一种基于N-PointNet的颅内动脉瘤三维点云图像分割方法技术

本发明专利技术公开了一种基于N

【技术实现步骤摘要】
一种基于N
‑
PointNet的颅内动脉瘤三维点云图像分割方法


[0001]本专利技术涉及医学影像
，具体涉及一种基于N
‑
PointNet的颅内动脉瘤三维点云图像分割方法。

技术介绍

[0002]颅内动脉瘤是一种由脑部血管发生结构性改变而引起的异常囊性突起，一般表现为瘤状形态，及时诊断并且术前检查是必要的治疗策略和手术方法，主要的治疗方法是夹闭颈部以防止动脉瘤破裂，夹闭的位置和姿势的决定仍然有效高度依赖基于医生经验的临床判断，在模拟真实神经外科手术的颅内动脉瘤手术支持系统中，对动脉瘤的准确性分割是最关键的部分，因为它用于提取动脉瘤的颈部，即动脉瘤的边界。
[0003]目前的动脉瘤分割技术主要在二维CT和MRI图像领域，随着CT、MRI等医学影像技术的发展，颅内动脉瘤的检查手段逐渐增多，医生通过观察影像设备的造影结果，对于颅内动脉瘤的诊断有着较强的主观性。
[0004]相较于手动标注2D平面图像，计算机辅助诊断的3D形态分析可以提高参数测量的准确性和一致性，还可以更可靠地量化形状的不规则性，计算机辅助分析工具可以帮助临床医生标准化病灶区域的形态学评估，从而使颅内动脉瘤的评估更加一致、准确，但3D医疗数据可能包含不完整的病理结构，很难根据数据库在一个对象内将其与健康部位区分开来，医疗数据集中同一对象类的医学点云在几何和拓扑上的形状较为多样和复杂，这给对象分类或分割带来了困难，使得分割结果准确率低。

技术实现思路

[0005]为此，本专利技术提供一种基于N
‑
PointNet的颅内动脉瘤三维点云图像分割方法，有效的解决了现有技术中的数据库数据不足且同一对象类的医学点云在几何和拓扑上的形状较为多样和复杂导致分割难度大的问题。
[0006]为解决上述技术问题，本专利技术具体提供下述技术方案：一种基于N
‑
PointNet的颅内动脉瘤三维点云图像分割方法，包括以下步骤：
[0007]步骤100，对动脉瘤的点云数据进行预处理，获取一组第一采样数据，基于动脉瘤点云数据，通过数据增强获取三组第二采样数据；
[0008]步骤200，构建PointNet++网络，第一采集数据和第二采集数据生成多层信息并嵌入到PointNet++网络的输入端，分层依次进行集合抽象、特征嵌入得到对应层输出值和叠层输出值；
[0009]步骤300，在PointNet++网络输出端设置侧边输出模块，计算每个侧边输出模块中每个侧边输出层的损失函数；
[0010]步骤400，基于PointNet++网络除L0层外每一层的输出数值进行全局池化，得到局部输出得分，将局部输出得分线性重叠，得出最终预测结果；
[0011]步骤500，基于对应层输出值和叠层输出值进行多层特征传播，以得出分割结果。
[0012]作为本专利技术的一种优选方案，所述构建PointNet++网络，第一采集数据和第二采集数据生成多层信息并嵌入到PointNet++网络的输入端，分层依次进行集合抽象、特征嵌入得到对应层输出值和叠层输出值，包括：
[0013]构建Remove and MLP块，基于第一采集数据进行MLP得到MLP输出值，基于第二采集数据将输入点集合X＝{x1，x2...，x
n
}作为Remove and MLP块的输入；
[0014]建立集合抽象层，基于集合抽象层将上一层的MLP输出值、对应层输出值和/或当前层的输入点集合分层向下采样并生成一个多层中心点集合其中l＝1，2，3，表示多层嵌入式输入层的索引；
[0015]设置特征嵌入层，计算嵌入式输入值，将嵌入式输入值进行特征嵌入下一层集合抽象层，直至L4，输出叠层输出值；
[0016]其中，嵌入式输入值为：所述多层中心点集合为所述输入点集合的一个子集。
[0017]作为本专利技术的一种优选方案，将所述嵌入式输入值作为所述对应层输出值，所述多层中心点集合滤除在l层最远点采样的中心点以及存在重复的点。
[0018]作为本专利技术的一种优选方案，LN层的特征嵌入层的输出层值作为LN+1层的集合抽象层的输入值。
[0019]作为本专利技术的一种优选方案，所述将嵌入式输入值进行特征嵌入下一层集合抽象层，包括：
[0020]将L1、L2和L3层对应的嵌入式输入值中的点的特征Ml
×
(d+C)上升到Ml
×
(d+C+E)，其中，Ml是集合抽象层的输入和输出的点集合大小，C和E是点特征；
[0021]将特征值f进行多层嵌入，保持每层中采样点的大小，对每层的中心点进行采样、分组和PointNet运算，得到局部信息和最接近中心点的最近邻点的特征信息；
[0022]采用加权后的k近邻点，嵌入中心点的最近邻点的特征信息；
[0023]对应的公式为：
[0024][0025][0026]其中，权重w
i
(x)由余弦相似度系数生成，表示距离越近，权重越大，并且L1层的k＝3，L2层的k＝6，L3层的k＝8。
[0027]作为本专利技术的一种优选方案，所述基于对应层输出值和叠层输出值进行多层特征传播，以得出分割结果，包括：
[0028]建立特征传播层；
[0029]基于同一层的所述嵌入式输入值、所述叠层输出值和/或上一层的第一传播输出值进行特征传播，得到第二传播输出值；
[0030]当前层的第二传播输出值作为下一层接收的第一传播输出值，直至当前层接收到上一层的第一传播输出值和L0层的MLP输出值进行特征传播，得到分割结果为止。
[0031]作为本专利技术的一种优选方案，LN层特征传播层作为LN
‑
1特征传播层的上一层。
[0032]作为本专利技术的一种优选方案，所述在PointNet++网络输出端设置侧边输出模块，计算每个侧边输出模块中每个侧边输出层的损失函数，包括：
[0033]计算侧边输出层的损失函数；
[0034]其中，损失函数表达式为S＝4，Y＝(Y
(1）
；...；Y
(S)
)代表侧边输出层的金标准，y＝(y
(1)
；...；y
(s)
)代表每个侧边输出层的局部输出得分，μ
n
为每个侧边输出层的损失函数融合权重；
[0035]基于损失函数输出值将侧输出损耗和最终层损耗反向传播到早期层。
[0036]作为本专利技术的一种优选方案，每个侧边输出层对应一个局部输出得分。
[0037]作为本专利技术的一种优选方案，步骤100中，所述数据增强采用随机比例和平移增强。
[0038]本专利技术与现有技术相比较具有如下有益效果：
[0039]本专利技术提出了一种改进的端到端深度网络结构(N
‑
PointNet)进行颅内动脉瘤的分类和分割，主要由PointNet++网络、多层信息嵌入和侧边输出模块组成，通过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于N
‑
PointNet的颅内动脉瘤三维点云图像分割方法，其特征在于，包括以下步骤：步骤100，对动脉瘤的点云数据进行预处理，获取一组第一采样数据，基于动脉瘤点云数据，通过数据增强获取三组第二采样数据；步骤200，构建PointNet++网络，第一采集数据和第二采集数据生成多层信息并嵌入到PointNet++网络的输入端，分层依次进行集合抽象、特征嵌入得到对应层输出值和叠层输出值；步骤300，在PointNet++网络输出端设置侧边输出模块，计算每个侧边输出模块中每个侧边输出层的损失函数；步骤400，基于PointNet++网络除L0层外每一层的输出数值进行全局池化，得到局部输出得分，将局部输出得分线性重叠，得出最终预测结果；步骤500，基于对应层输出值和叠层输出值进行多层特征传播，以得出分割结果。2.根据权利要求1所述的一种基于N
‑
PointNet的颅内动脉瘤三维点云图像分割方法，其特征在于，所述构建PointNet++网络，第一采集数据和第二采集数据生成多层信息并嵌入到PointNet++网络的输入端，分层依次进行集合抽象、特征嵌入得到对应层输出值和叠层输出值，包括：构建Remove and MLP块，基于第一采集数据进行MLP得到MLP输出值，基于第二采集数据将输入点集合X＝{x1，x2...，x
n
}作为Remove and MLP块的输入；建立集合抽象层，基于集合抽象层将上一层的MLP输出值、对应层输出值和/或当前层的输入点集合分层向下采样并生成一个多层中心点集合其中l＝1，2，3，对应多层嵌入式输入层的索引；设置特征嵌入层，计算嵌入式输入值，将嵌入式输入值进行特征嵌入下一层集合抽象层，直至L4，输出叠层输出值；其中，嵌入式输入值为：所述多层中心点集合为所述输入点集合的一个子集。3.根据权利要求2所述的一种基于N
‑
PointNet的颅内动脉瘤三维点云图像分割方法，其特征在于，将所述嵌入式输入值作为所述对应层输出值，所述多层中心点集合滤除在l层最远点采样的中心点以及存在重复的点。4.根据权利要求3所述的一种基于N
‑
PointNet的颅内动脉瘤三维点云图像分割方法，其特征在于，LN层的特征嵌入层的输出层值作为LN+1层的集合抽象层的输入值。5.根据权利要求4所述的一种基于N
‑
PointNet的颅内动脉瘤三维点云图像分割方法，其特征在于，所述将嵌入式输入值进行特征嵌入下一层集合抽象层，包括：将L1、L2和L3层对应的嵌入式输入值中的点的特征Ml<...

【专利技术属性】
技术研发人员：王家琦，叶明全，刘俊彤，周运锋，袁金龙，宋若晨，殷鹏展，
申请(专利权)人：皖南医学院，
类型：发明
国别省市：