分割磁敏感加权图像中静脉血管的方法、装置和计算设备制造方法及图纸

本发明专利技术属于图像处理领域，提供了一种分割磁敏感加权图像中静脉血管的方法、装置和计算设备，以精确分割出磁敏感加权图像中的静脉血管。所述方法包括：对原始脑SWI中的脑部区域进行提取并标准化，得到标准化脑SWI；以标准化脑SWI中每间隔m个体素定义的任意一个采样点为中心，提取一组中心重合的第一图像块和第二图像块；输入n组第一图像块和第二图像块至已训练卷积神经网络，由已训练卷积神经网络对n组第一图像块和第二图像块中的静脉血管进行标记后得到标记了静脉血管的n组两个第三图像块；将n组两个第三图像块的静脉血管标记映射回原始脑SWI以得到静脉血管的分割结果。本发明专利技术能够精确识别出脑SWI中的静脉血管，提高了脑SWI中静脉血管分割的精度。

Method, device and computing equipment for segmentation of vein in magnetic sensitive weighted image

【技术实现步骤摘要】
分割磁敏感加权图像中静脉血管的方法、装置和计算设备
本专利技术属于图像处理领域，尤其涉及一种分割磁敏感加权图像中静脉血管的方法、装置和计算设备。
技术介绍
急性缺血性脑卒中具有高发病率、高死亡率和高复发率。近年来，研究表明，磁敏感加权图像(SusceptibilityWeightedImage，SWI)比磁共振弥散加权图像(DiffusionWeightedImage，DWI)对于急性脑缺血更加敏感，能够在脑缺血脑部患侧呈现静脉低信号，从而得到越来越多的重视。利用脑缺血患者脑部患侧与正常侧的静脉非对称性特征，可以用来进行急性脑缺血诊断、治疗规划和预后预测。目前多数工作是基于定性分析，而缺少定量分析手段。SWI定量分析的关键是静脉低信号的精确分割。由有经验的专家十分专注仔细地对SWI进行逐层手工标记静脉低信号可得到较好的分割结果。然而手工标记依赖于专家经验和投入的精力，是一项非常耗时耗力的工作，且可重复性差。因此，SWI静脉低信号的自动分割方法成为一个迫切需求。这也是本专利技术所要解决的技术问题。SWI静脉低信号分割具有如下挑战：本文档来自技高网...

【技术保护点】
1.一种分割磁敏感加权图像中静脉血管的方法，其特征在于，所述方法包括：/n对原始脑磁敏感加权图像SWI中的脑部区域进行提取并标准化，得到标准化脑SWI；/n以所述标准化脑SWI中每间隔m个体素定义的任意一个采样点为中心，提取一组中心重合的第一图像块和第二图像块，所述第一图像块的区域包含以M

【技术特征摘要】
1.一种分割磁敏感加权图像中静脉血管的方法，其特征在于，所述方法包括：
对原始脑磁敏感加权图像SWI中的脑部区域进行提取并标准化，得到标准化脑SWI；
以所述标准化脑SWI中每间隔m个体素定义的任意一个采样点为中心，提取一组中心重合的第一图像块和第二图像块，所述第一图像块的区域包含以M1*M1阶矩阵排布的体素，所述第二图像块的区域包含以M2*M2阶矩阵排布的体素，所述m、M1和M2为自然数，且M2>M1>m；
输入n组第一图像块和第二图像块至已训练卷积神经网络，由所述已训练卷积神经网络对所述n组第一图像块和第二图像块中的静脉血管进行标记后得到标记了静脉血管的n组两个第三图像块，所述已训练卷积神经网络通过监督学习方式对卷积神经网络训练而成，所述第三图像块的区域包含以m*m阶矩阵排布的体素，所述n为所述采样点的个数；
将所述n组两个第三图像块的静脉血管标记映射回所述原始脑磁敏感加权图像SWI以得到静脉血管的分割结果。


2.如权利要求1所述的分割磁敏感加权图像中静脉血管的方法，其特征在于，所述对原始脑磁敏感加权图像SWI中的脑部区域进行提取并标准化，得到标准化脑SWI，包括：
采用阈值方法提取所述原始脑SWI中灰度值小于50的所有背景体素，并提取最大连通区域；
将所述最大连通区域取反后，利用一个3x3x3大小的结构元素进行形态学闭操作，以恢复阈值分割丢失的静脉体素；
计算所述原始脑SWI中的脑部区域体素均值和标准差，将所述原始脑SWI中的脑部区域的每个体素减去均值并除以标准差以得到所述标准化脑SWI。


3.如权利要求1所述的分割磁敏感加权图像中静脉血管的方法，其特征在于，所述对原始脑磁敏感加权图像SWI中的脑部区域进行提取并标准化，得到标准化脑SWI之前，所述方法还包括：
从用于训练的脑SWI中提取训练图像块对以及与所述训练图像块对相应的静脉分割金标准图像块，所述训练图像块对由第一训练图像块和第二训练图像块组成，所述第一训练图像块的区域包含以M1*M1阶矩阵排布的体素，所述第二训练图像块的区域包含以M2*M2阶矩阵排布的体素，所述静脉分割金标准图像块的区域包含以m*m阶矩阵排布的体素；
构造卷积神经网络；
将所述第一训练图像块和第二训练图像块输入所述卷积神经网络，并根据所述静脉分割金标准图像块训练所述卷积神经网络，得到所述已训练卷积神经网络。


4.如权利要求3所述的分割磁敏感加权图像中静脉血管的方法，其特征在于，所述从用于训练的脑SWI中提取训练图像块对以及与所述训练图像块对相应的静脉分割金标准图像块之前，所述方法还包括：对所述用于训练的脑SWI分别沿着二维坐标系的X轴和Y轴进行对称反转；
所述从用于训练的脑SWI中提取训练图像块对以及与所述训练图像块对相应的静脉分割金标准图像块之后，所述方法还包括：对所述第一训练图像块和第二训练图像块的体素灰度按照公式I'S＝IS+r*σc进行变换，所述r为从正态分布N(0，1)采样的随机数，所述σc为所述第一训练图像块或第二训练图像块中灰度标准差，所述I'S为对所述第一训练图像块或第二训练图像块内灰度IS变换后的灰度值。


5.如权利要求3所述的分割磁敏感加权图像中静脉血管的方法，其特征在于，所述构造卷积神经网络，包括：
构造第一卷积路径、第二卷积路径、第三卷积路径和分类器并对所述第一卷积路径、第二卷积路径、第三卷积路径和分类器进行连接，所述第一卷积路径用于对所述第一训练图像块进行处理，所述第二卷积路径用于对所述第二训练图像块进行处理，所述第一卷积路径或第二卷积路径包含8个卷积模块和3个串联层，所述第二卷积路径还包含一个降采样单元和一个升采样单元，所述第三卷积路径包含3个卷积模块和2个串联层；
所述8个卷积模块中卷积模块1至8依次串联后，卷积模块2和卷积模块4的输出端分别与串联层1的输入端连接，串联层1的...

【专利技术属性】
技术研发人员：张晓东，张轶群，胡庆茂，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东;44