技术特征：
1.一种生成解剖结构的解剖标记的计算机实现方法，其特征在于，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。2.根据权利要求1所述的计算机实现方法，其特征在于，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进一步包括：对所述中心线进行采样来形成所述解剖结构的中心线图，其中，将各个采样点作为所述解剖结构的中心线图的节点，将连接各对相邻节点的所述中心线上的各条线段作为所述中心线图的边；基于所述中心线图，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。3.根据权利要求2所述的计算机实现方法，其特征在于，所述至少两个分支网络包括第一分支网络和第二分支网络，基于所述中心线图，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进一步包括：利用所述第一分支网络，基于各个节点的坐标信息生成各个节点的几何特征嵌入；利用所述第二分支网络，基于所述各个节点对应的图像块或蒙版块生成各个节点的图像特征嵌入；利用所述图神经网络，基于所述几何特征嵌入和所述图像特征嵌入生成各个节点的联合特征嵌入；利用所述递归神经网络，基于所述联合特征嵌入生成所述中心线图中各个节点对应的解剖标记；利用所述概率图模型，基于所述中心线图中各个节点对应的解剖标记生成所述解剖结构的解剖标记。4.根据权利要求3所述的计算机实现方法，其特征在于，基于所述中心线图，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进一步包括：将所述中心线划分为多个单元；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；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；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。5.根据权利要求4所述的计算机实现方法，其特征在于，所述解剖结构为血管，并且所述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。6.根据权利要求3所述的计算机实现方法，其特征在于，所述第一分支网络为点云神经网络。7.根据权利要求3所述的计算机实现方法，其特征在于，所述第二分支网络为cnn、rnn或mlp中的一种。8.根据权利要求3所述的计算机实现方法，其特征在于，所述递归神经网络为lstm、gru、clstm或cgru中的一种。
9.根据权利要求1所述的计算机实现方法，其特征在于，所述解剖结构至少包括血管、呼吸道或乳腺管中的一种。10.根据权利要求2所述的计算机实现方法，其特征在于，所述中心线图的边为有向边。11.根据权利要求1所述的计算机实现方法，其特征在于，所述计算机实现方法进一步包括：接收由已提取样本中心线的样本解剖结构，或包含已提取样本中心线的样本解剖结构的样本医学图像，以及所述样本解剖结构的解剖标记的地面真值组成的训练数据；利用所述训练数据，通过对至少两个分支网络、图神经网络、递归神经网络和概率图模型的各个模型参数进行联合优化，来对所述深度学习网络进行训练。12.一种生成解剖结构的解剖标记的系统，所述系统包括：接口，其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；至少一个处理器，其被配置为执行根据权利要求1至11中任一项所述的生成解剖结构的解剖标记的计算机实现方法。13.一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，执行根据权利要求1至11中任一项所述的生成解剖结构的解剖标记的计算机实现方法。
技术总结
本公开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，所述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。本公开中的计算机实现方法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，并且该方法在解剖结构随个体变化较大的情况下，仍然能够具有很高的预测准确性和可靠性，有利于帮助医生准确可靠地诊断。医生准确可靠地诊断。医生准确可靠地诊断。
技术研发人员：王昕 尹游兵 孔斌 陆易 郭新宇 杨皓宇 白军杰 宋麒
受保护的技术使用者：深圳科亚医疗科技有限公司
技术研发日：2022.04.22
技术公布日：2022/11/10