冠脉血管命名模型训练方法、装置、电子设备及存储介质与流程

本技术冠脉血管图像处理技术，尤其涉及一种冠脉血管命名模型训练方法、冠脉血管命名方法、装置、电子设备及存储介质。

背景技术：

1、在医疗领域中，支架作为治疗血管狭窄的重要介入器械，已经在心血管疾病领域得到了广泛的应用。冠脉支架植入通过介入方式将冠状动脉狭窄的部位扩张后放入一个金属支架支撑狭窄部位，使狭窄的血管壁向外扩张，支架植入后，支撑血管保持持续开放状态，使冠状动脉的血流畅通。然而，植入支架的过程需要首先对冠脉血管进行准确地建模，同时对冠脉血管模型中出现的冠脉血管进行准确地命名。随着计算机技术的发展，利用dsa(digital subtraction angiography，数字剪影血管造影技术)设备来辅助进行血管研究的应用场景越来越广泛，例如，根据dsa设备输出的血管图像可构建用于模拟血管形态的冠脉血管模型。但是在进行冠脉血管命名的相关技术中，对于出现变异的冠脉血管，对冠脉血管模型中的冠脉血管进行命名时，会先提取出中心线数据作为命名的输入。之后根据中心线数据特征，设置条件来判断血管名称，但是这种方法的鲁棒性差，无法实现对冠脉血管的准确命名，从而影响了冠脉血管模型的精确性。

技术实现思路

1、有鉴于此，本技术实施例提供一种冠脉血管命名模型训练方法、冠脉血管命名方法、装置、电子设备及存储介质，能够通过对冠脉血管命名模型进行训练，确定冠脉血管命名模型的模型参数，使得经过训练的冠脉血管命名模型不但能够快速且自动化血管命名，还能够实现对冠脉血管中的变异血管命名，解决了相关技术中血管命名准确度低的缺陷。

2、本技术实施例的技术方案是这样实现的：

3、本技术实施例提供了一种冠脉血管命名模型训练方法，所述方法包括：

4、获取冠脉血管的造影图像和心脏腔室图像；

5、根据所述冠脉血管的造影图像，获取所述冠脉血管的中心线特征；

6、根据所述心脏腔室图像，获取所述心脏腔室特征；

7、计算所述冠脉血管的中心线与所述心脏腔室距离，得到距离特征；

8、根据所述中心线特征、所述心脏腔室特征和所述距离特征，对冠脉血管命名模型进行训练，得到所述冠脉血管命名模型的预测效果；

9、根据所述预测效果，调整所述冠脉血管命名模型的模型参数，以实现通过所述冠脉血管命名模型对所述冠脉血管的造影图像中的冠脉血管进行命名。

10、本技术实施例还提供了一种冠脉血管命名方法，所述方法包括：

11、获取目标冠脉血管的造影图像；

12、提取所述目标冠脉血管的中心线；

13、通过冠脉血管命名模型对所述目标冠脉血管的中心线进行节点名称预测，得到所述目标冠脉血管的预测名称，其中，所述冠脉血管命名模型根据上述实施例训练得到。

14、本技术实施例还提供了一种冠脉血管命名模型训练装置，其特征在于，所述装置包括：

15、信息传输模块，用于获取冠脉血管的造影图像和心脏腔室图像；

16、信息处理模块，用于根据所述冠脉血管的造影图像，获取所述冠脉血管的中心线特征；

17、所述信息处理模块，用于根据所述心脏腔室图像，获取所述心脏腔室特征；

18、所述信息处理模块，用于计算所述冠脉血管的中心线与所述心脏腔室距离，得到距离特征；

19、训练模块，用于根据所述中心线特征、所述心脏腔室特征和所述距离特征，对冠脉血管命名模型进行训练，得到所述冠脉血管命名模型的预测效果；

20、所述训练模块，用于根据所述预测效果，调整所述冠脉血管命名模型的模型参数，以实现通过所述冠脉血管命名模型对所述冠脉血管的造影图像中的冠脉血管进行命名。

21、在一些实施例中，所述训练模块，用于对所述中心线特征进行去噪，得到与所述冠脉血管命名模型相匹配的第一训练样本集合，其中，所述第一训练样本集合包括至少一组训练样本；

22、所述训练模块，用于通过所述冠脉血管命名模型的编码器块，对所述第一训练样本进行编码，得到所述第一训练样本的编码结果；

23、所述训练模块，用于通过所述冠脉血管命名模型的核心块，对所述第一训练样本的编码结果进行迭代处理，得到所述第一训练样本的隐藏信息；

24、所述训练模块，用于当达到预设的迭代次数时，通过所述冠脉血管命名模型的编码器块，对所述第一训练样本的编码结果进行解码，得到所述冠脉血管命名模型的第一预测效果。

25、在一些实施例中，所述训练模块，用于通过所述冠脉血管命名模型的编码器块，对所述第一训练样本的编码结果进行解码，得到所述训练样本的预测名称；

26、所述训练模块，用于获取与所述第一训练样本相匹配的标签信息；

27、所述训练模块，用于根据所述标签信息，对所述预测名称进行检测，得到所述冠脉血管命名模型的第一预测效果。

28、在一些实施例中，所述训练模块，用于对所述中心线特征、所述心脏腔室特征和所述距离特征进行组合，得到与所述冠脉血管命名模型相匹配的第二训练样本集合，其中，所述第二训练样本集合包括至少一组训练样本；

29、所述训练模块，用于调整冠脉血管命名模型的感知机模块中的全连接层深度、所述全连接层宽度，并增加所述第二训练样本集合对应的分类标签；

30、所述训练模块，用于通过所述冠脉血管命名模型的编码器块，对所述第二训练样本进行编码，得到所述第二训练样本的编码结果；

31、所述训练模块，用于通过所述冠脉血管命名模型的核心块，对所述第二训练样本的编码结果进行迭代处理，得到所述第二训练样本的隐藏信息；

32、所述训练模块，用于当达到预设的迭代次数时，通过所述冠脉血管命名模型的编码器块，对所述第二训练样本的编码结果进行解码，得到所述冠脉血管命名模型的第二预测结果。

33、在一些实施例中，所述训练模块，用于获取所述第一预测结果中的第一准确率、第一精确率和第一召回率；

34、所述训练模块，用于获取所述第二预测结果中的第二准确率、第二精确率和第二召回率；

35、所述训练模块，用于当所述第二准确率大于所述第一准确率、所述第二精确率大于所述第一精确率、所述第二召回率大于所述第一召回率时，调整所述冠脉血管命名模型的模型参数，其中，所述冠脉血管命名模型的模型参数包括：

36、感知机模块中的全连接层深度、感知机模块中的全连接层宽度、核心块迭代次数以及批处理参数。

37、本技术实施例还提供了一种冠脉血管命名装置，所述装置包括：

38、信号传输模块，用于获取目标冠脉血管的造影图像；

39、信号处理模块，用于提取所述目标冠脉血管的中心线；

40、所述信号处理模块，用于通过冠脉血管命名模型对所述目标冠脉血管的中心线进行节点名称预测，得到所述目标冠脉血管的预测名称。

41、本技术实施例还提供了一种电子设备，其特征在于，所述电子设备包括：

42、存储器，用于存储可执行指令；

43、处理器，用于运行所述存储器存储的可执行指令时，实现前述的冠脉血管命名模型训练方法或者冠脉血管命名方法。

44、本技术实施例还提供了一种计算机可读存储介质，存储有可执行指令，其特征在于，所述可执行指令被处理器执行时实现前述的冠脉血管命名模型训练方法或者冠脉血管命名方法。

技术特征：

1.一种冠脉血管命名模型训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，根据所述中心线特征、所述心脏腔室的特征和所述距离特征，对冠脉血管命名模型进行训练，得到所述冠脉血管命名模型的预测效果，包括：

3.根据权利要求2所述的方法，其特征在于，所述通过所述冠脉血管命名模型的编码器块，对所述第一训练样本的编码结果进行解码，得到所述冠脉血管命名模型的第一预测效果，包括：

4.根据权利要求2所述的方法，其特征在于，所述方法还包括：

5.根据权利要求3和4所述的方法，其特征在于，根据所述预测效果，调整所述冠脉血管命名模型的模型参数，包括：

6.一种冠脉血管命名方法，其特征在于，所述方法包括：

7.一种冠脉血管命名模型训练装置，其特征在于，所述装置包括：

8.一种冠脉血管命名装置，其特征在于，所述装置包括：

9.一种电子设备，其特征在于，所述电子设备包括：

10.一种计算机可读存储介质，存储有可执行指令，其特征在于，所述可执行指令被处理器执行时实现权利要求1至5任一项所述冠脉血管命名模型训练方法，或者实现权利要求6所述的冠脉血管命名方法。

技术总结
本申请提供了一种冠脉血管命名模型训练方法、冠脉血管命名方法、装置电子设备以及存储介质，方法包括：获取冠脉血管的造影图像和心脏腔室图像；根据所述冠脉血管的造影图像，获取所述冠脉血管的中心线特征；根据所述心脏腔室图像，获取所述心脏腔室特征；计算所述冠脉血管的中心线与所述心脏腔室距离，得到距离特征；根据所述中心线特征、所述心脏腔室特征和所述距离特征，对冠脉血管命名模型进行训练，得到所述冠脉血管命名模型的预测效果；根据所述预测效果，调整所述冠脉血管命名模型的模型参数，本申请不但能够快速且自动化血管命名，还能够实现对冠脉血管中的变异血管命名，解决了相关技术中血管命名准确度低的缺陷。

技术研发人员：吴碧波,张超,王纯亮,毛益进,赵清华,吕岩,白萱
受保护的技术使用者：天津远景科技服务有限公司
技术研发日：
技术公布日：2024/12/5