血管造影图像处理与分割方法、装置

技术领域

本发明涉及神经网络和图像分割技术领域，尤其是涉及一种血管造影图像处理与分割方法、装置。

背景技术

在X射线血管造影中，全自动血管轮廓分割是计算机辅助血管疾病诊断和制定治疗策略的关键组成部分。其可用于提供客观定量的血管形态学信息并用作计算临床诊断指标(如提供血管直径或横截面积减少百分比等信息)，有助于系统性评估血管狭窄的严重程度和消除不同医生使用目视检查法评估血管狭窄程度而造成的主观性差异。但是，由于X射线血管造影图像固有的低信噪比和图像中混杂的背景结构(如导管、患者脊柱和肋骨等重叠结构)，使得造影图像中的血管特征不易与机体骨骼或介入器械的特征产生明显区分，甚至相互重叠，不利于精确分割血管轮廓，易导致自动分割结果与人工手动分割结果之间存在差异，有时甚至差异较大或分割错误，不利于血管疾病的自动化精确诊断。因此，准确且可靠的自动血管造影分割成为了一项关键而富有挑战的任务。

当前已有若干方法对X射线血管造影图像进行自动血管轮廓分割，可归纳为基于图像处理的传统分割方法和基于卷积神经网络的深度学习分割方法。在传统分割方法中，具有代表性的是使用如阈值法(Thresholding methods)、主动轮廓模型法(Activecontour models)、区域生长法(Region-growing methods)和滤波法(Filter-basedmethods)等分割X射线血管造影中的血管轮廓。但是，上述传统分割方法的分割性能易受到血管造影图像质量的影响，例如造影亮度不均匀、对比度低、含有噪声和结构重叠等，因此，在面对不同造影图像质量时分割鲁棒性欠佳，难以获得准确且可靠的血管分割结果。

基于深度学习技术的分割方法通过学习X射线血管造影图像及其对应的血管像素点标签，在训练过程中更新其神经网络的权重数值，构建血管造影图像与血管像素点标签之间的拟合关系，使其能够对一幅新给定的血管造影图像，依照先前学习构建的拟合关系预测该血管造影中代表血管的图像像素点，实现对血管轮廓的自动分割。在基于深度学习技术的分割方法中，具有代表性的是基于UNet框架的血管造影分割方法。相较于传统分割方法在面对不同造影图像质量时难以获得准确而可靠的分割结果，基于深度学习的分割方法通过学习丰富的血管造影图像和血管像素点标签样本，可使深度神经网络学习到丰富的血管特征信息，使其在面对不同造影图像质量时具有更好的分割鲁棒性，有利于实现准确且可靠的血管分割结果。

虽然当前已有若干方法用以提升基于深度学习技术的血管造影分割结果，但是，大多数已有方法没有考虑在图像预处理阶段对血管特征进行最适宜的增强，并且大多数已有方法仅仅训练和使用单一的深度神经网络模型对血管造影图像进行血管分割。因此，未能够在图像预处理阶段获得尽可能最佳的血管特征增强效果，使得深度神经网络在训练过程中不足以学习到尽可能最佳的血管特征信息，难以实现最佳的血管分割结果。同时，使用单一的深度神经网络模型进行血管分割不足以获得高置信度的血管图像像素点分类，易导致对血管像素点产生错误分类，即把应当是血管的像素点错误地分类为是非血管像素点，和把应当是非血管的像素点错误地分类为是血管像素点，同样难以获得最佳的血管分割结果。

发明内容

有鉴于此，本发明的目的在于提供一种血管造影图像处理与分割方法、装置，以有利于在图像预处理阶段获得尽可能最佳的血管特征增强效果，有助于使深度神经网络学习到尽可能最佳的血管特征信息；有利于在血管分割时获得高置信度的血管图像像素点分类，减少对血管像素点的错误分类；从而有助于获得准确且可靠的血管造影分割结果。

第一方面，本发明实施例提供了一种血管造影图像处理与分割方法，方法包括：获取血管造影图像，将血管造影图像输入预先参数择优的多个滤波器中；其中，每个滤波器对应多种超参数取值；基于每个滤波器对应的多种超参数取值对血管造影图像进行滤波处理得到多个滤波后图像，将每个滤波器的多个滤波后图像进行复合处理得到每个滤波器的复合滤波图像；将多个复合滤波图像输入预先训练的神经网络联合分割模型，输出血管造影图像的复合血管分割结果。

在本申请可选的实施例中，上述将每个滤波器的多个滤波后图像进行复合处理得到每个滤波器的复合滤波图像的步骤，包括：将每个滤波后图像进行图像归一化处理得到多个归一化图像；将多个归一化图像进行复合处理得到每个滤波器的复合滤波图像。

在本申请可选的实施例中，上述将多个归一化图像进行复合处理得到每个滤波器的复合滤波图像的步骤，包括：通过以下算式将多个归一化图像进行复合处理得到每个滤波器的复合滤波图像：

在本申请可选的实施例中，上述神经网络联合分割模型包括多个深度神经网络模型；将多个复合滤波图像输入预先训练的神经网络联合分割模型，输出血管造影图像的复合血管分割结果的步骤，包括：将多个复合滤波图像分别输入多个深度神经网络模型，每个深度神经网络模型确定输入的复合滤波图像的血管分割结果；神经网络联合分割模型将多个血管分割结果进行复合处理得到血管造影图像的复合血管分割结果。

在本申请可选的实施例中，上述神经网络联合分割模型将多个血管分割结果进行复合处理得到血管造影图像的复合血管分割结果的步骤，包括：通过以下算式将多个血管分割结果进行复合处理得到血管造影图像的复合血管分割结果：

在本申请可选的实施例中，上述通过以下算式确定次数阈值：f＝ceil((N+1)/2)；其中，f为次数阈值，ceil为向上取整操作，N为血管分割结果的数量。

在本申请可选的实施例中，上述方法还包括：获取血管造影训练图像，将血管造影训练图像输入待参数择优的多个滤波器中；每个滤波器输出滤波后训练图像，对每个滤波后训练图像进行归一化处理得到多个归一化训练图像；基于多个归一化训练图像训练深度神经网络模型；将血管造影训练图像输入训练后的训练深度神经网络模型，输出血管分割结果；基于血管分割结果调整滤波器对应的超参数取值，得到滤波器对应的多种超参数取值。

在本申请可选的实施例中，上述方法还包括：获取血管造影训练图像，将血管造影训练图像输入参数择优后的多个滤波器中，每个滤波器输出血管造影训练图像的复合滤波训练图像；基于多个复合滤波训练图像作为待训练的神经网络联合分割模型的输入训练神经网络联合分割模型。

在本申请可选的实施例中，上述滤波器包括至少以下之一：Frangi滤波器、Gabor滤波器、Sato滤波器和Unsharp Mask滤波器。

第二方面，本发明实施例还提供一种血管造影图像处理与分割装置，装置包括：血管造影图像获取模块，用于获取血管造影图像，将血管造影图像输入预先参数择优的多个滤波器中；其中，每个滤波器对应多种超参数取值；滤波器处理模块，用于基于每个滤波器对应的多种超参数取值对血管造影图像进行滤波处理得到多个滤波后图像，将每个滤波器的多个滤波后图像进行复合处理得到每个滤波器的复合滤波图像；神经网络模型分割模块，用于将多个复合滤波图像输入预先训练的神经网络联合分割模型，输出血管造影图像的复合血管分割结果。

本发明实施例带来了以下有益效果：

本发明实施例提供了一种血管造影图像处理与分割方法、装置，获取血管造影图像，将血管造影图像输入预先参数择优的多个滤波器中；其中，每个滤波器对应多种超参数取值；基于每个滤波器对应的多种超参数取值对血管造影图像进行滤波处理得到多个滤波后图像，将每个滤波器的多个滤波后图像进行复合处理得到每个滤波器的复合滤波图像；将多个复合滤波图像输入预先训练的神经网络联合分割模型，输出血管造影图像的复合血管分割结果。有利于在图像预处理阶段获得尽可能最佳的血管特征增强效果，有助于使深度神经网络学习到尽可能最佳的血管特征信息；有利于在血管分割时获得高置信度的血管图像像素点分类，减少对血管像素点的错误分类；从而有助于获得准确且可靠的血管造影分割结果。

本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。

为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种血管造影图像处理与分割方法的流程图；

图2为本发明实施例提供的另一种血管造影图像处理与分割方法的流程图；

图3为本发明实施例提供的一种基于深度学习的方法用以确定实现最佳分割性能的滤波器超参数取值的流程的示意图；

图4为本发明实施例提供的一种基于同一滤波器的多个最佳超参数取值进行滤波后图像复合的流程的示意图；

图5为本发明实施例提供的一种基于不同滤波器及各自复合滤波图像用于训练多个深度神经网络模型的流程的示意图；

图6为本发明实施例提供的一种基于多个训练后深度神经网络模型进行分割预测的血管分割流程的示意图；

图7为本发明实施例提供的一种血管造影图像处理与分割装置的结构示意图；

图8为本发明实施例提供的另一种血管造影图像处理与分割装置的结构示意图；

图9为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

目前，虽然当前已有若干方法用以提升基于深度学习技术的血管造影分割结果，但是，大多数已有方法没有考虑在图像预处理阶段对血管特征进行最适宜的增强，并且大多数已有方法仅仅训练和使用单一的深度神经网络模型对血管造影图像进行血管分割。因此，未能够在图像预处理阶段获得尽可能最佳的血管特征增强效果，使得深度神经网络在训练过程中不足以学习到尽可能最佳的血管特征信息，难以实现最佳的血管分割结果。同时，使用单一的深度神经网络模型进行血管分割不足以获得高置信度的血管图像像素点分类，易导致对血管像素点产生错误分类，即把应当是血管的像素点错误地分类为是非血管像素点，和把应当是非血管的像素点错误地分类为是血管像素点，同样难以获得最佳的血管分割结果。

基于此，本发明实施例提供的一种血管造影图像处理与分割方法、装置，具体提出了一个图像预处理阶段对血管特征进行增强的方法和一个神经网络联合分割模型进行血管分割的方法。所提出的血管特征增强方法有利于在图像预处理阶段获得尽可能最佳的血管特征增强效果，有助于使深度神经网络学习到尽可能最佳的血管特征信息。所提出的基于神经网络联合分割模型的分割方法有利于在血管分割时获得高置信度的血管图像像素点分类，减少对血管像素点的错误分类。以上提出的两个方法有助于获得准确且可靠的血管造影分割结果。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种血管造影图像处理与分割方法进行详细介绍。

实施例一：

本发明实施例提供一种血管造影图像处理与分割方法，参见图1所示的一种血管造影图像处理与分割方法的流程图，该血管造影图像处理与分割方法包括如下步骤：

步骤S102，获取血管造影图像，将血管造影图像输入预先参数择优的多个滤波器中；其中，每个滤波器对应多种超参数取值。

本实施例中可以获取X射线血管造影图像，将待处理的血管造影图像输入预先参数择优的多个滤波器中。其中，每个滤波器可以对应多种超参数取值，也就是说，每个滤波器可以具有不同的超参数取值方式，每种不同的超参数取值方式可以输出不同的复合滤波图像。

其中，参数择优的过程可以为：对滤波器的超参数值进行调整，每次调整后记录分割性能，择优选取若干最佳超参数值。

步骤S104，基于每个滤波器对应的多种超参数取值对血管造影图像进行滤波处理得到多个滤波后图像，将每个滤波器的多个滤波后图像进行复合处理得到每个滤波器的复合滤波图像。

本实施例中提供了一种血管特征增强方法，对于每个滤波器均可以对输入的血管造影图像进行滤波处理。其中，每个滤波器可以采用该滤波器对应的每种超参数取值对血管造影图像进行滤波处理。其中，一个滤波器的一种超参数取值可得到一个滤波后图像。

将每个滤波器的多个滤波后图像进行复合处理可以得到每个滤波器的复合滤波图像。通过上述图像复合有利于获得尽可能最佳的适用于深度学习的血管特征增强效果。

步骤S106，将多个复合滤波图像输入预先训练的神经网络联合分割模型，输出血管造影图像的复合血管分割结果。

本实施例中提供了一种联合血管分割方法，前述步骤中的每个滤波器可以输出一个复合滤波图像。将多个复合滤波图像输入预先训练的神经网络联合分割模型，该神经网络联合分割模型可以将上述多个复合滤波图像进行复合处理输出血管造影图像的复合血管分割结果。通过上述血管分割结果复合可以有效提高血管像素点的置信度，提升对血管像素点的正确分类，进而提升自动血管分割的准确度和可靠性。

本发明实施例提供了一种血管造影图像处理与分割方法，获取血管造影图像，将血管造影图像输入预先参数择优的多个滤波器中；其中，每个滤波器对应多种超参数取值；基于每个滤波器对应的多种超参数取值对血管造影图像进行滤波处理得到多个滤波后图像，将每个滤波器的多个滤波后图像进行复合处理得到每个滤波器的复合滤波图像；将多个复合滤波图像输入预先训练的神经网络联合分割模型，输出血管造影图像的复合血管分割结果。有利于在图像预处理阶段获得尽可能最佳的血管特征增强效果，有助于使深度神经网络学习到尽可能最佳的血管特征信息；有利于在血管分割时获得高置信度的血管图像像素点分类，减少对血管像素点的错误分类；从而有助于获得准确且可靠的血管造影分割结果。

实施例二：

本实施例提供了另一种血管造影图像处理与分割方法，该方法在上述实施例的基础上实现，参见图2所示的另一种血管造影图像处理与分割方法的流程图，本实施例中的血管造影图像处理与分割方法包括如下步骤：

步骤S202，获取血管造影图像，将血管造影图像输入预先参数择优的多个滤波器中；其中，每个滤波器对应多种超参数取值；滤波器包括至少以下之一：Frangi滤波器、Gabor滤波器、Sato滤波器和Unsharp Mask滤波器。

本实施例提出的血管特征增强方法是基于血管增强滤波器在图像预处理阶段对造影图像中的血管特征进行增强。图像滤波器，如Frangi滤波器、Gabor滤波器、Sato滤波器和Unsharp Mask滤波器等可增强图像中管状物体区域(如血管区域)的图像特征和增强其边缘与周围机体组织的图像对比度，并同时抑制图像噪声和背景结构。但是，直接使用上述滤波器不足以获得适合于深度学习的最佳血管特征增强效果，其原因在于(一)所使用的滤波器及其超参数取值未针对基于深度学习的分割结果进行优化，和(二)一组优化后的超参数取值仅能反映该参数值条件下的血管特征增强效果，无法涵盖其他优化的超参数取值条件下的不同血管特征增强效果。

鉴于此，本实施例使用了(一)深度学习的方法进行血管分割性能评估，用以确定实现最佳分割性能的滤波器的超参数取值，和采用了(二)同一滤波器的多个最佳超参数取值进行滤波后的图像复合，使用多个最佳滤波超参数取值获得不同的血管特征增强效果并进行复合，用以在图像预处理阶段获得尽可能最佳的适合于深度学习的血管特征增强效果。

步骤S204，基于每个滤波器对应的多种超参数取值对血管造影图像进行滤波处理得到多个滤波后图像，将每个滤波器的多个滤波后图像进行复合处理得到每个滤波器的复合滤波图像。

在一些实施例中，可以通过以下步骤对滤波器进行参数择优：获取血管造影训练图像，将血管造影训练图像输入待参数择优的多个滤波器中；每个滤波器输出滤波后训练图像，对每个滤波后训练图像进行归一化处理得到多个归一化训练图像；基于多个归一化训练图像训练深度神经网络模型；将血管造影训练图像输入训练后的训练深度神经网络模型，输出血管分割结果；基于血管分割结果调整滤波器对应的超参数取值，得到滤波器对应的多种超参数取值。

参见图3所示的一种基于深度学习的方法用以确定实现最佳分割性能的滤波器超参数取值的流程的示意图，可以通过以下步骤执行：

步骤1：获取X射线血管造影训练图像。

步骤2：对X射线血管造影训练图像使用滤波器(如Frangi滤波器、Gabor滤波器、Sato滤波器和Unsharp Mask滤波器等)，增强血管造影训练图像中血管区域的图像特征和血管边缘与周围机体组织的图像对比度，并抑制图像噪声和背景结构。其中，滤波器的初始超参数使用随机取值。

步骤3：获得血管特征增强的滤波后训练图像。

步骤4：对滤波后训练图像的灰度值归一化，得到归一化训练图像。

步骤5：将归一化训练图像用于深度神经网络模型训练。

步骤6：使用训练后的训练深度神经网络模型对血管造影训练图像进行血管分割，评估并记录血管分割结果(可使用的评估指标为准确率、精确率、召回率、F1分数等)。

步骤7：随机改变滤波器的超参数取值，获得新的滤波后训练图像，重复步骤2至步骤7，直到完成用户设定的循环次数(本实施例中可以设定为20次)，流程结束，得到滤波器对应的多种超参数取值。

如图3所示，可以记录每个循环后由滤波器的随机超参数取值所获得的相应深度学习的血管分割性能，可对循环结束后所记录的全部分割性能进行由高到低排序，依次选取若干最佳的血管分割性能对应的滤波器超参数取值(本实施例中可以使用前三组最佳血管分割性能所对应的滤波器超参数取值)。所选取的最佳滤波器超参数取值将用于在图像预处理阶段对同一血管造影图像进行滤波，获得不同的血管特征增强图像。由于每个选取的超参数取值对应着由高到低排序的深度学习的血管分割性能，因此对由此获得的血管特征增强图像进行图像复合，有利于获得尽可能最佳的适用于深度学习的血管特征增强效果。

在一些实施例中，可以将每个滤波后图像进行图像归一化处理得到多个归一化图像；将多个归一化图像进行复合处理得到每个滤波器的复合滤波图像。

参见图4所示的一种基于同一滤波器的多个最佳超参数取值进行滤波后图像复合的流程的示意图，图4示出了采用同一滤波器的多个最佳超参数取值进行滤波后的图像复合，用以在图像预处理阶段获得尽可能最佳的适合于深度学习的血管特征增强效果。可以通过以下步骤执行：

步骤1：获取待预处理的X射线血管造影图像。

步骤2：对X射线血管造影图像使用滤波器(如Frangi滤波器、Gabor滤波器、Sato滤波器和Unsharp Mask滤波器等)。

步骤3：使用预先获得的N个最佳超参数取值(即图4中的最佳超参数取值(一)、最佳超参数取值(二)至最佳超参数取值(N))，进行滤波。

步骤4：获得N个滤波后图像(即图4中的滤波后图像(一)、滤波后图像(二)至滤波后图像(N))。

步骤5：对滤波后图像的灰度值进行归一化，得到多个归一化图像。

步骤6：对多个归一化图像进行复合，得到复合滤波图像。

本实施例使用图4展示的流程可以在图像预处理阶段对一幅待预处理的X射线血管造影图像生成其复合滤波图像，用于深度神经网络训练。对于同一滤波器，由于选取的若干最佳超参数取值对应着若干最佳的深度学习的血管分割性能，因此对由最佳超参数取值滤波获得的血管特征增强的图像进行复合，有利于获得尽可能最佳的适用于深度学习的血管特征增强效果。

在一些实施例中，可以通过以下算式将多个归一化图像进行复合处理得到每个滤波器的复合滤波图像：

如图4所示，

例如，由最佳超参数取值(一)、(二)和(三)获得的滤波后归一化的图像中第i行j列的像素值分别为

步骤S206，将多个复合滤波图像输入预先训练的神经网络联合分割模型，输出血管造影图像的复合血管分割结果。

本实施例提出的联合血管分割方法是基于采用由多个不同血管增强滤波器训练后的深度神经网络模型对血管造影图像进行分割，并对分割结果进行复合。基于单一滤波器及其复合滤波图像的深度学习训练仅能学习到由该滤波器所增强的尽可能最佳的血管图像特征，获得血管分割结果。但是，由于不同滤波器会产生不同的血管特征增强效果，因此使用基于不同滤波器的深度学习模型进行预测会产生不同的血管分割结果。在不同血管分割结果中的相同像素位置多次被分类为是血管的像素点往往对应于高置信度的血管图像像素点，对应于正确的血管像素分类结果，相反的，在相同像素位置较少被分类为是血管的像素点易为低置信度的血管图像像素点(或为高置信度的非血管图像像素点)。

通过训练多个基于不同滤波器的深度神经网络模型共同对血管图像像素点进行分类判定，只有当多于设定次数的模型预测的图像像素点是血管像素点时才判定该像素点为血管像素点，否则即为非血管像素点。该方式可有效提高血管像素点的置信度，提升对血管像素点的正确分类，进而提升自动血管分割的准确度和可靠性。

在一些实施例中，可以通过以下步骤训练深度神经网络模型：获取血管造影训练图像，将血管造影训练图像输入参数择优后的多个滤波器中，每个滤波器输出血管造影训练图像的复合滤波训练图像；基于多个复合滤波训练图像作为待训练的深度神经网络模型的输入训练深度神经网络模型。

参见图5所示的一种基于不同滤波器及各自复合滤波图像用于训练多个深度神经网络模型的流程的示意图。图5展示了在深度学习训练阶段使用不同滤波器及各自复合滤波图像训练多个深度神经网络模型的流程。训练后的多个深度神经网络模型将用于在预测阶段对血管造影图像进行血管分割。可以通过以下步骤执行：

步骤1：获取用于深度学习训练的X射线血管造影图像。

步骤2：对X射线血管造影图像使用若干不同的滤波器(如Frangi滤波器、Gabor滤波器、Sato滤波器和Unsharp Mask滤波器等)。

步骤3：基于参数择优后的每个滤波器输出对应的复合滤波图像(即图5中的复合滤波图像(一)、复合滤波图像(二)和复合滤波图像(N))。

步骤4：将得到的复合滤波图像作为深度神经网络模型的输入图像进行训练(即图5中的深度神经网络训练(一)、深度神经网络训练(二)和深度神经网络训练(N))，获得对应滤波器的训练后的深度神经网络模型，该模型将用于在预测阶段对血管造影图像进行血管分割。

在一些实施例中，神经网络联合分割模型包括多个深度神经网络模型；可以将多个复合滤波图像分别输入多个深度神经网络模型，每个深度神经网络模型确定输入的复合滤波图像的血管分割结果；神经网络联合分割模型将多个血管分割结果进行复合处理得到血管造影图像的复合血管分割结果。

参见图6所示的一种基于多个训练后深度神经网络模型进行分割预测的血管分割流程的示意图，图6展示了在深度学习预测阶段使用多个深度神经网络模型进行联合血管分割的流程。该流程通过采用多个深度神经网络模型对X射线血管造影进行分割，依据血管分割结果进行联合判定，只有当多于设定数量的模型预测该图像像素点是血管像素点时才判定该像素点为血管像素点，否则即为非血管像素点。该方式可有效提高血管像素点的置信度，提升对血管像素点的正确分类，进而提升自动血管分割的准确度和可靠性。可以通过以下步骤执行：

步骤1：获取用于血管分割的X射线血管造影图像。

步骤2：对X射线血管造影图像使用图4的流程制作复合滤波图像(一)、复合滤波图像(二)和复合滤波图像(N)。

步骤3：将得到的复合滤波图像作为训练后的深度神经网络模型(即图6中的训练后深度神经网络(一)、训练后深度神经网络(二)和训练后深度神经网络(N))的输入图像进行血管轮廓分割。

步骤4：每个深度神经网络预测得到相应血管分割结果(即图6中的血管分割结果(一)、血管分割结果(二)和血管分割结果(N))。

步骤5：为提升血管图像像素点的置信度，将得到的多个血管分割结果进行复合，得到复合血管分割结果。

只有当多于设定数量的模型预测该图像像素点是血管像素点时才判定该像素点为血管像素点，反之则为非血管像素点，有益于提升对血管像素点的正确分类。

在一些实施例中，可以通过以下算式将多个血管分割结果进行复合处理得到血管造影图像的复合血管分割结果：

例如，使用三个基于不同滤波器训练的深度神经网络模型对血管造影图像进行血管分割，在第i行j列的像素点位置处，训练后深度神经网络(一)对该像素点分类为是血管P，训练后深度神经网络(二)对该像素点分类为是非血管Q和训练后深度神经网络(三)对该像素点分类为是血管P，则

在一些实施例中，可以通过以下算式确定次数阈值：f＝ceil((N+1)/2)；其中，f为次数阈值，ceil为向上取整操作，N为血管分割结果的数量。N为大于1的整数。

本发明实施例提供的上述方法，提出了一个图像预处理阶段对血管特征进行增强的方法和一个神经网络联合分割模型进行血管分割的方法。所提出的血管特征增强方法有利于在图像预处理阶段获得尽可能最佳的血管特征增强效果，有助于使深度神经网络学习到尽可能最佳的血管特征信息。所提出的联合血管分割方法有利于在血管分割时获得高置信度的血管图像像素点分类，减少对血管像素点的错误分类。以上提出的两个方法有助于获得准确且可靠的血管造影分割结果。

实施例三：

对应于上述方法实施例，本发明实施例提供了一种血管造影图像处理与分割装置，参见图7所示的一种血管造影图像处理与分割装置的结构示意图，该血管造影图像处理与分割装置包括：

血管造影图像获取模块71，用于获取血管造影图像，将血管造影图像输入预先参数择优的多个滤波器中；其中，每个滤波器对应多种超参数取值；

滤波器处理模块72，用于基于每个滤波器对应的多种超参数取值对血管造影图像进行滤波处理得到多个滤波后图像，将每个滤波器的多个滤波后图像进行复合处理得到每个滤波器的复合滤波图像；

神经网络模型分割模块73，用于将多个复合滤波图像输入预先训练的神经网络联合分割模型，输出血管造影图像的复合血管分割结果。

本发明实施例提供了一种血管造影图像处理与分割装置，获取血管造影图像，将血管造影图像输入预先参数择优的多个滤波器中；其中，每个滤波器对应多种超参数取值；基于每个滤波器对应的多种超参数取值对血管造影图像进行滤波处理得到多个滤波后图像，将每个滤波器的多个滤波后图像进行复合处理得到每个滤波器的复合滤波图像；将多个复合滤波图像输入预先训练的神经网络联合分割模型，输出血管造影图像的复合血管分割结果。有利于在图像预处理阶段获得尽可能最佳的血管特征增强效果，有助于使深度神经网络学习到尽可能最佳的血管特征信息；有利于在血管分割时获得高置信度的血管图像像素点分类，减少对血管像素点的错误分类；从而有助于获得准确且可靠的血管造影分割结果。

上述滤波器处理模块，用于将每个滤波后图像进行图像归一化处理得到多个归一化图像；将多个归一化图像进行复合处理得到每个滤波器的复合滤波图像。

上述滤波器处理模块，用于通过以下算式将多个归一化图像进行复合处理得到每个滤波器的复合滤波图像：

上述神经网络联合分割模型包括多个深度神经网络模型；上述神经网络模型分割模块，用于将多个复合滤波图像分别输入多个深度神经网络模型，每个深度神经网络模型确定输入的复合滤波图像的血管分割结果；神经网络联合分割模型将多个血管分割结果进行复合处理得到血管造影图像的复合血管分割结果。

上述神经网络模型分割模块，用于通过以下算式将多个血管分割结果进行复合处理得到血管造影图像的复合血管分割结果：

上述神经网络模型分割模块，用于通过以下算式确定次数阈值：f＝ceil((N+1)/2)；其中，f为次数阈值，ceil为向上取整操作，N为血管分割结果的数量。

参见图8所示的另一种血管造影图像处理与分割装置的结构示意图，该血管造影图像处理与分割装置还包括：滤波器参数择优模块74，与滤波器处理模块72连接；滤波器参数择优模块74，用于获取血管造影训练图像，将血管造影训练图像输入待参数择优的多个滤波器中；每个滤波器输出滤波后训练图像，对每个滤波后训练图像进行归一化处理得到多个归一化训练图像；基于多个归一化训练图像训练深度神经网络模型；将血管造影训练图像输入训练后的训练深度神经网络模型，输出血管分割结果；基于血管分割结果调整滤波器对应的超参数取值，得到滤波器对应的多种超参数取值。

如图8所示，该血管造影图像处理与分割装置还包括：神经网络模型训练模块75，与神经网络模型分割模块73连接；神经网络模型训练模块75，用于获取血管造影训练图像，将血管造影训练图像输入参数择优后的多个滤波器中，每个滤波器输出血管造影训练图像的复合滤波训练图像；基于多个复合滤波训练图像作为待训练的神经网络联合分割模型的输入训练神经网络联合分割模型。

上述滤波器包括至少以下之一：Frangi滤波器、Gabor滤波器、Sato滤波器和Unsharp Mask滤波器。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的血管造影图像处理与分割装置的具体工作过程，可以参考前述的血管造影图像处理与分割方法的实施例中的对应过程，在此不再赘述。

实施例四：

本发明实施例还提供了一种电子设备，用于运行上述血管造影图像处理与分割方法；参见图9所示的一种电子设备的结构示意图，该电子设备包括存储器100和处理器101，其中，存储器100用于存储一条或多条计算机指令，一条或多条计算机指令被处理器101执行，以实现上述血管造影图像处理与分割方法。

进一步地，图9所示的电子设备还包括总线102和通信接口103，处理器101、通信接口103和存储器100通过总线102连接。

其中，存储器100可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线102可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器100，处理器101读取存储器100中的信息，结合其硬件完成前述实施例的方法的步骤。

本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述血管造影图像处理与分割方法，具体实现可参见方法实施例，在此不再赘述。

本发明实施例所提供的血管造影图像处理与分割方法、装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和/或装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，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所述以权利要求的保护范围为准。