融合几何信息的软注意力网络的血管分割方法技术

一种融合几何信息的软注意力网络的血管分割方法，利用测地距离图获取血管结构信息，采用水平集函数获取血管图像上各点的位置信息，同时使用Heaviside函数生成血管内各点的权重分布。进一步，通过融合几何信息的方式，将权重分布与注意力分布结合，形成一个软注意力网络模块。将几何信息融入到软注意力网络的血管分割方法，能够很好的抑制分割泄露，解决分割过程中血管不连续的问题，使血管分割更加迅速、精确。精确。精确。

【技术实现步骤摘要】
融合几何信息的软注意力网络的血管分割方法


[0001]本专利技术涉及计算机视觉
，具体涉及一种融合几何信息的软注意力网络的血管分割方法。

技术介绍

[0002]血管分割是医学图像分析的重要任务之一，它可以帮助医生进行疾病诊断和治疗方案设计。由于血管在医学图像中形态复杂、尺寸各异，且与周围组织之间存在接触和交叉，因此血管分割任务非常具有挑战性。在过去几十年中，许多传统的图像分割方法已被应用于血管分割领域，例如阈值分割、区域生长、边缘检测等方法。然而，这些传统方法往往受限于图像噪声、灰度不均匀性和复杂的血管形态等问题，导致其分割效果不稳定、精度不高。
[0003]深度学习具有较强的特征学习能力和良好的泛化性能，可以自动学习图像的语义信息，对图像中的目标像素进行准确的分类和分割。Olaf Ronneberger等人(参考文献：Ronneberger,O.,Fischer,P.,Brox,T.(2015).U
‑
Net:Convolutional Networks for Biomedical Image Segmentation.In:Navab,N.,Hornegger,J.,Wells,W.,Frangi,A.(eds)Medical Image Computing and Computer
‑
Assisted Intervention
–
MICCAI 2015.MICCAI 2015.Lecture Notes in Computer Science(),vol 9351.Springer,Cham.)在U
‑
Net网络的编码器部分采用了卷积神经网络来逐渐降低特征的尺寸和深度，并提取出图像的高层次语义信息。采用跳跃式连接有效的将局部和全局的信息进行结合，帮助网络更好地理解输入图像的上下文，提高分割的准确性。这种设计不仅能有效地避免信息丢失和重复计算，还可以提高网络的鲁棒性和泛化能力，从而降低模型的重复率，提高分割精度。Zhou等人(参考文献：Zhou,Z.,Rahman Siddiquee,M.M.,Tajbakhsh,N.,Liang,J.(2018).UNet++:A Nested U
‑
Net Architecture for Medical Image Segmentation.In:,et al.Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support.DLMIA ML
‑
CDS 2018 2018.Lecture Notes in Computer Science(),vol 11045.Springer,Cham.)在U
‑
Net的基础上重新设计了跳跃路径，减小了编码器和解码器子网络之间的语义差距。其中一个主要问题是U
‑
Net网络可能会产生过多的重叠区域，导致模型的计算复杂度增加，同时也会导致输出结果的重复性较高，降低了模型的效率和准确率。此外，U
‑
Net网络在处理非常大的图像时，也可能会出现存储和计算资源不足的问题，导致训练时长增加，性能下降。为了解决上述问题，研究人员提出了经过改进的U
‑
Net网络结构和算法，以提高模型的效率和准确性。例如，采用新的卷积操作或者批量归一化技术，能够降低网络的计算复杂度和存储需求；使用残差连接或者跳跃连接等技术，可以有效地减少重复率，提高模型的表现。但是对于具有曲面、不规则形状或包含多个物体的图像，U
‑
Net网络往往难以实现准确的分割。
[0004]血管在医学图像中通常是曲线形状，传统的分割方法受限于图像噪声、复杂的血管形态等问题，导致其分割精度不高，而U
‑
Net在处理这种类型的图像时也会存在一些限
制，如分割结果的平滑性不足、边缘位置不准确等问题。

技术实现思路

[0005]本专利技术为了克服以上技术的不足，提供了一种提高图像分割精度和速度的融合几何信息的软注意力网络的血管分割方法。
[0006]本专利技术克服其技术问题所采用的技术方案是：
[0007]一种融合几何信息的软注意力网络的血管分割方法，包括：如下步骤：
[0008]a)收集n名患者的冠状动脉血管图像，得到数据集I，I＝{I1,I2,...,I
i
,
…
,I
n
}，其中I
i
为第i名患者的冠状动脉血管图像，i∈{1,2,
…
,n}；
[0009]b)对数据集I进行预处理，得到预处理后的数据集I
f
，I
f
＝{I
f1
,I
f2
,
…
,I
fi
,
…
,I
fn
}，其中I
fi
为第i名患者的预处理后的冠状动脉血管图像；
[0010]c)将预处理后的数据集I
f
划分为训练集train、验证集val、测试集test；
[0011]d)设置由编码器、中间结构层、解码器构成的网络结构，将训练集train中第i名患者的预处理后的冠状动脉血管图像I
fi
输入到网络结构的解码器中，输出得到特征图I
fm4
；
[0012]e)将特征图I
fm4
输入到网络结构的中间结构层中，输出得到特征图I
fc1
；
[0013]f)将特征图I
fc1
输入到解码器中，输出得到分割图像I
end
；
[0014]g)计算损失函数L；
[0015]h)使用AdamW作为优化器，根据损失函数L使用反向传播来优化步骤d)中网络结构，得到优化后的网络结构；
[0016]i)将测试集test中第i名患者的预处理后的冠状动脉血管图像输入到优化后的网络结构中，得到分割图像I
′
end
。
[0017]进一步的。步骤a)中在使用X射线血管造影图像的自动基于区域的冠状动脉疾病诊断公开挑战赛中收集200名患者的冠状动脉血管图像，得到数据集I；步骤b)中在python中导入Augmentor包，使用Augmentor包对数据集I依次进行旋转、弹性形变、增强亮度、增强对比度操作，得到增强后的数据集I
′
，I
′
＝{I
′1,I
′2,
…
,I
′
i
,
…
,I
′
n
}，将增强后的数据集I
′
进行Overlap
‑
tile策略得到预处理后的数据集I
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合几何信息的软注意力网络的血管分割方法，其特征在于，包括：如下步骤：a)收集n名患者的冠状动脉血管图像，得到数据集I，I＝{I1,I2,...,I
i
,...,I
n
}，其中I
i
为第i名患者的冠状动脉血管图像，i∈{1,2,...,n}；b)对数据集I进行预处理，得到预处理后的数据集I
f
，I
f
＝{I
f1
,I
f2
,...,I
fi
,...,I
fn
}，其中I
fi
为第i名患者的预处理后的冠状动脉血管图像；c)将预处理后的数据集I
f
划分为训练集train、验证集val、测试集test；d)设置由编码器、中间结构层、解码器构成的网络结构，将训练集train中第i名患者的预处理后的冠状动脉血管图像I
fi
输入到网络结构的解码器中，输出得到特征图I
fm4
；e)将特征图I
fm4
输入到网络结构的中间结构层中，输出得到特征图I
fc1
；f)将特征图I
fc1
输入到解码器中，输出得到分割图像I
end
；g)计算损失函数L；h)使用AdamW作为优化器，根据损失函数L使用反向传播来优化步骤d)中网络结构，得到优化后的网络结构；i)将测试集test中第i名患者的预处理后的冠状动脉血管图像输入到优化后的网络结构中，得到分割图像I
′
end
。2.根据权利要求1所述的融合几何信息的软注意力网络的血管分割方法，其特征在于：步骤a)中在使用X射线血管造影图像的自动基于区域的冠状动脉疾病诊断公开挑战赛中收集200名患者的冠状动脉血管图像，得到数据集I；步骤b)中在python中导入Augmentor包，使用Augmentor包对数据集I依次进行旋转、弹性形变、增强亮度、增强对比度操作，得到增强后的数据集I
′
，I
′
＝{I
′1,I
′2,...,I
′
i
,...,I
′
n
}，将增强后的数据集I
′
进行Overlap
‑
tile策略得到预处理后的数据集I
f
。3.根据权利要求1所述的融合几何信息的软注意力网络的血管分割方法，其特征在于：将预处理后的数据集I
f
按照6:2:2的比例划分为训练集train、验证集val、测试集test。4.根据权利要求1所述的融合几何信息的软注意力网络的血管分割方法，其特征在于，步骤d)包括如下步骤：d
‑
1)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；d
‑
2)编码器的第一卷积单元依次由卷积层、BatchNorm层、Dropout层、Relu激活函数构成，将训练集train中第i名患者的预处理后的冠状动脉血管图像I
fi
输入第一卷积单元中，输出得到特征图I
fi1
‑1；d
‑
3)编码器的第二卷积单元依次由卷积层、BatchNorm层、Dropout层、Relu激活函数构成，将特征图I
fi1
‑1输入第二卷积单元中，输出得到特征图I
fe1
；d
‑
4)将特征图I
fe1
输入到编码器的第一最大池化层中，输出得到特征图I
fm1
；d
‑
5)编码器的第三卷积单元依次由卷积层、BatchNorm层、Dropout层、Relu激活函数构成，将特征图I
fm1
输入第三卷积单元中，输出得到特征图I
fe2
‑1；d
‑
6)编码器的第四卷积单元依次由卷积层、BatchNorm层、Dropout层、Relu激活函数构成，将特征图I
fe2
‑1输入第四卷积单元中，输出得到特征图I
fe2
；d
‑
7)将特征图I
fe2
输入到编码器的第二最大池化层中，输出得到特征图I
fm2
；d
‑
8)编码
器的第五卷积单元依次由卷积层、BatchNorm层、Dropout层、Relu激活函数构成，将特征图I
fm2
输入第五卷积单元中，输出得到特征图I
fe3
‑1；d
‑
9)编码器的第六卷积单元依次由卷积层、BatchNorm层、Dropout层、Relu激活函数构成，将特征图I
fe3
‑1输入第六卷积单元中，输出得到特征图I
fe3
；d
‑
10)将特征图I
fe3
输入到编码器的第三最大池化层中，输出得到特征图I
fm3
；d
‑
11)编码器的第七卷积单元依次由卷积层、BatchNorm层、Dropout层、Relu激活函数构成，将特征图I
fm3
输入第七卷积单元中，输出得到特征图I
fe4
‑1；d
‑
12)编码器的第八卷积单元依次由卷积层、BatchNorm层、Dropout层、Relu激活函数构成，将特征图I
fe4
‑1输入第八卷积单元中，输出得到特征图I
fe4
；d
‑
13)将特征图I
fe4
输入到编码器的第四最大池化层中，输出得到特征图I
fm4
。5.根据权利要求4所述的融合几何信息的软注意力网络的血管分割方法，其特征在于：步骤d
‑
2)中第一卷积单元的卷积层的卷积核大小为3
×
3，stride为1
×
1，padding为0；步骤d
‑
3)中第二卷积单元的卷积层的卷积核大小为3
×
3，stride为1
×
1，padding为0；步骤d
‑
4)中第一最大池化层设置池化窗口为2
×
2；步骤d
‑
5)中第三卷积单元的卷积层的卷积核大小为3
×
3，stride为1
×
1，padding为0；步骤d
‑
6)中第四卷积单元的卷积层的卷积核大小为3
×
3，stride为1
×
1，padding为0；步骤d
‑
7)中第二最大池化层设置池化窗口为2
×
2；步骤d
‑
8)中第五卷积单元的卷积层的卷积核大小为3
×
3，stride为1
×
1，padding为0；步骤d
‑
9)中第六卷积单元的卷积层的卷积核大小为3
×
3，stride为1
×
1，padding为0；步骤d
‑
10)中第三最大池化层设置池化窗口为2
×
2；步骤d
‑
11)中第七卷积单元的卷积层的卷积核大小为3
×
3，stride为1
×
1，padding为0；步骤d
‑
12)中第八卷积单元的卷积层的卷积核大小为3
×
3，stride为1
×
1，padding为0，步骤d
‑
13)中第四最大池化层设置池化窗口为2
×
2。6.根据权利要求4所述的融合几何信息的软注意力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)中间结构层由第一卷积单元、第二卷积单元构成；e
‑
2)中间结构层的第一卷积单元依次由卷积层、BatchNorm层、Dropout层、Relu激活函数构成，将特征图I
fm4
输入到第一卷积单元中，输出得到特征图I
fc1
‑1；e
‑
3)中间结构层的第二卷积单元依次由卷积层、BatchNorm层、Dropout层、Relu激活函数构成，将特征图I
fc1
‑1输入到第二卷积单元中，输出得到特征图I
fc1
。7.根据权利要求6所述的融合几何信息的软注意力网络的血管分割方法，其特征在于：步骤e
‑
2)中第一卷积单元的卷积层的卷积核大小为3
×
3，stride为1
×
1，padding为0；步骤e
‑
3)中第二卷积单元的卷积层的卷积核大小为3
×
3，stride为1
×
1，padding为0。8.根据权利要求6所述的融合几何信息的软注意力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)解码器由第一融合集合信息的软注意力模块、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、第二融合几何信息的软注意力模块、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、第三融合集合信息的软注意力模块、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、第四融合几何信息的软注意力模块、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、第十卷积单元构成；
f
‑
2)解码器的第一融合集合信息的软注意力模块由第一卷积层、第二卷积层、Relu激活函数、第三卷积层、Siogmoid函数、几何信息计算层、上采样层构成，将特征图I
fc1
输入带第一卷积层中，输出得到特征图I
fd1
‑1‑1，将特征图I
fe4
输入到第二卷积层中，输出得到特征图I
fd1
‑1‑2，将特征图I
fd1
‑1‑1与特征图I
fd1
‑1‑2相加得到特征图I
fd1
‑1‑3，将特征图I
fd1
‑1‑3输入到Relu激活函数中，输出得到特征图I
fd1
‑1‑4，将特征图I
fd1
‑1‑4输入到第三卷积层中，输出得到特征图I
fd1
‑1‑5，将特征图I
fd1
‑1‑5输入到Siogmoid函数中，输出得到特征图I
fd1
‑1‑6，将特征图I
fd1
‑1‑6输入到几何信息计算层中，利用阈值法将I
fd1
‑1‑6分为前景种子点集S1和背景种子点集R1，对前景种子点集S1使用快速行进算法计算得到测地线距离图D
s
(x1)，对背景种子点集R1使用快速行进算法计算得到测地线距离图U
r
(x1)，x1为特征图I
fd1
‑1‑6上的特征值，x1∈Ω1，Ω1为图像域，将测地线距离图D
s
(x1)与测地线距离图U
r
(x1)对应像素的值相减操作，得到测地线距离图M(x1)，当M(x1)＜0时表示图像域Ω1上的点在血管内部，表示为当M(x1)＞0时表示图像域Ω1上的点在血管外部，表示为当M(x1)＝0时表示图像域Ω1上的点在血管壁上，表示为通过公式计算得到水平函数集y1为血管边界上的点，||
·
||2为欧氏距离，将水平函数集输入平滑Heaviside函数，通过公式计算得到特征图I
fd1
‑1‑7，式中k为常数，将特征图I
fd1
‑1‑6与特征图I
fd1
‑1‑7进行特征融合，得到特征图I
fd1
‑1‑8，将特征图I
fd1
‑1‑8输入到上采样层中，输出得到特征图I
fd1
‑1‑9，将特征图I
fe4
与特征图I
fd1
‑1‑9进行特征融合，得到特征图I
fd1
‑1；f
‑
3)将特征图I
fc1
解码器的第一上采样层中，输出得到特征图I
fu1
；f
‑
4)将特征图I
fu1
与特征图I
fd1
‑1输入到解码器的第一特征融合层中，输出得到特征图I
fd1
‑2；f
‑
5)解码器的第一卷积单元依次由卷积层、BatchNorm层、Dropout层、Relu激活函数构成，将特征图I
fd1
‑2输入到第一卷积单元中，输出得到特征图I
fd1
‑2‑1；f
‑
6)解码器的第二卷积单元依次由卷积层、BatchNorm层、Dropout层、Relu激活函数构成，将特征图I
fd1
‑2‑1输入到第二卷积单元中，输出得到特征图I
fd1
；f...

【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：