[发明专利]一种血管分割方法、装置及计算机可读介质

说明书

本发明公开了一种血管分割方法、装置及计算机可读介质，属于图像处理技术领域。该方法包括：从获取的血管分割图像中提取血管点位置信息，得到血管点云数据；血管分割图像是基于原始血管CT影像得到的；基于原始血管CT影像，对血管点云数据中所有血管点标记血管分类标签，并将携带有血管分类标签的血管点云数据作为第一训练样本；对多个第一训练样本进行模型训练，得到点云分割模型；并利用点云分割模型对待测血管分割图像对应的血管点云数据进行分割处理，得到血管分类结果。由此，使得点网络能够有效且完整地学习血管的拓扑结构，提高了血管分割的准确性；解决了现有技术中由于网络无法学习血管完整的拓扑结构导致血管分割不准确的问题。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种血管分割方法、装置及计算机可读介质。

背景技术

目前，常见的血管疾病有血管钙化、肿瘤、狭窄和斑块等；然而血管提取是血管疾病诊断的基础。血管通常具有管径小、狭长、弯曲过多，以及结构精细等特点。利用人工从医学图像中提取血管是一件非常耗时费力的工作，为此利用计算机辅助诊断的血管提取方法成为目前研究热点。

从血管电子计算机断层扫描图像中提取血管结构主要有两大类方法。第一类方法是基于图形学及血管拓扑结构建模；这类方法大多是基于几何结构，如轮廓横截面、最短路径、与血管结构类似的管状结构、中心线等方法；但此类方法容易受到血管噪声的影响，分割效果不是很好。第二类方法是基于深度学习的方法；例如学习像素级分类来分割血管结构。近几年随着CNN、FCN网络在各类图像分割任务上的突出表现，以及UNet在医学分割领域的广泛应用；使用3D卷积神经网络处理医学图像已经成为一个基础方法。但是由于三维医学图像尺寸较大，同时3D卷积神经网络参数量庞大，因此对计算机的算力提出了很高的要求。为此，通常的深度学习分割任务中都是对原始数据进行扩增处理，之后基于扩增处理后的数据进行训练，但是数据扩增处理破坏了血管的完整结构，非常不利于网络学习血管的几何拓扑结构，因此分类效果也不理想。此外，由于血管管径小，为了能够对血管病灶进行准确的诊断，通常在血管分割阶段对于血管的边界提取也提出了非常高的精度要求，否则后续病灶诊断很难进行。

发明内容

为了解决上述现有技术存在的问题，本发明实施例提供一种血管分割方法、装置及计算机可读介质，能够对血管进行准确分割，解决了现有技术中由于网络无法学习血管完整的拓扑结构导致血管分割不准确的问题。

为实现上述目的，根据本发明实施例第一方面，提供一种血管分割方法，该方法包括：从原始血管分割图像中提取血管点位置信息，得到血管点云数据；所述原始血管分割图像是基于原始血管电子计算机断层扫描CT影像得到的；基于所述原始血管CT影像，对所述血管点云数据中所有血管点标记血管分类标签，并将携带有血管分类标签的血管点云数据作为第一训练样本；对多个第一训练样本进行模型训练，得到点云分割模型；利用所述点云分割模型对所述待测血管分割图像对应的血管点云数据进行分割处理，得到血管分类结果。

可选的，所述对多个第一训练样本进行模型训练，得到点云分割模型，包括：针对任一所述第一训练样本：利用点云网络对所述第一训练样本进行特征提取，得到血管特征信息；对所述血管特征信息进行边界感知处理，得到输出结果；基于多个输出结果对所述点云网络进行参数调节，得到点云分割模型。

可选的，所述对所述血管特征信息进行边界感知处理，得到输出结果，包括：利用全局损失函数对所述血管特征信息进行约束处理，得到有效血管信息；利用边界损失函数对所述有效血管信息进行约束处理，得到输出结果。

可选的，所述待测血管分割图像通过如下方法获得：获取待测血管CT影像；利用血管分割模型对所述待测血管CT影像进行分割处理，得到待测血管分割图像。