CN114037663A - 一种血管分割方法、装置及计算机可读介质 - Google Patents

Abstract

本发明公开了一种血管分割方法、装置及计算机可读介质，属于图像处理技术领域。该方法包括：从获取的血管分割图像中提取血管点位置信息，得到血管点云数据；血管分割图像是基于原始血管CT影像得到的；基于原始血管CT影像，对血管点云数据中所有血管点标记血管分类标签，并将携带有血管分类标签的血管点云数据作为第一训练样本；对多个第一训练样本进行模型训练，得到点云分割模型；并利用点云分割模型对待测血管分割图像对应的血管点云数据进行分割处理，得到血管分类结果。由此，使得点网络能够有效且完整地学习血管的拓扑结构，提高了血管分割的准确性；解决了现有技术中由于网络无法学习血管完整的拓扑结构导致血管分割不准确的问题。

Description

一种血管分割方法、装置及计算机可读介质

技术领域

本发明涉及图像处理技术领域，尤其涉及一种血管分割方法、装置及计算机可读介质。

背景技术

目前，常见的血管疾病有血管钙化、肿瘤、狭窄和斑块等；然而血管提取是血管疾病诊断的基础。血管通常具有管径小、狭长、弯曲过多，以及结构精细等特点。利用人工从医学图像中提取血管是一件非常耗时费力的工作，为此利用计算机辅助诊断的血管提取方法成为目前研究热点。

从血管电子计算机断层扫描图像中提取血管结构主要有两大类方法。第一类方法是基于图形学及血管拓扑结构建模；这类方法大多是基于几何结构，如轮廓横截面、最短路径、与血管结构类似的管状结构、中心线等方法；但此类方法容易受到血管噪声的影响，分割效果不是很好。第二类方法是基于深度学习的方法；例如学习像素级分类来分割血管结构。近几年随着CNN、FCN网络在各类图像分割任务上的突出表现，以及UNet在医学分割领域的广泛应用；使用3D卷积神经网络处理医学图像已经成为一个基础方法。但是由于三维医学图像尺寸较大，同时3D卷积神经网络参数量庞大，因此对计算机的算力提出了很高的要求。为此，通常的深度学习分割任务中都是对原始数据进行扩增处理，之后基于扩增处理后的数据进行训练，但是数据扩增处理破坏了血管的完整结构，非常不利于网络学习血管的几何拓扑结构，因此分类效果也不理想。此外，由于血管管径小，为了能够对血管病灶进行准确的诊断，通常在血管分割阶段对于血管的边界提取也提出了非常高的精度要求，否则后续病灶诊断很难进行。

发明内容

为了解决上述现有技术存在的问题，本发明实施例提供一种血管分割方法、装置及计算机可读介质，能够对血管进行准确分割，解决了现有技术中由于网络无法学习血管完整的拓扑结构导致血管分割不准确的问题。

为实现上述目的，根据本发明实施例第一方面，提供一种血管分割方法，该方法包括：从原始血管分割图像中提取血管点位置信息，得到血管点云数据；所述原始血管分割图像是基于原始血管电子计算机断层扫描CT影像得到的；基于所述原始血管CT影像，对所述血管点云数据中所有血管点标记血管分类标签，并将携带有血管分类标签的血管点云数据作为第一训练样本；对多个第一训练样本进行模型训练，得到点云分割模型；利用所述点云分割模型对所述待测血管分割图像对应的血管点云数据进行分割处理，得到血管分类结果。

可选的，所述对多个第一训练样本进行模型训练，得到点云分割模型，包括：针对任一所述第一训练样本：利用点云网络对所述第一训练样本进行特征提取，得到血管特征信息；对所述血管特征信息进行边界感知处理，得到输出结果；基于多个输出结果对所述点云网络进行参数调节，得到点云分割模型。

可选的，所述对所述血管特征信息进行边界感知处理，得到输出结果，包括：利用全局损失函数对所述血管特征信息进行约束处理，得到有效血管信息；利用边界损失函数对所述有效血管信息进行约束处理，得到输出结果。

可选的，所述待测血管分割图像通过如下方法获得：获取待测血管CT影像；利用血管分割模型对所述待测血管CT影像进行分割处理，得到待测血管分割图像。

可选的，所述血管分割模型通过如下方法获得：获取血管CT影像序列；所述血管CT影像序列用于指示目标对象在不同时间对应的血管CT影像；针对任一所述血管CT影像：从所述血管CT影像中移除非图像区域，得到目标血管CT影像，并对所述目标血管CT影像进行数据扩增处理，得到若干待分割区域；基于所述血管CT影像序列对应的若干非分割区域，得到第二训练样本数据；利用所述第二训练样本数据进行模型训练，得到血管分割模型。

可选的，所述对所述目标血管CT影像进行数据扩增处理，得到若干待分割区域，包括：对所述目标血管CT影像进行裁剪处理，得到若干待分割区域；其中任意两个相邻所述待分割区域具有40％-60％的重叠区域。

为实现上述目的，根据本发明实施例第二方面，还提供一种血管分割装置，该装置包括：提取模块，用于从获取的血管分割图像中提取血管点位置信息，得到血管点云数据；所述血管分割图像是基于原始血管CT影像得到的；标记模块，用于基于所述原始血管CT影像，对所述血管点云数据中所有血管点标记血管分类标签，并将携带有血管分类标签的血管点云数据作为第一训练样本；训练模块，用于对多个第一训练样本进行模型训练，得到点云分割模型；分割模块，用于利用所述点云分割模型对所述待测血管分割图像对应的血管点云数据进行分割处理，得到血管分类结果。

可选的，所述训练模块包括：处理模块，用于针对任一所述第一训练样本：利用点云网络对所述训练样本进行特征提取，得到血管特征信息；对所述血管特征信息进行边界感知处理，得到输出结果；调节模块，用于基于多个输出结果对所述点云网络进行参数调节，得到点云分割模型。

可选的，所述处理模块包括：全局约束处理单元，用于利用全局损失函数对所述血管特征信息进行约束处理，得到有效血管信息；边界约束处理单元，用于利用边界损失函数对所述有效血管信息进行约束处理，得到输出结果。

为实现上述目的，根据本发明实施例第三方面，还提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如第一方面所述的方法。

与现有技术相比，本发明实施例提供一种血管分割方法、装置及计算机可读介质，该方法首先从获取的血管分割图像中提取血管点位置信息，得到血管点云数据；血管分割图像是基于原始血管CT影像得到的；其次基于原始血管CT影像，对血管点云数据中所有血管点标记血管分类标签，并将携带有血管分类标签的血管点云数据作为第一训练样本；之后对多个第一训练样本进行模型训练，得到点云分割模型；并利用点云分割模型对待测血管分割图像对应的血管点云数据进行分割处理，得到血管分类结果。由此，基于原始血管CT影像，对血管分割图像中各血管点标记标签，并基于点云网络对具有标签的各血管点进行分类学习，从而使得网络能够有效且完整地学习血管的拓扑结构，提高了血管分割的准确性；解决了现有技术中由于网络无法学习血管完整的拓扑结构导致血管分割不准确的问题。

理解的是，本发明的教导并不需要实现上面所述的全部有益效果，而是特定的技术方案可以实现特定的技术效果，并且本发明的其他实施方式还能够实现上面未提到的有益效果。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中在附图中，相同或对应的标号表示相同或对应的部分。

图1为本发明一实施例血管分割方法的示意性流程图；

图2为本发明一实施例中生成血管分割模型的示意性流程图；

图3为本发明一实施例中生成点云分割模型的示意性流程图；

图4为本发明一实施例中待测冠状动脉CT影像；

图5为本发明一实施例中待测冠状动脉分割图像；

图6为本发明一实施例中冠状动脉分类结果；

图7为本发明一实施例血管分割装置的示意性结构图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明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，而不会背离本发明的范围和精神。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。

如图1所示，本发明一实施例血管的分割方法的示意性流程图。一种血管的分割方法，包括具体操作流程如下：S101，从原始血管分割图像中提取血管点位置信息，得到血管点云数据；原始血管分割图像是基于原始血管电子计算机断层扫描CT影像得到的；S102，基于原始血管CT影像，对血管点云数据中所有血管点标记血管分类标签，并将携带有血管分类标签的血管点云数据作为第一训练样本；S103，对多个第一训练样本进行模型训练，得到点云分割模型；S104，利用点云分割模型对待测血管分割图像对应的血管点云数据进行分割处理，得到血管分类结果。

在S101中，原始血管分割图像可以是直接获取的，也可以是利用现有血管分割模型对原始血管CT图像进行分割处理后得到的，还可以是利用训练好的血管分割模型对原始血管CT图像进行分割处理后得到的。例如：获取原始血管CT影像序列；针对任一原始血管CT影像：利用血管分割模型对原始血管CT影像进行分割处理，得原始血管分割图像。在这里，血管分割模型可以是基于CNN网络训练得到的，也可以是基于FCN网络训练得到的，还可以是基于UNet网络训练得到的。

具体地，通过将血管分割图像转化成点云格式的数据，从而获取血管分割图像中所有的血管点位置信息，即血管点云数据；血管点位置信息是指血管点空间坐标信息，其中血管点空间坐标信息包括X轴、Y轴以及Z轴的信息。

在S102中，基于血管点位置信息，从原始血管CT图像中查询与血管点位置信息对应的分类标签，并将查询到的分类标签标记在原始血管分割图像对应的血管点上，得到第一训练样本。

在S103中，针对任一第一训练样本：利用点云网络对第一训练样本进行特征提取，得到血管特征信息；利用全局损失函数对血管特征信息进行约束处理，得到输出结果。基于多个输出结果对点云网络进行参数调节，得到点云分割模型。由此，采用点云网络的特征提取可以实现从局部特征一直覆盖到整个点云数据，从而能够确保点云网络提取到血管点云数据的全局特征信息，有利于点云分割模型对血管拓扑结构进行整体性学习，提高点云分割模型分割的准确性。

在这里，全局损失函数是指利用DiceLoss计算所有血管点的损失，得到损失项Lall。由此采用全局损失函数对血管特征信息进行约束处理，提高了点云网络的收敛速度和学习能力。

在S104中，待测血管分割图像可以是直接获取的，也可以是利用现有血管分割模型对待测血管CT图像进行分割处理后得到的，还可以是利用训练好的血管分割模型对待测血管CT图像进行分割处理后得到的；例如：待测血管分割图像通过如下方法获得：获取待测血管CT影像；利用血管分割模型对待测血管CT影像进行分割处理，得到待测血管分割图像。在这里，血管分割模型可以是基于CNN网络训练得到的，也可以是基于FCN网络训练得到的，还可以是基于UNet网络训练得到的。

需要说明的是，点云分割模型不是简单地对血管分割图像进行分类，而是在学习血管的完整结构信息后对血管分割图像中血管再次进行准确分割和分类，提高了不同血管分割的准确性。

还需要说明的是，对血管的类型不作限定，可以是任意形式的血管，例如血管可以是冠状动脉血管，还可以是头部颈动脉血管等等。

本发明实施例通过从血管分割图像中提取所有血管点位置信息，并对所有血管点标记分类标签，得到第一训练样本；之后多个第一训练样本进行模型训练，得到点云分割模型；最后利用点云分割模型对待测血管分割图像对应的血管点云数据进行分割处理，得到血管分类结果。由此在血管粗分割的基础上利用点云分割模型对血管分割图像进行再次分割，提高了不同种类血管分割结果的准确性；解决了现有技术中由于采用UNet模型对血管进行粗分割导致血管分割结果不准确的问题。

如图2所示，本发明一实施例中生成血管分割模型的示意性流程图。本实施例是在前述实施例的基础上进一步优化得到的。生成血管分割模型，包括具体操作流程如下：S201，获取血管CT影像序列；血管CT影像序列用于指示目标对象在不同时间对应的血管CT影像；S202，针对任一血管CT影像：从血管CT影像中移除非图像区域，得到目标血管CT影像，并对目标血管CT影像进行数据扩增处理，得到若干待分割区域；并将若干待分割区域作为第二训练样本；S203，基于血管CT影像序列对应的若干非分割区域，得到第二训练样本数据；S204，利用第二训练样本数据进行模型训练，得到血管分割模型。

在S201中，目标对象例如心脏、头部或腿部等不同部位；血管CT影像序列是由若干血管CT影像组成的。

在S202和S203中，非图像区域用于指示血管CT影像中且位于目标对象周围的无用黑色边框。由于非图像区域对于网络学习血管特征没有任何帮助，通过移除非图像区域，保留了血管CT图像中间有用信息，即目标血管CT图像，由此降低了训练样本的尺寸，提高了血管分割模型训练的准确性。

数据扩增处理包括但不限于以下几种处理方式：旋转、翻转、平移、对比度调节、噪声、遮挡和裁剪等。具体地，对目标血管CT图像进行裁剪处理，得到若干待分割区域；其中任意两个相邻待分割区域具有40％-60％的重叠区域；例如，待分割区域可以是140*140*140尺寸的小块区域，待分割区域在三个维度各有50％的重叠度。由此，能够保证裁剪时边界信息不丢失，从而提高血管分割模型训练的准确性。

在S204中，将第二训练样本数据按照特定比例随机划分成训练集和测试集；引入残差结构的UNet网络进行模型训练，并利用DiceLoss作为损失函数计算前景损失，学习率使用指数衰减法，用5折交叉验证得到最优的血管分割模型，即UNet模型。由于血管在整个三维数据中的占比非常低，利用DiceLoss函数计算前景损失，降低了类别不均衡带来的影响，可以提高血管分割模型分割的准确度。

需要说明的是，本实施例的血管分割模型只对血管和非血管进行分割，而不对血管各个分支做分类任务。

如图3所示，本发明一实施例中生成点云分割模型的示意性流程图。本实施例是在前述实施例的基础上进一步优化得到的。生成点云分割模型，包括具体操作流程如下：S301，针对任一第一训练样本：利用点云网络对训练样本进行特征提取，得到血管特征信息；S302，对血管特征信息进行边界感知处理，得到输出结果；S303，基于多个输出结果对点云网络进行参数调节，得到点云分割模型。

在血管分割模型的训练阶段，由于对目标血管CT影像做了扩增处理，因此的UNet网络没有学习到血管的整体结构信息；为此通过点云网络对第一训练样本进行特征提取，从而使得点云网络能够学习血管整体几何结构，有利于血管分割和分类。点云网络的特征提取可以从局部一直覆盖到整个点云数据，这样不仅保证了点云网络能够提取到血管的全局特征信息，而且能够对血管的拓扑结构进行整体的学习。

点云网络的血管分割本质上是对每个血管点的分类任务，而血管边界点又属于难分类样本点，即网络预测结果在边界点上极易产生错误；为此，对血管特征信息进行边界感知处理以降低边界点的分类错判率。具体地，利用全局损失函数对血管特征信息进行约束处理，得到有效血管信息；利用边界损失函数对有效血管信息进行约束处理，得到输出结果。边界损失函数例如Focal loss；全局损失函数例如DiceLoss；总的损失项为Lboundary+Lall。例如：在利用UNet模型对冠状动脉血管进行粗分割时，由于获得的冠状动脉血管分割图像中可能存在非冠状动脉血管，此时使用边界感知处理可以将此类非冠状动脉血管去掉，只保留冠装动脉血管，这也提高了冠状动脉血管的分割精度。由此采用损失函数DiceLoss和Focal loss结合使用的方式来代替传统的单损失函数，使得点云网络的收敛速度和学习能力都有了较大的提升，对于血管的分割有更为理想的效果。

由此，本实施例将边界感知处理和点云网络相结合，从而能够精确的分割出血管结构，并对血管分支做出更好的分类，提高了血管分割和分类的准确性。

应理解，在本发明的各实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在的逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

如图4所示，本发明一实施例中待测冠状动脉CT影像；如图5所示，本发明一实施例中待测冠状动脉分割图像；如图6所示，本发明一实施例中冠状动脉分类结果。

下面结合具体的应用场景对本发明的实现过程进行详细说明：

1、生成冠状动脉分割模型：获取冠状动脉CT影像序列；针对任一冠状动脉CT影像，从冠状动脉CT影像中移除非图像区域，得到目标冠状动脉CT影像；对目标冠状动脉CT影像进行裁剪处理，得到若干待分割区域；待分割区域是140*140*140尺寸的小块区域，其中任意两个相邻待分割区域具有50％的重叠区域；将若干待分割区域作为第二训练样本；基于冠状动脉CT影像序列获得第二训练样本数据；之后利用引入残差结构的UNet网络对第二训练样本数据进行模型训练，并使用DiceLoss作为损失函数对输出结果进行约束，训练过程中学习率使用指数衰减法，得到冠状动脉分割模型。其中第二训练样本数据可以划分为训练集和测试集。

2、生成点云分割模型：获取冠状动脉CT影像序列；针对任一冠状动脉CT影像：利用冠状动脉分割模型对冠状动脉CT影像进行分割处理，得到冠状动脉分割图像；将冠状动脉分割图像转化成点云格式数据，得到血管点云数据；基于冠状动脉CT影像，对血管点云数据中所有血管点标记血管分类标签，并将携带有血管分类标签的血管点云数据作为第一训练样本。基于冠状动脉CT影像序列，得到第一训练样本数据；针对任一第一训练样本：利用点云网络对第一训练样本进行特征提取，得到血管特征信息；利用DiceLoss损失函数对所有血管特征信息进行全局约束处理，得到有效血管信息；利用Focal loss损失函数对有效血管信息进行边界约束处理，得到输出结果；基于多个输出结果对点云网络进行参数调节，得到点云分割模型。

3、预测：获取待测冠状动脉CT图像；利用冠状动脉分割模型对待测冠状动脉CT图像进行分割处理，得到待测冠状动脉分割图像和非冠状动脉分割图像；将待测冠状动脉分割图像转化成点云格式数据；利用点云分割模型对点云格式数据进行分割处理，得到冠状动脉分类结果。

本实施例采用点云网络进行模型训练，从而使得点云分割模型对冠状动脉血管的拓扑结构进行完整的学习，提高了冠状动脉血管分割的准确性；通过边界感知处理，从而对冠状动脉血管边界点进行更为细致调整，使得较难分割的冠状动脉血管边界点也能够得到准确的分割，提高了冠状动脉血管分割的准确性，解决了现有技术中人工提取耗时且耗力的问题，从而节省了医生对患者病理的诊断时间。

如图7所示，为本发明一实施例血管分割装置的示意结构图。一种血管分割装置，该装置700包括：提取模块701，用于从获取的血管分割图像中提取血管点位置信息，得到血管点云数据；所述血管分割图像是基于原始血管CT影像得到的；标记模块702，用于基于所述原始血管CT影像，对所述血管点云数据中所有血管点标记血管分类标签，并将携带有血管分类标签的血管点云数据作为第一训练样本；训练模块703，用于对多个第一训练样本进行模型训练，得到点云分割模型；分割模块704，用于利用所述点云分割模型对所述待测血管分割图像对应的血管点云数据进行分割处理，得到血管分类结果。

在可选的实施例中，所述训练模块包括：处理模块，用于针对任一所述第一训练样本：利用点云网络对所述训练样本进行特征提取，得到血管特征信息；对所述血管特征信息进行边界感知处理，得到输出结果；调节模块，用于基于多个输出结果对所述点云网络进行参数调节，得到点云分割模型。

在可选的实施例中，所述处理模块包括：全局约束处理单元，用于利用全局损失函数对所述血管特征信息进行约束处理，得到有效血管信息；边界约束处理单元，用于利用边界损失函数对所述有效血管信息进行约束处理，得到输出结果。

在可选的实施例中，待测血管分割图像通过如下方法获得：获取待测血管CT影像；利用血管分割模型对所述待测血管CT影像进行分割处理，得到待测血管分割图像。

在可选的实施例中，所述血管分割模型通过如下方法获得：获取血管CT影像序列；所述血管CT影像序列用于指示目标对象在不同时间对应的血管CT影像；针对任一所述血管CT影像：从所述血管CT影像中移除非图像区域，得到目标血管CT影像，并对所述目标血管CT影像进行数据扩增处理，得到若干待分割区域；基于所述血管CT影像序列对应的若干非分割区域，得到第二训练样本数据；利用所述第二训练样本数据进行模型训练，得到血管分割模型。

在可选的实施例中，所述对所述目标血管CT影像进行数据扩增处理，得到得到若干待分割区域，包括：对所述目标血管CT图像进行裁剪处理，得到若干待分割区域；其中任意两个相邻所述待分割区域具有40％-60％的重叠区域。

上述装置可执行本发明一实施例所提供的血管分割方法，具备执行疲劳测量方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的血管分割方法。

根据本发明再一实施例，还提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当该一个或多个程序被该一个或多个处理器执行，使得该一个或多个处理器实现本发明上述实施例提供的血管分割方法。

本发明实施例另一方面提供了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，使得所述处理器至少执行如下所述的操作步骤：S101，从原始血管分割图像中提取血管点位置信息，得到血管点云数据；原始血管分割图像是基于原始血管电子计算机断层扫描CT影像得到的；S102，基于原始血管CT影像，对血管点云数据中所有血管点标记血管分类标签，并将携带有血管分类标签的血管点云数据作为第一训练样本；S103，对多个第一训练样本进行模型训练，得到点云分割模型；S104，利用点云分割模型对待测血管分割图像对应的血管点云数据进行分割处理，得到血管分类结果。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

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发明揭露的技术范围内，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权利要求的保护范围为准。

Claims (10)

1.一种血管分割方法，其特征在于，包括：

从原始血管分割图像中提取血管点位置信息，得到血管点云数据；所述原始血管分割图像是基于原始血管电子计算机断层扫描CT影像得到的；

基于所述原始血管CT影像，对所述血管点云数据中所有血管点标记血管分类标签，并将携带有血管分类标签的血管点云数据作为第一训练样本；

对多个第一训练样本进行模型训练，得到点云分割模型；

利用所述点云分割模型对所述待测血管分割图像对应的血管点云数据进行分割处理，得到血管分类结果。

2.根据权利要求1所述的方法，其特征在于，所述对多个第一训练样本进行模型训练，得到点云分割模型，包括：

针对任一所述第一训练样本：利用点云网络对所述第一训练样本进行特征提取，得到血管特征信息；对所述血管特征信息进行边界感知处理，得到输出结果；

基于多个输出结果对所述点云网络进行参数调节，得到点云分割模型。

3.根据权利要求2所述的方法，其特征在于，所述对所述血管特征信息进行边界感知处理，得到输出结果，包括：

利用全局损失函数对所述血管特征信息进行约束处理，得到有效血管信息；

利用边界损失函数对所述有效血管信息进行约束处理，得到输出结果。

4.根据权利要求1所述的方法，其特征在于，所述待测血管分割图像通过如下方法获得：

获取待测血管CT影像；

利用血管分割模型对所述待测血管CT影像进行分割处理，得到待测血管分割图像。

5.根据权利要求4所述的方法，其特征在于，所述血管分割模型通过如下方法获得：

获取血管CT影像序列；所述血管CT影像序列用于指示目标对象在不同时间对应的血管CT影像；

针对任一所述血管CT影像：从所述血管CT影像中移除非图像区域，得到目标血管CT影像，并对所述目标血管CT影像进行数据扩增处理，得到若干待分割区域；

基于所述血管CT影像序列对应的若干非分割区域，得到第二训练样本数据；

利用所述第二训练样本数据进行模型训练，得到血管分割模型。

6.根据权利要求5所述的方法，其特征在于，所述对所述目标血管CT影像进行数据扩增处理，得到若干待分割区域，包括：

对所述目标血管CT影像进行裁剪处理，得到若干待分割区域；其中任意两个相邻所述待分割区域具有40％-60％的重叠区域。

7.一种血管分割装置，其特征在于，包括：

提取模块，用于从获取的血管分割图像中提取血管点位置信息，得到血管点云数据；所述血管分割图像是基于原始血管CT影像得到的；

标记模块，用于基于所述原始血管CT影像，对所述血管点云数据中所有血管点标记血管分类标签，并将携带有血管分类标签的血管点云数据作为第一训练样本；

训练模块，用于对多个第一训练样本进行模型训练，得到点云分割模型；

分割模块，用于利用所述点云分割模型对所述待测血管分割图像对应的血管点云数据进行分割处理，得到血管分类结果。

8.根据权利要求7所述的装置，其特征在于，所述训练模块包括：

处理模块，用于针对任一所述第一训练样本：利用点云网络对所述训练样本进行特征提取，得到血管特征信息；对所述血管特征信息进行边界感知处理，得到输出结果；

调节模块，用于基于多个输出结果对所述点云网络进行参数调节，得到点云分割模型。

9.根据权利要求8所述的装置，其特征在于，所述处理模块包括：

全局约束处理单元，用于利用全局损失函数对所述血管特征信息进行约束处理，得到有效血管信息；

边界约束处理单元，用于利用边界损失函数对所述有效血管信息进行约束处理，得到输出结果。

10.一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如权利要求1-6中任一项所述的方法。

Images