一种冠脉斑块分割方法及装置与流程

1.本发明属于医学影像技术领域，具体涉及一种冠脉斑块分割方法及装置。


背景技术：

2.目前，心血管疾病在全球最导致死亡的最重要的原因之一。每年死于心血管疾病的人数多于任何其它死因。而冠脉斑块是冠心病的主要病理体现，冠脉斑块包括钙化斑块与软斑，会直接导致冠状动脉的血管管腔狭窄甚至闭塞。因此从医学影像中准确地分割冠脉斑块，对于冠心病等心脏疾病的诊断具有十分重要的临床意义。
3.冠脉斑块分割的目的是得到斑块的准确轮廓，以分析斑块对冠脉血管血流情况的影响。而斑块是附着于血管上的，因此斑块靠近血管一侧的轮廓对于临床应用来说更加重要。由于软斑块密度较低，远离血管一侧靠近脂肪等同样是低密度显影的组织，较难区分软斑外侧的边界。因此，冠脉斑块分割的难点在于准确识别出软斑块的边界，特别是靠近血管一侧的边界。传统的冠脉斑块分割算法，比如自适应阈值、水平集等图像分割方法，主要是根据图像的灰度值以及梯度变化来进行斑块分割，很难准确地分割出软斑块的边界。


技术实现要素：

4.为了解决现有技术中存在的上述问题，本发明提供一种冠脉斑块分割方法及装置。
5.为了实现上述目的，本发明采用以下技术方案。
6.第一方面，本发明提供一种冠脉斑块分割方法，包括以下步骤：
7.从心脏冠脉医学影像中提取冠脉血管掩膜，通过对所述冠脉血管掩膜进行腐蚀细化，得到冠脉血管中心线；
8.基于所述冠脉血管掩膜和冠脉血管中心线生成中心线距离热力图，热力图中数据点的值按着数据点与中心线的距离递减变化；
9.在所述医学影像上标注斑块，并区分钙化斑块和软斑，利用标注好的医学影像对斑块分割模型进行训练，训练时基于所述热力图调整模型权重参数；
10.将待检测心脏冠脉医学影像输入训练好的斑块分割模型，得到斑块分割图像及斑块类别：钙化斑块或软斑。
11.进一步地，所述心脏冠脉医学影像为心脏冠脉增强数据，即ccta图像。
12.进一步地，所述方法还包括：沿着冠脉血管中心线上的点，以固定大小、固定步长的空间滑动窗口，在所述医学影像上采样得到基准图像块，利用标注过的基准图像块对斑块分割模型进行训练。
13.进一步地，生成中心线距离热力图的方法包括：
14.在所述中心线上的每个中心点的法平面上，从所述中心点向外膨胀，直到所述法平面上的冠脉血管掩膜边界；各个数据点的值按着数据点与所述中心点的距离递减变化。
15.进一步地，所述训练时基于所述热力图调整模型权重参数，具体调整公式如下：
16.w＝w
c-(w
c-wb)
×
l/l
17.式中，w为与中心点距离为l的点的权重，wc为中心点的权重，wb为血管边界的权重，l为所述中心点与血管边界的距离，wb《wc，0≤l≤l。
18.进一步地，所述训练时基于所述热力图调整模型权重参数，具体调整公式如下：
[0019][0020]
α＝-ln(wb/wc)
[0021]
式中，w为与中心点距离为l的点的权重，wc为中心点的权重，wb为血管边界的权重，l为所述中心点与血管边界的距离，wb《wc，0≤l≤l。
[0022]
第二方面，本发明提供一种冠脉斑块分割装置，包括：
[0023]
中心线生成模块，用于从心脏冠脉医学影像中提取冠脉血管掩膜，通过对所述冠脉血管掩膜进行腐蚀细化，得到冠脉血管中心线；
[0024]
热力图生成模块，用于基于所述冠脉血管掩膜和冠脉血管中心线生成中心线距离热力图，热力图中数据点的值按着数据点与中心线的距离递减变化；
[0025]
模型训练模块，用于在所述医学影像上标注斑块，并区分钙化斑块和软斑，利用标注好的医学影像对斑块分割模型进行训练，训练时基于所述热力图调整模型权重参数；
[0026]
斑块分割模块，用于将待检测心脏冠脉医学影像输入训练好的斑块分割模型，得到斑块分割图像及斑块类别：钙化斑块或软斑。
[0027]
进一步地，所述心脏冠脉医学影像为心脏冠脉增强数据，即ccta图像。
[0028]
进一步地，所述装置还包括基准图像块生成模块，用于沿着冠脉血管中心线上的点，以固定大小、固定步长的空间滑动窗口，在所述医学影像上采样得到基准图像块，利用标注过的基准图像块对斑块分割模型进行训练。
[0029]
进一步地，生成中心线距离热力图的方法包括：
[0030]
在所述中心线上的每个中心点的法平面上，从所述中心点向外膨胀，直到所述法平面上的冠脉血管掩膜边界；各个数据点的值按着数据点与所述中心点的距离递减变化。
[0031]
进一步地，所述训练时基于所述热力图调整模型权重参数，具体调整公式如下：
[0032]
w＝w
c-(w
c-wb)
×
l/l
[0033]
式中，w为与中心点距离为l的点的权重，wc为中心点的权重，wb为血管边界的权重，l为所述中心点与血管边界的距离，wb《wc，0≤l≤l。
[0034]
进一步地，所述训练时基于所述热力图调整模型权重参数，具体调整公式如下：
[0035][0036]
α＝-ln(wb/wc)
[0037]
式中，w为与中心点距离为l的点的权重，wc为中心点的权重，wb为血管边界的权重，l为所述中心点与血管边界的距离，wb《wc，0≤l≤l。
[0038]
与现有技术相比，本发明具有以下有益效果。
[0039]
本发明通过从心脏冠脉医学影像中提取冠脉血管掩膜，得到冠脉血管中心线，生成中心线距离热力图，热力图中数据点的值按着数据点与中心线的距离递减变化，在所述医学影像上标注斑块，并区分钙化斑块和软斑，利用标注好的医学影像对斑块分割模型进行训练，训练时基于所述热力图调整模型权重参数，将待检测心脏冠脉医学影像输入训练
好的斑块分割模型，得到斑块分割图像及斑块类别，实现了冠脉斑块的自动分割。本发明通过生成中心线距离热力图，并在斑块分割模型训练时基于所述热力图调整模型权重参数，赋予斑块内侧区域较大的优化权重，可提高冠脉斑块轮廓的分割精度。
附图说明
[0040]
图1为本发明实施例一种冠脉斑块分割方法的流程图。
[0041]
图2为冠脉血管掩膜和冠脉血管中心线的示意图。
[0042]
图3为冠脉斑块标注示意图。
[0043]
图4为中心线距离热力图示意图。
[0044]
图5为本发明实施例一种冠脉斑块分割装置的方框图。
具体实施方式
[0045]
为使本发明的目的、技术方案及优点更加清楚、明白，以下结合附图及具体实施方式对本发明作进一步说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0046]
图1为本发明实施例一种冠脉斑块分割方法的流程图，包括以下步骤：
[0047]
步骤101，从心脏冠脉医学影像中提取冠脉血管掩膜，通过对所述冠脉血管掩膜进行腐蚀细化，得到冠脉血管中心线；
[0048]
步骤102，基于所述冠脉血管掩膜和冠脉血管中心线生成中心线距离热力图，热力图中数据点的值按着数据点与中心线的距离递减变化；
[0049]
步骤103，在所述医学影像上标注斑块，并区分钙化斑块和软斑，利用标注好的医学影像对斑块分割模型进行训练，训练时基于所述热力图调整模型权重参数；
[0050]
步骤104，将待检测心脏冠脉医学影像输入训练好的斑块分割模型，得到斑块分割图像及斑块类别：钙化斑块或软斑。
[0051]
本实施例中，步骤101主要用于提取冠脉血管掩膜(mask)并获得冠脉血管中心线。本实施例通过冠脉血管分割模型提取冠脉血管掩膜，所述冠脉血管分割模型是通过深度学习训练得到的，将心脏冠脉医学影像输入训练好的冠脉血管分割模型就可得到冠脉血管掩膜。本实施例通过对得到的冠脉血管掩膜进行腐蚀细化处理，得到冠脉血管中心线。冠脉血管掩膜和生成的冠脉血管中心线如图2所示。
[0052]
本实施例中，步骤102主要用于生成中心线距离热力图。本实施例基于所述冠脉血管掩膜和冠脉血管中心线生成中心线距离热力图。热力图中数据点的值按着数据点与中心线的距离递减变化，即距离越大值越小。具体地说就是，与中心线越近的数据点的值越大，与中心线越远的数据点的值越小，中心线上的中心点的值最大，血管掩膜边界点的值最小。中心线距离热力图的示意图如图4所示。生成中心线距离热力图的目的是在斑块分割模型进行训练时用所述热力图调整模型权重参数。
[0053]
本实施例中，步骤103主要用于构建并训练斑块分割模型。本实施例采用人工神经网络构建斑块分割模型，如可采用基于残差模块的三维u-net[2]网络。u-net[2]网络结构在通用的语义分割网络的编码器、解码器结构基础上，加入了跳层连接层，在提取图像的高
级语义特征的同时，保留了高分辨率图像中的细节特征，这对于医学影像分割任务特别重要。斑块分割模型结构确定后，还要对所述模型进行训练以确定模型参数。模型训练需要建立由标注了斑块区域及类别的心脏冠脉医学影像组成的训练数据集。本实施例在标注斑块类别时区分钙化斑块和软斑，也就是将斑块划分为钙化斑块和软斑两种，斑块区域和类别的标注如图3所示。训练数据集建好后就对所述模型进行训练，与通常的模型训练不同的是，本实施例在模型训练时基于生成的热力图调整模型的权重参数。权重调整可通过修正模型训练的损失函数实现，也就是将交叉熵损失函数与距离热力图权重相乘得到最终的损失函数。
[0054]
冠脉斑块分割的目的是得到斑块的准确轮廓，以分析斑块对冠脉血管血流情况的影响。而斑块是附着于血管上的，因此斑块靠近血管一侧的轮廓对于临床应用来说更加重要。由于软斑块密度较低，远离血管一侧靠近脂肪等同样是低密度显影的组织，较难区分软斑外侧的边界。冠脉斑块分割的难点在于准确识别出软斑块的边界，特别是靠近血管一侧的边界。对于深度学习卷积神经网络来说，图像分割即像素的分类，模型本身难以区分斑块的内外侧位置。因此，本实施例根据冠脉血管掩膜以及冠脉血管中心线，生成了血管距离热力图，斑块区域距离冠脉中心线越近即越靠近内侧，分配的权重越大，可以更加准确地分割出斑块轮廓。
[0055]
本实施例中，步骤104主要用于分割斑块图像并输出斑块类别。本实施例通过将待检测心脏冠脉医学影像输入训练好的斑块分割模型，得到斑块分割图像及斑块类别，斑块类别包括钙化斑块或软斑。
[0056]
作为一可选实施例，所述心脏冠脉医学影像为心脏冠脉增强数据，即ccta图像。
[0057]
本实施例给出了一种具体的心脏冠脉医学影像。医学影像种类很多，如ct成像、超声成像、磁共振成像、核医学成像等，本实施例的医学影像为心脏冠脉增强数据ccta。
[0058]
作为一可选实施例，所述方法还包括：沿着冠脉血管中心线上的点，以固定大小、固定步长的空间滑动窗口，在所述医学影像上采样得到基准图像块，利用标注过的基准图像块对斑块分割模型进行训练。
[0059]
本实施例给出了生成基准图像块的一种技术方案。由于斑块区域在整个图像中只占很小的比例，因此如果直接对输入的整个图像进行斑块分割，会使计算量很大，很难得到理想的分割速度和效果。为此，本实施例沿着冠脉血管中心线采样得到尺寸和步长固定的基准图像块，可以最大程度上关注斑块区域，排除无关区域的干扰。生成基准图像块的尺寸和步长的大小可根据经验确定，比如基准图像块的尺寸可取64*64*64，步长可取16。
[0060]
作为一可选实施例，生成中心线距离热力图的方法包括：
[0061]
在所述中心线上的每个中心点的法平面上，从所述中心点向外膨胀，直到所述法平面上的冠脉血管掩膜边界；各个数据点的值按着数据点与所述中心点的距离递减变化。
[0062]
本实施例给出了生成中心线距离热力图的一种技术方案。热力图绘制是非常成熟的现有技术，本实施例只给出了确定热力图中数据点位置及数值大小的技术方案。具体方法是针对所述中心线上的每个中心点进行以下处理：首先作出过所述中心点的法平面(该平面过所述中心点的法线即所述中心线在所述中心点的切线)；然后在法平面内从所述中心点出发向外膨胀，一直到所述法平面上的冠脉血管掩膜边界为止；根据各个数据点与所述中心点的距离大小确定数据点的值，距离越大数据点的值越小。
[0063]
作为一可选实施例，所述训练时基于所述热力图调整模型权重参数，具体调整公式如下：
[0064]
w＝w
c-(w
c-wb)
×
l/l
[0065]
式中，w为与中心点距离为l的点的权重，wc为中心点的权重，wb为血管边界的权重，l为所述中心点与血管边界的距离，wb《wc，0≤l≤l。
[0066]
本实施例给出了根据热力图调整模型权重参数的一种技术方案。如前述，权重按照数据点与中心点距离递减变化，本实施例给出了线性递减时的表达式，如上式，l＝0时，w＝wc，w最大；l＝l时，w＝wb，w最小；0《l《l时，w从wc线性递减至wb。
[0067]
作为一可选实施例，所述训练时基于所述热力图调整模型权重参数，具体调整公式如下：
[0068][0069]
α＝-ln(wb/wc)
[0070]
式中，w为与中心点距离为l的点的权重，wc为中心点的权重，wb为血管边界的权重，l为所述中心点与血管边界的距离，wb《wc，0≤l≤l。
[0071]
本实施例给出了根据热力图调整模型权重参数的另一种技术方案。与上一实施例的权重线性递减不同的是，本实施例的权重按高斯函数递减。具体公式如上式。由于wb《wc，l＝0时，所以l＝0时，w＝max{wb,wc}＝wc，w最大；l＝l时，所以l＝l时，w＝max{wb,wb}＝wb，w最小；0《l《l时，w从wc按高斯函数递减至wb。
[0072]
图5为本发明实施例一种冠脉斑块分割装置的组成示意图，所述装置包括：
[0073]
中心线生成模块11，用于从心脏冠脉医学影像中提取冠脉血管掩膜，通过对所述冠脉血管掩膜进行腐蚀细化，得到冠脉血管中心线；
[0074]
热力图生成模块12，用于基于所述冠脉血管掩膜和冠脉血管中心线生成中心线距离热力图，热力图中数据点的值按着数据点与中心线的距离递减变化；
[0075]
模型训练模块13，用于在所述医学影像上标注斑块，并区分钙化斑块和软斑，利用标注好的医学影像对斑块分割模型进行训练，训练时基于所述热力图调整模型权重参数；
[0076]
斑块分割模块14，用于将待检测心脏冠脉医学影像输入训练好的斑块分割模型，得到斑块分割图像及斑块类别：钙化斑块或软斑。
[0077]
本实施例的装置，可以用于执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。后面的实施例也是如此，均不再展开说明。
[0078]
作为一可选实施例，所述心脏冠脉医学影像为心脏冠脉增强数据，即ccta图像。
[0079]
作为一可选实施例，所述装置还包括基准图像块生成模块，用于沿着冠脉血管中心线上的点，以固定大小、固定步长的空间滑动窗口，在所述医学影像上采样得到基准图像块，利用标注过的基准图像块对斑块分割模型进行训练。
[0080]
作为一可选实施例，生成中心线距离热力图的方法包括：
[0081]
在所述中心线上的每个中心点的法平面上，从所述中心点向外膨胀，直到所述法平面上的冠脉血管掩膜边界；各个数据点的值按着数据点与所述中心点的距离递减变化。
[0082]
作为一可选实施例，所述训练时基于所述热力图调整模型权重参数，具体调整公式如下：
[0083]
w＝w
c-(w
c-wb)
×
l/l
[0084]
式中，w为与中心点距离为l的点的权重，wc为中心点的权重，wb为血管边界的权重，l为所述中心点与血管边界的距离，wb《wc，0≤l≤l。
[0085]
作为一可选实施例，所述训练时基于所述热力图调整模型权重参数，具体调整公式如下：
[0086][0087]
α＝-ln(wb/wc)
[0088]
式中，w为与中心点距离为l的点的权重，wc为中心点的权重，wb为血管边界的权重，l为所述中心点与血管边界的距离，wb《wc，0≤l≤l。
[0089]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。