血管分割方法、装置、医疗影像设备及存储介质与流程

血管分割方法、装置、医疗影像设备及存储介质
1.本技术所申请日为“2018年12月28日”，申请号为“201811627428.3”，发明名称为“血管分割方法、装置、医疗影像设备及存储介质”的案件的分案申请。
技术领域
2.本发明实施例涉及图像处理技术领域，尤其涉及一种血管分割方法、装置、医疗影像设备及存储介质。


背景技术：

3.血管造影是一种介入治疗方法，通过向血管注入显影剂，观察最终的成像特点来推断出血管病变的部位和程度。血管造影在心脏大血管疾病、外周血管疾病、及肿瘤等的诊断和治疗中有着十分重要的意义。比如，医生可通过肝静脉造影来判断患者肝癌的恶化程度，通过观察脑静脉造影来诊断脑血管疾病，通过观察冠脉造影也已经成为冠心病诊疗过程的重要依据等。
4.现有技术中，通常采用阈值分割的方法进行血管图像的分割提取。具体的，首先对血管结构进行增强，然后通过人工设计具备特定阈值的滤波器对管状结构进一步增强，对非管状结构进行抑制，最终实现血管的分割提取。
5.然而，阈值分割方法仅适合应用于对简单血管图像进行分割的应用场景中。而较为复杂的图像，如冠脉图像，其血管对比度较低，同时由于造影剂分布不均匀等因素的影响，使得基于阈值分割的方法无法很好的区分冠脉结构和背景区域，因而，针对冠脉的分割工作依然具有很大的挑战性。


技术实现要素：

6.本发明提供一种血管分割方法、装置、医疗影像设备及存储介质，以提高血管的分割精度。
7.第一方面，本发明实施例提供了一种血管分割方法，包括：
8.获取待分割血管图像以及与所述待分割血管图像对应的血管分布图；
9.将所述待分割血管图像和所述血管分布图输入至预设血管分割模型，得到血管分割结果。
10.第二方面，本发明实施例还提供了一种血管分割装置，包括：
11.获取模块，用于获取待分割血管图像以及与所述待分割血管图像对应的血管分布图；
12.分割模块，用于将所述待分割血管图像和所述血管分布图输入至预设血管分割模型，得到血管分割结果。
13.第三方面，本发明实施例还提供了一种医疗影像设备，包括输入装置和输出装置，还包括：
14.一个或多个处理器；
15.存储器，用于存储一个或多个程序；
16.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面实施例所提供的一种血管分割方法。
17.第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面实施例所提供的一种血管分割方法。
18.本发明实施例通过获取待分割血管图像以及与所述待分割血管图像对应的血管分布图；将待分割血管图像和血管分布图输入至预设血管分割模型，得到血管分割结果。采用上述技术方案解决了现有技术中血管分割方法不适用于冠脉图像等较为复杂的血管图像的分割问题，提高了血管分割精度。
附图说明
19.图1是本发明实施例一中的一种血管分割方法的流程图；
20.图2是本发明实施例二中的一种血管分割方法的流程图；
21.图3a是本发明实施例三中的一种血管分割方法的流程图；
22.图3b是本发明实施例三中的一种血管分割模型训练方法的流程图；
23.图4a是本发明实施例四中的一种血管分割方法的流程图；
24.图4b是本发明实施例四中的冠脉造影图；
25.图4c是本发明实施例四中的血管提取图；
26.图4d是本发明实施例四中的模型测试过程示意图；
27.图4e是本发明实施例四中的血管分割结果；
28.图4f是本发明实施例四中的仅采用冠脉造影图进行血管分割的结果；
29.图4g是本发明实施例四中的医学金标准图；
30.图4h是本发明实施例四中的目标分割结果；
31.图5是本发明实施例五中的一种血管分割装置的结构图；
32.图6是本发明实施例六中的一种医疗影像设备的结构示意图。
具体实施方式
33.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
34.实施例一
35.图1是本发明实施例一中的一种血管分割方法的流程图，本发明实施例适用于将血管图像中的血管组织与背景区域分离的情况。该方法由血管分割装置执行，该装置由软件和/或硬件实现，并具体配置于医疗影像设备中。其中，医疗影像设备可以是ct(computed tomography，计算机断层扫描)设备、mri(magnetic resonance imaging，磁共振成像)设备以及dsa(digital subtraction angiography，数字减影血管造影)设备等。
36.如图1所示的一种血管分割方法，包括：
37.s110、获取待分割血管图像以及与所述待分割血管图像对应的血管分布图。
38.其中，待分割血管图像可以是通过医疗影像设备通过扫描机数据重建后所得到的
ct图像、mri图像以及dsa图像中的至少一种。其中，血管分布图像为对待分割血管图像中进行血管提取后所得到的较为粗糙的血管图像。
39.示例性地，对待分割血管图像进行血管提取，可以是通过阈值分割的方法对待分割血管图像进行血管提取；或者可以是使用至少一个滤波算法对待分割图像进行处理，得到对应的血管分布图。其中，滤波算法可以是高斯滤波算法、线性滤波算法、维纳滤波算法以及阈值滤波算法中的至少一种。
40.需要说明的是，获取待分割血管图像，可以是直接获取医疗影像设备本地、或与医疗影像设备相关联的其他存储设备或云端中预先存储的待分割血管图像；还可以是控制医疗影像设备执行扫描操作得到扫描数据，并对扫描数据进行重建后得到待分割血管图像。
41.相应的，获取待分割血管图像对应的血管分布图，可以是直接获取医疗影像设备本地、或与医疗影像设备相关联的其他存储设备或云端中预先存储的、与基于待分割血管图像所得到的血管分布图；还可以是对获取的待分割血管图像进行血管提取，得到相应的血管分布图。
42.s120、将所述待分割血管图像和所述血管分布图输入至预设血管分割模型，得到血管分割结果。
43.其中，预设血管分割模型通过采用大量的学习资料对现有模型进行训练而得到。其中，现有模型可以是卷积神经网络模型，例如可以是u-net卷积神经网络或v-net卷积神经网络。
44.在获取到待分割血管图像以及与待分割血管图对应的血管分布图后，将待分割血管图像和血管分布图作为预测样本输入至预设血管分割模型中，得到血管分割结果。
45.可以理解的是，为了保留血管组织的完整影像，同时滤除血管组织以外的无关影像，进而提高得到的血管的分割精度，还可以在得到血管分割结果之后，提取血管分割结果中的最大血管连通图，得到目标血管分割图。
46.本发明实施例通过获取待分割血管图像以及与所述待分割血管图像对应的血管分布图；将待分割血管图像和血管分布图输入至预设血管分割模型，得到血管分割结果。采用上述技术方案解决了现有技术中血管分割方法不适用于冠脉图像等较为复杂的血管图像的分割问题，提高了血管分割精度。
47.实施例二
48.图2是本发明实施例二中的一种血管分割方法的流程图，本发明实施例在上述各实施例的技术方案的基础上进行了细分优化。
49.进一步地，将操作“将所述待分割血管图像和所述血管分布图输入至预设血管分割模型”细化为“对所述待分割血管图像和所述血管分布图进行融合，并将融合后的图像输入至预设血管分割模型中”，以完善预设血管分割模型的使用机制。
50.进一步地，将操作“获取与所述待分割血管图像对应的血管分布图”细化为“使用至少一个滤波算法对所述待分割血管图像进行处理，得到所述血管分布图”，以完善血管分布图的确定机制。
51.如图2所示的一种血管分割方法，包括：
52.s210、获取待分割血管图像。
53.s220、使用至少一个滤波算法对所述待分割血管图像进行处理，得到所述血管分
布图。
54.其中，滤波算法包括高斯滤波算法、管状滤波算法、线性滤波算法以及维纳滤波算法中的至少一种。
55.示例性地，使用至少一个滤波算法对所述待分割血管图像进行处理，得到所述血管分布图，可以是：计算所述待分割血管图像中的每个像素点的海森矩阵的特征值；采用管状滤波器对特征值进行处理得到响应值；将各像素点对应的响应值组合得到所述血管分布图。
56.由于像素点的海森矩阵的特征值可以与该像素点对应的形状特征相关联，因此可以通过计算各像素点的海森矩阵的特征值的方式，对待分割血管图像进行关联映射，并通过管状滤波器对各特征值进行增强处理，以增强管状形态的血管组织的图像，同时抑制其他非血管组织的图像。在采用管状滤波器对特征值进行增强处理后，得到各像素点对应的响应值，并通过将各响应值通过各像素点的排列顺序进行组合，得到血管分布图。
57.可以理解的是，为了提高所得到的血管分布图的精度，进而提高所训练的血管分割模型的血管分割精度，还可以在所述计算所述待分割血管图像中的每个像素点的海森矩阵的特征值之前，采用至少一个目标滤波器对所述待分割血管图像进行平滑处理，将平滑处理后的图像替代所述待分割血管图像；其中目标滤波器包括高斯滤波器、线性滤波器以及维纳滤波器中的至少一种。
58.当然，为了进一步提高所得到的血管分布图的精度，将各像素点对应的响应值组合得到所述血管分布图，可以是比较同一像素点基于不同目标滤波器时所对应的血管响应值，获取最大响应值作为目标响应值；将各像素点对应的目标响应值组合形成所述血管分布图。
59.或者可选的，将各像素点对应的响应值组合得到所述血管分布图，包括：获取不同目标滤波器所对应的血管分布图作为候选分布图；统计各候选分布图中响应值大于设定阈值的像素点个数；确定像素点个数最多的候选分布图作为最终的血管分布图。
60.或者可选的，将各像素点对应的响应值组合得到所述血管分布图，包括：比较同一像素点基于不同目标滤波器时所对应的血管响应值，获取最大响应值作为目标响应值；将各像素点对应的目标响应值组合形成所述血管分布图。
61.s230、对所述待分割血管图像和所述血管分布图进行融合，并将融合后的图像输入至预设血管分割模型中，得到血管分割结果。
62.具体的，基于待分割血管图像和与待分割血管图像对应的血管分布图形成预测样本，将预测输入至预设血管分割模型中，得到血管分割结果。
63.可选的，对所述待分割血管图像和所述血管分布图进行融合，并将融合后的图像输入至预设血管分割模型中，包括：将所述待分割血管图像和所述血管分布图并联输入至所述预设血管分割模型输入的不同通道，将各通道的图像分别输入至所述预设血管分割模型中。
64.或者可选的，对所述待分割血管图像和所述血管分布图进行融合，并将融合后的图像输入至预设血管分割模型中，包括：将所述待分割血管图像和所述血管分布图的各像素点相乘或相加，得到融合后的图像，并将所述融合后的图像输入至所述预设血管分割模型中。
65.本发明实施例通过对预设血管分割模型的使用过程进行优化，具体对待分割血管图像和血管分布图进行融合，并将融合后的图像输入至预设血管分割模型中进行使用，完善了预设血管分割模型的使用机制；通过将血管分布图的获取过程细化为使用至少一个滤波算法对待分割血管图像进行处理，得到血管分布图，完善了血管分布图的确定机制，使得通过获取待分割血管图像即可实现血管的分割，减少了输入数据的获取过程，提升了用户的使用体验。
66.实施例三
67.图3a是本发明实施例三中的一种血管分割方法的流程图，本发明实施例在上述各实施例的技术方案的基础上进行了追加优化和细分优化。
68.进一步地，在操作“将所述待分割血管图像和所述血管分布图输入至预设血管分割模型，得到血管分割结果”之前，追加“对血管分割模型进行训练”；进一步地，将“对血管分割模型进行训练”细化为“根据至少一个历史血管图像，确定相应的历史血管分布图；将所述历史血管图像和所述历史血管分布图输入至待训练的血管分割模型中，得到与各所述历史血管图像对应的当前血管分割结果；根据所述当前血管分割结果和期望分割结果之间的误差，调节所述血管分割模型的预判参数”，以完善血管分割模型的训练机制。
69.如图3a所示的一种血管分割方法，包括：
70.s310、对血管分割模型进行训练。
71.s320、获取待分割血管图像以及与所述待分割血管图像对应的血管分布图。
72.s330、将所述待分割血管图像和所述血管分布图输入至预设血管分割模型，得到血管分割结果。
73.需要说明的是，s310可以在s320之前，也可以在s320之后执行，在此对s310与s320的执行顺序不做限定。
74.当然，在s330之后，还可以将待分割血管图像以及血管分布图作为训练样本输入至血管分割模型中进行训练，以对所使用的血管分割模型进行优化。
75.参见图3b中的一种血管分割模型训练方法，包括以下步骤：
76.s311、根据至少一个历史血管图像，确定相应的历史血管分布图。
77.其中，历史血管图像可以是ct图像、mri图像以及dsa图像中的至少一种。
78.可以理解的是，为了提高所训练的血管分割模型的血管分割精度，优选是采用相同类别的血管图像训练与该类别的血管图像相对应的血管分割模型，并采用训练好的血管分割模型对同一类别的待分割血管图像进行血管分割。例如，采用冠脉图像训练冠脉分割模型、采用脉络膜血管图像训练脉络膜血管分割模型、以及采用肝静脉造影血管图像训练肝静脉分割模型等。
79.可选的，根据至少一个历史血管图像，确定相应的历史血管分布图，可以是：使用至少一个滤波算法对各所述历史血管图像进行处理，得到所述历史血管分布图。其中，滤波算法包括高斯滤波算法、管状滤波算法、线性滤波算法以及维纳滤波算法中的至少一种。
80.示例性地，使用至少一个滤波算法对各所述历史血管图像进行处理，得到所述历史血管分布图，可以是计算历史血管图像中的每个像素点的海森矩阵的特征值；采用管状滤波器对特征值进行增强处理得到响应值；将各像素点对应的响应值组合得到历史血管分布图。
81.由于像素点的海森矩阵的特征值可以与该像素点对应的形状特征相关联，因此可以通过计算各像素点的海森矩阵的特征值的方式，对历史血管图像进行关联映射，并通过管状滤波器对各特征值进行增强处理，以增强管状形态的血管组织的图像，同时抑制其他非血管组织的图像。在采用管状滤波器对特征值进行增强处理后，得到各像素点对应的响应值，并通过将各响应值通过各像素点的排列顺序进行组合，得到历史血管分布图。
82.可以理解的是，为了提高所得到的历史血管分布图的精度，进而提高所训练的血管分割模型的血管分割精度，还可以在计算历史血管图像中每个像素点的海森矩阵的特征值之前，采用至少一个目标滤波器对所述历史血管图像进行平滑处理，将平滑处理后的图像替代所述历史血管图像；其中目标滤波器包括高斯滤波器、线性滤波器以及维纳滤波器中的至少一种。
83.当然，为了进一步提高所得到的历史血管分布图的精度，将各像素点对应的响应值组合得到所述历史血管分布图，可以是获取不同目标滤波器所对应的历史血管分布图作为候选分布图；通过各像素点对应的响应值，确定候选分布图所对应的响应均值；选取响应均值最大的候选分布图作为最终的历史血管分布图。
84.或者可选的，将各像素点对应的响应值组合得到所述历史血管分布图，包括：获取不同目标滤波器所对应的历史血管分布图作为候选分布图；统计各候选分布图中响应值大于设定阈值的像素点个数；确定像素点个数最多的候选分布图作为最终的历史血管分布图。
85.或者可选的，将各像素点对应的响应值组合得到所述历史血管分布图，包括：比较同一像素点基于不同目标滤波器时所对应的血管响应值，获取最大响应值作为目标响应值；将各像素点对应的目标响应值组合形成所述历史血管分布图。
86.可以理解的是，为了提高使用血管分割模型对待分割血管图像进行血管分割时的分割精度，优选的，待分割血管图像对应的血管分布图的确定过程，与血管分割模型训练过程对历史血管图像对应的历史血管分布图的确定过程完全一致。
87.s312、将所述历史血管图像和所述历史血管分布图输入至待训练的血管分割模型中，得到与各所述历史血管图像对应的当前血管分割结果。
88.具体的，基于至少一个历史血管图像和与各历史血管图像对应的历史血管分布图形成训练样本集，将训练样本集输入至待训练的血管分割模型中进行训练，得到与各历史血管图像对应的当前血管分割结果。
89.示例性地，将历史血管图像和历史血管分布图输入至待训练的血管分割模型中训练，可以是对历史血管图像和历史血管分布图进行融合，并将融合后的图像输入至待训练的血管分割模型中，以训练血管分割模型得到最终的预设血管分割模型。
90.可选的，对所述历史血管图像和所述历史血管分布图进行融合，并将融合后的图像输入至待训练的血管分割模型中，包括：将所述历史血管图像和所述历史血管分布图并联成待训练的血管分割模型输入的不同通道，将各通道的图像分别输入至待训练的血管分割模型中；或者，将所述历史血管图像和所述历史血管分布图的各像素点相乘或相加，得到融合后的图像，并将所述融合后的图像输入至待训练的血管分割模型中。
91.可以理解的是，为了提高使用血管分割模型对待分割血管图像进行血管分割时的分割精度，优选的，待分割血管图像和对应的血管分布图的融合过程，与与血管分割模型训
练过程中历史血管图像和对应的历史血管分布图的融合过程完全一致。
92.s313、根据所述当前血管分割结果和期望分割结果之间的误差，调节所述血管分割模型的预判参数。
93.获取各历史血管图像对应的期望分割结果，并根据期望分割结果与当前血管分割结果之间的误差，确定当前所采用的训练样本集对血管分割模型进行训练时的模型精度；当模型精度满足预设精度阈值时，确定当前血管分割模型可结束训练；当模型精度不满足预设精度阈值时，根据当前血管分割结果和期望分割结果之间的误差，调节血管分割模型的预判参数，以减少当前血管分割结果和期望分割结果之间的误差，直至模型精度满足预设精度阈值。
94.其中，期望分割结果可以是历史血管图像对应的医学金标准分割图。其中，预设精度阈值可以有技术人员根据需要或经验值确定。
95.本发明实施例通过在使用血管分割模型进行血管分割之前，根据至少一个历史血管图像，确定相应的历史血管分布图；将历史血管图像和历史血管分布图输入至待训练的血管分割模型中，得到与历史血管图像对应的当前血管分割结果；根据当前血管分割结果和期望分割结果之间的误差，调节血管分割模型的预判参数。采用上述技术方案，完善了血管分割模型的训练机制，并通过血管分割模型的使用，实现了对待分割血管图像中的血管组织的有效分割，提高了血管的分割精度。
96.实施例四
97.图4a是本发明实施例四中的一种血管分割方法的流程图。本发明实施例在上述各实施例的技术方案的基础上提供了一种优选实施方式，并结合对冠脉ct图像的分割过程进行示例性说明。
98.如图4a所示的一种血管分割方法，包括：
99.s410、获取冠脉造影图。
100.参见图4b所示的冠脉造影图。
101.s420、采用多个不同核的高斯滤波器对冠脉造影图滤波，得到各初始冠脉图。
102.具体的，分别采用3
×
3、5
×
5以及7
×
7的高斯核对冠脉造影图进行高斯平滑，得到初始冠脉图，以去除后续处理过程对高斯噪声的敏感性，同时通过多尺度滤波的方式来使用不同大小的目标对象。其中，目标对象可以理解为所要分割出的血管组织的各组成部分。
103.s430、分别对初始冠脉图中的各像素点计算海森矩阵，并通过雅各比方法得到各像素点的特征值。
104.具体的，计算每个初始冠脉图的各像素点的海森矩阵，并针对各海森矩阵计算特征值。由于初始冠脉图为三维图像，因此，各像素点对应三个特征值。
105.s440、采用管状滤波器对各像素点的特征值进行增强，得到响应值。
106.由于血管一般呈现出管状形状，因此当某一像素点位于血管内时，响应值相对较大，反之，响应值较小。通过合理设置管状滤波器的带宽，可以一定程度上将非目标对象去除。
107.具体的，采用函数f＝|a2|*(|a2|-|a3|)/|a1|*σ2对各像素点的特征值进行增强，其中a1、a2和a3为得到的不同维度下各像素点对应的特征值，f为响应值，σ为滤波器带宽。
108.s450、比较不同初始冠脉图中相同像素点对应的各响应值，并选取各像素点对应
的最大响应值组合得到血管提取图。
109.参见图4c所示的血管提取图。其中，非目标对象的响应值较小，因此在图中对应像素点的亮度相对较弱；目标对象的响应值较大，因此在图中对应像素点的亮度相对较强。但是，由于管状滤波的局限性，导致图中尚有部分节骨、气管以及其他血管对应的像素点亮度较强。
110.s460、将冠脉造影图以及血管提取图分别作为两个输入源输入至预先训练的v-net神经网络模型，得到血管分割结果。
111.对模型的使用过程可参见图4d所示的模型测试过程示意图。由于v-net神经网络模型中的输入端包括冠脉造影图以及基于冠脉造影图得到的血管分割图像两个数据源，使得在模型训练阶段能够让模型学习到更丰富的特征，并降低学习难度。同时，由于血管提取图像中预先去除了大量的非目标对象，因此为模型引入了较为有效的先验信息，进而提高了模型的精度。
112.具体的，本发明实施例的血管分割结果可参见图4e，仅采用冠脉造影图进行血管分割的结果参见图4f，相应的医学金标准图参见图4g。
113.s470、提取血管分割结果中的最大连通区域作为目标分割结果。
114.由于得到的血管分割结果中冠脉分支中存在断开现象，还会由于噪声的干扰，导致血管分割结果的视觉效果较差。为了使得到血管分割结果更加美观，通过最大连通域法滤除血管分割结果中的噪声以及非连通的目标对象。具体可参见图4h所示的目标分割结果。
115.实施例五
116.图5是本发明实施例五中的一种血管分割装置的结构图。本发明实施例适用于将血管图像中的血管组织与背景区域分离的情况。该装置由软件和/或硬件实现，并具体配置于医疗影像设备中。其中，医疗影像设备可以是ct(computed tomography，计算机断层扫描)设备、mri(magnetic resonance imaging，磁共振成像)设备以及dsa(digital subtraction angiography，数字减影血管造影)设备等。
117.如图5所示的一种血管分割装置，包括：获取模块510以及分割模块520。
118.其中，获取模块510，用于获取待分割血管图像以及与所述待分割血管图像对应的血管分布图；
119.分割模块520，用于将所述待分割血管图像和所述血管分布图输入至预先训练得到的血管分割模型，得到血管分割结果。
120.本发明实施例通过获取模块获取待分割血管图像以及与所述待分割血管图像对应的血管分布图；通过分割模块将待分割血管图像和血管分布图输入预设血管分割模型，得到血管分割结果。采用上述技术方案解决了现有技术中血管分割方法不适用于冠脉图像等较为复杂的血管图像的分割问题，提高了血管分割精度。
121.进一步地，分割模块520，在执行将所述待分割血管图像和所述血管分布图输入至预设血管分割模型时，包括：
122.融合单元，用于对所述待分割血管图像和所述血管分布图进行融合，并将融合后的图像输入至预设血管分割模型中。
123.进一步地，所述融合单元，具体用于：
124.将所述待分割血管图像和所述血管分布图并联输入至所述预设血管分割模型输入的不同通道，将各通道的图像分别输入至所述预设血管分割模型中；或者，
125.将所述待分割血管图像和所述血管分布图的各像素点相乘或相加，得到融合后的图像，并将所述融合后的图像输入至所述预设血管分割模型中。
126.进一步地，获取模块510，包括：
127.提取单元，用于使用至少一个滤波算法对所述待分割血管图像进行处理，得到所述血管分布图。
128.进一步地，提取单元，具体用于：
129.计算所述待分割血管图像中的每个像素点的海森矩阵的特征值；
130.采用管状滤波器对特征值进行处理得到响应值；
131.将各像素点对应的响应值组合得到所述血管分布图。
132.进一步地，提取单元，还用于在所述计算所述待分割血管图像中的每个像素点的海森矩阵的特征值之前，采用至少一个目标滤波器对所述待分割血管图像进行平滑处理，将平滑处理后的图像替代所述待分割血管图像；
133.相应的，提取单元在执行将各像素点对应的响应值组合得到所述血管分布图时，具体用于：
134.比较同一像素点基于不同目标滤波器时所对应的血管响应值，获取最大响应值作为目标响应值；
135.将各像素点对应的目标响应值组合形成所述血管分布图。
136.进一步地，该装置还包括，训练模块，用于：
137.在将所述待分割血管图像和所述血管分布图输入至预设血管分割模型，得到血管分割结果之前，对血管分割模型进行训练。
138.进一步地，训练模块，包括：
139.历史血管分布图确定单元，用于根据至少一个历史血管图像，确定相应的历史血管分布图；
140.当前血管分割结果得到单元，用于将所述历史血管图像和所述历史血管分布图输入至待训练的血管分割模型中，得到与各所述历史血管图像对应的当前血管分割结果；
141.模型预判参数调整单元，用于根据所述当前血管分割结果和期望分割结果之间的误差，调节所述血管分割模型的预判参数。
142.进一步地，当前血管分割结果得到单元，包括：
143.图像融合子单元，用于对所述历史血管图像和所述历史血管分布图进行融合，并将融合后的图像输入至待训练的血管分割模型中。
144.进一步地，所述图像融合子单元，具体用于：
145.将所述历史血管图像和所述历史血管分布图并联成待训练的血管分割模型输入的不同通道，将各通道的图像分别输入至待训练的血管分割模型中；或者，
146.将所述历史血管图像和所述历史血管分布图的各像素点相乘或相加，得到融合后的图像，并将所述融合后的图像输入至待训练的血管分割模型中。
147.进一步地，所述历史血管分布图确定单元，包括：
148.滤波处理子单元，用于使用至少一个滤波算法对各所述历史血管图像进行处理，
得到所述历史血管分布图。
149.进一步地，滤波处理子单元，具体用于：
150.计算所述历史血管图像中的每个像素点的海森矩阵的特征值；
151.采用管状滤波器对特征值进行增强处理得到响应值；
152.将各像素点对应的响应值组合得到所述历史血管分布图。
153.进一步地，滤波处理子单元，还用于：
154.在所述计算所述历史血管图像中的每个像素点的海森矩阵的特征值之前，采用至少一个目标滤波器对所述历史血管图像进行平滑处理，将平滑处理后的图像替代所述历史血管图像；
155.其中，所述目标滤波器包括高斯滤波器、线性滤波器以及维纳滤波器中的至少一种。
156.进一步地，滤波处理子单元，在执行将各像素点对应的响应值组合得到所述历史血管分布图时，包括：
157.比较同一像素点基于不同目标滤波器时所对应的血管响应值，获取最大响应值作为目标响应值；
158.将各像素点对应的目标响应值组合形成所述历史血管分布图。
159.进一步地，所述血管分割模型为u-net卷积神经网络或v-net卷积神经网络。
160.进一步地，该装置还包括，提取模块，用于：
161.在所述得到血管分割结果之后，提取所述血管分割结果中的最大血管连通图，得到目标血管分割图。
162.上述血管分割装置可执行本发明任意实施例所提供的血管分割方法，具备执行血管分割方法相应的功能模块和有益效果。
163.实施例六
164.图6是本发明实施例六中的一种医疗影像设备的结构示意图，该设备包括：输入装置610、输出装置620、处理器630以及存储装置640。
165.其中，输入装置610，用于获取待分割血管图像；
166.输出装置620，用于展示待分割血管图像，还用于展示血管分割结果；
167.一个或多个处理器630；
168.存储装置640，用于存储一个或多个程序。
169.图6中以一个处理器630为例，该医疗影像设备中的输入装置610可以通过总线或其他方式与输出装置620、处理器630以及存储装置640相连，且处理器630和存储装置640也通过总线或其他方式连接，图6中以通过总线连接为例。
170.在本实施例中，医疗影像设备中的处理器630可以从输入装置610或存储装置640中获取待分割血管图像以及与所述待分割血管图像对应的血管分布图；还可以将所述待分割血管图像和所述血管分布图输入至存储装置640中预先训练得到的血管分割模型，得到血管分割结果。
171.该医疗影像设备中的存储装置640作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例中血管分割方法对应的程序指令/模块(例如，附图5所示的获取模块510以及分割模块520)。
处理器630通过运行存储在存储装置640中的软件程序、指令以及模块，从而执行医疗影像设备的各种功能应用以及数据处理，即实现上述方法实施例中的血管分割方法。
172.存储装置640可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储数据等(如上述实施例中的待分割血管图像、血管分布图、血管分割模型以及血管分割结果等)。此外，存储装置640可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置640可进一步包括相对于处理器630远程设置的存储器，这些远程存储器可以通过网络连接至服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
173.本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被血管分割装置执行时实现本发明实施提供的血管分割方法，该方法包括：获取待分割血管图像以及与所述待分割血管图像对应的血管分布图；将所述待分割血管图像和所述血管分布图输入至预先训练得到的血管分割模型，得到血管分割结果。
174.注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。