用于确定血管腔内图像的目标轮廓的可信度的方法及装置与流程

本公开大体涉及医学图像计算领域，具体涉及一种用于确定血管腔内图像的目标轮廓的可信度的方法及装置。

背景技术：

1、近些年，基于深度学习的自然图像分割方法或医学图像分割方法取得较大的突破，使得很多应用和产品走进了人们的生活中。例如，自动驾驶领域广泛采用了自然图像分割算法、具有较高风险的医学影像分析领域则采用了加速诊疗流程的医学图像分割算法。然而，图像分割方法的性能受到诸多因素的影响，例如，图像采集不规范或成像参数设置不适当，可能会造成图像质量差、病变的异质外观变异大以及非目标组织病变对成像产生干扰等问题。

2、目前应用比较广泛的现有技术是对医学图像进行原始边界分割，然后通过在医学图像中检测一系列边缘，生成边缘图并对边缘图内的一系列目标轮廓点，计算其置信度；最后基于置信度对目标轮廓点分类以更新医学图像的边界分割。

3、然而，在上述技术中，由于医学图像具有干扰因素多、背景噪声大和图像对比度差的特点；同时，医学图像的假阳性目标轮廓通常较多，可能会淹没医学图像中真正的目标轮廓，因此仅依靠图像边缘特征对该目标轮廓进行不确定性评价，往往会存在误差。

技术实现思路

1、本公开是有鉴于上述的状况而提出的，其目的在于提供一种获取血管腔内图像的目标轮廓上的轮廓点的可信度类别的方法及装置，从而能够准确地对血管腔内图像的目标轮廓进行不确定性评价。

2、为此，本公开的第一方面提供一种用于确定血管腔内图像的目标轮廓的可信度的方法，是用于获取所述血管腔内图像的目标轮廓上的轮廓点的可信度类别的方法，所述方法包括：获取至少一张所述血管腔内图像；对所述血管腔内图像进行至少一次数据增强以获取至少一张扩增图像；将所述至少一张扩增图像输入对象信息确定模型以获取至少一张包括所述目标轮廓的图像；基于所述至少一张包括所述目标轮廓的图像获取至少一种不确定性图，所述至少一种不确定性图包括表征所述轮廓点的不确定性度量值；并且基于所述至少一种不确定性图的不确定性度量值与预设阈值获取所述轮廓点的可信度类别。

3、在本公开第一方面中，基于包括目标轮廓的图像获取至少一种不确定性图，不确定性图包括表征图像的轮廓点的不确定性度量值，然后基于不确定性度量值和预设阈值来获取轮廓点的可信度类别。在这种情况下，能够通过至少一种不确定性图，也即能够以多种不确定性度量方式来获取目标轮廓上的轮廓点的不确定性度量值，进而能够使不确定性度量值兼顾多种不确定性度量方式对轮廓点的不确定性评价，从而能够提高不确定性度量值的准确性。同时，通过不确定性度量值与预设阈值获取轮廓点的可信度类别，能够对轮廓点的可信度类别进行分类(例如，通过轮廓点的可信度大小进行分类)，从而能够获取分类后的轮廓点的可信度并能够准确地对血管腔内图像的目标轮廓进行不确定性评价，进而能够便于用户例如医务工作者对不确定性较高的目标轮廓进行识别以减小目标轮廓判断错误的风险。

4、另外，在本公开第一方面所涉及的用于确定血管腔内图像的目标轮廓的可信度的方法中，可选地，包括选取所述不确定性图的任一像素点为起点，沿所述起点至所述轮廓点的径向方向，将每种所述不确定性图在所述径向方向的相同位置的像素点的不确定性度量值进行加权求和计算，以获得表征所述轮廓点的可信度指标，比较所述可信度指标与所述预设阈值以获取所述轮廓点的可信度类别。在这种情况下，受限于使用场景以及外部因素的影响，每种不确定性图的重要性可能会发生变化，通过加权求和运算能够充分考虑每种不确定性图的情况，从而能够使轮廓点的可信度指标更加准确，进而能够准确地对目标轮廓进行不确定性评价。另外，由于获取血管腔内图像的设备发射或回收图像信号的方向与血管腔内图像的径向方向相同，同时，上述获取血管腔内图像的设备在血管中所处的位置(也即，起点)至血管内目标轮廓上的轮廓点的径向方向也与血管腔内图像的径向方向相同，通过沿径向方向进行加权求和计算，能够充分地考虑血管腔内图像四周的目标轮廓并能够减少获取轮廓点不完整的情况。

5、另外，在本公开第一方面所涉及的用于确定血管腔内图像的目标轮廓的可信度的方法中，可选地，所述起点为所述血管腔内图像的中心点或所述血管腔内图像中的管腔区域的中心点。在这种情况下，由于图像的中心点通常为相对稳定和准确的像素点，通过将血管腔内图像的中心点或血管腔内图像中的管腔区域的中心点设置为起点，能够减少加权求和计算误差的累积，从而能够使各个径向方向的不确定性度量值的加权求和计算的结果更加准确。

6、另外，在本公开第一方面所涉及的用于确定血管腔内图像的目标轮廓的可信度的方法中，可选地，包括获取所述起点至所述轮廓点的距离的最大值，基于所述最大值获取所述加权求和计算的终点。在这种情况下，通过基于最大值获取加权求和计算的终点，能够使不确定性图在各个径向方向进行加权求和计算时兼顾到目标轮廓上的所有轮廓点，也即能够减少在加权求和计算时轮廓点的丢失，进而能够使目标轮廓的不确定性更加准确。

7、另外，在本公开第一方面所涉及的用于确定血管腔内图像的目标轮廓的可信度的方法中，可选地，包括基于遍历法、默认值法或数据驱动迭代求参法获取所述加权求和计算的权重参数。在这种情况下，遍历法能够遍历具有不同权重参数的各个不确定性图对轮廓点的不确定性评价的效果，也就是说，能够通过改变各个不确定性图的权重参数的大小以实现对效果的遍历，由此能够确定各个不确定性图的较为合适的权重参数。另外，通过默认值法能够较为便捷地且灵活地获取权重参数。另外，通过数据驱动迭代求参法能够提高权重参数的准确度。

8、另外，在本公开第一方面所涉及的用于确定血管腔内图像的目标轮廓的可信度的方法中，可选地，包括基于所述可信度类别在所述血管腔内图像上标注所述目标轮廓。在这种情况下，能够获取目标轮廓上具有相同或不同的可信度类别的轮廓点所形成的边界段，从而能够直观地获取目标轮廓各个部分的不确定性评价，进而能够便于用户例如医务工作者对目标轮廓中不确定性较高的部分进行识别以减小目标轮廓判断错误的风险。

9、另外，在本公开第一方面所涉及的用于确定血管腔内图像的目标轮廓的可信度的方法中，可选地，所述数据增强的形式包括图像旋转、图像缩放、图像尺寸变换、图像镜像翻转、添加噪声、滤波变换和图像亮度变换中的至少一种。在这种情况下，通过将同一血管腔内图像进行一种或多种数据增强，能够模拟同一血管腔内图像的不同条件(例如，获取血管腔内图像时采集设备的拍摄角度或血管腔内图像的清晰度等)，从而能够提高对象信息确定模型获取包括目标轮廓的图像的准确性。

10、另外，在本公开第一方面所涉及的用于确定血管腔内图像的目标轮廓的可信度的方法中，可选地，包括将经过所述数据增强的形式所获取的所述至少一张扩增图像进行拼接后输入所述对象信息确定模型。在这种情况下，由于图像拼接后能够减少对象信息确定模型批处理的数量，由此能够加速对象信息确定模型对至少一张扩增图像的目标轮廓的推理过程，同时，能够减少对象信息确定模型加载多个扩增图像所需的内存开销以优化内存利用，从而能够有利于充分利用对象信息确定模型所在设备的计算资源。

11、另外，在本公开第一方面所涉及的用于确定血管腔内图像的目标轮廓的可信度的方法中，可选地，包括将所述对象信息确定模型的输出结果进行与所述数据增强的形式所对应的逆操作。在这种情况下，由于数据增强可能会改变血管腔内图像的属性(例如，尺寸或颜色等)，从而影响后续不确定性图的获取，通过进行与数据增强的形式所对应的逆操作，能够较好地将图像恢复至数据增强之前，从而能够使不确定性图更加准确。

12、本公开的第二方面提供一种基于本公开的第一方面所涉及的用于确定血管腔内图像的目标轮廓的可信度的方法的分类装置，包括获取模块、数据增强模块、计算模块以及划分模块；所述获取模块配置为获取至少一张血管腔内图像；所述数据增强模块配置为对所述血管腔内图像进行至少一次数据增强以获取至少一张扩增图像；所述计算模块配置为将所述至少一张扩增图像输入对象信息确定模型以获取至少一张包括所述目标轮廓的图像，并基于所述至少一张包括所述目标轮廓的图像获取至少一种不确定性图，所述至少一种不确定性图包括表征所述轮廓点的不确定性度量值；所述划分模块配置为基于所述至少一种不确定性图的不确定性度量值与预设阈值获取所述轮廓点的可信度类别。

13、在本公开的第二方面的分类装置中，基于包括目标轮廓的图像获取至少一种不确定性图，不确定性图包括表征图像的轮廓点的不确定性度量值，然后基于不确定性度量值和预设阈值来获取轮廓点的可信度类别。在这种情况下，通过至少一种不确定性图，也即能够以多种不确定性度量方式来获取目标轮廓上的轮廓点的不确定性度量值，能够使不确定性度量值同时兼顾多种不确定性度量方式对轮廓点的不确定性评价，从而能够提高不确定性度量值的准确性。同时，通过不确定性度量值与预设阈值获取轮廓点的可信度类别，能够对轮廓点的可信度类别进行分类(例如，通过轮廓点的可信度大小进行分类)，从而能够获取分类后的轮廓点的可信度并能够准确地对血管腔内图像的目标轮廓进行不确定性评价，进而能够便于用户例如医务工作者对不确定性较高的目标轮廓进行识别以减小目标轮廓判断错误的风险。

14、根据本公开，能够提供一种获取血管腔内图像的目标轮廓上的轮廓点的可信度类别的方法及装置，从而能够准确地对血管腔内图像的目标轮廓进行不确定性评价。