本公开提供了一种血流分割方法、装置、设备及存储介质，应用于图像处理技术领域，方法主要包括：获取待分割图像，待分割图像为CTA图像；根据血流分割模型，对待分割图像进行多尺度特征提取，得到第一特征图；根据第一特征图，对待分割图像进行血管分割，得到血管分割结果；根据第一特征图和血管分割结果，对待分割图像进行血流分割，得到血流分割结果。本公开提供的一种血流分割方法、装置、设备及存储介质，融合了待分割图像不同尺度的特征，并且引入了待分割图像的血管信息，在血管分割结果的基础上进行血流分割，可以进一步提高血流分割的准确性。的准确性。的准确性。
【技术实现步骤摘要】
一种血流分割方法、装置、设备及存储介质
[0001]本公开涉及图像处理
，尤其涉及一种血流分割方法、装置、设备及存储介质。
技术介绍
[0002]在对血管图像进行处理时，经常需要对图像中的血流进行分割，当前对于血流的分割算法普遍基于卷积神经网络模型，例如Unet模型等。Unet模型是在全卷积网络(FCN，Fully Convolutional Networks)的基础上提出的一种对称的网络结构，可以直接使用血流分割标签对Unet模型进行训练，然后利用训练好的Unet模型对图像进行血流分割。
[0003]然而，血流分割与血管分割的差异极小，区别仅在于部分病变的位置，如果只用血流分割标签去训练卷积神经网络模型，模型并不能注意到血管与血流之间的差异，会导致血流分割结果不够准确。
技术实现思路
[0004]本公开提供了一种血流分割方法、装置、设备及存储介质，以至少解决现有技术中存在的以上技术问题。
[0005]根据本公开的第一方面，提供了一种血流分割方法，该方法包括：获取待分割图像，所述待分割图像为计算机断层扫描血管造影CTA图像；根据血流分割模型，对所述待分割图像进行多尺度特征提取，得到第一特征图；根据所述第一特征图，对所述待分割图像进行血管分割，得到血管分割结果；根据所述第一特征图和血管分割结果，对所述待分割图像进行血流分割，得到血流分割结果。
[0006]在一可实施方式中，在所述根据血流分割模型，对所述待分割图像进行多尺度特征提取，得到第一特征图之前，所述方法还包括：获取样本训练集，所述样本训练集包括样本CTA图像、样本CTA图像对应的血管标签和样本CTA图像对应的血流标签；根据所述样本训练集，对卷积神经网络模型进行训练，得到所述血流分割模型；所述血流分割模型的损失函数为：
[0007][0008]其中，N为所述待分割图像的像素个数，K的取值用于表示像素所属的区域，K的取值可以为0和1，K＝0时表示像素属于背景，K＝1时表示像素属于血管或血流，和分别为血管标签和血管分割结果，和分别为血流标签和血流分割结果，α
k
为损失权重，i为求和变量。
[0009]在一可实施方式中，所述根据血流分割模型，对所述待分割图像进行多尺度特征提取，得到第一特征图，包括：根据所述血流分割模型，对所述待分割图像进行不同尺度的特征提取，得到多个特征图；对所述多个特征图进行上采样操作，得到相同分辨率的多个特
征图；对所述相同分辨率的多个特征图进行拼接，得到所述第一特征图。
[0010]在一可实施方式中，在所述根据血流分割模型，对所述待分割图像进行不同尺度的特征提取，得到多个特征图之前，所述方法还包括：统一所述待分割图像的体素间距，得到所述待分割图像对应的矩阵，并将所述矩阵输入至所述血流分割模型。
[0011]在一可实施方式中，所述血流分割模型包括第一分类层，所述根据第一特征图，对所述待分割图像进行血管分割，得到血管分割结果，包括：根据所述第一分类层，对所述第一特征图的像素进行逐一分类，得到所述血管分割结果。
[0012]在一可实施方式中，所述根据第一特征图和血管分割结果，对所述待分割图像进行血流分割，得到血流分割结果，包括：对所述第一特征图和所述血管分割结果进行拼接，得到第二特征图；根据所述第二特征图，对所述待分割图像进行血流分割，得到血流分割结果。
[0013]在一可实施方式中，所述血流分割模型还包括第二分类层，所述根据第二特征图，对所述待分割图像进行血流分割，得到血流分割结果，包括：根据所述第二分类层，对所述第二特征图的像素进行逐一分类，得到所述血流分割结果。
[0014]根据本公开的第二方面，提供了一种血流分割装置，该装置包括：第一获取模块，用于获取待分割图像，所述待分割图像为计算机断层扫描血管造影CTA图像；特征提取模块，用于根据血流分割模型，对所述待分割图像进行多尺度特征提取，得到第一特征图；血管分割模块，用于根据所述第一特征图，对所述待分割图像进行血管分割，得到血管分割结果；血流分割模块，用于根据所述第一特征图和血管分割结果，对所述待分割图像进行血流分割，得到血流分割结果。
[0015]根据本公开的第三方面，提供了一种电子设备，包括：
[0016]至少一个处理器；以及
[0017]与所述至少一个处理器通信连接的存储器；其中，
[0018]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开所述的方法。
[0019]根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开所述的方法。
[0020]本公开的一种血流分割方法、装置、设备及存储介质，一方面融合了待分割图像不同尺度的特征，可以学习到待分割图像的整体几何信息，从而提高血流分割的准确性；另一方面，引入了待分割图像的血管信息，在血管分割结果的基础上进行血流分割，聚焦血流和血管有差异的边界区域，使得模型可以区分血流和血管，进一步提高血流分割的准确性。
[0021]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0022]通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，其中：
[0023]在附图中，相同或对应的标号表示相同或对应的部分。
[0024]图1示出了血管分割与血流分割的差异示意图；
[0025]图2示出了本公开第一实施例的一种血流分割方法的流程示意图；
[0026]图3示出了本公开第三实施例的一种血流分割方法的流程示意图；
[0027]图4示出了本公开实施例的血流分割模型的结构示意图；
[0028]图5示出了本公开第八实施例的一种血流分割装置的结构示意图；
[0029]图6示出了本公开实施例一种电子设备的组成结构示意图。
具体实施方式
[0030]为使本公开的目的、特征、优点能够更加的明显和易懂，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而非全部实施例。基于本公开中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0031]图1示出了血管分割与血流分割的差异示意图，如图1所示，对于图1中的血管分割结果与血流分割结果，区别仅在于部分病变的位置，如图1中所示的动脉粥样硬化斑块01和动脉粥样硬化斑块02，即血管分割结果为完整的血管，包括动脉粥样硬化斑块01和动脉粥样硬化斑块02覆盖的区域，而血流分割结果与血管分割结果的差异仅在于血流分割结果并不包括动脉粥样硬化斑本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种血流分割方法，其特征在于，所述方法包括：获取待分割图像，所述待分割图像为计算机断层扫描血管造影CTA图像；根据血流分割模型，对所述待分割图像进行多尺度特征提取，得到第一特征图；根据所述第一特征图，对所述待分割图像进行血管分割，得到血管分割结果；根据所述第一特征图和血管分割结果，对所述待分割图像进行血流分割，得到血流分割结果。2.根据权利要求1所述的方法，其特征在于，在所述根据血流分割模型，对所述待分割图像进行多尺度特征提取，得到第一特征图之前，所述方法还包括：获取样本训练集，所述样本训练集包括样本CTA图像、样本CTA图像对应的血管标签和样本CTA图像对应的血流标签；根据所述样本训练集，对卷积神经网络模型进行训练，得到所述血流分割模型；所述血流分割模型的损失函数为：其中，N为所述待分割图像的像素个数，K的取值用于表示像素所属的区域，K的取值可以为0和1，K＝0时表示像素属于背景，K＝1时表示像素属于血管或血流，和分别为血管标签和血管分割结果，和分别为血流标签和血流分割结果，α
k
为损失权重，i为求和变量。3.根据权利要求1所述的方法，其特征在于，所述根据血流分割模型，对所述待分割图像进行多尺度特征提取，得到第一特征图，包括：根据所述血流分割模型，对所述待分割图像进行不同尺度的特征提取，得到多个特征图；对所述多个特征图进行上采样操作，得到相同分辨率的多个特征图；对所述相同分辨率的多个特征图进行拼接，得到所述第一特征图。4.根据权利要求3所述的方法，其特征在于，在所述根据血流分割模型，对所述待分割图像进行不同尺度的特征提取，得到多个特征图之前，所述方法还包括：统一所述待分割图像的体素间距，得到所述待分割图像对应的矩阵，并将所述矩阵输入至所述血流分割模型。5.根据权利要求1所述的方法，其特征在于...
【专利技术属性】
技术研发人员：张少鹏，刘宇航，贠晓帆，丁佳，吕晨翀，
申请(专利权)人：北京医准智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。