一种血管直径的预测方法、装置、电子设备及存储介质制造方法及图纸

本申请提供了一种血管直径的预测方法、装置、电子设备及存储介质，包括：获取血管图像；针对血管图像中的每个图像块，由直径预测模型中的特征提取模块对该图像块进行特征提取处理，确定该图像块的卷积特征图；由多层分析模块卷积特征图依次进行下采样、聚合、加权以及再聚合处理，确定出该图像块的第一聚合特征图；由病变修正模块对第二聚合特征图进行病变预测，确定该图像块的中心点处的血管病变概率，并使用确定出的血管病变概率对第一聚合特征图进行修正，得到修正后的修正特征图；由直径预测模块对修正特征图进行直径预测处理，确定该图像块的中心点处的血管直径。这样，通过本申请的技术方案可以准确的确定出血管中每处位置的血管直径。处位置的血管直径。处位置的血管直径。

【技术实现步骤摘要】
一种血管直径的预测方法、装置、电子设备及存储介质


[0001]本申请涉及图像处理
，尤其是涉及一种血管直径的预测方法、装置、电子设备及存储介质。

技术介绍

[0002]冠状动脉造影术是心脏疾病诊断的重要方法，而在冠状动脉造影中，获取血管直径是一项重要的步骤，其意义如下：
[0003]评估狭窄程度：通过测量冠状动脉的直径，可以评估冠脉狭窄的程度。根据狭窄的程度，医生可以确定是否需要进行介入治疗，例如支架植入或冠状动脉球囊扩张术。
[0004]规划治疗方案：冠状动脉直径的测量也有助于医生制定治疗方案。例如，在支架植入手术中，医生会根据血管直径选择合适的支架型号和大小。
[0005]预测预后：冠状动脉病变的预后和后续治疗效果也与血管直径相关。较小的血管直径与更高的冠心病和心血管事件风险有关。
[0006]因此，冠状动脉造影中测量冠脉直径可以为医生提供有关冠脉狭窄程度、治疗规划和预测预后等重要信息，故准确的确定冠状动脉造影中的血管直径是亟待解决的技术问题。

技术实现思路

[0007]有鉴于此，本申请的目的在于提供一种血管直径的预测方法、装置、电子设备及存储介质，可以准确的确定出血管中每处位置的血管直径，从而可以辅助医生进行狭窄程度评估、治疗方案规划以及预测预后。
[0008]本申请实施例提供了一种血管直径的预测方法，所述预测方法包括：
[0009]获取已进行图像块提取处理的目标患者的目标区域的血管图像；所述血管图像中包括多个图像块，所述图像块是以所述血管图像中的血管中心线上的间隔点为中心所提取出的预设尺寸的子图像；
[0010]针对每个图像块，将该图像块输入至预先训练好的直径预测模型中，由所述直径预测模型中的特征提取模块对该图像块进行特征提取处理，确定该图像块的卷积特征图；
[0011]由所述直径预测模型中的多层分析模块所述卷积特征图依次进行下采样、聚合、加权以及再聚合处理，确定出该图像块的第一聚合特征图；其中，所述第一聚合特征图是使用所述多层分析模块中的分类子模块确定出的直径类型的预测概率，对依次进行下采样和聚合处理后的卷积特征图得到的第二聚合特征图，进行加权处理后再进行聚合处理所得到的特征图；
[0012]由所述直径预测模型中的病变修正模块对所述第二聚合特征图进行病变预测，确定该图像块的中心点处的血管病变概率，并使用确定出的所述血管病变概率对所述第一聚合特征图进行修正，得到修正后的修正特征图；
[0013]由所述直径预测模型中的直径预测模块对所述修正特征图进行直径预测处理，确
定该图像块的中心点处的血管直径。
[0014]可选的，通过以下步骤进行图像块提取处理：
[0015]获取目标患者的目标区域处的血管图像；其中，所述血管图像为二维造影图像；
[0016]对所述血管图像进行中心线提取处理，确定由多个间隔点依次相连所形成的所述血管图像的血管中心线；
[0017]针对中心线上的每个间隔点，以该间隔点为中心进行预设尺寸的子图像提取处理，获取多个图像块。
[0018]可选的，通过以下步骤构建所述直径预测模型：
[0019]获取多张已进行图像块提取处理的待训练血管图像；其中，每张待训练血管图像中的每个待训练图像块添加有真实标签；
[0020]依次将每张待训练血管图像的每个待训练图像块输入至初始直径预测模型中，确定该待训练图像块的中心处血管的预测结果；
[0021]使用所述预测结果与所述真实标签进行比较，确定目标损失函数值；
[0022]基于所述目标损失函数值，对所述初始直径预测模型进行迭代训练并对所述初始直径预测模型的模型参数进行更新，直至所述目标损失函数值收敛，停止训练，得到所述直径预测模型。
[0023]可选的，所述真实标签包括直径类型标签、病变二分类标签和直径数值标签，所述使用所述预测结果与所述真实标签进行比较，确定目标损失函数值，包括：
[0024]使用所述预测结果中的直径类型预测结果与所述直径类型标签进行比较，确定第一损失函数值；
[0025]使用所述预测结果中的病变预测结果与所述病变二分类标签进行比较，确定第二损失函数值；
[0026]使用所述预测结果中的直径数值预测结果与所述直径数值标签进行比较，确定第三损失函数值；
[0027]将所述第一损失函数值、所述第二损失函数值以及所述第三损失函数值进行加权求和，确定所述目标损失函数值。
[0028]可选的，所述由所述直径预测模型中的多层分析模块所述卷积特征图依次进行下采样、聚合、加权以及再聚合处理，确定出该图像块的第一聚合特征图，包括：
[0029]由所述多层分析模块中的下采样子模块对所述卷积特征图进行多次下采样处理，确定该图像块的多个下采样特征图；
[0030]由所述多层分析模块中的聚合子模块对所述多个下采样特征图进行聚合处理，确定出该图像块的第二聚合特征图；
[0031]由所述多层分析模块中的分类子模块对所述第二聚合特征图进行直径类型预测，确定每个直径类型的预测概率，并使用确定出的每个直径类型的预测概率分别对该直径类型对应的下采样特征图进行加权处理，得到多个加权特征图像；
[0032]由所述聚合子模块对所述多个加权特征图像进行聚合处理，确定出该图像块的第一聚合特征图。
[0033]可选的，在使用确定出的每个直径类型的预测概率分别对该直径类型对应的下采样特征图进行加权处理之前，所述预测方法还包括：
[0034]分别对每个下采样特征图进行上采样处理，以使处理后的每个下采样特征图的尺寸与图像块的尺寸相同。
[0035]可选的，所述使用确定出的所述血管病变概率对所述第一聚合特征图进行修正，得到修正后的修正特征图，包括：
[0036]使用所述血管病变概率与所述第一聚合特征图相乘得到第三聚合特征图；
[0037]使用所述第三聚合特征图与所述第一聚合特征图相加，将相加后得到的特征图确定为所述修正特征图。
[0038]本申请实施例还提供了一种血管直径的预测装置，所述预测装置包括：
[0039]获取单元，用于获取已进行图像块提取处理的目标患者的目标区域的血管图像；所述血管图像中包括多个图像块，所述图像块是以所述血管图像中的血管中心线上的间隔点为中心所提取出的预设尺寸的子图像；
[0040]特征提取单元，用于针对每个图像块，将该图像块输入至预先训练好的直径预测模型中，由所述直径预测模型中的特征提取模块对该图像块进行特征提取处理，确定该图像块的卷积特征图；
[0041]多层分析单元，用于由所述直径预测模型中的多层分析模块所述卷积特征图依次进行下采样、聚合、加权以及再聚合处理，确定出该图像块的第一聚合特征图；其中，所述第一聚合特征图是使用所述多层分析模块中的分类模块确定出的直径类型的预测概率，对依次进行下采样和聚合处理后的卷积特征图得到的第二聚合特征图，进行加权处理后再进行聚合处理所得到的特征图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种血管直径的预测方法，其特征在于，所述预测方法包括：获取已进行图像块提取处理的目标患者的目标区域的血管图像；所述血管图像中包括多个图像块，所述图像块是以所述血管图像中的血管中心线上的间隔点为中心所提取出的预设尺寸的子图像；针对每个图像块，将该图像块输入至预先训练好的直径预测模型中，由所述直径预测模型中的特征提取模块对该图像块进行特征提取处理，确定该图像块的卷积特征图；由所述直径预测模型中的多层分析模块所述卷积特征图依次进行下采样、聚合、加权以及再聚合处理，确定出该图像块的第一聚合特征图；其中，所述第一聚合特征图是使用所述多层分析模块中的分类子模块确定出的直径类型的预测概率，对依次进行下采样和聚合处理后的卷积特征图得到的第二聚合特征图，进行加权处理后再进行聚合处理所得到的特征图；由所述直径预测模型中的病变修正模块对所述第二聚合特征图进行病变预测，确定该图像块的中心点处的血管病变概率，并使用确定出的所述血管病变概率对所述第一聚合特征图进行修正，得到修正后的修正特征图；由所述直径预测模型中的直径预测模块对所述修正特征图进行直径预测处理，确定该图像块的中心点处的血管直径。2.根据权利要求1所述的预测方法，其特征在于，通过以下步骤进行图像块提取处理：获取目标患者的目标区域处的血管图像；其中，所述血管图像为二维造影图像；对所述血管图像进行中心线提取处理，确定由多个间隔点依次相连所形成的所述血管图像的血管中心线；针对中心线上的每个间隔点，以该间隔点为中心进行预设尺寸的子图像提取处理，获取多个图像块。3.根据权利要求1所述的预测方法，其特征在于，通过以下步骤构建所述直径预测模型：获取多张已进行图像块提取处理的待训练血管图像；其中，每张待训练血管图像中的每个待训练图像块添加有真实标签；依次将每张待训练血管图像的每个待训练图像块输入至初始直径预测模型中，确定该待训练图像块的中心处血管的预测结果；使用所述预测结果与所述真实标签进行比较，确定目标损失函数值；基于所述目标损失函数值，对所述初始直径预测模型进行迭代训练并对所述初始直径预测模型的模型参数进行更新，直至所述目标损失函数值收敛，停止训练，得到所述直径预测模型。4.根据权利要求3所述的预测方法，其特征在于，所述真实标签包括直径类型标签、病变二分类标签和直径数值标签，所述使用所述预测结果与所述真实标签进行比较，确定目标损失函数值，包括：使用所述预测结果中的直径类型预测结果与所述直径类型标签进行比较，确定第一损失函数值；使用所述预测结果中的病变预测结果与所述病变二分类标签进行比较，确定第二损失函数值；
使用所述预测结果中的直径数值预测结果与所述直径数值标签进行比较，确定第三损失函数值；将所述第一损失函数值、所述第二损失函数值以及所述第三损失函数值进行加权求和，确定所述目标损失函数值。5.根据权利要求1所述的预测方法，其特征在于，所述由所述直径预测模型中的多层分析模块所述卷积特征图依次进行下采样、聚合、加权以及再聚合处理，确定出该图像块的第一聚合...

【专利技术属性】
技术研发人员：张瑜，马骏，郑凌霄，兰宏志，
申请(专利权)人：深圳睿心智能医疗科技有限公司，
类型：发明
国别省市：