用于解剖标记生成的方法和系统与流程

用于解剖标记生成的方法和系统
1.相关申请的交叉引用
2.本技术基于2021年4月23日提交的美国临时申请第63/178,894号并要求其优先权，该申请通过引用整体结合于此。
技术领域
3.本公开涉及医学数据及医学图像的处理和分析的技术领域，更具体地，涉及一种生成解剖结构的解剖标记的计算机实现方法和系统。


背景技术：

4.自动识别解剖结构并为解剖结构分配正确的解剖标记有助于提高诊断的精确度。然而，这些解剖结构的形态和拓扑结构因个体的不同可能会有很大的变化。因此，解剖结构标记自动化的挑战来自于例如冠状动脉解剖结构的较大的个体可变性，特别是从主要分支中发出的一些次要分支。
5.有部分现有技术采用了基于学习的方法来进行标记的估计，但由于所使用的学习模型要么不是端到端的，要么需要为模型提供预定义的特征，因此，之前这些方法在应用于个体变化较大的场景时，可靠性通常较低。此外，之前的方法没有针对各个标记的相关性进行建模。上述两点极大地限制了这些标记算法在处理较大个体变化场景时的准确性、鲁棒性等性能表现。


技术实现要素：

6.提供本公开以解决现有技术中存在的上述问题。本公开旨在提供一种生成解剖结构的解剖标记的计算机实现方法和系统，其能够利用训练好的深度学习网络，端到端地自动生成医学图像中解剖结构整体的解剖标记，并且本公开中的计算机实现方法鲁棒性较强，能够在解剖结构随个体变化较大的情况下，仍然具有很高的预测准确性和可靠性。
7.根据本公开的第一方案，提供一种生成解剖结构的解剖标记的计算机实现方法，包括接收已提取中心线的解剖结构，或包含已提取中心线的解剖结构的医学图像；以及由至少一个处理器，基于所述解剖结构的所述中心线，利用训练好的深度学习网络，预测所述解剖结构的解剖标记，所述深度学习网络基于分支化网络、图神经网络、递归神经网络和概率图模型依序串联而构成，其中，所述分支化网络包括并联设置的至少两个分支网络。
8.根据本公开的第二方案，提供一种生成解剖结构的解剖标记的系统，所述系统包括接口，所述接口被配置为接收已提取中心线的解剖结构，或包含已提取中心线的解剖结构的医学图像。所述系统还包括至少一个处理器，所述至少一个处理器被配置为执行根据本公开各个实施例的生成解剖结构的解剖标记的计算机实现方法的步骤。
9.根据本公开的第三方案，提供一种非暂时性计算机可读存储介质，其上存储有计算机可执行的指令，其中当所述计算机可执行指令由处理器执行时，执行根据本公开实施例的生成解剖结构的解剖标记的计算机实现方法的步骤。
10.根据本公开各个实施例的生成解剖结构的解剖标记的计算机实现方法，基于对解剖结构中较易获取的中心线采样来构建中心线图，利用并联设置的多个分支网络充分考虑中心线图几何特征和图像特征等多种特征，并基于图神经网络实现多种特征的联合嵌入，能够实现自动化的从解剖结构到解剖标记的更精准的端到端的预测。通过进一步利用概率图模型对解剖标记间关系进行建模，能够从全局优化的角度给出整个解剖结构的解剖标记的更合理、鲁棒性更强的划分。本公开中的方法能够更加适用于个体变异性较大的解剖结构的解剖标记的准确预测，进而帮助提升医生的诊断准确度和诊断效率。
11.上述的一般描述和以下的详细描述只是示例性和说明性的，并不旨在限制要求保护的发明。
附图说明
12.在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的类似附图标记可以表示相似组件的不同示例。附图通过举例而不是以限制的方式大体上示出各种实施例，并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。这样的实施例是说明性和示例性的，而并非旨在作为本方法、装置、系统或具有用于实现该方法的指令的非暂时性计算机可读介质的穷尽或排他的实施例。
13.图1示出根据本公开实施例的示例性冠状动脉解剖结构的解剖标记的示意图。
14.图2示出根据本公开实施例的生成解剖结构的解剖标记的方法的流程图。
15.图3示出根据本公开实施例的利用训练好的深度学习网络预测解剖标记的过程的示意图。
16.图4示出根据本公开实施例的利用训练好的深度学习网络预测解剖标记的另一过程的示意图。
17.图5示出根据本公开实施例的生成解剖结构的解剖标记的系统的示意性框图。
18.图6示出根据本公开实施例的生成解剖结构的解剖标记的系统的工作流程示意图。
具体实施方式
19.为使本领域技术人员更好地理解本发明，下面参照附图对本发明的实施例进行详细说明，但不作为对本发明的限定。
20.图1示出根据本公开实施例的示例性冠状动脉解剖结构的解剖标记的示意图。需要说明的是，本公开的下文中以解剖结构为冠状动脉，或所接收的医学图像中包含的解剖结构为冠状动脉为例来说明本公开的技术方案，但本公开不限于此。
21.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，根据schlesinger等的分类原则，冠状动脉的分布可以分为右优势型、均衡型和左优势型，不同优势型的冠状动脉可能包含不同的解剖结构，对解剖结构进行解剖标记的规则也有多种，例如按照美国心脏协会(american heart association,aha)分类法，可以大致将冠状动脉分为15段，即，15类解剖标记。图1是在aha分类法的基础上对冠状动脉进行解剖标记的一种具体方式，对冠状动脉解剖结构分段并进行标记的规则如表1所示。
22.表1 图1中冠状动脉的解剖标记及其标记规则
[0023][0024][0025]
图1中示出的冠状动脉的解剖结构在不同的个体上可能有较大的变化，例如，图中的第14段，即第二钝缘支om2，在一些个体上也可能缺失，等等。此外，在解剖标记的标记规则中还可以包含解剖标记之间的相互关系，以表1所列为例，lad分支由5(左主干lm)-6(前降支近段plad)-7(前降支中段mlad)-8(前降支远段)连接而成，d分支则包括9(第一对角支
d1)和10(第二对角支d2)，其中，d分支必然位于lad分支上，更具体地，9(第一对角支d1)起自6(前降支近段plad)或7(前降支中段mlad)，而10(第二对角支d2)起自8(前降支远段)或7(前降支中段mlad)和8(前降支远段)的过渡段。在其他一些实施例中，d分支还可能包括9a(第一对角支d1a，未示出)和10a(第二对角支d2a，未示出)等，在这种情况下，9a(第一对角支d1a)应为起自6(前降支近段plad)或7(前降支中段mlad)，并在8(前降支远段)之前的对角支，而10a则是除了10(第二对角支d2)之外的，起自8(前降支远段)的第二对角支。在一些实施例中，根据本公开的方法能够在确定解剖结构各个部分的解剖标记时，综合考虑如上所述的解剖标记之间的双向约束关系，从而使得从全局优化的角度，对整个解剖结构的解剖标记的预测更为准确可靠。
[0026]
需要注意的是，根据本公开实施例的解剖结构不一定是冠状动脉，还可以是任何的血管、呼吸道或乳腺管等，特别是具有多分支树状的解剖结构，在此不一一列举。
[0027]
图2示出根据本公开实施例的生成解剖结构的解剖标记的方法的流程图。
[0028]
首先，在步骤101中，可以接收已提取中心线的解剖结构，或包含已提取中心线的解剖结构的医学图像。在一些实施例中，也可以接收未提取中心线的解剖结构，或包含未提取中心线的解剖结构的医学图像，并利用任何中心线提取的算法来提取解剖结构的中心线，同时还可以一并提取一些有用数据信息，诸如分割蒙版等。上述中心线提取的过程可以是自动、半自动或手动的，采用任何适用的算法或方法均可，本公开对此不做限制。
[0029]
接下来，在步骤102中，可以基于在步骤101中接收的或提取的解剖结构的中心线，利用训练好的深度学习网络，预测该解剖结构的解剖标记。在一些实施例中，上述深度学习网络可以基于分支化网络、图神经网络、递归神经网络和概率图模型依序串联而构成，并且上述分支化网络中可以包含并联设置的至少两个分支网络。
[0030]
在一些实施例中，基于解剖结构的中心线预测解剖标记时，首先需要基于解剖结构的中心线构建解剖结构的中心线的图表示。具体而言，可以首先对中心线进行采样来形成解剖结构的中心线图，例如可以将各个采样点作为中心线图(下文中以g表示)的节点(下文中各个节点的集合以v表示)，将连接v中各对相邻节点的中心线上的各条线段作为中心线图的边(下文中边的集合以e表示)。
[0031]
在一些实施例中，针对v中的各个节点vi，可以提取相关联的物理坐标、图像块和其他任何有用信息，作为节点vi的表示。
[0032]
在一些实施例中，例如可以将e中的边ei表示为一条无向边或两条有向边，其中，有向边可以携带更多的信息，特别是可以用于体现ei所连接的两个节点之间的双向约束关系。例如在冠状动脉树结构中，信息可以从树的根部向末端传播，同时也可以从末端向根部反向传播。
[0033]
基于上述节点的集合v和边的集合e的设定，中心线图g可以表示为：g＝(v,e)，其中，v中节点vi∈v对应于中心线上的点的特征向量或嵌入，ej∈e对应于节点之间的有向边或无向边，i∈[1，
…
，n]，j∈[1，
…
，n-1]其中n是对中心线采样后节点的总数。
[0034]
在完成对解剖结构的中心线图建模的基础上，即可基于该中心线图g，利用训练好的深度学习网络，预测解剖结构的解剖标记，具体的过程将结合图3详细描述。
[0035]
本公开实施例中的确定解剖标记的方法，以解剖结构和包含解剖结构的医学图像为输入，通过使用并联与串联相结合的多个诸如深度神经网络等深度学习网络来实现解剖
标记的端到端预测，其能够在没有任何人工定义的标准和特征的情况下学习到用于识别诸如动脉等解剖结构的本质的解剖特征，与现有技术相比，不再需要预定义的离散特征提取模块，而是从全局联合优化的角度，将上述深度学习网络作为一个整体来学习和使用，能够在深度学习网络的输出端直接输出解剖结构中各个部分的解剖标记，并且随着训练数据量的增加，上述深度学习网络在准确性和鲁棒性等方面的性能也会随之提高。
[0036]
图3示出根据本公开实施例的利用训练好的深度学习网络预测解剖标记的过程的示意图。如图3所示，基于解剖结构的中心线图g，可以利用训练好的深度学习网络300，端到端自动地生成解剖结构的解剖标记，示例性的过程如下。
[0037]
在一些实施例中，首先可以由第一分支网络301，在步骤s3011中基于中心线图g，提取各个节点vi的坐标信息，并将所提取的坐标信息作为用于嵌入几何特征的输入。由于坐标信息可以作为点云，因此在步骤s3012中，例如可以使用诸如pointnet、pointnet++等任意的点云网络，对坐标信息进行编码，并生成各节点的几何特征嵌入。本公开对第一分支网络301所使用的点云网络不做具体限制，只要能够基于中心线图g中各个节点的坐标信息生成各个节点的几何特征嵌入即可。
[0038]
在一些实施例中，与上述第一分支网络301并联设置的还可以有一个或多个其他分支网络，例如图3中示出的第二分支网络302。在一些实施例中，第二分支网络302可以与第一分支网络301同步地，在步骤s3021中，基于中心线图g，提取各个节点vi所对应的2d/3d图像块或蒙版块，并将所提取的图像块/蒙版块作为用于嵌入图像特征的输入。在一些实施例中，例如可以根据不同的解剖部位来选择优化的窗宽窗外，从而完成图像块/蒙版块的提取等，本公开对此不作具体限制。在一些实施例中，第二分支网络302例如可以在步骤s3022中，采用任何基于cnn(convolutional neural network，卷积神经网络)、gcn(graphic convolution neural network，图卷积神经网络)、rnn(recurrent neural network，递归神经网络)或mlp(multilayer perceptron，多层感知机)的深度学习网络，诸如resnet、vgg等，对各个节点的图像/蒙版信息进行编码，并生成各节点的图像/蒙版特征嵌入。
[0039]
仅作为示例，当第二分支网络302选用gcn作为嵌入图像特征的深度学习网络时，gcn能够将cnn的架构泛化到诸如图的非欧几里得域。图卷积直接在图上定义卷积，对于空间邻域进行运算，形式上可表示为z＝gcn(x，a)，其中x∈rn
×
c是输入，n是节点序号，并且c是特征嵌入的维度，a是邻接矩阵，用于表示节点之间是否有边，在根据本公开的实施例中，a可以通过中心线图g来确定，z是gcn的输出。需要注意，在cnn中使用的其他常用方法也可以用于gcn，例如跳过连接或注意力机制。此外，在一些实施例中，第二分支网络302还可以选用其他先进的gnn变体，例如门控gnn方法等。在另一些实施例中，还可以在传播步骤中使用像gru或lstm这样的门控机制来改进在图结构上的信息的长时间传播。例如，如果图的边是有向的，通过使用门控机制，父节点可以有选择地结合来自各个子节点的信息。更具体地，各个图单元(可以是gru或lstm单元)包含输入和输出门、存储单元和隐藏状态，各个图单元针对各个子节点均包含一个遗忘门，来替代单个遗忘门。上述图单元可以是任意的rnn单元，诸如lstm、gru、clstm、cgru等。
[0040]
如上所述，本公开对第二分支网络302所使用的深度学习网络和特征嵌入方式不做具体限制，只要能够实现图像信息编码，并基于中心线图g中各个节点对应的图像块/蒙版块生成各个节点的图像/蒙版特征嵌入即可。
[0041]
在利用第一分支网络301和第二分支网络302分别得到中心线图g各个节点的几何特征嵌入和图像特征嵌入之后，接下来，可以利用图神经网络303，在步骤s3031中，对各节点的几何特征和图像特征两种特征嵌入进行集成，以得到各个节点的联合特征嵌入。对两种或更多的特征嵌入进行集成的方法在此不做具体限制，可以是将各个分支的特征嵌入进行简单地拼接，也可以是根据例如预先确定的权重，对多个分支的特征嵌入进行加权融合后生成联合特征嵌入，在此不一一列举。
[0042]
接下来，可以将图神经网络303输出的各节点联合特征嵌入作为递归神经网络304的输入，利用递归神经网络304生成解剖结构的中心线图g中各个节点对应的解剖标记。上述递归神经网络304可以为lstm、gru、clstm、cgru中的任意一种或在此基础上的变型。
[0043]
进一步地，可以利用诸如crf等概率图模型305，基于中心线图g中各个节点对应的解剖标记，并根据各个节点对应的解剖标记，例如可以采用归纳或聚类的方式，生成解剖结构整体的单元划分和各个单元所对应的解剖标记。上述概率图模型还可以是除crf之外的其他模型，例如mrf(markov random field，马尔科夫随机场)或高阶crf，或其他在此基础上的变型，本公开不做限制。
[0044]
根据如图3所示的本公开实施例中的确定解剖标记的方法，不仅可以独立地考虑基于解剖结构构建的中线图中的几何特征或图像特征，而且还可以利用gnn网络将多种特征嵌入到联合特征向量中，无论是拼接集成还是考虑权重加权融合后的联合特征嵌入，都能够为深度学习网络提供预测精度的提升。
[0045]
在一些实施例中，还可以首先将所述中心线划分为多个单元，并在利用所述图神经网络生成各个节点的联合特征嵌入之后，基于所划分的所述中心线的各个单元，对所述各个节点的联合特征嵌入进行单元级平均池化，生成单元级特征。然后，利用所述递归神经网络，基于所述单元级特征生成所述中心线图的单元级解剖标记。最后，利用所述概率图模型，基于所述单元级解剖标记生成所述解剖结构的解剖标记。
[0046]
图4示出根据本公开实施例的利用训练好的深度学习网络预测解剖标记的另一过程的示意图。图4和图3类似，深度学习网络300中都包括第一分支网络301、第二分支网络302、图神经网络303、递归神经网络304和概率图模型305等组成部分，并且各个组成部分中的操作和步骤也基本相同。图4与图3的不同之处在于，当图神经网络303在步骤s3031中对各节点几何特征和图像特征进行集成并输出各节点联合特征嵌入之后，并未直接送入递归神经网络304，而是利用池化单元303’，在步骤s3032中，对各节点联合特征嵌入进行了单元级别的平均池化。
[0047]
在一些实施例中，在对解剖结构的中心线进行采样时为了得到更准确的解剖标记预测结果，通常采样较为密集，节点数量也较大，邻近的节点之间相关性较大，而在诸如血管等解剖结构中，通常两个分叉之间的血管属于同一个血管分支，即，具有相同的解剖标记。因此，可以设定在解剖结构为血管的情况下，中心线的各个单元对应于血管的两个分叉之间的血管分支。中心线单元的划分可以采用手动、自动或半自动的方式，在此不做限制。
[0048]
以图1所示的冠状动脉为例，可以沿冠状动脉的中心线，将分叉之间的血管分支作为基本单元，对具有联合嵌入特征的中心线图进行单元级别的平均池化。经过单元级别平均池化后，将池化单元303’所输出的单元级特征输入到递归神经网络304，此时，与图3中不同，递归神经网络304将基于单元级特征输出各单元的解剖标记序列。
[0049]
如前文中图1和表1所示，d1和d2等d分支，位于由5-6-7-8组成的lad分支上，也就是说，对于诸如解剖标记预测等结构化标记任务，除了对自身标记进行预测之外，有利地，还可以考虑邻域中的标记与整体结构之间的相关性，并且对给定的解剖结构联合解码，以得到标记的最佳结构。因此，在一些实施例中，可以使用诸如条件随机场(crf)等概率图模型(pgm)，对标记的相关性进行联合建模，而不是独立地解码各个单元的解剖标记，如此能够从解剖结构整体的角度，得到更合理、更准确的解剖标记。
[0050]
在一些情况下，解剖结构随个体的不同而可能有较大的变化，利用本公开实施例的方法，对解剖标记的关系进行建模，能够很大程度上处理个体的这种变化。在解剖标记之间的关系的约束下，根据本公开的方法通过对这些约束的利用，能够在整个解剖结构，例如整个血管树中做出解剖标记的准确且鲁棒的预测，进而帮助医生准确、高效地应个体差异，对不同的患者均能做出准确可靠的诊断。
[0051]
根据本公开的实施例还提供一种利用计算机生成解剖结构的解剖标记的装置，所述装置包括存储器、至少一个处理器及存储在存储器上并在所述至少一个处理器上运行的计算机可执行指令，其中，所述至少一个处理器运行时执行前述各个实施例所述的生成解剖结构的解剖标记的方法的步骤。在一些实施例中，上述利用计算机生成解剖结构的解剖标记的装置可以独立地或与其他部件结合地作为根据本公开实施例的生成解剖结构的解剖标记的系统使用。
[0052]
根据本公开的实施例还提供一种生成解剖结构的解剖标记的系统，所述系统包括接口、模型训练装置和图像处理装置，其中，接口用于接收训练阶段所需的已提取中心线的解剖结构，或包含已提取中心线的解剖结构的医学图像，和/或接收在预测阶段待预测解剖标记的已提取中心线的解剖结构，或包含已提取中心线的解剖结构的医学图像。
[0053]
根据本公开实施例的生成解剖结构的解剖标记的系统还包括模型训练装置，用于在训练阶段对前述各个实施例所述的生成解剖结构的解剖标记的计算机实现方法中的深度学习网络进行训练。
[0054]
根据本公开实施例的生成解剖结构的解剖标记的系统还包括图像处理装置，用于在预测阶段执行前述各个实施例所述的生成解剖结构的解剖标记的计算机实现方法的步骤。
[0055]
图5示出根据本公开实施例的生成解剖结构的解剖标记的系统的示意性框图。系统500可以包括配置为在训练阶段对根据本公开实施例的深度学习网络进行训练的模型训练装置502，以及配置为在预测阶段执行解剖标记预测任务的图像处理装置503。在一些实施例中，模型训练装置502和图像处理装置503可以在相同的计算机或处理装置内部。
[0056]
在一些实施例中，图像处理装置503可以是专用计算机或通用计算机。例如，图像处理装置503可以是医院执行图像获取或图像处理任务的定制计算机或布置在云端中的服务器。图像处理装置503可以包括接口501、存储504、存储器506、处理器508和总线510。接口501、存储504、存储器506、处理器508与总线510连接并且通过总线510彼此通信。
[0057]
接口501可以包括网线连接器、电缆连接器、串行连接器、usb连接器、并行连接器、诸如光纤、usb 3.0、迅雷等的高速数据传输适配器、诸如wifi适配器的无线网络适配器、电信(3g、4g/lte等)适配器等。在一些实施例中，接口501从图像获取装置505接收包含解剖结构的医学图像。在一些实施例中，接口501还从模型训练装置502处接收训练好的深度学习
网络模型。
[0058]
图像获取装置505能够在功能性mri(例如fmri、dce-mri和弥散mri)、锥束ct(cbct)、螺旋ct、正电子发射体层成像(pet)、单光子发射计算机断层扫描(spect)、x射线、光学层析术、荧光成像、超声成像和放疗门户成像等或其组合中获取任意成像形式的图像。本公开的方法可以由使用所获取的图像做出解剖标记预测的系统来执行。
[0059]
存储504/存储器506可以是非暂时性计算机可读介质，其上可以存储计算机可执行的指令，其中当所述计算机可执行指令由处理器执行时，可以执行根据本公开实施例的生成解剖结构的解剖标记的计算机实现方法等。存储504/存储器506可以是诸如只读存储器(rom)、随机存取存储器(ram)、相变随机存取存储器(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、电可擦可编程只读存储器(eeprom)、其他类型的随机存取存储器(rams)、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、只读光盘存储器(cd-rom)、数字多功能光盘(dvd)或其他光存储器、磁带或其他磁存储装置，或任意其他可用于存储能被计算机装置访问的信息或指令的非暂时性介质等。
[0060]
在一些实施例中，存储504可以存储训练好的深度学习模型和数据，诸如执行计算机程序时生成的中心线图等。在一些实施例中，存储器506可以存储计算机可执行指令，诸如一个及以上的图像处理程序。
[0061]
处理器508可以是包括一个及以上的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，处理器可能是复杂指令集计算(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、或运行指令集的组合的处理器。处理器也可以是一个及以上的专用处理装置，诸如专用集成电路(asics)、现场可编程门阵列(fpgas)、数字信号处理器(dsps)、片上系统(socs)等。处理器508可以与内存506通信地耦合，并且被配置为执行存储在其上的计算机可执行指令。
[0062]
模型训练装置502可以利用执行训练处理的软件专门编程的硬件来实现。例如，模型训练装置502可以包括与图像处理装置503相同的处理器和非暂时性计算机可读介质。处理器可以通过执行存储在计算机可读介质中的训练处理的指令来进行训练。模型训练装置502还可以包括输入和输出接口来与训练数据库、网络、和/或用户界面进行通信。用户界面可用于选择训练数据集、调整的一个及以上的训练处理的参数、选择或修改学习模型的框架、和/或手动或半自动提供与训练的图像中的解剖结构相关的预测结果。
[0063]
图6示出根据本公开实施例的生成解剖结构的解剖标记的系统的工作流程示意图。
[0064]
如图6所示，根据本公开实施例的生成解剖结构的解剖标记的系统的工作流程可以分为训练阶段和预测阶段，具体的工作流程如下：
[0065]
在一些实施例中，训练阶段61是离线处理。在这一阶段中，首先可以在步骤s611中接收训练图像，例如可以是已提取样本中心线的样本解剖结构，或包含有已提取或未提取样本中心线的样本解剖结构的样本医学图像，当该样本解剖结构的样本中心线未提取时，也可以在步骤s612中，利用任何适用的中心线提取算法来提取训练图像中样本解剖结构的样本中心线。接下来，在步骤s613中可以对将要训练的深度学习网络进行建模，深度学习网络由分支化网络、图神经网络、递归神经网络和概率图模型依序串联而构成，其中分支化网
络中包含并联设置的至少两个分支网络。在步骤s613中，还需利用图表示算法从样本中心线上自动提取各个采样点对应的图像块/蒙版块和坐标以及其他数据信息，创建样本解剖结构的中心线图，并对中心线图中的各个节点进行特征嵌入。在训练阶段61，可以在步骤s614中接收样本解剖结构的解剖标记的地面真值，或者，在这一阶段，系统组装了标记有地面真值的样本解剖结构训练数据的数据库。接下来，可以在步骤s615中，基于特征嵌入后的中心线图和解剖标记的地面真值对所建模的深度学习网络进行训练，并在步骤s616中获得训练好的深度学习网络。在进行端到端深度学习网络模型训练时，可以使用基于梯度的方法(例如sgd、adam等)，以在训练数据集上相对于所有网络和模型的模型参数来优化目标函数j。深度学习网络模型的参数(θ)可以通过最小化中心线图上各个节点的地面真值y和预测值输出之间的均方差来优化。特别是，可以对于训练集d，优化参数(θ)来使得目标函数j最小化，其中，j可以是任意的分类损失或auc损失。
[0066]
预测阶段62可以是在线处理。在一些实施例中，首先可以在步骤s621中接收在预测阶段新的待预测解剖标记的测试图像，所述测试图像中应包含已提取或未提取中心线的解剖结构，当所接收的测试图像中的解剖结构未提取中心线时，可以在步骤s622中提取测试图像中解剖结构的中心线。然后，即可在步骤s623中，通过使用在训练阶段61中训练好的深度学习网络，计算新的测试图像中整个解剖结构的解剖标记。
[0067]
对本公开的方法、装置和系统可以进行各种变型和更改。鉴于所公开的系统和相关方法的描述和实践，可以由本领域的技术人员衍生出其他实施例。本公开的各个权利要求都可理解为独立实施例，并且它们之间的任意组合也用作本本公开的实施例，并且这些实施例被视为都包括在本公开中。
[0068]
意图描述和示例仅视为示例性的，真实范围由所附权利要求书及其等效来表示。