一种基于深度学习模型的血管分割方法及装置制造方法及图纸

本发明专利技术提供一种基于深度学习模型的血管分割方法及装置，该方法包括：对医学影像进行图像变换，得到变换影像；以所述变换影像为样本，以所述医学影像为标签，形成预训练样本；根据所述预训练样本对深度学习模型进行预训练；利用正式训练样本对所述深度学习模型进行二次训练，得到血管分割模型；将待分割医学影像输入所述血管分割模型，得到分割后的血管影像。本发明专利技术通过图像变换生成预训练样本，对深度学习模型进行预训练，预训练过程无需对医学影像样本进行人工标注，降低了模型训练成本；通过标注了血管/非血管标签的正式训练样本在预训练的基础上对深度学习模型进行二次训练，使得模型能够进一步识别出血管结构，提升了血管分割精度。管分割精度。管分割精度。

【技术实现步骤摘要】
一种基于深度学习模型的血管分割方法及装置


[0001]本专利技术涉及图像处理
，尤其涉及一种基于深度学习模型的血管分割方法及装置。

技术介绍

[0002]血管分割是指将医学影像中的血管像素点标注出来，为患者的后续诊断/治疗过程提供重要的信息支持，基于深度学习模型的血管分割能够极大地节省医生的时间，提升医生的工作效率。
[0003]现有技术中基于深度学习的血管分割方法通过对医学影像进行人工标注，并利用标注样本训练深度学习模型。然而，对三维的医学影像进行人工标注是一件极其耗时的事情，并且需要专业的人员进行标注，即三维的医学影像的标注样本具有稀缺性，标注样本数据量较少也导致了训练完成后的血管分割模型对血管的识别准确度不高。

技术实现思路

[0004]本专利技术提供一种基于深度学习模型的血管分割方法及装置，用以解决或至少部分解决现有技术中医学影像标注样本稀缺，血管分割模型对血管的识别准确度不高的缺陷。
[0005]本专利技术提供一种基于深度学习模型的血管分割方法，包括：
[0006]对医学影像进行图像变换，得到变换影像；
[0007]以所述变换影像为样本，以所述医学影像为标签，形成预训练样本；
[0008]根据所述预训练样本对深度学习模型进行预训练；
[0009]利用正式训练样本对所述深度学习模型进行二次训练，得到血管分割模型；
[0010]将待分割医学影像输入所述血管分割模型，得到分割后的血管影像。
[0011]根据本专利技术提供的一种基于深度学习模型的血管分割方法，所述图像变换至少包括以下之一：线性强度变换、局部像素重组、强度反转、外向填充、内向填充。
[0012]根据本专利技术提供的一种基于深度学习模型的血管分割方法，所述线性强度变换，按照如下公式实现：
[0013]f(x)＝kx+b；
[0014]其中，x代表某一位置像素点的强度，f(x)表示该像素点进行线性强度变换后的强度值，k为正整数，b为固定常量。
[0015]根据本专利技术提供的一种基于深度学习模型的血管分割方法，所述局部像素重组，按照如下公式实现：
[0016][0017]其中，x代表ω中任意一个像素点的位置，L(x)表示该点进行像素重组后的目标位置，Ran表示在ω范围内随机变换，使用Ω代表一张医学影像的整体区域，ω表示Ω的一个子区域(ω∈Ω)。
[0018]根据本专利技术提供的一种基于深度学习模型的血管分割方法，所述强度反转，按照
如下公式实现：
[0019]p(x)＝Max(I)
‑
x+Min(I)；
[0020]其中，x代表图像I中某一像素点强度，p(x)代表该点强度反转后的强度值，Max(I)表示图像I中最高强度值，Min(I)表示图像I中最低强度值。
[0021]根据本专利技术提供的一种基于深度学习模型的血管分割方法，所述深度学习模型具体为包含注意力机制的U
‑
net网络模型。
[0022]根据本专利技术提供的一种基于深度学习模型的血管分割方法，所述包含注意力机制的U
‑
net网络模型包含依次连接的第一数量的下采样层，第二数量的卷积层，第一数量的上采样层；每一层级的下采样层通过跳接结构连接至同层级的上采样层，每一跳接结构上还设置有注意力模块。
[0023]根据本专利技术提供的一种基于深度学习模型的血管分割方法，所述将待分割医学影像输入所述血管分割模型之前，还包括：
[0024]至少采用以下方式之一对所述待分割医学影像进行数据增强：灰度尺度缩放、旋转、反转、平移。
[0025]本专利技术还提供一种基于深度学习模型的血管分割装置，包括：
[0026]变换模块，用于对医学影像进行图像变换，得到变换影像；
[0027]样本模块，用于以所述变换影像为样本，以所述医学影像为标签，形成预训练样本；
[0028]预训练模块，用于根据所述预训练样本对深度学习模型进行预训练；
[0029]训练模块，用于利用正式训练样本对深度学习模型进行二次训练，得到血管分割模型；
[0030]分割模块，用于将待分割图像输入所述血管分割模型，得到分割后的血管影像。
[0031]本专利技术还提供一种医学影像分割模型训练方法，包括：
[0032]对医学影像进行图像变换，得到变换影像；
[0033]以所述变换影像为样本，以所述医学影像为标签，形成预训练样本；
[0034]根据所述预训练样本对深度学习模型进行预训练；
[0035]利用正式训练样本对所述深度学习模型进行二次训练，得到医学影像分割模型。
[0036]本专利技术提供的基于深度学习模型的血管分割方法及装置，通过图像变换生成预训练样本，对深度学习模型进行预训练，使得模型学习到目标部位的生物组织结构特征、像素特征，具备良好的迁移学习基础，且该预训练过程无需对医学影像样本进行人工标注，降低了模型训练成本；通过标注了血管/非血管标签的正式训练样本在预训练的基础上对深度学习模型进行二次训练，使得模型能够进一步识别出血管结构，提升了血管分割精度。
附图说明
[0037]为了更清楚地说明本专利技术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。
[0038]图1是本专利技术提供的基于深度学习模型的血管分割方法的流程示意图；
[0039]图2是本专利技术提供的包含注意力机制的U
‑
net网络模型的结构示意图；
[0040]图3是本专利技术提供的基于深度学习模型的血管分割装置的结构示意图；
[0041]图4是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0042]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术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。
[0043]下面结合图1
‑
图4描述本专利技术的基于深度学习模型的血管分割方法及装置。
[0044]图1本专利技术提供的基于深度学习模型的血管分割方法的流程示意图，如图1所示，该方法包括：
[0045]S11、对医学影像进行图像变换，得到变换影像；
[0046]S12、以所述变换影像为样本，以所述医学影像为标签，形成预训练样本；
[0047]S13、根据所述预训练样本对深度学习模型进行预训练；
[0048]S14、利用正式训练样本对所述深度学习模型进行二次训练，得到血管分割模型；
[0049]S15、将待分割医学影像输入所述血管分割模型，得到分割后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习模型的血管分割方法，其特征在于，包括：对医学影像进行图像变换，得到变换影像；以所述变换影像为样本，以所述医学影像为标签，形成预训练样本；根据所述预训练样本对深度学习模型进行预训练；利用正式训练样本对所述深度学习模型进行二次训练，得到血管分割模型；将待分割医学影像输入所述血管分割模型，得到分割后的血管影像。2.根据权利要求1所述的基于深度学习的血管分割方法，其特征在于，所述图像变换至少包括以下之一：线性强度变换、局部像素重组、强度反转、外向填充、内向填充。3.根据权利要求2所述的基于深度学习的血管分割方法，其特征在于，所述线性强度变换，按照如下公式实现：f(x)＝kx+b；其中，x代表某一位置像素点的强度，f(x)表示该像素点进行线性强度变换后的强度值，k为正整数，b为固定常量。4.根据权利要求2所述的基于深度学习的血管分割方法，其特征在于，所述局部像素重组，按照如下公式实现：其中，x代表ω中任意一个像素点的位置，L(x)表示该点进行像素重组后的目标位置，Ran表示在ω范围内随机变换，使用Ω代表一张医学影像的整体区域，ω表示Ω的一个子区域(ω∈Ω)。5.根据权利要求2所述的基于深度学习的血管分割方法，其特征在于，所述强度反转，按照如下公式实现：p(x)＝Max(I)
‑
x+Min(I)；其中，x代表图像I中某一像素点强度，p(x)代表该点强度反转后的强度值，Max(I)表示图像I中最高强度值，Min(I)表示图像I中最低强度值。6.根据权利要求1...

【专利技术属性】
技术研发人员：苏紫昱，刘文博，旷雅唯，
申请(专利权)人：华科精准北京医疗科技有限公司，
类型：发明
国别省市：