医学影像处理方法、装置、计算机设备和存储介质与流程

1.本技术涉及图像处理技术领域，特别是涉及一种医学影像处理方法、装置、计算机设备和存储介质。


背景技术：

2.随着ct(computed tomography，即电子计算机断层扫描)设备的成像速度和扫描精度的提高，ct医学影像已被广泛应用于心脏检查和斑块诊断。基于ct医学影像进行心脏冠脉分割被广泛使用，它可以提取出冠脉以及官腔中斑块的轮廓，方便医生观察狭窄、钙化和斑块等情况，为医生对心血管疾病的早期预防和诊断提供依据。
3.在心脏冠脉分割过程中，如果造影效果不好，很容易导致动静脉粘连，进而导致将静脉错分为动脉。为了提高心脏冠脉分割的准确率，常常需要进行静脉去除处理。
4.目前，常用的静脉去除方法包括拓扑分析法和流量分析法等。但是，对于冠脉尾部的部分粘连静脉，上述两种方法难以很好地去除粘连的静脉，很多时候仍需要手工去除，静脉去除的效率较低。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够很好地去除粘连的静脉、提高静脉去除效率的医学影像处理方法、装置、计算机设备和存储介质。
6.一种医学影像处理方法，该方法包括：
7.获取初始影像数据，并根据初始影像数据确定冠脉中心线骨架；
8.获取冠脉中心线骨架中多个分叉处的分支影像数据，并利用预先训练的静脉识别模型从多个分叉处的分支影像数据中识别出静脉影像数据；
9.根据静脉影像数据对初始影像数据进行静脉去除处理，得到去除静脉后的目标影像数据。
10.在其中一个实施例中，上述获取冠脉中心线骨架中多个分叉处的分支影像数据，包括：
11.在冠脉中心线骨架中任意一个分叉处，沿着每个分支的中心线进行影像数据采样，得到每个分支对应的分支影像数据。
12.在其中一个实施例中，上述沿着每个分支的中心线进行影像数据采样，得到每个分支对应的分支影像数据，包括：
13.针对每个分支，沿着分支的中心线每隔预设长度采集预设大小的截面数据，并由预设数量的截面数据组成分支影像数据。
14.在其中一个实施例中，上述利用预先训练的静脉识别模型从多个分叉处的分支影像数据中识别出静脉影像数据，包括：
15.将各分支影像数据分别输入到静脉识别模型中，得到静脉识别模型输出的各分支影像数据对应的识别结果；
16.根据各分支影像数据对应的识别结果，从多个分支影像数据中选取出静脉影像数据。
17.在其中一个实施例中，在上述利用预先训练的静脉识别模型从多个分叉处的分支影像数据中识别出静脉影像数据之前，该方法还包括：
18.获取训练样本集；训练样本集包括正样本和负样本，正样本为冠脉影像数据，负样本为静脉影像数据；
19.基于训练样本集进行深度学习模型的训练，得到静脉识别模型。
20.在其中一个实施例中，上述获取训练样本集，包括：
21.获取多个样本影像数据，并对多个样本影像数据的分叉处进行数据采样，得到第一预设数量的初始样本；
22.对初始样本进行数据增广，得到第二预设数量的正样本和第三预设数量的负样本，并由正样本和负样本组成训练样本集。
23.在其中一个实施例中，上述根据静脉影像数据对初始影像数据进行静脉去除处理，得到去除静脉后的目标影像数据，包括：
24.根据静脉影像数据和冠脉中心线骨架进行区域增长处理，得到增长后的静脉分支；
25.在初始影像数据中去除增长后的静脉分支，得到目标影像数据。
26.在其中一个实施例中，上述根据初始影像数据确定冠脉中心线骨架，包括：
27.根据初始影像数据进行冠脉分割，得到冠脉掩模；
28.对冠脉掩模进行细化处理，得到冠脉中心线骨架。
29.在其中一个实施例中，上述根据初始影像数据进行冠脉分割，得到冠脉掩模，包括：
30.在初始影像数据中对冠脉中心线进行初步定位；
31.根据初步定位的冠脉中心线得到冠脉主干中心线；
32.根据冠脉主干中心线进行区域增长处理，得到冠脉掩模。
33.在其中一个实施例中，上述对冠脉掩模进行细化处理，得到冠脉中心线骨架，包括：
34.对冠脉掩模进行细化得到冠脉骨架点，对细化过程进行迭代得到冠脉骨架；
35.根据冠脉主干中心线和冠脉骨架，确定冠脉中心线骨架。
36.一种医学影像处理装置，所述装置包括：
37.骨架确定模块，用于获取初始影像数据，并根据初始影像数据确定冠脉中心线骨架；
38.静脉确定模块，用于获取冠脉中心线骨架中多个分叉处的分支影像数据，并利用预先训练的静脉识别模型从多个分叉处的分支影像数据中识别出静脉影像数据；
39.静脉去除模块，用于根据静脉影像数据对初始影像数据进行静脉去除处理，得到去除静脉后的目标影像数据。
40.在其中一个实施例中，上述静脉确定模块包括：
41.分支采样子模块，用于在冠脉中心线骨架中任意一个分叉处，沿着每个分支的中心线进行影像数据采样，得到每个分支对应的分支影像数据。
42.在其中一个实施例中，上述分支采样子模块，具体用于针对每个分支，沿着分支的中心线每隔预设长度采集预设大小的截面数据，并由预设数量的截面数据组成分支影像数据。
43.在其中一个实施例中，上述静脉确定模块，包括：
44.识别子模块，用于将各分支影像数据分别输入到静脉识别模型中，得到静脉识别模型输出的各分支影像数据对应的识别结果；
45.静脉选取子模块，用于根据各分支影像数据对应的识别结果，从多个分支影像数据中选取出静脉影像数据。
46.在其中一个实施例中，该装置还包括：
47.样本获取模块，用于获取训练样本集；训练样本集包括正样本和负样本，正样本为冠脉影像数据，负样本为静脉影像数据；
48.训练模块，用于基于训练样本集进行深度学习模型的训练，得到静脉识别模型。
49.在其中一个实施例中，上述样本获取模块，用于获取多个样本影像数据，并对多个样本影像数据的分叉处进行数据采样，得到第一预设数量的初始样本；对初始样本进行数据增广，得到第二预设数量的正样本和第三预设数量的负样本，并由正样本和负样本组成训练样本集。
50.在其中一个实施例中，上述静脉去除模块，具体用于根据静脉影像数据和冠脉中心线骨架进行区域增长处理，得到增长后的静脉分支；在初始影像数据中去除增长后的静脉分支，得到目标影像数据。
51.在其中一个实施例中，上述骨架确定模块包括：
52.掩模确定子模块，用于根据初始影像数据进行冠脉分割，得到冠脉掩模；
53.骨架确定子模块，用于对冠脉掩模进行细化处理，得到冠脉中心线骨架。
54.在其中一个实施例中，上述掩模确定子模块，具体用于在初始影像数据中对冠脉中心线进行初步定位；根据初步定位的冠脉中心线得到冠脉主干中心线；根据冠脉主干中心线进行区域增长处理，得到冠脉掩模。
55.在其中一个实施例中，上述骨架确定子模块，具体用于对冠脉掩模进行细化得到冠脉骨架点，对细化过程进行迭代得到冠脉骨架；根据冠脉主干中心线和冠脉骨架，确定冠脉中心线骨架。
56.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
57.获取初始影像数据，并根据初始影像数据确定冠脉中心线骨架；
58.获取冠脉中心线骨架中多个分叉处的分支影像数据，并利用预先训练的静脉识别模型从多个分叉处的分支影像数据中识别出静脉影像数据；
59.根据静脉影像数据对初始影像数据进行静脉去除处理，得到去除静脉后的目标影像数据。
60.一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以下步骤：
61.获取初始影像数据，并根据初始影像数据确定冠脉中心线骨架；
62.获取冠脉中心线骨架中多个分叉处的分支影像数据，并利用预先训练的静脉识别
模型从多个分叉处的分支影像数据中识别出静脉影像数据；
63.根据静脉影像数据对初始影像数据进行静脉去除处理，得到去除静脉后的目标影像数据。
64.上述医学影像处理方法、装置、计算机设备和存储介质，获取初始影像数据，并根据初始影像数据确定冠脉中心线骨架；获取冠脉中心线骨架中多个分叉处的分支影像数据，并利用预先训练的静脉识别模型从多个分叉处的分支影像数据中识别出静脉影像数据；根据静脉影像数据对初始影像数据进行静脉去除处理，得到去除静脉后的目标影像数据。本公开实施例中，依据冠脉中心骨架获取到分支影像数据，再利用静脉识别模型对分支影像数据进行识别，与现有技术相比，可以准确地识别出静脉，从而很好地去除粘连的静脉，提高静脉去除效率。
附图说明
65.图1为一个实施例中医学影像处理方法的应用环境图；
66.图2为一个实施例中医学影像处理方法的流程示意图；
67.图3为一个实施例中静脉去除前后影像的示意图；
68.图4为一个实施例中获取分支影像数据，并利用静脉识别模型识别出静脉影像数据步骤的流程示意图；
69.图5为一个实施例中影像数据采样的示意图；
70.图6为一个实施例中训练静脉识别模型步骤的流程示意图；
71.图7a为一个实施例中正样本的示意图；
72.图7b为一个实施例中负样本的示意图；
73.图8为一个实施例中resnet分类网络的结构示意图；
74.图9为一个实施例中收敛情况的示意图；
75.图10为另一个实施例中医学影像处理方法的流程示意图；
76.图11为另一个实施例中冠脉掩模和冠脉中心线骨架的示意图；
77.图12为一个实施例中医学影像处理装置的结构框图；
78.图13为一个实施例中计算机设备的内部结构图。
具体实施方式
79.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术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技术，并不用于限定本技术。
80.本技术提供的医学影像处理方法，可以应用于如图1所示的应用环境中。该应用环境可以包括图像处理设备101和至少一个医学扫描设备102。其中，图像处理设备101可以通过网络与医学扫描设备102进行通信。上述图像处理设备101可以但不限于是各种个人计算机、笔记本电脑机和平板电脑，上述医学扫描设备102可以但不限于是ct设备、pet(positron emission computed tomography，正电子发射型计算机断层显像)-ct设备和mri(magnetic resonance imaging，磁共振成像)设备。
81.该应用环境还可以包括pacs(picture archiving and communication systems，
影像归档和通信系统)服务器103，图像处理设备101和医学扫描设备102均可以通过网络与pacs服务器103进行通信。上述pacs服务器103可以用独立的服务和器或者是多个服务器组成的服务器集群来实现。
82.在一个实施例中，如图2所示，提供了一种医学影像处理方法，以该方法应用于图1中的图像处理设备为例进行说明，包括以下步骤：
83.步骤201，获取初始影像数据，并根据初始影像数据确定冠脉中心线骨架。
84.其中，初始影像数据可以包括ct影像数据、pet影像数据和mri影像数据中的至少一种。初始影像数据包含冠脉和静脉；冠脉一般指冠状动脉，冠状动脉是供给心脏血液的动脉，起于主动脉根部主动脉窦内，分左右两支，行于心脏表面。
85.图像处理设备可以从医学扫描设备获取初始影像数据，也可以从pacs服务器获取初始影像数据。本公开实施例对此不做限定。
86.获取到初始影像数据后，图像处理设备可以利用现有的冠脉分割技术对初始影像数据进行冠脉分割，得到分割结果。之后，图像处理设备可以采用多种方式对分割结果进行处理，得到冠脉中心线骨架。
87.例如，对分割结果进行细化处理，得到冠脉中心线骨架；或者，利用最优路径算法在分割结果中查找出冠脉中心线，然后根据冠脉中心线得到冠脉中心线骨架。上述处理方式可以单独使用，也可以组合使用，本公开实施例对此不做限定。
88.步骤202，获取冠脉中心线骨架中多个分叉处的分支影像数据，并利用预先训练的静脉识别模型从多个分叉处的分支影像数据中识别出静脉影像数据。
89.图像处理设备预先训练静脉识别模型。在确定冠脉中心线骨架后，在冠脉中心线骨架上每个分叉处截取各分支的影像数据，得到多个分叉处的分支影像数据。之后，图像处理设备将每个分叉处的分支影像数据输入到静脉识别模型中，静脉识别模型可以对分支影像数据进行识别，确定分支影像数据是冠脉影像数据还是静脉影像数据。
90.步骤203，根据静脉影像数据对初始影像数据进行静脉去除处理，得到去除静脉后的目标影像数据。
91.图像处理设备获取到分叉处的静脉影像数据后，根据静脉影像数据将初始影像数据中包含的静脉去除，得到去除静脉后的目标影像数据。如图3所示，左图为静脉去除前，右图为静脉去除后；左图圆圈中粘连的静脉被去除。
92.上述医学影像处理方法中，获取初始影像数据，并根据初始影像数据确定冠脉中心线骨架；获取冠脉中心线骨架中多个分叉处的分支影像数据，并利用预先训练的静脉识别模型从多个分叉处的分支影像数据中识别出静脉影像数据；根据静脉影像数据对初始影像数据进行静脉去除处理，得到去除静脉后的目标影像数据。本公开实施例中，依据冠脉中心骨架获取到分支影像数据，再利用静脉识别模型对分支影像数据进行识别，与现有技术相比，可以准确地识别出静脉，从而很好地去除粘连的静脉，提高静脉去除效率。
93.在一个实施例中，如图4所示，上述获取冠脉中心线骨架中多个分叉处的分支影像数据，并利用预先训练的静脉识别模型从多个分叉处的分支影像数据中识别出静脉影像数据的步骤，可以包括如下：
94.步骤301，在冠脉中心线骨架中任意一个分叉处，沿着每个分支的中心线进行影像数据采样，得到每个分支对应的分支影像数据。
95.对于冠脉中心线骨架中的任意一个分叉处，可能存在多个分支。图像处理设备针对每个分支，沿着分支的中心线每隔预设长度采集预设大小的截面数据，并由预设数量的截面数据组成分支影像数据。
96.例如，沿着分支的中心线，每隔0.25mm采集一个截面数据，每个截面数据的大小为64mm*64mm，采集128个截面数据，并由这128个截面数据组成这条分支的分支影像数据，如图5所示。
97.步骤302，将各分支影像数据分别输入到静脉识别模型中，得到静脉识别模型输出的各分支影像数据对应的识别结果。
98.其中，识别结果用于指示分支为静脉的概率。
99.图像处理设备将每个分支对应的分支影像数据输入到静脉识别模型中，静脉识别模型对每个分支影像数据进行识别，得到每个分支影像数据所对应的分支为静脉的概率。
100.例如，图像处理设备得到了n个分支影像数据，将n个分支影像数据依次输入到静脉识别模型中，静脉识别模型依次输出分支影像数据1所对应的分支为静脉的概率是95％，分支影像数据2所对应的分支为静脉的概率是24％
……
分支影像数据n所对应的分支为静脉的概率是19％。
101.步骤303，根据各分支影像数据对应的识别结果，从多个分支影像数据中选取出静脉影像数据。
102.图像处理设备预先设置概率阈值。对于每个分支影像数据，如果分支影像数据所对应的分支为静脉的概率大于等于概率阈值，则确定该分支影像数据为静脉影像数据；如果分支影像数据所对应的分支为静脉的概率小于概率阈值，则确定该分支影像数据为冠脉影像数据。这样，就可以从多个分支影像数据中识别出静脉影像数据。
103.例如，概率阈值为90％，根据概率阈值可以确定分支影像数据1为静脉影像数据，分支影像数据2、分支影像数据n为冠脉影像数据。
104.上述获取冠脉中心线骨架中多个分叉处的分支影像数据，并利用预先训练的静脉识别模型从多个分叉处的分支影像数据中识别出静脉影像数据的步骤中，在冠脉中心线骨架中任意一个分叉处，沿着每个分支的中心线进行影像数据采样，得到每个分支对应的分支影像数据；将各分支影像数据分别输入到静脉识别模型中，得到静脉识别模型输出的各分支影像数据对应的识别结果。本公开实施例中，利用静脉识别模型对每个分叉处的每个分支所对应的分支影像数据进行识别，可以准确识别出静脉所在的分支，进而可以很好地去除静脉。
105.在一个实施例中，如图6所示，在上述利用预先训练的静脉识别模型从多个分叉处的分支影像数据中识别出静脉影像数据之前，还可以包括训练静脉识别模型的步骤：
106.步骤401，获取训练样本集。
107.其中，训练样本集包括正样本和负样本，正样本为冠脉影像数据，负样本为静脉影像数据，示例性的，所述负样本可以为包括冠脉和静脉黏连的影像数据。
108.图像处理设备获取多个样本影像数据，并对多个样本影像数据的分叉处进行数据采样，得到第一预设数量的初始样本；对初始样本进行数据增广，得到第二预设数量的正样本和第三预设数量的负样本，并由正样本和负样本组成训练样本集。
109.例如，图像处理设备获取85个样本影像数据，在分叉处进行数据采集得到1600个
初始样本。之后，采用旋转方式对1600个初始样本进行数据增广得到12000个正样本和8000个负样本。其中，正样本如图7a所示，可以标注为0；负样本如图7b所示，可以标注为1。最后，由正样本和负样本组成训练样本集。
110.上述数据增广是深度学习中常用的增加训练样本的方法之一，可以使训练样本集尽可能的多样化，使训练出的模型具有更强的泛化能力。除了旋转方式，数据增广还可以包括：水平/垂直翻转方式、缩放方式、裁剪方式、剪切方式、平移方式、对比度方式、色彩抖动方式和噪声方式等。本公开实施例对数据增广方式不做限定。
111.步骤402，基于训练样本集进行深度学习模型的训练，得到静脉识别模型。
112.图像处理设备将样本影像数据输入到深度学习模型中，得到深度学习模型输出的训练结果；利用预设损失函数计算训练结果与标注之间的损失值；若损失值不符合预设收敛条件，则调整深度学习模型中的参数，直到损失值符合预设收敛条件为止，得到静脉识别模型。
113.上述深度学习模型可以采用resnet分类网络，resnet分类网络的结构如图8所示，本公开实施例对此不做限定。
114.上述预设损失函数可以采用focal loss，收敛情况如图9所示，该损失函数可以解决one-stage目标检测中正负样本比例严重失衡的问题。
115.上述训练静脉识别模型的步骤中，获取训练样本集；基于训练样本集进行深度学习模型的训练，得到静脉识别模型。本公开实施例中，利用冠脉影像数据和静脉影像数据训练静脉识别模型，训练出的模型可以准确识别出静脉所在的分支，进而可以很好地去除静脉。
116.在一个实施例中，如图10所示，提供了一种医学影像处理方法，以该方法应用于图1中的图像处理设备为例进行说明，包括以下步骤：
117.步骤501，获取初始影像数据，根据初始影像数据进行冠脉分割，得到冠脉掩模；对冠脉掩模进行细化处理，得到冠脉中心线骨架。
118.图像处理设备获取初始影像数据；之后，图像处理设备在初始影像数据中对冠脉中心线进行初步定位；根据初步定位的冠脉中心线得到冠脉主干中心线；根据冠脉主干中心线进行区域增长处理，得到冠脉掩模，如图11的左图所示。接着，图像处理设备对冠脉掩模进行细化得到冠脉骨架点，对细化过程进行迭代得到冠脉骨架；根据冠脉主干中心线和冠脉骨架，确定冠脉中心线骨架，如图11的右图所示。
119.在其中一个实施例中，上述在初始影像数据中对冠脉中心线进行初步定位的过程可以包括：获取中心线模型和中心线模型与初始影像数据之间的相似变化关系；将中心线模型映射到中心线模型与初始影像数据的相似变化关系中，初步定位冠脉中心线。
120.上述中心线模型是通过标定多套心脏的主干中心线得到的，体现为一组具体的坐标，该组坐标的连线表示血管中心线。上述中心线模型与初始影像数据之间的相似变化关系为中心线模型坐标与初始影像数据坐标的线性关系，是根据心脏腔室的分割结果和中心线模型所对应的腔室进行配准得到的。
121.在其中一个实施例中，上述根据初步定位的冠脉中心线得到冠脉主干中心线的过程可以包括：利用图像增强算法对初步定位的冠脉中心线进行增强处理，并获取初步定位的冠脉中心线周围的增强数据；之后，利用动态规划算法和增强数据找出沿着中心线各点
的最佳路径，经过多次迭代得到冠脉主干中心线。
122.上述图像增强算法可以是海森算法。上述动态规划算法通过调整参数达到整体的最优，常用于最优路径的选取。
123.在其中一个实施例中，上述根据冠脉主干中心线进行区域增长处理得到冠脉掩模的过程可以包括：将冠脉主干中心线上的点作为种子点，并依照增强数据进行区域增长处理，得到冠脉掩膜。
124.可以理解地，利用中心线模型得到冠脉中心线，可以解决血管中心线提取不完整的问题；再结合动态规划算法得到冠脉主干中心线，可以避免提取的冠脉中心线出现跳变的问题，因此可以得到较为准确的冠脉掩模。
125.在其中一个实施例中，上述对冠脉掩模进行细化得到冠脉骨架点，对细化过程进行迭代得到冠脉骨架的过程可以包括：确定冠脉骨架点的计算条件；根据计算条件从上下左右前后六个方位进行迭代细化得到多个冠脉骨架点；根据所有的冠脉骨架点得到冠脉骨架。
126.上述计算条件可以包括：像素点附近六邻域内冠脉不连通且点附近十八邻域内背景不连通。其中，六邻域为当前体素上下左右前后六个相邻体素；十八邻域为当前体素变换一个坐标轴的坐标和变换两个坐标轴的坐标的体素总和。
127.上述细化过程是将冠脉掩模从多像素宽度减少到单位像素宽度的过程。
128.在其中一个实施例中，上述根据冠脉主干中心线和冠脉骨架，确定冠脉中心线骨架的过程可以包括：根据冠脉主管中心线确定左冠脉起始点以及右冠脉起始点；根据左冠脉起始点、右冠脉起始点以及冠脉骨架，确定冠脉骨架各端点分别到左冠脉起始点和右冠脉起始点的路径；根据确定的路径得到冠脉中心线骨架。
129.步骤502，在冠脉中心线骨架中任意一个分叉处，沿着每个分支的中心线进行影像数据采样，得到每个分支对应的分支影像数据。
130.在其中一个实施例中，针对每个分支，沿着分支的中心线每隔预设长度采集预设大小的截面数据，并由预设数量的截面数据组成分支影像数据。
131.步骤503，将各分支影像数据分别输入到静脉识别模型中，得到静脉识别模型输出的各分支影像数据对应的识别结果，识别结果用于指示分支为静脉的概率。
132.步骤504，根据各分支影像数据对应的识别结果，从多个分支影像数据中选取出静脉影像数据。
133.步骤505，根据静脉影像数据和冠脉中心线骨架进行区域增长处理，得到增长后的静脉分支；在初始影像数据中去除增长后的静脉分支，得到目标影像数据。
134.图像处理设备预先确定区域增长的约束条件。例如，确定区域增长半径和区别增长结束条件。本公开实施例对区域增长的约束条件不做限定。
135.确定约束条件后，图像处理设备将冠脉中心线骨架上的点作为种子点，根据约束条件进行区域增长处理，得到增长后的静脉分支。例如，以冠脉中心线骨架上的点为种子点，按照区域增长半径为6mm向外侧进行区域增长。
136.得到增长后的静脉分支后，图像处理设备将增长后的静脉分支从初始影像数据中去除，得到目标影像数据。
137.上述医学影像处理方法中，获取初始影像数据，根据初始影像数据进行冠脉分割，
得到冠脉掩模；对冠脉掩模进行细化处理，得到冠脉中心线骨架；在冠脉中心线骨架中任意一个分叉处，沿着每个分支的中心线进行影像数据采样，得到每个分支对应的分支影像数据；将各分支影像数据分别输入到静脉识别模型中，得到静脉识别模型输出的各分支影像数据对应的识别结果；根据各分支影像数据对应的识别结果，从多个分支影像数据中选取出静脉影像数据；根据静脉影像数据和冠脉中心线骨架进行区域增长处理，得到增长后的静脉分支；在初始影像数据中去除增长后的静脉分支，得到目标影像数据。通过本公开实施例，先得到冠脉掩模，进而得到冠脉中心骨架，可以准确地确定待识别的分支；再利用静脉识别模型，可以从多个分支中准确地识别出静脉。因此，本公开实施例可以很好地去除粘连的静脉，并且提高了静脉去除效率。
138.应该理解的是，虽然图2至图10的流程图中的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至图10中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
139.在一个实施例中，如图12所示，提供了一种医学影像处理装置，包括：
140.骨架确定模块601，用于获取初始影像数据，并根据初始影像数据确定冠脉中心线骨架；
141.静脉确定模块602，用于获取冠脉中心线骨架中多个分叉处的分支影像数据，并利用预先训练的静脉识别模型从多个分叉处的分支影像数据中识别出静脉影像数据；
142.静脉去除模块603，用于根据静脉影像数据对初始影像数据进行静脉去除处理，得到去除静脉后的目标影像数据。
143.在其中一个实施例中，上述静脉确定模块602包括：
144.分支采样子模块，用于在冠脉中心线骨架中任意一个分叉处，沿着每个分支的中心线进行影像数据采样，得到每个分支对应的分支影像数据。
145.在其中一个实施例中，上述分支采样子模块，具体用于针对每个分支，沿着分支的中心线每隔预设长度采集预设大小的截面数据，并由预设数量的截面数据组成分支影像数据。
146.在其中一个实施例中，上述静脉确定模块602，包括：
147.识别子模块，用于将各分支影像数据分别输入到静脉识别模型中，得到静脉识别模型输出的各分支影像数据对应的识别结果；
148.静脉选取子模块，用于根据各分支影像数据对应的识别结果，从多个分支影像数据中选取出静脉影像数据。
149.在其中一个实施例中，该装置还包括：
150.样本获取模块，用于获取训练样本集；训练样本集包括正样本和负样本，正样本为冠脉影像数据，负样本为静脉影像数据；
151.训练模块，用于基于训练样本集进行深度学习模型的训练，得到静脉识别模型。
152.在其中一个实施例中，上述样本获取模块，用于获取多个样本影像数据，并对多个
样本影像数据的分叉处进行数据采样，得到第一预设数量的初始样本；对初始样本进行数据增广，得到第二预设数量的正样本和第三预设数量的负样本，并由正样本和负样本组成训练样本集。
153.在其中一个实施例中，上述静脉去除模块，具体用于根据静脉影像数据和冠脉中心线骨架进行区域增长处理，得到增长后的静脉分支；在初始影像数据中去除增长后的静脉分支，得到目标影像数据。
154.在其中一个实施例中，上述骨架确定模块601包括：
155.掩模确定子模块，用于根据初始影像数据进行冠脉分割，得到冠脉掩模；
156.骨架确定子模块，用于对冠脉掩模进行细化处理，得到冠脉中心线骨架。
157.在其中一个实施例中，上述掩模确定子模块，具体用于在初始影像数据中对冠脉中心线进行初步定位；根据初步定位的冠脉中心线得到冠脉主干中心线；根据冠脉主干中心线进行区域增长处理，得到冠脉掩模。
158.在其中一个实施例中，上述骨架确定子模块，具体用于对冠脉掩模进行细化得到冠脉骨架点，对细化过程进行迭代得到冠脉骨架；根据冠脉主干中心线和冠脉骨架，确定冠脉中心线骨架。
159.关于医学影像处理装置的具体限定可以参见上文中对于医学影像处理方法的限定，在此不再赘述。上述医学影像处理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。
160.在一个实施例中，提供了一种计算机设备，该计算机设备可以是图像处理设备，其内部结构图可以如图13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医学影像处理方法。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。
161.本领域技术人员可以理解，图13中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术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。
162.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
163.获取初始影像数据，并根据初始影像数据确定冠脉中心线骨架；
164.获取冠脉中心线骨架中多个分叉处的分支影像数据，并利用预先训练的静脉识别模型从多个分叉处的分支影像数据中识别出静脉影像数据；
165.根据静脉影像数据对初始影像数据进行静脉去除处理，得到去除静脉后的目标影
像数据。
166.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：
167.在冠脉中心线骨架中任意一个分叉处，沿着每个分支的中心线进行影像数据采样，得到每个分支对应的分支影像数据。
168.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：
169.针对每个分支，沿着分支的中心线每隔预设长度采集预设大小的截面数据，并由预设数量的截面数据组成分支影像数据。
170.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：
171.将各分支影像数据分别输入到静脉识别模型中，得到静脉识别模型输出的各分支影像数据对应的识别结果；
172.根据各分支影像数据对应的识别结果，从多个分支影像数据中选取出静脉影像数据。
173.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：
174.获取训练样本集；训练样本集包括正样本和负样本，正样本为冠脉影像数据，负样本为静脉影像数据；
175.基于训练样本集进行深度学习模型的训练，得到静脉识别模型。
176.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：
177.获取多个样本影像数据，并对多个样本影像数据的分叉处进行数据采样，得到第一预设数量的初始样本；
178.对初始样本进行数据增广，得到第二预设数量的正样本和第三预设数量的负样本，并由正样本和负样本组成训练样本集。
179.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：
180.根据静脉影像数据和冠脉中心线骨架进行区域增长处理，得到增长后的静脉分支；
181.在初始影像数据中去除增长后的静脉分支，得到目标影像数据。
182.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：
183.根据初始影像数据进行冠脉分割，得到冠脉掩模；
184.对冠脉掩模进行细化处理，得到冠脉中心线骨架。
185.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：
186.在初始影像数据中对冠脉中心线进行初步定位；
187.根据初步定位的冠脉中心线得到冠脉主干中心线；
188.根据冠脉主干中心线进行区域增长处理，得到冠脉掩模。
189.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：
190.对冠脉掩模进行细化得到冠脉骨架点，对细化过程进行迭代得到冠脉骨架；
191.根据冠脉主干中心线和冠脉骨架，确定冠脉中心线骨架。
192.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：
193.获取初始影像数据，并根据初始影像数据确定冠脉中心线骨架；
194.获取冠脉中心线骨架中多个分叉处的分支影像数据，并利用预先训练的静脉识别
模型从多个分叉处的分支影像数据中识别出静脉影像数据；
195.根据静脉影像数据对初始影像数据进行静脉去除处理，得到去除静脉后的目标影像数据。
196.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：
197.在冠脉中心线骨架中任意一个分叉处，沿着每个分支的中心线进行影像数据采样，得到每个分支对应的分支影像数据。
198.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：
199.针对每个分支，沿着分支的中心线每隔预设长度采集预设大小的截面数据，并由预设数量的截面数据组成分支影像数据。
200.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：
201.将各分支影像数据分别输入到静脉识别模型中，得到静脉识别模型输出的各分支影像数据对应的识别结果；
202.根据各分支影像数据对应的识别结果，从多个分支影像数据中选取出静脉影像数据。
203.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：
204.获取训练样本集；训练样本集包括正样本和负样本，正样本为冠脉影像数据，负样本为静脉影像数据；
205.基于训练样本集进行深度学习模型的训练，得到静脉识别模型。
206.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：
207.获取多个样本影像数据，并对多个样本影像数据的分叉处进行数据采样，得到第一预设数量的初始样本；
208.对初始样本进行数据增广，得到第二预设数量的正样本和第三预设数量的负样本，并由正样本和负样本组成训练样本集。
209.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：
210.根据静脉影像数据和冠脉中心线骨架进行区域增长处理，得到增长后的静脉分支；
211.在初始影像数据中去除增长后的静脉分支，得到目标影像数据。
212.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：
213.根据初始影像数据进行冠脉分割，得到冠脉掩模；
214.对冠脉掩模进行细化处理，得到冠脉中心线骨架。
215.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：
216.在初始影像数据中对冠脉中心线进行初步定位；
217.根据初步定位的冠脉中心线得到冠脉主干中心线；
218.根据冠脉主干中心线进行区域增长处理，得到冠脉掩模。
219.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：
220.对冠脉掩模进行细化得到冠脉骨架点，对细化过程进行迭代得到冠脉骨架；
221.根据冠脉主干中心线和冠脉骨架，确定冠脉中心线骨架。
222.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，本技术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-only memory，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(random access memory，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(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
223.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。
224.以上所述实施例仅表达了本技术的几种实施方式，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，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。