3D血管及气管分割方法及系统技术方案

本发明专利技术提出了一种3D血管及气管分割方法及系统，该方法为：获取3D血管或气管数据样本；对3D血管或气管数据样本进行多模态数据生成；训练模型包括粗模型和精模型；将多模态数据进行缩放，然后将缩放后的数据和标签于粗模型中进行训练,分割出目标区域，对目标区域进行坐标还原，得到原始图像数据的感兴趣区域及其坐标；根据感兴趣区域的坐标在原始图像数据上裁剪待分割组织，得到感兴趣区域对应的体素块，在体素块的6个面方向上进行体素扩充，得到训练体素块，将训练体素块进行多模态数据生成，然后于精模型中进行训练。该3D血管及气管分割方法能够减缓训练时数据不平衡带来的影响，能够有效地提升血管或气管分割的精度。够有效地提升血管或气管分割的精度。够有效地提升血管或气管分割的精度。

【技术实现步骤摘要】
3D血管及气管分割方法及系统


[0001]本专利技术涉及3D分割领域，涉及3D管状组织的分割，具体涉及一种3D血管及气管分割方法及系统。

技术介绍

[0002]人体的器官系统分布着大量的管状结构，例如肺动脉，肺气管等。这些管状结构组织往往具有分形的特点，具有树状或网状的拓扑结构。随着相关影像设备的发展，采集到的管状组织(如血管、气管)影像可以到几个像素的级别，因此保留其细微的分支拓扑成为提取其结构的关键问题。人工提取其结构往往存在着耗时且主观差异大的问题，自动分析方法的研究是关注的热点。通过Hessian矩阵能够提取其结构，其缺陷是在分叉处容易漏检和运算复杂。采用梯度向量流方法提取时会对弱边缘不敏感。管状结构通常是各向异性的，基于活动轮廓模型的水平集算法对高曲率的抑制作用会降低演化曲线的进化速度。近年来，深度学习方法，例如U
‑
Net，在医疗图像分割取得很好的效果，但直接应用相关网络进行分割并不能获得很好的效果，是因为实际情况中数据存在着：(1)前景背景样本不平衡，(2)噪声干扰，(3)数据量大带来的收敛困难。
专利技本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种3D血管及气管分割方法，其特征在于，包括以下步骤：获取3D血管或气管数据样本；对所述3D血管或气管数据样本进行多模态数据生成,生成多模态数据时不对数据进行截取；构建训练模型，所述训练模型包括粗模型和精模型；将所述多模态数据进行缩放，然后将缩放后的数据和标签于粗模型中进行训练,分割出目标区域，对目标区域进行坐标还原，得到原始图像数据的感兴趣区域及其坐标；根据所述感兴趣区域的坐标在原始图像数据上裁剪待分割组织，得到感兴趣区域对应的体素块，在体素块的6个面方向上进行体素扩充，得到训练体素块，将训练体素块进行多模态数据生成，然后于精模型中进行训练；将待分割的3D血管或气管数据于训练好的训练模型中进行3D血管或气管分割。2.根据权利要求1所述的3D血管及气管分割方法，其特征在于，对多模态数据进行缩放时，对多模态数据使用三线性插值进行缩放，对标签使用最近邻插值进行缩放。3.根据权利要求1所述的3D血管及气管分割方法，其特征在于，在体素扩充时采用滑动窗推理，在推理的过程中使用高斯核生成重要性映射图对推理结果进行平滑。4.根据权利要求1所述的3D血管及气管分割方法，其特征在于，精模型训练时，以同等的概率从训练体素块的3个方向中选择一个方向进行训练，所述3个方向分别为训练体素块的冠状面，水平面，矢状面各自对应的方向，对3个方向上训练生成的特征图进行加权平均后激活。5.根据权利要求1所述的3D血管及气管分割方法，其特征在于，训练精模型时，对训练体素块进行增强，增强方法至少包含两种，每种增强方法对应一个概率，根据概率来控制是否执行该概率对应的增强方法，然后将增强后得到的训练体素块进行多模态数据生成。6.根据权利要求1所述的3D血管及气管分割方法，其特征在于，所述粗模型和精模型均包括编码器...

【专利技术属性】
技术研发人员：王翊，刘泽宇，雷海科，文静，
申请(专利权)人：重庆大学，
类型：发明
国别省市：