[发明专利]通过图神经网络的链路预测进行血管分割的方法和装置

说明书

本发明提供一种通过图神经网络的链路预测进行血管分割的方法和装置，所述通过图神经网络的链路预测进行血管分割的方法，包括：将待测血管图像输入至U‑net模型，获取由U‑net模型输出的目标第一邻接矩阵；基于待测血管图像的节点集、边集和目标第一邻接矩阵，生成目标血管连通图。本发明的通过图神经网络的链路预测进行血管分割的方法，通过优化后的U‑net模型基于待测血管图像生成对应有较优连通性以及拓展性的目标第一邻接矩阵，然后基于节点集、边集和目标第一邻接矩阵生成目标血管连通图，能够显著增强血管的拓扑结构和连通性，从而提高血管图像的分割效率和效果。

技术领域

本发明涉及血管图像分割技术领域，尤其涉及一种通过图神经网络的链路预测进行血管分割的方法和装置。

背景技术

血管图像分割技术被广泛应用于冠状动脉异常变化诊断上，图神经网络(GNN)被引入医学图像分割领域，基于GNN的模型通常将图像切分成不重叠的子区域，并从其中取一些像素进行采样来构建图节点及其特征，然而这种图构建方式会产生许多冗余和孤立的节点，从而增加图构建和训练过程中的计算成本，且最终分割结果中关于血管分割结果的拓扑结构和连通性的效果不佳。

发明内容

本发明提供一种通过图神经网络的链路预测进行血管分割的方法和装置，用以解决现有技术中血管分割结果的拓扑结构和连通性的效果不佳的缺陷，实现高效的血管图像分割。

本发明提供一种通过图神经网络的链路预测进行血管分割的方法，包括：

将待测血管图像输入至U-net模型，获取由所述U-net模型输出的目标第一邻接矩阵；

基于所述待测血管图像的节点集、边集和所述目标第一邻接矩阵，生成目标血管连通图；

其中，所述U-net模型为，以带边标签的样本血管图像为训练样本，基于目标损失函数，训练得到。

根据本发明提供的一种通过图神经网络的链路预测进行血管分割的方法，在所述将待测血管图像输入至U-net模型之前，所述方法包括：

基于所述样本血管图像的节点集和边集，生成样本第一邻接矩阵；

基于节点特征和所述样本第一邻接矩阵，预测节点之间的链路，生成第二邻接矩阵；

基于所述样本第一邻接矩阵和所述第二邻接矩阵，确定所述目标损失函数。

根据本发明提供的一种通过图神经网络的链路预测进行血管分割的方法，所述基于所述样本血管图像的节点集和边集，生成样本第一邻接矩阵，包括：

对所述节点集中目标节点进行聚类，生成与所述目标节点对应的簇；

基于所述目标节点对应的簇和所述簇中每个像素点的特征，生成所述目标节点对应的节点特征；

基于所述节点特征之间的余弦相似度，生成所述样本第一邻接矩阵。

根据本发明提供的一种通过图神经网络的链路预测进行血管分割的方法，所述基于节点特征和所述样本第一邻接矩阵，预测节点之间的链路，生成第二邻接矩阵，包括：

基于图卷积对所述节点特征进行编码，生成节点嵌入表示；

使用内积对所述节点嵌入表示进行解码，生成所述第二邻接矩阵。

根据本发明提供的一种通过图神经网络的链路预测进行血管分割的方法，所述使用内积对所述节点嵌入表示进行解码，生成所述第二邻接矩阵，包括：

基于公式：

withZ＝Encoder(f,A)