桥血管的分割提取方法、设备、系统及可读存储介质与流程

1.本发明涉及影像处理技术领域，尤其涉及一种桥血管的分割提取方法、设备、系统及可读存储介质。


背景技术：

2.心脏冠状动脉搭桥手术(coronary artery bypass grafting，cabg)是外科治疗冠心病的主要手段之一，这种手术简称冠脉搭桥手术。随着冠心病发病率的提高，冠脉搭桥手术的病例在逐年增加。冠脉搭桥手术是取病人本身的血管(如胸阔内动脉、下肢的大隐静脉、挠动脉等)或用人造血管，一端与冠状动脉狭窄远端吻合，一端与升主动脉吻合，使血液绕过梗阻部分继续前行的手术方法，也可同时在一根静脉上开几个侧孔分别与几支冠状动脉侧侧吻合，这就是序贯搭桥或蛇形桥。
3.冠脉搭桥手术术后常见并发症为桥血管狭窄或闭塞，因此术后随访评价桥血管的通畅性具有重要意义，且对动静脉桥血管远期预后的评估尤为重要。在术后的评估中，需要对患者进行血管造影检查，得到冠脉造影图像数据，然后对冠脉造影图像数据进行处理，从而分割出桥血管。
4.然而，由于桥血管是来自于人体其他部分的血管，且在血管移植的过程，血管的走势、血液流向都可能发生了变化，且可能与多个位置搭载，导致桥血管迥异与普通的血管，具有特异性和多样性，常规的分割方法根本无法从冠脉造影图像数据中准确地分割出桥血管。此外，桥血管的术后年限也会进一步增加分割的难度，对于一些手术后比较久的桥血管来讲，由于造影剂的浓度不够高以及血管本身较细(有可能发生狭窄、斑块等病变)，很容易发生造影不够清晰地情况，导致桥血管的分割难度进一步提升，导致桥血管的预后的评估的准确度不高。


技术实现要素：

5.本发明的目的在于提供一种桥血管的分割提取方法、设备、系统及可读存储介质，以解决现有的分割方法无法从冠脉造影图像数据中准确地分割出桥血管的问题。
6.为了达到上述目的，本发明提供了一种桥血管的分割提取方法，包括：
7.获取冠脉造影图像数据；
8.基于所述冠脉造影图像数据获取桥血管的入口的位置信息和出口的位置信息以及获取所述桥血管的分割结果；以及，
9.利用所述桥血管的入口的位置信息和出口的位置信息对所述分割结果进行筛选，以提取出所述桥血管。
10.可选的，所述桥血管的入口的位置信息和出口的位置信息为所述桥血管的入口的坐标点和出口的坐标点或表征所述桥血管的入口的位置和出口的位置的高斯核。
11.可选的，所述分割结果中包括若干个血管，利用所述桥血管的入口的位置信息和出口的位置信息对所述分割结果进行筛选的步骤包括：
12.将所述桥血管的入口的位置信息和出口的位置信息与所述分割结果叠加；
13.比较每个所述血管与所述桥血管的入口的位置信息和出口的位置信息，将入口的位置和/或出口的位置与所述桥血管的入口的位置和/或出口的位置重合的所述血管作为确定血管，判定所述确定血管属于所述桥血管；以及，
14.判断所述桥血管的入口和出口之间的所述确定血管是否连续，当判定连续时，将所述确定血管作为所述桥血管。
15.可选的，将入口的位置和出口的位置与所述桥血管的入口的位置和出口的位置均不重合的所述血管作为待定血管，当判定不连续时，利用所述桥血管的入口的位置信息和出口的位置信息对所述分割结果进行筛选的步骤还包括：
16.基于所述桥血管的类型得到所述桥血管与主动脉之间的距离阈值，去除与主动脉之间的距离大于所述距离阈值的所述待定血管；和/或，基于所述待定血管的入口和出口的高度差得到所述待定血管的相对心脏的走势，去除相对心脏为横向走势的所述待定血管；和/或，基于所述待定血管与左心室和右心室之间的距离得到所述待定血管相对心脏的位置，去除更靠近右心室的所述待定血管；
17.判定剩余的所述待定血管属于所述桥血管；以及，
18.将所述确定血管与剩余的所述待定血管连接，得到所述桥血管。
19.可选的，基于所述桥血管的类型得到所述桥血管与主动脉之间的距离阈值之前，利用所述桥血管的入口的位置信息和出口的位置信息对所述分割结果进行筛选的步骤还包括：
20.获取所述待定血管的体积和/或长度，去除体积小于第一预定值和/或长度小于第二预定值的所述待定血管；和/或，获取所述待定血管与主动脉之间的距离，去除与主动脉之间的距离大于第三预定值的所述待定血管，所述第三预定值大于每个所述距离阈值。
21.可选的，将所述冠脉造影图像数据输入已训练的第一深度神经网络中，以获取桥血管的入口的位置信息和出口的位置信息；和/或，
22.将所述冠脉造影图像数据输入已训练的第二深度神经网络中，以获取所述桥血管的分割结果。
23.可选的，所述冠脉造影图像数据包括ct冠脉造影图像数据或dsa冠脉造影图像数据；和/或，所述第一深度神经网络包括hourglass深度神经网络、v-net深度神经网络或u-net深度神经网络；和/或，所述第二深度神经网络包括v-net深度神经网络或u-net深度神经网络。
24.本发明还提供了一种桥血管的分割提取设备，包括：
25.数据供应模块，用于提供冠脉造影图像数据；
26.位置获取模块，用于获取桥血管的入口的位置信息和出口的位置信息；
27.分割模块，用于获取所述桥血管的分割结果；以及，
28.筛选模块，用于利用所述桥血管的入口的位置信息和出口的位置信息对所述分割结果进行筛选，以提取出所述桥血管。
29.本发明还提供了一种桥血管的分割提取系统，包括处理器和存储器，所述存储器上存储有指令，当所述指令被所述处理器执行时，实现所述桥血管的分割提取方法。
30.本发明还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介
质上存储有指令，当所述指令被执行时，实现所述桥血管的分割提取方法。
31.在本发明提供的桥血管的分割提取方法、设备、系统及可读存储介质中，基于冠脉造影图像数据获取桥血管的入口的位置信息和出口的位置信息以及获取所述桥血管的分割结果；然后利用所述桥血管的入口的位置信息和出口的位置信息对所述分割结果进行筛选，以提取出所述桥血管。本发明通过桥血管的入口的位置信息和出口的位置信息对分割结果进行筛选，优化分割结果，提高了提取出的桥血管的准确性，进而提高了桥血管的预后评估的准确度；并且，本发明可以全自动完成，不需要与用户交互，分割效率和一致性更高。
附图说明
32.图1为本发明实施例一提供的桥血管的分割提取方法的流程图；
33.图2a为本发明实施例一提供的单层hourglass深度神经网络的模型的示意图；
34.图2b为本发明实施例一提供的双层hourglass深度神经网络的模型的示意图；
35.图3为本发明实施例一提供的分割结果的示意图；
36.图4为本发明实施例一提供的将桥血管的入口的位置信息和出口的位置信息与分割结果叠加后的示意图；
37.图5为本发明实施例一提供的最终提取出的桥血管的示意图；
38.图6为本发明实施例一提供的桥血管的分割提取方法在实际应用中提取出的桥血管的示意图；
39.图7为本发明实施例二提供的分割结果的示意图；
40.图8为本发明实施例二提供的将桥血管的入口的位置信息和出口的位置信息与分割结果叠加后的示意图；
41.图9为本发明实施例二提供的最终提取出的桥血管的示意图；
42.图10为本实施例三提供的桥血管的分割提取设备的结构框图；
43.其中，附图标记为：
44.10-数据供应模块；20-位置获取模块；30-分割模块；40-筛选模块；
45.a、b、c、d、h、i、j、k、l、m、n-血管；e、f、o、p-高斯核。
具体实施方式
46.下面将结合示意图对本发明的具体实施方式进行更详细的描述。根据下列描述，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
47.实施例一
48.图1为本实施例提供的桥血管的分割提取方法的流程图。如图1所示，本实施例提供的桥血管的分割提取方法包括：
49.步骤s100：获取冠脉造影图像数据；
50.步骤s200：基于所述冠脉造影图像数据获取桥血管的入口的位置信息和出口的位置信息以及获取所述桥血管的分割结果；以及，
51.步骤s300：利用所述桥血管的入口的位置信息和出口的位置信息对所述分割结果进行筛选，以提取出所述桥血管。
52.具体而言，首先执行步骤s100，对术后患者进行血管造影，得到包含桥血管的冠脉造影图像数据。本实施例中，对患者进行计算机断层扫描(computed tomography，ct)血管造影(ct angiography，cta)检查，从而得到高质量的所述冠脉造影图像数据，且由于cta检查属于无创检查，对患者的安全性高。
53.作为可选实施例，还可以对术后患者进行诸如数字减影造影(digital subtraction angiography，dsa)检查等，也能得到包含桥血管的冠脉造影图像数据，此处不再一一举例说明。
54.执行步骤s200，本实施例中，利用训练神经网络的方式获取所述桥血管的入口的位置信息和出口的位置信息以及获取所述桥血管的分割结果。具体而言，将所述冠脉造影图像数据输入已训练的第一深度神经网络中，以获取桥血管的入口的位置信息和出口的位置信息；将所述冠脉造影图像数据输入已训练的第二深度神经网络中，以获取所述桥血管的分割结果。
55.首先，训练第一深度神经网络。本实施例中，所述第一深度神经网络为沙漏状深度神经网络(hourglass深度神经网络)，以下将以训练hourglass深度神经网络为例进行说明。
56.首先，构建初始hourglass深度神经网络。图2a为本实施例提供的单层hourglass深度神经网络的模型的示意图，如图2a所示，x11代表输入的图像数据，x12代表将x11降采样后的得到的图像数据，x13代表将x12升采样后得到的图像数据，x11'代表将x11经过卷积、归一化(batch normalization)和激活(relu)之后得到的图像数据，y11代表将x11'与x13相加后得到的图像数据，同时y11为所述单层hourglass深度神经网络输出的图像数据。图2b为本实施例提供的双层hourglass深度神经网络的模型的示意图，如图2b所示，x21代表需要输入的图像数据，x22代表将x21降采样后的得到的图像数据，x23代表将x22降采样后得到的图像数据，x24代表将x23升采样后得到的图像数据，x21'代表将x21经过卷积、归一化(batch normalization)和激活(relu)之后得到的图像数据，x22'代表将x22经过卷积、归一化(batch normalization)和激活(relu)之后得到的图像数据，y21代表将x22'与x24相加后得到的图像数据，y22代表将y21升采样后得到的图像数据，y23代表将x21'与y22相加后得到的图像数据，同时y23为所述双层hourglass深度神经网络输出的图像数据。所述初始hourglass深度神经网络可以选择单层hourglass深度神经网络、双层hourglass深度神经网络或其他层数的hourglass深度神经网络，本发明不作限制。
57.接下来，准备训练所述初始hourglass深度神经网络的样本。具体而言，获取多个冠脉造影图像数据样本，然后在所述冠脉造影图像数据样本中标记出桥血管的入口的位置信息和出口的位置信息。将标记好的所述冠脉造影图像数据样本分为训练集和验证集，对所述初始hourglass深度神经网络进行训练和验证，即可得到训练好的hourglass深度神经网络。
58.需要说明的是，训练所述初始hourglass深度神经网络所使用的冠脉造影图像数据样本可以包含常规静脉桥、序贯桥、动脉桥、y形桥等多种桥血管的冠脉造影图像数据，从而提高训练的准确性。并且，训练所述初始hourglass深度神经网络所使用的冠脉造影图像数据样本中的桥血管可以是满足高斯场分布的桥血管，也即以血管中心线为高亮点，向血管周围逐渐变暗的血管原型。
59.可选的，在所述冠脉造影图像数据样本中标记出所述桥血管的入口的位置信息和出口的位置信息可以是所述桥血管的入口的坐标点和出口的坐标点，由于所述桥血管为三维的管状结构，理想情况下，所述桥血管的入口的坐标点和出口的坐标点应该为所述桥血管的入口的端面和出口的端面的中心点。本实施例中，在所述冠脉造影图像数据样本中标记出所述桥血管的入口的位置信息和出口的位置信息是表征所述桥血管的入口的位置和出口的位置的高斯核，所述高斯核为满足高斯分布的、球心处最亮且从球心沿径向向外逐渐变暗的球体，球心处是所述桥血管的入口的位置或出口的位置的几率最高，从球心沿径向向外几率逐渐降低。相较于标记固定的坐标点作为所述桥血管的入口的位置信息和出口的位置信息，本实施例中整个所述高斯核的内部区域均可能是所述桥血管的入口的位置和出口的位置，范围更广，降低了对标记精度的要求，且由于所述桥血管的入口和出口本身就并非是一个点，而是一个面，因此将表征所述桥血管的入口的位置和出口的位置的高斯核作为所述桥血管的入口的位置信息和出口的位置信息并不会对所述桥血管的入口的定位和出口的定位造成过多不良影响。
60.作为可选实施例，所述第一深度神经网络还可以是v-net深度神经网络或u-net深度神经网络等其他能够实现点定位的深度神经网络，此处不再一一举例说明。
61.训练好所述第一深度神经网络之后，将术后患者的冠脉造影图像数据输入已训练的第一深度神经网络中，所述第一深度神经网络可以自动预测出桥血管的入口的位置信息和出口的位置信息。
62.可以理解的是，由于本实施例在训练所述第一深度神经网络时，是在所述冠脉造影图像数据样本中标记出表征所述桥血管的入口的位置和出口的位置的高斯核，因此，获取的所述桥血管的入口的位置信息和出口的位置信息也应该为表征所述桥血管的入口的位置和出口的位置的高斯核。
63.接下来，训练第二深度神经网络。本实施例中，所述第二深度神经网络为v-net深度神经网络，以下将以训练v-net深度神经网络为例进行说明。
64.首先，构建初始v-net深度神经网络。所述初始v-net深度神经网络的模型大致呈v字形，v字形的一侧为压缩路径，通过逐层降采样将图像的尺寸降低，v字形的另一侧为解压缩路径，通过逐层升采样将图像的尺寸恢复，然后将对应位置处的降采样图像拼接至升采样图像上，实现全局的图像信息和局部的图像信息的融合，最终经过softmax处理得到结果。
65.接下来，准备训练所述初始v-net深度神经网络的样本。具体而言，获取多个冠脉造影图像数据样本，然后在所述冠脉造影图像数据样本中勾画出所述桥血管所在的区域。将勾画好的所述冠脉造影图像数据样本分为训练集和验证集，对所述初始v-net深度神经网络进行训练和验证，即可得到训练好的v-net深度神经网络。
66.需要说明的是，训练所述初始v-net深度神经网络所使用的冠脉造影图像数据样本可以包含常规静脉桥、序贯桥、动脉桥、y形桥等多种桥血管的冠脉造影图像数据，从而提高训练的准确性。并且，训练所述初始v-net深度神经网络所使用的冠脉造影图像数据样本中的桥血管可以是满足高斯场分布的桥血管，也即以血管中心线为高亮点，向血管周围逐渐变暗的血管原型。
67.作为可选实施例，所述第二深度神经网络还可以是u-net深度神经网络等其他能
够实现图像分割的深度神经网络，此处不再一一举例说明。
68.训练好所述第二深度神经网络之后，将术后患者的冠脉造影图像数据输入已训练的第二深度神经网络中，所述第二深度神经网络可以自动对所述桥血管进行分割，得到所述桥血管的分割结果。
69.值得说明的是，本发明不限于是先获取桥血管的入口的位置信息和出口的位置信息再获取所述桥血管的分割结果，也可以先获取所述桥血管的分割结果再获取桥血管的入口的位置信息和出口的位置信息，或者也可以同步获取桥血管的入口的位置信息和出口的位置信息和获取所述桥血管的分割结果，此处不再过多赘述。
70.可以理解的是，由于所述桥血管是来自于人体其他部分的血管，且在血管移植的过程，血管的走势、血液流向都可能发生了变化，且可能与多个位置搭载，导致桥血管迥异与普通的血管，具有特异性和多样性，所述第二深度神经网络可能无法从所述冠脉造影图像数据中准确地分割出所述桥血管，也即，所述分割结果中可能仅存在部分所述桥血管(所述桥血管部分缺失、断裂等)，也可能存在其他不属于所述桥血管的血管。基于此，执行步骤s300，利用所述桥血管的入口的位置信息和出口的位置信息对所述分割结果进行筛选。
71.具体而言，图3为本实施例提供的分割结果的示意图。如图3所示，所述分割结果中存在4个血管，分别为血管a、b、c、d。
72.首先，将所述桥血管的入口的位置信息和出口的位置信息与所述分割结果叠加。图4为本实施例提供的将所述桥血管的入口的位置信息和出口的位置信息与所述分割结果叠加后的示意图。图4中，所述桥血管的入口的位置信息和出口的位置信息分别为表征所述桥血管的入口的位置的高斯核e和表征所述桥血管的出口的位置的高斯核f，从图4中可见，所述高斯核e和所述高斯核f分别与所述血管a的入口和出口重合，而所述血管b、c、d的入口和出口与所述高斯核e和所述高斯核f均不重合。因此，可以直接判定所述血管a属于所述桥血管，所述血管a为确定血管，而此时，所述血管b、c、d是否属于所述桥血管未知，所述血管b、c、d为待定血管。
73.接下来，判断所述桥血管的入口和出口之间的所述确定血管是否连续，若所述桥血管的入口和出口之间的所述确定血管是连续的，表明所述桥血管的入口和出口之间的所述确定血管是完整的，没有缺失或断裂，可以直接将所述确定血管作为所述桥血管输出。具体而言，请继续参阅图4，判断所述高斯核e和所述高斯核f之间的所述血管a是否连续，由于所述血管a是一整条连续的血管，可以判定所述血管a就是完整的所述桥血管，而所述血管b、c、d不属于所述桥血管。
74.最终将所述血管a作为所述桥血管输出，图5示出了最终提取出的所述桥血管的示意图。
75.需要说明的是，所述桥血管的入口只有一个，但所述桥血管的出口不一定只有一个，可能有两个或两个以上，因此，判断所述桥血管的入口和出口之间的所述确定血管是否连续时，需要判断所述桥血管的入口和每个出口之间的所述确定血管是否连续。
76.图6为本实施提供的桥血管的分割提取方法在实际应用中提取出的所述桥血管的示意图。从图6中可见，由于结合了传统分割算法和深度学习算法的优势，本实施例提供的桥血管的分割提取方法可以更加准确地分割出所述桥血管，兼容所述桥血管的特异性和多样性。
77.实施例二
78.与实施例一的区别在于，本实施例中，所述桥血管的入口和出口之间的所述确定血管不连续，表明所述桥血管存在缺失和断裂的情况。图7为本实施例提供的分割结果的示意图。如图7所示，所述分割结果中存在7个血管，分别为血管h、i、j、k、l、m、n。
79.首先，将所述桥血管的入口的位置信息和出口的位置信息与所述分割结果叠加。图8为本实施例提供的将所述桥血管的入口的位置信息和出口的位置信息与所述分割结果叠加后的示意图。图8中，所述桥血管的入口的位置信息和出口的位置信息分别为表征所述桥血管的入口的位置的高斯核o和表征所述桥血管的出口的位置的高斯核p，从图7中可见，所述高斯核o和所述高斯核p分别与所述血管h的入口和所述血管j的出口重合，而所述血管i、k、l、m、n的入口和出口与所述高斯核o和所述高斯核p均不重合。因此，可以直接判定所述血管h和所述血管j属于所述桥血管，所述血管h和所述血管j为确定血管，而此时，所述血管i、k、l、m、n是否属于所述桥血管未知，所述血管i、k、l、m、n为待定血管。
80.接下来，判断所述桥血管的入口和出口之间的所述确定血管是否连续，若所述桥血管的入口和出口之间的所述确定血管是连续，表明所述桥血管的入口和出口之间的所述确定血管是完整的，没有缺失或断裂，可以直接将所述确定血管作为所述桥血管输出。具体而言，请继续参阅图7，由于所述血管h和所述血管j不是一整条连续的血管，可以判定所述血管h和所述血管j不是完整的所述桥血管。
81.接着需要判断所述待定血管是否属于所述桥血管。
82.具体而言，可以先获取每个所述待定血管的体积和/或长度，若所述待定血管的体积小于第一预定值和/或长度小于第二预定值，表明所述待定血管可能为噪点，属于所述桥血管的几率较小，将体积小于第一预定值和/或长度小于第二预定值的所述待定血管去除，从而简化后续的计算。本实施例中，获取所述血管i、k、l、m、n的体积和/或长度，由于所述血管l的体积小于所述第一预定值且长度小于所述第二预定值，因此认为所述血管l极大可能不属于所述桥血管，将所述血管l剔除出所述待定血管。
83.进一步地，还可以先获取每个所述待定血管与主动脉之间的距离，若所述待定血管与主动脉之间的距离大于第三预定值，表明所述待定血管与主动脉之间的距离太远，属于所述桥血管的几率较小，将与主动脉之间的距离大于第三预定值的所述待定血管去除，从而简化后续的计算。本实施例中，获取所述血管i、k、m、n与主动脉之间的距离，由于所述血管n与主动脉之间的距离大于第三预定值，因此认为所述血管n极大可能不属于所述桥血管，将所述血管n剔除出所述待定血管。
84.当然，在其他实施例中，去除体积小于所述第一预定值和/或长度小于所述第二预定值的所述待定血管以及去除与主动脉之间的距离大于所述第三预定值的所述待定血管的步骤均可以被省略。
85.进一步地，所述桥血管可以是动脉桥或静脉桥，动脉桥和静脉桥与主动脉之间的最大距离是不同的，可以基于所述桥血管的类型得到所述桥血管与主动脉之间的距离阈值，若所述待定血管与所述主动脉之间的距离大于所述距离阈值，表明所述待定血管属于该类型的桥血管的几率极小，可以去除与所述主动脉之间的距离大于所述距离阈值的所述待定血管。具体而言，由于静脉桥的入口在升主动脉，动脉桥的入口在主动脉弓及其分支处，可以根据所述确定血管的位置或所述桥血管的入口的位置信息判定所述桥血管的类
型。本实施例中，可以根据所述血管a的入口的位置或所述高斯核o判定所述桥血管是动脉桥还是静脉桥，判定了所述桥血管的类型之后，可以获取相应的距离阈值。接下来，获取所述血管i、k、m与主动脉之间的距离，由于所述血管i、k、m与主动脉之间的距离均小于或等于所述距离阈值，此步骤中所述血管i、k、m全部保留。
86.需要说明的是，所述距离阈值与所述第三预定值是不同的，所述第三预定值可以大于每个所述距离阈值，从而用于初步排除离主动脉过远的所述血管。
87.进一步地，由于所述桥血管相对于心脏为纵向走势，可以基于所述待定血管的入口和出口的高度差得到所述待定血管的相对心脏的走势，若所述待定血管相对心脏的走势为横向走势，表明所述待定血管属于所述桥血管的几率极小，可以去除相对心脏为横向走势的所述待定血管。本实施例中，可以计算出所述血管i、k、m的入口和出口的高度差，由于所述血管k的入口和出口的高度差大于第四预定值，因此认为所述血管k相对心脏为横向走势，属于所述桥血管的几率较小，将所述血管k剔除出所述待定血管。
88.进一步地，由于所述桥血管相对于右心室来说更靠近左心室，可以基于所述待定血管与左心室和右心室之间的距离得到所述待定血管相对心脏的位置，根据所述待定血管与左心室和右心室之间的距离可以判定所述待定血管更靠近哪个心室，若所述待定血管更靠近右心室，表明所述待定血管属于所述桥血管的几率极小，可以去除更靠近右心室的所述待定血管。本实施例中，可以计算出所述血管i、m与左心室和右心室之间的距离，由于所述血管m更靠近右心室，因此认为所述血管m属于所述桥血管的几率较小，将所述血管m剔除出所述待定血管。
89.接下来，判定剩余的所述待定血管属于所述桥血管。本实施例中，剩余所述血管i，判定所述血管i属于所述桥血管。
90.需要说明的是，本实施例中，去除与主动脉之间的距离大于所述距离阈值的所述待定血管的步骤、去除相对心脏为横向走势的所述待定血管的步骤以及去除更靠近右心室的所述待定血管是顺次执行的，但应理解，这三个步骤也可以同时执行或调换顺序执行，甚至也可以省略一些步骤，此处不再过多赘述。
91.进一步地，由于所述确定血管与剩余的所述待定血管之间是不连续的，因此需要将所述确定血管与剩余的所述待定血管连接。本实施例中，已判定出所述血管h、i、j属于所述桥血管，而其余的所述血管不属于所述桥血管，但是所述血管h、i、j并非是一整条连续的血管，所述血管h和所述血管i之间缺失一段，所述血管i与所述血管j之间是缺失一段，因此将所述血管h与所述血管i连接，将所述血管i与所述血管j连接，形成一条完整的血管输出，图9示出了最终提取出的所述桥血管的示意图，图9中虚线处为通过算法补全缺失段。
92.需要说明的是，本实施例中，当将所述桥血管的入口的位置信息和出口的位置信息与所述分割结果叠加之后，可能存在部分或全部所述高斯核与任何所述血管的入口和出口均不重合的情况，此时，将所述确定血管与剩余的所述待定血管连接之后，还可以将所述高斯核与相邻的所述待定血管连接，从而补全所述桥血管。
93.可选的，可以利用区域生长算法、阈值分割算法或梯度分割算法将所述确定血管与剩余的所述待定血管连接，但不应以此为限。
94.应理解，本实施例中的所述距离阈值、第一预定值、第二预定值、第三预定值及第四预定值均是经验值，可以通过实际测试得到，此处不再一一举例说明。
95.相较于实施例一来说，本实施例在分割出的所述桥血管存在缺失和/或断裂的情况下也能准确地提取出完整的桥血管，能够较好地应对造影不够清晰的情况。
96.实施例三
97.本实施例还提供了一种桥血管的分割提取设备。图10为本实施例提供的桥血管的分割提取设备的结构框图，如图10所示，所述桥血管的分割提取设备包括：
98.数据供应模块10，用于获取冠脉造影图像数据；
99.位置获取模块20，用于获取桥血管的入口的位置信息和出口的位置信息；
100.分割模块30，用于获取所述桥血管的分割结果；以及，
101.筛选模块40，用于利用所述桥血管的入口的位置信息和出口的位置信息对所述分割结果进行筛选，以提取出所述桥血管。
102.本实施例还提供了一种电子设备，包括处理器和存储器，存储器上存储有指令，当指令被处理器执行时，实现上述桥血管的分割提取方法的步骤。
103.其中，处理器可以根据存储在存储器中的指令执行各种动作和处理。具体地，处理器可以是一种集成电路芯片，具有信号的处理能力。上述处理器可以是通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中公开的各种方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，可以是x86架构或者是arm架构等。
104.存储器存储有可执行指令，该指令在被处理器执行上文所述的桥血管的分割提取方法。存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(rom)、可编程只读存储器(prom)、可擦除可编程只读存储器(eprom)、电可擦除可编程只读存储器(eeprom)或闪存。易失性存储器可以是随机存取存储器(ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(sram)、动态随机存取存储器(dram)、同步动态随机存取存储器(sdram)、双倍数据速率同步动态随机存取存储器(ddrsdram)、增强型同步动态随机存取存储器(esdram)、同步连接动态随机存取存储器(sldram)和直接内存总线随机存取存储器(dr ram)。应注意，本文描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
105.根据本发明实施例的另一个方面，提出了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质上存储有指令，当指令被执行时，可以实现上文所描述的桥血管的分割提取方法中的步骤。
106.类似地，本发明实施例中的非暂态计算机可读存储介质可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。应注意，本文描述的计算机可读存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
107.通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明实施例可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在非暂态计算机可读存储介质中。
108.综上，在本发明实施例提供的桥血管的分割提取方法、设备、系统及可读存储介质中，基于冠脉造影图像数据获取桥血管的入口的位置信息和出口的位置信息以及获取所述桥血管的分割结果；然后利用所述桥血管的入口的位置信息和出口的位置信息对所述分割结果进行筛选，以提取出所述桥血管。本发明通过桥血管的入口的位置信息和出口的位置信息对分割结果进行筛选，优化分割结果，提高了提取出的桥血管的准确性，进而提高了桥血管的预后评估的准确度；并且，本发明可以全自动完成，不需要与用户交互，分割效率和一致性更高。
109.需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
110.还需要说明的是，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围。
111.还应当理解的是，除非特别说明或者指出，否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。
112.此外还应该认识到，此处描述的术语仅仅用来描述特定实施例，而不是用来限制本发明的范围。必须注意的是，此处的以及所附权利要求中使用的单数形式“一个”和“一种”包括复数基准，除非上下文明确表示相反意思。例如，对“一个步骤”或“一个装置”的引述意味着对一个或多个步骤或装置的引述，并且可能包括次级步骤以及次级装置。应该以最广义的含义来理解使用的所有连词。以及，词语“或”应该被理解为具有逻辑“或”的定义，而不是逻辑“异或”的定义，除非上下文明确表示相反意思。此外，本发明实施例中的方法和/或设备的实现可包括手动、自动或组合地执行所选任务。