冠状动脉血管图像分割方法及装置、存储介质和终端制造方法及图纸

本发明专利技术公开了一种冠状动脉血管图像分割方法及装置、存储介质和终端，其中方法包括获取冠状动脉血管图像；获取心脏子器官掩膜组、冠脉血管粗分割结果以及裁剪后的冠脉血管原始图像结果；而后获取冠脉血管点集和心脏子器官点集组；获取每个心脏子器官点集所对应的距离场特征图，再将所有所述距离场特征图进行串联，以获取五通道距离场特征图；获取冠脉血管合并图；将冠脉血管合并图输入到训练完成的层次拓扑学习模型中，以获取立方体连通性图，并基于立方体连通性图获取二值的冠脉血管掩模。本发明专利技术方法可减少背景信息对分割目标的干扰，提升分割性能，精确的实现了冠状动脉分割。精确的实现了冠状动脉分割。精确的实现了冠状动脉分割。

【技术实现步骤摘要】
冠状动脉血管图像分割方法及装置、存储介质和终端


[0001]本专利技术涉及医疗数据分析
，尤其涉及一种冠状动脉血管图像分割方法及装置、存储介质和终端。

技术介绍

[0002]冠状动脉疾病(Coronary Artery Disease,CAD)的诊断依赖于从冠状动脉计算机断层扫描血管造影(Coronary Computed Tomography Angiography，CCTA)中准确分割冠状动脉，因此测量变窄的动脉管腔的直径是临床实践中冠脉狭窄分级量化的重要标准。但冠状动脉图像仍然存在如下问题，使得冠状动脉计算机断层扫描血管造影图像中准确分割冠状动脉仍然是一项具有挑战性的任务，问题包括：首先冠状动脉在造影图像中体积比小，使得图相的背景和冠状动脉之间难以得到平衡；其次冠状动脉为直径1mm
‑
5mm的薄结构，导致许多难以分割的区域和不连续的分割，最后个体间具有各种形状和位置的患者特定空间分布，阻碍了网络准确捕获血管解剖结构。
[0003]目前医学影像分割网络均采用原始U型结构及其变体，在网络输入大小固定的同时，随着网络深度的增加采用多次降采样操作以此减少计算量。在CCTA冠脉影像中，背景信息占据体素个数远大于目标血管，血管的体素数量只有全部影像体素的千分之一，因而直接利用经典的U型结构网络分割冠脉血管，在多次降采样过程中大多数的细节信息将被丢失，在解码阶段也很难通过跳跃连接和上采样操作完整补全，因此常出现血管细小分支分割断裂、残缺、丢失等现象。
[0004]而现有各种基于深度学习的冠状动脉分割方法只进行了部分拓扑约束，因此仍然无法全面描述冠状动脉的整个拓扑结构。

技术实现思路

[0005]本专利技术所要解决的技术问题是现有冠状动脉血管分割常出现血管细小分支分割断裂、残缺、丢失等现象，且无法获取冠状动脉的整个拓扑结构。
[0006]为了解决上述技术问题，本专利技术提供了一种冠状动脉血管图像分割方法，包括：
[0007]获取冠状动脉血管图像；
[0008]通过第一U型残差网络对所述冠状动脉血管图像中进行分割，以获取心脏子器官掩膜组，所述心脏子器官掩膜组包括左心房掩模、右心房掩模、左心室掩模、右心室掩模和主动脉掩膜；
[0009]通过第二U型残差网络对所述冠状动脉血管图像中进行分割，以获取冠脉血管粗分割结果，并基于所述冠脉血管粗分割结果对所述冠状动脉血管图像进行剪裁，以获取冠脉血管原始图像结果；
[0010]通过对所述冠脉血管粗分割结果进行三维坐标采样，以获取冠脉血管点集，并通过分别对所述心脏子器官掩膜组中的所有心脏子器官掩膜进行三维坐标采样，以获取心脏子器官点集组；
[0011]计算所述冠脉血管点集中每个采样点到心脏子器官点集组中每个心脏子器官点集中的最小距离，以获取每个心脏子器官点集所对应的距离场特征图，再将所有所述距离场特征图进行串联，以获取五通道距离场特征图；
[0012]将所述冠脉血管原始图像结果和所述五通道距离场特征图进行合并，以获取冠脉血管合并图；
[0013]将所述冠脉血管合并图输入到训练完成的层次拓扑学习模型中，以获取立方体连通性图，并基于所述立方体连通性图获取二值的冠脉血管掩模。
[0014]优选地，所述训练完成的层次拓扑学习模型包括公共编码器以及分别与所述公共编码器连接的第一解码器、第二解码器和第三解码器；
[0015]所述公共编码器，用于对所述冠状动脉血管合并图进行特征提取，以获取冠状动脉血管特征；
[0016]所述第一解码器，用于对所述冠状动脉血管特征中冠状动脉的分叉点和短点进行识别，以获取关键点拓扑信息；
[0017]所述第二解码器，用于对所述冠状动脉血管特征中冠状动脉的中心线进行识别，以获取中心线拓扑信息；
[0018]所述第三解码器，用于对所述冠状动脉血管特征中预设相邻血管点之间的连通关系，以获取连通性拓扑信息。
[0019]优选地，所述层次拓扑学习模型训练过程中的损失函数表示为：
[0020]S＝λA+βB+C
[0021]其中，S表示损失函数，A表示所述第一解码器在训练过程中的关键点损失值，A表示所述第二解码器在训练过程中的中心线损失值，C表示所述第三解码器在训练过程中的立方体连通性损失值，λ表示关键点损失值权重，β表示中心线损失值权重。
[0022]优选地，所述第一解码器在进行训练时，采用关键点的高斯热力图作为标签来进行训练；且所述关键点的高斯热力图采用关键点滤波单元生成。
[0023]优选地，所述第二解码器在进行训练时，采用中心线热力图作为标签来进行训练；且所述中心线热力图通过3D自适应高斯滤波器生成。
[0024]优选地，所述第二U型残差网络在进行训练时，采用膨胀后的冠状动脉血管掩模作为标签来进行训练。
[0025]优选地，基于所述立方体连通性图获取二值的冠脉血管掩模包括：
[0026]基于所述立方体连通性图，通过最大投票原则获取二值的冠脉血管掩模。
[0027]为了解决上述技术问题，本专利技术提供了一种冠状动脉血管图像分割装置，其特征在于，包括血管图像获取模块、心脏掩膜获取模块、血管粗分割模块、点集获取模块、距离场特征图获取模块、图像合并模块和冠脉血管掩模获取模块；
[0028]所述血管图像获取模块，用于获取冠状动脉血管图像；
[0029]所述心脏掩膜获取模块，用于通过第一U型残差网络对所述冠状动脉血管图像中进行分割，以获取心脏子器官掩膜组，所述心脏子器官掩膜组包括左心房掩模、右心房掩模、左心室掩模、右心室掩模和主动脉掩膜；
[0030]所述血管粗分割模块，用于通过第二U型残差网络对所述冠状动脉血管图像中进行分割，以获取冠脉血管粗分割结果，并基于所述冠脉血管粗分割结果对所述冠状动脉血
管图像进行剪裁，以获取冠脉血管原始图像结果；
[0031]所述点集获取模块，用于通过对所述冠脉血管粗分割结果进行三维坐标采样，以获取冠脉血管点集，并通过分别对所述心脏子器官掩膜组中的所有心脏子器官掩膜进行三维坐标采样，以获取心脏子器官点集组；
[0032]所述距离场特征图获取模块，用于计算所述冠脉血管点集中每个采样点到心脏子器官点集组中每个心脏子器官点集的最小距离，以获取每个心脏子器官点集所对应的距离场特征图，再将所有所述距离场特征图进行串联，以获取五通道距离场特征图；
[0033]所述图像合并模块，用于将所述冠脉血管原始图像结果和所述五通道距离场特征图进行合并，以获取冠脉血管合并图；
[0034]所述冠脉血管掩模获取模块，用于将所述冠脉血管合并图输入到训练完成的层次拓扑学习模型中，以获取立方体连通性图，并基于所述立方体连通性图获取二值的冠脉血管掩模。
[0035]为了解决上述技术问题，本专利技术提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现冠状动脉血管图像分割方法。
[0036]为了解决上述技术问题，本专利技术提供了一种终端，包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种冠状动脉血管图像分割方法，包括：获取冠状动脉血管图像；通过第一U型残差网络对所述冠状动脉血管图像中进行分割，以获取心脏子器官掩膜组，所述心脏子器官掩膜组包括左心房掩模、右心房掩模、左心室掩模、右心室掩模和主动脉掩膜；通过第二U型残差网络对所述冠状动脉血管图像中进行分割，以获取冠脉血管粗分割结果，并基于所述冠脉血管粗分割结果对所述冠状动脉血管图像进行剪裁，以获取冠脉血管原始图像结果；通过对所述冠脉血管粗分割结果进行三维坐标采样，以获取冠脉血管点集，并通过分别对所述心脏子器官掩膜组中的所有心脏子器官掩膜进行三维坐标采样，以获取心脏子器官点集组；计算所述冠脉血管点集中每个采样点到心脏子器官点集组中每个心脏子器官点集的最小距离，以获取每个心脏子器官点集所对应的距离场特征图，再将所有所述距离场特征图进行串联，以获取五通道距离场特征图；将所述冠脉血管原始图像结果和所述五通道距离场特征图进行合并，以获取冠脉血管合并图；将所述冠脉血管合并图输入到训练完成的层次拓扑学习模型中，以获取立方体连通性图，并基于所述立方体连通性图获取二值的冠脉血管掩模。2.根据权利要求1所述的方法，其特征在于，所述训练完成的层次拓扑学习模型包括公共编码器以及分别与所述公共编码器连接的第一解码器、第二解码器和第三解码器；所述公共编码器，用于对所述冠状动脉血管合并图进行特征提取，以获取冠状动脉血管特征；所述第一解码器，用于对所述冠状动脉血管特征中冠状动脉的分叉点和短点进行识别，以获取关键点拓扑信息；所述第二解码器，用于对所述冠状动脉血管特征中冠状动脉的中心线进行识别，以获取中心线拓扑信息；所述第三解码器，用于对所述冠状动脉血管特征中预设相邻血管点之间的连通关系，以获取连通性拓扑信息。3.根据权利要求2所述的方法，其特征在于，所述层次拓扑学习模型训练过程中的损失函数表示为：S＝λA+βB+C其中，S表示损失函数，A表示所述第一解码器在训练过程中的关键点损失值，A表示所述第二解码器在训练过程中的中心线损失值，C表示所述第三解码器在训练过程中的立方体连通性损失值，λ表示关键点损失值权重，β表示中心线损失值权重。4.根据权利要求2所述的方法，其特征在于，所述第一解码器在进行训练时，采用关键点的高斯热力图作为标签来进行训练；且所述关键点的高斯热力图采用关键点滤波单元生成。5.根据权利要求2所述的方法，其特征在于，所述第二解码器在进行...

【专利技术属性】
技术研发人员：沈定刚，张晓，冯筠，
申请(专利权)人：上海科技大学，
类型：发明
国别省市：