申请/专利权人：北京科亚方舟医疗科技股份有限公司

申请日：2019-04-02

公开（公告）日：2021-04-13

公开（公告）号：CN109979593B

主分类号：G16H50/20(20180101)

分类号：G16H50/20(20180101)

优先权：["20180924 US 62/735,829"]

专利状态码：有效-授权

法律状态：2021.04.13#授权;2019.07.30#实质审查的生效;2019.07.05#公开

摘要：本公开提供一种血管路径的健康半径的预测方法、血管路径的候选狭窄处的预测方法、血管狭窄度预测装置。健康半径的预测方法包括：获取所述血管路径的血管半径；利用处理器，检测所述血管路径的血管半径的峰值；以及利用处理器，通过在半径峰值上进行回归来预测健康半径。血管狭窄度预测装置包括处理器，其配置为通过执行可执行指令实现：获取各条血管路径的候选狭窄范围内沿着中心线的图像单元；以及基于所获取的图像单元，利用学习网络来确定各条血管路径的狭窄度，其中，学习网络基于卷积神经网络和递归神经网络构成。该装置能够自动确定候选狭窄处，并针对候选狭窄范围检测狭窄度，能显著减少计算负荷、提高检测效率并有效避免漏检。

主权项：1.一种血管路径的健康半径的预测方法，其由计算机实现，且其特征在于，所述预测方法包括以下步骤：获取所述血管路径的血管半径；利用处理器，检测所述血管路径上的血管半径中的半径峰值；以及利用处理器，通过在所述血管半径中的半径峰值上进行回归来预测血管路径上的血管的健康半径，包括：通过在所述血管半径中的半径峰值上进行一次回归，来预测血管路径上的血管的参考健康半径；基于所预测的血管路径上的血管的参考健康半径，对所述血管半径中的半径峰值进行处理；以及通过在处理后的所述血管半径中的半径峰值上进行二次回归，来预测血管路径上的血管的健康半径。

全文数据：血管路径的健康半径的预测方法、血管路径的候选狭窄处的预测方法、血管狭窄度预测装置技术领域本公开涉及一种血管生理参数的预测方法和预测装置，更具体说来，涉及一种血管路径一段血管的健康半径的预测方法、血管路径的候选狭窄处的预测方法以及利用机器学习来预测血管狭窄度的装置。背景技术近期的研究表明，血管的狭窄度对于心血管疾病的诊断和预防方面具有重要意义。通常血管的狭窄度是人工确定的，也就是专家通过人工观察冠状动脉CT血管造影CTA和或定量冠脉造影QCA来进行判断，但这种判断耗时、乏味且浪费了大量资源，并且严重依赖于专家的经验。虽然目前提出了一些自动或半自动确定血管狭窄度的方法，但这些方法或者由专家人工确定血管狭窄度的检测区域，或者对大段血管进行全局扫描，前者依然严重依赖于专家的经验，后者导致消耗大量计算资源且计算速度较慢，不能良好地满足临床的时间要求。传统的自动或半自动确定血管狭窄度的方法也引入了机器学习，但是这些基于机器学习的狭窄检测系统一般包括多个模块，例如特征提取模块、狭窄检测模块、狭窄权重估计模块。其中，特征提取模块通常人为规定特征提取方式，其不能针对不同应用场景进行适应性调整，狭窄检测模块和狭窄权重估计模块都是独立训练的，目标函数均不相同。模块的独立训练分别需要对应的训练数据，对于训练数据的要求较高；且训练时不能彼此取长补短，无法实现系统整体的最优性能。发明内容提出了本申请以解决现有技术中的问题。旨在提供一种由计算机实现的血管路径的健康半径的自动预测方法，该方法不依赖于专家的经验，所预测的健康半径与实际测量的血管路径的健康半径吻合度良好。旨在提供一种由计算机实现的血管路径的候选狭窄处的预测方法，该方法不依赖于专家的经验，能够自动准确且全面地确定血管路径上需要进一步医疗干预的候选狭窄处。还旨在提供一种血管狭窄度预测装置，该血管狭窄度预测装置能够自动确定血管路径的候选狭窄处，并针对血管路径的候选狭窄范围来检测狭窄度，能够显著减少计算负荷、提高检测效率同时能够有效避免漏检；并且，该装置能够利用学习网络实现从图像块序列到整条血管路径上对应位置的狭窄度的端到端检测，该学习网络的训练也是端到端方式的，训练数据集更容易得到，且使得训练好的学习网络能够实现装置整体的良好预测性能。根据本公开的第一方面，提供一种血管路径的健康半径的预测方法，其由计算机实现，所述预测方法包括以下步骤：获取所述血管路径的血管半径；利用处理器，检测所述血管路径上的血管半径中的半径峰值；以及利用处理器，通过在所述血管半径中的半径峰值上进行回归来预测血管路径上的血管的健康半径。在一些实施例中，通过在所述血管半径中的半径峰值上进行回归来预测血管路径上的血管的健康半径的步骤包括：通过在所述血管半径中的半径峰值上进行一次回归，来预测血管路径上的血管的参考健康半径；基于所预测的血管路径上的血管的参考健康半径，对所述血管半径中的半径峰值进行处理；以及通过在处理后的所述血管半径中的半径峰值上进行二次回归，来预测血管路径上的血管的健康半径。在一些实施例中，基于所预测的血管路径上的血管的参考健康半径，对所述血管半径中的半径峰值进行处理的步骤包括：将所述血管半径中的半径峰值中低于相应的参考健康半径的半径峰值替换为所述相应的参考健康半径。在一些实施例中，所述回归包括高斯过程回归。根据本公开的第二方面，提供一种血管路径的候选狭窄处的预测方法，其由计算机实现，所述预测方法包括：根据本公开各个实施例的血管路径的健康半径的预测方法；利用处理器，检测所述血管路径的血管半径中的半径谷值；以及利用处理器，基于所述血管路径的半径谷值和健康半径来确定候选狭窄处。在一些实施例中，所述基于所述血管路径上的半径谷值和健康半径来确定候选狭窄处的步骤包括：确定血管路径各处的半径谷值与健康半径的比率，当该比率小于第一预定阈值时，确定该处为候选狭窄处；或者确定血管路径各处的健康半径与半径谷值的差和健康半径的比率，当该比率大于第二预定阈值时，确定该处为候选狭窄处。在一些实施例中，所述回归包括高斯过程回归。根据本公开的第三方面，提供一种血管狭窄度预测装置，所述血管狭窄度预测装置包括：接口，其配置为接收血管的图像；存储器，其存储有可执行指令；处理器，其配置为通过执行所述可执行指令实现如下步骤：基于所述血管的图像，提取血管路径及其中心线；确定各条血管路径的候选狭窄处；基于所确定的候选狭窄处来设置各条血管路径的候选狭窄范围；获取各条血管路径的候选狭窄范围内的沿着中心线的图像块；以及基于所获取的图像块，利用训练好的学习网络，来确定各条血管路径的狭窄度，其中，所述学习网络基于卷积神经网络和递归神经网络构成。在一些实施例中，各条血管路径的候选狭窄范围是以所确定的候选狭窄处为中心的一段长度。在一些实施例中，各条血管路径的候选狭窄处通过如下来确定：获取所述血管路径的血管半径；检测所述血管路径的血管半径中的半径峰值和半径谷值；通过在所述血管半径中的半径峰值上进行一次回归，来预测血管路径的参考健康半径；将所述血管半径中的半径峰值中低于相应的参考健康半径的半径峰值替换为所述相应的参考健康半径；通过在替换后的所述血管半径中的半径峰值上进行二次回归，来预测血管路径的健康半径；以及基于所述血管路径的半径谷值和健康半径来确定候选狭窄处。在一些实施例中，所述基于所述血管路径的半径谷值和健康半径来确定候选狭窄处的步骤包括：确定血管路径各处的半径谷值与健康半径的比率，当该比率小于第一预定阈值时，确定该处为候选狭窄处；或者确定血管路径各处的健康半径与半径谷值的差和健康半径的比率，当该比率大于第二预定阈值时，确定该处为候选狭窄处。在一些实施例中，所述递归神经网络是双向递归神经网络。在一些实施例中，所述血管狭窄度预测装置还包括：输出单元，其配置为输出各条血管路径的狭窄处、狭窄范围以及狭窄度值中的至少一种。根据本公开的第四方面，提供一种非瞬时性存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现如下方法的至少一种：根据本公开各个实施例的血管路径的健康半径的预测方法；根据本公开各个实施例的血管路径的候选狭窄处的预测方法；以及用于预测血管狭窄度的方法，该方法包括如下步骤：基于所述血管的图像，提取血管路径及其中心线；确定各条血管路径的候选狭窄处；基于所确定的候选狭窄处来设置各条血管路径的候选狭窄范围；获取各条血管路径的候选狭窄范围内的沿着中心线的图像块；以及基于所获取的图像块，利用训练好的学习网络，来确定各条血管路径的狭窄度，其中，所述学习网络基于卷积神经网络和递归神经网络构成。根据本公开各个实施例的血管路径的健康半径的预测方法，能够预测与实际情况吻合度良好的血管路径的健康半径，根据本公开各个实施例的血管路径的候选狭窄处的预测方法以及血管狭窄度预测装置能够自动确定候选狭窄处，并针对候选狭窄范围检测狭窄度，能显著减少计算负荷、提高检测效率并有效避免漏检。附图说明包含在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且与上面给出的对本公开的大致描述以及下面给出的对实施例的详细描述一起用于解释本公开的原理。图1示出根据本公开实施例的一种血管路径的健康半径的预测方法的流程图。图2a示出根据本公开实施例的一种预测方法所预测的血管直径的健康半径与实际测量的健康半径和病变半径的对比图示。图2b示出根据本公开实施例的另一种预测方法所预测的血管直径的健康半径与实际测量的健康半径和病变半径的对比图示。图2c示出根据本公开实施例的再一种预测方法所预测的血管直径的健康半径与实际测量的健康半径和病变半径的对比图示。图3示出根据本公开实施例的血管狭窄度的预测流程的示意图。图4示出根据本公开实施例的用于预测血管狭窄度的学习网络的结构示意图。图5示出根据本公开实施例的用于预测血管狭窄度的学习网络的训练流程图。图6示出根据本公开实施例的血管狭窄度预测系统的示意性图示。图7示出根据本公开实施例的血管狭窄度预测装置的示意性框图。具体实施方式在本公开中以下技术术语具有统一的含义。技术术语“血管路径”表示血管的从入口到出口的通路，例如，一个血管树可能包括多条血管路径。技术术语“血管路径的血管半径”表示该血管路径上各处具有的血管半径，也就是该血管半径对应的一系列血管半径。技术术语“血管路径的血管半径中的半径峰值”表示血管路径各处具有的一系列血管半径中的半径峰值的序列。图1示出根据本公开实施例的一种血管路径的健康半径的预测方法的流程100的图示。如图1所示，该预测流程100可以始于获取血管路径的血管半径步骤101。该步骤101可以采用各种方式来实现，例如，可以接收由图像采集装置采集的血管的医学图像，该医学图像可以是沿着血管纵向采集的CT图像，或者对于同一血管的不同投影角度的数字减影血管造影图像等。然后，基于所采集的血管的医学图像利用诸如VMTK等的各种开源工具来提取血管路径的中心线和血管壁，从而重建血管的三维几何模型，并从所重建的三维几何模型提取沿着血管路径各处的血管半径，例如但不限于血管路径的中心线上各处的血管半径。接着，利用处理器，检测血管路径的血管半径中的半径峰值步骤102，具体说来，血管路径各处具有的一系列血管半径中，一部分是局部的半径峰值，将这些局部的半径峰值检测出来并顺序排布。可以利用处理器在顺序排布的这些局部的半径峰值的序列上进行回归步骤103，以预测血管路径的健康半径。这种健康半径的预测方法可以自动实现，可以直接采用血管的医学图像作为输入，对于用户比较友好，且计算速度快，在一定程度上与临床检测得到的血管路径的健康半径分布吻合度较好。在根据本公开的各个实施例中，处理器可以是包括一个或多个通用处理装置的处理装置，诸如微处理器、中央处理单元CPU、图形处理单元GPU等。更具体地，所述处理器可以是复杂指令集计算CISC微处理器、精简指令集计算RISC微处理器、超长指令字VLIW微处理器、运行其他指令集的处理器或者运行指令集的组合的处理器。所述处理器还可以是一个或多个专用处理装置，诸如专用集成电路ASIC、现场可编程门阵列FPGA、数字信号处理器DSP，片上系统SoC等。如本领域技术人员将理解的，在一些实施例中，所述处理器可以是专用处理器，而不是通用处理器。所述处理器可以包括一个或多个已知的处理装置，例如来自IntelTM制造的PentiumTM、CoreTM、XeonTM或Itanium系列的微处理器，由AMDTM制造的TurionTM、AthlonTM、SempronTM、OpteronTM、FXTM、PhenomTM系列，或由SunMicrosystems制造的各种处理器。所述处理器还可以包括图形处理单元，诸如来自的GPU，由NvidiaTM制造的系列，由IntelTM制造的GMA，IrisTM系列，或由AMDTM制造的RadeonTM系列。所述处理器还可以包括加速处理单元，例如由AMDTM制造的DesktopA-46,6系列，由IntelTM制造的XeonPhiTM系列等。在一些实施例中，在步骤103中可以采用各种方式实现回归，包括但不限于样条拟合、贝叶斯线性回归、分段二项式拟合等。优选地，可以采用高斯过程回归，在高斯过程回归中引入了核函数，从而对于血管路径的波动频繁的半径分布曲线的回归效果显著优于其他回归方式。下面以高斯过程回归为例，对步骤103的各种实现方式进行说明。在一些实施例中，可以直接用血管路径的半径峰值做一次高斯过程回归以预测的血管路径的健康半径，所预测的血管路径的健康半径如图2a中的实线所示，与之对比，图2a中，还用虚线示出了血管路径的病变半径的分布曲线，并用加粗线示出了当前严重狭窄段尚未发生病变时实际测得的健康半径。可以看到，所预测的血管路径的健康半径相对于实际测量的健康半径偏低。在一些实施例中，也可以先在所述血管半径中的半径峰值上进行一次回归来预测血管路径上的血管的参考健康半径，并基于其对所述血管半径中的半径峰值进行处理，例如，从所述血管半径中的半径峰值中去除低于对应的参考健康半径的半径峰值下文中简称为“去除处理”，或者将低于参考健康半径的半径峰值替换为对应的参考健康半径下文中简称为“替换处理”。然后，通过在处理后的所述血管半径中的半径峰值上进行二次回归，来预测血管路径上的血管的健康半径。利用“去除处理”所预测的血管路径的健康半径如图2b中的实线所示，而利用“替换处理”所预测的血管路径的健康半径如图2c中的实线所示，与实际测量的健康半径相比，前者偏高，后者适中，看起来更合理，且与实际测量的健康半径分布吻合度最好。利用“去除处理”所预测的血管路径的健康半径，可以检测出两处候选狭窄例如狭窄度大于0.2的狭窄处，狭窄度为该狭窄处的波谷的幅值与对应位置的预测健康半径之差相对于对应位置的预测健康半径的比率，这两处狭窄的狭窄度分别是0.22和0.75参见图2b。利用“替换处理”所预测的血管路径的健康半径，可以检测出一处候选狭窄，该处狭窄的狭窄度为0.74参见图2c，医生对同条血管进行人工观察测量所得的结果实际狭窄数量以及实际测量的狭窄度与后者的吻合度更高。血管半径的健康半径虽然不能直接得到医学诊断结果，但其是对诊断具有重要作用的中间参数，例如，其可以用于进一步检测血管路径上的狭窄，而且还可以用于进一步检测血管路径上的异常凸起，等等。在本文中，技术术语“候选狭窄处”表示很可能发生需要医学干预的显著狭窄的地方。在一些实施例中，提供一种血管路径的候选狭窄处的预测方法，该预测方法可以采用根据本公开各种实施例的血管路径的健康半径的预测方法来预测血管路径的健康半径，并由处理器，在步骤101获取的血管路径的血管半径中检测半径谷值的序列，然后基于所检测到的血管路径的半径谷值和健康半径来确定候选狭窄处。可以采用各种方式基于所检测到的血管路径的半径谷值和健康半径来确定候选狭窄处。例如，假设血管路径上检测到n个波谷n为自然数，每个波谷处的半径为ri且对应的健康半径为hii取1到n之间的任何一个自然数，可以确定半径谷值ri与对应的健康半径hi的第一比率rihi，如果该第一比率rihi小于第一预定阈值例如0.8时，则此处可以确定为候选狭窄处。在一些实施例中，也可以确定第二比率hi-rihi，如果该第二比率大于第二预定阈值例如0.2时，则此处可以确定为候选狭窄处。图3示出根据本公开实施例的血管狭窄度的预测流程300的示意图。预测流程300可以始于接收血管例如血管树的医学图像图中未示出，该医学图像例如可以是血管树的CT图像，在下文中以血管树的CT图像为例进行说明。可以利用诸如VMTK等的开源软件或者利用现有的血管重建软件基于血管树的CT图像来提取血管路径及其中心线步骤301，血管树可以包括多个分支，因此也可以包括血管路径，每条血管路径具有相应的中心线。在一些实施例中，可以通过提取中心线和血管壁来重建每条血管路径的3D几何模型，从该几何模型提取沿着中心线的血管半径的序列。在一些实施例中，沿着中心线的血管半径的提取未必要重建血管路径的3D几何模型，例如，也可以从沿着中心线各处的CT图像，例如经由图像分析，来确定该处的血管半径。在步骤302，可以利用上文中记载的各种方法来确定各条血管路径的候选狭窄处，例如，对于每条血管路径，可以基于沿着其中心线的血管半径的序列来确定其的候选狭窄处。在步骤303，可以基于所确定的候选狭窄处来设置各条血管路径的候选狭窄范围。例如，候选狭窄范围可以设置为以所确定的候选狭窄处为中心的一段长度。在一些实施例中，候选狭窄范围可以设置为以候选狭窄点为中心包括两侧所有血管半径ri小于对应的健康半径hi的点的一段长度。接着，可以获取各条血管路径的候选狭窄范围内的沿着中心线的图像单元步骤304。这些沿着中心线的图像单元能够反映血管路径在空间上的几何结构，例如，可以是沿着中心线各处所截取的图像块，也可以是沿着中心线在重建的血管树的3D模型中采样的3D模型块。在步骤305，可以将所获取的各条血管路径的候选狭窄范围内的沿着中心线的图像单元例如但不限于图像块作为模型输入，馈送到训练好的学习网络，来确定相应血管路径的狭窄度。通过针对血管路径的候选狭窄范围来预测狭窄度，能够显著缩减搜索空间，提高预测效率，降低计算负荷，提高计算速度。并且，受益于与实际测量值高度吻合的所预测的健康半径，能够从整段血管路径中提取出有可能发生显著狭窄的候选狭窄范围，从而确保检出率并降低漏检率。候选狭窄范围的设置及其内狭窄度的预测，均可以在显著减少人工干预的情况下自动实现，在实践中能够缓解医院的人力负担，并且显著减少了对医生的经验依赖，有利于在临床迅速广泛推广。图4示出根据本公开实施例的用于预测血管狭窄度的学习网络的结构示意图。如图4所示，该学习网络可以基于卷积神经网络CNN和递归神经网络RNN构成。以采用沿着中心线的图像块作为模型输入为例进行说明，该学习网络是从沿着中心线的图像块到沿着中心线的狭窄度的端到端的学习模型。沿着中心线的图像块xt，t可以取1到采样点总数T之间的任何自然数可以作为模型输入401被馈送到CNN层402的对应CNN单元，所述CNN单元作为编码器对图像块xt进行学习和编码，来学习局部和空间上的信息并产生一个固定长度的向量zt＝Vxt。然后向量zt被馈送到递归神经网络。在一些实施例中，递归神经网络可以包括前向RNN层404、反向RNN层403、平均池化层405和回归层406。向量zt可以被馈送到包括前向RNN层404、反向RNN层403的双向RNN层中，以便利用前向RNN层404和反向RNN层403同时学习序列数据的关键的正方向和反方向上对于血管路径上的点则为其与上游点和下游点之间的相关性。该双向RNN层的前向RNN层404和反向RNN层403之间没有用边来连接，可以采用一般RNN的训练方法来分别训练，并且彼此的计算可以并行处理，有助于提高计算效率。随后，馈送到平均池化层405来进行上采样以扩展预测模型的视野从而得到更鲁棒性的结果。在此，使用平均池化层作为示例，但也可以采用其他上采样层，例如最大池化层等。在利用平均池化层405进行上采样后的数据被馈送到回归层406，以最终预测得到血管路径各处的狭窄度。在图4中，采用阴影线标识RNN层中的各个节点，根据不同的需求，各个节点可以采用长短期记忆LSTM递归神经网络、门控递归单元GRU、双向LSTM递归神经网络、双向GRU等。采用双向RNN可以考虑到检测点与其上下游的检测点之间的关系，能提高狭窄度的预测精度。图5示出根据本公开实施例的用于预测血管狭窄度的学习网络的训练流程500的图示。训练流程始于接收训练数据集步骤501，以采用沿着中心线的图像块作为模型输入为例，训练数据集中的每对数据为沿着中心线的T个采样点所截取的图像块以及对应位置处由人工标注的狭窄度地面真值。在步骤502，可以加载所接收的训练数据集例如全部加载或者分批次加载作为当前的训练数据步骤502。可以基于训练数据来确定预测网络的参数步骤503，并针对目标函数来验证步骤504以针对训练数据实现参数的优化。在一些实施例中，所述预测网络的参数可以包括CNN部分中的网络层数、每层网络的节点数、RNN部分中的隐藏层的数量、学习率和初始值中的至少一个，这些参数的最优值可以通过交叉验证来确定。如上所述，预测网络可以通过将CNN编码器与双向RNN的相应节点连接来构建。由此，预测网络可以包含参数V,W，其中参数V用于CNN编码器部分而参数W用于双向RNN部分。在一些实施例中，参数V,W可以通过最小化目标函数来联合优化。在一些实施例中，目标函数可以为：其中D表示训练数据集，|D|表示训练集中样本的个数，T表示训练集中每个样本的长度，P表示概率，可以采用反向传播来计算梯度并采用随机梯度下降法来优化参数V,W。虽然公开了随机梯度下降法和目标函数L作为示例，也可以采用其他目标函数，包括但不限于交叉熵等，以及也可以采用其他参数优化方法，包括但不限于适应性矩估计等。在步骤505确认处理了所有训练数据之后，可以输出参数已经在所有训练数据上得到了优化的预测网络步骤506。在一些实施例中，也可以在确认目标函数收敛之后，结束预测网络的训练。在一些实施例中，也可以使用L1或者L2的正则化方法来避免过拟合。在一些实施例中，也可以采用将训练数据集划分为批次并采用小批量梯度下降法来训练，从而降低计算负荷同时避免过拟合。图6示出根据本公开实施例的血管狭窄度预测系统600的示意性图示。如图6所示，虚线左侧的是离线训练流程：建立的预测模型被传输到预测模型训练单元603，由其利用来自训练样本数据库604的训练样本对其进行训练。每条训练样本可以由医生在血管图像上的血管路径上人工标注的一系列狭窄位置处的图像块和对应位置处的狭窄度构成，相比于现有预测模型中各个模块的独立训练，这种端到端的训练使用的训练样本更容易获得和构建。训练好的预测模型被馈送到预测单元604以便基于模型输入计算出预测结果。在一些实施例中，训练样本对应的血管路径与作为狭窄度预测目标的血管路径符合相同或者相似的空间关系例如采样点的数量以及采样点之间的空间约束关系，以便训练好的预测模型能够与预测目标几乎无缝地对接，而无需转换训练，且能够进一步提高预测的准确率。虚线右侧的是在线预测过程。首先，从医学图像数据库606获得患者的医学图像，下面以血管树的满足DICOM标准的CT图像为例进行说明。要注意，医学图像数据库606可以是医院内或院际共享患者医学图像的数据库。血管树的CT图像可以被馈送到重建单元601，重建单元601例如可以采用现有的血管重建软件，或者利用VMTK等开源软件二次开发而成，从血管树的CT图像中提取中心线和血管壁，以重建各条血管路径可选地重建血管树的几何模型。所重建的血管路径的几何模型可以馈送到图像块截取单元605和候选狭窄范围设置单元602。所述候选狭窄范围设置单元602包括健康半径预测单元607和候选狭窄处预测单元608，其中，健康半径预测单元607可以基于重建的各条血管路径的几何模型来提取相应血管路径的血管半径，然后可以利用根据本公开各个实施例的血管路径的健康半径的预测方法来预测血管路径的健康半径，候选狭窄处预测单元608可以从健康半径预测单元607获得相应血管路径的血管半径并从中检测出半径谷值，并从健康半径预测单元607获得所预测的血管路径的健康半径，从而利用根据本公开各个实施例的血管路径的候选狭窄处的预测方法，基于所预测的血管路径的健康半径和所获得的血管路径的半径谷值来确定候选狭窄处。在一些实施例中，所述候选狭窄范围设置单元602可以基于所确定的候选狭窄处来设置候选狭窄范围，例如候选狭窄范围可以设置为以候选狭窄点为中心包括两侧所有血管半径小于对应的健康半径的点的一段长度。图像块截取单元605可以从候选狭窄范围设置单元602接收所设置的候选狭窄范围，并从重建的血管路径的几何模型中在所述候选狭窄范围内的沿着血管的中心线截取一定数量的图像块，图像块的大小可以根据用户需要和经验来预设。在一些实施例中，所述预测模型基于卷积神经网络和递归神经网络构成，图像块的数量可以预设为与递归神经网络的节点数量相同，而递归神经网络的节点数量可以根据用户需要和经验来预设。由图像块截取单元605沿着中心线截取的一定数量的图像块被馈送到预测单元604，该预测单元604可以配置为基于所获取的图像块序列，利用训练好的预测模型来预测相应血管路径的狭窄度。图7示出根据本公开实施例的血管狭窄度预测装置700的示意性框图。血管狭窄度预测装置700可以包括网络接口708，血管狭窄度预测装置700可以利用该网络接口708连接到网络未示出，诸如但不限于医院中的局域网或互联网。所述网络可以将血管狭窄度预测装置700与外部装置连接，外部装置诸如图像采集装置未示出、医学图像数据库705以及图像数据存储装置706。在一些实施例中，解剖树结构分析装置700可以是专用智能装置或通用智能装置。例如，该装置700可以是为图像数据采集和图像数据处理任务定制的计算机，或位于云端的服务器。例如，装置700可以被集成到图像采集装置中。可选地，在装置700中的至少一个图像处理程序703可以包括或与3D重建单元协作，该3D重建单元用于基于由图像采集装置采集的2D血管图像来重建血管的3D模型，以及在一组中心线点处从3D模型提取图像块作为模型输入。血管狭窄度预测装置700可以包括图像处理器701和存储器702，以及可另外包括输入输出707和图像显示器中的至少一种。图像处理器701可以是本公开的各种实施例所记载的任何一种处理器。所公开的实施例不限于任何类型的处理器或处理器电路，其以其他方式被配置为满足识别、分析、维护、生成、和或提供大量成像数据或操纵这样的成像数据或与所公开的实施例一致地操纵任何其他类型的数据的计算需求。另外，术语“处理器”或“图像处理器”可以包括一个以上的处理器，例如，多核设计或多个处理器，每个处理器具有多核设计。图像处理器701可以执行存储在存储器702中的计算机程序指令序列，以执行本文公开的各种操作、过程和方法。图像处理器701可以通信地耦合到存储器702并且被配置为执行存储在其中的计算机可执行指令。存储器702可以包括只读存储器ROM、闪存、随机存取存储器RAM、诸如同步DRAMSDRAM或RambusDRAM的动态随机存取存储器DRAM、静态存储器例如，闪存、静态随机存取存储器等，计算机可执行指令以任何格式存储在其上。在一些实施例中，存储器702可以存储一个或多个图像处理程序703的计算机可执行指令。计算机程序指令可以由图像处理器701访问，从ROM或者任何其他合适的存储器位置读取，并且加载在RAM中以供图像处理器701执行。例如，存储器702可以存储一个或多个软件应用程序。存储在存储器702中的软件应用程序可以包括，例如，用于普通计算机系统的操作系统未示出以及用于软控制装置的操作系统。此外，存储器702可以存储整个软件应用程序或仅存储可由图像处理器701执行的软件应用程序的一部分例如，图像处理程序703。此外，存储器702可以存储多个软件模块，用于实现与本公开相符的用于预测血管路径的健康半径、预测血管路径的候选狭窄处以及预测血管路径的狭窄度的各种方法的各个步骤。例如，预测模型训练单元603、预测单元604、图像块截取单元605、重建单元601、候选狭窄范围设置单元602如图6中所示，可以实现为存储在存储器702上的软件模块。又例如，至少预测单元604、图像块截取单元605、重建单元601和候选狭窄范围设置单元602可以实现为存储在存储器702上的软件模块，预测模型训练单元603可以位于远离血管狭窄度预测装置700处，并且与预测单元604通信以使其能够接收到更新后的预测模型，该预测模型可由预测模型训练单元603利用来自训练样本数据库604在离线训练流程中的训练样本和或来自预测单元604的训练样本也就是狭窄度预测结果连同相应位置处提取的图像块在在线训练流程中来训练。此外，存储器702可以存储当计算机程序执行时生成缓存的数据，例如，医学图像数据704，包括从图像采集装置、医学图像数据库705、图像数据存储装置706等传输的医学图像。在一些实施例中，医学图像数据704可以包括所接收的血管树的图像，至少一个图像处理程序703要对该血管树的图像实现中心线提取和3D模型重建、图像块提取作为模型输入以及血管狭窄度预测。在一些实施例中，医学图像数据704可以包括所接收的血管树的容积图像，至少一个图像处理程序703要对该血管树的容积图像实现沿着中心线的图像块提取作为模型输入以及血管狭窄度预测。在一些实施例中，存储器702可以加载来自医学图像数据库705的一批训练样本，并临时将其作为医学图像数据704存储，以供预测模型训练单元603用于小批量训练。在一些实施例中，存储器702可以临时地存储预测结果以及对应的模型输入，作为在线训练样本。作为医学图像数据704存储的训练样本可以在利用其的训练完成之后被删除，以释放存储器702的空间，并提高其容量以及性能。在一些实施例中，预测模型可以存储在医学图像数据704中，并在下一次血管狭窄度预测中使用训练好后使用。在一些实施例中，训练好的预测模型的更新和优化后的参数可以存储在医学图像数据704中，其然后可以用于相同患者的对应血管路径的下一次狭窄度预测。在一些实施例中，图像处理器701，在预测血管路径的狭窄度分布之后，可以将血管树的图像与预测结果相关联作为医学图像数据704，用于呈现和或传输。在一些实施例中，血管树的图像连同预测结果可以显示在图像显示器707上供用户查看。例如，图像显示器707可以是LCD、CRT或LED显示器。以此方式，用户可以利用输入输出707确认并修正所显示的预测结果，如果需要。以及，确认并修正后的血管狭窄度预测结果可以与诸如沿着中心线的图像块的模型输入相关联地临时存储在存储器702中作为医学图像数据704，并且可以传输到医学图像数据库705，以在需要时供另一医学装置如其他解剖树结构分析装置700访问、获得和使用。在一些实施例中，存储器702可以与医学图像数据库705通信，以向其中与预测结果相关联地传输并保存所提取的模型输入，作为一条训练数据，其可以用于离线训练。以此方式，如图6中所示的训练样本数据库604可以结合到医学图像数据库705中。此外，训练好的预测模型的参数可以存储在医学图像数据库705中，以供其他血管狭窄度预测装置700访问、获得和使用，如果需要。在一些实施例中，图6中所示的医学图像数据库606可以被包含到医学图像数据库705，其可以根据患者保持血管树的医学图像和或3D模型和或中心线和或沿着中心线的一系列图像块。从而，存储器702可以与医学图像数据库705通信以获得当前用户的血管树的医学图像、3D模型、中心线以及沿着中心线的一系列图像块中的至少一种。所述血管树的3D模型、中心线以及沿着中心线的一系列图像块可以由图6中所示的重建单元601来构建提取，并传输到医学图像数据库705以按照用户予以保存。在一些实施例中，可以提供图像数据存储装置706以与医学图像数据库705交换图像数据。例如，图像数据存储装置706可以驻留在其他医学图像采集装置中，例如对患者执行容积扫描的CT。患者的容积图像可以被传输并保存到医学图像数据库705，以及血管狭窄度预测装置700可以从医学图像数据库705取得特定患者的容积图像和预测模型并基于其做出狭窄度预测。输入输出707可以被配置为允许血管狭窄度预测装置700接收和或发送数据。输入输出707可以包括允许装置700与用户或其他机器和装置通信的一个或多个数字和或模拟通信装置。例如，输入输出707可以包括允许用户提供输入的键盘和鼠标。网络接口708可以包括网络适配器、电缆连接器、串行连接器、USB连接器、并行连接器、诸如光纤的高速数据传输适配器、USB6.0、闪电、例如Wi-Fi适配器的无线网络适配器、电信6G、4GLTE等适配器。装置700可以通过网络接口708连接到网络。网络可以提供局域网LAN、无线网络、云计算环境例如，作为服务的软件、作为服务的平台、作为服务的基础设施等、客户端-服务器、广域网WAN等的功能。上文所描述的各种步骤、操作或功能，可以被实现或定义为软件代码或指令。这样的内容可以是直接可执行的“对象”或“可执行”形式、源代码或差分代码“增量delta”或“补丁patch”代码。可以经由具有存储在其上的代码或指令的制品或者经由操作通信接口以经由通信接口发送数据的方法来提供本文所述的实施例的软件实现。除非另有说明，本文示出和描述的本发明的实施例的执行顺序或操作的执行不是必要的。也就是说，除非另有说明，操作可以以任何顺序执行，并且本发明的实施例可以包括比本文公开的操作更多或更少的操作。例如，在另一操作之前、同时或之后执行或实施特定操作被预期在本发明的方案的范围内。本发明的实施例可以利用计算机可执行指令来实现。计算机可执行指令可以被组织成一个或多个计算机可执行组件或模块。本发明的各方案可以利用任何数量和组织的这种组件或模块来实现。例如，本发明的各方案不限于图中所示和本文所描述的特定计算机可执行指令或特定组件或模块。本发明的其它实施例可以包括具有比本文所示出和描述的更多或更少功能的不同的计算机可执行指令或组件。已经对本发明的各方案进行了详细描述，显而易见的是，在不背离如所附权利要求中限定的本发明的方案的范围的情况下，修改和变化是可能的。由于可以在不背离本发明的方案的范围的情况下对上述结构、产品和方法进行各种改变，因此意图在于上述说明书中包含的和附图中所示的所有内容应当被解释为示例性的，而不具有限制性意义。

权利要求：1.一种血管路径的健康半径的预测方法，其由计算机实现，且其特征在于，所述预测方法包括以下步骤：获取所述血管路径的血管半径；利用处理器，检测所述血管路径上的血管半径中的半径峰值；以及利用处理器，通过在所述血管半径中的半径峰值上进行回归来预测血管路径上的血管的健康半径。2.根据权利要求1所述的血管路径的健康半径的预测方法，其特征在于，通过在所述血管半径中的半径峰值上进行回归来预测血管路径上的血管的健康半径的步骤包括：通过在所述血管半径中的半径峰值上进行一次回归，来预测血管路径上的血管的参考健康半径；基于所预测的血管路径上的血管的参考健康半径，对所述血管半径中的半径峰值进行处理；以及通过在处理后的所述血管半径中的半径峰值上进行二次回归，来预测血管路径上的血管的健康半径。3.根据权利要求2所述的血管路径的健康半径的预测方法，其特征在于，基于所预测的血管路径上的血管的参考健康半径，对所述血管半径中的半径峰值进行处理的步骤包括：将所述血管半径中的半径峰值中低于相应的参考健康半径的半径峰值替换为所述相应的参考健康半径。4.根据权利要求1-3中任何一项所述的血管路径的健康半径的预测方法，其特征在于，所述回归包括高斯过程回归。5.一种血管路径的候选狭窄处的预测方法，其由计算机实现，且其特征在于，所述预测方法包括：根据权利要求2或3所述的血管路径的健康半径的预测方法；利用处理器，检测所述血管路径的血管半径中的半径谷值；以及利用处理器，基于所述血管路径的半径谷值和健康半径来确定候选狭窄处。6.根据权利要求5所述的血管路径的候选狭窄处的预测方法，其特征在于，所述基于所述血管路径上的半径谷值和健康半径来确定候选狭窄处的步骤包括：确定血管路径各处的半径谷值与健康半径的比率，当该比率小于第一预定阈值时，确定该处为候选狭窄处；或者确定血管路径各处的健康半径与半径谷值的差和健康半径的比率，当该比率大于第二预定阈值时，确定该处为候选狭窄处。7.根据权利要求5或6所述的血管路径的候选狭窄处的预测方法，其特征在于，所述回归包括高斯过程回归。8.一种血管狭窄度预测装置，所述血管狭窄度预测装置包括：接口，其配置为接收血管的图像；存储器，其存储有可执行指令；处理器，其配置为通过执行所述可执行指令实现如下步骤：基于所述血管的图像，提取血管路径及其中心线；确定各条血管路径的候选狭窄处；基于所确定的候选狭窄处来设置各条血管路径的候选狭窄范围；获取各条血管路径的候选狭窄范围内的沿着中心线的图像块；以及基于所获取的图像块，利用训练好的学习网络，来确定各条血管路径的狭窄度，其中，所述学习网络基于卷积神经网络和递归神经网络构成。9.根据权利要求8所述的血管狭窄度预测装置，其特征在于，各条血管路径的候选狭窄范围是以所确定的候选狭窄处为中心的一段长度。10.根据权利要求8所述的血管狭窄度预测装置，其特征在于，各条血管路径的候选狭窄处通过如下来确定：获取所述血管路径的血管半径；检测所述血管路径的血管半径中的半径峰值和半径谷值；通过在所述血管半径中的半径峰值上进行一次回归，来预测血管路径的参考健康半径；将所述血管半径中的半径峰值中低于相应的参考健康半径的半径峰值替换为所述相应的参考健康半径；通过在替换后的所述血管半径中的半径峰值上进行二次回归，来预测血管路径的健康半径；以及基于所述血管路径的半径谷值和健康半径来确定候选狭窄处。11.根据权利要求10所述的血管狭窄度预测装置，其特征在于，所述基于所述血管路径的半径谷值和健康半径来确定候选狭窄处的步骤包括：确定血管路径各处的半径谷值与健康半径的比率，当该比率小于第一预定阈值时，确定该处为候选狭窄处；或者确定血管路径各处的健康半径与半径谷值的差和健康半径的比率，当该比率大于第二预定阈值时，确定该处为候选狭窄处。12.根据权利要求8所述的血管狭窄度预测装置，其特征在于，所述递归神经网络是双向递归神经网络。13.根据权利要求8所述的血管狭窄度预测装置，其特征在于，所述血管狭窄度预测装置还包括：输出单元，其配置为输出各条血管路径的狭窄处、狭窄范围以及狭窄度值中的至少一种。14.一种非瞬时性存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现如下方法的至少一种：根据权利要求1-4中任何一项所述的血管路径的健康半径的预测方法；根据权利要求5-7中的任何一项所述的血管路径的候选狭窄处的预测方法；以及用于预测血管狭窄度的方法，该方法包括如下步骤：基于所述血管的图像，提取血管路径及其中心线；确定各条血管路径的候选狭窄处；基于所确定的候选狭窄处来设置各条血管路径的候选狭窄范围；获取各条血管路径的候选狭窄范围内的沿着中心线的图像块；以及基于所获取的图像块，利用训练好的学习网络，来确定各条血管路径的狭窄度，其中，所述学习网络基于卷积神经网络和递归神经网络构成。

百度查询： 北京科亚方舟医疗科技股份有限公司 血管路径的健康半径的预测方法、血管路径的候选狭窄处的预测方法、血管狭窄度预测装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD