[发明专利]X光造影图像血管分割与识别方法及装置

说明书

本发明提供一种X光造影图像血管分割与识别方法及装置，方法包括：将冠脉造影图像输入至血管分割与识别网络中的编码器，输出所述冠脉造影图像的特征图；将所述编码器输出的特征图分别输入至所述血管分割与识别网络中的分割解码器和识别解码器，通过所述分割解码器输出所述冠脉造影图像的分割结果，通过所述识别解码器输出所述冠脉造影图像的识别结果；其中，所述血管分割与识别网络是基于冠脉造影图像样本、预先确定的各冠脉造影图像样本的分割结果和预先确定的血管类型标签进行训练后得到。本发明使用训练的血管分割与识别网络能获取更精确的识别和分割结果。

技术领域

本发明属于图像处理技术领域，尤其涉及一种X光造影图像血管分割与识别方法及装置。

背景技术

冠脉造影图像是目前诊断冠心病常用的图像，医生在观察冠脉造影图像时主要注意力集中在冠脉的几个主要分支，主要观察狭窄、闭塞、血栓以及钙化等病变。因此，精准的血管分割和分支识别是十分迫切的。

血管识别旨在为图像中血管结构部分提供对应类别的语义信息.传统方法主要通过基于跟踪和模型引导(Model-Guided)算法来标注血管分支类别。然而这些方法通常需要对应的3D(Three-Dimensional，三维)血管模型，依赖人工干预或者需要人工精心设计的特征，无法应对冠脉造影图像中多种投影角度可能导致的血管重叠与交叉以及血管长度的变化。

深度学习方法，特别是CNN(Convolutional Neural Network，卷积神经网络)近年来在冠脉造影图像分割取得了突破。通常采用类U-net的结构进行端对端地训练，得到二分类分割结果。然而这些方法在处理血管识别任务时会面临许多挑战。主要由于1)冠脉造影图像投影角度不同带来的复杂性如血管交叉与分叉问题等；2)不同血管结构带来的巨大差异；3)血管每个类别像素样本数量严重不平衡，难以优化；4)背景像素与前景血管像素的巨大数量差异带来的学习不平衡。

综上所述，由于上述问题导致在对冠脉造影图像进行分割和识别时，分割结果和识别结果不精确。

发明内容

为克服上述现有的X光造影图像血管分割与识别方法存在分割结果和识别结果不精确的问题或者至少部分地解决上述问题，本发明实施例提供一种X光造影图像血管分割与识别方法及装置。

根据本发明实施例的第一方面，提供一种X光造影图像血管分割与识别方法，包括：

将冠脉造影图像输入至血管分割与识别网络中的编码器，输出所述冠脉造影图像的特征图；

将所述编码器输出的特征图分别输入至所述血管分割与识别网络中的分割解码器和识别解码器，通过所述分割解码器输出所述冠脉造影图像的分割结果，通过所述识别解码器输出所述冠脉造影图像的识别结果；

其中，所述血管分割与识别网络是基于冠脉造影图像样本、预先确定的各冠脉造影图像样本的分割结果和预先确定的血管类型标签进行训练后得到。

根据本发明实施例的第二方面，提供一种X光造影图像血管分割与识别装置，包括：

编码模块，用于将冠脉造影图像输入至血管分割与识别网络中的编码器，输出所述冠脉造影图像的特征图；

分割与识别模块，用于将所述编码器输出的特征图分别输入至所述血管分割与识别网络中的分割解码器和识别解码器，通过所述分割解码器输出所述冠脉造影图像的分割结果，通过所述识别解码器输出所述冠脉造影图像的识别结果；

其中，所述血管分割与识别网络是基于冠脉造影图像样本、预先确定的各冠脉造影图像样本的分割结果和预先确定的血管类型标签进行训练后得到。

根据本发明实施例的第三个方面，还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的X光造影图像血管分割与识别方法。