基于cta的头颈血管狭窄检测方法、装置、设备及介质
技术领域
1.本技术涉及计算机技术领域，特别涉及为一种基于cta的头颈血管狭窄检测方法、装置、设备及介质。
背景技术：2.头颈部cta（包括：颅内cta和/或颈部cta和/或头颈部cta）常用于血管堵塞、畸型或软斑等脑血管疾病检查，具备较强的时间和空间的屏幕分辨率，能多方位地对头颈部血管开展合理的观查。头颈部血管分析需要对动脉血管进行精准分割。因此有很多传统算法，近来也出现了ai算法。
3.但是受颅骨、造影剂浓度以及血管病变的影响，基于ai直接分割血管进行狭窄检测与分析，对于血管狭窄的检测与分析,存在精度不足的缺陷。
技术实现要素：4.基于此，本技术提出了一种基于cta的头颈血管狭窄检测方法、装置、计算设备及存储介质，实现了精准地对血管进行分割以及精准地对血管狭窄进行检测。
5.为实现上述目的，本技术第一方面提供一种基于cta的头颈血管狭窄检测方法，包括：获取待预测的头颈cta影像数据；将所述头颈cta影像数据作为血管分割模型的输入，获取所述血管分割模型输出的预测血管掩膜，所述预测血管掩膜中包括血管掩膜和血管病变掩膜；将所述头颈cta影像数据作为非血管分割模型的输入，获取所述非血管分割模型输出的预测骨骼掩膜和预测血管病变掩膜；从所述预测血管掩膜中去除所述预测骨骼掩膜和所述预测血管病变掩膜得到实际血管掩膜；根据所述预测血管掩膜计算得到血管中轴线上的各个中轴点坐标，基于每个所述中轴点坐标进行拟合修正，得到修正后的各个中轴点坐标；基于所述修正后的各个中轴点坐标对血管进行分类，每一类对应一条血管；针对每一条血管，沿着血管中轴线提取对应的血管截面掩膜，基于提取到的连通域数量对血管进行分段，得到血管分段结果；对于每一段血管，基于每一段血管对应的实际血管掩膜计算得到每个中轴点对应的血管截面面积，得到具有方向连续性的所有血管的直径；将直径最小的坐标点作为每一段血管的最狭窄处，直径最大的坐标点作为每一段血管的最大直径；根据所述最狭窄处和所述最大直径计算得到每一段血管的狭窄程度。
6.为实现上述目的，本技术第二方面提供一种基于cta的头颈血管狭窄检测装置，包括：
获取模块，用于获取待预测的头颈cta影像数据；第一预测模块，用于将所述头颈cta影像数据作为血管分割模型的输入，获取所述血管分割模型输出的预测血管掩膜，所述预测血管掩膜中包括血管掩膜和血管病变掩膜；第二预测模块，用于将所述头颈cta影像数据作为非血管分割模型的输入，获取所述非血管分割模型输出的预测骨骼掩膜和预测血管病变掩膜；去除模块，用于从所述预测血管掩膜中去除所述预测骨骼掩膜和所述预测血管病变掩膜得到实际血管掩膜；修正模块，用于根据所述预测血管掩膜计算得到血管中轴线上的各个中轴点坐标，基于每个所述中轴点坐标进行拟合修正，得到修正后的各个中轴点坐标；分类模块，用于基于所述修正后的各个中轴点坐标对血管进行分类，每一类对应一条血管；分段模块，用于针对每一条血管，沿着血管中轴线提取对应的血管截面掩膜，基于提取到的连通域数量对血管进行分段，得到血管分段结果；第一计算模块，用于对于每一段血管，基于每一段血管对应的实际血管掩膜计算得到每个中轴点对应的血管截面面积，得到具有方向连续性的所有血管的直径；第二计算模块，用于将直径最小的坐标点作为每一段血管的最狭窄处，直径最大的坐标点作为每一段血管的最大直径，根据所述最狭窄处和所述最大直径计算得到每一段血管的狭窄程度。
7.为实现上述目的，本技术第三方面提供一种基于计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：获取待预测的头颈cta影像数据；将所述头颈cta影像数据作为血管分割模型的输入，获取所述血管分割模型输出的预测血管掩膜，所述预测血管掩膜中包括血管掩膜和血管病变掩膜；将所述头颈cta影像数据作为非血管分割模型的输入，获取所述非血管分割模型输出的预测骨骼掩膜和预测血管病变掩膜；从所述预测血管掩膜中去除所述预测骨骼掩膜和所述预测血管病变掩膜得到实际血管掩膜；根据所述预测血管掩膜计算得到血管中轴线上的各个中轴点坐标，基于每个所述中轴点坐标进行拟合修正，得到修正后的各个中轴点坐标；基于所述修正后的各个中轴点坐标对血管进行分类，每一类对应一条血管；针对每一条血管，沿着血管中轴线提取对应的血管截面掩膜，基于提取到的连通域数量对血管进行分段，得到血管分段结果；对于每一段血管，基于每一段血管对应的实际血管掩膜计算得到每个中轴点对应的血管截面面积，得到具有方向连续性的所有血管的直径；将直径最小的坐标点作为每一段血管的最狭窄处，直径最大的坐标点作为每一段血管的最大直径；根据所述最狭窄处和所述最大直径计算得到每一段血管的狭窄程度。
8.为实现上述目的，本技术第四方面提供一种计算机可读存储介质，包括：存储有计
算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：获取待预测的头颈cta影像数据；将所述头颈cta影像数据作为血管分割模型的输入，获取所述血管分割模型输出的预测血管掩膜，所述预测血管掩膜中包括血管掩膜和血管病变掩膜；将所述头颈cta影像数据作为非血管分割模型的输入，获取所述非血管分割模型输出的预测骨骼掩膜和预测血管病变掩膜；从所述预测血管掩膜中去除所述预测骨骼掩膜和所述预测血管病变掩膜得到实际血管掩膜；根据所述预测血管掩膜计算得到血管中轴线上的各个中轴点坐标，基于每个所述中轴点坐标进行拟合修正，得到修正后的各个中轴点坐标；基于所述修正后的各个中轴点坐标对血管进行分类，每一类对应一条血管；针对每一条血管，沿着血管中轴线提取对应的血管截面掩膜，基于提取到的连通域数量对血管进行分段，得到血管分段结果；对于每一段血管，基于每一段血管对应的实际血管掩膜计算得到每个中轴点对应的血管截面面积，得到具有方向连续性的所有血管的直径；将直径最小的坐标点作为每一段血管的最狭窄处，直径最大的坐标点作为每一段血管的最大直径；根据所述最狭窄处和所述最大直径计算得到每一段血管的狭窄程度。
9.上述基于cta的头颈血管狭窄检测方法、装置、设备及存储介质，首先，将头颈cta影像数据分别作为血管分割模型和非血管分割模型的输入，血管分割模型用于输出包括有血管病变掩膜的预测血管掩膜，非血管分割模型用于输出预测骨骼掩膜和预测血管病变掩膜；然后，从预测血管掩膜中去除预测骨骼掩膜和预测血管病变掩膜得到实际血管掩膜，这样就能够排除血管病变和骨骼的影响，提取到准确的血管掩膜，有利于后续进行准确的血管狭窄检测。另外，为了让血管分割模型学习更为规则和平滑的分割任务，降低血管分割模型的学习难度，这里的血管分割模型学习到的血管掩膜分割是包含有血管病变掩膜的。
10.进一步的，为了确保提取到正确的血管走向，在进行血管中轴线提取时是基于预测血管掩膜进行提取的，相对于直接基于实际血管掩膜进行中轴线提取的方式，该方式能够更加准确地提取到血管中轴线，这是因为实际血管由于病变的原因血流会处于狭窄或完全闭塞的状态，只看实际血管掩膜的话，影像上血管的连续性和大小规则都会变差很多。
11.为了获取到更加准确的中轴线，对提取的血管中轴线上的各个中轴点进行拟合修正，得到修正后的各个中轴点坐标，即得到了更加准确的中轴线；进而为了对血管狭窄进行准确分析，先对血管进行了分类，然后再分段，最后基于每一段血管进行血管狭窄分析有利于更加精准地进行狭窄检测。
12.另外，针对每一段血管，为了更加准确地对血管狭窄进行分析，首先计算得到具有方向连续性的所有血管的直径，然后根据该具有方向连续性的血管直径分析出最狭窄处以及最大直径，然后根据所述最狭窄处和所述最大直径计算得到每一段血管的狭窄程度。该方法实现了精准地对血管进行分割以及精准地对血管狭窄进行检测。
附图说明
13.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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技术的一些实施例，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。
14.其中：图1为一个实施例中基于cta的头颈血管狭窄检测方法的流程图；图2为一个实施例中训练数据获取的方法流程图；图3为一个实施例中基于cta的头颈血管狭窄检测装置的结构框图；图4为一个实施例中计算机设备的内部结构图。
具体实施方式
15.应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
16.下面将结合本技术的实施例中的附图，对本技术的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技术的一部分实施例，而不是全部的实施例。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。
17.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“包括”、“包含”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。在本技术的权利要求书、说明书以及说明书附图中的术语，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体/操作/对象与另一个实体/操作/对象区分开来，而不一定要求或者暗示这些实体/操作/对象之间存在任何这种实际的关系或者顺序。
18.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其他实施例相结合。
19.如图1所示，提出了一种基于cta的头颈血管狭窄检测方法，包括：步骤102，获取待预测的头颈cta影像数据。
20.其中，cta（ct血管成像）是通过外周静脉内注射对比剂扫描得到的，常用于基于三维成像诊断血管性疾病。这里的头颈cta影像数据可以为头部cta数据、颈部cta数据，也可以同时包括头部和颈部cta数据。
21.步骤104，将头颈cta影像数据作为血管分割模型的输入，获取血管分割模型输出的预测血管掩膜，血管分割模型是基于血管与血管病变掩膜为标注进行训练得到的，预测血管掩膜中包括血管掩膜和血管病变掩膜。
22.其中，血管分割模型用于根据头颈cta影像数据识别输出预测血管掩膜，该血管分割模型在训练时是以血管+血管病变掩膜作为标注的，这样得到的血管分割模型在预测时得到预测血管掩膜也是包含有血管掩膜和血管病变掩膜的。
23.步骤106，将头颈cta影像数据作为非血管分割模型的输入，获取非血管分割模型输出的预测骨骼掩膜和预测血管病变掩膜。
24.其中，非血管分割模型用于根据头颈cta影像数据识别得到预测骨骼掩膜和预测血管病变掩膜。该非血管分割模型训练时是分别将骨骼掩膜的标注和血管病变掩膜的标注作为期望输出训练得到的。这里设置单独的骨骼分割，是因为在cta影像里面，血管和骨骼都是影像高亮的表现，设置单独的骨骼分割，可以避免出现假阳性的分割结果。
25.步骤108，从预测血管掩膜中去除预测骨骼掩膜和预测血管病变掩膜得到实际血管掩膜。
26.其中，为了得到精确的实际血管掩膜，从预测血管掩膜中去掉预测骨骼掩膜和预测血管病变掩膜。去掉了预测血管病变掩膜可以得到更加精确的血管掩膜，然后再去除预测骨骼掩膜可以避免因为血管和骨骼的黏连出现假阳性的分割结果。
27.步骤110，根据预测血管掩膜计算得到血管中轴线上的各个中轴点坐标，基于每个中轴点坐标进行拟合修正，得到修正后的各个中轴点坐标。
28.其中，为了提取到准确的中轴线，这里是基于预测血管掩膜进行提取的，而不是基于实际血管掩膜，这是因为实际血管由于病变的原因血流会处于狭窄或完全闭塞的状态，只看实际血管掩膜的话，影像上血管的连续性和大小规则都会变差很多。所以这里为了提取到更加准确的中轴点，是基于预测血管掩膜进行提取的，预测血管掩膜中包括了血管病变部分，在提取中轴线时不会因为血管中存在病变导致提取不到准确的中轴线。
29.基于得到预测血管掩膜首先提取得到血管的初始中轴线，初始中轴线是由一个个中轴点坐标组成的，为了使得提取到的中轴线更加准确，在初始中轴线的基础上对每个中轴点坐标进行椭圆拟合修正，得到修正后的各个中轴点坐标。这样就得到了修正后的比较准确的中轴线。
30.步骤112，基于修正后的各个中轴点坐标对血管进行分类，每一类对应一条血管。
31.其中，分类是指对空间上分离的血管分别归为不同的类，每一类对应一条血管。在一个实施例中，基于修正后的血管中轴点坐标, 以最底层的中轴点坐标为初始点p1，计算与初始点三维距离最近的点，作为关联点p2；然后将p2作为初始点，寻找与p2三维距离最近的点p3，以此类推，将这种具有关联关系的点都归为一类p1。然后对于未被纳入a1的中轴点坐标，重新确认初始点进行关联点的计算，然后将得到的具有关联关系的点归为a2，然后继续对未被纳入a1和a2的点进行归类计算，直到所有的中轴点坐标全部被归类。
32.步骤114，针对每一条血管，沿着血管中轴线提取对应的血管截面掩膜，基于提取到的连通域数量对血管进行分段，得到血管分段结果。
33.其中，对于一条血管可能会存在多个分支，为了后续进行狭窄检测，对一条血管进行分段，即存在分支的地方分为不同的段。沿着血管中轴线分别提取每个中轴点对应的血管截面掩膜，计算血管截面掩膜区域内的连通域数量，当沿着血管中轴线方向连续提取到多个血管截面掩膜的连通域数量均大于或等于2，则将该连续区域视为血管的分段区域。假设在该连续区域之前未形成多个连通域的区域为第n段血管，那么形成2个连通域后分别得到n+1、n+2段血管。
34.步骤116，对于每一段血管，基于每一段血管对应的实际血管掩膜计算得到每个中轴点对应的血管截面面积，基于每个中轴点对应的血管截面面积计算得到具有方向连续性
的连续血管直径。
35.其中，在对血管进行分段后，针对每一段血管，分别基于对应的实际血管掩膜计算得到每个中轴点对应的血管截面面积，然后基于每个血管截面面积计算得到相应的直径，根据计算得到的每个中轴点对应的直径得到具有方向连续性的连续血管直径，连续血管直径是按照血管的方向由很多个中轴点对应的直径排布得到的。
36.步骤118，将直径最小的坐标点作为每一段血管的最狭窄处，直径最大的坐标点作为每一段血管的最大直径。
37.其中，对于每一段血管而言，找到直径最小的以及直径最大的。
38.步骤120，根据最狭窄处和最大直径计算得到每一段血管的狭窄程度。
39.在一个实施例中，将最狭窄处的直径与最大直径的比值作为该处血管的狭窄程度。在另一个实施例中，根据最大直径减去最狭窄处的直径然后占最大直径的比值作为狭窄程度的衡量。
40.上述基于cta的头颈血管狭窄检测方法，首先，将头颈cta影像数据分别作为血管分割模型和非血管分割模型的输入，血管分割模型用于输出包括有血管病变掩膜的预测血管掩膜，非血管分割模型用于输出预测骨骼掩膜和预测血管病变掩膜；然后，从预测血管掩膜中去除预测骨骼掩膜和预测血管病变掩膜得到实际血管掩膜，这样就能够排除血管病变和骨骼的影响，提取到准确的血管掩膜，有利于后续进行准确的血管狭窄检测。另外，为了让血管分割模型学习更为规则和平滑的分割任务，降低血管分割模型的学习难度，这里的血管分割模型学习到的血管掩膜分割是包含有血管病变掩膜的。
41.进一步的，为了确保提取到正确的血管走向，在进行血管中轴线提取时是基于预测血管掩膜进行提取的，相对于直接基于实际血管掩膜进行中轴线提取的方式，该方式能够更加准确地提取到血管中轴线，这是因为如果血管中有病变，基于实际血管掩膜提取血管中轴线时容易出现异常。
42.为了获取到更加准确的中轴线，对提取的血管中轴线上的各个中轴点进行拟合修正，得到修正后的各个中轴点坐标，即得到了更加准确的中轴线；进而为了对血管狭窄进行准确分析，先对血管进行了分类，然后再分段，最后基于每一段血管进行血管狭窄分析有利于更加精准地进行狭窄检测。
43.另外，针对每一段血管，为了更加准确地对血管狭窄进行分析，首先计算得到具有方向连续性的所有血管的直径，然后根据该具有方向连续性的血管直径分析出最狭窄处以及最大直径，然后根据所述最狭窄处和所述最大直径计算得到每一段血管的狭窄程度。该方法实现了精准地对血管进行分割以及精准地对血管狭窄进行检测。
44.如图2所示，在一个实施例中，所述血管分割模型和所述非血管分割模型的训练数据采用如下方式获取：步骤202，获取对头颈部cta影像训练数据的人工标注，人工标注包括：血管掩膜的标注mask_a、血管病变掩膜的标注mask_b、骨骼掩膜的标注mask_c和血管+血管病变掩膜的标注mask_d；其中，由专业医生手动对头颈部cta影像数据（ct血管成像）进行标注，分别得到血管mask_a、血管病变mask_b、骨骼mask_c的掩膜,以及血管+血管病变的掩膜mask_d。血管+血管病变的掩膜是指包括血管掩膜和血管病变掩膜。
45.部分血管由于病变的原因，血流会处于狭窄或者完全闭塞的状态，只学习血管mask_a的话，影像上血管的连续性和大小规则性都会变差很多。为了让后续血管分割模型学习到更为规则和平滑的分割任务，降低模型学习难度，将血管+血管病变的掩膜作为学习的对象（对应血管分割模型），然后再针对血管病变部分和骨骼部分单独学习（非血管分割模型）。
46.对于血管分割模型为了使得用于学习训练的数据更加准确规则，还需要对血管+血管病变的掩膜进行处理，基于处理后的血管+血管病变掩膜对血管分割模型进行训练，具体的处理方式如下文。
47.步骤204，基于血管+血管病变掩膜的标注mask_d进行中轴线的中轴点提取，并对提取的中轴点进行拟合处理，得到修正后的血管中轴点坐标。
48.其中，基于血管+血管病变掩膜进行中轴线的中轴点的提取能够更加准确地提取到中轴点，然后并对提取到的中轴点进行拟合修正，可以得到更为精准的中轴点坐标。拟合可以采用椭圆拟合的方式，当然也可以采用其他拟合方式。
49.步骤206，基于修正后的血管中轴点坐标进行归类，每一类对应一条血管。
50.其中，同上，分类是指对空间上分离的血管分别归为不同的类，每一类对应一条血管。
51.步骤208，针对每一条血管，基于血管掩膜的标注mask_a、血管病变掩膜的标注mask_b确定血管中轴线上各个中轴点对应的血管截面掩膜和血管病变截面掩膜。
52.其中，基于血管掩膜的标注mask_a可以提取到每个中轴点对应的血管截面掩膜；基于血管病变掩膜的标注mask_b可以提取到每个中轴点对应的血管病变截面掩膜（如果有的话），血管病变截面掩膜可以为空，只有存在病变的地方中轴点才会存在对应的血管病变截面掩膜，即并不是每个中轴点都会对应有血管病变掩膜。
53.步骤210，基于各个中轴点对应的血管截面掩膜和血管病变截面掩膜生成与整条血管对应的完整且规则的目标训练血管掩膜，目标训练血管掩膜包括：血管掩膜和血管病变掩膜。
54.其中，在已知每个中轴点对应的血管截面掩膜和血管病变截面掩膜，需要说明的是，血管病变截面掩膜可以为空，只有存在病变的地方才会存在对应的血管病变截面掩膜，就可以确定该中轴点对应的目标训练血管截面掩膜，该目标训练血管截面掩膜是根据血管截面掩膜和血管病变截面掩膜共同作用得到的（比如，取两者的并集）。根据各个中轴点对应的目标训练血管截面掩膜按照顺序位置关系就可以得到目标训练血管掩膜。
55.步骤212，将头颈部cta影像训练数据作为血管分割模型的输入，将每条血管对应的目标训练血管掩膜作为期望的输出对血管分割模型进行训练，将头颈部cta影像训练数据作为非血管分割模型的输入，将血管病变掩膜的标注mask_b、骨骼掩膜的标注mask_c作为期望的输出对非血管分割模型进行训练。
56.其中，将处理得到的目标训练血管掩膜作为期望的输出对血管分割模型进行训练，这样得到的血管分割模型能够提取到比较完整且规则的预测血管掩膜。
57.上述血管分割模型的训练数据不是直接采用人工标注的血管+血管病变掩膜，而是基于人工标注的血管+血管病变掩膜进行进一步的处理，通过处理可以提取到完整且规则的目标训练血管掩膜，使得血管分割模型学习更为规则和平滑的分割任务，大大降低了
模型学习难度。
58.在一个实施例中，所述针对每一条血管，基于所述血管掩膜的标注mask_a、血管病变掩膜的标注mask_b确定一条血管中轴线上各个中轴点对应的血管截面掩膜和血管病变截面掩膜，包括：针对每一条血管，对血管中轴线上的任一中轴点坐标pn，获取前一中轴点坐标p
n-1
和后一中轴点坐标p
n+1
，计算所述前一中轴点坐标和后一中轴点坐标计算得到所述中轴点坐标pn对应的血管方向向量及法平面；通过所述中轴点坐标pn对应的血管方向向量及法平面从所述血管掩膜的标注mask_a、血管病变掩膜的标注mask_b中获取得到对应所述中轴点坐标pn的血管截面掩膜、血管病变截面掩膜。
59.其中，一条完整血管，即对应一组中轴坐标p；在坐标组p内，对任意一点pn，通过其前一中轴点坐标p
n-1
与后一中轴点坐标p
n+1
，计算得到对应中轴点坐标pn的血管方向向量及法平面。通过pn的坐标，方向向量及法向量，可从mask_a，mask_b 中，获得对应该中轴点坐标pn的血管截面掩膜ya，血管病变截面掩膜yb。相对于传统的方式，通过上述确定每个中轴点对应的血管截面掩膜和血管病变截面掩膜的方式使得能够提取到血管截面掩膜和血管病变截面掩膜更加的精确。
60.在一个实施例中，所述基于各个中轴点对应的血管截面掩膜和血管病变截面掩膜生成与整条血管对应的完整且规则的目标训练血管掩膜，所述目标训练血管掩膜包括：血管掩膜和血管病变掩膜，包括：将面积最大的血管截面掩膜对应的中轴点坐标作为起始点，将所述面积最大的血管截面掩膜作为标准截面掩膜；获取所述起始点的相邻中轴点坐标对应的血管截面掩膜和血管病变截面掩膜；取所述相邻中轴点坐标对应的血管截面掩膜和血管病变截面掩膜的并集，将所述并集与所述标准截面掩膜在所述中轴线方向的投影重叠区域作为所述相邻中轴点的目标血管截面掩膜，所述目标血管截面掩膜包括：血管截面掩膜和血管病变截面掩膜；将所述相邻中轴点对应的目标血管截面掩膜作为新的标准截面掩膜，将新的标准截面掩膜对应的中轴点坐标作为新的起始点，进入所述提取所述起始点的相邻中轴点坐标的血管截面掩膜和血管病变截面掩膜的步骤，直到提取得到整条血管每个中轴点对应的目标血管截面掩膜，所述整条血管每个中轴点对应的目标血管截面掩膜构成了所述整条血管对应的所述目标训练血管掩膜。
61.其中，在已知每个中轴点对应的血管截面掩膜后，获取面积最大的血管截面掩膜，将该最大的血管截面掩膜对应的中轴点坐标作为起始点，然后并将该最大的血管截面掩膜作为标准截面掩膜，一般来说，面积最大的血管截面掩膜对应的中轴点的位置是不存在血管病变截面掩膜的，所以直接可以将该最大面积的血管截面掩膜作为标准截面掩膜。
62.然后获取该起始点的相邻中轴点坐标对应的血管截面掩膜ya和血管病变截面掩膜yb（如果有的话）,然后取血管截面掩膜ya和血管病变截面掩膜yb的并集，进而将该并集与标准截面掩膜在中轴线方向的投影重叠区域作为该相邻中轴点的目标血管截面掩膜。此次类推，循环迭代完成之后得到了每个中轴点对应的目标血管截面掩膜。需要说明的是，中轴点对应的血管病变截面掩膜可以为空，即不存在相应的血管病变截面掩膜。上述方式提取到了规则且完整的目标训练血管掩膜，有利于后续模型学习到更为规则和平滑的分割任务，降低模型学习难度。
63.在一个实施例中，上述方法还包括：当所述狭窄程度大于预设阈值时，则判定为存在狭窄血管；计算血管最狭窄处与血管病变掩膜之间的最近距离；若所述最近距离小于预设距离，则将血管病变作为狭窄原因。
64.其中，在一个实施例中，将狭窄率小于70%的血管，视为存在狭窄的血管;计算该血管最狭窄处与血管病变掩膜之间的最近距离，若距离小于10个像素，则将该病变视为该狭窄处的原因。通过计算血管病变掩膜与最狭窄处之间的最近距离就可以明确血管病变是不是狭窄的原因，这大大提高了血管狭窄检测的效率和准确度。
65.在一个实施例中，所述根据所述预测血管掩膜计算得到血管中轴线上的各个中轴点坐标，基于每个所述中轴点坐标进行拟合修正，得到修正后的各个中轴点坐标，包括：基于所述预测血管掩膜采用三维骨架提取方法计算得到血管的初始中轴线；沿着cta影像的z轴方向，从头颈底部往大脑方向，遍历所述初始中轴线上的中轴点坐标；针对每一所述中轴点坐标，以所述中轴点坐标为中心，提取预设范围内的预测血管掩膜，得到与所述中轴点坐标对应的局部血管掩膜；提取所述局部血管掩膜的轮廓点，基于提取到的轮廓点进行椭圆拟合，将所述中轴点坐标拟合为椭圆的中心点坐标，得到修正后的中轴点坐标。
66.上述利用三维骨架提取方法提取到初始中轴线上，针对每个中轴点坐标进行椭圆拟合修正，使得修正后的中轴点坐标更加准确。
67.在一个实施例中，所述基于所述修正后的各个中轴点坐标对血管进行分类，每一类对应一条血管，包括：获取所述血管中处于最底层的中轴点坐标作为基准点；计算与所述基准点三维距离最近的点，作为所述基准点的关联点，将所述基准点与所述关联点归为一类；将所述基准点的关联点更新为新的基准点，进入计算与所述基准点三维距离最近的点，作为所述基准点的关联点的步骤，直到迭代到血管最后一个点，将本次迭代到的所有点归为一类；对于未迭代到的中轴点，获取未迭代到的中轴点中处于最底层的中轴点，作为基准点，进入所述计算与所述基准点三维距离最近的点，作为所述基准点的关联点的步骤，直到所有中轴点都全部被归类。
68.其中，为了对血管进行分类，上述提出了一种逐点聚类的方式，将同一类归为一条血管，便于后续基于分类的结果进行分段。
69.在一个实施例中，所述针对每一条血管，沿着血管中轴线提取对应的血管截面掩膜，基于提取到的连通域数量对血管进行分段，得到血管分段结果，包括：沿着血管中轴线方向依次提取多个血管截面掩膜；确定每个所述血管截面掩膜中包含的连通域数量；若所述多个血管截面掩膜包含的连通域数量均大于或等于2，则将形成多个连通域的连续区域进行血管分段。
70.其中，根据血管截面掩膜中连通域数量来确定是否进行血管分段。具体地，计算二值血管截面掩膜区域内的连通域数量，当沿着血管中轴线方向连续提取的三个血管截面掩膜连通域数量均大于等于2，则将该连续区域视为血管的分段区域，未形成多个连通域的区域为第n段血管，则形成多个连通域后的分别为第n+1、n+2段血管。
71.在一个实施例中，所述对于每一段血管，基于每一段血管对应的实际血管掩膜计算得到每个中轴点对应的血管截面面积，基于每个中轴点对应的血管截面面积计算得到具有方向连续性的连续血管直径，包括：基于实际血管掩膜计算得到每个中轴点对应的血管截面面积；将与所述血管截面面积相等的近似圆形的直径作为相应血管截面对应的血管直
径；按照血管中轴点的顺序得到具有方向连续性的连续血管直径；所述方法还包括：计算所述连续血管直径的直径变化梯度，将前后梯度变化大于预设梯度的异常数据剔除。
72.其中，基于实际血管掩膜提取到每个中轴点对应的血管截面掩膜，计算得到该血管截面掩膜的血管截面面积，然后将与该血管截面面积相等的近似圆形的直径作为对应血管截面的血管直径，按照中轴点的位置顺序得到具有方向连续性的连续血管直径，计算直径大小变化的梯度r’，将前后具有较大反向梯度的异常数据剔除。通过进行血管直径的计算，剔除异常数据后，可以得到整条血管各个地方的血管直径，进而可以计算得到最狭窄处和最大直径，从而可以更加准确地对血管狭窄进行检测评价。
73.如图3所示，在一个实施例中，提出了一种基于cta的头颈血管狭窄检测装置，包括：获取模块302，用于获取待预测的头颈cta影像数据；第一预测模块304，用于将所述头颈cta影像数据作为血管分割模型的输入，获取所述血管分割模型输出的预测血管掩膜，所述血管分割模型是基于血管与血管病变掩膜为标注进行训练得到的，所述预测血管掩膜中包括血管掩膜和血管病变掩膜；第二预测模块306，用于将所述头颈cta影像数据作为非血管分割模型的输入，获取所述非血管分割模型输出的预测骨骼掩膜和预测血管病变掩膜；去除模块308，用于从所述预测血管掩膜中去除所述预测骨骼掩膜和所述预测血管病变掩膜得到实际血管掩膜；修正模块310，用于根据所述预测血管掩膜计算得到血管中轴线上的各个中轴点坐标，基于每个所述中轴点坐标进行拟合修正，得到修正后的各个中轴点坐标；分类模块312，用于基于所述修正后的各个中轴点坐标对血管进行分类，每一类对应一条血管；分段模块314，用于针对每一条血管，沿着血管中轴线提取对应的血管截面掩膜，基于提取到的连通域数量对血管进行分段，得到血管分段结果；第一计算模块316，用于对于每一段血管，基于每一段血管对应的实际血管掩膜计算得到每个中轴点对应的血管截面面积，得到具有方向连续性的所有血管的直径；第二计算模块318，用于将直径最小的坐标点作为每一段血管的最狭窄处，直径最大的坐标点作为每一段血管的最大直径，根据所述最狭窄处和所述最大直径计算得到每一段血管的狭窄程度。
74.图4示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是服务器，也可以是终端。如图4所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质有存储操作系统，还可有存储计算机程序，该计算机程序被处理器执行时，可使得处理器实现上述的基于cta的头颈血管狭窄检测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行上述的基于cta的头颈血管狭窄检测方法。本领域技术人员可以理解，图4中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的设备的限定，具体的设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
75.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，所述存储器有存
储计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述基于cta的头颈血管狭窄检测方法的步骤。
76.在一个实施例中，提出了一种计算机可读存储介质，有存储计算机程序，计算机程序被处理器执行时，使得处理器执行上述基于cta的头颈血管狭窄检测方法的步骤。
77.可以理解的是，上述基于cta的头颈血管狭窄检测方法、装置、计算机设备以及计算机可读存储介质属于一个总的发明构思，实施例可相互适用。
78.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink) dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
79.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
80.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。
技术特征：1.一种基于cta的头颈血管狭窄检测方法，其特征在于，包括：获取待预测的头颈cta影像数据，所述头颈cta影像数据包括：颅内cta影像数据、颈部cta影像数据、头颈部cta影像数据中的至少一种；将所述头颈cta影像数据作为血管分割模型的输入，获取所述血管分割模型输出的预测血管掩膜，所述血管分割模型是基于血管与血管病变掩膜为标注进行训练得到的，所述预测血管掩膜中包括血管掩膜和血管病变掩膜；将所述头颈cta影像数据作为非血管分割模型的输入，获取所述非血管分割模型输出的预测骨骼掩膜和预测血管病变掩膜；从所述预测血管掩膜中去除所述预测骨骼掩膜和所述预测血管病变掩膜得到实际血管掩膜；根据所述预测血管掩膜计算得到血管中轴线上的各个中轴点坐标，基于每个所述中轴点坐标进行拟合修正，得到修正后的各个中轴点坐标；基于所述修正后的各个中轴点坐标对血管进行分类，每一类对应一条血管；针对每一条血管，沿着血管中轴线提取对应的血管截面掩膜，基于提取到的连通域数量对血管进行分段，得到血管分段结果；对于每一段血管，基于每一段血管对应的实际血管掩膜计算得到每个中轴点对应的血管截面面积，基于每个中轴点对应的血管截面面积计算得到具有方向连续性的连续血管直径；将所述连续血管直径中直径最小的坐标点作为每一段血管的最狭窄处，直径最大的坐标点作为每一段血管的最大直径；根据所述最狭窄处和所述最大直径计算得到每一段血管的狭窄程度。2.根据权利要求1所述的方法，其特征在于，所述血管分割模型和所述非血管分割模型的训练数据采用如下方式获取：获取对头颈部cta影像训练数据的人工标注，所述人工标注包括：血管掩膜的标注mask_a、血管病变掩膜的标注mask_b、骨骼掩膜的标注mask_c和血管+血管病变掩膜的标注mask_d；基于所述血管+血管病变掩膜的标注mask_d进行中轴线的中轴点提取，并对提取的中轴点进行拟合处理，得到修正后的血管中轴点坐标；基于所述修正后的血管中轴点坐标进行归类，每一类对应一条血管；针对每一条血管，基于所述血管掩膜的标注mask_a、血管病变掩膜的标注mask_b确定血管中轴线上各个中轴点对应的血管截面掩膜和血管病变截面掩膜；基于各个中轴点对应的血管截面掩膜和血管病变截面掩膜生成与整条血管对应的完整且规则的目标训练血管掩膜，所述目标训练血管掩膜包括：血管掩膜和血管病变掩膜；将所述头颈部cta影像训练数据作为血管分割模型的输入，将每条血管对应的目标训练血管掩膜作为期望的输出对所述血管分割模型进行训练；将所述头颈部cta影像训练数据作为非血管分割模型的输入，将血管病变掩膜的标注mask_b、骨骼掩膜的标注mask_c作为期望的输出对所述非血管分割模型进行训练。3.根据权利要求2所述的方法，其特征在于，所述针对每一条血管，基于所述血管掩膜的标注mask_a、血管病变掩膜的标注mask_b确定一条血管中轴线上各个中轴点对应的血管
截面掩膜和血管病变截面掩膜，包括：针对每一条血管，对血管中轴线上的任一中轴点坐标p
n
，获取前一中轴点坐标p
n-1
和后一中轴点坐标p
n+1
，计算所述前一中轴点坐标和后一中轴点坐标计算得到所述中轴点坐标p
n
对应的血管方向向量及法平面；通过所述中轴点坐标p
n
对应的血管方向向量及法平面从所述血管掩膜的标注mask_a、血管病变掩膜的标注mask_b中获取得到对应所述中轴点坐标p
n
的血管截面掩膜、血管病变截面掩膜。4.根据权利要求2所述的方法，其特征在于，所述基于各个中轴点对应的血管截面掩膜和血管病变截面掩膜生成与整条血管对应的完整且规则的目标训练血管掩膜，所述目标训练血管掩膜包括：血管掩膜和血管病变掩膜，包括：将面积最大的血管截面掩膜对应的中轴点坐标作为起始点，将所述面积最大的血管截面掩膜作为标准截面掩膜；获取所述起始点的相邻中轴点坐标对应的血管截面掩膜和血管病变截面掩膜；取所述相邻中轴点坐标对应的血管截面掩膜和血管病变截面掩膜的并集，将所述并集与所述标准截面掩膜在所述中轴线的方向的投影重叠区域作为所述相邻中轴点的目标血管截面掩膜，所述目标血管截面掩膜包括：血管截面掩膜和血管病变截面掩膜；将所述相邻中轴点对应的目标血管截面掩膜作为新的标准截面掩膜，将新的标准截面掩膜对应的中轴点坐标作为新的起始点，进入所述提取所述起始点的相邻中轴点坐标的血管截面掩膜和血管病变截面掩膜的步骤，直到提取得到整条血管每个中轴点对应的目标血管截面掩膜，所述整条血管每个中轴点对应的目标血管截面掩膜构成了所述整条血管对应的所述目标训练血管掩膜。5.根据权利要求1所述的方法，其特征在于，所述根据所述预测血管掩膜计算得到血管中轴线上的各个中轴点坐标，基于每个所述中轴点坐标进行拟合修正，得到修正后的各个中轴点坐标，包括：基于所述预测血管掩膜采用三维骨架提取方法计算得到血管的初始中轴线；沿着cta影像的z轴方向，从头颈底部往大脑方向，遍历所述初始中轴线上的中轴点坐标；针对每一所述中轴点坐标，以所述中轴点坐标为中心，提取预设范围内的预测血管掩膜，得到与所述中轴点坐标对应的局部血管掩膜；提取所述局部血管掩膜的轮廓点，基于提取到的轮廓点进行椭圆拟合，将所述中轴点坐标拟合为椭圆的中心点坐标，得到修正后的中轴点坐标。6.根据权利要求1所述的方法，其特征在于，所述基于所述修正后的各个中轴点坐标对血管进行分类，每一类对应一条血管，包括：获取所述血管中处于最底层的中轴点坐标作为基准点；计算与所述基准点三维距离最近的点，作为所述基准点的关联点，将所述基准点与所述关联点归为一类；将所述基准点的关联点更新为新的基准点，进入计算与所述基准点三维距离最近的点，作为所述基准点的关联点的步骤，直到迭代到血管最后一个点，将本次迭代到的所有点归为一类；
对于未迭代到的中轴点，获取未迭代到的中轴点中处于最底层的中轴点，作为基准点，进入所述计算与所述基准点三维距离最近的点，作为所述基准点的关联点的步骤，直到所有中轴点都全部被归类。7.根据权利要求1所述的方法，其特征在于，所述对于每一段血管，基于每一段血管对应的实际血管掩膜计算得到每个中轴点对应的血管截面面积，基于每个中轴点对应的血管截面面积计算得到具有方向连续性的连续血管直径，包括：基于实际血管掩膜计算得到每个中轴点对应的血管截面面积；将与所述血管截面面积相等的近似圆形的直径作为相应血管截面对应的血管直径；按照血管中轴点的顺序得到具有方向连续性的连续血管直径；所述方法还包括：计算所述连续血管直径的直径变化梯度，将前后梯度变化大于预设梯度的异常数据剔除。8.一种基于cta的头颈血管狭窄检测装置，其特征在于，包括：获取模块，用于获取待预测的头颈cta影像数据；第一预测模块，用于将所述头颈cta影像数据作为血管分割模型的输入，获取所述血管分割模型输出的预测血管掩膜，所述血管分割模型是基于血管与血管病变掩膜为标注进行训练得到的，所述预测血管掩膜中包括血管掩膜和血管病变掩膜；第二预测模块，用于将所述头颈cta影像数据作为非血管分割模型的输入，获取所述非血管分割模型输出的预测骨骼掩膜和预测血管病变掩膜；去除模块，用于从所述预测血管掩膜中去除所述预测骨骼掩膜和所述预测血管病变掩膜得到实际血管掩膜；修正模块，用于根据所述预测血管掩膜计算得到血管中轴线上的各个中轴点坐标，基于每个所述中轴点坐标进行拟合修正，得到修正后的各个中轴点坐标；分类模块，用于基于所述修正后的各个中轴点坐标对血管进行分类，每一类对应一条血管；分段模块，用于针对每一条血管，沿着血管中轴线提取对应的血管截面掩膜，基于提取到的连通域数量对血管进行分段，得到血管分段结果；第一计算模块，用于对于每一段血管，基于每一段血管对应的实际血管掩膜计算得到每个中轴点对应的血管截面面积，得到具有方向连续性的所有血管的直径；第二计算模块，用于将直径最小的坐标点作为每一段血管的最狭窄处，直径最大的坐标点作为每一段血管的最大直径，根据所述最狭窄处和所述最大直径计算得到每一段血管的狭窄程度。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述的基于cta的头颈血管狭窄检测方法的步骤。10.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述的基于cta的头颈血管狭窄检测方法的步骤。
技术总结本申请提供了一种基于CTA的头颈血管狭窄检测方法，该方法包括：获取待预测的头颈CTA影像数据，分别作为血管分割模型和非血管分割模型的输入，获取血管分割模型输出的预测血管掩膜，非血管分割模型输出的预测骨骼掩膜和预测血管病变掩膜；从预测血管掩膜中去除预测骨骼掩膜和预测血管病变掩膜得到实际血管掩膜；根据预测血管掩膜计算并修正得到各个中轴点坐标；基于修正后的各个中轴点坐标对血管进行分类以及分段；基于每一段血管对应的实际血管掩膜计算得到每个中轴点对应的血管截面面积，得到具有方向连续性的连续血管直径；根据连续血管直径确定最狭窄处和最大直径，进而确定狭窄程度。该方法提高了血管分割的精度和血管狭窄检测的精度。检测的精度。检测的精度。
技术研发人员：王思伦 肖焕辉
受保护的技术使用者：深圳市铱硙医疗科技有限公司
技术研发日：2022.05.24
技术公布日：2022/7/5
