基于迁移卷积神经网络的磁共振图像中静脉血管分割方法技术

本发明专利技术公开了一种基于迁移卷积神经网络的磁共振图像中静脉血管分割方法，主要解决现有技术中静脉血管分割不精确以及泛化能力较差的问题。其实现过程是：从一个病例的图像库中取70％的图像作为训练图像，30％作为测试图像；构建成对卷积神经网络，并使用训练图像对该网络进行训练；用训练好的网络对测试图像进行粗分割，得到粗分割图像；将粗分割图像作为DRLSE模型的初始轮廓图像；初始轮廓图像进行演化，得到静脉血管的分割结果图像；针对不同病例，将已训练好的网络的参数迁移到该病例的网络中，用于完成不同病例的静脉血管分割。本发明专利技术能有效地将核磁共振图像中的静脉血管分割出来，提高了泛化能力，可用于对核磁共振医学图像的静脉血管识别。

Vein segmentation in magnetic resonance images based on migration convolution neural network

The invention discloses a vein segmentation method in magnetic resonance image based on migration convolution neural network, which mainly solves the problems of inaccurate vein segmentation and poor generalization ability in the prior art. The realization process is as follows: taking 70% of the images from a case database as training images and 30% as testing images; constructing a pair of convolution neural networks and training the network with training images; using the trained network to roughly segment the test images to get rough segmentation images; using the rough segmentation images as D. The initial contour image of RLSE model; the initial contour image is evolved to get the segmentation result image of venous vessels; for different cases, the parameters of the trained network are migrated to the network of the case to complete the segmentation of venous vessels in different cases. The invention can effectively segment the veins in the magnetic resonance image, improve the generalization ability, and can be used for identifying the veins in the magnetic resonance medical image.

【技术实现步骤摘要】
基于迁移卷积神经网络的磁共振图像中静脉血管分割方法
本专利技术属于图像处理
，特别是涉及一种静脉血管的分割方法，可用于对磁共振医学图像的静脉血管识别。
技术介绍
随着计算机技术的飞速发展，大量医学成像技术纷纷涌现，比如磁共振图像MRI、计算机断层扫描CT、脑磁图MEG、三维超声成像，正电子发射断层照相PET、单光子发射计算机断层SPECT、漫射加权成像DWI、功能磁共振FMRI等。在临床医学中，医学影像发挥的作用越来越大，尤其是磁共振、脑部CT和脑电波等。医学图像已成为医生诊断和治疗病人的重要工具和手段。由于磁共振成像技术对软组织有较好的成像效果，因此临床上多采用磁共振技术来检测胰腺。胰腺周围存在有静脉血管，当医生需要对患者实施胰腺外科手术时，有误伤静脉血管的风险。因此，准确定位和分割出胰腺周围的静脉血管具有重要意义。从磁共振图像中可以发现，不同于其他组织，静脉血管在磁共振图像中占比很小。此外，由于磁共振图像并没有加血管增强剂，所以目标很不显著，主要存在以下问题：首先，在同一序列的MRI图像中静脉血管的形状和大小不同；其次，MRI图像中静脉血管通常很模糊；最后，MRI图像中具有与静脉血管相似影像的组织。这些问题对MRI图像中静脉血管的分割提出了严峻的挑战。在图像分割领域中，目前较为流行的是水平集方法，分为基于边缘的水平集方法和基于区域的水平集方法。基于边缘的水平集模型主要利用边缘信息来分割图像，该模型对初始化条件和噪声较为敏感，当图像边缘比较模糊时其分割效果便不尽人意。由于磁共振图像中静脉血管的边缘很模糊，初始曲线距离目标较远且形状与目标相差较大时，基于边缘的水平集方法并不能使曲线演化到目标边界。基于区域的水平集分割模型所虽对噪声不敏感，但容易过分割。由于静脉血管周围存在有其他组织，基于区域的水平集方法将导致分割边界不理想。
技术实现思路
本专利技术的目的在于针对上述现有技术的不足，提出一种基于迁移卷积神经网络的磁共振图像中静脉血管分割方法，以减少静脉血管的过分割，提高分割精度。为实现上述目的，本专利技术的技术方案包括：1)从一个病例的磁共振图像库中取百分之七十的图像作为训练图像，百分之三十作为测试图像；2)构建出成对的卷积神经网络：设计两个作用不同的卷积神经网络，其中第一个卷积神经网络1用于定位出静脉血管的位置，第二个卷积神经网络2用于对定位出的静脉血管区域做粗分割；将网络1和网络2进行层间的串联连接，构建出成对的卷积神经网络；3)对成对的卷积神经网络进行：将训练图像中属于目标的大小为25×25的图像小块作为第一卷积神经网络1的正类样本，不属于目标的大小为25×25图像小块作为第一卷积神经网络1的负类样本，用正类样本和负类样本对第一卷积神经网络网络1进行训练；将训练图像中属于目标的大小为5×5的图像小块作为第二卷积神经网络2的正类样本，将不属于目标的大小为5×5图像小块作第二卷积神经网络网络2的负类样本，用正类样本和负类样本对第二卷积神经网络网络2进行训练，最终得到训练好的成对卷积神经网络；4)在测试图像上进行滑窗，将得到的每一个图像小块输入到训练好的成对卷积神经网络中，判断是否属于正类样本，得到的二值图作为粗分割图像；5)采用形态学方法对步骤4)得到的粗分割图像进行闭运算处理，并将运算处理后的结果作为基于距离正则水平集模型的初始轮廓图像；6)对初始轮廓图像进行距离正则下的演化，得到最终静脉血管的分割结果；7)针对不同的病例，采用参数迁移学习的方法，将已训练好的成对卷积神经网络的参数迁移到该病例的成对卷积神经网络中，取三张该病例中有标记的图像作为训练图像，构造出正类样本和负类样本，对迁移后的成对卷积神经网络进行微调，得到该病例的成对卷积神经网络，执行步骤4)至步骤6)，完成对不同病例的静脉血管分割处理。本专利技术与现有技术相比具有以下优点：1、本专利技术通过成对卷积神经网络中的两个网络分别学习了静脉血管的整体轮廓特征和细节纹理特征，可实现对磁共振图像中静脉血管的自动定位以及粗分割。2、本专利技术利用粗分割图像作为基于距离正则水平集模型的初始轮廓图像，使得初始轮廓图像可有效地演化为目标边界轮廓图，避免了手动设置初始轮廓图像的人力损耗以及因初始轮廓图像不佳而导致无法演化为目标边界轮廓图的问题。3、本专利技术针对不同的病例，采用参数迁移学习的方法，将已训练好的成对卷积神经网络的参数迁移到该病例的成对卷积神经网络中，对迁移后的成对卷积神经网络进行微调，有效减少了迁移后的成对卷积神经网络的训练时间。附图说明图1是本专利技术的实现流程图；图2是本专利技术中第一卷积神经网络的结构示意图；图3是本专利技术中第二卷积神经网络的结构示意图；图4是本专利技术中的成对卷积神经网络示意图；图5是一个病例中的一幅磁共振图像；图6是用本专利技术对图5进行静脉血管分割后得到的结果图；图7是将图6的分割结果标记到图5上的示意图；图8是另一病例中的一幅磁共振图像；图9是用本专利技术对图8进行静脉血管分割后得到的结果图。具体实施方式以下结合附图对本专利技术的实施力和效果做进一步说明。参照图1，本专利技术磁共振图像中静脉血管的分割方法，包括如下步骤：步骤1：选取图像。从一个病例的磁共振图像库中取百分之七十的图像作为训练图像，百分之三十的图像作为测试图像。步骤2：构建成对卷积神经网络。2a)设计第一卷积神经网络1：参照图2，本步骤设计的第一卷积神经网络1包括有如下9层结构：第一层为图像输入层，输入图像大小为25×25；第二层为卷积层，卷积核个数为16，卷积核大小为3×3，滑动步长为1；第三层为激励层，激励函数为修正线性单元函数，对上层的输出结果进行激励；第四层为卷积层，卷积核个数为16，卷积核大小为3×3，滑动步长为1；第五层为激励层，激励函数为修正线性单元函数，对上层的输出结果进行激励；第六层为池化层，采用最大池化方法对上层的输出结果进行池化；第七层为全连接层，输出结点个数为2；第八层为Softmax层，对上层的输出结果进行归一化；第九层为输出层，输出类标；2b)设计第二卷积神经网络2参照图3，本步骤设计的第二卷积神经网络2包括如下8层结构，其中：第1层为图像输入层，输入图像小块大小为5×5；第2层为卷积层，卷积核个数为16，卷积核大小为3×3，滑动步长为1；第3层为激励层，激励函数为修正线性单元函数，对上层的输出结果进行激励；第4层为卷积层，卷积核个数为16，卷积核大小为3×3，滑动步长为1；第5层为激励层，激励函数为修正线性单元函数，对上层的输出结果进行激励；第6层为全连接层，输出节点个数为2；第7层为Softmax层，对上层的输出结果进行归一化；第8层为输出层，输出类标；2c)根据第一卷积神经网络1和第二卷积神经网络2，构建出成对卷积神经网络：参照图4，本步骤将第一卷积神经网络1中第九层的正类输出接口与第二卷积神经网络2中第一层的输入接口进行连接，得到成对卷积神经网络，该成对卷积神经网络包括有16层，各层参数如下：第1层为像输入层，输入图像小块大小为25×25；第2层为卷积层，卷积核个数为16，卷积核大小为3×3，滑动步长为1；第3层为激励层，激励函数为修正线性单元函数，对上层的输出结果进行激励；第4层为卷积层，卷积个数为16，卷积核大小为3×3，滑动步长为1；第5层为激励层本文档来自技高网...

【技术保护点】
1.一种基于迁移卷积神经网络的磁共振图像中静脉血管分割方法，包括：1)从一个病例的磁共振图像库中取百分之七十的图像作为训练图像，百分之三十作为测试图像；2)构建出成对的卷积神经网络：设计两个作用不同的卷积神经网络，其中第一个卷积神经网络1用于定位出静脉血管的位置，第二个卷积神经网络2用于对定位出的静脉血管区域做粗分割；将网络1和网络2进行层间的串联连接，构建出成对的卷积神经网络；3)对成对的卷积神经网络进行：将训练图像中属于目标的大小为25×25的图像小块作为第一卷积神经网络1的正类样本，不属于目标的大小为25×25图像小块作为第一卷积神经网络1的负类样本，用正类样本和负类样本对第一卷积神经网络网络1进行训练；将训练图像中属于目标的大小为5×5的图像小块作为第二卷积神经网络2的正类样本，将不属于目标的大小为5×5图像小块作第二卷积神经网络网络2的负类样本，用正类样本和负类样本对第二卷积神经网络网络2进行训练，最终得到训练好的成对卷积神经网络；4)在测试图像上进行滑窗，将得到的每一个图像小块输入到训练好的成对卷积神经网络中，判断是否属于正类样本，得到的二值图作为粗分割图像；5)采用形态学方法对步骤4)得到的粗分割图像进行闭运算处理，并将运算处理后的结果作为基于距离正则水平集模型的初始轮廓图像；6)对初始轮廓图像进行距离正则下的演化，得到最终静脉血管的分割结果；7)针对不同的病例，采用参数迁移学习的方法，将已训练好的成对卷积神经网络的参数迁移到该病例的成对卷积神经网络中，取三张该病例中有标记的图像作为训练图像，构造出正类样本和负类样本，对迁移后的成对卷积神经网络进行微调，得到该病例的成对卷积神经网络，执行步骤4)至步骤6)，完成对不同病例的静脉血管分割处理。...

【技术特征摘要】
1.一种基于迁移卷积神经网络的磁共振图像中静脉血管分割方法，包括：1)从一个病例的磁共振图像库中取百分之七十的图像作为训练图像，百分之三十作为测试图像；2)构建出成对的卷积神经网络：设计两个作用不同的卷积神经网络，其中第一个卷积神经网络1用于定位出静脉血管的位置，第二个卷积神经网络2用于对定位出的静脉血管区域做粗分割；将网络1和网络2进行层间的串联连接，构建出成对的卷积神经网络；3)对成对的卷积神经网络进行：将训练图像中属于目标的大小为25×25的图像小块作为第一卷积神经网络1的正类样本，不属于目标的大小为25×25图像小块作为第一卷积神经网络1的负类样本，用正类样本和负类样本对第一卷积神经网络网络1进行训练；将训练图像中属于目标的大小为5×5的图像小块作为第二卷积神经网络2的正类样本，将不属于目标的大小为5×5图像小块作第二卷积神经网络网络2的负类样本，用正类样本和负类样本对第二卷积神经网络网络2进行训练，最终得到训练好的成对卷积神经网络；4)在测试图像上进行滑窗，将得到的每一个图像小块输入到训练好的成对卷积神经网络中，判断是否属于正类样本，得到的二值图作为粗分割图像；5)采用形态学方法对步骤4)得到的粗分割图像进行闭运算处理，并将运算处理后的结果作为基于距离正则水平集模型的初始轮廓图像；6)对初始轮廓图像进行距离正则下的演化，得到最终静脉血管的分割结果；7)针对不同的病例，采用参数迁移学习的方法，将已训练好的成对卷积神经网络的参数迁移到该病例的成对卷积神经网络中，取三张该病例中有标记的图像作为训练图像，构造出正类样本和负类样本，对迁移后的成对卷积神经网络进行微调，得到该病例的成对卷积神经网络，执行步骤4)至步骤6)，完成对不同病例的静脉血管分割处理。2.根据权利要求1所述的方法，其中步2)中的第一卷积神经网络1，包括有如下9层结构：第一层为图像输入层，输入图像大小为25×25；第二层为卷积层，卷积核个数为16，卷积核大小为3×3，滑动步长为1；第三层为激励层，激励函数为修正线性单元函数，对上层的输出结果进行激励；第四层为卷积层，卷积核个数为16，卷积核大小为3×3，滑动步长为1；第五层为激励层，激励函数为修正线性单元函数，对上层的输出结果进行激励；第六层为池化层，采用最大池化方法对上层的输出结果进行池化；第七层为全连接层，输出结点个数为2；第八层为Softmax层，对上层的输出结果进行归一化；第九层为输出层，输出类标。3.根据权利要求1所述的方法，其中步2)中的第二卷积神经网络2，包括有如下8层结构：第1层为图像输入层，输入图像小块大小为5×5；第2层为卷积层，卷积核个数为16，卷积核大小为3×3，滑动步长为1；第3层为激励层，激励函数为修正线性单元函数，对上层的输出结果进行激励；第4层为卷积层，卷积核个数为16，卷积核大小为3×3，滑动步长为1；第5层为激励层，激励函数为修正线性单元函数，对上层的输出结果进行激励；第6层为全连接层，输出节点个数为2；第7层为Softmax层，对上层的输出结果进行归一化；第8层为输出层，输出类标。4.根据权利要求1所述的方法，其中步2)中将网络1和网络2进行层间的串联连接，是将网络1中第九层的正类输出接口与网络2中第一层的输入接口进行连接，构建出成对卷积神经网络。5.根据权利要求4所述的方法，其中所述的成对卷积神经网络，包括有16层，各层参数如下：第1层为像输入层，输入图像小块大小为25×25；第2层为卷积层，卷积核个数为16，卷积核大小为3...

【专利技术属性】
技术研发人员：缑水平，汪淼，张沛阳，姚瑶，毛莎莎，焦李成，马文萍，马晶晶，
申请(专利权)人：西安电子科技大学，杭州职业技术学院，
类型：发明
国别省市：陕西,61