融入测地线投票算法的深度学习网络的血管分割方法技术

一种融入测地线投票算法的深度学习网络的血管分割方法，将增强后的数据集输入到编码器中进行特征提取，同时通过测地线投票算法计算测地线密度，得到测地线密度特征权重，将测地线密度特征权重与编码器提取的特征进行特征融合，通过解码器解码，最终完成冠状动脉血管的分割。结合了深度学习模型与测地线投票算法的优点，即克服了使用测地线投票算法进行血管分割时的阴影域问题，又克服了深度学习网络分割血管时血管不连续、缺乏几何信息等问题，提高了血管分割的准确性与鲁棒性。在使用深度学习网络进行血管分割时，通过融合测地线投票算法进行特征补偿，有效地克服深度学习网络分割中存在的不准确和漏检部分，得到更准确的血管分割结果。管分割结果。管分割结果。

【技术实现步骤摘要】
融入测地线投票算法的深度学习网络的血管分割方法


[0001]本专利技术设计医学图像处理领域，具体涉及一种融入测地线投票算法的深度学习网络的血管分割方法。

技术介绍

[0002]医学影像处理中的血管分割任务对疾病的诊断和治疗具有重要意义，可分为传统方法和基于深度学习的方法传统方法包括基于阈值、基于滤波器、基于形态学和基于机器学习等方法。这些方法通常基于先验知识或手工设计的特征，如血管的亮度、形状、纹理等，以及一些图像处理技术，如边缘检测、区域生长、二值化等，来提取血管并进行分割。如Chen等人(参考文献：D.Chen,J.Zhang and L.D.Cohen,"Minimal Paths for Tubular Structure Segmentation With Coherence Penalty and Adaptive Anisotropy,"in IEEE Transactions on Image Processing,vol.28,no.3,pp.1271
‑
1284,March 2019,doi:10.1109本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融入测地线投票算法的深度学习网络的血管分割方法，其特征在于，包括如下步骤：a)收集n张冠状动脉造影图像，得到数据集D
′
，D
′
＝{D
′1,D
′2,...,D
′
i
,...,D
′
n
}，D
′
i
为第i张冠状动脉造影图像，i∈{1,2,...,n}；b)对数据集D
′
进行数据集增强操作，得到增强后的数据集D，D＝{D1,D2,...,D
i
,...,D
n
}，D
i
为第i张增强后的冠状动脉造影图像；c)将增强后的数据集D划分为训练集train、验证集val、测试集test；d)建立血管分割网络模型，血管分割网络模型由编码器、中间结构层、解码器构成；e)将训练集train中第i张增强后的冠状动脉造影图像D
i
输入到血管分割网络模型的编码器，输出得到特征图及特征图f)将特征图输入到血管分割网络模型的中间结构层中，输出得到特征图D
c
；g)将特征图及特征图D
c
输入到血管分割网络模型的解码器中，输出得到分割图像I
END
；h)利用SGD优化器通过反向传播法，使用损失函数L优化血管分割网络模型，得到训练后的血管分割网络模型；i)将测试集test中第i张增强后的冠状动脉造影图像D
i
输入到训练后的血管分割网络模型中，输出得到分割图像I
′
END
。2.根据权利要求1所述的融入测地线投票算法的深度学习网络的血管分割方法，其特征在于：步骤a)中从ARCADE公开挑战赛中收集300名患者的冠状动脉造影图像，得到数据集D
′
。3.根据权利要求1所述的融入测地线投票算法的深度学习网络的血管分割方法，其特征在于：步骤b)中在python中导入Albumentations工具包，对数据集D
′
中的冠状动脉造影图像依次进行翻转、随机仿射变换、增强饱和度操作，得到增强后的数据集D。4.根据权利要求1所述的融入测地线投票算法的深度学习网络的血管分割方法，其特征在于：步骤c)中将增强后的数据集D按7:1:2的比例划分为训练集train、验证集val、测试集test。5.根据权利要求1所述的融入测地线投票算法的深度学习网络的血管分割方法，其特征在于，步骤e)包括如下步骤：e
‑
1)血管分割网络模型的编码器由第一卷积单元、第二卷积单元、第一最大池化层、第三卷积单元、第四卷积单元、第二最大池化层、第五卷积单元、第六卷积单元、第三最大池化层、第七卷积单元、第八卷积单元、第四最大池化层构成；e
‑
2)编码器的第一卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将训练集train中第i张增强后的冠状动脉造影图像D
i
输入到第一卷积单元中，输出得到特征图e
‑
3)编码器的第二卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第二卷积单元中，输出得到特征图
e
‑
4)将特征图输入到编码器的第一最大池化层中，输出得到特征图将训练集train中第i张增强后的冠状动脉造影图像D
i
输入到编码器的第一最大池化层中，输出得到特征图e
‑
5)编码器的第三卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第三卷积单元中，输出得到特征图e
‑
6)编码器的第四卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第四卷积单元中，输出得到特征图e
‑
7)将特征图输入到编码器的第二最大池化层中，输出得到特征图将特征图输入到编码器的第二最大池化层中，输出得到特征图e
‑
8)编码器的第五卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第五卷积单元中，输出得到特征图e
‑
9)编码器的第六卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第六卷积单元中，输出得到特征图e
‑
10)将特征图输入到编码器的第三最大池化层中，输出得到特征图将特征图输入到编码器的第三最大池化层中，输出得到特征图e
‑
11)编码器的第七卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第七卷积单元中，输出得到特征图e
‑
12)编码器的第八卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第八卷积单元中，输出得到特征图e
‑
13)将特征图输入到编码器的第四最大池化层中，输出得到特征图将特征图输入到编码器的第四最大池化层中，输出得到特征图6.根据权利要求5所述的融入测地线投票算法的深度学习网络的血管分割方法，其特征在于，步骤f)包括如下步骤：f
‑
1)血管分割网络模型的中间结构层由第一卷积单元、第二卷积单元构成；f
‑
2)中间结构层的第一卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第一卷积单元中，输出得到特征图f
‑
3)中间结构层的第二卷积单元依次由卷积层、BatchNorm层、Dropout层构成，将特征图输入到第二卷积单元中，输出得到特征图D
c
。
7.根据权利要求6所述的融入测地线投票算法的深度学习网络的血管分割方法，其特征在于，步骤g)包括如下步骤：g
‑
1)血管分割网络模型的解码器由第一测地线投票算法模块、第一上采样层、第一特征融合层、第一卷积单元、第二卷积单元、第二测地线投票算法模块、第二上采样层、第二特征融合层、第三卷积单元、第四卷积单元、第三测地线投票算法模块、第三上采样层、第三特征融合层、第五卷积单元、第六卷积单元、第四测地线投票算法模块、第四上采样层、第四特征融合层、第七卷积单元、第八卷积单元、第九卷积单元构成；g
‑
2)解码器的第一测地线投票算法模块由特征点检测层、测地线密度计算层、特征融合层构成，将特征图剪裁至与特征图D
c
同等大小，得到特征图将特征图输入到特征点检测层中，特征图通过Harris角点检测器检测其中的特征点，得到特征点图选取特征点图边界上所有的点生成点集S1，将特征点图输入到测地线密度计算层中，从特征点图中随机选取一特征点x1作为测地线投票算法的源点，将特征点x1与点集S1利用测地线投票算法计算生成测地线密度特征图将测地线密度特征图输入到Sigmoid函数中，输出得到测地线密度系数特征图将测地线密度系数特征图与特征图D
c
输入到特征融合层中，将测地线密度系数特征图与特征图D
c
采用对应像素相乘的方式进行特征融合，得到特征图g
‑
3)将特征图输入到解码器的第一上采样层中，输出得到特征图g
‑
4)将特征图与特征图输入到第一特征融合层中，特征图与特征图以通道叠加的方式进行特征融合，得到特征图g
‑
5)解码器的第一卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第一卷积单元中，输出得到特征图g
‑
6)解码器的第二卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第二卷积单元中，输出得到特征图g
‑
7)解码器的第二测地线投票算法模块由特征点检测层、测地线密度计算层、特征融合层构成，将特征图剪裁至与特征图同等大小，得到特征图将特征图输入到特征点检测层中，特征图通过Harris角点检测器检测其中的特征点，得到特征点图选取特征点图边界上所有的点生成点集S2，将特征点图输入到测地线密度计算层中，从特征点图中随机选取一特征点x2作为测地线投票算法的源点，将特征点x2与点集S2利用测地线投票算法计算生成测地线密度特征图将测地线密度特征图
输入到Sigmoid函数中，输出得到测地线密度系数特征图将测地线密度系数特征图与特征图输入到特征融合层中，将测地线密度系数特征图与特征图采用对应像素相乘的方式进行特征融合，得到特征图g
‑
8)将特征图输入到解码器的第二上采样层中，输出得到特征图g
‑
9)将特征图与特征图输入到第二特征融合层中，特征图与特征图以通道叠加的方式进行特征融合，得到特征图g
‑
10)解码器的第三卷积单元依次由卷积层、B...

【专利技术属性】
技术研发人员：陈达，韩孝兴，舒明雷，刘丽，李焕春，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：