CN117197175A - 一种冠脉造影图像的血管分割方法、装置、设备及介质 - Google Patents
一种冠脉造影图像的血管分割方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117197175A CN117197175A CN202311249871.2A CN202311249871A CN117197175A CN 117197175 A CN117197175 A CN 117197175A CN 202311249871 A CN202311249871 A CN 202311249871A CN 117197175 A CN117197175 A CN 117197175A
- Authority
- CN
- China
- Prior art keywords
- point
- segmentation
- image
- blood vessel
- 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 305
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 171
- 238000002586 coronary angiography Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000002792 vascular Effects 0.000 claims abstract description 40
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 54
- 210000004351 coronary vessel Anatomy 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 230000000877 morphologic effect Effects 0.000 description 5
- 208000031481 Pathologic Constriction Diseases 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000036262 stenosis Effects 0.000 description 4
- 208000037804 stenosis Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000002583 angiography Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000001914 filtration Methods 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供了一种冠脉造影图像的血管分割方法、装置、设备及介质,所述方法包括:将冠脉造影原始图像输入到分割模型中,得到二值分割图像以及多个特征图;基于血管骨架选取出多个参考点,并基于多个特征图确定出每个参考点对应的中心选取块;针对于每个目标点,对该目标点对应的中心选取块以及目标辅助点对应的中心选取块进行拼接,得到该目标点对应的拼接输入数据;将该目标点对应的拼接输入数据输入到回归网络模型中,得到该目标点对应的血管边界;将每个目标点对应的血管边界映射到二值分割图像中,以得到二值分割图像对应的血管分割结果。根据所述方法和装置,提高了对于冠脉造影图像进行血管分割的准确性和鲁棒性。
Description
技术领域
本申请涉及医学图像处理技术领域,尤其是涉及一种冠脉造影图像的血管分割方法、装置、设备及介质。
背景技术
在现代医学技术领域中,血管图像技术能够帮助医生了解病人的血管状态,血管造影技术对血管等管状物进行成像得到了广泛的应用。因此,一个高准确率的血管图像分割方法变得尤为重要。
冠脉造影中的血管分割是一项具有挑战性的任务,冠脉造影图像受到多种因素的干扰,如噪声、散射、钙化斑块等。这些因素会导致图像质量下降,使血管边界模糊或不清晰,增加了分割的困难度。而且冠脉血管具有多样的形态,包括曲折、分支、狭窄等。这使得确定血管的边界变得困难。因此,如何提高冠脉造影中血管分割的准确性成为了亟需解决的技术问题。
发明内容
有鉴于此,本申请的目的在于提供一种冠脉造影图像的血管分割方法、装置、设备及介质,使用回归网络模型预测的血管边界来修正分割模型输出的二值分割图像,得到更精准的血管分割结果,能够准确分割冠脉造影中不同粗细的血管,并充分考虑到血管狭窄处的特性,充分把握血管每个位置的细节,提高了对于冠脉造影图像进行血管分割的准确性和鲁棒性。
第一方面,本申请实施例提供了一种冠脉造影图像的血管分割方法,所述血管分割方法包括:
获取冠脉造影原始图像,并将所述冠脉造影原始图像输入到预先训练好的分割模型中,得到二值分割图像以及所述分割模型的不同网络层输出的多个特征图;
从所述二值分割图像中提取出血管骨架,基于所述血管骨架从所述二值分割图像中选取出多个参考点,并基于多个所述特征图确定出每个参考点对应的中心选取块;其中,所述多个参考点中包括多个目标点以及每个目标点对应的辅助点;
针对于每个目标点,将该目标点对应的辅助点作为目标辅助点,并对该目标点对应的中心选取块以及所述目标辅助点对应的中心选取块进行拼接,得到该目标点对应的拼接输入数据;
将该目标点对应的拼接输入数据输入到预先训练好的回归网络模型中,得到该目标点对应的血管边界;
将每个目标点对应的血管边界映射到所述二值分割图像中,修正所述分割模型的分割结果,以得到所述二值分割图像对应的血管分割结果。
进一步的,所述基于所述血管骨架从所述二值分割图像中选取出多个参考点,包括:
针对于所述血管骨架上的每个骨架点,以该骨架点为圆心,基于预设半径从所述二值分割图像中确定出该骨架点对应的滤波核;
对所述二值分割图像和该骨架点对应的滤波核进行卷积操作,得到该骨架点对应的直径特征值;
根据每个骨架点对应的直径特征值,从多个骨架点中确定出直径特征值最大的骨架点作为冠脉起点;
将所述冠脉起点作为所述目标点,选取所述二值分割图像中位于所述目标点周围的像素点作为所述目标点对应的辅助点;
将所述目标点对应的辅助点作为所述目标点,返回执行所述选取所述二值分割图像中位于所述目标点周围的像素点作为所述目标点对应的辅助点的步骤,直至所述目标点为所述血管骨架的终点。
进一步的,所述基于多个所述特征图确定出每个参考点对应的中心选取块,包括:
对多个所述特征图进行特征拼接,得到综合特征图;
利用每个所述参考点对所述综合特征图进行特征取块,得到每个参考点对应的中心选取块。
进一步的,所述将每个目标点对应的血管边界映射到所述二值分割图像中,修正所述分割模型的分割结果,以得到所述二值分割图像对应的血管分割结果,包括:
基于每个目标点对应的血管边界从所述二值分割图像中确定出血管区域,以及位于所述血管区域内的多个第一血管像素点;
在所述二值分割图像中确定出多个像素值为1的第二血管像素点;
针对于多个第二血管像素点对应的坐标值中每个不同的目标横坐标,基于该目标横坐标从多个第一血管像素点中筛选出多个参考像素点,基于该目标横坐标从多个第二血管像素点中筛选出多个待修正像素点,其中,所述参考像素点的横坐标值和所述待修正像素点的横坐标值均为该目标横坐标;
基于多个所述参考像素点的纵坐标值修正多个所述待修正像素点的纵坐标值,得到该目标横坐标对应的多个目标血管像素点;
基于多个所述目标横坐标对应的多个目标血管像素点得到所述二值分割图像对应的血管分割结果。
进一步的,通过以下步骤对所述分割模型和所述回归网络模型进行训练:
获取冠脉造影样本图像;其中,标注所述冠脉造影样本图像中血管区域内的像素点的样本标签值为1,标注所述冠脉造影样本图像中非血管区域内的像素点的样本标签值为0;
将所述冠脉造影样本图像输入到原始分割模型中,得到二值分割预测图像以及所述原始分割模型的不同网络层输出的多个特征预测图;
将所述二值分割预测图像中每个像素点对应的预测标签值与所述冠脉造影样本图像中每个像素点对应的样本标签值进行对比,确定出当前状态下所述原始分割模型的第一损失函数;
基于所述二值分割预测图像和多个所述特征预测图确定出位于所述二值分割预测图像内的每个预测目标点对应的预测输入数据;
将每个预测目标点对应的预测输入数据输入到原始回归网络模型中,得到每个预测目标点对应的预测血管边界,并基于每个预测目标点对应的预测血管边界分别从所述二值分割预测图像和冠脉造影样本图像中确定出预测血管区域;
将所述二值分割预测图像中所述预测血管区域内的每个像素点对应的预测标签值与所述冠脉造影样本图像中所述预测血管区域内的每个像素点对应的样本标签值进行对比,确定出当前状态下所述原始回归网络模型的第二损失函数;
将所述第一损失函数和第二损失函数相加得到总损失函数,基于所述总损失函数不断更新所述原始分割模型的模型参数和所述原始回归网络模型的模型参数,对所述原始分割模型和所述原始回归网络模型进行迭代训练,直至所述总损失函数收敛,得到所述分割模型和所述回归网络模型。
第二方面,本申请实施例还提供了一种冠脉造影图像的血管分割装置,所述血管分割装置包括:
图像确定模块,用于获取冠脉造影原始图像,并将所述冠脉造影原始图像输入到预先训练好的分割模型中,得到二值分割图像以及所述分割模型的不同网络层输出的多个特征图;
中心选取块确定模块,用于从所述二值分割图像中提取出血管骨架,基于所述血管骨架从所述二值分割图像中选取出多个参考点,并基于多个所述特征图确定出每个参考点对应的中心选取块;其中,所述多个参考点中包括多个目标点以及每个目标点对应的辅助点;
输入数据确定模块,用于针对于每个目标点,将该目标点对应的辅助点作为目标辅助点,并对该目标点对应的中心选取块以及所述目标辅助点对应的中心选取块进行拼接,得到该目标点对应的拼接输入数据;
血管边界确定模块,用于将该目标点对应的拼接输入数据输入到预先训练好的回归网络模型中,得到该目标点对应的血管边界;
分割结果修正模块,用于将每个目标点对应的血管边界映射到所述二值分割图像中,修正所述分割模型的分割结果,以得到所述二值分割图像对应的血管分割结果。
进一步的,所述中心选取块确定模块在用于基于所述血管骨架从所述二值分割图像中选取出多个参考点时,所述中心选取块确定模块还用于:
针对于所述血管骨架上的每个骨架点,以该骨架点为圆心,基于预设半径从所述二值分割图像中确定出该骨架点对应的滤波核;
对所述二值分割图像和该骨架点对应的滤波核进行卷积操作,得到该骨架点对应的直径特征值;
根据每个骨架点对应的直径特征值,从多个骨架点中确定出直径特征值最大的骨架点作为冠脉起点;
将所述冠脉起点作为所述目标点,选取所述二值分割图像中位于所述目标点周围的像素点作为所述目标点对应的辅助点;
将所述目标点对应的辅助点作为所述目标点,返回执行所述选取所述二值分割图像中位于所述目标点周围的像素点作为所述目标点对应的辅助点的步骤,直至所述目标点为所述血管骨架的终点。
进一步的,所述中心选取块确定模块在用于基于多个所述特征图确定出每个参考点对应的中心选取块时,所述中心选取块确定模块还用于:
对多个所述特征图进行特征拼接,得到综合特征图;
利用每个所述参考点对所述综合特征图进行特征取块,得到每个参考点对应的中心选取块。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的冠脉造影图像的血管分割方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述的冠脉造影图像的血管分割方法的步骤。
本申请实施例提供的一种冠脉造影图像的血管分割方法、装置、设备及介质,首先,获取冠脉造影原始图像,并将所述冠脉造影原始图像输入到预先训练好的分割模型中,得到二值分割图像以及所述分割模型的不同网络层输出的多个特征图;然后,从所述二值分割图像中提取出血管骨架,基于所述血管骨架从所述二值分割图像中选取出多个参考点,并基于多个所述特征图确定出每个参考点对应的中心选取块;针对于每个目标点,将该目标点对应的辅助点作为目标辅助点,并对该目标点对应的中心选取块以及所述目标辅助点对应的中心选取块进行拼接,得到该目标点对应的拼接输入数据;将该目标点对应的拼接输入数据输入到预先训练好的回归网络模型中,得到该目标点对应的血管边界;最后,将每个目标点对应的血管边界映射到所述二值分割图像中,修正所述分割模型的分割结果,以得到所述二值分割图像对应的血管分割结果。
本申请使用回归网络模型预测的血管边界来修正分割模型输出的二值分割图像,得到更精准的血管分割结果,能够准确分割冠脉造影中不同粗细的血管,并充分考虑到血管狭窄处的特性,充分把握血管每个位置的细节,提高了对于冠脉造影图像进行血管分割的准确性和鲁棒性。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例所提供的一种冠脉造影图像的血管分割方法的流程图;
图2为本申请实施例所提供的一种分割模型结构图;
图3为本申请实施例所提供的一种冠脉造影图像的血管分割装置的结构示意图;
图4为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
首先,对本申请可适用的应用场景进行介绍。本申请可应用于医学图像处理技术领域。
在现代医学技术领域中,血管图像技术能够帮助医生了解病人的血管状态,血管造影技术对血管等管状物进行成像得到了广泛的应用。因此,一个高准确率的血管图像分割方法变得尤为重要。
冠脉造影中的血管分割是一项具有挑战性的任务。经研究发现,主要包括以下几个难点:
图像质量:冠脉造影图像受到多种因素的干扰,如噪声、散射、钙化斑块等。这些因素会导致图像质量下降,使血管边界模糊或不清晰,增加了分割的困难度。
血管形态多样性:冠脉血管具有多样的形态,包括曲折、分支、狭窄等。这些形态变化增加了分割算法的复杂性,因为算法需要能够准确地识别和分割各种形态的血管。
交叉和重叠:在冠脉造影图像中,血管可能会相互交叉和重叠。这使得确定血管的边界变得困难,因为分割算法需要能够区分交叉和重叠区域中的不同血管。
病变和病变区域:冠脉图像中可能存在病变,如斑块、狭窄或闭塞。这些病变区域与正常血管之间的边界模糊,需要精确的分割算法来识别和分割出血管和病变区域。
因此,如何提高冠脉造影中血管分割的准确性成为了亟需解决的技术问题。
基于此,本申请实施例提供了一种冠脉造影图像的血管分割方法,能够准确分割冠脉造影中不同粗细的血管,并充分考虑到血管狭窄处的特性,充分把握血管每个位置的细节,提高了对于冠脉造影图像进行血管分割的准确性和鲁棒性。
请参阅图1,图1为本申请实施例所提供的一种冠脉造影图像的血管分割方法的流程图。如图1中所示,本申请实施例提供的血管分割方法,包括:
S101,获取冠脉造影原始图像,并将所述冠脉造影原始图像输入到预先训练好的分割模型中,得到二值分割图像以及所述分割模型的不同网络层输出的多个特征图。
需要说明的是,冠脉造影原始图像为对患者注射血管造影剂后拍摄的原始医学图像。二值分割图像指的是分割模型对冠脉造影原始图像进行图像二值化得到的分割图像。特征图指的是分割模型中的不同网络层所输出的特征图。
针对上述步骤S101,在具体实施时,首先获取冠状动脉造影得到的冠脉造影原始图像,然后将冠脉造影原始图像输入到预先训练好的分割模型中,得到分割模型输出的二值分割图像以及分割模型的不同网络层输出的多个特征图。请参阅图2,图2为本申请实施例所提供的一种分割模型结构图。如图2所示,本申请采用常规的U-Net网络作为分割模块的网络结构,包括三个降采样层和三个上采样层。输入为冠脉造影原始图像,输出为二值的分割结果,其输入图像的大小和输出图像的大小一致。其中,C4,U3,U2,U1分别表示分割模型中的不同网络层所输出的特征图。
S102,从所述二值分割图像中提取出血管骨架,基于所述血管骨架从所述二值分割图像中选取出多个参考点,并基于多个所述特征图确定出每个参考点对应的中心选取块。
针对上述步骤S102,在具体实施时,得到分割模型输出的二值分割图像后,从二值分割图像中提取出血管骨架。这里,血管骨架的二维坐标表示为skele(i,j)={(i,j)|S(i,j)=1},其中,S表示血管骨架,(i,j)为血管骨架上各个点的坐标。具体的,骨架化算法可采用如下几种常规方案:(1)细化算法(Thinning Algorithm):细化算法是一种迭代的骨架化算法,通过反复删除前景像素来得到骨架线。其中最著名的细化算法包括Zhang-Suen算法、Guo-Hall算法和Rosenfeld算法等。(2)光线追踪法(Medial Axis Transform):光线追踪法基于物体像素与其周围背景像素之间的边界信息,通过追踪边界上的光线来得到骨架线。这种方法能够保留物体的连通性和几何形状。(3)距离变换法(Distance Transform):距离变换法基于图像中每个像素到最近背景像素的距离,通过阈值操作和形态学处理来得到骨架线。距离变换法能够保留物体的形状信息,并在骨架线中加入额外的拓扑信息。(4)形态学骨架化(Morphological Skeletonization):形态学骨架化是基于形态学运算的骨架化方法,利用腐蚀和膨胀操作来提取物体的中轴线。这种方法简单高效,适用于简单形状的物体。这里,从二值分割图像中提取出血管骨架后,基于血管骨架从二值分割图像中选取出多个参考点。具体的,多个参考点中包括多个目标点以及每个目标点对应的辅助点。然后,步骤S101中获得的多个特征图确定出每个参考点对应的中心选取块。
作为一种可选的实施例,针对上述步骤S102,所述基于所述血管骨架从所述二值分割图像中选取出多个参考点,包括:
A:针对于所述血管骨架上的每个骨架点,以该骨架点为圆心,基于预设半径从所述二值分割图像中确定出该骨架点对应的滤波核。
这里,预设半径可以预先设置为10个像素。骨架点则为血管骨架上的每个像素点。
针对上述步骤A,在具体实施时,针对于血管骨架上的每个骨架点,以该骨架点为圆心,基于预设半径从二值分割图像中确定出该骨架点对应的滤波核。这里,延续上述例子,当预设半径为10个像素时,则以骨架点为圆心,半径为10个像素来选择滤波核。具体的,滤波核表示为:
kernel(x,y)={(x-10)2+(y-10)2≤102|0≤x≤20,0≤y≤20}
其中,kernel(x,y)表示滤波核。
B:对所述二值分割图像和该骨架点对应的滤波核进行卷积操作,得到该骨架点对应的直径特征值。
针对上述步骤B,在具体实施时,得到该骨架点对应的滤波核后,对二值分割图像和该骨架点对应的滤波核进行卷积操作,得到该骨架点对应的直径特征值。具体的,通过下述公式对直径特征值进行计算:
其中,Seg表示分割模型输出的二值分割图像;表示卷积操作,即每个位置的像素对应相乘,再求所有相乘结果的和;sum(i,j)表示骨架点为(i,j)时计算得到的直径特征值。
C:根据每个骨架点对应的直径特征值,从多个骨架点中确定出直径特征值最大的骨架点作为冠脉起点。
针对上述步骤C,在具体实施时,每个骨架点对应的直径特征值均确定出后,基于每个骨架点对应的直径特征值,从多个骨架点中确定出直径特征值最大的骨架点作为冠脉起点。具体的,冠脉起点start的坐标表示为start=argmaxskele(i,j)[sum(i,j)]。
D:将所述冠脉起点作为所述目标点,选取所述二值分割图像中位于所述目标点周围的像素点作为所述目标点对应的辅助点。
E:将所述目标点对应的辅助点作为所述目标点,返回执行所述选取所述二值分割图像中位于所述目标点周围的像素点作为所述目标点对应的辅助点的步骤,直至所述目标点为所述血管骨架的终点。
针对上述步骤D-步骤E,在具体实施时,将步骤C中确定出的冠脉起点作为目标点,选取二值分割图像中位于该目标点周围的像素点作为该目标点对应的辅助点。具体的,辅助点可表示为:
assist(i,j)={(i-x)2+(j-y)2≤1|x2+y2=R2,(i,j)∈skele(i,j)}
其中,(i,j)表示当前目标点的坐标,assist(i,j)表示目标点(i,j)对应的辅助点集合,R为设置的半径,默认为R=3。
通过上述步骤D确定出该目标点对应的辅助点后,在上述步骤E中这些辅助点也会作为下一次选取的目标点,将目标点对应的辅助点作为目标点,返回执行上述步骤D中的选取所述二值分割图像中位于所述目标点周围的像素点作为所述目标点对应的辅助点的步骤,继续向前选取,直至所述目标点为血管骨架的终点。这里,选取辅助点的作用在于提取其特征以辅助目标点进行边界回归,因为周围点的特征会影响到当前目标点。
作为一种可选的实施例,针对上述步骤S102,所述基于多个所述特征图确定出每个参考点对应的中心选取块,包括:
a:对多个所述特征图进行特征拼接,得到综合特征图。
针对上述步骤a,在具体实施时,对多个特征图进行特征拼接,进行分割模型的多层特征拼接,得到综合特征图。具体的,通过下述公式得到综合特征图:
F3=concat(UpSample(C4),U3)
F2=concat(UpSample(F3),U2)
F1=concat(UpSample(F2),U1)
其中,C4、U3、U2、U1分别表示分割模型中的不同网络层所输出的特征图,F3表示对C4和U3进行特征拼接后得到的特征图,F3表示对F3和U2进行特征拼接后得到的特征图,F1表示对F2和U1进行特征拼接后得到的综合特征图;UpSample()表示上采样过程,这里使用反卷积的方法;concat表示拼接操作。
b:利用每个所述参考点对所述综合特征图进行特征取块,得到每个参考点对应的中心选取块。
针对上述步骤b,在具体实施时,综合特征图确定出后,利用每个参考点对综合特征图进行特征取块,得到每个参考点对应的中心选取块。具体的,中心选取块表示为:
patch(i,j)=F1[i-32:i+32,j-32:j+32]
其中,patch(i,j)表示参考点(i,j)对应的中心选取块。
S103,针对于每个目标点,将该目标点对应的辅助点作为目标辅助点,并对该目标点对应的中心选取块以及所述目标辅助点对应的中心选取块进行拼接,得到该目标点对应的拼接输入数据。
针对上述步骤S103,在具体实施时,针对于每个目标点,将该目标点对应的辅助点作为目标辅助点,并对该目标点对应的中心选取块以及目标辅助点对应的中心选取块进行拼接,以得到该目标点对应的拼接输入数据,作为回归网络模型的输入。具体的,拼接输入数据表示为:
input(i,j)=concat{patch(i,j)|(i,j)∈{(i,j),assist(i,j)}}
其中,input(i,j)表示回归网络模型的拼接输入数据。
S104,将该目标点对应的拼接输入数据输入到预先训练好的回归网络模型中,得到该目标点对应的血管边界。
针对上述步骤S104,在具体实施时,针对于每个目标点,将该目标点对应的拼接输入数据输入到预先训练好的回归网络模型中,得到该目标点对应的血管边界。具体的,本申请实施例所提供的回归网络模块由四个子模块组成,分别是三个卷积模块(D3,D2,D1)和一个全连接层(FC1),其中,每个卷积模块由串联的两个卷积层和一个降采样层组成。回归网络模型的输出为一个1x2的向量,表示在目标点(i,j)的情况下,其左边界和右边界的像素个数,以表示目标点对应的血管边界。
作为一种可选的实施例,通过以下步骤对所述分割模型和所述回归网络模型进行训练:
I:获取冠脉造影样本图像。
其中,标注所述冠脉造影样本图像中血管区域内的像素点的样本标签值为1,标注所述冠脉造影样本图像中非血管区域内的像素点的样本标签值为0。
针对上述步骤I,在具体实施时,获取冠脉造影样本图像,在冠脉造影样本图像中,标签值为1的像素点为血管区域内的像素点,标签值为0的像素点为血管区域的像素点。
II:将所述冠脉造影样本图像输入到原始分割模型中,得到二值分割预测图像以及所述原始分割模型的不同网络层输出的多个特征预测图。
针对上述步骤II,在具体实施时,将冠脉造影样本图像输入到原始分割模型中,得到二值分割预测图像以及原始分割模型的不同网络层输出的多个特征预测图。
III:将所述二值分割预测图像中每个像素点对应的预测标签值与所述冠脉造影样本图像中每个像素点对应的样本标签值进行对比,确定出当前状态下所述原始分割模型的第一损失函数。
针对上述步骤III,在具体实施时,将二值分割预测图像中每个像素点对应的预测标签值与冠脉造影样本图像中每个像素点对应的样本标签值进行对比,确定出当前状态下所述原始分割模型的第一损失函数。具体的,通过下述公式计算第一损失函数:
其中,Lseg表示第一损失函数,第一损失函数采用常规的二值交叉熵损失,其中l(x,y)表示冠脉造影样本图像中坐标为(x,y)的像素点的样本坐标值,l(x,y)∈{0,1},p(x,y)表示二值分割预测图像中坐标(x,y)的像素点的预测标签值,即前景概率结果,p(x,y)∈[0,1]。
IV:基于所述二值分割预测图像和多个所述特征预测图确定出位于所述二值分割预测图像内的每个预测目标点对应的预测输入数据。
针对上述步骤IV,在具体实施时,基于原始分割模型输出的二值分割预测图像和多个特征预测图确定出位于二值分割预测图像内的每个预测目标点对应的预测输入数据。这里,对于确定预测输入数据的描述可以参照S102至S103的描述,并且能达到相同的技术效果,对此不做赘述。
V:将每个预测目标点对应的预测输入数据输入到原始回归网络模型中,得到每个预测目标点对应的预测血管边界,并基于每个预测目标点对应的预测血管边界分别从所述二值分割预测图像和冠脉造影样本图像中确定出预测血管区域。
针对上述步骤V,在具体实施时,将每个预测目标点对应的预测输入数据输入到原始回归网络模型中,得到每个预测目标点对应的预测血管边界,并基于每个预测目标点对应的预测血管边界从二值分割预测图像中确定出预测血管区域。这里,预测血管边界表示预测目标点的左边界和右边界的像素个数,在二值分割预测图像中确定出每个预测目标点的位置,然后基于每个预测目标点对应的预测血管边界即可从二值分割预测图像中确定出预测血管区域。由于二值分割预测图像与冠脉造影样本图像的大小相同,冠脉造影样本图像中的预测血管区域即可通过上述同样的方式来确定。
VI:将所述二值分割预测图像中所述预测血管区域内的每个像素点对应的预测标签值与所述冠脉造影样本图像中所述预测血管区域内的每个像素点对应的样本标签值进行对比,确定出当前状态下所述原始回归网络模型的第二损失函数。
针对上述步骤VI,在具体实施时,将二值分割预测图像中预测血管区域内的每个像素点对应的预测标签值与冠脉造影样本图像中预测血管区域内的每个像素点对应的样本标签值进行对比,确定出当前状态下原始回归网络模型的第二损失函数。具体的,通过下述公式计算第二损失函数:
其中,Lreg表示第二损失函数。第二损失函数采用常规的L1-normal损失函数,其中r(x,y)表示冠脉造影样本图像中预测血管区域内坐标为(x,y)的像素点的样本坐标值,d(x,y)表示二值分割预测图像中预测血管区域内坐标为(x,y)的像素点的样本坐标值。
VII:将所述第一损失函数和第二损失函数相加得到总损失函数,基于所述总损失函数不断更新所述原始分割模型的模型参数和所述原始回归网络模型的模型参数,对所述原始分割模型和所述原始回归网络模型进行迭代训练,直至所述总损失函数收敛,得到所述分割模型和所述回归网络模型。
针对上述步骤VII,在具体实施时,将原始分割模型的第一损失函数和原始回归网络模型的第二损失函数相加得到总损失函数,具体的,总损失函数L表示为L=Lseg+Lreg。总损失函数确定出后,根据计算得到的总损失函数更新原始分割模型的模型参数和原始回归网络模型的模型参数。模型参数更新后,若当前总损失函数没有收敛,继续进行下一训练轮次的迭代训练。在迭代的每一步,都会计算出新的总损失函数,当总损失函数不收敛时,不断更新原始分割模型的模型参数和原始回归网络模型的模型参数,新的权重会计算得到新的总损失函数,从而使得迭代过程中总损失函数呈现波动下降的趋势。最后当总损失函数到达收敛的时候,也就是总损失函数与上一次计算的总损失函数相比下降不明显时,认为原始分割模型和原始回归网络模型达到收敛状态,此时的原始分割模型和原始回归网络模型的预测比较准确,这时结束训练,得到分割模型和回归网络模型。
S105,将每个目标点对应的血管边界映射到所述二值分割图像中,修正所述分割模型的分割结果,以得到所述二值分割图像对应的血管分割结果。
针对上述步骤S105,在具体实施时,将得到的每个目标点对应的血管边界映射到二值分割图像中,修正所述分割模型的分割结果,以得到二值分割图像对应的血管分割结果。
作为一种可选的实施例,针对于上述步骤S105,所述将每个目标点对应的血管边界映射到所述二值分割图像中,修正所述分割模型的分割结果,以得到所述二值分割图像对应的血管分割结果,包括:
步骤1051,基于每个目标点对应的血管边界从所述二值分割图像中确定出血管区域,以及位于所述血管区域内的多个第一血管像素点。
针对上述步骤1051,在具体实施时,基于每个目标点对应的血管边界从二值分割图像中确定出血管区域,以及位于血管区域内的多个第一血管像素点。这里,血管边界表示目标点的左边界和右边界的像素个数,在二值分割图像中确定出每个目标点的位置,然后基于每个目标点对应的血管边界即可从二值分割图像中确定出血管区域。
步骤1052,在所述二值分割图像中确定出多个像素值为1的第二血管像素点。
由于二值图像中每个像素只有黑、白两种颜色,像素只有0和1两种取值,一般用0来表示黑色,用1表示白色。针对上述步骤1052,在具体实施时,在二值分割图像中确定出多个像素值为1的第二血管像素点。
步骤1053,针对于多个第二血管像素点对应的坐标值中每个不同的目标横坐标,基于该目标横坐标从多个第一血管像素点中筛选出多个参考像素点,基于该目标横坐标从多个第二血管像素点中筛选出多个待修正像素点。
针对上述步骤1053,在具体实施时,针对于多个第二血管像素点对应的坐标值中每个不同的目标横坐标,基于该目标横坐标从多个第一血管像素点中筛选出多个参考像素点,基于该目标横坐标从多个第二血管像素点中筛选出多个待修正像素点。这里,参考像素点的横坐标值和待修正像素点的横坐标值均为该目标横坐标。
步骤1054,基于多个所述参考像素点的纵坐标值修正多个所述待修正像素点的纵坐标值,得到该目标横坐标对应的多个目标血管像素点。
针对上述步骤1054,在具体实施时,根据多个参考像素点的纵坐标值修正多个待修正像素点的纵坐标值,得到该目标横坐标对应的多个目标血管像素点。具体的,通过下述公式对多个待修正像素点的纵坐标值进行修正:
Seg(x,Y)=1
Y={y-d(x,y)[0]:y+d(x,y)[1]}
其中,Seg(x,Y)=1表示二值分割图像中坐标为(x,Y)的像素点为1,y表示待修正像素点的纵坐标值,x表示目标横坐标,为一个数,Y表示一个集合,为若干个数。d(x,y)为回归网络模型的预测结果,即参考像素点,为两个元素的向量,[0]表示选取其中第一个元素,[1]表示选取其中第二个元素。
步骤1055,基于多个所述目标横坐标对应的多个目标血管像素点得到所述二值分割图像对应的血管分割结果。
针对上述步骤1055,在具体实施时,每个目标横坐标对应的多个目标血管像素点确定出后,将多个目标横坐标对应的多个目标血管像素点合并,即可确定出二值分割图像对应的血管分割结果。
本申请实施例提供的冠脉造影图像的血管分割方法,首先,获取冠脉造影原始图像,并将所述冠脉造影原始图像输入到预先训练好的分割模型中,得到二值分割图像以及所述分割模型的不同网络层输出的多个特征图;然后,从所述二值分割图像中提取出血管骨架,基于所述血管骨架从所述二值分割图像中选取出多个参考点,并基于多个所述特征图确定出每个参考点对应的中心选取块;针对于每个目标点,将该目标点对应的辅助点作为目标辅助点,并对该目标点对应的中心选取块以及所述目标辅助点对应的中心选取块进行拼接,得到该目标点对应的拼接输入数据;将该目标点对应的拼接输入数据输入到预先训练好的回归网络模型中,得到该目标点对应的血管边界;最后,将每个目标点对应的血管边界映射到所述二值分割图像中,修正所述分割模型的分割结果,以得到所述二值分割图像对应的血管分割结果。
本申请使用回归网络模型预测的血管边界来修正分割模型输出的二值分割图像,得到更精准的血管分割结果,能够准确分割冠脉造影中不同粗细的血管,并充分考虑到血管狭窄处的特性,充分把握血管每个位置的细节,提高了对于冠脉造影图像进行血管分割的准确性和鲁棒性。
请参阅图3,图3为本申请实施例所提供的一种冠脉造影图像的血管分割装置的结构示意图。如图3中所示,所述血管分割装置300包括:
图像确定模块301,用于获取冠脉造影原始图像,并将所述冠脉造影原始图像输入到预先训练好的分割模型中,得到二值分割图像以及所述分割模型的不同网络层输出的多个特征图;
中心选取块确定模块302,用于从所述二值分割图像中提取出血管骨架,基于所述血管骨架从所述二值分割图像中选取出多个参考点,并基于多个所述特征图确定出每个参考点对应的中心选取块;其中,所述多个参考点中包括多个目标点以及每个目标点对应的辅助点;
输入数据确定模块303,用于针对于每个目标点,将该目标点对应的辅助点作为目标辅助点,并对该目标点对应的中心选取块以及所述目标辅助点对应的中心选取块进行拼接,得到该目标点对应的拼接输入数据;
血管边界确定模块304,用于将该目标点对应的拼接输入数据输入到预先训练好的回归网络模型中,得到该目标点对应的血管边界;
分割结果修正模块305,用于将每个目标点对应的血管边界映射到所述二值分割图像中,修正所述分割模型的分割结果,以得到所述二值分割图像对应的血管分割结果。
进一步的,所述中心选取块确定模块302在用于基于所述血管骨架从所述二值分割图像中选取出多个参考点时,所述中心选取块确定模块302还用于:
针对于所述血管骨架上的每个骨架点,以该骨架点为圆心,基于预设半径从所述二值分割图像中确定出该骨架点对应的滤波核;
对所述二值分割图像和该骨架点对应的滤波核进行卷积操作,得到该骨架点对应的直径特征值;
根据每个骨架点对应的直径特征值,从多个骨架点中确定出直径特征值最大的骨架点作为冠脉起点;
将所述冠脉起点作为所述目标点,选取所述二值分割图像中位于所述目标点周围的像素点作为所述目标点对应的辅助点;
将所述目标点对应的辅助点作为所述目标点,返回执行所述选取所述二值分割图像中位于所述目标点周围的像素点作为所述目标点对应的辅助点的步骤,直至所述目标点为所述血管骨架的终点。
进一步的,所述中心选取块确定模块302在用于基于多个所述特征图确定出每个参考点对应的中心选取块时,所述中心选取块确定模块302还用于:
对多个所述特征图进行特征拼接,得到综合特征图;
利用每个所述参考点对所述综合特征图进行特征取块,得到每个参考点对应的中心选取块。
进一步的,所述分割结果修正模块305在用于将每个目标点对应的血管边界映射到所述二值分割图像中,修正所述分割模型的分割结果,以得到所述二值分割图像对应的血管分割结果时,所述分割结果修正模块305还用于:
基于每个目标点对应的血管边界从所述二值分割图像中确定出血管区域,以及位于所述血管区域内的多个第一血管像素点;
在所述二值分割图像中确定出多个像素值为1的第二血管像素点;
针对于多个第二血管像素点对应的坐标值中每个不同的目标横坐标,基于该目标横坐标从多个第一血管像素点中筛选出多个参考像素点,基于该目标横坐标从多个第二血管像素点中筛选出多个待修正像素点,其中,所述参考像素点的横坐标值和所述待修正像素点的横坐标值均为该目标横坐标;
基于多个所述参考像素点的纵坐标值修正多个所述待修正像素点的纵坐标值,得到该目标横坐标对应的多个目标血管像素点;
基于多个所述目标横坐标对应的多个目标血管像素点得到所述二值分割图像对应的血管分割结果。
进一步的,所述血管分割装置300还包括模型训练模块,模型训练模块通过以下步骤对所述分割模型和所述回归网络模型进行训练:
获取冠脉造影样本图像;其中,标注所述冠脉造影样本图像中血管区域内的像素点的样本标签值为1,标注所述冠脉造影样本图像中非血管区域内的像素点的样本标签值为0;
将所述冠脉造影样本图像输入到原始分割模型中,得到二值分割预测图像以及所述原始分割模型的不同网络层输出的多个特征预测图;
将所述二值分割预测图像中每个像素点对应的预测标签值与所述冠脉造影样本图像中每个像素点对应的样本标签值进行对比,确定出当前状态下所述原始分割模型的第一损失函数;
基于所述二值分割预测图像和多个所述特征预测图确定出位于所述二值分割预测图像内的每个预测目标点对应的预测输入数据;
将每个预测目标点对应的预测输入数据输入到原始回归网络模型中,得到每个预测目标点对应的预测血管边界,并基于每个预测目标点对应的预测血管边界分别从所述二值分割预测图像和冠脉造影样本图像中确定出预测血管区域;
将所述二值分割预测图像中所述预测血管区域内的每个像素点对应的预测标签值与所述冠脉造影样本图像中所述预测血管区域内的每个像素点对应的样本标签值进行对比,确定出当前状态下所述原始回归网络模型的第二损失函数;
将所述第一损失函数和第二损失函数相加得到总损失函数,基于所述总损失函数不断更新所述原始分割模型的模型参数和所述原始回归网络模型的模型参数,对所述原始分割模型和所述原始回归网络模型进行迭代训练,直至所述总损失函数收敛,得到所述分割模型和所述回归网络模型。
请参阅图4,图4为本申请实施例所提供的一种电子设备的结构示意图。如图4中所示,所述电子设备400包括处理器410、存储器420和总线430。
所述存储器420存储有所述处理器410可执行的机器可读指令,当电子设备400运行时,所述处理器410与所述存储器420之间通过总线430通信,所述机器可读指令被所述处理器410执行时,可以执行如上述图1所示方法实施例中的冠脉造影图像的血管分割方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的冠脉造影图像的血管分割方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random AccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种冠脉造影图像的血管分割方法,其特征在于,所述血管分割方法包括:
获取冠脉造影原始图像,并将所述冠脉造影原始图像输入到预先训练好的分割模型中,得到二值分割图像以及所述分割模型的不同网络层输出的多个特征图;
从所述二值分割图像中提取出血管骨架,基于所述血管骨架从所述二值分割图像中选取出多个参考点,并基于多个所述特征图确定出每个参考点对应的中心选取块;其中,所述多个参考点中包括多个目标点以及每个目标点对应的辅助点;
针对于每个目标点,将该目标点对应的辅助点作为目标辅助点,并对该目标点对应的中心选取块以及所述目标辅助点对应的中心选取块进行拼接,得到该目标点对应的拼接输入数据;
将该目标点对应的拼接输入数据输入到预先训练好的回归网络模型中,得到该目标点对应的血管边界;
将每个目标点对应的血管边界映射到所述二值分割图像中,修正所述分割模型的分割结果,以得到所述二值分割图像对应的血管分割结果。
2.根据权利要求1所述的血管分割方法,其特征在于,所述基于所述血管骨架从所述二值分割图像中选取出多个参考点,包括:
针对于所述血管骨架上的每个骨架点,以该骨架点为圆心,基于预设半径从所述二值分割图像中确定出该骨架点对应的滤波核;
对所述二值分割图像和该骨架点对应的滤波核进行卷积操作,得到该骨架点对应的直径特征值;
根据每个骨架点对应的直径特征值,从多个骨架点中确定出直径特征值最大的骨架点作为冠脉起点;
将所述冠脉起点作为所述目标点,选取所述二值分割图像中位于所述目标点周围的像素点作为所述目标点对应的辅助点;
将所述目标点对应的辅助点作为所述目标点,返回执行所述选取所述二值分割图像中位于所述目标点周围的像素点作为所述目标点对应的辅助点的步骤,直至所述目标点为所述血管骨架的终点。
3.根据权利要求1所述的血管分割方法,其特征在于,所述基于多个所述特征图确定出每个参考点对应的中心选取块,包括:
对多个所述特征图进行特征拼接,得到综合特征图;
利用每个所述参考点对所述综合特征图进行特征取块,得到每个参考点对应的中心选取块。
4.根据权利要求1所述的血管分割方法,其特征在于,所述将每个目标点对应的血管边界映射到所述二值分割图像中,修正所述分割模型的分割结果,以得到所述二值分割图像对应的血管分割结果,包括:
基于每个目标点对应的血管边界从所述二值分割图像中确定出血管区域,以及位于所述血管区域内的多个第一血管像素点;
在所述二值分割图像中确定出多个像素值为1的第二血管像素点;
针对于多个第二血管像素点对应的坐标值中每个不同的目标横坐标,基于该目标横坐标从多个第一血管像素点中筛选出多个参考像素点,基于该目标横坐标从多个第二血管像素点中筛选出多个待修正像素点,其中,所述参考像素点的横坐标值和所述待修正像素点的横坐标值均为该目标横坐标;
基于多个所述参考像素点的纵坐标值修正多个所述待修正像素点的纵坐标值,得到该目标横坐标对应的多个目标血管像素点;
基于多个所述目标横坐标对应的多个目标血管像素点得到所述二值分割图像对应的血管分割结果。
5.根据权利要求1所述的血管分割方法,其特征在于,通过以下步骤对所述分割模型和所述回归网络模型进行训练:
获取冠脉造影样本图像;其中,标注所述冠脉造影样本图像中血管区域内的像素点的样本标签值为1,标注所述冠脉造影样本图像中非血管区域内的像素点的样本标签值为0;
将所述冠脉造影样本图像输入到原始分割模型中,得到二值分割预测图像以及所述原始分割模型的不同网络层输出的多个特征预测图;
将所述二值分割预测图像中每个像素点对应的预测标签值与所述冠脉造影样本图像中每个像素点对应的样本标签值进行对比,确定出当前状态下所述原始分割模型的第一损失函数;
基于所述二值分割预测图像和多个所述特征预测图确定出位于所述二值分割预测图像内的每个预测目标点对应的预测输入数据;
将每个预测目标点对应的预测输入数据输入到原始回归网络模型中,得到每个预测目标点对应的预测血管边界,并基于每个预测目标点对应的预测血管边界分别从所述二值分割预测图像和冠脉造影样本图像中确定出预测血管区域;
将所述二值分割预测图像中所述预测血管区域内的每个像素点对应的预测标签值与所述冠脉造影样本图像中所述预测血管区域内的每个像素点对应的样本标签值进行对比,确定出当前状态下所述原始回归网络模型的第二损失函数;
将所述第一损失函数和第二损失函数相加得到总损失函数,基于所述总损失函数不断更新所述原始分割模型的模型参数和所述原始回归网络模型的模型参数,对所述原始分割模型和所述原始回归网络模型进行迭代训练,直至所述总损失函数收敛,得到所述分割模型和所述回归网络模型。
6.一种冠脉造影图像的血管分割装置,其特征在于,所述血管分割装置包括:
图像确定模块,用于获取冠脉造影原始图像,并将所述冠脉造影原始图像输入到预先训练好的分割模型中,得到二值分割图像以及所述分割模型的不同网络层输出的多个特征图;
中心选取块确定模块,用于从所述二值分割图像中提取出血管骨架,基于所述血管骨架从所述二值分割图像中选取出多个参考点,并基于多个所述特征图确定出每个参考点对应的中心选取块;其中,所述多个参考点中包括多个目标点以及每个目标点对应的辅助点;
输入数据确定模块,用于针对于每个目标点,将该目标点对应的辅助点作为目标辅助点,并对该目标点对应的中心选取块以及所述目标辅助点对应的中心选取块进行拼接,得到该目标点对应的拼接输入数据;
血管边界确定模块,用于将该目标点对应的拼接输入数据输入到预先训练好的回归网络模型中,得到该目标点对应的血管边界;
分割结果修正模块,用于将每个目标点对应的血管边界映射到所述二值分割图像中,修正所述分割模型的分割结果,以得到所述二值分割图像对应的血管分割结果。
7.根据权利要求6所述的血管分割装置,其特征在于,所述中心选取块确定模块在用于基于所述血管骨架从所述二值分割图像中选取出多个参考点时,所述中心选取块确定模块还用于:
针对于所述血管骨架上的每个骨架点,以该骨架点为圆心,基于预设半径从所述二值分割图像中确定出该骨架点对应的滤波核;
对所述二值分割图像和该骨架点对应的滤波核进行卷积操作,得到该骨架点对应的直径特征值;
根据每个骨架点对应的直径特征值,从多个骨架点中确定出直径特征值最大的骨架点作为冠脉起点;
将所述冠脉起点作为所述目标点,选取所述二值分割图像中位于所述目标点周围的像素点作为所述目标点对应的辅助点;
将所述目标点对应的辅助点作为所述目标点,返回执行所述选取所述二值分割图像中位于所述目标点周围的像素点作为所述目标点对应的辅助点的步骤,直至所述目标点为所述血管骨架的终点。
8.根据权利要求6所述的血管分割装置,其特征在于,所述中心选取块确定模块在用于基于多个所述特征图确定出每个参考点对应的中心选取块时,所述中心选取块确定模块还用于:
对多个所述特征图进行特征拼接,得到综合特征图;
利用每个所述参考点对所述综合特征图进行特征取块,得到每个参考点对应的中心选取块。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线进行通信,所述机器可读指令被所述处理器运行时执行如权利要求1至5任一所述的冠脉造影图像的血管分割方法的步骤。
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上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至5任一所述的冠脉造影图像的血管分割方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311249871.2A CN117197175A (zh) | 2023-09-26 | 2023-09-26 | 一种冠脉造影图像的血管分割方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311249871.2A CN117197175A (zh) | 2023-09-26 | 2023-09-26 | 一种冠脉造影图像的血管分割方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117197175A true CN117197175A (zh) | 2023-12-08 |
Family
ID=88997914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311249871.2A Pending CN117197175A (zh) | 2023-09-26 | 2023-09-26 | 一种冠脉造影图像的血管分割方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197175A (zh) |
-
2023
- 2023-09-26 CN CN202311249871.2A patent/CN117197175A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108198184B (zh) | 造影图像中血管分割的方法和系统 | |
CN110796670B (zh) | 一种夹层动脉分割方法及装置 | |
CN113160189B (zh) | 血管中心线提取方法、装置、设备及存储介质 | |
CN111145206A (zh) | 肝脏图像分割质量评估方法、装置及计算机设备 | |
EP3552151A1 (en) | Learning annotation of objects in image | |
CN113674279B (zh) | 基于深度学习的冠脉cta影像的处理方法及装置 | |
CN114565763A (zh) | 图像分割方法、装置、设备、介质及程序产品 | |
US20210142470A1 (en) | System and method for identification of pulmonary arteries and veins depicted on chest ct scans | |
CN112348818B (zh) | 一种图像分割方法、装置、设备以及存储介质 | |
CN112102275A (zh) | 肺主动脉血管图像提取方法、装置、存储介质及电子设备 | |
CN115731232A (zh) | 血管图像处理方法、装置、可读存储介质及电子设备 | |
CN116452618A (zh) | 一种三输入脊柱ct图像分割方法 | |
CN109919098B (zh) | 目标对象的识别方法和装置 | |
CN110428431B (zh) | 一种心脏医学图像的分割方法、装置、设备及存储介质 | |
Zamani Boroujeni et al. | Coronary Artery Center‐Line Extraction Using Second Order Local Features | |
CN115147360B (zh) | 一种斑块分割方法、装置、电子设备及可读存储介质 | |
CN117197175A (zh) | 一种冠脉造影图像的血管分割方法、装置、设备及介质 | |
CN116228781A (zh) | 冠脉血管分割方法、装置、电子设备及存储介质 | |
CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
CN113177938B (zh) | 基于圆形卷积核的脑胶质瘤的分割方法、装置及相关组件 | |
CN113192099B (zh) | 一种组织提取方法、装置、设备和介质 | |
CN111462067B (zh) | 图像分割方法及装置 | |
CN114998582A (zh) | 一种冠脉血管的分割方法、装置及存储介质 | |
CN114549602A (zh) | 图像融合方法、存储介质和计算机程序产品 |
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 |