一种用于血管壁影像分割的自定义卷积路径方法技术

本申请涉及图像识别，具体为一种用于血管壁影像分割的自定义卷积路径方法，该自定义卷积路径方法包括以下步骤：获取输入图像的中心位置、轮廓区域和轮廓线；由图像的中心位置向外依次部署环向采样路径，并沿环向依次向外发射有纵向采样路径，其中，环向采样路径与轮廓线的形状相对应；获取各环向采样路径和纵向采样路径交叉点处的输入图像像素信息并作为采样点信息；建立映射空间，其中，映射空间的行序对应于环向采样路径序次，映射空间的列序对应于纵向采样路径序次；将采样点信息由原空间映射于映射空间中以生成映射图像。本申请具有提高卷积神经网络模型对血管壁影像的分割效果的优点。的优点。的优点。

【技术实现步骤摘要】
一种用于血管壁影像分割的自定义卷积路径方法


[0001]本申请涉及图像识别的领域，尤其是涉及一种用于血管壁影像分割的自定义卷积路径方法。

技术介绍

[0002]脑卒中是我国死亡率和致残率最高的疾病，已成为我国医疗支出和社会家庭的严重负担。脑卒中包括出血性脑卒中和缺血性脑卒中两种，我国脑卒中以缺血性脑卒中为主，占全部脑卒中病例的79％，而且有增加趋势。研究表明，动脉粥样硬化斑块破裂引发血栓形成是缺血性脑卒中的主要发病机制，其中罪犯斑块48％来源于颅内动脉，30％来源于颈动脉，其余22％主要来源于心脏和胸主动脉。因此，及时发现脑卒中相关血管床，包括颅内动脉、颈动脉和胸主动脉的易损斑块或其他管壁病变是缺血性脑卒中早期预防和精准治疗的关键。
[0003]为了进行脑卒中相关血管床的自动化分析任务，需要对相关血管壁进行三维重建。由于动脉形态弯曲，尤其是颅内动脉的走行反复卷绕，不能在同一个平面内显示血管壁的全程。因此，一个好的方法是从MR影像中提取血管中心线坐标，利用该中心线为地图，对存在血管的横断面图像的进行位置标识，并获取一系列血管位于中心的连续本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于血管壁影像分割的自定义卷积路径方法，其特征在于，包括以下步骤：获取输入图像的中心位置、轮廓区域和轮廓线，其中，输入图像位于原空间，轮廓区域对应于血管壁区域，轮廓线用于反映轮廓区域的形状，中心位置用于反映轮廓区域的中心；由图像的中心位置向外依次部署环向采样路径，并沿环向依次向外发射有纵向采样路径，其中，环向采样路径与轮廓线的形状相对应；获取各环向采样路径和纵向采样路径交叉点处的输入图像像素信息并作为采样点信息，其中，轮廓区域内采样点密度大于等于原始像素密度；建立映射空间，其中，映射空间的行序对应于环向采样路径序次，映射空间的列序对应于纵向采样路径序次；将采样点信息由原空间映射于映射空间中以生成映射图像。2.根据权利要求1所述的用于血管壁影像分割的自定义卷积路径方法，其特征在于，所述的由图像的中心位置向外依次部署环向采样路径，并沿环向依次向外发射有纵向采样路径的步骤，包括：基于所述的血管中心位置建立极坐标系，其中极坐标系位于原空间；基于极轴方向依次部署若干环向采样路径，其中，各环向采样路径为半径不同且以极坐标原点为圆心的闭环；基于坐标原点向外发射有若干纵向采样路径，其中，各纵向采样路径为依次沿环向采样路径排列的射线。3.根据权利要求1所述的用于血管壁影像分割的自定义卷积路径方法，其特征在于，所述获取各环向采样路径和纵向采样路径交叉点处的输入图像像素信息并作为采样点信息的步骤，包括：基于极轴方向由坐标原点向外依次遍历依次沿各环向采样路径；沿环向采样路径对输入图像的像素信息进行采样并作为采样点信息，其中，采样的起始点为极轴与环向采样路径的交叉点，采样点为采样路径和纵向采样路径的交叉点。4.根据权利要求1所述的用于血管壁影像分割的自定义卷积路径方法，其特征在于，所述环向采样路径的间距均相同；优选的，所述环向采样路径的间距为一个像素；或，所述环向采样路径在轮廓区域的密度大于非轮廓区域的密度；优选的，所述环向采样路径的间距沿中心位置向外的方向逐渐缩小。5.根据权利要求1所述的用于血管壁影像分割的自定义卷积路径方法，其特征在于，所述环向采样路径向外依次布置直至抵达输入图像的边缘。6.根据权利要求1所述的用于血管壁影像分割的自定义卷积路径方法，其特征在于，所述纵向采样路径的间距相等。7.根据权利要求2所述的用于血管壁影像分割的自定义卷积路径方法，其特征在于，相邻的所述纵向采样路径均形成1
°
夹角。8.一种用于血管壁影像分割的神经网络模型训练方法，其特征在于，包括以下步骤：训练集收集，确定训练图像和模板信息；其中，所述训练图像为标记好的血管影像图片，所述模板信息包含模板外接框和模板个体集合；所述模板外接框能够反映所述血管在所述训练图像中的成像位置，所述模板个体集合包含所述血管在所述训练图像中的成像所具有的像素点；
基于如权利要求1
‑
7任意一项所述的用于血管壁影像分割的自定义卷积路径方法，将训练图像内的信息采样为映射图像，并将模板信息与训练图像的坐标对应关系转化与映射图像的坐标对应关系；将映射图像输入到初始算法模型，确定预测信息；其中，所述预测信息包括预测外接框和预测个体集合；所述预测外接框用于反映所述血管在所述训练图像中的成像位置，所述预测个体集合用于反映所述血管在所述训练图像中的成像所具有的像素点；基于模板信息、预测信息和初始算法模型所对应的总损失函数，确定总损失值；其中，所述总损失函数关联于所述初始算法模型的权重参数；所述总损失函数包括检测损失函数和分割误差函数；其中，所述检测损失函数基于所述模板外接框和所述预测外接框确定，所述分割误差函数基于所述模板个体集合和所述预测个体集合确定；基于总损失函数以及当前批次的总损失值，进行通过反向传播的方式计算权重的下降梯度，并对初始算法模型的权重参数进行更新，基于更新结果确定目标检测模型...

【专利技术属性】
技术研发人员：张娜，郑海荣，刘新，申帅，梁栋，胡战利，李烨，邹超，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：