CN116977352A - 斑块分割方法、装置和计算机可读存储介质 - Google Patents
斑块分割方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN116977352A CN116977352A CN202310932290.2A CN202310932290A CN116977352A CN 116977352 A CN116977352 A CN 116977352A CN 202310932290 A CN202310932290 A CN 202310932290A CN 116977352 A CN116977352 A CN 116977352A
- Authority
- CN
- China
- Prior art keywords
- image
- straightened
- plaque
- segmentation
- target
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 355
- 238000000034 method Methods 0.000 title claims abstract description 96
- 230000003902 lesion Effects 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims description 83
- 238000003709 image segmentation Methods 0.000 claims description 61
- 238000004590 computer program Methods 0.000 claims description 17
- 239000012634 fragment Substances 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 210000004204 blood vessel Anatomy 0.000 description 25
- 238000013507 mapping Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 210000004351 coronary vessel Anatomy 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 210000000936 intestine Anatomy 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000003101 oviduct Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 210000003932 urinary bladder Anatomy 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- 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)
- Image Processing (AREA)
Abstract
本申请涉及一种斑块分割方法、装置和计算机可读存储介质。该方法包括：获取管状结构的多平面图像，以及，获取管状结构中各管状分支的拉直图像；基于多平面图像进行斑块分割，得到多平面图像的斑块分割结果；以及基于各拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果；目标拉直图像表示存在病灶的管状分支的拉直图像；将多平面图像的斑块分割结果与目标拉直图像的斑块分割结果进行融合，得到管状结构的斑块分割结果。采用本方法能够提高斑块分割的准确性。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种斑块分割方法、装置和计算机可读存储介质。
背景技术
随着图像分割技术的发展，图像分割越来越多地应用在医疗领域中。以管状结构的斑块分割过程为例，通过对管状结构的分割可以将管状结构中的斑块区域提取出来。
对管状结构进行斑块分割过程中，相关技术中主要是利用斑块分割模型对管状结构图像进行分割，得到管状结构的斑块分割结果。
然而，由于管状结构的弯曲程度较大，现有技术的方法会存在斑块分割不准确的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种斑块分割方法、装置和计算机可读存储介质，能够提高斑块分割的准确性。
第一方面，本申请提供了一种斑块分割方法，该方法包括：
获取管状结构的多平面图像，以及，获取管状结构中各管状分支的拉直图像；
基于多平面图像进行斑块分割，得到多平面图像的斑块分割结果；以及基于各拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果；目标拉直图像表示存在病灶的管状分支的拉直图像；
将多平面图像的斑块分割结果与目标拉直图像的斑块分割结果进行融合，得到管状结构的斑块分割结果。
在其中一个实施例中，基于多平面图像进行斑块分割，得到多平面图像的斑块分割结果，包括：
获取多平面图像上管状结构中的至少一个病灶区域；
根据各病灶区域，确定多平面图像上的感兴趣区域；
根据各感兴趣区域进行斑块分割，得到多平面图像的斑块分割结果。
在其中一个实施例中，根据各病灶区域，确定多平面图像上的感兴趣区域，包括：
将各病灶区域和各病灶区域的外部预设范围的区域作为多平面图像上的感兴趣区域。
在其中一个实施例中，根据各感兴趣区域进行斑块分割，得到多平面图像的斑块分割结果，包括：
获取感兴趣区域对应的检测区域；
将感兴趣区域对应的检测区域输入至多平面图像分割模型中，通过多平面图像分割模型对检测区域进行斑块分割，得到多平面图像的斑块分割结果；多平面图像分割模型是根据已标注管腔和斑块的多个多平面样本图像训练得到的。
在其中一个实施例中，获取感兴趣区域对应的检测区域，包括：
获取感兴趣区域中顶点在多平面图像中的位置信息；
基于位置信息，确定感兴趣区域的背景区域；
将感兴趣区域和背景区域确定为感兴趣区域对应的检测区域。
在其中一个实施例中，获取多平面图像上管状结构中的至少一个病灶区域，包括：
对各管状分支的拉直图像进行病灶检测，得到目标拉直图像上的病灶区域；
将目标拉直图像上的病灶区域逆映射至多平面图像上，得到多平面图像上管状结构中的至少一个病灶区域。
在其中一个实施例中，对各管状分支的拉直图像进行病灶检测，得到目标拉直图像上的病灶区域，包括：
将各管状分支的拉直图像输入至预设的病灶检测模型中，利用病灶检测模型对各拉直图像进行分析，得到目标拉直图像上的病灶区域。
在其中一个实施例中，基于各管状分支的拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果，包括：
对各管状分支的拉直图像进行病灶检测，得到目标拉直图像上的病灶区域；
对目标拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果。
在其中一个实施例中，对目标拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果，包括：
通过拉直图像分割模型对目标拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果；拉直图像分割模型是根据已标注管腔和斑块的多个拉直样本图像训练得到的。
在其中一个实施例中，通过拉直图像分割模型对目标拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果，包括：
针对任意一个目标拉直图像，沿目标拉直图像的中心线对目标拉直图像进行切分，得到多个拉直重建片段；
在各拉直重建片段上添加位置编码；
将各拉直重建片段和位置编码输入至拉直图像分割模型中，对各拉直重建片段进行斑块分割，得到目标拉直图像的斑块分割结果。
在其中一个实施例中，在各拉直重建片段上添加位置编码，包括：
获取各拉直重建片段在中心线上的位置信息；
基于各拉直重建片段的位置信息，在各拉直重建片段上添加位置编码。
在其中一个实施例中，将多平面图像的斑块分割结果与目标拉直图像的斑块分割结果进行融合，得到管状结构的斑块分割结果，包括：
根据管状结构中存在病灶的管状分支的位置，将目标拉直图像的斑块分割结果逆映射至多平面图像中，并按照对应像素位置对多平面图像与目标拉直图像的斑块分割结果进行融合，得到管状结构的斑块分割结果。
在其中一个实施例中，获取管状结构中各管状分支的拉直图像，包括：
对多平面图像中管状结构的各管状分支进行管状粗分割，提取各管状分支的中心线；
基于各管状分支的中心线，生成各管状分支的拉直图像。
第二方面，本申请还提供了一种斑块分割装置，该装置包括：
获取模块，用于获取管状结构的多平面图像，以及，获取管状结构中各管状分支的拉直图像；
分割模块，用于基于多平面图像进行斑块分割，得到多平面图像的斑块分割结果；以及基于各管状分支的拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果；目标拉直图像表示存在病灶的管状分支的拉直图像；
融合模块，用于将多平面图像的斑块分割结果与目标拉直图像的斑块分割结果进行融合，得到管状结构的斑块分割结果。
第三方面，本申请还提供了一种计算机设备。计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述第一方面中的任意一项斑块分割方法实施例的内容。
第四方面，本申请还提供了一种计算机可读存储介质。计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面中的任意一项斑块分割方法实施例的内容。
第五方面，本申请还提供了一种计算机程序产品。计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面中的任意一项斑块分割方法实施例的内容。
上述斑块分割方法、装置和计算机可读存储介质，获取管状结构的多平面图像，以及，获取管状结构中各管状分支的拉直图像；基于多平面图像进行斑块分割，得到多平面图像的斑块分割结果；以及基于各拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果；将多平面图像的斑块分割结果与目标拉直图像的斑块分割结果进行融合，得到管状结构的斑块分割结果。其中，目标拉直图像表示存在病灶的管状分支的拉直图像。该方法从管状结构的多平面图像和各拉直图像两个不同类型的图像出发，并从拉直和弯曲两个不同的角度对管状结构进行斑块分割，再将两个不同角度的斑块分割结果进行融合，能够更全面地对管状结构进行斑块分割，使得到的斑块分割结果更加准确。
附图说明
图1为一个实施例中斑块分割方法的应用环境图；
图2为一个实施例中斑块分割方法的流程示意图；
图3为一个实施例中斑块分割方法的流程示意图；
图4为一个实施例中斑块分割方法的流程示意图；
图5为一个实施例中斑块分割方法的流程示意图；
图6为一个实施例中斑块分割方法的流程示意图；
图7为一个实施例中斑块分割方法的流程示意图；
图8为一个实施例中斑块分割方法的流程示意图；
图9为一个实施例中斑块分割方法的流程示意图；
图10为一个实施例中斑块分割方法的流程示意图；
图11为一个实施例中斑块分割方法的流程示意图；
图12为一个实施例中斑块分割方法的流程示意图；
图13为一个实施例中斑块分割装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在对本申请的技术方案进行详细介绍之前，先对本申请的背景技术进行简单介绍。
管状结构的斑块分割在判断管状结构的狭窄率和斑块分析中有着重要的辅助作用。在对管状结构进行斑块分割的过程中，以冠脉血管的斑块分割过程为例进行说明。冠脉血管本身较细，血管分支较多且弯曲程度较大，较小的钙化斑块、低密度影不明显的非钙化斑块在分割的过程中都很容易被遗漏。另外，非钙化斑块的边界也非常难以辨认，上述问题均会对冠脉血管上斑块数量和斑块对管腔挤占程度的判断带来影响。
在对冠脉血管进行斑块分割时，通常使用冠脉血管的多平面重建(Multi PlanarReconstruction，MPR)图像和沿冠脉血管中心线生成的血管拉直(Straighten CurvedPlannar Reconstruction，SCPR)图像。SCPR图像是对MPR图像进行血管粗分割得到的。其中，SCPR图像在生成过程中会发生一定的形变与失真，但SCPR图像能更直观地展示一根完整血管的形态变化，SCPR图像能够更准确地定位和判断斑块的位置、形态。MPR图像可以补充SCPR图像中不完全准确的细节信息和更多的局部区域内其余血管与组织的信息，从而能够更准确地对斑块的边界进行判断与分析。
现有技术中，主要是利用斑块分割模型针对单一的MPR图像或者单一的SCPR图像进行斑块分割，得到斑块的分割结果。对SCPR图像进行斑块分割时，由于SCPR图像能够呈现一条完整的血管，在SCPR图像上能够更直观地观测到血管的走形、存在分叉的位置、管腔形状的变化和整条血管的管壁特征。但是，在对MPR图像进行拉直得到SCPR图像以及将SCPR图像的分割结果逆映射回MPR图像的过程中，都会产生一定的误差，导致斑块分割的结果不准确。另外，在对MPR图像进行斑块分割时，利用斑块分割模型在MPR图像上直接进行斑块分割，能够在一定程度上避免图像转换过程中产生的误差。但是，斑块分割模型由于受限于深度学习网络本身结构的限制，只能获取较小邻近域内的信息，很难充分利用图像信息，学习到一条完整血管的特征，从而导致斑块分割结果不准确的问题。
针对上述技术问题，本申请提出一种斑块分割方法，该方法可以将SCPR图像的斑块分割结果与MPR图像的斑块分割结果在决策层进行融合，可以规避图像多次转换带来的误差，也能够让斑块分割模型能获取完整血管分支的特征信息，从而提高斑块分割模型的分割准确性。
本申请实施例提供的斑块分割方法，可以应用于如图1所示的应用环境中。例如，该计算机设备可为服务器、个人计算机、笔记本电脑、智能手机、平板电脑、智能移动电话等。该计算机设备可包括通过系统总线连接或通过无线方式连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器可包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储斑块分割过程中的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信，该计算机程序被处理器执行时以实现一种斑块分割方法。其中，该计算机设备可以用独立的计算机设备或者是多个计算机设备组成的计算机设备集群来实现。需要说明的是，该计算机设备的存储器不限于上述的存储器，也可以包括高速随机存取存储器、易失性固态存储器等等。另外，该计算机设备的组成架构不限于上述的情况，也可以增加或省去一部分组件。
在一个实施例中，如图2所示，提供了一种斑块分割方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
S201，获取管状结构的多平面图像，以及，获取管状结构中各管状分支的拉直图像。
其中，管状结构可以是指呈管状或者囊袋状的结构。例如，管状结构可以是血管、胃、肠、膀胱和输卵管等。由于本申请是对管状结构上的斑块进行分割，而斑块一般是在血管上形成，因此，该管状结构可以是各种类型的血管。例如，可以是冠状动脉血管、颅内或颅外动脉血管、外周动脉血管、肾脏动脉和锁骨下动脉血管、主动脉血管以及髂股动脉血管等。上述多平面图像是指三维图像数据转换得到的不同平面上的二维图像。例如，三维图像数据可以是电子计算机断层扫描图像(Computed Tomography，CT)、磁共振图像(MagneticResonance Imaging，MRI)等。
在本实施例中，当多个管状结构的多平面图像和对应的各管状分支的拉直图像均存储在图像数据库中，计算机设备可以根据管状结构的标识信息，从图像数据库中获取到该管状结构的多平面图像，以及，获取到管状结构中各管状分支的拉直图像。或者，计算机设备可以利用多平面重建技术对管状结构的图像进行多平面重建，得到该管状结构的多平面图像。另外，计算机设备还可以对多平面图像中的每一个管状分支进行拉直，得到管状结构中每一个管状分支的拉直图像。本实施例对于获取管状结构的多平面图像，以及，获取管状结构中各管状分支的拉直图像的方式不做限定。
S202，基于多平面图像进行斑块分割，得到多平面图像的斑块分割结果；以及基于各拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果；目标拉直图像表示存在病灶的管状分支的拉直图像。
在本实施例中，计算机设备可以将多平面图像输入至训练好的斑块分割模型中，通过斑块分割模型对多平面图像中的斑块进行分割，得到多平面图像的斑块分割结果。同时，计算机设备可以通过病灶识别模型对各拉直图像进行病灶识别，得到各拉直图像的病灶识别结果。再将存在病灶的拉直图像输入至训练好的斑块分割模型中，通过斑块分割模型对存在病灶的拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果。
可选的，计算机设备还可以基于多平面图像中每一个像素点的图像参数信息，确定斑块的边界。再基于多平面图像中的斑块边界，对多平面图像中的斑块进行分割，得到多平面图像的斑块分割结果。同时，计算机设备也可以基于各目标拉直图像的图像参数信息，确定各目标拉直图像中的斑块边界。再基于各目标拉直图像中的斑块边界，对各目标拉直图像的斑块进行分割。本实施例对于斑块分割的方式不做限定。
S203，将多平面图像的斑块分割结果与目标拉直图像的斑块分割结果进行融合，得到管状结构的斑块分割结果。
在本实施例中，计算机设备可以将目标拉直图像的斑块分割结果转换至多平面图像上，并将目标拉直图像的斑块分割结果与多平面图像的斑块分割结果进行匹配，得到管状结构的斑块分割结果。或者，计算机设备还可以根据目标拉直图像的斑块分割结果对应的权重与多平面图像的斑块分割结果对应的权重，基于两个斑块分割结果的权重，确定管状结构的斑块分割结果。
上述斑块分割方法中，获取管状结构的多平面图像，以及，获取管状结构中各管状分支的拉直图像；基于多平面图像进行斑块分割，得到多平面图像的斑块分割结果；以及基于各拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果；将多平面图像的斑块分割结果与目标拉直图像的斑块分割结果进行融合，得到管状结构的斑块分割结果。其中，目标拉直图像表示存在病灶的管状分支的拉直图像。该方法从管状结构的多平面图像和各拉直图像两个不同类型的图像出发，并从拉直和弯曲两个不同的角度对管状结构进行斑块分割，再将两个不同角度的斑块分割结果进行融合，能够更全面地对管状结构进行斑块分割，使得到的斑块分割结果更加准确。
在上述实施例的基础上，本实施例是对图2中步骤S202“基于多平面图像进行斑块分割，得到多平面图像的斑块分割结果”的相关内容进行介绍说明。
如图3所示，作为非限制性示例，上述步骤S202可以包括如下内容：
S301，获取多平面图像上管状结构中的至少一个病灶区域。
其中，病灶区域是指多平面图像的管状结构中受到病变影响的区域。
可选的，计算机设备可以将多平面图像输入至病灶检测模型中，通过病灶检测模型对多平面图像中的病灶区域进行检测，得到多平面图像上管状结构中的至少一个病灶区域。或者，计算机设备可以获取多平面图像上管状结构的图像参数信息，基于该图像参数信息，确定多平面图像上管状结构中的至少一个病灶区域。或者，为了保证病灶检测的准确性，计算机设备可以先对各拉直图像进行病灶检测，得到目标拉直图像的病灶区域。再根据各拉直图像与多平面图像的映射关系，确定多平面图像上管状结构中的病灶区域位置。本实施例对于获取多平面图像上管状结构中的至少一个病灶区域的方式不做限定。
S302，根据各病灶区域，确定多平面图像上的感兴趣区域。
其中，感兴趣区域包括存在病灶的区域以及病灶周围预设范围内的区域。
在本实施例中，当获取到多平面图像上的多个病灶区域后，针对任意一个病灶区域，计算机设备可以根据预设的外扩倍数，对各病灶区域进行外扩处理。并将外扩处理后的病灶区域确定为多平面图像上的感兴趣区域。
S303，根据各感兴趣区域进行斑块分割，得到多平面图像的斑块分割结果。
在本实施例中，当获取到各病灶区域对应的感兴趣区域后，针对任意一个病灶区域，计算机设备可以直接对该感兴趣区域的边界进行分割操作，得到多平面图像的斑块分割结果。或者，计算机设备可以从各感兴趣区域中筛选出斑块概率较大的区域，并对斑块概率较大的区域进行分割操作，得到多平面图像的斑块分割结果。
上述斑块分割方法中，获取多平面图像上管状结构中的至少一个病灶区域，根据各病灶区域，确定多平面图像上的感兴趣区域，根据各感兴趣区域进行斑块分割，得到多平面图像的斑块分割结果。该方法通过获取多平面图像上管状结构中的病灶区域，并基于各病灶区域，可以准确的获取感兴趣区域，从而可以对该感兴趣区域进行斑块分割，准确地获取到多平面图像的斑块分割结果。
在上述实施例的基础上，本实施例是对图3中步骤S302“根据各病灶区域，确定多平面图像上的感兴趣区域”的相关内容进行介绍说明。作为非限制性示例，上述步骤S302可以包括如下内容：将各病灶区域和各病灶区域的外部预设范围的区域作为多平面图像上的感兴趣区域。
在本实施例中，针对任意一个病灶区域来说，由于病灶区域包含的范围小，在对病灶区域进行分割时，需要扩大分割范围，因此，计算机设备可以将该病灶区域和该病灶区域的外部预设范围的区域作为多平面图像上的感兴趣区域。其中，病灶区域的外部预设范围可以根据实际情况进行选择。
上述斑块分割方法中，将各病灶区域和各病灶区域的外部预设范围的区域作为多平面图像上的感兴趣区域。该方法在获取感兴趣区域的过程中，通过获取病灶区域以及病灶区域的外部预设范围的区域，并将两个区域组合得到的区域作为感兴趣区域，通过扩大病灶区域，来避免斑块分割不准确的问题。
在上述实施例的基础上，本实施例是对图3中步骤S303“根据各感兴趣区域进行斑块分割，得到多平面图像的斑块分割结果”的相关内容进行介绍说明。如图4所示，作为非限制性示例，上述步骤S303可以包括如下内容：
S401，获取感兴趣区域对应的检测区域。
其中，检测区域是指多平面图像中可能存在斑块的区域。
在本实施例中，当获取到多平面图像中的感兴趣区域后，计算机设备可以对该感兴趣区域进行外扩处理，并将外扩处理后的感兴趣区域作为检测区域。或者，计算机设备可以获取感兴趣区域的外接矩形，并将外界矩形内的所有区域作为感兴趣区域对应的检测区域。本实施例对于获取感兴趣区域对应的检测区域的方式不做限定。
S402，将感兴趣区域对应的检测区域输入至多平面图像分割模型中，通过多平面图像分割模型对检测区域进行斑块分割，得到多平面图像的斑块分割结果；多平面图像分割模型是根据已标注管腔和斑块的多个多平面样本图像训练得到的。
在本实施例中，计算机设备可以将感兴趣区域对应的检测区域作为输入信号，输入至多平面图像分割模型中，通过多平面图像分割模型对该检测区域进行分析，得到检测区域中感兴趣区域的每一个像素点对应的斑块概率。并基于每一个像素点对应的斑块概率进行斑块分割，得到多平面图像的斑块分割结果。
需要说明的是，多平面图像分割模型可以接受的输入图像的大小受到内存的限制。在不损失原始图像信息的情况下，不可能一次性将完整的检测区域输入到多平面图像分割模型中。即在将检测区域输入至多平面图像分割模型之前，只能将检测区域切割为合适大小的多个子检测区域，以便于多平面图像分割模型对多个子检测区域分别进行分析，得到多平面图像的斑块分割概率图，将该斑块分割概率图作为多平面图像的斑块分割结果。
上述斑块分割方法中，获取感兴趣区域对应的检测区域；将感兴趣区域对应的检测区域输入至多平面图像分割模型中，通过多平面图像分割模型对检测区域进行斑块分割，得到多平面图像的斑块分割结果。该方法中的多平面图像分割模型是根据已标注管腔和斑块的多个多平面样本图像训练得到的，通过多个已标注的样本训练得到的多平面图像分割模型更加准确。利用多平面图像分割模型对感兴趣区域对应的检测区域进行斑块分割，得到的多平面图像的斑块分割结果也会更加准确。
在上述实施例的基础上，本实施例是对图4中步骤S401“获取感兴趣区域对应的检测区域”的相关内容进行介绍说明。如图5所示，作为非限制性示例，上述步骤S401可以包括如下内容：
S501，获取感兴趣区域中顶点在多平面图像中的位置信息。
在本实施例中，当获取到多平面图像的感兴趣区域后，计算机设备可以确定感兴趣区域中的顶点所在的像素点，并基于该顶点所在的像素点，确定该顶点在多平面图像中的位置信息。
S502，基于位置信息，确定感兴趣区域的背景区域。
在本实施例中，计算机设备可以基于该位置信息，选择合适的边界框，该边界框可以将感兴趣区域完全包括在内，且距离感兴趣区域的顶点留有合适的距离。将该边界框中除感兴趣区域之外的其他区域作为感兴趣区域的背景区域。
S503，将感兴趣区域和背景区域确定为感兴趣区域对应的检测区域。
在本实施例中，当根据感兴趣区域的顶点的位置信息，得到感兴趣区域的背景区域后，计算机设备可以将该背景区域和感兴趣区域组成的区域作为感兴趣区域对应的检测区域。或者，计算机设备获取到感兴趣区域对应的边界框后，可以将该边界框内的全部区域作为感兴趣区域对应的检测区域。
上述斑块分割方法中，获取感兴趣区域中顶点在多平面图像中的位置信息；基于位置信息，确定感兴趣区域的背景区域；将感兴趣区域和背景区域确定为感兴趣区域对应的检测区域。该方法通过获取感兴趣区域的顶点，可以准确地确定该顶点在多平面图像中的位置信息。从而可以基于该位置信息，准确地获取到感兴趣区域的背景信息；进而基于该背景信息，准确地确定感兴趣区域对应的检测区域。
在上述实施例的基础上，本实施例是对图3中步骤S301“获取多平面图像上管状结构中的至少一个病灶区域”的相关内容进行介绍说明。如图6所示，作为非限制性示例，上述步骤S301可以包括如下内容：
S601，对各管状分支的拉直图像进行病灶检测，得到目标拉直图像上的病灶区域。
在本实施例中，针对任意一个管状分支的拉直图像，计算机设备可以将该管状分支的拉直图像输入至病灶检测模型中，通过病灶检测模型对该拉直图像进行病灶检测，得到目标拉直图像上的病灶区域。或者，计算机设备还可以根据每一个拉直图像中各个像素点的参数信息，确定该拉直图像上的病灶区域。
S602，将目标拉直图像上的病灶区域逆映射至多平面图像上，得到多平面图像上管状结构中的至少一个病灶区域。
在本实施例中，计算机设备可以获取多平面图像中中心线的位置信息，并获取目标拉直图像中各个像素点与中心线的相对位置信息，基于该中心线的位置信息和相对位置信息，将目标拉直图像上的病灶区域逆映射至多平面图像上的对应区域，这样，就可以获取到多平面图像上的管状结构中的多个病灶区域。
上述斑块分割方法中，对各管状分支的拉直图像进行病灶检测，得到目标拉直图像上的病灶区域；将目标拉直图像上的病灶区域逆映射至多平面图像上，得到多平面图像上管状结构中的至少一个病灶区域。该方法通过对每一个管状分支的拉直图像进行病灶检测，可以避免管状结构处于弯曲状态下，病灶区域被遮挡的情况，更准确地获取到目标拉直图像上的病灶区域。并将该病灶区域逆映射至多平面图像上，可以更准确地获取到多平面图像上的病灶区域。
在上述实施例的基础上，本实施例是对图6中步骤S601“对各管状分支的拉直图像进行病灶检测，得到目标拉直图像上的病灶区域”的相关内容进行介绍说明。作为非限制性示例，上述步骤S601可以包括如下内容：将各管状分支的拉直图像输入至预设的病灶检测模型中，利用病灶检测模型对各拉直图像进行分析，得到目标拉直图像上的病灶区域。
在本实施例中，针对任意一个管状分支的拉直图像，计算机设备可以将该管状分支的拉直图像输入至预设的病灶检测模型中，通过病灶检测模型对该拉直图像进行病灶检测。若该拉直图像上存在病灶区域，则将该拉直图像确定为目标拉直图像，并获取该目标拉直图像上的病灶区域。若该拉直图像上不存在病灶区域，则无需关注该拉直图像。
上述斑块分割方法中，将各管状分支的拉直图像输入至预设的病灶检测模型中，利用病灶检测模型对各拉直图像进行分析，得到目标拉直图像上的病灶区域。该方法利用预设的病灶检测模型对每一个管状分支的拉直图像进行病灶检测，可以快速准确地判断每一个拉直图像是否存在病灶区域。对于存在病灶区域的目标拉直图像，可以准确地获取到该目标拉直图像上的病灶区域。
在上述实施例的基础上，本实施例是对图2中步骤S202“基于各管状分支的拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果”的相关内容进行介绍说明。如图7所示，作为非限制性示例，上述步骤S202可以包括如下内容：
S701，对各管状分支的拉直图像进行病灶检测，得到目标拉直图像上的病灶区域。
在本实施例中，针对任意一个管状分支的拉直图像，计算机设备可以将该管状分支的拉直图像输入至预设的病灶检测模型中，通过病灶检测模型对该拉直图像进行病灶检测。若该拉直图像上存在病灶区域，则将该拉直图像确定为目标拉直图像，并获取该目标拉直图像上的病灶区域。
S702，对目标拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果。
在本实施例中，计算机设备可以将每一个目标拉直图像作为斑块分割模型的输入信息，根据该斑块分割模型对每一个目标拉直图像中的斑块进行分割，得到目标拉直图像的斑块分割结果。或者，计算机设备还可以获取目标拉直图像上的病灶区域的外轮廓，基于该外轮廓，对该目标拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果。
上述斑块分割方法中，对各管状分支的拉直图像进行病灶检测，得到目标拉直图像上的病灶区域，对目标拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果。该方法通过病灶检测过程，可以准确地从各管状分支的拉直图像中筛选出存在病灶的目标拉直图像。并对存在病灶的目标拉直图像进行斑块分割，可以得到更准确的斑块分割结果。
在上述实施例的基础上，本实施例是对图7中步骤S702“对目标拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果”的相关内容进行介绍说明。作为非限制性示例，上述步骤S702可以包括如下内容：通过拉直图像分割模型对目标拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果；拉直图像分割模型是根据已标注管腔和斑块的多个拉直样本图像训练得到的。
在本实施例中，在对目标拉直图像进行斑块分割之前，计算机设备可以利用已标注管腔和斑块的多个拉直样本图像对初始拉直图像分割模型进行训练，直至满足预设的训练条件，得到拉直图像分割模型。在对目标拉直图像进行斑块分割的过程中，针对任意一个目标拉直图像，计算机设备可以将该目标拉直图像输入至斑块分割模型中，通过该斑块分割模型对该目标拉直图像中的斑块进行分割，得到目标拉直图像的斑块分割结果。
上述斑块分割方法中，通过拉直图像分割模型对目标拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果。该方法中的拉直图像分割模型是根据已标注管腔和斑块的多个拉直样本图像训练得到的，通过多个已经标注的样本图像训练拉直图像分割模型，得到的拉直图像分割模型的准确度更高。利用该拉直图像分割模型对目标拉直图像进行分割，得到的斑块分割结果的准确度也更高。
在上述实施例的基础上，本实施例是对上述实施例中“通过拉直图像分割模型对目标拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果”的相关内容进行介绍说明。如图8所示，作为非限制性示例，上述过程可以包括如下内容：
S801，针对任意一个目标拉直图像，沿目标拉直图像的中心线对目标拉直图像进行切分，得到多个拉直重建片段。
其中，目标拉直图像的中心线是指目标拉直图像中的管状结构的中心线。该目标拉直图像中的管状结构的中心线是根据多平面图像中对应的管状分支的中心线确定的，例如，当目标拉直图像为第一个管状分支的拉直图像，目标拉直图像的中心线上的点与第一个管状分支的中心线上的点在世界坐标系下的坐标是相同的，即目标拉直图像的中心线就是多平面图像中第一个管状分支的中心线。
在本实施例中，由于一条完整血管的拉直图像在Z轴的长度会远大于其X轴与Y轴的长度，拉直图像分割模型可以接受的输入图像的大小受到内存的限制。在不损失原始图像信息的情况下，不可能一次性将完整的拉直图像输入到拉直图像分割模型中。为了充分利用图像信息，使用transformer等具有注意力机制的深度学习网络代替卷积神经网络，使得拉直图像分割模型能更好地利用到非邻近域的拉直重建片段中的信息。因此，在利用拉直图像分割模型对目标拉直图像进行斑块分割之前，计算机设备可以将目标拉直图像沿中心线切割成合适的大小后获取拉直图像中某一段的信息，即得到多个拉直重建片段。需要说明的是，每一个拉直重建片段的长度可以相同，也可以不相同。
S802，在各拉直重建片段上添加位置编码。
在本实施例中，针对任意一个拉直重建片段，计算机设备可以获取该拉直重建片段上任意一个位置点的位置信息，并获取其他拉直重建片段对应位置点的位置信息。基于多个位置信息，确定每一个拉直重建片段对应的位置编码。并将得到的位置编码添加至对应的拉直重建片段上。
S803，将各拉直重建片段和位置编码输入至拉直图像分割模型中，对各拉直重建片段进行斑块分割，得到目标拉直图像的斑块分割结果。
在本实施例中，当获取到各拉直重建片段和位置编码后，计算机设备可以将各拉直重建片段和位置编码作为输入信号，输入至拉直图像分割模型中，利用该拉直图像分割模型对各拉直重建片段进行分析，确定该目标拉直图像上的斑块分割概率图，将该斑块分割概率图确定为目标拉直图像的斑块分割结果。
上述斑块分割方法中，针对任意一个目标拉直图像，沿目标拉直图像的中心线对目标拉直图像进行切分，得到多个拉直重建片段；在各拉直重建片段上添加位置编码；将各拉直重建片段和位置编码输入至拉直图像分割模型中，对各拉直重建片段进行斑块分割，得到目标拉直图像的斑块分割结果。该方法通过对目标拉直图像进行切分，并对切分后的各拉直重建片段进行位置编码。使得在利用拉直图像分割模型进行斑块分割的过程中，不会受到内存的限制，减少了因内存限制等待的时间，提高了拉直图像分割模型进行斑块分割的效率。
在上述实施例的基础上，本实施例是对图8中步骤S802“在各拉直重建片段上添加位置编码”的相关内容进行介绍说明。作为非限制性示例，上述步骤S802可以包括如下内容：
S901，获取各拉直重建片段在中心线上的位置信息。
在本实施例中，每一个目标拉直图像上包括切分得到的多个拉直重建片段。针对每一个拉直重建片段来说，由于相邻的拉直重建片段之间不存在重叠区域，计算机设备可以获取该拉直重建片段上中心线上任意一点的位置信息，并将该点的位置信息作为该拉直重建片段在中心线上的位置信息。
S902，基于各拉直重建片段的位置信息，在各拉直重建片段上添加位置编码。
在本实施例中，由于各拉直重建片段的位置信息的维度为一维，例如，各拉直重建片段的位置可以包括水平维度的位置或者竖直方向上的位置。因此，计算机设备可以按照位置信息，对各拉直重建片段进行排序操作。再按照排列的顺序，依次在各拉直重建片段上添加位置编码。
上述斑块分割方法中，获取各拉直重建片段在中心线上的位置信息；基于各拉直重建片段的位置信息，在各拉直重建片段上添加位置编码。该方法基于各拉直重建片段在中心线的位置信息，可以准确地确定每一个拉直重建片段的位置，从而可以更准确地对各拉直重建片段进行位置编码的添加。
在上述实施例的基础上，本实施例是对图2中步骤S203“将多平面图像的斑块分割结果与目标拉直图像的斑块分割结果进行融合，得到管状结构的斑块分割结果”的相关内容进行介绍说明。作为非限制性示例，上述步骤S203可以包括如下内容：根据管状结构中存在病灶的管状分支的位置，将目标拉直图像的斑块分割结果逆映射至多平面图像中，并按照对应像素位置对多平面图像与目标拉直图像的斑块分割结果进行融合，得到管状结构的斑块分割结果。
在本实施例中，当获取到目标拉直图像的斑块分割结果后，计算机设备可以根据中心线在多平面图像中的位置信息以及目标拉直图像中各个像素点与中心线的相对位置信息，将目标拉直图像的斑块分割结果逆映射至多平面图像上。然后使用模型学习得到权重对多平面图像与目标拉直图像的斑块分割结果进行融合，得到多平面图像上的斑块分割结果的概率图。再基于管状结构中存在病灶的管状分支的位置，可以对多平面图像上的斑块分割结果的概率图进行分类操作，得到多平面图像上管状结构的斑块分割结果。需要说明的是，由于拉直图像分割模型输入的是完整目标拉直图像中的多个拉直重建片段，拉直图像分割模型会对各拉直重建片段进行多次推理，获得多个的斑块分割结果。在将目标拉直图像的斑块分割结果逆映射至多平面图像的过程中，如果多平面图像中的某一个像素点接收到多个由目标拉直图像逆映射回的斑块分割结果，则取多个斑块分割结果的平均值作为其目标拉直图像的最终斑块分割结果。
上述斑块分割方法中，根据管状结构中存在病灶的管状分支的位置，将目标拉直图像的斑块分割结果逆映射至多平面图像中，并按照对应像素位置对多平面图像与目标拉直图像的斑块分割结果进行融合，得到管状结构的斑块分割结果。该方法将拉直图像的斑块分割结果逆映射至多平面图像中，再将两个不同角度的斑块分割结果进行融合，能够更全面地对管状结构进行斑块分割，使得到的斑块分割结果更加准确。
在上述实施例的基础上，本实施例是对图2中步骤S201“获取管状结构中各管状分支的拉直图像”的相关内容进行介绍说明。如图10所示，作为非限制性示例，上述步骤S201可以包括如下内容：
S1001，对多平面图像中管状结构的各管状分支进行管状粗分割，提取各管状分支的中心线。
在本实施例中，计算机设备可以利用分割算法对多平面图像中管状结构的各管状分支进行粗分割，得到管状粗分割的掩膜。对管状粗分割的掩膜进行分析，提取管状结构中每一个管状分支的中心线的位置信息。并基于该位置信息，确定每一个管状分支的中心线。其中，分割算法可以是阈值分割法、神经网络模型等。
S1002，基于各管状分支的中心线，生成各管状分支的拉直图像。
在本实施例中，当获取到每一个管状分支的中心线后，计算机设备可以利用曲率平滑操作和标架平滑操作，对每一个管状分支的中心线进行拉直操作，得到每一个管状分支的对应的拉直图像。
上述斑块分割方法中，对多平面图像中管状结构的各管状分支进行管状粗分割，提取各管状分支的中心线；基于各管状分支的中心线，生成各管状分支的拉直图像。该方法通过粗分割多平面图像中的管状分支，可以准确地提取每一个管状分支的中心线。从而可以基于该中心线，准确地生成每一个管状分支的拉直图像。
作为本申请的一个具体实施例，如图11所示，该斑块分割方法包括：
S1101，获取管状结构的多平面图像；
S1102，对多平面图像中管状结构的各管状分支进行管状粗分割，提取各管状分支的中心线；
S1103，基于各管状分支的中心线，生成各管状分支的拉直图像；
S1104，对各管状分支的拉直图像进行病灶检测，得到目标拉直图像上的病灶区域；
S1105，将各管状分支的拉直图像输入至预设的病灶检测模型中，利用病灶检测模型对各拉直图像进行分析，得到目标拉直图像上的病灶区域；
S1106，将各病灶区域和各病灶区域的外部预设范围的区域作为多平面图像上的感兴趣区域；
S1107，获取感兴趣区域中顶点在多平面图像中的位置信息；
S1108，基于位置信息，确定感兴趣区域的背景区域；
S1109，将感兴趣区域和背景区域确定为感兴趣区域对应的检测区域；
S1110，将感兴趣区域对应的检测区域输入至多平面图像分割模型中，通过多平面图像分割模型对检测区域进行斑块分割，得到多平面图像的斑块分割结果；
S1111，对各管状分支的拉直图像进行病灶检测，得到目标拉直图像上的病灶区域；
S1112，针对任意一个目标拉直图像，沿目标拉直图像的中心线对目标拉直图像进行切分，得到多个拉直重建片段；
S1113，获取各拉直重建片段在中心线上的位置信息；
S1114，基于各拉直重建片段的位置信息，在各拉直重建片段上添加位置编码；
S1115，将各拉直重建片段和位置编码输入至拉直图像分割模型中，对各拉直重建片段进行斑块分割，得到目标拉直图像的斑块分割结果；
S1116，根据管状结构中存在病灶的管状分支的位置，将目标拉直图像的斑块分割结果逆映射至多平面图像中，并按照对应像素位置对多平面图像与目标拉直图像的斑块分割结果进行融合，得到管状结构的斑块分割结果。
图12为斑块分割方法的流程示意图，以管状结构是血管为例进行说明，该斑块分割方法包括：S1201：获取血管的多平面图像；S1202：对该多平面图像进行血管粗分割，得到血管的中心线，以生成每一个血管分支对应的血管拉直图像；S1203：在各血管拉直图上进行病灶检测，得到存在病灶的血管拉直图像；S1204：对存在病灶的血管拉直图像进行斑块分割，得到各血管拉直图像的斑块分割概率图；S1205：将存在病灶的血管拉直图像逆映射至多平面图像中，得到多平面图像中的病灶区域；S1206：基于多平面图像中的病灶区域，确定多平面图像中的感兴趣区域；S1207：对多平面图像中的感兴趣区域进行斑块分割，得到多平面图像的斑块分割概率图；S1208：将各血管拉直图像的斑块分割概率图逆映射至多平面图像上，并将各血管拉直图像的斑块分割概率图与多平面图像的斑块分割概率图进行融合，基于存在病灶的血管拉直图像中的病灶位置，得到多平面图像的斑块分割结果。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的斑块分割方法的斑块分割装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个斑块分割装置实施例中的具体限定可以参见上文中对于斑块分割方法的限定，在此不再赘述。
在一个实施例中，如图13所示，提供了一种斑块分割装置，包括：获取模块11、分割模块12和融合模块13，其中：
获取模块11，用于获取管状结构的多平面图像，以及，获取管状结构中各管状分支的拉直图像；
分割模块12，用于基于多平面图像进行斑块分割，得到多平面图像的斑块分割结果；以及基于各管状分支的拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果；目标拉直图像表示存在病灶的管状分支的拉直图像；
融合模块13，用于将多平面图像的斑块分割结果与目标拉直图像的斑块分割结果进行融合，得到管状结构的斑块分割结果。
在一个实施例中，上述分割模块包括：获取单元、确定单元和第一分割单元，其中：
获取单元，用于获取多平面图像上管状结构中的至少一个病灶区域；
确定单元，用于根据各病灶区域，确定多平面图像上的感兴趣区域；
第一分割单元，用于根据各感兴趣区域进行斑块分割，得到多平面图像的斑块分割结果。
在一个实施例中，上述确定单元还用于将各病灶区域和各病灶区域的外部预设范围的区域作为多平面图像上的感兴趣区域。
在一个实施例中，上述第一分割单元还用于获取感兴趣区域对应的检测区域；将感兴趣区域对应的检测区域输入至多平面图像分割模型中，通过多平面图像分割模型对检测区域进行斑块分割，得到多平面图像的斑块分割结果；多平面图像分割模型是根据已标注管腔和斑块的多个多平面样本图像训练得到的。
在一个实施例中，上述第一分割单元还用于获取感兴趣区域中顶点在多平面图像中的位置信息；基于位置信息，确定感兴趣区域的背景区域；将感兴趣区域和背景区域确定为感兴趣区域对应的检测区域。
在一个实施例中，上述获取单元还用于对各管状分支的拉直图像进行病灶检测，得到目标拉直图像上的病灶区域；将目标拉直图像上的病灶区域逆映射至多平面图像上，得到多平面图像上管状结构中的至少一个病灶区域。
在一个实施例中，上述获取单元还用于将各管状分支的拉直图像输入至预设的病灶检测模型中，利用病灶检测模型对各拉直图像进行分析，得到目标拉直图像上的病灶区域。
在一个实施例中，上述分割模块包括：检测单元和第二分割单元，其中：
检测单元，用于对各管状分支的拉直图像进行病灶检测，得到目标拉直图像上的病灶区域；
第二分割单元，用于对目标拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果。
在一个实施例中，上述第二分割单元还用于通过拉直图像分割模型对目标拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果；拉直图像分割模型是根据已标注管腔和斑块的多个拉直样本图像训练得到的。
在一个实施例中，上述第二分割单元还用于针对任意一个目标拉直图像，沿目标拉直图像的中心线对目标拉直图像进行切分，得到多个拉直重建片段；在各拉直重建片段上添加位置编码；将各拉直重建片段和位置编码输入至拉直图像分割模型中，对各拉直重建片段进行斑块分割，得到目标拉直图像的斑块分割结果。
在一个实施例中，上述第二分割单元还用于获取各拉直重建片段在中心线上的位置信息；基于各拉直重建片段的位置信息，在各拉直重建片段上添加位置编码。
在一个实施例中，上述融合模块包括融合单元，其中：
融合单元，用于根据管状结构中存在病灶的管状分支的位置，将目标拉直图像的斑块分割结果逆映射至多平面图像中，并按照对应像素位置对多平面图像与目标拉直图像的斑块分割结果进行融合，得到管状结构的斑块分割结果。
在一个实施例中，上述获取模块包括：第三分割单元和生成单元，其中：
第三分割单元，用于对多平面图像中管状结构的各管状分支进行管状粗分割，提取各管状分支的中心线；
生成单元，用于基于各管状分支的中心线，生成各管状分支的拉直图像。
上述斑块分割装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述斑块分割方法中的任意一项实施例中的内容。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述斑块分割方法中的任意一项实施例中的内容。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述斑块分割方法中的任意一项实施例中的内容。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种斑块分割方法，其特征在于，所述方法包括：
获取管状结构的多平面图像，以及，获取所述管状结构中各管状分支的拉直图像；
基于所述多平面图像进行斑块分割，得到所述多平面图像的斑块分割结果；以及基于各所述拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果；所述目标拉直图像表示存在病灶的管状分支的拉直图像；
将所述多平面图像的斑块分割结果与所述目标拉直图像的斑块分割结果进行融合，得到所述管状结构的斑块分割结果。
2.根据权利要求1所述的方法，其特征在于，所述基于所述多平面图像进行斑块分割，得到所述多平面图像的斑块分割结果，包括：
获取所述多平面图像上管状结构中的至少一个病灶区域；
根据各所述病灶区域，确定所述多平面图像上的感兴趣区域；
根据各所述感兴趣区域进行斑块分割，得到所述多平面图像的斑块分割结果。
3.根据权利要求2所述的方法，其特征在于，所述根据各所述病灶区域，确定所述多平面图像上的感兴趣区域，包括：
将各所述病灶区域和各所述病灶区域的外部预设范围的区域作为所述多平面图像上的感兴趣区域。
4.根据权利要求2所述的方法，其特征在于，所述根据各所述感兴趣区域进行斑块分割，得到所述多平面图像的斑块分割结果，包括：
获取所述感兴趣区域对应的检测区域；
将所述感兴趣区域对应的检测区域输入至多平面图像分割模型中，通过所述多平面图像分割模型对所述检测区域进行斑块分割，得到所述多平面图像的斑块分割结果；所述多平面图像分割模型是根据已标注管腔和斑块的多个多平面样本图像训练得到的。
5.根据权利要求4所述的方法，其特征在于，所述获取所述感兴趣区域对应的检测区域，包括：
获取所述感兴趣区域中顶点在所述多平面图像中的位置信息；
基于所述位置信息，确定所述感兴趣区域的背景区域；
将所述感兴趣区域和所述背景区域确定为所述感兴趣区域对应的检测区域。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述基于各所述管状分支的拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果，包括：
对各所述管状分支的拉直图像进行病灶检测，得到目标拉直图像上的病灶区域；
对所述目标拉直图像进行斑块分割，得到所述目标拉直图像的斑块分割结果。
7.根据权利要求6所述的方法，其特征在于，所述对所述目标拉直图像进行斑块分割，得到所述目标拉直图像的斑块分割结果，包括：
通过所述拉直图像分割模型对所述目标拉直图像进行斑块分割，得到所述目标拉直图像的斑块分割结果；所述拉直图像分割模型是根据已标注管腔和斑块的多个拉直样本图像训练得到的。
8.根据权利要求7所述的方法，其特征在于，所述通过所述拉直图像分割模型对所述目标拉直图像进行斑块分割，得到所述目标拉直图像的斑块分割结果，包括：
针对任意一个目标拉直图像，沿所述目标拉直图像的中心线对所述目标拉直图像进行切分，得到多个拉直重建片段；
在各所述拉直重建片段上添加位置编码；
将各所述拉直重建片段和所述位置编码输入至所述拉直图像分割模型中，对各所述拉直重建片段进行斑块分割，得到所述目标拉直图像的斑块分割结果。
9.一种斑块分割装置，其特征在于，所述装置包括：
获取模块，用于获取管状结构的多平面图像，以及，获取所述管状结构中各管状分支的拉直图像；
分割模块，用于基于所述多平面图像进行斑块分割，得到所述多平面图像的斑块分割结果；以及基于各所述管状分支的拉直图像进行斑块分割，得到目标拉直图像的斑块分割结果；所述目标拉直图像表示存在病灶的管状分支的拉直图像；
融合模块，用于将所述多平面图像的斑块分割结果与所述目标拉直图像的斑块分割结果进行融合，得到所述管状结构的斑块分割结果。
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权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310932290.2A CN116977352A (zh) | 2023-07-26 | 2023-07-26 | 斑块分割方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310932290.2A CN116977352A (zh) | 2023-07-26 | 2023-07-26 | 斑块分割方法、装置和计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116977352A true CN116977352A (zh) | 2023-10-31 |
Family
ID=88476289
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310932290.2A Pending CN116977352A (zh) | 2023-07-26 | 2023-07-26 | 斑块分割方法、装置和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116977352A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117455878A (zh) * | 2023-11-08 | 2024-01-26 | 中国医学科学院北京协和医院 | 一种基于ccta图像的冠状动脉易损斑块识别方法及系统 |
-
2023
- 2023-07-26 CN CN202310932290.2A patent/CN116977352A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117455878A (zh) * | 2023-11-08 | 2024-01-26 | 中国医学科学院北京协和医院 | 一种基于ccta图像的冠状动脉易损斑块识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200380689A1 (en) | Systems and methods for image segmentation using a scalable and compact convolutional neural network | |
| US10521927B2 (en) | Internal body marker prediction from surface data in medical imaging | |
| CN111445478B (zh) | 一种用于cta图像的颅内动脉瘤区域自动检测系统和检测方法 | |
| KR20210082234A (ko) | 이미지 처리 방법 및 장치, 전자 기기 및 기억 매체 | |
| US8811697B2 (en) | Data transmission in remote computer assisted detection | |
| KR20210002606A (ko) | 의료 영상 처리 방법 및 장치, 전자 기기 및 저장 매체 | |
| CN111080573B (zh) | 肋骨图像检测方法、计算机设备和存储介质 | |
| US9129391B2 (en) | Semi-automated preoperative resection planning | |
| KR102175162B1 (ko) | 볼륨 렌더링 장치 및 그 동작방법 | |
| KR102349515B1 (ko) | 의료 영상에서 딥러닝에 기반한 종양 자동분할 방법 | |
| CN115965750B (zh) | 血管重建方法、装置、计算机设备和可读存储介质 | |
| EP4141790A1 (en) | Method, device and system for automated segmentation of prostate in medical images for tumor detection | |
| CN116977352A (zh) | 斑块分割方法、装置和计算机可读存储介质 | |
| CN111932495B (zh) | 一种医学图像检测方法、装置及存储介质 | |
| US11600379B2 (en) | Systems and methods for generating classifying and quantitative analysis reports of aneurysms from medical image data | |
| CN116485809B (zh) | 基于自注意力与感受野调整的牙齿实例分割方法及系统 | |
| US8306354B2 (en) | Image processing apparatus, method, and program | |
| US20070201737A1 (en) | System And Method For Vascular Visualization Using Planar Reformation Of Vascular Central Axis Surface With Biconvex Slab | |
| CN110533120B (zh) | 器官结节的图像分类方法、装置、终端及存储介质 | |
| CN116152266A (zh) | 一种穿刺针超声图像的分割方法、装置和系统 | |
| CN114298971A (zh) | 一种冠状动脉分割方法、系统、终端以及存储介质 | |
| CN116128895A (zh) | 医学图像分割方法、装置和计算机可读存储介质 | |
| US11763468B2 (en) | Structured landmark detection via topology-adapting deep graph learning | |
| CN114998582A (zh) | 一种冠脉血管的分割方法、装置及存储介质 | |
| CN112270643B (zh) | 一种三维成像数据拼接方法、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 |