【技术实现步骤摘要】
一种基于深度学习的CT腹部血管分割方法
本专利技术涉及血管分割
，具体为一种基于深度学习的CT腹部血管分割方法。
技术介绍
为了实现对腹部血管区域的分割，Chaudhuri最早提出利用高斯滤波器进行血管分割。该方法利用血管本身的特性，采用高斯滤波器对图像进行滤波，从而鉴别出血管的候选点。然而，CT小肠造影中的肠系膜直小动脉血管与背景区域信噪比较小，且由于血管区域本身较小，背景区域中存在大量噪声，采用高斯滤波器滤波会将血管的边界滤去，在CT小肠造影中采用该方法分割血管的效果并不理想。Liu等最早提出手工确定初始点的跟踪算法，通过不断地在剩下的血管中找到新的起始点进行重新分割，从而实现最终的分割。而这种迭代搜索血管的方法主要依赖于初始点的确定，在CT小肠造影中，血管由于被遮挡等原因，起始点确定较为困难。Tolias等首次提出眼底图像视网膜血管自动分割方法，根据FCM算法得到的候选初始种子点迭代跟踪血管。基于全自动血管跟踪的血管分割方法具有较好的自适应性，但是严重依赖于初始种子点和方向的选取，不适用于CT小肠造影中的肠系膜直...
【技术保护点】
1.一种基于深度学习的CT腹部血管分割方法，其特征在于，包括以下步骤：/n步骤1：对原始CT小肠造影进行图像预处理；/n步骤2：将步骤1得到的预处理后的图像作为输入，搭建AA R2U-Net模型；/n步骤3：对步骤2得到的AA R2U-Net进行训练；/n步骤4：加载步骤3得到的训练后的AA R2U-Net对CT小肠造影进行血管分割。/n
【技术特征摘要】
1.一种基于深度学习的CT腹部血管分割方法，其特征在于，包括以下步骤：
步骤1：对原始CT小肠造影进行图像预处理；
步骤2：将步骤1得到的预处理后的图像作为输入，搭建AAR2U-Net模型；
步骤3：对步骤2得到的AAR2U-Net进行训练；
步骤4：加载步骤3得到的训练后的AAR2U-Net对CT小肠造影进行血管分割。
2.根据权利要求1所述的一种基于深度学习的CT腹部血管分割方法，其特征在于，所述步骤1包括：
对一张CT小肠造影采用直方图均衡化处理，将图像的灰度直方图从集中分布映射成近似的均匀分布，从而实现对于图像整体灰度分布的调整，以增强血管区域和背景区域之间的对比度。
3.根据权利要求2所述的一种基于深度学习的CT腹部血管分割方法，其特征在于，所述步骤1包括：直方图均衡化的变换公式表示如下：
其中，Hr(rj)为图像的灰度直方图，k为进行均衡化变换前图像的灰度级总数，rk表示图像直方图均衡化变换前的灰度值，T为直方图均衡化变换函数，Sk为直方图均衡化变换后的灰度值，nj为直方图均衡化变换后图像中灰度值为j的像素个数，n为图像的像素数。
4.根据权利要求1所述的一种基于深度学习的CT腹部血管分割方法，其特征在于：所述步骤2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。
5.根据权利要求4所述的一种基于深度学习的CT腹部血管分割方法，其特征在于，所述R2模块包括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。
6.根据权利要求4所述的一种基于深度学习的CT腹部血管分割方法，其特征在于：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+dV分别表示了矩阵的宽、长与深度，Cin为输入图像的特征层数；
从深度通道上对QKV矩阵进行分割，得到Q、K、V三个矩阵，Q、K、V三个矩阵的深度通道大小分别为dk、dk、dv；
采用多头注意力机制的结构，将Q、K、V三个矩阵分别从深度通道...
【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
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。