基于双注意力机制的血管内支架图像分割方法和系统技术方案

技术编号:26480130 阅读:39 留言:0更新日期:2020-11-25 19:25
本发明专利技术属于领域,具体涉及了一种基于双注意力机制的血管内支架图像分割方法和系统,旨在解决现有技术无法实时并且精确地从手术中X光透射图像中将血管内支架分割出来的问题。本发明专利技术包括:通过获取X光透射待检测视频序列并基于待检测视频序列通过基于深度学习的轻量化上注意力融合网络生成显示血管内支架的而知分割掩膜序列,将显示血管内支架的二值分割掩膜覆盖在待检测视频序列上生成显示血管内支架的视频序列。本发明专利技术通过采用特征注意块和关联注意块提升了血管内支架图像分割的精确度,采用了Dice损失函数和聚焦损失函数进行模型训练避免了边缘像素的错误分类,提高了图像分类网络的性能。

【技术实现步骤摘要】
基于双注意力机制的血管内支架图像分割方法和系统
本专利技术属于图像识别领域,具体涉及了一种基于双注意力机制的血管内支架图像分割方法和系统。
技术介绍
腹部主动脉瘤(Abdominalaorticaneurysm,AAA)是最常见的一种动脉瘤。通常腹部主动脉瘤在破裂之前不会出现典型症状,因此通常导致85%到90%的病死率。临床研究表明,比起开放式修复方法,血管内动脉瘤修复(Endovascularaneurysmrepair,EVAR)手术可以有效降低患者在围手术期的发病率和死亡率,并维持相同程度的术后存活率。然而,由于EVAR手术的复杂性,在介入手术的过程中通常需要长时间的辐射和大剂量的造影剂注射,进而可能会导致病人出现如肾衰竭之类的常见并发症。因此,减少EVAR手术的时间是非常必要的。在介入手术中,融合术前数据(CT图像)和术中X光造影能够降低造影剂和辐射的使用剂量。然而,这个融合可能会因为病人的移动和介入器械造成的血管形变而变得不准确。为了避免重复使用造影剂,在手术过程中,对比血管内支架的分割图像和术前数据可以评估检测当前的融合效果。然而,本文档来自技高网...

【技术保护点】
1.一种基于双注意力机制的血管内支架图像分割方法,其特征在于,所述方法包括:/n步骤S10,获取手术过程中包含支架的区域的X光透射视频序列作为待检测视频序列;/n步骤S20,基于所述待检测视频序列,通过训练好的基于深度学习的轻量化双注意力融合网络生成显示血管内支架的二值分割掩膜序列;/n步骤S30,将所述二值分割掩膜序列覆盖在所述待检测视频序列上获得血管内支架的视频序列;/n其中,所述基于深度学习的轻量化双注意力融合网络包括顺次连接的第一卷积块、多级嵌套的编码解码结构和第二卷积块;所述多级嵌套的编码解码结构在各级编码器与解码器之间嵌套插入下一级编码解码结构,在最下一级的编码解码结构的编码模块和...

【技术特征摘要】
1.一种基于双注意力机制的血管内支架图像分割方法,其特征在于,所述方法包括:
步骤S10,获取手术过程中包含支架的区域的X光透射视频序列作为待检测视频序列;
步骤S20,基于所述待检测视频序列,通过训练好的基于深度学习的轻量化双注意力融合网络生成显示血管内支架的二值分割掩膜序列;
步骤S30,将所述二值分割掩膜序列覆盖在所述待检测视频序列上获得血管内支架的视频序列;
其中,所述基于深度学习的轻量化双注意力融合网络包括顺次连接的第一卷积块、多级嵌套的编码解码结构和第二卷积块;所述多级嵌套的编码解码结构在各级编码器与解码器之间嵌套插入下一级编码解码结构,在最下一级的编码解码结构的编码模块和解码模块之间插入一个特征注意力块;
所述多级嵌套的编码解码结构,其编码器和解码器分别包括多个编码模块和多个解码模块;所述编码模块通过残差连接与对应的同级解码模块连接;
所述编码模块基于MobileNetV2网络构建,在MobileNetV2中将标准卷积层替换为深度可分卷积层;
所述解码模块由解码块和关联注意力块组成。


2.根据权利要求1所述的基于双注意力机制的血管内支架图像分割方法,其特征在于,所述基于深度学习的轻量化双注意力融合网络,其训练方法为:
步骤A100,获取训练视频序列,按时间顺序提取所述训练视频序列中的第t帧作为当前帧;
步骤A200,基于所述当前帧,通过所述第一卷积层生成第一特征图像;
步骤A300,基于所述第一特征图像,通过所述基于深度学习的轻量化双注意力融合网络的编码器中的编码模块进行分级编码,获得特征压缩图像;
步骤A400,通过所述特征注意力模块获取所述特征压缩图像三个不同尺度的特征,结合所述不同尺度的特征生成编码特征向量;
步骤A500,基于所述编码特征向量,通过所述基于深度学习的轻量化双注意力融合网络中的解码器中的解码块,进行分级解码,每级解码后通过解码器中的所述关联注意力块凸显支架特征以及消除残差连接中的不相关响应和噪声响应,生成上采样特征图像;
步骤A600,基于所述上采样特征图像,通过所述基于深度学习的轻量化双注意力融合网络的第二卷积层生成所述当前帧对应的支架的二值分割掩膜;
步骤A700,若网络全局损失函数不低于预设阈值,则通过随机梯度下降法调节特征注意力块的注意力系数、关联注意力块的激活函数及权重和网络参数,令t=t+1并跳转步骤A100,直至全局损失函数小于预设的阈值,获得训练好的基于轻量化双注意力融合网络。


3.根据权利要求2所述的基于双注意力机制的血管内支架图像分割方法,其特征在于,所述特征注意力块输入端连接特征注意力块第一支线、特征注意力块第二支线和特征注意力块第三支线;
所述特征注意力块第一支线,为与所述特征注意力块输入端顺次连接的自适应平均池化层、卷积核为1×1的卷积层和上采样层;
所述特征注意力块第二支线,为与所述特征注意力块输入端连接的卷积核为1×1的卷积层;
所述特征注意力块第三支线,为与所述特征注意力块输入端顺次连接的呈U型结构的卷积核分别为7×7的卷积层、卷积核为5×5的卷积层和卷积核为3×3的卷积层;
特征注意力块第三支线与特征注意力块第二支线的输出做乘法运算连接后与特征注意力块第一支线的输出做加法运算。


4.根据权利要求2所述的基于双注意力机制的血管内支架图像分割方法,其特征在于,所述关联注意力块输入端连关联注意力块第一支线和关联注意力块第二支线;
所述关联注意力块第一支线,为与关联注意力块输入端顺次连接的卷积核为3×3的卷积层和卷积核为1×1的卷积层;
所述关联注意力块第二支线,为与关联注意力块输入端连接的卷积核为1×1的卷积层;
其中,关联注意力块的输入信息通过所述关联注意力块第一支线获取...

【专利技术属性】
技术研发人员:刘市祺谢晓亮侯增广周彦捷奉振球周小虎马西瑶
申请(专利权)人:中国科学院自动化研究所
类型:发明
国别省市:北京;11

网友询问留言 已有0条评论
  • 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。

1