一种基于深度学习的医学影像颈动脉血管分割方法和系统技术方案

本发明专利技术涉及一种基于深度学习的医学影像颈动脉血管分割算法和系统，所述方法通过对原始颈部医学影像数据的获取和预处理后，输入预训练的医学影像颈动脉血管检测网络进行血管定位，生成颈动脉血管定位框；然后将定位框对应的部分颈部医学影像，输入预训练的医学影像颈动脉血管分割网络进行血管分割，生成颈动脉血管分割结果；最后将颈动脉血管分割结果和原始颈部医学影像数据进行可视化展示。与现有技术相比，本发明专利技术具有分割准确性高的优点。本发明专利技术具有分割准确性高的优点。本发明专利技术具有分割准确性高的优点。

【技术实现步骤摘要】
一种基于深度学习的医学影像颈动脉血管分割方法和系统


[0001]本专利技术涉及图像处理
，尤其是涉及一种基于深度学习的医学影像颈动脉血管分割方法和系统。

技术介绍

[0002]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]现有的基于CTA图像的颈动脉自动分割研究显示，利用二维多层面图像训练的二维卷积网络D
‑
SEA UNet可以实现颈动脉血管的分割。另一项基于MRA图像的颈动脉自动分割研究显示，利用二维图像训练的二维卷积网络UNet可以实现颈动脉血管的分割。以上研究均仅基于二维卷积网络进行分割，对于三维信息学习不足。
[0004]经过检索，中国专利申请公布号为CN114519722A，公开了一种基于卷积神经网络的颈动脉提取方法，其提出的模型根据给定颈动脉中心路径种子点，进行补丁切取和追踪，并输入三维神经网络，实现颈动脉血管分割。但是，该技术存在需要人工给定种子点，未实现全自动的颈动脉分割流程的局限性。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供了一种全自动定位分割、分割效率高的基于深度学习的医学影像颈动脉血管分割方法和系统。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]根据本专利技术的第一方面，提供了一种基于深度学习的医学影像颈动脉血管分割方法，该方法包括以下步骤：
[0008]步骤S1、数据采集：获取原始颈部医学影像数据I1；
[0009]步骤S2、数据预处理：原始颈部医学影像数据I1经过第一预处理过程P1后，得到统一标准的第二颈部医学影像数据I2；将第二颈部医学影像数据I2经过第二预处理过程P2，得到归一化的第三颈部医学影像数据I3；
[0010]步骤S3、血管定位：将第三颈部医学影像数据I3输入预训练的第一基于注意力机制的U
‑
Net网络进行血管定位，得到血管定位坐标A1；
[0011]步骤S4、血管分割：将血管定位坐标A1、第二颈部医学影像数据I2与第三颈部医学影像数据I3，经过第一数据后处理过程P3后，得到第四颈部医学影像数据I4；将第四颈部医学影像数据I4输入预训练的第二基于注意力机制的U
‑
Net网络进行血管分割，得到血管分割结果A2；
[0012]步骤S5、可视化处理：结合血管分割结果A2、原始颈部医学影像数据I1和第二颈部医学影像数据I2，经过第二数据后处理过程P4，得到颈部医学影像与颈动脉血管分割结合影
像I5，用于可视化展示。
[0013]优选地，所述步骤S1中的原始颈部医学影像数据I1为CTA数据。
[0014]优选地，所述步骤S2中第一预处理过程P1，具体为：
[0015]步骤S201、对不同像素间距和图像尺寸的原始颈部医学影像I1进行重采样；其中，所述重采样的插值模式为最近邻插值；
[0016]步骤S202、对重采样后的颈部医学影像进行中心裁剪或周围填充，得到统一标准的第二颈部医学影像数据I2；其中，所述中心裁切中Z轴方向不做处理，所述周围填充为常数值填充，常数值为输入数据最小值；
[0017]所述第二预处理过程P2，具体为：
[0018]步骤S211、将第二颈部医学影像数据I2降采样到H1×
W1×
Z1的尺寸，其中，所述降采样中的插值模式为最近邻插值；
[0019]步骤S212、对降采样后的影像数据进行归一化，具体为：将强度数值在区间[a,b]的体素点，线性映射到[0,1]区间；强度数值小于a的体素点，设为0；强度数值大于b的体素点，设为0。
[0020]优选地，所述步骤S4中的第一数据后处理过程P3，具体为：
[0021]步骤S401、在第三颈部医学影像数据I3中提取血管定位坐标A1对应的图像区域R1；
[0022]步骤S402、对图像区域R1进行重采样，得到与第二颈部医学影像数据I2同空间的坐标A
’1；其中，所述重采样的插值模式为最近邻插值；
[0023]步骤S403、在第二颈部医学影像数据I2中提取坐标A
’1对应的图像区域，即为第四颈部医学影像数据I4。
[0024]优选地，所述步骤S3或步骤S4中的基于注意力机制的U
‑
Net网络包括注意力门模块，融合模块，以及依次连接的第一卷积模块、第一激活模块、第一下采样模块、第二卷积模块、第二激活模块、第二下采样模块、第三卷积模块、第三激活模块、第三下采样模块、第四卷积模块和第四激活模块、第一上采样模块、第五卷积模块、第五激活模块、第二上采样模块、第六卷积模块、第六激活模块、第三上采样模块、第七卷积模块和第七激活模块；
[0025]所述第三激活模块的输出、第四激活模块的输出分别输入至注意力门模块，注意力门模块的输出与第一上采样模块的输出通过融合模块融合后作为第五卷积模块的输入；所述第二激活模块的输出、第五激活模块的输出分别输入至注意力门模块，注意力门模块的输出与第二上采样模块的输出通过融合模块融合后作为第六卷积模块的输入；所述第一激活模块的输出、第六激活模块的输出分别输入至注意力门模块，注意力门模块的输出与第三个上采样模块的输出通过融合模块融合后作为第五卷积模块的输入。
[0026]优选地，所述注意力门模块包括第八卷积模块、第九卷积模块、第八激活模块、第十卷积模块和第九激活模块；所述第八卷积模块的输入为门信号，所述第九卷积模块的输入为待处理的特征图，叠加所述第八卷积模块和第九卷积模块的输出信号后，依次经过第八激活模块、第十卷积模块和第九激活模块，将输出的特征图结果再与原待处理的特征图进行对应位置元素相乘得到最终处理后的特征图。
[0027]优选地，所述步骤S3或步骤S4中的基于注意力机制的U
‑
Net网络的预训练过程包括：
[0028]1)获取训练集、验证集数据和对应标签；
[0029]2)将训练集数据作为一个通道输入网络，同时设定超参数值；其中，超参数值包括批处理样本数、最大训练周期、初始学习率、学习率优化器和损失函数；
[0030]3)计算训练集数据的网络输出结果与对应标签的损失函数值；
[0031]4)根据损失函数结果调整网络模型中的参数值；
[0032]5)当训练集数据输入训练完成一部分周期后，输入验证集数据和标签；
[0033]6)计算验证集数据的网络输出结果与对应标签的损失函数值；
[0034]7)根据损失函数结果调整网络模型的超参数值；
[0035]8)重复步骤2)
‑
7)，直到3)和6)中的损失函数值收敛且本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的医学影像颈动脉血管分割方法，其特征在于，该方法包括以下步骤：步骤S1、数据采集：获取原始颈部医学影像数据I1；步骤S2、数据预处理：原始颈部医学影像数据I1经过第一预处理过程P1后，得到统一标准的第二颈部医学影像数据I2；将第二颈部医学影像数据I2经过第二预处理过程P2，得到归一化的第三颈部医学影像数据I3；步骤S3、血管定位：将第三颈部医学影像数据I3输入预训练的第一基于注意力机制的U
‑
Net网络进行血管定位，得到血管定位坐标A1；步骤S4、血管分割：将血管定位坐标A1、第二颈部医学影像数据I2与第三颈部医学影像数据I3，经过第一数据后处理过程P3后，得到第四颈部医学影像数据I4；将第四颈部医学影像数据I4输入预训练的第二基于注意力机制的U
‑
Net网络进行血管分割，得到血管分割结果A2；步骤S5、可视化处理：结合血管分割结果A2、原始颈部医学影像数据I1和第二颈部医学影像数据I2，经过第二数据后处理过程P4，得到颈部医学影像与颈动脉血管分割结合影像I5，用于可视化展示。2.根据权利要求1所述的一种基于深度学习的医学影像颈动脉血管分割方法，其特征在于，所述步骤S1中的原始颈部医学影像数据I1为CTA数据。3.根据权利要求1所述的一种基于深度学习的医学影像颈动脉血管分割方法，其特征在于，所述步骤S2中第一预处理过程P1，具体为：步骤S201、对不同像素间距和图像尺寸的原始颈部医学影像I1进行重采样；其中，所述重采样的插值模式为最近邻插值；步骤S202、对重采样后的颈部医学影像进行中心裁剪或周围填充，得到统一标准的第二颈部医学影像数据I2；其中，所述中心裁切中Z轴方向不做处理，所述周围填充为常数值填充，常数值为输入数据最小值；所述第二预处理过程P2，具体为：步骤S211、将第二颈部医学影像数据I2降采样到H1×
W1×
Z1的尺寸，其中，所述降采样中的插值模式为最近邻插值；步骤S212、对降采样后的影像数据进行归一化，具体为：将强度数值在区间[a,b]的体素点，线性映射到[0,1]区间；强度数值小于a的体素点，设为0；强度数值大于b的体素点，设为0。4.根据权利要求1所述的一种基于深度学习的医学影像颈动脉血管分割方法，其特征在于，所述步骤S4中的第一数据后处理过程P3，具体为：步骤S401、在第三颈部医学影像数据I3中提取血管定位坐标A1对应的图像区域R1；步骤S402、对图像区域R1进行重采样，得到与第二颈部医学影像数据I2同空间的坐标A
’1；其中，所述重采样的插值模式为最近邻插值；步骤S403、在第二颈部医学影像数据I2中提取坐标A
’1对应的图像区域，即为第四颈部医学影像数据I4。5.根据权利要求1所述的一种基于深度学习的医学影像颈动脉血管分割方法，其特征在于，所述步骤S3或步骤S4中的基于注意力机制的U
‑
Net网络包括注意力门模块，融合模
块，以及依次连接的第一卷积模块、第一激活模块、第一下采样模块、第二卷积模块、第二激活模块、第二下采样模块、第三卷积模块、第三激活模块、第三下采样模块、第四卷积模块和第四激活模块、第一上采样模块、第五卷积模块、第五激活模块、第二上采样模块、第六卷积模块、第六激活模块、第三上采样模块、第七卷积模块和第七激活模块；所述第三激活模块的输出、第四激活模块的输出分别输入至注意力门模块，注意力门模块的输出与第一上采样模块的输出通过融合模块融合后作为第五卷积模块的输入；所述第二...

【专利技术属性】
技术研发人员：杨丽琴，罗啸，耿道颖，胡斌，周书怡，李郁欣，
申请(专利权)人：光华临港工程应用技术研发上海有限公司，
类型：发明
国别省市：