[发明专利]动脉血管图像模型训练方法、分割方法、装置及电子设备

说明书

本发明公开了动脉血管图像模型训练方法、分割方法、装置及电子设备，属于数字图像处理技术领域，动脉血管图像模型训练方法包括：S1、对获取到的DSA图像进行预处理，以构建动脉血管图像库；S2、对动脉血管图像库中的部分样本图像进行标注，以构建标注样本图像集；S3、构建卷积深度网络，并设置深度网络参数，生成初始动脉血管分割模型；S4、使用标注样本图像集训练初始动脉血管分割模型，生成动脉血管图像分割模型；S5、对于使用动脉血管图像分割模型分割动脉血管图像库中除部分样本图像之外的其他图像得到的血管目标图像，进一步进行标注，以对动脉血管图像分割模型进行迭代训练。本发明实施例能够较高精度地对DSA图像进行目标血管提取。

技术领域

本发明涉及数字图像处理技术领域，特别涉及动脉血管图像模型训练方法、分割方法、装置及电子设备。

背景技术

人工智能与医疗相结合的应用，随着国家《医疗人工智能技术与应用白皮书》以及80余项相关全国性红利政策的颁布，拥有良好发展机遇。目前，国内存在医疗资源与需求间存在着较大不均衡的现象，这在二三线城市更为严重，优质医生资源的匮乏，给病人及时诊疗带来阻碍。

在分析医疗影像方面，多数医生大部分的时间花费在单一、数量庞大的阅片工作上，给医生进行深层次有效的诊疗带来了障碍。现阶段，医疗影像数据的累积已经达到PB数量级，如此海量的数据对于人工而言是极大负担，却恰好符合深度学习对于大量样本的需求。因而将隶属人工智能的深度学习技术应用于医疗影像领域，可助力疾病初筛、智能辅诊，缓解人工诊断工作重复度高，工作量大的问题。有效改善漏诊与误诊的情况发生，辅助医生提高诊断水平和诊断效率。

良好的数据分割效果对于后期的血管分类、疾病诊断等工作有较大影响。与传统的图像分割任务相比，医疗影像领域的图像处理要求更高的精度。细微的目标分割差别可能导致诊断结果有较大差距。且动脉血管及结构复杂，尤其是脑部血管拥有较多细微的毛细血管，传统方式无法良好提取血管目标。

此外，由不同医学影像成像的设备，数据格式，以及医疗影像的图片质量都存在一定程度的差异，这给图像分割带来了一定程度的干扰。许多DSA(Digital SubtractionAngiography，数字减影血管造影)影像数据因拍摄装置效果较差，将许多非血管的信息，如头骨、牙齿等噪声信息也包含在内，血管清晰度较低，这对于后期的分析处理不利。

发明内容

有鉴于此，本发明实施例提供了动脉血管图像模型训练方法、分割方法、装置及电子设备，可以较高精度地对DSA图像进行目标血管提取，辅助后续图像处理。

本发明实施例提供的技术方案如下：

第一方面，提供了一种动脉血管图像分割模型训练方法，包括步骤：

S1、对获取到的DSA图像进行预处理，以构建动脉血管图像库；

S2、对所述动脉血管图像库中的部分样本图像进行标注，以构建标注样本图像集；

S3、构建卷积深度网络，并设置深度网络参数，生成初始动脉血管分割模型；

S4、使用所述标注样本图像集训练所述初始动脉血管分割模型，生成动脉血管图像分割模型；

S5、对于使用所述动脉血管图像分割模型分割所述动脉血管图像库中除所述部分样本图像之外的其他图像得到的血管目标图像，进一步进行标注，以对所述动脉血管图像分割模型进行迭代训练。

在一些实施例中，所述步骤S1包括：

S11、从DICOM文件中解析出多个医疗影像，并对所述多个医疗影像按照预设规则进行叠加融合，生成所述DSA图像；

S12、对所述DSA图像进行图像缩放、截断阈值化处理、对比度增强处理及图像去噪声处理。

在一些实施例中，所述步骤S2包括：