【技术实现步骤摘要】
基于时空判别性特征学习的冠状动脉序列血管分割方法
本专利技术涉及图像分割领域，尤其是涉及一种基于时空判别性特征学习的冠状动脉序列血管分割方法。
技术介绍
根据世界卫生组织的数据显示，近年来心血管疾病呈现高发态势，其高死亡率位列各种恶性疾病之首，严重威胁着人类的生命健康。心血管疾病的早期筛查，是降低心血管疾病发病率的有效手段。基于计算机辅助诊断技术，可以辅助医生快速、准确的诊疗，大大减少医生的工作量，提高医疗资源的利用效率，让医疗资源覆盖更多的人群。血管分割，作为计算机辅助诊断的基础步骤，为后续心血管疾病的筛查、诊断提供支持。在深度学习发展起来之前，血管分割多采用传统分割算法。基于血管的管状结构特点而设计的血管增强和特征提取方法，可以把血管的主干较准确的分割出来，但是该类算法是基于局部滑动窗口检测的思想，具有有限的感受野，算法易受到噪声干扰，且效率较低。基于区域生长的算法，对初始生长点的选择、生长规则、迭代中止条件的选取比较敏感，算法需要人的介入，不是自动分割算法。近年来，卷积神经网络以其高准确率、高推断速度、...
【技术保护点】
1.一种基于时空判别性特征学习的冠状动脉序列血管分割方法，对心脏冠状动脉造影序列图像进行血管分割处理，其特征在于，该方法基于预训练的改进U-net网络模型对当前帧图像及其临近几帧图像进行处理，获取当前帧图像的血管分割结果，所述改进U-net网络模型包括编码部分、跳跃连接层和解码部分，所述编码部分采用3D卷积层进行时间空间特征提取，所述解码部分设有通道注意力模块，所述跳跃连接层对编码部分提取的特征进行聚合，得到聚合特征图并传输至解码部分。/n
【技术特征摘要】
1.一种基于时空判别性特征学习的冠状动脉序列血管分割方法，对心脏冠状动脉造影序列图像进行血管分割处理，其特征在于，该方法基于预训练的改进U-net网络模型对当前帧图像及其临近几帧图像进行处理，获取当前帧图像的血管分割结果，所述改进U-net网络模型包括编码部分、跳跃连接层和解码部分，所述编码部分采用3D卷积层进行时间空间特征提取，所述解码部分设有通道注意力模块，所述跳跃连接层对编码部分提取的特征进行聚合，得到聚合特征图并传输至解码部分。
2.根据权利要求1所述的一种基于时空判别性特征学习的冠状动脉序列血管分割方法，其特征在于，所述编码部分包括有多个卷积阶段，所述卷积阶段依次包括一个3D卷积层和一个3D残差块，所述编码部分的最后一个卷积阶段为一个3D卷积层。
3.根据权利要求2所述的一种基于时空判别性特征学习的冠状动脉序列血管分割方法，其特征在于，所述编码部分中最后两个卷积阶段的3D卷积层前设有一个Spatialdropout3D操作。
4.根据权利要求1所述的一种基于时空判别性特征学习的冠状动脉序列血管分割方法，其特征在于，所述跳跃连接层包含多个3D卷积层，分别对各个卷积阶段提取的特征进行聚合处理，得到聚合特征图。
5.根据权利要求1所述的一种基于时空判别性特征学习的冠状动脉序列血管分割方法，其特征在于，所述解码部分包括多个双线性上采样操作，所述双线性上采样操作依次包括上采样模块、通道注意力模块和2D残差块，所述上采样模块对特征图依次进行上采样处理和2D卷积处理，得到上采样特征图。
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。