一种导丝分割方法、装置、电子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导丝分割方法、装置、电子设备和存储介质，该方法包括：获取针对目标位置的扫描图像，所述扫描图像包括用于介入手术的导丝；将所述扫描图像输入至预先训练好的神经网络模型，获得所述导丝的分割图像。通过本发明专利技术实施例的技术方案，实现了各种结构的导丝分割，并可确保一定的实时性。

【技术实现步骤摘要】
一种导丝分割方法、装置、电子设备及存储介质
本专利技术实施例涉及计算机
，尤其涉及一种导丝分割方法、装置、电子设备及存储介质。
技术介绍
在心血管介入手术中，常常需要使用导丝来引导支架或者导管的置入，因此对导丝位置进行精准定位是精细化操作导丝以正确引导支架或者导管置入血管狭窄位置的前提，亦是保证手术安全的关键步骤。目前常用的导丝定位方法为：一种是基于特征的对象追踪技术，例如基于像素值构建直方图，基于直方图识别是否为导丝结构，但是这种方法容易对与导丝相似的其它结构进行误识别，并且由于导丝的结构在心跳的影响下变化较大，该种方法无法通用于所有结构的导丝识别。另一种是基于统计的方法，具体是将X光图像中的静态结构和动态结构进行分离，从动态结构中抽取出导丝结构，但是这种方法在对当前帧图像进行处理时，需要依赖其前后几帧的图像信息，不能达到实时进行导丝追踪的目的。
技术实现思路
一种导丝分割方法、装置、电子设备和存储介质，实现了各种结构的导丝分割，并可确保一定的实时性。第一方面，本专利技术实施例提供了一种导丝分割方法，该方法包括：获取针对目标位置的扫描图像，所述扫描图像包括用于介入手术的导丝；将所述扫描图像输入至预先训练好的神经网络模型，获得所述导丝的分割图像。第二方面，本专利技术实施例还提供了一种导丝分割装置，该装置包括：获取模块，用于获取针对目标位置的扫描图像，所述扫描图像包括用于引导支架置入血管的导丝；分割模块，用于将所述扫描图像输入至预先训练好的神经网络模型，获得所述导丝的分割图像。第三方面，本专利技术实施例还提供了一种电子设备，所述电子设备包括：一个或多个处理器；存储器，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意实施例所提供的导丝分割方法步骤。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，该程序被处理器执行时实现如本专利技术任意实施例所提供的导丝分割方法步骤。上述专利技术中的实施例具有如下优点或有益效果：通过获取针对目标位置的扫描图像，所述扫描图像包括用于介入手术的导丝；将所述扫描图像输入至预先训练好的神经网络模型，获得所述导丝的分割图像的技术手段，实现了对各种结构的导丝进行准确分割，并可确保一定的实时性。附图说明为了更加清楚地说明本专利技术示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本专利技术所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。图1是本专利技术实施例一提供的一种导丝分割方法的流程图；图2是本专利技术实施例二提供的一种导丝分割方法的流程图；图3是本专利技术实施例三提供的一种导丝分割装置的结构示意图；图4是本专利技术实施例四提供的一种电子设备的结构示意图。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导丝分割方法的流程示意图，本实施例可适用于在血管介入手术中对导丝位置进行精准定位的情形，该方法可以由导丝分割装置来执行，该装置可以由硬件和/或软件来实现，该方法具体包括如下步骤：S110、获取针对目标位置的扫描图像，所述扫描图像包括用于介入手术的导丝；其中，所述扫描图像通常由影像设备对待扫描者的目标位置进行扫描获得。所述影像设备例如是X射线、CT(ComputerTomography，计算机断层)、MR(MagneticResonance，磁共振)、超声、分子影像或者其他影像设备等。所述目标位置可以是诸如股静脉和锁骨下静脉等各个导丝途径的血管部位，也可以是冠状动脉中的狭窄或闭塞病变处。所述导丝指在血管介入手术中需要进入血管的移动装置，用于对支架和导管进行指引，引导支架和导管通过各个血管部位到达狭窄或闭塞病变处，以使支架支撑该狭窄或闭塞病变处。S120、将所述扫描图像输入至预先训练好的神经网络模型，获得所述导丝的分割图像。其中，预先训练好的神经网络模型经过大量样本数据进行训练，得到扫描图像与导丝的分割图像的关系映射，以使所述神经网络模型在接收扫描图像时，能够输出对应的导丝的分割图像。可选的，通过设定优化算法，基于训练数据对预设神经网络进行训练，以对预设神经网络的各权重参数进行迭代与更新，获得所述预先训练好的神经网络模型。其中，优化算法用于对预设神经网络的损失函数进行优化，以在训练过程中不断优化神经网络，提高训练完成后的神经网络输出的导丝分割图像的精度。所述优化算法可以是诸如梯度下降法、共轭梯度法、拉格朗日法、动量优化法、Nesterov加速梯度法、Nadam算法、模拟退火算法或Adam算法等算法。可选的，所述设定优化算法包括Adam优化算法；所述预设神经网络包括U-Net神经网络。其中，Adam算法是随机梯度下降算法的一阶优化算法，随机梯度下降算法保持一个单一的学习速率，用于神经网络的权重更新，并且在训练过程中学习速率不会改变，每一个网络权重都保持一个学习速率。而Adam算法从梯度的第一次和第二次矩的预算来计算不同权重的自适应学习速率，可以在训练过程中，基于训练数据不断迭代更新神经网络的权重，提高神经网络的收敛速度，从而提高预设神经网络的输出实时性。Adam算法的迭代更新神经网络的权重的过程可以分为以下步骤：(a)计算梯度，其中，m表示样本数量，i表示m个样本中的第i个样本，x(i)、y(i)分别为预测分割结果、标准样本，θ为初始参数；(b)更新有偏一阶矩估计，s←ρ1s+(1-ρ1)g，其中，ρ1为一阶矩估计的指数衰减速率，默认0.9；(c)更新有偏二阶矩估计，r←ρ2r+(1-ρ2)g⊙g，其中，ρ2为为二阶矩估计的指数衰减速率，默认0.999；(d)修正一阶矩的偏差，(e)修正二阶矩的偏差，(f)计算更新，并应用更新，θ←θ+Δθ，其中，∈表示步长，默认为0.001，δ为用于数值稳定的小常数，默认10-8。在本实施例中，U-Net神经网络是基于CNN的图像分割网络，主要用于医学图像分割，主要由卷积层、最大池化层、反卷积层以及ReLU非线性激活函数组成，U-Net神经网络的原理如下：通过编码器逐步获得扫描图像的高级特征映射(即下采样)，并使用解码器将高级特征映射展开到扫描图像尺寸(即上采样)，同时用跳连结构将低级特征映射与高级特征映射相结合，从而实现精确的像素级分割，得到的导丝的分割图像是一副尺寸与扫描图像尺寸一致的二值化图像，根据标准分割结果和网络输出分割结果的差异，反向传播来训练该神经网络。其中，下采样可以抓取扫描图像的简单特征，如导丝边界，上采本文档来自技高网...

【技术保护点】
1.一种导丝分割方法，其特征在于，包括：/n获取针对目标位置的扫描图像，所述扫描图像包括用于介入手术的导丝；/n将所述扫描图像输入至预先训练好的神经网络模型，获得所述导丝的分割图像。/n

【技术特征摘要】
1.一种导丝分割方法，其特征在于，包括：
获取针对目标位置的扫描图像，所述扫描图像包括用于介入手术的导丝；
将所述扫描图像输入至预先训练好的神经网络模型，获得所述导丝的分割图像。


2.根据权利要求1所述的方法，其特征在于，所述将所述扫描图像输入至预先训练好的神经网络模型之前，还包括；
对所述扫描图像进行预处理，以降低所述扫描图像的噪声；
对应的，所述将所述扫描图像输入至预先训练好的神经网络模型具体为：
将预处理之后的扫描图像输入至预先训练好的神经网络模型。


3.根据权利要求2所述的方法，其特征在于，所述对所述扫描图像进行预处理，以降低所述扫描图像的噪声，包括：
对所述扫描图像进行图像标准化处理。


4.根据权利要求1-3任一项所述的方法，其特征在于，还包括：
通过设定优化算法，基于训练数据对预设神经网络进行训练，以获得所述预先训练好的神经网络模型。


5.根据权利要求4所述的方法，其特征在于，所述设定优化算法包括Adam优...

【专利技术属性】
技术研发人员：江春花，韩璐璐，胡殿麟，冯娟，陈阳，
申请(专利权)人：上海联影医疗科技股份有限公司，
类型：发明
国别省市：上海;31