基于多中心TOF-MRA影像的脑血管分割方法及神经网络分割模型技术

本发明专利技术涉及基于多中心TOF

【技术实现步骤摘要】
基于多中心TOF
‑
MRA影像的脑血管分割方法及神经网络分割模型


[0001]本专利技术涉及医学图像处理
，具体而言，涉及一种基于多中心TOF
‑
MRA影像的脑血管分割方法及神经网络分割模型。

技术介绍

[0002]脑动脉血管评估对与脑血管基片患者的诊断过程至关重要，中风是全世界的主要死亡原因之一，每年有1500万人发生中风；中风是一种脑血管疾病，它的特点是大脑动脉血管的变化，如血管的狭窄和闭塞；研究证明动脉血管的形态学信息对诊断过程至关重要，在慢性脑血管疾病中，脑血管形态学参数可以作为一种生物标志物；在急性临床环境中，脑血管形态学参数为中风医生提供了关键的辅助信息，例如，这些参数可以提前帮助医生诊断急性动脉血管闭塞疾病，从而其患者进行机械血栓切除术，这也是是目前最好的中风再灌注疗法。
[0003]磁共振(MRA)飞行时间(TOF)成像是一种非侵入性的神经成像技术，被应用于常规临床以建模动脉，可以捕获到颅内脑血管的形态；然而，这些成像技术只能视觉上对血管进行评估，对脑动脉的精确量化却只能依赖于操作员的临床经验与技能熟悉程度，这在很大程度上给脑动脉量化分析引入了大量的不确定性因素；此外，脑功能、脑结构的分析需要大量脑动脉数据作为支撑，然而，依靠人工基于视觉上对脑动脉进行重建和分析需要纳入大量繁重的工作，即使TOF MRA成像速度快，没有电离辐射暴露，并且可以高度详细地表征动脉血管，由于缺乏全自动的血管分割方法，临床上对血管成像的解读仅基于视觉判断；广泛的、耗时的和非标准化的图像后处理是广泛的临床应用的一个重要障碍。

技术实现思路

[0004]本专利技术解决的问题是如何使得脑血管分割算法获得较好的泛化问题，以实现对脑血管自动化分割，从而促进对有关脑血管疾病有价值的生物标志物的识别。
[0005]为解决上述问题，本专利技术提供基于多中心TOF
‑
MRA影像的脑血管分割方法，包括：
[0006]步骤1、采用由四层残差卷积模块组成的CNN编码器从TOF
‑
MRA影像中提取脑血管特征图；
[0007]步骤2、通过对CNN编码器最后两层残差卷积模块提取的脑血管特征图进行维度映射；并对维度映射后的脑血管特征图进行拉伸，形成两个一维的特征向量；接着将两个一维的特征向量拼接成一个富含体素信息的一维特征向量；
[0008]步骤3、通过对CNN编码器最后两层残差卷积模块提取的脑血管特征图进行位置编码，以恢复脑血管特征图的空间位置信息；
[0009]步骤4、将位置编码与一维特征向量逐像素相加后输入Transformer神经网络中，提取得到脑血管的长远距离依赖特征向量；
[0010]步骤5、将长远距离特征向量进行拆分、上采样、重塑操作后得到长远距离特征图；
[0011]步骤6、设置CNN解码器，所述CNN解码器中设置4层与CNN编码器相似的残差卷积层，CNN解码器对长远距离特征图处理得到脑血管结构
[0012]本专利技术的有益效果是：通过融合Transformer神经网络来充分挖掘TOF
‑
MRA影像中不同帧之间长远距离依赖特征，从而适应从不同设备拍摄的TOF
‑
MRA影像中提取脑血管特征的能力，提升脑血管分割算法的泛化能力。
[0013]作为优选，所述步骤3中对脑血管特征图进行位置编码的公式表示为：
[0014][0015]式中，pos表示脑血管特征图中特征点的位置，dim表示CNN编码器最后两层残差卷积模块经过维度映射后的维度。
[0016]作为优选，所述脑血管分割方法还包括对步骤1至步骤6进行TOF
‑
MRA影像分割的训练方法，具体包括：
[0017]步骤7、获取多中心、多台设备拍摄的TOF
‑
MRA影像，并对TOF
‑
MRA影像进行预分割处理，建立用于脑血管分割训练的金标准数据集；
[0018]步骤8、将步骤6中的脑血管结构和金标准数据集中对应的预分割脑血管结构分别采用符号距离函数变换得到脑血管分割符号距离场和金标准符号距离场；
[0019]步骤9、采用均方误差函数计算脑血管分割符号距离场和金标准符号距离场之间的误差损失；
[0020]通过构建金标准数据库缓解现有脑血管分割方法泛化能力差、鲁棒性低的问题；并通过建立脑血管在3D空间中的符号距离场，通过计算脑血管分割符号距离场与金标准符号距离场之间代价函数进一步提升从TOF
‑
MRA影像中分割脑血管的鲁棒性。
[0021]作为优选，所述步骤7中的预分割处理具体包括：
[0022]步骤701、采用局部阈值法对TOF
‑
MRA影像进行强度值归一化和颅骨去除，分割出大动脉血管标签后删除错误分割体素块；
[0023]步骤702、将步骤701生成的大动脉血管标签经过步骤1至步骤6进行二次分割，删除错误分割体素块；并判断分割的脑血管体素块是否达到0.3mm，若是，则进入步骤703，否则，则返回步骤701；
[0024]步骤703、将702生成的脑血管结构中标记处0.3mm以上的脑血管，并对断裂的脑血管进行精细化勾画，建立金标准数据集。
[0025]作为优选，所述脑血管分割方法还包括基于脑血管结构的表面建模方法，具体包括：步骤6得到的脑血管结构为初步表示了脑血管体素在三维空间的位置信息，采用marching cubes算法将脑血管结构进行体素渲染生成脑血管表面网格数据，并进行表面平滑处理得到用于辅助计算脑血管形态学参数的脑血管平滑表面网格。
[0026]用于实现所述多中心TOF
‑
MRA影像的脑血管分割方法的神经网络分割模型，包括：
[0027]CNN编码器：有四层残差卷积模块组成，每一层残差卷积模块包括两组残差卷积组，每组残差卷积组包括一个3
×3×
3的卷积层、一个归一化层和一个ReLU激活层，且每层残差卷积模块接有用以将脑血管特征图分辨率降低一半的池化层；
[0028]维度映射层：用于将CNN编码器最后两层残差卷积模块的脑血管特征图进行维度映射形成两个一维的特征向量；并将两个一维的特征向量拼接成一个富含体素信息的一维
特征向量；
[0029]位置编码器：用于对脑血管特征图进行位置编码，恢复脑血管特征的空间结构；
[0030]Transformer神经网络，用于通过Transformer注意力机制提升对不同空间位置脑血管的长远距离依赖特征的抽取；
[0031]重塑层：用于将Transformer神经网络中提取得到脑血管的长远距离依赖特征向量按照维度映射层映射前的维度按序拆分成两个特征向量，并经过上采样后重塑得到长远距离特征图；
[0032]CNN解码器：用于恢复脑血管特征的分辨率，所述CNN解码器包括四层残差卷积模块，所述CNN解码器的最后一层残差卷积模块包括两组残差卷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多中心TOF
‑
MRA影像的脑血管分割方法，其特征在于，包括：步骤1、采用由四层残差卷积模块组成的CNN编码器从TOF
‑
MRA影像中提取脑血管特征图；步骤2、通过对CNN编码器最后两层残差卷积模块提取的脑血管特征图进行维度映射；并对维度映射后的脑血管特征图进行拉伸，形成两个一维的特征向量；接着将两个一维的特征向量拼接成一个富含体素信息的一维特征向量；步骤3、通过对CNN编码器最后两层残差卷积模块提取的脑血管特征图进行位置编码，以恢复脑血管特征图的空间位置信息；步骤4、将位置编码与一维特征向量逐像素相加后输入Transformer神经网络中，提取得到脑血管的长远距离依赖特征向量；步骤5、将长远距离特征向量进行拆分、上采样、重塑操作后得到长远距离特征图；步骤6、设置CNN解码器，所述CNN解码器中设置4层与CNN编码器相似的残差卷积层，CNN解码器对长远距离特征图处理得到脑血管结构。2.根据权利要求1所述的基于多中心TOF
‑
MRA影像的脑血管分割方法，其特征在于，所述步骤3中对脑血管特征图进行位置编码的公式表示为：式中，pos表示脑血管特征图中特征点的位置，dim表示CNN编码器最后两层残差卷积模块经过维度映射后的维度。3.根据权利要求1所述的基于多中心TOF
‑
MRA影像的脑血管分割方法，其特征在于，所述脑血管分割方法还包括对步骤1至步骤6进行TOF
‑
MRA影像分割的训练方法，具体包括：步骤7、获取多中心、多台设备拍摄的TOF
‑
MRA影像，并对TOF
‑
MRA影像进行预分割处理，建立用于脑血管分割训练的金标准数据集；步骤8、将步骤6中的脑血管结构和金标准数据集中对应的预分割脑血管结构分别采用符号距离函数变换得到脑血管分割符号距离场和金标准符号距离场；步骤9、采用均方误差函数计算脑血管分割符号距离场和金标准符号距离场之间的误差损失。4.根据权利要求3所述的基于多中心TOF
‑
MRA影像的脑血管分割方法，其特征在于，所述步骤7中的预分割处理具体包括：步骤701、采用局部阈值法对TOF
‑
MRA影像进行强...

【专利技术属性】
技术研发人员：牟磊，赵一天，张炯，马韶东，岳星宇，
申请(专利权)人：中国科学院宁波材料技术与工程研究所，
类型：发明
国别省市：