CN118154616A - 血管分段路径提取方法及装置、电子设备和存储介质 - Google Patents
血管分段路径提取方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN118154616A CN118154616A CN202410587386.4A CN202410587386A CN118154616A CN 118154616 A CN118154616 A CN 118154616A CN 202410587386 A CN202410587386 A CN 202410587386A CN 118154616 A CN118154616 A CN 118154616A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- head
- neck
- segmentation
- point
- 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 230
- 230000011218 segmentation Effects 0.000 title claims abstract description 173
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 45
- 238000005070 sampling Methods 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 34
- 239000002356 single layer Substances 0.000 claims description 29
- 230000002792 vascular Effects 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 208000024891 symptom Diseases 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 23
- 238000010968 computed tomography angiography Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000002872 contrast media Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000001627 cerebral artery Anatomy 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 210000004351 coronary vessel Anatomy 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
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 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
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- 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
-
- 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
- G06T2207/30172—Centreline of tubular or elongated structure
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开公开了血管分段路径提取方法及装置、电子设备和存储介质，涉及影像处理技术领域，主要技术方案包括：首先，获取头颈血管区域分割结果，及所述头颈血管区域分割结果的点云数据集；其次，将所述头颈血管区域分割结果及所述点云数据集输入预设关键点检测模型中，得到所述预设关键点检测模型输出的血管分段始末点结果；最后，基于所述头颈血管区域分割结果及所述血管分段始末点结果确定血管分段路径。与相关技术相比，本申请实施例通过在识别出头颈血管区域分割结果的基础上，识别出血管分段所属的血管路径，可帮助使用者识别出血管类型，进而可描述病灶等异常征象所处的具体血管位置。
Description
技术领域
本公开涉及影像处理技术领域，尤其涉及一种血管分段路径提取方法及装置、电子设备和存储介质。
背景技术
血管CTA检查即CT血管造影检查，是指通过静脉注入造影剂后，在循环血液及靶血管中造影剂浓度达到最高峰的时间内，进行CTA扫描，并通过计算机算法最终重建成靶血管数字化的立体影像。临床中CT血管造影技术常用于脑动脉、颈动脉、冠状动脉等各部位的检查。
为了能够清楚地从多角度观察头颈血管情况，需要在完成CTA扫描后通过计算机算法对头颈血管进行重建，这就需要在CT图像上将血管区域进行精准分割。目前，人工智能算法在目标分割任务领域已经具备较深厚的积累，在CTA血管重建方面也有一定应用。然而，现有的血管分割方法一般只对血管整体进行分割，而不能区分不同部位、不同分段的血管，这就使得基于分割结果无法直接获得具体是哪一段血管存在异常或存在病变的信息，这就使得对于自动血管分割的结果，仍然需要由经验丰富的影像科医生进行判读。
发明内容
本公开提供了一种血管分段路径提取方法、装置、电子设备和存储介质。
根据本公开的第一方面，提供了一种血管分段路径提取方法，其中，包括：
获取头颈血管区域分割结果，及所述头颈血管区域分割结果的点云数据集；
将所述头颈血管区域分割结果及所述点云数据集输入预设关键点检测模型中，得到所述预设关键点检测模型输出的血管分段始末点结果；
基于所述头颈血管区域分割结果及所述血管分段始末点结果确定血管分段路径。
可选的，在获取头颈血管区域分割结果，及所述头颈血管区域分割结果的点云数据集之前，所述方法还包括：
将CTA序列分割为至少两个单层二维影像；
根据预设分割模型分别对每个所述单层二维影像进行血管分割，得到每个所述单层二维影像的血管分割结果；
将每个所述单层二维影像的血管分割结果进行合并，得到头颈血管区域分割结果。
可选的，在得到头颈血管区域分割结果之后，所述方法还包括：
对所述头颈血管区域分割结果进行均匀采样，得到预设数量的采样点；
根据各个所述采样点的三维空间坐标构建所述点云数据集。
可选的，在将所述头颈血管区域分割结果及所述点云数据集输入预设关键点检测模型中，得到所述预设关键点检测模型输出的血管分段始末点结果之前，所述方法还包括：
根据预设数据增强方式对训练用数据进行预处理；其中，所述预设数据增强方式包括增加背景点采样、增加错误背景点采样、增加随机偏移、尺度变换、采样率变化及随机裁剪中的至少一种；
将根据预处理后的所述训练用数据构建训练集；
根据所述训练集对所述预设关键点检测模型进行训练。
可选的，所述基于所述头颈血管区域分割结果及所述血管分段始末点结果确定血管分段路径还包括：
通过对所述头颈血管区域分割结果进行迭代计算，获取血管区域的中心线；
对所述血管区域的中心线上的每个点进行邻近点分析，得到每个点的邻近点数量；
根据所述血管分段始末点结果及所述邻近点分析结果确定分段路径始末点；
以血管方向的变化程度进行分叉节点的路径选择，确定每个血管分段的始末点之间的节点，得到血管分段路径。
根据本公开的第二方面，提供了一种血管分段路径提取装置，包括：
获取单元，用于获取头颈血管区域分割结果，及所述头颈血管区域分割结果的点云数据集；
输入单元，用于将所述头颈血管区域分割结果及所述点云数据集输入预设关键点检测模型中，得到所述预设关键点检测模型输出的血管分段始末点结果；
确定单元，用于基于所述头颈血管区域分割结果及所述血管分段始末点结果确定血管分段路径。
可选的，所述装置还包括：
分割单元，用于在获取单元获取头颈血管区域分割结果，及所述头颈血管区域分割结果的点云数据集之前，将CTA序列分割为至少两个单层二维影像；
处理单元，用于根据预设分割模型分别对每个所述单层二维影像进行血管分割，得到每个所述单层二维影像的血管分割结果；
合并单元，用于将每个所述单层二维影像的血管分割结果进行合并，得到头颈血管区域分割结果。
可选的，所述装置还包括：
采样单元，用于在合并单元得到头颈血管区域分割结果之后，对所述头颈血管区域分割结果进行均匀采样，得到预设数量的采样点；
构建单元，用于根据各个所述采样点的三维空间坐标构建所述点云数据集。
可选的，所述装置还包括：
预处理单元，用于在输入单元将所述头颈血管区域分割结果及所述点云数据集输入预设关键点检测模型中，得到所述预设关键点检测模型输出的血管分段始末点结果之前，根据预设数据增强方式对训练用数据进行预处理；其中，所述预设数据增强方式包括增加背景点采样、增加错误背景点采样、增加随机偏移、尺度变换、采样率变化及随机裁剪中的至少一种；
构建单元，用于将根据预处理后的所述训练用数据构建训练集；
训练单元，用于根据所述训练集对所述预设关键点检测模型进行训练。
可选的，所述确定单元还用于：
通过对所述头颈血管区域分割结果进行迭代计算，获取血管区域的中心线；
对所述血管区域的中心线上的每个点进行邻近点分析，得到每个点的邻近点数量；
根据所述血管分段始末点结果及所述邻近点分析结果确定分段路径始末点；
以血管方向的变化程度进行分叉节点的路径选择，确定每个血管分段的始末点之间的节点，得到血管分段路径。
根据本公开的第三方面，提供了一种电子设备，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指令，所述指令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前述第一方面所述的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行前述第一方面所述的方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如前述第一方面所述的方法。
本公开提供的血管分段路径提取方法、装置、电子设备和存储介质，主要技术方案包括：首先，获取头颈血管区域分割结果，及所述头颈血管区域分割结果的点云数据集；其次，将所述头颈血管区域分割结果及所述点云数据集输入预设关键点检测模型中，得到所述预设关键点检测模型输出的血管分段始末点结果；最后，基于所述头颈血管区域分割结果及所述血管分段始末点结果确定血管分段路径。与相关技术相比，本申请实施例通过在识别出头颈血管区域分割结果的基础上，识别出血管分段所属的血管路径，可帮助使用者识别出血管类型，进而可描述病灶等异常征象所处的具体血管位置。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1为本公开实施例所提供的一种血管分段路径提取方法的流程示意图；
图2为本公开实施例所提供的一种血管分段路径提取方法的流程示意图；
图3为本公开实施例所提供的一种血管分段路径提取方法的流程示意图；
图4为本公开实施例所提供的一种血管分段路径提取方法的流程示意图；
图5为本公开实施例提供的一种血管分段路径提取装置的结构示意图；
图6为本公开实施例提供的一种血管分段路径提取装置的结构示意图；
图7为本公开实施例提供的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本公开实施例的血管分段路径提取方法、装置、电子设备和存储介质。
图1为本公开实施例所提供的一种血管分段路径提取方法的流程示意图。
如图1所示，该方法包含以下步骤：
步骤101，获取头颈血管区域分割结果，及所述头颈血管区域分割结果的点云数据集。
在一些实施中，在执行本步骤之前，通过如CT扫描或MRI图像等方式获取头颈部的医学影像数据再使用图像分割算法对头颈血管区域进行分割，如阈值分割、边缘检测、区域生长、基于深度学习的分割等方法，具体的本本申请实施例对此不进行限定。
在获取铜井血管区域分割结构后，将分割得到的头颈血管区域转换为点云数据集。可以通过将图像中的像素点转换为三维坐标，生成对应的点云数据，可使用各种开源的图像处理库和点云处理库，OpenCV、ITK、VTK、PCL等。具体的本申请实施例对此不进行限定。
步骤102，将所述头颈血管区域分割结果及所述点云数据集输入预设关键点检测模型中，得到所述预设关键点检测模型输出的血管分段始末点结果。
在一些实施例中，预设关键点检测模型，可以是基于深度学习的模型，如神经网络，也可以是传统的计算机视觉算法或其他可实现此功能的模型、算法，本申请实施例对此不进行限定。
将头颈血管区域分割结果和点云数据集输入训练好的关键点检测模型中进行推断，以获取血管分段的始末点结果。
步骤103，基于所述头颈血管区域分割结果及所述血管分段始末点结果确定血管分段路径。
在一些实施例中，可基于确定血管分段路径，如最短路径算法（如Dijkstra算法、A*算法）、最小生成树算法（如Prim算法、Kruskal算法）等，本申请实施例对此不进行限定。
将计算出的始末点结果按照血管发展方向连接起来，形成完整的血管路径。在一些实施例中，可将确定好的血管分段路径在三维空间中进行可视化展示，以便医学专家进行直观的观察和分析。
本公开提供的血管分段路径提取方法，主要技术方案包括：首先，获取头颈血管区域分割结果，及所述头颈血管区域分割结果的点云数据集；其次，将所述头颈血管区域分割结果及所述点云数据集输入预设关键点检测模型中，得到所述预设关键点检测模型输出的血管分段始末点结果；最后，基于所述头颈血管区域分割结果及所述血管分段始末点结果确定血管分段路径。与相关技术相比，本申请实施例通过在识别出头颈血管区域分割结果的基础上，识别出血管分段所属的血管路径，可帮助使用者识别出血管类型，进而可描述病灶等异常征象所处的具体血管位置。
在执行101之前，需对CTA序列进行处理，以得到头颈血管区域分割结果请参阅图2，图2为本公开实施例所提供的一种血管分段路径提取方法的流程示意图，包括：
步骤201，将CTA序列分割为至少两个单层二维影像。
在一些实施例中，将CTA序列分割为至少两个单层二维影像。可以选择不同的切片位置和方向，生成多个单层二维影像，以展示不同角度和深度的血管结构；具体的分割方式，请参阅现有技术中的任一实现方式，本申请实施例在此不再进行一一赘述。
步骤202，根据预设分割模型分别对每个所述单层二维影像进行血管分割，得到每个所述单层二维影像的血管分割结果。
在一些实施例中，在执行本步骤时，需选择适合血管分割任务的预设分割模型，如U-Net、DeepLab、Mask R-CNN等深度学习模型。本申请实施例以2D UNet模型为例进行说明，但是该种叙述方式并非为对具体模型的具体限定。
2D UNet模型是医学影像领域常见的目标分割模型。它主要包括一个由多层卷积网络构成的编码器模块和一个由上采样层和卷积层网络构成的解码器模块。模型使用带有头颈血管标注的单层2维CTA影像作为训练数据，使用交叉熵损失和Dice系数损失作为损失函数进行训练。经过迭代训练后的模型可以对单层CTA影像进行血管分割。
步骤203，将每个所述单层二维影像的血管分割结果进行合并，得到头颈血管区域分割结果。
在一些实例中，单层二维影像的合并的具体实现方式请参阅现有技术中的任一实现方式，本申请实施例对此不进行限定。
在一些实施例中，在执行步骤101之前，首先需根据头颈血管区域分割结果生成3维点云数据集，具体步骤为：
对所述头颈血管区域分割结果进行均匀采样，得到预设数量的采样点；
根据各个所述采样点的三维空间坐标构建所述点云数据集。
在一些实施例中，预设数量为一经验值，可根据实际情况进行调整，本申请实施例对此不进行限定。
采样及构建点云数据集的详细实现过程请参阅现有技术中的任一实现方式，本申请实施例对此不进行限定。
请参阅图3，图3为本公开实施例所提供的一种血管分段路径提取方法的流程示意图，包括：
步骤301，根据预设数据增强方式对训练用数据进行预处理；其中，所述预设数据增强方式包括增加背景点采样、增加错误背景点采样、增加随机偏移、尺度变换、采样率变化及随机裁剪中的至少一种。
增加背景点采样，即采样一部分不处于血管分割区域的背景点加入数据集；在训练数据中增加采样背景点（非血管区域），以增加背景区域的多样性，帮助模型更好地学习血管与背景的区分；增加错误背景点采样，即采样一部分处于血管分割区域的点但将其作为背景点加入数据集；在训练数据中增加一些错误的背景点，即将一部分血管区域标记为背景，以模拟真实世界中的数据噪声和误标注情况，提高模型的鲁棒性。增加随机偏移，即对采样点坐标施加随机的三维偏移；对训练数据进行随机平移、旋转或翻转等操作，增加数据的多样性，帮助模型学习不同角度和位置的血管结构。尺度变换，即对采样点坐标进行三维尺度上的随机尺度变换；对训练数据进行尺度变换，包括缩放或拉伸，以模拟不同尺度下的血管结构，帮助模型适应不同大小的血管区域。采样率变化，即改变采样间隔，少采样或多采样；改变训练数据的采样率，即调整像素间距，以模拟不同分辨率下的影像，帮助模型适应不同分辨率的医学影像数据。随机裁剪，即将部分血管分段或将血管分段中的一部分采样点随机删除；对训练数据进行随机裁剪操作，裁剪出不同大小和位置的图像块，以增加数据的多样性和复杂性。
步骤302，将根据预处理后的所述训练用数据构建训练集。
对预处理后的训练用数据进行标注，即为每个图像标记头颈血管区域的位置和形状。可以使用标注工具如LabelImg、LabelMe等进行手动标注，也可以考虑使用半自动或全自动的标注方法；本申请实施例对此不进行限定。
将标注后的数据集划分为训练集、验证集和测试集。通常建议按照一定比例（如70%、15%、15%）划分数据集，其中训练集用于模型训练，验证集用于调整超参数和监控模型性能，测试集用于评估模型的泛化能力。
步骤303，根据所述训练集对所述预设关键点检测模型进行训练。
根据所述训练集对预设关键点检测模型进行训练是一个关键的步骤，可以通过以下步骤实现：
选择适合关键点检测任务的模型架构，如Hourglass网络、U-Net等，本申请实施例以关键点检测算法为例进行说明，但是需要说明的是，该种叙述方式仅为一示例性说明，并非为对具体模型的限定。
根据训练集对模型进行训练，并通过定义损失函数或优化器的方式对模型进行训练及超参数调优。具体的训练过程请参阅现有技术中的任一实现方式，本申请实施例在此不再进行一一赘述。
请参阅图4，图4为本公开实施例所提供的一种血管分段路径提取方法的流程示意图，包括：
步骤401，通过对所述头颈血管区域分割结果进行迭代计算，获取血管区域的中心线。
在一些实施例中，可将血管区域的像素点转换为中心线像素点，可以使用算法如细化算法（Thinning Algorithm）或骨架提取算法（Skeletonization Algorithm）等实现，本申请实施例对具体算法不进行限定。
通过迭代计算，从骨架化后的血管区域中提取出血管的中心线，并对提取得到的中心线进行优化和平滑处理，可以使用曲线拟合算法或滤波算法，使得中心线更加平滑和符合实际血管形态。
步骤402，对所述血管区域的中心线上的每个点进行邻近点分析，得到每个点的邻近点数量。
如果邻近点为1则该点为终端点，如果邻近点为2则该点为某根血管上的中间点，超过2则该点为多根血管相交的分叉点
步骤403，根据所述血管分段始末点结果及所述邻近点分析结果确定分段路径始末点。
将血管分段始末点对应至血管中心线上。通过只有终端点或分叉点可能为血管分段始末点的判定进一步提升分段始末点的位置精度。
结合血管分段的始末点和邻近点分析结果，根据预设的规则或算法，确定每个血管分段的路径的始末点。并通过对确定的分段路径的始末点进行优化和调整，确保路径的连续性和合理性，如路径平滑算法或路径优化算法等。
步骤404，以血管方向的变化程度进行分叉节点的路径选择，确定每个血管分段的始末点之间的节点，得到血管分段路径。
在一些实施例中，对于每个血管分段的节点，计算其邻近节点的方向与该节点的方向之间的变化程度。可以使用向量夹角或其他指标来表示方向的变化程度，并根据血管方向的变化程度，识别具有明显方向变化的节点作为分叉节点。通常，大的方向变化可能表示血管的分叉或合并。在每个血管分段的始末点之间，选择合适的节点作为路径节点。可以根据分叉节点的位置和方向变化程度来选择路径节点，确保路径节点能够反映血管的走向和分叉情况；最后将确定的路径节点连接起来，形成每个血管分段的路径。
对生成的血管分段路径进行优化和调整，确保路径的连续性和合理性。可以考虑去除不必要的节点或调整路径的走向，以获得更准确的血管路径。
与上述的血管分段路径提取方法相对应，本发明还提出一种血管分段路径提取装置。由于本发明的装置实施例与上述的方法实施例相对应，对于装置实施例中未披露的细节可参照上述的方法实施例，本发明中不再进行赘述。
图5为本公开实施例提供的一种血管分段路径提取装置的结构示意图，如图5所示，包括：
获取单元51，用于获取头颈血管区域分割结果，及所述头颈血管区域分割结果的点云数据集；
输入单元52，用于将所述头颈血管区域分割结果及所述点云数据集输入预设关键点检测模型中，得到所述预设关键点检测模型输出的血管分段始末点结果；
确定单元53，用于基于所述头颈血管区域分割结果及所述血管分段始末点结果确定血管分段路径。
本公开提供的血管分段路径提取装置，主要技术方案包括：首先，获取头颈血管区域分割结果，及所述头颈血管区域分割结果的点云数据集；其次，将所述头颈血管区域分割结果及所述点云数据集输入预设关键点检测模型中，得到所述预设关键点检测模型输出的血管分段始末点结果；最后，基于所述头颈血管区域分割结果及所述血管分段始末点结果确定血管分段路径。与相关技术相比，本申请实施例通过在识别出头颈血管区域分割结果的基础上，识别出血管分段所属的血管路径，可帮助使用者识别出血管类型，进而可描述病灶等异常征象所处的具体血管位置。
进一步地，在本公开实施例一种可能的实现方式中，如图6所示，所述装置还包括：
分割单元54，用于在获取单元51获取头颈血管区域分割结果，及所述头颈血管区域分割结果的点云数据集之前，将CTA序列分割为至少两个单层二维影像；
处理单元55，用于根据预设分割模型分别对每个所述单层二维影像进行血管分割，得到每个所述单层二维影像的血管分割结果；
合并单元56，用于将每个所述单层二维影像的血管分割结果进行合并，得到头颈血管区域分割结果。
进一步地，在本公开实施例一种可能的实现方式中，如图6所示，所述装置还包括：
采样单元57，用于在合并单元56得到头颈血管区域分割结果之后，对所述头颈血管区域分割结果进行均匀采样，得到预设数量的采样点；
构建单元58，用于根据各个所述采样点的三维空间坐标构建所述点云数据集。
进一步地，在本公开实施例一种可能的实现方式中，如图6所示，所述装置还包括：
预处理单元59，用于在输入单元52将所述头颈血管区域分割结果及所述点云数据集输入预设关键点检测模型中，得到所述预设关键点检测模型输出的血管分段始末点结果之前，根据预设数据增强方式对训练用数据进行预处理；其中，所述预设数据增强方式包括增加背景点采样、增加错误背景点采样、增加随机偏移、尺度变换、采样率变化及随机裁剪中的至少一种；
构建单元510，用于将根据预处理后的所述训练用数据构建训练集；
训练单元511，用于根据所述训练集对所述预设关键点检测模型进行训练。
进一步地，在本公开实施例一种可能的实现方式中，所述确定单元53还用于：
通过对所述头颈血管区域分割结果进行迭代计算，获取血管区域的中心线；
对所述血管区域的中心线上的每个点进行邻近点分析，得到每个点的邻近点数量；
根据所述血管分段始末点结果及所述邻近点分析结果确定分段路径始末点；
以血管方向的变化程度进行分叉节点的路径选择，确定每个血管分段的始末点之间的节点，得到血管分段路径。
需要说明的是，前述对方法实施例的解释说明，也适用于本公开实施例的装置，原理相同，本公开实施例中不再限定。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备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、可穿戴设备和其它类似的计算装置。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/或者要求的本公开的实现。
如图7所示，设备600包括计算单元601，其可以根据存储在ROM（Read-OnlyMemory，只读存储器）602中的计算机程序或者从存储单元608加载到RAM（Random AccessMemory，随机访问/存取存储器） 603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM603通过总线604彼此相连。I/O（Input/Output，输入/输出） 接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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。
计算单元601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。计算单元601的一些示例包括但不限于CPU（Central Processing Unit，中央处理单元）、GPU（Graphic Processing Units，图形处理单元） 、各种专用的AI（ArtificialIntelligence，人工智能） 计算芯片、各种运行机器学习模型算法的计算单元、DSP（Digital Signal Processor，数字信号处理器） 、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如血管分段路径提取方法。例如，在一些实施例中，血管分段路径提取方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行前述血管分段路径提取方法。
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、FPGA（Field Programmable Gate Array，现场可编程门阵列）、ASIC（Application-Specific Integrated Circuit，专用集成电路）、ASSP（Application Specific StandardProduct，专用标准产品）、SOC（System On Chip，芯片上系统的系统）、CPLD（ComplexProgrammable Logic Device，复杂可编程逻辑设备） 、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。
在本公开的上下文中，机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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、RAM、ROM、EPROM（Electrically Programmable Read-Only-Memory，可擦除可编程只读存储器） 或快闪存储器、光纤、CD-ROM（Compact Disc Read-Only Memory，便捷式紧凑盘只读存储器） 、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，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（Cathode-Ray Tube， 阴极射线管）或者LCD（Liquid Crystal Display， 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计算机。其它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：LAN（LocalArea Network，局域网）、WAN（Wide Area Network，广域网） 、互联网和区块链网络。
计算机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（"Virtual Private Server"，或简称 "VPS"）中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
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，本公开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，只要能够实现本公开公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (10)
1.一种血管分段路径提取方法，其特征在于，包括：
获取头颈血管区域分割结果，及所述头颈血管区域分割结果的点云数据集；
将所述头颈血管区域分割结果及所述点云数据集输入预设关键点检测模型中，得到所述预设关键点检测模型输出的血管分段始末点结果；
基于所述头颈血管区域分割结果及所述血管分段始末点结果确定血管分段路径。
2.根据权利要求1所述的方法，其特征在于，在获取头颈血管区域分割结果，及所述头颈血管区域分割结果的点云数据集之前，所述方法还包括：
将CTA序列分割为至少两个单层二维影像；
根据预设分割模型分别对每个所述单层二维影像进行血管分割，得到每个所述单层二维影像的血管分割结果；
将每个所述单层二维影像的血管分割结果进行合并，得到头颈血管区域分割结果。
3.根据权利要求2所述的方法，其特征在于，在得到头颈血管区域分割结果之后，所述方法还包括：
对所述头颈血管区域分割结果进行均匀采样，得到预设数量的采样点；
根据各个所述采样点的三维空间坐标构建所述点云数据集。
4.根据权利要求1所述的方法，其特征在于，在将所述头颈血管区域分割结果及所述点云数据集输入预设关键点检测模型中，得到所述预设关键点检测模型输出的血管分段始末点结果之前，所述方法还包括：
根据预设数据增强方式对训练用数据进行预处理；其中，所述预设数据增强方式包括增加背景点采样、增加错误背景点采样、增加随机偏移、尺度变换、采样率变化及随机裁剪中的至少一种；
将根据预处理后的所述训练用数据构建训练集；
根据所述训练集对所述预设关键点检测模型进行训练。
5.根据权利要求1所述的方法，其特征在于，所述基于所述头颈血管区域分割结果及所述血管分段始末点结果确定血管分段路径还包括：
通过对所述头颈血管区域分割结果进行迭代计算，获取血管区域的中心线；
对所述血管区域的中心线上的每个点进行邻近点分析，得到每个点的邻近点数量；
根据所述血管分段始末点结果及所述邻近点分析结果确定分段路径始末点；
以血管方向的变化程度进行分叉节点的路径选择，确定每个血管分段的始末点之间的节点，得到血管分段路径。
6.一种血管分段路径提取装置，其特征在于，包括：
获取单元，用于获取头颈血管区域分割结果，及所述头颈血管区域分割结果的点云数据集；
输入单元，用于将所述头颈血管区域分割结果及所述点云数据集输入预设关键点检测模型中，得到所述预设关键点检测模型输出的血管分段始末点结果；
确定单元，用于基于所述头颈血管区域分割结果及所述血管分段始末点结果确定血管分段路径。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
分割单元，用于在获取单元获取头颈血管区域分割结果，及所述头颈血管区域分割结果的点云数据集之前，将CTA序列分割为至少两个单层二维影像；
处理单元，用于根据预设分割模型分别对每个所述单层二维影像进行血管分割，得到每个所述单层二维影像的血管分割结果；
合并单元，用于将每个所述单层二维影像的血管分割结果进行合并，得到头颈血管区域分割结果。
8. 一种电子设备，其特征在于，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指令，所述指令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1-5中任一项所述的方法。
9.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
10.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410587386.4A CN118154616A (zh) | 2024-05-13 | 2024-05-13 | 血管分段路径提取方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410587386.4A CN118154616A (zh) | 2024-05-13 | 2024-05-13 | 血管分段路径提取方法及装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118154616A true CN118154616A (zh) | 2024-06-07 |
Family
ID=91287094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410587386.4A Pending CN118154616A (zh) | 2024-05-13 | 2024-05-13 | 血管分段路径提取方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118154616A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110517279A (zh) * | 2019-09-20 | 2019-11-29 | 北京深睿博联科技有限责任公司 | 头颈血管中心线提取方法及装置 |
| CN111369542A (zh) * | 2020-03-06 | 2020-07-03 | 上海联影智能医疗科技有限公司 | 血管标记方法、图像处理系统和存储介质 |
| CN114359205A (zh) * | 2021-12-29 | 2022-04-15 | 推想医疗科技股份有限公司 | 头颈血管分析方法、装置、存储介质及电子设备 |
| CN114998273A (zh) * | 2022-06-10 | 2022-09-02 | 深圳睿心智能医疗科技有限公司 | 血管图像处理方法、装置、电子设备及存储介质 |
| CN117373070A (zh) * | 2023-12-07 | 2024-01-09 | 瀚依科技(杭州)有限公司 | 血管分段标注的方法及装置、电子设备和存储介质 |
-
2024
- 2024-05-13 CN CN202410587386.4A patent/CN118154616A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110517279A (zh) * | 2019-09-20 | 2019-11-29 | 北京深睿博联科技有限责任公司 | 头颈血管中心线提取方法及装置 |
| CN111369542A (zh) * | 2020-03-06 | 2020-07-03 | 上海联影智能医疗科技有限公司 | 血管标记方法、图像处理系统和存储介质 |
| CN114359205A (zh) * | 2021-12-29 | 2022-04-15 | 推想医疗科技股份有限公司 | 头颈血管分析方法、装置、存储介质及电子设备 |
| CN114998273A (zh) * | 2022-06-10 | 2022-09-02 | 深圳睿心智能医疗科技有限公司 | 血管图像处理方法、装置、电子设备及存储介质 |
| CN117373070A (zh) * | 2023-12-07 | 2024-01-09 | 瀚依科技(杭州)有限公司 | 血管分段标注的方法及装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111161275B (zh) | 医学图像中目标对象的分割方法、装置和电子设备 | |
| CN112184659B (zh) | 一种肺部图像处理方法、装置及设备 | |
| WO2014172527A1 (en) | Systems and methods for multiplexed biomarker quantitation using single cell segmentation on sequentially stained tissue | |
| CN114565763A (zh) | 图像分割方法、装置、设备、介质及程序产品 | |
| CN111784701B (zh) | 结合边界特征增强和多尺度信息的超声图像分割方法及系统 | |
| CN117373070B (zh) | 血管分段标注的方法及装置、电子设备和存储介质 | |
| CN115409990B (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
| CN113889238B (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
| US7103203B2 (en) | Medical imaging station with a function of extracting a path within a ramified object | |
| CN115170510B (zh) | 一种病灶检测方法、装置、电子设备及可读存储介质 | |
| CN113971728B (zh) | 图像识别方法、模型的训练方法、装置、设备及介质 | |
| CN110738702B (zh) | 一种三维超声图像的处理方法、装置、设备及存储介质 | |
| CN114155193B (zh) | 一种基于特征强化的血管分割方法及装置 | |
| CN113764101A (zh) | 基于cnn的乳腺癌新辅助化疗多模态超声诊断系统 | |
| CN113724267A (zh) | 一种乳腺超声图像肿瘤分割方法及装置 | |
| CN115690143B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
| CN115631194A (zh) | 颅内动脉瘤识别检测的方法、装置、设备及介质 | |
| Chen et al. | An automated approach for fibrin network segmentation and structure identification in 3D confocal microscopy images | |
| CN118154616A (zh) | 血管分段路径提取方法及装置、电子设备和存储介质 | |
| 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 | |
| CN115147360A (zh) | 一种斑块分割方法、装置、电子设备及可读存储介质 | |
| CN114170258A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
| CN114972242B (zh) | 心肌桥检测模型的训练方法、装置及电子设备 | |
| CN118628667A (zh) | 肺部图像三维重建优化方法及装置、电子设备和存储介质 | |
| CN117350986A (zh) | 一种冠脉血管关键点定位方法、装置、设备及介质 |
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 |