CN109472807A - 基于深度神经网络的血管模型提取方法 - Google Patents
基于深度神经网络的血管模型提取方法 Download PDFInfo
- Publication number
- CN109472807A CN109472807A CN201811454839.7A CN201811454839A CN109472807A CN 109472807 A CN109472807 A CN 109472807A CN 201811454839 A CN201811454839 A CN 201811454839A CN 109472807 A CN109472807 A CN 109472807A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- neural network
- data
- deep neural
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于深度神经网络的血管模型提取方法,包括:步骤1:血管数据增强,通过T_Frangi算法,依据空间尺度理论,从而将血管数据进行增强;步骤2:候选数据保留;步骤3:血管连通区域特征计算;步骤4:深度神经网络训练,将血管特征组成的元组作为输入来训练神经网络,从而获得血管提取模型。本发明所述的基于深度神经网络的血管模型提取方法,在深度增强后的血管候选区域上,利用血管连通性,构建每个连通区域的五元特征组,训练神经网络模型,从而对血管进行提取,该方法无需对整个体数据进行训练,只需考虑候选血管连通区域部分的计算,能有效去除孤立点,提取精确度高,具有较大的灵活性。
Description
技术领域
本发明涉及医学图像处理技术领域,特别涉及一种基于深度神经网络的血管模型提取方法。
背景技术
血管提取是许多医学成像应用的基石,如急性缺血性脑中风,血管提取对于血管闭塞的量化以及侧支流的评估等非常重要;而冠状动脉粥样硬化的诊断,血管提取是管腔狭窄检测必不可少的步骤。
血管提取算法一般可以分为两类:一类是活动轮廓模型,如测地线活动轮廓模型等。由于血管边缘处的灰度值与周边组织的灰度值相近,利用边界梯度和区域信息难以精确分割出血管;而且活动轮廓模型需要依据数据的不同进行参数的调整,运行时间长,临床应用有限,第二类是统计模型,如随机概率模型等,由于血管在整个大脑中所占比例比较小,尤其是细小血管几乎与背景融为一体,而且统计模型最终是对整个体数据寻找一个最优阈值,因而基于统计信息的模型很难提取出较小的血管。
例如,中国发明专利申请号为CN200910248901.1专利申请文献公开了一种基于超声回波的血管实时二维动态信息提取方法,其特征在于包括以下步骤:在超声二维图像上形成,显示血管指示光标;在血管指示光标的控制下,对血管原始数字射频回波数据进行血管直径信息提取,得到血管直径数据和血管直径的变化数据,直径信息的表示单位是采样点个数;根据血管指示光标及上述血管直径信息确定血管的实际直径和波动大小;根据上述血管直径和血管直径的变化信息,结合其他现有信息即心电信息、血流频谱图,进一步计算血流量、血管波动范围和特征点,以及血流直径环图,得到血管实时二维动态信息。
一般的二维提取很难考虑到血管的三维特性,而三维提取运行效率不高,且提取结果中存在不同程度的孤立点或非血管区域。
鉴于现有技术中存在的如上的技术问题,本发明提出一种基于深度神经网络的血管模型提取方法。
发明内容
本发明提供一种基于深度神经网络的血管模型提取方法,在深度增强后的血管候选区域上,利用血管连通性,构建每个连通区域的五元特征组,训练神经网络模型,从而对血管进行提取,该方法无需对整个体数据进行训练,只需考虑候选血管连通区域部分的计算,能有效去除孤立点,提取精确度高,具有较大的灵活性。
为达到上述目的,本发明采用以下技术方案:
一种基于深度神经网络的血管模型提取方法,包括如下步骤:
步骤1:血管数据增强,通过T_Frangi算法,依据空间尺度理论,从而将血管数据进行增强;
步骤2:候选数据保留,计算不同响应值下保留的候选数据占原始血管数据的比例;同时依据血管容量在组织中的容积比,选择大于且接近容积比的响应值进行候选数据的保留;
步骤3:血管连通区域特征计算,根据血管连通性,对每个连通区域的特征进行计算提取,同时对每个连通区域标记为血管区域或非血管区域;
步骤4:深度神经网络训练,将血管特征组成的元组作为输入来训练神经网络,从而获得血管提取模型。
进一步地,T_Frangi算法为:
其中,用来区分盘状结构和管状结构,用来表征球状结构,用来表征图像背景,λ1,λ2,λ3为Hessian矩阵的三个特征值,描述了血管局部曲率的方向,特征值的绝对值最小的特征向量对应着最小曲率的方向,即沿着血管的主方向,参数α,β,γ分别是用来控制RA,RB,S的敏感度,其中α,β的取值范围为0~1,γ的通常取图像最大灰度值的一半,σ为尺度因子,取值范围为1~10,p为血管数据中的某个体素,Vσ(p)表示在尺度σ下体素p属于血管区域的响应值。
进一步地,步骤3中对每个连通区域的特征进行提取,包括计算每个连通区域的体素数、平均增强值、密度值和梯度值,同时标记每个连通区域为血管区域或非血管区域,由此构成五元特征组。
进一步地,步骤4中将五元特征组输入神经网络进行训练,以获取血管提取模型,其中,训练步骤如下:
步骤4.1:定义神经网络的结构和前向传播过程;
步骤4.2:定义损失函数以及选择后向传播的算法;
步骤4.3:生成会话,并且在训练数据上反复执行反向传播优化算法。
与现有技术相比,本发明的优越效果在于:
1.本发明所述的基于深度神经网络的血管模型提取方法,采用T_frangi增强算法,削弱了非血管组织响应的同时使血管区域得到了进一步的增强。
2.本发明所述的基于深度神经网络的血管模型提取方法,将血管数据压缩至小数据量,无需对血管数据中每个像素进行训练,简单易行,准确度高。
3.本发明所述的基于深度神经网络的血管模型提取方法,只需考虑候选血管连通区域部分的计算,能有效去除孤立点,具有较大的灵活性。提取结果用于血管形态及拓扑结构研究、计算机辅助诊疗等相关领域,应用范围广泛。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面针对具体实施方式对本发明进行进一步的详细描述。
为达到上述目的,本发明采用以下技术方案:
一种基于深度神经网络的血管模型提取方法包括如下步骤:
步骤1:血管数据增强,通过T_Frangi算法,依据空间尺度理论,当尺度因子与血管实际宽度匹配时,血管结构的响应值最大,从而将血管数据进行增强;
步骤2:候选数据保留,计算不同响应值下保留的候选数据占原始血管数据的比例,同时依据血管容量在组织中的容积比,选择大于且接近容积比的响应值进行候选数据的保留;
步骤3:连通区域特征计算,根据血管连通性,对每个连通区域的特征进行提取,包括计算每个连通区域的体素点数、平均增强值、密度值、梯度值,同时标记每个连通区域为血管区域或非血管区域,由此构成每个连通区域的五元特征向量。
步骤4:深度神经网络训练,将血管特征组成的五元组作为输入来训练神经网络,以获取血管提取模型。
在本实施例的步骤1中,T_Frangi算法为:
其中,用来区分盘状结构和管状结构,用来表征球状结构,用来表征图像背景,λ1,λ2,λ3为Hessian矩阵的三个特征值,描述了血管局部曲率的方向,特征值的绝对值最小的特征向量对应着最小曲率的方向,也就是沿着血管的主方向,参数α,β,γ分别是用来控制RA,RB,S的敏感度,其中α,β的取值范围为0~1,γ的通常取图像最大灰度值的一半,σ为尺度因子,取值在1~10之间,p为血管数据中某个体素,Vσ(p)表体素p在尺度σ下的响应值。
在本实施例的步骤2中,因增强后的血管响应值很小,为了计算方便,将增强后血管数据值采用的方式映射至0~255之间,其中I为增强后血管数据中体素的响应值,pmax,pmin分别为增强后血管数据中体素的最大和最小响应值,然后计算取不同的响应值时,所保留的候选区域占整个血管数据的体积比;同时依据血管容量占组织的容积比,如脑血管容量占大脑组织的5%左右,取大于且最近接5%的响应值,保留候选数据。
在本实施例的步骤3中,根据血管连通性,对血管候选区域进行26邻域的遍历,统计每个连通区域的体素数Ni,i表示第i个连通区,同时计算每个连通区域的平均增强值其中Ij为增强后血管数据中体素j的响应值,pmax,pmin分别为增强后血管数据中体素的最大和最小响应值;原始血管数据中的密度值其中Vj表示第i个连通区中体素j的密度值;以及梯度值其中gj表示表示第i个连通区中体素j的梯度值;同时标记每个连通区属于血管区域还是非血管区域,血管区域标注为1,非血管区域标注为0,由此5个特征(Ni,Fi,Mi,Gi,0/1)构成五元特征向量。
在本实施例的步骤4中,将上述计算得到的五元特征组作为输入,通过以下三个基本步骤训练神经网络:
(1)定义神经网络的结构和前向传播过程,在本实施例中,神经网络采用两个隐藏层,每个隐藏层通过10个节点的方式进行构建;前向传播构成采用矩阵相乘的方法来实现;
(2)定义损失函数以及选择反向传播的算法,采用交叉熵作为损失函数,反向传播算法采用梯度下降法;
(3)生成会话,并且在训练数据上反复执行反向传播优化算法。
通过上述神经网络的训练,从而获得血管提取模型。
本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书界定。
Claims (4)
1.基于深度神经网络的血管模型提取方法,其特征在于,包括如下步骤:
步骤1:血管数据增强,通过T_Frangi算法,依据空间尺度理论,从而将血管数据进行增强;
步骤2:候选数据保留,计算不同响应值下保留的候选数据占原始血管数据的比例,同时依据血管容量在组织中的容积比,选择大于且接近容积比的响应值进行候选数据的保留;
步骤3:血管连通区域特征计算,根据血管连通性,对每个连通区域的特征进行计算提取,同时对每个连通区域标记为血管区域或非血管区域;
步骤4:深度神经网络训练,将血管特征组成的元组作为输入来训练神经网络,从而获得血管提取模型。
2.根据权利要求1所述的基于深度神经网络的血管模型提取方法,其特征在于,T_Frangi算法为:
其中,用来区分盘状结构和管状结构,用来表征球状结构,用来表征图像背景,λ1,λ2,λ3为Hessian矩阵的三个特征值,描述了血管局部曲率的方向,特征值的绝对值最小的特征向量对应着最小曲率的方向,即沿着血管的主方向,参数α,β,γ分别是用来控制RA,RB,S的敏感度,其中α,β的取值范围为0~1,γ的通常取图像最大灰度值的一半,σ为尺度因子,取值范围为1~10,p为体数据中的某个体素,Vσ(p)表示在尺度σ下体素p属于血管区域的响应值。
3.根据权利要求1所述的基于深度神经网络的血管模型提取方法,其特征在于,步骤3中对每个连通区域的特征进行提取,包括计算每个连通区域的体素数、平均增强值、密度值和梯度值,同时标记每个连通区域为血管区域或非血管区域,由此构成五元特征组。
4.根据权利要求1所述的基于深度神经网络的血管模型提取方法,其特征在于,步骤4中将五元特征组输入神经网络进行训练,以获取血管提取模型,其中,训练步骤如下:
步骤4.1:定义神经网络的结构和前向传播过程;
步骤4.2:定义损失函数以及选择后向传播的算法;
步骤4.3:生成会话,并且在训练数据上反复执行反向传播优化算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811454839.7A CN109472807B (zh) | 2018-11-30 | 2018-11-30 | 基于深度神经网络的血管模型提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811454839.7A CN109472807B (zh) | 2018-11-30 | 2018-11-30 | 基于深度神经网络的血管模型提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109472807A true CN109472807A (zh) | 2019-03-15 |
CN109472807B CN109472807B (zh) | 2021-11-26 |
Family
ID=65674619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811454839.7A Active CN109472807B (zh) | 2018-11-30 | 2018-11-30 | 基于深度神经网络的血管模型提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109472807B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062963A (zh) * | 2019-12-16 | 2020-04-24 | 上海联影医疗科技有限公司 | 一种血管提取方法、系统、设备及存储介质 |
CN111524122A (zh) * | 2020-04-22 | 2020-08-11 | 中国科学院重庆绿色智能技术研究院 | 一种基于特征工程的纱布浸血量估算模型构建方法 |
CN116645349A (zh) * | 2023-05-29 | 2023-08-25 | 沈阳工业大学 | 一种提高血管三维显示效果的图像处理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070165921A1 (en) * | 2006-01-17 | 2007-07-19 | Gad Agam | Method for enhancing diagnostic images using vessel reconstruction |
US20170265754A1 (en) * | 2013-10-17 | 2017-09-21 | Siemens Healthcare Gmbh | Method and system for machine learning based assessment of fractional flow reserve |
CN108492300A (zh) * | 2018-03-16 | 2018-09-04 | 上海理工大学 | 管状结构增强与能量函数结合的肺部血管树分割方法 |
CN108765385A (zh) * | 2018-05-14 | 2018-11-06 | 广东药科大学 | 一种双源ct冠状动脉自动提取方法 |
-
2018
- 2018-11-30 CN CN201811454839.7A patent/CN109472807B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070165921A1 (en) * | 2006-01-17 | 2007-07-19 | Gad Agam | Method for enhancing diagnostic images using vessel reconstruction |
US20170265754A1 (en) * | 2013-10-17 | 2017-09-21 | Siemens Healthcare Gmbh | Method and system for machine learning based assessment of fractional flow reserve |
CN108492300A (zh) * | 2018-03-16 | 2018-09-04 | 上海理工大学 | 管状结构增强与能量函数结合的肺部血管树分割方法 |
CN108765385A (zh) * | 2018-05-14 | 2018-11-06 | 广东药科大学 | 一种双源ct冠状动脉自动提取方法 |
Non-Patent Citations (1)
Title |
---|
SHIFENG ZHAO ET AL.: "A Multi-scale Method for Extraction of Cerebral Blood Vessles", 《PROCEEDINGS OF THE 2010 IEEE INTERNATIONAL CONFERENCE ON PROGRESS IN INFORMATICS AND COMPUTING》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062963A (zh) * | 2019-12-16 | 2020-04-24 | 上海联影医疗科技有限公司 | 一种血管提取方法、系统、设备及存储介质 |
CN111062963B (zh) * | 2019-12-16 | 2024-03-26 | 上海联影医疗科技股份有限公司 | 一种血管提取方法、系统、设备及存储介质 |
CN111524122A (zh) * | 2020-04-22 | 2020-08-11 | 中国科学院重庆绿色智能技术研究院 | 一种基于特征工程的纱布浸血量估算模型构建方法 |
CN111524122B (zh) * | 2020-04-22 | 2021-06-08 | 中国科学院重庆绿色智能技术研究院 | 一种基于特征工程的纱布浸血量估算模型构建方法 |
CN116645349A (zh) * | 2023-05-29 | 2023-08-25 | 沈阳工业大学 | 一种提高血管三维显示效果的图像处理方法及系统 |
CN116645349B (zh) * | 2023-05-29 | 2024-03-19 | 沈阳工业大学 | 一种提高血管三维显示效果的图像处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109472807B (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111192245B (zh) | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 | |
CN107563983B (zh) | 图像处理方法以及医学成像设备 | |
Luo et al. | Multi-views fusion CNN for left ventricular volumes estimation on cardiac MR images | |
CN107230206B (zh) | 一种基于多模态数据的超体素序列肺部图像的3d肺结节分割方法 | |
WO2020001217A1 (zh) | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 | |
CN105741251B (zh) | 一种肝脏cta序列图像的血管分割方法 | |
Yu et al. | Liver vessels segmentation based on 3d residual U-NET | |
CN107146228B (zh) | 一种基于先验知识的大脑磁共振图像超体素生成方法 | |
CN109472807A (zh) | 基于深度神经网络的血管模型提取方法 | |
CN109215033A (zh) | 图像分割的方法及系统 | |
CN109727253A (zh) | 基于深度卷积神经网络自动分割肺结节的辅助检测方法 | |
CN109034221A (zh) | 一种宫颈细胞学图像特征的处理方法及其装置 | |
CN107633522A (zh) | 基于局部相似性活动轮廓模型的脑部图像分割方法和系统 | |
CN105913432A (zh) | 基于ct序列图像的主动脉提取方法及装置 | |
JPWO2006132194A1 (ja) | 情報処理装置及び情報処理方法、画像処理装置及び画像処理方法、並びにコンピュータ・プログラム | |
CN107248155A (zh) | 一种基于swi图像的脑静脉血管分割方法 | |
CN107424145A (zh) | 基于三维全卷积神经网络的核磁共振图像的分割方法 | |
CN103035009A (zh) | 一种基于ct影像的肺结节边缘重建与分割方法 | |
Liu et al. | Brain tumor segmention based on dilated convolution refine networks | |
CN105389821B (zh) | 一种基于云模型和图割相结合的医学图像分割方法 | |
CN111161278A (zh) | 一种基于深层网络聚合的眼底图像病灶分割方法 | |
Feng et al. | Convolutional neural network‐based pelvic floor structure segmentation using magnetic resonance imaging in pelvic organ prolapse | |
WO2021017168A1 (zh) | 图像分割方法、装置、设备及存储介质 | |
Yan et al. | Improved mask R-CNN for lung nodule segmentation | |
Ma et al. | MHSU-Net: A more versatile neural network for medical image segmentation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |