CN117764911A - 一种血管命名方法、装置、设备及介质 - Google Patents
一种血管命名方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117764911A CN117764911A CN202311424207.7A CN202311424207A CN117764911A CN 117764911 A CN117764911 A CN 117764911A CN 202311424207 A CN202311424207 A CN 202311424207A CN 117764911 A CN117764911 A CN 117764911A
- Authority
- CN
- China
- Prior art keywords
- node
- blood vessel
- nodes
- matrix
- determining
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 65
- 239000011159 matrix material Substances 0.000 claims abstract description 155
- 230000011218 segmentation Effects 0.000 claims abstract description 53
- 238000002583 angiography Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000011282 treatment Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 16
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 230000002792 vascular Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000005530 etching Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000007797 corrosion Effects 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000002586 coronary angiography Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种血管命名方法、装置、设备及介质，通过获取血管造影图像，确定所述血管造影图像对应的血管中心线；识别所述血管中心线中的节点，确定第一节点特征；基于所述节点对所述血管中心线进行抽象处理，得到节点间连接边的边特征；基于所述第一节点特征和所述边特征确定节点特征拼接矩阵和邻接矩阵；将所述节点特征拼接矩阵和所述邻接矩阵输入节点分类网络模型，得到节点类别标签；根据所述节点类别标签和所述邻接矩阵对血管进行命名。本发明实施例可以通过简化复杂且迂曲的血管，血管抽象成图结构进行节点分类，解决了血管分割错乱的情况下血管命名准确率低的问题，根据血管的拓扑结构推断血管命名，提升血管命名的准确率。
Description
技术领域
本发明涉及图像数据处理技术领域，尤其涉及一种血管命名方法、装置、设备及介质。
背景技术
冠状动脉造影术是心脏疾病诊断的重要方法，准确地命名冠脉造影图像中的各个血管在手术规划和介入治疗中有着重要的研究意义和价值。
目前，通常使用基于深度学习的图像多类分割算法从冠脉造影图像中分割出各个血管，并根据各个血管分割标签为血管命名。但是，冠脉造影图像中的血管之间相互重叠和缠绕，基于深度学习的图像多类分割算法预测的分割结果误差大，得到的血管命名准确率低。
发明内容
本发明提供了一种血管命名方法、装置、设备及介质，以解决血管分割错乱的情况下血管命名准确率低的问题，根据血管的拓扑结构推断血管命名，提升血管命名的准确率。
根据本发明的一方面，提供了一种血管命名方法，包括：
获取血管造影图像，确定血管造影图像对应的血管中心线；
识别血管中心线中的节点，确定第一节点特征，其中，节点包括端点和分叉点；
基于节点对血管中心线进行抽象处理，得到节点间连接边的边特征；
基于第一节点特征和边特征确定节点特征拼接矩阵和邻接矩阵；
将节点特征拼接矩阵和邻接矩阵输入节点分类网络模型，得到节点类别标签；根据节点类别标签和邻接矩阵对血管进行命名。
根据本发明的另一方面，提供了一种血管命名装置，包括：
血管中心线确定模块，用于获取血管造影图像，确定血管造影图像对应的血管中心线；
第一节点特征确定模块，用于识别血管中心线中的节点，确定第一节点特征，其中，节点包括端点和分叉点；
边特征确定模块，用于基于节点对血管中心线进行抽象处理，得到节点间连接边的边特征；
矩阵确定模块，用于基于第一节点特征和边特征确定节点特征拼接矩阵和邻接矩阵；
血管命名模块，用于将节点特征拼接矩阵和邻接矩阵输入节点分类网络模型，得到节点类别标签；根据节点类别标签和邻接矩阵对血管进行命名。
根据本发明的另一方面，提供了一种电子设备，电子设备包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例的血管命名方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的血管命名方法。
本发明实施例的技术方案，通过获取血管造影图像，确定血管造影图像对应的血管中心线；识别血管中心线中的节点，确定第一节点特征；基于节点对血管中心线进行抽象处理，得到节点间连接边的边特征；基于第一节点特征和边特征确定节点特征拼接矩阵和邻接矩阵；将节点特征拼接矩阵和邻接矩阵输入节点分类网络模型，得到节点类别标签；根据节点类别标签和邻接矩阵对血管进行命名，简化了复杂且迂曲的血管，将血管抽象成节点和边来构建图结构对节点分类，一定程度上解决了血管命名不完整或错误的问题，提升了血管命名的准确率。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其他特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是本发明实施例一提供的一种血管命名方法的流程图；
图2是本发明实施例所适用的血管命名过程的示意图；
图3是本发明实施例二提供的一种血管命名方法的流程图；
图4是本发明实施例三提供的一种血管命名装置的结构示意图；
图5是实现本发明实施例的血管命名方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明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，以便这里描述的本发明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、产品或设备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。
实施例一
图1是本发明实施例一提供的一种血管命名方法的流程图，本实施例可适用于对需要关注的血管进行血管命名的情况，该方法可以由血管命名装置来执行，该血管命名装置可以采用硬件和/或软件的形式实现，该血管命名装置可配置于计算机等电子设备中。如图1所示，该方法包括：
S110、获取血管造影图像，确定血管造影图像对应的血管中心线。
在本实施例中，血管造影图像为待进行血管命名的目标对象(例如人体或动物体)的医学图像，可以为三维图像，也可以为包括若干层二维图像的二维图像序列，还可以是二维图像。二维图像中最小处理单元为像素点，三维图像中最小处理单元为体素。血管造影图像可以通过各类模态的成像系统扫描采集获得，也可以通过诸如存储系统影像归档和通信系统(Picture Archiving and Communication Systems，PACS)等内部或外部存储系统传输获得，其中，模态包括但不限于磁共振成像(Magnetic Resonance Imaging，MRI)、磁共振血管造影(Magnetic Resonance Angiography，MRA)、计算机断层扫描(ComputerizedTomography，CT)、正电子发射断层扫描(Positron Emission Tomography，PET)等一种或多种的组合。血管中心线是血管的中心轴线，用于描述血管路径。
具体的，读取血管造影图像，基于二值化处理方法对血管造影图像进行血管提取，得到血管图像，剔除血管造影图像中背景部分，以减少背景部分对血管分析的干扰。其中，二值化处理方法可以包括阈值法、区域生长法、基于能量函数的方法、水平集方法和神经网络方法等，或者上述分割方法的任意组合，本实施例对此不进行限制。通过中心线提取算法对血管进行处理，得到原始血管造影图像对应的血管中心线。
示例性的，对血管造影图像进行血管提取，将血管像素点的像素值设置为1，其他像素点的像素值设置为0，得到血管图像，基于骨架化方法对血管图像进行处理，得到原始血管造影图像对应的血管中心线。
为了提高血管命名的准确性和效率，可以在提取血管中心线之前，对血管进行简化处理，可选的，对血管造影图像进行分割，得到血管第一分割结果；确定血管第一分割结果中的连通域，并剔除连通域面积小于预设连通域阈值的连通域，得到血管第二分割结果；对血管第二分割结果进行至少一次形态学处理，得到血管第三分割结果；其中，形态学处理包括按指定顺序执行的腐蚀处理和膨胀处理；基于血管第三分割结果提取血管中心线。
在本实施例中，基于血管分割模型对血管造影图像进行分割得到血管第一分割结果。连通域可以理解为血管第一分割结果中具有相同像素值且位置相邻的血管像素点组成的图像区域。预设连通域阈值为预先设置的判定连通域保留的连通域面积的阈值。对血管第一分割结果进行连通域后处理，通过将连通域像素面积小于预设连通域阈值的连通域的标签赋值为背景标签，剔除该连通域，得到血管第二分割结果，能够对血管第一分割结果进行去噪。对血管第二分割结果进行一次或多次先腐蚀后膨胀的形态学处理，通过设置结构元素的大小和形状，将结构元素的中心与血管第二分割结果的每个像素点进行对齐，将结构元素与对齐的图像区域中的像素进行比较，如果结构元素中的所有元素与对应的图像区域中的像素匹配，则中心点像素保持不变；如果结构元素中的至少一个元素与图像区域中的像素不匹配，那么中心点像素将被置为另一个指定的值，剔除细小血管，得到血管第三分割结果。通过中心线提取算法对血管第三分割结果进行血管中心点提取，得到原始血管造影图像对应的血管中心线。其中，中心线提取算法可以为骨架化算法，也可以为中心线提取模型，本实施例对此不进行限制。
示例性的，对于血管分割模型的训练阶段，对大量的血管造影图像进行血管的二值标注，基于标注结果，训练用于血管分割的血管分割模型，例如U-net、V-net和ViT，得到训练好的血管分割模型，通过训练好的血管分割模型预测新的血管造影图像，得到血管第一分割结果，其中，背景标记为0，血管标记为1。将表征血管的连通域像素面积与预设连通域阈值进行比对，如果连通域像素面积小于预设连通域阈值，则将该连通域的标记从1变为0，从而剔除小连通域，实现对血管第一分割结果的平滑降噪处理，得到血管第二分割结果。根据需求设置预设结构元素的结构大小和结构形状，比如大小可以设置3个像素，形状可以设置为方形、圆形或十字形，基于相同的结构元素对血管第二分割结果进行一次或多次先腐蚀后膨胀的形态学处理，基于腐蚀操作可以将半径小于预设的结构元素的大小的血管给置为背景，即将图像中的细血管删除，再基于膨胀操作恢复其他未被删除的血管原来的尺寸，得到血管第三分割结果。对血管第三分割结果进行骨架化处理提取血管中心点，得到原始血管造影图像对应的血管中心线，血管中心线上的像素点灰度值1，其他像素点灰度值为0。
本实施例的技术方案，通过连通域后处理以及形态学开操作对血管第一分割结果进行简化处理，得到简化后的血管第三分割结果，提取血管第三分割结果的血管中心线，可以去掉不需要进行命名的血管，减少了细小血管对于血管命名的影响，有助于提高血管命名结果的准确性和快速性。
由于基于血管分割模型得到的分割结果可能有不完整或者不连续的分割现象，导致存在血管命名不完整或错误的问题，可选的，在基于血管第三分割结果提取血管中心线之后，还包括：确定血管中心线的连通域数量，基于连通域数量和预设连通域数量确定血管中心线是否存在中断；在血管中心线存在中断的情况下，对血管中心线进行中断连接处理，以更新血管中心线。
在本实施例中，预设连通域数量为血管中心线进行中断处理时，血管中心线的连通域数量大于的数量。通过对每两个连通域进行拼接，得到连通域数量小于等于预设连通域数量的血管中心线。
具体的，如果血管中心线的连通域数量小于等于预设连通域数量，可认为血管中心线不存在中断；如果血管中心线的连通域数量大于预设连通域数量，可认为血管中心线存在中断，对血管中心线进行中断连接，直到血管中心线的连通域数量小于等于预设连通域数量。
示例性的，假设预设连通域数量为1，血管中心线的连通域数量为2，则基于两个连通域最近的两个端点确定待连接点，基于血管造影图像确定“生长地图”，基于待连接点确定起点和终点，基于最小路径算法对血管中心线进行中断连接处理。
本实施例的技术方案，通过对血管中心线进行中断连接处理，一定程度上解决了血管命名不完整或错误的问题，提升了血管命名的准确率。
需要说明的是，血管具有树状拓扑结构，可以用图来表征血管。在数学中，图是描述于一组对象的结构，其中某些对象对在某种意义上是“相关的”。这些对象对应于称为节点的数学抽象(也称为顶点或点)，并且每个相关的节点对都称为边(也称为链接或线)。即图由节点和边两种结构组成。图结构特征中包括目标像素图中每个节点的节点特征和目标像素图中每条边的边特征。
S120、识别血管中心线中的节点，确定第一节点特征，其中，节点包括端点和分叉点。
在本实施例中，节点是血管中心线上的点，包括端点和分叉点，其中，分叉点是血管中心线分叉位置处的点，端点是血管中心线始末位置处的点。特征点是血管中心线上的点，对血管中心线上的每一特征点进行分叉点判定，确定血管中心线上的分叉点和端点。遍历血管中心线上的每一特征点，并计算该特征点对应的邻域范围内非背景的像素点数量，通过预设值对特征点对应邻域范围内非背景的像素点数量进行判定，其中，预设值是判定特征点属于分叉点的邻域范围内非背景的像素点数量的阈值。如果非背景的像素点数量大于预设值，则认为该点是血管中心线分叉位置处的点，将该点确定为血管中心线上的分叉点；如果非背景的像素点数量为1，则认为该点是血管中心线开始或结束位置处的点，将该点确定为血管中心线上的端点。将分叉点和端点作为节点，对分叉点和端点的信息进行提取，得到第一节点特征。
示例性的，假设预设值为2，邻域范围为8个像素点，基于深度优先遍历算法对血管中心线上的点进行遍历，并计算8邻域内不为背景的像素数量。存在3个点的8邻域内不为背景的像素数量大于2，可认为这3个点位于血管中心线分叉位置，将这3个点确定为分叉点；存在3个点的8邻域内不为背景的像素数量为1，可认为这3个点位于血管中心线开始或结束位置，将这三个点确定为端点，基于3个端点和3个分叉点确定6个节点，并得到每一节点的序号，其中，节点的序号可以是沿血流方向进行设置。将每一节点的坐标信息和连接信息进行存储，得到第一节点特征。
S130、基于节点对血管中心线进行抽象处理，得到节点间连接边的边特征。
在本实施例中，通过将节点间复杂的血管抽象成线段对血管中心线进行抽象处理，将节点间的复杂的血管段替换为简单的节点间连接边，其中，节点间连接边表征两个节点间存在邻接关系。
S140、基于第一节点特征和边特征确定节点特征拼接矩阵和邻接矩阵。
在本实施例中，节点特征拼接矩阵是以拼接了边特征的节点特征为元素的矩阵，通过组合拼接了边特征的节点特征对节点特征拼接矩阵进行构建。邻接矩阵是表征节点间连接边的邻接关系的矩阵，通过记录节点之间的邻接关系对邻接矩阵进行更新。
具体的，基于节点数量建立元素为零的节点特征拼接矩阵和邻接矩阵，从任一端点开始对全部节点和边进行遍历，每当遍历到一条边时，将相应的邻接矩阵元素设为1，表示两个节点之间存在连接，并将边特征融入相应的第一节点特征，将相应的节点特征拼接矩阵元素设为融合边特征后的第一节点特征，遍历结束后得到节点特征拼接矩阵和邻接矩阵。
示例性的，假设存在3个节点，分别为节点1、节点2和节点3，其中，节点1和节点2之间存在血管连接，节点1和节点3之间存在血管连接，建立元素为零的1×3节点特征拼接矩阵和3×3邻接矩阵。从节点1开始进行遍历3个节点，遍历结束后得到邻接矩阵，表征节点1和节点2，以及节点1和节点3的邻接关系。节点特征拼接矩阵的第一行元素为融合节点1-节点2以及节点1-节点3的节点间连接边的边特征后的节点1的第一节点特征，第二行元素为节点2的第一节点特征，第三行元素为节点3的第一节点特征。
为了更充分的学习血管的拓扑结构，可以将节点特征与边特征进行融合，可选的，基于多个节点的第一节点特征确定第一节点特征矩阵；基于多个连接边的边特征生成边特征矩阵；基于节点与连接边之间的邻接关系生成邻接矩阵；对第一节点特征矩阵中的第一节点特征和边特征矩阵中的边特征进行拼接，得到第二节点特征，基于多个节点的第二节点特征确定节点特征拼接矩阵。
在本实施例中，第一节点特征矩阵是以节点特征为元素的矩阵，基于节点数量建立元素为零的第一节点特征矩阵、节点特征拼接矩阵和邻接矩阵，边特征矩阵是以边特征为元素的矩阵，基于边数量建立元素为零的边特征矩阵，从任一端点开始对全部节点和边进行遍历，每当遍历到一条边时，得到两个节点间的邻接关系，将相应的邻接矩阵元素设为1，并将相应的边特征矩阵元素设为该边的边特征；每当遍历到一个节点时，将相应的第一节点特征矩阵元素设为该节点的第一节点特征，基于邻接矩阵确定第一节点特征矩阵中每一节点对应的连接边，得到每一节点对应的边特征矩阵中的边特征，将每一节点的第一节点特征与对应的边特征进行拼接，得到每一节点的第二节点特征，将相应的节点特征拼接矩阵元素设为该节点的第二节点特征。遍历结束后得到第一节点特征矩阵、节点特征拼接矩阵、边特征矩阵和邻接矩阵。
示例性的，假设存在3个节点，分别为节点1、节点2和节点3，其中，节点1和节点2之间存在血管连接，节点1和节点3之间存在血管连接，建立元素为零的1×3第一节点特征矩阵、1×3节点特征拼接矩阵、1×2边特征矩阵和3×3邻接矩阵。从节点1-节点2的节点间连接边开始进行遍历节点1-节点2的节点间连接边以及节点1-节点3的节点间连接边，将对应的边特征依次存入边特征矩阵，将邻接矩阵中表示节点1-节点2以及节点1-节点3具有邻接关系的元素设为1；从节点1开始进行遍历3个节点，将对应的第一节点特征依次存入第一节点特征矩阵，基于邻接矩阵确定节点1对应节点1-节点2以及节点1-节点3的节点间连接边，将节点1的第一节点特征与节点1-节点2以及节点1-节点3的节点间连接边的边特征依次拼接，得到节点1的第二节点特征，节点2和节点3没有对应的节点间连接边，分别对节点2和节点3的第一节点特征进行零填充，得到与节点1的第二节点特征维度相同的节点2和节点3的第二节点特征，将对应的第二节点特征依次存入节点特征拼接矩阵。遍历结束后得到第一节点特征矩阵、节点特征拼接矩阵、边特征矩阵和邻接矩阵。
S150、将节点特征拼接矩阵和邻接矩阵输入节点分类网络模型，得到节点类别标签。
在本实施例中，节点分类网络模型是对节点进行自动分类的神经网络模型，可选的，节点分类网络模型为图卷积神经网络模型，其中，图卷积神经网络是一种用于图数据的深度学习模型，通过在图结构上进行卷积操作来捕捉节点之间的关系，并基于节点之间的关系进行节点的分类。示例性的，图卷积神经网络可以为Graph Convolutional Network(GCN)，GraphSAGE(Graph Sample and Aggregation)，GAT(Graph Attention Network)和Graph Isomorphism Network(GIN)等，本实施例对此不进行限制。通过基于图卷积神经网络模型对节点进行分类，能够基于节点特征拼接矩阵和邻接矩阵充分发掘图结构特征，确保节点分类的准确性。
具体的，将血管造影图像的节点特征拼接矩阵和邻接矩阵输入训练好的节点分类网络模型，进行前向传播，得到每一节点的分类预测结果，基于最高概率的类别确定该节点的节点类别标签，其中，节点类别标签包括分支节点标签和主支节点标签，用于表征节点类别。
示例性的，假设节点分类网络模型为GCN，在节点分类网络模型训练阶段，对大量的血管造影图像进行节点类别标注，得到节点分类真实标签，其中，分支节点标签为1，主支节点标签为2。基于标注结果，训练用于节点分类的节点分类网络模型，以节点特征拼接矩阵和邻接矩阵为输入，在节点分类网络模型中进行前向传播，得到节点分类预测标签为输出，使用损失函数来衡量节点分类预测标签与节点分类真实标签的差异，其中，损失函数可以为交叉熵损失函数，基于反向传播算法计算梯度，并通过优化器更新节点分类网络模型的网络参数，得到训练好的节点分类网络模型。将新的血管造影图像的节点特征拼接矩阵和邻接矩阵输入训练好的节点分类网络模型，得到预测的每一节点的节点类别标签。
S160、根据节点类别标签和邻接矩阵对血管进行命名。
具体的，基于邻接矩阵确定节点间的邻接关系，如果两个节点间具有邻接关系，获取这两个节点的节点类别标签，基于对应的节点类别标签对这两个节点间的血管端进行命名。可选的，基于邻接矩阵确定邻接节点对；在邻接节点对中的两个节点的节点类别标签相同的情况下，确定与邻接节点对对应的血管段；基于邻接节点对的节点类别标签，对血管段进行命名。
具体的，基于邻接矩阵确定每条边对应的两个节点，得到邻接节点对，对邻接节点对的节点类别标签进行判断，如果邻接节点对的节点类别标签相同，则将邻接节点对间的血管段用对应的节点类别标签命名，如果邻接节点对的节点类别标签不相同，则将邻接节点对间的血管段用邻接节点对中的第二个节点对应的节点类别标签命名。
示例性的，假设存在4个节点，分别为节点1、节点2、节点3和节点4，其中，节点1、节点2和节点3的节点类别标签为2，节点4的节点类别标签为1，邻接矩阵表征节点1与节点2、节点2与节点3，以及节点2与节点4具有邻接关系，以血管中心线为“生长地图”，采用最小路径算法，获得从节点1到节点2和节点2到节点3的血管段，并将从节点1到节点2和节点2到节点3的血管段用节点类别标签2表示的主支血管命名，以血管中心线为“生长地图”，采用最小路径算法，获得从节点2到节点4的血管段，并将从节点2到节点4的血管段命名为分支血管。
可选的，基于每一节点的坐标，在简化血管中心线、血管中心线或血管图像中确定出每一节点对应的像素点，将每一节点对应的像素点以该节点的节点类别标签对应的预设颜色进行显示。将两个节点间的边、血管中心线或血管段以与血管段命名相同的节点类别标签对应的预设颜色进行显示。
需要说明的是，预设颜色指的是节点所属的分类对应的显示颜色。例如，节点所属的分类结果为第一类时，预设颜色可以为红色，当节点所属的分类结果为第二类时，预设颜色可以为绿色，对此本申请不作具体限定。
示例性的，图2是本发明实施例所适用的血管命名过程的示意图，如图2所示，图2中的(a)为血管造影图像，对图2中的(a)进行二值分割得到的图2中的(b)为血管图像，对图2中的(b)进行骨架化处理得到的图2中的(c)为血管中心线图像，对图2中的(c)进行抽象处理得到的图2中的(d)为简化中心线图像，对图2中的(d)进行节点分类处理得到的图2中的(e)为分类后的简化中心线图像，其中，主支节点和分支节点用不同颜色显示，两个节点间的边用该节点对应的颜色显示，以图2中的(e)中每条边两端的节点类别标签相同的节点为起点和终点，以图2中的(c)为“生长地图”，采用最小路径算法，获得的图2中的(f)为血管命名图像，其中，主支血管和分支血管分别用与主支节点和分支节点对应的颜色显示。
本实施例的技术方案，通过获取血管造影图像，确定血管造影图像对应的血管中心线；识别血管中心线中的节点，确定第一节点特征；基于节点对血管中心线进行抽象处理，得到节点间连接边的边特征；基于第一节点特征和边特征确定节点特征拼接矩阵和邻接矩阵；将节点特征拼接矩阵和邻接矩阵输入节点分类网络模型，得到节点类别标签；根据节点类别标签和邻接矩阵对血管进行命名，简化了复杂且迂曲的血管，将血管抽象成节点和边来构建图结构对节点分类，解决了血管分割错乱的情况下血管命名准确率低的问题，根据血管的拓扑结构推断血管命名，提升血管命名的准确率。
实施例二
图3是本发明实施例二提供的一种血管命名方法的流程图，本实施例对上述实施例中提取的第二血管中心线进行优化处理。如图3所示，该方法包括：
S210、获取血管造影图像，确定血管造影图像对应的血管中心线。
S220、确定血管中心线上的节点，节点包含至少一个端点和分叉点；其中，端点包括血管中心线中的起始点。
在本实施例中，将血管中心线上的分叉点和端点确定为节点，在多个端点中存在一个起始点，存在一个或多个节点与起始点相连接，可以将起始点的节点序号确定为1，沿血流方向对后续节点的序号进行设置，除了起始点之外的一个或多个端点为终止点。
S230、以起始点为起点对多个节点进行遍历，得到每一节点的第一节点特征；其中，第一节点特征包括节点的坐标信息和后续节点数量信息。
在本实施例中，节点的坐标信息为每一节点在血管造影图像中的坐标信息，可以为二维坐标信息，也可以为三维坐标信息，根据血管造影图像的维度确定节点的坐标信息的维度。后续节点数量信息为在遍历过程中与当前节点相邻的未遍历节点数量的信息。基于每一节点的坐标信息和后续节点数量信息确定每一节点的第一节点特征。示例性的，血管造影图像为二维图像，节点vj表示第j个遍历到的节点，则节点vj的第一节点特征为[xj,yj,dj]，其中，xj为节点vj的x坐标，yj为节点vj的y坐标，dj为节点vj的后续节点数量信息，表征节点dj之后有dj个节点与节点vj连接。
S240、确定节点间的邻接关系，基于节点间的邻接关系建立相邻节点间的连接边。
具体的，基于节点遍历顺序以及节点的后续节点数量信息对每两个节点进行邻接关系判定，在两个节点存在邻接关系的情况下，将这两个节点确定为相邻节点，将相邻节点用线段连接，得到节点间连接边。可选的，建立后续节点数量信息大于零的当前节点与未连接节点的邻接关系，确定当前节点的邻接节点；基于当前节点的坐标信息和邻接节点的坐标信息进行点插值，得到从当前节点到邻接节点的连接边。
在本实施例中，后续节点数量信息为零的节点为终止点，后续节点数量信息大于零的节点为起始点或分叉点。对于后续节点数量信息大于零的当前节点，将遍历得到的下一个未连接节点确定与当前节点的存在邻接关系，并将该未连接节点确定为当前节点的邻接节点。示例性的，基于深度优先遍历算法对节点进行遍历，如果当前节点的后续节点数量信息大于零，则判定遍历得到的下一个未连接节点与当前节点存在邻接关系，将该未连接节点确定为当前节点的邻接节点；如果当前节点的后续节点数量信息为零，则返回最近的后续节点数量信息大于已遍历邻接节点数量的节点，继续进行邻接关系判定。
将当前节点作为起点，将每一邻接节点作为终点，基于起点的坐标信息和终点的坐标信息确定插值方程，其中，插值方程可以为一次方程用于进行两点的线性插值，也可以为二次方程用于进行两点的曲线插值，本实施例对此不进行限制。基于插值方程在起点和终点之间进行插值操作，得到连接起点和终点的线段，确定该线段为从当前节点到邻接节点的连接边。示例性的，当前节点的坐标信息为(x0,y0)，当前节点的一个邻接节点的坐标信息为(x1,y1)，基于(x0,y0)和(x1,y1)可以确定二次插值方程，得到连接(x0,y0)和(x1,y1)的曲线段，也可以确定一次插值方程，得到连接(x0,y0)和(x1,y1)的直线段，将从(x0,y0)到(x1,y1)的线段确定为当前节点和对应的邻接节点的连接边。
S250、基于每一连接边确定对应的边特征；其中，边特征包括边的长度和倾斜程度数据。
在本实施例中，每一连接边的边特征包括连接边的长度和从当前节点到对应的邻接节点的倾斜程度数据，其中，边的长度可以为实际长度也可以为像素长度，倾斜程度数据可以为斜率或连接边中全部点的最大曲率。
具体的，如果连接边为直线段，则基于该连接边计算长度和斜率，并将长度和斜率作为该连接边的边特征；如果连接边为区线段，则基于该连接边计算长度和连接边中全部点的最大曲率，并将长度和最大曲率作为该连接边的边特征。
示例性的，假设连接边为从当前节点到邻接节点的曲线段，对应的二次方程为y＝ax2+bx+c，基于公式k＝|y″|/(1+y′2)3/2计算连接边中任一点的曲率，将最大曲率ki确定为该连接边的倾斜程度数据，将像素长度和倾斜程度数据确定为该连接边的边特征[li,ki]。
S260、基于第一节点特征和边特征确定节点特征拼接矩阵和邻接矩阵。
需要注意，为了在卷积操作中平衡不同节点的后续节点数量信息的影响，以更好地传播信息，需要对邻接矩阵进行对称归一化：C′＝D-12CD-12，其中C为待归一化的邻接矩阵，C′为对称归一化的邻接矩阵，D为度矩阵。需要说明的是，度矩阵是一个对角矩阵，每个对角元素是连接到该节点的边的数量。
S270、将节点特征拼接矩阵和邻接矩阵输入节点分类网络模型，得到节点类别标签。
S280、根据节点类别标签和邻接矩阵对血管进行命名。
本实施例的技术方案，通过获取血管造影图像，确定血管造影图像对应的血管中心线；确定血管中心线上的节点，节点包含至少一个端点和分叉点；以起始点为起点对多个节点进行遍历，得到每一节点的第一节点特征；确定节点间的邻接关系，基于节点间的邻接关系建立相邻节点间的连接边；基于每一连接边确定对应的边特征；其中，边特征包括边的长度和倾斜程度数据；基于第一节点特征和边特征确定节点特征拼接矩阵和邻接矩阵；将节点特征拼接矩阵和邻接矩阵输入节点分类网络模型，得到节点类别标签；根据节点类别标签和邻接矩阵对血管进行命名，引入边的斜率和长度等特征，使节点分类网络模型更有效率地学习。
实施例三
图4是本发明实施例三提供的一种血管命名装置的结构示意图。如图4所示，该装置包括：
血管中心线确定模块310，用于获取血管造影图像，确定血管造影图像对应的血管中心线；
第一节点特征确定模块320，用于识别血管中心线中的节点，确定第一节点特征，其中，节点包括端点和分叉点；
边特征确定模块330，用于基于节点对血管中心线进行抽象处理，得到节点间连接边的边特征；
矩阵确定模块340，用于基于第一节点特征和边特征确定节点特征拼接矩阵和邻接矩阵；
血管命名模块350，用于将节点特征拼接矩阵和邻接矩阵输入节点分类网络模型，得到节点类别标签；根据节点类别标签和邻接矩阵对血管进行命名。
本实施例的技术方案，通过获取血管造影图像，确定血管造影图像对应的血管中心线；识别血管中心线中的节点，确定第一节点特征；基于节点对血管中心线进行抽象处理，得到节点间连接边的边特征；基于第一节点特征和边特征确定节点特征拼接矩阵和邻接矩阵；将节点特征拼接矩阵和邻接矩阵输入节点分类网络模型，得到节点类别标签；根据节点类别标签和邻接矩阵对血管进行命名，简化了复杂且迂曲的血管，将血管抽象成节点和边来构建图结构对节点分类，一定程度上解决了血管命名不完整或错误的问题，提升了血管命名的准确率。
在上述实施例的基础上，可选的，血管中心线确定模块310，具体用于：
对血管造影图像进行分割，得到血管第一分割结果；
确定血管第一分割结果中的连通域，并剔除连通域面积小于预设连通域阈值的连通域，得到血管第二分割结果；
对血管第二分割结果进行至少一次形态学处理，得到血管第三分割结果；其中，形态学处理包括按指定顺序执行的腐蚀处理和膨胀处理；
基于血管第三分割结果提取血管中心线。
在上述实施例的基础上，可选的，血管中心线确定模块310，还用于：
确定血管中心线的连通域数量，基于连通域数量和预设连通域数量确定血管中心线是否存在中断；
在血管中心线存在中断的情况下，对血管中心线进行中断连接处理，以更新血管中心线。
在上述实施例的基础上，可选的，第一节点特征确定模块320，具体用于：
确定血管中心线上的节点，节点包含至少一个端点和分叉点；其中，端点包括血管中心线中的起始点；
以起始点为起点对多个节点进行遍历，得到每一节点的第一节点特征；其中，第一节点特征包括节点的坐标信息和后续节点数量信息。
在上述实施例的基础上，可选的，边特征确定模块330，包括：
连接边建立单元，用于确定节点间的邻接关系，基于节点间的邻接关系建立相邻节点间的连接边；
边特征确定单元，用于基于每一连接边确定对应的边特征；其中，边特征包括边的长度和倾斜程度数据。
在上述实施例的基础上，可选的，连接边建立单元，具体用于：
建立后续节点数量信息大于零的当前节点与未连接节点的邻接关系，确定当前节点的邻接节点；
基于当前节点的坐标信息和邻接节点的坐标信息进行点插值，得到从当前节点到邻接节点的连接边。
在上述实施例的基础上，可选的，矩阵确定模块340，具体用于：
基于多个节点的第一节点特征确定第一节点特征矩阵；
基于多个连接边的边特征生成边特征矩阵；
基于节点与连接边之间的邻接关系生成邻接矩阵；
对第一节点特征矩阵中的第一节点特征和边特征矩阵中的边特征进行拼接，得到第二节点特征，基于多个节点的第二节点特征确定节点特征拼接矩阵。
在上述实施例的基础上，可选的，节点分类网络模型为图卷积神经网络模型。
在上述实施例的基础上，可选的，血管命名模块350，具体包括：
基于邻接矩阵确定邻接节点对；
在邻接节点对中的两个节点的节点类别标签相同的情况下，确定与邻接节点对对应的血管段；
基于邻接节点对的节点类别标签，对血管段进行命名。
本发明实施例所提供的血管命名装置可执行本发明任意实施例所提供的血管命名方法，具备执行方法相应的功能模块和有益效果。
实施例四
图5是实现本发明实施例的血管命名方法的电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其他类似的计算装置。本文所示的部件、它们的连接和关系，以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)，以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如血管命名方法。
在一些实施例中，血管命名方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的血管命名方法的一个或多个步骤。备选的，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行血管命名方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置和该至少一个输出装置。
用于实施本发明的血管命名方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行一种血管命名方法，该方法包括：
获取血管造影图像，确定血管造影图像对应的血管中心线；识别血管中心线中的节点，确定第一节点特征，其中，节点包括端点和分叉点；基于节点对血管中心线进行抽象处理，得到节点间连接边的边特征；基于第一节点特征和边特征确定节点特征拼接矩阵和邻接矩阵；将节点特征拼接矩阵和邻接矩阵输入节点分类网络模型，得到节点类别标签；根据节点类别标签和邻接矩阵对血管进行命名。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的，或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备，或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其他种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈，或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者，触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)，或者包括中间件部件的计算系统(例如，应用服务器)，或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)，或者包括这种后台部件、中间件部件，或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (11)
1.一种血管命名方法，其特征在于，包括：
获取血管造影图像，确定所述血管造影图像对应的血管中心线；
识别所述血管中心线中的节点，确定第一节点特征，其中，所述节点包括端点和分叉点；
基于所述节点对所述血管中心线进行抽象处理，得到节点间连接边的边特征；
基于所述第一节点特征和所述边特征确定节点特征拼接矩阵和邻接矩阵；
将所述节点特征拼接矩阵和所述邻接矩阵输入节点分类网络模型，得到节点类别标签；根据所述节点类别标签和所述邻接矩阵对血管进行命名。
2.根据权利要求1所述的方法，其特征在于，所述获取血管造影图像，确定所述血管造影图像对应的血管中心线，包括：
对所述血管造影图像进行分割，得到血管第一分割结果；
确定所述血管第一分割结果中的连通域，并剔除连通域面积小于预设连通域阈值的连通域，得到血管第二分割结果；
对所述血管第二分割结果进行至少一次形态学处理，得到血管第三分割结果；其中，所述形态学处理包括按指定顺序执行的腐蚀处理和膨胀处理；
基于所述血管第三分割结果提取血管中心线。
3.根据权利要求2所述的方法，其特征在于，在基于所述血管第三分割结果提取血管中心线之后，所述方法还包括：
确定所述血管中心线的连通域数量，基于所述连通域数量和预设连通域数量确定所述血管中心线是否存在中断；
在所述血管中心线存在中断的情况下，对所述血管中心线进行中断连接处理，以更新所述血管中心线。
4.根据权利要求1所述的方法，其特征在于，所述识别所述血管中心线中的节点，确定第一节点特征，包括：
确定所述血管中心线上的节点，所述节点包含至少一个所述端点和所述分叉点；其中，所述端点包括所述血管中心线中的起始点；
以所述起始点为起点对多个所述节点进行遍历，得到每一节点的第一节点特征；其中，所述第一节点特征包括所述节点的坐标信息和后续节点数量信息。
5.根据权利要求4所述的方法，其特征在于，所述基于所述节点对所述血管中心线进行抽象处理，得到节点间连接边的边特征，包括：
确定所述节点间的邻接关系，基于所述节点间的邻接关系建立相邻节点间的连接边；
基于每一所述连接边确定对应的边特征；其中，所述边特征包括所述边的长度和倾斜程度数据。
6.根据权利要求5所述的方法，其特征在于，所述基于所述节点间的邻接关系建立相邻所述节点间的所述连接边，包括：
建立所述后续节点数量信息大于零的当前节点与未连接节点的邻接关系，确定所述当前节点的邻接节点；
基于所述当前节点的坐标信息和所述邻接节点的坐标信息进行点插值，得到从所述当前节点到所述邻接节点的所述连接边。
7.根据权利要求1所述的方法，其特征在于，所述基于所述第一节点特征和所述边特征确定节点特征拼接矩阵和邻接矩阵，包括：
基于多个所述节点的所述第一节点特征确定第一节点特征矩阵；
基于多个所述连接边的所述边特征生成边特征矩阵；
基于所述节点与所述连接边之间的邻接关系生成邻接矩阵；
对所述第一节点特征矩阵中的所述第一节点特征和所述边特征矩阵中的所述边特征进行拼接，得到第二节点特征，基于多个所述节点的第二节点特征确定所述节点特征拼接矩阵。
8.根据权利要求1所述的方法，其特征在于，所述节点分类网络模型为图卷积神经网络模型；
所述根据所述节点类别标签和所述邻接矩阵对血管进行命名，包括：
基于所述邻接矩阵确定邻接节点对；
在所述邻接节点对中的两个所述节点的所述节点类别标签相同的情况下，确定与所述邻接节点对对应的血管段；
基于所述邻接节点对的所述节点类别标签，对所述血管段进行命名。
9.一种血管命名装置，其特征在于，包括：
血管中心线确定模块，用于获取血管造影图像，确定所述血管造影图像对应的血管中心线；
第一节点特征确定模块，用于识别所述血管中心线中的节点，确定第一节点特征，其中，所述节点包括端点和分叉点；
边特征确定模块，用于基于所述节点对所述血管中心线进行抽象处理，得到节点间连接边的边特征；
矩阵确定模块，用于基于所述第一节点特征和所述边特征确定节点特征拼接矩阵和邻接矩阵；
血管命名模块，用于将所述节点特征拼接矩阵和所述邻接矩阵输入节点分类网络模型，得到节点类别标签；根据所述节点类别标签和所述邻接矩阵对血管进行命名。
10.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的血管命名方法。
11.一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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-8中任一项所述的血管命名方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311424207.7A CN117764911A (zh) | 2023-10-30 | 2023-10-30 | 一种血管命名方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311424207.7A CN117764911A (zh) | 2023-10-30 | 2023-10-30 | 一种血管命名方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117764911A true CN117764911A (zh) | 2024-03-26 |
Family
ID=90318952
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311424207.7A Pending CN117764911A (zh) | 2023-10-30 | 2023-10-30 | 一种血管命名方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117764911A (zh) |
-
2023
- 2023-10-30 CN CN202311424207.7A patent/CN117764911A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110060263B (zh) | 医学图像的分割方法、分割装置、分割系统及计算机可读介质 | |
| US9968257B1 (en) | Volumetric quantification of cardiovascular structures from medical imaging | |
| Miranda et al. | Riverbed: A novel user-steered image segmentation method based on optimum boundary tracking | |
| US10360672B2 (en) | Automated separation of binary overlapping trees | |
| CN113160189A (zh) | 血管中心线提取方法、装置、设备及存储介质 | |
| CN116309571B (zh) | 一种基于半监督学习的三维脑血管分割方法和装置 | |
| CN112991346A (zh) | 用于医学图像分析的学习网络的训练方法和训练系统 | |
| CN116485817A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
| CN117373070B (zh) | 血管分段标注的方法及装置、电子设备和存储介质 | |
| García-Aguilar et al. | Optimized instance segmentation by super-resolution and maximal clique generation | |
| Yao et al. | Tag-net: topology-aware graph network for centerline-based vessel labeling | |
| CN115147359B (zh) | 肺叶分割网络模型训练方法、装置、电子设备及存储介质 | |
| CN116778486A (zh) | 一种血管造影图像的点云分割方法、装置、设备及介质 | |
| CN111915620A (zh) | 一种ct肋骨分割方法及装置 | |
| CN115482261A (zh) | 血管配准方法、装置、电子设备及存储介质 | |
| CN111209946A (zh) | 三维图像处理方法、图像处理模型训练方法及介质 | |
| CN117764911A (zh) | 一种血管命名方法、装置、设备及介质 | |
| CN115861189A (zh) | 图像配准方法、装置、电子设备及存储介质 | |
| CN114937149A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| Chen et al. | Centerline constrained minimal path propagation for vessel extraction | |
| Ventura et al. | Iterative deep learning for network topology extraction | |
| Rouchdy et al. | Geodesic voting methods: overview, extensions and application to blood vessel segmentation | |
| CN115690143B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
| CN115588012B (zh) | 一种盆骨动脉血管分割方法、系统、存储介质及终端 | |
| CN113168912B (zh) | 使用深度学习确定3d数据集中对象的增长速度 |
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 |