图像处理方法及相关装置、电子设备和存储介质与流程

1.本技术涉及图像处理技术领域，特别是涉及一种图像处理方法及相关装置、电子设备和存储介质。


背景技术：

2.血管图像在辅助医生进行手术规划等场景中具有极其重要的意义。例如，在头颈cta(computed tomography angiography，计算机断层造影)中，通过一系列操作可以获取到诸如颈内动脉、椎动脉的cpr(curved-planar reconstruction，曲面重建)影像，以提供医生丰富的头颈部位相关信息。
3.目前，仍需医生基于血管图像进行手动分析处理，才能得到最终的血管区域。然而，这一过程通常非常繁琐和耗时，从而影响医生工作效率。有鉴于此，如何提高血管区域的检测效率成为亟待解决的问题。


技术实现要素：

4.本技术提供一种图像处理方法及相关装置、电子设备和存储介质。
5.本技术第一方面提供了一种图像处理方法，包括：对待测血管图像进行轮廓检测，得到血管的第一图像区域；识别第一图像区域中各个像素点所属的血管类别，并在第一图像区域提取表征血管路径的若干第一像素点；其中，血管类别包含若干预设类别；基于属于参考类别的参考像素点，分别对属于相同血管类别的第一像素点进行路径分析，得到各个血管类别的血管路径；其中，参考类别的血管在若干预设类别的血管中处于预设位置；基于血管路径，对第一图像区域进行优化，得到属于目标类别的目标血管区域。
6.因此，对待测血管图像进行轮廓检测，得到血管的第一图像区域，并识别第一图像区域中各个像素点所属的血管类别，以及在第一图像区域提取表征血管路径的若干第一像素点，且血管类别包含若干预设类别，在此基础上，基于属于参考类别的参考像素点，分别对属于相同血管类别的第一像素点进行路径的分析，得到各个血管类别的血管路径，且参考类别的血管在若干预设类别的血管中处于预设位置，并基于血管路径，对第一图像区域进行优化，得到属于目标类别的目标血管区域，一方面由于无需手动处理分析图像得到血管区域，有利于提升图像检测效率，另一方面在路径分析过程中，通过在若干预设类别的血管中处于预设位置的参考类别的血管下属参考像素点，来对属于相同血管类别的第一像素点分析得到该血管类别的血管路径，有利于尽可能地排除干扰，提升图像检测的准确性。
7.其中，基于属于参考类别的参考像素点，分别对属于相同血管类别的第一像素点进行路径分析，得到各个血管类别的血管路径，包括：将各个血管类别分别作为当前类别；基于属于当前类别的各个第一像素点分别至参考像素点的距离，确定当前类别的血管路径终点；基于血管路径终点，顺次连接属于当前类别的各个第一像素点，得到当前类别的血管路径。
8.因此，将各个血管类别分别作为当前类别，并基于当前类别的各个第一像素点分
别至参考像素点的距离，确定当前类别的血管路径终点，以及基于血管路径终点，顺次连接属于当前类别的各个第一像素点，得到当前类别的血管路径，即能够在路径分析过程中，先确定出血管路径终点，再根据血管路径终点连接各个第一像素点得到血管路径，尽可能地避免其他类别对当前类别路径分析的影响，有利于提升检测速度。
9.其中，预设位置为居中位置，血管路径终点为距离最大的第一像素点；和/或，属于当前类别的各个第一像素点是采用最短路径算法顺次连接的。
10.因此，将预设位置设置为居中位置，并将血管路径终点设置为距离最大的第一像素点，能够大大降低确定血管路径终点的复杂度，有利于进一步提升检测速度；而采用最短路径算法顺次连接属于当前类别的各个第一像素点得到血管路径，能够有利于大大降低连接第一像素点出错的概率，提升血管路径的准确性。
11.其中，在基于血管路径终点，顺次连接属于当前类别的各个第一像素点，得到当前类别的血管路径之后，方法还包括：检查是否存在相同血管类别的血管路径；响应于存在相同血管类别的血管路径，连接相同血管类别的血管路径。
12.因此，在得到当前类别的血管路径之后，进一步检查是否存在相同血管类别的血管路径，并响应于存在相同血管类别的血管路径，连接相同血管类别的血管路径，能够大大缓解由于血管狭窄、造影等原因导致的血管影像断裂问题，有利于提升检测准确性。
13.其中，基于血管路径，对第一图像区域进行优化，得到属于目标类别的目标血管区域，包括：基于各个血管类别的血管路径，裁剪不属于目标类别的血管区域，得到第二图像区域；对于第二图像区域中各个像素点，基于像素点对应的第一距离与像素点对应的第二距离之间的偏差，剔除偏差满足预设条件的像素点，得到属于目标类别的目标血管区域；其中，第一距离表示像素点分别到各第一像素点的最近距离，第二距离表示像素点到目标路径的最近距离。
14.因此，基于各个血管类别的血管路径，裁剪不属于目标类别的血管区域，得到第二图像区域，在此基础上，对第二图像区域中各个像素点，基于像素点对应的第一距离与像素点对应的第二距离之间的偏差，剔除偏差满足预设条件的像素点，得到属于目标类别的目标血管区域，一方面能够剪除无关类别的血管区域，另一方面通过度量第一距离与第二距离之间的偏差，并剔除偏差满足预设条件的像素点，能够进一步优化血管区域，有利于提升血管区域的准确性。
15.其中，血管路径以血管中心线表示，图像处理方法包括：分别将目标路径上各个第一像素点作为当前像素点；获取目标路径在当前像素点处的法向参考在第二图像区域的截断参考；将位于截断参考的中心位置处的像素点，作为当前像素点对应的第二像素点；连接各个第一像素点对应的第二像素点，得到优化后的目标路径；其中，在待测血管图像为三维图像的情况下，法向参考为法平面，截断参考为截断面，在待测血管图像为二维图像的情况下，法向参考为法线，截断参考为截断线。
16.因此，血管路径以血管中心线表示，在度量第二距离之前，先分别对目标路径上各个第一像素点作为当前像素点，并获取目标路径在当前像素点处的法向参考在第二图像区域的截断参考，以及将位于截断参考中心位置处的像素点，作为当前像素点对应的第二像素点，基于此，再连接各个第一像素点对应的第二像素点，优化得到目标路径，且在待测血管图像为三维图像的情况下，法向参考为法平面，截断参考为截断面，在待测血管图像为二
维图像的情况下，法向参考为法线，截断参考为截断线，即在度量第二距离之前，进一步优化目标路径，能够提升目标路径的准确性，有利于最终优化得到的血管区域的准确性。
17.其中，偏差为第一距离和第二距离之差的绝对值，预设条件包括偏差大于距离阈值；和/或，像素点对应的偏差是由gpu并行计算的。
18.因此，偏差设置为第一距离和第二距离之差的绝对值，且预设条件设置为包括偏差大于距离阈值，故能够剔除偏差过大的像素点，有利于降低剔除像素点的复杂度，而由gpu并行计算各个像素点对应的偏差，能够提升偏差整体的计算速度，从而有利于提升检测效率。
19.其中，识别第一图像区域中各个像素点所属的血管类别，包括：基于各个像素点分别在待测血管图像中的像素值，得到第一图像数据，并基于各个像素点分别与参考位置之间的偏移值，得到第二图像数据；其中，第一图像数据包括各个像素点的像素值，第二图像数据包括各个像素点对应的偏移值；融合第一图像数据和第二图像数据，得到融合图像数据；利用识别模型对融合图像数据进行识别，得到各个像素点所属的血管类别。
20.因此，基于各个像素点分别在待测血管图像中的像素值，得到第一图像数据，并基于各个像素点分别与参考位置之间的偏移值，得到第二图像数据，且第一图像数据包括各个像素点的像素值，第二图像数据包括各个像素点对应的偏移值，在此基础上，融合第一图像数据和第二图像数据，得到融合图像数据，并利用识别模型对融合图像数据进行识别，得到各个像素点所属的血管类别，故在类别识别过程中，一方面参考第一图像数据所代表的纹理特征信息，另一方面能够参考第二图像数据所代表的几何特征信息，有利于提升血管类别识别的准确性。
21.其中，在利用识别模型对融合图像数据进行识别，得到各个像素点所属的血管类别之前，方法还包括：在融合图像数据提取若干子图像数据；其中，若干子图像数据的集合覆盖第一图像区域；利用识别模型对融合图像数据进行识别，得到各个像素点所属的血管类别，包括：利用识别模型分别对若干子图像数据进行识别，得到各个子图像数据对应的类别识别结果；其中，类别识别结果包括像素点分别属于若干预设类别的概率值；基于各个子图像数据对应的类别识别结果，得到各个像素点所属的血管类别。
22.因此，在利用识别模型对融合图像数据进行识别之前，先在融合图像数据中提取若干子图像数据，且若干子图像数据的集合能够覆盖第一图像区域，在此基础上，利用识别模型分别对若干子图像数据进行识别，得到各个子图像数据对应的类别识别结果，且类别识别结果包括像素点分别属于若干预设类别的概率值，再基于各个子图像数据对应的类别识别结果，得到各个像素点所属的血管类别，故能够通过将对融合图像数据的整体识别转换为对各个子图像数据的子图识别，有利于大大减少计负荷，提升检测速度。
23.其中，若干预设类别包括：主动脉、左颈外动脉、右颈外动脉、左锁骨下动脉、右锁骨下动脉、左颈内动脉、右颈内动脉、左椎动脉、右椎动脉，参考类别包括主动脉，目标类别包括：左颈内动脉、右颈内动脉、左椎动脉、右椎动脉。
24.因此，将若干预设类别设置为包括：主动脉、左颈外动脉、右颈外动脉、左锁骨下动脉、右锁骨下动脉、左颈内动脉、右颈内动脉、左椎动脉、右椎动脉，参考类别设置为包括主动脉，目标类别设置为包括：左颈内动脉、右颈内动脉、左椎动脉、右椎动脉，即能够应用于头颈动脉的血管检测过程中，并检测获取颈内动脉和椎动脉的血管区域，有利于在头颈部
位提供丰富的辅助信息。
25.本技术第二方面提供了一种图像处理装置，包括：轮廓检测模块、类别识别模块、路径分析模块和区域优化模块，轮廓检测模块用于对待测血管图像进行轮廓检测，得到血管的第一图像区域；类别识别模块用于识别第一图像区域中各个像素点所属的血管类别，并在第一图像区域提取表征血管路径的若干第一像素点；其中，血管类别包含若干预设类别；路径分析模块用于基于属于参考类别的参考像素点，分别对属于相同血管类别的第一像素点进行路径分析，得到各个血管类别的血管路径；其中，参考类别的血管在若干预设类别的血管中处于预设位置；区域优化模块用于基于血管路径，对第一图像区域进行优化，得到属于目标类别的目标血管区域。
26.本技术第三方面提供了一种电子设备，包括相互耦接的存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述第一方面中的图像处理方法。
27.本技术第四方面提供了一种计算机可读存储介质，其上存储有程序指令，程序指令被处理器执行时实现上述第一方面中的图像处理方法。
28.上述方案，对待测血管图像进行轮廓检测，得到血管的第一图像区域，并识别第一图像区域中各个像素点所属的血管类别，以及在第一图像区域提取表征血管路径的若干第一像素点，且血管类别包含若干预设类别，在此基础上，基于属于参考类别的参考像素点，分别对属于相同血管类别的第一像素点进行路径的分析，得到各个血管类别的血管路径，且参考类别的血管在若干预设类别的血管中处于预设位置，并基于血管路径，对第一图像区域进行优化，得到属于目标类别的目标血管区域，一方面由于无需手动处理分析图像得到血管区域，有利于提升图像检测效率，另一方面在路径分析过程中，通过在若干预设类别的血管中处于预设位置的参考类别的血管下属参考像素点，来对属于相同血管类别的第一像素点分析得到该血管类别的血管路径，有利于尽可能地排除干扰，提升图像检测的准确性。
附图说明
29.图1是本技术图像处理方法一实施例的流程示意图；
30.图2识别模型一实施例的框架示意图；
31.图3是本技术图像处理装置一实施例的框架示意图；
32.图4是本技术电子设备一实施例的框架示意图；
33.图5是本技术计算机可读存储介质一实施例的框架示意图。
具体实施方式
34.下面结合说明书附图，对本技术实施例的方案进行详细说明。
35.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本技术。
36.本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
37.请参阅图1，图1是本技术图像处理方法一实施例的流程示意图。
38.具体而言，可以包括如下步骤：
39.步骤s11：对待测血管图像进行轮廓检测，得到血管的第一图像区域。
40.在一个实施场景中，为了提升轮廓检测效率，可以预先训练一个轮廓检测模型，基于此，可以利用轮廓检测模型对待测血管图像进行轮廓检测，得到血管的第一图像区域。轮廓检测模型具体可以包括但不限于u-net等，在此对轮廓检测模型的网络结构不做限定。需要说明的是，在训练轮廓检测模型过程中，可以预先采集若干样本血管图像，且样本血管图像标注有属于血管的样本图像区域，基于此可以利用轮廓检测模型对样本血管图像进行轮廓检测，得到样本血管图像中各个样本像素点是否属于血管的样本检测结果，在此基础上，可以将属于血管的样本像素点所形成的连通域作为预测血管区域，从而可以基于样本血管区域与预测血管区域之间的差异，调整轮廓检测网络的网络参数。具体来说，可以基于诸如交叉熵损失函数、dice loss等损失函数度量样本血管区域与预测血管区域之间的差异，可以基于诸如梯度下降等优化方式调整网络参数，具体过程可以分别参阅上述损失函数及优化方式的技术细节，在此不再赘述。此外，在训练得到轮廓检测模型之后，可以利用该轮廓检测对待测血管图像进行检测，得到待测血管图像中各个像素点是否属于血管的检测结果，在此基础上，可以将属于血管的像素点所形成的连通域作为血管的第一图像区域。
41.在一个实施场景中，为了提升图像对比度，并尽可能地排除无关区域对轮廓检测的干扰，以提升轮廓检测的准确性，在进行轮廓检测之前，可以先对待测血管图像进行预处理操作，且预处理操作具体可以包括但不限于：加窗、归一化等，在此不做限定。以待测血管图像是ct(computed tomography，计算机断层扫描)图像为例，可以利用预设窗宽、预设窗位的窗函数对待测血管图像进行加窗处理，以将待测血管图像中位于窗函数边界外的像素值，重置为窗函数的边界值。示例性地，窗函数可以设置为[-100,700]，则可以将待测血管图像中hu(即houns filed unit)值低于-100的像素点重置为-100，并将待测血管图像中hu值高于700的像素点重置为700，其他情况可以以此类推，在此不再一一举例。此外，在加窗处理之后，可以将加窗之后的待测血管图像中各个像素点的像素值进行归一化处理，即将各个像素点的像素点归一化为0至1数值范围内。
[0042]
步骤s12：识别第一图像区域中各个像素点所属的血管类别，并在第一图像区域提取表征血管路径的若干第一像素点。
[0043]
本公开实施例中，血管类别包含若干预设类别，具体可以根据实际应用需要进行设置。以头颈部位为例，若干预设类别可以包括但不限于：主动脉、左颈外动脉、右颈外动脉、左锁骨下动脉、右锁骨下动脉、左颈内动脉、右颈内动脉、左椎动脉、右椎动脉等，在此不做限定。其他部位可以以此类推，在此不再一一举例。
[0044]
在一个实施场景中，为了提高类别识别效率，可以预先训练一个识别模型，并利用识别模型识别得到第一图像区域中各个像素点所属的血管类别。识别模型具体可以包括但不限于卷积神经网络等，在此对识别模型的网络结构不做具体限定。具体地，可以预先采集若干样本图像，并标注样本图像中属于血管的各个样本像素点所属的样本类别，在此基础上，可以利用识别模型识别得到样本图像中属于血管的各个样本像素点所属的预测类别，例如，识别模型可以输出样本像素点分别属于若干预设类别的预测概率值，并将最大预测概率值对应的预设类别作为样本像素点所属的预测类别。在此基础上，可以基于样本类别
与预测类别之间的差异，调整识别模型的网络参数。需要说明的是，可以采用诸如交叉熵等损失函数度量上述差异，以及采用诸如梯度下降等优化方式调整上述参数，具体过程可以参阅上述损失函数及优化方式的技术细节，在此不再赘述。此外，在训练得到识别模型之后，可以利用识别模式识别得到第一图像区域中像素点分别属于若干预设类别的概率值，并将最大概率值对应的预设类别作为该像素点所属的血管类别。
[0045]
在一个实施场景中，为了在提高类别识别效率的同时，进一步提升识别准确性，还可以基于第一图像区域中各个像素点在待测血管图像中的像素值，得到第一图像数据，并基于各个像素点分别与参考位置之间的偏移值，得到第二图像数据，且第一图像数据包括各个像素点的像素值，第二图像数据包括各个像素点对应的偏移值。在此基础上，再融合第一图像数据和第二图像数据，得到融合图像数据，并利用识别模型对融合图像数据进行识别，得到各个像素点所属的血管类别。上述方式，在类别识别过程中，一方面参考第一图像数据所代表的纹理特征信息，另一方面能够参考第二图像数据所代表的几何特征信息，有利于提升血管类别识别的准确性。
[0046]
在一个具体的实施场景中，以待测血管图像是三维图像为例，可以采用尺寸为c*w*d*h的矩阵存储各个像素点的像素值，作为第一图像数据，其中，c表示通道数，w表示宽度，d表示深度，h表示高度。例如，如前所述，待测血管图像可以经过加窗、归一化处理，则属于血管的各个像素点其像素值均以0至1范围内的一维数值表示，故通道数c为1，此外，宽度w可以为待测血管图像的宽度，深度d可以为待测血管图像的深度，高度h可以为待测血管图像的高度，如在待测血管图像的宽度、深度及高度均为1024的情况下，可以采用1*1024*1024*1024的矩阵存储各个像素点的像素值，作为第一图像数据。其他情况可以以此类推，在此不再一一举例。
[0047]
在一个具体的实施场景中，仍以待测血管图像是三维图像为例，可以采用尺寸为c*w*d*h的矩阵存储各个像素点的偏移值，作为第二图像数据，其中，c表示通道数，w表示宽度，d表示深度，h表示高度。此外，参考位置具体可以设置为第一图像区域质心，即血管质心，在此不做限定。在此基础上，偏移值可以基于欧氏距离计算得到，此时通道数c为1，当然偏移值可以以分别在宽度、深度、高度共三个方向上的偏移来表示，此时通道数c为3，在此不做限定。此外，宽度w、深度d和高度h的具体含义可以参阅前述相关描述，在此不再赘述。仍以待测血管图像的宽度、深度及高度均为1024且通道数c是1为例，可以采用1*1024*1024*1024的矩阵存储各个像素点的偏移值，作为第二图像数据，其他情况可以以此类推，在此不再一一举例。
[0048]
在一个具体的实施场景中，可以将第一图像数据和第二图像数据进行联结，以得到融合图像数据。举例来说，如前所述，可以采用尺寸为c*w*d*h的矩阵存储各个像素点的像素值，作为第一图像数据，也可以采用尺寸为c*w*d*h的矩阵存储各个像素点的偏移值，作为第二图像数据，则融合图像数据可以表示为2c*w*d*h，即各个像素点具有像素值和偏移值两个属性值。
[0049]
在一个具体的实施场景中，利用识别模型对融合图像数据进行识别，可以得到像素点分别属于若干预设类别的概率值，在此基础上，可以将最大概率值对应的预设类别，作为该像素点所属的血管类别。仍以头颈部位为例，经识别模型识别可以得到像素点分别属于主动脉、左颈外动脉、右颈外动脉、左锁骨下动脉、右锁骨下动脉、左颈内动脉、右颈内动
脉、左椎动脉、右椎动脉的概率值，在此基础上，可以将最大概率值对应的预设类别，作为该像素点所属的血管类别。
[0050]
在一个具体的实施场景中，在训练过程中，可以预先采集若干样本图像，且样本图像中各个样本像素点标注有样本标记，该样本标记表示样本像素点所属的血管类别。示例性地，以头颈部位为例，可以采用数字1至9分别表示上述九种预设类别，并采用0来标记属于背景。在此基础上，可以基于属于血管的样本像素点在样本图像中的像素值，得到第一样本图像数据，并基于这些样本像素点与参考位置之间的偏移值，得到第二样本图像数据，且第一样本图像数据包括这些样本像素点的像素值，第二样本图像数据包括这些样本像素点的偏移值，基于此可以再融合第一样本图像数据和第二样本图像数据，得到融合样本图像数据，并利用识别模型对融合样本图像数据进行识别，得到这些样本像素点所属的血管类别，从而可以基于样本像素点标记的血管类别和预测的血管类别之间的差异，调整识别模型的网络参数。差异的具体度量方式以及参数的具体调整方式，可以参阅前述相关描述，在此不再赘述。
[0051]
在一个具体的实施场景中，为了减少识别模型在识别过程中的显存占用，识别模型具体可以设置为hrnet。请结合参阅图2，图2是识别模型一实施例的框架示意图，具体而言，图2是hrnet一实施例的框架示意图。如图2所示，每一层分别表示不同尺寸的子网，从第一阶段的高分辨率子网开始，逐步增加高分辨率到低分辨率的子网，可以形成更多的阶段，并将各分辨率子网并行连接。此外，在子网之间通过上采样、下采样等操作反复交换信息，能够促进多尺度的特征融合。hrnet具体的数据处理过程，可以参阅hrnet的技术细节，在此不再赘述。
[0052]
在一个具体的实施场景中，为了进一步减少识别模型在识别过程中的显存占用，在利用识别模型进行识别之前，还可以在融合图像数据提取若干子图像数据，且若干子图像数据的集合可以覆盖第一图像区域，也就是说，若干子图像数据的集合可以覆盖整个血管。例如，可以在第一图像区域随机选取像素点作为采样像素点，并提取融合图像数据中以采样像素点为中心且大小为预设尺寸(如，32*32*32)的区域数据，作为子图像数据。在此基础上，可以利用识别模型分别对若干子图像数据进行识别，得到各个子图像数据对应的类别识别结果，且类别识别结果包括像素点分别属于若干预设类别的概率值，并基于各个子图像数据对应的类别识别结果，得到各个像素点所属的血管类别。示例性地，若像素点仅存在于一个子图像数据，则可以基于该像素点分别属于若干预设类别的概率值中的最大值，确定其所属的血管类别，如可以直接将最大概率值对应的预设类别，作为像素点所属的血管类别；或者，若像素点存在于多个子图像数据，即子图像数据存在重叠部分，则位于重叠部分的像素点就会存在于多个子图像数据，此时像素点对应于每种预设类别均存在多个概率值，则对于每种预设类别，可以取像素点属于该种预设类别的概率值的平均值，作为其属于该种预设类别的最终概率值，并可以进一步将最大最终概率值对应的预设类别，作为像素点所属的血管类别。上述方式，能够通过将对融合图像数据的整体识别转换为对各个子图像数据的子图识别，有利于大大减少计负荷，提升检测速度。
[0053]
在一个实施场景中，可以建立第一图像区域的拓扑结构，并在拓扑结构的基础上，提取出表征血管路径的若干第一像素点。
[0054]
在一个具体的实施场景中，从第一图像区域内边缘像素点开始，逐步建立拓扑结
构，需要说明的是，边缘像素点表示位于第一图像区域内部且与背景像素点邻接的像素点。在此基础上，对于每一边缘像素点，可以在第一图像区域内部查找与其最接近的非边缘像素点，并作为该非边缘像素点的叶子节点，在对每个边缘像素点均确定出与其最接近的非边缘像素点之后，可以将位于第一图像区域内部且与边缘像素点邻接的非边缘像素点作为新的边缘像素点，并对每一个新的边缘像素点，执行上述在第一图像区域内部查找与其最接近的非边缘像素点，并作为该非边缘像素点的叶子节点的步骤，以此类推，直至尚未作为过边缘像素点的非边缘像素点已经全部具有叶子节点为止，即可建立第一图像区域的拓扑结构。
[0055]
在一个具体的实施场景中，对于该拓扑结构而言，可以先删除不具备叶子节点的像素点，得到新的拓扑结构，在此基础上，再在新的拓扑结构的基础上，删除不具备叶子节点的像素点，得到新的拓扑结构，如此往复，直至拓扑结构中保留的像素点不具备叶子节点为止，则这些保留的像素点即为表征血管路径的第一像素点。
[0056]
步骤s13：基于属于参考类别的参考像素点，分别对属于相同血管类别的第一像素点进行路径分析，得到各个血管类别的血管路径。
[0057]
本公开实施例中，参考类别的血管在若干预设类别的血管中处于预设位置。例如，预设位置可以设置为居中位置，仍以头颈部位为例，如前所述，若干预设类别包括但不限于：主动脉、左颈外动脉、右颈外动脉、左锁骨下动脉、右锁骨下动脉、左颈内动脉、右颈内动脉、左椎动脉、右椎动脉，则在预设位置为居中位置的情况下，参考类别具体可以设置为主动脉。其他情况可以以此类推，在此不再一一举例。
[0058]
在一个实施场景中，需要说明的是，参考像素点位于参考类别的血管。具体而言，可以将第一图像区域中属于参考类别的像素点中，位于目标位置的像素点作为参考像素点。具体地，目标位置可以根据实际应用进行设置，如可以设置为起点位置。仍以头颈部位为例，如前所述，参考类别可以设置为主动脉，则在目标位置设置为起点位置的情况下，参考像素点即表示主动脉起点的像素点。其他情况可以以此类推，在此不再一一举例。
[0059]
在一个实施场景中，可以将各个血管类别分别作为当前类别，并基于属于当前类别的各个第一像素点分别至参考像素点的距离，确定当前类别的血管路径终点，在此基础上，再基于血管路径终点，顺次连接属于当前类别的各个第一像素点，得到当前类别的血管路径。上述方式，能够在路径分析过程中，先确定出血管路径终点，再根据血管路径终点连接各个第一像素点得到血管路径，尽可能地避免其他类别对当前类别路径分析的影响，有利于提升检测速度。
[0060]
在一个具体的实施场景中，如前所述，预设位置可以设置为居中位置，则血管路径终点可以为距离最大的第一像素点。也就是说，在计算得到属于当前类别的各个第一像素点分别至参考像素点的距离之后，可以选择距离最大的第一像素点作为当前类别的血管路径终点。仍以头颈部位为例，在当前类别为左颈内动脉的情况下，可以计算属于左颈内动脉的各个第一像素点分别至主动脉起点的距离，并选择距离最大的第一像素点作为左颈内动脉的血管路径终点。其他情况可以以此类推，在此不再一一举例。
[0061]
在一个具体的实施场景中，可以采用最短路径算法顺次连接属于当前类别的各个第一像素点，得到当前类别的血管路径。也就是说，对于属于当前类别的各个第一像素点而言，可以采用最短路径算法，追溯当前类别的血管路径终点，得到当前类别的血管路径。需
要说明的是，最短路径算法可以包括但不限于dijkstra(即迪杰斯特拉)算法，在此不做限定。具体的连接过程，可以参阅诸如dijkstra算法等最短路径算法的技术细节，在此不再赘述。
[0062]
在一个具体的实施场景中，为了进一步提升血管路径的准确性，在顺次连接属于当前类别的各个第一像素点，得到当前类别的血管路径之后，还可以检查是否存在相同血管类别的血管路径，并响应于存在相同血管类别的血管路径，连接相同血管类别的血管路径。需要说明的是，在现实场景中，由于血管狭窄、造影等原因可能会导致血管影像断裂，故通过上述方式，能够将影像断裂的血管连接起来，提升血管路径的准确性。具体而言，在存在相同血管类别的血管路径时，可以将相同血管类别的血管路径中最接近彼此的第一像素点进行连接，以得到该血管类别最终的血管路径，从而能够大大缓解血管影像断裂的问题。
[0063]
步骤s14：基于血管路径，对第一图像区域进行优化，得到属于目标类别的目标血管区域。
[0064]
在一个实施场景中，目标类别为上述若干预设类别中的至少一者。具体地，可以在上述若干预设类别中指定至少一者为目标类别，如目标类别可以是默认指定的，也可以是由用户指定的。仍以头颈部位为例，如前所述，若干预设类别可以包括但不限于：主动脉、左颈外动脉、右颈外动脉、左锁骨下动脉、右锁骨下动脉、左颈内动脉、右颈内动脉、左椎动脉、右椎动脉。在此基础上，可以默认指定左颈内动脉、右颈内动脉、左椎动脉、右椎动脉四者为目标类别，当然也可以由用户指定其中至少一者为目标类别，如用户指定左颈内动脉、右颈内动脉、左椎动脉、右椎动脉四者为目标类别。其他情况可以以此类推，在此不再一一举例。
[0065]
在一个实施场景中，具体可以基于各个血管类别的血管路径，裁剪不属于目标类别的血管区域，得到第二图像区域，基于此，对于第二图像区域中各个像素点而言，可以基于像素点对应的第一距离与像素点对应的第二距离之间的偏差，剔除偏差满足预设条件的像素点，得到属于目标类别的目标血管区域；其中，第一距离表示像素点分别到各第一像素点的最近距离，第二距离表示像素点到目标路径的最近距离，且目标路径表示目标类别的血管路径。需要说明的是，在裁剪之前，可以先度量第一距离，并在裁剪之后，再度量第二距离，或者，在裁剪之前，可以先度量第一距离和第二距离，在此不做限定。上述方式，一方面能够剪除无关类别的血管区域，另一方面通过度量第一距离与第二距离之间的偏差，并剔除偏差满足预设条件的像素点，能够进一步优化血管区域，有利于提升血管区域的准确性。
[0066]
在一个具体的实施场景中，仍以头颈部位为例，如前所述，若干预设类别可以包括但不限于：主动脉、左颈外动脉、右颈外动脉、左锁骨下动脉、右锁骨下动脉、左颈内动脉、右颈内动脉、左椎动脉、右椎动脉，且目标类别可以包括但不限于：左颈内动脉、右颈内动脉、左椎动脉、右椎动脉，则无关类别可以包括但不限于：主动脉、左颈外动脉、右颈外动脉、左锁骨下动脉、右锁骨下动脉等，在此不做限定。此外，其他情况可以以此类推，在此不再一一举例。
[0067]
在一个具体的实施场景中，在不属于目标类别的血管路径与目标类别的血管路径不相交的情况下，可以直接将第一图像区域中不属于目标类别的像素点排除于第一图像区域之外，以完成裁剪不属于目标类别的血管区域；而在不属于目标类别的血管路径与目标类别的血管路径相交的情况下，可以结合不属于目标类别的血管路径与目标类别的血管路径两者在相交处的夹角，在相交处剔除不属于目标类别的像素点，并在剔除之后对保留区
域进行适当修补，具体过程在此不再赘述。
[0068]
在一个具体的实施场景中，对于第二图像区域中各个像素点，可以通过欧氏距离转换等方式度量像素点分别至各第一像素点的最近距离，以及至目标路径的最近距离，具体计算方式，可以参阅欧氏距离转换等距离度量方式的技术细节，在此不再赘述。
[0069]
在一个具体的实施场景中，对于第二图像区域中各个像素点的距离度量，可以是由gpu(graphic processor unit，图像处理单元)并行计算的，也就是说，第二图像区域中各个像素点对应的偏差可以是由gpu并行计算的，有利于大大提升距离度量的速度。
[0070]
在一个具体的实施场景中，血管路径以血管中心线表示，为了进一步提升目标类别的血管区域的准确性，还可以在度量第二距离之前，分别将目标路径上各个第一像素点作为当前像素点，并获取目标路径在当前像素点处的法向参考在第二图像区域的截断参考。需要说明的是，在待测血管图像为三维图像的情况下，法向参考为法平面，截断参考为截断面，而在待测血管图像为二维图像的情况下，法向参考为法线，截断参考为截断线。在此基础上，再将位于截断参考中心位置处的像素点，作为当前像素点对应的第二像素点，并连接各个第一像素点对应的第二像素点，得到优化后的目标路径。例如，可以按照各个第一像素点的连接顺序，连接各个第一像素点分别对应的第二像素点，得到优化后的目标路径。上述方式，能够提升目标路径的准确性，有利于最终优化得到的血管区域的准确性。
[0071]
在一个具体的实施场景中，上述偏差具体可以为第一距离与第二距离之差的绝对值，在此情况下，预设条件可以设置为偏差大于距离阈值，距离阈值可以根据实际情况进行设置，在此不做限定。也就是说，可以将偏差较大的像素点剔除出目标第二图像区域。需要说明的是，在裁剪第一图像区域中不属于目标类别的血管区域时，有可能会由于第一图像区域中存在干扰等原因而导致未裁剪干净(例如，第二图像区域有可能存在被误识别为目标类别但实际并不属于目标类别的像素点)，由于真正属于目标类别的像素点，其对应的第一距离和第二距离之间的偏差应较小，故此时通过上述偏差进行二次裁剪，能够有利于提升目标类别的目标血管区域的准确性。
[0072]
在一个实施场景中，在得到属于目标类别的目标血管区域之后，还可以基于目标类别的目标血管区域进行曲面重建，得到目标类别的cpr(curved-planar reconstruction，曲面重建)图像序列。仍以头颈部位为例，在得到颈内动脉和椎动脉的血管区域之后，可以重建得到颈内动脉和椎动脉的cpr图像序列，具体重建过程，可以参阅cpr的技术细节，在此不再赘述。
[0073]
上述方案，对待测血管图像进行轮廓检测，得到血管的第一图像区域，并识别第一图像区域中各个像素点所属的血管类别，以及在第一图像区域提取表征血管路径的若干第一像素点，且血管类别包含若干预设类别，在此基础上，基于属于参考类别的参考像素点，分别对属于相同血管类别的第一像素点进行路径的分析，得到各个血管类别的血管路径，且参考类别的血管在若干预设类别的血管中处于预设位置，并基于血管路径，对第一图像区域进行优化，得到属于目标类别的目标血管区域，一方面由于无需手动处理分析图像得到血管区域，有利于提升图像检测效率，另一方面在路径分析过程中，通过在若干预设类别的血管中处于预设位置的参考类别的血管下属参考像素点，来对属于相同血管类别的第一像素点分析得到该血管类别的血管路径，有利于尽可能地排除干扰，提升图像检测的准确性。
[0074]
请参阅图3，图3是本技术图像处理装置30一实施例的框架示意图。图像处理装置30包括：轮廓检测模块31、类别识别模块32、路径分析模块33和区域优化模块34，轮廓检测模块31用于对待测血管图像进行轮廓检测，得到血管的第一图像区域；类别识别模块32用于识别第一图像区域中各个像素点所属的血管类别，并在第一图像区域提取表征血管路径的若干第一像素点；其中，血管类别包含若干预设类别；路径分析模块33用于基于属于参考类别的参考像素点，分别对属于相同血管类别的第一像素点进行路径分析，得到各个血管类别的血管路径；其中，参考类别的血管在若干预设类别的血管中处于预设位置；区域优化模块34用于基于血管路径，对第一图像区域进行优化，得到属于目标类别的目标血管区域。
[0075]
上述方案，一方面由于无需手动处理分析图像得到血管区域，有利于提升图像检测效率，另一方面在路径分析过程中，通过在若干预设类别的血管中处于预设位置的参考类别的血管下属参考像素点，来对属于相同血管类别的第一像素点分析得到该血管类别的血管路径，有利于尽可能地排除干扰，提升图像检测的准确性。
[0076]
在一些公开实施例中，路径分析模块33包括类别选择子模块，用于将各个血管类别分别作为当前类别；路径分析模块33包括终点确定子模块，用于基于属于当前类别的各个第一像素点分别至参考像素点的距离，确定当前类别的血管路径终点；路径分析模块33包括路径获取子模块，用于基于血管路径终点，顺次连接属于当前类别的各个第一像素点，得到当前类别的血管路径。
[0077]
因此，能够在路径分析过程中，先确定出血管路径终点，再根据血管路径终点连接各个第一像素点得到血管路径，尽可能地避免其他类别对当前类别路径分析的影响，有利于提升检测速度。
[0078]
在一些公开实施例中，预设位置为居中位置，血管路径终点为距离最大的第一像素点；和/或，属于当前类别的各个第一像素点是采用最短路径算法顺次连接的。
[0079]
因此，将预设位置设置为居中位置，并将血管路径终点设置为距离最大的第一像素点，能够大大降低确定血管路径终点的复杂度，有利于进一步提升检测速度；而采用最短路径算法顺次连接属于当前类别的各个第一像素点得到血管路径，能够有利于大大降低连接第一像素点出错的概率，提升血管路径的准确性。
[0080]
在一些公开实施例中，路径分析模块33包括路径检查子模块，用于检查是否存在相同血管类别的血管路径；路径分析模块33包括路径连接子模块，用于响应于存在相同血管类别的血管路径，连接相同血管类别的血管路径。
[0081]
因此，在得到当前类别的血管路径之后，进一步检查是否存在相同血管类别的血管路径，并响应于存在相同血管类别的血管路径，连接相同血管类别的血管路径，能够大大缓解由于血管狭窄、造影等原因导致的血管影像断裂问题，有利于提升检测准确性。
[0082]
在一些公开实施例中，区域优化模块34包括区域裁剪子模块，用于基于各个血管类别的血管路径，裁剪不属于目标类别的血管区域，得到第二图像区域；区域优化模块34包括像素剔除子模块，用于对于第二图像区域中各个像素点，基于像素点对应的第一距离与像素点对应的第二距离之间的偏差，剔除偏差满足预设条件的像素点，得到属于目标类别的目标血管区域；其中，第一距离表示像素点分别至各第一像素点的最近距离，第二距离表示像素点至目标路径的最近距离，目标路径表示目标类别的血管路径。
[0083]
因此，一方面能够剪除无关类别的血管区域，另一方面通过度量第一距离与第二
距离之间的偏差，并剔除偏差满足预设条件的像素点，能够进一步优化血管区域，有利于提升血管区域的准确性。
[0084]
在一些公开实施例中，血管路径以血管中心线表示，区域优化模块34包括像素选择子模块，用于分别将目标路径上各个第一像素点作为当前像素点；区域优化模块34包括区域截断子模块，用于获取目标路径在当前像素点处的法向参考在第二图像区域的截断参考；区域优化模块34包括中心确定子模块，用于将位于截断参考的中心位置处的像素点，作为当前像素点对应的第二像素点；区域优化模块34包括路径优化子模块，用于连接各个第一像素点对应的第二像素点，得到优化后的目标路径；其中，在待测血管图像为三维图像的情况下，法向参考为法平面，截断参考为截断面，在待测血管图像为二维图像的情况下，法向参考为法线，截断参考为截断线。
[0085]
因此，在度量第二距离之前，进一步优化目标路径，能够提升目标路径的准确性，有利于最终优化得到的血管区域的准确性。
[0086]
在一些公开实施例中，偏差为第一距离和第二距离之差的绝对值，预设条件包括偏差大于距离阈值；和/或，像素点对应的偏差是由gpu并行计算的。
[0087]
因此，偏差设置为第一距离和第二距离之差的绝对值，且预设条件设置为包括偏差大于距离阈值，故能够剔除偏差过大的像素点，有利于降低剔除像素点的复杂度，而由gpu并行计算各个像素点对应的偏差，能够提升偏差整体的计算速度，从而有利于提升检测效率。
[0088]
在一些公开实施例中，类别识别模块32包括数据获取子模块，用于基于各个像素点分别在待测血管图像中的像素值，得到第一图像数据，并基于各个像素点分别与参考位置之间的偏移值，得到第二图像数据；其中，第一图像数据包括各个像素点的像素值，第二图像数据包括各个像素点对应的偏移值；类别识别模块32包括数据融合子模块，用于融合第一图像数据和第二图像数据，得到融合图像数据；类别识别模块32包括类别识别子模块，用于利用识别模型对融合图像数据进行识别，得到各个像素点所属的血管类别。
[0089]
因此，在类别识别过程中，一方面参考第一图像数据所代表的纹理特征信息，另一方面能够参考第二图像数据所代表的几何特征信息，有利于提升血管类别识别的准确性。
[0090]
在一些公开实施例中，类别识别模块32包括子图提取子模块，用于在融合图像数据提取若干子图像数据；其中，若干子图像数据的集合覆盖第一图像区域；类别识别子模块包括子图识别单元，用于利用识别模型分别对若干子图像数据进行识别，得到各个子图像数据对应的类别识别结果；其中，类别识别结果包括像素点分别属于若干预设类别的概率值；类别识别子模块包括类别确定单元，用于基于各个子图像数据对应的类别识别结果，得到各个像素点所属的血管类别。
[0091]
因此，能够通过将对融合图像数据的整体识别转换为对各个子图像数据的子图识别，有利于大大减少计负荷，提升检测速度。
[0092]
在一些公开实施例中，若干预设类别包括：主动脉、左颈外动脉、右颈外动脉、左锁骨下动脉、右锁骨下动脉、左颈内动脉、右颈内动脉、左椎动脉、右椎动脉，参考类别包括主动脉，目标类别包括：左颈内动脉、右颈内动脉、左椎动脉、右椎动脉。
[0093]
因此，将若干预设类别设置为包括：主动脉、左颈外动脉、右颈外动脉、左锁骨下动脉、右锁骨下动脉、左颈内动脉、右颈内动脉、左椎动脉、右椎动脉，参考类别设置为包括主
动脉，目标类别设置为包括：左颈内动脉、右颈内动脉、左椎动脉、右椎动脉，即能够应用于头颈动脉的血管检测过程中，并检测获取颈内动脉和椎动脉的血管区域，有利于在头颈部位提供丰富的辅助信息。
[0094]
请参阅图4，图4是本技术电子设备40一实施例的框架示意图。电子设备40包括相互耦接的存储器41和处理器42，处理器42用于执行存储器41中存储的程序指令，以实现上述任一图像处理方法实施例的步骤。在一个具体的实施场景中，电子设备40可以包括但不限于：微型计算机、服务器，此外，电子设备40还可以包括笔记本电脑、平板电脑等移动设备，在此不做限定。
[0095]
具体而言，处理器42用于控制其自身以及存储器41以实现上述任一图像处理方法实施例的步骤。处理器42还可以称为cpu(central processing unit，中央处理单元)。处理器42可能是一种集成电路芯片，具有信号的处理能力。处理器42还可以是通用处理器、数字信号处理器(digital signal processor,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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器42可以由集成电路芯片共同实现。
[0096]
上述方案，一方面由于无需手动处理分析图像得到血管区域，有利于提升图像检测效率，另一方面在路径分析过程中，通过在若干预设类别的血管中处于预设位置的参考类别的血管下属参考像素点，来对属于相同血管类别的第一像素点分析得到该血管类别的血管路径，有利于尽可能地排除干扰，提升图像检测的准确性。
[0097]
请参阅图5，图5为本技术计算机可读存储介质50一实施例的框架示意图。计算机可读存储介质50存储有能够被处理器运行的程序指令501，程序指令501用于实现上述任一图像处理方法实施例的步骤。
[0098]
上述方案，一方面由于无需手动处理分析图像得到血管区域，有利于提升图像检测效率，另一方面在路径分析过程中，通过在若干预设类别的血管中处于预设位置的参考类别的血管下属参考像素点，来对属于相同血管类别的第一像素点分析得到该血管类别的血管路径，有利于尽可能地排除干扰，提升图像检测的准确性。
[0099]
在本技术所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
[0100]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
[0101]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0102]
集成的单元如果以软件功能单元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全部或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)或处理器(processor)执行本技术各个实施方式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(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0103]
若本技术技术方案涉及个人信息，应用本技术技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本技术技术方案涉及敏感个人信息，应用本技术技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。