一种血管图像处理方法、装置、电子设备及存储介质与流程

1.本发明涉及图像处理技术领域，尤其涉及一种血管图像处理方法、装置、电子设备及存储介质。


背景技术：

2.随着图像处理技术的发展，图像处理技术已逐步被应用在临床医学领域。比如图像处理技术应用在心脏瓣膜疾病的治疗过程中。
3.目前，通常采用经导管主动脉瓣置换术(transcatheter aortic valve replacement，tavr)手术治疗心脏瓣膜疾病，手术前会通过电子计算机断层扫描(computed tomography，ct)图像技术采集手术部位的扫描数据，以供手术操作者进行参考，由手术操作者根据先验经验选择手术位置以完成手术。
4.通过上述方式获取到的图像只能对血管进行粗观察，图像参考的价值较低，手术位置的定位对手术操作者的经验依赖性强。


技术实现要素：

5.本发明提供了一种血管图像处理方法、装置、电子设备及存储介质，以通过对采集的图像进行处理，以提供血管的可操作位置。
6.根据本发明的一方面，提供了一种血管图像处理方法，包括：
7.获取待检测血管在预设周期内的多个血管扫描数据，对多个血管扫描数据分别进行配准和分割，得到各血管扫描数据中的血管分割数据；
8.基于各血管分割数据提取血管位置点，并基于血管位置点在各血管扫描数据中的位置信息生成待检测血管在预设周期内的位移场数据；
9.基于位移场数据确定各血管位置点的空间移动参数，并基于空间移动参数确定血管中的目标位置点集。
10.可选的，预设周期为心动周期，多个血管扫描数据为在心动周期内基于预设时间间隔进行血管扫描，得到的多期相血管扫描数据。
11.可选的，对多个血管扫描数据分别进行配准和分割，得到各血管扫描数据中的血管分割数据，包括：
12.将多个血管扫描数据输入至预先训练的配准分割联合模型中，得到各血管扫描数据的初始分割数据和各血管扫描数据分别相对于基准血管扫描数据的配准变换矩阵；
13.基于各配准变换矩阵分别对对应的初始分割数据进行转换处理，得到各血管扫描数据的血管分割数据。
14.可选的，配准分割联合模型的训练方法包括：
15.获取多组血管样本数据，任一组血管样本数据为任一预设周期内的多个血管样本数据；
16.基于多组血管样本数据执行以下迭代训练步骤，直到满足迭代停止条件得到训练
完成的配准分割联合模型：
17.将任一组血管样本数据输入至待训练的配准分割联合模型中，得到血管样本数据分别对应的血管分割数据和配准结果；
18.基于血管样本数据对应的标签信息、血管样本数据对应的血管分割数据和配准结果确定联合模型损失，基于联合模型损失调整配准分割联合模型的参数。
19.可选的，联合模型损失基于配准损失和分割损失确定；
20.任一组血管样本数据中包括基准血管数据和运动血管数据；
21.分割损失项基于基准血管数据对应的血管分割数据和基准血管数据对应的标签信息形成的第一损失项，和/或，运动血管数据对应的血管分割数据和运动血管数据对应的标签信息形成的第二损失项确定；
22.配准损失项基于如下的任一项得到：基于运动血管数据对应的配准结果对运动血管数据的标签信息进行配准处理，得到配准标签信息，基于配准标签信息与基准血管数据的标签信息生成配准损失项；
23.基于运动血管数据对应的配准结果对血管分割数据进行配准处理，得到运动血管数据的配准分割结果，基于配准分割结果与基准血管数据的标签信息生成配准损失项；
24.基于运动血管数据对应的配准结果对运动血管数据的标签信息进行配准处理，得到配准标签信息，基于配准标签信息与基准血管数据的血管分割数据生成配准损失项。
25.可选的，基于各血管分割数据提取血管位置点，包括：
26.对于任一血管分割数据，确定当前血管分割数据的血管中心线以及血管中心线上的各中心点，并基于各中心点确定当前血管分割数据中血管截面轮廓的轮廓点云数据，其中，轮廓点云数据作为血管位置点。
27.可选的，基于各中心点确定当前血管分割数据中血管截面轮廓的轮廓点云数据，包括：
28.对于任一中心点，对当前中心点进行扩展处理，得到当前中心点对应的血管截面轮廓；
29.对血管截面轮廓进行采样处理，得到血管截面轮廓上的轮廓点的轮廓点数据。
30.可选的，基于血管位置点在各血管扫描数据中的位置信息生成待检测血管在预设周期内的位移场数据，包括：
31.对于任一血管位置点，确定血管位置点在各个血管分割数据中的位置信息，基于多个血管分割数据的期相顺序和血管位置点在各个血管分割数据中的位置信息，生成待检测血管在预设周期内的位移场数据。
32.可选的，空间移动参数包括平均位移、位移空间梯度和位移震荡指数的一项或多项；
33.基于位移场数据确定各血管位置点的空间移动参数，包括如下的一项或多项：
34.对于任一血管位置点，基于血管位置点在预设周期内的多个位移数据的绝对值均值确定平均位移；
35.基于血管位置点在预设周期内的位移变化率确定位移空间梯度；
36.基于血管位置点在预设周期内的位移变化量与在预设周期移动路径总量的比例，确定位移震荡指数。
37.可选的，基于空间移动参数确定血管中的目标位置点集，包括：
38.对于任一血管位置点，将血管位置点的平均位移、位移空间梯度和位移震荡指数的一项或多项分别与对应的阈值进行比对，得到比对结果；
39.根据比对结果筛选满足运动稳定条件的血管位置点，形成目标位置点集。
40.根据本发明的另一方面，提供了一种血管图像处理装置，包括：
41.血管分割数据获取模块，用于获取待检测血管在预设周期内的多个血管扫描数据，对多个血管扫描数据分别进行配准和分割，得到各血管扫描数据中的血管分割数据；
42.位移场数据确定模块，用于基于各血管分割数据提取血管位置点，并基于血管位置点在各血管扫描数据中的位置信息生成待检测血管在预设周期内的位移场数据；
43.目标位置点集确定模块，用于基于位移场数据确定各血管位置点的空间移动参数，并基于空间移动参数确定血管中的目标位置点集。
44.根据本发明的另一方面，提供了一种电子设备，电子设备包括：
45.至少一个处理器；以及
46.与至少一个处理器通信连接的存储器；其中，
47.存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例的血管图像处理方法。
48.根据本发明的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的血管图像处理方法。
49.本发明实施例的技术方案，通过对多个血管扫描数据分别进行配准和分割处理，从处理结果中提取血管位置点，通过血管位置点信息确定对应的空间移动参数和目标位置点集，解决了无法准确确定血管的运动情况的问题，可以更加准确的确定血管上的位置点在心动周期中的空间移动情况，有助于提高血管图像处理技术的准确性。
50.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
51.本技术所涉及技术方案中对数据的获取、存储和/或处理，符合国家法律法规的相关规定。
附图说明
52.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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他的附图。
53.图1是本发明实施例一提供的一种血管图像处理方法的流程图；
54.图2是本发明实施例二提供的一种血管图像处理方法的流程图；
55.图3是本发明实施例三提供的一种血管图像处理装置的结构示意图；
56.图4是实现本发明实施例的血管图像处理方法的电子设备的结构示意图。
具体实施方式
57.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
58.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
59.实施例一
60.图1是本发明实施例一提供的一种血管图像处理方法的流程图，本实施例可适用于血管图像处理的情况，该方法可以由血管图像处理装置来执行，该血管图像处理装置可以采用硬件和/或软件的形式实现，该血管图像处理装置可配置于计算机、图像处理设备等电子设备中。如图1所示，该方法包括：
61.s110、获取待检测血管在预设周期内的多个血管扫描数据，对多个血管扫描数据分别进行配准和分割，得到各血管扫描数据中的血管分割数据。
62.其中，待检测血管具体可以理解为是目标对象待进行手术操作区域的血管，该目标对象可以是人体或动物体等，可以理解是，血管扫描数据是在目标对象或目标对象的关联对象授权的情况下进行获取以及处理的。血管扫描数据具体可以理解为是一种医学影像数据，可以通过血管造影(computed tomographic arteriography，cta)、核磁共振成像(magnetic resonance imaging，mri)等技术对待检测血管进行扫描得到血管扫描数据。一般地，为了能够对待检测血管的形状、大小、运动等情况有准确的认识，需要获取多个血管扫描数据，可以通过实际需要设置一定的预设周期，在该预设周期内对待检测血管进行等时间间隔采样，获取该预设周期内的多个血管扫描数据。
63.具体的，可以通过ct血管造影技术对待检测血管进行扫描，在预设周期内对待检测血管进行等时间间隔采样，获取多个血管扫描图像，即多个血管扫描数据。可选的，预设周期为心动周期，多个血管扫描数据为在心动周期内基于预设时间间隔进行血管扫描，得到的多期相血管扫描数据。
64.其中，心动周期具体可以理解为是一个完整的心跳周期，在心电图上指的是两个r波之间的时间间隔。多期相血管扫描数据具体可以理解为是在心动周期内按照等时间间隔扫描待检测血管获得的多个时刻点的血管扫描数据，例如，将心动周期的10％作为时间间隔，在心动周期的0％、10％、20％、30％、40％、50％、60％、70％、80％和90％等时间点对血管进行扫描，获取对应时间点的多个血管扫描数据，每一个时间点扫描得到的血管扫描数据即为一个期相血管扫描数据。
65.具体的，可以通过ct血管造影技术按照等时间间隔采集一个心动周期内的血管扫
描数据，获取多期相血管扫描数据，示例性的，按照心动周期的10％的时间间隔采集一个心动周期内的血管扫描数据，从而得到10期相血管扫描数据，需要说明的是，心脏每收缩和舒张一次构成一个心动周期，所以，可以以舒张末期作为心动周期的初始值，该时期采集的血管扫描数据作为第1期相血管扫描数据，对后面依次采集的血管扫描数据进行标号，依次称为第2期相血管扫描数据、第3期相血管扫描数据、
……
、第10期相血管扫描数据等。可以理解的是，不同目标对象的心动周期的时长不同，对于每一目标对象，可检测该目标对象的心动周期的时长，并根据时长确定每一次进行数据扫描的时间间隔。
66.在本实施例中，对待检测血管按照等时间间隔采集预设周期内的多个血管扫描数据，并对多个血管扫描数据分别进行配准和分割，获取血管扫描数据中的血管分割数据，利用基于多期相血管扫描数据确定血管分割数据的方法可以避免因为单一期相血管扫描图像难以准确获取血管分割结果的问题，提高了血管扫描数据的分割结果的准确性。
67.可选的，通过预先设置的配准分割模型或者配准分割算法对多个血管扫描数据进行配准和分割，获取各血管扫描数据中的血管分割图像。此处对配准和分割的方式不作限定。通过对预设周期内的多个血管扫描数据进行配准，以降低血管运动导致的影响，通过对多个血管扫描数据进行分割，剔除血管扫描数据中其他组织数据对血管数据处理过程的干扰，便于对血管数据的后续处理。
68.s120、基于各血管分割数据提取血管位置点，并基于血管位置点在各血管扫描数据中的位置信息生成待检测血管在预设周期内的位移场数据。
69.其中，血管位置点具体可以理解为是血管分割数据中的血管轮廓上的点，可以通过轮廓点标记模型进行标记，还可以随机选取血管上的多个任意点作为血管位置点，此处不作限定。位移场数据具体可以理解为是表征各个血管位置点在预设周期内的位置坐标、位移及位移变化的数据，可以通过各个位置点在不同血管扫描数据中的位置信息进行计算。需要说明的是，各血管位置点在对应的血管分割数据中的位置信息可以通过三维坐标和/或二维坐标表示，此处不做限定。
70.具体的，可以通过血管位置点提取模型在各血管分割数据中提取血管位置点，同时标注各个血管位置点在血管扫描数据中的位置信息，可以采用三维坐标和二维坐标分别表示血管位置点对应的空间位置坐标和径向位置坐标。依据位置坐标信息生成待检测血管在预设周期内的位移场数据。
71.可选的，基于各血管分割数据提取血管位置点，包括：对于任一血管分割数据，确定当前血管分割数据的血管中心线以及血管中心线上的各中心点，并基于各中心点确定当前血管分割数据中血管截面轮廓的轮廓点云数据，其中，轮廓点云数据作为血管位置点。
72.其中，血管中心线具体可以理解为是血管的多个横截面的中心点相连构成的线，可以通过对血管分割数据中的血管细化算法进行细化处理得到中心线，也可以通过切割血管方法获取多个血管横截面积，依据横截面中心点计算算法确定中心点，并将各中心点连接起来，得到中心线。此处不作限定。轮廓点云数据具体可以理解为是不同期相血管扫描数据的血管分割数据对应的血管中心线上的中心点所在的血管横截面的轮廓上的点构成的数据。
73.具体的，可以通过血管细化算法获取血管分割数据的血管中心线，中心线上的点均是该血管的中心点，通过等间距采样法获取血管中心线上多个中心点，可以采用拉直曲
线重建算法获取各个中心点的横截面积，进而在横截面的轮廓上标记轮廓点，确定轮廓点云数据，即血管位置点。示例性的，等间距重采样为固定数量m，比如1024个中心点；对每个中心点，基于拉直曲线重建算法获取当前中心点的横截面，并根据分割结果获取轮廓点坐标，等间距重采样为固定数量n，比如512个轮廓点，进而生成能够用于指示血管边界的沿中心线多层分布的点云数据；在另外的期相中均以同样方法确定中心线并生成轮廓点云数据，可以理解的是，每一期相数据中的点的数量都是相同的，且数量均为1024
×
512。
74.可选的，基于各中心点确定当前血管分割数据中血管截面轮廓的轮廓点云数据，包括：对于任一中心点，对当前中心点进行扩展处理，得到当前中心点对应的血管截面轮廓；对血管截面轮廓进行采样处理，得到血管截面轮廓上的轮廓点的轮廓点数据。
75.具体的，对于中心线上的任一中心点，采用图像垂直膨胀方法对当前中心点进行扩展处理，得到该中心点对应的血管横截面的轮廓，即血管截面轮廓，按照等间距重采样的方法对血管截面轮廓进行点采样确定血管横截面的轮廓点，进而得到该血管横截面轮廓上的轮廓点的轮廓点数据。
76.可选的，基于血管位置点在各血管扫描数据中的位置信息生成待检测血管在预设周期内的位移场数据，包括：对于任一血管位置点，确定血管位置点在各个血管分割数据中的位置信息，基于多个血管分割数据的期相顺序和血管位置点在各个血管分割数据中的位置信息，生成待检测血管在预设周期内的位移场数据。
77.具体的，对于任一血管位置点，需要确定该血管位置点在各个血管分割图像中的位置信息，该血管位置点、位置点坐标信息及其所在的期相顺序共同作为该血管位置点的位移数据，结合所有期相血管扫描数据中的血管位置点的位移数据生成待检测血管在预设周期内的位移场数据。
78.在本实施例中，通过在各血管分割数据中提取血管位置点，引入轮廓点云的计算方法，确定血管位置点在各血管扫描数据中的位置信息，进而生成待检测血管在预设周期内的位移场数据，为后续计算各血管位置点的空间移动参数和目标位置点集提供了数据基础，有助于了解血管在心动周期的内的位移情况。
79.s130、基于位移场数据确定各血管位置点的空间移动参数，并基于空间移动参数确定血管中的目标位置点集。
80.其中，目标位置点集具体可以理解为满足运动条件的血管位置点的集合，例如可以是运动相对稳定的血管位置点的集合，此处目标位置点集可根据血管处理需求确定上述运动条件。目标位置点集可以通过空间移动参数的变化情况进行确定，比如，可以设置一定的变化阈值，如果血管位置点的空间移动参数值小于设置的变化阈值，那么可以判定当前血管位置点相对稳定，可以将其作为目标位置点。
81.具体的，通过对位移场数据执行位移算法处理，计算出各血管位置点的空间移动参数值，空间移动参数包含但不限于空间位移、平均位移、空间位移梯度等，通过设置阈值的方式确定目标位置点集，比对空间移动参数值与设置的阈值，满足空间移动参数值小于设置的阈值的条件，那么对应的血管位置点即为目标位置点，依此方法确定所有满足条件的血管位置点，得到血管中的目标位置点集。
82.可选的，空间移动参数包括平均位移、位移空间梯度和位移震荡指数的一项或多项；基于位移场数据确定各血管位置点的空间移动参数，包括如下的一项或多项：对于任一
血管位置点，基于血管位置点在预设周期内的多个位移数据的绝对值均值确定平均位移；基于血管位置点在预设周期内的位移变化率确定位移空间梯度；基于血管位置点在预设周期内的位移变化量与在预设周期移动路径总量的比例，确定位移震荡指数。
83.具体的，常见的位移为空间位移，定义为在空间方向上的位移，可以记为d，是个三维数据；另外，径向位移指的是沿血管壁轮廓径向的位移，即轮廓点到横截面的中心点的距离，记为r，是一维数据。其中，平均位移为一个心动周期t内每一血管位置点对应的多个位移数据的绝对值均值，计算公式如下：
[0084][0085][0086]
其中，前缀a表示average的缩写，ar表示径向位移绝对值均值，ad表示空间位移绝对值均值。
[0087]
位移空间梯度是一个心动周期t内每一血管位置点对应的位移的变化率，计算公式如下：
[0088][0089][0090][0091][0092]
其中，后缀g为gradient的缩写，rg表示径向位移的变化率，arg表示径向位移的变化率的均值，dg表示空间位移的变化率，adg表示空间位移的变化率的均值。其中，x、y、z分别为血管位置点对应的位移场数据。
[0093]
位移震荡指数是一个心动周期t内每一血管位置点随时间变化的位移
[0094]
变化量与移动路径总量的比例，计算公式如下：
[0095][0096][0097]
其中，前缀t为time缩写，tr表示径向位移震荡指数，td表示空间位移震荡指数。
[0098]
可选的，基于空间移动参数确定血管中的目标位置点集，包括：对于任一血管位置点，将血管位置点的平均位移、位移空间梯度和位移震荡指数的一项或多项分别与对应的阈值进行比对，得到比对结果；根据比对结果筛选满足运动稳定条件的血管位置点，形成目标位置点集。
[0099]
具体的，通过确定的各血管位置点的空间移动参数找出满足运动稳定条件的参数
对应的血管位置点，作为目标位置点，所有满足运动稳定条件的目标位置点的集合称为目标位置点集，其中，预设条件可以根据实际需求进行设定，可以对血管位置点的平均位移、位移空间梯度和位移震荡指数的一项或多项设置对应的阈值，比如，设置的运动稳定条件为：预先设定空间位移参数中的血管位置点的平均位移对应的一直为0.01，位移空间梯度为0.02，位移震荡指数对应的阈值为0.1，如果某一血管位置点的平均位移、位移空间梯度和位移震荡指数均小于等于设定的阈值，则可以判定这一血管位置点为目标位置点，依据此方法对其他位置点进行筛选，直至所有的位置点全部筛选完成，最后由所有的目标位置点形成目标位置点集。
[0100]
本实施例的技术方案，通过对多个血管扫描数据分别进行配准和分割处理，从处理结果中提取血管位置点，通过血管位置点信息确定对应的空间移动参数和目标位置点集，解决了无法准确确定血管的运动情况的问题，可以更加准确的确定血管上的位置点在心动周期中的空间移动情况，有助于提高血管图像处理技术的准确性。
[0101]
实施例二
[0102]
图2是本发明实施例二提供的一种血管图像处理方法的流程图，本实施例是上述实施例方法的优化方案，可选的，将多个血管扫描数据输入至预先训练的配准分割联合模型中，得到各血管扫描数据的初始分割数据和各血管扫描数据分别相对于基准血管扫描数据的配准变换矩阵；基于各配准变换矩阵分别对对应的初始分割数据进行转换处理，得到各血管扫描数据的血管分割数据。如图2所示，该方法包括：
[0103]
s210、获取待检测血管在预设周期内的多个血管扫描数据。
[0104]
s220、将多个血管扫描数据输入至预先训练的配准分割联合模型中，得到各血管扫描数据的初始分割数据和各血管扫描数据分别相对于基准血管扫描数据的配准变换矩阵。
[0105]
其中，初始分割数据具体可以理解为是通过预先训练的配准分割联合模型中的分割功能处理获得多个血管扫描数据而获得的分割数据，可以理解为是未进行配准的分割数据。基准血管扫描数据具体可以理解为是作为配准基准的血管扫描数据，可以从多个血管扫描数据中随机选取一个血管扫描数据作为基准血管扫描数据，还可以直接指定第一个期相血管扫描数据作为基准血管扫描数据，此处不做限定，示例性的，基准血管扫描数据可以是第一期相的血管扫描数据。配准变换矩阵具体可以理解为是一种用于将初始分割数据与基准血管扫描数据进行配准的参数，例如一个4
×
4变换矩阵，变换矩阵可以根据实际需要进行选择，此处不做限定。
[0106]
具体的，将获取的多个血管扫描数据输入至预先训练的配准分割联合模型中，通过模型的处理可以得到初始分割数据以及配准变换矩阵。在配准分割联合模型的训练过程中不断调整优化配准变换矩阵。需要说明的是，由于需要保留血管的径向的形变，本实施例中使用刚性配准的方法，即矩阵变换方程。
[0107]
可选的，配准分割联合模型的训练方法包括：获取多组血管样本数据，任一组血管样本数据为任一预设周期内的多个血管样本数据；基于多组血管样本数据执行以下迭代训练步骤，直到满足迭代停止条件得到训练完成的配准分割联合模型：
[0108]
步骤1：将任一组血管样本数据输入至待训练的配准分割联合模型中，得到血管样本数据分别对应的血管分割数据和配准结果；
[0109]
步骤2：基于血管样本数据对应的标签信息、血管样本数据对应的血管分割数据和配准结果确定联合模型损失，基于联合模型损失调整配准分割联合模型的参数。
[0110]
其中，迭代停止条件具体可以理解为是预先设置的模型训练结束的规则条件，比如可以是设置模型训练次数达到设定的阈值，还可以是根据模型损失小于设定的模型损失阈值，此处不做限定。配准结果具体可以理解为是血管分割数据通过配准变换矩阵进行刚性配准后得到的结果。配准变换矩阵是在待训练的配准分割联合模型的训练开始阶段预先设置在模型中的，在模型的训练过程中对配准变换矩阵进行调整优化。标签信息具体可以理解为是血管样本数据对应的属性信息，可以包含但不限于样本名称、样本形状、样本大小等信息，标签信息一般是在获取样本数据的时候标注的，需要说明的是，不是所有的样本数据都有标签信息。
[0111]
具体的，执行步骤1，将获取的任一预设周期内的多个血管样本数据作为输入参数输入至待训练的配准分割联合模型中，通过模型处理后，输出各个血管样本对应的血管分割数据和配准结果；执行步骤2，可以将血管样本数据对应的标签信息、血管样本数据对应的血管分割数据和配准结果代入配准结果损失函数，计算得到配准结果损失，即联合模型损失，将联合模型损失进行梯度回传，调整配准分割联合模型的参数。执行完步骤2之后，判断配准分割联合模型是否满足预设的迭代停止条件，如果满足，则模型训练结束，如果不满足，继续执行步骤1，直至得到满足迭代停止条件的配准分割联合模型。
[0112]
可选的，联合模型损失基于配准损失和分割损失确定；任一组血管样本数据中包括基准血管数据和运动血管数据；分割损失项基于基准血管数据对应的血管分割数据和基准血管数据对应的标签信息形成的第一损失项，和/或，运动血管数据对应的血管分割数据和运动血管数据对应的标签信息形成的第二损失项确定。
[0113]
其中，第一损失项指的是基准血管数据对应的血管分割数据和基准血管数据对应的标签信息形成的损失项，第二损失项指的是运动血管数据对应的血管分割数据和运动血管数据对应的标签信息形成的损失项。
[0114]
具体的，如果基准血管数据和运动血管数据均有标签，那么可以由第一损失项和第二损失项进行加权和得到分割结果损失的损失函数；如果只有基准血管数据有标签，那么可以由第一损失项作为分割结果损失的损失函数；如果只有运动血管数据有标签，那么可以由第二损失项作为分割结果损失的损失函数；确定分割结果损失的损失函数为：
[0115][0116]
其中，ls表示确定分割结果损失的损失函数，i
t
表示基准血管数据，im表示运动血管数据，s
t
表示基准血管数据对应的标签，sm表示运动血管数据对应的标签，pred()表示经配准分割联合模型预测得到的血管分割结果。可以理解的是，pred(i
t
)表示基准血管数据对应的血管分割结果，pred(im)表示运动血管数据对应的血管分割结果，ls(pred(i
t
),s
t
)为第一损失项，ls(pred(im),sm)为第二损失项。
[0117]
配准损失可以理解为是一种相似性损失，可以根据配准结果之间的相似性程度进行确定，分割损失可以根据分割结果之间的差异进行确定。从任一组血管样本数据选取基
准血管数据，其余的血管样本数据均作为运动血管数据。配准损失项基于如下的任一项得到：基于运动血管数据对应的配准结果对运动血管数据的标签信息进行配准处理，得到配准标签信息，基于配准标签信息与基准血管数据的标签信息生成配准损失项；基于运动血管数据对应的配准结果对血管分割数据进行配准处理，得到运动血管数据的配准分割结果，基于配准分割结果与基准血管数据的标签信息生成配准损失项；基于运动血管数据对应的配准结果对运动血管数据的标签信息进行配准处理，得到配准标签信息，基于配准标签信息与基准血管数据的血管分割数据生成配准损失项。
[0118]
确定配准损失的损失函数为：
[0119][0120]
其中，la表示确定配准损失的损失函数，i
t
表示基准血管数据，im表示运动血管数据，s
t
表示基准血管数据对应的标签，sm表示运动血管数据对应的标签，t表示刚性配准变换矩阵，pred()表示经配准分割联合模型预测得到的血管分割结果。可以理解的是，sm*t表示运动血管数据对应的标签的配准结果。pred(im)*t表示运动血管数据的配准结果。pred(i
t
)表示基准血管数据对应的血管分割结果。
[0121]
确定联合模型损失的损失函数可以为：
[0122]
l＝λsls+λala[0123]
其中，l表示确定联合模型损失的损失函数，la表示确定配准损失的损失函数，λa表示确定配准损失的损失函数的权重，ls表示确定分割结果损失的损失函数，λs表示确定分割结果损失的损失函数的权重。
[0124]
本实施例中，通过基于各血管样本数据对应的标签信息、血管样本数据对应的血管分割数据和配准结果确定配准损失和分割损失；对配准损失和分割损失进行加权处理确定联合模型损失。本方案考虑到配准损失和分割损失，在模型的训练过程中不断地依据对配准损失和分割损失进行加权处理确定联合模型损失调整优化联合模型，提高了配准分割联合模型对血管图像的分割准确度。
[0125]
s230、基于各配准变换矩阵分别对对应的初始分割数据进行转换处理，得到各血管扫描数据的血管分割数据。
[0126]
具体的，通过配准分割联合模型对血管扫描数据进行处理，可以得到每一个血管扫描数据的初始分割结果以及对应的配准变换矩阵，通过配准变换矩阵对初始分割数据进行转换处理，可以得到各血管扫描数据的血管分割数据。
[0127]
在本实施例中，通过已经训练好的配准变换矩阵对初始分割数据进行转换处理可以得到各血管扫描数据的血管分割数据，有助于提高血管分割数据的准确性。
[0128]
s240、基于各血管分割数据提取血管位置点，并基于血管位置点在各血管扫描数据中的位置信息生成待检测血管在预设周期内的位移场数据。
[0129]
s250、基于位移场数据确定各血管位置点的空间移动参数，并基于空间移动参数确定血管中的目标位置点集。
[0130]
本实施例的技术方案，通过基于各血管样本数据对应的标签信息、血管样本数据
对应的血管分割数据和配准结果确定配准损失和分割损失；对配准损失和分割损失进行加权处理确定联合模型损失，在模型的训练过程中不断地依据对配准损失和分割损失进行加权处理确定联合模型损失调整优化联合模型，提高了配准分割联合模型对血管图像的分割准确度。
[0131]
实施例三
[0132]
图3是本发明实施例三提供的一种血管图像处理装置的结构示意图。
[0133]
如图3所示，该装置包括：
[0134]
血管分割数据获取模块310，用于获取待检测血管在预设周期内的多个血管扫描数据，对多个血管扫描数据分别进行配准和分割，得到各血管扫描数据中的血管分割数据；
[0135]
位移场数据确定模块320，用于基于各血管分割数据提取血管位置点，并基于血管位置点在各血管扫描数据中的位置信息生成待检测血管在预设周期内的位移场数据；
[0136]
目标位置点集确定模块330，用于基于位移场数据确定各血管位置点的空间移动参数，并基于空间移动参数确定血管中的目标位置点集。
[0137]
可选的，血管分割数据获取模块310，具体用于：
[0138]
预设周期为心动周期，多个血管扫描数据为在心动周期内基于预设时间间隔进行血管扫描，得到的多期相血管扫描数据。
[0139]
对多个血管扫描数据分别进行配准和分割，得到各血管扫描数据中的血管分割数据，包括：
[0140]
将多个血管扫描数据输入至预先训练的配准分割联合模型中，得到各血管扫描数据的初始分割数据和各血管扫描数据分别相对于基准血管扫描数据的配准变换矩阵；
[0141]
基于各配准变换矩阵分别对对应的初始分割数据进行转换处理，得到各血管扫描数据的血管分割数据。
[0142]
配准分割联合模型的训练方法包括：
[0143]
获取多组血管样本数据，任一组血管样本数据为任一预设周期内的多个血管样本数据；
[0144]
基于多组血管样本数据执行以下迭代训练步骤，直到满足迭代停止条件得到训练完成的配准分割联合模型：
[0145]
将任一组血管样本数据输入至待训练的配准分割联合模型中，得到血管样本数据分别对应的血管分割数据和配准结果；
[0146]
基于血管样本数据对应的标签信息、血管样本数据对应的血管分割数据和配准结果确定联合模型损失，基于联合模型损失调整配准分割联合模型的参数。
[0147]
联合模型损失基于配准损失和分割损失确定；
[0148]
任一组血管样本数据中包括基准血管数据和运动血管数据；
[0149]
分割损失项基于基准血管数据对应的血管分割数据和基准血管数据对应的标签信息形成的第一损失项，和/或，运动血管数据对应的血管分割数据和运动血管数据对应的标签信息形成的第二损失项确定；
[0150]
配准损失项基于如下的任一项得到：基于运动血管数据对应的配准结果对运动血管数据的标签信息进行配准处理，得到配准标签信息，基于配准标签信息与基准血管数据的标签信息生成配准损失项；
[0151]
基于运动血管数据对应的配准结果对血管分割数据进行配准处理，得到运动血管数据的配准分割结果，基于配准分割结果与基准血管数据的标签信息生成配准损失项；
[0152]
基于运动血管数据对应的配准结果对运动血管数据的标签信息进行配准处理，得到配准标签信息，基于配准标签信息与基准血管数据的血管分割数据生成配准损失项。
[0153]
可选的，位移场数据确定模块320，具体用于：
[0154]
基于各血管分割数据提取血管位置点，包括：对于任一血管分割数据，确定当前血管分割数据的血管中心线以及血管中心线上的各中心点，并基于各中心点确定当前血管分割数据中血管截面轮廓的轮廓点云数据，其中，轮廓点云数据作为血管位置点。
[0155]
基于各中心点确定当前血管分割数据中血管截面轮廓的轮廓点云数据，包括：
[0156]
对于任一中心点，对当前中心点进行扩展处理，得到当前中心点对应的血管截面轮廓；
[0157]
对血管截面轮廓进行采样处理，得到血管截面轮廓上的轮廓点的轮廓点数据。
[0158]
基于血管位置点在各血管扫描数据中的位置信息生成待检测血管在预设周期内的位移场数据，包括：对于任一血管位置点，确定血管位置点在各个血管分割数据中的位置信息，基于多个血管分割数据的期相顺序和血管位置点在各个血管分割数据中的位置信息，生成待检测血管在预设周期内的位移场数据。
[0159]
目标位置点集确定模块330，具体用于：
[0160]
空间移动参数包括平均位移、位移空间梯度和位移震荡指数的一项或多项；基于位移场数据确定各血管位置点的空间移动参数，包括如下的一项或多项：对于任一血管位置点，基于血管位置点在预设周期内的多个位移数据的绝对值均值确定平均位移；基于血管位置点在预设周期内的位移变化率确定位移空间梯度；基于血管位置点在预设周期内的位移变化量与在预设周期移动路径总量的比例，确定位移震荡指数。
[0161]
基于空间移动参数确定血管中的目标位置点集，包括：对于任一血管位置点，将血管位置点的平均位移、位移空间梯度和位移震荡指数的一项或多项分别与对应的阈值进行比对，得到比对结果；根据比对结果筛选满足运动稳定条件的血管位置点，形成目标位置点集。
[0162]
本发明实施例所提供的血管图像处理装置可执行本发明任意实施例所提供的血管图像处理方法，具备执行方法相应的功能模块和有益效果。
[0163]
实施例四
[0164]
图4是本发明实施例四提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0165]
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种
适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0166]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0167]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如血管图像处理方法。
[0168]
在一些实施例中，血管图像处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的血管图像处理方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行血管图像处理方法。
[0169]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0170]
用于实施本发明的血管图像处理方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0171]
实施例五
[0172]
本发明实施例五还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行一种血管图像处理方法，该方法包括：
[0173]
获取待检测血管在预设周期内的多个血管扫描数据，对多个血管扫描数据分别进行配准和分割，得到各血管扫描数据中的血管分割数据；
[0174]
基于各血管分割数据提取血管位置点，并基于血管位置点在各血管扫描数据中的位置信息生成待检测血管在预设周期内的位移场数据；
[0175]
基于位移场数据确定各血管位置点的空间移动参数，并基于空间移动参数确定血
管中的目标位置点集。
[0176]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0177]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0178]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0179]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0180]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0181]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

技术特征：
1.一种血管图像处理方法，其特征在于，包括：获取待检测血管在预设周期内的多个血管扫描数据，对多个血管扫描数据分别进行配准和分割，得到各所述血管扫描数据中的血管分割数据；基于各所述血管分割数据提取血管位置点，并基于所述血管位置点在各所述血管扫描数据中的位置信息生成所述待检测血管在所述预设周期内的位移场数据；基于所述位移场数据确定各所述血管位置点的空间移动参数，并基于所述空间移动参数确定所述血管中的目标位置点集。2.根据权利要求1所述的方法，其特征在于，所述预设周期为心动周期，所述多个血管扫描数据为在所述心动周期内基于预设时间间隔进行血管扫描，得到的多期相血管扫描数据。3.根据权利要求1所述的方法，其特征在于，所述对多个血管扫描数据分别进行配准和分割，得到各所述血管扫描数据中的血管分割数据，包括：将所述多个血管扫描数据输入至预先训练的配准分割联合模型中，得到各所述血管扫描数据的初始分割数据和各所述血管扫描数据分别相对于基准血管扫描数据的配准变换矩阵；基于各所述配准变换矩阵分别对对应的所述初始分割数据进行转换处理，得到各所述血管扫描数据的血管分割数据。4.根据权利要求3所述的方法，其特征在于，所述配准分割联合模型的训练方法包括：获取多组血管样本数据，任一组所述血管样本数据为任一预设周期内的多个血管样本数据；基于所述多组血管样本数据执行以下迭代训练步骤，直到满足迭代停止条件得到训练完成的配准分割联合模型：将任一组所述血管样本数据输入至待训练的配准分割联合模型中，得到所述血管样本数据分别对应的血管分割数据和配准结果；基于所述血管样本数据对应的标签信息、所述血管样本数据对应的血管分割数据和配准结果确定联合模型损失，基于所述联合模型损失调整所述配准分割联合模型的参数。5.根据权利要求4所述的方法，其特征在于，所述联合模型损失基于配准损失和分割损失确定；所述任一组所述血管样本数据中包括基准血管数据和运动血管数据；所述分割损失项基于所述基准血管数据对应的血管分割数据和所述基准血管数据对应的标签信息形成的第一损失项，和/或，所述运动血管数据对应的血管分割数据和所述运动血管数据对应的标签信息形成的第二损失项确定；所述配准损失项基于如下的任一项得到：基于所述运动血管数据对应的配准结果对所述运动血管数据的标签信息进行配准处理，得到配准标签信息，基于所述配准标签信息与所述基准血管数据的标签信息生成配准损失项；基于所述运动血管数据对应的配准结果对血管分割数据进行配准处理，得到所述运动血管数据的配准分割结果，基于所述配准分割结果与所述基准血管数据的标签信息生成配准损失项；基于所述运动血管数据对应的配准结果对所述运动血管数据的标签信息进行配准处
理，得到配准标签信息，基于所述配准标签信息与所述基准血管数据的血管分割数据生成配准损失项。6.根据权利要求1所述的方法，其特征在于，所述基于各所述血管分割数据提取血管位置点，包括：对于任一血管分割数据，确定当前血管分割数据的血管中心线以及所述血管中心线上的各中心点，并基于各所述中心点确定所述当前血管分割数据中血管截面轮廓的轮廓点云数据，其中，所述轮廓点云数据作为所述血管位置点。7.根据权利要求6所述的方法，其特征在于，所述基于各所述中心点确定所述当前血管分割数据中血管截面轮廓的轮廓点云数据，包括：对于任一中心点，对所述当前中心点进行扩展处理，得到所述当前中心点对应的血管截面轮廓；对所述血管截面轮廓进行采样处理，得到所述血管截面轮廓上的轮廓点的轮廓点数据。8.根据权利要求1所述的方法，其特征在于，所述基于所述血管位置点在各所述血管扫描数据中的位置信息生成所述待检测血管在所述预设周期内的位移场数据，包括：对于任一血管位置点，确定所述血管位置点在各个所述血管分割数据中的位置信息，基于多个所述血管分割数据的期相顺序和所述血管位置点在各个所述血管分割数据中的位置信息，生成所述待检测血管在所述预设周期内的位移场数据。9.根据权利要求1所述的方法，其特征在于，所述空间移动参数包括平均位移、位移空间梯度和位移震荡指数的一项或多项；所述基于所述位移场数据确定各所述血管位置点的空间移动参数，包括如下的一项或多项：对于任一血管位置点，基于所述血管位置点在所述预设周期内的多个位移数据的绝对值均值确定所述平均位移；基于所述血管位置点在所述预设周期内的位移变化率确定所述位移空间梯度；基于所述血管位置点在所述预设周期内的位移变化量与在所述预设周期移动路径总量的比例，确定所述位移震荡指数。10.根据权利要求1所述的方法，其特征在于，所述基于所述空间移动参数确定所述血管中的目标位置点集，包括：对于任一所述血管位置点，将所述血管位置点的平均位移、位移空间梯度和位移震荡指数的一项或多项分别与对应的阈值进行比对，得到比对结果；根据所述比对结果筛选满足运动稳定条件的血管位置点，形成目标位置点集。11.一种血管图像处理装置，其特征在于，包括：血管分割数据获取模块，用于获取待检测血管在预设周期内的多个血管扫描数据，对多个血管扫描数据分别进行配准和分割，得到各所述血管扫描数据中的血管分割数据；位移场数据确定模块，用于基于各所述血管分割数据提取血管位置点，并基于所述血管位置点在各所述血管扫描数据中的位置信息生成所述待检测血管在所述预设周期内的位移场数据；目标位置点集确定模块，用于基于所述位移场数据确定各所述血管位置点的空间移动
参数，并基于所述空间移动参数确定所述血管中的目标位置点集。12.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序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权利要求1-10中任一项所述的血管图像处理方法。13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-10中任一项所述的血管图像处理方法。

技术总结
本发明公开了一种血管图像处理方法、装置、电子设备及存储介质。包括：获取待检测血管在预设周期内的多个血管扫描数据，对多个血管扫描数据分别进行配准和分割，得到各血管扫描数据中的血管分割数据；基于各血管分割数据提取血管位置点，并基于血管位置点在各血管扫描数据中的位置信息生成待检测血管在预设周期内的位移场数据；基于位移场数据确定各血管位置点的空间移动参数，并基于空间移动参数确定血管中的目标位置点集。本发明通过对多个血管扫描数据分别进行配准和分割处理，从处理结果中提取血管位置点，通过血管位置点信息确定对应的空间移动参数和目标位置点集，提高血管图像处理技术的准确性。像处理技术的准确性。像处理技术的准确性。


技术研发人员：刘洵 陈树湛
受保护的技术使用者：上海博动医疗科技股份有限公司
技术研发日：2023.07.11
技术公布日：2023/10/15