一种冠状动脉血管中心线的命名方法、装置及介质与流程

1.本发明涉及医学图像分析技术领域，具体提供一种冠状动脉血管中心线的命名方法、装置及介质。


背景技术：

2.冠状动脉疾病是一种严重的心血管疾病，它是导致心脏病和心脏血管疾病的主要原因之一。心脏冠状动脉血管中心线提取以及分段命名对临床诊断以及治疗规划有着重要的意义。由于冠状动脉的复杂结构、形态的复杂多样性、个体差异性极大等问题，准确高效的对冠脉进行中心线的提取，中心线的分段、命名成为一项极具挑战性的任务。传统的方法将中心线的提取与命名分开实现，存在着步骤繁杂、耗费时间久、鲁棒性差等问题。
3.相应地，本领域需要一种新的冠状动脉血管中心线的命名方案来解决上述问题。


技术实现要素：

4.为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决如何快速准确的对冠状动脉血管中心线进行命名的技术问题。
5.在第一方面，本发明提供一种冠状动脉血管中心线的命名方法，所述方法包括：
6.获取待测图像，对所述待测图像进行特征提取，得到所述待测图像的图像特征；
7.根据所述图像特征，获得所述待测图像的图像节点特征和节点关系特征；
8.根据所述图像节点特征，获得所述待测图像的节点预测结果；
9.根据所述图像节点特征和所述节点关系特征，获得所述待测图像的关系预测结果；
10.根据所述节点预测结果和所述关系预测结果，获得所述待测图像的中心线树和分段命名结果。
11.在上述的冠状动脉血管中心线的命名方法一个技术方案中，所述根据所述图像特征，获得所述待测图像的图像节点特征和节点关系特征，包括：
12.将所述图像特征进行正弦位置编码，获得编码后图像特征；
13.根据所述编码后的图像特征和预设的可学习参数，获得所述图像节点特征和所述节点关系特征。
14.在上述的冠状动脉血管中心线的命名方法一个技术方案中，所述可学习参数包括多个初始obj token和至少一个初始rln token；所述图像节点特征包括多个obj token，所述节点关系特征包括rln token；
15.所述根据所述编码后的图像特征和预设的可学习参数，获得所述图像节点特征和所述节点关系特征，包括：
16.根据所述编码后的图像特征、多个初始obj token和初始rln token进行解码，获取解码后的多个obj token和解码后的rln token。
17.在上述的冠状动脉血管中心线的命名方法一个技术方案中，所述图像节点特征包
括多个obj token，所述obj token与所述待测图像中的节点一一对应；所述节点预测结果包括所述待测图像中的节点的分类结果和所述节点的位置坐标数据；
18.所述根据所述图像节点特征，获得所述待测图像的节点预测结果，包括：
19.根据每个所述obj token，分别获取所述待测图像中每个节点的所述分类结果和所述位置坐标数据。
20.在上述的冠状动脉血管中心线的命名方法一个技术方案中，所述节点关系特征包括至少一个rln token，所述关系预测结果包括所述待测图像中节点之间的位置关系数据；
21.所述根据所述图像节点特征和所述节点关系特征，获得所述待测图像的关系预测结果，包括：
22.将所述多个obj token进行两两配对，获得多个obj token对；
23.在每个obj token对中插入rln token，获得关系向量对；
24.根据所述关系向量对，获取所述关系向量对中包含的两个obj token对应的节点之间的位置关系数据。
25.在上述的冠状动脉血管中心线的命名方法一个技术方案中，所述根据所述节点预测结果和所述关系预测结果，获得所述待测图像的中心线树和分段命名结果，包括：
26.根据待测图像的节点的分类结果、位置坐标数据和节点之间的位置关系数据，获得所述待测图像的中心线树和分段命名结果。
27.在上述的冠状动脉血管中心线的命名方法一个技术方案中，所述根据每个所述obj token，分别获取所述待测图像中每个节点的所述分类结果和所述位置坐标数据，包括：
28.将所述obj token输入至第一全连接网络中，进行回归预测，获得所述节点的位置坐标数据；
29.将所述obj token输入至第二全连接网络中，进行分类预测，获取所述节点的分类结果。
30.在上述的冠状动脉血管中心线的命名方法一个技术方案中，所述根据所述关系向量对，获取所述关系向量对中包含的两个obj token对应的节点之间的位置关系数据，包括：
31.将所述关系向量对输入至第三全连接网络中，进行关系预测，获取所述位置关系数据。
32.在第二方面，提供一种控制装置，该控制装置包括至少一个处理器和至少一个存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述冠状动脉血管中心线的命名方法的技术方案中任一项技术方案所述的冠状动脉血管中心线的命名方法。
33.在第三方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述冠状动脉血管中心线的命名方法的技术方案中任一项技术方案所述的冠状动脉血管中心线的命名方法。
34.本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
35.在实施本发明的技术方案中，本发明通过获取待测图像，对待测图像进行特征提
取，得到待测图像的图像特征，根据图像特征，获得待测图像的图像节点特征和节点关系特征，根据图像节点特征，获得待测图像的节点预测结果，根据图像节点特征和节点关系特征，获得待测图像的关系预测结果，根据节点预测结果和关系预测结果，获得待测图像的中心线树和分段命名结果。通过上述配置方式，本发明通过节点预测结果和关系预测结果直接构建中心线树和分段命名结果，让中心线的提取和分段血管的命名同步实现，实现对冠状动脉血管中心线进行快速准确的命名。
附图说明
36.参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。其中：
37.图1是根据本发明的一个实施例的冠状动脉血管中心线的命名方法的主要步骤流程示意图；
38.图2是根据本发明实施例的一个实施方式的冠状动脉血管中心线的命名方法的主要架构示意图；
39.图3是根据本发明实施例的一个实施方式的待测图像的中心线树和分段命名结果的示意图；
40.图4是根据本发明实施例的一个实施方式的待测图像的中心线树和分段命名结果的可视化图。
具体实施方式
41.下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
42.在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“a和/或b”表示所有可能的a与b的组合，比如只是a、只是b或者a和b。术语“至少一个a或b”或者“a和b中的至少一个”含义与“a和/或b”类似，可以包括只是a、只是b或者a和b。单数形式的术语“一个”、“这个”也可以包含复数形式。
43.参阅附图1，图1是根据本发明的一个实施例的冠状动脉血管中心线的命名方法的主要步骤流程示意图。如图1所示，本发明实施例中的冠状动脉血管中心线的命名方法主要包括下列步骤s101-步骤s105。
44.步骤s101：获取待测图像，对待测图像进行特征提取，得到待测图像的图像特征。
45.在本实施例中，首先获取包含冠状动脉的待测图像，然后对待测图像进行特征提取，最后得到待测图像的图像特征。
46.一个实施方式中，参阅附图2，图2是根据本发明实施例的一个实施方式的冠状动脉血管中心线的命名方法的主要架构示意图。如图2所示，将待测图像输入到backbone(主
干)模块进行特征提取，得到待测图像的图像特征。
47.一个实施方式中，输入到backbone模块的待测图像可以是三维影像数据、二维影像数据和冠脉掩模数据。
48.一个实施方式中，backbone模块可以是3d resnet(三维残差网络)、fpn(特征金字塔网络)和vit(vision transformer)。
49.一个实施方式中，图像特征可以用特征张量表示，特征张量是一个高维特征，即可以通过backbone模型对待测图像进行特征提取，获得一个高维特征，即为特征张量。特征张量可以用f表示，f中可以包括n个image token(图像特征向量)，token代表特征向量，n是特征张量中图像特征向量的数量。
50.一个实施方式中，n可以为343。
51.步骤s102：根据图像特征，获得待测图像的图像节点特征和节点关系特征。
52.在本实施例中，可以根据图像特征，获得待测图像的图像节点特征和节点关系特征。其中，图像节点特征可以为表征待测图像中的节点的位置和类型等属性的特征。节点关系特征可以为表征待测图像中不同节点之间的关系的特征。
53.一个实施方式中，可以根据图像特征通过解码器获得待测图像的图像节点特征和节点关系特征。
54.步骤s103：根据图像节点特征，获得待测图像的节点预测结果。
55.在本实施例中，可以根据图像节点特征，获得待测图像的节点预测结果。
56.一个实施方式中，待测图像的节点预测结果可以包括待测图像中的节点的分类结果。
57.一个实施方式中，待测图像的节点预测结果可以包括待测图像中的节点的位置坐标数据。
58.步骤s104：根据图像节点特征和节点关系特征，获得待测图像的关系预测结果。
59.在本实施例中，可以根据图像节点特征和节点关系特征，获得待测图像的关系预测结果。
60.一个实施方式中，待测图像的关系预测结果可以包括待测图像中的节点之间的位置关系数据。
61.步骤s105：根据节点预测结果和关系预测结果，获得待测图像的中心线树和分段命名结果。
62.在本实施例中，根据节点预测结果和关系预测结果构建待测图像的中心线树和获得分段命名结果。
63.一个实施方式中，可以根据节点预测结果和关系预测结果构建待测图像的冠状动脉血管的中心线树，并根据构建的中心线树获得冠状动脉血管的分段命名结果。
64.下面对步骤s102作进一步地说明。
65.在本发明实施例的一个实施方式中，步骤s102可以包括步骤s1021至步骤s1022：
66.步骤s1021：将图像特征进行正弦位置编码，获得编码后图像特征。
67.步骤s1022：根据编码后的图像特征和预设的可学习参数，获得图像节点特征和节点关系特征。
68.在本实施方式中，将图像特征进行正弦位置编码，获得编码后图像特征，根据编码
后的图像特征和预设的可学习参数，获得图像节点特征和节点关系特征。将图像特征进行正弦位置编码是为了给每一个image token的相对位置进行标记，用于后续位置坐标数据的预测。可学习参数可以通过反向传播对参数进行更新。
69.一个实施方式中，图像特征可以是特征张量f，一个实施方式中，图像特征可以是特征张量f，其中，表示为向量，c为特征维度。本实施方式中c可以是384，h',w',d'为特征张量的空间维度，h',w',d'可以都为7。特征张量f包括n个image token，n个image token定义为n∈[0,n),n＝h'
×
w'
×
d'。可以对n个image token进行正弦位置编码，其计算公式如公式(1)所示：
[0070][0071]
其中，是经过正弦位置编码的第n个image token，是的正弦位置编码，pe是正弦位置编码算符，计算规则如以下公式(2)至公式(7)所示：
[0072][0073][0074][0075][0076][0077][0078]
其中，x，y，z分别表示image token的3维坐标；i，j，k分别表示位置编码向量的位置下标，i，j，k∈[0,c/6)，c表示位置编码的向量的特征维度。
[0079]
一个实施方式中，可学习参数包括多个初始obj token(随机生成的)和至少一个初始rln token(随机生成的)；图像节点特征包括多个obj token，节点关系特征包括rln token。本领域技术人员可以根据实际应用的需要来对初始obj token和初始rln token的数量进行设置，这些都在本发明的保护范围内。
[0080]
一个实施方式中，步骤s1022可以进一步被配置为：
[0081]
根据编码后的图像特征、多个初始obj token和初始rln token进行解码，获取解码后的多个obj token和解码后的rln token。
[0082]
在本实施方式中，如图2所示，n个image token通过编码器进行正弦位置编码后，获得的编码后图像特征作为解码器的一个输入。多个初始obj token(learnable obj token)和一个初始rln token(learnable rln token)作为解码器的另一个输入，通过解码器进行解码，获取解码后的多个obj token和解码后的rln token。其中，图2中虚线正方形框为rln token，实线正方形框为obj token。
[0083]
编码器和解码器组成了transformer模块，编码器和解码器结构是基于deformable-detr模型的结构得到的，编码器和解码器都有六个分层。编码器的输入为backbone模块提取到的image token，输出是与image token特征维度相同的特征向量。解码器的第一层的输入为k个learnable obj token和一个learnable rln token，k可以是512。learnable obj token和learnable rln token都是c维可学习参数向量。image token作为解码器的第二层的输入，解码器进行解码，解码器最终输出了(k+1)
×
c维的token，即k个obj token和一个rln token。
[0084]
在本发明实施例的一个实施方式中，图像节点特征包括多个obj token，obj token与待测图像中的节点一一对应；节点预测结果包括待测图像中的节点的分类结果和节点的位置坐标数据，步骤s103可以包括步骤s1031：
[0085]
步骤s1031：根据每个obj token，分别获取待测图像中每个节点的分类结果和位置坐标数据。
[0086]
在本实施方式中，待测图像中的每一个节点都存在一个相应的obj token。可以通过obj token来获取对相应节点的分类结果和位置坐标数据。
[0087]
一个实施方式中，如图2所示，可以将obj token输入至class head(分类检测头)和box head(回归检测头)中，以获得节点预测结果(节点的分类结果和位置坐标数据)。
[0088]
一个实施方式中，步骤s1031可以包括步骤s10311至步骤s10312：
[0089]
步骤s10311：将obj token输入至第一全连接网络中，进行回归预测，获得节点的位置坐标数据。
[0090]
步骤s10312：将obj token输入至第二全连接网络中，进行分类预测，获取节点的分类结果。
[0091]
在本实施方式中，将每一个obj token输入至第一全连接网络(第一个mlp网络)中，进行回归预测，获得其对应节点的位置坐标数据。将每一个obj token输入至第二全连接网络(第二个mlp网络)中，进行分类预测，获取其对应节点的分类结果。计算过程如以下公式(8)至公式(9)所示：
[0092][0093][0094]
其中,公式(8)中表示第k个obj token对应节点的位置坐标数据，公式(9)中第k个obj token对应节点的分类结果，token对应节点的分类结果，d表示输入数据的坐标维度，d可以是3。m为预测结点的类别数，代表第k个obj token,k∈[0,k)，代表输出中心线树上的一个节点。mlp(multilayer perceptron，多层感知机)，又称为全连接网络。mlp
pos
为用于预测为位置坐标数据的全连接操作，即第一全连接网络。mlp
class
为用于预测分类结果的全连接操作，即第二全连接网络。softmax为归一化指数函数。
[0095]
一个实施方式中，第一全连接网络(第一个mlp网络)或第二全连接网络(第二个mlp网络)可以用一个全连接层网络层替代。
[0096]
下面对步骤s104作进一步地说明。
[0097]
在本发明实施例的一个实施方式中，步骤s104可以包括步骤s1041至步骤s1043：
[0098]
一个实施方式中，节点关系特征包括rln token，关系预测结果包括待测图像中节点之间的位置关系数据，步骤s104可以包括步骤s1041至步骤s1043：
[0099]
步骤s1041：将多个obj token进行两两配对，获得多个obj token对。
[0100]
步骤s1042：在每个obj token对中插入rln token，获得关系向量对。
[0101]
步骤s1043：根据关系向量对，获取关系向量对中包含的两个obj token对应的节点之间的位置关系数据。
[0102]
在本实施方式中，将多个obj token进行两两配对，获得多个obj token对。并在每个obj token对中插入rln token，获得关系向量对。再根据关系向量对，获取关系向量对中包含的两个obj token对应的节点之间的位置关系数据。
[0103]
一个实施方式中，如图2所示，可以将多个关系向量对输入至relation head(关系检测头)中，获得关系预测结果(节点之间的位置关系数据)。
[0104]
一个实施方式中，步骤s1043可以进一步配置为：
[0105]
将关系向量对输入至第三全连接网络中，进行关系预测，获得位置关系数据。
[0106]
在本实施方式中，将关系向量对输入至第三全连接网络(第三个mlp网络)中，进行关系预测，得到位置关系数据。
[0107]
一个实施方式中，将a节点和b节点对应obj token组成关系向量对输入至第三全连接网络中，进行关系预测，可以得到a节点和b节点的位置关系数据。a节点和b节点的位置关系数据可以包括a节点和b节点是否有边的关系以及边的方向。
[0108]
一个实施方式中，关系向量对作为输入，输入到第三全连接网络(第三mlp网络)中，输出为关系向量对对应的节点之间的位置关系数据，如以下公式(10)所示：
[0109][0110]
其中，表示第k个和第l个的节点之间的位置关系数据,k,l∈[0,k)，代表第k个obj token,k∈[0,k)，代表输出中心线树上的一个节点，代表第l个obj token,l∈[0,k)，代表输出中心线树上的另一个节点，代表rln token，t
rln
可以构建两两节点的上下文关系。mlp
rln
为预测位置关系的全连接操作，通过第三全连接网络实现。
[0111]
一个实施方式中，第三全连接网络(mlp网络)可以用一个全连接层网络层替代。
[0112]
在本发明实施例的一个实施方式中，步骤s105可以进一步配置为：
[0113]
根据待测图像的节点的分类结果、位置坐标数据和节点之间的位置关系数据，获得待测图像的中心线树和分段命名结果。
[0114]
在本实施方式中，可以根据待测图像中的节点的分类结果、位置坐标数据和节点之间的位置关系数据构建待测图像的中心线树和分段命名结果。如图2所示，可以将中心线树和分段命名结果作为输出结果。
[0115]
一个实施方式中，参阅附图3，图3是根据本发明实施例的一个实施方式的待测图像的中心线树和分段命名结果的示意图，如图3所示，一个圆形可以表示一个节点，不同节点的纹理代表不同的节点分类类别，箭头表示边的方向，同类型的节点类别通过边相连接，
上述通过边相连接的节点构成血管段，节点类别是这个血管段命名的结果。可以根据节点预测结果(节点的分类结果和位置坐标数据)和节点关系预测结果(节点之间的位置关系数据)获取上述中心线树和分段命名结果。
[0116]
参阅附图4，图4是根据本发明实施例的一个实施方式的待测图像的中心线树和分段命名结果的可视化图，如图4所示，段血管的命名的结果可以包括prca(rca近段右冠状动脉)、mrca(rca中段右冠状动脉)、drca(rca远段右冠状动脉)、rpda(右冠起源后降支)、r-plb(右冠起源后侧支)、r-pl1(第一右冠起源后侧支)、r-pl2(第二右冠起源后侧支)、r-pl3(第三右冠起源后侧支)、am(锐缘支)am1(第一锐缘支)、am2(第二锐缘支)、am3(第三锐缘支)、conus(左圆锥支)sa、(窦房结动脉)av、(房室结动脉)、lm(左冠状动脉主干)、plad(lad近段左前降支)、mlad(lad中段左前降支)、dlad(lad远段左前降支)、d(对角支)、d1(第一对角支)、d2(第二对角支)、d3(第三对角支)、s(间隔支)、s1(第一间隔支)、s2(第二间隔支)、s3(第三间隔支)、ri(中间支)、pcx(lcx近段)、mcx(lcx中段)、dcx(lcx远段)、m(边缘支)、m1(第一边缘支)、m2(第二边缘支)、m3(第三边缘支)等。
[0117]
基于上述步骤s101-步骤s105，本发明通过获取待测图像，对待测图像进行特征提取，得到待测图像的图像特征，根据图像特征，获得待测图像的图像节点特征和节点关系特征，根据图像节点特征，获得待测图像的节点预测结果，根据图像节点特征和节点关系特征，获得待测图像的关系预测结果，根据节点预测结果和关系预测结果，获得待测图像的中心线树和分段命名结果。通过上述配置方式，本发明通过节点预测结果和关系预测结果直接构建中心线树和分段命名结果，让中心线的提取和分段血管的命名同步实现，实现对冠状动脉血管中心线进行快速准确的命名。
[0118]
需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时(并行)执行或以其他顺序执行，这些变化都在本发明的保护范围之内。
[0119]
本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
[0120]
进一步，本发明还提供了一种控制装置。在根据本发明的一个控制装置实施例中，控制装置包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的冠状动脉血管中心线的命名方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的冠状动脉血管中心线的命名方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施
例方法部分。该控制装置可以是包括各种电子设备形成的控制装置设备。
[0121]
在本发明实施例中控制装置可以是包括各种电子设备形成的控制装置设备。在一些可能的实施方式中，控制装置可以包括多个存储装置和多个处理器。而执行上述方法实施例的冠状动脉血管中心线的命名方法的程序可以被分割成多段子程序，每段子程序分别可以由处理器加载并运行以执行上述方法实施例的冠状动脉血管中心线的命名方法的不同步骤。具体地，每段子程序可以分别存储在不同的存储装置中，每个处理器可以被配置成用于执行一个或多个存储装置中的程序，以共同实现上述方法实施例的冠状动脉血管中心线的命名方法，即每个处理器分别执行上述方法实施例的冠状动脉血管中心线的命名方法的不同步骤，来共同实现上述方法实施例的冠状动脉血管中心线的命名方法。
[0122]
上述多个处理器可以是部署于同一个设备上的处理器，例如上述控制装置可以是由多个处理器组成的高性能设备，上述多个处理器可以是该高性能设备上配置的处理器。此外，上述多个处理器也可以是部署于不同设备上的处理器，例如上述控制装置可以是服务器集群，上述多个处理器可以是服务器集群中不同服务器上的处理器。
[0123]
进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的冠状动脉血管中心线的命名方法的程序，该程序可以由处理器加载并运行以实现上述冠状动脉血管中心线的命名方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
[0124]
进一步，应该理解的是，由于各个模块的设定仅仅是为了说明本发明的装置的功能单元，这些模块对应的物理器件可以是处理器本身，或者处理器中软件的一部分，硬件的一部分，或者软件和硬件结合的一部分。因此，图中的各个模块的数量仅仅是示意性的。
[0125]
本领域技术人员能够理解的是，可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理，因此，拆分或合并之后的技术方案都将落入本发明的保护范围内。
[0126]
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

技术特征：
1.一种冠状动脉血管中心线的命名方法，其特征在于，所述方法包括：获取待测图像，对所述待测图像进行特征提取，得到所述待测图像的图像特征；根据所述图像特征，获得所述待测图像的图像节点特征和节点关系特征；根据所述图像节点特征，获得所述待测图像的节点预测结果；根据所述图像节点特征和所述节点关系特征，获得所述待测图像的关系预测结果；根据所述节点预测结果和所述关系预测结果，获得所述待测图像的中心线树和分段命名结果。2.根据权利要求1所述的冠状动脉血管中心线的命名方法，其特征在于，所述根据所述图像特征，获得所述待测图像的图像节点特征和节点关系特征，包括：将所述图像特征进行正弦位置编码，获得编码后图像特征；根据所述编码后的图像特征和预设的可学习参数，获得所述图像节点特征和所述节点关系特征。3.根据权利要求2所述的冠状动脉血管中心线的命名方法，其特征在于，所述可学习参数包括多个初始objtoken和至少一个初始rlntoken；所述图像节点特征包括多个objtoken，所述节点关系特征包括rlntoken；所述根据所述编码后的图像特征和预设的可学习参数，获得所述图像节点特征和所述节点关系特征，包括：根据所述编码后的图像特征、多个初始objtoken和初始rlntoken进行解码，获取解码后的多个objtoken和解码后的rlntoken。4.根据权利要求1所述的冠状动脉血管中心线的命名方法，其特征在于，所述图像节点特征包括多个objtoken，所述objtoken与所述待测图像中的节点一一对应；所述节点预测结果包括所述待测图像中的节点的分类结果和所述节点的位置坐标数据；所述根据所述图像节点特征，获得所述待测图像的节点预测结果，包括：根据每个所述objtoken，分别获取所述待测图像中每个节点的所述分类结果和所述位置坐标数据。5.根据权利要求4所述的冠状动脉血管中心线的命名方法，其特征在于，所述节点关系特征包括至少一个rlntoken，所述关系预测结果包括所述待测图像中节点之间的位置关系数据；所述根据所述图像节点特征和所述节点关系特征，获得所述待测图像的关系预测结果，包括：将所述多个objtoken进行两两配对，获得多个objtoken对；在每个objtoken对中插入rlntoken，获得关系向量对；根据所述关系向量对，获取所述关系向量对中包含的两个objtoken对应的节点之间的位置关系数据。6.根据权利要求5所述的冠状动脉血管中心线的命名方法，其特征在于，所述根据所述节点预测结果和所述关系预测结果，获得所述待测图像的中心线树和分段命名结果，包括：根据待测图像的节点的分类结果、位置坐标数据和节点之间的位置关系数据，获得所述待测图像的中心线树和分段命名结果。
7.根据权利要求4所述的冠状动脉血管中心线的命名方法，其特征在于，所述根据每个所述objtoken，分别获取所述待测图像中每个节点的所述分类结果和所述位置坐标数据，包括：将所述objtoken输入至第一全连接网络中，进行回归预测，获得所述节点的位置坐标数据；将所述objtoken输入至第二全连接网络中，进行分类预测，获取所述节点的分类结果。8.根据权利要求5所述的冠状动脉血管中心线的命名方法，其特征在于，所述根据所述关系向量对，获取所述关系向量对中包含的两个obj token对应的节点之间的位置关系数据，包括：将所述关系向量对输入至第三全连接网络中，进行关系预测，获得所述位置关系数据。9.一种控制装置，包括至少一个处理器和至少一个存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行权利要求1至8中任一项所述的冠状动脉血管中心线的命名方法。10.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至8中任一项所述的冠状动脉血管中心线的命名方法。

技术总结
本发明涉及医学图像分析技术领域，具体提供一种冠状动脉血管中心线的命名方法、装置及介质，旨在解决如何快速准确的对冠状动脉血管中心线进行命名的技术问题。为此目的，本发明的冠状动脉血管中心线的命名方法，包括：获取待测图像，对待测图像进行特征提取，得到待测图像的图像特征，根据图像特征，获得待测图像的图像节点特征和节点关系特征，根据图像节点特征，获得待测图像的节点预测结果，根据图像节点特征和节点关系特征，获得待测图像的关系预测结果，根据节点预测结果和关系预测结果，获得待测图像的中心线树和分段命名结果。通过上述配置方式，本发明能够实现对冠状动脉血管中心线进行快速准确的命名。中心线进行快速准确的命名。中心线进行快速准确的命名。


技术研发人员：冯建兴 孙世辰
受保护的技术使用者：上海皓桦科技股份有限公司
技术研发日：2023.06.19
技术公布日：2023/9/9