血管壁图像分割方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种血管壁图像分割方法、装置、计算机设备和存储介质。所述方法包括：获取三维黑血T1加权磁共振的颅内血管壁图像；对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；然后，根据该三维血管腔分割结果提取中心线，垂直于该中心线进行重切得到二维血管壁横截面图像；在该二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域。本方法首先对磁共振图像中的三维管腔进行分割，进而根据三维管腔分割结果在二维血管壁横截面图像上对二维管壁进行分割，通过对管腔和管壁的精确分割，提高了血管壁图像分割的准确率以及分割效率。

【技术实现步骤摘要】
血管壁图像分割方法、装置、计算机设备和存储介质
本申请涉及医疗影像
，特别是涉及一种血管壁图像分割方法、装置、计算机设备和存储介质。
技术介绍
颅内动脉粥样硬化(IntracranialAtherosclerosis)为卒中最常见的原因之一。通过传统血管造影成像技术确定的血管腔狭窄仍然是诊断颅内动脉粥样硬化的主要手段，然而仅基于管腔狭窄是无法准确判断颅内动脉粥样硬化的。据研究发现，血管壁狭窄程度和血管壁厚度/血管腔面积与斑块症状明显相关，因此精确地分割颅内血管壁有着重要的意义。目前颅内管壁图像分割方案通常需手动勾画血管中心线，或与血管造影图像配准来获取血管中心线映射，额外人工干预或配准操作过程繁琐且易引入误差；仍无仅基于三维黑血T1加权图像进行全自动化颅内管壁图像分割的方法。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高血管壁图像分割准确率以及分割效率的血管壁图像分割方法、装置、计算机设备和存储介质。第一方面，提供了一种管壁图像分割方法，该方法包括：获取三维黑血T1加权磁共振的颅内血管壁图像；对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；根据该三维血管腔分割结果提取中心线，垂直于该中心线进行重切得到二维血管壁横截面图像；在该二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域。在其中一个实施例中，对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果，包括：将该颅内血管壁图像采用立方滑动窗口生成图像补丁；对该图像补丁进行管腔分割，得到二值化的三维血管腔分割结果；根据该血管腔分割结果提取中心线，包括：根据该二值化的三维血管腔分割结果提取中心线。在其中一个实施例中，该得到血管腔区域和外管壁区域之后，还包括：根据该血管腔区域和该外管壁区域计算血管的形态学信息。在其中一个实施例中，颅内血管壁分割模型包括三维管腔分割子模型、中心线提取子模型和二维管壁分割子模型；该方法还包括：通过该三维管腔分割子模型对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；通过该中心线提取子模型根据该三维血管腔分割结果提取中心线，垂直于该中心线进行重切得到二维血管壁横截面图像；通过该二维管壁分割子模型在该二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域；该颅内血管壁分割模型的训练过程，包括：获取三维黑血T1加权磁共振的颅内血管壁样本图像以及该颅内血管壁样本图像的标记图像；将该颅内血管壁样本图像输入初始的三维管腔分割子模型，得到三维血管腔样本分割结果；将该三维血管腔样本分割结果输入中心线提取子模型，得到样本中心线，垂直于该样本中心线进行重切得到二维血管壁样本横截面图像；将该二维血管壁样本横截面图像输入该初始的二维管壁分割子模型，得到样本血管腔区域和样本外管壁区域；根据该三维血管腔样本分割结果和该标记图像计算三维模型损失，当该三维模型分割损失低于预设三维模型损失阈值或训练次数达到预设最大值时，得到训练好的三维管腔分割子模型；根据该样本血管腔区域和样本外管壁区域与该标记图像计算二维模型损失，当该二维模型分割损失低于预设二维模型损失阈值或训练次数达到预设最大值时，得到训练好的二维管壁分割子模型。在其中一个实施例中，将该颅内血管壁样本图像输入初始的三维管腔分割子模型，得到三维血管腔样本分割结果，包括：将该颅内血管壁样本图像采用立方滑动窗口生成样本图像补丁；将该样本图像补丁输入初始的三维管腔分割子模型，得到二值化的三维血管腔样本分割结果。在其中一个实施例中，该垂直于该样本中心线进行重切得到二维血管壁样本横截面图像之后，还包括：对该二维血管壁样本横截面图像进行数据增强，得到增强后的二维血管壁样本横截面图像；增强后的二维血管壁样本横截面图像用于训练初始的二维管壁分割子模型以得到训练好的二维管壁分割模型。在其中一个实施例中，该得到样本血管腔区域和样本外管壁区域之后，还包括：将该样本血管腔区域和该样本外管壁区域作为样本血管分割结果；根据该样本血管分割结果与样本的手动标记结果，计算分割准确率；根据该样本血管腔区域和该样本外管壁区域计算样本血管的形态学信息，验证该样本血管的形态学信息与金标准的分割一致性。第二方面，提供了一种血管壁图像分割装置，该装置包括：磁共振图像获取模块，用于获取三维黑血T1加权磁共振的颅内血管壁图像；三维管腔分割模块，用于对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；血管中心线提取模块，用于根据该三维血管腔分割结果提取中心线，垂直于该中心线进行重切得到二维血管壁横截面图像；二维管壁分割模块，用于在该二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域。第三方面，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现以下步骤：获取三维黑血T1加权磁共振的颅内血管壁图像；对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；根据该三维血管腔分割结果提取中心线，垂直于该中心线进行重切得到二维血管壁横截面图像；在该二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域。第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：获取三维黑血T1加权磁共振的颅内血管壁图像；对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；根据该三维血管腔分割结果提取中心线，垂直于该中心线进行重切得到二维血管壁横截面图像；在该二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域。上述血管壁图像分割方法、装置、计算机设备和存储介质，通过获取三维黑血T1加权磁共振的颅内血管壁图像；对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；然后，根据该三维血管腔分割结果提取中心线，垂直于该中心线进行重切得到二维血管壁横截面图像；在该二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域。本方法首先对磁共振图像中的三维管腔进行分割，进而根据三维管腔分割结果在二维血管壁横截面图像上对二维管壁进行分割，通过对管腔和管壁的精确分割，提高了血管壁图像分割的准确率以及分割效率。附图说明图1为一个实施例中血管壁图像分割方法的应用环境图；图2为一个实施例中血管壁图像分割方法的流程示意图；图3为一个实施例中血管壁图像分割方法的框架示意图；图4为一个实施例中管腔分割结果的示意图；图5为一个实施例中外管壁分割结果的示意图；图6为一个实施例中血管壁图像分割性能的示意图；图7为一个实施例中血管壁图像分割装置的结构框图；图8为一个实施例中计算机设备的内部结构图。具体本文档来自技高网...

【技术保护点】
1.一种血管壁图像分割方法，其特征在于，所述方法包括：/n获取三维黑血T1加权磁共振的颅内血管壁图像；/n对所述颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；/n根据所述三维血管腔分割结果提取中心线，垂直于所述中心线进行重切得到二维血管壁横截面图像；/n在所述二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域。/n

【技术特征摘要】
1.一种血管壁图像分割方法，其特征在于，所述方法包括：
获取三维黑血T1加权磁共振的颅内血管壁图像；
对所述颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；
根据所述三维血管腔分割结果提取中心线，垂直于所述中心线进行重切得到二维血管壁横截面图像；
在所述二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域。


2.根据权利要求1所述的方法，其特征在于，所述对所述颅内血管壁图像进行管腔分割，得到三维血管腔分割结果，包括：
将所述颅内血管壁图像采用立方滑动窗口生成图像补丁；
对所述图像补丁进行管腔分割，得到二值化的三维血管腔分割结果；
所述根据所述血管腔分割结果提取中心线，包括：
根据所述二值化的三维血管腔分割结果提取中心线。


3.根据权利要求1所述的方法，其特征在于，所述得到血管腔区域和外管壁区域之后，还包括：
根据所述血管腔区域和所述外管壁区域计算血管的形态学信息。


4.根据权利要求1所述的方法，其特征在于，颅内血管壁分割模型包括三维管腔分割子模型、中心线提取子模型和二维管壁分割子模型；
所述方法还包括：
通过所述三维管腔分割子模型对所述颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；
通过所述中心线提取子模型根据所述三维血管腔分割结果提取中心线，垂直于所述中心线进行重切得到二维血管壁横截面图像；
通过所述二维管壁分割子模型在所述二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域；
所述颅内血管壁分割模型的训练过程，包括：
获取三维黑血T1加权磁共振的颅内血管壁样本图像以及所述颅内血管壁样本图像的标记图像；
将所述颅内血管壁样本图像输入初始的三维管腔分割子模型，得到三维血管腔样本分割结果；
将所述三维血管腔样本分割结果输入中心线提取子模型，得到样本中心线，垂直于所述样本中心线进行重切得到二维血管壁样本横截面图像；
将所述二维血管壁样本横截面图像输入所述初始的二维管壁分割子模型，得到样本血管腔区域和样本外管壁区域；
根据所述三维血管腔样本分割结果和所述标记图像计算三维模型损失，当所述三维模型分割损失低于预设三维模型损失阈值或训练次数达到预设最大值时，得到训练好的三维管腔分割子模型；<...

【专利技术属性】
技术研发人员：陈慧军，窦佳琦，李雨泽，赵锡海，王雅洁，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11