CN110827283B - 基于卷积神经网络的头颈血管分割方法及装置 - Google Patents

Abstract

本申请公开了一种基于卷积神经网络的头颈血管分割方法及装置。该方法包括将头颈动脉血管断层扫描影像数据输入预设卷积神经网络进行处理，以得到不同尺度的第一特征图谱；将不同尺度的所述第一特征图谱进行交互后分别输入到所述预设卷积神经网络中，以得到第二特征图谱；将所述第二特征图谱按照预设规则进行映射，以得到头颈血管分割结果。通过本申请，达到了对复杂血管结构进行快速准确分割的目的，从而实现了拓宽图像分割模型的应用范围的技术效果，进而解决了相关技术中的图像分割模型由于对复杂形状的血管分割效率不高导致图像分割模型的应用受到限制的技术问题。

Description

基于卷积神经网络的头颈血管分割方法及装置

技术领域

本申请涉及深度学习技术领域，具体而言，涉及一种基于卷积神经网络的头颈血管分割方法及装置。

背景技术

脑卒中是由于脑部血管突然破裂或因血管阻塞导致血液不能流入大脑而引起脑组织损伤的一组疾病。该疾病已成为我国第一位死亡原因的疾病，也是导致中国成年人残疾的首要原因，并具有发病率高、死亡率高和致残率高的特点。建立一个对有关脑血管疾病如脑卒中的筛查，早期诊断以及对应治疗的计算机辅助诊断系统，头颈部血管的形态特征往往是必备关键条件。头颈部血管直接承担大脑的供血功能，其输送大量营养物质用于大脑正常工作，是重要的人体组织器官之一。

头颈部血管往往存在诸多生理，病理上的变异，在颈部往往表现出多根大体平行的线形管状结构，在颅内呈现出复杂的线形网状结构，其整体很难有固定的形状特征。一些脑血管疾病如动脉狭窄，动脉瘤等需要通过对头颈部血管进行精确的分割，进而进行诊断。而不同粗细血管之间对比度，血管周边组织表现差异较大，较细血管之间形状过于复杂，限制了很多图像分割模型的直接使用。

针对相关技术中的图像分割模型由于对复杂形状的血管分割效率不高导致图像分割模型的应用受到限制的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种基于卷积神经网络的头颈血管分割方法及装置，以解决相关技术中的图像分割模型由于血管形状复杂导致图像分割模型的分割效率不高的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种基于卷积神经网络的头颈血管分割方法。

根据本申请的基于卷积神经网络的头颈血管分割方法包括：将头颈动脉血管断层扫描影像数据输入预设卷积神经网络进行处理，以得到不同尺度的第一特征图谱；将不同尺度的所述第一特征图谱进行交互后分别输入到所述预设卷积神经网络中，以得到第二特征图谱；将所述第二特征图谱按照预设规则进行映射，以得到头颈血管分割结果。

进一步地，所述将头颈动脉血管断层扫描影像数据输入预设卷积神经网络进行处理，以得到不同尺度的第一特征图谱包括：将所述头颈动脉血管断层扫描影像数据输入所述预设卷积神经网络进行处理，以提取原始特征；将所述原始特征进行尺度调整，以得到不同尺度的所述第一特征图谱。

进一步地，所述将不同尺度的所述第一特征图谱进行交互后分别输入到所述预设卷积神经网络中，以得到第二特征图谱包括：通过卷积层对不同尺度的所述第一特征图谱进行降维；通过级联层将降维后得到的不同尺度的所述第一特征图谱进行特征交互，以得到不同尺度的交互特征；将不同尺度的所述交互特征分别输入到所述预设卷积神经网络中，以得到所述第二特征图谱。

进一步地，所述将所述第二特征图谱按照预设规则进行映射，以得到头颈血管分割结果包括：将所述第二特征图谱通过卷积层进行映射；通过预设激活函数将映射后的所述第二特征图谱进行处理，以得到头颈血管分割模型。

进一步地，所述将所述第二特征图谱按照预设规则进行映射，以得到头颈血管分割结果包括：预设激活函数将所述第二特征图谱进行处理，并输出头颈血管分割模型；接收终端的头颈血管分割请求；将所述头颈血管分割请求中的所述头颈动脉血管断层扫描影像数据输入到所述头颈血管分割模型，以得到所述头颈血管分割结果。

为了实现上述目的，根据本申请的另一方面，提供了一种基于卷积神经网络的头颈血管分割装置装置。

根据本申请的基于卷积神经网络的头颈血管分割装置装置包括：输入模块，用于将头颈动脉血管断层扫描影像数据输入预设卷积神经网络进行处理，以得到不同尺度的第一特征图谱；交互模块，用于将不同尺度的所述第一特征图谱进行交互后分别输入到所述预设卷积神经网络中，以得到第二特征图谱；分割模块，用于将所述第二特征图谱按照预设规则进行映射，以得到头颈血管分割结果。

进一步地，所述输入模块包括：第一输入单元，用于将所述头颈动脉血管断层扫描影像数据输入所述预设卷积神经网络进行处理，以提取原始特征；调整单元，用于将所述原始特征进行尺度调整，以得到不同尺度的所述第一特征图谱。

进一步地，所述交互模块包括：降维单元，用于通过卷积层对不同尺度的所述第一特征图谱进行降维；交互单元，用于通过级联层将降维后得到的不同尺度的所述第一特征图谱进行特征交互，以得到不同尺度的交互特征；第一输入单元，用于将不同尺度的所述交互特征分别输入到所述预设卷积神经网络中，以得到所述第二特征图谱。

进一步地，所述分割模块包括：映射单元，用于将所述第二特征图谱通过卷积层进行映射；处理单元，用于通过预设激活函数将映射后的所述第二特征图谱进行处理，以得到头颈血管分割模型。

进一步地，所述分割模块还包括：激活单元，用于通过预设激活函数将所述第二特征图谱进行处理，并输出头颈血管分割模型；接收单元，用于接收终端的头颈血管分割请求；分割单元，用于将所述头颈血管分割请求中的所述头颈动脉血管断层扫描影像数据输入到所述头颈血管分割模型，以得到所述头颈血管分割结果。

在本申请实施例中，采用将头颈动脉血管断层扫描影像数据输入预设卷积神经网络进行处理，以得到不同尺度的第一特征图谱；将不同尺度的所述第一特征图谱进行交互后分别输入到所述预设卷积神经网络中，以得到第二特征图谱的方式，通过将所述第二特征图谱按照预设规则进行映射，以得到头颈血管分割结果，达到了对复杂血管结构进行快速准确分割的目的，从而实现了拓宽图像分割模型的应用范围的技术效果，进而解决了相关技术中的图像分割模型由于对复杂形状的血管分割效率不高导致图像分割模型的应用受到限制的技术问题。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请第一实施例的基于卷积神经网络的头颈血管分割方法的流程示意图；

图2是根据本申请第二实施例的基于卷积神经网络的头颈血管分割方法的流程示意图；

图3是根据本申请第三实施例的基于卷积神经网络的头颈血管分割方法的流程示意图；

图4是根据本申请第四实施例的基于卷积神经网络的头颈血管分割方法的流程示意图；

图5是根据本申请第五实施例的基于卷积神经网络的头颈血管分割方法的流程示意图；

图6是根据本申请第一实施例的基于卷积神经网络的头颈血管分割装置的组成结构示意图；以及

图7是根据本申请第二实施例的基于卷积神经网络的头颈血管分割装置的组成结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

根据本发明实施例，提供了一种基于卷积神经网络的头颈血管分割方法，如图1所示，该方法包括如下的步骤S101至步骤S103：

步骤S101，将头颈动脉血管断层扫描影像数据输入预设卷积神经网络进行处理，以得到不同尺度的第一特征图谱。

具体实施时，首先需要获取大量的头颈动脉血管断层扫描(CTA)影像数据，作为模型训练的原始样本，所述CTA影像数据可以是大小为48×48×48的影像数据。本申请实施例采用卷积神经网络模型进行头颈分割模型的构建，卷积神经网络(Convolutional NeuralNetworks，简称CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。

之后将上述得到的大小为48×48×48的CTA影像数据经过预处理后输入到预设卷积神经网络模型如密集连接卷积神经网络进行训练，根据训练结果提取出不同尺度的特征图谱。所述不同尺度的特征图谱是指通过尺寸调整层直接将原始尺度特征图谱进行操作，得到四个不同尺度的特征图谱(大小分别为48×48×48，24×24×24，12×12×12与1×1×1)，以对应像素层次特征、目标层次特征与全图层次特征。

步骤S102，将不同尺度的所述第一特征图谱进行交互后分别输入到所述预设卷积神经网络中，以得到第二特征图谱。

具体实施时，将上述得到的四个不同尺度的特征图谱(大小分别为48×48×48，24×24×24，12×12×12与1×1×1)之间进行相互交互，随后分别输入到密集连接卷积神经网络中进行处理，根据处理结果提取出第二特征图谱，即通过对低层次特征的处理以提取高层次或者深层次的特征。其中，特征交互过程重复多次，以不断优化训练结果。

步骤S103，将所述第二特征图谱按照预设规则进行映射，以得到头颈血管分割结果。

具体实施时，将上述得到的第二特征图谱通过卷积层进行映射，并利用sigmoid激活函数进行激活，从而得到最终的三维头颈血管分割模型，用于对头颈动脉血管断层扫描影像数据进行血管分割。本申请实施例的基于卷积神经网络的头颈血管分割方法采集了大量的高分辨率影像数据，并将像素层次特征，目标层次特征与全图层次特征相互结合交互，同时又保持各尺度特征的独立性，实现了对头颈部血管等线型管状结构的精确分割。

作为本申请实施例的一种优选实施方式，如图2所示，所述将头颈动脉血管断层扫描影像数据输入预设卷积神经网络进行处理，以得到不同尺度的第一特征图谱包括如下的步骤S201至步骤S202：

步骤S201，将所述头颈动脉血管断层扫描影像数据输入所述预设卷积神经网络进行处理，以提取原始特征。

具体实施时，首先需要获取大量的头颈动脉血管断层扫描(CTA)影像数据，作为模型训练的原始数据样本，将原始数据样本输入到密集连接卷积神经网络进行处理，得到原始血管分割特征。具体地，原始血管分割特征是通过一个密集连接卷积单元将大小为48×48×48的CTA影像数据转化为32×48×48×48的特征图谱得到的。

步骤S202，将所述原始特征进行尺度调整，以得到不同尺度的所述第一特征图谱。

具体实施时，将上述得到的大小为32×48×48×48的原始特征图谱通过尺寸调整层进行尺寸调整，以将原始特征图谱映射到四个不同尺度的特征图谱上(大小分别为32×48×48×48，64×24×24×24，128×12×12×12，256×1×1×1)，进而得到不同通道数的特征图谱。

作为本申请实施例的一种优选实施方式，如图3所示，所述将不同尺度的所述第一特征图谱进行交互后分别输入到所述预设卷积神经网络中，以得到第二特征图谱包括如下的步骤S301至步骤S303：

步骤S301，通过卷积层对不同尺度的所述第一特征图谱进行降维。

具体实施时，在得到四个不同尺度的特征图谱后，需要利用1×1×1的卷积核对待交互的特征图谱进行降维，降维尺度为K，K在本申请实施例中优选被设置为按照从大到小尺度为[1，2，4，8]。

步骤S302，通过级联层将降维后得到的不同尺度的所述第一特征图谱进行特征交互，以得到不同尺度的交互特征。

具体实施时，可以使用三立方插值和三维最大池化层对上述四个不同尺度的特征图谱进行相互交互和特征互联，以得到不同尺度的交互特征。

步骤S303，将不同尺度的所述交互特征分别输入到所述预设卷积神经网络中，以得到所述第二特征图谱。

具体实施时，将级联后得到的不同尺度的特征图谱分别输入到密集连接卷积单元，以得到最终的第二特征图谱，通过调节上述降维尺度K值，可以使得不同尺度之间的特征图谱同时达到保持本身独立性和多尺度之间交互性的目的。

作为本申请实施例的一种优选实施方式，如图4所示，所述将所述第二特征图谱按照预设规则进行映射，以得到头颈血管分割结果包括如下的步骤S401至步骤S402：

步骤S401，将所述第二特征图谱通过卷积层进行映射。

具体实施时，在通过特征交互过程得到第二特征图谱后，将所述第二特征图谱通过1×1×1卷积核进行映射，1×1×1的卷积核不需要考虑像素跟周边像素的关系，通过调节通道数，对不同的通道上的像素点进行线性组合，然后进行非线性化操作，即可以达到降维的目的。

步骤S402，通过预设激活函数将映射后的所述第二特征图谱进行处理，以得到头颈血管分割模型。

具体实施时，在通过1×1×1卷积核对上述特征图谱进行降维后，通过Sigmoid激活函数层进行激活处理，进而得到最终分割模型。二值图像由阈值被设置为0.5的阈值化操作得到，网络模型的损失函数为Dice与二值交叉熵损失函数之和：

Criterion(pred,gt)＝Dice(pred,gt)+w×BCE(pred,gt)

其中，w为损失权重，本申请实施例中被设置为1，整体损失函数由以下公式计算出：

其中，λ_i为对应的权重，本申请实施例中λ_2-6分别设置为[0.67，0.33，0.67，0.33]。所采用优化器为Adam,初始学习率设置为0.001，使用批量梯度下降法进行误差反传,批处理大小设置为5，使用4卡训练，训练时间为20小时。优选地，采用密集连接卷积单元作为基础的卷积处理单元，使用大小为3×3×3的卷积单元，随后采用CELU非线性激活函数与BatchNorm层进行处理，最终得到每个卷积单元对应大小的输出结果。

作为本申请实施例的一种优选实施方式，如图5所示，所述将所述第二特征图谱按照预设规则进行映射，以得到头颈血管分割结果包括如下的步骤S501至步骤S503：

步骤S501，通过预设激活函数将所述第二特征图谱进行处理，并输出头颈血管分割模型。

具体实施时，在通过Sigmoid激活函数对上述特征图谱进行激活处理后，得到最终分割模型，以对终端的CTA影像数据进行血管分割。

步骤S502，接收终端的头颈血管分割请求。

具体实施时，需要接收终端发送的头颈血管分割请求，所述头颈血管分割请求中包括待分割的CTA影像数据。

步骤S503，将所述头颈血管分割请求中的所述头颈动脉血管断层扫描影像数据输入到所述头颈血管分割模型，以得到所述头颈血管分割结果。

具体实施时，将头颈血管分割请求中的CTA影像数据输入到上述头颈血管分割模型进行血管分割，进而得到最终的血管分割结果，并返回至终端。

优选地，将上述得到的头颈血管分割模型在收集的头颈CTA数据集上进行验证，该数据是由东芝CT仪器获取的132例头颈CTA图像，大小为512×512×Depth，Depth因人而异，其范围在[369，576]之间，其实际空间分辨率为0.586×0.586×0.80mm³。

表1头颈血管分割模型验证结果

结果表明，如表1所示，本申请实施例中得到的头颈血管分割模型可以得到很好的血管分割效果，分割准确率达到了99.97％，假阳性较少，血管分割断裂情况较少，该方法具有很强的血管分割应用前景，同时可拓展至其他线型管状结构的分割提取流程中。

从以上的描述中，可以看出，本发明实现了如下技术效果：采用将头颈动脉血管断层扫描影像数据输入预设卷积神经网络进行处理，以得到不同尺度的第一特征图谱；将不同尺度的所述第一特征图谱进行交互后分别输入到所述预设卷积神经网络中，以得到第二特征图谱的方式，通过将所述第二特征图谱按照预设规则进行映射，以得到头颈血管分割结果，达到了对复杂血管结构进行快速准确分割的目的，从而实现了拓宽图像分割模型的应用范围的技术效果。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

根据本发明实施例，还提供了一种用于实施上述基于卷积神经网络的头颈血管分割方法的装置，如图6所示，该装置包括：输入模块1、交互模块2和分割模块3。

本申请实施例的输入模块1，用于将头颈动脉血管断层扫描影像数据输入预设卷积神经网络进行处理，以得到不同尺度的第一特征图谱。

具体实施时，首先需要获取大量的头颈动脉血管断层扫描(CTA)影像数据，作为模型训练的原始样本，所述CTA影像数据可以是大小为48×48×48的影像数据。本申请实施例采用卷积神经网络模型进行头颈分割模型的构建，卷积神经网络(Convolutional NeuralNetworks，简称CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。

之后将上述得到的大小为48×48×48的CTA影像数据经过预处理后通过输入模块输入到预设卷积神经网络模型如密集连接卷积神经网络进行训练，根据训练结果提取出不同尺度的特征图谱。所述不同尺度的特征图谱是指通过尺寸调整层直接将原始尺度特征图谱进行操作，得到四个不同尺度的特征图谱(大小分别为48×48×48，24×24×24，12×12×12与1×1×1)，以对应像素层次特征、目标层次特征与全图层次特征。

本申请实施例的交互模块2，用于将不同尺度的所述第一特征图谱进行交互后分别输入到所述预设卷积神经网络中，以得到第二特征图谱。

具体实施时，通过交互模块将上述得到的四个不同尺度的特征图谱(大小分别为48×48×48，24×24×24，12×12×12与1×1×1)之间进行相互交互，随后分别输入到密集连接卷积神经网络中进行处理，根据处理结果提取出第二特征图谱，即通过对低层次特征的处理以提取高层次或者深层次的特征。其中，特征交互过程重复多次，以不断优化训练结果。

本申请实施例的分割模块3，用于将所述第二特征图谱按照预设规则进行映射，以得到头颈血管分割结果。

具体实施时，通过分割模块将上述得到的第二特征图谱通过卷积层进行映射，并利用sigmoid激活函数进行激活，从而得到最终的三维头颈血管分割模型，用于对头颈动脉血管断层扫描影像数据进行血管分割。本申请实施例的基于卷积神经网络的头颈血管分割方法采集了大量的高分辨率影像数据，并将像素层次特征，目标层次特征与全图层次特征相互结合交互，同时又保持各尺度特征的独立性，实现了对头颈部血管等线型管状结构的精确分割。

作为本申请实施例的一种优选实施方式，如图7所示，所述输入模块1包括：第一输入单元11和调整单元12。本申请实施例的第一输入单元11，用于将所述头颈动脉血管断层扫描影像数据输入所述预设卷积神经网络进行处理，以提取原始特征。本申请实施例的调整单元12，用于将所述原始特征进行尺度调整，以得到不同尺度的所述第一特征图谱。

作为本申请实施例的一种优选实施方式，所述交互模块2包括：降维单元21、交互单元22和第一输入单元23。本申请实施例的降维单元21，用于通过卷积层对不同尺度的所述第一特征图谱进行降维。本申请实施例的交互单元22，用于通过级联层将降维后得到的不同尺度的所述第一特征图谱进行特征交互，以得到不同尺度的交互特征。本申请实施例的第一输入单元23，用于将不同尺度的所述交互特征分别输入到所述预设卷积神经网络中，以得到所述第二特征图谱。

作为本申请实施例的一种优选实施方式，所述分割模块3包括：映射单元31和处理单元32。本申请实施例的映射单元31，用于将所述第二特征图谱通过卷积层进行映射。本申请实施例的处理单元32，用于通过预设激活函数将映射后的所述第二特征图谱进行处理，以得到头颈血管分割模型。

作为本申请实施例的一种优选实施方式，所述分割模块3还包括：激活单元33、接收单元34和分割单元35。本申请实施例的激活单元33，用于通过预设激活函数将所述第二特征图谱进行处理，并输出头颈血管分割模型。本申请实施例的接收单元34，用于接收终端的头颈血管分割请求。本申请实施例的分割单元35，用于将所述头颈血管分割请求中的所述头颈动脉血管断层扫描影像数据输入到所述头颈血管分割模型，以得到所述头颈血管分割结果。

上述装置中各模块或各单元之间的具体关系及所发挥的功能和作用参照方法部分的具体描述，在此不做赘述。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (6)

1.一种基于卷积神经网络的头颈血管分割方法，其特征在于，包括：

将头颈动脉血管断层扫描影像数据输入预设卷积神经网络进行处理，以得到不同尺度的第一特征图谱，所述不同尺度的第一特征图谱是指通过尺寸调整层将原始尺度特征图谱进行操作，得到四个不同尺度的特征图谱，以对应像素层次特征、目标层次特征与全图层次特征；

将不同尺度的所述第一特征图谱进行交互后分别输入到所述预设卷积神经网络中，以得到第二特征图谱；

所述将不同尺度的所述第一特征图谱进行交互后分别输入到所述预设卷积神经网络中，以得到第二特征图谱，包括：

通过卷积层对不同尺度的所述第一特征图谱进行降维，降维尺度为[1，2，4，8]；

使用三立方插值和三维最大池化层对四个不同尺度的特征图谱进行相互交互和特征互联，以得到不同尺度的交互特征；

将不同尺度的所述交互特征分别输入到所述预设卷积神经网络中，以得到所述第二特征图谱；

将所述第二特征图谱按照预设规则进行映射，以得到头颈血管分割结果；

所述将所述第二特征图谱按照预设规则进行映射，以得到头颈血管分割结果，包括：

将所述第二特征图谱通过1☓1☓1卷积核进行映射，通过调节通道数，对不同的通道上的像素点进行线性组合，然后进行非线性化操作，以达到降维的目的；

通过预设激活函数将映射后的所述第二特征图谱进行处理，以得到头颈血管分割模型，网络模型的损失函数为Dice与二值交叉熵损失函数之和。

2.根据权利要求1所述的基于卷积神经网络的头颈血管分割方法，其特征在于，所述将不同尺度的所述第一特征图谱进行交互后分别输入到所述预设卷积神经网络中，以得到第二特征图谱包括：

通过卷积层对不同尺度的所述第一特征图谱进行降维；

通过级联层将降维后得到的不同尺度的所述第一特征图谱进行特征交互，以得到不同尺度的交互特征；

将不同尺度的所述交互特征分别输入到所述预设卷积神经网络中，以得到所述第二特征图谱。

3.根据权利要求1所述的基于卷积神经网络的头颈血管分割方法，其特征在于，所述将所述第二特征图谱按照预设规则进行映射，以得到头颈血管分割结果包括：

通过预设激活函数将所述第二特征图谱进行处理，并输出头颈血管分割模型；

接收终端的头颈血管分割请求；

将所述头颈血管分割请求中的所述头颈动脉血管断层扫描影像数据输入到所述头颈血管分割模型，以得到所述头颈血管分割结果。

4.一种基于卷积神经网络的头颈血管分割装置，其特征在于，包括：

输入模块，用于将头颈动脉血管断层扫描影像数据输入预设卷积神经网络进行处理，以得到不同尺度的第一特征图谱，所述不同尺度的第一特征图谱是指通过尺寸调整层将原始尺度特征图谱进行操作，得到四个不同尺度的特征图谱，以对应像素层次特征、目标层次特征与全图层次特征；

交互模块，用于将不同尺度的所述第一特征图谱进行交互后分别输入到所述预设卷积神经网络中，以得到第二特征图谱；

所述将不同尺度的所述第一特征图谱进行交互后分别输入到所述预设卷积神经网络中，以得到第二特征图谱，包括：

通过卷积层对不同尺度的所述第一特征图谱进行降维，降维尺度为[1，2，4，8]；

使用三立方插值和三维最大池化层对四个不同尺度的特征图谱进行相互交互和特征互联，以得到不同尺度的交互特征；

将不同尺度的所述交互特征分别输入到所述预设卷积神经网络中，以得到所述第二特征图谱；

分割模块，用于将所述第二特征图谱按照预设规则进行映射，以得到头颈血管分割结果；

所述将所述第二特征图谱按照预设规则进行映射，以得到头颈血管分割结果，包括：

将所述第二特征图谱通过1☓1☓1卷积核进行映射，通过调节通道数，对不同的通道上的像素点进行线性组合，然后进行非线性化操作，以达到降维的目的；

通过预设激活函数将映射后的所述第二特征图谱进行处理，以得到头颈血管分割模型，网络模型的损失函数为Dice与二值交叉熵损失函数之和。

5.根据权利要求4所述的基于卷积神经网络的头颈血管分割装置，其特征在于，所述交互模块包括：

降维单元，用于通过卷积层对不同尺度的所述第一特征图谱进行降维；

交互单元，用于通过级联层将降维后得到的不同尺度的所述第一特征图谱进行特征交互，以得到不同尺度的交互特征；

第一输入单元，用于将不同尺度的所述交互特征分别输入到所述预设卷积神经网络中，以得到所述第二特征图谱。

6.根据权利要求4所述的基于卷积神经网络的头颈血管分割装置，其特征在于，所述分割模块还包括：

激活单元，用于通过预设激活函数将所述第二特征图谱进行处理，并输出头颈血管分割模型；

接收单元，用于接收终端的头颈血管分割请求；

分割单元，用于将所述头颈血管分割请求中的所述头颈动脉血管断层扫描影像数据输入到所述头颈血管分割模型，以得到所述头颈血管分割结果。

Images