确定血管中心线真伪以及截断位置的方法与装置制造方法及图纸

本申请提供了一种确定血管中心线真伪以及截断位置的方法与装置。该方法包括：采用深度学习算法构建目标血管的3D血管模型；获取目标血管的原始中心线；根据原始中心线构建空间树模型；根据3D血管模型和空间树模型，确定真实中心线和血管截断位置。本方案结合空间树模型和深度学习算法能够大幅提高血管真伪判别以及截断位置推荐的准确性，极大的提高了医疗影像中血管判定以及截断位置选择的效率。影像中血管判定以及截断位置选择的效率。影像中血管判定以及截断位置选择的效率。

【技术实现步骤摘要】
确定血管中心线真伪以及截断位置的方法与装置
[0001]本案为基于于2021年04月30日提交的中国专利局、申请号为2021104842117、申请名称“确定血管中心线真伪以及截断位置的方法与装置”的案件提出的分案申请。


[0002]本申请涉及医疗影像领域，具体而言，涉及一种确定血管中心线真伪以及截断位置的方法、装置、计算机可读存储介质与处理器。

技术介绍

[0003]从医疗影像(CT造影/核磁共振/超声影像等)中分割冠脉血管具有非常重要的临床意义。在临床中，对于冠脉血管结构分析是理解冠脉血管病变描述冠脉血管疾病的必要环节。医学影像中冠脉血管的分割对于图像理解、图像分析、中心线提取、图像分割、模型重构有很高的研究价值与技术挑战。传统的血管分割算法大都未能同时兼顾复杂影像中血管分割的准确性与效率，且分割结果容易受到图像质量的影响。
[0004]血管中心线的提取需要用到相关的图像分割算法，图像语义分割算法是一种将图像中的每一个像素按照类别进行分类的算法。基于神经网络的语义分割算法2014年被首次提出，经过几年的快速发展，图像语义分割算法在图像分割的结果和速度上均取得了显著的提高。与图像分类算法不同，图像语义分割需要对图像每个像素点进行精确分割，图像语义分割是像素级别的。但是由于卷积神经网络在进行卷积和池化过程中丢失了图像细节，即特征图像逐渐变小，很难做到每一个像素点都能够精确的分割。图像语义分割算法的结果很大程度上取决于图像的特征提取方面，图像的特征提取的越充分，语义分割像素的正确率就会越高，目前主流的效果显著的图像语义分割算法的采样方式有3种。U
‑
Net网络模型采用将特征在通道维度拼接在一起，以更好的利用浅层特性图的信息。DeepLab系列网络模型采用了空洞卷积来提取图像特征，空洞卷积的使用增大了过滤器的感受野，使对特征的提取更加全面。特征金字塔模型通过将深层特征信息与浅层信息结合以提高图像信息的提取效率。但以上3种图像特征的采样方式都不能解决边界像素分类难的问题。由于医疗图像中血管分支多且杂乱，边界像素分类的准确性直接影响着整体图像的分割效果，而且对于贴近骨骼，组织，病变等的血管，由于像素流明接近，这些血管的边界特征不是特别明显，也加大了血管分割的难度。
[0005]即采用现有技术中的图像分割算法未能精确提取血管的中心线，无法准确推荐血管截断位置。

技术实现思路

[0006]本申请的主要目的在于提供一种确定血管中心线真伪以及截断位置的方法、装置、计算机可读存储介质与处理器，以解决现有技术中图像分割算法未能精确提取血管的中心线，无法准确推荐血管截断位置的问题。
[0007]为了实现上述目的，根据本申请的一个方面，提供了一种确定血管中心线真伪以
及截断位置的方法，包括：采用深度学习算法构建目标血管的3D血管模型；获取所述目标血管的原始中心线；根据所述原始中心线构建空间树模型；根据所述3D血管模型和所述空间树模型，确定真实中心线和血管截断位置；根据所述3D血管模型和所述空间树模型，确定真实中心线，包括：将所述3D血管模型和所述空间树模型融合；确定所述3D血管模型中的血管分支与所述空间树模型中的树枝的重合度；在所述重合度大于阈值的情况下，确定所述树枝对应的所述原始中心线为预定中心线，所述预定中心线的部分或者全部为所述真实中心线。
[0008]进一步地，采用深度学习算法构建目标血管的3D血管模型，包括：获取所述目标血管的原始3D影像；对所述原始3D影像进行切分得到多个2D影像；采用所述深度学习算法构建分割模型；采用所述分割模型对所述2D影像进行运算，得到2D分割图像；将多个所述2D分割图像拼接，得到所述3D血管模型。
[0009]进一步地，在采用所述深度学习算法构建分割模型的过程中，所述方法还包括：配置所述2D影像的采样点数；配置所述2D影像的大小。
[0010]进一步地，在采用所述深度学习算法构建分割模型的过程中，所述方法还包括：配置第一分类参数，所述第一分类参数为前景像素的分类参数；配置第二分类参数，所述第二分类参数为背景像素的分类参数，所述第一分类参数是所述第二分类参数的预定倍。
[0011]进一步地，采用所述深度学习算法构建分割模型，包括：在GPU加速下，采用所述深度学习算法构建所述分割模型。
[0012]进一步地，确定所述3D血管模型中的血管分支与所述空间树模型中的树枝的重合度，包括：获取所述3D血管模型中的血管分支上各点的第一坐标；获取所述空间树模型中的树枝上各点的第二坐标；根据所述第一坐标和所述第二坐标相等的对数，确定所述重合度。
[0013]进一步地，根据所述原始中心线构建空间树模型，包括：从所述原始中心线的末端倒推获取所述原始中心线上各点的空间位置；将各所述点的空间位置转化为3D图像的索引信息；根据多个所述3D图像的索引信息构建所述空间树模型。
[0014]根据本申请的另一个方面，提供了一种确定血管中心线真伪以及截断位置推荐的装置，包括：第一构建单元，用于采用深度学习算法构建目标血管的3D血管模型；获取单元，用于获取所述目标血管的原始中心线；第二构建单元，用于根据所述原始中心线构建空间树模型；确定单元，用于根据所述3D血管模型和所述空间树模型，确定真实中心线和血管截断位置；
[0015]进一步地，所述确定单元包括：第一融合模块，用于将所述3D血管模型和所述空间树模型融合；第二确定模块，用于确定所述3D血管模型中的血管分支与所述空间树模型中的树枝的重合度；第三确定模块，用于在所述重合度大于阈值的情况下，确定所述树枝对应的所述原始中心线为预定中心线，所述预定中心线的部分或者全部为所述真实中心线。
[0016]根据本申请的又一个方面，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包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的确定血管中心线真伪以及截断位置的方法。
[0017]根据本申请的再一个方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任意一种所述的确定血管中心线真伪以及截断位置的方法。
[0018]应用本申请的技术方案，通过采用深度学习算法构建目标血管的3D血管模型，可
以构建出精确的3D血管模型，再获取目标血管的原始中心线，再将所有的原始中心线组合成空间树模型，进而将精确的3D血管模型和空间树模型融合，根据融合的结果，可以实现对真实中心线和血管的截断位置的精确确定。结合空间树模型和深度学习算法能够大幅提高血管真伪判别以及截断位置推荐的准确性，极大的提高了医疗影像中血管判定以及截断位置选择的效率。
附图说明
[0019]构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0020]图1示出了根据本申请的实施例的确定血管中心线真伪以及截断位置的方法流程图；
[0021]图2示出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种确定血管中心线真伪以及截断位置的方法，其特征在于，包括：采用深度学习算法构建目标血管的3D血管模型；获取所述目标血管的原始中心线；根据所述原始中心线构建空间树模型；根据所述3D血管模型和所述空间树模型，确定真实中心线和血管截断位置；根据所述3D血管模型和所述空间树模型，确定真实中心线，包括：将所述3D血管模型和所述空间树模型融合；确定所述3D血管模型中的血管分支与所述空间树模型中的树枝的重合度；在所述重合度大于阈值的情况下，确定所述树枝对应的所述原始中心线为预定中心线，所述预定中心线的部分或者全部为所述真实中心线。2.根据权利要求1所述的方法，其特征在于，采用深度学习算法构建目标血管的3D血管模型，包括：获取所述目标血管的原始3D影像；对所述原始3D影像进行切分得到多个2D影像；采用所述深度学习算法构建分割模型；采用所述分割模型对所述2D影像进行运算，得到2D分割图像；将多个所述2D分割图像拼接，得到所述3D血管模型。3.根据权利要求2所述的方法，其特征在于，在采用所述深度学习算法构建分割模型的过程中，所述方法还包括：配置所述2D影像的采样点数；配置所述2D影像的大小。4.根据权利要求2所述的方法，其特征在于，在采用所述深度学习算法构建分割模型的过程中，所述方法还包括：配置第一分类参数，所述第一分类参数为前景像素的分类参数；配置第二分类参数，所述第二分类参数为背景像素的分类参数，所述第一分类参数是所述第二分类参数的预定倍。5.根据权利要求2所述的方法，其特征在于，采用所述深度学习算法构建分割模型，包括：在GPU加速下，采用所述深度学习算法构建所述分割模型。6.根据权利要求1至5中任一项所述的方法，其特征在于，确定所述3D...

【专利技术属性】
技术研发人员：毛益进，张超，赵清华，田明，刘伟，
申请(专利权)人：北京阅影科技有限公司，
类型：发明
国别省市：