动脉血管自动命名模型构建以及命名方法及装置转让专利
申请号 : CN202410032603.3
文献号 : CN117558039B
文献日 : 2024-03-15
发明人 : 梁力 , 王则陈 , 张旭升 , 赵浩天 , 林统
申请人 : 南京氧富智能医疗科技有限公司
摘要 :
本发明涉及自动标注技术领域，公开了动脉血管自动命名模型构建以及命名方法及装置，本发明提取预获取的动脉血管图像中的至少一个关键点坐标和动脉血管图像的血管特征参数；根据动脉血管图像，确定动脉血管图像中相邻血管的邻接矩阵；根据关键点坐标、动脉血管图像、预设条件以及邻接矩阵，确定标注信息，在邻接矩阵的基础上与血管分析关联，提高了标注信息的准确性；将动脉血管图像、血管特征参数以及邻接矩阵，输入至预设模型，得到动脉血管图像最终的每一个血管的分类结果，确定每一个血管对应的分类结果与标注信息的差异信息，当差异信息满足预设标准时，确定预设模型为动脉血管自动命名模型，提高了血管标注的准确性。
权利要求 :
1.一种构建动脉血管自动命名模型的方法，其特征在于，所述方法包括：提取预获取的动脉血管图像中的至少一个关键点坐标和所述动脉血管图像的血管特征参数；
根据所述动脉血管图像，确定所述动脉血管图像中相邻血管的邻接矩阵；
根据所述关键点坐标、所述动脉血管图像、预设条件以及所述邻接矩阵，确定标注信息；
将所述动脉血管图像、所述血管特征参数、以及所述邻接矩阵，输入至预设模型，得到所述动脉血管图像中每一个血管的分类结果；
确定所述每一个血管对应的分类结果和标注信息的差异信息；
当所述差异信息满足预设标准时，确定所述预设模型为动脉血管自动命名模型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述动脉血管图像，确定所述动脉血管图像中相邻血管的邻接矩阵，具体包括：利用预设立方体遍历所述动脉血管图像，当所述预设立方体中同时存在至少两个血管标签信息，则将所述至少两个血管标记为相邻血管；
根据所有的相邻血管，确定邻接矩阵。
3.根据权利要求2所述的方法，其特征在于，所述根据所述关键点坐标、所述动脉血管图像、预设条件以及所述邻接矩阵，确定标注信息，具体包括：根据所述关键点坐标以及所述动脉血管图像的相对位置和预设条件，确定根节点；
根据所述根节点在所述邻接矩阵的位置，确定所述邻接矩阵中每一个血管的级数；
根据第一血管的级数，对所述第一血管进行编码标注，得到标注信息，所述第一血管为邻接矩阵中多个血管中的任一个。
4.根据权利要求3所述的方法，其特征在于，所述预设条件包括预设血管宽度和预设筛选条件，所述根据所述关键点坐标以及所述动脉血管图像的相对位置和预设条件，确定根节点，具体包括：根据所述关键点坐标的在所述动脉血管图像的相对位置，确定第一节点集；
根据所述第一节点集与预设血管宽度，确定第二节点集；
在所述第二节点集中，选择满足预设标准的血管作为根节点。
5.根据权利要求1所述的方法，其特征在于，所述将所述动脉血管图像、所述血管特征参数、以及所述邻接矩阵，输入至预设模型，得到所述动脉血管图像中每一个血管的分类结果，具体包括：将所述至少一个关键点坐标以及所述动脉血管图像输入至预设网络，提取所述至少一个关键点坐标处的图像特征，所述图像特征与所述血管特征参数对应；
将所述动脉血管图像、所述图像特征、以及所述邻接矩阵，输入至预设模型，得到所述动脉血管图像中每一个血管的分类结果。
6.根据权利要求1‑5任一项所述的方法，其特征在于，所述预设模型包括多个子模型，所述方法还包括：根据所述多个子模型分别得出的分类结果，确定所述动脉血管图像中每一个血管的分类结果。
7.根据权利要求6所述的方法，其特征在于，当所述差异信息不满于预设标准时，调整所述预设模型的参数，直至所述差异信息满足预设标准。
8.一种动脉血管自动命名方法，其特征在于，所述方法包括：对预获取的动脉血管图像进行分叶处理，得到多个动脉血管子图像；
提取第一动脉血管子图像的至少一个关键点坐标和所述第一动脉血管子图像的血管特征参数，所述第一动脉血管子图像为多个动脉血管子图像中的任一个；
根据所述第一动脉血管子图像，确定所述第一动脉血管子图像中相邻血管的邻接矩阵；
根据所述关键点坐标、所述第一动脉血管子图像、预设条件以及所述邻接矩阵，确定标注信息；
将所述第一动脉血管子图像、所述血管特征参数、以及所述邻接矩阵，输入至如权利要求1‑7任一项所述构建动脉血管自动命名模型的方法所构建的动脉血管自动命名模型，得到所述第一动脉血管子图像中每个血管的名称；
根据每一个动脉血管子图像中关键点坐标对应的血管名称，将所述多个动脉血管子图像进行合并，得到所述动脉血管图像中每一个血管的名称。
9.一种构建动脉血管自动命名模型的装置，其特征在于，所述装置包括：第一提取特征模块，用于提取预获取的动脉血管图像中的至少一个关键点坐标和所述动脉血管图像的血管特征参数；
第一确定矩阵模块，用于根据所述动脉血管图像，确定所述动脉血管图像中相邻血管的邻接矩阵；
第一标注模块，用于根据所述关键点坐标、所述动脉血管图像、预设条件以及所述邻接矩阵，确定标注信息；
分类模块，用于将所述动脉血管图像、所述血管特征参数、以及所述邻接矩阵，输入至预设模型，得到所述动脉血管图像中每一个血管的分类结果；
差异确定模块，用于确定所述每一个血管对应的分类结果和标注信息的差异信息；
确定模型模块，用于当所述差异信息满足预设标准时，确定所述预设模型为动脉血管自动命名模型。
10.一种动脉血管自动命名装置，其特征在于，所述装置包括：分叶模块，用于对预获取的动脉血管图像进行分叶处理，得到多个动脉血管子图像；
第二提取特征模块，用于提取第一动脉血管子图像的至少一个关键点坐标和所述动脉血管图像的血管特征参数；
第二确定矩阵模块，用于根据所述动脉血管图像，确定所述动脉血管图像中相邻血管的邻接矩阵；
第二标注模块，用于根据所述关键点坐标、所述动脉血管图像、预设条件以及所述邻接矩阵，确定标注信息；
命名模块，用于将所述动脉血管图像、所述血管特征参数、以及所述邻接矩阵，输入至如权利要求1‑7任一项所述构建动脉血管自动命名模型的方法所构建的动脉血管自动命名模型，得到所述第一动脉血管子图像中每个血管的名称；
合并模块，用于根据每一个动脉血管子图像中关键点坐标对应的血管名称，将所述多个动脉血管子图像进行合并，得到所述动脉血管图像中每一个血管的名称。
11.一种计算机设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1至7中任一项所述的构建动脉血管自动命名模型的方法和权利要求8所述的动脉血管自动命名方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至7中任一项所述的构建动脉血管自动命名模型的方法和权利要求8所述的动脉血管自动命名方法。
说明书 :
动脉血管自动命名模型构建以及命名方法及装置
技术领域
[0001] 本发明涉及自动标注技术领域，具体涉及动脉血管自动命名模型构建以及命名方法及装置。
背景技术
[0002] 肺动脉血管树节点分类是一项重要的医学图像处理任务。现有技术中传统的肺动脉血管标注通常依赖于医生观察和手动标注。但是，该方法对医生自身的肺动脉拓扑结构知识提出了考验，在需要大量且快速标注病人样本时存在一定的局限性，并且人工标注难免会出现漏标误标。
发明内容
[0003] 有鉴于此，本发明提供了一种动脉血管自动命名模型构建以及命名方法及装置，以解决肺动脉血管树节点人工标注的局限性问题。
[0004] 第一方面，本发明提供了一种构建动脉血管自动命名模型的方法，方法包括：
[0005] 提取预获取的动脉血管图像中的至少一个关键点坐标和动脉血管图像的血管特征参数；
[0006] 根据动脉血管图像，确定动脉血管图像中相邻血管的邻接矩阵；
[0007] 根据关键点坐标、动脉血管图像、预设条件以及邻接矩阵，确定标注信息；
[0008] 将动脉血管图像、血管特征参数、以及邻接矩阵，输入至预设模型，得到动脉血管图像中每一个血管的分类结果；
[0009] 确定每一个血管对应的分类结果和标注信息的差异信息；
[0010] 当差异信息满足预设标准时，确定预设模型为动脉血管自动命名模型。
[0011] 有益效果，提取预获取的动脉血管图像中的至少一个关键点坐标和动脉血管图像的血管特征参数；在此基础上，根据动脉血管图像，确定动脉血管图像中相邻血管的邻接矩阵，确定了对应的血管分布，提高了血管分类的准确性；根据关键点坐标、动脉血管图像、预设条件以及邻接矩阵，确定标注信息，在邻接矩阵的基础上与血管分析关联，提高了标注信息的准确性；将动脉血管图像、血管特征参数以及邻接矩阵，输入至预设模型，得到动脉血管图像最终的每一个血管的分类结果，确定每一个血管对应的分类结果与标注信息的差异信息，当差异信息满足预设标准时，确定预设模型为动脉血管自动命名模型，其中分类结果即为动脉血管对应的各级血管以及对应的血管名称，提高了血管标注的准确性。
[0012] 在一种可选的实施方式中，根据动脉血管图像，确定动脉血管图像中相邻血管的邻接矩阵，具体包括：
[0013] 利用预设立方体遍历动脉血管图像，当预设立方体中同时存在至少两个血管标签信息，则将至少两个血管标记为相邻血管；
[0014] 根据所有的相邻血管，确定邻接矩阵。
[0015] 有益效果，利用预设立方体遍历动脉血管图像，当预设立方体中同时存在至少两个血管标签时，将至少两个血管标签标记为相邻血管，提高了动脉血管分类的准确性。
[0016] 在一种可选的实施方式中，根据关键点坐标、动脉血管图像、预设条件以及邻接矩阵，确定标注信息，具体包括：
[0017] 根据关键点坐标以及动脉血管图像的相对位置和预设条件，确定根节点；
[0018] 根据根节点在邻接矩阵的位置，确定邻接矩阵中每一个血管的级数；
[0019] 根据第一血管的级数，对第一血管进行编码标注，得到标注信息，第一血管为邻接矩阵中多个血管中的任一个。
[0020] 有益效果，根据根节点与邻接矩阵的关系，可以准确的确定每一个血管的级数，由此确定的标注信息与血管的级数对应，提高的标注信息的准确性。
[0021] 在一种可选的实施方式中，预设条件包括预设血管宽度和预设筛选条件，根据关键点坐标以及动脉血管图像的相对位置和预设条件，确定根节点，具体包括：
[0022] 根据关键点坐标的在动脉血管图像的相对位置，确定第一节点集；
[0023] 根据第一节点集与预设血管宽度，确定第二节点集；
[0024] 在第二节点集中，选择满足预设标准的血管作为根节点。
[0025] 有益效果，提高了根节点确定的准确性。
[0026] 在一种可选的实施方式中，将动脉血管图像、血管特征参数、以及邻接矩阵，输入至预设模型，得到动脉血管图像中每一个血管的分类结果，具体包括：
[0027] 将至少一个关键点坐标以及动脉血管图像输入至预设网络，提取至少一个关键点坐标处的图像特征，图像特征与血管特征参数对应；
[0028] 将动脉血管图像、图像特征、以及邻接矩阵，输入至预设模型，得到动脉血管图像中每一个血管的分类结果。
[0029] 有益效果，将至少一个关键点坐标与动脉血管图像输入至预设网络，提取在关键点坐标对应位置的图像特征，将图像特征、动脉血管图像以及邻接矩阵输入至预设模型，来预测动脉血管图像中每一个血管对应的分类结果，多个输入特征进一步提高了分类结果的准确性。
[0030] 在一个可选的实施方式中，当差异信息不满于预设标准时，调整预设模型的参数，直至差异信息满足预设标准。
[0031] 有益效果，提高了动脉血管自动命名模型的准确性。
[0032] 第二方面，本发明提供了一种动脉血管自动命名方法，方法包括：
[0033] 对预获取的动脉血管图像进行分叶处理，得到多个动脉血管子图像；
[0034] 提取第一动脉血管子图像的至少一个关键点坐标和第一动脉血管子图像的血管特征参数，第一动脉血管子图像为多个动脉血管子图像中的任一个；
[0035] 根据第一动脉血管子图像，确定第一动脉血管子图像中相邻血管的邻接矩阵；
[0036] 根据关键点坐标、第一动脉血管子图像、预设条件以及邻接矩阵，确定标注信息；
[0037] 将第一动脉血管子图像、血管特征参数、以及邻接矩阵，输入至如第一方面或第一方面任一可选实施方式的构建动脉血管自动命名模型的方法所构建的动脉血管自动命名模型，得到第一动脉血管子图像中每个血管的名称；
[0038] 根据每一个动脉血管子图像中关键点坐标对应的血管名称，将多个动脉血管子图像进行合并，得到动脉血管图像中每一个血管的名称。
[0039] 有益效果，对预获取的动脉血管图像进行分叶处理，得到多个动脉血管子图像，提高了动脉血管命名的效率以及准确率；提取第一动脉血管子图像的至少一个关键点坐标和动脉血管图像的血管特征参数；根据动脉血管图像，确定对应的相邻血管的邻接矩阵；根据关键点坐标、动脉血管图像、预设条件以及邻接矩阵，确定标注信息；在此基础上，将每一个动脉血管子图像中关键点坐标对应的血管名称，将多个动脉血管子图像进行合并，得到动脉血管图像中每一个血管的名称，完成了动脉血管的自动标注，提高了标注效率。
[0040] 第三方面，本发明提供了一种构建动脉血管自动命名模型的装置，装置包括：
[0041] 第一提取特征模块，用于提取预获取的动脉血管图像中的至少一个关键点坐标和动脉血管图像的血管特征参数；
[0042] 第一确定矩阵模块，用于根据动脉血管图像，确定动脉血管图像中相邻血管的邻接矩阵；
[0043] 第一标注模块，用于根据关键点坐标、动脉血管图像、预设条件以及邻接矩阵，确定标注信息；
[0044] 分类模块，用于将动脉血管图像、血管特征参数、以及邻接矩阵，输入至预设模型，得到动脉血管图像中每一个血管的分类结果；
[0045] 差异确定模块，用于确定每一个血管对应的分类结果和标注信息的差异信息；
[0046] 确定模型模块，用于当差异信息满足预设标准时，确定预设模型为动脉血管自动命名模型。
[0047] 第四方面，本发明提供了一种动脉血管自动命名装置，装置包括：
[0048] 分叶模块，用于对预获取的动脉血管图像进行分叶处理，得到多个动脉血管子图像；
[0049] 第二提取特征模块，用于提取第一动脉血管子图像的至少一个关键点坐标和动脉血管图像的血管特征参数；
[0050] 第二确定矩阵模块，用于根据动脉血管图像，确定动脉血管图像中相邻血管的邻接矩阵；
[0051] 第二标注模块，用于根据关键点坐标、动脉血管图像、预设条件以及邻接矩阵，确定标注信息；
[0052] 命名模块，用于将动脉血管图像、血管特征参数、以及邻接矩阵，输入至如第一方面或其对应的任一实施方式的构建动脉血管自动命名模型的方法所构建的动脉血管自动命名模型，得到第一动脉血管子图像中每个血管的名称；
[0053] 合并模块，用于根据每一个动脉血管子图像中关键点坐标对应的血管名称，将多个动脉血管子图像进行合并，得到动脉血管图像中每一个血管的名称。
[0054] 第五方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的构建动脉血管自动命名模型的方法，或第二方面或其对应的任一实施方式的动脉血管自动命名方法。
[0055] 第六方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的构建动脉血管自动命名模型的方法，或第二方面或其对应的任一实施方式的动脉血管自动命名方法。
附图说明
[0056] 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。
[0057] 图1是根据本发明实施例的构建动脉血管自动命名模型的方法的流程示意图；
[0058] 图2是根据于本发明实施例的构建动脉血管自动命名模型的方法的流程示意图；
[0059] 图3是根据本发明实施例的构建动脉血管自动命名模型的流程示意图；
[0060] 图4是根据本发明实施例的动脉血管自动命名方法的示意图；
[0061] 图5是根据本发明实施例的构建动脉血管自动命名模型的装置的结构框图；
[0062] 图6是根据本发明实施例的动脉血管自动命名装置的结构框图；
[0063] 图7是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
[0064] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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。
[0065] 根据本发明实施例，提供了一种构建动脉血管自动命名模型的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0066] 在本实施例中提供了一种构建动脉血管自动命名模型的方法，图1是根据本发明实施例的构建动脉血管自动命名模型的方法的流程图。如图1所示，该流程包括如下步骤：
[0067] 步骤S101，提取预获取的动脉血管图像中的至少一个关键点坐标和动脉血管图像的血管特征参数。
[0068] 示例性地，动脉血管图像可以是肺动脉血管的CT图像，在获取到动脉血管图像后，提取对应的关键点坐标以及对应的血管特征参数。其中提取的关键点坐标为肺动脉血管对应的中心线上的坐标，因此在提取对应的关键点坐标之前，需要提取肺动脉血管的中心线，具体地可以采用的距离变换算法和细化算法。
[0069] 在提取到肺动脉血管的中线之后，提取中心线上对应的坐标信息即为关键点坐标，同时为了进一步确定关键点坐标对应血管走向，还可以确定在关键点坐标对应的切线斜率。
[0070] 在一个可选的实施例中，还可以将关键点坐标转化为笛卡尔坐标，之后将笛卡尔坐标转化为球坐标系坐标，后续根据笛卡尔坐标、球坐标以及其他的特征等来确定标注信息。
[0071] 血管特征参数为对应血管方向、血管长度以及血管对应级数等，这些血管特征参数可以根据中心线进一步获取，具体地，本发明实施例对血管特征参数的类型和数量不做限定，本领域技术人员可以根据实际情况确定。
[0072] 步骤S102，根据动脉血管图像，确定动脉血管图像中相邻血管的邻接矩阵。
[0073] 示例性地，识别动脉血管图像可以识别到对应的血管分布，根据识别结果可以确定动脉血管图像中包括的血管的分布关系，由此得到对应的血管的邻接矩阵。
[0074] 步骤S103，根据关键点坐标、动脉血管图像、预设条件以及邻接矩阵，确定标注信息。
[0075] 示例性地，在获取到关键点坐标和邻接矩阵之后，根据关键点坐标、动脉血管图像、预设条件以及邻接矩阵，来确定每一个血管对应的标注信息，这里的标注信息为动脉血管图像中包括的血管的名称信息。根据关键点坐标以及邻接矩阵，可以很好的与血管的分布关联，大大提高了血管标注点的准确性。
[0076] 步骤S104，将动脉血管图像、血管特征参数、以及邻接矩阵，输入至预设模型，得到动脉血管图像中每一个血管的分类结果。
[0077] 示例性地，预设模型可以是综合性神经网络，其中综合性神经网络可以包括GCN网络、GAT网络以及BP神经网络，分别将动脉血管图像、血管特征参数、以及邻接矩阵输入至这三个网络，得到三个分类结果（第一分类结果、第二分类结果以及第三分类结果），本发明实施例对预设模型的个数以及类型不做限定，本领域技术人员可以根据实际情况确定。
[0078] 步骤S105，确定每一个血管对应的分类结果和标注信息的差异信息。
[0079] 步骤S106，当差异信息满足预设标准时，确定预设模型为动脉血管自动命名模型。
[0080] 示例性地，确定每一个分类结果与对应的标注信息的差异信息（第一差异信息、第二差异信息和第三差异信息），当每一个差异信息均满足预设标准，则说明此时对应的综合性神经网络可以准确的对动脉图像中的血管进行分类，得到对应的分类结果。因此可以将此时的模型作为动脉血管自动命名模型。
[0081] 当差异信息不满足预设标准是，分别调整第一差异信息、第二差异信息和第三差异信息中不满足预设标准的对应的模型的参数，直至差异信息均满足预设标准，进而得到最终的动脉血管自动命名模型。
[0082] 本实施例提供的构建动脉血管自动命名模型的方法，提取预获取的动脉血管图像中的至少一个关键点坐标和动脉血管图像的血管特征参数；在此基础上，根据动脉血管图像，确定动脉血管图像中相邻血管的邻接矩阵，确定了对应的血管分布，提高了血管分类的准确性；根据关键点坐标、动脉血管图像、预设条件以及邻接矩阵，确定标注信息，在邻接矩阵的基础上与血管分析关联，提高了标注信息的准确性；将动脉血管图像、血管特征参数以及邻接矩阵，输入至预设模型，得到动脉血管图像最终的每一个血管的分类结果，确定每一个血管对应的分类结果与标注信息的差异信息，当差异信息满足预设标准时，确定预设模型为动脉血管自动命名模型，其中分类结果即为动脉血管对应的各级血管以及对应的血管名称，提高了血管标注的准确性。
[0083] 在本实施例中提供了一种构建动脉血管自动命名模型的方法，图2是根据本发明实施例的构建动脉血管自动命名模型的方法的流程图，如图2所示，该流程包括如下步骤：
[0084] 步骤S201，提取预获取的动脉血管图像中的至少一个关键点坐标和动脉血管图像的血管特征参数。详细请参见图1所示实施例的步骤S101，在此不再赘述。
[0085] 步骤S202，根据动脉血管图像，确定动脉血管图像中相邻血管的邻接矩阵。
[0086] 具体地，上述步骤S202包括：
[0087] 步骤S2021，利用预设立方体遍历动脉血管图像，当预设立方体中同时存在至少两个血管标签信息，则将至少两个血管标记为相邻血管；
[0088] 步骤S2022，根据所有的相邻血管，确定邻接矩阵。
[0089] 示例性地，利用大小为4×4×4的小立方体遍历整个动脉血管图像，若两个血管标签信息同时出现在一个小立方体中，则判定为该两个血管相邻，并用集合统计相邻血管的组合，最后转化成邻接矩阵的形式。其中血管标签为人工标注的标签。
[0090] 步骤S203，根据关键点坐标、动脉血管图像、预设条件以及邻接矩阵，确定标注信息。
[0091] 具体地，上述步骤S203包括：
[0092] 步骤S2031，根据关键点坐标以及动脉血管图像的相对位置和预设条件，确定根节点。
[0093] 示例性地，在确定动脉血管图像的中心线之后，根据中心线中关键点坐标的位置可以确定对应的根节点，其中根节点处于动脉血管图像的边缘，由此可以准确的确定对应的根节点。
[0094] 在一些可选的实施方式中，上述步骤S2031包括：
[0095] 步骤a1，根据关键点坐标的在动脉血管图像的相对位置，确定第一节点集；
[0096] 步骤a2，根据第一节点集与预设血管宽度，确定第二节点集；
[0097] 步骤a3，在第二节点集中，选择满足预设标准的血管作为根节点。
[0098] 示例性地，在确定根节点时，首先确定对应的在动脉血管图像边缘位置的关键点坐标，得到第一节点集；其次根节点对应的血管的直径较粗，因此可以根据动脉血管的类型等预先设置根节点对应的血管的宽度，在第一节点集中筛选满足预设血管宽度的第二节点集；最后在第二节点集中选择血管宽度最大的血管对应的关键点坐标对应的为根节点。
[0099] 步骤S2032，根据根节点在邻接矩阵的位置，确定邻接矩阵中每一个血管的级数。
[0100] 示例性地，在确定根节点之后，根据根节点在邻接矩阵中的位置，可以进一步确定邻接矩阵中所有的血管与根节点之间的直接以及间接关系，进而确定每一个血管的级数。
[0101] 步骤S2033，根据第一血管的级数，对第一血管进行编码标注，得到标注信息，第一血管为邻接矩阵中多个血管中的任一个。
[0102] 示例性地，在确定每一个血管对应的级数之后，对每一个血管进行编码标注，得到标注信息，这里的标注信息包括对应的级数信息，可以为后续得到的分类结果进行很好的验证，提高了后续模型训练的准确性。
[0103] 步骤S204，将动脉血管图像、血管特征参数、以及邻接矩阵，输入至预设模型，得到动脉血管图像中每一个血管的分类结果。详细请参见图1所示实施例的步骤S104，在此不再赘述。
[0104] 步骤S205，确定每一个血管对应的分类结果和标注信息的差异信息。详细请参见图1所示实施例的步骤S105，在此不再赘述。
[0105] 步骤S206，当差异信息满足预设标准时，确定预设模型为动脉血管自动命名模型。详细请参见图1所示实施例的步骤S106，在此不再赘述。
[0106] 在本实施例中提供了一种构建动脉血管自动命名模型的方法，图3是根据本发明实施例的构建动脉血管自动命名模型的方法的流程图，如图3所示，该流程包括如下步骤：
[0107] 步骤S301，提取预获取的动脉血管图像中的至少一个关键点坐标和动脉血管图像的血管特征参数。详细请参见图1所示实施例的步骤S101，在此不再赘述。
[0108] 步骤S302，根据动脉血管图像，确定动脉血管图像中相邻血管的邻接矩阵。详细请参见图1所示实施例的步骤S102，在此不再赘述。
[0109] 步骤S303，根据关键点坐标、动脉血管图像、预设条件以及邻接矩阵，确定标注信息。详细请参见图1所示实施例的步骤S103，在此不再赘述。
[0110] 步骤S304，将动脉血管图像、血管特征参数、以及邻接矩阵，输入至预设模型，得到动脉血管图像中每一个血管的分类结果。
[0111] 具体地，上述步骤S304，具体包括：
[0112] 步骤S3041，将至少一个关键点坐标以及动脉血管图像输入至预设网络，提取至少一个关键点坐标处的图像特征，图像特征与血管特征参数对应。
[0113] 步骤S3042，将动脉血管图像、图像特征、以及邻接矩阵，输入至预设模型，得到动脉血管图像中每一个血管的分类结果。
[0114] 示例性地，在训练预设模型之前，将至少一个关键点坐标以及动脉血管图像输入至预设网络，提取至少一个关键点坐标处的图像特征，其中预设神经网络可以是LSTM（Long Short‑Term Memory，长短期记忆）网络，将上述特征输入至LSTM网络中生成最终的隐藏层特征，达成与血管特征参数统一维度的目的。
[0115] 不同血管的长短期记忆网络的长度都不同，长度由关键点坐标数量决定，血管关键点数量=长短期记忆网络中的神经元数量。
[0116] 输入为分割得到的血管模型，不同的血管都标注为1，输入的数据大小为n×1×8×8×8，经过三层卷积层拓展特征维度后，将n×32×8×8×8的数据输入长短期记忆网络,输出为隐藏层的特征为1×96。隐藏层的特征可以用来反映整根血管的图像特征，其中n为血管的长度（血管关键点数量）。
[0117] 综合性网络判断（图卷积神经网络、GAT、BP神经网络），将长短期记忆网络的隐藏层特征1×96与血管特征参数1×24进行合并，作为节点的最终特征,合并所有血管后大小为d×119。其中d为血管树中所有血管的数量。
[0118] 后续，将上述特征（大小为n×119）和邻接矩阵共同输入综合性网络，进行节点分类，最终的标签输出结果为d×1，GAT，GCN和BP神经网络三者分类结果一致直接选取，有两者一致选择多数，三者均不一致随机选择。相似的是GCN与GAT网络的最关键步骤就是聚合（将邻居顶点的特征聚合到中心顶点上）不同的是GCN利用了拉普拉斯矩阵，GAT利用attention系数）。一定程度上而言，GAT和GCN在不同的任务中表现出不同的能力，所以采用综合BP神经网络进行三者合并判断的方式，来达到最优解。
[0119] 步骤S305，确定每一个血管对应的分类结果和标注信息的差异信息。详细请参见图1所示实施例的步骤S105，在此不再赘述。
[0120] 步骤S306，当差异信息满足预设标准时，确定预设模型为动脉血管自动命名模型。
[0121] 在本实施例中还提供了一种动脉血管自动命名方法，如图4所示，方法包括：
[0122] 步骤S401，对预获取的动脉血管图像进行分叶处理，得到多个动脉血管子图像。
[0123] 示例性地，动脉血管图像可以是肺动脉血管图像，可以根据肺动脉血管对应的分叶标注，将肺动脉血管图像分为左上，左下，右上，右中和右下五部分，大大减少了输入模型的血管数量，从而提高血管分类的准确率。
[0124] 步骤S402，提取第一动脉血管子图像的至少一个关键点坐标和第一动脉血管子图像的血管特征参数，第一动脉血管子图像为多个动脉血管子图像中的任一个。详细请参见图1所示实施例的步骤S101，在此不再赘述。
[0125] 步骤S403，根据第一动脉血管子图像，确定第一动脉血管子图像中相邻血管的邻接矩阵。详细请参见图1所示实施例的步骤S102，在此不再赘述。
[0126] 步骤S404，根据关键点坐标、第一动脉血管子图像、预设条件以及邻接矩阵，确定标注信息。详细请参见图1所示实施例的步骤S103，在此不再赘述。
[0127] 步骤S405，将第一动脉血管子图像、血管特征参数、以及邻接矩阵，输入至如上述实施例中的动脉血管自动命名模型，得到第一动脉血管子图像中每个血管的名称。
[0128] 示例性地，将第一动脉血管子图像、血管特征参数、以及邻接矩阵输入至上一实施例中训练好的动脉血管自动命名模型中，得到第一动脉血管子图像中每个血管的名称，实现了对动脉血管的自动标注命名。
[0129] 步骤S406，根据每一个动脉血管子图像中关键点坐标对应的血管名称，将多个动脉血管子图像进行合并，得到动脉血管图像中每一个血管的名称。
[0130] 示例性地，针对每一个动脉血管子图像进行标注之后，根据每一个动脉血管子图像对应的关键点坐标将对应的动脉血管子图像合并，得到完整的动脉血管子图像。
[0131] 本实施例提供的动脉血管自动命名方法，对预获取的动脉血管图像进行分叶处理，得到多个动脉血管子图像，提高了动脉血管命名的效率以及准确率；提取第一动脉血管子图像的至少一个关键点坐标和动脉血管图像的血管特征参数；根据动脉血管图像，确定对应的相邻血管的邻接矩阵；根据关键点坐标、动脉血管图像、预设条件以及邻接矩阵，确定标注信息；在此基础上，将每一个动脉血管子图像中关键点坐标对应的血管名称，将多个动脉血管子图像进行合并，得到动脉血管图像中每一个血管的名称，完成了动脉血管的自动标注，提高了标注效率。
[0132] 在本实施例中还提供了一种构建动脉血管自动命名模型的装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0133] 本实施例提供一种构建动脉血管自动命名模型的装置，如图5所示，包括：
[0134] 第一提取特征模块501，用于提取预获取的动脉血管图像中的至少一个关键点坐标和动脉血管图像的血管特征参数；
[0135] 第一确定矩阵模块502，用于根据动脉血管图像，确定动脉血管图像中相邻血管的邻接矩阵；
[0136] 第一标注模块503，用于根据关键点坐标、动脉血管图像、预设条件以及邻接矩阵，确定标注信息；
[0137] 分类模块504，用于将动脉血管图像、血管特征参数、以及邻接矩阵，输入至预设模型，得到动脉血管图像中每一个血管的分类结果；
[0138] 差异确定模块505，用于确定每一个血管对应的分类结果和标注信息的差异信息；
[0139] 确定模型模块506，用于当差异信息满足预设标准时，确定预设模型为动脉血管自动命名模型。
[0140] 在一些可选的实施方式中，第一确定矩阵模块，具体包括：
[0141] 遍历单元，用于利用预设立方体遍历动脉血管图像，当预设立方体中同时存在至少两个血管标签信息，则将至少两个血管标记为相邻血管；
[0142] 确定单元，用于根据所有的相邻血管，确定邻接矩阵。
[0143] 在一些可选的实施方式中，第一标注模块，具体包括：
[0144] 确定节点单元，用于根据关键点坐标以及动脉血管图像的相对位置和预设条件，确定根节点；
[0145] 确定级数单元，用于根据根节点在邻接矩阵的位置，确定邻接矩阵中每一个血管的级数；
[0146] 标注单元，用于根据第一血管的级数，对第一血管进行编码标注，得到标注信息，第一血管为邻接矩阵中多个血管中的任一个。
[0147] 在一些可选的实施方式中，预设条件包括预设血管宽度和预设筛选条件，确定节点单元，具体包括：
[0148] 第一节点确定子单元，用于根据关键点坐标的在动脉血管图像的相对位置，确定第一节点集；
[0149] 第二节点确定子单元，用于根据第一节点集与预设血管宽度，确定第二节点集；
[0150] 根节点确定子单元，用于在第二节点集中，选择满足预设标准的血管作为根节点。
[0151] 在一些可选的实施方式中，分类模块，具体包括：
[0152] 统一特征单元，用于将至少一个关键点坐标以及动脉血管图像输入至预设网络，提取至少一个关键点坐标处的图像特征，图像特征与血管特征参数对应；
[0153] 分类单元，用于将动脉血管图像、图像特征、以及邻接矩阵，输入至预设模型，得到动脉血管图像中每一个血管的分类结果。
[0154] 在一些可选的实施方式中，预设模型包括多个子模型，装置还用于：根据多个子模型分别得出的分类结果，确定动脉血管图像中每一个血管的分类结果。
[0155] 在一些可选的实施方式中，装置还用于：当差异信息不满于预设标准时，调整预设模型的参数，直至差异信息满足预设标准。
[0156] 上述各个模块和单元的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
[0157] 本实施例提供一种动脉血管自动命名装置，如图6所示，包括：
[0158] 分叶模块601，用于对预获取的动脉血管图像进行分叶处理，得到多个动脉血管子图像；
[0159] 第二提取特征模块602，用于提取第一动脉血管子图像的至少一个关键点坐标和动脉血管图像的血管特征参数；
[0160] 第二确定矩阵模块603，用于根据动脉血管图像，确定动脉血管图像中相邻血管的邻接矩阵；
[0161] 第二标注模块604，用于根据关键点坐标、动脉血管图像、预设条件以及邻接矩阵，确定标注信息；
[0162] 命名模块605，用于将动脉血管图像、血管特征参数、以及邻接矩阵，输入至如上述实施例动脉血管自动命名模型，得到第一动脉血管子图像中每个血管的名称；
[0163] 合并模块606，用于根据每一个动脉血管子图像中关键点坐标对应的血管名称，将多个动脉血管子图像进行合并，得到动脉血管图像中每一个血管的名称。
[0164] 上述各个模块和单元的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
[0165] 本实施例中的装置是以功能单元的形式来呈现，这里的单元是指ASIC（Application Specific Integrated Circuit，专用集成电路）电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
[0166] 本发明实施例还提供一种计算机设备，具有上述图5或图6所示的装置。
[0167] 请参阅图7，图7是本发明可选实施例提供的一种计算机设备的结构示意图，如图7所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器10为例。
[0168] 处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。
[0169] 其中，存储器20存储有可由至少一个处理器10执行的指令，以使至少一个处理器10执行实现上述实施例示出的方法。
[0170] 存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0171] 存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。
[0172] 该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。
[0173] 本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。
[0174] 虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。