一种基于神经网络的剪影血管造影术的分割方法技术

本发明专利技术公开了一种基于神经网络的剪影血管造影术的分割方法，包括使用12层U

【技术实现步骤摘要】
一种基于神经网络的剪影血管造影术的分割方法


[0001]本专利技术涉及血管造影术领域，尤其是涉及一种基于神经网络的剪影血管造影术的分割方法。

技术介绍

[0002]脑血管疾病(CVDs)影响大量患者，并往往具有破坏性的结果。心血管疾病的特征是在脑血管上形成的异常，包括血管的突起、狭窄、增宽和分叉。心血管疾病通常是通过数字减影血管造影(DSA)诊断的，但DSA的解释是具有挑战性的，因为人们必须充分检查每个脑血管，脑血管疾病(CVDs)是一个庞大的疾病家族，许多人作为紧急情况出现，如果不及时治疗，可能是致命的。常见的CVD包括颅内动脉瘤、颅内动脉闭塞或狭窄、血管炎、血管痉挛和动静脉畸形或瘘管(AVM/AVF)。这些疾病影响着全世界数百万人，许多人的疾病风险和死亡率超过50％。心血管疾病的诊断仍然具有挑战性，因为许多患者突然出现，没有初步的警告迹象或症状。虽然CT和MR脑成像和横断面血管造影现在是一线诊断方法，但数字减影血管造影(DSA)仍然是诊断和指导治疗的明确方法。

技术实现思路

[0003]本专利技术为克服上述情况不足，旨在提供一种能解决上述问题的技术方案。
[0004]一种基于神经网络的剪影血管造影术的分割方法，具备包括以下步骤：
[0005]S1、使用12层U
‑
net结构分割DSA图像以及通过计算原始图像中的像素是血管的一部分，深度学习网络的结构由两条路径组成，即收缩路径(图3的顶部路径)和扩展路径(图3底部路径)；
[0006]S2、在收缩路径中，每个conv2d层使用一个3
×
3的卷积核，每两个conv2d层后接一个ReLU(整流线性单元)激活函数和2
×
2最大池层，步长为2进行下采样；
[0007]S3、在扩展路径中，池运算符被上采样运算符所取代。在每一个池层，下采样步数加倍
[0008]S4、特征通道数和上采样数以及conv2d将特征通道数减半，因此扩展路径与收缩路径最为对称。
[0009]S5、由于每个卷积都会丢失边界像素，因此需要对收缩路径中的特征映射进行相应的复制和裁剪。
[0010]S6、扩展路径创建高分辨率分割图。Sigmoid激活函数代替了最后一个卷积层的ReLU。在两个连续的卷积层之间使用0.2的衰减。
[0011]S7、采用“分类交叉熵”损失函数和随机梯度下降法进行优化。输出的尺寸为(128
×
128)，而输出中的每个像素表示像素血管的一部分。我们用32个小批量进行了500个周期的训练，选出了最佳的模型作为最终的深度学习网络。
[0012]本专利技术的有益效果：本专利技术在有限数量的图像的基础上取得了很好的性能，该方法可以识别非常不同的血管轮廓，如长和直与短和曲折和分叉。在我们的测试中，我们发现
深度学习网络可以分割和跟踪血管，证明了在二维图像中使用深度学习分割脑血管的可行性。
[0013]本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0014]图1是一张DSA图像；
[0015]图2中(a)从一张每日生活津贴图像中提取的若干块和(b)其相应的真实情况。
[0016]图3是深度学习网络的结构。
[0017]图4中(a)测试数据增强前后深度学习方法的AUC和(b)ROC图。
[0018]图5中(a)网络的性能，以敏感性、特异性、准确性和500训练来衡量。(b)网络的ROC曲线。
[0019]图6是(a)DSA图像原件。(b)手工标明真实情况。(c)由深度学习网络为血管类别分配像素的概率图。(d)我们的方法在确定概率图后给出的最后结果。
[0020]图7中分割结果覆盖到原始DSA图像
[0021]图8中(a)DSA图像原件。(b)手工标明真实情况。(c)为血管类别分配像素的概率图。(d)我们的方法所提供的最后结果。
[0022]图9中(a)DSA图像原件。(b)手工标明真实情况。(c)为血管类别分配像素的概率图。(d)我们的方法所提供的最后结果。
[0023]图10中(a)DSA图像原件。(b)手工标明真实情况。(c)为血管类别分配像素的概率图。(d)我们的方法所提供的最后结果。
[0024]图11中(a)DSA图像原件。(b)手工标明真实情况。(c)为血管类别分配像素的概率图。(d)我们的方法所提供的最后结果。
具体实施方式
[0025]材料与方法
[0026]本专利技术中的患者要么有动静脉畸形、动静脉瘘和脑血管瘤的病理异常，要么有正常的DSA表现。我们从随机选择的一组患者中手动追踪了20张DSA图像，以标记他们的真实情况。这些图像是在西门子Axiom Artis系统上获得的。由Axiom Artis系统自动设置kv和mA。造影剂是碘醇，以5毫升/秒的动脉注射，共8毫升注入颈动脉，或以3毫升/秒的剂量注入颈椎动脉。由于我们的网络要求输入为128
×
128像素，我们首先从原始的512
×
512或1024
×
1024像素的DSA图像中提取128
×
128像素的随机重叠图像块。每个512
×
512像素图像生成200个补丁，1024
×
1024像素图像生成800个补丁。附图2显示了我们从一个DSA图像中提取的一些补丁及其相应的真实情况。将DSA检查随机分为20次培训和10次测试，训练集中的20幅图像总共产生了5200个补丁。我们选择这些图像补丁中的4680(90％)作为训练集，并使用剩余的520(10％)图像补丁进行验证。测试集图像来自不同的患者，而不是训练集和验证集。
[0027]分析DSA图像。定量测量脑血管可以帮助临床医生做出准确的诊断，并启动对患者的及时治疗。开发了多种提取血管图像的技术方法，如基于模型的方法、基于形状分析的方
法、基于跟踪的方法、典型识别方法和基于神经网络的方法。我们提出了一种在DSA中自动分割脑血管的深度学习方法。在这项工作中，我们使用U
‑
net检测DSA中的脑血管，并在真实的DSA图像上进行测试。
[0028]算法
[0029]数据增强可以帮助神经网络做出不变和稳健的预测，特别是在训练数据有限的情况下，深度学习中最常用的增强方法是通过现有训练示例的标签保存转换生成额外的示例。在我们的工作中，我们将旋转、翻转和缩放应用于图像数据以进行增强。
[0030]我们使用12层U
‑
net结构分割DSA图像以及通过计算原始图像中的像素是血管的一部分。深度学习网络的结构如图3所示。网络的结构可以考虑由两条路径组成，即收缩路径(图3的顶部路径)和扩展路径(图3底部路径)。
[0031]在收缩路径中，每个conv2d层使用一个3
×
3的卷积核，每两个conv2d层后接本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的剪影血管造影术的分割方法，其特征在于，具备包括以下步骤：S1、使用12层U
‑
net结构分割DSA图像以及通过计算原始图像中的像素是血管的一部分，深度学习网络的结构由两条路径组成，即收缩路径和扩展路径；S2、在收缩路径中，每个conv2d层使用一个3
×
3的卷积核，每两个conv2d层后接一个ReLU(整流线性单元)激活函数和2
×
2最大池层；进行下采样；S3、在扩展路径中，池运算符被上采样运算符所取代；S4、特征通道数和上采样数以及conv2d将特征通道数减半；S5、由于每个卷积都会丢失边界像素，因此需要对收缩路径中的特征映射进行相应的复制和裁剪；S6、扩展路径创建高...

【专利技术属性】
技术研发人员：陈淮，曾庆思，黄綏丹，倪志文，蒙虹伽，
申请(专利权)人：广州医科大学附属第一医院广州呼吸中心，
类型：发明
国别省市：