基于深度学习网络的三维影像动静脉分割方法及系统技术方案

本发明专利技术实施例提供一种基于深度学习网络的三维影像动静脉分割方法及系统，该方法包括以下步骤：步骤S1：采集三维影像数据，并进行预处理；步骤S2：对预处理后的三维影像数据进行重采样，生成多个候选的感兴趣区域的三维数据；步骤S3：将所有候选感区域的三维数据输入血管提取深度学习网络，得到每一个感兴趣区域内的血管分割图；步骤S4：将血管分割图输入动静脉识别深度学习网络，得到每一个感兴趣区域的动静脉分割图，并将所有的分割图拼接组合在一起得到完整的动静脉分割结果。该三维影像动静脉分割方法及系统提高了动静脉分割的准确度，同时具有极高的鲁棒性，适用于不同成像方式的医学三维影像，满足临床的应用需求。

Method and system of 3D image arteriovenous segmentation based on deep learning network

【技术实现步骤摘要】
基于深度学习网络的三维影像动静脉分割方法及系统
本专利技术涉及医疗图像领域，尤其涉及一种基于深度学习网络的三维影像动静脉分割方法及系统。
技术介绍
在疾病检测与诊断过程，动静脉的的准确分割及区分具有极高价值。例如CT影像中，若未进行增强造影，动静脉具有相似的灰度值，难以进行区分。同时，在影像上动静脉存在接触缠绕情况，并且由于个体的解剖差异，血管变异情况普遍存在，这些因素都造成了动静脉分割的困难。另外，不同成像设备之间的差异造成CT成像结果非常复杂，又进一步增大了动静脉分割的难度。目前针对不同部位的三维成像方式的动静脉分割方法存在以下几点不足：一、准确度不够，难以满足临床应用需求。二、局限于某单个部位，缺乏通用性。三、只针对某种医学影像数据有效，适用性差。例如通对增强CT有效，对平扫CT、低剂量平扫CT无效或效果不佳。公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
技术实现思路
针对现有技术存在的问题，本专利技术实施例提供一种基于深度学习网络的三维影像动静脉分割方法及系统。第一方面，本专利技术实施例提供一种基于深度学习网络的三维影像动静脉分割方法，包括以下步骤：步骤S1：采集三维影像数据，并进行预处理；步骤S2：对预处理后的三维影像数据进行重采样，生成多个候选的感兴趣区域的三维数据；步骤S3：将所有候选感区域的三维数据输入血管提取深度学习网络，得到每一个感兴趣区域内的血管分割图；步骤S4：将血管分割图输入动静脉识别深度学习网络，得到每一个感兴趣区域的动静脉分割图，并将所有的分割图拼接组合在一起得到完整的动静脉分割结果。进一步地，步骤S1中对三维图像数据的预处理包括以下步骤：像素值规范化和插值。进一步地，像素值规范化的方法为：min＝c-w/2max＝c+w/2ifx<minthenx＝0ifx>maxthenx＝1其中c为窗位，w为窗宽，x为像素值。进一步地，插值的方法为：先解析原始三维图像，获取图像Spacing属性(z0,y0,x0)；其中，目标图像Spacing为(z1,y1,x1)，计算各个方向的缩放因子(z0/z1,y0/y1,x0/x1)，再根据各方向的缩放因子，利用双线性插值，得到插值后的三维数据。进一步地，步骤S2中的重采样的方法为：将插值后的三维数据，按照步长为32×48×48，提取大小为64×96×96且有相互重叠的局部片块三维图像。进一步地，血管提取深度学习网络与动静脉识别深度学习网络的主体网络结构相同，均具有自关注模块和多尺度特征融合模块。进一步地，自关注模块用于将高维的特征上采样1次，分别利用平均池化与最大值池化提取关键响应特征，将每一个位置的响应值利用sigmoid操作转换成0～1之间的值，再与相同分辨率的低层特征相乘提取关键特征，作为下一个卷积残差块的输入。进一步地，多尺度特征融合模块用于将不同深度的血管特征图利用上采样进行特征融合。进一步地，血管提取深度学习网络输出图像是两通道，分别为血管、背景概率图；所述动静脉识别深度学习网络输出是三通道，分别为动脉、静脉、背景概率图。第二方面，本专利技术实施例提供一种基于深度学习网络的三维影像动静脉分割系统，包括：重建参数设置交互模块：用于提供可视化列表给用户自主设置重建参数；预处理模块：用于对输入的影像进行预处理，从而提取用户选择的目标器官的轮廓和感兴趣的区域；图像分割模块：用于利用深度学习网络进行图像分割；图像压缩模块：用于对用户选择的目标器官的轮廓和感兴趣的区域进行压缩；图像重建模块：用于根据图像的纹理数据、平面形状和各变换矩阵进行图像渲染，得到最终重建的二维医疗影像。本专利技术实施例提供的一种基于深度学习网络的三维影像动静脉分割方法及系统具有如下优点：1.本专利技术采用多阶段的训练策略，能够很好的自动区分动静脉。2.本专利技术在动静脉分割的方法中，利用自关注模块，使得血管、动静脉识别度更高。3.本专利技术利用多尺度的融合技术，能够提取不同尺度的血管，保证血管提取的完整性。4.本专利技术的动静脉分割方法，鲁棒性好，适用于不同成像方式的医学三维影像，例如增强CT、平扫CT、MR。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的基于深度学习网络的三维影像动静脉分割方法流程图；图2为本专利技术实施例提供的方法中血管提取深度学习网络与动静脉识别深度学习网络的主体网络结构示意图；图3为本专利技术实施例提供的方法中自关注模块结构示意图；图4本专利技术实施例提供的基于深度学习网络的三维影像动静脉分割系统的原理图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。图1为本专利技术实施例提供的一种基于深度学习网络的三维影像动静脉分割方法流程图，如图1所示，本专利技术提出的一种基于深度学习网络的三维影像动静脉分割方法，包括下述步骤：步骤S1：采集三维影像数据，并进行预处理；本专利技术实施例的步骤S1中，对三维图像数据的预处理包括以下步骤：像素值规范化和插值。其中，像素值规范化的方法为：min＝c-w/2max＝c+w/2ifx<minthenx＝0ifx>maxthenx＝1其中c为窗位，w为窗宽，x为像素值。插值的方法为：先解析原始三维图像，获取图像Spacing属性(z0,y0,x0)；其中，目标图像Spacing为(z1,y1,x1)，计算各个方向的缩放因子(z0/z1,y0/y1,x0/x1)，再根据各方向的缩放因子，利用双线性插值，得到插值后的三维数据。步骤S2：对预处理后的三维影像数据进行重采样，生成多个候选的感兴趣区域的三维数据；本专利技术实施例的步骤S2中，重采样的方法为：将插值后的三维数据，按照步长为32×48×48，提取大小为64×96×96且有相互重叠的局部片块三维图像。步骤S3：将本文档来自技高网...

【技术保护点】
1.一种基于深度学习网络的三维影像动静脉分割方法，其特征在于，包括以下步骤：/n步骤S1：采集三维影像数据，并进行预处理；/n步骤S2：对预处理后的三维影像数据进行重采样，生成多个候选的感兴趣区域的三维数据；/n步骤S3：将所有候选感区域的三维数据输入血管提取深度学习网络，得到每一个感兴趣区域内的血管分割图；/n步骤S4：将血管分割图输入动静脉识别深度学习网络，得到每一个感兴趣区域的动静脉分割图，并将所有的分割图拼接组合在一起得到完整的动静脉分割结果。/n

【技术特征摘要】
1.一种基于深度学习网络的三维影像动静脉分割方法，其特征在于，包括以下步骤：
步骤S1：采集三维影像数据，并进行预处理；
步骤S2：对预处理后的三维影像数据进行重采样，生成多个候选的感兴趣区域的三维数据；
步骤S3：将所有候选感区域的三维数据输入血管提取深度学习网络，得到每一个感兴趣区域内的血管分割图；
步骤S4：将血管分割图输入动静脉识别深度学习网络，得到每一个感兴趣区域的动静脉分割图，并将所有的分割图拼接组合在一起得到完整的动静脉分割结果。


2.根据权利要求1所述的基于深度学习网络的三维影像动静脉分割方法，其特征在于，所述步骤S1中对三维图像数据的预处理包括以下步骤：像素值规范化和插值。


3.根据权利要求2所述的基于深度学习网络的三维影像动静脉分割方法，其特征在于，所述像素值规范化的方法为：
min＝c-w/2
max＝c+w/2
ifx<minthenx＝0
ifx>maxthenx＝1



其中c为窗位，w为窗宽，x为像素值。


4.根据权利要求3所述的基于深度学习网络的三维影像动静脉分割方法，其特征在于，所述插值的方法为：先解析原始三维图像，获取图像Spacing属性(z0,y0,x0)；其中，目标图像Spacing为(z1,y1,x1)，计算各个方向的缩放因子(z0/z1,y0/y1,x0/x1)，再根据各方向的缩放因子，利用双线性插值，得到插值后的三维数据。


5.根据权利要求4所述的基于深度学习网络的三维影像动静脉分割方法，其特征在于，所述步骤S2中的重采样的方法为：将插值后的三维数据，按照步长为32×48×48...

【专利技术属性】
技术研发人员：赖耀明，余明亮，蔡飞跃，魏军，
申请(专利权)人：广州柏视医疗科技有限公司，
类型：发明
国别省市：广东;44