具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实 际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理 解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

本实施例提供一种基于多切片组合的冠状动脉分割方法，如图1所示，所述 方法包括以下步骤：

S1：获取三维心血管图像；

所述三维心血管图像由CT或MRI技术获得。CT或MRI技术均属于非侵入 性成像技术，安全性高。

S2：对三维心血管图像进行切片处理，获得二维切片；

对三维心血管图像构建最大外切长方体，大小为a*b*c，a、b、c分别为三 维心血管图像最大外切长方体长、宽、高数值；将三维心血管图像的最大外切长 方体置于三维坐标系中，在Z轴方向进行切片处理，获得平行于XoY平面的二 维切片，共c张，大小为a*b，则Z轴方向上的第i张二维切片记为I_i，i＝ 1,…,p,p+1,p+2,…,c-q-1,c-q,…,c。

舍去Z轴方向上的正数前p张和倒数后q张二维切片；心脏周围的三维心血 管图像的二维切片，正数前p张以及倒数后q张通常不包含冠状动脉，舍去这 p+q张图片减少了训练时的数据量，且不会影响分割结果的准确性。

S3：将二维切片以m种组合方式组合后，输入分割模型中进行训练，获得 m个训练好的分割模型；

本实施例中，m＝3，将二维切片以3种组合方式组合；将第i张二维切片记 为I_i，相应的切片真实标签记为L_i，舍去Z轴方向上的正数前p张和倒数后q张 二维切片后，i＝p+1,p+2,…,c-q-1,c-q；以单切片的方式输入分割模型 时，输入I_i；以三切片组合的方式输入分割模型时，输入[I_i-1,I_i,I_i+1]；以五切片 组合的方式输入分割模型时，输入[I_i-2,I_i-1,I_i,I_i+1,I_i+2]。

本实施例中，分割模型为U-Net模型。

获得m个训练好的分割模型的具体方法为：

将二维切片以m种组合方式组合后分别输入m个U-Net模型中，每个U-Net 模型均设置二分类交叉熵损失函数，损失函数收敛时，获得m个训练好的分割 模型；二分类交叉熵损失函数为：

式中，i表示第i张二维切片，c表示二维切片的总数，L_i表示第i张二维切 片的切片真实标签，表示第i张二维切片的预测标签。

S4：采用投票集成法将m个训练好的分割模型进行集成，获得集成分割模 型；

S5：将待分割的三维心血管图像进行切片处理，得到待分割的三维心血管图 像的二维切片，将其以与S3中相同的m种组合方式进行组合后，输入集成分割 模型中进行分割，获得二维冠状动脉预测图片；具体方法为：

S5.1:将待分割的三维心血管图像的二维切片以单切片、三切片组合、五切片 组合的方式输入集成分割模型中，获得二维切片上像素点的第一预测概率、第二 预测概率和第三预测概率；公式为：

式中，表示集成分割模型关于二维切片I_i上第k个像素点的预测概率，F 表示集成分割模型，k表示二维切片I_i上第k个像素点；

S5.2:比较像素点的第一预测概率、第二预测概率和第三预测概率，选择数值 最大的预测概率作为该像素点的最终预测概率；

S5.3：若像素点的最终预测概率大于0.5，则记为1，该像素点在二维冠状动 脉预测图片显示为白色；反之，则记为0，该像素点在二维冠状动脉预测图片显 示为黑色；

S5.4：对二维切片上所有像素点执行S5.1-S5.3，确定颜色的所有像素点构成 二维冠状动脉预测图片；

S6：对二维冠状动脉预测图片进行三维重构，获得冠状动脉三维图像。

在具体实施过程中，

利用CT技术获得三维心血管图像，对三维心血管图像构建最大外切长方体， 大小为512×512×275，在Z轴方向进行切片处理，获得平行于XoY平面的二 维切片，获得275张大小为512×512的二维切片，则Z轴方向上的第i张二维 切片记为I_i，i＝1,2,…,275，相应的切片真实标签记为L_i；本实施例证，因为心 脏周围的三维心血管图像的二维切片，正数前两张以及倒数两张通常不包含冠状 动脉，p＝q＝2，舍去I₁,I₂,I₂₇₄,I₂₇₅这4张二维切片，此时i＝3,4,…,273；

如图2所示，将二维切片以三种组合方式进行组合后，输入U-Net模型中进 行训练，获得训练好的第一分割模型、第二分割模型和第三分割模型；具体为： 以单切片I_i的方式输入U-Net模型时，大小为512×512×1；以三切片组合 [I_i-1,I_i,I_i+1]的方式输入U-Net模型时，大小为512×512×3，；以五切片组合 [I_i-2,I_i-1,I_i,I_i+1,I_i+2]的方式输入U-Net模型时，大小为512×512×5，；采用切 片多种方式组合输入到分割模型中进行训练，有利于模型获得邻域信息，提高分 割结果的准确性；

选取分割模型为U-Net模型，该模型是基于全卷积神经网络(FCN)进行改 进得到的，主要由捕获上下文信息的压缩路径和实现精确定位的与压缩路径对称 的扩展路径组成；这种网络充分利用少量的图像进行端到端的训练，可以对每个 像素点进行分割，获得更高的分割准确率，同时这种网络结构能够更好的学习图 像深层特征。采用投票集成法将训练好的第一分割模型、第二分割模型和第三分 割模型进行集成，获得集成分割模型；

将待分割的三维心血管图像的二维切片以单切片方式输入集成分割模型中， 对单切片输入的二维切片上的每个像素点都计算获得相应的第一预测概率；将待 分割的三维心血管图像的二维切片以三切片组合的方式输入集成分割模型中，对 三切片组合输入的二维切片上的每个像素点都计算获得相应的获得第二预测概 率；将待分割的三维心血管图像的二维切片以五切片组合的方式输入集成分割模 型中，对五切片组合输入二维切片上的每个像素点都计算获得相应的获得第三预 测概率；比较像素点的第一预测概率、第二预测概率和第三预测概率，选择数值 最大的预测概率作为该像素点的最终预测概率；若像素点的最终预测概率大于 0.5，则记为1，该像素点在二维冠状动脉预测图片显示为白色；反之，则记为0， 该像素点在二维冠状动脉预测图片显示为黑色，所有确定颜色的像素点构成二维 冠状动脉预测图片。如图3所示，单切片预测图片由单切片输入后获得，三切片预测图片由三切片组合输入后获得，五切片预测图片由五切片组合输入后获得； 将所有二维切片的二维冠状动脉预测图片进行三维重构，获得冠状动脉三维图像。

本实施例中所述的单切片、三切片组合、五切片组合的三种组合方式仅仅是 为清楚地说明本发明所作的举例，也可以是七切片组合、九切片组合，也可以是 更多种组合方式组合后对分割模型进行训练。

为了定量分析切片不同组合方式以及集成分割模型的分割效果，本实施例使 用了Dice系数作为指标对分割效果进行评估。Dice系数是一种集合相似度度量 函数，通常用于计算两个样本的相似度(值范围为[0,1])，其计算公式为：

式中，s表示Dice系数，|X|表示预测图片的面积，|Y|表示二维切片真实图 片的面积，|X∩Y|表示预测图片和真实图片的交集，Dice系数数值越大，则预测 图与真实图片越相似；使用Dice系数对单切片、三切片组合、五切片组合和集 成分割模型的分割结果与二维切片对应的切片真实标签L_i之间的相似度进行评 估，评估结果如下表所示：

本实施例训练出的集成分割模型的Dice系数高于单一切片方式输入的Dice 系数，说明本实施例提供的方法具有以下优点：

(1)相较于传统的手工分割方法，本实施例不需要临床专家介入分割过程， 便可获得较好的分割效果，减少了经历和时间的投入；

(2)弥补了单一切片方式输入对邻域信息的缺失，跨切片进行一致性预测， 提升了冠状动脉分割结果的准确性；

(3)采用了不同组合的切片对现有分割模型U-Net进行训练，并对训练得 到的、具有不同的参数的U-Net模型进行了集成，提高了模型的分割准确性。

实施例2

本实施例提供一种基于多切片组合的冠状动脉分割装置，如图4所示，所述 装置包括：

图像获取模块，用于获取三维心血管图像；

切片模块，用于对三维心血管图像进行切片处理，获得二维切片；

组合训练模块，用于将二维切片以m种组合方式组合后，输入分割模型中 进行训练，获得m个训练好的分割模型；

模型集成模块，用于将m个训练好的分割模型进行集成，获得集成分割模 型；

待分割图像输入模块，用于将待分割的三维心血管图像进行切片处理，得到 待分割的三维心血管图像的二维切片，将其以与S3中相同的m种组合方式进行 组合后，输入集成分割模型中进行分割，获得二维冠状动脉预测图片；；

三维重构模块，用于对二维冠状动脉预测图片进行三维重构，获得冠状动脉 三维图像。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非 是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明 的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施 方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进 等，均应包含在本发明权利要求的保护范围之内。