CN115908309A - 斑块检测分析方法、装置、设备和介质 - Google Patents

Abstract

本发明实施例公开了一种斑块检测分析方法、装置、设备和介质。其中，方法包括：获取目标对象的计算机断层扫描血管造影图像，并基于计算机断层扫描血管造影图像确定目标透明血管模型；基于计算机断层扫描血管造影图像中对应的计算机断层扫描值确定目标透明血管模型中各斑块的分布位置；对各斑块进行量化分析，并基于量化分析结果分别对各斑块进行渲染展示。本发明实施例的技术方案，解决了人工检测分析斑块准确率低的问题，增强斑块检测的可视化效果，提高斑块检测的准确率，有利于辅助医生进行血管入路规划和穿刺鞘管的选择。

Description

斑块检测分析方法、装置、设备和介质

技术领域

本发明实施例涉及图像处理技术领域，尤其涉及斑块检测分析方法、装置、设备和介质。

背景技术

血管并发症的发生与穿刺鞘管的尺寸和自身血管的直径有关，此外，血管斑块的存在和手术过程中的粗暴操作也会增加血管并发症的发生。人工进行斑块检测分析可能会造成斑块的遗漏，而且对斑块类型的分类也依赖于医生的个人经验，导致斑块检测分析准确率低。

发明内容

本发明提供了一种斑块检测分析方法、装置、设备和介质，解决了人工检测分析斑块准确率低的问题，增强斑块检测的可视化效果，提高斑块检测的准确率，有利于辅助医生进行血管入路规划和穿刺鞘管的选择。

根据本发明的一方面，提供了一种斑块检测分析方法，该方法包括：

获取目标对象的计算机断层扫描血管造影图像，并基于计算机断层扫描血管造影图像确定目标透明血管模型；

基于计算机断层扫描血管造影图像中对应的计算机断层扫描值确定目标透明血管模型中各斑块的分布位置；

对各斑块进行量化分析，并基于量化分析结果分别对各斑块进行渲染展示。

根据本发明的另一方面，提供了一种斑块检测分析装置，该装置包括：

图像获取模块，用于获取目标对象的计算机断层扫描血管造影图像，并基于计算机断层扫描血管造影图像确定目标透明血管模型；

斑块检测模块，用于基于计算机断层扫描血管造影图像中对应的计算机断层扫描值确定目标透明血管模型中各斑块的分布位置；

斑块分析模块，用于对各斑块进行量化分析，并基于量化分析结果分别对各斑块进行渲染展示。

根据本发明的另一方面，提供了一种电子设备，该电子设备包括：

至少一个处理器；以及

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例的斑块检测分析方法。

根据本发明的另一方面，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指令，计算机指令用于使处理器执行时实现本发明任一实施例的斑块检测分析方法。

本发明实施例的技术方案，通过获取目标对象的计算机断层扫描血管造影图像，并基于计算机断层扫描血管造影图像确定目标透明血管模型；基于计算机断层扫描血管造影图像中对应的计算机断层扫描值确定目标透明血管模型中各斑块的分布位置；对各斑块进行量化分析，并基于量化分析结果分别对各斑块进行渲染展示。本发明实施例的技术方案，解决了人工检测分析斑块准确率低的问题，增强斑块检测的可视化效果，提高斑块检测的准确率，有利于辅助医生进行血管入路规划和穿刺鞘管的选择。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是本发明实施例提供的一种斑块检测分析方法的流程图；

图2是本发明实施例提供的另一种斑块检测分析方法的流程图；

图3是本发明实施例提供的又一种斑块检测分析方法的流程图；

图4的一种颈部至耻骨联合的透明血管模型；

图5是一种经过渲染的斑块的透明血管模型；

图6是一种斑块的量化图；

图7是本发明实施例提供的一种斑块检测分析装置的结构框图；

图8是本发明实施例提供的一种电子设备的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“目标”和“初始”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

图1是本发明实施例提供的一种斑块检测分析方法的流程图，本实施例可适用于斑块检测分析的场景中，特别的，本实施例更适用于针对计算机断层扫描血管造影图像进行斑块检测分析的情况。该方法可以由斑块检测分析装置来执行，该斑块检测分析装置可以采用硬件和/或软件的形式实现，也可以配置于电子设备中。

如图1所示，斑块检测分析方法包括以下步骤：

S110、获取目标对象的计算机断层扫描血管造影图像，并基于计算机断层扫描血管造影图像确定目标透明血管模型。

其中，目标对象是进行计算机断层扫描血管造影成像的对象，例如，可以是患者。

计算机断层扫描血管造影(Computed tomography angiography，CT-Angiograph，CTA)是一种利用CT技术进行的血管造影检查，用于对全身的所有动脉与静脉血管，包括心、脑、肺、肾、四肢等部位的血管，最常见的是心脏的冠脉系统、大脑的动脉系统和主动脉系统成像。通过引入造影剂使血液对X射线的通透性降低，使血管在CT片上显示为高密度影，血液为低密度影，从而区分血管与其它组织。在X射线影像中，高密度显示为白色，低密度显示为黑色。需要通过计算机进行图像重建，以显示血管不同切面的CTA图像。

目标透明血管模型的重建和可视化主要通过图像数据采集模块、二维图像处理分析模块和三维重建显示模块实现，目标透明血管模型的重建和可视化主要包括以下步骤：

(1)、对目标对象的CTA图像进行预处理：对目标对象的CTA图像进行数据规范化处理和滤波处理、坐标变换、轮廓分割或特征提取等操作。

数据规范化处理包括灰度拉伸和归一化等操作。滤波处理用于去除图像中的噪声或对图像进行增强，通过中值滤波、平滑滤波、形态学滤波等去除噪声；通过直方图均衡、各向异性扩散处理进行图像增强。坐标变换是将坐标原点移动到三维数据集的中心，或将径向弧形分布的一序列二维B超图像变换为三维平行切片数据。轮廓分割或特征提取包括基于二维平行轮廓线的重建方法，需要先进行图像分割，以获得目标在二维图像中的轮廊线；或通过提取图像中的对应特征点实现对多角度投影数据重建。

(2)、经过三维重建生成包括体积表示、表面表示、特征表示等，在屏幕上显示三维图像。

S120、基于计算机断层扫描血管造影图像中对应的计算机断层扫描值确定目标透明血管模型中各斑块的分布位置。

计算机断层扫描值又称CT值，CT值的单位是“Hu”，用于衡量组织对于X光的吸收率，是CT图像中各组织与X线衰减系数相当的对应值，是从人体组织、器官的μ值换算而来的。无论是矩阵图像或矩阵数字都是CT值的代表。

进一步的，基于计算机断层扫描血管造影图像中对应的计算机断层扫描值确定目标透明血管模型中各斑块的分布位置，包括：

首先，将计算机断层扫描血管造影图像输入到预设图像分割卷积神经网络中，进行血管的分割，得到目标血管分割图像。

可以理解的是，斑块分布在血管的内膜和中膜之间，所以需要对CTA图像进行图像分割，实现内膜和中膜的分割，将分割内膜和中膜后的图像作为目标血管分割图像。

可选的，预设图像分割卷积神经网络使用全卷积网络(Fully ConvolutionalNetworks，FCN)，FCN将传统的卷积神经网络(Convolutional Neural Networks，CNN)中的全连接层转化成卷积层。

CNN是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward NeuralNetworks，FNN)，具有表征学习(representation learning)能力，能够按其阶层结构对输入信息进行平移不变分类(shift-invariant classification)。CNN包括卷积层、池化层、全连接层和结果输出层。

可以理解的是，需要将输入的CTA图像转化为向量，在卷积层进行卷积运算，通过卷积核进行点积运算，得到计算后的结果。

池化层(pooling layer)对其前一层进行下采样，这样做的好处是，可以缩小前一层的尺寸(长、宽、通道数)，从而减少计算量、内存使用量和参数个数。

但是，经过多次卷积和池化以后，得到的图像分辨率会降低，因此，FCN通过反卷积(deconvolution)实现上采样，卷积网络用于将输入图像转换成多维特征表示的特征提取，反卷积网络是根据从卷积网络提取的特征进行血管内膜和中膜的分割，得到分割后的CTA图像，作为目标血管分割图像。然后，对目标血管分割图像进行聚类分析，得到多个目标连通域。

实现聚类分析的算法可以分为划分法(Partitioning Methods)、层次法(Hierarchical Methods)、基于密度的算法(density-based methods)、基于网格的方法(grid-based methods)和基于模型的方法(Model-Based Methods)。其中，划分法的聚类算法包括：K-MEANS算法、K-MEDOIDS算法和CLARANS算法。层次法的聚类算法包括：BIRCH算法、CURE算法和CHAMELEON算法。基于密度的聚类算法包括：DBSCAN算法、OPTICS算法和DENCLUE算法等。基于网格的聚类算法包括：STING算法、CLIQUE算法和WAVE-CLUSTER算法。

连通域是相同像素值的相邻像素组成的集合，将每个连通域设置一个对应的标记，多个目标连通域的分布位置与斑块的分布位置对应。

进一步的，对目标血管分割图像进行聚类分析，得到多个目标连通域包括以下步骤：

(1)、通过基于密度的聚类算法，对目标血管分割图像进行聚类分析，得到多个初始连通域。

具体的，使用DBSCAN算法(Density-Based Spatial Clustering ofApplications with Noise，一种基于密度对噪声鲁棒的空间聚类算法)对目标血管分割图像进行聚类分析，找到CTA图像中所有像素点的全部密集区域，并把这些密集区域当做一个一个的聚类簇，可以发现任意形状的聚类簇，作为初始连通域。

(2)、对初始连通域进行过滤操作，得到目标连通域。

可以根据初始连通域的形状和解剖学推荐的各斑块类型对应的CT值范围对初始连通域过滤，例如，通常认为钙化斑块的CT值范围是126～736HU，非钙化斑块中软斑块的CT值范围是-42～47HU，纤维性斑块的CT值范围是61-112HU，将初始连通域中CT值不处于该CT值范围的部分过滤，例如，可以先过滤掉初始连通域中CT值平均值大于800HU的连通域，得到CT值平均值小于和等于800HU的连通域，作为目标连通域。

最后，根据各连通域内各像素点的计算机断层扫描值的平均值确定各连通域对应的斑块类别和分布位置。

斑块类别包括：钙化斑块、非钙化斑块和混合斑块。其中，钙化斑块是血液中的钙沉积在冠状动脉内部形成的；非钙化斑块则是由脂质和胆固醇等物质的堆积而形成的，分为软斑块和纤维斑块；除了钙化和非钙化斑块，还有一种混合斑块，混合斑块既有钙化部分，也有不稳定的脂质成分，还可能含有胶原纤维等成分。除非钙化斑块内测得脂肪密度，才可以认为是脂质斑块(软斑块)，否则都为非钙化斑块。

可以理解的是，首先，求出目标连通域中每个连通域内各像素点的CT值的平均值；然后，根据解剖学推荐的各斑块类型的CT值范围，将CT值的平均值满足对应CT值范围的连通域作为对应类型斑块的分布位置，从而得到目标透明血管模型中各类型斑块的目标分布位置。

S130、对各斑块进行量化分析，并基于量化分析结果分别对各斑块进行渲染展示。

渲染(Render)也叫着色，可以根据用户的需求对各类型斑块进行不同颜色的渲染并显示在目标透明血管模型中。

具体的，首先，通过量化分析将用于表示斑块在血管横截面的分布的具体数据来表示，并且针对各类型斑块在血管横截面的目标分布位置进行量化分析，得到不同类型的斑块在血管横截面的角度、面积、长度等对于斑块的量化信息；然后，根据用户的需求对斑块进行渲染显示。

本发明实施例的技术方案，通过获取目标对象的计算机断层扫描血管造影图像，并基于计算机断层扫描血管造影图像确定目标透明血管模型；基于计算机断层扫描血管造影图像中对应的计算机断层扫描值确定目标透明血管模型中各斑块的分布位置；对各斑块进行量化分析，并基于量化分析结果分别对各斑块进行渲染展示。本发明实施例的技术方案，解决了人工检测分析斑块准确率低的问题，增强斑块检测的可视化效果，提高斑块检测的准确率，有利于辅助医生进行血管入路规划和穿刺鞘管的选择。

图2是本发明实施例提供的另一种斑块检测分析方法的流程图，本实施例可适用于斑块检测分析的场景中，特别的，本实施例更适用于针对计算机断层扫描血管造影图像进行斑块检测分析的情况。本实施例与上述实施例中的斑块检测分析方法属于同一个发明构思，在上述实施例的基础上进一步的描述了如何对各斑块进行量化分析。该方法可以由斑块检测分析装置执行，该装置可以由软件和/或硬件的方式来实现，集成于具有应用开发功能的电子设备中。

如图2所示，斑块检测分析方法包括以下步骤：

S210、获取目标对象的计算机断层扫描血管造影图像，并基于计算机断层扫描血管造影图像确定目标透明血管模型。

S220、基于计算机断层扫描血管造影图像中对应的计算机断层扫描值确定目标透明血管模型中各斑块的分布位置。

S230、计算经过各斑块在血管截面的边缘轮廓点与对应血管截面中心点的任意两条直线间夹角的最大角度值。

具体的，各斑块在对应血管截面的边缘轮廓点与该血管截面的中心点的连线的夹角的角度的最大值作为该斑块的角度，可以通过测量该夹角大小得到该角度值，也可以通过坐标运算得到该角度值。

可选的，首先，在每个斑块的血管截面建立极坐标系，坐标系以血管截面中心点为原点；然后，得到各斑块在血管截面的边缘轮廓点的坐标；最后，将各斑块在血管截面的边缘轮廓点的坐标的角度值相减得到该斑块的角度。

S240、根据分布位置确定各斑块的容积。

根据各斑块在血管的中膜和内膜之间的分布，可以得到分布位置对应的各血管截面中中膜和内膜的面积的差值，作为各截面的斑块面积，然后根据各血管截面的斑块在与血管截面垂直方向的长度的乘积的积分，得到各斑块的容积。

S250、将量化分析结果的数值大于或等于对应的预设结果阈值的斑块进行第一彩色渲染展示，并进行高危斑块提示。

可以理解的是，针对不同的量化分析的结果设定对应的预设结果阈值，将量化分析的结果的数值大于或等于设定对应的预设结果阈值的斑块作为高危斑块，通过彩色渲染展示，以箭头或其他形状对高危斑块进行标注的形式提示用户。

具体的，可以对斑块的容积设定容积阈值，还可以对斑块的角度设定角度阈值，优选的角度阈值为90度，当钙化斑块的角度大于或等于90度，则对该钙化斑块进行彩色渲染，优选为红色渲染，并且通过箭头指向该钙化斑块，作为高危斑块提示。

S260、将量化分析结果的数值小于对应的预设结果阈值的斑块进行第二彩色渲染展示。

具体的，将量化分析的结果的数值小于设定对应的预设结果阈值的斑块进行第二彩色渲染展示，例如，可以是当钙化斑块的角度的小于90度，则对该钙化斑块进行彩色渲染，优选为桔色渲染。

本发明实施例的技术方案，通过获取目标对象的计算机断层扫描血管造影图像，并基于计算机断层扫描血管造影图像确定目标透明血管模型；基于计算机断层扫描血管造影图像中对应的计算机断层扫描值确定目标透明血管模型中各斑块的分布位置；计算经过各斑块在血管截面的边缘轮廓点与对应血管截面中心点的任意两条直线间夹角的最大角度值；根据分布位置确定各斑块的容积；将量化分析结果的数值大于或等于对应的预设结果阈值的斑块进行第一彩色渲染展示，并进行高危斑块提示；将量化分析结果的数值小于对应的预设结果阈值的斑块进行第二彩色渲染展示。本实施例的技术方案，通过对各斑块进行量化分析，对不同量化结果的斑块进行不同彩色渲染展示，进一步增强斑块检测的可视化效果，提高斑块检测的准确率，有利于辅助医生进行血管入路规划和穿刺鞘管的选择。

图3是本发明实施例提供的又一种斑块检测分析方法的流程图，本实施例与上述实施例中的斑块检测分析方法属于同一个发明构思，本实施例可适用于斑块检测分析的场景中，特别的，本实施例更适用于针对计算机断层扫描血管造影图像进行斑块检测分析的情况。在上述实施例的基础上进一步的描述了基于计算机断层扫描血管造影图像确定目标透明血管模型的过程。该方法可以由斑块检测分析装置执行，该装置可以由软件和/或硬件的方式来实现，集成于具有应用开发功能的电子设备中。

如图3所示，斑块检测分析方法包括以下步骤：

S310、获取目标对象的计算机断层扫描血管造影图像。

S320、将计算机断层扫描血管造影图像输入到预设图像重建卷积神经网络中，进行血管的分割与重建，得到目标血管三维图像。

图像重建卷积神经网络(Convolutional Neural Networks，CNN)首先，通过一个CNN对输入的CTA图像进行编码，得到对应的特征向量；然后，通过LSTM进行过渡连接；最后，通过一个反卷积网络(Deconvolution network)对其解码。

LSTM是一种时间循环神经网络，含有LSTM区块(blocks)或其他的一种类神经网络，可以记忆不定时间长度的数值，区块中有一个门决定输入是否能被记住及是否被输出。LSTM排列成三维网格结构，每个单元接收一个编码器的特征向量和其邻域内隐藏状态的每一维卷积。

具体的，首先，需要将CTA图像转化为特征向量，将CTA图像的特征向量输入到预先训练的图像重建卷积神经网络，经过图像重建卷积神经网络的卷积层、池化层、全连接层和结果输出层对CTA图像进行编码；然后，通过LSTM处理；最后，利用一个反卷积网络对其解码，完成二维图像的三维重建，得到目标血管三维图像。

S330、通过预设容积再现算法对目标血管三维图像进行处理，得到目标透明血管模型。

容积再现(volume rendering，VR)是将三维容积数据投影到二维影像平面，是将多个平面图像合成三维图像的方法，将不同CT值设定为与之对应的不同的透明度，并应用传递函数给每一像素赋予透明度和颜色，从而显示极具真实感的三维立体图像，更直观地区分血管壁上的斑块与血管腔内的对比剂。

S340、基于计算机断层扫描血管造影图像中对应的计算机断层扫描值确定目标透明血管模型中各斑块的分布位置。

S350、对各斑块进行量化分析，并基于量化分析结果分别对各斑块进行渲染展示。

在一个具体的实施例中，一种斑块检测分析方法包括如下步骤：

(1)、图像获取和重建：使用大螺距扫描获取从颈部至耻骨联合完整的CTA图像数据；对获取的CTA图像数据使用1.0mm层厚和0.7mm层的间隔的迭代重建。

(2)、图像分割和重建：利用CNN深度学习技术分割血管的内膜和中膜；然后，通过图像重建获得颈部至耻骨联合完整的主动脉三维图像。

(3)、通过容积再现算法对主动脉三维图像进行处理，得到图4的一种颈部至耻骨联合的透明血管模型。

(4)、基于CTA图像中CT值使用DBSCAN算法进行聚类得到多个初始连通域，并将CT值的平均值小于650Hu的初始连通域作为目标连通域。

(5)、根据CTA图像各连通域内各像素点的计算机断层扫描值的平均值大于400Hu的区域认为是钙化斑块，得到钙化斑块的分布位置。

(6)、对钙化斑块进行量化分析，得到钙化斑块的角度和容积。

(7)、对角度大于90度的钙化斑块进行红色渲染显示，并通过箭头进行高危斑块提示如图5所示，图5是一种经过渲染的斑块的透明血管模型，图5中不同的灰度信息表示不同的颜色。

(8)、医生可以根据图6中的内径长度进行鞘管的尺寸选择和血管入路的路径选择。图6是一种斑块的量化图。

本发明实施例的技术方案，通过获取目标对象的计算机断层扫描血管造影图像；将计算机断层扫描血管造影图像输入到预设图像重建卷积神经网络中，进行血管的分割与重建，得到目标血管三维图像；使用预设容积再现算法对目标血管三维图像进行处理，得到目标透明血管模型；基于计算机断层扫描血管造影图像中对应的计算机断层扫描值确定目标透明血管模型中各斑块的分布位置；对各斑块进行量化分析，并基于量化分析结果分别对各斑块进行渲染展示。本发明实施例的技术方案，使用图像重建卷积神经网络和容积再现算法得到目标透明血管模型，进一步增强斑块检测的可视化效果，提高斑块检测的准确率，有利于辅助医生进行血管入路规划和穿刺鞘管的选择。

图7是本发明实施例提供的一种斑块检测分析装置的结构框图，本实施例可适用于斑块检测分析的场景中，特别的，本实施例更适用于针对计算机断层扫描血管造影图像进行斑块检测分析的情况。该装置可以采用硬件和/或软件的形式实现，集成于具有应用开发功能的电子设备中。

如图7所示，该斑块检测分析装置包括：图像获取模块710、斑块检测模块720和斑块分析模块730。

其中，图像获取模块710，用于获取目标对象的计算机断层扫描血管造影图像，并基于计算机断层扫描血管造影图像确定目标透明血管模型。

斑块检测模块720，用于基于计算机断层扫描血管造影图像中对应的计算机断层扫描值确定目标透明血管模型中各斑块的分布位置。

斑块分析模块730，用于对各斑块进行量化分析，并基于量化分析结果分别对各斑块进行渲染展示。

本发明实施例的技术方案，通过获取目标对象的计算机断层扫描血管造影图像，并基于计算机断层扫描血管造影图像确定目标透明血管模型；基于计算机断层扫描血管造影图像中对应的计算机断层扫描值确定目标透明血管模型中各斑块的分布位置；对各斑块进行量化分析，并基于量化分析结果分别对各斑块进行渲染展示。本发明实施例的技术方案，解决了人工检测分析斑块准确率低的问题，增强斑块检测的可视化效果，提高斑块检测的准确率，有利于辅助医生进行血管入路规划和穿刺鞘管的选择。

可选的，图像获取模块710还用于：

将计算机断层扫描血管造影图像输入到预设图像分割卷积神经网络中，进行血管的分割，得到目标血管分割图像；

对目标血管分割图像进行聚类分析，得到多个目标连通域；

根据各连通域内各像素点的计算机断层扫描值的平均值确定各连通域对应的斑块类别和分布位置。

可选的，图像获取模块710还用于：

通过基于密度的聚类算法，对目标血管分割图像进行聚类分析，得到多个初始连通域；

对初始连通域进行过滤操作，得到目标连通域。

可选的，斑块分析模块730还用于：计算经过各斑块在血管截面的边缘轮廓点与对应血管截面中心点的任意两条直线间夹角的最大角度值。

可选的，斑块分析模块730还用于：根据分布位置确定各斑块的容积。

可选的，斑块分析模块730还用于：

将量化分析结果的数值大于或等于对应的预设结果阈值的斑块进行第一彩色渲染展示，并进行高危斑块提示；

将量化分析结果的数值小于对应的预设结果阈值的斑块进行第二彩色渲染展示。

可选的，图像获取模块710还用于：

将计算机断层扫描血管造影图像输入到预设图像重建卷积神经网络中，进行血管的分割与重建，得到目标血管三维图像；

通过预设容积再现算法对目标血管三维图像进行处理，得到目标透明血管模型。

本发明实施例所提供的斑块检测分析装置可执行本发明任一实施例所提供的斑块检测分析方法，具备执行方法相应的功能模块和有益效果。

图8是本发明的实施例提供的一种电子设备的结构框图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机或其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)或其它类似的计算装置。本文所示的部件、它们的连接关系以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图8所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘或鼠标等；输出单元17，例如各种类型的显示器或扬声器等；存储单元18，例如磁盘或光盘等；以及通信单元19，例如网卡、调制解调器或无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、任何适当的处理器、控制器或微控制器等。处理器11执行上文所描述的各个方法和处理，例如斑块检测分析方法。

在一些实施例中，斑块检测分析方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的斑块检测分析方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行斑块检测分析方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行或部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(Cathode Ray Tube，阴极射线管)或者LCD(Liquid Crystal Display，液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种斑块检测分析方法，其特征在于，包括：

获取目标对象的计算机断层扫描血管造影图像，并基于所述计算机断层扫描血管造影图像确定目标透明血管模型；

基于所述计算机断层扫描血管造影图像中对应的计算机断层扫描值确定所述目标透明血管模型中各斑块的分布位置；

对所述各斑块进行量化分析，并基于量化分析结果分别对各斑块进行渲染展示。

2.根据权利要求1所述的方法，其特征在于，所述基于所述计算机断层扫描血管造影图像中对应的计算机断层扫描值确定所述目标透明血管模型中各斑块的分布位置，包括：

将所述计算机断层扫描血管造影图像输入到预设图像分割卷积神经网络中，进行血管的分割，得到目标血管分割图像；

对所述目标血管分割图像进行聚类分析，得到多个目标连通域；

根据各所述连通域内各像素点的计算机断层扫描值的平均值确定各连通域对应的斑块类别和分布位置。

3.根据权利要求2所述的方法，其特征在于，所述对所述目标血管分割图像进行聚类分析，得到多个目标连通域，包括：

通过基于密度的聚类算法，对所述目标血管分割图像进行聚类分析，得到多个初始连通域；

对所述初始连通域进行过滤操作，得到所述目标连通域。

4.根据权利要求1所述的方法，其特征在于，所述对所述各斑块进行量化分析，包括：

计算经过所述各斑块在血管截面的边缘轮廓点与对应血管截面中心点的任意两条直线间夹角的最大角度值。

5.根据权利要求1所述的方法，其特征在于，所述对所述各斑块进行量化分析，包括：

根据所述分布位置确定所述各斑块的容积。

6.根据权利要求4或5所述的方法，其特征在于，所述基于量化分析结果分别对各斑块进行渲染展示，包括：

将所述量化分析结果的数值大于或等于对应的预设结果阈值的斑块进行第一彩色渲染展示，并进行高危斑块提示；

将所述量化分析结果的数值小于对应的所述预设结果阈值的斑块进行第二彩色渲染展示。

7.根据权利要求1所述的方法，其特征在于，所述基于所述计算机断层扫描血管造影图像确定目标透明血管模型，包括：

将所述计算机断层扫描血管造影图像输入到预设图像重建卷积神经网络中，进行血管的分割与重建，得到目标血管三维图像；

通过预设容积再现算法对所述目标血管三维图像进行处理，得到所述目标透明血管模型。

8.一种斑块检测分析装置，其特征在于，包括：

图像获取模块，用于获取目标对象的计算机断层扫描血管造影图像，并基于所述计算机断层扫描血管造影图像确定目标透明血管模型；

斑块检测模块，用于基于所述计算机断层扫描血管造影图像中对应的计算机断层扫描值确定所述目标透明血管模型中各斑块的分布位置；

斑块分析模块，用于对所述各斑块进行量化分析，并基于量化分析结果分别对各斑块进行渲染展示。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7任一所述的斑块检测分析方法。

10.一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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7任一所述的斑块检测分析方法。

Images