基于双结构约束神经网络的脑血管分割方法及存储介质技术

本发明专利技术基于双结构约束神经网络的脑血管分割方法及存储介质，属于医学图像分割技术领域；该方法首先对MRA图像数据进行数据预处理，将预处理后的MRA图像数据划分为训练集和测试集，其次构建脑血管双结构约束神经网络，采用训练集对脑血管双结构约束神经网络进行训练，获得训练完成的脑血管双结构约束神经网络，最后将测试集输入训练完成的脑血管双结构约束神经网络，获得分割完成的脑血管结构；本发明专利技术通过网络结构与归纳偏置两个层面对分割出的脑血管进行双结构约束，分割出的图像抗背景干扰能力强，细小处的脑血管连通性好，分割出的图像精度更高，以辅助后续的病理图像诊断；本发明专利技术减少了全自动方法对数据标记精度的依赖。发明专利技术减少了全自动方法对数据标记精度的依赖。发明专利技术减少了全自动方法对数据标记精度的依赖。

【技术实现步骤摘要】
基于双结构约束神经网络的脑血管分割方法及存储介质


[0001]本专利技术属于医学图像分割
，具体涉及一种基于双结构约束神经网络的脑血管分割方法及存储介质。

技术介绍

[0002]脑血管图像分割是指从磁共振血管造影(Magnetic Resonance Angiography,MRA)图像中将脑血管部分分割出来的过程，分割方法包括人工分割、半自动分割和全自动分割方法；人工分割方法需要操作者丰富的先验知识和大量的时间；半自动分割方法主要包括活动轮廓模型、概率方法等，通常需要人工提供部分输入，然后利用人工输入的先验知识通过计算机实现图像分割；全自动分割方法克服了人工方法与半自动方法需要人工参与的缺点，进一步提高脑血管图像分割的效率。
[0003]由于获得完整的脑血管标记耗时又耗力，而如果采用稀疏的标记会使得目前采用的全自动分割方法难以准确分割出密集且保持良好连通性的脑血管；同时，颅骨部分对脑血管分割具有强干扰作用，在不进行去颅骨处理的情况下，采用现有的全自动分割方法，其分割结果中一般都包含有部分背景噪声。

技术实现思路

[0004]针对现有技术的不足，本专利技术提出一种基于双结构约束神经网络的脑血管分割方法，包括以下步骤：
[0005]步骤1、对MRA图像数据进行数据预处理，将预处理后的MRA图像数据划分为训练集和测试集；
[0006]步骤2、构建脑血管双结构约束神经网络；
[0007]步骤3、采用训练集对脑血管双结构约束神经网络进行训练，获得训练完成的脑血管双结构约束神经网络；
[0008]步骤4、将测试集输入训练完成的脑血管双结构约束神经网络，获得分割完成的脑血管结构。
[0009]所述的步骤1包括以下步骤：
[0010]步骤1.1、判断MRA图像数据是否具有手工稀疏标记，若是，执行步骤1.3，否则，执行步骤1.2；
[0011]步骤1.2、设定分辨率阈值，将分辨率低于阈值的MRA图像利用包含脑血管中心线与半径信息的血管信息文件进行稀疏标记；
[0012]步骤1.3、设定数据精度，将MRA图像数据和稀疏标记数据均转换为可并行训练格式，根据所设定的数据精度对上述数据进行归一化处理，获得处理后的可训数据；
[0013]步骤1.4、根据实际需求将可训数据按照比例划分为训练集和测试集；
[0014]步骤1.5、对训练集进行数据增强。
[0015]步骤1.5所述的对训练集进行数据增强采用随机裁剪方法。
[0016]所述的脑血管双结构约束神经网络包括编码模块、解码模块、对网络层面结构进行约束的脑血管结构注意力模块和对归纳偏置层面结构进行约束的混合损失函数；所述脑血管结构注意力模块连接编码模块的最下层和解码模块的最下层；
[0017]编码模块：用于将训练集进行编码，获得脑血管高级特征图，并发送到脑血管结构注意力模块；
[0018]脑血管结构注意力模块：用于将血管结构注意力输入接收到的脑血管高级特征图，获得脑血管结构注意力高级特征图，并发送到解码模块；
[0019]解码模块：用于将脑血管结构注意力高级特征图进行解码，获得脑血管分割结果图；
[0020]混合损失函数：用于获得脑血管双结构约束神经网络的训练误差。
[0021]所述的编码模块由N个编码残差卷积块相连接组成；每个编码残差卷积块由多个通过批正则化
‑
ReLU激活函数连接的3D卷积组成，并使用跳跃连接的方式连接输入与输出。
[0022]所述的解码模块由N个解码卷积块相连接组成；解码卷积块之间通过批正则化连接。
[0023]所述的脑血管结构注意力模块包括：
[0024]结构自注意力模块：用于接收编码模块发送的脑血管高级特征图，获得脑血管结构空间层面的相似度，进一步与原始特征相乘获取空间层面的脑血管注意力特征图，并发送到全局注意力特征压缩模块；
[0025]全局注意力特征压缩模块：用于接收空间层面的脑血管注意力特征图，减少图中的参数量，进而获取脑血管空间注意力特征图，并发送到瓶颈结构通道注意力模块；
[0026]瓶颈结构通道注意力模块：用于接收脑血管空间注意力特征图，将脑血管空间注意力特征图进行特征通道层级的注意力分配，获取脑血管结构的通道层级注意力，进一步将通道层级注意力与输入脑血管注意力前的高级特征图通过通道层级加和，获得脑血管结构注意力高级特征图，并发送到解码模块。
[0027]所述步骤3包括以下步骤：
[0028]步骤3.1、参数初始化，包括：设定双结构约束神经网络的训练次数c、训练批次大小m、瓶颈率r和网络参数学习率lr，随机初始化网络权重；
[0029]步骤3.2、设定网络参数学习率的更新规则，根据上一轮训练的网络参数学习率获得当前网络参数学习率；
[0030]步骤3.3、将训练集输入双结构约束神经网络，进行前向传播，获得脑血管分割结果图；
[0031]步骤3.4、根据已稀疏标记的MRA图像数据和脑血管分割结果图获得双结构约束神经网络的训练误差；
[0032]步骤3.5、根据获得的训练误差反向传播更新优化网络参数；
[0033]步骤3.6、判断训练次数是否达到所设定的训练次数c，若是，训练完成，保存双结构约束神经网络，否则，返回执行步骤3.2。
[0034]步骤3.4所述的获得双结构约束神经网络的训练误差采用eclDice
‑
Dice混合损失函数，公式如下：
[0035][0036][0037]L＝Loss
Dice
+Loss
clDice
(3)
[0038]其中，L
Dice
表示Dice相似系数损失，N表示所有体素的总和，i表示MRA图像中第i个体素，t
i
表示已稀疏标记MRA图像的第i个体素值，y
i
表示预测脑血管分割结果图的第i个体素值，ε表示平滑系数，用于平滑损失值和梯度，L
eclDice
表示均衡中心线Dice相似系数损失，p
i
表示从预测脑血管分割结果图中中心线提取获得的结构骨架，m
i
表示从第i个已稀疏标记MRA图像中中心线提取获得的结构骨架，L表示eclDice
‑
Dice混合损失，β表示平衡系数。
[0039]一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至9中任一项所述的基于双结构约束神经网络的脑血管分割方法中的至少一步骤。
[0040]本专利技术的优点：
[0041]本专利技术基于双结构约束神经网络的脑血管分割方法及存储介质，通过网络结构与归纳偏置两个层面对分割出的脑血管进行双结构约束，分割出的图像抗背景干扰能力强，细小处的脑血管连通性好，分割出的图像精度更高，以辅助后续的病理图像诊断；本专利技术减少了全自动方法对数据标记精度的依赖。
附图说明
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双结构约束神经网络的脑血管分割方法，其特征在于：包括以下步骤：步骤1、对MRA图像数据进行数据预处理，将预处理后的MRA图像数据划分为训练集和测试集；步骤2、构建脑血管双结构约束神经网络；步骤3、采用训练集对脑血管双结构约束神经网络进行训练，获得训练完成的脑血管双结构约束神经网络；步骤4、将测试集输入训练完成的脑血管双结构约束神经网络，获得分割完成的脑血管结构。2.根据权利要求1所述的基于双结构约束神经网络的脑血管分割方法，其特征在于：所述的步骤1包括以下步骤：步骤1.1、判断MRA图像数据是否具有手工稀疏标记，若是，执行步骤1.3，否则，执行步骤1.2；步骤1.2、设定分辨率阈值，将分辨率低于阈值的MRA图像利用包含脑血管中心线与半径信息的血管信息文件进行稀疏标记；步骤1.3、设定数据精度，将MRA图像数据和稀疏标记数据均转换为可并行训练格式，根据所设定的数据精度对上述数据进行归一化处理，获得处理后的可训数据；步骤1.4、根据实际需求将可训数据按照比例划分为训练集和测试集；步骤1.5、对训练集进行数据增强。3.根据权利要求2所述的基于双结构约束神经网络的脑血管分割方法，其特征在于：步骤1.5所述的对训练集进行数据增强采用随机裁剪方法。4.根据权利要求1所述的基于双结构约束神经网络的脑血管分割方法，其特征在于：所述的脑血管双结构约束神经网络包括编码模块、解码模块、对网络层面结构进行约束的脑血管结构注意力模块和对归纳偏置层面结构进行约束的混合损失函数；所述脑血管结构注意力模块连接编码模块的最下层和解码模块的最下层；编码模块：用于将训练集进行编码，获得脑血管高级特征图，并发送到脑血管结构注意力模块；脑血管结构注意力模块：用于将血管结构注意力输入接收到的脑血管高级特征图，获得脑血管结构注意力高级特征图，并发送到解码模块；解码模块：用于将脑血管结构注意力高级特征图进行解码，获得脑血管分割结果图；混合损失函数：用于获得脑血管双结构约束神经网络的训练误差。5.根据权利要求4所述的基于双结构约束神经网络的脑血管分割方法，其特征在于：所述的编码模块由N个编码残差卷积块相连接组成；每个编码残差卷积块由多个通过批正则化
‑
ReLU激活函数连接的3D卷积组成，并使用跳跃连接的方式连接输入与输出。6.根据权利要求4所述的基于双结构约束神经网络的脑血管分割方法，其特征在于：所述的解码模块由N个解码卷积块相连接组成；解码卷积块之间通过批正则化连接。7.根据权利要求4所述的基于双结构约束神经网络的脑血管分割方法，其特征在于：所述的脑血管结构注意力模块包括：结构自注意力模块：用于接收编码模块发送的脑血管高级特征图，获得脑血管结构空间层面的相似度，进一步与原始特征相乘...

【专利技术属性】
技术研发人员：李孟歆，李松昂，侯静，张颖，
申请(专利权)人：沈阳建筑大学，
类型：发明
国别省市：