基于MRA序列图像确定血流储备分数的方法及装置

摘要

本发明涉及人工智能和医学领域，具体涉及一种基于MRA序列图像确定血流储备分数的方法及装置，所述方法包括：通过深度学习网络从磁共振血管造影MRA序列检查图像中识别出血管区域图像；根据识别结果确定所述MRA序列检查图像的背景噪声；从所述血管区域图像的当前血管段图像中裁剪出血管狭窄段图像；对所述血管狭窄段图像的各切面对应的掩码图像进行遍历，查找所述血管狭窄段图像的断裂处；根据查找结果，确定所述血管狭窄段中心位置；根据所述血管狭窄段中心位置的两侧等间隔位置处的信号量和所述MRA序列检查图像的背景噪声，确定血流储备分数。本发明可以有效提高血管分割的效果，提高血流储备分数的计算准确性。

说明书

技术领域

本发明涉及人工智能技术领域，特别涉及一种基于MRA序列图像确定血流储备分数的方法及装置。

背景技术

对于冠状动脉疾病的研究表明，血管狭窄百分比计算不是识别该疾病的最佳标志物，基于血流储备分数（FFR）利用狭窄处的压力梯度来识别血流动力学，对评估病变的严重程序具有重要意义。

在对血流储备分数计算过程中，需要提取出脑血管分割图像并重建。当前存在脑血管分割效果差的问题，并导致血流储备分数计算误差较大。针对上述问题，现有技术未给出有效的解决方案。

发明内容

本发明实施例中提供一种基于MRA序列图像确定血流储备分数的及装置，用以至少提高血流储备分数计算过程中血管图像分割效果。

第一方面，本发明实施例提供一种基于MRA序列图像确定血流储备分数的方法，所述基于MRA序列图像确定血流储备分数的方法，包括：

通过深度学习网络从磁共振血管造影MRA序列检查图像中识别出血管区域图像；

根据识别结果确定所述MRA序列检查图像的背景噪声；

从所述血管区域图像的当前血管段图像中裁剪出血管狭窄段图像；

对所述血管狭窄段图像的各切面对应的掩码图像进行遍历，查找所述血管狭窄段图像的断裂处；

根据查找结果，确定所述血管狭窄段中心位置；

根据所述血管狭窄段中心位置的两侧等间隔位置处的信号量和所述MRA序列检查图像的背景噪声，确定血流储备分数。

可选地，所述深度学习网络为语义分割模型；所述通过深度学习网络从磁共振血管造影MRA检查图像中识别出血管区域图像之前，包括：

采用在最大强度投影视图对预先获得的MRA序列样本图像中每张切片的二维图像上标注血管区域，生成样本掩码图像；

根据所述样本掩码图像制作标签数据集，训练得到所述语义分割模型。

可选地，所述从所述血管区域图像的当前血管段图像中裁剪出血管狭窄段图像，包括：

在三维空间中，从所述血管区域图像中查找所有连通域；

根据连通域从大到小的顺序，按照预设的连通域数量阈值，在所有连通域中保留目标连通域；

从保留目标连通区域的血管区域图像确定当前血管段图像；

在最大强度投影视图的所述当前血管段图像中裁剪出所述血管狭窄段图像。

可选地，所述对所述血管狭窄段图像的各切面对应的掩码图像进行遍历，查找所述血管狭窄段图像的断裂处，包括：

对所述血管狭窄段图像的各切面对应的掩码图像进行遍历，在遍历到未有血管像素的切面时，确定该切面为所述血管狭窄段图像的断裂处；

根据所述血管狭窄段图像的断裂处的两侧相邻切面的掩码图像的区域中心点和区域最大面积，修复所述血管狭窄段图像的断裂处的掩码图像。

可选地，所述对所述血管狭窄段图像的各切面对应的掩码图像进行遍历，在遍历到未有血管像素的切面时，确定该切面为所述血管狭窄段图像的断裂处之前，包括：

对各切面的掩码图像进行膨胀处理，遍历膨胀后掩码图像的各像素，根据预设的验证方式，验证各切面的掩码图像；

所述验证方式为根据待验证掩码图像的各像素的坐标对应的MRA序列检查图像的像素值和预设像素阈值的大小关系，验证膨胀后掩码图像的血管像素；根据验证结果，设置待验证掩码图像的血管像素，得到验证后的掩码图像。

可选地，所述根据验证结果，设置各切面的掩码图像的血管像素之后，包括：

确定验证后的各切面的掩码图像的区域中心点和区域边界；

根据所述区域边界确定所有切面的掩码图像的区域最大面积。

可选地，所述根据所述血管狭窄段图像的断裂处的两侧相邻切面的掩码图像的区域中心点和区域最大面积，修复所述血管狭窄段图像的断裂处的掩码图像，包括：

将两侧相邻切面的掩码图像的区域中心点的平均值作为所述血管狭窄段图像的断裂处的区域中心点；

根据所述区域最大面积和所述血管狭窄段图像的断裂处的区域中心点，确定所述血管狭窄段图像的断裂处的虚设掩码图像；

根据所述验证方式，验证所述虚设掩码图像，用以修复所述血管狭窄段图像的断裂处。

可选地，所述根据识别结果确定所述MRA序列检查图像的背景噪声，包括：

将去除血管区域图像的MRA序列检查图像的信号量平均值作为背景噪声。

可选地，所述根据查找结果，确定所述血管狭窄段中心位置，包括：

根据遍历结果，确定是否查找到所述血管狭窄段图像具有断裂处；

若查找到，对断裂处检修修复，将修复后的血管狭窄段图像的各切面的掩码图像中最小区域面积对应的切面作为所述血管狭窄段中心位置；

如未查找到，直接将血管狭窄段图像的各切面的掩码图像中最小区域面积对应的切面作为所述血管狭窄段中心位置。

第二方面，本发明实施例提供一种基于MRA序列图像确定血流储备分数的装置，所述基于MRA序列图像确定血流储备分数的装置包括：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计算机程序；

所述计算机程序被所述处理器执行时，实现如上任一项所述的基于MRA序列图像确定血流储备分数的方法的步骤。

本发明各个实施例可以有效避免识别的血管图像存在噪声、断裂等异常情况，有效提高血管分割的效果，并采用血管段的方式进行检测及修复，替代在整个三维图像数据上处理，减少了复杂环境下的计算量并提高了修复的准确性，同时根据所述血管狭窄段中心位置的两侧等间隔位置处的信号量和所述MRA序列检查图像的背景噪声，确定血流储备分数，可以有效提高血流储备分数的计算准确性。

附图说明

图1是根据本发明实施例的基于MRA序列图像确定血流储备分数的方法的流程图；

图2是根据本发明实施例的在MIP视图标注二维图像上的血管区域示意图；

图3是根据本发明实施例的样本掩码图像的示意图；

图4是根据本发明实施例的识别的血管区域图像示意图；

图5是根据本发明实施例的去噪点后的血管区域图像示意图；

图6是根据本发明实施例的计算FFR分数示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细描述，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。

实施例一

本发明实施例提供一种基于MRA序列图像确定血流储备分数的方法，如图1所示，所述基于MRA序列图像确定血流储备分数的方法，包括：

S101，通过深度学习网络从磁共振血管造影MRA序列检查图像中识别出血管区域图像；其中的血管可以是脑血管；

S102，根据识别结果确定所述MRA序列检查图像的背景噪声；

S103，从所述血管区域图像的当前血管段图像中裁剪出血管狭窄段图像；

S104，对所述血管狭窄段图像的各切面对应的掩码图像进行遍历，查找所述血管狭窄段图像的断裂处；

S105，根据查找结果，确定所述血管狭窄段中心位置；具体地，可以根据遍历结果，确定是否查找到所述血管狭窄段图像具有断裂处；若查找到，对断裂处检修修复，将修复后的血管狭窄段图像的各切面的掩码图像中最小区域面积对应的切面作为所述血管狭窄段中心位置；如未查找到，直接将血管狭窄段图像的各切面的掩码图像中最小区域面积对应的切面作为所述血管狭窄段中心位置；

S106，根据所述血管狭窄段中心位置的两侧等间隔位置处的信号量和所述MRA序列检查图像的背景噪声，确定血流储备分数。

其中，血管狭窄段位置可以通过计算血管图像内的所有像素值的平均值，然后计算这个平均值最小的区域，作为血管狭窄段位置。

本发明实施例通过深度学习网络从磁共振血管造影MRA序列检查图像中识别出血管区域图像，进而可以确定所述MRA序列检查图像的背景噪声，并可以从所述血管区域图像的当前血管段图像中裁剪出血管狭窄段图像，基于裁剪出的血管狭窄段图像对各切面对应的掩码图像进行遍历，查找所述血管狭窄段图像的断裂处，从而可以根据查找结果，确定所述血管狭窄段中心位置，从而可以有效避免识别的血管图像存在噪声、断裂等异常情况，有效提高血管分割的效果，并采用血管段的方式进行检测及修复，替代在整个三维图像数据上处理，减少了复杂环境下的计算量并提高了修复的准确性，同时根据所述血管狭窄段中心位置的两侧等间隔位置处的信号量和所述MRA序列检查图像的背景噪声，确定血流储备分数，可以有效提高血流储备分数的计算准确性。

以下用以具体实施方式对本发明实施例进行详细描述。本实施方式中基于MRA序列图像确定血流储备分数的方法包括：

步骤1：血管分割模块，通过深度学习网络从磁共振血管造影MRA序列检查图像中识别出血管区域图像。详细地，采用在最大强度投影（MIP）视图对预先获得的MRA序列样本图像中每张切片的二维图像上标注血管区域，生成样本掩码图像；根据所述样本掩码图像制作标签数据集，训练得到所述语义分割模型。也就是说，训练识别MRA序列样本图像中血管区域图像的语义分割模型，通过语义分割模型从MRA序列检查图像中识别出血管区域图像。磁共振血管造影检查是一种断层成像检查，利用磁共振现象从人体中获得电磁信号，并重建出人体信息。MRA影像灰阶特点是，磁共振信号愈强，则亮度愈大，磁共振的信号弱，则亮度也小，从白色、灰色到黑色。从核磁设备获取采用时间飞越技术（time of flight，TOF）成像的颅内血管MRA序列图像，序列是由一幅幅断层切片的二维图像组成的三维结构信息。

首先，制作标签数据集，标注MRA序列样本图像的每张切片的二维图像上的血管区域，生成样本掩码图像。其中样本掩码图像表示作为样本的掩码图像。由于在2D视窗（包括横断面、冠状面、矢状面三个切片）手工标注数据繁琐且误差较大，本发明实施例中采用在最大强度投影视图标注替代2D视图上标注的方法，如图2所示。

在MIP视图进行不规则裁剪功能，保留脑血管，移除颅骨及其他组织区域，由于MIP视图和2D视窗上的图像数据空间是匹配关系，因此2D图像也只保留了脑血管区域，生成一张原始图像大小的黑色图像，对脑血管区域设置为白色，即生成一张样本掩码图像。对当前序列所有断层成像进行处理，得到原始序列对应的一张张样本掩码图像，如图3所示。

利用上一步制作的标签数据集，训练语义分割模型。推断过程加载语义分割模型，将当前序列的每一张二维图像调用模型推断得到对应的掩码图像，对医学数字成像和通信（DICOM）原始数据（即，MRA序列检查图像）进行处理，掩码图像中白色区域对应的原始数据像素值不变，非白色区域对应的原始数据像素值设为背景信号量，即最小像素值。

最后，对处理后的DICOM原始数据进行三维重建MIP成像，如图4所示。由于训练标注数据集误差或者模型识别精度等原因，会导致调用语义分割模型识别后得到的血管区域包含一些多余的背景噪声点或者造成血管断开的情况发生，需要进一步优化处理。

步骤2：去噪点模块。在三维空间中，从所述血管区域图像中查找所有连通域；根据连通域从大到小的顺序，按照预设的连通域数量阈值，在所有连通域中保留目标连通域。基于该实施方式中目标连通域的保留，有效避免分割出血管图像出现噪声，从而进一步提高血管分割效果。

详细地，血管是三维管状结构，需要在三维空间下进行处理，先找到分割结果中的所有连通域，保留最大目标连通域或者较大的几个目标连通域，把其余小连通域都去掉。

具体操作如下：对三维空间MRA序列检查图像所对应的掩码数据进行遍历，扫描每一个像素。当遇到白色像素，判断周围像素是否有连通域标签，如果已有就用这个连通域标签；如果没有则标记上新的连通域标签。如果有两个连通域标签相邻，记录下相邻关系。再进行第二次扫描，遇到有连通域标签的白色像素，根据之前记录的相邻关系重新设定连通域标签。再统计连通域标签的个数，以及每个连通域标签所对应的白色像素点个数，从大到小排序，如果对应的白色像素点个数超过设定数量阈值，即作为目标连通域保留下来，小于设定阈值则认为是小的连通区域即去除该噪点，如图5所示。将去除血管区域图像的MRA序列检查图像的信号量平均值作为背景噪声，也就是说，提取出脑血管区域后，计算去除的信号量平均值作为背景噪声。

步骤3：狭窄血管提取模块。从保留目标连通区域的血管区域图像确定当前血管段图像；在最大强度投影视图的所述当前血管段图像中裁剪出所述血管狭窄段图像。也就是说，对狭窄血管位置计算血流储备分数之前，需要先提取出血管狭窄段。在MIP视图下使用虚拟手术刀功能裁剪出一段狭窄的血管段。对三维图像的掩码数据进行更新，只保留当前血管段的三维掩码数据，其余区域设置为黑色像素值。对三维掩码数据从上往下查找每一层血管的切片中心点（血管闭合轮廓区域内的中心点），并获取当前血管段的起始三维坐标点（三维掩码数据中第一次遇到血管区域）和终止三维坐标点（三维掩码数据中最后一次遇到血管区域）。

步骤4：修补血管点模块。对所述血管狭窄段图像的各切面对应的掩码图像进行遍历，在遍历到未有血管像素的切面时，确定该切面为所述血管狭窄段图像的断裂处；根据所述血管狭窄段图像的断裂处的两侧相邻切面的掩码图像的区域中心点和区域最大面积，修复所述血管狭窄段图像的断裂处的掩码图像。也就是说，查找血管分割图像中的断裂处，利用血管原始图像像素值与血管上、下层坐标位置关联关系，修复断裂的血管位置。详细包括：

4.1 对各切面的掩码图像进行膨胀处理，遍历膨胀后掩码图像的各像素，根据预设的验证方式，验证各切面的掩码图像；所述验证方式为根据待验证掩码图像的各像素的坐标对应的MRA序列检查图像的像素值和预设像素阈值的大小关系，验证膨胀后掩码图像的血管像素；根据验证结果，设置待验证掩码图像的血管像素，得到验证后的掩码图像。

例如，先对三维血管的每个切面图像进行验证，补齐丢失的血管点。得到切面图像对应的掩码图像进行膨胀处理，对膨胀后的掩码图像遍历依次得到该坐标对应的原始DICOM数据的像素值，如果像素值超过设定阈值则认为是血管点，掩码图像在该位置对应的像素值为白色，否则设置为黑色，即不是血管点。

4.2 遍历三维掩码图像，确定验证后的各切面的掩码图像的血管像素的区域中心点和区域边界；根据所述区域边界确定所有切面的掩码图像的区域最大面积。也就是说，可以得到每个切面血管区域的边界点和面积，得到切面上最大血管区域的面积。

4.3 查找丢失的血管切面并补齐断裂的血管点。将两侧相邻切面的掩码图像的区域中心点的平均值作为所述血管狭窄段图像的断裂处的区域中心点；

根据所述区域最大面积和所述血管狭窄段图像的断裂处的区域中心点，确定所述血管狭窄段图像的断裂处的虚设掩码图像；根据所述验证方式，验证所述虚设掩码图像，用以修复所述血管狭窄段图像的断裂处。

具体地，遍历每个切面对应的掩码图像，当遇到某个切面没有血管像素时（掩码图像上的像素全部为黑色），获取当前切面的上一张切面的所有血管像素的区域中心点坐标A和当前切面的下一张切面的所有血管像素的区域中心点坐标B，对坐标点A和B求平均值得到坐标点C作为当前切面的假想血管像素的区域中心点。以中心点C向外扩展直到假想血管区域的面积达到步骤4.2得到的切面上最大血管区域面积，也就得到了血管区域的左上角坐标点和右下角坐标点，生成当前切面假想的掩码图像，得到血管狭窄段图像的断裂处的掩码图像；即血管区域内的像素为白色，其他区域为黑色。对掩码图像遍历依次得到该坐标对应的原始DICOM数据的像素值，如果像素值超过设定阈值则认为是血管像素，掩码图像在该位置对应的像素值为白色，否则设置为黑色，即不是血管点，不是血管像素。

步骤5：血流储备分数（FFR）计算模块。

对提取的血管段对应的三维掩码图像依次遍历，计算切面血管区域面积，得到最狭窄血管面积区域，该区域作为狭窄段的中心位置。以该位置等间隔向两侧延伸，一侧为血液流入的近端信号量，一侧为血液经过狭窄区域后流出的远端信号量，计算两端的血流压力差：

FF (adjusted) = (远端信号量 −背景噪声) / (近端信号量−背景噪声)

依据计算确定每个间隔的FFR分数。

本实施方式通过训练语义分割网络，提取出血管区域，计算分割去除掉的信号量平均值作为背景噪声（通过训练语义分割网络，提取出血管区域作为目标A，裁剪掉的非血管区域作为目标B。统计目标B里的像素值总和作为背景噪声总和，统计目标B里的像素个数作为背景噪声数量，计算背景噪声总和/背景噪声数量=背景噪声的平均值）。检测分割结果是否出现血管断裂现象，采用血管段的方式进行检测及修复，替代在整个三维图像数据上处理，减少了复杂环境下的计算量并提高了修复的准确性。

本实施方式使用DICOM查看器，在最大强度投影（MIP）视图上使用虚拟手术刀功能提取出当前血管狭窄区域，提取出等间隔的血管中心切片图像，计算血管面积，统计得到最狭窄血管面积区域，该区域作为中心区域等间隔向两侧延伸，在最大强度投影（MIP）视图上显示狭窄远端和近端的感兴趣区域，一侧为血液流入的近端信号量，一侧为血液经过狭窄区域后流出的远端信号量，计算两端的血流压力差FFR分数值。依次计算每个间隔的FFR分数，提高了计算精度。

实施例二

本发明实施例提供一种基于MRA序列图像确定血流储备分数的装置，所述基于MRA序列图像确定血流储备分数的装置包括：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计算机程序；

所述计算机程序被所述处理器执行时，实现如实施例一中任一项所述的基于MRA序列图像确定血流储备分数的方法的步骤。

实施例三

本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于MRA序列图像确定血流储备分数的程序，所述基于MRA序列图像确定血流储备分数的程序被处理器执行时，实现如实施例一中任一项所述的基于MRA序列图像确定血流储备分数的方法的步骤。

实施例二至实施例三在具体实现过程中，可以参阅实施例一，具有相应的技术效果。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。