血管标记方法、图像处理系统和存储介质与流程

本申请涉及图像处理技术领域，特别是涉及一种血管标记方法、图像处理系统和存储介质。

背景技术：

ct血管造影(ctangiography，cta)是指静脉注射含碘造影剂后对血管进行显影增强的一种技术，cta应用在身体不同的部位会得到不同部位血管增强的图像，通过对cta图像的识别可以完成血管分析过程。血管分析在临床领域发挥着重要作用，主要是指从cta图像中分割出血管部分，然后对分割出的血管赋予一个标签用于对不同血管进行区分的过程。

目前对血管分析的方法可包括血管重建方法和深度学习方法：血管重建方法多为减影法，基于cta图像和平扫图像进行灰度值相减，得到图像增强部分即为血管部分，然后由医生进行血管标记，但是其比较耗时耗力，标记结果准确性也较低。随着深度学习技术的不断发展，已有利用深度学习网络来对原始cta图像进行处理，以完成血管分割和血管标记等工作，但其仍不能有效的对血管进行标记。

总之，利用传统技术进行血管标记时，其准确性较低。

技术实现要素：

基于此，有必要针对传统技术中血管标记结果的准确性较低的问题，提供一种血管标记方法、图像处理系统和存储介质。

一种血管标记方法，该方法包括：

获取待标记的医学影像；

将医学影像输入预设的血管分割网络中，得到医学影像的血管分割结果；

对血管分割结果进行点云化，得到血管分割结果对应的点云数据；该点云数据包括每个点的位置坐标；

将点云数据输入预设的点云网络中，得到医学影像的血管标记结果。

一种血管标记装置，该装置包括：

获取模块，用于获取待标记的医学影像；

图像分割模块，用于将医学影像输入预设的血管分割网络中，得到医学影像的血管分割结果；

点云化模块，用于对血管分割结果进行点云化，得到血管分割结果对应的点云数据；该点云数据包括每个点的位置坐标；

图像标记模块，用于将点云数据输入预设的点云网络中，得到医学影像的血管标记结果。

一种图像处理系统，包括医学影像设备和计算机设备；医学影像设备用于采集受测对象的医学影像，并发送至计算机设备；

计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行该计算机程序时实现以下步骤：

获取待标记的医学影像；

将医学影像输入预设的血管分割网络中，得到医学影像的血管分割结果；

对血管分割结果进行点云化，得到血管分割结果对应的点云数据；该点云数据包括每个点的位置坐标；

将点云数据输入预设的点云网络中，得到医学影像的血管标记结果。

一种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下步骤：

获取待标记的医学影像；

将医学影像输入预设的血管分割网络中，得到医学影像的血管分割结果；

对血管分割结果进行点云化，得到血管分割结果对应的点云数据；该点云数据包括每个点的位置坐标；

将点云数据输入预设的点云网络中，得到医学影像的血管标记结果。

上述血管标记方法、装置、图像处理系统和存储介质，能够首先获取待标记的医学影像，将该医学影像输入预设的血管分割网络中，得到该医学影像的血管分割结果，该血管分割结果可以直观展示出血管区域；然后通过对血管分割结果进行点云化，得到血管分割结果对应的点云数据，由于该点云数据包括每个点的位置坐标，则可以获知每个点的空间几何信息；最后将点云数据输入预设的点云网路中，便可以得到医学影像的血管标记结果。该方法中，获得的点云数据是对血管分割结果点云化所得到的，此点云数据可以表征血管区域的整个空间结构，且点云数据中带有每个点的空间几何信息，那么点云网络进行标记分类时可以充分考虑每个点的空间信息，由此大大提高了血管标记结果的准确性。

附图说明

图1为一个实施例中图像处理系统的结构示意图；

图2为一个实施例中血管标记方法的流程示意图；

图2a为一个实施例中血管分割结果的示意图；

图2b为一个实施例中标记图像的示意图；

图3为另一个实施例中血管标记方法的流程示意图；

图3a为一个实施例中血管标记过程的整体示意图；

图3b为一个实施例中特征融合模块的结构示意图；

图3c为又一个实施例中血管标记方法的流程示意图；

图4为又一个实施例中血管标记方法的流程示意图；

图4a为一个实施例中第一网络和第二网络处理过程的示意图；

图5为一个实施例中点云网络训练过程的流程示意图；

图6为又一个实施例中血管标记方法的流程示意图；

图7为又一个实施例中血管标记方法的流程示意图；

图8为一个实施例中血管标记装置的结构框图；

图9为一个实施例中计算机设备的内部结构图。

附图标记说明：

11：医学影像设备；12：计算机设备。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的血管标记方法，可以适用于如图1所示的图像处理系统中。其中，该系统中包括医学影像设备11和计算机设备12；医学影像设备11可以为电子计算机断层扫描(computedtomography，ct)设备、磁共振成像(magneticresonanceimaging，mri)设备、正电子发射型计算机断层显像(positronemissioncomputedtomography，pet)设备或其他医疗设备，分别用于采集患者的ct图像、mri图像、pet图像或其他模态的医学影像，并将采集到的医学影像发送至计算机设备12。计算机设备12用于执行以下方法实施例中的步骤，以实现血管精确标记的处理过程。

在一个实施例中，提供了一种血管标记方法，以该方法应用于图1中的计算机设备为例进行说明，本实施例涉及的是计算机设备对待标记的医学影像进行分割、点云化及标记的具体过程。如图2所示，该方法包括以下步骤：

s101，获取待标记的医学影像。

具体地，待标记的医学影像为由医学影像设备对受测对象进行扫描所得到的，该医学影像中包含有血管区域，如ct血管造影图像。可选地，该医学影像可以为冠脉血管影像或头颈部血管影像，其中，头颈部和冠脉包含许多血管，每个血管都有自己的医学名称，但临床上医生并非关注所有的血管，如常常关注的头颈血管包括主动脉弓、头臂干、颈总动脉、颈内动脉、椎动脉、基底动脉、大脑动脉环等血管，因此我们的任务是将是分割这些血管并进行标签命名。

可选地，该医学影像可以由计算机设备直接从医学影像设备中获取；也可以先由医学影像设备发送至后处理工作站或影像归档和通信系统(picturearchivingandcommunicationsystems，pacs)中，再由计算机设备从后处理工作站或pacs系统中获取。可选地，计算机设备可以实时获取医学影像设备上传的医学影像，也可以以固定时间间隔为周期获取这一时间段内的所有医学影像。可选地，计算机设备还可以从医院信息管理系统(hospitalinformationsystem，his)、临床信息系统(clinicalinformationsystem，cis)、放射科信息管理系统(radiologyinformationsystem，ris)、电子病历系统(electronicmedicalrecord，emr)以及相关的医学影像云存储平台获取待标记的医学影像。

可选地，计算机设备获取到待标记的医学影像之后，还可以对该医学影像进行预处理，包括但不限于图像格式转换、窗宽窗位设置、归一化等操作。

s102，将医学影像输入预设的血管分割网络中，得到医学影像的血管分割结果。

具体地，计算机设备将获取的医学影像输入预设的血管分割网络中进行分割处理，可以得到该医学影像的血管分割结果，其中，如图2a所示，血管分割结果可以为血管区域的二值化掩模图像，即血管区域与背景区域分离用不同颜色表示。

可选地，上述血管分割网络可以为神经网络，如卷积神经网络、循环神经网络等，包括但不限于unet、vnet等分割网络。可选地，该血管分割网络的训练方式可以包括：获取一定数量的训练样本影像，并由经验丰富的医生对其进行标注，得到分割金标准；然后将训练样本影像输入初始血管分割网络中，得到预测血管分割结果；计算预测血管分割结果和分割金标准之间的损失，利用该损失调整初始血管分割网络的网路参数，由此迭代训练直至网络收敛。

s103，对血管分割结果进行点云化，得到血管分割结果对应的点云数据；点云数据包括每个点的位置坐标。

具体地，点云是同一空间参考系下表达目标空间的点集合，本实施例将血管分割结果的多标签分割任务转换为基于点集的归类任务，则计算机设备在得到上述血管分割结果后，可以对该血管分割结果进行点云化，即对上述二值化掩模图像进行点云化。可选地，可以根据预设的采样间隔(spacing)对其进行离散采样，并获得采样点的位置坐标，进而得到对应的点云数据，由此便可以得到每个点的空间几何信息。其中，点云数据中每个点的位置坐标可以为三维坐标，计算机设备可以从血管分割结果中提取每个点的坐标信息，并用矩阵形式进行记录；矩阵中每一行为血管上的点，每个点有三列，对应于x、y、z轴坐标，则计算机设备可以从该矩阵中间隔选取若干个点，作为点云数据。

可选地，在进行点云化之前，计算机设备还可以先将血管分割结果重采样至1×1×1的尺寸，再进行点云化操作，由此可扩大血管分割结果的尺寸范围，使得点云数据的选取范围更广泛。

s104，将点云数据输入预设的点云网络中，得到医学影像的血管标记结果。

具体地，计算机设备将上述点云数据输入预设的点云网络中，可以输出每个点所属的子血管的标签，作为医学影像的血管标记结果，即点云网络可以对每个点根据其空间几何信息归为不同的种类。可选地，点云网络还可以输出每个点属于不同子血管的概率，然后将最大概率值所对应的子血管标签作为该点的标签。

可选地，上述点云网络可以为pointnet网络，该网络的训练方式可以包括：获取一定数量的训练样本影像，并由经验丰富的医生对训练样本影像进行标记，得到血管的标记金标准，采用上述血管分割网络对训练样本影像进行分割，得到样本血管分割结果，并对样本血管分割结果进行点云化，得到其对应的样本点云数据；将样本点云数据输入初始点云网络中，得到预测血管标记结果；计算预测血管标记结果与标记金标准之间的损失，利用该损失调整初始点云网络的网络参数，依次迭代训练直至网络收敛。

可选地，在得到医学影像的血管标记结果后，计算机设备还可以对其进行渲染，渲染回与医学影像相同尺寸的标记图像，该标记图像的示意图可以参见图2b所示。

本实施例提供的血管标记方法，计算机设备首先获取待标记的医学影像，将该医学影像输入预设的血管分割网络中，得到该医学影像的血管分割结果，该血管分割结果可以直观展示出血管区域；然后通过对血管分割结果进行点云化，得到血管分割结果对应的点云数据，由于该点云数据包括每个点的位置坐标，则计算机设备可以获知每个点的空间几何信息；最后将点云数据输入预设的点云网路中，便可以得到医学影像的血管标记结果。该方法中，获得的点云数据是对血管分割结果点云化所得到的，此点云数据可以表征血管区域的整个空间结构，且点云数据中带有每个点的空间几何信息，那么点云网络进行标记分类时可以充分考虑每个点的空间信息，由此大大提高了血管标记结果的准确性。

在一个实施例中，因图像的语义信息对于多标签任务同样重要，语义信息可以表征图像中的某一区域是什么物体，在神经网络对图像进行语义分析时，其特征图可以包含有高层或低层语义信息，基于语义信息可以进行图像分类、语义分割、物体定位和检测、目标识别等任务。为进一步提高得到的血管标记结果的准确性，计算机设备还可以综合考虑点云数据的语义信息来确定血管标记结果。可选地，如图3所示，上述方法还包括：

s201，从血管分割网络的特征层获取点云数据对应的语义信息。

具体地，点云数据对应的语义信息来源于上述的血管分割网络，在血管分割网络对医学影像进行分割时，其特征层可以提取医学影像每个点的语义信息，该语义信息可以表征图像中哪一部分是血管，那么血管分割结果中血管区域每个点的语义信息也可以得到；而点云数据是对血管分割结果进行点云化得到的，则计算机设备也可以确定点云数据对应的语义信息。可选地，计算机设备还可以利用其他网络得到上述语义信息，包括但不限于自编码器等。

s202，将点云数据以及点云数据对应的语义信息输入点云网络中，得到血管标记结果。

具体地，计算机设备将上述得到的点云数据(包括每个点的位置坐标)以及点云数据对应的语义信息输入点云网络中，也即是说，点云网络综合了每个点的空间几何信息和语义信息，进而得到血管标记结果，由此可进一步提高得到的血管标记结果的准确性。本实施例中血管标记过程的整体示意图可以参见图3a所示。

可选地，因点云网络综合了每个点的空间几何信息和语义信息，则其需对两种信息进行特征融合，那么上述点云网络除了包括一系列的卷积层、全连接层、池化层等，还包括特征融合模块。该特征融合模块包括血管分割网络的特征层结构和传统点云网络的末端网络结构，分别用于对语义信息和点云数据进行特征提取，进而进行特征融合。关于特征融合模块的结构示意图可以参见图3b所示，可选地，如图3c所示，该s202可以包括：

s202a，通过点云网络的第一特征模块输入语义信息的特征，以及通过点云网络的第二特征模块输入点云数据的特征；

s202b，将语义信息的特征和点云数据的特征进行融合，得到融合特征；通过点云网络中的卷积层对融合特征进行卷积操作，得到血管标记结果。

具体地，特征融合模块中的第一特征模块输入提取语义信息的特征(该语义信息的特征可以由上述血管分割网络所提供)，第二特征模块输入点云数据的特征(该点云数据的特征可以由点云网络的特征层所提供)。然后将语义信息的特征和点云数据的特征进行融合，得到融合特征，并通过点云网络中的卷积层(包括但不限于两层卷积层)对融合特征进行卷积操作，进而得到血管标记结果。本实施例中，上述特征融合模块位于点云网络的末端位置，可选地，也可以采用其他特征融合的方式进行融合，本实施例对此不做限制。

本实施例提供的血管标记方法，计算机设备还可以从血管分割网络的特征层获取点云数据对应的语义信息，并将点云数据以及点云数据对应的语义信息输入上述点云网络中，由此点云网路在执行分类标记时，综合考虑了每个点的空间几何信息和语义信息，可进一步提高血管标记结果的准确性。

在一个实施例中，可选地，上述血管分割网络还可以包括第一网络和第二网络，第一网络可以为粗分割网络，第二网络可以为精分割网络，通过两步分割得到血管分割结果。如图4所示，涉及的是将医学影像输入预设的血管分割网络中，得到医学影像的血管分割结果的具体过程，则上述s102可以包括：

s301，将医学影像输入第一网络进行全局化定位，得到医学影像的第一分割结果；第一分割结果包括血管的全局信息。

具体地，计算机设备可以先将医学影像输入第一网络进行全局化定位，因为在医学影像中会存在一些医生并不关注的血管，那么通过第一网络可以先将医生所关注的血管的大致位置定位出来，即血管的全局信息。

s302，将第一分割结果和医学影像输入第二网络，以获取血管的局部信息，根据血管的局部信息对第一分割结果进行优化，得到医学影像的血管分割结果。

具体地，根据上述第一分割结果(即血管的全局信息)，计算机设备可以获知血管区域在医学影像上的定位信息，然后将第一分割结果和医学影像同时输入第二网络，以获取医学影像中血管的局部信息，对上述第一分割结果进行优化，得到最终所需要的血管分割结果。可选地，第一网络可以采用4次下采样的网络结构，第二网络可以采用2次下采样的网络结构，以提高分割效率。需要说明的是，本实施例可获得血管的全局信息和局部分割信息，则计算机设备还可以从第一网络和第二网络中分别获取血管的全局语义信息和局部语义信息，并共同和点云数据输入点云网络中。关于第一网络和第二网络处理过程的示意图可以参见图4a所示。

可选地，在上述第一网络进行训练时，为更好的获取全局定位信息，计算机设备可以将训练样本影像重采样至1×1×1的尺寸大小作为输入数据，可以对血管标注进行膨胀，防止重采样导致小血管标注的消失，更易获得血管的全局信息。在第二网络进行训练时，可以保证医学影像的0.4×0.4×0.7尺寸，以确保分割精度。其中，第一网络和第二网络都可以包括输入层，标准化层，激活层，卷积层，池化层，反卷积层，输出层，以及层间连接，网络训练时损失函数采用图像区域相似度度量多标签dice损失函数，网络优化函数采用adam自适应优化器，其可随训练状态自动调整参数更新幅度，网络的训练过程可以参见上述实施例描述的方法，在此不再赘述。

本实施例提供的血管标记方法，计算机设备先将医学影像输入第一网络进行全局化定位，得到医学影像中血管的全局信息，再根据该全局信息，使用第二网络对医学影像进行局部分割，得到医学影像的血管分割结果。通过全局信息-局部信息的分割方式，可以大大提高分割精度，进而提高后续血管标记结果的准确性。

可选地，在一个实施例中，如图5所示，对上述融合点云数据及点云数据的语义信息的点云网络，其训练方式可以包括：

s401，获取样本影像和样本影像对应的标记金标准；

s402，将样本影像输入所述血管分割网络，得到样本影像的血管分割结果；

s403，对样本影像的血管分割结果进行点云化，得到样本点云数据，并从血管分割网络的特征层获取样本点云数据对应的语义信息；

s404，将样本点云数据以及样本点云数据对应的语义信息输入初始点云网络，得到预测血管标记结果；

s405，计算预测血管标记结果与标记金标准之间的损失，根据该损失对初始点云网络进行训练，得到点云网络。

其中，获取样本影像和样本影像对应的金标准的过程、对样本影像进行分割的过程、对分割结果进行点云化的过程以及初始点云网络输出预测血管标记结果的过程可以参见上述实施例的描述，其实现原理类似，在此不再赘述。本实施例中得到预测血管标记结果后，计算机设备可以计算该预测血管标记结果与标记金标准之间的损失，根据该损失对初始点云网络进行训练，得到收敛的点云网络。采用训练收敛的点云网路进行血管标记，可大大提高血管标记结果的准确性。

在一个实施例中，考虑到当前gpu显存的大小及限制，无法将整个医学影像输入血管分割网络中进行分割，则计算机设备还可以先对医学影像进行分块处理，再输入血管分割网络。可选地，如图6所示，上述s102可以包括：

s501，依次获取医学影像上预设尺寸的多个影像块。

具体地，考虑计算机设备gpu显存的大小，为避免内存溢出，可以对医学影像进行分块处理。其中，计算机设备可以从医学影像上依次获取预设尺寸的影像块，预设尺寸可以为128³。

s502，将每个影像块输入血管分割网络中，得到每个影像块的血管分割结果。

具体地，计算机设备将每个影像块输入血管分割模型中，通过每个影像块的特征信息，可以得到每个影像块的血管分割结果。

s503，根据每个影像块的获取次序，将每个影像块的血管分割结果拼接为医学影像的血管分割结果。

具体地，计算机设备根据每个影像块对应的获取次序，可以将每个影像块的血管分割结果对应到原始医学影像的对应位置上，由此拼接为整个医学影像的血管分割结果。需要说明的是，在血管分割网络测试阶段，为避免gpu显存溢出的问题，计算机设备也可以采用分块方法对训练样本影像进行分块，以此进行训练。

本实施例提供的血管标记方法，计算机设备将多个影像块输入血管分割模型，将分割结果拼接为整个医学影像的血管分割结果。由此可减少计算机设备的gpu显存溢出，且根据每个影像块对应的获取次序来拼接分割结果，可提高得到的血管分割结果的准确性。

为更好的理解血管标记方法的整体过程，下面以一个完整实施例的方式进行描述，如图7所示，上述方法包括：

s601，获取待标记的医学影像；

s602，将医学影像输入第一网络获得全局信息，得到医学影像的第一分割结果；

s603，将第一分割结果和医学影像输入第二网络，以获取血管的局部信息，根据血管的局部信息对第一分割结果进行优化，得到医学影像的血管分割结果。

s604，对血管分割结果进行点云化，得到血管分割结果对应的点云数据；

s605，从第一网络的特征层和第二网络的特征层获取点云数据对应的语义信息；

s606，将点云数据以及点云数据对应的语义信息输入点云网络中，得到血管标记结果；

s607，对血管标记结果进行图像渲染，得到与医学影像相同尺寸的标记图像。

关于各步骤的实现过程，可以参见上述实施例的描述，在此不再赘述。

应该理解的是，虽然图2-图7的流程图中各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-图7中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图8所示，提供了一种血管标记装置，包括：获取模块21、图像分割模块22、点云化模块13和图像标记模块14。

具体地，获取模块21，用于获取待标记的医学影像；

图像分割模块22，用于将医学影像输入预设的血管分割网络中，得到医学影像的血管分割结果；

点云化模块23，用于对血管分割结果进行点云化，得到血管分割结果对应的点云数据；该点云数据包括每个点的位置坐标；

图像标记模块24，用于将点云数据输入预设的点云网络中，得到医学影像的血管标记结果。

本实施例提供的血管标记装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

在一个实施例中，获取模块21，还用于从血管分割网络的特征层获取点云数据对应的语义信息；图像标记模块24，具体用于将点云数据以及点云数据对应的语义信息输入点云网络中，得到血管标记结果。

在一个实施例中，图像标记模块24，具体用于通过点云网络的第一特征模块输入语义信息的特征，以及通过点云网络的第二特征模块输入点云数据的特征；

将语义信息的特征和点云数据的特征进行融合，得到融合特征；通过点云网络中的卷积层对融合特征进行卷积操作，得到血管标记结果。

在一个实施例中，血管分割网络包括第一网络和第二网络；图像分割模块22，具体用于将医学影像输入第一网络进行全局化定位，得到医学影像的第一分割结果；第一分割结果包括血管的全局信息；将第一分割结果和医学影像输入第二网络，以获取血管的局部信息，根据血管的局部信息对第一分割结果进行优化，得到医学影像的血管分割结果。

在一个实施例中，上述医学影像包括冠脉血管影像或头颈部血管影像。

在一个实施例中，上述装置还包括训练模块，用于获取样本影像和样本影像对应的标记金标准；将样本影像输入血管分割网络，得到样本影像的血管分割结果；对样本影像的血管分割结果进行点云化，得到样本点云数据，并从血管分割网络的特征层获取样本点云数据对应的语义信息；将样本点云数据以及样本点云数据对应的语义信息输入初始点云网络，得到预测血管标记结果；计算预测血管标记结果与标记金标准之间的损失，根据该损失对初始点云网络进行训练，得到点云网络。

在一个实施例中，图像分割模块22，具体用于依次获取医学影像上预设尺寸的多个影像块；将每个影像块输入血管分割网络中，得到每个影像块的血管分割结果；根据每个影像块的获取次序，将每个影像块的血管分割结果拼接为医学影像的血管分割结果。

在一个实施例中，上述装置还包括图像渲染模块，用于对血管标记结果进行图像渲染，得到与医学影像相同尺寸的标记图像。

本实施例提供的血管标记装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

关于血管标记装置的具体限定可以参见上文中对于血管标记方法的限定，在此不再赘述。上述血管标记装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，如图1所示，提供了一种图像处理系统，包括医学影像设备11和计算机设备12；

医学影像设备11用于采集受测对象的医学影像，并发送至计算机设备12；

计算机设备12包括存储器和处理器，存储器存储有计算机程序，处理器执行该计算机程序时实现以下步骤：

获取待标记的医学影像；

将医学影像输入预设的血管分割网络中，得到医学影像的血管分割结果；

对血管分割结果进行点云化，得到血管分割结果对应的点云数据；该点云数据包括每个点的位置坐标；

将点云数据输入预设的点云网络中，得到医学影像的血管标记结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

从血管分割网络的特征层获取点云数据对应的语义信息；

将点云数据以及点云数据对应的语义信息输入点云网络中，得到血管标记结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

通过点云网络的第一特征模块输入语义信息的特征，以及通过点云网络的第二特征模块输入点云数据的特征；

将语义信息的特征和点云数据的特征进行融合，得到融合特征；通过点云网络中的卷积层对融合特征进行卷积操作，得到血管标记结果。

在一个实施例中，血管分割网络包括第一网络和第二网络；处理器执行计算机程序时还实现以下步骤：

将医学影像输入第一网络进行全局化定位，得到医学影像的第一分割结果；第一分割结果包括血管的全局信息；

将第一分割结果和医学影像输入第二网络，以获取所述血管的局部信息，根据血管的局部信息对第一分割结果进行优化，得到医学影像的血管分割结果。

在一个实施例中，上述医学影像包括冠脉血管影像或头颈部血管影像。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取样本影像和样本影像对应的标记金标准；

将样本影像输入血管分割网络，得到样本影像的血管分割结果；

对样本影像的血管分割结果进行点云化，得到样本点云数据，并从血管分割网络的特征层获取样本点云数据对应的语义信息；

将样本点云数据以及样本点云数据对应的语义信息输入初始点云网络，得到预测血管标记结果；

计算预测血管标记结果与标记金标准之间的损失，根据该损失对初始点云网络进行训练，得到点云网络。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

依次获取医学影像上预设尺寸的多个影像块；

将每个影像块输入血管分割网络中，得到每个影像块的血管分割结果；

根据每个影像块的获取次序，将每个影像块的血管分割结果拼接为医学影像的血管分割结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

对血管标记结果进行图像渲染，得到与医学影像相同尺寸的标记图像。

在一个实施例中，上述计算机设备的内部结构图可以如图9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、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种血管标记方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机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。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取待标记的医学影像；

将医学影像输入预设的血管分割网络中，得到医学影像的血管分割结果；

对血管分割结果进行点云化，得到血管分割结果对应的点云数据；该点云数据包括每个点的位置坐标；

将点云数据输入预设的点云网络中，得到医学影像的血管标记结果。

本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

从血管分割网络的特征层获取点云数据对应的语义信息；

将点云数据以及点云数据对应的语义信息输入点云网络中，得到血管标记结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

通过点云网络的第一特征模块输入语义信息的特征，以及通过点云网络的第二特征模块输入点云数据的特征；

将语义信息的特征和点云数据的特征进行融合，得到融合特征；通过点云网络中的卷积层对融合特征进行卷积操作，得到血管标记结果。

在一个实施例中，血管分割网络包括第一网络和第二网络；计算机程序被处理器执行时还实现以下步骤：

将医学影像输入第一网络进行全局化定位，得到医学影像的第一分割结果；第一分割结果包括血管的全局信息；

将第一分割结果和医学影像输入第二网络，以获取所述血管的局部信息，根据血管的局部信息对第一分割结果进行优化，得到医学影像的血管分割结果。

在一个实施例中，上述医学影像包括冠脉血管影像或头颈部血管影像。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取样本影像和样本影像对应的标记金标准；

将样本影像输入血管分割网络，得到样本影像的血管分割结果；

对样本影像的血管分割结果进行点云化，得到样本点云数据，并从血管分割网络的特征层获取样本点云数据对应的语义信息；

将样本点云数据以及样本点云数据对应的语义信息输入初始点云网络，得到预测血管标记结果；

计算预测血管标记结果与标记金标准之间的损失，根据该损失对初始点云网络进行训练，得到点云网络。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

依次获取医学影像上预设尺寸的多个影像块；

将每个影像块输入血管分割网络中，得到每个影像块的血管分割结果；

根据每个影像块的获取次序，将每个影像块的血管分割结果拼接为医学影像的血管分割结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

对血管标记结果进行图像渲染，得到与医学影像相同尺寸的标记图像。

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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-onlymemory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(randomaccessmemory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(staticrandomaccessmemory，sram)或动态随机存取存储器(dynamicrandomaccessmemory，dram)等。

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。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。