CN113554665A - 一种血管分割方法及装置 - Google Patents

一种血管分割方法及装置 Download PDF

Info

Publication number
CN113554665A
CN113554665A CN202110768617.8A CN202110768617A CN113554665A CN 113554665 A CN113554665 A CN 113554665A CN 202110768617 A CN202110768617 A CN 202110768617A CN 113554665 A CN113554665 A CN 113554665A
Authority
CN
China
Prior art keywords
blood vessel
convolution network
segmentation
scale
global
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110768617.8A
Other languages
English (en)
Inventor
梁孔明
潘成伟
俞益洲
李一鸣
乔昕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Shenrui Bolian Technology Co Ltd
Shenzhen Deepwise Bolian Technology Co Ltd
Original Assignee
Beijing Shenrui Bolian Technology Co Ltd
Shenzhen Deepwise Bolian Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Shenrui Bolian Technology Co Ltd, Shenzhen Deepwise Bolian Technology Co Ltd filed Critical Beijing Shenrui Bolian Technology Co Ltd
Priority to CN202110768617.8A priority Critical patent/CN113554665A/zh
Publication of CN113554665A publication Critical patent/CN113554665A/zh
Priority to PCT/CN2022/103838 priority patent/WO2023280148A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供一种血管分割方法及装置。所述方法包括：将CTA图像输入到第一卷积网络，进行基于多尺度特征提取的血管预分割；构建血管分布图；将CTA图像输入第二卷积网络，并将第二卷积网络的输出与输入CTA图像相乘后输入到第三卷积网络；第三卷积网络与图卷积网络通过基于双向映射进行特征交互，基于血管分布图进行全局特征建模捕捉多尺度的局部和全局特征，实现血管区域预测；通过对多尺度特征进行融合，预测出血管分割结果。本发明基于跨网络多尺度特征融合及局部特征和全局特征融合进行血管分割，相比于现有技术基于局部特征进行血管分割，可有效避免模型预测出不符合血管结构的分割区域，从而提高血管分割的准确度。

Description

一种血管分割方法及装置
技术领域
本发明属于医学影像血管分割技术领域，具体涉及一种血管分割方法及装置。
背景技术
常见的血管造影技术已经被广泛应用于临床诊断和治疗中。分割算法可实现自动化的血管(如头颈部血管、冠脉等)重建，在减轻技师工作压力的同时，大幅提高了医院的运行效率。在实际场景中，一些外部因素(如伪影、噪声、拍摄技术等)会影响血管成像的质量，从而使得分割算法的结果存在遗漏或者断裂的情况。
现有血管分割方法，主要通过对局部特征的提取，来预测血管区域，无法对血管的整体结构进行建模；现有方法主要通过多尺度的局部特征进行血管预测，无法对多个尺度的全局特征进行学习和结合。
发明内容
为了解决现有技术中存在的上述问题，本发明提供一种血管分割方法及装置。
为了实现上述目的，本发明采用以下技术方案。
第一方面，本发明提供一种血管分割方法，包括：
将CTA图像输入到第一卷积网络，进行基于多尺度特征提取的血管预分割；
以预分割结果和分割标签为输入构建血管分布图，图的节点为血管概率较高、灰度一致的像素点区域，节点的形状与血管走向一致；图的边表示所连节点的相关性，边的长度小于设定的阈值；
将CTA图像输入到网络结构和权重参数与第一卷积网络相同的第二卷积网络，并将第二卷积网络的输出与输入CTA图像相乘后输入到第三卷积网络；
第三卷积网络与图卷积网络通过基于双向映射进行特征交互，基于血管分布图进行全局特征建模捕捉多尺度的局部和全局特征，实现血管区域预测；
通过对多尺度特征进行融合，预测出血管分割结果。
进一步地，所述方法还包括对输入CTA图像进行归一化的步骤，将像素点的灰度归一化为[0,255]，计算公式如下：
Figure BDA0003151665100000021
式中，
Figure BDA0003151665100000022
为任一像素点的灰度值x归一化后的灰度值，xmin、xmax分别为归一化前像素点灰度值的最小值和最大值。
进一步地，血管预分割方法具体包括：
将CTA序列输入到第一卷积网络的编码层；
编码层通过卷积和池化操作进行多尺度特征提取，第i个尺度的空间大小为原始空间大小的1/2i，i＝1,2,…,N，N为尺度个数；所述特征包含血管分割的形态和空间位置信息；
将编码层提取的多尺度特征输入到解码层，解码层将每个尺度的全局特征通过上采样或反卷积映射回原始特征大小，并与对应尺度下的编码特征进行结合得到分割结果。
进一步地，所述血管区域预测的方法具体包括：
第三卷积网络通过前向映射，将编码特征的多个像素点投影为图卷积网络中的单一节点；
图卷积网络将特征在血管分布图上传播，进行全局特征建模；
图卷积网络通过反向映射，将节点特征映射回第三卷积网络的特征空间上，将全局特征传播到每个局部，进行特征增强；
将第三卷积网络和图卷积网络的特征进行结合，通过第三卷积网络捕捉影像的局部特征，通过图卷积网络捕捉血管的全局特征，利用特征交互将局部特征和全局特征进行结合，完成血管所在区域的预测。
进一步地，所述方法采用Dice系数度量血管分割结果与医生标注的金标准的相似度，公式如下：
Figure BDA0003151665100000031
式中，A、B分别为金标准的血管像素点集合和血管分割结果的像素点集合，|A|、|B|和|A∩B|分别为A、B和A与B的交集中的像素点的数量。
第二方面，本发明提供一种血管分割装置，包括：
预分割模块，用于将CTA图像输入到第一卷积网络，进行基于多尺度特征提取的血管预分割；
分布图构建模块，用于以预分割结果和分割标签为输入构建血管分布图，图的节点为血管概率较高、灰度一致的像素点区域，节点的形状与血管走向一致；图的边表示所连节点的相关性，边的长度小于设定的阈值；
第一阶段分割模块，用于将CTA图像输入到网络结构和权重参数与第一卷积网络相同的第二卷积网络，并将第二卷积网络的输出与输入CTA图像相乘后输入到第三卷积网络；
第二阶段分割模块，用于第三卷积网络与图卷积网络通过基于双向映射进行特征交互，基于血管分布图进行全局特征建模捕捉多尺度的局部和全局特征，实现血管区域预测；
特征融合模块，用于通过对多尺度特征进行融合，预测出血管分割结果。
进一步地，所述装置还包括对输入CTA图像进行预处理的归一化模块，用于将像素点的灰度归一化为[0,255]，计算公式如下：
Figure BDA0003151665100000032
式中，
Figure BDA0003151665100000033
为任一像素点的灰度值x归一化后的灰度值，xmin、xmax分别为归一化前像素点灰度值的最小值和最大值。
进一步地，血管预分割方法具体包括：
将CTA序列输入到第一卷积网络的编码层；
编码层通过卷积和池化操作进行多尺度特征提取，第i个尺度的空间大小为原始空间大小的1/2i，i＝1,2,…,N，N为尺度个数；所述特征包含血管分割的形态和空间位置信息；
将编码层提取的多尺度特征输入到解码层，解码层将每个尺度的全局特征通过上采样或反卷积映射回原始特征大小，并与对应尺度下的编码特征进行结合得到分割结果。
进一步地，所述血管区域预测的方法具体包括：
第三卷积网络通过前向映射，将编码特征的多个像素点投影为图卷积网络中的单一节点；
图卷积网络将特征在血管分布图上传播，进行全局特征建模；
图卷积网络通过反向映射，将节点特征映射回第三卷积网络的特征空间上，将全局特征传播到每个局部，进行特征增强；
将第三卷积网络和图卷积网络的特征进行结合，通过第三卷积网络捕捉影像的局部特征，通过图卷积网络捕捉血管的全局特征，利用特征交互将局部特征和全局特征进行结合，完成血管所在区域的预测。
进一步地，所述方法采用Dice系数度量血管分割结果与医生标注的金标准的相似度，公式如下：
Figure BDA0003151665100000041
式中，A、B分别为金标准的血管像素点集合和血管分割结果的像素点集合，|A|、|B|和|A∩B|分别为A、B和A与B的交集中的像素点的数量。
与现有技术相比，本发明具有以下有益效果。
本发明基于构建血管分布网络对血管全局特征进行建模，利用血管的整体结构对分割区域的特征进行增强，挖掘血管的潜在走向，相比于现有技术人为设定规则对断裂区域进行连接，更能适用实际中的复杂场景；本发明基于跨网络多尺度特征融合及局部特征和全局特征融合进行血管分割，相比于现有技术基于局部特征进行血管分割，可以获得信息更强的特征表示，有效避免模型预测出不符合血管结构的分割区域，从而提高血管分割的准确度。
附图说明
图1为本发明实施例一种血管分割方法的流程图。
图2为本发明实施例的网络结构示意图。
图3为本发明实施例一种血管分割装置的方框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明白，以下结合附图及具体实施方式对本发明作进一步说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例一种血管分割方法的流程图，包括以下步骤：
步骤101，将CTA图像输入到第一卷积网络，进行基于多尺度特征提取的血管预分割；
步骤102，以预分割结果和分割标签为输入构建血管分布图，图的节点为血管概率较高、灰度一致的像素点区域，节点的形状与血管走向一致；图的边表示所连节点的相关性，边的长度小于设定的阈值；
步骤103，将CTA图像输入到网络结构和权重参数与第一卷积网络相同的第二卷积网络，并将第二卷积网络的输出与输入CTA图像相乘后输入到第三卷积网络；
步骤104，第三卷积网络与图卷积网络通过基于双向映射进行特征交互，基于血管分布图进行全局特征建模捕捉多尺度的局部和全局特征，实现血管区域预测；
步骤105，通过对多尺度特征进行融合，预测出血管分割结果。
本实施例中，步骤101主要用于进行血管预分割。本实施例的血管分割算法主要由卷积神经网络CNN实现，包括三个卷积网络(第一～第三卷积网络)和一个图卷积网络，如图2所示。CNN是一种前馈神经网络，但与一般的全连接前馈神经网络不同的是，它的卷积层具有局部连接和权重共享的特性，因此能够大大减小权重参数的数量，从而减小模型的复杂程度和提高运行速度。一个典型的CNN是由卷积层、汇聚层(或池化层、下采样层)、全连接层交叉堆叠而成的。卷积层的作用是通过卷积核与输入图像的卷积运算提取一个局部区域的特征，不同的卷积核相当于不同的特征提取器。汇聚层的作用是进行特征选择，降低特征数量，从而进一步减少参数数量。一般采用最大汇聚法和平均汇聚法。全连接层用于对得到的不同特征进行融合。本实施例是将CTA图像输入到第一卷积网络，采用多个不同尺寸的卷积核进行多尺度特征提取，从而血管的预分割。
本实施例中，步骤102主要用于构建血管分布图。本实施例以上一步得到的血管预分割结果(像素点属于血管的概率)和分割标签(资深医生在影像上标注的标签即金标准)为输入构建血管分布图。分布图由节点和边组成，如图2所示。图中的节点具有以下特点：一是节点内像素点的血管概率较高；二是节点内像素点的灰度一致；三是节点的形状符合血管走向。图中的边连接在两个节点之间，表示所连节点的相关性，边的长度小于设定的阈值。本实施例利用预分割模型构建血管分布图，能够建模或拟合血管的真实结构，有利于提高血管分割精度。
本实施例中，步骤103主要用于第一阶段血管分割。本实施例基于跨网络多尺度特征融合进行血管分割。如图2所示，血管分割包括两个阶段：第一阶段采用第二卷积网络(UNET-2)；第二阶段采用第三卷积网络(UNET-3)和图卷积网络(UNET-G)。第二卷积网络的网络结构与预分割的第一卷积网络相同，并使用第一卷积网络预分割模型的权重进行初始化。将CTA图像输入到第二卷积网络，得到一阶段的预测结果。一阶段的预测结果与原图进行相乘后，输入到二阶段的第三卷积网络。本实施例不将一阶段的预测结果直接作为第三卷积网络的输入，而是将其与原图相乘后作为第三卷积网络的输入，是为了防止原图信息丢失。
本实施例中，步骤104主要用于跨网络模型的第二阶段血管分割。如图2所示，第二阶段包括第三卷积网络和图卷积网络。图卷积网络以步骤102构建的血管分布图为输入进行全局特征建模，并通过与第三卷积网络的双向(前向和反向)映射进行局部特征和全局特征的双向传播和融合，从而实现血管区域预测。
本实施例中，步骤105主要用于预测血管分割结果。第一阶段的第二卷积网络的网络结构和权重参数均与预分割的第一卷积网络相同，因此第二卷积网络同样是进行多尺度特征提取。所以，在进行局部特征和全局特征的融合后，再对多尺度特征进行融合，得到最终的血管分割。
作为一可选实施例，所述方法还包括对输入CTA图像进行归一化的步骤，将像素点的灰度归一化为[0,255]，计算公式如下：
Figure BDA0003151665100000071
式中，
Figure BDA0003151665100000072
为任一像素点的灰度值x归一化后的灰度值，xmin、xmax分别为归一化前像素点灰度值的最小值和最大值。
本实施例给出了一种图像预处理方法。本实施例在输入CTA图像前对其进行归一化处理，将像素点的灰度归一化为[0,255]，归一化公式如上式。很显然，当x＝xmin时，
Figure BDA0003151665100000073
当x＝xmax时，
Figure BDA0003151665100000074
因此，上式可以将原图像中的所有像素点的灰度值归一化到[0,255]。
作为一可选实施例，血管预分割方法具体包括：
将CTA序列输入到第一卷积网络的编码层；
编码层通过卷积和池化操作进行多尺度特征提取，第i个尺度的空间大小为原始空间大小的1/2i，i＝1,2,…,N，N为尺度个数；所述特征包含血管分割的形态和空间位置信息；
将编码层提取的多尺度特征输入到解码层，解码层将每个尺度的全局特征通过上采样或反卷积映射回原始特征大小，并与对应尺度下的编码特征进行结合得到分割结果。
本实施例给出了血管预分割的一种具体技术方案。如前述，血管预分割由第一卷积网络实现。具体地，第一卷积网络(其它两个卷积网络及图卷积网络也一样)包括编码层和解码层，CTA序列先输入到编码层，编码层采用不同的卷积核对图像进行卷积运算并经池化操作后实现多尺度特征提取。提取的不同尺度特征空间的大小构成公比为1/2的等比级数，第i个尺度的空间大小为原始空间大小的1/2i，不同尺度的数量N一般取4～5。提取的特征包含了血管分割的形态和空间位置信息。然后将编码层提取的多尺度特征输入到解码层，解码层再将每个尺度的全局特征映射回原始特征大小，与对应尺度下的编码特征进行结合(特征级联即拼接)得到分割结果。解码层通过上采样(插值)或反卷积将全局特征映射回原始特征大小。
作为一可选实施例，所述血管区域预测的方法具体包括：
第三卷积网络通过前向映射，将编码特征的多个像素点投影为图卷积网络中的单一节点；
图卷积网络将特征在血管分布图上传播，进行全局特征建模；
图卷积网络通过反向映射，将节点特征映射回第三卷积网络的特征空间上，将全局特征传播到每个局部，进行特征增强；
将第三卷积网络和图卷积网络的特征进行结合，通过第三卷积网络捕捉影像的局部特征，通过图卷积网络捕捉血管的全局特征，利用特征交互将局部特征和全局特征进行结合，完成血管所在区域的预测。
本实施例给出了跨网络血管区域预测的一种技术方案。跨网络主要是指第三卷积网络和图卷积网络之间通过双向映射进行特征交互。首先是第三卷积网络进行前向映射，将编码特征的多个像素点投影为图卷积网络中的单一节点；然后，图卷积网络基于血管分布图进行全局特征建模，并进行反向映射，将节点特征映射回第三卷积网络的特征空间上，将全局特征传播到每个局部特征，进行特征增强；最后，通过第三卷积网络捕捉影像的局部特征，通过图卷积网络捕捉血管的全局特征，利用特征交互将局部特征和全局特征进行结合(特征级联)，实现血管所在区域的预测。
作为一可选实施例，所述方法采用Dice系数度量血管分割结果与医生标注的金标准的相似度，公式如下：
Figure BDA0003151665100000091
式中，A、B分别为金标准的血管像素点集合和血管分割结果的像素点集合，|A|、|B|和|A∩B|分别为A、B和A与B的交集中的像素点的数量。
本实施例给出了定量评价血管分割结果的一种技术方案。本实施例采用Dice系数表示血管分割结果与医生标注的金标准的相似度，公式如上式。公式中的分子是分割结果和金标准重合的像素点的数量的2倍，分母是分割结果和金标准的像素点的和。根据公式，分割结果和金标准重合的像素点越多，相似度越大；当二者完全重合时，相似度最大为1。
图3为本发明实施例一种血管分割装置的组成示意图，所述装置包括：
预分割模块11，用于将CTA图像输入到第一卷积网络，进行基于多尺度特征提取的血管预分割；
分布图构建模块12，用于以预分割结果和分割标签为输入构建血管分布图，图的节点为血管概率较高、灰度一致的像素点区域，节点的形状与血管走向一致；图的边表示所连节点的相关性，边的长度小于设定的阈值；
第一阶段分割模块13，用于将CTA图像输入到网络结构和权重参数与第一卷积网络相同的第二卷积网络，并将第二卷积网络的输出与输入CTA图像相乘后输入到第三卷积网络；
第二阶段分割模块14，用于第三卷积网络与图卷积网络通过基于双向映射进行特征交互，基于血管分布图进行全局特征建模捕捉多尺度的局部和全局特征，实现血管区域预测；
特征融合模块15，用于通过对多尺度特征进行融合，预测出血管分割结果。
本实施例的装置，可以用于执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。后面的实施例也是如此，均不再展开说明。
作为一可选实施例，所述装置还包括对输入CTA图像进行预处理的归一化模块，用于将像素点的灰度归一化为[0,255]，计算公式如下：
Figure BDA0003151665100000101
式中，
Figure BDA0003151665100000102
为任一像素点的灰度值x归一化后的灰度值，xmin、xmax分别为归一化前像素点灰度值的最小值和最大值。
作为一可选实施例，血管预分割方法具体包括：
将CTA序列输入到第一卷积网络的编码层；
编码层通过卷积和池化操作进行多尺度特征提取，第i个尺度的空间大小为原始空间大小的1/2i，i＝1,2,…,N，N为尺度个数；所述特征包含血管分割的形态和空间位置信息；
将编码层提取的多尺度特征输入到解码层，解码层将每个尺度的全局特征通过上采样或反卷积映射回原始特征大小，并与对应尺度下的编码特征进行结合得到分割结果。
作为一可选实施例，所述血管区域预测的方法具体包括：
第三卷积网络通过前向映射，将编码特征的多个像素点投影为图卷积网络中的单一节点；
图卷积网络将特征在血管分布图上传播，进行全局特征建模；
图卷积网络通过反向映射，将节点特征映射回第三卷积网络的特征空间上，将全局特征传播到每个局部，进行特征增强；
将第三卷积网络和图卷积网络的特征进行结合，通过第三卷积网络捕捉影像的局部特征，通过图卷积网络捕捉血管的全局特征，利用特征交互将局部特征和全局特征进行结合，完成血管所在区域的预测。
作为一可选实施例，所述方法采用Dice系数度量血管分割结果与医生标注的金标准的相似度，公式如下：
Figure BDA0003151665100000111
式中，A、B分别为金标准的血管像素点集合和血管分割结果的像素点集合，|A|、|B|和|A∩B|分别为A、B和A与B的交集中的像素点的数量。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种血管分割方法，其特征在于，包括以下步骤：
将CTA图像输入到第一卷积网络，进行基于多尺度特征提取的血管预分割；
以预分割结果和分割标签为输入构建血管分布图，图的节点为血管概率较高、灰度一致的像素点区域，节点的形状与血管走向一致；图的边表示所连节点的相关性，边的长度小于设定的阈值；
将CTA图像输入到网络结构和权重参数与第一卷积网络相同的第二卷积网络，并将第二卷积网络的输出与输入CTA图像相乘后输入到第三卷积网络；
第三卷积网络与图卷积网络通过基于双向映射进行特征交互，基于血管分布图进行全局特征建模捕捉多尺度的局部和全局特征，实现血管区域预测；
通过对多尺度特征进行融合，预测出血管分割结果。
2.根据权利要求1所述的血管分割方法，其特征在于，所述方法还包括对输入CTA图像进行归一化的步骤，将像素点的灰度归一化为[0,255]，计算公式如下：
Figure FDA0003151665090000011
式中，
Figure FDA0003151665090000012
为任一像素点的灰度值x归一化后的灰度值，xmin、xmax分别为归一化前像素点灰度值的最小值和最大值。
3.根据权利要求1所述的血管分割方法，其特征在于，血管预分割方法具体包括：
将CTA序列输入到第一卷积网络的编码层；
编码层通过卷积和池化操作进行多尺度特征提取，第i个尺度的空间大小为原始空间大小的1/2i，i＝1,2,…,N，N为尺度个数；所述特征包含血管分割的形态和空间位置信息；
将编码层提取的多尺度特征输入到解码层，解码层将每个尺度的全局特征通过上采样或反卷积映射回原始特征大小，并与对应尺度下的编码特征进行结合得到分割结果。
4.根据权利要求1所述的血管分割方法，其特征在于，所述血管区域预测的方法具体包括：
第三卷积网络通过前向映射，将编码特征的多个像素点投影为图卷积网络中的单一节点；
图卷积网络将特征在血管分布图上传播，进行全局特征建模；
图卷积网络通过反向映射，将节点特征映射回第三卷积网络的特征空间上，将全局特征传播到每个局部，进行特征增强；
将第三卷积网络和图卷积网络的特征进行结合，通过第三卷积网络捕捉影像的局部特征，通过图卷积网络捕捉血管的全局特征，利用特征交互将局部特征和全局特征进行结合，完成血管所在区域的预测。
5.根据权利要求1所述的血管分割方法，其特征在于，所述方法采用Dice系数度量血管分割结果与医生标注的金标准的相似度，公式如下：
Figure FDA0003151665090000021
式中，A、B分别为金标准的血管像素点集合和血管分割结果的像素点集合，|A|、|B|和|A∩B|分别为A、B和A与B的交集中的像素点的数量。
6.一种血管分割装置，其特征在于，包括：
预分割模块，用于将CTA图像输入到第一卷积网络，进行基于多尺度特征提取的血管预分割；
分布图构建模块，用于以预分割结果和分割标签为输入构建血管分布图，图的节点为血管概率较高、灰度一致的像素点区域，节点的形状与血管走向一致；图的边表示所连节点的相关性，边的长度小于设定的阈值；
第一阶段分割模块，用于将CTA图像输入到网络结构和权重参数与第一卷积网络相同的第二卷积网络，并将第二卷积网络的输出与输入CTA图像相乘后输入到第三卷积网络；
第二阶段分割模块，用于第三卷积网络与图卷积网络通过基于双向映射进行特征交互，基于血管分布图进行全局特征建模捕捉多尺度的局部和全局特征，实现血管区域预测；
特征融合模块，用于通过对多尺度特征进行融合，预测出血管分割结果。
7.根据权利要求6所述的血管分割装置，其特征在于，所述装置还包括对输入CTA图像进行预处理的归一化模块，用于将像素点的灰度归一化为[0,255]，计算公式如下：
Figure FDA0003151665090000031
式中，
Figure FDA0003151665090000032
为任一像素点的灰度值x归一化后的灰度值，xmin、xmax分别为归一化前像素点灰度值的最小值和最大值。
8.根据权利要求6所述的血管分割装置，其特征在于，血管预分割方法具体包括：
将CTA序列输入到第一卷积网络的编码层；
编码层通过卷积和池化操作进行多尺度特征提取，第i个尺度的空间大小为原始空间大小的1/2i，i＝1,2,…,N，N为尺度个数；所述特征包含血管分割的形态和空间位置信息；
将编码层提取的多尺度特征输入到解码层，解码层将每个尺度的全局特征通过上采样或反卷积映射回原始特征大小，并与对应尺度下的编码特征进行结合得到分割结果。
9.根据权利要求6所述的血管分割装置，其特征在于，所述血管区域预测的方法具体包括：
第三卷积网络通过前向映射，将编码特征的多个像素点投影为图卷积网络中的单一节点；
图卷积网络将特征在血管分布图上传播，进行全局特征建模；
图卷积网络通过反向映射，将节点特征映射回第三卷积网络的特征空间上，将全局特征传播到每个局部，进行特征增强；
将第三卷积网络和图卷积网络的特征进行结合，通过第三卷积网络捕捉影像的局部特征，通过图卷积网络捕捉血管的全局特征，利用特征交互将局部特征和全局特征进行结合，完成血管所在区域的预测。
10.根据权利要求6所述的血管分割装置，其特征在于，所述方法采用Dice系数度量血管分割结果与医生标注的金标准的相似度，公式如下：
Figure FDA0003151665090000041
式中，A、B分别为金标准的血管像素点集合和血管分割结果的像素点集合，|A|、|B|和|A∩B|分别为A、B和A与B的交集中的像素点的数量。
CN202110768617.8A 2021-07-07 2021-07-07 一种血管分割方法及装置 Pending CN113554665A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110768617.8A CN113554665A (zh) 2021-07-07 2021-07-07 一种血管分割方法及装置
PCT/CN2022/103838 WO2023280148A1 (zh) 2021-07-07 2022-07-05 一种血管分割方法、装置、电子设备和可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110768617.8A CN113554665A (zh) 2021-07-07 2021-07-07 一种血管分割方法及装置

Publications (1)

Publication Number Publication Date
CN113554665A true CN113554665A (zh) 2021-10-26

Family

ID=78131406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110768617.8A Pending CN113554665A (zh) 2021-07-07 2021-07-07 一种血管分割方法及装置

Country Status (2)

Country Link
CN (1) CN113554665A (zh)
WO (1) WO2023280148A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723683A (zh) * 2022-03-22 2022-07-08 推想医疗科技股份有限公司 头颈动脉血管分割方法及其装置、电子设备和存储介质
WO2023280148A1 (zh) * 2021-07-07 2023-01-12 杭州深睿博联科技有限公司 一种血管分割方法、装置、电子设备和可读介质
WO2024021641A1 (zh) * 2022-07-25 2024-02-01 推想医疗科技股份有限公司 一种血管分割方法、装置、设备及存储介质

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523888B (zh) * 2023-05-08 2023-11-03 北京天鼎殊同科技有限公司 路面裂缝的检测方法、装置、设备及介质
CN116342588B (zh) * 2023-05-22 2023-08-11 徕兄健康科技(威海)有限责任公司 一种脑血管图像增强方法
CN116630386B (zh) * 2023-06-12 2024-02-20 新疆生产建设兵团医院 Cta扫描图像处理方法及其***
CN117726633B (zh) * 2024-02-07 2024-04-19 安徽大学 基于特征融合的双分支冠状动脉图像的分割方法、***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815598A (zh) * 2020-06-30 2020-10-23 上海联影医疗科技有限公司 一种血管参数的计算方法、装置、设备及存储介质
CN112017190A (zh) * 2020-08-06 2020-12-01 杭州深睿博联科技有限公司 一种用于血管分割补全的全局网络构建和训练方法及装置
CN112053363A (zh) * 2020-08-19 2020-12-08 苏州超云生命智能产业研究院有限公司 视网膜血管分割方法、装置及模型构建方法
CN112329801A (zh) * 2020-12-03 2021-02-05 中国石油大学(华东) 一种卷积神经网络非局部信息构建方法
US20210064959A1 (en) * 2019-08-27 2021-03-04 Nec Laboratories America, Inc. Flexible edge-empowered graph convolutional networks with node-edge enhancement
CN112766280A (zh) * 2021-01-16 2021-05-07 北京工业大学 一种基于图卷积的遥感图像道路提取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554665A (zh) * 2021-07-07 2021-10-26 杭州深睿博联科技有限公司 一种血管分割方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210064959A1 (en) * 2019-08-27 2021-03-04 Nec Laboratories America, Inc. Flexible edge-empowered graph convolutional networks with node-edge enhancement
CN111815598A (zh) * 2020-06-30 2020-10-23 上海联影医疗科技有限公司 一种血管参数的计算方法、装置、设备及存储介质
CN112017190A (zh) * 2020-08-06 2020-12-01 杭州深睿博联科技有限公司 一种用于血管分割补全的全局网络构建和训练方法及装置
CN112053363A (zh) * 2020-08-19 2020-12-08 苏州超云生命智能产业研究院有限公司 视网膜血管分割方法、装置及模型构建方法
CN112329801A (zh) * 2020-12-03 2021-02-05 中国石油大学(华东) 一种卷积神经网络非局部信息构建方法
CN112766280A (zh) * 2021-01-16 2021-05-07 北京工业大学 一种基于图卷积的遥感图像道路提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MOHAMMED MUJAHID: "Retinal Vessel Segmentation using Deep Learning – A Study", IEEE, 31 December 2020 (2020-12-31) *
SEUNG YEON SHIN等: "Deep vessel segmentation by learning graphical connectivity", MEDICAL IMAGE ANALYSIS 58 (2019) 101556, 31 December 2019 (2019-12-31) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023280148A1 (zh) * 2021-07-07 2023-01-12 杭州深睿博联科技有限公司 一种血管分割方法、装置、电子设备和可读介质
CN114723683A (zh) * 2022-03-22 2022-07-08 推想医疗科技股份有限公司 头颈动脉血管分割方法及其装置、电子设备和存储介质
CN114723683B (zh) * 2022-03-22 2023-02-17 推想医疗科技股份有限公司 头颈动脉血管分割方法及其装置、电子设备和存储介质
WO2024021641A1 (zh) * 2022-07-25 2024-02-01 推想医疗科技股份有限公司 一种血管分割方法、装置、设备及存储介质

Also Published As

Publication number Publication date
WO2023280148A1 (zh) 2023-01-12

Similar Documents

Publication Publication Date Title
CN113554665A (zh) 一种血管分割方法及装置
CN111798462B (zh) 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法
CN109166130B (zh) 一种图像处理方法及图像处理装置
CN110853051B (zh) 基于多注意密集连接生成对抗网络的脑血管影像分割方法
CN113012172B (zh) 一种基于AS-UNet的医学图像分割方法及***
CN111091573B (zh) 基于深度学习的ct影像肺血管的分割方法及***
CN112258488A (zh) 一种医疗影像病灶分割方法
CN113205538A (zh) 基于CRDNet的血管图像分割方法及装置
CN113223005B (zh) 一种甲状腺结节自动分割及分级的智能***
CN114897780B (zh) 一种基于mip序列的肠系膜上动脉血管重建方法
CN111798458B (zh) 一种基于不确定性引导的交互式医学图像分割方法
CN114549552A (zh) 基于空间邻域分析的肺部ct图像分割装置
CN116309651B (zh) 一种基于单图深度学习的内窥镜图像分割方法
CN111951281A (zh) 图像分割方法、装置、设备及存储介质
CN110570394A (zh) 医学图像分割方法、装置、设备及存储介质
CN112396605A (zh) 网络训练方法及装置、图像识别方法和电子设备
CN117710760B (zh) 残差的注意神经网络用于胸部x线病灶检测的方法
CN117495876B (zh) 基于深度学习的冠状动脉图像分割方法及***
CN114022392A (zh) 用于单幅图像去雾的串行注意增强UNet++去雾网络
CN117351487A (zh) 一种邻近区域与边缘信息融合的医学图像分割方法、***
CN110992309B (zh) 基于深层信息传递网络的眼底图像分割方法
CN117291935A (zh) 一种头颈瘤病灶区域图像分割方法及计算机可读介质
CN116823853A (zh) 基于改进UNet网络的冠状动脉钙化斑块图像分割***
CN116664602A (zh) 基于少样本学习的octa血管分割方法及成像方法
CN111209946A (zh) 三维图像处理方法、图像处理模型训练方法及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination