CN115239744A - 一种血管分割方法、装置、设备及存储介质 - Google Patents

一种血管分割方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115239744A
CN115239744A CN202210879904.0A CN202210879904A CN115239744A CN 115239744 A CN115239744 A CN 115239744A CN 202210879904 A CN202210879904 A CN 202210879904A CN 115239744 A CN115239744 A CN 115239744A
Authority
CN
China
Prior art keywords
blood vessel
target
vessel segmentation
segmentation
global
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210879904.0A
Other languages
English (en)
Inventor
于朋鑫
王大为
王少康
陈宽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Infervision Medical Technology Co Ltd
Original Assignee
Infervision Medical Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Infervision Medical Technology Co Ltd filed Critical Infervision Medical Technology Co Ltd
Priority to CN202210879904.0A priority Critical patent/CN115239744A/zh
Publication of CN115239744A publication Critical patent/CN115239744A/zh
Priority to PCT/CN2023/083199 priority patent/WO2024021641A1/zh
Pending legal-status Critical Current

Links

Images

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本申请提供了一种血管分割方法、装置、设备及存储介质，该血管分割方法包括：将原始医学图像输入至第一血管分割模型中，得到目标血管的第一血管分割预测结果，并从第一血管分割预测结果中，获取目标血管的血管主干定位结果；将原始医学图像裁切为多个局部图像块，并根据每一局部图像块在原始医学图像中的位置以及血管主干定位结果，从原始医学图像中裁剪出目标血管的全局区域；将全局区域输入至第一血管分割模型中，得到在中间阶段产生的全局中间特征图；将多个局部图像块输入至第二血管分割模型中，以数据交互的方式将全局中间特征图作为血管分割预测的参考信息引入至第二血管分割模型中，得到目标血管的第二血管分割预测结果。这样，本申请能够有效地提高血管分割结果的精确度。

Description

一种血管分割方法、装置、设备及存储介质
技术领域
本申请涉及图像处理技术领域，具体而言，涉及一种血管分割方法、装置、设备及存储介质。
背景技术
近年来，学者们运用深度学习技术对疾病诊断分析，深度学习运用于医学领域提高疾病诊断和辅助治疗已经成为一种趋势，并且在医学图像分割中具有重大的研究意义。
但是，目前血管分割算法的精确度还有待提升，仅依靠于单一的血管分割模型只能够得到较为粗糙的血管分割结果，例如，在新冠肺炎等急性肺部感染疾病等情况下，在对于诸如肺血管、肝脏血管等同时包含动脉血管和静脉血管的目标血管进行血管分割时，由于动脉血管与静脉血管的外观十分相似，因此，单一的血管分割模型难以对动脉血管与静脉血管进行有效地区分，从而导致模型输出的血管分割结果的精确度较低。
发明内容
有鉴于此，本申请的目的在于提供一种血管分割方法、装置、设备及存储介质，通过分阶段确定血管分割结果的方式，将每个局部区域到血管主干之间的全局信息以符合血管拓扑性的方式引入到第二阶段模型对每个局部区域进行血管分割预测的过程中，从而使得第二阶段的血管分割模型能够获得具有更强鉴别动静脉类别能力的特征表示，有效地提高了血管分割结果的精确度，减少了血管分割模型对于动静脉混淆的分割错误。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
第一方面，本申请实施例提供了一种血管分割方法，所述血管分割方法包括：
将包含有目标血管的原始医学图像输入至第一血管分割模型中，输出得到针对所述目标血管的第一血管分割预测结果，并从所述第一血管分割预测结果中，获取所述目标血管的血管主干定位结果；其中，所述第一血管分割预测结果中包括所述目标血管的第一动脉分割预测结果以及第一静脉分割预测结果；
将所述原始医学图像裁切为多个局部图像块，并根据每一所述局部图像块在所述原始医学图像中的位置以及所述血管主干定位结果，从所述原始医学图像中裁剪出所述目标血管对应的全局区域；其中，所述全局区域用于表征同时包括所述目标血管的血管主干以及每一所述局部图像块的图像区域；
将所述全局区域输入至所述第一血管分割模型中，通过所述第一血管分割模型，输出针对所述全局区域进行血管分割预测的中间阶段产生的全局中间特征图；
将所述多个局部图像块输入至第二血管分割模型中，在所述第二血管分割模型针对每个局部图像块进行血管分割预测的过程中，以数据交互的方式将所述全局中间特征图作为血管分割预测的参考信息引入至所述第二血管分割模型中，输出得到针对所述目标血管的第二血管分割预测结果；其中，所述第二血管分割预测结果中包括所述目标血管的第二动脉分割预测结果以及第二静脉分割预测结果。
在一种可选的实施方式中，所述从所述第一血管分割预测结果中，获取所述目标血管的血管主干定位结果，包括：
从所述第一动脉分割预测结果的最大连通域中，提取所述目标血管的动脉血管中线；
计算所述动脉血管中线与所述第一动脉分割预测结果中位于动脉血管表面的各体素单元之间的最短距离，将计算结果大于或者等于第一预设距离阈值的动脉血管所在区域作为所述血管主干定位结果中的动脉血管主干定位结果；
从所述第一静脉分割预测结果的最大连通域中，提取所述目标血管的静脉血管中线；
计算所述静脉血管中线与所述第一静脉分割预测结果中位于静脉血管表面的各体素单元之间的最短距离，将计算结果大于或者等于第二预设距离阈值的静脉血管所在区域作为所述血管主干定位结果中的静脉血管主干定位结果。
在一种可选的实施方式中，所述通过所述第一血管分割模型，输出针对所述全局区域进行血管分割预测的中间阶段产生的全局中间特征图，包括：
在所述第一血管分割模型针对输入的所述全局区域进行血管分割预测的中间阶段，通过所述第一血管分割模型，输出针对所述全局区域进行中间处理之后的一个或多个特征表示结果；其中，每一所述特征表示结果用于表征一种全局中间特征图。
在一种可选的实施方式中，所述在所述第二血管分割模型针对每个局部图像块进行血管分割预测的过程中，以数据交互的方式将所述全局中间特征图作为血管分割预测的参考信息引入至所述第二血管分割模型中，包括：
针对输入的每一所述局部图像块，在所述第二血管分割模型针对该局部图像块进行血管分割预测的中间阶段，获取所述第二血管分割模型针对该局部图像块进行中间处理之后的局部中间特征图；
针对所述局部中间特征图中包含的每一第一体素单元，计算该第一体素单元与所述全局中间特征图中包含的每一第二体素单元之间的相似度，得到该第一体素单元对应的相似度计算结果；
根据所述相似度计算结果以及所述全局中间特征图中包含的目标体素单元，从所述全局中间特征图中，确定出目标第二体素单元与所述目标体素单元之间的最优路径；其中，所述目标第二体素单元用于表征与该第一体素单元在所述目标血管上对应同一物理位置的第二体素单元；所述目标体素单元用于表征所述目标血管的血管主干在所述全局中间特征图上对应的体素单元；
根据每一第三体素单元与所述目标第二体素单元之间的相似度，以及每一所述第三体素单元与所述目标第二体素单元之间的特征距离，通过加权求和的方式，计算得到所述目标第二体素单元对应的融合特征；其中，所述第三体素单元用于表征所述最优路径在所述全局中间特征图上覆盖的体素单元；
将所述融合特征与该第一体素单元在所述局部中间特征图中的局部特征进行特征拼接，并基于每一所述第一体素单元对应的特征拼接结果，输出得到该局部图像块在血管分割预测的中间阶段对应的特征表示结果。
在一种可选的实施方式中，所述根据所述相似度计算结果以及所述全局中间特征图中包含的目标体素单元，从所述全局中间特征图中，确定出目标第二体素单元与所述目标体素单元之间的最优路径，包括：
根据所述目标体素单元在所述全局中间特征图中的位置信息，从所述全局中间特征图中，确定出所述目标第二体素单元与所述目标体素单元之间的多条候选路径；
根据所述相似度计算结果，从所述多条候选路径中，筛选出路程最短且路径上覆盖的每一第二体素单元与该第一体素单元之间的相似度和值最大的候选路径作为所述最优路径。
在一种可选的实施方式中，通过以下方法，训练得到所述第一血管分割模型：
获取多个包含有目标血管的医学图像作为第一训练样本数据；其中，每一所述医学图像中包含所述目标血管的血管标记结果；所述血管标记结果包括：所述目标血管的动脉血管标记结果以及静脉血管标记结果；
将所述第一训练样本数据输入至第一血管分割模型中，输出得到针对每一所述医学图像的第三血管分割预测结果；其中，所述第三血管分割预测结果中包含所述目标血管的动脉血管预测结果以及静脉血管预测结果；
基于每一所述医学图像的第三血管分割预测结果与每一所述医学图像对应的血管标记结果之间的分割损失，对第一血管分割模型进行训练，直至第一血管分割模型达到收敛。
在一种可选的实施方式中，通过以下方法，训练得到所述第二血管分割模型：
针对每一所述医学图像，将该医学图像裁切为多个样本图像块，并根据每一所述样本图像块在该医学图像中的位置以及所述目标血管的血管主干在该医学图像中的定位结果，从该医学图像中裁剪出所述目标血管对应的初始全局区域；其中，所述初始全局区域用于表征同时包括所述目标血管的血管主干以及每一所述样本图像块的图像区域；
将所述初始全局区域输入至训练好的第一血管分割模型中，通过训练好的第一血管分割模型，输出针对所述初始全局区域进行血管分割预测的中间阶段产生的初始全局中间特征图；
将所述多个样本图像块输入至第二血管分割模型中，在第二血管分割模型针对每个样本图像块进行血管分割预测的过程中，以数据交互的方式将所述初始全局中间特征图作为血管分割预测的参考信息引入至第二血管分割模型中，输出得到针对该医学图像的第四血管分割预测结果；其中，所述第四血管分割预测结果中包含所述目标血管的动脉血管预测结果以及静脉血管预测结果；
基于每一所述医学图像的第四血管分割预测结果与每一所述医学图像对应的血管标记结果之间的分割损失，对第二血管分割模型进行训练，直至第二血管分割模型达到收敛。
第二方面，本申请实施例提供了一种血管分割装置，所述血管分割装置包括：
粗分割模块，用于将包含有目标血管的原始医学图像输入至第一血管分割模型中，输出得到针对所述目标血管的第一血管分割预测结果，并从所述第一血管分割预测结果中，获取所述目标血管的血管主干定位结果；其中，所述第一血管分割预测结果中包括所述目标血管的第一动脉分割预测结果以及第一静脉分割预测结果；
裁切模块，用于将所述原始医学图像裁切为多个局部图像块，并根据每一所述局部图像块在所述原始医学图像中的位置以及所述血管主干定位结果，从所述原始医学图像中裁剪出所述目标血管对应的全局区域；其中，所述全局区域用于表征同时包括所述目标血管的血管主干以及每一所述局部图像块的图像区域；
中间输出模块，用于将所述全局区域输入至所述第一血管分割模型中，通过所述第一血管分割模型，输出针对所述全局区域进行血管分割预测的中间阶段产生的全局中间特征图；
数据交互模块，用于将所述多个局部图像块输入至第二血管分割模型中，在所述第二血管分割模型针对每个局部图像块进行血管分割预测的过程中，以数据交互的方式将所述全局中间特征图作为血管分割预测的参考信息引入至所述第二血管分割模型中，输出得到针对所述目标血管的第二血管分割预测结果；其中，所述第二血管分割预测结果中包括所述目标血管的第二动脉分割预测结果以及第二静脉分割预测结果。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器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的血管分割方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述的血管分割方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请实施例提供的一种血管分割方法、装置、设备及存储介质，将包含有目标血管的原始医学图像输入至第一血管分割模型中，输出得到针对目标血管的第一血管分割预测结果，并从第一血管分割预测结果中，获取目标血管的血管主干定位结果；将原始医学图像裁切为多个局部图像块，并根据每一局部图像块在原始医学图像中的位置以及血管主干定位结果，从原始医学图像中裁剪出目标血管对应的全局区域；将全局区域输入至第一血管分割模型中，通过第一血管分割模型，输出针对全局区域进行血管分割预测的中间阶段产生的全局中间特征图；将多个局部图像块输入至第二血管分割模型中，在第二血管分割模型针对每个局部图像块进行血管分割预测的过程中，以数据交互的方式将全局中间特征图作为血管分割预测的参考信息引入至第二血管分割模型中，输出得到针对目标血管的第二血管分割预测结果。
通过这种分阶段确定血管分割结果的方式，本申请能够将每个局部区域到血管主干之间的全局信息以符合血管拓扑性的方式引入到第二阶段模型对每个局部区域进行血管分割预测的过程中，从而使得第二阶段的血管分割模型能够获得具有更强鉴别动静脉类别能力的特征表示，有效地提高了血管分割结果的精确度，减少了血管分割模型对于动静脉混淆的分割错误。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请实施例所提供的一种血管分割方法的流程示意图；
图2示出了本申请实施例所提供的一种获取血管主干定位结果的方法的流程示意图；
图3示出了本申请实施例所提供的一种第一血管分割模型的模型结构示意图；
图4a示出了本申请实施例所提供的一种引入全局中间特征图的方法的流程示意图；
图4b示出了本申请实施例所提供的一种第一血管分割模型与第二血管分割模型之间进行数据交互的交互示意图；
图4c示出了本申请实施例所提供的一种确定最优路径的交互示意图；
图5示出了本申请实施例所提供的一种训练第一血管分割模型的方法的流程示意图；
图6示出了本申请实施例所提供的一种训练第二血管分割模型的方法的流程示意图；
图7示出了本申请实施例所提供的一种血管分割装置的结构示意图；
图8示出了本申请实施例提供了一种计算机设备800。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
目前血管分割算法的精确度还有待提升，仅依靠于单一的血管分割模型只能够得到较为粗糙的血管分割结果，此时，在对于诸如肺血管、肝脏血管等同时包含动脉血管和静脉血管的目标血管进行血管分割时，由于动脉血管与静脉血管的外观十分相似，因此，单一的血管分割模型难以对动脉血管与静脉血管进行有效地区分，从而导致模型输出的血管分割结果的精确度较低。
基于此，本申请实施例提供了一种血管分割方法、装置、设备及存储介质，将包含有目标血管的原始医学图像输入至第一血管分割模型中，输出得到针对目标血管的第一血管分割预测结果，并从第一血管分割预测结果中，获取目标血管的血管主干定位结果；将原始医学图像裁切为多个局部图像块，并根据每一局部图像块在原始医学图像中的位置以及血管主干定位结果，从原始医学图像中裁剪出目标血管对应的全局区域；将全局区域输入至第一血管分割模型中，通过第一血管分割模型，输出针对全局区域进行血管分割预测的中间阶段产生的全局中间特征图；将多个局部图像块输入至第二血管分割模型中，在第二血管分割模型针对每个局部图像块进行血管分割预测的过程中，以数据交互的方式将全局中间特征图作为血管分割预测的参考信息引入至第二血管分割模型中，输出得到针对目标血管的第二血管分割预测结果。
通过这种分阶段确定血管分割结果的方式，本申请能够将每个局部区域到血管主干之间的全局信息以符合血管拓扑性的方式引入到第二阶段模型对每个局部区域进行血管分割预测的过程中，从而使得第二阶段的血管分割模型能够获得具有更强鉴别动静脉类别能力的特征表示，有效地提高了血管分割结果的精确度，减少了血管分割模型对于动静脉混淆的分割错误。
需要说明的是，本申请实施例提供的血管分割方法适用于血管分割装置中，该在血管分割装置可以集成在计算机设备中。
具体的，上述计算机设备可以为终端设备，例如：手机、平板电脑、笔记本电脑、台式电脑等；上述计算机设备还可以为服务器，该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式***，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(ContentDelivery Network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器，但并不局限于此。
为便于对本申请实施例进行理解，下面对本申请实施例提供的一种血管分割方法、装置、设备及存储介质进行详细介绍。
参照图1所示，图1示出了本申请实施例所提供的一种血管分割方法的流程示意图，所述血管分割方法包括步骤S101-S104；具体的：
S101，将包含有目标血管的原始医学图像输入至第一血管分割模型中，输出得到针对所述目标血管的第一血管分割预测结果，并从所述第一血管分割预测结果中，获取所述目标血管的血管主干定位结果。
这里，原始医学图像用于表征包含目标血管的三维图像，例如，可以是包含目标血管的CT(Computed Tomography，电子计算机断层扫描)图像，也可以是包含目标血管的CTA图像(即CT血管成像)等；对于上述原始医学图像所属的具体数据类型，本申请实施例不作任何限定。
在本申请实施例中，基于本申请实施例提供的血管分割方法能够通过分阶段确定肺血管分割结果的方式，有效地减少血管分割模型对于动静脉混淆的分割错误；因此，在一种优选的实施方式中，目标血管可以用于表征同时包含动脉血管以及静脉血管的血管(如，目标血管可以是包含肺动脉和肺静脉的肺血管，也可以是包含肝动脉和肝静脉的肝脏血管)。
此时，在上述优选的实施方式中，第一血管分割模型输出的第一血管分割预测结果中既包括目标血管的第一动脉分割预测结果(即原始医学图像中动脉血管所在的图像区域)，也包括目标血管的第一静脉分割预测结果(即原始医学图像中静脉血管所在的图像区域)；例如，若目标血管为肺血管，则原始医学图像可以是肺部三维图像，将肺部三维图像输入第一血管分割模型中，可以输出得到肺动脉分割预测结果以及肺静脉预测结果。
需要说明的是，在其他的可选实施方式中，目标血管也可以没有动脉/静脉之分的普通血管，此时第一血管分割模型输出的第一血管分割预测结果即为：原始医学图像中目标血管所在的图像区域；目标血管有无动脉/静脉之分并不影响本申请实施例解决针对目标血管的血管分割问题。基于此，对于上述目标血管所属的具体血管类型，本申请实施例不作任何限定。
具体的，当目标血管存在动脉/静脉之分时，则从第一血管分割结果中获取到的血管主干定位结果包括：目标血管中动脉血管主干的定位结果(即第一血管分割结果中属于动脉血管主干的图像区域)以及静脉血管主干的定位结果(即第一血管分割结果中属于静脉血管主干的图像区域)；例如，若目标血管为肺血管，则从第一血管分割结果中获取到的血管主干定位结果包括：肺动脉主干定位结果以及肺静脉主干定位结果。
具体的，当目标血管不存在动脉/静脉之分时，则从第一血管分割结果中获取到的血管主干定位结果包括：目标血管的血管主干定位结果(即第一血管分割结果中属于目标血管主干的图像区域)。
S102，将所述原始医学图像裁切为多个局部图像块，并根据每一所述局部图像块在所述原始医学图像中的位置以及所述血管主干定位结果，从所述原始医学图像中裁剪出所述目标血管对应的全局区域。
这里，在上述步骤S101中，本申请实施例在血管分割的第一阶段仅是通过第一血管分割模型得到目标血管的粗分割预测结果，而在血管分割的第二阶段(即步骤S104)才需要通过第二血管分割模型，来获取更为精细的血管分割结果。
具体的，为了获取更为精细的血管分割结果，因此，与血管分割的第一阶段中第一血管分割模型直接使用目标血管的全局图像(即包含有目标血管的原始医学图像)作为模型输入数据不同的是，在血管分割的第二阶段，第二血管分割模型是使用分辨率更高的目标血管的局部图像(即上述裁切后的多个局部图像块)作为模型输入数据。
基于此，正是由于第二血管分割模型是使用上述裁切后的多个局部图像块作为模型输入数据，因此，在第二血管分割模型进行血管分割预测之前，需要通过步骤S102的实施，从原始医学图像中裁剪出与上述多个局部图像块相对应的目标血管的全局区域，以便通过后续步骤S103-S104的实施，能够在第二血管分割模型针对输入的每个局部图像块进行分割预测的过程中，通过引入的上述全局区域的相关特征表示，使得第二血管分割模型能够获得具有更强鉴别动静脉类别能力的特征表示。
这里，上述全局区域用于表征同时包括所述目标血管的血管主干以及每一所述局部图像块的图像区域，并且在全局区域中同时记录有每个局部图像块在原始医学图像中的位置信息。
具体的，上述位置信息可以理解为每个局部图像块在原始医学图像中对应的具体三维位置坐标；也可以理解为每个局部图像块中包含的目标血管区域在目标血管上实际对应的物理位置信息(由于原始医学图像中包含完整的目标血管，所以实际的物理位置信息同样能够起到对于每个局部图像块进行定位的效果)。基于此，对于上述位置信息的具体信息形式，本申请实施例不作任何限定。
需要说明的是，在对原始医学图像进行裁切时，可以将原始医学图像裁切成多个相同尺寸的局部图像块；也可以通过随机裁切的方式，将原始医学图像裁切成尺寸不定的多个局部图像块；对于裁切后得到的每个局部图像块的尺寸是否相同，本申请实施例不作任何限定。
S103，将所述全局区域输入至所述第一血管分割模型中，通过所述第一血管分割模型，输出针对所述全局区域进行血管分割预测的中间阶段产生的全局中间特征图。
需要说明的是，第一血管分割模型可以是基于Unet分割网络构建的血管分割模型，也可以基于ResUNet网络等其他类型的分割网络构建的血管分割模型；对于第一血管分割模型的具体模型结构，本申请实施例不作任何限定。
这里，在模型输入与模型输出之间的分割预测过程中，第一血管分割模型内部会对输入的全局区域进行多次中间处理，例如，当第一血管分割模型是基于Unet分割网络构建的血管分割模型时，第一血管分割模型内部会对输入的全局区域进行多次下采样处理以及多次上采样处理，从而得到针对全局区域的最终血管分割预测结果。
基于此，在执行S103时，作为一可选实施例，可以在第一血管分割模型针对输入的全局区域进行血管分割预测的中间阶段，通过第一血管分割模型，输出针对全局区域进行中间处理之后的一个或多个特征表示结果；其中，每一个特征表示结果都可以用于表征一种全局中间特征图。对于后续步骤S104中具体引入一个全局中间特征图，还是引入多个全局中间特征图，本申请实施例不作任何限定。
S104，将所述多个局部图像块输入至第二血管分割模型中，在所述第二血管分割模型针对每个局部图像块进行血管分割预测的过程中，以数据交互的方式将所述全局中间特征图作为血管分割预测的参考信息引入至所述第二血管分割模型中，输出得到针对所述目标血管的第二血管分割预测结果。
这里，由于第二血管分割模型仍然是针对目标血管进行的血管分割预测(只是基于引入的全局中间特征图以及使用多个局部图像块作为模型输入数据的处理方式，能够获得比第一血管分割预测结果更为精确的血管分割预测结果而已)，因此，当目标血管具有动脉/静脉之分时，则第二血管分割预测结果中包括：目标血管的第二动脉分割预测结果以及第二静脉分割预测结果。
需要说明的是，与第一血管分割预测结果类似，若目标血管中不存在动脉/静脉之分，则第二血管分割模型输出的第二血管分割预测结果即为：目标血管所在的图像区域。基于此，对于上述第二血管分割预测结果表征的具体结果内容，本申请实施例不作任何限定。
在本申请实施例中，第二血管分割模型同样可以是基于Unet分割网络/ResUNet网络等其他类型的分割网络构建的血管分割模型；对于第二血管分割模型的具体模型结构，本申请实施例同样不作任何限定。
需要说明的是，相比于第一血管分割模型，第二血管分割模型的模型结构可以与第一血管分割模型相同或相似，此时，由于第一血管分割模型是用于对目标血管进行粗分割预测，第二血管分割模型用于对目标血管进行精细分割预测，因此，虽然两个模型的结构可以相同或相似，但是第二血管分割模型的模型深度以及包含的具体模型参数则会高于第一血管分割模型；也即，在本申请实施例中，第一血管分割模型与第二血管分割模型分属于不同的血管分割模型。
具体的，基于前述步骤S103可知，在步骤S103中可以获取一个全局中间特征图，也可以获取多个全局特征图；其中，当在步骤S103中获取一个全局中间特征图时，则对于获取的该全局中间特征图具体在第二血管分割模型内的哪一中间阶段引入，本申请实施例不作任何限定；而当在步骤S103中获取多个全局中间特征图时，基于第二血管分割模型的模型结构可以与第一血管分割模型近似的特点，作为一优选实施方式，还可以根据每个全局中间特征图在第一血管分割模型中的出处，将其在第二血管分割模型内的同一中间阶段处引入，以便第二血管分割模型能够获得具有更强鉴别动静脉类别能力的特征表示，进一步提高模型输出的第二血管分割结果的精确度。
下面针对上述各步骤在本申请实施例中的具体实施过程，分别进行详细说明：
针对上述步骤S101的具体实施过程，除直接将原始医学图像作为第一血管分割模型的模型输入数据之外，考虑到在第一阶段得到的第一血管分割预测结果并不需要非常精细，因此，在另一种可选实施方式下，还可以对原始医学图像进行下采样处理，使其整体尺寸可以控制在一定范围内，并将下采样处理后的图像数据输入至第一血管分割模型中，同样可以达到学习目标血管的全局信息的效果。
示例性的说明，以原始医学图像是图像尺寸为300×300×400的肺部医学图像为例，通过对原始医学图像进行下采样处理，可以得到图像尺寸为128×128×128的肺部医学图像，并将下采样处理后得到的小尺寸肺部医学图像输入第一血管分割模型中，同样可以得到第一血管分割预测结果。
需要说明的是，上述示例所示的具体图像尺寸仅用于进行具体示例性说明，对于实际操作过程中使用的原始医学图像的图像尺寸，以及下采样处理得到的医学图像的具体图像尺寸，本申请实施例不作任何限定。
针对上述步骤S101的具体实施过程，需要说明的是，血管主干定位结果并不需要通过模型来进行获取，基于此，当目标血管中存在动脉/静脉之分时，参照图2所示，图2示出了本申请实施例所提供的一种获取血管主干定位结果的方法的流程示意图，所述方法包括步骤S201-S204；具体的：
S201，从所述第一动脉分割预测结果的最大连通域中，提取所述目标血管的动脉血管中线。
具体的，在第一血管分割模型输出的第一动脉分割预测结果中，可能包括属于动脉血管的图像连通域(可以是多个大小不一的图像连通域)、不属于动脉血管的背景图像以及属于动脉血管但无法构成连通域的离散图像单元。
此时，基于动脉血管主干属于动脉中较粗的血管部分，且动脉血管主干与动脉血管的每个血管分支是连通的，因此，可以直接从第一动脉分割预测结果的最大连通域(相当于动脉血管主干集中分布的区域)中，提取目标血管的动脉血管中线。
S202，计算所述动脉血管中线与所述第一动脉分割预测结果中位于动脉血管表面的各体素单元之间的最短距离，将计算结果大于或者等于第一预设距离阈值的动脉血管所在区域作为所述血管主干定位结果中的动脉血管主干定位结果。
这里，基于原始医学图像属于三维图像，因此，上述体素单元相当于三维图像中的基本图像单元，其概念可以类比于二维图像中的像素点；对于上述体素单元表征的具体体积取值，本申请实施例不作任何限定。
具体的，由于血管主干属于动脉中较粗的血管部分，因此，可以基于第一预设距离阈值，将上述计算结果大于或者等于第一预设距离阈值的动脉血管所在区域作为动脉血管主干定位结果。
需要说明的是，上述第一预设距离阈值的具体取值可以根据实际进行血管分割的目标血管所属的血管类型进行确定，对此本申请实施例不作任何限定。
S203，从所述第一静脉分割预测结果的最大连通域中，提取所述目标血管的静脉血管中线。
这里，步骤S203的具体实施方式与上述步骤S201相同，重复之处在此不再赘述。
S204，计算所述静脉血管中线与所述第一静脉分割预测结果中位于静脉血管表面的各体素单元之间的最短距离，将计算结果大于或者等于第二预设距离阈值的静脉血管所在区域作为所述血管主干定位结果中的静脉血管主干定位结果。
这里，步骤S204的具体实施方式与上述步骤S202相同，重复之处在此不再赘述。
需要说明的是，上述第二预设距离阈值的具体取值同样可以根据实际进行血管分割的目标血管所属的血管类型进行确定，对于第二预设距离阈值的具体取值以及第二预设距离阈值是否与第一预设距离阈值取值相同，本申请实施例不作任何限定。
针对上述步骤S103的具体实施过程，以第一血管分割模型是以Unet分割网络构建的血管分割模型为例，参照图3所示，图3示出了本申请实施例所提供的一种第一血管分割模型的模型结构示意图，如图3所示，在第一血管分割模型内部，第一血管分割模型对于输入的全局区域会进行多次下采样处理301以及多次上采样处理302，此时，在第一血管分割模型针对输入的全局区域进行血管分割预测的中间阶段，可以在每次下采样处理301之后，输出一个第一特征表示结果310，还可以在每次上采样处理302之后，输出一个第二特征表示结果320；其中，每一个第一特征表示结果310以及每一个第二特征表示结果320，都可以用于表征一种全局中间特征图。
针对上述步骤S104的具体实施过程，参照图4a所示，图4a示出了本申请实施例所提供的一种引入全局中间特征图的方法的流程示意图，所述方法包括步骤S401-S405；具体的：
S401，针对输入的每一所述局部图像块，在所述第二血管分割模型针对该局部图像块进行血管分割预测的中间阶段，获取所述第二血管分割模型针对该局部图像块进行中间处理之后的局部中间特征图。
这里，第二血管分割模型的模型结构与第一血管分割模型类似，参照图3所示的第一血管分割模型结构，在模型输入与模型输出之间的分割预测过程中，第二血管分割模型内部同样会对输入的每一个局部图像块进行多次中间处理，例如，当第二血管分割模型是基于Unet分割网络构建的血管分割模型时，第二血管分割模型内部会对输入的每一个局部图像块进行多次下采样处理以及多次上采样处理，从而得到针对每一个局部图像块的血管分割预测结果。
具体的，基于前述步骤S103-S104可知，在步骤S103中可以获取一个全局中间特征图，也可以获取多个全局特征图；其中，当步骤S103中获取一个全局中间特征图时，则在执行步骤S401时，对于每一个局部图像块而言，具体在第二血管分割模型对该局部图像块进行的哪一步中间处理操作中引入获取到的全局特征图，本申请实施例是不作任何限定的；当步骤S103中获取多个全局中间特征图时，基于第二血管分割模型的模型结构可以与第一血管分割模型近似的特点(具体模型结构如图3所示)，作为一优选实施方式，可以根据每个全局中间特征图在第一血管分割模型中的出处，将其在第二血管分割模型内的同一中间阶段处引入，以便第二血管分割模型能够获得具有更强鉴别动静脉类别能力的特征表示。
示例性的说明，参照图4b所示，图4b示出了本申请实施例所提供的一种第一血管分割模型与第二血管分割模型之间进行数据交互的交互示意图，在第一血管分割模型针对输入的全局区域进行血管分割预测的中间阶段，可以在每次下采样处理之后，输出一个第一特征表示结果310，还可以在每次上采样处理之后，输出一个第二特征表示结果320；其中，每一个第一特征表示结果310以及每一个第二特征表示结果320，都可以用于表征一种全局中间特征图；基于此，在第一血管分割模型与第二血管分割模型之间进行数据交互时，第二血管分割模型可以在对输入的每个局部图像块进行下采样处理的中间阶段，从第一血管分割模型中引入第一特征表示结果310表征的全局中间特征图；第二血管分割模型可以在对输入的每个局部图像块进行上采样处理的中间阶段，从第一血管分割模型中引入第二特征表示结果320表征的全局中间特征图。
具体的，步骤S401中获取局部中间特征图的方式与上述步骤S103中获取全局中间特征图的方式相同，也即，第一血管分割模型中输入的是上述全局区域，因此在模型的中间处理阶段可以得到针对全局区域的中间特征图(即全局中间特征图)；第二血管分割模型中输入的是裁切后的每一个局部图像块，因此在模型的中间处理阶段可以得到针对每个局部图像块的中间特征图(即局部中间特征图)；重复之处在此不再赘述。
S402，针对所述局部中间特征图中包含的每一第一体素单元，计算该第一体素单元与所述全局中间特征图中包含的每一第二体素单元之间的相似度，得到该第一体素单元对应的相似度计算结果。
这里，与上述步骤S202中对于体素单元的定义相同，第一体素单元用于表征局部中间特征图中包含的体素单元，其概念可以类比于二维图像中的像素点；对于上述第一体素单元表征的具体体积取值，本申请实施例不作任何限定。
这里，第二体素单元用于表征全局中间特征图中包含的体素单元，对于上述第二体素单元表征的具体体积取值，本申请实施例同样不作任何限定。
具体的，在执行步骤S402时，可以通过任意一种相似度计算方法，来计算第一体素单元与第二体素单元之间的相似度，例如，可以使用欧式距离、马氏距离等相似度计算方法；对于步骤S402中使用的具体相似度计算方法，本申请实施例不作任何限定。
S403，根据所述相似度计算结果以及所述全局中间特征图中包含的目标体素单元，从所述全局中间特征图中，确定出目标第二体素单元与所述目标体素单元之间的最优路径。
这里，所述目标第二体素单元用于表征与该第一体素单元在所述目标血管上对应同一物理位置的第二体素单元；其中，基于前述步骤S102可知，基于每个局部图像块在原始医学图像中对应的具体三维位置坐标/每个局部图像块中包含的目标血管区域在目标血管上实际对应的物理位置信息等位置信息，都可以从全局中间特征图中，确定当前局部图像块中的每一个第一体素单元在全局中间特征图中对应的目标第二体素单元。
这里，所述目标体素单元用于表征所述目标血管的血管主干在所述全局中间特征图上对应的体素单元；也即，基于上述步骤S101中得到的目标血管的血管主干定位结果，即可从全局中间特征图中，确定目标血管的血管主干所对应的目标第二体素单元。
需要说明的是，当目标血管中存在动脉/静脉之分时，则上述目标血管的血管主干包括动脉血管主干以及静脉血管主干，此时，动脉血管主干以及静脉血管主干对应的第二体素单元都属于上述目标第二体素单元。
具体的，在执行步骤S403时，可以按照以下步骤a1-a2所示的方式，来确定上述最优路径：
步骤a1、根据所述目标体素单元在所述全局中间特征图中的位置信息，从所述全局中间特征图中，确定出所述目标第二体素单元与所述目标体素单元之间的多条候选路径。
示例性的说明，参照图4c所示，图4c示出了本申请实施例所提供的一种确定最优路径的交互示意图，其中，以局部中间特征图410中的一个第一体素单元为例，该第一体素单元在全局中间特征图420上对应的目标第二体素单元记作A，目标血管的血管主干在全局中间特征图420上对应的目标体素单元记作C，如图4c所示，在全局中间特征图420上，目标第二体素单元A与目标体素单元C之间存在多条候选路径，也即，目标第二体素单元A与目标体素单元C之间的每一条可达路径都可以作为用于筛选最优路径的候选路径。
步骤a2、根据所述相似度计算结果，从所述多条候选路径中，筛选出路程最短且路径上覆盖的每一第二体素单元与该第一体素单元之间的相似度和值最大的候选路径作为所述最优路径。
示例性的说明，如图4c所示，以灰显标记出的目标第二体素单元A与目标体素单元C之间的候选路径为例，该候选路径在全局中间特征图420上覆盖有多个第二体素单元(灰显标记出的体素单元)，这些灰显标记出的体素单元的数量以及大小用于确定在该候选路径下目标第二体素单元A与目标体素单元C之间的路程长短；通过计算每一个灰显标记出的体素单元与目标第二体素单元A在局部中间特征图410上对应的第一体素单元之间的相似度，即可得到该候选路径下对应的上述相似度和值；从而基于每一条候选路径的计算结果，从多条候选路径中筛选出上述最优路径。
需要说明的是，在步骤S403中，除上述步骤a1-a2所示的最优路径确定方法之外(即将路程最短且覆盖的每一第二体素单元与该第一体素单元之间的相似度和值最大的候选路径作为所述最优路径)，基于实际的路径筛选需求，也可以对“最优路径”的筛选方式进行调整，例如，当路程最短的候选路径与上述相似度和值最大的候选路径不同时，也可以任选其中一条候选路径作为最优路径，或是还可以将两条候选路径中的重叠区域作为最优路径等；上述步骤a1-a2所示的最优路径确定方法仅用于表征本申请实施例所提供的一种优选实施方式，对于最优路径的具体筛选方式，本申请实施例不作任何限定。
S404，根据每一第三体素单元与所述目标第二体素单元之间的相似度，以及每一所述第三体素单元与所述目标第二体素单元之间的特征距离，通过加权求和的方式，计算得到所述目标第二体素单元对应的融合特征。
这里，所述第三体素单元用于表征所述最优路径在所述全局中间特征图上覆盖的体素单元；例如，以图4c中所示的灰显标记出的目标第二体素单元A与目标体素单元C之间的路径为例，若该路径即为最优路径，则最优路径在全局中间特征图420上覆盖的每一个灰显标记出的体素单元即为上述第三体素单元。
具体的，以上述最优路径下覆盖的第三体素单元是n个体素单元：F1…Fn为例，若每一第三体素单元与所述目标第二体素单元之间的相似度分别是：W1…Wn，每一第三体素单元与所述目标第二体素单元之间的特征距离是：Q1…Qn；则通过加权求和的方式，可以得到目标第二体素单元对应的融合特征＝Q1×W1+Q2×W2+…+Qn×Wn。
需要说明的是，在执行步骤S404时，可以通过任意一种相似度计算方法，来计算第三体素单元与目标第二体素单元之间的相似度，例如，可以使用欧式距离、马氏距离等相似度计算方法；对于步骤S404中使用的具体相似度计算方法，本申请实施例同样不作任何限定。
S405，将所述融合特征与该第一体素单元在所述局部中间特征图中的局部特征进行特征拼接，并基于每一所述第一体素单元对应的特征拼接结果，输出得到该局部图像块在血管分割预测的中间阶段对应的特征表示结果。
这里，上述特征拼接即相当于将所述融合特征与该第一体素单元在所述局部中间特征图中的局部特征进行首尾拼接，并将首尾拼接后得到的特征拼接结果，输出作为该局部图像块在血管分割预测的中间阶段对应的特征表示结果，从而使得第二血管分割模型在原本的局部特征的基础上，获得具有更强鉴别动静脉类别能力的特征表示(即上述融合特征与局部特征的特征拼接结果)，有效地提高了第二血管分割模型输出的血管分割结果的精确度，减少了第二血管分割模型对于动静脉混淆的分割错误。
针对上述步骤S101-S104所示的模型应用过程，在模型训练过程中，参照图5所示，图5示出了本申请实施例所提供的一种训练第一血管分割模型的方法的流程示意图，所述方法包括步骤S501-S503；具体的：
S501，获取多个包含有目标血管的医学图像作为第一训练样本数据。
这里，每一所述医学图像中包含所述目标血管的血管标记结果；所述血管标记结果包括：所述目标血管的动脉血管标记结果以及静脉血管标记结果。
需要说明的是，上述医学图像同样用于表征包含目标血管的三维图像，例如，可以是包含目标血管的CT(Computed Tomography，电子计算机断层扫描)图像，也可以是包含目标血管的CTA图像(即CT血管成像)等；对于上述医学图像所属的具体数据类型，本申请实施例不作任何限定。
S502，将所述第一训练样本数据输入至第一血管分割模型中，输出得到针对每一所述医学图像的第三血管分割预测结果。
这里，所述第三血管分割预测结果中包含所述目标血管的动脉血管预测结果以及静脉血管预测结果。
具体的，上述步骤S502中输出第三血管分割预测结果的具体实施方式与上述步骤S101中输出第一血管分割预测结果的方式相同，重复之处在此不再赘述。
S503，基于每一所述医学图像的第三血管分割预测结果与每一所述医学图像对应的血管标记结果之间的分割损失，对第一血管分割模型进行训练，直至第一血管分割模型达到收敛。
具体的，在计算上述分割损失时，可以使用任意一种图像分割时可用的损失函数进行计算，例如交叉熵损失函数、focal loss损失函数等，对于上述分割损失的具体计算方式，本申请实施例不作任何限定。
针对上述步骤S101-S104所示的模型应用过程，在得到上述训练好的第一血管分割模型的基础上，在模型训练过程中，参照图6所示，图6示出了本申请实施例所提供的一种训练第二血管分割模型的方法的流程示意图，所述方法包括步骤S601-S604；具体的：
S601，针对每一所述医学图像，将该医学图像裁切为多个样本图像块，并根据每一所述样本图像块在该医学图像中的位置以及所述目标血管的血管主干在该医学图像中的定位结果，从该医学图像中裁剪出所述目标血管对应的初始全局区域。
这里，所述初始全局区域用于表征同时包括所述目标血管的血管主干以及每一所述样本图像块的图像区域。
具体的，步骤S601中样本图像块的裁切方式以及初始全局区域的裁剪方式与上述步骤S102中局部图像块的裁切方式以及全局区域的裁剪方式相同，重复之处在此不再赘述。
S602，将所述初始全局区域输入至训练好的第一血管分割模型中，通过训练好的第一血管分割模型，输出针对所述初始全局区域进行血管分割预测的中间阶段产生的初始全局中间特征图。
这里，第一血管分割模型的具体模型训练方法可以参考前述步骤S501-S503所示的模型训练步骤，重复之处在此不再赘述。
具体的，步骤S602中获取初始全局中间特征图的方式，与上述步骤S103中获取全局中间特征图的方式相同，重复之处在此不再赘述。
S603，将所述多个样本图像块输入至第二血管分割模型中，在第二血管分割模型针对每个样本图像块进行血管分割预测的过程中，以数据交互的方式将所述初始全局中间特征图作为血管分割预测的参考信息引入至第二血管分割模型中，输出得到针对该医学图像的第四血管分割预测结果。
这里，所述第四血管分割预测结果中包含所述目标血管的动脉血管预测结果以及静脉血管预测结果。
具体的，步骤S603中获取第四血管分割预测结果的方式，与上述步骤S104中获取第二血管分割预测结果的方式相同，重复之处在此不再赘述。
S604，基于每一所述医学图像的第四血管分割预测结果与每一所述医学图像对应的血管标记结果之间的分割损失，对第二血管分割模型进行训练，直至第二血管分割模型达到收敛。
具体的，在步骤S604中计算上述分割损失时，同样可以使用任意一种图像分割时可用的损失函数进行计算，例如交叉熵损失函数、focal loss损失函数等，对于上述分割损失的具体计算方式，本申请实施例不作任何限定。
本申请实施例提供的上述血管分割方法，将包含有目标血管的原始医学图像输入至第一血管分割模型中，输出得到针对目标血管的第一血管分割预测结果，并从第一血管分割预测结果中，获取目标血管的血管主干定位结果；将原始医学图像裁切为多个局部图像块，并根据每一局部图像块在原始医学图像中的位置以及血管主干定位结果，从原始医学图像中裁剪出目标血管对应的全局区域；将全局区域输入至第一血管分割模型中，通过第一血管分割模型，输出针对全局区域进行血管分割预测的中间阶段产生的全局中间特征图；将多个局部图像块输入至第二血管分割模型中，在第二血管分割模型针对每个局部图像块进行血管分割预测的过程中，以数据交互的方式将全局中间特征图作为血管分割预测的参考信息引入至第二血管分割模型中，输出得到针对目标血管的第二血管分割预测结果。
通过这种分阶段确定血管分割结果的方式，本申请能够将每个局部区域到血管主干之间的全局信息以符合血管拓扑性的方式引入到第二阶段模型对每个局部区域进行血管分割预测的过程中，从而使得第二阶段的血管分割模型能够获得具有更强鉴别动静脉类别能力的特征表示，有效地提高了血管分割结果的精确度，减少了血管分割模型对于动静脉混淆的分割错误。
基于同一发明构思，本申请还提供了与上述血管分割方法对应的血管分割装置，由于本申请实施例中的血管分割装置解决问题的原理与本申请实施例中上述血管分割方法相似，因此血管分割装置的实施可以参见上述血管分割方法的实施，重复之处不再赘述。
参照图7所示，图7示出了本申请实施例所提供的一种血管分割装置的结构示意图，所述血管分割装置包括：
粗分割模块701，用于将包含有目标血管的原始医学图像输入至第一血管分割模型中，输出得到针对所述目标血管的第一血管分割预测结果，并从所述第一血管分割预测结果中，获取所述目标血管的血管主干定位结果；其中，所述第一血管分割预测结果中包括所述目标血管的第一动脉分割预测结果以及第一静脉分割预测结果；
裁切模块702，用于将所述原始医学图像裁切为多个局部图像块，并根据每一所述局部图像块在所述原始医学图像中的位置以及所述血管主干定位结果，从所述原始医学图像中裁剪出所述目标血管对应的全局区域；其中，所述全局区域用于表征同时包括所述目标血管的血管主干以及每一所述局部图像块的图像区域；
中间输出模块703，用于将所述全局区域输入至所述第一血管分割模型中，通过所述第一血管分割模型，输出针对所述全局区域进行血管分割预测的中间阶段产生的全局中间特征图；
数据交互模块704，用于将所述多个局部图像块输入至第二血管分割模型中，在所述第二血管分割模型针对每个局部图像块进行血管分割预测的过程中，以数据交互的方式将所述全局中间特征图作为血管分割预测的参考信息引入至所述第二血管分割模型中，输出得到针对所述目标血管的第二血管分割预测结果；其中，所述第二血管分割预测结果中包括所述目标血管的第二动脉分割预测结果以及第二静脉分割预测结果。
在一种可选的实施方式中，在所述从所述第一血管分割预测结果中，获取所述目标血管的血管主干定位结果时，粗分割模块701，用于：
从所述第一动脉分割预测结果的最大连通域中，提取所述目标血管的动脉血管中线；
计算所述动脉血管中线与所述第一动脉分割预测结果中位于动脉血管表面的各体素单元之间的最短距离，将计算结果大于或者等于第一预设距离阈值的动脉血管所在区域作为所述血管主干定位结果中的动脉血管主干定位结果；
从所述第一静脉分割预测结果的最大连通域中，提取所述目标血管的静脉血管中线；
计算所述静脉血管中线与所述第一静脉分割预测结果中位于静脉血管表面的各体素单元之间的最短距离，将计算结果大于或者等于第二预设距离阈值的静脉血管所在区域作为所述血管主干定位结果中的静脉血管主干定位结果。
在一种可选的实施方式中，在所述通过所述第一血管分割模型，输出针对所述全局区域进行血管分割预测的中间阶段产生的全局中间特征图时，中间输出模块703，用于：
在所述第一血管分割模型针对输入的所述全局区域进行血管分割预测的中间阶段，通过所述第一血管分割模型，输出针对所述全局区域进行中间处理之后的一个或多个特征表示结果；其中，每一所述特征表示结果用于表征一种全局中间特征图。
在一种可选的实施方式中，在所述第二血管分割模型针对每个局部图像块进行血管分割预测的过程中，以数据交互的方式将所述全局中间特征图作为血管分割预测的参考信息引入至所述第二血管分割模型中时，数据交互模块704，用于：
针对输入的每一所述局部图像块，在所述第二血管分割模型针对该局部图像块进行血管分割预测的中间阶段，获取所述第二血管分割模型针对该局部图像块进行中间处理之后的局部中间特征图；
针对所述局部中间特征图中包含的每一第一体素单元，计算该第一体素单元与所述全局中间特征图中包含的每一第二体素单元之间的相似度，得到该第一体素单元对应的相似度计算结果；
根据所述相似度计算结果以及所述全局中间特征图中包含的目标体素单元，从所述全局中间特征图中，确定出目标第二体素单元与所述目标体素单元之间的最优路径；其中，所述目标第二体素单元用于表征与该第一体素单元在所述目标血管上对应同一物理位置的第二体素单元；所述目标体素单元用于表征所述目标血管的血管主干在所述全局中间特征图上对应的体素单元；
根据每一第三体素单元与所述目标第二体素单元之间的相似度，以及每一所述第三体素单元与所述目标第二体素单元之间的特征距离，通过加权求和的方式，计算得到所述目标第二体素单元对应的融合特征；其中，所述第三体素单元用于表征所述最优路径在所述全局中间特征图上覆盖的体素单元；
将所述融合特征与该第一体素单元在所述局部中间特征图中的局部特征进行特征拼接，并基于每一所述第一体素单元对应的特征拼接结果，输出得到该局部图像块在血管分割预测的中间阶段对应的特征表示结果。
在一种可选的实施方式中，在所述根据所述相似度计算结果以及所述全局中间特征图中包含的目标体素单元，从所述全局中间特征图中，确定出目标第二体素单元与所述目标体素单元之间的最优路径时，数据交互模块704，用于：
根据所述目标体素单元在所述全局中间特征图中的位置信息，从所述全局中间特征图中，确定出所述目标第二体素单元与所述目标体素单元之间的多条候选路径；
根据所述相似度计算结果，从所述多条候选路径中，筛选出路程最短且路径上覆盖的每一第二体素单元与该第一体素单元之间的相似度和值最大的候选路径作为所述最优路径。
在一种可选的实施方式中，粗分割模块701，用于通过以下方法，训练得到所述第一血管分割模型：
获取多个包含有目标血管的医学图像作为第一训练样本数据；其中，每一所述医学图像中包含所述目标血管的血管标记结果；所述血管标记结果包括：所述目标血管的动脉血管标记结果以及静脉血管标记结果；
将所述第一训练样本数据输入至第一血管分割模型中，输出得到针对每一所述医学图像的第三血管分割预测结果；其中，所述第三血管分割预测结果中包含所述目标血管的动脉血管预测结果以及静脉血管预测结果；
基于每一所述医学图像的第三血管分割预测结果与每一所述医学图像对应的血管标记结果之间的分割损失，对第一血管分割模型进行训练，直至第一血管分割模型达到收敛。
在一种可选的实施方式中，数据交互模块704，用于通过以下方法，训练得到所述第二血管分割模型：
针对每一所述医学图像，将该医学图像裁切为多个样本图像块，并根据每一所述样本图像块在该医学图像中的位置以及所述目标血管的血管主干在该医学图像中的定位结果，从该医学图像中裁剪出所述目标血管对应的初始全局区域；其中，所述初始全局区域用于表征同时包括所述目标血管的血管主干以及每一所述样本图像块的图像区域；
将所述初始全局区域输入至训练好的第一血管分割模型中，通过训练好的第一血管分割模型，输出针对所述初始全局区域进行血管分割预测的中间阶段产生的初始全局中间特征图；
将所述多个样本图像块输入至第二血管分割模型中，在第二血管分割模型针对每个样本图像块进行血管分割预测的过程中，以数据交互的方式将所述初始全局中间特征图作为血管分割预测的参考信息引入至第二血管分割模型中，输出得到针对该医学图像的第四血管分割预测结果；其中，所述第四血管分割预测结果中包含所述目标血管的动脉血管预测结果以及静脉血管预测结果；
基于每一所述医学图像的第四血管分割预测结果与每一所述医学图像对应的血管标记结果之间的分割损失，对第二血管分割模型进行训练，直至第二血管分割模型达到收敛。
基于同一发明构思，如图8所示，本申请实施例提供了一种计算机设备800，用于执行本申请中的血管分割方法，该设备包括存储器801、处理器802及存储在该存储器801上并可在该处理器802上运行的计算机程序，其中，上述处理器802执行上述计算机程序时实现上述的血管分割方法的步骤。
具体地，上述存储器801和处理器802可以为通用的存储器和处理器，这里不做具体限定，当处理器802运行存储器801存储的计算机程序时，能够执行上述的血管分割方法。
对应于本申请中的血管分割方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述的血管分割方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述的血管分割方法。
在本申请所提供的实施例中，应该理解到，所揭露***和方法，可以通过其它的方式实现。以上所描述的***实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，***或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述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，所述血管分割方法包括：
将包含有目标血管的原始医学图像输入至第一血管分割模型中，输出得到针对所述目标血管的第一血管分割预测结果，并从所述第一血管分割预测结果中，获取所述目标血管的血管主干定位结果；其中，所述第一血管分割预测结果中包括所述目标血管的第一动脉分割预测结果以及第一静脉分割预测结果；
将所述原始医学图像裁切为多个局部图像块，并根据每一所述局部图像块在所述原始医学图像中的位置以及所述血管主干定位结果，从所述原始医学图像中裁剪出所述目标血管对应的全局区域；其中，所述全局区域用于表征同时包括所述目标血管的血管主干以及每一所述局部图像块的图像区域；
将所述全局区域输入至所述第一血管分割模型中，通过所述第一血管分割模型，输出针对所述全局区域进行血管分割预测的中间阶段产生的全局中间特征图；
将所述多个局部图像块输入至第二血管分割模型中，在所述第二血管分割模型针对每个局部图像块进行血管分割预测的过程中，以数据交互的方式将所述全局中间特征图作为血管分割预测的参考信息引入至所述第二血管分割模型中，输出得到针对所述目标血管的第二血管分割预测结果；其中，所述第二血管分割预测结果中包括所述目标血管的第二动脉分割预测结果以及第二静脉分割预测结果。
2.根据权利要求1所述的血管分割方法，其特征在于，所述从所述第一血管分割预测结果中，获取所述目标血管的血管主干定位结果，包括：
从所述第一动脉分割预测结果的最大连通域中，提取所述目标血管的动脉血管中线；
计算所述动脉血管中线与所述第一动脉分割预测结果中位于动脉血管表面的各体素单元之间的最短距离，将计算结果大于或者等于第一预设距离阈值的动脉血管所在区域作为所述血管主干定位结果中的动脉血管主干定位结果；
从所述第一静脉分割预测结果的最大连通域中，提取所述目标血管的静脉血管中线；
计算所述静脉血管中线与所述第一静脉分割预测结果中位于静脉血管表面的各体素单元之间的最短距离，将计算结果大于或者等于第二预设距离阈值的静脉血管所在区域作为所述血管主干定位结果中的静脉血管主干定位结果。
3.根据权利要求1所述的血管分割方法，其特征在于，所述通过所述第一血管分割模型，输出针对所述全局区域进行血管分割预测的中间阶段产生的全局中间特征图，包括：
在所述第一血管分割模型针对输入的所述全局区域进行血管分割预测的中间阶段，通过所述第一血管分割模型，输出针对所述全局区域进行中间处理之后的一个或多个特征表示结果；其中，每一所述特征表示结果用于表征一种全局中间特征图。
4.根据权利要求1所述的血管分割方法，其特征在于，所述在所述第二血管分割模型针对每个局部图像块进行血管分割预测的过程中，以数据交互的方式将所述全局中间特征图作为血管分割预测的参考信息引入至所述第二血管分割模型中，包括：
针对输入的每一所述局部图像块，在所述第二血管分割模型针对该局部图像块进行血管分割预测的中间阶段，获取所述第二血管分割模型针对该局部图像块进行中间处理之后的局部中间特征图；
针对所述局部中间特征图中包含的每一第一体素单元，计算该第一体素单元与所述全局中间特征图中包含的每一第二体素单元之间的相似度，得到该第一体素单元对应的相似度计算结果；
根据所述相似度计算结果以及所述全局中间特征图中包含的目标体素单元，从所述全局中间特征图中，确定出目标第二体素单元与所述目标体素单元之间的最优路径；其中，所述目标第二体素单元用于表征与该第一体素单元在所述目标血管上对应同一物理位置的第二体素单元；所述目标体素单元用于表征所述目标血管的血管主干在所述全局中间特征图上对应的体素单元；
根据每一第三体素单元与所述目标第二体素单元之间的相似度，以及每一所述第三体素单元与所述目标第二体素单元之间的特征距离，通过加权求和的方式，计算得到所述目标第二体素单元对应的融合特征；其中，所述第三体素单元用于表征所述最优路径在所述全局中间特征图上覆盖的体素单元；
将所述融合特征与该第一体素单元在所述局部中间特征图中的局部特征进行特征拼接，并基于每一所述第一体素单元对应的特征拼接结果，输出得到该局部图像块在血管分割预测的中间阶段对应的特征表示结果。
5.根据权利要求4所述的血管分割方法，其特征在于，所述根据所述相似度计算结果以及所述全局中间特征图中包含的目标体素单元，从所述全局中间特征图中，确定出目标第二体素单元与所述目标体素单元之间的最优路径，包括：
根据所述目标体素单元在所述全局中间特征图中的位置信息，从所述全局中间特征图中，确定出所述目标第二体素单元与所述目标体素单元之间的多条候选路径；
根据所述相似度计算结果，从所述多条候选路径中，筛选出路程最短且路径上覆盖的每一第二体素单元与该第一体素单元之间的相似度和值最大的候选路径作为所述最优路径。
6.根据权利要求1所述的血管分割方法，其特征在于，通过以下方法，训练得到所述第一血管分割模型：
获取多个包含有目标血管的医学图像作为第一训练样本数据；其中，每一所述医学图像中包含所述目标血管的血管标记结果；所述血管标记结果包括：所述目标血管的动脉血管标记结果以及静脉血管标记结果；
将所述第一训练样本数据输入至第一血管分割模型中，输出得到针对每一所述医学图像的第三血管分割预测结果；其中，所述第三血管分割预测结果中包含所述目标血管的动脉血管预测结果以及静脉血管预测结果；
基于每一所述医学图像的第三血管分割预测结果与每一所述医学图像对应的血管标记结果之间的分割损失，对第一血管分割模型进行训练，直至第一血管分割模型达到收敛。
7.根据权利要求6所述的血管分割方法，其特征在于，通过以下方法，训练得到所述第二血管分割模型：
针对每一所述医学图像，将该医学图像裁切为多个样本图像块，并根据每一所述样本图像块在该医学图像中的位置以及所述目标血管的血管主干在该医学图像中的定位结果，从该医学图像中裁剪出所述目标血管对应的初始全局区域；其中，所述初始全局区域用于表征同时包括所述目标血管的血管主干以及每一所述样本图像块的图像区域；
将所述初始全局区域输入至训练好的第一血管分割模型中，通过训练好的第一血管分割模型，输出针对所述初始全局区域进行血管分割预测的中间阶段产生的初始全局中间特征图；
将所述多个样本图像块输入至第二血管分割模型中，在第二血管分割模型针对每个样本图像块进行血管分割预测的过程中，以数据交互的方式将所述初始全局中间特征图作为血管分割预测的参考信息引入至第二血管分割模型中，输出得到针对该医学图像的第四血管分割预测结果；其中，所述第四血管分割预测结果中包含所述目标血管的动脉血管预测结果以及静脉血管预测结果；
基于每一所述医学图像的第四血管分割预测结果与每一所述医学图像对应的血管标记结果之间的分割损失，对第二血管分割模型进行训练，直至第二血管分割模型达到收敛。
8.一种血管分割装置，其特征在于，所述血管分割装置包括：
粗分割模块，用于将包含有目标血管的原始医学图像输入至第一血管分割模型中，输出得到针对所述目标血管的第一血管分割预测结果，并从所述第一血管分割预测结果中，获取所述目标血管的血管主干定位结果；其中，所述第一血管分割预测结果中包括所述目标血管的第一动脉分割预测结果以及第一静脉分割预测结果；
裁切模块，用于将所述原始医学图像裁切为多个局部图像块，并根据每一所述局部图像块在所述原始医学图像中的位置以及所述血管主干定位结果，从所述原始医学图像中裁剪出所述目标血管对应的全局区域；其中，所述全局区域用于表征同时包括所述目标血管的血管主干以及每一所述局部图像块的图像区域；
中间输出模块，用于将所述全局区域输入至所述第一血管分割模型中，通过所述第一血管分割模型，输出针对所述全局区域进行血管分割预测的中间阶段产生的全局中间特征图；
数据交互模块，用于将所述多个局部图像块输入至第二血管分割模型中，在所述第二血管分割模型针对每个局部图像块进行血管分割预测的过程中，以数据交互的方式将所述全局中间特征图作为血管分割预测的参考信息引入至所述第二血管分割模型中，输出得到针对所述目标血管的第二血管分割预测结果；其中，所述第二血管分割预测结果中包括所述目标血管的第二动脉分割预测结果以及第二静脉分割预测结果。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的血管分割方法的步骤。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的血管分割方法的步骤。
CN202210879904.0A 2022-07-25 2022-07-25 一种血管分割方法、装置、设备及存储介质 Pending CN115239744A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210879904.0A CN115239744A (zh) 2022-07-25 2022-07-25 一种血管分割方法、装置、设备及存储介质
PCT/CN2023/083199 WO2024021641A1 (zh) 2022-07-25 2023-03-22 一种血管分割方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210879904.0A CN115239744A (zh) 2022-07-25 2022-07-25 一种血管分割方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115239744A true CN115239744A (zh) 2022-10-25

Family

ID=83676094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210879904.0A Pending CN115239744A (zh) 2022-07-25 2022-07-25 一种血管分割方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN115239744A (zh)
WO (1) WO2024021641A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024021641A1 (zh) * 2022-07-25 2024-02-01 推想医疗科技股份有限公司 一种血管分割方法、装置、设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113205524B (zh) * 2021-05-17 2023-04-07 广州大学 基于U-Net的血管图像分割方法、装置和设备
CN113554665A (zh) * 2021-07-07 2021-10-26 杭州深睿博联科技有限公司 一种血管分割方法及装置
CN114723683B (zh) * 2022-03-22 2023-02-17 推想医疗科技股份有限公司 头颈动脉血管分割方法及其装置、电子设备和存储介质
CN115239744A (zh) * 2022-07-25 2022-10-25 推想医疗科技股份有限公司 一种血管分割方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024021641A1 (zh) * 2022-07-25 2024-02-01 推想医疗科技股份有限公司 一种血管分割方法、装置、设备及存储介质

Also Published As

Publication number Publication date
WO2024021641A1 (zh) 2024-02-01

Similar Documents

Publication Publication Date Title
CN111640120B (zh) 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法
CN111462047B (zh) 血管参数测量方法、装置、计算机设备和存储介质
US11967181B2 (en) Method and device for retinal image recognition, electronic equipment, and storage medium
CN111340756B (zh) 一种医学图像病变检出合并方法、***、终端及存储介质
CN112330684B (zh) 对象分割方法、装置、计算机设备及存储介质
CN111383259B (zh) 图像分析方法、计算机设备和存储介质
CN112348818B (zh) 一种图像分割方法、装置、设备以及存储介质
CN113223013A (zh) 一种肺血管分段定位的方法、装置、设备及存储介质
CN113989293A (zh) 图像分割方法及相关模型的训练方法和装置、设备
CN115170510B (zh) 一种病灶检测方法、装置、电子设备及可读存储介质
CN115239744A (zh) 一种血管分割方法、装置、设备及存储介质
CN115861158A (zh) 血管中心线提取方法、装置、电子设备及存储介质
CN114445412A (zh) 血管分割方法、设备和存储介质
CN114155193A (zh) 一种基于特征强化的血管分割方法及装置
CN111724360B (zh) 一种肺叶分割方法、装置和存储介质
CN116342986B (zh) 模型训练方法、目标器官的分割方法及相关产品
CN116778486A (zh) 一种血管造影图像的点云分割方法、装置、设备及介质
CN115631194B (zh) 颅内动脉瘤识别检测的方法、装置、设备及介质
CN115482358B (zh) 一种三角网格曲面的生成方法、装置、设备及存储介质
CN116721072A (zh) 获取主动脉中心线的方法、装置、设备、介质及程序产品
CN111611290A (zh) 地址快速定位方法、装置、计算机设备及存储介质
CN116958033A (zh) 异常检测方法、模型训练方法、装置、设备和介质
CN115359010A (zh) 一种随访病例数据的处理方法、装置、设备及存储介质
CN115908418A (zh) 一种主动脉ct图像中心线确定方法、***、设备及介质
CN115496735A (zh) 病灶分割模型的训练方法及装置、病灶分割方法及装置

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