血管介入机器人器械损伤风险自动预警方法、设备及介质与流程

1.本发明涉及微创介入手术技术领域，尤其涉及一种血管介入机器人器械损伤风险自动预警方法、设备及介质。


背景技术：

2.目前市面上主要的血管介入机器人产品包括corindus公司的corpath grx(2016年fda批准上市)，以及robocath公司的r-one(2019年ce批准上市)等。这些血管介入机器人产品在pci术中使用时，医生通过遥控杆控制导丝的运动，从而达到辅助医生放置支架。但在传统技术中，没有对损伤风险进行预警，从而在使用血管介入机器人进行pci手术时，容易造成导丝触碰并作用力于血管的内膜上，发生医源性动脉夹层从而危及患者生命。


技术实现要素：

3.本发明的主要目的在于提供一种血管介入机器人器械损伤风险自动预警方法、设备及介质，旨在解决现有技术在pci手术时缺乏对损伤风险进行预警的技术问题。
4.为实现上述目的，本发明提供了一种血管介入机器人器械损伤风险自动预警方法，所述方法包括以下步骤：
5.实时获取血管造影图像；
6.基于所述血管造影图像，确定血管树的边缘位置和分支处位置，以及确定导丝头部的当前位置；
7.监测所述当前位置到所述边缘位置和/或分支处位置的距离；
8.若所述距离小于预设距离，则自动预警。
9.可选地，所述基于所述血管造影图像，确定血管树的边缘位置和/或分支处位置，包括：
10.基于所述血管造影图像，获取血管树分割图像；
11.基于所述血管树分割图像，提取各血管树的中心线；
12.基于所述血管树分割图像和所述各血管树的中心线，确定血管树的边缘位置；
13.基于所述各血管树的中心线，确定各血管树的交汇点，从而得到血管树的分支处位置。
14.可选地，基于所述血管造影图像，确定导丝头部的当前位置，包括：
15.将所述血管造影图像输入到训练好的第一u-net的encoder中提取抽象特征；
16.将所述抽象特征输入到所述训练好的第一u-net的decoder，预测出所述血管造影图像中属于导丝部分的概率图；
17.基于阈值将所述概率图转化为二值分割结果；
18.基于所述二值分割结果，通过位置信息确定导丝头部的当前位置。
19.可选地，所述将所述血管造影图像输入到训练好的第一u-net的encoder中提取抽象特征之前，还包括：
20.s2010、将第一血管造影图像输入到第一u-net的encoder中提取抽象特征，其中，所述第一血管造影图像中标注有真实的导丝部分；
21.s2011、将所述抽象特征输入到所述第一u-net的decoder，预测出所述第一血管造影图像中属于导丝部分的概率图；
22.s2012、基于所述概率图与所述真实的导丝部分，计算第一预测误差；
23.s2013、基于所述第一预测误差通过反向传播来更新所述第一u-net中的参数；
24.s2014、将第二血管造影图像作为新的第一血管造影图像后，重复执行步骤s2010-s2014，直至所述第一预测误差小于预设值，得到训练好的第一u-net。
25.可选地，基于所述血管造影图像，确定导丝头部的当前位置，包括：
26.将所述血管造影图像输入到训练好的第二u-net的encoder中提取抽象特征；
27.将所述抽象特征输入到所述训练好的第二u-net的decoder，预测出所述血管造影图像中每个点到导丝头部的位移，得到位移图；
28.基于所述位移图计算所述血管造影图像中每个点位移后的位置，并形成投票图；
29.将所述投票图中得分最高的位置作为导丝头部的当前位置。
30.可选地，所述将所述血管造影图像输入到训练好的u-net的encoder中提取抽象特征之前，还包括：
31.s2020、将第三血管造影图像输入到第二u-net的encoder中提取抽象特征，其中，所述第三血管造影图像中标注有真实的每个点到导丝头部的距离；
32.s2021、将所述抽象特征输入到所述二u-net的decoder，预测出所述第三血管造影图像中每个点到导丝头部的位移，得到预测位移图；
33.s2022、将所述预测位移图中每个点到导丝头部的位移与所述真实的每个点到导丝头部的距离进行对比，计算第二预测误差；
34.s2023、基于所述第二预测误差通过反向传播来更新所述第二u-net中的参数；
35.s2024、将第四血管造影图像作为新的第三血管造影图像后，重复执行步骤s2020-s2024，直至所述第二预测误差小于预设值，得到训练好的第二u-net。
36.可选地，基于所述血管造影图像，确定导丝头部的当前位置，包括：
37.将所述血管造影图像输入到训练好的cnn中抽取抽象特征；
38.将所述抽象特征输入至全连接层，并通过回归预测出导丝头部的当前位置。
39.可选地，所述将所述血管造影图像输入到训练好cnn中抽取抽象特征之前，还包括：
40.s2030、第五血管造影图像输入到cnn中提取抽象特征，其中，所述第五血管造影图像标注有真实导丝头部的位置；
41.s2031、将所述抽象特征输入全连接层，并通过回归预测得到预测导丝头部的位置；
42.s2032、将所述测导丝头部的位置与所述真实导丝头部的位置进行比对，计算第三预测误差；
43.s2033、基于所述第三预测误差通过反向传播来更新所述cnn中的参数；
44.s2034、将第六血管造影图像作为新的第五血管造影图像后，重复执行步骤s2030-s2034，直至所述第三预测误差小于预设值，得到训练好的cnn。
45.此外，为实现上述目的，本发明还提出一种血管介入机器人器械损伤风险自动预警设备，所述血管介入机器人器械损伤风险自动预警设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的血管介入机器人器械损伤风险自动预警程序，所述血管介入机器人器械损伤风险自动预警程序配置为实现如上文所述的血管介入机器人器械损伤风险自动预警方法的步骤。
46.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有血管介入机器人器械损伤风险自动预警程序，所述血管介入机器人器械损伤风险自动预警程序被处理器执行时实现如上文所述的血管介入机器人器械损伤风险自动预警方法的步骤。
47.本发明通过实时获取血管造影图像，能够在进行介入手术时，及时确定导丝头部的最新位置，还能基于所述血管造影图像，确定血管树的边缘位置和分支处位置，通过将导丝头部的最新位置分别与血管的边缘位置和血管的分支处位置进行比对，从而实现监测所述当前位置到所述边缘位置和/或分支处位置的距离，当这个距离小于预设距离时，就能自动预警。通过上述方式，能够在进行pci手术时实时监测导丝头部的运动情况，并根据运动情况来及时进行预警，进而降低医生进行pci手术时误损伤血管的风险。
附图说明
48.图1是本发明实施例方案涉及的硬件运行环境的血管介入机器人器械损伤风险自动预警设备的结构示意图；
49.图2为本发明血管介入机器人器械损伤风险自动预警方法第一实施例的流程示意图；
50.图3为本发明血管介入机器人器械损伤风险自动预警方法第二实施例的流程示意图；
51.图4为本发明血管介入机器人器械损伤风险自动预警方法第三实施例的流程示意图；
52.图5为本发明血管介入机器人器械损伤风险自动预警方法第四实施例的流程示意图；
53.图6为本发明血管介入机器人器械损伤风险自动预警装置第一实施例的结构框图；
54.图7为本发明血管介入机器人器械损伤风险自动预警方法一实施例中的血管造影图像、血管树分割图像、血管树的血管中心线图像以及血管树的边缘图像；
55.图8为本发明血管介入机器人器械损伤风险自动预警方法一实施例中的预警方式。
56.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
57.应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
58.参照图1，图1为本发明实施例方案涉及的硬件运行环境的血管介入机器人器械损伤风险自动预警设备结构示意图。
59.如图1所示，该血管介入机器人器械损伤风险自动预警设备可以包括：处理器
1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)存储器，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
60.本领域技术人员可以理解，图1中示出的结构并不构成对血管介入机器人器械损伤风险自动预警设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
61.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及血管介入机器人器械损伤风险自动预警程序。
62.在图1所示的血管介入机器人器械损伤风险自动预警设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明血管介入机器人器械损伤风险自动预警设备中的处理器1001、存储器1005可以设置在血管介入机器人器械损伤风险自动预警设备中，所述血管介入机器人器械损伤风险自动预警设备通过处理器1001调用存储器1005中存储的血管介入机器人器械损伤风险自动预警程序，并执行本发明实施例提供的血管介入机器人器械损伤风险自动预警方法。
63.本发明实施例提供了一种血管介入机器人器械损伤风险自动预警方法，参照图2，图2为本发明一种血管介入机器人器械损伤风险自动预警方法第一实施例的流程示意图。
64.本实施例中，所述血管介入机器人器械损伤风险自动预警方法包括以下步骤：
65.步骤s10：实时获取血管造影图像。
66.其中，血管造影图像可以为通过x射线拍摄冠状动脉造影形成的图像，通常为dicom格式。
67.具体地，介入(pci)手术，也被称为心脏支架手术，是通过穿刺血管，使导丝在血管中前行，到达动脉开口处，用特殊的传送系统将支架输送到需要安放的部位，然后放置、撤出导丝结束手术。在进行介入手术时，导丝在不断地运动，因此需要实时获取血管造影图像，才能确定导丝头部的最新位置。在进行pci手术中，会持续将造影剂注入血管中，能够使得实时获取到的血管造影图像中血管显影更清晰。
68.步骤s20：基于所述血管造影图像，确定血管树的边缘位置和分支处位置，以及确定导丝头部的当前位置。
69.需要说明的是，血管树指的是多条血管，包括主动脉弓血管以及分支血管等。
70.其中，导丝头部的当前位置即导丝头部的最新位置，可以为导丝头部的当前位置坐标，血管树的边缘位置可以为血管树的边缘位置坐标，血管树的分支处位置可以为分支处位置坐标。
71.在一实施例中，基于所述血管造影图像，获取血管树分割图像；基于所述血管树分割图像，提取各血管的中心线；基于所述血管树分割图像和所述各血管树的中心线，确定血管树的边缘位置；基于所述各血管的中心线，确定各血管树的交汇点，从而得到血管树的分
支处位置。
72.如图7所述，图7(a)为血管造影图像、图7(b)为血管树分割图像、图7(c)为血管树的血管中心线图像以及图7(d)为血管树的边缘图像。
73.具体地，需要对血管造影图像进行血管分割，即从血管造影图像中分割出血管，进而得到血管树分割图像，可以采用深度学习的方法，比如通过u-net来从血管造影图像中分割出血管树，还可以采用传统的图像处理方法，比如通过阈值法从血管造影图像中分割出血管树。其中，分割出来的血管树可以包括主动脉弓血管以及分支血管等。接着从血管树分割图像中提取各血管的血管中心线，可以通过最短路径法来提取各血管树的血管中心线，还可以对血管树分割图像中的各血管的血管mask(掩膜)进行保拓扑的腐蚀操作，直到各血管mask被细化成单体素宽度的血管中心线。由于各血管是交互相连的，因此各血管的中心线是交汇的，进而可以根据各血管的交汇点来确定血管分支处的位置坐标。还可以根据各血管树的中心线来对分隔图像进行腐蚀相减，得到血管树的边缘，进而确定血管树的边缘位置坐标。
74.步骤s30：监测所述当前位置到所述边缘位置和/或分支处位置的距离。
75.具体地，导丝头部的当前位置指的是导丝头部的当前位置坐标，血管树的边缘位置指的是血管树的边缘位置坐标，血管树的分支处位置指的是血管树的分支处位置坐标，可以根据两两之间的坐标来确定导丝头部的当前位置到血管树的边缘位置以及到分支处位置的距离。
76.步骤s40：若所述距离小于预设距离，则自动预警。
77.需要说明的是，预设距离是提前设定好的，该预设距离是基于多次实验数据确定的，当导丝头部的位置到血管的边缘位置或血管的分支处位置大于预设距离时及时进行预警，医生才有足够的时间来重新调整导丝头部的方向，从而降低医生进行pci手术时误损伤血管的风险。如图8所示，预警方式包括但不限于声音预警和视觉预警，其中，声音预警可以通过发出蜂鸣声或者警示语来实现自动预警，视觉预警可以通过发出弹窗提示来进行预警，弹窗提示内容可以是文字提醒，还可以是导丝头部位置的局部放大图。还可以设置多个预设距离，不同预设距离对应不同的预警等级，不同的预警等级采用不同的预警方式，比如，当导丝头部位置小于第一预设距离即离边缘位置和/或分支处位置的距离相对较远时，可以仅通过警示语来完成自动预警，当导丝头部位置小于第二预设距离即离边缘位置和/或分支处位置的距离相对较近时，可以通过发出警示语以及蜂鸣声来共同完成自动预警。
78.本实施例通过实时获取血管造影图像，能够在进行介入手术时，及时确定导丝头部的最新位置，还能基于所述血管造影图像，确定血管树的边缘位置和分支处位置，通过将导丝头部的最新位置分别与血管的边缘位置和血管的分支处位置进行比对，从而实现监测所述当前位置到所述边缘位置和/或分支处位置的距离，当这个距离小于预设距离时，就能自动预警。通过上述方式，能够在进行pci手术时实时监测导丝头部的运动情况，并根据运动情况来及时进行预警，不仅避免因导丝碰触并作用力于血管的边缘位置即血管内膜上，而导致患者发生医源性动脉夹层进而危及患者生命，还能避免因导丝碰触并作用力于血管的分支处位置即斑块上，而导致患者发生医源性斑块破裂形成血栓进而危及患者生命。基于以上，本发明能够降低医生进行pci手术时误损伤血管的风险。
79.参考图3，图3为本发明一种血管介入机器人器械损伤风险自动预警方法第二实施
例的流程示意图。
80.基于上述第一实施例，本实施例血管介入机器人器械损伤风险自动预警方法，基于所述血管造影图像，获取导丝头部的当前位置，包括：
81.步骤s201：将所述血管造影图像输入到训练好的第一u-net的encoder中提取抽象特征；将所述抽象特征输入到所述训练好的第一u-net的decoder，预测出所述血管造影图像中属于导丝部分的概率图；基于阈值将所述概率图转化为二值分割结果；基于所述二值分割结果，通过位置信息确定导丝头部的当前位置。
82.需要说明的是，第一u-net即为u-net网络。
83.具体地，阈值可以提前设定好，比如将阈值设定为0.5，将概率图中阈值大于0.5的像素点归为导丝部分，概率图中阈值小于或等于0.5的像素点归为非导丝部分，得到二值分割结果，从二值分割结果中确定导丝头部的位置，再根据确定好的位置信息来计算导丝头部的当前位置坐标。
84.其中，得到训练好的第一u-net的步骤，包括：
85.步骤s2010：将第一血管造影图像输入到第一u-net的encoder中提取抽象特征，其中，所述第一血管造影图像中标注有真实的导丝部分。
86.需要说明的是，第一血管造影图像与第二血管造影图像均是标注有真实的导丝部分的造影图像，第一血管造影图像和第二血管造影图像都是用来训练第一u-net的样本数据，每一轮训练中的第一血管造影图像和第二血管造影图像是不同的。
87.步骤s2011：将所述抽象特征输入到所述第一u-net的decoder，预测出所述第一血管造影图像中属于导丝部分的概率图。
88.步骤s2012：基于所述概率图与所述真实的导丝部分，计算第一预测误差。
89.具体地，根据概率图来确定第一血管造影图像中预测的导丝部分，将预测的导丝部分与真实的导丝部分进行对比，来计算第一预测误差。
90.步骤s2013：基于所述第一预测误差通过反向传播来更新所述第一u-net中的参数。
91.s2014、将第二血管造影图像作为新的第一血管造影图像后，重复执行步骤s2010-s2014，直至所述第一预测误差小于预设值，得到训练好的第一u-net。
92.具体地，预设值是提前确定好的，可以根据想要训练得到的网络状态来设定，当第一预测误差小于预设值时，可以认为这时的第一u-net已经训练好了，即得到训练好的第一u-net。
93.在本实施例中，采用基于深度学习网络的方法特别是基于u-net网络的方法来监测血管造影图像中导丝的头部位置，不仅能快速监测到导丝的头部位置，还能够有效提高监测的准确率。
94.参考图4，图4为本发明一种血管介入机器人器械损伤风险自动预警方法第三实施例的流程示意图。
95.基于上述第一实施例，本实施例血管介入机器人器械损伤风险自动预警方法，基于所述血管造影图像，获取导丝头部的当前位置，包括：
96.步骤s202：将所述血管造影图像输入到训练好的第二u-net的encoder中提取抽象特征；将所述抽象特征输入到所述训练好的第二u-net的decoder，预测出所述血管造影图
像中每个点到导丝头部的位移，得到位移图；基于所述位移图计算所述血管造影图像中每个点位移后的位置，并形成投票图；将所述投票图中得分最高的位置作为导丝头部的当前位置。
97.需要说明的是，第二u-net即为u-net网络。
98.具体地，预测出所述血管造影图像中每个点到导丝头部的位移(δx,δy,δz)，得到位移图。再根据位移图来计算所述血管造影图像中每个点位移后的位置然后此位置记1分，所述血管造影图像中每个点都进行位移后，会最终形成一个投票图，取投票图中得分最高的位置坐标，作为导丝头部的当前位置坐标。
99.其中，得到训练好的第二u-net的步骤，包括：
100.步骤s2020：将第三血管造影图像输入到第二u-net的encoder中提取抽象特征，其中，所述第三血管造影图像中标注有真实的每个点到导丝头部的距离。
101.需要说明的是，第三血管造影图像与第四血管造影图像均是标注有真实的每个点到导丝头部的距离，第三血管造影图像和第四血管造影图像都是用来训练第二u-net的样本数据，每一轮训练中的第三血管造影图像和第四血管造影图像是不同的。
102.步骤s2021：将所述抽象特征输入到所述二u-net的decoder，预测出所述第三血管造影图像中每个点到导丝头部的位移，得到预测位移图。
103.具体地，预测位移图对应血管造影图像中每个点到导丝头部的位移(
△
x,δy,δz)。
104.步骤s2022：将所述预测位移图中每个点到导丝头部的位移与所述真实的每个点到导丝头部的距离进行对比，计算第二预测误差。
105.具体地，根据预测位移图中每个点到导丝头部的位移得到每个点到导丝头部的距离，再与所述真实的每个点到导丝头部的距离进行对比，计算第二预测误差。
106.步骤s2023：基于所述第二预测误差通过反向传播来更新所述第二u-net中的参数。
107.步骤s2024：将第四血管造影图像作为新的第三血管造影图像后，重复执行步骤s2020-s2024，直至所述第二预测误差小于预设值，得到训练好的第二u-net。
108.具体地，预设值是提前确定好的，可以根据想要训练得到的网络状态来设定，当第二预测误差小于预设值时，可以认为这时的第二u-net已经训练好了，即得到训练好的第二u-net。
109.在本实施例中，采用基于深度学习网络的方法特别是基于u-net网络的方法来监测血管造影图像中导丝的头部位置，不仅能快速监测到导丝的头部位置，还能够有效提高监测的准确率。
110.参考图5，图5为本发明一种血管介入机器人器械损伤风险自动预警方法第四实施例的流程示意图。
111.基于上述第一实施例，本实施例血管介入机器人器械损伤风险自动预警方法，基于所述血管造影图像，获取导丝头部的当前位置，包括：
112.步骤s203：将所述血管造影图像输入到训练好的cnn中抽取抽象特征；将所述抽象特征输入至全连接层，并通过回归预测出导丝头部的当前位置。
113.其中，得到训练好的cnn的步骤，包括：
114.步骤s2030：第五血管造影图像输入到cnn中提取抽象特征，其中，所述第五血管造影图像标注有真实导丝头部的位置。
115.需要说明的是，第五血管造影图像与第六血管造影图像均是标注有真实导丝头部的位置，第五血管造影图像和第六血管造影图像都是用来训练cnn的样本数据，每一轮训练中的第五血管造影图像和第六血管造影图像是不同的。
116.步骤s2031：将所述抽象特征输入全连接层，并通过回归预测得到预测导丝头部的位置。
117.步骤s2032：将所述测导丝头部的位置与所述真实导丝头部的位置进行比对，计算第三预测误差。
118.步骤s2033：基于所述第三预测误差通过反向传播来更新所述cnn中的参数。
119.步骤s2034：将第六血管造影图像作为新的第五血管造影图像后，重复执行步骤s2030-s2034，直至所述第三预测误差小于预设值，得到训练好的cnn。
120.具体地，预设值是提前确定好的，可以根据想要训练得到的网络状态来设定，当第三预测误差小于预设值时，可以认为这时的cnn已经训练好了，即得到训练好的cnn。
121.在本实施例中，采用基于深度学习网络的方法特别是基于cnn网络的方法来监测血管造影图像中导丝的头部位置，不仅能快速监测到导丝的头部位置，还能够有效提高监测的准确率。
122.此外，本发明实施例还提出一种存储介质，所述存储介质上存储有血管介入机器人器械损伤风险自动预警程序，所述血管介入机器人器械损伤风险自动预警程序被处理器执行时实现如上文所述的血管介入机器人器械损伤风险自动预警方法的步骤。
123.参照图6，图6为本发明血管介入机器人器械损伤风险自动预警装置第一实施例的结构框图。
124.如图6所示，本发明实施例提出的血管介入机器人器械损伤风险自动预警装置包括：
125.获取模块601，用于实时获取血管造影图像；
126.确定模块602，用于基于所述血管造影图像，确定血管树的边缘位置和分支处位置，以及确定导丝头部的当前位置；
127.监测模块603，用于监测所述当前位置到所述边缘位置和/或分支处位置的距离；
128.预警模块604，还用于在所述距离小于预设距离时，自动预警。
129.本实施例通过实时获取血管造影图像，能够在进行介入手术时，及时确定导丝头部的最新位置，还能基于所述血管造影图像，确定血管树的边缘位置和分支处位置，通过将导丝头部的最新位置分别与血管的边缘位置和血管的分支处位置进行比对，从而实现监测所述当前位置到所述边缘位置和/或分支处位置的距离，当这个距离小于预设距离时，就能自动预警。通过上述方式，能够在进行pci手术时实时监测导丝头部的运动情况，并根据运动情况来及时进行预警，进而降低医生进行pci手术时误损伤血管的风险。
130.在一实施例中，所述确定模块602还用于：
131.基于所述血管造影图像，获取血管树分割图像；
132.基于所述血管树分割图像，提取各血管树的中心线；
133.基于所述血管树分割图像和所述各血管树的中心线，确定血管树的边缘位置；
134.基于所述各血管树的中心线，确定各血管树的交汇点，从而得到血管树的分支处位置。
135.在一实施例中，所述确定模块602还用于：
136.将所述血管造影图像输入到训练好的第一u-net的encoder中提取抽象特征；
137.将所述抽象特征输入到所述训练好的第一u-net的decoder，预测出所述血管造影图像中属于导丝部分的概率图；
138.基于阈值将所述概率图转化为二值分割结果；
139.基于所述二值分割结果，通过位置信息确定导丝头部的当前位置。
140.在一实施例中，所述确定模块602还用于：
141.将所述血管造影图像输入到训练好的第一u-net的encoder中提取抽象特征；
142.将所述抽象特征输入到所述训练好的第一u-net的decoder，预测出所述血管造影图像中属于导丝部分的概率图；
143.基于阈值将所述概率图转化为二值分割结果；
144.基于所述二值分割结果，通过位置信息确定导丝头部的当前位置。
145.在一实施例中，所述确定模块602还用于：
146.将第一血管造影图像输入到第一u-net的encoder中提取抽象特征，其中，所述第一血管造影图像中标注有真实的导丝部分；
147.将所述抽象特征输入到所述第一u-net的decoder，预测出所述第一血管造影图像中属于导丝部分的概率图；
148.基于所述概率图与所述真实的导丝部分，计算第一预测误差；
149.基于所述第一预测误差通过反向传播来更新所述第一u-net中的参数，得到训练好的第一u-net。
150.在一实施例中，所述确定模块602还用于：
151.将所述血管造影图像输入到训练好的u-net的encoder中提取抽象特征；
152.将所述抽象特征输入到所述训练好的u-net的decoder，预测出所述血管造影图像中每个点到导丝头部的距离，得到位移图；
153.基于所述位移图计算所述血管造影图像中每个点位移后的位置，并形成投票图；
154.将所述投票图中得分最高的位置作为导丝头部的当前位置。
155.在一实施例中，所述确定模块602还用于：
156.将第三血管造影图像输入到第二u-net的encoder中提取抽象特征，其中，所述第三血管造影图像中标注有真实的每个点到导丝头部的距离；
157.将所述抽象特征输入到所述二u-net的decoder，预测出所述第三血管造影图像中每个点到导丝头部的距离，得到预测位移图；
158.将所述预测位移图中每个点到导丝头部的距离与所述真实的每个点到导丝头部的距离进行对比，计算第二预测误差；
159.基于所述第二预测误差通过反向传播来更新所述第二u-net中的参数，得到训练好的第二u-net。
160.在一实施例中，所述确定模块602还用于：
161.将所述血管造影图像输入到训练好的cnn中抽取抽象特征；
162.将所述抽象特征输入至全连接层，并通过回归预测出导丝头部的当前位置。
163.在一实施例中，所述确定模块602还用于：
164.第五血管造影图像输入到cnn中提取抽象特征，其中，所述第五血管造影图像标注有真实导丝头部的位置；
165.将所述抽象特征输入全连接层，并通过回归预测得到预测导丝头部的位置；
166.将所述测导丝头部的位置与所述真实导丝头部的位置进行比对，计算第三预测误差；
167.基于所述第三预测误差通过反向传播来更新所述cnn中的参数，得到训练好的cnn。
168.应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
169.需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
170.另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的血管介入机器人器械损伤风险自动预警方法，此处不再赘述。
171.此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
172.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
173.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(read only memory，rom)/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
174.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。