血管壁图像分割方法、装置、计算机设备和存储介质

本申请涉及医疗影像技术领域，特别是涉及一种血管壁图像分割方法、装置、计算机设备和存储介质。

背景技术：

颅内动脉粥样硬化(intracranialatherosclerosis)为卒中最常见的原因之一。通过传统血管造影成像技术确定的血管腔狭窄仍然是诊断颅内动脉粥样硬化的主要手段，然而仅基于管腔狭窄是无法准确判断颅内动脉粥样硬化的。据研究发现，血管壁狭窄程度和血管壁厚度/血管腔面积与斑块症状明显相关，因此精确地分割颅内血管壁有着重要的意义。

目前颅内管壁图像分割方案通常需手动勾画血管中心线，或与血管造影图像配准来获取血管中心线映射，额外人工干预或配准操作过程繁琐且易引入误差；仍无仅基于三维黑血t1加权图像进行全自动化颅内管壁图像分割的方法。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够提高血管壁图像分割准确率以及分割效率的血管壁图像分割方法、装置、计算机设备和存储介质。

第一方面，提供了一种管壁图像分割方法，该方法包括：

获取三维黑血t1加权磁共振的颅内血管壁图像；

对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；

根据该三维血管腔分割结果提取中心线，垂直于该中心线进行重切得到二维血管壁横截面图像；

在该二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域。

在其中一个实施例中，对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果，包括：

将该颅内血管壁图像采用立方滑动窗口生成图像补丁；

对该图像补丁进行管腔分割，得到二值化的三维血管腔分割结果；

根据该血管腔分割结果提取中心线，包括：

根据该二值化的三维血管腔分割结果提取中心线。

在其中一个实施例中，该得到血管腔区域和外管壁区域之后，还包括：

根据该血管腔区域和该外管壁区域计算血管的形态学信息。

在其中一个实施例中，颅内血管壁分割模型包括三维管腔分割子模型、中心线提取子模型和二维管壁分割子模型；

该方法还包括：

通过该三维管腔分割子模型对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；

通过该中心线提取子模型根据该三维血管腔分割结果提取中心线，垂直于该中心线进行重切得到二维血管壁横截面图像；

通过该二维管壁分割子模型在该二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域；

该颅内血管壁分割模型的训练过程，包括：

获取三维黑血t1加权磁共振的颅内血管壁样本图像以及该颅内血管壁样本图像的标记图像；

将该颅内血管壁样本图像输入初始的三维管腔分割子模型，得到三维血管腔样本分割结果；

将该三维血管腔样本分割结果输入中心线提取子模型，得到样本中心线，垂直于该样本中心线进行重切得到二维血管壁样本横截面图像；

将该二维血管壁样本横截面图像输入该初始的二维管壁分割子模型，得到样本血管腔区域和样本外管壁区域；

根据该三维血管腔样本分割结果和该标记图像计算三维模型损失，当该三维模型分割损失低于预设三维模型损失阈值或训练次数达到预设最大值时，得到训练好的三维管腔分割子模型；

根据该样本血管腔区域和样本外管壁区域与该标记图像计算二维模型损失，当该二维模型分割损失低于预设二维模型损失阈值或训练次数达到预设最大值时，得到训练好的二维管壁分割子模型。

在其中一个实施例中，将该颅内血管壁样本图像输入初始的三维管腔分割子模型，得到三维血管腔样本分割结果，包括：

将该颅内血管壁样本图像采用立方滑动窗口生成样本图像补丁；

将该样本图像补丁输入初始的三维管腔分割子模型，得到二值化的三维血管腔样本分割结果。

在其中一个实施例中，该垂直于该样本中心线进行重切得到二维血管壁样本横截面图像之后，还包括：

对该二维血管壁样本横截面图像进行数据增强，得到增强后的二维血管壁样本横截面图像；增强后的二维血管壁样本横截面图像用于训练初始的二维管壁分割子模型以得到训练好的二维管壁分割模型。

在其中一个实施例中，该得到样本血管腔区域和样本外管壁区域之后，还包括：

将该样本血管腔区域和该样本外管壁区域作为样本血管分割结果；

根据该样本血管分割结果与样本的手动标记结果，计算分割准确率；

根据该样本血管腔区域和该样本外管壁区域计算样本血管的形态学信息，验证该样本血管的形态学信息与金标准的分割一致性。

第二方面，提供了一种血管壁图像分割装置，该装置包括：

磁共振图像获取模块，用于获取三维黑血t1加权磁共振的颅内血管壁图像；

三维管腔分割模块，用于对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；

血管中心线提取模块，用于根据该三维血管腔分割结果提取中心线，垂直于该中心线进行重切得到二维血管壁横截面图像；

二维管壁分割模块，用于在该二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域。

第三方面，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现以下步骤：

获取三维黑血t1加权磁共振的颅内血管壁图像；

对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；

根据该三维血管腔分割结果提取中心线，垂直于该中心线进行重切得到二维血管壁横截面图像；

在该二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域。

第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：

获取三维黑血t1加权磁共振的颅内血管壁图像；

对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；

根据该三维血管腔分割结果提取中心线，垂直于该中心线进行重切得到二维血管壁横截面图像；

在该二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域。

上述血管壁图像分割方法、装置、计算机设备和存储介质，通过获取三维黑血t1加权磁共振的颅内血管壁图像；对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；然后，根据该三维血管腔分割结果提取中心线，垂直于该中心线进行重切得到二维血管壁横截面图像；在该二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域。本方法首先对磁共振图像中的三维管腔进行分割，进而根据三维管腔分割结果在二维血管壁横截面图像上对二维管壁进行分割，通过对管腔和管壁的精确分割，提高了血管壁图像分割的准确率以及分割效率。

附图说明

图1为一个实施例中血管壁图像分割方法的应用环境图；

图2为一个实施例中血管壁图像分割方法的流程示意图；

图3为一个实施例中血管壁图像分割方法的框架示意图；

图4为一个实施例中管腔分割结果的示意图；

图5为一个实施例中外管壁分割结果的示意图；

图6为一个实施例中血管壁图像分割性能的示意图；

图7为一个实施例中血管壁图像分割装置的结构框图；

图8为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

基于mri(magneticresonanceimaging，核磁共振成像)的血管腔的分割是非常具有挑战的工作，mr(magneticresonance，核磁共振)图像中的噪声和伪影容易造成管壁与周围组织的低对比度，复杂的血管腔走形结构也是分割中要考虑的技术难点。目前传统的血管壁图像分割算法如区域生长算法、模糊连接算法和基于hessian矩阵的多尺度滤波器，在颅内管壁图像分割应用都有一定的难度。而基于神经网络的方法对颅内血管腔区域和管壁区域进行分割，以端对端的方式能够极大幅度提高血管壁图像分割的准确度和效率。目前有研究开发了一种基于手动勾画的血管中心线产生的2d横断面切片图像上分割颅内血管壁区域的方法，引入了人工干预；另有研究基于血管造影tof(timeoffligh，时间飞跃法)图像提取管腔，再将其管腔分割和中心线提取结果映射到黑血管壁图像中用于进一步的管壁分割，该方法需进行多图像序列间的额外配准操作，耗时、繁琐且易引入额外的配准误差。

针对相关技术的局限性与改进需求，本申请提供了一种基于三维黑血t1加权磁共振血管壁图像的颅内血管壁图像分割方法，可以实现颅内动脉的血管腔区域和外管壁区域的精确和高效分割，提升分割的准确率。

本申请提供的血管壁图像分割方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102通过网络获取磁共振扫描设备采集的影像。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种血管壁图像分割方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：

步骤202，获取三维黑血t1加权磁共振的颅内血管壁图像。

其中，颅内血管壁图像是指采用磁共振扫描设备采集的颅内3d图像。

具体地，3t磁共振扫描设备采用3dvista(volumeisotropicturbospinechoacquisition，各向同性的快速自旋回波容积采集)序列对颅内影像进行采集，终端获取磁共振扫描设备采集的颅内3d图像。vista是典型的黑血磁共振成像序列(black-bloodmrimaging)，是测量血管壁厚度和血管壁面积并确定颅内血管信息的有效方法。3dvsita作为一种有效的黑血磁共振成像序列，不仅提供了高的各向同性空间分辨率，且对血流有着优异的抑制作用，可以准确测量颅内血管壁厚度，并且可以快速成像，例如可在7分钟内使用3.0t磁共振机器获得具有广泛覆盖范围的颅内图像，可以提供传统血管造影术无法诊断的斑块负荷，为确定血管信息提供有效参数。3t磁共振扫描设备扫描的颅内影像结果是一层一层的大脑切片，即mr图像，一系列的原始mr图像组成颅内3d图像，终端获取一系列的原始mr图像。

步骤204，对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果。

具体地，终端将获取的一系列的原始mr图像输入训练好的颅内血管壁分割模型的三维管腔分割子模型，通过提取一系列的原始mr图像中的管腔特征，根据管腔特征进行管腔分割得到三维管腔分割结果。其中，颅内血管壁分割模型是指根据颅内血管壁图像首先对血管腔进行分割，然后提取中心线，进而在垂直于中心线的二维血管壁横截面图像上分割得到血管腔区域和外管壁区域的模型。

步骤206，根据该三维血管腔分割结果提取中心线，垂直于该中心线进行重切得到二维血管壁横截面图像。

其中，重切是指垂直于血管中心线切割得到一组二维血管壁横截面图像。

具体地，颅内血管壁分割模型的中心线提取子模型融合了自动骨架化方法提取血管中心线，也可以使用其他中心线提取算法来提取血管中心线，例如交互式检测算法、匹配式检测算法等，本实施例在此不做限定。得到血管中心线之后，垂直于中心线进行重切，得到一组垂直于血管中心线的二维管腔横截面图像。

步骤208，在该二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域。

具体地，颅内血管壁分割模型的二维管壁分割子模型根据二维管腔横截面图像进一步分割得到颅内血管壁图像中的血管腔区域和外管壁区域。

分割得到的血管腔区域和外管壁区域作为分割结果，得到分割结果之后，采用条件随机场(conditionalrandomfield,crf)方法对分割结果进行后处理，去除分割结果图像中面积较小的孤立区域，优化分割图像中粗糙和不确定性的标记，修正细碎的错分区域，同时得到更细致的分割边界，获得更加准确的血管腔区域和外管壁区域，提高管壁分割的准确性。

上述血管壁图像分割方法中，通过获取三维黑血t1加权磁共振的颅内血管壁图像；对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；然后，根据该三维血管腔分割结果提取中心线，垂直于该中心线进行重切得到二维血管壁横截面图像；在该二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域。本方法首先对磁共振图像中的三维管腔进行分割，进而根据三维管腔分割结果在二维血管壁横截面图像上对二维管壁进行分割，通过对管腔和管壁的精确分割，提高了血管壁图像分割的准确率以及分割效率。

在一个可选的实施例中，对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果，包括：

将该颅内血管壁图像采用立方滑动窗口生成图像补丁；

将该图像补丁输入训练好的颅内血管壁分割模型，得到二值化的三维血管腔分割结果；

根据该血管腔分割结果提取中心线，包括：

根据该二值化的三维血管腔分割结果提取中心线。

其中，三维管腔分割结果是二值化的分割结果。在一种可能的实施方式中，在原始mr图像中将管腔标记为第一标记，背景区域标记为第二标记，从而将管腔从mr图像中分割出来。其中，第一标记和第二标记不同。例如，第一标记为1，第二标记为0。则在原始mr图像中将管腔标记为1，背景区域标记为0，从而将管腔从图像中分割出来。

其中，立方滑动窗口是一个三维的滑动窗口，用于将颅内血管壁图像分为大小为立方滑动窗口的多个图像块。图像补丁是指用立方滑动窗口划分之后得到的多个图像块。

具体地，采用预设大小的立方滑动窗口将颅内3d图像划分为多个图像补丁，将多个图像补丁输入训练好的颅内血管壁分割模型的三维管腔分割子模型中，在图像补丁中将管腔标记为1，背景区域标记为0，从而将管腔从图像补丁中分割出来。多个图像补丁输出的管腔结果共同组成完整的二值化的三维血管腔分割结果。之后，基于二值化的三维血管腔分割结果通过中心线提取子模型的自动骨架化方法提取血管中心线。立方滑动窗口的大小可以根据颅内3d图像的大小来确定，可以为128*128*128或者其他大小，本实施例在此不做限定。

原始的颅内血管壁图像为3维立体图像，所占内存空间较大，直接输入训练好的颅内血管壁分割模型的三维管腔分割子模型，需花费较长的时间才能得到三维管腔分割结果。

本实施例中，通过将颅内血管壁图像划分为多个图像补丁，进而将多个图像补丁输入训练好的颅内血管壁分割模型的三维管腔分割子模型，得到二值化的三维血管腔分割结果，可以加快管腔分割速度，进而提高血管壁分割效率。

在一个可选的实施例中，该得到血管腔区域和外管壁区域之后，还包括：

根据该血管腔区域和该外管壁区域计算血管的形态学信息。

其中，血管信息包括管腔面积、管壁面积、管壁厚度和标准化管壁指数等信息。

具体地，二维管壁分割子模型还可以根据血管腔区域计算血管腔面积；根据外管壁区域计算外管壁面积，将外管壁面积与血管腔面积相减得到管壁面积；将外管壁半径与管腔半径相减之后得到管壁厚度；根据管腔面积和管壁面积确定标准化管壁指数，具体确定公式如下：标准化管壁指数＝100％*管壁面积/(管壁面积+管腔面积)。血管的形态学信息可用于评价分割结果的准确性。

在一个可选的实施例中，颅内血管壁分割模型包括三维管腔分割子模型、中心线提取子模型和二维管壁分割子模型；

该方法还包括：

通过该三维管腔分割子模型对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；

通过该中心线提取子模型根据该三维血管腔分割结果提取中心线，垂直于该中心线进行重切得到二维血管壁横截面图像；

通过该二维管壁分割子模型在该二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域；

该颅内血管壁分割模型的训练过程，包括：

获取三维黑血t1加权磁共振的颅内血管壁样本图像以及该颅内血管壁样本图像的标记图像；

将该颅内血管壁样本图像输入初始的三维管腔分割子模型，得到三维血管腔样本分割结果；

将该三维血管腔样本分割结果输入中心线提取子模型，得到样本中心线，垂直于该样本中心线进行重切得到二维血管壁样本横截面图像；

将该二维血管壁样本横截面图像输入该初始的二维管壁分割子模型，得到样本血管腔区域和样本外管壁区域；

根据该三维血管腔样本分割结果和该标记图像计算三维模型损失，当该三维模型分割损失低于预设三维模型损失阈值或训练次数达到预设最大值时，得到训练好的三维管腔分割子模型；

根据该样本血管腔区域和样本外管壁区域与该标记图像计算二维模型损失，当该二维模型分割损失低于预设二维模型损失阈值或训练次数达到预设最大值时，得到训练好的二维管壁分割子模型。

具体地，如图3所示，颅内血管壁分割模型包括三维管腔分割子模型、中心线提取子模型和二维管壁分割子模型。通过三维管腔分割子模型对颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；通过中心线提取子模型根据三维血管腔分割结果提取中心线，垂直于中心线进行重切得到二维血管壁横截面图像；通过二维管壁分割子模型在二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域。

三维管腔分割子模型为3dunet模型，3dunet模型有一条编码路径和解码路径，每一条路径都有4个分辨率级别。分析路径上的每一层都包含两个3×3×3卷积层，每一个卷积层后都跟一个实例标准化(instancenormalization)和带泄露修正线性单元(leakyrectifiedlinearunit,leakyrelu)作为激活层，然后是一个2×2×2的每个方向上步长都为2的最大池化层。在合成路径，每一层包含一个步长为2的2×2×2的反卷积层，紧跟两个3×3×3的卷积层，然后是激活层。通过跳跃连接将编码路径中相同分辨率的特征层与解码路径特征层拼接，为后续分割提供多尺度多层次的特征信息。三维管腔分割子模型的损失函数定义为交叉熵损失(cross-entropyloss)和骰子损失(diceloss)之和。

每一层都会使用其均值和标准差进行标准化，并使用这些值更新全局统计数据。实例标准化可以避免梯度消失和梯度爆炸，减少梯度对模型参数或其初始值尺度的依赖性，使得可以使用较大的学习速率对网络进行训练，从而加速网络的收敛；由于在训练的过程中实例批量标准化所用到的均值和方差是在样本图像补丁这些小批次样本上计算的，而不是在整个数据集上，所以均值和方差会有一些小噪声产生，同时缩放过程由于用到了含噪声的标准化后的值，所以也会有一点噪声产生，这迫使后面每一层神经元单元不过分依赖前面的神经元单元。所以，实例标准化也可以看作是一种正则化手段，提高了网络的泛化能力。

二维管壁分割子模型为2dattentionunet模型，使用带有softattention的2dattentionunet模型，通过下一级的特征来监督上一级的特征来实现注意力机制，即将激活的部分限制于待分割的区域，减小背景的激活值来优化分割，实现端到端的分割。随着迭代次数的增加，激活区域越来越集中于待分割的区域，可以提高管壁分割的效果。二维管壁分割子模型的损失函数定义为骰子损失(diceloss)。

训练样本获取阶段，将50名健康志愿者作为组1，3名颅内动脉粥样硬化患者作为组2。采用3t磁共振扫描仪(可以为achievacx，飞利浦医疗，荷兰)上使用32通道头部线圈进行成像，采集序列为3dvista，空间分辨率为0.6mm各向同性，得到颅内血管壁样本图像。

50名健康志愿者的数据被随机分为训练集(80％，40/50)和测试集(20％，10/50)，其中训练集用于颅内血管壁分割模型的训练，测试集用于对颅内血管壁分割模型的评估。对于每例健康志愿者的颅内动脉的管腔和外管壁边界，包括基底动脉、大脑中动脉m1段、大脑前动脉a1段和大脑后动脉p1段，由有经验的医生进行手动勾画。对于患者，其非狭窄节段与健康者正常管壁基本一致，因此仅勾画狭窄节段的管腔和外管壁边界，用于进一步验证分割网络在异常管壁上的性能。

获取三维黑血t1加权磁共振的颅内血管壁样本图像，并获取由医生勾画颅内动脉的管腔和外管壁边界得到颅内血管壁样本图像的标记图像。进一步地，医生将一系列的原始mr样本图像中每一个mr样本图像都进行勾画，得到一系列的标记图像，这一系列的二维标记图像组成三维管腔表面，作为三维管腔标记图像；将三维管腔标记图像输入初始的三维管腔分割子模型，得到三维血管腔样本分割结果；使用中心线提取子模型的自动骨架化方法对三维血管腔样本分割结果提取样本中心线，垂直于样本中心线进行重切得到二维血管壁样本横截面图像；将二维血管壁样本横截面图像输入初始的二维管壁分割子模型，得到样本血管腔区域和样本外管壁区域。

将三维血管腔样本分割结果和标记图像输入三维管腔分割子模型的损失函数，得到三维模型损失。当三维模型分割损失低于预设三维模型损失阈值或训练次数达到预设最大值时，得到训练好的三维管腔分割子模型。

将根据该样本血管腔区域和样本外管壁区域与该标记图像输入二维管壁分割子模型的损失函数，得到二维模型损失。当二维模型分割损失低于预设二维模型损失阈值或训练次数达到预设最大值时，得到训练好的二维管壁分割子模型。训练好的三维管腔分割子模型、自动化骨架化方法、重切方法、训练好的二维管壁分割子模型组成训练好的颅内血管壁分割模型。

本实施例中，通过三维管腔分割子模型中的实例批量标准化可以避免梯度消失和梯度爆炸，加速模型的收敛，提高模型的泛化性。通过二维管壁分割子模型中的注意力机制提高管壁分割的准确率。颅内血管壁分割模型大幅度减轻人工勾画的工作量和主观误差，管壁分割准确性更高，鲁棒性更好。

在一个可选的实施例中，将该颅内血管壁样本图像输入初始的三维管腔分割子模型，得到三维血管腔样本分割结果，包括：

将该颅内血管壁样本图像采用立方滑动窗口生成样本图像补丁；

将该样本图像补丁输入初始的三维管腔分割子模型，得到二值化的三维血管腔样本分割结果。

具体地，采用预设大小的立方滑动窗口将颅内血管壁样本图像划分为多个样本图像补丁，将多个样本图像补丁输入初始的颅内血管壁分割模型中的三维管腔分割子模型，得到二值化的三维血管腔样本分割结果。进而根据二值化的三维血管腔样本分割结果提取样本中心线，垂直于样本中心线进行重切得到二维血管壁样本横截面图像。立方滑动窗口的大小可以根据颅内血管壁样本图像的大小来确定，本实施例在此不做限定。

本实施例中，通过将颅内血管壁样本图像划分为多个样本图像补丁，进而将多个图像补丁输入训练好的颅内血管壁分割模型，可以加快管腔分割速度，进而提高阶段血管壁分割效率，加快训练过程。

在一个可选的实施例中，该垂直于该样本中心线进行重切得到二维血管壁样本横截面图像之后，还包括：

对该二维血管壁样本横截面图像进行数据增强，得到增强后的二维血管壁样本横截面图像；增强后的二维血管壁样本横截面图像用于训练初始的二维管壁分割子模型以得到训练好的二维管壁分割模型。

具体地，对二维血管壁横截面图像进行数据增强，除平移、翻转、旋转之外，采用弹性形变模拟动脉粥样硬化中可能出现的异常管壁，得到增强后的二维血管壁横截面图像。根据增强后的二维血管壁样本横截面图像对初始的二维管壁分割子模型进行训练，直到得到训练好的二维管壁分割模型。

本实施例中，通过对二维血管壁横截面图像进行数据增强，可得到更丰富的二维血管壁横截面图像数据集，有效模拟病变中出现的异常管壁，提高管壁分割的准确率和泛化性。

在一个可选的实施例中，该得到样本血管腔区域和样本外管壁区域之后，还包括：

将该样本血管腔区域和该样本外管壁区域作为样本血管分割结果；

根据所述样本血管分割结果与样本的手动标记结果，计算分割准确率；

根据所述样本血管腔区域和所述样本外管壁区域计算样本血管的形态学信息，验证该样本血管的形态学信息与金标准的分割一致性。

其中，样本血管形态学信息包括样本管腔面积、样本管壁面积、样本管壁厚度和样本标准化管壁指数等信息。

具体地，二维管壁分割子模型还可以根据样本血管腔区域和样本外管壁区域进一步计算样本管腔面积、样本管壁面积、样本管壁厚度，根据样本管腔面积和样本管壁面积计算样本标准化管壁指数，具体的计算过程参见上文描述，在此不再赘述。

将颅内三维管腔和二维横截面管壁的自动分割结果与手动标记进行比较，计算灵敏度(sensitivity)、特异性(specificity)、精度(precision)、骰子系数(dicecoefficient)和交并比(intersecition-over-union)等参数进行定量评估分割性能，具体地公式如下：

sensitivity＝tp/(tp+fn)

specificity＝tn/(tn+fp)

precision＝tp/(tp+fp)

dice＝2|pre∩gt|/(|pre|+|gt|)

iou＝|pre∩gt|/|pre∪gt|

其中，tp表示真正例，fn表示假反例，tn表示真反例，fp表示假正例。灵敏度表示实际为正例的样本有多少被预测为正。特异性表示预测为反例的占所有反例的比例。精度表示预测为正例的样本中有多少实际为正。骰子系数与交并比中的pre表示预测结果，gt表示人工标记的结果。

之后，采用皮尔逊相关系数评价血管形态学测量结果，即血管信息(包括管腔面积、管壁面积、管壁厚度和标准化管壁指数等信息)在手动和自动二维管壁分割结果之间的一致性，对分割结果进行进一步评估。

如图4所示，显示了手动标记作为参考的三维管腔分割结果的示例结果，其中管腔中的线为采用自动骨架化算法提取的血管中心线。可以观察到血管分割良好完整，计算得到三维管腔分割结果的骰子系数达0.872。

将正常管壁与狭窄管壁的自动分割结果与人工标记结果的可视化比较，如图5所示，显示了正常动脉和狭窄动脉的二维血管壁分割结果和手动标记结果之间的一致性。对于健康的组1数据集，二维管壁分割子模型的骰子系数达到了0.941(管腔)和0.894(管壁)的高分割骰子系数。对于狭窄组2数据集，如表1所示，管腔和血管壁分割的骰子系数分别达到0.922和0.896。

表1三维管腔和二维血管壁分割性能的定量评估

dice，骰子系数；sen，灵敏度；spe，特异度；prec，精度；miou，平均交并比.

对于血管形态学测量结果，如图6所示，为颅内血管壁分割模型分割结果与人工标记结果各自的二维管腔面积、血管壁面积和标准化管壁指数的散点比较图，右下角显示为皮尔逊相关系数。手动分割和颅内血管壁分割模型的分割结果的皮尔逊相关系数分别为管腔面积0.983、血管壁面积0.929和标准化管壁指数0.906。回归分析可知，样本间的差异由抽样误差所致的概率小于0.001，结果具有统计学意义，证明了颅内血管壁分割模型的准确性和鲁棒性。

应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图7所示，提供了一种血管壁图像分割装置，包括：磁共振图像获取模块702、三维管腔分割模块704、血管中心线提取模块706和二维管壁分割模块708，其中：

磁共振图像获取模块702，用于获取三维黑血t1加权磁共振的颅内血管壁图像。

三维管腔分割模块704，用于对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果。

血管中心线提取模块706，用于根据该三维血管腔分割结果提取中心线，垂直于该中心线进行重切得到二维血管壁横截面图像。

二维管壁分割模块708，用于在该二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域。

在一个可选的实施例中，三维管腔分割模块704还用于将该颅内血管壁图像采用立方滑动窗口生成图像补丁；

以及对该图像补丁进行管腔分割，得到二值化的三维血管腔分割结果；

血管中心线提取模块706还用于根据该二值化的三维血管腔分割结果提取中心线。

在一个可选的实施例中，血管壁图像分割装置还包括血管信息确定模块，用于根据该血管腔区域和该外管壁区域计算血管的形态学信息。

在一个可选的实施例中，该颅内血管壁分割模型包括三维管腔分割子模型、中心线提取子模型和二维管壁分割子模型；

三维管腔分割模块704还用于通过该三维管腔分割子模型对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；

血管中心线提取模块706还用于通过该中心线提取子模型根据该三维血管腔分割结果提取中心线，垂直于该中心线进行重切得到二维血管壁横截面图像；

二维管壁分割模块708还用于通过该二维管壁分割子模型在该二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域；

血管壁图像分割装置还包括训练模块，用于获取三维黑血t1加权磁共振的颅内血管壁样本图像以及该颅内血管壁样本图像的标记图像；

以及将该颅内血管壁样本图像输入初始的三维管腔分割子模型，得到三维血管腔样本分割结果；

以及将该三维血管腔样本分割结果输入中心线提取子模型，得到样本中心线，垂直于该样本中心线进行重切得到二维血管壁样本横截面图像；

以及将该二维血管壁样本横截面图像输入该初始的二维管壁分割子模型，得到样本血管腔区域和样本外管壁区域；

以及根据该三维血管腔样本分割结果和该标记图像计算三维模型损失，当该三维模型分割损失低于预设三维模型损失阈值或训练次数达到预设最大值时，得到训练好的三维管腔分割子模型；

以及根据该样本血管腔区域和样本外管壁区域与该标记图像计算二维模型损失，当该二维模型分割损失低于预设二维模型损失阈值或训练次数达到预设最大值时，得到训练好的二维管壁分割子模型。

在一个可选的实施例中，训练模块还用于将该颅内血管壁样本图像采用立方滑动窗口生成样本图像补丁；

以及将该样本图像补丁输入初始的三维管腔分割子模型，得到二值化的三维血管腔样本分割结果。

在一个可选的实施例中，训练模块还用于对该二维血管壁样本横截面图像进行数据增强，得到增强后的二维血管壁样本横截面图像；增强后的二维血管壁样本横截面图像用于训练初始的二维管壁分割子模型以得到训练好的二维管壁分割模型。

在一个可选的实施例中，训练模块还包括样本血管信息确定单元，用于将该样本血管腔区域和该样本外管壁区域作为样本血管分割结果；

根据该样本血管分割结果与样本的手动标记结果，计算分割准确率；

根据该样本血管腔区域和该样本外管壁区域计算样本血管的形态学信息，验证该样本血管的形态学信息与金标准的分割一致性。

关于血管壁图像分割装置的具体限定可以参见上文中对于血管壁图像分割方法的限定，在此不再赘述。上述血管壁图像分割装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种血管壁图像分割方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取三维黑血t1加权磁共振的颅内血管壁图像；

对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；

根据该三维血管腔分割结果提取中心线，垂直于该中心线进行重切得到二维血管壁横截面图像；

在该二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：对该颅内血管壁图像继续管腔分割，得到三维血管腔分割结果，包括：将该颅内血管壁图像采用立方滑动窗口生成图像补丁；对该图像补丁进行管腔分割，得到二值化的三维血管腔分割结果；根据该血管腔分割结果提取中心线，包括：根据该二值化的三维血管腔分割结果提取中心线。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：该得到血管腔区域和外管壁区域之后，还包括：根据该血管腔区域和该外管壁区域计算血管的形态学信息。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：该颅内血管壁分割模型包括三维管腔分割子模型、中心线提取子模型和二维管壁分割子模型；该方法还包括：通过该三维管腔分割子模型对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；通过该中心线提取子模型根据该三维血管腔分割结果提取中心线，垂直于该中心线进行重切得到二维血管壁横截面图像；通过该二维管壁分割子模型在该二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域；该颅内血管壁分割模型的训练过程，包括：获取三维黑血t1加权磁共振的颅内血管壁样本图像以及该颅内血管壁样本图像的标记图像；将该颅内血管壁样本图像输入初始的三维管腔分割子模型，得到三维血管腔样本分割结果；将该三维血管腔样本分割结果输入中心线提取子模型，得到样本中心线，垂直于该样本中心线进行重切得到二维血管壁样本横截面图像；将该二维血管壁样本横截面图像输入该初始的二维管壁分割子模型，得到样本血管腔区域和样本外管壁区域；根据该三维血管腔样本分割结果和该标记图像计算三维模型损失，当该三维模型分割损失低于预设三维模型损失阈值或训练次数达到预设最大值时，得到训练好的三维管腔分割子模型；根据该样本血管腔区域和样本外管壁区域与该标记图像计算二维模型损失，当该二维模型分割损失低于预设二维模型损失阈值或训练次数达到预设最大值时，得到训练好的二维管壁分割子模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将该颅内血管壁样本图像输入初始的三维管腔分割子模型，得到三维血管腔样本分割结果，包括：将该颅内血管壁样本图像采用立方滑动窗口生成样本图像补丁；将该样本图像补丁输入初始的三维管腔分割子模型，得到二值化的三维血管腔样本分割结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：该垂直于该样本中心线进行重切得到二维血管壁样本横截面图像之后，还包括：对该二维血管壁样本横截面图像进行数据增强，得到增强后的二维血管壁样本横截面图像；增强后的二维血管壁样本横截面图像用于训练初始的二维管壁分割子模型以得到训练好的二维管壁分割模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：该得到样本血管腔区域和样本外管壁区域之后，还包括：将该样本血管腔区域和该样本外管壁区域作为样本血管分割结果；根据该样本血管分割结果与样本的手动标记结果，计算分割准确率；根据该样本血管腔区域和该样本外管壁区域计算样本血管的形态学信息，验证该样本血管的形态学信息与金标准的分割一致性。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取三维黑血t1加权磁共振的颅内血管壁图像；

对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；

根据该三维血管腔分割结果提取中心线，垂直于该中心线进行重切得到二维血管壁横截面图像；

在该二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果，包括：将该颅内血管壁图像采用立方滑动窗口生成图像补丁；将该图像补丁输入训练好的颅内血管壁分割模型，得到二值化的三维血管腔分割结果；根据该血管腔分割结果提取中心线，包括：根据该二值化的三维血管腔分割结果提取中心线。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：该得到血管腔区域和外管壁区域之后，还包括：根据该血管腔区域和该外管壁区域计算血管的形态学信息。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：该颅内血管壁分割模型包括三维管腔分割子模型、中心线提取子模型和二维管壁分割子模型；该方法还包括：通过该三维管腔分割子模型对该颅内血管壁图像进行管腔分割，得到三维血管腔分割结果；通过该中心线提取子模型根据该三维血管腔分割结果提取中心线，垂直于该中心线进行重切得到二维血管壁横截面图像；通过该二维管壁分割子模型在该二维血管壁横截面图像上进行分割，得到血管腔区域和外管壁区域；该颅内血管壁分割模型的训练过程，包括：获取三维黑血t1加权磁共振的颅内血管壁样本图像以及该颅内血管壁样本图像的标记图像；将该颅内血管壁样本图像输入初始的三维管腔分割子模型，得到三维血管腔样本分割结果；将该三维血管腔样本分割结果输入中心线提取子模型，得到样本中心线，垂直于该样本中心线进行重切得到二维血管壁样本横截面图像；将该二维血管壁样本横截面图像输入该初始的二维管壁分割子模型，得到样本血管腔区域和样本外管壁区域；根据该三维血管腔样本分割结果和该标记图像计算三维模型损失，当该三维模型分割损失低于预设三维模型损失阈值或训练次数达到预设最大值时，得到训练好的三维管腔分割子模型；根据该样本血管腔区域和样本外管壁区域与该标记图像计算二维模型损失，当该二维模型分割损失低于预设二维模型损失阈值或训练次数达到预设最大值时，得到训练好的二维管壁分割子模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将该颅内血管壁样本图像输入初始的三维管腔分割子模型，得到三维血管腔样本分割结果，包括：将该颅内血管壁样本图像采用立方滑动窗口生成样本图像补丁；将该样本图像补丁输入初始的三维管腔分割子模型，得到二值化的三维血管腔样本分割结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：该垂直于该样本中心线进行重切得到二维血管壁样本横截面图像之后，还包括：对该二维血管壁样本横截面图像进行数据增强，得到增强后的二维血管壁样本横截面图像；增强后的二维血管壁样本横截面图像用于训练初始的二维管壁分割子模型以得到训练好的二维管壁分割模型。在一个实施例中，计算机程序被处理器执行时还实现以下步骤：该得到样本血管腔区域和样本外管壁区域之后，还包括：将该样本血管腔区域和该样本外管壁区域作为样本血管分割结果；根据该样本血管分割结果与样本的手动标记结果，计算分割准确率；根据该样本血管腔区域和该样本外管壁区域计算样本血管的形态学信息，验证该样本血管的形态学信息与金标准的分割一致性。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-onlymemory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(randomaccessmemory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(staticrandomaccessmemory，sram)或动态随机存取存储器(dynamicrandomaccessmemory，dram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。