CN117036253B - 用于对分割脑血管的分割模型进行训练的方法和相关产品 - Google Patents

Abstract

本申请公开了一种用于对分割脑血管的分割模型进行训练的方法，包括：获取包含脑血管的CT血管造影影像；在所述CT血管造影影像中进行血管标注，以形成血管标注信息；根据所述血管标注信息提取表征所述脑血管的血管半径信息的距离图；将所述CT血管造影影像、所述血管标注信息和所述距离图输入至分割模型中进行血管分割并计算损失函数，以对分割脑血管的所述分割模型进行训练。利用本申请的方案，可以提高脑血管分割结果中细血管的分割精度，避免了分割出的血管轮廓中出现细血管断连的情况。

Description

用于对分割脑血管的分割模型进行训练的方法和相关产品

技术领域

本申请一般涉及脑血管分割技术领域。更具体地，本申请涉及一种用于对分割脑血管的分割模型进行训练的方法、设备和计算机可读存储介质。进一步地，本申请还涉及一种用于对脑血管进行分割的方法、设备和计算机可读存储介质。

背景技术

脑血管分析是脑卒中领域重要的诊断技术，而CT血管造影(CT Angiography，“CTA”)是在诊断过程中必要的扫描手段。

脑血管具有形态各异，粗细不均，结构复杂的特点。例如，脑血管的粗血管可达10mm以上，而细血管可至2mm以下。对于细血管而言，其在全脑CTA影像中难以辨认。另外，CTA影像中还存在例如噪音、部分容积效应、运动伪影、注射造影剂等各种干扰因素，这直接影响了CTA影像的质量并且间接加大了医生从CTA影像中分辨出粗血管和细血管的难度。此外，大型医院以及体检场景下，放射科医生或者体检医生需要对大量病患及其医学影像进行检查，这加重了医护人员的工作负担。目前，已有直接通过全脑3D CTA影像或者将全脑3DCTA影像转化为2D最大密度投影(Maximal Intensity Projection，“MIP”)输入分割模型进行粗、细血管识别处理的方式。然而，现有的方式并未考虑由于粗血管和细血管的直径差异较大而使得模型训练时存在一定程度的类别不平衡的问题，从而导致分割结果中细血管的分割准确性较差，最终分割出的血管轮廓中出现细血管断连的情况。

有鉴于此，亟需提供一种用于对分割脑血管的分割模型进行训练的方案，以便提高脑血管分割结果中细血管的分割精度，避免了分割出的血管轮廓中出现细血管断连的情况。

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，本申请在多个方面中提出了用于对分割脑血管的分割模型进行训练的方案。

在第一方面中，本申请提供一种用于对分割脑血管的分割模型进行训练的方法，包括：获取包含脑血管的CT血管造影影像；在所述CT血管造影影像中进行血管标注，以形成血管标注信息；根据所述血管标注信息提取表征所述脑血管的血管半径信息的距离图；以及将所述CT血管造影影像、所述血管标注信息和所述距离图输入至分割模型中进行血管分割并计算损失函数，以对分割脑血管的所述分割模型进行训练。

在一个实施例中，其中在所述CT血管造影影像中进行血管标注，以形成血管标注信息包括：对所述CT血管造影影像的像素点是否为血管像素点进行标注，以形成血管标注信息。

在另一个实施例中，其中根据所述血管标注信息提取表征所述脑血管的血管半径信息的距离图包括：根据所述血管标注信息构建所述脑血管的二值图，其中所述二值图包含血管像素点和非血管像素点；基于所述二值图计算所述血管像素点到最近的非血管像素点之间的欧式距离；以及根据所述欧式距离提取表征所述脑血管的血管半径信息的距离图。

在又一个实施例中，所述方法还包括：对所述欧式距离执行归一化操作和/或缩放操作，以提取表征所述脑血管的血管半径信息的最终距离图。

在又一个实施例中，其中将所述CT血管造影影像、所述血管标注信息和所述距离图输入至分割模型中进行血管分割并计算损失函数，以对分割脑血管的所述分割模型进行训练包括：将所述CT血管造影影像、所述血管标注信息和所述距离图输入至分割模型中进行血管分割，获得预测血管分割结果；基于所述血管标注信息、所述距离图和所述预测血管分割结果计算所述损失函数；以及根据所述损失函数对分割脑血管的分割模型进行训练。

在又一个实施例中，其中基于所述血管标注信息、所述距离图和所述预测血管分割结果计算所述损失函数包括：通过以下公式计算所述损失函数：

其中，LOSS表示所述损失函数，w表示所述距离图表征的血管半径信息，p表示所述预测血管分割结果，g表示所述血管标注信息，i表示血管类别，c表示通道数。

在又一个实施例中，其中在将所述CT血管造影影像输入所述分割模型之前，还包括：对所述CT血管造影影像执行灰度归一化操作、数据增强操作和取块操作中的一种或者多种操作，以对所述CT血管造影影像进行预处理。

在又一个实施例中，其中对所述CT血管造影影像执行取块操作包括：在所述CT血管造影影像中以预设概率分别采集血管像素点和非血管像素点作为块中心点；以及基于所述块中心点对所述CT血管造影影像执行取块操作。

在又一个实施例中，其中所述分割模型包括U-net模型。

在第二方面中，本申请提供一种用于对分割脑血管的分割模型进行训练的设备，包括：处理器；以及存储器，其存储有用于对分割脑血管的分割模型进行训练的程序指令，当所述程序执行由处理器执行时，使得实现前述第一方面中的多个实施例。

在第三方面中，本申请提供一种用于对脑血管进行分割的方法，包括：获取包含脑血管的待分割的CT血管造影影像；以及将所述待分割的CT血管造影影像输入至根据前述第一方面中的多个实施例训练完成的分割模型中进行血管分割操作，以输出包含血管轮廓的血管分割结果。

在一个实施例中，所述方法还包括：对所述血管分割结果进行连通域分析并去除小于预设阈值的连通域，以获得最终的血管分割结果。

在第四方面中，本申请提供一种用于对脑血管进行分割的设备，包括：处理器；以及存储器，其存储有用于对脑血管进行分割的程序指令，当所述程序执行由处理器执行时，使得实现前述第三方面中的多个实施例。

在第五方面中，本申请提供一种计算机可读存储介质，其上存储有用于对分割脑血管的分割模型进行训练的和用于对脑血管进行分割的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现第一方面中的多个实施例以及第三方面中的多个实施例。

通过如上所提供的用于对分割脑血管的分割模型进行训练的方案，本申请实施例通过获取CT血管造影影像并进行血管标注，接着根据血管标注信息提取表征血管半径信息的距离图，以基于CT血管造影影像、血管标注信息和距离图对分割模型进行训练。基于此，本申请实施例通过距离图近似模拟血管半径，能够为细血管增强权重，使得在分割模型训练中更加细血管的特征信息，从而解决粗、细血管不平衡的问题，提高分割模型的分割准确性。后续通过利用本申请实施例训练完成的分割模型对脑血管进行分割时，可以提高脑血管分割结果中细血管的分割精度，从而避免分割出的血管轮廓中出现细血管断连的情况。进一步地，本申请实施例还可以对CT血管造影影像执行取块操作，并通过预设概率分别采集血管像素点和非血管像素点作为块中心点，以避免块图像中仅包含血管像素点或者仅包含非血管像素点，从而优化了像素点类型不平衡的问题，进一步提高了分割模型的精度。

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是示出根据本申请实施例的用于对分割脑血管的分割模型进行训练的方法的示例性流程框图；

图2是示出根据本申请实施例的用于对分割脑血管的分割模型进行训练的整体的示例性示意图；

图3是示出根据本申请实施例的表征半径信息的距离图的示例性示意图；

图4是示出根据本申请实施例的用于对脑血管进行分割的方法的示例性流程框图；

图5是示出根据本申请实施例的用于对脑血管进行分割的整体的示例性示意图；以及

图6是示出根据本申请实施例的用于对分割脑血管的分割模型进行训练的以及用于对脑血管进行分割的设备的示例性结构框图。

具体实施方式

下面将结合附图对本申请实施例中的技术方案进行清楚和完整地描述。应当理解的是本说明书所描述的实施例仅是本申请为了便于对方案的清晰理解和符合法律的要求而提供的部分实施例，而并非可以实现本申请的所有实施例。基于本说明书公开的实施例，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。

如上述背景技术描述所知，目前已有直接通过全脑3D CTA影像或者将全脑3D CTA影像转化为2D最大密度投影(Maximal Intensity Projection，“MIP”)输入分割模型进行粗、细血管识别处理的方式。具体地，其仅通过在全脑3D CTA影像或者2D MIP影像标注粗、细血管以训练分割模型。然而，现有的方式忽略了粗血管和细血管的直径差异较大，从而使得模型训练时存在一定程度的类别不平衡的问题，并且更偏向于粗血管。这就使得训练完成的模型对粗血管的识别较为灵敏，而对细血管的识别效果差，由此导致分割结果中细血管的分割准确性较差，最终分割出的血管轮廓中出现细血管断连的情况。

基于此，本申请实施例提出一种对分割脑血管的分割模型进行训练的方法，通过对粗、细血管进行血管标注，并根据血管标注信息提取距离图，通过距离图近似(也即本申请上下文中的表征)半径信息对分割模型进行训练。基于此，使得分割模型更加细血管的特征信息，以解决粗、细血管不平衡的问题，提高分割模型的分割准确性。

下面将结合图1-图3详细描述本申请对分割脑血管的分割模型进行训练的多个实施例。

图1是示出根据本申请实施例的用于对分割脑血管的分割模型进行训练的方法100的示例性流程框图。如图1中所示，在步骤101处，获取包含脑血管的CT血管造影影像。可以理解，前述CT血管造影(也即CTA)影像是将CT增强技术与薄层、大范围、快速扫描技术相结合，通过合理的后处理，清晰显示全身各部位血管细节的影像。CTA影像对于血管变异、血管疾病以及显示病变和血管关系有重要价值。在本申请实施例中，前述CTA影像可以例如是3D脑部CTA影像(例如图5中所示的CTA影像501)，其包含脑血管细节。

基于上述获取的包含脑血管的CTA影像，在步骤102处，在CT血管造影影像中进行血管标注，以形成血管标注信息。在一个实施例中，对CT血管造影影像的像素点是否为血管像素点进行标注，以形成血管标注信息。也即，对CTA影像中的血管像素点(即前景像素点)和非血管像素点(即背景像素点)进行标注，以形成血管标注信息。在一个实施场景中，可以采用例如阈值法、区域生长法等图像处理方法以及结合人工查验的方式对血管像素点和非血管像素点进行标注，以获得准确的血管标注信息。作为示例，形成的血管标注信息可以例如是对CTA影像中的血管像素点标注“1”，而对非血管像素点标注“0”。

接着，在步骤103处，根据血管标注信息提取表征脑血管的血管半径信息的距离图。在一个实施例中，首先可以根据血管标注信息构建脑血管的二值图。其中，二值图包含血管像素点和非血管像素点。接着，基于二值图计算血管像素点到最近的非血管像素点之间的欧式距离，以根据欧式距离提取表征脑血管的血管半径信息的距离图。即，通过血管像素点到最近的非血管像素点之间的欧式距离来近似模拟血管半径信息。根据前文可知，通过例如对CTA影像中的血管像素点标注“1”，而对非血管像素点标注“0”后，可以将CTA影像转化为二值图。进一步地，通过计算血管像素点到最近的非血管像素点之间的欧式距离，以获得近似模拟血管半径信息的距离图(例如图3的(b)图所示)。在一些实施例中，为了便于计算方便，本申请实施例还可以对前述欧式距离执行归一化操作和/或缩放操作，以提取表征脑血管的血管半径信息的最终距离图。

在获得上述血管标注信息和距离图后，在步骤104处，将CT血管造影影像、血管标注信息和距离图输入至分割模型中进行血管分割并计算损失函数，以对分割脑血管的所述分割模型进行训练。在一个实施例中，可以将CT血管造影影像、血管标注信息和距离图输入至分割模型中进行血管分割，获得预测血管分割结果，基于血管标注信息、距离图和预测血管分割结果计算损失函数，以根据损失函数对分割脑血管的分割模型进行训练。其中，前述预测血管分割结果为CT血管造影影像中是血管像素点的概率值以及非血管像素点的概率值。

也就是说，本申请实施例首先基于CT血管造影影像、血管标注信息和距离图，由分割模型自动计算预测血管分割结果，接着构建损失函数计算血管标注信息(也即真实值)与预测血管分割结果(即预测值)之间的损失，以根据损失进行正向、反向训练调整分割模型的参数(例如权重)，以实现对分割脑血管的分割模型进行训练。在一个实施例中，前述分割模型可以例如是U-net模型。

在一个实现场景中，具体可以根据以下公式计算所述损失函数：

其中，LOSS表示损失函数，w表示距离图表征的血管半径信息，p表示预测血管分割结果，g表示血管标注信息，i表示血管类别，c表示通道数。基于前述公式(1)获得的损失函数，可以对分割模型进行训练。

在一些实施例中，在将CT血管造影影像输入分割模型之前，还可以对CT血管造影影像执行包括但不仅限于灰度归一化操作、数据增强操作和取块操作中的一种或者多种操作，以对CT血管造影影像进行预处理。例如，还可以对CT血管造影影像执行重采样操作。其中，对于取块操作而言，可以通过在CT血管造影影像中以预设概率分别采集血管像素点和非血管像素点作为块中心点，进而基于块中心点对CT血管造影影像执行取块操作。在一个实现场景中，前述预设概率可以例如是0.5。即，血管像素点和非血管像素点各采集50％作为块中心点，以执行取块操作。基于此，可以确保每块图像中均包含血管像素点和非血管像素点，以优化像素点类型不平衡的问题，便于在分割模型训练过程中进一步提高分割模型的精度。作为示例，可以将CT血管造影影像取为块大小为[96，160，160]，分辨率大小为[0.5，0.4，0.4]的多个块图像输入至分割模型中。在另一个实施例中，前述数据增强操作可以包括但不仅限于是旋转、放缩、翻转、模糊、gama增强或者对比度增强中的一种或者多种操作。

结合上述描述可知，本申请实施例通过对CTA影像进行血管标注，并提取表征血管半径信息的距离图，将CTA影像、血管标注信息和距离图输入至分割模型进行训练。基于此，通过使用距离图来近似模拟半径信息，然后将提取到的半径信息与损失函数相结合监督分割模型进行训练，促使分割模型更加注意细血管或狭窄血管的分割准确度，以避免分割出的血管轮廓中出现细血管断连的情况。进一步地，本申请实施例还通过对CT血管造影影像执行取块操作，以优化像素点类型不平衡的问题，进一步提高分割模型的精度。

图2是示出根据本申请实施例的用于对分割脑血管的分割模型进行训练的整体的示例性示意图。需要理解的是，图2是上述图1的方法100的一个具体实施例，因此关于图1所作的描述同样适用于图2。

如图2中所示，首先获取包含脑血管的CTA影像201，接着通过对CTA影像201的血管像素点和非血管像素点进行标注，以形成血管标注信息202。如前所述，可以采用例如阈值法、区域生长法等图像处理方法以及结合人工查验的方式对血管像素点和非血管像素点进行标注，以形成前述血管标注信息202。其中，血管像素点可以标注“1”，而非血管像素点可以标注“0”。进一步地，可以根据血管标注信息202提取表征脑血管的血管半径信息的距离图203。具体地，根据血管标注信息202将CTA影像转化为包含血管像素点和非血管像素点的二值图，接着计算血管像素点到最近的非血管像素点之间的欧式距离，并且对欧式距离执行例如归一化操作和/或缩放操作，从而获得前述距离图203。

在获得上述CTA影像201、血管标注信息202和距离图203后，将CTA影像201、血管标注信息202和距离图203输入至分割模型204中进行训练。根据前文可知，在将CTA影像201输入至分割模型204之前，还可以对CTA影像201执行例如灰度归一化、数据增强和取块等预处理操作205(例如虚线框中所示)。基于输入的CTA影像201、血管标注信息202和距离图203，首先经由分割模型204自动计算预测血管分割结果(即是血管像素点的概率值以及非血管像素点的概率值)，接着根据上述公式(1)构建损失函数。即，将血管标注信息202，经距离图203近似模拟的半径信息，预测血管分割结果代入上述公式(1)中计算损失，以根据损失进行正向、反向训练调整分割模型的参数(例如权重)，以实现对分割脑血管的分割模型204进行训练，获得训练完成的分割模型206。

图3是示出根据本申请实施例的表征半径信息的距离图的示例性示意图。如图3的(a)图所示为根据血管标注信息将CTA影像转化为包含血管像素点和非血管像素点的二值图，其中黑色区域示出为非血管像素点，灰色区域示出为血管像素点。在一个实施例中，通过计算血管像素点到最近的非血管像素点之间的欧式距离，并对欧式距离执行例如归一化操作和/或缩放操作，以获得例如图3的(b)图所示的距离图。其中，图3的(b)图所示的距离图中不同的灰度颜色表示不同的距离，其对应不同的半径信息，这也对应上述公式(1)中w的取值。本申请实施例通过将距离图近似半径信息，并根据半径信息与损失函数相结合监督分割模型进行训练，可以促使分割模型更加注意细血管或狭窄血管的分割准确度。

在一个实施例中，本申请实施例还提供一种用于对脑血管进行分割的方法，下面将结合图4和图5详细描述。

图4是示出根据本申请实施例的用于对脑血管进行分割的方法400的示例性流程框图。如图4中所示，在步骤401处，获取包含脑血管的待分割的CT血管造影影像。在一个示例性场景中，该待分割的CT血管造影影像可以例如是3D脑部CTA影像(例如图5中所示的CTA影像501)，其包含脑血管细节。接着，在步骤402处，将所述待分割的CT血管造影影像输入至训练完成的分割模型中进行血管分割操作，以输出包含血管轮廓的血管分割结果。其中，前述训练完成的分割模型可以例如是U-net模型。在一个实施例中，可以对血管分割结果进行连通域分析并去除小于预设阈值的连通域，以获得最终的血管分割结果。例如，将去除像素点个数小于100的连通域作为最终的血管分割结果(例如图5中所示的血管轮廓503)。

图5是示出根据本申请实施例的用于对脑血管进行分割的整体的示例性示意图。如图5中所示，将获取的待分割的CTA影像501输入至训练完成的分割模型，例如图中虚线框内所示的U-net模型502。在实现场景中，经由U-net模型502执行血管分割操作，获得初始血管分割结果。接着，对初始血管分割结果进行连通域分析并去除小于预设阈值(例如像素点个数小于100)的连通域，以获得最终的血管分割结果，例如血管轮廓503。利用本申请实施例获得的血管轮廓503中避免了细血管断连的情况，分割结果质量较高。

图6是示出根据本申请实施例的用于对分割脑血管的分割模型进行训练的以及用于对脑血管进行分割的设备600的示例性结构框图。

如图6中所示，本申请的设备可以包括中央处理器或中央处理单元(“CPU”)611，其可以是通用CPU、专用CPU或者其他信息处理以及程序运行的执行单元。进一步，设备600还可以包括大容量存储器612和只读存储器(“ROM”)613，其中大容量存储器612可以配置用于存储各类数据，包括各种包含脑血管的CT血管造影影像、距离图、血管分割结果、算法数据、中间结果和运行设备600所需要的各种程序。ROM 613可以配置成存储对于设备600的加电自检、系统中各功能模块的初始化、系统的基本输入/输出的驱动程序及引导操作系统所需的数据和指令。

可选地，设备600还可以包括其他的硬件平台或组件，例如示出的张量处理单元(“TPU”)614、图形处理单元(“GPU”)615、现场可编程门阵列(“FPGA”)616和机器学习单元(“MLU”)617。可以理解的是，尽管在设备600中示出了多种硬件平台或组件，但这里仅仅是示例性的而非限制性的，本领域技术人员可以根据实际需要增加或移除相应的硬件。例如，设备600可以仅包括CPU、相关存储设备和接口设备来实现本申请的用于对分割脑血管的分割模型进行训练的方法以及用于对脑血管进行分割的方法。

在一些实施例中，为了便于数据与外部网络的传递和交互，本申请的设备600还包括通信接口618，从而可以通过该通信接口618连接到局域网/无线局域网(“LAN/WLAN”)605，进而可以通过该LAN/WLAN连接到本地服务器606或连接到因特网(“Internet”)607。替代地或附加地，本申请的设备600还可以通过通信接口618基于无线通信技术直接连接到因特网或蜂窝网络，例如基于第3代(“3G”)、第4代(“4G”)或第5代(“5G”)的无线通信技术。在一些应用场景中，本申请的设备600还可以根据需要访问外部网络的服务器608和数据库609，以便获得各种已知的算法、数据和模块，并且可以远程地存储各种数据，例如用于呈现包含脑血管的CT血管造影影像、距离图、血管分割结果等的各类数据或指令。

设备600的外围设备可以包括显示装置602、输入装置603和数据传输接口604。在一个实施例中，显示装置602可以例如包括一个或多个扬声器和/或一个或多个视觉显示器，其配置用于对本申请的对分割脑血管的分割模型进行训练以及分割脑血管进进行语音提示和/或图像视频显示。输入装置603可以包括例如键盘、鼠标、麦克风、姿势捕捉相机等其他输入按钮或控件，其配置用于接收音频数据的输入和/或用户指令。数据传输接口604可以包括例如串行接口、并行接口或通用串行总线接口(“USB”)、小型计算机系统接口(“SCSI”)、串行ATA、火线(“FireWire”)、PCI Express和高清多媒体接口(“HDMI”)等，其配置用于与其他设备或系统的数据传输和交互。根据本申请的方案，该数据传输接口604可以接收来自于医学影像采集设备采集的包含脑血管的CT血管造影影像，并且向设备600传送包括包含脑血管的CT血管造影影像或各种其他类型的数据或结果。

本申请的设备600的上述CPU 611、大容量存储器612、ROM 613、TPU614、GPU 615、FPGA 616、MLU 617和通信接口618可以通过总线619相互连接，并且通过该总线与外围设备实现数据交互。在一个实施例中，通过该总线619，CPU 611可以控制设备600中的其他硬件组件及其外围设备。

以上结合图6描述了可以用于执行本申请的用于对分割脑血管的分割模型进行训练的以及用于对脑血管进行分割的设备。需要理解的是这里的设备结构或架构仅仅是示例性的，本申请的实现方式和实现实体并不受其限制，而是可以在不偏离本申请的精神下做出改变。

根据上述结合附图的描述，本领域技术人员也可以理解本申请的实施例还可以通过软件程序来实现。由此本申请还提供了一种计算机可读存储介质。该计算机可读存储介质可以用于实现本申请结合附图1、图4所描述的用于对分割脑血管的分割模型进行训练的方法以及用于对脑血管进行分割的方法。

应当注意，尽管在附图中以特定顺序描述了本申请方法的操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

应当理解，当本申请的权利要求、当说明书及附图中使用到术语“第一”、“第二”、“第三”和“第四”等时，其仅用于区别不同对象，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。

虽然本申请的实施方式如上，但所述内容只是为便于理解本申请而采用的实施例，并非用以限定本申请的范围和应用场景。任何本申请所述技术领域内的技术人员，在不脱离本申请所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本申请的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (9)

1.一种用于对分割脑血管的分割模型进行训练的方法，包括：

获取包含脑血管的CT血管造影影像；

在所述CT血管造影影像中进行血管标注，以形成血管标注信息，其包括：

对所述CT血管造影影像的像素点是否为血管像素点进行标注，以形成血管标注信息；

根据所述血管标注信息提取表征所述脑血管的血管半径信息的距离图，其包括：

根据所述血管标注信息构建所述脑血管的二值图，其中所述二值图包含血管像素点和非血管像素点；

基于所述二值图计算所述血管像素点到最近的非血管像素点之间的欧式距离；以及

对所述欧式距离执行归一化操作和/或缩放操作，以根据所述欧式距离提取表征所述脑血管的血管半径信息的最终距离图；以及

将所述CT血管造影影像、所述血管标注信息和所述距离图输入至分割模型中进行血管分割并计算损失函数，以对分割脑血管的所述分割模型进行训练，其包括：

将所述CT血管造影影像、所述血管标注信息和所述距离图输入至分割模型中进行血管分割，获得预测血管分割结果；

基于所述血管标注信息、所述距离图和所述预测血管分割结果通过以下公式计算所述损失函数：

其中，LOSS表示所述损失函数，w表示所述距离图表征的血管半径信息，p表示所述预测血管分割结果，g表示所述血管标注信息，i表示血管类别，c表示通道数；以及

根据所述损失函数对分割脑血管的分割模型进行训练。

2.根据权利要求1所述的方法，其中在将所述CT血管造影影像输入所述分割模型之前，还包括：

对所述CT血管造影影像执行灰度归一化操作、数据增强操作和取块操作中的一种或者多种操作，以对所述CT血管造影影像进行预处理。

3.根据权利要求2所述的方法，其中对所述CT血管造影影像执行取块操作包括：

在所述CT血管造影影像中以预设概率分别采集血管像素点和非血管像素点作为块中心点；以及

基于所述块中心点对所述CT血管造影影像执行取块操作。

4.根据权利要求1所述的方法，其中所述分割模型包括U-net模型。

5.一种用于对分割脑血管的分割模型进行训练的设备，包括：

处理器；以及

存储器，其存储有用于对分割脑血管的分割模型进行训练的程序指令，当所述程序执行由处理器执行时，使得实现根据权利要求1-4任意一项所述的方法。

6.一种用于对脑血管进行分割的方法，包括：

获取包含脑血管的待分割的CT血管造影影像；以及

将所述待分割的CT血管造影影像输入至根据权利要求1-4任意一项所述的方法训练完成的分割模型中进行血管分割操作，以输出包含血管轮廓的血管分割结果。

7.根据权利要求6所述的方法，还包括：

对所述血管分割结果进行连通域分析并去除小于预设阈值的连通域，以获得最终的血管分割结果。

8.一种用于对脑血管进行分割的设备，包括：

处理器；以及

存储器，其存储有用于对脑血管进行分割的程序指令，当所述程序执行由处理器执行时，使得实现根据权利要求6-7任意一项所述的方法。

9.一种计算机可读存储介质，其上存储有用于对分割脑血管的分割模型进行训练的和用于对脑血管进行分割的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现如权利要求1-4任意一项所述的方法以及根据权利要求6-7任意一项所述的方法。