一种结合全局和邻域信息的血管分割方法技术

一种结合全局和邻域信息的血管分割方法，在Unet网络的基础上提出了Gnet分割网络，该网络使用全新的下采样方式以及在跳跃连接处结合长短时记忆网络，优化了对特征信息的提取，减少了图像信息的损失。其次本发明专利技术将上步提出的网络作为基础的分割框架，提出了一种并行的计算邻域信息的网络Rnet，并将该网络的损失函数作为基础分割网络的惩罚项去训练分割网络Gnet。本发明专利技术显著提升了对MRA影像处理中对大脑血管分割的精确度，并能有效解决细小血管分割断裂的情况。割断裂的情况。

【技术实现步骤摘要】
一种结合全局和邻域信息的血管分割方法


[0001]本专利技术涉及医学图像处理和人工智能领域，是一种基于深度学习的脑血管图像分割方法。

技术介绍

[0002]目前，脑血管疾病已经成为神经外科疾病中致死率最高、好转率最低的疾病之一。对医学图像的分割准确与否决定了医生在临床中能否提供可靠的诊疗依据。并且，在神经外科和心脑血管等不同临床医学领域中，对血管进行分割重建对于的病情诊断、治疗方案以及临床结果的评估都至关重要。因此，对血管准确、快速地分割已经成为医学影像学研究的热点之一。
[0003]现有的医学图像分割方法可分为两类，第一类是传统的半自动分割方法，如阈值法、基于追踪的方法、基于聚类的方法和基于模型的分割方法等，但这些方法不仅耗费大量人工时间干预和操作，而且严重依赖于专家的专业知识和经验，因此也存在着大量主观差异。第二类是以深度学习为代表，基于人工智能的分割算法。随着深度学习研究热潮的兴起以及其在医学图像分割上性能强大，基于深度学习的医学图像分割的相关研究迅速增长。
[0004]近年，有研究学者提出的U
‑
Net网络在医学图像分割领域展现了优秀的性能。其特殊的U型结构和skip
‑
connection操作使网络能结合低分辨率和高分辨率的信息，较好的适配了医学图像的特征。然而基于CNN的U
‑
net网络必然带来其计算量的提升，其过多和冗余地使用计算资源和模型参数导致了模型重复提取相似的低级特征，在一定程度上降低了其分割能力。并且将U
‑
>net网络应用于脑血管分割时，会出现大脑细小血管断裂、与大血管不连通等现象，极大降低了血管分割的精确性。结合脑血管的重要性及其位置的特殊性，分割精度和结果的不精确现象对目前研究和临床应用产生了巨大阻碍和挑战。

技术实现思路

[0005]现有基于深度学习的方法主要从全局的角度考虑图像的信息，因此会出现大量的不连通区域，且边界分割效果很差。为了提高脑血管分割的精确性，本专利技术提出了一种结合全局和邻域信息的血管分割方法，显著提升了对MRA影像处理中对大脑血管分割的精确度，并能有效解决细小血管分割断裂的情况。
[0006]本专利技术解决其技术问题所采用的技术方案是：
[0007]一种结合全局和邻域信息的血管分割方法，所述方法包括以下步骤：
[0008]步骤1数据预处理
[0009]脑血管系统一般在颅内体积中所占比例相对较小(约1％～5％)，FMM的性能很大程度上依赖于背景区域(即非血管区域)的拟合，而对血管区域内的拟合依赖较小，同时数据中保留大面积的背景也会造成计算负担，影响模型的处理时间；因此，进行了颅骨剔除和偏置场校正，生成训练样本；
[0010]步骤2构建血管分割网络Gnet
[0011]搭建结合全局信息的网络模型Gnet，使用步骤1中生成的训练样本训练该网络模型，然后将待分割医学图像输入到构建好的网络模型，从而生成对应模态的目标图像；
[0012]进一步，所述步骤2中，血管分割网络Gnet包括在Unet网络的基础上使用全新的下采样方式以及在跳跃连接处结合长短时记忆网络，优化了对特征信息的提取，减少了图像信息的损失，具体过程如下：
[0013]2.1通过加入ConvLSTM网络模块以优化跳跃连接过程，ConvLSTM网络优化的跳跃连接过程能够进一步结合图像的空间信息，加强原始特征的传播和编码，以消除跳跃连接中不相关的噪声效应产生的歧义，使分割定位更加精确；
[0014]2.2通过加入注意力机制优化下采样过程，针对下采样过程中微小血管特征信息丢失的问题，通过加入注意力门模块，同时在下采样的每一层结合多尺度的原始图像输入；提出的下采样优化充分结合了原始图像的特征信息，并且能抑制无关区域的特征相应，自动学习区分目标的外形和尺寸，聚焦于目标血管区域的显著特征，减少了下采样的信息损失；
[0015]步骤3构建邻域信息的血管网络Rnet
[0016]为了解决网络分割出的细小血管断裂、与大血管不连通的现象，本专利技术结合了血管区域的连通性，提出了基于平面二十六邻域连通性的卷积神经网络Rnet；该网络的输入为步骤2所构建Gnet的输出，该网络由若干连续的卷积层与全连接层构成，经过4次卷积和最大池化的连续运算，最后通过全连接层输出1
×1×
1的数值。采用均方误差(MSE)作为损失函数训练上述Rnet网络模型，其定义如下：
[0017][0018]其中Ii和Oi表示输入和输出的不连通血管岛屿数Islands，由Skimage图像处理工具包进行计算,其均方误差MSE越小，Rnet描述Gnet输出的分割图中不连通岛屿数Islands的准确率越高；
[0019]步骤4训练结合全局和邻域信息的分割网络
[0020]综合损失函数Loss(λ,η)为Gnet的损失函数G_loss和Rnet的损失函数R_loss经过加权后相加，其公式表述为：
[0021]Loss(λ,η)＝λU_Loss+ηI_Loss
[0022]其中λ与η为赋给Gnet和Rnet两个网络不同损失函数的权重参数，满足λ+η＝1；通过分配两个网络损失函数的不同权重值，以调节两个网络对分割结果的影响程度，优化分割效果，本专利技术经实验后确定当λ＝0.4、η＝0.6时网络权重分配最合理，分割效果最好。
[0023]进一步，所述步骤4中，训练结合全局和邻域信息的分割网络，进行综合训练目的是使得Gnet能够结合Rnet预测的血管连通域信息对分割结果进行优化，减少血管分割后出现断裂的情况，具体训练步骤如下：
[0024]4.1将Gnet和Rnet分别独立并行进行训练。Gnet使用G_loss进行训练，Rnet使用R_loss进行训练，此时两个网络没有关键，只是将Gnet的输出作为Rnet的输入；
[0025]4.2直到R_loss稳定时，对Gnet和Rnet进行联合训练，独立训练时当Rnet网络到达稳定时，冻结网络参数；此时训练的方式为Gnet分割网络通过综合的损失函数Loss(λ,η)进行训练，通过实验对λ和η值进行调整，得到分割结果的最优解。
[0026]本专利技术中，首先在Unet网络的基础上使用全新的下采样方式以及在跳跃连接处结合长短时记忆网络，优化了对特征信息的提取，减少了图像信息的损失；其次本专利技术将上步提出的网络作为基础的分割框架，提出了一种并行的计算邻域信息的网络，并将该网络的损失函数作为基础分割网络的惩罚项去训练分割网络。
[0027]本专利技术的有益效果为：优化了对特征信息的提取，减少了图像信息的损失；并结合邻域连通信息，减少分割的血管出现断裂的情况，有效提升了血管分割的性能。
附图说明
[0028]图1为本专利技术实施方案的流程示意图。
[0029]图2为本专利技术方案中的Gnet和Rnet网络模型图。
[0030]图3为本专利技术方案中的综合训练图。
具体实施方式
[0031]为了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合全局和邻域信息的血管分割方法，其特征在于，所述方法包括以下步骤：步骤1数据预处理：进行了颅骨剔除和偏置场校正，生成训练样本；步骤2构建血管分割网络Gnet搭建结合全局信息的网络模型Gnet，使用步骤1中生成的训练样本训练该网络模型，然后将待分割医学图像输入到构建好的网络模型，从而生成对应模态的目标图像；步骤3构建邻域信息的血管网络Rnet结合血管区域的连通性，提出了基于平面二十六邻域连通性的卷积神经网络Rnet，该网络的输入为步骤2所构建Gnet的输出，该网络由若干连续的卷积层与全连接层构成，经过4次卷积和最大池化的连续运算，最后通过全连接层输出1
×1×
1的数值。采用均方误差(MSE)作为损失函数训练上述Rnet网络模型，其定义如下：其中Ii和Oi表示输入和输出的不连通血管岛屿数Islands，由Skimage图像处理工具包进行计算,其均方误差越小，Rnet描述Gnet输出的分割图中不连通岛屿数Islands的准确率越高；步骤4训练结合全局和邻域信息的分割网络综合损失函数Loss(λ,η)为Gnet的损失函数G_loss和Rnet的损失函数R_loss经过加权后相加，其公式表述为：Loss(λ,η)＝λU_Loss+ηI_Loss其中λ与η为赋给Gnet和Rnet两个网络不同损失函数的权重参数，满足λ+η＝1；通过分配两个网络损失函数的不同权重值，以调节两个网...

【专利技术属性】
技术研发人员：谢雷，冯远静，罗康，袁少楠，沈佳凯，黄家浩，曾庆润，王静强，盛轩硕，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：