一种管状物的狭窄程度确定方法技术

本说明书公开了一种管状物的狭窄程度确定方法

【技术实现步骤摘要】
一种管状物的狭窄程度确定方法、装置、介质及电子设备


[0001]本申请涉及计算机
，尤其涉及一种管状物的狭窄程度确定方法
、
装置
、
介质及电子设备
。

技术介绍

[0002]随着计算机技术的不断发展，计算机在医学领域的应用也越来越广泛
。
[0003]在医学领域中，医生通常结合计算机与
CT
图像来确定患者的脑血管
、
颈动脉
、
冠状动脉等血管的狭窄率，即通过确定血管的最狭窄处管径与正常管径的比例确定血管的狭窄率
。
当患者体内的血管由于存在于其内部的斑块或血栓等原因，导致血管内部管径狭窄到一定程度时，如若不及时治疗干预可能会导致患者出现心肌缺血猝死
、
偏瘫等危险，因此确定血管内部的狭窄率是十分必要的
。
[0004]现有技术中确定狭窄率时，需要确定并存储血管管径的全量数据，通过确定血管内部的斑块或血栓位置的血管管径，以及血管正常位置的血管管径，确定血管各狭窄处的管径与正常管径的比值，最终确定血管的狭窄率
。
通过这种方法确定血管的狭窄率需要存储大量数据，且需要极为庞大的计算量
。
[0005]因此，如何快速准确的确定管状物的狭窄程度是一个亟待解决的问题
。

技术实现思路

[0006]本说明书提供一种管状物的狭窄程度确定的方法
、
装置
、
介质及电子设备，以部分的解决现有技术存在的上述问题
。
[0007]本说明书采用下述技术方案：
[0008]本说明书提供一种管状物的狭窄程度确定的方法，所述方法包括：
[0009]确定管状物的初始图像；
[0010]对所述管状物的初始图像进行拉直，获得管状物拉直后图像，作为第一输入图像；
[0011]将所述第一输入图像输入预先训练的狭窄定位模型中，获得所述狭窄定位模型输出的所述第一输入图像中所述管状物的狭窄区域；
[0012]根据所述狭窄区域，从所述第一输入图像中截取狭窄片段图像；
[0013]将截取出的狭窄片段图像输入预先训练的狭窄确定模型中，通过所述狭窄确定模型对所述狭窄片段图像进行预测，获得所述狭窄确定模型输出的预测狭窄结果；
[0014]根据各狭窄片段图像的预测狭窄结果，确定所述管状物的狭窄程度
。
[0015]可选地，对所述管状物的初始图像进行拉直，获得管状物拉直后图像，具体包括：
[0016]确定管状物的初始图像的管道中心线；
[0017]根据所述管道中心线对所述管状物的初始图像进行拉直，获得管状物拉直后图像
。
[0018]可选地，获得管状物拉直后图像，作为第一输入图像，具体包括：
[0019]根据所述狭窄定位模型的输入层对应的第一输入尺寸，对所述管状物拉直后图像
进行尺寸调整，确定至少一个第一输入图像
。
[0020]可选地，训练狭窄定位模型，具体包括：
[0021]确定包含堵塞物的管状物图像，作为第一训练样本；
[0022]确定所述堵塞物在所述管状物图像中的区域，作为第一训练样本的第一标注，以及确定所述管状物图像中非堵塞物区域，作为第一训练样本的第二标注；
[0023]将所述第一训练样本输入待训练的狭窄定位模型，获得所述待训练的狭窄定位模型输出的所述第一训练样本的狭窄区域，以及确定所述第一训练样本的非狭窄区域；
[0024]根据所述狭窄区域与所述第一训练样本的标注之间的确定第一损失，以及根据所述非狭窄区域与所述第二标注的差异确定第二损失，以所述第一损失以及第二损失确定出的总损失最小化为训练目标，训练所述待训练的狭窄定位模型
。
[0025]可选地，所述狭窄定位模型至少包括：分割子模块
、
分类子模块以及输出子模块；
[0026]将所述第一训练样本输入待训练的狭窄定位模型，获得所述待训练的狭窄定位模型输出的所述第一训练样本的狭窄区域，具体包括：
[0027]将所述第一训练样本输入待训练的狭窄定位模型的分割子模块，通过所述分割子模块将所述第一训练样本分割为多个分段图像；
[0028]将所述各分段图像分别输入所述待训练的狭窄定位模型的分类子模块，通过所述分类子模块根据各分割后图像是否包含所述堵塞物，确定所述各分段图像的分类结果；
[0029]将所述各分段图像的分类结果与所述各分段图像，输入所述待训练的狭窄定位模型的输出子模块，通过所述输出子模块将分类结果为狭窄且相连的分段图像合并，获得所述第一训练样本的狭窄区域
。
[0030]可选地，根据所述狭窄区域，从所述第一输入图像中截取狭窄片段图像，具体包括：
[0031]根据所述狭窄区域，从所述第一输入图像中截取目标图像；
[0032]根据所述狭窄确定模型的输入层对应的第二预设尺寸，对所述目标图像进行尺寸调整，作为狭窄片段图像
。
[0033]可选地，所述待训练的狭窄确定模型至少包括：特征提取子模块与分类子模块；
[0034]训练狭窄确定模型，具体包括：
[0035]确定包含堵塞物的管状物图像，作为第二训练样本；
[0036]确定所述管状物图像的实际狭窄结果，作为所述第二训练样本的第三标注；
[0037]将所述第二训练样本输入待训练的狭窄确定模型，通过所述特征提取子模块提取所述第二训练样本的特征，并通过所述分类子模块根据所述特征输出所述第二训练样本的预测狭窄结果；
[0038]以所述预测狭窄结果与所述第二训练样本的第三标注差异最小化为训练目标，训练所述待训练的狭窄确定模型
。
[0039]可选地，根据各狭窄片段图像的预测狭窄结果，确定所述管状物的狭窄程度，具体包括：
[0040]针对每个狭窄片段图像，从预设的各狭窄程度范围中，确定该狭窄片段图像的预测狭窄结果落入的狭窄程度范围；
[0041]根据该狭窄片段图像的预测狭窄结果落入的狭窄程度范围，确定该狭窄片段所属
的管状物的狭窄程度；其中，所述狭窄程度包括无堵塞
、
轻度狭窄
、
中度狭窄
、
重度狭窄
、
完全堵塞
。
[0042]本说明书提供了一种管状物的狭窄程度确定的装置，所述装置包括：
[0043]确定模块，用于确定管状物的初始图像；
[0044]拉直模块，用于对所述管状物的初始图像进行拉直，获得管状物拉直后图像，作为第一输入图像；
[0045]狭窄定位模块，用于将所述第一输入图像输入预先训练的狭窄定位模型中，获得所述狭窄定位模型输出的所述第一输入图像中所述管状物的狭窄区域；
[0046]截取模块，用于根据所述狭窄区域，从所述第一输入图像中截取狭窄片段图像；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种管状物的狭窄程度确定的方法，其特征在于，所述方法包括：确定管状物的初始图像；对所述管状物的初始图像进行拉直，获得管状物拉直后图像，作为第一输入图像；将所述第一输入图像输入预先训练的狭窄定位模型中，获得所述狭窄定位模型输出的所述第一输入图像中所述管状物的狭窄区域；根据所述狭窄区域，从所述第一输入图像中截取狭窄片段图像；将截取出的狭窄片段图像输入预先训练的狭窄确定模型中，通过所述狭窄确定模型对所述狭窄片段图像进行预测，获得所述狭窄确定模型输出的预测狭窄结果；根据各狭窄片段图像的预测狭窄结果，确定所述管状物的狭窄程度
。2.
如权利要求1所述的方法，其特征在于，对所述管状物的初始图像进行拉直，获得管状物拉直后图像，具体包括：确定管状物的初始图像的管道中心线；根据所述管道中心线对所述管状物的初始图像进行拉直，获得管状物拉直后图像
。3.
如权利要求1所述的方法，其特征在于，获得管状物拉直后图像，作为第一输入图像，具体包括：根据所述狭窄定位模型的输入层对应的第一输入尺寸，对所述管状物拉直后图像进行尺寸调整，确定至少一个第一输入图像
。4.
如权利要求1所述的方法，其特征在于，训练狭窄定位模型，具体包括：确定包含堵塞物的管状物图像，作为第一训练样本；确定所述堵塞物在所述管状物图像中的区域，作为所述第一训练样本的第一标注，以及确定所述管状物图像中非堵塞物区域，作为所述第一训练样本的第二标注；将所述第一训练样本输入待训练的狭窄定位模型，获得所述待训练的狭窄定位模型输出的所述第一训练样本的狭窄区域，以及确定所述第一训练样本的非狭窄区域；根据所述狭窄区域与所述第一训练样本的标注之间的差异确定第一损失，以及根据所述非狭窄区域与所述第二标注的差异确定第二损失，以所述第一损失以及第二损失确定出的总损失最小化为训练目标，训练所述待训练的狭窄定位模型
。5.
如权利要求4所述的方法，其特征在于，所述狭窄定位模型至少包括：分割子模块
、
分类子模块以及输出子模块；将所述第一训练样本输入待训练的狭窄定位模型，获得所述待训练的狭窄定位模型输出的所述第一训练样本的狭窄区域，具体包括：将所述第一训练样本输入待训练的狭窄定位模型的分割子模块，通过所述分割子模块将所述第一训练样本分割为多个分段图像；将所述各分段图像分别...

【专利技术属性】
技术研发人员：聂建龙，王佳宇，曹晓欢，吴迪嘉，薛忠，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：