一种冠状动脉CT影像深度聚类和分割方法及系统技术方案

本发明专利技术公开了一种冠状动脉CT影像深度聚类和分割方法及系统，其中方法包括步骤如下：S1：采用卷积神经网络，输入冠状动脉CT影像，构造特征提取器，从而生成输入图像的若干特征；S2：利用聚类算法，将生成的若干特征聚成K类，并调整相关损失函数值，对每个样本x赋予伪标签y；S3：利用聚类生成的伪标签y，通过优化相关损失函数值，更新卷积神经网络权重；再利用优化后的伪标签y对冠状动脉CT影像进行分类训练；S4：通过冠状动脉CT影像分类结果，利用3D U‑net分组对冠状动脉进行分割。本发明专利技术有利于提高冠状动脉的分割精度，为后续的临床诊断和治疗提供帮助。

【技术实现步骤摘要】
一种冠状动脉CT影像深度聚类和分割方法及系统
本专利技术涉及医学图像聚类和分割
，更具体的，涉及一种基于CNN、K-means和3DU-net的冠状动脉CT影像深度聚类和分割方法及系统。
技术介绍
目前，在传统的医学图像处理方法中，虽然聚类算法应用广泛，但也存在一定缺陷。现存方法中，对大范围数据集进行端对端训练的方法极少，大多数方法仅仅是基于简单的K-means、FCM等传统聚类算法[杨生友.聚类分析在医学图像中的应用[D].兰州大学,2009]、[周光华,李岳峰,孟群.模糊聚类分析在医学图像处理中的应用[J].中国卫生信息管理杂志,2011,08(004):69-73]。同时，现有的传统方法也未将卷积神经网络(ConvolutionalNeuralNetworks，CNN)和聚类方法相结合，并将其应用于冠状动脉CT影像分类。其次，在传统的方法中，对于各种医学图像，通常需要由医生根据图像特征手动为图像打上标记，这种办法耗时且费力，还需要医生具备较高的专业素养和较扎实的理论知识基础，尽管近年来积累了众包方面的专家知识[Kovashka,A.,Russakovsky,O.,Fei-Fei,L.,Grauman,K.,etal.:Crowdsourcingincomputervision.FoundationsandTrendsRinComputerGraphicsandVision10(3)(2016)177–243]。再者，由于冠状动脉结构具有高度复杂性，所以，对冠状动脉进行分割极具挑战。同时，不同患者的冠状动脉CT影像在时间、空间和不同解剖结构的影响下，图像结构各不相同。但整体结构上具有相似性，局部结构上存在差异。
技术实现思路
本专利技术为了解决传统图像聚类和分割方法存在不足的问题，提供了一种基于CNN、K-means和3DU-net的冠状动脉CT影像深度聚类和分割方法及系统，其提高冠状动脉的分割精度，为后续的临床诊断和治疗提供帮助。为实现上述本专利技术目的，采用的技术方案如下：一种冠状动脉CT影像深度聚类和分割方法，所述的方法包括步骤如下：S1：采用卷积神经网络，输入冠状动脉CT影像，构造特征提取器，从而生成输入图像的若干特征；S2：利用聚类算法，将生成的若干特征聚成K类，并调整相关损失函数值，对每个样本x赋予伪标签y；S3：利用聚类生成的伪标签y，通过优化相关损失函数值，更新卷积神经网络权重；再利用优化后的伪标签y对冠状动脉CT影像进行分类训练；S4：通过冠状动脉CT影像分类结果，利用3DU-net分组对冠状动脉进行分割。优选地，所述的卷积神经网络包括但不限于AlexNet、VGG-16。进一步地，所述的聚类算法采用K-means聚类算法。再进一步地，采用所述的K-means聚类算法将从卷积神经网络中抽取的所有特征聚成K类，然后，通过调整以下损失函数，对每个样本x赋予伪标签y：式中，fθ(xn)是由卷积神经网络产生的特征；yn是通过聚类产生的样本xn的伪标签；N为样本总数，C为聚类的质心矩阵。再进一步地，利用聚类算法得到的伪标签，通过优化以下损失函数，对卷积神经网络的权重进行更新：式中，是多项逻辑损失，亦称为log-softmax函数；gw为特征分类器。再进一步地，由于将特征和伪标签同时进行学习，会产生平凡解，为了避免平凡解，当一个簇变为空时，随机选择一个非空簇，并使用带有小随机扰动的质心作为空簇的新质心，然后，将属于非空簇的点重新分配给两个结果簇。再进一步地，为了避免平凡参数，对输入数据进行重新采样使得分布均匀，或使用伪标签。一种所述的冠状动脉CT影像深度聚类和分割的系统，包括采用卷积神经网络，输入冠状动脉CT影像，构造特征提取器，从而生成输入图像的若干特征；聚类算法模块，将生成的若干特征聚成K类，并调整相关损失函数值，对每个样本x赋予伪标签；分类器，通过伪标签y对冠状动脉CT影像进行分类训练，再利用相关损失函数，对卷积神经网络的权重进行更新；3DU-net分组模块，根据分类器输出的分类结果，分组对冠状动脉进行分割。一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时，实现所述的方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时，实现所述的方法的步骤。本专利技术的有益效果如下：本专利技术通过利用卷积神经网络构造特征提取器、通过K-means聚类算法生成图像对应的伪标签、利用伪标签监督训练分类器、利用3DU-net分组对冠状动脉进行分割，实现对冠状动脉CT影像的分类和分割。本专利技术通过不断迭代后生成的伪标签，将来自不同患者的冠状动脉CT影像进行分类，并尽可能地将具有相同或相似特征的图像归为一类。再根据分类结果，利用3DU-net分组对冠状动脉进行分割，从而提高冠状动脉的分割精度，为后续的临床诊断和治疗提供帮助。附图说明图1是实施例1所述的方法的流程图。图2是实施例1所述的卷积神经网络(ConvolutionalNeuralNetworks，CNN)的结构示意。图3是实施例1所述的卷积神经网络AlexNet的结构示意图。图4是实施例1所述的卷积神经网络VGG-16的结构示意图。图5是实施例1所述的K-means聚类算法的流程图。图6是实施例1所述的3DU-net的结构示意图。图7是实施例1所述的冠状动脉分割的示例图。具体实施方式下面结合附图和具体实施方式对本专利技术做详细描述。实施例1如图1所示，一种冠状动脉CT影像深度聚类和分割方法，所述的方法包括步骤如下：S1：采用卷积神经网络，输入冠状动脉CT影像，构造特征提取器，从而生成输入图像的若干特征；S2：利用聚类算法，将生成的若干特征聚成K类，并调整相关损失函数值，对每个样本x赋予伪标签y；S3：利用聚类生成的伪标签y，通过优化相关损失函数值，更新卷积神经网络权重；再利用优化后的伪标签y对冠状动脉CT影像进行分类训练；S4：通过冠状动脉CT影像分类结果，利用3DU-net分组对冠状动脉进行分割。本实施例通过不断迭代后生成的伪标签，将来自不同患者的冠状动脉CT影像进行分类，并尽可能地将具有相同或相似特征的图像归为一类。再根据分类结果，利用3DU-net分组对冠状动脉进行分割，从而提高冠状动脉的分割精度，为后续的临床诊断和治疗提供帮助。在一个具体的实施例中，将经过预处理后的高质量的冠状动脉CT影像数据输入到卷积神经网络(ConvolutionalNeuralNetworks，CNN)。所述的预处理具体如下：(1)CCTA影像扫描所有CCTA扫描均使用128片双源扫描仪(SOMATOMDefinit本文档来自技高网...

【技术保护点】
1.一种冠状动脉CT影像深度聚类和分割方法，其特征在于：所述的方法包括步骤如下：/nS1：采用卷积神经网络，输入冠状动脉CT影像，构造特征提取器，从而生成输入图像的若干特征；/nS2：利用聚类算法，将生成的若干特征聚成K类，并调整相关损失函数值，对每个样本x赋予伪标签y；/nS3：利用聚类生成的伪标签y，通过优化相关损失函数值，更新卷积神经网络权重；再利用优化后的伪标签y对冠状动脉CT影像进行分类训练；/nS4：通过冠状动脉CT影像分类结果，利用3D U-net分组对冠状动脉进行分割。/n

【技术特征摘要】
1.一种冠状动脉CT影像深度聚类和分割方法，其特征在于：所述的方法包括步骤如下：
S1：采用卷积神经网络，输入冠状动脉CT影像，构造特征提取器，从而生成输入图像的若干特征；
S2：利用聚类算法，将生成的若干特征聚成K类，并调整相关损失函数值，对每个样本x赋予伪标签y；
S3：利用聚类生成的伪标签y，通过优化相关损失函数值，更新卷积神经网络权重；再利用优化后的伪标签y对冠状动脉CT影像进行分类训练；
S4：通过冠状动脉CT影像分类结果，利用3DU-net分组对冠状动脉进行分割。


2.根据权利要求1所述的冠状动脉CT影像深度聚类和分割方法，其特征在于：所述的卷积神经网络包括AlexNet、VGG-16几种中的一种。


3.根据权利要求1所述的冠状动脉CT影像深度聚类和分割方法，其特征在于：所述的聚类算法采用K-means聚类算法。


4.根据权利要求3所述的冠状动脉CT影像深度聚类和分割方法，其特征在于：采用所述的K-means聚类算法，将从卷积神经网络中抽取的所有特征聚成K类。然后，通过调整以下损失函数，对每个样本x赋予伪标签y：



式中，fθ(xn)是由卷积神经网络产生的特征；yn是通过聚类产生的样本xn的伪标签；N为样本总数，C为聚类的质心矩阵。


5.根据权利要求4所述的冠状动脉CT影像深度聚类和分割方法，其特征在于：利用聚类算法得到的伪标签，通过优化以下损失函数，对卷积神经网络的权重进行更新：



式中，l是多项逻辑损失，亦称为l...

【专利技术属性】
技术研发人员：曾安，刘淇乐，潘丹，徐小维，吴春彪，陈宇琛，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44