CN111325759B - 血管分割方法、装置、计算机设备及可读存储介质 - Google Patents
血管分割方法、装置、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN111325759B CN111325759B CN202010177262.0A CN202010177262A CN111325759B CN 111325759 B CN111325759 B CN 111325759B CN 202010177262 A CN202010177262 A CN 202010177262A CN 111325759 B CN111325759 B CN 111325759B
- Authority
- CN
- China
- Prior art keywords
- image
- blood vessel
- segmentation
- vessel
- tracking
- 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.)
- Active
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 211
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 308
- 210000000056 organ Anatomy 0.000 claims abstract description 94
- 238000004590 computer program Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000002792 vascular Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 17
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 210000001519 tissue Anatomy 0.000 description 85
- 210000004351 coronary vessel Anatomy 0.000 description 53
- 238000002591 computed tomography Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 12
- 238000002059 diagnostic imaging Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 238000005520 cutting process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 201000000057 Coronary Stenosis Diseases 0.000 description 1
- 206010011089 Coronary artery stenosis Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 230000001746 atrial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 210000005003 heart tissue Anatomy 0.000 description 1
- 210000005246 left atrium Anatomy 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 210000004879 pulmonary tissue Anatomy 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 210000005245 right atrium Anatomy 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization 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
- G06T7/10—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
- G06T7/187—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种血管分割方法、装置、计算机设备和存储介质。所述方法包括：获取待测图像；将所述待测图像输入组织器官分割网络，得到组织器官图像；根据所述组织器官图像，获取血管与所述血管对应的组织器官的距离场；根据所述距离场以及组织器官图像，确定包含所述血管的环形带；将所述环形带输入所述血管分割网络，得到初始血管图像；根据所述初始血管图像，提取血管中心线端点周围预设范围内的第一图像块；将所述第一图像块输入血管追踪网络进行端点追踪，得到最终血管图像。通过上述方法能够提高获取到的血管图像的准确性以及稳定性，通过神经网络对图像进行修正，极大的节省了技师的时间以及精力，进一步的节约了诊断的成本。
Description
技术领域
本申请涉及医学成像领域，特别是涉及一种血管分割方法、装置、计算机设备及可读存储介质。
背景技术
心血管疾病是发病率和死亡率较高的疾病，其中常见的冠状动脉狭窄和斑块等疾病严重危害着人类的健康。心血管疾病具有发病急、隐蔽性强等特性，因此实现心脏疾病的诊断具有十分重要的临床意义。因为冠状血管是一种细长的管状结构，并且变异性较大，临床上对冠脉血管的诊断一般要依赖于冠脉血管的分割结果，即先对冠状动脉进行自动分割，然后在分割的基础上采用CPR重建(曲面重建)、冠状探针重建以及VR等可视化技术对冠脉血管进行诊断，从而为医生对心血管疾病的早期预防和诊断提供依据。
目前常用的冠脉分割技术一般是基于传统的图像处理方法，例如线性结构检测、形变模型或基于传统机器学习方法。但这些方法一般分割的准确性和稳定性欠佳，需要技师花费大量的时间和精力进行人工修正和编辑，极大影响医生对冠脉疾病的诊断。
发明内容
本申请实施例提供了一种血管分割方法、装置、计算机设备及可读存储介质，以至少解决相关技术准确性和稳定性欠佳的问题。
一种血管分割方法，包括：获取待测图像；将所述待测图像输入组织器官分割网络，得到组织器官图像；根据所述组织器官图像，获取血管与所述血管对应的组织器官的距离场；根据所述距离场以及组织器官图像，确定包含所述血管的环形带；将所述环形带输入所述血管分割网络，得到初始血管图像；根据所述初始血管图像，提取血管中心线端点周围预设范围内的第一图像块；将所述第一图像块输入血管追踪网络进行端点追踪，得到最终血管图像。
在其中一个实施例中，将所述环形带输入所述血管分割网络，得到初始血管图像包括：将所述环形带根据预设尺寸分割为多个第二图像块；将多个所述第二图像块分别输入所述血管分割网络，得到多个血管分割图像；将多个所述血管分割图像进行拼接，得到初始血管图像。
在其中一个实施例中，所述将多个所述血管分割图像进行拼接，得到初始血管图像包括：所述第二图像块包括位置编码；根据每个所述第二图像块的位置编码，获取每个所述血管分割图像在环形带中的位置编码；根据所述血管分割图像的位置编码，将每个所述血管分割图像分别填充至与位置编码相应的位置，得到初始血管图像。
在其中一个实施例中，根据所述初始血管图像，提取血管中心线端点周围预设范围内的第一图像块包括：根据所述初始血管图像，提取血管中心线；根据所述血管中心线，查找所述血管中心线端点；将所述血管中心线端点周围预设范围内的图像作为第一图像块。
在其中一个实施例中，所述将所述第一图像块输入血管追踪网络进行端点追踪，得到最终血管图像包括：将所述第一图像块输入血管追踪网络进行端点追踪，得到端点追踪图像；根据所述端点追踪图像，提取连通域；将所述连通域拼接至所述初始血管图像，得到最终血管图像。
在其中一个实施例中，所述将所述连通域拼接至所述初始血管图像，得到最终血管图像包括：将所述连通域拼接至初始血管图像，并统计拼接次数；若所述拼接次数大于等于预设次数，则得到最终血管图像；若所述拼接次数小于预设次数，则再次提取血管中心线端点周围预设范围内的第一图像块进行端点追踪，直至所述拼接次数大于等于预设次数，得到最终血管图像。
在其中一个实施例中，所述将所述连通域拼接至所述初始血管图像，得到最终血管图像包括：将所述连通域拼接至所述初始血管图像，并获取端点追踪图像中血管中心线的第一长度以及与所述端点追踪图像对应的第一图像块中血管中心线的第二长度；将所述第一长度与第二长度做差，得到增长距离；若所述增长距离小于预设距离，则得到最终血管图像；若所述增长距离大于等于预设距离，则再次提取血管中心线端点周围预设范围内的第一图像块进行血管追踪，直至所述增长距离小于预设距离，得到最终血管图像。
一种血管分割装置，包括：获取模块，用于获取待测图像；组织器官分割模块，用于将所述待测图像输入组织器官分割网络，得到组织器官图像；距离场计算模块，用于根据所述组织器官图像，获取血管与所述血管对应的组织器官的距离场；环形带计算模块，用于根据所述距离场以及组织器官图像，确定包含所述血管的环形带；血管分割模块，用于将所述环形带输入所述血管分割网络，得到初始血管图像；端点提取模块，用于根据所述初始血管图像，提取血管中心线端点周围预设范围内的第一图像块；端点追踪模块，用于将所述第一图像块输入血管追踪网络进行端点追踪，得到最终血管图像。
一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一种所述的血管分割方法。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一种所述的血管分割方法。
相比于相关技术，本申请实施例提供的血管分割方法，通过获取待测图像，将待测图像输入组织器官分割网络，得到组织器官图像，并根据组织器官图像获取血管与该血管对应的组织器官的距离场，根据距离场以及组织器官图像，确定包含血管的环形带，然后将环形带输入血管分割网络，得到初始血管图像，再根据初始血管图像，提取血管中心线端点周围预设范围内的第一图像块，最后将第一图像块输入血管追踪网络进行端点追踪，得到最终血管图像。通过上述方法能够提高获取到的血管图像的准确性以及稳定性，通过神经网络对图像进行修正，极大的节省了技师的时间以及精力，进一步的节约了诊断的成本。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
图1为一个实施例中血管分割方法的流程示意图；
图2为一个实施例中一种网络结构示意图；
图3为另一个实施例中一种网络结构示意图；
图4为一个实施例中获取初始血管图像方法的流程示意图；
图5为一个实施例中获取最终血管图像方法的流程示意图；
图6为另一个实施例中获取最终血管图像方法的流程示意图；
图7为一个实施例中一种冠脉分割的处理流程；
图8为一个实施例中心脏分割图像；
图9为一个实施例中环形带的示意图；
图10(a)为初始冠脉分割效果图，图10(b)冠脉追踪效果图，图10(c)冠脉分割金标准标注；
图11(a)为冠脉分割网络的输入图像块；图11(b)为冠脉分割网络输出的初始冠脉分割结果图；图11(c)为基于图11(b)提取到的冠脉中心线；图11(d)为冠脉追踪网络的输入冠脉端点图像块；图11(e)为冠脉追踪网络输出的冠脉追踪图像；图11(f)为将冠脉追踪图像拼接至初始冠脉分割结果得到的图像；
图12为一个实施例中冠脉分割效果比较示意图；
图13为一个实施例中冠脉分割结果与金标准比较示意图；
图14为一个实施例中血管分割装置的结构框图；
图15为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作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。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
为了获取扫描对象的待测图像，首先需要利用医学成像设备对扫描对象进行扫描，其中扫描对象可以是患者全身器官，也可以是患者需要重点检测的器官、组织或细胞集合等。医学成像设备对扫描对象进行扫描，得到扫描数据，根据扫描数据生成医学图像序列。其中，医学图像序列为扫描对象在扫描方向上的每一个横截面的图像。再根据图像序列最终可以生成扫描对象内部结构的三维图像。其中医学成像设备可以为：X光成像仪器、CT(普通CT、螺旋CT)、正子扫描(PET)、核磁共振成像(MR)、红外扫描设备以及多种扫描设备的组合扫描设备等。
下述以医学成像设备为CT为例进行举例说明：计算机断层扫描设备(CT)通常包括机架、扫描床以及供医生操作的控制台。机架的一侧设置有球管，与球管相对的一侧设置有探测器。控制台为控制球管以及探测器进行扫描的计算机设备，计算机设备还用于接收探测器采集到的数据，并对数据进行处理重建，最终形成CT图像。在利用CT进行扫描时，患者躺在扫描床上，由扫描床将患者送入机架的孔径内，机架上设置的球管发出X射线，X射线穿过患者被探测器接收形成数据，并将数据传输给计算机设备，计算机设备对数据进行初步处理以及图像重建得到CT图像。
本实施例还提供了一种血管分割方法。图1是一个实施例中血管分割方法的流程示意图，如图1所示，该流程包括如下步骤：
步骤S101，获取待测图像。
具体地，医学成像设备首先对待扫描人体进行扫描，得到待测图像。其中，获取的待测图像可以直接由医学成像设备扫描待扫描人体并直接重建得到待测图像；获取待检测图像还可以为由医学成像设备扫描待扫描人体，并将扫描数据进行存储，获取存储的扫描数据并重建得到待测图像；获取待检测图像还可以为由医学成像设备扫描待扫描人体重建得到待测图像，并将待测图像进行存储，获取存储的待测图像。待测图像为对扫描数据进行图像重建后得到的图像。
步骤S102，将所述待测图像输入组织器官分割网络，得到组织器官图像。
具体地，组织器官分割网络为通过深度学习方法，采用从低分辨率到高分辨率的两个神经网络。将获取到的待测图像输入组织器官分割网络，得到组织器官图像，例如从图像中能够明显的分别出胃、肺、肌肉等组织器官。
步骤S103，根据所述组织器官图像，获取血管与所述血管对应的组织器官的距离场。
具体地，在组织器官中或者组织器官附近存在有血管，首先在组织器官图像中找到血管，若血管在组织器官外，也就是在组织器官附近，则计算组织器官壁的所有像素点到当前血管点的最小距离，遍历所有血管点得到腔外距离；若血管在组织器官内，也就是在组织器官中，则计算组织器官壁的所有像素点到当前血管点的最小距离，遍历所有血管点得到腔内距离。其中，距离场包括血管在组织器官外的腔外距离以及血管在组织器官内的腔内距离。距离场用于表示血管到组织器官壁的距离。
步骤S104，根据所述距离场以及组织器官图像，确定包含所述血管的环形带。
具体地，根据距离场的腔内距离以及腔外距离，在组织器官图像中确定血管所在的环形带，通过腔外距离确定血管位于组织器官外时距离组织器官壁的最远距离，通过腔内距离确定血管位于组织器官内时距离组织器官壁的最远距离，从而确定出一个血管所在位置的环状区域，也即环形带。环形带内血管出现的概率非常大，而环形带外血管的出现概率则非常小。
步骤S105，将所述环形带输入所述血管分割网络，得到初始血管图像。
具体地，血管分割网络为通过深度学习方法得到的神经网络，血管分割网络包含4次上采样以及4次下采样，并且包括了5个尺度的特征提取过程，其中残差模块的数量可选1-5。血管分割网络的输入为环形带内的灰度图像，也即环形带内的组织器官图像，输出为初始血管图像。初始血管图像为对血管进行显示的图像。
步骤S106，根据所述初始血管图像，提取血管中心线端点周围预设范围内的第一图像块。
具体地，根据所述初始血管图像，提取血管中心线；根据所述血管中心线，查找所述血管中心线端点；将所述血管中心线端点周围预设范围内的图像作为第一图像块。更具体的，根据初始血管图像，首先提取初始血管图像中的血管中心线，并查找血管中心线的多个端点。对于每个端点，首先提取该端点周围预设范围内的图像作为第一图像块。其中预设范围可以为端点周围5mm范围内的图像作为第一图像块。预设范围可以根据实际使用时的场景需求进行设定，本实施例不做具体限定。其中，血管中心线为初始血管图像中，血管中点所连接成的线。
步骤S107，将所述第一图像块输入血管追踪网络进行端点追踪，得到最终血管图像。
具体地，血管追踪网络为通过深度学习方法得到的神经网络，包括2次上采样以及2次下采样，着重于局部图像的特征提取。将包括端点的第一图像块输入血管追踪网络进行端点追踪，得到端点追踪图像，将端点追踪图像提取连通域后，将连通域拼接至初始血管图像，将新追踪的像素点拼接至初始血管图像，得到最终血管图像。在进行一次端点追踪的基础上，可以进行多次端点的追踪以及拼接得到最终图像。
本实施例提供的血管分割方法，首先通过组织器官分割网络得到组织器官图像，再通过组织器官图像确定距离场，根据距离场和组织器官图像确定血管所在的环形带，在通过血管分割网络确定环形带中的初始血管图像，最后通过血管追踪网络，对初始血管图像中所有血管的端点进行追踪，得到最终血管图像。通过上述方法能够提高获取到的血管图像的准确性以及稳定性，通过神经网络对图像进行修正，极大的节省了技师的时间以及精力，进一步的节约了诊断的成本。
在其中一个实施例中，组织器官分割网络、血管分割网络以及血管追踪网络可以基于以下方式构建：卷积神经网络(CNN)、生成对抗网络(GAN)、或类似物，或其组合。卷积神经网络(CNN)的示例可包括SRCNN(Super-Resolution Convolutional Neural Network,超分辨率卷积神经网络)、DnCNN(Denoising Convolutional Neural Network，去噪卷积神经网络)、U-net、V-net和FCN(Fully Convolutional Network，全卷积神经网络)。在一些实施例中，神经网络模型可以包括多个层，例如输入层、多个隐藏层和输出层。多个隐藏层可以包括一个或多个卷积层、一个或多个批量归一化层、一个或多个激活层、完全连接层、成本函数层等。多个层中的每一个可以包括多个节点。
在其中一个实施例中，组织器官分割网络和血管分割网络可以为如图2所示的网络结构。具体地，该网络结构包括4次下采样以及4次上采样，并且包含5个尺度的特征提取过程，其中残差模块的数量可选1-5个。该神经网络在训练的过程中，切取的图像块大小可以为64-256像素，优选的大小为128*128*128。该神经网络切取的图像的分辨率可以为0.3-0.8mm，优选的为0.6mm。该神经网络在对图像进行归一化处理时，采用均值和标准差的方式进行归一化处理，优选的均值为50，标准差为400。该神经网络采用dice-loss系数的最小化作为优化目标。该神经网络采用Adam参数优化方法。
在其中一个实施例中，血管追踪网络可以为如图3所示的网络结构。具体地，该网络结构包括2次上采样以及2次下采样，着重于局部图像的特征提取。该神经网路在训练的过程中，切取的图像块大小可以为8-32像素，优选的大小为16*16*16。该神经网络切取的图像分辨率可以为0.3-0.8mm，优选的为0.6mm。该神经网络在对图像进行归一化处理时，采用均值和标准差的方式进行归一化处理，优选的均值为50，标准差为400。该神经网络采用dice-loss系数的最小化作为优化目标。该神经网络采用Adam参数优化方法。该神经网络的采样方式为在血管上进行正样本采样，在血管外5mm区域进行负样本采样。通过图3所示的网络结构，传统的网络结构设置多次采样，而本实施例通过仅设置2次上采样以及2次下采样，即减少了采样的计算量，又能够满足局部图像的特征提取，并且还能保证局部特征提取的准确度。
在其中一个实施例中，提供了一种获取初始血管图像的方法，图4为一个实施例中获取初始血管图像方法的流程示意图，如图4所示，该流程包括如下步骤：
步骤S401：将所述环形带根据预设尺寸分割为多个第二图像块。
具体地，在环形带上选取一个点，以该点为起点，并以预设的步长和切块大小依次连续的截取第二图像块。其中，步长表示以多大的距离采样一个立方块；切块大小是指切取图像块的大小。步长需要小于等于切块的大小，以使整个环形带内的图像都被切取，防止部分区域没有切到。步长越小，图像块的采样密度就越密，切取的各个图像块之间重叠区域就越大，对整个环形带的切割速度就越慢。优选的，步长与切块大小一致，也就是相邻两个图像块之间没有重叠。这样的切割方式能够在环形带内的图像全部被切割到的情况下，使切割速度最快。预设步长最小为10mm，以预设步长为10mm，切块大小为10mm为例，进行举例说明：从环形带的boundingbox(边界框)的左上角开始截取，一直到右下角结束，每间隔10mm，截取一个长度为10mm的图像块，在该起始点左侧或右侧截取图像长度为10mm的图像作为第一个第二图像块，之后在起始点沿截取第一个第二图像块的方向10mm处截取第二个第二图像块，依次连续无间隔的截取多个第二图像块。其中，boundingbox为边界框，表示一个对象外的最大立方体。优选的，在第一个位置(10，10，10～41，41，41)截取第一个第二图像块，图像块的大小为32*32*32，然后从第一个第二图像块的下一位置(42，42，42～74，74，74)截取第二个第二图像块，直至截取至结束位置。
步骤S402：将多个所述第二图像块分别输入所述血管分割网络，得到多个血管分割图像。
具体地，将截取到的多个第二图像块分别输入到血管分割网络，每个第二图像块都对应的得到一个血管分割图像。
步骤S403：将多个所述血管分割图像进行拼接，得到初始血管图像。
具体地，将得到的多个血管分割图像按照顺序进行拼接，得到初始血管图像。第二图像块包括位置编码。具体地，对环形带进行分割，在起点位置以预设步长依次连续无间隔的截取多个第二图像块时，为每个第二图像块都分配一个位置编码，该位置编码能够标识该第二图像块位于环形带中的位置。根据每个所述第二图像块的位置编码，获取每个所述血管分割图像在环形带中的位置编码；根据所述血管分割图像的位置编码，将每个所述血管分割图像分别填充至与位置编码相应的位置，得到初始血管图像。更具体的，由于每个第二图像块均包括有位置编码，在将第二图像块输入至血管分割网络后，第二图像块的位置编码分配给相应的血管分割图像，将所有的血管分割图像按照位置编码所标识的位置，填充至与位置编码相应的位置，得到初始血管图像。
在其中一个实施例中，血管分割网络的输入可以不限于环形带切割的图像块。还可以将环形带切割的图像块作为第一输入通道，将环形带切割的图像块位置范围内的组织器官图像作为第二输入通道，同时第一通道和第二通道图像输入血管分割网络。
上述获取初始血管图像的方法，在组织器官分割的基础上，获取组织器官对应的血管图像。由于血管的结构比较复杂多变，而组织器官则比较稳定，因此，首先采用深度学习的模型，先将图像分割为各个组织器官的图像，通过组织器官的图像为血管的分割提供可靠的环形定位，去除大量血管存在概率较小的区域，不仅可以提高血管分割网络的训练效率和收敛速度，同时也能够大大的降低血管分割可能出现的错误。
在其中一个实施例中，提供了一种获取最终血管图像的方法，图5为一个实施例中获取最终血管图像方法的流程示意图，如图5所示，该流程包括如下步骤：
步骤S501：将所述第一图像块输入血管追踪网络进行端点追踪，得到端点追踪图像。
具体地，该端点追踪图像为在第一图像块端点的基础上，对该端点进行追踪延伸得到的图像。
步骤S502：根据所述端点追踪图像，提取连通域。
具体地，连通域一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域。在端点追踪图像中，即为血管所在像素点所构成的区域。也就是在端点追踪图像提取血管所在位置的连通域。
步骤S503：将所述连通域拼接至初始血管图像，并统计拼接次数。
具体地，将上述步骤中获取到的连通域拼接至初始血管图像的相应端点处，并统计该端点处拼接连通域的次数。
步骤S504：若所述拼接次数大于等于预设次数，则得到最终血管图像。
步骤S505：若所述拼接次数小于预设次数，则再次提取血管中心线端点周围预设范围内的第一图像块进行端点追踪，直至所述拼接次数大于等于预设次数，得到最终血管图像。
具体地，预设次数可以为3-20次。以预设次数为5次进行举例说明，如果该端点处拼接连通域的次数大于等于5次，则将最后一次拼接完成后得到的图像作为最终血管图像。如果该端点处拼接连通域的次数小于5次，则基于最后一次拼接完成的血管图像，再次获取血管中心线的端点，并选取端点周围预设范围内的图像作为第一图像块，将第一图像块输入血管追踪网络进行端点追踪，得到端点追踪图像；根据端点追踪图像，提取连通域；将连通域拼接至最后一次拼接完成的血管图像，并再次统计端点的拼接次数，直至拼接次数大于等于5次，则得到最终血管图像。
在其中一个实施例中，血管追踪网络的输入不限于端点周围预设范围内的第一图像块。可以将第一图像块作为第一输入通道，将第一图像块位置范围内的组织器官图像块以及初始血管图像块中的任一个图像作为第二输入通道，同时将第一输入通道和第二输入通道均输入至血管追踪网络。也可以将第一图像块作为第一输入通道，将第一图像块位置范围内的组织器官图像块作为第二输入通道，将第一图像块位置范围内的初始血管图像块作为第三通道，同时将第一输入通道，第二输入通道和第三通道同时输入通道均输入至血管追踪网络。
在其中一个实施例中，血管追踪方法，在提取血管中心线端点图像块之前，可以根据血管的初始分割结果进行血管的方向提取，然后根据主方向提取血管，保证血管的方向平行于提取图像块的x方向(或者y方向和z方向)，达到简化深度学习和提高分割性能的效果。
上述获取最终血管图像的方法，基于整体图像的分割模型网络往往会形成断裂，影响临床实际使用。而基于局部图像的血管追踪模型网络，分割任务大大简化，只需要区分增强血管和非增强血管。我们的待测图像是CTA数据，即打过造影剂的数据；此时冠脉血管都是较亮的血管。血管分割网络注重于整体的血管分割，也就是把冠脉血管和其他组织分开。其他组织包括其他的非冠脉血管和其他的组织器官，例如包括心脏，肺，肋骨等。血管追踪网络的任务与血管分割网络的任务类似，都是将冠脉血管和其他组织分开，只是作用范围大大减小，是初始血管图像的断裂处组织，所要识别的组织内容和组织复杂程度大大简化，一般只需要把血管组织和非常邻近的组织分开就行。其中非常邻近的组织一般只有非增强血管、部分肺部组织以及部分心脏组织。因此能够有效地连接断裂血管的分割，提高血管分割的完整性。并且通过设置预设拼接次数，能够在保证分割血管图像准确性的前提下，提高分割效率。
在其中一个实施例中，提供了一种获取最终血管图像的方法，图6为另一个实施例中获取最终血管图像方法的流程示意图，如图6所示，该流程包括如下步骤：
步骤S601：将所述第一图像块输入血管追踪网络进行端点追踪，得到端点追踪图像。
具体地，该端点追踪图像为在第一图像块端点的基础上，对该端点进行追踪延伸得到的图像。
步骤S602：根据所述端点追踪图像，提取连通域。
具体地，连通域一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域。在端点追踪图像中，即为血管所在像素点所构成的区域。也就是在端点追踪图像提取血管所在位置的连通域。
步骤S603：将所述连通域拼接至所述初始血管图像，并获取端点追踪图像中血管中心线的第一长度以及与所述端点追踪图像对应的第一图像块中血管中心线的第二长度。
具体地，将上述步骤中获取到的连通域拼接至初始血管图像的相应端点处，并获取拼接的连通域对应的端点追踪图像中血管中心线的第一长度，再获取该端点追踪图像对应第一图像块中的血管中心线的第二长度。
步骤S604：将所述第一长度与第二长度做差，得到增长距离。
步骤S605：若所述增长距离小于预设距离，则得到最终血管图像。
步骤S606：若所述增长距离大于等于预设距离，则再次提取血管中心线端点周围预设范围内的第一图像块进行血管追踪，直至所述增长距离小于预设距离，得到最终血管图像。
具体地，以预设距离为1mm为例进行距离说明，如果增长距离小于1mm，则将最后一次拼接完成后得到的图像作为最终血管图像。如果增长距离大于等于1mm，则基于前一次拼接完成的血管图像，再次获取血管中心线的端点，并选取端点周围预设范围内的图像作为第一图像块，将第一图像块输入血管追踪网络进行端点追踪，得到端点追踪图像；根据端点追踪图像，提取连通域；将连通域拼接至前一次拼接完成的血管图像，并再次计算增长距离，直至增长距离小于1mm，则得到最终血管图像。
上述获取最终血管图像的方法，基于整体图像的分割模型网络往往会形成断裂，影响临床实际使用。而基于局部图像的血管追踪模型网络，分割任务大大简化，只需要区分增强血管和非增强血管，因此能够有效地连接断裂血管的分割，提高血管分割的完整性，也就是血管分割网络和血管追踪网络是串行的关系，先进性血管分割，然后再进行血管追踪。并且通过设置预设距离，当增长距离小于预设距离时，说明当前端点的增长距离已经快要到达极限。通过设置合适的预设距离能够准确的判断端点的追踪情况，并且及时的终止血管追踪，既能够保证端点的追踪效果，又能够节省追踪时间能提高分割效率。
在其中一个实施例中，可以同时对拼接次数以及增长距离进行检测，当满足任意一个条件时，端点追踪结束，得到最终血管图像。
在其中一个实施例中，以医学成像设备为CT，血管为冠脉进行距离说明。如图7所示，提供了一种冠脉分割的处理流程，首先获取CT扫描得到的待测图像，对待测图像先进行基于深度学习的心脏分割，在心脏分割的基础上通过计算距离场生成环形带，对环形带进行基于深度学习的冠脉粗分割，得到初始冠脉图像，然后在初始冠脉图像的基础上进行基于深度学习的冠脉追踪，结合了心脏分割的稳定性，初始冠脉分割的整体性和冠脉追踪的局部性，得到了更为准确和稳定的冠脉分割效果。
更具体的，通过计算机断层扫描设备(CT)对待扫描物体进行扫描，得到原始CT数据，并生成待测图像。将待测图像输入心脏分割网络，进行心脏分割，得到如图8所示的心脏分割图像，其中包括：主动脉、右心房、右心室、左心房以及左心室。通过对800例心脏分割图像进行心脏和冠脉范围的距离统计，得到冠脉与心脏分割结果的位置关***计表，如下所示：
表1冠脉与心脏分割结果的位置关***计
根据表1，我们在心脏分割结果上分别进行距离前景和距离背景的距离场计算，并获取冠脉可能出现的区域，即环形带，如图9所示，其中黑色环形区域为冠脉可能出现的区域也就是环形带，黑色环形带里面的各种颜色的血管即为冠脉的各个分支，其他区域是冠脉出现概率非常小的区域。
在环形带内切取有效的图像块，也就是以固定步长依次连续无间隔的截取多个图像块，将图像块送入冠脉分割网络，得到初始冠脉分割结果。如图10所示，图10(a)为初始冠脉分割效果，图10(b)冠脉追踪效果，图10(c)冠脉分割金标准标注。由图10可以看出，初始冠脉分割效果的图像中有许多分割断裂的区域出现，在此基础上，将初始冠脉分割效果再通过冠脉追踪网络进行冠脉追踪，得到准确的冠脉分割结果。
在其中一个实施例中，进行冠脉追踪过程和效果，如图11所示，其中，图11(a)为冠脉分割网络的输入图像块；图11(b)为冠脉分割网络输出的初始冠脉分割结果；图11(c)为基于图11(b)提取到的冠脉中心线；图11(d)为冠脉追踪网络的输入冠脉端点图像块；图11(e)为冠脉追踪网络输出的冠脉追踪图像；图11(f)为将冠脉追踪图像拼接至初始冠脉分割结果得到的图像。其中，图11(a)为一个图像块的三视图，因为选取的切块大小较大，一个切块包含了所有的冠脉。图11(b)为初始冠脉图像，图11(f)为进行冠脉追踪后得到的最终冠图像，图11(f)相对于图11(b)在冠脉的端点位置以及断裂的端点位置进行了冠脉增长。首先，对冠脉分割网络输出的初始冠脉分割结果，提取冠脉中心线，中心线的提取结果如图11(c)所示。在冠脉中心线上提取端点，也就是提取邻域只有1的点，如图11(c)中虚线的交点位置。以各个端点为中心，分别切取图像块，如图11(d)所示，将图像块送入训练好的冠脉追踪网络，得到冠脉追踪图像，如图11(e)所示。在冠脉追踪图像中提取包含中点的连通域，再将该连通域拼接至初始冠脉分割结果上，得到图11(f)所示图像。其中，连通域一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域。在端点追踪图像中，即为血管所在像素点所构成的区域。中点也就是血管的中点。最终对冠脉分割结果进行判断，是否需要继续对冠脉进行端点的追踪，满足以下任意条件即可停止追踪：条件一，追踪次数大于等于N1，N1可以选择的范围为3-20次；条件二，对得到的连通域提取中心线，这个中心线与原始的分割结果或者中心线进行比较，中心线的增长距离小于N2，N2可以为1/2个切块图像大小。如果满足上述任意条件，则得到最终冠脉图像；如果不满足，则继续进行冠脉追踪，最终满足上述条件，得到最终冠脉图像。上述实施例，基于心脏分割结果的冠脉分割技术。相较于冠脉血管结构的复杂多变，心脏的心房心室结构比较稳定。因此采用深度学习的模型先将心脏各个腔室分割出来，为冠脉分割提供十分可靠的冠脉范围的环形定位，去除大量非冠脉可能存在的区域。不仅可以提高冠脉分割模型的训练效率和收敛速度，同时也大大降低冠脉分割可能出现的错误。
上述实施例，基于整体图像的血管分割网络和局部图像的血管追踪网络相结合的方法。整体图像的血管分割网络，有较大的图像视野，可以利用心脏结构，有效区分冠状动脉和邻近被显影剂增强的静脉，减少假阳性(即分割出冠脉之外的血管)。但是由于冠脉血管结构的复杂性和高变异性，且血管细长而图像分辨率有限，因此基于血管分割网络输出的分割结果往往会形成断裂，影响临床实际使用。而基于局部图像的血管追踪网络，分割任务大大简化，只需要区分增强血管和非增强血管，因此能够有效地连接断裂血管的分割，提高血管分割的完整性。本发明采用基于整体图像的血管分割网络和局部图像的血管追踪网络相结合的方法可以更准确、完整的分割出冠脉。
对上述实施例进行测试，采集未用于网络训练的CTA胸部数据189例进行测试，并请医生进行冠脉血管的标注(医生的标注严格按照SCCT18段分支的标准，SCCT：美国心血管CT学会)，同时采用上述实施例的冠脉分割方法进行冠脉血管的分割，然后进行结果的对比，对比结果如图12所示，其中经过血管分割网络后，上述实施例的冠脉分割方法的结果与手工标注的分割结果的对比如图12中第一个柱体所示，加入血管追踪后的血管分割结果与手工标注的结果对比如下图中第二个柱体所示，其中，DICE是基于整体分割结果的度量，OV[4]是基于血管中心线的一种分割度量方法，因为冠脉血管是一种细长的管状结构，不同区域的分支，粗细半径相差大至数倍，采用基于血管中心线的衡量标准，相较于基于整体血管分割结果的DICE系数，能够更敏感和更准确地反映出血管分割中较常出现的断裂等错误。另外，临床上影像科医生对于冠脉病灶的判断多依赖于基于冠脉中心线提取的CPR、S-CPR或者横截面等可视化技术，因此基于中心线的分割衡量指标OV更能精确地反映实际临床应用的需求。
其中金标准的中心线点距离分割结果的中心线的最小距离小于分割结果的半径的个数称为TPROV，大于分割结果的半径的点的个数称为FNOV，分割结果的中心线点距离金标准结果的中心线小于金标准的半径的点的个数称为TPMOV，大于金标准的半径的点的个数称为FPOV。
从图12中可以看出：1、经过血管追踪后，整体的性能(DICE和OV)接近；2、经过血管追踪后，recall值有非常大的提升，体现出血管追踪对断裂血管的修补作用；3、经过血管追踪后，precision值有下降,因为血管追踪网络追溯到更深更细的血管末端或者不在SCCT18段内的冠脉分支，例如图13所示的分割结果，图13为一个实施例中冠脉分割结果与金标准比较示意图；左侧图像为本实施例的冠脉分割结果；右侧图像为金标准标注，不同的线段代表不同的冠脉分支，箭头所指的分割部分为OM3，不在SCCT18段范围内，但属于冠脉血管，在临床上同样具有诊断价值。
应该理解的是，虽然图1、4-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1、4-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图14所示，提供了一种血管分割装置，包括：获取模块100、组织器官分割模块200、距离场计算模块300、环形带计算模块400、血管分割模块500、端点提取模块600和端点追踪模块700，其中：
获取模块100，用于获取待测图像；
组织器官分割模块200，用于将所述待测图像输入组织器官分割网络，得到组织器官图像；
距离场计算模块300，用于根据所述组织器官图像，获取血管与所述血管对应的组织器官的距离场；
环形带计算模块400，用于根据所述距离场以及组织器官图像，确定包含所述血管的环形带；
血管分割模块500，用于将所述环形带输入所述血管分割网络，得到初始血管图像；
端点提取模块600，用于根据所述初始血管图像，提取血管中心线端点周围预设范围内的第一图像块；
端点追踪模块700，用于将所述第一图像块输入血管追踪网络进行端点追踪，得到最终血管图像。
血管分割模块500，还用于将所述环形带根据预设尺寸分割为多个第二图像块；将多个所述第二图像块分别输入所述血管分割网络，得到多个血管分割图像；将多个所述血管分割图像进行拼接，得到初始血管图像。
血管分割模块500，还用于根据每个所述第二图像块的位置编码，获取每个所述血管分割图像在环形带中的位置编码；根据所述血管分割图像的位置编码，将每个所述血管分割图像分别填充至与位置编码相应的位置，得到初始血管图像。
端点提取模块600，还用于根据所述初始血管图像，提取血管中心线；根据所述血管中心线，查找所述血管中心线端点；将所述血管中心线端点周围预设范围内的图像作为第一图像块。
端点追踪模块700，还用于将所述第一图像块输入血管追踪网络进行端点追踪，得到端点追踪图像；根据所述端点追踪图像，提取连通域；将所述连通域拼接至所述初始血管图像，得到最终血管图像。
端点追踪模块700，还用于将所述连通域拼接至初始血管图像，并统计拼接次数；若所述拼接次数大于等于预设次数，则得到最终血管图像；若所述拼接次数小于预设次数，则再次提取血管中心线端点周围预设范围内的第一图像块进行端点追踪，直至所述拼接次数大于等于预设次数，得到最终血管图像。
端点追踪模块700，还用于将所述连通域拼接至所述初始血管图像，并获取端点追踪图像中血管中心线的第一长度以及与所述端点追踪图像对应的第一图像块中血管中心线的第二长度；将所述第一长度与第二长度做差，得到增长距离；若所述增长距离小于预设距离，则得到最终血管图像；若所述增长距离大于等于预设距离，则再次提取血管中心线端点周围预设范围内的第一图像块进行血管追踪，直至所述增长距离小于预设距离，得到最终血管图像。
关于血管分割装置的具体限定可以参见上文中对于血管分割方法的限定，在此不再赘述。上述血管分割装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图15所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种血管分割方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图15中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待测图像；将所述待测图像输入组织器官分割网络，得到组织器官图像；根据所述组织器官图像，获取血管与所述血管对应的组织器官的距离场；根据所述距离场以及组织器官图像，确定包含所述血管的环形带；将所述环形带输入所述血管分割网络，得到初始血管图像；根据所述初始血管图像，提取血管中心线端点周围预设范围内的第一图像块；将所述第一图像块输入血管追踪网络进行端点追踪，得到最终血管图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将所述环形带根据预设尺寸分割为多个第二图像块；将多个所述第二图像块分别输入所述血管分割网络，得到多个血管分割图像；将多个所述血管分割图像进行拼接，得到初始血管图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据每个所述第二图像块的位置编码，获取每个所述血管分割图像在环形带中的位置编码；根据所述血管分割图像的位置编码，将每个所述血管分割图像分别填充至与位置编码相应的位置，得到初始血管图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据所述初始血管图像，提取血管中心线；根据所述血管中心线，查找所述血管中心线端点；将所述血管中心线端点周围预设范围内的图像作为第一图像块。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将所述第一图像块输入血管追踪网络进行端点追踪，得到端点追踪图像；根据所述端点追踪图像，提取连通域；将所述连通域拼接至所述初始血管图像，得到最终血管图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将所述连通域拼接至初始血管图像，并统计拼接次数；若所述拼接次数大于等于预设次数，则得到最终血管图像；若所述拼接次数小于预设次数，则再次提取血管中心线端点周围预设范围内的第一图像块进行端点追踪，直至所述拼接次数大于等于预设次数，得到最终血管图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将所述连通域拼接至所述初始血管图像，并获取端点追踪图像中血管中心线的第一长度以及与所述端点追踪图像对应的第一图像块中血管中心线的第二长度；将所述第一长度与第二长度做差，得到增长距离；若所述增长距离小于预设距离，则得到最终血管图像；若所述增长距离大于等于预设距离，则再次提取血管中心线端点周围预设范围内的第一图像块进行血管追踪，直至所述增长距离小于预设距离，得到最终血管图像。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待测图像；将所述待测图像输入组织器官分割网络，得到组织器官图像；根据所述组织器官图像，获取血管与所述血管对应的组织器官的距离场；根据所述距离场以及组织器官图像，确定包含所述血管的环形带；将所述环形带输入所述血管分割网络，得到初始血管图像；根据所述初始血管图像，提取血管中心线端点周围预设范围内的第一图像块；将所述第一图像块输入血管追踪网络进行端点追踪，得到最终血管图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述环形带根据预设尺寸分割为多个第二图像块；将多个所述第二图像块分别输入所述血管分割网络，得到多个血管分割图像；将多个所述血管分割图像进行拼接，得到初始血管图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据每个所述第二图像块的位置编码，获取每个所述血管分割图像在环形带中的位置编码；根据所述血管分割图像的位置编码，将每个所述血管分割图像分别填充至与位置编码相应的位置，得到初始血管图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据所述初始血管图像，提取血管中心线；根据所述血管中心线，查找所述血管中心线端点；将所述血管中心线端点周围预设范围内的图像作为第一图像块。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述第一图像块输入血管追踪网络进行端点追踪，得到端点追踪图像；根据所述端点追踪图像，提取连通域；将所述连通域拼接至所述初始血管图像，得到最终血管图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述连通域拼接至初始血管图像，并统计拼接次数；若所述拼接次数大于等于预设次数，则得到最终血管图像；若所述拼接次数小于预设次数，则再次提取血管中心线端点周围预设范围内的第一图像块进行端点追踪，直至所述拼接次数大于等于预设次数，得到最终血管图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述连通域拼接至所述初始血管图像，并获取端点追踪图像中血管中心线的第一长度以及与所述端点追踪图像对应的第一图像块中血管中心线的第二长度；将所述第一长度与第二长度做差，得到增长距离；若所述增长距离小于预设距离，则得到最终血管图像；若所述增长距离大于等于预设距离，则再次提取血管中心线端点周围预设范围内的第一图像块进行血管追踪，直至所述增长距离小于预设距离，得到最终血管图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种血管分割方法，其特征在于，包括：
获取待测图像；
将所述待测图像输入组织器官分割网络，得到组织器官图像；
根据所述组织器官图像，获取血管与所述血管对应的组织器官的距离场；所述距离场包括血管到组织器官壁的距离；
根据所述距离场以及组织器官图像，确定包含所述血管的环形带；
将所述环形带输入所述血管分割网络，得到初始血管图像；
根据所述初始血管图像，提取血管中心线端点周围预设范围内的第一图像块；
将所述第一图像块输入血管追踪网络进行端点追踪，得到最终血管图像。
2.根据权利要求1所述的血管分割方法，其特征在于，将所述环形带输入所述血管分割网络，得到初始血管图像包括：
将所述环形带根据预设尺寸分割为多个第二图像块；
将多个所述第二图像块分别输入所述血管分割网络，得到多个血管分割图像；
将多个所述血管分割图像进行拼接，得到所述初始血管图像。
3.根据权利要求2所述的血管分割方法，其特征在于，所述将多个所述血管分割图像进行拼接，得到所述初始血管图像包括：所述第二图像块包括位置编码；
根据每个所述第二图像块的位置编码，获取每个所述血管分割图像在环形带中的位置编码；
根据所述血管分割图像的位置编码，将每个所述血管分割图像分别填充至与位置编码相应的位置，得到所述初始血管图像。
4.根据权利要求1所述的血管分割方法，其特征在于，根据所述初始血管图像，提取血管中心线端点周围预设范围内的第一图像块包括：
根据所述初始血管图像，提取血管中心线；
根据所述血管中心线，查找所述血管中心线端点；
将所述血管中心线端点周围预设范围内的图像作为第一图像块。
5.根据权利要求1所述的血管分割方法，其特征在于，所述将所述第一图像块输入血管追踪网络进行端点追踪，得到最终血管图像包括：
将所述第一图像块输入血管追踪网络进行端点追踪，得到端点追踪图像；
根据所述端点追踪图像，提取连通域；
将所述连通域拼接至所述初始血管图像，得到所述最终血管图像。
6.根据权利要求5所述的血管分割方法，其特征在于，所述将所述连通域拼接至所述初始血管图像，得到所述最终血管图像包括：
将所述连通域拼接至初始血管图像，并统计拼接次数；
若所述拼接次数大于等于预设次数，则得到最终血管图像；
若所述拼接次数小于预设次数，则再次提取血管中心线端点周围预设范围内的第一图像块进行端点追踪，直至所述拼接次数大于等于预设次数，得到所述最终血管图像。
7.根据权利要求5所述的血管分割方法，其特征在于，所述将所述连通域拼接至所述初始血管图像，得到最终血管图像包括：
将所述连通域拼接至所述初始血管图像，并获取端点追踪图像中血管中心线的第一长度以及与所述端点追踪图像对应的第一图像块中血管中心线的第二长度；
将所述第一长度与第二长度做差，得到增长距离；
若所述增长距离小于预设距离，则得到最终血管图像；
若所述增长距离大于等于预设距离，则再次提取血管中心线端点周围预设范围内的第一图像块进行血管追踪，直至所述增长距离小于预设距离，得到所述最终血管图像。
8.一种血管分割装置，其特征在于，包括：
获取模块，用于获取待测图像；
组织器官分割模块，用于将所述待测图像输入组织器官分割网络，得到组织器官图像；
距离场计算模块，用于根据所述组织器官图像，获取血管与所述血管对应的组织器官的距离场；所述距离场包括血管到组织器官壁的距离；
环形带计算模块，用于根据所述距离场以及组织器官图像，确定包含所述血管的环形带；
血管分割模块，用于将所述环形带输入所述血管分割网络，得到初始血管图像；
端点提取模块，用于根据所述初始血管图像，提取血管中心线端点周围预设范围内的第一图像块；
端点追踪模块，用于将所述第一图像块输入血管追踪网络进行端点追踪，得到最终血管图像。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的血管分割方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7中任一项所述的血管分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010177262.0A CN111325759B (zh) | 2020-03-13 | 2020-03-13 | 血管分割方法、装置、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010177262.0A CN111325759B (zh) | 2020-03-13 | 2020-03-13 | 血管分割方法、装置、计算机设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111325759A CN111325759A (zh) | 2020-06-23 |
| CN111325759B true CN111325759B (zh) | 2024-04-16 |
Family
ID=71171828
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010177262.0A Active CN111325759B (zh) | 2020-03-13 | 2020-03-13 | 血管分割方法、装置、计算机设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111325759B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111862033B (zh) * | 2020-07-15 | 2024-02-20 | 上海联影医疗科技股份有限公司 | 医学图像处理方法、装置、图像处理设备及存储介质 |
| CN111862045B (zh) * | 2020-07-21 | 2021-09-07 | 上海杏脉信息科技有限公司 | 血管模型的生成方法及装置 |
| EP3975117A4 (en) | 2020-07-30 | 2022-11-16 | Infervision Medical Technology Co., Ltd. | IMAGE SEGMENTATION METHOD AND APPARATUS AND IMAGE SEGMENTATION MODEL TRAINING METHOD AND APPARATUS |
| CN111899245B (zh) * | 2020-07-30 | 2021-03-09 | 推想医疗科技股份有限公司 | 图像分割、模型的训练方法及装置，电子设备及存储介质 |
| CN112614141B (zh) * | 2020-12-18 | 2023-09-19 | 深圳市德力凯医疗设备股份有限公司 | 血管扫描路径的规划方法、装置、存储介质及终端设备 |
| CN114943699B (zh) * | 2022-05-16 | 2023-01-17 | 北京医准智能科技有限公司 | 分割模型训练方法、冠脉钙化斑块的分割方法、相关装置 |
| CN115690143B (zh) * | 2022-09-26 | 2023-07-11 | 推想医疗科技股份有限公司 | 图像分割方法、装置、电子设备及存储介质 |
| CN115359046B (zh) * | 2022-10-19 | 2023-03-24 | 海杰亚（北京）医疗器械有限公司 | 一种脏器血管分割方法、装置、存储介质及电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101393644A (zh) * | 2008-08-15 | 2009-03-25 | 华中科技大学 | 一种肝门静脉血管树建模方法及其*** |
| CN104899926A (zh) * | 2015-07-06 | 2015-09-09 | 上海联影医疗科技有限公司 | 医学图像分割方法和装置 |
| CN106127819A (zh) * | 2016-06-30 | 2016-11-16 | 上海联影医疗科技有限公司 | 医学图像中提取血管中心线的方法及其装置 |
| CN107203741A (zh) * | 2017-05-03 | 2017-09-26 | 上海联影医疗科技有限公司 | 血管提取方法、装置及其*** |
| CN110047078A (zh) * | 2019-04-18 | 2019-07-23 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN110060263A (zh) * | 2018-04-24 | 2019-07-26 | 深圳科亚医疗科技有限公司 | 医学图像的分割方法、分割装置、分割***及计算机可读介质 |
| CN110464520A (zh) * | 2012-01-25 | 2019-11-19 | 因特脉管有限公司 | 腔内装置和方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6210363B1 (en) * | 1999-02-23 | 2001-04-03 | Cardeon Corporation | Methods and devices for occluding a vessel and performing differential perfusion |
| US20050110791A1 (en) * | 2003-11-26 | 2005-05-26 | Prabhu Krishnamoorthy | Systems and methods for segmenting and displaying tubular vessels in volumetric imaging data |
| WO2018001099A1 (zh) * | 2016-06-30 | 2018-01-04 | 上海联影医疗科技有限公司 | 一种血管提取方法与*** |
-
2020
- 2020-03-13 CN CN202010177262.0A patent/CN111325759B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101393644A (zh) * | 2008-08-15 | 2009-03-25 | 华中科技大学 | 一种肝门静脉血管树建模方法及其*** |
| CN110464520A (zh) * | 2012-01-25 | 2019-11-19 | 因特脉管有限公司 | 腔内装置和方法 |
| CN104899926A (zh) * | 2015-07-06 | 2015-09-09 | 上海联影医疗科技有限公司 | 医学图像分割方法和装置 |
| CN106127819A (zh) * | 2016-06-30 | 2016-11-16 | 上海联影医疗科技有限公司 | 医学图像中提取血管中心线的方法及其装置 |
| CN107203741A (zh) * | 2017-05-03 | 2017-09-26 | 上海联影医疗科技有限公司 | 血管提取方法、装置及其*** |
| CN110060263A (zh) * | 2018-04-24 | 2019-07-26 | 深圳科亚医疗科技有限公司 | 医学图像的分割方法、分割装置、分割***及计算机可读介质 |
| CN110047078A (zh) * | 2019-04-18 | 2019-07-23 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Extraction Method of Coronary Artery Blood Vessel Centerline in CT Coronary Angiography;Xiaodong Sheng等;IEEE Access;20191125;全文 * |
| 提取血管与血管中心线的算法研究;董娜娜;中国优秀硕士学位论文全文数据库医药卫生科技辑;20130131(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111325759A (zh) | 2020-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111325759B (zh) | 血管分割方法、装置、计算机设备及可读存储介质 | |
| US11501485B2 (en) | System and method for image-based object modeling using multiple image acquisitions or reconstructions | |
| CN109035284B (zh) | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 | |
| US7333648B2 (en) | Feature quantification from multidimensional image data | |
| US20190130578A1 (en) | Vascular segmentation using fully convolutional and recurrent neural networks | |
| US7567696B2 (en) | System and method for detecting the aortic valve using a model-based segmentation technique | |
| US11596384B2 (en) | Intraluminal ultrasound vessel border selection and associated devices, systems, and methods | |
| CN112967220B (zh) | 评估与血管周围组织有关的ct数据集的计算机实现的方法 | |
| CN109712163B (zh) | 冠脉提取方法、装置、图像处理工作站和可读存储介质 | |
| CN109360209B (zh) | 一种冠状血管分割方法及*** | |
| CN109727242B (zh) | 血管中心线提取方法、装置、计算机设备和存储介质 | |
| CN114119602B (zh) | 对医学图像进行对象分析的方法、装置和存储介质 | |
| KR20180097035A (ko) | 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치 | |
| CN111340825A (zh) | 一种纵膈***分割模型的生成方法及*** | |
| US7689018B2 (en) | Anomaly detection in volume data structure information | |
| CN113327225B (zh) | 用于提供气道信息的方法 | |
| US20040161144A1 (en) | Method for producing an image | |
| CN110619635A (zh) | 基于深度学习的肝细胞癌磁共振图像分割***和方法 | |
| US20230222668A1 (en) | Image processing apparatus, image processing method, and recording medium | |
| Mehta et al. | Heart Disease Diagnosis using Deep Learning | |
| CN114974518A (zh) | 多模态数据融合的肺结节影像识别方法及装置 | |
| EP3588378B1 (en) | Method for determining at least one enhanced object feature of an object of interest | |
| WO2001080185A1 (en) | Method and apparatus for three-dimensional reconstruction of angiograms | |
| CN113116378A (zh) | 多模态融合成像方法、超声设备及存储介质 | |
| US20240070855A1 (en) | Method and System of Calculating the Cross-section Area and Included Angle of Three-dimensional Blood Vessel Branch |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210818 Address after: Room 3674, 3 / F, 2879 Longteng Avenue, Xuhui District, Shanghai 200030 Applicant after: SHANGHAI UNITED IMAGING INTELLIGENT MEDICAL TECHNOLOGY Co.,Ltd. Applicant after: Lianying intelligent medical technology (Beijing) Co.,Ltd. Address before: Room 3674, floor 3, No. 2879, Longteng Avenue, Xuhui District, municipal district Applicant before: SHANGHAI UNITED IMAGING INTELLIGENT MEDICAL TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |