(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210583355.2 (22)申请日 2022.05.25 (71)申请人 北京大学 地址 100871 北京市海淀区颐和园路5号 (72)发明人 于皓　张立　赵杰　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 刘艳 (51)Int.Cl. G06T 7/187(2017.01) G06V 10/74(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 通过图神经网络的链路预测进行血管分割 的方法和装置 (57)摘要 本发明提供一种通过图神经网络的链路预 测进行血管分割的方法和装置， 所述通过图神经 网络的链路预测进行血管分割的方法， 包括： 将 待测血管图像输入至U ‑net模型， 获取由U ‑net模 型输出的目标第一邻接矩阵； 基于待测血管图像 的节点集、 边集和目标第一邻接矩阵， 生成目标 血管连通图。 本发明的通过图神经网络的链路预 测进行血管分割的方法， 通过优化后的U ‑net模 型基于待测血管图像生成对应有较优连通性 以 及拓展性的目标第一邻接矩阵， 然后基于节点 集、 边集和目标第一邻接矩阵生成目标血管连通 图， 能够显著增强血管的拓扑结构和连通性， 从 而提高血 管图像的分割效率和效果。 权利要求书2页 说明书12页 附图3页 CN 115170599 A 2022.10.11 CN 115170599 A 1.一种通过图神经网络的链路预测进行 血管分割的方法， 其特 征在于， 包括： 将待测血 管图像输入至U ‑net模型， 获取由所述U ‑net模型输出的目标第一邻接矩阵； 基于所述待测血管图像的节点集、 边集和所述目标第一邻接矩阵， 生成目标血管连通 图； 其中， 所述U ‑net模型为， 以带边标签的样本血管图像为训练样本， 基于目标损失函数， 训练得到 。 2.根据权利要求1所述的通过图神经网络的链路预测进行血管分割的方法， 其特征在 于， 在所述将待测血 管图像输入至U ‑net模型之前， 所述方法包括： 基于所述样本血 管图像的节点 集和边集， 生成样本第一邻接矩阵； 基于节点特 征和所述样本第一邻接矩阵， 预测节点之间的链路， 生成第二邻接矩阵； 基于所述样本第一邻接矩阵和所述第二邻接矩阵， 确定所述目标损失函数。 3.根据权利要求2所述的通过图神经网络的链路预测进行血管分割的方法， 其特征在 于， 所述基于所述样本血 管图像的节点 集和边集， 生成样本第一邻接矩阵， 包括： 对所述节点 集中目标节点进行聚类， 生成与所述目标节点对应的簇； 基于所述目标节点对应的簇和所述簇 中每个像素点的特征， 生成所述目标节点对应的 节点特征； 基于所述节点特 征之间的余弦相似度， 生成所述样本第一邻接矩阵。 4.根据权利要求2所述的通过图神经网络的链路预测进行血管分割的方法， 其特征在 于， 所述基于节点特征和所述样本第一邻接矩阵， 预测节点之间的链路， 生成第二邻接矩 阵， 包括： 基于图卷积对所述节点特 征进行编码， 生成节点嵌入表示； 使用内积对所述节点嵌入表示进行解码， 生成所述第二邻接矩阵。 5.根据权利要求4所述的通过图神经网络的链路预测进行血管分割的方法， 其特征在 于， 所述使用内积对所述节点嵌入表示进行解码， 生成所述第二邻接矩阵， 包括： 基于公式： with Z＝Encoder(f,A) 生成所述第二邻接矩阵， 其中， 为所述第二邻接矩阵， Z为所述节点嵌入表示， f为所述 节点特征， A为所述样本第一邻接矩阵， Encoder为目标图卷积层， σ 为sigmo id函数。 6.根据权利要求2所述的通过图神经网络的链路预测进行血管分割的方法， 其特征在 于， 在所述基于所述样本血管图像的节点集和边集， 生成样本第一邻接矩阵之前， 所述方法 包括： 基于所述样本血 管图像中血 管的人工注释， 生成所述血 管的骨架结构； 在所述骨架结构上进行角点采样， 生成所述节点集； 所述节点集包括角点， 各所述角点 间欧几里德距离不低于第一目标阈值； 基于所述血 管的人工注释， 生成所述节点 集中两个所述节点之间的测地距离； 在所述测地距离小于第二目标阈值的情况下， 在所述测地距离对应的节点之间构造 边， 生成所述 边集； 基于所述骨架和所述 边集之间的距离， 确定所述 边集中目标边的正负值。权　利　要　求　书 1/2 页 2 CN 115170599 A 27.一种通过图神经网络的链路预测进行 血管分割的装置， 其特 征在于， 包括： 第一处理模块， 用于将待测血管 图像输入至U ‑net模型， 获取由所述U ‑net模型输出的 目标第一邻接矩阵； 第二处理模块， 用于基于所述待测血管图像的节点集、 边集和所述目标第 一邻接矩阵， 生成目标 血管连通图； 其中， 所述U ‑net模型为， 以带边标签的样本血管图像为训练样本， 基于目标损失函数， 训练得到 。 8.一种电子设备， 包括存储器、 处理器及存储在所述存储器上并可在所述处理器上运 行的计算机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求1至6任一项所 述通过图神经网络的链路预测进行 血管分割的方法。 9.一种非暂态计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机 程序被处理器执行时实现如权利要求1至6任一项所通过图神经网络的链路预测进行血管 分割的方法。 10.一种计算机程序产品， 包括计算机程序， 其特征在于， 所述计算机程序被处理器执 行时实现如权利要求1至 6任一项所述 通过图神经网络的链路预测进行 血管分割的方法。权　利　要　求　书 2/2 页 3 CN 115170599 A 3