基于可控生成扩散模型的脑血管三维图像生成方法及系统技术方案

本发明专利技术属于网络数据处理及数字信息的传输技术领域，尤其涉及基于可控生成扩散模型的脑血管三维图像生成方法及系统，其包括图像裁切处理、生成模型训练、控制分支训练、控制图像生成，本发明专利技术解决现有技术存在由于医学图像的隐私性，大量图像数据的获取也是十分困难，从而很难获取到大量的图像标注，而且由于图像标注成本过高，进而影响监督深度学习的血管分割的分割效果的问题，具有获取大量的图像

【技术实现步骤摘要】
基于可控生成扩散模型的脑血管三维图像生成方法及系统


[0001]本专利技术属于网络数据处理及数字信息的传输
，尤其涉及基于可控生成扩散模型的脑血管三维图像生成方法及系统。

技术介绍

[0002]脑血管疾病一直以来都是威胁人类健康最主要的疾病之一，近几十年来，随着人们生活水平的提高，更多的疾病诱因逐渐加剧社会对于脑血管疾病治疗的负担，尤其是在发展中国家；根据全球疾病负担研究数据，卒中已经是我国成人致死致残的首位病因，我国卒中的发病率虽然在逐年下降，但患病率整体呈上升趋势，且缺血性卒中的发病率高于出血性卒中的发病率，占比约60％
‑
70％；症状性颅内动脉粥样硬化是缺血性脑卒中的主要病因之一，尤其是在中国、韩国等亚洲国家和亚裔人群中所占比例更高；目前没有充分的研究证明对于颅内动脉粥样硬化的介入治疗相较于药物治疗具有更好的效果，并且颅内动脉的介入治疗具有一定的风险性；因此，准确有效地评估患者的动脉狭窄程度和风险对于医生判断是否进行手术干预具有非常重要的临床意义；
[0003]随着医学图像技术的发展，不同的脑血管成像方式也逐渐被医生所采用，其中三维数字减影血管造影具有分辨率高、三维显影的优势，可以大幅度降低骨骼和周围组织的干扰，是临床中分析脑血管狭窄的重要图像手段；然而，想要进行定量血流分析等下游任务需要将血管从三维图像中精准分割出来；目前的主流方法是使用有监督的深度学习方法来实现，这种方法需要大量有标注的数据，而三维数据尤其是血管数据的标注耗时大、难度高，难以获取大量的标注数据进行训练；因此，通过大量生成三维医学图像及其标注的方法可以显著降低标注图像获取成本；
[0004]现有技术存在由于医学图像的隐私性，大量图像数据的获取也是十分困难，从而很难获取到大量的图像标注，而且由于图像标注成本过高，进而影响监督深度学习的血管分割的分割效果的问题。

技术实现思路

[0005]本专利技术提供基于可控生成扩散模型的脑血管三维图像生成方法及系统，以解决上述
技术介绍
中存在的现有技术存在由于医学图像的隐私性，大量图像数据的获取也是十分困难，从而很难获取到大量的图像标注，而且由于图像标注成本过高，进而影响监督深度学习的血管分割的分割效果的问题；
[0006]本专利技术所解决的技术问题采用以下技术方案来实现：基于可控生成扩散模型的脑血管三维图像生成方法，包括：
[0007]图像裁切处理：基于血管原始三维图像，通过粗外分割处理或人工标注处理，生成相应的血管粗分割图或人工标注图，基于血管粗分割图或人工标注图，通过图像骨架化处理，生成血管中心线图，基于血管中心线图，通过精内裁切处理，生成血管中心点图像块图，并编码血管中心点图像块图；
[0008]生成模型训练：基于编码的血管中心点图像块图，通过自编码器训练，生成潜在空间的潜变量自编码器网络，基于冻结的潜变量自编码器网络，通过噪声估计训练，生成潜在空间的噪声估计网络，并由潜变量自编码器网络和噪声估计网络组成图像生成模型；
[0009]控制分支训练：基于编码的血管中心点图像块图，根据冻结的图像生成模型，通过控制分支训练，生成控制分支模型，并将其连接至图像生成模型，形成可控图像生成模型；
[0010]控制图像生成：基于随机三维形变场，获得二值血管分割图，基于二值血管分割图，根据可控图像生成模型，通过逐步迭代的采样处理，生成三维血管图像。
[0011]进一步：
[0012]所述粗外分割处理包括：
[0013]基于无标注的血管原始三维图像，根据管状滤波器和区域生长的方法，通过血管概率估算函数，提取血管粗分割图；
[0014]所述精内裁切处理包括：
[0015]基于骨架化处理后的血管中心线图，以血管中心线的随机坐标点为中心，裁切相应大小的图像块。
[0016]进一步：
[0017]所述血管概率估算函数为：
[0018][0019]所述λ
d
为一个D维图像在x＝[x1,
…
,x
D
]T
，s尺度下I(x)对应的Hessian矩阵H
ij
(x,s)的特征值；
[0020]所述i,j分别为Hessian矩阵的行和列；
[0021]所述d为特征值按照绝对值从小到大的编号；
[0022]所述S
I
为三个特征值的平方和之平方根，代表图像的结构信息；
[0023]所述R
A
为第二与第三特征值之比值，用于区分管状结构与平板结构；
[0024]所述α为调节R
A
占血管概率估算函数v之权重的参数；
[0025]所述k为调节S占血管概率估算函数v之权重的参数；
[0026]所述e为自然数。
[0027]进一步：
[0028]所述图像裁切处理还包括：
[0029]血管中心点图像块编码：基于血管中心点图像块图在血管原始三维图像上的相对位置，根据增加Z轴位置的权重并保持X和Y轴位置相同的权重的编码规则，通过位置编码函数，生成相应编码的血管中心点图像块图。
[0030]进一步：
[0031]所述位置编码函数为：
[0032][0033]所述μ1、μ2、μ3分别为调节x、y、z三个维度编码值占总编码值比例的权重；
[0034]所述x、y、z为图像裁切时中心点坐标x＝[x1,x2,x3]T
在图像整体中的相对坐标；
[0035]所述X、Y、Z分别为图像在三个维度的大小。
[0036]进一步：
[0037]所述生成模型训练包括：
[0038]所述自编码器训练包括：
[0039]基于血管原始三维图像，根据编解码操作，通过均方误差MSE函数和潜在空间编码与正态分布之间的KL散度函数，生成潜在空间的潜变量自编码器网络；
[0040]所述均方误差MSE函数为：
[0041][0042]所述n为输出三维图像所含的体素数；
[0043]所述Y
i
代表第i个体素的目标值，即输入图像在第i个体素的值；
[0044]所述代表自编码器输出的对第i个体素的预测值；
[0045]所述潜在空间编码与正态分布之间的KL散度函数为：
[0046][0047]所述p(x)为编码器编码分布；
[0048]所述q(x)为标准正态分布。
[0049]进一步：
[0050]所述生成模型训练包括：
[0051]所述噪声估计训练包括：
[0052]基于潜变量自编码器网络，通过前向扩散函数和网络预测的噪声函数，生成潜在空间的噪声估计网络；
[0053]所述前向扩散函数为：
[0054][0055]所述β
t
为随时间步t线性增长的步长参数；
[0056]所述前向扩散函数可以简化为：
[0057][0058]所述与所述前向扩散函数中的β
...

【技术保护点】

【技术特征摘要】
1.基于可控生成扩散模型的脑血管三维图像生成方法，其特征在于，包括：图像裁切处理：基于血管原始三维图像，通过粗外分割处理或人工标注处理，生成相应的血管粗分割图或人工标注图，基于血管粗分割图或人工标注图，通过图像骨架化处理，生成血管中心线图，基于血管中心线图，通过精内裁切处理，生成血管中心点图像块图，并编码血管中心点图像块图；生成模型训练：基于编码的血管中心点图像块图，通过自编码器训练，生成潜在空间的潜变量自编码器网络，基于冻结的潜变量自编码器网络，通过噪声估计训练，生成潜在空间的噪声估计网络，并由潜变量自编码器网络和噪声估计网络组成图像生成模型；控制分支训练：基于编码的血管中心点图像块图，根据冻结的图像生成模型，通过控制分支训练，生成控制分支模型，并将其连接至图像生成模型，形成可控图像生成模型；控制图像生成：基于随机三维形变场，获得二值血管分割图，基于二值血管分割图，根据可控图像生成模型，通过逐步迭代的采样处理，生成三维血管图像。2.根据权利要求1所述脑血管三维图像生成方法，其特征在于：所述粗外分割处理包括：基于无标注的血管原始三维图像，根据管状滤波器和区域生长的方法，通过血管概率估算函数，提取血管粗分割图；所述精内裁切处理包括：基于骨架化处理后的血管中心线图，以血管中心线的随机坐标点为中心，裁切相应大小的图像块。3.根据权利要求2所述脑血管三维图像生成方法，其特征在于：所述血管概率估算函数为：所述λ
d
为一个D维图像在x＝[x1,
…
,x
D
]
T
，s尺度下I(x)对应的Hessian矩阵H
ij
(x,s)的特征值；所述i,j分别为Hessian矩阵的行和列；所述d为特征值按照绝对值从小到大的编号；所述S
I
为三个特征值的平方和之平方根，代表图像的结构信息；所述R
A
为第二与第三特征值之比值，用于区分管状结构与平板结构；所述α为调节R
A
占血管概率估算函数v之权重的参数；所述k为调节S占血管概率估算函数v之权重的参数；所述e为自然数。4.根据权利要求2所述脑血管三维图像生成方法，其特征在于：所述图像裁切处理还包括：血管中心点图像块编码：基于血管中心点图像块图在血管原始三维图像上的相对位
置，根据增加Z轴位置的权重并保持X和Y轴位置相同的权重的编码规则，通过位置编码函数，生成相应编码的血管中心点图像块图；所述位置编码函数为：所述μ1、μ2、μ3分别为调节x、y、z三个维度编码值占总编码值比例的权重；所述x、y、z为图像裁切时中心点坐标x＝[x1,x2,x3]
T
在图像整体中的相对坐标；所述X、Y、Z分别为图像在三个维度的大小。5.根据权利要求1所述脑血管三维图像生成方法，其特征在于：所述生成模型训练包括：所述自编码器训练包括：基于血管原始三维图像，根据编解码操作，通过均方误差MSE函数和潜在空间编码与正态分布之间的KL散度函数，生成潜在空间的潜变量自编码器网络；所述均方误差MSE函数为：所述n为输出三维图像所含的体素数；所述Y
i
代表第i个体素的目标值，即输入图像在第i个体素的值；所述代表自编码器输出的对第i个体素的预测值；所述潜在空间编码与正态分布之间的KL散度函数为：所述p(x)为编码器编码分布；所述q(x)为标准正态分布。6.根据权利要求1所述脑血管三维图像生成方法，其特征在于：所述生成模型训练包括：所述噪声估计训练包括：...

【专利技术属性】
技术研发人员：涂圣贤，赵紫臣，陈彦凯，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：