1.本发明实施例涉及图像分割技术领域，具体涉及一种基于磁共振图像的颈动脉分割方法、装置及设备。
背景技术：
2.颈动脉粥样硬化是临床上一种常见的疾病，它是由胆固醇、脂肪、钙和其他物质积聚在劲动脉壁上而产生的。这一堆积物通常被称为斑块，斑块会堵塞劲动脉，引起血管大小的局部变化，狭窄的血管使得血液供应量减少。如果斑块突然破裂则会产生血块，血块则可能会导致中风，因此对于颈动脉的检查对疾病的预防和诊断具有重要意义。磁共振成像设备是一种综合了物理化学等技术的高度集成化仪器，可以以无创的方式提供反映目标组织解剖结构和病理信息的磁共振图像，已成为临床中对颈动脉进行检查的主要手段之一。
3.在获得颈动脉的磁共振图像之后，需要从中分割出颈动脉感兴趣区域用于临床分析，目前主要依赖于人工分割。具体的，将磁共振采集到的三维图像延血管轴位方向切片，在二维切片图像中人工识别颈动脉的管壁和管腔，基于收工操作进行勾画。由于每一位患者都有许多二维切片图像需要进行分割，整个分割过程非常耗时，而且在分割的过程中，人为因素仍然起着主导作用，使得分割结果的可重复性较低。综上所述，亟需一种高效的颈动脉分割方法。
技术实现要素：
4.本发明实施例提供一种基于磁共振图像的颈动脉分割方法、装置及设备，用以解决现有人工分割存在的耗时长、效率低和可重复性低等问题。
5.第一方面，本发明实施例提供一种基于磁共振图像的颈动脉分割方法，包括：
6.获取目标患者颈动脉的磁共振三维图像数据；
7.沿血管轴向将磁共振三维图像数据划分为第一数据集和第二数据集，第一数据集包括多张目标患者左颈动脉的二维图像数据，第二数据集包括多张目标患者右颈动脉的二维图像数据；
8.将磁共振三维图像数据输入预训练好的三维分割模型，从磁共振三维图像数据中分割出颈动脉分叉区域；
9.将第一数据集和第二数据集分别输入预训练好的二维分割模型，从每张二维图像数据中分割出血管区域；
10.根据磁共振三维图像数据中得到的颈动脉分叉区域对每张二维图像数据中得到的血管区域进行修正，得到目标患者的颈动脉感兴趣区域。
11.一种实施例中，根据磁共振三维图像数据中得到的颈动脉分叉区域对每张二维图像数据中得到的血管区域进行修正，包括：
12.保留每张二维图像数据中落入颈动脉分叉区域内的血管区域。
13.一种实施例中，在对三维分割模型和二维分割模型进行训练之前，方法还包括：
14.对部分标注的训练样本进行线性插值生成完全标注的训练样本。
15.一种实施例中，根据磁共振三维图像数据中得到的颈动脉分叉区域对每张二维图像数据中得到的血管区域进行修正之前，方法还包括：
16.对每张二维图像数据中分割出的血管区域进行形态学修正，形态学修正包括腐蚀、连通域检测、保留最大连通域以及膨胀操作。
17.一种实施例中，所述方法还包括：
18.计算管腔中心与管壁中心之间的距离；
19.若距离大于预设阈值，则迭代执行形态学修正操作直至距离小于预设阈值，或者，迭代次数达到预设次数。
20.一种实施例中，获取目标患者颈动脉的磁共振三维图像数据，包括：
21.通过磁共振成像设备实时获取目标患者颈动脉的磁共振三维图像数据；
22.或者，
23.从存储设备中获取预先存储的目标患者颈动脉的磁共振三维图像数据。
24.一种实施例中，所述方法还包括：基于所述磁共振三维图像数据对分割得到的颈动脉感兴趣区域进行可视化显示。
25.第二方面，本发明实施例提供一种基于磁共振图像的颈动脉分割装置，包括：
26.获取模块，用于获取目标患者颈动脉的磁共振三维图像数据；
27.划分模块，用于沿血管轴向将磁共振三维图像数据划分为第一数据集和第二数据集，第一数据集包括多张目标患者左颈动脉的二维图像数据，第二数据集包括多张目标患者右颈动脉的二维图像数据；
28.三维分割模块，用于将磁共振三维图像数据输入预训练好的三维分割模型，从磁共振三维图像数据中分割出颈动脉分叉区域；
29.二维分割模块，用于将第一数据集和第二数据集分别输入预训练好的二维分割模型，从每张二维图像数据中分割出血管区域；
30.修正模块，用于根据磁共振三维图像数据中得到的颈动脉分叉区域对每张二维图像数据中得到的血管区域进行修正，得到目标患者的颈动脉感兴趣区域。
31.第三方面，本发明实施例提供一种电子设备，包括：
32.至少一个处理器和存储器；
33.存储器存储计算机执行指令；
34.至少一个处理器执行存储器存储的计算机执行指令，使得至少一个处理器执行如第一方面任一项所述的基于磁共振图像的颈动脉分割方法。
35.第四方面，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中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如第一方面任一项所述的基于磁共振图像的颈动脉分割方法。
36.本发明实施例提供的基于磁共振图像的颈动脉分割方法、装置及设备，通过获取目标患者颈动脉的磁共振三维图像数据；沿血管轴向将磁共振三维图像数据划分为第一数据集和第二数据集，第一数据集包括多张目标患者左颈动脉的二维图像数据，第二数据集包括多张目标患者右颈动脉的二维图像数据；将磁共振三维图像数据输入预训练好的三维分割模型，从磁共振三维图像数据中分割出颈动脉分叉区域；将第一数据集和第二数据集
分别输入预训练好的二维分割模型，从每张二维图像数据中分割出血管区域；根据磁共振三维图像数据中得到的颈动脉分叉区域对每张二维图像数据中得到的血管区域进行修正，得到目标患者的颈动脉感兴趣区域，实现了对颈动脉的全自动分割，耗时短、效率高且可重复性高。进一步地通过三维分割和二维分割的协同，移除了无关区域对于分割结果的干扰，提高了颈动脉分割的准确性。
附图说明
37.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
38.图1为本发明一实施例提供的基于磁共振图像的颈动脉分割方法的流程图；
39.图2为本发明一实施例提供的可视化显示界面示意图；
40.图3为本发明一实施例提供的基于磁共振图像的颈动脉分割装置的结构示意图；
41.图4为本发明一实施例提供的电子设备的结构示意图。
42.通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
43.下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本技术能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本技术相关的一些操作并没有在说明书中显示或者描述，这是为了避免本技术的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
44.另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。
45.本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本技术所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。
46.颈动脉分叉区域是动脉粥样硬化的多发部位，与其他传统的医学分割任务相比，颈动脉分割任务具有以下独特的挑战：第一，管腔和血管轮廓的形状一般为同心圆、光滑圆和闭合圆，即轮廓上的所有点与血管质心的距离相近。然而，发生动脉粥样硬化的血管其管腔的形状多样，有椭圆形、偏心小圆、新月形，甚至在磁共振图像中不可见(即闭塞)，管腔形状主要取决于斑块的分布。第二，考虑到颈动脉的光滑性和管状性质，管腔和管壁应该有足够光滑的形状，没有尖锐的区域。因此在颈动脉血管壁分割任务中，管腔和管壁的形状可能非常不同，主要是因为动脉粥样硬化，即斑块的存在。第三，判读时关注部位集中在颈动脉
分叉处上下4cm的位置，如何准确地分割所关注的感兴趣区域，并减少其他部位血管的干扰，也是颈动脉分割需要重点关注的。
47.传统的分割算法如阈值分割法，仅适用于目标和背景占据不同灰度级范围的图像，并不适用于高分辨率颈动脉磁共振图像。基于边缘检测、小波变换等方法进行分割时，还需要后续的处理或者其他相关算法相结合才能完成分割任务。现有深度学习神经网络分割算法虽然能够考虑不同子区域多尺度的特征信息，能够进行自动快速地像素级分割，从而在图像分割领域取得了巨大的成果，但是目前的深度学习模型没有对颈动脉分割任务进行进一步优化，没有考虑到血管壁特殊的性质以及临床所关注的部位，分割效果不佳，在类似血管的组织上容易产生错误的分割。
48.为了解决现有技术中存在的至少一项问题，本技术提出了一种基于三维分割和二维分割相结合的颈动脉分割方法，可以移除无关区域分割结果的干扰，准确分割出临床所关注的感兴趣区域。下面通过具体的实施例进行详细说明。
49.图1为本发明一实施例提供的基于磁共振图像的颈动脉分割方法的流程图。如图1所示，本实施例提供的基于磁共振图像的颈动脉分割方法可以包括：
50.s101、获取目标患者颈动脉的磁共振三维图像数据。
51.本实施例中，获取目标患者颈动脉的磁共振三维图像数据，可以是通过磁共振成像设备实时获取目标患者颈动脉的磁共振三维图像数据；也可以是从存储设备中获取预先存储的目标患者颈动脉的磁共振三维图像数据。
52.s102、沿血管轴向将磁共振三维图像数据划分为第一数据集和第二数据集，第一数据集包括多张目标患者左颈动脉的二维图像数据，第二数据集包括多张目标患者右颈动脉的二维图像数据。
53.为了提高分割的准确性，本实施例中对左右颈动脉分别进行分割。通过磁共振成像设备扫描得到的颈动脉数据通常采用医学数字成像和通信(digital imaging and communications in medicine，dicom)格式从机器上导出，本实施例中可以根据dicom元信息中定义的左右方向将磁共振三维图像数据进行对半分割，将其划分为第一数据集和第二数据集。其中，第一数据集与目标患者的左颈动脉相对应，沿轴向进行二维切片可以生成多张目标患者左颈动脉的二维图像数据；第二数据集与目标患者的右颈动脉相对应，沿轴向进行二维切片可以生成多张目标患者右颈动脉的二维图像数据。
54.s103、将磁共振三维图像数据输入预训练好的三维分割模型，从磁共振三维图像数据中分割出颈动脉分叉区域。
55.本实施例中用于进行三维分割的模型可以为nnu-net模型，通过对用于训练的数据集的关键表征分析，在无需任何人工干预下进行各种超参数的调整，通过5倍交叉验证进行最优模型的集成，最终实现最优三维分割模型的自动化训练。具体的，可以采用三维级联的nnu-net进行三维血管壁的分割。
56.需要说明的是，临床中重点关注的部位是位于颈动脉分叉处上下4cm左右的区域，即颈动脉分叉区域。因此，为了移除其他无关区域对于颈动脉分割的干扰，本实施例中可以采用标注了颈动脉分叉区域血管壁掩膜的三维训练样本对三维分割模型进行训练。
57.s104、将第一数据集和第二数据集分别输入预训练好的二维分割模型，从每张二维图像数据中分割出血管区域。
58.本实施例中用于进行二维分割的模型可以为nnu-net模型，通过对用于训练的数据集的关键表征分析，在无需任何人工干预下进行各种超参数的调整，通过5倍交叉验证进行最优模型的集成，最终实现最优二维分割模型的自动化训练。具体的，可以采用二维级联的nnu-net进行二维血管壁的分割。
59.本实施例中对于左颈动脉和右颈动脉是分开进行处理的，因此每张二维图像中只会产生有一根血管的分割结果。本实施例中可以采用标注了血管壁掩膜的二维训练样本对二维分割模型进行训练。其中，标注了血管壁掩膜的二维训练样本可以通过对标注了颈动脉分叉区域血管壁掩膜的三维训练样本沿轴向进行二维切片生成。
60.s105、根据磁共振三维图像数据中得到的颈动脉分叉区域对每张二维图像数据中得到的血管区域进行修正，得到目标患者的颈动脉感兴趣区域。
61.一种可选的实施方式中，根据磁共振三维图像数据中得到的颈动脉分叉区域对每张二维图像数据中得到的血管区域进行修正，具体可以包括：保留每张二维图像数据中落入颈动脉分叉区域内的血管区域。即取磁共振三维图像数据中得到的颈动脉分叉区域与每张二维图像数据中得到的血管区域的交集作为最终的分割结果。也就是保留3d分割结果范围内的2d分割结果，这是因为只有落入颈动脉分叉区域内的血管区域才是临床中需要关注的区域，根据磁共振三维图像数据中得到的颈动脉分叉区域对每张二维图像数据中得到的血管区域进行修正，可以进一步提高分割的准确性。
62.本实施例提供的基于磁共振图像的颈动脉分割方法，通过获取目标患者颈动脉的磁共振三维图像数据；沿血管轴向将磁共振三维图像数据划分为第一数据集和第二数据集，第一数据集包括多张目标患者左颈动脉的二维图像数据，第二数据集包括多张目标患者右颈动脉的二维图像数据；将磁共振三维图像数据输入预训练好的三维分割模型，从磁共振三维图像数据中分割出颈动脉分叉区域；将第一数据集和第二数据集分别输入预训练好的二维分割模型，从每张二维图像数据中分割出血管区域；根据磁共振三维图像数据中得到的颈动脉分叉区域对每张二维图像数据中得到的血管区域进行修正，得到目标患者的颈动脉感兴趣区域，实现了对颈动脉的全自动分割，耗时短、效率高且可重复性高。进一步地通过三维分割和二维分割的协同，移除了无关区域对于分割结果的干扰，提高了颈动脉分割的准确性。
63.需要说明的是，三维分割模型和二维分割模型的训练需要大量标注的训练样本，然而人工标注不仅耗时长，而且成本极高，因此实际获得的训练样本通常只在有限的轴向2d切片中勾画了血管壁轮廓坐标。若直接采用这些部分标注的训练样本对模型进行训练，会降低分割的准确性；而若由人工对训练样本进行完全标注，时间成本和经济成本都是难以承受的。为了兼顾成本和分割的准确性，在上述实施例的基础上，本实施例提供的基于磁共振图像的颈动脉分割方法中，在对三维分割模型和二维分割模型进行训练之前，首先对部分标注的训练样本进行线性插值生成完全标注的训练样本。考虑到人工绘制的血管壁轮廓坐标只在有限的轴向2d切片中勾画，有必要在没有人工标注的切片上用线性插值方法进行生成，补充为一个三维方向上完整但粗糙的血管壁掩模。在磁共振机器上扫描得到的颈动脉数据以dicom格式从机器上导出，用于3d的分割网络训练，根据dicom元信息中定义的左右方向对图像进行对半分割，将输入图像粗略地分为左右颈动脉两部分，用于2d的分割网络训练。在获得训练好的二维分割模型和三维分割模型之后，在实际应用中，仅需采集并
导出患者颈动脉的dicom格式的图像，分别输入训练好的二维分割模型和三维分割模型进行2d及3d的分割即可。
64.为了进一步提高分割的准确性，在上述任一实施例的基础上，本实施例提供的基于磁共振图像的颈动脉分割方法中，根据磁共振三维图像数据中得到的颈动脉分叉区域对每张二维图像数据中得到的血管区域进行修正之前，还对每张二维图像数据中分割出的血管区域进行形态学修正，以移除不连续血管，从而避免类似血管的组织对分割的不良影响。具体的，形态学修正包括腐蚀、连通域检测、保留最大连通域以及膨胀操作，保留面积最大的结果。对于二维分割模型来说，左右颈动脉血管是分开处理的，所以每张二维图像中只有一根血管的分割结果，在形态学修正时保留最大的连通域分量，以此修正不连续的以及错误的血管分割结果。这种形态学优化操作有助于修正在颈动脉分叉处错误的分叉结果。
65.同时对分割结果进行质心分析，即管腔中心与血管壁中心之间的距离应小于一定的阈值，以使管腔保持在血管壁内。在上述实施例的基础上，本实施例提供的基于磁共振图像的颈动脉分割方法还可以包括：计算管腔中心与管壁中心之间的距离；若距离大于预设阈值，则迭代执行形态学修正操作直至距离小于预设阈值，或者，迭代次数达到预设次数。
66.可以理解的是，由于用于3d分割网络训练的数据集是通过不连续的2d切片生成的，导致生成的数据标签与真实标签有一定的误差，继而导致3d网络的分割效果较2d网络略差，但由于具有3d的空间信息，对临床所关注的颈动脉分叉前后的定位效果较好；二维的分割结果更为精细，但是由于网络的输入为每一层的切片，在临床不关注的部位也进行了不准确的分割，这些结果应当被忽略以提高最终的分割效果。因此在分割结果综合时，本技术将2d形态学修正后的分割作为最终分割，当检测到3d分割结果中血管面积的突然下降，即认为已离开所关注的关键区域，移除其他远端切片的分割结果，保留临床关注部位的分割结果。最后将根据3d结果修正后的2d分割结果作为最终结果输出。
67.在上述任一实施例的基础上，为了使用户可以便捷直观的查看颈动脉的分割结果，本实施例提供的基于磁共振图像的颈动脉分割方法还可以包括：基于所述磁共振三维图像数据对分割得到的颈动脉感兴趣区域进行可视化显示。请参考图2，图2为本发明一实施例提供的可视化显示界面示意图。如图2所示，图中白色部位为血管壁，白色部位所包裹的部位为血管腔。从图2中左一可以观察到临床所关注的部位位于颈动脉分叉处上下4cm左右的区域。在具体显示时也可以如图2中右边两图对左右颈动脉分别进行显示。
68.综上所述，本技术所提供的基于磁共振图像的颈动脉分割方法，通过结合三维分割网络和二维分割网络，可以准确定位临床所关注的颈动脉分叉区域，移除无关区域分割结果的干扰。这是由于二维分割模型有助于提高分割结果的准确度，而三维分割模型有助于提供对临床所关注区域的定位，二者联合便可以达到更好的分割效果。对于二维分割结果采用最大连通域、腐蚀、膨胀等形态学修正操作有助于移除错误的分割结果，达到更好的分割效果。本技术能够解决现有颈动脉管壁管腔分割标注时间长的问题，相比于目前采用的手工标注方法，线性插值的自动标注方法更加节省人力与时间；相比于人工分割的算法，本技术的可重复性更高，分割结果也更加稳定；相比于其他基于单一神经网络的分割方法，本技术基于二维和三维协同的分割神经网络，对左右颈动脉分别进行二维分割，且充分考虑了临床所关注的颈动脉特性，提高了分割准确度，相比于传统算法有着更快的处理速度和更稳定的性能。
69.图3为本发明一实施例提供的基于磁共振图像的颈动脉分割装置的结构示意图。如图3所示，本实施例提供的基于磁共振图像的颈动脉分割装置30可以包括：获取模块301、划分模块302、三维分割模块303、二维分割模块304和修正模块305。
70.获取模块301，用于获取目标患者颈动脉的磁共振三维图像数据；
71.划分模块302，用于沿血管轴向将磁共振三维图像数据划分为第一数据集和第二数据集，第一数据集包括多张目标患者左颈动脉的二维图像数据，第二数据集包括多张目标患者右颈动脉的二维图像数据；
72.三维分割模块303，用于将磁共振三维图像数据输入预训练好的三维分割模型，从磁共振三维图像数据中分割出颈动脉分叉区域；
73.二维分割模块304，用于将第一数据集和第二数据集分别输入预训练好的二维分割模型，从每张二维图像数据中分割出血管区域；
74.修正模块305，用于根据磁共振三维图像数据中得到的颈动脉分叉区域对每张二维图像数据中得到的血管区域进行修正，得到目标患者的颈动脉感兴趣区域。
75.本实施例的装置，可以用于执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
76.本发明实施例还提供一种电子设备，请参见图4所示，本发明实施例仅以图4为例进行说明，并不表示本发明仅限于此。图4为本发明一实施例提供的电子设备的结构示意图。如图4所示，本实施例提供的电子设备40可以包括：存储器401、处理器402和总线403。其中，总线403用于实现各元件之间的连接。
77.存储器401中存储有计算机程序，计算机程序被处理器402执行时可以实现上述任一方法实施例的技术方案。
78.其中，存储器401和处理器402之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可以通过一条或者多条通信总线或信号线实现电性连接，如可以通过总线403连接。存储器401中存储有实现基于磁共振图像的颈动脉分割方法的计算机程序，包括至少一个可以软件或固件的形式存储于存储器401中的软件功能模块，处理器402通过运行存储在存储器401内的软件程序以及模块，从而执行各种功能应用以及数据处理。
79.存储器401可以是，但不限于，随机存取存储器(random access memory，简称：ram)，只读存储器(read only memory，简称：rom)，可编程只读存储器(programmable read-only memory，简称：prom)，可擦除只读存储器(erasable programmable read-only memory，简称：eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，简称：eeprom)等。其中，存储器401用于存储程序，处理器402在接收到执行指令后，执行程序。进一步地，上述存储器401内的软件程序以及模块还可包括操作系统，其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动，并可与各种硬件或软件组件相互通信，从而提供其他软件组件的运行环境。
80.处理器402可以是一种集成电路芯片，具有信号的处理能力。上述的处理器402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。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。
可以理解，图4的结构仅为示意，还可以包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件和/或软件实现。
81.本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现上述任一方法实施例的技术方案。
82.本公开中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
83.本公开的保护范围不限于上述的实施例，显然，本领域的技术人员可以对本公开进行各种改动和变形而不脱离本公开的范围和精神。倘若这些改动和变形属于本公开权利要求及其等同技术的范围，则本公开的意图也包含这些改动和变形在内。