预测结果。在本申请实施例中，预设输出函数可以是Sigmoid函数，Sigmoid函数用于将目标血管样本数据中每一节点的节点预测结果的输出值限制在[0,1]之间。
在步骤S304中，基于节点预测结果、目标血管样本数据的动脉瘤标注信息和预设损失函数确定损失值。在本申请示例中，首先可以根据目标血管样本数据的动脉瘤标注信息确定目标血管样本数据中每一节点的真实值。示例性地，动脉瘤节点的真实值可以设置为1，血管节点的真实值可以设置为0。可以理解的是，动脉瘤节点和血管节点对应的真实值的设置方式是多样的，在实际应用中，需根据实际应用情况对动脉瘤节点和血管节点对应的真实值进行合理设定，本申请在此方面不作任何限制。
接着，可以根据每一节点的节点预测结果、每一节点的真实值和预设损失函数确定损失值。具体地，可以将每一节点的节点预测结果和每一节点的真实值输入预设损失函数，得到损失值。预设损失函数可以示例性地为Diceloss函数，可以表示为：
其中，为第i个节点的真实值，为第i个节点的节点预测结果，N为节点数量。
在步骤S305中，根据损失值确定是否输出动脉瘤分割模型。在本申请实施例中，若训练迭代次数达到预设次数，和/或若在每一损失值中连续x次得到的损失值不降低，则停止更新初始分割模型的模型参数并输出动脉瘤分割模型。x为正整数，优选地，x可以取值为5，需根据实际应用情况而设置x的取值，本申请在此方面不作任何限制。
与前述应用功能实现方法实施例相对应，本申请还提供了一种用于执行动脉瘤分割方法的电子设备及相应的实施例。
图4示出可以实施本申请实施例的动脉瘤分割方法的电子设备400的硬件配置的框图。如图4所示，电子设备400可以包括处理器410和存储器420。在图4的电子设备400中，仅示出了与本实施例有关的组成元素。因此，对于本领域普通技术人员而言显而易见的是：电子设备400还可以包括与图4中所示的组成元素不同的常见组成元素。比如：定点运算器。
电子设备400可以对应于具有各种处理功能的计算设备，例如，用于生成神经网络、训练或学习神经网络、将浮点型神经网络量化为定点型神经网络、或者重新训练神经网络的功能。例如，电子设备400可以被实现为各种类型的设备，例如个人计算机(PC)、服务器设备、移动设备等。
处理器410控制电子设备400的所有功能。例如，处理器410通过执行电子设备400上的存储器420中存储的程序，来控制电子设备400的所有功能。处理器410可以由电子设备400中提供的中央处理单元(CPU)、图形处理单元(GPU)、应用处理器(AP)、人工智能处理器芯片(IPU)等来实现。然而，本申请不限于此。
在一些实施例中，处理器410可以包括输入/输出(I/O)单元411和计算单元412。I/O单元411可以用于接收各种数据，例如原始图像数据。示例性地，计算单元412可以用于基于经由I/O单元411接收的原始图像数据中的血管信息生成三维血管数据，进而将三维血管数据输入动脉瘤分割模型中，得到动脉瘤分割模型输出的动脉瘤分割结果。此动脉瘤分割结果例如可以由I/O单元411输出。输出数据可以提供给存储器420以供其他设备(未示出)读取使用，也可以直接提供给其他设备使用。
存储器420是用于存储电子设备400中处理的各种数据的硬件。例如，存储器420可以存储电子设备400中的处理过的数据和待处理的数据。存储器420可存储处理器410已处理或要处理的动脉瘤分割方法过程中涉及的数据集，例如，原始图像数据等。此外，存储器420可以存储要由电子设备400驱动的应用、驱动程序等。例如：存储器420可以存储与将由处理器410执行的动脉瘤分割方法有关的各种程序。存储器420可以是DRAM，但是本申请不限于此。存储器420可以包括易失性存储器或非易失性存储器中的至少一种。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、闪存、相变RAM(PRAM)、磁性RAM(MRAM)、电阻RAM(RRAM)、铁电RAM(FRAM)等。易失性存储器可包括动态RAM(DRAM)、静态RAM(SRAM)、同步DRAM(SDRAM)、PRAM、MRAM、RRAM、铁电RAM(FeRAM)等。在实施例中，存储器420可以包括硬盘驱动器(HDD)、固态驱动器(SSD)、高密度闪存(CF)、安全数字(SD)卡、微安全数字(Micro-SD)卡、迷你安全数字(Mini-SD)卡、极限数字(xD)卡、高速缓存(caches)或记忆棒中的至少一项。
综上，本说明书实施方式提供的电子设备400的存储器420和处理器410实现的具体功能，可以与本说明书中的前述实施方式相对照解释，并能够达到前述实施方式的技术效果，这里便不再赘述。
在本实施方式中，处理器410可以按任何适当的方式实现。例如，处理器410可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。
还应当理解，本文示例的执行指令的任何模块、单元、组件、服务器、计算机、终端或设备可以包括或以其他方式访问计算机可读介质，诸如存储介质、计算机存储介质或数据存储设备(可移除的)和/或不可移动的)例如磁盘、光盘或磁带。计算机存储介质可以包括以用于存储信息的任何方法或技术实现的易失性和非易失性，可移动和不可移动介质，例如计算机可读指令、数据结构、程序模块或其他数据。
虽然本文已经示出和描述了本申请的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式来提供。本领域技术人员可以在不偏离本申请思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本申请的过程中，可以采用对本文所描述的本申请实施例的各种替代方案。所附权利要求书旨在限定本申请的保护范围，并因此覆盖这些权利要求范围内的等同或替代方案。
Claims (11)
1.一种动脉瘤分割方法，其特征在于，包括：
获取原始图像数据，所述原始图像数据包含血管信息；
基于所述血管信息生成三维血管数据；
将所述三维血管数据输入动脉瘤分割模型中，得到所述动脉瘤分割模型输出的动脉瘤分割结果；
其中，基于三维血管样本集和动脉瘤标注信息训练得到所述动脉瘤分割模型；所述三维血管样本集为对原始样本数据集中的每一原始样本数据进行血管提取处理后所得的三维血管样本数据的集合。
2.根据权利要求1所述的动脉瘤分割方法，其特征在于，所述基于三维血管样本集和动脉瘤标注信息训练得到所述动脉瘤分割模型包括：
获取所述原始样本数据集；
基于预设提取算法对所述原始样本数据集中的每一原始样本数据进行血管提取处理，得到所述三维血管样本集；
将原始样本数据集中的每一原始样本数据对应的动脉瘤标注信息映射至所述三维血管样本集中与每一原始样本数据对应的每一三维血管样本数据上，得到目标血管样本集；
将所述目标血管样本集输入初始分割模型中进行训练，得到所述动脉瘤分割模型。
3.根据权利要求2所述的动脉瘤分割方法，其特征在于，所述初始分割模型包含编码结构和解码结构，所述将所述目标血管样本集输入初始分割模型中进行训练包括：
将所述目标血管样本集中的目标血管样本数据输入所述编码结构中进行M次特征提取处理，得到中间特征数据；
将所述中间特征数据输入所述解码结构中进行M次上采样处理，得到目标特征数据；
基于目标特征数据和预设输出函数确定所述目标血管样本数据中每一节点的节点预测结果；
基于所述节点预测结果、所述目标血管样本数据的动脉瘤标注信息和预设损失函数确定损失值；
根据所述损失值确定是否输出所述动脉瘤分割模型。
4.根据权利要求3所述的动脉瘤分割方法，其特征在于，在所述将所述目标血管样本集中的目标血管样本数据输入所述编码结构中进行M次特征提取处理中，所述特征提取处理包括：
通过FPS算法确定当前进行所述特征提取处理的特征数据的分组中心点；
根据所述分组中心点对当前的特征数据中的节点进行分组，得到多个节点分组；通过卷积算法对每一节点分组中的节点特征进行特征融合，并且通过最大池化确定每一节点分组的分组特征，得到更新的特征数据。
5.根据权利要求4所述的动脉瘤分割方法，其特征在于，在所述将所述中间特征数据输入所述解码结构中进行M次上采样处理中，所述上采样处理包括：基于j个第一中心点以及第二中心点确定j个节点距离；所述j个第一中心点为第k次进行所述上采样处理的特征数据的分组中心点中与所述第二中心点距离最近的j个中心点；所述第二中心点为第M+1-k次进行所述特征提取处理的特征数据中的分组中心点；
根据所述j个节点距离确定j个插值权重；
根据所述j个插值权重和所述j个第一中心点的特征向量对所述第二中心点的特征向量进行更新。
6.根据权利要求3所述的动脉瘤分割方法，其特征在于，所述基于所述节点预测结果、所述目标血管样本数据的动脉瘤标注信息和预设损失函数确定损失值包括：
根据所述目标血管样本数据的动脉瘤标注信息确定所述目标血管样本数据中每一节点的真实值；
根据每一节点的节点预测结果、每一节点的真实值和所述预设损失函数确定所述损失值。
7.根据权利要求6所述的动脉瘤分割方法，其特征在于，所述根据每一节点的节点预测结果、每一节点的真实值和所述预设损失函数确定所述损失值包括：将每一节点的节点预测结果和每一节点的真实值输入所述预设损失函数，得到所述损失值；
所述预设损失函数为：
其中，yi为第i个节点的真实值，zi为第i个节点的节点预测结果，N为节点数量。
8.根据权利要求3所述的动脉瘤分割方法，其特征在于，所述根据所述损失值确定是否输出所述动脉瘤分割模型包括：
若训练迭代次数达到预设次数，和/或若在每一损失值中连续x次得到的损失值不降低，则停止更新所述初始分割模型的模型参数并输出所述动脉瘤分割模型。
9.根据权利要求2所述的动脉瘤分割方法，其特征在于，所述基于预设提取算法对所述原始样本数据集中的每一原始样本数据进行血管提取处理包括：
通过阈值提取算法或深度学习算法对每一原始样本数据进行血管数据提取，得到血管提取信息；
通过MarchingCubes算法对每一原始样本数据对应的血管提取信息进行三维血管还原，得到每一原始样本数据对应的三维血管样本数据。
10.一种电子设备，其特征在于，包括：
处理器；以及
存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-9中任一项所述的方法。
11.一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1-9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310809463.1A CN116758096A (zh) | 2023-07-03 | 2023-07-03 | 动脉瘤分割方法、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310809463.1A CN116758096A (zh) | 2023-07-03 | 2023-07-03 | 动脉瘤分割方法、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116758096A true CN116758096A (zh) | 2023-09-15 |
Family
ID=87951283
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310809463.1A Pending CN116758096A (zh) | 2023-07-03 | 2023-07-03 | 动脉瘤分割方法、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116758096A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113362271A (zh) * | 2020-03-06 | 2021-09-07 | 深圳睿心智能医疗科技有限公司 | 血管三维影像分割方法、装置、计算机设备和存储介质 |
| CN113850916A (zh) * | 2021-09-26 | 2021-12-28 | 浪潮电子信息产业股份有限公司 | 模型训练、点云缺失补全方法、装置、设备及介质 |
| CN115222674A (zh) * | 2022-07-01 | 2022-10-21 | 天津大学 | 基于多维特征融合的颅内动脉瘤破裂风险的检测装置 |
| CN115423819A (zh) * | 2022-07-20 | 2022-12-02 | 东北大学 | 肺血管的分割方法及装置、电子设备和存储介质 |
| CN115908463A (zh) * | 2023-01-04 | 2023-04-04 | 河北工业大学 | 基于半监督一致性学习的3d冠状动脉图像分割方法 |
-
2023
- 2023-07-03 CN CN202310809463.1A patent/CN116758096A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113362271A (zh) * | 2020-03-06 | 2021-09-07 | 深圳睿心智能医疗科技有限公司 | 血管三维影像分割方法、装置、计算机设备和存储介质 |
| CN113850916A (zh) * | 2021-09-26 | 2021-12-28 | 浪潮电子信息产业股份有限公司 | 模型训练、点云缺失补全方法、装置、设备及介质 |
| CN115222674A (zh) * | 2022-07-01 | 2022-10-21 | 天津大学 | 基于多维特征融合的颅内动脉瘤破裂风险的检测装置 |
| CN115423819A (zh) * | 2022-07-20 | 2022-12-02 | 东北大学 | 肺血管的分割方法及装置、电子设备和存储介质 |
| CN115908463A (zh) * | 2023-01-04 | 2023-04-04 | 河北工业大学 | 基于半监督一致性学习的3d冠状动脉图像分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6993334B2 (ja) | 自動化された心臓ボリュームセグメンテーション | |
| CN110475505B (zh) | 利用全卷积网络的自动分割 | |
| CN108022238B (zh) | 对3d图像中对象进行检测的方法、计算机存储介质和系统 | |
| US9968257B1 (en) | Volumetric quantification of cardiovascular structures from medical imaging | |
| CN109003267B (zh) | 从3d图像自动检测目标对象的计算机实现方法和系统 | |
| CN112132959B (zh) | 数字岩心图像处理方法、装置、计算机设备及存储介质 | |
| US20230386048A1 (en) | Ultrasound image segmentation method and apparatus, terminal device, and storage medium | |
| US11816870B2 (en) | Image processing method and device, neural network and training method thereof, storage medium | |
| CN110136135B (zh) | 分割方法、装置、设备以及存储介质 | |
| CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
| CN113256670A (zh) | 图像处理方法及装置、网络模型的训练方法及装置 | |
| CN114240954A (zh) | 网络模型的训练方法及装置、图像分割方法及装置 | |
| CN115100185A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN112381824B (zh) | 一种对图像的几何特征进行提取的方法和相关产品 | |
| CN112750110A (zh) | 基于神经网络对肺部病灶区进行评估的评估系统和相关产品 | |
| CN116228753B (zh) | 肿瘤预后评估方法、装置、计算机设备和存储介质 | |
| CN116245832B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
| CN114693671B (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
| CN116758096A (zh) | 动脉瘤分割方法、电子设备及存储介质 | |
| CN115375583A (zh) | 一种pet参数图像的增强方法、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 | |
| CN115439713A (zh) | 模型训练方法及装置、图像分割方法、设备、存储介质 | |
| CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
| CN114972026A (zh) | 图像处理方法和存储介质 | |
| CN111091504B (zh) | 图像偏差场矫正方法、计算机设备和存储介质 |
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 |