基于注意力机制和全卷积神经网络的冠状血管分割方法技术

本发明专利技术涉及一种基于注意力机制和全卷积神经网络的冠状血管分割方法，该分割方法包括以下步骤：步骤1：获取用于神经网络训练的输入数据；步骤2：利用输入数据训练融入注意力机制的三维全卷积网络模型；步骤3：利用训练完毕的三维全卷积网络模型对实际病人图像进行冠状血管初步预测分割；步骤4：通过传统算法对初步预测分割的结果进行迭代优化并获得最终的冠状血管分割结果。与现有技术相比，本发明专利技术具有分割结果清晰度好，准确度高等优点。

Coronary artery segmentation based on attention mechanism and full convolution neural network

【技术实现步骤摘要】
基于注意力机制和全卷积神经网络的冠状血管分割方法
本专利技术涉及医学图像处理
，尤其是涉及一种基于注意力机制和全卷积神经网络的冠状血管分割方法。
技术介绍
冠心病是当今世界上最大的健康问题之一。通过在医学图像中分割冠状动脉并检查它们，可以找到关于异常狭窄和斑块的重要信息，这些是造成这些疾病的主要原因。当今手动分割冠状动脉很耗时并且由操作者的主观意识去决定，准确度低，图像清晰度也不够，这使得现在的临床医学图像识别处理中对自动分割技术的需要显而易见。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于注意力机制和全卷积神经网络的冠状血管分割方法。本专利技术的目的可以通过以下技术方案来实现：一种基于注意力机制和全卷积神经网络的冠状血管分割方法，该分割方法包括以下步骤：步骤1：获取用于神经网络训练的输入数据；步骤2：利用输入数据训练融入注意力机制的三维全卷积网络模型；步骤3：利用训练完毕的三维全卷积网络模型对实际病人图像进行冠状血管初步预测分割；步骤4：通过传统算法对初步预测分割的结果进行迭代优化并获得最终的冠状血管分割结果。进一步地，所述的步骤1包括以下分步骤：步骤11：获取冠状血管原始CTA图像；步骤12：针对原始CTA图像进行筛选；步骤13：对经过筛选后的CTA图像进行需要分割的冠脉和主动脉的位置标注；步骤14：对经过位置标注的CTA图像进行数据二值化得到最终用于神经网络训练的输入数据。进一步地，所述步骤11中的冠状血管原始CTA图像的个数为200～300，所述步骤13中的经过筛选后的CTA图像的个数至少为160。进一步地，所述步骤2中的融入注意力机制的三维全卷积网络模型包括第一卷积层、第二卷积层和第三卷积层，所述第一卷积层采用的卷积核尺寸为5×5×5，其采用的卷积步长为1，所述第二卷积层采用的卷积核尺寸为2×2×2，其采用的卷积步长为2，所述第三卷积层采用的卷积核尺寸为1×1×1。进一步地，所述步骤2中三维全卷积网络模型的描述公式为：式中，表示第，层的第m个三维全卷积网络模型输出特征体积，σ(.)表示非线性激活函数，表示内核尺寸为m×n×t的3D滤波器，表示偏差，表示第l-1层的第k个特征体积。进一步地，所述非线性激活函数，其描述公式为：σ(Fi)＝max(0，Fi)+αi·min(0，Fi)式中，σ(Fi)表示非线性激活函数的输出，Fi表示非线性激活函数的输入，αi表示学习控制Fi的负数部分所需的训练参数。进一步地，所述步骤4具体包括：通过水平集函数算法对初步预测分割的结果进行迭代优化并获得最终的冠状血管分割结果，所述水平集函数算法的演化满足方程为：式中，φt表示水平集函数，表示包括与图像有关的项以及与曲线的几何形状有关的项的曲线法线方向上的速度函数。进一步地，所述步骤2中的注意力机制采用注意力门，其描述公式为：式中，σ1和σ2表示注意系数，表示注意系数矢量，gi表示门控矢量，Θatt表示注意力门的特征参数组合，和分别表示输入特征图和门控矢量各自的线性变换矩阵，表示输入特征图，gi表示门控矢量，bg表示门控矢量偏置项，ψT表示参数整流线性单元的线性变换矩阵，bψ表示参数整流线性单元的偏置项。与现有技术相比，本专利技术具有以下优点：(1)本专利技术利用深度学习中的三维全卷积神经网络对冠脉血管进行分割，并且在三维全卷积神经网络中联合注意力机制来提升网络整体的训练以及预测的效果，最后还把网络预测结果送入水平集函数进行进一步迭代优化，来得到最终分割结果，实现冠脉血管的全自动分割，更好的辅助医学，判断速度快。(2)本专利技术尤其适合用于医院等医疗卫生部门，当医院的医生想要对患者做出相关判断，判断患者是否具有冠心病等心血管疾病的时候，就不需要通过从外界引入压力导丝去判断血管是否堵塞等症状，更不需要让医务人员在冠脉CTA影像上手动分割血管，只需要把患者原始冠脉CTA(computedtomographyangiography)影像送入到计算机中，让计算机通过计算来自动分割血管，从而准确判断患者是否具有冠心病等心血管疾病，及早进行治疗，整体效率高，准确度高。附图说明图1为本专利技术的整体方法阶段模块图；图2为本专利技术的方法流程示意图；图3为本专利技术的融入注意力机制的三维全卷积网络模型的结构图；图4为本专利技术中注意力机制的工作流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本专利技术保护的范围。实施例如图1所示为本专利技术的整体方法阶段模块图，包括：数据准备模块，通过专家人工标注的方法把冠脉血管部位标注好，是原始数据与标签数据成对存在，深度学习模块，把成对冠脉血管数据送入到联合注意力机制的三维全卷积网络去训练模型，并用训练好的模型对血管部位进行预测分割，传统算法优化模块，把网络分割的初步结果运用水平集函数进行迭代优化，深度学习模块采用了融入注意力机制的三维全卷积网络模型来对冠脉血管进行初步预测分割，提升分割的精度。如图2所示为本专利技术的方法流程示意图，该分割方法包括以下步骤：步骤1：获取用于神经网络训练的输入数据；步骤2：利用输入数据训练融入注意力机制的三维全卷积网络模型；步骤3：利用训练完毕的三维全卷积网络模型对实际病人图像进行冠状血管初步预测分割；步骤4：通过传统算法对初步预测分割的结果进行迭代优化并获得最终的冠状血管分割结果。具体步骤流程如下：数据准备，首先获取冠脉血管原始CTA影像，一组病人的原始数据一般包含200到300张切片，里面包含很多无用切片(不存在冠脉和主动脉的情况)，所以先通过筛选的方法把每组病人的数据固定到160张，然后通过人工标注的方法标注出需要分割的冠脉和主动脉所在的具体位置，并且把标签数据二值化，1代表血管的对应位置，0代表背景部分，最后使得每组病人的原始冠脉CTA图像与标签图片成对存在。深度学习，原始网络本专利技术实施例选用三维全卷积网络结构，如图3所示，网络的左侧分为不同的阶段，以不同的分辨率运行。每个阶段包含一到三个卷积层，并且在每个阶段中，通过把每个阶段的输入在卷积层中进行非线性处理，并且将该层添加到该级的最后一个卷积层的输出，以便能够学习残差函数。在网络结构中融入这种残差函数学习的优点就在于可以使网络在短时间内达到收敛的状态。在每个阶段中执行的卷积使用的是卷积核尺寸5×5×5，步长为1的卷积。随着数据沿编码路径前进不同阶段，其分辨率逐渐降低。这是通过卷积核尺寸2×2×2，步长为2的卷积来完成。由于第二个操作仅通过考虑非重叠的2×2×2卷积核来提取特征，因此所得特征图的大小减半。这种通过卷积来减半特征图的方法也是代替了以往卷积神经网络中常用的池化操作。此外，由于特征通道的数量在该网络中的编码路径的每个阶段加倍，并且由于模型作为残差网络的形成，本专利技术实施例采用这些卷积操作使特征映射的数量加倍，因为本专利技术实施例降低它们的分辨率。在整个网络中应用了PReLU非线性激活函数，并且在非线性激活函数前本专利技术实施例也采用了批标准化，通过一定的规范化手段，把每层神经网络任意神经元这个输入值的本文档来自技高网...

【技术保护点】
1.一种基于注意力机制和全卷积神经网络的冠状血管分割方法，其特征在于，该分割方法包括以下步骤：步骤1：获取用于神经网络训练的输入数据；步骤2：利用输入数据训练融入注意力机制的三维全卷积网络模型；步骤3：利用训练完毕的三维全卷积网络模型对实际病人图像进行冠状血管初步预测分割；步骤4：通过传统算法对初步预测分割的结果进行迭代优化并获得最终的冠状血管分割结果。

【技术特征摘要】
1.一种基于注意力机制和全卷积神经网络的冠状血管分割方法，其特征在于，该分割方法包括以下步骤：步骤1：获取用于神经网络训练的输入数据；步骤2：利用输入数据训练融入注意力机制的三维全卷积网络模型；步骤3：利用训练完毕的三维全卷积网络模型对实际病人图像进行冠状血管初步预测分割；步骤4：通过传统算法对初步预测分割的结果进行迭代优化并获得最终的冠状血管分割结果。2.根据权利要求1所述的一种基于注意力机制和全卷积神经网络的冠状血管分割方法，其特征在于，所述的步骤1包括以下分步骤：步骤11：获取冠状血管原始CTA图像；步骤12：针对原始CTA图像进行筛选；步骤13：对经过筛选后的CTA图像进行需要分割的冠脉和主动脉的位置标注；步骤14：对经过位置标注的CTA图像进行数据二值化得到最终用于神经网络训练的输入数据。3.根据权利要求2所述的一种基于注意力机制和全卷积神经网络的冠状血管分割方法，其特征在于，所述步骤11中的冠状血管原始CTA图像的个数为200～300，所述步骤13中的经过筛选后的CTA图像的个数至少为160。4.根据权利要求1所述的一种基于注意力机制和全卷积神经网络的冠状血管分割方法，其特征在于，所述步骤2中的融入注意力机制的三维全卷积网络模型包括第一卷积层、第二卷积层和第三卷积层，所述第一卷积层采用的卷积核尺寸为5×5×5，其采用的卷积步长为1，所述第二卷积层采用的卷积核尺寸为2×2×2，其采用的卷积步长为2，所述第三卷积层采用的卷积核尺寸为1×1×1。5.根据权利要求1所述的一种基于注意力机...

【专利技术属性】
技术研发人员：方志军，沈烨，高永彬，刘敏，
申请(专利权)人：上海工程技术大学，
类型：发明
国别省市：上海,31