一种结合全局和邻域信息的血管分割方法技术

一种结合全局和邻域信息的血管分割方法，在Unet网络的基础上提出了Gnet分割网络，该网络使用全新的下采样方式以及在跳跃连接处结合长短时记忆网络，优化了对特征信息的提取，减少了图像信息的损失。其次本发明专利技术将上步提出的网络作为基础的分割框架，提出了一种并行的计算邻域信息的网络Rnet，并将该网络的损失函数作为基础分割网络的惩罚项去训练分割网络Gnet。本发明专利技术显著提升了对MRA影像处理中对大脑血管分割的精确度，并能有效解决细小血管分割断裂的情况。割断裂的情况。

【技术实现步骤摘要】
一种结合全局和邻域信息的血管分割方法


[0001]本专利技术涉及医学图像处理和人工智能领域，是一种基于深度学习的脑血管图像分割方法。

技术介绍

[0002]目前，脑血管疾病已经成为神经外科疾病中致死率最高、好转率最低的疾病之一。对医学图像的分割准确与否决定了医生在临床中能否提供可靠的诊疗依据。并且，在神经外科和心脑血管等不同临床医学领域中，对血管进行分割重建对于的病情诊断、治疗方案以及临床结果的评估都至关重要。因此，对血管准确、快速地分割已经成为医学影像学研究的热点之一。
[0003]现有的医学图像分割方法可分为两类，第一类是传统的半自动分割方法，如阈值法、基于追踪的方法、基于聚类的方法和基于模型的分割方法等，但这些方法不仅耗费大量人工时间干预和操作，而且严重依赖于专家的专业知识和经验，因此也存在着大量主观差异。第二类是以深度学习为代表，基于人工智能的分割算法。随着深度学习研究热潮的兴起以及其在医学图像分割上性能强大，基于深度学习的医学图像分割的相关研究迅速增长。
[0004]近年，有研究学者提出的U
>‑
Net本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合全局和邻域信息的血管分割方法，其特征在于，所述方法包括以下步骤：步骤1数据预处理：进行了颅骨剔除和偏置场校正，生成训练样本；步骤2构建血管分割网络Gnet搭建结合全局信息的网络模型Gnet，使用步骤1中生成的训练样本训练该网络模型，然后将待分割医学图像输入到构建好的网络模型，从而生成对应模态的目标图像；步骤3构建邻域信息的血管网络Rnet结合血管区域的连通性，提出了基于平面二十六邻域连通性的卷积神经网络Rnet，该网络的输入为步骤2所构建Gnet的输出，该网络由若干连续的卷积层与全连接层构成，经过4次卷积和最大池化的连续运算，最后通过全连接层输出1
×1×
1的数值。采用均方误差(MSE)作为损失函数训练上述Rnet网络模型，其定义如下：其中Ii和Oi表示输入和输出的不连通血管岛屿数Islands，由Skimage图像处理工具包进行计算,其均方误差越小，Rnet描述Gnet输出的分割图中不连通岛屿数Islands的准确率越高；步骤4训练结合全局和邻域信息的分割网络综合损失函数Loss(λ,η)为Gnet的损失函数G_loss和Rnet的损失函数R_loss经过加权后相加，其公式表述为：Loss(λ,η)＝λU_Loss+ηI_Loss其中λ与η为赋给Gnet和Rnet两个网络不同损失函数的权重参数，满足λ+η＝1；通过分配两个网络损失函数的不同权重值，以调节两个网...

【专利技术属性】
技术研发人员：谢雷，冯远静，罗康，袁少楠，沈佳凯，黄家浩，曾庆润，王静强，盛轩硕，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：