System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及医学影像处理,特别是涉及一种血管自动分割方法、装置、计算机设备和存储介质。
技术介绍
1、血管分割是医学影像处理领域的重要研究方向之一,特别是针对脑部、肝脏、颈部以及眼部等器官。在多模态磁共振成像(mri)等医学影像中实现血管分割,对于诊断和治疗许多神经血管疾病至关重要。
2、传统的血管分割方法存在一些局限性,手动分割方法耗时且需要专业知识,不适用于大规模数据分析和临床应用。随着人工智能技术的发展,目前也尝试通过深度学习技术来实现器官内血管的分割任务,但是,由于器官内血管形态和位置的多样性,以及医学影像画面质量的影响,导致现有的血管分割算法依然存在血管分割准确性不高的问题。
3、针对相关技术中存在血管分割准确性不高的问题,目前还没有提出有效的解决方案。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种能够提高血管分割准确性的血管自动分割方法、装置、计算机设备和存储介质。
2、第一个方面,在本实施例中提供了一种血管自动分割方法,包括:
3、获取原始影像数据;
4、对所述原始影像数据进行增强处理,得到血管增强影像数据;
5、基于所述血管增强影像数据和所述原始影像数据,拼接得到样本数据;
6、基于所述样本数据对3d分割网络模型进行训练,以通过训练完成的所述3d分割网络模型处理目标影像数据,得到血管分割结果。
7、在其中的一些实施例中,所述对所述原始影像数据进行增强处理,得到
8、对所述原始影像数据进行frangi滤波处理;
9、将经过所述frangi滤波处理的原始影像数据进行归一化处理,得到所述血管增强影像数据。
10、在其中的一些实施例中,当所述原始影像数据为脑部影像数据时,在所述对所述原始影像数据进行frangi滤波处理之前,还包括:
11、对所述原始影像数据进行颅骨剥离处理,得到去除颅骨的所述原始影像数据。
12、在其中的一些实施例中,所述基于所述血管增强影像数据和所述原始影像数据,拼接得到样本数据,包括:
13、基于预设的窗宽和窗位,对所述原始影像数据进行截取窗位处理;
14、将经过所述截取窗位处理的原始影像数据进行归一化处理,得到经过对比度增强处理的原始影像数据;
15、将所述血管增强影像数据和所述经过对比度增强处理的原始影像数据进行拼接,得到所述样本数据。
16、在其中的一些实施例中,所述基于所述样本数据对3d分割网络模型进行训练,包括:
17、通过所述3d分割网络模型对所述样本数据进行血管分割处理,得到预测结果;
18、根据所述样本数据的标注和所述预测结果,确定监督损失;
19、根据所述监督损失调整所述3d分割网络模型中的模型参数,得到训练完成的所述3d分割网络模型。
20、在其中的一些实施例中,所述根据所述样本数据的标注和所述预测结果,确定监督损失,包括:
21、通过dice损失函数对所述样本数据的标注和所述预测结果进行计算处理,确定第一子监督损失;
22、通过交叉熵损失函数对所述样本数据的标注和所述预测结果进行计算处理,确定第二子监督损失;
23、通过中心线dice损失函数对所述样本数据的标注和所述预测结果进行计算处理,确定第三子监督损失;
24、对所述第一子监督损失、所述第二子监督损失以及所述第三子监督损失进行加权求和,确定所述监督损失。
25、在其中的一些实施例中,所述通过训练完成的所述3d分割网络模型处理目标影像数据,得到血管分割结果,包括:
26、通过训练完成的所述3d分割网络模型对所述目标影像数据进行血管分割处理,输出血管初始分割结果;
27、采用形态学运算,对所述血管初始分割结果进行血管连接处理,并去除干扰区域,得到所述血管分割结果。
28、第二个方面,在本实施例中提供了一种血管自动分割装置,包括:数据获取模块、血管增强模块、样本获取模块以及血管分割模块;
29、所述数据获取模块,用于获取原始影像数据;
30、所述血管增强模块,用于对所述原始影像数据进行增强处理,得到血管增强影像数据;
31、所述样本获取模块,用于基于所述血管增强影像数据和所述原始影像数据,拼接得到样本数据;
32、所述血管分割模块,用于基于所述样本数据对3d分割网络模型进行训练,以通过训练完成的所述3d分割网络模型处理目标影像数据,得到血管分割结果。
33、第三个方面,在本实施例中提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一个方面所述的血管自动分割方法。
34、第四个方面,在本实施例中提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一个方面所述的血管自动分割方法。
35、与相关技术相比,在本实施例中提供的血管自动分割方法、装置、计算机设备和存储介质,通过获取原始影像数据;对所述原始影像数据进行增强处理,得到血管增强影像数据;基于所述血管增强影像数据和所述原始影像数据,拼接得到样本数据;基于所述样本数据对3d分割网络模型进行训练,以通过训练完成的所述3d分割网络模型处理目标影像数据,得到血管分割结果。本申请中根据血管增强影像数据和原始影像数据构造样本数据,在3d分割网络模型的训练过程中提供了丰富的血管特征信息,从而有助于3d分割网络模型准确识别和分割血管,解决了现有算法中血管分割准确性不高的问题。
36、本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
本文档来自技高网...【技术保护点】
1.一种血管自动分割方法,其特征在于,包括:
2.根据权利要求1所述的血管自动分割方法,其特征在于,所述对所述原始影像数据进行增强处理,得到血管增强影像数据,包括:
3.根据权利要求2所述的血管自动分割方法,其特征在于,当所述原始影像数据为脑部影像数据时,在所述对所述原始影像数据进行Frangi滤波处理之前,还包括:
4.根据权利要求1所述的血管自动分割方法,其特征在于,所述基于所述血管增强影像数据和所述原始影像数据,拼接得到样本数据,包括:
5.根据权利要求1所述的血管自动分割方法,其特征在于,所述基于所述样本数据对3D分割网络模型进行训练,包括:
6.根据权利要求5所述的血管自动分割方法,其特征在于,所述根据所述样本数据的标注和所述预测结果,确定监督损失,包括:
7.根据权利要求1至6中任意一项所述的血管自动分割方法,其特征在于,所述通过训练完成的所述3D分割网络模型处理目标影像数据,得到血管分割结果,包括:
8.一种血管自动分割装置,其特征在于,包括:数据获取模块、血管增强模块、样本获取模块
9.一种计算机设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的血管自动分割方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的血管自动分割方法的步骤。
...【技术特征摘要】
1.一种血管自动分割方法,其特征在于,包括:
2.根据权利要求1所述的血管自动分割方法,其特征在于,所述对所述原始影像数据进行增强处理,得到血管增强影像数据,包括:
3.根据权利要求2所述的血管自动分割方法,其特征在于,当所述原始影像数据为脑部影像数据时,在所述对所述原始影像数据进行frangi滤波处理之前,还包括:
4.根据权利要求1所述的血管自动分割方法,其特征在于,所述基于所述血管增强影像数据和所述原始影像数据,拼接得到样本数据,包括:
5.根据权利要求1所述的血管自动分割方法,其特征在于,所述基于所述样本数据对3d分割网络模型进行训练,包括:
6.根据权利要求5所述的血管自动分割方法,其特征在于,所述根据...
【专利技术属性】
技术研发人员:张泽涵,黄宁,王会梦,
申请(专利权)人:杭州佳量医疗科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。