血管宽度估计模型建立方法和血管宽度估计模型

1.本发明涉及数据识别技术领域，尤其涉及一种血管宽度估计模型建立方法和血管宽度估计模型。


背景技术：

2.在世界范围内，心血管疾病已成为威胁人类健康的第一大杀手。冠脉介入手术作为一种微创手术，只需在病人大腿或手臂上开一个小孔进行真皮穿刺，借助人体血管通道将介入器械递送到狭窄病变部位并进行扩张，扩大病变处血管的内径后放置支架保持血管张开，从而恢复血流通，已成为治疗冠心病的主要手术方式。但是该手术的医师需要长时间地暴露在x射线下，过量的x射线辐射会对人体造成极为不利的影响。
3.因此，可以通过开发血管介入手术机器人可以将手术医师从手术中解放出来，但该问题的核心在于如何赋予手术机器人智能，即如何赋予血管介入手术机器人视觉感知能力。血管宽度是指血管的管腔内径。由于血管宽度不可直接测量，因此只能根据血管造影影像对血管的宽度进行估计。由于血管的三维图像相比于二维图像更加难以获得，再加上血管本身是管状结构，因此目前对血管宽度的估计主要是在二维图像上进行的。
4.相关技术中，血管宽度估计算法可以分为半自动算法和全自动算法。半自动算法需要用户指定剖面线，算法不够智能，而且宽度预测结果的好坏很大程度上取决于用户给定的剖面线是否准确。全自动算法的优点是无需用户参与，缺点在于运行时间过长。使用常规卷积神经网络模型来完成血管宽度估计任务时能够克服上述缺点，但是会面对以下难点：(1)训练卷积神经网络算法需要血管的真实宽度值作为监督信息，但是现阶段在这一任务上并没有可以用于训练卷积神经网络的公开数据集；(2)基于标签生成算法得到的监督数据集分布不均衡，使得训练得到的常规卷积神经网络模型预测的血管宽度精度不高。


技术实现要素：

5.本发明提供一种血管宽度估计模型建立方法和血管宽度估计模型，用以解决现有技术中监督数据获取困难，血管宽度预测精度不高的缺陷，实现一种能够获得监督数据且血管宽度预测精度较高的血管宽度估计模型的建立方法和血管宽度估计模型。
6.本发明提供一种血管宽度估计模型建立方法，包括：
7.通过血管标签生成算法获得训练集对应的血管宽度标签信息；
8.建立初始血管宽度估计模型，所述初始血管宽度估计模型包括宽度回归分支和回归器分类分支，所述宽度回归分支包括n个局部宽度回归器；
9.采用所述训练集对n个所述局部宽度回归器进行训练，输出得到血管宽度预测信息；
10.采用所述训练集对所述回归器分类分支进行训练，输出得到基于n个所述局部宽度回归器的分类概率预测信息；
11.根据所述血管宽度预测信息与所述血管宽度标签信息之间的误差，以及分类概率
预测信息与真实概率之间的误差建立损失函数；
12.优化所述损失函数，更新所述初始血管宽度估计模型的参数，直至收敛，以得到所述血管宽度估计模型。
13.根据本发明提供的一种血管宽度估计模型建立方法，所述采用训练集对n个所述局部宽度回归器进行训练，输出得到血管宽度预测信息，包括：
14.从所述训练集中获取血管宽度值分别落在n个所述局部宽度回归器对应的宽度范围内的n个血管像素集合；
15.采用n个血管像素集合分别对对应的n个所述局部宽度回归器进行训练，获得血管宽度预测信息。
16.根据本发明提供的一种血管宽度估计模型建立方法，所述通过血管标签生成算法获得所述训练集对应的血管宽度标签信息，包括：
17.根据所述训练集中的训练图像得到训练图像的分割图像；
18.通过血管标签生成算法根据所述分割图像获得所述训练图像对应的血管宽度标签信息。
19.根据本发明提供的一种血管宽度估计模型建立方法，所述通过血管标签生成算法根据所述分割图像获得所述训练图像对应的血管宽度标签信息，包括：
20.根据所述分割图像得到血管中心线图像；
21.遍历所述血管中心线图像上的中心线像素，计算获得每个所述中心线像素的剖面线；
22.获取所述剖面线上的血管边界点，根据所述血管边界点计算所述剖面线处的血管宽度值；
23.根据各所述剖面线处的血管宽度值获得所述训练图像对应的血管宽度标签信息。
24.根据本发明提供的一种血管宽度估计模型建立方法，所述根据所述分割图像得到血管中心线图像，包括：
25.根据所述分割图像得到初始血管中心线图像；
26.去除所述初始血管中心线图像上的分叉点和交叉点，得到所述血管中心线图像。
27.根据本发明提供的一种血管宽度估计模型建立方法，所述根据所述血管宽度预测信息与所述血管宽度标签信息之间的误差，以及分类概率预测信息与真实概率之间的误差建立损失函数，包括：
28.根据所述血管宽度预测信息和所述血管宽度标签信息之间的误差建立所述宽度回归分支的第一损失函数；
29.根据所述分类概率预测信息和所述真实概率之间的误差建立所述回归器分类分支的第二损失函数；
30.将所述第一损失函数和所述第二损失函数进行加权求和获得所述损失函数。
31.本发明还提供一种血管宽度估计模型，上述任一种所述血管宽度估计模型建立方法建立，所述血管宽度估计模型为卷积神经网络模型包括宽度回归分支和回归器分类分支，所述宽度回归分支包括n个局部宽度回归器；
32.所述宽度回归分支用于基于血管图像，在n个所述局部宽度回归器下分别输出所述血管图像中各像素所属血管的n个血管宽度预测信息；
33.所述分类回归分支用于基于所述训练图像，输出所述血管图像中各所述像素基于所述血管宽度，属于n个所述局部宽度回归器的分类概率预测信息。
34.本发明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，所述处理器执行所述程序时实现如上述任一种所述血管宽度估计模型建立方法。
35.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述血管宽度估计模型建立方法。
36.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述血管宽度估计模型建立方法。
37.本发明提供的血管宽度估计模型建立方法和血管宽度估计模型，通过血管标签生成算法能够获得训练监督信息，在建立模型时采用分治的思想使得模型包括宽度回归分支和回归器分类分支，通过将两个分支的预测结果进行融合，克服了生成的训练监督信息分布不均衡的问题，提高了血管宽度估计模型的估计精度。
附图说明
38.为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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。
39.图1是本发明提供的血管宽度估计模型建立方法的流程示意图；
40.图2是本发明提供的冠脉血管宽度值的统计分布图；
41.图3是本发明提供的得到血管宽度预测信息的流程示意图；
42.图4是本发明提供的获得血管宽度标签信息的流程示意图；
43.图5是本发明提供的根据所述分割图像获得所述训练图像对应的血管宽度标签信息的流程示意图之一；
44.图6是本发明提供的根据所述分割图像获得所述训练图像对应的血管宽度标签信息的流程示意图之二；
45.图7是本发明提供的根据所述分割图像得到血管中心线图像的流程示意图；
46.图8是本发明提供的建立损失函数的流程示意图；
47.图9是本发明提供的血管宽度估计模型的结构示意图；
48.图10是本发明提供的得到血管宽度估计模型的输入输出示意图；
49.图11是本发明提供的根据宽度预测信息和分类概率预测信息获得血管宽度估计信息的算法示意图；
50.图12是本发明提供的vdis子数据集中眼球图像示意图；
51.图13是本发明提供的clris子数据集中眼球图像示意图；
52.图14是本发明提供的消融实验中宽度回归分支的结构示意图；
53.图15是本发明提供的消融实验中回归器分类分支的结构示意图；
54.图16是本发明提供的实验二中误差标准差结果示意图；
55.图17是本发明提供的实验二中平均误差标准差结果示意图；
56.图18是本发明提供的电子设备的结构示意图。
具体实施方式
57.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
58.下面结合图1-图8描述本发明的一种血管宽度估计模型建立方法，该方法包括：
59.s101：通过血管标签生成算法获得训练集对应的血管宽度标签信息。
60.在实际应用中发现，血管的宽度值分布是不均衡的，参考图2中所示，图2为冠脉血管宽度值的统计分布图，横坐标轴表示血管的宽度，单位为像素，纵轴表示血管的长度，单位为像素。由图2可以看出冠脉血管的宽度值主要集中在2-10像素的区间内。
61.血管的宽度值分布不均衡的情况下的得到的血管宽度标签信息也是不均衡的。
62.s102：建立初始血管宽度估计模型，所述初始血管宽度估计模型包括宽度回归分支和回归器分类分支，所述宽度回归分支包括n个局部宽度回归器。
63.示例性的，血管宽度标签信息不均衡会使得初始血管宽度估计模型在训练时将更多的注意力放在宽度为2-10像素的血管上。为克服采用血管标签生成算法获得的所述训练集对应的血管宽度标签信息分布不均衡的问题，此处建立的初始血管宽度估计模型需要包括宽度回归分支和回归器分类分支，而宽度回归分支又包括n个局部宽度回归器。其中，局部宽度回归器的个数n可以根据dsa影像的类型设定，例如当dsa影像为眼底图像时，其局部宽度回归器的个数3≤n≤7，当dsa影像为冠脉血管图像时，其局部宽度回归器的个数8≤n≤13。
64.在设置n个局部宽度回归器时，n个局部宽度回归器分别对应不同的血管宽度范围，例如第一个局部宽度回归器对应的血管宽度范围为1～4像素宽度，第二个局部宽度回归器对应的血管宽度范围为5～8像素宽度。
65.示例性的，该初始血管宽度估计模型可以是使用卷积神经网络中的编码器-解码器网络结构，该网络结构中包括两个解码器分支：宽度回归分支和回归器分类分支，这两个解码器分支均为u-net模型，采用分治的思想用以基于不同宽度类别的血管建立不同的局部宽度回归器。
66.s103：采用所述训练集对n个所述局部宽度回归器进行训练，输出得到血管宽度预测信息。
67.具体的，采用训练集对n个所述局部宽度回归器进行训练，训练集可以是dsa(digital subtraction angiography，数字减影血管造影)影像，对n个所述局部宽度回归器进行训练，n个所述局部宽度回归器输出能够得到的血管宽度预测信息。
68.s104：采用所述训练集对所述回归器分类分支进行训练，输出得到基于n个所述局部宽度回归器的分类概率预测信息。
69.具体的，采用训练集对回归器分类分支进行训练，训练集可以包括dsa(digital subtraction angiography，数字减影血管造影)影像。对回归器分类分支进行训练时，回归器分类分支输出dsa影像中所有像素基于所属血管宽度的分类概率预测信息，分类概率预
测信息即是某像素基于所属血管的宽度属于n个局部宽度回归器的概率的预测信息。
70.示例性的，假设局部宽度回归器的个数n为5，n1对应的血管宽度范围为1～4个像素，n2对应的血管宽度范围为5～8个像素，n3对应的血管宽度范围为个9～12像素，n4对应的血管宽度范围为个10～14像素，n5对应的血管宽度范围为15～18个像素。
71.假设像素1所属血管的宽度为7个像素时，回归器分类分支输出的像素1分别属于5个局部宽度回归器的概率预测信息。例如：属于局部宽度回归器n1的概率为2％，属于n2的概率为93.8％，属于n3的概率为2.3％，属于n4的概率为1.2％，属于n5的概率为0.7％。
72.s105：根据所述血管宽度预测信息与所述血管宽度标签信息之间的误差，以及分类概率预测信息与真实概率之间的误差建立损失函数。
73.示例性的，将血管宽度预测信息和血管宽度标签信息进行比较，血管宽度预测信息和血管宽度标签信息之间可能会有一定的误差，对n个所述局部宽度回归器进行训练的目的是为了尽可能的使得血管宽度预测信息和血管宽度标签信息之间的误差减小。
74.分类概率预测信息与真实概率之间也可能会有一定的误差，对回归器分类分支进行训练的目的是为了尽可能的使得分类概率预测信息与真实概率之间的误差减小。
75.因此基于血管宽度预测信息与血管宽度标签信息之间的误差，以及分类概率预测信息与真实概率之间的误差建立损失函数。
76.s106：优化所述损失函数，更新所述初始血管宽度估计模型的参数，直至收敛，以得到所述血管宽度估计模型。
77.具体的，通过对上述步骤建立的损失函数进行优化，来更新初始血管宽度估计模型的参数，以得到具有较高精度的血管宽度估计模型。
78.本发明提供的血管宽度估计模型建立方法，通过血管标签生成算法能够获得训练监督信息，在建立模型时采用分治的思想使得模型包括宽度回归分支和回归器分类分支，通过将两个分支的预测结果进行融合，克服了生成的训练监督信息分布不均衡的问题，提高了血管宽度估计模型的估计精度。
79.在一个实施例中，参考图3所示，所述采用训练集对n个所述局部宽度回归器进行训练，输出得到血管宽度预测信息，包括：
80.s301：从所述训练集中获取血管宽度值分别落在n个所述局部宽度回归器对应的宽度范围内的n个血管像素集合。
81.具体的，从训练集中的dsa影像中获取n个血管像素集合的方式为：将dsa影像中的血管像素根据n个局部宽度回归器对应的血管宽度范围划分为n个血管像素集合。
82.示例性的，采用血管标签生成算法已经获得了血管宽度标签信息，根据血管宽度标签信息既可以对血管像素进行划分。
83.s302：采用n个血管像素集合分别对对应的n个所述局部宽度回归器进行训练，获得血管宽度预测信息。
84.具体的，采用n个血管像素集合分别对对应的n个局部宽度回归器进行训练，即是采用第一个血管像素集合对第一个局部宽度回归器进行训练，采用第二个血管像素集合对第二个局部宽度回归器进行训练，以此类推。
85.在一个实施例中，参考图4中所示，所述通过血管标签生成算法获得所述训练集对应的血管宽度标签信息，包括：
86.s401：根据所述训练集中的训练图像得到训练图像的分割图像。
87.根据所述训练集中的训练图像得到训练图像的分割图像就是将训练集中的dsa影像进行处理，使得图像背景与血管区分开，从而清晰的体现血管，示例性的，图像背景可以显示为黑色，血管可以显示为白色。
88.s402：通过血管标签生成算法根据所述分割图像获得所述训练图像对应的血管宽度标签信息。
89.具体的，血管标签生成算法可以根据分割图像获得所述训练图像对应的血管宽度标签信息。
90.在一个实施例中，参考图5所示，所述通过血管标签生成算法根据所述分割图像获得所述训练图像对应的血管宽度标签信息，包括：
91.s501：根据所述分割图像得到血管中心线图像。
92.参考图6中所示，图6中的图a为dsa影像，图b为根据dsa影像生成的分割图像，图c为根据所述分割图像得到的血管中心线图像。
93.s502：遍历所述血管中心线图像上的中心线像素，计算获得每个所述中心线像素的剖面线。
94.参考图6中所示，示例性的，遍历所述中心线图像上的中心线像素，计算获得每个中心线像素的剖面线的步骤为：参考图9中图d所示，首先获取中心线图像上目标像素的轴向线，即是图6中图d中的短直线，再根据所述轴向线确定所述目标像素的剖面线，可以理解的是，目标像素上垂直于轴向线的线即为剖面线，即是图6中图e中的短直线。
95.s503：获取所述剖面线上的血管边界点，根据所述血管边界点计算所述剖面线处的血管宽度值。
96.可以理解的是，在获得了上述的剖面线后，即可以根据剖面线来获得目标像素位置处的血管边界点，根据血管边界点既可以计算获得目标像素剖面线处的血管宽度值。
97.s504：根据各所述剖面线处的血管宽度值获得所述训练图像对应的血管宽度标签信息。
98.根据像素剖面线处的血管宽度值，既可以获得训练图像dsa影像对应的血管宽度标签信息，该血管宽度标签信息如图6中的图f所示。示例性的，血管宽度标签信息的展示方式不限于图f所示，根据需要还可以以血管宽度数值等其他的方式进行输出。
99.在一个实施例中，参考图7中所示，所述根据所述分割图像得到血管中心线图像，包括：
100.s701:根据所述分割图像得到初始血管中心线图像。
101.首先根据所述分割图像得到初始血管中心线图像。
102.s702:去除所述初始血管中心线图像上的分叉点和交叉点，得到所述血管中心线图像。
103.由于初始血管中心线图像上包括血管的交叉点和分叉点，这些位置处由于是血管的交汇处，因此无需获得宽度值，所以在得到初始血管中心线图像后直接去除初始血管中心线图像上的分叉点和交叉点，得到所述血管中心线图像。
104.在一个实施例中，参考图8中所示，所述根据所述血管宽度预测信息与所述血管宽度标签信息之间的误差，以及分类概率预测信息与真实概率之间的误差建立损失函数，包
括：
105.s801：根据所述血管宽度预测信息和所述血管宽度标签信息之间的误差建立所述宽度回归分支的第一损失函数。
106.建立第一损失函数，第一损失函数是根据血管宽度预测信息和所述血管宽度标签信息之间的误差建立的，示例性的，可以采用均方误差作为宽度回归分支的第一损失函数。
107.s802：根据所述分类概率预测信息和所述真实概率之间的误差建立所述回归器分类分支的第二损失函数。
108.建立第二损失函数，第二损失函数是根据分类概率预测信息和真实概率之间的误差之间的误差建立的。
109.真实概率的获知方法为：在通过血管标签生成算法获得训练集对应的血管宽度标签信息后，可以获知dsa图像的血管宽度，基于血管宽度就可以获知血管上像素属于n个局部宽度回归器的真实概率。假设像素1所属血管的宽度血管宽度标签为7个像素时，像素1的真实概率为：属于n2的概率为100％。
110.示例性的，可以采用softmax交叉熵作为回归器分支的第二损失函数，softmax是一种激活函数，它可以将一个数值向量归一化为一个概率分布向量，且各个概率之和为1。
111.s803：将所述第一损失函数和所述第二损失函数进行加权求和获得所述损失函数。
112.根据前述获得的第一损失函数和第二损失函数进行加权求和即获得初始血管宽度估计模型的损失函数：
[0113][0114]
其中，l
reg
是宽度回归分支的损失函数；l
cls
是回归器分类分支的损失函数；λ是为宽度回归损失设置的权重；p是dsa图像中像素的总个数(p＝h
×
w)；n局部宽度回归器的个数；vi是像素i是否用于训练血管宽度估计模型的标志；w和w
*
分别为宽度回归分支输出的血管宽度预测信息和通过血管标签生成算法获得的血管宽度标签信息；q(j)和p(j)是回归器分类分支输出的概率预测值和真实概率值标签。
[0115]
下面对本发明提供的一种血管宽度估计模型进行描述，该血管宽度估计模型通过上述任一种所述血管宽度估计模型建立方法建立，参考图9所示出，所述血管宽度估计模型为卷积神经网络模型包括宽度回归分支和回归器分类分支，所述宽度回归分支包括n个局部宽度回归器；
[0116]
所述宽度回归分支用于基于血管图像，在n个所述局部宽度回归器下分别输出所述血管图像中各像素所属血管的n个血管宽度预测信息；
[0117]
所述分类回归分支用于基于所述训练图像，输出所述血管图像中各所述像素基于所述血管宽度，属于n个所述局部宽度回归器的分类概率预测信息。
[0118]
具体的，血管宽度估计模型获得图像的血管宽度信息的速度比采用血管标签生成算法获得血管宽度标签信息的耗时短。参考图10中所示，该血管宽度估计模型的输入为dsa影像，输出为血管宽度估计信息，血管宽度估计信息包括图10右边的血管宽度图像，该图像
与输入的dsa影像的尺度相同。
[0119]
参考图9和图11中所示，在对训练好的血管宽度估计模型进行使用时，输入一张dsa影像，根据输入的dsa影像，宽度回归分支中的n的局部宽度回归器分别用于计算dsa影像中各像素在n个局部宽度回归器下对应的血管宽度预测信息并输出，输出的血管宽度预测信息大小为h
×w×
n，h
×w×
n为一个三维的数据标签，其中h表示每张dsa影像的高度上的像素个数，w表示每张dsa影像的宽度上的像素个数，n表示各像素对于n个回归器得到了n个血管宽度预测信息。
[0120]
根据训练的dsa影像，回归器分类分支用于计算dsa影像中各像素基于所属血管宽度，属于n个局部宽度回归器的分类概率预测信息并进行输出。回归器分类分支输出的分类概率预测信息大小也为h
×w×
n，h
×w×
n为一个三维的数据标签，其中h表示每张图像的高度上的像素个数，w表示每张图像的宽度上的像素个数，n表示各像素对于n个回归器得到了n个概率预测值。
[0121]
示例性的，参考图11中所示，在根据各像素在n个局部宽度回归器下对应的血管宽度预测信息和各像素属于n个局部宽度回归器的分类概率预测信息，输出得到血管宽度估计信息时，针对每个像素，将其在n个局部宽度回归器下对应的宽度预测信息分别与对应的属于n个局部宽度回归器的分类概率预测信息相乘后再进行加和，从而获得该像素对应的宽度估计信息。例如，一个像素在n个局部宽度回归器下对应的宽度预测信息为x1、x2、x3…
xn，一个像素属于n个局部宽度回归器的分类概率预测信息为y1、y2、y3…yn
，则该像素的宽度估计信息为x1y1 x2y2 x3y3…
x
nyn
，即如图11中的5.46，单位为像素。得到各像素的宽度估计信息后即可得到dsa影像对应的血管宽度估计信息，如图11右侧眼球示意图。可以理解的是，当像素为非血管位置处的像素时，该像素属于n个局部宽度回归器的分类概率均为0，如图10的右边图片所示，非血管位置处的像素即为背景像素，与血管像素的颜色不同。
[0122]
对上述方法获得的血管宽度估计模型进行实验验证：
[0123]
实验一，眼底实验：
[0124]
在视网膜血管的宽度估计任务上目前有公开数据集review[86](retinal vessel image set for estimation of widths)。review中包含4个子数据集，分别是hris，vdis，clris，kpis。其中，clris中包含的都是中心线反光血管段，在宽度估计难度上相比于其他3个子数据集要大一些，hris和vdis子数据集的数据量大，kpis子数据集数据最少且难度最低，在进行实验时不使用kpis子数据集。
[0125]
参考图12和13，图12和图13中的两个图像样本分别属于vdis和clris子数据集，将训练好的血管宽度估计模型在review数据集中的表现直接与现有算法进行比较。
[0126]
进行准备工作时，分别将review数据集中的hris子数据集和clris子数据集的图像分辨率缩放到1792
×
1232和1440
×
960，vdis子集的图像分辨率保持在1360
×
1024不变。实验中使用视网膜图像的绿色通道作为输入图像，输入前进行图像裁剪，在实验中，随机从图像中裁剪出288
×
288大小的局部图像作为血管宽度估计模型的输入图像。设置局部宽度回归器的个数n为5，每个局部宽度回归器中的范围跨度为4个像素，损失函数中的λ设置为5，训练使用adam优化器进行训练，每次实验使用图像的个数设置为4。
[0127]
使用预测成功率以及误差标准差(σe)作为眼底图像中视网膜血管宽度估计实验的评价指标，与主流的全自动和半自动血管宽度估计算法进行了比较。实测发现，血管宽度
估计模型的预测成功率是100％，而其他方法都不能达到这样的成功率，其中，在clris子集和hris子集进行预测取得了精度最高的血管宽度估计结果。
[0128]
实验二，冠脉血管消融实验：
[0129]
为了验证分治思想的作用，参考图14和图15中所示，实验中使用了消融实验的基本思路：首先分别去除血管宽度估计模型中两个解码器分支即宽度回归分支和回归器分类分支中的一个，然后将其与具有分治思想的血管宽度估计模型进行对比。
[0130]
当回归器分类分支被去除时，这种方法被命名为基于单回归器的方法。经试验，基于单回归器的方法可能会因为血管宽度值的分布不均，导致方法将注意力重点放在保证细血管的宽度估计精度上。
[0131]
当宽度回归分支被去除时，这种方法被命名为基于分类的方法。在采用基于分类的方法时，一个血管宽度值为一个类，例如可以分为30个类，一个类代表一个宽度值，第一类的宽度即是1个像素、第二类的宽度即是2个像素、第三类的宽度即是3个像素，以此类推第三十类的宽度即是30个像素，基于分类的方法在预测出血管宽度属于哪个类时即可以获得血管的宽度。经试验，基于分类的方法会使血管宽度预测的精度会下降，进一步放大样本不均衡问题。
[0132]
使用误差标准差(σe)和平均误差标准差(meanσe)作为实验二的评价指标，参考图16和图17可以看出，基于单回归器的方法和基于分类的方法在细血管上的宽度估计精度明显比在粗血管上的宽度估计精度要好。相比之下，本发明提出的具有分治思想的血管宽度估计模型不但保证了在细血管上的性能，同时显著改善了在粗血管上的宽度估计精度，有效缓解了训练样本不平衡带来的不利影响。由图17可以看出具有分治思想的血管宽度估计模型预测的血管宽度的平均误差标准差最小，仅有1.51个像素。
[0133]
冠脉血管宽度估计实验通过使用随机翻转，随机灰度变化和随机对比度变化等方法来增加实验图片的个数。实验时设置血管宽度估计模型中局部宽度回归器的个数n为10，每个局部宽度回归器中的范围跨度为3个像素。损失函数中的λ设置为5，模型训练使用adam优化器进行训练，每次实验使用图像的个数设置为4。
[0134]
本发明提供的血管宽度估计模型，通过血管标签生成算法能够获得训练监督信息，在建立模型时采用分治的思想使得模型包括宽度回归分支和回归器分类分支，通过将两个分支的预测结果进行融合，克服了生成的训练监督信息分布不均衡的问题，提高了血管宽度估计模型的估计精度。
[0135]
图18示例了一种电子设备的实体结构示意图，如图18所示，该电子设备可以包括：处理器(processor)1810、通信接口(communications interface)1820、存储器(memory)1830和通信总线1840，其中，处理器1810，通信接口1820，存储器1830通过通信总线1840完成相互间的通信。处理器1810可以调用存储器1830中的逻辑指令，以执行血管宽度估计模型建立方法，该方法包括：通过血管标签生成算法获得训练集对应的血管宽度标签信息；建立初始血管宽度估计模型，所述初始血管宽度估计模型包括宽度回归分支和回归器分类分支，所述宽度回归分支包括n个局部宽度回归器；采用所述训练集对n个所述局部宽度回归器进行训练，输出得到血管宽度预测信息；采用所述训练集对所述回归器分类分支进行训练，输出得到基于n个所述局部宽度回归器的分类概率预测信息；根据所述血管宽度预测信息与所述血管宽度标签信息之间的误差，以及分类概率预测信息与真实概率之间的误差建
立损失函数；优化所述损失函数，更新所述初始血管宽度估计模型的参数，直至收敛，以得到所述血管宽度估计模型。
[0136]
此外，上述的存储器1830中的逻辑指令可以通过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，本发明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)执行本发明各个实施例所述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。
[0137]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的血管宽度估计模型建立方法，该方法包括：通过血管标签生成算法获得训练集对应的血管宽度标签信息；建立初始血管宽度估计模型，所述初始血管宽度估计模型包括宽度回归分支和回归器分类分支，所述宽度回归分支包括n个局部宽度回归器；采用所述训练集对n个所述局部宽度回归器进行训练，输出得到血管宽度预测信息；采用所述训练集对所述回归器分类分支进行训练，输出得到基于n个所述局部宽度回归器的分类概率预测信息；根据所述血管宽度预测信息与所述血管宽度标签信息之间的误差，以及分类概率预测信息与真实概率之间的误差建立损失函数；优化所述损失函数，更新所述初始血管宽度估计模型的参数，直至收敛，以得到所述血管宽度估计模型。
[0138]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的血管宽度估计模型建立方法，该方法包括：通过血管标签生成算法获得训练集对应的血管宽度标签信息；建立初始血管宽度估计模型，所述初始血管宽度估计模型包括宽度回归分支和回归器分类分支，所述宽度回归分支包括n个局部宽度回归器；采用所述训练集对n个所述局部宽度回归器进行训练，输出得到血管宽度预测信息；采用所述训练集对所述回归器分类分支进行训练，输出得到基于n个所述局部宽度回归器的分类概率预测信息；根据所述血管宽度预测信息与所述血管宽度标签信息之间的误差，以及分类概率预测信息与真实概率之间的误差建立损失函数；优化所述损失函数，更新所述初始血管宽度估计模型的参数，直至收敛，以得到所述血管宽度估计模型。
[0139]
以上所描述的装置实施例仅仅是示意性的，其中所述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，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0140]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
[0141]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。