血管图像真假腔分割方法、系统、电子设备和存储介质技术方案

本发明专利技术提供了一种血管图像真假腔分割方法、系统、电子设备和存储介质，血管图像真假腔分割方法通过将待分割医学图像输入第一神经网络模型，以获取第一真假腔图像；然后将第一真假腔图像和待分割医学图像逐层输入第二神经网络模型，以获取若干个第二真假腔图像；最后将第二真假腔图像逐层堆叠，以获取最终的真假腔图像。待分割医学图像、第一真假腔图像和最终的真假腔图像均为3D图像；第二真假腔图像为2D图像。本发明专利技术通过深度学习级联3D卷积神经网络模型和2D卷积神经网络模型，能够快速、准确的获得主动脉真假腔预测结果，在保证分割精度的前提下，可以提高分割效率，能够较好地实现准确率以及时间效率的平衡。现准确率以及时间效率的平衡。现准确率以及时间效率的平衡。

【技术实现步骤摘要】
血管图像真假腔分割方法、系统、电子设备和存储介质


[0001]本专利技术涉及医学图像处理
，特别涉及一种血管图像真假腔分割方法、系统、电子设备和存储介质。

技术介绍

[0002]主动脉夹层(Aortic Dissection，AD)是一类高危的主动脉血管疾病，致死率较高，其病理特征为主动脉内壁部分撕裂，使得血液从撕裂口进入将血管分成两部分，即真腔和假腔。主动脉夹层的主要治疗手段为腔内修复术，通过带膜支架封堵夹层撕裂口以实现真腔重塑。然而，主动脉夹层术前诊断规划及术后治疗都需要客观量化结构参数，以精准定位撕裂内膜和撕裂口位置等过程。比如手术前，医生需要根据夹层形态参数(如真腔最大直径)来做预后及确定具体的手术方案，如选取合适尺寸的支架，判断手术效果等。
[0003]因此，主动脉夹层的分割对于术前诊断、手术规划以及术后修复等具有重要的指导意义。传统的参数提取方法是一项需花费大量人力成本和时间成本的工作，不仅很耗时而且依赖医生经验，人为主观性也将影响诊断精准度。在这些情况下，根据影像学征象进行真假腔鉴别就很有意义。<br/>
技术实现思路
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种血管图像真假腔分割方法，其特征在于，包括：将待分割医学图像输入第一神经网络模型，以获取第一真假腔图像；将所述第一真假腔图像和所述待分割医学图像逐层输入第二神经网络模型，以获取若干个第二真假腔图像；将所述第二真假腔图像逐层堆叠，以获取最终的真假腔图像；其中，所述待分割医学图像、所述第一真假腔图像和所述最终的真假腔图像均为3D图像；所述第二真假腔图像为2D图像。2.根据权利要求1所述的血管图像真假腔分割方法，其特征在于，在所述将所述第一真假腔图像和所述待分割医学图像逐层输入第二神经网络模型，以获取若干个第二真假腔图像之前，还包括：对所述第一神经网络模型输出得到的真假腔初始预测图像进行第一分割处理，以获取所述第一真假腔图像；所述第一分割处理包括：对于所述真假腔初始预测图像中的每一像素点，获取该像素点的真腔前景预测概率和假腔前景预测概率；判断所述真腔前景预测概率是否大于或等于所述假腔前景预测概率，若是，则将该像素点的像素值置为真腔像素值；若否，则将该像素点的像素值置为假腔像素值，以获取所述第一真假腔图像。3.根据权利要求2所述的血管图像真假腔分割方法，其特征在于，在对所述第一神经网络模型的真假腔初始预测图像进行第一分割处理之后，获取所述第一真假腔图像之前，还包括：对所述第一分割处理之后的真假腔初始预测图像进行第二分割处理，以获取所述第一真假腔图像；其中，所述第二分割处理包括：将预先获取的所述待分割医学图像的掩模图像与第一分割处理之后得到的医学图像相乘，获取所述第一真假腔图像。4.根据权利要求1所述的血管图像真假腔分割方法，其特征在于，所述将所述第二真假腔图像逐层堆叠，以获取最终的真假腔图像，包括：将所述第二真假腔图像逐层堆叠，得到第三真假腔图像；其中，所述第三真假腔图像为3D图像；对所述第三真假腔图像进行还原变换，以获取与所述待分割医学图像相同尺度的所述最终的真假腔血管图像。5.根据权利要求1所述的血管图像真假腔分割方法，其特征在于，所述第一神经网络模型为3D卷积神经网络模型，所述第二神经网络模型为2D卷积神经网络模型。6.根据权利要求1所述的血管图像真假腔分割方法，其特征在于，所述第一神经网络模型通过以下步骤训练得到：步骤A10：获取第一原始训练样本，所述第一原始训练样本包括第一原始医学训练图像和与所述第一原始医学训练图像对应的第一标签图像，所述第一标签图像为已标注出真假腔的第一医学图像；步骤A20：对所述第一原始训练样本进行扩展，得到第一训练样本，所述第一训练样本包括第一医学训练图像和与所述第一医学训练图像对应的第一标签图像；步骤A30：设置第一神经网络模型的模型参数的初始值；以及
根据所述第一训练样本和所述第一神经网络模型的模型参数的初始值对预先搭建的第一神经网络模型进行训练，直至满足第一预设训练结束条件；其中，所述第一原始医学训练图像、所述第一标签图像、所述第一医学训练图像以及与所述第一医学训练图像对应的第一标签图像均为3D图像。7.根据权利要求6所述的血管图像真假腔分割方法，其特征在于，步骤A30中，所述根据所述第一训练样本和所述第一神经网络模型的模型参数的初始值对预先搭建的第一神经网络模型进行训练，直至满足第一预设训练结束条件，包括：步骤A31：将所述第一训练样本作为第一神经网络模型的输入，根据所述第一神经网络模型的模型参数的初始值，获取所述第一医学训练图像的真假腔预测结果；步骤A32：根据所述第一医学训练图像的真假腔预测结果和所述第一医学训练图像对应的第一标签图像，计算第一损失函数的值；并根据所述第一损失函数的值和第一初步训练误差值，调整所述第一神经网络模型的模型参数，得到初步训练的第一神经网络模型；步骤A33：获取第一验证样本，所述第一验证样本包括第一医学验证图像和与所述第一医学验证图像对应的第二标签图像，所述第二标签图像为已标注出真假腔的第二医学图像；并将所述第一验证样本输入所述初步训练的第一神经网络模型，获取所述第一医学验证图像的真假腔预测结果；步骤A34：根据所述第一医学验证图像的真假腔预测结果和所述第一医学验证图像对应的第二标签图像，计算第一损失函数的值；若所述第一损失函数的值收敛到第一预设误差值或所述第一神经网络模型的训练次数大于或等于第一预设迭代次数，则训练结束；否则，调整所述第一神经网络模型的模型参数，并将所述...

【专利技术属性】
技术研发人员：请求不公布姓名，邹寅清，陈俊强，石思远，崔晨，
申请(专利权)人：上海微创卜算子医疗科技有限公司，
类型：发明
国别省市：