【技术实现步骤摘要】
本专利技术涉及图像分割领域，特别涉及一种两阶段冠状动脉图像分割方法、系统及计算机设备。
技术介绍
1、随着深度学习技术的迅速发展，基于深度学习技术的语义分割技术也逐渐广泛应用于各种复杂结构边界的划分，而在冠状动脉结构图片这种不仅结构复杂且边界不清的分割任务中，人工分割已经无法满足要求，基于深度学习技术的自动分割是必不可少的。
2、现有技术中，对结构复杂且边界不清的冠状动脉结构图片进行基于深度学习技术的自动分割，通常采用基于全卷积神经网络的u-net或3d u-net网络，其在解码阶段经过逐级上采样的方式恢复至输入图像的尺寸，并将跳跃连接的特征图求和操作转换为拼接操作，以适应复杂结构图片的分割。
3、但是，对于冠状动脉结构图片这种前景和背景类严重不平衡、多分支、细分支的复杂结构图片来说，现有的这些单阶段网络的分割精度依然无法满足要求。
技术实现思路
1、基于此，本专利技术的目的是提供一种两阶段冠状动脉图像分割方法、系统及计算机设备，通过设置两阶段图像分割网络，进一步的提高图像分割的精度，其中将第一阶段三维图像分割网络的普通卷积核替换为动态蛇形卷积模块，进一步的提高对细长而曲折的冠状动脉局部结构的特征获取能力，再在第一阶段三维图像分割网络中引入三维视角特征融合模块，将当前层的深度、高度和宽度三视角特征融合后传给下一层，从而提取更加细致的特征信息，将第一阶段三维分割图像的结构骨架作为指导进行块提取操作，进一步的提高分割精度，再将块提取得到的立方体集输入第二阶段三维
2、本专利技术提出的两阶段冠状动脉图像分割方法，包括：
3、获取冠状动脉图像并进行预处理，将所述冠状动脉图像输入第一阶段三维图像分割网络中，所述第一阶段三维图像分割网络包括动态蛇形卷积模块、三维视角特征融合模块和块提取模块；
4、所述动态蛇形卷积模块获取所述冠状动脉图像的管状结构局部特征图像，并将所述管状结构局部特征图像输入三维视角特征融合模块中，以获取三维视角融合特征图像，再根据所述管状结构局部特征图像和所述三维视角融合特征图像获取第一阶段三维分割图像；
5、对所述第一阶段三维分割图像进行插值处理并根据表面细化算法获取所述第一阶段三维分割图像中的管状结构骨架，所述块提取模块根据所述管状结构骨架对所述冠状动脉图像进行块提取操作，以获取所述冠状动脉图像的立方体集；
6、将所述立方体集输入第二阶段三维图像分割网络，获取精修三维特征图像块并将所述精修三维特征图像块合并，以获取最终分割图像。
7、综上，根据上述两阶段冠状动脉图像分割方法，通过设置两阶段图像分割网络，进一步的提高图像分割的精度，其中将第一阶段三维图像分割网络的普通卷积核替换为动态蛇形卷积模块，进一步的提高对细长而曲折的冠状动脉局部结构的特征获取能力，再在第一阶段三维图像分割网络中引入三维视角特征融合模块，将当前层的深度、高度和宽度三视角特征融合后传给下一层，从而提取更加细致的特征信息，将第一阶段三维分割图像的结构骨架作为指导进行块提取操作，进一步的提高分割精度，再将块提取得到的立方体集输入第二阶段三维图像分割网络进行精修分割，最终合并获取冠状动脉的分割图像，极大地提高了冠状动脉图像分割的精度。具体的，获取冠状动脉图像并进行预处理，将所述冠状动脉图像输入第一阶段三维图像分割网络中，通过将图像进行放缩处理，提高了模型分割效率，所述动态蛇形卷积模块获取所述冠状动脉图像的管状结构局部特征图像，并将所述管状结构局部特征图像输入三维视角特征融合模块中，以获取三维视角融合特征图像，再根据所述管状结构局部特征图像和所述三维视角融合特征图像获取第一阶段三维分割图像，通过引入动态蛇形卷积模块和三维视角特征融合模块，提高了分割网络对冠状动脉细长而曲折的特殊结构的特征提取能力并获取更多细节特征，进而提高了分割网络的分割精度，对所述第一阶段三维分割图像进行插值处理并根据表面细化算法获取所述第一阶段三维分割图像中的管状结构骨架，所述块提取模块根据所述管状结构骨架对所述冠状动脉图像进行块提取操作，以获取所述冠状动脉图像的立方体集，通过将第一阶段三维分割图像的管状结构骨架作为指导进行块提取，以获取更多更完整的特征信息，将所述立方体集输入第二阶段三维图像分割网络，获取精修三维特征图像块并将所述精修三维特征图像块合并，以获取最终分割图像，极大地提高了冠状动脉图像分割的分割精度。
8、进一步的，所述获取冠状动脉图像并进行预处理，将所述冠状动脉图像输入第一阶段三维图像分割网络中的步骤包括：
9、获取冠状动脉图像，并将所述冠状动脉图像进行放缩处理后，输入第一阶段三维图像分割网络中，所述第一阶段三维图像分割网络根据如下公式获取第一阶段三维分割图像：
10、，
11、其中，表示第一阶段三维图像分割函数，表示放缩处理后的输入图像，表示网络参数，表示第一阶段三维图像分割网络对输入图像的分割结果。
12、进一步的，所述动态蛇形卷积模块获取所述冠状动脉图像的管状结构局部特征图像的步骤包括：
13、获取放缩处理后的冠状动脉图像并输入动态蛇形卷积模块，所述动态蛇形卷积模块的卷积核为3×3×3的卷积核 k，所述动态蛇形卷积模块的所述卷积核 k膨胀指数设定为1，同时在所述卷积核 k中引入变形偏移量，所述变形偏移量的大小范围为[-1,1]，所述卷积核 k为：
14、，
15、其中 x、 y、 z表示卷积核的中心坐标点；
16、所述动态蛇形卷积模块在x轴、y轴和z轴三个方向上的网格迭代计算公式为：
17、，
18、其中， ki表示x轴方向上的中点， kj表示y轴方向上的中点， kk表示z轴方向上的中点， c={0,1,2,3,4}；
19、所述动态蛇形卷积模块根据所述网格迭代计算公式获取管状结构局部特征图像。
20、进一步的，所述并将所述管状结构局部特征图像输入三维视角特征融合模块中，以获取三维视角融合特征图像的步骤包括：
21、获取管状结构局部特征图像并输入三维视角特征融合模块，所述三维视角特征融合模块根据如下公式获取三维视角融合特征图像：
22、，
23、其中，表示输出的三维视角融合特征，分别表示第层的三维视角特征，[·]表示拼接操作，表示第层的复合操作，所述复合操作包括3d卷积、组归一化和非线性激活函数。
24、进本文档来自技高网...
【技术保护点】
1.一种两阶段冠状动脉图像分割方法，其特征在于，包括：
2.根据权利要求1所述的两阶段冠状动脉图像分割方法，其特征在于，所述获取冠状动脉图像并进行预处理，将所述冠状动脉图像输入第一阶段三维图像分割网络中的步骤包括：
3.根据权利要求1所述的两阶段冠状动脉图像分割方法，其特征在于，所述动态蛇形卷积模块获取所述冠状动脉图像的管状结构局部特征图像的步骤包括：
4.根据权利要求1所述的两阶段冠状动脉图像分割方法，其特征在于，所述并将所述管状结构局部特征图像输入三维视角特征融合模块中，以获取三维视角融合特征图像的步骤包括：
5.根据权利要求1所述的两阶段冠状动脉图像分割方法，其特征在于，所述对所述第一阶段三维分割图像进行插值处理并根据表面细化算法获取所述第一阶段三维分割图像中的管状结构骨架的步骤包括：
6.根据权利要求1所述的两阶段冠状动脉图像分割方法，其特征在于，所述将所述立方体集输入第二阶段三维图像分割网络，获取精修三维特征图像块并将所述精修三维特征图像块合并，以获取最终分割图像的步骤包括：
7.根据权利要求1所述
8.一种两阶段冠状动脉图像分割系统，其特征在于，包括：
9.一种存储介质，其特征在于，包括：所述存储介质存储一个或多个程序，所述程序被处理器执行时实现如权利要求1-7任一项所述的两阶段冠状动脉图像分割方法。
10.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，其中：
...【技术特征摘要】
1.一种两阶段冠状动脉图像分割方法，其特征在于，包括：
2.根据权利要求1所述的两阶段冠状动脉图像分割方法，其特征在于，所述获取冠状动脉图像并进行预处理，将所述冠状动脉图像输入第一阶段三维图像分割网络中的步骤包括：
3.根据权利要求1所述的两阶段冠状动脉图像分割方法，其特征在于，所述动态蛇形卷积模块获取所述冠状动脉图像的管状结构局部特征图像的步骤包括：
4.根据权利要求1所述的两阶段冠状动脉图像分割方法，其特征在于，所述并将所述管状结构局部特征图像输入三维视角特征融合模块中，以获取三维视角融合特征图像的步骤包括：
5.根据权利要求1所述的两阶段冠状动脉图像分割方法，其特征在于，所述对所述第一阶段三维分割图像进行插值处理并根据表面细化算法获取所述第一阶段三维分割图像中的管状结构骨架的...
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。