[发明专利]对医学图像进行对象分析的方法、装置和存储介质

说明书

本公开涉及一种对医学图像进行对象分析的方法、装置和存储介质。该方法可以包括如下步骤。可以获取包含对象的3D医学图像。可以对所述3D医学图像进行分割，以得到对象的分割结果。可以在所述3D医学图像中在延伸的方向上获取一组图像片层。可以获取所述一组图像片层中各个图像片层中所分割的对象的内部代表点。可以基于所述一组图像片层的所述对象的一组内部代表点，获取所述3D医学图像中的一组图像块。可以基于所述一组图像块进行对象分析。该方法和装置通过获取3D医学图像上的图像片层、内部代表点；基于内部代表点对所述3D医学图像裁块，此方法可以在提升预测效率的同时保持图像块中心点位于器官或组织（例如血管）内。

技术领域

本公开涉及医学图像领域，更具体地，涉及一种对医学图像进行对象分析的方法、装置和存储介质。

背景技术

血管疾病一直是威胁人类健康的重要问题，相当比例的血管疾病起因在于血管壁上的斑块病变累积造成血管狭窄、血管壁上的异常膨出造成动脉瘤等，然而现有技术对血管病变的检测和识别存在一定不足。

以头颈动脉斑块为例，头颈动脉疾病通常指因动脉壁粥样硬化斑块累积导致的动脉狭窄或阻塞。颅内动脉狭窄和阻塞的患者，其脑部供血受限，极易导致患者出现缺血性脑卒中。如果斑块破裂极易堵塞、损伤血管，导致患者出现急性脑卒中。根据动脉粥样硬化斑块的组成，斑块可进一步分为钙化斑块、非钙化斑块、混合斑块，其中混合斑块兼具钙化、非钙化斑块成分。非钙化、混合斑块易发生破裂。

计算机断层扫描血管造影(Computed Tomography Angiography, CTA)或磁共振血管造影(Magnetic Resonance Angiography, MRA)可对全身各部位的血管及其病变进行成像，是常用的血管影像学检查技术。影像上非钙化斑块、混合斑块及动脉瘤与周围组织对比度较低，极易与周围组织混淆而导致漏检。

目前头颈CTA血管病变检测方法一般有人工分析和自动分析软件。人工斑块分析严重依赖放射科医师及心血管专家经验，粥样硬化斑块、动脉瘤等病变离散地分布在结构复杂的头颈动脉血管壁上，在海量的CTA数据中分析血管病变，对医生来说无疑是极其耗时的工作。非钙化、混合斑块的不确定性更是增加了医生诊断的难度。为了提升血管病变诊断效率和准确性，并将医生从繁琐的阅片工作中解放出来，急需开发一种血管病变自动分析方案。

现有的血管病变分析软件可一定程度上减轻医生日常诊断工作量，但亦存在一定的不足，如西门子等CT设备厂商自带的半自动分析软件需耗费大量人工交互完成血管分割、直径估计及管壁形态分析等，且该方案一般只针对局部血管。

近期深度学习技术逐步被应用于血管病变检测，并取得了显著的效果。然而现有的方案一般采用单一的检测模型，采用单一模型预测存在病变预测结果敏感性 (此处亦指sensitivity)较高，而精准率 (此处亦指precision)低下的情况，一般会再采用分类模型进一步剔除查出的假阳性病变，然而检出的病变样本分布极不均衡故分类效果极不稳定。现有方案还可能会添加假阳性样本训练以提升检测精准率，然而添加负样本会导致病变检出结果dice系数较低，进而影响病变量化分析准确性。且现有的方案将CTA图像按固定的步进分为多个图像块，再对图像块逐个预测病变。该方案存在图像块过多预测效率较低的问题；该方案选取的图像块会在非血管区域预测病变，预测结果容易出现较多的假阳性病变。现有获取血管中心点的方案一般依赖血管骨架化或中心线提取，然而采用血管骨架化计算耗时长，且获取的中心点较冗余，降低了模型预测的效率，此外骨架化易受血管分割结果影响，尤其在血管分叉处骨架化结果分布极不均匀，选取的图像块中心点一般不在血管中，从而给预测结果带来不利影响；血管中心线提取方案不仅需确定血管起始点，且易受血管分割结果影响，导致中心线生长错误而影响血管中心点的提取，如血管分割结果不连续时，中心线极易提取失败。

发明内容

提供了本公开以解决现有技术中存在的上述问题。