CN117474879A - 主动脉夹层真假腔分割方法、装置、电子设备及存储介质 - Google Patents

主动脉夹层真假腔分割方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN117474879A
CN117474879A CN202311469453.4A CN202311469453A CN117474879A CN 117474879 A CN117474879 A CN 117474879A CN 202311469453 A CN202311469453 A CN 202311469453A CN 117474879 A CN117474879 A CN 117474879A
Authority
CN
China
Prior art keywords
image
aortic
segmentation
true
region
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
Application number
CN202311469453.4A
Other languages
English (en)
Inventor
张迪
彭成宝
张霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Neusoft Intelligent Medical Technology Research Institute Co Ltd
Original Assignee
Shenyang Neusoft Intelligent Medical Technology Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyang Neusoft Intelligent Medical Technology Research Institute Co Ltd filed Critical Shenyang Neusoft Intelligent Medical Technology Research Institute Co Ltd
Priority to CN202311469453.4A priority Critical patent/CN117474879A/zh
Publication of CN117474879A publication Critical patent/CN117474879A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请提供了一种主动脉夹层真假腔分割方法、装置、电子设备及存储介质，涉及图像处理领域，方法包括：对主动脉CTA图像进行预处理，得到主动脉分割模型的输入图像，预处理至少包括预切割处理、窗宽窗位调整处理以及再采样处理；将输入图像输入至预训练完成的主动脉分割模型进行主动脉分割处理，得到主动脉区域的第一分割结果；将第一分割结果对应的主动脉图像，输入至预训练完成的真假腔分割模型进行真假腔分割处理，得到真假腔区域的第二分割结果；依据主动脉CTA图像，对第二分割结果对应的分割结果图像进行图像配准，得到主动脉CTA图像对应的真假腔分割图像。本申请可提高主动脉在各真假腔类别上的分割效果以及分割精准度。

Description

主动脉夹层真假腔分割方法、装置、电子设备及存储介质
技术领域
本申请涉及图像处理领域，尤其涉及一种主动脉夹层真假腔分割方法、装置、电子设备及存储介质。
背景技术
主动脉夹层的特点是存在一个由血液穿透主动脉内膜并进入中层形成的中间夹层瓣，沿主动脉长轴方向扩展形成主动脉壁的真假两腔分离状态，是一种急性的，病程进展很快的严重心血管疾病。如果主动脉夹层疾病不能尽早的得到诊断与治疗，会严重威胁生命。
随着深度学习方法的发展，越来越多先进的深度学习技术已经广泛应用于医学图像分割。目前在进行主动脉真假腔分割时，容易受到造影剂的影响，有的数据真假腔对比度较低，边界微弱难以识别，进而造成主动脉在各真假腔类别上的分割效果不一致、分割精准度较低的问题。
发明内容
本申请提供一种主动脉夹层真假腔分割方法、装置、电子设备及存储介质，可提高主动脉在各真假腔类别上的分割效果以及分割精准度。
第一方面，提供一种主动脉夹层真假腔分割方法，包括：
对主动脉CTA图像进行预处理，得到主动脉分割模型的输入图像，预处理至少包括预切割处理、窗宽窗位调整处理以及再采样处理；
将输入图像输入至预训练完成的主动脉分割模型进行主动脉分割处理，得到主动脉区域的第一分割结果；
将第一分割结果对应的主动脉图像，输入至预训练完成的真假腔分割模型进行真假腔分割处理，得到真假腔区域的第二分割结果；
依据主动脉CTA图像，对第二分割结果对应的分割结果图像进行图像配准，得到主动脉CTA图像对应的真假腔分割图像。
第二方面，提供一种主动脉夹层真假腔分割装置，包括：
处理模块，用于对主动脉CTA图像进行预处理，得到主动脉分割模型的输入图像，预处理至少包括预切割处理、窗宽窗位调整处理以及再采样处理；
第一输入模块，用于将输入图像输入至预训练完成的主动脉分割模型进行主动脉分割处理，得到主动脉区域的第一分割结果；
第二输入模块，用于将第一分割结果对应的主动脉图像，输入至预训练完成的真假腔分割模型进行真假腔分割处理，得到真假腔区域的第二分割结果；
配准模块，用于依据主动脉CTA图像，对第二分割结果对应的分割结果图像进行图像配准，得到主动脉CTA图像对应的真假腔分割图像。
第三方面，提供一种电子设备，包括：处理器和存储器，该存储器用于存储计算机程序，该处理器用于调用并运行该存储器中存储的计算机程序，执行如第一方面或其各实现方式中的方法。
第四方面，提供一种计算机可读存储介质，用于存储计算机程序，计算机程序使得计算机执行如第一方面或其各实现方式中的方法。
通过本申请提供的技术方案，在获取主动脉CTA图像后，可对主动脉CTA图像进行预切割处理、窗宽窗位调整处理以及再采样处理，得到主动脉分割模型的输入图像；之后将输入图像输入至预训练完成的主动脉分割模型进行主动脉分割处理，得到主动脉区域的第一分割结果，再将第一分割结果对应的主动脉图像，输入至预训练完成的真假腔分割模型进行真假腔分割处理，得到真假腔区域的第二分割结果；最后依据主动脉CTA图像，对第二分割结果对应的分割结果图像进行图像配准，得到主动脉CTA图像对应的真假腔分割图像。本公开中的技术方案，可先利用深度学习网络模型，粗分割得到主动脉区域，之后在粗分割的基础上，再利用另一个深度学习网络模型，对主动脉区域图像进行主动脉主干加分支的细分割。通过此种两阶段的主动脉真假腔分割方法，可实现对主动脉的主干夹层和分支夹层的完整准确分割，进一步能够提高主动脉在各真假腔类别上的分割效果以及分割精准度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。本申请的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。
图1为本申请实施例提供的一种应用场景图；
图2为本申请实施例提供的一种主动脉夹层真假腔分割方法的流程示意图；
图3为本申请实施例提供的一种resunet网络的网络结构示意图；
图4为本申请另一实施例提供的一种主动脉夹层真假腔分割方法的流程示意图；
图5为本申请实施例提供的一种窗宽窗位调整处理的实例示意图；
图6为本申请实施例提供的一种主动脉夹层真假腔分割装置的结构示意图；
图7为本申请实施例提供的一种主动脉夹层真假腔分割装置的结构示意图；
图8为本申请实施例提供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，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的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。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
随着深度学习方法的发展，越来越多先进的深度学习技术应用于医学图像分割，unet，resunet等网络已经广泛应用于医学图像分割。由于完整主动脉解剖结构的复杂性，完整主动脉包含主干和分支，主干是有升主动脉，主动脉弓部，降主动脉(包含胸主动脉和腹主动脉)组成，分支包括三部分：上面弓部四个分支，主要是左右颈动脉，左右锁骨动脉；中间腹部五个分支，主要是腹腔干动脉，肠系膜上下动脉，左右肾动脉；下面髂部四个分支，包括左右髂内动脉，左右髂外动脉。另外，完整主动脉夹层包括主干夹层和分支夹层，主干夹层是有主干的真腔和假腔，夹层累及到分支，形成了分支的真腔和假腔。并且由于造影剂的问题，有的数据真假腔对比度较低且边界微弱难以识别，对于主动脉的主干和分支的真假腔的精确分割造成了挑战。
应理解的是，本申请技术方案可以应用于如下场景，但不限于：
在一些可实现方式中，图1为本申请实施例提供的一种应用场景图，如图1所示，该应用场景中可以包括电子设备110和网络设备120。电子设备110可以通过有线网络或者无线网络与网络设备120建立连接。
示例性的，电子设备110可以是台式电脑、笔记本电脑、平板电脑等，但不限于此。网络设备120可以是终端设备或者服务器，但不限于此。在本申请的一种实施例中，电子设备110可以向网络设备120发送请求消息，该请求消息可以用于请求获取主动脉CTA图像，进一步地，电子设备110可以接收网络设备120发送的响应消息，该响应消息包括主动脉CTA图像。
此外，图1示例性地给出了一个电子设备110和一个网络设备120，实际上可以包括其他数量的电子设备和网络设备，本申请对此不作限制。
在另一些可实现方式中，本申请技术方案也可以由上述电子设备110执行，或者，本申请技术方案还可以由上述网络设备120执行，本申请对此不做限制。
在介绍了本申请实施例的应用场景之后，下面将对本申请技术方案进行详细阐述：
图2为本申请实施例提供的一种主动脉夹层真假腔分割方法的流程图，该方法可以由如图1所示的电子设备110执行，但不限于此。如图2所示，该方法可以包括如下步骤：
步骤210、对主动脉CTA图像进行预处理，得到主动脉分割模型的输入图像，预处理至少包括预切割处理、窗宽窗位调整处理以及再采样处理。
在具体的应用场景中，可通过读取原始图像，获取主动脉夹层患者的三维CTA图像，图像大小为M*N*L，一般情况下，M＝512，N＝512。主动脉CTA图像往往分辨率较高，且图层较多(通常约600-800层)，轴向间距0.5至2mm。由于图像文件过大，在对主动脉CTA图像进行图像推理时，将会增大推理时长，使模型推理难以满足应用性能要求。在主动脉CTA图像中除了包含主动脉区域之外，还可包含主动脉血管区域及其他冗余图像，故在获取到主动脉CTA图像后，可首先对主动脉CTA图像进行预切割处理，缩小图像分割范围，仅保留主动脉区域对应的初始图像，如把512*512图像缩小到256*256。通过预切割处理，可提升主动脉图像的分割推理速度。此外，为了使能够满足主动脉分割模型的图像输入要求，在对主动脉CTA图像进行预切割处理后，还可对该图像累加进行窗宽窗位调整处理以及再采样处理，实现对图像中每个像素点的像素值和像素间隔的调整。进一步得到适用于主动脉分割模型输入的输入图像。
步骤220、将输入图像输入至预训练完成的主动脉分割模型进行主动脉分割处理，得到主动脉区域的第一分割结果。
对于本公开实施例，可将输入图像(大小为1*(M/2)*(N/2)*L)的相关图像数据输入到预先训练完成的主动脉分割模型，通过前向传播计算可得到主动脉区域的第一分割结果，对应的掩模图大小为1*(M/2)*(N/2)*L。
主动脉分割模型为预先利用大量样本图像进行主动脉分割任务训练后的任务模型。在对主动脉分割模型进行预训练时，可首先生成主动脉区域标签，每个像素值的标签值为1或者0(1代表是主动脉区域，0代表背景)。此外，还可对样本图像进行预切割处理，缩小图像分割范围，仅保留主动脉区域对应的初始样本图像，如把512*512图像缩小到预设尺寸256*256。通过预切割处理，可提升主动脉分割模型的训练速度，以及避免样本图像中的主动脉血管区域及冗余图像对模型训练的干扰，进一步提升模型训练的精准度。此外，还可对该样本图像累加进行窗宽窗位调整处理以及再采样处理，实现对图像中每个像素点的像素值和像素间隔的调整。其具体预处理过程可参见实施例步骤210中的相关描述，在此不再赘述。
在生成预设特征标签时，可针对样本图像制作标签图像。初始的是不同真假腔类别的标签图像，主干真腔(标签值为1)，主干假腔(标签值为2)，分支真腔(标签值为3)，分支假腔(标签值为4)，合并到一起，生成主动脉区域的标签，即样本图像的预设特征标签。每个像素值的标签值为1或者0(1代表是主动脉区域，0代表背景)。
之后可将经过预处理后，配置有预设特征标签的样本图像输入至主动脉分割模型，由主动脉分割模型对样本图像分别进行再采样以及背景去除处理，得到主动脉分割模型的样本输入图像。在训练过程中，主动脉分割模型可对样本输入图像进行增强处理，以得到样本输入图像对应的衍生图像，进而丰富样本图像的数量，能够提升模型训练的精准度。其中，增强方法可包括弹性变换、伸缩变换变换、随机旋转、Gamma变换、对比度增强、Cutout增强等。
其中，主动脉分割模型可选用任一深度学习模型，如可为残差网络模型(ResidualNetwork，ResNet)，轻量级模型(MobileNet)等，或者也可以是基于上述这些网络模型做出一些网络层修改后的网络模型，在此不进行具体的限定。在本公开中的下述实施例中，以采用resunet网络构造的主动脉分割模型为例，对本公开中的技术方案进行说明，但并不构成具体的限定。在使用resunet网络构建的主动脉分割模型进行主动脉分割时，resunet网络如图3所示，水平箭头代表resunet卷积块，它是由unet网络的卷积核大小为3*3*3的卷积，标准化，和激活函数组成的卷积块，并引入了残差计算。下箭头表示下采样，使用的是最大池化函数，上箭头表示的是上采样，使用的是反卷积函数。输入上一步得到的预处理之后的输入图像，通过上面的网络中最后一层的sigmoid函数，得到[0,1]之间的值，即是主动脉区域的分割预测结果，即主动脉区域的第一分割结果。设定一个阈值T，大于阈值T的像素设置为1，其余的设置为0，得到主动脉区域的掩码值。
假如R＝256，输入的输入图像的大小为1*(M/2)*(N/2)*L，经过resunet网络，得到和输入数据大小相同的特征图，再经过sigmoid激活函数层，将特征图映射到[0,1]之间，得到主动脉区域的第一分割结果，对应的掩模图大小为1*(M/2)*(N/2)*L。
模型训练时，损失函数可采取Binary cross-entropy和Dice loss组合方式，对主动脉分割模型进行训练优化。样本图像经过主动脉分割模型可得到主动脉区域的预测值，和标签图像的真实值，需要用损失函数来计算预测值和真实值之间的偏差，当偏差大于设定的阈值，继续进行训练，反向传播更新网络参数来优化主动脉分割模型。直到损失函数达到极小值或者设定的阈值，训练结束。
Binary cross-entropy是二值交叉熵损失函数，对于每个像素的真实值xi，预测值yi，N个像素的损失函数的定义为：
Dice loss是一种和区域相关的loss，X和Y分别代表真实值和预测值，在分割任务里，X代表真实掩模图，Y代表预测掩模图。分子为真实值和预测值之间的交集，分母为真实值和预测值的并集，乘以2是因为分母存在重复计算X和Y之间的共同元素的原因。
最终总损失是Binary cross-entropy和Dice loss相加得到的。
此外，还可为主动脉分割模型设置超参数，超参数可为主动脉分割模型的配置参数，可针对模型训练进行设置，通过为主动脉分割模型设置特定的超参数，可提升模型的训练速度。超参数如可包括学习速率(例如learning rate＝0.001)，迭代次数(例如epoch＝1000)，批处理数量(例如batch size＝2)等进行训练。训练完成后，将分割网络模型保存下来，得到基于区域的主动脉分割模型，以便后续使用。
相应的，在训练主动脉分割模型时，实施例步骤可包括：生成配置有第一预设特征标签的第一样本图像，第一样本图像为包含主动脉区域的预切割图像，主动脉区域至少包含主干真腔区域、主干假腔区域、分支真腔区域以及分支假腔区域，预设特征标签包含主动脉区域标签；对第一样本图像进行预处理，得到主动脉分割模型的第一样本输入图像；将第一样本输入图像输入主动脉分割模型，对主动脉分割模型进行主动脉分割训练，其中，在主动脉训练过程中，以第一样本输入图像和第一样本输入图像经过增强处理得到的衍生图像作为输入特征，以及以第一预设特征标签作为训练标签，迭代更新主动脉分割模型中的模型参数，直至主动脉分割模型对于主动脉分割的准确度大于第一预设阈值，判断主动脉分割模型训练完成。其中，第一预设阈值为大于0小于1的数值，第一预设阈值的具体数值可根据实际应用情况进行设定，当设定的数值越接近于1，表示主动脉分割模型的训练精准度越高。
步骤230、将第一分割结果对应的主动脉图像，输入至预训练完成的真假腔分割模型进行真假腔分割处理，得到真假腔区域的第二分割结果。
对于本公开实施例，可将第一分割结果对应的主动脉图像(大小为1*(M/2)*(N/2)*L)的相关图像数据输入到训练完成的真假腔分割模型，通过前向传播计算可得到真假腔区域的第二分割结果，对应的掩模图大小为4*(M/2)*(N/2)*L，4代表了区域类别数(四个区域)的预测值，主干真腔区域、主干假腔区域、分支真腔区域以及分支假腔区域对应的预测值可分别为：xmain_ture_lumen、xmain_false_lumen、xbranch_true_lumen以及xbranch_false_lumen，每个值都在[0,1]之间，并且四个值的和为1。
针对主动脉图像中的每个像素点，取对应四个类别预测值中的最大值：
fmax＝max(xmain_ture_lumen,xmain_false_lumen,xbranch_ture_lumen,xbranch_false_lumen)
然后找到最大值对应的索引值(主干真腔索引值为1、主干假腔索引值为2、分支真腔索引值为3以及分支假腔索引值为4)就是对应的四个真假腔类别值。
通过上面步骤可得到，主干真腔(值为1)，主干假腔(值为2)，分支真腔(值为3)，分支假腔(值为4)这四个不同真假腔类别的掩码值，得到主动脉的主干加分支的掩码图像，即真假腔区域的第二分割结果，大小为(M/2)*(N/2)*L。
真假腔分割模型为预先利用大量样本图像进行真假腔分割任务训练后的任务模型。在对真假腔分割模型进行预训练时，可首先生成每个像素点的真假腔标签，真假腔标签是初始的不同真假腔类别标签，可包括主干真腔(标签值为1)，主干假腔(标签值为2)，分支真腔(标签值为3)，分支假腔(标签值为4)。此外，还可对样本图像进行预切割处理，缩小图像分割范围，仅保留主动脉区域对应的初始样本图像，如把512*512图像缩小到预设尺寸256*256。通过预切割处理，可提升真假腔分割模型的训练速度，以及避免样本图像中的主动脉血管区域及冗余图像对模型训练的干扰，进一步提升模型训练的精准度。此外，还可对该样本图像累加进行窗宽窗位调整处理以及再采样处理，实现对图像中每个像素点的像素值和像素间隔的调整。其具体预处理过程可参见实施例步骤210中的相关描述，在此不再赘述。
在生成预设特征标签时，可针对样本图像制作标签图像。初始的是不同真假腔类别的标签图像，主干真腔(标签值为1)，主干假腔(标签值为2)，分支真腔(标签值为3)，分支假腔(标签值为4)，即样本图像的预设特征标签。
之后可将经过预处理后，配置有预设特征标签的样本图像输入至真假腔分割模型，由真假腔分割模型对样本图像分别进行再采样以及背景去除处理，得到真假腔分割模型的样本输入图像。在训练过程中，真假腔分割模型可对样本输入图像进行增强处理，以得到样本输入图像对应的衍生图像，进而丰富样本图像的数量，能够提升模型训练的精准度。其中，增强方法可包括弹性变换、伸缩变换变换、随机旋转、Gamma变换、对比度增强、Cutout增强等。
其中，真假腔分割模型可选用任一深度学习模型，如可为残差网络模型(ResidualNetwork，ResNet)，轻量级模型(MobileNet)等，或者也可以是基于上述这些网络模型做出一些网络层修改后的网络模型，在此不进行具体的限定。在本公开中的下述实施例中，以采用resunet网络构造的真假腔分割模型为例，对本公开中的技术方案进行说明，但并不构成具体的限定。在使用resunet网络构建的真假腔分割模型进行主动脉分割时，resunet网络如图3所示，水平箭头代表resunet卷积块，它是由unet网络的卷积核大小为3*3*3的卷积，标准化，和激活函数组成的卷积块，并引入了残差计算。下箭头表示下采样，使用的是最大池化函数，上箭头表示的是上采样，使用的是反卷积函数。输入上一步得到的预处理之后的输入图像，通过上面的网络中最后一层的softmax函数，得到主干真腔，主干假腔，分支真腔，分支假腔这四个真假腔类别的预测值，对应的是一个掩模图大小为4*(M/2)*(N/2)*L，4对应的是四个真假腔类别，每个真假腔类别的值都在[0,1]之间，并且四个值的和为1。
假如R＝256，输入的主动脉图像的大小为1*(M/2)*(N/2)*L，经过resunet网络，得到和输入数据大小相同的特征图，在经过softmax函数，得到主干真腔，主干假腔，分支真腔，分支假腔这四个真假腔类别的预测值，对应的是一个掩模图大小为4*(M/2)*(N/2)*L，4对应的是四个真假腔类别，每个真假腔类别的值都在[0,1]之间，并且四个值的和为1。
模型训练时，损失函数可采取cross-entropy和Dice loss组合方式，对真假腔分割模型进行训练优化。样本图像经过真假腔分割模型可得到每个真假腔类别的预测值，和第一步得到的标签图像的真实值，需要用损失函数来计算预测值和真实值之间的偏差，当偏差大于设定的阈值，继续进行训练，反向传播更新网络参数来优化分割网络模型。直到损失函数达到极小值或者设定的阈值，训练结束。
cross-entropy是多分类的交叉熵损失函数，X＝[x0,x1,x2,x3]是样本标签真实值的独热码(one-hot)表示，当样本输入第j类时，xj＝1，否则xj＝0。Y＝[y0,y1.y2,y3]是四个真假腔类别的预测值，当样本输入第j类时的预测值是yi。M个分类的损失函数的定义为：
对应的多分类的Dice loss也是先计算每个真假腔类别的dice loss，M个分类的损失函数的定义为：
其中，M表示真假腔类别的数量，对应为正整数。在本公开实施例中，真假腔类别的数量可为4，即对应主干真腔，主干假腔，分支真腔，分支假腔这4个真假腔类别。
最终总损失是cross-entropy和Dice loss相加得到的。
此外，还可为真假腔分割模型设置超参数，超参数可为真假腔分割模型的配置参数，可针对模型训练进行设置，通过为真假腔分割模型设置特定的超参数，可提升模型的训练速度。超参数如可包括学习速率(例如learning rate＝0.0005)，迭代次数(例如epoch＝1000)，批处理数量(例如batch size＝4)等进行训练。训练完成后，将分割网络模型保存下来，得到基于真假腔的分割网络模型，以便后续推理时使用。
相应的，在训练真假腔分割模型时，实施例步骤可包括：生成配置有第二预设特征标签的第二样本图像，第二样本图像为包含主动脉区域的预切割图像，主动脉区域至少包含主干真腔区域、主干假腔区域、分支真腔区域以及分支假腔区域，第二预设特征标签至少包含主干真腔区域标签、主干假腔区域标签、分支真腔区域标签以及分支假腔区域标签；对第二样本图像进行预处理，得到真假腔分割模型的第二样本输入图像；将第二样本输入图像输入真假腔分割模型，对真假腔分割模型进行真假腔分割训练，其中，在真假腔训练过程中，以第二样本输入图像和第二样本输入图像经过增强处理得到的衍生图像作为输入特征，以及以第二预设特征标签作为训练标签，迭代更新真假腔分割模型中的模型参数，直至真假腔分割模型对于真假腔分割的准确度大于第二预设阈值，判断真假腔分割模型训练完成。其中，第二预设阈值为大于0小于1的数值，第二预设阈值的具体数值可根据实际应用情况进行设定，当设定的数值越接近于1，表示真假腔分割模型的训练精准度越高。
步骤240、依据主动脉CTA图像，对第二分割结果对应的分割结果图像进行图像配准，得到主动脉CTA图像对应的真假腔分割图像。
在具体的应用场景中，鉴于第二分割结果对应的分割结果图像是与输入图像对应的较小尺寸的分割结果图像，故需要通过后处理，将其恢复成完整的分割结果，即得到主动脉CTA图像对应的真假腔分割图像。后处理步骤可包括但不限于与原图像的配准等，在此不进行具体的限定。
综上，根据本申请提供的主动脉夹层真假腔分割方法，在获取主动脉CTA图像后，可对主动脉CTA图像进行预切割处理、窗宽窗位调整处理以及再采样处理，得到主动脉分割模型的输入图像；之后将输入图像输入至预训练完成的主动脉分割模型进行主动脉分割处理，得到主动脉区域的第一分割结果，再将第一分割结果对应的主动脉图像，输入至训练完成的真假腔分割模型进行真假腔分割处理，得到真假腔区域的第二分割结果；最后依据主动脉CTA图像对第二分割结果对应的分割结果图像进行图像配准，得到主动脉CTA图像对应的真假腔分割图像。本公开中的技术方案，可先利用深度学习网络模型，粗分割得到主动脉区域，之后在粗分割的基础上，再利用另一个深度学习网络模型，对主动脉区域图像进行主动脉主干加分支的细分割。通过此种两阶段的主动脉真假腔分割方法，可实现对主动脉的主干夹层和分支夹层的完整准确分割，进一步能够提高主动脉在各真假腔类别上的分割效果以及分割精准度。
基于图2所示的实施例，作为上述实施例的细化和扩展，为了完整说明本实施例方法的具体实现过程，本实施例提供了如图4所示的具体方法。如4所示，该方法包括如下步骤：
步骤310、对主动脉CTA图像进行预处理，得到主动脉分割模型的输入图像，预处理至少包括预切割处理、窗宽窗位调整处理以及再采样处理。
其中，预处理至少包括预切割处理、窗宽窗位调整处理以及再采样处理。
对于本公开实施例，为了更好地让深度学习模型实现有效分割，本发明可通过预切割处理，保留主动脉CTA图像中的有效图像部分，将主动脉CTA图像的较大原始尺寸缩小到预设尺寸。该预设尺寸为比实际主动脉区域稍大的图像尺寸，具体可根据实际应用场景进行设定。如根据经验发现可将预设尺寸设置为256*256，即通过对主动脉CTA图像进行预切割处理，能够实现将512*512的主动脉CTA图像缩小到256*256的初始图像。
其中，在进行预切割处理时，可基于阈值分割提取出包含主动脉区域的感兴趣区域图像。具体的，预切割处理的步骤如下：
1)提取骨架区域：因为主动脉被包含在胸骨骨架内，而骨架影响密度较高(CT值较高)，很容易提取。故可通过设置像素阈值(如200以上)，利用图像处理工具进行图像阈值分割，提取像素值大于所设定像素阈值的图像区域作为骨架区域，该区域将包含骨架以及高密度血管等。对提取出来的区域按照从大到小进行排序，提取最大的区域即为骨架区域。
2)提取骨架区域组件：可利用图像处理工具，在骨架区域中进行连通域组件分析，并按连通域组件由大到小进行排序，提取第一个连通域组件(即最大连通域组件)，即为骨架区域组件。
3)获取预切割图像：利用图像处理工具，执行骨架区域组件形状特性分析，然后读取骨架区域组件外接立方体初始顶点坐标(X0，Y0，Z0)及对应轴向的3个边长(a，b，c)。然后计算图层中心点坐标(Xc，Yc)：
Xc＝X0+a/2
Yc＝Y0+b/2
设置感兴趣区域的边长为R(如256)，按区域[Xc-R/2:Xc+R/2；Yc-R/2:Yc+R/2]在主动脉CTA图像中进行图像提取(Z轴方向全部保留)，即得到预切割处理后的图像，该图像将作为感兴趣区域图像。
此外，为了使能够满足主动脉分割模型的图像输入要求，在对主动脉CTA图像进行预切割处理后，还可对该感兴趣区域图像累加进行窗宽窗位调整处理以及再采样处理，实现对感兴趣区域图像中每个像素点的像素值和像素间隔的调整。
在进行窗宽窗位调整时，可首先获取感兴趣区域图像的窗宽值w和窗位值c，进一步根据窗宽值w和窗位值c，计算宽窗范围的最小值window_min和最大值window_max：
window_min＝c-w/2
window_max＝c+w/2
之后，可基于如下公式调整感兴趣区域图像中每个像素p的像素值p′为：
p′＝(p-window_min)/(window_max-window_min)
p′＝p′*255
在完成对感兴趣区域图像中每个像素点的调整后，可得到图5所示的包含主动脉区域的第一处理图像，该图像中具有更为清晰的图像效果。
在进行再采样处理时，可实现图像中像素点之间的空间间隔大小一致，便于模型的推理分析。变换方法如下：原始CTA图像其像素点之间的空间间隔大小都不一样，故可获取第一处理图像的像素点之间的空间间隔spacing(ΔXi，ΔYi，ΔZi)，计算它们的平均值，其中，i是第i个像素点，n是第一处理图像中像素点的个数。以该均值/>作为像素点之间的目标空间间隔，采用三次样条插值算法(可选其它插值法)进行输入图像变换，使得变换后的图像中像素点之间的空间间隔都保持相同(都等于目标空间间隔)。如果R＝256，经过再采样处理后得到的第二处理图像的图像大小为(M/2)*(N/2)*L，作为下一步处理的基础。
相应的，对于本公开实施例，在对主动脉CTA图像进行预处理，得到真假腔分割模型的输入图像时，实施例步骤可包括：对主动脉CTA图像进行预切割处理，得到包含主动脉区域的感兴趣区域图像；根据感兴趣区域图像的窗宽值和窗位值，计算宽窗范围的最小值和最大值；基于宽窗范围的最小值和最大值，对感兴趣区域图像中的每个像素值进行窗宽窗位调整处理，得到第一处理图像；计算第一处理图像中相邻像素点之间的空间间隔平均值；基于空间间隔平均值对第一处理图像进行再采样处理，得到第二处理图像，将第二处理图像作为主动脉分割模型的输入图像，其中，输入图像中任意相邻像素点之间的空间间隔等于空间间隔平均值。
相应的，在对主动脉CTA图像进行预切割处理，得到包含主动脉区域的感兴趣区域图像时，实施例步骤可包括：基于像素阈值在主动脉CTA图像中提取骨架区域图像；在骨架区域图像中进行连通域组件分析，并筛选对应面积最大的连通域组件作为骨架区域组件；以骨架区域组件外接四边形中心点为基准，按照预设截面边长进行图像区域提取，得到包含主动脉区域的感兴趣区域图像。
步骤320、将输入图像输入至预训练完成的主动脉分割模型进行主动脉分割处理，得到主动脉区域的第一分割结果。
对于本公开实施例，其具体实现过程可参见实施例步骤220中的相关描述，在此不再赘述。
步骤330、确定第一分割结果对应的主动脉图像。
在第一分割结果中可包含主动脉区域的初始掩码值，经过上一个步骤得到的主动脉区域的第一分割结果里面有主干血管和分支血管，分支血管很多都比较细，比如肠系膜下动脉，有的时候因为造影剂不充盈，可能导致有部分断裂。为了保证主动脉的完整性，需要通过形态学的闭操作，来填补细小血管断裂的地方。经过闭操作得到的图像中，还存在一些独立的多余分支血管，可利用图像连通域分析，把连通域由大到小进行排序，取出第一个(最大的一个为主动脉，其它为多余的分支血管)，作为分割结果二值图，即得到主动脉区域对应更为精准的主动脉掩码值。最后把预处理之后得到的感兴趣区域与最终的主动脉掩码值进行乘积，便获得了主动脉图像，大小为(M/2)*(N/2)*L。
相应的，实施例步骤可包括：基于第一分割结果中的第一掩码值，利用形态学的闭操作对主动脉区域中的断裂血管进行填补处理，得到初始主动脉图像；在初始主动脉图像中进行连通域组件分析，并根据面积最大的连通域组件确定主动脉区域的第二掩码值；将第二掩码值与感兴趣区域图像的乘积，确定为第一分割结果对应的主动脉图像。
步骤340、将第一分割结果对应的主动脉图像，输入至预训练完成的真假腔分割模型进行真假腔分割处理，得到真假腔区域的第二分割结果。
对于本公开实施例，其具体实现过程可参见实施例步骤230中的相关描述，在此不再赘述。
步骤350、依据主动脉CTA图像，对第二分割结果对应的分割结果图像进行图像配准，得到主动脉CTA图像对应的真假腔分割图像。
在具体的应用场景中，鉴于第二分割结果对应的分割结果图像是与输入图像对应的较小尺寸的分割结果图像，故需要通过后处理，将其恢复成完整的分割结果，即得到主动脉CTA图像对应的真假腔分割图像。后处理步骤可包括但不限于与原图像的配准等，在此不进行具体的限定。具体说明如下：
在经过上述实施例步骤，得到第二分割结果后，还需对第二分割结果对应的分割结果图像进行图像配准，使其与主动脉CTA图像相对应。具体可利用图像处理工具，把主动脉CTA图像转成数组并获取形状信息，依据该形状信息构建0值数组。同样把分割结果图像转为数组，依据图像预处理时计算的中心点及截面边长(256*256)，放入前面构建的0值数组对应的位置，构成与输入图像对应的分割结果数组。最后把该数组再转成图像并拷贝初始图像信息，便可获得最终的真假腔分割图像。其中，初始图像信息为感兴趣区域图像在主动脉CTA图像中的像素位置信息。通过图像配准，可将第二分割结果对应的分割结果图像由256*256恢复至512*512图像大小，并且使第二分割结果对应的分割结果图像在其中的图像位置，与感兴趣区域图像在主动脉CTA图像中的像素位置相对应，即得到主动脉CTA图像对应主动脉主干加分支的真假腔分割图像。
相应的，对于本公开实施例，实施例步骤可包括：提取主动脉CTA图像的图像形状信息，并基于图像形状信息构建主动脉CTA图像对应的0值数组；将第二分割结果对应的分割结果图像转换为数组后，依据预切割处理时计算得到的骨架区域组件外接四边形中心点以及预设截面边长，将数组插入0值数组的对应位置，构成与主动脉CTA图像对应的分割结果数组；基于主动脉CTA图像的初始图像信息，对分割结果数组转换后的图像进行像素调整，得到主动脉CTA图像对应的真假腔分割图像，其中，初始图像信息为感兴趣区域图像在主动脉CTA图像中的像素位置信息。
综上，根据本申请提供的主动脉夹层真假腔分割方法，在获取主动脉CTA图像后，可对主动脉CTA图像进行预切割处理、窗宽窗位调整处理以及再采样处理，得到主动脉分割模型的输入图像；之后将输入图像输入至预训练完成的主动脉分割模型进行主动脉分割处理，得到主动脉区域的第一分割结果，再将第一分割结果对应的主动脉图像，输入至训练完成的真假腔分割模型进行真假腔分割处理，得到真假腔区域的第二分割结果；最后依据主动脉CTA图像对第二分割结果对应的分割结果图像进行图像配准，得到主动脉CTA图像对应的真假腔分割图像。本公开中的技术方案，可先利用深度学习网络模型，粗分割得到主动脉区域，之后在粗分割的基础上，再利用另一个深度学习网络模型，对主动脉区域图像进行主动脉主干加分支的细分割。通过此种两阶段的主动脉真假腔分割方法，可实现对主动脉的主干夹层和分支夹层的完整准确分割，进一步能够提高主动脉在各真假腔类别上的分割效果以及分割精准度。
基于上述图2、图4提供的主动脉夹层真假腔分割方法的具体描述，如图6所示，图6是根据一示例性实施例示出的一种主动脉夹层真假腔分割装置框图。如图6所示，该装置包括：
处理模块41，可用于对主动脉CTA图像进行预处理，得到主动脉分割模型的输入图像，预处理至少包括预切割处理、窗宽窗位调整处理以及再采样处理；
第一输入模块42，可用于将输入图像输入至预训练完成的主动脉分割模型进行主动脉分割处理，得到主动脉区域的第一分割结果；
第二输入模块43，可用于将第一分割结果对应的主动脉图像，输入至预训练完成的真假腔分割模型进行真假腔分割处理，得到真假腔区域的第二分割结果；
配准模块44，可用于依据主动脉CTA图像，对第二分割结果对应的分割结果图像进行图像配准，得到主动脉CTA图像对应的真假腔分割图像。
在本申请的一些实施例中，处理模块41，可用于对主动脉CTA图像进行预切割处理，得到包含主动脉区域的感兴趣区域图像；根据感兴趣区域图像的窗宽值和窗位值，计算宽窗范围的最小值和最大值；基于宽窗范围的最小值和最大值，对感兴趣区域图像中的每个像素值进行窗宽窗位调整处理，得到第一处理图像；计算第一处理图像中相邻像素点之间的空间间隔平均值；基于空间间隔平均值对第一处理图像进行再采样处理，得到第二处理图像，将第二处理图像作为主动脉分割模型的输入图像，其中，输入图像中任意相邻像素点之间的空间间隔等于空间间隔平均值。
在本申请的一些实施例中，处理模块41，可用于基于像素阈值在主动脉CTA图像中提取骨架区域图像；在骨架区域图像中进行连通域组件分析，并筛选对应面积最大的连通域组件作为骨架区域组件；以骨架区域组件外接四边形中心点为基准，按照预设截面边长进行图像区域提取，得到包含主动脉区域的感兴趣区域图像。
在本申请的一些实施例中，如图7所示，该装置还包括：第一训练模块45；
第一训练模块45，可用于生成配置有第一预设特征标签的第一样本图像，第一样本图像为包含主动脉区域的预切割图像，主动脉区域至少包含主干真腔区域、主干假腔区域、分支真腔区域以及分支假腔区域，预设特征标签包含主动脉区域标签；对第一样本图像进行预处理，得到主动脉分割模型的第一样本输入图像；将第一样本输入图像输入主动脉分割模型，对主动脉分割模型进行主动脉分割训练，其中，在主动脉训练过程中，以第一样本输入图像和第一样本输入图像经过增强处理得到的衍生图像作为输入特征，以及以第一预设特征标签作为训练标签，迭代更新主动脉分割模型中的模型参数，直至主动脉分割模型对于主动脉分割的准确度大于第一预设阈值，判断主动脉分割模型训练完成。
在本申请的一些实施例中，如图7所示，该装置还包括：第二训练模块46；
第二训练模块46，可用于生成配置有第二预设特征标签的第二样本图像，第二样本图像为包含主动脉区域的预切割图像，主动脉区域至少包含主干真腔区域、主干假腔区域、分支真腔区域以及分支假腔区域，第二预设特征标签至少包含主干真腔区域标签、主干假腔区域标签、分支真腔区域标签以及分支假腔区域标签；对第二样本图像进行预处理，得到真假腔分割模型的第二样本输入图像；将第二样本输入图像输入真假腔分割模型，对真假腔分割模型进行真假腔分割训练，其中，在真假腔训练过程中，以第二样本输入图像和第二样本输入图像经过增强处理得到的衍生图像作为输入特征，以及以第二预设特征标签作为训练标签，迭代更新真假腔分割模型中的模型参数，直至真假腔分割模型对于真假腔分割的准确度大于第二预设阈值，判断真假腔分割模型训练完成。
在本申请的一些实施例中，如图7所示，该装置还包括：确定模块47；
确定模块47，可用于基于第一分割结果中的第一掩码值，利用形态学的闭操作对主动脉区域中的断裂血管进行填补处理，得到初始主动脉图像；在初始主动脉图像中进行连通域组件分析，并根据面积最大的连通域组件确定主动脉区域的第二掩码值；将第二掩码值与感兴趣区域图像的乘积，确定为第一分割结果对应的主动脉图像。
在本申请的一些实施例中，配准模块44，可用于提取主动脉CTA图像的图像形状信息，并基于图像形状信息构建主动脉CTA图像对应的0值数组；将第二分割结果对应的分割结果图像转换为数组后，依据预切割处理时计算得到的骨架区域组件外接四边形中心点以及预设截面边长，将数组插入0值数组的对应位置，构成与主动脉CTA图像对应的分割结果数组；基于主动脉CTA图像的初始图像信息，对分割结果数组转换后的图像进行像素调整，得到主动脉CTA图像对应的真假腔分割图像，其中，初始图像信息为感兴趣区域图像在主动脉CTA图像中的像素位置信息。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本申请的实施例，可先利用深度学习网络模型，粗分割得到主动脉区域，之后在粗分割的基础上，再利用另一个深度学习网络模型，对主动脉区域图像进行主动脉主干加分支的细分割。通过此种两阶段的主动脉真假腔分割方法，可实现对主动脉的主干夹层和分支夹层的完整准确分割，进一步能够提高主动脉在各真假腔类别上的分割效果以及分割精准度。
上文中结合附图从功能模块的角度描述了本发明实施例的主动脉夹层真假腔分割装置。应理解，该功能模块可以通过硬件形式实现，也可以通过软件形式的指令实现，还可以通过硬件和软件模块组合实现。具体地，本发明实施例中的主动脉夹层真假腔分割方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成，结合本发明实施例申请的主动脉夹层真假腔分割方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。可选地，软件模块可以位于随机存储器，闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述主动脉夹层真假腔分割方法实施例中的步骤。
图8是本发明提供的一个实施例的电子设备700的示意性框图。
如图8所示，该电子设备700可包括：
存储器710和处理器720，该存储器710用于存储计算机程序，并将该程序代码传输给该处理器720。换言之，该处理器720可以从存储器710中调用并运行计算机程序，以实现本发明实施例中的方法。
例如，该处理器720可用于根据该计算机程序中的指令执行上述方法实施例。
在本发明的一些实施例中，该处理器720可以包括但不限于：
通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等等。
在本发明的一些实施例中，该存储器710包括但不限于：
易失性存储器和/或非易失性存储器。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DR RAM)。
在本发明的一些实施例中，该计算机程序可以被分割成一个或多个模块，该一个或者多个模块被存储在该存储器710中，并由该处理器720执行，以完成本发明提供的方法。该一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述该计算机程序在该控制器中的执行过程。
如图8所示，该电子设备700还可包括：
收发器730，该收发器730可连接至该处理器720或存储器710。
其中，处理器720可以控制该收发器730与其他设备进行通信，具体地，可以向其他设备发送数据或数据，或接收其他设备发送的数据或数据。收发器730可以包括发射机和接收机。收发器730还可以进一步包括天线，天线的数量可以为一个或多个。
应当理解，该电子设备中的各个组件通过总线系统相连，其中，总线系统除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。
本发明还提供了一种计算机存储介质，其上存储有计算机程序，该计算机程序被计算机执行时使得该计算机能够执行上述方法实施例的方法。或者说，本发明提供的一个实施例还提供一种包含指令的计算机程序产品，该指令被计算机执行时使得计算机执行上述方法实施例的方法。
当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本发明实施例该的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(Digital Subscriber Line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(Digital Video Disc，DVD))、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。
本领域普通技术人员可以意识到，结合本文中所申请的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明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。例如，以上所描述的装置实施例仅仅是示意性的，例如，该模块的划分，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，例如多个模块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接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，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模块来实现本实施例方案的目的。例如，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
以上仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以该权利要求的保护范围为准。

Claims (10)

1.一种主动脉夹层真假腔分割方法，其特征在于，包括：
对主动脉CTA图像进行预处理，得到主动脉分割模型的输入图像，所述预处理至少包括预切割处理、窗宽窗位调整处理以及再采样处理；
将所述输入图像输入至预训练完成的所述主动脉分割模型进行主动脉分割处理，得到主动脉区域的第一分割结果；
将所述第一分割结果对应的主动脉图像，输入至预训练完成的真假腔分割模型进行真假腔分割处理，得到真假腔区域的第二分割结果；
依据所述主动脉CTA图像，对所述第二分割结果对应的分割结果图像进行图像配准，得到所述主动脉CTA图像对应的真假腔分割图像。
2.根据权利要求1所述的方法，其特征在于，所述对主动脉CTA图像进行预处理，得到主动脉分割模型的输入图像，包括：
对主动脉CTA图像进行预切割处理，得到包含主动脉区域的感兴趣区域图像；
根据所述感兴趣区域图像的窗宽值和窗位值，计算宽窗范围的最小值和最大值；
基于所述宽窗范围的最小值和最大值，对所述感兴趣区域图像中的每个像素值进行窗宽窗位调整处理，得到第一处理图像；
计算所述第一处理图像中相邻像素点之间的空间间隔平均值；
基于所述空间间隔平均值对所述第一处理图像进行再采样处理，得到第二处理图像，将所述第二处理图像作为主动脉分割模型的输入图像，其中，所述输入图像中任意相邻像素点之间的空间间隔等于所述空间间隔平均值。
3.根据权利要求2所述的方法，其特征在于，所述对主动脉CTA图像进行预切割处理，得到包含主动脉区域的感兴趣区域图像，包括：
基于像素阈值在主动脉CTA图像中提取骨架区域图像；
在所述骨架区域图像中进行连通域组件分析，并筛选对应面积最大的连通域组件作为骨架区域组件；
以所述骨架区域组件外接四边形中心点为基准，按照预设截面边长进行图像区域提取，得到包含主动脉区域的感兴趣区域图像。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括所述主动脉分割模型的训练方法：
生成配置有第一预设特征标签的第一样本图像，所述第一样本图像为包含主动脉区域的预切割图像，所述主动脉区域至少包含主干真腔区域、主干假腔区域、分支真腔区域以及分支假腔区域，所述预设特征标签包含主动脉区域标签；
对所述第一样本图像进行预处理，得到所述主动脉分割模型的第一样本输入图像；
将所述第一样本输入图像输入主动脉分割模型，对所述主动脉分割模型进行主动脉分割训练，其中，在所述主动脉训练过程中，以所述第一样本输入图像和所述第一样本输入图像经过增强处理得到的衍生图像作为输入特征，以及以所述第一预设特征标签作为训练标签，迭代更新所述主动脉分割模型中的模型参数，直至所述主动脉分割模型对于主动脉分割的准确度大于第一预设阈值，判断所述主动脉分割模型训练完成。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括所述真假腔分割模型的训练方法：
生成配置有第二预设特征标签的第二样本图像，所述第二样本图像为包含主动脉区域的预切割图像，所述主动脉区域至少包含主干真腔区域、主干假腔区域、分支真腔区域以及分支假腔区域，所述第二预设特征标签至少包含主干真腔区域标签、主干假腔区域标签、分支真腔区域标签以及分支假腔区域标签；
对所述第二样本图像进行预处理，得到所述真假腔分割模型的第二样本输入图像；
将所述第二样本输入图像输入真假腔分割模型，对所述真假腔分割模型进行真假腔分割训练，其中，在所述真假腔训练过程中，以所述第二样本输入图像和所述第二样本输入图像经过增强处理得到的衍生图像作为输入特征，以及以所述第二预设特征标签作为训练标签，迭代更新所述真假腔分割模型中的模型参数，直至所述真假腔分割模型对于真假腔分割的准确度大于第二预设阈值，判断所述真假腔分割模型训练完成。
6.根据权利要求2所述的方法，其特征在于，在将所述第一分割结果对应的主动脉图像，输入至预训练完成的真假腔分割模型进行真假腔分割处理，得到真假腔区域的第二分割结果之前，所述方法还包括：
基于所述第一分割结果中的第一掩码值，利用形态学的闭操作对所述主动脉区域中的断裂血管进行填补处理，得到初始主动脉图像；
在所述初始主动脉图像中进行连通域组件分析，并根据面积最大的连通域组件确定主动脉区域的第二掩码值；
将所述第二掩码值与所述感兴趣区域图像的乘积，确定为所述第一分割结果对应的主动脉图像。
7.根据权利要求3所述的方法，其特征在于，所述依据所述主动脉CTA图像对所述第二分割结果对应的分割结果图像进行图像配准，得到所述主动脉CTA图像对应的真假腔分割图像，包括：
提取所述主动脉CTA图像的图像形状信息，并基于所述图像形状信息构建所述主动脉CTA图像对应的0值数组；
将所述第二分割结果对应的分割结果图像转换为数组后，依据所述预切割处理时计算得到的骨架区域组件外接四边形中心点以及预设截面边长，将所述数组插入所述0值数组的对应位置，构成与所述主动脉CTA图像对应的分割结果数组；
基于所述主动脉CTA图像的初始图像信息，对所述分割结果数组转换后的图像进行像素调整，得到所述主动脉CTA图像对应的真假腔分割图像，其中，所述初始图像信息为所述感兴趣区域图像在所述主动脉CTA图像中的像素位置信息。
8.一种主动脉夹层真假腔分割装置，其特征在于，包括：
处理模块，用于对主动脉CTA图像进行预处理，得到主动脉分割模型的输入图像，所述预处理至少包括预切割处理、窗宽窗位调整处理以及再采样处理；
第一输入模块，用于将所述输入图像输入至预训练完成的所述主动脉分割模型进行主动脉分割处理，得到主动脉区域的第一分割结果；
第二输入模块，用于将所述第一分割结果对应的主动脉图像，输入至预训练完成的真假腔分割模型进行真假腔分割处理，得到真假腔区域的第二分割结果；
配准模块，用于依据所述主动脉CTA图像，对所述第二分割结果对应的分割结果图像进行图像配准，得到所述主动脉CTA图像对应的真假腔分割图像。
9.一种电子设备，其特征在于，包括：
处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，以执行权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序，所述计算机程序使得计算机执行如权利要求1-7中任一项所述的方法。
CN202311469453.4A 2023-11-03 2023-11-03 主动脉夹层真假腔分割方法、装置、电子设备及存储介质 Pending CN117474879A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311469453.4A CN117474879A (zh) 2023-11-03 2023-11-03 主动脉夹层真假腔分割方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311469453.4A CN117474879A (zh) 2023-11-03 2023-11-03 主动脉夹层真假腔分割方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN117474879A true CN117474879A (zh) 2024-01-30

Family

ID=89625234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311469453.4A Pending CN117474879A (zh) 2023-11-03 2023-11-03 主动脉夹层真假腔分割方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117474879A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118297974A (zh) * 2024-06-06 2024-07-05 柏意慧心(杭州)网络科技有限公司 一种血管夹层腔体分离方法及装置、存储介质、设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118297974A (zh) * 2024-06-06 2024-07-05 柏意慧心(杭州)网络科技有限公司 一种血管夹层腔体分离方法及装置、存储介质、设备

Similar Documents

Publication Publication Date Title
US11748879B2 (en) Method and system for intracerebral hemorrhage detection and segmentation based on a multi-task fully convolutional network
EP3879485B1 (en) Tissue nodule detection and model training method and apparatus thereof, device and system
US10430949B1 (en) Automatic method and system for vessel refine segmentation in biomedical images using tree structure based deep learning model
CN108765369B (zh) 肺结节的检测方法、装置、计算机设备和存储介质
CN111291825B (zh) 病灶分类模型训练方法、装置、计算机设备和存储介质
CN113012155B (zh) 髋关节图像中骨骼分割方法、电子设备及存储介质
CN110838125B (zh) 医学图像的目标检测方法、装置、设备、存储介质
CN110599500A (zh) 一种基于级联全卷积网络的肝脏ct图像的肿瘤区域分割方法及系统
CN112085714B (zh) 一种肺结节检测方法、模型训练方法、装置、设备及介质
CN112734748B (zh) 一种肝胆管及胆道结石的图像分割系统
CN113468996B (zh) 一种基于边缘细化的伪装物体检测方法
CN112258558B (zh) 基于多尺度孪生网络的超声颈动脉斑块视频追踪方法
CN112163601A (zh) 图像分类方法、系统、计算机设备及存储介质
CN117474879A (zh) 主动脉夹层真假腔分割方法、装置、电子设备及存储介质
CN110570394A (zh) 医学图像分割方法、装置、设备及存储介质
CN111667459A (zh) 一种基于3d可变卷积和时序特征融合的医学征象检测方法、系统、终端及存储介质
CN113674291B (zh) 一种全类型主动脉夹层真假腔图像分割方法及系统
CN112348818A (zh) 一种图像分割方法、装置、设备以及存储介质
CN113313728B (zh) 一种颅内动脉分割方法及系统
CN111192320A (zh) 一种位置信息确定方法、装置、设备和存储介质
CN116342986B (zh) 模型训练方法、目标器官的分割方法及相关产品
CN116740081A (zh) Ct图像中肺血管分割方法、装置、终端设备及介质
CN116129124A (zh) 一种图像分割方法、系统及设备
CN113920099B (zh) 一种基于非局部信息提取的息肉分割方法及相关组件
CN116128895A (zh) 医学图像分割方法、装置和计算机可读存储介质

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