一种基于卷积神经网络的颈动脉提取方法技术

本发明专利技术公开了一种基于卷积神经网络的颈动脉提取方法，涉及医学图像处理技术领域。该方法包括：对原始数据集中各三维颈动脉CTA图像及各自对应的分割标签分别提取补丁块；构建训练数据集；建立并训练颈动脉中心路径预测模型；确定并训练颈动脉分割模型；输入待预测颈动脉的三维颈动脉CTA图像以及给定的种子点；基于种子点，提取以种子点为中心的补丁块；加载预训练的颈动脉中心路径预测模型和预训练的颈动脉分割模型，基于以种子点为中心的补丁块和预训练的颈动脉中心路径预测模型进行颈动脉中心路径的迭代追踪，并在颈动脉中心路径追踪过程中完成颈动脉的分割。该方法首次实现了追踪颈动脉中心路径的同时完成颈动脉分割。了追踪颈动脉中心路径的同时完成颈动脉分割。了追踪颈动脉中心路径的同时完成颈动脉分割。

【技术实现步骤摘要】
一种基于卷积神经网络的颈动脉提取方法


[0001]本专利技术涉及医学图像处理
，具体涉及一种基于卷积神经网络的颈动脉提取方法。

技术介绍

[0002]脑血管类疾病严重威胁着人类的健康，具有高患病率、高致残率和高死亡率的特点。增强CT扫描因其快速、无创、图像清晰、经济等特点，已成为临床中血管类疾病的首要检查手段。颈动脉CTA(Computed Tomography Angiography，计算机断层扫描血管造影术)影像中血管的提取，主要包括颈动脉中心路径的提取以及颈动脉的分割，这是从复杂数据集中精确显示和量化颈动脉的关键步骤，同时也是脑血管类疾病，如狭窄、斑块、动脉瘤诊断和手术规划的前提，对于临床诊断结果的评估至关重要。
[0003]目前基于CTA影像的血管提取方法主要分为两种：基于传统的自动和半自动血管提取算法和基于深度学习技术的血管提取算法。传统的自动和半自动的血管提取方法主要依靠专家精妙准确设计的规则将血管结构从背景中分离出来，包括：1)基于滤波器的方法，例如利用基于Hessian矩阵的滤波器增强血管结构，然后在增强的图像上分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的颈动脉提取方法，其特征在于，该方法包括如下步骤：步骤1：对原始数据集中的各三维颈动脉CTA图像及其各自对应的分割标签分别提取补丁块，由提取的补丁块构建分割训练数据集，并由从各三维颈动脉CTA图像中提取的补丁块以及颈动脉中心路径预测标签构建中心路径预测训练数据集；步骤2：建立颈动脉中心路径预测模型，并利用所述中心路径预测训练数据集训练颈动脉中心路径预测模型；步骤3：确定并利用所述分割训练数据集训练颈动脉分割模型；步骤4：输入待预测颈动脉的三维颈动脉CTA图像以及给定的种子点；步骤5：基于种子点，提取以种子点为中心的补丁块；步骤6：加载预训练的颈动脉中心路径预测模型和预训练的颈动脉分割模型，基于以种子点为中心的补丁块和预训练的颈动脉中心路径预测模型进行颈动脉中心路径的迭代追踪，并利用预训练的颈动脉分割模型在颈动脉中心路径追踪过程中完成颈动脉的分割。2.根据权利要求1所述的基于卷积神经网络的颈动脉提取方法，其特征在于，所述补丁块包括非偏移的补丁块和带偏移的补丁块两种；所述非偏移的补丁块的提取方法是以颈动脉中心路径上的点为中心在原始三维颈动脉CTA图像以及分割标签中提取所需大小的补丁块；所述带偏移的补丁块的提取方法为：获取服从三维正态分布的随机值作为随机偏移值，将颈动脉中心路径上的点加上随机偏移值，得到偏移中心路径的点，然后再以获取到的偏移中心路径的点为中心在原始三维颈动脉CTA图像以及分割标签中提取所需大小的补丁块。3.根据权利要求1所述的基于卷积神经网络的颈动脉提取方法，其特征在于，所述颈动脉中心路径预测模型由第一三维卷积操作、第一注意力机制、若干个卷积块、第二三维卷积操作、第二注意力机制、平均池化操作依次组成。4.根据权利要求1所述的基于卷积神经网络的颈动脉提取方法，其特征在于，所述利用所述中心路径预测训练数据集训练颈动脉中心路径预测模型包括如下步骤：步骤2.2.1：将所述中心路径预测训练数据集中的补丁块根据其大小定义为d
×
w
×
h的三维特征数组，表示为：X(d
×
w
×
h)，其中d、w、h三个维度代表X的特征图大小，分别为深度、高度和宽度；步骤2.2.2：对X进行特征提取操作获得特征图M
i
[(d
‑
2)
×
(w
‑
2)
×
(h
‑
2)]；对X进行特征提取的过程为：先将输入X经过卷积核大小为3
×3×
3的第一三维卷积操作、数据归一化操作和激活操作，得到大小为[(d
‑
2)
×
(w
‑
2)
×
(h
‑
2)]的特征图然后再将经过第一注意力机制，获得特征图M1[(d
‑
2)
×
(w
‑
2)
×
(h
‑
2)]；步骤2.2.2：对特征图M1进行特征提取，将M1经过若干个卷积块操作改变M1的大小，最终得到大小为[(d
‑
16)
×
(w
‑
16)
×
(h
‑
16)]的特征图M5；步骤2.2.3：对M5通过第二三维卷积操作进行特征提取；对M5通过第二三维卷积操作进行特征提取的过程为：先将输入的M5经过卷积核大小为1
×1×
1的第二三维卷积操作、数据归一化操作和激活操作，得到特征图然后再将经过通道和空间注意力机制，得到特征图M6；步骤2.2.4：将M6通过平均池化操作得到输出Y，首先预定义方向向量集合N作为颈动脉中心路径上各个点处颈动脉的可能方向，根据Y对颈动脉中心路径上各点处的颈动脉方向
做分类以及对颈动脉中心路径各点处的颈动脉半径做回归，将与Y最接近的N中的方向向量作为颈动脉中心路径上各点处的颈...

【专利技术属性】
技术研发人员：杨金柱，郭德秀，孙奇，瞿明军，马双，袁玉亮，曹鹏，冯朝路，覃文军，
申请(专利权)人：东北大学，
类型：发明
国别省市：