一种冠状动脉钙化斑块分割方法、装置、设备及存储介质制造方法及图纸

本公开提供了一种冠状动脉钙化斑块分割的方法、装置、设备及存储介质，通过将待处理图像输入图像风格迁移模型，得到伪门控图像，其中，所述待处理图像为非门控图像，将所述伪门控图像输入钙化斑块分割模型，得到所述待处理图像的钙化斑块分割掩码，可以提高钙化斑块边界精准度与置信度，从而提升对冠脉钙化斑块分割的精准度。割的精准度。割的精准度。

【技术实现步骤摘要】
一种冠状动脉钙化斑块分割方法、装置、设备及存储介质


[0001]本公开涉及医学图像处理领域，尤其涉及一种冠状动脉钙化斑块分割方法、装置、设备及存储介质。

技术介绍

[0002]在医学领域中，通常使用冠状动脉钙化积分(Coronary Artery Calcification，CAC)来表示冠状动脉粥样硬化的状态信息。而冠状动脉钙化积分主要受冠状动脉的钙化斑块大小和电子计算机断层扫描(Computed Tomography，CT)值的影响，因此，冠状动脉钙化斑块的影像分析具有重要意义。
[0003]通过非门控、非对比胸部计算机断层扫描(Non
‑
gated chest computed tomography，NCCT)简称“非门控CT”，可以得到非门控图像。非门控图像虽然能够在一定程度上反映冠状动脉钙化斑块的信息，但是往往受限于呼吸、心脏运动伪影的影响，非门控图像存在模糊和失真的缺点，从而影响冠状动脉钙化斑块分割的精准度。
[0004]除此之外，现有技术对于非门控图像中钙化斑块的分割，传统的人工方法往往是手动勾勒斑块的边界，这种方式费时费力、且精准度低。而深度学习方法虽然有通过将钙化斑块分割与分类建模为“多类分割”的问题，但是直接输出对应血管类别的钙化斑块分割结果的精准度也很低。

技术实现思路

[0005]本公开提供了一种冠状动脉钙化斑块分割的方法、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。
[0006]根据本公开的第一方面，提供了一种冠状动脉钙化斑块分割方法，其特征在于，所述方法包括：
[0007]将待处理图像输入图像风格迁移模型，得到目标伪门控图像，其中，所述待处理图像为非门控图像；
[0008]将所述目标伪门控图像输入钙化斑块分割模型，得到所述待处理图像的钙化斑块分割掩码。
[0009]在一可实施方式中，所述图像风格迁移模型包括生成子模型和判别子模型，所述图像风格迁移模型通过以下方式进行训练：
[0010]基于初始生成子模型，训练所述判别子模型，使得所述判别子模型能够区分门控图像和伪门控图像；
[0011]基于训练后的判别子模型，训练所述初始生成子模型为生成子模型，使得所述判别子模型无法区分出所述生成子模型所生成的图像是伪门控图像；
[0012]循环训练所述判别子模型和所述生成子模型，直至所述判别子模型的损失函数值和所述生成子模型的损失函数收敛为止，停止训练。
[0013]在一可实施方式中，所述基于初始生成子模型，训练所述判别子模型，包括：
[0014]获取非门控图像集和门控图像集；
[0015]将非门控图像集内的图像依次输入初始生成子模型，得到伪门控图像集；
[0016]将所述伪门控图像集标注为负样本，以及将所述门控图像集标注为正样本，并将所述正样本与所述负样本作为第一样本集，将所述第一样本集内的图像依次输入所述判别子模型，得到是否为门控图像的第一判断结果以及第一损失函数值，并根据所述第一判断结果以及所述第一损失函数值修正所述判别子模型的模型参数。
[0017]在一可实施方式中，所述基于训练后的判别子模型，训练所述初始生成子模型为生成子模型，包括：
[0018]将随机采样噪声图像作为第二样本集，将所述第二样本集内的图像依次输入所述初始生成子模型，得到伪门控样本图像集；
[0019]将所述伪门控样本图像集的图像依次输入训练后的判别子模型，得到是否为门控图像的第二判断结果和第二损失函数值，并根据所述第二判断结果和所述第二损失函数值修正所述初始生成子模型的模型参数，以得到所述生成子模型。
[0020]在一可实施方式中，在所述将待处理图像输入图像风格迁移模型之前，还包括：
[0021]将原始图像输入心脏分割模型，得到所述原始图像的心脏分割掩码；
[0022]根据所述原始图像的心脏分割掩码得到心脏外接矩形框；
[0023]根据所述心脏外接矩形框裁剪所述原始图像，得到所述待处理图像。
[0024]根据本公开的第二方面，提供了一种冠状动脉钙化斑块分割装置，其特征在于，所述装置包括：
[0025]伪门控图像生成模块，用于将待处理图像输入图像风格迁移模型，得到目标伪门控图像，其中，所述待处理图像为非门控图像；
[0026]分割掩码确定模块，用于将所述目标伪门控图像输入钙化斑块分割模型，得到所述待处理图像的钙化斑块分割掩码。
[0027]在一可实施方式中，所述装置还包括：
[0028]图像风格迁移模型训练模块，所述图像风格迁移模型包括生成子模型和判别子模型，用于基于初始生成子模型，训练所述判别子模型，使得所述判别子模型能够区分门控图像和伪门控图像；基于训练后的判别子模型，训练所述初始生成子模型为生成子模型，使得所述判别子模型无法区分出所述生成子模型所生成的图像是伪门控图像；循环训练所述判别子模型和所述生成子模型，直至所述判别子模型的损失函数值和所述生成子模型的损失函数收敛为止，停止训练。
[0029]在一可实施方式中，所述图像风格迁移模型训练模块，具体用于：
[0030]获取非门控图像集和门控图像集；将非门控图像集内的图像依次输入初始生成子模型，得到伪门控图像集；将所述伪门控图像集标注为负样本，以及将所述门控图像集标注为正样本，并将所述正样本与所述负样本作为第一样本集，将所述第一样本集内的图像依次输入所述判别子模型，得到是否为门控图像的第一判断结果以及第一损失函数值，并根据所述第一判断结果以及所述第一损失函数值修正所述判别子模型的模型参数。
[0031]在一可实施方式中，所述图像风格迁移模型训练模块，具体用于：
[0032]将随机采样噪声图像作为第二样本集，将所述第二样本集内的图像依次输入所述初始生成子模型，得到伪门控样本图像集；
[0033]将所述伪门控样本图像集的图像依次输入训练后的判别子模型，得到是否为门控图像的第二判断结果和第二损失函数值，并根据所述第二判断结果和所述第二损失函数值修正所述初始生成子模型的模型参数，以得到所述生成子模型。
[0034]在一可实施方式中，还包括：待处理图像处理模块，用于在所述将待处理图像输入图像风格迁移模型之前，将原始图像输入心脏分割模型，得到所述原始图像的心脏分割掩码；根据所述原始图像的心脏分割掩码得到心脏外接矩形框；根据所述心脏外接矩形框裁剪所述原始图像，得到所述待处理图像。
[0035]根据本公开的第三方面，提供了一种电子设备，包括：
[0036]至少一个处理器；以及
[0037]与所述至少一个处理器通信连接的存储器；其中，
[0038]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。
[0039]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种冠状动脉钙化斑块分割方法，其特征在于，所述方法包括：将待处理图像输入图像风格迁移模型，得到目标伪门控图像，其中，所述待处理图像为非门控图像；将所述目标伪门控图像输入钙化斑块分割模型，得到所述待处理图像的钙化斑块分割掩码。2.根据权利要求1所述的方法，其中，所述图像风格迁移模型包括生成子模型和判别子模型，所述图像风格迁移模型通过以下方式进行训练：基于初始生成子模型，训练所述判别子模型，使得所述判别子模型能够区分门控图像和伪门控图像；基于训练后的判别子模型，训练所述初始生成子模型为生成子模型，使得所述判别子模型无法区分出所述生成子模型所生成的图像是伪门控图像；循环训练所述判别子模型和所述生成子模型，直至所述判别子模型的损失函数值和所述生成子模型的损失函数收敛为止，停止训练。3.根据权利要求2所述的方法，其特征在于，所述基于初始生成子模型，训练所述判别子模型，包括：获取非门控图像集和门控图像集；将非门控图像集内的图像依次输入初始生成子模型，得到伪门控图像集；将所述伪门控图像集标注为负样本，以及将所述门控图像集标注为正样本，并将所述正样本与所述负样本作为第一样本集，将所述第一样本集内的图像依次输入所述判别子模型，得到是否为门控图像的第一判断结果以及第一损失函数值，并根据所述第一判断结果以及所述第一损失函数值修正所述判别子模型的模型参数。4.根据权利要求3所述的方法，其特征在于，所述基于训练后的判别子模型，训练所述初始生成子模型为生成子模型，包括：将随机采样噪声图像作为第二样本集，将所述第二样本集内的图像依次输入所述初始生成子模型，得到伪门控样本图像集；将所述伪门控样本图像集的图像依次输入训练后的判别子模型，得到是否为门控图像的第二判断结果和第二损失函数值，并根据所述第二判断结果和所述第二损失函数值修正所述初始生成子模型的模型参数，以得到所述生成子模型。5.根据权利要求4所述的方法，其特征在于，在所述将待处理图像输入图像风格迁移模型之前，还包括：将原始图像输入心脏分割模型，得到所述原始图像的心脏分割掩码；根据所述原始图像的心脏分...

【专利技术属性】
技术研发人员：杜金伟，刘宇航，丁佳，
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：