技术摘要：
本发明公开了一种血管分割方法与系统，其中，该方法包括步骤：获取待分割CTA图像；将所述待分割图像输入到预先训练好的分割模型，获得并输出分割的血管图像；其中，分割模型通过对历史CTA图像训练得到；分割模型为改进的U‑net模型，所述改进的U‑net模型的卷积层为循  全部
背景技术：
心血管疾病是全球发病率最高的疾病之一，其致死率也是居高不下。而冠状动脉 粥样硬化，通称冠心病，是最常见的心脏疾病之一，其主要病因是由于冠状动脉狭窄或者闭 阻而导致血流很难或者无法到达心脏从而致使心肌缺血或者是坏死。通常CTA(Computed  Tomography  Angiography)是最常用来进行冠心病的诊断的手段。通过血管造影与CT的全 方位扫描的特点，可以显示血管结构的细节，从而判断冠状动脉是否有明显的堵塞风险。然 而由于血管的形态较为复杂，通常的做法是通过传统的图像分割技术，比如基于阈值或者 是基于区域的分割方法来分割出血管辅助医生进行诊断，然而该方法鲁棒性不强并且依然 需要大量的人为介入。 目前，基于深度学习的图像分割在日常生活有了广泛应用，但是其在医疗以及诊 断领域的应用还有待进一步的加强。主要原因在于： 1)、医疗影像往往会有较多的噪音存在，其图像质量一般低于大部分其他图像，这 给深度学习带来了挑战。 2)、分割任务对精度的要求远高于分类模型，相对于简单的分类问题，图像分割实 质上是一种像素级别的分类，换句话说，对于图像的每一个像素都需要进行分类来实现对 一个特定物体的分割。虽然目前主流的的深度学习分割模型如Fully  Convolutional  N以 及U-net在分割任务中已经有了较好的表现，但是CTA图像血管形态较为复杂而且微小难以 一次性分割出来，直接使用FCN和U-net不能够准确的分割出血管的形态，并且容易错误的 把器官或者其他组织的血管分割为血管。最简单的方法是将深度学习模型加深或者加宽来 增加参数量以达到增强学习能力的效果，然而这样会显著增加GPU的内存消耗，从而可操作 性不强。 有鉴于此，亟需提供一种可以在不增加参数量的情况下有着更强学习能力并且对 血管形态更为敏感的模型。
技术实现要素：
为了解决上述技术问题，本发明所采用的技术方案是提供了一种血管分割方法， 包括以下步骤： 获取待分割CTA图像；将所述待分割图像输入到预先训练好的分割模型，获得并输 出分割的血管图像；其中，分割模型通过对历史CTA图像训练得到； 分割模型为改进的U-net模型，所述改进的U-net模型的上采样及下采样的各层第 二个卷积层为循环卷积层。 在上述方法中，所述分割模型通过以下方式进行训练： 将历史待分割图像作为训练样本集输入初始分割模型，先将历史待分割图像进行 4 CN 111583262 A 说　明　书 2/7 页 去噪处理后得到去噪图像，历史待分割图像与去噪图像同时输入至初始分割模型，获得分 割得到的预测图像及损失函数，预测图像反馈至输入端与下一个历史待分割图像、去噪图 像输入至分割模型进行下一轮分割，同时将每次生成的损失函数进行加权求和并执行梯度 反传至模型，更新模型参数，循环直至损失函数收敛，则初始分割模型训练完成，得到训练 好的分割模型。 在上述方法中，包括步骤将历史待分割图像进行去噪处理后去噪图像后，系统将 构造一伪预测图像，与历史待分割图像、去噪图像拼接成3通道输入至初始分割模型。 在上述方法中，所述将历史分割CTA图像作为训练样本集输入初始分割模型包括 以下步骤： 使用frangi  filter滤波器对待分割CTA图像与历史待分割图像进行血管结构进 行提取并去除其他噪音。 本发明还提供了一种血管分割系统，其特征在于，包括 输入单元，用于输入取待分割CTA图像； 分割单元，使用分割模型对输入的图像进行分割，获得并输出分割结果发送至输 出单元； 输出单元：输出显示分割结果； 分割模型为改进的U-net模型，所述改进的U-net模型的上采样及下采样的各层第 二个卷积层为循环卷积层。 在上述方案中，所述分割模型由模型训练单元训练获得，其中： 模型训练单元包括： 图像输入模块，用于获取输入的图像，并传输至初始分割模块； 初始分割模块，通过初始分割模型对输入的图像进行分割，获得分割结果及生成 的损失函数； 分割结果反馈模块，用于接收分割结果及生成的损失函数，并将分割结果反馈发 送至图像输入模块，将生成的损失函数发送至损失函数加权模块； 损失函数加权模块，用于将分割结果反馈模块发送的损失函数进行加权并反传至 模型对模型参数进行更新； 判断模块，用于判断损失函数是否收敛，直至收敛停止训练，获得分割模型。 在上述方案中，包括与所述图像输入模块连接的图像处理模块；通过frangi  filter滤波器对待分割的原图像进行滤波除躁处理。 在上述方案中，所述图像输入模块还将在初始分割模型训练初始时构造一伪预测 图像，与历史待分割图像、去噪图像拼接成3通道输入至初始分割模型。 在上述方案中，所述改进的U-net模型的构造方法为： 确定原始U-net模型的深度L，并定义一个参数l，且L＞l，将深度大于l的卷积层设 置成循环卷积层，构成改进的U-net模型。 本发明提出利用迭代的方式对提升分割精确度，具体上来说，通过对传统U-net的 改造，将卷积层替换为循环卷积层来实现特征的迭代精修，通过将分割结果作为输入循环 修正分割结果来实现结果的迭代精修，这样既没有引入额外的参数，又可以达到迭代修正 的效果，且不增加GPU的内存消耗。 5 CN 111583262 A 说　明　书 3/7 页 附图说明 为了更清楚地说明本发明