肺部动静脉分支智能重建系统、方法及设备与流程

本申请涉及医疗，具体涉及一种肺部动静脉分支智能重建系统、方法及设备。

背景技术：

1、本部分旨在为权利要求书中陈述的本申请的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是已被公开的现有技术。

2、传统的动静脉(气管)分割主要采用自适应阈值法、区域增长、基于滤波的增强方法等，深度学习模型(cnns，convolutional neural network)提出之后，人们在2d和2.5d方法上进行了很多的探索，同时结合拓扑方式对模型预测的结果进行后处理，提高分割的准确性。同时在部分方法中，结合了解刨学的特性，如接近叶间裂隙(肺叶的裂纹)的血管为静脉，靠近气管的为动脉，但是这些方法泛化性能较差。

3、此外，深度学习模型在进行动静脉-血管分割的时候容易出现如下问题：1.管状的末端无法识别，由于深度学习在计算损失函数loss时，倾向于出现次数较多的类别，导致模型更倾向于将小区域的前景(即所有目标)识别为背景；2.深度学习模型容易出现整个血管分支分类错误的情况。3.目前深度学习只能当作黑盒子使用，即输入ct影像得到输出的结果，很难通过人为方法对结果进行整体的调整，如果需要对结果进行调整，需要使用擦除或者添加工作，在软件中进行逐像素的处理。

技术实现思路

1、本申请的目的在于提供一种肺部动静脉分支智能重建系统、方法及设备，可以更准确地建立肺部动脉血管和静脉血管的模型。

2、本申请公开了一种肺部动静脉分支智能重建系统，包括：

3、第一全卷积神经网络模型，被配置为根据ct影像输出肺部区域；

4、第二全卷积神经网络模型，被配置为根据所述ct影像输出动脉区域和静脉区域；

5、血管分割模块，被配置在所述肺部区域对应的所述ct影像中提取肺部区域血管；以及，

6、布尔运算模块，被配置为将输入的所述动脉区域和所述静脉区域分别与所述肺部区域进行布尔运算并输出肺部动脉区域和肺部静脉区域，以及，将所述肺部动脉区域和所述肺部静脉区域与所述肺部区域血管进行布尔运算并输出肺部动脉血管以及肺部静脉血管。

7、在一个优选例中，所述第二全卷积神经网络模型的损失函数为loss＝∑i,j,kdice(labeli,j,k,predi,j,k)，其中cti,j,k为动脉或者静脉。

8、在一个优选例中，还包括预处理模块，被配置为对所述ct影像进行预处理操作，将预处理后的ct影像输出至所述第一全卷积神经网络模型以及第二全卷积神经网络模型；

9、所述预处理包括归一化处理和数据扩增。

10、在一个优选例中，所述血管分割模块被进一步配置为通过阈值分割根据所述肺部区域提取肺部区域血管。

11、在一个优选例中，所述第一全卷积神经网络模型预先以ct影像和该ct影像的肺部区域打标结果训练得到。

12、在一个优选例中，所述第二全卷积神经网络模型预先以ct影像和该ct影像的动脉区域和静脉区域打标结果训练得到。

13、本申请还公开了一种肺部动静脉分支智能重建方法，包括：

14、将ct影像输入至第一全卷积神经网络模型中获得肺部区域；

15、将所述ct影像输入至第二全卷积神经网络模型中获得动脉区域和静脉区域；

16、基于所述肺部区域进行血管分割，提取出肺部区域血管；

17、对所述动脉区域和所述静脉区域分别与所述肺部区域进行布尔运算，获得肺部动脉区域和肺部静脉区域；以及，

18、对所述肺部动脉区域和所述肺部静脉区域分别与所述肺部区域血管进行布尔运算，获得肺部动脉血管以及肺部静脉血管

19、在一个优选例中，所述将ct影像输入至所述第一全卷积神经网络模型中获得肺部区域之前进一步包括：

20、对ct影像进行预处理操作；

21、将预处理后的所述ct影像输出至所述第一全卷积神经网络模型和所述第二全卷积神经网络模型中；

22、所述预处理操作包括归一化处理和数据扩增。

23、本申请还公开了一种肺部动静脉分支智能重建设备，包括：

24、存储器，用于存储计算机可执行指令；以及，

25、处理器，与所述存储器耦合，用于在执行所述计算机可执行指令时实现如前文描述的方法中的步骤。

26、本申请还公开了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可执行指令，所述计算机可执行指令被处理器执行时实现如前文描述的方法中的步骤。

27、本申请的实施方式中，通过将ct影像输入至神经网络模型中获得肺部区域以及动脉区域和静脉区域，并且利用血管分割模块将肺部区域中的血管提取出来，将肺部区域中的血管与动脉区域和静脉区域结合可以更准确地获得动脉区域的血管和静脉区域的血管；

28、进一步的，在计算损失函数loss时，只计算已知的目标点的损失函数，其他区域的损失函数忽略，可以相应地提高模型的准确率；

29、进一步的，采用了阈值分割的方法识别肺部区域血管，可以识别出末梢的血管，并且，由于医生可以方便地通过阈值分割把肺部的血管识别出来，在这个过程中医生可以根据ct影像的实际情况调整阈值的范围，从而可以使深度学习过程不再为黑匣子形式，可以通过人工手动调整输出的结果。

30、上述技术实现要素：中公开的各个技术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开的各个技术特征，都可以自由地互相组合，从而构成各种新的技术方案(这些技术方案均应该视为在本说明书中已经记载)，除非这种技术特征的组合在技术上是不可行的。例如，在一个例子中公开了特征a+b+c，在另一个例子中公开了特征a+b+d+e，而特征c和d是起到相同作用的等同技术手段，技术上只要择一使用即可，不可能同时采用，特征e技术上可以与特征c相组合，则，a+b+c+d的方案因技术不可行而应当不被视为已经记载，而a+b+c+e的方案应当视为已经被记载。

技术特征：

1.一种肺部动静脉分支智能重建系统，其特征在于，包括：

2.如权利要求1所述的肺部动静脉分支智能重建系统，其特征在于，所述第二全卷积神经网络模型的损失函数为loss＝∑i,j,kdice(labeli,j,k,predi,j,k)，其中cti,j,k为动脉或者静脉。

3.如权利要求1所述的肺部动静脉分支智能重建系统，其特征在于，还包括预处理模块，被配置为对所述ct影像进行预处理操作，将预处理后的ct影像输出至所述第一全卷积神经网络模型以及第二全卷积神经网络模型；

4.如权利要求1所述的肺部动静脉分支智能重建系统，其特征在于，所述血管分割模块被进一步配置为通过阈值分割根据所述肺部区域提取肺部区域血管。

5.如权利要求1所述的肺部动静脉分支智能重建系统，其特征在于，所述第一全卷积神经网络模型预先以ct影像和该ct影像的肺部区域打标结果训练得到。

6.如权利要求1所述的肺部动静脉分支智能重建系统，其特征在于，所述第二全卷积神经网络模型预先以ct影像和该ct影像的动脉区域和静脉区域打标结果训练得到。

7.一种肺部动静脉分支智能重建方法，其特征在于，包括：

8.如权利要求7所述的肺部动静脉分支智能重建方法，其特征在于，所述将ct影像输入至所述第一全卷积神经网络模型中获得肺部区域之前进一步包括：

9.一种肺部动静脉分支智能重建设备，其特征在于，包括：

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中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如权利要求7至8中任意一项所述的方法中的步骤。

技术总结本申请涉及医疗技术领域，公开了一种肺部动静脉分支智能重建系统、方法及设备，可以更加准确地重建出肺部动脉血管和静脉血管的模型。该系统包括第一全卷积神经网络模型，被配置为根据CT影像输出肺部区域；第二全卷积神经网络模型，被配置为根据CT影像输出动脉区域和静脉区域；血管分割模块，被配置在肺部区域对应的CT影像中提取肺部区域血管；以及布尔运算模块，被配置为将输入的动脉区域和静脉区域分别与肺部区域进行布尔运算并输出肺部动脉区域和肺部静脉区域，以及，将肺部动脉区域和肺部静脉区域与肺部区域血管进行布尔运算并输出肺部动脉血管以及肺部静脉血管。技术研发人员：杨阳,文耀锋,李湘民,张旭受保护的技术使用者：上海揽慧医疗科技有限公司技术研发日：技术公布日：2024/9/12