网络模型训练、血管图像分割方法及装置、电子设备与流程

1.本公开涉及计算机技术领域，尤其涉及一种网络模型训练、血管图像分割方法及装置、电子设备。


背景技术：

2.医学领域中，通常将去除斑块后的真实血管血流称为血管内径，血管内径可用于计算血流储备分数，评估缺血情况。相关技术中，通过对血管图像进行钙化斑块检测，确定血管图像中的钙化斑块；然后在血管图像的血管区域中去除钙化斑块对应的区域，将血管区域的剩余部分确定为血管内径区域，从而间接得到对应的血管内径分割结果，间接分割得到的血管内径分割结果有较严重的粗糙感和剥离感。


技术实现要素：

3.本公开提出了一种网络模型训练、血管图像分割方法及装置、电子设备的技术方案。
4.根据本公开的一方面，提供了一种网络模型训练方法，包括：确定目标血管样本图像对应的血管中心线；基于所述血管中心线，对所述目标血管样本图像进行不同尺度的切块，得到不同尺度下的切块血管样本图像；针对任意一个尺度下的切块血管样本图像，利用血管内径分割模型，对该尺度下的切块血管样本图像进行血管内径分割，得到该尺度下的血管内径分割结果；基于该尺度下的血管内径分割结果，确定该尺度下的血管内径分割损失；基于该尺度下的血管内径分割损失，调整所述血管内径分割模型的网络参数；基于每个尺度下的切块血管样本图像，在针对前一尺度调整所述血管内径分割模型的网络参数的基础上，重新执行上述步骤，直至满足预设训练条件，其中，训练后的所述血管内径分割模型用于对待处理血管图像进行血管内径分割。
5.在一种可能的实现方式中，所述基于所述血管中心线，对所述目标血管样本图像进行不同尺度的切块，得到不同尺度下的切块血管样本图像，包括：根据多个预设的尺度，分别确定每个尺度下的滑动窗口；针对任意一个尺度，沿所述血管中心线，根据该尺度下的滑动窗口，对所述目标血管样本图像进行滑动切块，确定该尺度下的切块血管样本图像。
6.在一种可能的实现方式中，所述方法还包括：根据所述目标血管样本图像对应的内径掩膜，确定内径权重，其中，所述内径权重由血管中心向血管边缘逐渐增大，所述内径掩膜用于指示所述目标血管样本图像中的血管内径区域；基于所述内径掩膜、所述目标血管样本图像对应的血管掩膜，确定斑块权重，其中，所述斑块权重由斑块中心向斑块边缘逐渐增大，所述血管掩膜用于指示所述目标血管样本图像中的血管区域，所述血管内径区域为所述血管区域去除掉所有斑块后的剩余区域。
7.在一种可能的实现方式中，对于所述目标血管样本图像中任意一个斑块，该斑块对应的斑块权重与该斑块的体积大小呈负相关。
8.在一种可能的实现方式中，所述针对任意一个尺度下的切块血管样本图像，利用
血管内径分割模型，对该尺度下的切块血管样本图像进行血管内径分割，得到该尺度下的血管内径分割结果，包括：基于所述血管内径分割模型、所述内径权重和所述斑块权重，对该尺度下的切块血管样本图像进行血管内径分割，得到该尺度下的血管内径分割结果。
9.在一种可能的实现方式中，所述方法还包括：根据第一血管样本图像在对应的血管掩膜范围内的方差，确定所述第一血管样本图像中血管区域的对比度，其中，所述第一血管样本图像为对原始血管样本图像进行图像处理后得到的，所述血管掩膜用于指示所述第一血管样本图像中的所述血管区域；根据所述血管区域的对比度，在所述血管区域中分别模拟钙化斑块和非钙化斑块，得到第二血管样本图像；将所述第二血管样本图像与所述血管掩膜进行拼接，得到所述目标血管样本图像。
10.在一种可能的实现方式中，所述根据所述血管区域的对比度，在所述血管区域中分别模拟钙化斑块和非钙化斑块，包括：在所述血管区域中对比度小于第一预设阈值的位置处，模拟生成所述钙化斑块；在所述血管区域中对比度大于第二预设阈值的位置处，模拟生成所述非钙化斑块，其中，所述第二预设阈值大于所述第一预设阈值。
11.在一种可能的实现方式中，所述方法还包括：对原始血管样本图像进行数据预处理，得到预处理后的血管样本图像，其中，所述数据预处理包括重采样处理和归一化处理；对所述预处理后的血管样本图像进行数据增强处理，得到多个所述第一血管样本图像，其中，所述数据增强处理包括平移、旋转、翻转、亮度变化中的至少一种。
12.根据本公开的另一方面，提供了一种血管图像分割方法，包括：获取待处理血管图像；基于血管内径分割模型对所述待处理血管图像进行血管内径分割，确定所述待处理血管图像对应的血管内径分割结果，其中，所述血管内径分割模型通过上述的方法训练得到。
13.根据本公开的一方面，提供了一种网络模型训练装置，包括：中心线确定模块，用于确定目标血管样本图像对应的血管中心线；切块模块，用于基于所述血管中心线，对所述目标血管样本图像进行不同尺度的切块，得到不同尺度下的切块血管样本图像；血管内径分割模块，用于针对任意一个尺度下的切块血管样本图像，利用血管内径分割模型，对该尺度下的切块血管样本图像进行血管内径分割，得到该尺度下的血管内径分割结果；损失确定模块，用于基于该尺度下的血管内径分割结果，确定该尺度下的血管内径分割损失；参数调整模块，用于基于该尺度下的血管内径分割损失，调整所述血管内径分割模型的网络参数；迭代训练模块，用于基于每个尺度下的切块血管样本图像，在针对前一尺度调整所述血管内径分割模型的网络参数的基础上，重新执行上述步骤，直至满足预设训练条件，其中，训练后的所述血管内径分割模型用于对待处理血管图像进行血管内径分割。
14.根据本公开的一方面，提供了一种血管图像分割装置，包括：获取模块，用于获取待处理血管图像；血管内径分割模块，用于基于血管内径分割模型对所述待处理血管图像进行血管内径分割，确定所述待处理血管图像对应的血管内径分割结果，其中，所述血管内径分割模型通过上述的方法训练得到。
15.根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
16.根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
17.在本公开实施例中，通过确定目标血管样本图像对应的血管中心线，并基于血管中心线，对目标血管样本图像进行不同尺度的切块，得到不同尺度下的切块血管样本图像，可以减少每个切块血管样本图像中的背景噪声数据，同时增加切块血管样本图像的尺度多样性。针对任意一个尺度下的切块血管样本图像，利用血管内径分割模型，对该尺度下的切块血管样本图像进行血管内径分割，得到该尺度下的血管内径分割结果，由于每个尺度下的切块血管样本图像中背景噪声数据较少，从而可以提升血管内径分割模型的分割速度。基于该尺度下的血管内径分割结果，确定该尺度下的血管内径分割损失，基于该尺度下的血管内径分割损失，调整血管内径分割模型的网络参数，并基于每个尺度下的切块血管样本图像，在针对前一尺度调整血管内径分割模型的网络参数的基础上，重新执行上述步骤，直至满足预设训练条件，从而可以聚合不同尺度的空间特征信息，提升血管内径分割模型的鲁棒性，进而提升血管内径分割模型的分割效果。
18.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
19.此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
20.图1示出根据本公开实施例的一种网络模型训练方法的流程图；
21.图2示出根据本公开实施例的血管掩膜的示意图；
22.图3示出根据本公开实施例的第二血管样本图像与对应的血管掩膜拼接的示意图；
23.图4示出根据本公开实施例的内径掩膜的示意图；
24.图5示出根据本公开实施例的内径权重和斑块权重的截面示意图；
25.图6示出根据本公开实施例的一种血管图像分割方法的流程图；
26.图7示出根据本公开实施例的一种网络模型训练装置的框图；
27.图8示出根据本公开实施例的一种血管图像分割装置的框图；
28.图9示出根据本公开实施例的一种电子设备的框图。
具体实施方式
29.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
30.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
31.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。
32.另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
33.随着计算机成像技术的普及，临床中的医学影像数据可以用于辅助医疗人员进行诊断。根据临床显示，血管狭窄是血管疾病(如心脏冠状动脉粥样硬化)的重要表现。血管狭窄通常由斑块堆积导致，其中，斑块依据其组织密度和成分可分为钙化斑块、非钙化斑块和混合斑块。在医学影像中，例如心脏cta图像，血管的钙化斑块显示为高密度、高亮的影像，非钙化斑块显示为低密度、低亮的影像。医学领域中，通常将去除斑块后的真实血管血流称为血管内径，血管内径可以用于计算血流储备分数(fractional flow reserve，ffr)，从而评估缺血情况。
34.相关技术中，通常采用对钙化斑块进行检测分割，间接地实现血管内径分割，而不是直接对血管内径进行分割。
35.在一示例中，可以对心脏cta图像进行斑块检测，确定冠状动脉中的钙化斑块。然后在血管区域中去除钙化斑块对应的区域，将血管区域的剩余部分确定为冠状动脉的血管内径区域，从而实现对冠状动脉血管内径的间接分割。
36.然而，间接分割得到的内径分割结果，通常有较严重的粗糙感和剥离感，且针对非钙化斑块的处理较少。此外，由于血管图像中包含大量的背景信息，直接使用血管图像进行分割，会影响分割的速度和准确度。
37.本公开实施例提供了一种网络模型训练方法，可以应用于直接对冠状动脉血管进行血管内径分割的场景。除了用于对冠状动脉血管进行血管内径分割的应用场景外，本公开实施例还可以用于对其他血管进行血管内径分割，例如肺动脉等，本公开对此不做具体限定。
38.本公开实施例的网络模型训练方法，利用基于血管中心线的多尺度切块图像，训练血管内径分割模型，可以在提高网络模型训练速度的同时，减少血管图像的背景噪声数据的影响，聚合不同尺度的空间特征信息，提高血管内径分割模型的鲁棒性，利用训练好的血管内径分割模型对血管图像进行血管内径分割，可以提高血管内径分割结果的准确性。下面对本公开实施例提供的网络模型训练方法进行详细说明。
39.图1示出根据本公开实施例的一种网络模型训练方法的流程图。该网络模型训练方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(user equipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(personal digital assistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等，该网络模型训练方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行该网络模型训练方法。如图1所示，该网络模型训练方法包括：
40.在步骤s11中，确定目标血管样本图像对应的血管中心线。
41.其中，目标血管样本图像可以是基于对采集的原始血管样本图像进行图像处理后得到的。后文会结合本公开可能的实现方式对如何确定目标血管样本图像的过程进行详细描述，此处不作赘述。
42.确定目标血管样本图像对应的血管中心线的具体方式，可以参考相关技术中的实施方式，例如，可以直接根据目标血管样本图像中的血管区域，确定血管中心线，或者可以
根据目标血管样本图像对应的血管掩膜，确定血管中心线，本公开对此不做具体限定。
43.在步骤s12中，基于血管中心线，对目标血管样本图像进行不同尺度的切块，得到不同尺度下的切块血管样本图像。
44.在目标血管样本图像中，血管内径为前景，血管中的斑块以及其他区域为背景。沿目标血管样本图像对应的血管中心线，对目标血管样本图像进行不同尺度的切块，得到不同尺度下的切块血管样本图像，可以减少每个切块血管样本图像中包括的背景，进而可以减少图像中背景噪声数据对血管内径分割产生的影响。
45.后文会结合本公开可能的实现方式，对基于血管中心线，对目标血管样本图像进行不同尺度的切块，得到不同尺度下的切块血管样本图像的过程进行详细描述，此处不做赘述。
46.在步骤s13中，针对任意一个尺度下的切块血管样本图像，利用血管内径分割模型，对该尺度下的切块血管样本图像进行血管内径分割，得到该尺度下的血管内径分割结果。
47.将任意一个尺度下的切块血管样本图像输入血管内径分割模型，可以对该尺度下的切块血管样本图像进行血管内径分割，得到该尺度下的血管内径分割结果。其中，血管内径分割是将切块血管样本图像中的血管内径区域分割出来的处理。
48.后文会结合本公开可能的实现方式，对利用血管内径分割模型，对该尺度下的切块血管样本图像进行血管内径分割，得到该尺度下的血管内径分割结果的过程进行详细描述，此处不做赘述。
49.在步骤s14中，基于该尺度下的血管内径分割结果，确定该尺度下的血管内径分割损失。
50.根据血管内径分割模型输出的该尺度下的血管内径分割结果，可以确定该尺度下的血管内径分割损失，该尺度下的血管内径分割损失能够反映血管内径分割模型对该尺度下的切块血管样本图像进行血管内径分割的分割误差。
51.在一示例中，可以根据血管内径分割模型输出的该尺度下的血管内径分割结果，与目标血管样本图像对应的内径掩膜，确定该尺度下的血管内径分割损失。其中，目标血管样本图像对应的内径掩膜是已知的，可以用于指示目标血管样本图像中的血管内径区域。
52.在步骤s15中，基于该尺度下的血管内径分割损失，调整血管内径分割模型的网络参数。
53.由于该尺度下的血管内径分割损失能够反映血管内径分割模型对该尺度下的切块血管样本图像进行血管内径分割的分割误差，因此，可以基于该尺度下的血管内径分割损失，调整血管内径分割模型的网络参数，以优化血管内径分割模型的性能。
54.在步骤s16中，基于每个尺度下的切块血管样本图像，在针对前一尺度调整血管内径分割模型的网络参数的基础上，重新执行上述步骤s13至s15，直至满足预设训练条件，其中，训练后的血管内径分割模型用于对待处理血管图像进行血管内径分割。
55.对任意一个尺度下的切块血管样本图像完成血管内径分割模型的训练，调整血管内径分割模型的网络参数后，再使用另一尺度下的切块血管样本图像对血管内径分割模型进行训练，并以此类推，可以聚合不同尺度的空间特征信息，从而提升血管内径分割模型的鲁棒性，以实现更加精准的分割效果。具体的，可以根据切块血管样本图像的尺度大小进行
排序，并依次利用不同尺度的切块血管样本图像，对血管内径分割模型进行训练，也可以根据其他排序方式进行训练，取决于实际的使用需求，本公开对此不做具体限定。
56.在一示例中，对目标血管样本图像进行不同尺度的切块后，得到16
×
16尺度、32
×
32尺度和64
×
64尺度下的切块血管样本图像。
57.将16
×
16尺度下的切块血管样本图像输入血管内径分割模型，可以确定16
×
16尺度下的血管内径分割结果。根据16
×
16尺度下的血管内径分割结果，确定16
×
16尺度下的血管内径分割损失。基于16
×
16尺度下的血管内径分割损失，对血管内径分割模型的网络参数进行调整，能够使血管内径分割模型学习16
×
16尺度的空间特征信息，得到16
×
16尺度下进行网络参数调整后的血管内径分割模型。
58.将32
×
32尺度下的切块血管样本图像输入16
×
16尺度下进行网络参数调整后的血管内径分割模型，根据上述过程确定32
×
32尺度下的血管内径分割损失。基于32
×
32尺度下的血管内径分割损失，对血管内径分割模型的网络参数进行调整，能够使血管内径分割模型学习32
×
32尺度的空间特征信息，得到32
×
32尺度下进行网络参数调整后的血管内径分割模型。
59.将64
×
64尺度下的切块血管样本图像输入32
×
32尺度下进行网络参数调整后的血管内径分割模型，根据上述过程确定64
×
64尺度下的血管内径分割损失。基于64
×
64尺度下的血管内径分割损失，对血管内径分割模型的网络参数进行调整，能够使血管内径分割模型学习64
×
64尺度的空间特征信息，得到64
×
64尺度下进行网络参数调整后的血管内径分割模型。
60.将16
×
16尺度下的切块血管样本图像输入64
×
64尺度下进行网络参数调整后的血管内径分割模型。以此类推，重复进行上述过程，进行迭代训练，直到满足预设训练条件。其中，预设训练条件可以根据实际的使用需求进行设置，例如迭代次数达到预设次数、血管内径分割损失小于预设损失值等，本公开对此不做具体限定。
61.在本公开实施例中，通过确定目标血管样本图像对应的血管中心线，并基于血管中心线，对目标血管样本图像进行不同尺度的切块，得到不同尺度下的切块血管样本图像，可以减少每个切块血管样本图像中的背景噪声数据，同时增加切块血管样本图像的尺度多样性。针对任意一个尺度下的切块血管样本图像，利用血管内径分割模型，对该尺度下的切块血管样本图像进行血管内径分割，得到该尺度下的血管内径分割结果，由于每个尺度下的切块血管样本图像中背景噪声数据较少，从而可以提升血管内径分割模型的分割速度。基于该尺度下的血管内径分割结果，确定该尺度下的血管内径分割损失，基于该尺度下的血管内径分割损失，调整血管内径分割模型的网络参数，并基于每个尺度下的切块血管样本图像，在针对前一尺度调整血管内径分割模型的网络参数的基础上，重新执行上述步骤，直至满足预设训练条件，从而可以聚合不同尺度的空间特征信息，提升血管内径分割模型的鲁棒性，进而提升血管内径分割模型的分割效果。
62.在对血管内径分割模型进行训练之前，采集原始血管样本图像。其中，原始血管样本图像可以是对不同患者进行图像采集后得到的。
63.在一种可能的实现方式中，该方法还包括：对原始血管样本图像进行数据预处理，得到预处理后的血管样本图像，其中，数据预处理包括重采样处理和归一化处理；对预处理后的血管样本图像进行数据增强处理，得到多个第一血管样本图像，其中，数据增强处理包
括平移、旋转、翻转、亮度变化中的至少一种。
64.由于原始血管样本图像可以是来自于不同患者、基于不同医疗设备获取的不同样本图像，每个原始血管样本图像之间的图像尺寸和分辨率可能存在差异。此外，同一个原始血管样本图像中，沿x、y、z三个方向的分辨率也可能不同。因此，需要对原始血管样本图像进行数据预处理，将原始血管样本图像调整为便于血管内径分割模型处理的标准形式。其中，数据预处理可以包括重采样处理和归一化处理。
65.具体的，可以对原始血管样本图像进行灰度处理，并对灰度处理后的原始血管样本图像按照预设间隔采集影像灰度数值，当预设阈值不位于采样点上的原始函数的数值时，可以利用已采样点进行内插，从而实现对原始血管样本图像的重采样处理。其中，重采样处理的预设间隔和预设阈值，可以根据实际的使用需求进行设置，本公开对此不做具体限定。
66.通过对原始血管样本图像进行重采样处理，可以将不同的原始血管样本图像调整为相同的分辨率水平，以满足血管内径分割模型的使用需求。
67.利用原始血管样本图像对应的不变矩，可以确定原始血管样本图像对应的归一化参数，利用归一化参数能够消除其他变换函数对原始血管样本图像变换的影响，从而实现对原始血管样本图像的归一化处理，将原始血管样本图像转化为相应的唯一标准形式。该唯一标准形式的原始血管样本图像对平移、旋转、缩放等仿射变换具有不变特性。其中，确定归一化参数的具体方法，可以参考相关技术中的实施方式，本公开对此不做具体限定。
68.通过对原始血管样本图像进行归一化处理，可以使血管内径分割模型进行稳定的训练。
69.对原始血管样本图像的预处理方式除了可以采用上述记载的方式之外，还可以根据实际情况采用其它图像预处理方式，本公开对此不做具体限定。
70.为了增强血管内径分割模型的鲁棒性，可以通过对有限数量的预处理后的血管样本图像进行数据增强处理，得到多个第一血管样本图像，从而增加训练样本的数量以及多样性。具体的，数据增强处理可以包括对预处理后的血管样本图像进行随机的平移、旋转、翻转、亮度变化中的至少一种处理方法。
71.在一种可能的实现方式中，该方法还包括：根据第一血管样本图像在对应的血管掩膜范围内的方差，确定第一血管样本图像中血管区域的对比度，其中，第一血管样本图像为对原始血管样本图像进行图像处理后得到的，血管掩膜用于指示第一血管样本图像中的血管区域；根据血管区域的对比度，在血管区域中分别模拟钙化斑块和非钙化斑块，得到第二血管样本图像；将第二血管样本图像与血管掩膜进行拼接，得到目标血管样本图像。
72.原始血管样本图像中的斑块可能存在数量较少、体积较小、且正负样本分布不均衡的情况，进而影响血管内径分割模型对斑块特征的学习性能。因此，可以通过在第一血管样本图像中模拟生成斑块，得到目标血管样本图像，增加目标血管样本图像中的斑块数量和样本多样性。
73.图2示出根据本公开实施例的血管掩膜的示意图。如图2所示，血管掩膜用于指示血管样本图像中的血管区域。通过计算并统计第一血管样本图像在对应的血管掩膜范围内的方差，可以确定第一血管样本图像中血管区域的对比度。根据第一血管样本图像中血管区域的对比度，可以在血管区域中分别模拟钙化斑块和非钙化斑块，得到斑块数量较多的
第二血管样本图像。其中，第一血管样本图像为对原始血管样本图像进行图像处理后得到的；第一血管样本图像对应的血管掩膜用于指示第一血管样本图像中的血管区域。
74.后文会结合本公开可能的实现方式，对根据血管区域的对比度，在血管区域中分别模拟钙化斑块和非钙化斑块的过程进行详细描述，此处不做赘述。
75.将第二血管样本图像与对应的血管掩膜进行拼接，可以得到目标血管样本图像。拼接第二血管样本图像与对应血管掩膜的具体方法，可以根据实际情况灵活拼接，本公开对此不做具体限定。
76.图3示出根据本公开实施例的第二血管样本图像与对应的血管掩膜拼接的示意图。如图3所示，通过将血管掩膜叠加在第二血管样本图像上，实现血管掩膜与第二血管样本图像的拼接，拼接完得到的是目标血管样本图像。
77.通过含有斑块数量、种类较多的目标血管样本图像训练血管内径分割模型，可以提升血管内径分割模型对斑块特征的学习能力，提高对图像中斑块的识别能力和去除效果。
78.在一种可能的实现方式中，根据血管区域的对比度，在血管区域中分别模拟钙化斑块和非钙化斑块，包括：在血管区域中对比度小于第一预设阈值的位置处，模拟生成钙化斑块；在血管区域中对比度大于第二预设阈值的位置处，模拟生成非钙化斑块，其中，第二预设阈值大于第一预设阈值。
79.具体的，在血管区域中对比度小于第一预设阈值的位置处，可以模拟生成较亮的钙化斑块，在血管区域中对比度大于第二预设阈值的位置处，可以模拟生成较暗的非钙化斑块。其中，第二预设阈值大于第一预设阈值，第一预设阈值和第二预设阈值的具体大小，可以根据实际的使用需求进行设置，本公开对此不做具体限定。模拟生成斑块的方法，可以参考相关技术中的实施方式，本公开对此不做具体限定。
80.在一示例中，可以通过对第一血管样本图像对应的血管掩膜进行侵蚀(erosion)操作，确定血管掩膜的边界。在边界上随机地选取任意一点作为模拟的斑块的几何中心，计算血管掩膜在该点垂直截面位置的直径，将小于此直径的随机值作为模拟的斑块的半径。以选取的斑块几何中心为球心，可以模拟生成一个类半球状的斑块。例如，钙化斑块的hu值设置为均值为500、方差为10的高斯噪声；非钙化斑块的hu值设置为均值为60、方差为5的高斯噪声，从而在第一血管样本图像中模拟生成钙化斑块和非钙化斑块。
81.基于采集到的原始血管样本图像，通过上述数据预处理、数据增强和斑块模拟过程，确定目标血管样本图像之后，可以对目标血管样本图像沿血管中心线进行不同尺度的切块。
82.在一种可能的实现方式中，基于血管中心线，对目标血管样本图像进行不同尺度的切块，得到不同尺度下的切块血管样本图像，包括：根据多个预设的尺度，分别确定每个尺度下的滑动窗口；针对任意一个尺度，沿血管中心线，根据该尺度下的滑动窗口，对目标血管样本图像进行滑动切块，确定该尺度下的切块血管样本图像。
83.根据多个预设的尺度，可以分别确定每个尺度下的滑动窗口。其中，预设的尺度可以根据实际的使用需求进行设置，本公开对此不做具体限定；滑动窗口的具体形式，可以根据实际的使用需求进行设置，例如设置为矩形、圆形、不规则随机形状等，本公开对此不做具体限定。
84.针对任意一个尺度，可以使该尺度下的滑动窗口沿血管中心线进行滑动，在目标血管样本图像中确定多个不同的切块，得到该尺度下的多个切块血管样本图像。由于每个切块血管样本图像都是沿血管中心线确定的，因此，切块血管样本图像中的背景区域较少，从而可以减少网络模型训练时，背景噪声信息对血管内径分割模型的影响。
85.通过多个不同尺度下的滑动窗口，可以分别确定多个不同尺度下的切块血管样本图像。利用不同尺度下的切块血管样本图像进行网络模型训练，可以聚合不同尺度的空间特征信息，从而提升血管内径分割模型的鲁棒性，以实现更加精准的分割效果。
86.在一种可能的实现方式中，该方法还包括：根据目标血管样本图像对应的内径掩膜，确定内径权重，其中，内径权重由血管中心向血管边缘逐渐增大，内径掩膜用于指示目标血管样本图像中的血管内径区域；基于内径掩膜、目标血管样本图像对应的血管掩膜，确定斑块权重，其中，斑块权重由斑块中心向斑块边缘逐渐增大，其中，血管掩膜用于指示目标血管样本图像中的血管区域，血管内径区域为血管区域去除掉所有斑块后的剩余区域。
87.图4示出根据本公开实施例的内径掩膜的示意图。如图4所示，内径掩膜用于指示血管样本图像中的血管内径区域，血管内径区域为血管区域去除掉所有斑块后的剩余区域。根据目标血管样本图像对应的内径掩膜，可以确定内径权重。
88.由于血管内径分割结果的准确性很大程度上依赖于血管区域的边界准确性，因此，可以使内径权重由血管中心向血管边缘逐渐增大，以使得血管内径分割模型在训练过程中更加关注血管区域中血管内径区域的边界。确定内径权重的具体方法的，可以参考相关技术中的实施方式，本公开对此不做具体限定。
89.在一示例中，通过计算内径掩膜中每个前景点到最近的背景点的欧氏距离，并对该欧式距离进行归一化处理，基于归一化处理后的欧式距离可以确定内径权重。内径权重可以表示为公式(1)：
90.其中，表示内径权重；表示预设参数，用于使内径权重由血管中心向血管边缘逐渐增大，可以根据实际的使用需求设置其具体值，例如设置，本公开对此不做具体限定；表示血管内径掩膜中每个前景点到最近的背景点的欧式距离。
91.同样的，为目标血管样本图像中的斑块赋予对应的斑块权重，并使斑块权重由斑块中心向斑块边缘逐渐增大，以使得血管内径分割模型在训练过程中更加关注血管区域中斑块的边界。
92.根据目标血管样本图像对应的内径掩膜、目标血管样本图像对应的血管掩膜，可以确定斑块权重。确定斑块权重的具体方法的，可以参考相关技术中的实施方式，本公开对此不做具体限定。
93.在一示例中，通过使用目标血管样本图像对应的血管掩膜，减去目标血管样本图像对应的内径掩膜，可以确定相应的斑块掩膜。斑块掩膜可以表示为公式(2)：
94.其中，表示目标血管样本图像对应的斑块掩膜；表示目标血管样本图像对应的血管掩膜；表示目标血管样本图像对应的内径掩膜。
95.确定斑块掩膜后，可以参照上述确定内径权重的方式，通过计算斑块掩膜中每个前景点到最近的背景点的欧氏距离，并对该欧式距离进行归一化处理，基于归一化后的欧式距离可以确定斑块权重。
96.在一示例中，斑块权重可以表示为公式(3)：
97.其中，表示斑块权重；表示斑块掩膜中每个前景点到最近的背景点的欧式距离。
98.图5示出根据本公开实施例的内径权重和斑块权重的截面示意图。如图5所示，内径权重由血管中心向血管边缘逐渐增大，斑块权重由斑块中心向斑块边缘逐渐增大，内径权重和斑块权重的权重范围在0.5到2.0之间。
99.通过由中心向边缘逐渐增大的内径权重和斑块权重，可以实现损失函数的动态加权，使得血管内径分割模型对输入的切块血管样本图像中不同的区域具有不同的敏感性，将权重分布较大的血管内径区域的边界和斑块边界作为重点的学习对象，而对权重分布较小的背景区域的关注较少，从而可以使血管内径分割模型更加细化地分割血管内径区域，并减少分割过程中边界出现错误的情况。在错误分割时的对权重较大区域的惩罚也加大，以此提升血管内径分割模型对血管内径区域的进行分割的准确性。
100.在一种可能的实现方式中，对于目标血管样本图像中任意一个斑块，该斑块对应的斑块权重与该斑块的体积大小呈负相关。
101.由于血管内径分割的准确度，一定程度上依赖于对血管区域中的斑块的去除效果。由于血管区域中不同斑块的体积大小可能不同，对于体积较小的斑块的识别和去除难度较高。为了使血管内径分割模型更加关注体积较小的斑块的数据特征，提升对体积较小的斑块的识别和去除效果，可以使该斑块对应的斑块权重与该斑块的体积大小呈负相关，即斑块的体积越大，其对应的斑块权重越小；斑块的体积越小，其对应的斑块权重越大。
102.在一示例中，可以根据预设的体积阈值，将斑块的体积划分为不同的分布区间，为每个分布区间内的斑块设置相应的体积加权系数，将任意一个斑块对应的体积加权系数，与基于上述方法确定的斑块权重相乘，可以确定与该斑块的体积大小呈负相关的斑块权重。以将斑块的体积分为斑块体积小于60、斑块体积大于60且小于150、斑块体积大于150三个分布区间为例：当斑块体积小于60时，设置相应的体积加权系数为2；当斑块体积大于60且小于150时，设置相应的体积加权系数为0.5；当斑块体积大于150时，设置相应的体积加权系数为0。
103.当斑块体积小于60时，斑块权重可以表示为公式(4)：
104.当斑块体积大于60且小于150时，斑块权重可以表示为公式(5)：
105.当斑块体积大于150时，斑块权重可以表示为公式(6)：
106.其中，表示第i个斑块对应的斑块权重；表示第i个斑块的斑块掩膜中每个前景点到最近的背景点的欧式距离；表示第i个斑块对应的体积。
107.根据每个斑块对应的斑块体积，对初始的斑块权重进行处理，使每个斑块对应的斑块权重与该斑块的体积大小呈负相关，可以使血管内径分割模型更加关注体积较小的斑块的数据特征，提升对体积较小的斑块识别和去除效果。
108.此外，还可以利用高斯平滑的方式，对血管内径区域和斑块区域的交界处进行平滑处理，以提升血管内径分割结果的平滑性。
109.在一种可能的实现方式中，针对任意一个尺度下的切块血管样本图像，利用血管内径分割模型，对该尺度下的切块血管样本图像进行血管内径分割，得到该尺度下的血管内径分割结果，包括：基于血管内径分割模型、内径权重和斑块权重，对该尺度下的切块血管样本图像进行血管内径分割，得到该尺度下的血管内径分割结果。
110.针对任意一个尺度下的切块血管样本图像，将该尺度下的切块血管样本图像、内
径权重和斑块权重输入血管内径分割模型进行血管内径分割，使血管内径分割模型在训练过程中更加关注权重较大的区域，例如血管内径区域的边界和斑块的边界，并且对权重较小的区域关注较少，例如背景区域，从而提高训练后的血管内径分割模型的血管内径分割准确率。
111.在本公开实施例中，通过确定目标血管样本图像对应的血管中心线，并基于血管中心线，对目标血管样本图像进行不同尺度的切块，得到不同尺度下的切块血管样本图像，可以减少每个切块血管样本图像中的背景噪声数据，同时增加切块血管样本图像的尺度多样性。针对任意一个尺度下的切块血管样本图像，利用血管内径分割模型，对该尺度下的切块血管样本图像进行血管内径分割，得到该尺度下的血管内径分割结果，由于每个尺度下的切块血管样本图像中背景噪声数据较少，从而可以提升血管内径分割模型的分割速度。基于血管内径分割模型进行血管内径分割时，还可以结合内径权重和斑块权重，实现损失函数的动态加权，使得血管内径分割模型对输入的切块血管样本图像中不同的区域具有不同的敏感性，将权重分布较大的血管内径区域的边界和斑块的边界作为重点的学习对象，而对权重分布较小的背景区域的关注较少，从而可以使血管内径分割模型更加细化地分割血管内径区域，并减少分割过程中边界出现错误的情况。基于该尺度下的血管内径分割结果，确定该尺度下的血管内径分割损失，基于该尺度下的血管内径分割损失，调整血管内径分割模型的网络参数，并基于每个尺度下的切块血管样本图像，在针对前一尺度调整血管内径分割模型的网络参数的基础上，重新执行上述步骤，直至满足预设训练条件，从而可以聚合不同尺度的空间特征信息，提升血管内径分割模型的鲁棒性，进而提升血管内径分割模型的分割效果。
112.本公开还提供了一种血管图像分割方法。图6示出根据本公开实施例的一种血管图像分割方法的流程图。该血管图像分割方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(user equipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(personal digital assistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等，该超声图像质量评估方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行该网络模型训练方法。如图6所示，该血管图像分割方法包括：
113.在步骤s61中，获取待处理血管图像。
114.这里的待处理血管图像，可以是需要进行血管内径分割的医学影像。获取待处理血管图像的方法，可以参考相关技术中的实施方式，本公开对此不做具体限定。
115.在步骤s62中，基于血管内径分割模型对待处理血管图像进行血管内径分割，确定待处理血管图像对应的血管内径分割结果，其中，血管内径分割模型通过上述方法训练得到。
116.将待处理血管图像输入血管内径分割模型，可以确定待处理血管图像对应的血管内经分割结果。
117.血管内径分割结果，能够指示待处理血管图像中的血管内径区域，也即真实血管血流对应的区域，可以用于辅助相关的医学诊断。
118.本公开实施例中，使用预先训练的血管内径分割模型，可以直接对待处理血管图像进行血管内径分割，确定对应的血管内径分割结果。相较于相关技术中，通过对待处理血
管图像进行钙化斑块检测，确定待处理血管图像中的钙化斑块，然后在待处理血管图像的血管区域中去除钙化斑块对应的区域，将血管区域的剩余部分确定为血管内径区域，从而间接得到对应的血管内径分割结果的方法，本公开实施例的血管图像分割方法，直接对待处理血管图像进行血管内径分割，可以避免血管内径分割结果有较严重的粗糙感和剥离感；此外，本公开实施例的血管图像分割方法，既考虑了对钙化斑块的处理，也考虑了对非钙化斑块的处理，使最终获得的血管内径分割结果更加平滑和准确。
119.可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
120.此外，本公开还提供了网络模型训练装置、血管图像分割装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种网络模型训练方法，和/或血管图像分割方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
121.图7示出根据本公开实施例的一种网络模型训练装置的框图。如图7所示，装置700包括：
122.中心线确定模块701，用于确定目标血管样本图像对应的血管中心线；
123.切块模块702，用于基于血管中心线，对目标血管样本图像进行不同尺度的切块，得到不同尺度下的切块血管样本图像；
124.血管内径分割模块703，用于针对任意一个尺度下的切块血管样本图像，利用血管内径分割模型，对该尺度下的切块血管样本图像进行血管内径分割，得到该尺度下的血管内径分割结果；
125.损失确定模块704，用于基于该尺度下的血管内径分割结果，确定该尺度下的血管内径分割损失；
126.参数调整模块705，用于基于该尺度下的血管内径分割损失，调整血管内径分割模型的网络参数；
127.迭代训练模块706，用于基于每个尺度下的切块血管样本图像，在针对前一尺度调整血管内径分割模型的网络参数的基础上，重新执行上述步骤，直至满足预设训练条件，其中，训练后的血管内径分割模型用于对待处理血管图像进行血管内径分割。
128.在一种可能的实现方式中，切块模块702，具体用于：根据多个预设的尺度，分别确定每个尺度下的滑动窗口；针对任意一个尺度，沿血管中心线，根据该尺度下的滑动窗口，对目标血管样本图像进行滑动切块，确定该尺度下的切块血管样本图像。
129.在一种可能的实现方式中，装置700还包括：权重确定模块，用于根据目标血管样本图像对应的内径掩膜，确定内径权重，其中，内径权重由血管中心向血管边缘逐渐增大，内径掩膜用于指示目标血管样本图像中的血管内径区域；基于内径掩膜、目标血管样本图像对应的血管掩膜，确定斑块权重，其中，斑块权重由斑块中心向斑块边缘逐渐增大，其中，血管掩膜用于指示目标血管样本图像中的血管区域，血管内径区域为血管区域去除掉所有斑块后的剩余区域。
130.在一种可能的实现方式中，对于目标血管样本图像中任意一个斑块，该斑块对应的斑块权重与该斑块的体积大小呈负相关。
131.在一种可能的实现方式中，血管内径分割模块702，具体用于：基于血管内径分割模型、内径权重和斑块权重，对该尺度下的切块血管样本图像进行血管内径分割，得到该尺度下的血管内径分割结果。
132.在一种可能的实现方式中，装置700还包括：斑块模拟模块，用于根据第一血管样本图像在对应的血管掩膜范围内的方差，确定第一血管样本图像中血管区域的对比度，其中，第一血管样本图像为对原始血管样本图像进行图像处理后得到的，血管掩膜用于指示第一血管样本图像中的血管区域；根据血管区域的对比度，在血管区域中分别模拟钙化斑块和非钙化斑块，得到第二血管样本图像；将第二血管样本图像与血管掩膜进行拼接，得到目标血管样本图像。
133.在一种可能的实现方式中，斑块模拟模块，具体用于：根据血管区域的对比度，在血管区域中分别模拟钙化斑块和非钙化斑块，包括：在血管区域中对比度小于第一预设阈值的位置处，模拟生成钙化斑块；在血管区域中对比度大于第二预设阈值的位置处，模拟生成非钙化斑块，其中，第二预设阈值大于第一预设阈值。
134.在一种可能的实现方式中，装置700还包括：预处理模块，用于对原始血管样本图像进行数据预处理，得到预处理后的血管样本图像，其中，数据预处理包括重采样处理和归一化处理；对预处理后的血管样本图像进行数据增强处理，得到多个第一血管样本图像，其中，数据增强处理包括平移、旋转、翻转、亮度变化中的至少一种。
135.图8示出根据本公开实施例的一种血管图像分割装置的框图。如图8所示，装置800包括：
136.获取模块801，用于获取待处理血管图像；
137.血管内径分割模块802，用于基于血管内径分割模型对待处理血管图像进行血管内径分割，确定待处理血管图像对应的血管内径分割结果，其中，血管内径分割模型通过上述方法训练得到。
138.在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
139.本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
140.本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
141.本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
142.电子设备可以被提供为终端、服务器或其它形态的设备。
143.图9示出根据本公开实施例的一种电子设备的框图。例如，电子设备1900可以被提供为一服务器或终端设备。参照图9，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一
个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
144.电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(windows server
tm
)，苹果公司推出的基于图形用户界面操作系统(mac os x
tm
)，多用户多进程的计算机操作系统(unix
tm
),自由和开放原代码的类unix操作系统(linux
tm
)，开放原代码的类unix操作系统(freebsd
tm
)或类似。
145.在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
146.本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
147.计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
148.这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
149.用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方
面。
150.这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
151.这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
152.也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
153.附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
154.该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(software development kit，sdk)等等。
155.上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
156.本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
157.若本技术技术方案涉及个人信息，应用本技术技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本技术技术方案涉及敏感个人信息，应用本技术技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处
理的个人信息种类等信息。
158.以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

技术特征：
1.一种网络模型训练方法，其特征在于，包括：确定目标血管样本图像对应的血管中心线；基于所述血管中心线，对所述目标血管样本图像进行不同尺度的切块，得到不同尺度下的切块血管样本图像；针对任意一个尺度下的切块血管样本图像，利用血管内径分割模型，对该尺度下的切块血管样本图像进行血管内径分割，得到该尺度下的血管内径分割结果；基于该尺度下的血管内径分割结果，确定该尺度下的血管内径分割损失；基于该尺度下的血管内径分割损失，调整所述血管内径分割模型的网络参数；基于每个尺度下的切块血管样本图像，在针对前一尺度调整所述血管内径分割模型的网络参数的基础上，重新执行上述步骤，直至满足预设训练条件，其中，训练后的所述血管内径分割模型用于对待处理血管图像进行血管内径分割。2.根据权利要求1所述的方法，其特征在于，所述基于所述血管中心线，对所述目标血管样本图像进行不同尺度的切块，得到不同尺度下的切块血管样本图像，包括：根据多个预设的尺度，分别确定每个尺度下的滑动窗口；针对任意一个尺度，沿所述血管中心线，根据该尺度下的滑动窗口，对所述目标血管样本图像进行滑动切块，确定该尺度下的切块血管样本图像。3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：根据所述目标血管样本图像对应的内径掩膜，确定内径权重，其中，所述内径权重由血管中心向血管边缘逐渐增大，所述内径掩膜用于指示所述目标血管样本图像中的血管内径区域；基于所述内径掩膜、所述目标血管样本图像对应的血管掩膜，确定斑块权重，其中，所述斑块权重由斑块中心向斑块边缘逐渐增大，所述血管掩膜用于指示所述目标血管样本图像中的血管区域，所述血管内径区域为所述血管区域去除掉所有斑块后的剩余区域。4.根据权利要求3所述的方法，其特征在于，对于所述目标血管样本图像中任意一个斑块，该斑块对应的斑块权重与该斑块的体积大小呈负相关。5.根据权利要求3或4所述的方法，其特征在于，所述针对任意一个尺度下的切块血管样本图像，利用血管内径分割模型，对该尺度下的切块血管样本图像进行血管内径分割，得到该尺度下的血管内径分割结果，包括：基于所述血管内径分割模型、所述内径权重和所述斑块权重，对该尺度下的切块血管样本图像进行血管内径分割，得到该尺度下的血管内径分割结果。6.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：根据第一血管样本图像在对应的血管掩膜范围内的方差，确定所述第一血管样本图像中血管区域的对比度，其中，所述第一血管样本图像为对原始血管样本图像进行图像处理后得到的，所述血管掩膜用于指示所述第一血管样本图像中的所述血管区域；根据所述血管区域的对比度，在所述血管区域中分别模拟钙化斑块和非钙化斑块，得到第二血管样本图像；将所述第二血管样本图像与所述血管掩膜进行拼接，得到所述目标血管样本图像。7.根据权利要求6所述的方法，其特征在于，所述根据所述血管区域的对比度，在所述血管区域中分别模拟钙化斑块和非钙化斑块，包括：
在所述血管区域中对比度小于第一预设阈值的位置处，模拟生成所述钙化斑块；在所述血管区域中对比度大于第二预设阈值的位置处，模拟生成所述非钙化斑块，其中，所述第二预设阈值大于所述第一预设阈值。8.根据权利要求6或7所述的方法，其特征在于，所述方法还包括：对原始血管样本图像进行数据预处理，得到预处理后的血管样本图像，其中，所述数据预处理包括重采样处理和归一化处理；对所述预处理后的血管样本图像进行数据增强处理，得到多个所述第一血管样本图像，其中，所述数据增强处理包括平移、旋转、翻转、亮度变化中的至少一种。9.一种血管图像分割方法，其特征在于，包括：获取待处理血管图像；基于血管内径分割模型对所述待处理血管图像进行血管内径分割，确定所述待处理血管图像对应的血管内径分割结果，其中，所述血管内径分割模型通过权利要求1至8中任意一项所述的方法训练得到。10.一种网络模型训练装置，其特征在于，包括：中心线确定模块，用于确定目标血管样本图像对应的血管中心线；切块模块，用于基于所述血管中心线，对所述目标血管样本图像进行不同尺度的切块，得到不同尺度下的切块血管样本图像；血管内径分割模块，用于针对任意一个尺度下的切块血管样本图像，利用血管内径分割模型，对该尺度下的切块血管样本图像进行血管内径分割，得到该尺度下的血管内径分割结果；损失确定模块，用于基于该尺度下的血管内径分割结果，确定该尺度下的血管内径分割损失；参数调整模块，用于基于该尺度下的血管内径分割损失，调整所述血管内径分割模型的网络参数；迭代训练模块，用于基于每个尺度下的切块血管样本图像，在针对前一尺度调整所述血管内径分割模型的网络参数的基础上，重新执行上述步骤，直至满足预设训练条件，其中，训练后的所述血管内径分割模型用于对待处理血管图像进行血管内径分割。11.一种血管图像分割装置，其特征在于，包括：获取模块，用于获取待处理血管图像；血管内径分割模块，用于基于血管内径分割模型对所述待处理血管图像进行血管内径分割，确定所述待处理血管图像对应的血管内径分割结果，其中，所述血管内径分割模型通过权利要求1至8中任意一项所述的方法训练得到。12.一种电子设备，其特征在于，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至9中任意一项所述的方法。13.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的方法。

技术总结
本公开涉及一种网络模型训练、血管图像分割方法及装置、电子设备，该方法包括：基于血管中心线对目标血管样本图像进行不同尺度的切块，得到不同尺度下的切块血管样本图像；针对任意一个尺度下的切块血管样本图像，利用血管内径分割模型对该尺度下的切块血管样本图像进行血管内径分割，得到该尺度下的血管内径分割结果；基于该尺度下的血管内径分割结果，确定该尺度下的血管内径分割损失，调整血管内径分割模型的网络参数；基于每个尺度下的切块血管样本图像，重新执行上述步骤，直至满足预设训练条件，其中，训练后的血管内径分割模型用于对待处理血管图像进行血管内径分割。本公开实施例可以精确快速地进行血管内径分割。实施例可以精确快速地进行血管内径分割。实施例可以精确快速地进行血管内径分割。


技术研发人员：肖嘉 王文集 夏清 徐利建
受保护的技术使用者：北京市商汤科技开发有限公司
技术研发日：2023.06.30
技术公布日：2023/9/19