血管造影图像分割方法技术

本发明专利技术提供了一种血管造影图像分割方法

【技术实现步骤摘要】
血管造影图像分割方法、装置、电子设备和可读存储介质


[0001]本专利技术涉及神经网络和图像分割
，尤其是涉及一种血管造影图像分割方法
、
装置
、
电子设备和可读存储介质
。

技术介绍

[0002]在
X
射线血管造影中，精确并完整地自动分割血管轮廓有利于客观准确地量化血管形态学信息，是计算机辅助精确血管疾病诊断和制定治疗策略的先决条件之一
。
但是，由于
X
射线血管造影固有的低信噪比特点和图像中存在复杂的背景结构干扰
(
如导管
、
患者横膈膜
、
脊柱和肋骨等造影之间相互重叠
)
，并且血管状图像特征的边缘像素点和非边缘像素点的分布和数量存在高度不均匀和不平衡
(
非边缘像素点数量远多于边缘像素点数量
)
，使得在血管造影中自动分割获得准确且完整的血管轮廓，尤其是血管轮廓边缘和血管狭窄区域，具有很大挑战性
。
[0003]血管造影的分割方法大致可以分为两类，一类是传统的图像分割方法，另一类是基于深度学习技术的分割方法
。
传统的图像分割方法包含由模型驱动的方法和滤波法等
。
基于模型驱动的方法，有学者提出了使用主动轮廓模型
(Active contour models)
从计算机断层血管造影图像中分割脑部血管
。
在滤波法中，有学者提出了基于<br/>Hessian
矩阵的
Frangi
血管增强滤波器和基于张量的滤波器，目的在于缓解或去除图像中不均匀的明暗变化并抑制背景结构和图像噪声
。
然而，上述传统分割方法通常需要精心设计其适用条件并严重依赖领域知识
。
当面对不同的图像条件时
(
如不同的图像亮度
、
对比度
、
背景结构和噪声等
)
，其精心设计的参数往往难以获得较佳结果，产生有误差甚至错误的血管轮廓分割结果，不利于血管疾病的可靠诊断
。
[0004]基于深度学习技术的分割方法表现出了优异的分割性能
。
有学者提出了基于
U
型框架的深度卷积神经网络
(
也称
UNet
网络
)
作为一种图像分割方法
。
在与传统分割方法进行的基准对比测试中，基于
UNet
的分割方法可以实现高精准度的分割效果并且可以适应不同的图像条件
。
在
UNet
框架的基础上，另有学者提出了一种空间注意力
、
通道注意力和上下文注意力的三重注意力
UNet
组合
(
也称
3AUNet)。
[0005]在血管造影分割任务中，上述基于深度学习的分割方法可以实现对血管轮廓主体的较为准确的分割，但难以获得对血管轮廓边缘的精准分割，并且在分割血管狭窄处时易造成原本连通的血管区域断裂，造成血管轮廓碎片化，难以获得完整的血管轮廓
。
其原因在于血管状结构的边缘像素点和非边缘像素点通常分布不均匀且大部分像素点为非边缘像素，易导致基于深度学习的方法在训练时偏向于学习非边缘像素点的信息，难以学习到足够的边缘像素点信息
。
因此，当对一幅血管造影图像进行自动分割时，其分割的血管轮廓边缘和狭窄处的连通性通常表现不佳，难以获得准确且完整的血管轮廓分割结果
。

技术实现思路

[0006]有鉴于此，本专利技术的目的在于提供一种血管造影图像分割方法
、
装置
、
电子设备和
可读存储介质，以更好地保留血管轮廓的边缘信息及轮廓区域之间的连通性，有利于实现准确且完整的血管轮廓分割结果，有助于提升评估血管狭窄程度的准确率和时间效率
。
[0007]第一方面，本专利技术实施例提供了一种血管造影图像分割方法，方法包括：获取血管造影图像，将血管造影图像输入预先训练的神经网络模型；神经网络模型的每一层对该层的输入进行卷积操作和激活操作后，通过边缘和连通域增强模块进行血管边缘信息增强操作得到该层的输出；神经网络模型输出血管造影图像的血管轮廓分割结果
。
[0008]在本申请可选的实施例中，上述神经网络模型的每一层通过两次卷积进行卷积操作；神经网络模型的每一层通过修正线性单元激活函数进行激活操作
。
[0009]在本申请可选的实施例中，上述通过边缘和连通域增强模块进行血管边缘信息增强操作得到该层的输出的步骤之后，方法还包括：如果该层属于神经网络模型的下采样路径，对该层的输出进行最大池化操作得到下一层的输入；如果该层属于神经网络模型的上采样路径，对该层的输出进行反卷积操作，将反卷积操作的结果与该层对应的下采样路径的特征图进行连接操作，得到下一层的输入
。
[0010]在本申请可选的实施例中，上述通过边缘和连通域增强模块进行血管边缘信息增强操作得到该层的输出的步骤，包括：获取神经网络模型的每一层对该层的输入进行卷积操作和激活操作得到的特征图；对特征图依次进行激活操作
、
与自然数1的相减操作
、
反卷积操作和最大池化操作，得到最大池化操作的结果；对最大池化操作的结果和特征图进行相乘操作，得到边缘特征图；将边缘特征图和特征图进行求和操作得到该层的输出
。
[0011]在本申请可选的实施例中，上述对特征图通过双曲正切激活函数进行激活操作
。
[0012]在本申请可选的实施例中，上述方法还包括：获取血管造影训练图像，对血管造影训练图像标注血管轮廓标签；基于血管造影训练图像和对应的血管轮廓标签训练神经网络模型
。
[0013]在本申请可选的实施例中，上述获取血管造影训练图像的步骤，包括：获取用于训练的血管造影图像；对用于训练的血管造影图像依次进行图像预处理和图像样本增强处理，得到血管造影训练图像
。
[0014]第二方面，本专利技术实施例还提供一种血管造影图像分割装置，装置包括：血管造影图像获取模块，用于获取血管造影图像，将血管造影图像输入预先训练的神经网络模型；血管边缘信息增强模块，用于神经网络模型的每一层对该层的输入进行卷积操作和激活操作后，通过边缘和连通域增强模块进行血管边缘信息增强操作得到该层的输出；血管轮廓分割结果输出模块，用于神经网络模型输出血管造影图像的血管轮廓分割结果
。
[0015]第三方面，本专利技术实施例还提供了一种电子设备，包括处理器和存储器，该存储器存储有能够被该处理器执行的计算机可执行指令，该处理器执行该计算机可执行指令以实现上述血管造影图像分割方法
。
[0016]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种血管造影图像分割方法，其特征在于，所述方法包括：获取血管造影图像，将所述血管造影图像输入预先训练的神经网络模型；所述神经网络模型的每一层对该层的输入进行卷积操作和激活操作后，通过边缘和连通域增强模块进行血管边缘信息增强操作得到该层的输出；所述神经网络模型输出所述血管造影图像的血管轮廓分割结果
。2.
根据权利要求1所述的方法，其特征在于，所述神经网络模型的每一层通过两次卷积进行卷积操作；所述神经网络模型的每一层通过修正线性单元激活函数进行激活操作
。3.
根据权利要求1所述的方法，其特征在于，通过边缘和连通域增强模块进行血管边缘信息增强操作得到该层的输出的步骤之后，所述方法还包括：如果该层属于所述神经网络模型的下采样路径，对该层的输出进行最大池化操作得到下一层的输入；如果该层属于所述神经网络模型的上采样路径，对该层的输出进行反卷积操作，将所述反卷积操作的结果与该层对应的下采样路径的特征图进行连接操作，得到下一层的输入
。4.
根据权利要求1所述的方法，其特征在于，通过边缘和连通域增强模块进行血管边缘信息增强操作得到该层的输出的步骤，包括：获取所述神经网络模型的每一层对该层的输入进行卷积操作和激活操作得到的特征图；对所述特征图依次进行激活操作
、
与自然数1的相减操作
、
反卷积操作和最大池化操作，得到所述最大池化操作的结果；对所述最大池化操作的结果和所述特征图进行相乘操作，得到边缘特征图；将所述边缘特征图和所述特征图进行求和操作得到该层的输出
。5.
根...

【专利技术属性】
技术研发人员：何好，曹清欣，张金骜，刘斌，
申请(专利权)人：深圳市赛禾医疗技术有限公司，
类型：发明
国别省市：