一种基于深度学习的CT腹部动脉血管分级识别方法技术

本发明专利技术公开了一种基于深度学习的CT腹部动脉血管分级识别方法，包括如下步骤：步骤1：图像预处理，得到训练集；步骤2：对训练集进行图像块剪裁操作，得到数据集；步骤3：通过深度学习进行血管分割；步骤4：骨骼化处理；步骤5：寻找交叉点；步骤6：累加交叉点。本发明专利技术设计了一种血管分级的方法，基于先分割后分级的思路，较为准确的实现腹部动脉血管的分级。

【技术实现步骤摘要】
一种基于深度学习的CT腹部动脉血管分级识别方法
本专利技术涉及血管图像
，具体为一种基于深度学习的CT腹部动脉血管分级识别方法。
技术介绍
腹部动脉血管是人类最重要的器官之一，设计一套系统的分级方法，可以方便研究腹部动脉血管的结构。传统血管分级方法存在弊端，腹部动脉血管错综复杂，动脉血管与静脉血管分离和动脉血管分级需要专业人士操作，耗时久效率低，会存在一定的操作误差，为了解决传统血管分级的不足，已有方法是利用血管的管径信息来实现血管的分级，但是此方法存在缺陷，当血管的管径近似相等时，会将选取到不需要的血管。本专利技术提出一种全自动化方法通过计算机深度学习进行腹部动脉血管分割，然后进行数字图像处理，非常方便的进行腹部动脉血管分级。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的CT腹部动脉血管分级识别方法，该方法首先对血管图像进行预处理，接着通过深度学习进行血管分割，再对分割结果进行骨骼化处理，最后在处理后的图像中找到交叉点并沿着血管生长方向对交叉点计数进而实现血管的分级，以解决上述
技术介绍
中提出的问题。...

【技术保护点】
1.一种基于深度学习的CT腹部动脉血管分级识别方法，其特征在于，包括如下步骤：/n步骤1：图像预处理，得到训练集；/n步骤2：对训练集进行图像块剪裁操作，得到数据集；/n步骤3：通过深度学习进行血管分割；/n步骤4：骨骼化处理；/n步骤5：寻找交叉点；/n步骤6：累加交叉点。/n

【技术特征摘要】
1.一种基于深度学习的CT腹部动脉血管分级识别方法，其特征在于，包括如下步骤：
步骤1：图像预处理，得到训练集；
步骤2：对训练集进行图像块剪裁操作，得到数据集；
步骤3：通过深度学习进行血管分割；
步骤4：骨骼化处理；
步骤5：寻找交叉点；
步骤6：累加交叉点。


2.根据权利要求1所述的一种基于深度学习的CT腹部动脉血管分级识别方法，其特征在于，所述步骤1包括以下步骤：
步骤1.1：采用CLAHE算法对图像进行直方图均衡化；
步骤1.2：采用伽马变换调整图像整体灰度；
步骤1.3：归一化图像像素值在0到1之间。


3.根据权利要求2所述的一种基于深度学习的CT腹部动脉血管分级识别方法，其特征在于，所述步骤1.1包括：在CLAHE算法中，对于像素邻域，对比度是通过变换函数的斜率计算得到的，变换函数的斜率与该像素邻域的累积分布函数CDF斜率成正比，在计算该像素邻域的CDF之前，CLAHE算法根据指定的阈值对直方图进行裁剪，并将裁剪部分均匀地分布到直方图中。


4.根据权利要求2所述的一种基于深度学习的CT腹部动脉血管分级识别方法，其特征在于，所述步骤1.2包括：伽马变换通过对灰度值进行非线性操作，使处理后图像的灰度值IOUT与处理前图像的灰度值Iin之间呈现非线胜指数关系，实现灰度拉伸；
伽马变换公式如下：
Iout＝cIinγ
其中Iin为处理前图像的灰度值，IOUT为处理后图像的灰度值，c为灰度缩放系数，γ为变换指数。
当γ取不同值时，输入灰度值取0到255并对输入输出灰度值都做归一化为0到1之间，当γ小于1时，伽马变换提高图像的灰度值，图像视觉上变亮；当γ大于1时，伽马变换拉低图像灰度值，图像视觉上变暗；当γ等于1时，整体亮度与原图一致，取γ值为0.5。


5.根据权利要求2所述的一种基于深度学习的CT腹部动脉血管分级识别方法，其特征在于，所述步骤1.3包括：像素的归一化通过将所有像素值除以最大像素值来实现，最大像素值为255；
计算公式如下：
x'＝(x-X_min)/(X_max-X_min)
其中，x'为归一化结果，x为输入像素值，X_min为所有输入图像像素中的最小值，X_max为所有输入图像像素中的最大值。


6.根据权利要求1所述的一种基于深度学习的CT腹部动脉血管分级识别方法，其特征在于，所述步骤2包括：对于训练集，裁剪时生成一组随机坐标，以随机坐标作为中心点，裁剪大小为48*48的图像块，得到数据集。


7.根据权利要求1所述的一种基于深度学习的CT腹部动脉血管分级识别方法，其特征在于，所述步骤3包括：在Unet中加入R2模块与AttentionAugment模块；
其中，Unet结构总体呈对称的U型结构，包含12个单元F1-F12,其中左侧F1-F6为收缩路径，右侧F6-F12为扩张路径。
其中R2模块包括了残差学习单元和递归卷积；
残差学习单元：设定一个神经网络单元的输入是x，期望输出是H(x)，定义一个残差映射F(x)＝H(x)-x，把x直接传递给输出，该神经网络单元学习的目标为残差映射F(x)＝H(x)-x，残差学习单元由一系列卷积层和一个捷径组成，输入x通过捷径传递给残差学习单元的输出，则残差学习单元的输出z＝F(x)+x；
递归卷积：设定输入为x，对输入x进行连续的卷积，且每一次的卷积输出加上当前的输入作为下一次的卷积的输入；
R2模块即将残差学习单元中的普通卷积替换为递归卷积；
AttentionAugment为通过查询得到一系列键-值对的映射AttentionAugment模块的实现步骤包括以下：
通过对输入大小为(w,h,cin)的特征图进行1*1卷积输出QKV矩阵，QKV矩阵的大小为(w,h,2*dk+dv)，其中w、h、2*dk+d...

【专利技术属性】
技术研发人员：张堃，韩宇，范陆健，范雷金，冯文宇，殷佳炜，华亮，李文俊，鲍毅，
申请(专利权)人：南通大学，杭州博拉哲科技有限公司，
类型：发明
国别省市：江苏;32