一种基于CT影像的肠系膜下动脉分割方法技术

本发明专利技术涉及计算机医学图像分割技术领域，尤其涉及一种基于CT影像的肠系膜下动脉分割方法，包括：S1：通过CT扫描仪获取上腹部体积图像，将数据预处理成肠系膜下动脉数据集；S2：对数据做增强处理，包括随机翻转、随机旋转、随机裁剪等：S3：设计基于Transformer的三轴特征提取模块，嵌入门控位置编码以学习精准的位置偏差；S4：基于自注意力设计血管边缘捕捉器，强化对图像边缘目标血管与非目标血管体素的区分能力，强化细小血管的边缘结构，增强血管的连通性；S5：在U型解编码器结构的基础上，结合三轴特征提取模块以及血管边缘捕捉器构建肠系膜下动脉分割模型。本发明专利技术利用血管的边缘信息有效约束3D血管的边界信息，提高血管的连续性。性。性。

【技术实现步骤摘要】
一种基于CT影像的肠系膜下动脉分割方法


[0001]本专利技术涉及计算机医学图像分割
，尤其涉及一种基于CT影像的肠系膜下动脉分割方法。

技术介绍

[0002]多年来卷积网络因其出色的特征提取与表达能力促进了计算机视觉领域的巨大发展，广泛用于分类、分割、目标检测、配准等任务中，2015年Unet的成功提出为卷积网络在医学图像上重要地位奠定基础。卷积的强归纳偏差使得卷积具备了局部性以及平移不变性，这使得卷积在局部特征的提取上具备优势，然而卷积仅能从有选项的邻域中获取信息(有限感受野)，缺乏明确捕获远程依赖的能力。为解决卷积有限感受野的问题，研究人员已经提出了许多应对方案，大致可以分类为使用扩张卷积、扩大内核大小、采用特征金字塔池以及非局部操作，尽管这些方法被证实确实有改善效果，但是这样的改进是有限的，并不能完全解决这一问题。
[0003]与卷积网络相比，transformer放宽了局部的归纳偏差，增强了对非局部性区域之间的相互作用，利用自注意力学习从隐藏层中计算出的加权和，这种灵活的操作允许能够有效的捕捉远程关系。然而以transformer为架构的网络通常在大规模的数据集上运行或者依赖于预训练模型，这对极大多数医学图像处理任务并不友好，因为大量患者数据的收集往往需要很长的周期，此外用于训练的标签标注是极其耗费资源的。
[0004]目前，血管图像多呈现为稀疏性的细长管状结构，其分割性能受限于噪音不均匀、低对比度以及血管复杂的拓扑结构，现有血管的分割方法中，通常存在以下几种问题：一是过分割或者误分割，二是血管连续性差，三是对微血管的捕捉能力差。针对类血管的管状物分割，保证管道间的连通性仍然是一个值得长期研究的热点问题。

技术实现思路

[0005]本专利技术的目的是为了解决现有技术中存在的缺点，而提出的一种基于CT影像的肠系膜下动脉分割方法，通过学习精准的位置偏差提高对小数据集任务的适应能力，利用血管的边缘信息有效约束3D血管的边界信息，提高血管的连续性。
[0006]为了实现上述目的，本专利技术采用了如下技术方案：
[0007]一种基于CT影像的肠系膜下动脉分割方法，包括以下步骤：
[0008]S1：通过CT扫描仪获取上腹部体积图像，将数据预处理成肠系膜下动脉数据集；
[0009]S2：对数据做增强处理，包括随机翻转、随机旋转、随机裁剪；
[0010]S3：设计基于Transformer的三轴特征提取模块，嵌入门控位置编码以学习精准的位置偏差；
[0011]S4：基于自注意力设计血管边缘捕捉器，强化对图像边缘目标血管与非目标血管体素的区分能力，强化细小血管的边缘结构，增强血管的连通性；
[0012]S5：在U型解编码器结构的基础上，结合三轴特征提取模块以及血管边缘捕捉器构
建肠系膜下动脉分割模型。
[0013]优选地，在步骤S1中，基于原始腹部CT体积图像构建肠系膜下动脉血管数据集，进一步划分为训练集和测试集，包括以下步骤：
[0014]S1
‑
1、裁剪合适长度的肠系膜下动脉序列：在原始CT序列中手动指定一张切片作为新序列的起点，对于训练集，体积图像的深度默认为90层，测试集对长度没有要求，默认为70可改动；
[0015]S1
‑
2、裁剪数据至128
×
128像素：将步骤S1
‑
1中数据裁剪至128
×
128像素，默认的裁剪方案为中心裁剪，对个别血管偏离中心区域的案例进行手动调整，输入裁剪框的左上角坐标完成裁剪工作，原始图像经S1
‑
1与S1
‑
2的裁剪后，训练集中图像大小为90
×
128
×
128，测试集中图像大小为N
×
128
×
128，N∈[40,120]，三个参数分别表示深度、高度、宽度。
[0016]其中，在步骤S1中，对所截取的肠系膜下动脉血管进行数据归一化操作，将范围从[0,255]归算到[0,1]的范围中，以减少模型计算所占内存，加速模型收敛，提升训练速度。
[0017]优选地，在步骤S3中，三轴特征提取模块将Transformer分解为三个自注意力模块，将三维的自注意力计算分解为3个1D操作，分别从深度、宽度、高度三个轴方位进行计算，每个1D计算查询、键、值之间的亲和度，将相对位置编码用于所有的查询、键和值，在常规注意力计算具备的查询位置偏差的基础上增加键的相对位置偏差项以捕捉更精确的远程交互，利用片内和片间的远程信息指导分割，具有三轴特征提取模块的transformer在深度轴上的注意力更新如下所示：
[0018][0019]其中，y
i,j,u
为经三轴特征提取器进行特征提取后的输出特征，σ为softmax函数，i,j,u分别为体素在宽度，高度以及深度上的索引值，i∈{1,...,H},j∈{1,...,W},u∈{1,...,D}，D为高度，H为深度，W为宽度。q
i,j,u
表示任意位置的查询向量，为查询向量对应的转置向量，下标i,j,d表示深度轴上的元素索引，k
i,j,d
表示在D轴的键向量，v
i,j,d
表示在D轴的值向量，分别为查询、键和值在深D轴上可学习的相对位置编码。
[0020]优选地，在步骤S3中，在3个1D操作中增加注意门机制，约束模型在小数据集上学习精准的位置偏差，执行每个1D操作之前，设置4个可学习参数作为门控单元控制嵌入层传输给查询、键、值的信息流，门控单元为准确学习3D相对位置编码的组合分配更高的权重，加入注意门机制的三轴特征提取模块深度轴上的更新如下式所示：
[0021][0022]其中，y
i,j,u
为经三轴特征提取器进行特征提取后的输出特征，σ为softmax函数，i,j,u分别为体素在宽度，高度以及深度上的索引值，i∈{1,...,H},j∈{1,...,W},u∈{1,...,D}，D为高度，H为深度，W为宽度。q
i,j,u
表示任意位置的查询向量，为查询向量对应的转置向量，下标i,j,d表示深度轴上的元素索引，k
i,j,d
表示在D轴的键向量，v
i,j,d
表示在D轴的值向量，分别为查询、键和值在深D轴上可学习的相对位置编
码，G
Q
，G
K
，G
V1
，G
V2
为门控单元，均是网络可学习的参数。
[0023]优选地，在步骤S4中，在编码器的相邻层之间引入边缘捕捉器块用于捕获边缘信息，通过卷积发现边缘特征，通过增加边缘部分的体素权重来增强边缘特征，对每层编码层中生成的特征i∈{2,3,4}执行操作，c、d、h、w分别表示特征图的通道数、深度、高度和宽度，将编码层特征F
i
进行上采样，使其与上一层编码层特征F本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CT影像的肠系膜下动脉分割方法，其特征在于，包括以下步骤：S1：通过CT扫描仪获取上腹部体积图像，将数据预处理成肠系膜下动脉数据集；S2：对数据做增强处理，包括随机翻转、随机旋转、随机裁剪；S3：设计基于Transformer的三轴特征提取模块，嵌入门控位置编码以学习精准的位置偏差；S4：基于自注意力设计血管边缘捕捉器，强化对图像边缘目标血管与非目标血管体素的区分能力，强化细小血管的边缘结构，增强血管的连通性；S5：在U型解编码器结构的基础上，结合三轴特征提取模块以及血管边缘捕捉器构建肠系膜下动脉分割模型。2.根据权利要求1所述的一种基于CT影像的肠系膜下动脉分割方法，其特征在于，在步骤S1中，基于原始腹部CT体积图像构建肠系膜下动脉血管数据集，进一步划分为训练集和测试集，包括以下步骤：S1
‑
1、裁剪合适长度的肠系膜下动脉序列：在原始CT序列中手动指定一张切片作为新序列的起点，对于训练集，体积图像的深度默认为90层，测试集对长度没有要求，默认为70可改动；S1
‑
2、裁剪数据至128
×
128像素：将步骤S1
‑
1中数据裁剪至128
×
128像素，默认的裁剪方案为中心裁剪，对个别血管偏离中心区域的案例进行手动调整，输入裁剪框的左上角坐标完成裁剪工作，原始图像经S1
‑
1与S1
‑
2的裁剪后，训练集中图像大小为90
×
128
×
128，测试集中图像大小为N
×
128
×
128，N∈[40,120]。3.根据权利要求1所述的一种基于CT影像的肠系膜下动脉分割方法，其特征在于，在步骤S3中，三轴特征提取模块将Transformer分解为三个自注意力模块，将三维的自注意力计算分解为3个1D操作，分别从深度、宽度、高度三个轴方位进行计算，每个1D计算查询、键、值之间的亲和度，将相对位置编码用于所有的查询、键和值，在常规注意力计算具备的查询位置偏差的基础上增加键的相对位置偏差项以捕捉更精确的远程交互，利用片内和片间的远程信息指导分割，具有三轴特征提取模块的transformer在深度轴上的注意力更新如下所示：y
i,j,u
为经三轴特征提取器进行特征提取后的输出特征，σ为softmax函数，i,j,u分别为体素在宽度、高度以及深度上的索引值，i∈{1,...,H},j∈{1,...,W},u∈{1,...,D}，D为高度，H为深度，W为宽度；q
i,j,u
表示任意位置的查询向量，为查询向量对应的转置向量，下标i,j,d表示深度轴上的元素索引，k
i,j,d
表示在D轴的键向量，v
i,j,d
表示在D轴的值向量，分别为查询、键和值在深D轴上可学习的相对位置编码。4.根据权利要求3所述的一种基于CT影像的肠系膜下动脉分割方法，其特征在于，在3个1D操作中增加注意门机制，约束模型在小数据集上学习精准的位置偏差，执行每个1D操作之前，设置4个可学习参数作为门控单元控制嵌入层传输给查询、键、值的信息流，门控单元为准确学习3D相对位置编码的组合分配更高的权重，加入注意门机制的三轴特征提取模块深度轴上的更新如下式所示：
其中，y
i,j,u
为经三轴特征提取器进行特征提取后的输出特征，σ为softmax函数，i,j,u分别为体素在宽度、高度以及深度上的索引值，i∈{1,...,H},j∈{1,...,W},u∈{1,...,D}，D为高度，H为深度，W为宽度；q
i,j,u
表示任意位置的查询向量，为查询向量对应的转置向量，下标i,j,d表示深度轴上的元素索引，k
i,j,d
表示在D轴的键向量，v
i,j,d
表示在D轴的值向量，分别为查询、键和值在深D轴上可学习的相对位置编码，G
Q
，G
K
，G
V1
，G
V2
为门控单元，均是网络可学习的参数。5.根据权利要求1所述的一种基于CT影像的肠系膜下动脉分割方法，其特征在于，在步骤S4中，在编码器的相邻层之间引入边缘捕捉器块用于捕获边缘信息，通过卷积发现边缘特征，通过增加边缘部分的体素权重来增强边缘特征，对每层编码层中生成的特征执行操作，c、d、h、w分别表示特征图的通道数、深度、高度和宽度，将编码层特征F
i
进行上采样，使其与上一层编码...

【专利技术属性】
技术研发人员：张堃，徐沛霞，张鹏程，吴承刚，王美蓉，何伯圣，
申请(专利权)人：南通大学，
类型：发明
国别省市：