CN110634119A - 分割磁敏感加权图像中静脉血管的方法、装置和计算设备 - Google Patents

分割磁敏感加权图像中静脉血管的方法、装置和计算设备 Download PDF

Info

Publication number
CN110634119A
CN110634119A CN201810568623.7A CN201810568623A CN110634119A CN 110634119 A CN110634119 A CN 110634119A CN 201810568623 A CN201810568623 A CN 201810568623A CN 110634119 A CN110634119 A CN 110634119A
Authority
CN
China
Prior art keywords
image block
training
brain
swi
convolution
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
Application number
CN201810568623.7A
Other languages
English (en)
Other versions
CN110634119B (zh
Inventor
张晓东
张轶群
胡庆茂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201810568623.7A priority Critical patent/CN110634119B/zh
Publication of CN110634119A publication Critical patent/CN110634119A/zh
Application granted granted Critical
Publication of CN110634119B publication Critical patent/CN110634119B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/30016—Brain
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明属于图像处理领域，提供了一种分割磁敏感加权图像中静脉血管的方法、装置和计算设备，以精确分割出磁敏感加权图像中的静脉血管。所述方法包括：对原始脑SWI中的脑部区域进行提取并标准化，得到标准化脑SWI；以标准化脑SWI中每间隔m个体素定义的任意一个采样点为中心，提取一组中心重合的第一图像块和第二图像块；输入n组第一图像块和第二图像块至已训练卷积神经网络，由已训练卷积神经网络对n组第一图像块和第二图像块中的静脉血管进行标记后得到标记了静脉血管的n组两个第三图像块；将n组两个第三图像块的静脉血管标记映射回原始脑SWI以得到静脉血管的分割结果。本发明能够精确识别出脑SWI中的静脉血管，提高了脑SWI中静脉血管分割的精度。

Description

分割磁敏感加权图像中静脉血管的方法、装置和计算设备
技术领域
本发明属于图像处理领域，尤其涉及一种分割磁敏感加权图像中静脉血管 的方法、装置和计算设备。
背景技术
急性缺血性脑卒中具有高发病率、高死亡率和高复发率。近年来，研究表 明，磁敏感加权图像(Susceptibility Weighted Image，SWI)比磁共振弥散加权 图像(DiffusionWeighted Image，DWI)对于急性脑缺血更加敏感，能够在脑 缺血脑部患侧呈现静脉低信号，从而得到越来越多的重视。利用脑缺血患者脑 部患侧与正常侧的静脉非对称性特征，可以用来进行急性脑缺血诊断、治疗规 划和预后预测。
目前多数工作是基于定性分析，而缺少定量分析手段。SWI定量分析的关 键是静脉低信号的精确分割。由有经验的专家十分专注仔细地对SWI进行逐层 手工标记静脉低信号可得到较好的分割结果。然而手工标记依赖于专家经验和 投入的精力，是一项非常耗时耗力的工作，且可重复性差。因此，SWI静脉低 信号的自动分割方法成为一个迫切需求。这也是本发明所要解决的技术问题。
SWI静脉低信号分割具有如下挑战：1)相对于脑部动脉，SWI静脉更加 细小。在狭窄区域半径只有1到2个体素；2)SWI静脉信号表观存在非常大 的差异性，使得专家标注非常困难；3)受到脑缺血发生区域和严重程度影响， SWI静脉低信号的位置和灰度高低变化多样。
针对这些挑战，现有技术通常使用浅层特征来对脑部计算机断层造影图像 (CTA)或者磁共振造影图像(MRA)中的体素进行分类，实现脑动脉血管分 割。例如，基于区域的主动轮廓方法能够同时利用灰度和形状信息，并通过水 平集迭代方式进行优化，实现血管分割。然而，这种方法由于使用的是灰度、 形状等浅层特征，因而识别能力有限，分割精度较低。
发明内容
本发明的目的在于提供一种分割磁敏感加权图像中静脉血管的方法、装置 和计算设备，以精确分割出磁敏感加权图像中的静脉血管。
本发明第一方面提供一种分割磁敏感加权图像中静脉血管的方法，所述方 法包括：
对原始脑磁敏感加权图像SWI中的脑部区域进行提取并标准化，得到标准 化脑SWI；
以所述标准化脑SWI中每间隔m个体素定义的任意一个采样点为中心， 提取一组中心重合的第一图像块和第二图像块，所述第一图像块的区域包含以 M1*M1阶矩阵排布的体素，所述第二图像块的区域包含以M2*M2阶矩阵排布 的体素，所述n、m、M1和M2为自然数，且M2>M1>m；
输入所述n组第一图像块和第二图像块至已训练卷积神经网络，由所述已 训练卷积神经网络对所述n组第一图像块和第二图像块中的静脉血管进行标记 后得到标记了静脉血管的n组两个第三图像块，所述已训练卷积神经网络通过 监督学习方式对卷积神经网络训练而成，所述第三图像块的区域包含以m*m阶 矩阵排布的体素；
将所述n组两个第三图像块的静脉血管标记映射回所述原始脑磁敏感加权 图像SWI以得到静脉血管的分割结果。
本发明第二方面提供一种分割磁敏感加权图像中静脉血管的装置，所述装 置包括：
标准化模块，用于对原始脑磁敏感加权图像SWI中的脑部区域进行提取并 标准化，得到标准化脑SWI；
图像块提取模块，用于以所述标准化脑SWI中每间隔m个体素定义的任 意一个采样点为中心，提取一组中心重合的第一图像块和第二图像块，所述第 一图像块的区域包含以M1*M1阶矩阵排布的体素，所述第二图像块的区域包含 以M2*M2阶矩阵排布的体素，所述m、M1和M2为自然数，且M2>M1>m；
标记模块，用于输入n组第一图像块和第二图像块至已训练卷积神经网络， 由所述已训练卷积神经网络对所述n组第一图像块和第二图像块中的静脉血管 进行标记后得到标记了静脉血管的n组两个第三图像块，所述已训练卷积神经 网络通过监督学习方式对卷积神经网络训练而成，所述第三图像块的区域包含 以m*m阶矩阵排布的体素，所述n为所述采样点的个数；
映射模块，用于将所述n组两个第三图像块的静脉血管标记映射回所述原 始脑磁敏感加权图像SWI以得到静脉血管的分割结果。
本发明第三方面提供一种计算设备，包括存储器、处理器以及存储在所述 存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机 程序时实现如下方法的步骤：
对原始脑磁敏感加权图像SWI中的脑部区域进行提取并标准化，得到标准 化脑SWI；
以所述标准化脑SWI中每间隔m个体素定义的任意一个采样点为中心， 提取一组中心重合的第一图像块和第二图像块，所述第一图像块的区域包含以 M1*M1阶矩阵排布的体素，所述第二图像块的区域包含以M2*M2阶矩阵排布 的体素，所述m、M1和M2为自然数，且M2>M1>m；
输入n组第一图像块和第二图像块至已训练卷积神经网络，由所述已训练 卷积神经网络对所述n组第一图像块和第二图像块中的静脉血管进行标记后得 到标记了静脉血管的n组两个第三图像块，所述已训练卷积神经网络通过监督 学习方式对卷积神经网络训练而成，所述第三图像块的区域包含以m*m阶矩阵 排布的体素，所述n为所述采样点的个数；
将所述n组两个第三图像块的静脉血管标记映射回所述原始脑磁敏感加权 图像SWI以得到静脉血管的分割结果。
本发明第四方面提供一种计算机可读存储介质，所述计算机可读存储介质 存储有计算机程序，所述计算机程序被处理器执行时实现如下方法的步骤：
对原始脑磁敏感加权图像SWI中的脑部区域进行提取并标准化，得到标准 化脑SWI；
以所述标准化脑SWI中每间隔m个体素定义的任意一个采样点为中心， 提取一组中心重合的第一图像块和第二图像块，所述第一图像块的区域包含以 M1*M1阶矩阵排布的体素，所述第二图像块的区域包含以M2*M2阶矩阵排布 的体素，所述m、M1和M2为自然数，且M2>M1>m；
输入n组第一图像块和第二图像块至已训练卷积神经网络，由所述已训练 卷积神经网络对所述n组第一图像块和第二图像块中的静脉血管进行标记后得 到标记了静脉血管的n组两个第三图像块，所述已训练卷积神经网络通过监督 学习方式对卷积神经网络训练而成，所述第三图像块的区域包含以m*m阶矩阵 排布的体素，所述n为所述采样点的个数；
将所述n组两个第三图像块的静脉血管标记映射回所述原始脑磁敏感加权 图像SWI以得到静脉血管的分割结果。
从上述本发明技术方案可知，由于已训练卷积神经网络通过监督学习方式 对卷积神经网络训练而成，因此，通过监督学习从已有数据中自动学习先验知 识并提取深度特征，从而能够精确识别出脑SWI中的静脉血管，相比于现有技 术，提高了脑SWI中静脉血管分割的精度。
附图说明
图1是本发明实施例提供的分割磁敏感加权图像中静脉血管的方法的实现 流程示意图；
图2本发明实施例提供的标准化脑SWI中体素及其采样点示意图；
图3是本发明实施例提供的卷积神经网络的结构示意图；
图4是本发明实施例提供的分割磁敏感加权图像中静脉血管的装置的结构 示意图；
图5是本发明实施例提供的计算设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图 及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施 例仅仅用以解释本发明，并不用于限定本发明。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术 之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当 清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中， 省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节 妨碍本发明的描述。
附图1是本发明实施例提供的分割磁敏感加权图像中静脉血管的方法的实 现流程示意图，主要包括以下步骤S101至S104，以下详细说明：
S101，对原始脑磁敏感加权图像SWI中的脑部区域进行提取并标准化，得 到标准化脑SWI。
在本发明实施例中，对原始脑磁敏感加权图像SWI中的脑部区域进行提 取，目的是排除颅骨和其他非脑组织的干扰；提取SWI中的脑部区域即脑部掩 膜图像属于预处理过程。具体地，对原始脑磁敏感加权图像SWI中的脑部区域 进行提取并标准化，得到标准化脑SWI包括如下是实施过程：采用阈值方法提 取原始脑SWI中灰度值小于50的所有背景体素，并提取最大连通区域；将最 大连通区域取反后，利用一个3*3*3大小的结构元素进行形态学闭操作，以恢 复阈值分割丢失的静脉体素；计算原始脑SWI中的脑部区域体素均值和标准 差，将原始脑SWI中的脑部区域的每个体素减去均值并除以标准差以得到标准 化脑SWI。
S102，以标准化脑SWI中每间隔m个体素定义的任意一个采样点为中心， 提取一组中心重合的第一图像块和第二图像块，其中，第一图像块的区域包含 以M1*M1阶矩阵排布的体素，第二图像块的区域包含以M2*M2阶矩阵排布的 体素，m、M1和M2为自然数，且M2>M1>m。
经实验验证，m＝9、M1＝25和M2＝57这样取值，对本发明而言，效果是最 优的，因此，以下以m＝9、M1＝25和M2＝57为例来说明本发明的技术方案。如 附图2所示是一幅经步骤S101得到的标准化脑SWI的示例，小白圈和小黑圈 表示标准化脑SWI的体素，其中，标号为1、2、3和4的小白圈表示采样点。 显然，这些采样点本身也是体素，且间隔9个体素。本发明的技术方案就是以 这些采样点为中心，提取一组中心重合的第一图像块和第二图像块。以M1＝25、 M2＝57以及标号为1的采样点为例，提取一组中心重合的第一图像块和第二图像块就是提取区域包含以25*25阶矩阵排布的体素的图像块以及区域包含以 57*57阶矩阵排布的体素的图像块，这两个图像块为一组，且图像块的中心重 合即都是以标号为1的采样点为中心；类似地，以M1＝25、M2＝57以及标号为2的采样点为例，提取一组中心重合的第一图像块和第二图像块就是提取区域 包含以25*25阶矩阵排布的体素的图像块以及区域包含以57*57阶矩阵排布的 体素的图像块，这两个图像块为一组，且图像块的中心重合即都是以标号为2 的采样点为中心。
S103，输入n组第一图像块和第二图像块至已训练卷积神经网络，由已训 练卷积神经网络对所述n组第一图像块和第二图像块中的静脉血管进行标记后 得到标记了静脉血管的n组两个第三图像块，其中，已训练卷积神经网络通过 监督学习方式对卷积神经网络训练而成，第三图像块的区域包含以m*m阶矩阵 排布的体素，n为采样点的个数。
显然，按照附图2的示例，有多少个采样点，就能得到多少组第一图像块 和第二图像块，因此，当有n个采样点时，按照附图2示例的方法能够得到n 组第一图像块和第二图像块。每次输入一组第一图像块和第二图像块至已训练 卷积神经网络，由已训练卷积神经网络对所述一组第一图像块和第二图像块中 的静脉血管进行标记后，每一个第一图像块能够得到标记了静脉血管的一个第 三图像块，每一个第二图像块能够标记了静脉血管的第三图像块，得到标记了 静脉血管的n组两个第三图像块。因此，当输入n组第一图像块和第二图像块 至已训练卷积神经网络时，由已训练卷积神经网络对所述n组第一图像块和第二图像块中的静脉血管进行标记后，即可得到标记了静脉血管的n组两个第三 图像块，其中，第三图像块的区域包含以m*m阶矩阵排布的体素，在m＝9时， 第三图像块的区域包含以9*9阶矩阵排布的体素。
在本发明实施例中，已训练卷积神经网络通过监督学习方式对卷积神经网 络训练而成，其可以在对原始脑SWI中的脑部区域进行提取并标准化，得到标 准化脑SWI之前完成，即，在对原始脑SWI中的脑部区域进行提取并标准化， 得到标准化脑SWI之前，还包括以下方法的步骤S1031至S1033：
S1031，从用于训练的脑SWI中提取训练图像块对以及与训练图像块对相 应的静脉分割金标准图像块，其中，训练图像块对由第一训练图像块和第二训 练图像块组成。
在本发明实施例中，所提取的训练图像块对以及与训练图像块对相应的静 脉分割金标准图像块用于训练卷积神经网络，其中，静脉分割金标准图像块是 依靠人工(一般是专家)经验对训练图像中的静脉低信号进行标记得到的图像 块，它们都是分别从用于训练的脑SWI中静脉区域和背景区域随机采集数目相 同的样本体素，并以每个样本体素为中心提取得到。需要说明的是，第一训练 图像块和第二训练图像块的大小分别与前述实施例中以标准化脑SWI中每间 隔m个体素定义的任意一个采样点为中心提取的一组中心重合的第一图像块和 第二图像块的大小相同，即，第一训练图像块的区域包含以M1*M1阶矩阵排布的体素，第二训练图像块的区域包含以M2*M2阶矩阵排布的体素，而静脉分割 金标准图像块的大小与前述实施例中第三图像块的大小相同，即，静脉分割金 标准图像块的区域包含以m*m阶矩阵排布的体素。当前述实施例中第一图像块 的区域包含的是以25*25阶矩阵排布的体素，第二图像块的区域包含的是以 57*57阶矩阵排布的体素时，相应地，第一训练图像块的区域包含以25*25阶 矩阵排布的体素，第二训练图像块的区域包含以57*57阶矩阵排布的体素；当 前述实施例中第三图像块的区域包含的是以9*9阶矩阵排布的体素，静脉分割 金标准图像块的区域包含以9*9阶矩阵排布的体素。
考虑到数据增强有助于提高卷积神经网络的性能，因此，为了增加训练用 图像数量，从用于训练的脑SWI中提取训练图像块对以及与所述训练图像块对 相应的静脉分割金标准图像块之前，还包括对所述用于训练的脑SWI分别沿着 二维坐标系的X轴和Y轴进行对称反转，而为了增强卷积神经网络对于灰度变 化的鲁棒性，从用于训练的脑SWI中提取训练图像块对以及与所述训练图像块 对相应的静脉分割金标准图像块之后，还包括对第一训练图像块和第二训练图 像块的体素灰度按照公式I'S＝IS+r*σc进行变换，其中，r为从正态分布N(0， 1)采样的随机数，σc为第一训练图像块或第二训练图像块中灰度标准差，I'S为对第一训练图像块或第二训练图像块内灰度IS变换后的灰度值。
S1032，构造卷积神经网络。
在本发明实施例中，构造卷积神经网络包括构造第一卷积路径、第二卷积 路径、第三卷积路径和分类器并对所述第一卷积路径、第二卷积路径、第三卷 积路径和分类器进行连接，其中，第一卷积路径用于对第一训练图像块进行处 理，第二卷积路径用于对第二训练图像块进行处理，第一卷积路径或第二卷积 路径包含8个卷积模块和3个串联层，第二卷积路径还包含一个降采样单元和 一个升采样单元，第三卷积路径包含3个卷积模块和2个串联层，8个卷积模 块中卷积模块1至8依次串联后，卷积模块2和卷积模块4的输出端分别与第 串联层1的输入端连接，串联层1的输出端和卷积模块6的输出端分别与串联 层2的输入端连接，串联层2的输出端和卷积模块8的输出端分别与串联层3 的输入端连接；第二卷积路径中卷积模块1的输入端与降采样单元的输出端连 接，第二卷积路径中串联层3的输出端与升采样单元的输入端连接，升采样单 元的输出端和第一卷积路径中串联层3的输出端分别与第三卷积路径中串联层 1的输入端连接；第三卷积路径中卷积模块1与卷积模块2串联，第三卷积路 径中卷积模块1的输入端与第三卷积路径中串联层1的输出端连接，第三卷积 路径中卷积模块2的输出端和第三卷积路径中串联层1的输出端分别与第三卷积路径中串联层2的输入端连接，第三卷积路径中串联层2的输出端与第三卷 积路径中卷积模块3的输入端，第三卷积路径中卷积模块3的输出端与分类器 连接，整个卷积神经网络的结构如附图3所示。
需要说明的是，从第一卷积路径用于对第一训练图像块进行处理，第二卷 积路径用于对第二训练图像块进行处理可知，附图3示例的本发明的卷积神经 网络是一个多尺度卷积神经网络，多尺度卷积神经网络经训练好之后得到多尺 度的已训练卷积神经网络。
附图3示例的卷积神经网络中，第一卷积路径、第二卷积路径和第三卷积 路径的卷积模块都具有相同的结构，均包含批标准化BN层、非线性映射PReLU 层和卷积层Conv，其中，标准化BN层通过对传入卷积层的特征图进行标准化 以解决神经网络中协方差偏移问题，非线性映射PReLU层实现卷积特征的非线 性映射，并避免传统激励函数，例如Sigmoid函数饱和导致的梯度消失问题并 加快收敛，卷积层Conv定义了卷积核(第一卷积路径和第二卷积路径中卷积 核大小是3x3，第三卷积路径中卷积核大小是1x1)，实现卷积运算(卷积步长 为1)：
Figure RE-GDA0001826978430000081
其中，fl m表示第l卷积层第m个神经元的卷积核，第l卷积层接收前一卷积层 输出的特征图作为输入，因此，
Figure RE-GDA0001826978430000082
表示第l-1卷积层输出的第n个特征图，nl-1表 示第l-1卷积层输出的特征图的数目，
Figure RE-GDA0001826978430000091
表示第l卷积层第m个神经元的偏置，* 为卷积操作，
Figure RE-GDA0001826978430000092
表示第l卷积层输出的第m个特征图。
在附图3示例的卷积神经网络中，通过串联层实现密集连接，以保护神经网 络信号，提高深度卷积网络可训练性。本发明中通过将两个卷积层的特征图进 行串联实现：
Figure RE-GDA0001826978430000093
其中，[·]表示示串联运算，xl表示第l卷积层输出的特征图，表示第l-2 卷积层输出的特征图xl-2的中心部分，其大小与xl一致。
在第二卷积路径的末尾添加了一个升采样单元，实现两个卷积路径的输出 特征图大小匹配。将经升采样单元上采样后的特征图与第一卷积路径第3个串联 层输出的特征图进行串联后由第三卷积路径进行处理。第三卷积路径同样由卷 积模块和串联层组成，不同的是，第三卷积路径的卷积模块中卷积层的卷积核 大小都为1x1，步长为1，因此第三卷积路径不会改变输出特征图的大小。最后， 将第三卷积路径中第3个卷积模块输出端处理后的特征图由分类器，例如 Softmax分类器进行处理即可得到输入图像块中心m*m个体素属于静脉血管或 者背景的概率和标记。
S1033，将第一训练图像块和第二训练图像块输入卷积神经网络，并根据静 脉分割金标准图像块训练卷积神经网络，得到已训练卷积神经网络。
具体地，将第一训练图像块和第二训练图像块输入卷积神经网络，并根据 静脉分割金标准图像块训练卷积神经网络，得到已训练卷积神经网络可通过如 下步骤S1和S2实现：
S1，利用预测图像块和所述静脉分割金标准图像块定义损失函数
Figure RE-GDA0001826978430000095
上述损失函数是采用Dice系数定义的损失函数，其中，预测图像块是第一 训练图像块和第二训练图像块输入卷积神经网络后预测的输出结果，B为对卷 积神经网络训练过程中一次处理的训练图像块对的数量，N为预测图像块中体 素的数量，pij为第i个训练图像块对相应的预测图像块中第j个体素属于静脉 血管的概率，yij为第i个训练图像块对相应的静脉分割金标准图像块中第j个 体素的真实标记，训练图像块对即前述实施例中提及的第一训练图像块和第二 训练图像块组成的一对训练图像块。
S2，以第一训练图像块和第二训练图像块作为输入特征，基于批量梯度下 降算法训练卷积神经网络，在最小化损失函数时获得卷积神经网络的参数。
在最小化损失函数
Figure RE-GDA0001826978430000101
时获得的卷积神经网络的参 数就是已训练卷积神经网络的参数，意味着卷积神经网络已经训练完成，可以 用于数据的预测即分割磁敏感加权图像中静脉血管，具体就是将提取出来的n 组第一图像块和第二图像块中每一组的第一图像块输入已训练神经网络的第一 卷积路径，每一组的第二图像块输入已训练神经网络的第二卷积路径，经已训 练神经网络的一系列处理，每一组第一图像块和第二图像块相应得到标记了静 脉血管的一组两个第三图像块。
如前所述，由于本发明的已训练卷积神经网络是一种多尺度已训练卷积神 经网络，输入n组第一图像块和第二图像块至已训练卷积神经网络，由所述多 尺度已训练卷积神经网络对所述n组第一图像块和第二图像块中的静脉血管进 行标记时，通过大小不同的第一图像块和第二图像块以获取不同范围的上下文 信息，其中，小图像块主要捕捉局部信息，而大图像块更关注于全局信息。两 种信息相互补充，从而提高卷积神经网络性能和静脉分割的精度。
S104，将n组两个第三图像块的静脉血管标记映射回原始脑磁敏感加权图像 SWI以得到静脉血管的分割结果。
以第三图像块包含以9*9阶矩阵排布的体素为例，当经过步骤S103时，就得 到标记了静脉血管的n组两个第三图像块，将n组两个第三图像块的每一组第三 图像块的静脉血管标记映射回原始脑磁敏感加权图像SWI就可以得到静脉血管 的分割结果，具体映射方法是根据每个第三图像块的中心在原始图像中的空间 位置，将该第三图像块中心周围的9x9大小的预测标记映射至原始图像中。例如， 一个第三图像块的中心坐标为(100，100)，经过已训练卷积神经网络进行静 脉血管的分割后得到一个9x9的标记区域，则将该标记映射至[96:104，96:104] 的区域即得到静脉血管的分割结果。
以下表1是本发明提供的方法与现有技术的几种方法的效果对比
表1
方法 Dice系数 敏感性 特异性
本发明提供的方法 0.736±0.046 0.821±0.096 0.993±0.003
单预测方式卷积神经网络 0.705±0.069 0.875±0.076 0.990±0.004
多尺度血管增强 0.615±0.06 0.714±0.045 0.989±0.006
多方向直线灰度分布 0.388±0.037 0.44±0.096 0.985±0.003
从上述表1可得出的结论是：本发明提供的卷积神经网络能够提取识别能力 更强的深度特征。相对于灰度、形状等浅层特征，深度特征对于静脉血管的灰 度不均匀、静脉与背景灰度重叠等问题都具有较好的识别能力。另外，本发明 提供的卷积网络加入残差连接，并利用Dice系数定义的损失函数来指导卷积神 经网络的训练，卷积神经网络的性能进一步得到提升。如表1中本发明提供的方 法，其分割结果的Dice系数最高；单预测方式型卷积网络采用与本发明提供的 卷积神经网络相同的结构，但是其输入图像块大小为17x17，此时仅能预测输入 图像块中心体素的标记。由于数目相同的静脉血管样本和背景样本参加训练， 不同于样本的实际分布(背景样本远大于静脉样本)，使得分割结果出现过分 割，更多的背景样本被分类为静脉血管。因此敏感性在提高的同时降低了特异 性，Dice系数也相应的下降。另外两种方法，使用了灰度、形状等浅层特征， 识别能力有限，因此其分割精度较低。
需要说明的是，缺血性脑卒中是医疗界公认的世界难题，其诊断过程相当 复杂，本发明的技术方案虽然结合卷积神经网络，通过图像处理的方式精确分 割出磁敏感加权图像中的静脉血管，但这个处理过程只是作为获得一种中间结 果的过程，其结果也只是作为一种中间结果，并不能直接作为缺血性脑卒中这 一疾病的诊断结果，也不能据此就认为已经直接获得缺血性脑卒中患者的健康 状况。
从上述附图1示例的分割磁敏感加权图像中静脉血管的方法可知，由于已训 练卷积神经网络通过监督学习方式对卷积神经网络训练而成，因此，通过监督 学习从已有数据中自动学习先验知识并提取深度特征，从而能够精确识别出脑 SWI中的静脉血管，相比于现有技术，提高了脑SWI中静脉血管分割的精度。
图4是本发明实施例提供的分割磁敏感加权图像中静脉血管的装置的示意 图，主要包括标准化模块401、图像块提取模块402、标记模块403和映射模块404， 详细说明如下：
标准化模块401，用于对原始脑磁敏感加权图像SWI中的脑部区域进行提 取并标准化，得到标准化脑SWI；
图像块提取模块402，用于以标准化脑SWI中每间隔m个体素定义的任意 一个采样点为中心，提取一组中心重合的第一图像块和第二图像块，其中，第 一图像块的区域包含以M1*M1阶矩阵排布的体素，第二图像块的区域包含以 M2*M2阶矩阵排布的体素，m、M1和M2为自然数，且M2>M1>m；
标记模块403，用于输入n组第一图像块和第二图像块至已训练卷积神经 网络，由已训练卷积神经网络对n组第一图像块和第二图像块中的静脉血管进 行标记后得到标记了静脉血管的n组两个第三图像块，其中，已训练卷积神经 网络通过监督学习方式对卷积神经网络训练而成，第三图像块的区域包含以 m*m阶矩阵排布的体素，n为采样点的个数；
映射模块404，用于将n组两个第三图像块的静脉血管标记映射回原始脑磁 敏感加权图像SWI以得到静脉血管的分割结果。
需要说明的是，本发明实施例提供的装置，由于与本发明方法实施例基于 同一构思，其带来的技术效果与本发明方法实施例相同，具体内容可参见本发 明方法实施例中的叙述，此处不再赘述。
附图4示例的标准化模块401可以包括提取单元、取反单元和计算单元， 其中：
提取单元，用于采用阈值方法提取所述原始脑SWI中灰度值小于50的所 有背景体素，并提取最大连通区域；
取反单元，用于将最大连通区域取反后，利用一个3*3*3大小的结构元素 进行形态学闭操作，以恢复阈值分割丢失的静脉体素；
计算单元，用于计算原始脑SWI中的脑部区域体素均值和标准差，将原始 脑SWI中的脑部区域的每个体素减去均值并除以标准差以得到标准化脑SWI。
附图4示例的装置还可以包括训练图像块提取模块、构造模块和训练模块， 其中：
训练图像块提取模块，用于从用于训练的脑SWI中提取训练图像块对以及 与所述训练图像块对相应的静脉分割金标准图像块，所述训练图像块对由第一 训练图像块和第二训练图像块组成，所述第一训练图像块的区域包含以M1*M1阶矩阵排布的体素，所述第二训练图像块的区域包含以M2*M2阶矩阵排布的体 素，所述静脉分割金标准图像块的区域包含以m*m阶矩阵排布的体素；
构造模块，用于构造卷积神经网络；
训练模块，用于将所述第一训练图像块和第二训练图像块输入所述卷积神 经网络，并根据所述静脉分割金标准图像块训练所述卷积神经网络，得到所述 已训练卷积神经网络。
上述实施例的装置还包括反转模块和变换模块，其中：
反转模块，用于训练图像块提取模块从用于训练的脑SWI中提取训练图像 块对以及与所述训练图像块对相应的静脉分割金标准图像块之前，对所述用于 训练的脑SWI分别沿着二维坐标系的X轴和Y轴进行对称反转；
变换模块，用于训练图像块提取模块从用于训练的脑SWI中提取训练图像 块对以及与所述训练图像块对相应的静脉分割金标准图像块之后，对所述第一 训练图像块和第二训练图像块的体素灰度按照公式I'S＝IS+r*σc进行变换，其 中，r为从正态分布N(0，1)采样的随机数，σc为第一训练图像块或第二训 练图像块中灰度标准差，I'S为对第一训练图像块或第二训练图像块内灰度IS变 换后的灰度值。
上述实施例的构造模块具体用于构造第一卷积路径、第二卷积路径、第三 卷积路径和分类器并对所述第一卷积路径、第二卷积路径、第三卷积路径和分 类器进行连接，所述第一卷积路径用于对所述第一训练图像块进行处理，所述 第二卷积路径用于对所述第二训练图像块进行处理，所述第一卷积路径或第二 卷积路径包含8个卷积模块和3个串联层，所述第二卷积路径还包含一个降采 样单元和一个升采样单元，所述第三卷积路径包含3个卷积模块和2个串联层； 所述8个卷积模块中第1至8个卷积模块依次串联后，第2个卷积模块和第4 个卷积模块的输出端分别与第1个串联层的输入端连接，第1个串联层的输出端和第6个卷积模块的输出端分别与第2个串联层的输入端连接，第2个串联 层的输出端和第8个卷积模块的输出端分别与第3个串联层的输入端连接；所 述第二卷积路径中第1个卷积模块的输入端与所述降采样单元的输出端连接， 所述第二卷积路径中第3个串联层的输出端与所述升采样单元的输入端连接， 所述升采样单元的输出端和所述第一卷积路径中第3个串联层的输出端分别与 所述第三卷积路径中第1个串联层的输入端连接；所述第三卷积路径中第1个 卷积模块与第2个卷积模块串联，所述第三卷积路径中第1个卷积模块的输入 端与所述第三卷积路径中第1个串联层的输出端连接，所述第三卷积路径中第 2个卷积模块的输出端和第三卷积路径中第1个串联层的输出端分别与所述第 三卷积路径中第2个串联层的输入端连接，所述第三卷积路径中第2个串联层 的输出端与所述第三卷积路径中第3个卷积模块的输入端，所述第三卷积路径 中第3个卷积模块输出端与所述分类器连接。
上述实施例的训练模块还包括函数定义单元和网络训练单元，其中：
函数定义单元，用于利用预测图像块和所述静脉分割金标准图像块定义损 失函数
Figure RE-GDA0001826978430000141
其中，预测图像块是所述第一训练图像块和第二训 练图像块输入卷积神经网络后预测的输出结果，B为对卷积神经网络训练过程 中一次处理的训练图像块对的数量，N为预测图像块中体素的数量，pij为第i 个训练图像块对相应的预测图像块中第j个体素属于静脉血管的概率，yij为第 i个训练图像块对相应的静脉分割金标准图像块中第j个体素的真实标记；
网络训练单元，用于以第一训练图像块和第二训练图像块作为输入特征， 基于批量梯度下降算法训练卷积神经网络，在最小化损失函数时获得卷积神经 网络的参数。
图5是本发明一实施例提供的计算设备的结构示意图。如图5所示，该实 施例的计算设备5包括：处理器50、存储器51以及存储在存储器51中并可在 处理器50上运行的计算机程序52，例如分割磁敏感加权图像中静脉血管的方 法的程序。处理器50执行计算机程序52时实现上述分割磁敏感加权图像中静 脉血管的方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，处 理器50执行计算机程序52时实现上述各装置实施例中各模块/单元的功能，例 如图4所示标准化模块401、图像块提取模块402、标记模块403和映射模块404的功能。
示例性的，分割磁敏感加权图像中静脉血管的方法的计算机程序52主要包 括：对原始脑磁敏感加权图像SWI中的脑部区域进行提取并标准化，得到标准 化脑SWI；以标准化脑SWI中每间隔m个体素定义的任意一个采样点为中心， 提取一组中心重合的第一图像块和第二图像块，第一图像块的区域包含以 M1*M1阶矩阵排布的体素，第二图像块的区域包含以M2*M2阶矩阵排布的体 素，m、M1和M2为自然数，且M2>M1>m；输入n组第一图像块和第二图像块至已训练卷积神经网络，由已训练卷积神经网络对所述n组第一图像块和第 二图像块中的静脉血管进行标记后得到标记了静脉血管的n组两个第三图像 块，已训练卷积神经网络通过监督学习方式对卷积神经网络训练而成，第三图 像块的区域包含以m*m阶矩阵排布的体素，n为采样点的个数；将n组两个第 三图像块的静脉血管标记映射回原始脑磁敏感加权图像SWI以得到静脉血管 的分割结果。计算机程序52可以被分割成一个或多个模块/单元，一个或者多 个模块/单元被存储在存储器51中，并由处理器50执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令 段用于描述计算机程序52在计算设备5中的执行过程。例如，计算机程序52 可以被分割成标准化模块401、图像块提取模块402、标记模块403和映射模块 404的功能(虚拟装置中的模块)，各模块具体功能如下：标准化模块401，用 于对原始脑磁敏感加权图像SWI中的脑部区域进行提取并标准化，得到标准化 脑SWI；图像块提取模块402，用于以标准化脑SWI中每间隔m个体素定义的 任意一个采样点为中心，提取一组中心重合的第一图像块和第二图像块，第一图像块的区域包含以M1*M1阶矩阵排布的体素，第二图像块的区域包含以 M2*M2阶矩阵排布的体素，m、M1和M2为自然数，且M2>M1>m；标记模块 403，用于输入n组第一图像块和第二图像块至已训练卷积神经网络，由已训练 卷积神经网络对n组第一图像块和第二图像块中的静脉血管进行标记后得到标 记了静脉血管的n组两个第三图像块，已训练卷积神经网络通过监督学习方式 对卷积神经网络训练而成，第三图像块的区域包含以m*m阶矩阵排布的体素， n为采样点的个数；映射模块404，用于将n组两个第三图像块的静脉血管标记 映射回原始脑磁敏感加权图像SWI以得到静脉血管的分割结果。
计算设备5可包括但不仅限于处理器50、存储器51。本领域技术人员可以理 解，图5仅仅是计算设备5的示例，并不构成对计算设备5的限定，可以包括比图 示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算设备还 可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可 以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专 用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵 列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立 门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该 处理器也可以是任何常规的处理器等。
存储器51可以是计算设备5的内部存储单元，例如计算设备5的硬盘或内存。 存储器51也可以是计算设备5的外部存储设备，例如计算设备5上配备的插接式 硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD) 卡，闪存卡(Flash Card)等。进一步地，存储器51还可以既包括计算设备5的 内部存储单元也包括外部存储设备。存储器51用于存储计算机程序以及计算设 备所需的其他程序和数据。存储器51还可以用于暂时地存储已经输出或者将要 输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上 述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上 述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的 功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单 元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可 以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的 形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的 具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系 统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在 此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详 述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示 例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来 实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用 和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现 所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/计算设备和方法， 可以通过其它的方式实现。例如，以上所描述的装置/计算设备实施例仅仅是示 意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可 以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系 统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦 合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯 连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元 显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可 以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元 来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中， 也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元 中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的 形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售 或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发 明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相 关的硬件来完成，分割磁敏感加权图像中静脉血管的方法的计算机程序可存储 于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各 个方法实施例的步骤，即，对原始脑磁敏感加权图像SWI中的脑部区域进行提 取并标准化，得到标准化脑SWI；以标准化脑SWI中每间隔m个体素定义的任 意一个采样点为中心，提取一组中心重合的第一图像块和第二图像块，第一图 像块的区域包含以M1*M1阶矩阵排布的体素，第二图像块的区域包含以M2*M2阶矩阵排布的体素，m、M1和M2为自然数，且M2>M1>m；输入n组第 一图像块和第二图像块至已训练卷积神经网络，由已训练卷积神经网络对所述 n组第一图像块和第二图像块中的静脉血管进行标记后得到标记了静脉血管的n 组两个第三图像块，已训练卷积神经网络通过监督学习方式对卷积神经网络训 练而成，第三图像块的区域包含以m*m阶矩阵排布的体素，n为采样点的个 数；将n组两个第三图像块的静脉血管标记映射回原始脑磁敏感加权图像SWI 以得到静脉血管的分割结果。其中，计算机程序包括计算机程序代码，计算机 程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。 计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录 介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM， Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电 载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如 在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号 和电信信号。以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管 参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理 解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分 技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱 离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之 内。

Claims (10)

1.一种分割磁敏感加权图像中静脉血管的方法，其特征在于，所述方法包括：
对原始脑磁敏感加权图像SWI中的脑部区域进行提取并标准化，得到标准化脑SWI；
以所述标准化脑SWI中每间隔m个体素定义的任意一个采样点为中心，提取一组中心重合的第一图像块和第二图像块，所述第一图像块的区域包含以M1*M1阶矩阵排布的体素，所述第二图像块的区域包含以M2*M2阶矩阵排布的体素，所述m、M1和M2为自然数，且M2>M1>m；
输入n组第一图像块和第二图像块至已训练卷积神经网络，由所述已训练卷积神经网络对所述n组第一图像块和第二图像块中的静脉血管进行标记后得到标记了静脉血管的n组两个第三图像块，所述已训练卷积神经网络通过监督学习方式对卷积神经网络训练而成，所述第三图像块的区域包含以m*m阶矩阵排布的体素，所述n为所述采样点的个数；
将所述n组两个第三图像块的静脉血管标记映射回所述原始脑磁敏感加权图像SWI以得到静脉血管的分割结果。
2.如权利要求1所述的分割磁敏感加权图像中静脉血管的方法，其特征在于，所述对原始脑磁敏感加权图像SWI中的脑部区域进行提取并标准化，得到标准化脑SWI，包括：
采用阈值方法提取所述原始脑SWI中灰度值小于50的所有背景体素，并提取最大连通区域；
将所述最大连通区域取反后，利用一个3x3x3大小的结构元素进行形态学闭操作，以恢复阈值分割丢失的静脉体素；
计算所述原始脑SWI中的脑部区域体素均值和标准差，将所述原始脑SWI中的脑部区域的每个体素减去均值并除以标准差以得到所述标准化脑SWI。
3.如权利要求1所述的分割磁敏感加权图像中静脉血管的方法，其特征在于，所述对原始脑磁敏感加权图像SWI中的脑部区域进行提取并标准化，得到标准化脑SWI之前，所述方法还包括：
从用于训练的脑SWI中提取训练图像块对以及与所述训练图像块对相应的静脉分割金标准图像块，所述训练图像块对由第一训练图像块和第二训练图像块组成，所述第一训练图像块的区域包含以M1*M1阶矩阵排布的体素，所述第二训练图像块的区域包含以M2*M2阶矩阵排布的体素，所述静脉分割金标准图像块的区域包含以m*m阶矩阵排布的体素；
构造卷积神经网络；
将所述第一训练图像块和第二训练图像块输入所述卷积神经网络，并根据所述静脉分割金标准图像块训练所述卷积神经网络，得到所述已训练卷积神经网络。
4.如权利要求3所述的分割磁敏感加权图像中静脉血管的方法，其特征在于，所述从用于训练的脑SWI中提取训练图像块对以及与所述训练图像块对相应的静脉分割金标准图像块之前，所述方法还包括：对所述用于训练的脑SWI分别沿着二维坐标系的X轴和Y轴进行对称反转；
所述从用于训练的脑SWI中提取训练图像块对以及与所述训练图像块对相应的静脉分割金标准图像块之后，所述方法还包括：对所述第一训练图像块和第二训练图像块的体素灰度按照公式I'S＝IS+r*σc进行变换，所述r为从正态分布N(0，1)采样的随机数，所述σc为所述第一训练图像块或第二训练图像块中灰度标准差，所述I'S为对所述第一训练图像块或第二训练图像块内灰度IS变换后的灰度值。
5.如权利要求3所述的分割磁敏感加权图像中静脉血管的方法，其特征在于，所述构造卷积神经网络，包括：
构造第一卷积路径、第二卷积路径、第三卷积路径和分类器并对所述第一卷积路径、第二卷积路径、第三卷积路径和分类器进行连接，所述第一卷积路径用于对所述第一训练图像块进行处理，所述第二卷积路径用于对所述第二训练图像块进行处理，所述第一卷积路径或第二卷积路径包含8个卷积模块和3个串联层，所述第二卷积路径还包含一个降采样单元和一个升采样单元，所述第三卷积路径包含3个卷积模块和2个串联层；
所述8个卷积模块中卷积模块1至8依次串联后，卷积模块2和卷积模块4的输出端分别与串联层1的输入端连接，串联层1的输出端和卷积模块6的输出端分别与串联层2的输入端连接，串联层2的输出端和卷积模块8的输出端分别与串联层3的输入端连接；
所述第二卷积路径中卷积模块1的输入端与所述降采样单元的输出端连接，所述第二卷积路径中串联层3的输出端与所述升采样单元的输入端连接，所述升采样单元的输出端和所述第一卷积路径中串联层3的输出端分别与所述第三卷积路径中串联层1的输入端连接；
所述第三卷积路径中卷积模块1与卷积模块2串联，所述第三卷积路径中卷积模块1的输入端与所述第三卷积路径中串联层1的输出端连接，所述第三卷积路径中卷积模块2的输出端和第三卷积路径中串联层1的输出端分别与所述第三卷积路径中串联层2的输入端连接，所述第三卷积路径中串联层2的输出端与所述第三卷积路径中卷积模块3的输入端，所述第三卷积路径中卷积模块3的输出端与所述分类器连接。
6.如权利要求3所述的分割磁敏感加权图像中静脉血管的方法，其特征在于，所述将所述第一训练图像块和第二训练图像块输入所述卷积神经网络，并根据所述静脉分割金标准图像块训练所述卷积神经网络，得到所述已训练卷积神经网络，包括：
利用预测图像块和所述静脉分割金标准图像块定义损失函数
Figure FDA0001685154800000031
所述预测图像块是所述第一训练图像块和第二训练图像块输入所述卷积神经网络后预测的输出结果，所述B为对所述卷积神经网络训练过程中一次处理的训练图像块对的数量，所述N为所述预测图像块中体素的数量，所述pij为第i个训练图像块对相应的预测图像块中第j个体素属于静脉血管的概率，所述yij为第i个训练图像块对相应的静脉分割金标准图像块中第j个体素的真实标记；
以所述第一训练图像块和第二训练图像块作为输入特征，基于批量梯度下降算法训练所述卷积神经网络，在最小化所述损失函数时获得所述卷积神经网络的参数。
7.一种分割磁敏感加权图像中静脉血管的装置，其特征在于，所述装置包括：
标准化模块，用于对原始脑磁敏感加权图像SWI中的脑部区域进行提取并标准化，得到标准化脑SWI；
图像块提取模块，用于以所述标准化脑SWI中每间隔m个体素定义的任意一个采样点为中心，提取一组中心重合的第一图像块和第二图像块，所述第一图像块的区域包含以M1*M1阶矩阵排布的体素，所述第二图像块的区域包含以M2*M2阶矩阵排布的体素，所述m、M1和M2为自然数，且M2>M1>m；
标记模块，用于输入n组第一图像块和第二图像块至已训练卷积神经网络，由所述已训练卷积神经网络对所述n组第一图像块和第二图像块中的静脉血管进行标记后得到标记了静脉血管的n组两个第三图像块，所述已训练卷积神经网络通过监督学习方式对卷积神经网络训练而成，所述第三图像块的区域包含以m*m阶矩阵排布的体素，所述n为所述采样点的个数；
映射模块，用于将所述n组两个第三图像块的静脉血管标记映射回所述原始脑磁敏感加权图像SWI以得到静脉血管的分割结果。
8.如权利要求7所述的分割磁敏感加权图像中静脉血管的装置，其特征在于，所述标准化模块包括：
提取单元，用于采用阈值方法提取所述原始脑SWI中灰度值小于50的所有背景体素，并提取最大连通区域；
取反单元，用于将所述最大连通区域取反后，利用一个3*3*3大小的结构元素进行形态学闭操作，以恢复阈值分割丢失的静脉体素；
计算单元，用于计算所述原始脑SWI中的脑部区域体素均值和标准差，将所述原始脑SWI中的脑部区域的每个体素减去均值并除以标准差以得到所述标准化脑SWI。
9.一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任意一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任意一项所述方法的步骤。
CN201810568623.7A 2018-06-05 2018-06-05 分割磁敏感加权图像中静脉血管的方法、装置和计算设备 Active CN110634119B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810568623.7A CN110634119B (zh) 2018-06-05 2018-06-05 分割磁敏感加权图像中静脉血管的方法、装置和计算设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810568623.7A CN110634119B (zh) 2018-06-05 2018-06-05 分割磁敏感加权图像中静脉血管的方法、装置和计算设备

Publications (2)

Publication Number Publication Date
CN110634119A true CN110634119A (zh) 2019-12-31
CN110634119B CN110634119B (zh) 2021-11-02

Family

ID=68966140

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810568623.7A Active CN110634119B (zh) 2018-06-05 2018-06-05 分割磁敏感加权图像中静脉血管的方法、装置和计算设备

Country Status (1)

Country Link
CN (1) CN110634119B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113205459A (zh) * 2020-01-16 2021-08-03 西门子医疗有限公司 用于冠状动脉的3d重建的血管造影图像的运动校正
CN115147360A (zh) * 2022-06-13 2022-10-04 北京医准智能科技有限公司 一种斑块分割方法、装置、电子设备及可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101109753A (zh) * 2007-08-30 2008-01-23 上海交通大学 用胶体金免疫层析试验检测大肠杆菌志贺毒素的方法
US20110262017A1 (en) * 2010-04-27 2011-10-27 Magnetic Resonance Innovations, Inc. Method of Generating Nuclear Magnetic Resonance Images Using Susceptibility Weighted Imaging and Susceptibility Mapping (SWIM)
CN105574859A (zh) * 2015-12-14 2016-05-11 中国科学院深圳先进技术研究院 一种基于ct图像的肝脏肿瘤分割方法及装置
CN106960458A (zh) * 2017-03-14 2017-07-18 深圳安科高技术股份有限公司 一种磁共振磁敏感加权成像后处理方法及系统
CN107248155A (zh) * 2017-06-08 2017-10-13 东北大学 一种基于swi图像的脑静脉血管分割方法
CN107644420A (zh) * 2017-08-31 2018-01-30 西北大学 基于中心线提取的血管图像分割方法、核磁共振成像系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101109753A (zh) * 2007-08-30 2008-01-23 上海交通大学 用胶体金免疫层析试验检测大肠杆菌志贺毒素的方法
US20110262017A1 (en) * 2010-04-27 2011-10-27 Magnetic Resonance Innovations, Inc. Method of Generating Nuclear Magnetic Resonance Images Using Susceptibility Weighted Imaging and Susceptibility Mapping (SWIM)
CN105574859A (zh) * 2015-12-14 2016-05-11 中国科学院深圳先进技术研究院 一种基于ct图像的肝脏肿瘤分割方法及装置
CN106960458A (zh) * 2017-03-14 2017-07-18 深圳安科高技术股份有限公司 一种磁共振磁敏感加权成像后处理方法及系统
CN107248155A (zh) * 2017-06-08 2017-10-13 东北大学 一种基于swi图像的脑静脉血管分割方法
CN107644420A (zh) * 2017-08-31 2018-01-30 西北大学 基于中心线提取的血管图像分割方法、核磁共振成像系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ALEXANDER RADBRUCH 等: "Comparison of Susceptibility Weighted Imaging and TOF-Angiography for the Detection of Thrombi in Acute Stroke", 《PLOS ONE》 *
FAUSTO MILLETARI 等: "V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation", 《ARXIV》 *
KONSTANTINOS KAMNITSAS 等: "Efficient Multi-Scale 3D CNN with fully connected CRF for Accurate Brain Lesion Segmentation", 《ARXIV》 *
詹曙 等: "前列腺磁共振图像分割的反卷积神经网络方法", 《中国图象图形学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113205459A (zh) * 2020-01-16 2021-08-03 西门子医疗有限公司 用于冠状动脉的3d重建的血管造影图像的运动校正
CN115147360A (zh) * 2022-06-13 2022-10-04 北京医准智能科技有限公司 一种斑块分割方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN110634119B (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
Sevastopolsky Optic disc and cup segmentation methods for glaucoma detection with modification of U-Net convolutional neural network
Hou et al. Sparse autoencoder for unsupervised nucleus detection and representation in histopathology images
Khan et al. Construction of saliency map and hybrid set of features for efficient segmentation and classification of skin lesion
Nawaz et al. Melanoma segmentation: A framework of improved DenseNet77 and UNET convolutional neural network
Arora et al. Automated skin lesion segmentation using attention-based deep convolutional neural network
García-Lorenzo et al. Review of automatic segmentation methods of multiple sclerosis white matter lesions on conventional magnetic resonance imaging
Akram et al. Detection of neovascularization in retinal images using multivariate m-Mediods based classifier
Panda et al. New binary Hausdorff symmetry measure based seeded region growing for retinal vessel segmentation
Shanmuganathan et al. Review of advanced computational approaches on multiple sclerosis segmentation and classification
Bhatia et al. Retinal vessel extraction via assisted multi-channel feature map and U-net
David A novel specialist system based on hybrid colour and structure descriptor and machine learningalgorithms for early diabetic retinopathy diagnosis
CN114600155A (zh) 用于细胞检测和分割的弱监督多任务学习
Javidi et al. Retinal image assessment using bi-level adaptive morphological component analysis
CN110634119B (zh) 分割磁敏感加权图像中静脉血管的方法、装置和计算设备
He et al. Segmentation ability map: Interpret deep features for medical image segmentation
Cazañas-Gordón et al. Multiscale attention gated network (MAGNet) for retinal layer and macular cystoid edema segmentation
CN116051589A (zh) 一种ct图像中肺实质和肺血管的分割方法及装置
Banerjee et al. A CADe system for gliomas in brain MRI using convolutional neural networks
Yildirim-Yayilgan et al. Pre-trained CNN based deep features with hand-crafted features and patient data for skin lesion classification
Geethanjali et al. Brain tumor detection and classification using deep learning
WO2019232688A1 (zh) 分割磁敏感加权图像中静脉血管的方法、装置和计算设备
Bellary The MRI knee pain classification using CNN algorithm and segmentation using clustering algorithm
CN113379770B (zh) 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置
CN113160261B (zh) 一种用于oct图像角膜层分割的边界增强卷积神经网络
Eliyani et al. Machine learning assisted medical diagnosis for segmentation of follicle in ovary ultrasound

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