【技术实现步骤摘要】
一种主动脉夹层分割模型的构建方法及应用
本专利技术涉及医学影像领域，特别是涉及一种主动脉夹层分割模型的构建方法及应用。
技术介绍
主动脉夹层的治疗一般通过移植覆膜支架手术来完成。手术前医生需要根据夹层的形态参数(如真腔最大直径)来做预后及确定具体的手术方案，如选取合适尺寸的支架。手术后医生也需要根据夹层形态参数来判断手术效果。通过对主动脉夹层分割可以获取夹层的形态参数(如真、假腔的直径)。目前主动脉夹层分割方法主要分为传统分割方法统方法主要包括诸如霍夫圆检测、中心线提取等基于模型的方法(model-basedmethod)，此类方法做一例主动脉夹层分割往往很耗时。近年来随着深度卷积神经网络应用条件的成熟，在主动脉分割领域出现一些基于的深度学习方法。但是，对于夹层(真、假腔)的分割尚未见公开的相关工作。因此，目前亟需构建一种主动脉夹层分割模型以快速有效地获取主动脉夹层的分割预测结果，以大大减少医生的诊断时间，为手术方案制定提供有效地支撑。
技术实现思路
有鉴于此，本申请提供一种主动脉夹层分割模型的构建方法及应用，有利于快速有效地获取主动脉夹层的分割预测结果，以大大减少医...
【技术保护点】
1.一种主动脉夹层分割模型的构建方法，其特征在于，包括：A、获取指定数量的主动脉夹层患者的主动脉区域的CTA图像，；B、通过卷积神经网络对所述CTA图像进行预处理，并提取预处理后的所述CTA图像的主动脉夹层的主动脉、真腔、假腔的图像特征；并且获取金标准分割的主动脉、真腔、假腔的位置标注信息；C、根据所述图像特征及所述位置标注信息，通过多任务网络Multi‑task UNet进行训练，以获取训练后的主动脉夹层分割模型。
【技术特征摘要】
1.一种主动脉夹层分割模型的构建方法，其特征在于，包括：A、获取指定数量的主动脉夹层患者的主动脉区域的CTA图像，；B、通过卷积神经网络对所述CTA图像进行预处理，并提取预处理后的所述CTA图像的主动脉夹层的主动脉、真腔、假腔的图像特征；并且获取金标准分割的主动脉、真腔、假腔的位置标注信息；C、根据所述图像特征及所述位置标注信息，通过多任务网络Multi-taskUNet进行训练，以获取训练后的主动脉夹层分割模型。2.根据权利要求1所述的方法，其特征在于，所述步骤C之后还包括：D、选取指定数量的CTA图像作为验证集，对所述主动脉夹层分割模型进行验证；其中，所述CTA图像包含有提取后的图像特征及位置标注信息；包括：D1、将验证集中的原始的未标注的CTA图像输入至所述主动脉夹层分割模型中，通过该模型输出所述CTA图像中的主动脉夹层部位的主动脉、真腔和假腔的分割的预测结果；D2、将所述预测结果与其对应的CTA图像的的金标准分割的位置标注信息进行重叠度比对以及获取两者之间的Hausdorff距离；D3、采用最大化所述重叠度的同时最小化Hausdorff距离的混合损失函数策略对所述主动脉夹层分割模型进行优化处理，继续对所述主动脉夹层分割模型进行训练至所述重叠度最大且所述Hausdorff距离最小。3.根据权利要求2所述的方法，其特征在于，步骤D3所述混合损失函数的获取方式为，包括：将所述重叠度进行可微分处理，且将所述Hausdorff距离进行可微分处理；根据可微分处理后的重叠度以及可微分处理后的Hausdorff距离获取针对主动脉、真腔和假腔的每一分割任务的损失函数；根据所述每一分割任务的损失函数获取最终的混合损失函数。4.根据权利要求3所述的方法，其特征在于，所述重叠度的可微分的表达式为：其中，为模型输入的每个分割任务的标签；c为类别，包括背景和前景，分别用0,1表示；则表示背景或前景的标签，则表示的第i个体素；ρ为模型输出的每个分割任务的标签；c为类别，包括背景和前景，分别用0,1表示；ρc则表示背景或前景的标签，则表示ρc的第i个体素；其中，若假设标签的尺寸为a×b×c，则...
【专利技术属性】
技术研发人员：柴象飞，郭伟，郭娜，葛阳阳，左盼莉，曹龙，孟博文，王成，李健宁，
申请(专利权)人：慧影医疗科技北京有限公司，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。