一种动静脉确定方法、装置、设备和存储介质与流程

本发明实施例涉及图像处理技术领域，尤其涉及一种动静脉确定方法、装置、设备和存储介质。

背景技术：

肺部疾病是我国发病率较高的病种，对肺部疾病的预防和治疗依赖于精确的诊断和定量的分析。近年来医学成像技术的飞速发展使得对肺部的定量分析成为可能，计算机断层扫描(ct)技术允许以低辐射剂量在亚毫米级别上描绘肺部解剖结构，如肺血管系统和支气管。高分辨率ct图像下对肺部血管的分析，有助于早期肺部结节检测，肺栓塞，慢性阻塞性肺病(copd)，慢性血栓栓塞性肺动脉高压(cteph)或肺动脉/静脉高压(pah/pvh)等疾病的精确分析和辅助诊断。定量肺分析的难点在于肺血管树的重建：肺血管存在噪音、结构细小、气管干扰、结构复杂、分叉众多、尺寸多样且周围组织结构复杂等特点，同时由于图像的分辨率和容积效应等原因，肺动脉和肺静脉在主干和远端细支都存在很多黏连的地方，图像中并没有明显的独立分开。

现有肺动静脉分离方法主要包括：使用多尺度管状过滤器增强肺部血管，在肺部血管增强图上构建四维血管路径图，然后使用整数规划二类优化算法将包含所有血管的四维血管路径图从整体上分离为肺动脉血管和静脉血管。该方法既使用了局部特征(血管增强程度、血管直径、血管方向、相邻血管点之间的距离)构建四维血管路径，又使用优化算法从整体上进行动静脉分类该算法的缺点是运行速度非常慢，整个算法设计复杂步骤多。还有使用血管子树划分进行动静脉分类的方法。该方法先生成血管中心线图，在中心线图中使用末端剪枝检测动静脉黏连点，通过断开动静脉黏连点生成肺血管子树，最后通过周围血管匹配确定子树是动脉子树或静脉子树。该算法思路清晰简单，但是并不能得到完整的肺动脉血管树和肺静脉血管树，提出的血管子树分类的方法误差较大，仍然比较耗时。近来有论文尝试引入深度学习算法辅助肺动静脉分离，用空间尺度粒子表示四维血管路径图，然后使用深度学习网络对表示血管的粒子进行分类，最后使用图割整体优化网络分类结果。该方案的缺点是运行效率差，深度学习网络模型分类的准确度低，基本依靠图割对网络预测结果进行优化，很难获取到完整的肺动脉和肺静脉。

技术实现要素：

本发明提供一种动静脉确定方法、装置、设备和存储介质，能够快速、准确且完整地实现动脉血管与静脉血管的分离。

第一方面，本发明实施例提供了一种动静脉确定方法，所述动静脉确定方法包括：

获取包含目标血管的初始医学图像数据；

基于预先训练的主干提取神经网络模型，确定所述初始医学图像数据中的动脉主干信息和静脉主干信息，动脉主干和静脉主干分别为所述目标血管中，预设支干的动脉血管和静脉血管；

基于预设约束条件，确定所述初始医学图像数据中的动脉细支信息和静脉细支信息，结合所述动脉主干信息和静脉主干信息，得到所述目标血管的动脉血管信息和静脉血管信息。

第二方面，本发明实施例还提供了一种动静脉确定装置，所述动静脉确定装置包括：

初始医学图像数据获取模块，用于获取包含目标血管的初始医学图像数据；

动脉主干和静脉主干确定模块，用于基于预先训练的主干提取神经网络模型，确定所述初始医学图像数据中的动脉主干信息和静脉主干信息，动脉主干和静脉主干分别为所述目标血管中，预设支干的动脉血管和静脉血管；

动脉血管和静脉血管确定模块，用于基于预设约束条件，确定所述初始医学图像数据中的动脉细支信息和静脉细支信息，结合所述动脉主干信息和静脉主干信息，得到所述目标血管的动脉血管信息和静脉血管信息。

第三方面，本发明实施例还提供了一种计算机设备，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

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本发明任一实施例所述的动静脉确定方法。

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，所述计算机程序被处理器执行时实现如本发明任一实施例所述的动静脉确定方法。

本发明实施例通过获取包含目标血管的初始医学图像数据；基于预先训练的主干提取神经网络模型，确定初始医学图像数据中的动脉主干信息和静脉主干信息，动脉主干和静脉主干分别为目标血管中，预设支干的动脉血管和静脉血管；基于预设约束条件，确定初始医学图像数据中的动脉细支信息和静脉细支信息，结合所述动脉主干信息和静脉主干信息，得到目标血管的动脉血管信息和静脉血管信息，上述结合神经网络和传统的血管处理方法，使用训练好的神经网络直接分割肺动脉和肺静脉主要血管，能够很好的完成肺动脉和肺静脉主要分支黏连的分离任务，使用传统的血管处理方法处理深度神经网络模型不能够识别的细支血管，能够快速、准确且完整地实现动脉血管与静脉血管的分离。

附图说明

为了更清楚地说明本发明实施例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做一简单地介绍，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。

图1是本发明实施例一中的一种动静脉确定方法的流程图；

图2是本发明实施例二中的一种动静脉确定方法的流程图；

图3a是本发明实施例三中的一种动静脉确定方法的流程图；

图3b是本发明实施例三中的一种u-net神经网络模型的结构示意图；

图3c是本发明实施例三中的一种肺动脉主干与完整肺动脉的示意图；

图3d是本发明实施例三中的一种肺动静脉主干与完整肺动静脉的示意图；

图4是本发明实施例四中的一种动静脉确定装置的结构示意图；

图5是本发明实施例五中的一种计算机设备的结构示意图。

具体实施方式

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。

实施例一

图1为本发明实施例一提供的一种动静脉确定方法的流程图，本实施例可适用于需要确定医学图像中目标血管的动静脉的情况，该方法可以由动静脉确定装置来执行，该装置可以采用软件和/或硬件的方式实现，该装置可以配置于计算机设备中。如图1所示，本实施例的方法具体可以包括：

s110、获取包含目标血管的初始医学图像数据。

其中，目标血管可以是目标物体(目标物体可以是人体或动物等)上任意部位处的血管，包括动脉血管和静脉血管，例如，目标血管可以是肺部血管、肝脏血管以及脾脏血管中的至少一种，肺部血管可以包括肺动脉血管和肺静脉血管，肝脏血管可以包括肝动脉血管和肝静脉血管等。初始医学图像可以是利用医学成像方法获取到的目标血管的医学图像。优选的，医学成像方法可以是血管成像方法，其中，血管成像方法可选包括cta(computedtomographyangiography，计算机断层扫描血管成像)、mra(migmeticresonaneeangiography，核磁共振血管成像)和dsa(digitalsubtractionangiography，数字减影血管造影)等。初始医学图像数据可以是多层初始断层图像对应的三维数据，也可以是利用多层初始断层图像进行重建后得到的三维图像所对应的三维数据。可选的，初始医学图像数据可以对应片层较少的cta图像序列，也可以对应片层较多的ct图像序列，例如初始医学图像数据可以是包含肺部血管的ct图像序列对应的三维数据。

本实施例中，优选可以利用医学成像方法获取目标血管对应的初始医学图像，例如，医学成像方法为ct断层成像方法，目标血管为肺部血管，则可以利用ct断层成像方法获取与肺部血管相对应的初始医学图像序列，以得到初始医学图像数据。还可以直接从相应存储介质中直接读取初始医学图像数据。

s120、基于预先训练的主干提取神经网络模型，确定初始医学图像数据中的动脉主干信息和静脉主干信息，动脉主干和静脉主干分别为目标血管中，预设支干的动脉血管和静脉血管。

主干提取神经网络模型优选可以是卷积神经网络模型，例如可以是全卷积神经网络模型或者深度卷积神经网络模型等。其中，深度卷积神经网络可以包括编码器-解码器型对称型深度神经网络(u-net深度卷积神经网络、v-net深度卷积神经网络和hourglassnet深度卷积神经网络)和编码器-解码器型非对称型深度神经网络中的任一种。

优选的，预设支干可以包括目标血管的起始支干和第一分支，其中，第一分支为血管第一分叉部位和第二分叉部位之间的部分，血管第一分叉部位为从血管起始支干开始，第一次出现分叉的部位，血管第二分叉部位为从血管第一分叉部位开始，第一次出现分叉的部位，以此类推，血管第n分叉部位为从血管第n-1分叉部位开始，第一次出现分叉的部位。预设支干还可以包括目标血管的起始支干、第一分支和第二分支，预设支干还可以包括目标血管的起始支干、第一分支、……和第n分支等。

动脉主干信息和静脉主干信息可以是动脉主干和静脉主干对应的三维位置数据，也可以是动脉主干和静脉主干对应的，且分别标记有动脉主干和静脉主干的灰度图像，还可以是动脉主干和静脉主干对应的，且区分动脉主干和静脉主干的三维mask图像等。

本实施例中，可以将初始医学图像数据作为主干提取神经网络模型的输入，输出目标血管的动脉主干和静脉主干图像。也可以将初始医学图像数据作为主干提取神经网络模型的输入，输出包括目标血管的动脉主干和静脉主干以及部分目标血管细支(例如可以是目标血管的毛细血管)在内的输出图像，并从该输出图像中提取出目标血管的动脉主干和静脉主干图像。也可以先对初始医学图像数据进行预处理，然后将预处理后的初始医学图像数据作为主干提取神经网络模型的输入，输出目标血管的动脉主干和静脉主干图像。还可以将经过预处理后的初始医学图像数据进行分块处理，得到若干预处理医学图像三维数据块，分别将预处理医学图像三维数据块作为主干提取神经网络模型的输入，输出数据块对应的部分目标血管的动脉主干和静脉主干图像，根据合并规则合并所有输出的部分目标血管的动脉主干和静脉主干图像，得到目标血管的动脉主干和静脉主干图像。

上述对初始医学图像数据进行预处理，可以包括对初始医学图像数据进行去除干扰或噪声等处理，也可以包括对初始医学图像三维数据进行图像增强处理，也可以包括对初始医学图像数据进行归一化处理，还可以包括对初始医学图像数据进行重采样处理等。

s130、基于预设约束条件，确定初始医学图像数据中的动脉细支信息和静脉细支信息，结合动脉主干信息和静脉主干信息，得到目标血管的动脉血管信息和静脉血管信息。

预设约束条件为限定动静脉细支的约束条件。优选的，本实施例中的动静脉细支可以分别为目标血管中，除预设支干外的动脉血管和静脉血管。示例性的，动静脉细支可以仅包括目标血管中的毛细血管，也可以既包括目标血管中的毛细血管，也包括目标血管中的其他支干血管，其中，其他支干可以包括部分预设支干血管，也可以不包括预设支干血管。

优选的，动脉细支信息和静脉细节信息可以是动脉细支和静脉细支对应的三维位置数据，也可以是动脉细支和静脉细支对应的，且分别标记有动脉细支和静脉细支的灰度图像，还可以是动脉细支和静脉细支对应的，且区分动脉细支和静脉细支的三维mask图像等。

如果预设约束条件充足，则可以基于预设约束条件，直接确定初始医学图像数据中的动脉细支信息和静脉细支信息，结合动脉主干信息和静脉主干信息，得到目标血管的动脉血管信息和静脉血管信息。如果预设约束条件不充足，则可以基于预设约束条件，并借助现有血管分割方法，确定初始医学图像数据中的动脉细支信息和静脉细支信息，结合动脉主干信息和静脉主干信息，得到目标血管的动脉血管信息和静脉血管信息。在得到目标血管的动脉血管信息和静脉血管信息之后，优选可以对目标血管进行提取与分割。上述现有血管分割方法可以包括基于边界的分割技术、基于区域的分割技术以及结合特定理论和工具的分割技术，其中，基于边界的分割技术可以包括基于模型的方法或者基于边缘检测的方法，基于区域的分割技术可以包括区域生长方法或者基于聚类的分割方法，结合特定理论和工具的分割技术可以包括基于人工智能的方法、基于神网络的方法或者基于遗传算法的方法等。

本实施例提供的一种动静脉确定方法，通过获取包含目标血管的初始医学图像数据；基于预先训练的主干提取神经网络模型，确定初始医学图像数据中的动脉主干信息和静脉主干信息，动脉主干和静脉主干分别为目标血管中，预设支干的动脉血管和静脉血管；基于预设约束条件，确定初始医学图像数据中的动脉细支信息和静脉细支信息，结合动脉主干信息和静脉主干信息，得到目标血管的动脉血管信息和静脉血管信息，上述结合神经网络和传统的血管处理方法，使用训练好的神经网络直接分割肺动脉和肺静脉主要血管，能够很好的完成肺动脉和肺静脉主要分支黏连的分离任务，使用传统的血管处理方法处理深度神经网络模型不能够识别的细支血管，能够快速、准确且完整地实现动脉血管与静脉血管的分离。

在上述各实施例的基础上，进一步的，基于预先训练的主干提取神经网络模型，确定初始医学图像数据中的动脉主干信息和静脉主干信息，包括：

基于第一目标体素对应的第一预设物理尺寸，对初始医学图像数据进行三维重采样，得到具有第一目标体素的第一重采样医学图像数据；

将第一重采样医学图像数据输入第一主干提取神经网络模型中，得到动脉主干和静脉主干图像。

在对初始医学图像数据进行三维重采样之前，优选可以预先确定重采样后的第一重采样医学图像数据中，每个第一目标体素的第一预设物理尺寸。示例性的，预设物理尺寸可以是3mm×3mm×3mm，或者预设物理尺寸可以是2mm×3mm×4mm等。基于该预设物理尺寸，通过插值或者合并像素值的方法，对初始医学图像数据进行三维重采样。

在得到第一重采样医学图像数据之后，可以将第一重采样医学图像数据作为第一主干提取神经网络模型的输入，输出动脉主干和静脉主干图像。也可以对第一重采样医学图像数据进行归一化处理，得到第一归一化医学图像数据之后，将第一归一化医学图像数据作为第一主干提取神经网络模型的输入，输出动脉主干和静脉主干图像。

实施例二

图2为本发明实施例二提供的一种动静脉确定方法的流程图。本实施例在上述各实施例的基础上，可选所述基于预先训练的主干提取神经网络模型，确定所述初始医学图像数据中的动脉主干信息和静脉主干信息，还包括：

基于第二目标体素对应的第二预设物理尺寸，对所述初始医学图像数据进行三维重采样，得到具有所述第二目标体素的第二重采样医学图像数据；

将所述第二重采样医学图像数据输入预提取神经网络模型中，得到目标血管概貌图像；

基于所述目标血管概貌图像，确定所述目标血管的目标血管感兴趣区域；

根据所述目标血管感兴趣区域，确定所述初始医学图像数据中，与所述目标血管感兴趣区域相对应的感兴趣初始医学图像数据；

基于第三目标体素对应的第三预设物理尺寸，对所述感兴趣初始医学图像数据进行三维重采样，得到具有所述第三目标体素的第三重采样医学图像数据；

将所述第三重采样医学图像数据输入第二主干提取神经网络模型中，得到所述动脉主干和静脉主干图像。

如图2所示，本实施例的方法具体可以包括：

s210、获取包含目标血管的初始医学图像数据。

s220、基于第二目标体素对应的第二预设物理尺寸，对初始医学图像数据进行三维重采样，得到具有第二目标体素的第二重采样医学图像数据。

在对初始医学图像数据进行三维重采样之前，优选可以预先确定重采样后的第二重采样医学图像数据中，每个第二目标体素的第二预设物理尺寸。示例性的，预设物理尺寸可以是5mm×5mm×5mm，或者预设物理尺寸可以是5mm×6mm×7mm等。基于该预设物理尺寸，通过插值或者合并像素值的方法，对初始医学图像数据进行三维重采样。

s230、将第二重采样医学图像数据输入预提取神经网络模型中，得到目标血管概貌图像。

预提取神经网络模型优选可以是卷积神经网络模型，例如可以是全卷积神经网络模型或者深度卷积神经网络模型等。其中，深度卷积神经网络可以包括编码器-解码器型对称型深度神经网络(u-net深度卷积神经网络、v-net深度卷积神经网络和hourglassnet深度卷积神经网络)和编码器-解码器型非对称型深度神经网络中的任一种。预提取神经网络模型的基本框架与本发明实施例中的主干提取神经网络模型的基本框架可以相同，也可以不同。当预提取神经网络模型的基本框架与本发明实施例中的主干提取神经网络模型的基本框架相同时，预提取神经网络模型对应的模型参数与主干提取神经网络模型的模型参数不同。

目标血管概貌图像优选可以是目标血管的大致轮廓图像，其可以包括目标血管的主干信息、若干不连续的细支血管以及被误分割出来的其他部位等。

s240、基于目标血管概貌图像，确定目标血管的目标血管感兴趣区域；根据目标血管感兴趣区域，确定初始医学图像数据中，与目标血管感兴趣区域相对应的感兴趣初始医学图像数据。

本实施例中，可以将目标血管概貌图像作为目标血管感兴趣区域，也可以将目标血管概貌图像中，除去误分割的其他部位后剩余的部分作为目标血管感兴趣区域，也可以将目标血管概貌图像中最大的连通区域作为目标血管感兴趣区域，还可以将目标血管概貌图像中，除去不连续的细支血管以及误分割的其他部位后剩余的部分作为目标血管感兴趣区域等。

优选的，可以根据目标血管感兴趣区域，从初始医学图像数据中，截取出与感兴趣初始医学图像数据。还可以利用特征匹配方法，从初始医学图像数据中，匹配出与感兴趣初始医学图像数据等。

优选的，基于目标血管概貌图像，确定目标血管的目标血管感兴趣区域，包括：

确定目标血管概貌图像中的最大连通区域；

将最大连通区域作为目标血管感兴趣区域。

s250、基于第三目标体素对应的第三预设物理尺寸，对感兴趣初始医学图像数据进行三维重采样，得到具有第三目标体素的第三重采样医学图像数据。

在对感兴趣初始医学图像数据进行三维重采样之前，优选可以预先确定重采样后的第三重采样医学图像数据中，每个第三目标体素的第三预设物理尺寸。示例性的，预设物理尺寸可以是3mm×3mm×3mm，或者预设物理尺寸可以是2mm×3mm×4mm等。基于该预设物理尺寸，通过插值或者合并像素值的方法，对感兴趣初始医学图像数据进行三维重采样。本实施例中，第三预设物理尺寸与第一预设物理尺寸可以相同，也可以不同。

s260、将第三重采样医学图像数据输入第二主干提取神经网络模型中，得到动脉主干和静脉主干图像。

本实施例中的第二提取神经网络模型的基本框架与本发明实施例中的第一主干提取神经网络模型的基本框架可以相同，也可以不同。当第二主干提取神经网络模型的基本框架与本发明实施例中的第一主干提取神经网络模型的基本框架相同时，第二主干提取神经网络模型对应的模型参数与第一主干提取神经网络模型的模型参数不同。

在此需要说明的是，如果已知目标血管所在部位的相邻部位，有助于确定目标血管的动脉血管和静脉血管，则优选可以在将第三重采样医学图像数据输入第二主干提取神经网络模型中之后，将目标血管的动脉主干、静脉主干以及相邻部位作为第二主干提取神经网络模型的输出，以便后续能够更加精确的确定目标血管中的动脉血管细支和静脉血管细支。示例性的，目标血管为肺部血管，则将第三重采样医学图像数据输入第二主干提取神经网络模型中之后，得到包括肺动脉主干、肺静脉主干以及左心房在内的图像。

s270、基于预设约束条件，确定初始医学图像数据中的动脉细支信息和静脉细支信息，结合动脉主干信息和静脉主干信息，得到目标血管的动脉血管信息和静脉血管信息。

本实施例中，基于预设约束条件，并借助现有血管分割方法，确定初始医学图像数据中的动脉细支信息和静脉细支信息，再结合动脉主干信息和静脉主干信息，得到目标血管的动脉血管信息和静脉血管信息的方法如下：

优选的，基于预设约束条件，确定初始医学图像数据中的动脉细支信息和静脉细支信息，结合动脉主干信息和静脉主干信息，得到目标血管的动脉血管信息和静脉血管信息，包括：

确定动脉主干或静脉主干的末端点位置和末端点方向；

基于预设追踪约束条件、末端点位置、末端点方向和初始医学图像数据，利用血管追踪算法追踪动脉细支和静脉细支，结合动脉主干信息和静脉主干信息，得到动脉血管和静脉血管图像。

其中，血管追踪算法优选可以利用圆柱模型拟合局部血管，来确定血管单元的直径、方向等信息。预设追踪约束条件可以包括：a)最大追踪血管段数、最大追踪体素个数，最小血管直径；b)血管追踪过程中满足预设条件的两个血管单元之间的夹角，当满足预设条件的两个血管单元之间的夹角较大时，通常可以认为该处为肺动脉和肺静脉黏连处，停止当前血管追踪，其中，满足预设条件的两个血管单元可以是相邻的两个血管单元，也可以是间隔一定距离的两个血管单元，也可以是将多个连续血管单元一分为二得到的；c)动静脉血管从主干到细支，血管直径平滑变小，设置血管追踪过程中血管直径不断变小。当相邻血管单元的直径差异突然变大，且超过预设阈值，停止当前血管追踪；d)肺动静脉黏连点附近图像灰度值一般由高变低再变高，当连续预设段数的血管单元，其血管中心对应的图像灰度值变化不均匀或者相差较大时，停止当前血管追踪；e)对于肺动脉而言，其与气管在肺内相邻且方向近似相同，肺动脉和气管不断分叉，最后到达肺泡壁。如果血管单元周围预设距离内存在相同方向的气管，则认为该血管单元属于肺动脉；f)对于肺动静脉而言，肺动静脉细支黏连处到肺动静脉主干肺门处的距离相差不大，对于从肺动脉末端点和肺静脉末端点都能追踪到的血管，若其与肺动脉或肺静脉肺门处根节点的血管距离在预设距离范围内，则认为其属于肺动脉或肺静脉；g)血管具有连续性，两个分叉之间的所有血管单元同为动脉或者同为静脉；h)血管具有唯一性，一个血管单元只能为动脉或只能为静脉。

由于末端点位于已确定的动脉主干或静脉主干的表面或者已确定的动脉主干或静脉主干内部靠近表面位置，因此，在确定动脉主干或静脉主干的末端点位置和末端点方向之前，优选可以对已确定的动脉主干和静脉主干的轮廓和区域信息进行优化，以使分割结果的边缘更加符合真实血管边缘，进而更加精确地确定动脉主干或静脉主干的末端点位置。

优选的，基于预设约束条件，确定初始医学图像数据中的动脉细支信息和静脉细支信息，结合动脉主干信息和静脉主干信息，得到目标血管的动脉血管信息和静脉血管信息，还包括：

基于预设血管细支提取方法，从初始医学图像数据中提取出目标血管的细支血管，细支血管包括动脉细支和静脉细支；

基于预设分离约束条件，确定动脉细支与静脉细支之间的黏连点；

基于黏连点，确定细支血管中的动脉细支和静脉细支，结合动脉主干信息和静脉主干信息，得到动脉血管和静脉血管图像。

预设血管细支提取方法优选可以包括hessian增强或区域生长或阈值提取等方法。优选的，可以将初始医学图像数据中的所有目标血管都提取出来，之后将目标血管的细支血管从所有目标血管中提取出来。也可以直接将初始医学图像数据中的目标血管的细支血管提取出来。

在将目标血管的细支血管提取出来之后，优选可以利用基于主干提取神经网络模型获取到的动脉主干和静脉主干，并结合预设分离约束条件，确定细支血管中的动脉细支和静脉细支。其中，动脉主干和静脉主干可以辅助确定哪些血管属于动脉细支，哪些血管属于静脉细支，而预设分离约束条件则可以辅助确定动脉细支与静脉细支之间的黏连点，以避免动静脉细支的误判。

优选的，可以基于如下预设分离约束条件，确定动脉细支与静脉细支之间的黏连点。

基于局部特征的预设分离约束条件：a)相同标签(同为动脉或者同为静脉)的两段邻近血管单元的方向变化较小，如果两段邻近血管单元的方向变化较大，则可以认为两段血管单元的相交处为动静脉的黏连点；b)相同标签的血管单元直径从根部到末端不断变小，如果相连的两个血管单元直径突变，则可以认为两段血管单元的相交处为动静脉的黏连点；c)相同标签的血管内部灰度值均匀变化，即灰度值波动小，如果相连的两个血管单元灰度值变化较大，则可以认为两段血管单元的相交处为动静脉的黏连点；d)对肺动脉而言，肺动脉和支气管的分支伴行，如果某段血管单元与支气管相邻，则该血管单元为肺动脉。

基于全局特征的预设分离约束条件；a)相同标签的血管具有连续性；b)整个动脉或静脉呈树状结构；c)动脉和静脉是独立不相连的，如果存在从肺动脉到肺静脉的一条连通路径，则当前连通路径上必然存在至少一个动静脉黏连点，黏连点两侧分别为动脉和静脉。

利用全局特征确定动静脉黏连点的具体实现方法可以是：

对相邻血管单元创建一个能量项，能量项中的每一个子项分别对应上述约束条件的血管局部特征，能量项为至少一个子项的加权和。对已提取的所有未分类的血管细支，创建对应的能量项网络，其中能量项网络的每一个节点对应一个血管单元，能量项网络中的相邻节点连接对应相邻血管单元，能量项网络中相邻节点连接的能量表示对应血管单元与相邻血管单元是同一类血管的可能性。依据动静脉分离的全局特征，将能量项网络断开为两部分。能量项网络的断开位置为动静脉血管黏连位置，当断开的两部分分别对应真实静脉血管和真实动脉血管时，能量网络达到最优。

本实施例提供的一种动静脉确定方法，通过获取包含目标血管的初始医学图像数据；基于第二目标体素对应的第二预设物理尺寸，对初始医学图像数据进行三维重采样，得到具有第二目标体素的第二重采样医学图像数据；将第二重采样医学图像数据输入预提取神经网络模型中，得到目标血管概貌图像；基于目标血管概貌图像，确定目标血管的目标血管感兴趣区域；根据目标血管感兴趣区域，确定初始医学图像数据中，与目标血管感兴趣区域相对应的感兴趣初始医学图像数据；基于第三目标体素对应的第三预设物理尺寸，对感兴趣初始医学图像数据进行三维重采样，得到具有第三目标体素的第三重采样医学图像数据，第三预设物理尺寸小于第二预设物理尺寸；将第三重采样医学图像数据输入第二主干提取神经网络模型中，得到动脉主干和静脉主干图像；基于预设约束条件，确定初始医学图像数据中的动脉细支和静脉细支，结合动脉主干信息和静脉主干信息，得到目标血管的动脉血管和静脉血管，动脉细支和静脉细支分别为目标血管中，除预设支干外的动脉血管和静脉血管，上述结合神经网络和传统的血管处理方法，使用训练好的神经网络直接分割肺动脉和肺静脉主要血管，能够很好的完成肺动脉和肺静脉主要分支黏连的分离任务，使用传统的血管处理方法处理深度神经网络模型不能够识别的细支血管，能够快速、准确且完整地实现动脉血管与静脉血管的分离，此外，通过对初始医学图像数据进行重采样，能够使利用不同图像分割出来的血管具有相同的物理尺寸标准，利用两层提取神经网络模型，能够更加精确的提取出动脉主干和静脉主干。

实施例三

图3a为本发明实施例三提供的一种动静脉确定方法的流程图。本实施例在上述各实施例的基础上，提供了一种优选实施例，本优选实施例中，目标血管为肺部血管，如图3a所示，动静脉确定方法可以包括如下步骤：

初始肺部图像三维数据获取；

肺动静脉主干分割：将初始肺部图像三维数据重采样为物理尺寸较大的第一重采样肺部图像三维数据，然后利用粗分割神经网络模型(即本发明实施例中的预提取神经网络模型)分割肺血管，得到肺血管概貌图像。确定肺血管概貌图像中的最大连通区域，并将最大连通区域确定为肺血管感兴趣区域。确定肺血管感兴趣区域对应的感兴趣肺部图像三维数据，将感兴趣肺部图像三维数据重采样为物理尺寸较大的第二重采样肺部图像三维数据，然后利用精分割神经网络模型(例如可以是本发明实施例中的主干提取神经网络模型)，分割出肺动脉主干、肺静脉主干和左心房。

由于肺静脉分为左肺上静脉、右肺上静脉、左肺下静脉和右肺下静脉，且左肺上静脉、右肺上静脉、左肺下静脉和右肺下静脉分别和左心房相连，因此，为了保证肺静脉为一个连通的整体，在训练过程中可以将左心房和肺静脉设置为同一个标签，在对肺血管主干进行分割时，同时将左心房分割出来。

上述粗分割神经网络模型和精分割网络模型可以采用同一个神经网络模型框架，本实施例中，粗分割神经网络模型和精分割网络模型可以是u-net神经网络模型。图3b为本发明实施例三提供的一种u-net神经网络模型的结构示意图，如图3b所示，u-net神经网络模型的网络结构从左至右依次为：

第一层3301，卷积层conv，其卷积核大小k为3×3×3，输入通道大小为1，输出通道大小f为8，移动步长s为1，填充尺寸p为1，后接批量标准化层和relu函数激活层。

第二层302，卷积层conv，其卷积核大小k为3×3×3，输入通道大小为8，输出通道大小f为16，移动步长s为1，填充尺寸p为1，后接批量标准化层和relu函数激活层。

第三层3303，最大值池化层mp，其池化区间k为2×2×2，移动步长s为2。

第四层3304，卷积层conv，其卷积核大小k为3×3×3，输入通道大小为16，输出通道大小f为16，移动步长s为1，填充尺寸p为1，后接批量标准化层和relu函数激活层。

第五层3305，卷积层conv，其卷积核大小k为3×3×3，输入通道大小为16，输出通道大小f为32，移动步长s为1，填充尺寸p为1，后接批量标准化层和relu函数激活层。

第六层3306，最大值池化层mp，其池化区间k为2×2×2，移动步长s为2。

第七层3307，卷积层conv，其卷积核大小k为3×3×3，输入通道大小为32，输出通道大小f为32，移动步长s为1，填充尺寸p为1，后接批量标准化层和relu函数激活层。

第八层3308，卷积层conv，其卷积核大小k为3×3×3，输入通道大小为32，输出通道大小f为64，移动步长s为1，填充尺寸p为1，后接批量标准化层和relu函数激活层。

第九层3309，最大值池化层mp，其池化区间k为2×2×2，移动步长s为2。

第十层3310，卷积层conv，其卷积核大小k为3×3×3，输入通道大小为64，输出通道大小f为64，移动步长s为1，填充尺寸p为1，后接批量标准化层和relu函数激活层。

第十一层3311，卷积层conv，其卷积核大小k为3×3×3，输入通道大小为64，输出通道大小f为128，移动步长s为1，填充尺寸p为1，后接批量标准化层和relu函数激活层。

第十二层3312，转置卷积层tconv，其卷积核大小k为2×2×2，移动步长s为2。

第十三层3313和第十四层3314，卷积层conv，其卷积核大小k为3×3×3，输入通道大小为64，输出通道大小f为64，移动步长s为1，填充尺寸p为1，后接批量标准化层和relu函数激活层。

第十五层3315，转置卷积层tconv，其卷积核大小k为2×2×2，移动步长s为2。

第十六层3316和第十七层3317，卷积层conv，其卷积核大小k为3×3×3，输入通道大小为32，输出通道大小f为32，移动步长s为1，填充尺寸p为1，后接批量标准化层和relu函数激活层。

第十八层3318，转置卷积层tconv，其卷积核大小k为2×2×2，移动步长s为2。

第十九层3319和第二十层3320，卷积层conv，其卷积核大小k为3×3×3，输入通道大小为16，输出通道大小f为16，移动步长s为1，填充尺寸p为1，后接批量标准化层和relu函数激活层。

第二十一层3321，卷积层conv，其卷积核大小k为3×3×3，输入通道大小为16，输出通道大小f为所分割解剖结构的种类。

采用上述神经网络模型能够同时适应血管增强数据、血管非增强数据、动脉期数据以及静脉期数据等，能够在数秒内完成动静脉主干和部分细支的提取和分类。而且还能够很好的保证动静脉主要分支的分割效果，分割出来的动静脉主干光滑饱满，能较好的分割出肺动脉窦。对于增强数据，上腔静脉灰度值较高，周围存在放射状伪影，深度学习算法结果既能保证主动脉主干的完整性，也能保证不泄露到上腔静脉。肺静脉的左上分支和肺动脉的左上分支、肺静脉的右上分支和肺动脉的右上中分支固定黏连。深度学习方法对主要血管主干的分割效果好，能避免难处理的、已有方法均存在的主要分支分割错误。

由于神经网络模型对直径较细的细支血管的识别能力不强，需要进一步的完成肺动静脉细支血管的分割。

基于跟踪方法的肺动静脉细支分割：1)提取肺部轮廓；2)获取上一步分割出来的肺动脉主干和肺静脉主干的肺内部分，对该部分进行轮廓优化；3)确定肺动脉主干和肺静脉主干在肺内的末端点和末端方向，利用血管跟踪算法跟踪末端点之后未分割出来的血管细支。在追踪过程中参考本发明实施例中的预设追踪约束条件，以避免从肺动脉追踪到肺静脉或从肺静脉追踪到肺动脉，同时完成肺动静脉末端细支血管的提取与分割。

基于区域分类技术的肺动静脉细支分离：1)提取肺部轮廓；2)通过hessian增强或区域生长或阈值提取等方法，将初始肺部图像三维数据中所有的肺内细支血管全部提取出来；3)结合上一步分割出来的肺动脉主干和肺静脉主干以及本发明实施例中的预设分离约束条件，确定尚未标记的肺动脉细支和肺静脉细支；

肺动静脉确定：将肺动脉主干和肺动脉细支合并为肺动脉血管，将肺静脉主干和肺静脉细支合并为肺静脉血管，完成肺动脉和肺静脉的分割提取。

图3c为本发明实施例三提供的一种肺动脉主干与完整肺动脉的示意图，如图3c所示，图3c-1为肺动脉主干，图3c-2为包含肺动脉主干和肺动脉细支的完整肺动脉。图3d为本发明实施例三提供的一种肺动静脉主干与完整肺动静脉的示意图，如图3d所示，图3d-1为肺动静脉主干，图3d-2为包含肺动静脉主干和肺动静脉细支的完整肺动静脉。

实施例四

图4为本发明实施例四提供的一种动静脉确定装置的结构示意图。如图4所示，本实施例的装置包括：

初始医学图像数据获取模块410，用于获取包含目标血管的初始医学图像数据；

动脉主干和静脉主干确定模块420，用于基于预先训练的主干提取神经网络模型，确定初始医学图像数据中的动脉主干信息和静脉主干信息，动脉主干和静脉主干分别为目标血管中，预设支干的动脉血管和静脉血管；

动脉血管和静脉血管确定模块430，用于基于预设约束条件，确定初始医学图像数据中的动脉细支信息和静脉细支信息，结合动脉主干信息和静脉主干信息，得到目标血管的动脉血管信息和静脉血管信息，动脉细支和静脉细支分别为目标血管中，除预设支干外的动脉血管和静脉血管。

本实施例提供的一种动静脉确定装置，通过利用初始医学图像数据获取模块，获取包含目标血管的初始医学图像数据；利用动脉主干和静脉主干确定模块，基于预先训练的主干提取神经网络模型，确定初始医学图像数据中的动脉主干信息和静脉主干信息，动脉主干和静脉主干分别为目标血管中，预设支干的动脉血管和静脉血管；利用动脉血管和静脉血管确定模块，基于预设约束条件，确定初始医学图像数据中的动脉细支信息和静脉细支信息，结合动脉主干信息和静脉主干信息，得到目标血管的动脉血管信息和静脉血管信息，上述结合神经网络和传统的血管处理方法，使用训练好的神经网络直接分割肺动脉和肺静脉主要血管，能够很好的完成肺动脉和肺静脉主要分支黏连的分离任务，使用传统的血管处理方法处理深度神经网络模型不能够识别的细支血管，能够快速、准确且完整地实现动脉血管与静脉血管的分离。

在上述各技术方案的基础上，可选的，动脉主干和静脉主干确定模块420具体可以包括：

第一重采样医学图像数据确定单元，用于基于第一目标体素对应的第一预设物理尺寸，对初始医学图像数据进行三维重采样，得到具有第一目标体素的第一重采样医学图像数据；

第一动脉主干和静脉主干图像获取单元，用于将第一重采样医学图像数据输入第一主干提取神经网络模型中，得到动脉主干和静脉主干图像。

在上述各技术方案的基础上，可选的，动脉主干和静脉主干确定模块420还可以包括：

第二重采样医学图像数据确定单元，用于基于第二目标体素对应的第二预设物理尺寸，对初始医学图像数据进行三维重采样，得到具有第二目标体素的第二重采样医学图像数据；

目标血管概貌图像获取单元，用于将第二重采样医学图像数据输入预提取神经网络模型中，得到目标血管概貌图像；

目标血管感兴趣区域确定单元，用于基于目标血管概貌图像，确定目标血管的目标血管感兴趣区域；

感兴趣初始医学图像数据确定单元，用于根据目标血管感兴趣区域，确定医学图像数据中，与目标血管感兴趣区域相对应的感兴趣初始医学图像数据；

第三重采样医学图像数据确定单元，用于基于第三目标体素对应的第三预设物理尺寸，对感兴趣初始医学图像数据进行三维重采样，得到具有第三目标体素的第三重采样医学图像数据；

第二动脉主干和静脉主干图像获取单元，用于将第三重采样医学图像数据输入第二主干提取神经网络模型中，得到动脉主干和静脉主干图像。

在上述各技术方案的基础上，可选的，目标血管感兴趣区域确定单元具体可以包括：

最大连通区域确定子单元，用于确定目标血管概貌图像中的最大连通区域；

目标血管感兴趣区域确定子单元，用于将最大连通区域作为目标血管感兴趣区域。

在上述各技术方案的基础上，可选的，主干提取神经网络模型为卷积神经网络模型。

在上述各技术方案的基础上，可选的，动脉血管和静脉血管确定模块430具体可以包括：

末端点位置和方向确定单元，用于确定动脉主干或静脉主干的末端点位置和末端点方向；

第一动脉血管和静脉血管图像获取单元，用于基于预设追踪约束条件、末端点位置、末端点方向和初始医学图像数据，利用血管追踪算法追踪动脉细支和静脉细支，结合动脉主干信息和静脉主干信息，得到动脉血管和静脉血管图像。

在上述各技术方案的基础上，可选的，动脉血管和静脉血管确定模块430具体还可以包括：

细支血管提取单元，用于基于预设血管细支提取方法，从初始医学图像数据中提取出目标血管的细支血管，细支血管包括动脉细支和静脉细支；

黏连点确定单元，用于基于预设分离约束条件，确定动脉细支与静脉细支之间的黏连点；

动脉细支和静脉细支确定单元，用于基于黏连点，确定细支血管中的动脉细支和静脉细支，结合动脉主干信息和静脉主干信息，得到动脉血管和静脉血管图像。

本发明实施例所提供的动静脉确定装置可执行本发明任意实施例所提供的动静脉确定方法，具备执行方法相应的功能模块和有益效果。

实施例五

图5为本发明实施例五提供的一种计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性计算机设备512的框图。图5显示的计算机设备512仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，计算机设备512以通用计算设备的形式表现。计算机设备512的组件可以包括但不限于：一个或者多个处理器516，存储器528，连接不同系统组件(包括存储器528和处理器516)的总线518。

总线518表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。

计算机设备512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备512访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器528可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)530和/或高速缓存存储器532。计算机设备512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储装置534可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储器528可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块542的程序/实用工具540，可以存储在例如存储器528中，这样的程序模块542包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备512也可以与一个或多个外部设备514(例如键盘、指向设备、显示器524等，其中，显示器524可根据实际需要决定是否配置)通信，还可与一个或者多个使得用户能与该计算机设备512交互的设备通信，和/或与使得该计算机设备512能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口522进行。并且，计算机设备512还可以通过网络适配器520与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器520通过总线518与计算机设备512的其它模块通信。应当明白，尽管图5中未示出，可以结合计算机设备512使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储装置等。

处理器516通过运行存储在存储器528中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的动静脉确定方法。

实施例六

本发明实施例六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本发明实施例所提供的动静脉确定方法，包括：

获取包含目标血管的初始医学图像数据；

基于预先训练的主干提取神经网络模型，确定初始医学图像数据中的动脉主干信息和静脉主干信息，动脉主干和静脉主干分别为目标血管中，预设支干的动脉血管和静脉血管；

基于预设约束条件，确定初始医学图像数据中的动脉细支信息和静脉细支信息，结合动脉主干信息和静脉主干信息，得到目标血管的动脉血管信息和静脉血管信息。

当然，本发明实施例所提供的计算机可读存储介质，其上存储的计算机程序不限于执行如上所述的方法操作，还可以执行本发明任意实施例所提供的基于计算机设备的动静脉确定方法中的相关操作。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

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。