一种肺栓塞图像的处理方法、装置、设备及存储介质与流程

本公开涉及医学图像处理领域，尤其涉及一种肺栓塞图像的处理方法、装置、设备及存储介质。

背景技术：

1、计算机断层扫描肺血管造影(computed tomography pulmonary arteriography，ctpa)是一种检查急性肺栓塞的重要检查技术，不仅具有无创特点，还具有扫描速度快、图像清晰、经济的特点，可直观判断肺动脉栓塞特征的部位及范围。

2、但是现有ctpa计算机辅助诊断方法的有效信息利用率很差，通常只是提供了判断图像中是否具有肺栓塞特征的意见信息，并不能提供肺栓塞特征的精确位置信息，且不能判断各个位置肺栓塞特征的状态信息。

技术实现思路

1、本公开提供了一种肺栓塞图像的处理方法、装置、设备及存储介质，以至少解决现有技术中存在的以上技术问题。

2、根据本公开的第一方面，提供了一种肺栓塞图像的处理方法，包括：

3、将待测图像经过预处理操作，得到候选肺部图像；

4、将所述候选肺部图像输入肺动脉分割组合模型，得到目标肺动脉血管树；

5、根据所述目标肺动脉血管树的半径异常矩阵和密度异常矩阵，计算所述待测图像中各个像素点的肺栓塞状态值。

6、在一可实施方式中，所述根据所述目标肺动脉血管树的半径异常矩阵和密度异常矩阵，计算所述待测图像中各个像素点的肺栓塞状态值，包括：

7、计算所述目标肺动脉血管树中各个中心点位置的半径差值，得到半径异常矩阵r；

8、根据预设像素值，确定所述目标肺动脉血管树中的密度异常区域，得到密度异常矩阵e；

9、通过以下公式计算所述待测图像中各个像素点的肺栓塞状态值：

10、l＝δ*r+ε*e  (1)

11、其中，δ、ε分别表示所述半径异常矩阵及所述密度异常矩阵对所述待测图像中各个像素点的肺栓塞状态值的影响权重。

12、在一可实施方式中，在根据所述目标肺动脉血管树的半径异常矩阵和密度异常矩阵，计算所述待测图像中各个像素点的肺栓塞状态值之后，还包括：

13、根据所述待测图像中各个像素点的初始肺栓塞概率矩阵p和目标肺动脉血管树的掩码矩阵m，计算所述待测图像中各个像素点的肺栓塞概率值pm；

14、根据所述待测图像中各个像素点的肺栓塞概率值pm、所述半径异常矩阵r和所述密度异常矩阵e，得到所述目标肺动脉血管树中各点的肺栓塞概率值plocal：

15、plocal＝α*pm+β*r+γe  (2)

16、其中，α、β和γ分别表示所述待测图像中各个像素点的肺栓塞概率值、所述半径异常矩阵及所述密度异常矩阵对所述目标肺动脉血管树中各点的肺栓塞概率值的影响权重。

17、在一可实施方式中，所述将所述候选肺部图像输入肺动脉分割组合模型，得到目标肺动脉血管树，包括：

18、将所述候选肺部图像输入第一肺动脉分割模型，得到初步肺动脉血管树；

19、提取所述初步肺动脉血管树的中心线，得到中心线点云数据；

20、将所述中心线点云数据输入第二肺动脉分割模型，得到中心线点云树；

21、根据所述中心线点云树修正所述初步肺动脉血管树，确定所述目标肺动脉血管树以及所述目标肺动脉血管树的掩码矩阵m。

22、在一可实施方式中，所述将待测图像经过预处理操作，得到候选肺部图像，包括：

23、将所述待测图像输入肺分割模型，确定肺部图像；

24、同时采用肺窗和纵膈窗归一化预处理所述肺部图像，得到候选肺部图像。

25、在一可实施方式中，在根据所述待测图像中各个像素点的初始肺栓塞概率矩阵p和目标肺动脉血管树的掩码矩阵m，计算所述待测图像中各个像素点的肺栓塞概率值pm之前，还包括：

26、将所述候选肺部图像输入肺栓塞分类模型，确定所述待测图像的肺栓塞概率值；

27、根据所述肺栓塞概率值与所述候选肺部图像，采用grad-cam方法确定所述待测图像中各个像素点的初始肺栓塞概率矩阵p。

28、在一可实施方式中，所述第一肺动脉分割模型为改进的unet3d神经网络模型，其中，所述改进的unet3d神经网络模型设置有空间注意力结构影响因素，并增添focalloss损失函数与dice损失函数。

29、根据本公开的第二方面，提供了一种肺栓塞图像的处理装置，包括：

30、图像处理模块，用于将待测图像经过预处理操作，得到候选肺部图像；

31、目标获取模块，用于将所述候选肺部图像输入肺动脉分割组合模型，得到目标肺动脉血管树；

32、计算模块，用于根据所述目标肺动脉血管树的半径异常矩阵和密度异常矩阵，计算所述待测图像中各个像素点的肺栓塞状态值。

33、在一可实施方式中，所述计算模块具体用于：

34、计算所述目标肺动脉血管树中各个中心点位置的半径差值，得到半径异常矩阵r；

35、根据预设像素值，确定所述目标肺动脉血管树中的密度异常区域，得到密度异常矩阵e；

36、通过以下公式计算所述待测图像中各个像素点的肺栓塞状态值：

37、l＝δ*r+ε*e  (1)

38、其中，δ、ε分别表示所述半径异常矩阵及所述密度异常矩阵对所述待测图像中各个像素点的肺栓塞状态值的影响权重。

39、在一可实施方式中，所述计算模块具体还用于：

40、根据所述待测图像中各个像素点的初始肺栓塞概率矩阵p和目标肺动脉血管树的掩码矩阵m，计算所述待测图像中各个像素点的肺栓塞概率值pm；

41、根据所述待测图像中各个像素点的肺栓塞概率值pm、所述半径异常矩阵r和所述密度异常矩阵e，得到所述目标肺动脉血管树中各点的肺栓塞概率值plocal：

42、plocal＝α*pm+β*r+γe  (2)

43、其中，α、β和γ分别表示所述待测图像中各个像素点的肺栓塞概率值、所述半径异常矩阵及所述密度异常矩阵对所述目标肺动脉血管树中各点的肺栓塞概率值的影响权重。

44、在一可实施方式中，目标获取模块具体用于：

45、将所述候选肺部图像输入第一肺动脉分割模型，得到初步肺动脉血管树；

46、提取所述初步肺动脉血管树的中心线，得到中心线点云数据；

47、将所述中心线点云数据输入第二肺动脉分割模型，得到中心线点云树；

48、根据所述中心线点云树修正所述初步肺动脉血管树，确定所述目标肺动脉血管树以及所述目标肺动脉血管树的掩码矩阵m。

49、在一可实施方式中，图像处理模块具体用于：

50、将所述待测图像输入肺分割模型，确定肺部图像；

51、同时采用肺窗和纵膈窗归一化预处理所述肺部图像，得到候选肺部图像。

52、在一可实施方式中，计算模块还用于：

53、在根据所述待测图像中各个像素点的初始肺栓塞概率矩阵p和目标肺动脉血管树的掩码矩阵m，计算所述待测图像中各个像素点的肺栓塞概率值pm之前，将所述候选肺部图像输入肺栓塞分类模型，确定所述待测图像的肺栓塞概率值；

54、根据所述肺栓塞概率值与所述候选肺部图像，采用grad-cam方法确定所述待测图像中各个像素点的初始肺栓塞概率矩阵p。

55、在一可实施方式中，所述第一肺动脉分割模型为改进的unet3d神经网络模型，其中，所述改进的unet3d神经网络模型设置有空间注意力结构影响因素，并增添focalloss损失函数与dice损失函数。

56、根据本公开的第三方面，提供了一种电子设备，包括：

57、至少一个处理器；以及

58、与所述至少一个处理器通信连接的存储器；其中，

59、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开所述的方法。

60、根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开所述的方法。

61、本公开提供的肺栓塞图像的处理方法、装置、设备及存储介质，通过将待测图像经过预处理操作，得到候选肺部图像；将所述候选肺部图像输入肺动脉分割组合模型，得到目标肺动脉血管树；根据所述目标肺动脉血管树的半径异常矩阵和密度异常矩阵，计算所述待测图像中各个像素点的肺栓塞状态值，不仅能够精确定位到肺栓塞的位置信息，还能提供给相关人员肺栓塞图像中各点相关信息，使其更为全面的了解肺栓塞情况。

62、应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。