CN117237276A - 一种管状物的狭窄程度确定方法、装置、介质及电子设备 - Google Patents

Abstract

本说明书公开了一种管状物的狭窄程度确定方法、装置、介质及电子设备，本方法通过训练狭窄定位模型与狭窄确定模型即可确定管状物各狭窄处的狭窄程度，不需要确定管状物的最狭窄处以及正常管径，也不需要根据管状物的最狭窄处以及正常管径比值即可确定管状物的狭窄程度，且本方法可以确定管状物所有狭窄处的狭窄程度，提高了确定管状物狭窄程度的精准性。

Description

一种管状物的狭窄程度确定方法、装置、介质及电子设备

技术领域

本申请涉及计算机技术领域，尤其涉及一种管状物的狭窄程度确定方法、装置、介质及电子设备。

背景技术

随着计算机技术的不断发展，计算机在医学领域的应用也越来越广泛。

在医学领域中，医生通常结合计算机与CT图像来确定患者的脑血管、颈动脉、冠状动脉等血管的狭窄率，即通过确定血管的最狭窄处管径与正常管径的比例确定血管的狭窄率。当患者体内的血管由于存在于其内部的斑块或血栓等原因，导致血管内部管径狭窄到一定程度时，如若不及时治疗干预可能会导致患者出现心肌缺血猝死、偏瘫等危险，因此确定血管内部的狭窄率是十分必要的。

现有技术中确定狭窄率时，需要确定并存储血管管径的全量数据，通过确定血管内部的斑块或血栓位置的血管管径，以及血管正常位置的血管管径，确定血管各狭窄处的管径与正常管径的比值，最终确定血管的狭窄率。通过这种方法确定血管的狭窄率需要存储大量数据，且需要极为庞大的计算量。

因此，如何快速准确的确定管状物的狭窄程度是一个亟待解决的问题。

发明内容

本说明书提供一种管状物的狭窄程度确定的方法、装置、介质及电子设备，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供一种管状物的狭窄程度确定的方法，所述方法包括：

确定管状物的初始图像；

对所述管状物的初始图像进行拉直，获得管状物拉直后图像，作为第一输入图像；

将所述第一输入图像输入预先训练的狭窄定位模型中，获得所述狭窄定位模型输出的所述第一输入图像中所述管状物的狭窄区域；

根据所述狭窄区域，从所述第一输入图像中截取狭窄片段图像；

将截取出的狭窄片段图像输入预先训练的狭窄确定模型中，通过所述狭窄确定模型对所述狭窄片段图像进行预测，获得所述狭窄确定模型输出的预测狭窄结果；

根据各狭窄片段图像的预测狭窄结果，确定所述管状物的狭窄程度。

可选地，对所述管状物的初始图像进行拉直，获得管状物拉直后图像，具体包括：

确定管状物的初始图像的管道中心线；

根据所述管道中心线对所述管状物的初始图像进行拉直，获得管状物拉直后图像。

可选地，获得管状物拉直后图像，作为第一输入图像，具体包括：

根据所述狭窄定位模型的输入层对应的第一输入尺寸，对所述管状物拉直后图像进行尺寸调整，确定至少一个第一输入图像。

可选地，训练狭窄定位模型，具体包括：

确定包含堵塞物的管状物图像，作为第一训练样本；

确定所述堵塞物在所述管状物图像中的区域，作为第一训练样本的第一标注，以及确定所述管状物图像中非堵塞物区域，作为第一训练样本的第二标注；

将所述第一训练样本输入待训练的狭窄定位模型，获得所述待训练的狭窄定位模型输出的所述第一训练样本的狭窄区域，以及确定所述第一训练样本的非狭窄区域；

根据所述狭窄区域与所述第一训练样本的标注之间的确定第一损失，以及根据所述非狭窄区域与所述第二标注的差异确定第二损失，以所述第一损失以及第二损失确定出的总损失最小化为训练目标，训练所述待训练的狭窄定位模型。

可选地，所述狭窄定位模型至少包括：分割子模块、分类子模块以及输出子模块；

将所述第一训练样本输入待训练的狭窄定位模型，获得所述待训练的狭窄定位模型输出的所述第一训练样本的狭窄区域，具体包括：

将所述第一训练样本输入待训练的狭窄定位模型的分割子模块，通过所述分割子模块将所述第一训练样本分割为多个分段图像；

将所述各分段图像分别输入所述待训练的狭窄定位模型的分类子模块，通过所述分类子模块根据各分割后图像是否包含所述堵塞物，确定所述各分段图像的分类结果；

将所述各分段图像的分类结果与所述各分段图像，输入所述待训练的狭窄定位模型的输出子模块，通过所述输出子模块将分类结果为狭窄且相连的分段图像合并，获得所述第一训练样本的狭窄区域。

可选地，根据所述狭窄区域，从所述第一输入图像中截取狭窄片段图像，具体包括：

根据所述狭窄区域，从所述第一输入图像中截取目标图像；

根据所述狭窄确定模型的输入层对应的第二预设尺寸，对所述目标图像进行尺寸调整，作为狭窄片段图像。

可选地，所述待训练的狭窄确定模型至少包括：特征提取子模块与分类子模块；

训练狭窄确定模型，具体包括：

确定包含堵塞物的管状物图像，作为第二训练样本；

确定所述管状物图像的实际狭窄结果，作为所述第二训练样本的第三标注；

将所述第二训练样本输入待训练的狭窄确定模型，通过所述特征提取子模块提取所述第二训练样本的特征，并通过所述分类子模块根据所述特征输出所述第二训练样本的预测狭窄结果；

以所述预测狭窄结果与所述第二训练样本的第三标注差异最小化为训练目标，训练所述待训练的狭窄确定模型。

可选地，根据各狭窄片段图像的预测狭窄结果，确定所述管状物的狭窄程度，具体包括：

针对每个狭窄片段图像，从预设的各狭窄程度范围中，确定该狭窄片段图像的预测狭窄结果落入的狭窄程度范围；

根据该狭窄片段图像的预测狭窄结果落入的狭窄程度范围，确定该狭窄片段所属的管状物的狭窄程度；其中，所述狭窄程度包括无堵塞、轻度狭窄、中度狭窄、重度狭窄、完全堵塞。

本说明书提供了一种管状物的狭窄程度确定的装置，所述装置包括：

确定模块，用于确定管状物的初始图像；

拉直模块，用于对所述管状物的初始图像进行拉直，获得管状物拉直后图像，作为第一输入图像；

狭窄定位模块，用于将所述第一输入图像输入预先训练的狭窄定位模型中，获得所述狭窄定位模型输出的所述第一输入图像中所述管状物的狭窄区域；

截取模块，用于根据所述狭窄区域，从所述第一输入图像中截取狭窄片段图像；

狭窄确定模块，用于将截取出的狭窄片段图像输入预先训练的狭窄确定模型中，通过所述狭窄确定模型对所述狭窄片段图像进行预测，获得所述狭窄确定模型输出的预测狭窄结果；

结果模块，用于根据各狭窄片段图像的预测狭窄结果，确定所述管状物的狭窄程度。

本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的方法。

本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一所述的方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书提供的一种管状物的狭窄程度确定方法中，通过训练狭窄定位模型与狭窄确定模型即可确定管状物各狭窄处的狭窄程度。从上述方法可以看出，本方法不需要确定管状物的最狭窄处以及正常管径，也不需要根据管状物的最狭窄处以及正常管径比值即可确定管状物的狭窄程度，且本方法可以确定管状物所有狭窄处的狭窄程度，提高了判断管状物狭窄程度的精准性。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附

图中：

图1为本说明书中一种一种管状物的狭窄程度确定方法的流程示意图；

图2a为本说明书中一种管状物的立体示意图；

图2b为本说明书中一种管状物的竖截面示意图；

图2c为本说明书中一种管状物的横截面示意图；

图3为本说明书提供的一种狭窄定位模型分割管状物的示意图；

图4为本说明书提供的管状物的狭窄程度确定的装置示意图；

图5为本说明书提供的对应于图1的电子设备示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本申请保护的范围。

本说明书的实施例提供了一种管状物的狭窄程度确定方法、装置、介质及电子设备，以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书中一种管状物的狭窄程度确定的方法的流程示意图，具体包括以下步骤：

本说明书提供一种确定管状物狭窄程度的方法，其执行主体可以是任意一台具有计算能力的电子设备，如计算机、服务器等，为方便描述后续一服务器执行各步骤为例进行说明。确定管状物的狭窄程度，也即确定管状物的堵塞程度，其中，管状物即管状的物体，如血管、水管等，血管中的堵塞物可能为血栓、斑块等物质，这些物质堵塞血管后血液无法正常流通，若被堵塞的血管为心脑血管则可能会导致严重的突发疾病，重则可能会危及生命，医生若能提前确定患者的血管狭窄程度则可及早对患者进行治疗，如针对冠心病进行心脏搭桥等保证患者血液流通，因此确定诸如血管一类的管状物的狭窄程度是十分必要的，同理确定水管的狭窄程度也有利于减少水管内部堵塞造成的危害。

S100：确定管状物的初始图像。

在本说明书提供的实施例中，管状物的初始图像即管状物的2D竖截面图像或竖截3D图像，如图2a～c所示，图2a为管状物的立体图，图2b竖截面图像，图2c为管状物的横截面图像，其中201为管状物的竖截面，202为管状物内部的堵塞物，203为图像为背景，204为管状体的横截面。

在本说明书提供的一种试实施例中，管状物的竖截面可以是弯曲的。以血管为例，图3所示为血管的竖截面图像，可以通过如CT等医学影像技术获取血管的竖截面图像(2D图像)，还可以使用如3D-CTA技术获取血管的3D造影图像。本方法中可使用的医学影像技术包括但不限于CT、CTA、MR等。若以水管为例，可以通过如相机等图像采集设备获得水管的竖截面图像，或通过建模技术获得水管的竖截3D图像。需要说明的是，本说明书对该服务器获取管状物初始图像的具体方式并不做限制。

可选地，为提高本方法的准确性，该服务器还可以获取多个角度的管状物的2D竖截面图像。

S102：对所述管状物的初始图像进行拉直，获得管状物拉直后图像，作为第一输入图像。

考虑实际情况，由于管状物通常是弯曲的，为提高本方法的准确性，在确定管状物的狭窄程度前需要对管状物的初始图像进行拉直。并且，在拉直之前，可以对管状物进行分割，分割方法可以是专门训练的分割深度学习模型，也可以是传统的图割算法、分水岭算法、阈值算法等。

对所述管状物的初始图像进行拉直，具体地，该服务器可先确定管状物的初始图像的管道中心线，再根据所述管道中心线对所述管状物的初始图像进行拉直，获得管状物拉直后图像。

例如，以血管为例，确定血管的初始图像的血管中心线。根据所述血管中心线对所述管状物的初始图像进行拉直，获得管状物拉直后图像。具体地，针对血管的2D竖截面图像，提取血管的分割掩模(此处掩模可以是二值的，或者是多值的)，然后利用血管的掩模通过现有的工具软件或者算法进行中心线提取，再利用提取的中心线对初始图像和/或掩模图像进行拉直处理。可选地，还可以对拉直的血管掩模图像(书界面操作和/或平滑操作得到相应的拉直后处理图像。可选地，对初始图像、掩模图像、拉直后处理图像。还可以对上述过程中对任一图像根据实际需要进行窗宽/窗位调节。

可选地，拉直的方式还可以是利用多个角度的SCPR 2D图像合成得到的,也可以是利用SCPR算法原理直接生成得到的，也可以是通过探针图堆叠得到的。

S104：将所述第一输入图像输入预先训练的狭窄定位模型中，获得所述狭窄定位模型输出的所述第一输入图像中所述管状物的狭窄区域。

在本说明书提供的实施例中，该服务器可将在步骤S102得到的拉直后图像，输入预先训练的狭窄定位模型，确定该狭窄定位模型输出的狭窄区域。为保证狭窄定位模型的识别效果，可进一步限制输入该狭窄定位模型的图像的输入尺寸，在本实施例中称为第一输入尺寸。

具体的，该服务器可根据狭窄定位模型的输入层对应的第一输入尺寸，对该拉直后图像进行采样，确定至少一个用于输入该狭窄定位模型的第一输入图像。为了保证狭窄区域的识别准确度，避免遗漏狭窄区域，在本说明书中，该服务器可按照预设的步长对该拉直后图像进行采样，确定多个第一输入图像。或者，该服务器也可根据拉直后图像的尺寸，以及第一输入尺寸，确定采样的步长。只要采样后的得到的各第一输入图像可以完全覆盖该拉直后图像即可。

或者，该服务器也可先根据所述狭窄定位模型的输入层对应的第一输入尺寸，对所述管状物拉直后图像进行连续的划分，再对尺寸不满足该第一输入尺寸的第一输入图像进行尺寸调整。例如，假设管状物拉直后图像为35cm，第一输入尺寸为20cm，则以图像的任意一端为起始边，在管状物拉直后图像距离起始边20cm处对其进行(平行于起始边)分割，分割为一个20cm的第一输入图像与一个15cm的第一输入图像。之后确定15cm的第一输入图像小于第一输入尺寸，则对该第一输入图像进行图像处理扩大尺寸至20cm长。当然，可以选择拉伸处理，或者直接填充指定像素值的图像，使之尺寸达到20cm。

狭窄定位模型会输出的第一输入图像中所述管状物的狭窄区域，需要说明的是，该狭窄区域不是只有一个，也不是最狭窄区域，狭窄定位模型会输出第一输入图像中该管状物的多个狭窄区域。具体地，狭窄定位模型将第一输入图像分为多个预设长度的子图像，并对各子图像的编号，然后判断每个子图像是否狭窄(即子图像的管径小于该第一输入图像的平均/正常管径)，并根据各狭窄的子图像的编号与每个子图像是否狭窄的结果，确定第一输入图像中该管状物的狭窄区域。

例如，如图3所示的第一输入图像为10cm长，狭窄定位模型将第一输入图像分为多个5mm为预设长度的子图像，并按顺序编号，然后狭窄定位模型判断每个子图像是否狭窄，若判断结果是编号为1、2、3、4、5、7、9、11、12、13、14、15、16的子图像为狭窄，则如1、2、3、4、5这种连续编号的子图像需合并为一个狭窄区域，最终确定的狭窄区域为4个，分别为1～5、7、9、11～16。

需要说明的是，狭窄定位模型也可以不对各子图像进行顺序编号，能区分各子图像在判断完各子图像是否狭窄后将连续狭窄的子图像确定出来即可。

当然，该服务器也可将拉直后图像输入该狭窄定位模型前，对该拉直后图像进行尺寸调整。具体的，该服务器可根据该狭窄定位模型的输入层对应的第一输入尺寸，对所述管状物拉直后图像进行尺寸调整，确定第一输入图像。使得后续无需再对拉直后的图像进行分割。

S106：根据所述狭窄区域，从所述第一输入图像中截取狭窄片段图像。

在本说明书一个或多个实施例中，该服务器在通过该狭窄定位模型确定图像中的狭窄区域后，可根据确定出的该狭窄区域，从该第一输入图像中截取目标图像，然后根据所述狭窄确定模型的输入层对应的第二预设尺寸，对所述目标图像进行尺寸调整，作为狭窄片段图像。

S108：将截取出的狭窄片段图像输入预先训练的狭窄确定模型中，通过所述狭窄确定模型对所述狭窄片段图像进行预测，获得所述狭窄确定模型输出的预测狭窄结果。

狭窄确定模型针对每个狭窄片段图像，从预设的各狭窄程度范围中，确定该狭窄片段图像的预测狭窄结果落入的狭窄程度范围，根据该狭窄片段图像的预测狭窄结果落入的狭窄程度范围，确定该狭窄片段所属的管状物的狭窄程度，其中，所述狭窄程度包括无堵塞、轻度狭窄、中度狭窄、重度狭窄、完全堵塞。

具体地，狭窄确定模型可以以实际狭窄图像的狭窄结果作为标注训练得到，即将该实际狭窄图像确定该实际狭窄图像所属的管状物的狭窄程度作为标注，训练狭窄确定模型，则输出的预测狭窄结果也为狭窄程度。

从上述方法中可以看出，本方法通过训练狭窄定位模型与狭窄确定模型即可确定管状物各狭窄处的狭窄程度，不需要确定管状物的最狭窄处以及正常管径，也不需要根据管状物的最狭窄处以及正常管径比值即可确定管状物的狭窄程度，且本方法可以确定管状物所有狭窄处的狭窄程度，提高了判断管状物狭窄程度的精准性。

可选地，步骤S104中所述的狭窄定位模型，具体训练方法如下：

服务器或/计算机确定包含堵塞物的管状物图像，作为第一训练样本。确定堵塞物在该管状物图像中的区域，作为第一训练样本的第一标注，确定该管状物图像中非堵塞物区域，作为该第一训练样本的第二标注。将第一训练样本输入待训练的狭窄定位模型，获得待训练的狭窄定位模型输出的所述第一训练样本的狭窄区域，以及确定所述第一训练样本的非狭窄区域。其中，该非狭窄区域可以由该狭窄定位模型输出，或者是根据该狭窄定位模型输出的狭窄区域以及该第一训练样本确定的。例如，根据该狭窄定位模型输出的狭窄区域，将该第一训练样本中不是输出的狭窄区域的其他区域，作为非狭窄区域。本说明书对此不做限制，可根据需要设置。当然，在应用该狭窄定位模型时，可仅确定该该狭窄定位模型输出的狭窄区域，因此该狭窄定位模型至少需要输出狭窄区域。

具体的，在本说明书一个或多个实施例中，该狭窄定位模型可至少包括：分割子模块、分类子模块以及输出子模块，还包括输入层。将第一训练样本输入待训练的狭窄定位模型的分割子模块，通过所述分割子模块将所述第一训练样本分割为多个分段图像。其中，在对第一训练样本进行分割时，该服务器可沿中心线纵向对该第一训练样本进行分割，确定多个分段图像。之后，再将各分段图像分别输入该待训练的狭窄定位模型的分类子模块，通过该分类子模块根据各分割后图像是否包含堵塞物，确定各分段图像的分类结果，将各分段图像的分类结果与各分段图像，输入该待训练的狭窄定位模型的输出子模块，通过该输出子模块将分类结果为狭窄且相连的分段图像合并，获得该第一训练样本的狭窄区域，以及确定该第一训练样本的非狭窄区域。最后，根据该狭窄区域与该第一训练样本的标注之间的差异确定第一损失，以及根据该非狭窄区域与该第二标注的差异确定第二损失，并以该第一损失以及第二损失确定出的总损失最小化为训练目标，训练所述待训练的狭窄定位模型。具体来说，可以将第一损失以及第二损失之和，作为总损失，或者通过预设的权重进行加权求和，确定总损失。或者，该权重值也可通过自注意力加权机制确定，也就是可调整的权重。又或者，可将第一损失和第二损失视为多任务学习中的不同学习任务，基于多任务学习过程确定总损失，训练该狭窄定位模型。本说明书对于具体的方法不做限制，可根据需要设置。

当然，上述两种优化目标可以组合使用以训练模型，或者单独使用训练模型，本申请对此不做限制。

进一步地，在本说明书中一个或多个实施例中，该分割子模块以及该输出子模块，可以根据预设的分割规则进行图像分割，以及根据预设的合并规则进行狭窄区域的合并，因此在训练该狭窄定位模型时，可以仅对该分类子模块进行训练。即，进调整分类子模块的模型参数，而该分割子模块以及该输出子模块的模型参数不做调整。减少调整参数量，提高模型训练效率。

另外，在本说明书一个或多个实施例中，由于中心线是通过若干点连接得到的，因此，也可以不用对第一训练样本进行分割，该狭窄定位模型在输入第一训练样本后，可以按照该中心线中各点进行采样，针对每个点，识别该点对应的图像区域是否存在狭窄，从而确定各点对应的识别结果，最后将各点对应的识别结果融合，确定该管状物各狭窄区域的位置。

需要说明的是，该狭窄定位模型在训练时采用的数据处理方式，也就是该狭窄定位模型在应用时采用的数据处理方式，例如，训练时是根据中心线的点进行采样，输出各狭窄区域，则应用时该狭窄定位模型也是基于中心线的点进行采样并输出狭窄区域。

进一步地，在本说明书一个或多个实施例中，该狭窄定位模型也可对输入的拉直后图像不做处理，直接输出预测的狭窄区域。则在训练该狭窄定位模型时，第一训练样本在输入该狭窄定位模型后，该狭窄定位模型直接输出预测的狭窄区域，并根据预测的狭窄区域与标注的狭窄区域的差异最小为目标，调整该狭窄定位模型的模型参数。

可选地，步骤S108中所述的狭窄确定模型，具体训练方法如下：

待训练的狭窄确定模型至少包括：特征提取子模块与分类子模块；

服务器确定包含堵塞物的管状物图像，作为第二训练样本；确定所述管状物图像的实际狭窄结果，作为所述第二训练样本的标注；将所述第二训练样本输入待训练的狭窄确定模型，通过所述特征提取子模块提取所述第二训练样本的特征，并通过所述分类子模块根据所述特征输出所述第二训练样本的预测狭窄结果；以所述预测狭窄结果与所述第二训练样本的标注差异最小化为训练目标，训练所述待训练的狭窄确定模型。

可选地，狭窄确定模型可以针对每个狭窄片段图像，计算该狭窄片段图像狭窄率(即最狭窄处管径与正常管径的比值)，作为预测狭窄结果，然后确定该狭窄片段图像的预测狭窄结果落入的狭窄程度范围，根据该狭窄片段图像的预测狭窄结果落入的狭窄程度范围，确定该狭窄片段所属的管状物的狭窄程度，如狭窄率为0％的确定为无堵塞，狭窄率大于0％且不大于20％的确定为轻度狭窄，狭窄率大于20％且不大于50％的确定为中度狭窄，狭窄率大于50％且不大于90％的确定为重度狭窄，狭窄率为90％～100％的确定为完全堵塞。该种狭窄确定模型即预测每个狭窄片段的正常管径并确定最狭窄处管径然后确定预测狭窄结果。

当然，在本说明书一个或多个实施例中，该狭窄确定模型输出的分类结果可为：无狭窄、轻度狭窄、重度狭窄。也就是说，上述分类结果也可以根据需要设置，甚至设置为二分类结果：无狭窄和有堵塞。或者分类结果更细至，例如，狭窄度1～10的分类结果，其中狭窄度1表示无堵塞，狭窄度10表示最严重的堵塞，等等。对于该分类结果具体如何设置，可根据需要设置，只需要训练样本的标注与设置的分类结果匹配，便可通过上述相同的训练过程，得到输出分类结果的狭窄确定模型。当然，该分类结果具体还是由该狭窄确定模型的输出子模块输出的。

以上为本说明书的一个或多个实施例提供的方法，基于同样的思路，本说明书还提供了相应的装置，如图4所示。

图4为本说明书提供的一种管状物的狭窄程度确定的装置示意图，具体包括：

确定模块401，用于确定管状物的初始图像；

拉直模块402，用于对所述管状物的初始图像进行拉直，获得管状物拉直后图像，作为第一输入图像；

狭窄定位模块403，用于将所述第一输入图像输入预先训练的狭窄定位模型中，获得所述狭窄定位模型输出的所述第一输入图像中所述管状物的狭窄区域；

截取模块404，用于根据所述狭窄区域，从所述第一输入图像中截取狭窄片段图像；

狭窄确定模块405，用于将截取出的狭窄片段图像输入预先训练的狭窄确定模型中，通过所述狭窄确定模型对所述狭窄片段图像进行预测，获得所述狭窄确定模型输出的预测狭窄结果；

结果模块406，用于根据各狭窄片段图像的预测狭窄结果，确定所述管状物的狭窄程度。

可选地，所述拉直模块402具体用于，确定管状物的初始图像的管道中心线；

根据所述管道中心线对所述管状物的初始图像进行拉直，获得管状物拉直后图像。

可选地，所述拉直模块402具体用于，根据所述狭窄定位模型的输入层对应的第一输入尺寸，对所述管状物拉直后图像进行尺寸调整，确定至少一个第一输入图像。

可选地，所述狭窄定位模块403具体用于，确定包含堵塞物的管状物图像，作为第一训练样本；确定所述堵塞物在所述管状物图像中的区域，作为第一训练样本的第一标注，以及确定所述管状物图像中非堵塞物区域，作为第一训练样本的第二标注；将所述第一训练样本输入待训练的狭窄定位模型，获得所述待训练的狭窄定位模型输出的所述第一训练样本的狭窄区域，以及确定所述第一训练样本的非狭窄区域；根据所述狭窄区域与所述第一训练样本的标注之间的差异确定第一损失，以及根据所述非狭窄区域与所述第二标注的差异确定第二损失，以所述第一损失以及第二损失确定出的总损失最小化为训练目标，训练所述待训练的狭窄定位模型。

可选地，所述狭窄定位模型至少包括：分割子模块、分类子模块以及输出子模块；

所述狭窄定位模块403具体用于，将所述第一训练样本输入待训练的狭窄定位模型的分割子模块，通过所述分割子模块将所述第一训练样本分割为多个分段图像；将所述各分段图像分别输入所述待训练的狭窄定位模型的分类子模块，通过所述分类子模块根据各分割后图像是否包含所述堵塞物，确定所述各分段图像的分类结果；将所述各分段图像的分类结果与所述各分段图像，输入所述待训练的狭窄定位模型的输出子模块，通过所述输出子模块将分类结果为狭窄且相连的分段图像合并，获得所述第一训练样本的狭窄区域。

可选地，所述截取模块404具体用于，根据所述狭窄区域，从所述第一输入图像中截取目标图像；根据所述狭窄确定模型的输入层对应的第二预设尺寸，对所述目标图像进行尺寸调整，作为狭窄片段图像。

可选地，所述待训练的狭窄确定模型至少包括：特征提取子模块与分类子模块；

所述狭窄确定模块405具体用于，确定包含堵塞物的管状物图像，作为第二训练样本；确定所述管状物图像的实际狭窄结果，作为所述第二训练样本的第三标注；将所述第二训练样本输入待训练的狭窄确定模型，通过所述特征提取子模块提取所述第二训练样本的特征，并通过所述分类子模块根据所述特征输出所述第二训练样本的预测狭窄结果；以所述预测狭窄结果与所述第二训练样本的第三标注差异最小化为训练目标，训练所述待训练的狭窄确定模型。

可选地，所述结果模块406具体用于，针对每个狭窄片段图像，从预设的各狭窄程度范围中，确定该狭窄片段图像的预测狭窄结果落入的狭窄程度范围；根据该狭窄片段图像的预测狭窄结果落入的狭窄程度范围，确定该狭窄片段所属的管状物的狭窄程度；其中，所述狭窄程度包括无堵塞、轻度狭窄、中度狭窄、重度狭窄、完全堵塞。

本说明书还提供了图5所示的电子设备的结构示意图。如图所述，在硬件层面，该无人驾驶设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的管状物的狭窄程度确定方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器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 Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种管状物的狭窄程度确定的方法，其特征在于，所述方法包括：

确定管状物的初始图像；

对所述管状物的初始图像进行拉直，获得管状物拉直后图像，作为第一输入图像；

将所述第一输入图像输入预先训练的狭窄定位模型中，获得所述狭窄定位模型输出的所述第一输入图像中所述管状物的狭窄区域；

根据所述狭窄区域，从所述第一输入图像中截取狭窄片段图像；

将截取出的狭窄片段图像输入预先训练的狭窄确定模型中，通过所述狭窄确定模型对所述狭窄片段图像进行预测，获得所述狭窄确定模型输出的预测狭窄结果；

根据各狭窄片段图像的预测狭窄结果，确定所述管状物的狭窄程度。

2.如权利要求1所述的方法，其特征在于，对所述管状物的初始图像进行拉直，获得管状物拉直后图像，具体包括：

确定管状物的初始图像的管道中心线；

根据所述管道中心线对所述管状物的初始图像进行拉直，获得管状物拉直后图像。

3.如权利要求1所述的方法，其特征在于，获得管状物拉直后图像，作为第一输入图像，具体包括：

根据所述狭窄定位模型的输入层对应的第一输入尺寸，对所述管状物拉直后图像进行尺寸调整，确定至少一个第一输入图像。

4.如权利要求1所述的方法，其特征在于，训练狭窄定位模型，具体包括：

确定包含堵塞物的管状物图像，作为第一训练样本；

确定所述堵塞物在所述管状物图像中的区域，作为所述第一训练样本的第一标注，以及确定所述管状物图像中非堵塞物区域，作为所述第一训练样本的第二标注；

将所述第一训练样本输入待训练的狭窄定位模型，获得所述待训练的狭窄定位模型输出的所述第一训练样本的狭窄区域，以及确定所述第一训练样本的非狭窄区域；

根据所述狭窄区域与所述第一训练样本的标注之间的差异确定第一损失，以及根据所述非狭窄区域与所述第二标注的差异确定第二损失，以所述第一损失以及第二损失确定出的总损失最小化为训练目标，训练所述待训练的狭窄定位模型。

5.如权利要求4所述的方法，其特征在于，所述狭窄定位模型至少包括：分割子模块、分类子模块以及输出子模块；

将所述第一训练样本输入待训练的狭窄定位模型，获得所述待训练的狭窄定位模型输出的所述第一训练样本的狭窄区域，具体包括：

将所述第一训练样本输入待训练的狭窄定位模型的分割子模块，通过所述分割子模块将所述第一训练样本分割为多个分段图像；

将所述各分段图像分别输入所述待训练的狭窄定位模型的分类子模块，通过所述分类子模块根据各分割后图像是否包含所述堵塞物，确定所述各分段图像的分类结果；

将所述各分段图像的分类结果与所述各分段图像，输入所述待训练的狭窄定位模型的输出子模块，通过所述输出子模块将分类结果为狭窄且相连的分段图像合并，获得所述第一训练样本的狭窄区域。

6.如权利要求1所述的方法，其特征在于，根据所述狭窄区域，从所述第一输入图像中截取狭窄片段图像，具体包括：

根据所述狭窄区域，从所述第一输入图像中截取目标图像；

根据所述狭窄确定模型的输入层对应的第二预设尺寸，对所述目标图像进行尺寸调整，作为狭窄片段图像。

7.如权利要求4所述的方法，其特征在于，所述待训练的狭窄确定模型至少包括：特征提取子模块与分类子模块；

训练狭窄确定模型，具体包括：

确定包含堵塞物的管状物图像，作为第二训练样本；

确定所述管状物图像的实际狭窄结果，作为所述第二训练样本的第三标注；

将所述第二训练样本输入待训练的狭窄确定模型，通过所述特征提取子模块提取所述第二训练样本的特征，并通过所述分类子模块根据所述特征输出所述第二训练样本的预测狭窄结果；

以所述预测狭窄结果与所述第二训练样本的第三标注差异最小化为训练目标，训练所述待训练的狭窄确定模型。

8.如权利要求1所述的方法，其特征在于，根据各狭窄片段图像的预测狭窄结果，确定所述管状物的狭窄程度，具体包括：

针对每个狭窄片段图像，从预设的各狭窄程度范围中，确定该狭窄片段图像的预测狭窄结果落入的狭窄程度范围；

根据该狭窄片段图像的预测狭窄结果落入的狭窄程度范围，确定该狭窄片段所属的管状物的狭窄程度；其中，所述狭窄程度包括无堵塞、轻度狭窄、中度狭窄、重度狭窄、完全堵塞。

9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～8中任一项所述的方法。

10.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1～8中任一项所述的方法。