【技术实现步骤摘要】
本专利技术属于人工智能领域和信息，涉及计算机图像学下的医学成像、医学图像分割技术，尤其是一种基于深度神经网络的cta脑血管分割方法。
技术介绍
1、随着医学影像技术的发展和计算机设备的革新，医学图像分辨率以及成像精度不断提高，使得医学图像在临床以及医学研究中得到广泛应用。医学图像分割技术是诸多医学图像应用中不可或缺的重要技术，术前将医生关注的关键结构单独分割出来，便于疾病分析诊断、手术方案规划。计算机断层血管造影(cta)成像技术广泛应用于脑血管病变的诊断、治疗和手术规划等领域。然而cta图像中的脑血管分割任务非常困难，因为图像中包含许多类似于血管的结构，如骨骼、静脉、软组织等，这些结构难以准确分离。此外，由于脑血管病变的不同类型和位置，血管形状和大小也会发生变化，使得血管分割更加具有挑战性。基于深度神经网络的cta脑血管分割算法可以解决目前传统分割时效性差，分割精度低等问题。
2、近年来，随着对cta脑血管分割的关注度不断提高，提出了利用卷积神经网络来进行图像处理的方法，将人工神经网络技术和图像卷积相结合，使用基于梯度的改进反向传播法来训练网络中的参数，因此特别适合对图像进行处理。与传统分类方法相比，卷积神经网络可以直接从数据本身自动学习具有代表性的复杂特征。但是目前的卷积神经网络在提取图像特征的时候还是容易遗漏血管或是标出错误的血管，精确度有待提升。
3、目前无论是传统分割方法还是深度学习的方法，都无可避免的会遗漏一些处于血管末尾的、细小的血管，或者是在血管处有断裂，可能会导致以下问题：
5、2.分析结果不准确：在对cta图像进行血管分割后，医生可能需要对血管进行详细的定量分析，如血管长度、直径、曲率等，若分割结果存在错误或遗漏，会导致分析结果不准确，从而影响医生的诊断结果和治疗方案。
6、3.额外的时间和成本：若分割结果存在错误或遗漏，医生可能需要额外的时间和成本进行重复分析或再次进行影像检查，从而增加了医生和病人的时间和成本负担。
技术实现思路
1、为了克服现有cta脑血管分割方法中的局限性，本专利技术提出一种基于深度神经网络的cta脑血管分割方法，在预处理方面提出了一种改进后的3d ds-unet头骨分割网络，提出了一种3d ccd-unet深度神经网络，并且加入了血管骨骼拟合模块，在原本卷积神经网络的基础上，增加了血管分割的准确性和稳定性，并且在对图像中细小血管的分割问题上，也能保留住细小的血管，不至于断裂或遗失。
2、本专利技术解决其技术问题所采用的技术方案是：
3、一种基于深度神经网络的cta脑血管分割方法，包括以下步骤：
4、步骤1、训练头骨模型：将cta原始数据进行阈值法处理获取头骨标注和头骨加血管的标注，再将头骨数据利用3d ds-unet网络训练得到头骨模型；
5、步骤2、生成数据样本：结合步骤1中生成的头骨模型可以快速得到所需的头骨标注，利用头骨加血管的标注减去头骨标注即可获得需要的血管数据；
6、步骤3、图像预处理：将血管数据依次经过去噪、数据重采样和数据标准化处理；
7、步骤4、图像训练：通过步骤3可以获得处理后的数据，通过提出的3d ccdsl-unet模型进行训练，可以获得所需的血管数据；
8、步骤5、图像后处理：将数据训练后的血管数据输入进骨架拟合模块，经过处理之后输出最终结果。
9、进一步，所述步骤1中，为了得到几乎没有噪点的血管数据，同一例数据经过阈值法处理的最小阈值应相同。提出了一种改进的3d ds-unet网络，因为头骨模型训练的难度较低，较为简单快捷的模型也可以达到近乎相同的效果，所以我们使用了深度可分离卷积来代替普通卷积，ds代表的就是深度可分离卷积，它可以有效减少参数量，从而降低了模型的计算和内存需求，提高了训练速度和计算效率。
10、再进一步，所述步骤2中，经过同一阈值处理的两种数据相减能获得几乎没有噪点的血管数据。
11、更进一步，所述步骤3中，为了提高数据质量、改善模型泛化能力，采用去噪的预处理，为了解决类别不平衡问题、提高模型性能，采用数据重采样，为了加速收敛、改善模型稳定性、避免梯度消失或爆炸，采用数据标准化处理，网络的输入原始血管数据。
12、所述步骤4中，提出的3d ccd-unet网络中的ccd分别代表了coordconv卷积、cbam注意力模块和dslr模块，其中coordconv卷积可以丰富空间信息，增加对位置的感知能力；cbam模块可以提升特征表示能力，让网络关注重要特征和空间位置；dslr模块由空洞卷积、leakyrelu激活函数以及深度可分离卷积所构成，通过跳跃连接的方式，实现了一系列显著的优势，其中包括但不限于减少参数量、提高计算效率、扩展感受野、缓解梯度消失问题以及提升模型性能。
13、所述步骤5中，为了细小血管不被遗漏或出现断裂，数据融合后的血管数据输入到骨架拟合模块之中，经过处理之后能获得被修复的血管数据。
14、本专利技术相较于传统阈值分割方法和基于深度学习的分割方法，有效结合了两种方法的优点，克服现有cta脑血管分割算法中的局限性；去噪、数据重采样和数据标准化的预处理的好处在于改善数据质量、增强模型性能和泛化能力，并有助于训练更稳定、高效的模型，在预处理方面提出了一种改进后的3d ds-unet头骨分割网络，提出了一种3d ccd-unet深度神经网络，其中coordconv卷积可以丰富空间信息，增加对位置的感知能力；cbam模块可以提升特征表示能力，让网络关注重要特征和空间位置；dslr模块由空洞卷积、leakyrelu激活函数以及深度可分离卷积所构成，通过跳跃连接的方式，实现了一系列显著的优势，其中包括但不限于减少参数量、提高计算效率、扩展感受野、缓解梯度消失问题以及提升模型性能。这些改进都有助于提高网络在三维数据分割等任务中的性能和效果。后处理中的骨架拟合结构保证了细小血管不被遗漏或者出现断裂，减少了医生在诊断期的工作量，增加了医生对于病情判断的准确度。
15、本专利技术的有益效果为：在实现cta脑血管的自动分割方面，提升了分割结果的准确性和稳定性，保证了细小血管不被遗漏或者出现断裂，减少了医生在诊断期的工作量，增加了医生对于病情判断的准确度。
本文档来自技高网...【技术保护点】
1.一种基于深度神经网络的CTA脑血管分割方法，其特征在于，所述分割方法包括以下步骤：
2.如权利要求1所述的基于深度神经网络的CTA脑血管分割方法，其特征在于，所述步骤1中，提出了3D DS-UNet网络，因为头骨模型训练的难度较低，较为简单快捷的模型也可以达到近乎相同的效果，所以使用了深度可分离卷积来代替普通卷积，DS代表的就是深度可分离卷积，它可以有效减少参数量，从而降低了模型的计算和内存需求，提高了训练速度和计算效率。
3.如权利要求1或2所述的基于深度神经网络的CTA脑血管分割方法，其特征在于，所述步骤2中，同一例数据经过阈值法处理的最小阈值相同，经过同一阈值处理的两种数据相减能获得没有噪点的血管数据。
4.如权利要求1所述的基于深度神经网络的CTA脑血管分割方法，其特征在于，所述步骤3中，将原始血管数据作为输入。
5.如权利要求1或4所述的基于深度神经网络的CTA脑血管分割算法，其特征在于，所述步骤4中，提出的3D CCD-UNet网络中的CCD分别代表了coordconv卷积、CBAM注意力模块和DSLR模块，其中Co
6.如权利要求1或2所述的基于深度神经网络的CTA脑血管分割算法，其特征在于，所述步骤5中，数据融合后的血管数据输入到骨架拟合模块之中，经过处理之后能获得被修复的血管数据。
...【技术特征摘要】
1.一种基于深度神经网络的cta脑血管分割方法，其特征在于，所述分割方法包括以下步骤：
2.如权利要求1所述的基于深度神经网络的cta脑血管分割方法，其特征在于，所述步骤1中，提出了3d ds-unet网络，因为头骨模型训练的难度较低，较为简单快捷的模型也可以达到近乎相同的效果，所以使用了深度可分离卷积来代替普通卷积，ds代表的就是深度可分离卷积，它可以有效减少参数量，从而降低了模型的计算和内存需求，提高了训练速度和计算效率。
3.如权利要求1或2所述的基于深度神经网络的cta脑血管分割方法，其特征在于，所述步骤2中，同一例数据经过阈值法处理的最小阈值相同，经过同一阈值处理的两种数据相减能获得没有噪点的血管数据。
4.如权利要求1所述的基于深度神经网络的cta脑血管分割方法，其特征在于，所述步骤3中，将原始血管...
【专利技术属性】
技术研发人员：冯远静，张向文，曾庆润，谢雷，朱辉，洪晖航，卜宇辉，
申请(专利权)人：浙江工业大学，
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。