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】
本专利技术属于图像语义分割,具体涉及一种针对脑动静脉畸形的磁共振图像语义分割方法。
技术介绍
1、脑动静脉畸形(avm)是脑血管畸形疾病中的最常见类型,人群患病率约为16~23/10万,大部分发病人群为10~40岁,发病人群呈现年轻化,患者会伴有动脉瘤风险、癫痫和神经损伤症状等,严重情况下会导致血管破裂,出现颅内出血,带来较高的致残率和死亡率。动静脉畸形的病理特征是,动静脉之间没有毛细血管进行过渡连接,从而形成一团血管直径和厚度不均匀的畸形血管,经畸形血管的血液绕过周围组织,直接快速地从动脉进入到静脉,使得动静脉内壁承受极大压力,导致血管壁变薄变脆,最终可能导致脑血管破裂。由于avm结构的复杂性,难以区分滋养动脉和引流静脉的位置,不便于后续病情诊断、手术方案定制和术中指导,因此需要生成血管的三维可视化模型,从而解放医生基于经验在脑海中构造avm几何模型的工作,将其更多的精力放在观测血管真实三维结构、分析病情严重程度、详细制定诊治方案和术后疗效的预测。
2、血管分割任务是获得准确血管三维模型重建的重要环节,但是由于血管影像像素强度的不均匀性和血管结构本身的复杂性,脑部血管影像的分割很难达到令人满意的分割效果,同时存在过分割和欠分割的问题,该任务仍然具有极大的挑战。目前国内外已有大量学者对脑血管分割开展了相关研究,这些研究主要分为两大类:分别是基于模型和基于数据的分割方法,基于模型的分割方法可以总结为统计学方法、形变模型方法和追踪方法,基于模型的方法能够使用图像的统计特征或概率分布直接进行图像的自动分割,无需额外的模型训
技术实现思路
1、为解决上述技术问题,本专利技术提供了一种针对脑动静脉畸形的磁共振图像语义分割方法,融合统计学方法和深度学习方法,得到一种脑部血管语义分割算法,针对脑动静脉畸形血管,解决现有分割技术中计算资源消耗大、计算时间长、训练数据少和分割效果差的问题。
2、本专利技术采用的技术方案为:一种针对脑动静脉畸形的磁共振图像语义分割方法,具体步骤如下:
3、s1、对脑动静脉畸形的磁共振血管成像mra图像进行预处理;
4、s2、基于步骤s1预处理后的磁共振血管成像mra图像,构建低阶统计学模型,得到像素的类别似然概率,基于最大似然概率计算初始分割结果;
5、s3、基于步骤s2的初始分割结果,使用马尔科夫随机场和反向多尺度滤波算子构建高阶统计学模型,得到精确分割标签集和模糊分割标签集;
6、s4、基于步骤s3得到的精确分割标签集和模糊分割标签集,融合领域自适应方法、对比学习方法和弱监督学习方法,对双分支网络模型进行训练,得到针对脑动静脉畸形血管分割的双分支网络模型,完成磁共振图像语义分割。
7、进一步地,所述步骤s1具体如下:
8、首先对初始磁共振血管成像mra图像使用伽马校正调整图像亮度和对比度,凸显血管目标区域;然后通过中值滤波对图像进行降噪,同时保留图像细节;再使用fsl颅骨去除算法提取出脑部图像;最后对图像进行min-max归一化,将图像强度放缩至0至255的范围中,消除图像之间的强度差异。
9、进一步地,所述步骤s2具体如下:
10、基于步骤s1得到的预处理后的磁共振血管成像mra图像,构建低阶统计学模型,进行初步的统计学分割,获得初始分割结果。
11、其中,所述低阶统计学模型即基于图像像素强度直方图,组合瑞利分布和高斯分布构成的有限混合模型。
12、首先运用磁共振血管成像mra图像的先验知识,将磁共振血管成像mra图像的像素强度直方图按照像素强度分为三个部分:低像素强度区域对应于脑脊液、骨骼和背景空气;中间强度区域对应于脑组织,包括灰质和白质,以及部分眼睛;高强度区域对应于血管和皮下组织。
13、然后基于所述有限混合模型,使用em算法对像素强度分布进行高精度拟合。
14、其中,所述有限混合模型的高强度区域分布函数用于计算血管类别似然函数,所述有限混合模型的其他分布函数则被组合计算出背景类别似然函数。
15、所述有限混合模型由一个瑞利分布fr(ys)和三个高斯分布fgi(ys)(i=1,2,3)构成,其函数表达式如下:
16、
17、其中,wr和wgi(i=1,2,3)分别表示控制各个分布函数对拟合效果的权重,且满足权重归一化约束ys表示像素点s的强度值,其瑞利分布和高斯分布的函数表达式如下:
18、
19、其中,权重参数和σi、μi和β分布参数通过直方图分布特征及k-means聚类算法进行初始化,并且使用最大期望em算法对像素分布进行拟合,经过设定轮次em算法的迭代,每一次迭代都在上一次迭代的基础上进行参数更新,最终获得对像素分布的准确近似。
20、再基于完成拟合的有限混合模型的分布函数计算得到各个像素点对血管类别xv和背景类别xb的似然概率p(ys|xs),表达式如下:
21、
22、其中,xs∈{xv,xb}表示像素点s的可能分类类别,图像中所有像素的似然概率构成似然概率图,似然概率图中每个像素的值都是该像素的似然概率。
23、最后通过最大似然概率估计得到像素点s的类别作为低阶统计学模型的分类结果,即初始分割结果表达式如下:
24、
25、进一步地,所述步骤s3具体如下:
26、s31、使用马尔科夫随机场和反向多尺度滤波算子构建高阶统计学模型,将步骤s2得到的初始分割结果和似然概率图输入高阶统计学模型,得到精确分割标签集;
27、首先基于反向多尺度滤波算子,计算得到血管边缘强度响应,先将图像进行像素强度翻转,将背景设置为高强度区域,而血管设置为低强度区域:
28、i'(s)=255-i(s)
29、其中,i(s)表示原始图像在s=(x1,x2)t位置的像素强度值,t表示转置操作,i'(s)表示翻转后对应的像素强度值,将翻转处理后的图像进行多尺度滤波,得到其目标边缘的增强,其滤波响应的hessian矩阵h(s,σ)表达式如下:
30、
31、
32、其中,*表示卷积运算,σ表示高斯算子的尺度;g(s,σ)=(2πσ2)-1exp(-sts/2σ2)表示尺度为σ的高斯核。
33、对于每个像素,hessian矩阵h(s,σ)能够被分解为两个特征值:|λ1,σ|≤|λ2,σ|,特征值关系本文档来自技高网...
【技术保护点】
1.一种针对脑动静脉畸形的磁共振图像语义分割方法,具体步骤如下:
2.根据权利要求1所述的一种针对脑动静脉畸形的磁共振图像语义分割方法,其特征在于,所述步骤S1具体如下:
3.根据权利要求1所述的一种针对脑动静脉畸形的磁共振图像语义分割方法,其特征在于,所述步骤S2具体如下:
4.根据权利要求1所述的一种针对脑动静脉畸形的磁共振图像语义分割方法,其特征在于,所述步骤S3具体如下:
5.根据权利要求1所述的一种针对脑动静脉畸形的磁共振图像语义分割方法,其特征在于,所述步骤S4具体如下:
【技术特征摘要】
1.一种针对脑动静脉畸形的磁共振图像语义分割方法,具体步骤如下:
2.根据权利要求1所述的一种针对脑动静脉畸形的磁共振图像语义分割方法,其特征在于,所述步骤s1具体如下:
3.根据权利要求1所述的一种针对脑动静脉畸形的磁共振图像语义分割方法,其...
【专利技术属性】
技术研发人员:王伟,王玉婷,蒋劲茂,罗志鹏,
申请(专利权)人:电子科技大学,
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。