基于轻量化3D卷积神经网络的颅内动脉瘤自动分割系统技术方案

本发明专利技术提出了一种基于轻量化3D卷积神经网络的颅内动脉瘤自动分割系统，包括：样本预处理模块：提取范围为[A,B]的HU值，然后归一化到[0,1]；样本生成模块：采用滑动窗口的方法得到样本，然后采用训练样本平衡法对样本进行训练；网络训练模块：将样本输入到网络中进行训练；识别模块：采用由粗到细的分割策略，获得分割结果；样本预处理模块的输出端与样本生成模块的输入端相连，样本生成模块的输出端与样本生成模块的输入端相连，样本生成模块的输出端与网络训练模块的输入端相连，网络训练模块的输出端与识别模块的输入端相连。本发明专利技术能够快速、稳定和准确的分割颅内动脉瘤。稳定和准确的分割颅内动脉瘤。稳定和准确的分割颅内动脉瘤。

【技术实现步骤摘要】
基于轻量化3D卷积神经网络的颅内动脉瘤自动分割系统


[0001]本专利技术涉及医学影像领域，特别是涉及一种基于轻量化3D卷积神经网络的颅内动脉瘤自动分割系统。

技术介绍

[0002]颅内动脉瘤(intracranial aneurysms,IAs)是一种常见的具有高致残和致死性的颅内血管疾病。及时的诊断和治疗能有效的降低IAs患者的致残率/死亡率。准确的分割能提供包括IAs的体积、形态和位置等信息，可以帮助医生做出准确的病情评估和后期的治疗计划。目前IAs的分割主要依赖于人工标注。标注过程枯燥、费时费力并且标注的结果容易收到人员内在因素的影响(例如标注者的经验、心情等)。因此临床急需一种快速、稳定和准确的IAs分割方法。
[0003]近年来，受益于深度学习特别是卷积神经网络技术的快速发展(例如UNet，ResNet，DenseNet，Attention等)，基于深度学习的方法已经在多个医学图像处理任务中取得了突破性进展，例如肺结节的检测、肺部管脉系统的分割(支气管、肺静脉、肺动脉等)、虚拟超声等。目前基于深度学习的方法凭借其强大的特征提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量化3D卷积神经网络的颅内动脉瘤自动分割系统，其特征在于，包括：样本预处理模块：提取范围为[A,B]的HU值，然后归一化到[0,1]；样本生成模块：采用滑动窗口的方法得到样本，然后采用训练样本平衡法对样本进行训练；网络训练模块：将样本输入到网络中进行训练；识别模块：采用由粗到细的分割策略，获得分割结果；样本预处理模块的输出端与样本生成模块的输入端相连，样本生成模块的输出端与样本生成模块的输入端相连，样本生成模块的输出端与网络训练模块的输入端相连，网络训练模块的输出端与识别模块的输入端相连。2.根据权利要求1所述的一种基于轻量化3D卷积神经网络的颅内动脉瘤自动分割系统，其特征在于，所述样本生成模块中的采用滑动窗口的方法包括：将目标调整到样本的不同位置，同时在目标区域降低采样距离。3.根据权利要求1所述的一种基于轻量化3D卷积神经网络的颅内动脉瘤自动分割系统，其特征在于，所述样本生成模块中的采用训练样本平衡法包括：S
‑
1，第一轮的训练样本采用全部的正样本进行网络的优化，之后的轮次随机选择一部分负样本和全部的正样本进行组合作为训练集，其中正样本与负样本的之比为1:1；S
‑
2，随机生成patch进行网络的优化。4.根据权利要求1所述的一种基于轻量化3D卷积神经网络的颅内动脉瘤自动分割系统，其特征在于，所述网络训练模块中的网络包括：分割网络采用Encoder
‑
Decoder模式，包括Encoder模块和Decoder模块，其中Encoder模块采用可分离卷积和传统卷积块的堆叠进行特征提取，利用步长为2的最大池化操作降低...

【专利技术属性】
技术研发人员：杨维斌，王翊，王光宪，林博，张勇，
申请(专利权)人：重庆大学重庆市巴南区人民医院，
类型：发明
国别省市：