一种血管提取方法、装置、设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种血管提取方法、装置、设备及存储介质，其中，血管提取方法包括：对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据；基于预先训练的预提取深度神经网络模型和目标医学图像三维数据，确定目标血管对应的目标血管种子点；基于目标血管种子点、跟踪停止约束条件以及预先训练的预测深度神经网络模型，对目标医学图像三维数据进行目标血管跟踪，得到目标血管，本发明专利技术实施例的技术方案结合深度神经网络模型和基于种子点的跟踪方法，能够从医学图像中提取出完整且清晰的目标血管。

【技术实现步骤摘要】
一种血管提取方法、装置、设备及存储介质
本专利技术实施例涉及图像处理
，尤其涉及一种血管提取方法、装置、设备及存储介质。
技术介绍
血管疾病尤其是心血管疾病的诊断具有十分重要的临床意义，在血管疾病诊断的过程中，血管提取作为一种辅助手段被广泛应用。以心脏冠脉提取为例，目前心脏冠脉提取方法主要包括两类，一类是基于传统方法的冠脉分离，该类方法主要包括血管增强和区域生长等。而由于医学图像成像参数众多，受人为和环境等因素影响，基于传统方法选取的阈值相对固定，鲁棒性不强，导致冠脉提取结果不准确。另一类则是基于神经网络的分割方法。该类方法对于细小的，造影不清晰的冠脉不能有效的提取，从而造成冠脉断裂。
技术实现思路
本专利技术提供一种血管提取方法、装置、设备及存储介质，能够从医学图像中提取出完整且清晰的目标血管。第一方面，本专利技术实施例提供了一种血管提取方法，所述方法包括：对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据；基于预先训练的预提取深度神经网络模型和所述目标医学图像三维数据，确定所述目标血管对应的目标血管种子点；基于所述目标血管种子点、跟踪停止约束条件以及预先训练的预测深度神经网络模型，对所述目标医学图像三维数据进行目标血管跟踪，得到所述目标血管。第二方面，本专利技术实施例还提供了一种血管提取装置，该装置包括：目标医学图像三维数据获取模块，用于对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据；目标血管种子点确定模块，用于基于预先训练的预提取深度神经网络模型和所述目标医学图像三维数据，确定所述目标血管对应的目标血管种子点；目标血管获取模块，用于基于所述目标血管种子点、跟踪停止约束条件以及预先训练的预测深度神经网络模型，对所述目标医学图像三维数据进行目标血管跟踪，得到所述目标血管。第三方面，本专利技术实施例还提供了一种计算机设备，所述计算机设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本专利技术任一实施例所述的血管提取方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如本专利技术任一实施例所述的血管提取方法。本专利技术实施例通过对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据；基于预先训练的预提取深度神经网络模型和目标医学图像三维数据，确定目标血管对应的目标血管种子点；基于目标血管种子点、跟踪停止约束条件以及预先训练的预测深度神经网络模型，对目标医学图像三维数据进行目标血管跟踪，得到目标血管，结合深度神经网络模型和基于种子点的跟踪方法，能够从医学图像中提取出完整且清晰的目标血管。附图说明图1是本专利技术实施例一中的一种血管提取方法的流程图；图2是本专利技术实施例二中的一种血管提取方法的流程图；图3a是本专利技术实施例三中的一种血管提取方法的流程图；图3b是本专利技术实施例三中的另一种血管提取方法的流程图；图4是本专利技术实施例四中的一种血管提取装置的结构示意图；图5是本专利技术实施例五中的一种计算机设备的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1为本专利技术实施例一提供的一种血管提取方法的流程图，本实施例可适用于需要提取目标血管的情况，该方法可以由血管提取装置来执行，该装置可以采用软件和/或硬件的方式实现，该装置可以配置于计算机设备中。如图1所示，本实施例的方法具体包括：S110、对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据。其中，目标血管可以是目标物体(目标物体可以是人体或动物等)上任意部位处的血管，例如，目标血管可以是心脏冠状动脉、肺部血管、肝脏部位血管以及脾脏部位血管中的至少一种。原始医学图像可以是利用医学成像方法获取到的目标血管的医学图像。优选的，医学成像方法可以是血管成像方法，其中，血管成像方法可选包括CTA(ComputedTomographyAngiography，计算机断层扫描血管成像)、MRA(MigmeticResonaneeAngiography，核磁共振血管成像)和DSA(DigitalSubtractionAngiography，数字减影血管造影)等。原始医学图像三维数据可以是多层原始断层图像对应的三维数据，也可以是利用多层原始断层图像进行重建后得到的三维图像所对应的三维数据。可选的，原始医学图像三维数据可以对应片层较少的CTA图像序列，也可以对应片层较多的CT图像序列，例如原始医学图像三维数据可以是包含冠状动脉的CT图像序列对应的三维数据。目标医学图像三维数据为将预设医学图像三维数据进行预处理后得到的三维数据。本实施例中，在对目标血管对应的原始医学图像三维数据进行预处理之前，优选可以利用医学成像方法获取目标血管对应的原始医学图像，例如，医学成像方法为CT断层成像方法，目标血管为冠状动脉，则可以利用CT断层成像方法获取与冠状动脉像对应的原始医学图像序列，以得到原始医学图像三维数据。优选的，在获取到原始医学图像三维数据之后，可以对原始医学图像三维数据进行预处理，以得到能够用于后续处理的目标医学图像三维数据。可选的，对原始医学图像三维数据进行预处理可以包括对原始医学图像三维数据进行去除干扰或噪声等处理，也可以包括对原始医学图像三维数据进行图像增强处理，也可以包括对原始医学图像三维数据进行归一化处理，还可以包括对原始医学图像三维数据进行重采样处理等。S120、基于预先训练的预提取深度神经网络模型和目标医学图像三维数据，确定目标血管对应的目标血管种子点。目标血管种子点为处于目标血管中且能够用于提取完整目标血管的点，目标血管种子点可以是目标血管上任意部位处的点，例如可以是目标血管中心线上的点，也可以是目标血管边界上的点，还可以是目标血管分叉部位处的点等。预提取深度神经网络模型可以用于直接提取目标血管种子点，也可以用于间接确定目标血管种子点。预提取深度神经网络模型优选可以包括具有注意力机制的类U-Net网络模型(或者U型结构的全卷积网络)。预提取深度神经网络模型的输入和输出取决于预先训练的过程，示例性的，如果预提取深度神经网络模型用于直接提取目标血管种子点，则可选的，预提取深度神经网络模型的输入可以是目标医学图像三维数据，输出可以是目标血管种子点。如果机器显存无法支持复杂预提取深度神经网络模型的运算，则可选的，可以预先将目标医学图像三维数据分成若干三维子数据块，并分别将每个三维子数据块作为预提取深度神经网络模型的输入，对应的输出为每个三维子数据块本文档来自技高网...

【技术保护点】
1.一种血管提取方法，其特征在于，包括：/n对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据；/n基于预先训练的预提取深度神经网络模型和所述目标医学图像三维数据，确定所述目标血管对应的目标血管种子点；/n基于所述目标血管种子点、跟踪停止约束条件以及预先训练的预测深度神经网络模型，对所述目标医学图像三维数据进行目标血管跟踪，得到所述目标血管。/n

【技术特征摘要】
1.一种血管提取方法，其特征在于，包括：
对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据；
基于预先训练的预提取深度神经网络模型和所述目标医学图像三维数据，确定所述目标血管对应的目标血管种子点；
基于所述目标血管种子点、跟踪停止约束条件以及预先训练的预测深度神经网络模型，对所述目标医学图像三维数据进行目标血管跟踪，得到所述目标血管。


2.根据权利要求1所述的方法，其特征在于，所述对目标血管对应的原始医学图像三维数据进行预处理，得到目标医学图像三维数据，包括：
基于目标体素对应的预设物理尺寸，对所述原始医学图像三维数据进行三维重采样，得到具有所述目标体素的重采样医学图像三维数据；
基于所述目标血管的预设显示数值区间，对重采样医学图像三维数据进行归一化处理，得到所述目标医学图像三维数据。


3.根据权利要求1或2所述的方法，其特征在于，所述基于预先训练的预提取深度神经网络模型和所述目标医学图像三维数据，确定所述目标血管对应的目标血管种子点，包括：
基于第一预设分块规则，对所述目标医学图像三维数据进行分块处理，得到至少一个目标医学图像三维数据块；
基于所述预提取深度神经网络模型和每个目标医学图像三维数据块，确定所述目标血管种子点。


4.根据权利要求3所述的方法，其特征在于，所述基于所述预提取深度神经网络模型和每个目标医学图像三维数据块，确定所述目标血管种子点，包括：
分别将每个目标医学图像三维数据块输入到所述预提取深度神经网络模型中，得到每个目标医学图像三维数据块中的目标血管概貌子区域；
将每个目标血管概貌子区域进行合并处理，得到目标医学图像三维数据中的目标血管概貌区域；
根据所述目标血管概貌区域，确定所述目标血管种子点。


5.根据权利要求4所述的方法，其特征在于，所述根据所述目标血管概貌区域，确定所述目标血管种子点，包括：
根据所述目标血管概貌区域，确定目标血管中心线；
将所述目标血管中心线上的第一目标体素作为所述目标血管种子点。


6.根据权利要求4或5所述的方法，其特征在于，所述预提取深度神经网络模型包括具有注意力机制的类U-Net网络模型。


7.根据权利要求1所述的方法，其特征在于，所述基于所述目标血管种子点、跟踪停止约束条件以及预先训练的预测深度神经网络模型，对所述目标医学图像三维数据进行目标血管跟踪，得到所述目标血管，包括：
确定所述目标血管种子点中的当前目标血管种子点；
基于当前目标血管种子点和第二预设分块规则，确定所述目标医学图像三维数据中的当前种子点三维数据块；
基于当前种子点三维数据块和所述预测深度神经网络模型，确定预测跟踪约束条件；
基于跟踪停止约束条件、预测跟踪约束条件以及所述当前目标血管种子点，对所述当前种子点三维数据块进行目标血管跟踪，得到所述当前种子点三维数据块对应的当前三维数据块目标血管；
遍历所有当前目标血管种子点，得到所有当前三维数据块目标血管，并将所有当前三维数...

【专利技术属性】
技术研发人员：谌明，许卫东，金朝汇，徐阳，汪纯，金佳燕，
申请(专利权)人：浙江同花顺智能科技有限公司，
类型：发明
国别省市：浙江;33