冠状动脉血管分割方法、装置、电子设备及存储介质与流程

1.本技术涉及图像分割技术领域，具体而言，涉及一种冠状动脉血管分割方法、装置、电子设备及存储介质。


背景技术：

2.科学技术的飞速发展给人们的生活带来了巨大的变化，推动了社会的进步，医学领域亦是如此。计算机技术、图像处理技术及医学物理的进展为医学诊断和治疗提供了越来越有力的工具。
3.心血管系统疾病是当今世界上威胁人类健康的主要问题之一，无论发病率还是死亡率都在各类疾病的前列，因此预防和治疗心血管疾病对人民的生命健康有着十分重要的意义。通过在医学图像上分割出冠状动脉血管，可更直观有效的观察到冠状动脉血管中的病变区域，从而使患者的诊断和治疗提供更加高效的治疗手段。
4.目前冠状动脉血管自动分割对于冠状动脉影像的导航至关重要。然而在实际场景中，冠状动脉血管分割技术对环境的要求极高，存在静脉影像干扰，噪声，震动，拍摄视角等因素都会对造影的结果产生非常大的影响，从而影响冠状动脉血管自动分割的准确性，导致冠状动脉血管的导航具有极大的困难。
5.综上，现有技术中存在对冠状动脉血管分割的准确性较低的问题。


技术实现要素：

6.本技术的目的在于提供一种冠状动脉血管分割方法、装置、电子设备及存储介质，以解决现有技术中存在对冠状动脉血管分割的准确性较低的问题。
7.为了实现上述目的，本技术实施例采用的技术方案如下：
8.第一方面，本技术实施例提供了一种冠状动脉血管分割方法，所述方法包括：
9.获取待分割的医疗图像；其中，所述医疗图像中包括冠状动脉血管；
10.对所述医疗图像进行局部直方图均衡化处理；
11.利用训练好的预测模型对处理后的医疗图像进行预测与分割，以获取分割后的冠状动脉血管。
12.可选地，在利用训练好的预测模型对处理后的医疗图像进行预测与分割的步骤之前，所述方法还包括:
13.对所述医疗图像中冠状动脉血管的每根血管进行标注；
14.将标注后且经过局部直方图均衡化处理的医疗图像划分训练集与验证集；
15.将验证图像输入预测模型中，以对所述预测模型进行训练，并通过所述验证集图像对训练好的预测模型进行验证。
16.可选地，将验证集数据输入预测模型中，以对所述预测模型进行训练的步骤包括：
17.设定医疗图像的大小为512x512x3，并将所述验证集数据输入预测模型中；
18.利用预测模型对随时验证集图像进行两次[3,3]的64通道的卷积，并获取
512x512x64的初步有效特征层，再进行2x2的最大池化，获得256x256x64第一特征层；
[0019]
对所述医疗图像进行两次[3,3]的128通道的卷积，获得256x256x128的初步有效特征层，再进行2x2最大池化，获得128x128x128的第二特征层；
[0020]
对所述医疗图像进行三次[3,3]的256通道的卷积，获得128x128x256的初步有效特征层，再进行2x2最大池化，获得64x64x256的第三特征层；
[0021]
对所述医疗图像进行三次[3,3]的512通道的卷积，获得64x64x512的初步有效特征层，再进行2x2最大池化，获得一个32x32x512的第四特征层；
[0022]
对所述医疗图像进行三次[3,3]的512通道的卷积，获得一个32x32x512的第五特征层；
[0023]
对五个特征层进行两倍上采样再进行特征融合，使获得的特征层和输入图像的宽高相同。
[0024]
可选地，对所述医疗图像进行局部直方图均衡化处理的步骤包括：
[0025]
将所述医疗图像划分成大小相等且不重叠的子块；
[0026]
计算每个子块的直方图，并对每个子块计算剪切阈值，以将多余的像素重新分配；
[0027]
进行直方图均衡，并采用双线性插值进行像素点重构，以实现局部直方图均衡化。
[0028]
可选地，利用训练好的预测模型对处理后的医疗图像进行预测与分割的步骤包括：
[0029]
利用主干提取部分获得五个初步有效特征层；
[0030]
利用加强特征提取部分对所述五个初步有效特征层记性进行两倍上采样并进行特征融合，以获取图片特征；
[0031]
利用预测部分基于所述图片特征获取预测结果。
[0032]
第二方面，本技术实施例还提供了一种冠状动脉血管分割装置，所述装置包括：
[0033]
数据获取单元，用于获取待分割的医疗图像；其中，所述医疗图像中包括冠状动脉血管；
[0034]
数据处理单元，用于对所述医疗图像进行局部直方图均衡化处理；
[0035]
数据处理单元，还用于利用训练好的预测模型对处理后的医疗图像进行预测与分割，以获取分割后的冠状动脉血管。
[0036]
可选地，所述数据处理单元还用于对所述医疗图像中冠状动脉血管的每根血管进行标注；并将标注后且经过局部直方图均衡化处理的医疗图像划分训练集与验证集；将验证图像输入预测模型中，以对所述预测模型进行训练，并通过所述验证集图像对训练好的预测模型进行验证。
[0037]
可选地，所述数据处理单元还用于：设定医疗图像的大小为512x512x3，并将所述验证集数据输入预测模型中；
[0038]
利用预测模型对随时验证集图像进行两次[3,3]的64通道的卷积，并获取512x512x64的初步有效特征层，再进行2x2的最大池化，获得256x256x64第一特征层；
[0039]
对所述医疗图像进行两次[3,3]的128通道的卷积，获得256x256x128的初步有效特征层，再进行2x2最大池化，获得128x128x128的第二特征层；
[0040]
对所述医疗图像进行三次[3,3]的256通道的卷积，获得128x128x256的初步有效特征层，再进行2x2最大池化，获得64x64x256的第三特征层；
[0041]
对所述医疗图像进行三次[3,3]的512通道的卷积，获得64x64x512的初步有效特征层，再进行2x2最大池化，获得一个32x32x512的第四特征层；
[0042]
对所述医疗图像进行三次[3,3]的512通道的卷积，获得一个32x32x512的第五特征层；
[0043]
对五个特征层进行两倍上采样再进行特征融合，使获得的特征层和输入图像的宽高相同。
[0044]
第三方面，本技术实施例还提供了一种电子设备，包括：
[0045]
存储器，用于存储一个或多个程序；
[0046]
处理器；
[0047]
当所述一个或多个程序被所述处理器执行时，实现上述的方法。
[0048]
第四方面，本技术实施例还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上述的方法。
[0049]
相对于现有技术，本技术具有以下有益效果：
[0050]
本技术提供了一种冠状动脉血管分割方法、装置、电子设备及存储介质，首先获取待分割的医疗图像；其中，医疗图像中包括冠状动脉血管，然后对医疗图像进行局部直方图均衡化处理，再利用训练好的预测模型对处理后的医疗图像进行预测与分割，以获取分割后的冠状动脉血管。由于本技术利用预测模型对局部直方图均衡化处理后的医疗图像进行预测与分割，因此分割结果的准确度更高。
[0051]
为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0052]
为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。
[0053]
图1为本技术实施例提供的电子设备的模块示意图。
[0054]
图2为本技术实施例提供的冠状动脉血管分割方法的示例性流程图。
[0055]
图3为本技术实施例提供的冠状动脉血管分割方法的另一种示例性流程图。
[0056]
图4为本技术实施例提供的经过局部直方图均衡化处理前后的医疗图像。
[0057]
图5为本技术实施例提供的冠状动脉血管分割装置的模块示意图。
[0058]
图中：100-电子设备；101-存储器；102-处理器；103-通信接口；200-冠状动脉血管分割装置；210-数据获取单元；220-数据处理单元。，
具体实施方式
[0059]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
[0060]
因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0061]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0062]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0063]
在本技术的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。
[0064]
在本技术的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
[0065]
下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
[0066]
正如背景技术中所述，目前冠状动脉血管分割的准确性较低，例如，对于血管末端和细小血管的分割识别能力不够强从而导致分割精度下降等问题。
[0067]
有鉴于此，为了解决上述问题，本技术提供了一种冠状动脉血管分割方法，通过利用局部直方图均衡化处理，并按照训练好的预测模型进行分割预测的方式，提升分割结果的准确性。
[0068]
需要是说明的是，本技术提供的冠状动脉血管分割方法可以应用于电子设备100中，图1示出本技术实施例提供的电子设备100的一种示意性结构框图，电子设备100包括存储器102、处理器101和通信接口103，该存储器102、处理器101和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
[0069]
存储器102可用于存储软件程序及模块，如本技术实施例提供的冠状动脉血管分割装置对应的程序指令或模块，处理器101通过执行存储在存储器102内的软件程序及模块，从而执行各种功能应用以及数据处理，进而执行本技术实施例提供的冠状动脉血管分割方法的步骤。该通信接口103可用于与其他节点设备进行信令或数据的通信。
[0070]
其中，存储器102可以是，但不限于，随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除可编程只读存储器(electric erasable programmable read-only memory，eeprom)等。
[0071]
处理器101可以是一种集成电路芯片，具有信号处理能力。该处理器101可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，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。
[0072]
可以理解，图1所示的结构仅为示意，电子设备100还可以包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
[0073]
下面对本技术提供的冠状动脉血管分割方法进行示例性说明：
[0074]
作为一种可选的实现方式，请参阅图2，该方法包括：
[0075]
s102，获取待分割的医疗图像；其中，医疗图像中包括冠状动脉血管。
[0076]
s104，对医疗图像进行局部直方图均衡化处理。
[0077]
s106，利用训练好的预测模型对处理后的医疗图像进行预测与分割，以获取分割后的冠状动脉血管。
[0078]
其中，可以将需要进行冠状动脉血管分割的医疗图像称为待分割的医疗影像，由于医疗影像的特殊性，本技术可以采用软件方式进行dsa影像的读取并保存成jpg格式的图片，这样有效保证了病人的信息等。在本技术中，不对待分割冠状动脉血管的医疗图像的具体获取方式进行限定。
[0079]
在获取医疗图像后，可以对医疗图像进行局部直方图均衡化处理，进而增加血管与背景之间的区别，血管现实的效果更加明显，进而提升冠状动脉血管分割的准确性。
[0080]
并且，本技术会提前利用局部直方图均衡化处理后的医疗图像进行模型训练，进而可以利用训练好的预测模型对局部直方图均衡化处理后的医疗图像进行预测与分割，以获取分割后的冠状动脉血管。
[0081]
基于本技术提供的冠状动脉血管分割方法，可以到达提升冠状动脉血管分割准确性的目的。
[0082]
作为一种可选的实现方式，在利用训练好的预测模型对处理后的医疗图像进行预测与分割的步骤之前，请参阅图3，该方法还包括:
[0083]
s103，对医疗图像中冠状动脉血管的每根血管进行标注；
[0084]
s1051，将标注后且经过局部直方图均衡化处理的医疗图像划分训练集与验证集；
[0085]
s1052，将验证图像输入预测模型中，以对预测模型进行训练，并通过验证集图像对训练好的预测模型进行验证。
[0086]
其中，本技术所述的标注，指对在图上标注出冠状动脉血管，可对医疗图像中的冠状动脉血管的每根血管分别进行标注，这样可增加单根血管的识别准确性，同时又不影响
整体冠状动脉血管分割的呈现效果，标注时使用人工标注，这样既保证了标注对象的准确性，同时又保证了所需数据整体的干净程度。
[0087]
例如，在冠状动脉血管中，包括很多分支，在标注时，则可分别标注分支1、分支2以及分支3等，进而在进行模型训练时，能够确定各个位置血管名称。
[0088]
在标注完成后，再对医疗图像进行局部直方图均衡化处理，提升的血管对比度。接着，在标注与均衡化处理后的医疗图像对划分为训练集与验证集，例如，可以将数据的90％作为训练数据，10％作为验证数据，之后提取训练和验证数据的文件名称进行分别保存，然后将训练数据和验证数据输入进网络模型中进行训练，然后获得训练好的网络模型。
[0089]
其中，在训练时用到了两个损失函数，一个是cross entropy loss(交叉熵损失)，在利用softmax对像素点进行分类时进行使用，其公式为：
[0090][0091]
另一个是dice loss，这个是将分割的评价指标作为loss，dice系数是一种集合相似度度量函数，用于计算两个样本的相似度，取值范围在[0,1]，其公式为：
[0092][0093]
就是预测结果和真是结果的交乘上2，除上预测结果加上真实结果。其值在0-1之间，越大表示预测结果和真实结果重合度越大，dice系数是与大越好。
[0094]
具体地，为了使预测模型更加精准，作为一种实现方式，
[0095]
将验证集数据输入预测模型中，以对预测模型进行训练的步骤包括：
[0096]
设定医疗图像的大小为512x512x3，并将验证集数据输入预测模型中；
[0097]
利用预测模型对随时验证集图像进行两次[3,3]的64通道的卷积，并获取512x512x64的初步有效特征层，再进行2x2的最大池化，获得256x256x64第一特征层；
[0098]
对医疗图像进行两次[3,3]的128通道的卷积，获得256x256x128的初步有效特征层，再进行2x2最大池化，获得128x128x128的第二特征层；
[0099]
对医疗图像进行三次[3,3]的256通道的卷积，获得128x128x256的初步有效特征层，再进行2x2最大池化，获得64x64x256的第三特征层；
[0100]
对医疗图像进行三次[3,3]的512通道的卷积，获得64x64x512的初步有效特征层，再进行2x2最大池化，获得一个32x32x512的第四特征层；
[0101]
对医疗图像进行三次[3,3]的512通道的卷积，获得一个32x32x512的第五特征层；
[0102]
对五个特征层进行两倍上采样再进行特征融合，使获得的特征层和输入图像的宽高相同。
[0103]
即本技术中，采用五个初步有效特征层进行两倍上采样再进行特征融合，使获得的特征层和输入图像的宽高相同，以此使得预测模型的精度更高。
[0104]
在一种实现方式中，利用训练好的预测模型对处理后的医疗图像进行预测与分割的步骤包括：
[0105]
利用主干提取部分获得五个初步有效特征层；
[0106]
利用加强特征提取部分对五个初步有效特征层记性进行两倍上采样并进行特征
融合，以获取图片特征；
[0107]
利用预测部分基于图片特征获取预测结果。
[0108]
在确定预测模型后，使用重构后的pytorch版本unet语义分割网络。unet可以分为三个部分，第一部分是主干特征提取部分，第二部分是加强特征提取部分，第三部分为预测部分。
[0109]
其中，利用主干提取部分可以获得五个初步有效特征层，主干特征提取部分与vgg类似，为卷积和最大池化的堆叠，所以采用的主干特征提取网络为vgg16，主要用到了vgg16两种类型的层，分别是卷积层和最大池化层。
[0110]
在加强特征提取网络中，利用第一部分得到的五个初步有效特征层进行特征融合，特征融合的方式是对特征层进行上采样并且进行堆叠。本发明使用的unet和传统的unet略有不同，在上采样时直接进行两倍上采样再进行特征融合，最终获得的特征层和输入图片的高宽相同。
[0111]
利用主干特征提取和加强特征提取网络可以获取输入进来的图片特征，再利用特征获得预测结果，过程为利用一个1x1的卷积进行通道调整，将最终特征层的通道数调整成标注数据时的类别个数+背景的个数。
[0112]
还需要说明的是，作为一种实现方式，对医疗图像进行局部直方图均衡化处理的步骤包括：
[0113]
将医疗图像划分成大小相等且不重叠的子块；
[0114]
计算每个子块的直方图，并对每个子块计算剪切阈值，以将多余的像素重新分配；
[0115]
进行直方图均衡，并采用双线性插值进行像素点重构，以实现局部直方图均衡化。
[0116]
通过采用局部直方图均衡化的方法，避免全局下使用直方图均衡化照成局部血管轮廓与背景对比度变低的问题。局部直方图均衡化的方法，即在原图上选择一个小区域进行直方图均衡化，进而缓解了全局直方图均衡化照成的局部血管轮廓对比度下降的问题。请参阅图4，图4中，a为原始图像，b为经过局部直方图均衡化处理后的图像。
[0117]
基于上述实现方式，请参阅图5，本技术实施例还提供了一种冠状动脉血管分割装置200，该装置包括：
[0118]
数据获取单元210，用于获取待分割的医疗图像；其中，医疗图像中包括冠状动脉血管；
[0119]
数据处理单元220，用于对医疗图像进行局部直方图均衡化处理；
[0120]
数据处理单元220，还用于利用训练好的预测模型对处理后的医疗图像进行预测与分割，以获取分割后的冠状动脉血管。
[0121]
可以理解地，通过上述单元可以执行冠状动脉血管分割方法中的对应的步骤。
[0122]
作为一种实现方式，数据处理单元还用于对医疗图像中冠状动脉血管的每根血管进行标注；并将标注后且经过局部直方图均衡化处理的医疗图像划分训练集与验证集；将验证图像输入预测模型中，以对预测模型进行训练，并通过验证集图像对训练好的预测模型进行验证。
[0123]
作为一种实现方式，数据处理单元还用于：设定医疗图像的大小为512x512x3，并将验证集数据输入预测模型中；
[0124]
利用预测模型对随时验证集图像进行两次[3,3]的64通道的卷积，并获取
512x512x64的初步有效特征层，再进行2x2的最大池化，获得256x256x64第一特征层；
[0125]
对医疗图像进行两次[3,3]的128通道的卷积，获得256x256x128的初步有效特征层，再进行2x2最大池化，获得128x128x128的第二特征层；
[0126]
对医疗图像进行三次[3,3]的256通道的卷积，获得128x128x256的初步有效特征层，再进行2x2最大池化，获得64x64x256的第三特征层；
[0127]
对医疗图像进行三次[3,3]的512通道的卷积，获得64x64x512的初步有效特征层，再进行2x2最大池化，获得一个32x32x512的第四特征层；
[0128]
对医疗图像进行三次[3,3]的512通道的卷积，获得一个32x32x512的第五特征层；
[0129]
对五个特征层进行两倍上采样再进行特征融合，使获得的特征层和输入图像的宽高相同。
[0130]
综上所述，本技术提供了一种冠状动脉血管分割方法、装置、电子设备及存储介质，首先获取待分割的医疗图像；其中，医疗图像中包括冠状动脉血管，然后对医疗图像进行局部直方图均衡化处理，再利用训练好的预测模型对处理后的医疗图像进行预测与分割，以获取分割后的冠状动脉血管。由于本技术利用预测模型对局部直方图均衡化处理后的医疗图像进行预测与分割，因此分割结果的准确度更高。
[0131]
在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
[0132]
也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。
[0133]
也要注意的是，框图和或流程图中的每个方框、以及框图和或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0134]
另外，在本技术实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0135]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
[0136]
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。